# Pendelointi koko maassa ajassa
library(tidyverse)
library(ggplot2)
library(ggptt)
library(gridExtra)
library(RColorBrewer)
devtools::load_all()
set_gg(theme_ptt(), "ptt")
set_proj()
# Hae data
data(dat_pendelointi)
dat_pendelointi <- filter(dat_pendelointi, aluetyyppi != "Koko maa")
# Pendelöijien absoluuttinen määrä koko maassa.
# Huom. koko maan summia laskettaessa ei ole väliä summaileekko kohde- vai lähtöalueiden pendelöintejä.
# Notes: pendelöinti määritelty kuntien välisenä pendelöintinä
p1 <- dat_pendelointi %>%
group_by(vuosi) %>%
summarize(commuters = sum(lahtopendelointi)) %>%
ungroup() %>%
ggplot(aes(y = commuters, x = vuosi)) +
scale_x_continuous(breaks = scales::pretty_breaks(n = 6)) +
geom_line() +
#ggtitle("Pendelöijien määrä Suomessa 1987 - 2015") + #Kuntien välinen pendelöinti
ylab("Pendelöijien määrä") +
xlab(NULL) +
scale_y_continuous(limits = c(400000,800000), labels = deci_comma)
ggsave("analyysit/Pendelointi/Pendelointi_koko_maassa_ajassa/absoluuttinen_maara.png", p1)
# Pendelöijien osuus työllisistä koko maassa
# Notes: pendelöinti määritelty kuntien välisenä pendelöintinä
p2 <- dat_pendelointi %>%
group_by(vuosi) %>%
summarize(pendeloijat_yhteensa = sum(lahtopendelointi),
ei_pendeloijat_yhteensa = sum(asuinkunnassaan_tyossakayvat)) %>%
mutate(pendelointiosuus = pendeloijat_yhteensa /
(pendeloijat_yhteensa + ei_pendeloijat_yhteensa)) %>%
ungroup() %>%
ggplot(aes(y = pendelointiosuus, x = vuosi)) +
scale_x_continuous(breaks = scales::pretty_breaks(n = 6)) +
geom_line() +
#ggtitle("Pendelöijien osuus työllisistä Suomessa 1987 - 2015") +
ylab("Pendelöijien osuus työllisistä") +
xlab(NULL) +
scale_y_continuous(limits = c(0.19,0.35), labels = percent_comma)
ggsave("analyysit/Pendelointi/Pendelointi_koko_maassa_ajassa/osuus_tyollisista.png", p2)
# Kuvaajat rinnakkain
p3 <- grid.arrange(p1, p2, nrow = 1)
ggsave("analyysit/Pendelointi/Pendelointi_koko_maassa_ajassa/molemmat.png", p3,
width = 300,
height = 100,
units = "mm")
################## Pendelöinti kuntien, seutukuntien ja maakuntien välillä ##################
# load("~/git_clones/KT162R/data/dat_muutto_aikasarja_km.rda")
dat_pendelointi_alue <- dat_muutto_aikasarja_km %>%
filter(tiedot %in% c("kuntien_valinen_pendelointi",
"seutukuntien_valinen_pendelointi",
"maakuntien_valinen_pendelointi",
"tyolliset"))
dat_pendelointi_alue %>%
group_by(time) %>%
mutate(osuus = 100 * value / value[tiedot == "tyolliset"]) %>%
ungroup() %>%
filter(tiedot != "tyolliset") %>%
# filter(tiedot != "kuntien_valinen_pendelointi") %>%
gather(vars, value, value, osuus) %>%
ggplot(aes(y = value, x = time, col = tiedot)) +
facet_wrap(vars(vars), scales = "free")+
scale_x_continuous(breaks = scales::pretty_breaks(n = 6)) +
geom_line() +
#ggtitle("Pendelöijien määrä Suomessa 1987 - 2015") + #Kuntien välinen pendelöinti
ylab("Pendelöijien määrä") +
xlab(NULL) +
scale_y_continuous( labels = deci_comma)
p1 <- dat_pendelointi_alue %>%
filter(tiedot != "tyolliset") %>%
group_by(tiedot) %>%
ggplot(aes(y = value, x = time, col = tiedot)) +
scale_x_continuous(breaks = scales::pretty_breaks(n = 6)) +
geom_line() +
#ggtitle("Pendelöijien määrä Suomessa 1987 - 2015") + #Kuntien välinen pendelöinti
ylab("Pendelöijien määrä") +
xlab(NULL) +
scale_y_continuous( labels = deci_comma)
ggsave("analyysit/Pendelointi/Pendelointi_koko_maassa_ajassa/absoluuttinen_maara.png", p1)
p2 <- dat_pendelointi_alue %>%
summarize(pendeloijat_yhteensa = sum(lahtopendelointi),
ei_pendeloijat_yhteensa = sum(asuinkunnassaan_tyossakayvat)) %>%
mutate(pendelointiosuus = pendeloijat_yhteensa /
(pendeloijat_yhteensa + ei_pendeloijat_yhteensa)) %>%
ggplot(aes(y = pendelointiosuus, x = vuosi)) +
scale_x_continuous(breaks = scales::pretty_breaks(n = 6)) +
geom_line() +
#ggtitle("Pendelöijien osuus työllisistä Suomessa 1987 - 2015") +
ylab("Pendelöijien osuus työllisistä") +
xlab(NULL) +
scale_y_continuous(limits = c(0.19,0.35), labels = percent_comma)
################# Aluetyyppien nettopendelöinti #######################################
library(ggplot2)
library(tidyverse)
library(statfitools)
library(ggptt)
library(gridExtra)
library(RColorBrewer)
library(ggpubr)
set_ptt()
theme_update(plot.subtitle = element_text(colour = "grey50", size = 9))
atyyppi_colour <- c(brewer.pal(6, "Blues")[3:6] , brewer.pal(6, "Greens")[4:6])
# Load data
data(dat_pendelointi)
data(aluetyyppi)
aluetyyppi <- rename(aluetyyppi, alue = kunta)
dat_pendelointi <- left_join(aluetyyppi, dat_pendelointi, by = "alue")
dat_pendelointi <- dat_pendelointi %>%
group_by(aluetyyppi, vuosi) %>%
summarize(tulopendelointi = sum(tulopendelointi, na.rm = TRUE),
lahtopendelointi = sum(lahtopendelointi, na.rm = TRUE),
asuinkunnassaan_tyossakayvat = sum(asuinkunnassaan_tyossakayvat)) %>%
mutate(nettopendelointi = tulopendelointi - lahtopendelointi,
nettopendelointiaste = (tulopendelointi- lahtopendelointi) /(asuinkunnassaan_tyossakayvat + lahtopendelointi)) %>%
gather(Tiedot, values, -aluetyyppi, -vuosi)
dat_pendelointi <- filter(dat_pendelointi, aluetyyppi != "Koko maa")
dat_pendelointi$aluetyyppi <- gdata::drop.levels(dat_pendelointi$aluetyyppi)
dat_pendelointi$aluetyyppi <- fct_relevel(dat_pendelointi$aluetyyppi,
c("PK-seutu", "Muut yliopistokaupungit", "Muut työssäkäyntialueden keskukset", "Muut kaupungit",
"Kaupunkien läh. maaseutu", "Ydinmaaseutu", "Harvaan asuttu maaseutu"))
aluetyyppi_labels = c("Pääkaupunkiseutu", "Yliopistokaupungit","Muut työssäkäyntikeskukset", "Kaupungit",
"Kaupunkien läheinen maaseutu", "Ydinmaaseutu", "Harvaan asuttu maaseutu")
# nettopendelointi #########################################################################
# Absoluuttiset määrät
p1 <- dat_pendelointi %>%
filter(Tiedot == "nettopendelointi") %>%
ggplot(aes(x = vuosi, y = values, color = aluetyyppi)) +
geom_line() +
geom_hline(yintercept = 0, color = "black", linetype = 2, size = 0.5) +
scale_colour_manual(values = atyyppi_colour,
labels = aluetyyppi_labels) +
scale_x_continuous(breaks = scales::pretty_breaks(n = 6)) +
theme(legend.title = element_blank(),
legend.position = "bottom",
legend.justification = "left") +
labs(x = NULL,
y = "Nettopendelointi")
# nettopendelointiasteet aluetyypeittäin, viiva
p2 <- dat_pendelointi %>%
filter(Tiedot == "nettopendelointiaste") %>%
ggplot(aes(x = vuosi, y = values, color = aluetyyppi)) +
geom_line() +
scale_colour_manual(values = atyyppi_colour,
labels = aluetyyppi_labels) +
geom_hline(yintercept = 0, color = "black", linetype = 2, size = 0.5) +
theme(legend.title = element_blank(),
legend.position = "bottom",
legend.justification = "left") +
scale_y_continuous(labels = percent_comma) +
scale_x_continuous(breaks = scales::pretty_breaks(n = 6)) +
labs(x = NULL,
y = "Nettopendelointiaste")
p <- ggarrange(p1, p2, ncol = 2, common.legend = TRUE, legend = "bottom")
ggsave("analyysit/Pendelointi/aluetyypeittain_molemmat.png", plot = p,
height = 5,
width = 8)
Add the following code to your website.
For more information on customizing the embed code, read Embedding Snippets.