Analýza volebního úspěchu Pirátů — PSP ČR 2025

Prostorová analýza volebního úspěchu České pirátské strany na úrovni obcí s využitím Geographically Weighted Regression (GWR). Součástí projektu je prezentační web a interaktivní Volební atlas s Leaflet mapou napojený na PostGIS backend.

📊 Klíčové výsledky

Metrika	OLS	GWR	Zlepšení
R²	0.188	0.445	+25.6 p.p.
Adjusted R²	0.188	0.300	+11.2 p.p.
AICc	29 130	28 601	-529
Moran's I reziduí	0.080***	-0.002 (ns)	✓ Eliminováno

Hlavní zjištění: Lokální koeficienty mění znaménko napříč územím — vztah mezi vzděláním a volební podporou Pirátů není všude stejný.

🗺️ Ukázky výstupů

Volební úspěch Pirátů

Lokální R² GWR modelu

📁 Struktura projektu

pogeo_2026/
├── R/                              # R skripty
│   ├── 01_gwr_analyza.R           # Hlavní analýza (EDA → OLS → GWR)
│   ├── 02_vizualizace.R           # Mapové vizualizace (tmap)
│   └── 03_finalizace_projektu.R   # Export GPKG + finální výstupy
│
├── data/
│   ├── raw/                        # Zdrojová data
│   │   └── gpkg.zip               # Volební data ČSÚ (GPKG)
│   └── processed/
│       └── pirati_final.gpkg      # Finální dataset pro ArcGIS
│
├── output/
│   ├── figures/                    # Grafy (PNG)
│   ├── maps/                       # Mapy (PNG)
│   └── tables/                     # Tabulky (CSV)
│
├── web/                            # Prezentační webová aplikace
│   ├── src/                        # React komponenty
│   ├── public/
│   │   ├── map/                    # Volební atlas (viz níže)
│   │   │   ├── index.html
│   │   │   ├── app.js
│   │   │   └── style.css
│   │   ├── maps/                   # Statické mapy PNG
│   │   └── figures/                # Statické grafy PNG
│   └── vite.config.js              # base: '/pogeo/'
│
├── docs/                           # Dokumentace
│   ├── ANALYZA_POSTUP_FINAL.txt   # Kompletní metodika a interpretace
│   └── ARC_GIS_INSTRUKCE.txt      # Návod pro ArcGIS Pro
│
└── README.md                       # Tento soubor

🌐 Webové aplikace

Prezentační web (web/)

React + Vite aplikace dostupná na petrmikeska.cz/pogeo/. Obsahuje interaktivní prezentaci metodiky a výsledků analýzy.

cd web
npm install
npm run dev      # http://localhost:5173/pogeo/
npm run build    # produkční build → dist/

Volební atlas (web/public/map/)

Interaktivní Leaflet mapa s PostGIS backendem dostupná na petrmikeska.cz/pogeo/map/. Viz web/public/map/README.md.

---

🚀 Spuštění analýzy

Požadavky

• R ≥ 4.3
• Balíčky: sf, spdep, GWmodel, car, ggplot2, tmap, dplyr, tidyr, corrplot

Instalace balíčků

install.packages(c("sf", "spdep", "GWmodel", "car", "ggplot2", 
                   "tmap", "dplyr", "tidyr", "corrplot", "moments"))

Spuštění

setwd("cesta/k/Pogeo2026")

# 1. Hlavní analýza (~10-15 min)
source("R/01_gwr_analyza.R")

# 2. Finalizace a export (~1 min)
source("R/03_finalizace_projektu.R")

📈 Metodika

Data

• Volební data: ČSÚ GPKG — volby do PSP ČR 2025
• Prediktory: SLDB 2021 (6 proměnných)
• Jednotky: 6 157 obcí (po filtraci)

Prediktory v modelu

Prediktor	Popis	OLS koef.	Směr
VZDELANI_VYSOKO	Podíl VŠ vzdělaných	+0.112	↑
VZDELANI_STR_BEZ	Podíl vyučených bez maturity	-0.079	↓
NEPRAC_DUCH	Podíl nepracujících důchodců	-0.022	↓
PODNIKATELE	Podíl podnikatelů/OSVČ	+0.071	↑
NEZAMEST	Míra nezaměstnanosti	-0.037	↓
VERICI	Podíl věřících	-0.020	↓

GWR specifikace

• Kernel: Exponential (adaptive)
• Bandwidth: 23 sousedů
• Optimalizace: AICc

📋 Výstupy

Tabulky (output/tables/)

Soubor	Obsah
03_ols_koeficienty.csv	OLS koeficienty a p-hodnoty
05_kernel_comparison.csv	Porovnání 3 kernelů GWR
06_moran_ols_vs_gwr.csv	Moran's I před/po GWR
07_model_summary.csv	Souhrnné porovnání OLS vs GWR

Mapy (output/maps/)

Soubor	Obsah
01_mapa_pirati_uspech.png	Volební úspěch Pirátů
02_mapa_rezidua_ols.png	Rezidua OLS modelu
03_mapa_local_R2.png	Lokální R² GWR
04-06_coef_*.png	Lokální koeficienty (3 mapy)

GeoPackage (data/processed/)

• pirati_final.gpkg — vrstva gwr_final pro ArcGIS Pro

🗺️ ArcGIS Pro

Import data/processed/pirati_final.gpkg a nastavte symbologii:

Mapa	Field	Klasifikace	Barvy
Volební úspěch	pirati_pct	Quantile, 7	YlOrRd
Rezidua OLS	resid_ols	Quantile, 7	RdBu (midpoint=0)
Lokální R²	local_R2	Quantile, 7	BuPu
Lok. koeficienty	coef_*	Jenks, 7	RdBu (midpoint=0)

Detailní instrukce: docs/ARC_GIS_INSTRUKCE.txt

⚠️ Metodické poznámky

1. Ekologický klam: Data jsou za obce, nikoli jednotlivce. Interpretujeme vztahy na úrovni obcí.
2. Malý bandwidth: BW=23 (~0.4% dat) je velmi lokální — riziko přetrénování mitigováno adjusted R².
3. Změna znamének: Lokální koeficienty mohou mít opačné znaménko než globální OLS — klíčový důkaz nestacionarity.

📚 Reference

• Fotheringham, A. S., Brunsdon, C., & Charlton, M. (2002). Geographically Weighted Regression. Wiley.
• Lu, B., Harris, P., Charlton, M., & Brunsdon, C. (2014). The GWmodel R package. Journal of Statistical Software.

📄 Licence

MIT License — volně k použití pro akademické účely.

---

Projekt vytvořen v rámci kurzu POGEO, duben 2026