Conflictividad laboral en la pesca
Agustín Nieto
2026-05-13
Introducción
En este artículo desarrollaremos una introducción al análisis de la conflictividad laboral en la industria pesquera argentina con un enfoque de diccionario en base a las funciones del paquete ACEP. En esta oportunidad pondremos el foco en la conflictividad laboral protagonizada por el Sindicato Obrero de la Industria del Pescado (SOIP) en la ciudad de Mar del Plata entre los años 2009 y 2020.
El corpus de notas
Para que este artículo pueda reconstruirse en CRAN sin depender de descargas externas, los ejemplos ejecutables usan ACEP::acep_bases$lc_720, una muestra incluida en el paquete. Se compone de 720 notas y 9 variables: id, fecha, seccion, titulo, bajada, nota, nota_norm, link, clas_hum. En una sesión interactiva con conexión también se puede cargar el corpus completo de Revista Puerto con acep_load_base(acep_bases$rp_mdp).
# Cargamos la librería ACEP
library(ACEP)
# Cargamos una muestra incluida en el paquete
rev_puerto <- acep_bases$lc_720
# Imprimimos la base en consola
rev_puerto
#> # A tibble: 720 × 9
#> id fecha seccion titulo bajada nota nota_norm link clas_hum
#> <dbl> <date> <fct> <chr> <chr> <chr> <chr> <chr> <lgl>
#> 1 1 2016-03-01 La Ciudad Emotivo: po… "Hace… "Los… "los dos… http… FALSE
#> 2 2 2016-03-01 La Ciudad El oficiali… "En l… "La … "la decl… http… TRUE
#> 3 3 2016-03-02 La Ciudad Rech tambié… "El r… "El … "el conc… http… TRUE
#> 4 4 2016-03-02 La Ciudad Anuncian in… "El i… "El … "el inte… http… FALSE
#> 5 5 2016-03-02 La Ciudad Video: la p… "El C… "De … "de mane… http… FALSE
#> 6 6 2016-03-03 La Ciudad Nuevas inve… "Una … "Rep… "represe… http… FALSE
#> 7 7 2016-03-03 La Ciudad Exigimos un… "Para… "En … "en el m… http… TRUE
#> 8 8 2016-03-03 La Ciudad Hoy en Mar … "Clas… "Yog… "yoga y … http… TRUE
#> 9 9 2016-03-06 La Ciudad El Colegio … "Será… "El … "el cons… http… FALSE
#> 10 10 2016-03-06 La Ciudad La inseguri… "A pe… "Un … "un grup… http… TRUE
#> # ℹ 710 more rows
Los diccionarios
Una vez cargada la base de notas vamos a crear variables numéricas que contengan las frecuencias de palabras totales y de cada diccionario usado para cada una de las notas. En esta parte del código haremos uso de dos funciones del paquete ACEP: acep_frec() y acep_count(). También crearemos diccionarios breves para identificar menciones a conflictos, huelgas y actores colectivos.
