Delmål 16: Fred, retfærdighed og stærke institutioner
Personfarlig kriminalitet
FN 16.10.1 Anmeldte forbrydelser mod liv og legeme
# Import
KRDAN_raw <-
read_csv(paste0("https://bank.stat.gl:443/sq/004c1708-6db1-4553-a019-41e76ba8a8f6", "?lang=", language),
locale = locale(encoding = "latin1"))
# Transform
KRDAN <-
KRDAN_raw %>%
rename(
"offence" = 1,
"time" = 2,
"value" = 3
) %>%
mutate(offence = offence %>% str_remove_all("[:digit:]|\\-") %>% trimws(),
offence = offence %>% fct_reorder(value))
# Plot
KRDAN %>%
ggplot(aes(
x = time,
y = value,
fill = offence
)) +
geom_col() +
theme_statgl() +
scale_fill_statgl(reverse = TRUE, guide = guide_legend(nrow = 3, reverse = TRUE)) +
theme(plot.margin = margin(10, 10, 10, 10)) +
labs(
title = sdg16$figs$fig1$title[language],
x = " ",
y = colnames(KRDAN_raw)[3],
fill = " ",
caption = sdg16$figs$fig1$cap[language]
)
Metode
Seksuelle overgreb
FN 16.2.3 Andel af unge kvinder og mænd mellem 18 og 29 år, som har oplevet seksuel vold inden de fyldte 18 år
# Import
SIF_raw <-
data.frame(overgreb = c(32.8, 32.8, 27.0),
tid = c("2005-2010", "2014", "2018")) %>%
as_tibble()
# Transform
SIF <-
SIF_raw %>%
rename(`Andel 18-29-årige, der har vøret udsat for seksuelle overgreb inden 18-årsalderen` = overgreb) %>%
gather(indikatorer, værdi, -tid)
# Plot
SIF_overgreb_plot <-
SIF %>%
mutate(tid = as.character(tid)) %>%
ggplot(aes(x = tid, y = værdi, fill = indikatorer)) +
geom_col() +
scale_y_continuous(labels = scales::percent_format(scale = 1, accuracy = 1, big.mark = ".",
decimal.mark = ",")) +
theme_statgl() + scale_fill_statgl(reverse = TRUE) +
theme(legend.position = "None") +
labs(
title = sdg16$figs$fig2$title[language],
x = " ",
y = " ",
caption = sdg16$figs$fig2$cap[language]
)
SIF_overgreb_plot
Drab
FN 16.1.1 Antal af ofre for overlagt mord, opdelt på køn
# Import
SUDLDM3_raw <-
read_csv(
paste0("https://bank.stat.gl:443/sq/50013c7c-14d5-4d6a-96e0-df61cb3044f3", "?lang=", language),
locale = locale(encoding = "latin1")
)
# Transform
SUDLDM3 <-
SUDLDM3_raw %>%
rename(
"causes" = 1,
"sex" = 2,
"time" = 3,
"value" = 4
)
# Plot
SUDLDM3 %>%
ggplot(aes(
x = time,
y = value,
fill = sex
)) +
geom_col() +
theme_statgl() + scale_fill_statgl(reverse = TRUE) +
scale_y_continuous(breaks = c(0, 2, 4, 6, 8, 10)) +
labs(
title = SUDLDM3[[1]][1],
y = sdg16$figs$fig3$y_lab[language],
fill = " ",
x = " ",
caption = sdg16$figs$fig3$cap[language]
)
Politiets tryghedsundersøgelse
GS Resultater fra politiets tryghedsundersøgelse
# Import
police1_raw <-
data.frame(
Tryg = c(82.9, 81.6),
hverken = c(5.5, 7.3),
Utryg = c(10.1, 10.4),
ved_ikke = c(1.5, 0.7),
tid = c(2018 , 2019)
) %>%
as_tibble()
# Transform
police1 <-
police1_raw %>%
rename(`Hverken/eller` = hverken,
`Ved ikke/ ønsker ikke at svare` = ved_ikke) %>%
gather(svar, procent, -tid) %>%
mutate(tid = as.factor(tid))
# Plot
police1_plot <-
police1 %>%
ggplot(aes(x = svar,
y = procent,
fill = tid)) +
geom_col(position = "dodge2") +
expand_limits(y = 100) +
theme_statgl() + scale_fill_statgl() +
scale_y_continuous(labels = scales::percent_format(scale = 1, accuracy = 1, big.mark = ".",
decimal.mark = ",")) +
labs(
title = sdg16$figs$fig4$title[language],
x = " ",
y = " ",
fill = " ",
caption = sdg16$figs$fig4$cap[language]
)
police1_plot
Spørgsmål: På en skala fra 1-7, hvor 1 er ‘jeg føler mig grundlæggende tryg i mit nabolag’ og 7 er ‘jeg føler mig grundlæggende utryg i mit nabolag’, hvor tryg eller utryg føler du dig så? Med nabolag menes det område, der umiddelbart omgiver din bopæl. I figuren er svarene grupperede, så 1-3 angiver, at borgerne er trygge i deres nabolag, 4 angiver, at borgerne hverken er trygge eller utrygge i deres nabolag, og 5-7 angiver, at borgerne er utrygge i deres nabolag.
