Schlagwort-Archiv: Social Network Analysis

Die stärkste Liga der Welt? (III) – Transferströme 2012/2013

Noch bis Ende August ist das Transferfenster geöffnet und rund um den Erdball wechseln gegenwärtig Profifußballer den Arbeitgeber. Das hat mich auf die Idee gebracht, in meine Fußball-Reihe einen Beitrag zu internationalen Transferbewegungen einzubauen und zu überlegen, ob sich anhand dieser Entwicklungen eine Ahnung von der Verschiebung der Kräfteverhältnisse zwischen den europäischen Ligen gewinnen lässt. Da die aktuelle Transferperiode noch nicht zu Ende ist, greife ich zunächst auf die Daten der letzten Saison zurück. So ergibt sich ein gutes Vergleichskriterium zum späteren Abgleich mit den Daten der aktuellen Transferperiode.

Nachfolgende Grafiken, erstellt im Radial Axis Layout von Gephi, zeigen die globalen Transferströme basierend auf den Daten von Transfermarkt.de. Der jeweilige Kreis repräsentiert das Transfervolumen der Vereine des jeweiligen Landes in Millionen Euro in Ablösesummen, die Verbindungen bilden die Transferströme in monetärer Hinsicht ab. Für letztere habe ich aus optischen Gründen auf eine Beschriftung verzichtet. Die Daten können bei Transfermarkt.de eingesehen werden.

Spielermagnet Premier League, Powershopping in Russland

Mit großem Abstand vor allen anderen besitzt England nach wie vor eine große Anziehungskraft. Allein aus Frankreich wechselten Spieler für eine kumulierte Ablösesumme von ca. 140 Millionen Euro auf die Insel, damit war dieser Transferstrom der größte der letzten Saison. Auch aus Italien, Deutschland, Spanien und Brasilien wechselten Spieler für beträchtliche Ablösesummen in die Premier League. Bemerkenswert ist, dass Russland bereits auf dem zweiten Platz folgt. Für rund 96 Millionen Euro wechselten Spieler aus Portugal nach Russland, darunter allerdings auch Hulk, der mit 55 Millionen Euro Ablöse für mehr als die Hälfte der Summe verantwortlich ist. Nach Italien und vor Frankreich liegt Deutschland an vierter Stelle. Die ausgehenden Transferströme verteilen sich relativ gleichmäßig auf viele Länder. Eine weitere Auffälligkeit ist Spanien. Das Volumen der Ablösesummen für neu in die Primera Division wechselnde Spieler war vergleichsweise gering und bewegte sich eher in der Größenordnung von Ländern wie der Türkei oder Brasiliens anstelle der anderen großen europäischen Ligen.

Eingehende Transfers in Millionen Euro

Eingehende Transfers in Millionen Euro, Kreisdurchmesser proportional zum Volumen der für internationale Zugänge gezahlten Ablösesummen

Sparkurs im Süden

Während in England weiter mächtig eingekauft wird, scheint in Spanien und Italien mittlerweile mehr aufs Geld geachtet zu werden. Auch in Frankreich, Brasilien und Portugal fallen die kumulierten Abslösesummen für die abgewanderten Spieler deutlich höher aus als diejenigen für die Zugänge. Das passt ins Bild dieser  Ligen als solche, die von vielen Spielern als Transfersprungbrett zu den großen europäischen Clubs genutzt werden.

Ausgehende Transfers in Millionen Euro

Ausgehende Transfers in Millionen Euro, Kreisdurchmesser proportional zum Volumen der für internationale Abgänge erzielten Ablösesummen

Die Bundesliga hatte im Vergleich zu den anderen großen Ligen vor und während der letzten Saison internationale Abgänge in vergleichsweise geringem Umfang zu verzeichnen. Das Volumen der Zugänge überragte diese deutlich. Möglicherweise kann daraus bereits ein Hinweise auf die steigende Attraktivität der Bundesliga abgelesen werden. In diesem Fall sollte sich in der aktuellen Transferperiode der Trend fortsetzen.

Was bringt diese Transferperiode?

Interessant wird zu sehen sein, wie sich die internationalen Transferströme dieses Sommers im Vergleich zu denen von 2012/2013 gestalten werden. Ganz sicher wird England wieder an erster Stelle stehen. Aber wird sich der Sparkurs in Südeuropa fortsetzen? Für die Bundesliga könnten gute Chancen bestehen, Italien vom dritten Platz abzulösen. Einen Aufsteiger kann ich bereits jetzt mit großer Sicherheit ankündigen: Da die Transferströme bei Transfermarkt.de den AS Monaco trotz seiner Teilnahme am französischen Ligenbetrieb als Vertreter Monacos klassifizieren, wird das Fürstentum in dieser Transferperiode zu den Top-Einkäufern im internationalen Vergleich zählen.

von Tobias Wolfanger

moviegalaxies_typologo

Introducing: Moviegalaxies

In meiner neuen kleinen Reihe „Introducing“ möchte ich jeweils kurz auf Fundstücke aus dem Web aufmerksam machen, auf die mein Interesse gestoßen ist. Als erstes möchte ich moviegalaxies.com vorstellen. Die Seite widmet sich Filmen, indem sie alle in ihnen auftauchenden Personen in einem Sozialen Netzwerkgraph repräsentiert. Dabei ergeben sich teilweise sehr charakteristische Muster, an denen sich einiges zur Gestalt eines Films ablesen und wiedererkennen lässt.

Welche Bedingungen genau erfüllt werden müssen, damit eine Verbindung zwischen zwei Personen registriert wird, ist nicht ganz klar. Die Betreiber der Seite möchten diese „secret sauce“ gerne für sich behalten. Ich vermute, dass das Kriterium für die Verknüpfung zweier Charaktere im Graph deren gemeinsames Auftauchen in einem Bildausschnitt, deren Interaktion oder ähnliches ist.

In jedem Fall ergeben sich interessante Möglichkeiten in das Universum eines Films einzutauchen und dessen soziale Strukturen zu rekapitulieren. Besonders spannend ist es aber, Filme miteinander zu vergleichen. Mit Hilfe einiger Maße aus der Sozialen Netzwerkanalyse können sogar objektive Unterschiede herausgearbeitet werden. So zeigt der Netzwerkgraph des Films „Traffic“ eine sehr hohe „Average Path Length“ (3,54), also die durchschnittliche Anzahl von Ecken, mit denen zwei Charaktere im Film miteinander verbunden sind. Obwohl ich den Film nie gesehen habe, wird mir relativ schnell klar, dass es sich um eine Reihe separater Handlungsstränge handeln muss, die nur durch die Interaktion weniger Personen zusammengeführt werden. Und tatsächlich: Bei Wikipedia steht: „Traffic – Macht des Kartells zeigt auf drei Erzählebenen den Kampf der Regierung, der Polizei und des Militärs gegen Drogen. Die Handlungsstränge sind eng miteinander verwoben, obwohl sich die Figuren der verschiedenen Ebenen fast nie begegnen.“

Im krassen Gegensatz dazu stehen Filme wie „Forrest Gump“ oder „The Big Lebowski“, bei diesen liegt die „Average Path Length“ jeweils unter zwei (1,99 bzw. 1,92). D.h. fast alle Figuren sind über nur eine Ecke miteinander verbunden. Logischerweise ist das jeweils der zentrale Charakter des Films, also Forrest bzw. der Dude. Unterscheiden lassen sich die beiden Filme insbesondere hinsichtlich der von ihnen erzählten Zeit. Während die Handlung von Forrest Gump mindestens einige Jahrzehnte umfasst, wollte der Dude nur seinen Teppich zurück. Sein soziales Netzwerk ist folglich deutlich kleiner, aber dafür dichter als bei Forrest. So gibt die Density den Anteil der tatsächlichen Verbindungen an allen möglichen wieder. The Big Lebowski kommt hier auf einen Wert von 0,11, Forrest Gump auf 0,06. Bei Traffic liegt die Density gar nur bei 0,04.

Es geht aber noch stärker verwoben: Mit einer Density von 0,28 wird in Tarantinos Film „Reservoir Dogs“ eine äußerst hohe Netzwerkdichte zur Schau gestellt. Verständlich, wenn man bedenkt, dass bereits in der ersten Szene alle in den Überfall des Diamantenhändlers verwickelten Gangster an einem Tisch im Restaurant die berühmte Trinkgelddiskussion führen. Der Clustering Koeffizient (die Wahrscheinlichkeit, dass zwei mit einem dritten verbundenen Charaktere auch untereinander verbunden sind) liegt bei stolzen 0,71. Insgesamt scheinen Geschichten die in einem begrenzten Zeitraum an wenigen Orten spielen hier deutlich höhere Werte aufzuweisen als solche die viele Handlungsorte und Zeitpunkte umfassen, wie beispielsweise Pearl Habour (0,34).

Durch die Verbindung von Sozialer Netzwerkanalyse mit dem Thema Film ermöglicht moviegalaxies.com  tolle Einsichten in die soziale Struktur von Filmen. Man kann dort ziemlich schnell die Zeit aus den Augen verlieren. Noch befindet sich die Seite im Aufbau, so dass ständig neue Filme hinzukommen oder neue Features ergänzt werden. Ein Besuch lohnt sich nicht nur für Filmfreunde und ist besonders spannend, wenn man sich zunächst selbst Gedanken über einen Film macht und diese dann anhand der Graphen testet.

von Tobias Wolfanger

Das eigene Facebook-Netzwerk mit netvizz und Gephi

Heute möchte ich vorstellen, wie man mit Hilfe von netvizz und Gephi sein eigenes Facebook-Netzwerk erstellen und visualisieren kann. Das Ergebnis ist ein Netzwerk-Graph, der alle Freundschaften innerhalb des eigenen Facebook-Freundeskreises visualisiert. An diesem lassen sich einige interessante Dinge ablesen, z.B. welche Gemeinschaften es gibt und welche Personen Schlüsselpositionen im eigenen Freundeskreis einnehmen.

