Tilbage


Delmål 5: Ligestilling mellem kønnene

Gennemsnitsindkomst


GS Gennemsnitsindkomst efter køn, bosted og uddannelse
# Load
library("pxweb")
library("tidyverse")
library("statgl")
library("lubridate")


# Import 
INDP8_raw <- pxweb_get_data(
  url = "https://bank.stat.gl/api/v1/da/Greenland/IN/IN20/INXPI104.px", 
  query = list(
    "level of education" = "*",
    "unit" = "3",
    "gender"=c("1","2"),
    "type of income"=c("1"),
    "time" = "*"
  )
) %>% 
  as_tibble()



# Transformation
INDP8 <-
  INDP8_raw %>%
  mutate_if(is.factor, as.character) %>%
  mutate_if(~!is.numeric(.x), fct_inorder) %>% 
  mutate(tid = make_date(strtoi(tid))) %>% 
  drop_na()


# Plot
INDP8_plot <-
  INDP8 %>%
  ggplot(aes(x = tid,  y = `Indkomst for personer over 14 år`,
             color = køn)) +
  geom_line(size = 2) +
  facet_wrap(~ uddannelsesniveau, labeller = label_wrap_gen()) +
  scale_y_continuous(labels = scales::comma_format(big.mark = ".")) +
  theme_statgl() + scale_color_statgl() +
  labs(
    title = "Gennemsnitlig bruttoindkomst efter køn og uddannelse",
    subtitle = "Personindkomst",
    x = " ",
    color = " ",
    caption = "Kilde: http://bank.stat.gl/INDP8"
  )


INDP8_plot

Statistikbanken

Metode


# Load
library("pxweb")
library("tidyverse")
library("statgl")
library("kableExtra")


# Import
# Import 
INDP8_raw <- pxweb_get_data(
  url = "https://bank.stat.gl/api/v1/da/Greenland/IN/IN20/INXPI104.px", 
  query = list(
    "level of education" = "*",
    "unit" = "3",
    "gender"=c("1","2"),
    "type of income"=c("1"),
    "time" = "*"
  )
) %>% 
  as_tibble()



# Transformation
INDP8 <-
  INDP8_raw %>%
  mutate_if(is.factor, as.character) %>%
  mutate_if(~!is.numeric(.x), fct_inorder) %>% 
  drop_na() %>% 
  spread(tid, `Indkomst for personer over 14 år`) %>% 
  select(-enhed, -indkomsttype)

indx <- INDP8 %>% pull(uddannelsesniveau) %>% table()

INDP8_table <-
  INDP8 %>% 
  select(-uddannelsesniveau) %>% 
  set_names(str_to_sentence(names(.))) %>% 
  statgl_table() %>% 
  pack_rows(index = indx)

INDP8_table
Køn 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019
Grundskole
Mænd 173.483 171.180 170.387 178.380 186.095 188.550 188.853 202.171 218.315 213.116 220.078 220.307
Kvinder 130.889 134.791 136.644 135.844 137.206 141.198 142.077 144.580 148.982 152.155 155.758 159.535
Gymnasial uddannelse
Mænd 311.584 308.325 316.524 318.151 313.638 293.171 277.815 280.866 303.934 311.247 308.532 311.490
Kvinder 185.681 194.570 192.247 190.098 180.992 178.845 175.220 178.503 178.534 187.511 190.309 198.835
Erhvervsuddannelse
Mænd 352.192 322.741 326.185 329.710 337.700 338.993 338.418 349.947 368.696 367.711 378.975 385.735
Kvinder 226.627 237.900 244.129 246.892 246.350 250.951 250.269 253.141 258.782 267.964 275.284 282.289
Kort videregående uddannelse
Mænd 158.017 152.795 160.880 170.368 194.255 211.425 199.318 216.896 232.437 238.953 263.876 268.076
Kvinder 146.439 164.511 164.638 165.253 174.222 183.601 189.165 192.725 197.523 194.122 186.694 211.506
Mellemlang videregående uddannelse
Mænd 449.838 464.953 477.757 485.474 490.985 500.968 507.751 524.713 520.808 555.382 531.896 535.903
Kvinder 332.625 351.216 361.979 365.054 370.971 380.874 377.357 379.208 384.425 417.279 405.128 410.376
Videregående uddannelse
Mænd 659.503 697.257 702.584 698.593 719.499 755.415 749.188 736.137 768.114 780.806 713.391 767.253
Kvinder 478.562 502.396 525.783 545.991 536.900 555.922 548.082 554.357 561.153 614.575 561.794 579.796

Fordelingen af folkevalgte efter køn


FN 5.5.1 Andel af kvindelige parlamentarikere i det nationale parlament
# Load
library("pxweb")
library("tidyverse")
library("statgl")
library("lubridate")


# Import
ELE03_raw <- read_csv(
  "https://pxweb.nordicstatistics.org:443/sq/90cf03c4-d913-4aa6-8940-ef5aebd363b2",
  locale = locale(encoding = "latin1")) %>%
  as_tibble()


# Transform
ELE03 <-
  ELE03_raw %>%
  rename(candidates =
           `ELE03: Candidates elected to the national parliaments`) %>% 
  spread(time, candidates) %>% 
  rename(`Seneste Valg` = `Latest election`) %>% 
  gather(time, candidates, `Seneste Valg`) %>% 
  spread(sex, candidates) %>% 
  rename(Mænd = Men, Kvinder = Women) %>% 
  gather(sex, candidates, Mænd, Kvinder, Total) %>% 
  spread(`reporting country`, candidates) %>% 
  rename(Danmark = Denmark,
         `Færøerne` = `Faroe Islands`,
         Grønland = Greenland,
         Island = Iceland,
         Norge = Norway,
         Sverige = Sweden) %>% 
  gather(`reporting country`, candidates, -unit, -time, -sex)


# Plot
ELE03_plot <-
  ELE03 %>%
  filter(unit == "Number of elected candidates", sex != "Total") %>%
  mutate(`reporting country` =
           fct_reorder(`reporting country`, candidates),
         sex = sex %>% fct_rev()) %>%
  ggplot(aes(x = `reporting country`,
             y = candidates,
             fill = sex)) +
  geom_col(position = "fill") +
  coord_flip() +
  facet_grid(~ time) +
  scale_y_continuous(labels  = scales::percent_format(scale = 100, accuracy = 1, big.mark = ".",
    decimal.mark = ",")) +
  theme_statgl() + scale_fill_statgl(guide = guide_legend(reverse = TRUE)) +
  labs(
    title = "Fordelingen af folkevalgte efter køn",
    subtitle = "Folkevalgte til nationale parlamenter",
    x = " ",
    y = " ",
    fill = " ",
    caption = "Kilde: Nordic Statistics (table ELE03)"
  )


ELE03_plot

Statistikbanken

Metode


# Load
library("pxweb")
library("tidyverse")
library("statgl")
library("kableExtra")


# Import
ELE03_raw <- read_csv(
  "https://pxweb.nordicstatistics.org:443/sq/90cf03c4-d913-4aa6-8940-ef5aebd363b2",
  locale = locale(encoding = "latin1")) %>%
  as_tibble()


# Transform
ELE03 <-
  ELE03_raw %>%
  rename(candidates = `ELE03: Candidates elected to the national parliaments`)


# Table
ELE03_table <-
  ELE03 %>%
  filter(unit == "Percent, %", sex != "Total") %>%
  select(time, `reporting country`, sex, candidates) %>%
  unite(kombi, `reporting country`, sex, sep = ", ") %>%
  spread(kombi, candidates) %>%
  set_names(str_to_title(names(.))) %>%
  kable(col.names = c(" ", 
                      "Mænd", "Kvinder", "Mænd", "Kvinder", "Mænd", "Kvinder", "Mænd", "Kvinder", 
                      "Mænd", "Kvinder", "Mænd", "Kvinder", "Mænd", "Kvinder", "Mænd", "Kvinder"), 
        align = "rr") %>%
  add_header_above(
    c(
      " ",
      "Danmark" = 2,
      "Færøerne" = 2,
      "Finland" = 2,
      "Grønland" = 2,
      "Island" = 2,
      "Norge" = 2,
      "Sverige" = 2,
      "Åland" = 2
    ),
    align = "r"
  ) %>%
  kable_styling(bootstrap_options = c("condensed", "reactive"),
                full_width = TRUE) %>%
  add_footnote("Procentvis fordeling af folkevalgte.",
               notation = "symbol")


ELE03_table
Danmark
Færøerne
Finland
Grønland
Island
Norge
Sverige
Åland
Mænd Kvinder Mænd Kvinder Mænd Kvinder Mænd Kvinder Mænd Kvinder Mænd Kvinder Mænd Kvinder Mænd Kvinder
Latest election 61 39 70 30 59 42 55 45 62 38 59 41 54 46 67 33
* Procentvis fordeling af folkevalgte.

Økonomisk udsatte


GS Andel økonomisk udsatte i befolkningen efter køn
# Loads
library("pxweb")
library("tidyverse")
library("statgl")
library("lubridate")


# Import
SODOU01_2_raw <-
  pxweb_get(
    url = "https://bank.stat.gl/api/v1/da/Greenland/SO/SO90/SOXOU01.px",
    query = list(
      "Inventory variable" = c("*"),
      "age" = c("*"),
      "gender" = c("*"),
      "year" = c("*")
    )) %>%
  as.data.frame(column.name.type = "text", variable.value.type = "text") %>%
  as_tibble()


# Transform
SODOU01_2 <-
  SODOU01_2_raw %>%
  mutate_if(is.factor, as.character) %>%
  mutate(tid = as.numeric(tid) %>% make_date()) %>%
  gather(Mål, værdi, -tid, -køn, -alder)


# Plot
SODOU01_2_plot <-
  SODOU01_2 %>%
  filter(køn != "I alt",
         Mål == "Andel under 50%" |
           Mål == "Andel under 60%" ,
         alder == "I alt") %>%
  ggplot(aes(x = tid,
             y = værdi,
             fill = køn)) +
  geom_col(position = "dodge") +
  scale_y_continuous(labels  = scales::percent_format(scale = 1, accuracy = 1, big.mark = ".",
    decimal.mark = ",")) +
  facet_wrap(~ Mål, scales = "free_y") +
  theme_statgl() + scale_fill_statgl(reverse = TRUE) +
  labs(
    title = "Økonomisk udsatte efter køn",
    subtitle = "Procentvis andel af befolkningen med en indkomst under 50 eller 60% af medianindkomsten i 3 sammenhængende år",
    x = " ",
    y = " ",
    fill = " ",
    caption = "Anm.: En person betegnes som økonomisk udsat, hvis personens indkomst i en treårig periode \n hvert år har ligget under en given kritisk indkomstgrænse. \n Kilde: https://bank.stat.gl/SODOU01"
  )


SODOU01_2_plot

Statistikbanken

Metode


# Loads
library("pxweb")
library("tidyverse")
library("statgl")
library("kableExtra")


# Import
SODOU01_2_raw <-
  pxweb_get(
    url = "https://bank.stat.gl/api/v1/da/Greenland/SO/SO90/SOXOU01.px",
    query = list(
      "Inventory variable" = c("*"),
      "age" = c("*"),
      "gender" = c("*"),
      "year" = c("*")
    )) %>%
  as.data.frame(column.name.type = "text", variable.value.type = "text") %>%
  as_tibble()


# Transform
SODOU01_2 <-
  SODOU01_2_raw %>%
  gather(Mål, værdi, -tid, -køn, -alder)


# Table
SODOU01_2_table <-
  SODOU01_2 %>%
  filter(alder == "I alt",
         køn != "I alt",
         Mål == "Andel under 50%" |
           Mål == "Andel under 60%") %>%
  rename(procent = værdi) %>%
  select(tid, køn, Mål, procent) %>%
  unite(kombi, Mål, køn, sep = ", ") %>%
  spread(kombi, procent) %>%
  set_names(str_to_title(names(.))) %>%
  kable(col.names = c(" ", 
                      "Kvinder", "Mænd",
                      "Kvinder", "Mænd"), 
        align = "lrrrr") %>%
  add_header_above(c(" ",
                     "Andel under 50%" = 2,
                     "Andel under 60%" = 2), 
                   align = "r") %>%
  kable_styling(bootstrap_options = c("condensed", "reactive"),
                full_width = TRUE) %>%
  add_footnote("Procentvis andel under 50 eller 60% af medianindkomsten.",
               notation = "symbol")


SODOU01_2_table
Andel under 50%
Andel under 60%
Kvinder Mænd Kvinder Mænd
2011 2.7 3.1 5.7 6.2
2012 2.8 3.3 5.9 6.5
2013 2.9 3.4 5.8 6.7
2014 2.7 3.4 5.4 6.1
2015 2.9 3.6 5.6 6.4
2016 2.9 3.5 5.7 6.4
2017 3.4 3.9 6.6 7.1
2018 3.5 4.2 6.6 7.7
2019 3.5 4.1 7.1 7.8
* Procentvis andel under 50 eller 60% af medianindkomsten.

Trintest-resultater


GS Trintest resultater efter køn
# Load
library("pxweb")
library("tidyverse")
library("statgl")
library("lubridate")


# Import 
UDDTKK_raw <-
  pxweb_get(
    url = "https://bank.stat.gl/api/v1/da/Greenland/UD/UD45/UD4530/UDXTKK.px",
    query = list(
      "subject" = c("01", "02", "03", "04"),
      "grade" = c("3", "7"),
      "municipality" = c("GRL"),
      "sex" = c("1", "2"),
      "unit" = c("B"),
      "time" = c("*")
    )) %>%
  as.data.frame(column.name.type = "text", variable.value.type = "text") %>% 
  as_tibble()


# Transform
UDDTKK <-
  UDDTKK_raw %>%
  mutate(tid = strtoi(tid) %>% make_date())


# Plot
UDDTKK_plot <-
  UDDTKK %>%
  ggplot(aes(x = tid, y = `Trintest resultater`, color = fag)) +
  geom_line(size = 2) +
  scale_y_continuous(labels  = scales::percent_format(scale = 1, accuracy = 1, big.mark = ".",
    decimal.mark = ",")) +
  facet_grid(klassetrin ~ køn) +
  theme_statgl() + scale_color_statgl() +
  labs(
    title = "Trintest-resultater efter køn",
    subtitle = "Løsningssikkerhed (pct. rigtige)",
    x = " ",
    y = " ",
    color = "Fag",
    caption = "Kilde: https://bank.stat.gl/UDDTKK"
  )


UDDTKK_plot

Statistikbanken

Metode


# Load
library("pxweb")
library("tidyverse")
library("statgl")
library("kableExtra")


# Import 
UDDTKK_raw <-
  pxweb_get(
    url = "https://bank.stat.gl/api/v1/da/Greenland/UD/UD45/UD4530/UDXTKK.px",
    query = list(
      "subject" = c("01", "02", "03", "04"),
      "grade" = c("3", "7"),
      "municipality" = c("GRL"),
      "sex" = c("1", "2"),
      "unit" = c("B"),
      "time" = c("*")
    )) %>%
  as.data.frame(column.name.type = "text", variable.value.type = "text") %>% 
  as_tibble()


# Transform
UDDTKK <-
  UDDTKK_raw


# Table
UDDTKK_table <-
  UDDTKK %>% 
  select(tid, klassetrin, fag, køn, `Trintest resultater`) %>% 
  unite(kombi, klassetrin, fag, køn, sep = ", ") %>% 
  spread(kombi, `Trintest resultater`) %>% 
  kable(col.names = c(" ",
                      "Drenge", "Piger", "Drenge", "Piger", "Drenge", "Piger", "Drenge", "Piger",
                      "Drenge", "Piger", "Drenge", "Piger", "Drenge", "Piger", "Drenge", "Piger"
                      ), align = "lrrrrrrrrrrrrrrrr") %>% 
  add_header_above(c(" ",
                     "Dansk" = 2, "Engelsk" = 2, "Grønlandsk" = 2, "Matematik" = 2,
                     "Dansk" = 2, "Engelsk" = 2, "Grønlandsk" = 2, "Matematik" = 2
                     ), align = "r") %>% 
  add_header_above(c(" ",
                     "3. Klasse" = 8,
                     "7. Klasse" = 8
                     ), align = "r") %>% 
  kable_styling(bootstrap_options = c("condensed", "reactive"),
                full_width = TRUE) %>%
  add_footnote("Løsningssikkerhed (pct. rigtige).",
               notation = "symbol")


UDDTKK_table
  1. Klasse
  1. Klasse
Dansk
Engelsk
Grønlandsk
Matematik
Dansk
Engelsk
Grønlandsk
Matematik
Drenge Piger Drenge Piger Drenge Piger Drenge Piger Drenge Piger Drenge Piger Drenge Piger Drenge Piger
2009 44 58 NA NA 41 49 62 61 57 62 46 49 56 67 47 55
2010 43 48 NA NA 40 50 60 59 53 58 49 49 56 62 45 47
2011 46 52 NA NA 42 55 65 64 58 63 51 56 58 65 47 49
2012 43 54 NA NA 42 51 64 62 56 61 51 54 56 67 44 47
2013 48 58 NA NA 47 55 63 60 60 69 53 56 57 67 43 47
2014 45 52 NA NA 44 51 64 62 55 62 51 56 57 66 47 46
2015 45 56 NA NA 47 53 63 65 53 60 51 56 58 67 46 50
2016 52 62 NA NA 45 53 65 67 53 68 59 67 59 69 43 47
2017 50 60 NA NA 44 53 65 62 58 67 59 65 62 68 45 47
2018 47 64 NA NA 46 54 50 56 53 60 53 59 59 66 41 40
2019 50 59 NA NA 39 50 51 52 48 60 53 67 61 70 40 43
2020 50 50 NA NA 40 48 53 48 55 60 75 73 57 65 41 42
* Løsningssikkerhed (pct. rigtige).

