2. Die Münchner Ergebnisse im Bundes- und Landesvergleich: Ein Ude-Effekt in München?

Die Stadtratswahlen 2008 und 2002 fanden zeitgleich mit der Oberbürgermeisterwahl statt. Datenquelle: „Die Oberbürgermeisterwahlen seit 1952“ und „Die Stadtratswahlen seit 1984“, Statistisches Amt der Stadt München, 2014, online unter: „http://​www.​muenchen.​de/​rathaus/​Stadtinfos/​Statistik/​Wahlen.​html“, abgerufen am 23.02.2016.

Um Probleme mit wechselnden Wahlkreiszuschnitten zu vermeiden, greifen die folgenden Analysen auf Landkreisdaten zum Gebietsstand 31.12.2013 zurück (402 Landkreise und kreisfreie Städte). Die Stadt München stellt dabei als kreisfreie Stadt eine Beobachtung dar. Datenquelle: Statistik 14111 – Allgemeine Bundestagswahlstatistik. Regionaldatenbank Deutschland 2013. Statistische Ämter des Bundes und der Länder, online unter https://​www.​regionalstatisti​k.​de, abgerufen am 01.10.2014.

Folgende Modellgleichung liegt den Schätzungen zugrunde: \( {\rm Y}_{\rm it} = \uptheta_{\rm i} + \uplambda_{\rm t} + \upbeta_{\rm t} {\rm M}_{\rm i} + {\bf X}_{\bf it} \updelta + \in_{\rm it} \). Es werden somit für die Jahre \( t = \left\{ {1994,1998,2002,2005,2009,2013} \right\} \) (Modell 1–3 in Tabelle A2-1) bzw. \( t = \left\{ {2005,2009,2013} \right\} \) (Modell 4–6 in Tabelle A2-1) die Wahlbeteiligung bzw. der Stimmenanteil von SPD bzw. CDU/CSU unter Einbezug von Jahr (\( \uplambda_{\rm t} \)) und Kreis-Fixed-Effects (\( \uptheta_{\rm i} \)) geschätzt. Der interessierende Effekt, die Unterschiedlichkeit des Trends der abhängigen Variablen in München (\( {\rm M}_{\rm i} = 1 \)) gegenüber den restlichen Beobachtungen (\( {\rm M}_{\rm i} = 0 \)) wird durch \( \upbeta_{\rm t} \) geschätzt. Mittels eines Wald-Tests wird dann die Null-Hypothese der Gleichheit der Koeffizienten \( \beta_{2009} \) und \( \beta_{2013} \) untersucht, i.e. ob der Trend der abhängigen Variable 2009–2013 in München bzw. in Restdeutschland identisch ist (letzte Zeilen in Tabelle A2-1). Zudem wird für die Jahre 2005–2013 die Schätzung um die zeitvarianten Kontrollvariablen (\( {\rm X}_{\rm it} \)) Bevölkerungsdichte, Migrationsbewegungen, Anteil sozialversicherungspflichtig Beschäftigter, Wirtschaftsstruktur (je Anteil der Wertschöpfung in Landwirtschaft, produzierendem Gewerbe, Baugewerbe, Handel, Finanz- und sonstigen Dienstleistungen), Ausländeranteil, Anteil der Bevölkerung unter 18 sowie über 65, Arbeitslosenquote, Jugendarbeitslosenquote und Arbeitslosenquote von Ausländern und einen separaten Trend für Städte mit Einwohnern > 500.000 erweitert. Die Standardfehler werden auf Landkreisebene geclustert. Datenquelle: Regionaldatenbank Deutschland 2013. Statistische Ämter des Bundes und der Länder, online unter https://​www.​regionalstatisti​k.​de, abgerufen am 01.10.2014. Der Online-Appendix findet sich auf der Produktseite des Buches unter www.​springer.​com.

Diesen Ergebnissen liegen dieselbe Regressionsgleichung und dieselben Daten wie in Fußnote 3 zugrunde, bei einer Einschränkung des Samples auf alle bayerischen Landkreise/kreisfreien Städte (Unterschied: kein separater Trend für Städte mit Einwohnern > 500.000, stattdessen für die 7 bayerischen Wahlkreise).

