library(tidyverse)
library(ggplot2)
library(ggptt)
library(gridExtra)
library(RColorBrewer)
library(ggpubr)
library(here)
library(glue)
library(statfitools)

devtools::load_all()
set_proj()
knitr::opts_chunk$set(fig.path = "Raportin_kuviot/")

tyot_vakanssi_ku_dat <- readRDS(here("data/avoimet_tyopaikat_tyonhakijat.rds"))

data(dat_kokonaismuutto, dat_muutto_aikasarja_km, dat_muuttotiedot_kunnittain, tyo_muutto_atyyppi, dat_tulopendelointi, dat_pendelointi)

muutto_ptoim1_dat <- readRDS(here("data/paa-asiallinen_toiminta_ja_muutto/muuttoaikasarjat_kokomaa_ptoim1_ulos.rds"))
tyot_vakanssi_dat <- readRDS(here("data/avoimet_tyopaikat_tyonhakijat_atyyppi.rds"))

atyyppi_colour <- c(brewer.pal(6, "Oranges")[6:4], brewer.pal(6, "Blues")[6:5] , brewer.pal(6, "Greens")[6:5])

aluetyyppit <- setNames(c("pk", "yo-kaup", "kaup", "tk_keskus", "kaupms", "ydinms", "ms"),
                        c("Pääkaupunkiseutu", "Yliopistokaupungit", "Kaupungit", "Muut työssäkäyntikeskukset",
                      "Kaupunkien läheinen maaseutu", "Ydinmaaseutu", "Harvaan asuttu maaseutu"))

Muuttojen absoluuttinen määrä

p1 <- dat_kokonaismuutto %>%
  ggplot(aes(x = vuosi, y = muuttoja, col = muuton_tyyppi)) +
  geom_line() +
  theme(legend.title = element_blank()) +
  ylab("Muuttoja") +
  xlab(NULL) +
  #ggtitle("Muuttojen määrä Suomessa 1990 - 2018") +
  geom_hline(yintercept = 0,
             color = "black",
             linetype = 2) +
  theme(legend.position = "bottom", legend.justification = "left") +
  scale_y_continuous(labels = deci_comma,
                     breaks = scales::pretty_breaks(n = 6)) +
  scale_x_continuous(breaks = scales::pretty_breaks(n = 6)) +
  scale_color_manual(
    labels = c(
      "Maakuntien väliset muutot",
      "Seutukuntien väliset muutot",
      "Kuntien väliset muutot",
      "Kuntien sisäiset muutot"
    ),
    values = brewer.pal(5, "Blues")[2:5]
  ) +
  guides(colour = guide_legend(nrow = 2))

 p1

  # ggsave(here("analyysit/Raportin_kuviot/muutot90_17.png"), p1, width = 6.5, height = 5.5)
dat_kokonaismuutto %>% 
  filter(vuosi == max(vuosi)) %>% 
  knitr::kable()

muuttojen suhteellinen määrä (muuttojen absoluuttinen määrä jaettuna väkiluvulla)

 p2 <- dat_kokonaismuutto %>%
   ggplot(aes(x = vuosi, y = muuttoaste, col = muuton_tyyppi)) +
    geom_line() +
    theme(legend.title = element_blank()) +
    ylab("Muuttoaste") + # Muuttojen määrä suhteessa väkilukuun
    xlab(NULL) +
    #ggtitle("Muuttoasteet Suomessa 1990 - 2016") +
    geom_hline(yintercept = 0, color = "black", linetype = 2) +
    theme(legend.position = "bottom", legend.justification = "left") +
    scale_x_continuous(breaks = scales::pretty_breaks(n = 6)) +
    scale_y_continuous(labels = percent_comma) +
    scale_color_manual(labels = c("Maakuntien väliset muutot",
                                    "Seutukuntien väliset muutot",
                                    "Kuntien väliset muutot",
                                    "Kuntien sisäiset muutot"),
                       values = brewer.pal(5, "Blues")[2:5]) +
  guides(colour = guide_legend(nrow = 2))

 # ggsave("analyysit/Raportin_kuviot/muuttoasteet90_17.png", p2)

 p2

muuttojen suhteellinen määrä (muuttojen absoluuttinen määrä jaettuna väkiluvulla)

dat_kokonaismuutto %>%
  filter(muuton_tyyppi != "kuntien sisaiset muutot") %>% 
   ggplot(aes(x = vuosi, y = muuttoaste, col = muuton_tyyppi)) +
    geom_line() +
    theme(legend.title = element_blank()) +
    ylab("Muuttoaste") + # Muuttojen määrä suhteessa väkilukuun
    xlab(NULL) +
    #ggtitle("Muuttoasteet Suomessa 1990 - 2016") +
    geom_hline(yintercept = 0, color = "black", linetype = 2) +
    theme(legend.position = "bottom", legend.justification = "left") +
    scale_x_continuous(breaks = scales::pretty_breaks(n = 6)) +
    scale_y_continuous(labels = percent_comma) +
    scale_color_manual(labels = c("Maakuntien väliset muutot",
                                    "Seutukuntien väliset muutot",
                                    "Kuntien väliset muutot",
                                    "Kuntien sisäiset muutot"),
                       values = brewer.pal(5, "Blues")[2:5]) +
  guides(colour = guide_legend(nrow = 2))

 # ggsave(here::here("analyysit/Raportin_kuviot/muuttoasteet90_17_ei_sis.png"))

Kuvaajat rinnakkain

p3 <- ggarrange(p1 + guides(colour = guide_legend(nrow = 1)), 
                p2 + guides(colour = guide_legend(nrow = 1)), 
                ncol = 2, common.legend = TRUE, legend = "bottom") 

# ggsave("analyysit/Raportin_kuviot/muutot_muuttoasteet90_17t.png", p3,
#         width = 300,
#         height = 150,
#         units = "mm")

p3 

Muutot toiminnan mukaan

ptoim1_tiedot <- c(
    "Työttömät" = "seutukuntien_valinen_tyottomien_muutto",
    "Työlliset" = "seutukuntien_valinen_tyollisten_muutto",
    "Opiskelijat" = "seutukuntien_valinen_opiskelijoiden_muutto",
    "0-14 -vuotiaat" = "seutukuntien_valinen_lasten_muutto",
    "Muut työvoiman ulkopuolella olevat" = "seutukuntien_valinen_palvelusmiesten_muutto",
    "Eläkeläiset" = "seutukuntien_valinen_elakelaisten_muutto",
    "Muut työvoiman ulkopuolella olevat" = "seutukuntien_valinen_muutyovoimanulkopuolella_muutto"
  )

# Seutukuntien väliset muutot


muutto_ptoim1_pdat <- muutto_ptoim1_dat %>% 
  filter(tiedot %in% ptoim1_tiedot) %>%
  mutate(tiedot = fct_recode(tiedot, !!!ptoim1_tiedot)) %>% 
  group_by(tiedot, vuosi) %>% 
  summarise(value = sum(value)) %>% 
  ungroup() 


muutto_ptoim1_pdat %>% 
  ggplot(aes(x = vuosi, y = value)) +
  geom_area(aes(fill = tiedot)) +
  theme_light(14) +
  theme(
    legend.title = element_blank(),
    legend.position = "bottom",
    legend.justification = "left"
  ) +
  scale_fill_manual(values = brewer.pal(8, "Blues")) +
  scale_x_continuous(breaks = scales::pretty_breaks(n = 6)) +
  scale_y_continuous(labels = deci_comma) +
  labs(x = NULL, y = "Seutukuntien välisiä muuttoja") +
  stat_summary(fun.y = "sum", geom = "line", color = "black", linetype = 1, size = 1, show.legend = FALSE)
muutto_ptoim1_pdat %>% 
  filter(vuosi == max(vuosi)) %>% 
  mutate(osuus = 100 * value / sum(value)) %>% 
  add_row(tiedot = "Yhteensä", value = sum(.$value), osuus = sum(.$osuus)) %>% 
  knitr::kable(digits = 0)

