Tilbage


Delmål 9: Industri, innovation og infrastruktur

Forskere


FN 9.5.2 Antal personer med Ph.D og forskeruddannelse
# Loads
library("pxweb")
library("tidyverse")
library("statgl")
library("lubridate")



# Import
UDDISCPROD_raw <- 
  read_csv("https://bank.stat.gl:443/sq/07e30119-c4cd-44f4-85b3-dc5eeb56c0d3", locale = locale(encoding = "latin1"))


# Transform
UDDISCPROD <-
  UDDISCPROD_raw %>% mutate(tid = make_date(tid))


# Plot
UDDISCPROD_plot <-
  UDDISCPROD %>% 
  ggplot(aes(x = tid, y = `Befolkningens højst fuldførte uddannelse (16-74 år)`)) +
  geom_col(fill = statgl:::statgl_cols("darkblue")) +
  facet_wrap(~ køn) +
  theme_statgl() + scale_fill_statgl(reverse = TRUE) +
  theme(plot.margin = margin(10, 10, 10, 10)) +
  labs(
    title ="Antal personer med Phd. og forskeruddannelse",
    x = " ",
    y = "Antal personer",
    caption = "Kilde: https://bank.stat.gl/UDDISCPROD"
  )


UDDISCPROD_plot

Statistikbanken

Metode


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


# Import
UDDISCPROD_raw <- 
  read_csv("https://bank.stat.gl:443/sq/07e30119-c4cd-44f4-85b3-dc5eeb56c0d3", locale = locale(encoding = "latin1"))


# Transform
UDDISCPROD <- UDDISCPROD_raw

# Table
UDDISCPROD_table <-
  UDDISCPROD %>% 
  select(-uddannelsesniveau) %>% 
  spread(køn, `Befolkningens højst fuldførte uddannelse (16-74 år)`) %>% 
  set_names(str_to_sentence(names(.))) %>% 
  statgl_table(year_col = Tid)


UDDISCPROD_table
Tid Kvinder Mænd
2002 8 12
2003 7 10
2004 6 15
2005 7 13
2006 8 12
2007 8 12
2008 13 15
2009 14 15
2010 15 16
2011 15 17
2012 16 21
2013 15 14
2014 19 18
2015 16 22
2016 17 32
2017 15 34
2018 17 29
2019 15 23

Erhvervsstruktur


GS Fordeling af virksomheder efter lønsumsintervaller
# Loads
library("pxweb")
library("tidyverse")
library("statgl")
library("lubridate")




# Import
ESD6A_raw <-
  read_csv("https://bank.stat.gl:443/sq/53b0ccdc-da80-4a50-85b2-08d31e4bbe32", locale = locale(encoding = "latin1"))



# Transform
ESD6A <-
  ESD6A_raw %>%
  mutate_if(is.factor, as.character) %>%
  mutate(
    Erhvervstruktur = as.numeric(Erhvervstruktur),
    tid = make_date(tid),
    lønsumsinterval = lønsumsinterval %>%
      str_remove_all("[A-K]|\\.") %>% trimws(),
    lønsumsinterval = fct_relevel(lønsumsinterval, "50-100", after = 2),
    lønsumsinterval = fct_relevel(lønsumsinterval, "250-500", after = 4),
    lønsumsinterval = fct_relevel(lønsumsinterval, "500-1000", after = 5)
  )


# Plot
ESD6A_plot <-
  ESD6A %>%
  filter(hovedbranche == "Total",
         lønsumsinterval != "Total") %>%
  mutate(lønsumsinterval = lønsumsinterval %>% fct_rev(),
         Erhvervstruktur = Erhvervstruktur * 10^-3) %>%
  ggplot(aes(
    x = tid,
    y = Erhvervstruktur,
    fill = lønsumsinterval
  )) +
  geom_area() +
  theme_statgl() +
  scale_fill_statgl(reverse = TRUE, guide = guide_legend(reverse = TRUE)) +
  labs(
    title = "Erhvervsstruktur",
    subtitle = "Fordelingen af virksomheder efter lønsumsintervaller",
    x = " ",
    y = "Tusinde virksomheder",
    fill = "Lønsumsinterval",
    caption = "Kilde: http://bank.stat.gl/ESD6A"
  )


