研究問題與動機描述
** 我國近四十年來,粗離婚率持續呈現上升趨勢,離婚所延伸的議題極廣,針對離婚現象、發展趨勢,以及未來可因應之政策與作法,皆須要有進一步的檢討。
資料讀取
#讀取資料
load("../data/camp.Rdata")
資料處理
整理說明 :
我們為了瞭解全國離婚率的分布現象,先做出全臺各縣市的離婚率折線圖,從其中找出趨勢最平穩
圖示意涵闡述:
df %>% group_by(year,縣市名稱) %>%
summarize_if(is.numeric,mean) %>%
ggplot(aes(year,粗離婚率,color=縣市名稱))+geom_line() ->df2
ggplotly(df2)
city <- c("臺北市","桃園市","臺中市","澎湖縣","連江縣","金門縣")
df1 <- df %>% filter(縣市名稱 == city)
## Warning in 縣市名稱 == city: 較長的物件長度並非較短物件長度的倍數
df1 %>% group_by(year,縣市名稱) %>%
summarize_if(is.numeric,mean) %>%
ggplot(aes(year,粗離婚率,color=縣市名稱))+geom_line() ->df2
ggplotly(df2)
圖示意涵闡述:我們取全臺離婚變化率差異最大的前三個及末三個,分別為連江縣、澎湖縣、金門縣;台北市、台中市、桃園市。
df1 %>% filter(year>=102,year<=104) %>% group_by(year,縣市名稱) %>%
summarize_if(is.numeric,mean) %>%
ggplot(aes(year,粗出生率)) +
geom_line()+
facet_wrap( ~縣市名稱)
圖示意涵闡述:由此圖可以得知粗出生率的變化與粗離婚率有密切的關係。
df1 %>% group_by(year,縣市名稱) %>%filter(year>=102,year<=104,縣市名稱 == c("連江縣","臺北市")) %>%
ggplot(aes(year,各類所得金額薪資所得,group=year,color=縣市名稱))+geom_boxplot() + facet_wrap(~縣市名稱)
## Warning in 縣市名稱 == c("連江縣", "臺北市"): 較長的物件長度並非較短物件長度的倍
## 數
## Warning in 縣市名稱 == c("連江縣", "臺北市"): 較長的物件長度並非較短物件長度的倍
## 數
## Warning in 縣市名稱 == c("連江縣", "臺北市"): 較長的物件長度並非較短物件長度的倍
## 數
## Warning in 縣市名稱 == c("連江縣", "臺北市"): 較長的物件長度並非較短物件長度的倍
## 數
## Warning in 縣市名稱 == c("連江縣", "臺北市"): 較長的物件長度並非較短物件長度的倍
## 數
## Warning in 縣市名稱 == c("連江縣", "臺北市"): 較長的物件長度並非較短物件長度的倍
## 數
## Warning in 縣市名稱 == c("連江縣", "臺北市"): 較長的物件長度並非較短物件長度的倍
## 數
## Warning in 縣市名稱 == c("連江縣", "臺北市"): 較長的物件長度並非較短物件長度的倍
## 數
## Warning in 縣市名稱 == c("連江縣", "臺北市"): 較長的物件長度並非較短物件長度的倍
## 數
## Warning in 縣市名稱 == c("連江縣", "臺北市"): 較長的物件長度並非較短物件長度的倍
## 數
圖示意涵闡述:總增加人數與粗離婚率
df1 %>% group_by(縣市名稱) %>%
filter(year>=102,year<=104) %>%
summarize(總增加人數=mean(總增加人數),粗離婚率=mean(粗離婚率)) ->df2
## `summarise()` ungrouping output (override with `.groups` argument)
ggplotly(ggplot(df2,aes(粗離婚率,總增加人數,color=縣市名稱))+geom_point())
df1 %>% group_by(year,縣市名稱,鄉鎮市區名稱) %>%
filter(year>=102,year<=104) %>%
summarize(村里數量=n()) %>%
ggplot(aes(x=縣市名稱,村里數量))+
geom_col()+theme(axis.text.x = element_text(angle = 45)) + coord_flip()
## `summarise()` regrouping output by 'year', '縣市名稱' (override with `.groups` argument)
圖示意涵闡述:由此表得知,總增加人數越低、粗離婚率也越低。
df1 %>% group_by(year,縣市名稱) %>%filter(year>=102,year<=104,縣市名稱 == c("連江縣","臺北市")) %>%
ggplot(aes(year,粗死亡率,group=year,color=縣市名稱))+geom_boxplot() + facet_wrap(~縣市名稱)
## Warning in 縣市名稱 == c("連江縣", "臺北市"): 較長的物件長度並非較短物件長度的倍
## 數
## Warning in 縣市名稱 == c("連江縣", "臺北市"): 較長的物件長度並非較短物件長度的倍
## 數
## Warning in 縣市名稱 == c("連江縣", "臺北市"): 較長的物件長度並非較短物件長度的倍
## 數
## Warning in 縣市名稱 == c("連江縣", "臺北市"): 較長的物件長度並非較短物件長度的倍
## 數
## Warning in 縣市名稱 == c("連江縣", "臺北市"): 較長的物件長度並非較短物件長度的倍
## 數
## Warning in 縣市名稱 == c("連江縣", "臺北市"): 較長的物件長度並非較短物件長度的倍
## 數
## Warning in 縣市名稱 == c("連江縣", "臺北市"): 較長的物件長度並非較短物件長度的倍
## 數
## Warning in 縣市名稱 == c("連江縣", "臺北市"): 較長的物件長度並非較短物件長度的倍
## 數
## Warning in 縣市名稱 == c("連江縣", "臺北市"): 較長的物件長度並非較短物件長度的倍
## 數
## Warning in 縣市名稱 == c("連江縣", "臺北市"): 較長的物件長度並非較短物件長度的倍
## 數
圖示意涵闡述:老年人戶數與粗離婚率。
df1 %>% group_by(year,縣市名稱) %>%filter(year>=102,year<=104,縣市名稱 == c("連江縣","臺北市")) %>%
ggplot(aes(year,老年人戶數,group=year,color=縣市名稱))+geom_boxplot() + facet_wrap(~縣市名稱)
## Warning in 縣市名稱 == c("連江縣", "臺北市"): 較長的物件長度並非較短物件長度的倍
## 數
## Warning in 縣市名稱 == c("連江縣", "臺北市"): 較長的物件長度並非較短物件長度的倍
## 數
## Warning in 縣市名稱 == c("連江縣", "臺北市"): 較長的物件長度並非較短物件長度的倍
## 數
## Warning in 縣市名稱 == c("連江縣", "臺北市"): 較長的物件長度並非較短物件長度的倍
## 數
## Warning in 縣市名稱 == c("連江縣", "臺北市"): 較長的物件長度並非較短物件長度的倍
## 數
## Warning in 縣市名稱 == c("連江縣", "臺北市"): 較長的物件長度並非較短物件長度的倍
## 數
## Warning in 縣市名稱 == c("連江縣", "臺北市"): 較長的物件長度並非較短物件長度的倍
## 數
## Warning in 縣市名稱 == c("連江縣", "臺北市"): 較長的物件長度並非較短物件長度的倍
## 數
## Warning in 縣市名稱 == c("連江縣", "臺北市"): 較長的物件長度並非較短物件長度的倍
## 數
## Warning in 縣市名稱 == c("連江縣", "臺北市"): 較長的物件長度並非較短物件長度的倍
## 數
粗死亡率越高,當年的離婚率也會越高。
結論、策略建議
Conclution :
由上述各圖得知,很多因素都會影響離婚率,各縣市應該要提升各項福利照顧民眾,降低離婚率、創造美好家庭。