sdg2020

Børn i dagtilbud, 3-5 år

FN 4.2.2 Antal børn i dagtilbud (3-5 år)

# Import
OFXUKN1_raw <-
  statgl_url("OFXUKN1", lang = language) %>% 
  statgl_fetch(
    born_var   = 3:5,
    inst_type2 = 1:5,
    .col_code  = TRUE
    ) %>% 
  as_tibble()

# Transform
OFXUKN1 <-
  OFXUKN1_raw %>% 
  mutate(across(where(is.integer), ~ if_else(is.na(.x), 0, .x))) |> 
  summarise(value = sum(value), .by = c(inst_type2, aar)) |> 
  mutate(
    aar = aar %>% make_date(),
    inst_type2 = inst_type2 %>% fct_inorder(),
    alder = "Børn 3-5 år"
    )

# Plot
OFXUKN1 %>% 
  ggplot(aes(
    x    = aar,
    y    = value,
    fill = inst_type2
  )) +
  geom_col() +
  scale_y_continuous(labels = scales::unit_format(
    suffix       = " ",
    big.mark     = ".",
    decimal.mark = ","
  )) +
  theme_statgl() + 
  scale_fill_statgl(reverse = TRUE, guide = guide_legend(reverse = FALSE, nrow = 2)) +
  labs(
    title    = sdg4$figs$fig1$title[language],
    subtitle = OFXUKN1[[4]][1],
    x        = " ",
    y        = sdg4$figs$fig1$y_lab[language],
    fill     = " ",
    caption  = sdg4$figs$fig1$cap[language]
  )

Statistikbanken

# Transform
OFXUKN1 <-
  OFXUKN1_raw %>% 
  #arrange(desc(time)) %>% 
  filter(aar >= year(Sys.time()) - 5) %>% 
  mutate(across(where(is.integer), ~ if_else(is.na(.x), 0, .x))) |> 
  summarise(value = sum(value), .by = c(inst_type2, aar)) |> 
  mutate(
    aar = aar %>% factor(levels = unique(aar)),
    inst_type2 = inst_type2 %>% fct_inorder(),
    alder = "Børn 3-5 år"
    ) %>% 
  spread(aar, value)

# Table
OFXUKN1 %>% 
  select(-2) %>% 
  rename(" " = 1) %>% 
  statgl_table(replace_0s = TRUE) %>% 
  pack_rows(index = table(OFXUKN1[[2]])) %>% 
  add_footnote(
    sdg4$figs$fig1$foot[language], 
    notation = "symbol"
    )

	2021	2022	2023	2024
Børn 3-5 år
Vuggestue	102	149	189	151
Børnehave	1.943	1.876	1.869	1.895
Intergrede institutioner	21	27	10	4
Dagplejer	120	114	115	130
Andre offentlige dagtilbud	9	5	18	3
^* Antal børn i dagtilbud

# Import
OFXUKN1_raw <-
  statgl_url("OFXUKN1", lang = language) %>% 
  statgl_fetch(
    born_var   = 3:5,
    inst_type2 = 1:5,
    bosted     = 1:2,
    .col_code  = TRUE
    ) %>% 
  as_tibble()

# Transform
OFXUKN1 <-
  OFXUKN1_raw %>% 
  mutate(
    inst_type2 = inst_type2 %>% fct_inorder(),
    bosted  = bosted %>% fct_inorder(),
    aar = aar %>% make_date(),
    born_var = "Børn 3-5 år",
    across(where(is.integer), ~ if_else(is.na(.x), 0, .x))
    ) |> 
  summarise(value = sum(value), .by = c(inst_type2, born_var, bosted, aar))

# Plot
OFXUKN1 %>% 
  ggplot(aes(
    x    = aar,
    y    = value,
    fill = inst_type2
    )) +
  geom_col() +
  facet_wrap(~ bosted, scales = "free_y") +
  theme_statgl() +
  scale_fill_statgl(reverse = TRUE, guide = guide_legend(reverse = FALSE, nrow = 2)) +
  labs(
    title    = sdg4$figs$fig2$title[language],
    subtitle = OFXUKN1[[2]][1],
    x        = " ",
    y        = sdg4$figs$fig2$y_lab[language],
    fill     = NULL,
    caption  = sdg4$figs$fig2$cap[language]
  )

Statistikbanken

# Transform
OFXUKN1 <- 
  OFXUKN1_raw %>% 
  mutate(born_var = "Børn 3-5 år",
    across(where(is.integer), ~ if_else(is.na(.x), 0, .x))) |> 
  #arrange(desc(time)) %>%
  summarise(value = sum(value), .by = c(inst_type2, born_var, bosted, aar)) |> 
  filter(aar >= year(Sys.time()) - 5) %>% 
  mutate(aar = aar %>% factor(levels = unique(aar))) %>% 
  spread(aar, value) |> 
  arrange(bosted)

# Table
OFXUKN1 %>% 
  select(-c(2, 3)) %>% 
  rename(" " = 1) %>% 
  statgl_table(replace_0s = TRUE) %>% 
  pack_rows(index = table(OFXUKN1[[2]])) %>% 
  pack_rows(index = table(OFXUKN1[[3]])) %>% 
  add_footnote(
    sdg4$figs$fig2$foot[language], 
    notation = "symbol"
    )

	2021	2022	2023	2024
Børn 3-5 år
By
Andre offentlige dagtilbud	9	5	18	3
Børnehave	1.885	1.815	1.790	1.833
Dagplejer	11	17	9	7
Intergrede institutioner	0	0	0	0
Vuggestue	94	133	178	140
Bygd
Andre offentlige dagtilbud	0	0	0	0
Børnehave	58	61	79	62
Dagplejer	109	97	106	123
Intergrede institutioner	21	27	10	4
Vuggestue	8	16	11	11
^* Antal børn i dagtilbud

Trintest-resultater

FN 4.1.1 Løsningssikkerhed for trintests i folkeskolens 3. og 7. klasse

# Import
UDXTKB_raw <-
  statgl_url("UDXTKB", lang = language) %>%
  statgl_fetch(
    subject   = px_all(),
    grade     = c(3, 7),
    unit      = "B",
    .col_code = TRUE) %>% 
  as_tibble()