Netwerkdatensatz mit netvizz herunterladen

Aber Schritt für Schritt: Zu aller erst muss die Datengrundlage besorgt werden. Innerhalb von Facebook lässt sich dies mit Hilfe der App netvizz realisieren. Folgendes Schritte sind dafür notwendig.

  1. Wir loggen uns in den eigenen Facebook-Account ein.
  2. In das Suchfenster geben wir „netvizz“ ein, klicken darauf und stimmen der Anwendung zu.
  3. Unter dem Punkt „your personal friend network“ bei Step 2 klicken wir auf „here“.
  4. Nun hat netvizz einen Datensatz für unser persönliches Facebook-Netzwerk erstellt. Leider werden nicht alle Freunde in den Datensatz aufgenommen. Bei mir zeigt netvizz an, dass die Datei 188 „nodes“ („Knoten“), also Freunde, und 1373 „edges“ ,Freundschaften zwischen Freunden, abbildet. Das bedeutet, dass 26 meiner 214 Freunde nicht aufgenommen wurden, was in Zusammenhang mit deren Privacy-Einstellungen steht. Wir können Sie jedoch zu einem späteren Zeitpunkt manuell hinzufügen.
  5. Wir klicken mit der rechten Maustaste auf „gdf file“, gehen zu „speichern unter“, wählen „alle Dateien“ und fügen an das Ende des vorgeschlagenen Dateinamens „.gdf“ an. Nun haben wir unseren Netzwerkgraph bereits als Datensatz auf dem Rechner liegen.

Öffnen des Netzwerks in Gephi

Um unser Facebook-Netzwerk zu betrachten, benutzen wir die Open Source Software Gephi die hier heruntergeladen werden kann. Nach der Installation fahren wir mit folgenden Schritten fort:

  1. Wir öffnen Gephi auf unserem Desktop.
  2. Unter „Datei“ -> „Open“ wählen wir den mit netvizz heruntergeladenen Datensatz aus und öffnen ihn.
  3. Im nachfolgenden „Import report“ müssen wir den Graph Type von „Directed“ auf „Undirected“ umstellen und anschließend auf „OK“ klicken. Diese Einstellung gibt an, ob die Beziehung zwischen zwei Knoten symmetrisch oder asymmetrisch sein soll. Bei Facebook sind Freundschaften stets symmetrisch. Man kann mit niemandem befreundet sein, der nicht auch mit einem selbst befreundet sein möchte. Anders ist das etwa bei Twitter oder Google +, wo  asymmetrische Verbindungen der Regelfall sind.
  4. Anschließend benötigt Gephi eine kurze Ladezeit für das Netzwerk, von der wir uns nicht aus der Ruhe bringen lassen. Irgendwann erscheint dann ein verworrener Klumpen auf unserem Bildschirm, der eine erste, wenn auch ziemlich hässliche Visualisierung unseres Netzwerks darstellt. In dieser repräsentiert jeder Punkt einen Freund und jede Linie eine Freundschaft.

