Aldersfordeling- og mengde i Norges fylker (i et mosaikk-diagram)

Klikk for å se (hakket) større.

Når vi sammenligner forskjellige grupper, steder eller hva det måtte være statistisk, så er det gjerne en av to ting vi snakker om. Bor det flere eldre i et fylke som Nordland enn i Oslo, eller er det en større andel eldre i Nordland enn i Oslo.

Jeg er glad i andeler, som er en form for relativ verdi. Andelen eldre er stor eller liten i forhold til (relativt til) den totale befolkningen i fylket. Antall eldre er ett, absolutt tall. Det tallet forandres ikke noe av hvor stor resten av befolkningen er.

Hvorfor babler jeg om dette? Jo, fordi man stort sett må velge å vise enten relative eller absolutte verdier når man lager en graf om noe.

Med såkalte mosaikk-diagram kan man imidlertid vise begge deler!

Mosaikk-diagram, er ikke så ulike stablete søylediagram som summerer til 100 prosent. I slike søylediagram er vi vant til at høyden på søylene og søylebitene angir en verdi. I et mosaikk-diagram kan i tillegg bredden på søylene bety noe.

I tilfellet mitt kan det være litt forvirrende å snakke om bredde og høyde, for jeg har lagt diagrammet mitt på siden, så du skal slippe å snu på hodet for å lese fylkesnavnene. I mitt tilfelle viser bredden på søylebiten hvor stor andel den aldersgruppen utgjør av befolkningen i hvert fylke. I Oslo er søylebiten for voksne (20-64 år) bredere enn i Trøndelag fordi en større andel av befolkningen i Oslo (66,3 %) er voksne enn i Trøndelag (59 %). 

I tillegg viser høyden på søylene hvor  mange som bor i hvert fylke, uavhengig av aldersfordelingen. Høydeforskjellen mellom søylene til Viken og Vestland viser for eksempel at dobbelt så mange bor i Viken som i Vestland. Dette gjør at arealet på senior-rektangelen angir hvor mange eldre som bor i hvert fylke.

Vi kan for eksempel se nå at hvis du møter på 100 tilfeldige mennesker på i Innlandet, så er det mer sannsynlig at du møter på en over 65 år enn hvis du møter på 100 tilfeldige mennesker i Oslo. Rett og slett fordi en større andel av befolkningen i Nordland er 65 år og eldre enn i Oslo.

Men, vi kan også se at  det bor flere eldre mennesker i Viken enn i Nordland, selv om prosentandelen er lavere, rett og slett fordi det bor mye mer folk i Viken i utgangspunktet. Generelt, legg merke til hvor mye høyere Viken er enn alle andre fylker ...

Et par siste ting om valg i denne grafen. Jeg valgte at andelen eldre skulle stå i sentrum. Derfor rangerte jeg alle fylkene etter andelen eldre. I tillegg ga jeg denne aldersgruppen en mye sterkere farge enn de andre aldersgruppene. Gulaktige farger er ekstremt effektive til å fremheve noe fordi de kan være både lyse og sterke (mette/saturated) samtidig. Samtidig knotet jeg en del med fargehjulet til Adobe for å finne dempede farger som samtidig fungerer bra med denne gulfargen. Jeg valgte også å ikke angi verdier for hvor mange som faktisk bor i de forskjellige regionene, rett og slett fordi jeg ikke vil oversvømme grafen med altfor mange detaljer.

Når det gjelder arbeidsgangen, så lagde jeg først grafen i statistikkprogrammet R, hvor jeg også lastet ned statistikken fra SSB. Koden kan du se under. Deretter eksporterte jeg en svg-fil til Inkscape – som er et veldig habilt gratisalternativ til Adobe Illustrator – og gjorde en god del estetisk finpuss der. Svg-fil er viktig, for det betyr at alle enkeltelementene i grafen er redigerbare vektorer og kan flyttes og endres på i Inkscape. Jeg kunne nok tatt meg av mye mer av den estetiske finpussen i R, men var litt gøy å bare knote i Inkscape. Lenge siden jeg har gjort den type grafisk arbeid.

	# install.packages(c("ggmosaic", "tidyverse", "ggmosaic"))
	# Activate packages
	library(tidyverse)
	library(PxWebApiData)
	library(ggmosaic)
	# Import SSB data
	meta <- ApiData("http://data.ssb.no/api/v0/en/table/07459", returnMetaFrames = TRUE)
	meta$Region
	meta$Kjonn
	meta$Alder
	df_raw <- ApiData("http://data.ssb.no/api/v0/en/table/07459",
	Region = list("agg_single:Fylker2020", c("30", "03", "34", "38", "42", "11", "46", "15", "50", "18", "54", "21")),
	Alder = list("agg:TredeltGrupperingB2", c("F0-19", "F20-64", "F65+")),
	Tid = "2021")
	df1 <- df_raw$`07459: Population, by region, sex, age, contents and year`
	# Manipulate data
	# A lot of tweaking to make sure I can rank the counties according
	# to share of seniors.
	df <- df1 %>%
	group_by(region, age) %>%
	summarise(pop = sum(value)) %>%
	filter(region != "Svalbard") %>%
	mutate(old = case_when(age == "65 years or older" ~ pop),
	adult = case_when(age == "20-64 years" ~ pop),
	young = case_when(age == "0-19 years" ~ pop)) %>%
	fill(old, .direction = "updown") %>%
	fill(adult, .direction = "updown") %>%
	fill(young, .direction = "updown")
	# Get total population of each region
	df_tot <- df %>%
	group_by(region) %>%
	summarise(poptot = sum(pop),
	old = first(old),
	adult = first(adult),
	young = first(young)) %>%
	mutate(old_share = old / poptot * 100,
	adult_share = adult / poptot * 100,
	young_share = young / poptot * 100)
	# Estimate senior share of each region
	# Change order of regions
	df <- df %>%
	left_join(df_tot) #%>%
	# Make mosaic graph
	# Ensure falling order of counties according to share of old people
	df$region <- fct_reorder(df$region, df$old_share)
	# Make mosaic pplots
	# Plot without labels
	mosaic <- df %>%
	ggplot() +
	geom_mosaic(aes(x = product(age, region), fill = age, weight = pop)) +
	coord_flip() +
	theme_void() +
	theme(legend.position = "none") +
	scale_fill_manual(values=c("#BC9F9F", "#7BA7B0", "#F0C400"))
	# Plot with labels
	m_labels <- df %>%
	ggplot() +
	geom_mosaic(aes(x = product(age, region), fill = age, weight = pop)) +
	coord_flip() +
	theme(legend.position = "none") +
	scale_fill_manual(values=c("#BC9F9F", "#7BA7B0", "#F0C400"))
	# Show the graphs
	mosaic
	m_labels

view raw gistfile1.txt hosted with ❤ by GitHub