Karaktergennemsnit


GS Prøvekarakterer efter køn
# Load
library("pxweb")
library("tidyverse")
library("statgl")
library("lubridate")


# Import
UDDFKK_3_raw <-
  pxweb_get(
    url = "https://bank.stat.gl/api/v1/da/Greenland/UD/UD45/UD4530/UDXFKK.px",
    query = list(
      "unit" = c("Avg"),
      "subject" = c("01", "02", "03", "04"),
      "municipality" = c("*"),
      "type of grades" = c("56", "57", "58"),
      "grade" = c("*"),
      "sex" = c("*"),
      "time" = c("*")
    )) %>%
  as.data.frame(column.name.type = "text", variable.value.type = "text") %>%
  as_tibble()


# Transform
UDDFKK_3 <-
  UDDFKK_3_raw %>%
  mutate_if(is.factor, as.character) %>%
  mutate(
    tid = as.numeric(tid) %>% make_date(),
    karaktertype =
      karaktertype %>% str_remove_all("Prøvekarakter -") %>%
      trimws() %>% str_to_title() %>%
      fct_relevel("Færdighedsprøve", after = Inf)
  )


# Plot
UDDFKK_3_plot <-
  UDDFKK_3 %>%
  filter(kommune == "I alt",
         klassetrin == "Folkeskolens afgangselever",
         køn != "I alt") %>%
  mutate(fag = fag %>% fct_relevel("Grønlandsk", after = 0)) %>%
  ggplot(aes(x = tid,
             y = karaktergennemsnit,
             color = køn)) +
  geom_line(size = 2) +
  facet_grid(karaktertype ~ fag) +
  scale_y_continuous(labels = scales::unit_format(
    suffix = " ",
    big.mark = ".",
    decimal.mark = ",", accuracy = 1
  )) +
  theme_statgl() + scale_color_statgl(guide = guide_legend(reverse = TRUE)) +
  labs(
    title = "Prøvekarakterer for folkeskolens afgangselever efter køn",
    x = " ",
    y = "Karaktergennemsnit",
    color = " ",
    caption = "Kilde: https://bank.stat.gl/UDDFKK"
  )


UDDFKK_3_plot

Statistikbanken

Metode


# Load
library("pxweb")
library("tidyverse")
library("statgl")
library("kableExtra")


# Import
UDDFKK_3_raw <-
  pxweb_get(
    url = "https://bank.stat.gl/api/v1/da/Greenland/UD/UD45/UD4530/UDXFKK.px",
    query = list(
      "unit" = c("Avg"),
      "subject" = c("01", "02", "03", "04"),
      "municipality" = c("*"),
      "type of grades" = c("56", "57", "58"),
      "grade" = c("*"),
      "sex" = c("*"),
      "time" = c("*")
    )) %>%
  as.data.frame(column.name.type = "text", variable.value.type = "text") %>%
  as_tibble()


# Transform
UDDFKK_3 <-
  UDDFKK_3_raw %>%
  mutate_if(is.factor, as.character) %>%
  mutate(karaktertype =
           karaktertype %>% str_remove_all("Prøvekarakter -") %>% trimws())


# Table 
UDDFKK_3_table <-
  UDDFKK_3 %>%
  filter(kommune == "I alt",
         køn != "I alt",
         klassetrin == "Folkeskolens afgangselever") %>%
  select(tid, fag, karaktertype, køn, karaktergennemsnit) %>%
  unite(kombi, fag, karaktertype, køn, sep = ", ") %>%
  mutate(
    karaktergennemsnit =
      format(
        karaktergennemsnit,
        digits = 3,
        decimal.mark = ","
      )
  ) %>%
  spread(kombi, karaktergennemsnit) %>%
  set_names(str_to_title(names(.))) %>%
  kable(col.names = c(" ", 
                      "Drenge", "Piger","Drenge", "Piger","Drenge", "Piger",
                      "Drenge", "Piger","Drenge", "Piger","Drenge", "Piger",
                      "Drenge", "Piger","Drenge", "Piger","Drenge", "Piger",
                      "Drenge", "Piger","Drenge", "Piger","Drenge", "Piger"
  ), align = "lrrrrrrrrrrrrrrrrrrrrrrrr") %>%
  add_header_above(c(" ",
                     "Færdighedsprøve" = 2, "Mundtlig" = 2, "Skriftlig" = 2,
                     "Færdighedsprøve" = 2, "Mundtlig" = 2, "Skriftlig" = 2,
                     "Færdighedsprøve" = 2, "Mundtlig" = 2, "Skriftlig" = 2,
                     "Færdighedsprøve" = 2, "Mundtlig" = 2, "Skriftlig" = 2
  ), align = "r") %>%
  add_header_above(c(
    " ",
    "Dansk" = 6,
    "Engelsk" = 6,
    "Grønlandsk" = 6,
    "Matematik" = 6
  ),
  align = "r") %>%
  kable_styling(bootstrap_options = c("condensed", "reactive"),
                full_width = TRUE) %>%
  add_footnote("Gennemsnitlige prøvekarakterer for folkeskolens afgangselever.",
               notation = "symbol")


