Mit Visualisierungen Open Data lebendig und erlebbar machen

Welche Mitglieder im Grossen Rat reichen am meisten Vorstösse ein und mit wem? Gibt es Zusammenarbeit der Abgeordneten über Parteigrenzen hinweg? Arbeiten Männer eher mit Männern zusammen und Frauen eher mit Frauen? Dieser Blogbeitrag beschreibt am Beispiel von Daten zu den Vorstössen im Grossen Rat des Kantons Thurgau wie Visualisierung Open Data lebendig und erlebbar machen können.

Die obigen Fragen habe ich mir gestellt, als ich mich im Rahmen der Open Data Vorlesung an der Universität Bern mit Daten vom Grossen Rat des Kantons Thurgau beschäftigt habe. Daten in ihrer Rohform, als Excel-Tabellen, mit unverständlichen Zahlen, Zeichen und Variablennamen, können manchmal trocken und leblos wirken. In meinem Fall waren es zwei solche Tabellen: Eine mit Daten über die Mitglieder des Grossen Rats und eine mit Daten über die eingereichten Vorstösse und deren Unterzeichner*innen seit 2012. Meine Aufgabe: Die Daten zum Leben bringen, sie sichtbar, erfahrbar und erforschbar zu machen. Möglich wird das durch interaktive Visualisierungen, die es einem erlauben einen intuitiven, spielerischen Zugang zu den Daten zu erlangen und so Zusammenhänge zu entdecken und neue Erkenntnisse zu gewinnen.

Die Richtige Form finden

In jedem Datensatz steckt eine Fülle von grossen und kleinen Geschichten. Welche von diesen Geschichten man erzählen will, bestimmt, welche Form die Visualisierung haben sollte. Möchte ich die zeitliche oder räumliche Entwicklung zeigen? Liegt der Fokus auf Zahlen oder Beziehungen? Welche Dimensionen möchte ich zeigen und verknüpfen? Je nach Antwort auf solche Fragen ist vielleicht eine Karte, ein Sankey-Diagramm oder eine Treemap am passendsten. Internetseiten wie Datavizproject können dabei helfen, einen Überblick über die Vielzahl an Visualisierungsformen zu gewinnen und die passende auszuwählen.

Die Fragen, die mich beschäftigten, drehten sich vor allem darum, wer mit wem und wie oft gemeinsam Vorstösse einreicht. Die Visualisierungsform, die ich dafür gewählt habe, war daher eine Netzwerkvisualisierung, in der die Abgeordneten als Kreise und die gemeinsamen Vorstösse als Verbindungen zwischen den Abgeordneten dargestellt werden.

Daten kneten

Wer schon einmal mit Daten gearbeitet hat, weiss, dass es bei jedem Datensatz einer gewissen Arbeit bedarf, bis die Daten die Form und Qualität haben, die man benötigt. Oft muss man die Daten wie Zutaten beim Backen sieben und reinigen, zu einem Teig anrühren und kneten und schliesslich in die richtige Form bringen. So war es auch in diesem Fall. Ein Beispiel sind die Namen der Abgeordneten, über welche die beiden Datensätze der Ratsmitglieder und der eingereichten Vorstösse verknüpfen werden sollten. Anders als z. B. ID Nummern sind Namen nicht eindeutig und unveränderlich. Es gibt Spitznamen, Doppelnamen, Schreibfehler und Namenswechsel. Und all diese fanden sich auch in meinen Daten. So trat zum Beispiel eine Abgeordnete gleich unter drei verschiedenen Namen auf (Gina Rüetschi, Regina Rüetschi und Regina Ruetschi-Fischer). Um eine eindeutige Verknüpfung von einer Unterschrift unter einem Vorstoss mit einem Ratsmitglied zu erreichen, mussten also erst die Namen vereinheitlicht werden.

Die richtige Codebasis ist der Schlüssel

Nach dem Bereinigen und Formen der Daten ist der nächste Schritt das tatsächliche Bauen der Visualisierung. Wer, wie ich, noch keine oder kaum Erfahrung im Bereich interaktive Visualisierungen hat, ist auf Starthilfe angewiesen. Zum Glück findet sich diese im Internet zuhauf, gegeben man weiss, wo und wie man danach sucht. Das Werkzeug, mit dem ich arbeiten wollte, heisst D3.js und besteht aus einem javascript Framework für interaktive Webvisualisierungen. Tutorials zu den Grundlagen lassen sich zum Beispiel auf Youtube finden. Doch wenn man eine ganz bestimmte Visualisierung im Kopf hat, dann kommt man mit reinem Tutorialwissen schnell an seine Grenzen. Die Antwort sind Codebeispiele. Auf Observable findet man beispielsweise hunderte Visualisierung mit dazugehörigem Quellcode. Die Kunst ist nun, die Visualisierung zu finden, die am ehesten den eigenen Vorstellungen entspricht und diese als Grundgerüst zu nehmen, das man dann kürzt, umbaut und erweitert bis die eigene Visualisierung Form annimmt. Bei mir hat es zwei Anläufe gebraucht, bis ich den richtigen Ausgangspunkt gefunden hatte: ein Minimalbeispiel eines einfachen kräftebasierten Netzwerks mit Filterfunktion.

Sich überraschen lassen

Auch wenn man eine klare Idee und das richtige Werkzeug hat, geht nicht immer alles nach Plan. Daten können einen manchmal überraschen, in dem sie mit intuitiven Erwartungen über deren Inhalt und Struktur brechen. Am Anfang nahm ich an, dass sich die Zusammenarbeit von einer:einem gegebenen Abgeordneten auf einen relativ kleinen Personenkreis beschränkt. Während der Entwicklung der Visualisierung stellte sich jedoch heraus, dass die Abgeordneten im Grossen Rat deutlich mehr vernetzt sind, als ich angenommen hatte. In der Tat so vernetzt, dass das Bild mehr einem Knäuel als einem Netzwerk glich (Fig. 1). Erkenntnisse aus dieser Visualisierung zu gewinnen, war so gut wie unmöglich geworden. Die Lösung lag in der Besinnung auf die Essenz der Fragen, die ich an die Visualisierung stellen wollte: Was sind Netzwerke im Grossen Rat, die regelmässig zusammenarbeiten? Um diesen Erkenntnisgewinn zu erreichen, musste ich den Informationsgehalt reduzieren. In der fertigen Visualisierung werden nun standardmässig nur Verbindungen angezeigt, wenn zwei Abgeordnete mindestens drei Vorstösse gemeinsam unterzeichnet haben. So ergibt sich ein übersichtliches Bild der regelmässigen Zusammenarbeit (Fig. 2).

Fig. 1: Netzwerk mit allen Zusammenarbeiten
Fig. 2: Netwerk mit Zusammenarbeit bei drei oder mehr Vorstössen

Erkenntnisse

Die fertige Visualisierung erlaubt es, die Daten zu erforschen und spielerisch eigene Erkenntnisse zu gewinnen. Wir können nun die Fragen vom Anfang beantworten:

1. Welche Mitglieder im Grossen Rat reichen am meisten Vorstösse ein und mit wem?

Die Anzahl der Vorstösse, die ein:e Abgeordnete:r zwischen 2012 und 2021 eingereicht hat, steigt tendenziell mit der Anzahl der geleisteten Dienstjahre seit 2012. Die meisten Vorstösse hat Toni Kappeler (GP) eingereicht, der in 10 Jahren an 51 Vorstössen beteiligt war. Am häufigsten zusammengearbeitet haben Toni Kappeler (GP) und Josef Gemperle (CVP), die in 10 Jahren zusammen 11 Vorstösse eingereicht haben (8 davon zum Thema Energie). Dieses Ergebnis ist auch bereits ein Teil der Antwort auf die nächste Frage.

2. Gibt es Zusammenarbeit der Abgeordneten über Parteigrenzen hinweg?

Ja, es gibt viel Zusammenarbeit unter den Parteien. Ein paar Abgeordnete, wie z. B. Elisabeth Rickenbach (EVP), arbeiten sogar öfter mit Abgeordneten aus anderen Parteien zusammen als mit Parteikolleg:innen. Allerdings zeichnen sich gerade bei der regelmässigen Zusammenarbeit auch parteiinterne Netzwerke ab (Fig. 2).

3. Arbeiten Männer eher mit Männern zusammen und Frauen eher mit Frauen?

Von den insgesamt 264 Abgeordneten, die zwischen 2012 und 2021 ein Mandat im Grossen Rat hatten, sind zwei Drittel männlich und ein Drittel weiblich. Wenn man das Geschlecht der Abgeordneten visualisiert, erkennt man, dass sich das Netzwerk in einen von Frauen und einen von Männern dominierten Teil aufteilen lässt (Fig. 3).

Fig. 3: Netzwerk eingefärbt nach Geschlecht

Ein Teil der Erklärung für diese Trennung liegt wiederum in den parteiinternen Netzwerken. Das von Frauen dominierte Netzwerk besteht zu grossen Teilen aus Abgeordneten der SP, die mit 60 % einen deutlich höheren Frauenanteil als der Durchschnitt aufweist.
Ein zweiter Grund für die sichtbare Trennung könnte in den Themen der eingereichten Vorstösse liegen. Während beispielsweise Vorstösse aus dem Thema Verkehr hauptsächlich von Männern stammen, ist das Thema soziale Fragen eher von Frauen geprägt.
Falls damit Ihre Neugierde geweckt wurde, können Sie mithilfe der Live-Visualisierung noch viele weitere Geschichten selbst entdecken.

Open Government Data und Visualisierungen

Ich hoffe, ich konnte zeigen, dass interaktive Visualisierungen in der Lage sind trockene Daten zu lebendigen und spannenden Geschichten zu verwandeln. Oft mag der Nutzen von Open Government Datensätzen über obskure und vermeidlich uninteressante Themen begrenzt erscheinen. Doch Visualisierungen helfen uns, die Geschichten in den Daten zu entdecken. Geschichten, die uns hinter die Kulissen von Politik, Wirtschaft und Gesellschaft blicken lassen, die Transparenz schaffen, Zusammenhänge aufdecken und neue Ideen fördern. Gleichzeitig ermöglicht jede Visualisierung und jede Anwendung potenzielle Probleme der Daten zu erkennen und damit deren Qualität zu verbessern. Open Government Data bilden die Grundlage für eine informierte, kritische, innovative und vernetzte Gesellschaft und Visualisierungen helfen dabei dieses Potenzial zu entfalten.


Dieser Beitrag ist zuerst auf Open Government Data des Kantons Thurgau erschienen. Sie finden auf diesen Seiten Informationen über Open Government Data (OGD) im Kanton Thurgau, Veranstaltungen, Medienberichte und Anwendungen sowie den OGD-Blog.

AUTOR/AUTORIN: Jurek Müller

Jurek Müller hat Physik studiert und im Fach Klimawissenschaften promoviert. Er arbeitet als Wissenschaftlicher Mitarbeiter am Institut Public Sector Transformation der BFH Wirtschaft. In seiner Forschung beschäftigt er sich insbesondere mit Smart City und Open Data.

PDF erstellen

Ähnliche Beiträge

0 Kommentare

Dein Kommentar

An Diskussion beteiligen?
Hinterlasse uns Deinen Kommentar!

Schreiben Sie einen Kommentar

Ihre E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert