Objetivo: Comparar las tendencias de mortalidad y escolaridad entre la población que consume alcohol en Latinoamérica (Colombia) y Europa (Portugal) durante el año 2015.

Contexto

En 2015, el consumo de alcohol en América Latina y Europa variaba significativamente entre países y regiones, con factores como la cultura, la economía y las políticas de salud pública influyendo en los niveles de consumo. Según datos de la Organización Mundial de la Salud (OMS), el consumo total per cápita de alcohol en América Latina en 2015 fue de alrededor de 8.4 litros de alcohol puro por año, aunque hubo variaciones considerables entre los países de la región. En Europa, el consumo de alcohol también variaba según el país, con países del este y del norte de Europa que tendían a tener tasas de consumo per cápita más altas que los países del sur y del oeste. Según datos de la OMS, en 2015, el consumo total per cápita de alcohol en Europa fue de alrededor de 10.9 litros de alcohol puro por año. La Encuesta Nacional de Salud Mental (ENSM) de 2015 indagó en Colombia, entre otros asuntos, sobre el de consumo de alcohol de las personas entre 12 y 17 años y de 18 y más años. Se presentaron los datos según edad y región, sin realizar cruces con otras variables de salud mental, problemas, trastornos, acceso a servicios, estados de salud y su valoración. El 2,7% de los menores estudiados entran en la categoría de bebedor de riesgo. El mayor porcentaje de bebedores de riesgo se ubica en la franja de 18 a 44 años, con clara mayoría de varones.

Por ello hemos planteado diferentes variables que nos permitiran a través de datos de la Organización Mundial de la Salud estudiar el comportamiento teniendo en cuenta como variable principal el alcohol y su comportamiento frente a variables como la educación y la tasa de mortalidad.

library(readxl)
## Warning: package 'readxl' was built under R version 4.3.3
library(dplyr)
## 
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
library(plotly)
## Warning: package 'plotly' was built under R version 4.3.3
## Loading required package: ggplot2
## 
## Attaching package: 'plotly'
## The following object is masked from 'package:ggplot2':
## 
##     last_plot
## The following object is masked from 'package:stats':
## 
##     filter
## The following object is masked from 'package:graphics':
## 
##     layout
library(ggplot2)
library(gganimate)
## Warning: package 'gganimate' was built under R version 4.3.3
library(readr)
WHO <- read_csv("WHO.csv")
## Rows: 1647 Columns: 24
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr  (3): Country, Cod, Status
## dbl (21): Year, Life.expectancy, Adult.mortality, Infant.deaths, Alcohol, Pe...
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
library(readr)
WHO <- read_csv("WHO.csv")
## Rows: 1647 Columns: 24
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr  (3): Country, Cod, Status
## dbl (21): Year, Life.expectancy, Adult.mortality, Infant.deaths, Alcohol, Pe...
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
conteo<-table(WHO$Country)
conteo = data.frame(conteo)

base_Col_Por <- WHO %>% 
  select(Country, Status, Year, Population, Alcohol, Homicides, Life.expectancy, Adult.mortality, Schooling) %>% 
  subset(Year == 2015)

Relacion alcohol y expectativa de vida

base_Col_Por2 = base_Col_Por %>% 
  subset(Status == "Developed") 

mean(base_Col_Por2$Alcohol, na.rm = TRUE)
## [1] 9.222683
mean(base_Col_Por2$Life.expectancy)
## [1] 80.16028
base_Col_Por3 = base_Col_Por %>% 
  subset(Status == "Developing")

mean(base_Col_Por3$Alcohol, na.rm = TRUE)
## [1] 3.553112
mean(base_Col_Por3$Life.expectancy)
## [1] 68.87357
grafico_motalidad_alcohol = ggplot(base_Col_Por, aes(x =Alcohol, y = Life.expectancy, color = Status))+
  geom_point(size = 1, alpha = .6)+
  labs(title="Alcohol y E.vida", x="Alcohol", y = "Vida")
plot(grafico_motalidad_alcohol)

ggplotly(grafico_motalidad_alcohol)

La gráfica representa que los paises desarrollados tienen un mayor consumo de alcohol que los paises en vía de desarrollo, sin embargo la expectativa de vida es superior en los paises desarrollados.

Relación alcohol y homicidios

mean(base_Col_Por2$Schooling, na.rm = TRUE)
## [1] 11.92683
mean(base_Col_Por3$Schooling, na.rm = TRUE)
## [1] 7.335252
grafico_mortalidad_educacion = ggplot(base_Col_Por, aes(x =Alcohol, y =Schooling, color = Status))+
  geom_point(size = 1, alpha = .6)+
  labs(title="Alcohol y Educacion", x="Alcohol", y = "Educacion")

plot(grafico_mortalidad_educacion) #size es tamaño de boton y alpha color del fondo
## Warning: Removed 3 rows containing missing values or values outside the scale range
## (`geom_point()`).

ggplotly(grafico_mortalidad_educacion)

En el gráfico se logra identificar que las personas con más años de educación son las personas que pertenecen a paises desarrollados y consumen mayor volumen de alcohol, mientras que los paises subdesarrollados consumen menos volumen de alcohol con unos años menos en educación.

tasa de mortalidad y consumo de alcohol

consumo_desarrolado = base_Col_Por %>% 
  subset(Country %in% c("Switzerland", "Luxembourg", "Japan")) %>% summarize(mean_alcohol = mean(Alcohol))
consumo_subdesa = base_Col_Por %>% 
  subset(Country %in% c("Lesotho", "Central African Republic", "Cote d'Ivoire")) %>% summarize(mean_alcohol = mean(Alcohol))

