 Member since Dec '06
Working languages: French to Spanish
English to Spanish
Spanish (monolingual)
Availability today:  | February 2012 |  | | S | M | T | W | T | F | S | | | | | 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 | | | | |
|   Paula Mahler
Expertise and reliability since 1987
Buenos Aires, Buenos Aires, Argentina Local time: 13:26 ART (GMT-3)
Native in: Spanish  | | |
| Freelancer and outsourcer | | Translation, Editing/proofreading, Project management | | Specializes in: | | Environment & Ecology | Linguistics | | Marketing / Market Research | Medical: Health Care | | Science (general) | Psychology | | Philosophy | Education / Pedagogy | | Biology (-tech,-chem,micro-) |
| Also works in: | | Medical (general) | Medical: Pharmaceuticals | | Medical: Instruments | Medical: Cardiology | | Social Science, Sociology, Ethics, etc. | International Org/Dev/Coop | | Poetry & Literature | Economics | | History | General / Conversation / Greetings / Letters | | Transport / Transportation / Shipping | Mathematics & Statistics | | Nutrition | Other | | Printing & Publishing | Tourism & Travel | | Human Resources | Medical: Dentistry | | Government / Politics |
More Less | | PRO-level points: 76, Questions answered: 51, Questions asked: 16 | | Wire transfer | | 1987 | | Argentine pesos (ars), Euro (eur), U. S. dollars (usd) | Sample translations submitted: 5 English to Spanish: GUIDANCE ON RISK ASSESSMENT OF LIVING MODIFIED ORGANISMS (fragment)
General field: Science
Detailed field: Environment & Ecology | Source text - English
GUIDANCE ON RISK ASSESSMENT OF LIVING MODIFIED ORGANISMS
This document was developed by the Ad Hoc Technical Expert Group (AHTEG) on Risk Assessment and Risk Management under the Cartagena Protocol on Biosafety.
This is intended to be a “living document” that will be improved with time as new experience becomes available and new developments in the field of applications of living modified organisms (LMOs) occur, as and when mandated by the Parties to the Cartagena Protocol on Biosafety.
PART I:
ROADMAP FOR RISK ASSESSMENT OF LIVING MODIFIED ORGANISMS
This “Roadmap” provides an overview of the process of environmental risk assessment for a living modified organism (LMO) in accordance with Annex III to the Cartagena Protocol on Biosafety (hereinafter “the Protocol”) and all other articles related to risk assessment. This Roadmap was developed in response to decision BS-IV/11 of the Conference of the Parties serving as the meeting of the Parties to the Protocol (COP-MOP). Annex III is the basis of the Roadmap. Accordingly, this Roadmap is a guidance document and does not replace Annex III. The overall aim of the Roadmap is facilitating and enhancing the effective use of Annex III by elaborating the technical and scientific process of how to apply the steps and points to consider in the process of risk assessment.
The purpose of this Roadmap is to provide further guidance on using Annex III with additional background material and links to useful references relevant to risk assessment. The Roadmap may be useful as a reference for risk assessors when conducting or reviewing risk assessments and in capacity building activities.
The Roadmap applies to all types of LMOs and their intended uses within the scope and objective of the Protocol, and in accordance with Annex III. However, it has been developed based largely on living modified crop plants because of the extensive experience to date with environmental risk assessments for these organisms. It is intended to be a “living document” that will be modified and improved on over time as and when mandated by COP-MOP, and in the light of new experience, information and developments in the field of applications of LMOs, e.g. when other types of LMOs have been evaluated more extensively in environmental risk assessments.
INTRODUCTION
General introduction
Background
In accordance with the precautionary approach the objective of the Protocol is “to contribute to ensuring an adequate level of protection in the field of the safe transfer, handling and use of LMOs resulting from modern biotechnology that may have adverse effects on the conservation and sustainable use of biological diversity, taking also into account risks to human health, specifically focusing on transboundary movements”.
For this purpose, Parties shall ensure that risk assessments are carried out when making informed decisions regarding LMOs.
An LMO and its use may have several effects, which may be intended or unintended, taking into account that some unintended effects may be predictable. The objective of risk assessment is to identify and evaluate the potential adverse effects of LMOs on the conservation and sustainable use of biological diversity in the likely potential receiving environment, taking also into account risks to human health. The risk assessment is performed on a case-by-case basis. What is considered an adverse effect depends on protection goals and assessment end-points taken into consideration when scoping the risk assessment. The choice of protection goals by the Party could be informed by Articles 7(a), 7(b) and 8(g) and Annex 1 of the Convention on Biological Diversity.
According to the general principles of Annex III of the Protocol, risk assessments shall be based, at a minimum, on information provided in accordance with Article 8 and other available scientific evidence in order to identify and evaluate the possible adverse effects of LMOs on the conservation and sustainable use of biological diversity, taking also into account risks to human health.
Annex III states that “risk assessment should be carried out in a scientifically sound and transparent manner, and can take into account expert advice of, and guidelines developed by, relevant international organizations. Lack of scientific knowledge or scientific consensus should not necessarily be interpreted as indicating a particular level of risk, an absence of risk, or an acceptable risk. (…) Risk assessment should be carried out on a case-by-case basis. The required information may vary in nature and level of detail from case to case, depending on the LMO concerned, its intended use and the likely potential receiving environment”.
| Translation - Spanish
ORIENTACIONES PARA LA EVALUACIÓN DEL RIESGO DE LOS ORGANISMOS VIVOS MODIFICADOS
Este documento fue desarrollado por el Grupo Especial de Expertos Técnicos (GEET) en evaluación del riesgo y gestión del riesgo en el marco del Protocolo de Cartagena sobre Seguridad de la Biotecnología.
Se prevé que sea un "documento vivo", que mejorará a medida que pase el tiempo y se produzcan nuevas experiencias y desarrollos en el campo de las aplicaciones de organismos vivos modificados y cuando lo indique el mandato de las Partes del Protocolo de Cartagena sobre Seguridad de la Biotecnología.
PARTE I:
HOJA DE RUTA PARA LA EVALUACIÓN DEL RIESGO DE LOS ORGANISMOS VIVOS MODIFICADOS
Esta “Hoja de ruta” proporciona una visión general del proceso de evaluación del riesgo para un organismo vivo modificado de acuerdo con el Anexo III del Protocolo de Cartagena sobre Seguridad de la Biotecnología (de aquí en más "el Protocolo") y todos los otros artículos relacionados con la evaluación del riesgo. Esta Hoja de ruta se realizó en respuesta a la decisión BS-IV/11 de la Conferencia de las Partes, que actúa como reunión de las Partes del Protocolo (COP-MOP). El Anexo III sirve como base para la Hoja de ruta. De conformidad con ello, esta Hoja de ruta es un documento de orientación y no reemplaza el Anexo III. El objetivo general de la Hoja de ruta es facilitar y mejorar el uso efectivo del Anexo III mediante la elaboración de procesos científicos y técnicos para la aplicación de las etapas y aspectos a tener en cuenta en el proceso de evaluación del riesgo.
El propósito de esta Hoja de ruta es proporcionar orientaciones adicionales sobre la utilización del Anexo III con material de referencia suplementaria y vínculos a referencias útiles pertinentes para la evaluación del riesgo. La Hoja de ruta puede ser útil como una referencia para los asesores en cuestiones de riesgo cuando llevan a cabo o realizan un examen de evaluaciones del riesgo y actividades de creación de capacidad.
La Hoja de ruta se aplica a todos los tipos de organismos vivos modificados y a sus usos previstos dentro del ámbito y el objetivo del Protocolo y de conformidad con el anexo III. Sin embargo, se ha realizado en su mayor parte sobre la base de las plantas cultivadas vivas modificadas a causa de que, hasta el momento actual, existe amplia experiencia en evaluaciones del riesgo de dichos organismos para el medio ambiente. Se prevé que sea un “documento vivo” que se modifique y mejore con el tiempo y según el mandato del COP-MOP y a la luz de las nuevas experiencias, información y desarrollos en el campo de las aplicaciones de los organismos vivos modificados, por ejemplo, cuando otros tipos de organismos vivos modificados se hayan evaluado más exhaustivamente en las evaluaciones del riesgo para el medio ambiente.
INTRODUCCIÓN
Introducción general
Antecedentes
De conformidad con el principio de precaución , el objetivo del Protocolo es “contribuir a garantizar un nivel adecuado de protección en la esfera de la transferencia, manipulación y utilización seguras de los organismos vivos modificados resultantes de la biotecnología moderna que puedan tener efectos adversos para la conservación y la utilización sostenible de la diversidad biológica, teniendo también en cuenta los riesgos para la salud humana, y centrándose concretamente en los movimientos transfronterizos”.
Para este propósito, las Partes asegurarán que las evaluaciones del riesgo se lleven a cabo cuando se realicen decisiones fundamentadas relacionadas con los organismos vivos modificados.
Un organismo vivo modificado y su uso pueden tener varios efectos, que pueden ser previstos o no previstos, considerando que algunos efectos no previstos pueden ser predecibles. El objetivo de la evaluación del riesgo es identificar y evaluar los probables efectos adversos de los organismos vivos modificados en la conservación y la utilización sostenible de la diversidad biológica en el probable medio receptor, teniendo también en cuenta los riesgos para la salud humana. La evaluación del riesgo se realiza caso por caso. Qué se considera un efecto adverso depende de las metas de protección y los puntos finales de la evaluación considerados cuando se determina el ámbito de la evaluación del riesgo. La Parte puede determinar las metas de protección a partir de la información que se brinda en los Artículos 7(a), 7(b) y 8(g) y el Anexo 1 del Convenio sobre la Diversidad Biológica.
De conformidad con los principios generales del Anexo III del Protocolo, las evaluaciones del riesgo se basarán, como mínimo, en información provista de conformidad con el artículo 8 y toda otra evidencia científica disponible para identificar y evaluar los posibles efectos adversos de los organismos vivos modificados para la conservación y la utilización sostenible de la diversidad biológica, teniendo también en cuenta los riesgos para la salud humana.
El anexo III establece que “la evaluación del riesgo deberá realizarse de forma transparente y científicamente competente, y al realizarla deberán tenerse en cuenta el asesoramiento de los expertos y las directrices elaboradas por las organizaciones internacionales pertinentes. La falta de conocimientos científicos o de consenso científico no se interpretará necesariamente como indicadores de un determinado nivel de riesgo, de la ausencia de riesgo, o de la existencia de un riesgo aceptable. (...) La evaluación del riesgo deberá realizarse caso por caso. La naturaleza y el nivel de detalle de la información requerida pueden variar de un caso a otro, dependiendo del organismo vivo modificado de que se trate, su uso previsto y el probable medio receptor. ”.
| English to Spanish: Bringing the Polluters Back In: Environmental Inequality and the Organization of Chemical Production
General field: Social Sciences
Detailed field: Social Science, Sociology, Ethics, etc. | Source text - English
Bringing the Polluters Back In: Environmental Inequality and the Organization of Chemical Production
Don Grant, Mary Nell Trautner, Liam Downey, and Lisa Thiebaud
Abstract
Environmental justice scholars have suggested that because chemical plants and other hazardous facilities emit more pollutants where they face the least resistance, disadvantaged communities face a special health risk. In trying to determine whether race or income has the bigger impact on a neighborhood’s exposure to pollution, however, scholars tend to overlook the facilities themselves and the effect of their characteristics on emissions. In particular, how do the characteristics of facilities and their surrounding communities jointly shape pollution outcomes? We propose a new line of environmental justice research that focuses on facilities and how their features combine with communities’ features to create dangerous emissions. Using novel fuzzy-set analysis techniques and the EPA’s newly developed Risk-Screening Environmental Indicators, we test the influence of facility and community factors on chemical plants’ health-threatening emissions. Contrary to the idea that community characteristics have singular, linear effects, findings show that facility and community factors combine in a variety of ways to produce risky emissions. We speculate that as chemical firms experiment with different ways of producing goods and externalizing pollution costs, new “recipes of risk” are likely to emerge. The question, then, will no longer be whether race or income matters most, but in which of these recipes do they matter and how.
Which types of chemical plants pose the greatest health threat and in which types of communities? Environmental justice scholars have long been interested in the physical dangers posed by facilities like chemical plants and the factors that make communities vulnerable to them. Much research examines the effects of community characteristics like race and income on residents’ exposure to hazardous facilities and their emissions (e.g., Bryant and Mohai 1992; Ringquist 2005). However, researchers rarely study facilities themselves and the effects of their characteristics on emissions. In particular, no research examines how facilities’ characteristics combine with those of their surrounding communities to produce health risks.
Understanding the conjoint effects of facility and community factors on health risks is important for three reasons. First, research on the pollution effects of community characteristics is plagued by inconsistent findings. For example, most studies show that industrial pollution increases as the percentage of minorities in a neighborhood grows, but a fairly substantial number of studies find this is not true or only true in certain areas (Bryant and Mohai 1992; Ringquist 2005). Most environmental justice scholars attribute conflicting findings to the fact that studies sometimes define communities and their features differently. However, using a single set of data, a single definition of community, and a consistent methodology, Downey (2007) found that environmental inequality outcomes still vary widely across 61 major U.S. metropolitan areas. This suggests that not only are researchers’ predictions about race and income having singular, linear effects on pollution wrong, but that community characteristics may interact with each other and with unmeasured characteristics of polluters to produce a variety of nonlinear effects.
Second, recent changes in environmental policy demand that more attention be paid to the intersection of community and facility factors. Since the passage of the 1986 Community Right-to-Know Act, responsibility for monitoring industrial toxins has gradually devolved from the national to the local level. At the same time, regulators have slowly abandoned end-of-pipe solutions, looking more upstream or at how industrial production is organized for alternative remedies (Ringquist 1993). Hence, there is now an urgent need to sort out the different combinations of community and facility factors associated with negative and positive emission outcomes.
Third, over the past two decades, new health science technologies have vastly expanded our understanding of toxins in the environment and their impact on humans. Regulatory regimes, however, have not actively encouraged scholars to analyze and package these data in ways that can be effectively applied to cases of environmental injustice (Frickel 2004). It appeared that this problem might be addressed in 1994 with President Clinton’s signing of Executive Order #12898, the Federal Actions to Address Environmental Justice in Minority Populations and Low-Income Populations, but this order was not fully implemented and was essentially ignored by his successor. With a new administration in office, there may now be an opportunity for environmental scholars to make a difference in how local environmental risks are understood and regulated.
In this article, we propose a new line of environmental justice research that focuses on facilities and how their features work together with communities’ features to create more and less risky emissions. Specifically, we sketch a framework that suggests why facility and community factors likely combine to generate multiple “recipes” of emission outcomes. We also suggest how researchers can identify these recipes using novel fuzzy-set analysis (FSA) techniques (Ragin 2000). Unlike standard quantitative methods, FSA techniques can determine which of several possible combinations of factors are most relevant to an outcome. FSA can also determine whether the sets of factors associated with negative and positive outcomes fundamentally differ, which seems likely with pollution outcomes because special effort and coordination often go into minimizing emissions. Finally, we investigate how combinations of facility and community factors shape chemical plants’ highly and not highly risky emissions. To do so, we use the Environmental Protection Agency’s Risk-Screening Environmental Indicators (RSEI), the first publicly available data source on industrial facilities’ toxic emissions and their associated health dangers.
BACKGROUND
Despite spending more money per capita on health care than any other country, the United States lags behind most industrial nations in overall health because of growing racial and class differences in mortality and morbidity (Brulle and Pellow 2006; Williams and Collins 1995). Some scholars attribute these disparities to personal habits like smoking, dieting, and exercise. However, these factors explain only a small fraction of health differences, prompting researchers to explore the role that extra-individual factors might play in creating health inequities. In particular, environmental justice scholars suggest that because pollution tends to follow the path of least resistance, poor and minority neighborhoods may be disproportionately exposed to industrial toxins that threaten health (Bullard [1990] 2000).
This claim is the subject of a burgeoning academic literature on environmental inequality.1 An important debate within this body of work concerns whether a neighborhood’s racial or income composition is the best predictor of pollution exposure (Mohai and Bryant 1992). Proponents of a racial discrimination model (e.g., Mohai and Bryant 1992) suggest that environmental harms are intentionally put in minority communities because business leaders, government officials, real estate executives, and other decision makers are racially prejudiced. In addition, restrictive housing markets allegedly force minorities to stay within or move into communities where such facilities already exist. In either case, the percent of minorities in a neighborhood is expected to be positively associated with industrial pollution. Proponents of a class model (e.g., Hamilton 1995) suggest that if minorities live nearer environmental hazards, it is because they tend to be poorer than whites. Residents with lower incomes lack the financial resources to influence siting decisions or flee from corporate polluters. Hence, any association between race and pollution should vanish once neighborhoods’ income levels are accounted for. Finally, supporters of an agnostic model doubt the importance of both race and class (e.g., Anderton et al. 1994). According to these scholars, minorities and low-income residents are more exposed to pollution because they tend to live in areas that are more urban, have extensive industrial activity, and offer more affordable housing. In this view, any relationship between pollution and race or between pollution and income is likely spurious.
While these competing explanations of environmental inequality have generated important insights, empirical support has been mixed; some studies show that race has the stronger effect on pollution exposure (e.g., Szasz et al. 1993), others find that income has the bigger impact (e.g., Bowen et al. 1995), and still others show that the effects of race and income disappear when controlling for metropolitan status, manufacturing employment, and property values (e.g., Anderton et al. 1994). Some scholars try to reconcile these inconsistent findings by employing longitudinal data (e.g., Been and Gupta 1997; Oakes et al. 1996; Saha and Mohai 2005). For example, Saha and Mohai (2005) show that racial and income disparities in the siting of hazardous waste facilities did not occur until after 1970, when the Not-In-My-Backyard (NIMBY) movement, led by middle- and upper-class whites, began deflecting new facilities into minority and low-income neighborhoods.
As helpful as these longitudinal inquiries have been, they, like earlier studies of environmental inequality, tend to lose sight of this literature’s larger goal: to demonstrate that health disparities are due to factors other than individual ones. That is, in treating race and income as competing predictors, researchers not only fail to consider how these factors might jointly influence pollution exposure, but they dilute the analytic significance of one extra-individual factor in stressing the importance of another. Equally important, in trying to determine if and when neighborhood race and income shape pollution outcomes, scholars divert attention from the fundamental question of how the production of industrial toxins is organized. Despite the fact that most pollutants are emitted at the site of production and industrial organizations are the “most intense and effective environmental destroyers of all” (Perrow 1997:66), scholars pay scant attention to the organizational characteristics of polluting facilities. Consequently, we know very little about the ways in which facilities’ characteristics might combine with those of communities to create environmental risks.
We contend that scholars have not systematically examined such combinations for three basic reasons. First, they lack a conceptual framework that addresses the linkages between facilities and communities. A few scholars have sought to incorporate organizations into the analysis of environmental inequities by drawing on theories that speak of the new risks created by high-tech industries like chemical manufacturing (e.g., Beck 1986). However, because these theories focus on implications of these industries for society at large, they have less to say about the local context in which individual facilities operate. Thus, they do not provide scholars with a theoretical reason for exploring combinations of organizational and community factors.
Second, lacking a theoretical motivation to study the synergies between local facilities and neighborhoods, researchers tend to rely on methods designed to test factors’ independent effects. For instance, because most quantitative research on environmental justice revolves around the question of whether race or income has the bigger impact on pollution, it favors statistical techniques like regression that assess the net effects of variables. Qualitative scholars have long been critical of such techniques, noting that they can neither capture how factors combine in complicated ways nor explain the outcomes of individual cases. They have yet to suggest, however, alternative methods that should be used to identify the most relevant combinations and their representative cases. As a result, neither qualitative nor quantitative scholars have the methodological tools to undertake this important work.
Third, research on pollution exposure has been hampered due to a lack of facility-level data on emissions and their associated health risks. When scholars study industrial pollution, they typically rely on the Environmental Protection Agency’s Toxics Release Inventory (TRI), which reports the pounds of toxic chemicals released by individual manufacturing facilities. Environmental justice researchers have used the TRI to measure exposure to industrial pollution in different ways and with varying precision. From the least to the most precise, these measures include the presence of a TRI facility, pound-based emissions (total pounds of chemicals released by facilities), hazard-based emissions (pounds of emitted chemicals adjusted by their toxicity), and risk-based emissions (pounds of emitted chemicals adjusted by their toxicity, fate, pathway, and dispersion). Most environmental justice researchers use the least precise of these measures as their indicator of pollution exposure—the mere presence of TRI facilities (Saha and Mohai 2005). Several scholars, for example, examine the number of TRI plants located within Census tracts of particular cities (e.g., Szasz and Meuser 2000). By contrast, only a few scholars examine the correlates of risk-based emissions, and they all focus on outcomes at aggregated levels (e.g., Morello-Frosch and Jesdale 2006). Hence, research has yet to tease out which kinds of facilities situated in which kinds of communities pose the greatest health risk.
TOWARD AN ORGANIZATIONAL UNDERSTANDING OF ENVIRONMENTAL JUSTICE
To address the first of these limitations, we outline a framework that not only incorporates facility and community characteristics but also suggests how they might work together to produce health threatening emissions. Our framework draws on two strands of organizational literature: studies of organizational sources of inequality (Baron and Bielby 1980; Reskin, McBrier, and Kmec 1999) and research on organizational configurations (Fiss 2007; Meyer, Tsui, and Hinings 1993).
Beginning with Baron and Bielby’s (1980) call to bring the firm back into the study of stratification, several sociologists have attempted to identify the organizational sources of inequality. This literature suggests that to fully understand the economic, social, or physical impact of organizations, researchers need to study the structures that differentiate organizations, such as their size, geographic scope, and legal form. Moreover, instead of assuming that these dimensions always align with one another—or ignoring them altogether, as environmental justice scholars effectively do, for example, when they tally the number of TRI plants in a community (e.g., Szasz and Meuser 2000)—this literature recommends that scholars conduct more fine-grained analyses of the effects of specific organizational structures on outcomes like pollution.
