-
Notifications
You must be signed in to change notification settings - Fork 0
/
Tcc-Rmark.Rmd
275 lines (214 loc) · 11.1 KB
/
Tcc-Rmark.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
---
title: "**Consumo de alimentos e <br>emissões de CO$_2$**"
author: "Ariane Hayana Thomé de Farias<br>Graduanda em Estatística (UFAM)<br>Manaus/Amazonas/Brasil"
subtitle: "<a href='https://br.linkedin.com/in/arianehayana'>Ariane Hayana Thomé de Farias</a><br>#TidyTuesday"
date: "`r format(Sys.Date(), format='%d/%m/%Y')`"
encoding: "UTF-8"
output:
rmdformats::readthedown:
code_folding: hide
self_contained: true
thumbnails: false
lightbox: true
gallery: false
highlight: tango
editor_options:
markdown:
wrap: 72
---
[](https://www.nytimes.com/guides/well/healthy-eating-for-runners)
```{r setup, echo = FALSE, warning = FALSE, include = FALSE, warnings=FALSE}
knitr::opts_chunk$set(echo = TRUE, warning = FALSE, fig.align = "center")
library(ggplot2)
library(DT)
library(corrplot)
library(tidyverse)
library(knitr)
library(plotly)
```
## **Resumo**
<div style="text-align: justify">
As discussões sobre como adotar medidas que reduzam os impactos
ambientais de nossas atividades diárias vem ganhando cada vez mais
espaço nos debates relacionados ao meio ambiente. Medidas como a redução
da queima de combustíveis fósseis na indústria, controle do desmatamento
e a utilização cada vez mais recorrente de energia limpa são pontos
relevantes para as transformações climáticas. No que se refere a
alimentação saudável e sustentável não é diferente. Para uma explanação
melhor nesta temática, este trabalho apresentará um estudo com dados
sobre as emissões anuais de *CO*$_2$ por pessoa para 130 nações em todo
o mundo publicados pela Organização das Nações Unidas para Alimentação e
Agricultura (FAO) que estão disponíveis no site
[nu3](https://www.nu3.de/blogs/nutrition/food-carbon-footprint-index-2018)
cuja contribuição no \#tidytuesday é de autoria da [Kasia
Kulma](https://r-tastic.co.uk/post/from-messy-to-tidy/).
**Palavras-chave:** *Alimentação. Emissão de CO*$_2$. Meio ambiente.
Consumo.
<div/>
## **1. Introdução**
<div style="text-align: justify">
A mudança de hábitos alimentares tem sido amplamente discutida não
somente pela preocupação com a própria saúde, como também pela
preocupação com o meio ambiente. A emissão de gases causadores do efeito
estufa também fazem parte destas discussões. Conforme cita [Robert
Sünderhauf (CEO da
nu3)](https://www.nu3.de/blogs/nutrition/food-carbon-footprint-index-2018),
"*o veganismo é uma escolha de estilo de vida cada vez mais popular,
conforme demonstrado pela duplicação de nossa receita com produtos
veganos só no ano passado. Com este estudo revelando como a mudança de
dieta pode reduzir drasticamente nossa pegada de carbono, está se
tornando cada vez mais difícil ignorar os benefícios de mudar para uma
dieta baseada em vegetais, tanto para nossa saúde quanto para nosso
planeta.*" Assim, para aprofundar este debate, foi realizado um
levantamento de dados pela Organização das Nações Unidas para
Agricultura e Alimentação (FAO) para examinar a pegada de carbono da
indústria de alimentos, comparando diferentes dietas em termos de
emissões de dióxido de carbono de 130 nações em todo o mundo
considerando a quantidade de produtos de origem animal (carne de porco,
aves, boi, cordeiro e cabra, peixe, ovos e leite - incluindo queijo) e
produtos não animais (trigo e produtos de trigo, arroz, soja, nozes -
incluindo manteiga de amendoim ) que é fornecido para consumo em cada
país.
