Mitä eduskunta tuottaa? Katsaus 340 000 asiakirjaan – Kristian Vepsäläinen

Uusi jakso sarjassa. Osissa 1–7 tutkimme, keitä kansanedustajat ovat ja miten he puhuvat. Nyt käännämme katseen siihen, mitä eduskunta tuottaa: lakialoitteet, kirjalliset kysymykset, valiokuntamietinnöt, hallituksen esitykset. Tämä osa on kartta aineistoon; osat yhdeksästä eteenpäin sukeltavat yksittäisiin ilmiöihin.

Uutiskoukku: näkymätön työ

Julkinen keskustelu näkee eduskunnasta täysistunnon — puheet ja äänestykset. Mutta suurin osa työstä on asiakirjoja: aloitteita, kysymyksiä, mietintöjä. Tämä aineisto tekee sen työn näkyväksi. Ja kuten aina, se ei ole yksi luku vaan jakauma: kymmeniä asiakirjatyyppejä, hyvin eri määrinä.

Näytä koodi

library(tidyverse); library(here); library(qs2); 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_set(theme_minimal(base_size = 13) +
  theme(plot.title = element_text(face="bold"), plot.subtitle = element_text(color="grey30"),
        panel.grid.minor = element_blank()))
DATA <- here("data", "eduskunta")
docs <- qs2::qd_read(file.path(DATA, "vaski_docs.qs"))
stopifnot("Aja ensin R/vaski-data-prep.R" = nrow(docs) > 100000)

Mikä aineisto tämä on

VaskiData on eduskunnan valtiopäiväasiakirjojen kokoelma XML-muodossa, vuodesta 2015. Jokainen rivi on yksi asiakirja, ja Eduskuntatunnus (esim. KK 47/2018 rd) kertoo tyypin ja valtiopäivävuoden. Lisenssi on CC BY 4.0.

Näytä koodi

tibble(
  asiakirjoja = nrow(docs),
  tyyppeja    = n_distinct(docs$tyyppi),
  vuodet      = paste0(min(docs$vpvuosi, na.rm=TRUE), "–", max(docs$vpvuosi, na.rm=TRUE)))

# A tibble: 1 × 3
  asiakirjoja tyyppeja vuodet   
        <int>    <int> <chr>    
1      340508      226 1000–2929

Jakauma ensin: asiakirjatyypit

Tyyppejä on yli 200, mutta muutama hallitsee. Näytetään yleisimmät — huomaa, kuinka vino jakauma on.

Näytä koodi

top <- docs |> count(tyyppi, sort = TRUE) |> slice_head(n = 20)
ggplot(top, aes(x = n, y = fct_reorder(tyyppi, n))) +
  geom_col(fill = pal[["laivasto"]]) +
  scale_x_continuous(labels = label_number(big.mark = " ")) +
  labs(title = "20 yleisintä asiakirjatyyppiä",
       subtitle = "Muutama tyyppi kattaa valtaosan aineistosta",
       x = "Asiakirjoja", y = NULL)

Selitys asiakirjatyypeille. Suuri osa yleisimmistä tunnuksista liittyy edustajien omaan toimintaan tai on saman asiakirjan ruotsinkielinen versio.

Hallitus ja lainsäädäntö: HE hallituksen esitys, EV eduskunnan vastaus (hallituksen esitykseen).
Edustajien aloitteet: LA lakialoite, TPA toimenpidealoite, TAA talousarvioaloite.
Kysymykset: KK kirjallinen kysymys, KKV vastaus kirjalliseen kysymykseen, SKT suullisen kyselytunnin kysymys.
EU-asiat: U valtioneuvoston kirjelmä EU:ssa valmisteltavasta asiasta, E valtioneuvoston selvitys EU-asiasta, EUN valtioneuvoston selvitys EU:n neuvoston tai Eurooppa-neuvoston kokouksesta.
Pöytäkirjat: PTK täysistunnon pöytäkirja.
Ruotsinkieliset vastineet: RP = HE (regeringens proposition), RSv = EV (riksdagens svar), SS = KK (skriftligt spörsmål), SSS = KKV, BM = TAA (budgetmotion), PR = PTK (plenarprotokoll), MFT = SKT.
Tekninen tunniste: EDK on eduskunnan asiakirjatunnus (esim. EDK-2024-AK-…), jonka alle yksittäiset asiakirjat ja liitteet tallennetaan — ei siis oma asiakirjatyyppi, mikä selittää sen suuren määrän.

