“OECD Better Life Index”

Juan Carlos García Guardeño (garguar2@alumni.uv.es)

---

Trabajo elaborado para la asignatura “Programación y manejo de datos en la era del Big Data” de la Universitat de València durante el curso 2020-2021. El repo del trabajo está aquí. La página web de la asignatura y los trabajos de mis compañeros pueden verse aquí.

---

1. Introducción

Si preguntaramos a cualquier persona “entendida” en economía sobre como poder determinar el nivel de desarrollo de los países, nos remitiría casi con total seguridad al PIB de cada uno de éstos. Podemos definir el PIB per capita como la relación entre el valor total de todos los bienes y servicios finales generados durante un año por la economía de una nación o estado y el número de sus habitantes en ese año¹. Este instrumento ha sido, durante décadas, el más utilizado por los economistas para estudiar la evolución económica de los países.

¿Pero es capaz de medir el PIB per cápita, por si solo, el grado de desarrollo de un país y el bienestar de sus habitantes? Hoy en día existe un consenso entre los principales economistas (Joseph Stiglitz, Amartya Sen, Jean-Paul Fitoss, etc.) sobre la poca fiabilidad del PIB como indicador único para medir el progreso económico y social de una nación.

El Índice para una Vida Mejor (en inglés, Better Life Index, o BLI) es un índice económico-social creado por la OCDE en 2011. Este índice permite a las personas comparar el nivel de desarrollo de los países que integran la OCDE a través de 11 criterios considerados como esenciales para el bienestar de la población.

Esta iniciativa se apoya en el informe de la Comisión Stiglitz-Sen-Fitoussi sobre la medición del rendimiento económico y del progreso social. Si alguien está interesado en saber las principales recomendaciones del informe puede verlas aquí.

El Índice, como hemos dicho anteriormente, comprende los 34 países miembros de la Organización para la Cooperación y el Desarrollo Económicos (OCDE) –la cual reúne a la mayoría de las economías desarrolladas del mundo y varias economías emergentes–, y algunos más.

En este trabajo vamos a reducir el círculo de países que integran este índice, a los países europeos que son miembros de la OCDE para que las gráficas sea más simples y podamos observar mejor los datos. Compararemos el nivel de ingresos de los ciudadanos de los países con otros indicadores (educación, nivel de empleo,satisfacción ante la vida,…etc.) de este índice para ver si existe una relación econónomica entre ellos, es decir, si aquellos países más ricos, tienen mayores niveles de bienestar social y económico.

2. Datos

Obtener los datos es una tarea relativamente sencilla. Accediendo a la página web del proyecto betterlifeindex, se puede descargar fácilmente los datos, entrando en la sección descarga los datos del índice.

#Cargo los paquetes
library(tidyverse)
library(klippy)  
library(knitr)
library(tibble)
library(ggthemes)
library(ggplot2)
library(dplyr)
library(patchwork)
library(ggrepel)
library(sf)
library(ggspatial)
library(rnaturalearth)
library(rnaturalearthdata)
library(pjpv2020.01)
library(plotly)
library(gganimate)
library (gifski)
library(gt)
library(kableExtra)
library(DT)
library(rio)
library(leaflet) 
library(leafem)
library(formattable)
library(lubridate)
library(echarts4r)

#Cargo los datos previamente descargados de la página de la OCDE
df <- rio::import("./datos/calidadvida2.xlsx")

#Fijo los nombres de las columnas
names(df)[1] <- "Paises"
names(df)[2] <- "Vivienda_sin_instalaciones_basicas"
names(df)[3] <- "Gasto_en_vivienda"
names(df)[4] <- "Habitaciones_por_persona"
names(df)[5] <- "Ingreso_familiar_disponible"
names(df)[6] <- "Patrimonio_familia"
names(df)[7] <- "Inseguridad_en_empleo"
names(df)[8] <- "Tasa_empleo"
names(df)[9] <- "Tasa_empleo_LP"
names(df)[10] <- "Ingresos_personales"
names(df)[11] <- "Calidad_apoyo_social"
names(df)[12] <- "Nivel_educacion"
names(df)[13] <- "Habilidades_de_estudiantes"
names(df)[14] <- "Años_de_educación"
names(df)[15] <- "Contaminacion_aire"
names(df)[16] <- "Calidad_agua"
names(df)[17] <- "Participacion_regulaciones"
names(df)[18] <- "Participacion_electoral"
names(df)[19] <- "Esperanza_vida"
names(df)[20] <- "Salud"
names(df)[21] <- "Satisfaccion_vida"
names(df)[22] <- "Seguridad_caminar_solos_noche"
names(df)[23] <- "Tasa_homicidios"
names(df)[24] <- "Empleados_trabajan_muchas"
names(df)[25] <- "Tiempo_ocio"

#Elimino los países que no son de la OCDE y la primera columna porque ya no los necesito.
df1 <- df %>% slice(2:39)

#Compruebo la estructura de datos de mi tabla para ver si son datos númericos y puedo trabajar con ellos
str(df1)
#> 'data.frame':    38 obs. of  25 variables:
#>  $ Paises                            : chr  "Australia" "Austria" "Belgium" "Canada" ...
#>  $ Vivienda_sin_instalaciones_basicas: chr  ".." "0.9" "1.9" "0.2" ...
#>  $ Gasto_en_vivienda                 : chr  "20" "21" "21" "22" ...
#>  $ Habitaciones_por_persona          : chr  ".." "1.6" "2.2000000000000002" "2.6" ...
#>  $ Ingreso_familiar_disponible       : chr  "32759" "33541" "30364" "30854" ...
#>  $ Patrimonio_familia                : chr  "427064" "308325" "386006" "423849" ...
#>  $ Inseguridad_en_empleo             : chr  "5.4" "3.5" "3.7" "6" ...
#>  $ Tasa_empleo                       : chr  "73" "72" "63" "73" ...
#>  $ Tasa_empleo_LP                    : chr  "1.31" "1.84" "3.54" "0.77" ...
#>  $ Ingresos_personales               : chr  "49126" "50349" "49675" "47622" ...
#>  $ Calidad_apoyo_social              : chr  "95" "92" "91" "93" ...
#>  $ Nivel_educacion                   : chr  "81" "85" "77" "91" ...
#>  $ Habilidades_de_estudiantes        : chr  "502" "492" "503" "523" ...
#>  $ Años_de_educación                 : chr  "21" "17" "19.3" "17.3" ...
#>  $ Contaminacion_aire                : chr  "5" "16" "15" "7" ...
#>  $ Calidad_agua                      : chr  "93" "92" "84" "91" ...
#>  $ Participacion_regulaciones        : chr  "2.7" "1.3" "2" "2.9" ...
#>  $ Participacion_electoral           : chr  "91" "80" "89" "68" ...
#>  $ Esperanza_vida                    : chr  "82.5" "81.7" "81.5" "81.900000000000006" ...
#>  $ Salud                             : chr  "85" "70" "74" "88" ...
#>  $ Satisfaccion_vida                 : chr  "7.3" "7.1" "6.9" "7.4" ...
#>  $ Seguridad_caminar_solos_noche     : chr  "63.5" "80.599999999999994" "70.099999999999994" "82.2" ...
#>  $ Tasa_homicidios                   : chr  "1.1000000000000001" "0.5" "1" "1.3" ...
#>  $ Empleados_trabajan_muchas         : chr  "13.04" "6.66" "4.75" "3.69" ...
#>  $ Tiempo_ocio                       : chr  "14.35" "14.55" "15.7" "14.56" ...

