knitr::opts_chunk$set(echo = FALSE)
#*********************************
# Fertility in Greenland on districts,
# municipalities, all Greenland and Settlements by size
#
# area, time, cohort, place of birth
#
#
#*********************************
#*********************************
#
# setup
# local path
pub_rmd_path <- getwd()
# setwd(paste0(pub_rmd_path,"/",lang,"/rmd/metoder/fertilitet/"))
#*********************************
# Get Female population & number of livebirths
#
# area, time, cohort, popPrimo, popUltimo
#
# Area is a variable that divides Greenland into a number of geo-regions that totals to All Greenland
#
#*********************************
## Download and reformat data -------------------------------------------------
statbank <- "https://bank.stat.gl/api/v1/da/Greenland"Fertilitetsmål
I årene omkring 2020 fødes der ca 800 børn årligt i Grønland. Når fertilitet beregnes på så små befolkninger vil alle afledte demografiske mål, som er bare lidt mere sofistikerede end ‘den summariske fertilitetsrate’ (antal levendefødte pr 1000 indbyggere) være synligt påvirket af tilfældige variationer. For at reducere indflydelsen fra kalenderårseffekter beregnes demografiske mål i alder x, for flere efterfølgende år under et. Denne beregning forudsætter at der ikke er for stor forskel i fødselsårgangenes størrelse.
Kvinders fertile aldre antages generelt at være i aldrene fra 15-49 år. I disse år er stort set alle mødre i aldrene 18-42 år.
I figur 1a vises det årlige antal levendefødte siden 1950. Særligt i 1960’erne blev der født mange børn, på grund af ekstrem høj fertilitet, som ses i figur 1b. I sidste halvdel af 1960’erne faldt den samlede fertilitet brat til omkring 2½ barn pr kvinde. Over de seneste 10 år er den samlede fertilitet faldet yderligere til omkring 2,1 barn pr kvinde.
En vigtig årsag til faldet omkring 1970 var store familieplanlægningskampagner, der blev iværksat fra 1967. I årene 1966-70 fik ca halvdelen af alle fødedygtige kvinder opsat spiral 1
Figur 1a Antal levendefødte
age_max <- 50
## Download, reformat data and calculate totals for 'Place of Birth' -------------------------------------------------
# Female population
BEXSAT2_tab <-
statgl_url("BEXSAT2", api_url = statbank) %>%
statgl_fetch(type = c("0"),
"time" = px_all(),
.eliminate_rest = TRUE ,
.col_code = TRUE,
.val_code = FALSE
) %>%
as_tibble() %>%
select(time,
value) %>%
mutate(value = as.numeric(value),
time = as.integer(as.character(time)))
BEXSAT2_tab %>%
ggplot(aes(
x = time,
y = value
)) +
geom_line() +
expand_limits(y = 0) +
scale_y_continuous(labels = scales::unit_format(
suffix = " ",
big.mark = ".",
decimal.mark = ","
)) +
theme_statgl() +
scale_color_statgl() +
labs(
title = "Figur 1a Antal levendefødte 1950 -",
subtitle = "Hele landet, mødre født i Grønland",
x = "år",
y = "antal levendefødte"
)
kilde: Statistikbanken
Figur 1b Samlet fertilitet
BEXBBSF1_tab <-
statgl_url("BEXBBSF1", api_url = statbank) %>%
statgl_fetch(age = c("0"),
"time" = px_all(),
.eliminate_rest = TRUE ,
.col_code = TRUE,
.val_code = FALSE
) %>%
as_tibble() %>%
select(time,
value) %>%
mutate(value = as.numeric(value),
time = as.integer(as.character(time))) %>%
filter(time >= 1950)
BEXBBSF1_tab %>%
ggplot(aes(
x = time,
y = value/1000
)) +
geom_line() +
expand_limits(y = 0) +
scale_y_continuous(labels = scales::unit_format(
suffix = " ",
big.mark = ".",
decimal.mark = ","
)) +
theme_statgl() +
scale_color_statgl() +
labs(
title = "Figur 1b Samlet fertilitet 1950 -",
subtitle = "Hele landet, mødre født i Grønland",
x = "år",
y = "Antal børn pr kvinde"
)
kilde: Statistikbanken
Indhold - fertilitetsmål
Summarisk fertilitet
Generel fertilitet
Regionalt fertilitetsindeks
Aldersbetinget og samlet fertilitet
Beregningsgrundlag
Som grundlag for beregninger af demografiske mål giver Grønlands Statistik adgang til meget detaljerede tabeller i Grønlands Statistikbank, herunder fx et Befolkningsregnskab:
Danmarks Statistik offentliggjorde tilsvarende befolkningsregnskab frem til 2004 se: Befolkningens bevægelser, tabel 134, side 261. Regnskabet er ikke videreført i Statistikbanken
Tabellen BEDFERTR indeholder detaljerede oplysninger om de fødende kvinders alder og fødested fordelt på de samme geografisk-administrative enheder som det regionale befolkningsregnskab:
Der inddeles i føgendede geografisk-administrative enheder: kommuner, distrikter, lokaliteter efter størrelse, Nuuk, By/bygd, Hele landet
Inddelingerne er foretaget således at summen i hver gruppe er lig summen for hele landet (I alt).
age_max <- 50
## Download, reformat data and calculate totals for 'Place of Birth' -------------------------------------------------
# Female population
mom <-
statgl_url("BEXCALCR", api_url = statbank) %>%
statgl_fetch(area = px_all(),
"year of birth" = px_all(),
"event" = c("P","U"),
"place of birth" = c("N","S"),
"gender" = c("K"),
"time" = px_all(),
.eliminate_rest = TRUE ,
.col_code = TRUE,
.val_code = TRUE
) %>%
as_tibble() %>%
select(area,
cohort = "year of birth",
pob = "place of birth",
event,
time,
value) %>%
mutate(value = as.numeric(value),
cohort = as.integer(as.character(cohort)),
time = as.integer(as.character(time))) %>%
pivot_wider(names_from=event,values_from = value)
# number of livebirths, same variables
mom_child <-
statgl_url("BEXFERTR", api_url = statbank) %>%
statgl_fetch(
"mother's year of birth" = px_all(),
"mother's place of birth" = px_all(),
"area" = px_all(),
"time" = px_all(),
.eliminate_rest = TRUE ,
.col_code = TRUE,
.val_code = TRUE
) %>%
as_tibble() %>%
select(area,
cohort = "mother's year of birth",
pob = "mother's place of birth",
time,
B = value) %>%
mutate(B = as.numeric(B),
cohort = as.integer(as.character(cohort)),
time = as.integer(as.character(time))) %>%
filter(B > 0) %>%
# age - derived from time and cohort
mutate(ageUlt = time - cohort) %>%
arrange(area,pob,time,ageUlt) %>%
# add female population, same variables
left_join(mom,by=c("area","pob","cohort","time")) %>%
# calculate exposure
mutate(E = (P+U)/2) %>%
pivot_longer(cols=c("E","B","P","U"),names_to = "type")
# calculate Totals for 'Place of Birth'
mom_child_tot <- mom_child %>%
group_by(area,cohort,ageUlt,time,type) %>%
summarise(value = sum(value)) %>%
mutate(pob="T")
# calculate and add Totals for 'Place of Birth'
mom_child_all <- mom_child %>%
group_by(area,cohort,ageUlt,time,type) %>%
summarise(value = sum(value)) %>%
mutate(pob="T") %>%
rbind(mom_child)
Summarisk fertilitetskvotient
# Total population
pop_raw <-
statgl_url("BEXCALCR", api_url = statbank) %>%
statgl_fetch(area = px_all(),
"event" = c("P","U"),
gender = c("T","K"),
"place of birth" = px_all(),
"time" = px_all(),
.eliminate_rest = TRUE ,
.col_code = TRUE,
.val_code = TRUE
) %>%
as_tibble() %>%
select(area,
gender,
pob = "place of birth",
event,
time,
value) %>%
mutate(value = as.numeric(value),
time = as.integer(as.character(time)))
pop_t <- pop_raw %>%
filter(gender=="T") %>%
select(-gender)
# number of livebirths, same variables
mom_c <-
statgl_url("BEXFERTR", api_url = statbank) %>%
statgl_fetch(
"mother's place of birth" = px_all(),
"area" = px_all(),
"time" = px_all(),
.eliminate_rest = TRUE ,
.col_code = TRUE,
.val_code = TRUE
) %>%
as_tibble() %>%
select(area,
pob = "mother's place of birth",
time,
value) %>%
mutate(event="B",
time = as.integer(as.character(time)))
pop_t_child_all <- mom_c %>%
group_by(area,event,time) %>%
summarise(value = sum(value)) %>%
mutate(pob="T") %>%
rbind(mom_c) %>%
rbind(pop_t)%>%
pivot_wider(names_from = event, values_from = value) %>%
# calculate exposure
mutate(E = (P+U)/2,
TF = B / E * 1000) %>%
select(time,area,pob,TF)
TFGrlN <- pop_t_child_all %>%
as_tibble() %>%
filter(area=="ALL" & time==CONST_taar & pob=="N") %>%
select(TF) %>%
mutate(TF=round(TF,digits = 1))
TFGrlS <- pop_t_child_all %>%
as_tibble() %>%
filter(area=="ALL" & time==CONST_taar & pob=="S") %>%
select(TF) %>%
mutate(TF=round(TF,digits = 1))“Den summariske fertilitetskvotient er det simpleste kvotientmål og beregnes som det årlige antal levendefødte pr. 1000 indbyggere. Det er imidlertid uhensigtsmæssigt, at nævneren også omfatter mænd samt kvinder under og over den fertile alder (15-49 år), idet sammenligning af den summariske fertilitetskvotient mellem to befolkninger kan påvise forskelle, som alene skyldes en forskellig andel af kvinder i den fertile alder.” kilde: Matthiessen, Poul Chr.: fertilitet i Den Store Danske på lex.dk. Hentet 11. august 2021
På grund af det stærkt begrænsede informationsbehov ved beregning er målet tilgængeligt for stort set alle verdens lande, se: Verdensbanken
I 2020 er den summariske fertilitetsrate beregnet til 15.7 for personer født i Grønland og 10.2 for personer født udenfor Grønland, bosat i Grønland. Kun 1/3 af personer født udenfor Grønland er kvinder, medens der er omtrent lige mange mænd og kvinder, blandt de som er født i Grønland. Derfor er målet ikke egnet til sammenligninger, opdelt efter fødested. Det samme gør sig gældende for regionale sammenligninger, da udenlandsk fødte i høj grad bor i Nuuk.
Grønlands Statistik anbefaler at aldersbetinget/samlet fertilitet anvendes ved fertilitetssammenligninger mellem områder eller over tid.
pop_t_child_all %>%
filter(pob=="N" & area %in% c("ALL","LP6","LP3")) %>%
select(time,area,TF) %>%
ggplot(aes(
x = time,
y = TF,
color = area
)) +
geom_line(size = 1) +
expand_limits(y = 0) +
scale_y_continuous(labels = scales::unit_format(
suffix = " ",
big.mark = ".",
decimal.mark = ","
)) +
theme_statgl() +
scale_color_statgl() +
labs(
title = "Figur 2 Summarisk fertilitet 1994 -",
subtitle = "Udvalgte regioner, mødre født i Grønland",
x = "år",
y = "summarisk fertilitet",
color = "område"
)
kilde: Statistikbanken
Generel fertilitetskvotient
# Female population
popF_raw <-
statgl_url("BEXCALCR", api_url = statbank) %>%
statgl_fetch(area = px_all(),
"event" = c("P","U"),
"year of birth" = px_all(),
gender = c("K"),
"place of birth" = px_all(),
"time" = px_all(),
.eliminate_rest = TRUE ,
.col_code = TRUE,
.val_code = TRUE
) %>%
as_tibble() %>%
select(area,
cohort = "year of birth",
pob = "place of birth",
event,
time,
value) %>%
mutate(value = as.numeric(value),
cohort = as.integer(as.character(cohort)),
time = as.integer(as.character(time)),
ageUlt = time-cohort) %>%
filter(ageUlt >= 15 & ageUlt <= 49) %>%
select(-cohort)
pop_f <- popF_raw %>%
group_by(area,pob,event,time) %>%
summarise(value=sum(value))
pop_f_child_all <- mom_c %>%
select(area,event,time,value) %>%
group_by(area,event,time) %>%
summarise(value = sum(value)) %>%
mutate(pob="T") %>%
rbind(mom_c) %>%
rbind(pop_f) %>%
pivot_wider(names_from = event, values_from = value) %>%
# calculate exposure
mutate(E = (P+U)/2,
GF = B / E * 1000) %>%
select(time,area,pob,GF)
GFGrlN <- pop_f_child_all %>%
as_tibble() %>%
filter(area=="ALL" & time==CONST_taar & pob=="N") %>%
select(GF) %>%
mutate(GF=round(GF,digits = 1))
GFGrlS <- pop_f_child_all %>%
as_tibble() %>%
filter(area=="ALL" & time==CONST_taar & pob=="S") %>%
select(GF) %>%
mutate(GF=round(GF,digits = 1))“Den generelle fertilitetskvotient defineres som antallet af levendefødte pr. 1000 kvinder i den fertile alder. Selvom der i nævneren for dette mål kun indgår personer, som antages at kunne føde, er målet afhængigt af aldersfordelingen blandt kvinder. En særlig høj værdi af den generelle fertilitetskvotient kan således helt eller delvis skyldes en stor andel af kvinder i aldersklassen 25-34 år, hvor fertilitetsniveauet er højere end i de øvrige aldersklasser.” kilde: Matthiessen, Poul Chr.: fertilitet i Den Store Danske på lex.dk. Hentet 11. august 2021
I 2020 er den generelle fertilitetsrate beregnet til 68.3 for personer født i Grønland og 45.7 for personer født udenfor Grønland, bosat i Grønland. Det bratte fertilitetsfald omkring 1970 medførte et kraftigt fald i det årlige antal levendefødte, så kraftigt, at fødselsårgangene blot 10 år senere var halveret i størrelse. Fødselsårgangene før fertilitetsfaldet omtales som ‘de store årgange’ og det er særdeles vigtigt for at have sammenlignelige mål at alderskomponenten standardiseres.
Grønlands Statistik anbefaler at aldersbetinget/samlet fertilitet anvendes ved fertilitetssammenligninger mellem områder eller over tid.
pop_f_child_all %>%
filter(pob=="N" & area %in% c("ALL","LP6","LP3")) %>%
select(time,area,GF) %>%
ggplot(aes(
x = time,
y = GF,
color = area
)) +
geom_line(size = 1) +
expand_limits(y = 0) +
scale_y_continuous(labels = scales::unit_format(
suffix = " ",
big.mark = ".",
decimal.mark = ","
)) +
theme_statgl() +
scale_color_statgl() +
labs(
title = "Figur 3 Generel fertilitet 1994 -",
subtitle = "Udvalgte regioner, mødre født i Grønland",
x = "år",
y = "Generel fertilitet",
color = "område"
)
pop_fert_indicator <- pop_t_child_all %>%
left_join(pop_f_child_all) %>%
pivot_longer(cols=c("TF","GF"),names_to="kvot")
kilde: Statistikbanken
Aldersbetinget & samlet fertilitet
_"De aldersbetingede fertilitetskvotienter fremkommer ved at beregne antallet af levendefødte pr. 1000 kvinder i hver 1-års eller 5-års aldersklasse.
Den samlede fertilitet angiver det antal levendefødte børn, som 1000 kvinder ville sætte i verden i løbet af deres fertile periode, hvis de fødte i overensstemmelse med givne aldersbetingede fertilitetskvotienter og gennemlevede hele den fertile periode."_ kilde: Matthiessen, Poul Chr.: fertilitet i Den Store Danske på lex.dk. Hentet 11. august 2021
# bind Totals for 'Place of Birth' to dataset & calculate fertility for 2-year and 5-year average
fert <- mom_child_all %>%
arrange(area,pob,ageUlt,time,type) %>%
pivot_wider(names_from = type,values_from = value) %>%
# calculate fertility per 1000
mutate(fertkv1 = (B/E)*1000) %>%
# select(-B,-E) %>%
filter(ageUlt > 14) %>%
ungroup() %>%
arrange(area,pob,time) %>%
mutate(fertkv2 = (fertkv1 + lag(fertkv1, order_by = time, n = 1))/2,
fertkv5 = (fertkv1 + lag(fertkv1, order_by = time, n = 1)
+ lag(fertkv1, order_by = time, n = 2)
+ lag(fertkv1, order_by = time, n = 3)
+ lag(fertkv1, order_by = time, n = 4))/5,
B2 = (B + lag(B, order_by = time, n = 1)),
B5 = (B + lag(B, order_by = time, n = 1)
+ lag(B, order_by = time, n = 2)
+ lag(B, order_by = time, n = 3)
+ lag(B, order_by = time, n = 4)),
E2 = (E + lag(E, order_by = time, n = 1)),
E5 = (E + lag(E, order_by = time, n = 1)
+ lag(E, order_by = time, n = 2)
+ lag(E, order_by = time, n = 3)
+ lag(E, order_by = time, n = 4)),
F1 = B/E*1000,
F2 = B2/E2*1000,
F5 = B5/E5*1000) %>%
# pivot_longer(cols=c("P","U","B","B2","B5","E","E2","E5","F1","F2","F5","fertkv1","fertkv2","fertkv5"),names_to = "kvot")
select(area,pob,ageUlt,cohort,time,B2,E2,F2,B5,E5,F5) %>%
pivot_longer(cols=c("B2","E2","F2","B5","E5","F5"),names_to = "kvot")
# calculate and add total by Age (ageUlt)
px_data_1 <- fert %>%
group_by(area,pob,time,kvot) %>%
summarise(value = sum(value)) %>%
mutate(ageUlt="-1",cohort="-1") %>%
ungroup() %>%
rbind(fert) %>%
select(time,area,pob,ageUlt,kvot,value) %>%
arrange(area,desc(pob),time,ageUlt,kvot) %>%
rename(area.code=area,pob.code=pob,age.code=ageUlt,kvot.code=kvot)De aldersbetingede fertilitetskvotienter og summen af disse over de fertile aldre, som kaldes samlet fertilitet er de vigtigste mål til at beskrive en befolknings fertilitet.
I figur 2a vises disse beregnet på hhv 2-års og 5-års grundlag. Det ses at betydningen af tilfældige årsvariationer reduceres betydeligt, når beregningsgrundlaget er større.
I figur 2b ses udviklingen i den samlede fertilitet over de seneste 25 år. Siden 2010 har den samlede fertilitet har niveauet ligget omkring 2,1 barn per kvinde, hvilket er det fertilitetsniveau en befolkning skal have for at kunne reproducere sig selv, når der ses bort fra vandringer.
Figur 2a Aldersbetinget fertilitet
fert %>%
select(time,area,pob,ageUlt,kvot,value) %>%
group_by(time,area,pob,ageUlt,kvot) %>%
summarise(value=sum(value)) %>%
filter(kvot %in% c("F2","F5") & area == "ALL" & pob=="T" & time==CONST_taar) %>%
select(ageUlt,kvot,value) %>%
mutate(time = strtoi(ageUlt),
kvot = as.factor(kvot)) %>%
ggplot(aes(
x = ageUlt,
y = value,
color = kvot
)) +
geom_line(size = 1) +
scale_y_continuous(labels = scales::unit_format(
suffix = " ",
big.mark = ".",
decimal.mark = ","
)) +
geom_smooth(method = "gam", se = TRUE) +
theme_statgl() +
scale_color_statgl() +
labs(
title = "Figur 2a Aldersbetinget fertilitet, 2- og 5-års grupper",
subtitle = paste0(CONST_taar," , Hele landet, hele befolkningen")
)
Figur 2b Samlet fertilitet
fert %>%
select(time,area,pob,ageUlt,kvot,value) %>%
group_by(time,area,pob,kvot) %>%
summarise(value=sum(value)) %>%
filter(kvot %in% c("F2","F5") & area == "ALL" & pob=="T") %>%
select(time,kvot,value) %>%
mutate(time = strtoi(time),
kvot = as.factor(kvot)) %>%
ggplot(aes(
x = time,
y = value,
color = kvot
)) +
geom_line(size = 1) +
scale_y_continuous(labels = scales::unit_format(
suffix = " ",
big.mark = ".",
decimal.mark = ","
)) +
geom_smooth(method = "gam", se = TRUE) +
theme_statgl() +
scale_color_statgl() +
labs(
title = "Figur 2b Samlet fertilitet, 2- og 5-års grupper",
subtitle = paste0(" 1995-", CONST_taar,", Hele landet, hele befolkningen")
)
Hovedstaden og hovedbostederne er uddannelsesbyer hvorfor de tiltrækker sig unge under uddannelse, der har lavere fertilitet end kvinder i samme aldre, som bor i de mindre bosteder.
Kvinder som bor i de mindre bosteder får børn tidligere en kvinder under uddannelse. De både begynder og slutter tidligere.
Figur 3a Aldersgrupper
agegroups <- c(paste(seq(15, 45, by = 5), seq(15 + 5 - 1, 50 - 1, by = 5),sep = "-"))
fert %>%
filter(pob=="N" & area %in% c("LP3","LP6") & kvot=="F5") %>%
filter(ageUlt < 45 ) %>%
select(time,area,ageUlt,time,value) %>%
mutate(AgeGroup = cut(ageUlt,
breaks = c(seq(15, 45, by = 5), Inf),
labels = agegroups,
right = FALSE)) %>%
group_by(time,area,AgeGroup) %>%
summarise(value = sum(value)/5) %>%
rename(age=AgeGroup) %>%
ggplot(aes(
x = time,
y = value,
color = factor(area)
)) +
facet_wrap(~ age, ncol = 3) +
geom_line(size = 1) +
expand_limits(y = 0) +
scale_y_continuous(labels = scales::unit_format(
suffix = " ",
big.mark = ".",
decimal.mark = ","
)) +
theme_statgl() +
scale_color_statgl() +
labs(
title = paste0("Figur 3a Aldersbetinget fertilitet i 5-års grupper 1994 - ",CONST_taar),
subtitle = "Hovedstad/Bosteder, mødre født i Grønland",
x = "tid",
y = "fertilitetskvotient",
color = "område"
)
Figur 3b 2020
agegroups <- c(paste(seq(15, 45, by = 5), seq(15 + 5 - 1, 50 - 1, by = 5),sep = "-"))
fert %>%
as_tibble() %>%
filter(pob=="N" & area %in% c("LP6","LP5","LP3") & kvot=="F5" & time==CONST_taar) %>%
select(area,ageUlt,value) %>%
ggplot(aes(
x = ageUlt,
y = value,
color = area
)) +
geom_line(size = 1) +
expand_limits(y = 0) +
scale_y_continuous(labels = scales::unit_format(
suffix = " ",
big.mark = ".",
decimal.mark = ","
)) +
geom_smooth(method = "gam", se = TRUE) +
theme_statgl() +
scale_color_statgl() +
labs(
title = paste0("Figur 3b Aldersbetinget fertilitet ",CONST_taar),
subtitle = "Hele landet, mødre født i Grønland",
x = "alder",
y = "fertilitetskvotient",
color = "område"
)
# Total population
pop_raw <-
statgl_url("BEXCALCR", api_url = statbank) %>%
statgl_fetch(area = px_all(),
"event" = c("B"),
"place of birth" = px_all(),
gender = px_all(),
"time" = px_all(),
.eliminate_rest = TRUE ,
.col_code = TRUE,
.val_code = TRUE
) %>%
as_tibble() %>%
select(area,
gender,
pob="place of birth",
event,
time,
value) %>%
mutate(value = as.numeric(value),
time = as.integer(as.character(time)))
pop <- pop_raw %>%
pivot_wider(names_from = gender, values_from = value) %>%
mutate(k = M/K*100)
KPGrlN <- pop %>%
as_tibble() %>%
filter(area=="ALL" & time==CONST_taar & pob=="N") %>%
select(k) %>%
mutate(k=round(k,digits = 1))
KPGrlS <- pop %>%
as_tibble() %>%
filter(area=="ALL" & time==CONST_taar & pob=="S") %>%
select(k) %>%
mutate(k=round(k,digits = 1))Regionalt fertilitetsindeks
# Start calculate index
fert_ALL <- fert %>%
filter(area == "ALL") %>%
select(-area) %>%
pivot_wider(names_from = kvot,values_from = value) %>%
rename(B2_all=B2,E2_all=E2,F2_all=F2,B5_all=B5,E5_all=E5,F5_all=F5)
fert_tmp <- fert %>%
pivot_wider(names_from = kvot,values_from = value) %>%
left_join(fert_ALL) %>%
mutate(B2_hat=E2*F2_all/1000,
B5_hat=E5*F5_all/1000)
fert_indx <- fert_tmp %>%
select(area,pob,ageUlt,cohort,time,B2,F2,B2_all,F2_all,B2_hat,B5,F5,B5_all,F5_all,B5_hat) %>%
pivot_longer(cols = c("B2","F2","B2_all","F2_all","B2_hat","B5","F5","B5_all","F5_all","B5_hat"), names_to = "kvot") %>%
group_by(area,pob,time,kvot) %>%
summarise(value = sum(value)) %>%
ungroup() %>%
pivot_wider(names_from = kvot,values_from = value) %>%
mutate(indx2 = B2/B2_hat*100,
indx5 = B5/B5_hat*100) %>%
select(area,pob,time,F2,F5,indx2,indx5) %>%
pivot_longer(cols = c("F2","indx2","F5","indx5"), names_to = "kvot") %>%
drop_na() %>%
mutate(value = round(value, digits = 1))
fert_indi <- fert_indx %>%
rbind(pop_fert_indicator) %>%
arrange(time,area,pob,kvot)
px_data_2 <- fert_indi %>%
select(area.code=area,pob.code=pob,time,kvot.code=kvot,value)
wd <- getwd()
write_rds(px_data_1,paste0(wd,"/datasaet/px_data_1.rds"))
write_rds(px_data_2,paste0(wd,"/datasaet/px_data_2.rds"))
Det regionale fertilitetsindeks er beregnet ved inddirekte standardisering og udtrykker forholdet mellem det faktiske antal fødte i en region og det forventede antal fødte, hvis kvinderne i regionen føder børn i overensstemmelse med landsgennemsnittet.
Om demografisk metode, se Teoretisk Demografi, PC Matthiessen 1970
For yderligere beskrivelse af metode, se fx
Ved denne beregning ses at fertilitetsniveauet er temmelig konstant i landets kommuner, de størrelsesgrupperede lokaliteter samt fleste distrikter, særligt når et 5-års gennemsnit ligger til grund for beregningerne.
Dog skiller Qaanaaq og Ittoqqortoormiit sig markant ud med med et fertilitetsniveau der ligner 2 og 2½ gange landsgennemsnittet, med væsentlig større usikkerhed pga beregningsgrundlagets størrelse.
fert_indx %>%
filter(time> 2004 & kvot == "indx5" & area %in% c("D17","D19","LP2","LP3","LP4","LP5","LP6") & pob=="N") %>%
mutate(area=case_when(area=="D17"~"Qaanaaq",
area=="D19"~"Ittoqqortoormiit",
area=="LP2"~"50-199 indbyggere",
area=="LP3"~"200-699 indbyggere",
area=="LP4"~"700- 2.999 indbyggere",
area=="LP5"~"3.000-6.000 indbyggere",
area=="LP6"~">6.000 indbyggere",
)) %>%
select(time,area,value) %>%
ggplot(aes(
x = time,
y = value,
color = area
)) +
geom_line(size = 1) +
scale_y_continuous(labels = scales::unit_format(
suffix = " ",
big.mark = ".",
decimal.mark = ","
)) +
geom_smooth(method = "gam", se = TRUE) +
theme_statgl() +
scale_color_statgl() +
labs(
title = "Figur 4a Fertilitetsindeks, i størrelsesgrupperede lokaliteter",
subtitle = " 2010-2020, født i Grønland",
x = "år",
y = "indeks",
color = NULL
)