Vzorce Volebního Chování Voličů V Ústeckém Kraji

UNIVERZITA KARLOVA V PRAZE FAKULTA SOCIÁLNÍCH VĚD

Institut politologických studií, katedra politologie

Ondřej Měska

Vzorce volebního chování voličů v Ústeckém kraji

Bakalářská práce

Praha 2016

Autor práce: Ondřej Měska

Vedoucí práce: PhDr. Kamil Švec, Ph.D.

Rok obhajoby: 2016 Bibliografický záznam

MĚSKA, O. Vzorce volebního chování voličů v Ústeckém kraji. Praha, 2016. 49 s. Bakalářská diplomová práce (Bc.) Univerzita Karlova, Fakulta sociálních věd, Institut politologických studií. Vedoucí diplomové práce PhDr. Kamil Švec, Ph.D.

Abstrakt

Cílem této bakalářské práce je za přispění korelační analýzy hledat vzorce volebního chování voličů v Ústeckém kraji. V první části práce autor představuje krajová specifika týkající se voleb nebo proměnných, které mohou ovlivňovat chování voličů. V druhé části je vytvořen dataset na úrovni obcí, který byl v rámci výzkumu vztažen i na úroveň okresů. Cílem práce je na základě rozsáhlého množství agregovaných dat zjistit korelaci mezi volebními výsledky čtyř zvolených politických stran (ČSSD, ODS, KSČM, DSSS) ve volbách do Poslanecké sněmovny Parlamentu České republiky v letech 2010 a 2013 a socioekonomickým statusem voličů v okresech Ústeckého kraje. Závěr práce má za úkol zhodnotit, zda můžeme v Ústeckém kraji na základě socioekonomických profilů obyvatel očekávat specifické výsledky u vybraných politických stran a posoudit existenci vzorců chování voličů.

Abstract

The main goal of this bachelor thesis is to try to find out a formula of electoral behavior of voters in region Ústí nad Labem using a correlation analysis. In the first part of the thesis its author introduces regional differences related to specific variables or election results. In the second part a large dataset is made on a municipality level and applied to a disctricts‘ level subsequently. A goal of the thesis is to find out a correlation between election results of four chosen political parties (ČSSD, ODS, KSČM, DSSS) in elections to Parliament of the Czech Republic in years 2010 and 2013, and a voters‘ socioeconomic status using the obtained dataset. The conclusion of the thesis reveals whether we could expect any specific election results of selected political parties based on voters‘socioeconomic status and also to find out a formula for voters‘ behavior.

Klíčová slova

Poslanecká sněmovna, parlament, obec, okres, korelační analýza, Pearsonův korelační koeficient, vzorec, chování, korelace, asociace

Keywords

Chamber of Deputies, parliament, municipality, district, correlation analysis, Pearson correlation coefficient, formula, behavior, correlation, association

Rozsah práce

107 707 znaků (tělo práce 76 797 znaků)

Prohlášení

1. Prohlašuji, že jsem předkládanou práci zpracoval samostatně a použil jen uvedené prameny a literaturu. 2. Prohlašuji, že práce nebyla využita k získání jiného titulu. 3. Souhlasím s tím, aby práce byla zpřístupněna pro studijní a výzkumné účely.

V Praze dne 10. května 2016 Ondřej Měska

Poděkování

Na tomto místě bych rád poděkoval PhDr. Kamilu Švecovi, Ph.D., za pomoc, cenné rady, věcné připomínky a vstřícné jednání v celém průběhu tvorby této práce. Institut politologických studií

Projekt bakalářské práce

Uvedení do tématu

Tato bakalářská práce se bude věnovat analýze vzorců volebního chování voličů v Ústeckém kraji a bude zkoumat sílu vztahu mezi definovanými proměnnými a výsledky voleb jednotlivých stran. Myšlenkou tohoto tématu je, že se lidé ve svých preferencích stávají součástí vzorce, podle kterého se během voleb řídí. Téma práce se opírá o diferenciaci voličů na daném území a tím pádem i diferenciaci v preferencích těchto voličů na základě určitých faktorů nebo proměnných. Dané vzorce, podle kterých se voliči chovají, definují jednotlivé proměnné. Práce bude zaměřena na sílu vztahu mezi těmito proměnnými a výslednou volbou voličů.

Práce bude vycházet z dat okresů Ústeckého kraje a výsledků voleb zvolených politických stran. Analyzován bude průběh voleb do Poslanecké sněmovny Parlamentu České republiky v letech 2010 a 2013.

Cíl práce

Cílem práce je věnovat se vzorcům volebního chování voličů v Ústeckém kraji a zjistit jaký měly nebo mohly mít vliv zvolené proměnné na konečné výsledky jednotlivých stran ve volbách.

V práci bude kladen důraz na zjištění, zda se v okresech tohoto socioekonomicky velmi specifického kraje tvořily stabilní vzorce volebního chování. Ambicí práce je odhalit, jak ovlivnily jednotlivé proměnné volební výsledky. Proměnné zvolené pro analýzu jsou věková struktura obyvatelstva okresů Ústeckého kraje, socioekonomická situace obyvatelstva a rurálnost nebo urbánnost daného okresu.

Metodologie

Výzkum bude realizován na úrovni okresů Ústeckého kraje. Volební obvody budou Děčín, Chomutov, Litoměřice, Louny, Most, Teplice a Ústí nad Labem. Práce se bude věnovat výsledkům čtyř vybraných politických stran, Dělnické straně sociální spravedlnosti, Komunistické straně Čech a Moravy, Občanské demokratické straně a České straně sociálně demokratické. ODS a ČSSD byly zvoleny jako reprezentanti klasické české pravice a levice. DSSS a KSČM budou představovat krajní pravici, respektive krajní levici politického spektra.

Proveden bude sběr dat jednotlivých proměnných, věkové struktury, socioekonomické situace (nezaměstnanosti) a typu okresu na základě jeho osídlení. První proměnnou představuje věková struktura. Zkoumána bude síla vztahu mezi proměnnou věkového rozložení obyvatelstva a celkovými výsledky a jestli platí tendence starších voličů volit spíše levici, a zda jsou v Ústeckém kraji opravdu patrné tendence mladých lidí volit DSSS. (Linek, 2008; Ivánek, 2012) Druhá proměnná bude reprezentovat nezaměstnanost a bude opět zkoumána síla vztahu mezi proměnnou a výsledky voleb pomocí Pearsonova korelačního koeficientu. Výzkumná otázka bude potvrzení nebo vyvrácení příklonu příslušníků nižších společenských vrstev k levici a vyšších k pravici. (Matějů, Řeháková, 2000) Poslední proměnnou bude rurálnost nebo urbánnost jednotlivých okresů, a zda inklinují městské okresy k pravici a rurální okresy spíše k levici. (Kostelecký, 2014)

Pomocí Pearsonova korelačního koeficientu bude hledána závislost mezi proměnnou a výsledkem voleb. Koeficient bude prokazovat podstatný nebo nepodstatný vliv na volební výsledky. Koeficient by měl měřit sílu vztahu a bude proveden pro každou proměnnou a každý okres zvlášť. Výsledné indexy, které budou na stupnici <-1;1>, budou měřit sílu vztahu, a díky těmto výsledným hodnotám bude možné zpracovat grafy pro jednotlivé okresy a potvrdit nebo vyvrátit výzkumné otázky.

Prameny a literatura

Pro sběr dat o výsledcích voleb bude využit portál volby.cz od Českého statistického úřadu, který přímo uvádí hodnoty vhodné pro analýzu. (ČSÚ, 2015) Pro data týkající se hodnot o nezaměstnanosti budou využity internetové stránky Ministerstva práce a sociálních věcí. (MPSV, 2015) Data pro analýzu osídlení okresů a věkového rozložení obyvatelstva jednotlivých okresů zpřístupňuje Český statistický úřad. (ČSÚ, 2015)

Prameny

Český statistický úřad. Volby.cz. 2015. [cit. 2015-04-29]. Dostupný z: http://volby.cz/opendata/opendata.htm

Ministerstvo práce a sociálních věcí. mpsv.cz. 2015. [cit. 2015-04-29]. Dostupný z: http://portal.mpsv.cz/sz/stat/nz/qrt

Český statistický úřad. czso.cz. 2015. [cit. 2015-04-29]. Dostupný z: https://www.czso.cz/csu/czso/obyvatelstvo_lide

LITERATURA

HRBKOVÁ, Lenka. Emocionální volič: stav studia emocí v politologii. Acta Politologica, 2014, 39-55. ISSN 1803- 8220.

CHARVÁT, J.: Arend Lijphart jako teoretik volebních systémů. Slovenská politologická revue č. 1, ročník IX., 2009, s. 89-100. ISSN 1335-9096.

IVÁNEK, Václav. Mladí řekli, koho chtějí volit: Komunisté, vy máte smůlu. Parlamentní listy. 2012. [cit. 2015-04-29]. Dostupný z: http://www.parlamentnilisty.cz/arena/monitor/Mladi- rekli-koho-chteji-volit-Komuniste-vy-mate-smulu-245840

KOSTELECKÝ, Tomáš. Koho volí Vaši sousedé?: Prostorové vzorce volebního chování na území Česka od roku 1920 do roku 2006, jejich změny a možné příčiny. Vyd. 1. Praha: Sociologické nakladatelství (SLON) v koedici se Sociologickým ústavem AV ČR, 2014, 173 s. ISBN 978-80-7419-166-4.

LIJPHART, Arend. Patterns of Democracy: Government Forms and Performance in Thirty- six Countries. New Haven: Yale University Press, 1999, 351 s. ISBN 0-300-07893-5.

LINEK, Lukáš a Pat LYONS. Dočasná stabilita?: volební podpora politických stran v České republice v letech 1990-2010. Vyd. 1. Praha: Sociologické nakladatelství (SLON) v koedici se Sociologickým ústavem AV ČR, 2013, 220 s. ISBN 978-80-7419-160-2.

LINEK, Lukáš a Tomáš LEBEDA. Voliči a volby 2006. 1. vyd. Praha: Sociologický ústav AV ČR, 2007, 234 s. ISBN 978-80-7330-126-2. LINEK, Lukáš.„Kdy vymřou voliči KSČM? K věkové struktuře elektorátu KSČM.“Politologický časopis / Czech Journal of Political Science, 2008, 318-336. ISSN 1211-3247.

MATĚJŮ, Petr; ŘEHÁKOVÁ, Blanka. Proměny volebního chování sociálních tříd. Nerovnost, spravedlnost, politika: Česká republika, 1991- 1998. Praha: Sociologické nakladatelství, 2000, s. 402. ISBN 80-85850-82-6

ŘÍCHOVÁ, Blanka. Úvod do současné politologie: srovnávací analýza demokratických politických systémů. Vyd. 1. Praha: Portál, 2002, 207 s. ISBN 80-7178-628-4.

Obsah

Úvod ...... 1

1. Teoretické vymezení práce ...... 2

1.1 Současný stav výzkumu volební geografie na území ČR ...... 4

1.2 Oblasti studia volební geografie ...... 5

1.3 Přístupy volební geografie ...... 6

2. Metodologie ...... 7

3. Ústecký kraj ...... 10

3.1 Charakteristika kraje ...... 10

3.2 Výsledky voleb v Ústeckém kraji ...... 16

4. Sběr dat pro korelační analýzu ...... 21

5. Korelační analýza ...... 22

5.1 Věková struktura obyvatelstva ...... 23

5.2 Hustota zalidnění ...... 24

5.3 Nezaměstnanost ...... 27

Závěr ...... 32

Summary ...... 35

Prameny ...... 36

Literatura ...... 36

Seznam tabulek ...... 40

Seznam map ...... 40

Seznam grafů ...... 40

Seznam příloh ...... 41

Přílohy ...... 42

Úvod Volební geografie stojí na pomezí několika vědních oborů - politologie, geografie, sociologie, ekonomie nebo demografie. Abychom mohli pochopit chování voličů během voleb, nemůžeme pohlížet na výsledky voleb jako na celek, ale musíme se zabývat i dílčími faktory - prostorovými a kontextuálními, které ovlivňují voličské preference.

Cílem této práce je provést analýzu prostorových a kontextuálních faktorů, které ovlivnily chování voličů v Ústeckém kraji ve volbách do Poslanecké sněmovny Parlamentu České republiky v letech 2010 a 2013. Práce se zaměřuje na okresy Ústeckého kraje a za přispění korelační analýzy zjišťuje korelaci výsledků voleb zvolených čtyř politických stran s kontextuálními faktory, které autor pokládá za rozhodující při analýze volebních preferencí voličů. Vybrané politické subjekty jsou čtyři politické strany, a to Česká strana sociálně demokratická (dále v práci jen ČSSD), Komunistická strana Čech a Moravy (KSČM), Občanská demokratická strana (ODS) a Dělnická strana sociální spravedlnosti (DSSS). Výzkum je založen na volebních výsledcích a sběru dat pro proměnné na úrovni obcí, které jsou následně za použití korelační analýzy vztaženy na úroveň okresů Ústeckého kraje.

Pro výzkum autor zvolil tři proměnné, u nichž předpokládá, že mají vliv na chování voličů v Ústeckém kraji. Jsou jimi věková struktura obyvatel okresů, hustota zalidnění a nezaměstnanost. Tyto proměnné budou za přispění korelační analýzy zkoumány z hlediska jejich významu na volební výsledky zvolených stran.

Výzkumnými jsou pro autora otázky týkající se inklinace starších voličů k volbě levicových stran (ČSSD, KSČM) a mladších spíše ke stranám pravicovým (ODS, DSSS). Autor zejména předpokládá silnější pozitivní korelaci u obcí se starší voličskou základnou a úspěchem KSČM a naopak negativní korelaci u DSSS. Další výzkumná otázka se věnuje hustotě zalidnění zkoumaných oblastí, v této části bude potvrzena nebo vyvrácena korelace mezi úspěchem levice v rurálních oblastech a pravice v oblastech urbánních. Poslední proměnnou představuje nezaměstnanost a hledání asociace mezi stabilní voličskou podporou stran ČSSD, KSČM a DSSS v oblastech s rostoucí mírou nezaměstnanosti a naopak růstem voličské podpory ODS v oblastech s nezaměstnaností klesající.

Při sestavování proměnných a výzkumných otázek autor vychází i z odborných publikací, které jsou zaměřeny na podobné kontextuální faktory. Na základě práce Kdy vymřou voliči KSČM od Lukáše Linka je silný předpoklad pro stabilně lepší volební výsledek

KSČM v souvislosti s vyšším věkem voličů. (Linek 2008) Hypotéza, že mladí lidé se uchylují k volbě extremistické DSSS, vychází z práce Aleše Kudrnáče, který dokládá nárůst volebních preferencí pro strany DSSS, TOP09 a PIRÁTI u dětí a mladistvých ve věkové kategorii 17 - 19 let. (Kudrnáč 2015: 537-538). Úspěch Dělnické strany je patrný u voličů, kteří se dokážou ztotožnit s antisystémovým programem strany, který je definovatelný v tzv. anticiganismu, euroskepticismu, islamofobii a kritice stávajících politických poměrů, zejména kvůli horšící se socioekonomické situaci obyvatel. Autor práce proto předpokládá, že se zhoršující se socioekonomickou situací budou růst preference DSSS. V práci tudíž uvažuje míru nezaměstnanosti jako proměnnou definující horší socioekonomickou situaci obyvatel. (Charvát 2012: 114-115) Korelaci mezi mírou nezaměstnanosti a volebním výsledkem stran zkoumala i studie Koho volí vaši sousedé, která při analýze volebních výsledků v roce 2006 prokázala pozitivní korelaci mezi nezaměstnaností a volebními preferencemi ČSSD a KSČM. Naopak s klesající nezaměstnaností rostly preference ODS, takže byla prokázána i negativní korelace u ODS. (Bernard, Šimon 2014: 128)

Ambicí práce je dle výše vymezených proměnných nalézt korelaci mezi daty naměřenými pro proměnné a výsledky voleb a na základě korelační analýzy potvrdit nebo vyvrátit platnost tvrzení, že voliči se chovají podle definovatelného vzorce chování, které ovlivňuje celá řada kontextuálních faktorů. V práci bude provedeno teoretické vymezení volební geografie a představen její vývoj ve světě a v České republice. V metodologické části bude přesně definován Pearsonův korelační koeficient, jenž bude pro analýzu využit. V další části bude provedena rámcová charakteristika a uvedení Ústeckého kraje jakožto kraje velmi specifického v porovnání s ostatními kraji České republiky. Hledány budou mezikrajové odlišnosti Ústeckého kraje, a to jak pro volební výsledky, tak i pro kontextuální faktory, které mohou ovlivňovat vzorce volebního chování. V další části autor přechází k samotnému jádru práce, tedy korelační analýze, ve které budou definovány náležitosti, na základě kterých byl proveden rozsáhlý dataset. Nakonec bude provedena korelační analýza zvolených proměnných a výsledku voleb, která má za cíl posoudit existence vzorců volebního chování voličů.

1. Teoretické vymezení práce Prostorová diferenciace volební podpory voličů je fenomén ve světě známý již několik desítek let. Vznik tohoto vědního oboru se spojuje s Francouzem André Sigfriedem, který na počátku dvacátého století jako jeden z prvních popisoval vztah sociálních, ekonomických a

geografických faktorů na volební výsledky. (Siegfried 1913) Volební geografie zaznamenává ve vyspělých zemích velký průlom v 50. a 60. letech 20. století, kdy je s technologickým pokrokem mnohem dosažitelnější analyzování velkého množství kvantitativních dat. (Kostelecký 2004: 469) Pro volební geografii bylo naprosto stěžejní dílo Seymoura Lipseta a Steina Rokkana, jejichž koncept konfliktních linií (cleavages) popisoval podobu stranického systému v souvislosti s procesy uvnitř společnosti. (Lipset, Rokkan 1967) Mezi hlavní představitele volební geografie konce dvacátého a začátku jednadvacátého století řadíme autory Petera Taylora, Colina Flinta a Ronalda Johnstona. (Pink 2005: 149)

Volební geografie je obor, který je úzce spjat s tradicí demokratických voleb. Z tohoto důvodu je Česká republika o několik desítek let pozadu oproti vyspělým západním zemím a tento obor se u nás začal rozmáhat až po definitivním pádu komunistického režimu a opětovném zavedení svobodných voleb. Nejvýznamnějším autorem zabývajícím se regionálními vlivy na volební chování v České republice je Tomáš Kostelecký.

Mezi jedno z prvních děl, která vznikla na našem území a spadají do oboru volební geografie, řadíme studii Blažka a Kosteleckého. Ti ukázali možné využití kvantitativních metod při analýze výsledků voleb do Federálního shromáždění a Československé národní rady v roce 1990. Jejich analýza prokázala prostorově negativní korelaci mezi volbou KDU a úrovní sociálně-patologických jevů. Autoři výzkum interpretovali tak, že s růstem počtu patologických jevů (kriminalita, rozvody atd.) klesá volební výsledek KDU na území České republiky. (Blažek, Kostelecký 1991: 13) Pro další práce podobného typu, analyzující prostorové vzorce volebního chování v České republice, bylo významné dílo Jehličky a Sýkory, které porovnává územní stabilitu podpory politických stran ve volbách do Federálního shromáždění v roce 1990 a Národního shromáždění v letech 1925 a 1935. Práce zkoumá, zda více než 40 let nedemokratického vývoje českých dějin, znamenalo změnu stability volební podpory tradičních politických stran. Dle hodnocení územní stability byla potvrzena korelace mezi volební podporou stran v letech 1920-1935 a 1990 a zároveň byly evidovány kontextuální faktory ovlivňující volební podporu stran. Mezi významné faktory ovlivňující volební podporu patřila míra religiozity v případě volby České strany Lidové nebo hustota zalidnění regionu, která naopak nahrávala socialistické straně. (Jehlička, Sýkora 1991: 92-93)

1.1 Současný stav výzkumu volební geografie na území ČR Český stranický systém v post-komunistickém období byl hodnocen jako velmi stabilní. Mezi lety 1996-2010 se pravidelně dostávaly do Parlamentu čtyři velké politické strany (ČSSD, KDU-ČSL, KSČM a ODS), jejichž ideologické zaměření a politické vize zůstávaly v tomto období neměnné. Až v roce 2010 dostává poměrně stabilní stranický systém České republiky ránu, kdy vůbec poprvé KDU-ČSL jako parlamentní strana spadla pod pětiprocentní hranici. Do Sněmovny se dostaly dva nové subjekty TOP09 a Věci veřejné. Podobný výsledek znamenaly i volby v roce 2013, kdy byly do Poslanecké sněmovny vyneseny ANO 2011 Andreje Babiše a Úsvit přímé demokracie Tomia Okamury, zároveň se v tento rok dostalo do Parlamentu celkem sedm politických stran. Rok 2010 znamená pro stranický systém v České republice velkou změnu, jelikož se mění stabilní podpora velkých stran a šanci uspět začínají mít nová politická uskupení. Analýzou, kterou provedl Lukáš Linek, prokazuje obrat v letech 2010 a 2013, kdy zaznamenává nárůst volatility voličů v České republice oproti letům předchozím. Znatelný je úbytek občanů podporujících ve volbách vždy stejnou stranu a markantní je naopak nárůst voličů přecházejících nejen od zaběhnutých politických stran k novým politickým subjektům, ale i přechod mezi volbou pravice k volbě levice a obráceně. Dle analýzy Lukáše Linka to znamená, že nárůst volatility v roce 2010 a 2013 úplně mění poměry v českém stranickém systému a tuzemský stranický systém směřuje zpět do poloviny 90. let, tedy do fáze krystalizace českého stranického systému. (Linek 2014: 36)

Jiný typ zpracování provedl Tomáš Kostelecký, který se věnoval parlamentním volbám v letech 1996–2006. Jeho práce jsou zaměřeny na potvrzování vlivu kontextuálních faktorů na výsledky voleb. Sledovanými stranami v jeho práci byly zmíněné největší politické subjekty, které pravidelně získávaly nejvyšší podporu, tj. ODS, ČSSD, KSČM a KDU-ČSL. U některých stran byly prokázány silné korelace mezi volebním úspěchem, případně neúspěchem a jednotlivými kontextuálními faktory. Nejstabilnější regionální rozdíly ve volebních výsledcích měla ČSSD, naopak u KDU-ČSL byly prokázány výsledky regionálně velmi nerovnoměrné. Nejvýraznější vliv na volební chování měly proměnné socioekonomické povahy. Dle výzkumu byl prokázán při nízké nezaměstnanosti vyšší zisk ODS, naopak preference ČSSD rostly v místech s nezaměstnaností vyšší. U KSČM byla prokázána korelace mezi slabším volebním výsledkem a vysokoškolským vzděláním voličů. A nakonec u KDU- ČSL byla prokázána souvislost volebních zisků u katolické části populace. Z Kosteleckého analýzy vyplývá, že na volební výsledky má vliv nespočet faktorů a je možné tvrdit, že

politická situace v Česku se mění tak rychle, jak se mění socioekonomické charakteristiky regionů. (Kostelecký 2009: 124-132)

Zkoumání volebního úspěchu politických stran v Parlamentních volbách není jediným možným výzkumem, který provádí volební geografie. V roce 2013 se v České republice uskutečnily první prezidentské přímé volby, které rozhodly o tom, kdo se stane na dalších pět let prezidentem. Pavel Maškarinec hodnotil regionální rozdíly ve volebních výsledcích čtyř nejsilnějších kandidátů. Výsledkem analýzy bylo poznání, že levicoví kandidáti (Jiří Dienstbier a Miloš Zeman) bodovali na Moravě, kdežto pravicový Karel Schwarzenberg a nezávislý Jan Fischer spíše v Čechách. Potvrdila se teorie, že v silnějších socioekonomických oblastech se kloní voliči spíše k pravicovým variantám politických stran nebo politických kandidátů, kdežto v slabších socioekonomických oblastech bodují spíše kandidáti stran levicových. Poprvé se u voleb neprokázal vliv bývalých sudetských oblastí na volební výsledek, přestože je v oblasti bývalých Sudet tradičně silný stabilní voličský vzorec, kde je obvykle silná podpora levicových kandidátů a zejména kandidátů KSČM. Sudetské oblasti se zároveň projevují slabou podporou pravicových stran, zejména tedy ODS. (Maškarinec 2013: 243; Kouba 2007: 1021)

Klíčovým cílem volební geografie je zjistit, jaké faktory podmiňují volební rozhodování a jakou roli v tomto rozhodování hraje prostorový kontext. Další Kosteleckého analýza zkoumá, jaké faktory nejvíce ovlivňují volební chování jednotlivce. Dle práce vyplývá, že největší podíl na volebním chování mají individuální charakteristiky jednotlivce, charakteristiky jeho okolí a interakční mechanismy mezi jednotlivcem a okolním prostředím. Nejvýznamnějším faktorem ovlivňujícím chování voliče je individuální charakteristika jedince, kdy jednotlivec volí podle své pozice ve společnosti dle demografických, socioekonomických, náboženských, etnických a jiných hodnotových faktorů. (Kostelecký et al. 2014: 241-242)

1.2 Oblasti studia volební geografie Na základě slovníku The Dictionary of Human Geography je volební geografie vymezena do 5-ti základních oblastí (Johnston 2001: 126-127; Pink 2005: 150-151) Ty slouží k přiblížení okruhu výzkumu volební geografie a jejího možného využití v praxi. Volební geografie není pouze o vlivu prostorových a kontextuálních faktorů na výsledky voleb, ale může se projevovat i v jiných procesech politické geografie. Právě oblasti studia volební geografie ukazují, kam až může sahat výzkum volební geografie.

 Prostorová organizace voleb (vymezení volebního obvodu, možné způsoby zkreslení výsledků)  Prostorová diferenciace volebních výsledků a faktory podmiňující tuto diferenciaci, především konfliktní linie ve společnosti (rozmístění sociálních vrstev a rozdělení na základě kontextuálních faktorů do vrstev)  Vliv místních geografických faktorů na politické postoje a názory, které ovlivňují rozhodování voličů (sousedský efekt, efekt kampaně, efekt nákazy, hlasování o sporném bodu)  Prostorová diferenciace volebních výsledků a její vliv na vytváření zastupitelských sborů (představuje rozdíly volebních systémů vycházejících z většinového principu a principů poměrného zastoupení)  Prostorová variabilita moci a samotná realizace politiky (zachycuje rozdílné distribuce veřejných statků za účelem zvýšení podpory ve vybrané oblasti)

1.3 Přístupy volební geografie Studium volební geografie se dělí na několik základních přístupů výzkumu. Hlavními přístupy volební geografie jsou přístupy kontextuální a kompozitní. Michal Pink ještě definuje přístup kartografický, systémový, world-systems přístup a historický. Tyto typy přístupů k volební geografii vymezují možnosti studia volebních výsledků a prostorové variability a zároveň definují, jakými možnostmi můžeme analyzovat vliv prostorového kontextu na volební výsledky. (Pink 2005: 152-160) Jednotlivé přístupy se váží k osobám, které je využívaly. S kontextuálním přístupem můžeme spojit Petera Taylora nebo Colina Flinta. Kompozitní přístup představuje např. Sten Berglund a vyznačuje se především snahou o postihnutí kvalitativních hledisek výzkumu. Kartografický přístup je spojen s André Siegfriedem, který se zaměřoval na socio-geografické proměnné ovlivňující volební chování. Systémový přístup vymezuje politické chování jako závislé na postavení jednotlivce ve společnosti. Představiteli systémového přístupu byli David Butler a Donald Stokes. Přístup world-systems ovlivnilo dílo Immanuela Wallersteina. Celý přístup se zabývá rozdělením světa do tří typů krajin, kdy o volební geografii rozhoduje ekonomická a hospodářská vyspělost státu. Historický přístup se snaží nalézt faktory ovlivňující současné volby v korelaci s chováním voličů v minulosti. V českém prostředí se tento typ přístupu váže k dílu Jehličky a Sýkory, kteří se snažili potvrdit korelaci mezi volební podporou stran v letech 1920-1935 a 1990. (Pink 2005: 152-160)

 Kontextuální přístup - předpokládá, že klíčovou roli na volební chování jednotlivců má specifický lokální kontext. Zaměřuje se zejména na postihnutí kvantitativních hledisek výzkumu.  Kompozitní přístup - předpokládá, že osoby, které patří do stejné společenské skupiny, se chovají podobně a prostorová diferenciace se tedy odehrává pouze na základě odlišného zastoupení společenských skupin ve zkoumaných oblastech. Kompozitní přístup se vyznačuje postihnutím kvalitativních hledisek výzkumu.  Kartografický přístup - zdůrazňuje zejména vliv lokality bez zřetele k jiným vnějším faktorům ovlivňujícím volební chování voličů.  Systémový přístup - volební výsledky odpovídají postavení jednotlivce ve společnosti a ostatní vlivy jsou méně podstatné  "World - systems" přístup - definuje odlišné chování voličů v zemích, které se od sebe liší ekonomickou a hospodářskou vyspělostí.  Historický přístup - klade důraz na hledání faktorů ovlivňujících volební chování v minulosti a pomocí toho se snaží nalézt odpověď na aktuální volební výsledky.

Pro práci byl zvolen kontextuální přístup, kdy je předpokládáno, že na chování jednotlivců má vliv zejména lokální kontext, v němž voliči žijí, a snaží se postihnout kvantitativní typ dat.

2. Metodologie Pro analýzu závislosti mezi proměnnými a výsledky voleb v jednotlivých okresech Ústeckého kraje bude využita korelační analýza, v práci také nazývána jako Pearsonův korelační koeficient. Korelační analýza se využívá pro výzkum míry asociace dvou proměnných s kvantitativními hodnotami dat. Při korelační analýze je zkoumána tendence výskytu jedné proměnné společně s hodnotami druhé proměnné. O absolutní korelaci hovoříme v případě, že s proměnnou X se vždy vyskytuje právě jedna hodnota proměnné Y. Naopak o nulové korelaci můžeme hovořit tehdy, pokud výskyt proměnné Y je vždy stejně pravděpodobný s každou hodnotou X, tudíž nedokážeme prokázat žádnou vyšší či nižší spojitost. Míra korelace zkoumá pouze závislost mezi proměnnými, dokáže vyzkoumat sílu asociace, nedokáže prokazovat kauzalitu mezi proměnnými. (Hendl 2015: 243)

Tato bakalářská práce bude pro analýzu vztahů mezi proměnnými a výsledky voleb vycházet z Pearsonova korelačního koeficientu. Koeficient je lineární míra korelace, která

nabývá hodnot od <-1 do 1>. Hodnoty -1, 1 značí dokonalý vztah, naopak hodnota 0 značí absolutní nezávislost. Pokud nabývá Pearsonův korelační koeficient záporných hodnot, znamená to, že se při zvyšování hodnot jednoho znaku snižují hodnoty znaku druhého. Vtakovém případě hovoříme o negativní korelaci. Jsou-li naměřeny kladné hodnoty, pak platí, že se při zvyšování hodnot jednoho znaku zvyšují též hodnoty druhého znaku, což znamená korelaci pozitivní. Jelikož se jedná o koeficient, jenž zkoumá lineární závislost, dají se hodnoty zanést do grafu, který dokáže názorně ukázat míru korelace. V případě nezávislosti nedokážeme vypozorovat vztah mezi proměnnými, neopakuje se vztah podle žádného vzorce a jednotlivé naměřené hodnoty netendují k přímce vyjadřující absolutní závislost v žádném vzorci. (Budíková 2010; Hendl 2015: 244; Chen 2002: 12)

Graf č. 1: Grafické znázornění korelačních koeficientů

Zdroj: (Gymcheb 2016)

Hodnoty Pearsonova korelačního koeficientu se počítají pomocí kovariance Sxy a směrodatných odchylek sx a sy obou proměnných. Pro větší přehlednost se ale dá používat zjednodušený tvar pro výpočet hodnoty r, který využívá přímo data proměnných x, y a jejich průměry. (Zvára 2013: 184-185)

Vzorec pro výpočet korelační analýzy:

Zdroj: (KSTP 2015)

Výsledné hodnoty nabývají hodnot <-1,1>. Pro výsledné zařazení do pásma síly asociace podle velikosti korelačního koeficientu r můžeme využít dvě různé metody posuzování síly asociací. Hendl vymezuje sílu asociace na tři typy - malou, střední a velkou. Pink naopak rozděluje sílu asociací na žádnou, triviální, nízkou, střední, podstatnou, velmi silnou, téměř perfektní a perfektní. Pro tuto práci bude vhodnější širší rozdělení výsledných hodnot, jelikož se očekávají nižší rozdíly v naměřených hodnotách závislostí proměnných na výsledku voleb. Důvodem zvolení širšího rozdělení výsledných hodnot je i předpokládané zkreslení koeficientu odlehlými hodnotami. (Hendl 2015: 244-246; Pink 2009: 66)

Korelační analýza bude prokazována pouze v případě naměření hodnot o minimálně nízké síle asociace, triviální asociace bude pro výzkum brána jako nevýznamná. Naměření opačných hodnot, než bylo pro danou výzkumnou otázku předpokládáno, bude naopak hypotézu vyvracet.

Tab. 1: Síla asociace podle Hendla

Síla asociace ǀrǀ (r v absolutní hodnotě) Malá 0,1 - 0,3 Střední 0,3 - 0,7 Velká 0,7 - 1,0 Zdroj:(Hendl 2015: 246)

Tab. 2: Síla asociace podle Pinka

Síla asociace ǀrǀ (r v absolutní hodnotě) Žádná 0,00 Triviální 0,01-0,09 Nízká 0,10-0,29 Střední 0,30-0,49 Podstatná 0,50-0,69 velmi silná 0,70-0,89 téměř perfektní 0,90-0,99 Perfektní 1,00 Zdroj: (Pink 2009: 66)

3. Ústecký kraj

3.1 Charakteristika kraje Ústecký kraj se nachází na severozápadě Čech a sousedí s krajem Libereckým, Středočeským, Karlovarským a na jihozápadě má ještě krátkou hranici s krajem Plzeňským. Na severu kraj hraničí s německým Saskem. V Ústeckém kraji žije 823 972 obyvatel, je tak v pořadí pátým krajem co do počtu obyvatel a též čtvrtým nejhustěji osídleným krajem České republiky se 154 obyvateli na km2. Ústecký kraj je sedmým největším krajem v republice s rozlohou o 5335 km2, což představuje zhruba 6,8 % rozlohy České republiky. Kraj se dělí na sedm okresů, a to na Chomutov, Most, Louny, Teplice, Ústí nad Labem, Děčín a Litoměřice. Krajským městem Ústeckého kraje je Ústí nad Labem s 93 409 obyvateli. Počet obcí v kraji je 354, z toho statut města má 59. V kraji se nachází 16 obcí s rozšířenou působností. (czso.cz 2016)

V kraji jsou čtyři výrazně se lišící oblasti. V pánevní oblasti Ústeckého kraje (okresy Chomutov, Most, Teplice a částečně Ústí nad Labem) je velmi výrazný vliv průmyslu, je zde vyšší hustota zalidnění, větší města, zároveň ale vzhledem k těžbě uhlí, chemické výrobě a energetickému průmyslu, horší životní prostředí. Druhou oblastí je okolí okresů Litoměřice a Louny, které je typické převažující zemědělskou činností nad průmyslovou. Další oblastí je Krušnohoří, které je vzhledem ke svému geomorfologickému členění spíše hospodářsky neaktivní, je zde ale velmi silný cestovní ruch, který zajišťují možnosti sportovního vyžití a přírodní památky v čele s Národním parkem České Švýcarsko. Poslední je oblast Děčínska, jež není významná ani průmyslem ani zemědělstvím, je to spíše oblast periferní, úzce spjatá s okresem Ústí nad Labem. (Ústecký kraj oficiální web 2016)

Mapa č.1.: Okresy Ústeckého kraje

Zdroj: ČSÚ

Mapa č.2: Obce s rozšířenou působností

Zdroj: ČSÚ

Tab. 3: Srovnání krajů ČR (rozloha, počet obyvatel, hustota osídlení, počet obcí, statut města)

Hustota Rozloha Počet osídlení Počet Statut v km2 Pořadí obyvatel Pořadí ob/km2 Pořadí obcí Pořadí města Pořadí Česká republika 78867,8 10538275 134 6253 602 Ústecký kraj 5334,6 7 823972 5 154 4 354 9 59 2 Hlavní město Praha 496,1 14 1259079 2 2538 1 1 14 1 14 Středočeský kraj 11015,8 1 1315299 1 119 8 1145 1 83 1 Jihočeský kraj 10057 2 637300 6 63 14 623 4 54 4 Plzeňský kraj 7561 3 575123 9 76 12 501 5 57 3 Karlovarský kraj 3314,3 12 299293 14 90 11 132 13 38 9 Liberecký kraj 3163,5 13 438851 13 139 6 215 12 39 8 Královehradecký kraj 4758,8 9 551590 10 116 9 448 7 48 6 Pardubický kraj 4518,9 10 516372 11 114 10 451 6 38 9 Kraj Vysočina 6795,7 5 509895 12 75 13 704 2 34 11 Jihomoravský kraj 7195,2 4 1172853 4 163 3 673 3 49 5 Olomoucký kraj 5266,7 8 635711 7 121 7 399 8 30 12 Zlínský kraj 3963 11 585261 8 148 5 307 10 30 12 Moravskoslezský kraj 5427,1 6 1217676 3 224 2 300 11 42 7 Zdroj: Autor na základě dat ČSÚ

Z porovnání okresů Ústeckého kraje vyplývá, že největším okresem je okres Louny, který je s nejnižším počtem obyvatel nejméně osídleným okresem v kraji. Společně s okresem Litoměřice je považován za rurální část kraje. Nejvyšší hustotu zalidnění mají okresy Ústí nad Labem, Teplice a Most. Ty lze považovat za silně urbánní, jelikož překračují hranici hustoty obyvatel přes 200 obyvatel na km2. Na hranici rurálního a urbánního typu můžeme zařadit okresy Chomutov a Děčín, u nichž se pohybuje hustota zalidnění těsně pod 150 obyvatel na km2.

Tabulka č.2: Srovnání okresů

Hustota Rozloha Počet osídlení Počet Statut v km2 Pořadí obyvatel Pořadí ob/km2 Pořadí obcí Pořadí města Pořadí

Ústecký kraj 5335 823972 154 354 59 Chomutov 935 3 124644 3 133 5 44 4 8 4 Děčín 909 4 131699 1 145 4 52 3 14 1 Litoměřice 1032 2 118966 5 115 6 105 1 11 2 Louny 1118 1 86463 7 77 7 70 2 7 5 Most 467 6 113857 6 244 3 26 6 6 6 Teplice 469 5 128851 2 275 2 34 5 9 3 Ústí nad Labem 405 7 119492 4 295 1 23 7 4 7 Zdroj: Autor na základě dat ČSÚ

V následující části je Ústecký kraj podroben srovnání s ostatními kraji České republiky dle různých typů měření kontextuálních proměnných.

V Ústeckém kraji je druhé nejvyšší procentuální zastoupení obyvatel ve věku 0-14 let a nejmenší zastoupení obyvatel ve věku 65+. Hodnoty nicméně výrazně nevybočují od celorepublikového průměru. Procentuální zastoupení obyvatel ve věku 15-64 let odpovídá republikovému průměru.

Tab. 4: Věkové rozložení obyvatelstva v krajích ČR

Obyvatelstvo ve věku

0-14 let 15-64 let 65+ let

abs % abs % abs %

Česká republika 1 488 928 14,3 7 267 169 69,6 1 644 836 15,8 Hlavní město Praha 153 622 12,1 908 321 71,6 201 029 15,8 Středočeský kraj 199 300 15,5 895 024 69,4 190 029 14,8 Jihočeský kraj 91 119 14,5 435 187 69,3 100 000 15,9 Plzeňský kraj 79 469 13,9 396 468 69,5 92 734 16,3 Karlovarský kraj 42 159 14,3 207 480 70,2 44 538 15,1 Ústecký kraj 121 692 15 565 358 69,9 117 899 14,6 Liberecký kraj 64 597 14,9 301 267 69,7 64 949 15 Královéhradecký kraj 79 127 14,4 374 898 68,4 92 020 16,8 Pardubický kraj 75 093 14,7 352 543 68,9 82 330 16,1 Kraj Vysočina 73 798 14,6 347 663 68,8 82 741 16,4 Jihomoravský kraj 162 794 14 808 861 69,5 188 684 16,2 Olomoucký kraj 90 398 14,4 434 573 69,2 101 647 16,2 Zlínský kraj 82 267 14,2 399 942 69 96 398 16,6 Moravskoslezský kraj 173 493 14,4 839 584 69,6 188 956 15,7 Zdroj: Autor na základě dat ČSÚ

Další zkoumanou hodnotou je vývoj průměrné roční nezaměstnanosti v krajích České republiky. Zde se v mezikrajovém srovnání umístil Ústecký kraj na posledním místě ve všech sledovaných letech, tedy od roku 2005 do roku 2015. V letech 2007, 2008, 2009 je stejně jako v celé České republice vidět patrné snížení míry nezaměstnanosti, ale i z důvodu krize se od roku 2009 čísla blíží desetiprocentní hranici a v některých letech ji i překračují. Úplně nejhorších výsledků bylo dosaženo v letech 2005, 2013 a 2014, kdy se nezaměstnanost přehoupla přes 11 %. V uplynulých deseti letech má nejvyšší roční nezaměstnanost okres Most, který se v daném období vždy umístil jako poslední . Za Mostem se v mírném odstupu drží okresy Ústí nad Labem a Chomutov. U okresu Ústí nad Labem je viditelný téměř dvouprocentní nárůst mezi hodnotami v letech 2005 a 2015, narozdíl od okresu Chomutov, který má naopak dvouprocentní úbytek průměrné roční nezaměstnanosti mezi lety 2005-2015. Dalšími v pořadí jsou okresy Děčín, Teplice a Louny. Nejnižší průměrná nezaměstnanost je v okrese Litoměřice, jenž se ve všech sledovaných letech dokázal jako jediný okres vejít pod desetiprocentní hranici.