Foster (2000), for example, contends that in its later stages, capitalism averts economic crises by increasing the scale of operations, expanding to distant markets, and restructuring units as subsidiaries to gain greater access to capital funds.2 These organizational fixes, in turn, jump start what Schnaiberg (1980) calls the “treadmill of production,” which causes ecological damage through a self-reinforcing process of rising profits and consumption. This treadmill requires continuous and growing inputs of energy and material to fuel escalating demands for investment and goods. It also creates negative byproducts in the form of toxins and externalizes their costs to maintain a positive rate of return. Applying these insights, Grant and his colleagues have examined the environmental consequences of plant size (Grant, Jones, and Bergesen 2002), absentee-managed branches (Grant, Jones, and Trautner 2004), and subsidiaries (Grant and Jones 2003) and found each to be positively related to toxic emissions.
Literature on the organizational sources of inequality, however, also suggests that the structures that define establishments are not limited to internal ones like size, scope, and form. They also include external ones such as the composition of surrounding communities. That is, the local distribution of attributes like race and income is both a reflection and a determinant of an establishment’s practices (Reskin et al. 1999).
Furthermore, this literature suggests that an organizational structure may not have the same effect in all instances. Because any particular structure can function as a resource or a vulnerability (Hodson and Kaufman 1982), it may have different consequences for different cases. For instance, low-income neighborhoods may be more susceptible to toxic emissions because they lack the financial resources to fend off large polluters. Or, precisely because such neighborhoods are economically depressed and therefore less desirable in the eyes of investors, they may attract smaller companies that pose less of a danger.
Another strand of literature on organizational configurations refines these arguments to suggest that establishments are best understood as constellations of interconnected structures (Fiss 2007; Meyer et al. 1993). In this view, organizations’ structures are not entirely modular, and thus they should not be studied as individual independent variables. Instead, organizations are made up of different bundles of structures; scholars should therefore study how certain structural profiles are related to outcomes. Applied to the subject at hand, this suggests that factors previously found to have independent effects on emissions—internal organizational characteristics like size, absentee management, and subsidiary status, as well as external characteristics like neighborhood race and income—may also combine in complicated ways that structurally define plants and shape their environmental performance.
A configurational perspective also rejects the notion of unifinality that says there is one optimal configuration leading to an outcome. Instead, it embraces the concept of equifinality, which states that two or more configurations can be equally effective in producing an outcome (Fiss 2007). For example, whereas scholars who attribute environmental inequities solely to racism would suggest that all facilities pollute more when located near a racial minority, a configurational perspective would suggest there may be multiple recipes of pollution and therefore the presence of a racial minority might influence the pollution behavior of some facilities but not others.
Finally, a configurational perspective asserts that the set of factors associated with a negative organizational outcome, like highly risky emissions, may not be the simple inverse of those associated with a positive outcome (Meyer et al. 1993). This logic contrasts with the symmetrical reasoning that informs correlational techniques that assume all relationships are linear in nature. It also contrasts with the reasoning informing most environmental justice research that suggests the presence or absence of a disadvantaged group will be associated with more or less pollution. According to research on organizational configurations, such an understanding is simplistic because, among other things, it often requires special effort and coordination on the part of organizations to create desirable outcomes.
Case Studies and Empirical Configurations
Although prior case study research does not focus on the intersection of facilities’ internal and external characteristics and cannot answer questions about broad patterns of pollution exposure, several environmental inequality case studies comport with this configurational understanding of organizations and their consequences. Some of these studies suggest that facilities with certain mixes of internal characteristics may be more apt to put lives at risk. For example, in their examination of a federally operated nuclear reactor in Oak Ridge, Tennessee, Cable and colleagues (2008) document how this large and absentee-managed facility not only posed a health threat, but continued to harm workers and local residents by using its vast discretionary resources to hire experts to deny workers’ and residents’ claims about being poisoned.
Likewise, other studies suggest that facilities with a particular combination of external characteristics are more prone to threaten lives. Pollock and Vittas (1995) find that in Florida, TRI facilities tend to be located closer to low-income, African American neighborhoods than to other low-income communities; and in their study of hazardous sites and industrial facilities within Massachusetts, Faber and Krieg (2000) discover a nearly identical pattern. Downey (2000) uncovers similar results, demonstrating that low-income and working-class blacks in Detroit were less able to escape Detroit’s polluted neighborhoods between 1970 and 1990 than were middle-class blacks and poor and working-class whites. Collectively, these studies suggest that a lack of financial resources, combined with restrictive housing markets, effectively confine poor African Americans to areas where dangerous plants tend to be situated.
Pastor and colleagues (2001) highlight a different combination of external factors in their study of Los Angeles County. In this study, they find that hazardous facilities are more likely to be sited in neighborhoods where there are both large African American and large Latino populations. They attribute this to the fact that mobilizing residents and creating social capital is particularly difficult in communities undergoing racial transition, or what they call ethnic churning, thus making it much harder for such communities to prevent the siting of noxious facilities in their neighborhoods. This study, and the ones described in the preceding paragraph, suggests that trying to isolate the influence of a particular racial or class factor may prevent the discovery of constellations of factors associated with pollution exposure.
Finally, other studies suggest how facilities’ internal and external characteristics may combine to produce environmental dangers. For example, Rosner and Markovitz’s (2002) study of Louisiana’s infamous Chemical Corridor suggests that the tactics described by Cable and colleagues (2008) are especially likely to be used by facilities with particular organizational characteristics against racial groups that lack political clout. Specifically, they report how large and absentee-managed chemical plants routinely use expert systems to challenge African American residents’ health claims.
Pulido (2000) suggests that because African Americans and Latinos perform different roles in the racialized division of labor, they may both be endangered by absentee-managed plants but for different reasons. She notes, for example, how manufacturers in Los Angeles built up that city’s industrial district by locating branch plants in predominantly African American neighborhoods. Manufacturers did so not because they wished to hire African Americans, but because such neighborhoods tend to be politically weak and therefore unable to resist polluters. The same branch plants actively recruited poor, Latino immigrants to fill the hazardous, manual jobs that whites tend to avoid. Hence, unlike African Americans, poor Latinos were put at risk as a result of gradually moving into neighborhoods surrounding these plants. Such complexities are often glossed over in standard analyses that essentially ignore the characteristics of polluters and how they may affect groups differently.
Auyero and Swistun (2008) also speak to the importance of studying the intersection of organizations and their surrounding neighborhoods’ socioeconomic makeup. They suggest that after U.S. petrochemical firms created branch plants in Argentina to take advantage of that country’s lax environmental standards, poor Argentines gradually migrated to these branches and built shantytown communities around them. Because most shantytown residents arrived well after the branches began operating, they were often unaware of the slowly incubating contaminants that had been released. In addition, the branches were managed from afar by dominant outside actors, which made it difficult for residents to get information on the real source of their illnesses. In this case, poor Latinos’ exposure was not so much a result of tactics used by corporations during the siting phase, but the chemical plant’s spatially and culturally remote headquarters led to a growing sense of uncertainty.
In addition to suggesting that pollution is shaped by interconnected structures, these case studies speak to the notion of equifinality. For instance, the findings of Pastor and colleagues (2001) and Pulido (2000) suggest that even in a single area like Los Angeles, residents can be exposed to pollution under more than one set of circumstances. Moreover, additional case study research suggests that reducing dangerous emissions may require more effort than went into creating them. Saha and Mohai (2005), for example, argue that in cities like Detroit, well-to-do, white residents have become increasingly skilled at keeping hazardous facilities and poor minorities out of their neighborhoods. As a result, not only are environmental harms concentrated within disadvantaged communities, but moving those harms elsewhere poses a greater political challenge.
Propositions
The empirical patterns uncovered by these case studies suggest that polluters’ community and organizational profiles are more complex than conventional quantitative research and theorizing on environmental inequality suggests. An alternative approach that focuses on the organizational and community configurations associated with pollution exposure is thus needed. To help readers appreciate how such an approach would differ from the more conventional one, we derive a set of propositions from each about the correlates and configurational recipes of facilities’ life threatening emissions.
The primary goal of the conventional approach is to determine whether race, class, or some other community factor is the best predictor of pollution exposure. Applied to individual facilities, it suggests that one or more of the following will be true:
(1) In communities with large populations of racial minorities (African Americans or Latinos), facilities will tend to pose a higher risk.
(2) Whatever risk is associated with the presence of racial minorities can be explained by the income levels of facilities’ surrounding communities.
(3) Whatever risk is associated with residents’ racial makeup or incomes can be explained by some other trait of facilities’ surrounding communities, such as level of manufacturing activity, metropolitan status, or housing values.
(4) If race, income, and other predictors affect facility emissions, they will each do so in only one way.
(5) The effects of race, income, and other predictors on facility emissions are symmetrical.
By contrast, a configurational approach seeks to identify the constellation of external and internal attributes that distinguish more and less dangerous polluters. This approach is less interested in the independent effects of race and income than in how these features of communities and those of facilities jointly influence health risks. It also allows for the possibility that these factors may contribute to pollution in more than one way, and it questions the assumption of conventional research that predictors have a perfectly symmetrical relationship with positive and negative pollution outcomes. In short, a configurational approach would predict the following:
(6) Communities’ racial and income characteristics combine with each other and with facilities’ characteristics to create multiple recipes of highly risky emissions.
(7) The recipes of facilities’ highly and not highly risky emissions are asymmetrical.
QUALITATIVE COMPARATIVE ANALYSIS
Whereas literature on organizational configurations and case studies of environmental inequality alert scholars to the possibility of nonlinear relationships, synergistic effects, and multiple recipes, standard methods like regression assume linearity, additive effects, and singular recipes. To be sure, regression techniques can be used to assess two-way interactions (see, e.g., work on pollution exposure by Downey [2005]). However, higher order interactions are extremely difficult to interpret within a regression format. Moreover, regression presumes that a statistically significant interaction can be generalized to all cases under investigation when, in fact, it may occur only in some cases.
To overcome this second limitation of environmental justice research, we turn to Qualitative Comparative Analysis (QCA) and its fuzzy-set variant (FSA). QCA and FSA treat cases as combinations of attributes and use Boolean algebra to derive simplified expressions of combinations associated with an outcome (Ragin 2000). For example, as Longest and Vaisey (2008) explain, given an outcome set Y and predictors A and B, QCA helps an analyst determine which combinations of A and B (i.e., AB, Ab, aB, or ab) are most likely to produce Y. In a QCA framework, the term “set” is used instead of “variable” to stress the idea that each variable has been transformed to represent an individual case’s level of membership in a given condition (e.g., a facility’s membership in the set of organizations with “highly risky emissions”).
The combination of individual sets—for example, facilities that are large and in low-income neighborhoods—is then referred to as a “configuration.” Sets are labeled with uppercase and lowercase letters. When working with crisp sets or sets that are all dichotomous indicators, uppercase letters signify 1 (fully in A) and lowercase letters signify 0 (fully out of A). When working with fuzzy sets or sets that can take on a value between 0 and 1, uppercase letters mean the level of set membership (e.g., the value of A) and lowercase letters mean 1 minus the set membership (e.g., 1 – A). In the case of FSA, individual organizations can be more or less a member of a particular set (e.g., .33 would indicate something like “more out than in, but still somewhat in” the set, whereas .7 would signify something like “more in than out, but not entirely in” the set). Combining fuzzy sets into configurations is usually done using the minimum operator, so AB = min(A,B), or aB = min{(1–A) , B}. A case with a fuzzy score of .6 on A and .3 on B, for example, would be said to have a fuzzy score of .3 in the configuration AB.
Unlike variable based methods that are founded on the notion of unifinality and seek to estimate a single recipe for all cases under examination, QCA methods explicitly take the idea of equifinality into account, allowing different subsets of cases to produce the same outcome. Furthermore, whereas techniques like correlation and regression gauge linear relations and assume these relations are symmetric in nature, QCA methods test set relations and assume that configurations may be asymmetrical. QCA methods are thus especially well suited for determining whether configurations associated with a positive outcome differ from those associated with a negative outcome. The fuzzy-set version of QCA is particularly useful when studying outcomes like industrial emissions that cannot be neatly dichotomized as benign or dangerous.
RISK-SCREENING ENVIRONMENTAL INDICATORS
As mentioned earlier, a third limitation of environmental justice research is that scholars have not had access to data on the health threats posed by individual facilities. Risk assessment is extremely costly and time consuming, and the EPA has been unwilling to collect such data because of the storm of stakeholder objections it would face. Recently, however, the EPA developed a dataset, the Risk-Screening Environmental Indicators (RSEI), that takes into consideration all of the factors used in formal risk assessment. Specifically, it incorporates detailed data on the amounts of chemicals released by individual facilities, the toxicity of these chemicals, their environmental concentrations, and the people who are exposed to them.
The RSEI divides the United States into an array of one-kilometer square cells, with each TRI facility assigned to a cell. It then links to each facility/cell the pounds of chemicals a facility releases (from the TRI), toxicity weights for individual chemicals and chemical categories, exposure estimates based on pathway-specific reporting of releases to air and water, and the size of the cell’s potentially exposed residential population.3 Using this information, the RSEI generates scores for individual facilities that reflect the relative risk of their emissions.
To be more precise, for each type of chemical released by a plant, the RSEI multiplies the total pounds of that emitted chemical (pound-based emission) by the toxicity weight for the exposure route (oral or inhaled) associated with that release.4 It then multiplies this figure (hazard-based emission) by the projected spread and fate of the released chemical (based on information about local atmospheric conditions, a chemical’s molecular weight, and its rate of decay), as well as the number, sex, and age of residents in affected grid cells to derive an estimate of the risk posed by the emitted chemical (risk-based emission). Finally, the RSEI repeats this procedure for all other chemicals released by a facility and sums their individual risk estimates to produce a composite risk score for that facility.
To appreciate how the RSEI more accurately estimates pollution exposure, consider Table 1, which ranks the 10 dirtiest chemical plants based on their hazard- and risk-based emissions. As indicated earlier, hazard-based measures estimate the pounds of emitted chemicals adjusted by their toxicity, whereas risk-based measures estimate pounds of emitted chemicals adjusted by their toxicity, fate, pathway, and dispersion. Table 1 reveals that the four facilities with the greatest hazard-based emissions are all located in the Midwest, but none of these plants make the list for the greatest risk-based emissions. What might explain this discrepancy? Among other things, risk-based emissions take into account population density surrounding a plant. The plant with the most hazard-based emissions is located near Galena, Kansas, a rural community with a population of about 3,000 individuals. By contrast, the plant with the most risk-based emissions is located in Pasadena, Texas, which is part of the larger Houston metropolitan area and has a population of over 140,000 individuals. The RSEI thus provides a very different picture of pollution exposure than do other measures used in the past.
Despite its strengths, the RSEI also has some notable limitations. For instance, the RSEI does not cover all toxic chemicals used by industry, it does not assess dermal and food ingestion pathways, and it does not address ecological effects. In particular, the RSEI does not evaluate individual health outcomes or provide estimates of excess cases of cancer or other diseases. It is thus important to bear in mind that the type of “risk” the RSEI reports is not identical to the type discussed by public health officials who prefer to use actual counts of illness in an area. Nonetheless, the RSEI accounts for a large set of toxins regularly used by industry, considers some of the key pathways that affect health, and allows researchers to compare the potential impact of facilities’ emissions on chronic health outcomes. Especially important, because it provides better estimates of pollution exposure than do previous measures, the RSEI makes claims about industrial pollution’s health risks more credible to public health officials.5
To date, only three published studies have used RSEI data: Ash and Fetter’s (2004) analysis of air pollution exposure across U.S. cities, Sicotte and Swanson’s (2007) examination of Philadelphia residents’ proximity to dangerous industrial facilities, and Downey’s (2007) study of the 61 largest metropolitan areas in the United States.6 These studies, however, aggregate RSEI data up to the Census block or tract levels, precluding an examination of how facility and community characteristics interact to produce health dangers.
DATA, MEASURES, AND ANALYTIC STRATEGY
Data
To advance our understanding of the causes of pollution exposure, we conduct the first facility-level analysis of risk-based emissions. Specifically, we investigate the propositions mentioned earlier about facilities’ highly and not highly risky emissions using fuzzy-set methods and the EPA’s Risk-Screening Environmental Indicators. We focus on the health risks posed by chemical plants because they are responsible for a disproportionate share of all emitted toxins. Our dataset consists of indicators of chemical plants’ risk-based emissions (from the RSEI),7 their organizational characteristics, the makeup of their surrounding communities, and other relevant factors. We examine the combined influence of facility and community characteristics on 2,0538 chemical plants’ risk-related emissions in 2002, the most recent year for which RSEI data were available at the time this study was funded. Table 2 provides a summary of the variables used in our analyses and their data sources.
Measures
The analyses employ two dependent variables: highly risky emissions, operationalized as a facility’s RSEI score, and its negation, not highly risky emissions. To test the influence of facility size, scope, and form or plants’ organizational features, we use the following measures: number of employees at a facility,9 whether a facility is a branch plant (1 = yes), and whether it is a subsidiary (1 = yes). To test the influence of communities’ racial and income composition, we use measures of percent African American, percent Latino, and median household income. We focus on African Americans and Latinos because past research on environmental justice (e.g., Ringquist 1997) finds that they are significantly more vulnerable to industrial toxic emissions than are other minority groups, such as Native Americans. Each of our three indicators of community characteristics is based on information about a plant’s surrounding Census tract area. Past research suggests that because of aggregation errors, it is more appropriate to measure race and class at this level than at less refined levels like zip codes (Anderton et al. 1994; Oakes et al. 1996).
Analytic Strategy
In assessing our propositions, we employ standard regression techniques as well as less conventional FSA methods. In our FSA analyses, we convert our dependent and key independent variables into fuzzy scores because several of them cannot be easily categorized as full membership (1) or nonmembership (0) in a set, which would be required if using conventional QCA techniques. For example, even with more precise data like the RSEI, it is unclear above and below what RSEI score a plant’s emissions should be classified as highly or not highly risky.10
FSA addresses this type of problem by having researchers recode their measures continuously as degrees of membership (or in the interval between 0 and 1) based on theoretical or substantive knowledge. Key to this coding procedure is deciding which cases are the most ambiguous or should be assigned a value of .5. Once variables are calibrated, FSA can then examine not only the level of overlap between independent variables, but also the extent to which certain combinations of independent variables overlap or are a subset of the dependent variable (if X, then Y).
Although the EPA does not specify beyond what RSEI score a plant should be classified as highly risky, it does suggest employing measures of central tendency, like the mean, to screen out potentially dangerous plants and characterize their risks (U.S. Environmental Protection Agency 2003). In keeping with the EPA’s recommendations, we convert our dependent variables to fuzzy scores using the following algorithm recommended by Ragin (2000) for mean-based factors:
fuzzy score = exp(2*z_score)/(1 exp(2*z_score))
where z_score = (raw_score – mean)/(standard deviation)
According to this formula, cases with scores closer to 0 are more out of a set, whereas cases with scores closer to 1 are more in a set. In calibrating our indicators of facility and community characteristics, we use the same formula if no theory- or knowledge-based information exists about their membership properties. Where such information does exist, we use the calibration procedure built into FSA that asks researchers to specify what values constitute strong membership (.95), ambiguous membership (.5), and weak membership (.05). For example, in keeping with several environmental and employment laws that use size to determine which plants must be most closely regulated (see Grant et al. 2002), we designate plants with more than 1,000 employees as full members of the set of large plants (.95), plants with 500 employees as ambiguous members (.5), and those with fewer than 15 employees as weak (.05). Consistent with research on organizations and racial tokens that suggests minorities are more often discriminated against once they are greater than 15 percent of a population (Emerson, Yancey, and Chai 2001), we code our measures of percent African American and percent Hispanic as full members (.95) of the “majority” set when a group comprises 99 percent or more of a community’s population, ambiguous (.5) when it comprises 15 percent, and weak (.05) when it comprises 1 percent or less. In keeping with studies that define low-income residents as having salaries under $25,000 (about the 25th percentile), we code Census tracts with median household incomes below $10,000 as full members (.95) of the set of low-income neighborhoods, tracts with $25,000 as ambiguous members (.5), and those with more than $100,000 as weak members (.05).11 Table 2 shows how our dependent and key independent variables are calibrated.
Table A1 in the Appendix reports the truth table used in our fuzzy-set analyses. In addition to showing all observed configurations of our key independent variables, it reports the number of cases with greater than .5 membership in each configuration. The table also shows the consistency of each configuration, or the degree to which membership in that configuration is a subset of membership in the outcome. Consistency scores for Y (highly risky emissions) and ~Y (not highly risky emissions) are listed.
To eliminate logically irrelevant configurations, FSA requires researchers to specify a set of criteria for excluding and coding configurations. In our analyses, we drop configurations that contain fewer than 10 cases. We then code configurations as positive (1) if they have consistency scores of 95 percent or higher (we arrived at this threshold figure based on an examination of gaps in the upper range of consistency, see Ragin [2000]).12 Finally, we use FSA to specify the minimum number of configurations needed to logically cover all positive (1) configurations in the data.