Desta forma, com intuito de explorar os dados contidos no estudo supra
citado, abordaremos neste trabalho algumas informações extraídas e, para
tanto, este encontra-se organizado em cinco seções, dispostas da
seguinte forma: a primeira trata da introdução, que aborda os principais
aspectos do trabalho; a segunda refere-se a definição das variáveis
utilizadas; a terceira apresenta os resultados e discussão sobre o
estudo; na quarta encontram-se as considerações finais do trabalho e,
posteriormente, as referências utilizadas.
<div/>
## **2. Descrição das variáveis**
<div style="text-align: justify">
Os dados foram extraídos via web scraping do site
[nu3](https://www.nu3.de/blogs/nutrition/food-carbon-footprint-index-2018)
e estão definidos no [dicionário de
variáveis](https://github.com/rfordatascience/tidytuesday/tree/master/data/2020/2020-02-18)
como sendo:
| Variável | Classe | Descrição |
|---------------|-----------|----------------------------------------------|
| country | caractere | Nome do país |
| food_category | caractere | Categoria Alimentar |
| consumption | double | Consumo (kg / pessoa / ano) |
| co2_emmission | double | Emissão de CO$_2$ (Kg CO$_2$ / pessoa / ano) |
Este estudo analisa 130 países ao redor do mundo para determinar quanto
dióxido de carbono (CO$_2$) cada país emite, com base em sua dieta. Isso
é calculado através da quantidade de alimento fornecido para consumo e
quantos kgs de CO$_2$ por kg de produto, por pessoa anualmente. Os dados
em nível de país são divididos entre dietas baseadas em *animais* e *não
baseadas em animais*.
## **3. Resultados e discussão**
<div/>
<div style="text-align: justify">
Nesta seção serão apresentados os principais resultados obtidos na
análise de dados em questão. No primeiro momento fez-se a leitura das
$1.430$ observações referentes às **quatro** variáveis citadas
anteriormente e todos os dados podem ser consultados na tabela a seguir:
<div/>
```{r Leitura, echo=TRUE, message=FALSE, warnings=FALSE}
# Leitura dos dados
food_consumption <- readr::read_csv('https://raw.githubusercontent.com/rfordatascience/tidytuesday/master/data/2020/2020-02-18/food_consumption.csv')
food_consumption %>%
DT::datatable()
```
Para avaliar a força e a direção da relação entre as
variáveis, fez-se uma matriz de correlação entre as variáveis *Consumo
(kg/pessoa/ano)* e *Emissão de CO*$_2$(KgCO$_2$/pessoa/ano):
```{r}
food_consumption %>%
select(consumption, co2_emmission) %>%
cor() %>%
kable()
```
Através dos resultados obtidos na matriz de correlação, podemos afirmar
que as variáveis *Consumo (kg/pessoa/ano)*, *Emissão de CO*$_2$(Kg
CO$_2$/pessoa/ano) apresentam uma correlação positiva *fraca* pois a
correlação resultante é de apenas $0,33$ e, portanto, enquadra-se no
intervalo entre $0,2$ a $0,39$ $=$ <b><u>FRACA</b></u>, entretanto, cabe
lembrar que:
> **Correlação não** implica em **Causalidade**!
Podemos também visualizar os valores de tais correlações através da
matriz de correlação:
```{r fig.height=5, fig.width=5}
food_consumption %>%
select(consumption, co2_emmission) %>%
cor() %>%
corrplot(type="upper",tl.srt=45,tl.cex = 1)
```
Visualmente, quanto maior o círculo, maior a correlação entre as variáveis e quanto mais azul escuro, mais próxima a correlação estará de 1 (correlação positiva e forte). O mesmo ocorre caso seja negativa (ou seja, -1): quanto mais vermelho escuro, mais forte será a correlação.
