Nesta seção serão apresentados os principais resultados obtidos na análise de dados em questão. No primeiro momento fez-se a leitura das \(1.430\) observações referentes às quatro variáveis citadas anteriormente e todos os dados podem ser consultados na tabela a seguir:

# Leitura dos dados
food_consumption <- readr::read_csv('https://raw.githubusercontent.com/rfordatascience/tidytuesday/master/data/2020/2020-02-18/food_consumption.csv')

food_consumption %>%
  DT::datatable()

Para avaliar a força e a direção da relação entre as variáveis, fez-se uma matriz de correlação entre as variáveis Consumo (kg/pessoa/ano) e Emissão de CO\(_2\)(KgCO\(_2\)/pessoa/ano):

food_consumption %>%
    select(consumption, co2_emmission) %>%
   cor() %>%
    kable()

Através dos resultados obtidos na matriz de correlação, podemos afirmar que as variáveis Consumo (kg/pessoa/ano), Emissão de CO\(_2\)(Kg CO\(_2\)/pessoa/ano) apresentam uma correlação positiva fraca pois a correlação resultante é de apenas \(0,33\) e, portanto, enquadra-se no intervalo entre \(0,2\) a \(0,39\) \(=\) FRACA, entretanto, cabe lembrar que:

Correlação não implica em Causalidade!

Podemos também visualizar os valores de tais correlações através da matriz de correlação:

food_consumption %>%
    select(consumption, co2_emmission) %>%
    cor() %>%
   corrplot(type="upper",tl.srt=45,tl.cex = 1)

Visualmente, quanto maior o círculo, maior a correlação entre as variáveis e quanto mais azul escuro, mais próxima a correlação estará de 1 (correlação positiva e forte). O mesmo ocorre caso seja negativa (ou seja, -1): quanto mais vermelho escuro, mais forte será a correlação.

Agora, considerando a quantidade de produtos de origem animal e produtos não animais que é fornecido para consumo em cada país, é possível observar na tabela a seguir um ranking com os dez produtos mais consumidos (kg/pessoa/ano) ordenados do maior para o menor:

food_consumption %>%
 group_by(food_category) %>%
 summarise(total_consumo = sum(consumption),
           total_emissao_co2 = sum(co2_emmission)) %>%
 arrange(-total_consumo) %>%
   head(10) %>%
 kable()

Conforme podemos observar, o Leite (incluindo queijo) é o mais consumido, seguido do Trigo e Produtos de Trigo e o Arroz. Por outro lado, quando analisamos por categoria alimentar quais são os produtos que mais emitem CO\(_2\), observa-se o seguinte cenário:

food_consumption %>%  
  group_by(food_category) %>%  
  summarise(total_emissao_co2 = sum(co2_emmission)) %>%  
  ggplot(aes(x = food_category, y = total_emissao_co2,fill = food_category)) +        
aes(reorder(food_category, total_emissao_co2))+ 
  geom_col() +  
  coord_flip() +  
    ggthemes::theme_wsj() +
   guides(fill = "none")+
   labs(
    title = "Ranking de emissão de \nCO2 por categoria \nalimentar",
    x = "Categoria",
    y = "Emissão de Co2 (Kg CO2/pessoa/ano)",
    color = "Categoria alimentar")

Nota-se que a Carne aparece como o produto com maior emissão de CO\(_2\), seguida do Leite (incluindo queijo) e Cordeiro e Cabra. Sob outra perspectiva, analisaremos graficamente um ranking com todos os países do estudo com o objetivo de verificarmos categoricamente quais são os países que mais emitiram dióxido de carbono na dieta com produtos de origem animal e não animal:

ggplot(food_consumption, aes(x = reorder(country,co2_emmission), y = co2_emmission)) +
   geom_col(aes(fill = food_category)) +
  coord_flip() +
   labs(
    title = "Representação gráfica da emissão de CO2 por categoria alimentar",
    x = "País",
    y = "Emissão de Co2 (Kg CO2/pessoa/ano)",
    color = "Categoria alimentar",
    caption = "Elaborado por: Ariane Hayana Thomé de Farias") +
   scale_fill_viridis_d(
    alpha = .99, 
    begin = .1, 
    end = .9, 
    direction = 1, 
    option = "D") +
    theme_bw() 

É possível observarmos que países como Argentina, Austrália e Albania são destaques no topo e o Brasil está entre os dez países no ranking de emissão considerando a análise por categoria, com valores mais expressivos na categoria de produto Carne.

Por fim, elaborou-se boxplots considerando a emissão de CO\(_2\) por categoria e também o consumo por categoria:

plot_ly(food_consumption, 
        y = ~co2_emmission, 
        color = ~food_category, 
        type = "box")

plot_ly(food_consumption, 
        y = ~consumption, 
        color = ~food_category, 
        type = "box")