#Transformo los datos (a datos numéricos) para poder trabajar con ellos.
#Da warnings porque la tabla no contiene algunos datos para algunos países. Quiere decir que donde
#haya datos, pondrá NA´s.
df2 <- df1 %>% mutate(Vivienda_sin_instalaciones_basicas = as.numeric(Vivienda_sin_instalaciones_basicas))
df3 <- df2 %>% mutate(Gasto_en_vivienda = as.numeric(Gasto_en_vivienda))
df4 <- df3 %>% mutate(Habitaciones_por_persona = as.numeric(Habitaciones_por_persona))
df5 <- df4 %>% mutate(Ingreso_familiar_disponible = as.numeric(Ingreso_familiar_disponible))
df6 <- df5 %>% mutate(Patrimonio_familia = as.numeric(Patrimonio_familia))
df7 <- df6 %>% mutate(Inseguridad_en_empleo = as.numeric(Inseguridad_en_empleo))
df8 <- df7 %>% mutate(Tasa_empleo = as.numeric(Tasa_empleo))
df9 <- df8 %>% mutate(Nivel_educacion = as.numeric(Nivel_educacion))
df10 <- df9 %>% mutate(Habilidades_de_estudiantes = as.numeric(Habilidades_de_estudiantes))
df11 <- df10 %>% mutate(Años_de_educación = as.numeric(Años_de_educación))
df12 <- df11 %>% mutate(Contaminacion_aire = as.numeric(Contaminacion_aire))
df13 <- df12 %>% mutate(Calidad_agua = as.numeric(Calidad_agua))
df14 <- df13 %>% mutate(Participacion_regulaciones = as.numeric(Participacion_regulaciones))
df15 <- df14 %>% mutate(Participacion_electoral = as.numeric(Participacion_electoral))
df16 <- df15 %>% mutate(Esperanza_vida = as.numeric(Esperanza_vida))
df17 <- df16 %>% mutate(Salud = as.numeric(Salud))
df18 <- df17 %>% mutate(Satisfaccion_vida = as.numeric(Satisfaccion_vida))
df19 <- df18 %>% mutate(Seguridad_caminar_solos_noche = as.numeric(Seguridad_caminar_solos_noche))
df20 <- df19 %>% mutate(Tasa_homicidios = as.numeric(Tasa_homicidios))
df21 <- df20 %>% mutate(Empleados_trabajan_muchas = as.numeric(Empleados_trabajan_muchas))
df22 <- df21 %>% mutate(Tiempo_ocio = as.numeric(Tiempo_ocio))
df23 <- df22 %>% mutate(Tasa_empleo_LP = as.numeric(Tasa_empleo_LP))
df24 <- df23 %>% mutate(Ingresos_personales = as.numeric(Ingresos_personales))
df25 <- df24 %>% mutate(Calidad_apoyo_social = as.numeric(Calidad_apoyo_social))

#Compruebo que todo haya salido bien.
str(df25)
#> 'data.frame':    38 obs. of  25 variables:
#>  $ Paises                            : chr  "Australia" "Austria" "Belgium" "Canada" ...
#>  $ Vivienda_sin_instalaciones_basicas: num  NA 0.9 1.9 0.2 9.4 23.9 0.7 0.5 7 0.5 ...
#>  $ Gasto_en_vivienda                 : num  20 21 21 22 18 17 24 23 17 23 ...
#>  $ Habitaciones_por_persona          : num  NA 1.6 2.2 2.6 1.2 1.2 1.4 1.9 1.6 1.9 ...
#>  $ Ingreso_familiar_disponible       : num  32759 33541 30364 30854 NA ...
#>  $ Patrimonio_familia                : num  427064 308325 386006 423849 100967 ...
#>  $ Inseguridad_en_empleo             : num  5.4 3.5 3.7 6 8.7 NA 3.1 4.2 3.8 3.9 ...
#>  $ Tasa_empleo                       : num  73 72 63 73 63 67 74 74 74 70 ...
#>  $ Tasa_empleo_LP                    : num  1.31 1.84 3.54 0.77 NA 0.79 1.04 1.31 1.92 2.13 ...
#>  $ Ingresos_personales               : num  49126 50349 49675 47622 25879 ...
#>  $ Calidad_apoyo_social              : num  95 92 91 93 85 89 91 95 92 95 ...
#>  $ Nivel_educacion                   : num  81 85 77 91 65 54 94 81 89 88 ...
#>  $ Habilidades_de_estudiantes        : num  502 492 503 523 443 410 491 504 524 523 ...
#>  $ Años_de_educación                 : num  21 17 19.3 17.3 17.5 14.1 17.9 19.5 17.7 19.8 ...
#>  $ Contaminacion_aire                : num  5 16 15 7 16 10 20 9 8 6 ...
#>  $ Calidad_agua                      : num  93 92 84 91 71 75 87 95 84 95 ...
#>  $ Participacion_regulaciones        : num  2.7 1.3 2 2.9 1.3 1.4 1.6 2 2.7 2.2 ...
#>  $ Participacion_electoral           : num  91 80 89 68 47 53 61 86 64 67 ...
#>  $ Esperanza_vida                    : num  82.5 81.7 81.5 81.9 79.9 76.2 79.1 80.9 77.8 81.5 ...
#>  $ Salud                             : num  85 70 74 88 57 NA 60 71 53 70 ...
#>  $ Satisfaccion_vida                 : num  7.3 7.1 6.9 7.4 6.5 6.3 6.7 7.6 5.7 7.6 ...
#>  $ Seguridad_caminar_solos_noche     : num  63.5 80.6 70.1 82.2 47.9 44.4 72.3 83.5 69 85.1 ...
#>  $ Tasa_homicidios                   : num  1.1 0.5 1 1.3 4.2 24.5 0.5 0.6 3.1 1.3 ...
#>  $ Empleados_trabajan_muchas         : num  13.04 6.66 4.75 3.69 9.72 ...
#>  $ Tiempo_ocio                       : num  14.3 14.6 15.7 14.6 NA ...

#Elimino todos los países que no esten en la UE a excepción de UK y la media de la ODCE que me servirá para comparar.
df_<- df25 %>% filter(Paises %in% c("Austria","Belgium","Bulgaria","Croatia",
                                  "Czech Republic","Denmark","Estonia","Finland","France",
                                  "Germany","Greece","Hungary","Ireland","Italy","Latvia",
                                  "Lithuania","Luxembourg","Netherlands","Poland",
                                  "Portugal","Slovak Republic","Slovenia","Spain",
                                  "Sweden","United Kingdom","Switzerland","OECD - Total"))

#Guardo lo hecho para no tener que volverlo a hacer en cada chuck.
export(df_, "./datos/calidadvida_definitivo.csv")   # comma-separated values

2.1. Procesando los datos

El procesamiento de los datos como tal ha quedado reflejado en el anterior apartado pero me gustaría hacer un breve resumen del mismo aquí:

1. Exportar el archivo descargado de la web.
2. Definir el nombre de las columnas.
3. Selecciono los países pertenecientes a la OCDE como primer filtro.
4. Comprueblo la estructura de los datos para ver si puedo trabajarlos.
5. Al ver que no son númericos, los tengo que transformar.
6. Filtro uno a uno los países objeto del estudio.
7. Para no hacer todo este proceso a menudo, decido importar los datos finales en un archivo que iré cargando en adelante.

Tras todo este largo proceso, mi tabla maestra de datos queda finalizada. En este caso he optado por hacerla interactiva por si alguna persona está interesada en descargar los datos.

3. Estructura de datos del informe.

El Índice para una Vida Mejor analiza 11 variables que la OCDE ha considerado fundamentales para las condiciones de vida de las personas. A su vez dentro de estas variables se analizan distintos indicadores que sirven para evaluar dicha variable en cada uno de los países objeto de este índice.

La estructura de los datos analizados, de forma esquemática, es la siguiente:

1. Vivienda:

• Gasto en Vivienda
• Vivienda con instalaciones básicas
• Habitaciones por persona

2. Ingresos

• Patrimonio familiar netos
• Ingresos familiar disponible

3. Empleo

• Ingresos personales
• Seguridad en el empleo
• Tasa de empleo a LP
• Tasa de empleo

4. Comunidad

• Calidad de apoyo social

5. Educación

• Años de educación
• Competencias de los estudiantes
• Nivel de educación.

6. Medio Ambiente

• Calidad del agua
• Contaminación del aire

7. Compromiso cívico

• Participación electoral
• Participación de los interesados en la elaboración de regulaciones

8. Salud

• Esperanza de vida
• Salud, según las personas

9. Satisfación ante la vida
10. Seguridad

• Tasa de homicidios
• Sentimiento de seguridad al caminar solos por la noche

11. Balance vida-trabajo

• Tiempo destinado al ocio
• Empleados que trabajan muchas horas

4. Índice para una vida mejor.

Pasamos a analizar ahora alguna de las variables representadas en el esquema anterior para los países europeos.

La estructura del análisis será simple y repetida para cada variable analizada. Estudiaremos un indicador (ver esquema anterior) en cada una de ellas y lo relacionaremos con los ingresos personales de cada una de los países. Posteriormente construiremos una tabla, un gráfico,un mapa y el chunk con el lenguaje utilizado.

El objetivo prioritario de este trabajo es comprobar si estas variables están relacionadas directamente con los ingresos. Es decir, los países más ricos siempre tendrán valores más altos en las variables analizadas (gasto en vivienda, bienestar, empleo, …, etc.).

4.1. Vivienda: Gasto en Vivienda

4.1.1. Tabla datos.

La vivienda es un bien de primera necesidad y un derecho fundamental en la mayoría de las sociedades desarrolladas de nuestro entorno. Es una obviedad decir que si el gasto en vivienda es demasiado grande, en función de los ingresos, los individuos que integran una sociedad vivirán peor porque no podrán destinar esos ingresos a otras actividades que le reportarían mayor felicidad.

Si observamos la tabla, los ciudadanos de países como Reino Unido, República Checa, Italia o Grecia, gastan demasiado porcentaje de sus ingresos en vivienda.

Por el otro lado, los ciudadanos de Suecia, Holanda, Estonia y Eslovenia están en una posición mejor, en este indicador, que sus vecinos europeos.

Por lo que respecta a los españoles, podemos decir que nos encontramos muy cerca de la media de la OCDE en lo que respecta al porcentaje de renta que dedicamos a la vivienda.

Paises	Gasto_en_vivienda	Ingresos_personales
United Kingdom	26	43732
Czech Republic	24	25372
Denmark	23	51466
Finland	23	42964
Greece	23	26064
Italy	23	36658
Latvia	23	23683
Slovak Republic	23	24328
Poland	22	27046
Switzerland	22	62283
Austria	21	50349
Belgium	21	49675
France	21	43755
Luxembourg	21	63062
Portugal	21	25367
Spain	21	38507
Germany	20	47585
Ireland	20	47653
OECD - Total	20	43241
Hungary	19	22576
Lithuania	19	24287
Netherlands	19	52877
Sweden	19	42393
Slovenia	18	34933
Estonia	17	24336

4.1.2. Gráfica.

En el análisis gráfico hemos relacionado los ingresos de los ciudadanos de cada país con el porcentaje que gastan en vivienda, con el objetivo de estudiar si hay algún tipo de relación.

Como podemos comprobar visualmente, no la hay.

4.1.3. Mapa.

Si transferimos los datos de la tabla creada en el primer apartado a un mapa, queda de la siguiente manera:

4.1.4. Chunks.

En este apartado se muestran los trozos de código R (chunk) utilizados para hacer la tabla, el gráfico y el mapa. Separándolo de los demás, hace que la lectura del trabajo sea más fácil y amena.

#Así he hecho la tabla

df_ <- rio::import("./datos/calidadvida_definitivo.csv")

dfviv1 <- df_ %>% select(Paises,Gasto_en_vivienda,Ingresos_personales) %>% arrange(desc(Ingresos_personales)) 

dfviv1 <- na.omit(dfviv1)

knitr::kable(dfviv1, format = "html") %>% 
  kableExtra::kable_styling(bootstrap_options = c("striped", "hover"))

#Así he hecho el gráfico

df_ <- rio::import("./datos/calidadvida_definitivo.csv") 

dfviv1 <- df_ %>% select(Paises,Gasto_en_vivienda,Ingresos_personales) 

dfviv1 <- na.omit(dfviv1)

ggplot(dfviv1, aes(Ingresos_personales, Gasto_en_vivienda, label = Paises)) + 
  geom_point() + 
  geom_point(data = filter(dfviv1, Paises == "Spain"), colour = "pink", size = 6)+ 
  geom_point(data = filter(dfviv1, Paises == "OECD - Total"), colour = "violet", size = 6)+
  labs(title = "Relación entre ingresos y gasto en vivienda" ,
       y = "Ingresos personales (en dólares)",
       x = "Gasto en vivienda (en porcentaje)",
       caption = "Fuente OCDE")+
  geom_smooth()+ geom_label_repel()+ theme_minimal()

#Así he hecho el mapa

mapadata_UE<- map_data("world") %>% filter(region %in% c("Austria","Belgium","Bulgaria","Croatia","Cyprus",
                                                         "Czech Republic","Denmark","Estonia","Finland","France",
                                                         "Germany","Greece","Hungary","Ireland","Italy","Latvia",
                                                         "Lithuania","Luxembourg","Malta","Netherlands","Poland",
                                                         "Portugal","Romania","Slovakia","Slovenia","Spain",
                                                         "Sweden","UK","Switzerland","Bosnia and Herzegovina","Serbia","Ukraine","Belarus","Albania","Montenegro","Kosovo","Macedonia","Moldova"))

mapadata_UE_ <- mapadata_UE %>% mutate(region = case_when(
  region == "UK" ~ "United Kingdom",
  TRUE  ~  region ))

mapdata_UE_ <- full_join (mapadata_UE_,dfviv1, by = c("region"="Paises"))

mapaplot <- ggplot(mapdata_UE_, aes(x = long, y = lat, group=group, fill = Gasto_en_vivienda) ) +
  geom_polygon(color ="#ffffff") +
  scale_fill_gradient(low = "#313200",high = "#f7ff00") +
  labs(fill="Gasto_en_vivienda",
       x=NULL,
       y=NULL,
       title="Gasto en vivienda (en porcentaje) en Europa",
       caption="Fuente: OCDE") +
  theme( plot.background = element_rect( fill = "#ffffff"),
         panel.background = element_rect( fill = "cornsilk2", colour = "lavenderblush", size = 0.1 ),
         panel.grid  = element_line( colour ="grey"),
         axis.ticks = element_blank(),
         axis.text = element_blank(),
         plot.title = element_text(hjust = 0.5),
         panel.border = element_rect(fill = NA,colour = "black"),
         legend.background = element_rect( fill = "cornsilk2", colour = "black" ),
         plot.margin = margin(t = 5, r = 5, b = 5,10) )

mapaplot + scale_fill_viridis_c(direction = -1)

4.2.Ingresos:Ing. familiares netos

4.2.1. Tabla datos.

Quizá para muchos individuos el indicador más importante del bienestar de una sociedad son el nivel de ingresos de sus ciudadanos. Pues bien, en este apartado vamos a ver que ciudadanos europeos son los más “afortunados”.

Luxemburgo, Suiza y Alemania lideran este ranking. No hay sorpresas.

Los países del este de Europa (últimos en entrar en la UE) y Grecia están a la cola.

España se encuentra en la mitad de la tabla pero muy distanciado de la media de los países que pertenecen a la OCDE.

Paises	Ingreso_familiar_disponible
Luxembourg	39264
Switzerland	37466
Germany	34294
OECD - Total	33604
Austria	33541
France	31304
Sweden	31287
Belgium	30364
Finland	29943
Denmark	29606
Netherlands	29333
United Kingdom	28715
Italy	26588
Ireland	25310
Spain	23999
Lithuania	21660
Czech Republic	21453
Portugal	21203
Slovenia	20820
Slovak Republic	20474
Poland	19814
Estonia	19697
Greece	17700
Latvia	16275

4.2.2. Gráfica.

Aquí muestro la tabla del primer apartado en un gráfico de barras.

4.2.3. Mapa.

Si transferimos los datos de la tabla creada en el primer apartado a un mapa. Podemos observar que los países centroeuropeos y losdel norte de europa son los más afortunados.

4.2.4. Chunks.

En este apartado se muestran los trozos de código R (chunk) utilizados para hacer la tabla, el gráfico y el mapa. Separándolo de los demás, hace que la lectura del trabajo sea más fácil y amena.

