--- title: "Conflictividad laboral en la pesca" date: "`r Sys.Date()`" author: "Agust\u00edn Nieto" output: rmarkdown::html_vignette vignette: > %\VignetteIndexEntry{conflictividad_soip} %\VignetteEngine{knitr::rmarkdown} %\VignetteEncoding{UTF-8} --- ```{r, include = FALSE} knitr::opts_chunk$set( collapse = FALSE, comment = "#>" ) ``` ## Introducción En este artículo desarrollaremos una introducción al análisis de la conflictividad laboral en la industria pesquera argentina con un enfoque de diccionario en base a las funciones del paquete ACEP. En esta oportunidad pondremos el foco en la conflictividad laboral protagonizada por el Sindicato Obrero de la Industria del Pescado (SOIP) en la ciudad de Mar del Plata entre los años 2009 y 2020. ## El corpus de notas Para que este artículo pueda reconstruirse en CRAN sin depender de descargas externas, los ejemplos ejecutables usan `ACEP::acep_bases$lc_720`, una muestra incluida en el paquete. Se compone de `r nrow(ACEP::acep_bases$lc_720)` notas y `r length(ACEP::acep_bases$lc_720)` variables: `r paste0(names(ACEP::acep_bases$lc_720), collapse = ', ')`. En una sesión interactiva con conexión también se puede cargar el corpus completo de Revista Puerto con `acep_load_base(acep_bases$rp_mdp)`. ```{r setup, eval=require("tibble"), message=FALSE} # Cargamos la librería ACEP library(ACEP) # Cargamos una muestra incluida en el paquete rev_puerto <- acep_bases$lc_720 # Imprimimos la base en consola rev_puerto ``` ## Los diccionarios Una vez cargada la base de notas vamos a crear variables numéricas que contengan las frecuencias de palabras totales y de cada diccionario usado para cada una de las notas. En esta parte del código haremos uso de dos funciones del paquete ACEP: `acep_frec()` y `acep_count()`. También crearemos diccionarios breves para identificar menciones a conflictos, huelgas y actores colectivos. ```{r diccionarios, eval=require("tibble"), message=FALSE} # Creamos la variable con la frecuencia de palabras por nota rev_puerto$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$nota, dicc_actores) # Imprimimos la base en consola rev_puerto ``` ## Los índices Ya construidas las variables de frecuencia de palabras y menciones nos ocuparemos de elaborar nuevas variables con índices de intensidad en base al ratio entre las frecuencias de palabras totales y las menciones de los diccionarios sobre trabajadorxs del pescado, conflictos y huelgas. Para la elaboración de estos índices haremos uso de la función `acep_int()` del paquete ACEP. ```{r ratio, eval=require("tibble"), message=FALSE} # Creamos la variable con el índice de conflictividad general rev_puerto$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 ``` Al realizar los filtros la base se redujo a `r nrow(rev_puerto)` 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. ```{r temporal0, eval=require("tibble"), message=FALSE} # 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$conflictos # Ahora agrupamos por mes la conflictividad general del sector conf_gral_anio <- acep_sst(datos, st = "anio") # Imprimimos la base en consola conf_gral_anio |> head() ``` ```{r temporal, eval=require("tibble"), message=FALSE} # Calculamos el índice mensual de conflictividad general en el # ámbito de la industrial del procesado de pescado en tierra # Pero primero preparamos el marcos de datos para ser procesado # por la función acep_sst() datos <- data.frame( fecha = rev_puerto$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() ``` En la siguiente parte del código construimos la serie de tiempo para la conflictividad huelguística. ```{r temporal_huelgas, eval=require("tibble"), message=FALSE} # 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() ``` ## 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. ```{r plot00, message=FALSE} # 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" ) ``` ``` # Visualizaremos el índice de conflictividad general # agrupado por año para el período 2009-2020 acep_plot_rst(conf_gral_anio, tagx = "vertical") ``` ![](plot_vignette.png) ```{r plot01, message=FALSE} # 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" ) ``` ```{r plot02, message=FALSE} # 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" ) ``` 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.