analyysit/Kohtaanto/Koodit/Beveridge_käyriä.R
In pttry/KT162R: Data preparation and graphs for the project KT162 Alueellinen liikkuvuus ja monipaikkaisuus
library(pxweb)
library(tidyverse)
library(statfitools)
library(ggplot2)
library(ggptt)
library(gridExtra)
library(RColorBrewer)
library(ggpubr)
set_ptt()
data <- readRDS("data/avoimet_tyopaikat_tyonhakijat.rds")
# Koko maan Beveridge-käyrä, kuukausittain, kausitasoitus ja trendaus
data_kokomaa <- data %>% group_by(Kuukausi) %>%
summarize(Tyottomat = sum(Tyottomat, na.rm = TRUE),
Tyovoima = sum(Tyovoima, na.rm = TRUE),
Avoimet_tyopaikat = sum(Avoimet_tyopaikat, na.rm = TRUE)) %>%
mutate(tyottomyysaste = Tyottomat / Tyovoima,
vakanssiaste = Avoimet_tyopaikat / (Avoimet_tyopaikat + Tyovoima)) %>%
mutate(kuukausi = paste(substring(Kuukausi, 6,7), "01", sep = "-"),
vuosi = substring(Kuukausi, 1,4),
time = as.Date(paste(vuosi, kuukausi, sep = "-"))) %>%
mutate(tyottomyysaste_sa = sa_series(tyottomyysaste, time),
tyottomyysaste_trend = trend_series(tyottomyysaste, time),
vakanssiaste_sa = sa_series(vakanssiaste, time),
vakanssiaste_trend = trend_series(vakanssiaste, time),
tyottomat_sa = sa_series(Tyottomat, time),
tyottomat_trend = trend_series(Tyottomat, time),
avoimet_tyopaikat_sa = sa_series(Avoimet_tyopaikat, time),
avoimet_tyopaikat_trend = trend_series(Avoimet_tyopaikat, time)) %>%
mutate(vuosi_label = ifelse(grepl("M01", Kuukausi), vuosi, ""))
data_kokomaa %>% ggplot(aes(x = tyottomat_sa, y = avoimet_tyopaikat_sa, label = vuosi_label)) +
geom_point(size = 1) +
geom_path(size = 1) +
geom_text(color = "black") +
labs(y = "Avoimet työpaikat",
x = "Tyottomat")
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/kokomaa_kuukausittain_absoluuttiset_sa.png")
data_kokomaa %>% ggplot(aes(x = tyottomat_trend, y = avoimet_tyopaikat_trend, label = vuosi_label)) +
geom_point(size = 1, color = ggptt_palettes$vnk[2]) +
geom_path(size = 1, color = ggptt_palettes$vnk[1]) +
geom_text(color = "black") +
labs(y = "Avoimet työpaikat",
x = "Tyottomat")
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/kokomaa_kuukausittain_absoluuttiset_trend.png")
data_kokomaa %>% ggplot(aes(x = tyottomyysaste_sa, y = vakanssiaste_sa, label = time)) +
geom_point(size = 1, color = ggptt_palettes$vnk[2]) +
geom_path(size = 1, color = ggptt_palettes$vnk[1]) +
labs(y = "Vakanssiaste",
x = "Tyottomyys",
caption = "Lähde: Tilastokeskus, Työnvälitystilasto (TEM), PTT")
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/kokomaa_kuukausittain_asteet_sa.png")
data_kokomaa %>% ggplot(aes(x = tyottomyysaste_trend, y = vakanssiaste_trend, label = vuosi_label)) +
geom_point(size = 1, color = ggptt_palettes$vnk[2]) +
geom_path(size = 1, color = ggptt_palettes$vnk[1]) +
geom_text(color = "black") +
labs(y = "Vakanssiaste",
x = "Tyottomyys") +
scale_y_continuous(labels = percent_comma) +
scale_x_continuous(labels = percent_comma)
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/kokomaa_kuukausittain_asteet_trend.png")
ggsave("C:/Users/juhoa/Google Drive/Projects/New job, migrate or commute/Presentation/Graphs/beveridge.pdf")
# Beveridge-käyrät kuntaryhmittäin, kuukausittain, kausitasoitus ja trendaus
data_kuntaryhmat <- data %>% group_by(Kuukausi, Kuntaryhma) %>%
summarize(Tyottomat = sum(Tyottomat, na.rm = TRUE),
Tyovoima = sum(Tyovoima, na.rm = TRUE),
Avoimet_tyopaikat = sum(Avoimet_tyopaikat, na.rm = TRUE)) %>%
mutate(tyottomyysaste = Tyottomat / Tyovoima,
vakanssiaste = Avoimet_tyopaikat / (Avoimet_tyopaikat + Tyovoima)) %>%
mutate(kuukausi = paste(substring(Kuukausi, 6,7), "01", sep = "-"),
vuosi = substring(Kuukausi, 1,4),
time = as.Date(paste(vuosi, kuukausi, sep = "-"))) %>%
group_by(Kuntaryhma) %>%
mutate(tyottomyysaste_sa = sa_series(tyottomyysaste, time),
tyottomyysaste_trend = trend_series(tyottomyysaste, time),
vakanssiaste_sa = sa_series(vakanssiaste, time),
vakanssiaste_trend = trend_series(vakanssiaste, time),
tyottomat_sa = sa_series(Tyottomat, time),
tyottomat_trend = trend_series(Tyottomat, time),
avoimet_tyopaikat_sa = sa_series(Avoimet_tyopaikat, time),
avoimet_tyopaikat_trend = trend_series(Avoimet_tyopaikat, time))
data_kuntaryhmat %>% ggplot(aes(x = tyottomyysaste_trend, y = vakanssiaste_trend)) +
geom_point(size = 1) +
geom_path(size = 1) +
facet_wrap(~Kuntaryhma) +
labs(y = "Vakanssiaste",
x = "Tyottomyys",
caption = "Lähde: Tilastokeskus, Työnvälitystilasto (TEM), PTT")
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/kuntaryhmittain_asteet_trend.png")
data_kuntaryhmat %>% ggplot(aes(x = tyottomyysaste_sa, y = vakanssiaste_sa)) +
geom_point(size = 1) +
geom_path(size = 1) +
facet_wrap(~Kuntaryhma) +
labs(y = "Vakanssiaste",
x = "Tyottomyys",
caption = "Lähde: Tilastokeskus, Työnvälitystilasto (TEM), PTT")
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/kuntaryhmittain_asteet_sa.png")
data_kuntaryhmat %>% ggplot(aes(x = tyottomat_trend, y = avoimet_tyopaikat_trend)) +
geom_point(size = 1) +
geom_path(size = 1) +
facet_wrap(~Kuntaryhma) +
labs(y = "Vakanssiaste",
x = "Tyottomyys",
caption = "Lähde: Tilastokeskus, Työnvälitystilasto (TEM), PTT")
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/kuntaryhmittain_absoluuttiset_trend.png")
data_kuntaryhmat %>% ggplot(aes(x = tyottomat_sa, y = avoimet_tyopaikat_sa)) +
geom_point(size = 3) +
geom_path(size = 1) +
facet_wrap(~Kuntaryhma) +
labs(y = "Vakanssiaste",
x = "Tyottomyys",
caption = "Lähde: Tilastokeskus, Työnvälitystilasto (TEM), PTT")
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/kuntaryhmittain_absoluuttiset_sa.png")
################## Beveridge-käyrät aluetyypeittäin, kuukausittain, kausitasoitus ja trendaus #################
data$aluetyyppi <- fct_relevel(data$aluetyyppi, c("pk", "yo-kaup", "kaup", "tk_keskus", "kaupms", "ydinms", "ms"))
aluetyyppi_labels = c("Pääkaupunkiseutu", "Yliopistokaupungit", "Kaupungit", "Muut työssäkäyntikeskukset",
"Kaupunkien läheinen maaseutu", "Ydinmaaseutu", "Harvaan asuttu maaseutu")
data_atyypit <- data %>% group_by(Kuukausi, aluetyyppi) %>%
summarize(Tyottomat = sum(Tyottomat, na.rm = TRUE),
Tyovoima = sum(Tyovoima, na.rm = TRUE),
Avoimet_tyopaikat = sum(Avoimet_tyopaikat, na.rm = TRUE)) %>%
mutate(tyottomyysaste = Tyottomat / Tyovoima,
vakanssiaste = Avoimet_tyopaikat / (Avoimet_tyopaikat + Tyovoima)) %>%
mutate(kuukausi = paste(substring(Kuukausi, 6,7), "01", sep = "-"),
vuosi = substring(Kuukausi, 1,4),
time = as.Date(paste(vuosi, kuukausi, sep = "-"))) %>%
group_by(aluetyyppi) %>%
mutate(tyottomyysaste_sa = sa_series(tyottomyysaste, time),
tyottomyysaste_trend = trend_series(tyottomyysaste, time),
vakanssiaste_sa = sa_series(vakanssiaste, time),
vakanssiaste_trend = trend_series(vakanssiaste, time),
tyottomat_sa = sa_series(Tyottomat, time),
tyottomat_trend = trend_series(Tyottomat, time),
avoimet_tyopaikat_sa = sa_series(Avoimet_tyopaikat, time),
avoimet_tyopaikat_trend = trend_series(Avoimet_tyopaikat, time)) %>%
mutate(vuosi_label = ifelse(grepl("M01", Kuukausi) & vuosi %in% c(2006, 2012, 2018), vuosi, ""))
data_atyypit %>% ggplot(aes(x = tyottomyysaste_trend, y = vakanssiaste_trend, label = vuosi_label)) +
geom_point(size = 1, color = ggptt_palettes$vnk[1]) +
geom_path(size = 1, color = ggptt_palettes$vnk[2]) +
geom_text(color = "black") +
facet_wrap(~aluetyyppi, labeller = labeller(aluetyyppi = labels)) +
geom_hline(yintercept = 0, linetype = 2) +
geom_vline(xintercept = 0, linetype = 2) +
labs(y = "Vakanssiaste",
x = "Työttömyys") +
theme(strip.background = element_rect(fill = "white",
colour = "white"),
strip.text = element_text(size = 12),
axis.title = element_text(size = 15),
axis.text = element_text(size = 13)) +
scale_y_continuous(labels = percent_comma) +
scale_x_continuous(labels = percent_comma)
labels = c(pk = "Pääkaupunkiseutu",
"yo-kaup" = "Yliopistokaupungit",
kaup = "Kaupungit",
tk_keskus = "Muut työssäkäyntikeskukset",
kaupms = "Kaupunkien läheinen maaseutu",
ydinms = "Ydinmaaseutu",
ms = "Harvaan asuttu maaseutu")
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/aluetyypeittain_asteet_trend.png",
width = 10, height = 10)
data_atyypit %>% ggplot(aes(x = tyottomyysaste_sa, y = vakanssiaste_sa)) +
geom_point(size = 1) +
geom_path(size = 1) +
facet_wrap(~aluetyyppi, labeller = labeller(aluetyyppi = labels)) +
labs(y = "Vakanssiaste",
x = "Tyottomyys",
caption = "Lähde: Tilastokeskus, Työnvälitystilasto (TEM), PTT")
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/aluetyypeittain_asteet_sa.png")
data_atyypit %>% ggplot(aes(x = tyottomat_sa, y = avoimet_tyopaikat_sa)) +
geom_point(size = 1) +
geom_path(size = 1) +
facet_wrap(~aluetyyppi) +
geom_hline(yintercept = 0) +
geom_vline(xintercept = 0) +