#Así he hecho la tabla

df_ <- rio::import("./datos/calidadvida_definitivo.csv")

df_ing <- df_  %>% select(Paises,Ingreso_familiar_disponible)%>% arrange(desc(Ingreso_familiar_disponible))

df_ing <- na.omit(df_ing)

df_ing %>% gt()

#Así he hecho el gráfico

df_ <- rio::import("./datos/calidadvida_definitivo.csv")

df_ing <- df_  %>% select(Paises,Ingreso_familiar_disponible,Patrimonio_familia)

df_ing <- na.omit(df_ing)

graficoA <- ggplot(df_ing, aes(forcats::fct_reorder(Paises, Ingreso_familiar_disponible), Ingreso_familiar_disponible)) +
  geom_col(aes(fill = Ingreso_familiar_disponible))+ coord_flip()+ 
  theme(axis.text.x = element_text(angle=90, vjust=0.6), panel.background = NULL)+
  labs(title = "Ingresos familiares disponibles (en dólares)", subtitle = "Por países", caption="Fuente: OCDE") + 
  labs(x = NULL, y = NULL)+ transition_reveal(Ingreso_familiar_disponible)

graficoA + theme(legend.position = "none")

#Así he hecho el mapa

mapadata_UE<- map_data("world") %>% filter(region %in% c("Austria","Belgium","Bulgaria","Croatia","Cyprus",
                                                         "Czech Republic","Denmark","Estonia","Finland","France",
                                                         "Germany","Greece","Hungary","Ireland","Italy","Latvia",
                                                         "Lithuania","Luxembourg","Malta","Netherlands","Poland",
                                                         "Portugal","Romania","Slovakia","Slovenia","Spain",
                                                         "Sweden","UK","Switzerland","Bosnia and Herzegovina","Serbia","Ukraine","Belarus","Albania","Montenegro","Kosovo","Macedonia","Moldova"))

mapadata_UE_ <- mapadata_UE %>% mutate(region = case_when(
  region == "UK" ~ "United Kingdom",
  TRUE  ~  region ))

mapdata_UE_ <- full_join (mapadata_UE_,df_ing, by = c("region"="Paises"))


mapaplot2 <- ggplot(mapdata_UE_, aes(x = long, y = lat, group=group, fill = Ingreso_familiar_disponible) ) +
  geom_polygon(color ="#ffffff") +
  scale_fill_gradient(low = "#313200",high = "#f7ff00") +
  labs(fill="Ingreso_familiar_disponible",
       x=NULL,
       y=NULL,
       title="Ingresos familiares netos (en dólares) en la UE",
       caption="Fuente: OCDE") +
  theme( plot.background = element_rect( fill = "#ffffff"),
         panel.background = element_rect( fill = "cornsilk2", colour = "lavenderblush", size = 0.1 ),
         panel.grid  = element_line( colour ="grey"),
         axis.ticks = element_blank(),
         axis.text = element_blank(),
         plot.title = element_text(hjust = 0.5),
         panel.border = element_rect(fill = NA,colour = "black"),
         legend.background = element_rect( fill = "cornsilk2", colour = "black" ),
         plot.margin = margin(t = 5, r = 5, b = 5,10) )

mapaplot2 + scale_fill_viridis_c(direction = -1)

4.3. Empleo: Tasa de empleo

4.3.1. Tabla datos.

“El trabajo es salud”

¿Quién no ha escuchado alguna vez este dicho? Está claro que el trabajo, es salud, no solo física, sino mental. Además proporciona ingresos fundamentales para vivir y si ofrece una buena remuneración, el acceso a la educación, salud, ocio… etc, es más fácil.

Suiza, Suecia, Holanda, Alemania y Reino Unido son los países europeos con tasas de empleo más altas.

A la cola, los países mediterráneos del sur de Europa, entre ellos España.

Paises	Tasa_empleo	Ingresos_personales
Switzerland	80	62283
Sweden	77	42393
Netherlands	76	52877
Germany	75	47585
United Kingdom	75	43732
Czech Republic	74	25372
Denmark	74	51466
Estonia	74	24336
Austria	72	50349
Finland	70	42964
Latvia	70	23683
Lithuania	70	24287
Slovenia	69	34933
Hungary	68	22576
Portugal	68	25367
OECD - Total	68	43241
Ireland	67	47653
Luxembourg	66	63062
Poland	66	27046
Slovak Republic	66	24328
France	65	43755
Belgium	63	49675
Spain	62	38507
Italy	58	36658
Greece	53	26064

4.3.2. Gráfica.

En el análisis gráfico hemos relacionado los ingresos de los ciudadanos de cada país con la tasa de empleo, con el objetivo de estudiar si hay algún tipo de relación. No está muy clara.

Lo que si que vemos clara es la relación existente entre la inseguridad en el empleo y la tasa de empleo. A menor tasa de empleo, mayor inseguridad (miedo a perder el empleo).

4.3.3. Mapa.

Si transferimos los datos de la tabla creada en el primer apartado a un mapa, podemos apreciar lo comentado en el primer apartado: conforme vas avanzando hacia al sur de Europa, el nivel de empleo es menor.

4.3.4. Chunks.

En este apartado se muestran los trozos de código R (chunk) utilizados para hacer la tabla, el gráfico y el mapa. Separándolo de los demás, hace que la lectura del trabajo sea más fácil y amena.

#Así he hecho la tabla

df_ <- rio::import("./datos/calidadvida_definitivo.csv")

df_empleo <- df_  %>% select(Paises,Tasa_empleo,Ingresos_personales)%>% arrange(desc(Tasa_empleo))

df_empleo <- na.omit(df_empleo)

kable(df_empleo) %>%
  kableExtra::kable_styling(fixed_thead = list(enabled = T, background = "lightblue"))

#Así he hecho el primer gráfico 

df_ <- rio::import("./datos/calidadvida_definitivo.csv")

df_empleo <- df_  %>% select(Paises,Inseguridad_en_empleo,Tasa_empleo,Tasa_empleo_LP, Ingresos_personales)

df_empleo <- na.omit(df_empleo)

ggplot(df_empleo, aes(Tasa_empleo, Inseguridad_en_empleo, label = Paises)) + 
  geom_point() + 
  geom_point(data = filter(df_empleo, Paises == "Spain"), colour = "pink", size = 6)+ 
  geom_point(data = filter(df_empleo, Paises == "OECD - Total"), colour = "violet", size = 6)+
  labs(title = "Relación entre inseguridad de empleo y tasa empleo" ,
       y = "Inseguridad en el empleo",
       x = "Tasa de empleo",
       caption = "Fuente OCDE")+
  geom_smooth()+ geom_label_repel()+ theme_minimal()

#Así he hecho el segundo gráfico 

df_ <- rio::import("./datos/calidadvida_definitivo.csv")

df_empleo <- df_  %>% select(Paises,Inseguridad_en_empleo,Tasa_empleo,Tasa_empleo_LP, Ingresos_personales)

df_empleo <- na.omit(df_empleo)
p <- ggplot(df_empleo, aes(Ingresos_personales, Tasa_empleo)) + 
  geom_point(aes(color = Paises)) + geom_point(data = filter(df_empleo, Paises == "Spain"), colour = "pink", size = 6)+ 
  geom_point(data = filter(df_empleo, Paises == "OECD - Total"), colour = "violet", size = 6)+ 
  labs(title = "Relación entre ingresos personales y tasa de empleo" ,
       y = "Tasa de empleo",
       x = "Ingresos personales (en dólares)")+
  geom_smooth()+ theme_minimal()

p+annotate(geom = "curve", x = 38507, y = 62, xend = 40000, yend = 65, 
             curvature = .3, arrow = arrow(length = unit(2, "mm"))) +
    annotate(geom = "text", x = 39000, y = 66, label = "Spain", hjust = "left")+
    annotate(geom = "curve", x = 43241, y = 68, xend = 44000, yend = 71, 
             curvature = .3, arrow = arrow(length = unit(2, "mm"))) +
    annotate(geom = "text", x = 43000, y = 72, label = "OCDE", hjust = "left")    
    
#Así he hecho el mapa

mapadata_UE<- map_data("world") %>% filter(region %in% c("Austria","Belgium","Bulgaria","Croatia","Cyprus",
                                                         "Czech Republic","Denmark","Estonia","Finland","France",
                                                         "Germany","Greece","Hungary","Ireland","Italy","Latvia",
                                                         "Lithuania","Luxembourg","Malta","Netherlands","Poland",
                                                         "Portugal","Romania","Slovakia","Slovenia","Spain",
                                                         "Sweden","UK","Switzerland","Bosnia and Herzegovina","Serbia","Ukraine","Belarus","Albania","Montenegro","Kosovo","Macedonia","Moldova"))

mapadata_UE_ <- mapadata_UE %>% mutate(region = case_when(
  region == "UK" ~ "United Kingdom",
  TRUE  ~  region ))

mapdata_UE_ <- full_join (mapadata_UE_,df_empleo, by = c("region"="Paises"))

mapaplot <- ggplot(mapdata_UE_, aes(x = long, y = lat, group=group, fill = Tasa_empleo) ) +
  geom_polygon(color ="#ffffff") +
  scale_fill_gradient(low = "#313200",high = "#f7ff00") +
  labs(fill="Tasa_empleo",
       x=NULL,
       y=NULL,
       title="Tasa de empleo (en porcentaje) en la UE",
       caption="Fuente: OCDE") +
  theme( plot.background = element_rect( fill = "#ffffff"),
         panel.background = element_rect( fill = "cornsilk2", colour = "lavenderblush", size = 0.1 ),
         panel.grid  = element_line( colour ="grey"),
         axis.ticks = element_blank(),
         axis.text = element_blank(),
         plot.title = element_text(hjust = 0.5),
         panel.border = element_rect(fill = NA,colour = "black"),
         legend.background = element_rect( fill = "cornsilk2", colour = "black" ),
         plot.margin = margin(t = 5, r = 5, b = 5,10) )

mapaplot + scale_fill_viridis_c(direction = -1)

4.4. Comunidad: Apoyo social

4.4.1. Tabla datos.

Un apoyo social y familiar es fundamental para el desarrollo tanto personal como profesional de los individuos. Las sociedades más individualistas, son sociedades con un menor bienestar social y económico.

De nuevo vemos a los países del norte de Europa liderando esta clasificación. Clasificación donde España se encuentra en una buena situación comparado con otros países europeos.

Me llama la atención la posición de Grecia en este ranking. Por su carácter mediterráneo (más familiar) nunca hubiese sospechado que se encontrase en última posición.

Paises	Calidad_apoyo_social	Ingresos_personales
Denmark	95	51466
Finland	95	42964
Ireland	95	47653
United Kingdom	94	43732
Luxembourg	93	63062
Spain	93	38507
Switzerland	93	62283
Austria	92	50349
Estonia	92	24336
Italy	92	36658
Slovenia	92	34933
Belgium	91	49675
Czech Republic	91	25372
Netherlands	91	52877
Slovak Republic	91	24328
Sweden	91	42393
France	90	43755
Germany	90	47585
OECD - Total	89	43241
Lithuania	88	24287
Portugal	88	25367
Hungary	86	22576
Latvia	86	23683
Poland	86	27046
Greece	80	26064

4.4.2. Gráfica.

En el análisis gráfico hemos relacionado los ingresos de los ciudadanos de cada país con la tasa de empleo, con el objetivo de estudiar si hay algún tipo de relación. Parece clara: a mayor apoyo social mayores ingresos.

4.4.3. Mapa.

Si transferimos los datos de la tabla creada en el primer apartado a un mapa, queda de la siguiente manera:

4.4.4. Chunks.

En este apartado se muestran los trozos de código R (chunk) utilizados para hacer la tabla, el gráfico y el mapa. Separándolo de los demás, hace que la lectura del trabajo sea más fácil y amena.

#Así he hecho la tabla

df_ <- rio::import("./datos/calidadvida_definitivo.csv")

df_social <- df_  %>% select(Paises,Calidad_apoyo_social, Ingresos_personales)

df_social <- na.omit(df_social)

df_social %>% gt()

#Así he hecho el primer gráfico 

ggplot(df_social, aes(forcats::fct_reorder(Paises, Calidad_apoyo_social), Calidad_apoyo_social)) +
  geom_col(aes(fill = Calidad_apoyo_social))+ coord_flip()+ 
  theme(axis.text.x = element_text(angle=90, vjust=0.6), panel.background = NULL)+
  labs(title = "Calidad de apoyo social (en porcentaje)", subtitle = "Por países",caption = "Fuente OCDE") + 
  labs(x = NULL, y = NULL)+ theme(legend.position = "none")

#Así he hecho el segundo gráfico

df_ <- rio::import("./datos/calidadvida_definitivo.csv")

df_social <- df_  %>% select(Paises,Calidad_apoyo_social, Ingresos_personales) %>% arrange(desc(Calidad_apoyo_social))

df_social <- na.omit(df_social)

ggplot(df_social, aes(Calidad_apoyo_social, Ingresos_personales)) + 
  geom_point(aes(color = Paises)) + geom_point(data = filter(df_social, Paises == "Spain"), colour = "pink", size = 6)+ geom_smooth()+ theme_calc()+
  labs(title = "Calidad de apoyo social VS Ingresos",caption = "Fuente OCDE")+ 
  labs(x ="Calidad apoyo social (en porcentaje)", y = "Ingresos personales (en dólares)") 

p + annotate(geom = "curve", x = 38507, y = 92, xend = 40000, yend = 94, 
                      curvature = .3, arrow = arrow(length = unit(2, "mm"))) +
           annotate(geom = "text", x = 39000, y = 94, label = "España", hjust = "left")

#Así he hecho el mapa

mapadata_UE<- map_data("world") %>% filter(region %in% c("Austria","Belgium","Bulgaria","Croatia","Cyprus",
                                                         "Czech Republic","Denmark","Estonia","Finland","France",
                                                         "Germany","Greece","Hungary","Ireland","Italy","Latvia",
                                                         "Lithuania","Luxembourg","Malta","Netherlands","Poland",
                                                         "Portugal","Romania","Slovakia","Slovenia","Spain",
                                                         "Sweden","UK","Switzerland","Bosnia and Herzegovina","Serbia","Ukraine","Belarus","Albania","Montenegro","Kosovo","Macedonia","Moldova"))

mapadata_UE_ <- mapadata_UE %>% mutate(region = case_when(
  region == "UK" ~ "United Kingdom",
  TRUE  ~  region ))

mapdata_UE_ <- full_join (mapadata_UE_,df_social, by = c("region"="Paises"))


mapaplot2 <- ggplot(mapdata_UE_, aes(x = long, y = lat, group=group, fill = Ingresos_personales) ) +
  geom_polygon(color ="#ffffff") +
  scale_fill_gradient(low = "#313200",high = "#f7ff00") +
  labs(fill="Calidad_apoyo_social",
       x=NULL,
       y=NULL,
       title="Calidad de Apoyo Social (en porcentaje)",
       caption="Fuente: OCDE") +
  theme( plot.background = element_rect( fill = "#ffffff"),
         panel.background = element_rect( fill = "cornsilk2", colour = "lavenderblush", size = 0.1 ),
         panel.grid  = element_line( colour ="grey"),
         axis.ticks = element_blank(),
         axis.text = element_blank(),
         plot.title = element_text(hjust = 0.5),
         panel.border = element_rect(fill = NA,colour = "black"),
         legend.background = element_rect( fill = "cornsilk2", colour = "black" ),
         plot.margin = margin(t = 5, r = 5, b = 5,10) )

mapaplot2 + scale_fill_viridis_c(direction = -1)

4.5. Educación: Nivel de educación

4.5.1. Tabla datos.

Una sociedad educada, es una sociedad desarrollada. El nivel de educación es fundamental en el desarrollo a LP de un país.

Los países que lideran este indicador son los países del Este de Europa, seguidos de los norte-europeos.

A la cola, como en otros indicadores, los países mediterráneos del sur de Europa (España, Italia y Grecia).

Paises	Ingresos_personales	Nivel_educacion	Años_de_educación	Habilidades_de_estudiantes
Czech Republic	25372	94	17.9	491
Lithuania	24287	93	18.4	475
Poland	27046	92	17.6	504
Slovak Republic	24328	91	15.8	463
Estonia	24336	89	17.7	524
Finland	42964	88	19.8	523
Latvia	23683	88	18.0	487
Slovenia	34933	88	18.3	509
Switzerland	62283	88	17.5	506
Germany	47585	87	18.1	508
Austria	50349	85	17.0	492
Hungary	22576	84	16.4	474
Sweden	42393	83	19.3	496
Ireland	47653	82	18.1	509
Denmark	51466	81	19.5	504
United Kingdom	43732	81	17.5	500
France	43755	78	16.5	496
Netherlands	52877	78	18.7	508
OECD - Total	43241	78	17.2	486
Belgium	49675	77	19.3	503
Luxembourg	63062	77	15.1	483
Greece	26064	73	19.0	458
Italy	36658	61	16.6	485
Spain	38507	59	17.9	491
Portugal	25367	48	16.9	497

4.5.2. Gráfica.

La gráfica nos indica que no hay una relación directa, por lo menos a CP, entre nivel de educación e ingresos. Aunque diversos estudios indican que si ese nivel de educación alto se mantiene en el LP, el nivel de desarrollo de esa sociedad crecerá.

4.5.3. Mapa.

Vemos claramente la diferencia en niveles de educación entre el sur y el norte-este de Europa.

4.5.4. Chunks.

En este apartado se muestran los trozos de código R (chunk) utilizados para hacer la tabla, el gráfico y el mapa. Separándolo de los demás, hace que la lectura del trabajo sea más fácil y amena.

#Así he hecho la tabla

df <- rio::import("./datos/calidadvida_definitivo.csv")

df_educa <- df  %>% select(Paises, Ingresos_personales,Nivel_educacion, Años_de_educación, Habilidades_de_estudiantes) %>% arrange(desc(Nivel_educacion))

df_educa <- na.omit(df_educa)

knitr::kable(df_educa)

#Así he hecho el gráfico 

df <- rio::import("./datos/calidadvida_definitivo.csv")

df_educa <- df  %>% select(Paises, Ingresos_personales,Nivel_educacion, Años_de_educación, Habilidades_de_estudiantes)

df_educa <- na.omit(df_educa)

ggplot(df_educa, aes(Ingresos_personales, Nivel_educacion, label = Paises)) + 
  geom_point() + 
  geom_point(data = filter(df_educa, Paises == "Spain"), colour = "pink", size = 6)+ 
  geom_point(data = filter(df_educa, Paises == "OECD - Total"), colour = "violet", size = 6)+
  labs(title = "Relación entre ingresos y nivel de educación" ,
       y = "Ingresos personales (en dólares)",
       x = "Nivel de educación (sobre base 100)",
       caption = "Fuente OCDE")+
  geom_smooth()+ geom_label_repel()+ theme_economist()

#Así he hecho el mapa

mapadata_UE<- map_data("world") %>% filter(region %in% c("Austria","Belgium","Bulgaria","Croatia","Cyprus",
                                                         "Czech Republic","Denmark","Estonia","Finland","France",
                                                         "Germany","Greece","Hungary","Ireland","Italy","Latvia",
                                                         "Lithuania","Luxembourg","Malta","Netherlands","Poland",
                                                         "Portugal","Romania","Slovakia","Slovenia","Spain",
                                                         "Sweden","UK","Switzerland","Bosnia and Herzegovina","Serbia","Ukraine","Belarus","Albania","Montenegro","Kosovo","Macedonia","Moldova"))

mapadata_UE_ <- mapadata_UE %>% mutate(region = case_when(
  region == "UK" ~ "United Kingdom",
  TRUE  ~  region ))

mapdata_UE_ <- full_join (mapadata_UE_,df_educa, by = c("region"="Paises"))

mapaplot <- ggplot(mapdata_UE_, aes(x = long, y = lat, group=group, fill = Nivel_educacion) ) +
  geom_polygon(color ="#ffffff") +
  scale_fill_gradient(low = "#313200",high = "#f7ff00") +
  labs(fill="Nivel_educacion",
       x=NULL,
       y=NULL,
       title="Nivel de educación (sobre base 100)",
       caption="Fuente: OCDE") +
  theme( plot.background = element_rect( fill = "#ffffff"),
         panel.background = element_rect( fill = "cornsilk2", colour = "lavenderblush", size = 0.1 ),
         panel.grid  = element_line( colour ="grey"),
         axis.ticks = element_blank(),
         axis.text = element_blank(),
         plot.title = element_text(hjust = 0.5),
         panel.border = element_rect(fill = NA,colour = "black"),
         legend.background = element_rect( fill = "cornsilk2", colour = "black" ),
         plot.margin = margin(t = 5, r = 5, b = 5,10) )

mapaplot + scale_fill_viridis_c(direction = -1)

4.6. Satisfacción ante la vida

4.6.1. Tabla datos.

Para mí, el indicador más importante (con los ingresos). Es el indicador que mejor refleja el estado de bienestar social de los integrantes de una sociedad y el que sirve de contrapeso entre indicadores de desarrollo de una sociedad (trabajo-tiempo de ocio).

Los países del norte de Europa y Suiza vuelven a liderar. Esta vez España está en buena posición, cercano a la media de la OCDE.

A la cola, los países del Este de Europa, Grecia y Portugal (éstos dos últimos más golpeados en la última crisis económica-financiera).

Paises	Ingresos_personales	Satisfaccion_vida
Denmark	51466	7.6
Finland	42964	7.6
Switzerland	62283	7.5
Netherlands	52877	7.4
Sweden	42393	7.3
Austria	50349	7.1
Germany	47585	7.0
Ireland	47653	7.0
Belgium	49675	6.9
Luxembourg	63062	6.9
United Kingdom	43732	6.8
Czech Republic	25372	6.7
France	43755	6.5
OECD - Total	43241	6.5
Spain	38507	6.3
Slovak Republic	24328	6.2
Poland	27046	6.1
Italy	36658	6.0
Latvia	23683	5.9
Lithuania	24287	5.9
Slovenia	34933	5.9
Estonia	24336	5.7
Hungary	22576	5.6
Greece	26064	5.4
Portugal	25367	5.4

4.6.2. Gráfica.

Parece que el dicho que “el dinero no da la felicidad” lo vamos a desmentir en este apartado.

Si relacionamos, ingresos con satisfación de vida, nos sale que a mayor ingresos, mayor satisfación de vida para los ciudadanos.

4.6.3. Mapa.

Si transferimos los datos de la tabla creada en el primer apartado a un mapa, queda de la siguiente manera:

4.6.4. Chunks.

En este apartado se muestran los trozos de código R (chunk) utilizados para hacer la tabla, el gráfico y el mapa. Separándolo de los demás, hace que la lectura del trabajo sea más fácil y amena.

#Así he hecho la tabla

df <- rio::import("./datos/calidadvida_definitivo.csv")

df_satisfaccion <- df  %>% select(Paises, Ingresos_personales,Satisfaccion_vida) %>% arrange(desc(Satisfaccion_vida))

df_satisfaccion <- na.omit(df_satisfaccion)

df_satisfaccion %>% gt()

#Así he hecho el gráfico 

ggplot(df_satisfaccion, aes(Ingresos_personales, Satisfaccion_vida, label = Paises)) + 
  geom_point() + 
  geom_point(data = filter(df_satisfaccion, Paises == "Spain"), colour = "pink", size = 6)+ 
  geom_point(data = filter(df_satisfaccion, Paises == "OECD - Total"), colour = "violet", size = 6)+
  labs(title = "Relación entre ingresos y nivel de educación" ,
       y = "Ingresos personales (en dólares)",
       x = "satisfacción ante la vida (nota de 1 a 10)",
       caption = "Fuente OCDE")+
  geom_smooth()+ geom_label_repel()+ theme_calc()

#Así he hecho el mapa

mapadata_UE<- map_data("world") %>% filter(region %in% c("Austria","Belgium","Bulgaria","Croatia","Cyprus",
                                                         "Czech Republic","Denmark","Estonia","Finland","France",
                                                         "Germany","Greece","Hungary","Ireland","Italy","Latvia",
                                                         "Lithuania","Luxembourg","Malta","Netherlands","Poland",
                                                         "Portugal","Romania","Slovakia","Slovenia","Spain",
                                                         "Sweden","UK","Switzerland","Bosnia and Herzegovina","Serbia","Ukraine","Belarus","Albania","Montenegro","Kosovo","Macedonia","Moldova"))

mapadata_UE_ <- mapadata_UE %>% mutate(region = case_when(
  region == "UK" ~ "United Kingdom",
  TRUE  ~  region ))

mapdata_UE_ <- full_join (mapadata_UE_,df_satisfaccion, by = c("region"="Paises"))

mapaplot <- ggplot(mapdata_UE_, aes(x = long, y = lat, group=group, fill = Satisfaccion_vida) ) +
  geom_polygon(color ="#ffffff") +
  scale_fill_gradient(low = "#313200",high = "#f7ff00") +
  labs(fill="Satisfaccion_vida",
       x=NULL,
       y=NULL,
       title="Satisfacción ante la vida (nota del 1 al 10)",
       caption="Fuente: OCDE") +
  theme( plot.background = element_rect( fill = "#ffffff"),
         panel.background = element_rect( fill = "cornsilk2", colour = "lavenderblush", size = 0.1 ),
         panel.grid  = element_line( colour ="grey"),
         axis.ticks = element_blank(),
         axis.text = element_blank(),
         plot.title = element_text(hjust = 0.5),
         panel.border = element_rect(fill = NA,colour = "black"),
         legend.background = element_rect( fill = "cornsilk2", colour = "black" ),
         plot.margin = margin(t = 5, r = 5, b = 5,10) )

mapaplot + scale_fill_viridis_c(direction = -1)

4.7. Balance vida-trabajo

4.7.1. Tabla datos.

Como contrapeso al nivel de ingresos de los países se encuentra el balance que tienen sus ciudadanos entre ocio y trabajo.

Aquí, los países del sur de Europa salen ganando. Son los que mejor equilibrio entre trabajo y ocio tienen.

En la cola los países del Este de Europa, Austria y Reino Unido.

Paises	Tiempo_ocio	Empleados_trabajan_muchas	Ingresos_personales
Italy	16.47	4.11	36658
France	16.36	7.67	43755
Spain	15.93	4.01	38507
Denmark	15.87	2.34	51466
Belgium	15.70	4.75	49675
Germany	15.62	4.26	47585
Sweden	15.18	1.07	42393
Finland	15.17	3.81	42964
OECD - Total	14.98	11.01	43241
United Kingdom	14.92	12.15	43732
Estonia	14.90	2.42	24336
Slovenia	14.75	4.39	34933
Austria	14.55	6.66	50349
Poland	14.42	5.95	27046
Latvia	13.83	1.27	23683

4.7.2. Gráfica.

No hay una relación clara entre tiempo de ocio e ingresos.

4.7.3. Mapa.

Si transferimos los datos de la tabla creada en el primer apartado a un mapa, podemos observar una cosa curiosa: invertimos prácticamente el mapa que hemos obtenido en otros indicadores como educación o empleo.

4.7.4. Chunks.

En este apartado se muestran los trozos de código R (chunk) utilizados para hacer la tabla, el gráfico y el mapa. Separándolo de los demás, hace que la lectura del trabajo sea más fácil y amena.

#Así he hecho la tabla 

df_ <- rio::import("./datos/calidadvida_definitivo.csv")

df_vida_trabajo <- df_  %>% select(Paises,Tiempo_ocio,Empleados_trabajan_muchas,Ingresos_personales)%>% arrange(desc(Tiempo_ocio))

df_vida_trabajo <- na.omit(df_vida_trabajo)

kable(df_vida_trabajo) %>%
  kableExtra::kable_styling(fixed_thead = list(enabled = T, background = "lightblue"))

#Así he hecho el gráfico 

ggplot(df_vida_trabajo, aes(Ingresos_personales, Tiempo_ocio, label = Paises)) + 
  geom_point() + 
  geom_point(data = filter(df_vida_trabajo, Paises == "Spain"), colour = "pink", size = 6)+ 
  geom_point(data = filter(df_vida_trabajo, Paises == "OECD - Total"), colour = "violet", size = 6)+
  labs(title = "Relación entre ingresos y nivel de educación" ,
       y = "Ingresos personales (en dólares)",
       x = "Tiempo de ocio (porcentaje)",
       caption = "Fuente OCDE")+
  geom_smooth()+ geom_label_repel()+ theme_clean()

#Así he hecho el mapa

mapadata_UE<- map_data("world") %>% filter(region %in% c("Austria","Belgium","Bulgaria","Croatia","Cyprus",
                                                         "Czech Republic","Denmark","Estonia","Finland","France",
                                                         "Germany","Greece","Hungary","Ireland","Italy","Latvia",
                                                         "Lithuania","Luxembourg","Malta","Netherlands","Poland",
                                                         "Portugal","Romania","Slovakia","Slovenia","Spain",
                                                         "Sweden","UK","Switzerland","Bosnia and Herzegovina","Serbia","Ukraine","Belarus","Albania","Montenegro","Kosovo","Macedonia","Moldova"))

mapadata_UE_ <- mapadata_UE %>% mutate(region = case_when(
  region == "UK" ~ "United Kingdom",
  TRUE  ~  region ))

mapdata_UE_ <- full_join (mapadata_UE_,df_vida_trabajo, by = c("region"="Paises"))

mapaplot <- ggplot(mapdata_UE_, aes(x = long, y = lat, group=group, fill = Tiempo_ocio) ) +
  geom_polygon(color ="#ffffff") +
  scale_fill_gradient(low = "#313200",high = "#f7ff00") +
  labs(fill="Tiempo_ocio",
       x=NULL,
       y=NULL,
       title="Tiempo de ocio",
       caption="Fuente: OCDE") +
  theme( plot.background = element_rect( fill = "#ffffff"),
         panel.background = element_rect( fill = "cornsilk2", colour = "lavenderblush", size = 0.1 ),
         panel.grid  = element_line( colour ="grey"),
         axis.ticks = element_blank(),
         axis.text = element_blank(),
         plot.title = element_text(hjust = 0.5),
         panel.border = element_rect(fill = NA,colour = "black"),
         legend.background = element_rect( fill = "cornsilk2", colour = "black" ),
         plot.margin = margin(t = 5, r = 5, b = 5,10) )

mapaplot + scale_fill_viridis_c(direction = -1)

5. Conlusión.

“La verdadera felicidad social consiste en la armonía y en el uso pacífico de las satisfacciones de cada individuo.” — Marlene Dietrich.

A menudo pensamos que una sociedad rica, es una sociedad feliz. Nada más lejos de la realidad. Ejemplos como el de Japón o Corea del Sur (no analizados en el presente trabajo) son un buen ejemplo de ello. Datos ofrecidos por este informe de la OCDE demuestran que sus habitantes, pese a tener un buen nivel económico, están menos satisfechos con su vida que otros países con menores ingresos. Factores influyentes en esta percepción que tiene sus habitantes, pueden ser los malos datos que muestran, ambas economías, en el balance entre vida y trabajo.

A nivel europeo, objeto de este estudio, los países que salen ganadores, si se me permite esta licencia, son claramente los países nórdicos. Ocupan los primeros puestos en casi todas las variables, incluso en las que no están directamente relacionadas con los ingresos (educación, apoyo social o satisfacción ante la vida), por encima de países que tienen mayores ingresos per cápita (Luxemburgo, Suiza, Allemania).

Pese a lo que se podía esperar, nuestro país no sale mal parado del todo en este estudio porque pese los malos datos en algunos indicadores como educación, empleo o ingresos, se encuentra en la media de la OCDE en el más importante, en mi opinión: satisfacción ante la vida de sus ciudadanos. Destacan también en apoyo social y balance entre el tiempo de ocio y trabajo.

El punto más positivo de este Índice es que cada persona, en función del valor que le da a cada uno de las 11 variables, puede ver en que país encajaría mejor. La felicidad es enormemente subjetiva. Lo que puede hacer feliz a una sociedad, puede no hacérselo a otra. Esto para mí es una de las claves por lo que es injusto medir el desarrollo de un país solo por la tasa de crecimiento del PIB per cápita.

6. Bibliografía.

Página web del Índice para una Vida Mejor

Tutoriales de profesar de Universidad de Valencia, D.Pedro J. Pérez

Vídeo explicativo de Rafa González Gouveia sobre como animar las gráficas

Datos del dataframe y geometrias dados en clase por D.Pedro J. Pérez.

Me ha inspirado mi anterior trabajo en grupo: “La incidencia del Covid-19 en la Comunidad Valenciana”

Aquí aprendí como quitar valores nulos de las filas

current session info

- Session info ---------------------------------------------------------------
 setting  value                       
 version  R version 4.0.2 (2020-06-22)
 os       Windows 10 x64              
 system   x86_64, mingw32             
 ui       RTerm                       
 language (EN)                        
 collate  Spanish_Spain.1252          
 ctype    Spanish_Spain.1252          
 tz       Europe/Paris                
 date     2021-01-17                  

- Packages -------------------------------------------------------------------
 package           * version    date       lib
 assertthat          0.2.1      2019-03-21 [1]
 backports           1.1.9      2020-08-24 [1]
 base64enc           0.1-3      2015-07-28 [1]
 blob                1.2.1      2020-01-20 [1]
 broom               0.7.0      2020-07-09 [1]
 cellranger          1.1.0      2016-07-27 [1]
 checkmate           2.0.0      2020-02-06 [1]
 class               7.3-17     2020-04-26 [2]
 classInt            0.4-3      2020-04-07 [1]
 cli                 2.2.0      2020-11-20 [1]
 clipr               0.7.1      2020-10-08 [1]
 codetools           0.2-16     2018-12-24 [2]
 colorspace          1.4-1      2019-03-18 [1]
 crayon              1.3.4      2017-09-16 [1]
 crosstalk           1.1.0.1    2020-03-13 [1]
 curl                4.3        2019-12-02 [1]
 data.table          1.13.0     2020-07-24 [1]
 DBI                 1.1.0      2019-12-15 [1]
 dbplyr              1.4.4      2020-05-27 [1]
 desc                1.2.0      2018-05-01 [1]
 details             0.2.1      2020-01-12 [1]
 digest              0.6.27     2020-10-24 [1]
 dplyr             * 1.0.2      2020-08-18 [1]
 DT                * 0.15       2020-08-05 [1]
 e1071               1.7-3      2019-11-26 [1]
 echarts4r         * 0.3.3      2020-10-16 [1]
 ellipsis            0.3.1      2020-05-15 [1]
 evaluate            0.14       2019-05-28 [1]
 fansi               0.4.1      2020-01-08 [1]
 farver              2.0.3      2020-01-16 [1]
 fastmap             1.0.1      2019-10-08 [1]
 forcats           * 0.5.0      2020-03-01 [1]
 foreign             0.8-80     2020-05-24 [2]
 formattable       * 0.2.0.1    2016-08-05 [1]
 fs                  1.5.0      2020-07-31 [1]
 generics            0.1.0      2020-10-31 [1]
 gganimate         * 1.0.7      2020-10-15 [1]
 ggplot2           * 3.3.2      2020-06-19 [1]
 ggrepel           * 0.9.0      2020-12-16 [1]
 ggspatial         * 1.1.4      2020-07-12 [1]
 ggthemes          * 4.2.0      2019-05-13 [1]
 gifski            * 0.8.6      2018-09-28 [1]
 glue                1.4.2      2020-08-27 [1]
 gt                * 0.2.2      2020-08-05 [1]
 gtable              0.3.0      2019-03-25 [1]
 haven               2.3.1      2020-06-01 [1]
 here                0.1        2017-05-28 [1]
 highr               0.8        2019-03-20 [1]
 hms                 0.5.3      2020-01-08 [1]
 htmltools           0.5.0      2020-06-16 [1]
 htmlwidgets         1.5.1      2019-10-08 [1]
 httpuv              1.5.4      2020-06-06 [1]
 httr                1.4.2      2020-07-20 [1]
 jsonlite            1.7.1      2020-09-07 [1]
 kableExtra        * 1.3.1      2020-10-22 [1]
 KernSmooth          2.23-17    2020-04-26 [2]
 klippy            * 0.0.0.9500 2020-11-20 [1]
 knitr             * 1.29       2020-06-23 [1]
 labeling            0.3        2014-08-23 [1]
 later               1.1.0.1    2020-06-05 [1]
 lattice             0.20-41    2020-04-02 [2]
 lazyeval            0.2.2      2019-03-15 [1]
 leafem            * 0.1.3      2020-07-26 [1]
 leaflet           * 2.0.3      2019-11-16 [1]
 lifecycle           0.2.0      2020-03-06 [1]
 lubridate         * 1.7.9.2    2020-11-13 [1]
 magrittr            2.0.1      2020-11-17 [1]
 maps                3.3.0      2018-04-03 [1]
 Matrix              1.2-18     2019-11-27 [2]
 mgcv                1.8-31     2019-11-09 [2]
 mime                0.9        2020-02-04 [1]
 modelr              0.1.8      2020-05-19 [1]
 munsell             0.5.0      2018-06-12 [1]
 nlme                3.1-148    2020-05-24 [2]
 openxlsx            4.2.2      2020-09-17 [1]
 patchwork         * 1.1.1      2020-12-17 [1]
 pillar              1.4.7      2020-11-20 [1]
 pjpv2020.01       * 0.0.0.9000 2020-11-20 [1]
 pkgconfig           2.0.3      2019-09-22 [1]
 plotly            * 4.9.2.2    2020-12-19 [1]
 plyr                1.8.6      2020-03-03 [1]
 png                 0.1-7      2013-12-03 [1]
 prettyunits         1.1.1      2020-01-24 [1]
 progress            1.2.2      2019-05-16 [1]
 promises            1.1.1      2020-06-09 [1]
 purrr             * 0.3.4      2020-04-17 [1]
 R6                  2.5.0      2020-10-28 [1]
 raster              3.4-5      2020-11-14 [1]
 Rcpp                1.0.5      2020-07-06 [1]
 readr             * 1.4.0      2020-10-05 [1]
 readxl              1.3.1      2019-03-13 [1]
 reprex              0.3.0      2019-05-16 [1]
 rio               * 0.5.16     2018-11-26 [1]
 rlang               0.4.9      2020-11-26 [1]
 rmarkdown           2.3        2020-06-18 [1]
 rnaturalearth     * 0.1.0      2017-03-21 [1]
 rnaturalearthdata * 0.1.0      2017-02-21 [1]
 rprojroot           1.3-2      2018-01-03 [1]
 rstudioapi          0.11       2020-02-07 [1]
 rvest               0.3.6      2020-07-25 [1]
 sass                0.2.0      2020-03-18 [1]
 scales              1.1.1      2020-05-11 [1]
 sessioninfo         1.1.1      2018-11-05 [1]
 sf                * 0.9-6      2020-09-13 [1]
 shiny               1.5.0      2020-06-23 [1]
 sp                  1.4-2      2020-05-20 [1]
 stringi             1.5.3      2020-09-09 [1]
 stringr           * 1.4.0      2019-02-10 [1]
 tibble            * 3.0.4      2020-10-12 [1]
 tidyr             * 1.1.2      2020-08-27 [1]
 tidyselect          1.1.0      2020-05-11 [1]
 tidyverse         * 1.3.0      2019-11-21 [1]
 tweenr              1.0.1      2018-12-14 [1]
 units               0.6-7      2020-06-13 [1]
 vctrs               0.3.5      2020-11-17 [1]
 vembedr           * 0.1.4      2020-10-10 [1]
 viridisLite         0.3.0      2018-02-01 [1]
 webshot             0.5.2      2019-11-22 [1]
 withr               2.2.0      2020-04-20 [1]
 xfun                0.17       2020-09-09 [1]
 xml2                1.3.2      2020-04-23 [1]
 xtable              1.8-4      2019-04-21 [1]
 yaml                2.2.1      2020-02-01 [1]
 zip                 2.1.1      2020-08-27 [1]
 source                               
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.0)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.3)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.3)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.3)                       
 CRAN (R 4.0.3)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.3)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.3)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.3)                       
 CRAN (R 4.0.3)                       
 CRAN (R 4.0.3)                       
 CRAN (R 4.0.3)                       
 CRAN (R 4.0.3)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.3)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.3)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.3)                       
 CRAN (R 4.0.2)                       
 Github (rlesur/klippy@378c247)       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.0)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.3)                       
 CRAN (R 4.0.3)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.3)                       
 CRAN (R 4.0.3)                       
 CRAN (R 4.0.3)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.0)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.3)                       
 CRAN (R 4.0.2)                       
 Github (perezp44/pjpv2020.01@91df4e6)
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.3)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.3)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.3)                       
 CRAN (R 4.0.3)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.3)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.3)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.3)                       
 CRAN (R 4.0.3)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.3)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.3)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.3)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.3)                       
 CRAN (R 4.0.3)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.3)                       
 CRAN (R 4.0.3)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.3)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       
 CRAN (R 4.0.2)                       

[1] C:/Users/carlo/Documents/R/win-library/4.0
[2] C:/Program Files/R/R-4.0.2/library

---

1. definición sacada de la wikipedia.↩︎