-
Notifications
You must be signed in to change notification settings - Fork 0
/
informe.Rmd
822 lines (655 loc) · 28.4 KB
/
informe.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
---
title: "Presentes"
author: "Alberto Sabá Fernandez Robles y Clara Bonpland Mignaquy"
output:
html_document:
code_folding: hide
---
```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE, warning = FALSE, message = FALSE)
library(presentes)
library(dplyr)
library(ggplot2)
library(lubridate)
library(tidyr)
library(tidyverse)
library(tidytext)
library(wordcloud2)
library(tm)
library(readr)
library(purrr)
```
## Introducción
El presente informe consiste en el análisis de los datos del paquete "presentes", el cual reúne la información oficial sobre víctimas de la última dictadura militar entre el 24 de marzo de 1976 y el 10 de diciembre de 1983 en Argentina, como también de años previos al inicio formal del golpe de estado militar.
Las fuentes principales de los datos del paquete provienen de:
Registro Único de Víctimas del Terrorismo de Estado (RUVTE), dependiente de la Secretaría de Derechos Humanos y Pluralismo Cultural del Ministerio de Justicia y Derechos Humanos de la Nación.
<https://datos.gob.ar/dataset/justicia-registro-unificado-victimas-terrorismo-estado--ruvte->
Monumento a las Víctimas del Terrorismo de Estado, realizado por el Consejo de Gestión del Parque de la Memoria y del Monumento a las Víctimas del Terrorismo de Estado, creado por la ley 3078 de la Ciudad de Buenos Aires.
<http://basededatos.parquedelamemoria.org.ar/>
## Cargamos los datos
```{r}
victimas_parque <- presentes::parque_de_la_memoria
victimas_apodo <- presentes::apodos
victimas_denuncia <- presentes::victimas_accionar_represivo_ilegal
victimas_sin_denuncia <- presentes::victimas_accionar_represivo_ilegal_sin_denuncia_formal
centros_clandestinos <- presentes::centros_clandestinos_detencion
```
## Exploración de los datos
Consideramos que el primer paso necesario es explorar el paquete para conocer qué variables y observaciones contiene.
Selección de variables de victimas_parque:
```{r}
victimas_parque <- select(parque_de_la_memoria, id, edad, fecha_de_secuestro, ano_en_monumento, lugar_de_secuestro, ocupaciones, sexo, militancia)
```
Exploramos las especificaciones de victimas_parque. Queremos saber qué contiene.
```{r}
victimas_parque %>%
glimpse()
```
El dataframe victimas_parque contiene 8.751 observaciones y 8 variables.
Exploración por sexo de las víctimas.
```{r}
victimas_parque %>%
group_by(sexo) %>%
summarise(cantidad_sexo = n()) %>%
arrange(desc(cantidad_sexo)) %>%
rename("Víctimas" = cantidad_sexo, "Sexo" = sexo) %>%
gt::gt()
```
Exploración por edad de las victimas.
```{r}
pw_vp <- victimas_parque %>%
filter(edad != "-") %>%
group_by(edad = as.numeric(edad)) %>%
summarise(cantidad = n()) %>%
arrange(edad) %>%
rename("Víctimas" = cantidad, "Edad" = edad)
```
Horizontalizamos la tabla de edad.
```{r}
pw_vp %>%
pivot_wider(names_from = Edad,
values_from = Víctimas) %>%
gt::gt()
```
```{r}
victimas_parque %>%
group_by(edad = as.numeric(edad)) %>%
summarise(cantidad = n()) %>%
arrange(desc(cantidad)) %>%
ggplot(aes(edad, cantidad)) +
geom_col()
```
```{r}
victimas_parque %>%
mutate(edad = as.numeric(edad)) %>%
summarise(edad_max = max(edad, na.rm = TRUE),
edad_min = min(edad, na.rm = TRUE),
edad_media = mean(edad, na.rm = TRUE),
edad_sd = sd(edad, na.rm = TRUE)) %>%
rename("Edad máxima" = edad_max,
"Edad mínima" = edad_min,
"Edad media" = edad_media,
"Desviación estándar" = edad_sd)
```
Filtramos víctimas por edad universitaria.
```{r}
victimas_parque %>%
filter(edad %in% c(19:27)) %>%
group_by(edad) %>%
summarise(cant_vict_edad = n()) %>%
rename("Edad" = edad, "Víctimas" = cant_vict_edad) %>%
gt::gt()
```
Nos interesa explorar la variable ocupaciones.
