Confronto statistico governi Meloni-Sanchez
05-08-2026
SI INFORMANO GLI UTENTI CHE I GRAFICI DI QUESTO REPORT SONO COMMENTATI DA CHATGPT
Caricamento librerie
library(dplyr)
library(ggplot2)
library(reshape2)
library(tidyr)
library(knitr)Parte 1: Dati
Da Eurostat Bulk Download : https://ec.europa.eu/eurostat/databrowser/bulk?lang=en è possibile scaricare le serie storiche di Italia e Spagna dal 1960 al 2025 dei seguenti indicatori:- nama_10_pc = PIL procapite
- lfsi_emp_a = Tasso di occupazione
- une_rt_a = Tasso di disoccupazione
- ilc_li02 = Rischio di povertà
- migr_imm8 = Numero di immigrati arrivati ogni anno
- migr_resfirst = Numero di permessi di soggiorno rilasciati ogni anno
- crim_off_cat =Reati ogni 100.000 abitanti denunciati alla polizia
Da World Bank è possibile scaricare il tasso di crescita del PIL di Italia e Spagna dal 1960 al 2025: https://data.worldbank.org/indicator/NY.GDP.MKTP.KD.ZG?locations=OE
Dall’OCSE è possibile scaricare il salario medio annuo di Italia e Spagna dal 1960 al 2025: Scarica da OECD qui
e il Salario minimo : Scarica da OECD qui
Caricamento dati:
options(scipen = 999)
GDP_growth <- read.csv("GDP_growth.csv")
PIL_procapite <- read.csv("estat_nama_10_pc_en_PIL_procapite.csv")
Tasso_occupazione <- read.csv("estat_lfsi_emp_a_en_Occupazione.csv")
Tasso_disoccupazione <- read.csv("estat_une_rt_a_en_Disoccupazione.csv")
Tasso_povertà <- read.csv("estat_ilc_li02_en_Rischio_povertà.csv")
Salario_medio_annuo <- read.csv("Average annual wages.csv")
Salario_minimo <- read.csv("Real minimum wages at constant prices.csv")
Immigrazione <- read.csv("estat_migr_imm8_en_Immigrazione.csv")
Permessi_soggiorno <- read.csv("estat_migr_resfirst_en_Nuovi permessi rilasciati ogni anno.csv")
Reati_denunciati <- read.csv("estat_crim_off_cat_en_Reati denunciati alla polizia per categoria.csv")Parte 2: Esplorazione dati
Crescita economica:
Uno dei dati che emerge con maggiore evidenza riguarda il tasso di crescita del PIL.
Negli anni successivi alla pandemia la Spagna ha registrato una crescita economica generalmente superiore a quella italiana. Ciò non significa che la Spagna sia un Paese più ricco, ma che la sua economia è cresciuta più rapidamente.
Diversi fattori hanno contribuito a questa dinamica:
- forte ripresa del turismo;
- aumento dell’occupazione;
- crescita della popolazione grazie ai flussi migratori;
- utilizzo dei fondi europei del Next Generation EU.
L’Italia ha invece mostrato una crescita più moderata.
df<-GDP_growth %>%
filter(Country.Name %in% c("Italy","Spain")) %>%
select(1,5:70)
colnames(df)[2:67] <- 1960:2025
df <- melt(df, id="Country.Name")
df$variable <- as.integer(as.character(df$variable))
df %>%
mutate(Country.Name=factor(Country.Name,levels = c("Spain","Italy"))) %>%
filter(variable>2016) %>%
ggplot(aes(variable,value, colour = Country.Name)) +
geom_line(linewidth = 1)+
scale_y_continuous(breaks = -15:10)+
scale_x_continuous(breaks = 2017:2025)+
geom_text(aes(label=round(value,2)), vjust=-1, size=3)+
# Linee verticali
geom_vline(xintercept = 2018, linetype = "dashed", colour = "blue") +
geom_vline(xintercept = 2022, linetype = "dashed", colour = "red") +
# Etichette
annotate("text",
x = 2018,
y = Inf,
label = "Sánchez",
angle = 90,
vjust = -0.5,
hjust = 1.5,
colour = "blue") +
annotate("text",
x = 2022,
y = Inf,
label = "Meloni",
angle = 90,
vjust = -0.5,
hjust = 1.5,
colour = "red") +
xlab("Anno")+
ylab("Tasso di crescita del PIL")+
ggtitle("Tasso di crescita del PIL in Italia e Spagna dal 2017 al 2025")
PIL pro capite in PPS (Purchasing Power Standard) per abitante:
Il grafico del PIL pro capite in PPS mostra una situazione differente rispetto al tasso di crescita. Per tutto il periodo 2017-2025 la curva italiana (azzurra) rimane sopra quella spagnola (rossa). Ciò indica che il reddito medio corretto per il potere d’acquisto resta più elevato in Italia durante tutto il periodo. La Spagna cresce più rapidamente dell’Italia, ma nel 2025 non ha ancora raggiunto il livello di PIL pro capite italiano corretto per il potere d’acquisto. La Spagna ha registrato tassi di crescita del PIL più elevati negli ultimi anni, pur partendo da un livello inferiore di PIL pro capite.
