manuscript02

テーマ別分析

1. 平均寿命の国際比較

1.1 gapmiderの利用

gapminderのデータは、tidy dataの例である。

• Each variable must have its own column.
• Each observation must have its own row.
• Each value must have its own cell.

library(gapminder)
head(gapminder,3)

## # A tibble: 3 × 6
##   country     continent  year lifeExp      pop gdpPercap
##   <fct>       <fct>     <int>   <dbl>    <int>     <dbl>
## 1 Afghanistan Asia       1952    28.8  8425333      779.
## 2 Afghanistan Asia       1957    30.3  9240934      821.
## 3 Afghanistan Asia       1962    32.0 10267083      853.

library(dplyr)
Japan <- gapminder %>%
filter(country=="Japan") %>%
select(year,lifeExp)
#head(Japan,3)
#tail(Japan,3)

library(patchwork)
library(ggplot2)
p1 <- ggplot(Japan, aes(x=year,y=lifeExp)) +
  geom_point()+
  geom_line() +
  ggtitle("日本人の平均寿命") +
  labs(x="年",y="平均寿命",caption = "出典: gapminder")+
  theme_minimal(base_family="HiraKakuProN-W3") 

日本のデータは、2007年の82.603まで収録されている。

library(dplyr)
library(gapminder)
jpn.chi <- gapminder %>%
filter(country=="China"|country=="Japan") %>% 
select(year,country,lifeExp)

p2 <- ggplot(jpn.chi, aes(x=year,y=lifeExp,group=country)) +
  geom_point()+
  geom_line(aes(linetype=country)) +
  ggtitle("日本と中国 の比較") +
  labs(x="年",y="平均寿命",subtitle="1952-2007",caption = "出典: gapminder")+
  scale_linetype_discrete(name="国名",labels=c("中国","日本" ))+
  theme_minimal(base_family="HiraKakuProN-W3") 

この節は、『はじめてのRStudio: エラーメッセージなんかこわくない』（ 浅野正彦、中村公亮、オーム社、2018年11月）を参照した。

1.2 1985-2015

総務省統計局のデータを利用。『日本の統計2020』。 - http://www.stat.go.jp/data/nihon/index1.html

library(readr)
n200202000 <- read_csv("./data/n200202000.csv")
life_expectency <- n200202000
d <- life_expectency

library(tidyverse)
d_long <- gather(d,"key","value",-year)

library(patchwork)
p1 <- ggplot(d_long,aes(x= year, y= value,col=key))+
geom_line()+
labs(col="sex",y="Life Expectency", title = "Life Expectency in Japan",subtitle = "1885-2015",caption = "http://www.stat.go.jp/\nn200202000.csv")+
theme_minimal()

p2 <- ggplot(d_long,aes(x= year, y= value, linetype=key))+
geom_line()+
labs(col="sex",y="Life Expectency", title = "Life Expectency in Japan",subtitle = "1885-2015",caption = "http://www.stat.go.jp/\nn200202000.csv",linetype="sex")+
theme_minimal()

1.3 Death Rates in Virginia

関数dotchartの利用。

dotchart(VADeaths, main = "(a) Death Rates in Virginia - 1940")

dotchart(t(VADeaths), xlim = c(0,100), main = "(b) Death Rates in Virginia - 1940")

VADeaths

##       Rural Male Rural Female Urban Male Urban Female
## 50-54       11.7          8.7       15.4          8.4
## 55-59       18.1         11.7       24.3         13.6
## 60-64       26.9         20.3       37.0         19.3
## 65-69       41.0         30.9       54.6         35.1
## 70-74       66.0         54.3       71.1         50.0

(b)では、データの転置がおこなわれている。

1.4 死因別死亡確率（生命表による）

死因別死亡確率（令和元年）

死因別死亡確率は、生命表の上で、ある年齢の者が将来どの死因で死亡するかを計算し、確率の形で表したものである。

library(readr)
mortality_probability_2019 <- read_csv("./data/mortality probability-2019.csv")
mortality <- mortality_probability_2019
m <- as.data.frame(mortality[1:14,])
f <- as.data.frame(mortality[15:28,])
m

##                            死因  ０歳  ５歳 １０歳 １５歳 ２０歳 ２５歳 ３０歳
## 1                    悪性新生物 28.20 28.27  28.27  28.27  28.30  28.35  28.39
## 2      心疾患（高血圧性を除く） 14.22 14.25  14.26  14.26  14.27  14.30  14.31
## 3                    脳血管疾患  7.20  7.22   7.23   7.23   7.24   7.25   7.26
## 4                          肺炎  8.43  8.44   8.45   8.45   8.46   8.48   8.50
## 5                    不慮の事故  3.12  3.11   3.11   3.10   3.08   3.05   3.03
## 6                          自殺  1.71  1.72   1.72   1.71   1.65   1.53   1.42
## 7  慢性閉塞性肺疾患（ＣＯＰＤ）  2.16  2.17   2.17   2.17   2.17   2.18   2.18
## 8                        腎不全  2.05  2.06   2.06   2.06   2.06   2.06   2.07
## 9              大動脈瘤及び解離  1.25  1.25   1.25   1.25   1.26   1.26   1.26
## 10                       肝疾患  1.35  1.36   1.36   1.36   1.36   1.36   1.36
## 11                       糖尿病  0.98  0.98   0.98   0.98   0.98   0.99   0.99
## 12                 高血圧性疾患  0.59  0.59   0.59   0.59   0.59   0.59   0.59
## 13                         結核  0.19  0.19   0.19   0.19   0.19   0.19   0.19
## 14                         老衰  6.35  6.37   6.37   6.37   6.38   6.40   6.41
##    ３５歳 ４０歳 ４５歳 ５０歳 ５５歳 ６０歳 ６５歳 ７０歳 ７５歳 ８０歳 ８５歳
## 1   28.44  28.49  28.55  28.60  28.62  28.46  27.97  26.89  25.04  22.54  19.41
## 2   14.33  14.35  14.35  14.35  14.32  14.29  14.29  14.35  14.54  14.91  15.44
## 3    7.27   7.27   7.26   7.23   7.21   7.19   7.19   7.23   7.27   7.27   7.06
## 4    8.52   8.55   8.59   8.66   8.76   8.93   9.18   9.58  10.14  10.85  11.75
## 5    3.01   2.98   2.96   2.94   2.91   2.87   2.85   2.83   2.83   2.82   2.76
## 6    1.29   1.17   1.05   0.92   0.78   0.65   0.53   0.45   0.37   0.29   0.22
## 7    2.19   2.20   2.21   2.23   2.26   2.30   2.37   2.45   2.53   2.57   2.58
## 8    2.07   2.08   2.09   2.10   2.12   2.15   2.20   2.26   2.35   2.47   2.59
## 9    1.26   1.26   1.26   1.25   1.23   1.22   1.20   1.18   1.15   1.12   1.08
## 10   1.36   1.35   1.33   1.29   1.21   1.09   0.97   0.85   0.74   0.61   0.49
## 11   0.99   0.99   0.99   0.98   0.98   0.96   0.94   0.91   0.86   0.80   0.70
## 12   0.60   0.60   0.60   0.60   0.60   0.59   0.59   0.59   0.60   0.62   0.67
## 13   0.19   0.19   0.19   0.19   0.19   0.20   0.20   0.21   0.22   0.24   0.27
## 14   6.43   6.46   6.49   6.55   6.65   6.81   7.08   7.54   8.28   9.52  11.67
##    ９０歳 ９５歳 １００歳 １０５歳
## 1   15.58  11.37     7.60     5.15
## 2   16.19  16.80    16.07    12.03
## 3    6.63   5.97     4.88     4.81
## 4   12.64  13.17    13.15    14.43
## 5    2.59   2.34     2.37     3.10
## 6    0.16   0.08     0.00     0.00
## 7    2.40   1.85     1.42     1.37
## 8    2.63   2.55     1.93     2.41
## 9    0.95   0.68     0.49     1.03
## 10   0.37   0.29     0.14     0.69
## 11   0.53   0.39     0.31     1.03
## 12   0.76   0.87     1.14     0.69
## 13   0.28   0.26     0.27     0.00
## 14  15.61  21.90    32.22    40.89