# Transform
UDXTKB <-
  UDXTKB_raw %>% 
  mutate(
    time     = time %>% make_date(),
     subject =  subject %>% fct_inorder()
    )

# Plot
UDXTKB %>% 
  ggplot(aes(
    x     = time,
    y     = value,
    color = subject
    )) +
  geom_line(size = 2) +
  facet_wrap(~ grade) +
  scale_y_continuous(labels  = scales::percent_format(
    scale        = 1, 
    accuracy     = 1, 
    big.mark     = ".",
    decimal.mark = ","
    )) +
  theme_statgl() + 
  scale_color_statgl() +
  labs(
    title    = sdg4$figs$fig3$title[language],
    subtitle = UDXTKB[[3]][1],
    x        = " ",
    y        = " ",
    color    = sdg4$figs$fig3$color[language],
    caption  = sdg4$figs$fig3$cap[language]
  )

Statistikbanken

Metode

# Transform
UDXTKB <- 
  UDXTKB_raw %>% 
  arrange(desc(time)) %>% 
  filter(time >= year(Sys.time()) - 5) %>% 
  mutate(time = time %>% factor(levels = unique(time))) %>% 
  arrange(grade, desc(subject)) %>% 
  unite(combi, 1, 2, sep = ",") %>% 
  mutate(combi = combi %>% factor(levels = unique(combi))) %>% 
  spread(1, ncol(.))

vec      <- UDXTKB %>% select(-(1:2)) %>% colnames() %>% str_split(",") %>% unlist()
head_vec <- table(vec[c(F, T)])
col_vec  <- vec[c(T, F)]

# Table
UDXTKB %>% 
  select(-1) %>% 
  rename(" " = 1) %>% 
  statgl_table(col.names = c(" ", col_vec)) %>% 
  add_header_above(c(" ", head_vec)) %>% 
  pack_rows(index = table(UDXTKB[[1]]))

	klasse				klasse
	Matematik,3. klasse	Grønlandsk,3. klasse	Engelsk,3. klasse	Dansk,3. klasse	Matematik,7. klasse	Grønlandsk,7. klasse	Engelsk,7. klasse	Dansk,7. klasse
Løsningssikkerhed (pct. rigtige)
2024	49	45	NA	41	40	56	84	42
2023	52	48	NA	48	41	59	86	45
2022	48	41	NA	41	41	62	82	51
2021	51	48	NA	47	40	61	73	50

# Import
UDXTKB_raw <-
  statgl_url("UDXTKB", lang = language) %>%
  statgl_fetch(
    subject              = px_all(),
    grade                = c(3, 7),
    unit                 = "B",
    "place of residence" = 1:2,
    .col_code            = TRUE
    ) %>% 
  as_tibble()

# Transform
UDXTKB <-
  UDXTKB_raw %>% 
  mutate(
    time = time %>% make_date(),
    `place of residence` = `place of residence` %>% fct_inorder(),
    subject = subject %>% fct_inorder()
    )

# Plot
UDXTKB %>% 
  ggplot(aes(
    x     = time,
    y     = value,
    color = subject
  )) +
  geom_line(size = 2) +
  facet_grid(grade ~ `place of residence`) +
  scale_y_continuous(labels  = scales::percent_format(
    scale        = 1, 
    accuracy     = 1, 
    big.mark     = ".",
    decimal.mark = ","
    )) +
  theme_statgl() + 
  scale_color_statgl() +
  labs(
    title    = sdg4$figs$figX$title_fig4,
    subtitle = UDXTKB[[4]][1],
    x        = " ",
    y        = " ",
    color    = sdg4$figs$fig4$color[language],
    caption  = sdg4$figs$fig4$cap[language]
  )

Statistikbanken

Metode

# Transform
UDXTKB <- 
  UDXTKB_raw %>% 
  arrange(desc(time)) %>% 
  filter(time >= year(Sys.time()) - 5) %>% 
  mutate(time = time %>% fct_inorder()) %>% 
  arrange(grade, subject) %>% 
  unite(combi, 1, 2, 3, sep = ",") %>% 
  mutate(combi = combi %>% factor(levels = unique(combi))) %>% 
  spread(1, 4) 

vec       <- UDXTKB[-(1:2)] %>% colnames() %>% str_split(",") %>% unlist()
head_vec1 <- rep(vec[c(F, T, F)][1:8] %>% table(), 2)
head_vec2 <- vec[c(F, F, T)] %>% table()
col_vec   <- vec[c(T, F, F)]

UDXTKB %>% 
  select(-1) %>% 
  rename(" " = 1) %>% 
  statgl_table(col.names = c(" ", col_vec)) %>% 
  add_header_above(c(" ", head_vec1)) %>% 
  add_header_above(c(" ", head_vec2)) %>% 
  pack_rows(index = table(UDXTKB[[1]]))

	klasse								klasse
	Dansk		Engelsk		Grønlandsk		Matematik		Dansk		Engelsk		Grønlandsk		Matematik
	By,Dansk,3. klasse	Bygd,Dansk,3. klasse	By,Engelsk,3. klasse	Bygd,Engelsk,3. klasse	By,Grønlandsk,3. klasse	Bygd,Grønlandsk,3. klasse	By,Matematik,3. klasse	Bygd,Matematik,3. klasse	By,Dansk,7. klasse	Bygd,Dansk,7. klasse	By,Engelsk,7. klasse	Bygd,Engelsk,7. klasse	By,Grønlandsk,7. klasse	Bygd,Grønlandsk,7. klasse	By,Matematik,7. klasse	Bygd,Matematik,7. klasse
Løsningssikkerhed (pct. rigtige)
2024	42	38	NA	NA	43	48	48	56	45	34	86	55	55	57	39	40
2023	50	36	NA	NA	48	49	53	45	47	40	88	73	57	66	43	40
2022	41	43	NA	NA	41	52	47	52	54	40	86	53	62	61	41	39
2021	48	39	NA	NA	48	47	52	50	52	45	76	54	59	62	40	41

