Schweizer Politiker auf Twitter: Birds of a Feather, or Friend of a Friend?

Nachdem ich in meinem ersten Blog Post die Aktivität von Schweizer Politikern auf Twitter in Bezug auf ein bestimmtes Thema untersucht habe, stehen in dieser Analyse die Politiker selbst und ihre Vernetzung im Fokus. Wie sehen die Positionen und Strukturen von politischen Netzwerkakteuren und ihre Verbindungen zueinander auf Twitter aus? Welches sind zentrale Akteure? Und wie können die Verbindungen zwischen den verschiedenen Politikern erklärt werden?

Während für thematische Twitter-Untersuchungen die «#Hashtags» als strukturierende Merkmale im Zentrum stehen, sind für Netzwerkanalysen die «following»-Strukturen entscheidend. Im Gegensatz zum Beispiel zu Facebook handelt es sich bei Twitter um gerichtete Netzwerke. Das heisst, die Beziehungen zwischen den einzelnen Akteuren müssen nicht auf Gegenseitigkeit beruhen. Jeder Twitter-User hat eine Anzahl Accounts, die ihm folgen, die sogenannten «Followers», und eine andere Anzahl Accounts, denen er selbst folgt. Die zweite Kategorie werde ich hier «Friends» nennen. Nicht jeder Friend ist automatisch auch ein Follower und umgekehrt.

Follower- und Friends-Strukturen als Ausgangspunkt
Diese Friends- und Followers-Beziehungen sind in mehrerer Hinsicht interessant. Die Plattform SoMePolis zum Beispiel vergleicht anhand dieser Angaben zusammen mit anderen Kennzahlen die Twitter-Profile der einzelnen Politiker und Parteien. Der Politikwissenschaftler Pablo Barberá argumentiert sogar, dass auf Basis der Follower- und Friends-Strukturen die ideologischen Positionen von normalen Nutzern und politischen Akteuren abgeleitet werden können. Diese Ansicht basiert auf der Annahme, dass Twitter Nutzer es vorziehen Leuten zu folgen, deren Ideologie ähnlich ist wie ihre eigene.

Für die folgende Netzwerk-Analyse wurden alle National-, Stände- und Bundesräte erfasst, die einen Twitter-Account haben. Von den insgesamt 246 Mitgliedern der Bundesversammlung sind allerdings nur 68 National- und 11 Ständeräte auf Twitter aktiv, sowie Alain Berset als einziger Bundesrat. Ergänzt um die acht zentralen Partei-Accounts ergibt dies eine Liste von 88 Twitter-Usern, von welchen alle Friends und Followers erfasst wurden. Dies zeigte, dass die politischen Accounts insgesamt mit mehr als 69’000 anderen Accounts entweder als Friend oder als Follower verbunden sind. Da für dieses erweiterte Netzwerk jedoch keine weiteren Informationen zu den einzelnen Nutzern bekannt sind, stehen in der folgenden Netzwerkanalyse zunächst nur die Kernmitglieder und ihre Verbindungen untereinander im Mittelpunkt. Die Politiker stellen dabei die Knoten dar, die Verbindungen zwischen ihnen die Kanten.


Durch Klicken auf die einzelnen Knoten, werden alle Verbindungen dieses Politikers/dieser Politikerin ersichtlich. Zusätzlich können in der Legende die Parteien als Gruppen ausgewählt werden. Um die interaktive Grafik noch besser zu sehen klicken Sie hier.

Gleich und gleich gesellt sich gern?
legende-parteienWie die erste Grafik zeigt, sind alle Politiker der ausgewählten Gruppe relativ stark untereinander vernetzt. Die berechnete Netzwerkdichte ist 33.7%, was bedeutet, dass ungefähr ein Drittel aller potenziell möglichen Verbindungen tatsächlich auftritt. Ausserdem fällt die Dominanz der SP-PolitikerInnen auf. Tatsächlich sind die verschiedenen Parteien sehr unterschiedlich stark auf Twitter vertreten, wie die nebenstehende Legende zeigt. Für diese erste Grafik wurden die Verbindungen innerhalb der Parteien absichtlich stärker (dreifach) gewichtet als jene zwischen Politikern von verschiedenen Parteien um eine allfällige Cliquenbildung hervorzuheben. Gemäss den Vermutungen von Barberá wäre nämlich zu erwarten, dass die Politiker vermehrt mit anderen Politikern derselben Partei verbunden sind.

Netzwerkdichte nach Partei

Wie die Visualisierung zeigt, bilden sich trotz dieser stärkeren Gewichtung nicht alle Parteien gleich stark als Gruppen heraus. Dieser Eindruck wird verstärkt, wenn man die Netzwerkdichten der Sub-Netzwerke innerhalb der Parteien vergleicht. Bei der BDP sind alle drei Mitglieder wechselseitig verbunden (die Lega und EVP wurden hier nicht untersucht, da ihnen nur zwei respektive ein Account zugeordnet werden kann). Bei den grösseren Parteigruppen weist die SP mit einer Dichte von 72.2% eine deutlich stärkere Vernetzung auf als die übrigen Parteien, gefolgt von der Grünen Partei und der FDP. Alle Parteien weisen jedoch eine höhere Dichte innerhalb der Parteigrenzen auf als das Netzwerk insgesamt.