Visualisierung des Netzwerks

  1. Nun wollen wir Struktur in unser Netzwerk bringen. Zu diesem Zweck wählen wir ein Layout in der linken unteren Ecke des Bildschirms aus. Meine Erfahrung nach stellt Force Atlas eine gute Variante dar, um Facebook-Netzwerke ansehnlich aufzubereiten. (Natürlich lohnt es sich auch die anderen Layout-Algorhythmen einmal auszuprobieren.) Die angebotenen Einstellungsmöglichkeiten können wir vorerst ignorieren werden, stattdessen klicken wir auf „Run“. Die Netzwerkstruktur bildet sich nun durch Abstoßen und Anziehen zwischen den Knoten heraus. Ab einem gewissen Punkt driften die Komponenten des Netzwerks nur noch weiter auseinander und  wir können auf „Stop“ klicken.
  2. Im nächsten Schritt ist es sinnvoll, den Punkte im Netzwerk eine Identität zuzuorden. Durch das Klicken auf das große, schwarze T am unteren Rand des Programms werden die Knoten mit den (Facebook-)Namen unserer Freunde beschriftet.
  3. Leider überlagern sich die Namen und Punkte immernoch so stark, dass man kaum etwas erkennen kann. Wir wählen daher zwei weitere Layout-Funktionen aus. Wo wir zuvor Force Atlas ausgeführt haben, wählen wir nun Noverlap und führen es aus. Das Resultat ist, dass sich die Punkte in unserem Netzwerk nicht mehr überschneiden. Als nächstes wählen wir an gleicher Stelle LabelAdjust. Nach der Ausführung sollten alle Namen überschneidungsfrei sichtbar sein.
  4. Auf dem Bildschirm lassen sich bereits unterschiedliche Gruppen von Freunden räumlich abgrenzen, die wir aus unterschiedlichen Bezügen und Lebensabschnitten kennen. Nun wäre es schön, diese Gruppen farblich voneindander abzuheben. Dazu klicken wir auf der rechten Seite in der Mitte auf den Reiter „Statistics“ und wählen dort „Run“ neben dem Punkt „Modularity“. Der nachfolgende Report kann geschlossen werden. Damit haben wir eine Berechnung ausgeführt, die Gruppen unterscheidet, indem sie Gemeinschaften so einteilt, dass möglichst viele Verbindungen (Freundschaften) innerhalb und möglichst wenige zwischen diesen liegen. Ein Maß für die Qualität des Ergebnis liefert der bei „Modularity“ angezeigte Wert im Wertebereich zwischen -1 und 1, der durch den Algorhytmus möglichst nahe an 1 gebracht wird. Genaueres lässt sich bei den Autoren nachlesen.
  5. In der oberen linken Ecke des Bildschirms klicken wir nun unter „Partition“ und „Nodes“ auf die zwei grünen Pfeile, und wählen anschließend im Dropdown-Menü „Modularity Class“ aus. Nach einem Klick auf „Apply“ erscheinen die Gemeinschaften im Netzwerk farblich unterschieden. Die Farben können wir nach eigenem Geschmack modifizieren, indem wir auf die farbigen Quadrate klicken. Die Einteilung in Gemeinschaften kann in Richtung kleinerer oder größerer Gruppen durch eine Neuberechung verändert werden, indem die Resolution im Zwischenniveau modifiziert wird.
  6. Die farbliche Unterscheidung gibt unserem Netzwerk zusätzliche Struktur. Als nächstes wäre es doch schön zu wissen, welche unserer Freunde eine besondere Rolle in unserem Netzwerk spielen. Je nach Erkenntnisinteresse bieten sich dafür unterschiedliche Möglichkeiten der Visualisierung an. Für alle müssen wir unter „Statistics“ auf der rechten Seite „Network Diameter“ ausführen. Anschließend geht es wieder in die obere linke Ecke, diesmal unter den Reiter „Ranking“. Wir wählen wieder „Nodes“ aus sowie deren Größe als das zu gestaltende Element (Der rote Diamant). Im Dropdown-Menü stehen uns jetzt die soeben errechneten Maße zur Verfügung. Eine gute Variante ist, die größe eines Punktes in Abhängigkeit von dessen „Degree“ zu setzen, der Summe aller Verbindungen im Netzwerk. In der Visualierung des Netzwerks sind nun diejenigen die Knoten am größten, mit denen wir die meisten Facebook-Freunde teilen. Bei den meisten werden dies die besten Freunde sein, mit denen man Bekannte aus vielen verschiedenen Lebensbezügen gemein hat. Ebenfalls lohnt es sich, die sog. „Betweenness Centrality“ als Maß für die Größe der Punkte auszuwählen. Diese gibt an, wie, auf wie vielen kürzesten Verbindungen zwischen jeweils zwei Punkten ein Knoten liegt. So kommt es, dass bei dieser insbesondere Personen hohe Werte aufweisen, die unterschiedliche Gemeinschaften verbinden, wie zum Beispiel der Lebensgefährte oder die Lebensgefährtin, die mit vielen Freunden aus den unterschiedlichen persönlichen sozialen Kontexten bekannt sind.

Mein Netzwerk

Nachfolgend möchte ich kurz zwei Visualisierungen meines Facebook-Netzwerks vorstellen, damit ein optischer Eindruck des Resultats entsteht. Aus Datenschutzgründen habe ich auf die Beschriftung und die Nennung von Namen verzichtet und lediglich den sozialen Kontext angegeben, der mein Verhältnis zur jeweiligen Gruppe am besten beschreibt. Wer mich besser kennt, dem wird es jedoch relativ leicht fallen, das Netzwerk zu entschlüsseln.

Die erste Abbildung zeigt die Struktur meines Facebook-Netzwerks, welches sich sehr gut in Gemeinschaften mit unterschiedlichen Kontexten unterteilen lässt. In der unteren Rechten Ecke verbleibt ein Knäuel, der sehr viele Verbindungen zwischen den Punkten aufweist. Es handelt sich dabei vor allem um Facebook-Freunde aus Oldenburg und Umgebung. Die Einteilung in Gemeinschaften fällt hier sehr schwer, da die wechselseitigen Bindungen sehr stark sind. Grob lässt sich eine Farbe eher dem Kontext Schule, eine andere dem Sport oder dem Heimatort zuordnen, allerdings bestehen zu viele Querverbindungen für eine saubere Trennung. Oldenburg ist wohl mehr oder weniger ein großes Dorf 🙂 Besonders die zwei großen grünen Punkte fallen optisch aus dem Knäuel: zwei meiner besten Freunde mit denen ich nicht ohne Grund viele gemeinsame Freunde bei Facebook habe, da wir stets viel Zeit miteinander verbracht haben und immer noch verbringen, wenn die Gelegenheit besteht.