Folkeskolens afgangseksamen

GS Prøvekarakterer for folkeskolens afgangselever

# Import
UDXFKK_raw <-
  statgl_url("UDXFKK", lang = language) %>% 
  statgl_fetch(
    unit             = "andel",
    grade            = "FO",
    subject          = c("01", "02", "03", "04"),
    "type of grades" = 56:58,
    .col_code        = TRUE
    ) %>% 
  as_tibble()

# Transform
UDXFKK <-
  UDXFKK_raw %>% 
  mutate(
    `type of grades` = `type of grades` %>% str_remove_all("Prøvekarakter -") %>% trimws() %>% str_to_title(),
    subject          = subject %>% fct_inorder(),
    time             = time %>% make_date()
    )

# Plot
UDXFKK %>% 
  ggplot(aes(
    x     = time,
    y     = value,
    color = `type of grades`
    )) +
  geom_line(size = 2) +
  facet_wrap( ~ subject, ncol = 2) +
  theme_statgl() + 
  scale_color_statgl(guide = guide_legend(nrow = 3)) +
  labs(
    title   = sdg4$figs$fig5$title[language],
    color   = sdg4$figs$fig5$color[language],
    x       = " ",
    y       = sdg4$figs$fig5$y_lab[language],
    caption = sdg4$figs$fig5$cap[language]
  )

Statistikbanken

Metode

# Transform
UDXFKK <-
  UDXFKK_raw %>% 
  mutate(
    `type of grades` = `type of grades` %>% 
      str_remove_all("Prøvekarakter -") %>%
      trimws() %>%
      str_to_title()
    ) %>% 
  #arrange(desc(time)) %>% 
  filter(
    value != "NA",
    time >= year(Sys.time()) - 5
    ) %>% 
  mutate(
    subject = subject %>% fct_inorder(),
    time = time %>% factor(levels = unique(time)),
    ) %>% 
  spread(5, 6) %>% 
  arrange(subject)

# Table
UDXFKK %>% 
  select(-(1:3)) %>% 
  rename(" " = 1) %>% 
  statgl_table() %>% 
  pack_rows(index = table(UDXFKK[[1]] %>% str_to_title())) %>% 
  pack_rows(index = table(UDXFKK[[3]])) %>% 
  add_footnote(UDXFKK[[2]][1], notation = "symbol")

	2021	2022	2023	2024
Karaktergennemsnit
Grønlandsk
Færdighedsprøve	3,56	3,72	3,99	4,86
Mundtlig	5,96	6,81	6,54	6,80
Skriftlig	5,35	5,48	4,75	5,30
Dansk
Færdighedsprøve	4,47	4,14	4,05	3,70
Mundtlig	5,36	4,85	6,15	4,63
Skriftlig	3,36	3,58	3,82	3,18
Matematik
Færdighedsprøve	4,94	4,89	4,82	4,81
Mundtlig	4,88	5,24	5,58	5,60
Skriftlig	2,17	2,52	2,98	2,48
Engelsk
Færdighedsprøve	4,90	5,20	5,56	5,63
Mundtlig	6,49	6,52	6,99	7,55
Skriftlig	4,11	4,51	4,56	5,34
^* Folkeskolens afgangselever

På grund af Covid-19 har der ikke været afholdt afgangseksamen i 2020.

Overgang fra folkeskole til videre uddannelse

GS Overgang fra folkeskolen til ungdomsuddannelse

# Import
UDXTRFA1_raw <-
  statgl_url("UDXTRFA1", lang = language) %>% 
  statgl_fetch(
    aar       = 2,
    status    = px_all(),
    dim_aar   = px_all(),
    .col_code = TRUE
    ) %>% 
  as_tibble()

# Transform
UDXTRFA1 <-
  UDXTRFA1_raw %>%
  filter(dim_aar <= year(Sys.time()) - 3) %>% 
  mutate(dim_aar = dim_aar %>% make_date())

  


# Plot
UDXTRFA1 %>% 
  ggplot(aes(
    x    = dim_aar,
    y    = value,
    fill = status
  )) +
  geom_col(position = "fill") +
  scale_y_continuous(labels  = scales::percent_format(
    scale        = 100, 
    accuracy     = 1, 
    big.mark     = ".",
    decimal.mark = ","
    )) +
  scale_fill_statgl(reverse = TRUE) +
  theme_statgl() +
  labs(
    title    = sdg4$figs$fig6$title[language],
    subtitle = sdg4$figs$fig6$sub[language],
    x        = sdg4$figs$fig6$x_lab[language],
    y        = " ",
    fill     = sdg4$figs$fig6$fill[language],
    caption  = sdg4$figs$fig6$cap[language]
  )

Statistikbanken

Metode

# Transform
UDXTRFA1 <- 
  UDXTRFA1_raw %>% 
  filter(dim_aar <= year(Sys.time()) - 3) %>% 
  #arrange(desc(`graduation year`)) %>% 
  filter(dim_aar >= year(Sys.time()) - 8) %>% 
  mutate(dim_aar = dim_aar %>% factor(levels = unique(dim_aar))) %>% 
  spread(3, 4)

# Table
UDXTRFA1 %>% 
  select(-1) %>% 
  rename(" " = 1) %>% 
  statgl_table(replace_0s = TRUE) %>% 
  add_footnote(
    sdg4$figs$fig6$foot[language],
    notation = "symbol"
  )

	2018	2019	2020	2021	2022	2023
Afbrudt	108	82	96	97	116	0
Aktiv	243	250	269	252	226	0
Ej påbegyndt	340	311	312	357	330	0
Gennemført	7	5	7	3	6	0
^* Antal personer, overgang fra folkeskolen til ungdomsuddannelse (2 år efter folkeskolens afgangsprøve).