```{r}
victimas_parque %>%
group_by(ocupaciones) %>%
summarise(cant_ocupaciones = n()) %>%
arrange(desc(cant_ocupaciones)) %>%
rename("Ocupaciones" = ocupaciones, "Víctimas" = cant_ocupaciones)
```
## Cruce de variables
Nos interesa conocer la cantidad de víctimas por edad y por sexo.
```{r}
victimas_parque %>%
filter(edad != "-") %>%
group_by(edad, sexo) %>%
mutate(edad = as.numeric(edad)) %>%
summarise(cantidad = n()) %>%
arrange(desc(edad)) %>%
ggplot(aes(edad, cantidad)) +
geom_col(aes(color = sexo)) +
xlab("Edad") + ylab("Cantidad de víctimas")
```
También exploramos por edad y ocupaciones de las víctimas.
```{r}
victimas_parque %>%
filter(!is.na(ocupaciones)) %>%
group_by(ocupaciones, edad) %>%
summarise(cantidad = n()) %>%
arrange(desc(cantidad))%>%
rename("Edad" = edad, "Ocupaciones" = ocupaciones, "Víctimas" = cantidad )
```
Del gráfico anterior, nos resultó interesante la cantidad de víctimas con ocupación Estudiante, Estudiante Universitaria/o y Estudiante Secundario.
Exploramos por ocupación y sexo, filtrando las ocupaciones con víctimas mayores a 50 casos.
Esta cantidad de casos nos parecen suficientes para observar los resultados que surjan de cruzar variables como ocupación, sexo y militancia.
```{r}
victimas_parque %>%
group_by(ocupaciones,sexo) %>%
summarise(cant_ocupaciones = n()) %>%
arrange(desc(cant_ocupaciones)) %>%
filter(cant_ocupaciones > 50) %>%
ggplot(aes(ocupaciones, cant_ocupaciones)) +
geom_col(aes(fill = sexo), position = "dodge") +
labs(x = "Ocupaciones", y = "Cantidad de víctimas", fill = "Sexo") +
theme(axis.text = element_text(size = 5))
```
Eliminamos todos los datos faltantes (NA).
```{r}
victimas_parque %>%
filter(!is.na(ocupaciones)) %>%
group_by(ocupaciones,sexo) %>%
summarise(cant_ocupaciones = n()) %>%
arrange(desc(cant_ocupaciones)) %>%
filter(cant_ocupaciones > 50) %>%
ggplot(aes(ocupaciones, cant_ocupaciones)) +
geom_col(aes(fill = sexo), position = "dodge") +
labs(fill = "Sexo") +
xlab("Ocupaciones") + ylab("Cantidad de víctimas") +
theme(axis.text = element_text(size = 5))
```
Queremos saber cuáles fueron los años con mayor cantidad de asesinatos y secuestros.
```{r}
victimas_parque %>%
group_by(fecha_de_secuestro) %>%
mutate(fecha = dmy(fecha_de_secuestro)) %>%
mutate(anio = year(fecha)) %>%
group_by(anio) %>%
summarise(victimas_por_anio = n()) %>%
arrange(desc(victimas_por_anio)) %>%
ggplot(aes(anio, victimas_por_anio)) +
geom_col(aes(fill = victimas_por_anio)) +
labs(fill = "Cantidad de víctimas") +
xlab("Año de secuestro/asesinato") + ylab("Cantidad de víctimas")
```
Cruzamos la cantidad de víctimas por edad y año de secuestro o asesinato.
```{r}
victimas_parque %>%
group_by(fecha_de_secuestro) %>%
mutate(fecha = dmy(fecha_de_secuestro)) %>%
mutate(anio = year(fecha)) %>%
group_by(edad, anio) %>%
summarise(victimas_por_anio = n()) %>%
arrange(desc(victimas_por_anio)) %>%
rename("Edad" = edad, "Año de secuestro/asesinato" = anio, "Víctimas" = victimas_por_anio )
```
Buscamos victimas por edad, año de secuestro y ocupación, dejando de lado la variable sexo.
```{r}
victimas_parque %>%
group_by(fecha_de_secuestro) %>%
mutate(fecha = dmy(fecha_de_secuestro)) %>%
mutate(anio = year(fecha)) %>%
group_by(anio, edad, ocupaciones) %>%
filter(!is.na(ocupaciones)) %>%
summarise(victimas_por_anio = n()) %>%
arrange(desc(victimas_por_anio)) %>%
rename("Edad" = edad, "Año de secuestro/asesinato" = anio, "Ocupaciones" = ocupaciones, "Víctimas" = victimas_por_anio)
```
Nos pareció interesante conocer los espacios de militancia de las víctimas.
Como la variable de espacios de militancia es una tabla, y una persona puede pertenecer a más de un espacio, tuvimos que desanidar la tabla y explorarla.
```{r}
militancias <- unnest(victimas_parque, militancia) %>%
separate(listado, into = c("orga1", "orga2", "orga3", "orga4"), sep =" - ")
```
El dataframe contiene 4156 observaciones, es decir, 4156 víctimas con pertenencia a algún espacio de militancia.
```{r}
glimpse(militancias)
```
Nos interesa conocer la cantidad de víctimas con afiliación a espacios de militancia.
Observamos que estos espacios de militancia pueden ser partidarios, de actividad sindical o estudiantil.
```{r}
militancias %>%
group_by(orga1, orga2, orga3, orga4) %>%
summarise(cant_por_militancia = n()) %>%
arrange(desc(cant_por_militancia))
```
Cruzamos la cantidad de víctimas por espacios de militancia y sus ocupaciones.
```{r}
militancias %>%
mutate(fecha = dmy(fecha_de_secuestro)) %>%
mutate(anio = year(fecha)) %>%
group_by(ocupaciones, orga1, orga2, orga3, orga4) %>%
summarise(cant_por_militancia = n()) %>%
arrange(desc(cant_por_militancia))
```
Buscamos cuáles son los espacios de militancia para la ocupación de Estudiantes.
```{r}
militancias %>%
mutate(fecha = dmy(fecha_de_secuestro)) %>%
mutate(anio = year(fecha)) %>%
group_by(ocupaciones, orga1, orga2, orga3, orga4) %>%
filter(ocupaciones %in% c("Estudiante Universitario", "Estudiante Universitaria", "Estudiante", "Estudiante Secundario")) %>%
summarise(cant_por_militancia = n()) %>%
arrange(desc(cant_por_militancia))
```
También queremos conocer los lugares en que ocurrieron los secuestros o detenciones de las víctimas.
```{r}
victimas_parque %>%
group_by(fecha_de_secuestro) %>%
mutate(fecha = dmy(fecha_de_secuestro)) %>%
mutate(anio = year(fecha)) %>%
filter(anio %in% c(1976:1982)) %>%
group_by(lugar_de_secuestro) %>%
filter(!is.na(lugar_de_secuestro)) %>%
summarise(cantidad_lugar = n()) %>%
arrange(desc(cantidad_lugar)) %>%
rename("Lugar de secuestro" = lugar_de_secuestro, "Víctimas" = cantidad_lugar)
```
Resulta interesante que la ciudad de Mar de Plata se encuentra en 6° lugar de la tabla, por lo que buscamos las ocupaciones de las víctimas en el lugar.
De acuerdo a lo explorado, nos resulta signifitiva la variable identitaria de estudiante. Cuando exploramos los lugares de secuestro, pensamos en las ciudades como universitarias. Nos llama la atención que Mar del Plata esté en el sexto lugar de mayor cantidad de victimas, porque no consideramos que sea una ciudad universitaria.
Buscamos qué ocupaciones tienen las víctimas.
```{r}
victimas_parque %>%
group_by(fecha_de_secuestro) %>%
mutate(fecha = dmy(fecha_de_secuestro)) %>%
mutate(anio = year(fecha)) %>%
filter(anio %in% c(1976:1982)) %>%
filter(!is.na(lugar_de_secuestro)) %>%
group_by(lugar_de_secuestro, ocupaciones) %>%
filter(lugar_de_secuestro == "MAR DEL PLATA. BS. AS.") %>%
summarise(cantidad_lugar = n()) %>%
arrange(desc(cantidad_lugar)) %>%
rename("Lugar de secuestro" = lugar_de_secuestro, "Ocupaciones" = ocupaciones, "Víctimas" = cantidad_lugar)
```
Analizamos la cantidad de víctimas con ocupación Estudiante.
```{r}
victimas_parque %>%
group_by(fecha_de_secuestro) %>%
mutate(fecha = dmy(fecha_de_secuestro)) %>%
mutate(anio = year(fecha)) %>%
filter(anio %in% c(1976:1982)) %>%
filter(!is.na(lugar_de_secuestro)) %>%
group_by(lugar_de_secuestro, ocupaciones) %>%
filter(lugar_de_secuestro == "MAR DEL PLATA. BS. AS.") %>%
filter(ocupaciones %in% c("Estudiante Universitario", "Estudiante Universitaria", "Estudiante", "Estudiante Secundario")) %>%
summarise(cantidad_lugar = n()) %>%
arrange(desc(cantidad_lugar))
```
Como pusimos el foco en los estudiantes y no nos parece significativa la cantidad de victimas estudiantes, decidimos filtrar por espacios de militancia.
```{r}
militancias %>%
group_by(lugar_de_secuestro, orga1) %>%
filter(lugar_de_secuestro == "MAR DEL PLATA. BS. AS.") %>%
summarise(cant_por_militancia = n()) %>%
arrange(desc(cant_por_militancia)) %>%
head(5) %>%
ggplot(aes(orga1, cant_por_militancia)) +
geom_col(aes(fill = orga1)) +
labs(x = "Espacio de Militancia", y = "Cantidad de víctimas", fill = "Espacio de Militancia") +
theme(axis.text = element_text(size = 5))
```
Para profundizar el análisis, decidimos incorporar el dataframe victimas_denuncia.
Selección de variables:
```{r}
victimas_denuncia <- select(victimas_accionar_represivo_ilegal, id_unico_ruvte, fecha_detencion_secuestro, lugar_detencion_secuestro, provincia_nacimiento, tipificacion_ruvte, edad_al_momento_del_hecho_numerico)
```
Ahora, exploramos las especificaciones de victimas_denuncia. Queremos saber qué contiene.
```{r}
victimas_denuncia %>%
glimpse()
```
El dataframe victimas_denuncia contiene 8.753 observaciones y 6 variables.
Exploración por edad. A diferencia del dataframe con el que trabajamos anteriormente en el cual la variable de la edad de las víctimas es de tipo caracter, en este es de tipo numérico.
```{r}
victimas_denuncia %>%
group_by(edad_al_momento_del_hecho_numerico) %>%
summarise(cantidad = n()) %>%
arrange(desc(cantidad)) %>%
ggplot(aes(edad_al_momento_del_hecho_numerico, cantidad)) +
geom_col() +
labs(x = "Edad", y = "Cantidad de víctimas")
```
Buscamos el promedio, el valor máximo, el valor mínimo y el desvío estándar de la edad.
```{r}
victimas_denuncia %>%
summarise(edad_max = max(edad_al_momento_del_hecho_numerico, na.rm = TRUE),
edad_min = min(edad_al_momento_del_hecho_numerico, na.rm = TRUE),
edad_media = mean(edad_al_momento_del_hecho_numerico, na.rm = TRUE),
edad_sd = sd(edad_al_momento_del_hecho_numerico, na.rm = TRUE)) %>%
rename("Edad máxima" = edad_max,
"Edad mínima" = edad_min,
"Edad media" = edad_media,
"Desviación estándar" = edad_sd)
```
## Aclaración importante antes de continuar
Es necesario mencionar una cuestión muy importante sobre este trabajo, y es que, más allá de que los datos recabados indican un número de 8751 víctimas, existe una gran cantidad de víctimas desaparecidas que aún no han sido encontradas y cuya búsqueda continúa hasta el día de hoy.
## Hipótesis
La mayor cantidad de secuestros y/o asesinatos de víctimas ocurrieron entre los años 1976 y 1977 y el rango etario predominante de las víctimas fue de 20 a 30 años.
Esto nos hace reflexionar sobre si la edad universitaria fue un factor a la hora de convertirse en posibles víctimas.
En el presente trabajo intentaremos responder, estableciendo las relaciones entre distintas variables.
La hipótesis planteada es que la mayoría de los desaparecidos eran estudiantes universitarios.
En caso de refutarse esta hipótesis, analizaremos cuál es la variable identitaria predominante en las víctimas del terrorismo de Estado de la última dictadura cívico-militar.
