Tilbage


Delmål 1: Afskaf fattigdom

Økonomisk udsatte


FN 1.2.1 Andel af befolkningen, som lever under fattigdomsgrænsen, opdelt på køn og aldersgruppe


# Import
SOXOU01_raw <- 
  statgl_url("SOXOU01", lang = language) %>% 
  statgl_fetch(
    "inventory variable" = px_all("Andel*"), 
    .col_code            = TRUE) %>% 
  as_tibble()


# Transform
SOXOU01 <-
  SOXOU01_raw %>% 
  mutate(year = year %>% make_date())


# Plot
SOXOU01 %>% 
  ggplot(aes(
    x    = year,
    y    = value,
    fill = `inventory variable`
    )) +
  geom_col(position = "dodge") +
  scale_y_continuous(labels  = scales::percent_format(
    scale        = 1,
    accuracy     = 1,
    big.mark     = ".",
    decimal.mark = ","
    )) +
  theme_statgl() + 
  scale_fill_statgl() +
  labs(
    title    = sdg1$figs$fig1$title[language],
    subtitle = sdg1$figs$fig1$sub[language],
    x        = " ",
    y        = " ",
    fill     = sdg1$figs$fig1$fill[language],
    caption  = sdg1$figs$fig1$cap[language]
    )

Statistikbanken

Metode

# Transform
SOXOU01 <- 
  SOXOU01_raw %>% 
  arrange(desc(year)) %>%
  filter(year >= year(Sys.time()) - 5) %>% 
  mutate(year = year %>% fct_inorder()) %>% 
  spread(2, 3) %>% 
  mutate(`inventory variable` = `inventory variable` %>% str_to_sentence())

# Table
SOXOU01 %>% 
  rename(" " = 1) %>% 
  statgl_table() %>% 
  add_footnote(
    sdg1$figs$fig1$sub[language],
    notation = "symbol")
2020 2019 2018 2017
Andel under 50% 4,1 3,8 3,8 3,7
Andel under 60% 7,7 7,4 7,2 6,8
* Procentvis andel af befolkningen med en indkomst under 50 eller 60% af medianindkomsten i 3 sammenhængende år


# Import 
SOXOU01_raw <-
  statgl_url("SOXOU01", lang = language) %>% 
  statgl_fetch(
    "inventory variable" = px_all("Andel*"), 
    "gender"             = 1:2, 
    .col_code            = TRUE) %>% 
  as_tibble()

# Transform
SOXOU01 <-
  SOXOU01_raw %>% 
  mutate(
    year = year %>% make_date(),
    gender = gender %>% fct_inorder()
    )

# Plot
SOXOU01 %>% 
  mutate(`inventory variable` = `inventory variable` %>% str_to_sentence()) %>% 
  ggplot(aes(
    x    = year,
    y    = value,
    fill = gender
    )) +
  geom_col(position = "dodge") +
  scale_y_continuous(labels  = scales::percent_format(
    scale = 1
    )) +
  facet_wrap(~ `inventory variable`) +
  theme_statgl() + 
  scale_fill_statgl(reverse = TRUE) +
  labs(
    title    = sdg1$figs$fig2$title[language],
    subtitle = sdg1$figs$fig2$sub[language],
    x        = " ",
    y        = " ",
    fill     = " ",
    caption  = sdg1$figs$fig2$cap[language]
    )

Statistikbanken

Metode

# Transform
SOXOU01 <-
  SOXOU01_raw %>% 
  arrange(desc(year)) %>% 
  filter(year >= year(Sys.time()) - 5) %>% 
  mutate(year = year %>% fct_inorder()) %>% 
  spread(3, 4) %>% 
  mutate(`inventory variable` = `inventory variable` %>% str_to_sentence())

# Table
SOXOU01 %>% 
  select(-1) %>% 
  rename(" " = 1) %>% 
  statgl_table() %>% 
  pack_rows(index = table(SOXOU01[[1]])) %>% 
  add_footnote(
    sdg1$figs$fig1$sub[language],
    notation = "symbol")
2020 2019 2018 2017
Andel under 50%
Kvinder 3,7 3,5 3,5 3,4
Mænd 4,5 4,1 4,2 3,9
Andel under 60%
Kvinder 7,3 7,0 6,7 6,6
Mænd 8,1 7,8 7,7 7,1
* Procentvis andel af befolkningen med en indkomst under 50 eller 60% af medianindkomsten i 3 sammenhængende år


# Import
SOXOU04_raw <-
  statgl_url("SOXOU04", lang = language) %>%
  statgl_fetch(
    "inventory variable" = px_all("Andel*"),
    "age"                = 2:6, 
    .col_code            = TRUE
    ) %>% 
  as_tibble()


# Transform
SOXOU04 <-
  SOXOU04_raw %>% 
  mutate(year = year %>% make_date())

# Plot
SOXOU04 %>% 
  mutate(`inventory variable` = `inventory variable` %>% str_to_sentence()) %>% 
  ggplot(aes(
    x     = year,
    y     = value,
    color = age
    )) +
  geom_line(size = 2) +
  facet_wrap(~ `inventory variable`, scales = "free_y") +
  scale_y_continuous(labels  = scales::percent_format(
    scale        = 1,
    big.mark     = ".",
    decimal.mark = ","
    )) +
  theme_statgl() +
  scale_color_statgl(reverse = TRUE) +
  labs(
    title    = sdg1$figs$fig3$title[language],
    subtitle = sdg1$figs$fig3$sub[language],
    x        = " ",
    y        = " ",
    color    = sdg1$figs$fig3$color[language],
    caption  = sdg1$figs$fig3$cap[language]
    )

Statistikbanken

Metode

# Transform
SOXOU04 <-
  SOXOU04_raw %>% 
  arrange(desc(year)) %>% 
  filter(year >= year(Sys.time()) - 5) %>% 
  mutate(year = year %>% fct_inorder()) %>% 
  spread(3, 4) %>% 
  mutate(`inventory variable` = `inventory variable` %>% str_to_sentence())

# Table
SOXOU04 %>% 
  select(-1) %>% 
  rename(" " = 1) %>% 
  statgl_table() %>% 
  pack_rows(index = table(SOXOU04[[1]])) %>% 
  add_footnote(
    sdg1$figs$fig3$foot[language],
    notation = "symbol")
2020 2019 2018 2017
Andel under 50%
-29 11,0 10,3 10,3 10,0
30-39 5,0 4,7 4,8 4,6
40-49 3,1 2,6 2,5 2,4
50-60 2,4 2,4 2,5 2,5
60+ 1,5 1,3 1,2 0,9
Andel under 60%
-29 17,7 17,1 16,6 16,2
30-39 9,0 8,5 8,6 8,3
40-49 5,3 5,0 4,5 4,4
50-60 4,9 4,8 4,9 4,4
60+ 3,5 3,3 3,0 2,0
* Procentvis andel af befolkningen med en indkomst under 50 eller 60% af medianindkomsten i 3 sammenhængende år.
Tabellen inkluderer kun personer over 18 år.
# Tak til podcasten VELKOMMEN TIL INTERNETTET for god lytter!


Forklaring

Statistikken over økonomisk udsatte har en bestemt analysepopulation, som ikke dækker hele befolkningen. Eksempelvis er studerende, beboere på sociale institutioner etc. ikke medtaget i analysen. Desuden skal man have en indkomst på 50 eller 60% af medianindkomsten for at tælle som økonomisk udsat.



Senest opdateret: 07. april 2022

At-risk-of-poverty rate


FN 1.2.1 Andel af befolkningen, som lever i relativ fattigdom
# Import
INXIU101_raw <-
  statgl_url("INXIU101", lang = language) %>%
  statgl_fetch(
    indicator = 2:4,
    time      = px_all(),
    .col_code = TRUE
    ) %>% 
  as_tibble()

# Transform
INXIU101 <-
  INXIU101_raw %>% 
  mutate(
    time = time %>% make_date(),
    indicator = indicator %>% as.factor() %>% fct_rev()
    )

# Plot
INXIU101 %>% 
  ggplot(aes(
    x    = time,
    y    = value,
    fill = indicator
    )) +
  geom_area(position = "identity") +
  scale_y_continuous(labels  = scales::percent_format(
    scale        = 1,
    accuracy     = 1.1,
    big.mark     = ".",
    decimal.mark = ","
    )) +
  theme_statgl() +
  scale_fill_statgl(reverse = TRUE, guide = guide_legend(nrow = 3)) +
  labs(
    title   = "At-risk-of-povery rate",
    x       = " ",
    y       = " ",
    fill    = sdg1$figs$fig1$fill[language],
    caption = sdg1$figs$fig4$cap[language]
    )

Statistikbanken

Metode

# Transform
INXIU101 <- 
  INXIU101_raw %>% 
  arrange(desc(time)) %>% 
  filter(time >= year(Sys.time()) - 5) %>% 
  mutate(time = time %>% fct_inorder()) %>% 
  spread(2, 3)

# Table
INXIU101 %>% 
  rename(" " = 1) %>% 
  statgl_table() %>% 
  add_footnote(
    sdg1$figs$fig1$sub[language],
    notation = "symbol")
2020 2019 2018 2017
Relativ fattigdom. 40 pct.-grænse 7,1 6,4 6,5 6,3
Relativ fattigdom. 50 pct.-grænse 11,4 10,5 10,5 10,7
Relativ fattigdom. 60 pct.-grænse 17,9 16,8 16,4 17,1
* Procentvis andel af befolkningen med en indkomst under 50 eller 60% af medianindkomsten i 3 sammenhængende år
Forklaring

Grønland har ingen officiel fattigdomsgrænse, men internationalt benyttes målet at-risk-of-poverty rate (ROP) som en indikator for relativ fattigdom.