# muutto_ptoim1_dat %>% 
#   filter(vuosi == 2015, tiedot == "asukkaat")

Työn siirtyminen seutukuntien välillä

tyon_siirtyminen_tiedot <- c(
  "Muutto" = "seutukuntien_valinen_muutto",
  "Työikäisten muutto" = "seutukuntien_valinen_tyoikaisten_muutto",
  "Työpaikan siirtyminen" = "seutukuntien_valinen_tyon_siirtyminen",
  "Työtä siirtävä muutto" = "seutukuntien_valinen_tyota_siirtava_muutto",
  "Työllisten muutto" = "seutukuntien_valinen_tyollisten_muutto",
  "Työllistävä muutto" = "seutukuntien_valinen_tyottomien_tyollistava_muutto",
  "Työllistävä muutto" = "seutukuntien_valinen_tyovoiman_ulkopuolelta_tyollistava_muutto"
)

tyon_siirtyminen_pdat <- 
  dat_muutto_aikasarja_km %>%
  filter(tiedot %in% tyon_siirtyminen_tiedot) %>% 
  mutate(tiedot = fct_recode(tiedot, !!!tyon_siirtyminen_tiedot),
         tiedot = fct_reorder(tiedot, value, .desc = TRUE)) %>% 
  group_by(tiedot, time) %>% 
  summarise(value = sum(value)) %>% 
  ungroup()


tyon_siirtyminen_pdat %>%
  ggplot(aes(time, value/1000, colour = tiedot)) +
  geom_line() +
  geom_h0() +
  scale_x_continuous(breaks = scales::pretty_breaks()) +
  scale_colour_manual(values = rev(atyyppi_colour[2:7])) +
  the_legend_bot() +
  labs(y = "1000 henkeä", x = NULL, colour = NULL)
dat_muuttotiedot_kunnittain %>%
  filter(Tiedot == "nettomuutto") %>%
  mutate(aluetyyppi = fct_recode(aluetyyppi, "Muut keskukset" = "Muut työssäkäyntialueden keskukset")) %>% 
  group_by(aluetyyppi, Vuosi) %>%
  summarize(nettomuutto = sum(values)) %>%
  ungroup() %>%
  ggplot(aes(x = Vuosi, y = nettomuutto, color = aluetyyppi)) +
  geom_line() +
  geom_hline(yintercept = 0, color = "grey", size = 1) +
  scale_colour_manual(values = atyyppi_colour) +
  the_title_blank("l") +
  # the_legend_bot() +
  labs(x = NULL,
       y = NULL,
       caption = "Lähde: PTT, Tilastokeskus",
       title = "Nettomuutot",
       subtitle = "Tulo- ja lähtömuuttojen erotus vuosittain")

Työmuutto

time_range <- range(tyo_muutto_atyyppi$time)

tyo_muutto_atyyppi %>% 
  select(time, aluetyyppi, 'Työperäinen' = tyo_muutto_netto, '18-80-vuotiaat' = tmuutto_netto) %>% 
  mutate(aluetyyppi = fct_recode(aluetyyppi, 
                                 'Muu maaseutu' = "Ydinmaaseutu",
                                 'Muu maaseutu' = "Harvaan asuttu maaseutu",
                                 'Muut keskukset' = "Muut työssäkäyntialueen keskukset"),
         aluetyyppi = ggptt::line_wrap(aluetyyppi, 25)) %>% 
  group_by(time, aluetyyppi) %>% 
  summarise_all(sum) %>% 
  ungroup() %>% 
  gather(vars, values, -time, -aluetyyppi) %>% 
  ggplot(aes(time, values, colour = vars)) +
  facet_wrap( ~ aluetyyppi) +
  geom_line() +
  geom_h0() +
  # scale_colour_manual(values = atyyppi_colour) +
  the_title_blank(c("x", "l")) +
  the_legend_bot() +
  labs(subtitle = glue("Samana vuonna asuin- ja työpaikan kuntaan vaihtaneiden ja 18-80-vuotiaiden nettomuutto vuosina {time_range[1]}-{time_range[2]}."),
       caption = "Lähde: PTT, Tilastokeskus",
       y = "henkeä")

