Confronto statistico governi Meloni-Sanchez

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
Salario minimo =https://data-explorer.oecd.org/vis?df[ds]=DisseminateFinalDMZ&df[id]=DSD_EARNINGS%40RMW&df[ag]=OECD.ELS.SAE&dq=…A…&pd=2001,&to[TIME_PERIOD]=false&vw=tb

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: https://data-explorer.oecd.org/vis?tm=%22average%20annual%20wage%22&pg=0&snb=26&vw=tb&df[ds]=dsDisseminateFinalDMZ&df[id]=DSD_EARNINGS%40AV_AN_WAGE&df[ag]=OECD.ELS.SAE&df[vs]=1.0&dq=……&pd=2000,&to[TIME_PERIOD]=false&ly[cl]=TIME_PERIOD&ly[rw]=REF_AREA,PRICE_BASE

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

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")

df<-PIL_procapite %>%
  filter(geo %in% c("IT","ES"))  

df %>%
  filter(TIME_PERIOD>2016, unit=="CP_EUR_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 euro al prezzo corrente", subtitle = "in Italia e Spagna dal 2017 al 2025")

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")

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:

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

Confronto statistico governi Meloni-Sanchez

2026-08-01

Caricamento librerie

Parte 1: Dati

Parte 2: Esplorazione dati

Reati ogni 100.000 abitanti: