💻 computer science

Partitioning Israeli Municipalities into Politically Homogeneous Cantons: A Constrained Spatial Clustering Approach

Dit artikel presenteert een datagedreven algoritme dat 229 Israëlische gemeenten indeelt in geografisch aaneengesloten, politiek homogene kantons, waarbij gebleken is dat de politieke geografie van Israël ondanks recente electorale volatiliteit structureel stabiel blijft.

Oorspronkelijke auteurs: Adir Elmakais, Oren Glickman

Gepubliceerd 2026-03-13

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Adir Elmakais, Oren Glickman

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat Israël een enorme, levendige tapijt is, geweven met duizenden draden van verschillende kleuren. Sommige draden zijn felrood (rechts), andere zijn diepblauw (links), weer andere zijn groen (Arabische partijen) of paars (religieus). De afgelopen jaren heeft dit tapijt veel schokken gekend door vijf verkiezingen in vier jaar tijd. Mensen in de samenleving beginnen te praten over een radicaal idee: "Wat als we dit tapijt in stukken knippen? Wat als we het land opdelen in aparte 'kantons' (gebieden) waar iedereen ongeveer hetzelfde denkt?"

Dit wetenschappelijke artikel is als een digitale schaar en een slimme weegschaal die proberen uit te zoeken hoe die knippen eruit zouden zien, puur op basis van de verkiezingsuitslagen.

Hier is de uitleg, vertaald naar alledaags Nederlands:

1. Het Doel: De "Politieke Buurman" vinden

De onderzoekers wilden niet zomaar willekeurige stukken land maken. Hun doel was om 229 gemeenten in Israël te groeperen in gebieden (kantons) waar de inwoners politiek gezien buren zijn.

De Analogie: Stel je een schoolfeest voor. Je wilt de kinderen in groepjes verdelen, maar niet zomaar willekeurig. Je wilt groepjes maken waar iedereen van hetzelfde muziekgenre houdt. Als je een groepje maakt met alleen rockliefhebbers, is dat een "homogene" groep. De onderzoekers wilden de hele kaart van Israël verdelen in zulke groepjes, waarbij de grenzen logisch zijn (je mag niet een stukje land in het noorden hebben en een los stukje in het zuiden; het moet aan elkaar grenzen).

2. De Methode: De "Slimme Computer"

Ze hebben geen menselijke politici ingeschakeld, maar een computerprogramma. Ze hebben vier verschillende manieren (algoritmen) gebruikt om te kijken hoe je deze groepjes het beste kunt maken:

De "Smeltende IJsberg" (Simulated Annealing): Een methode die probeert de perfecte oplossing te vinden door kleine veranderingen te maken, alsof je langzaam een ijsberg laat smelten om de vorm te optimaliseren.
De "Klompjes Klei" (Agglomerative Clustering): Je begint met 229 losse balletjes klei (gemeenten) en plakt steeds twee buren aan elkaar die het meest op elkaar lijken, tot je de gewenste hoeveelheid grote ballen hebt.
De "Zwermvogels" (Louvain): Een methode die kijkt naar hoe vogels in een zwerm vliegen; ze zoeken vanzelf de groepjes waar ze het beste bij elkaar passen.
De "Standaard" (K-Means): Een simpele, snelle methode die vaak gebruikt wordt, maar die soms gebieden maakt die niet aan elkaar grenzen (alsof je een eilandje in de zee toevoegt aan een groepje op het vasteland).

Ze hebben ook gekeken naar verschillende manieren om de "politieke smaak" van een stad te meten:

De "Groene Groepjes" (BlocShares): Ze groepeerden partijen in grote blokken (Rechts, Links, Arabisch, etc.).
De "Microscopische Lijst" (RawParty): Ze keken naar elke individuele partij.
De "Samenvatting" (PCA & NMF): Ze gebruikten wiskunde om de complexe lijst van partijen te versimpelen tot de belangrijkste patronen.

3. De Resultaten: Wat bleek er?

Na 264 verschillende experimenten kwamen ze tot een paar interessante conclusies:

De "Stabiliteit" is verrassend: Ondanks dat er vijf keer verkiezingen waren en de politieke wind vaak wisselde, bleek de onderliggende kaart van Israël zeer stabiel. De "buurten" veranderden niet echt. Als je de computer vandaag laat rekenen of over een jaar, krijg je bijna hetzelfde plaatje. Het is alsof de stroming in een rivier verandert, maar de bedding van de rivier hetzelfde blijft.
De "Beste Oplossing" (K=5): De onderzoekers vonden dat het opdelen in 5 gebieden het meest logisch was. Dit zag er zo uit:
1. Het Centrum (Tel Aviv & omgeving): Een gebied met veel seculiere, centrum-georiënteerde mensen.
2. Het Rechter Zuiden: Een boog van Jeruzalem tot in de woestijn (Negev), waar veel rechts en religieus wordt gestemd.
3. Het Rechter Noorden: Een gemengd gebied rond Haifa en Galilea, waar ook veel rechts wordt gestemd, maar met een andere mix.
4. De Arabische Galilea: Een gebied in het noorden met bijna uitsluitend Arabische gemeenschappen.
5. De Arabische Periferie: Bedoeïnische dorpen in het zuiden en andere Arabische gemeenschappen.
De "Waarheid" van de kaart: De computer ontdekte dat de politieke grenzen vaak niet samenvallen met de officiële bestuurlijke grenzen (zoals districten). Het land is politiek verdeeld volgens ideologie, niet volgens de lijnen op de bestuurderskaart. De kloof tussen Joodse en Arabische gemeenschappen is de diepste en duidelijkste scheidslijn.

