Kuka eduskunnassa oikeasti puhuu?

Sarjan idea. Osissa 1–2 katsoimme, keitä kansanedustajat ovat. Nyt siirrymme siihen, mitä he tekevät. Aloitamme yksinkertaisimmasta havaittavasta teosta: puheenvuorosta täysistunnossa.

Uutiskoukku: 200 edustajaa, yksi mikrofoni

Kansanedustajat valitaan tasavertaisiksi lainsäätäjiksi. Jokaisella on sama oikeus käyttää puheenvuoro. Mutta oikeus puhua ja puheen määrä ovat kaksi eri asiaa.

Jos lukisimme uutisesta, että “kansanedustaja pitää keskimäärin N puheenvuoroa vuodessa”, muodostaisimme mielikuvan tasaisesta salista. Tämä kirjoitus näyttää, miksi se mielikuva on väärä — ja mittaa, kuinka väärä.

library(tidyverse); library(here); library(qs2); library(ggdist); library(scales)
library(patchwork)
select <- dplyr::select; filter <- dplyr::filter
set.seed(20270418)
pal <- c(punainen="#e63946", turkoosi="#2a9d8f", oranssi="#f4a261",
         laivasto="#1d3557", sininen="#457b9d")
theme_kv <- function() theme_minimal(base_size = 13) +
  theme(plot.title = element_text(face="bold"), plot.subtitle = element_text(color="grey30"),
        panel.grid.minor = element_blank(), legend.position = "top")
theme_set(theme_kv())

DATA <- here("data", "eduskunta")
paneeli <- qs2::qs_read(file.path(DATA, "paneeli.qs"))
stopifnot("Aja ensin R/eduskunta-data-prep.R" = nrow(paneeli) > 0)

Jakauma ensin

# Edustajakohtainen puheenvuorojen määrä per vuosi (nollat mukana!)
ggplot(paneeli, aes(x = n_puheita)) +
  geom_histogram(bins = 50, fill = pal[["sininen"]], alpha = .9) +
  labs(title = "Puheenvuorot: harva puhuu paljon, moni vähän",
       subtitle = "Yksi havainto = yksi edustaja yhtenä vuonna",
       x = "Puheenvuoroja vuodessa", y = "Edustajavuosia")

tibble(
  keskiarvo = mean(paneeli$n_puheita),
  mediaani  = median(paneeli$n_puheita),
  p90       = quantile(paneeli$n_puheita, .9),
  maksimi   = max(paneeli$n_puheita)) |> mutate(across(everything(), \(x) round(x, 1)))

# A tibble: 1 × 4
  keskiarvo mediaani   p90 maksimi
      <dbl>    <dbl> <dbl>   <dbl>
1      51.4       38   112     763

Huomaa keskiarvon ja mediaanin ero. Kun ne eroavat näin paljon, keskiarvo ei kuvaa ketään todellista edustajaa — se on vino jakauma, jossa muutama huippupuhuja vetää keskiarvon ylös. Tämä on koko sloganini ydin yhdessä taulukossa.

Kuinka epätasaista? Lorenz ja Gini

Puheen keskittymistä voi mitata samalla työkalulla kuin tulonjakoa: Lorenz-käyrällä ja Gini-kertoimella. Gini 0 = kaikki puhuvat yhtä paljon, Gini 1 = yksi puhuu kaiken.