GRAFICO PAISES EN VIA DE DESARROLLO

GRAFICO_SUBDESA <- WHO %>% 
  select(Country, Status, Year, Population, Alcohol, Homicides, Life.expectancy, Adult.mortality, Schooling) %>% 
  subset(Country %in% c("Lesotho", "Central African Republic", "Cote d'Ivoire")) %>% subset(Year %in% 2010:2016)

grafico_edu <- GRAFICO_SUBDESA %>%
  ggplot() + 
  geom_point(aes(x = Alcohol, y = Adult.mortality, col = Country, size = 1), alpha = 0.8) + theme_minimal() + 
  theme(legend.position = "bottom") + guides(size = "none") + 
  labs(x = "Litros Acohol" ,y = "MORTALIDAD",  col = "")
anim<-grafico_edu +
  transition_time(Year)+
  labs(title = "Año: {round(frame_time, 1)}")

animate(anim, renderer = gifski_renderer())

Para realizar el comparativo de paises en vía de desarrollo desde el año 2010 hasta el año 2015, hemos tomado dos variables comparativas, la mortalidad y los litros de alcohol consumidos, Los tres paises principales a realizar el comparativo son africa Central, Costa de Marfil y Lesoto. Los tres tienen un comportamiento diferente, en Costa de marfil se presentan bajos indices de mortalidad junto con un bajo consumo de alcohol. Para Africa Central el consumo de alcohol es mayor en los años 2010 a 2012, pero para el año 2013 tiene una caida hasta los años 2015, junto con los indices de mortalidad tienen un comportamiento relacionado. Para Lesotho se presenta un consumo de alcohol superior a los anteriores, con un relación directa en el incremento de la mortalidad de la población hasta inicios del 2015, donde en ese año se da una menor mortalidad pero no se disminuye el consumo de alcohol.

GRAFICO PAISES DESARROLLADOS

GRAFICO_DESARRO <- WHO %>% 
  select(Country, Status, Year, Population, Alcohol, Homicides, Life.expectancy, Adult.mortality, Schooling) %>% 
  subset(Country %in% c("Switzerland", "Luxembourg", "Japan")) %>% subset(Year %in% 2010:2016)

grafico_edu <- GRAFICO_DESARRO %>%
  ggplot() + 
  geom_point(aes(x = Alcohol, y = Adult.mortality, col = Country, size = 1), alpha = 0.8) + theme_minimal() + 
  theme(legend.position = "bottom") + guides(size = "none") + 
  labs(x = "Litros Acohol" ,y = "MORTALIDAD",  col = "")
anim2<-grafico_edu +
  transition_time(Year)+
  labs(title = "Año: {round(frame_time, 1)}")

animate(anim2, renderer = gifski_renderer())

Para realizar el comparativo de paises en desarrollo desde el año 2010 hasta el año 2015, hemos tomado dos variables comparativas, la mortalidad y los litros de alcohol consumidos, Los paises que realizamos el comparativo son Japan, luxemburgo y Suiza. Donde logramos identificar que Japon a medida que disminuye su consumo de alcohol, disminuye la mortalidad Mientra que en luxemburgo, se mantiene el consumo de alcohol de forma estable, pero al paso de los años disminuye la mortalidad, puede deberse a factores relacionados con las condiciones de vida. Y Suiza presenta el mayor consumo de Alcohol pero con unos indices decrecientes de mortalidad.

Analisis de poblacion y alcohol (Los 3 paises con mayor tasa de escolaridad).

educacion_desa<-base_Col_Por %>% 
  select(Country, Alcohol,Schooling, Population, Status, Year) %>% subset(Status=="Developed") %>% subset(Country %in% c("Germany","Switzerland", "United States"))

educacion_desa<-mutate(educacion_desa,
                       Population=Population/1000000)

educacion_desa$Population<-round(educacion_desa$Population, digits = 0)


mean(educacion_desa$Alcohol, na.rm = TRUE)
## [1] 9.816667
mean(educacion_desa$Schooling)
## [1] 13.6
grafico02 <- ggplot(educacion_desa, aes(x = Status, y = Schooling, fill = Country)) +
  geom_bar(stat = "summary", fun = "mean", position = "dodge") +
  theme_light() +
  labs(title = "Análisis escolaridad", x = "Status", y = "Escolaridad")

plot(grafico02)

ggplotly(grafico02)

En este gráfico podemos identificar que el pais con mayor indice de escolaridad es Alemania, frente a Suiza y Estados Unidos.

PAISES SUBDESARROLLADOS

educacion_endasa<-base_Col_Por %>% 
  select(Country, Alcohol,Schooling, Population, Status, Year) %>% subset(Status=="Developing") %>% subset(Country %in% c("Burkina Faso","Niger", "Mali"))

educacion_endasa<-mutate(educacion_endasa,
                       Population=Population/1000000)

educacion_endasa$Population<-round(educacion_endasa$Population, digits = 0)


mean(educacion_endasa$Alcohol, na.rm = TRUE)
## [1] 2.613333
mean(educacion_endasa$Schooling)
## [1] 1.833333
grafico03 <- ggplot(educacion_endasa, aes(x = Status, y = Schooling, fill = Country)) +
  geom_bar(stat = "summary", fun = "mean", position = "dodge") +
  theme_light() +
  labs(title = "Análisis escolaridad", x = "Status", y = "Escolaridad")


ggplotly(grafico03)

En el ranking de los paises subdesarrollados con mayores indices de escolaridad se encuentra Mali, seguido de Niger y Burkina Faso.