Neljä ryhmää — mistä eduskunnan työ koostuu

Näytä koodi

# EDK on tekninen yleistunniste (EDK-YYYY-AK-…), ei asiakirjatyyppi -> pois grouped-tarkastelusta
docs_luok <- docs |> filter(tyyppi != "EDK")

luokittele <- function(t) dplyr::case_when(
  # Edustajien aloitteet (ml. ruotsi: LM=lakialoite, AM=toimenpidealoite, BM=talousarvioaloite)
  t %in% c("LA","TPA","TAA","LM","AM","BM")             ~ "Edustajien aloitteet",
  # Kysymykset ja vastaukset (ml. ruotsi: SS=KK, SSS=KKV, MFT=SKT)
  t %in% c("KK","KKV","SKT","SS","SSS","MFT")           ~ "Kysymykset",
  # Hallituksen esitykset ja selonteot (RP = HE ruotsiksi)
  t %in% c("HE","RP","VNS","VNT")                       ~ "Hallituksen esitykset ja selonteot",
  # Eduskunnan vastaukset ja kirjelmät (RSv = EV ruotsiksi)
  t %in% c("EV","RSv","EK")                             ~ "Eduskunnan vastaukset",
  # EU- ja ulkoasiat
  t %in% c("U","E","EUN","UTP")                         ~ "EU- ja ulkoasiat",
  # Valiokuntatyö päätteestä: suomi …VM/…VL/…VP/…VE, ruotsi …UB/…UU/…UD
  str_detect(t, "V[MLPE]$") | str_detect(t, "U[BUD]$")  ~ "Valiokuntatyö",
  # Täysistunnot (PR = PTK ruotsiksi)
  t %in% c("PTK","PR")                                  ~ "Istunnot",
  TRUE ~ "Muut")

ryhmat <- docs |> mutate(ryhma = luokittele(tyyppi)) |>
  count(ryhma) |> mutate(osuus = n/sum(n))

ggplot(ryhmat, aes(x = osuus, y = fct_reorder(ryhma, osuus))) +
  geom_col(fill = pal[["turkoosi"]]) +
  geom_text(aes(label = percent(osuus, .1)), hjust = -0.1, size = 3.5) +
  scale_x_continuous(labels = label_percent(), expand = expansion(c(0,.15))) +
  labs(title = "Eduskunnan asiakirjatuotanto neljässä ryhmässä",
       x = NULL, y = NULL)

Asiakirjavirta ajassa

Näytä koodi

vuosittain <- docs |> filter(!is.na(vpvuosi), vpvuosi >= 2015, vpvuosi < 2026) |>
  mutate(ryhma = luokittele(tyyppi)) |>
  count(vpvuosi, ryhma)

# Laajennettu paletti ryhmäkuvaajille (8 luokkaa). Perustuu pal-väreihin + 3 lisäsävyä.
ryhma_varit <- c(unname(pal), "#8d6e9c", "#e9c46a", "#6d6875")

ggplot(vuosittain, aes(vpvuosi, n, color = ryhma)) +
  geom_line(linewidth = 1) + geom_point() +
  scale_color_manual(values = ryhma_varit) +
  scale_y_continuous(labels = label_number(big.mark = " ")) +
  labs(title = "Asiakirjatuotanto vuosittain ryhmittäin",
       subtitle = "Vaalikausien vaihtuminen ja kriisivuodet näkyvät",
       x = NULL, y = "Asiakirjoja", color = NULL)

Piikit ja notkot eivät ole satunnaisia: vaalivuodet katkaisevat valtiopäivät, ja poikkeusolot (kuten COVID-vuodet) näkyvät sekä hallituksen esitysten että kysymysten määrissä. Näihin muutoskohtiin palaamme osassa, joka käsittelee lainsäädännön rytmiä.