f

##                            死因  ０歳  ５歳 １０歳 １５歳 ２０歳 ２５歳 ３０歳
## 1                    悪性新生物 19.95 20.00  20.00  20.00  20.00  20.01  20.01
## 2      心疾患（高血圧性を除く） 16.71 16.74  16.74  16.75  16.76  16.77  16.79
## 3                    脳血管疾患  8.06  8.08   8.08   8.08   8.09   8.09   8.10
## 4                          肺炎  6.68  6.70   6.70   6.70   6.71   6.71   6.72
## 5                    不慮の事故  2.38  2.37   2.37   2.37   2.36   2.35   2.34
## 6                          自殺  0.73  0.74   0.74   0.73   0.70   0.65   0.59
## 7  慢性閉塞性肺疾患（ＣＯＰＤ）  0.43  0.43   0.43   0.43   0.43   0.43   0.43
## 8                        腎不全  1.94  1.95   1.95   1.95   1.95   1.95   1.95
## 9              大動脈瘤及び解離  1.28  1.29   1.29   1.29   1.29   1.29   1.29
## 10                       肝疾患  0.76  0.76   0.76   0.76   0.76   0.76   0.76
## 11                       糖尿病  0.86  0.87   0.87   0.87   0.87   0.87   0.87
## 12                 高血圧性疾患  0.90  0.91   0.91   0.91   0.91   0.91   0.91
## 13                         結核  0.14  0.14   0.14   0.14   0.14   0.14   0.14
## 14                         老衰 16.44 16.49  16.49  16.50  16.51  16.53  16.55
##    ３５歳 ４０歳 ４５歳 ５０歳 ５５歳 ６０歳 ６５歳 ７０歳 ７５歳 ８０歳 ８５歳
## 1   20.00  19.95  19.86  19.68  19.39  18.92  18.26  17.34  16.10  14.47  12.31
## 2   16.81  16.83  16.87  16.92  17.00  17.12  17.27  17.48  17.74  18.06  18.41
## 3    8.11   8.11   8.12   8.12   8.12   8.14   8.17   8.23   8.29   8.31   8.25
## 4    6.73   6.74   6.76   6.79   6.84   6.91   7.00   7.13   7.31   7.55   7.85
## 5    2.34   2.33   2.33   2.32   2.32   2.32   2.31   2.31   2.28   2.20   2.06
## 6    0.55   0.51   0.47   0.41   0.36   0.31   0.27   0.23   0.18   0.13   0.08
## 7    0.43   0.43   0.43   0.43   0.44   0.44   0.44   0.45   0.44   0.43   0.41
## 8    1.96   1.96   1.97   1.97   1.99   2.00   2.03   2.05   2.08   2.11   2.12
## 9    1.29   1.29   1.30   1.30   1.30   1.31   1.30   1.29   1.26   1.20   1.08
## 10   0.76   0.75   0.75   0.73   0.71   0.69   0.67   0.64   0.59   0.52   0.42
## 11   0.87   0.87   0.87   0.87   0.87   0.87   0.87   0.87   0.85   0.83   0.78
## 12   0.91   0.91   0.92   0.92   0.93   0.93   0.94   0.96   0.98   1.01   1.06
## 13   0.14   0.14   0.14   0.14   0.14   0.14   0.14   0.14   0.15   0.15   0.15
## 14  16.57  16.61  16.67  16.76  16.90  17.10  17.40  17.86  18.59  19.86  22.12
##    ９０歳 ９５歳 １００歳 １０５歳
## 1    9.69   6.76     3.89     2.47
## 2   18.60  18.12    16.25    14.18
## 3    7.95   7.39     6.26     4.58
## 4    8.10   8.13     7.64     6.81
## 5    1.89   1.69     1.46     1.36
## 6    0.04   0.02     0.01     0.00
## 7    0.36   0.32     0.21     0.16
## 8    2.03   1.75     1.25     0.64
## 9    0.88   0.65     0.39     0.28
## 10   0.30   0.20     0.12     0.04
## 11   0.68   0.55     0.30     0.20
## 12   1.15   1.28     1.50     1.59
## 13   0.14   0.11     0.07     0.08
## 14  26.11  32.43    42.54    51.79

