Análise de Necropolítica: Gana e Nigéria
Análise de Necropolítica: Gana e Nigéria
Introdução
Esta análise examina os mecanismos de necropolítica através de dois estudos de caso: o lixão eletrônico de Agbogbloshie em Gana e os impactos da Shell na comunidade Ogoni na Nigéria.
Carregamento de Pacotes
library(ggplot2)## Warning: pacote 'ggplot2' foi compilado no R versão 4.5.2library(dplyr)## Warning: pacote 'dplyr' foi compilado no R versão 4.5.2##
## Anexando pacote: 'dplyr'## Os seguintes objetos são mascarados por 'package:stats':
##
## filter, lag## Os seguintes objetos são mascarados por 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(readxl)## Warning: pacote 'readxl' foi compilado no R versão 4.5.2library(tidyr)## Warning: pacote 'tidyr' foi compilado no R versão 4.5.2Carregamento e Exploração de Dados
dados <- read.csv(
"https://docs.google.com/spreadsheets/d/1bK4dxHgMvm4JBPtLokH598EO6hvKTE22f6_qP8fymEc/export?format=csv",
encoding = "UTF-8"
)
print("Primeiras linhas dos dados:")## [1] "Primeiras linhas dos dados:"head(dados)## Pais Ano Categoria Indicador Valor Unidade
## 1 Gana 2023 Populacao Trabalhadores no lixao 10000 pessoas
## 2 Gana 2023 Populacao Criancas expostas 5000 pessoas
## 3 Gana 2022 Contaminacao Lixo eletronico 250000 toneladas/ano
## 4 Gana 2021 Saude Chumbo no sangue 35 porcentagem
## 5 Gana 2020 Saude Expectativa de vida 45 ano
## 6 Gana 2019 Saude Doencas respiratórias 60 porcentagem
## Fonte
## 1 Pure Earth
## 2 UNICEF
## 3 Basel Network\n
## 4 OMS
## 5 Pure Earth\n
## 6 Greenpeaceprint("Estrutura dos dados:")## [1] "Estrutura dos dados:"str(dados)## 'data.frame': 17 obs. of 7 variables:
## $ Pais : chr "Gana" "Gana" "Gana" "Gana" ...
## $ Ano : int 2023 2023 2022 2021 2020 2019 2023 1995 1994 2011 ...
## $ Categoria: chr "Populacao" "Populacao" "Contaminacao" "Saude" ...
## $ Indicador: chr "Trabalhadores no lixao" "Criancas expostas" "Lixo eletronico" "Chumbo no sangue" ...
## $ Valor : int 10000 5000 250000 35 45 60 45 9 100 16000 ...
## $ Unidade : chr "pessoas" "pessoas" "toneladas/ano" "porcentagem" ...
## $ Fonte : chr "Pure Earth" "UNICEF" "Basel Network\n" "OMS" ...print("Resumo estatístico:")## [1] "Resumo estatístico:"summary(dados)## Pais Ano Categoria Indicador
## Length:17 Min. :1994 Length:17 Length:17
## Class :character 1st Qu.:2011 Class :character Class :character
## Mode :character Median :2020 Mode :character Mode :character
## Mean :2016
## 3rd Qu.:2023
## Max. :2023
## Valor Unidade Fonte
## Min. : 9 Length:17 Length:17
## 1st Qu.: 60 Class :character Class :character
## Median : 800 Mode :character Mode :character
## Mean : 17818
## 3rd Qu.: 5000
## Max. :250000Análise por País
analise_por_pais <- function(pais_selecionado) {
cat("\n")
cat("==================================================\n")
cat("ANLISE DETALHADA:", pais_selecionado, "\n")
cat("==================================================\n")
dados_pais <- dados %>% filter(Pais == pais_selecionado)
# EstatIsticas basicas
cat("\n📊 ESTATISTICAS GERAIS:\n")
cat("• Total de indicadores:", nrow(dados_pais), "\n")
cat("• Periodo:", min(dados_pais$Ano), "-", max(dados_pais$Ano), "\n")
cat("• Media dos valores:", round(mean(dados_pais$Valor), 1), "\n")
cat("• Soma total:", sum(dados_pais$Valor), "\n")
# Tabela detalhada
cat("\n📋 DADOS DETALHADOS:\n")
print(dados_pais %>% select(Ano, Categoria, Indicador, Valor, Unidade))
# Grafico de evolucao temporal
p1 <- ggplot(dados_pais, aes(x = Ano, y = Valor, color = Categoria)) +
geom_point(size = 3) +
geom_line(aes(group = Indicador), alpha = 0.5) +
labs(title = paste("EVOLUCAO TEMPORAL -", pais_selecionado),
subtitle = "Cada linha representa um indicador",
y = "Valor") +
theme_minimal()
print(p1)
return(dados_pais)
