Regiony s vyšší nezaměstnaností volí jinak než ty, kde je nezaměstnanost skoro na nule. V okresech s nízkou nezaměstnaností uspěly strany ODS a Piráti, zatímco tam, kde je nezaměstnanost vysoká, bodovalo ANO nebo SPD.
Korelace není kauzalitaRegiony s vyšší nezaměstnaností mají nižší volební účast. To ale samo o sobě neznamená, že nezaměstnaní nechodí k volbám. |
Samozřejmě, že na základě sociodemografických dat a výsledků voleb na úrovni okresů (kam pro zjednodušení počítáme i hlavní město) nelze vyvozovat kauzální vztah. Čísla totiž neříkají nic o konkrétních voličích.
V následující příloze můžete sami najít různé souvislosti mezi tím, jak lidé volili v různých regionech. Můžete přepínat mezi statistickými ukazateli (nezaměstnanost, vzdělání, naděje dožití apod.), mezi hlasy pro jednotlivé politické strany a volební účastí v daném regionu.
Interaktivní mapy a grafy – najděte souvislosti
Interaktivní mapy a graf ukazují souvislosti mezi výsledky voleb a statistikami:
(Zdroj dat: Český statistický úřad, MapaExekuci.cz, Volby.iDNES.cz)
Jak vyhledávat souvislostiStručný návod k využití naší interaktivní přílohy
|
Všechny korelace mezi námi analyzovanými veličinami jsou zaznamenané v následující tabulce:
Korelace volebních výsledků (Eurovolby 2019) s demografickými údaji. Zelená barva značí pozitivní korelaci, červená negativní, intenzita barvy sílu korelace. Zdroj: ČSÚ, MapaExekucí, Volby.iDNES.cz, Technet.cz
(Tabulku si můžete stáhnout v PDF. Zdrojová data v TSV a XLSX.)
Nejvýraznější korelace v naší analýze:
- vyšší volební účast v regionu posílila pozici Pirátů, ODS a koalice TOP 09 + STAN
- nízká volební účast v regionu pomohla stranám ANO, SPD a KSČM
- v regionech s vyšší předpokládanou délkou života byla vyšší volební účast
| Naděje dožití | Volební účast |
|---|---|
| 78 | 38,06% |
| 75,4 | 30,05% |
| 75,3 | 29,71% |
| 75,1 | 26,17% |
| 75,8 | 28,14% |
| 75,1 | 27,70% |
| 75,7 | 26,50% |
| 76,9 | 27,59% |
| 75,6 | 29,17% |
| 76,8 | 35,21% |
| 77,4 | 38,89% |
| 75,6 | 29,93% |
| 75,6 | 26,39% |
| 76,1 | 29,53% |
| 75,1 | 26,06% |
| 76 | 28,87% |
| 75,8 | 28,83% |
| 75,5 | 26,24% |
| 75 | 29,00% |
| 75,5 | 29,86% |
| 75,4 | 25,93% |
| 75,5 | 28,70% |
| 77,1 | 30,64% |
| 75,5 | 26,81% |
| 76,4 | 26,58% |
| 75 | 26,85% |
| 74,4 | 21,73% |
| 74,7 | 23,08% |
| 74,5 | 25,67% |
| 73,6 | 19,50% |
| 74,6 | 22,39% |
| 72,9 | 18,85% |
| 74 | 25,78% |
| 73,1 | 24,07% |
| 72,8 | 19,12% |
| 73 | 20,56% |
| 74,7 | 22,72% |
| 74,3 | 23,44% |
| 75,9 | 28,19% |
| 75,7 | 29,28% |
| 76,4 | 33,10% |
| 77,1 | 32,86% |
| 76,2 | 29,43% |
| 76,6 | 29,42% |
| 76,5 | 29,25% |
| 75,3 | 27,83% |
| 75,4 | 27,16% |
| 76,5 | 29,80% |
| 75,4 | 26,26% |
| 76,3 | 30,34% |
| 76,8 | 29,16% |
| 76,5 | 29,90% |
| 75,8 | 30,63% |
| 76,8 | 28,35% |
| 76,3 | 29,30% |
| 76,2 | 29,80% |
| 77 | 32,16% |
| 76,1 | 30,99% |
| 74,8 | 25,16% |
| 74,9 | 26,58% |
| 75,8 | 27,84% |
| 75,4 | 25,81% |
| 74,3 | 22,33% |
| 75,9 | 27,66% |
| 74,5 | 24,88% |
| 75 | 25,98% |
| 74,4 | 26,23% |
| 74,5 | 28,53% |
| 75,3 | 28,18% |
| 74,7 | 26,96% |
| 75,9 | 28,86% |
| 73,7 | 21,39% |
| 74,7 | 25,69% |
| 73,4 | 20,04% |
| 74,8 | 26,84% |
| 74,7 | 24,08% |
| 73,9 | 23,57% |
- v regionech s vyšším podílem věřících získala více hlasů KDU-ČSL
- v regionech s vyšším počtem exekucí a vyšší nezaměstnaností byla nižší volební účast a uspěly zde více ANO a SPD
Třebe zmíněná korelace volebních výsledků s volební účastí je pozorováním po volbách. Může se tedy lišit od předbolebních předpovědí sociologů ohledně toho, jak účast ovlivní výsledek. Sociologové totiž pracují s daty získanými dotazováním lidí na „volební potenciál“ (kdybyste šli volit, koho byste volili?) a mohou tedy spekulovat ohledně toho, které strany by nejvíce vytěžily z vysoké volební účasti. My na druhou stranu analyzujeme pouze reálná volební data, a nemáme tedy žádné informace o tom, koho by volili ti, kteří zůstali doma. Naše pozorování „vysoká účast prospěla Pirátům“ je tak zkrácenou verzí „tam, kde byla vyšší účast, byl i vyšší podíl Pirátů na výsledku“, což ale neznamená, že ještě vyšší účast by nutně vedla k ještě lepšímu výsledku atd. Navíc je možné, že pro obě korelující veličiny existuje třetí, se kterou korelují obě, a která tak závislost vysvětluje lépe.
