Case-Study zur Arbeitslosigkeit in Deutschland

# Case-Study zur Arbeitslosigkeit in Deutschland

---

# Ziel der Case-Study

Deutschland hat europaweit eine der niedrigsten Arbeitslosenquoten:

.small[Quelle: [Von Heycci - Daten von Eurostat, CC BY-SA 2.5](https://commons.wikimedia.org/w/index.php?curid=33607327)]
]
--

.pull-right[
.question[Doch gilt dies für alle Regionen in Deutschland? Warum ist die Arbeitslosenquote in manchen Regionen höher als in anderen?]

---

# Ziele der Case Study

Diese Case-Study besteht aus **mehreren Teilen** und wird Sie durch die komplette Vorlesung als **konkretes Anschauungsobjekt** begleiten.

Diese Case-Study dient als:
- konkretes und umfangreiches Beispiel für ein Projekt
- ökonomische und geographische Kenntnisse über Deutschland erhalten
- Beispiel wie statistische und programmiertechnische Kenntnisse in der empirischen Arbeit eingesetzt werden können

---

# Datensätze herunterladen

---

## Ersten Teil der Case Study

- Daten einlesen
- Daten bearbeiten und in eine geeignete Form bringen ( `tidy` )

Anwenden auf

- Daten zur Arbeitslosenstatistik
- Daten zur Verschuldung einzelner Landkreise bzw. Gemeinden
- Daten zum BIP

---

## Wichtig für die Datenbeschaffung

- Zuverlässige und qualitativ hochwertige Datenquellen ausfinding machen 
- Automatisierten Download programmieren
- Einlesen, verarbeiten und zusammenführen verschiedener Datensätze in R

Verbindung zum 2. RTutor Problem Set:

- **Im Problem Set:** Kennzahlen zu verschiedenen Ländern der europäischen Union 
- **Hier:** Kennzahlen innerhalb Deutschlands

.alert[Sowohl in der Case-Study als auch in den RTutor Problem Sets treffen Sie auf konkrete Probleme, die Sie mit ihren Kenntnissen aus der Vorlesung lösen sollen.]

---

## Daten beschaffen

Woher beziehen wir unsere Informationen?
--

- Die Informationen über die Verschuldung der **Gemeinden** finden wir auf den Seiten des Statistischen Bundesamts im Report: [Integrierte Schulden der Gemeinden und Gemeindeverbände](https://www.statistikportal.de/de/veroeffentlichungen/integrierte-schulden-der-gemeinden-und-gemeindeverbaende).
- Die Informationen zur Arbeitslosigkeit auf **Verwaltungsgemeinschaftsebene** finden wir auf den Seiten der [Bundesagentur für Arbeit](https://statistik.arbeitsagentur.de/Navigation/Statistik/Statistik-nach-Themen/Arbeitslose-und-gemeldetes-Stellenangebot/Arbeitslose/Arbeitslose-Nav.html).
- Die Informationen zum BIP auf **Landkreisebene** finden wir auf den Seiten der [Statistischen Ämter des Bundes und der Länder](https://www.statistikportal.de/de/vgrdl).

---

## Nötige Pakete laden

---

```r
library(readxl)
library(skimr)
library(tidyverse)
```

```
## ── Attaching packages ─────────────────────────────────────── tidyverse 1.3.0 ──
```

```
## ✓ ggplot2 3.3.0     ✓ purrr   0.3.4
## ✓ tibble  3.0.4     ✓ dplyr   1.0.2
## ✓ tidyr   1.1.2     ✓ stringr 1.4.0
## ✓ readr   1.3.1     ✓ forcats 0.5.0
```

```
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## x dplyr::filter() masks stats::filter()
## x dplyr::lag()    masks stats::lag()
```

---

## Daten herunterladen

- Daten können von URLs mit Befehlen aus den Paketen `readxl` und `readr` direkt eingelesen werden
  - Für Text und Excel-Dateien
- Allerdings, wenn URL nicht mehr verfügbar, was dann?
  - Daten immer mit `download.file()` herunterladen und in einem Unterordner `data` abspeichern!
  
--

.instructions[Automatisierten Download programmieren (wird in der ausformulierten Case-Study gemacht)] (✔️)

.alert[Wir haben die Daten bereits im Github Repository `case-study-germany` heruntergeladen und abgespeichert. Klonen Sie dieses Repository von Github auf ihren PC!]

---

---

# Daten einlesen

Unterschiedliche Tabellenblätter, welches ist für uns interessant?

```r
excel_sheets("./data/Arbeitslose_2017.xlsx")
```

```
##  [1] "Deckblatt"           "Impressum"           "Inhalt"             
##  [4] "Hinweis"             "5"                   "6"                  
##  [7] "7"                   "8"                   "9"                  
## [10] "Statistik-Infoseite"
```
--

**Vermutung:** Durch Tabellenblatt "Inhalt" könnten wir schlauer werden

---

```r
alo_inhalt <- read_xlsx("./data/Arbeitslose_2017.xlsx", sheet = "Inhalt")
head(alo_inhalt, 15)
```

```
## # A tibble: 15 x 4
##    ...1                  ...2          ...3  `Arbeitslose nach Gemeinden     Ja…
##    <chr>                 <chr>         <lgl> <chr>                              
##  1 <NA>                  <NA>          NA    <NA>                               
##  2 Inhaltsverzeichnis    <NA>          NA    <NA>                               
##  3 <NA>                  <NA>          NA    <NA>                               
##  4 Berichtsmonat: Jahre… <NA>          NA    <NA>                               
##  5 <NA>                  <NA>          NA    <NA>                               
##  6 Arbeitslose nach Gem… <NA>          NA    <NA>                               
##  7 <NA>                  Impressum     NA    2                                  
##  8 <NA>                  Inhaltsverze… NA    3                                  
##  9 <NA>                  Hinweise      NA    4                                  
## 10 Zugang                <NA>          NA    <NA>                               
## 11 <NA>                  Insgesamt     NA    5                                  
## 12 Bestand               <NA>          NA    <NA>                               
## 13 <NA>                  Insgesamt     NA    6                                  
## 14 <NA>                  Männer        NA    7                                  
## 15 <NA>                  Frauen        NA    8
```
---

```r
alo_inhalt <- read_xlsx("./data/Arbeitslose_2017.xlsx", sheet = "Inhalt")
head(alo_inhalt, 15)
```

```r
## # A tibble: 15 x 4
##    ...1                  ...2          ...3  `Arbeitslose nach Gemeinden     Ja…
##    <chr>                 <chr>         <lgl> <chr>                              
##  1 <NA>                  <NA>          NA    <NA>                               
##  2 Inhaltsverzeichnis    <NA>          NA    <NA>                               
##  3 <NA>                  <NA>          NA    <NA>                               
##  4 Berichtsmonat: Jahre… <NA>          NA    <NA>                               
##  5 <NA>                  <NA>          NA    <NA>                               
##  6 Arbeitslose nach Gem… <NA>          NA    <NA>                               
##  7 <NA>                  Impressum     NA    2                                  
##  8 <NA>                  Inhaltsverze… NA    3                                  
##  9 <NA>                  Hinweise      NA    4                                  
## 10 Zugang                <NA>          NA    <NA>                               
## 11 <NA>                  Insgesamt     NA    5                                  
## 12 Bestand               <NA>          NA    <NA>                               
*## 13 <NA>                  Insgesamt     NA    6                                 
## 14 <NA>                  Männer        NA    7                                  
## 15 <NA>                  Frauen        NA    8
```

**Alternative:** Schauen Sie sich die Excel-Datei in Excel oder LibreOffice an und entscheiden Sie dann, welches Tabellenblatt Sie einlesen möchten.

---

## Spezifizieren welche Spalten eingelesen werden sollen

Welche Information benötigen wir aus der Tabelle
  - Die Anzahl aller Arbeitslosen pro Gemeinde (d.h. SGB II und III gemeinsam)
  - Die Anzahl der Arbeitslosen pro Gemeinde für einen bestimmten Rechtskreis (z.B. nur SGB II)
  - Die Anzahl der Arbeitslosen pro Gemeinde für einen bestimmten Rechtskreis und ein bestimmtes Alter (z.B. SGB II alle unter 25 Jahre)

---

## Spezifizieren welche Spalten eingelesen werden sollen

Welche Information benötigen wir aus der Tabelle
  - .alert[Die Anzahl aller Arbeitslosen pro Gemeinde (d.h. SGB II und III gemeinsam)]
  - Die Anzahl der Arbeitslosen pro Gemeinde für einen bestimmten Rechtskreis (z.B. nur SGB II)
  - Die Anzahl der Arbeitslosen pro Gemeinde für einen bestimmten Rechtskreis und ein bestimmtes Alter (z.B. SGB II alle unter 25 Jahre)

Weiterhin benötigen wir noch den `Schlüssel` und den Gemeindenamen.

Wie können wir die von uns benötigte Information möglichst einfach extrahieren?
--

- Der einfachste Weg: Die ersten acht Zeilen abzuschneiden und die Daten erst ab dort einzulesen.
- Anschließend behalten wir nur die ersten 3 Spalten

---

```r
*alo_skip <- read_xlsx("./data/Arbeitslose_2017.xlsx", sheet = "6", skip = 8)
```
]
 
.panel2-einlesen_alo-auto[

]

---
count: false

```r
alo_skip <- read_xlsx("./data/Arbeitslose_2017.xlsx", sheet = "6", skip = 8)

*alo_skip
```
]
 
.panel2-einlesen_alo-auto[

```
## # A tibble: 11,346 x 32
##    Schlüssel Gemeinde    `1`   `2`    `3`    `4`    `5`    `6`   `7`   `8`
##    <chr>     <chr>     <dbl> <dbl>  <dbl>  <dbl>  <dbl>  <dbl> <dbl> <dbl>
##  1 <NA>      Deutsch… 2.53e6 47840 230694 839545 529002 655249 14022 71133
##  2 01        Schlesw… 9.24e4  2072   9703  30138  18788  18688   437  2297
##  3 01001000  Flensbu… 4.51e3   108    566   1120    654    983    18   141
##  4 01002000  Kiel, L… 1.23e4   220   1100   3306   1842   3103    54   294
##  5 01003000  Lübeck,… 9.69e3   180    836   2902   1667   2050    41   204
##  6 01004000  Neumüns… 3.84e3   105    440   1134    685    724    10    45
##  7 01051     Dithmar… 4.63e3   147    634   1402    826    791    27   141
##  8 01051001  Albersd… 1.50e2     5     23     43     23     24     0     4
##  9 01051002  Arkebek  5.00e0     0      1      1      1      2    NA    NA
## 10 01051003  Averlak  1.50e1     0      3      4      4      1    NA     0
## # … with 11,336 more rows, and 22 more variables: `9` <dbl>, `10` <dbl>,
## #   `11` <dbl>, `12` <dbl>, `13` <dbl>, `14` <dbl>, `15` <dbl>, `16` <dbl>,
## #   `17` <dbl>, `18` <dbl>, `19` <dbl>, `20` <dbl>, `21` <dbl>, `22` <dbl>,
## #   `23` <dbl>, `24` <dbl>, `25` <dbl>, `26` <dbl>, `27` <dbl>, `28` <dbl>,
## #   `29` <dbl>, `30` <dbl>
```
]

---
count: false

```r
alo_skip <- read_xlsx("./data/Arbeitslose_2017.xlsx", sheet = "6", skip = 8)

alo_skip %>%
* select(c(`Schlüssel`, Gemeinde, `1`))
```
]
 
