Sébastien Perseguers, wie haben Sie den Abstimmungssonntag verfolgt – analytisch mit Notizblock oder in Feierlaune mit Champagner?
Es gab eine gewisse Erwartungshaltung, die durch die in den letzten Tagen veröffentlichten Artikel aufgebaut worden war (persoenlich.com berichtete). Aber für mich persönlich standen weniger Dinge auf dem Spiel als etwa für die Initiativkomitees. Die Stimmung war also entspannt, als die ersten Ergebnisse eintrudelten – der Champagner blieb diesmal aber im Kühlschrank.
Sie prognostizierten der Halbierungsinitiative 63,8 Prozent Nein – es waren am Ende 62 Prozent. Freuen Sie sich über diese Treffsicherheit, oder ärgert es Sie, dass es nicht auf den Prozentpunkt genau war?
Ich bin mit dieser Genauigkeit völlig zufrieden – sie liegt leicht unter dem durchschnittlichen Fehler meines Modells von ±3 Prozent. Beim aktuellen Stand des Algorithmus wäre noch mehr Präzision eher Glückssache als Wissenschaft.
«Die Demokratie gewinnt, wenn die Stimmenauszählung so zuverlässig wie möglich erfolgt»
Wie konnten Sie vorhersagen, dass auch alle Kantone Nein sagen werden?
Machine-Learning-Modelle vermischen in der Regel alle Daten, um eine möglichst genaue Vorhersage zu liefern, ohne dabei eine direkte Erklärung für die Rolle der einzelnen Variablen zu geben. In diesem konkreten Fall war ein homogenes Ergebnis jedoch sowohl aufgrund der Umfragen – die ähnliche Abstimmungsabsichten in allen Sprachregionen zeigten – als auch aufgrund der Parteiempfehlungen zu erwarten, denn nur die SVP unterstützte diese Initiative. Da mein Modell mit einem deutlichen Nein rechnete, war das wahrscheinlichste Szenario, dass kein einziger Kanton die Initiative annimmt.
Apropos Kantone: Im Kanton Freiburg gab es offenbar Informatikprobleme, die die ganze Schweiz auf die Resultate warten liess. Haben Sie sich als Freiburger darüber geärgert?
Ich war am Sonntag gerade in Marly, einer der zwei Gemeinden, die auf technische Schwierigkeiten gestossen sind – offenbar mussten die Stimmen neu ausgezählt werden. Niemand möchte natürlich aus solchen Gründen ins Rampenlicht geraten. Da es aber keine Auswirkungen auf das Endergebnis gab, denke ich: Die Demokratie gewinnt, wenn die Stimmenauszählung so zuverlässig wie möglich erfolgt.
Die Stimmbeteiligung lag bei 55 bis 56 Prozent – wie Sie es vorausgesagt hatten (56,1 Prozent). Welche Indikatoren haben Sie genutzt, um diese überdurchschnittliche Mobilisierung – gegenüber 46 Prozent im Schnitt seit 2000 – so treffend einzuschätzen?
Mehrere Indikatoren lassen den allgemeinen Trend erkennen: die Anzahl der Abstimmungsvorlagen (fünf, gegenüber durchschnittlich 2,8), die gleichzeitig stattfindenden kantonalen und kommunalen Wahlen sowie die hohe Medienresonanz, wie sie der Abstimmungsmonitor der Universität Zürich analysiert hat. Der wichtigste Indikator ist jedoch die Entwicklung der Beteiligung bei der brieflichen Vorabstimmung, die von einigen Kantonen – Genf, Neuenburg und Basel-Stadt – in den drei Wochen vor dem Abstimmungssonntag täglich aktualisiert wird.
Gab es während der Abstimmung Auffälligkeiten, die Ihr Modell bestätigt oder überrascht haben?
Insgesamt hat mein Modell sowohl die Stimmbeteiligung als auch vier der fünf Abstimmungsvorlagen präzise vorhergesagt. Bei der Individualbesteuerung hat mich die Abweichung von meiner Prognose zehn Tage vor der Abstimmung – 55 Prozent Nein – dann doch aufhorchen lassen, zumal meine erste Vorhersage einen Monat zuvor noch 53 Prozent Ja ergeben hatte. Solches Feedback ist aber wertvoll: Es hilft mir, das Modell laufend zu verbessern und immer präziser zu machen.