Mitä tästä aineistosta saa irti — sarjan tiekartta

Tämä aineisto kantaa viisi seuraavaa osaa:

Osa 9: Aloitteiden läpimeno — mikä ennustaa, meneekö lakialoite läpi?
Osa 10: Lainsäädännön aihevirta — mistä eduskunnassa tehdään aloitteita, ja miten se muuttuu (rakenteisilla aihetunnisteilla, ei tekstimallinnuksella).
Osa 11: Yhteistyöverkostot — ketkä allekirjoittavat toistensa aloitteita?
Osa 12: Valiokuntien käsittelyajat — kuka on nopea, kuka ruuhkautuu?
Osa 13: Kirjalliset kysymykset — kuka kysyy, ja keneltä?

Mitä tämä tarkoittaa päättäjälle

Julkinen data ei ole valmis analyysi. 340 000 XML-asiakirjaa on raaka-aine; arvo syntyy siitä, että ne suodatetaan, jäsennetään ja yhdistetään oikein.
Rakenne on jakauma. Muutama tyyppi hallitsee, satoja on marginaalissa — keskiarvo “asiakirjaa vuodessa” ei kertoisi mitään olennaista.

Tehdäänkö teidän datallenne sama?

Suuren, jäsentymättömän datavarannon kääntäminen päätöksiä tukevaksi analytiikaksi on ydinosaamistani. kristianvepsalainen.com