Målet beregnes som den andel af befolkningen, der bor i en husstand, hvor den disponible husstandsindkomst ligger under en fastsat procentdel (her 40, 50 og 60 pct.) af medianindkomsten.

Offentlige midler


FN 1.a.2 Andel af de samlede offentlige udgifter afsat til kerneydelser (undervisning, sundhed og social beskyttelse)


# Import
OFXFUNK_raw <-
  statgl_url("OFXFUNK", lang = language) %>% 
  statgl_fetch(
    "function" = c(0, 33, 44, 50),
    sector     = c(0, 1, 2),
    .col_code  = TRUE
    ) %>%
  as_tibble()

# Transform
vec        <- 4:6
names(vec) <- trimws(unique(OFXFUNK_raw[[2]]) %>% str_remove_all("[:digit:]\\.") %>% str_remove_all("1 "))[-1]

OFXFUNK <- 
  OFXFUNK_raw %>% 
  mutate(value = value %>% replace_na(0)) %>% 
  spread(2, 4) %>% 
  select(1:2, unique(OFXFUNK_raw[[2]])) %>% 
  rename(
    total  = 3,
    sund   = 4,
    under  = 5,
    social = 6
    ) %>% 
  mutate(other = total - (sund + under + social)) %>% 
  rename(vec) %>% 
  select(-3) %>% 
  gather(key, value, -(1:2)) %>%
  mutate(
    key    = key %>% str_replace("other", sdg1$figs$fig5$other[language] %>% unlist()),
    key    = key %>% fct_inorder(),
    sector = sector %>% fct_inorder(),
    time   = time %>% make_date()
    )

# Plot
OFXFUNK %>% 
  ggplot(aes(
    x    = time,
    y    = value,
    fill = key
  )) +
  geom_area(position = "fill") +
  facet_wrap(~ sector) +
  scale_fill_statgl(palette = "spring", reverse = TRUE) +
  theme_statgl() +
  scale_y_continuous(labels = scales::percent_format()) +
  labs(
    title    = sdg1$figs$fig5$title[language],
    subtitle = sdg1$figs$fig5$sub[language],
    x        = " ",
    y        = " ",
    caption  = sdg1$figs$fig5$cap[language],
    fill     = sdg1$figs$fig5$fill[language]
    )

Statistikbanken

# Transform
OFXFUNK <- 
  OFXFUNK_raw %>% 
  mutate(value = value %>% replace_na(0)) %>% 
  spread(2, 4) %>% 
  select(1:2, unique(OFXFUNK_raw[[2]])) %>% 
  rename(
    total  = 3,
    sund   = 4,
    under  = 5,
    social = 6
    ) %>% 
  mutate(other = total - (sund + under + social)) %>% 
  rename(vec) %>% 
  select(-3) %>% 
  gather(key, value, -(1:2)) %>% 
  mutate(
    key = key %>% str_replace("other", sdg1$figs$fig5$other[language] %>% unlist()),
    key    = key %>% str_remove_all("[:digit:]\\.") %>% trimws(),
    key    = key %>% fct_inorder(),
    sector = sector %>% fct_inorder()) %>% 
  arrange(desc(time)) %>% 
  filter(time >= year(Sys.time()) - 7) %>% 
  mutate(time = time %>% fct_inorder()) %>% 
  spread(2, 4)


# Table
OFXFUNK %>% 
  select(-1) %>% 
  rename(" " = 1) %>% 
  statgl_table(replace_0s = TRUE) %>% 
  pack_rows(index = table(OFXFUNK[[1]])) %>% 
  add_footnote(sdg1$figs$fig5$foot[language], notation = "symbol")
2020 2019 2018 2017 2016 2015
Den kommunale sektor
Sundhedsvæsen - - - - - -
Undervisning 984.097 980.726 974.016 943.111 905.683 888.806
Social beskyttelse 3.107.386 2.999.965 2.920.874 2.819.025 2.684.990 2.678.802
Øvrige 1.931.558 1.812.810 1.713.032 1.675.598 1.509.049 1.415.609
Den samlede offentlige sektor
Sundhedsvæsen 1.970.975 1.648.686 1.657.686 1.557.979 1.454.842 1.401.073
Undervisning 2.049.261 2.019.681 2.034.927 2.058.381 2.020.305 2.018.429
Social beskyttelse 3.369.916 3.240.697 3.150.911 3.068.112 2.935.172 2.957.684
Øvrige 5.222.821 4.875.575 4.747.671 4.464.499 4.238.087 3.849.168
Den selvstyrede sektor
Sundhedsvæsen 1.970.941 1.648.652 1.657.650 1.557.942 1.454.803 1.401.033
Undervisning 1.086.775 1.141.242 1.149.309 1.276.037 1.274.000 1.275.463
Social beskyttelse 953.247 878.550 851.629 912.086 862.455 865.815
Øvrige 3.425.359 3.262.177 3.344.075 2.961.011 2.890.458 2.854.661
* Per tusinde kroner