par(family="HiraKakuProN-W3")
dotchart(m[,2],labels = m[,1],main = "死因別死亡確率、男0歳",sub="2019年簡易生命表",xlim = c(0,30),cex = 0.8)

dotchart(f[,2],labels = f[,1],main = "死因別死亡確率、女0歳",sub="2019年簡易生命表",xlim = c(0,30),cex=0.8)

m$sex[1:14] <- "男" 
f$sex[1:14] <- "女"
both <- rbind(f,m)
colnames(both)[2] <- "dp00"
#both

ggplot(both, aes(x=死因,y=dp00,group=sex))+
geom_point(aes(col=sex),size=3)+
labs(y="死亡確率",col="性別",title = "男女別の死因別死亡確率",subtitle = "0歳",caption = "令和元年簡易生命表による")+
guides(color=guide_legend(reverse = TRUE))+
theme_minimal(base_family="HiraKakuProN-W3")+
coord_flip()

2. 人口動態統計

2.1 データの説明

人口動態調査は、我が国の人口動態事象を把握する上で重要な統計調査です。同調査は戸籍法及び死産の届出に関する規程により届け出られた出生、死亡、婚姻、離婚及び死産の全数を対象として、毎月実施されます。
　人口動態調査では、一人の女性が一生の間に生む子どもの数に相当する合計特殊出生率や死因別死亡数、年齢別婚姻・離婚件数などの結果を、全国、都道府県、保健所などの単位で提供しています。また、人口推計（総務省）、生命表（厚生労働省）など他の統計や施策に活用されるほか、民間企業や研究機関でも広く利用されています。

（平成31年3月29日）
　都道府県からの報告漏れ（https://www.mhlw.go.jp/stf/newpage_04274.html）があったため、過去の数値を修正することとなりましたので、本頁の内容は、修正前の数値となっております。取り扱いにはご留意ください。修正後の数値につきましては、結果がまとまり次第お知らせいたします。ただし、月報、速報は、最新数値をその都度公表していく性質であることから、数値の修正は行いません。

（令和２年９月17日更新）　報告漏れによる過去数値の修正について
　昨年、2004・2006・2009～2017年の都道府県からの報告漏れ（平成31年3月29日公表）による再集計をおこないましたが、現時点では、2018年以降の確定数に掲載の年次推移の統計表（上巻に掲載しています）にのみ、過去数値の修正を反映しておりますので、ご注意願います。
　報告漏れによる再集計を反映した2004・2006・2009～2017年の確定数・保管統計表・保管統計表（都道府県編）の各統計表につきましては、順次公開予定（時期未定）です。

https://www.e-stat.go.jp/stat-search/files?page=1&layout=dataset&toukei=00450011&tstat=000001028897&stat_infid=000031981453

2.2 年次別にみた出生数等

平成30年
上巻　出生　　第４．１表　年次別にみた出生数・出生率（人口千対）・出生性比及び合計特殊出生率

注　：
１）昭和１９～２１年は戦災による資料喪失等資料不備のため省略した。昭和２２～４７年は沖縄県を含まない。
２）昭和元年・５年・１０年の出生数の総数には、男女不詳が各１が含まれている。
３）率算出に用いた分母人口は日本人人口である。
資料：国立社会保障・人口問題研究所「人口統計資料集」、厚生労働省「人口動態統計」

e-Stat(政府統計の総合窓口)の「統計で見る日本」からデータをダウンロードする。

2.2.1 合計特殊出生率

library(readr)
library(dplyr)

mb010000 <- read_csv("./data/mb010000.csv")
birth <- mb010000
head(birth,3)

## # A tibble: 3 × 7
##    year  births   male female birth_rate sex_ratio fertility_rate
##   <dbl>   <dbl>  <dbl>  <dbl>      <dbl>     <dbl> <chr>         
## 1  1899 1386981 713442 673539       32        106. 　　　...     
## 2  1900 1420534 727916 692618       32.4      105. 　　　...     
## 3  1901 1501591 769494 732097       33.9      105. 　　　...

tail(birth,3)

## # A tibble: 3 × 7
##    year births   male female birth_rate sex_ratio fertility_rate
##   <dbl>  <dbl>  <dbl>  <dbl>      <dbl>     <dbl> <chr>         
## 1  2016 977242 502012 475230        7.8      106. 1.44          
## 2  2017 946146 484478 461668        7.6      105. 1.43          
## 3  2018 918400 470851 447549        7.4      105. 1.42

df <- birth

df$fertility_rate <- as.numeric(df$fertility_rate)

df <- df %>%
  filter(year >= 1947)

head(df,3)

## # A tibble: 3 × 7
##    year  births    male  female birth_rate sex_ratio fertility_rate
##   <dbl>   <dbl>   <dbl>   <dbl>      <dbl>     <dbl>          <dbl>
## 1  1947 2678792 1376986 1301806       34.3      106.           4.54
## 2  1948 2681624 1378564 1303060       33.5      106.           4.4 
## 3  1949 2696638 1380008 1316630       33        105.           4.32

tail(df,3)

## # A tibble: 3 × 7
##    year births   male female birth_rate sex_ratio fertility_rate
##   <dbl>  <dbl>  <dbl>  <dbl>      <dbl>     <dbl>          <dbl>
## 1  2016 977242 502012 475230        7.8      106.           1.44
## 2  2017 946146 484478 461668        7.6      105.           1.43
## 3  2018 918400 470851 447549        7.4      105.           1.42

# 変更前のdfを保存
df0 <- df

{r, results="asis"}として以下を実行。結果出力で##が表示されない。

library(stargazer)
stargazer(as.data.frame(df[,c(5,7)]),
type="html")

Statistic	N	Mean	St. Dev.	Min	Max
birth_rate	72	14.382	6.339	7.400	34.300
fertility_rate	72	1.900	0.703	1.260	4.540

library(tidyr)

df <- data.frame(year=df$year,fertility_rate=df$fertility_rate)