# Import
UDXTRFA1_raw <-
  statgl_url("UDXTRFA1", lang = language) %>% 
  statgl_fetch(
    aar       = 2,
    status    = px_all(),
    dim_aar   = px_all(),
    sex       = px_all(),
    .col_code = TRUE
    ) %>% 
  as_tibble()

# Transform
UDXTRFA1 <-
  UDXTRFA1_raw %>% 
  filter(dim_aar <= year(Sys.time()) - 3) %>% 
  mutate(dim_aar = dim_aar %>% make_date())

# Plot
UDXTRFA1 %>% 
  ggplot(aes(
    x    = dim_aar,
    y    = value,
    fill = status
  )) +
  geom_col(position = "fill") +
  facet_wrap(~ sex) +
  scale_y_continuous(labels  = scales::percent_format()) +
  scale_fill_statgl(reverse = TRUE) +
  theme_statgl() +
  labs(
    title    = sdg4$figs$fig7$title[language],
    subtitle = sdg4$figs$fig7$sub[language],
    x        = sdg4$figs$fig7$x_lab[language],
    y        = " ",
    fill     = sdg4$figs$fig7$fill[language],
    caption  = sdg4$figs$fig7$cap[language]
  )

Statistikbanken

Metode

# Transform
UDXTRFA1 <- 
  UDXTRFA1_raw %>% 
  filter(dim_aar <= year(Sys.time()) - 3) %>% 
  #arrange(desc(`graduation year`)) %>% 
  filter(dim_aar >= year(Sys.time()) - 8) %>% 
  mutate(dim_aar = dim_aar %>% factor(levels = unique(dim_aar))) %>% 
  spread(4, 5) %>% 
  arrange(status)
  
# Table
UDXTRFA1 %>% 
  select(-1, -3) %>% 
  rename(" " = 1) %>% 
  statgl_table(replace_0s = TRUE) %>% 
  pack_rows(index = table(UDXTRFA1[[3]])) %>% 
  add_footnote(
    sdg4$figs$fig7$foot[language],
    notation = "symbol"
  )

	2018	2019	2020	2021	2022	2023
Afbrudt
Kvinder	63	37	51	53	71	0
Mænd	45	45	45	44	45	0
Aktiv
Kvinder	142	148	150	141	132	0
Mænd	101	102	119	111	94	0
Ej påbegyndt
Kvinder	169	137	142	176	161	0
Mænd	171	174	170	181	169	0
Gennemført
Kvinder	0	2	0	1	0	0
Mænd	7	3	7	2	6	0
^* Antal personer, overgang fra folkeskolen til ungdomsuddannelse (2 år efter folkeskolens afgangsprøve).

Overgang fra gymnasium til videre uddannelse

GS Overgang fra gymnasial uddannelse til videre uddannelse

# Import
UDXTRGU2_raw <-
  statgl_url("UDXTRGU2", lang = language) %>% 
  statgl_fetch(
    aar     = 2,
    status  = px_all(),
    dim_aar = px_all(),
    .col_code = TRUE) %>% 
  as_tibble()

# Transform
UDXTRGU2 <-
  UDXTRGU2_raw %>% 
  filter(dim_aar <= year(Sys.time()) - 2) |> 
  mutate(dim_aar = dim_aar %>% make_date())

# Plot
UDXTRGU2 %>% 
  ggplot(aes(
    x    = dim_aar,
    y    = value,
    fill = status
    )) +
  geom_col(position = "fill") +
  scale_y_continuous(labels  = scales::percent_format(
    scale = 100, 
    accuracy = 1, 
    big.mark = ".",
    decimal.mark = ","
    )) +
  theme_statgl() + 
  scale_fill_statgl(reverse = TRUE) +
  labs(
    title    = sdg4$figs$fig8$title[language],
    subtitle = sdg4$figs$fig8$sub[language],
    x        = sdg4$figs$fig8$x_lab[language],
    y        = " ",
    fill     = sdg4$figs$fig8$fill[language],
    caption  = sdg4$figs$fig8$cap[language]
  )

Statistikbanken

Metode

# Transform
UDXTRGU2 <-
  UDXTRGU2_raw %>% 
  filter(dim_aar >= year(Sys.time()) - 9 & dim_aar < year(Sys.time()) - 3) %>% 
  mutate(dim_aar = dim_aar %>% factor(levels = unique(dim_aar))) %>% 
  spread(3, 4)

# Table
UDXTRGU2 %>% 
  select(-1) %>% 
  rename(" " = 1) %>% 
  statgl_table(replace_0s = TRUE) %>% 
  add_footnote(
    sdg4$figs$fig8$foot[language],
    notation = "symbol"
    )

	2017	2018	2019	2020	2021	2022
Afbrudt	61	46	50	54	67	45
Aktiv	134	137	131	112	124	125
Ej påbegyndt	104	89	87	93	95	68
Gennemført	29	32	35	36	26	31
^* Antal personer, overgang fra folkeskolen til ungdomsuddannelse (2 år efter folkeskolens afgangsprøve).

# Import
UDXTRGU2_raw <-
  statgl_url("UDXTRGU2", lang = language) %>% 
  statgl_fetch(
    aar       = 2,
    status    = px_all(),
    dim_aar   = px_all(),
    sex       = px_all(),
    .col_code = TRUE
    ) %>% 
  as_tibble()

# Transform
UDXTRGU2 <- 
  UDXTRGU2_raw %>% 
  filter(dim_aar <= year(Sys.time()) - 3) |> 
  mutate(dim_aar = dim_aar %>% make_date())

# Plot
UDXTRGU2 %>% 
  ggplot(aes(
    x    = dim_aar,
    y    = value,
    fill = status
  )) +
  geom_col(position = "fill") +
  facet_wrap( ~ sex) +
  scale_y_continuous(labels  = scales::percent_format(
    scale        = 100, 
    accuracy     = 1,
    big.mark     = ".",
    decimal.mark = ","
    )) +
  theme_statgl() + 
  scale_fill_statgl(reverse = TRUE) +
  labs(
    title    = sdg4$figs$fig9$title[language],
    subtitle = sdg4$figs$fig9$sub[language],
    x        = sdg4$figs$fig9$x_lab[language],
    y        = " ",
    fill     = sdg4$figs$fig9$fill[language],
    caption  = sdg4$figs$fig9$cap[language]
  )

Statistikbanken

Metode

# Transform
UDXTRGU2 <-
  UDXTRGU2_raw %>% 
  #arrange(desc(`graduation year`)) %>% 
  filter(dim_aar >= year(Sys.time()) - 8 & dim_aar < year(Sys.time()) - 3) %>% 
  mutate(dim_aar = dim_aar %>% factor(levels = unique(dim_aar))) %>% 
  spread(4, 5) %>% 
  arrange(status)

# Table
UDXTRGU2 %>% 
  select(-c(1, 3)) %>% 
  rename("  " = 1) %>% 
  statgl_table(replace_0s = TRUE) %>% 
  pack_rows(index = UDXTRGU2[[3]] %>% table()) %>% 
  add_footnote(
    sdg4$figs$fig9$foot[language],
    notation = "symbol"
  )

	2018	2019	2020	2021	2022
Afbrudt
Kvinder	33	34	31	46	32
Mænd	13	16	23	21	13
Aktiv
Kvinder	85	82	80	91	79
Mænd	52	49	32	33	46
Ej påbegyndt
Kvinder	51	38	49	58	36
Mænd	38	49	44	37	32
Gennemført
Kvinder	19	26	24	14	22
Mænd	13	9	12	12	9
^* Antal personer, overgang fra gymnasium til ungdomsuddannelse (2 år efter studentereksamen).

Aktive studerende i uddannelse

GS Antal aktive studerende i uddannelse efter uddannelsesniveau og land

# Import
UDXISC11B_raw <-
  statgl_url("UDXISC11B", lang = language) %>% 
  statgl_fetch(
    isced = px_all(),
    .col_code            = TRUE
    ) %>% 
  as_tibble()

# Transform
UDXISC11B <-
  UDXISC11B_raw %>% 
  mutate(taar = taar %>% make_date(),
        isced = isced %>%  fct_inorder() %>% fct_rev(),
        value = value * 10^-3)

# Plot
UDXISC11B %>% 
  ggplot(aes(
    x    = taar,
    y    = value,
    fill = isced
  )) +
  geom_col() +
   guides(fill = guide_legend(nrow = 4, byrow = TRUE)) +
  theme_statgl() +
  scale_fill_statgl(reverse = TRUE, guide = guide_legend(reverse = FALSE)) +
  labs(
    title   = sdg4$figs$fig10$title[language],
    x       = " ",
    y       = sdg4$figs$fig10$y_lab[language],
    fill    = NULL,
    caption = sdg4$figs$fig10$cap[language]
  )

Statistikbanken

# Transform
UDXISC11B <-
  UDXISC11B_raw %>% 
  #arrange(desc(time)) %>% 
  filter(taar >= year(Sys.time()) - 6) %>% 
  mutate(
         isced = isced %>% factor(levels = unique(isced)),
         taar  = taar %>% factor(levels = unique(taar)),
         ) %>% 
  spread(2, 3)

# Table
UDXISC11B %>% 
  rename(" " = 1) %>% 
  statgl_table() %>% 
  add_footnote(
    sdg4$figs$fig10$foot[language],
    notation = "symbol"
    )

	2020	2021	2022	2023	2024
Gymnasial uddannelse	1.170	1.161	1.129	1.064	1.071
Erhvervsuddannelse	1.136	1.025	1.001	921	876
Suppleringskurser	29	14	19	22	26
Kort videregående uddannelse	167	155	162	155	162
Bacheloruddannelse	373	359	346	333	353
Professionsbacheloruddannelse	550	527	528	511	528
Kandidatuddannelse	170	165	155	154	150
^* Antal personer, aktive studerende i uddannelse.

# Import
UDXISC11B_raw <-
  statgl_url("UDXISC11B", lang = language) %>% 
  statgl_fetch(
    skoleomr   = px_all(),
    .col_code = TRUE
    ) %>% 
  as_tibble()

# Translate
UDXISC11B <-
  UDXISC11B_raw %>% 
  mutate(
    taar     = taar %>% make_date(),
    skoleomr = skoleomr %>% fct_reorder(value),
    value    = value * 10^-3
    )

# Plot
UDXISC11B %>% 
  ggplot(aes(
    x    = taar,
    y    = value,
    fill = skoleomr
  )) +
  geom_col() +
  theme_statgl() + 
  scale_fill_statgl(reverse = TRUE, guide = guide_legend(reverse = TRUE)) +
  labs(
    title   = sdg4$figs$fig11$title[language],
    x       = " ",
    y       = sdg4$figs$fig11$y_lab[language],
    fill    = " ",
    caption = sdg4$figs$fig11$cap[language] 
  )

Statistikbanken

# Transform
UDXISC11B <-
  UDXISC11B_raw %>% 
  #arrange(desc(time)) %>% 
  filter(taar >= year(Sys.time()) - 6) %>% 
  mutate(
    taar    = taar %>% fct_inorder(),
    skoleomr = skoleomr %>% fct_inorder
    ) %>% 
  spread(2, 3)

# Table
UDXISC11B %>% 
  rename(" " = 1) %>% 
  statgl_table() %>% 
  add_footnote(
    sdg4$figs$fig11$foot[language],
    notation = "symbol"
    )

	2020	2021	2022	2023	2024
Skoler i Grønland	3.061	2.922	2.806	2.638	2.580
Skoler i Danmark	510	464	512	506	569
Skoler i udlandet	24	20	22	16	17
^* Antal personer, aktive studerende i uddannelse.