Consistent with past research, we expect facilities that are large, are branches, or are subsidiaries will be a subset of plants with highly risky emissions. We also expect that facilities located in communities with large African American or large Latino populations, or whose residents have low incomes, will tend to belong to the same subset. Conversely, we expect facilities that lack these characteristics to be a subset of plants with not highly risky emissions. The FSA software that we employ (Ragin fsQCA 2.0) handles these predictions automatically in its counterfactual procedure where it asks the researcher if a factor’s presence or absence is expected to be related to an outcome. At the same time, FSA allows for the possibility that factors might still have an effect opposite of that predicted, in keeping with our earlier argument that organizational structures may act as resources or vulnerabilities. FSA’s chief drawback is that it is constrained to a limited number of variables because with the addition of each new variable, the possible number of configurations grows exponentially. We feel this disadvantage is more than offset by FSA’s ability to sort out the most relevant configurations from superfluous and redundant ones.
FINDINGS
Conventional Analysis
In Table 3, we assess three of the propositions suggested by conventional research on environmental inequality using the standard OLS techniques typically employed in this literature. Specifically, to determine whether facilities’ highly risky emissions (operationalized here as facilities’ RSEI scores) are a function of neighborhoods’ racial composition (first proposition), residents’ class standing (second proposition), or some other community property (third proposition), we add to a basic regression equation containing only percent African American and percent Latino (Equation 1); measures of median household income (Equation 2); and percent manufacturing, metropolitan status, and property value (Equation 3).
We see that percent African American and percent Latino are positively related to highly risky emissions in Equation 1, but that neighborhood income (Equation 2) has a negligible impact on risky emissions. In Equation 3, manufacturing activity is positively and significantly associated with highly risky emissions, but metropolitan status and property value are not. Most important, neither these three community factors nor neighborhood income do much to explain the influence of percent African American or percent Latino. In general, these results not only support the first proposition—racial dynamics shape the distribution of environmental harms—but they comport with most prior studies that find race matters more than class in shaping the distribution of environmental harms (see Ringquist 2005). Equation 3 appears to capture what has become the classic model of environmental inequality research.
However, as Equation 4 reveals, this classic model ignores how facilities’ characteristics such as size and being a branch plant, which are positively and significantly associated with the dependent variable, contribute to environmental risks. In addition, this model, which is designed to isolate effects of race and class, fails to take into account the numerous ways these factors might intersect with facility characteristics to produce risks. It also makes no allowance for the possibility that racial, class, and organizational factors may influence emissions in more than one way. As a comparison of Equations 4 and 5 shows, this model effectively forces factors to have perfectly symmetrical relationships with negative and positive outcomes. In short, the parsimonious logic that informs the classic model hinders development of a more nuanced understanding of pollution exposure.
Fuzzy-Set Analyses
Table 4 reports an FSA analysis of chemical facilities’ highly risky emissions (operationalized here as facilities’ “fuzzified” RSEI scores). In keeping with Proposition 6, but contradicting Proposition 4, Table 4 reveals that residential and organizational factors combine in complicated ways to produce multiple (four) recipes of highly risky emissions. When interpreting FSA results, it is important to keep in mind that no single attribute within a recipe can be interpreted outside the context of the other attributes. This is because, unlike regression techniques that abstract variables from the cases in which they exist, FSA treats individual cases as combinations of attributes. This means that chemical facilities defined by the first recipe are located in communities that have large African American populations (AF-AMER) and low incomes (LOWINC). Facilities defined by the second recipe are located in communities that have large African American populations (AF-AMER) and large Latino populations (LATINO). Facilities defined by the third recipe are situated in communities that have large African American populations (AF-AMER) and are large plants (SIZE) and are branches (BRANCH). Finally, facilities defined by the fourth recipe are situated in communities that have large Latino populations (LATINO) and low incomes (LOWINC) and are branches (BRANCH). That a factor like large African American population is present in three of the four configurations indicates not only that it shapes highly risky emissions in three distinct ways, but also that it is not always associated with highly risky emissions. Compare these results with those in Table 3 that suggest the presence of African Americans has one and only one kind of impact and that African American presence is always positively associated with highly risky emissions.
All of the recipes in Table 4 contain at least one racial ingredient, and income is an ingredient in two of the recipes. In addition to contradicting the null income result in Table 3, these findings contradict Proposition 2, that the association between race and pollution is a mere aberration that can be explained by income. These findings also contradict Proposition 1, in the sense that race’s influence is contingent on the presence of other community and organizational factors. Later, we will examine whether the configurations in Table 4 are still related to highly risky emissions when controlling for manufacturing activity, metropolitan status, property values, and other potentially confounding factors.
While it may not be immediately clear why the particular recipes in Table 4 are related to highly risky emissions, the fact that they resemble patterns uncovered in case study research suggests what mechanisms might be at work (see Table 5). For example, the fact that the first recipe resembles the findings of Pollock and Vittas (1995), Krieg (1995), and Downey (2000) that low-income African Americans have an especially hard time avoiding polluters would suggest that spatial containment may explain why this recipe is associated with risky emissions. Likewise, the second recipe comports with Pastor and colleagues’ (2001) findings on residential turnover, suggesting that ethnic churning creates situations in which businesses can more easily externalize their pollution. The third recipe mirrors the results of Cable and colleagues (2008), and especially Rosner and Markovitz (2002), that power imbalances in the form of large, absentee-managed branches put African American neighborhoods at risk regardless of neighborhood income levels. Finally, the fourth recipe is reminiscent of the scenario described by Pulido (2000) and Auyero and Swistun (2008), suggesting that poor Latino migrants may be exposed to toxins (see also Skolnick 1995) in part because facilities’ distant headquarters engender ambiguous information about who is ultimately to blame for environmental harms.
In Table 6, we conduct another fuzzy-set analysis to determine which combinations of facility and community factors lead plants to have not highly risky emissions. There are four recipes associated with this outcome, as was the case with highly risky emissions in Table 4. The recipes identified here, however, are not the mirror opposite of those reported in Table 4. This supports Proposition 7, that the recipes associated with negative and positive emission outcomes are asymmetrical, and contradicts Proposition 5, drawn from conventional environmental inequality research, that the effects of race, income, and other predictors on facility emissions are symmetrical.
Whereas only two of the four recipes identified in Table 4 are unique combinations of facility and community factors, this is true of all the recipes in Table 6. In addition, being a large facility (SIZE) is an essential ingredient in only one of the recipes for highly risky emissions, while being a small facility (size) is essential in every recipe for not highly risky emissions. Furthermore, subsidiary status does not define any of the recipes of highly risky emissions, but it is a defining ingredient in three of the four recipes for not highly risky emissions. Specifically, in three of these recipes it is the absence of subsidiary facilities that is important.
Perhaps the most striking manifestation of asymmetry is the fact that low-income neighborhoods (LOWINC) are associated with both highly and not highly risky emissions (see recipes 1and 4 in Table 4 and recipes 1, 2, and 3 in Table 6). In addition to underscoring our earlier point that organizational and community structures can function as both resources and vulnerabilities, these and other examples of asymmetry speak to the inadequacy of (1) conventional environmental inequality theory and (2) regression techniques, like those employed in Table 3, that effectively force factors to have singular, linear effects. The findings also suggest that the reason why past environmental justice studies have produced inconsistent results is that effects of residential factors are inconsistent and often depend on other community and organizational factors. Finally, results suggest that conventional OLS findings, such as those reported in Table 3, can lead researchers to erroneously conclude that factors such as median household income are not associated with pollution outcomes when, in fact, they are in a subset of cases.
DISCUSSION
How might FSA findings, like the ones presented here, advance basic and applied research on environmental inequality? With respect to basic research, quantitative scholars have focused almost entirely on the kinds of communities in which polluters are situated, ignoring the organizational characteristics of polluters themselves. In addition, quantitative scholars favor linear regression techniques that are poorly suited for studying higher-order interactions between facility and community characteristics. As we demonstrated, FSA overcomes both of these problems by providing researchers with the tools needed to assess complex combinations of community and facility factors. FSA can also be used as a heuristic tool to identify relevant configurations that can then be tested in a regression format to see whether they have effects net of other potentially relevant factors (Hodson and Roscigno 2004; Roscigno and Hodson 2004). Table 7 illustrates how this can be done, using a random effects regression model13 to assess the independent effects of the configurations identified by FSA on highly risky emissions.
Instead of using a series of interaction terms to represent these configurations, which would be highly cumbersome for specifying third and fourth level interactions, we use these configurations’ fuzzy-set scores to determine whether their membership in our solution terms is statistically significant above their “main effects” and various controls.14 Results indicate that, in each instance, the combinations of facility and community characteristics identified by FSA significantly shape highly risky emissions after accounting for their main effects, the extent of manufacturing activity in a facility’s surrounding tract, whether a facility is located in a metropolitan area, the value of local housing, the specific sub-industry to which a facility belongs, and the pounds of chemicals a facility processes.15 Without FSA, it would have been virtually impossible to know in advance which of the many possible interactions between our facility and community measures (2K or 64 in total) warranted testing.
This article also contributes to basic research by demonstrating one potentially effective approach for selecting polluters for qualitative case study research. Qualitative scholars have long argued that to understand the mechanisms that produce environmental inequities, one must study the histories of individual polluters. However, like quantitative scholars, they have struggled to identify which polluters with which features merit special attention. Qualitative scholars can begin to address this shortcoming by thinking of FSA solutions as typologies of cases.
Suppose, for example, that qualitative scholars want to better understand facilities that pose an especially great health threat. Rather than examining convenient or theoretically interesting facilities, as is the common practice, scholars could select individual cases that Table 4 indicates are empirically associated with highly risky emissions and then investigate how these facilities’ defining community and organizational characteristics are related to each other over time. This would generate new theory that could be tested in subsequent research. For instance, by studying individual facilities that have all of the ingredients of the third recipe in Table 4, researchers could determine whether these absentee-managed branches were originally located in communities with many African Americans or whether African Americans gradually moved into neighborhoods hosting such branches. In general, by first determining the organizational and community profiles of facilities that currently pose the greatest danger, qualitative scholars could more systematically study and theorize the historical processes that give rise to particular forms of environmental inequality (see Pellow 2000).
In terms of applied or policy oriented research, one of the reasons regulators created the RSEI was to determine which plants should be most closely monitored. While targeting plants with high RSEI scores is an important step toward reducing dangerous emissions, this strategy ignores the attributes that make facilities dangerous in the first place, some of which may be more easily altered than others. If regulators are to tailor policies to fit local circumstances, they must take into account these differences.
According to QCA practitioners (Schneider and Wagemann 2006), remote conditions are usually less amenable to change because they are, by definition, temporally or spatially removed from the outcome being explained. On the other hand, immediate conditions are normally more amenable because, theoretically, they have closer connections to the outcome of interest. When deciding how to reduce a particular facility’s life-threatening emissions, regulators would thus be wise to focus on the immediate elements that FSA suggests must be in place for facilities of that type to pose a risk. Consider, for example, facilities defined by the fourth recipe for highly risky emissions. It is probably legally and logistically impossible for regulators to make amends for industrial contamination by physically removing poor Latino residents from a plant’s surrounding neighborhood. Regulators may be able, however, to create incentives for absentee-managed plants to better communicate their risks to Spanish-speaking populations or to hire more administrators from the local Latino community who would have a greater stake in reducing emissions.
Finally, note that under existing laws, a claim of environmental racism can be discredited if there is evidence that some other factor, like income, also influences the distribution of an environmental harm (Cable et al. 2002). Moreover, U.S. courts will not hear any arguments against income- or class-related discrimination. Yet, as our analyses demonstrate, the impact of race on pollution is not always in addition to that of class. In some instances, race shapes pollution outcomes in concert with class. Hence, if courts are unwilling to grant plaintiffs’ lawyers the same freedom as defense lawyers to use arguments about the relative influence of race, perhaps results like ours can persuade them to allow arguments about race’s synergistic impact.
CONCLUSIONS
In this article, we sought to advance our understanding of the joint influences of organizational and community factors on health-threatening emissions. Toward that end, we proposed a new framework that suggests why these factors may work together to shape facilities’ environmental performance. We also conducted the first empirical analysis of the physical dangers posed by individual facilities’ emissions using novel FSA techniques and the EPA’s newly developed Risk-Screening Environmental Indicators. Contrary to environmental justice scholars’ suggestion that community characteristics have uniform, independent effects on emissions, we find that facility and community factors combine in complex ways to produce highly and not highly risky emissions. Discovery of these multiple and asymmetrical recipes of risk helps explain why results of past environmental justice research are so inconsistent. Future research and policymaking on environmental justice should devote more attention to how facilities organize the production of chemicals differently in different communities.
If this line of inquiry is to develop, scholars must investigate other actors and outcomes than the ones studied here. For example, researchers could examine organizational entities like the military and the health threat it poses to disadvantaged groups like Native Americans (see Hooks and Smith 2004). Researchers should also investigate the specific health dangers faced by children and the elderly. Although these groups are particularly vulnerable to toxins, scholars have not systematically examined which group is most vulnerable to which types of polluters and in which types of communities. In addition, our findings for the chemical industry raise important questions for comparative industry analysis. For instance, scholars will want to examine which combinations of factors are associated with environmental risks for food processing, auto, mining, and other industrial facilities. It would also be interesting to explore how environmental risks are jointly produced by multiple plants of the same industry or a mix of different industries. Finally, scholars will need to employ longitudinal data to investigate issues of causality that we have only begun to address with our cross-sectional data. For example, one could use FSA methods to determine at what point in time particular configurations of community and organizational factors first become associated with risky emissions and the stability of those associations (see also Isaac and Griffin 1989). It could be, as Saha and Mohai’s (2005) study suggests, that these patterns all began to crystallize in the 1970s when the Not-In-My-Backyard (NIMBY) movement gained momentum, or perhaps different formations of environmental inequality congealed at different times.
Our study also builds bridges with research on public health. Despite their mutual interest in explaining health inequities, research on environmental justice and public health has developed along separate tracks. The former focuses on groups’ proximity to hazardous facilities, whereas the latter concentrates more on actual health outcomes. By employing more exact estimates of the health risks posed by facilities and demonstrating that estimated risks are conditioned by how individual facilities are organized (internally and externally), our study narrows the gap between these bodies of research and makes environmental justice scholars’ claims about the structural causes of health inequities more credible.
In addition, our study advances the broader literature on neighborhood effects (Sampson, Morenoff, and Gannon-Rowley 2002). This literature suggests that neighborhood conditions shape important physical, social, psychological, educational, and labor market outcomes and that individuals living in economically or racially disadvantaged communities may be more vulnerable to harm than those living in other communities. Researchers often attribute these differences to a shortage of voluntary organizations in poor minority neighborhoods that would enable residents to reduce violence, crime, and other harmful behavior by building trust and developing problem solving capacities. Yet, because studies of neighborhood effects rely on regression techniques that treat neighborhoods’ demographic traits and organizations as distinct variables, they have not determined exactly how and in which instances the characteristics of individuals, neighborhoods, and organizations jointly influence harmful outcomes. Literature on neighborhood effects also pays surprisingly little attention to organizational structures of a commercial naturTranslation - Spanish
Poner en la mira a los que contaminan: desigualdad ambiental y modo de organización de la producción de productos químicos
Don Grant, Mary Nell Trautner, Liam Downey y Lisa Thiebaud
Resumen
Los estudios sobre justicia ambiental han planteado que dado que las plantas de productos químicos y otras instalaciones peligrosas emiten más contaminantes donde enfrentan la menor resistencia, las comunidades desfavorecidas están particularmente expuestas a riesgos sanitarios. Sin embargo, cuando los estudios tratan de determinar cuál de los factores -la raza o el ingreso- es el de mayor impacto en la exposición de un barrio a la contaminación, tienden a pasar por alto las características de las instalaciones y su efecto sobre las emisiones. En especial, ¿cómo determinan, conjuntamente, las características de las instalaciones y de las comunidades que las rodean los resultados de la contaminación? Proponemos una nueva línea de investigación en justicia ambiental que se centre en las instalaciones y en cómo sus rasgos se combinan con los de las comunidades para generar emisiones peligrosas. Utilizando técnicas analíticas novedosas de conjuntos difusos y los Indicadores Ambientales por Clasificación de Riesgo recientemente desarrollados por la Agencia Ambiental de los Estados Unidos (EPA, por sus siglas en inglés), evaluamos la influencia de los factores de las instalaciones y de la comunidad sobre las emisiones de las plantas de productos químicos que ponen en riesgo la salud. Contrariamente a la idea de que las características de la comunidad tienen efectos singulares y lineales, los resultados muestran que factores ligados a las instalaciones y a la comunidad se combinan de diferentes modos para producir emisiones riesgosas. Conjeturamos que como las compañías de productos químicos experimentan con diferentes maneras de producir bienes y de externalizar los costos de la contaminación, es probable que surjan nuevas “recetas de riesgo”. De modo que la cuestión ya no es qué importa más, si la raza o el ingreso, sino en cuál de estas recetas y cómo son importantes estos factores.
¿Qué tipos de plantas de productos químicos plantean la amenaza más importante para la salud y en qué tipo de comunidades? Los estudios sobre justicia ambiental se han interesado desde hace tiempo en los peligros físicos que generan las instalaciones como las plantas de productos químicos y los factores que vuelven a las comunidades vulnerables a ellos. Muchas investigaciones estudian los efectos de características de la comunidad, como la raza o el ingreso, sobre la exposición de los residentes a las emisiones de instalaciones peligrosas (por ejemplo, Bryant y Mohai 1992; Ringquist 2005). Sin embargo, los investigadores raramente estudian las instalaciones en sí mismas y los efectos de sus características sobre las emisiones. En especial, no existe una investigación que estudie cómo se combinan las características de las instalaciones con las de las comunidades que las rodean para producir riesgos sanitarios.
La comprensión de los efectos conjuntos de los factores correspondientes a las instalaciones y a la comunidad sobre los riesgos para la salud es importante por tres motivos. Primero, la investigación sobre cómo las características de la comunidad influyen sobre la contaminación está plagada de resultados incoherentes. Por ejemplo, la mayoría de los estudios muestran que la contaminación industrial aumenta en relación con el crecimiento de las minorías en el barrio, pero una buena cantidad de estudios encuentran que esto no es cierto o que sólo ocurre en algunas regiones (Bryant y Mohai 1992; Ringquist 2005). La mayoría de los estudios sobre justicia ambiental atribuyen estos resultados contradictorios al hecho de que los estudios a veces definen de manera diferente las comunidades y sus rasgos respectivos. Sin embargo, utilizando un conjunto de datos único, una única definición de comunidad y una metodología sistemática, Downey (2007) encontró que los resultados sobre la desigualdad ambiental siguen variando ampliamente a lo largo de las 61 regiones metropolitanas principales de los Estados Unidos. Esto sugiere que no sólo están equivocadas las predicciones de los investigadores sobre los efectos singulares y lineales de la raza y el ingreso sobre la contaminación, sino que las características de la comunidad pueden interactuar entre sí y con características no medidas de los que contaminan, para producir una variedad de efectos no lineales.
Segundo, los cambios recientes en la política ambiental requieren prestar más atención a la intersección de los factores relacionados con la comunidad y las instalaciones. Desde la aprobación en 1986 de la Ley de Derecho a Información Comunitaria, la responsabilidad del control de las toxinas industriales se ha transferido gradualmente del nivel nacional al local. Al mismo tiempo, para generar soluciones alternativas, las agencias regulatorias han ido abandonando lentamente las soluciones de fin de ciclo y han prestado más atención a lo que sucedía al comienzo de la cadena o al modo de organización de la producción industrial (Ringquist 1993). De manera que ahora existe una necesidad urgente de aclarar las diferentes combinaciones de factores ligados a la comunidad y a las plantas industriales, asociados a los resultados negativos y positivos de las emisiones.
Tercero, en las últimas dos décadas, las nuevas tecnologías de las ciencias de la salud han incrementado ampliamente nuestro conocimiento sobre las toxinas presentes en el medio ambiente y su efecto en los seres humanos. No obstante, los regímenes regulatorios no han alentado activamente a los estudiosos a que analicen y reúnan estos datos de manera de aplicarlos efectivamente a los casos de injusticia ambiental (Frickel 2004). En 1994, con la firma del presidente Clinton de la Orden Ejecutiva 12898, las Acciones Federales para Abordar la Justicia Ambiental en Poblaciones Minoritarias y Poblaciones de Bajos Ingresos, pareció que este problema iba a encararse, pero esta orden no se implementó por completo y fue básicamente ignorada por su sucesor. Quizás con esta nueva administración exista una oportunidad para que los estudiosos sobre el medio ambiente puedan cambiar la manera de comprender y regular los riesgos ambientales locales.
En este artículo, proponemos una nueva línea de investigación sobre justicia ambiental que se centra en las instalaciones y en cómo sus características se combinan con las de las comunidades para generar emisiones más y menos peligrosas. Específicamente, esbozamos un marco que sugiere cómo los factores ligados a las instalaciones industriales y a la comunidad probablemente se combinen para generar múltiples “recetas” de los resultados de las emisiones. También planteamos cómo los investigadores pueden identificar estas recetas utilizando novedosas técnicas de análisis de conjuntos difusos (Ragin 2000). A diferencia de los métodos cuantitativos estándar, las técnicas de análisis de conjuntos difusos pueden determinar cuáles de las diversas posibles combinaciones de factores son más relevantes para un resultado. Estas técnicas también pueden determinar si los conjuntos de factores asociados con resultados negativos y positivos difieren fundamentalmente, algo probable con los resultados relacionados con la contaminación, porque frecuentemente se requieren esfuerzos especiales y coordinación para minimizar las emisiones. Finalmente, investigamos cómo las combinaciones de factores relacionados con las instalaciones y la comunidad determinan que las emisiones de las plantas de productos químicos puedan ser más o menos riesgosas. Para hacerlo, utilizamos los Indicadores Ambientales por Clasificación de Riesgo (RSEI, por sus siglas en inglés), de la Agencia Ambiental de los Estados Unidos, la primera fuente de datos públicamente disponible sobre emisiones tóxicas de las instalaciones industriales y los peligros asociados que conllevan para la salud.
ANTECEDENTES
A pesar de que en los Estados Unidos se gasta más dinero per capita en atención médica que en cualquier otro país, en comparación con la mayoría de las naciones industrializadas, la situación general de la salud es peor en este país, por el crecimiento de las diferencias en la mortalidad y morbilidad relacionadas con la raza y la clase social (Brulle y Pellow 2006; William y Collins 1995). Algunos estudios atribuyen estas disparidades a las costumbres personales, como el hábito de fumar, la dieta y el ejercicio físico. Sin embargo, estos factores explican sólo una pequeña fracción de las diferencias en la salud, lo que ha llevado a los investigadores a estudiar el papel que podrían cumplir los factores extraindividuales en la generación de desigualdades en la salud. En particular, los estudios sobre justicia ambiental sugieren que dado que la contaminación tiende a seguir el camino de la menor resistencia, los barrios pobres y poblados por minorías pueden estar desproporcionadamente expuestos a las toxinas industriales que amenazan la salud (Bullard [1990] 2000).
Esta afirmación constituye el tema de una creciente bibliografía académica sobre la desigualdad ambiental. 1 Un importante debate dentro de estos trabajos se relaciona con determinar cuál es el mejor predictor de la exposición a la contaminación: la composición racial o el nivel de ingresos de un barrio (Mohai y Bryant 1992). Los que proponen un modelo de discriminación racial (por ejemplo, Mohai y Bryant 1992) plantean que los daños ambientales se ubican intencionalmente en las comunidades minoritarias, porque los líderes de las empresas, los funcionarios gubernamentales y los ejecutivos de bienes raíces, así como otros encargados de tomar decisiones, son individuos con prejuicios raciales. Además, los mercados restrictivos de la vivienda presumiblemente fuerzan a las minorías a permanecer dentro de las comunidades o a mudarse a comunidades donde estas instalaciones ya existen. En cualquier caso, se espera que el porcentaje de minorías en un barrio se asocie positivamente a la contaminación industrial. Los partidarios del modelo de clase social (por ejemplo, Hamilton 1995) postulan que si las minorías viven más cerca de las zonas de peligro ambiental es porque tienden a ser más pobres que los blancos. Los residentes con menores ingresos carecen de los recursos financieros para influir sobre las decisiones acerca del emplazamiento de una industria o para huir de las corporaciones que contaminan. De manera que cualquier asociación entre raza y contaminación debería desaparecer cuando el nivel de ingresos del barrio se incorpora al análisis. Finalmente, los defensores del modelo agnóstico dudan de la importancia tanto de la raza como de la clase social (por ejemplo, Anderton et al. 1994). Según estos investigadores, las minorías y los residentes de bajos ingresos están más expuestos a la contaminación porque tienden a vivir en regiones que son más urbanas, tienen vasta actividad industrial y ofrecen viviendas más accesibles. Desde este punto de vista, cualquier relación entre contaminación y raza o entre contaminación e ingreso es probablemente espuria.
Estas explicaciones sobre la desigualdad ambiental en competencia han generado ideas relevantes aun cuando su respaldo empírico sea mixto: algunos estudios muestran que la raza tiene el efecto más fuerte sobre la exposición a la contaminación (por ejemplo, Szasz et al. 1993), otros, que el ingreso tiene el impacto mayor (por ejemplo, Bowen et al. 1995) y hay incluso otros que muestran que los efectos de la raza y del ingreso desaparecen cuando se controla por el estado de habitante de una gran ciudad, el empleo en una actividad industrial y los valores de la propiedad (por ejemplo, Anderton et al. 1994). Algunos estudios tratan de conciliar estos resultados contradictorios utilizando datos longitudinales (por ejemplo, Been y Gupta 1997; Oakes et al. 1996; Saha y Mohai 2005). Por ejemplo, Saha y Mohai (2005) muestran que hasta después de 1970, cuando el movimiento “No en mi patio trasero” (NIMBY, por sus siglas en inglés), liderado por blancos de clase media y alta, empezó a derivar las nuevas instalaciones a barrios habitados por minorías y personas de bajos ingresos, no se habían producido disparidades relacionadas con la raza y el ingreso en el emplazamiento de instalaciones con residuos peligrosos.
Por útiles que hayan sido, estos estudios longitudinales –así como otros estudios previos de desigualdad ambiental– tienden a perder de vista el objetivo más amplio de esta bibliografía: demostrar que las disparidades relacionadas con la salud se deben a factores que no son individuales. Esto es, al tratar la raza y el ingreso como predictores en competencia, los investigadores no sólo dejan de considerar cómo podrían influir conjuntamente en la exposición a la contaminación, sino que diluyen la significación analítica de un factor extraindividual, al subrayar la importancia del otro. Igualmente importante para tratar de establecer si y cuándo la raza y el ingreso de un barrio determinan los resultados de la contaminación, los estudios desvían la atención de la cuestión fundamental: cómo se organiza la producción de toxinas industriales. A pesar del hecho de que la mayoría de los contaminantes se emiten en el sitio de producción y las organizaciones industriales son “los destructores ambientales más intensos y efectivos” (Perrow 1997:66), los estudios prestan escasa atención a las características organizativas de las instalaciones que contaminan. Por consiguiente, sabemos muy poco sobre cómo podrían combinarse las características de las instalaciones con las de las comunidades para crear riesgos ambientales.
Argumentamos que los estudios no han examinado sistemáticamente dichas combinaciones por tres motivos básicos. Primero, carecen del marco conceptual para estudiar los vínculos entre las instalaciones y las comunidades. Algunos estudiosos han buscado incorporar las organizaciones al análisis de las desigualdades ambientales al recurrir a teorías que hablan de los nuevos riesgos creados por las industrias de alta tecnología, como las fábricas de productos químicos (por ejemplo, Beck 1986). Sin embargo, como estas teorías se centran en las implicaciones de estas industrias para la sociedad en general, se ocupan menos del contexto local en que operan las instalaciones industriales individuales. Así, los estudios no aportan razones teóricas para estudiar las combinaciones de factores comunitarios y relativos a las organizaciones.
Segundo, a falta de una motivación teórica para estudiar las sinergias entre las instalaciones industriales locales y los barrios, los investigadores tienden a utilizar métodos diseñados para evaluar efectos independientes de los factores. Por ejemplo, como la mayor parte de la investigación cuantitativa sobre justicia ambiental gira en torno de la cuestión de si la raza o el ingreso tienen el impacto mayor sobre la contaminación, en estos estudios se privilegian técnicas estadísticas como la regresión, que evalúan los efectos netos de las variables. Los estudios cualitativos han criticado durante mucho tiempo estas técnicas, al señalar que no pueden captar cómo se combinan los factores de maneras complejas ni explicar los resultados de los casos individuales. Sin embargo, deberían proponer métodos alternativos que permitan identificar las combinaciones más importantes y sus casos representativos. Como consecuencia, ni los estudios cuantitativos ni los cualitativos tienen las herramientas metodológicas para llevar a cabo este importante trabajo.
Tercero, la investigación sobre la exposición a la contaminación se ha dificultado a causa de la falta de datos sobre las emisiones de las instalaciones y los riesgos asociados que conllevan para la salud. Cuando se investiga la contaminación industrial, los estudios suelen basarse en el Inventario de Emisiones Tóxicas (TRI, por sus siglas en inglés) de la Agencia de Protección Ambiental, que informa la cantidad de libras de productos químicos tóxicos liberados por las instalaciones industriales individuales. Las investigaciones sobre justicia ambiental utilizaron el TRI para medir la exposición a la contaminación industrial de diferentes maneras y con precisión variable. Estas medidas, que van de las menos a las más precisas, comprenden la presencia en una instalación industrial evaluada por el TRI de: emisiones en libras (libras totales de sustancias químicas liberadas por las instalaciones), emisiones basadas en el peligro (libras de sustancias químicas emitidas ajustadas por su toxicidad) y emisiones basadas en el riesgo (libras de sustancias químicas emitidas ajustadas por su toxicidad, destino, ruta y dispersión). La mayoría de los investigadores sobre justicia ambiental utilizan la menos precisa de estas medidas como su indicador de la exposición a la contaminación –la mera presencia de establecimientos evaluados según el TRI (Saha y Mohai 2005). Algunos estudiosos, por ejemplo, examinan la cantidad de plantas evaluadas por el TRI ubicadas dentro de la sección censual de determinadas ciudades (por ejemplo, Szasz y Meuser 2000). En cambio, sólo unos pocos estudiosos investigan los correlatos de las emisiones basadas en el riesgo y todos se centran en los resultados en los niveles agregados (por ejemplo, Morello-Frosch y Jesdale 2006). Por consiguiente, las investigaciones aún no han aclarado qué tipo de instalación, situada en qué tipo de comunidad, plantea el mayor riesgo para la salud.
HACIA UNA COMPRENSIÓN DE LA JUSTICIA AMBIENTAL RELACIONADA CON LAS ORGANIZACIONES
Para hacer frente a la primera de estas limitaciones, desarrollamos un marco que no sólo incorpora las características de la instalación y de la comunidad, sino que también postula cómo podrían interactuar para producir emisiones que amenazan la salud. Nuestro marco se basa en dos tendencias presentes en la bibliografía sobre las organizaciones: los estudios sobre las fuentes de la desigualdad relacionadas con las organizaciones (Baron y Bielby 1980; Reskin, McBrier y Kmec 1999) y la investigación sobre configuraciones de las organizaciones (Fiss 2007; Meyer, Tsui e Hinings 1993).
Baron y Bielby (1980) fueron los primeros en plantear que era necesario volver a incluir a las empresas en el estudio de la estratificación; luego, varios sociólogos intentaron identificar las fuentes de la desigualdad en las organizaciones. Esta bibliografía plantea que, para comprender a fondo el impacto económico, social o físico de las organizaciones, los investigadores tienen que estudiar las estructuras que las diferencian, así como su tamaño, ámbito geográfico y formato legal. Más aún, en lugar de asumir que estas dimensiones siempre se alinean entre sí –o ignorarlas por completo, como lo hacen efectivamente los estudios de justicia ambiental, por ejemplo, cuando contabilizan la cantidad de plantas evaluadas por el TRI en una comunidad (por ejemplo, Szasz y Meuser 2000)– esta bibliografía recomienda que los estudios desarrollen un análisis más detallado de los efectos de estructuras específicas de las organizaciones sobre resultados como la contaminación.
Por ejemplo, Foster (2000) sostiene que en sus últimos estadios, el capitalismo evitó las crisis económicas incrementando la escala de las operaciones, expandiéndose a mercados distantes y reestructurando unidades como subsidiarias, para tener mayor acceso a fondos de capital.2 Estas “soluciones” que implementan las organizaciones, a su vez, iniciaron lo que Schnaiberg (1980) denomina "la cinta sin fin de la producción", que causa daño ecológico a través de un proceso de autofortalecimiento que aumenta las ganancias y el consumo. Esta “cinta sin fin” requiere insumos continuos y crecientes de energía y material para alimentar la demanda creciente de inversiones y bienes. También crea subproductos negativos en forma de toxinas y externaliza sus costos para mantener una tasa de retorno positiva. Aplicando estas ideas, Grant y sus colegas examinaron las consecuencias para el medio ambiente del tamaño de la planta (Grant, Jones y Bergesen 2002), las sucursales carentes de gestión (Grant, Jones y Trautner 2004) y las subsidiarias (Grant y Jones 2003) y encontraron que todas estaban relacionadas positivamente con las emisiones tóxicas.
No obstante, la bibliografía sobre las fuentes de la desigualdad relacionadas con las organizaciones también postula que las estructuras que definen los establecimientos no se limitan a condiciones internas, como el tamaño, el alcance y la forma. También incluyen condiciones externas, como la composición de las comunidades que rodean al establecimiento. Esto es, la distribución local de atributos como la raza y el ingreso constituye tanto un reflejo, como un determinante de las prácticas de un establecimiento (Reskin et al. 1999).
Más aún, esta bibliografía plantea que la estructura de una organización puede no tener el mismo efecto en todas las instancias. Dado que cualquier estructura en particular puede funcionar como un recurso o una vulnerabilidad (Hodson y Kaufman 1982), podría tener diferentes consecuencias en casos diferentes. Por ejemplo, los barrios de bajos ingresos pueden ser más susceptibles a las emisiones tóxicas porque carecen de los recursos financieros para rechazar a los grandes contaminadores. O, precisamente porque estos barrios están económicamente deprimidos y, por lo tanto, son menos atractivos para los inversores, podrían atraer a las compañías más pequeñas, que representan un peligro menor.
Otra línea en la bibliografía sobre configuraciones de las organizaciones perfecciona estos argumentos y plantea que los establecimientos se comprenden mejor como constelaciones de estructuras interconectadas (Fiss 2007; Meyer et al. 1993). Desde este punto de vista, las estructuras de las organizaciones no son completamente modulares y por eso no deberían estudiarse como variables independientes individuales. En cambio, las organizaciones se construyen sobre diferentes paquetes de estructuras; por lo tanto, los estudios deberían considerar cómo se relacionan algunos perfiles estructurales con los resultados. Aplicado al tema que nos ocupa, esto sugiere que aquellos factores que se pensaba tenían efectos independientes sobre las emisiones –características organizativas internas como el tamaño, la falta de gestión y el estatus de subsidiaria, así como características externas como la raza y el ingreso del barrio– también pueden combinarse de maneras complejas que definen la estructura de las plantas industriales y conforman su rendimiento ambiental.
Una perspectiva configuracional también rechaza la noción de unifinalidad que sostiene que existe una configuración óptima que lleva a un resultado. En cambio, adhiere al concepto de equifinalidad, que establece que dos o más configuraciones pueden ser igualmente efectivas en la producción de un resultado (Fiss 2007). Por ejemplo, mientras que los estudios que atribuyen desigualdades ambientales únicamente al racismo postularían que todas las instalaciones contaminan más cuando están ubicadas cerca de una minoría racial, una perspectiva configuracional postularía que podría haber múltiples recetas de contaminación y, por consiguiente, que la presencia de una minoría racial podría influir en el comportamiento relacionado con la contaminación de algunas instalaciones, pero no de otras.
Finalmente, una perspectiva configuracional afirma que el conjunto de factores asociados a un resultado negativo relacionado con la organización, como las emisiones altamente riesgosas, podría no ser simplemente la inversa de los factores asociados a un resultado positivo (Meyer et al. 1993). Esta lógica contrasta con el razonamiento simétrico que informa técnicas de correlaciones que suponen que todas las relaciones son lineales por naturaleza. También contrasta con el razonamiento de la mayor parte de la investigación sobre justicia ambiental, que plantea que la presencia o ausencia de un grupo desfavorecido se asociará con mayor o menor contaminación. De acuerdo con las investigaciones en configuraciones de las organizaciones, este tipo de razonamiento es simplista porque, entre otras cosas, a menudo requiere un esfuerzo especial y la coordinación por parte de las organizaciones para crear resultados deseables.
Estudios de casos y configuraciones empíricas
Aunque las investigaciones previas realizadas a partir de estudios de casos no se centran en la intersección entre las características internas y externas de las instalaciones y no pueden responder preguntas sobre patrones amplios de exposición a la contaminación, varios estudios de casos sobre desigualdad ambiental concuerdan con esta visión configuracional de las organizaciones y sus consecuencias. Algunos de estos estudios plantean que las instalaciones con ciertas mezclas de características internas tendrían mayor capacidad de poner vidas en riesgo. Por ejemplo, en su examen de un reactor nuclear operado por el Estado en Oak Ridge, Tennessee, Cable y colaboradores (2008) documentaron cómo este establecimiento grande y carente de gestión no sólo constituía una amenaza para la salud, sino que seguía perjudicando a trabajadores y residentes del lugar al utilizar sus vastos recursos discrecionales para contratar expertos que denegaran los reclamos por envenenamiento de dichos trabajadores y residentes.
Asimismo, otros estudios proponen que las instalaciones con una combinación particular de características externas tienen una mayor tendencia a constituir una amenaza para la vida. Pollock y Vittas (1995) observaron que en Florida, las instalaciones evaluadas en el TRI tienden a estar ubicadas más cerca de barrios de bajos ingresos y afroamericanos que de otras comunidades de bajos ingresos; en su estudio de emplazamientos e instalaciones industriales peligrosos en Massachussets, Faber y Krieg (2000) descubrieron un patrón casi idéntico. Downey (2000) presenta resultados similares al demostrar que en Detroit, entre los años 1970 y 1990, a los habitantes negros de la clase trabajadora y de bajos ingresos les resultaba más difícil abandonar los barrios contaminados, en comparación con los negros de clase media y los blancos pobres, pertenecientes a la clase trabajadora. Colectivamente, estos estudios sugieren que la falta de recursos financieros, combinada con mercados de vivienda restrictivos, efectivamente confina a los afroamericanos pobres a regiones donde se tienden a ubicar las plantas industriales peligrosas.
Pastor y colaboradores (2001) subrayan una combinación diferente de factores externos en su estudio del condado de Los Ángeles, en el que encuentran que es más probable que las instalaciones peligrosas se ubiquen en barrios donde habitan grandes poblaciones, tanto de afroamericanos como de latinos. Atribuyen este hecho a que la movilización de los residentes y la creación de capital social es especialmente difícil en comunidades que experimentan una transición racial, o lo que ellos denominan revoltijo étnico, lo que hace que a estas comunidades les resulte más complicado impedir el emplazamiento de instalaciones nocivas en sus barrios. Este estudio y los descriptos en el párrafo anterior postulan que intentar aislar la influencia de un factor racial o de clase en particular podría impedir el descubrimiento de constelaciones de factores asociados a la exposición a la contaminación.
Finalmente, otros estudios sugieren que las características internas y externas de las instalaciones pueden combinarse para producir peligros ambientales. Por ejemplo, el estudio de Rosner y Markovitz (2002) sobre el tristemente célebre Corredor Químico de Louisiana plantea que es muy probable que las tácticas descriptas por Cable y colaboradores (2008) hayan sido usadas por las instalaciones con características organizativas peculiares contra grupos raciales que carecían de influencia política. Específicamente, informan cómo las plantas de productos químicos grandes y carentes de gestión utilizan habitualmente sistemas de expertos para oponerse a los reclamos relacionados con la salud de los residentes afroamericanos.
Pulido (2000) plantea que como los afroamericanos y los latinos cumplen con papeles diferentes en la división del trabajo vinculada a la raza, ambos grupos pueden verse en peligro a causa de las plantas carentes de gestión, pero por diferentes razones. Ella señala, por ejemplo, cómo los fabricantes de Los Ángeles construyeron el distrito industrial de esa ciudad al emplazar sucursales de las plantas en barrios predominantemente afroamericanos. Lo hicieron no porque quisieran contratar afroamericanos, sino porque dichos barrios tienden a ser políticamente débiles y, por consiguiente, incapaces de resistir a los que contaminan. Las mismas plantas contrataban activamente inmigrantes latinos pobres para llevar a cabo los trabajos manuales peligrosos que los blancos en general evitan. De manera que, en lugar de los afroamericanos, los que quedaron en situación de riesgo fueron los latinos, dado que se habían mudado gradualmente a barrios cercanos a dichas plantas. En los análisis comunes frecuentemente se pasan por alto estas situaciones complejas, porque esencialmente ignoran las características de los que contaminan y cómo éstas afectan de diferentes maneras a los grupos.
Auyero y Swistun (2008) también se refieren a la importancia de estudiar la intersección de las organizaciones y la conformación socioeconómica de los barrios cercanos. Sugieren que después de que las compañías petroquímicas estadounidenses instalaran plantas sucursales en la Argentina para usufructuar las normas ambientales laxas de ese país, los argentinos pobres gradualmente migraron hacia donde se encontraban esas sucursales y construyeron villas miseria (barrios de viviendas precarias) en los alrededores. Como la mayoría de los residentes de esos barrios precarios llegaron mucho después de que las plantas comenzaran a operar, a menudo no eran conscientes de que se liberaban contaminantes que se incubaban lentamente. Además, las sucursales de las plantas eran administradas desde lejos por actores externos dominantes, por lo que a los residentes no les resultaba sencillo obtener información sobre la fuente real de sus enfermedades. En este caso, la exposición de los latinos pobres no fue tanto el resultado de tácticas utilizadas por las corporaciones durante la fase de emplazamiento, sino de la ubicación espacial y culturalmente remota de la casa matriz de la planta química, que llevó a una sensación creciente de incertidumbre.
Además de plantear que la contaminación adquiere forma a través estructuras interconectadas, estos estudios de casos hablan de la noción de equifinalidad. Por ejemplo, los resultados de Pastor y colaboradores (2001) y de Pulido (2000) sostienen que aún en una región única como Los Ángeles, los residentes pueden estar expuestos a contaminación en más de un conjunto de circunstancias. Más aún, estudios de casos adicionales sugieren que reducir las emisiones peligrosas puede requerir más esfuerzo que crearlas. Saha y Mohai (2005), por ejemplo, sostienen que en ciudades como Detroit, los residentes blancos y ricos cada vez se las arreglan mejor para que las instalaciones peligrosas y las minorías pobres estén fuera de sus barrios. Por consiguiente, no sólo los daños ambientales quedan concentrados dentro de las comunidades desfavorecidas, sino que el desplazamiento de estos daños a otro lado plantea un desafío político mayor.