.panel2-einlesen_alo-auto[

```
## # A tibble: 11,346 x 3
##    Schlüssel Gemeinde                   `1`
##    <chr>     <chr>                    <dbl>
##  1 <NA>      Deutschland            2532837
##  2 01        Schleswig-Holstein       92434
##  3 01001000  Flensburg, Stadt          4512
##  4 01002000  Kiel, Landeshauptstadt   12345
##  5 01003000  Lübeck, Hansestadt        9692
##  6 01004000  Neumünster, Stadt         3836
##  7 01051     Dithmarschen              4628
##  8 01051001  Albersdorf                 150
##  9 01051002  Arkebek                      5
## 10 01051003  Averlak                     15
## # … with 11,336 more rows
```
]

---
count: false

```r
alo_skip <- read_xlsx("./data/Arbeitslose_2017.xlsx", sheet = "6", skip = 8)

alo_skip %>%
  select(c(`Schlüssel`, Gemeinde, `1`)) %>%
* rename(Regionalschluessel = `Schlüssel`,
*        alo = `1`)
```
]
 
.panel2-einlesen_alo-auto[

```
## # A tibble: 11,346 x 3
##    Regionalschluessel Gemeinde                   alo
##    <chr>              <chr>                    <dbl>
##  1 <NA>               Deutschland            2532837
##  2 01                 Schleswig-Holstein       92434
##  3 01001000           Flensburg, Stadt          4512
##  4 01002000           Kiel, Landeshauptstadt   12345
##  5 01003000           Lübeck, Hansestadt        9692
##  6 01004000           Neumünster, Stadt         3836
##  7 01051              Dithmarschen              4628
##  8 01051001           Albersdorf                 150
##  9 01051002           Arkebek                      5
## 10 01051003           Averlak                     15
## # … with 11,336 more rows
```
]

---
count: false

```r
alo_skip <- read_xlsx("./data/Arbeitslose_2017.xlsx", sheet = "6", skip = 8)

alo_skip %>%
  select(c(`Schlüssel`, Gemeinde, `1`)) %>%
  rename(Regionalschluessel = `Schlüssel`,
         alo = `1`) %>%
* filter(!is.na(alo) & Gemeinde!= "Deutschland")
```
]
 
.panel2-einlesen_alo-auto[

```
## # A tibble: 11,343 x 3
##    Regionalschluessel Gemeinde                 alo
##    <chr>              <chr>                  <dbl>
##  1 01                 Schleswig-Holstein     92434
##  2 01001000           Flensburg, Stadt        4512
##  3 01002000           Kiel, Landeshauptstadt 12345
##  4 01003000           Lübeck, Hansestadt      9692
##  5 01004000           Neumünster, Stadt       3836
##  6 01051              Dithmarschen            4628
##  7 01051001           Albersdorf               150
##  8 01051002           Arkebek                    5
##  9 01051003           Averlak                   15
## 10 01051004           Bargenstedt               17
## # … with 11,333 more rows
```
]

```r
*#Abspeichern als Datensatz data_alo
  
*data_alo <- alo_skip %>% 
  select(c(`Schlüssel`, Gemeinde, `1`)) %>%
  rename(Regionalschluessel = `Schlüssel`,
         alo = `1`) %>%
  filter(!is.na(alo) & Gemeinde!= "Deutschland")
```

---

## Konsistenzcheck

- Machen die Angaben Sinn und sind die Daten in sich konsistent?
- Externe Datenquelle suchen und intern auf konsistenz prüfen.
- Informationen aggregieren und mit anderen Quellen vergleichen
--

- Zunächst: Anzahl an Arbeitslosen für jedes **Bundesland** in 2017. 
  - zweistelligen `Regionalschluessel`
  - "Buchstaben" für jeden `Regionalschluessel` zählen (`nchar()` (number of characters))
- **Alternative Datenquelle:** [Die Anzahl der Arbeitslosen für das Jahr 2017 unterteilt nach Ländern der Arbeitsagentur](https://statistik.arbeitsagentur.de/Statistikdaten/Detail/201712/iiia4/akt-dat-jz/akt-dat-jz-d-0-201712-xlsx.xlsx)
  - Wichtig: Tabellenblatt 8

---

```r
*data_alo
```
]
 
.panel2-konsistenz_alo-auto[

---
count: false

```r
data_alo %>%
* filter(nchar(Regionalschluessel) == 2)
```
]
 
.panel2-konsistenz_alo-auto[

```
## # A tibble: 16 x 3
##    Regionalschluessel Gemeinde                  alo
##    <chr>              <chr>                   <dbl>
##  1 01                 Schleswig-Holstein      92434
##  2 02                 Hamburg                 69248
##  3 03                 Niedersachsen          244260
##  4 04                 Bremen                  35687
##  5 05                 Nordrhein-Westfalen    701219
##  6 06                 Hessen                 166286
##  7 07                 Rheinland-Pfalz        106299
##  8 08                 Baden-Württemberg      212837
##  9 09                 Bayern                 231353
## 10 10                 Saarland                34672
## 11 11                 Berlin                 168991
## 12 12                 Brandenburg             92648
## 13 13                 Mecklenburg-Vorpommern  70982
## 14 14                 Sachsen                140348
## 15 15                 Sachsen-Anhalt          96960
## 16 16                 Thüringen               68614
```
]

---
count: false

```r
data_alo %>%
  filter(nchar(Regionalschluessel) == 2) %>%
* rename(bundesland = Regionalschluessel)
```
]
 
.panel2-konsistenz_alo-auto[

```
## # A tibble: 16 x 3
##    bundesland Gemeinde                  alo
##    <chr>      <chr>                   <dbl>
##  1 01         Schleswig-Holstein      92434
##  2 02         Hamburg                 69248
##  3 03         Niedersachsen          244260
##  4 04         Bremen                  35687
##  5 05         Nordrhein-Westfalen    701219
##  6 06         Hessen                 166286
##  7 07         Rheinland-Pfalz        106299
##  8 08         Baden-Württemberg      212837
##  9 09         Bayern                 231353
## 10 10         Saarland                34672
## 11 11         Berlin                 168991
## 12 12         Brandenburg             92648
## 13 13         Mecklenburg-Vorpommern  70982
## 14 14         Sachsen                140348
## 15 15         Sachsen-Anhalt          96960
## 16 16         Thüringen               68614
```
]

```r
*# Abspeichern als check_alo_bundesland

*check_alo_bundesland <- data_alo %>%
  filter(nchar(Regionalschluessel) == 2) %>%
  rename(bundesland = Regionalschluessel)
```

---

```r
check_alo_bundesland
```

]

```r
include_graphics("./figs/Alo_Laender.png")
```

]

---

### Interne Konsistenz überprüfen

.instructions[Berechne: Anzahl an Arbeitslosen für jedes Bundesland als Summe der Arbeitslosen einer Gemeinde.]

```r
# Nur Gemeindedaten nutzen, dann auf Bundeslandebende die Summe aus den Gemeindedaten berechnen
alo_meta <- data_alo %>% 
  filter(nchar(Regionalschluessel) == 8) %>%
  mutate(landkreis = str_extract(Regionalschluessel, "^.{5}"),
         bundesland = str_extract(Regionalschluessel, "^.{2}"))

alo_bundesland <- alo_meta %>%
  group_by(bundesland) %>%
  summarise(total_alo = sum(alo))

alo_landkreis <- alo_meta %>%
  group_by(landkreis) %>%
  summarise(total_alo = sum(alo)) %>%
  rename(Regionalschluessel = landkreis)
```

---

```r
*data_alo
```
]
 
.panel2-interne_konsistenz1-auto[

---
count: false

```r
data_alo %>%
* filter(nchar(Regionalschluessel) == 8)
```
]
 
.panel2-interne_konsistenz1-auto[

```
## # A tibble: 11,010 x 3
##    Regionalschluessel Gemeinde                 alo
##    <chr>              <chr>                  <dbl>
##  1 01001000           Flensburg, Stadt        4512
##  2 01002000           Kiel, Landeshauptstadt 12345
##  3 01003000           Lübeck, Hansestadt      9692
##  4 01004000           Neumünster, Stadt       3836
##  5 01051001           Albersdorf               150
##  6 01051002           Arkebek                    5
##  7 01051003           Averlak                   15
##  8 01051004           Bargenstedt               17
##  9 01051005           Barkenholm                 3
## 10 01051006           Barlt                     21
## # … with 11,000 more rows
```
]

---
count: false

```r
data_alo %>%
  filter(nchar(Regionalschluessel) == 8) %>%
* mutate(landkreis = str_extract(Regionalschluessel, "^.{5}"))
```
]
 
.panel2-interne_konsistenz1-auto[

```
## # A tibble: 11,010 x 4
##    Regionalschluessel Gemeinde                 alo landkreis
##    <chr>              <chr>                  <dbl> <chr>    
##  1 01001000           Flensburg, Stadt        4512 01001    
##  2 01002000           Kiel, Landeshauptstadt 12345 01002    
##  3 01003000           Lübeck, Hansestadt      9692 01003    
##  4 01004000           Neumünster, Stadt       3836 01004    
##  5 01051001           Albersdorf               150 01051    
##  6 01051002           Arkebek                    5 01051    
##  7 01051003           Averlak                   15 01051    
##  8 01051004           Bargenstedt               17 01051    
##  9 01051005           Barkenholm                 3 01051    
## 10 01051006           Barlt                     21 01051    
## # … with 11,000 more rows
```
]

---
count: false

```r
data_alo %>%
  filter(nchar(Regionalschluessel) == 8) %>%
  mutate(landkreis = str_extract(Regionalschluessel, "^.{5}")) %>%
* mutate(bundesland = str_extract(Regionalschluessel, "^.{2}"))
```
]
 
.panel2-interne_konsistenz1-auto[

```
## # A tibble: 11,010 x 5
##    Regionalschluessel Gemeinde                 alo landkreis bundesland
##    <chr>              <chr>                  <dbl> <chr>     <chr>     
##  1 01001000           Flensburg, Stadt        4512 01001     01        
##  2 01002000           Kiel, Landeshauptstadt 12345 01002     01        
##  3 01003000           Lübeck, Hansestadt      9692 01003     01        
##  4 01004000           Neumünster, Stadt       3836 01004     01        
##  5 01051001           Albersdorf               150 01051     01        
##  6 01051002           Arkebek                    5 01051     01        
##  7 01051003           Averlak                   15 01051     01        
##  8 01051004           Bargenstedt               17 01051     01        
##  9 01051005           Barkenholm                 3 01051     01        
## 10 01051006           Barlt                     21 01051     01        
## # … with 11,000 more rows
```
]

---
count: false

```r
data_alo %>%
  filter(nchar(Regionalschluessel) == 8) %>%
  mutate(landkreis = str_extract(Regionalschluessel, "^.{5}")) %>%
  mutate(bundesland = str_extract(Regionalschluessel, "^.{2}")) ->
*alo_meta
```
]
 
.panel2-interne_konsistenz1-auto[

]

---

```r
*alo_meta
```
]
 
.panel2-interne_konsistenz2-auto[

---
count: false

```r
alo_meta %>%
* group_by(bundesland)
```
]
 
.panel2-interne_konsistenz2-auto[

```
## # A tibble: 11,010 x 5
## # Groups:   bundesland [16]
##    Regionalschluessel Gemeinde                 alo landkreis bundesland
##    <chr>              <chr>                  <dbl> <chr>     <chr>     
##  1 01001000           Flensburg, Stadt        4512 01001     01        
##  2 01002000           Kiel, Landeshauptstadt 12345 01002     01        
##  3 01003000           Lübeck, Hansestadt      9692 01003     01        
##  4 01004000           Neumünster, Stadt       3836 01004     01        
##  5 01051001           Albersdorf               150 01051     01        
##  6 01051002           Arkebek                    5 01051     01        
##  7 01051003           Averlak                   15 01051     01        
##  8 01051004           Bargenstedt               17 01051     01        
##  9 01051005           Barkenholm                 3 01051     01        
## 10 01051006           Barlt                     21 01051     01        
## # … with 11,000 more rows
```
]

---
count: false

```r
alo_meta %>%
  group_by(bundesland) %>%
* summarise(total_alo = sum(alo))
```
]
 