Korelační koeficient ukazuje souvislost, nikoli následekKrátký exkurz do statistiky Korelace je statistický termín, který matematicky vyjadřuje, nakolik spolu nějaké vlastnosti souvisí. Tato souvislost je ovšem trochu jiná, než jak obvykle o souvislostech uvažujeme. Abychom si názorně ukázali, jak lze posuzovat korelaci mezi dvěma řadami čísel nebo dvěma různými parametry stejné „populace“, podíváme se na jednoduchý příklad. Máme tabulku se šesti fiktivními osobami. Pokud informace o těchto osobách naneseme na dvourozměrný graf, vidíme, že některé informace spolu souvisí (tzv. korelují), zatímco jiné nikoli. Míru korelace měříme Pearsonovým korelačním koeficientem.   Ukázkové korelace mezi hodnotami: váha a výška spolu v našem příkladu souvisí velmi silně (ρ=0,81), tedy obecně platí „čím vyšší člověk, tím vyšší váha“. Příjem a výška spolu nesouvisí vůbec (ρ=0,03) a mezi příjmem a věkem je středně velká opačná souvislost (ρ=-0,59), tedy „čím starší člověk, tím nižší příjem“. Všimněte si, že ani vysoká korelace neznamená stoprocentní závislost jedné veličiny na druhé. (Rozklikněte pro zobrazení) Je jasné, že korelace váhy a výšky asi nebude náhodná. Okamžitě nás napadne, jak spolu obě vlastnosti člověka souvisí. U jiných korelací ale takto jasná příčinná souvislost není. Kdyby třeba ze statistiky vyšlo, že výška příjmu koreluje s hmotností, znamenalo by to, že těžší lidé dostávají více peněz, nebo naopak že lépe placení lidé si mohou dovolit více utrácet za jídlo? Korelace neříká nic o mechanismu nebo příčině a následku, popisuje jen to, jak spolu souvisí dvě číselné řady. Někdy je taková znalost užitečná, jindy spíše zavádějící a matoucí. |
Co vyplývá a nevyplývá z korelací
Když jsme čtenářům tento nástroj pro srovnávání regionálních souvislostí poprvé představili po prezidentských volbách 2018, řada čtenářů si v diskuzi stěžovala, že se snažíme ukázat, že „Zemana volili ti méně vzdělaní“ apod. Nic takového ale naše mapy neukazují, a ani ukázat nemohou. Protože jsou data na úrovni okresů, nevypovídají nic o konkrétních voličích.
Stejně je to i tentokrát. To, že například v regionech s vyšším počtem lidí v exekuci volilo relativně více lidí SPD (a existuje tedy mírná korelace mezi výsledkem SPD a exekucemi), neznamená, že lidé v exekuci volí SPD. Korelace by zde mohla být, i kdyby žádný volič SPD nebyl v exekuci.
Omezení vyplývající z povahy datU každých statistik je potřeba znát zdroj dat i metodiku Je důležité si uvědomovat, s jakými daty pracujeme, abychom tomu přizpůsobili závěry, které z dat vyvozujeme. V případě našeho nástroje na hledání korelací jsou to především tato omezení:
|
Užitečnější podle nás je přemýšlet o těchto regionálních korelacích právě v rámci regionu. Vidíme například dobře, jaké demografické charakteristiky měly vliv na volební účast v okresu:
- vyšší nezaměstnanost – nižší účast
- větší podíl lidí v exekuci – nižší účast
- vyšší naděje dožití – vyšší účast
Nezaměstnanost a exekuce jsou pochopitelně ekonomicky provázané, a oba tyto jevy mají vliv na optimismus v regionu. Třeba v okrese Most je podíl lidí v exekuci 20 %, což je nejvíce v ČR. Nezaměstnanost je zde druhá nejvyšší v ČR. Předpokládaná délka dožití nejnižší v ČR (72,8 let). To všechno jsou čísla, která podporují pesimismus a tedy i nižší volební účast.
Hledání souvislostí v číslech je ale vždy ošemetné. Každý přistupujeme k analýze informací s určitými představami, a máme přirozenou tendenci hledat potvrzení svých stávajících názorů. Snadno tedy najdeme narativ, který bude souvislosti vysvětlovat tak, jak se nám to hodí. Doufáme ale, že náš nástroj pomůže zvědavým čtenářům prozkoumat zajímavé korelace, aniž z nich budou usuzovat na zjednodušený vztah příčiny a následku.
Zpět na interaktivní přílohu |
Pokud bychom měli vybrat jednu lekci, která z našich korelací vyplývá, nemá nic společného se zjednodušujícími závěry typu „bohatí volili X“ nebo „méně vzdělaní lidé se bojí Y“. Mapa podle nás ukazuje rozdílnost regionů a vliv, kterou tato rozdílnost má na preference voličů. Tyto preference jsou ale výsledkem toho, jak lidé v daném regionu vnímají svou situaci a své priority. A je zjevné, že politici mají problém oslovit regiony, ve kterých má velká část obyvatel důvod k pesimismu.
To je trend, který by měl vést k zamyšlení všechny. Hlavně ty, kteří mají tendenci soudit ostatní za to, jak „iracionálně“ se ve volbách rozhodovali nebo jak „nezodpovědně“ se zachovali, když volit nešli. Pohled na pestrobarevnou mapu by pro nás měl být připomínkou reality, která není černobílá.
Aktualizace: Doplnili jsme metodické poznámky.
