Een mooi initiatief, alle stemmingen in de tweede kamer online en doorzoekbaar en, ook nog eens per stemming aangegeven wie het voorstel heeft ingediend, wie voor en tegen hebben gestemd en of het is aangenomen. Op de Correspondent stond de oproep hier mee aan de slag te gaan, ze zijn benieuwd waar wij (de lezers) mee gaan komen.
Ik hou wel van wroeten in data of informatie en hoop altijd tot een bijzondere ontdekking te komen. Een verband dat nog nooit iemand heeft gezien, een onverwacht patroon of gewoon een aantal opmerkelijke weetjes. Maar helaas, vaak leidt het tot bevestiging van wat je al vermoedde, wat op zich ook heel belangrijk kan zijn.
Hoe dan ook, ik ben er mee aan de slag gegaan als oefening.
Ik ga er in ieder geval drie blogs aan wijden, de eerste twee over een concreet thema, wat doen partijen daarmee? De derde over de vraag welke partijen het nou met elkaar eens zijn en welke niet. In deze eerste blog ga ik op zoek naar een thema en een methode om dit te analyseren. En dan vooral een methode die ik zelf snap.
De data
Wat is er beschikbaar? Informatie over alle stemmingen in de tweede kamer sinds de regering Kok I. Dit zijn stemmingen over wetten, amendementen en moties. Paul Schrijver en Maarten Marx van de Universiteit van Amsterdam hebben deze database ontwikkeld, waarvoor dank. Per stemming is informatie te vinden:
- Onderwerp, titel, datum
- Is het aangenomen?
- Wie stemde voor en wie stemde tegen?
- Wie heeft het ingediend en was mede-indiener?
- Een korte beschrijving en links naar meer informatie
In deze database kan je zoeken. Zo kan je bijvoorbeeld kijken hoeveel moties een bepaalde partij in een bepaalde periode heeft ingediend. Of je kunt kijken welke wetten in een bepaalde categorie (bijvoorbeeld economie) in de kamer zijn behandeld. Hier kan je al allerlei interessante tabelletjes uit halen. Welke partij stemde het meeste voor of tegen? Hoeveel procent van de moties werd aangenomen etc. Maar ja, wat zegt dat? Je kunt tegen een motie over de zorg stemmen omdat je voor betere zorg bent, bijvoorbeeld als die motie leidt tot slechtere zorg. Voor of tegen stemmen zegt dus niet zoveel, daarvoor moet je meer de inhoud in.
Je kunt ook zoeken op trefwoord. Zo kun je bijvoorbeeld kijken bij hoeveel stemmingen MKBA terugkwam (54 waarvan de Christen Unie 51 keer voor stemde) of “slimme financiering” (nul keer). Wil je iets zinnigs kunnen zeggen over deze stemmingen dan moet je volgens mij ook wat weten van de inhoud en dus een onderwerp nemen waar je verstand van hebt. Zo kwam ik op “duurzame energie”. En het treft, als je kijkt naar de periode Rutte II dan kwam dit bij 96 stemmingen voor in de tekst, een overzichtelijk aantal dat ook nog inhoudelijk te beoordelen is.
Hier is een kanttekening op zijn plaats. “Duurzame energie” is een trefwoord, maar je moet natuurlijk ook naar synoniemen kijken, windenergie en zonne-energie zijn bijvoorbeeld voor de hand liggend. Dan komen er nog veel meer stemmingen bij (verdubbeling). Ik heb het niet meegenomen, simpelweg omdat ik daar geen tijd voor heb of voor wil vrijmaken.
Conclusie I: Wil je iets zinvols kunnen doen met de data, dan moet je verstand hebben van de inhoud en je moet een set overhouden die in de jouw beschikbare tijd door te nemen is. Voor een onderzoeksjournalist is dat misschien heel veel tijd, voor een ZZP-er die dit tussendoor doet is de tijd beperkt.
Als je een trefwoord hebt kan je vervolgens alle stemmingen oproepen en de data verwerken in een Excel sheet. Feitelijke data, wie stemt wat, wanneer, waarover etc.
- Datum
- Amendement, motie of wet
- Aangenomen ja/nee?
- Wie stemt voor / tegen?
- Welke onderwerpen?
- Wie dient in?
- Wie dient mede in?
Dit is allemaal direct uit de resultaten te halen maar moet je wel handmatig overtypen (hoeft niet, er is ook een bestand beschikbaar, dat zag ik pas later). Maar zoals eerder gezegd, dat zegt nog niet zoveel:
- Voor of tegen stemmen krijgt pas waarde als je de inhoud kent, dan kan een stem tegen een voorstel over duurzame energie toch een stem vóór duurzame energie blijken te zijn. Een stemming kan dus pro of contra duurzame energie zijn en kan natuurlijk ook nog neutraal zijn.