# Creamos la variable con la frecuencia de palabras por nota
rev_puerto$frec_palabras <- acep_frec(rev_puerto$nota)
# Creamos el diccionario de palabras que refieren a huelgas
dicc_huelgas <- c("en paro", "al paro", "huelga", "huelguistas", "paro y movil",
"paro de actividades", "conciliación obligatoria", "un paro",
"paro total", "paro parcial", "trabajo a reglamento",
"el paro", "de brazos caídos")
# Cargamos el diccionario de palabras que refieren a conflictividad
dicc_conflictos_base <- c("conflicto", "conflictos", "protesta", "protestas",
"reclamo", "reclamos", "paro", "huelga",
"movilización", "manifestación")
dicc_conflictos <- unique(c(dicc_conflictos_base, dicc_huelgas))
# Creamos la variable con la frecuencia de palabras que refieren a conflictividad
rev_puerto$frec_conflictos <- acep_count(rev_puerto$nota, dicc_conflictos)
# Creamos la variable con la frecuencia de palabras que refieren a huelgas
rev_puerto$frec_huelgas <- acep_count(rev_puerto$nota, dicc_huelgas)
# Creamos el diccionario de palabras que refieren a actores colectivos
dicc_actores <- c("trabajadores", "docentes", "sindicato", "vecinos",
"municipal", "gobierno")
# Creamos la variable con la frecuencia de palabras que
# refieren a actores colectivos
rev_puerto$frec_actores <- acep_count(rev_puerto$nota, dicc_actores)
# Imprimimos la base en consola
rev_puerto
#> # A tibble: 720 × 13
#> id fecha seccion titulo bajada nota nota_norm link clas_hum
#> <dbl> <date> <fct> <chr> <chr> <chr> <chr> <chr> <lgl>
#> 1 1 2016-03-01 La Ciudad Emotivo: po… "Hace… "Los… "los dos… http… FALSE
#> 2 2 2016-03-01 La Ciudad El oficiali… "En l… "La … "la decl… http… TRUE
#> 3 3 2016-03-02 La Ciudad Rech tambié… "El r… "El … "el conc… http… TRUE
#> 4 4 2016-03-02 La Ciudad Anuncian in… "El i… "El … "el inte… http… FALSE
#> 5 5 2016-03-02 La Ciudad Video: la p… "El C… "De … "de mane… http… FALSE
#> 6 6 2016-03-03 La Ciudad Nuevas inve… "Una … "Rep… "represe… http… FALSE
#> 7 7 2016-03-03 La Ciudad Exigimos un… "Para… "En … "en el m… http… TRUE
#> 8 8 2016-03-03 La Ciudad Hoy en Mar … "Clas… "Yog… "yoga y … http… TRUE
#> 9 9 2016-03-06 La Ciudad El Colegio … "Será… "El … "el cons… http… FALSE
#> 10 10 2016-03-06 La Ciudad La inseguri… "A pe… "Un … "un grup… http… TRUE
#> # ℹ 710 more rows
#> # ℹ 4 more variables: frec_palabras <int>, frec_conflictos <int>,
#> # frec_huelgas <int>, frec_actores <int>
Los índices
Ya construidas las variables de frecuencia de palabras y menciones nos ocuparemos de elaborar nuevas variables con índices de intensidad en base al ratio entre las frecuencias de palabras totales y las menciones de los diccionarios sobre trabajadorxs del pescado, conflictos y huelgas. Para la elaboración de estos índices haremos uso de la función acep_int() del paquete ACEP.
# Creamos la variable con el índice de conflictividad general
rev_puerto$i_conf_gral <- acep_int(rev_puerto$frec_conflictos,
rev_puerto$frec_palabras)
# Creamos la variable con el índice de incidencia
# de actores colectivos
rev_puerto$i_actores <- acep_int(rev_puerto$frec_actores,
rev_puerto$frec_palabras)
# Creamos la variable con el índice de huelgas
rev_puerto$i_huelgas <- acep_int(rev_puerto$frec_huelgas,
rev_puerto$frec_conflictos)
# Filtramos para quedarnos con los índices mayores a 0
# en la variable del índice de conflictividad general
rev_puerto <- rev_puerto[rev_puerto$i_conf_gral > 0, ]
# Filtramos para quedarnos con los índices mayores a 0
# en el índice de incidencia de actores colectivos
rev_puerto <- rev_puerto[rev_puerto$i_actores > 0, ]
# Imprimimos la base en consola
rev_puerto
#> # A tibble: 244 × 16
#> id fecha seccion titulo bajada nota nota_norm link clas_hum
#> <dbl> <date> <fct> <chr> <chr> <chr> <chr> <chr> <lgl>
#> 1 7 2016-03-03 La Ciudad Exigimos un… "Para… "En … "en el m… http… TRUE
#> 2 10 2016-03-06 La Ciudad La inseguri… "A pe… "Un … "un grup… http… TRUE
#> 3 16 2016-03-17 La Ciudad Cirone: Des… "El t… "El … "el titu… http… TRUE
#> 4 22 2016-03-22 La Ciudad Arroyo al g… "Por … "Al … "al prin… http… TRUE
#> 5 24 2016-03-24 La Ciudad Fueron plan… "En e… "En … "en el p… http… TRUE
#> 6 30 2016-04-02 La Ciudad Vecinalista… "Los … "Vec… "vecinal… http… TRUE
#> 7 37 2016-04-15 La Ciudad Se hace sen… "Es e… "Los… "los doc… http… TRUE
#> 8 41 2016-04-20 La Ciudad Denuncian q… "Lo h… "La … "la pres… http… FALSE
#> 9 43 2016-04-20 La Ciudad Frente Reno… "El p… "El … "el bloq… http… TRUE
#> 10 51 2016-05-02 La Ciudad Denuncian q… "Aseg… "Los… "los tra… http… TRUE
#> # ℹ 234 more rows
#> # ℹ 7 more variables: frec_palabras <int>, frec_conflictos <int>,
#> # frec_huelgas <int>, frec_actores <int>, i_conf_gral <dbl>, i_actores <dbl>,
#> # i_huelgas <dbl>
Al realizar los filtros la base se redujo a 244 notas que presentan al menos una mención de una palabra que refiere a conflicto y al menos un término que refiere a actores colectivos.
