12  Exploració

Per explicar tots els passos a seguir a l’hora de construir un índex utilitzarem d’exemple l’IDH, creat per Nacions Unides i que ha esdevingut un dels índexs més utilitzats i coneguts en l’àmbit del desenvolupament. Els orígens de l’IDH es remunten als anys 80, quan economistes com Mahbub ul Haq i Amartya Sen van començar a qüestionar el Producte Interior Brut (PIB) com a mesura del desenvolupament (Sen, 1981, 1985; UNDP, 1990). Defensaven que el desenvolupament havia d’anar més enllà de qüestions estrictament econòmiques i havia de tenir en compte altres aspectes fonamentals de les capacitats d’una persona com l’educació o la salut. D’aquesta nova manera de pensar el desenvolupament d’una forma més ‘humana’ en va sortir l’IDH, que va afegir dues altres dimensions a la dimensió econòmica: l’accés a l’educació i una vida llarga i saludable. En aquest apartat farem una exploració de l’índex. Aquests són els paquets d’R que farem servir:

#recordeu que els paquets han d'estar prèviament instal·lats
library(dplyr)
library(tidyr)
library(ggplot2)
library(countrycode)
library(readxl)
library(janitor)

12.1 Les dimensions de l’IDH

L’IDH, doncs, consta de tres dimensions conceptuals. La seva operacionalització es troba resumida a la Figura 12.1, que trobareu també a les notes tècniques de la web del Programa de Nacions Unides per al Desenvolupament (PNUD, conegut com a UNDP en anglès).

• Per mesurar la dimensió econòmica utilitzen la Renda Nacional Bruta (RNB, GNI en anglès), una mesura molt semblant al PIB.
• L’accés a l’educació es mesura a través de dos indicadors: la mitjana d’anys a l’escola per adults de 25 anys o més i els anys esperats d’educació per a nens en edat d’entrada a l’escola.
• Finalment, la vida llarga i saludable es mesura a través de l’esperança de vida al néixer.

Figura 12.1: Metodologia de l’IDH

Les dades que es recullen per crear l’IDH les trobareu a la pàgina web del PNUD (UNDP, 2018). Al llarg d’aquest mòdul utilitzarem les dades de 2018 que es poden descarregar en format Excel, encara que és possible que a la web del PNUD hi pogueu trobar dades més recents. En el següent codi hem descarregat l’arxiu i hem creat un objecte d’R mitjançant la funció read_xlsx() del paquet readxl. Li hem donat el nom de hddata, que podem veure a continuació amb les seves primeres observacions.

Descàrrega

Per descarregar l’arxiu que necessites, tens dues opcions:

1. Descarrega’l amb R amb la funció download.file() i tot seguit crea l’objecte hhdata.

download.file("https://www.jordimas.cat/files/2018_all_indicators.xlsx", 
              "2018_all_indicators.xlsx")
hddata <- read_xlsx("2018_all_indicators.xlsx")

2. És possible que la funció download.file() no funcioni en alguns ordinadors. Si és el teu cas, descarrega l’arxiu manualment i ubica’l al teu directori de treball. A continuació, només caldrà que el transformis en objecte hhdata:

hddata <- read_xlsx("2018_all_indicators.xlsx")

Recorda carregar els paquets prèviament abans d’executar el codi.

# A tibble: 25,636 × 34
   dimension indicator_id indicator_name iso3  country_name `1990` `1991` `1992`
   <chr>            <dbl> <chr>          <chr> <chr>         <dbl>  <dbl>  <dbl>
 1 Composit…       146206 HDI rank       AFG   Afghanistan      NA     NA     NA
 2 Composit…       146206 HDI rank       ALB   Albania          NA     NA     NA
 3 Composit…       146206 HDI rank       DZA   Algeria          NA     NA     NA
 4 Composit…       146206 HDI rank       AND   Andorra          NA     NA     NA
 5 Composit…       146206 HDI rank       AGO   Angola           NA     NA     NA
 6 Composit…       146206 HDI rank       ATG   Antigua and…     NA     NA     NA
 7 Composit…       146206 HDI rank       ARG   Argentina        NA     NA     NA
 8 Composit…       146206 HDI rank       ARM   Armenia          NA     NA     NA
 9 Composit…       146206 HDI rank       AUS   Australia        NA     NA     NA
10 Composit…       146206 HDI rank       AUT   Austria          NA     NA     NA
# ℹ 25,626 more rows
# ℹ 26 more variables: `1993` <dbl>, `1994` <dbl>, `1995` <dbl>, `1996` <dbl>,
#   `1997` <dbl>, `1998` <dbl>, `1999` <dbl>, `2000` <dbl>, `2001` <dbl>,
#   `2002` <dbl>, `2003` <dbl>, `2004` <dbl>, `2005` <dbl>, `2006` <dbl>,
#   `2007` <dbl>, `2008` <dbl>, `2009` <dbl>, `2010` <dbl>, `2011` <dbl>,
#   `2012` <dbl>, `2013` <dbl>, `2014` <dbl>, `2015` <dbl>, `2016` <dbl>,
#   `2017` <dbl>, `9999` <dbl>

12.2 Exploració inicial del marc de dades

El marc de dades hddata conté una columna per cada any de dades des de 1990 fins a 2017. Quan treballem amb R ens és molt més còmode que cada columna sigui una variable, ja que així podem manipular més fàcilment les dades. Com sabeu, els anys (1990, 1991…) no són una variable, sinó que són els valors que pot prendre la variable any. Tots els anys, doncs, haurien de formar part d’una sola columna year que representi la variable any. També observem que la variable indicator_name no conté valors, sinó noms de variables. En el codi següent hem netejat el marc de dades de manera que totes les columnes siguin variables i totes les files observacions. D’aquest procés n’ha sortit l’objecte hddata_tidy, que observem a continuació.

hddata_tidy <- hddata %>%
  select(indicator_name:last_col()) %>% #eliminem les primeres dues columnes
  pivot_longer(`1990`:`9999`, names_to = "year",
               values_to = "value", values_drop_na = TRUE) %>% #creem la variable year
  filter(year != 9999) %>% #eliminem el valor 9999
  spread(indicator_name, value) %>% #posem els valors de 'indicator_name' com a variables 
  clean_names("snake") %>% #simplifiquem els noms de variables
  mutate(year = as.numeric(year)) #passem els anys a vector numèric

hddata_tidy
## # A tibble: 5,460 × 139
##    iso3  country_name  year adjusted_net_savings_percen…¹ adolescent_birth_rat…²
##    <chr> <chr>        <dbl>                         <dbl>                  <dbl>
##  1 AFG   Afghanistan   1990                            NA                   161.
##  2 AFG   Afghanistan   1991                            NA                    NA 
##  3 AFG   Afghanistan   1992                            NA                    NA 
##  4 AFG   Afghanistan   1993                            NA                    NA 
##  5 AFG   Afghanistan   1994                            NA                    NA 
##  6 AFG   Afghanistan   1995                            NA                   164.
##  7 AFG   Afghanistan   1996                            NA                    NA 
##  8 AFG   Afghanistan   1997                            NA                    NA 
##  9 AFG   Afghanistan   1998                            NA                    NA 
## 10 AFG   Afghanistan   1999                            NA                    NA 
## # ℹ 5,450 more rows
## # ℹ abbreviated names: ¹​adjusted_net_savings_percent_of_gni,
## #   ²​adolescent_birth_rate_births_per_1_000_women_ages_15_19
## # ℹ 134 more variables:
## #   antenatal_care_coverage_at_least_one_visit_percent <dbl>,
## #   carbon_dioxide_emissions_kg_per_2011_ppp_of_gdp <dbl>,
## #   carbon_dioxide_emissions_per_capita_tonnes <dbl>, …

Exercici 12.1 (Exploració inicial) Examineu el marc de dades teclejant hddata_tidy i visualitzeu-ne l’estructura amb glimpse(hddata_tidy).

1. Quantes variables i quantes observacions conté el marc de dades?
2. Quina és la unitat d’observació de les dades?
3. Visualitzeu la llista de variables amb la funció names(hddata_tidy). Sabríeu intuir quines d’aquestes variables conformen l’IDH?
4. Observeu la resta de variables. Quines altres podrien també il·lustrar el concepte de desenvolupament humà?

Ja podeu veure que el marc de dades hddata_tidy conté moltes variables que no necessitem. Una de les primeres coses que hem de fer és simplificar-lo per tal tingui unes dimensions més reduides que ens permeti treballar-lo millor a l’hora de construir l’IDH. Per a tal propòsit, hem creat el nou marc de dades hdi, que filtra les dades per l’any més actual, manté només algunes variables i ordena els països segons el seu IDH el 2017, el darrer any de què tenim dades disponibles. Hi hem deixat dues variables principals: països (country) i IDH (IDH). I a continuació també hem conservat les variables que conformen l’IDH. A totes els hi hem donat un nom més simple:

• A l’ingrés nacional brut per càpita (gross_national_income_gni_per_capita_2011_ppp) en direm GNI.
• Als anys d’escolarització esperats (expected_years_of_schooling_years) en direm E1.
• A la mitjana d’anys d’escolarització (mean_years_of_schooling_years) en direm E2.
• I a l’esperança de vida al néixer (life_expectancy_at_birth_years) en direm LE.

A més, hem utilitzat el paquet countrycode per posar els noms del marc de dades en català.

