Kuka on nopea, kuka ruuhkautuu? Valiokuntien käsittelyajat – Kristian Vepsäläinen

Uutiskoukku: kuinka kauan laki hautuu?

Kun hallituksen esitys tai aloite tulee eduskuntaan, sen käsittelee valiokunta. Osa menee nopeasti, osa hautuu kuukausia. Kuka on nopea, kuka ruuhkautuu — ja onko ero aiheessa vai valiokunnassa?

Näytä koodi

library(tidyverse); library(here); library(qs2); library(ggdist); library(scales)
select <- dplyr::select; filter <- dplyr::filter
set.seed(20270418)
pal <- c(punainen="#e63946", turkoosi="#2a9d8f", oranssi="#f4a261",
         laivasto="#1d3557", sininen="#457b9d")
theme_set(theme_minimal(base_size = 13) +
  theme(plot.title = element_text(face="bold"), panel.grid.minor = element_blank()))
DATA <- here("data", "eduskunta")
docs <- qs2::qd_read(file.path(DATA, "vaski_docs.qs"))

Käsittelyajan rakentaminen

Verifiointikohta — mietinnön päivämäärät

Käsittelyaika = mietinnön laadintapäivä miinus asian vireilletulopäivä. Molemmat ovat valiokuntamietinnön (VM/VP/VE) XML:ssä, mutta en ole vielä nähnyt mietinnön rakennetta. Vaski-prepissä on diagnostiikka (kohta B), joka näyttää LaadintaPvmTekstin ja vireilletulon. Aja se ja liitä tulos, niin kirjoitan kasittelyajat-poiminnan prepiin (valiokunta, aihe, alku- ja loppupvm).

Näytä koodi

# Kytketään, kun mietinnön pvm-rakenne on varmistettu (ks. prep, kohta B).
kasittely <- qs2::qd_read(file.path(DATA, "kasittelyajat.qs"))
# odotettu rakenne: valiokunta, aihe, vireille_pvm, mietinto_pvm
kasittely <- kasittely |>
  mutate(paivia = as.integer(mietinto_pvm - vireille_pvm)) |>
  filter(paivia >= 0, paivia < 1000)

Jakauma ensin

Käsittelyaika on vino: useimmat asiat käsitellään kohtuuajassa, mutta pitkä häntä venyy kauas. Keskiarvo pettäisi tässä pahasti.

Näytä koodi

ggplot(kasittely, aes(x = paivia)) +
  geom_histogram(bins = 50, fill = pal[["sininen"]], alpha = .9) +
  geom_vline(aes(xintercept = median(paivia)), color = pal[["punainen"]], linetype = "dashed") +
  labs(title = "Valiokuntakäsittelyn kesto — vino jakauma",
       subtitle = "Punainen: mediaani (keskiarvo olisi harhaanjohtava)",
       x = "Käsittelypäiviä", y = "Asioita")

Valiokunnittain

Näytä koodi

jarjestys <- kasittely |> group_by(valiokunta) |>
  summarise(med = median(paivia), n = n(), .groups = "drop") |>
  filter(n >= 20) |> arrange(med)

kasittely |> semi_join(jarjestys, by = "valiokunta") |>
  mutate(valiokunta = factor(valiokunta, levels = jarjestys$valiokunta)) |>
  ggplot(aes(x = paivia, y = valiokunta)) +
  stat_pointinterval(color = pal[["laivasto"]]) +
  labs(title = "Käsittelyaika valiokunnittain",
       subtitle = "Mediaani ja vaihteluväli — jakaumana, ei yhtenä lukuna",
       x = "Käsittelypäiviä", y = NULL)

Eroavatko valiokunnat merkitsevästi?

Vino, jatkuva muuttuja ja monta ryhmää → Kruskal–Wallis ja efektikokona epsilon-neliö. Jos ero on merkitsevä, katsomme parittaiset erot varovasti.

Näytä koodi

kw <- kruskal.test(paivia ~ factor(valiokunta), data = kasittely)
eps2 <- unname(kw$statistic) / (nrow(kasittely) - 1)
tibble(khi2 = round(unname(kw$statistic),1), df = unname(kw$parameter),
       p = signif(kw$p.value,3), epsilon2 = round(eps2,3))

Käsittelyajan tulkinta vaatii varovaisuutta

Pitkä käsittelyaika ei tarkoita tehottomuutta — monimutkainen tai kiistanalainen asia kuuluukin käsitellä perusteellisesti. Käsittelyaika on siis kuvaava mittari, ei suoritusarvosana. Vertailussa on huomioitava asian tyyppi ja aihe.

Mitä tämä tarkoittaa päättäjälle

Käsittelyaika on jakauma. Mediaani ja häntä kertovat eri tarinan kuin keskiarvo — ja häntä on se, missä ruuhkat piilevät.
Nopeus ei ole hyvyys. Mittari kuvaa prosessia, ei sen laatua; tulkinta vaatii kontekstin.

Tehdäänkö teidän datallenne sama?

Läpimenoaikojen ja prosessien pullonkaulojen analyysi jakaumina — asiakirjoista, tiketeistä tai tuotantovirroista. kristianvepsalainen.com

Datalähde: Eduskunnan avoin data, VaskiData (CC BY 4.0).