.panel2-interne_konsistenz2-auto[

```
## # A tibble: 16 x 2
##    bundesland total_alo
##    <chr>          <dbl>
##  1 01             92449
##  2 02             69248
##  3 03            244277
##  4 04             35687
##  5 05            701212
##  6 06            166296
##  7 07            106287
##  8 08            212835
##  9 09            231355
## 10 10             34675
## 11 11            168991
## 12 12             92644
## 13 13             70989
## 14 14            140348
## 15 15             96960
## 16 16             68609
```
]

---
count: false

```r
alo_meta %>%
  group_by(bundesland) %>%
  summarise(total_alo = sum(alo)) ->
*alo_bundesland
```
]
 
.panel2-interne_konsistenz2-auto[

]

---

```r
*alo_meta
```
]
 
.panel2-interne_konsistenz3-auto[

---
count: false

```r
alo_meta %>%
* group_by(landkreis)
```
]
 
.panel2-interne_konsistenz3-auto[

```
## # A tibble: 11,010 x 5
## # Groups:   landkreis [401]
##    Regionalschluessel Gemeinde                 alo landkreis bundesland
##    <chr>              <chr>                  <dbl> <chr>     <chr>     
##  1 01001000           Flensburg, Stadt        4512 01001     01        
##  2 01002000           Kiel, Landeshauptstadt 12345 01002     01        
##  3 01003000           Lübeck, Hansestadt      9692 01003     01        
##  4 01004000           Neumünster, Stadt       3836 01004     01        
##  5 01051001           Albersdorf               150 01051     01        
##  6 01051002           Arkebek                    5 01051     01        
##  7 01051003           Averlak                   15 01051     01        
##  8 01051004           Bargenstedt               17 01051     01        
##  9 01051005           Barkenholm                 3 01051     01        
## 10 01051006           Barlt                     21 01051     01        
## # … with 11,000 more rows
```
]

---
count: false

```r
alo_meta %>%
  group_by(landkreis) %>%
* summarise(total_alo = sum(alo))
```
]
 
.panel2-interne_konsistenz3-auto[

```
## # A tibble: 401 x 2
##    landkreis total_alo
##    <chr>         <dbl>
##  1 01001          4512
##  2 01002         12345
##  3 01003          9692
##  4 01004          3836
##  5 01051          4632
##  6 01053          5592
##  7 01054          5657
##  8 01055          5748
##  9 01056          8599
## 10 01057          3264
## # … with 391 more rows
```
]

---
count: false

```r
alo_meta %>%
  group_by(landkreis) %>%
  summarise(total_alo = sum(alo)) %>%
* rename(Regionalschluessel = landkreis)
```
]
 
.panel2-interne_konsistenz3-auto[

```
## # A tibble: 401 x 2
##    Regionalschluessel total_alo
##    <chr>                  <dbl>
##  1 01001                   4512
##  2 01002                  12345
##  3 01003                   9692
##  4 01004                   3836
##  5 01051                   4632
##  6 01053                   5592
##  7 01054                   5657
##  8 01055                   5748
##  9 01056                   8599
## 10 01057                   3264
## # … with 391 more rows
```
]

---
count: false

```r
alo_meta %>%
  group_by(landkreis) %>%
  summarise(total_alo = sum(alo)) %>%
  rename(Regionalschluessel = landkreis) ->
*alo_landkreis
```
]
 
.panel2-interne_konsistenz3-auto[

]

---

### Interne Konsistenz überprüfen

Wir wollen nun die zwei Tabellen miteinander verbinden (besserer Überblick)

- Datensatz `check_alo_bundeland`: Auf Bundesland aggregierte Zahlen der Arbeitslosigkeit aus den Gemeinden
- Datessatz `alo_bundesland`: Die schon von der Arbeitsagentur aggregierte Zahlen in unserem Datensatz

---

```r
*left_join(check_alo_bundesland, alo_bundesland, by = "bundesland")
```
]
 
.panel2-interne_konsistenz4-auto[

```
## # A tibble: 16 x 4
##    bundesland Gemeinde                  alo total_alo
##    <chr>      <chr>                   <dbl>     <dbl>
##  1 01         Schleswig-Holstein      92434     92449
##  2 02         Hamburg                 69248     69248
##  3 03         Niedersachsen          244260    244277
##  4 04         Bremen                  35687     35687
##  5 05         Nordrhein-Westfalen    701219    701212
##  6 06         Hessen                 166286    166296
##  7 07         Rheinland-Pfalz        106299    106287
##  8 08         Baden-Württemberg      212837    212835
##  9 09         Bayern                 231353    231355
## 10 10         Saarland                34672     34675
## 11 11         Berlin                 168991    168991
## 12 12         Brandenburg             92648     92644
## 13 13         Mecklenburg-Vorpommern  70982     70989
## 14 14         Sachsen                140348    140348
## 15 15         Sachsen-Anhalt          96960     96960
## 16 16         Thüringen               68614     68609
```
]

---
count: false

```r
left_join(check_alo_bundesland, alo_bundesland, by = "bundesland") ->
* check_consitency
```
]
 
.panel2-interne_konsistenz4-auto[

]

---
count: false

```r
left_join(check_alo_bundesland, alo_bundesland, by = "bundesland") ->
  check_consitency

*check_consitency
```
]
 
.panel2-interne_konsistenz4-auto[

---
count: false

```r
left_join(check_alo_bundesland, alo_bundesland, by = "bundesland") ->
  check_consitency

check_consitency %>%
* mutate(diff = alo - total_alo)
```
]
 
.panel2-interne_konsistenz4-auto[

```
## # A tibble: 16 x 5
##    bundesland Gemeinde                  alo total_alo  diff
##    <chr>      <chr>                   <dbl>     <dbl> <dbl>
##  1 01         Schleswig-Holstein      92434     92449   -15
##  2 02         Hamburg                 69248     69248     0
##  3 03         Niedersachsen          244260    244277   -17
##  4 04         Bremen                  35687     35687     0
##  5 05         Nordrhein-Westfalen    701219    701212     7
##  6 06         Hessen                 166286    166296   -10
##  7 07         Rheinland-Pfalz        106299    106287    12
##  8 08         Baden-Württemberg      212837    212835     2
##  9 09         Bayern                 231353    231355    -2
## 10 10         Saarland                34672     34675    -3
## 11 11         Berlin                 168991    168991     0
## 12 12         Brandenburg             92648     92644     4
## 13 13         Mecklenburg-Vorpommern  70982     70989    -7
## 14 14         Sachsen                140348    140348     0
## 15 15         Sachsen-Anhalt          96960     96960     0
## 16 16         Thüringen               68614     68609     5
```
]

---

# Pro-Kopf Verschuldung

---

## Pro-Kopf Verschuldung auf Gemeindeebene

- Auf Gemeindeebene aus dem Jahr 2017
- Querschnittsdaten
- Vom Statistischen Bundesamt direkt als Excel-Tabelle heruntergeladen (✔️)

```r
excel_sheets("./data/Schulden_2017.xlsx")
```

```
##  [1] "Titel"              "Impressum"          "Inhalt"            
##  [4] "Abkürzungen"        "Erläuterungen"      "SH"                
##  [7] "NI"                 "NW"                 "HE"                
## [10] "RP"                 "BW"                 "BY"                
## [13] "SL"                 "BB"                 "MV"                
## [16] "SN"                 "ST"                 "TH"                
## [19] "Statistische Ämter"
```

---

## Mehrere Tabellenblätter einlesen

- Nicht alle Informationen in **einem Tabellenblatt** enthalten
  - Viele separate Tabellenblätter
  - Hier kommt die `for`-Schleife zum Einsatz

---

## Mehrere Tabellenblätter einlesen

```r
sh <- read_xlsx("./data/Schulden_2017.xlsx", sheet = "SH")
head(sh,20)
```

```
## # A tibble: 20 x 16
##    `Zurück zum Inh… ...2  ...3  ...4  ...5  ...6  ...7  ...8  ...9  ...10 ...11
##    <chr>            <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
##  1  <NA>            <NA>  <NA>   <NA> <NA>   <NA> <NA>  <NA>  <NA>  <NA>  <NA> 
##  2  <NA>            <NA>  <NA>   <NA> <NA>   <NA> <NA>  <NA>  <NA>  <NA>  <NA> 
##  3 "Tabelle 1:    … <NA>  <NA>   <NA> <NA>   <NA> <NA>  <NA>  <NA>  <NA>  <NA> 
##  4 "nach Höhe der … <NA>  <NA>   <NA> <NA>   <NA> <NA>  <NA>  <NA>  <NA>  <NA> 
##  5 "Regional-\r\ns… Geme… Verw… "Ein… Schu… "Sch… Schu… <NA>  <NA>  <NA>  <NA> 
##  6  <NA>            <NA>  <NA>   <NA> <NA>   <NA> zusa… Schu… ante… <NA>  <NA> 
##  7  <NA>            <NA>  <NA>   <NA> <NA>   <NA> <NA>  <NA>  zusa… davo… <NA> 
##  8  <NA>            <NA>  <NA>   <NA> <NA>   <NA> <NA>  <NA>  <NA>  100%  50% …
##  9  <NA>            <NA>  <NA>   <NA> EUR    <NA> <NA>  <NA>  <NA>  <NA>  <NA> 
## 10  <NA>            <NA>  <NA>   <NA> 1     "2"   3     4     5     6     7    
## 11 "010010000000"   Flen… krei… "877… 5082… "579… 2979… 1126… 1853… 1822… 2906…
## 12 "010020000000"   Kiel… krei… "247… 9488… "383… 5632… 5626… 5701… 4437… 0    
## 13 "010030000000"   Lübe… krei… "216… 1206… "556… 6014… 5938… 7606… 7027… 0    
## 14 "010040000000"   Neum… krei… "787… 4260… "540… 1233… 1152… 8176… 8103… 0    
## 15 "01051"          Krei… Krei… "{13… 6517… "487… 4309… 4302… 72975 0     0    
## 16 "010510011011"   Brun… amts… "127… 3493… "273… 5707… 5195… 5125… 0     0    
## 17 "010510044044"   Heid… amts… "215… 3705… "172… 2237… 1999… 2375… 0     1863…
## 18 "010515163"      Amts… Amts… "{15… 1047… "66.… 1047… 9742… 72975 0     0    
## 19 "010515163003"   Aver… amts… "576" 1197… "207… 7796… 6325… 1471… 0     0    
## 20 "010515163010"   Bric… amts… "219" 4962… "226… 3336… 1865… 1471… 0     0    
## # … with 5 more variables: ...12 <chr>, ...13 <chr>, ...14 <chr>, `Zurück zum
## #   Inhalt...15` <chr>, ...16 <chr>
```

---

## Mehrere Tabellenblätter einlesen

Wir benötigen:
- "Regionalschlüssel"
- "Gemeindename"
- "Einwohner"
- "Schuldes des öffentlichen Bereichs insgesamt"
- "Schulden je Einwohner"

Variablenbezeichnungen beginnen in Zeile 5, d.h. wir ignorieren die ersten 4 Zeilen beim Einlesen.