FN 4.3.1 Antal aktive studerende i uddannelse efter køn

# Import
UDXISC11B_raw <-
  statgl_url("UDXISC11B", lang = language) %>% 
  statgl_fetch(
    sex       = px_all(),
    .col_code = TRUE
    ) %>% 
  as_tibble()

# Transform
UDXISC11B <-
  UDXISC11B_raw %>% 
  mutate(
    taar  = taar %>% make_date(),
    sex   = sex %>% reorder(value),
    value = value * 10^-3
    )

# Plot
UDXISC11B %>% 
  ggplot(aes(
    x    = taar,
    y    = value,
    fill = sex
  )) +
  geom_col() +
  theme_statgl() + 
  scale_fill_statgl() +
  labs(
    title   = sdg4$figs$fig12$title[language],
    x       = " ",
    y       = sdg4$figs$fig12$y_lab[language],
    fill    = " ",
    caption = sdg4$figs$fig12$cap[language]
  )

Statistikbanken

# Transform
UDXISC11B <-
  UDXISC11B_raw %>% 
  #arrange(desc(time)) %>% 
  filter(taar >= year(Sys.time()) - 6) %>% 
  mutate(taar = taar %>% fct_inorder()) %>% 
  spread(2, 3)

# Table
UDXISC11B %>% 
  rename(" " = 1) %>% 
  statgl_table() %>% 
  add_footnote(
    sdg4$figs$fig12$foot[language],
    notation = "symbol"
    )

	2020	2021	2022	2023	2024
Kvinder	2.232	2.117	2.109	2.010	2.006
Mænd	1.363	1.289	1.231	1.150	1.160
^* Antal personer, aktive studerende i uddannelse.

Fuldførte uddannelser

GS Antal fuldførte uddannelsesforløb

# Import
UDXISC11D_raw <-
  statgl_url("UDXISC11D", lang = language) %>% 
  statgl_fetch(
    Isced     = px_all(),
    .col_code = TRUE
    ) %>% 
  as_tibble()

# Transform
UDXISC11D <-
  UDXISC11D_raw %>%
  mutate(
    slutaar              = slutaar %>% make_date(),
    id                   = row_number(),
    Isced = Isced %>% str_remove("uddannelse"),
    Isced = Isced %>% fct_reorder(id, .fun = min, na.rm = TRUE) %>% fct_rev()
  )

# Plot
UDXISC11D %>% 
  ggplot(aes(
    x    = slutaar,
    y    = value,
    fill = Isced
    )) +
  geom_col() +
  scale_y_continuous(labels = scales::number_format(
    accuracy     = 1,
    big.mark     = ".",
    decimal.mark = ",")) +
  theme_statgl() + 
  scale_fill_statgl(reverse = TRUE, guide = guide_legend(reverse = TRUE, nrow = 4)) +
  labs(
    title    = sdg4$figs$fig13$title[language],
    subtitle = sdg4$figs$fig13$sub[language],
    x        = " ",
    y        = sdg4$figs$fig13$y_lab[language],
    fill     = sdg4$figs$fig13$fill[language],
    caption  = sdg4$figs$fig13$cap[language] 
  )

Statistikbanken

Metode

# Transform
UDXISC11D <- 
  UDXISC11D_raw %>% 
  #arrange(desc(time)) %>% 
  filter(slutaar >= year(Sys.time()) - 6) %>% 
  mutate(
    Isced    = Isced %>% fct_inorder(),
    slutaar  = slutaar %>% fct_inorder()
    ) %>% 
  spread(2, 3)

# Table
UDXISC11D %>% 
  rename(" " = 1) %>% 
  statgl_table() %>% 
  add_footnote(
    sdg4$figs$fig13$foot[language],
    notation = "symbol"
    )

	2020	2021	2022	2023	2024
Gymnasial uddannelse	310	318	282	333	293
Erhvervsuddannelse	411	448	376	403	362
Suppleringskurser	125	141	119	99	89
Kort videregående uddannelse	68	66	62	62	62
Bacheloruddannelse	47	54	55	56	53
Professionsbacheloruddannelse	107	119	103	88	95
Kandidatuddannelse	40	35	32	35	28
^* Antal personer, højest fuldførte uddannelsesforløb.

# Import
UDXISC11D_raw <-
  statgl_url("UDXISC11D", lang = language) %>% 
  statgl_fetch(
    Isced     = px_all(),
    sex       = px_all(),
    skoleomr  = c("A_SG", "B_SD"),
    .col_code = TRUE
    ) %>% 
  as_tibble()

# Transform
UDXISC11D <- 
  UDXISC11D_raw %>% 
  mutate(
    Isced    = Isced %>% str_remove("uddannelse") %>% trimws(),
    Isced    = Isced %>% fct_inorder() %>% fct_rev(),
    sex      = sex  %>% fct_inorder(),
    skoleomr = skoleomr %>% fct_inorder,
    slutaar  = slutaar    %>% make_date()
  )

# Plot
UDXISC11D %>% 
  ggplot(aes(
    x = slutaar,
    y = value, 
    fill = Isced
  )) +
  geom_col() +
  facet_grid(skoleomr ~ sex, 
             scales = "free_y") +
  scale_y_continuous(labels = scales::number_format(
    accuracy = 1, 
    big.mark = ".",
    decimal.mark = ","
    )) +
  theme_statgl() +
  scale_fill_statgl(reverse = TRUE, 
                    guide = guide_legend(reverse = TRUE, nrow = 4)) +
  labs(
    title    = sdg4$figs$fig14$title[language],
    subtitle = sdg4$figs$fig14$sub[language],
    x        = " ",
    y        = sdg4$figs$fig14$y_lab[language],
    fill     = sdg4$figs$fig14$fill[language],
    caption  = sdg4$figs$fig14$cap[language]
  )

Statistikbanken

Metode

# Transform
UDXISC11D <- 
  UDXISC11D_raw %>% 
  #arrange(desc(time)) %>% 
  filter(slutaar >= year(Sys.time()) - 4) %>% 
  mutate(
    slutaar  = slutaar %>% fct_inorder(),
    Isced    = Isced %>% fct_inorder(),
    skoleomr = skoleomr %>% fct_inorder()
    ) %>% 
  unite(combi, 2, 4, sep = ",") %>%  
  mutate(combi = combi %>% fct_inorder()) %>% 
  spread(2, 4)

vec      <- UDXISC11D[-(1:2)] %>% colnames() %>% str_split(",") %>% unlist()
head_vec <- table(vec[c(F, T)]) %>% rev()
col_vec  <- vec[c(T, F)]

# Table
UDXISC11D %>% 
  select(-1) %>% 
  rename(" " = 1) %>% 
  statgl_table(col.names = c(" ", col_vec)) %>% 
  pack_rows(index = table(UDXISC11D[[1]])) %>% 
  add_header_above(c(" ", head_vec))