Tab. 5: Průměrná roční nezaměstnanost v krajích ČR

Průměrná roční nezaměstnanost v krajích ČR (v %) 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 Praha 2,8 2,5 2,1 1,8 2,6 3,5 3,6 3,9 4,8 5,3 4,6 Středočeský kraj 4,8 4,3 3,5 3,0 4,6 5,6 5,6 5,7 6,5 6,6 5,7 Jihočeský kraj 4,6 4,4 3,5 3,1 4,9 5,6 5,6 5,7 6,5 6,4 5,2 Plzeňský kraj 4,8 4,5 3,7 3,3 5,6 6,3 5,8 5,4 6,2 5,9 4,9 Karlovarský kraj 7,8 7,3 6,1 5,2 7,7 8,5 8,2 8,0 9,0 8,5 7,3 Ústecký kraj 11,3 10,7 8,9 7,1 8,9 9,8 9,7 10,0 11,1 11,1 9,7 Liberecký kraj 5,9 5,4 4,7 4,4 7,3 8,0 7,5 7,4 8,2 8,1 6,8 Královéhradecký kraj 5,4 4,9 3,9 3,2 5,1 5,7 5,5 5,7 6,8 6,7 5,3 Pardubický kraj 6,0 5,4 4,3 3,7 6,1 6,9 6,3 6,2 7,0 6,6 5,2 Vysočina 6,0 5,4 4,5 3,9 6,5 7,2 6,9 6,7 7,4 7,2 6,2 Jihomoravský kraj 7,5 6,8 5,6 4,7 6,7 7,8 7,5 7,5 8,2 8,4 7,2 Olomoucký kraj 7,7 6,9 5,4 4,4 7,3 8,4 8,0 8,1 9,1 9,1 7,4 Zlínsky kraj 6,6 6,0 4,8 4,1 6,7 7,7 7,0 6,9 7,9 7,5 6,3 Moravskoslezský kraj 10,4 9,6 7,8 6,0 8,1 8,7 8,3 8,5 9,8 10,1 8,9 Celkem ČR 6,6 6,1 5,0 4,1 6,1 7,0 6,7 6,8 7,7 7,7 6,6 Zdroj: Autor na základě dat MPSV

Tab. 6: Průměrná roční nezaměstnanost v okresech Ústeckého kraje

Průměrná roční nezaměstnanost v okresech Ústeckého kraje (v %) 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015

Ústecký kraj 11,3 10,7 8,9 7,1 8,9 9,8 9,7 10,0 11,1 11,1 9,7 Děčín 11,0 10,5 9,0 7,9 9,9 10,7 10,2 10,1 10,9 10,6 9,2 Chomutov 12,1 10,7 8,0 6,3 9,1 9,7 9,6 10,2 11,6 11,5 10,2 Litoměřice 8,4 7,9 6,8 5,5 7,0 7,9 7,5 7,7 8,9 9,4 8,1 Louny 10,9 10,2 8,5 6,5 8,6 9,6 9,1 9,3 10,6 10,3 8,7 Most 16,5 15,7 12,8 9,4 11,0 11,5 11,4 12,0 13,5 13,2 12,0 Teplice 10,6 10,1 8,6 6,8 8,1 9,3 9,1 9,5 10,1 9,6 8,1 Ústí nad Labem 9,7 9,6 8,5 7,0 8,6 10,0 10,5 11,0 12,1 12,7 11,4 Zdroj: Autor na základě dat MPSV

Pro další srovnání mezi kraji byla zvolena míra kriminality. Dle korelační analýzy provedené studentkou na Univerzitě Tomáše Bati ve Zlíně totiž můžeme konstatovat, že existuje určitá míra korelace mezi nezaměstnaností a různými druhy kriminality. Autorka v práci dokazuje až střední sílu korelace mezi specifickými druhy kriminality a nezaměstnaností v regionech České republiky. (Dalajková 2015) Autor práce proto vycházel z předpokladu, že se Ústecký kraj kvůli vysoké míře nezaměstnanosti umístí v mezikrajovém srovnání kriminality mezi nejhoršími. Toto očekávání se potvrdilo, protože ve srovnání krajů dle kriminality se před Ústecký kraj dostala pouze Praha, která i vzhledem k vysokému počtu menších trestných činů byla krajem s nejvyšším indexem kriminality.

Mapa č.3: Kriminalita v ČR

Zdroj: Projekt otevřené společnosti, o.p.s. mapakriminality.cz

Tab. 7: Kriminalita v krajích ČR

Kriminalita v ČR (prosinec 2013-prosinec 2015)

Počet trestných činů Index kriminality Pořadí

Česká republika 559 053

Hlavní město Praha 142 395 1153 1 Středočeský kraj 59 133 466 5 Jihočeský kraj 28 318 446,3 7 Plzeňský kraj 23 606 413,2 10 Karlovarský kraj 12 915 425,4 9 Ústecký kraj 48 813 589,3 2 Liberecký kraj 24 651 562,9 4 Královéhradecký kraj 19 555 352,9 11 Pardubický kraj 15 801 306,1 12 Kraj Vysočina 15 534 303,4 13 Jihomoravský kraj 52 911 455,2 6 Olomoucký kraj 27 598 432,3 8 Zlínský kraj 17 352 294,2 14 Moravskoslezský kraj 70 471 571,3 3 Zdroj: Autor na základě dat Projekt otevřené společnosti, o.p.s. mapakriminality.cz

Posledním sledovaným jevem při srovnání krajů bylo percentuální nejvyšší ukončené vzdělání obyvatelstva. Z tabulky č. 8 vyplývá, že Ústecký kraj se spolu s krajem Karlovarským řadí mezi kraje s nejnižším podílem obyvatel s vysokoškolským vzděláním a zároveň je v těchto dvou krajích nejvyšší procento obyvatel se vzděláním základním, a to přes dvacet procent. Důvodem sledování hodnot nejvyššího dosaženého vzdělání je souvislost mezi tímto a volební účasti, které se bude autor věnovat v kapitole analyzující výsledky voleb v Ústeckém kraji.

Tab. 8: Nejvyšší ukončené vzdělání (%)

Nejvyšší ukončené vzdělání (%)

bez vzdělání základní středoškolské s maturitou nástavbové vysokoškolské

Česká republika 0,5 17,6 33 27,1 4,1 12,5 Hlavní město Praha 0,2 10,2 20,3 29,9 5,4 23,6 Středočeský kraj 0,4 16,9 33,6 28,2 4,3 11,5 Jihočeský kraj 0,5 18,2 34,9 27,5 4,1 10,8 Plzeňský kraj 0,4 18,1 34,7 27,2 3,7 10,4 Karlovarský kraj 0,8 22,4 34,3 24,2 3,5 7 Ústecký kraj 0,8 21,7 34,9 24,7 3,4 7,6 Liberecký kraj 0,5 18,6 35,9 26 3,8 9,6 Královéhradecký kraj 0,5 17,6 35,5 27,4 4,3 10,1 Pardubický kraj 0,4 17,9 36,6 26,9 4,2 9,9 Kraj Vysočina 0,4 18,5 37,5 27,1 4 9,5 Jihomoravský kraj 0,4 17,6 32,3 26,9 4 14,7 Olomoucký kraj 0,5 18,4 35,4 26,9 3,7 11,4 Zlínský kraj 0,4 19 35,8 26,6 3,8 11,2 Moravskoslezský kraj 0,6 19,6 35,1 25,9 3,6 11,2 Zdroj: Autor na základě dat ČSÚ

3.2 Výsledky voleb v Ústeckém kraji K přiblížení politické situace v Ústeckém kraji poslouží analýza volebních výsledků ve volbách do Poslanecké sněmovny Parlamentu České republiky v letech 2002, 2006, 2010 a 2013.

Jedním z typických rysů Ústeckého kraje je nízká volební účast. Jak vyplývá z tabulky o volební účasti (viz. tab. 9), dosahuje kraj spolu s krajem Karlovarským pravidelně nejnižší volební účast v mezikrajovém srovnání.

Nízkou volební účast můžeme pozorovat v příhraničních oblastech ve vnitřně homogenních areálech, naopak u heterogenních areálů, při shluku více obcí s četnějšími výjimkami, pozorujeme vyšší voličskou účast. Tento fakt může ilustrovat kupříkladu porovnání volební účasti mezi kraji Ústeckým a Karlovarským a krajem Vysočina. (Blažek 2012: 276) Volební účast mohou zároveň predikovat předem určené proměnné, které mají na samotnou účast vliv. Účast ve volbách do Poslanecké sněmovny Parlamentu České republiky je tradičně vyšší než při komunálních volbách, které vzhledem k menšímu voličskému zájmu bývají označovány za volby druhého řádu. Jak u voleb do Parlamentu, tak u komunálních je typickým faktorem ovlivňujícím volební účast velikost obce. U obou zmíněných typů voleb

platí, že se zvyšujícím se počtem obyvatel v obci klesá volební účast, a to u Parlamentních voleb méně, u komunálních velmi dramaticky. Dle Kosteleckého analýzy se dá tvrdit, že na účast ve volbách do Poslanecké sněmovny Parlamentu České republiky má vliv i sociální a ekonomický status obyvatel obcí. Bylo prokázáno, že výrazně vyšší volební účast se dá očekávat u obcí, kde je vyšší podíl vzdělaných lidí a nižší míra nezaměstnanosti. (Kostelecký 2011: 82)

V tomto ohledu je zde tedy silný předpoklad pro stabilně nízkou volební účast v Ústeckém kraji. Důvodem je stabilita zmíněných proměnných, které ovlivňují účast ve volbách (viz. tab. 5, 8). Dle předchozí analýzy byly v Ústeckém kraji naměřeny nejnižší hodnoty pro nejvyšší dosažené vzdělání a zároveň nejvyšší hodnoty pro nezaměstnanost. Autor tudíž předpokládá stabilitu nízké volební účasti v tomto kraji, která se dle přiložené tabulky potvrzuje.

Tab. 9: Volební účast (2002-2015)

Volební účast 2002 2006 2010 2013 68,51 67,99 64,14 Hlavní město Praha 59,98 65,96 64,26 61,47 Středočeský kraj 58,78 65,36 63,58 60,55 Jihočeský kraj 58,11 63,92 61,68 57,92 Plzeňský kraj 58 56,48 54,04 51,57 Karlovarský kraj 50,17 57,22 55,66 51,69 Ústecký kraj 50,65 62,35 61,41 57,92 Liberecký kraj 55,83 66,69 64,93 61,65 Královéhradecký kraj 60,84 67,37 65,49 62,26 Pardubický kraj 61,14 67,61 65,68 63,37 Kraj Vysočina 62,45 65,29 63,27 60,55 Jihomoravský kraj 60,03 64,52 62,12 58,9 Olomoucký kraj 58,88 66,9 64,27 61,53 Zlínský kraj 60,02 61,02 58,19 55,48 Moravskoslezský kraj 55,22 64,47 62,6 59,48 Průměr 58 Zdroj: Autor na základě dat ČSÚ, Volby.cz

Z výsledků voleb do Poslanecké sněmovny Parlamentu České republiky lze vysledovat určité opakující se prvky pro Ústecký kraj. Analyzován byl percentuální výsledek největších politických stran ve volbách do Poslanecké sněmovny Parlamentu České republiky v letech 2002, 2006, 2010 a 2013. Sledovány byly výsledky stran v krajích, s důrazem na v kraj Ústecký. Byla provedena analýza odchylky volebního výsledku jednotlivých stran v Ústeckém kraji oproti celorepublikovému průměru. Nakonec je předložena analýza věnující

se reálné odchylce mezi percentuálním výsledkem jednotlivých stran v celé republice a konkrétním výsledkem v Ústeckém kraji, se zřetelem na celkový volební výsledek strany.

Uvážíme-li mezikrajové srovnání stran ČSSD a ODS, je patrné, že u posledních čtyř voleb do Parlamentu se volební výsledky těchto stran v Ústeckém kraji pohybují kolem celorepublikového průměru. U ČSSD se výsledky v Ústeckém kraji pohybovaly mírně nad republikovým průměrem, v průměru o 1,3225 %. U ODS se také volební výsledky výrazně nelišily od republikového průměru, ale zaznamenané mírné vychýlení bylo přesně obrácené než u ČSSD, tedy o -1,295 %. Můžeme proto vyvodit, že obliba u těchto dvou stran v kraji se přibližuje průměrné oblibě v České republice, ale přece jen je zde mírná korelace u vyšší obliby ČSSD ve srovnání s republikovým průměrem a naopak menší obliba ODS.

U ostatních stran jsou odchylky od republikového průměru mnohem znatelnější. V případě KSČM je průměrná odchylka od průměru 4,4 %, což značí tendenci vyšší voličské podpory KSČM v Ústeckém kraji než ve zbytku republiky. U KDU-ČSL je situace opačná a odchylka se pohybuje na hodnotě -4,825 % od republikového průměru. Voličská úspěšnost lidovců je tedy výrazně nižší než je republikový průměr. U těchto dvou stran je odchylka oproti prvním dvěma zmíněným stranám o to markantnější, že volební výsledky se pohybovaly v případě KSČM v průměru kolem 14 % a u KDU-ČSL kolem 8 %. Strana zelených jako jediná strana vykazuje přibližně stejné hodnoty pro volební výsledky v Ústeckém kraji jako pro průměrné volební výsledky v celé České republice, její odchylka od republikového průměru je zanedbatelná, tj. -0,115 %. U DSSS je i dle očekávání markantní odchylka od republikového průměru, a to 1,26 %, což je v případě této strany velmi významné číslo, jelikož se ve dvou sledovaných volbách v průměru dostala přesně na hodnotu jednoho procenta. Vychýlení je tedy více než stoprocentní, pokud bereme v potaz volební výsledky pro celou Českou republiku. Další sledovanou stranou je TOP09, která dosáhla odchylky -3,46 %, tedy slabší podporu v Ústeckém kraji než v ostatních regionech České republiky. U ANO 2011 je zatím v jejich jediných zúčastněných volbách nárůst pro Ústecký kraj oproti republikovému průměru 2,65 %.

Pro přesnější představu je vytvořena tabulka hodnotící reálnou odchylku jednotlivých stran mezi výsledky voleb stran v Ústeckém kraji a výsledky v celé České republice. Ohled byl brán na celkový výsledek strany ve sledovaných volbách a odchylky pro volební výsledek v Ústeckém kraji od celorepublikového průměru. Bylo dosaženo reálné hodnoty odchylky pro strany ve sledovaných letech. Nejstabilnější podpora mezi Ústeckým krajem a

celorepublikovým průměrem byla u Strany zelených, její reálná hodnota byla -3,22 %, tedy mírně podprůměrná volební podpora. Dle toho nepředpokládáme výraznou korelaci vlivu prostorového kontextu Ústeckého kraje na volební výsledek Strany zelených. U ČSSD byla hodnota 5,04 %, tzn. nadprůměrná voličská podpora v reálné hodnotě, u ODS -5,90 %, tedy mírně negativní odchylka. V tomto případě se dá tvrdit, že v porovnání s celorepublikovým průměrem můžeme v Ústeckém kraji pozorovat mírně vyšší oblibu ČSSD a mírně slabší oblibu ODS. Vyšší odchylka byla naměřena ve volbách v roce 2013 u strany ANO 2011, kdy byla reálná odchylka 14,16 %, a naopak při volbách v letech 2010 a 2013 byla naměřena reálná hodnota odchylky u strany TOP09 -24,12 %. V tomto případě už na základě prostorového kontextu Ústeckého kraje v porovnání s republikovým průměrem předpokládáme silnou vazbu mezi popularitou strany ANO 2011 a nepopularitou TOP09. Vysoká reálná odchylka byla naměřena také u KSČM, která vykazovala 30,61 %. U KDU-ČSL dokonce -59,09 %, což byla zároveň nejvyšší negativní reálná odchylka u sledovaných stran. Z těchto číselných výstupů autor usuzuje, že KSČM se na základě prostorového kontextu Ústeckého kraje těší silnější volební podpoře oproti zbytku republiky a naopak volební preference KDU-ČSL jsou v Ústeckém kraji výrazně slabší než v ostatních krajích. Nejvyšší reálná hodnota odchylky byla naměřena u DSSS, která se vyšplhala na 126 %. Zde je silný předpoklad, že pravicově extremistická strana má v Ústeckém kraji stabilně silnější podporu na základě prostorového kontextu Ústeckého kraje.

Tab. 10: Reálná hodnota odchylky výsledků voleb v Ústeckém kraji

odchylka průměr odchylka zaokrouhleno

ČSSD 1,3225 26,2625 0,050357 5,04% ODS -1,295 21,9475 -0,059 -5,90% KSČM 4,4 14,375 0,306087 30,61% KDU-ČSL -4,825 8,165 -0,59094 -59,09% SZ -0,115 3,57 -0,03221 -3,22% DSSS 1,26 1 1,26 126% TOP09 -3,46 14,345 -0,2412 -24,12% 18,65 ANO 2,64 0,141555 14,16% Zdroj: Autor na základě dat ČSÚ, Volby.cz

Volební geografie zkoumá vliv prostorových a kontextuálních faktorů na volební výsledky. Reálná odchylka výsledků voleb (viz. tab. 10) ukazuje na prostorový vzorec chování voličů Ústeckého kraje v mezikrajovém srovnání. Tabulka o výsledcích politických stran v krajích (viz. tab. 11) ukazuje data, z nichž bylo vycházeno pro výpočet reálné

odchylky, a podává názorný důkaz prostorové rozrůzněnosti volebních výsledků. Hlavním předpokladem pro platnost odlišného prostorového vzorce chování slouží porovnání volebního výsledku pro vybraný kraj oproti republikovému průměru. K tomu je také důležité sledovat trend odchylky, tedy zda se nejedná pouze o výjimečné vychýlení od normálu. Z tab. 10 vyplývají i další prostorové rozdíly, které můžeme na území České republiky vypozorovat. V Praze je výrazně slabší podpora ČSSD oproti republikovému průměru a tento úbytek se projevuje v nárůstu volební podpory ODS. Ve všech sledovaných letech byly výsledky v Praze u ČSSD pod republikovým průměrem a naopak ODS silně nad republikovým průměrem. Na základě těchto dat je možné předpokládat prostorový vzorec chování na území Prahy. Dalším výsledkem přispívajícím potvrzení platnosti vzorců volebního chování je silně nadprůměrný výsledek KDU-ČSL ve všech moravských krajích oproti krajům, které se nacházejí v Čechách. Dle naměřených hodnot autor předpokládá, že můžeme na základě prostorové analýzy na úrovni krajů vycházet z tvrzení o platnosti prostorových vzorců na území České republiky.

V další části práce si autor klade za cíl hledat vzorce volebního chování na úrovni okresů Ústeckého kraje. Vycházet bude z agregovaných dat obcí. Hledány už nebudou prostorové faktory ovlivňující volební výsledky politických stran, ale kontextuální faktory, které volební výsledky ovlivňují, tj. proměnné, jako jsou věková struktura obyvatel, hustota zalidnění a nezaměstnanost.