df<-PIL_procapite %>%
filter(geo %in% c("IT","ES"))
df %>%
filter(TIME_PERIOD>2016, unit=="CP_PPS_EU27_2020_HAB", na_item=="B1GQ") %>%
ggplot(aes(TIME_PERIOD, OBS_VALUE, colour = geo)) +
geom_line(linewidth = 1)+
geom_text(aes(label=OBS_VALUE), vjust=-1, size=3)+
scale_x_continuous(breaks = 2017:2025)+
# Linee verticali
geom_vline(xintercept = 2018, linetype = "dashed", colour = "blue") +
geom_vline(xintercept = 2022, linetype = "dashed", colour = "red") +
# Etichette
annotate("text",
x = 2018,
y = Inf,
label = "Sánchez",
angle = 90,
vjust = -0.5,
hjust = 1.5,
colour = "blue") +
annotate("text",
x = 2022,
y = Inf,
label = "Meloni",
angle = 90,
vjust = -0.5,
hjust = 1.5,
colour = "red") +
xlab("Anno")+
ylab("PIL procapite in euro")+
ggtitle("PIL procapite in PPS (Purchasing Power Standard) per abitante", subtitle = "in Italia e Spagna dal 2017 al 2025")
Mercato del lavoro:
Anche il mercato del lavoro evidenzia differenze interessanti. La Spagna ha registrato un forte aumento degli occupati, favorito sia dalla ripresa economica sia dall’aumento della popolazione in età lavorativa anche grazie agli immigrati. L’Italia ha migliorato gli indicatori occupazionali, ma con una dinamica più contenuta. L’andamento dell’occupazione rappresenta uno dei principali elementi che spiegano la maggiore crescita del PIL spagnolo.
df<-Tasso_occupazione %>%
filter(geo %in% c("IT","ES"))
df %>%
filter(TIME_PERIOD>2016, unit=="PC_POP", age=="Y20-64", sex=="T", indic_em=="EMP_LFS") %>%
ggplot(aes(TIME_PERIOD, OBS_VALUE, colour = geo)) +
geom_line(linewidth = 1)+
geom_text(aes(label=OBS_VALUE), vjust=-1, size=3)+
scale_x_continuous(breaks = 2017:2025)+
# Linee verticali
geom_vline(xintercept = 2018, linetype = "dashed", colour = "blue") +
geom_vline(xintercept = 2022, linetype = "dashed", colour = "red") +
# Etichette
annotate("text",
x = 2018,
y = Inf,
label = "Sánchez",
angle = 90,
vjust = -0.5,
hjust = 1.5,
colour = "blue") +
annotate("text",
x = 2022,
y = Inf,
label = "Meloni",
angle = 90,
vjust = -0.5,
hjust = 1.5,
colour = "red") +
xlab("Anno")+
ylab("Tasso di occupazione")+
ggtitle("Percentuale della popolazione occupata dai 20 ai 64 anni", subtitle = "in Italia e Spagna dal 2017 al 2025")
df<-Tasso_disoccupazione %>%
filter(geo %in% c("IT","ES"))
df %>%
filter(TIME_PERIOD>2016, unit=="PC_POP", age=="Y20-64", sex=="T") %>%
ggplot(aes(TIME_PERIOD, OBS_VALUE, colour = geo)) +
geom_line(linewidth = 1)+
geom_text(aes(label=OBS_VALUE), vjust=-1, size=3)+
scale_x_continuous(breaks = 2017:2025)+
# Linee verticali
geom_vline(xintercept = 2018, linetype = "dashed", colour = "blue") +
geom_vline(xintercept = 2022, linetype = "dashed", colour = "red") +
# Etichette
annotate("text",
x = 2018,
y = Inf,
label = "Sánchez",
angle = 90,
vjust = -0.5,
hjust = 1.5,
colour = "blue") +
annotate("text",
x = 2022,
y = Inf,
label = "Meloni",
angle = 90,
vjust = -0.5,
hjust = 1.5,
colour = "red") +
xlab("Anno")+
ylab("Tasso di occupazione")+
ggtitle("Percentuale della popolazione disoccupata dai 20 ai 64 anni", subtitle = "in Italia e Spagna dal 2017 al 2025")
df<-Tasso_povertà %>%