UDDFKK_3_table
Dansk
Engelsk
Grønlandsk
Matematik
Færdighedsprøve
Mundtlig
Skriftlig
Færdighedsprøve
Mundtlig
Skriftlig
Færdighedsprøve
Mundtlig
Skriftlig
Færdighedsprøve
Mundtlig
Skriftlig
Drenge Piger Drenge Piger Drenge Piger Drenge Piger Drenge Piger Drenge Piger Drenge Piger Drenge Piger Drenge Piger Drenge Piger Drenge Piger Drenge Piger
2008 4,56 4,82 4,71 5,05 2,65 3,27 5,00 4,84 5,34 4,23 2,56 2,74 4,80 6,02 6,32 7,34 4,21 5,62 3,88 3,19 4,55 4,13 3,12 2,52
2009 3,93 5,03 4,12 5,09 2,87 4,66 5,43 6,01 4,11 4,86 2,78 3,99 5,26 7,08 5,22 6,95 3,95 6,39 4,19 4,05 4,67 4,81 2,98 3,06
2010 4,64 5,07 4,20 5,03 3,33 4,40 6,04 6,17 4,05 3,73 2,67 3,34 4,47 5,76 4,93 6,51 4,10 6,22 4,10 3,77 4,10 3,64 2,24 2,25
2011 4,93 5,45 4,67 5,72 3,67 4,60 5,85 5,93 3,29 3,26 2,61 3,09 5,09 6,72 5,44 7,37 4,40 6,60 4,12 3,74 4,49 4,69 3,74 3,85
2012 5,27 6,04 4,12 4,15 3,05 4,70 5,77 6,10 4,27 4,45 2,52 3,79 4,36 6,04 5,03 7,68 3,52 5,90 3,51 3,54 3,67 4,31 1,81 2,24
2013 6,30 6,63 4,74 5,00 3,75 4,53 5,19 5,33 5,13 5,00 2,88 3,50 4,31 5,89 5,80 6,85 4,03 6,11 5,49 4,90 4,40 4,63 4,25 3,96
2014 5,62 6,21 4,08 4,73 3,33 4,41 4,16 4,75 3,66 3,61 2,76 3,57 4,84 6,61 5,43 6,60 4,23 6,12 4,96 4,41 4,85 4,05 3,34 3,01
2015 5,49 5,72 4,22 4,00 3,68 4,34 4,38 4,49 3,30 3,98 2,97 3,19 4,94 6,43 5,27 6,47 4,14 6,54 4,75 4,52 4,14 4,01 2,56 2,84
2016 4,63 5,56 4,42 5,88 3,81 5,19 4,62 5,27 4,89 5,62 3,14 3,87 4,04 5,60 4,94 6,53 4,14 6,42 5,48 5,14 4,87 4,99 3,04 2,93
2017 5,09 5,61 4,98 5,14 3,70 4,62 5,54 5,74 4,56 4,95 3,15 3,96 4,48 5,58 5,20 6,55 4,24 6,63 5,45 4,92 5,06 5,10 2,73 2,74
2018 4,32 4,92 4,13 4,47 3,20 4,44 4,73 5,26 3,32 4,46 3,05 3,98 5,07 6,29 5,33 6,69 4,15 6,41 5,39 5,01 5,37 5,20 2,05 2,18
2019 4,31 5,74 3,63 5,75 3,30 4,83 4,52 5,58 4,72 5,81 3,28 4,69 4,21 5,24 5,32 7,65 3,72 5,90 5,33 5,06 4,64 4,60 2,18 2,69
2020 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
* Gennemsnitlige prøvekarakterer for folkeskolens afgangselever.