Tab. 11: Výsledky politických stran v krajích (2002-2013)

PHA STČ JHČ PLK KVK ULK LBK HKK PAK VYS JHM OLK ZLK MSK Průměr

2002 25,85 31,53 30,33 30,34 29,31 29,18 27,05 27,45 31,97 31,97 29,9 31,92 29,06 36,13 30,2 23,29 30,74 30,47 31,69 32,73 35,46 29,31 30,14 32,95 35,35 32,95 35,44 33,28 40,54 32,32 2006 ČSSD 15,17 20,52 20,55 22,01 23,29 24,93 19,4 19,87 21,95 23,43 23,35 24,47 21,93 29,13 22,08 2010 14,09 18,44 20,73 21,65 21,34 20,77 16,89 18,57 20,53 23,01 22,94 22,22 19,39 26,38 20,45 2013

2002 33,83 26,83 25,98 25,5 24,69 24,21 27,4 26,58 22,89 19,26 20,95 20,34 21,48 19,38 24,47 48,32 39,19 36,69 36,46 35,87 34,78 38,81 37,66 33,26 27,67 30,67 30,29 31,68 28,11 35,38 2006 ODS 24,79 23,87 21,36 21,14 17,69 17,38 20,47 20,12 19,42 17,22 18,47 17,01 20,81 17,49 20,22 2010 11,99 8,85 8,08 10,64 6,72 6,24 6,95 7,27 7,1 6,83 7,01 6,03 5,66 5,45 7,72 2013

2002 11,1 18,67 18,25 19,61 21,97 25,08 17,17 16,05 17,39 19,69 19,75 21,02 16,64 21,06 18,51 7,9 12,89 13,36 14,03 14,82 16,05 11,51 11,52 12,39 14,66 13,74 14,68 11,25 13,96 12,81 2006 KSČM 6,53 11 12,22 12,51 13,07 13,64 10,32 10,65 11,21 13,41 11,65 13,18 10,04 12,61 11,27 2010 8,52 14,41 16,45 15,76 16,72 20,33 14,38 14,08 14,62 16,86 14,36 17,03 12,9 17,53 14,91 2013

2002 18,46 11,9 12,25 11,76 8,85 7,81 13,24 14,46 16,79 16,92 17,35 13,94 19,46 11,82 14,27 4,84 4,87 8,18 5,65 3,44 2,23 4,23 6,72 8,77 12,16 11,14 8,26 13,02 7,18 7,22 2006 KDU-ČSL 2,17 1,97 3,76 2,43 1,66 1,1 1,76 3,79 5,93 7,42 8,37 5,6 9,95 4,84 4,39 2010 5,46 4,05 6,66 4,85 3,36 2,22 3,01 6,79 7,7 10,54 10,26 7,94 13,22 7,24 6,78 2013

2002 2,51 2,36 2,07 2,33 3,29 2,7 2,76 2,27 2,09 1,96 2,45 2,56 2,38 1,99 2,36 9,19 6 5,9 5,91 6,71 6,03 9,58 6,69 6,26 4,89 6,2 5,51 5,07 4,34 6,29 2006 SZ 4,78 2,32 2,17 1,71 2,08 2,41 2,6 2,5 1,86 1,68 2,34 1,8 1,8 1,93 2,44 2010 6,45 3,7 2,46 2,29 2,28 2,68 2,54 2,87 2,53 2,6 3,27 2,32 2,34 2,39 3,19 2013 0,66 0,95 1,09 1,1 2,18 2,61 1,27 1,29 1,05 0,84 0,85 1,21 0,73 1,29 1,14 2010 DSSS 0,42 0,75 0,87 0,98 1,53 1,91 1 0,9 0,9 0,65 0,59 0,83 0,5 1,08 0,86 2013 27,27 17,59 17,39 16,97 16,2 13,27 19,44 19,24 15,45 14,34 15,31 13,51 13,94 9,99 16,7 2010 TOP09 23,03 14,64 12,77 11,27 10,08 8,5 15,24 12,91 10,81 9,07 9,79 7,74 9,21 6,16 11,99 2013 16,46 20,07 16,97 18,52 21,32 21,29 21,59 20,28 19,82 15,89 17,34 19,61 18,31 18,07 18,65 ANO2011 2013 Zdroj: Autor na základě dat ČSÚ, Volby.cz

4. Sběr dat pro korelační analýzu Sběr dat byl proveden na úrovni obcí. Do výzkumu bylo zapojeno všech 354 obcí Ústeckého kraje, jejichž data byla zahrnuta pro jednotlivé okresy, do kterých obce náleží.

Pro údaje o výsledcích stran v obcích byla využita databáze portálu volby.cz, který je portálem Českého statistického úřadu. Pro výzkum byly využity hodnoty o procentuálním volebním výsledku vybraných politických stran z důvodu kvantifikovatelnosti vybraných dat. Zkoumaná data volebních výsledků pochází z voleb do Poslanecké sněmovny Parlamentu České republiky v letech 2010 a 2013.

Pro údaje o průměrném věku obyvatel v obcích byla využita data Českého statistického úřadu a vždy byly pro průměrný věk v obcích brána data k začátku roku, ve kterém se volby konaly.

Proměnná hustoty zalidnění byla počítána pro jednotlivé obce jako podíl počtu obyvatel v měsíci, kdy se konaly volby, a rozlohy dané obce. Pro sběr dat o rozloze obcí a počtu obyvatel byly taktéž využity stránky Českého statistického úřadu.

Pro data týkající se průměrné nezaměstnanosti v obcích byly využity stránky Ministerstva práce a sociálních věcí. Pro korelaci k volbám z května 2010 byla vybrána data pro jednotlivé obce, která měří nezaměstnanost k 1. květnu 2010. Pro korelační analýzu k říjnovým volbám v roce 2013 musela být využita data o nezaměstnanosti k 1.březnu 2014 z důvodu chybějících dat v období od 31. prosince 2011 - 1. března 2014. Autor pro tuto proměnnou uvažuje, že průměrná míra nezaměstnanosti nedokáže během tří měsíců udělat tak radikální skok, aby posunutí sběru dat mělo výraznější vliv na vychýlení korelační analýzy ve zkoumaných okresech.

Zpracování dat do tabulek, formátování, průběžné výpočty, grafy, tabulky a korelační analýza byly provedeny autorem na základě nashromážděných dat z výše zmíněných portálů.

5. Korelační analýza Následující část práce představuje korelační analýzu agregovaných dat. Korelační analýza byla provedena na úrovni okresů a vycházela z dat pro nižší celky, tj. jednotlivé obce. Kapitola je rozdělena do tří částí, přičemž každá se věnuje jedné proměnné. Nebudou rozebrány všechny vypočítané korelační koeficienty, které jsou naměřeny v jednotlivých tabulkách, ale budou představeny hypotézy, které se za přispění korelační analýzy podařilo potvrdit, a zároveň budou zmíněny hypotézy, které byly předpokládány a které se z určitých důvodů nenaplnily. V práci autor prokazuje korelaci mezi proměnnou a výsledkem voleb i při nízké síle asociace dle rozdělení vymezeného v metodologii. Vzorec chování a hypotézu o platnosti vzorců chování voličů autor prokazuje pouze v případě opakujících se naměřených hodnot o nízké síle asociace nebo silnější. V případě naměření triviální korelace nepovažujeme data pro potvrzení nebo vyvrácení hypotézy jako významná. Pokud jsou oproti předpokladu naměřeny více jak dvě opačné hodnoty, tedy v případě očekávané pozitivní korelace, naměříme více jak dvě hodnoty o negativní korelaci, nepotvrzuje autor v tomto případě korelaci a hypotézu.

5.1 Věková struktura obyvatelstva U věkového rozložení obyvatelstva byla předpokládaná hypotéza, že starší voliči jsou preferenčně nakloněni ke KSČM, a tudíž budeme moci prokázat pozitivní korelaci mezi věkovou strukturou obyvatel Ústeckého kraje a volebním výsledkem strany. Měla by tedy být potvrzena pozitivní korelace, kdy s rostoucím průměrným věkem obyvatel v obcích bude růst volební výsledek KSČM. Dle naměřených hodnot nebyla hypotéza potvrzena. Nebyla prokázána závislost mezi volebními výsledky KSČM a starším věkovým průměrem jednotlivých obcí. Hypotéza nebyla prokázána ani u DSSS, kde byla předpokládána negativní korelace, tedy rostoucí volební preference s klesajícím věkovým průměrem v obcích.

Na základě agregovaných dat v přílohách autor hledal obce s nejvyšším průměrným věkem obyvatel a porovnával je s daty o výsledcích voleb. V obcích Janov, Kytlice, Kryštofovy Hamry, Levín, Brodec, Nová Ves a Opočno, kde byl naměřen nejvyšší průměrný věk obyvatel, byl hledán na základě dat určitý vzorec, který by alespoň částečně dokázal potvrdit hypotézu o stoupajících preferencích KSČM s vyšším věkem obyvatel. Ani u těchto obcí nebyl prokázán vzorec volebního chování voličů, jelikož výrazný odklon od krajského průměru byl pouze v obcích Brodec a Nová Ves (viz. příloha č. 4), což není pro průkaznost vzorce dostačující.

Přestože má KSČM v Ústeckém kraji nadprůměrné volební výsledky, nedokázal autor prokázat korelaci mezi věkem voličů a úspěchem Komunistické strany. Ani u ostatních stran nebyl prokázán vztah mezi věkovým průměrem v obcích jednotlivých okresů a volebními výsledky stran.

Možnou příčinou nepotvrzení hypotézy týkající se věkového průměru obyvatel v obcích mohlo být zvolení proměnné věkového průměru obyvatel. Přínosnější pro možné potvrzení hypotézy by pravděpodobně bylo rozčlenění jednotlivých obcí podle věku obyvatel na procentuální zastoupení voličů dle věkových kategorií a prokazování pomocí korelační analýzy volební výsledky jednotlivých stran s poměrnou věkovou strukturou v obcích.

Tabulka č. 12: Korelační analýza dle proměnné věkové struktury obyvatelstva

Průměrný věk

Rok 2013 2010 Strana ČSSD ODS KSČM DSSS ČSSD ODS KSČM DSSS Děčín 0,085642 0,216568 -0,17822 -0,10204 0,056948 0,083566 -0,14693 -0,10955 Chomutov 0,177293 0,19087 -0,14262 -0,15015 -0,13287 0,298258 -0,16479 0,149255 Litoměřice 0,015054 0,016121 -0,09833 -0,02184 0,120656 -0,25075 0,125316 -0,01561 Louny 0,264867 0,034404 -0,07905 -0,13137 -0,13628 -0,00661 0,094787 -0,24521 Most -0,2296 -0,44516 -0,17845 0,107884 -0,18744 0,025371 -0,11102 -0,17018 Teplice 0,632195 0,08274 -0,2869 0,197861 0,089658 -0,08701 -0,07721 0,230609 Ústí nad Labem 0,100722 0,323578 0,174726 -0,25413 0,119183 0,152468 -0,13948 -0,17553 Zdroj: Autor na základě agregovaných dat a zdrojů zmíněných v příloze

5.2 Hustota zalidnění Druhým analyzovaným ukazatelem byla proměnná hodnotící sílu vztahu mezi hustotou zalidnění obcí a volebním výsledkem politických stran. Předpokladem pro výzkum této proměnné byla zvýšená volební preference levicových stran v rurálních oblastech a pravicových stran v oblastech urbánních. Dle agregovaných dat je možné potvrdit nadprůměrné volební výsledky ODS v okresních městech oproti okresnímu průměru, zároveň lze potvrdit mírně podprůměrné volební výsledky v okresních městech u ČSSD a výrazně slabší volební preference KSČM oproti okresnímu průměru (viz. přílohy).

Dle korelační analýzy se potvrdily silnější preference KSČM v rurálních oblastech Ústeckého kraje a slabší volební úspěšnost v oblastech urbánních. Korelační analýza potvrdila i úspěšnost ODS v oblastech městských a nižší úspěšnost v oblastech vesnického typu. Analýza nepotvrdila asociaci proměnné hustoty zalidnění na volební výsledky ČSSD, přestože zde byl předpoklad k jejímu dokázání. Nemůžeme tedy dle korelační analýzy prokázat vztah hustoty zalidnění oblasti na volební výsledky ČSSD v okresech Ústeckého kraje.

Z grafu č.2 a č.3 vyplývá, že v sedmi sledovaných okresech můžeme pozorovat vzorec korelačních koeficientů mezi proměnnou hustoty zalidnění oblasti a volebních výsledku KSČM a ODS. U KSČM je evidentní trend naměřených hodnot hluboko v záporných hodnotách. Jedna naměřená hodnota by vzorec chování zamítala, tři hodnoty považuje autor za nevýznamné z důvodu výskytu v triviální síle asociace, sedm hodnot bylo o nízké síle negativní korelace, dvě hodnoty byly v pásmu střední negativní korelace a jedna hodnota byla dokonce o podstatné negativní korelaci. Můžeme tedy potvrdit hypotézu, že volební

preference KSČM rostou s nižší hustotou zalidnění oblastí a klesají v hustěji osídlených oblastech. U ODS je tomu přesně naopak a graf demonstruje opakující se pozitivní korelaci, z čehož vyplývá, že volební preference rostou s urbánním typem okresu a klesají s rurálním charakterem okresu. Na grafu je patrné, že osm vypočítaných hodnot potvrzuje hypotézu, pět hodnot je považováno jako nepodstatné z důvodu triviální síly asociace a pouze jedna vypočtená korelační hodnota je odkloněna od zbytku a vyvracela by hypotézu. Na základě těchto údajů potvrzujeme zvolenou hypotézu i pro ODS.

Graf č.2: Korelační koeficienty - KSČM

KSČM 0,2 0,1 0 -0,1 1 2 3 4 5 6 7 -0,2 2013 -0,3 2010 -0,4 -0,5

Korelační koeficient Korelační (okresy) -0,6 -0,7

Zdroj: Autor

Nejsilnější negativní korelace mezi výsledky KSČM a hustotou zalidnění v obcích byla naměřena v okrese Ústí nad Labem. Jako potvrzení této korelace mohou sloužit získaná data (viz. příloha č. 7). Pro ilustraci lze vzít porovnání nejhustěji osídlené obce, tj. Ústí nad Labem, a obce s nejnižší hustotou zalidnění, kterými jsou Petrovice. V Petrovicích, které mají hustotu zalidnění 17 obyvatel na km2, dosáhla KSČM v roce 2010 19,53 % a v roce 2013 22,84 %. V Ústí nad Labem měla KSČM v roce 2010 10,04 % a v roce 2013 17,75 %. Pokud tato čísla porovnáme s krajským průměrem pro Ústecký kraj, který v roce 2010 činil 13,64 % a v roce 2013 20,33 % (viz. tab. 11), tak můžeme vypozorovat v Petrovicích silně nadprůměrné hodnoty a v Ústí nad Labem hodnoty silně podprůměrné. Všechna tato data opět potvrzují teorii o stabilním voličském úspěchu KSČM v rurálních částech republiky a klesajících preferencích v oblastech urbánních.

Graf č.3: Korelační koeficienty - ODS

ODS 0,35

0,3 0,25 0,2 0,15 2013 0,1 2010 0,05 0 -0,05 1 2 3 4 5 6 7

Korelační koeficient Korelační (okresy) -0,1 -0,15

Zdroj: Autor

V případě ODS a vlivu charakteru obce na volební výsledky nejsou korelační koeficienty vyrovnané tak, jako je tomu v případě KSČM. Pokud však odmyslíme hodnoty o triviální síle asociace, tak hypotézu můžeme potvrdit. Dokonce byla v roce 2010 v okresu Louny naměřena hodnota o střední síle korelace. Průměrný volební výsledek ODS v Ústeckém kraji v roce 2010 byl 17,38 %. V nejméně osídlené obci okresu Louny, v Zálužicích, dosáhla ODS výsledku 9,09 %. Naopak v Lounech, s hustotou zalidnění 778,6 obyvatel na km2, dosáhla ODS 31,19 % (viz. Příloha č. 4). V tomto případě předkládanou korelaci opět prokazují i nejvíce a nejméně zalidněné obce okresu, ve kterém byla naměřena nejsilnější míra korelace.

Tabulka č.13: Korelační analýza dle proměnné hustoty zalidnění

Hustota zalidnění

Rok 2013 2010 Strana ČSSD ODS KSČM DSSS ČSSD ODS KSČM DSSS Děčín 0,1309305 0,0715939 0,0075672 0,1188366 0,1038936 0,0413963 -0,1079349 0,1366703 Chomutov 0,2424617 -0,0263322 -0,0631745 -0,0226158 -0,0536436 0,1827124 -0,3236822 -0,0292022 Litoměřice -0,0795799 0,2183995 -0,2016304 -0,1850387 -0,1582427 0,2456337 -0,295061 -0,091045 Louny 0,1565707 -0,015552 -0,0025437 -0,0980359 -0,2314598 0,3084835 -0,2434893 -0,0257644 Most 0,3514766 0,144761 0,1527241 0,0130925 -0,0153137 -0,0317039 -0,1146606 0,1582815 Teplice 0,1755307 0,2012517 -0,2900942 -0,0203434 0,0534205 0,1765361 -0,2229146 0,0043975 Ústí nad Labem -0,3008504 -0,1063087 -0,388853 -0,0443778 0,0502128 0,284959 -0,5997112 0,1286161 Zdroj: Autor na základě agregovaných dat a zdrojů zmíněných v příloze

5.3 Nezaměstnanost Poslední zkoumanou byla proměnná analyzující vliv nezaměstnanosti na volbu zvolených stran. Předpokladem pro tuto část kapitoly bylo prokázání korelace mezi úspěchem ČSSD, KSČM a DSSS v oblastech s rostoucí nezaměstnaností a ODS v souvislosti s oblastmi s nezaměstnaností nižší.

Přes drobné vychýlení u některých okresů se předpoklad u všech stran potvrdil a můžeme v této kapitole potvrdit všechny vyřčené hypotézy. U ČSSD se prokázalo, že se stoupající nezaměstnaností budou stoupat i volební úspěchy strany. Dle grafu č.3 prokazujeme, že v šesti případech byla naměřena alespoň nízká míra korelace, hodnoty o triviální síle korelace, které autor nepovažuje za významné, byly v případě ČSSD naměřeny šestkrát a dále byla dvakrát naměřena korelace odporující vyřčené hypotéze. Přesto naměřené korelace byly v případě strany natolik silné, že můžeme potvrdit vliv nezaměstnanosti na volební výsledek ČSSD v okresech Ústeckého kraje.

U grafu č. 5 jsou graficky znázorněny korelační koeficienty v jednotlivých okresech strany ODS. Je zde na první pohled patrný silný odklon naměřených hodnot do záporných čísel, kdy deset hodnot se nachází v nízké negativní korelaci. Jen jediná hodnota by vyvracela hypotézu a tři hodnoty považujeme jako nevýznamné. Na základě těchto dat potvrzujeme hypotézu, že s klesající nezaměstnaností v regionu stoupá volební výsledek ODS a naopak.

U KSČM je podobně jako u ČSSD zřetelný trend korelačních koeficientů vyskytovat se v kladných hodnotách o nízké asociaci, což potvrzuje předpoklad, že se zvyšující se nezaměstnaností rostou preference Komunistické strany. V případě KSČM bylo naměřeno osm hodnot korelačních koeficientů potvrzujících hypotézu, pět hodnot jako hodnot nevýznamných v oblasti triviální korelace a jedna hodnota, která by vyvracela hypotézu. Tu nicméně z důvodu převládajících opačných hodnot nepovažuje autor za významnou.

U DSSS byl opět potvrzen předpoklad, že s rostoucí nezaměstnaností rostou preference strany. Důkazem potvrzení této hypotézy je graf č. 7, z něhož vyplývá, že z korelačních analýz jednotlivých okresů sedm hodnot potvrzuje zmíněnou hypotézu minimálně o nízké korelaci, sedm hodnot uvažujeme jako nevýznamné, jelikož se umístily v triviální síle korelace, a ani jedna hodnota u DSSS neskončila v prostoru, který by znamenal vyvrácení hypotézy.

Tabulka č.14. Korelační analýza dle proměnné nezaměstnanosti

Nezaměstnanost

Rok 2013 2010 Strana ČSSD ODS KSČM DSSS ČSSD ODS KSČM DSSS Děčín -0,0048478 -0,2317415 0,2874771 0,0148127 0,1471591 -0,1729824 0,3422308 0,1015803 Chomutov 0,0062678 -0,1025829 0,2656333 0,224956 0,1449976 -0,2539512 0,2204322 0,0402207 Litoměřice -0,026339 -0,258944 0,2253489 -0,0378238 -0,0482857 0,063395 0,2103801 0,1688432 Louny -0,1073434 0,0844909 -0,0710041 -0,0886571 0,3148748 -0,2720911 0,0970732 0,2079323 Most 0,2977455 0,3275863 0,1718928 -0,042362 0,1360662 -0,3393154 0,002364 0,4633465 Teplice 0,2757206 -0,1228535 0,7117479 -0,0360197 0,0814991 -0,0810569 -0,0962235 0,2152805 Ústí nad Labem 0,0390171 -0,1858999 -0,0761442 -0,0348903 -0,2114641 -0,1399577 -0,1715148 0,2882036 Zdroj: Autor na základě agregovaných dat a zdrojů zmíněných v příloze

Graf č. 4: Korelační koeficienty - ČSSD (Nezaměstnanost)

ČSSD 0,4

0,3

0,2

0,1 2013

0 2010 1 2 3 4 5 6 7 -0,1

Korelační koeficient Korelační (okresy) -0,2

-0,3

Zdroj: Autor

U hodnot pro ČSSD jsou významné hodnoty u okresu Most, jelikož u tohoto okresu byly jako u jediného korelační koeficienty pro oba roky naměřeny jako významné, tedy o silnější než triviální závislosti.