4. Waarom is dit belangrijk? (En waarom niet?)

De onderzoekers benadrukken dat dit geen politiek voorstel is om Israël daadwerkelijk op te splitsen. Het is meer als een simulatie of een "wat-zou-er-gebeuren"-experiment.

De Metafoor: Het is alsof je een kaart van de wereld maakt op basis van "welke mensen houden van pizza" en "welke van sushi". Je ziet dan dat er gebieden zijn waar iedereen van pizza houdt. Dat betekent niet dat je de wereld moet opknippen in "Pizza-landen" en "Sushi-landen". Het helpt ons alleen om te begrijpen hoe de samenleving eruitziet.

Samenvattend

Dit artikel is een slimme, datagedreven reis door de Israëlische politieke landschap. Het laat zien dat, als je kijkt naar de verkiezingsuitslagen, Israël zich vanzelf organiseert in een paar duidelijke, stabiele blokken. De computer heeft bewezen dat de politieke polarisatie die we in het nieuws zien, ook echt zichtbaar is op de kaart: er zijn duidelijke "politieke buurten" die al jarenlang bestaan, ongeacht wie er precies in de Knesset zit.

Het is een fascinerend voorbeeld van hoe wiskunde en computers ons kunnen helpen de complexe menselijke samenleving te begrijpen, zonder dat we er een oordeel over hoeven te vellen.

Titel: Partitionering van Israëlische Gemeenten in Politiek Homogene Kantons: Een Benadering met Beperkte Ruimtelijke Clustering

1. Probleemstelling en Motivatie

De Israëlische samenleving heeft de afgelopen jaren te maken gehad met extreme politieke polarisatie, wat resulteerde in vijf parlementsverkiezingen binnen vier jaar (2019–2022). In de publieke discussie wordt vaak gespeculeerd over een hypothetische verdeling van het land in politiek homogene "kantons".

Het hoofddoel van dit onderzoek is om deze hypothese computergestuurd te testen. De onderzoekers willen beantwoorden:

Hoe zou Israël eruitzien als het puur op basis van stemgedrag in politiek coherente, geografisch aaneengesloten regio's (kantons) zou worden verdeeld?
Hoe stabiel zijn deze verdelingen over verschillende verkiezingscycli heen?
Wat is de optimale balans tussen politieke homogeniteit, bevolkingsbalans en geografische compactheid?

Het probleem wordt gedefinieerd als een beperkt ruimtelijk clusterprobleem: het vinden van een partitie van $n$ gemeenten in $K$ kantons die de interne politieke variatie minimaliseert, waarbij elke kanton een aaneengesloten subgraaf vormt en de bevolkingsgrootte zo gelijk mogelijk is.

2. Methodologie

De auteurs hanteren een datagedreven aanpak die bestaat uit de volgende componenten:

A. Data Bronnen

Verkiezingsdata: Resultaten op gemeenteniveau van vijf opeenvolgende Knesset-verkiezingen (2019–2022), verkregen van het Centraal Bureau voor de Statistiek (CBS) van Israël.
Geografische data: Grenspolygonen van 229 gemeenten (Shapefiles/GeoJSON).
Politieke blokken: Partijen zijn gegroepeerd in vijf blokken: Rechts, Charedi (Ultra-orthodox), Centrum, Links en Arabisch.

B. Feature Representaties
Vier manieren om het politieke profiel van een gemeente te coderen:

BlocShares: Gemiddelde en standaardafwijking van stempercentages per politiek blok over alle verkiezingen (11 dimensies).
RawParty: Volledige vector van stempercentages per partij (hoogdimensionaal, ruisgevoelig).
PCA_5: 5 hoofdcomponenten van RawParty via Principal Component Analysis.
NMF_5: 5 componenten via Non-negative Matrix Factorization, interpreteerbaar als politieke archetypen.

C. Afstandsmetingen

Euclidische afstand (gevoelig voor grootteverschillen).
Cosine-afstand (gebaseerd op hoek/verhoudingen).
Jensen-Shannon-afstand (voor waarschijnlijkheidsverdelingen).