labs(y = "Avoimet työpaikat",
x = "Työttömät",
caption = "Lähde: Tilastokeskus, Työnvälitystilasto (TEM), PTT")
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/aluetyypeittain_absoluuttiset_sa.png")
data_atyypit %>% ggplot(aes(x = tyottomat_trend, y = avoimet_tyopaikat_trend, label = vuosi_label)) +
geom_point(size = 1, color = ggptt_palettes$vnk[1]) +
geom_path(size = 1, color = ggptt_palettes$vnk[2]) +
geom_hline(yintercept = 0, linetype = 2) +
geom_vline(xintercept = 0, linetype = 2) +
geom_text(color = "black") +
facet_wrap(~aluetyyppi, labeller = labeller(aluetyyppi = labels)) +
labs(y = "Avoimet työpaikat",
x = "Työttömät") +
theme(strip.background = element_rect(fill = "white",
colour = "white"),
strip.text = element_text(size = 12),
axis.title = element_text(size = 15),
axis.text = element_text(size = 13))
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/aluetyypeittain_absoluuttiset_trend.png",
width = 10, height = 10)
# Demeaned
data_kokomaa <- data %>% group_by(Kuukausi) %>%
summarize(Tyottomat = sum(Tyottomat, na.rm = TRUE),
Tyovoima = sum(Tyovoima, na.rm = TRUE),
Avoimet_tyopaikat = sum(Avoimet_tyopaikat, na.rm = TRUE)) %>%
mutate(tyottomyysaste = Tyottomat / Tyovoima,
vakanssiaste = Avoimet_tyopaikat / (Avoimet_tyopaikat + Tyovoima)) %>%
mutate(kuukausi = paste(substring(Kuukausi, 6,7), "01", sep = "-"),
vuosi = substring(Kuukausi, 1,4),
time = as.Date(paste(vuosi, kuukausi, sep = "-"))) %>%
select(Kuukausi, tyottomyysaste, vakanssiaste) %>%
rename(tyottomyysaste_kokomaa = tyottomyysaste, vakanssiaste_kokomaa = vakanssiaste)
data_kokomaa2 <- data_kokomaa[rep(1:162, each = 7),]
data_atyypit_demeaned <- data %>% group_by(Kuukausi, aluetyyppi) %>%
summarize(Tyottomat = sum(Tyottomat, na.rm = TRUE),
Tyovoima = sum(Tyovoima, na.rm = TRUE),
Avoimet_tyopaikat = sum(Avoimet_tyopaikat, na.rm = TRUE)) %>%
ungroup() %>%
mutate(vakanssiaste_kokomaa = data_kokomaa2$vakanssiaste_kokomaa,
tyottomyysaste_kokomaa = data_kokomaa2$tyottomyysaste_kokomaa,
tyottomyysaste = (Tyottomat / Tyovoima) - tyottomyysaste_kokomaa,
vakanssiaste = (Avoimet_tyopaikat / (Avoimet_tyopaikat + Tyovoima)) - vakanssiaste_kokomaa) %>%
mutate(kuukausi = paste(substring(Kuukausi, 6,7), "01", sep = "-"),
vuosi = substring(Kuukausi, 1,4),
time = as.Date(paste(vuosi, kuukausi, sep = "-"))) %>%
group_by(aluetyyppi) %>%
mutate(tyottomyysaste_sa = sa_series(tyottomyysaste, time),
tyottomyysaste_trend = trend_series(tyottomyysaste, time),
vakanssiaste_sa = sa_series(vakanssiaste, time),
vakanssiaste_trend = trend_series(vakanssiaste, time),
tyottomat_sa = sa_series(Tyottomat, time),
tyottomat_trend = trend_series(Tyottomat, time),
avoimet_tyopaikat_sa = sa_series(Avoimet_tyopaikat, time),
avoimet_tyopaikat_trend = trend_series(Avoimet_tyopaikat, time)) %>%
mutate(vuosi_label = ifelse(grepl("M01", Kuukausi) & vuosi %in% c(2006, 2018), vuosi, ""))
data_atyypit_demeaned %>% ggplot(aes(x = tyottomyysaste_trend, y = vakanssiaste_trend, label = vuosi_label)) +
geom_point(size = 0.5, color = ggptt_palettes$vnk[1]) +
geom_path(size = 0.5, color = ggptt_palettes$vnk[2]) +
geom_text(color = "black", alpha = 0.5) +
geom_vline(xintercept = 0, color = "red", linetype = 2) +
geom_hline(yintercept = 0, color = "red", linetype = 2) +
facet_wrap(~aluetyyppi, labeller = labeller(aluetyyppi = labels)) +
labs(y = "Vakanssiaste, erotus koko maan vakanssiasteesta",
x = "Työttömyys, erotus koko maan työttömyysasteesta") +
theme(strip.background = element_rect(fill = "white",
colour = "white")) +
scale_y_continuous(labels = percent_comma) +
scale_x_continuous(labels = percent_comma)
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/aluetyypit_demeaned.png",
width = 12,
height = 8)
#####################################################################################################################
# Pehkonen et al. 2018 replica
suuret_seutukunnat <- c("Helsinki", "Tampere", "Turku", "Oulu", "Jyväskylä", "Kuopio", "Seinäjoki")
data <- data %>% mutate(stkluokka = ifelse(Seutukunta %in% suuret_seutukunnat,
"suuret_seutukunnat",
"muut_seutukunnat"))
data_stkluokat <- data %>% group_by(Kuukausi, stkluokka) %>%
summarize(Tyottomat = sum(Tyottomat, na.rm = TRUE),
Tyovoima = sum(Tyovoima, na.rm = TRUE),
Avoimet_tyopaikat = sum(Avoimet_tyopaikat, na.rm = TRUE)) %>%
mutate(tyottomyysaste = Tyottomat / Tyovoima,
vakanssiaste = Avoimet_tyopaikat / (Avoimet_tyopaikat + Tyovoima)) %>%
mutate(kuukausi = paste(substring(Kuukausi, 6,7), "01", sep = "-"),
vuosi = substring(Kuukausi, 1,4),
time = as.Date(paste(vuosi, kuukausi, sep = "-"))) %>%
group_by(stkluokka) %>%
mutate(tyottomyysaste_sa = sa_series(tyottomyysaste, time),
tyottomyysaste_trend = trend_series(tyottomyysaste, time),
vakanssiaste_sa = sa_series(vakanssiaste, time),
vakanssiaste_trend = trend_series(vakanssiaste, time),
tyottomat_sa = sa_series(Tyottomat, time),
tyottomat_trend = trend_series(Tyottomat, time),
avoimet_tyopaikat_sa = sa_series(Avoimet_tyopaikat, time),
avoimet_tyopaikat_trend = trend_series(Avoimet_tyopaikat, time))
data_stkluokat <- data_stkluokat %>%
mutate(vuosi_label = ifelse(grepl("M01", Kuukausi), vuosi, ""))
p1 <- data_stkluokat %>% ggplot(aes(x = tyottomat_trend, y = avoimet_tyopaikat_trend,
color = stkluokka, label = vuosi_label)) +
geom_point(size = 1) +
geom_path(size = 1) +
geom_text(color = "black") +
labs(y = "Avoimet tyopaikat",
x = "Tyottomat",
color = NULL) +
theme(legend.position = "bottom",
legend.justification = "left",
legend.text = element_text(size = 15),
axis.title = element_text(size = 15),
axis.text = element_text(size = 12)) +
scale_color_manual(labels = c("Muut seutukunnat",
"Suuret seutukunnat"),
values = brewer.pal(3, "Blues")[2:3])
p2 <- data_stkluokat %>% ggplot(aes(x = tyottomyysaste_trend, y = vakanssiaste_trend,
color = stkluokka, label = vuosi_label)) +
geom_point(size = 1) +
geom_path(size = 1) +
geom_text(color = "black") +
labs(y = "Vakanssiaste",
x = "Tyottomyys",
color = NULL) +
theme(legend.position = "bottom",
legend.justification = "left",
legend.text = element_text(size = 15),
axis.title = element_text(size = 15),
axis.text = element_text(size = 12)) +
scale_color_manual(labels = c("Muut seutukunnat",
"Suuret seutukunnat"),
values = brewer.pal(3, "Blues")[2:3]) +
scale_y_continuous(labels = percent_comma) +
scale_x_continuous(labels = percent_comma)
p <- ggarrange(p1, p2, ncol = 2, common.legend = TRUE, legend = "bottom")
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/suuret_pienet_seutukunnat.png", plot = p,
width = 12,
height = 6)
# Vuosikeskiarvot
data_stkluokat2 <- data %>% group_by(Kuukausi, stkluokka) %>%
summarize(Tyottomat = sum(Tyottomat, na.rm = TRUE),
Tyovoima = sum(Tyovoima, na.rm = TRUE),
Avoimet_tyopaikat = sum(Avoimet_tyopaikat, na.rm = TRUE)) %>%
mutate(tyottomyysaste = Tyottomat / Tyovoima,
vakanssiaste = Avoimet_tyopaikat / (Avoimet_tyopaikat + Tyovoima)) %>%
mutate(vuosi = substring(Kuukausi, 1,4)) %>%
group_by(vuosi, stkluokka) %>%
summarize(tyottomyysaste = mean(tyottomyysaste, na.rm = TRUE),
Tyovoima = mean(Tyovoima, na.rm = TRUE),
Tyottomat = mean(Tyottomat, na.rm = TRUE),
Avoimet_tyopaikat = mean(Avoimet_tyopaikat, na.rm = TRUE),
vakanssiaste = mean(vakanssiaste, na.rm = TRUE))%>%
filter(vuosi < 2019)
data_stkluokat2 %>% ggplot(aes(x = tyottomyysaste, y = vakanssiaste,
col = stkluokka, label = vuosi)) +
geom_point(size = 1) +
geom_path(size = 1) +
geom_text() +
labs(y = "Vakanssiaste",
x = "Tyottomyysaste",
caption = "Lähde: Tilastokeskus, Työnvälitystilasto (TEM), PTT") +
scale_y_continuous(labels = percent_comma) +
scale_x_continuous(labels = percent_comma)
############################################################################################################
################### Neljä aluetyyppiä ######################################
atyyppi4 <- c("kaupms" = "Kaupunkien läheinen maaseutu",
"tk_keskus" = "Kaupunki",
"ydinms" = "Ydinmaaseutu",
"ms" = "Harvaan asuttu maaseutu",
"pk" = "Kaupunki",
"kaup" = "Kaupunki",
"yo-kaup" = "Kaupunki")
data2 <- mutate(data, aluetyyppi4 = plyr::revalue(as.factor(aluetyyppi), atyyppi4 ))
data_atyypit <- data2 %>% group_by(Kuukausi, aluetyyppi4) %>%
summarize(Tyottomat = sum(Tyottomat, na.rm = TRUE),
Tyovoima = sum(Tyovoima, na.rm = TRUE),
Avoimet_tyopaikat = sum(Avoimet_tyopaikat, na.rm = TRUE)) %>%
mutate(vuosi = substring(Kuukausi, 1,4)) %>%
group_by(vuosi, aluetyyppi4) %>%
summarize(Tyottomat = mean(Tyottomat, na.rm = TRUE),
Tyovoima = mean(Tyovoima, na.rm = TRUE),
Avoimet_tyopaikat = mean(Avoimet_tyopaikat, na.rm = TRUE))%>%
filter(vuosi < 2019)
data_atyypit %>% ggplot(aes(x = Tyottomat, y = Avoimet_tyopaikat, label = vuosi)) +