ESD6A_plot

Statistikbanken

Metode


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

# Import
ESD6A_raw <-
  read_csv("https://bank.stat.gl:443/sq/53b0ccdc-da80-4a50-85b2-08d31e4bbe32", locale = locale(encoding = "latin1"))

# Transform
ESD6A <-
  ESD6A_raw %>%
  mutate_if(is.factor, as.character) %>%
  mutate(lønsumsinterval = lønsumsinterval %>%
           str_remove_all("[A-K]|\\.") %>% trimws(),)
# Table
ESD6A_table <-
  ESD6A %>%
  filter(hovedbranche == "Total",
         lønsumsinterval != "Total") %>%
  select(tid, lønsumsinterval, Erhvervstruktur) %>%
  spread(lønsumsinterval, Erhvervstruktur) %>%
  set_names(str_to_title(names(.))) %>%
  kable(
    col.names = c(
      " ",
      "00-10",
      "10-50",
      "100-250",
      "1000-5000",
      "250-500",
      "50-100",
      "500-1000",
      "5000-10000",
      "Over 10000"
    ),
    align = "lrrrrrrrrr"
  ) %>%
  kable_styling(bootstrap_options = c("condensed", "reactive"),
                full_width = TRUE) %>%
  add_footnote("Antal virksomheder efter lønsumsintervaller.",
               notation = "symbol")


ESD6A_table
00-10 10-50 100-250 1000-5000 250-500 50-100 500-1000 5000-10000 Over 10000
2009 436.00 715.00 559.00 425.00 332.00 482.00 294.00 63.00 73.00
2010 474.00 723.00 612.00 439.00 382.00 552.00 306.00 79.00 77.00
2011 402.00 634.00 724.00 476.00 431.00 554.00 347.00 76.00 82.00
2012 384.00 603.00 870.00 463.00 507.00 521.00 378.00 84.00 78.00
2013 399.00 542.00 852.00 458.00 590.00 557.00 352.00 84.00 72.00
2014 351.00 587.00 858.00 453.00 580.00 481.00 343.00 88.00 66.00
2015 301.00 501.00 846.00 463.00 652.00 501.00 378.00 70.00 78.00
2016 283.00 559.00 856.00 494.00 696.00 456.00 448.00 81.00 87.00
2017 283.00 583.00 894.00 466.00 654.00 571.00 369.00 81.00 93.00
2018 259.00 588.00 907.00 473.00 636.00 522.00 388.00 94.00 95.00
2019 262.00 610.00 956.00 482.00 613.00 491.00 381.00 93.00 99.00
* Antal virksomheder efter lønsumsintervaller.



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


# Import
ESD5A_raw <-
  pxweb_get(
    url = "https://bank.stat.gl/api/v1/da/Greenland/ES/ES01/ESX5A.px",
    query = list(
      "municipality" = c("*"),
      "interval of aggregate salaries and shares" = c("*"),
      "unit" = c("*"),
      "time" = c("*")
    )) %>%
  as.data.frame(column.name.type = "text", variable.value.type = "text") %>%
  as_tibble()


# Transform
ESD5A <-
  ESD5A_raw %>%
  mutate_if(is.factor, as.character) %>%
  mutate(
    lønsumsinterval = lønsumsinterval %>%
      str_remove_all("[A-K]|\\.") %>% trimws(),
    tid = as.numeric(tid) %>% make_date(),
    lønsumsinterval = fct_relevel(lønsumsinterval, "50-100", after = 2),
    lønsumsinterval = fct_relevel(lønsumsinterval, "250-500", after = 4),
    lønsumsinterval = fct_relevel(lønsumsinterval, "500-1000", after = 5)
  )


