---
title: "Mistä eduskunnassa tehdään aloitteita — ja miten se muuttuu"
subtitle: "Eduskunta jakaumana, osa 10: lainsäädännön aihevirta"
description: >
Mistä aiheista kansanedustajat tekevät aloitteita ja kysymyksiä, ja miten
painopisteet liikkuvat vuosien yli? Käytämme aineiston omia aihetunnisteita —
emme epävarmaa tekstimallinnusta.
date: 2026-09-03
author: "Kristian Vepsäläinen"
categories: [eduskunta, avoin data, aihemallinnus, jakaumat]
format:
html:
toc: true
toc-title: "Sisällys"
code-fold: true
code-summary: "Näytä koodi"
execute: { warning: false, message: false, echo: true }
---
## Uutiskoukku: mikä on pinnalla eduskunnassa?
Media kertoo, mistä poliitikot puhuvat. Mutta mistä he tekevät konkreettisia
aloitteita ja kysymyksiä — ja miten se on muuttunut? Vastaus on aineistossa, ja
tärkeää on, että käytämme **aineiston omia aihetunnisteita**, emme itse tehtyä
tekstiluokitusta.
::: {.callout-note title="Miksi ei NLP?"}
Aloitteet sisältävät valmiiksi luokitellut aihetunnisteet (`AiheTeksti`). Ne ovat
eduskunnan itsensä antamia, joten ne ovat läpinäkyviä ja toistettavia — toisin kuin
aihemallinnus (LDA tms.), joka olisi herkkä suomen kielen taivutukselle ja mallin
valinnoille. Käytämme siis rakenteista dataa, joka on sekä luotettavampi että
rehellisempi.
:::
```{r setup}
#| cache: false
library(tidyverse); library(here); library(qs2); library(scales); library(ggdist)
select <- dplyr::select; filter <- dplyr::filter
set.seed(20270418)
pal <- c(punainen="#e63946", turkoosi="#2a9d8f", oranssi="#f4a261",
laivasto="#1d3557", sininen="#457b9d", keltainen = "yellow")
theme_set(theme_minimal(base_size = 13) +
theme(plot.title = element_text(face="bold"), panel.grid.minor = element_blank()))
DATA <- here("data", "eduskunta")
init <- qs2::qd_read(file.path(DATA, "vaski_init.qs"))
stopifnot("Aja ensin R/vaski-data-prep.R" = nrow(init) > 1000)
```
## Aiheet pitkässä muodossa
```{r aiheet-long}
aiheet <- init |> select(id, vpvuosi, tyyppi, aiheet) |>
unnest(aiheet) |> filter(!is.na(aiheet), aiheet != "") |>
mutate(aihe = str_squish(str_to_lower(aiheet)))
stopifnot("Aihetunnisteita ei löytynyt" = nrow(aiheet) > 1000)
# Yleisimmät aiheet koko aineistossa
top <- aiheet |> count(aihe, sort = TRUE) |> slice_head(n = 20)
ggplot(top, aes(x = n, y = fct_reorder(aihe, n))) +
geom_col(fill = pal[["laivasto"]]) +
labs(title = "Yleisimmät aloitteiden ja kysymysten aiheet",
subtitle = "Aineiston omat aihetunnisteet", x = "Mainintoja", y = NULL)
```
## Aihevirta ajassa
```{r trendi}
top_aiheet <- top |> slice_head(n = 6) |> pull(aihe)
per_vuosi <- aiheet |> count(vpvuosi, name = "n_yht")
trendi <- aiheet |> filter(aihe %in% top_aiheet) |>
count(vpvuosi, aihe) |> left_join(per_vuosi, by = "vpvuosi") |>
mutate(osuus = n / n_yht) |> filter(vpvuosi >= 2015, vpvuosi < 2026)
ggplot(trendi, aes(vpvuosi, osuus, color = aihe)) +
geom_line(linewidth = 1) + geom_point() +
scale_y_continuous(labels = label_percent()) +
scale_color_manual(values = unname(pal)) +
labs(title = "Aiheiden painopiste liikkuu vuosien yli",
subtitle = "Kuuden yleisimmän aiheen osuus aloitteiden aihetunnisteista",
x = NULL, y = "Osuus maininnoista", color = NULL)
```
## Onko aihejakauma muuttunut? Tilastollinen testi
Verrataan aihejakaumaa aineiston **ensimmäisen** ja **viimeisen** täyden
vaalikauden välillä. Aiheet ovat kategorinen muuttuja, joten käytämme
khii-neliötä ja efektikokona Cramérin V:tä.
```{r testi}
kaudet <- aiheet |> filter(aihe %in% top_aiheet) |>
mutate(kausi = case_when(vpvuosi %in% 2015:2018 ~ "2015–2018",
vpvuosi %in% 2019:2022 ~ "2019–2022",
TRUE ~ NA_character_)) |>
filter(!is.na(kausi))
taulu <- table(kaudet$aihe, kaudet$kausi)
khi <- chisq.test(taulu)
cramers_v <- sqrt(unname(khi$statistic) / (sum(taulu) * (min(dim(taulu)) - 1)))
tibble(khi2 = round(unname(khi$statistic),1), df = unname(khi$parameter),
p = signif(khi$p.value,3), cramers_V = round(cramers_v,3))
```
::: {.callout-note title="Tulkinta"}
Merkitsevä ero kertoo, että aihejakauma *muuttui* kausien välillä; efektikoko
(Cramérin V) kertoo *kuinka paljon*. Suuri aineisto tekee lähes mistä tahansa
erosta merkitsevän, joten efektikoko on tässä olennaisempi kuin p-arvo.
:::
## Aihejakauma tyypeittäin
Eri asiakirjatyypit painottuvat eri aiheisiin — lakialoitteet eri tavoin kuin
kirjalliset kysymykset.
```{r tyypeittain}
aiheet |> filter(aihe %in% top_aiheet, tyyppi %in% c("KK","LA","TPA")) |>
count(tyyppi, aihe) |> group_by(tyyppi) |> mutate(osuus = n/sum(n)) |> ungroup() |>
ggplot(aes(osuus, fct_rev(aihe), fill = tyyppi)) +
geom_col(position = "dodge") +
scale_x_continuous(labels = label_percent()) +
scale_fill_manual(values = unname(pal[c(1,2,4)])) +
labs(title = "Aiheet painottuvat eri tavoin asiakirjatyypeittäin",
x = "Osuus tyypin maininnoista", y = NULL, fill = NULL)
```
## Mitä tämä tarkoittaa päättäjälle
- **Aihepainotukset ovat mitattava jakauma**, joka liikkuu — ja liikkeen suuruus
on kvantifioitavissa, ei fiiliksen varassa.
- **Rakenteinen data voittaa mallinnuksen**, kun se on olemassa: aineiston omat
aihetunnisteet ovat läpinäkyvämpiä ja toistettavampia kuin tekstimalli.
---
::: {.callout-tip title="Tehdäänkö teidän datallenne sama?"}
Aiheiden ja painopisteiden seuranta rakenteisesta datasta, ilman mustan laatikon
malleja — **kristianvepsalainen.com**
:::
*Datalähde: Eduskunnan avoin data, VaskiData (CC BY 4.0).*