Proposiciones
Los patrones empíricos que revelan estos estudios de casos plantean que la comunidad de los que contaminan y los perfiles de las organizaciones son más complejos de lo que aparece en la investigación cuantitativa convencional y en la teoría sobre la desigualdad ambiental. Por lo tanto, es preciso adoptar un enfoque alternativo, centrado en las configuraciones de las organizaciones y de las comunidades asociadas a la exposición a la contaminación. Para ayudar a los lectores a apreciar las diferencias entre dicho enfoque y el más convencional, derivamos un conjunto de proposiciones de cada enfoque sobre los correlatos y las recetas configuracionales de las emisiones de las instalaciones que ponen en riesgo la vida.
El objetivo principal del enfoque convencional consiste en determinar si la raza, la clase social, o algún otro factor relacionado con la comunidad, es el mejor predictor de la exposición a la contaminación. Si se aplica a instalaciones individuales, propone que una o más de las siguientes proposiciones será verdadera:
(1) En las comunidades con una amplia población de minorías raciales (afroamericanos o latinos), las instalaciones industriales tienden a representar un riesgo más alto.
(2) Cualquier riesgo que se asocie a la presencia de minorías raciales puede explicarse por los niveles de ingresos de las comunidades ubicadas en los alrededores de las instalaciones.
(3) Cualquier riesgo que se asocie a la raza o a los ingresos de los residentes puede explicarse por algún otro rasgo de las comunidades ubicadas en los alrededores de las instalaciones, como el nivel de actividad productiva, el estatus de habitante de una gran ciudad o los valores de la vivienda.
(4) Si la raza, el ingreso y otros predictores afectan las emisiones de la instalación, lo harán de una sola manera.
(5) Los efectos de la raza, el ingreso y otros predictores sobre las emisiones de la instalación son simétricos.
En cambio, un enfoque configuracional trata de identificar la constelación de atributos externos e internos que distinguen a los contaminadores más o menos peligrosos. Este enfoque se interesa menos por los efectos independientes de la raza y el ingreso que por el modo en que estos rasgos de las comunidades y los de las instalaciones, conjuntamente, influyen en los riesgos para la salud. También admite la posibilidad de que estos factores puedan contribuir a la contaminación en más de una manera y cuestiona el supuesto de la investigación convencional de que los predictores tienen una relación perfectamente simétrica con los resultados positivos y negativos de la contaminación. En resumen, un enfoque configuracional predeciría lo siguiente:
(6) Las características raciales y del ingreso de las comunidades se combinan entre sí y con las características de las instalaciones para crear múltiples recetas de emisiones de alto riesgo.
(7) Las recetas de las emisiones de las instalaciones son asimétricas, tanto las que son de alto riesgo como las que no lo son.
ANÁLISIS CUALITATIVO COMPARATIVO
En tanto que la bibliografía sobre las configuraciones de las organizaciones y los estudios de casos sobre desigualdad ambiental alertan a los investigadores sobre la posibilidad de que existan relaciones no lineales, efectos sinérgicos y recetas múltiples, los métodos estándar, como la regresión, suponen la linealidad, los efectos aditivos y las recetas singulares. Para estar seguros, se pueden usar técnicas de regresión para evaluar interacciones en dos sentidos (véase, por ejemplo, el trabajo sobre exposición a la contaminación de Downey [2005]). Sin embargo, es muy difícil interpretar las interacciones de orden más alto con un formato de regresión. Más aún, la regresión supone que una interacción estadísticamente significativa puede generalizarse a todos los casos que se investigan cuando, de hecho, esto sólo podría ocurrir en algunos casos.
Para superar esta segunda limitación de la investigación sobre justicia ambiental, utilizamos el Análisis Cualitativo Comparativo (QCA, por sus siglas en inglés) y su variante de conjuntos difusos (FSA). Los análisis QCA y FSA tratan los casos como combinaciones de atributos y utilizan álgebra booleana para derivar expresiones simplificadas de combinaciones asociadas a un resultado (Ragin 2000). Por ejemplo, como explican Longest y Vaisey (2008), dado un conjunto de resultados Y, y predictores A y B, el QCA ayuda al analista a determinar qué combinaciones de A y B (es decir, AB, Ab, aB o ab) tendrán mayor probabilidad de producir Y. En el marco del QCA, el término “conjunto” se utiliza en lugar de “variable”, para subrayar la idea de que cada variable se ha transformado para representar un nivel de caso individual de membresía en una condición dada (por ejemplo, una instalación que es miembro de un conjunto de organizaciones con “emisiones de alto riesgo”).
La combinación de conjuntos individuales –por ejemplo, instalaciones industriales grandes en barrios de bajos ingresos– se considera una “configuración". Los conjuntos se rotulan con letras mayúsculas y minúsculas. Cuando se trabaja con conjuntos clásicos o conjuntos que son todos indicadores dicotómicos, las letras mayúsculas significan 1 (totalmente dentro de A) y las letras minúsculas significan 0 (totalmente fuera de A). Cuando se trabaja con conjuntos difusos o conjuntos que pueden adoptar un valor entre 0 y 1, las letras mayúsculas significan el nivel de membresía en un conjunto (por ejemplo, el valor de A) y las letras minúsculas significan 1 menos la membresía en el conjunto (por ejemplo, 1 – A). En el caso del FSA, las organizaciones individuales pueden pertenecer más o menos a un conjunto particular (por ejemplo, 0,33 indicaría algo así como “más afuera que adentro, pero aún un poco adentro” del conjunto; en tanto que 0,7 significaría algo así como “más adentro que afuera, pero no completamente adentro” del conjunto). La combinación de conjuntos difusos en configuraciones se realiza comúnmente usando el operador mínimo, de manera que AB = mín(A,B), o aB =mín {(1- A), B}. Un caso con un puntaje difuso de 0,6 para A y 0,3 para B, por ejemplo, significaría tener un puntaje difuso de 0,3 en la configuración AB.
A diferencia de los métodos basados en variables, que se fundan en la noción de unifinalidad y buscan calcular una receta única para todos los casos en consideración, los métodos QCA adoptan explícitamente la idea de equifinalidad, lo que permite que diferentes subconjuntos de casos produzcan el mismo resultado. Más aún, mientras las técnicas como la correlación y la regresión miden relaciones lineales y asumen que estas relaciones son simétricas por naturaleza, los métodos QCA evalúan relaciones de conjuntos y asumen que las configuraciones pueden ser asimétricas. Por consiguiente, los métodos QCA son especialmente adecuados para determinar si configuraciones asociadas a un resultado positivo difieren de las asociadas a un resultado negativo. La versión de conjunto difuso del QCA es especialmente útil cuando se estudian resultados como las emisiones industriales, que no pueden ser caracterizadas netamente de manera dicotómica como benignas o peligrosas.
INDICADORES AMBIENTALES POR CLASIFICACIÓN DE RIESGOS
Como mencionamos anteriormente, una tercera limitación de la investigación sobre justicia ambiental es que los investigadores no han tenido acceso a datos sobre las amenazas para la salud originadas en instalaciones individuales. La evaluación del riesgo es extremadamente costosa y lleva mucho tiempo y la EPA no ha querido recolectar dichos datos debido a la catarata de objeciones de los interesados que habría tenido que enfrentar. Sin embargo, recientemente la EPA desarrolló un conjunto de datos, los Indicadores Ambientales por Clasificación de Riesgos (RSEI, por sus siglas en inglés), que toman en consideración todos los factores utilizados en la evaluación formal del riesgo. Específicamente, incorporan datos detallados sobre las cantidades de productos químicos liberados por instalaciones individuales, la toxicidad de dichos productos químicos, sus concentraciones en el medio ambiente y la población expuesta a ellos.
Los RSEI dividen a los Estados Unidos en una serie de celdas de un kilómetro cuadrado; a cada celda se le asigna una instalación evaluada por el TRI. Luego vinculan a cada instalación/celda las libras de productos químicos liberados por una instalación industrial (se extrae del TRI), los pesos de toxicidad para productos químicos individuales y categorías de productos químicos, los cálculos de exposición sobre la base de informes de rutas específicas de liberaciones al aire y al agua, y el tamaño de la población residencial de la celda potencialmente expuesta. 3 Usando esta información, los RSEI generan puntajes para las instalaciones individuales que reflejan el riesgo relativo de sus emisiones.
Para ser más precisos, para cada tipo de producto químico liberado por una planta, los RSEI multiplican el total de libras del producto químico emitido (emisión en libras) por el peso de toxicidad según la ruta de exposición (oral o inhalada) asociada a la liberación. 4 Luego multiplica esta cifra (emisión basada en el peligro) por la dispersión y el destino proyectados del producto químico liberado (sobre la base de la información sobre las condiciones atmosféricas del lugar, el peso molecular del producto químico y su velocidad de desintegración), así como la cantidad, sexo y edad de los residentes en las celdas afectadas de la cuadrícula, para derivar una estimación del riesgo que representa el producto químico emitido (emisión basada en el riesgo). Finalmente, los RSEI repiten este procedimiento para todos los otros productos químicos liberados por una instalación y suman sus estimaciones de riesgo individuales para generar un puntaje de riesgo compuesto para dicha instalación.
Para apreciar cómo los RSEI son más precisos para calcular la exposición a la contaminación, véase la Tabla 1, que muestra una escala de las 10 plantas de productos químicos más sucias considerando sus emisiones basadas en el peligro y en el riesgo. Como señalamos anteriormente, las medidas basadas en el peligro calculan las libras de productos químicos emitidos ajustadas por su toxicidad, en tanto que las medidas basadas en el riesgo calculan las libras de productos químicos emitidos ajustadas por su toxicidad, destino, ruta y dispersión. La Tabla 1 revela que las cuatro instalaciones con las mayores emisiones basadas en el peligro están ubicadas en el Oeste Medio, pero ninguna de estas plantas integra la lista de las que tienen mayores emisiones basadas en el riesgo. ¿Qué podría explicar esta discrepancia? Entre otras cosas, las emisiones basadas en el riesgo toman en cuenta la densidad de la población ubicada en los alrededores de la planta. La planta con más emisiones basadas en el peligro está ubicada cerca de Galena, Kansas, una comunidad rural con una población de aproximadamente 3.000 personas. En cambio, la planta con más emisiones basadas en el riesgo está ubicada en Pasadena, Texas, que forma parte de la mayor región metropolitana de Houston y que tiene una población de más de 140.000 personas. De manera que los RSEI proporcionan una imagen muy diferente de la exposición a la contaminación, en comparación con la que surgía de las medidas utilizadas en el pasado.
A pesar de sus puntos fuertes, los RSEI también tienen algunas limitaciones notables. Por ejemplo, no cubren todos los productos químicos tóxicos que utiliza la industria; no evalúan las rutas dérmica y por ingesta de alimento y no se ocupan de los efectos ecológicos. En especial, los RSEI no evalúan los resultados para la salud individual ni proporcionan estimaciones de casos de exceso de cáncer u otras enfermedades. Por lo tanto, es importante tener claro que el tipo de "riesgo" sobre el que informan los RSEI no es idéntico al que se refieren los funcionarios de salud pública, que prefieren utilizar cómputos reales de enfermedad en una región. No obstante, los RSEI dan cuenta de un amplio conjunto de toxinas que la industria utiliza habitualmente, consideran algunas de las rutas clave que afectan la salud y permiten que los investigadores comparen el impacto potencial de las emisiones de las instalaciones sobre los resultados crónicos para la salud. Y, algo especialmente importante, dado que proporcionan mejores estimaciones sobre la exposición a la contaminación que las proporcionadas por las medidas anteriores, los RSEI hacen que los funcionarios de salud pública consideren más creíbles los reclamos sobre los riesgos de la contaminación para la salud. 5
Hasta la fecha, sólo tres estudios publicados utilizaron datos de los RSEI: el análisis de Ash y Fetter (2004) de la exposición a la contaminación del aire en las ciudades de los Estados Unidos; el estudio de Sicotte y Swanson (2007) sobre la proximidad de los residentes de Filadelfia a las instalaciones industriales peligrosas y el estudio de Downey (2007) de las 61 regiones metropolitanas más grandes de los Estados Unidos. 6 Estos estudios, sin embargo, agregan los datos de los RSEI hasta los niveles censales de bloque o distrito, con lo que se excluye el análisis de cómo interactúan las características de las instalaciones y de la comunidad para generar peligros para la salud.
DATOS, MEDIDAS Y ESTRATEGIA ANALÍTICA
Datos
Para comprender mejor las causas de la exposición a la contaminación, llevamos a cabo el primer análisis de las emisiones basadas en el riesgo en el nivel de las instalaciones industriales. Específicamente, investigamos las proposiciones mencionadas antes sobre las emisiones que son de alto riesgo y las que no lo son utilizando métodos de conjuntos difusos y los Indicadores Ambientales por Clasificación de Riesgo de la EPA. Nos centramos en los riesgos para la salud que representan las plantas de productos químicos, porque éstas son responsables de una porción desproporcionada de todas las toxinas emitidas. Nuestro conjunto de datos consiste en indicadores de emisiones basadas en el riesgo de plantas de productos químicos (extraídos del RSEI), 7 sus características organizativas, la composición de las comunidades instaladas en su entorno y otros factores relevantes. Examinamos la influencia combinada de las características de la instalación y de la comunidad en 2.0538 emisiones relacionadas con el riesgo, provenientes de plantas de productos químicos en 2002, el año más reciente con datos de los RSEI disponibles en el momento en que se otorgaron fondos para este estudio. La Tabla 2 proporciona un resumen de las variables utilizadas en nuestros análisis y sus fuentes de datos.
Medidas
Los análisis utilizan dos variables dependientes: las emisiones de alto riesgo, operacionalizadas como un puntaje de los RSEI de la instalación y su negación, las emisiones que no son de alto riesgo. Para evaluar la influencia del tamaño, el alcance y la forma de la instalación o los aspectos organizativos de la planta, utilizamos las siguientes medidas: cantidad de empleados en una instalación, 9 si la instalación es una sucursal (1 = sí), si es una subsidiaria (1 = sí). Para evaluar la influencia de la composición racial y del ingreso de las comunidades, utilizamos medidas de los porcentajes de afroamericanos y de latinos y la mediana del ingreso por hogar. Nos concentramos en los afroamericanos y latinos porque investigaciones anteriores sobre justicia ambiental (por ejemplo, Ringquist 1997) encuentran que son significativamente más vulnerables a las emisiones tóxicas que otros grupos minoritarios, como los indígenas de los Estados Unidos. Nuestros tres indicadores de las características de la comunidad se basan en información de la sección de la región censal de los alrededores de la planta. Las investigaciones anteriores postulan que, como existen errores de agregación, es más apropiado medir la raza y la clase en este nivel que en niveles menos refinados, como los códigos postales (Anderton et al. 1994; Oakes et al. 1996).
Estrategia analítica
Para evaluar nuestras proposiciones, utilizamos técnicas de regresión estándar así como métodos FSA menos convencionales. En nuestros análisis FSA, convertimos nuestras variables dependientes y variables independientes clave en puntajes difusos, porque varias de ellas no podían categorizarse de manera sencilla como membresía plena (1) o sin membresía (0) a un conjunto, lo que requeriría utilizar técnicas QCA convencionales. Por ejemplo, incluso con datos más precisos como los de los RSEI, no queda claro por encima y por debajo de qué puntaje de los RSEI habría que clasificar las emisiones de la planta como las que son de alto riesgo versus las que no lo son.10
El FSA puede sortear este tipo de problema porque los investigadores recodifican continuamente sus medidas como grados de membresía (o en el intervalo entre 0 y 1) sobre la base de conocimiento teórico o sustantivo. Para este procedimiento de codificación es esencial decidir cuáles son los casos más ambiguos o a los que habría que asignar un valor de 0,5. Una vez que las variables están calibradas, el FSA puede examinar no sólo el nivel de superposición entre variables independientes, sino también hasta qué punto se superponen ciertas combinaciones de variables independientes o son un subconjunto de variables dependientes (si X, entonces Y).
Aunque la EPA no especifica el límite del puntaje de los RSEI a partir del cual una planta debería clasificarse como de alto riesgo, sugiere emplear medidas de tendencia central, como la media, para separar las plantas potencialmente peligrosas y caracterizar su riesgo (U.S. Environmental Protection Agency 2003). De acuerdo con las recomendaciones de la EPA, convertimos nuestras variables dependientes en puntajes difusos, utilizando el siguiente algoritmo recomendado por Ragin (2000) para factores basados en la media:
Puntaje difuso = exp(2*z_difuso)/(1 exp(2*z_difuso))
donde puntaje_z = (puntaje_ bruto/crudo– media)/(desviación estándar)
Según esta fórmula, los casos con puntajes más cercanos a 0 están más afuera de un conjunto y los casos con puntajes más cercanos a 1 están más adentro de un conjunto. Al calibrar nuestros indicadores de las características de la instalación y de la comunidad, utilizamos la misma fórmula si no existía información basada en la teoría o en el conocimiento sobre las propiedades de membresía. Cuando dicha información existe, utilizamos el procedimiento de calibración incorporado en el FSA, que pide a los investigadores que especifiquen qué valores constituyen la membresía más fuerte (0,95), la membresía ambigua (0,5) y la membresía débil (0,05). Por ejemplo, siguiendo varias leyes ambientales y de empleo que utilizan el tamaño para determinar qué plantas deben regularse con más firmeza (véase Grant et al. 2002), designamos a las plantas con más de 1.000 empleados como miembros plenos de un conjunto de plantas grandes (0,95), plantas con 500 empleados como miembros ambiguos (0,5) y a las que tenían menos de 15 empleados como miembros débiles (0,05). De acuerdo con la investigación sobre las organizaciones y los rasgos distintivos raciales, que sugiere que se discrimina más frecuentemente a las minorías cuando exceden el 15 % de una población (Emerson, Yancey y Chai 2001), codificamos nuestras medidas de los porcentajes de afroamericanos y de hispanos como miembros plenos (0,95) del conjunto “mayoría” cuando un grupo comprende el 99 % o más de la población de una comunidad, ambiguo (0,5), cuando comprende el 15% y débil (0,05) cuando comprende el 1% o menos. Siguiendo los estudios que definen a los residentes de bajos ingresos como aquellos cuyos salarios están por debajo de los 25.000 dólares (cerca del percentilo 25), codificamos las secciones censales con la mediana de los ingresos por hogar por debajo de los 10.000 dólares como miembros plenos (0,95) del conjunto de barrios de bajos ingresos, secciones con 25.000 dólares como miembros ambiguos (0,5) y las que tenían más de 100.000 dólares como miembros débiles (0,05). 11 La Tabla 2 muestra cómo se calibraron nuestras variables dependientes e independientes clave.
La Tabla A1 (en el Apéndice) presenta la tabla de verdad utilizada en nuestros análisis de conjuntos difusos. Además de mostrar todas las configuraciones observadas en nuestras variables independientes clave, presenta el número de casos con más de 0,5 miembros en cada configuración. La tabla también muestra la coherencia de cada configuración o el grado en que el miembro en dicha configuración es un subconjunto de miembros en el resultado. Se presentan los puntajes de coherencia para Y (emisiones de alto riesgo) y ~Y (emisiones que no son de alto riesgo).
Para eliminar las configuraciones lógicamente irrelevantes, el FSA requiere que los investigadores especifiquen un conjunto de criterios para excluir y codificar configuraciones. En nuestros análisis, eliminamos configuraciones que contenían menos de 10 casos. Luego las codificamos como positivas (1) si tenían puntajes de coherencia del 95% o más (elegimos esta cifra umbral mediante el examen de las brechas en el rango superior de coherencia, véase Ragin [2000]). 12 Finalmente, usamos el FSA para especificar el número mínimo de configuraciones necesarias para cubrir lógicamente todas las configuraciones positivas (1) en los datos.
De acuerdo con investigaciones anteriores, anticipamos que las instalaciones que son grandes, sucursales o subsidiarias constituirán un subconjunto de las plantas con emisiones de alto riesgo. También anticipamos que las instalaciones ubicadas en comunidades con grandes poblaciones de afroamericanos o de latinos o aquéllas con residentes de bajos ingresos tenderán a pertenecer al mismo subconjunto. Inversamente, anticipamos que las instalaciones sin estas características serán un subconjunto de las plantas cuyas emisiones no son de alto riesgo. El programa informático para el FSA que utilizamos (Ragin fsQCA 2.0) maneja estas predicciones automáticamente en un procedimiento contrafáctico, cuando le pregunta al investigador si se predice que la presencia o ausencia de un factor estará relacionada con un resultado. Al mismo tiempo, el FSA habilita la posibilidad de que los factores todavía tengan un efecto opuesto al predicho, de acuerdo con nuestro argumento anterior de que las estructuras de las organizaciones pueden actuar como recursos o vulnerabilidades. La desventaja mayor del FSA es que se restringe a una cantidad limitada de variables porque, con la adición de cada nueva variable, la cantidad posible de configuraciones crece exponencialmente. Creemos que esta desventaja queda más que compensada por la capacidad del FSA para separar las configuraciones más importantes de las superfluas o redundantes.
RESULTADOS
Análisis convencional
En la Tabla 3, evaluamos tres de las proposiciones planteadas por la investigación convencional sobre la desigualdad ambiental, utilizando técnicas estándar de Mínimos Cuadrados Ordinarios (MCO), características de esta bibliografía. Específicamente, para determinar si las emisiones de alto riesgo de las instalaciones (operacionalizadas aquí como puntajes de los RSEI de las instalaciones) son una función de la composición racial del barrio (primera proposición), la situación de clase de los residentes (segunda proposición) o alguna otra propiedad de la comunidad (tercera proposición), agregamos a una ecuación básica de regresión que contiene sólo el porcentaje de afroamericanos y el porcentaje de latinos (ecuación 1), medidas de la mediana del ingreso por hogar (Ecuación 2) y porcentaje de producción industrial, estado de habitante de una ciudad y valor de la propiedad (Ecuación 3).