Graf č. 5: Korelační koeficienty - ODS (Nezaměstnanost)

ODS 0,4

0,3

0,2

0,1 2013 0 1 2 3 4 5 6 7 2010 -0,1

-0,2

Korelační koeficient Korelační (okresy) -0,3

-0,4

Zdroj: Autor

U ODS je patrná dle předpokladu negativní korelace, která se ale značně vychyluje v roce 2013 v případě okresu Most. Z korelační analýzy by vyplývalo, že v roce 2010 by v obcích s rostoucí nezaměstnaností klesala podpora ODS a v roce 2013 by se tento stav úplně obrátil, tedy žeby v obcích s rostoucí nezaměstnaností obyvatelé začali volit ODS. Toto tvrzení by i dle přílohy č. 5 potvrzovala data, která uvádí, že v obci s nejvyšší mírou nezaměstnanosti v obou zkoumaných letech, v Obrnicích, v roce 2010 volilo ODS 11,16 % a v roce 2013 22,98 %. Dle tab. 11 ODS v roce 2010 v Ústeckém kraji volilo průměrně 17,38 % a v roce 2013 6,24 %. Pokud tyto údaje porovnáme, tak můžeme potvrdit zvláštní jev, kdy se během sledovaného období v okresu Most naprosto změnil vzorec volebního chování na základě proměnné nezaměstnanosti. Na základě osamocení okresu Most v tomto jevu by se mohlo jednat o pouhou volební anomálií, která se v příštích volbách vrátí k normálu. Bylo by proto zajímavé se tomuto jevu věnovat i v budoucnu a sledovat, zda-li se skutečně neprokáže změna volebního chování mosteckých voličů. U ostatních okresů už byla všechna data v normálu a nakonec i v deseti ze čtrnácti případů potvrzovala hypotézu o růstu volebních preferencí ODS se snižující se nezaměstnaností ve zkoumaných okresech.

Graf č. 6: Korelační koeficienty - KSČM (Nezaměstnanost)

KSČM 0,8

0,7

0,6 0,5 0,4 0,3 2013 0,2 2010 0,1 0

-0,1 1 2 3 4 5 6 7 Korelační koeficient Korelační (okresy) -0,2 -0,3

Zdroj: Autor

Při potvrzení hypotézy u KSČM byl naměřen velký výkyv pro okres Teplice, který prokazuje vyřčenou výzkumnou otázku o velmi silné síle asociaci, což je pro podobné typy výzkumu výjimečné. U ostatních hodnot jsou ale data už v normálu. Pozoruhodný je i fakt o vlivu míry nezaměstnanosti na volební výsledky KSČM v okresech Děčín, Chomutov a Litoměřice. V nich se pro oba roky hodnoty držely na podobné úrovni, což je odlišuje od ostatních okresů, u nichž byly hodnoty více rozptýleny. Vysvětlením může být stabilnější vzorec volebního chování voličů ve třech zmiňovaných okresech a nižší stabilitou vzorců chování v okresech ostatních.

Graf č. 7: Korelační koeficienty - DSSS (Nezaměstnanost)

DSSS 0,5

0,4

0,3

0,2 2013

0,1 2010

0 1 2 3 4 5 6 7

Korelační koeficient Korelační (okresy) -0,1

-0,2

Zdroj: Autor

U Dělnické strany je dle grafu na první pohled patrná odlišná korelace mezi lety 2010 a 2013. V roce 2010 můžeme prokázat pozitivní korelaci o nízké síle asociace ve čtyřech případech, zároveň všechny hodnoty byly v pásmu pozitivní korelace. V roce 2013 už nejsou korelační koeficienty tak přesvědčivé. Pět koeficientů dokonce skončilo v pásmu negativní korelace a pouhá jedna hodnota byla naměřena jako hodnota podporující hypotézu. Dle grafu č. 7 by se dal předpokládat určitý odklon od teorie, že v oblastech s vyšší mírou nezaměstnanosti budou růst preference DSSS. Tento jev můžeme pozorovat, pokud budeme porovnávat roky 2010 a 2013. V případě zvolených kritérií v této práci ale hypotézu potvrdit musíme, jelikož o triviální síle asociace, kterou autor práce nepovažuje za významnou, bylo naměřeno šest hodnot pro rok 2013 a jedna hodnota hypotézu podporovala.

Závěr Cílem této práce byla analýza vzorců volebního chování voličů v Ústeckém kraji ve volbách do Poslanecké sněmovny Parlamentu České republiky v letech 2010 a 2013. Pro výzkum byly zvoleny čtyři politické strany - ČSSD, ODS, KSČM a DSSS. Na základě Pearsonova korelačního koeficientu byly zkoumány korelace v okresech Ústeckého kraje, kdy byly hledány opakující se korelace mezi zvolenými proměnnými a volebními úspěchy vybraných stran. Volba proměnných, u nichž byl předpoklad, že prokáží korelace mezi výsledky voleb politických stran a dat naměřených pro jednotlivé obce, byly věkový průměr obyvatel, hustota zalidnění a nezaměstnanost. Sběr dat proběhl na úrovni obcí a pro prokazování korelací byla data měřena na úrovni vyšších správních celků, tedy okresů.

Práce je rozdělena do dvou částí - teoretické a analytické. V první části představuje autor teoretický rámec celé práce. Důraz je kladen na představení oboru volební geografie ve světě a v České republice. Autor předkládá přehled několika podstatných děl, které měly podíl na vývoji volební geografie v Česku i v zahraničí. Jako významné pro obor volební geografie považuje autory André Siegfrieda, Steina Rokkana a Seymoura Lipseta nebo Petera Taylora a Ronalda Johnstona. Na českém území se autor práce nejčastěji odkazuje na díla Tomáše Kosteleckého. V teoretické části jsou rovněž předloženy metody výzkumu volební geografie a jednotlivé oblasti studia. V metodologické části autor představuje korelační koeficient, tj. metodu výzkumu, která bude v práci využita.

Druhá část práce je analytická. Autor v ní provádí nejprve charakteristiku Ústeckého kraje v porovnání s ostatními kraji na základě proměnných a výsledků voleb a dále se zaměřuje na korelační analýzu a posouzení platnosti vzorců volebního chování v Ústeckém kraji.

Z provedené analýzy můžeme konstatovat, že v Ústeckém kraji pozorujeme určité trendy, které jsou silně mimo republikový průměr. Jedním z nich je volební účast, která je prokazatelně hluboko pod republikovým průměrem ve všech sledovaných letech. Hodnoty o nízké volební účasti se dají spojit s hodnotami o nízké vzdělanosti obyvatel Ústeckého kraje a vysoké míře nezaměstnanosti, protože dle dalších výzkumů existuje prokazatelný vztah mezi volební účastí a průměrným nejvyšším dosaženým vzdělaní a mírou nezaměstnanosti obyvatel.

Další zaznamenaný výkyv vyplývá ze sledování volebních výsledků jednotlivých stran za pomocí reálné odchylky od celorepublikového průměru. Na základě prostorového kontextu

v Ústeckém kraji můžeme dle výsledků analýzy hovořit o stabilně silné volební podpoře stran DSSS a KSČM, které se při datech o reálné odchylce odchylovaly velmi výrazně od republikového průměru. Dále autor prokázal zápornou odchylku od republikového průměru u KDU-ČSL. Toto zjištění nás opravňuje konstatovat, že v Ústeckém kraji můžeme potvrdit vzorec volebního chování, který se definuje ve slabé podpoře KDU-ČSL v porovnání s ostatními kraji České republiky.

Provedením korelační analýzy byly hledány odpovědi na zmíněné hypotézy a zároveň byly zkoumány další možné spojitosti, které měly jednotlivé proměnné na volební výsledky zvolených stran.

Práce neprokázala korelace mezi oblastmi se starší voličskou základnou a vyššími volebními výsledky levicových stran (zejména KSČM) a stejně tak nebyla prokázána korelace mezi oblastmi s obyvateli s nižším věkovým průměrem a vyššími volebními výsledky pravicových stran (zejména DSSS). V práci nebyla potvrzena ani hypotéza o vlivu věkové struktury obyvatel jako kontextuálního faktoru ovlivňujícím volební výsledky vybraných politických stran na volební výsledky z voleb do Poslanecké sněmovny Parlamentu České republiky v letech 2010 a 2013.

Hypotéza o korelaci mezi úspěchem levicových stran v rurálních oblastech a pravicových stran naopak v oblastech urbánních byla prokázána u KSČM a ODS. V případě KSČM byla prokázána negativní korelace, tzn. s rostoucí hustotou zalidnění klesají volební preference strany a naopak s klesající hustotou zalidnění se dají předpokládat lepší volební výsledky strany. U ODS v podobě pozitivní korelace, kdy hovoříme o rostoucích volebních preferencích v souvislosti s rostoucí hustotou zalidnění oblasti. Dle korelační analýzy byl prokázán růst volebních preferencí KSČM v rurálních oblastech a ODS v oblastech urbánních. Pro ostatní strany nebyl prokázán vztah mezi volebními výsledky a hustotou zalidnění v obcích.

Poslední hypotézou byl rostoucí volební úspěch levicových ČSSD a KSČM a ultrapravicové antisystémové DSSS v oblastech s vysokou mírou nezaměstnanosti a naopak pravicové ODS v oblastech, které nejsou tak zřetelně zasažené nezaměstnaností. Tato hypotéza byla plně prokázána u všech stran. Potvrdily se předpokládané pozitivní korelace u ČSSD, KSČM a DSSS, kdy v oblastech s rostoucí mírou nezaměstnanosti rostly volební preference těchto stran a v oblastech s nižší mírou nezaměstnanosti naopak jejich volební výsledky klesaly. Byla také prokázána negativní korelace mezi nezaměstnaností a volebními

výsledky ODS, dle které můžeme tvrdit, že s růstem nezaměstnanosti preference ODS klesají, se snižující se nezaměstnaností naopak rostou. V této části práce byl beze zbytku potvrzen vliv nezaměstnanosti na volební chování voličů v Ústeckém kraji.

Práce měla za cíl hledat vzorce volebního chování v Ústeckém kraji a za pomocí korelační analýzy potvrdit nebo vyvrátit zvolené hypotézy vázající se k jednotlivým proměnným. Dle autora se v práci podařilo držet se vytyčené struktury práce a pro některé proměnné a politické strany byly prokázány vzorce volebního chování voličů v Ústeckém kraji na základě kontextuálních faktorů.

Do budoucna se nabízí možné rozšíření této práce o hlubší specifikaci proměnných, zejména věkové struktury obyvatelstva jednotlivých obcí, případně navýšení počtu zvolených proměnných. Dalšími proměnnými, které by mohly mít korelační spojitost s výsledky voleb politických stran, můžou být religiozita oblasti, kupní síla nebo průměrné dosažené vzdělání obyvatel. Pro další podobný výzkum a rozšíření práce by též mohlo posloužit i rozšíření zkoumané oblasti, tj. zahrnout i další regiony České republiky. V případě zahrnutí odlišnějších oblastí republiky je pravděpodobné, že by se korelační koeficienty pro dané oblasti více zpřesnily, a na škále síly asociace lze též předpokládat, že by se výsledná čísla mohla dostat k vyšším mírám asociace.

Summary The main goal of this thesis is to define a formula of electoral behavior of voters in region Ústí nad Labem.

The thesis is divided into two sections; theoretical one and analytical one. Important political geography, and mainly electoral geography, authors are introduced in the theoretical part. Among them Andre Siegfried, Stein Rokkan, Seymour Lipset, Peter Taylor, Collin Flint, and Ronald Johnston. The most renowned publications in the Czech Republic were published by Tomáš Kostelecký.

In addition the theoretical part presents various types of researches in electoral behavior. The most popular types are Contextual and Compositive. In methodological part the author describes rules of Pearson correlation coefficient that is subsequently used in the analytical part of the thesis. Fundamental building blocks of Pearson correlation coefficient are a graffic presentation of correlation analysis, and a correlation strenght rate.

The second part of the thesis focuses on analytical work with the obtained dataset. As a result main specifics of Ústí nad Labem region are defined compared to the rest of the state, such as the lowest percentage of voters turnout in Ústí nad Labem region, better KSČM election result, or worse election KDU-ČSL result.

The main part of the thesis is devoted to looking for a formula of electoral behavior of voters in the region. The author uses correlation analysis to look for contextual factors that have a significant influence on election results of selected political parties (ČSSD, ODS, KSČM and DSSS). The author chooses municipalities age structure, population density, and unemployment rate as the observed variables. With a help of Pearson correaltion coefficient the author is trying to identify a way these variables influence election results. The formula of electoral behavior of region Ústí nad Labem inhabitans didn´t prove any influence of age structure to election result. The influence was proved for population density within result of KSČM and ODS. A strong relation between the unemployment rate and results of all the parties was confirmed. A positive correlation was found in the case of ČSSD, KSČM and DSSS. It means that the higher unemployment rate is the better their election results are. A negative correlation was on the other hand shown for ODS. Based on these results the existence of voters’ behaviour formulas for Ústí nad Labem region is defined.

Prameny Český statistický úřad. czso.cz [online]. 2016. [cit. 2016-03-08]. Dostupné z: https://www.czso.cz/csu/czso/

Ústecký kraj oficiální web. kr-ustecky.cz [online]. 2016. [cit. 2016-03-08]. Dostupné z: http://www.kr-ustecky.cz/zakladni-informace-o-kraji

Portál Ministerstva práce a sociálních věcí. portal.mpsv.cz [online]. 2016. [cit. 2016-03-08]. Dostupné z: https://portal.mpsv.cz/sz/stat

Projekt otevřené společnosti, o.p.s. Mapa kriminality. mapakriminality.cz [online]. [cit. 2016- 03-08]. Dostupné z: http://www.mapakriminality.cz/

Portál VOLBY.cz Českého statistického úřadu. volby.cz [online]. [cit. 2016-03-08]. Dostupné z: http://www.volby.cz/

Literatura BERNARD, Josef, Martin ŠIMON. Prostorové vzorce volebního chování v letech 1992-2006: popis, proměny a možné příčiny. In: KOSTELECKÝ, Tomáš (eds.). Koho volí Vaši sousedé?: prostorové vzorce volebního chování na území Česka od roku 1920 do roku 2006, jejich změny a možné příčiny. Vyd. 1. Praha: Sociologické nakladatelství (SLON) v koedici se Sociologickým 107 ústavem AV ČR, 2014, s. 109-132. ISBN 978- 80-7419-166-4.

Blažek, Jiří, Pavlína NETRDOVÁ. Aktuální tendence lokální diferenciace vybraných socioekonomických jevů v Česku: směřuje vývoj k větší mozaikovitosti prostorového uspořádání? Geografie [online]. 2012, vol. 117, no. 3, s. 266-288 [cit. 2016-03-08]. Dostupné z: http://geography.cz/sbornik/wp- content/uploads/downloads/2012/11/g03_2012_2blazek_netrdova.pdf

BLAŽEK, Jiří, Tomáš Kostelecký. Geografická analýza výsledků parlamentních voleb v roce 1990. Geografie – Sborník ČGS [online]. 1991, vol. 1991, no. 1, s. 1-14 [cit. 2016-03-08]. Dostupné z: http://geography.cz/sbornik/wp- content/uploads/downloads/2014/02/1991_96_1_Blazek_Kostelecky_Geografickaanalyzavysledk u.pdf

BUDÍKOVÁ, Marie, Maria KRÁLOVÁ a Bohumil MAROŠ. Průvodce základními statistickými metodami. 1. vyd. Praha: Grada, 2010, 272 s. ISBN 978-80-247-3243-5.

DALAJKOVÁ, Lucie. Korelační závislost mezi nezaměstnaností a kriminalitou. Zlín: Univerzita Tomáše Bati ve Zlíně, 2015. Univerzita Tomáše Bati ve Zlíně. Fakulta aplikované informatiky, Ústav elektroniky a měření. Vedoucí práce Zelinka, Stanislav. [cit. 2016-03-08]. Dostupné z: http://digilib.k.utb.cz/bitstream/handle/10563/33790/dalajkov%C3%A1_2015_dp.pdf?sequen ce=1&isAllowed=y

GymCheb, 2016. Využití matematických metod v geodézii a geologickém průzkumu. Gymnázium Cheb [online] [cit. 2016-04-18]. Dostupné z: http://absolventi.gymcheb.cz/2010/tofiala/geo/korelacni-koeficient.html

HENDL, Jan. Přehled statistických metod. 5. vyd. Praha: Portál, 2015. 736 s. ISBN 978-80- 262-0981-2

CHARVÁT, Jan. Dělnická strana: hegemon české krajní pravice v novém tisíciletí. Střední Evropa 28 [online]. 2012, vol. 136, no. 28, s. 103-115 [cit. 2015-11-20]. Dostupné z: http://revuestrednievropa.cz/upload/12.pdf

CHEN, Peter a Paula M. POPOVICH. Correlation: parametric and nonparametric measures. Quantitative applications in the social sciences. Thousands Oaks, Calif.: Sage Publications, 2002. 95 p. Sage university papers series. no. 139. ISBN 0-7619-2228-8.

JEHLIČKA, Petr, Luděk SÝKORA. Stabilita regionální podpory tradičních politických stran v českých zemích (1920–1990). Geografie [online]. 1991, vol. 96, no. 2, s. 81-95 [cit. 2016- 03-18] Dostupné z: http://geography.cz/sbornik/wp- content/uploads/downloads/2014/02/1991_96_2_Jehlicka_Sykora_Stabilitaregionalnipodpory .pdf

JOHNSTON, Ronald (eds.). The Dictionary of Human Geography. Oxford: Blackwell Reference, 1981. ISBN 0631134654.

Katedra statistiky a pravděpodobnosti, 2015. Vzorce. Katedra statistiky a pravděpodobnosti [online] 16.2. 2015 [cit. 2016-04-18]. Dostupné z: http://kstp.vse.cz/wp- content/uploads/2009/03/4ST201_vzorce.pdf

KOSTELECKÝ, Tomáš et al. Existují prostorové kontextové vlivy na volební chování i v relativní nacionalizovaném stranickém systému? Příklad Česka. Geografie [online]. 2014 vol.

119, no. 3, s.240-258 [cit. 2016-03-18] Dostupné z: http://geography.cz/sbornik/wp- content/uploads/downloads/2014/10/g14-3_s240-258_bernard_kostelecky_simon.pdf

KOSTELECKÝ, Tomáš, Daniel ČERMÁK. Vliv teritoriálně specifických faktorů na formování politických orientací voličů. Sociologický časopis [online]. 2004, vol. 40, no. 4, s.469-488 [cit. 2016-03-18]. ISSN 0038-0288. Dostupné z: http://sreview.soc.cas.cz/uploads/61922fa1675e549766074c0e372440877f3800f9_530_415ko stel16.pdf

KOSTELECKÝ, Tomáš. Politická participace: analýza účasti ve volbách v roce 2010 a jejích determinant. In: ČERMÁK, Daniel a Jana VOBECKÁ. Spolupráce, partnerství a participace v místní veřejné správě: význam, praxe, příslib. Vyd. 1. Praha: Sociologické nakladatelství (SLON), 2011. ISBN 978-80-7419-067-4.

KOSTELECKÝ, Tomáš. Regionální rozdíly ve volebních výsledcích v České republice - parlamentní volby 1996-2006. Evropská volební studia. 2009, vol. 4, no. 2, s. 124-134 [cit. 2016-03-18]. ISSN 1801-6545.Dostupné z: http://ispo.fss.muni.cz/uploads/EVS/008/evs_4_2_2.pdf

KOUBA, Karel. Prostorová analýza stranického systému. Institucionalizace a prostorové režimy. Sociologický časopis [online]. 2007, vol. 43, no. 5, s. 1017-1037 [cit. 2016-03-18]. Dostupné z: http://sreview.soc.cas.cz/uploads/f6f777904c6ba5778c881ba8bc8f1e752f3b692a_515_07- 5%20Kouba.pdf

KUDRNÁČ, Aleš. Stranické preference mladých lidí v České republice. Sociológia [online]. 2015, vol. 47, no. 5, s. 527-550. [cit. 2016-04-21]. Dostupné z: https://www.sav.sk/journals/uploads/10191134Kudrnac%20-%20OK.pdf

LINEK, Lukáš. Čistá a celková volební volatilita v Česku v letech 1990-2013: stejný koncept, odlišná měření a podobné závěry? Acta Politologica [online]. 2014, vol. 6, no. 1, s. 24-38 [cit. 2016-03-18]. ISSN 1803-8220 Dostupné z: https://www.researchgate.net/profile/Lukas_Linek2/publication/261222491_ist_a_celkov_vol ebn_volatilita_v_esku_v_letech_1990- 2013_stejn_koncept_odlin_men_a_podobn_zvry/links/00463533a71a803b53000000.pdf

LINEK, Lukáš.„Kdy vymřou voliči KSČM? K věkové struktuře elektorátu KSČM.2008. “Politologický časopis / Czech Journal of Political Science 15 (4). : 318-336. ISSN 1211- 3247.