#canvieu hdi per hdi_prova quan feu les modificacions
#Nota: No us preocupeu pels warnings que apareixen a la consola
hdi <- hddata_tidy %>% #marc de dades
  filter(year == max(year)) %>% #filtrem per l'any més alt
  arrange(desc(human_development_index_hdi)) %>% #ordenem per la variable idh
  transmute(P = 1:n(), #creem una variable amb la posició del país
            country = countrycode(country_name, "country.name.en", "cldr.name.ca"), 
            IDH = human_development_index_hdi,
            GNI = gross_national_income_gni_per_capita_2011_ppp,
            E1 = expected_years_of_schooling_years,
            E2 = mean_years_of_schooling_years,
            LE = life_expectancy_at_birth_years) %>%
  filter(IDH != is.na(IDH)) #eliminem les observacions amb NA

#Omplim els NA. A partir de l'1 de juny de 2018 Swazilàndia passa a dir-se Regne d'Eswatini.
hdi$country[which(is.na(hdi$country))] <- c("Micronèsia", "Regne d'Eswatini")

12.3 L’IDH: vista prèvia

A la Taula 12.1 observem el resultat de head(hdi, 10), que mostra els països més ben classificats en el rànking de l’IDH l’any 2017. En primer lloc hi trobem Noruega amb un IDH de 0.953, seguit de Suïssa, Austràlia i Irlanda Tots aquests països tenen xifres molt altes en els seus indicadors: un GNI per càpita alt (columna GNI), uns anys d’educació esperada elevats (columna E1), una mitjana d’anys a l’escola elevada (columna E2) i una esperança de vida alta (columna LE).

Taula 12.1: Primers 10 llocs del rànquing de l’IDH el 2017

P	country	IDH	GNI	E1	E2	LE
1	Noruega	0.953	68012	17.9	12.6	82.3
2	Suïssa	0.944	57625	16.2	13.4	83.5
3	Austràlia	0.939	43560	22.9	12.9	83.1
4	Irlanda	0.938	53754	19.6	12.5	81.6
5	Alemanya	0.936	46136	17.0	14.1	81.2
6	Islàndia	0.935	45810	19.3	12.4	82.9
7	Hong Kong (RAE Xina)	0.933	58420	16.3	12.0	84.1
8	Suècia	0.933	47766	17.6	12.4	82.6
9	Singapur	0.932	82503	16.2	11.5	83.2
10	Països Baixos	0.931	47900	18.0	12.2	82.0

En canvi, a la part inferior de la taula ens trobem el contrari, com veiem a la Taula Taula 12.2 mitjançant el codi tail(hdi, 10). Tots els països amb valors baixos en el seu IDH tenen un GNI baix, uns nivells d’eduació baixos i una esperança de vida baixa. Níger és l’últim país de la llista. Té un GNI inferior als 1000 dòlars l’any, els joves del país passen molts pocs anys a l’escola i la població viu de mitjana poc més de 60 anys.

Taula 12.2: Darrers 10 llocs del rànquing de l’IDH el 2017

P	country	IDH	GNI	E1	E2	LE
180	Moçambic	0.437	1093	9.7	3.5	58.9
181	Libèria	0.435	667	10.0	4.7	63.0
182	Mali	0.427	1953	7.7	2.3	58.5
183	Burkina Faso	0.423	1650	8.5	1.5	60.8
184	Sierra Leone	0.419	1240	9.8	3.5	52.2
185	Burundi	0.417	702	11.7	3.0	57.9
186	Txad	0.404	1750	8.0	2.3	53.2
187	Sudan del Sud	0.388	963	4.9	4.8	57.3
188	República Centreafricana	0.367	663	7.2	4.3	52.9
189	Níger	0.354	906	5.4	2.0	60.4

Exercici 12.2 (Cerca de països) Visualitzeu el principi de la taula amb head(), el final de la taula amb tail() o qualsevol fragment de la taula amb la funció slice(). Per exemple, teclejant slice(hdi, 30:40) visualitzarem de la trentena a la quarantena observació del rànquing. Responeu a les següents preguntes:

1. Quin és el país amb major esperança de vida?
2. Quin és el país amb menor mitjana d’anys d’escolarització?
3. Quin és el país amb l’ingrés nacional brut per càpita més baix?
4. Busca la posició d’Espanya, Japó i Palestina. També ho pots buscar amb:

hdi[which(hdi$country == "Nom del país"),]

Sen, A. (1981). Public Action and the Quality of Life in Developing Countries. Oxford Bulletin of Economics and Statistics, 43(4), 287–319.

Sen, A. (1985). Commodities and Capabilities. North Holland.

UNDP. (1990). Human Development Report. United Nations Development Programme.

UNDP. (2018). Human Development Report. United Nations Development Programme.