Am 24. April sind sechs Monate seit der konstituierenden Sitzung des 19. Bundestags vergangen. Wie hat sich das Parlament mit dem Einzug der Rechten verändert? Wie prägen die Rechten das Miteinander, das Klima, die Abläufe im Bundestag? Das wieder eine zumindest in Teilen rechtsextreme Partei im Parlament sitzt, ist eine Zäsur in der Geschichte der Bundesrepublik. Angesichts des Verhaltens von AfD-Politikern vor dem Einzug in den Bundestag, ihren Verbindungen zu rechtsextremen Kreisen, ihren teils rechtsradikalen und fremdenfeindlichen Äußerungen erschien es uns wichtig, nachvollziehbar und transparent zu machen, wie Vertreter dieser Partei im Bundestag agieren, wie sie parlamentarische Prozesse beeinflussen. In die Öffentlichkeit gelangen sonst in der Regel nur die besonderen Vorkommnisse, wichtige Entscheidungen, herausragende Reden, extreme Provokationen. Mit der Datenauswertung aller Protokolle - nicht nur bestimmter Ereignisse - über einen längeren Zeitraum objektivieren die Wahrnehmung und Bewertung des Geschehens dort.
In diesem Repo veröffentlichen wir die aus den Protokollen extrahierten Daten.
- Digitale Reportage: Das gespaltene Parlament
- Weitere Datenauswertung: Neuer Bundestag, alte Fronten
- Methodik: So analysieren wir den Bundestag
- Interview mit einem Stenografen des Bundestags: "Es ist in alle Richtungen leidenschaftlicher geworden. Keine Frage"
Wenn die Abgeordneten im Bundestag diskutieren, wird jedes gesprochene Wort akribisch dokumentiert. Stenografen sitzen in jeder Plenardebatte und schreiben mit, was um sie herum passiert: Wer was sagt, wer klatscht, wer dazwischenruft, wer lacht, wer einer Aussage widerspricht und wie. Diese Aufzeichnungen landen in seitenlangen Dokumenten (hier zum Beispiel das Protokoll der ersten Sitzung nach der Bundestagswahl im Oktober, die kurz nach der Debatte im Internet veröffentlicht werden. Für die Süddeutsche Zeitung waren sie der Ausgangspunkt der Recherche, um das Auftreten der AfD im Bundestag und den Umgang mit ihr zu analysieren. Mehr zur Methodik auf SZ.de.
- Stand: 24. Sitzungstag
- In diesem Repository gibt es eine
.csv-Datei, in der ein Teil unserer extrahierten Daten aus den Bundestagsprotokollen zu finden sind.
| Variable | Beschreibung |
|---|---|
| sitzung_id | Sitzungsnmmer |
| text | Originaltext aus dem Protokoll |
| type | Art der Aktion:Beifall, Heiterkeit, Lachen, Widerspruch, Zuruf |
| party | agierende Fraktion |
| zurufer_name | Person, die zuruft |
| zuruf_text | Zuruf im Wortlaut |
| speaker_party | Fraktion der sprechenden Person (Anmerkung: Die Person muss nicht notwendigerweise die Person am Rednerpult sein, z.B. wenn jemand eine Zwischenfrage stellt) |
| speech_id | ID der Rede (aus XML-Datei) |
| top | Tagesordnungspunkt |
| beschreibung | Beschreibung des Tagesordnungspunkts |
| party_action | agierte die ganze Fraktion (1) oder Teile der Fraktion (0) |
Wir fokussieren uns auch die Reaktionen zwischen den Fraktionen. Applaus für moderierende Ämter, wie zum Beispiel für den Bundestagspräsidenten spielen keine Rolle. Rollenbezeichnungen wie Bundeskanzlerin haben wir in Fraktionsbezeichnungen umgewandelt.
library(dplyr)
library(ggplot2)
library(tidyr)
# import data
df <- read.csv("data/bundestagsprotokolle_19.csv", sep = "\t", stringsAsFactors = F)
party_vector <- c("afd", "fdp", "gruene", "linke", "spd", "union")So oft tauchen die Parteien in den Daten pro Kategorie auf:
df %>%
filter(party %in% party_vector, speaker_party %in% party_vector) %>%
count(party, type) %>%
spread(type, n) %>%
mutate(sum = rowSums(.[2:6])) %>%
arrange(desc(sum))## # A tibble: 6 x 7
## party beifall heiterkeit lachen widerspruch zuruf sum
## <chr> <int> <int> <int> <int> <int> <dbl>
## 1 gruene 3019 68 68 46 1302 4503.
## 2 spd 3511 80 65 38 773 4467.
## 3 union 3303 85 28 15 870 4301.
## 4 linke 2753 34 61 47 1010 3905.
## 5 afd 2196 46 155 61 1173 3631.
## 6 fdp 2629 66 31 12 625 3363.
Wieviel klatschen die Fraktionen für sich selbst und wieviel für die anderen?