LIPSET, Seymour, Stein ROKKAN. Cleavage Structures, Party Systems, and Voter Alignments: An Introduction. In: Lipset, S. M., Rokkan, S. (eds.): Party Systems and Voter Alignments: Cross-National Perspective. 1967, New York – London: The Free Press , s. 1-67. MAŠKARINEC, Pavel. Prostorová analýza prezidentských voleb v České republice v roce 2013. Sociológica [online]. 2013, vol. 45, no. 5, s. 435-469 [cit. 2016-03-18]. Dostupné z: https://www.sav.sk/journals/uploads/10240957Maskarinec%20-%20OK.pdf

PINK, Michal, Jan BURKERT. Voličská základna a krajní pravice v současném Rakousku. Rexter-časopis pro výzkum radikalismu, extremismu a terorismu [online]. 2009, vol. 2, s. 19. [cit. 2016-03-08] Dostupné z: http://www.rexter.cz/wp-content/issues/2009/02/rexter-4.pdf

PINK, Michal. Současné přístupy k volební geografii. In: FIALA, Petr a Maxmilián STRMISKA (eds.). Víceúrovňové vládnutí: teorie, přístupy, metody. Brno: Centrum pro studium demokracie a kultury, 2005. Srovnávací politologie. ISBN 80-7325-074-8.

SIEGFRIED, André. 1913. Tableau politique de la France de l´Ouest sous la Troisieme Republique. Paris: A. Colin

ZVÁRA, Karel. Základy statistiky v prostředí R. 1. vyd. Praha: Karolinum, 2013, 259 s. Biomedicínská statistika. ISBN 978-80-246-2245-3.

Seznam tabulek Tabulka č. 1: Síla asociace podle Hendla

Tabulka č. 2: Síla asociace podle Pinka

Tabulka č. 3: Srovnání krajů (rozloha, počet obyvatel, hustota osídlení, počet obcí, statut města)

Tabulka č. 4: Věkové rozložení obyvatelstva v krajích ČR

Tabulka č. 5: Průměrná roční nezaměstnanost v krajích ČR

Tabulka č. 6: Průměrná roční nezaměstnanost v okresech Ústeckého kraje

Tabulka č. 7: Kriminalita v krajích ČR

Tabulka č. 8: Nejvyšší ukončené vzdělání (%)

Tabulka č. 9: Volební účast (2002-2015)

Tabulka č. 10: Reálná hodnota odchylky výsledků voleb v Ústeckém kraji

Tabulka č. 11: Výsledky politických stran v krajích (2002-2013)

Tabulka č. 12: Korelační analýza dle proměnné věkové struktury obyvatelstva

Tabulka č.13: Korelační analýza dle proměnné hustoty zalidnění

Tabulka č.14. Korelační analýza dle proměnné nezaměstnanosti

Seznam map Mapa č.1: Okresy Ústeckého kraje

Mapa č.2: Obce s rozšířenou působností

Mapa č.3: Kriminalita v ČR

Seznam grafů Graf č. 1: Grafické znázornění korelačních koeficientů

Graf č. 2: Korelační koeficienty - KSČM (Hustota zalidnění)

Graf č. 3: Korelační koeficienty - ODS (Hustota zalidnění)

Graf č. 4: Korelační koeficienty - ČSSD (Nezaměstnanost)

Graf č. 5: Korelační koeficienty - ODS (Nezaměstnanost)

Graf č. 6: Korelační koeficienty - KSČM (Nezaměstnanost)

Graf č. 7: Korelační koeficienty - DSSS (Nezaměstnanost)

Seznam příloh Příloha č. 1: Agregovaná data pro korelační analýzu - Děčín

Příloha č. 2: Agregovaná data pro korelační analýzu - Chomutov

Příloha č. 3: Agregovaná data pro korelační analýzu - Litoměřice

Příloha č. 4: Agregovaná data pro korelační analýzu - Louny

Příloha č. 5: Agregovaná data pro korelační analýzu - Most

Příloha č. 6: Agregovaná data pro korelační analýzu - Teplice

Příloha č. 7: Agregovaná data pro korelační analýzu - Ústí nad Labem

Přílohy Příloha č. 1: Agregovaná data pro korelační analýzu - Děčín

1.1.201 1.1.201 1.1.201 1.1.201 1.5.201 1.3.201 25. 10. - 26.10. 2013 28.5. - 29.5. 2010 0 3 0 3 0 4 Okres Děčín ČSSD ODS KSČM DSSS ČSSD ODS KSČM DSSS Průměrný věk Hustota zal. Nezaměstnanost Arnoltice 20,48 7,31 10,73 0,97 21,78 24,75 8,41 1,48 38,8 38,7 59,3 69,4 19,40% 9,10% Benešov nad Ploučnicí 22,98 4,98 22,98 1,72 27,55 12,22 13,68 2,37 39,7 40,5 408,4 400,5 14,60% 12,80% Bynovec 12,09 3,22 29,03 0,8 23,77 11,47 18,03 0,81 37,4 37,4 44,3 46,7 15,70% 12,80% Česká Kamenice 16,91 7,28 22,69 2,56 27,52 13,1 16,29 2,62 40,0 41,0 142,7 143,0 15,10% 11,40% Děčín 18,77 7,46 17,42 0,67 28,04 17,93 7,01 1,85 40,4 41,2 444,0 427,3 12,50% 11,90% Dobkovice 24,83 7,04 18,12 2,68 24,21 17,89 13,33 1,4 38,6 38,8 121,0 116,4 14,90% 11,90% Dobrná 12,37 4,45 30,69 4,95 21,56 10,29 22,05 1,96 38,3 38,0 52,2 51,8 22,30% 9,80% Dolní Habartice 16,04 4,1 25,74 2,61 22,05 11,02 20,53 2,28 40,5 40,7 102,7 101,7 12,00% 10,80% Dolní Podluží 20,18 5,79 22,24 4,48 19,42 14,56 17,62 2,69 39,6 41,1 79,2 77,8 14,70% 9,30% Dolní Poustevna 13,4 7,95 22,5 1,81 15,45 17,38 19,31 1,28 36,3 37,2 183,3 167,6 13,60% 10,20% Doubice 12,03 7,4 11,11 0 5,93 27,96 6,77 1,69 43,7 43,2 5,4 5,1 10,20% 6,20% Františkov nad Ploučnicí 23,62 2,19 19,23 3,29 33,33 7,17 16,41 3,58 43,5 43,3 68,6 75,2 13,80% 10,10% Heřmanov 33,33 2,08 8,33 0,68 25 26,92 11,53 7,69 38,5 38,8 28,7 28,5 18,30% 13,80% Horní Habartice 25 2,6 17,18 1,56 33,33 12,69 19,04 2,11 42,5 43,1 56,2 55,4 13,20% 11,70% Horní Podluží 20,94 3,63 21,22 2,23 24,27 7,8 17,05 3,46 38,0 40,4 105,1 104,9 12,40% 8,00% Hřensko 14,51 7,25 11,29 1,61 10,81 25,67 4,72 1,35 36,4 38,1 16,3 15,8 3,90% 7,20% Huntířov 19,19 3,53 29,79 3,03 27,57 9,34 17,75 2,8 38,1 38,2 54,9 54,8 17,90% 10,80% Chřibská 18,87 5,29 22,04 2,82 29,84 12,31 15 2,36 37,4 39,7 93,4 87,1 19,50% 10,40% Janov 19,58 5,67 21,64 2,06 24,43 10,79 14,77 2,27 46,6 46,4 66,9 69,0 15,80% 12,60% Janská 20,68 3,44 31,03 9,19 23,91 13,04 18,47 4,34 37,5 39,1 39,3 35,6 10,30% 14,50% Jetřichovice 12,8 9,68 19,72 1,03 20,86 22,3 12,94 0,71 43,3 44,7 9,5 9,3 13,00% 13,80% Jílové 22,94 5,44 18,23 2,35 26,59 13,98 14,26 1,8 39,5 40,5 143,7 140,4 10,70% 9,70% Jiřetín pod Jedlovou 15,7 3,84 13,46 2,88 26,71 11,98 7,87 1,71 40,6 39,7 52,6 56,3 14,90% 14,20% Jiříkov 25,26 2,78 25,69 4,06 36,02 9,75 14,07 3,37 39,1 40,2 303,7 294,7 22,70% 12,40% Kámen 27 3 16 1 28,15 24,27 11,65 1,94 41,1 39,5 110,5 122,2 15,30% 8,30% Krásná Lípa 21,01 6,46 24,94 4,38 31,81 12,95 17,95 4,54 39,6 41,2 119,3 113,5 19,00% 12,20% Kunratice 12,72 4,54 24,54 2,72 26,35 14,72 14,72 2,32 36,1 38,6 19,7 18,5 17,30% 18,70% Kytlice 20,38 9,23 15,38 0,76 17,88 25,6 8,13 2,84 44,7 45,7 17,8 18,5 14,50% 6,00% Labská Stráň 21,37 9,16 18,32 0,76 28,28 16,44 5,92 0 42,2 41,2 70,4 73,9 11,50% 9,50% Lipová 20,58 6,72 17,22 0,42 21,26 13,05 14,17 0,74 39,5 40,4 49,3 48,8 15,60% 8,90% Lobendava 14,38 5,03 28,77 0,71 19,49 13,55 30,5 0 40,5 41,7 17,9 17,6 20,70% 12,50% Ludvíkovice 18,11 4,94 22,35 2,58 22,24 15,64 10,26 0,97 38,2 38,9 91,7 96,0 12,40% 8,50% Malá Veleň 16,51 6,25 12,94 2,67 17,67 15,81 13,48 2,32 39,5 39,6 90,5 90,1 13,50% 11,00% Malšovice 13,7 6,73 23,31 0,24 23,97 17,91 12,83 0,72 37,4 38,5 64,0 66,7 14,00% 9,30% Markvartice 20,38 3,5 15,28 3,5 25,77 13,97 10,55 1,55 39,3 40,2 75,9 77,7 10,60% 8,40% Merboltice 22,68 4,12 14,43 0 23,52 15,68 14,7 0,98 38,6 39,8 19,4 20,6 28,60% 15,60% Mikulášovice 14,97 7,72 23,67 4,34 17,64 19,6 10,29 1,96 41,1 42,0 88,5 86,3 17,40% 11,20% Rumburk 15,31 4,87 20,41 2,08 18,49 20,37 16,09 2,05 39,2 40,1 462,0 451,0 12,60% 9,00% Růžová 22,68 4,16 15,74 0,92 27,18 14,07 9,22 0,48 40,9 41,0 22,9 25,7 15,60% 12,30% Rybniště 21,22 4,31 17,98 1,07 26,11 17,86 14,77 2,4 39,1 42,0 57,3 53,4 17,80% 11,90% Srbská Kamenice 10,59 2,64 22,51 1,98 29,25 11,56 14,28 2,04 45,8 42,8 17,4 20,1 11,90% 11,00% Staré Křečany 17,18 3,64 19,53 3,12 20,77 16,36 16,62 2,07 39,3 40,1 35,3 34,4 25,20% 12,60% Starý Šachov 23,95 1,04 20,83 7,29 35,71 8,03 10,71 5,35 38,3 41,6 63,4 63,1 13,30% 7,30% Šluknov 21,73 4,89 18,47 1,9 29,39 17,42 13,14 3,98 39,2 40,0 119,6 117,7 19,00% 14,70% Těchlovice 18,58 3,98 23,89 2,21 23,04 18,26 11,3 3,91 37,9 37,8 53,6 51,3 17,10% 10,90% Valkeřice 24,67 3,24 24,02 1,29 25,69 12,29 24,02 2,23 39,8 40,4 29,5 29,3 15,80% 17,10% Varnsdorf 21,85 5,18 17,4 5,18 22,76 20,98 9,82 4,16 40,0 40,9 604,3 599,6 16,40% 10,80% Velká Bukovina 23,33 6,66 17,77 3,33 28,26 17,39 14,67 0,54 41,3 41,8 30,7 32,8 7,80% 7,50% Velký Šenov 22,66 6,43 21,05 1,16 27,76 15,9 14,28 0,94 40,2 40,5 103,5 100,2 18,50% 11,90% Verneřice 18,82 4,08 24,94 1,81 25,35 12,91 17,46 0,95 38,2 40,0 36,0 35,3 12,50% 13,80% Veselé 26,61 2,41 16,12 2,41 29,51 19,27 7,22 3,61 40,8 40,0 41,0 43,5 6,40% 9,00% Vilémov 25,87 6,03 16,33 1 26,09 19,29 13,15 1,09 41,9 43,1 231,3 227,4 9,60% 7,80% Zdroj: Autor na základě dat MPSV, ČSÚ, Volby.cz

Příloha č. 2: Agregovaná data pro korelační analýzu - Chomutov

1.1.201 1.1.201 1.1.201 1.1.201 1.5.201 1.3.201 25. 10. - 26.10. 2013 28.5. - 29.5. 2010 0 3 0 3 0 4 Okres Chomutov ČSSD ODS KSČM DSSS ČSSD ODS KSČM DSSS Průměrný věk Hustota zal. Nezaměstnanost Bílence 18,96 0,86 32,75 1,72 32,32 13,13 16,16 1,01 37,9 38,8 19,5 18,9 33,70% 14,70% Blatno 15,09 6,41 22,26 1,5 24,05 24,52 16,5 0,94 41,8 40,5 8,5 10,3 10,50% 8,00% Boleboř 14,47 5,26 23,68 1,31 30,06 15,38 20,97 2,79 39,3 39,3 11,6 11,6 11,10% 9,70% Březno 21,75 5,15 28,24 0,95 30,21 11,5 18,32 1,36 38,2 39,1 27,6 28,1 12,70% 12,00% Černovice 19,33 5,66 20 0,66 25,36 19,92 13,4 5,43 40,3 41,5 93,5 96,7 15,80% 8,40% Domašín 7,35 2,94 37,7 1,47 12,06 10,34 41,37 1,72 38,0 37,6 7,0 10,4 15,70% 10,30% Droužkovice 26,45 6,34 19,31 0,52 24,67 16,53 14,17 1,57 38,7 39,5 67,1 72,3 15,50% 6,20% Hora Svatého Šebestiána 25,24 3,88 22,33 2,91 30,63 9,9 20,72 5,4 38,1 38,0 7,6 8,9 18,80% 9,50% Hrušovany 12,5 0,5 27 2,5 32,4 9,49 24,02 1,11 33,5 34,5 39,3 41,3 29,50% 12,20% Chbany 20,81 4,52 23,07 0,45 34,92 16,26 19,04 0,79 37,3 38,8 21,9 21,6 16,40% 13,60% Chomutov 23,92 3,73 24,67 0,93 23,6 19,81 10,09 1,44 40,2 40,9 1702,2 1681,4 13,80% 12,20% Jirkov 25,17 3,74 22,61 1,19 27,98 16,05 10,33 3,81 36,7 38,1 1221,6 1181,1 16,60% 14,80% Kadaň 27,54 5,93 18 1,9 27,91 19,66 12,13 0,97 39,4 40,1 273,7 274,7 10,90% 10,50% Kalek 17,29 8,27 21,8 3 36,09 14,28 10,52 0,75 43,2 42,5 4,4 4,7 6,60% 9,30% Klášterec nad Ohří 24,93 3,93 20,73 2,36 23,92 19,77 14,75 1,57 38,4 40,0 289,3 279,4 10,90% 10,70% Kovářská 28,73 3,84 19,96 1,35 32,39 12,87 15,49 3,42 40,2 40,8 58,5 53,6 11,40% 9,80% Kryštofovy Hamry 30,43 0 15,94 0 32,83 11,94 17,91 4,47 53,4 49,5 1,0 1,7 12,50% 10,30% Křimov 24,78 0,85 29,05 2,56 27,27 8,18 20 1,81 33,8 35,8 11,0 11,8 32,60% 13,40% Libědice 17,96 5,46 38,28 0,78 39,39 6,06 30,3 0,75 39,8 40,2 21,7 21,2 11,30% 13,50% Loučná pod Klínovcem 13,33 26,66 10 0 13,43 37,31 7,46 1,49 48,5 42,4 4,3 4,2 10,00% 8,90% Málkov 22,31 8,06 28,22 0,8 30,61 10,78 19,82 1,45 38,5 39,5 30,1 34,7 11,00% 7,10% Mašťov 25,26 2,1 29,47 1,05 31,32 4,15 26,41 1,5 41,5 41,0 27,4 26,2 11,40% 9,30% Měděnec 12,64 4,59 21,83 1,14 15,21 19,56 21,73 3,26 43,9 45,0 11,8 10,5 7,50% 3,10% Místo 23,14 3,3 17,35 0,41 32,65 5,3 12,24 1,63 41,4 42,1 26,4 32,6 7,20% 7,60% Nezabydlice 15,45 4,54 31,81 0 26 13 26 0 37,9 39,8 30,2 29,7 14,30% 8,30% Okounov 21,62 2,02 28,37 0 23,27 8,17 20,12 3,77 39,4 40,3 39,9 39,3 10,80% 9,60% Otvice 24,84 3,41 22,04 1,55 24,92 12 17,23 2,76 39,6 40,0 115,2 121,4 9,60% 7,40% Perštejn 17,42 9,05 18,46 1,04 20 22,83 17 2,16 40,4 40,2 53,2 54,6 6,40% 6,50% Pesvice 21,73 2,89 28,98 2,89 23,8 23,8 22,22 3,17 41,5 40,5 26,0 32,5 13,10% 6,70% Pětipsy 10 2,5 38.75 0 26,66 11,11 25,55 5,55 37,8 38,9 40,8 39,9 17,40% 15,10% Račetice 18,61 1,59 7,97 0 31,55 17,11 13,36 2,13 36,5 37,1 93,7 99,4 8,30% 6,50% Radonice 21,37 2,41 34,07 0,4 26,81 8,81 32,56 0,76 37,9 39,1 38,6 37,5 11,80% 11,40% Rokle 22 5 21 2 26,88 12,9 20,43 4,3 36,9 37,4 21,4 21,1 27,50% 19,20% Spořice 19,35 7,16 15,85 0,6 21,21 17,76 15,95 1,64 37,1 37,7 73,0 82,5 15,40% 8,30% Strupčice 27,07 3,9 19,75 0,73 27,82 13,91 16,23 2,89 38,2 38,2 36,4 40,6 12,20% 7,50% Údlice 19,21 6,46 21,76 0,17 23,62 15,63 13,67 2,84 40,9 41,2 93,1 93,9 9,00% 8,00% Vejprty 22,26 8,09 13,76 2,02 27,43 20,21 9,38 1,8 39,7 41,5 337,6 308,1 14,20% 10,90% Veliká Ves 10,4 3,2 30,4 2,4 23,07 15,38 25,38 2,3 39,9 39,8 16,7 16,9 14,50% 11,30% Vilémov 24,89 1,22 37,14 0,4 32,01 7,55 24,46 0,71 40,2 41,8 31,8 31,7 10,90% 5,50% Vrskmaň 19,14 2,12 33,33 2,83 22,04 9,44 16,53 3,14 41,2 40,3 16,4 16,9 19,40% 11,40% Všehrdy 12,45 4,28 15,95 3,89 17,58 13,73 15,93 14,83 40,6 41,6 27,2 33,9 11,40% 10,40% Všestudy 16,66 1,11 7,77 0 23,52 19,11 5,88 0 35,3 36,7 34,0 36,0 3,30% 5,00% Výsluní 18,89 1,57 26,77 1,57 31,75 12,16 16,89 2,7 39,6 39,8 8,8 12,7 12,30% 5,10% Vysoká Pec 19,15 6,26 16,75 1,1 22,98 18 12,06 2,29 40,7 41,6 48,5 51,1 9,30% 8,10% Zdroj: Autor na základě dat MPSV, ČSÚ, Volby.cz

Příloha č. 3: Agregovaná data pro korelační analýzu - Litoměřice

1.1.201 1.1.201 1.1.201 1.1.201 1.5.201 1.3.201 25. 10. - 26.10. 2013 28.5. - 29.5. 2010 0 3 0 3 0 4 Okres Litoměřice ČSSD ODS KSČM DSSS ČSSD ODS KSČM DSSS Průměrný věk Hustota zal. Nezaměstnanost Bechlín 16,34 4,48 28,52 1,92 29,78 15,36 16,61 2,82 39,6 39,8 81,3 82,5 9,50% 8,10% Bohušovice nad Ohří 25,26 5,87 20,64 1,06 26,45 18,3 15,3 1,66 39,2 39,6 294,6 297,1 7,90% 8,60% Brňany 16,75 10,05 27,93 1,11 16,66 13,79 23,56 4,59 39,4 41,1 76,8 75,2 9,50% 8,50% Brozany nad Ohří 20,9 10,72 19,63 1,09 25,39 20 15,47 0,69 39,5 39,7 80,6 87,8 9,00% 9,20% Brzánky 11,42 5,71 5,71 0 15,78 10,52 26,31 2,63 42,2 40,7 38,9 39,3 21,20% 11,30% Bříza 19,51 9,75 20,73 0,6 35,25 12,82 12,82 0 36,5 35,5 52,0 56,0 11,80% 7,50% Budyně nad Ohří 20,71 10,69 22,58 0,84 24,12 22,53 16,34 0,63 40,6 40,9 63,5 64,5 15,80% 12,40% Býčkovice 8,08 8,08 34,34 2,02 25,23 17,75 26,16 1,86 39,1 39,6 60,1 54,2 11,80% 14,00% Ctiněves 17,05 11,62 29,45 1,55 20,91 20,91 15,03 1,96 41,3 41,3 56,0 57,8 19,50% 10,10% Černěves 13,4 15,46 17,52 0 17,52 24,74 11,34 0 38,1 40,0 46,5 46,2 7,00% 8,40% Černiv 14,75 9,83 24,59 0 40 18,57 17,14 2,85 39,0 40,8 47,3 47,6 10,30% 13,70% Černouček 16,31 19,14 13,47 0 13,72 30,06 14,37 0 39,6 41,8 74,2 74,0 8,40% 8,30% Čížkovice 17,68 5,07 23,64 1,4 21,13 14,74 13,14 1,95 37,8 38,7 197,7 197,3 7,90% 10,20% Děčany 23,07 4,19 34,46 0 33,78 7,43 19,59 4,05 42,1 41,6 29,0 29,0 13,80% 15,90% Dlažkovice 21,31 6,55 16,39 0 34,48 10,34 12,06 5,17 44,1 40,0 40,6 43,2 14,00% 17,10% Dobříň 17,36 6,25 18,4 0,34 24,6 19,16 12,14 2,23 39,5 40,4 95,6 90,5 8,20% 7,50% Doksany 18,64 5,64 22,03 1,69 25,65 19,37 14,65 0,52 42,0 42,5 125,9 122,3 9,70% 9,20% Dolánky nad Ohří 22,31 7,43 26,44 2,47 9,58 15,75 24,65 1,36 42,2 41,4 78,7 82,3 15,40% 11,80% Drahobuz 19,81 6,6 35,84 1,88 25,68 6,42 33,02 0,91 39,7 40,0 25,5 26,4 12,80% 12,10% Dušníky 14,83 8,79 52,82 1,64 18,6 23,25 17,44 1,16 35,7 36,4 85,3 94,2 10,30% 8,40% Evaň 23,48 3,03 31,06 2,27 25 11,76 32,35 2,2 43,4 45,1 39,5 37,7 10,70% 15,10% Hlinná 11,84 5,26 16,44 1,97 10,68 24,42 14,5 2,29 40,0 41,7 19,6 20,2 25,80% 9,20% Horní Beřkovice 19,65 7,12 21,77 1,15 21,79 20,77 15,68 0,4 41,8 42,2 177,1 180,0 4,00% 7,50% Horní Řepčice 10,14 1,44 28,98 0 17,8 16,43 19,17 0 41,8 41,4 43,0 41,8 8,70% 13,00% Hoštka 12,36 6,51 32,97 2,26 14,87 16,53 26,79 2,17 37,0 37,7 89,6 90,3 14,50% 11,90% Hrobce 20,1 4,76 16,93 1,58 23,92 15,33 9,81 0,61 39,1 38,7 80,6 84,3 10,50% 10,60% Chodouny 18,7 1,43 24,46 1,43 33,97 16,02 14,74 1,28 41,2 41,8 63,7 63,3 16,40% 15,40% Chodovlice 16,66 4,76 26,19 4,76 24,21 20 16,84 0 40,9 40,8 50,9 50,6 9,60% 4,90% Chotěšov 20,6 8,04 20,1 1 27,6 16,66 20,83 0,52 43,5 44,1 62,4 62,8 12,90% 7,80% Chotiměř 25 9,55 15,44 0,73 24,62 19,4 8,95 4,47 38,6 37,7 85,6 87,9 9,70% 8,40% Chotiněves 26,08 6,95 17,39 1,73 29,59 19,38 17,34 0 42,3 43,8 29,1 30,8 8,90% 5,40% Chudoslavice 9,83 1,63 31,14 1,63 18,57 15,71 17,14 5,71 39,4 40,0 34,6 41,0 15,10% 9,30% Jenčice 17,67 2,52 13,63 1,51 27,17 17,94 8,2 0,51 42,3 43,5 56,7 53,7 9,40% 11,70% Kamýk 29,72 8,1 16,21 0 27,84 16,45 15,18 0 38,9 41,2 24,8 26,1 9,70% 4,90% Keblice 24,28 5 25,71 0,71 28,85 20,8 16,77 0 40,2 39,8 72,8 72,8 18,80% 10,40% Klapý 18,14 2,22 24,07 3,33 23,35 11,67 19,7 1,45 42,1 43,8 58,3 54,5 8,80% 7,60% Kleneč 18,49 5,66 21,88 1,88 25,5 16,19 16,19 2,02 42,7 39,6 76,2 84,3 9,20% 9,60% Kostomlaty pod Řípem 21,47 4,29 23,31 0,61 31,07 16,38 17,51 2,25 41,1 41,2 57,5 57,1 15,70% 15,00% Krabčice 18,13 9,31 13,72 1,96 23,78 23,3 6,79 1,94 42,7 43,4 86,2 85,2 6,10% 7,70% Křesín 13,96 9,49 28,49 1,67 16,48 23,07 24,72 1,64 40,8 42,4 34,1 35,4 12,80% 12,50% Křešice 19,09 7,98 23,61 0,69 23,02 20,96 9,96 1,03 41,6 42,0 130,2 130,5 10,00% 9,90% Kyškovice 15,75 7,53 16,43 1,36 19,86 21,19 9,93 0,66 40,1 42,6 81,7 78,8 9,00% 5,40% Levín 12,98 12,98 32,46 0 23,72 18,64 11,86 1,96 45,3 45,4 26,1 26,6 4,10% 10,60% Lhotka nad Labem 20,46 2,33 18,12 1,16 36,12 12,25 12,25 1,29 40,2 40,8 81,3 150,3 11,10% 4,30% Liběšice 19,5 4,69 21,72 1,23 24,44 15,41 14,75 1,54 39,0 40,2 48,4 48,4 14,30% 12,00% Libkovice pod Řípem 16,21 6,75 23,42 1,35 20,94 23,93 14,1 0,42 39,2 39,4 66,3 68,8 14,20% 13,10% Libochovany 21,64 6,52 17,52 2,74 28,7 12,9 10,96 2,9 40,9 40,5 69,8 73,3 11,90% 8,40% Libochovice 23,52 6,64 18,67 0,51 22,42 20,09 13,08 0,7 42,3 42,7 229,5 229,0 11,30% 11,00% Libotenice 18,53 3,87 19,39 2,15 20,85 17,02 14,46 2,55 40,5 40,4 74,3 77,6 10,40% 11,00% Litoměřice 13,8 14,43 11,67 0 17,33 31,04 4,83 1 40,4 41,0 1313,7 1351,8 7,40% 8,90% Lkáň 9,72 5,55 31,94 1,38 14,49 21,73 21,73 1,44 40,4 39,8 34,7 39,6 11,80% 12,10% Lovečkovice 16,1 4,11 34,83 1,87 28,45 12,19 28,86 1,62 40,6 41,1 22,1 23,2 21,60% 11,70% Lovosice 12,81 8,92 19,45 0,22 17,02 18,96 10,77 1,29 41,4 42,2 742,9 735,0 10,00% 10,80% Lukavec 25,73 4,67 25,14 0,58 29,34 13,77 18,56 3,59 37,9 38,1 104,4 110,6 18,50% 14,30% Malé Žernoseky 16,85 3,59 24,86 0,55 26,34 12,02 14,83 3,06 40,9 40,9 207,3 215,8 7,80% 10,10% Malíč 22,89 6,02 7,22 1,2 25,31 24,05 5,06 1,26 38,6 39,7 111,7 114,6 11,70% 8,80% Martiněves 23,3 6,76 12,78 2,25 29,41 28,75 12,41 0 41,3 40,8 36,7 38,5 13,20% 9,70% Michalovice 18,29 9,75 23,17 0 29 16 25 0 42,0 41,7 173,9 187,2 16,40% 11,50% Miřejovice 11,65 11,65 8,73 1,94 12,84 28,44 6,42 0 39,9 41,3 92,5 100,0 4,40% 5,80% Mlékojedy 13,97 3,22 17,2 1,07 26,31 30,26 9,21 2,63 38,3 39,0 64,9 75,9 10,70% 14,30% Mnetěš 14,38 12,37 14,71 1 17,11 26,17 12,41 1,67 39,4 39,2 68,2 72,8 6,20% 5,30% Mšené-lázně 17,73 6,21 24,68 2,37 20,29 19,3 15,47 1,83 40,2 40,8 46,9 46,7 13,00% 11,60%

Nové Dvory 21,31 10,65 27,04 0 22,38 16,41 17,91 0 40,7 41,7 56,0 56,7 14,90% 9,80% Oleško 19,23 0 40,38 1,92 25 18,75 33,33 4,16 43,3 43,4 26,6 24,8 15,80% 13,10% Píšťany 29,92 3,93 22,04 1,57 31,13 13,2 15,09 0 42,1 42,1 73,2 78,5 14,30% 13,40% Ploskovice 22,63 11,57 21,57 0,52 21,05 19,61 18,18 0,47 40,7 40,9 50,0 52,7 13,20% 8,00% Podsedice 18,8 3,84 17,52 2,56 33,64 12,9 14,74 3,68 42,2 43,6 43,0 43,2 10,50% 8,40% Polepy 20,64 6,06 25,75 2,08 21,58 16,23 21,58 1,84 39,2 40,0 74,8 73,6 11,50% 11,30% Prackovice nad Labem 22,9 3,35 26,25 1,67 24,87 13,47 20,2 2,07 40,3 41,9 75,8 74,5 13,70% 10,90% Přestavlky 21,84 3,36 29,41 5,04 24,61 16,92 19,23 3,84 36,7 36,6 47,9 47,2 9,70% 10,30% Račice 18,86 8,8 15,72 1,25 20,11 25,69 10,05 0 40,9 41,6 60,8 60,2 12,10% 8,90% Račiněves 17,67 6,04 19,06 1,86 20,37 15,74 15,74 2,77 40,4 38,2 47,4 49,9 10,50% 8,30% Radovesice 26,63 5,02 29,64 0 28,77 16,98 23,58 1,41 40,5 40,2 88,3 88,3 12,70% 11,10% Rochov 35,18 11,11 27,77 0 38,59 15,78 19,29 5,26 42,4 39,9 32,2 34,3 4,80% 7,20% Roudnice nad Labem 17,59 9,49 15,64 0,55 17,75 28,14 9,28 1,09 41,5 42,4 793,4 780,0 8,30% 8,90% Sedlec 12,63 4,21 28,42 0 15,85 25,6 21,95 1,21 39,4 40,2 47,6 50,9 17,20% 8,60% Siřejovice 24,81 7,29 23,35 0,72 32,91 13,29 17,72 0 41,9 42,5 45,3 44,8 4,90% 6,90% Slatina 19,25 5,92 19,25 2,96 12,67 21,12 18,3 0,7 40,2 42,9 38,0 36,6 18,50% 14,20% Snědovice 19,33 7,73 27,62 2,2 27,01 18,39 18,39 4,59 40,6 41,3 24,3 24,3 12,20% 7,90% Staňkovice 5,12 2,56 17,94 0 20 0 25 0 46,9 42,4 10,0 24,3 0,00% 8,70% Straškov- Vodochody 16,02 7,5 27,78 1,62 25,23 22,41 19,96 1,31 39,4 40,3 123,4 126,4 11,00% 11,80% Sulejovice 18,02 5,63 21,12 0,56 20,44 16,85 19,61 1,65 41,6 41,7 192,3 220,3 6,40% 5,70% Štětí 21,91 5,53 16,38 3,61 23,71 20,95 12,13 0,91 39,6 40,5 171,2 164,9 15,20% 13,00% Terezín 19,22 6,96 28,96 2,22 21,16 16,97 20,69 1,16 41,2 42,7 224,4 217,3 10,00% 9,70% Travčice 14,65 12,05 16,93 1,95 14,42 33,44 9,18 1,31 41,3 42,5 72,7 75,9 8,60% 12,30% Trnovany 16,49 8,24 23,71 0 14,91 22,65 17,12 0,55 40,4 39,7 105,5 119,4 6,70% 6,40% Třebenice 19,84 7,57 16,44 1,04 22,64 22,64 11,59 1,07 41,6 41,7 83,2 92,8 8,50% 6,90% Třebívlice 22,19 6,05 16,13 3,45 25,54 17,93 13,31 4,61 42,1 43,1 59,1 64,9 14,10% 10,30% Třebušín 15,45 9,87 30,47 1,28 23,04 18,93 16,87 2,46 41,3 41,2 35,4 35,5 13,90% 11,00% Úpohlavy 15,04 5,3 21,23 3,53 27,13 17,82 14,72 1,55 37,2 38,7 63,0 66,8 8,30% 8,30% Úštěk 17,18 5,96 25,29 0,23 24,76 18,22 16,12 0,93 39,8 41,3 40,5 37,5 18,60% 14,20% Vědomice 14,87 12,12 11,67 2,28 17,52 30,14 9,81 1,4 39,5 40,9 161,8 157,4 9,80% 8,50% Velemín 17,02 7,24 23,91 1,44 17,45 17,45 18,54 0,72 41,0 41,8 37,2 39,3 10,80% 9,20% Velké Žernoseky 23,24 5,26 13,59 0,43 32,53 19,27 12,44 0,8 40,4 40,2 160,2 162,9 6,80% 12,90% Vchynice 14,47 1,31 17,1 1,31 17,83 7 19,74 0,63 39,4 40,8 61,2 60,5 4,50% 7,90% Vlastislav 17,44 15,11 15,11 0 23,59 21,34 11,23 1,12 41,2 40,6 26,8 30,7 11,00% 8,40% Vražkov 20,46 5,58 24,18 1,86 25,11 12,79 22,74 0,47 40,6 40,6 54,7 55,0 11,00% 7,70% Vrbice 17,87 3,38 27,53 0,96 22,07 18,01 18,01 2,7 37,2 37,1 48,2 49,3 16,50% 11,40% Vrbičany 16,42 5 21,42 1,42 25,88 10 15,29 3,52 38,5 40,2 139,8 138,1 19,10% 12,30% Vrutice 13,38 4,22 41,54 0 30,07 14,28 33,08 0,75 39,7 40,5 42,4 43,2 10,20% 11,10% Záluží 19,23 6,41 8,97 1,28 15 37,5 12,5 1,25 38,2 38,6 33,1 35,0 27,00% 16,20% Žabovřesky nad Ohří 21,69 4,71 11,32 1,88 15,2 24,8 16 0 39,2 40,4 48,1 51,4 10,50% 10,30% Žalhostice 21,45 3,64 23,88 0,8 24,53 15,98 22,3 0,74 41,5 40,3 226,5 231,2 7,60% 8,50% Židovice 18,82 8,82 20 2,94 22,45 25,66 9,09 3,2 40,4 40,0 99,0 101,5 12,70% 10,70% Žitenice 20,76 6,44 22,19 1,67 19,19 20,45 12,37 0,5 39,2 39,2 111,7 117,1 7,90% 9,10% Zdroj: Autor na základě dat MPSV, ČSÚ, Volby.cz