filter(geo %in% c("IT","ES"))
df %>%
filter(TIME_PERIOD>2016, unit=="PC", sex=="T", age=="TOTAL", rskpovth=="B_60", statinfo=="MED_EI") %>%
ggplot(aes(TIME_PERIOD, OBS_VALUE, colour = geo)) +
geom_line(linewidth = 1)+
geom_text(aes(label=OBS_VALUE), vjust=-1, size=3)+
scale_x_continuous(breaks = 2017:2025)+
# Linee verticali
geom_vline(xintercept = 2018, linetype = "dashed", colour = "blue") +
geom_vline(xintercept = 2022, linetype = "dashed", colour = "red") +
# Etichette
annotate("text",
x = 2018,
y = Inf,
label = "Sánchez",
angle = 90,
vjust = -0.5,
hjust = 1.5,
colour = "blue") +
annotate("text",
x = 2022,
y = Inf,
label = "Meloni",
angle = 90,
vjust = -0.5,
hjust = 1.5,
colour = "red") +
xlab("Anno")+
ylab("Tasso di occupazione")+
ggtitle("Percentuale della popolazione che vive al di sotto", subtitle = " del 60% del reddito mediano in Italia e Spagna dal 2017 al 2025")
df<-Salario_medio_annuo %>%
filter(Reference.area %in% c("Spain","Italy"))
df %>%
mutate(Reference.area=factor(Reference.area, levels = c("Spain","Italy"))) %>%
filter(TIME_PERIOD>2016,Unit.of.measure=="Euro" , Price.base=="Constant prices") %>%
ggplot(aes(TIME_PERIOD, OBS_VALUE, colour = Reference.area)) +
geom_line(linewidth = 1)+
geom_text(aes(label=round(OBS_VALUE,2)), vjust=-1, size=3)+
scale_x_continuous(breaks = 2017:2025)+
# Linee verticali
geom_vline(xintercept = 2018, linetype = "dashed", colour = "blue") +
geom_vline(xintercept = 2022, linetype = "dashed", colour = "red") +
# Etichette
annotate("text",
x = 2018,
y = Inf,
label = "Sánchez",
angle = 90,
vjust = -0.5,
hjust = 1.5,
colour = "blue") +
annotate("text",
x = 2022,
y = Inf,
label = "Meloni",
angle = 90,
vjust = -0.5,
hjust = 1.5,
colour = "red") +
xlab("Anno")+
ylab("Salario medio annuo")+
ggtitle("Salario medio annuo in euro al prezzo costante", subtitle = "in Italia e Spagna dal 2017 al 2025")
df<-Salario_minimo %>%
filter(Reference.area == "Spain", TIME_PERIOD>2016,Unit.of.measure=="US dollars, exchange rate converted" , Price.base=="Constant prices") %>%
select(TIME_PERIOD, OBS_VALUE, Reference.area)
df1 <- data.frame(TIME_PERIOD=2017:2024, OBS_VALUE=0, Reference.area="Italy")
df <- rbind(df,df1)
df %>%
mutate(Reference.area=factor(Reference.area, levels = c("Spain","Italy"))) %>%
ggplot(aes(TIME_PERIOD, OBS_VALUE, colour = Reference.area)) +
geom_line(linewidth = 1)+
geom_text(aes(label=round(OBS_VALUE,2)), vjust=-1, size=3)+
ylim(0,18000)+
scale_x_continuous(breaks = 2017:2025)+
# Linee verticali
geom_vline(xintercept = 2018, linetype = "dashed", colour = "blue") +
geom_vline(xintercept = 2022, linetype = "dashed", colour = "red") +
# Etichette
annotate("text",
x = 2018,
y = Inf,
label = "Sánchez",
angle = 90,
vjust = -0.5,
hjust = 1.5,
colour = "blue") +
annotate("text",
x = 2022,
y = Inf,
label = "Meloni",
angle = 90,
vjust = -0.5,
hjust = 2,
colour = "red") +
xlab("Anno")+
ylab("Salario minimo")+
ggtitle("Salario minimo annuo in dollari USA al prezzo costante", subtitle = "in Italia e Spagna dal 2017 al 2024")
Immigrazione:
Uno degli indicatori più significativi del report riguarda i nuovi permessi di soggiorno rilasciati ogni anno. La Spagna presenta valori nettamente superiori rispetto all’Italia durante tutto il periodo osservato. Dopo il 2021 il numero di nuovi permessi cresce ulteriormente, superando i 500.000 rilasci annui e raggiungendo oltre 630.000 nel 2025, mentre l’Italia oscilla tra circa 240.000 e oltre 430.000 permessi nello stesso periodo. Questo dato suggerisce una maggiore capacità della Spagna di attrarre lavoratori e nuovi residenti. L’immigrazione rappresenta probabilmente uno dei fattori che hanno sostenuto la crescita dell’occupazione e del PIL spagnolo, aumentando la disponibilità di forza lavoro in numerosi settori economici. Tuttavia il dato, da solo, non permette di stabilire un rapporto di causa-effetto tra immigrazione e crescita economica: il risultato dipende anche dalla domanda di lavoro, dagli investimenti e dalla produttività.
df<-Immigrazione %>%
filter(geo %in% c("IT","ES"))
df %>%
filter(TIME_PERIOD>2016, sex=="T", age=="TOTAL") %>%
ggplot(aes(TIME_PERIOD, OBS_VALUE, colour = geo)) +
geom_line(linewidth = 1)+
geom_text(aes(label=OBS_VALUE), vjust=-1, size=3)+
scale_x_continuous(breaks = 2017:2025)+
# Linee verticali
geom_vline(xintercept = 2018, linetype = "dashed", colour = "blue") +
geom_vline(xintercept = 2022, linetype = "dashed", colour = "red") +
# Etichette
annotate("text",
x = 2018,
y = Inf,
label = "Sánchez",
angle = 90,
vjust = -0.5,
hjust = 1.5,
colour = "blue") +
annotate("text",
x = 2022,
y = Inf,
label = "Meloni",
angle = 90,
vjust = -0.5,
hjust = 1.5,
colour = "red") +
xlab("Anno")+
ylab("Numero di immigrati")+
ggtitle("Numero di immigrati arrivati in Italia e Spagna dal 2017 al 2024")
df<-Permessi_soggiorno %>%
filter(geo %in% c("IT","ES"))
df %>%
filter(TIME_PERIOD>2016, duration =="TOTAL", reason=="TOTAL", citizen=="TOTAL") %>%
ggplot(aes(TIME_PERIOD, OBS_VALUE, colour = geo)) +
geom_line(linewidth = 1)+
geom_text(aes(label=OBS_VALUE), vjust=-1, size=3)+
scale_x_continuous(breaks = 2017:2025)+
# Linee verticali
geom_vline(xintercept = 2018, linetype = "dashed", colour = "blue") +
geom_vline(xintercept = 2022, linetype = "dashed", colour = "red") +
# Etichette
annotate("text",
x = 2018,
y = Inf,
label = "Sánchez",
angle = 90,
vjust = -0.5,
hjust = 1.5,
colour = "blue") +
annotate("text",
x = 2022,
y = Inf,
label = "Meloni",
angle = 90,
vjust = -0.5,
hjust = 1.5,
colour = "red") +
xlab("Anno")+
ylab("Numero di permessi di soggiorno")+
ggtitle("Nuovi permessi di soggiorno rilasciati ogni anno", subtitle = "in Italia e Spagna dal 2017 al 2025")
Reati ogni 100.000 abitanti:
La Spagna presenta un numero di rapine sensibilmente più elevato rispetto all’Italia. Nel 2024 la Spagna ha avuto oltre 40 rapine ogni 100.000 abitanti, in Italia circa 13. Per alcune categorie di furti i valori risultano generalmente più elevati in Spagna. Per i reati di droga entrambi i Paesi mostrano un aumento nel periodo considerato. Nel 2024 la Spagna oltre 1.000 reati ogni 100.000 abitanti, in Italia circa 730. Il traffico di migranti risulta generalmente più elevato in Spagna.