## Blanco sobre negro
Lo primero que queremos conocer es en qué años se produjeron los asesinatos y/o secuestros.
```{r}
victimas_parque %>%
group_by(fecha_de_secuestro) %>%
mutate(fecha = dmy(fecha_de_secuestro)) %>%
mutate(anio = year(fecha)) %>%
group_by(anio) %>%
summarise(victimas_por_anio = n()) %>%
arrange(desc(victimas_por_anio)) %>%
ggplot(aes(anio, victimas_por_anio)) +
geom_col() +
labs(x = "Año", y = "Cantidad de víctimas")
```
Tomamos la decisión de tomar los años 1976 y 1977 porque estos años contienen la mayoría de los casos, lo que nos permitirá entender las características identitarias de las víctimas.
Edad de las víctimas
Año 1976
```{r}
victimas_parque %>%
group_by(fecha_de_secuestro) %>%
mutate(fecha = dmy(fecha_de_secuestro)) %>%
mutate(anio = year(fecha)) %>%
group_by(anio, edad) %>%
filter(!is.na(anio) & anio == 1976) %>%
filter("-" != edad) %>%
summarise(victimas_por_anio = n()) %>%
arrange(desc(victimas_por_anio)) %>%
ggplot(aes(edad, victimas_por_anio)) +
geom_col() +
labs(x = "Edad", y = "Cantidad de víctimas") +
theme(axis.text = element_text(size = 5))
```
Año 1977
```{r}
victimas_parque %>%
group_by(fecha_de_secuestro) %>%
mutate(fecha = dmy(fecha_de_secuestro)) %>%
mutate(anio = year(fecha)) %>%
group_by(anio, edad) %>%
filter(!is.na(anio) & anio == 1977) %>%
filter("-" != edad) %>%
summarise(victimas_por_anio = n()) %>%
arrange(desc(victimas_por_anio)) %>%
ggplot(aes(edad, victimas_por_anio)) +
geom_col() +
theme(axis.text = element_text(size = 5))
```
Creamos dataset de victimas por edad y ocupacion entre 1976 y 1982.
```{r}
victimas_76_82 <- victimas_parque %>%
group_by(fecha_de_secuestro) %>%
mutate(fecha = dmy(fecha_de_secuestro)) %>%
mutate(anio = year(fecha)) %>%
group_by(anio, ocupaciones, edad) %>%
filter(anio %in% c(1976:1982)) %>%
summarise(victimas_por_anio = n()) %>%
arrange(desc(anio))
```
Cantidad de víctimas desde 1976 a 1982
```{r}
victimas_76_82 %>%
group_by(anio) %>%
summarise(cantidad_victimas = n()) %>%
summarise(suma = sum(cantidad_victimas)) %>%
rename("Cantidad de víctimas" = suma) %>%
gt::gt()
```
También nos preguntamos cómo varió la edad de las víctimas entre los años 1976 y 1982. Si disminuyó el número de secuestros y/o asesinatos, pensar en posibles respuestas que indiquen esta característica.
Edad de las víctimas desde 1976 a 1982.
```{r}
victimas_76_82 %>%
filter(!is.na(ocupaciones)) %>%
group_by(edad, anio) %>%
summarise(victimas_por_anio = n()) %>%
arrange(desc(victimas_por_anio)) %>%
ggplot(aes(anio, victimas_por_anio)) +
geom_col(aes(fill = edad), position = "dodge") +
labs(x = "Año", y = "Cantidad de víctimas", fill = "Edad")
```
Se observa en gamas verdes y naranjas, lo que indica que el rango etario predominante es entre los 20 y 30 años.
¿Cuál es la proporción de militantes cuyas ocupaciones están vinculadas a estudios y cuál vinculadas a la actividad sindical? Queremos establecer relaciones entre estas variables y los lugares de secuestro y/o asesinato de las víctimas.
## Proporción de ocupaciones
```{r}
ocupaciones <- victimas_76_82 %>%
mutate(ocupaciones = case_when(
stringr::str_detect(ocupaciones, "Est") ~ "Estudiante",
stringr::str_detect(ocupaciones, "est") ~ "Estudiante",
is.na(ocupaciones) ~ as.character(NA)))
```
Introducimos la proporción de estudiantes sobre la cantidad total de víctimas desde 1976 hasta 1982.