# Plot
ESD5A_plot <-
  ESD5A %>%
  filter(kommune != "Total" &
           kommune != "Øvrige / Uoplyst",
         lønsumsinterval != "Total") %>%
  mutate(
    kommune = fct_reorder(kommune, `Antal virksomheder`) %>% fct_rev(),
    lønsumsinterval = lønsumsinterval %>% fct_rev()
  ) %>%
  ggplot(aes(
    x = tid,
    y = `Antal virksomheder`,
    fill = lønsumsinterval
  )) +
  geom_area() +
  facet_wrap(~ kommune, scales = "free_y") +
  theme_statgl() + scale_fill_statgl(reverse = TRUE, guide = guide_legend(reverse = TRUE)) +
  labs(
    title = "Erhvervsstruktur efter kommuner ",
    subtitle = "Fordeling af virksomheder efter lønsumsintervaller",
    x = " ",
    y = " ",
    fill = "Lønsumsinterval",
    caption = "Kilde: https://bank.stat.gl/ESD5A"
  )


ESD5A_plot

Statistikbanken

Metode


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


# Import
ESD5A_raw <-
  pxweb_get(
    url = "https://bank.stat.gl/api/v1/da/Greenland/ES/ES01/ESX5A.px",
    query = list(
      "municipality" = c("*"),
      "interval of aggregate salaries and shares" = c("*"),
      "unit" = c("*"),
      "time" = c("*")
    )) %>%
  as.data.frame(column.name.type = "text", variable.value.type = "text") %>%
  as_tibble()


# Transform
ESD5A <-
  ESD5A_raw


# Table
ESD5A_table <-
  ESD5A %>%
  filter(kommune != "Total", lønsumsinterval != "Total") %>%
  select(tid, kommune, lønsumsinterval, `Antal virksomheder`) %>%
  unite(kombi, kommune, lønsumsinterval, sep = ", ") %>%
  spread(kombi, `Antal virksomheder`) %>%
  set_names(str_to_title(names(.))) %>%
  kable(col.names = c(" ", 
                      "00-10", "10-50", "100-250", "1000-5000", "250-500", 
                      "50-100", "500-1000", "5000-10000", "Over 10000",
                      "00-10", "10-50", "100-250", "1000-5000", "250-500", 
                      "50-100", "500-1000", "5000-10000", "Over 10000",
                      "00-10", "10-50", "100-250", "1000-5000", "250-500", 
                      "50-100", "500-1000", "5000-10000", "Over 10000",
                      "00-10", "10-50", "100-250", "1000-5000", "250-500", 
                      "50-100", "500-1000", "5000-10000", "Over 10000",
                      "00-10", "10-50", "100-250", "1000-5000", "250-500", 
                      "50-100", "500-1000", "5000-10000", "Over 10000",
                      "00-10", "10-50", "100-250", "1000-5000", "250-500", 
                      "50-100", "500-1000", "5000-10000", "Over 10000"
  ), align = "rrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrrr") %>%
  
  add_header_above(
    c(
      " ",
      "Avannaata Kommunia" = 9,
      "Kommune Kujalleq" = 9,
      "Kommune Qeqertalik" = 9,
      "Kommuneqarfik Sermersooq" = 9,
      "Qeqqata Kommunia" = 9,
      "Øvrige / Uoplyst" = 9
    ),
    align = "r"
  ) %>%
  kable_styling(bootstrap_options = c("condensed", "reactive"),
                full_width = TRUE) %>%
  add_footnote("Antal virksomheder efter lønsumsintervaller.",
               notation = "symbol") %>%
  scroll_box(height = "500px")