D. Clustering Algoritmen
Vier algoritmen werden getest, variërend van onbeperkt tot strikt ruimtelijk:

K-Means: Baseline zonder ruimtelijke beperkingen (kan niet-aaneengesloten kantons produceren).
Agglomerative Clustering: Hiërarchisch samenvoegen van aangrenzende clusters (garandeert aaneengeslotenheid).
Simulated Annealing (SA): Optimalisatie van een multi-objectieve kostenfunctie (homogeniteit + bevolkingsbalans + compactheid) met een strakke beperking op aaneengeslotenheid.
Louvain Community Detection: Maximaliseert modulariteit op een graaf waar kanten zijn gewogen op politieke gelijkenis.

E. Experimenteel Ontwerp
Er werd een systematische grid-search uitgevoerd over 264 configuraties (combinaties van 4 representaties × 3 afstandsmetingen × 4 algoritmen × 6 waarden voor $K$ ).

3. Belangrijkste Resultaten

A. Prestatie van Algoritmen en Representaties

Hoogste Kwaliteit (Silhouette Score): De combinatie van BlocShares met Euclidische afstand en Agglomerative Clustering leverde de hoogste silhouette-score op (0,905 bij $K=3$ ). Echter, deze configuratie leidde tot ernstig onbalans in bevolkingsgrootte.
Beste Evenwicht: De configuratie NMF_5 met Cosine-afstand en het Louvain-algoritme bij $K=5$ bood het beste compromis. Hoewel de silhouette-score lager was (0,121), leverde het een interpreteerbare verdeling op met goede bevolkingsbalans en perfecte temporele stabiliteit.

B. De $K=5$ Partitie (Hoofdresultaat)
De analyse identificeerde vijf politiek coherente regio's die de bekende demografische scheidslijnen nauwkeurig weerspiegelen:

Centrum Metro: De secularistische, centrum-georiënteerde kern (Tel Aviv en omgeving).
Rechts Zuid: Een boog van Jeruzalem door de Negev tot Eilat (sterk rechts en charedisch).
Rechts Noord: Een gemengde noordelijke regio inclusief Haifa en Joodse Galilea-steden.
Arabisch Galilea: Arabische gemeenschappen in het noorden en de Driehoek.
Arabisch Periferie: Bedoeïense steden in de Negev en verspreide Arabische gemeenten.

C. Temporele Stabiliteit

Deterministische algoritmen (zoals Louvain en Agglomerative) produceerden bijna perfecte stabiliteit over de vijf verkiezingen heen (Adjusted Rand Index (ARI) tot 1,0).
Dit suggereert dat de politieke geografie van Israël structureel consistent is, ondanks de volatiele verkiezingsuitslagen. De ruimtelijke patronen veranderen nauwelijks, zelfs niet bij wisselende coalities.

D. Vergelijking met Administratieve Districten
De politieke kantons overlappen slechts matig met de officiële administratieve districten van Israël (ARI = 0,435). Dit bevestigt dat de politieke landschapsindeling voornamelijk wordt bepaald door ideologische lijnen (links/rechts, Joods/Arabisch) en niet door bestuursgrenzen.

4. Bijdragen en Innovatie

Methodologische Toepassing: Eerste toepassing van beperkte ruimtelijke clustering specifiek voor de Israëlische politieke geografie, waarbij graafgebaseerde aaneengeslotenheidsbeperkingen worden gecombineerd met optimalisatie in de politieke feature-ruimte.
Uitgebreid Experimenteel Kader: Een systematische evaluatie van 264 configuraties, wat zeldzaam is in dit domein.
Temporele Analyse: Een analyse van de stabiliteit van grenzen over vijf verkiezingen, wat inzicht geeft in de structurele persistentie van politieke voorkeuren.
Open Source en Interactiviteit: De auteurs hebben een open-source Python-codebase en een interactieve webapplicatie vrijgegeven om de resultaten te visualiseren en te verkennen.

5. Betekenis en Conclusie

Dit onderzoek toont aan dat het mogelijk is om Israël objectief in politiek homogene, geografisch aaneengesloten eenheden te verdelen. De resultaten bevestigen dat de politieke polarisatie in Israël diep geworteld is in de ruimtelijke structuur:

De Arabisch-Joodse scheidslijn is de dominante geografische breuklijn.
Er bestaat een duidelijke scheiding tussen het secularistische centrum en het religieus-rechtse periferie.
De politieke kaart is robuust; verkiezingsuitslagen fluctueren, maar de onderliggende ruimtelijke patronen blijven stabiel.

Het werk dient als een puur beschrijvend en verkennend instrument. Het stelt geen politiek voorstel voor, maar biedt een kwantitatief bewijs van hoe de Israëlische samenleving zich ruimtelijk organiseert rondom politieke identiteiten. De studie vormt een brug tussen computerwetenschap (ruimtelijke clustering), geografische informatiesystemen en politieke analyse.