Persönliches Facebook-Netzwerk mit Skalierung der Freunde nach Degree

Abbildung1: Persönliches Facebook-Netzwerk mit Skalierung der Freunde nach Degree

Die zweite Abbildung zeigt das gleiche Netzwerk, aber mit der „Betweeness Centrality“ als Maß für die Größe eines Knotens. Die beiden großen grünen Punkte spielen hier nur eine untergeordnete Rolle, da ihnen in einem eng verbundenen Netzwerk keine Schlüsserolle bei der Verbindung von Knoten zukommt. Stattdessen bildet meine Freundin den größten Punkt im Netzwerk, da sie, wie bereits thematisiert, viele meiner Freunde aus unterschiedlichen Bezügen kennt.

Netzwerk mit Skalierung der Knoten nach "Betweeness Centrality"

Abbildung 2: Persönliches Facebook-Netzwerk mit Skalierung der Freunde nach „Betweeness Centrality“

Optional: Freunde und Verbindungen hinzufügen

Wir haben nun unser Facebook-Netzwerk mit Hilfe von gephi Visualisiert, einige Fragen dürften aber noch offen sein. Wie können etwa Freunde zum Netzwerk hinzugefügt werden, die aufgrund der Privacy-Einstellungen der Freunde nicht aufgenommen wurden? Die Möglichkeit dazu besteht in der Ansicht „Data Laboratory“ auf dem Reiter „Data Table“ . Über „Add node“ und „Add edge“ können Freunde und Facebook-Freundschaften hinzugefügt werden, am besten gleicht man dazu die Datentabelle mit seiner Freundesliste auf Facebook ab. Insbesondere letzteres kann etwas mühselig werden, daher gibt es die Möglichkeit in der Ansicht „Overview“ Verbindungen zwischen Punkten zu zeichnen, anstatt diese einzugeben. Am linken Rand des mittleren Fensters dient dazu der untere der beiden Bleistifte.

Zu guter Letzt könnte der eine oder andere noch eine Frage mit sich herumtragen: Wo bin ich? Das auf dem beschriebenen Wege visualisierte Facebook-Netzwerk hat keinen Eintrag für denjenigen, dessen Freundschaftsgeflecht abgebildet wird. Das hat ein paar gute Gründe, etwa die Vermeidung der zentralen Ausrichtung des Netzwerks auf nur eine Person. Eine Reihe interessanter Erkenntnisse würde so eher erschwert. So würde z.B. jede Verbindung zwischen zwei Personen im Netzwerk maximal aus zwei Schritten bestehen, da diese immer zumindest einen gemeinsamen Freund haben, nämlich denjenigen, dessen Netzwerk visualisiert wird. Wer sich selbst in das Netzwerk einfügen möchte, kann das ausprobieren, indem er einen Knoten für sich selbst erstellt und diesen mit allen anderen im Netzwerk verbindet.

Ich hoffe ich konnte zeigen, welche interessanten Einblicke durch die Visualisierung des eigenen Facebook-Netzwerks möglich sind. Vielleicht hat der eine oder andere Lust bekommen, es auch zu versuchen. Für Hilfestellungen und Nachfragen stehe ich gerne zur Verfügung und natürlich freue ich mich über Feedback in den Kommentaren.

von Tobias Wolfanger

Eurovision Song Contest – Eine soziale Netwerkanalyse

Am vorletzten Wochende fand der alljährliche Eurovison Song Contest in Malmö statt. Sieger in diesem Jahr war die dänische Sängerin Emmelie de Forest. Viel mehr kann ich über den Komponistenwettstreit nicht berichten, ich habe vermieden die Veranstaltung vor dem Fernseher zu verfolgen. Wie vielen anderen gefällt mir meistens die Musik einfach nicht. Und doch übt der Wettbewerb ab einem bestimmten Zeitpunkt stets eine gewisse Faszination auf mich auf, nämlich ab dem Beginn der Punktevergabe. Oft meine ich bestimmte Abstimmungsmuster zu erkennen, ohne allerdings genauer benennen zu können, worauf diese beruhen.

Gibt es die Ostblock-Mafia?

Damit stehe ich sicherlich nicht alleine da. Wenn über den ESC gesprochen wird, dann kommt das Gespräch zumeist darauf, wie sich die Zuschauer in den abstimmenden Ländern gegenseitig Punkte zukommen lassem, die aus den Augen Vieler kaum mit der musikalischen Qualität der Beiträge zu rechtfertigen sind. Auch als recht neutraler Beobachter kann man sich dieses Eindrucks kaum erwehren. Die Identifikation wiederkehrender Abstimmungsmuster fällt jedoch nicht leicht.

Es dürfte eine Reihe von Gründen geben, wieso Land B besonders häufig eine hohe Punkteanzahl aus Land A bekommt: Geografische Nachbarschaft, kulturelle Verbundenheit aufgrund von Sprache, Religion und Geschichte, Nachwirkungen vergangener Migrationsbewegungen. Das schlechte Abschneiden des deutschen Beitrags in Malmö wurde gar mit dem Verhalten der Bundesregierung während der Eurokrise in Verbindung gebracht, vielleicht hat der Beitrag aber auch einfach nicht den musikalischen Nerv der Zuschauer getroffen. Dass auch die musikalische Qualität der Beiträge eine wichtige Rolle spielt, zeigt sich anhand der Siegertitel. In den letzten zehn Jahren kamen diese aus zehn verschiedenen Nationen. Eine Beobachtung, die bei weitgehender Vorfestlegung des Abstimmungsverhaltens kaum zu erwarten wäre.

Soziale Netzwerkanalyse der ESC 2004 bis 2013

Ich habe die diversen Spekulationen um Abstimmungsmuster zum Anlass genommen, mir die Abtstimmungsergebnisse der letzten Jahre einmal genauer unter dem Gesichtspunkt wiederkehrender Strukturen anzusehen. Durch die Einbeziehung mehrerer Jahre ist es möglich, in stärkerem Maße von der individuellen Qualität der Beiträge und temporär relevanten Rahmenbedingungen zu abstrahieren und beständigere Muster herauszuarbeiten. Das Jahr 2004 eignet sich als Startpunkt, da zu diesem Zeitpunkt zum ersten Mal alle Länder die Chance hatten, eine Stimme im Finale abzugeben, unabhängig davon, ob der Teilnehmer des eigenen Landes an der Finalshow beteiligt war.

Datenaufbereitung

Nach der Sammlung der Ergebnisse in einer großen Tabelle habe ich eine Adjacency Matrix als Grundlage für eine Netzwerkanalyse erstellt. Zuerst wurden alle jeweils von Land A an Land B geflossenen Punkte aufsummiert und anschließend durch die Anzahl der Abstimmungsgelegenheiten geteilt, um durch das Teilnehmerfeld bedingte Verzerrungen so gering wie möglich zu halten. Voraussetzung war also, dass Land A im jeweiligen Wettbewerb eine Stimme abgegeben  und Land B einen Teilnehmer im Finale hatte. Die Datenmatrix biete ich hier zur eigenen Verwendung an.

Visualisierung mit Gephi

Eine erste Betrachtung des mit Gephi visualisierten Netzwerk ergab zunächst nur einen großen Klumpen, in den alle Punktevergaben des gewählten Zeitraums eingeflossen sind. Insgesamt verwirrt die Visualisierung aber eher als dass sie zu mehr Klarheit führt. Nach einer Reihe von Modifikation bin ich zu dem Entschluss gekommen, lediglich solche Punktevergaben im Netzwerk zu belassen, in denen im Mittel jeweils acht Punkte von Land A zu Land B flossen. Mit 115 verbleibenden Verbindungen sind dies lediglich 7,66 % aller ursprünglich im Netzwerk vorhandenen. Acht Punkte entsprechen nach dem Punktesystem des ESC dem dritten Platz im nationalen Abstimmungsergebnis. Das Ergebnis ist ein recht übersichtliches Netzwerk, das einen Blick auf die wichtigsten und beständigsten Verbindungen zwischen den Ländern erlaubt. Die farbliche Einteilung ist das Resultat eines Modularity-Algorithmus zur Identifizierung von Gemeinsschaften.

Interessante Beobachtungen

werkgraph ESC 2004 to 2013

Darstellung aller durchschnittlichen Vergaben von mindestens acht  Punkten zwischen 2004 bis 2013

Der Balkanklumpen

Der Netzwerkgraph bietet eine Menge von Anknüpfungspunkten, etwa in Hinsicht auf die identifizierten Gemeinschaften. Die blaue Gemeinschaft, ich werde sie „Balkanklumpen“ nennen, verdeutlicht, wie sich die Staaten des ehemaligen Jugoslawiens sowie Albanien während der letzten zehn ESCs gegenseitig mit Punkten versorgt haben. Bemerkenswert ist, dass auch die alpinen Nachbarn Deutschlands, die Schweiz und Österreich, dieser Gemeinschaft zugeordnet werden. Allerdings gehen von beiden lediglich Punktevergaben aus, während aus den Balkanländern, und auch sonst nirgendwo her, Punkte in entscheidendem Umfang eingehen. Möglicherweise spielen hier Migrationsbewegungen in Folge der Balkankriege der 1990er Jahre eine Rolle, die nun in Richtung des Balkans zurückstrahlen.