Datengrundlage sind die Landtagswahlergebnisse auf Stimmkreisebene in den Grenzen von 2013. Stimmkreisänderungen wurden umgerechnet. Datenquelle für Wahlergebnisse auf Stimmkreisebene: Landtagswahlergebnisse 1998 bis 2013. Landeswahlleiterin des Freistaates Bayern, online unter: http://​www.​wahlen.​bayern.​de/​landtagswahlen, abgerufen am 01.10.2013. Datenquelle für Kontrollvariablen: Rudolph und Däubler 2015, 2016.

Das Vorgehen gleicht dem wie in Fußnote 3 beschrieben. Zugrunde gelegt wurden die Ergebnisse auf Stimmkreisebene für die Wahlen 1998, 2003, 2008 und 2013 (Modelle 1–3 in Tabelle A2-3) bzw. für die Wahlen 2008 und 2013 (Modelle 4–6 in Tabelle A2-3). Für die Zeitperiode 2008–2013 wurden Kontrollvariablen aus Rudolph und Däubler 2015 auf Stimmkreis- und Stimmkreiskandidatenebene hinzugefügt. Stimmkreisebene: Log der Bevölkerungsdichte; Anteil sozialversicherungspflichtig Beschäftigter; Anteil Ausländer; eingehende Migration; Bautätigkeit; Anteil landwirtschaftlicher Bevölkerung; kommunales Steueraufkommen (p.c.); kommunale Verschuldung (p.c.); Kandidatenebene: CSU Stimmkreiskandidat ist Mandatsträger, ist Mitglied eines Landtagsausschusses mit lokalem Bezug, ist Kabinettsmitglied, ist Bezirksvorsitzender, ist Parteifunktionär, ist in die Verwandtenaffäre involviert; Anzahl der absolvierten Wahlperioden des CSU Stimmkreiskandidaten; Nicht-CSU-Stimmkreiskandidat ist Spitzenkandidat, ist in Verwandtenaffäre involviert; Hochwasser 2013 trat im Stimmkreis auf.

Ohne Kontrollvariablen: 1,9 Prozentpunkte (Standardfehler 0,5); mit Kontrollvariablen: 1,3 Prozentpunkte (Standardfehler 1,1). Positive Koeffizienten speziell für die SPD-Ergebnisse sind auch das Resultat weiterer geschätzter Modelle, die etwa für spezifische Trends in Franken, zudem in Oberbayern und/oder in Städten (groß bzw. klein) kontrollieren.

Stimmkreiskandidaten sind dabei immer auch auf der offenen Wahlkreisliste wählbar, jedoch nicht im Stimmkreis, in dem sie als Stimmkreiskandidat antreten. Wahlkreiskandidaten müssen jedoch nicht gleichzeitig Stimmkreiskandidaten sein.

S. Fußnote 6 für die inkludierten Kontrollvariablen. Die Standardfehler werden in allen Spezifikationen auf Stimmkreisebene geclustert. Konfidenzintervalle der Abb. 2.4 und 2.5 sind immer 95 %-Konfidenzintervalle.

Die Schätzung wird im Online-Appendix in Tabelle A2-9 ausführlich dargestellt.

Bei Inklusion beider Kontrollvariablensets wird das Ergebnis für B90/Grüne insignifikant; das Ergebnis für die „anderen Parteien“ liegt nahe an Null und wechselt das Vorzeichen – die CSU-Differenz in Zweit- und Erststimmen wird dagegen signifikant negativ. Das SPD-Ergebnis bleibt robust.

Vgl. zum schwer zu messenden „incumbency effect“ allgemein Lee (2008). Vgl. zum Spill-Over des Amtsinhaberbonus von Bundestagswahlerst- auf Bundestagswahlzweitstimmen Hainmueller und Kern (2008).

Potenzielle Effekte in Oberbayern sind aufgrund potenzieller Störvariablen schwierig zu messen. Unter der Annahme eines parallelen Trends würde sich für Oberbayern ein Effekt von ca. 1,8 Prozentpunkten zeigen.