	2024		2023		2022
	Mænd,2022	Mænd,2023	Mænd,2024	Kvinder,2022	Kvinder,2023	Kvinder,2024
Gymnasial uddannelse
Skoler i Grønland	86	84	107	163	214	166
Skoler i Danmark	17	6	7	13	26	11
Erhvervsuddannelse
Skoler i Grønland	164	166	147	198	222	197
Skoler i Danmark	8	6	7	5	8	10
Suppleringskurser
Skoler i Grønland	41	27	30	75	67	59
Skoler i Danmark	1	2	0	2	3	0
Kort videregående uddannelse
Skoler i Grønland	17	11	18	27	35	29
Skoler i Danmark	8	5	7	10	10	7
Bacheloruddannelse
Skoler i Grønland	8	15	16	24	29	22
Skoler i Danmark	7	6	3	14	5	11
Professionsbacheloruddannelse
Skoler i Grønland	17	15	10	75	52	65
Skoler i Danmark	4	9	6	7	12	14
Kandidatuddannelse
Skoler i Grønland	2	2	2	10	10	9
Skoler i Danmark	6	8	7	13	15	8

Uddannelsesniveau blandt 35-39-årige

GS Uddannelsesniveau blandt 35-39-årige

# Import
UDXISCPROF_raw <-
  statgl_url("UDXISCPROF", lang = language) %>% 
  statgl_fetch(
    alder_grp     = "35-39",
    ISCED11_level = c(20, 34, 35, 40, 50, 64, 65, 70, 80),
    .col_code     = TRUE
    ) %>% 
  as_tibble()
  
# Transform
UDXISCPROF <-
  UDXISCPROF_raw %>% 
  mutate(
    id = row_number(),
    ISCED11_level = ISCED11_level %>% str_remove("uddannelse") %>% 
    fct_reorder(id, .fun = min, na.rm = T) %>% fct_rev()
    )

# Plot
UDXISCPROF %>% 
  mutate(Aar = Aar %>% make_date()) %>% 
  ggplot(aes(
    x    = Aar, 
    y    = value,
    fill = ISCED11_level
    )) +
  geom_area(position = "fill") +
  scale_y_continuous(labels  = scales::percent_format(
    scale        = 100, 
    accuracy     = 1, 
    big.mark     = ".",
    decimal.mark = ","
    )) +
  theme_statgl(base_size = 11) +
  guides(fill = guide_legend(nrow = 3, byrow = TRUE)) +
  scale_fill_statgl(reverse = TRUE, guide = guide_legend(reverse = TRUE)) +
  labs(
    title    = sdg4$figs$fig15$title[language],
    subtitle = UDXISCPROF[[2]][1],
    x        = " ",
    y        = " ",
    fill     = NULL,
    caption  = sdg4$figs$fig15$cap[language]
  )

Statistikbanken

Metode

# Transform
UDXISCPROF <- 
  UDXISCPROF_raw %>% 
  #arrange(desc(time)) %>% 
  filter(Aar >= year(Sys.time()) - 5) %>% 
  mutate(
    Aar           = Aar %>% fct_inorder(),
    ISCED11_level = ISCED11_level %>% fct_inorder()
    ) %>% 
  spread(3, 4)

# Table
UDXISCPROF %>% 
  select(-1) %>% 
  rename(" " = 1) %>% 
  statgl_table() %>% 
  pack_rows(index = table(UDXISCPROF[[1]])) %>% 
  add_footnote(
    sdg4$figs$fig15$foot[language], 
    notation = "symbol"
    )

	2021	2022	2023	2024
35-39 år
Grundskole 10. klasses niveau	1.695	1.780	1.904	2.011
Gymnasial uddannelse	175	183	196	216
Erhvervsuddannelse	1.281	1.241	1.289	1.305
Suppleringskurser	58	69	80	89
Kort videregående uddannelse	158	159	177	204
Bacheloruddannelse	48	58	56	60
Professionsbacheloruddannelse	418	434	443	456
Kandidatuddannelse	173	179	179	188
Phd. og forskeruddannelse	9	9	12	11
^* Antal personer, højest fuldførte uddannelse.

# Import
UDXISCPROD_raw <-
  statgl_url("UDXISCPROD", lang = language) %>% 
  statgl_fetch(
    alder_grp     = "35-39",
    ISCED11_level = c(20, 34, 35, 40, 50, 64, 65, 70, 80),
    Bsted         = px_all(),
    .col_code     = TRUE
    ) %>% 
  as_tibble()
  
# Transform
UDXISCPROD <-
  UDXISCPROD_raw %>% 
  mutate(
    id                   = row_number(),
    ISCED11_level = ISCED11_level %>% str_remove("uddannelse") %>% 
           fct_reorder(id, .fun = min, na.rm = TRUE) %>% fct_rev(),
    Aar                 = Aar %>% make_date()
    )

# Plot
UDXISCPROD %>% 
  ggplot(aes(
    x    = Aar,
    y    = value,
    fill = ISCED11_level
    )) +
  geom_area(position = "fill") +
  facet_wrap(~ Bsted) +
  scale_y_continuous(labels  = scales::percent_format(
    scale        = 100, 
    accuracy     = 1, 
    big.mark     = ".",
    decimal.mark = ","
    )) +
  theme_statgl(base_size = 11) +
  guides(fill = guide_legend(nrow = 3, byrow = TRUE)) +
  scale_fill_statgl(reverse = TRUE, guide = guide_legend(reverse = TRUE)) +
  labs(
    title    = sdg4$figs$fig16$title[language],
    subtitle = UDXISCPROD[[3]][1],
    x        = " ",
    y        = " ",
    fill     = NULL,
    caption  = sdg4$figs$fig16$cap[language]
  )

Statistikbanken

Metode

UDXISCPROD <-
  UDXISCPROD_raw %>% 
  #arrange(desc(time)) %>% 
  filter(Aar >= year(Sys.time()) - 5) %>% 
  mutate(
    Aar = Aar %>% fct_inorder(),
    ISCED11_level = ISCED11_level %>% fct_inorder()
  ) %>% 
  arrange(ISCED11_level) %>% 
  unite(combi, 2, 4, sep = ",") %>% 
  mutate(combi = combi %>% fct_inorder()) %>% 
  spread(2, ncol(.))

