Introducció

Aquest és un informe sobre els llocs que són patrimoni de la Humanitat per conèixer millor la distribució, les característiques i l’evolució d’aquests espais arreu del món. La Llista del Patrimoni Mundial inclou 1273 béns que formen part del patrimoni cultural i natural que el Comitè del Patrimoni Mundial considera que tenen un valor universal excepcional.

Metodologia

Càrrega dels paquets necessaris per a l’exercici que estenen la configuració bàsica de R.

library(tidyverse)
library(FSelectorRcpp)
library(plotly)
library(maps)
library(readxl)

Càrrega de les dades:

UNESCO World Heritage Convention. World Heritage List. Disponible a: https://whc.unesco.org/en/list/

Les dades es troben en un fitxer Excel prèviament tractat. Treballarem amb l’objecte «dades», consultem l’estructura del dataframe i fem alguna modificació si és necessari. En aquest cas, canviem el format de la variable “danger” de numèric a caràcter, perquè així podrem treballar amb els valors (es correspon més a un si/no i ens interessa saber quantes vegades es si o no).

dades <- read_excel("listaUNESCO.xlsx")
str(dades)#Estructura de les dades
dades$danger <- as.character(as.numeric(dades$danger)) #camp danger en format caracter

Processament de les dades

Taula amb el nombre de bens declarats per categoria

recompte_categories <- table(dades$category) #Taula amb el nombre de bens declarats per categoria
recompte_categories
## 
## Cultural    Mixed  Natural 
##      991       42      240

Taula que mostra en primer lloc la regió amb més bens declarats

recompte_bens_regio <- table(dades$region_en)
recompte_bens_regio <- as.data.frame(recompte_bens_regio)
recompte_bens_regio %>% arrange(desc(Freq))
##                                                                            Var1
## 1                                                      Europe and North America
## 2                                                          Asia and the Pacific
## 3                                               Latin America and the Caribbean
## 4                                                                        Africa
## 5                                                                   Arab States
## 6                                 Asia and the Pacific,Europe and North America
## 7 Asia and the Pacific,Europe and North America,Latin America and the Caribbean
##   Freq
## 1  587
## 2  311
## 3  154
## 4  115
## 5  102
## 6    3
## 7    1

Taula amb el nombre de bens de cada regió corresponents a cada tipus

recompte_categories_regio <- table(dades$category, dades$region_en)
recompte_categories_regio <- as.data.frame(recompte_categories_regio)
recompte_categories_regio

Variable més determinant per a que un be estigui en perill

Variable_determinant <- FSelectorRcpp::information_gain(danger ~ ., dades) %>%
  arrange(desc(importance))
Variable_determinant

O determinar la importància d’una en cocret:

Variable_determinant %>% filter(attributes == "region_en")
##   attributes importance
## 1  region_en 0.03327305

Taula amb el nombre de bens declarats per categoria que ens permetrà fer un gràfic de sectors el qual ens mostra les categories en què es troben classificats els bens i el nombre de cadascuna actualment, d’aquesta manera, comprovem ràpidament que la gran majoria dels bens, 991, pertanyen al tipus “Cultural”.

recompte_categories <- table(dades$category) #Taula amb el nombre de bens declarats per categoria
recompte_categories
## 
## Cultural    Mixed  Natural 
##      991       42      240
lbls <- paste(names(recompte_categories), "\n", recompte_categories, sep="")
Grafic_sectors <- pie(recompte_categories, main = "Categoria dels bens", labels = lbls)

Gràfics

Aquest gràfic de barres permet visualitzar el nombre de bens declarats que es troben en perill en cada regió del món, així com la categoria de cadascú dels bens. En el segon, passant el cursor sobre la barra, consultem el número de bens en perill, la regió, i la categoria a la qual pertanyen.

dades.perill <- dades %>%  filter(danger == "1")
datos.perill <- table(dades.perill$danger) 
datos.perill <- as.data.frame(datos.perill) #conversió en dataframe

perill <- ggplot(dades.perill, aes(x = region_en, fill = category)) +
  geom_bar() + 
  labs(title = "Bens en perill per regió i categoria",
                                x= "Regió",
                                y = "Nombre de bens declarats", fill = "categoria") +
  coord_flip()

perill

library(plotly)
graf.perill.interactiu <- plotly::ggplotly(perill)
graf.perill.interactiu

Per mostrar l’evolució del nombre de bens declarats patrimoni, per tal de conèixer l’any en què es declara el primer, 1978, o quan es van declarar més, al 2000, hem elaborat un gràfic de línees.

