Models espacials

Toni Rodon

Universitat Pompeu Fabra
www.tonirodon.cat

08 novembre, 2021

Els models espacials–uns models revolucionaris

El passat dia 2 d’octubre del 2021 va morir el politòleg Anthony Downs. Tot sovint les disciplines necessiten persones que pensin més enllà dels paradigmes predominants. Gent que vagi a la contra i que proposi noves maneres d’entendre el món o, en el cas que aquí ens ocupa, el comportament electoral. Downs ens ha llegat una quantitat ingent d’obres en nombrosos camps (ho podeu veure en l’obituari que va publicar el New York Times), però probablement allà on va tenir una influència més elevada va ser en el del comportament electoral, malgrat que no va ser el seu àmbit més prolífic. Ben bé es pot dir que, a partir de la publicació d’An Economic Theory of Democracy, la forma d’estudiar el perquè votem el que votem ja no va ser la mateixa (Downs 1957a, 1957b).

A la dècada dels cinquanta i seixanta l’estudi del comportament electoral es trobava en plena efervescència. Els recents inaugurats models de Columbia i Michigan vivien una intensa pugna intel·lectual per guanyar la batalla de les idees. Tot i que sovint només ho admetien amb la boca petita, les dues maneres d’entendre el comportament electoral compartien força elements, sobretot un d’essencial: el vot era un element més d’uns models amb comprensió holística–omnicomprensiva. Fos l’efecte de l’estructura social, d’una banda, o de la identificació partidista, de l’altra, totes dues propostes teòriques no només ens intentaven explicar el color de la papereta que posàvem dins l’urna, sinó també la forma com pensàvem, com ens socialitzàvem o de quina manera vèiem el món. Tot i revolucionaris, eren també models estàtics, que concebien el votant com a poc flexible. Un votant que, un cop ancorat en determinades característiques, canviava poc o gens de vot.

En aquest context, i partint de la motxilla que Hotelling (Hotelling 1929) i Black (Black 1948) li havien llegat, molt probablement en els passadissos d’Stanford en els quals coincidien, Downs va suggerir una proposta diferent i, en certa manera, revolucionària: el model espacial (o, com de fet es coneix sovint, el model downsià). Un model que, a diferència dels que existien fins el moment, pretenia explicar el vot (o l’abstenció) des d’una lògica parsimoniosa molt diferent a la que existia fins el moment.

El model espacial del vot contempla molts principis i supòsits i no és objectiu d’aquest tutorial repassar-los tots. Ara bé, en la seva definició bàsica es pot resumir de la forma següent: individus i persones s’ubiquen sovint en en una dimensió política que té dos pols oposats. Els individus analitzen les alternatives polítiques existents (partits o candidats) i, un cop efectuat un càlcul d’utilitat, opten per aquella opció que maximitza la seva utilitat. Si la utilitat extreta no justifica el cost de votar, l’individu s’absté (la famosa U=pB-C). Així, s’opta per un partit, i no per un altre, en funció d’un càlcul d’utilitats diferencial. Aquests principis bàsics porten a Downs a afirmar quelcom que després ha fet fortuna, fins i tot fora l’acadèmia: tenint en compte que en algunes ocasions (habitualment, de fet) els individus es distribueixen vora el centre de la dimensió, i assumint que els partits volen guanyar les eleccions, les formacions polítiques tendiran a convergir cap a l’espai medià.

Moltes de les explicacions, molts dels principis i supòsits de Downs han estat criticats, revisats, analitzats o totalment esmenats (un servidor va dedicar la Tesi Doctoral a fer-ho, de fet). Així, un dels punts forts del model espacial o downsià és que permetia operacionalitzar, sigui via enquestes o via anàlisi de posicions ideològiques dels partits, els conceptes més importants dels quals partia. Per aquest i d’altres motius, Downs va (ajudar a) inaugurar un àmbit de recerca quantitativa que, si bé en els últims anys ha perdut certa popularitat, va atraure a molts politòlegs i ho va fer per la seva simplicitat, capacitat explicativa i, en alguns casos, predictiva. De fet, dels models clàssics en comportament electoral, hom probablement podria dir que és precisament el model espacial el que, malgrat tot, i si fem cas a la producció que encara genera, ha resistit millor el pas del temps.

Aquest tutorial divideix l’anàlisi empírica en tres parts. En primer lloc, es netegen i es preparen les dades. En segon lloc, es fa l’anàlisi empírica seguint la lògica downsiana o espacial. Finalment, es complementa l’anàlisi estadística amb una anàlisi espacial addicional, basada en una de les alternatives més populars a la lògica downsiana (el model direcccional).

Preparació de les dades

El primer pas és obrir la base de dades. En concret, s’utilitzarà el Baròmetre del Centre d’Estudis d’Opinió 850. Podeu veure informació sobre l’enquesta aquí. Per tal de poder realitzar el model espacial, convé tenir les variables següents: a) autoubicació de l’individu en una determinada dimensió; b) on ubica l’individu en la mateixa dimensió les diferents alternatives polítiques (partits o candidats). Aquests ítems son precisament els que té aquest sondatge del CEO.

La realitat política de Catalunya, a més, no només ens permet testar l’efecte de la distància en l’eix esquerra-dreta en la probabilitat de votar un partit, sinó que també ens permet analitzar l’efecte de la dimensió nacional. Com bé és sabut, i tot i que les dues dimensions no siguin del tot ortogonals i, per tant, la bidimensionalitat es pugui posar en qüestió, s’acostuma a afirmar que la política catalana s’estructura a partir de les dimensions esquerra-dreta i la dimensió nacional. Tot seguit veurem fins a quin punt això és així.

Comencem. El primer que cal fer és obrir la base de dades.

library("haven")
df <- read_sav("Microdades anonimitzades cine -850.sav")

Posarem tot seguit el focus en la variable d’autobicació en l’eix esquerra-dreta i en la ubicació percebuda dels partits en la mateixa dimensió. Com es pot veure, convé convertir en valors perduts el 98 i el 99. Tot i que aquí no els tinguem en compte, és important destacar que vora el 7.5% de la població catalana no s’ubica en l’eix esquerra-dreta (els motius pels quals això pot ser així, els deixem per un altre tutorial…). Un cop convertits en perduts, fem un histograma per observar-ne la distribució.

table(df$P25)
## 
##   0   1   2   3   4   5   6   7   8   9  10  98  99 
##  94  61 140 271 185 475  70  47  30   7  16  77  27
df$lr <- df$P25
df$lr[df$P25==98] <- NA 
df$lr[df$P25==99] <- NA 
table(df$lr)
## 
##   0   1   2   3   4   5   6   7   8   9  10 
##  94  61 140 271 185 475  70  47  30   7  16
hist(df$lr)

Seguim el mateix procediment per l’escala nacional (operacionalitzada pel CEO aquí com a espanyolisme-catalanisme). En aquest cas, un pèl més del 3% no s’ubica en aquesta dimensió.

table(df$P27)
## 
##   0   1   2   3   4   5   6   7   8   9  10  98  99 
##  77  29  36  51  54 504 105 127 145  96 232  20  24
df$catalanisme <- df$P27
df$catalanisme[df$P27==98] <- NA 
df$catalanisme[df$P27==99] <- NA 
table(df$catalanisme)
## 
##   0   1   2   3   4   5   6   7   8   9  10 
##  77  29  36  51  54 504 105 127 145  96 232
hist(df$catalanisme)

Ara convé fer el mateix per la ubicació percebuda dels partits, en cadascuna de les dimensions. Un dels punts importants que convé recordar aquí és el d’atribuir un patró comú en el nom de les noves variables (en el nostre cas ideol_ i nacio_). Això ens ajudarà més tard quan acabem de polir la base de dades per a l’anàlisi.

#PP
df$ideol_pp <- df$P26A
df$ideol_pp[df$P26A==98] <- NA 
df$ideol_pp[df$P26A==99] <- NA 
table(df$ideol_pp)
## 
##   0   1   2   3   4   5   6   7   8   9  10 
##  40  11  15  14  16  56  39  98 234 264 585
df$nacio_pp <- df$P28A
df$nacio_pp[df$P28A==98] <- NA 
df$nacio_pp[df$P28A==99] <- NA 
table(df$nacio_pp)
## 
##   0   1   2   3   4   5   6   7   8   9  10 
## 758 178 166  88  43  54  26  19  13   9  37
#ERC
df$ideol_erc <- df$P26C
df$ideol_erc[df$P26C==98] <- NA 
df$ideol_erc[df$P26C==99] <- NA 
table(df$ideol_erc)
## 
##   0   1   2   3   4   5   6   7   8   9  10 
## 189 135 256 250 218 169  49  25  16   7  14
df$nacio_erc <- df$P28C
df$nacio_erc[df$P28C==98] <- NA 
df