--- title: "Kuka on nopea, kuka ruuhkautuu? Valiokuntien käsittelyajat" subtitle: "Eduskunta jakaumana, osa 12: käsittelyaika jakaumana" description: > Valiokunnat tekevät eduskunnan varsinaisen työn. Kuinka kauan asian käsittely kestää, ja miten se vaihtelee valiokunnittain ja aiheittain? Käsittelyaika ei ole yksi luku vaan jakauma. date: 2026-09-17 author: "Kristian Vepsäläinen" categories: [eduskunta, avoin data, jakaumat, käsittelyaika] format: html: toc: true toc-title: "Sisällys" code-fold: true code-summary: "Näytä koodi" execute: { warning: false, message: false, echo: true } --- ## Uutiskoukku: kuinka kauan laki hautuu? Kun hallituksen esitys tai aloite tulee eduskuntaan, sen käsittelee valiokunta. Osa menee nopeasti, osa hautuu kuukausia. Kuka on nopea, kuka ruuhkautuu — ja onko ero aiheessa vai valiokunnassa? ```{r setup} #| cache: false library(tidyverse); library(here); library(qs2); library(ggdist); library(scales) select <- dplyr::select; filter <- dplyr::filter set.seed(20270418) pal <- c(punainen="#e63946", turkoosi="#2a9d8f", oranssi="#f4a261", laivasto="#1d3557", sininen="#457b9d") theme_set(theme_minimal(base_size = 13) + theme(plot.title = element_text(face="bold"), panel.grid.minor = element_blank())) DATA <- here("data", "eduskunta") docs <- qs2::qd_read(file.path(DATA, "vaski_docs.qs")) ``` ## Käsittelyajan rakentaminen ::: {.callout-important title="Verifiointikohta — mietinnön päivämäärät"} Käsittelyaika = **mietinnön laadintapäivä** miinus **asian vireilletulopäivä**. Molemmat ovat valiokuntamietinnön (VM/VP/VE) XML:ssä, mutta en ole vielä nähnyt mietinnön rakennetta. Vaski-prepissä on diagnostiikka (kohta B), joka näyttää `LaadintaPvmTeksti`n ja vireilletulon. Aja se ja liitä tulos, niin kirjoitan `kasittelyajat`-poiminnan prepiin (valiokunta, aihe, alku- ja loppupvm). ::: ```{r data} #| eval: false # Kytketään, kun mietinnön pvm-rakenne on varmistettu (ks. prep, kohta B). kasittely <- qs2::qd_read(file.path(DATA, "kasittelyajat.qs")) # odotettu rakenne: valiokunta, aihe, vireille_pvm, mietinto_pvm kasittely <- kasittely |> mutate(paivia = as.integer(mietinto_pvm - vireille_pvm)) |> filter(paivia >= 0, paivia < 1000) ``` ## Jakauma ensin Käsittelyaika on vino: useimmat asiat käsitellään kohtuuajassa, mutta pitkä häntä venyy kauas. Keskiarvo pettäisi tässä pahasti. ```{r jakauma} #| eval: false ggplot(kasittely, aes(x = paivia)) + geom_histogram(bins = 50, fill = pal[["sininen"]], alpha = .9) + geom_vline(aes(xintercept = median(paivia)), color = pal[["punainen"]], linetype = "dashed") + labs(title = "Valiokuntakäsittelyn kesto — vino jakauma", subtitle = "Punainen: mediaani (keskiarvo olisi harhaanjohtava)", x = "Käsittelypäiviä", y = "Asioita") ``` ## Valiokunnittain ```{r valiokunnittain} #| eval: false jarjestys <- kasittely |> group_by(valiokunta) |> summarise(med = median(paivia), n = n(), .groups = "drop") |> filter(n >= 20) |> arrange(med) kasittely |> semi_join(jarjestys, by = "valiokunta") |> mutate(valiokunta = factor(valiokunta, levels = jarjestys$valiokunta)) |> ggplot(aes(x = paivia, y = valiokunta)) + stat_pointinterval(color = pal[["laivasto"]]) + labs(title = "Käsittelyaika valiokunnittain", subtitle = "Mediaani ja vaihteluväli — jakaumana, ei yhtenä lukuna", x = "Käsittelypäiviä", y = NULL) ``` ## Eroavatko valiokunnat merkitsevästi? Vino, jatkuva muuttuja ja monta ryhmää → **Kruskal–Wallis** ja efektikokona epsilon-neliö. Jos ero on merkitsevä, katsomme parittaiset erot varovasti. ```{r testi} #| eval: false kw <- kruskal.test(paivia ~ factor(valiokunta), data = kasittely) eps2 <- unname(kw$statistic) / (nrow(kasittely) - 1) tibble(khi2 = round(unname(kw$statistic),1), df = unname(kw$parameter), p = signif(kw$p.value,3), epsilon2 = round(eps2,3)) ``` ::: {.callout-note title="Käsittelyajan tulkinta vaatii varovaisuutta"} Pitkä käsittelyaika ei tarkoita tehottomuutta — monimutkainen tai kiistanalainen asia *kuuluukin* käsitellä perusteellisesti. Käsittelyaika on siis kuvaava mittari, ei suoritusarvosana. Vertailussa on huomioitava asian tyyppi ja aihe. ::: ## Mitä tämä tarkoittaa päättäjälle - **Käsittelyaika on jakauma.** Mediaani ja häntä kertovat eri tarinan kuin keskiarvo — ja häntä on se, missä ruuhkat piilevät. - **Nopeus ei ole hyvyys.** Mittari kuvaa prosessia, ei sen laatua; tulkinta vaatii kontekstin. --- ::: {.callout-tip title="Tehdäänkö teidän datallenne sama?"} Läpimenoaikojen ja prosessien pullonkaulojen analyysi jakaumina — asiakirjoista, tiketeistä tai tuotantovirroista. **kristianvepsalainen.com** ::: *Datalähde: Eduskunnan avoin data, VaskiData (CC BY 4.0).*