vec      <- colnames(UDXISCPROD[-(1:2)]) %>% str_split(",") %>% unlist()
head_vec <- table(vec[c(F, T)]) %>% rev()
col_vec  <- vec[c(T, F)]

UDXISCPROD %>% 
  select(-1) %>% 
  rename(" " = 1) %>% 
  statgl_table(col.names = c(" ", col_vec), replace_0s = TRUE) %>% 
  add_header_above(c(" ", head_vec)) %>% 
  add_footnote(
    sdg4$figs$fig16$foot[language], 
    notation = "symbol"
    )

	2024		2023		2022		2021
	By,2021	By,2022	By,2023	By,2024	Bygd,2021	Bygd,2022	Bygd,2023	Bygd,2024
Grundskole 10. klasses niveau	1.388	1.505	1.620	1.748	307	275	284	263
Gymnasial uddannelse	162	171	182	204	13	12	14	12
Erhvervsuddannelse	1.170	1.135	1.178	1.198	111	106	111	107
Suppleringskurser	57	67	77	88	1	2	3	1
Kort videregående uddannelse	157	155	172	199	1	4	5	5
Bacheloruddannelse	48	58	55	60	0	0	1	0
Professionsbacheloruddannelse	404	412	428	438	14	22	15	18
Kandidatuddannelse	173	179	179	188	0	0	0	0
Phd. og forskeruddannelse	9	9	12	11	0	0	0	0
^* Antal personer, højest fuldførte uddannelse.

Informations- og kommunikationsteknologi

FN 4.4.1 Andel af 16-74 årige med uddannelse indenfor informations- og kommunikationsteknologi

# Import
UDXISCPROE_raw1 <-
  statgl_url("UDXISCPROE", lang = language) %>% 
  statgl_fetch(
    ISCED11_level  = c(35, 50, 64, 65, 70),
    ISCED11_sektor = c("06"),
    .col_code      = TRUE
    ) %>% 
  as_tibble()

UDXISCPROE_raw2 <-
  statgl_url("UDXISCPROE", lang = language) %>% 
  statgl_fetch(
    ISCED11_level = "00",
    .col_code     = TRUE
    ) %>% 
  as_tibble()

# Transform
UDXISCPROE <-
  UDXISCPROE_raw1 %>% 
  rename(tæller = value) %>% 
  left_join(UDXISCPROE_raw2 %>% rename(nævner = value) %>% select(-1)) %>% 
  mutate(
    procent       = tæller / nævner * 100,
    ISCED11_level = ISCED11_level %>% str_remove("uddannelse"),
    Aar           = Aar %>% make_date()
    )

# Plot
UDXISCPROE %>% 
  ggplot(aes(
    x    = Aar,
    y    = procent,
    fill = ISCED11_level
  )) +
  geom_col() +
  scale_y_continuous(labels = scales::percent_format(
    scale        = 1, 
    big.mark     = ".",
    decimal.mark = ","
    )) +
  theme_statgl() + 
  scale_fill_statgl(reverse = TRUE, palette  = "spring") +
  guides(fill = guide_legend(nrow = 2, byrow = TRUE)) +
  labs(
    title    = sdg4$figs$fig17$title[language],
    subtitle = sdg4$figs$fig17$sub[language],
    x        = " ",
    y        = " ",
    fill     = NULL,
    caption  = sdg4$figs$fig17$cap[language]
  )

Statistikbanken

# Transform
UDXISCPROE <-
  UDXISCPROE_raw1 %>% 
  rename(tæller = value) %>% 
  left_join(UDXISCPROE_raw2 %>% rename(nævner = value) %>% select(-1)) %>% 
  mutate(
    procent              = tæller / nævner * 100,
    procent              = procent %>% round(1),
    ISCED11_level = ISCED11_level %>% str_remove("uddannelse")
    ) %>% 
  #arrange(desc(time)) %>% 
  filter(Aar >= year(Sys.time()) - 5) %>% 
  mutate(
    ISCED11_level = ISCED11_level %>% fct_inorder(),
    Aar           = Aar %>% fct_inorder()
  ) %>% 
  select(-c(2, 4:5)) %>% 
  spread(2, 3)
  
# Table
UDXISCPROE %>% 
  rename(" " = 1) %>% 
  statgl_table() %>% 
  add_footnote(
    sdg4$figs$fig17$foot[language],
    notation = "symbol")

	2021	2022	2023	2024
Erhvervs	0,3	0,3	0,3	0,3
Kort videregående	0,2	0,2	0,2	0,2
Bachelor	0,0	0,0	0,0	0,0
Professionsbachelor	0,0	0,0	0,0	0,0
Kandidat	0,0	0,0	0,0	0,1
^* Procentvis andel af unge og voksne med faglige kvalifikationer inden for informations- og kommunikationsteknologi blandt 16-74 årige.

Delmål 4: Kvalitetsuddannelse

Børn i dagtilbud, 3-5 år

FN 4.2.2 Antal børn i dagtilbud (3-5 år)

Trintest-resultater

FN 4.1.1 Løsningssikkerhed for trintests i folkeskolens 3. og 7. klasse

Folkeskolens afgangseksamen

GS Prøvekarakterer for folkeskolens afgangselever

Overgang fra folkeskole til videre uddannelse

GS Overgang fra folkeskolen til ungdomsuddannelse

Overgang fra gymnasium til videre uddannelse

GS Overgang fra gymnasial uddannelse til videre uddannelse

Aktive studerende i uddannelse

GS Antal aktive studerende i uddannelse efter uddannelsesniveau og land

FN 4.3.1 Antal aktive studerende i uddannelse efter køn

Fuldførte uddannelser

GS Antal fuldførte uddannelsesforløb

Uddannelsesniveau blandt 35-39-årige

GS Uddannelsesniveau blandt 35-39-årige

Informations- og kommunikationsteknologi

FN 4.4.1 Andel af 16-74 årige med uddannelse indenfor informations- og kommunikationsteknologi