Příloha č. 4: Agregovaná data pro korelační analýzu - Louny

1.1.201 1.1.201 1.1.201 1.1.201 1.5.201 1.3.201 25. 10. - 26.10. 2013 28.5. - 29.5. 2010 0 3 0 3 0 4 Okres Louny ČSSD ODS KSČM DSSS ČSSD ODS KSČM DSSS Průměrný věk Hustota zal. Nezaměstnanost Bitozeves 9,25 3,08 32,09 1,85 24,07 8,02 22,83 2,46 37,0 37,6 18,7 19,9 31,30% 13,80% Blatno 16,78 3,57 31,42 3,92 19,86 10,59 32,45 2,31 40,5 41,0 23,0 23,1 14,40% 6,70% Blažim 18,75 13,39 20,53 0 37,86 22,33 11,65 2,91 33,8 35,5 26,9 27,8 19,00% 19,80% Blšany 20,91 6,12 26,02 2,55 15,97 22,16 21,64 1,03 40,0 41,4 27,1 26,7 14,80% 13,00% Blšany u Loun 17,85 3,57 20 1,42 27,9 20,15 11,62 2,32 40,9 39,0 56,9 63,2 6,40% 6,70% Brodec 30 2 26 2 18,75 6,25 25 0 47,5 47,1 25,0 25,3 15,20% 3,60% Břvany 23,76 3,96 39,6 3,96 25,75 5,3 26,51 7,57 39,2 38,1 34,0 34,0 18,30% 10,10% Cítoliby 19,38 9,8 14,37 1,52 24,9 23,73 10,7 2,33 38,1 37,8 150,2 153,8 16,30% 10,40% Čeradice 15,74 4,72 23,62 2,36 19,4 17,91 23,13 2,98 37,0 37,7 23,8 23,0 13,90% 17,90% Černčice 20,55 4,79 23,64 2 22,92 14,89 18,62 4,87 39,4 40,6 545,6 506,2 10,40% 7,60% Deštnice 26,19 0 28,57 0 47,77 3,33 15,55 1,11 40,4 38,9 17,4 17,2 17,80% 12,20% Dobroměřice 21,35 6,34 30,73 1,44 26,17 16,1 19,73 3,22 39,0 40,1 285,9 291,2 10,00% 9,90% Domoušice 18,84 11,11 29,46 0,96 33,01 23,11 17,92 0 41,6 42,7 44,3 43,5 18,90% 12,50% Holedeč 20,25 4,21 24,47 2,95 20,54 14,61 10,95 3,65 42,8 42,4 29,2 31,0 12,20% 8,30% Hříškov 14,54 10,3 22,42 1,21 20,23 28,9 16,18 3,46 41,8 42,7 40,1 39,6 11,70% 11,30% Hřivice 18,84 3,66 25,13 2,09 24,05 16,5 20,28 0,47 41,8 42,5 46,2 48,0 9,40% 8,10% Chlumčany 16,16 7,51 21,42 0,75 18,31 18,68 13,91 2,19 42,0 42,6 95,4 101,9 6,20% 9,40% Chožov 23,03 3,14 24,08 2,61 38,7 11,98 15,2 2,3 39,4 40,5 28,1 26,4 23,90% 14,40% Chraberce 19,73 2,63 19,73 0 25,31 22,78 24,05 3,79 42,2 42,0 39,7 36,4 19,60% 5,50% Jimlín 20,37 5,68 21,32 0,94 24,87 17,91 18,4 2,48 41,2 41,0 82,7 87,4 16,20% 9,40% Koštice 19,55 2,58 31,73 0 31,31 12,79 15,58 2,02 42,4 43,3 36,4 36,2 14,30% 8,60% Kozly 17,8 1,36 28,76 2,73 45,07 15,49 18,3 1,4 39,5 40,6 28,7 29,6 21,30% 12,90% Krásný Dvůr 18,81 7,92 25,08 1,32 27,38 15,77 18,45 0,59 41,7 42,6 29,9 27,1 14,40% 9,00% Kryry 17,86 4,21 29,77 1,73 24,93 15,58 17,66 2,33 39,8 41,0 62,4 61,0 10,20% 8,30% Lenešice 20,63 6,98 23,62 1,83 22,76 13,83 16,81 3,72 39,2 39,4 106,0 104,9 15,00% 10,70% Libčeves 18,66 8,35 23,11 1,39 38,11 18,81 12,37 2,22 39,0 39,9 26,7 27,0 17,00% 10,70% Liběšice 16,14 4,34 16,77 4,34 13,77 12,57 14,37 4,79 39,4 39,2 28,5 28,8 18,50% 12,50% Libočany 23,32 2,37 26,48 4,74 24,43 9,02 13,53 3,38 39,4 39,3 94,6 97,4 9,50% 4,30% Libořice 16,31 5,67 25,53 3,54 33,1 9,45 13,51 1,35 41,3 41,1 32,6 33,2 16,80% 12,10% Lipno 23,8 6,66 17,14 0 29,62 13,88 12,03 4,62 38,7 40,1 28,6 27,2 16,50% 8,40% Lišany 15 0 30 0 28,39 4,93 29,62 6,17 37,8 40,4 29,0 27,3 24,20% 15,10% Líšťany 23,89 6,19 15,04 1,76 28,99 19,74 13,02 2,1 42,4 43,0 74,3 73,8 10,10% 7,30% Louny 25,56 3,5 19,61 1,05 17,12 31,19 7,33 1,52 40,0 40,9 778,6 769,5 10,30% 10,60% Lubenec 23,52 3,16 33,03 0,9 24,32 11,68 22,66 2,83 42,1 42,8 41,1 40,4 13,80% 10,60% Měcholupy 19,81 9 26,57 0,9 23,9 19,04 17,74 4,76 39,8 40,9 35,6 34,9 18,70% 18,60% Nepomyšl 20,23 6,35 27,74 2,89 34,42 20,21 17,48 3,27 41,4 40,2 14,4 14,0 14,10% 12,90% Nová Ves 22,64 1,88 26,41 0 31,57 22,8 15,78 3,5 46,6 45,6 16,2 18,6 12,20% 7,90% Nové Sedlo 13,89 7,33 22,77 2,7 26,73 11,13 14,6 7,92 38,6 40,6 25,5 24,6 21,50% 15,90% Obora 20,09 6,37 10,78 0,49 21,35 21,87 11,45 0,52 38,5 37,5 67,1 73,2 10,30% 6,00% Očihov 12,35 1,68 35,95 1,68 27,16 12,34 25,3 3,08 40,0 40,0 28,6 29,5 23,60% 12,80% Opočno 22,5 8,75 16,25 0 19,48 11,68 10,38 5,19 44,5 48,5 54,7 54,7 24,40% 12,00% Panenský Týnec 14,15 5,18 2122 1,41 17,67 17,67 12,5 2,15 40,3 39,6 66,3 70,3 10,50% 8,50% Peruc 17,96 10,93 25 1,3 19,03 24,81 18,79 1,44 42,1 42,2 40,6 41,2 12,60% 10,30% Petrohrad 19,08 5,65 28,97 3,18 22 23,3 17,47 1,61 41,8 42,6 35,0 34,8 12,10% 13,70% Pnětluky 11,18 6,99 27,97 3,49 18,46 19,23 23,84 0 40,9 41,1 22,4 23,6 11,70% 10,60% Počedělice 15,27 8,33 20,83 0 16,66 18,05 15,27 0 40,9 40,6 25,3 24,4 14,30% 8,40% Podbořanský Rohozec 26,47 2,94 27,94 4,41 36,23 7,24 24,63 8,69 39,1 42,5 22,4 23,7 11,90% 11,10% Podbořany 20 7,62 27,21 0,2 22,95 20,9 16,39 0,81 38,8 39,9 106,3 104,5 11,80% 10,30% Postoloprty 25,95 3,53 23 1,76 27,84 11,64 14,2 5,39 36,9 37,9 110,1 108,5 19,80% 15,80% Raná 19,4 3,73 26,11 2,98 32,23 13,22 13,22 2,47 39,3 41,2 20,3 21,1 11,40% 5,90% Ročov 18,53 10,42 20,84 1,15 30,04 21,81 13,99 0,82 41,8 43,3 43,8 44,1 9,40% 6,70% Slavětín 15,01 5,53 18,57 1,18 22,59 23,84 11,71 2,09 38,8 40,2 56,8 59,5 20,50% 12,40% Smolnice 14,07 6,79 23,3 0,97 21,67 17,24 16,74 0 43,1 43,6 51,7 54,0 12,30% 7,30% Staňkovice 20,88 4,41 28,23 1,17 21,48 8,53 22,03 2,75 38,4 39,6 62,7 63,0 15,20% 15,00% Toužetín 16,8 1,68 30,25 0 17,74 12,09 24,19 5,64 40,0 41,6 41,4 40,4 10,80% 17,00% Tuchořice 22,22 5,55 22,77 3,88 20,38 14,07 26,21 3,88 41,2 42,0 30,4 29,2 17,30% 9,00% Úherce 34,78 2,17 21,73 0 37,2 4,65 23,25 0 45,0 43,0 20,7 21,3 6,70% 6,40% Velemyšleves 27,48 1,52 21,37 1,52 48,43 14,06 17,18 1,56 37,5 37,9 20,0 19,5 36,10% 20,70% Veltěže 19,74 6,36 23,93 1,91 29,31 13,08 25,13 1,57 39,0 38,9 84,2 89,3 14,30% 11,60% Vinařice 23,7 8,14 21,48 1,48 27,34 22,65 14,84 0,78 44,6 44,0 25,0 25,4 13,30% 8,90% Vrbno nad Lesy 29,54 12,5 7,95 1,13 22,5 33,75 10 0 41,4 43,4 34,4 36,8 9,30% 8,30% Vroutek 22,96 3,2 27,4 1,23 24,08 15,49 19,22 0,97 40,7 42,2 38,0 35,2 12,70% 11,20% Vršovice 29,68 3,12 27,34 1,56 25,34 10,27 27,39 3,42 44,4 44,6 47,4 47,0 8,20% 8,00%

Výškov 14,28 3,4 30,61 4,76 21,55 13,77 19,16 4,19 36,2 37,4 35,2 35,4 24,50% 11,00% Zálužice 8,82 8,82 47,05 0 24,24 9,09 18,18 3,03 43,2 40,9 13,0 12,2 25,00% 10,40% Zbrašín 13,33 0 32 1,33 28,37 2,7 21,62 2,7 42,7 43,4 23,7 24,9 12,40% 7,60% Žatec 22,87 4,53 26,03 0,59 18,53 25,98 12,92 1,54 39,8 40,4 452,5 449,7 12,80% 10,90% Želkovice 7,69 0 9,61 7,69 29,26 24,39 2,43 2,43 39,6 40,3 38,1 40,3 15,80% 7,60% Žerotín 22,93 6,42 25,68 4,58 21,15 11,53 25 8,65 42,5 44,1 16,1 17,4 11,70% 12,10% Žiželice 25,3 3,01 33,73 0 27,32 9,83 20,76 3,82 38,6 40,4 30,0 28,4 21,50% 14,60% Zdroj: Autor na základě dat MPSV, ČSÚ, Volby.cz

Příloha č. 5: Agregovaná data pro korelační analýzu - Most

1.1.201 1.1.201 1.1.201 1.1.201 1.5.201 1.3.201 25. 10. - 26.10. 2013 28.5. - 29.5. 2010 0 3 0 3 0 4 Okres Most ČSSD ODS KSČM DSSS ČSSD ODS KSČM DSSS Průměrný věk Hustota zal. Nezaměstnanost Bečov 36,72 3,09 28,31 0,88 42,8 10,98 13,25 6,06 34,9 37,1 67,4 56,8 21,70% 16,50% Bělušice 20,52 3,68 18,42 2,1 23,82 7,42 14,06 12,1 41,4 41,0 18,5 19,8 22,20% 12,30% Braňany 20,17 3,47 32,75 3,68 27 13,3 21,52 5,08 38,0 37,8 195,1 213,6 16,70% 10,00% Brandov 12,26 2,83 28,3 0 28,69 12,17 13,91 0 40,6 42,6 19,8 19,5 12,40% 11,00% Český Jiřetín 23,07 3,84 25 7,69 23,07 20,51 28,2 0 41,1 45,3 2,1 2,3 2,60% 7,80% Havraň 25,86 3,44 21,12 2,15 35,6 13,17 19,02 2,43 38,4 39,1 30,5 36,5 12,20% 9,80% Hora Svaté Kateřiny 18,51 4,16 15,74 0 29,25 8,73 9,6 2,62 37,7 39,6 23,5 23,4 15,60% 10,00% Horní Jiřetín 17,89 2,52 16 2,1 14,28 9,58 14,28 3,94 40,1 39,8 52,3 53,8 14,10% 12,80% Klíny 17,54 7,01 17,54 3,5 12,28 10,52 17,54 7,01 42,1 42,4 5,7 5,8 12,00% 11,70% Korozluky 12,26 4,71 23,58 7,54 13,76 22,93 13,76 9,17 36,5 38,1 26,9 29,9 15,50% 7,60% Lišnice 15,55 11,11 30 1,11 30,47 20 18,09 3,8 41,9 42,3 23,4 25,8 9,00% 8,20% Litvínov 23,79 2,74 27,68 5,03 25,16 8,09 18,16 10,28 40,7 41,9 676,5 624,3 15,70% 15,00% Lom 20,93 6,9 22,93 3,56 24,68 12,13 24,05 3,55 38,7 39,4 229,2 227,8 16,80% 14,50% Louka u Litvínova 25,17 4,96 24,46 2,12 28,11 17,08 16,37 3,55 36,5 37,1 279,0 273,1 20,40% 15,50% Lužice 18,49 6,03 21,88 3,01 27,51 20,54 10,85 3,1 40,8 41,2 51,1 70,4 9,20% 5,70% Malé Březno 29,47 5,26 26,31 0 30,84 13,08 14,01 5,6 35,3 37,2 11,7 12,5 11,40% 8,20% Mariánské Radčice 14,57 6,03 33,66 3,51 18,75 18,75 36,53 2,4 35,9 38,1 34,8 36,7 21,20% 16,00% Meziboří 34,03 4,37 22,62 1,71 30,15 9,87 14,55 4,15 42,7 43,4 337,7 334,9 14,10% 14,00% Most 25,51 5,78 25,34 0,51 20,15 22,3 11,69 2,46 39,5 40,5 776,6 776,3 14,70% 13,00% Nová Ves v Horách 12,76 3,19 23,93 2,65 21,64 11,85 14,94 3,09 42,4 43,6 17,4 17,4 11,40% 8,60% Obrnice 18,01 22,98 30,43 2,48 26,69 11,16 20,87 7,28 31,9 33,4 355,1 310,9 23,20% 18,80% Patokryje 21,31 6,09 23,35 0,5 29,72 20,72 13,51 2,7 39,8 39,1 153,7 161,7 14,20% 9,90% Polerady 22,31 5,78 28,09 0 18,96 19,82 20,68 4,31 39,8 40,4 33,2 34,8 6,40% 6,60% Skršín 13,28 2,09 22,37 0,69 21,73 8,69 16,52 4,34 41,8 43,9 31,8 33,0 10,00% 10,40% Volevčice 15,21 6,52 30,43 2,17 34,78 26,08 23,91 0 42,3 45,2 18,5 18,5 11,90% 11,10% Želenice 13,8 4,76 27,14 2,38 22,47 13,3 20,18 9,17 39,8 40,6 48,1 49,8 15,70% 9,50% Zdroj: Autor na základě dat MPSV, ČSÚ, Volby.cz

Příloha č. 6: Agregovaná data pro korelační analýzu - Teplice

1.1.201 1.1.201 1.1.201 1.1.201 1.5.201 1.3.201 25. 10. - 26.10. 2013 28.5. - 29.5. 2010 0 3 0 3 0 4 Okres Teplice ČSSD ODS KSČM DSSS ČSSD ODS KSČM DSSS Průměrný věk Hustota zal. Nezaměstnanost Bílina 11,67 11,42 17,51 3,8 16,75 24,5 12,25 5,5 38,5 39,5 489,1 487,6 14,20% 11,10% Bořislav 12,68 11,21 18,53 3,41 14,88 24,65 12,09 2,32 42,0 42,5 47,8 53,4 7,60% 5,00% Bystřany 19,32 6,7 18,34 2,76 25 11,12 19,51 3,7 42,3 43,6 219,3 220,5 11,70% 7,70% Bžany 14,43 7,56 27,49 2,74 22,1 15,98 19,04 5,44 41,2 40,9 72,9 75,0 8,00% 5,70% Dubí 19,64 6,28 21,8 1,96 24,17 17,54 12,28 3,5 40,3 40,8 238,1 239,2 15,40% 11,50% Duchcov 15,77 5,35 21,13 18,45 38,57 11,42 11,66 8,09 39,3 40,3 580,9 561,3 14,40% 11,90% Háj u Duchcova 17,86 5,33 25,98 2,78 19,33 16,98 19,57 2,12 37,9 38,2 139,2 144,5 9,40% 6,90% Hostomice 26,37 1,91 27,57 4,07 30,52 8,02 18,39 6,65 37,7 38,1 424,0 403,9 21,50% 11,90% Hrob 18,68 3,6 24,26 1,96 21,52 14,73 14,16 4,24 39,9 40,5 186,7 183,3 10,10% 7,40% Hrobčice 17,64 2,71 35,29 1,8 24,64 10,66 21,8 7,34 39,1 39,2 23,0 23,4 15,00% 8,70% Jeníkov 18,15 10,29 16,8 1,89 23,52 21,48 8,18 1,02 39,2 40,3 122,0 117,6 14,50% 10,00% Kladruby 16,05 10,94 17,51 2,91 8,33 23,61 18,05 2,08 38,6 39,7 115,6 117,0 11,80% 5,20% Kostomlaty pod Milešovkou 20,4 5,35 25 3,31 26,63 10,7 19,06 2,08 40,6 41,4 80,4 78,9 10,10% 6,00% Košťany 19,92 8,69 22,46 2,53 25,47 16,98 10,95 2,73 39,4 39,8 118,0 125,4 13,60% 10,30% Krupka 25,55 5,21 17,61 2,48 25,23 15,23 11,42 3,96 37,9 39,4 300,0 287,3 14,90% 10,40% Lahošť 21,17 2,35 26,27 3,92 28,97 12,72 14,84 3,18 40,0 40,3 192,3 197,0 10,10% 8,10% Ledvice 20,09 1,36 36,52 1,82 24,79 9,34 24,79 3,65 37,1 37,7 113,6 111,1 14,60% 11,00% Lukov 17,91 1,49 11,94 5,97 23,18 17,39 5,79 5,79 43,6 43,3 14,6 14,7 10,40% 7,50% Měrunice 11,81 1,57 31,49 9,44 25 12,5 12,5 5,26 40,9 40,2 26,7 28,4 9,50% 4,90% Mikulov 13,74 17,55 12,97 2,29 21,42 30,95 7,93 1,58 39,8 39,8 57,0 73,3 11,80% 4,70% Modlany 10,7 6,37 17,53 0,91 18,45 20,17 11,37 2,57 38,3 38,8 90,8 97,7 13,90% 7,30% Moldava 14,51 8,06 9,67 0 18,57 22,85 8,57 0 32,7 36,6 8,4 5,9 16,50% 13,60% Novosedlice 19,22 6,86 18,99 2,74 22,17 19,84 12,06 4,66 38,9 40,0 1599,5 1538,2 15,30% 11,00% Ohníč 27,96 6,63 21,8 2,84 31,81 12,39 16,52 4,13 40,1 40,6 110,6 106,8 7,20% 7,90% Osek 30,52 2,23 28,53 2,97 35,09 6,65 20,41 3,89 40,2 41,5 118,8 114,5 9,80% 7,60% Proboštov 19,56 8,45 15,09 3,31 21,63 21,78 10,74 1,81 39,8 40,7 695,7 717,1 11,80% 9,10% Rtyně nad Bílinou 17,3 5,57 23,46 2,34 23,67 11,69 15,59 4,73 39,0 39,8 90,0 91,4 13,00% 8,20% Srbice 13,75 8,12 16,25 3,12 15,82 17,72 12,65 5,06 40,9 40,7 137,4 152,4 17,30% 7,00% Světec 22,49 3,17 20,53 7,82 23,97 14,76 13,8 5,56 39,0 40,4 79,5 80,4 10,90% 4,60% Teplice 22,43 10,73 11,38 0,48 22,29 23,81 9 2,13 40,9 41,7 2153,1 2116,2 12,00% 10,60% Újezdeček 20,93 4,95 26,17 0,82 27,5 14,91 17,48 3,85 37,0 37,5 525,3 519,6 15,50% 13,40% Zabrušany 23,36 4,71 22,74 2,25 29,13 12,79 17,71 2,95 40,7 41,2 119,7 118,5 10,60% 9,30% Žalany 13,77 8,26 16,92 0,39 14,81 26,29 14,81 2,59 38,8 39,3 50,4 52,2 7,90% 3,90% Žim 18,3 4,22 33,8 2,81 25,3 21,68 12,04 4,81 39,0 38,0 26,9 27,4 14,50% 7,00% Zdroj: Autor na základě dat MPSV, ČSÚ, Volby.cz

Příloha č. 7: Agregovaná data pro korelační analýzu - Ústí nad Labem

1.1.201 1.1.201 1.1.201 1.1.201 1.5.201 1.3.201 25. 10. - 26.10. 2013 28.5. - 29.5. 2010 0 3 0 3 0 4 Okres Ústí nad Labem ČSSD ODS KSČM DSSS ČSSD ODS KSČM DSSS Průměrný věk Hustota zal. Nezaměstnanost Dolní Zálezly 12,67 8,21 20,89 0,68 21,17 18,24 14 1,62 40,6 41,6 160,4 158,5 9,50% 8,50% Habrovany 18,88 1,11 33,33 6,66 20,58 13,72 24,5 2,94 36,6 37,3 79,4 74,4 13,90% 7,80% Homole u Panny 22 7,5 27,5 2,5 27,14 14,28 18,57 1,9 41,6 41,7 31,9 31,3 15,80% 10,50% Chabařovice 18,51 5,03 26,96 1,6 25,83 7,5 20 3,33 38,7 39,7 151,9 149,0 16,20% 13,10% Chlumec 17,61 6,73 16,78 2,24 21,31 21,42 9,83 1,85 39,0 40,4 344,5 348,7 10,50% 7,90% Chuderov 13,07 8,97 15,89 2,56 19,48 22,56 16,66 1,79 36,1 37,1 66,1 65,2 14,50% 9,50% Libouchec 22,29 6,06 19,69 1,51 21,71 17,19 14,02 1,35 39,5 40,7 66,2 65,1 13,20% 9,70% Malé Březno 19,25 8,08 24,06 1,06 24,37 19,4 15,42 0,99 40,7 42,1 50,3 46,6 16,70% 10,40% Malečov 14,71 8,22 18,18 2,16 14,79 21,52 16,59 0,89 38,9 39,8 31,6 32,8 10,00% 9,60% Petrovice 12,35 4,86 22,84 1,87 14,23 14,56 19,53 0,66 35,5 36,7 17,7 17,0 11,90% 7,50% Povrly 23,39 6,07 20,89 1,07 23,85 19,87 14,67 1,83 40,5 42,0 87,1 86,1 13,90% 10,70% Přestanov 13,06 9,04 20,1 1 21,35 16,5 11,16 2,42 38,1 37,8 182,3 202,8 16,50% 9,00% Ryjice 13 4 30 3 23,57 8,13 19,51 3,25 39,8 41,8 115,5 114,9 9,90% 12,20% Řehlovice 19,49 5,41 22,02 0,72 23,85 20,7 16,14 2,8 39,7 40,0 46,7 48,4 9,10% 8,60% Stebno 16,66 6,19 29,52 1,9 26,5 15 18,5 4,5 39,2 41,2 39,7 40,2 11,10% 9,90% Tašov 33,33 0 21,66 0 40,62 15,62 15,62 0 37,1 38,3 49,2 41,9 5,70% 10,40% Telnice 16,47 3,75 27,16 1,73 21,65 12,53 18,23 2,56 40,3 40,5 67,6 65,8 11,70% 8,90% Tisá 12,01 8,55 17,31 0,2 14,4 22,03 12,92 1,48 39,3 39,0 73,5 77,4 15,60% 8,50% Trmice 17,43 3,78 18,69 2,1 24,95 13,43 10,55 4,03 35,8 36,7 480,6 471,0 24,10% 21,30% Ústí nad Labem 10,28 5,14 17,75 1,4 22,7 23,58 10,04 2,62 40,0 40,8 1016,0 997,6 13,20% 13,40% Velké Březno 17,31 6 17,17 0,97 23,46 21,7 11,29 1 40,1 40,9 272,0 273,7 13,20% 10,00% Velké Chvojno 12,88 6,18 25,77 1,54 16,24 13,7 17,76 7,1 37,6 38,8 44,4 48,2 15,30% 10,30% Zubrnice 16,55 10,34 25,51 1,37 23,02 15,82 17,98 0 40,3 42,5 32,9 35,4 15,40% 11,10% Zdroj: Autor na základě dat MPSV, ČSÚ, Volby.cz