Egovernment 2003-2022
Lucía Gallo
12/2022
Análisis del E-Government Index (ONU)
Complementario al trabajo final de la Maestría en Políticas Públicas, UTDT.
A continación se presenta un análisis de las tendencias y evolución de las políticas de Gobierno Digital o E-Government a nivel global. El mismo es un análisis extendido y complementario al trabajo final presentado para obtener el título de Magister en Políticas Públicas, bajo el nombre: “IDENTIDAD DIGITAL DESCENTRALIZADA Y GOBIERNO: HACIA UN NUEVO MODELO DE GOBERNANZA DE DATOS EN EL SECTOR PÚBLICO”
Todas las bases de datos que se utilizan están recopiladas y disponibilizadas por las Naciones Unidas. Las mismas están disponibles online en: https://publicadministration.un.org/egovkb/en-us/Data-Center
Sobre las bases de datos
La ONU cuenta con dos grandes bases de datos:
E-Government Development Index (EGDI)
E-Participation Index (EPI)
Ambas están disponibles a nivel:
Regional (incluye división por continente, subregiones del continente y grupo de países según nivel de ingresos.
País (listado de 193 países).
Esta base, no sólamente incluye el índice numérico de cada categoría sino los valores de los subíndices que lo componen. Ellos son Online Service Index, Human Capital Index y Telecommunication Infrastructure Index.
##Base EGDI
Primero cargamos los paquetes a utilizar:
library(tidyverse)## ── Attaching packages ─────────────────────────────────────── tidyverse 1.3.1 ──## ✔ ggplot2 3.3.5 ✔ purrr 0.3.4
## ✔ tibble 3.1.6 ✔ dplyr 1.0.7
## ✔ tidyr 1.1.4 ✔ stringr 1.4.0
## ✔ readr 2.1.0 ✔ forcats 0.5.1## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()require(devtools)## Loading required package: devtools## Loading required package: usethislibrary(sf)## Linking to GEOS 3.10.2, GDAL 3.4.2, PROJ 8.2.1; sf_use_s2() is TRUElibrary(rgdal)## Loading required package: sp## Please note that rgdal will be retired by the end of 2023,
## plan transition to sf/stars/terra functions using GDAL and PROJ
## at your earliest convenience.
##
## rgdal: version: 1.5-32, (SVN revision 1176)
## Geospatial Data Abstraction Library extensions to R successfully loaded
## Loaded GDAL runtime: GDAL 3.4.2, released 2022/03/08
## Path to GDAL shared files: /Library/Frameworks/R.framework/Versions/4.1-arm64/Resources/library/rgdal/gdal
## GDAL binary built with GEOS: FALSE
## Loaded PROJ runtime: Rel. 8.2.1, January 1st, 2022, [PJ_VERSION: 821]
## Path to PROJ shared files: /Library/Frameworks/R.framework/Versions/4.1-arm64/Resources/library/rgdal/proj
## PROJ CDN enabled: FALSE
## Linking to sp version:1.4-7
## To mute warnings of possible GDAL/OSR exportToProj4() degradation,
## use options("rgdal_show_exportToProj4_warnings"="none") before loading sp or rgdal.library(dplyr)
library(ggplot2)
library(readxl)
#library(leaflet)
#library(RColorBrewer)Bases regionales
Comenzamos con la lectura de bases de EGDI por regiones y por grupos de países según ingreso.
EDGI_REG_2003 <- read.csv("EGOV_REGION_DATA_2003_EGDI.csv")
EDGI_REG_2004 <- read.csv("EGOV_REGION_DATA_2004_EGDI.csv")
EDGI_REG_2005 <-read.csv("EGOV_REGION_DATA_2005_EGDI.csv")
EDGI_REG_2008 <-read.csv("EGOV_REGION_DATA_2008_EGDI.csv")
EDGI_REG_2010 <-read.csv("EGOV_REGION_DATA_2010_EGDI.csv")
EDGI_REG_2012 <-read.csv("EGOV_REGION_DATA_2012_EGDI.csv")
EDGI_REG_2014 <-read.csv("EGOV_REGION_DATA_2014_EGDI.csv")
EDGI_REG_2016 <-read.csv("EGOV_REGION_DATA_2016_EGDI.csv")
EDGI_REG_2018 <-read.csv("EGOV_REGION_DATA_2018_EGDI.csv")
EDGI_REG_2020 <-read.csv("EGOV_REGION_DATA_2020_EGDI.csv")
EDGI_REG_2022 <-read.csv("EGOV_REGION_DATA_2022_EGDI.csv")Unimos todas las bases anteriores.