ESD5A_table
Avannaata Kommunia
Kommune Kujalleq
Kommune Qeqertalik
Kommuneqarfik Sermersooq
Qeqqata Kommunia
Øvrige / Uoplyst
00-10 10-50 100-250 1000-5000 250-500 50-100 500-1000 5000-10000 Over 10000 00-10 10-50 100-250 1000-5000 250-500 50-100 500-1000 5000-10000 Over 10000 00-10 10-50 100-250 1000-5000 250-500 50-100 500-1000 5000-10000 Over 10000 00-10 10-50 100-250 1000-5000 250-500 50-100 500-1000 5000-10000 Over 10000 00-10 10-50 100-250 1000-5000 250-500 50-100 500-1000 5000-10000 Over 10000 00-10 10-50 100-250 1000-5000 250-500 50-100 500-1000 5000-10000 Over 10000
2009 148 266 237 219 84 53 48 8 9 39 76 51 56 28 41 49 4 5 85 88 33 39 32 19 36 1 1 113 162 97 154 129 129 196 39 46 48 112 60 72 40 37 74 10 8 3 11 4 19 19 15 22 1 4
2010 170 271 252 249 96 56 53 9 9 69 82 36 53 36 43 40 6 4 68 96 61 49 36 26 32 2 2 112 147 105 174 129 129 204 44 49 49 108 87 72 62 33 75 8 9 6 19 11 15 23 19 35 10 4
2011 127 219 213 323 115 78 61 9 8 42 81 54 49 46 44 40 7 3 52 93 78 84 33 24 32 4 2 105 145 129 165 152 129 218 41 52 71 83 70 83 58 50 78 7 9 5 13 10 20 27 22 47 8 8
2012 133 184 185 371 162 77 70 9 11 45 74 52 60 53 42 31 6 4 40 91 73 98 45 31 33 4 1 105 148 130 231 170 159 228 45 50 56 90 75 92 60 50 69 14 8 5 16 6 18 17 19 32 6 4
2013 156 138 174 331 222 97 70 7 9 30 69 47 72 52 29 34 9 3 35 75 83 102 44 25 33 6 NA 111 165 151 227 187 145 232 45 51 61 84 91 97 66 42 69 13 7 6 11 11 23 19 14 20 4 2
2014 101 168 132 329 225 98 84 11 6 55 69 47 65 45 29 32 3 5 37 85 73 110 57 25 34 3 NA 103 181 150 214 187 134 217 51 47 52 75 75 122 53 41 71 13 7 3 9 4 18 13 16 15 7 1
2015 96 131 144 295 281 122 75 8 6 31 44 57 71 45 27 28 5 3 29 73 74 119 51 37 29 4 1 90 171 141 204 185 135 236 33 58 46 60 73 133 69 41 77 15 6 9 22 12 24 21 16 18 5 4
2016 69 125 137 309 305 180 87 9 8 33 60 55 72 43 29 33 2 5 28 86 62 104 85 34 29 6 1 93 201 131 223 177 145 238 46 61 50 73 63 129 67 48 86 12 8 10 14 8 19 19 12 21 6 4
2017 57 177 204 329 261 103 74 7 9 27 54 42 83 48 32 28 5 5 48 76 77 111 58 25 22 4 2 91 170 162 231 195 152 236 45 65 50 77 69 123 73 46 82 13 7 10 29 17 17 19 11 24 7 5
2018 40 166 158 337 285 123 78 9 9 35 54 52 77 39 32 30 5 5 32 88 82 120 44 31 23 6 1 92 176 155 221 172 155 241 53 66 56 85 61 126 77 37 76 16 10 4 19 14 26 19 10 25 5 4
2019 52 163 152 381 267 128 77 10 12 31 50 46 83 49 31 35 4 5 32 95 73 126 50 25 25 7 1 93 206 136 227 168 143 248 52 68 45 85 72 121 65 39 73 14 10 9 11 12 18 14 15 24 6 3
* Antal virksomheder efter lønsumsintervaller.

Eksport af andet end fisk


GS Fiskeriets andel af samlet eksport
library(tidyverse)
library(statgl)
library(pxweb)

export_raw <- pxweb_get_data(
  url = "https://bank.stat.gl/api/v1/da/Greenland/IE/IEXSITC.px",
  list(
    "quarter"=c("0"),
    "processing"=c("G11","3"),
    "transaction"=c("2"),
    "time"="*"
    )
)

export_raw %>% 
  as_tibble() %>% rename(export = ncol(.)) %>% 
  spread(forarbejdningsgrad, export) %>% 
  mutate(`Andet` = `0-97 I alt` - `3 Fisk, krebsdyr, bløddyr og varer deraf`, tid = strtoi(tid)) %>% 
  select(tid, `Fisk, krebsdyr, bløddyr og varer deraf` = `3 Fisk, krebsdyr, bløddyr og varer deraf`, `Andet`) %>% 
  gather(key, value, -tid) %>% 
  ggplot(aes(x = tid, y = value / 1000000000, fill = fct_rev(key))) +
  geom_area() +
  theme_statgl() +
  scale_fill_statgl() +
  labs(x = "Tid", y = "Milliarder kroner", fill = "", title = "Samlet eksport")