geom_point(size = 1) +
geom_path(size = 1) +
# geom_text() +
facet_wrap(~aluetyyppi4) +
labs(y = "Avoimet työpaikat",
x = "Tyottomat",
caption = "Lähde: Tilastokeskus, Työnvälitystilasto (TEM), PTT") +
scale_y_continuous(labels = deci_comma) +
scale_x_continuous(labels = deci_comma)
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/aluetyypeittain4_absoluuttiset_kokomaa_kuukausika.png")
data2 <- mutate(data, aluetyyppi4 = plyr::revalue(as.factor(aluetyyppi), atyyppi4 ))
data_atyypit <- data2 %>% group_by(Kuukausi, aluetyyppi4) %>%
summarize(Tyottomat = sum(Tyottomat, na.rm = TRUE),
Tyovoima = sum(Tyovoima, na.rm = TRUE),
Avoimet_tyopaikat = sum(Avoimet_tyopaikat, na.rm = TRUE)) %>%
mutate(tyottomyysaste = Tyottomat / Tyovoima,
vakanssiaste = Avoimet_tyopaikat / (Avoimet_tyopaikat + Tyovoima)) %>%
mutate(vuosi = substring(Kuukausi, 1,4)) %>%
group_by(vuosi, aluetyyppi4) %>%
summarize(tyottomyysaste = mean(tyottomyysaste, na.rm = TRUE),
Tyovoima = mean(Tyovoima, na.rm = TRUE),
vakanssiaste = mean(vakanssiaste, na.rm = TRUE))%>%
filter(vuosi < 2019)
data_atyypit %>% ggplot(aes(x = tyottomyysaste, y = vakanssiaste, label = vuosi)) +
geom_point(size = 1) +
geom_path(size = 1) +
geom_text() +
facet_wrap(~aluetyyppi4) +
labs(y = "Vakanssiaste",
x = "Tyottomyysaste",
caption = "Lähde: Tilastokeskus, Työnvälitystilasto (TEM), PTT") +
scale_y_continuous(labels = deci_comma) +
scale_x_continuous(labels = deci_comma)
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/aluetyypeittain4_asteet_kokomaa_kuukausika.png")
###############################################################################################
# by commuting balance
data("dat_pendelointi")
kuntakoodit <- readRDS(here::here("data/kuntakoodit2017.rds")) %>%
rename(kunta = Knro, alue = Kunta)
kuntakoodit$alue <- as.character(kuntakoodit$alue)
pendelointi_kunnittain <- dat_pendelointi %>%
filter(vuosi == 2016) %>%
group_by(alue) %>%
summarize(tulopendelointi = sum(tulopendelointi),
lahtopendelointi = sum(lahtopendelointi),
asuinkunnassaan_tyossakayvat = sum(asuinkunnassaan_tyossakayvat)) %>%
mutate(kunnassa_tyossakayvat = tulopendelointi + asuinkunnassaan_tyossakayvat)
pendelointi_kunnittain$alue <- as.character(pendelointi_kunnittain$alue)
pendelointi_kunnittain <- left_join(pendelointi_kunnittain, kuntakoodit, by = "alue")
pendelointi_kunnittain <- pendelointi_kunnittain %>%
mutate(commuting_balance = (tulopendelointi - lahtopendelointi)/asuinkunnassaan_tyossakayvat,
openness_index = (tulopendelointi + lahtopendelointi)/asuinkunnassaan_tyossakayvat,
ln_commuting_balance = log(commuting_balance),
ln_openness_index = log(openness_index))
breaks <- seq(from = min(pendelointi_kunnittain$commuting_balance)-0.00001,
to = max(pendelointi_kunnittain$commuting_balance)+0.000001,
length.out = 4)
pendelointi_kunnittain$commuting_balance_discrete <- cut(pendelointi_kunnittain$commuting_balance, breaks)
balance <- pendelointi_kunnittain %>%
select(commuting_balance, commuting_balance_discrete, kunta) %>%
rename(Knro = kunta)
data <- left_join(data, balance, by = "Knro")
levels(data$commuting_balance_discrete) <- c("Matala", "Keskiverto", "Korkea")
data_balance <- data %>% group_by(Kuukausi, commuting_balance_discrete) %>%
summarize(Tyottomat = sum(Tyottomat, na.rm = TRUE),
Tyovoima = sum(Tyovoima, na.rm = TRUE),
Avoimet_tyopaikat = sum(Avoimet_tyopaikat, na.rm = TRUE)) %>%
mutate(tyottomyysaste = Tyottomat / Tyovoima,
vakanssiaste = Avoimet_tyopaikat / (Avoimet_tyopaikat + Tyovoima)) %>%
mutate(kuukausi = paste(substring(Kuukausi, 6,7), "01", sep = "-"),
vuosi = substring(Kuukausi, 1,4),
time = as.Date(paste(vuosi, kuukausi, sep = "-"))) %>%
group_by(commuting_balance_discrete) %>%
mutate(tyottomyysaste_sa = sa_series(tyottomyysaste, time),
tyottomyysaste_trend = trend_series(tyottomyysaste, time),
vakanssiaste_sa = sa_series(vakanssiaste, time),
vakanssiaste_trend = trend_series(vakanssiaste, time),
tyottomat_sa = sa_series(Tyottomat, time),
tyottomat_trend = trend_series(Tyottomat, time),
avoimet_tyopaikat_sa = sa_series(Avoimet_tyopaikat, time),
avoimet_tyopaikat_trend = trend_series(Avoimet_tyopaikat, time))
data_balance <- data_balance %>%
mutate(vuosi_label = ifelse(grepl("M01", Kuukausi), vuosi, ""),
vuosi_label2 = ifelse(grepl("2006M01", Kuukausi) | grepl("2019M01", Kuukausi), vuosi, ""))
p1 <- data_balance %>% ggplot(aes(x = tyottomyysaste_trend, y = vakanssiaste_trend, label = vuosi_label2)) +
geom_point(size = 1, color = ggptt_palettes$vnk[2]) +
geom_path(size = 1, color = ggptt_palettes$vnk[1]) +
geom_text(color = "black") +
facet_wrap(~commuting_balance_discrete) +
labs(y = "Vakanssiaste",
x = "Työttömyysaste",
title = "Pendelöintitasapaino") +
theme(legend.position = "bottom",
legend.justification = "left",
legend.text = element_text(size = 15),
axis.title = element_text(size = 15),
axis.text = element_text(size = 12),
plot.title = element_text(hjust = 0.5, size = 15)) +
scale_y_continuous(labels = percent_comma) +
scale_x_continuous(labels = percent_comma)
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/commuting_balance_beveridge.png", width = 8, height = 3.5)
levels(data$Kuntaryhma) <- c("Rural municipalities", "Semi-urban municipalities", "Urban municipalities")
data_kuntaryhmat <- data %>% group_by(Kuukausi, Kuntaryhma) %>%
summarize(Tyottomat = sum(Tyottomat, na.rm = TRUE),
Tyovoima = sum(Tyovoima, na.rm = TRUE),
Avoimet_tyopaikat = sum(Avoimet_tyopaikat, na.rm = TRUE)) %>%
mutate(tyottomyysaste = Tyottomat / Tyovoima,
vakanssiaste = Avoimet_tyopaikat / (Avoimet_tyopaikat + Tyovoima)) %>%
mutate(kuukausi = paste(substring(Kuukausi, 6,7), "01", sep = "-"),
vuosi = substring(Kuukausi, 1,4),
time = as.Date(paste(vuosi, kuukausi, sep = "-"))) %>%
group_by(Kuntaryhma) %>%
mutate(tyottomyysaste_sa = sa_series(tyottomyysaste, time),
tyottomyysaste_trend = trend_series(tyottomyysaste, time),
vakanssiaste_sa = sa_series(vakanssiaste, time),
vakanssiaste_trend = trend_series(vakanssiaste, time),
tyottomat_sa = sa_series(Tyottomat, time),
tyottomat_trend = trend_series(Tyottomat, time),
avoimet_tyopaikat_sa = sa_series(Avoimet_tyopaikat, time),
avoimet_tyopaikat_trend = trend_series(Avoimet_tyopaikat, time))
p2 <- data_kuntaryhmat %>% ggplot(aes(x = tyottomyysaste_trend, y = vakanssiaste_sa)) +
geom_point(size = 1) +
geom_path(size = 1) +
facet_wrap(~Kuntaryhma) +
labs(y = "Vacancy rate",
x = "Unemployment rate",
title = "Type of municipality")
p <- grid.arrange(p2, p1, ncol = 1)
ggsave("C:/Users/juhoa/Google Drive/Labor market search, report/beverigde_curves.png", plot = p)
stargazer(aluetyypit, type = "text", summary = FALSE,
out = "aluetyypit.html")
######################################################################################################
# by nettomuutto
data <- readRDS("data/avoimet_tyopaikat_tyonhakijat.rds")
load("~/git_clones/KT162R/data/dat_muuttotiedot_kunnittain.rda")
data_nettomuutto <- dat_muuttotiedot_kunnittain %>%
spread(Tiedot, values) %>%
mutate(nettomuutto = tulomuutto - lahtomuutto,
nettomuuttoaste = nettomuutto / vakiluku) %>%
filter(Vuosi == 2018) %>%
select(alue, kunta_no, nettomuuttoaste)
breaks <- seq(from = min(data_nettomuutto$nettomuuttoaste)-0.00001,
to = max(data_nettomuutto$nettomuuttoaste)+0.000001,
length.out = 4)
breaks2 <- quantile(data_nettomuutto$nettomuuttoaste, c(1/3, 2/3))
breaks <- c(-Inf, breaks2, Inf)
data_nettomuutto$nettomuuttoaste_discrete <- cut(data_nettomuutto$nettomuutto, breaks)
nettomuutto <- data_nettomuutto %>%
select(nettomuuttoaste, nettomuuttoaste_discrete, kunta_no) %>%
rename(Knro = kunta_no)
data <- left_join(data, nettomuutto, by = "Knro")
levels(data$nettomuuttoaste_discrete) <- c("Matala", "Keskiverto", "Korkea")
data <- mutate(data, Avoimet_tyopaikat = ifelse(is.na(Avoimet_tyopaikat), 1.5,Avoimet_tyopaikat))
data_nettomuutto <- data %>% group_by(Kuukausi, nettomuuttoaste_discrete) %>%
summarize(Tyottomat = sum(Tyottomat, na.rm = TRUE),
Tyovoima = sum(Tyovoima, na.rm = TRUE),
Avoimet_tyopaikat = sum(Avoimet_tyopaikat, na.rm = TRUE)) %>%
mutate(tyottomyysaste = Tyottomat / Tyovoima,
vakanssiaste = Avoimet_tyopaikat / (Avoimet_tyopaikat + Tyovoima)) %>%
mutate(kuukausi = paste(substring(Kuukausi, 6,7), "01", sep = "-"),
vuosi = substring(Kuukausi, 1,4),
time = as.Date(paste(vuosi, kuukausi, sep = "-"))) %>%
group_by(nettomuuttoaste_discrete) %>%
mutate(tyottomyysaste_sa = sa_series(tyottomyysaste, time),
tyottomyysaste_trend = trend_series(tyottomyysaste, time),
vakanssiaste_sa = sa_series(vakanssiaste, time),
vakanssiaste_trend = trend_series(vakanssiaste, time),
tyottomat_sa = sa_series(Tyottomat, time),
tyottomat_trend = trend_series(Tyottomat, time),
avoimet_tyopaikat_sa = sa_series(Avoimet_tyopaikat, time),
avoimet_tyopaikat_trend = trend_series(Avoimet_tyopaikat, time))
data_nettomuutto <- data_nettomuutto %>%
mutate(vuosi_label = ifelse(grepl("M01", Kuukausi), vuosi, ""),
vuosi_label2 = ifelse(grepl("2006M01", Kuukausi) | grepl("2019M01", Kuukausi), vuosi, ""))
p1 <- data_nettomuutto %>% ggplot(aes(x = tyottomyysaste_trend, y = vakanssiaste_trend, label = vuosi_label2)) +
geom_point(size = 1, color = ggptt_palettes$vnk[2]) +
geom_path(size = 1, color = ggptt_palettes$vnk[1]) +
geom_text(color = "black") +
facet_wrap(~nettomuuttoaste_discrete) +
labs(y = "Vakanssiaste",
x = "Työttömyysaste",
title = "Nettomuuttoaste") +
theme(legend.position = "bottom",
legend.justification = "left",
legend.text = element_text(size = 15),
axis.title = element_text(size = 15),
axis.text = element_text(size = 12),
plot.title = element_text(hjust = 0.5, size = 15)) +
scale_y_continuous(labels = percent_comma) +
scale_x_continuous(labels = percent_comma)
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/nettomuuttoaste_beveridge.png", width = 8, height = 3.5)
##############################################################################
data <- readRDS("data/avoimet_tyopaikat_tyonhakijat.rds")
load("~/git_clones/KT162R/data/dat_muuttotiedot_kunnittain.rda")
data_nettomuutto <- dat_muuttotiedot_kunnittain %>%
spread(Tiedot, values) %>%
mutate(nettomuutto = tulomuutto - lahtomuutto) %>%
filter(Vuosi == 2018) %>%
select(alue, kunta_no, nettomuutto)
breaks <- seq(from = min(data_nettomuutto$nettomuutto)-0.00001,
to = max(data_nettomuutto$nettomuutto)+0.000001,
length.out = 4)
data_nettomuutto$nettomuutto_discrete <- cut(data_nettomuutto$nettomuutto, breaks)
nettomuutto <- data_nettomuutto %>%
select(nettomuutto, nettomuutto_discrete, kunta_no) %>%
rename(Knro = kunta_no)
data <- left_join(data, nettomuutto, by = "Knro")
levels(data$nettomuutto_discrete) <- c("Matala", "Keskiverto", "Korkea")
data <- mutate(data, Avoimet_tyopaikat = ifelse(is.na(Avoimet_tyopaikat), 1.5,Avoimet_tyopaikat))
data_nettomuutto <- data %>% group_by(Kuukausi, nettomuutto_discrete) %>%
summarize(Tyottomat = sum(Tyottomat, na.rm = TRUE),
Tyovoima = sum(Tyovoima, na.rm = TRUE),
Avoimet_tyopaikat = sum(Avoimet_tyopaikat, na.rm = TRUE)) %>%
mutate(tyottomyysaste = Tyottomat / Tyovoima,
vakanssiaste = Avoimet_tyopaikat / (Avoimet_tyopaikat + Tyovoima)) %>%
mutate(kuukausi = paste(substring(Kuukausi, 6,7), "01", sep = "-"),
vuosi = substring(Kuukausi, 1,4),
time = as.Date(paste(vuosi, kuukausi, sep = "-"))) %>%
group_by(nettomuutto_discrete) %>%
mutate(tyottomyysaste_sa = sa_series(tyottomyysaste, time),
tyottomyysaste_trend = trend_series(tyottomyysaste, time),
vakanssiaste_sa = sa_series(vakanssiaste, time),
vakanssiaste_trend = trend_series(vakanssiaste, time),
tyottomat_sa = sa_series(Tyottomat, time),
tyottomat_trend = trend_series(Tyottomat, time),
avoimet_tyopaikat_sa = sa_series(Avoimet_tyopaikat, time),
avoimet_tyopaikat_trend = trend_series(Avoimet_tyopaikat, time))
data_nettomuutto <- data_nettomuutto %>%
mutate(vuosi_label = ifelse(grepl("M01", Kuukausi), vuosi, ""),
vuosi_label2 = ifelse(grepl("2006M01", Kuukausi) | grepl("2019M01", Kuukausi), vuosi, ""))
p1 <- data_nettomuutto %>% ggplot(aes(x = tyottomyysaste_trend, y = vakanssiaste_trend, label = vuosi_label2)) +
geom_point(size = 1, color = ggptt_palettes$vnk[2]) +
geom_path(size = 1, color = ggptt_palettes$vnk[1]) +
geom_text(color = "black") +
facet_wrap(~nettomuutto_discrete) +
labs(y = "Vakanssiaste",
x = "Työttömyysaste",
title = "Nettomuutto") +
theme(legend.position = "bottom",
legend.justification = "left",
legend.text = element_text(size = 15),
axis.title = element_text(size = 15),
axis.text = element_text(size = 12),
plot.title = element_text(hjust = 0.5, size = 15)) +
scale_y_continuous(labels = percent_comma) +
scale_x_continuous(labels = percent_comma)
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/nettomuutto_beveridge.png", width = 8, height = 3.5)
############################################################
# Pehkonen et al. 2018 replica w. rakennemuutosseutukunnast
suuret_seutukunnat <- c("Helsinki", "Tampere", "Turku", "Oulu", "Jyväskylä", "Kuopio", "Seinäjoki")
rakennemuutos_seutukunnat <- c("Kouvola", "Kokkola", "Salo", "Forssa", "Jakobstadsregionen", "Imatra", "Kotka-Hamina", "Etelä-Pirkanmaa")
data <- data %>% mutate(stkluokka = ifelse(Seutukunta %in% suuret_seutukunnat,
"suuret_seutukunnat",
ifelse(Seutukunta %in% rakennemuutos_seutukunnat, "rakennemuutosseutukunnat", "muut_seutukunnat")))
data_stkluokat <- data %>% group_by(Kuukausi, stkluokka) %>%
summarize(Tyottomat = sum(Tyottomat, na.rm = TRUE),
Tyovoima = sum(Tyovoima, na.rm = TRUE),
Avoimet_tyopaikat = sum(Avoimet_tyopaikat, na.rm = TRUE)) %>%
mutate(tyottomyysaste = Tyottomat / Tyovoima,
vakanssiaste = Avoimet_tyopaikat / (Avoimet_tyopaikat + Tyovoima)) %>%
mutate(kuukausi = paste(substring(Kuukausi, 6,7), "01", sep = "-"),
vuosi = substring(Kuukausi, 1,4),
time = as.Date(paste(vuosi, kuukausi, sep = "-"))) %>%
group_by(stkluokka) %>%
mutate(tyottomyysaste_sa = sa_series(tyottomyysaste, time),
tyottomyysaste_trend = trend_series(tyottomyysaste, time),
vakanssiaste_sa = sa_series(vakanssiaste, time),
vakanssiaste_trend = trend_series(vakanssiaste, time),
tyottomat_sa = sa_series(Tyottomat, time),
tyottomat_trend = trend_series(Tyottomat, time),
avoimet_tyopaikat_sa = sa_series(Avoimet_tyopaikat, time),
avoimet_tyopaikat_trend = trend_series(Avoimet_tyopaikat, time))
data_stkluokat <- data_stkluokat %>%
mutate(vuosi_label = ifelse(grepl("M01", Kuukausi), vuosi, ""),
vuosi_label2 = ifelse(grepl("2006M01", Kuukausi) | grepl("2019M01", Kuukausi), vuosi, ""))
p1 <- data_stkluokat %>% ggplot(aes(x = tyottomat_trend, y = avoimet_tyopaikat_trend,
color = stkluokka, label = vuosi_label2)) +
geom_point(size = 1) +
geom_path(size = 1) +
geom_text(color = "black") +
labs(y = "Avoimet tyopaikat",
x = "Tyottomat",
color = NULL) +
theme(legend.position = "bottom",
legend.justification = "left",
legend.text = element_text(size = 15),
axis.title = element_text(size = 15),
axis.text = element_text(size = 12)) +
scale_color_manual(labels = c("Muut seutukunnat",
"Suuret seutukunnat",
"Rakennemuutoksen seutukunnat"),
values = brewer.pal(4, "Blues")[2:4])
p2 <- data_stkluokat %>% ggplot(aes(x = tyottomyysaste_trend, y = vakanssiaste_trend,
color = stkluokka, label = vuosi_label)) +
geom_point(size = 1) +
geom_path(size = 1) +
geom_text(color = "black") +
labs(y = "Vakanssiaste",
x = "Työttömyys",
color = NULL) +
theme(legend.position = "bottom",
legend.justification = "left",
legend.text = element_text(size = 15),
axis.title = element_text(size = 15),
axis.text = element_text(size = 12)) +
scale_color_manual(labels = c("Muut seutukunnat",
"Rakennemuutoksen seutukunnat",
"Suuret seutukunnat" ),
values = ggptt_palettes$ptt[1:3])
scale_y_continuous(labels = percent_comma) +
scale_x_continuous(labels = percent_comma)
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/suuret_pienet_rakennemuutos_seutukunnat.png")
p <- ggarrange(p1, p2, ncol = 2, common.legend = TRUE, legend = "bottom")
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/suuret_pienet_rakennemuutos_seutukunnat.png", plot = p,
width = 12,
height = 6)
# Vuosikeskiarvot
data_stkluokat2 <- data %>% group_by(Kuukausi, stkluokka) %>%
summarize(Tyottomat = sum(Tyottomat, na.rm = TRUE),
Tyovoima = sum(Tyovoima, na.rm = TRUE),
Avoimet_tyopaikat = sum(Avoimet_tyopaikat, na.rm = TRUE)) %>%
mutate(tyottomyysaste = Tyottomat / Tyovoima,
vakanssiaste = Avoimet_tyopaikat / (Avoimet_tyopaikat + Tyovoima)) %>%
mutate(vuosi = substring(Kuukausi, 1,4)) %>%
group_by(vuosi, stkluokka) %>%
summarize(tyottomyysaste = mean(tyottomyysaste, na.rm = TRUE),
Tyovoima = mean(Tyovoima, na.rm = TRUE),
Tyottomat = mean(Tyottomat, na.rm = TRUE),
Avoimet_tyopaikat = mean(Avoimet_tyopaikat, na.rm = TRUE),
vakanssiaste = mean(vakanssiaste, na.rm = TRUE))%>%
filter(vuosi < 2019)
data_stkluokat2 %>% ggplot(aes(x = tyottomyysaste, y = vakanssiaste,
col = stkluokka, label = vuosi)) +
geom_point(size = 1) +
geom_path(size = 1) +
geom_text() +
labs(y = "Vakanssiaste",
x = "Tyottomyysaste",
caption = "Lähde: Tilastokeskus, Työnvälitystilasto (TEM), PTT") +
scale_y_continuous(labels = percent_comma) +
scale_x_continuous(labels = percent_comma)
############################################################################################################
pttry/KT162R documentation built on Nov. 27, 2022, 3:52 a.m.
R Package Documentation
Browse R Packages
We want your feedback!
Note that we can't provide technical support on individual packages. You should contact the package authors for that.
library(pxweb)
library(tidyverse)
library(statfitools)
library(ggplot2)
library(ggptt)
library(gridExtra)
library(RColorBrewer)
library(ggpubr)
set_ptt()
data <- readRDS("data/avoimet_tyopaikat_tyonhakijat.rds")
# Koko maan Beveridge-käyrä, kuukausittain, kausitasoitus ja trendaus
data_kokomaa <- data %>% group_by(Kuukausi) %>%
summarize(Tyottomat = sum(Tyottomat, na.rm = TRUE),
Tyovoima = sum(Tyovoima, na.rm = TRUE),
Avoimet_tyopaikat = sum(Avoimet_tyopaikat, na.rm = TRUE)) %>%
mutate(tyottomyysaste = Tyottomat / Tyovoima,
vakanssiaste = Avoimet_tyopaikat / (Avoimet_tyopaikat + Tyovoima)) %>%
mutate(kuukausi = paste(substring(Kuukausi, 6,7), "01", sep = "-"),
vuosi = substring(Kuukausi, 1,4),
time = as.Date(paste(vuosi, kuukausi, sep = "-"))) %>%
mutate(tyottomyysaste_sa = sa_series(tyottomyysaste, time),
tyottomyysaste_trend = trend_series(tyottomyysaste, time),
vakanssiaste_sa = sa_series(vakanssiaste, time),
vakanssiaste_trend = trend_series(vakanssiaste, time),
tyottomat_sa = sa_series(Tyottomat, time),
tyottomat_trend = trend_series(Tyottomat, time),
avoimet_tyopaikat_sa = sa_series(Avoimet_tyopaikat, time),
avoimet_tyopaikat_trend = trend_series(Avoimet_tyopaikat, time)) %>%
mutate(vuosi_label = ifelse(grepl("M01", Kuukausi), vuosi, ""))
data_kokomaa %>% ggplot(aes(x = tyottomat_sa, y = avoimet_tyopaikat_sa, label = vuosi_label)) +
geom_point(size = 1) +
geom_path(size = 1) +
geom_text(color = "black") +
labs(y = "Avoimet työpaikat",
x = "Tyottomat")
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/kokomaa_kuukausittain_absoluuttiset_sa.png")
data_kokomaa %>% ggplot(aes(x = tyottomat_trend, y = avoimet_tyopaikat_trend, label = vuosi_label)) +
geom_point(size = 1, color = ggptt_palettes$vnk[2]) +
geom_path(size = 1, color = ggptt_palettes$vnk[1]) +
geom_text(color = "black") +
labs(y = "Avoimet työpaikat",
x = "Tyottomat")
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/kokomaa_kuukausittain_absoluuttiset_trend.png")
data_kokomaa %>% ggplot(aes(x = tyottomyysaste_sa, y = vakanssiaste_sa, label = time)) +
geom_point(size = 1, color = ggptt_palettes$vnk[2]) +
geom_path(size = 1, color = ggptt_palettes$vnk[1]) +
labs(y = "Vakanssiaste",
x = "Tyottomyys",
caption = "Lähde: Tilastokeskus, Työnvälitystilasto (TEM), PTT")
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/kokomaa_kuukausittain_asteet_sa.png")
data_kokomaa %>% ggplot(aes(x = tyottomyysaste_trend, y = vakanssiaste_trend, label = vuosi_label)) +
geom_point(size = 1, color = ggptt_palettes$vnk[2]) +
geom_path(size = 1, color = ggptt_palettes$vnk[1]) +
geom_text(color = "black") +
labs(y = "Vakanssiaste",
x = "Tyottomyys") +
scale_y_continuous(labels = percent_comma) +
scale_x_continuous(labels = percent_comma)
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/kokomaa_kuukausittain_asteet_trend.png")
ggsave("C:/Users/juhoa/Google Drive/Projects/New job, migrate or commute/Presentation/Graphs/beveridge.pdf")
# Beveridge-käyrät kuntaryhmittäin, kuukausittain, kausitasoitus ja trendaus
data_kuntaryhmat <- data %>% group_by(Kuukausi, Kuntaryhma) %>%
summarize(Tyottomat = sum(Tyottomat, na.rm = TRUE),
Tyovoima = sum(Tyovoima, na.rm = TRUE),
Avoimet_tyopaikat = sum(Avoimet_tyopaikat, na.rm = TRUE)) %>%
mutate(tyottomyysaste = Tyottomat / Tyovoima,
vakanssiaste = Avoimet_tyopaikat / (Avoimet_tyopaikat + Tyovoima)) %>%
mutate(kuukausi = paste(substring(Kuukausi, 6,7), "01", sep = "-"),
vuosi = substring(Kuukausi, 1,4),
time = as.Date(paste(vuosi, kuukausi, sep = "-"))) %>%
group_by(Kuntaryhma) %>%
mutate(tyottomyysaste_sa = sa_series(tyottomyysaste, time),
tyottomyysaste_trend = trend_series(tyottomyysaste, time),
vakanssiaste_sa = sa_series(vakanssiaste, time),
vakanssiaste_trend = trend_series(vakanssiaste, time),
tyottomat_sa = sa_series(Tyottomat, time),
tyottomat_trend = trend_series(Tyottomat, time),
avoimet_tyopaikat_sa = sa_series(Avoimet_tyopaikat, time),
avoimet_tyopaikat_trend = trend_series(Avoimet_tyopaikat, time))
data_kuntaryhmat %>% ggplot(aes(x = tyottomyysaste_trend, y = vakanssiaste_trend)) +
geom_point(size = 1) +
geom_path(size = 1) +
facet_wrap(~Kuntaryhma) +
labs(y = "Vakanssiaste",
x = "Tyottomyys",
caption = "Lähde: Tilastokeskus, Työnvälitystilasto (TEM), PTT")
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/kuntaryhmittain_asteet_trend.png")
data_kuntaryhmat %>% ggplot(aes(x = tyottomyysaste_sa, y = vakanssiaste_sa)) +
geom_point(size = 1) +
geom_path(size = 1) +
facet_wrap(~Kuntaryhma) +
labs(y = "Vakanssiaste",
x = "Tyottomyys",
caption = "Lähde: Tilastokeskus, Työnvälitystilasto (TEM), PTT")
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/kuntaryhmittain_asteet_sa.png")
data_kuntaryhmat %>% ggplot(aes(x = tyottomat_trend, y = avoimet_tyopaikat_trend)) +
geom_point(size = 1) +
geom_path(size = 1) +
facet_wrap(~Kuntaryhma) +
labs(y = "Vakanssiaste",
x = "Tyottomyys",
caption = "Lähde: Tilastokeskus, Työnvälitystilasto (TEM), PTT")
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/kuntaryhmittain_absoluuttiset_trend.png")
data_kuntaryhmat %>% ggplot(aes(x = tyottomat_sa, y = avoimet_tyopaikat_sa)) +
geom_point(size = 3) +
geom_path(size = 1) +
facet_wrap(~Kuntaryhma) +
labs(y = "Vakanssiaste",
x = "Tyottomyys",
caption = "Lähde: Tilastokeskus, Työnvälitystilasto (TEM), PTT")
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/kuntaryhmittain_absoluuttiset_sa.png")
################## Beveridge-käyrät aluetyypeittäin, kuukausittain, kausitasoitus ja trendaus #################
data$aluetyyppi <- fct_relevel(data$aluetyyppi, c("pk", "yo-kaup", "kaup", "tk_keskus", "kaupms", "ydinms", "ms"))
aluetyyppi_labels = c("Pääkaupunkiseutu", "Yliopistokaupungit", "Kaupungit", "Muut työssäkäyntikeskukset",
"Kaupunkien läheinen maaseutu", "Ydinmaaseutu", "Harvaan asuttu maaseutu")
data_atyypit <- data %>% group_by(Kuukausi, aluetyyppi) %>%
summarize(Tyottomat = sum(Tyottomat, na.rm = TRUE),
Tyovoima = sum(Tyovoima, na.rm = TRUE),
Avoimet_tyopaikat = sum(Avoimet_tyopaikat, na.rm = TRUE)) %>%
mutate(tyottomyysaste = Tyottomat / Tyovoima,
vakanssiaste = Avoimet_tyopaikat / (Avoimet_tyopaikat + Tyovoima)) %>%
mutate(kuukausi = paste(substring(Kuukausi, 6,7), "01", sep = "-"),
vuosi = substring(Kuukausi, 1,4),
time = as.Date(paste(vuosi, kuukausi, sep = "-"))) %>%
group_by(aluetyyppi) %>%
mutate(tyottomyysaste_sa = sa_series(tyottomyysaste, time),
tyottomyysaste_trend = trend_series(tyottomyysaste, time),
vakanssiaste_sa = sa_series(vakanssiaste, time),
vakanssiaste_trend = trend_series(vakanssiaste, time),
tyottomat_sa = sa_series(Tyottomat, time),
tyottomat_trend = trend_series(Tyottomat, time),
avoimet_tyopaikat_sa = sa_series(Avoimet_tyopaikat, time),
avoimet_tyopaikat_trend = trend_series(Avoimet_tyopaikat, time)) %>%
mutate(vuosi_label = ifelse(grepl("M01", Kuukausi) & vuosi %in% c(2006, 2012, 2018), vuosi, ""))
data_atyypit %>% ggplot(aes(x = tyottomyysaste_trend, y = vakanssiaste_trend, label = vuosi_label)) +
geom_point(size = 1, color = ggptt_palettes$vnk[1]) +
geom_path(size = 1, color = ggptt_palettes$vnk[2]) +
geom_text(color = "black") +
facet_wrap(~aluetyyppi, labeller = labeller(aluetyyppi = labels)) +
geom_hline(yintercept = 0, linetype = 2) +
geom_vline(xintercept = 0, linetype = 2) +
labs(y = "Vakanssiaste",
x = "Työttömyys") +
theme(strip.background = element_rect(fill = "white",
colour = "white"),
strip.text = element_text(size = 12),
axis.title = element_text(size = 15),
axis.text = element_text(size = 13)) +
scale_y_continuous(labels = percent_comma) +
scale_x_continuous(labels = percent_comma)
labels = c(pk = "Pääkaupunkiseutu",
"yo-kaup" = "Yliopistokaupungit",
kaup = "Kaupungit",
tk_keskus = "Muut työssäkäyntikeskukset",
kaupms = "Kaupunkien läheinen maaseutu",
ydinms = "Ydinmaaseutu",
ms = "Harvaan asuttu maaseutu")
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/aluetyypeittain_asteet_trend.png",
width = 10, height = 10)
data_atyypit %>% ggplot(aes(x = tyottomyysaste_sa, y = vakanssiaste_sa)) +
geom_point(size = 1) +
geom_path(size = 1) +
facet_wrap(~aluetyyppi, labeller = labeller(aluetyyppi = labels)) +
labs(y = "Vakanssiaste",
x = "Tyottomyys",
caption = "Lähde: Tilastokeskus, Työnvälitystilasto (TEM), PTT")
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/aluetyypeittain_asteet_sa.png")
data_atyypit %>% ggplot(aes(x = tyottomat_sa, y = avoimet_tyopaikat_sa)) +
geom_point(size = 1) +
geom_path(size = 1) +
facet_wrap(~aluetyyppi) +
geom_hline(yintercept = 0) +
geom_vline(xintercept = 0) +
labs(y = "Avoimet työpaikat",
x = "Työttömät",
caption = "Lähde: Tilastokeskus, Työnvälitystilasto (TEM), PTT")
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/aluetyypeittain_absoluuttiset_sa.png")
data_atyypit %>% ggplot(aes(x = tyottomat_trend, y = avoimet_tyopaikat_trend, label = vuosi_label)) +
geom_point(size = 1, color = ggptt_palettes$vnk[1]) +
geom_path(size = 1, color = ggptt_palettes$vnk[2]) +
geom_hline(yintercept = 0, linetype = 2) +
geom_vline(xintercept = 0, linetype = 2) +
geom_text(color = "black") +
facet_wrap(~aluetyyppi, labeller = labeller(aluetyyppi = labels)) +
labs(y = "Avoimet työpaikat",
x = "Työttömät") +
theme(strip.background = element_rect(fill = "white",
colour = "white"),
strip.text = element_text(size = 12),
axis.title = element_text(size = 15),
axis.text = element_text(size = 13))
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/aluetyypeittain_absoluuttiset_trend.png",
width = 10, height = 10)
# Demeaned
data_kokomaa <- data %>% group_by(Kuukausi) %>%
summarize(Tyottomat = sum(Tyottomat, na.rm = TRUE),
Tyovoima = sum(Tyovoima, na.rm = TRUE),
Avoimet_tyopaikat = sum(Avoimet_tyopaikat, na.rm = TRUE)) %>%
mutate(tyottomyysaste = Tyottomat / Tyovoima,
vakanssiaste = Avoimet_tyopaikat / (Avoimet_tyopaikat + Tyovoima)) %>%
mutate(kuukausi = paste(substring(Kuukausi, 6,7), "01", sep = "-"),
vuosi = substring(Kuukausi, 1,4),
time = as.Date(paste(vuosi, kuukausi, sep = "-"))) %>%
select(Kuukausi, tyottomyysaste, vakanssiaste) %>%
rename(tyottomyysaste_kokomaa = tyottomyysaste, vakanssiaste_kokomaa = vakanssiaste)
data_kokomaa2 <- data_kokomaa[rep(1:162, each = 7),]
data_atyypit_demeaned <- data %>% group_by(Kuukausi, aluetyyppi) %>%
summarize(Tyottomat = sum(Tyottomat, na.rm = TRUE),
Tyovoima = sum(Tyovoima, na.rm = TRUE),
Avoimet_tyopaikat = sum(Avoimet_tyopaikat, na.rm = TRUE)) %>%
ungroup() %>%
mutate(vakanssiaste_kokomaa = data_kokomaa2$vakanssiaste_kokomaa,
tyottomyysaste_kokomaa = data_kokomaa2$tyottomyysaste_kokomaa,
tyottomyysaste = (Tyottomat / Tyovoima) - tyottomyysaste_kokomaa,
vakanssiaste = (Avoimet_tyopaikat / (Avoimet_tyopaikat + Tyovoima)) - vakanssiaste_kokomaa) %>%
mutate(kuukausi = paste(substring(Kuukausi, 6,7), "01", sep = "-"),
vuosi = substring(Kuukausi, 1,4),
time = as.Date(paste(vuosi, kuukausi, sep = "-"))) %>%
group_by(aluetyyppi) %>%
mutate(tyottomyysaste_sa = sa_series(tyottomyysaste, time),
tyottomyysaste_trend = trend_series(tyottomyysaste, time),
vakanssiaste_sa = sa_series(vakanssiaste, time),
vakanssiaste_trend = trend_series(vakanssiaste, time),
tyottomat_sa = sa_series(Tyottomat, time),
tyottomat_trend = trend_series(Tyottomat, time),
avoimet_tyopaikat_sa = sa_series(Avoimet_tyopaikat, time),
avoimet_tyopaikat_trend = trend_series(Avoimet_tyopaikat, time)) %>%
mutate(vuosi_label = ifelse(grepl("M01", Kuukausi) & vuosi %in% c(2006, 2018), vuosi, ""))
data_atyypit_demeaned %>% ggplot(aes(x = tyottomyysaste_trend, y = vakanssiaste_trend, label = vuosi_label)) +
geom_point(size = 0.5, color = ggptt_palettes$vnk[1]) +
geom_path(size = 0.5, color = ggptt_palettes$vnk[2]) +
geom_text(color = "black", alpha = 0.5) +
geom_vline(xintercept = 0, color = "red", linetype = 2) +
geom_hline(yintercept = 0, color = "red", linetype = 2) +
facet_wrap(~aluetyyppi, labeller = labeller(aluetyyppi = labels)) +
labs(y = "Vakanssiaste, erotus koko maan vakanssiasteesta",
x = "Työttömyys, erotus koko maan työttömyysasteesta") +
theme(strip.background = element_rect(fill = "white",
colour = "white")) +
scale_y_continuous(labels = percent_comma) +
scale_x_continuous(labels = percent_comma)
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/aluetyypit_demeaned.png",
width = 12,
height = 8)
#####################################################################################################################
# Pehkonen et al. 2018 replica
suuret_seutukunnat <- c("Helsinki", "Tampere", "Turku", "Oulu", "Jyväskylä", "Kuopio", "Seinäjoki")
data <- data %>% mutate(stkluokka = ifelse(Seutukunta %in% suuret_seutukunnat,
"suuret_seutukunnat",
"muut_seutukunnat"))
data_stkluokat <- data %>% group_by(Kuukausi, stkluokka) %>%
summarize(Tyottomat = sum(Tyottomat, na.rm = TRUE),
Tyovoima = sum(Tyovoima, na.rm = TRUE),
Avoimet_tyopaikat = sum(Avoimet_tyopaikat, na.rm = TRUE)) %>%
mutate(tyottomyysaste = Tyottomat / Tyovoima,
vakanssiaste = Avoimet_tyopaikat / (Avoimet_tyopaikat + Tyovoima)) %>%
mutate(kuukausi = paste(substring(Kuukausi, 6,7), "01", sep = "-"),
vuosi = substring(Kuukausi, 1,4),
time = as.Date(paste(vuosi, kuukausi, sep = "-"))) %>%
group_by(stkluokka) %>%
mutate(tyottomyysaste_sa = sa_series(tyottomyysaste, time),
tyottomyysaste_trend = trend_series(tyottomyysaste, time),
vakanssiaste_sa = sa_series(vakanssiaste, time),
vakanssiaste_trend = trend_series(vakanssiaste, time),
tyottomat_sa = sa_series(Tyottomat, time),
tyottomat_trend = trend_series(Tyottomat, time),
avoimet_tyopaikat_sa = sa_series(Avoimet_tyopaikat, time),
avoimet_tyopaikat_trend = trend_series(Avoimet_tyopaikat, time))
data_stkluokat <- data_stkluokat %>%
mutate(vuosi_label = ifelse(grepl("M01", Kuukausi), vuosi, ""))
p1 <- data_stkluokat %>% ggplot(aes(x = tyottomat_trend, y = avoimet_tyopaikat_trend,
color = stkluokka, label = vuosi_label)) +
geom_point(size = 1) +
geom_path(size = 1) +
geom_text(color = "black") +
labs(y = "Avoimet tyopaikat",
x = "Tyottomat",
color = NULL) +
theme(legend.position = "bottom",
legend.justification = "left",
legend.text = element_text(size = 15),
axis.title = element_text(size = 15),
axis.text = element_text(size = 12)) +
scale_color_manual(labels = c("Muut seutukunnat",
"Suuret seutukunnat"),
values = brewer.pal(3, "Blues")[2:3])
p2 <- data_stkluokat %>% ggplot(aes(x = tyottomyysaste_trend, y = vakanssiaste_trend,
color = stkluokka, label = vuosi_label)) +
geom_point(size = 1) +
geom_path(size = 1) +
geom_text(color = "black") +
labs(y = "Vakanssiaste",
x = "Tyottomyys",
color = NULL) +
theme(legend.position = "bottom",
legend.justification = "left",
legend.text = element_text(size = 15),
axis.title = element_text(size = 15),
axis.text = element_text(size = 12)) +
scale_color_manual(labels = c("Muut seutukunnat",
"Suuret seutukunnat"),
values = brewer.pal(3, "Blues")[2:3]) +
scale_y_continuous(labels = percent_comma) +
scale_x_continuous(labels = percent_comma)
p <- ggarrange(p1, p2, ncol = 2, common.legend = TRUE, legend = "bottom")
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/suuret_pienet_seutukunnat.png", plot = p,
width = 12,
height = 6)
# Vuosikeskiarvot
data_stkluokat2 <- data %>% group_by(Kuukausi, stkluokka) %>%
summarize(Tyottomat = sum(Tyottomat, na.rm = TRUE),
Tyovoima = sum(Tyovoima, na.rm = TRUE),
Avoimet_tyopaikat = sum(Avoimet_tyopaikat, na.rm = TRUE)) %>%
mutate(tyottomyysaste = Tyottomat / Tyovoima,
vakanssiaste = Avoimet_tyopaikat / (Avoimet_tyopaikat + Tyovoima)) %>%
mutate(vuosi = substring(Kuukausi, 1,4)) %>%
group_by(vuosi, stkluokka) %>%
summarize(tyottomyysaste = mean(tyottomyysaste, na.rm = TRUE),
Tyovoima = mean(Tyovoima, na.rm = TRUE),
Tyottomat = mean(Tyottomat, na.rm = TRUE),
Avoimet_tyopaikat = mean(Avoimet_tyopaikat, na.rm = TRUE),
vakanssiaste = mean(vakanssiaste, na.rm = TRUE))%>%
filter(vuosi < 2019)
data_stkluokat2 %>% ggplot(aes(x = tyottomyysaste, y = vakanssiaste,
col = stkluokka, label = vuosi)) +
geom_point(size = 1) +
geom_path(size = 1) +
geom_text() +
labs(y = "Vakanssiaste",
x = "Tyottomyysaste",
caption = "Lähde: Tilastokeskus, Työnvälitystilasto (TEM), PTT") +
scale_y_continuous(labels = percent_comma) +
scale_x_continuous(labels = percent_comma)
############################################################################################################
################### Neljä aluetyyppiä ######################################
atyyppi4 <- c("kaupms" = "Kaupunkien läheinen maaseutu",
"tk_keskus" = "Kaupunki",
"ydinms" = "Ydinmaaseutu",
"ms" = "Harvaan asuttu maaseutu",
"pk" = "Kaupunki",
"kaup" = "Kaupunki",
"yo-kaup" = "Kaupunki")
data2 <- mutate(data, aluetyyppi4 = plyr::revalue(as.factor(aluetyyppi), atyyppi4 ))
data_atyypit <- data2 %>% group_by(Kuukausi, aluetyyppi4) %>%
summarize(Tyottomat = sum(Tyottomat, na.rm = TRUE),
Tyovoima = sum(Tyovoima, na.rm = TRUE),
Avoimet_tyopaikat = sum(Avoimet_tyopaikat, na.rm = TRUE)) %>%
mutate(vuosi = substring(Kuukausi, 1,4)) %>%
group_by(vuosi, aluetyyppi4) %>%
summarize(Tyottomat = mean(Tyottomat, na.rm = TRUE),
Tyovoima = mean(Tyovoima, na.rm = TRUE),
Avoimet_tyopaikat = mean(Avoimet_tyopaikat, na.rm = TRUE))%>%
filter(vuosi < 2019)
data_atyypit %>% ggplot(aes(x = Tyottomat, y = Avoimet_tyopaikat, label = vuosi)) +
geom_point(size = 1) +
geom_path(size = 1) +
# geom_text() +
facet_wrap(~aluetyyppi4) +
labs(y = "Avoimet työpaikat",
x = "Tyottomat",
caption = "Lähde: Tilastokeskus, Työnvälitystilasto (TEM), PTT") +
scale_y_continuous(labels = deci_comma) +
scale_x_continuous(labels = deci_comma)
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/aluetyypeittain4_absoluuttiset_kokomaa_kuukausika.png")
data2 <- mutate(data, aluetyyppi4 = plyr::revalue(as.factor(aluetyyppi), atyyppi4 ))
data_atyypit <- data2 %>% group_by(Kuukausi, aluetyyppi4) %>%
summarize(Tyottomat = sum(Tyottomat, na.rm = TRUE),
Tyovoima = sum(Tyovoima, na.rm = TRUE),
Avoimet_tyopaikat = sum(Avoimet_tyopaikat, na.rm = TRUE)) %>%
mutate(tyottomyysaste = Tyottomat / Tyovoima,
vakanssiaste = Avoimet_tyopaikat / (Avoimet_tyopaikat + Tyovoima)) %>%
mutate(vuosi = substring(Kuukausi, 1,4)) %>%
group_by(vuosi, aluetyyppi4) %>%
summarize(tyottomyysaste = mean(tyottomyysaste, na.rm = TRUE),
Tyovoima = mean(Tyovoima, na.rm = TRUE),
vakanssiaste = mean(vakanssiaste, na.rm = TRUE))%>%
filter(vuosi < 2019)
data_atyypit %>% ggplot(aes(x = tyottomyysaste, y = vakanssiaste, label = vuosi)) +
geom_point(size = 1) +
geom_path(size = 1) +
geom_text() +
facet_wrap(~aluetyyppi4) +
labs(y = "Vakanssiaste",
x = "Tyottomyysaste",
caption = "Lähde: Tilastokeskus, Työnvälitystilasto (TEM), PTT") +
scale_y_continuous(labels = deci_comma) +
scale_x_continuous(labels = deci_comma)
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/aluetyypeittain4_asteet_kokomaa_kuukausika.png")
###############################################################################################
# by commuting balance
data("dat_pendelointi")
kuntakoodit <- readRDS(here::here("data/kuntakoodit2017.rds")) %>%
rename(kunta = Knro, alue = Kunta)
kuntakoodit$alue <- as.character(kuntakoodit$alue)
pendelointi_kunnittain <- dat_pendelointi %>%
filter(vuosi == 2016) %>%
group_by(alue) %>%
summarize(tulopendelointi = sum(tulopendelointi),
lahtopendelointi = sum(lahtopendelointi),
asuinkunnassaan_tyossakayvat = sum(asuinkunnassaan_tyossakayvat)) %>%
mutate(kunnassa_tyossakayvat = tulopendelointi + asuinkunnassaan_tyossakayvat)
pendelointi_kunnittain$alue <- as.character(pendelointi_kunnittain$alue)
pendelointi_kunnittain <- left_join(pendelointi_kunnittain, kuntakoodit, by = "alue")
pendelointi_kunnittain <- pendelointi_kunnittain %>%
mutate(commuting_balance = (tulopendelointi - lahtopendelointi)/asuinkunnassaan_tyossakayvat,
openness_index = (tulopendelointi + lahtopendelointi)/asuinkunnassaan_tyossakayvat,
ln_commuting_balance = log(commuting_balance),
ln_openness_index = log(openness_index))
breaks <- seq(from = min(pendelointi_kunnittain$commuting_balance)-0.00001,
to = max(pendelointi_kunnittain$commuting_balance)+0.000001,
length.out = 4)
pendelointi_kunnittain$commuting_balance_discrete <- cut(pendelointi_kunnittain$commuting_balance, breaks)
balance <- pendelointi_kunnittain %>%
select(commuting_balance, commuting_balance_discrete, kunta) %>%
rename(Knro = kunta)
data <- left_join(data, balance, by = "Knro")
levels(data$commuting_balance_discrete) <- c("Matala", "Keskiverto", "Korkea")
data_balance <- data %>% group_by(Kuukausi, commuting_balance_discrete) %>%
summarize(Tyottomat = sum(Tyottomat, na.rm = TRUE),
Tyovoima = sum(Tyovoima, na.rm = TRUE),
Avoimet_tyopaikat = sum(Avoimet_tyopaikat, na.rm = TRUE)) %>%
mutate(tyottomyysaste = Tyottomat / Tyovoima,
vakanssiaste = Avoimet_tyopaikat / (Avoimet_tyopaikat + Tyovoima)) %>%
mutate(kuukausi = paste(substring(Kuukausi, 6,7), "01", sep = "-"),
vuosi = substring(Kuukausi, 1,4),
time = as.Date(paste(vuosi, kuukausi, sep = "-"))) %>%
group_by(commuting_balance_discrete) %>%
mutate(tyottomyysaste_sa = sa_series(tyottomyysaste, time),
tyottomyysaste_trend = trend_series(tyottomyysaste, time),
vakanssiaste_sa = sa_series(vakanssiaste, time),
vakanssiaste_trend = trend_series(vakanssiaste, time),
tyottomat_sa = sa_series(Tyottomat, time),
tyottomat_trend = trend_series(Tyottomat, time),
avoimet_tyopaikat_sa = sa_series(Avoimet_tyopaikat, time),
avoimet_tyopaikat_trend = trend_series(Avoimet_tyopaikat, time))
data_balance <- data_balance %>%
mutate(vuosi_label = ifelse(grepl("M01", Kuukausi), vuosi, ""),
vuosi_label2 = ifelse(grepl("2006M01", Kuukausi) | grepl("2019M01", Kuukausi), vuosi, ""))
p1 <- data_balance %>% ggplot(aes(x = tyottomyysaste_trend, y = vakanssiaste_trend, label = vuosi_label2)) +
geom_point(size = 1, color = ggptt_palettes$vnk[2]) +
geom_path(size = 1, color = ggptt_palettes$vnk[1]) +
geom_text(color = "black") +
facet_wrap(~commuting_balance_discrete) +
labs(y = "Vakanssiaste",
x = "Työttömyysaste",
title = "Pendelöintitasapaino") +
theme(legend.position = "bottom",
legend.justification = "left",
legend.text = element_text(size = 15),
axis.title = element_text(size = 15),
axis.text = element_text(size = 12),
plot.title = element_text(hjust = 0.5, size = 15)) +
scale_y_continuous(labels = percent_comma) +
scale_x_continuous(labels = percent_comma)
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/commuting_balance_beveridge.png", width = 8, height = 3.5)
levels(data$Kuntaryhma) <- c("Rural municipalities", "Semi-urban municipalities", "Urban municipalities")
data_kuntaryhmat <- data %>% group_by(Kuukausi, Kuntaryhma) %>%
summarize(Tyottomat = sum(Tyottomat, na.rm = TRUE),
Tyovoima = sum(Tyovoima, na.rm = TRUE),
Avoimet_tyopaikat = sum(Avoimet_tyopaikat, na.rm = TRUE)) %>%
mutate(tyottomyysaste = Tyottomat / Tyovoima,
vakanssiaste = Avoimet_tyopaikat / (Avoimet_tyopaikat + Tyovoima)) %>%
mutate(kuukausi = paste(substring(Kuukausi, 6,7), "01", sep = "-"),
vuosi = substring(Kuukausi, 1,4),
time = as.Date(paste(vuosi, kuukausi, sep = "-"))) %>%
group_by(Kuntaryhma) %>%
mutate(tyottomyysaste_sa = sa_series(tyottomyysaste, time),
tyottomyysaste_trend = trend_series(tyottomyysaste, time),
vakanssiaste_sa = sa_series(vakanssiaste, time),
vakanssiaste_trend = trend_series(vakanssiaste, time),
tyottomat_sa = sa_series(Tyottomat, time),
tyottomat_trend = trend_series(Tyottomat, time),
avoimet_tyopaikat_sa = sa_series(Avoimet_tyopaikat, time),
avoimet_tyopaikat_trend = trend_series(Avoimet_tyopaikat, time))
p2 <- data_kuntaryhmat %>% ggplot(aes(x = tyottomyysaste_trend, y = vakanssiaste_sa)) +
geom_point(size = 1) +
geom_path(size = 1) +
facet_wrap(~Kuntaryhma) +
labs(y = "Vacancy rate",
x = "Unemployment rate",
title = "Type of municipality")
p <- grid.arrange(p2, p1, ncol = 1)
ggsave("C:/Users/juhoa/Google Drive/Labor market search, report/beverigde_curves.png", plot = p)
stargazer(aluetyypit, type = "text", summary = FALSE,
out = "aluetyypit.html")
######################################################################################################
# by nettomuutto
data <- readRDS("data/avoimet_tyopaikat_tyonhakijat.rds")
load("~/git_clones/KT162R/data/dat_muuttotiedot_kunnittain.rda")
data_nettomuutto <- dat_muuttotiedot_kunnittain %>%
spread(Tiedot, values) %>%
mutate(nettomuutto = tulomuutto - lahtomuutto,
nettomuuttoaste = nettomuutto / vakiluku) %>%
filter(Vuosi == 2018) %>%
select(alue, kunta_no, nettomuuttoaste)
breaks <- seq(from = min(data_nettomuutto$nettomuuttoaste)-0.00001,
to = max(data_nettomuutto$nettomuuttoaste)+0.000001,
length.out = 4)
breaks2 <- quantile(data_nettomuutto$nettomuuttoaste, c(1/3, 2/3))
breaks <- c(-Inf, breaks2, Inf)
data_nettomuutto$nettomuuttoaste_discrete <- cut(data_nettomuutto$nettomuutto, breaks)
nettomuutto <- data_nettomuutto %>%
select(nettomuuttoaste, nettomuuttoaste_discrete, kunta_no) %>%
rename(Knro = kunta_no)
data <- left_join(data, nettomuutto, by = "Knro")
levels(data$nettomuuttoaste_discrete) <- c("Matala", "Keskiverto", "Korkea")
data <- mutate(data, Avoimet_tyopaikat = ifelse(is.na(Avoimet_tyopaikat), 1.5,Avoimet_tyopaikat))
data_nettomuutto <- data %>% group_by(Kuukausi, nettomuuttoaste_discrete) %>%
summarize(Tyottomat = sum(Tyottomat, na.rm = TRUE),
Tyovoima = sum(Tyovoima, na.rm = TRUE),
Avoimet_tyopaikat = sum(Avoimet_tyopaikat, na.rm = TRUE)) %>%
mutate(tyottomyysaste = Tyottomat / Tyovoima,
vakanssiaste = Avoimet_tyopaikat / (Avoimet_tyopaikat + Tyovoima)) %>%
mutate(kuukausi = paste(substring(Kuukausi, 6,7), "01", sep = "-"),
vuosi = substring(Kuukausi, 1,4),
time = as.Date(paste(vuosi, kuukausi, sep = "-"))) %>%
group_by(nettomuuttoaste_discrete) %>%
mutate(tyottomyysaste_sa = sa_series(tyottomyysaste, time),
tyottomyysaste_trend = trend_series(tyottomyysaste, time),
vakanssiaste_sa = sa_series(vakanssiaste, time),
vakanssiaste_trend = trend_series(vakanssiaste, time),
tyottomat_sa = sa_series(Tyottomat, time),
tyottomat_trend = trend_series(Tyottomat, time),
avoimet_tyopaikat_sa = sa_series(Avoimet_tyopaikat, time),
avoimet_tyopaikat_trend = trend_series(Avoimet_tyopaikat, time))
data_nettomuutto <- data_nettomuutto %>%
mutate(vuosi_label = ifelse(grepl("M01", Kuukausi), vuosi, ""),
vuosi_label2 = ifelse(grepl("2006M01", Kuukausi) | grepl("2019M01", Kuukausi), vuosi, ""))
p1 <- data_nettomuutto %>% ggplot(aes(x = tyottomyysaste_trend, y = vakanssiaste_trend, label = vuosi_label2)) +
geom_point(size = 1, color = ggptt_palettes$vnk[2]) +
geom_path(size = 1, color = ggptt_palettes$vnk[1]) +
geom_text(color = "black") +
facet_wrap(~nettomuuttoaste_discrete) +
labs(y = "Vakanssiaste",
x = "Työttömyysaste",
title = "Nettomuuttoaste") +
theme(legend.position = "bottom",
legend.justification = "left",
legend.text = element_text(size = 15),
axis.title = element_text(size = 15),
axis.text = element_text(size = 12),
plot.title = element_text(hjust = 0.5, size = 15)) +
scale_y_continuous(labels = percent_comma) +
scale_x_continuous(labels = percent_comma)
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/nettomuuttoaste_beveridge.png", width = 8, height = 3.5)
##############################################################################
data <- readRDS("data/avoimet_tyopaikat_tyonhakijat.rds")
load("~/git_clones/KT162R/data/dat_muuttotiedot_kunnittain.rda")
data_nettomuutto <- dat_muuttotiedot_kunnittain %>%
spread(Tiedot, values) %>%
mutate(nettomuutto = tulomuutto - lahtomuutto) %>%
filter(Vuosi == 2018) %>%
select(alue, kunta_no, nettomuutto)
breaks <- seq(from = min(data_nettomuutto$nettomuutto)-0.00001,
to = max(data_nettomuutto$nettomuutto)+0.000001,
length.out = 4)
data_nettomuutto$nettomuutto_discrete <- cut(data_nettomuutto$nettomuutto, breaks)
nettomuutto <- data_nettomuutto %>%
select(nettomuutto, nettomuutto_discrete, kunta_no) %>%
rename(Knro = kunta_no)
data <- left_join(data, nettomuutto, by = "Knro")
levels(data$nettomuutto_discrete) <- c("Matala", "Keskiverto", "Korkea")
data <- mutate(data, Avoimet_tyopaikat = ifelse(is.na(Avoimet_tyopaikat), 1.5,Avoimet_tyopaikat))
data_nettomuutto <- data %>% group_by(Kuukausi, nettomuutto_discrete) %>%
summarize(Tyottomat = sum(Tyottomat, na.rm = TRUE),
Tyovoima = sum(Tyovoima, na.rm = TRUE),
Avoimet_tyopaikat = sum(Avoimet_tyopaikat, na.rm = TRUE)) %>%
mutate(tyottomyysaste = Tyottomat / Tyovoima,
vakanssiaste = Avoimet_tyopaikat / (Avoimet_tyopaikat + Tyovoima)) %>%
mutate(kuukausi = paste(substring(Kuukausi, 6,7), "01", sep = "-"),
vuosi = substring(Kuukausi, 1,4),
time = as.Date(paste(vuosi, kuukausi, sep = "-"))) %>%
group_by(nettomuutto_discrete) %>%
mutate(tyottomyysaste_sa = sa_series(tyottomyysaste, time),
tyottomyysaste_trend = trend_series(tyottomyysaste, time),
vakanssiaste_sa = sa_series(vakanssiaste, time),
vakanssiaste_trend = trend_series(vakanssiaste, time),
tyottomat_sa = sa_series(Tyottomat, time),
tyottomat_trend = trend_series(Tyottomat, time),
avoimet_tyopaikat_sa = sa_series(Avoimet_tyopaikat, time),
avoimet_tyopaikat_trend = trend_series(Avoimet_tyopaikat, time))
data_nettomuutto <- data_nettomuutto %>%
mutate(vuosi_label = ifelse(grepl("M01", Kuukausi), vuosi, ""),
vuosi_label2 = ifelse(grepl("2006M01", Kuukausi) | grepl("2019M01", Kuukausi), vuosi, ""))
p1 <- data_nettomuutto %>% ggplot(aes(x = tyottomyysaste_trend, y = vakanssiaste_trend, label = vuosi_label2)) +
geom_point(size = 1, color = ggptt_palettes$vnk[2]) +
geom_path(size = 1, color = ggptt_palettes$vnk[1]) +
geom_text(color = "black") +
facet_wrap(~nettomuutto_discrete) +
labs(y = "Vakanssiaste",
x = "Työttömyysaste",
title = "Nettomuutto") +
theme(legend.position = "bottom",
legend.justification = "left",
legend.text = element_text(size = 15),
axis.title = element_text(size = 15),
axis.text = element_text(size = 12),
plot.title = element_text(hjust = 0.5, size = 15)) +
scale_y_continuous(labels = percent_comma) +
scale_x_continuous(labels = percent_comma)
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/nettomuutto_beveridge.png", width = 8, height = 3.5)
############################################################
# Pehkonen et al. 2018 replica w. rakennemuutosseutukunnast
suuret_seutukunnat <- c("Helsinki", "Tampere", "Turku", "Oulu", "Jyväskylä", "Kuopio", "Seinäjoki")
rakennemuutos_seutukunnat <- c("Kouvola", "Kokkola", "Salo", "Forssa", "Jakobstadsregionen", "Imatra", "Kotka-Hamina", "Etelä-Pirkanmaa")
data <- data %>% mutate(stkluokka = ifelse(Seutukunta %in% suuret_seutukunnat,
"suuret_seutukunnat",
ifelse(Seutukunta %in% rakennemuutos_seutukunnat, "rakennemuutosseutukunnat", "muut_seutukunnat")))
data_stkluokat <- data %>% group_by(Kuukausi, stkluokka) %>%
summarize(Tyottomat = sum(Tyottomat, na.rm = TRUE),
Tyovoima = sum(Tyovoima, na.rm = TRUE),
Avoimet_tyopaikat = sum(Avoimet_tyopaikat, na.rm = TRUE)) %>%
mutate(tyottomyysaste = Tyottomat / Tyovoima,
vakanssiaste = Avoimet_tyopaikat / (Avoimet_tyopaikat + Tyovoima)) %>%
mutate(kuukausi = paste(substring(Kuukausi, 6,7), "01", sep = "-"),
vuosi = substring(Kuukausi, 1,4),
time = as.Date(paste(vuosi, kuukausi, sep = "-"))) %>%
group_by(stkluokka) %>%
mutate(tyottomyysaste_sa = sa_series(tyottomyysaste, time),
tyottomyysaste_trend = trend_series(tyottomyysaste, time),
vakanssiaste_sa = sa_series(vakanssiaste, time),
vakanssiaste_trend = trend_series(vakanssiaste, time),
tyottomat_sa = sa_series(Tyottomat, time),
tyottomat_trend = trend_series(Tyottomat, time),
avoimet_tyopaikat_sa = sa_series(Avoimet_tyopaikat, time),
avoimet_tyopaikat_trend = trend_series(Avoimet_tyopaikat, time))
data_stkluokat <- data_stkluokat %>%
mutate(vuosi_label = ifelse(grepl("M01", Kuukausi), vuosi, ""),
vuosi_label2 = ifelse(grepl("2006M01", Kuukausi) | grepl("2019M01", Kuukausi), vuosi, ""))
p1 <- data_stkluokat %>% ggplot(aes(x = tyottomat_trend, y = avoimet_tyopaikat_trend,
color = stkluokka, label = vuosi_label2)) +
geom_point(size = 1) +
geom_path(size = 1) +
geom_text(color = "black") +
labs(y = "Avoimet tyopaikat",
x = "Tyottomat",
color = NULL) +
theme(legend.position = "bottom",
legend.justification = "left",
legend.text = element_text(size = 15),
axis.title = element_text(size = 15),
axis.text = element_text(size = 12)) +
scale_color_manual(labels = c("Muut seutukunnat",
"Suuret seutukunnat",
"Rakennemuutoksen seutukunnat"),
values = brewer.pal(4, "Blues")[2:4])
p2 <- data_stkluokat %>% ggplot(aes(x = tyottomyysaste_trend, y = vakanssiaste_trend,
color = stkluokka, label = vuosi_label)) +
geom_point(size = 1) +
geom_path(size = 1) +
geom_text(color = "black") +
labs(y = "Vakanssiaste",
x = "Työttömyys",
color = NULL) +
theme(legend.position = "bottom",
legend.justification = "left",
legend.text = element_text(size = 15),
axis.title = element_text(size = 15),
axis.text = element_text(size = 12)) +
scale_color_manual(labels = c("Muut seutukunnat",
"Rakennemuutoksen seutukunnat",
"Suuret seutukunnat" ),
values = ggptt_palettes$ptt[1:3])
scale_y_continuous(labels = percent_comma) +
scale_x_continuous(labels = percent_comma)
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/suuret_pienet_rakennemuutos_seutukunnat.png")
p <- ggarrange(p1, p2, ncol = 2, common.legend = TRUE, legend = "bottom")
ggsave("analyysit/Kohtaanto/Kuviot/Beveridge/suuret_pienet_rakennemuutos_seutukunnat.png", plot = p,
width = 12,
height = 6)
# Vuosikeskiarvot
data_stkluokat2 <- data %>% group_by(Kuukausi, stkluokka) %>%
summarize(Tyottomat = sum(Tyottomat, na.rm = TRUE),
Tyovoima = sum(Tyovoima, na.rm = TRUE),
Avoimet_tyopaikat = sum(Avoimet_tyopaikat, na.rm = TRUE)) %>%
mutate(tyottomyysaste = Tyottomat / Tyovoima,
vakanssiaste = Avoimet_tyopaikat / (Avoimet_tyopaikat + Tyovoima)) %>%
mutate(vuosi = substring(Kuukausi, 1,4)) %>%
group_by(vuosi, stkluokka) %>%
summarize(tyottomyysaste = mean(tyottomyysaste, na.rm = TRUE),
Tyovoima = mean(Tyovoima, na.rm = TRUE),
Tyottomat = mean(Tyottomat, na.rm = TRUE),
Avoimet_tyopaikat = mean(Avoimet_tyopaikat, na.rm = TRUE),
vakanssiaste = mean(vakanssiaste, na.rm = TRUE))%>%
filter(vuosi < 2019)
data_stkluokat2 %>% ggplot(aes(x = tyottomyysaste, y = vakanssiaste,
col = stkluokka, label = vuosi)) +
geom_point(size = 1) +
geom_path(size = 1) +
geom_text() +
labs(y = "Vakanssiaste",
x = "Tyottomyysaste",
caption = "Lähde: Tilastokeskus, Työnvälitystilasto (TEM), PTT") +
scale_y_continuous(labels = percent_comma) +
scale_x_continuous(labels = percent_comma)
############################################################################################################
R Package Documentation
Browse R Packages
We want your feedback!
Note that we can't provide technical support on individual packages. You should contact the package authors for that.
Embedding an R snippet on your website
Add the following code to your website.
For more information on customizing the embed code, read Embedding Snippets.