破解離婚率問題

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。