Statistikbanken

Metode


library(tidyverse)
library(statgl)
library(pxweb)


export_raw <- pxweb_get_data(
  url = "https://bank.stat.gl/api/v1/da/Greenland/IE/IEXSITC.px",
  list(
    "quarter"=c("0"),
    "processing"=c("G11","3"),
    "transaction"=c("2"),
    "time"="*"
    )
)

export_raw %>% 
  as_tibble() %>% rename(export = ncol(.)) %>% 
  spread(forarbejdningsgrad, export) %>% 
  mutate(`Andet` = `0-97 I alt` - `3 Fisk, krebsdyr, bløddyr og varer deraf`, tid = strtoi(tid)) %>% 
  select(tid, `Fisk, krebsdyr, bløddyr og varer deraf` = `3 Fisk, krebsdyr, bløddyr og varer deraf`, `Andet`) %>% 
  rename(Tid  = tid) %>% 
  statgl_table(year_col = "Tid")
Tid Fisk, krebsdyr, bløddyr og varer deraf Andet
1988 2.067.205.543 563.424.310
1989 2.380.916.804 671.453.702
1990 2.331.589.936 463.101.190
1991 2.075.369.538 88.828.582
1992 2.429.338.619 125.510.784
1993 1.209.298.050 820.360.189
1994 1.695.097.081 115.560.386
1995 1.935.881.910 145.445.290
1996 1.965.382.387 175.831.259
1997 1.770.524.956 166.132.912
1998 1.581.438.136 120.701.174
1999 1.814.843.973 117.584.203
2000 2.103.507.930 101.664.043
2001 1.982.955.401 249.810.906
2002 2.182.456.608 207.207.923
2003 2.131.788.533 154.969.804
2004 1.983.151.146 205.278.361
2005 2.115.557.971 307.962.342
2006 2.039.310.124 386.977.362
2007 1.902.149.188 436.238.612
2008 2.101.451.537 385.196.000
2009 1.686.338.549 300.242.228
2010 1.922.611.872 271.874.977
2011 2.281.618.087 354.701.149
2012 2.404.507.780 378.104.587
2013 2.322.327.730 719.342.915
2014 2.754.811.429 384.859.167
2015 2.373.099.059 365.701.400
2016 3.428.708.645 439.093.915
2017 3.479.815.927 391.937.107
2018 3.750.740.458 688.607.990
2019 5.063.644.083 454.037.089
2020 NA NA
library(tidyverse)
library(statgl)
library(pxweb)
library(kableExtra)

export_raw <- 
  pxweb_get_data(
    url = "https://bank.stat.gl/api/v1/da/Greenland/IE/IEXSITC.px",
    query = list(
      "processing" = c("0","1","2","4","5","6","7", "G2", "G3", "G4", "G5", "G6", "G7", "G8", "G9", "G10"),
      "transaction" = "2", 
      "time" = "*")
  ) %>% 
  as_tibble()

export_total_raw <- 
  pxweb_get_data(
    url = "https://bank.stat.gl/api/v1/da/Greenland/IE/IEXSITC.px",
    query = list(
      "transaction" = "2", 
      "time" = "*")
  ) %>% 
  as_tibble()

export_not_fish <- export_raw %>% 
  separate(
    forarbejdningsgrad, c("hovedkat", "underkat"), " ", extra = "merge"
  ) %>% 
  mutate(
    tid = strtoi(tid),
    underkat = case_when(!str_detect(hovedkat, "-") ~ 
                           "Næringsmidler og levende dyr (fisk og foderstoffer undt.)", 
                         T ~ underkat)
  ) %>% 
  group_by(underkat, tid) %>% 
  summarise(export = sum(`Import og Eksport`)) %>% 
  ungroup()