EDGI_REG_2003_2022 <- left_join(EDGI_REG_2003, EDGI_REG_2004, by="Region.or.Country") %>% left_join(EDGI_REG_2005, by="Region.or.Country") %>% left_join(EDGI_REG_2008, by="Region.or.Country") %>% left_join(EDGI_REG_2010, by="Region.or.Country") %>% left_join(EDGI_REG_2012, by="Region.or.Country")%>% left_join(EDGI_REG_2014, by="Region.or.Country") %>% left_join(EDGI_REG_2016, by="Region.or.Country") %>% left_join(EDGI_REG_2018, by="Region.or.Country") %>% left_join(EDGI_REG_2020, by="Region.or.Country") %>% left_join(EDGI_REG_2022, by="Region.or.Country") Renombramos la columna Región y calculamos el crecimiento desde el comienzo de la medición al último año disponible. Además, calculamos la “oportunidad” de crecimiento que esa categoría tiene, es decir, cuánto se aleja de la mayor puntuación posible: 1.
EDGI_REG_2003_2022 <- EDGI_REG_2003_2022 %>% rename(Region=Region.or.Country) %>% mutate(Crecimiento = X2022.EGDI.Average - X2003.EGDI.Average) %>% mutate(maxScore = 1) %>% mutate(Oportunidad = maxScore- X2022.EGDI.Average)Seleccionamos las regiones a analizar e imprimimos la tabla de ranking de crecimiento y oportunidad de crecimiento: - se eliminan valores de la categoría Región por no ser representativos ni parte de la categoría que se busca mostrar.
EDGI_REG <- filter(EDGI_REG_2003_2022, !(Region == "High income" | Region == "Europe" | Region == "Americas" |Region == "World" | Region == "Upper middle income" | Region == "Asia" | Region == "Oceania" |Region == "Small Island Developing State" | Region == "Lower middle income" | Region == "Landlocked Developing Country" | Region == "Africa" | Region == "Oceania - Polynesia" | Region == "Oceania - Micronesia" | Region == "Least Developed Country" | Region == "Low income")) %>% arrange(desc(Crecimiento)) %>% select(Region, X2022.EGDI.Average, Crecimiento, Oportunidad)
EDGI_REG <- EDGI_REG %>% rename("2022"=X2022.EGDI.Average)
EDGI_REG## Region 2022 Crecimiento Oportunidad
## 1 Asia - Central Asia 0.6543 0.4445 0.3457
## 2 Europe - Southern Europe 0.7827 0.3151 0.2173
## 3 Asia - Western Asia 0.6915 0.3058 0.3085
## 4 Europe - Eastern Europe 0.7877 0.3020 0.2123
## 5 Asia - Eastern Asia 0.7344 0.2950 0.2656
## 6 Africa - Northern Africa 0.5050 0.2701 0.4950
## 7 Europe - Western Europe 0.8600 0.2678 0.1400
## 8 Americas - South America 0.6928 0.2615 0.3072
## 9 Americas - Caribbean 0.5988 0.2593 0.4012
## 10 Asia - Southern Asia 0.5300 0.2574 0.4700
## 11 Asia - South-eastern Asia 0.6405 0.2450 0.3595
## 12 Africa - Western Africa 0.3856 0.2368 0.6144
## 13 Africa - Middle Africa 0.3413 0.1987 0.6587
## 14 Europe - Northern Europe 0.9139 0.1967 0.0861
## 15 Americas - Central America 0.5837 0.1816 0.4163
## 16 Oceania - Melanesia 0.4496 0.1744 0.5504
## 17 Africa - Southern Africa 0.5417 0.1731 0.4583
## 18 Oceania - Australia and New Zealand 0.9419 0.1672 0.0581
## 19 Africa - Eastern Africa 0.3840 0.1540 0.6160
## 20 Americas - North America 0.8831 0.0163 0.1169Para guardar la base de datos puede emplearse el siguiente comando:
#write.csv(EDGI_REG_2003_2020, "EDGI_REG_2003_2020.csv", row.names = FALSE)Base a nivel continental
A continuación, se crea un dataset que incluye sólamente la información a nivel continental. Cabe destacar que para el continente americano, se generará un dataset alternativo donde se incluyan divisiones subcontinentales para entender la evolución en LATAM y el Caribe.
EDGI_REG_SELEC <- filter(EDGI_REG_2003_2022, Region %in% c("Americas","Europe" , "Asia", "Oceania" ,"Africa")) %>% arrange(desc(Crecimiento))Cambiamos el formato en el que se muestra la información (de ancho a largo), para luego poder graficar.
EDGI_REG_SELEC_LONG<- EDGI_REG_SELEC %>% pivot_longer(cols = 2:12,
names_to = "Year",
values_to = "EGDI") A continuación, renombramos las columnas parar porder graficar luego y para que la información pueda leerse de forma más clara. Pasamos el año a formato numérico.
EDGI_REG_TES <- EDGI_REG_SELEC_LONG
EDGI_REG_TES[EDGI_REG_TES == "X2003.EGDI.Average"] <- "2003"
EDGI_REG_TES[EDGI_REG_TES == "X2004.EGDI.Average"] <- "2004"
EDGI_REG_TES[EDGI_REG_TES == "X2005.EGDI.Average"] <- "2005"
EDGI_REG_TES[EDGI_REG_TES == "X2008.EGDI.Average"] <- "2008"
EDGI_REG_TES[EDGI_REG_TES == "X2010.EGDI.Average"] <- "2010"
EDGI_REG_TES[EDGI_REG_TES == "X2012.EGDI.Average"] <- "2012"
EDGI_REG_TES[EDGI_REG_TES == "X2014.EGDI.Average"] <- "2014"
EDGI_REG_TES[EDGI_REG_TES == "X2016.EGDI.Average"] <- "2016"
EDGI_REG_TES[EDGI_REG_TES == "X2018.EGDI.Average"] <- "2018"
EDGI_REG_TES[EDGI_REG_TES == "X2020.EGDI.Average"] <- "2020"
EDGI_REG_TES[EDGI_REG_TES == "X2022.EGDI.Average"] <- "2022"
EDGI_REG_SELEC_LONG <- EDGI_REG_TES %>% mutate(Year=as.integer(Year))Gráfico de evolución del Índice de Desarrollo de E-Government (EGDI) por región
Realizamos el primer gráfico, a nivel continental:
EVOL_REG <- ggplot(data = EDGI_REG_SELEC_LONG,
mapping = aes(x=Year, y = EGDI, color=Region)) +
geom_line() +
labs(x = "Continente",
y = "EDGI",
title="Evolución del Índice de Desarrollo de E-Government (EGDI) por continente",
caption="Fuente: elaboración propia con datos de la ONU") +
scale_color_manual(breaks=c("Americas","Asia", "Europe", "Oceania","Africa"),
values = c("#095D6A", "#fBBC58" ,"#F57B51", "#42376A", "#B46088")) + theme(legend.position = "bottom")
EVOL_REG
Para guardar el gráfico como imagen:
#ggsave("EVOL_REG.png", plot = EVOL_REG, dpi = 300)Ahora realizamos los mismos pasos pero incorporando el desagregado del con continente americano a nivel regional.
EDGI_REG_SELEC2 <- filter(EDGI_REG_2003_2022, Region %in% c("Americas - Central America","Americas - North America","Americas - South America","Americas - Caribbean","Europe", "Asia", "Oceania" ,"Africa")) %>% arrange(desc(Crecimiento))EDGI_REG_SELEC_LONG2<- EDGI_REG_SELEC2 %>% pivot_longer(cols = 2:12,
names_to = "Year",
values_to = "EGDI") EDGI_REG_TES2 <- EDGI_REG_SELEC_LONG2
EDGI_REG_TES2[EDGI_REG_TES2 == "X2003.EGDI.Average"] <- "2003"
EDGI_REG_TES2[EDGI_REG_TES2 == "X2004.EGDI.Average"] <- "2004"
EDGI_REG_TES2[EDGI_REG_TES2 == "X2005.EGDI.Average"] <- "2005"
EDGI_REG_TES2[EDGI_REG_TES2 == "X2008.EGDI.Average"] <- "2008"
EDGI_REG_TES2[EDGI_REG_TES2 == "X2010.EGDI.Average"] <- "2010"
EDGI_REG_TES2[EDGI_REG_TES2 == "X2012.EGDI.Average"] <- "2012"
EDGI_REG_TES2[EDGI_REG_TES2 == "X2014.EGDI.Average"] <- "2014"
EDGI_REG_TES2[EDGI_REG_TES2 == "X2016.EGDI.Average"] <- "2016"
EDGI_REG_TES2[EDGI_REG_TES2 == "X2018.EGDI.Average"] <- "2018"
EDGI_REG_TES2[EDGI_REG_TES2 == "X2020.EGDI.Average"] <- "2020"
EDGI_REG_TES2[EDGI_REG_TES2 == "X2022.EGDI.Average"] <- "2022"
EDGI_REG_SELEC_LONG2 <- EDGI_REG_TES2 %>% mutate(Year=as.integer(Year))Renombramos el nombre de las divisiones subcontinentales
EDGI_REG_SELEC_LONG2[EDGI_REG_SELEC_LONG2 == "Americas - North America"] <- "North America"
EDGI_REG_SELEC_LONG2[EDGI_REG_SELEC_LONG2 == "Americas - South America"] <- "South America"
EDGI_REG_SELEC_LONG2[EDGI_REG_SELEC_LONG2 == "Americas - Central America"] <- "Central America"
EDGI_REG_SELEC_LONG2[EDGI_REG_SELEC_LONG2 == "Americas - Caribbean"] <- "Caribbean"Y ya podemos imprimir la nueva versión del primer gráfico.
EVOL_REG2 <- ggplot(data = EDGI_REG_SELEC_LONG2,
mapping = aes(x=Year, y = EGDI, color=Region)) +
geom_line() +
labs(x = "Continente/región",
y = "EDGI",
title="Evolución del Índice de Desarrollo de E-Government (EGDI) por región",
caption="Fuente: elaboración propia con datos de la ONU") +
scale_color_manual(breaks=c("North America","Asia", "Europe", "Oceania","Africa","South America", "Central America", "Caribbean"),
values = c("#095D6A", "#fBBC58" ,"#9b9b9b", "#9b9b9b", "#9b9b9b", "#4DAF4A", "#A65628", "#F781BF")) + theme(legend.position = "bottom")
EVOL_REG2
Para guardar el gráfico:
#ggsave("EVOL_REG2.png", plot = EVOL_REG2, dpi = 300)COVID-19
El año 2020 estuvo marcado por la irrupción de la pandemia de sars-cov-2. Su llegada fue vista como un disparador de la digitalización a nivel global. Para ver la tendencia del e-government de 2018 a 2020 vs de 2020 a 2022:
EDGI_REG_Pandemia <- EDGI_REG_SELEC %>% select(Region,"X2018.EGDI.Average","X2020.EGDI.Average","X2022.EGDI.Average") %>%
mutate(Crecimiento_Pandemia = X2022.EGDI.Average- X2020.EGDI.Average) %>%
mutate(Crecimiento_prepand = X2020.EGDI.Average- X2018.EGDI.Average) %>%
mutate(Diferencia_crecimiento = Crecimiento_Pandemia -Crecimiento_prepand) %>%
rename("2022"=X2022.EGDI.Average) %>%
rename("2020"=X2020.EGDI.Average) %>%
rename("2018"=X2018.EGDI.Average) %>%
arrange(desc(Crecimiento_Pandemia))
EDGI_REG_Pandemia ## Region 2018 2020 2022 Crecimiento_Pandemia Crecimiento_prepand
## 1 Africa 0.3423 0.3914 0.4054 0.0140 0.0491
## 2 Europe 0.7727 0.8170 0.8305 0.0135 0.0443
## 3 Asia 0.5779 0.6373 0.6493 0.0120 0.0594
## 4 Americas 0.5898 0.6341 0.6438 0.0097 0.0443
## 5 Oceania 0.4611 0.5106 0.5081 -0.0025 0.0495
## Diferencia_crecimiento
## 1 -0.0351
## 2 -0.0308
## 3 -0.0474
## 4 -0.0346
## 5 -0.0520Es interesante notar que aunque la pandemia es vista como un acelerador de la digitalización, se ve una merma en el crecimiento durante el período 2020-2022.
Base de eParticipation
Análisis a nivel regional
Lectura de bases de eParticipation por regiones y por grupos de países según ingreso
ePart_REG_2003 <- read.csv("EGOV_REGION_DATA_2003_EPART.csv")
ePart_REG_2004 <- read.csv("EGOV_REGION_DATA_2004_EPART.csv")
ePart_REG_2005 <-read.csv("EGOV_REGION_DATA_2005_EPART.csv")
ePart_REG_2008 <-read.csv("EGOV_REGION_DATA_2008_EPART.csv")
ePart_REG_2010 <-read.csv("EGOV_REGION_DATA_2010_EPART.csv")
ePart_REG_2012 <-read.csv("EGOV_REGION_DATA_2012_EPART.csv")
ePart_REG_2014 <-read.csv("EGOV_REGION_DATA_2014_EPART.csv")
ePart_REG_2016 <-read.csv("EGOV_REGION_DATA_2016_EPART.csv")
ePart_REG_2018 <-read.csv("EGOV_REGION_DATA_2018_EPART.csv")
ePart_REG_2020 <-read.csv("EGOV_REGION_DATA_2020_EPART.csv")
ePart_REG_2022 <-read.csv("EGOV_REGION_DATA_2022_EPART.csv")Unión de todas las bases anteriores. Evolución del índice promedio por región y por grupos de países según ingresos
ePart_REG_2003_2022 <- left_join(ePart_REG_2003, ePart_REG_2004, by="Region.or.Country") %>% left_join(ePart_REG_2005, by="Region.or.Country") %>% left_join(ePart_REG_2008, by="Region.or.Country") %>% left_join(ePart_REG_2010, by="Region.or.Country") %>% left_join(ePart_REG_2012, by="Region.or.Country")%>% left_join(ePart_REG_2014, by="Region.or.Country") %>% left_join(ePart_REG_2016, by="Region.or.Country") %>% left_join(ePart_REG_2018, by="Region.or.Country") %>% left_join(ePart_REG_2020, by="Region.or.Country") %>% left_join(ePart_REG_2022, by="Region.or.Country") Renombramos la columna Región y calculamos el crecimiento desde el comienzo de la medición al último año disponible. Además, calculamos la “oportunidad” de crecimiento que esa categoría tiene, es decir, cuánto se aleja de la mayor puntuación posible: 1.
ePart_REG_2003_2022 <- ePart_REG_2003_2022 %>% rename(Region=Region.or.Country) %>% mutate(Crecimiento = X2022.EPART.Average - X2003.EPART.Average) %>% mutate(maxScore = 1) %>% mutate(Oportunidad = maxScore- X2022.EPART.Average)Seleccionamos las regiones a analizar e imprimimos la tabla de ranking de crecimiento y oportunidad de crecimiento: *se eliminan valores de la categiría “Región” por no ser representativos ni parte de la categoría que se busca mostrar
ePart_REG_Crecimiento_Op <- filter(ePart_REG_2003_2022, !(Region == "High income" | Region == "Europe" | Region == "Americas" |Region == "World" | Region == "Upper middle income" | Region == "Asia" | Region == "Oceania" |Region == "Small Island Developing State" | Region == "Lower middle income" | Region == "Landlocked Developing Country" | Region == "Africa" | Region == "Oceania - Polynesia" | Region == "Oceania - Micronesia" | Region == "Least Developed Country" | Region == "Low income")) %>% select(Region,X2022.EPART.Average, Crecimiento, Oportunidad) %>% arrange(desc(Crecimiento))
ePart_REG_Crecimiento_Op <- ePart_REG_Crecimiento_Op %>% rename("2022"=X2022.EPART.Average)
ePart_REG_Crecimiento_Op## Region 2022 Crecimiento Oportunidad
## 1 Europe - Southern Europe 0.6339 0.4509 0.3661
## 2 Asia - Central Asia 0.4545 0.4235 0.5455
## 3 Asia - Eastern Asia 0.6932 0.4208 0.3068
## 4 Asia - Western Asia 0.5100 0.4197 0.4900
## 5 Europe - Eastern Europe 0.5909 0.4099 0.4091
## 6 Asia - South-eastern Asia 0.5444 0.3736 0.4556
## 7 Europe - Northern Europe 0.7955 0.3507 0.2045
## 8 Oceania - Australia and New Zealand 0.9716 0.3164 0.0284
## 9 Europe - Western Europe 0.6414 0.2985 0.3586
## 10 Americas - South America 0.5322 0.2779 0.4678
## 11 Asia - Southern Asia 0.3573 0.2481 0.6427
## 12 Africa - Western Africa 0.2706 0.2383 0.7294
## 13 Africa - Eastern Africa 0.2740 0.2324 0.7260
## 14 Africa - Southern Africa 0.2932 0.2277 0.7068
## 15 Oceania - Melanesia 0.2415 0.2199 0.7585
## 16 Americas - Caribbean 0.2867 0.2084 0.7133
## 17 Africa - Northern Africa 0.2462 0.1887 0.7538
## 18 Africa - Middle Africa 0.2008 0.1874 0.7992
## 19 Americas - Central America 0.3793 0.1509 0.6207
## 20 Americas - North America 0.8693 -0.0273 0.1307Guardamos la nueva base con el siguiente comando:
#write.csv(ePart_REG_Crecimiento_Op, "ePart_REG_Crecimiento_Op.csv", row.names = FALSE)Base a nivel continental
A continuación, se crea un dataset que incluye sólamente la información a nivel continental. Cabe destacar que para el continente americano, se generará un dataset alternativo donde se incluyan divisiones subcontinentales para entender la evolución en LATAM y el Caribe.
ePart_REG_SELEC <- filter(ePart_REG_2003_2022, Region %in% c("Americas","Europe" , "Asia", "Oceania" ,"Africa")) %>% arrange(desc(Crecimiento))Cambiamos el formato en el que se muestra la información (de ancho a largo), para luego poder graficar.
ePart_REG_SELEC_LONG <- ePart_REG_SELEC %>% pivot_longer(cols = 2:12,
names_to = "Year",
values_to = "EPART") A continuación, renombramos las columnas parar porder graficar luego y para que la información pueda leerse de forma más clara. Pasamos el año a formato numérico.
ePart_REG_SELEC <- ePart_REG_SELEC_LONG
ePart_REG_SELEC[ePart_REG_SELEC == "X2003.EPART.Average"] <- "2003"
ePart_REG_SELEC[ePart_REG_SELEC == "X2004.EPART.Average"] <- "2004"
ePart_REG_SELEC[ePart_REG_SELEC == "X2005.EPART.Average"] <- "2005"
ePart_REG_SELEC[ePart_REG_SELEC == "X2008.EPART.Average"] <- "2008"
ePart_REG_SELEC[ePart_REG_SELEC == "X2010.EPART.Average"] <- "2010"
ePart_REG_SELEC[ePart_REG_SELEC == "X2012.EPART.Average"] <- "2012"
ePart_REG_SELEC[ePart_REG_SELEC == "X2014.EPART.Average"] <- "2014"
ePart_REG_SELEC[ePart_REG_SELEC == "X2016.EPART.Average"] <- "2016"
ePart_REG_SELEC[ePart_REG_SELEC == "X2018.EPART.Average"] <- "2018"
ePart_REG_SELEC[ePart_REG_SELEC == "X2020.EPART.Average"] <- "2020"
ePart_REG_SELEC[ePart_REG_SELEC == "X2022.EPART.Average"] <- "2022"
ePart_REG_TES <- ePart_REG_SELEC
ePart_REG_TES <- ePart_REG_TES %>% mutate(Year=as.integer(Year))
ePart_REG_TES ## # A tibble: 55 × 6
## Region Crecimiento maxScore Oportunidad Year EPART
## <chr> <dbl> <dbl> <dbl> <int> <dbl>
## 1 Europe 0.384 1 0.337 2003 0.279
## 2 Europe 0.384 1 0.337 2004 0.286
## 3 Europe 0.384 1 0.337 2005 0.287
## 4 Europe 0.384 1 0.337 2008 0.279
## 5 Europe 0.384 1 0.337 2010 0.324
## 6 Europe 0.384 1 0.337 2012 0.348
## 7 Europe 0.384 1 0.337 2014 0.545
## 8 Europe 0.384 1 0.337 2016 0.698
## 9 Europe 0.384 1 0.337 2018 0.810
## 10 Europe 0.384 1 0.337 2020 0.784
## # … with 45 more rowsGráfico de evolución del Índice de Desarrollo de E-Participation (EPI) por región
Realizamos el primer gráfico, a nivel continental
EVOL_REG_EPART <- ggplot(data = ePart_REG_TES,
mapping = aes(x= Year, y = EPART, color=Region)) +
geom_line() +
labs(x = "Continente",
y = "EPI",
title="Evolución del Índice de E-Participation por continente",
caption="Fuente: elaboración propia con datos de la ONU") +
scale_color_manual(breaks=c("Americas","Asia", "Europe", "Oceania","Africa"),
values = c("#095D6A", "#fBBC58" ,"#F57B51", "#42376A", "#B46088")) + theme(legend.position = "bottom")
EVOL_REG_EPART
Podemos guardar el gráfico con el siguiente comando:
#ggsave("EVOL_REG_EPART.png", plot = EVOL_REG_EPART, dpi = 300)Ahora realizamos los mismos pasos pero incorporando el desagregado del con continente americano a nivel regional.