---

## Mehrere Tabellenblätter einlesen

Der Übersicht halber wollen wir noch eine Spalte hinzufügen, welche den Namen des Tabellenblattes enthält, welches wir gerade eingelesen haben.

```r
# Einlesen des Tabellenblattes "SH" ohne die ersten 5 Zeilen und nur die Spalten 1-6
schulden_individuell <- read_xlsx("./data/Schulden_2017.xlsx", sheet = "SH", skip = 5)[1:6]
# Umbenennen der ersten 6 Spalten
colnames(schulden_individuell) <- c("Regionalschluessel", "Gemeinde", 
                                    "Verwaltungsform", "Einwohner", "Schulden_gesamt", "Schulden_pro_kopf")

# Zusätzliche Spalte hinzufügen mit dem Namen des Tabellenblattes
*schulden_individuell$Bundesland <- "SH"
```

---

```r
# Einlesen des Tabellenblattes "SH" ohne die ersten 5 Zeilen und nur die Spalten 1-6
*read_xlsx("./data/Schulden_2017.xlsx", sheet = "SH", skip = 5)[1:6]
```
]
 
.panel2-schulden_einlesen-auto[

```
## # A tibble: 1,312 x 6
##    `Regional-\r\ns… `Gemeinde/Gemei… Verwaltungsform `Einwohner/in\r…
##    <chr>            <chr>            <chr>           <chr>           
##  1 <NA>             <NA>             <NA>            <NA>            
##  2 <NA>             <NA>             <NA>            <NA>            
##  3 <NA>             <NA>             <NA>            <NA>            
##  4 <NA>             <NA>             <NA>            <NA>            
##  5 <NA>             <NA>             <NA>            <NA>            
##  6 010010000000     Flensburg, Stadt kreisfreie Sta… 87770           
##  7 010020000000     Kiel, Landeshau… kreisfreie Sta… 247135          
##  8 010030000000     Lübeck, Hansest… kreisfreie Sta… 216739          
##  9 010040000000     Neumünster, Sta… kreisfreie Sta… 78759           
## 10 01051            Kreisverwaltung… Kreisverwaltung {133 684}       
## # … with 1,302 more rows, and 2 more variables: `Schulden des öffentlichen
## #   Bereichs insgesamt` <chr>, `Schulden je \r\nEinwohner/in` <chr>
```
]

---
count: false

```r
# Einlesen des Tabellenblattes "SH" ohne die ersten 5 Zeilen und nur die Spalten 1-6
read_xlsx("./data/Schulden_2017.xlsx", sheet = "SH", skip = 5)[1:6] ->
* schulden_individuell
```
]
 
.panel2-schulden_einlesen-auto[

]

---
count: false

```r
# Einlesen des Tabellenblattes "SH" ohne die ersten 5 Zeilen und nur die Spalten 1-6
read_xlsx("./data/Schulden_2017.xlsx", sheet = "SH", skip = 5)[1:6] ->
  schulden_individuell

# Umbenennen der ersten 6 Spalten
*colnames(schulden_individuell) <- c("Regionalschluessel", "Gemeinde",
*                                   "Verwaltungsform", "Einwohner", "Schulden_gesamt", "Schulden_pro_kopf")
```
]
 
.panel2-schulden_einlesen-auto[

]

---
count: false

```r
# Einlesen des Tabellenblattes "SH" ohne die ersten 5 Zeilen und nur die Spalten 1-6
read_xlsx("./data/Schulden_2017.xlsx", sheet = "SH", skip = 5)[1:6] ->
  schulden_individuell

# Umbenennen der ersten 6 Spalten
colnames(schulden_individuell) <- c("Regionalschluessel", "Gemeinde",
                                    "Verwaltungsform", "Einwohner", "Schulden_gesamt", "Schulden_pro_kopf")

# Zusätzliche Spalte hinzufügen mit dem Namen des Tabellenblattes
*schulden_individuell$Bundesland <- "SH"
```
]
 
.panel2-schulden_einlesen-auto[

]

---
count: false

```r
# Einlesen des Tabellenblattes "SH" ohne die ersten 5 Zeilen und nur die Spalten 1-6
read_xlsx("./data/Schulden_2017.xlsx", sheet = "SH", skip = 5)[1:6] ->
  schulden_individuell

# Zusätzliche Spalte hinzufügen mit dem Namen des Tabellenblattes
schulden_individuell$Bundesland <- "SH"

*schulden_individuell
```
]
 
.panel2-schulden_einlesen-auto[

```
## # A tibble: 1,312 x 7
##    Regionalschlues… Gemeinde Verwaltungsform Einwohner Schulden_gesamt
##    <chr>            <chr>    <chr>           <chr>     <chr>          
##  1 <NA>             <NA>     <NA>            <NA>      <NA>           
##  2 <NA>             <NA>     <NA>            <NA>      <NA>           
##  3 <NA>             <NA>     <NA>            <NA>      <NA>           
##  4 <NA>             <NA>     <NA>            <NA>      EUR            
##  5 <NA>             <NA>     <NA>            <NA>      1              
##  6 010010000000     Flensbu… kreisfreie Sta… 87770     508281539      
##  7 010020000000     Kiel, L… kreisfreie Sta… 247135    948848421      
##  8 010030000000     Lübeck,… kreisfreie Sta… 216739    1206620094     
##  9 010040000000     Neumüns… kreisfreie Sta… 78759     426019276      
## 10 01051            Kreisve… Kreisverwaltung {133 684} 65179097       
## # … with 1,302 more rows, and 2 more variables: Schulden_pro_kopf <chr>,
## #   Bundesland <chr>
```
]

---

## Mehrere Tabellenblätter einlesen

```r
# Daten mit for-Schleife einlesen (Struktur gleich wie im vorherigen Chunk)
sheet_names <- excel_sheets("./data/Schulden_2017.xlsx")
# Einlesen der Tabellenblätter 7-18 (alle Bundesländer)
sheet_read <- sheet_names[7:18]
*for (i in 1:length(sheet_read)){
  tmp <- read_xlsx("./data/Schulden_2017.xlsx", sheet = sheet_read[i], skip = 5)[1:6]
*  tmp$Bundesland <- sheet_read[i]
  colnames(tmp) <- c("Regionalschluessel", "Gemeinde", "Verwaltungsform", 
                     "Einwohner", "Schulden_gesamt", "Schulden_pro_kopf", "Bundesland")
  # Daten aller weiteren Tabellenblätter unter den aktuellen Datensatz anheften
  schulden_individuell <- bind_rows(schulden_individuell, tmp)
}
```

---

## Mehrere Tabellenblätter einlesen

```r
# Daten mit for-Schleife einlesen (Struktur gleich wie im vorherigen Chunk)
sheet_names <- excel_sheets("./data/Schulden_2017.xlsx")
# Einlesen der Tabellenblätter 7-18 (alle Bundesländer)
sheet_read <- sheet_names[7:18]
for (i in 1:length(sheet_read)){
  tmp <- read_xlsx("./data/Schulden_2017.xlsx", sheet = sheet_read[i], skip = 5)[1:6]
*  tmp$Bundesland <- sheet_read[i]
  colnames(tmp) <- c("Regionalschluessel", "Gemeinde", "Verwaltungsform", 
                     "Einwohner", "Schulden_gesamt", "Schulden_pro_kopf", "Bundesland")
  # Daten aller weiteren Tabellenblätter unter den aktuellen Datensatz anheften
  schulden_individuell <- bind_rows(schulden_individuell, tmp)
}
```

Eine zusätzliche Spalte generieren, welche die Information pro Bundesland enthält

---

```r
*# Daten mit for-Schleife einlesen (Struktur gleich wie im vorherigen Chunk)  # Daten mit for-Schleife einlesen (Struktur gleich wie im vorherigen Chunk)
```
]
 
.panel2-for_loop-auto[

]

---
count: false

```r
# Daten mit for-Schleife einlesen (Struktur gleich wie im vorherigen Chunk)  # Daten mit for-Schleife einlesen (Struktur gleich wie im vorherigen Chunk)
*excel_sheets("./data/Schulden_2017.xlsx")
```
]
 
.panel2-for_loop-auto[

---
count: false

```r
# Daten mit for-Schleife einlesen (Struktur gleich wie im vorherigen Chunk)  # Daten mit for-Schleife einlesen (Struktur gleich wie im vorherigen Chunk)
excel_sheets("./data/Schulden_2017.xlsx") ->
* sheet_names
```
]
 
.panel2-for_loop-auto[

]

---
count: false

*# Einlesen der Tabellenblätter 7-18 (alle Bundesländer)  # Einlesen der Tabellenblätter 7-18 (alle Bundesländer)
```
]
 
.panel2-for_loop-auto[

]

---
count: false

# Einlesen der Tabellenblätter 7-18 (alle Bundesländer)  # Einlesen der Tabellenblätter 7-18 (alle Bundesländer)
*sheet_names[7:18]
```
]
 
.panel2-for_loop-auto[

```
##  [1] "NI" "NW" "HE" "RP" "BW" "BY" "SL" "BB" "MV" "SN" "ST" "TH"
```
]

---
count: false

# Einlesen der Tabellenblätter 7-18 (alle Bundesländer)  # Einlesen der Tabellenblätter 7-18 (alle Bundesländer)
sheet_names[7:18] ->
* sheet_read
```
]
 
.panel2-for_loop-auto[

]

---
count: false

# Einlesen der Tabellenblätter 7-18 (alle Bundesländer)  # Einlesen der Tabellenblätter 7-18 (alle Bundesländer)
sheet_names[7:18] ->
  sheet_read

*length(sheet_read)
```
]
 
.panel2-for_loop-auto[

```
## [1] 12
```
]

---
count: false

# Einlesen der Tabellenblätter 7-18 (alle Bundesländer)  # Einlesen der Tabellenblätter 7-18 (alle Bundesländer)
sheet_names[7:18] ->
  sheet_read

length(sheet_read)

*for (i in 1:length(sheet_read)){
* tmp <- read_xlsx("./data/Schulden_2017.xlsx", sheet = sheet_read[i], skip = 5)[1:6]
* tmp$Bundesland <- sheet_read[i]
* colnames(tmp) <- c("Regionalschluessel", "Gemeinde", "Verwaltungsform",
*                    "Einwohner", "Schulden_gesamt", "Schulden_pro_kopf", "Bundesland")
# Daten aller weiteren Tabellenblätter unter den aktuellen Datensatz anheften
* schulden_individuell <- bind_rows(schulden_individuell, tmp)
*} 
```
]
 
.panel2-for_loop-auto[

```
## [1] 12
```
]

---
count: false

# Einlesen der Tabellenblätter 7-18 (alle Bundesländer)  # Einlesen der Tabellenblätter 7-18 (alle Bundesländer)
sheet_names[7:18] ->
  sheet_read

length(sheet_read)

for (i in 1:length(sheet_read)){
  tmp <- read_xlsx("./data/Schulden_2017.xlsx", sheet = sheet_read[i], skip = 5)[1:6]
  tmp$Bundesland <- sheet_read[i]
  colnames(tmp) <- c("Regionalschluessel", "Gemeinde", "Verwaltungsform",
                     "Einwohner", "Schulden_gesamt", "Schulden_pro_kopf", "Bundesland")
# Daten aller weiteren Tabellenblätter unter den aktuellen Datensatz anheften
  schulden_individuell <- bind_rows(schulden_individuell, tmp)
}

*schulden_individuell
```
]
 
.panel2-for_loop-auto[

```
## [1] 12
```

```
## # A tibble: 25,796 x 7
##    Regionalschlues… Gemeinde Verwaltungsform Einwohner Schulden_gesamt
##    <chr>            <chr>    <chr>           <chr>     <chr>          
##  1 <NA>             <NA>     <NA>            <NA>      <NA>           
##  2 <NA>             <NA>     <NA>            <NA>      <NA>           
##  3 <NA>             <NA>     <NA>            <NA>      <NA>           
##  4 <NA>             <NA>     <NA>            <NA>      EUR            
##  5 <NA>             <NA>     <NA>            <NA>      1              
##  6 010010000000     Flensbu… kreisfreie Sta… 87770     508281539      
##  7 010020000000     Kiel, L… kreisfreie Sta… 247135    948848421      
##  8 010030000000     Lübeck,… kreisfreie Sta… 216739    1206620094     
##  9 010040000000     Neumüns… kreisfreie Sta… 78759     426019276      
## 10 01051            Kreisve… Kreisverwaltung {133 684} 65179097       
## # … with 25,786 more rows, and 2 more variables: Schulden_pro_kopf <chr>,
## #   Bundesland <chr>
```
]