export_not_fish_total <- export_not_fish %>% 
  group_by(tid) %>% 
  summarise(export = sum(export, na.rm = TRUE))

export_not_fish %>% 
  filter(export > 0) %>% 
  mutate(underkat= fct_lump(underkat, 3 ,w = export, other_level = "Andet")) %>% 
  count(underkat, tid, wt = export, name = "export") %>% 
  ggplot(aes(x = tid, y = export / 1000000, fill = underkat)) +
  geom_area() +
  scale_fill_statgl() +
  theme_statgl() +
  theme(legend.position = "right") +
  labs(fill = "", x = "Tid", y = "Millioner kroner", title = "Eksportvarer udover fisk")

Statistikbanken

Metode


library(tidyverse)
library(statgl)
library(pxweb)
library(kableExtra)

export_raw <- 
  pxweb_get_data(
    url = "https://bank.stat.gl/api/v1/da/Greenland/IE/IEXSITC.px",
    query = list(
      "processing" = c("0","1","2","4","5","6","7", "G2", "G3", "G4", "G5", "G6", "G7", "G8", "G9", "G10"),
      "transaction" = "2", 
      "time" = "*")
  ) %>% 
  as_tibble()


export_total_raw <- 
  pxweb_get_data(
    url = "https://bank.stat.gl/api/v1/da/Greenland/IE/IEXSITC.px",
    query = list(
      "transaction" = "2", 
      "time" = "*")
  ) %>% 
  as_tibble()

export_not_fish <- export_raw %>% 
  separate(
    forarbejdningsgrad, c("hovedkat", "underkat"), " ", extra = "merge"
  ) %>% 
  mutate(
    tid = strtoi(tid),
    underkat = case_when(!str_detect(hovedkat, "-") ~ 
                           "Næringsmidler og levende dyr (fisk og foderstoffer undt.)", 
                         T ~ underkat)
  ) %>% 
  group_by(underkat, tid) %>% 
  summarise(export = sum(`Import og Eksport`)) %>% 
  ungroup()

export_not_fish_total <- export_not_fish %>% 
  group_by(tid) %>% 
  summarise(export = sum(export, na.rm = TRUE))

export_not_fish %>% 
  filter(export > 0) %>% 
  mutate(underkat= fct_lump(underkat, 3 ,w = export, other_level = "Andet")) %>% 
  count(underkat, tid, wt = export, name = "export") %>% 
  set_names(str_to_title(names(.))) %>% 
  statgl_table(year_col = "Tid")
Underkat Tid Export
Diverse varer og transaktioner i.a.n. i alt 1988 27.737.986
Diverse varer og transaktioner i.a.n. i alt 1989 27.828.028
Diverse varer og transaktioner i.a.n. i alt 1990 33.429.267
Diverse varer og transaktioner i.a.n. i alt 1991 23.334.999
Diverse varer og transaktioner i.a.n. i alt 1992 35.369.040
Diverse varer og transaktioner i.a.n. i alt 1993 730.360.862
Diverse varer og transaktioner i.a.n. i alt 1994 60.021.579
Diverse varer og transaktioner i.a.n. i alt 1995 40.352.420
Diverse varer og transaktioner i.a.n. i alt 1996 51.403.094
Diverse varer og transaktioner i.a.n. i alt 1997 58.884.586
Diverse varer og transaktioner i.a.n. i alt 1998 44.520.391
Diverse varer og transaktioner i.a.n. i alt 1999 42.239.354
Diverse varer og transaktioner i.a.n. i alt 2000 60.199.583
Diverse varer og transaktioner i.a.n. i alt 2001 148.039.398
Diverse varer og transaktioner i.a.n. i alt 2002 86.569.230
Diverse varer og transaktioner i.a.n. i alt 2003 83.234.541
Diverse varer og transaktioner i.a.n. i alt 2004 40.117
Diver