台灣各地區離婚率比較

研究問題與動機描述

全亞洲離婚率最高的地方就在台灣,我們想透過觀察台灣各縣市的離婚率來找出影響離婚率的因素

資料讀取

#讀取資料
load("../data/camp.Rdata")

資料視覺化

df %>% group_by(縣市名稱) %>% 
  summarize(離婚率=mean(粗離婚率)) %>%
  mutate(縣市名稱 = reorder(縣市名稱,離婚率)) %>%
  ggplot(aes(縣市名稱,離婚率,col=縣市名稱))+
  geom_col()+theme(axis.text.x = element_text(angle = 45))

> 圖示意涵闡述:以六都中，桃園離婚率最高，台南離婚率最低

df %>% group_by(縣市名稱) %>% 
  summarize (
    born= mean(自然增加人數),
    各類所得金額合計=mean(薪資淨所得),
    粗離婚率=mean(粗離婚率)
  ) ->df1 

ggplotly(ggplot(df1,aes(born,各類所得金額合計,colour=縣市名稱,size = 粗離婚率 ))+geom_point())

> 圖示意涵闡述:出生率及所得和離婚率較無相關(桃園&金門)

df %>% group_by(縣市名稱) %>% 
  summarize (
    老年人戶數= mean(老年人戶數),
    各類所得金額合計=mean(薪資淨所得),
    粗離婚率=mean(粗離婚率)
  ) ->df1 

ggplotly(ggplot(df1,aes(老年人戶數,各類所得金額合計,colour=縣市名稱,size = 粗離婚率 ))+geom_point())

> 圖示意涵闡述:老人不分年分(x軸)各類所得(y軸)離婚率(點的大小) 因為太多資料比較，相關較不明顯，因此挑出六都中離婚率最高與最低的兩個出來深入探討

df %>%
  filter(縣市名稱 %in% c("桃園市","臺南市"))%>%
  group_by(縣市名稱,year) %>% 
  summarize(老年人戶數=mean(老年人戶數),離婚率=mean(粗離婚率)) ->df1 

ggplotly(ggplot(df1,aes(老年人戶數,離婚率,colour=縣市名稱))+geom_point() +facet_wrap(~year))

> 圖示意涵闡述:100-106桃園與台南相關比較

結論、策略建議

Conclution :

我們根據表格的面相假設影響離婚率的因素,若離婚率居高不下,勢必會引發更多的社會問題,而老人的多寡對離婚率有些微的影響,建議桃園政府可以提出更多的老人福利,也許可以改善居高不下的離婚率