- Ook kan blijken dat de stemming nauwelijks relevant is voor duurzame energie maar dat de woorden toevallig voorkwamen in de tekst. Je zou dus alle stemmingen moeten scoren op relevantie.
- Tot slot kan iets zeer relevant zijn, pro duurzame energie maar kan de verwachtte impact gering zijn. Denk bijvoorbeeld aan het uitvoeren van een onderzoek, het beschikbaar stellen van een beperkt bedrag etc.
Om hier meer zicht op te krijgen heb ik de volgende vragen gesteld:
- Wat is de inhoud?
- Wat is de aanleiding?
- Is dit pro of contra duurzame energie? (score van -5 tot 5)
- Is dit wel of niet relevant? (score van 0 tot 2)
- Wat is de potentiële impact van dit besluit?
Voor een motie is dit vrij simpel na te gaan, die zijn over het algemeen kort, een regel of 10 en dus snel te scannen. Bij amendementen is dit al lastiger want die gaan over een onderdeel van een wet. Gelukkig staat er vaak een toelichting bij die inzicht geeft wat de bedoeling is. Voor wetten heb ik het niet eens geprobeerd. Die gaan vaak over veel verschillende onderwerpen, en zover het dan over duurzame energie gaat kan het op onderdelen pro en op andere onderdelen contra zijn. Het gaat bijvoorbeeld over de begroting van het ministerie van economische zaken. Mij ontbreekt de tijd om hier serieus op in te gaan. Maar, dit kunnen wel de besluiten zijn met de grootste impact. Juist in wetgeving wordt van alles vastgelegd.
De laatste vraag over de impact heb ik uiteindelijk niet ingevuld. Dit is heel lastig te beoordelen.
Conclusie II: Het gaat om pro of contra, relevantie en potentiële impact.
Conclusie III: Met wetten kan ik niet zoveel, die gaan over van alles en zijn veel te omvangrijk.
Als je alles in excel gezet hebt kun je gaan rekenen. Stemgedrag X pro of contra X relevantie = score per partij per stemming. Als je dit allemaal optelt kom je tot een score per partij voor duurzame energie. En zo kan je dan bepalen hoe erg een partij voor of tegen duurzame energie is.
Maar is dat zo? Er valt vast het een en ander af te dingen op mijn methode, het kan genuanceerder, ik zou het niet alleen moeten doen maar met een panel etc. Maar, een belangrijker punt is dat stemgedrag een resultaat is van een politieke afweging.
Stel dat een partij tegen een voorstel stemt dat in mijn opinie een voorstel pro duurzame energie is, wat kan dat dan allemaal betekenen?
- Ik ben tegen duurzame energie en stem dus tegen elk voorstel dat pro duurzame energie is.
- Ik ben voor duurzame energie maar tegen de indiener, ik stem dus tegen elke motie van deze indiener
- Ik ben voor duurzame, energie maar ben het niet eens met de aanpak. Ik ben bijvoorbeeld erg tegen subsidies en voor marktwerking en stem daarom vaak tegen moties die tot meer subsidies leiden.
- Ik ben voor duurzame energie, ik ben ook voor deze motie, maar we kunnen nu eenmaal niet alles, beter een paar dingen op het gebied van duurzame energie goed doen dan alles half of nog minder. Ik stem dus tegen.
- Ik ben voor duurzame energie, maar de motie of wet gaat me niet ver genoeg. Mijn ambities ligt veel hoger.
- Ik ben voor duurzame energie, ik hoor bij de coalitie, als ik teveel moties steunt lijkt het of ik mijn eigen regering niet steun.
- Ik ben voor duurzame energie, ik ga zelf een motie indienen die ik veel belangrijker vind, ik zoek medestanders en die krijg ik als ik tegen stem.
En omgekeerd kan ook:
- Ik ben tegen duurzame energie maar zoek medestanders voor een ander onderwerp, daarom stem ik voor de motie.
Conclusie IV, je kunt tegenstemmen als je voor bent en omgekeerd.
Oké, maar voor veel van de argumenten geldt, als je het echt belangrijk vindt, dan stem je voor. En om de werkelijke argumentatie te achterhalen en mee te nemen in mijn kleine onderzoekje moet je dat allemaal afpellen, navragen etc. Daar heb ik simpelweg geen tijd voor en, de vraag in de correspondent was om iets met de beschikbare data te doen, niet om er nog weer meer bij te halen.
Met de middelen die ik heb (mijn tijd en de database) moet ik het doen en dan kom ik dus uit op de methode zoals boven beschreven.
Slotconclusie
Iets zinvols doen met deze data is werk voor journalisten of mensen met heel veel tijd.
Tot slot
In de volgende blog een samenvatting van de methode en tevens mijn resultaten.
Stijn van Liefland