```{r}
ocupaciones %>%
group_by(ocupaciones) %>%
summarise(n = n()) %>%
mutate(prop = n/sum(n)) %>%
mutate(prop = scales::percent(prop)) %>%
rename("Ocupaciones" = ocupaciones, "Cantidad" = n, "Proporción" = prop) %>%
gt::gt()
```
Procedemos a visualizarlo mediante un gráfico, a lo largo del golpe cívico militar.
```{r}
ocupaciones %>%
group_by(ocupaciones, anio) %>%
filter(ocupaciones == "Estudiante") %>%
summarise(n = n()) %>%
mutate(prop = n/sum(n)) %>%
ggplot(aes(anio, prop)) +
geom_col(aes(fill = prop)) +
labs(x = "Año", y = "Estudiantes", fill = "Proporción")
```
Comparamos la proporción de estudiantes con el total de otras ocupaciones.
```{r}
ocupaciones %>%
group_by(ocupaciones, anio) %>%
summarise(n = n()) %>%
mutate(prop = n/sum(n)) %>%
ggplot(aes(anio, prop)) +
geom_col(aes(fill = ocupaciones), position = "dodge") +
labs(x = "Año", y = "Proporción", fill = "Ocupaciones" )
```
**Debajo intentamos demostrar la proporción de ocupaciones de las víctimas durante el período 1976-1982. No dan los mismos números que arriba porque utilizamos case when para encontrar todas las víctimas que además de tener una ocupación laboral, eran estudiantes. Por ejemplo "empleada estudiante derecho"
```{r}
victimas_parque %>%
group_by(fecha_de_secuestro) %>%
mutate(fecha = dmy(fecha_de_secuestro)) %>%
mutate(anio = year(fecha)) %>%
filter(anio %in% c(1976:1982)) %>%
group_by(ocupaciones) %>%
filter(!is.na(ocupaciones)) %>%
summarise(proporcion_ocupacion = n()/nrow(.)) %>%
arrange(desc(proporcion_ocupacion)) %>%
mutate(proporcion_ocupacion = scales::percent(proporcion_ocupacion)) %>%
head(50)
```
Si bien los estudiantes agrupan una gran cantidad de víctimas, parece ser que no corrobora nuestra hipótesis.
Agrupando por edad, por año, posee mayor número de víctimas en conjunto que las demás ocupaciones. Lo que resulta de este análisis es que si bien es una variable identitaria representativa, no es la única y no necesariamente la edad universitaria fue un factor a la hora de convertirse en posibles víctimas.
## Si no fue la edad, ¿entonces, qué?
Las primeras cinco ciudades con más desaparecidos son Capital Federal, Córdoba Capital, La Plata, San Miguel de Tucumán, Rosario y, en un sexto lugar y con más de 180 casos, aparece Mar del Plata. Esto resulta, como mínimo, interesante ya que Mar del Plata no se presenta como una ciudad universitaria.
¿La variable estudiantes explicaba también los casos ocurridos en las otras cinco ciudades? Debemos incorporar otras categorías al análisis, como son los espacios de militancia. ¿Cuál es la proporción de militantes cuyas ocupaciones están vinculadas a estudios y cuál vinculadas a la actividad sindical? Y establecer relaciones entre estas variables y los lugares de secuestro y/o asesinato de las víctimas.
Dicho lo anterior, nuestra hipótesis se pregunta cuál fue la variable identitaria que más se repite en las víctimas y cuál es su relación con el lugar del hecho y el año en que ocurrieron.
```{r}
militancia_sindical <- militancias %>%
group_by(edad, fecha_de_secuestro, orga1, orga2, orga3, orga4) %>%
summarise(cant_por_militancia = n()) %>%
arrange(desc(cant_por_militancia))
```
Realizamos un filtro para poder identificar a les sindicalistes por ciudad.
```{r}
filtro_ms <- militancia_sindical %>%
group_by(fecha_de_secuestro) %>%
mutate(fecha = dmy(fecha_de_secuestro)) %>%
mutate(anio = year(fecha)) %>%
group_by(edad, anio, orga1) %>%
summarise(cant_por_militancia = n()) %>%
arrange(desc(cant_por_militancia)) %>%
mutate(sindicato = case_when(
stringr::str_detect(orga1, "Sind") ~ "sindicalista",
stringr::str_detect(orga1, "sind") ~ "sindicalista",
stringr::str_detect(orga1, "Delega") ~ "sindicalista",
stringr::str_detect(orga1, "delega") ~ "sindicalista",
stringr::str_detect(orga1, "ATE") ~ "sindicalista",
stringr::str_detect(orga1, "UOCRA") ~ "sindicalista",
stringr::str_detect(orga1, "Obrer") ~ "sindicalista",
stringr::str_detect(orga1, "obrer") ~ "sindicalista",
stringr::str_detect(orga1, "Trab") ~ "sindicalista",
stringr::str_detect(orga1, "trab") ~ "sindicalista",
stringr::str_detect(orga1, "UOM") ~ "sindicalista",
stringr::str_detect(orga1, "CGT") ~ "sindicalista",
stringr::str_detect(orga1, "UTA") ~ "sindicalista",
stringr::str_detect(orga1, "UPCN") ~ "sindicalista",
stringr::str_detect(orga1, "Grem") ~ "sindicalista",
stringr::str_detect(orga1, "grem") ~ "sindicalista"))
```
```{r}
filtro_ms %>%
filter(anio %in% c(1976:1982)) %>%
group_by(anio, orga1, sindicato) %>%
filter(sindicato == "sindicalista") %>%
summarise(n = n()) %>%
arrange(desc(n))
```
Cantidad de víctimas con actividad sindical
```{r}
filtro_ms %>%
filter(anio %in% c(1976:1982)) %>%
group_by(sindicato) %>%
filter(sindicato == "sindicalista") %>%
summarise(n = n()) %>%
rename("Tipo de espacio de militancia" = sindicato, "Cantidad de víctimas" = n )
```
Víctimas con espacios de militancia partidaria.
```{r}
filtro_ms %>%
filter(anio %in% c(1976:1982)) %>%
filter(is.na(sindicato)) %>%
group_by(orga1, sindicato) %>%
summarise(n = n()) %>%
arrange(desc(n))
```
## Acercándonos al final
```{r}
militancia_lugar_secuestro <- militancias %>%
group_by(edad, fecha_de_secuestro, orga1, orga2, orga3, orga4, lugar_de_secuestro) %>%
summarise(cant_por_militancia = n()) %>%
arrange(desc(cant_por_militancia))
```
```{r}
filtro_lugar <- militancia_lugar_secuestro %>%
group_by(fecha_de_secuestro) %>%
mutate(fecha = dmy(fecha_de_secuestro)) %>%
mutate(anio = year(fecha)) %>%
group_by( anio, orga1, lugar_de_secuestro) %>%
summarise(cant_por_militancia = n()) %>%
arrange(desc(cant_por_militancia)) %>%
mutate(sindicato = case_when(
stringr::str_detect(orga1, "Sind") ~ "sindicalista",
stringr::str_detect(orga1, "sind") ~ "sindicalista",
stringr::str_detect(orga1, "Delega") ~ "sindicalista",
stringr::str_detect(orga1, "delega") ~ "sindicalista",
stringr::str_detect(orga1, "ATE") ~ "sindicalista",
stringr::str_detect(orga1, "UOCRA") ~ "sindicalista",
stringr::str_detect(orga1, "Obrer") ~ "sindicalista",
stringr::str_detect(orga1, "obrer") ~ "sindicalista",
stringr::str_detect(orga1, "Trab") ~ "sindicalista",
stringr::str_detect(orga1, "trab") ~ "sindicalista",
stringr::str_detect(orga1, "UOM") ~ "sindicalista",
stringr::str_detect(orga1, "CGT") ~ "sindicalista",
stringr::str_detect(orga1, "UTA") ~ "sindicalista",
stringr::str_detect(orga1, "UPCN") ~ "sindicalista",
stringr::str_detect(orga1, "Grem") ~ "sindicalista",
stringr::str_detect(orga1, "grem") ~ "sindicalista"))
```
Sindicalistas en Mar del Plata del 76 al 82
```{r}
filtro_lugar %>%
filter(anio %in% c(1976:1982)) %>%
filter(lugar_de_secuestro == "MAR DEL PLATA. BS. AS.") %>%
group_by(lugar_de_secuestro, orga1, sindicato) %>%
filter(sindicato == "sindicalista") %>%
summarise(n = n()) %>%
arrange(desc(n)) %>%