datos <- table(dades$date_inscribed) #recompte de declaracions per any
datos <- as.data.frame(datos) #conversió en dataframe
datos$Var1 <- as.numeric(as.character(datos$Var1)) #camp any en format numèric

evolucio <- ggplot(datos, aes(x = Var1, y = Freq)) +
  geom_line() + #afegir la línia
  geom_point() + #he afegit també un punt amb el valor de cada any
  labs(title = "Evolució de les declaracions de Patrimoni Mundial",
       x = "Any de declaració",
       y = "Nombre de declaracions") +
  theme_minimal()

evolucio

library(plotly)
graf.evolucio.interactiu <- plotly::ggplotly(evolucio)
graf.evolucio.interactiu

En el cas de l’estat espanyol, podem generar un gràfic que ens mostrarà que a Espanya no es declara cap be des de l’any 2000 en què es van declarar 5:

dades.spain <- dades %>%  filter(states_name_en == "Spain")
datos.spain <- table(dades.spain$date_inscribed) #recompte de declaracions per any
datos.spain <- as.data.frame(datos.spain) #conversió en dataframe
datos.spain$Var1 <- as.numeric(as.character(datos.spain$Var1)) #camp any en format numèric

evolucio.spain <- ggplot(datos.spain, aes(x = Var1, y = Freq)) +
  geom_line() + #afegir la línia
  geom_point() + #he afegit també un punt amb el valor de cada any
  labs(title = "Evolució de les declaracions de Patrimoni Mundial",
       x = "Any de declaració",
       y = "Nombre de declaracions") +
  theme_minimal()
evolucio.spain

library(plotly)
graf.evolucio.interactiu.spain <- plotly::ggplotly(evolucio.spain)
graf.evolucio.interactiu.spain

Per conèixer l’evolució per a cadascuna de les categories tenim aquest codi que ens genera el gràfic on ho podem visualitzar. Comprovem que el nombre de bens declarats del tipus cultural sempre ha sigut superior al de la resta de categories.

datos <- table(dades$date_inscribed, dades$category)
datos <- as.data.frame(datos)
datos$Var1 <- as.numeric(as.character(datos$Var1))

evolucio_categoria <- ggplot(datos, aes(x = Var1, y = Freq, color = Var2)) +
  geom_line(linewidth = 1) +
  geom_point(size = 1.5) +
  labs(title = "Evolució de les declaracions de Patrimoni Mundial",
       x = "Any de declaració",
       y = "Número de declaracions",
       color = "Tipus de patrimoni") +
  theme_minimal()
evolucio_categoria

library(plotly)
graf.evolucio.interactiu <- plotly::ggplotly(evolucio_categoria)
graf.evolucio.interactiu

Una manera més gràfica de seguir l’evolució és afegint-li animació:

graf.evolucio.animat <- ggplot(datos, aes(x = Var1, y = Freq, group = Var2, color = Var2)) +
  geom_line(linewidth = 1.2) +
  geom_point(size = 2) +
  labs(title = "Evolució de les declaracions de Patrimoni Mundial",
   x = "Any de les declaracions",
   y = "Nombre de llocs declarats",
   color = "Categoria") +
  theme_minimal(base_size = 14) +
  gganimate::transition_reveal(Var1)

graf.evolucio.animat
## `geom_line()`: Each group consists of only one observation.
## ℹ Do you need to adjust the group aesthetic?
## `geom_line()`: Each group consists of only one observation.
## ℹ Do you need to adjust the group aesthetic?

Mapes

Per representar gràficament la localització dels bens fem servir mapes com aquest, que situa els bens declarats dins l’estat espanyol segons la seva categoria:

spain <- dades %>%  filter(states_name_en == "Spain")
mapa_Espanya <- ggplot(spain) + annotation_borders("world", c("Spain", "Portugal", ""), fill = "white") +
  aes(x = longitude, y = latitude, text = name_es, color = category)+
  geom_point(size=0.75) +
    coord_fixed(xlim= c(-20, 7),
                ylim= c(25,45),
                ratio = 1.2)
mapa_Espanya

library(plotly)
mapa.interactiu <- plotly::ggplotly(mapa_Espanya)
mapa.interactiu

O com aquest altre, que ens mostra la localització del bens en perill de tot el món:

dades.perill <- dades %>%  filter(danger == "1")
llocs.perill.mon <- ggplot(dades.perill) + borders("world", fill = "white") +
aes(x = longitude, y = latitude, text = name_en, color = category) +
  geom_point(size = 0.75)
llocs.perill.mon

library(plotly)
mapa.interactiu <- plotly::ggplotly(llocs.perill.mon, tooltip = "text")
mapa.interactiu