La signature des confinements latins

Charger les packages nécessaires

library(tidyverse)
library(lubridate)
library(countrycode)
library(zoo)

Choisir le thème des graphiques

theme_set(theme_minimal() +
            theme(plot.title = element_text(face = "bold")))

Récupérer les données

La manière la plus simple de récupérer les données de mobilité est de passer par le package tidycovid19, qui peut être installé ainsi :

remotes::install_github("joachim-gassen/tidycovid19")

Si, votre connexion internet est médiocre, il se peut que le téléchargement du package échoue. Dans ce cas, avant l’installation, faites :

options(timeout = 600)

google_mobility_country_path = here::here("data", "google_mobility_country.rds")

tidycovid19::download_google_cmr_data(type = "country", cached = T) |>
  write_rds(file = google_mobility_country_path)

google_mobility_country = read_rds(google_mobility_country_path)

À quoi ressemblent-elles ?

glimpse(google_mobility_country)

Rows: 130,824
Columns: 10
$ iso3c             <chr> "ARE", "ARE", "ARE", "ARE", "ARE", "ARE", "ARE", "AR…
$ date              <date> 2020-02-15, 2020-02-16, 2020-02-17, 2020-02-18, 202…
$ place_id          <chr> "ChIJvRKrsd9IXj4RpwoIwFYv0zM", "ChIJvRKrsd9IXj4RpwoI…
$ retail_recreation <dbl> 0, 1, -1, -2, -2, -2, -3, -2, -1, -3, -3, -2, 1, 1, …
$ grocery_pharmacy  <dbl> 4, 4, 1, 1, 0, 1, 2, 2, 3, 0, 2, 1, 5, 5, 7, 10, 7, …
$ parks             <dbl> 5, 4, 5, 5, 4, 6, 6, 4, 3, 5, 3, -3, -1, -1, -1, 2, …
$ transit_stations  <dbl> 0, 1, 1, 0, -1, 1, 0, -2, -1, -1, -2, -2, -1, -1, -1…
$ workplaces        <dbl> 2, 2, 2, 2, 2, 1, -1, 3, 4, 3, 3, 3, 3, 1, 5, 4, 4, …
$ residential       <dbl> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 1, 1, 1…
$ timestamp         <dttm> 2022-11-05 09:21:06, 2022-11-05 09:21:06, 2022-11-0…

Choisir nos bornes temporelles

date_beginn = ymd(20200301)
date_end = ymd(20200601)

Filtrer et agréger

google_mobility_country |> 
  filter(between(date, date_beginn, date_end)) |> 
  group_by(iso3c) |> 
  summarise(across(4:9, ~ mean(.x, na.rm = T)))

# A tibble: 135 × 7
   iso3c grocery_pharmacy    parks transit_stations workplaces residential
   <chr>            <dbl>    <dbl>            <dbl>      <dbl>       <dbl>
 1 ABW             -20.1  -32.2               -51.3     -43.9        19.8 
 2 AFG             -13.0   -9.92              -30.9     -21.1         9.22
 3 AGO             -16.3  -21.5               -41.6     -22.5        16.7 
 4 ARE             -19.3  -54.6               -56.5     -35.4        21.3 
 5 ARG             -28.0  -73.5               -51.9     -36.8        19.7 
 6 ATG             -24.4  -28.6               -51.1     -41.6        16.9 
 7 AUS              -1.32 -24.6               -42.6     -22.8        12.1 
 8 AUT             -18.7   -8.76              -46.3     -37.5        13.4 
 9 BEL             -16.6   -3.46              -49.1     -43.0        18.1 
10 BEN              -3.51   0.0215            -13.9      -6.25        6.43
# ℹ 125 more rows
# ℹ 1 more variable: timestamp <dttm>

Sélectionner 6 pays européens

selection_pays_europe = c("France", "Espagne", "Italie", "Pays-Bas", "Allemagne", "Danemark")

Les comparer

google_mobility_country |> 
  filter(between(date, date_beginn, date_end)) |>
  mutate(pays = countrycode(iso3c, origin = "iso3c", destination = "country.name.fr"),
         pays = fct_relevel(pays, selection_pays_europe),
         parks_roll7 = rollmean(parks, k = 7, fill = NA)) %>%
  filter(pays %in% selection_pays_europe) %>%
  ggplot(aes(x = date, y = parks_roll7)) +
  geom_line() +
  facet_wrap(~ pays) +
  labs(title = "La signature des confinements latins",
       subtitle = "Un effondrement brutal et prolongé des sorties d'aération",
       x = "",
       y = "Fréquentation des espaces verts par rapport à janvier\n(Moyenne glissante sur 7 jours)",
       caption = "Données : Google Mobility Reports")