2.3 2020年公表データ

令和元年
上巻　総覧　第３．２表－２　年次別にみた人口動態総覧（率）

注：１）　1944年（昭和19年）～1946年（昭和21年）は戦災による資料喪失等資料不備のため省略した。1947年（昭和22年）～1972年（昭和47年）は沖縄県を含まない。
1948年（昭和23年）・1949年（昭和24年）の＊印は概数による率である。
２）　新生児死亡の1943年（昭和18年）以前は１か月未満の死亡である。また、新生児死亡の1943年（昭和18年）は樺太を含む数値であり、新生児死亡率の算出に用いた樺太を含む出生数は2 267 292である。
３）　1920年（大正９年）～1966年（昭和41年）においては総人口（日本に在住する外国人を含む）を分母に用いている。
４）　死産率は死産数を出産数（死産数に出生数を加えたもの）で除している。
５）　周産期死亡率は周産期死亡数を出産数（妊娠満22週以後の死産数に出生数を加えたもの）で除している。
６）　妊娠満22週以後の死産率は、妊娠満22週以後の死産数を出産数（妊娠満22週以後の死産数に出生数を加えたもの）で除している。
７）　合計特殊出生率とは、15歳から49歳までの女性の年齢別出生率を合計したもので、１人の女性がその年次の年齢別出生率で一生の間に生むとしたときの子ども数に相当する。

library(readr)
ma020001_2 <- read_csv("./data/ma020001-2.csv", 
    col_names = FALSE)
mobility2020 <- ma020001_2
colnames(mobility2020)[1] <- "year"
colnames(mobility2020)[2] <- "birth_rate"
colnames(mobility2020)[3] <- "tfr"
colnames(mobility2020)[14] <- "marriage_rate"
colnames(mobility2020)[15] <- "divorce_rate"

Statistic	N	Mean	St. Dev.	Min	Max
birth_rate	73	14.281	6.354	7.000	34.300
marriage_rate	73	7.311	1.870	4.700	12.000
divorce_rate	73	1.357	0.475	0.730	2.300

2.3.1 合計特殊出生率

library(ggplot2)
ggplot(df,aes(x=year, y=fertility_rate)) +
  geom_point()+
  geom_line(col="blue") +
  geom_hline(yintercept = 1.29,linetype="dashed",size=0.5)+
labs(x="Year",y="Total Fertility Rate",title="合計特殊出生率(TFR)",caption = "人口動態統計(令和元年上巻,年次別にみた人口動態総覧（率）)\n1966年は昭和41年")+
annotate("text",x=1966,y=2.58,label="1966")+
annotate("text",x=1966,y=1.45,label="1.58")+
annotate("text",x=1945,y=1.19,label="1.29")+
theme_classic(base_family="HiraKakuProN-W3") 

##    year fertility_rate
## 56 2002           1.32
## 57 2003           1.29
## 58 2004           1.29
## 59 2005           1.26
## 60 2006           1.32
## 61 2007           1.34
## 62 2008           1.37
## 63 2009           1.37
## 64 2010           1.39
## 65 2011           1.39
## 66 2012           1.41
## 67 2013           1.43
## 68 2014           1.42
## 69 2015           1.45
## 70 2016           1.44
## 71 2017           1.43
## 72 2018           1.42
## 73 2019           1.36

2.3.2 出生率、婚姻率、離婚率

head(mobility2020)

## # A tibble: 6 × 15
##    year birth_rate tfr        X4    X5    X6    X7    X8 X9    X10   X11   X12  
##   <dbl>      <dbl> <chr>   <dbl> <dbl> <dbl> <dbl> <dbl> <chr> <chr> <chr> <chr>
## 1  1899       32   　　　…  21.5  154.  77.9  10.5  89.1 　　… 　　… 　　… 　　…
## 2  1900       32.4 　　　…  20.8  155   79    11.6  88.5 　　… 　　… 　　… 　　…
## 3  1901       33.9 　　　…  20.9  150.  77.1  13    93.8 　　… 　　… 　　… 　　…
## 4  1902       33.6 　　　…  21.3  154   77.2  12.3  94.5 　　… 　　… 　　… 　　…
## 5  1903       32.7 　　　…  20.4  152.  75.8  12.3  93.6 　　… 　　… 　　… 　　…
## 6  1904       31.2 　　　…  20.7  152.  73.9  10.5  92.6 　　… 　　… 　　… 　　…
## # ℹ 3 more variables: X13 <chr>, marriage_rate <dbl>, divorce_rate <dbl>

df <- mobility2020[,c(1,2,14,15)]
df_ <- gather(df,"key","value",-year)

ggplot(df_,aes(x=year,y=value,col=key))+
  geom_line()+
labs(y="rates(per thousand)",col="LEGEND")+
theme_minimal()

3. SSDSEの活用

• SSDSE（教育用標準データセット：Standardized Statistical Data Set for Education）https://www.nstac.go.jp/SSDSE/

SSDSEの総人口は2015年、転入者数、転出者数は2017年のデータである。 この章ではSSDSEのデータをそのまま利用する。加減乗除等で変数の合成はおこなうが、追加データのダウンロードはおこなわない。 最初の3列は、地域コード、日本語の都道府県名、市区町村名である。

3.0 全国

データフレームは、wide formatを利用。

SSDSE_2019A <- readRDS("./data/SSDSE_2019A.RDS")
dat <- as.data.frame(SSDSE_2019A)

# 編集前のデータを保管
dat0 <- dat

# 解説の2行を削除
dat <- as.data.frame(dat[-c(1,2),])

# 数値型に変換
for (i in 4:ncol(dat)) {　
　dat[,i] <- as.numeric(dat[,i])　
}

# コードの最初の文字Rを削除
rcode <- dat[,1]
rcode5 <- substring(rcode,2,6) # 5コード

# Codeの書き換え
dat$Code <- rcode5

# データフレームの保存
# 別の分析をするときにこれを再読み込みする
dat00 <- dat
#write.csv(dat00,file = "dat00.csv")

3.0.1 転出入

library(dplyr)

# 変数名とその解説を表示
t(dat0[c(1,2),])

##              1      2                                               
## Code         "Year" "地域コード"                                    
## Prefecture   "年度" "都道府県"                                      
## Municipality "年度" "市区町村"                                      
## A1101        "2015" "総人口"                                        
## A110101      "2015" "総人口（男）"                                  
## A110102      "2015" "総人口（女）"                                  
## A1102        "2015" "日本人人口"                                    
## A110201      "2015" "日本人人口（男）"                              
## A110202      "2015" "日本人人口（女）"                              
## A1301        "2015" "１５歳未満人口"                                
## A130101      "2015" "１５歳未満人口（男）"                          
## A130102      "2015" "１５歳未満人口（女）"                          
## A1302        "2015" "１５～６４歳人口"                              
## A130201      "2015" "１５～６４歳人口（男）"                        
## A130202      "2015" "１５～６４歳人口（女）"                        
## A1303        "2015" "６５歳以上人口"                                
## A130301      "2015" "６５歳以上人口（男）"                          
## A130302      "2015" "６５歳以上人口（女）"                          
## A1419        "2015" "７５歳以上人口"                                
## A141901      "2015" "７５歳以上人口（男）"                          
## A141902      "2015" "７５歳以上人口（女）"                          
## A1700        "2015" "外国人人口"                                    
## A4101        "2017" "出生数"                                        
## A4200        "2017" "死亡数"                                        
## A5101        "2017" "転入者数"                                      
## A5102        "2017" "転出者数"                                      
## A7101        "2015" "世帯数"                                        
## A710101      "2015" "一般世帯数"                                    
## A710201      "2015" "一般世帯人員数"                                
## A810102      "2015" "核家族世帯数"                                  
## A810105      "2015" "単独世帯数"                                    
## A811102      "2015" "６５歳以上の世帯員のいる核家族世帯数"          
## A8201        "2015" "高齢夫婦のみの世帯数"                          
## A8301        "2015" "高齢単身世帯数（６５歳以上の者１人）"          
## A9101        "2017" "婚姻件数"                                      
## A9201        "2017" "離婚件数"                                      
## B1101        "2017" "総面積（北方地域及び竹島を除く）"              
## B1103        "2017" "可住地面積"                                    
## C2107        "2014" "事業所数"                                      
## C210703      "2014" "事業所数（農業，林業）"                        
## C210708      "2014" "事業所数（建設業）"                            
## C210709      "2014" "事業所数（製造業）"                            
## C210710      "2014" "事業所数（電気・ガス・熱供給・水道業）"        
## C210711      "2014" "事業所数（情報通信業）"                        
## C210712      "2014" "事業所数（運輸業，郵便業）"                    
## C210713      "2014" "事業所数（卸売業，小売業）"                    
## C210716      "2014" "事業所数（金融業，保険業）"                    
## C210717      "2014" "事業所数（不動産業，物品賃貸業）"              
## C210718      "2014" "事業所数（学術研究，専門・技術サービス業）"    
## C210719      "2014" "事業所数（宿泊業，飲食サービス業）"            
## C210720      "2014" "事業所数（生活関連サービス業，娯楽業）"        
## C210721      "2014" "事業所数（教育，学習支援業）"                  
## C210722      "2014" "事業所数（医療，福祉）"                        
## C210723      "2014" "事業所数（複合サービス事業）"                  
## C210724      "2014" "事業所数（サービス業（他に分類されないもの））"
## C210725      "2014" "事業所数（公務（他に分類されるものを除く））"  
## C2110        "2014" "第１次産業事業所数"                            
## C2111        "2014" "第２次産業事業所数"                            
## C2112        "2014" "第３次産業事業所数"                            
## C2207        "2014" "従業者数"                                      
## C220703      "2014" "従業者数（農業，林業）"                        
## C220708      "2014" "従業者数（建設業）"                            
## C220709      "2014" "従業者数（製造業）"                            
## C220710      "2014" "従業者数（電気・ガス・熱供給・水道業）"        
## C220711      "2014" "従業者数（情報通信業）"                        
## C220712      "2014" "従業者数（運輸業，郵便業）"                    
## C220713      "2014" "従業者数（卸売業，小売業）"                    
## C220716      "2014" "従業者数（金融業，保険業）"                    
## C220717      "2014" "従業者数（不動産業，物品賃貸業）"              
## C220718      "2014" "従業者数（学術研究，専門・技術サービス業）"    
## C220719      "2014" "従業者数（宿泊業，飲食サービス業）"            
## C220720      "2014" "従業者数（生活関連サービス業，娯楽業）"        
## C220721      "2014" "従業者数（教育，学習支援業）"                  
## C220722      "2014" "従業者数（医療，福祉）"                        
## C220723      "2014" "従業者数（複合サービス事業）"                  
## C220724      "2014" "従業者数（サービス業（他に分類されないもの））"
## C220725      "2014" "従業者数（公務（他に分類されるものを除く））"  
## C2210        "2014" "第１次産業従業者数"                            
## C2211        "2014" "第２次産業従業者数"                            
## C2212        "2014" "第３次産業従業者数"                            
## C310201      "2014" "農家数（販売農家）"                            
## C310202      "2014" "農家数（自給的農家）"                          
## D2203        "2016" "経常収支比率（市町村財政）"                    
## D2211        "2016" "実質公債費比率（市町村財政）"                  
## D3201        "2016" "歳入決算総額（市町村財政）"                    
## D320101      "2016" "地方税（市町村財政）"                          
## D3203        "2016" "歳出決算総額（市町村財政）"                    
## D320303      "2016" "民生費（市町村財政）"                          
## D320308      "2016" "土木費（市町村財政）"                          
## D320310      "2016" "教育費（市町村財政）"                          
## D320311      "2016" "災害復旧費（市町村財政）"                      
## E1101        "2017" "幼稚園数"                                      
## E1501        "2017" "幼稚園在園者数"                                
## E2101        "2017" "小学校数"                                      
## E2401        "2017" "小学校教員数"                                  
## E2501        "2017" "小学校児童数"                                  
## E3101        "2017" "中学校数"                                      
## E3401        "2017" "中学校教員数"                                  
## E3501        "2017" "中学校生徒数"                                  
## E4101        "2017" "高等学校数"                                    
## E4501        "2017" "高等学校生徒数"                                
## F1102        "2015" "就業者数"                                      
## F110201      "2015" "就業者数（男）"                                
## F110202      "2015" "就業者数（女）"                                
## F1107        "2015" "完全失業者数"                                  
## F110701      "2015" "完全失業者数（男）"                            
## F110702      "2015" "完全失業者数（女）"                            
## F1108        "2015" "非労働力人口"                                  
## F110801      "2015" "非労働力人口（男）"                            
## F110802      "2015" "非労働力人口（女）"                            
## F2201        "2015" "第１次産業就業者数"                            
## F2211        "2015" "第２次産業就業者数"                            
## F2221        "2015" "第３次産業就業者数"                            
## G1201        "2015" "公民館数"                                      
## G1401        "2015" "図書館数"                                      
## H5507        "2016" "総人口（非水洗化人口＋水洗化人口）"            
## H550701      "2016" "非水洗化人口"                                  
## H6130        "2016" "小売店数"                                      
## H6131        "2016" "飲食店数"                                      
## H6132        "2016" "大型小売店数"                                  
## I510120      "2016" "一般病院数"                                    
## I5102        "2016" "一般診療所数"                                  
## I5103        "2016" "歯科診療所数"                                  
## I6100        "2016" "医師数"                                        
## I6200        "2016" "歯科医師数"                                    
## I6300        "2016" "薬剤師数"                                      
## J2503        "2016" "保育所等数"                                    
## J2506        "2016" "保育所等在所児数"

