Bayern: Sonntagsfrage von GMS vom 03.07.2023

Bayern - In der neuesten Umfrage zur Landtagswahl in Bayern von GMS erreichen CSU 40%, Bündnis 90/Die Grünen 15%, AfD 13%, Freie Wähler 12%, SPD 9%, FDP 4%, Die Linke 2% und Bayernpartei 1%. Wäre diesen Sonntag Wahl in Bayern, könnte AfD mit +2.8 Zuwachs seit der letzten Wahl in der Wählergunst am stärksten zulegen. Bündnis 90/Die Grünen hingegen würde im Wahlbarometer zum letzten Wahlergebnis am meisten Stimmen verlieren (-2.6).

Dr. Markus Söder regiert derzeit mit einer Koalition der Mitte aus CSU und Freie Wähler. Mit 58.4% der virtuellen Sitze könnte die Regierung weiter im Amt bleiben.

Die Wahlumfrage wurden von GMS erhoben. Dazu wurden in einem Zeitraum von 5 Tagen (28.06.2023 - 03.07.2023) 1006 Personen zu ihrer Parteienpräferenz befragt.

Koalitionsmöglichkeiten

CSU + Bündnis 90/Die Grünen

61.8

CSU + Freie Wähler

58.4

CSU + SPD

55.0

Häufige Fragen zu Wahlumfragen

Ergebnisse der Sonntagsfrage

Diese Sonntagsfrage zur Parlamentswahl in Bayern wurde von GMS durchgeführt. Die Befragung fand zwischen dem 28.06.2023 und 03.07.2023 unter 1006 Wahlberechtigten statt. Nach dieser Wahlumfrage würden CSU 40%, Bündnis 90/Die Grünen 15%, AfD 13%, Freie Wähler 12%, SPD 9%, FDP 4%, Die Linke 2% und Bayernpartei 1% erhalten.

Wie zuverlässig sind Sonntagsfragen?

Wahlumfragen bilden die aktuelle politische Stimmung ab und sind keine Prognose für die nächste anstehende Wahl. Aufgrund der Erhebungsmethode liegt die Fehlertoleranz des Wertes jeder Partei bei 1,5 bis 3 Prozentpunkten, je nach Höhe des Wertes. Viele Umfrageinstitute erwähnen kleinere Parteien daher erst ab Werten von etwa 3 Prozent, da seriöse Aussage darunter nur schwer möglich sind.

Worauf sollte man bei Wahlumfragen achten?

Achte bei Umfragen auf eine ausreichend große Stichprobengröße. Diese sollte bei mindestens 1000 befragten Personen liegen. Achte außerdem darauf, welches Institut die Umfrage durchführt und wer die Auftraggeber sind. Einige Institute neigen dazu, bestimmte Parteien zu hoch bzw. zu niedrig zu bewerten.