Højest fuldførte uddannelse


GS Højst fuldførte uddannelse blandt 35-39 årige efter køn
# Load
library("pxweb")
library("tidyverse")
library("statgl")
library("lubridate")


# Import
UDDISCPROD_post_køn_raw <-
  pxweb_get(
    url = "https://bank.stat.gl/api/v1/da/Greenland/UD/UD40/UD4020/UDXISCPROD.px",
    query = list(
      #"place of residence" = c("1", "2"),
      "level of education" = c("00", "20", "34", "35", "40", "50", "64", "65", "70", "80"),
      #"municipality" = c("955","956","957","959","960","961")
      "gender" = c("M", "K"),
      "age" = c("35-39"),
      "time" = c("*")
    )) %>%
  as.data.frame(column.name.type = "text", variable.value.type = "text") %>%
  as_tibble()


# Transform
UDDISCPROD_post_køn <-
  UDDISCPROD_post_køn_raw %>%
  mutate_if(is.factor, as.character) %>%
  mutate(
    tid = as.numeric(tid) %>% make_date(),
    id = row_number(),
    uddannelsesniveau = uddannelsesniveau %>%
      str_remove("uddannelse") %>%
      fct_reorder(id, .fun = min, na.rm = T) %>%
      fct_rev()
  )


# Plot
UDDISCPROD_post_køn_plot <-
  UDDISCPROD_post_køn %>%
  filter(uddannelsesniveau != "I alt") %>%
  ggplot(
    aes(x = tid,
        y = `Befolkningens højst fuldførte uddannelse (16-74 år)`,
        fill = uddannelsesniveau)
  ) +
  geom_area(position = "fill") +
  facet_wrap( ~ køn) +
  scale_y_continuous(labels  = scales::percent_format(scale = 100, accuracy = 1, big.mark = ".",
    decimal.mark = ",")) +
  theme_statgl() +
  scale_fill_statgl(reverse = TRUE, guide = guide_legend(reverse = TRUE, nrow = 3)) +
  labs(
    title = "Højst fuldførte uddannelse efter køn",
    subtitle = "Blandt 35-39-årige",
    x = " ",
    y = " ",
    fill = NULL,
    caption = "Kilde: https://bank.stat.gl/UDDISCPROD"
  )


UDDISCPROD_post_køn_plot

Statistikbanken

Metode


# Load
library("pxweb")
library("tidyverse")
library("statgl")
library("kableExtra")


# Import
UDDISCPROD_post_køn_raw <-
  pxweb_get(
    url = "https://bank.stat.gl/api/v1/da/Greenland/UD/UD40/UD4020/UDXISCPROD.px",
    query = list(
      #"place of residence" = c("K", "M"),
      "level of education" = c("00", "20", "34", "35", "40", "50", "64", "65", "70", "80"),
      #"municipality" = c("955","956","957","959","960","961")
      "gender" = c("K", "M"),
      "age" = c("35-39"),
      "time" = c("*")
    )) %>%
  as.data.frame(column.name.type = "text", variable.value.type = "text") %>%
  as_tibble()


# Transform
UDDISCPROD_post_køn <-
  UDDISCPROD_post_køn_raw %>%
  mutate_if(is.factor, as.character) %>%
  mutate(
    id = row_number(),
    uddannelsesniveau = uddannelsesniveau %>%
      str_remove("uddannelse") %>%
      fct_reorder(id, .fun = min, na.rm = T) %>%
      fct_rev()
  )



UDDISCPROD_post_køn_table <-
  UDDISCPROD_post_køn %>%
  filter(uddannelsesniveau != "I alt") %>%
  select(tid,
         uddannelsesniveau,
         køn,
         `Befolkningens højst fuldførte uddannelse (16-74 år)`) %>%
  unite(kombi, uddannelsesniveau, køn, sep = ", ") %>%
  spread(kombi, `Befolkningens højst fuldførte uddannelse (16-74 år)`) %>%
  kable(col.names = c(" ", 
                      "Kvinder", "Mænd",
                      "Kvinder", "Mænd",
                      "Kvinder", "Mænd",
                      "Kvinder", "Mænd",
                      "Kvinder", "Mænd",
                      "Kvinder", "Mænd",
                      "Kvinder", "Mænd",
                      "Kvinder", "Mænd",
                      "Kvinder", "Mænd"
                      ), align = "lrrrrrrrrrrrrrrrrrr") %>% 
  add_header_above(c(" ",
                     "Bachelor" = 2, 
                     "Erhvervs" = 2, 
                     "10. Klasses Niveau" = 2, 
                     "Gymnasial" = 2, 
                      "Kandidat" = 2, 
                     "Kort Videregående" = 2, 
                     "Phd. Og Forsker" = 2, 
                      "Professionsbachelor" = 2, 
                     "Suppleringskurser" = 2
  ), align = "r") %>%
  kable_styling(bootstrap_options = c("condensed", "reactive"),
                full_width = TRUE) %>%
  add_footnote("Antal personer, hovedbeskæftigelse i mindst én måned blandt fastboende.",
               notation = "symbol") %>%
  scroll_box(height = "500px")