gini <- function(x) {
  x <- sort(x[!is.na(x)]); n <- length(x)
  if (sum(x) == 0) return(NA_real_)
  sum((2 * seq_len(n) - n - 1) * x) / (n * sum(x))
}

vuosittain <- paneeli |> group_by(vuosi) |>
  summarise(gini = gini(n_puheita), n_edustajia = n(), .groups = "drop") |>
  filter(n_edustajia > 100)

lorenz <- paneeli |> filter(vuosi == max(vuosi)) |> arrange(n_puheita) |>
  mutate(osuus_edustajista = row_number()/n(),
         osuus_puheista = cumsum(n_puheita)/sum(n_puheita))

p1 <- ggplot(lorenz, aes(osuus_edustajista, osuus_puheista)) +
  geom_abline(linetype = "dashed", color = "grey60") +
  geom_area(fill = pal[["turkoosi"]], alpha = .3) +
  geom_line(color = pal[["turkoosi"]], linewidth = 1) +
  scale_x_continuous(labels = label_percent()) + scale_y_continuous(labels = label_percent()) +
  labs(title = "Lorenz-käyrä: puheajan keskittyminen",
       subtitle = paste0("Vuosi ", max(paneeli$vuosi), " · katkoviiva = täysin tasainen jako"),
       x = "Osuus edustajista (vähiten puhuvista alkaen)", y = "Osuus puheenvuoroista")

p2 <- ggplot(vuosittain, aes(vuosi, gini)) +
  geom_line(color = pal[["punainen"]], linewidth = 1) + geom_point(color = pal[["laivasto"]]) +
  ylim(0, 1) +
  labs(title = "Gini-kerroin vuosittain", subtitle = "0 = tasainen, 1 = yksi puhuu kaiken",
       x = NULL, y = "Gini")

p1 / p2

# Kuinka suuren osan puheista pitää puheliain 10 % / 20 %?
kesk <- paneeli |> group_by(vuosi) |>
  arrange(desc(n_puheita), .by_group = TRUE) |>
  summarise(top10 = sum(n_puheita[seq_len(ceiling(n()*.1))]) / sum(n_puheita),
            top20 = sum(n_puheita[seq_len(ceiling(n()*.2))]) / sum(n_puheita),
            hiljaiset = mean(n_puheita == 0), .groups = "drop")
kesk |> mutate(across(-vuosi, \(x) percent(x, accuracy = .1)))

# A tibble: 12 × 4
   vuosi top10  top20  hiljaiset
   <int> <chr>  <chr>  <chr>    
 1  2014 100.0% 100.0% 96.1%    
 2  2015 34.5%  53.8%  1.4%     
 3  2016 29.6%  47.7%  1.0%     
 4  2017 28.8%  46.3%  3.9%     
 5  2018 30.0%  47.8%  3.3%     
 6  2019 35.3%  53.2%  5.2%     
 7  2020 29.8%  45.9%  2.9%     
 8  2021 27.1%  44.0%  2.0%     
 9  2022 28.5%  45.3%  3.9%     
10  2023 29.1%  46.9%  5.3%     
11  2024 28.9%  45.1%  1.4%     
12  2025 37.3%  52.8%  6.5%     

Mitä tämä tarkoittaa päättäjälle

• Puheaika on jakauma, ei tasajako. Gini-kerroin kertoo, kuinka paljon salin ääni keskittyy — ja luku on korkeampi kuin useimmat arvaavat.
• Keskiarvo johtaa harhaan. Kun mediaani ja keskiarvo eroavat näin paljon, “keskimääräinen edustaja” on tilastollinen haamu.
• Nollat ovat tietoa. Merkittävä osa edustajavuosista sisältää hyvin vähän tai ei lainkaan täysistuntopuheita. Palaamme näihin hiljaisiin osassa 5.

Uutiskoukku takaisin

Sali näyttää tasavertaiselta: 200 edustajaa, sama oikeus puhua. Data kertoo toista. Ääni jakautuu kuin varallisuus — ja sitä kannattaa mitata samoilla työkaluilla.

---

TipTehdäänkö teidän datallenne sama?

Keskittymisen mittaaminen — kuka tuottaa, kuka kuluttaa, kuka on hiljaa — on sama menetelmä riippumatta siitä, ovatko yksiköt puheenvuoroja, asiakkaita vai riskejä. kristianvepsalainen.com

Datalähde: Eduskunnan avoin data (CC BY 4.0).