# 取りあげる変数を選択(select)する
dat <- dat %>% 
  select(Code,Municipality,A1101,A5101,A5102)
head(dat)

##    Code Municipality   A1101  A5101  A5102
## 3 01100       札幌市 1952356 119314 110535
## 4 01202       函館市  265979   8748   9549
## 5 01203       小樽市  121924   3185   3751
## 6 01204       旭川市  339605  10245  11075
## 7 01205       室蘭市   88564   3061   3651
## 8 01206       釧路市  174742   5790   6813

# 相関図（転入者率と転出者率）
# plotを作成
par(family="HiraKakuProN-W3")
x <- dat$A5101/dat$A1101*100
y <- dat$A5102/dat$A1101*100
plot(x,y, xlab = "in",ylab = "out",main="転入者率と転出者率")

# データフレーム(in_out)の作成
in_out <- data.frame(CODE=dat$Code,name = dat$Municipality,X=x, Y=y)
head(in_out)

##    CODE   name        X        Y
## 1 01100 札幌市 6.111283 5.661621
## 2 01202 函館市 3.288981 3.590133
## 3 01203 小樽市 2.612283 3.076507
## 4 01204 旭川市 3.016740 3.261142
## 5 01205 室蘭市 3.456258 4.122443
## 6 01206 釧路市 3.313456 3.898891

# データフレームを転入者率の降順で並び替える
# 新しいオブジェクト名: in_out_d
in_out_d <- arrange(in_out,-X)
in_out_d[c(1:10),]

##     CODE     name         X         Y
## 1  07543   富岡町       Inf       Inf
## 2  07545   大熊町       Inf       Inf
## 3  07546   双葉町       Inf       Inf
## 4  07547   浪江町       Inf       Inf
## 5  07548   葛尾村 144.44444 216.66667
## 6  07564   飯舘村 121.95122 578.04878
## 7  07542   楢葉町  39.38462  46.35897
## 8  13402 青ヶ島村  19.10112  15.73034
## 9  27362   田尻町  17.98741  15.77759
## 10 47381   竹富町  15.98299  15.88294

# 上位20を抜き出す
top20 <- in_out_d[5:24,]

以下のグラフは、クリーブランドのドットプロットと呼ばれていて、棒グラフの代わりに使われる。

# 転入率(X)の高い順に市町村名を並び替えて表示する
# ggplot2で作成
ggplot(top20,aes(x=X,y=reorder(name,X)))+
  geom_point(size=3,col="seagreen")+
labs(x="転入率",y="市町村名",title="転入率の高い市町村")+
theme_minimal(base_family="HiraKakuProN-W3") 

# 転出率(Y)の高い順に並び替え
in_out_d <- arrange(in_out,-Y)
in_out_d[c(1:10),]

##     CODE     name         X         Y
## 1  07543   富岡町       Inf       Inf
## 2  07545   大熊町       Inf       Inf
## 3  07546   双葉町       Inf       Inf
## 4  07547   浪江町       Inf       Inf
## 5  07564   飯舘村 121.95122 578.04878
## 6  07548   葛尾村 144.44444 216.66667
## 7  07542   楢葉町  39.38462  46.35897
## 8  47381   竹富町  15.98299  15.88294
## 9  27362   田尻町  17.98741  15.77759
## 10 13402 青ヶ島村  19.10112  15.73034

# 上位20位を抜き出す
top20 <- in_out_d[5:24,]

# 転出率(Y)の高い順に市町村を並び替えて表示
ggplot(top20,aes(x=Y,y=reorder(name,Y)))+
  geom_point(size=3,col="blue")+
labs(x="転出率",y="市町村名",title="転出率の高い市町村")+
theme_minimal(base_family="HiraKakuProN-W3") 

# 点で表示
library(ggplot2)
ggplot(in_out,aes(X,Y))+
geom_point()

# 市町村コードで表示
ggplot(in_out,aes(X,Y))+
geom_text(aes(y=Y,label=CODE),size=2)

3.0.2 世帯の家族類型

世帯単位のデータ。全国の市町村。 前項とは異なり、long formatを利用。(long formatでは2個の新変数が作られる。例えばkeyとvalue。keyには複数の旧変数のリストが入る。それ以外にインデックス変数がある。) セットになって公表されているSSDSEデータをそのまま利用している。

インデックス変数と縦軸に表示する変数だけを取り出してlong formatにする。 long formatでは当該の分析に不要な変数は外した方がよいようだ。wide formatではそうではないと思う。データフレームの中に使わない変数がいくらあってもよい。 ggplot2でx軸とy軸を指定すれば、それ以外の変数はどうでもよい。

# 保存されている編集前のデータの再読み込み
dat <- dat00

# 変数名とその解説を表示
t(dat0[c(1,2),])

# 取りあげる変数を選択(select)する
library(dplyr)
dat <- dat %>% 
  select(Code,Municipality,A710101,A810102,A810105)
#head(dat)

# 新変数（計算による合成変数）の追加(mutate)
dat <- dat %>%
  mutate(r_nuclear=A810102/A710101*100,r_OnePerson=A810105/A710101*100)

library(tidyr)
library(ggplot2)