Se observa que los porcentajes de afroamericanos y latinos se relacionan positivamente con las emisiones de alto riesgo en la Ecuación 1, pero que el ingreso del barrio (Ecuación 2) tiene un impacto desdeñable sobre las emisiones de riesgo. En la Ecuación 3, la actividad productiva se asocia positiva y significativamente con las emisiones de alto riesgo, pero no con el estado de habitante de una ciudad y el valor de la propiedad. Lo más importante, ni estos tres factores relacionados con la comunidad ni el ingreso del barrio aportan demasiado para explicar la influencia de los porcentajes de afroamericanos o de latinos. En general, estos resultados no sólo proporcionan sustento a la primera proposición (la dinámica racial conforma la distribución de los daños ambientales), sino que concuerda con la mayoría de los estudios anteriores que encuentran que la raza es más relevante que la clase en la conformación de la distribución de los daños ambientales (véase Ringquist 2005). La Ecuación 3 parece captar lo que se ha convertido en el modelo clásico de investigación sobre desigualdad ambiental.
Sin embargo, como revela la Ecuación 4, el modelo clásico ignora la contribución al riesgo ambiental de características como el tamaño de la instalación y el hecho de ser una sucursal, que se asocian positiva y significativamente con la variable dependiente. Además, este modelo, diseñado para aislar efectos de raza y clase, no toma en cuenta los numerosos posibles modos de intersección de dichos factores con las características de la instalación para producir riesgos. Tampoco considera la posibilidad de que los factores raciales, de clase y organizativos puedan influir en las emisiones de más de una manera. Como muestra la comparación de las Ecuaciones 4 y 5, este modelo efectivamente fuerza factores para que mantengan relaciones perfectamente simétricas con resultados negativos y positivos. En suma, la lógica mezquina del modelo clásico dificulta la posibilidad de comprender con más matices la exposición a la contaminación.
Análisis de conjuntos difusos
La Tabla 4 muestra un análisis FSA de las emisiones de alto riesgo originadas en instalaciones de productos químicos (que se operacionalizan aquí como puntajes de los RSEI “difusos” de las instalaciones). De acuerdo con la proposición 6, pero en contradicción con la proposición 4, la Tabla 4 muestra que los factores residenciales y relativos a las organizaciones se combinan de maneras complejas para producir múltiples (cuatro) recetas de emisiones de alto riesgo. Cuando se interpretan los resultados del FSA, es importante recordar que ningún atributo único dentro de una receta puede interpretarse fuera del contexto de los otros atributos. Esto es porque, a diferencia de las técnicas de regresión, que abstraen variables de los casos en los que éstas existen, el FSA trata los casos individuales como combinaciones de atributos. Esto significa que las instalaciones de productos químicos definidas en la primera receta están ubicadas en comunidades que tienen grandes poblaciones de afroamericanos (AF-AMER) y bajos ingresos (LOWINC). Las instalaciones definidas en la segunda receta están ubicadas en comunidades con grandes poblaciones afroamericanas (AF-AMER) y grandes poblaciones de latinos (LATINO). Las instalaciones definidas en la tercera receta están ubicadas en comunidades con grandes poblaciones de afroamericanos (AF-AMER) y son grandes plantas y son sucursales (BRANCH). Finalmente, las instalaciones definidas en la cuarta receta están situadas en comunidades con grandes poblaciones latinas (LATINO) y bajos ingresos (LOWINC) y son sucursales (BRANCH). Que un factor como grandes poblaciones de afroamericanos esté presente en tres de las cuatro configuraciones indica no sólo que éste conforma las emisiones de alto riesgo de tres maneras diferentes, sino también que no siempre está asociado a las emisiones de alto riesgo. Sugerimos comparar estos resultados con los de la Tabla 3, que indican que la presencia de afroamericanos tiene una y sólo una manera de impactar y que la presencia de afroamericanos siempre se asocia positivamente a las emisiones de alto riesgo.
Todas las recetas que figuran en la Tabla 4 contienen al menos un ingrediente racial; los ingresos figuran como ingredientes en dos de las recetas. Además, en contradicción con el resultado de ingreso nulo de la Tabla 3, estos hallazgos contradicen la proposición 2, que sostiene que la asociación entre raza y contaminación es una mera aberración que puede explicarse a través del ingreso. Estos resultados también contradicen la proposición 1, en el sentido en que la influencia de la raza es contingente a la presencia de otros factores relativos a la comunidad y a las organizaciones. Más adelante, estudiaremos si la configuración de la Tabla 4 continúa relacionada con las emisiones de alto riesgo cuando se controla por la actividad productiva, el estado de habitante de una ciudad, los valores de la propiedad y otros factores potencialmente confundidores.
Si bien puede no resultar obvio a primera vista por qué las recetas particulares de la Tabla 4 están relacionadas con las emisiones de alto riesgo, el hecho de que se asemejen a los patrones expuestos en la investigación de estudio de casos sugiere los posibles mecanismos en juego (véase la Tabla 5). Por ejemplo, el hecho de que la primera receta sea similar a los descubrimientos de Pollock y Vittas (1995), Krieg (1995) y Downey (2000), de que a los afroamericanos de bajos ingresos les resulta especialmente difícil eludir a los que contaminan, postularía que la contención espacial puede explicar por qué esta receta se asocia con las emisiones de alto riesgo. Asimismo, la segunda receta concuerda con los descubrimientos de Pastor y colaboradores (2001) sobre la rotación residencial, que postulan que el revoltijo étnico crea situaciones que permiten que las empresas puedan externalizar más fácilmente su contaminación. La tercera receta refleja los resultados de Cable y colaboradores (2008) y, especialmente, Rosner y Markovitz (2002), de que los desequilibrios en el poder en la forma de sucursales grandes y carentes de gestión colocan en situación de riesgo a los barrios afroamericanos, independientemente de sus niveles de ingresos. Finalmente, la cuarta receta evoca la situación descripta por Pulido (2000) y Auyero y Swistun (2008), que sugiere que los inmigrantes latinos pobres pueden verse expuestos a toxinas (véase también Skolnick 1995), en parte porque las casas matrices, alejadas de las instalaciones, generan información ambigua sobre a quién deberá culparse en última instancia por los daños ambientales.
En la Tabla 6, realizamos otro análisis de conjunto difuso para determinar qué combinaciones de factores relativos a la instalación y a la comunidad hacen que las plantas no generen emisiones de alto riesgo. Cuatro recetas se asocian a este resultado, al igual que en el caso de las emisiones de alto riesgo de la Tabla 4. Las recetas identificadas aquí, sin embargo, no son el opuesto en espejo de las presentadas en la Tabla 4. Esto brinda sustento la proposición 7, que dice que las recetas asociadas a los resultados de emisiones negativas y positivas son asimétricas, y contradice la proposición 5, que surge de las investigaciones convencionales sobre desigualdad ambiental, que dicen que los efectos de la raza, el ingreso y otros predictores sobre las emisiones de las instalaciones son simétricas.
En tanto que sólo dos de las cuatro recetas identificadas en la Tabla 4 son combinaciones únicas de factores relacionados con la instalación y la comunidad, esto es cierto para todas las recetas de la Tabla 6. Además, el hecho de ser una instalación grande (SIZE) es un ingrediente esencial en una sola de las recetas para las emisiones de alto riesgo, en tanto que ser una instalación pequeña (size) es esencial en todas las recetas para las emisiones que no son de alto riesgo. Más aún, el estatus de subsidiaria no define ninguna de las recetas de emisiones de alto riesgo, pero es un ingrediente definitorio en tres de las cuatro recetas para las emisiones que no son de alto riesgo. Específicamente, en tres de estas recetas lo importante es la ausencia de instalaciones subsidiarias.
Quizás la manifestación más asombrosa de la asimetría es el hecho de que los barrios de bajos ingresos (LOWINC) se asocian tanto con emisiones de alto riesgo como con las que no son de alto riesgo (véase las recetas 1 y 4 en la Tabla 4 y las recetas 1, 2 y 3 en la Tabla 6). Además de subrayar nuestro punto anterior, que indica que las estructuras de las organizaciones y relacionadas con la comunidad pueden funcionar tanto como recursos como vulnerabilidades, estos y otros ejemplos de asimetría evidencian la deficiencia de (1) la teoría convencional de la desigualdad ambiental y (2) las técnicas de regresión, como las utilizadas en la Tabla 3,French to Spanish: Pouf gonflable xxx
General field: Marketing | Source text - French
- « Pouf gonflable xxx:
Malin ! A gonfler et dégonfler en fonction de ses besoins, ce pouf s’adapte à toutes les pièces de la maison, et il est recouvert d’une housse textile lavable.
Mode d’emploi : glissez le pouf en pvc dans la housse et placez la valve dans l’anneau Air Concept®. Gonflez le pouf à l’aide d’une pompe, et fermez la housse à l’aide du zip.
Pompe non fournie. Cette housse est lavable en machine jusqu’à 30°, mais dans un souci de protection de l’environnement, nous vous conseillons de la laver en eau froide avec une lessive adaptée. Merci pour la planète ! »
- « Boîte-pouf xxxx:
2 en 1 ! Cette boîte aux couleurs acidulées est également un pouf d’appoint confortable, elle trouvera sa place partout dans la maison.
Décorative et idéale pour ranger, elle se plie et se déplie en un instant au gré de vos envies. Transport facilité grâce aux 2 poignées latérales. »
| Translation - Spanish
- “Puff inflable xxx:
¡Qué buena idea! Este puff que se infla y se desinfla según las necesidades se adapta a todas las habitaciones del hogar y está cubierto por una funda de tela lavable.
Instrucciones para su uso: deslice el puff de pvc en la funda y ubique la válvula en la rosca Air Concept®. Infle el puff con una bomba y cierre la funda con el cierre relámpago.
No se proporciona la bomba. Esta funda es lavable en la lavadora con temperaturas hasta los 30° pero, para cuidar el medio ambiente, aconsejamos lavarla con agua fría y con un detergente que se adapte al tipo de tejido. ¡El planeta se lo agradece!”
- “Caja para el puff xxx:
¡2 en 1! Esta caja con los colores de las frutas ácidas también sirve como un cómodo puff complementario, que puede colocarse en cualquier lugar de la casa.
Decorativa y muy fácil de guardar, se pliega y despliega en un instante ¡cuando usted tenga ganas de hacerlo! Muy sencilla de transportar por sus dos asas laterales.”
| English to Spanish: ON THE LiNGUISTIC SiGN AND THE MULTILEVEL ORGANIZATION OF LANGUAGE
General field: Art/Literary
Detailed field: Linguistics | Source text - English
Bohumil Trnka
ON THE LiNGUISTIC SiGN AND THE MULTILEVEL ORGANIZATION OF LANGUAGE
Functional linguistics as associated with the Prague School relies on two fundamental concepts, the linguistic sign and communication. These two notions allowed the Prague Linguistic Circle to regard linguistics as a homogeneous science independent of physiology, psychology, sociology, and other sciences. The unity of linguistics had been visualized by some prominent linguists of the latter part of the nineteenth century, such as J. BAUDOUIN DE COURTENAY and H. SWEET, and later on developed by F. DE SAUSSURE — who, according to the words of K. BÜHLER, restored linguistics to its old home —, by V. MATHESIUS, the leading linguist of the Prague School, N. S. TRUBETZKOY, the founder of phonological studies, L. BLOOMFIELD and E. SAPIR, to mention only some of the most representative names. Their endeavour to establish the structural view of language coincided with the advancement of symbolic logic and with new developments in philosophy which contributed a good deal to acknowledgement of linguistics as an important science. It was especially E. HUSSERL (1859 to 1938) who clearly demonstrated that linguistic data could not be adequately explained in terms of psychological analysis and who even advocated the necessity of establishment of a general grammar as a science con¬cerned with all possible sign forms and having therefore its own specific field of research. As a result of the new lines of thought, present-day lin¬guists have ceased to regard their materials as an incoherent, structureless collection of physiological, psychological and sociological data, and search to discover universal principles underlying particular data of their special fields of research, in the same way as physicists do in the area of physical phenomena. There is, of course, a world of difference between linguistic universals and natural laws in terms of their validity. Whereas the latter are nomothetic and do not presuppose the concept of systematic arrangement, the normothetic character of the former implies varying degrees of validity, some of them extending to all or most languages and others applying only to a limited number of them. In fact, every language is a complicated organization of signs controlled by laws of different degrees of validity and has its own particular patterning, totally distinct from the mechanical interplay of natural laws in complex physical phenomena. If then we are aware of the normothetic character of languages, we can also see that their adequate analysis cannot be fully based even on logic, the laws of which are of universal validity unlimited by space and time. To be sure, independence of a science does not mean its isolation. Linguistics can draw on results of present-day research in logic, mathematics, psychology and other sciences for its own purposes, but in doing so it must not be dominated by their objectives, methods and procedures.
If an adequate approach to linguistic analysis is based on the conception of languages as systems of communicative signs, we are bound to provide a satisfactory answer to the question of what is the linguistic sign as used in intersubjective communication.1 The well-known definition of the sign in general, as given by medieval thinkers, that it is something that stands for something else ("aliquid stat pro aliquo") will provide a convenient background to our discussion, but it is too wide and implies entities that have nothing in common with communication. These must be eliminated. First of all, we have to exclude from the concept of communicative sign the so-called operative signs applied to constant or substitutable values in mathematics and symbolic logic, and secondly, symptoms, such as clouds as indicating the rain, sobs as manifesting a strong emotion, etc. Symptoms — even those accompanying speech — stand for something different from what they are, but they are evidently very far from being linguistic signs. There is a causal relationship between cloud and rain, sobs and emotion, which makes them cognitive signs indicative of the fact that there exists, existed or will exist something else as implied in the cause — effect relationship. In our further search for signs we might come to entities that recall something else on account of similarity or contrast, e. g. a portrait representing a person, but these are evidently still more different from linguistic signs than the cognitive ones. Much nearer to them are sen¬sible symbols by which cultural, religious, political and other social groups are denoted. A few examples will suffice for illustration. The half-moon is a symbol of Islam and Islamites, the cross is a symbol of Christianity and Christians, the hammer and sickle denotes communism, the pansy symbolized Free Thought Movement (Pensée Libre), etc. They may be called low-grade signs, as they share some of the characteristics of more developed types of signs. Unlike the symptom, the symbol does not enter into a causal nexus with the thing symbolized, and there is another important new feature, namely, the necessity of choosing an entity which would be acceptable as a symbol to the community in question. Every symbol is — at least by origin — a sensible thing liable to evoke the strongest and closest associations possible with the thing symbolized. In spite of the narrow limits of choice there is, however, a certain mobility or arbitrariness which is alien to symptoms and other cognitive signs. Like words, symbols may be homonymous and synonymous, but both their homonymy and synonymy are usually avoided by the community on obvious reasons. The swastika, cross of equal arms with rectangular continuations, for instance, was a symbol of something different in ancient Italy from what it symbolized in pre-war Germany. On the other hand, both leek and daffodil serve as national emblems of Wales. The partial arbitrariness of symbols implies the necessity of learning them and this feature makes them comparable to onomatopoeic words. Unlike these, however, they act only as indicators of social groups to which individuals belong or choose to belong, and resemble therefore those functional elements of speech by which one social group of speakers is distinguished from an¬other. Such features (e. g. peculiarities in accent and phones), called "Kundgabe" by K. BÜHLER and N. S. TRUBETZKOY,2 are comparatively unimportant or superfluous in language, while symbols have only this function to perform. It may be mentioned, however, that some symbols can be used to denote only one entity, in the same manner as Snowdon stands for one and only one entity, i. e. the highest mountain in the British Isles. Thus a coat of arms can serve to identify only one individual person or one indi¬vidual house, while e. g. three balls are used to denote any pawnbroker's shop. The discussion of "proper" symbols must be reserved to another paper, but it may be stated here that this use brings them very close to linguistic signs.
Let us pass to another group of low-grade signs, to traffic and other signals used for inducing certain actions, which resemble symbols in respect of the necessity of choice, but differ from them by a wider range of mobility and material independence of the actions symbolized. D. H. LAWRENCE'S novel "The First Lady Chatterly" (Berne, 1946, p. 162) offers an example. Two lovers made the following arrangement to facilitate their secret meetings: A green shawl in the window of Lady Chatterly was to be a signal to her lover that he was expected to come to the usual meeting-place, the white shawl was to mean that the meeting must take place somewhere else, and the red one was to denote "danger, no meeting". The communicative content of the signal could have been richer, more informative, or some other material things could have been used for signalling, but in any case the things-signalling are different from the thing-signalled both materially and associatively, and their choice for signalling depends on their own material properties, such as their shape, magnitude and visibility. The shawls might have easily been replaced by flower-pots, but not by pianos.3
Signals resemble linguistic signs more than symbols, but what distinguishes them from the latter is the fact that they lack the subject — pre¬dicate relation. There is a signal on the one hand, and the action or the state signalled by it on the other hand, but no syntactic categories characteristic of linguistic reality are included in the former. In fact, signals are always one-level signs, called low-grade signs in the present discussion. The red traffic-light, such as used in towns where two streets intercross, means to all passengers "stop, the passage is not free" without any subject-predicate relationship. In Saussurean terms, there is a "signifiant" on the one hand, and the "signifié" on the other hand, in absolute directness and simplicity. It may be added that the subject-predicate relationship is also absent from some verbal utterances (e. g. from some military commands), but the fact remains that signals qua signals are never capable of this relation.
All the relationships I have touched upon are, or may be, connected with emotional elements. Thus clouds may be associated with feelings of joy or apprehension and fear, a picture or a photograph may engender a variety • of feelings of different intensity and colour, and the same is true of signals and symbols. Emotions are very important factors in all symbolic references, but they are outside the scope of the present paper concerned with the intellectual side of the linguistic sign, unless they themselves are terms of sign/thing-meant relationship.
By separating symbols and signals from symptoms and other non-communicative signs we have also given a more restricted meaning to the "stat pro" relationship. Both symbols and signals serve to communicate some-thing and must be chosen either from some of the properties belonging to the thing-meant or, in case of signals, from other entities that meet the physiological or psychological needs of those who are to accept them as signals. There was a discussion among some eminent linguists, such as E. BENVENISTE, E, LERCH, CH. BALLY and H. FREI, E. BUYSSENS and W. BORGEAUD, of whether the linguistic sign is arbitrary, as F. DE SAUSSURE had maintained, or strictly determined, as Benveniste tried to demonstrate, but no solution to the problem was attained, chiefly owing to the fact that each contributor emphasized only one aspect of the question without envisaging it in its logical depth. As indicated above, the choice of the communicative sign is not arbitrary, since it must be made from maximally fitting items, i. e. from entities most efficient (expressive), clear and simple, for the function in question. This is a universal law which asserts itself also in the process of re-signing linguistic entities in the historical development of a language, the result being that only efficient elements of language have a chance of surviving. On the other hand, it must be pointed out that the communicative stat pro relationship is not constituted by any physical or other entities of the sign, but solely by the fact of its entering into the stat pro relationship. It is only by participation in it that the entity becomes a sign and can have a specific historical development distinct from that it has as a non-sign. In this sense, the sign is arbitrary, i. e. it may serve to convoy any meaning. The arbitrariness of the sign is in perfect agreement with the fact that sound and other changes in the historical development of a language need not depend 011 those of things-meant, nor do the changes in things-meant need reflect themselves in those of signs.4
Before entering on a further discussion of the linguistic sign, it will be necessary to state that all the stat pro relationships mentioned above are asymmetric, since "A stat pro B" is not equivalent to "B stat pro A". If a shawl means danger, danger does not mean the shawl. It is interesting to note in this connection that A. N. WHITEHEAD, the well-known English philosopher and scientist, admitted the possibility of the sign having the symmetric mode. We shall not follow Whitehead's train of philosophical thought and content ourselves with the simple statement that it is the asymmetric mode which makes the act of intersubjective communication possible.
If we hold that the asymmetric stat pro relation applies both to low-grade and linguistic signs, the question must be asked as to the specific characteristic of the latter. The solution to this problem is involved in what was stated at the beginning of this discussion. Unlike low-grade signs, language -is a complicated multilevel system of at least four hierarchically arranged planes (or, levels). Thus words as component signs of the morphological plane stand for the higher unit, the sentence, the overall meaning of which transcends those of its particular words. This is a unit governed and regulated by a number of special categories and semantic bonds quite different from those of words quá words, which implement it. At the same time, how-ever, sentences are realizers of utterances as actually spoken by one indi¬vidual to another, i. e. they serve as signs for the utterance level of language. The interrelations of linguistic planes may be expressed by means of the logical formulae: W(ord) stat pro S(entence), S stat pro U(tterance), and U slat pro E (extralinguistic state or event). The stat pro relation is to be regarded as transitive, because if W stands for S and S stands for U, it is also true that W stands for U, W stands for E, and S stands for E. Similarly the units of the phonemic level of language which are realizers of words take part in this kind of relationship.