Serie temporal de índices
En esta parte del código usaremos la función acep_sst() para calcular los índices agrupados por año y mes. Primero construimos la serie de tiempo para la conflictividad general.
# Calculamos el índice anual de conflictividad general en el
# ámbito de la industrial del procesado de pescado en tierra
# Pero primero preparamos el marcos de datos para ser procesado
# por la función acep_sst()
# Estos pasos previos se deben realizar porque en este ejemplo no hicimos uso
# de la función acep_db() que calcula frecuencia, menciones e intensidad y
# deja el marco de datos resultante en un formato adecuado para ser usado
# con la función acep_sst()
datos <- data.frame(
fecha = rev_puerto$fecha,
n_palabras = rev_puerto$frec_palabras,
conflictos = rev_puerto$frec_conflictos,
intensidad = rev_puerto$i_conf_gral
)
# Luego construimos los vectores
fecha <- datos$fecha
n_palabras <- datos$n_palabras
conflictos <- datos$conflictos
# Ahora agrupamos por mes la conflictividad general del sector
conf_gral_anio <- acep_sst(datos, st = "anio")
# Imprimimos la base en consola
conf_gral_anio |> head()
#> st frecn csn frecp frecm intac intensidad int_notas_confl
#> 1 2016 60 25 36083 168 0.4820 0.0047 0.4167
#> 2 2017 59 27 43511 210 0.4032 0.0048 0.4576
#> 3 2018 54 22 29270 170 0.4341 0.0058 0.4074
#> 4 2019 70 40 49513 269 0.5684 0.0054 0.5714
# Calculamos el índice mensual de conflictividad general en el
# ámbito de la industrial del procesado de pescado en tierra
# Pero primero preparamos el marcos de datos para ser procesado
# por la función acep_sst()
datos <- data.frame(
fecha = rev_puerto$fecha,
n_palabras = rev_puerto$frec_palabras,
conflictos = rev_puerto$frec_conflictos,
intensidad = rev_puerto$i_conf_gral
)
# Nos quedamos con un año presente en la muestra incluida
anio_ejemplo <- names(sort(table(format(as.Date(datos$fecha), "%Y")),
decreasing = TRUE))[1]
datos <- datos[format(as.Date(datos$fecha), "%Y") == anio_ejemplo, ]
# Luego construimos los vectores
fecha <- datos$fecha
n_palabras <- datos$n_palabras
conflictos <- datos$conflictos
# Ahora agrupamos por mes la conflictividad general del sector
conf_gral <- acep_sst(datos)
# Imprimimos la base en consola
conf_gral |> head()
#> st frecn csn frecp frecm intac intensidad int_notas_confl
#> 1 2019-01 10 7 9450 49 0.0750 0.0052 0.7000
#> 2 2019-02 5 3 2075 16 0.0410 0.0077 0.6000
#> 3 2019-03 12 9 8091 49 0.1249 0.0061 0.7500
#> 4 2019-04 7 6 5009 57 0.0812 0.0114 0.8571
#> 5 2019-05 7 3 3818 20 0.0522 0.0052 0.4286
#> 6 2019-06 5 2 2248 11 0.0340 0.0049 0.4000
En la siguiente parte del código construimos la serie de tiempo para la conflictividad huelguística.