UDDISCPROD_post_køn_table
Bachelor
Erhvervs
  1. Klasses Niveau
Gymnasial
Kandidat
Kort Videregående
Phd. Og Forsker
Professionsbachelor
Suppleringskurser
Kvinder Mænd Kvinder Mænd Kvinder Mænd Kvinder Mænd Kvinder Mænd Kvinder Mænd Kvinder Mænd Kvinder Mænd Kvinder Mænd
2002 9 11 669 779 1800 2133 48 59 42 74 49 113 4 4 208 114 0 2
2003 10 10 734 810 1662 2035 51 57 38 75 59 114 3 2 216 118 0 2
2004 9 11 771 830 1444 1830 38 53 50 70 63 104 2 3 224 119 1 2
2005 5 16 770 805 1267 1579 37 55 55 74 72 96 2 1 216 105 2 1
2006 6 12 727 774 1063 1369 35 57 40 69 69 83 2 0 198 96 3 2
2007 7 12 673 699 877 1187 32 53 46 69 65 91 3 0 189 89 3 1
2008 9 14 616 656 711 1043 30 54 55 73 59 85 3 1 172 91 4 1
2009 12 12 547 618 607 940 38 64 60 80 56 87 4 0 169 95 3 1
2010 13 15 547 608 562 856 30 59 70 80 56 86 5 0 175 87 2 3
2011 18 15 518 608 539 818 37 51 78 74 58 92 5 0 182 83 1 5
2012 19 13 500 591 533 825 44 55 67 75 65 86 3 2 184 79 5 7
2013 22 12 503 587 512 817 48 50 67 80 71 85 1 1 201 76 10 9
2014 28 10 507 572 533 825 43 49 71 75 75 88 2 4 212 77 11 15
2015 28 14 506 607 556 846 52 59 86 75 69 83 2 4 226 82 14 19
2016 33 16 549 612 574 878 61 72 95 76 71 70 5 6 238 89 21 19
2017 30 15 560 646 592 909 68 71 100 72 72 69 3 5 271 81 21 20
2018 34 17 563 680 628 936 77 76 97 72 76 78 3 3 285 82 20 20
2019 32 16 588 674 633 1026 82 70 73 64 75 66 1 0 288 82 24 20
* Antal personer, hovedbeskæftigelse i mindst én måned blandt fastboende.

Beskæftigelse


GS Hovedbeskæftigelse blandt fastboende, efter brancher og køn
# Loads
library("pxweb")
library("tidyverse")
library("statgl")
library("lubridate")


# Import
ARDBFB1_raw <-
  pxweb_get(
    url = "https://bank.stat.gl/api/v1/da/Greenland/AR/AR30/ARXBFB1.px",
    query = list(
      "time" = c("*"),
      "industry" = c("*"),
      "gender" = c("0", "1", "2"),
      "age" = c("0"),
      "place of residence" = c("0", "1", "2"),
      "place of birth" = c("0", "1", "2"),
      "inventory variable" = c("1")
    )) %>%
  as.data.frame(column.name.type = "text", variable.value.type = "text") %>%
  as_tibble()


# Transform
ARDBFB1 <-
  ARDBFB1_raw %>%
  mutate_if(is.factor, as.character) %>%
  mutate(tid = as.numeric(tid) %>% make_date())


# Plot
ARDBFB1_plot <-
  ARDBFB1 %>%
  filter(branche != "Alle" & branche != "Uoplyst",
         fødested == "Alle",
         køn != "Alle",
         bosted == "Alle") %>%
  mutate(branche =
           fct_reorder(branche, `Hovedbeskæftigelse blandt fastboende`) %>% fct_rev()
         ) %>%
  ggplot(aes(x = tid,
             y = `Hovedbeskæftigelse blandt fastboende`,
             fill = køn)) +
  geom_area() +
  facet_wrap(~ branche, labeller = label_wrap_gen(), scales = "free_y") +
        scale_y_continuous(labels = scales::unit_format(
    suffix = " ",
    big.mark = ".",
    decimal.mark = ","
  )) +
  theme_statgl(base_size = 8) + scale_fill_statgl(reverse = TRUE) +
  labs(
    title = "Beskæftigelse efter brancher og køn",
    subtitle = "Hovedbeskæftigelse i gennemsnit per måned blandt fastboende",
    x = " ",
    y = "Antal personer",
    fill = " ",
    caption = "Kilde: https://bank.stat.gl/ARDBFB1"
  )


ARDBFB1_plot