ggplot(aes(orga1, n)) +
geom_col(aes(fill = orga1)) +
labs(x = "Espacio de militancia", y = "Cantidad de víctimas", fill = "Espacio de militancia") +
theme(axis.text = element_text(size = 5))
```
Sindicalistas en Tucumán del 76 al 82
```{r}
filtro_lugar %>%
filter(anio %in% c(1976:1982)) %>%
filter(lugar_de_secuestro == "SAN MIGUEL DE TUCUMAN") %>%
group_by(lugar_de_secuestro, orga1, sindicato) %>%
filter(sindicato == "sindicalista") %>%
summarise(n = n()) %>%
arrange(desc(n)) %>%
head(10) %>%
ggplot(aes(orga1, n)) +
geom_col(aes(fill = orga1)) +
labs(x = "Espacio de militancia", y = "Cantidad de víctimas", fill = "Espacio de militancia") +
theme(axis.text = element_text(size = 5))
```
Sindicalistas en Capital Federal del 76 al 82
```{r}
filtro_lugar %>%
filter(anio %in% c(1976:1982)) %>%
filter(lugar_de_secuestro == "CAPITAL FEDERAL") %>%
group_by(lugar_de_secuestro, orga1, sindicato) %>%
filter(sindicato == "sindicalista") %>%
summarise(n = n()) %>%
arrange(desc(n)) %>%
head(10) %>%
ggplot(aes(orga1, n)) +
geom_col(aes(fill = orga1)) +
labs(x = "Espacio de militancia", y = "Cantidad de víctimas", fill = "Espacio de militancia") +
theme(axis.text = element_text(size = 5))
```
Sindicalistas en Córdoba Capital del 76 al 82
```{r}
filtro_lugar %>%
filter(anio %in% c(1976:1982)) %>%
filter(lugar_de_secuestro == "CORDOBA CAPITAL") %>%
group_by(lugar_de_secuestro, orga1, sindicato) %>%
filter(sindicato == "sindicalista") %>%
summarise(n = n()) %>%
arrange(desc(n)) %>%
head(10) %>%
ggplot(aes(orga1, n)) +
geom_col(aes(fill = orga1)) +
labs(x = "Espacio de militancia", y = "Cantidad de víctimas", fill = "Espacio de militancia") +
theme(axis.text = element_text(size = 5))
```
Sindicalistas en Rosario del 76 al 82
```{r}
filtro_lugar %>%
filter(anio %in% c(1976:1982)) %>%
filter(lugar_de_secuestro == "ROSARIO. SANTA FE") %>%
group_by(lugar_de_secuestro, orga1, sindicato) %>%
filter(sindicato == "sindicalista") %>%
summarise(n = n()) %>%
arrange(desc(n)) %>%
head(10) %>%
ggplot(aes(orga1, n)) +
geom_col(aes(fill = orga1)) +
labs(x = "Espacio de militancia", y = "Cantidad de víctimas", fill = "Espacio de militancia") +
theme(axis.text = element_text(size = 5))
```
## Conclusión finales
La edad, si bien es una variable identitaria muy fuerte, parece no explicar la mayoría de los asesinatos y/o secuestros durante la última dictadura.
En el gráfico de estudiantes y años, deja claro que para la dictadura fue fundamental atacar a este grupo durante los primeros dos años del régimen dictatorial.
Después del 78 comienza a mermar.
Refutada nuestra hipótesis, debíamos ahora encontrar una respuesta nuestro interrogante de cuál era la variable identitaria predominante entre las víctimas.
Buscamos por sindicatos y no. Los sindicatos tampoco fueron un factor que esté presente en la mayoría de los casos.
No fue hasta el final del trabajo que pudimos observar que la mayoría de las/os desaparecidas/os militaban en algún espacio político-partidario.
Sin importar la edad, la ocupación, el sexo y afiliación sindical, los desaparecidos eran, ante todo, militantes.
Tiene sentido, teniendo en cuenta que el plan de la última dictadura militar se centró en romper los lazos construidos por la sociedad, atacando todas las formas de organización política.
```{r}
militancias %>%
group_by(orga1) %>%
summarise(cant_por_militancia = n()) %>%
arrange(desc(cant_por_militancia)) %>%
head(20) %>%
rename("Espacio de militancia" = orga1, "Cantidad de víctimas" = cant_por_militancia) %>%
gt::gt()
```