Für den zweiten Graphen wurden statt der Verbindungen innerhalb der Parteigrenzen, jene innerhalb der Sprachgrenzen stärker gewichtet. Auch hier treten die sich dadurch bildenden Gruppen unterschiedlich stark hervor. Im Gegensatz zu den Parteien, werden bei der Sprache die Cliquen deutlicher, je kleiner sie sind. Am deutlichsten zeigt sich die Cliquenbildung zwischen den  italienischsprachigen Politikern.

Twitternetzwerk, gewichtet nach Sprache
Legende SprachenUm Aussagen über die Wichtigkeit der Parteizugehörigkeit und Sprachgemeinsamkeiten machen zu können, wurde das Netzwerk zusätzlich zur deskriptiven Analyse mithilfe eines Exponential Random Graph Models (ERGM) statistisch analysiert. In einem ERGM werden Verbindungen zwischen den Knotenpunkten in einem Netzwerk als zufällige Variablen betrachtet. Die Form des Netzwerkes wird dabei durch spezifische Annahmen über die Abhängigkeiten zwischen diesen zufälligen Kanten-Variablen bestimmt. Hier sind mögliche Annahmen, dass sich häufiger Kanten bilden zwischen Akteuren, die die gleiche Parteizugehörigkeit und/oder Sprache haben. Die ERGM-Analyse ergab einen signifikanten Einfluss der Parteizugehörigkeit auf die Verbindungen innerhalb des Netzwerkes. Eine Aufsplittung nach Parteien zeigte jedoch, dass dieser Zusammenhang nicht bei allen Parteien signifikant ist (zum Beispiel nicht für die SVP). Und nur für die SP ist die Wahrscheinlichkeit grösser als 50%, dass eine zusätzliche Verbindung innerhalb derselben Partei bleibt. Für die Sprachzugehörigkeit ergab sich ebenfalls einen signifikanter Einfluss auf die Form des Netzwerkes. Auch hier zeigten sich Unterschiede je nach Sprache. Aufgesplittet ist der Effekt nur für Französisch und Italienisch signifikant und deutlich am grössten für die italienischsprachigen Akteure.

Die Resultate dieser ERGM-Analyse sind allerdings mit Vorsicht zu interpretieren. Einerseits wird der Effekt abgeschwächt, wenn man andere Einflüsse wie die Reziprozität im Modell berücksichtigt. Reziprozität steht für die Wahrscheinlichkeit, dass jemand, der ein Friend ist, gleichzeitig auch ein Follower ist und umgekehrt (in den interaktiven Visualisierungen «mutual» genannt). Andererseits konnte kein Modell erstellt werden, das den statistischen Gütekriterien genügt. Sprich, es konnte kein Modell erstellt werden, dass dem tatsächlichen Netzwerk ausreichend ähnlich.

Friend of a Friend-Effekt, oder bloss Prestige?

Die Höhe der Reziprozität weist darauf hin, dass nicht nur gemeinsame Eigenschaften der Akteure entscheidend sind für die Verbindungen der Politiker auf Twitter. Auf Twitter wird man stets über neue Followers informiert und dazu animiert, diesen ebenfalls zu folgen. Neben der Reziprozität könnte auch die Transitivität die Form des Netzwerkes beeinflussen. Transitivität bezieht sich auf die Anzahl «Tryaden» und bezeichnet die Wahrscheinlichkeit, dass zwei Friends oder Followers eines Akteurs ebenfalls miteinander verbunden sind. Ganz nach dem Motto: Der Freund meines Freundes ist auch mein Freund. Die Wahrscheinlichkeit solcher Dreiecksbeziehungen liegt im untersuchten Netzwerk bei 65% und ist damit ebenfalls relativ hoch. Diese Zahlen zeigen auch, dass die Anzahl Friends sich positiv auf die Anzahl Followers auswirkt, was auf Twitter häufig der Fall ist.

Ein weiterer Einflussfaktor könnte das Prestige der Politiker auf dem Politikparkett sein. So verfügt Alain Berset als einziger Vertreter des Bundesrates deutlich über die grösste Anzahl Beziehungen und die höchste «Betweenness Centrality», was bedeutet, dass er sehr viele kürzeste Wege zwischen verschiedenen Politikern verbindet. Dies kann allerdings nicht auf das ganze Netzwerk übertragen werden. So verfügt SVP-Parteipräsident Toni Brunner zum Beispiel über eine ziemlich unwichtige Position im Netzwerk, was unter anderem darauf zurückzuführen ist, dass er selbst keinem der 88 Politiker folgt. Nicht nur das Prestige in der Realität hat also vermutlich einen Einfluss, sondern auch das Prestige innerhalb von Twitter, das unter anderem stark von der Anzahl Followers eines Nutzers geprägt wird. Dieser Vermutung wird in der dritten Grafik nachgegangen, in welcher die Grösse der Knoten der Anzahl Followers insgesamt entspricht, also inklusive der Twitter-Nutzer ausserhalb des untersuchten politischen Netzwerkes.