Bemærk: Tages den statistiske usikkerhed i betragtning, er andelen af borgere, som er trygge i deres nabolag, på samme niveau.
# Import
police4_raw <-
data.frame(
Tryg = c(92.0, 86.8),
hverken = c(1.5, 4.7),
Utryg = c(4.4, 7.2),
ved_ikke = c(2.2, 1.4),
tid = c(2018 , 2019)
) %>%
as_tibble()
# Transform
police4 <-
police4_raw %>%
rename(`Hverken/eller` = hverken,
`Ved ikke/ ønsker ikke at svare` = ved_ikke) %>%
gather(svar, procent,-tid) %>%
mutate(tid = as.factor(tid))
# Plot
police4_plot <-
police4 %>%
ggplot(aes(x = svar,
y = procent,
fill = tid)) +
geom_col(position = "dodge2") +
theme_statgl() + scale_fill_statgl() +
expand_limits(y = 100) +
scale_y_continuous(labels = scales::percent_format(scale = 1, accuracy = 1, big.mark = ".",
decimal.mark = ",")) +
labs(
title = sdg16$figs$fig5$title[language],
x = " ",
y = " ",
fill = " ",
caption = sdg16$figs$fig5$cap[language]
)
police4_plot
Spørgsmål: På en skala fra 1-7, hvor 1 er ‘jeg føler mig grundlæggende tryg i mit nabolag’ og 7 er ‘jeg føler mig grundlæggende utryg i mitnabolag’, hvor tryg eller utryg føler du dig så? Med nabolag menes det område, der umiddelbart omgiver din bopæl. I figuren er svarenegrupperede, så 1-3 angiver, at borgerne er trygge i deres nabolag, 4 angiver, at borgerne hverken er trygge eller utrygge i deres nabolag, og 5-7 angiver, at borgerne er utrygge i deres nabolag.
Bemærk: Tages den statistiske usikkerhed i betragtning, er der en tendens til, at andelen af borgere, som er trygge i deres nabolag, er faldet.
# Import
police5_raw <-
data.frame(
tillid = c(85.0, 89.3),
ikke_tillid = c(12.5, 7.7),
ved_ikke = c(2.5, 3.0),
tid = c(2018 , 2019)
) %>%
as_tibble()
# Transform
police5 <-
police5_raw %>%
rename(
`Tillid til politiet` = tillid,
`Ikke tillid til politiet` = ikke_tillid,
`Ved ikke/ ønsker ikke at svare` = ved_ikke
) %>%
gather(svar, procent,-tid) %>%
mutate(tid = as.factor(tid))
# Plot
police5_plot <-
police5 %>%
ggplot(aes(x = svar,
y = procent,
fill = tid)) +
geom_col(position = "dodge2") +
theme_statgl() + scale_fill_statgl() +
expand_limits(y = 100) +
scale_y_continuous(labels = scales::percent_format(scale = 1, accuracy = 1, big.mark = ".",
decimal.mark = ",")) +
labs(
title = sdg16$figs$fig6$title[language],
x = " ",
y = " ",
fill = " ",
caption = sdg16$figs$fig6$cap[language]
)
police5_plot
Spørgsmål: Er du enig i følgende udsagn? Jeg har tillid til, at politiet vil hjælpe mig, hvis jeg har brug for det. I figuren er svarene kategoriseret, så Tillid til politiet svarer til de borgere, som har svaret ja på spørgsmålet og Ikke tillid til politiet svarer til de borgere, som har svaret nej på spørgsmålet.
Bemærk: Tages den statistiske usikkerhed i betragtning, er andelen af borgere, som har tillid til politiet, steget. Når der sammenlignes, skal der dog tages forbehold for, at spørgsmålet er blevet stillet i forskellige kontekster i de to år.