# ggsave("tyo_muutto_atyyppi.png", height = 6, width = 12)  

Pendelöivien osuus työllisistä


Pendelöivien osuus kunnassa työssäkäyvistä

time_range <- range(dat_tulopendelointi$time)

dat_tulopendelointi_tyyppi %>% 
  filter(koulutusaste == "Yhteensä",
         ika == "Yhteensä",
         aluetyyppi != "Koko maa") %>% 
  select(-ika, -koulutusaste) %>% 
    mutate(aluetyyppi = fct_recode(aluetyyppi,
                               'Muu maaseutu' = "Ydinmaaseutu",
                               'Muu maaseutu' = "Harvaan asuttu maaseutu"),
       aluetyyppi = ggptt::line_wrap(aluetyyppi, 25)) %>% 
  group_by(time, aluetyyppi, pendelointi) %>% 
  summarise_all(sum) %>% 
  ungroup() %>% 
  mutate(pendelointi = fct_recode(pendelointi, 
                                  kaikki = "Yhteensä",
                                  asuinkunnassa = "Asuinkunnassaan työssäkäyvät",
                                  pendeloivat = "Alueelle pendelöivät")) %>% 
  spread(pendelointi, values) %>% 
  mutate(values = 100 * pendeloivat / kaikki) %>% 
  ggplot(aes(time, values, colour = aluetyyppi)) +
  geom_line() +
  scale_colour_manual(values = atyyppi_colour) +
  the_title_blank(c("x", "l")) +
  # the_legend_bot() +
  labs(subtitle = glue("Muissa kunnissa asuvien osuus työssäkäyvistä alueilla",
                       " vuosina {time_range[1]}-{time_range[2]}."),
       title = "Muista kunnista työssäkäyvien osuus",
       caption = "Lähde: PTT, Tilastokeskus",
       y = "%")

# ggsave("fig/pend_atyyppi.png", height = 6, width = 12)  

Kohtaanto

tyot_vakanssi_dat %>% 
  select(time, aluetyyppi, 
         "Työttömyysaste" =  tyottomyysaste_trend, 
         "Vakanssiaste" = vakanssiaste_trend) %>% 
  gather(vars, values, - time, -aluetyyppi) %>% 
  mutate(aluetyyppi = fct_relevel(aluetyyppi, aluetyyppit),
       aluetyyppi = fct_recode(aluetyyppi, !!!aluetyyppit)) %>% 
  ggplot(aes(x = time, y = 100 * values, col = aluetyyppi)) +
    facet_wrap(~ vars, scales = "free") +
  geom_line() +
  geom_h0() +
  labs(y = "%, trendi",
       x = NULL,
       color = NULL) +
  scale_color_manual(values = atyyppi_colour) +
  theme(legend.position = "bottom",
        legend.justification = "left") +
  guides(col = guide_legend(nrow = 3))
tyot_vakanssi_dat %>% 
  select(time, aluetyyppi, 
         "Työttömät" =  tyottomat_trend, 
         "Avoimet työpaikat" = avoimet_tyopaikat_trend) %>% 
  gather(vars, values, - time, -aluetyyppi) %>% 
  mutate(aluetyyppi = fct_relevel(aluetyyppi, aluetyyppit),
       aluetyyppi = fct_recode(aluetyyppi, !!!aluetyyppit),
       vars = fct_rev(vars)) %>% 
  ggplot(aes(x = time, y = values, col = aluetyyppi)) +
    facet_wrap(~ vars, scales = "free") +
  geom_line() +
  geom_h0() +
  labs(y = "henkeä/paikkaa, trendi",
       x = NULL,
       color = NULL) +
  scale_color_manual(values = atyyppi_colour) +
  theme(legend.position = "bottom",
        legend.justification = "left",
        legend.text = element_text(size = 12)) +
  guides(col = guide_legend(nrow = 3))
tyot_vakanssi_ku_dat %>%
  filter(Maakunta != "Ahvenanmaa - Åland") %>%
  filter(vuosi == 2018) %>%
  group_by(Seutukunta) %>%
  summarise(tyottomyysaste = 100 * sum(Tyottomat, na.rm = TRUE) / sum(Tyovoima, na.rm = TRUE),
            vakanssiaste = 100 * sum(Avoimet_tyopaikat, na.rm = TRUE) / sum(Avoimet_tyopaikat + Tyovoima - Tyottomat, na.rm = TRUE),
            Tyottomat = sum(Tyottomat, na.rm = TRUE)) %>%
  ungroup() %>%
  ggplot(aes(tyottomyysaste, vakanssiaste, size = Tyottomat)) +
  geom_point(alpha = 0.5) +
  stat_smooth(method = "lm") +
  geom_h0() +
  scale_size(guide = "none") +
  labs(x = "Työttömyysaste, %", 
       y = "Vakanssiaste, %")

Liikkuvuustulemat ja liikkuvuusmuotovalinnat, työttömät

Liikkuvuustulemat

marginal_effects_selection_personal_unemp <- readRDS(here("data/liikkuvuusvalintamallitulokset/marginal_effects_selection_personal_unemployed.rds"))

personal_labels = c("Sukupuoli (ref: mies)",
                    "Ikä, vuosia",
                    "Opiskelija, ptoim2, (ref: ei opiskelija)",
                    "Syntynyt ulkomailla (ref: ei syntynyt ulkomailla",
                    "Keskiasteen koulutus (ref: peruskoulu)",
                    "Korkea-asteen koulutus (ref: peruskoulu)",
                    "Tutkija-asteen koulutus (ref: peruskoulu)",
                    "Puoliso töissä",
                    "Pari, lapsia (ref: pari, ei lapsia)",
                    "Asuu yksin (ref: pari, ei lapsia)",
                    "Yksinhuoltaja (ref: pari, ei lapsia)",
                    "Asuu vuokralla (ref: omistuasuja)",
                    "Omistuoikeusasunto (ref: omistusasuja)",
                    "Muu asumismuoto (ref: omistusasuja)",
                    "Muuttokokemus",
                    "Pendelöintikokemus")[16:1]

me_labels <-
  c(
    `Pendelöintikokemus` = "comm_exp_t0TRUE",
    `Muuttokokemus` = "migr_exp_t0TRUE",
    `Muu asumismuoto (ref: omistusasuja)` = "hape_t0Other tenure status",
    `Omistuoikeusasunto (ref: omistusasuja)` = "hape_t0Right of occupancy dwelling",
    `Asuu vuokralla (ref: omistuasuja)` = "hape_t0Rents the dwelling",
    `Yksinhuoltaja (ref: pari, ei lapsia)` = "pety_t0Single parent",
    `Asuu yksin (ref: pari, ei lapsia)` = "pety_t0Living alone",
    `Pari, lapsia (ref: pari, ei lapsia)` = "pety_t0Couple with children",
    `Puoliso töissä` = "spouse_working_t1TRUE",
    `Tutkija-asteen koulutus (ref: peruskoulu)` = "ututku_aste_t1Doctoral or equivalent level",
    `Korkea-asteen koulutus (ref: peruskoulu)` = "ututku_aste_t1Tertiary education",
    `Keskiasteen koulutus (ref: peruskoulu)` = "ututku_aste_t1Secondary education",
    `Syntynyt ulkomailla (ref: syntynyt Suomessa` = "syntyp2Born abroad",
    `Opiskelija, ptoim2, (ref: ei opiskelija)` = "opiskelija_t1Student",
    `Ikä, vuosia` = "ika_t1",
    `Sukupuoli (ref: mies)` = "sukup_t1Female"
  )

marginal_effects_selection_personal_unemp %>%
  ggplot(aes(y = coefficient, x = var, label = coefficient)) +
  geom_hline(yintercept = 0, linetype = 4, color = "black", size = 1.2) +
  geom_segment(aes(y = 0,
                   x = var,
                   yend = coefficient,
                   xend = var),
               color = "#0ABBEC",
               size = 3) +
  #geom_errorbar(aes(x = var, ymin = coefficient - 2*data$se, ymax = coefficient + 2*data$se),
             #   color = "red", size = 1.2, linetype = 2) +
  geom_point(stat = "identity", color = "#006FB9", size = 10) +
  geom_text(color = "white", size = 3) +
  coord_flip() +
  theme(axis.text.y = element_text(size = rel(0.8), face = "bold")) +
  labs(x = NULL,
       y = "Keskimääräinen marginaalivaikutus, %-yksikköä",
       title = "Liikkuvuuden todennäköisyys, työttömät") +
  scale_x_discrete(labels = personal_labels)

#ggsave("analyysit/Liikkuvuusvalinnat/kuvaajat/marginal_effects_selection_personal_unemployed.png",
 #      width = 5, height = 6)

Liikkuvuusmuotovalinnat

marginal_effects_outcome_personal_unemp <- readRDS(here("data/liikkuvuusvalintamallitulokset/marginal_effects_outcome_personal_unemployed.rds"))


marginal_effects_outcome_personal_unemp %>%
  ggplot(aes(y = coefficient, x = var, label = coefficient)) +
  geom_hline(yintercept = 0, linetype = 4, color = "black", size = 1.2) +
  geom_segment(aes(y = 0,
                   x = var,
                   yend = coefficient,
                   xend = var),
               color = "#0ABBEC",
               size = 3) +
  #geom_errorbar(aes(x = var, ymin = coefficient - 2*data$se, ymax = coefficient + 2*data$se),
  #   color = "red", size = 1.2, linetype = 2) +
  geom_point(stat = "identity", color = "#006FB9", size = 10) +
  geom_text(color = "white", size = 3) +
  coord_flip() +
  theme(axis.text.y = element_text(size = rel(0.8), face = "bold"),
        title = element_text(size = rel(0.8))) +
  labs(x = NULL,
       y = "Keskimääräinen marginaalivaikutus, %-yksikköä",
       title = "Muuttamisen todennäköisyys, työttömät") +
  scale_x_discrete(labels = personal_labels)

#ggsave("analyysit/Liikkuvuusvalinnat/kuvaajat/marginal_effects_outcome_personal_unemployed.png",
 #      width = 5, height = 6)

me_unemp <- 
  bind_rows("Liikkuvuuden todennäköisyys" = marginal_effects_selection_personal_unemp,
            "Muuton todennäköisyys liikkujilla" = marginal_effects_outcome_personal_unemp,
            .id = "step") %>% 
  mutate(var = fct_recode(var, !!!me_labels))

me_unemp %>%
  ggplot(aes(y = coefficient, x = var, label = coefficient)) +
  facet_wrap(~ step) +
  geom_hline(yintercept = 0, linetype = 4, color = "black", size = 1.2) +
  geom_segment(aes(y = 0,
                   x = var,
                   yend = coefficient,
                   xend = var),
               color = "#0ABBEC",
               size = 3) +
  #geom_errorbar(aes(x = var, ymin = coefficient - 2*data$se, ymax = coefficient + 2*data$se),
  #   color = "red", size = 1.2, linetype = 2) +
  geom_point(stat = "identity", color = "#006FB9", size = 10) +
  geom_text(color = "white", size = 3) +
  coord_flip() +
  theme(axis.text.y = element_text(size = rel(0.8), face = "bold"),
        title = element_text(size = rel(0.8))) +
  labs(x = NULL,
       y = "Keskimääräinen marginaalivaikutus, %-yksikköä",
       title = "Liikkuvuusvalinnat, työttömät") 

Liikkuvuustulemat ja liikkuvuusmuotovalinnat, työlliset

Liikkuvuustulemat

marginal_effects_selection_personal_emp <- readRDS(here("data/liikkuvuusvalintamallitulokset/marginal_effects_selection_personal_employed.rds"))

marginal_effects_selection_personal_emp %>%
  ggplot(aes(y = coefficient, x = var, label = coefficient)) +
  geom_hline(yintercept = 0, linetype = 4, color = "black", size = 1.2) +
  geom_segment(aes(y = 0,
                   x = var,
                   yend = coefficient,
                   xend = var),
               color = "#0ABBEC",
               size = 3) +
  #geom_errorbar(aes(x = var, ymin = coefficient - 2*data$se, ymax = coefficient + 2*data$se),
  #   color = "red", size = 1.2, linetype = 2) +
  geom_point(stat = "identity", color = "#006FB9", size = 10) +
  geom_text(color = "white", size = 3) +
  coord_flip() +
  theme_light() +
  theme(text = element_text(size = 10, family = "sans")) +
  labs(x = NULL,
       y = "Keskimääräinen marginaalivaikutus, %-yksikköä",
       title = "Liikkuvuuden todennäköisyys, työlliset") +
  scale_x_discrete(labels = personal_labels)

#ggsave("analyysit/Liikkuvuusvalinnat/kuvaajat/marginal_effects_selection_personal_employed.png",
 #      width = 5, height = 6)

Liikkuvuusmuotovalinnat

marginal_effects_outcome_personal_emp <- readRDS(here("data/liikkuvuusvalintamallitulokset/marginal_effects_outcome_personal_employed.rds"))

marginal_effects_outcome_personal_emp %>%
  ggplot(aes(y = coefficient, x = var, label = coefficient)) +
  geom_hline(yintercept = 0, linetype = 4, color = "black", size = 1.2) +
  geom_segment(aes(y = 0,
                   x = var,
                   yend = coefficient,
                   xend = var),
               color = "#0ABBEC",
               size = 3) +
  #geom_errorbar(aes(x = var, ymin = coefficient - 2*data$se, ymax = coefficient + 2*data$se),
  #   color = "red", size = 1.2, linetype = 2) +
  geom_point(stat = "identity", color = "#006FB9", size = 10) +
  geom_text(color = "white", size = 3) +
  coord_flip() +
  theme_light() +
  theme(text = element_text(size = 10, family = "sans")) +
  labs(x = NULL,
       y = "Keskimääräinen marginaalivaikutus, %-yksikköä",
       title = "Muuttamisen todennäköisyys pendelöinnin sijaan, työlliset") +
  scale_x_discrete(labels = personal_labels)

#ggsave("analyysit/Liikkuvuusvalinnat/kuvaajat/marginal_effects_outcome_personal_employed.png",
 #      width = 5, height = 6)
me_emp <- 
  bind_rows("Liikkuvuuden todennäköisyys" = marginal_effects_selection_personal_emp,
            "Muuton todennäköisyys liikkujilla" = marginal_effects_outcome_personal_emp,
            .id = "step") %>% 
  mutate(var = fct_recode(var, !!!me_labels))

me_emp %>%
  ggplot(aes(y = coefficient, x = var, label = coefficient)) +
  geom_blank(data = me_unemp) +
  facet_wrap(~ step) +
  geom_hline(yintercept = 0, linetype = 4, color = "black", size = 1.2) +
  geom_segment(aes(y = 0,
                   x = var,
                   yend = coefficient,
                   xend = var),
               color = "#0ABBEC",
               size = 3) +
  #geom_errorbar(aes(x = var, ymin = coefficient - 2*data$se, ymax = coefficient + 2*data$se),
  #   color = "red", size = 1.2, linetype = 2) +
  geom_point(stat = "identity", color = "#006FB9", size = 10) +
  geom_text(color = "white", size = 3) +
  coord_flip() +
  theme(axis.text.y = element_text(size = rel(0.8), face = "bold"),
        title = element_text(size = rel(0.8))) +
  labs(x = NULL,
       y = "Keskimääräinen marginaalivaikutus, %-yksikköä",
       title = "Liikkuvuusvalinnat, työlliset") 

Työmatkat kaupunki-maaseutuluokituksella

Ruutuaineistosta laskettu

dat_matkat_aluokka %>% 
  gather(vars, values, tyomatka_asuin, tyomatka_tyo) %>% 
  mutate(vars = fct_recode(vars,
                           "Asuinpaikan mukaan" = "tyomatka_asuin", 
                           "Työpaikan mukaan" = "tyomatka_tyo")) %>% 
  ggplot(aes(time, values, colour = aluokka)) +
  facet_wrap(~ vars) +
  geom_line() +
  geom_h0() +
  scale_colour_manual(values = atyyppi_colour) +
  scale_x_continuous(labels = no_century) +
  labs(title = "Keskimääräiset työmatkat",
       subtitle = "Ruutuaineistosta kaupunki-maaseutuluokituksella",
       caption = "© YKR / SYKE ja TK 2018",
       y = "km") +
  the_title_blank(c("x", "l"))


# ggsave("matkat.png", height = 8, width = 16)


pttry/KT162R documentation built on Jan. 28, 2020, 1:16 a.m.