ePart_REG_SELEC2 <- filter(ePart_REG_2003_2022, Region %in% c("Americas - Central America","Americas - North America","Americas - South America","Americas - Caribbean","Europe", "Asia", "Oceania" ,"Africa")) %>% arrange(desc(Crecimiento))ePart_REG_SELEC_LONG2<- ePart_REG_SELEC2 %>% pivot_longer(cols = 2:12,
names_to = "Year",
values_to = "EPART") ePart_REG_TES2 <- ePart_REG_SELEC_LONG2
ePart_REG_TES2[ePart_REG_TES2 == "X2003.EPART.Average"] <- "2003"
ePart_REG_TES2[ePart_REG_TES2 == "X2004.EPART.Average"] <- "2004"
ePart_REG_TES2[ePart_REG_TES2 == "X2005.EPART.Average"] <- "2005"
ePart_REG_TES2[ePart_REG_TES2 == "X2008.EPART.Average"] <- "2008"
ePart_REG_TES2[ePart_REG_TES2 == "X2010.EPART.Average"] <- "2010"
ePart_REG_TES2[ePart_REG_TES2 == "X2012.EPART.Average"] <- "2012"
ePart_REG_TES2[ePart_REG_TES2 == "X2014.EPART.Average"] <- "2014"
ePart_REG_TES2[ePart_REG_TES2 == "X2016.EPART.Average"] <- "2016"
ePart_REG_TES2[ePart_REG_TES2 == "X2018.EPART.Average"] <- "2018"
ePart_REG_TES2[ePart_REG_TES2 == "X2020.EPART.Average"] <- "2020"
ePart_REG_TES2[ePart_REG_TES2 == "X2022.EPART.Average"] <- "2022"
ePart_REG_TES2 <- ePart_REG_TES2 %>% mutate(Year=as.integer(Year))Renombramos el nombre de las divisiones subcontinentales
ePart_REG_TES2 [ePart_REG_TES2 == "Americas - North America"] <- "North America"
ePart_REG_TES2 [ePart_REG_TES2 == "Americas - South America"] <- "South America"
ePart_REG_TES2 [ePart_REG_TES2 == "Americas - Central America"] <- "Central America"
ePart_REG_TES2 [ePart_REG_TES2 == "Americas - Caribbean"] <- "Caribbean"Ya podemos imprimir la nueva versión del gráfico anterior:
EVOL_REG_EPART2 <- ggplot(data = ePart_REG_TES2,
mapping = aes(x= Year
, y = EPART, color=Region)) +
geom_line() +
labs(x = "Región",
y = "EPI",
title="Evolución del Índice de E-Participation por región",
caption="Fuente: elaboración propia con datos de la ONU") +
scale_color_manual(breaks=c("North America","Asia", "Europe", "Oceania","Africa","South America", "Central America", "Caribbean"),
values = c("#095D6A", "#fBBC58" ,"#9b9b9b", "#9b9b9b", "#9b9b9b", "#4DAF4A", "#A65628", "#F781BF")) + theme(legend.position = "bottom")
EVOL_REG_EPART2
Podemos guardar el gráfico con el siguiente comando:
ggsave("EVOL_REG_EPART2.png", plot = EVOL_REG_EPART2, dpi = 300)## Saving 7 x 5 in image