# 変数名の確認
colnames(dat)[c(1,6,7)]
# long formatに変換
dat_long <- gather(dat[,c(1,6,7)],"key","value",-Code,-r_nuclear)
# 欠損値の排除
dat_long <- na.omit(dat_long)
head(dat_long,3)
tail(dat_long,3)

# グラフ作成
ggplot(dat_long,aes(r_nuclear,value,col=key)) +
  geom_point(col="skyblue")+
labs(title="散布図",subtitle = paste("x=",colnames(dat)[6],"\ny=",colnames(dat)[7]),x="x",y="y",caption = "2015年")+
theme_classic(base_family="HiraKakuProN-W3") 

long formatをwide formatに変換するにはspread関数を使う。 wide formatに戻してから変数の加減乗除で新変数を作る。（もちろん、元のwide formatのデータを使えばよいのだが、練習のためこうする。）

head(dat_long)

##    Code r_nuclear         key    value
## 1 01100  53.63276 r_OnePerson 40.76878
## 2 01202  53.93406 r_OnePerson 39.01869
## 3 01203  57.34100 r_OnePerson 36.00608
## 4 01204  56.94765 r_OnePerson 37.03694
## 5 01205  52.86200 r_OnePerson 42.46141
## 6 01206  55.10104 r_OnePerson 38.72761

library(tidyr)
dat_ <- spread(dat_long,key = "key",value = "value")

dat_ <- dat_ %>%
  mutate(NuclearOverOne=r_nuclear/r_OnePerson)

dat_ <- arrange(dat_,-NuclearOverOne)

d <- dat_[1:20,]

ggplot(d,aes(x=NuclearOverOne,y=reorder(Code,NuclearOverOne)))+
  geom_point(size=3,col="seagreen")+
labs(x="核家族・単独世帯比率",y="市町村コード",title="核家族率が単独世帯率に比して高い市町村")+
theme_minimal(base_family="HiraKakuProN-W3") 

3.1 福岡県

dat <- dat00

library(dplyr)
dat <- dat %>% 
  filter(Prefecture=="福岡県")

dat0[1:2,c(4,25,26)]

##    A1101    A5101    A5102
## 1   2015     2017     2017
## 2 総人口 転入者数 転出者数

上記のように、 SSDSEの総人口は2015年、転入者数、転出者数は2017年のデータである。

# 相関図（転入者率と転出者率）
# plotで作成
par(pty="s",family="HiraKakuProN-W3")
x <- dat$A5101/dat$A1101*100
y <- dat$A5102/dat$A1101*100
yOVRx <- y/x*100
d1 <- data.frame(x,y,yOVRx)

par(family="HiraKakuProN-W3")
plot(x,y, xlab = "in",ylab = "out",main="図1: 転入者率と転出者率",xlim = c(0,10),ylim = c(0,10))

plot(d1[,1],d1[,2], xlab = "in",ylab = "out",main="図2: 転入者率と転出者率")

plot(d1[,3],main = "図3: 転出入人口比率",sub = "2017年", ylab = "パーセント")

# データフレーム(in_out)の作成
in_out <- data.frame(CODE=dat$Code,name = dat$Municipality,X=x, Y=y, Z=d1$yOVRx)
head(in_out,3)

##    CODE     name        X        Y         Z
## 1 40100 北九州市 4.096596 4.330449 105.70848
## 2 40130   福岡市 6.962522 6.398532  91.89964
## 3 40202 大牟田市 2.419905 2.787151 115.17606

# データフレームを転入者率の降順で並び替える
# 新しいオブジェクト名: in_out_d
in_out_d <- arrange(in_out,-X)
in_out_d[c(1:10),]

##     CODE     name        X        Y         Z
## 1  40130   福岡市 6.962522 6.398532  91.89964
## 2  40349   粕屋町 6.664462 6.186067  92.82170
## 3  40381   芦屋町 6.468187 7.467624 115.45158
## 4  40345   新宮町 6.268125 5.328895  85.01577
## 5  40218   春日市 5.938073 5.845968  98.44891
## 6  40348   久山町 5.884498 4.303951  73.14050
## 7  40224   福津市 5.845426 3.543662  60.62282
## 8  40621   苅田町 5.714613 5.929125 103.75375
## 9  40219 大野城市 5.451897 5.441849  99.81570
## 10 40343   志免町 5.449001 5.236875  96.10706

# 上位20を抜き出す
top20 <- in_out_d[1:20,]

以下のグラフは、クリーブランドのドットプロットと呼ばれていて、棒グラフの代わりに使われる。

# 転入率(X)の高い順に市町村名を並び替えて表示する
# ggplot2で作成
ggplot(top20,aes(x=X,y=reorder(name,X)))+
  geom_point(size=3,col="seagreen")+
labs(x="転入率",y="市町村名",title="転入率の高い市町村",caption = "2017年")+
theme_minimal(base_family="HiraKakuProN-W3") 

# 転出率(Y)の高い順に並び替え
in_out_d <- arrange(in_out,-Y)
in_out_d[c(1:10),]

##     CODE     name        X        Y         Z
## 1  40381   芦屋町 6.468187 7.467624 115.45158
## 2  40130   福岡市 6.962522 6.398532  91.89964
## 3  40349   粕屋町 6.664462 6.186067  92.82170
## 4  40621   苅田町 5.714613 5.929125 103.75375
## 5  40218   春日市 5.938073 5.845968  98.44891
## 6  40219 大野城市 5.451897 5.441849  99.81570
## 7  40345   新宮町 6.268125 5.328895  85.01577
## 8  40343   志免町 5.449001 5.236875  96.10706
## 9  40221 太宰府市 4.928777 4.982818 101.09643
## 10 40342   篠栗町 4.229414 4.851009 114.69697

# 上位20位を抜き出す
top20 <- in_out_d[1:20,]

# 転出率(Y)の高い順に市町村を並び替えて表示
ggplot(top20,aes(x=Y,y=reorder(name,Y)))+
  geom_point(size=3,col="blue")+
labs(x="転出率",y="市町村名",title="転出率の高い市町村",caption = "2017年")+
theme_minimal(base_family="HiraKakuProN-W3") 

library(patchwork)
# 点で表示
library(ggplot2)
p1 <- ggplot(in_out,aes(X,Y))+
geom_point()