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

--- title: "Mitä eduskunta tuottaa? Katsaus 340 000 asiakirjaan" subtitle: "Eduskunta jakaumana, osa 8: valtiopäiväasiakirjat tutuksi" description: > Eduskunnan avoin data sisältää kaikki valtiopäiväasiakirjat vuodesta 2015 — yli 340 000 dokumenttia. Tässä osassa avaamme, mitä aineisto sisältää ja mitä siitä voi oppia, ennen kuin sukellamme yksittäisiin ilmiöihin. date: 2026-08-20 author: "Kristian Vepsäläinen" categories: [eduskunta, avoin data, jakaumat, EDA] format: html: toc: true toc-title: "Sisällys" code-fold: true code-summary: "Näytä koodi" execute: { warning: false, message: false, echo: true } --- > **Uusi jakso sarjassa.** Osissa 1–7 tutkimme, keitä kansanedustajat ovat ja miten > he puhuvat. Nyt käännämme katseen siihen, mitä eduskunta *tuottaa*: lakialoitteet, > kirjalliset kysymykset, valiokuntamietinnöt, hallituksen esitykset. Tämä osa on > kartta aineistoon; osat yhdeksästä eteenpäin sukeltavat yksittäisiin ilmiöihin. ## Uutiskoukku: näkymätön työ Julkinen keskustelu näkee eduskunnasta täysistunnon — puheet ja äänestykset. Mutta suurin osa työstä on asiakirjoja: aloitteita, kysymyksiä, mietintöjä. Tämä aineisto tekee sen työn näkyväksi. Ja kuten aina, se ei ole yksi luku vaan jakauma: kymmeniä asiakirjatyyppejä, hyvin eri määrinä. ```{r setup} #| cache: false library(tidyverse); library(here); library(qs2); 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_set(theme_minimal(base_size = 13) + theme(plot.title = element_text(face="bold"), plot.subtitle = element_text(color="grey30"), panel.grid.minor = element_blank())) DATA <- here("data", "eduskunta") docs <- qs2::qd_read(file.path(DATA, "vaski_docs.qs")) stopifnot("Aja ensin R/vaski-data-prep.R" = nrow(docs) > 100000) ``` ## Mikä aineisto tämä on `VaskiData` on eduskunnan valtiopäiväasiakirjojen kokoelma XML-muodossa, vuodesta 2015. Jokainen rivi on yksi asiakirja, ja `Eduskuntatunnus` (esim. `KK 47/2018 rd`) kertoo tyypin ja valtiopäivävuoden. Lisenssi on CC BY 4.0. ```{r yleiskuva} tibble( asiakirjoja = nrow(docs), tyyppeja = n_distinct(docs$tyyppi), vuodet = paste0(min(docs$vpvuosi, na.rm=TRUE), "–", max(docs$vpvuosi, na.rm=TRUE))) ``` ## Jakauma ensin: asiakirjatyypit Tyyppejä on yli 200, mutta muutama hallitsee. Näytetään yleisimmät — huomaa, kuinka vino jakauma on. ```{r tyypit} top <- docs |> count(tyyppi, sort = TRUE) |> slice_head(n = 20) ggplot(top, aes(x = n, y = fct_reorder(tyyppi, n))) + geom_col(fill = pal[["laivasto"]]) + scale_x_continuous(labels = label_number(big.mark = " ")) + labs(title = "20 yleisintä asiakirjatyyppiä", subtitle = "Muutama tyyppi kattaa valtaosan aineistosta", x = "Asiakirjoja", y = NULL) ``` Selitys asiakirjatyypeille. Suuri osa yleisimmistä tunnuksista liittyy edustajien omaan toimintaan tai on saman asiakirjan ruotsinkielinen versio. * Hallitus ja lainsäädäntö: **HE** hallituksen esitys, **EV** eduskunnan vastaus (hallituksen esitykseen). * Edustajien aloitteet: **LA** lakialoite, **TPA** toimenpidealoite, **TAA** talousarvioaloite. * Kysymykset: **KK** kirjallinen kysymys, **KKV** vastaus kirjalliseen kysymykseen, **SKT** suullisen kyselytunnin kysymys. * EU-asiat: **U** valtioneuvoston kirjelmä EU:ssa valmisteltavasta asiasta, **E** valtioneuvoston selvitys EU-asiasta, **EUN** valtioneuvoston selvitys EU:n neuvoston tai Eurooppa-neuvoston kokouksesta. * Pöytäkirjat: **PTK** täysistunnon pöytäkirja. * Ruotsinkieliset vastineet: **RP = HE** (regeringens proposition), **RSv = EV** (riksdagens svar), **SS = KK** (skriftligt spörsmål), **SSS = KKV**, **BM = TAA** (budgetmotion), **PR = PTK** (plenarprotokoll), **MFT = SKT**. * Tekninen tunniste: **EDK** on eduskunnan asiakirjatunnus (esim. EDK-2024-AK-…), jonka alle yksittäiset asiakirjat ja liitteet tallennetaan — ei siis oma asiakirjatyyppi, mikä selittää sen suuren määrän. ## Neljä ryhmää — mistä eduskunnan työ koostuu ```{r ryhmat} # EDK on tekninen yleistunniste (EDK-YYYY-AK-…), ei asiakirjatyyppi -> pois grouped-tarkastelusta docs_luok <- docs |> filter(tyyppi != "EDK") luokittele <- function(t) dplyr::case_when( # Edustajien aloitteet (ml. ruotsi: LM=lakialoite, AM=toimenpidealoite, BM=talousarvioaloite) t %in% c("LA","TPA","TAA","LM","AM","BM") ~ "Edustajien aloitteet", # Kysymykset ja vastaukset (ml. ruotsi: SS=KK, SSS=KKV, MFT=SKT) t %in% c("KK","KKV","SKT","SS","SSS","MFT") ~ "Kysymykset", # Hallituksen esitykset ja selonteot (RP = HE ruotsiksi) t %in% c("HE","RP","VNS","VNT") ~ "Hallituksen esitykset ja selonteot", # Eduskunnan vastaukset ja kirjelmät (RSv = EV ruotsiksi) t %in% c("EV","RSv","EK") ~ "Eduskunnan vastaukset", # EU- ja ulkoasiat t %in% c("U","E","EUN","UTP") ~ "EU- ja ulkoasiat", # Valiokuntatyö päätteestä: suomi …VM/…VL/…VP/…VE, ruotsi …UB/…UU/…UD str_detect(t, "V[MLPE]$") | str_detect(t, "U[BUD]$") ~ "Valiokuntatyö", # Täysistunnot (PR = PTK ruotsiksi) t %in% c("PTK","PR") ~ "Istunnot", TRUE ~ "Muut") ryhmat <- docs |> mutate(ryhma = luokittele(tyyppi)) |> count(ryhma) |> mutate(osuus = n/sum(n)) ggplot(ryhmat, aes(x = osuus, y = fct_reorder(ryhma, osuus))) + geom_col(fill = pal[["turkoosi"]]) + geom_text(aes(label = percent(osuus, .1)), hjust = -0.1, size = 3.5) + scale_x_continuous(labels = label_percent(), expand = expansion(c(0,.15))) + labs(title = "Eduskunnan asiakirjatuotanto neljässä ryhmässä", x = NULL, y = NULL) ``` ## Asiakirjavirta ajassa ```{r ajassa} vuosittain <- docs |> filter(!is.na(vpvuosi), vpvuosi >= 2015, vpvuosi < 2026) |> mutate(ryhma = luokittele(tyyppi)) |> count(vpvuosi, ryhma) # Laajennettu paletti ryhmäkuvaajille (8 luokkaa). Perustuu pal-väreihin + 3 lisäsävyä. ryhma_varit <- c(unname(pal), "#8d6e9c", "#e9c46a", "#6d6875") ggplot(vuosittain, aes(vpvuosi, n, color = ryhma)) + geom_line(linewidth = 1) + geom_point() + scale_color_manual(values = ryhma_varit) + scale_y_continuous(labels = label_number(big.mark = " ")) + labs(title = "Asiakirjatuotanto vuosittain ryhmittäin", subtitle = "Vaalikausien vaihtuminen ja kriisivuodet näkyvät", x = NULL, y = "Asiakirjoja", color = NULL) ``` Piikit ja notkot eivät ole satunnaisia: vaalivuodet katkaisevat valtiopäivät, ja poikkeusolot (kuten COVID-vuodet) näkyvät sekä hallituksen esitysten että kysymysten määrissä. Näihin muutoskohtiin palaamme osassa, joka käsittelee lainsäädännön rytmiä. ## Mitä tästä aineistosta saa irti — sarjan tiekartta Tämä aineisto kantaa viisi seuraavaa osaa: - **Osa 9:** Aloitteiden läpimeno — mikä ennustaa, meneekö lakialoite läpi? - **Osa 10:** Lainsäädännön aihevirta — mistä eduskunnassa tehdään aloitteita, ja miten se muuttuu (rakenteisilla aihetunnisteilla, ei tekstimallinnuksella). - **Osa 11:** Yhteistyöverkostot — ketkä allekirjoittavat toistensa aloitteita? - **Osa 12:** Valiokuntien käsittelyajat — kuka on nopea, kuka ruuhkautuu? - **Osa 13:** Kirjalliset kysymykset — kuka kysyy, ja keneltä? ## Mitä tämä tarkoittaa päättäjälle - **Julkinen data ei ole valmis analyysi.** 340 000 XML-asiakirjaa on raaka-aine; arvo syntyy siitä, että ne suodatetaan, jäsennetään ja yhdistetään oikein. - **Rakenne on jakauma.** Muutama tyyppi hallitsee, satoja on marginaalissa — keskiarvo "asiakirjaa vuodessa" ei kertoisi mitään olennaista. --- ::: {.callout-tip title="Tehdäänkö teidän datallenne sama?"} Suuren, jäsentymättömän datavarannon kääntäminen päätöksiä tukevaksi analytiikaksi on ydinosaamistani. **kristianvepsalainen.com** ::: *Datalähde: Eduskunnan avoin data, VaskiData (CC BY 4.0).*