df_beifall_self <- df %>%
filter(type == "beifall", party == speaker_party, party %in% party_vector, speaker_party %in% party_vector) %>%
count(party) %>%
rename(self = n)
df_beifall_others <- df %>%
filter(type == "beifall", party != speaker_party, party %in% party_vector, speaker_party %in% party_vector) %>%
count(party) %>%
rename(others = n)
df_beifall_all <- df %>%
filter(type == "beifall", party %in% party_vector, speaker_party %in% party_vector) %>%
count(party) %>%
rename(all = n)
df_beifall_all %>%
left_join(df_beifall_self, by = "party") %>%
left_join(df_beifall_others, by = "party") %>%
mutate(share_self = self/all,
share_others = others/all) %>%
arrange(desc(share_self)) %>%
mutate(order = row_number()) %>%
tidyr::gather(type, factor, 5:6) %>%
ggplot(aes(x = reorder(party, -order), y = factor, group = type, fill = type)) +
geom_bar(stat = "identity") +
scale_y_continuous(labels = scales::percent) +
coord_flip() +
labs(title = "Anteil des Beifalls für die eigene Fraktion und andere Fraktionen")
Wenn eine Partei für andere klatscht, wie oft klatscht dann die ganze Fraktion und wann nur Teile einer Fraktion?
df %>%
filter(type == "beifall", party != speaker_party, party %in% party_vector, speaker_party %in% party_vector) %>%
count(party, party_action) %>%
spread(party_action, n) %>%
mutate(sum = `0` +`1`) %>%
arrange(desc(sum)) %>%
mutate(order = row_number()) %>%
rename(ganze_partei = `0`, teile_der_partei = `1`) %>%
gather(party_action, value, -party, -sum, -order) %>%
ggplot(aes(x = reorder(party, -order), y = value, group = party_action, fill = party_action)) +
geom_bar(stat = "identity") +
coord_flip()
Wie viel klatschen die Fraktionen für andere? Und wieviel Aufmerksamkeit bekommt die AfD von den anderen Parteien?
df %>%
filter(type == "beifall", party %in% party_vector, speaker_party %in% party_vector, party != speaker_party) %>%
count(party, speaker_party) %>%
filter(party %in% party_vector, speaker_party %in% party_vector) %>%
spread(speaker_party, n) %>%
rowwise() %>%
mutate(nicht_afd = sum(fdp, gruene, linke, spd, union, na.rm= TRUE)) %>%
arrange(desc(nicht_afd)) %>%
mutate(order = row_number()) %>%
select(party, afd, nicht_afd, order) %>%
gather(type, value, -order, -party) %>%
ggplot(aes(x = reorder(party, -order), y = value, fill = type, group = desc(type))) +
geom_bar(stat = "identity") +
coord_flip() +
labs(title= "Wie oft die Fraktionen für die AfD oder die anderen Fraktionen klatschen",
caption = "Quelle: Bundestag, Analyse: SZ")
Wer klatscht für wen?
df %>%
filter(party %in% party_vector, speaker_party %in% party_vector, party != speaker_party, type == "beifall") %>%
count(party, speaker_party) %>%
arrange(desc(n))## # A tibble: 30 x 3
## party speaker_party n
## <chr> <chr> <int>
## 1 spd union 871
## 2 fdp union 828
## 3 union spd 606
## 4 linke gruene 587
## 5 gruene spd 573
## 6 gruene union 467
## 7 linke spd 461
## 8 spd gruene 440
## 9 gruene linke 424
## 10 fdp spd 328
## # ... with 20 more rows
Welche Fraktion ruft am meisten zu?
df %>%
filter(party %in% party_vector, speaker_party %in% party_vector, party != speaker_party, type == "zuruf") %>%
count(party) %>%
arrange(desc(n))## # A tibble: 6 x 2
## party n
## <chr> <int>
## 1 gruene 1268
## 2 afd 1138
## 3 linke 957
## 4 union 762
## 5 spd 722
## 6 fdp 582
Welche Fraktion ruft wie oft einer anderen zu?
df %>%
filter(party %in% party_vector, speaker_party %in% party_vector, party != speaker_party, type == "zuruf") %>%
count(party, speaker_party) %>%
arrange(desc(n))## # A tibble: 30 x 3
## party speaker_party n
## <chr> <chr> <int>
## 1 gruene union 506
## 2 afd union 464
## 3 gruene afd 453
## 4 linke union 449
## 5 spd afd 334
## 6 union afd 269
## 7 afd spd 254
## 8 linke afd 223
## 9 afd gruene 194
## 10 gruene spd 182
## # ... with 20 more rows
Welche Fraktion lacht wie oft?
df %>%
filter(type == "lachen", party %in% party_vector, speaker_party %in% party_vector) %>%
count(party) %>%
ggplot(aes(x = reorder(party, n), y = n)) +
geom_bar(stat = "identity") +
coord_flip() +
labs(title = "Anzahl des Lachens pro Fraktion",
caption = "Quelle: Bundestag, Analyse: SZ")
Wer lacht über wen?
df %>%
filter(type == "lachen", party %in% party_vector, speaker_party %in% party_vector) %>%
count(party, speaker_party) %>%
arrange(desc(n))## # A tibble: 29 x 3
## party speaker_party n
## <chr> <chr> <int>
## 1 afd union 68
## 2 spd afd 58
## 3 gruene afd 48
## 4 linke afd 34
## 5 afd spd 29
## 6 union afd 23
## 7 linke union 21
## 8 afd gruene 20
## 9 afd linke 20
## 10 afd fdp 17
## # ... with 19 more rows
Über wen lacht die AfD? Die AfD lacht vor allem Sprecher der Union aus.
df %>%
filter(type == "lachen", party == "afd", party %in% party_vector, speaker_party %in% party_vector) %>%
group_by(party, speaker_party) %>%
summarise(n = n()) %>%
mutate(share = n/sum(n)) %>%
ggplot(aes(x = reorder(speaker_party, n), y = n)) +
geom_bar(stat = "identity") +
coord_flip() +
labs(title = "Anzahl des Lachens der AfD pro Fraktion",
caption = "Quelle: Bundestag, Analyse: SZ")