tabella_crimini <- Reati_denunciati %>%
filter(
geo %in% c("IT", "ES"),
unit == "P_HTHAB",
TIME_PERIOD >= 2018,
TIME_PERIOD <= 2025,
iccs %in% c(
"ICCS0101", # Omicidi
"ICCS0301", # Rapine
"ICCS0302", # Furti
"ICCS030221", # Furti in abitazione
"ICCS0501", # Furti d'auto
"ICCS0701", # Reati di droga
"ICCS09051" # Traffico di migranti
)
) %>%
mutate(
reato = recode(
iccs,
"ICCS0101" = "Omicidi",
"ICCS0301" = "Rapine",
"ICCS0302" = "Furti",
"ICCS030221" = "Furti_abitazione",
"ICCS0501" = "Furti_auto",
"ICCS0701" = "Reati_droga",
"ICCS09051" = "Traffico_migranti"
)
) %>%
select(geo, TIME_PERIOD, reato, OBS_VALUE) %>%
pivot_wider(
names_from = reato,
values_from = OBS_VALUE
) %>%
arrange(geo, TIME_PERIOD)
kable(tabella_crimini)| geo | TIME_PERIOD | Omicidi | Rapine | Furti | Furti_abitazione | Furti_auto | Reati_droga | Traffico_migranti |
|---|---|---|---|---|---|---|---|---|
| ES | 2018 | 0.62 | 24.89 | 3.02 | 1.91 | 301.17 | 619.78 | 3.05 |
| ES | 2019 | 0.71 | 27.76 | 3.16 | 1.85 | 280.43 | 697.99 | 2.48 |
| ES | 2020 | 0.63 | 23.48 | 2.81 | 1.61 | 282.48 | 761.74 | 2.78 |
| ES | 2021 | 0.61 | 30.35 | 5.55 | 1.56 | 269.15 | 787.14 | 3.52 |
| ES | 2022 | 0.69 | 34.31 | 5.73 | 1.49 | 313.52 | 982.52 | 4.29 |
| ES | 2023 | 0.69 | 38.22 | 7.16 | 1.89 | 314.72 | 1109.23 | 4.25 |
| ES | 2024 | 0.72 | 40.43 | 6.56 | NA | 293.27 | 1063.91 | 5.61 |
| IT | 2018 | 0.59 | 8.90 | 3.61 | 1.04 | NA | 361.86 | 1.02 |
| IT | 2019 | 0.53 | 9.03 | 3.88 | 1.38 | NA | 466.35 | 0.93 |
| IT | 2020 | 0.48 | 8.25 | 4.22 | 1.85 | NA | 593.02 | 1.01 |
| IT | 2021 | 0.51 | 9.73 | 4.33 | 2.10 | NA | 743.49 | 1.19 |
| IT | 2022 | 0.55 | 11.54 | 3.81 | 1.72 | NA | 694.90 | 0.75 |
| IT | 2023 | 0.57 | 11.43 | 3.19 | 1.39 | NA | 763.16 | 0.68 |
| IT | 2024 | 0.57 | 12.59 | 3.54 | NA | NA | 732.67 | 0.85 |
Conclusioni
La Spagna ha sperimentato una crescita economica più intensa, sostenuta da occupazione, turismo, investimenti e immigrazione. L’Italia ha registrato una crescita più contenuta, ma continua a presentare un PIL pro capite superiore. È importante sottolineare che questi risultati non possono essere attribuiti esclusivamente ai governi Meloni o Sánchez. Gli indicatori macroeconomici sono influenzati anche da fattori internazionali, dalla politica monetaria della Banca Centrale Europea, dai prezzi dell’energia, dalla congiuntura globale e dall’attuazione dei programmi europei di investimento.