Die Türkei – Religion und Migration?

Die Türkei scheint im Netzwerk eine gewisse Sonderolle einzunehmen. Sie hat in den letzen Jahren regelmäßig hohe Punktzahlen aus drei verschiedenen Gemeinschaften erhalten. Aus den Balkanstaaten, von den ehemaligen Sowjetstaaten sowie aus den mittel- und westeuropäischen Ländern. Es lässt sich vermuten, dass dahinter zumindest zwei unterschiedliche Motivationen verborgen sind. Mit Albanien und Aserbaidschan erhält das größte teilnehmende islamische Land, wenn auch per Verfassung laizistisch, hohe Punktzahlen aus zwei von drei der anderen teilnehmenden hauptsächlich muslimisch geprägten Staaten.

Außerdem erhält die Türkei regelmäßig hohe Punktzahlen aus Deutschland, die sicherlich mit dem hohen Anteil der türkischstämmigen Bevölkerung zusammenhängen. Fast drei Millionen Menschen mit türkischem Migrationshintergund leben in Deutschland, also mehr als drei Prozent der Einwohnerschaft. In den Niederlanden sind es 2,5 %, in Belgien 1 % und in Frankreich 0,9 %. Es handelt sich bei den Punktegebern für die Türkei also um die Staaten Kerneuropas, mit einem besonders hohen Anteil türkischstämmiger Bevölkerung (Liste türkischer Bevölkerungsanteile bei der Wikipedia). Besonders für Frankreich ist anzunehmen, dass auch die Bevölkerungsanteile muslimischer Religion mit anderem Herkunftsland ein Grund für die Punktevergabe an die Türkei sind.

Regelmäßige hohe Punktzahlen werden aus der Türkei an Aserbaidjan und Bosnien-Herzegowina vergeben, der religiöse Zusammenhang dürfte auch hier eine Rolle spielen. Außerdem fließen aus dem Land am Bosporus regelmäßig Punkte nach Armenien, hier dürfte vor allem die besondere historische, nachbarschaftliche Konstallation beider Staaten eine Rolle spielen, die auch viele dunkle Kapitel erlebt hat.

Der UdSSR-Komplex

Ähnlich den Staaten des ehemaligen Jugoslawiens finden sich alle ehemaligen Sowjet-Republiken, mit Ausnahme Estlands, das eher mit den skandinavischen Ländern verbunden ist, in einer Gemeinschaft wieder. Besonders Russland als Kernland der ehemaligen Sowjetunion profitiert von regelmäßig hohen Punktevergaben aus Moldawien, der Ukraine, Armenien, Weißrussland und Lettland. Es zeigt sich also ein Unterschied zu den Staaten des ehemaligen Jugoslawiens, bei denen die Punkteströme weitaus weniger auf ein einzelnes Land zulaufen. Im Falle Russlands erhielt lediglich Aserbaidschan regelmäßig hohe Punktzahlen.

Anknüpfungspunkte zwischen den ehemaligen Sowjetrepubliken und anderen Staaten scheint es vor allem über nachbarschaftliche Beziehungen zu geben. Eine äußerst starke, bilaterale Punktevergabe besteht zwischen Moldawien und Rumänien, die auf einen gemeinsamen kulturellen Hintergrund einschließlich des Rümänischen als gemeinsamer Amtssprache blicken. Im Baltikum besteht eine Verbindung von Lettland zu Estland und von Estland nach Russland. Damit bilden die Esten quasi das Scharnier zwischen Osteuropa und Skandinavien.

Die Skandinavier

Keine Region Europas war während der letzen Jahre so erfolgreich im ESC wie Skandinavien. Finnland (2006), Norwegen (2009), Schweden (2012) und Dänemark (2013) haben allesamt  während des letzen Jahrzehnts einen Wettbewerb gewonnen. Nachbarschaftliche Wohltaten dürften dabei gegenüber der individuellen Qualität der Beiträge im Siegesjahr eine untergeordnete Rolle gespielt haben. Alle skandinavischen Länder, Estland einmal eingeschlossen, haben lediglich eine ausgehende Verbindung mit einer durchschnittlichen Punktevergabe von mindestens acht. Schweden erhält regelmäßig hohe Punktzahlen aus den Nachbarländern Dänemark und Norwegen.