The multilevel organization of language is apt to be undervalued or ignored by the linguists who consider phonemes as the only realizers of extralinguistic reality and tend to compare language with a sheet of paper, the thought being the front and the sound the back, as if linguistic systems were signals and symbols. It was especially the confusion of the morpho¬logical level of oppositions with syntactic categories which led many philologists to various errors, e. g. to the false view that French possesses the same system of cases as Latin. To be sure, the difference between the morphological and the syntactical level of language is apt to be obscured in the so-called analytical languages which have much simpler systems of morphological oppositions than Latin and other "synthetic" languages, but even here the sentence level must be carefully kept distinct from the level of morphological oppositions, if a reliable basis for comparative studies of languages is to be created. The segmentation of sentences on the syntactic level can never result in terms of words or "forms" which implement them, and vice versa, words qua words and their groupings cannot be considered to be identical with sentences. Nor can the sentence level be mixed up with that of utterance which represents the highest plane of language. A person who wishes to communicate something to another one implements his or her utterance by means of sentences (the construction of which is governed by syntactic rules different from language to language) and in doing so he or she raises them to a suprasyntactic utterance level to which syntactic categories are subservient. We cannot enlarge upon the principles of its analysis in the present discussion, but it may be stated that the most important category of the utterance level of language is constituted by theme and nucleus. An example will suffice to illustrate what is meant by these terms. If I say my brother is ill, to my friend who knows that I have a brother, the theme of my utterance is my brother, and its nucleus, by which something new is communicated to the listener, is ill. In this utterance the theme coincides with the syntactic subject, i. e. the theme of my utterance is implemented by the syntactic subject, and the nucleus is the syntactic predicate. If the same utterance is directed to a person who has been informed already that a member of my family got ill, the theme is expressed by the syntactic predicate, while the nucleus is represented by the subject. This simple example serves to show that the utterance level of language at which both the speaker and the listener and both the contextual and extralinguistic situation are to be taken into account must be analysed in terms of specified units different from those of syntax. The extensive comparative studies made by V. MATHESIUS and recently continued by J. FiRBAS5 in this vast field of research have revealed a number of important points of difference between languages, notably between English and Czech, and it is hoped that further research will bring new interesting results. It should be mentioned that the first linguist to touch upon the problems of the utterance level of language was HANS GEORG VON DER GABELENTZ (1840—1893), but the distinction he made between the grammatical subject and the psychological one was based on old psychological trends and Neogrammarian conceptions.
As stated already in our discussion, the structural reality of language cannot be grasped by its being split into the acoustic image ("signifiant") and the meaning ("signifié") without a due consideration of the four levels of linguistic relationships. Their cooperation is indispensable for the nor¬mal, non-pathological human speech, no single plane making any sense without the rest. Each of these integrated sign systems has its own units and rules of their organization, so that they enjoy a certain autonomy within the overall system of language. While the higher levels impose their categories upon the lower ones, they leave the choice of effective expedients entirely to the latter. Each of them presents itself as a subsystem the units of which may be quoted in any order, and as a substructure which organizes them along the horizontal axis. In this way, each of the four parts of linguistic analysis, i. e. phonology, morphology, syntax and supersyntax (utterance analysis), is divided into paradigmatics, dealing with the inventory of its respective units and with their implementation by the elements of the lower plane, and into syntagmatics, treating of their sequential chains and rules of organization.6 It should be noted that syntagmatic morphology, which is concerned with the rules of sequential chains of words, is different from syntax, which in turn is either paradigmatic if it deals with syntactic oppositions, or syntagmatic if it is concerned with the ¡ sequential chains of sentences and their syntactic features. As a result, we could say that the units of a plane do not only form sequential chains, but by being signs (realizations, implementations) of units of the higher order, they are integrated into them and assume certain qualities that transcend the characteristics of the mere sum of the units.
In incorporating utterance in linguistic levels, we do not follow any longer the theory of F. DE SAUSSURE relating to his langue — parole dichotomy. From what we read in his posthumously published "Cours de linguistique générale" we may infer that "langue" was viewed by him as a social institution or as an objective code and a homogeneous system of signs, whereas "parole" is described by him as an individual act accessory or as a feature more or less accidental, but all these characteristics involve much ambiguity and lead to a variety of interpretations. The search for a universe ordained by laws in the diversity of phenomena is a legitimate objective of any science, but it must be borne in mind that the results of our discoveries cannot be projected, so to say, into the world of phenomena and create a false dichotomy of a body of phenomena versus its laws discovered (or, to be discovered) by investigators. The theories involving this procedure are always apt to lead to misconceptions and fail to answer the high expectations that have been entertained. In the field of linguistics, the "langue — parole" dichotomy led F. de Saussure to the failure of looking at linguistic changes as structural events, with the result that the historical development of language was conceived by him as a sum of isolated deviations originating in "parole".
Notes
1 A. N. WIIITEHEAD says in Symbolism, Its Meaning and Effect, Cambridge 1928, p. 9: "The human mind is functioning symbolically when some components of its experience elicit consciousness, beliefs, emotions, and usages, respecting other components of its experience. The former set of components are the 'symbols', and the latter set constitute the 'meaning' of the symbols. The organic functioning where-by there is transition from the symbol to the meaning will be called 'symbolic reference'."
2 Cf. K. BÜHLER, Axiomatik der Spraclwissenschaft, Kaní-Studien, XXXVIII, and Sprachtheorie, Jena 1934; N. S. TKUBETZKOY, Grundzüge der Phonologie, TCLP 7, 1939, pp. 17-24.
3 It is noteworthy that symbols consist of relevant and irrelevant features. In the above example the shawls may have different breadths and different shades of green, - white and red, but these concrete properties do not belong to the shawls qua communicative signs. The only relevant feature is the opposition of the three colours.
4 BENJAMIN LEE WHORF'S conception of the language — culture correlation is not quite correct. As A. L. KROEBER rightly says, language is an example of culture, but not its matrix. We must look here for congruences, but not for determinisms.—To be sure, all our acquired knowledge comes to us solely through the medium of language.
5 Cf. V. MATHESIUS, Ze srovnávacích studií slovosledných [Comparative Studies of Word Order], CMF 28, 1942, pp. 181—190 and 302—307; SAME, O tak zvaném aktuálním clenéní vétném [On the so-called Functional Sentence Analysis], SaS 5, 1939, pp. 171-174. — J. FIRBAS, Poznámky k problemático anglického slovního porádku s hlediska aktuálního clenéní vétného [Some Notes on the Problem of English Word Order from the Point of View of Actual Sentence Analysis]. SPFFBU A4, 1956, pp. 93-107. — SAME, Some Thoughts on the Function of Word Order in Oíd English and Modern English, Ib. A 5, 1957, pp. 72—100. — SAME, Thoughts on the Communicative Function of the Verb in English, German and Czech, ESE, 1, 1959, pp. 39 to 63, etc.
* It must be mentioned that even unilevel signals may be analysed in terms of paradigmatics and syntagmatics.
| Translation - Spanish
Bohumil Trnka
Sobre el signo lingüístico y la organización de la lengua en niveles múltiples
La lingüística funcional, que se asocia a la Escuela de Praga, está basada en dos conceptos fundamentales: el signo lingüístico y la comunicación. Estas dos nociones permitieron que el Círculo Lingüístico de Praga considerara que la lingüística era una ciencia homogénea independiente de la fisiología, la psicología, la sociología y otras ciencias. La unidad de la lingüística ya había sido prevista por algunos lingüistas prominentes de fines del siglo XIX, como J. Baudoin de Courtenay y H. Sweet y, luego, en los trabajos de F. de Saussure quien, según K. Buhler, devolvió la lingüistica a su viejo hogar; por V. Mathesius, el líder de la Escuela de Praga, N. S. Trubetzkoy, el fundador de los estudios de fonología y L. Bloomfield y E. Sapir, para mencionar tan solo algunos de los nombres más representantivos. Su esfuerzo por establecer una perspectiva estructural del lenguaje coincidió con los avances de la lógica simbólica y con los nuevos estudios de filosofía, que contribuyeron en buena medida al reconocimiento de la lingüística como una ciencia relevante. En especial, por parte de E. Husserl (1859 a 1938), quien demostró con claridad que los datos lingüísticos podían no explicarse adecuadamente en términos de un análisis psicológico y que incluso abogó en favor de la necesidad de establecer una gramática general como una ciencia vinculada a todas las formas sígnicas posibles y que, por consiguientge, tenía su propio campo de investigación específico. Como resultado de las nuevas líneas de pensamiento, los linguistas actuales han dejado de considerar que sus materiales son una colección de datos fisiológicos, psicológicos y sociológicos incoherente y carente de estructura, y buscan descubrir los principios universales que subyacen a datos particulares de sus campos específicos de investigación, del mismo modo que lo hacen los físicos en el dominio de los fenómenos físicos. Por supuesto que existe una gran diferencia entre los universales lingüísticos y las leyes naturales en términos de su validez. En tanto que las últimas son nomotéticas y no presuponen el concepto de disposición sistemática, el carácter normotético de las primeras implica grados de validez que varían, algunas abarcan todas las lenguas o la mayoría de ellas y otras se aplican únicamente a una cantidad limitada. De hecho, cada lengua es una organización complicada de signos controlada por leyes de diferentes grados de validez y tiene su propio diseño particular, totalmente diferentes de la interrelación mecánica de las leyes naturales en los fenómenos físicos complejos. Si somos conscientes del carácter normotético de las lenguas, también podemos observar que sus análisis adecuados no pueden basarse por entero en la lógica, cuyas leyes son de validez universal sin límites de espacio ni tiempo. Por cierto, la independencia de una ciencia no significa su aislamiento. La lingüística puede recurrir a los resultados de las investigaciones actuales de la lógica, la matemática, la psicología y otras ciencias para sus propios propósitos pero, al hacerlo, no debe quedar dominada por los objetivos, métodos y procedimientos de esas disciplinas.
Si un enfoque adecuado del análisis lingüístico se basa en la concepción de las lenguas como sistemas de signos comunicativos, estamos obligados a proporcionar una respuesta satisfactoria a la cuestión de qué es el signo lingüístico tal como se emplea en la comunicación intersubjetiva.1 La definición de signo conocida en general, tal como la que proporcionaban los pensadores de la Edad Media, es que el signo es algo que vale por otra cosa ("aliquid stat pro aliquo") y constituirá un antecedente conveniente para nuestra discusión, pero es demasiado amplia e implica entidades que no tienen nada en común con la comunicación. A continuación, lo que debe ser eliminado. En primer término, tenemos que excluir del concepto de signo comunicativo los denominados signos operativos, que se aplican a valores constantes o sustituibles en matemáticas y lógica simbólica y, en segundo término, los síntomas, como las nubes que indican la lluvia, los sollozos como manifestación de emoción fuerte, etc. Los síntomas (incluso los que acompañan el habla) valen por algo diferente de lo que son, pero evidentemente están muy lejos de ser signos lingüísticos. Existe una relación causal entre nube y lluvia, sollozos y emoción, que los torna signos cognitivos indicativos del hecho de que existe, existió o existirá algo más implicado en la relación causa-efecto. En la búsqueda de signos que realizamos a continuación quizás nos encontremos con entidades que remitan a algo diferente en términos de similaridad o contraste, por ejemplo, un retrato que represente a una persona, pero evidentemente siguen siendo más diferentes de los signos lingüisticos que los signos cognitivos. Mucho más cercanos a aquellos son los símbolos sensibles, que denotan grupos culturales, religiosos, políticos y otros grupos sociales. Unos pocos ejemplos nos servirán como ilustración. La medialuna es un símbolo del islam y de los islamitas, la cruz de la cristiandad y los cristianos, el martillo y la hoz denota el comunismo, el pensamiento (la flor), el movimiento de Pensamiento Libre (Pensée Libre), etc. Pueden denominarse signos de grado bajo, en tanto comparten algunas de las características de los tipos de signos más desarrollados. A diferencia del síntoma, entre el símbolo y lo que simboliza no se establece un nexo causal. Además, existe un rasgo nuevo de relevancia, concretamente, la necesidad de elegir una entidad que la comunidad en cuestión pueda aceptar en tanto símbolo. Cada símbolo es, al menos en su origen, una cosa perceptible que puede establecer un vínculo para evocar las asociaciones más fuertes y más cercanas posibles con lo simbolizado. A pesar de los límites estrechos de la elección, sin embargo, existe una cierta movilidad o arbitrariedad, ajena a los síntomas y a otros signos cognitivos. Al igual que las palabras, los signos pueden ser homónimos y sinónimos pero, por razones obvias, en general la comunidad evita ambos fenónemos. La esvástica, cruz de brazos de igual tamaño con continuaciones rectangulares, por ejemplo, era un símbolo un tanto diferente en la antigua Italia del que se usó en la Alemania de la preguerra. Por otra parte, tanto el puerro como el narciso son los emblemas nacionales de Gales. La arbitrariedad parcial de los símbolos implica la necesidad de aprenderlos y este rasgo los vuelve comparables a las onomatopeyas. Sin embargo, a diferencia de estas, funcionan solo como indicadores de grupos sociales a los que pertenecen o eligen pertenecer individuos, por consiguiente, se parecen a aquellos elementos funcionales del habla que permiten distinguir a un grupo social de hablantes de otros. Dichos rasgos (por ejemplo, peculiaridades en el acento y los fonos), que K. bühler y N. S. Trubetzkoy 2 llamaron "Kundgabe" son comparativamente no importantes o superfluos en la lengua, en tanto que los símbolos tienen únicamente que cumplir con esta función. No obstante, hay que mencionar que algunos símbolos pueden usarse para denotar solamente una entidad, del mismo modo que Snowdon vale solamente por una entidad, es decir, la montaña más alta de las Islas Británicas. Así, un escudo de armas puede servir para identificar a una persona individual o a una casa individual, en tanto que tres pelotas doradas se usaban para denotar la tienda de un prestamista. En otro trabajo nos ocuparemos de los símbolos “apropiados”, sin embargo, habría que dejar sentado aquí que este uso los acerca bastante a los signos lingüísticos.
Pasemos a otro grupo de signos de grado bajo, a las señales de tráfico y a otras señales que inducen determinadas acciones, que parecen símbolos por la necesidad de la elección, pero que difieren de ellos porque poseen una movilidad amplia e independencia material de las acciones que simbolizan. La novela de D. H. Lawrence, El amante de Lady Chatterly (Berna, 1946, p. 162) ofrece un ejemplo. Dos amantes establecen el siguiente acuerdo para facilitar sus encuentros secretos: un mantón verde en la ventana de Lady Chatterly era un señal para su amante de que podía ir al lugar de encuentro usual; uno blanco, significaba que tenían que encontrarse en algún otro lugar y uno rojo significaba "peligro, no habrá encuentro". El contenido comunicativo de la señal podría haber sido más rico, más informativo, o se podrían haber utilizado otras cosas materiales para funcionar como señal, pero en cualquier caso, los objetos que se usan para funcionar como señal son diferentes de lo señalado, tanto desde el punto de vista material como desde el punto de vista asociativo y su elección de que funcionen como señales depende de sus propias propiedades materiales, como su forma, tamaño y visibilidad. Sin problemas se podrían haber reemplazado los mantones por jarrones, pero no por pianos.
Las señales se parecen más a los signos lingüísticos que los símbolos, pero lo que los distingue de los últimos es que carecen de relación sujeto-predicado. Por una parte, existe una señal y la acción o estado que esta señala, por la otra, pero en la primera no se incluyen categorías sintácticas características de la realidad lingüística. De hecho, las señales son siempre signos de un nivel, denominado signos de grado bajo en esta argumentación. El semáforo rojo, usado en las ciudades en la intersección de dos calles, significa para todos los usuarios, “pare, no pasar”, sin ningún tipo de relación sujeto-predicado. En términos de Saussure, por un lado existe un “significante” y por el otro un “significado” en una relación absoluta de franqueza y simplicidad. Hay que agregar que la relación sujeto-predicado también está ausente de algunas expresiones verbales (por ejemplo, de algunas órdenes militares), pero lo importante es que las señales qua señales nunca son capaces de expresar esta relación.
Todas las relaciones a las que me referí hasta aquí están o pueden estar conectadas con elementos emocionales. Así, las nubes pueden asociarse a sentimientos de alegría o aprehensión y miedo, una pintura o fotografía pueden generar una variedad de sentimientos de diferente intensidad y color y lo mismo puede decirse de las señales y los símbolos. Las emociones son factores muy importantes en todas las referencias simbólicas, pero quedan fuera del alcance de este artículo, cuyo objeto es el aspecto intelectual del signo lingüístico, excepto que son términos de la relación signo/cosa significada.
Al separar símbolos y señales de los síntomas y otros signos no comunicativos también estamos dando un significado más restrictivo a la relación "stat pro". Tanto los símbolos como las señales sirven para comunicar algo-cosa y deben elegirse ya sea por alguna de las propiedades que pertenecen a la cosa significada o, en el caso de las señales, de otras entidades que cumplen con las necesidades fisiológicas o psicológicas de los que van a aceptarlas como tales. Entre algunos lingüistas eminentes, como E. Benveniste, E. Lerch, Ch. Bally y H. Frey, E. Buyssens y W. Borgeaud, se produjo una discusión sobre si el signo lingüístico es arbitrario, como sostenía F. de Saussure, o estrictamente determinado, como intentó demostrar Benveniste, pero no se llegó a una solución para este problema, principalmente debido al hecho de que cada uno de estos pensadores enfatizó solo un aspecto de la cuestión, sin considerarla en su profundidad lógica. Como se indicó anteriormente, la elección del signo comunicativo no es arbitraria, puesto que debe realizarse a partir de una cantidad de elementos que concuerden, es decir, desde las entidades más eficientes (expresivas), claras y simples, para la función en cuestión. Esta es una ley universal que se verifica también en el proceso de las entidades lingüisticas que se resignifican en el desarrollo histórico de una lengua. Su resultado es que sólo los elementos eficientes de la lengua tienen posibilidades de sobrevivir. Por otra parte, hay que señalar que la relación comunicativa stat pro no está constituida por ninguna otra entidad física u otras entidades del signo, sino solamente por el hecho de este que entra en una relación stat pro. Únicamente por su participación en ella la entidad se convierte en un signo y puede tener un desarrollo histórico distinto que el tendría como no signo. En este sentido, el signo es arbitrario, es decir, sirve para transmitir cualquier significado. La arbitrariedad del signo lingüístico está en acuerdo perfecto con el hecho de que el sonido y otros cambios en el desarrollo histórico de una lengua no deben depender del significado de las cosas, ni tampoco los cambios en el significado de las cosas deben reflejarse en los de los signos4.
Antes de entrar en la siguiente discusión sobre el signo lingüistico, tendremos que establecer que todas las relaciones stat pro mencionadas anteriormente son asimétricas, puesto que "A stat pro B" no es equivalente a "B stat pro A". Si un mantón significa peligro, el peligro no significa un mantón. Es interesante señalar en relación con esta conexión, que A.N. Whitehead, el reconocido filósofo y científico inglés, admitió la posibilidad de que el signo tuviera un modo simétrico. No vamos a seguir la serie de pensamientos filosóficos de Whitehead y nos contentaremos con la simple afirmación de que el modo asimétrico permite que sea posible el acto de la comunicación intersubjetiva.
Si sostenemos que la relación asimétrica stat pro se aplica tanto a los signos de grado bajo como a los signos lingüísticos, debemos preguntarnos cuál es la característica específica de estos últimos. La solución a este problema está vinculada a lo que dijimos al comienzo de esta discusión. A diferencia de los signos de grado bajo, la lengua es un sistema de niveles múltiples complicado de al menos cuatro planos (o niveles) que siguen un ordenamiento jerárquico. Así, las palabras como signos componentes del plano morfológico valen por la unidad superior, la oración, cuyo significado total trasciende el de las palabras particulares. Esta es una unidad regida y regulada por una cantidad de categorías especiales y cadenas semánticas bastante diferentes de las de las palabras qua palabras, que la ejecutan. Al mismo tiempo, sin embargo, las oraciones son realizadoras de los enunciados realmente emitidos por un individuo a otro individuo, es decir, sirven como signos para el nivel lingüístico del enunciado. Las interrelaciones de los planos lingüísticos pueden expresarse a través de formulas lógicas: P(alabra) stat pro O(ración), O stat pro E(nunciado), y E slat pro Ex (estado o evento extralingüístico). Hay que considerar que la relación stat pro es una relación transitiva, porque si P vale por O y O vale por E, también es verdadero que P vale por E, P vale por O y O vale por Ex. Asimismo, las unidades del nivel fonémico de la lengua, que son realizadoras de las palabras, entran en este tipo de relaciones.
Los lingüistas que consideran que los fonemas son los únicos realizadores de la realidad extralingüística y tienden a comparar la lengua con una hoja de papel, pueden subvalorar o ignorar la organización de niveles múltiples de la lengua, dado que la idea se considera el frente de la página y el sonido el reverso, como si los sistemas lingüísticos fuesen señales y símbolos. Justamente, la confusión el nivel morfológico de oposiciones con categorías sintácticas llevó a muchos filólogos a varios errores, por ejemplo, al punto de vista falso de que el francés posee el mismo sistema de casos que el latín. Por cierto, la diferencia entre los niveles morfológico y sintáctico de la lengua puede volverse menos nítido en las denominadas lenguas analíticas, que tienen sistemas de oposiciones morfológicas mucho más sencillos que el latín y otras lenguas "sintéticas". Pero incluso en este caso el nivel de la oración debe considerarse distinto del de las oposiciones morfológicas, si se ha de crear una base confiable para estudios comparativos de las lenguas. La segmentación de las palabras en el nivel sintáctico no puede hacerse nunca en términos de palabras o "formas" que lo ejecutan y, a la inversa, las palabras qua palabras y sus agrupamientos no pueden considerarse de manera idéntica que las oraciones. Tampoco el nivel oracional puede mezclarse con el de los enunciados que representan el plano superior de la lengua. Una persona que quiera comunicar algo a alguien usa su enunciado a través de oraciones (cuya construcción está regida por reglas sintácticas diferentes en cada lengua) y, al hacerlo, las eleva al nivel suprasintáctico de los enunciados, del que dependen las categorías sintácticas. No podemos extendernos sobre los principios de este análisis en este artículo, pero podría establecerse que la categoría más importante del nivel del enunciado de una lengua está constituida por el tema y el núcleo. Un ejemplo bastará para ilustrar qué queremos decir. Si digo my brother is ill (mi hermano está enfermo) a mi amigo que sabe que tengo un hermano, el tema de mi enunciado es my brother y su núcleo, a través del cual se comunica algo nuevo al oyente, es ill. En este enunciado, el tema coincide con el sujeto sintáctico, es decir, el tema de mi enunciado está ejecutado por el sujeto sintáctico y el núcleo es el predicado sintáctico. Si el mismo enunciado está dirigido a una persona a la que ya se le ha informado que un miembro de mi familia se ha enfermado, el tema está expresado por el predicado sintáctico y el núcleo, por el sujeto. Este ejemplo simple sirve para mostrar que el nivel del enunciado de la lengua, en el que deben considerarse tanto el hablante como el oyente y tanto la situación contextual como extralingüística, tiene que analizarse en términos de unidades especificas, que no son las mismas que las unidades de la sintaxis. Los estudios comparativos extensivos realizados por V. Mathesius y recientemente continuados por J. Firbas 5 en este amplio campo de investigación han mostrado una cantidad de puntos importantes de diferencias entre las lenguas, especialmente entre el inglés y el checo y esperamos que investigaciones ulteriores proporcionarán nuevos resultados interesantes. Hay que mencionar que el primer lingüista que consideró los problemas del enunciado fue Hans Georg von der Gabelentz (1840-1893), pero la distinción que realizaba entre sujeto gramatical y psicológico se basaba en tendencias psicológicas antiguas y concepciones de los neogramáticos.
Como ya dijimos en este trabajo, la realidad estructural de la lengua no puede captarse cuando se la divide en la imagen acústica ("significante") y el significado ("significado"), sin otorgar la debida consideración a los cuatro niveles de las relaciones lingüísticas. Su cooperación es indispensable para el habla normal (no patológica) de los seres humanos, ya que ningún plano otorga sentido sin el resto. Cada uno de estos sistemas de signos integrados tiene sus propias unidades y reglas de organización, de manera que cuentan con cierta autonomía dentro del sistema completo de la lengua. En tanto que los niveles superiores imponen sus categorías a los inferiores, dejan que estos últimos elijan por entero recursos efectivos. Cada uno de ellos se presenta a sí mismo como un subsistema, cuyas unidades pueden citarse en cualquier orden y como una subestructura que las organiza en el eje horizontal. En este sentido, cada una de las cuatro partes del análisis lingüístico, o sea: fonología, morfología, sintaxis y suprasintaxis (análisis del enunciado), se divide en el análisis paradigmático, relacionado con el inventario de sus respectivas unidades y su ejecución por parte de elementos del plano inferior y en el análisis sintagmático, relacionado con las cadenas de secuencias y las reglas de organización6. Hay que señalar que la morfología sintagmática, que se ocupa de las reglas de las cadenas de secuencias de palabras, es diferente de la sintaxis que, a su vez, es paradigmatica si refiere a las oposiciones sintácticas o sintagmática si su objeto son las cadenas sintácticas de oraciones y sus rasgos sintácticos. Como resultado, podemos afirmar que las unidades de un plano no solo forman cadenas secuenciales, sino que, al ser signos (realizaciones, ejecuciones) de unidades de orden superior, están integradas a ellas y asumen ciertas cualidades que transcienden las características de la mera suma de unidades.
Al incorporar el enunciado a los niveles lingüísticos, hemos dejado de seguir la teoría de F. de Saussure en lo que concierne a su dicotomía entre lengua y habla. De acuerdo con lo que leemos en su "Curso de lingüística general", publicado de manera póstuma, inferimos que consideraba que la "lengua" era una institución social o un código objetivo y sistema homogéneo de signos, en tanto que describe el "habla" como un acto individual accesorio o un rasgo más o menos accidental, pero todas estas características son extremadamente ambiguas y conducen a una variedad de interpretaciones. La búsqueda de un universo ordenado por leyes en la diversidad de los fenómenos es un objetivo legítimo de toda ciencia, pero no hay que dejar de tener en cuenta que el resultado de nuestros descubrimientos no puede proyectarse, por decirlo de algún modo, al mundo de los fenómenos y crear una falsa dicotomía de un cuerpo de fenómenos versus sus leyes, descubiertas (o a ser descubiertas) por los investigadores. Las teorías que conllevan este procedimiento siempre pueden conducir a concepciones erróneas y no logar responder a las altas expectativas que han despertado. En el campo de la lingüistica, la dicotomía entre "lengua" y "habla" llevó a Saussure a fallar en la comprensión de los cambios lingüísticos como eventos estructurales, con el resultado de que concibió el desarrollo histórico del lenguaje como una suma aislada de desviaciones originadas en el "habla".
Notas
1 A. N. WIHITEHEAD sostiene en Symbolism, Its Meaning and Effect, Cambridge 1928, p. 9: "La mente humana funciona simbólicamente cuando algunos componentes de su experiencia elicitan conciencia, creencias, emociones y usos, respetando otros componentes de su experiencia." El primer conjunto de componentes son 'símbolos' y el segundo conjunto constituye el 'significado' de los símbolos. El funcionamiento orgánico por el cual existe una transición del símbolo al significado se denominará 'referencia simbólica'.
2 Cf. K. BÜHLER, Axiomatik der Spraclwissenschaft, Kaní-Studien, XXXVIII, y Sprachtheorie, Jena 1934; N. S. TRUBETZKOY, Grundzüge der Phonologie, TCLP 7, 1939, pp. 17-24.
3Es digno de mención el hecho de que los símbolos consisten en rasgos relevantes e irrelevantes. En el ejemplo anterior el mantón puede tener diferentes anchos y matices de verde, blanco y rojo, pero esas propiedades concretas no pertenecen al mantón qua signo comunicativo. El único rasgo relevante es la oposición de los tres colores.
4 LA CONCEPCIÓN DE LA CORRELACIÓN ENTRE LENGUA Y CULTURA DE BENJAMIN LEE WHORF NO ES LO SUFICIENTEMENTE ADECUADA Como dice A. L. Kroeber correctamente, el lenguaje es un ejemplo de la cultura, pero no su matriz. En este caso, debemos observar congruencias, pero no determinismos.Sin duda, todo el conocimiento que adquirimos nos llega únicamente a través del lenguaje.
5 Cf. V. MATHESIUS, Ze srovnávacích studií slovosledných [Comparative Studies of Word Order], CMF 28, 1942, pp. 181—190 y 302—307; TAMBIÉN, O tak zvaném aktuálním clenéní vétném [On the so-called Functional Sentence Analysis], SaS 5, 1939, pp. 171-174. — J. FIRBAS, Poznámky k problemático anglického slovního porádku s hlediska aktuálního clenéní vétného [Some Notes on the Problem of English Word Order from the Point of View of Actual Sentence Analysis]. SPFFBU A4, 1956, pp. 93-107. TAMBIÉN, Some Thoughts on the Function of Word Order in Oíd English and Modern English, Ib. A 5, 1957, pp. 72—100. Y Thoughts on the Communicative Function of the Verb in English, German and Czech, ESE, 1, 1959, pp. 39 to 63, etc.
* Hay que mencionar que incluso señales de nivel único pueden analizarse en términos de sintagma y paradigma.
| English to Spanish: Body reports recommendations (fragment)
General field: Medical
Detailed field: Medical: Health Care | Source text - English
Heart disease and diabetes are for old people, right? Not anymore. Recently, more and more teenagers have been developing these serious health conditions. This is a big deal because heart disease and diabetes can shorten your life by over 20 years!
We created The BODY Project to help you take control of your health. Our goal is to tell you about your risk for heart disease and diabetes and how to be healthier.
Heart Disease
High blood pressure and cholesterol are the most important factors that can lead to heart disease.
Blood pressure is how hard your heart has to work to move your blood through your body. When the doctor takes your blood pressure you get two numbers. If either of these numbers is too high that means your blood vessels and other organs in your body can be damaged over time. Having high blood pressure puts you at risk for a future stroke or heart attack.
Cholesterol is a kind of fat that everyone has in their blood. You need it to build new cells, make vitamin D and to help digest fat. Your body actually makes all the cholesterol it needs, but you also get cholesterol from foods you eat, like meat, eggs, milk and cheese. There are 2 different kinds of cholesterol: LDL cholesterol (with an L for “lousy”) and HDL cholesterol (with an H for “healthy”). When there is too much LDL in your blood, it can clog your arteries, which can cause heart attacks and strokes. HDL helps clear away the clogs created by LDL, so you want your healthy cholesterol (HDL) to be as high as possible.
Diabetes
You may have relatives or know people who have diabetes, or high blood sugar. If you do, you probably know that it is very serious and you don’t want to get it! But what exactly is diabetes? Diabetes is when your blood sugar is too high. When you eat, your body turns some of the food into glucose, or blood sugar. An organ near you stomach, called the pancreas, makes insulin. The insulin moves the glucose out of your blood so your body can use it for energy. If your body becomes resistant to the insulin it makes, which happens in diabetes, you get high blood sugar, and this is bad for your body in many ways.
There are two kinds of diabetes. Type 1 Diabetes is when the person’s pancreas makes no insulin at all and the person needs insulin shots. Type 2 Diabetes is when the body makes insulin, but it doesn’t work right. People with Type 2 Diabetes usually have to take pills to control their blood sugar, but they may also need insulin shots. People are more likely to get Type 2 Diabetes if they don’t get enough physical activity, if they are overweight and if they have family members who have diabetes.
Before a person gets Type 2 Diabetes they get Pre-Diabetes or Insulin Resistance. When a person’s blood test shows an insulin number higher than 20, this means that their body has to make more insulin to keep the blood sugar normal. After a while, their pancreas can’t make enough insulin to keep blood sugar levels normal and they will get Type 2 Diabetes. More and more teenagers have been developing Pre-Diabetes and Type 2 Diabetes, so it’s important to find out early to act before damage is done.
Body Mass Index (BMI)
Doctors use the Body Mass Index (BMI) formula to see if your weight is in the healthy range for your height. You can go onto the internet and use an automatic calculator to figure out your BMI at: http://apps.nccd.cdc.gov/dnpabmi/Calculator.aspx
For adults, BMI categories are:
BMI Category
Below 18.5 Underweight
18.5 to 24.9 Healthy Weight
25 to 29.9 Overweight
30 or Higher Obese
For young people like yourself, the categories can vary a little because you’re not finished growing, but generally they are the same as for adults. One thing about BMI, however, is that it doesn’t take into consideration the fact that muscle weighs more than fat. So a very muscular person, like a body builder, might have a BMI in the obese category, but that’s because they have more muscle and it weighs more.
Five Easy Ways to Take Control of Your Health:
Physical Activity
The best thing that you can do for your overall health right now is to move more. This can be as simple as taking the stairs more often and walking places where you would normally ride. Try getting off the bus or subway a stop or two early and walking the rest of the way. Lack of physical activity is one of the main causes of diabetes and heart disease in young people. Moving more will help you keep a healthy weight, and it will make your heart stronger and give your brain a boost.
Drink Water Instead of Soda or Juice
When you’re thirsty, nothing does the trick like plain old water. Did you know that New York City’s tap water is among the best in the world? You don’t need to buy bottled water to get the benefits - high-quality, tasty water is as close as the nearest sink or water fountain. Not only is water free and thirst-quenching but it doesn’t have any calories. Soda and juice have a lot of calories in them and they can add up fast, and diet sodas are full of chemicals your body doesn’t need. So get in the habit of reaching for water whenever you need a drink.
Eat More Fruits and Vegetables
You know what the bad foods are. Try to stay away from them as much as possible. Instead of going on a diet, just try adding more fresh fruits and vegetables to what you eat. Eating more fruits and vegetables will give you important nutrients that your body needs. Plus, you’ll wind up eating less of the unhealthy foods because you’ll feel fuller and more satisfied. Try to do it gradually - one week just try eating one more piece of fresh fruit or a green salad per day. Then increase it to 2 pieces and then 3.
Don’t Eat Foods with Trans Fats
You may have heard about trans fats in the news - these are fats in foods that have been chemically changed to last longer without spoiling and to make foods taste a certain way. Unfortunately, these trans fats are terrible for your body and can lower your healthy cholesterol. The good news is that trans fats have been banned from restaurants in New York City and food labels now usually tell you if they contain trans fats so that you can avoid them. Read your food labels! If the label says that it contains “partially hydrogenated” anything – put it back!
Don’t Smoke
Smoking increases your risk for heart disease a lot. You probably have heard that smoking can cause cancer, but smoking also decreases your healthy cholesterol (HDL) levels. You know that smoking is bad for you, and you probably have heard how hard it is to quit after you start, so don’t start! If you do smoke, the more times you try to quit the more likely you are to succeed.
| Translation - Spanish
¿Así que las enfermedades cardíacas y la diabetes son asuntos de la gente grande? Ya nadie cree esto. Desde hace un tiempo, cada vez más adolescentes tienen estas enfermedades graves. ¡Y esto es algo serio! Las enfermedades cardíacas y la diabetes pueden acortar unos veinte años la vida de la gente.
Hemos creado el Proyecto del Cuerpo para ayudarte a que tomes el control de tu salud. Nuestro objetivo consiste en explicarte los riesgos de las enfermedades cardíacas y la diabetes y en decirte cómo estar más sano.
Enfermedades cardíacas
Los principales factores que provocan las enfermedades cardíacas son la presión arterial y el colesterol altos.
La presión arterial refleja la fuerza que tiene que hacer el corazón para que la sangre se mueva a través del cuerpo. Cuando el doctor mide la presión arterial, da dos números. Si alguno de estos números es demasiado alto, eso significa que los vasos sanguíneos y otros órganos del cuerpo pueden resultar dañados con el paso del tiempo. Cuando uno tiene alta presión, corre el riego de sufrir un stroke o un infarto cardíaco en el futuro.
El colesterol es un tipo de grasa que todo el mundo tiene en la sangre. Es necesario para construir nuevas células, producir vitamina D y ayudar a digerir las grasas. En realidad, el cuerpo produce todo el colesterol que necesita, pero uno suma colesterol con algunas comidas, como la carne, los huevos, la leche y el queso. Hay dos tipos distintos de colesterol: el colesterol LDL (el colesterol malo, –con una L para lousy, pésimo en inglés) y el colesterol HDL (el colesterol bueno, - con una H para healthy, sano en inglés). Cuando hay demasiado colesterol LDL en la sangre, las arterias pueden obstruirse y esto puede causar infartos cardíacos y strokes. El colesterol HDL ayuda a eliminar las obstrucciones creadas por el colesterol LDL, de manera que lo mejor es que el colesterol bueno (HDL) sea lo más alto posible.
Diabetes
Quizás tengas parientes o conozcas a gente que tenga diabetes o azúcar alta en la sangre. Si es así, probablemente sepas que es algo muy grave y por supuesto que no quieres que te suceda a ti. Pero, ¿en qué consiste exactamente la diabetes? Hay diabetes cuando el azúcar en la sangre es demasiado alto. Cuando uno come, el cuerpo convierte parte de la comida en glucosa o azúcar en la sangre. Un órgano situado cerca del estómago, llamado páncreas, produce la insulina. La insulina saca a la glucosa de la sangre para que el cuerpo pueda usarla como energía. Si el cuerpo se vuelve resistente a la insulina que produce, que es lo que sucede en el caso de la diabetes, la persona tiene azúcar alta en la sangre. Esto es malo para el cuerpo por muchas razones.
Hay dos tipos de diabetes. La diabetes Tipo 1 es cuando el páncreas de la persona directamente no produce insulina y entonces ésta necesita recibir inyecciones de insulina. La diabetes Tipo 2 es cuando el cuerpo fabrica insulina, pero ésta no funciona correctamente. La gente con diabetes Tipo 2 en general toma comprimidos para controlar el azúcar en la sangre, pero también puede necesitar inyecciones de insulina. La probabilidad de desarrollar la diabetes Tipo 2 es mayor cuando no se hace suficiente actividad física, se tiene sobrepeso y hay diabéticos en la familia.
Antes de que la gente llegue a tener diabetes Tipo 2, sufren pre-diabetes o resistencia a la insulina. Cuando un análisis de sangre muestra que la insulina es mayor a 20, significa que el cuerpo de esa persona tiene que producir más insulina para mantener normal el azúcar en la sangre. Después de un tiempo, el páncreas no puede producir suficiente insulina como para mantener normales los niveles de azúcar en la sangre y entonces la persona desarrolla diabetes Tipo 2. Cada vez más adolescentes desarrollan pre-diabetes y diabetes Tipo 2, así que es importante descubrirlo lo más temprano posible, para actuar antes de que se haya producido el daño.
Índice de masa corporal (BMI, según sus siglas en inglés)
El Índice de masa corporal (BMI) es una fórmula que usan los médicos para ver si el peso de una persona, en relación con su altura, se encuentra dentro de un rango saludable. En Internet hay un calculador automático para averiguar el BMI: http://apps.nccd.cdc.gov/dnpabmi/Calculator.aspx
Los valores de referencia del BMI para los adultos son los siguientes:
Valor de referencia del BMI
Por debajo de 18,5: bajo peso
De 18,5 a 24,9: peso saludable
De 25 a 29,9: sobrepeso
30 o más: obesidad
Los jóvenes de tu edad, que todavía no han terminado de crecer, pueden tener un índice que varíe un poco, pero, en general, es el mismo que en los adultos. Sin embargo, hay algo que el BMI no toma en cuenta: que los músculos pesan más que la grasa. Así que la gente muy musculosa, como los físicoculturistas, pueden tener un BMI de la categoría de obeso, pero es porque tienen mayor masa muscular y ésta pesa más.
Cinco maneras fáciles para tomar el control de tu salud:
Actividad física
Lo mejor que puedes hacer ya mismo para tener una mejor salud es moverte más. Es muy sencillo: basta con subir más a menudo por las escaleras y con ir caminando a los lugares a los que habitualmente vas en algún vehículo. Trata de descender del autobús o del metro una o dos paradas antes y haz caminando el resto del trayecto. La falta de actividad física es una de las causas principales de diabetes y de enfermedades cardíacas en la gente joven. Moverse más te ayudará a mantenerte en un peso saludable, tu corazón será más fuerte y tu mente funcionará mejor.
Beber agua en lugar de sodas o jugos
Cuando tienes sed, no hay nada mejor que el agua común y corriente. ¿Sabías que el agua corriente de la ciudad de New York es de las mejores del mundo? No es necesario comprar agua embotellada para obtener sus beneficios (alta calidad), el agua sabrosa está tan cerca como un lavabo o un surtidor. El agua no sólo es gratis y aplaca la sed, sino que no tiene calorías. Las sodas y los jugos tienen muchas calorías, que pueden sumarse rápidamente y las sodas dietéticas están llenas de productos químicos que tu cuerpo no necesita. Así que acostúmbrate a tomar agua cuando necesites beber.
Come más frutas y verduras
Ya sabes cuáles son las comidas malas. Trata de mantenerte apartado de ellas tanto como puedas. En lugar de hacer dieta, sólo intenta agregar más frutas y verduras frescas a lo que comes. Al comer más frutas y verduras recibirás importantes nutrientes que tu cuerpo necesita. Además, terminarás por comer menos comida no saludable, porque te sentirás más saciado y satisfecho. Trata de hacerlo gradualmente: la primera semana, intenta sólo comer uno o varios trozos de fruta fresca o una ensalada verde por día. Luego, aumenta a dos y luego, a tres.
No comas alimentos con grasas trans
Seguramente oíste hablar de las grasas trans en los noticiarios. Se trata de grasas que están en los alimentos que han sido modificados químicamente para durar más sin arruinarse y para que las comidas tengan un determinado sabor. Lamentablemente, estas grasas trans son muy malas para el cuerpo y pueden hacer descender el colesterol bueno. La buena noticia es que en los restaurantes de New York se han eliminado las grasas trans y que actualmente las etiquetas de los alimentos en general dicen si contienen grasas trans que hay que evitar. ¡Lee las etiquetas de los alimentos! Si la etiqueta dice que contiene algo “parcialmente hidrogenado”, déjalo de lado.
¡No fumes!
Fumar aumenta mucho el riesgo de tener una enfermedad cardíaca. Probablemente hayas escuchado que fumar provoca cáncer pero, además, fumar también hace que disminuyan los niveles de colesterol bueno (HDL). Ya sabes que fumar no es bueno y quizás hayas escuchado qué difícil es dejarlo una vez que has comenzado a fumar, así que ¡no empieces! Si fumas, cuantas más veces intentes dejarlo, más probabilidades tienes de lograrlo.
|
More Less | PhD - Universidad de Buenos Aires | | Years of translation experience: 24. Registered at ProZ.com: Jul 2006. Became a member: Dec 2006. | | N/A | Spanish (Doctora en Letras, verified)
French to Spanish (Argentina, Alliance Française)
| | N/A | | Adobe Acrobat, Adobe Photoshop, Microsoft Excel, Microsoft Word, Dt Search, Powerpoint, SDL TRADOS | | http://www.hmtraducciones.com | | French (PDF), English (PDF), Spanish (PDF) | | SDL Trados Studio 2009 Getting Started for Translators | | Paula Mahler endorses ProZ.com's Professional Guidelines (v1.0). | About me Translation continues to be a highly specialized and dedicated work. Twenty years of experience in the market, a strong academic training and the deep knowledge of writing and translation of scientific literature ensure the top quality of my translations.
| This user has earned KudoZ points by helping other translators with PRO-level terms. Click point total(s) to see term translations provided.
|
|
Keywords: linguistics, biochemistry, biology, biotechnology, medicine, psychoanalysis, social sciences, environment, editing and proofreading
 This profile has received 64 visits in the last month,
from a total of 29 visitors
Profile last updated
Sep 8, 2011
| | | | X Sign in to your ProZ.com account... | | | | |
|
|
| | |
The translation workplace 