Agora, considerando a quantidade de produtos de origem animal e
produtos não animais que é fornecido para consumo em cada país, é possível observar na tabela a seguir um *ranking* com os dez produtos mais consumidos *(kg/pessoa/ano)* ordenados do maior para o menor:
```{r}
food_consumption %>%
group_by(food_category) %>%
summarise(total_consumo = sum(consumption),
total_emissao_co2 = sum(co2_emmission)) %>%
arrange(-total_consumo) %>%
head(10) %>%
kable()
```
Conforme podemos observar, o *Leite (incluindo queijo)* é o mais consumido, seguido do *Trigo e Produtos de Trigo* e o *Arroz*. Por outro lado, quando analisamos por categoria alimentar quais são os produtos que mais emitem CO$_2$, observa-se o seguinte cenário:
```{r}
food_consumption %>%
group_by(food_category) %>%
summarise(total_emissao_co2 = sum(co2_emmission)) %>%
ggplot(aes(x = food_category, y = total_emissao_co2,fill = food_category)) +
aes(reorder(food_category, total_emissao_co2))+
geom_col() +
coord_flip() +
ggthemes::theme_wsj() +
guides(fill = "none")+
labs(
title = "Ranking de emissão de \nCO2 por categoria \nalimentar",
x = "Categoria",
y = "Emissão de Co2 (Kg CO2/pessoa/ano)",
color = "Categoria alimentar")
```
<br>
Nota-se que a *Carne* aparece como o produto com maior emissão de CO$_2$, seguida do *Leite (incluindo queijo)* e *Cordeiro e Cabra*.
Sob outra perspectiva, analisaremos graficamente um ranking com todos os países do estudo com o objetivo de verificarmos categoricamente quais são os países que mais emitiram dióxido de carbono na dieta com produtos de origem animal e não animal:
```{r fig.height=16, fig.width=9}
ggplot(food_consumption, aes(x = reorder(country,co2_emmission), y = co2_emmission)) +
geom_col(aes(fill = food_category)) +
coord_flip() +
labs(
title = "Representação gráfica da emissão de CO2 por categoria alimentar",
x = "País",
y = "Emissão de Co2 (Kg CO2/pessoa/ano)",
color = "Categoria alimentar",
caption = "Elaborado por: Ariane Hayana Thomé de Farias") +
scale_fill_viridis_d(
alpha = .99,
begin = .1,
end = .9,
direction = 1,
option = "D") +
theme_bw()
```
É possível observarmos que países como *Argentina*, *Austrália* e *Albania* são destaques no topo e o Brasil está entre os dez países no *ranking* de emissão considerando a análise por categoria, com valores mais expressivos na categoria de produto *Carne*.
Por fim, elaborou-se *boxplots* considerando a *emissão de CO$_2$ por categoria* e também o *consumo por categoria*:
```{r, warnings=FALSE}
plot_ly(food_consumption,
y = ~co2_emmission,
color = ~food_category,
type = "box")
```
```{r, warnings=FALSE}
plot_ly(food_consumption,
y = ~consumption,
color = ~food_category,
type = "box")
```
## **4. Considerações finais**
<div style="text-align: justify">
De acordo com os dados obtidos, podemos concluir que os níveis de CO$_2$ na atmosfera são bastante altos sob a ótica alimentar. É alarmante ver o Brasil como um dos dez países com maiores emissões de dióxido de carbono e isto serve como um gatilho para repensarmos sobre nossas atitudes e comportamentos de consumo também. Espera-se que nosso país cumpra metas factíveis sobre as políticas nacionais e internacionais voltadas a redução das emissões de CO$_2$ não somente na questão alimentar, como também nas diversas áreas agravantes para tal cenário.
<div/>
## **Referências**
- Food carbon footprint index 2018: <br>
https://www.nu3.de/blogs/nutrition/food-carbon-footprint-index-2018
- GitHub do #TidyTuesday: <br> https://github.com/rfordatascience/tidytuesday/tree/master/data/2020/2020-02-18
- Webscraping with R - from messy & unstructured to blisfully tidy: <br>
https://r-tastic.co.uk/post/from-messy-to-tidy/
<div/>