Insgesamt zeigt sich, dass sich die Verbindungen zwischen den Politikern im untersuchten Netzwerk nicht ganz so stark nach dem Motto «Birds of the same feather tweet together» bilden, wie man hätte annehmen können, sondern auch andere Effekte und Einflüsse eine wichtige Rolle spielen. Um diese Zusammenhänge besser zu untersuchen, müsste in einem nächsten Schritt grössere Netzwerke untersucht werden, die auch Politiker auf Kantons- und Gemeindeebene beinhalten. Zudem verdeutlicht die Analyse, dass die Politiker, die auf Twitter vertreten sind, noch längst nicht repräsentativ sind für die politische Landschaft der Schweiz.


Durch Klicken auf die einzelnen Knoten, werden alle Verbindungen dieses Politikers/dieser Politikerin ersichtlich. Zusätzlich können in der Legende die Parteien als Gruppen ausgewählt werden. Um die interaktive Grafik noch besser zu sehen klicken Sie hier.

 

Literatur:

Barberá, Pablo (2013): Birds of the Same Feather Tweet Together. Bayesian Ideal Point Estimation Using Twitter Data. APSA 2012 Annual Meeting Paper, S. 1-50.

Goodreau, Steven M./Kitts, James A./Morris, Martina (2009): BIRDS OF A FEATHER, OR FRIEND OF A FRIEND? USING EXPONENTIAL RANDOM GRAPH MODELS TO INVESTIGATE ADOLESCENT SOCIAL NETWORKS*. In: Demography, Vol.  46-Nr. 1, S. 103–125.

Robins, Garry/Pattison, Pip/Kalish, Yuval/Lusher, Dean (2006): An introduction to exponential random graph (p*) models for social networks.  In: Social Networks 29, S. 173-191.

4 comments

  1. Sehr geehrte Frau Blassnig

    Spannende Daten haben Sie hier vorzuweisen!

    Welches Programm haben sie für ihre Netzwerk-Visualisierung verwendet, und mit welchem Programm haben sie die Twitter-Daten generiert? Ich schreibe in diesem Zusammenhang meine Bachelorarbeit.

    Mit freundlichen Grüssen

    Philipp Ladner

    • Lieber Philipp (Du darfst mich gerne auch duzen…)

      Für die Netzwerk-Visualisierung habe ich das Programm Gephi verwendet. Ich habe in deinem Tweet gesehen, dass das bei dir nicht zu funktionieren scheint… Ich hatte auch meine Probleme damit, da es auf meinem eigenen neueren Apple-Laptop nicht lief, sondern nur auf Windows oder älteren Macs. Es gibt auch in R Packages um Netzwerke zu visualisieren (z.B. igraph), mit denen kenne ich mich aber leider nicht aus.
      Die Daten generiert habe ich in R mit dem Package TwitteR. Damit kommt man über die Twitter-API einigermassen gut an die Daten ran, allerdings mit einigen Einschränkungen bei der Anzahl Anfragen usw.

      Hilft dir das weiter?

      Liebe Grüsse,
      Sina Blassnig

  2. Lieber Philipp (Du darfst mich gerne auch duzen…)

    Für die Netzwerk-Visualisierung habe ich das Programm Gephi verwendet. Ich habe in deinem Tweet gesehen, dass das bei dir nicht zu funktionieren scheint… Ich hatte auch meine Probleme damit, da es auf meinem eigenen neueren Apple-Laptop nicht lief, sondern nur auf Windows oder älteren Macs. Es gibt auch in R Packages um Netzwerke zu visualisieren (z.B. igraph), mit denen kenne ich mich aber leider nicht aus.
    Die Daten generiert habe ich in R mit dem Package TwitteR. Damit kommt man über die Twitter-API einigermassen gut an die Daten ran, allerdings mit einigen Einschränkungen bei der Anzahl Anfragen usw.

    Hilft dir das weiter?

    Liebe Grüsse,
    Sina Blassnig

  3. Liebe Sina (Danke, sonst fühlen wir uns nur unnötig alt ^^)

    Merci für deine prompte Antwort! Werde mir mal das Package TwitteR – Programm anschauen. Bisher habe ich die Daten (nur circa 70 Personen im Netzwerk) über NodeXL generiert und dann mit Gephi auf einem Windows-Rechner analysiert. Geht schon irgendwie, dachte einfach es gibt eine simplere Lösung.

    Hast du evtl. gerade DIE grundlegendsten Quellen für ein kurzen Theorieblock zu Social Network Analysis?

    LG
    Phil

Schreiben Sie einen Kommentar zu Philipp Ladner Antworten abbrechen

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

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahren Sie mehr darüber, wie Ihre Kommentardaten verarbeitet werden .