---

## Variablen umformen

```r
head(schulden_individuell,15)
```

```
## # A tibble: 15 x 7
##    Regionalschlues… Gemeinde Verwaltungsform Einwohner Schulden_gesamt
##    <chr>            <chr>    <chr>           <chr>     <chr>          
##  1 <NA>             <NA>     <NA>            <NA>      <NA>           
##  2 <NA>             <NA>     <NA>            <NA>      <NA>           
##  3 <NA>             <NA>     <NA>            <NA>      <NA>           
##  4 <NA>             <NA>     <NA>            <NA>      EUR            
##  5 <NA>             <NA>     <NA>            <NA>      1              
##  6 010010000000     Flensbu… kreisfreie Sta… 87770     508281539      
##  7 010020000000     Kiel, L… kreisfreie Sta… 247135    948848421      
##  8 010030000000     Lübeck,… kreisfreie Sta… 216739    1206620094     
##  9 010040000000     Neumüns… kreisfreie Sta… 78759     426019276      
## 10 01051            Kreisve… Kreisverwaltung {133 684} 65179097       
## 11 010510011011     Brunsbü… amtsfreie Geme… 12781     34934876       
## 12 010510044044     Heide, … amtsfreie Geme… 21508     37056249       
## 13 010515163        Amtsver… Amtsverwaltung  {15 653}  1047175        
## 14 010515163003     Averlak  amtsangehörige… 576       1197761        
## 15 010515163010     Brickeln amtsangehörige… 219       496264         
## # … with 2 more variables: Schulden_pro_kopf <chr>, Bundesland <chr>
```

---

## Variablen umformen

Wir sehen, es gibt immer noch einige Probleme:

- Die Werte unserer Variablen stehen nicht direkt unter dem Variablennamen 
  - Dies können wir am einfachsten bereinigen indem wir alle `NA`s im Regionalschlüssel entfernen 
--

- Die Variablen "Einwohner", "Schulden_gesamt" und "Schulden_pro_Kopf" sind alle als `character` hinterlegt (`<chr>` unter dem Variablennamen in der vorherigen Tabelle)
  - Beispiel warum Klasse `character` (Zeile 28): Es sind geschweifte Klammern enthalten

```r
schulden_individuell[28,]
```

```
## # A tibble: 1 x 7
##   Regionalschlues… Gemeinde Verwaltungsform Einwohner Schulden_gesamt
##   <chr>            <chr>    <chr>           <chr>     <chr>          
## 1 010515163_Summe… Burg-Sa… Amtsgebiet      {15 653}  {22 848 088}   
## # … with 2 more variables: Schulden_pro_kopf <chr>, Bundesland <chr>
```

- Definition einer Variablen `landkreis`: Ersten 5 Zeichen im Regionalschlüssel

---

```r
# Die Daten wurden noch nicht schön eingelesen, in der Excel Tabelle
# waren die Variablennamen über mehrere Reihen gezogen, dies müssen wir noch ausgleichen
*schulden_individuell
```
]
 
.panel2-schulden_umformen-auto[

```
## # A tibble: 13,554 x 7
##    Regionalschlues… Gemeinde Verwaltungsform Einwohner Schulden_gesamt
##    <chr>            <chr>    <chr>           <chr>     <chr>          
##  1 <NA>             <NA>     <NA>            <NA>      <NA>           
##  2 <NA>             <NA>     <NA>            <NA>      <NA>           
##  3 <NA>             <NA>     <NA>            <NA>      <NA>           
##  4 <NA>             <NA>     <NA>            <NA>      EUR            
##  5 <NA>             <NA>     <NA>            <NA>      1              
##  6 010010000000     Flensbu… kreisfreie Sta… 87770     508281539      
##  7 010020000000     Kiel, L… kreisfreie Sta… 247135    948848421      
##  8 010030000000     Lübeck,… kreisfreie Sta… 216739    1206620094     
##  9 010040000000     Neumüns… kreisfreie Sta… 78759     426019276      
## 10 01051            Kreisve… Kreisverwaltung {133 684} 65179097       
## # … with 13,544 more rows, and 2 more variables: Schulden_pro_kopf <chr>,
## #   Bundesland <chr>
```
]

---
count: false

```
## # A tibble: 13,450 x 7
##    Regionalschlues… Gemeinde Verwaltungsform Einwohner Schulden_gesamt
##    <chr>            <chr>    <chr>           <chr>     <chr>          
##  1 010010000000     Flensbu… kreisfreie Sta… 87770     508281539      
##  2 010020000000     Kiel, L… kreisfreie Sta… 247135    948848421      
##  3 010030000000     Lübeck,… kreisfreie Sta… 216739    1206620094     
##  4 010040000000     Neumüns… kreisfreie Sta… 78759     426019276      
##  5 01051            Kreisve… Kreisverwaltung {133 684} 65179097       
##  6 010510011011     Brunsbü… amtsfreie Geme… 12781     34934876       
##  7 010510044044     Heide, … amtsfreie Geme… 21508     37056249       
##  8 010515163        Amtsver… Amtsverwaltung  {15 653}  1047175        
##  9 010515163003     Averlak  amtsangehörige… 576       1197761        
## 10 010515163010     Brickeln amtsangehörige… 219       496264         
## # … with 13,440 more rows, and 2 more variables: Schulden_pro_kopf <chr>,
## #   Bundesland <chr>
```
]

---
count: false

```
## # A tibble: 13,450 x 7
##    Regionalschlues… Gemeinde Verwaltungsform Einwohner Schulden_gesamt
##    <chr>            <chr>    <chr>           <chr>               <dbl>
##  1 010010000000     Flensbu… kreisfreie Sta… 87770           508281539
##  2 010020000000     Kiel, L… kreisfreie Sta… 247135          948848421
##  3 010030000000     Lübeck,… kreisfreie Sta… 216739         1206620094
##  4 010040000000     Neumüns… kreisfreie Sta… 78759           426019276
##  5 01051            Kreisve… Kreisverwaltung {133 684}        65179097
##  6 010510011011     Brunsbü… amtsfreie Geme… 12781            34934876
##  7 010510044044     Heide, … amtsfreie Geme… 21508            37056249
##  8 010515163        Amtsver… Amtsverwaltung  {15 653}          1047175
##  9 010515163003     Averlak  amtsangehörige… 576               1197761
## 10 010515163010     Brickeln amtsangehörige… 219                496264
## # … with 13,440 more rows, and 2 more variables: Schulden_pro_kopf <chr>,
## #   Bundesland <chr>
```
]

---
count: false

```
## # A tibble: 13,450 x 7
##    Regionalschlues… Gemeinde Verwaltungsform Einwohner Schulden_gesamt
##    <chr>            <chr>    <chr>               <dbl>           <dbl>
##  1 010010000000     Flensbu… kreisfreie Sta…     87770       508281539
##  2 010020000000     Kiel, L… kreisfreie Sta…    247135       948848421
##  3 010030000000     Lübeck,… kreisfreie Sta…    216739      1206620094
##  4 010040000000     Neumüns… kreisfreie Sta…     78759       426019276
##  5 01051            Kreisve… Kreisverwaltung        NA        65179097
##  6 010510011011     Brunsbü… amtsfreie Geme…     12781        34934876
##  7 010510044044     Heide, … amtsfreie Geme…     21508        37056249
##  8 010515163        Amtsver… Amtsverwaltung         NA         1047175
##  9 010515163003     Averlak  amtsangehörige…       576         1197761
## 10 010515163010     Brickeln amtsangehörige…       219          496264
## # … with 13,440 more rows, and 2 more variables: Schulden_pro_kopf <chr>,
## #   Bundesland <chr>
```
]

---
count: false

---
count: false

```
## # A tibble: 13,450 x 8
##    Regionalschlues… Gemeinde Verwaltungsform Einwohner Schulden_gesamt
##    <chr>            <chr>    <chr>               <dbl>           <dbl>
##  1 010010000000     Flensbu… kreisfreie Sta…     87770       508281539
##  2 010020000000     Kiel, L… kreisfreie Sta…    247135       948848421
##  3 010030000000     Lübeck,… kreisfreie Sta…    216739      1206620094
##  4 010040000000     Neumüns… kreisfreie Sta…     78759       426019276
##  5 01051            Kreisve… Kreisverwaltung        NA        65179097
##  6 010510011011     Brunsbü… amtsfreie Geme…     12781        34934876
##  7 010510044044     Heide, … amtsfreie Geme…     21508        37056249
##  8 010515163        Amtsver… Amtsverwaltung         NA         1047175
##  9 010515163003     Averlak  amtsangehörige…       576         1197761
## 10 010515163010     Brickeln amtsangehörige…       219          496264
## # … with 13,440 more rows, and 3 more variables: Schulden_pro_kopf <dbl>,
## #   Bundesland <chr>, landkreis <chr>
```
]

---
count: false

```r
# Die Daten wurden noch nicht schön eingelesen, in der Excel Tabelle
# waren die Variablennamen über mehrere Reihen gezogen, dies müssen wir noch ausgleichen
schulden_individuell %>%
  filter(!is.na(Regionalschluessel)) %>%
  mutate(Schulden_gesamt = as.numeric(Schulden_gesamt)) %>%
  mutate(Einwohner = as.numeric(Einwohner)) %>%
  mutate(Schulden_pro_kopf = as.numeric(Schulden_pro_kopf)) %>%
  mutate(landkreis = str_extract(Regionalschluessel, "^.{5}")) %>%
#bei der Gemeinde Selent wurde in der Excel Tabelle die "0" vergessen, dies wird hier behoben
* mutate(landkreis = ifelse(landkreis == "10575", "01057", landkreis))
```
]
 
.panel2-schulden_umformen-auto[

---
count: false

```r
# Die Daten wurden noch nicht schön eingelesen, in der Excel Tabelle
# waren die Variablennamen über mehrere Reihen gezogen, dies müssen wir noch ausgleichen
schulden_individuell %>%
  filter(!is.na(Regionalschluessel)) %>%
  mutate(Schulden_gesamt = as.numeric(Schulden_gesamt)) %>%
  mutate(Einwohner = as.numeric(Einwohner)) %>%
  mutate(Schulden_pro_kopf = as.numeric(Schulden_pro_kopf)) %>%
  mutate(landkreis = str_extract(Regionalschluessel, "^.{5}")) %>%
#bei der Gemeinde Selent wurde in der Excel Tabelle die "0" vergessen, dies wird hier behoben
  mutate(landkreis = ifelse(landkreis == "10575", "01057", landkreis)) %>%
#manche Landkreise haben keine Infos zu den Einwohnern, diese entfernen
* filter( !is.na( Einwohner ))
```
]
 
.panel2-schulden_umformen-auto[

```
## # A tibble: 11,050 x 8
##    Regionalschlues… Gemeinde Verwaltungsform Einwohner Schulden_gesamt
##    <chr>            <chr>    <chr>               <dbl>           <dbl>
##  1 010010000000     Flensbu… kreisfreie Sta…     87770       508281539
##  2 010020000000     Kiel, L… kreisfreie Sta…    247135       948848421
##  3 010030000000     Lübeck,… kreisfreie Sta…    216739      1206620094
##  4 010040000000     Neumüns… kreisfreie Sta…     78759       426019276
##  5 010510011011     Brunsbü… amtsfreie Geme…     12781        34934876
##  6 010510044044     Heide, … amtsfreie Geme…     21508        37056249
##  7 010515163003     Averlak  amtsangehörige…       576         1197761
##  8 010515163010     Brickeln amtsangehörige…       219          496264
##  9 010515163012     Buchholz amtsangehörige…      1008         1229382
## 10 010515163016     Burg (D… amtsangehörige…      4114         7921959
## # … with 11,040 more rows, and 3 more variables: Schulden_pro_kopf <dbl>,
## #   Bundesland <chr>, landkreis <chr>
```
]

---
count: false

```r
# Die Daten wurden noch nicht schön eingelesen, in der Excel Tabelle
# waren die Variablennamen über mehrere Reihen gezogen, dies müssen wir noch ausgleichen
schulden_individuell %>%
  filter(!is.na(Regionalschluessel)) %>%
  mutate(Schulden_gesamt = as.numeric(Schulden_gesamt)) %>%
  mutate(Einwohner = as.numeric(Einwohner)) %>%
  mutate(Schulden_pro_kopf = as.numeric(Schulden_pro_kopf)) %>%
  mutate(landkreis = str_extract(Regionalschluessel, "^.{5}")) %>%
#bei der Gemeinde Selent wurde in der Excel Tabelle die "0" vergessen, dies wird hier behoben
  mutate(landkreis = ifelse(landkreis == "10575", "01057", landkreis)) %>%
#manche Landkreise haben keine Infos zu den Einwohnern, diese entfernen
  filter( !is.na( Einwohner )) ->
*schulden_bereinigt
```
]
 
.panel2-schulden_umformen-auto[

]

---
count: false

```r
# Die Daten wurden noch nicht schön eingelesen, in der Excel Tabelle
# waren die Variablennamen über mehrere Reihen gezogen, dies müssen wir noch ausgleichen
schulden_individuell %>%
  filter(!is.na(Regionalschluessel)) %>%
  mutate(Schulden_gesamt = as.numeric(Schulden_gesamt)) %>%
  mutate(Einwohner = as.numeric(Einwohner)) %>%
  mutate(Schulden_pro_kopf = as.numeric(Schulden_pro_kopf)) %>%
  mutate(landkreis = str_extract(Regionalschluessel, "^.{5}")) %>%
#bei der Gemeinde Selent wurde in der Excel Tabelle die "0" vergessen, dies wird hier behoben
  mutate(landkreis = ifelse(landkreis == "10575", "01057", landkreis)) %>%
#manche Landkreise haben keine Infos zu den Einwohnern, diese entfernen
  filter( !is.na( Einwohner )) ->
schulden_bereinigt
```
]
 
.panel2-schulden_umformen-auto[

]

---

# Konsistenzcheck zum Schulden-Datensatz

---

## Interne Validität Schulden pro Kopf

- `Schulden_pro_Kopf_new` von Hand berechnen
- **Beachte:**
  - Geschweiften Klammern entfernen bei `Schulden_gesamt` (mit `str_remove_all`), als auch die Leerzeichen innerhalb der Zahlen (z.B. 15 653), was wir mit `gsub("[[:space:]]")` erreichen. 
  - Tun wir das nicht, so würden wir wieder `NA`s im Datensatz erhalten
  - Durch die ifelse Bedingung wird der Befehl `str_remove_all` nur angewendet, wenn tatsächlich geschweifte Klammern vorhanden sind

```r
# Erstellen der Vergleichstabelle
schulden_consistency <- schulden_individuell %>%
  filter( !is.na(Einwohner) & !is.na(Regionalschluessel) ) %>%
  mutate(Schulden_gesamt = ifelse(is.na(as.numeric(Schulden_gesamt))==TRUE, 
                                  as.numeric(gsub("[[:space:]]", "", str_remove_all(Schulden_gesamt, "[{}]"))), 
                                  as.numeric(Schulden_gesamt)),
         Schulden_pro_kopf = ifelse(is.na(as.numeric(Schulden_pro_kopf))==TRUE, 
                                    as.numeric(gsub("[[:space:]]", "", str_remove_all(Schulden_pro_kopf, "[{}]"))), 
                                    as.numeric(Schulden_pro_kopf)),
         Einwohner_num = ifelse(is.na(as.numeric(Einwohner))==TRUE, 
                                as.numeric(gsub("[[:space:]]", "", str_remove_all(Einwohner, "[{}]"))), 
                                as.numeric(Einwohner)),
         Schulden_pro_kopf_new = round(Schulden_gesamt / Einwohner_num,2)) %>%
  mutate(landkreis = str_extract(Regionalschluessel, "^.{5}"),
         differenz = Schulden_pro_kopf - Schulden_pro_kopf_new) 
```

]
---

```r
# Erstellen der Vergleichstabelle
*schulden_individuell
```
]
 
.panel2-schulden_konsistenz-auto[

---
count: false

```r
# Erstellen der Vergleichstabelle
schulden_individuell %>%
* filter( !is.na(Einwohner) & !is.na(Regionalschluessel) )
```
]
 
.panel2-schulden_konsistenz-auto[

```
## # A tibble: 13,421 x 7
##    Regionalschlues… Gemeinde Verwaltungsform Einwohner Schulden_gesamt
##    <chr>            <chr>    <chr>           <chr>     <chr>          
##  1 010010000000     Flensbu… kreisfreie Sta… 87770     508281539      
##  2 010020000000     Kiel, L… kreisfreie Sta… 247135    948848421      
##  3 010030000000     Lübeck,… kreisfreie Sta… 216739    1206620094     
##  4 010040000000     Neumüns… kreisfreie Sta… 78759     426019276      
##  5 01051            Kreisve… Kreisverwaltung {133 684} 65179097       
##  6 010510011011     Brunsbü… amtsfreie Geme… 12781     34934876       
##  7 010510044044     Heide, … amtsfreie Geme… 21508     37056249       
##  8 010515163        Amtsver… Amtsverwaltung  {15 653}  1047175        
##  9 010515163003     Averlak  amtsangehörige… 576       1197761        
## 10 010515163010     Brickeln amtsangehörige… 219       496264         
## # … with 13,411 more rows, and 2 more variables: Schulden_pro_kopf <chr>,
## #   Bundesland <chr>
```
]

---
count: false

```r
# Erstellen der Vergleichstabelle
schulden_individuell %>%
  filter( !is.na(Einwohner) & !is.na(Regionalschluessel) ) %>%
* mutate(Schulden_gesamt = ifelse(is.na(as.numeric(Schulden_gesamt))==TRUE,
*                                 as.numeric(gsub("[[:space:]]", "", str_remove_all(Schulden_gesamt, "[{}]"))),
*                                 as.numeric(Schulden_gesamt)))
```
]
 
.panel2-schulden_konsistenz-auto[

```
## # A tibble: 13,421 x 7
##    Regionalschlues… Gemeinde Verwaltungsform Einwohner Schulden_gesamt
##    <chr>            <chr>    <chr>           <chr>               <dbl>
##  1 010010000000     Flensbu… kreisfreie Sta… 87770           508281539
##  2 010020000000     Kiel, L… kreisfreie Sta… 247135          948848421
##  3 010030000000     Lübeck,… kreisfreie Sta… 216739         1206620094
##  4 010040000000     Neumüns… kreisfreie Sta… 78759           426019276
##  5 01051            Kreisve… Kreisverwaltung {133 684}        65179097
##  6 010510011011     Brunsbü… amtsfreie Geme… 12781            34934876
##  7 010510044044     Heide, … amtsfreie Geme… 21508            37056249
##  8 010515163        Amtsver… Amtsverwaltung  {15 653}          1047175
##  9 010515163003     Averlak  amtsangehörige… 576               1197761
## 10 010515163010     Brickeln amtsangehörige… 219                496264
## # … with 13,411 more rows, and 2 more variables: Schulden_pro_kopf <chr>,
## #   Bundesland <chr>
```
]

---
count: false

---
count: false

```r
# Erstellen der Vergleichstabelle
schulden_individuell %>%
  filter( !is.na(Einwohner) & !is.na(Regionalschluessel) ) %>%
  mutate(Schulden_gesamt = ifelse(is.na(as.numeric(Schulden_gesamt))==TRUE,
                                  as.numeric(gsub("[[:space:]]", "", str_remove_all(Schulden_gesamt, "[{}]"))),
                                  as.numeric(Schulden_gesamt))) %>%
  mutate(Schulden_pro_kopf = ifelse(is.na(as.numeric(Schulden_pro_kopf))==TRUE,
                                    as.numeric(gsub("[[:space:]]", "", str_remove_all(Schulden_pro_kopf, "[{}]"))),
                                    as.numeric(Schulden_pro_kopf))) %>%
* mutate(Einwohner_num = ifelse(is.na(as.numeric(Einwohner))==TRUE,
*                               as.numeric(gsub("[[:space:]]", "", str_remove_all(Einwohner, "[{}]"))),
*                               as.numeric(Einwohner)))
```
]
 
.panel2-schulden_konsistenz-auto[

```
## # A tibble: 13,421 x 8
##    Regionalschlues… Gemeinde Verwaltungsform Einwohner Schulden_gesamt
##    <chr>            <chr>    <chr>           <chr>               <dbl>
##  1 010010000000     Flensbu… kreisfreie Sta… 87770           508281539
##  2 010020000000     Kiel, L… kreisfreie Sta… 247135          948848421
##  3 010030000000     Lübeck,… kreisfreie Sta… 216739         1206620094
##  4 010040000000     Neumüns… kreisfreie Sta… 78759           426019276
##  5 01051            Kreisve… Kreisverwaltung {133 684}        65179097
##  6 010510011011     Brunsbü… amtsfreie Geme… 12781            34934876
##  7 010510044044     Heide, … amtsfreie Geme… 21508            37056249
##  8 010515163        Amtsver… Amtsverwaltung  {15 653}          1047175
##  9 010515163003     Averlak  amtsangehörige… 576               1197761
## 10 010515163010     Brickeln amtsangehörige… 219                496264
## # … with 13,411 more rows, and 3 more variables: Schulden_pro_kopf <dbl>,
## #   Bundesland <chr>, Einwohner_num <dbl>
```
]

---
count: false

```r
# Erstellen der Vergleichstabelle
schulden_individuell %>%
  filter( !is.na(Einwohner) & !is.na(Regionalschluessel) ) %>%
  mutate(Schulden_gesamt = ifelse(is.na(as.numeric(Schulden_gesamt))==TRUE,
                                  as.numeric(gsub("[[:space:]]", "", str_remove_all(Schulden_gesamt, "[{}]"))),
                                  as.numeric(Schulden_gesamt))) %>%
  mutate(Schulden_pro_kopf = ifelse(is.na(as.numeric(Schulden_pro_kopf))==TRUE,
                                    as.numeric(gsub("[[:space:]]", "", str_remove_all(Schulden_pro_kopf, "[{}]"))),
                                    as.numeric(Schulden_pro_kopf))) %>%
  mutate(Einwohner_num = ifelse(is.na(as.numeric(Einwohner))==TRUE,
                                as.numeric(gsub("[[:space:]]", "", str_remove_all(Einwohner, "[{}]"))),
                                as.numeric(Einwohner))) %>%
* mutate(Schulden_pro_kopf_new = round(Schulden_gesamt / Einwohner_num,2))
```
]
 
.panel2-schulden_konsistenz-auto[

```
## # A tibble: 13,421 x 9
##    Regionalschlues… Gemeinde Verwaltungsform Einwohner Schulden_gesamt
##    <chr>            <chr>    <chr>           <chr>               <dbl>
##  1 010010000000     Flensbu… kreisfreie Sta… 87770           508281539
##  2 010020000000     Kiel, L… kreisfreie Sta… 247135          948848421
##  3 010030000000     Lübeck,… kreisfreie Sta… 216739         1206620094
##  4 010040000000     Neumüns… kreisfreie Sta… 78759           426019276
##  5 01051            Kreisve… Kreisverwaltung {133 684}        65179097
##  6 010510011011     Brunsbü… amtsfreie Geme… 12781            34934876
##  7 010510044044     Heide, … amtsfreie Geme… 21508            37056249
##  8 010515163        Amtsver… Amtsverwaltung  {15 653}          1047175
##  9 010515163003     Averlak  amtsangehörige… 576               1197761
## 10 010515163010     Brickeln amtsangehörige… 219                496264
## # … with 13,411 more rows, and 4 more variables: Schulden_pro_kopf <dbl>,
## #   Bundesland <chr>, Einwohner_num <dbl>, Schulden_pro_kopf_new <dbl>
```
]

---
count: false

```r
# Erstellen der Vergleichstabelle
schulden_individuell %>%
  filter( !is.na(Einwohner) & !is.na(Regionalschluessel) ) %>%
  mutate(Schulden_gesamt = ifelse(is.na(as.numeric(Schulden_gesamt))==TRUE,
                                  as.numeric(gsub("[[:space:]]", "", str_remove_all(Schulden_gesamt, "[{}]"))),
                                  as.numeric(Schulden_gesamt))) %>%
  mutate(Schulden_pro_kopf = ifelse(is.na(as.numeric(Schulden_pro_kopf))==TRUE,
                                    as.numeric(gsub("[[:space:]]", "", str_remove_all(Schulden_pro_kopf, "[{}]"))),
                                    as.numeric(Schulden_pro_kopf))) %>%
  mutate(Einwohner_num = ifelse(is.na(as.numeric(Einwohner))==TRUE,
                                as.numeric(gsub("[[:space:]]", "", str_remove_all(Einwohner, "[{}]"))),
                                as.numeric(Einwohner))) %>%
  mutate(Schulden_pro_kopf_new = round(Schulden_gesamt / Einwohner_num,2)) %>%
* mutate(landkreis = str_extract(Regionalschluessel, "^.{5}"),
*        differenz = Schulden_pro_kopf - Schulden_pro_kopf_new)
```
]
 
.panel2-schulden_konsistenz-auto[

```
## # A tibble: 13,421 x 11
##    Regionalschlues… Gemeinde Verwaltungsform Einwohner Schulden_gesamt
##    <chr>            <chr>    <chr>           <chr>               <dbl>
##  1 010010000000     Flensbu… kreisfreie Sta… 87770           508281539
##  2 010020000000     Kiel, L… kreisfreie Sta… 247135          948848421
##  3 010030000000     Lübeck,… kreisfreie Sta… 216739         1206620094
##  4 010040000000     Neumüns… kreisfreie Sta… 78759           426019276
##  5 01051            Kreisve… Kreisverwaltung {133 684}        65179097
##  6 010510011011     Brunsbü… amtsfreie Geme… 12781            34934876
##  7 010510044044     Heide, … amtsfreie Geme… 21508            37056249
##  8 010515163        Amtsver… Amtsverwaltung  {15 653}          1047175
##  9 010515163003     Averlak  amtsangehörige… 576               1197761
## 10 010515163010     Brickeln amtsangehörige… 219                496264
## # … with 13,411 more rows, and 6 more variables: Schulden_pro_kopf <dbl>,
## #   Bundesland <chr>, Einwohner_num <dbl>, Schulden_pro_kopf_new <dbl>,
## #   landkreis <chr>, differenz <dbl>
```
]

---
count: false

```r
# Erstellen der Vergleichstabelle
schulden_individuell %>%
  filter( !is.na(Einwohner) & !is.na(Regionalschluessel) ) %>%
  mutate(Schulden_gesamt = ifelse(is.na(as.numeric(Schulden_gesamt))==TRUE,
                                  as.numeric(gsub("[[:space:]]", "", str_remove_all(Schulden_gesamt, "[{}]"))),
                                  as.numeric(Schulden_gesamt))) %>%
  mutate(Schulden_pro_kopf = ifelse(is.na(as.numeric(Schulden_pro_kopf))==TRUE,
                                    as.numeric(gsub("[[:space:]]", "", str_remove_all(Schulden_pro_kopf, "[{}]"))),
                                    as.numeric(Schulden_pro_kopf))) %>%
  mutate(Einwohner_num = ifelse(is.na(as.numeric(Einwohner))==TRUE,
                                as.numeric(gsub("[[:space:]]", "", str_remove_all(Einwohner, "[{}]"))),
                                as.numeric(Einwohner))) %>%
  mutate(Schulden_pro_kopf_new = round(Schulden_gesamt / Einwohner_num,2)) %>%
  mutate(landkreis = str_extract(Regionalschluessel, "^.{5}"),
         differenz = Schulden_pro_kopf - Schulden_pro_kopf_new) ->
*schulden_consistency
```
]
 
.panel2-schulden_konsistenz-auto[

]

---

## Interne Validität Schulden pro Kopf

```r
range(schulden_consistency$differenz, na.rm=TRUE)
```

```
## [1] -0.49  0.50
```

---

## Interne Validität Schulden pro Kopf

Es gibt 12 nicht verfügbaren Werte:

```r
filter(schulden_consistency, is.na(differenz))
```

```
## # A tibble: 12 x 11
##    Regionalschlues… Gemeinde Verwaltungsform Einwohner Schulden_gesamt
##    <chr>            <chr>    <chr>           <chr>               <dbl>
##  1 033519501_Summe… Lohheid… Samtgemeindege… {768}                  NA
##  2 033589501_Summe… Osterhe… Samtgemeindege… {2 884}                NA
##  3 052              Landsch… Landschaftsver… X               736700545
##  4 056              Landsch… Landschaftsver… X               671832895
##  5 058              Regiona… Kommunalverband X               132203729
##  6 067              Verwalt… Landeswohlfahr… X                30001419
##  7 074              Bezirks… Bezirksverband  X               140470575
##  8 081a             Landesw… Landeswohlfahr… X                 5323363
##  9 081b             Kommuna… Landeswohlfahr… X                       0
## 10 091785127_Summe… Allersh… Verwaltungsgem… {7 190}                NA
## 11 095725512_Summe… Auracht… Verwaltungsgem… {4 368}                NA
## 12 144              Kommuna… Landeswohlfahr… X                10043701
## # … with 6 more variables: Schulden_pro_kopf <dbl>, Bundesland <chr>,
## #   Einwohner_num <dbl>, Schulden_pro_kopf_new <dbl>, landkreis <chr>,
## #   differenz <dbl>
```

---

# Bruttoinlandsprodukt

---

## Informationen bzgl. des Bruttoinlandsprodukts

Nach dem Download bei den Statistischen Ämtern des Bundes und der Länder und einer ersten Betrachtung interessieren uns folgende Tabellenblätter:

- Betrachten der Daten 
  - Tabellenblatt "1.1" ist für unsere Analyse ausschlaggebend (für das BIP)
  - Tabellenblatt "3.1" ist für die Anzahl an Erwerbstätigen ausschlaggebend
  - Tabellenblatt "5." ist für die Anzahl an Einwohnern ausschlaggebend
- Die ersten vier Zeilen benötigen wir nicht
- Die letzte Zeile enthält eine kurze Beschreibung die wir nicht benötigen 
  - **Lösung:** Behalte alle Zeilen, welche bei der `Lfd. Nr.` numerisch sind
- Die folgenden Variablen benötigen wir nicht für unsere Analyse und können entfernt werden: `Lfd. Nr.`, `EU-Code`, `NUTS 1`, `NUTS 2`, `NUTS 3`, `Land`, `Gebietseinheit`

---

## Informationen bzgl. des Bruttoinlandsprodukts

```r
# Blatt 1.1 einlesen und die ersten 4 Zeilen skippen
bip <- read_xlsx("./data/R2B1.xlsx", sheet="1.1", skip = 4)
erwerb <- read_xlsx("./data/R2B1.xlsx", sheet="3.1", skip = 4)
einwohner <- read_xlsx("./data/R2B1.xlsx", sheet = "5.", skip = 4)
```

---

```r
# Zeile löschen in der die `Lfd. Nr.` nicht nummerisch ist
# Zusätzliche Spalten löschen
*bip
```
]
 
.panel2-bip_einlesen1-auto[

```
## # A tibble: 448 x 33
##    `Lfd. Nr.` `EU-Code` `Regional-schlü… Land  `NUTS 1` `NUTS 2` `NUTS 3`
##    <chr>      <chr>     <chr>            <chr> <chr>    <chr>    <chr>   
##  1 <NA>       <NA>      <NA>             <NA>  <NA>     <NA>     <NA>    
##  2 1          DE1       08               BW    1        <NA>     <NA>    
##  3 2          DE11      081              BW    <NA>     2        <NA>    
##  4 3          DE111     08111            BW    <NA>     <NA>     3       
##  5 4          DE112     08115            BW    <NA>     <NA>     3       
##  6 5          DE113     08116            BW    <NA>     <NA>     3       
##  7 6          DE114     08117            BW    <NA>     <NA>     3       
##  8 7          DE115     08118            BW    <NA>     <NA>     3       
##  9 8          DE116     08119            BW    <NA>     <NA>     3       
## 10 9          DE117     08121            BW    <NA>     <NA>     3       
## # … with 438 more rows, and 26 more variables: Gebietseinheit <chr>,
## #   `1992` <chr>, `1994` <chr>, `1995` <chr>, `1996` <chr>, `1997` <chr>,
## #   `1998` <chr>, `1999` <chr>, `2000` <dbl>, `2001` <dbl>, `2002` <dbl>,
## #   `2003` <dbl>, `2004` <dbl>, `2005` <dbl>, `2006` <dbl>, `2007` <dbl>,
## #   `2008` <dbl>, `2009` <dbl>, `2010` <dbl>, `2011` <dbl>, `2012` <dbl>,
## #   `2013` <dbl>, `2014` <dbl>, `2015` <dbl>, `2016` <dbl>, `2017` <dbl>
```
]

---
count: false

```r
# Zeile löschen in der die `Lfd. Nr.` nicht nummerisch ist
# Zusätzliche Spalten löschen
bip %>%
* filter(is.na(as.numeric(`Lfd. Nr.`))==FALSE)
```
]
 
.panel2-bip_einlesen1-auto[

```
## # A tibble: 445 x 33
##    `Lfd. Nr.` `EU-Code` `Regional-schlü… Land  `NUTS 1` `NUTS 2` `NUTS 3`
##    <chr>      <chr>     <chr>            <chr> <chr>    <chr>    <chr>   
##  1 1          DE1       08               BW    1        <NA>     <NA>    
##  2 2          DE11      081              BW    <NA>     2        <NA>    
##  3 3          DE111     08111            BW    <NA>     <NA>     3       
##  4 4          DE112     08115            BW    <NA>     <NA>     3       
##  5 5          DE113     08116            BW    <NA>     <NA>     3       
##  6 6          DE114     08117            BW    <NA>     <NA>     3       
##  7 7          DE115     08118            BW    <NA>     <NA>     3       
##  8 8          DE116     08119            BW    <NA>     <NA>     3       
##  9 9          DE117     08121            BW    <NA>     <NA>     3       
## 10 10         DE118     08125            BW    <NA>     <NA>     3       
## # … with 435 more rows, and 26 more variables: Gebietseinheit <chr>,
## #   `1992` <chr>, `1994` <chr>, `1995` <chr>, `1996` <chr>, `1997` <chr>,
## #   `1998` <chr>, `1999` <chr>, `2000` <dbl>, `2001` <dbl>, `2002` <dbl>,
## #   `2003` <dbl>, `2004` <dbl>, `2005` <dbl>, `2006` <dbl>, `2007` <dbl>,
## #   `2008` <dbl>, `2009` <dbl>, `2010` <dbl>, `2011` <dbl>, `2012` <dbl>,
## #   `2013` <dbl>, `2014` <dbl>, `2015` <dbl>, `2016` <dbl>, `2017` <dbl>
```
]

---
count: false

```r
# Zeile löschen in der die `Lfd. Nr.` nicht nummerisch ist
# Zusätzliche Spalten löschen
bip %>%
  filter(is.na(as.numeric(`Lfd. Nr.`))==FALSE) %>%
* select(-c(`Lfd. Nr.`, `EU-Code`, `NUTS 1`, `NUTS 2`, `NUTS 3`, Land, Gebietseinheit))
```
]
 
.panel2-bip_einlesen1-auto[

```
## # A tibble: 445 x 26
##    `Regional-schlü… `1992` `1994` `1995` `1996` `1997` `1998` `1999` `2000`
##    <chr>            <chr>  <chr>  <chr>  <chr>  <chr>  <chr>  <chr>   <dbl>
##  1 08               25493… 26274… 27240… 27745… 28310… 29167… 30138… 3.10e5
##  2 081              10985… 11086… 11474… 11624… 12040… 12321… 12714… 1.30e5
##  3 08111            32014… 30887… 31479… 31988… 33589… 32711… 34128… 3.43e4
##  4 08115            11977… 11750… 11867… 12025… 13820… 13545… 14308… 1.38e4
##  5 08116            12212… 12462… 12748… 13166… 13291… 13937… 14189… 1.44e4
##  6 08117            5119.… 5264.… 5546.… 5746.7 5775.… 5944.… 6032.… 6.12e3
##  7 08118            11486… 11965… 12571… 12707… 12962… 13324… 13663… 1.44e4
##  8 08119            8487.… 8743.… 9358.… 8816.… 8974.… 9213.… 9749.… 1.04e4
##  9 08121            4214.… 4401.… 4546.… 4534.… 4606.… 5682.… 5323.… 5.31e3
## 10 08125            6112.… 6195.… 6663.… 6900.… 7113.… 7737.… 8033.… 8.57e3
## # … with 435 more rows, and 17 more variables: `2001` <dbl>, `2002` <dbl>,
## #   `2003` <dbl>, `2004` <dbl>, `2005` <dbl>, `2006` <dbl>, `2007` <dbl>,
## #   `2008` <dbl>, `2009` <dbl>, `2010` <dbl>, `2011` <dbl>, `2012` <dbl>,
## #   `2013` <dbl>, `2014` <dbl>, `2015` <dbl>, `2016` <dbl>, `2017` <dbl>
```
]

---
count: false

```r
# Zeile löschen in der die `Lfd. Nr.` nicht nummerisch ist
# Zusätzliche Spalten löschen
bip %>%
  filter(is.na(as.numeric(`Lfd. Nr.`))==FALSE) %>%
  select(-c(`Lfd. Nr.`, `EU-Code`, `NUTS 1`, `NUTS 2`, `NUTS 3`, Land, Gebietseinheit)) %>%
* rename(Regionalschluessel = `Regional-schlüssel`)
```
]
 
.panel2-bip_einlesen1-auto[

```
## # A tibble: 445 x 26
##    Regionalschlues… `1992` `1994` `1995` `1996` `1997` `1998` `1999` `2000`
##    <chr>            <chr>  <chr>  <chr>  <chr>  <chr>  <chr>  <chr>   <dbl>
##  1 08               25493… 26274… 27240… 27745… 28310… 29167… 30138… 3.10e5
##  2 081              10985… 11086… 11474… 11624… 12040… 12321… 12714… 1.30e5
##  3 08111            32014… 30887… 31479… 31988… 33589… 32711… 34128… 3.43e4
##  4 08115            11977… 11750… 11867… 12025… 13820… 13545… 14308… 1.38e4
##  5 08116            12212… 12462… 12748… 13166… 13291… 13937… 14189… 1.44e4
##  6 08117            5119.… 5264.… 5546.… 5746.7 5775.… 5944.… 6032.… 6.12e3
##  7 08118            11486… 11965… 12571… 12707… 12962… 13324… 13663… 1.44e4
##  8 08119            8487.… 8743.… 9358.… 8816.… 8974.… 9213.… 9749.… 1.04e4
##  9 08121            4214.… 4401.… 4546.… 4534.… 4606.… 5682.… 5323.… 5.31e3
## 10 08125            6112.… 6195.… 6663.… 6900.… 7113.… 7737.… 8033.… 8.57e3
## # … with 435 more rows, and 17 more variables: `2001` <dbl>, `2002` <dbl>,
## #   `2003` <dbl>, `2004` <dbl>, `2005` <dbl>, `2006` <dbl>, `2007` <dbl>,
## #   `2008` <dbl>, `2009` <dbl>, `2010` <dbl>, `2011` <dbl>, `2012` <dbl>,
## #   `2013` <dbl>, `2014` <dbl>, `2015` <dbl>, `2016` <dbl>, `2017` <dbl>
```
]

---
count: false

```r
# Zeile löschen in der die `Lfd. Nr.` nicht nummerisch ist
# Zusätzliche Spalten löschen
bip %>%
  filter(is.na(as.numeric(`Lfd. Nr.`))==FALSE) %>%
  select(-c(`Lfd. Nr.`, `EU-Code`, `NUTS 1`, `NUTS 2`, `NUTS 3`, Land, Gebietseinheit)) %>%
  rename(Regionalschluessel = `Regional-schlüssel`) ->
*bip_wide
```
]
 
.panel2-bip_einlesen1-auto[

]

---

## Informationen bzgl. des Bruttoinlandsprodukts

Entsprechend können wir bei den Erwerbstätigen und den Einwohnern vorgehen:

```r
# Zeile löschen in der die `Lfd. Nr.` nicht nummerisch ist
# Zusätzliche Spalten löschen
erwerb_wide <- erwerb %>% 
  filter(is.na(as.numeric(`Lfd. Nr.`))==FALSE) %>%
  select(-c(`Lfd. Nr.`, `EU-Code`, `NUTS 1`, `NUTS 2`, `NUTS 3`, Land, Gebietseinheit)) %>%
  rename(Regionalschluessel = `Regional-schlüssel`)

einwohner_wide <- einwohner %>%
  filter(is.na(as.numeric(`Lfd. Nr.`))==FALSE) %>%
  select(-c(`Lfd. Nr.`, `EU-Code`, `NUTS 1`, `NUTS 2`, `NUTS 3`, Land, Gebietseinheit)) %>%
  rename(Regionalschluessel = `Regional-schlüssel`)
```

---

## Informationen bzgl. des Bruttoinlandsprodukts

Datensatz,  
  - ist ein Panel: Mehrere Jahre für mehrere Landkreise in Deutschland vorhanden
  - ist im `wide` Format -> d.h. die Daten sind nicht `tidy`

```r
head(bip_wide, 3)
```

```
## # A tibble: 3 x 26
##   Regionalschlues… `1992` `1994` `1995` `1996` `1997` `1998` `1999` `2000`
##   <chr>            <chr>  <chr>  <chr>  <chr>  <chr>  <chr>  <chr>   <dbl>
## 1 08               25493… 26274… 27240… 27745… 28310… 29167… 30138… 3.10e5
## 2 081              10985… 11086… 11474… 11624… 12040… 12321… 12714… 1.30e5
## 3 08111            32014… 30887… 31479… 31988… 33589… 32711… 34128… 3.43e4
## # … with 17 more variables: `2001` <dbl>, `2002` <dbl>, `2003` <dbl>,
## #   `2004` <dbl>, `2005` <dbl>, `2006` <dbl>, `2007` <dbl>, `2008` <dbl>,
## #   `2009` <dbl>, `2010` <dbl>, `2011` <dbl>, `2012` <dbl>, `2013` <dbl>,
## #   `2014` <dbl>, `2015` <dbl>, `2016` <dbl>, `2017` <dbl>
```

---

## Daten in das `long`-Format überführen

Datensatz ins `long`-Format überführen mit `pivot_longer`:

```r
bip_long <- pivot_longer(bip_wide, cols = c("1992":"2017") , names_to = "Jahr", values_to = "BIP")
```

```
Fehler: No common type for `1992` <character> and `2000` <double>.
```

---

## Daten in das `long`-Format überführen

BIP sollte normalerweise nummerisch sein:
  - Klasse `double` sollte korrekt sein
  - umformatieren der Spalten `1992` - `1999`
  - mit `across()` kann der `mutate()`-Befehl über mehrere Spalten angewendet werden

---

```r
*#BIP von 1992 - 1999 umformen (als numerische Variable)   von 1992 - 1999 umformen (als numerische Variable)
```
]
 
.panel2-double-auto[

]

---
count: false

```r
#BIP von 1992 - 1999 umformen (als numerische Variable)   von 1992 - 1999 umformen (als numerische Variable)
*bip_wide
```
]
 
.panel2-double-auto[

---
count: false

```r
#BIP von 1992 - 1999 umformen (als numerische Variable)   von 1992 - 1999 umformen (als numerische Variable)
bip_wide %>%
* select(`1992`:`1999`)
```
]
 
.panel2-double-auto[

```
## # A tibble: 445 x 7
##    `1992`      `1994`     `1995`     `1996`     `1997`     `1998`     `1999`    
##    <chr>       <chr>      <chr>      <chr>      <chr>      <chr>      <chr>     
##  1 254933.035… 262748.99… 272401.95… 277454.179 283105.929 291677.68  301388.38…
##  2 109854.755… 110868.36… 114745.16… 116240.28… 120409.49… 123210.43… 127147.046
##  3 32014.3810… 30887.921… 31479.096… 31988.062… 33589.646… 32711.758… 34128.165…
##  4 11977.21    11750.939  11867.928  12025.593… 13820.067… 13545.587  14308.878…
##  5 12212.2720… 12462.454  12748.133  13166.955  13291.102… 13937.165… 14189.823 
##  6 5119.55299… 5264.9319… 5546.5290… 5746.7     5775.7439… 5944.8069… 6032.4560…
##  7 11486.777   11965.535  12571.231  12707.628… 12962.808… 13324.504… 13663.919 
##  8 8487.68100… 8743.8909… 9358.4269… 8816.5249… 8974.5640… 9213.8649… 9749.7929…
##  9 4214.17799… 4401.4340… 4546.1450… 4534.0709… 4606.848   5682.3159… 5323.2359…
## 10 6112.03200… 6195.4309… 6663.0569… 6900.6459… 7113.1009… 7737.732   8033.9889…
## # … with 435 more rows
```
]

---
count: false

```r
#BIP von 1992 - 1999 umformen (als numerische Variable)   von 1992 - 1999 umformen (als numerische Variable)
bip_wide %>%
  select(`1992`:`1999`) %>%
* mutate(across(is.character, as.double))
```
]
 
.panel2-double-auto[

```
## # A tibble: 445 x 7
##     `1992`  `1994`  `1995`  `1996`  `1997`  `1998`  `1999`
##      <dbl>   <dbl>   <dbl>   <dbl>   <dbl>   <dbl>   <dbl>
##  1 254933. 262749. 272402. 277454. 283106. 291678. 301388.
##  2 109855. 110868. 114745. 116240. 120409. 123210. 127147.
##  3  32014.  30888.  31479.  31988.  33590.  32712.  34128.
##  4  11977.  11751.  11868.  12026.  13820.  13546.  14309.
##  5  12212.  12462.  12748.  13167.  13291.  13937.  14190.
##  6   5120.   5265.   5547.   5747.   5776.   5945.   6032.
##  7  11487.  11966.  12571.  12708.  12963.  13325.  13664.
##  8   8488.   8744.   9358.   8817.   8975.   9214.   9750.
##  9   4214.   4401.   4546.   4534.   4607.   5682.   5323.
## 10   6112.   6195.   6663.   6901.   7113.   7738.   8034.
## # … with 435 more rows
```
]

---
count: false

```r
#BIP von 1992 - 1999 umformen (als numerische Variable)   von 1992 - 1999 umformen (als numerische Variable)
bip_wide %>%
  select(`1992`:`1999`) %>%
  mutate(across(is.character, as.double)) ->
*bip_double
```
]
 
.panel2-double-auto[

]

---

Entsprechend dann bei den Einwohnern und Erwerbstätigen:

```r
# Erwerbstätige von 1992 - 1999 umformen (als numerische Variable)
erwerb_double <- erwerb_wide %>%
  select(`1992`:`1999`) %>%
  mutate(across(is.character, as.double))
```

```
## Warning: Problem with `mutate()` input `..1`.
## ℹ NAs durch Umwandlung erzeugt
## ℹ Input `..1` is `across(is.character, as.double)`.
```