«Das Modell ist in wenigen Minuten neu trainiert»
Fliesst diese Abstimmung nahtlos in die Trainingsdaten ein, um künftige Prognosen noch genauer zu machen – und wie schnell aktualisieren Sie das Modell?
Die Daten, die für die Vorhersage der Ergebnisse benötigt werden, werden laufend erfasst, sobald sie verfügbar sind – Umfragedaten zum Beispiel zehn Tage vor der Abstimmung. Die offiziellen Ergebnisse sind in Echtzeit, Gemeinde für Gemeinde, auf der Plattform opendata.swiss abrufbar. Diese Abstimmung fliesst also quasi sofort in die Trainingsdaten ein, und das Modell ist in wenigen Minuten neu trainiert.
Ihr Modell hat wieder bewiesen, dass es mehr kann als Umfragen: Welche neuen Datenquellen könnten es künftig noch schärfen?
Zunächst möchte ich klarstellen: Umfragen haben nicht zum Ziel, das Endergebnis vorherzusagen, sondern die Abstimmungsabsichten zu einem bestimmten Zeitpunkt zu erfassen. Dieser Unterschied ist fein, erklärt aber, warum mein Modell in diesem Bereich «besser» abschneidet. Für mich sind Umfragen deshalb eine Datenquelle unter vielen. Interessant wäre es, künftig auch eine Analyse der sozialen Netzwerke einzubeziehen, um das Modell weiter zu verfeinern.
Muss man Quantenphysiker sein, um ein so präzises Modell wie Gradiom zu bauen – oder reicht ein gutes Gespür für Daten und Schweizer Abstimmungslogik?
Die Quantenphysik ist eine Theorie, die Phänomene mit ausserordentlicher Präzision vorhersagen kann – verglichen damit ist mein Abstimmungsmodell sehr grob und vereinfacht. Man braucht also die Schrödinger-Gleichungen definitiv nicht zu kennen. Qualitativ hochwertige Daten und ein gewisses Verständnis der Schweizer Politik genügen vollauf.
«Es gilt, die richtige Balance zwischen Modellpräzision und Verallgemeinerungsfähigkeit zu finden»
Verraten Sie uns Ihr Geheimrezept, weshalb Sie stets so genau sind?
Ich habe die Dinge etwas vereinfacht, als ich sagte, dass nur die Daten zählen. Damit das Modell präzise und robust ist, müssen die statistischen Werkzeuge des maschinellen Lernens korrekt angewendet werden: Es gilt, die richtige Balance zwischen Modellpräzision und Verallgemeinerungsfähigkeit zu finden. Allgemeiner gesagt liegt die Genauigkeit des Modells wohl auch daran, dass die Abstimmungsobjekte neutral und wissenschaftlich behandelt werden – mit dem Ziel, politische und parteiische Verzerrungen so weit wie möglich auszuschalten.
Welche Faktoren aus den über 100 historischen Abstimmungen haben hier am schwersten gewogen?
Wie bereits erklärt, lässt sich die genaue Rolle jeder einzelnen Variablen im Modell nur schwer bestimmen. Man kann jedoch in den Daten suchen, welche früheren Abstimmungen der SRG-Initiative in Bezug auf die erklärenden Variablen am ähnlichsten sind. Dabei zeigt sich, dass die «Selbstbestimmungsinitiative» (November 2018) und die «Begrenzungsinitiative» (September 2020) sehr nahe dran sind – und beide wurden vom Schweizer Volk mit über 60 Prozent abgelehnt.
Gradioms Prognosen sind generell auffallend präzis. Wann liefern Sie auch Wettervorhersagen?
(Lacht.) Keine Chance! Bei Vorhersagen bin ich mit den Abstimmungen bestens ausgelastet – und ab und zu löse ich auch gerne echte Ingenieursprobleme.