# Calculamos el índice mensual de conflictividad huelguística en el
# ámbito de la industrial del procesado de pescado en tierra
# Pero primero preparamos el marcos de datos para ser procesado
# por la función acep_sst()
datosh <- data.frame(
fecha = rev_puerto$fecha,
n_palabras = rev_puerto$frec_palabras,
conflictos = rev_puerto$frec_huelgas,
intensidad = rev_puerto$i_huelgas
)
# Nos quedamos con el mismo año de ejemplo
datosh <- datosh[format(as.Date(datosh$fecha), "%Y") == anio_ejemplo, ]
# Luego construimos los vectores
fechah <- datosh$fecha
n_palabrash <- datosh$n_palabras
conflictosh <- datosh$conflictos
# Ahora agrupamos por mes la conflictividad huelguística del sector
huelgas <- acep_sst(datosh)
# Imprimimos la base en consola
huelgas |> head()
#> st frecn csn frecp frecm intac intensidad int_notas_confl
#> 1 2019-01 10 1 9450 11 2.2309 0.0012 0.1000
#> 2 2019-02 5 1 2075 4 0.7500 0.0019 0.2000
#> 3 2019-03 12 2 8091 13 2.1179 0.0016 0.1667
#> 4 2019-04 7 2 5009 24 2.6191 0.0048 0.2857
#> 5 2019-05 7 3 3818 12 3.7667 0.0031 0.4286
#> 6 2019-06 5 0 2248 0 0.0000 0.0000 0.0000
Las visualizaciones
En este último apartado haremos uso de las funciones acep_plot_st() y acep_plot_rst() para visualizar la variación anual y mensual de la conflictividad general en la muestra incluida en el paquete.
# Visualizaremos el índice de conflictividad general
# agrupado por año para el período 2009-2020
acep_plot_st(
conf_gral_anio$st,
conf_gral_anio$frecm,
t = "Indice anual de conflictividad en la industria pesquera (MdP)",
ejey = "Menciones del diccionario",
etiquetax = "vertical"
)
#> Warning in rect(y1, x1, y2, x2, ...): semi-transparencia no esta soportado en
#> este dispositivo: reportado solo una vez por pagina
# Visualizaremos el índice de conflictividad general
# agrupado por año para el período 2009-2020
acep_plot_rst(conf_gral_anio, tagx = "vertical")
# Visualizaremos el índice de conflictividad general
# agrupado por mes para el 2012
acep_plot_st(
conf_gral$st,
conf_gral$frecm,
t = "Indice mensual de conflictos en la industria pesquera (MdP)",
ejey = "Menciones del diccionario",
etiquetax = "vertical"
)
#> Warning in rect(y1, x1, y2, x2, ...): semi-transparencia no esta soportado en
#> este dispositivo: reportado solo una vez por pagina
# Visualizaremos el índice de conflictividad huelguística
# agrupado por mes para el 2012
acep_plot_st(
huelgas$st,
huelgas$frecm,
t = "Indice mensual de huelgas en la industria pesquera (MdP)",
ejey = "Menciones del diccionario",
etiquetax = "vertical"
)
#> Warning in rect(y1, x1, y2, x2, ...): semi-transparencia no esta soportado en
#> este dispositivo: reportado solo una vez por pagina
Las distintas métricas permiten explorar la temporalidad de las menciones a conflictividad en el corpus de ejemplo sin depender de recursos externos durante la reconstrucción de la vignette.
Comentarios finales
A lo largo de este breve tutorial sobre algunas de las funciones del paquete ACEP buscamos ejemplificar de qué modo se puede adoptar un enfoque de diccionario para realizar un primer análisis exploratorio de un corpus de notas periodísticas. Los resultados son alentadores. Con la combinación de distintos diccionarios se pudo identificar la temporalidad de la conflictividad protagonizada por lxs obrerxs del pescado en la ciudad de Mar del Plata. En próximos artículos avanzaremos con otras funciones del paquete ACEP para el análisis computacional de la conflictividad en la industria pesquera argentina.