Südeuropa

Eine weitere, wenn auch eher loser verbundene Gruppe bilden die Länder Südeuropas. Auf der iberischen Halbinsel können sich die Spanier an regelmäßig hohen Punktevergaben aus Portugal und Andorra erfreuen. Griechenland profitiert von seiner Position zwischen Balkan und Osteuropa. Starke bilaterale Verbindungen bestehen mit den Nachbarländern Albanien und Bulgarien sowie naturgemäß mit Zypern. Auch aus Rumänien, San Marino, Serbien und Montenegro kann Griechenland regelmäßig auf hohe Punktzahlen hoffen. Der Nachbar Bulgarien erhält einen regelmäßigem Punktezustrom aus Ungarn, Spanien, Griechenland und Zypern.

Deutschland, Frankreich und das Vereinigte Königreich haben es schwer

Als deutscher Teilnehmer am ESC sollte man sich keine allzu großen Hoffnungen machen, hohe Punktzahlen aus anderen Ländern allein aus dem Grund zu erhalten, dass man für Deutschland antritt. Damit geht es den deutschen Teilnehmern ganz ähnlich wie Franzosen und Briten. Letztere können ebenso wenig auf regelmäßig hohe Punktzahlen aus Irland hoffen, das hohe Punktzahlen lieber an die baltischen Staaten vergibt, wie die Deutschen auf Zuwendungen aus Österreich und der Schweiz oder Frankreich aus Belgien, der Schweiz und Monaco. Im Falle der großen europäischen Nationen scheinen sprachliche und kulturelle Gemeinsamkeiten mit kleineren Nachbarländern von geringerer Bedeutung für die Punktevergabe zu sein.

Italien

Eine Ausnahme davon bildet Italien. Italienische Beiträge erhalten regelmäßig hohe Punktzahlen aus Malta, Polen und Spanien. Äußerst intensiv werden bilateral Punkte zwischen Italien und Albanien vergeben. Mögliche Erklärungen sind sowohl die historisch bedeutende Rolle Italiens in Albanien als auch der beträchtliche Anteil albanischstämmiger Flüchtlinge der in Italien Zuflucht gefunden hat.

Fazit

Die Netzwerkvisualisierung der ESC-Punktevergaben 2004 bis 2013 veranschaulicht, dass Strukturen vorhanden sind, innerhalb derer sich Länder bevorzugt gegenseitig mit Punkten bedenken. Besonders intensiv miteinander verbunden sind die Länder des ehemaligen Jugoslawiens sowie der Sowjetunion. Insgesamt zeigt sich, dass nachbarschaftliche und kulturelle Verbindungen geschichtlicher, sprachlicher und religiöser Art gute Erklärungsansätze für die vorgefundenen Strukturen liefern. Jede im Graph visualisierte Verbindung bietet die Gelegenheit zu fragen, welches spezifische Band gerade diese beiden Länder verbindet. Ich habe meine Betrachtungen zumeist auf einem recht abstrakten Niveau gehalten. Über entsprechende Erklärungsansätze für weitere Verbindungen freue ich mich daher in den Kommentaren.

Zwei Dinge sind abschließend erwähnenswert, wenn der Eurovision Song Contest unter dem Gesichtspunkt seiner Natur als Wettbewerb betrachtet wird: Die Identifikation von Abstimmungsmustern aufgrund kultureller und nachbarschaftlicher Verbindungen bedeutet keineswegs, dass es sich um vorrangig aus Solidarität vergebene Punkte handeln muss. In vielen Fällen ist viel mehr anzunehmen, dass ein gemeinsamer kultureller Hintergrund wesentlicher Grund für einen gemeinsamen musikalischen Geschmack darstellt.

Unter Wettbewerbsgesichtspunkten ergeben sich daraus unterschiedliche Voraussetzungen für die teilnehmenden Staaten. Je mehr kulturell verwandte Nationen an einem Wettbewerb teilnehmen, desto besser ist deren Ausgangssituation mit einem Grundstock relativ sicher erwartbarer Punkte. Eine Garantie für einen Sieg ist dies aber mitnichten, wenn auch die Wahrscheinlichkeit, auf einem der hinteren Plätze zu landen, für die Staaten der ehemaligen Sowjetunion und des ehemaligen Jugoslawiens weitaus geringer ist. Westeuropäische und skandinavische Staaten, die auf eine deutlich längere eigene Geschichte und Kultur zurückblicken können, landen eher auf den hinteren Plätzen des Wettbewerbs, wenn sie musikalisch nicht zu überzeugen wissen.

Für einen Sieg beim ESC ist es allerdings zwingend erforderlich, auch Staaten außerhalb der eigenen kulturellen Peer-Group von der musikalischen Qualität des eigenen Beitrags zu überzeugen, so wie es beispielsweise Lena für Deutschland im Jahr 2010 gelungen ist. Meine persönliche These ist, dass hierzu insbesondere Kompositionen in der Lage sind, die einen überregionalen, wenn nicht globalen, Musikgeschmack treffen. Die weltweit in den Charts auftauchende skandinavische Popmusik scheint diese Voraussetzung zu erfüllen.

von Tobias Wolfanger