Stemmeprocent
GS Stemmeprocent
# Import
SAXLANST_raw <-
statgl_url("SAXLANST", lang = language) %>%
statgl_fetch(
"constituencies" = c(0),
"votes cast" = c(16, 20),
.col_code = TRUE
) %>%
as_tibble()
# Transform
SAXLANST <-
SAXLANST_raw %>%
separate(time, c("day", "month", "year")) %>%
select(-c("day", "month")) %>%
mutate(
year = year %>% as.numeric(),
year = year + 1900,
plus = case_when(
year < 1950 ~ 100,
year > 1950 ~ 0),
year = year + plus,
`votes cast` = `votes cast` %>% fct_reorder(value, sum)
) %>%
select(-ncol(.)) %>%
spread(3, 4) %>%
rename(
valid = 3,
total = 4
) %>%
mutate(
vote = valid / total * 100,
mean = mean(vote)
)
# Plot
SAXLANST %>%
ggplot(aes(
x = year,
y = vote
)) +
geom_point(size = 2) +
geom_segment(aes(
x = year,
xend = year,
y = 0,
yend = vote
)) +
scale_y_continuous(labels = scales::percent_format(
scale = 1,
accuracy = 1,
big.mark = ".",
decimal.mark = ","
)) +
theme_statgl() +
scale_fill_statgl() +
expand_limits(y = 0) +
expand_limits(y = 100) +
geom_hline(
size = 15,
alpha = 0.1,
color = "green",
yintercept = SAXLANST[["mean"]][1]
) +
labs(
title = sdg16$figs$fig9$title[language],
subtitle = SAXLANST[[2]][1],
y = " ",
x = " ",
caption = sdg16$figs$fig9$cap[language]
)
# Import
SAXKOMST_raw <-
statgl_url("SAXKOMST", lang = language) %>%
statgl_fetch(
municipality = c(0),
"votes cast" = c(15, 19),
.col_code = TRUE
) %>%
as_tibble()
# Transform
SAXKOMST <-
SAXKOMST_raw %>%
separate(time, c("day", "month", "year")) %>%
select(-c("day", "month")) %>%
mutate(
year = year %>% as.numeric(),
year = year + 1900,
plus = case_when(
year < 1950 ~ 100,
year > 1950 ~ 0),
year = year + plus,
`votes cast` = `votes cast` %>% fct_reorder(value, sum)
) %>%
select(-ncol(.)) %>%
spread(3, 4) %>%
rename(
valid = 3,
total = 4
) %>%
mutate(
vote = valid / total * 100,
mean = mean(vote)
)
# Plot
SAXKOMST %>%
ggplot(aes(
x = year,
y = vote
)) +
geom_point(size = 2) +
geom_segment(aes(
x = year,
xend = year,
y = 0,
yend = vote
)) +
scale_y_continuous(labels = scales::percent_format(
scale = 1,
accuracy = 1,
big.mark = ".",
decimal.mark = ","
)) +
theme_statgl() +
scale_fill_statgl() +
expand_limits(y = 0) +
expand_limits(y = 100) +
geom_hline(
size = 15,
alpha = 0.1,
color = "red",
yintercept = SAXKOMST[["mean"]][1],
) +
labs(
title = sdg16$figs$fig8$title[language],
subtitle = SAXKOMST[[2]][1],
y = " ",
x = " ",
caption = sdg16$figs$fig8$cap[language]
)
# Import
SAXFOLK_raw <-
statgl_url("SAXFOLK", lang = language) %>%
statgl_fetch(
municipality = c(0),
"votes cast" = c(12, 16),
.col_code = TRUE
) %>%
as_tibble()
# Transform
SAXFOLK <-
SAXFOLK_raw %>%
separate(time, c("day", "month", "year")) %>%
select(-c("day", "month")) %>%
mutate(
year = year %>% as.numeric(),
year = year + 1900,
plus = case_when(
year < 1980 ~ 100,
year > 1980 ~ 0
),
year = year + plus,
`votes cast` = `votes cast` %>% fct_reorder(value, sum)) %>%
select(-ncol(.)) %>%
spread(3, 4) %>%
rename(
valid = 3,
total = 4
) %>%
mutate(vote = valid / total * 100,
mean = mean(vote))
# Plot
SAXFOLK %>%
ggplot(aes(
x = year,
y = vote
)) +
geom_point(size = 2) +
geom_segment(aes(
x = year,
xend = year,
y = 0,
yend = vote
)) +
scale_y_continuous(labels = scales::percent_format(
scale = 1,
accuracy = 1,
big.mark = ".",
decimal.mark = ","
)) +
theme_statgl() +
scale_fill_statgl() +
expand_limits(y = 0) +
expand_limits(y = 100) +
geom_hline(
size = 15,
alpha = 0.1,
color = "blue",
yintercept = SAXFOLK[["mean"]][1]
) +
labs(
title = sdg16$figs$fig7$title[language],
subtitle = SAXFOLK[[2]][1],
y = " ",
x = " ",
caption = sdg16$figs$fig7$cap[language]
)