}
gana_analise <- analise_por_pais("Gana")##
## ==================================================
## ANLISE DETALHADA: Gana
## ==================================================
##
## 📊 ESTATISTICAS GERAIS:
## • Total de indicadores: 7
## • Periodo: 2019 - 2023
## • Media dos valores: 37883.6
## • Soma total: 265185
##
## 📋 DADOS DETALHADOS:
## Ano Categoria Indicador Valor Unidade
## 1 2023 Populacao Trabalhadores no lixao 10000 pessoas
## 2 2023 Populacao Criancas expostas 5000 pessoas
## 3 2022 Contaminacao Lixo eletronico 250000 toneladas/ano
## 4 2021 Saude Chumbo no sangue 35 porcentagem
## 5 2020 Saude Expectativa de vida 45 ano
## 6 2019 Saude Doencas respiratórias 60 porcentagem
## 7 2023 Contaminacao Solo contaminado 45 vezes limite## `geom_line()`: Each group consists of only one observation.
## ℹ Do you need to adjust the group aesthetic?
nigeria_analise <- analise_por_pais("Nigéria")##
## ==================================================
## ANLISE DETALHADA: Nigéria
## ==================================================
##
## 📊 ESTATISTICAS GERAIS:
## • Total de indicadores: 10
## • Periodo: 1994 - 2023
## • Media dos valores: 3772.9
## • Soma total: 37729
##
## 📋 DADOS DETALHADOS:
## Ano Categoria Indicador Valor Unidade
## 1 1995 Represao Execucoes de ativistas 9 pessoas
## 2 1994 Represao Massacre Biarra 100 pessoas
## 3 2011 Poluicao Mortes por cancer 16000 pessoas/ano
## 4 2023 Poluicao Doencas respiratórias 500 pessoas/ano
## 5 2020 Poluicao Insegurança Alimentar 3000 pessoas/ano
## 6 2018 Poluicao Complicacoes neonatais 800 pessoas/ano
## 7 2015 Poluicao Doencas cardiacas 1200 pessoas/ano
## 8 2010 Poluicao Mortes prematuras 15000 pessoas/ano
## 9 2023 Poluicao Vazamentos de oleo 220 occorências
## 10 2011 Contaminacao Benzeno na agua 900 vezes limite## `geom_line()`: Each group consists of only one observation.
## ℹ Do you need to adjust the group aesthetic?
Análise por Ano
analise_por_ano <- function(ano_selecionado) {
cat("ANÁLISE DO ANO:", ano_selecionado, "\n")
dados_ano <- dados %>% filter(Ano == ano_selecionado)
if(nrow(dados_ano) > 0) {
p <- ggplot(dados_ano, aes(x = Pais, y = Valor, fill = Categoria)) +
geom_bar(stat = "identity") +
labs(title = paste("COMPARAÇÃO ENTRE PAÍSES - ANO", ano_selecionado),
y = "Valor") +
theme_minimal()
print(p)
}
}
anos_analise <- unique(dados$Ano)
for(ano in anos_analise) {
analise_por_ano(ano)
}## ANÁLISE DO ANO: 2023
## ANÁLISE DO ANO: 2022
## ANÁLISE DO ANO: 2021
## ANÁLISE DO ANO: 2020
## ANÁLISE DO ANO: 2019
## ANÁLISE DO ANO: 1995
## ANÁLISE DO ANO: 1994
## ANÁLISE DO ANO: 2011
## ANÁLISE DO ANO: 2018
## ANÁLISE DO ANO: 2015
## ANÁLISE DO ANO: 2010
Análise por Categoria
analise_por_categoria <- function(categoria_selecionada) {
cat("CATEGORIA:", categoria_selecionada, "\n")
dados_categoria <- dados %>% filter(Categoria == categoria_selecionada)
if(nrow(dados_categoria) > 0) {
p <- ggplot(dados_categoria, aes(x = Pais, y = Valor, fill = Indicador)) +
geom_bar(stat = "identity", position = "dodge") +
labs(title = paste("COMPARAÇÃO POR PAÍS -", categoria_selecionada),
y = "Valor") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
print(p)
}
}
categorias_analise <- unique(dados$Categoria)
for(cat in categorias_analise) {
analise_por_categoria(cat)
}## CATEGORIA: Populacao
## CATEGORIA: Contaminacao
## CATEGORIA: Saude
## CATEGORIA: Represao
## CATEGORIA: Poluicao
Análise por Indicador
analise_por_indicador <- function(indicador_selecionado) {
cat("INDICADOR:", indicador_selecionado, "\n")
dados_indicador <- dados %>% filter(Indicador == indicador_selecionado)
if(nrow(dados_indicador) > 0) {
p <- ggplot(dados_indicador, aes(x = Pais, y = Valor, fill = País)) +
geom_bar(stat = "identity") +
labs(title = paste("COMPARAÇÃO DIRETA -", indicador_selecionado),
y = dados_indicador$Unidade[1]) +
theme_minimal()
print(p)
}
}
analise_por_indicador("Trabalhadores no lixão")## INDICADOR: Trabalhadores no lixãoanalise_por_indicador("Execuções ativistas") ## INDICADOR: Execuções ativistasanalise_por_indicador("Mortes anuais por câncer")## INDICADOR: Mortes anuais por câncerRelatório Final Comparativo
cat("RELATÓRIO COMPARATIVO FINAL: GANA vs NIGÉRIA\n")## RELATÓRIO COMPARATIVO FINAL: GANA vs NIGÉRIAp_final <- ggplot(dados, aes(x = Categoria, y = Valor, fill = Pais)) +
geom_boxplot() +
labs(title = "COMPARAÇÃO FINAL: GANA vs NIGÉRIA",
y = "Valor dos Indicadores") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
print(p_final)
resumo_geral <- dados %>%
group_by(Pais) %>%
summarise(
Total_Indicadores = n(),
Soma_Total = sum(Valor),
Media_Geral = mean(Valor),
Ano_Min = min(Ano),
Ano_Max = max(Ano)
)
cat("RESUMO GERAL:\n")## RESUMO GERAL:print(resumo_geral)## # A tibble: 2 × 6
## Pais Total_Indicadores Soma_Total Media_Geral Ano_Min Ano_Max
## <chr> <int> <int> <dbl> <int> <int>
## 1 Gana 7 265185 37884. 2019 2023
## 2 Nigéria 10 37729 3773. 1994 2023Conclusão
A análise revela padrões distintos de necropolítica nos dois países, com Gana mostrando violência ambiental sistemática e Nigéria apresentando combinação de repressão direta e contaminação industrial.