# 市町村コードで表示
p2 <- ggplot(in_out,aes(X,Y))+
geom_text(aes(y=Y,label=CODE),size=2)

p1 + p2

ここまでは、全国の場合と同じコマンドを使った。

library(ggplot2)
ggplot(in_out,aes(X,Y))+
geom_point()+
stat_smooth()+
labs(x="転入者率",y="転出者率",subtitle = "福岡県内市町村",title="転入率と転出者率",caption = "局所加重多項式曲線を表示")+
theme_minimal(base_family="HiraKakuProN-W3") 

# 市町村コードを表示
# 同一県内なのでコードの下3桁を利用
code3 <- substring(in_out$CODE,3,5)
in_out$CODE <- code3
head(in_out)

##   CODE     name        X        Y         Z
## 1  100 北九州市 4.096596 4.330449 105.70848
## 2  130   福岡市 6.962522 6.398532  91.89964
## 3  202 大牟田市 2.419905 2.787151 115.17606
## 4  203 久留米市 3.541924 3.652907 103.13340
## 5  204   直方市 3.499808 3.583803 102.40000
## 6  205   飯塚市 3.263748 3.281557 100.54567

tail(in_out)

##    CODE     name        X        Y         Z
## 55  610   福智町 3.117485 3.685890 118.23282
## 56  621   苅田町 5.714613 5.929125 103.75375
## 57  625 みやこ町 2.603369 3.462925 133.01708
## 58  642   吉富町 4.647654 3.998793  86.03896
## 59  646   上毛町 3.338697 3.258246  97.59036
## 60  647   築上町 3.513208 4.680691 133.23124

library(ggrepel)
ggplot(in_out,aes(X,Y))+
geom_point(col="blue")+
geom_text_repel(aes(label=CODE),size=3,col="grey30")+
labs(x="転入率",y="転出率",title = "転入率と転出率",subtitle = "福岡県内各市町村",caption = "2017年")+
theme_minimal(base_family="HiraKakuProN-W3") 

# データフレームを転出入人口比率の降順で並び替える
# 新しいオブジェクト名: OutOverIn_d
OutOverIn <- arrange(in_out,-Z)

# 上位20を抜き出す
top20 <- OutOverIn[1:20,]
top20[,c(1,2,5)]

##    CODE     name        Z
## 1   448   東峰村 150.0000
## 2   605   川崎町 144.7894
## 3   647   築上町 133.2312
## 4   625 みやこ町 133.0171
## 5   601   香春町 126.1838
## 6   229 みやま市 125.4408
## 7   214   豊前市 125.1506
## 8   602   添田町 124.6094
## 9   401   小竹町 124.0283
## 10  228   朝倉市 122.7302
## 11  212   大川市 120.4617
## 12  227   嘉麻市 119.6538
## 13  610   福智町 118.2328
## 14  210   八女市 116.2483
## 15  206   田川市 116.0441
## 16  381   芦屋町 115.4516
## 17  202 大牟田市 115.1761
## 18  342   篠栗町 114.6970
## 19  225 うきは市 112.5648
## 20  421   桂川町 111.8790

# 転出入人口比率(Z)の高い順に市町村名を並び替えて表示する
# ggplot2で作成
ggplot(top20,aes(x=Z,y=reorder(name,Z)))+
  geom_point(size=3,col="seagreen")+
labs(x="転出入人口比率",y="市町村名",title="転出入人口比率の高い市町村",caption = "2017年")+
theme_minimal(base_family="HiraKakuProN-W3") 

クリーブランドのドットプロットで人口の多い市町村を表示する。

# 福岡県の全項目（全変数）にもどる
head(dat)

##    Code Prefecture Municipality   A1101 A110101 A110102   A1102 A110201 A110202
## 1 40100     福岡県     北九州市  961286  452682  508604  942781  443522  499259
## 2 40130     福岡県       福岡市 1538681  726666  812015 1478656  696551  782105
## 3 40202     福岡県     大牟田市  117360   53859   63501  115962   53199   62763
## 4 40203     福岡県     久留米市  304552  144971  159581  297254  141218  156036
## 5 40204     福岡県       直方市   57146   26673   30473   56582   26368   30214
## 6 40205     福岡県       飯塚市  129146   61249   67897  128078   60761   67317
##    A1301 A130101 A130102  A1302 A130201 A130202  A1303 A130301 A130302  A1419
## 1 119448   61060   58388 549397  269059  280338 277120  113597  163523 136035
## 2 199923  102307   97616 996401  480061  516340 312331  128393  183938 142696
## 3  12726    6591    6135  62270   30238   32032  40542   16000   24542  21534
## 4  41133   21106   20027 179398   87557   91841  76256   31709   44547  36683
## 5   7455    3877    3578  31585   15459   16126  17941    7236   10705   9156
## 6  16338    8374    7964  74512   37275   37237  37210   15034   22176  18511
##   A141901 A141902 A1700 A4101 A4200  A5101 A5102  A7101 A710101 A710201 A810102
## 1   49473   86562  9388  7349 11171  39380 41628 426325  425544  933204  238689
## 2   51093   91603 23662 14382 12101 107131 98453 764820  763824 1505783  348959
## 3    7227   14307   395   791  1842   2840  3271  49398   49250  112607   27038
## 4   13390   23293  2064  2795  3124  10787 11125 121913  121647  295949   67035
## 5    3258    5898   446   454   726   2000  2048  23281   23217   55073   13925
## 6    6440   12071   938  1124  1519   4215  4238  54732   54506  124097   29873
##   A810105 A811102 A8201 A8301 A9101 A9201 B1101 B1103 C2107 C210703 C210708
## 1  157488   98640 53698 60915  4581  1794 49195 29687 44150      37    3943
## 2  379499  109261 56191 80032  9706  2967 34339 23252 75200      60    5110
## 3   16829   13219  6724  8811   473   201  8145  6394  5800       4     521
## 4   40019   25422 12568 12861  1556   584 22996 19360 14211      84    1181
## 5    7034    6139  3191  3571   278   118  6176  4064  2743       5     229
## 6   19514   12377  6421  7886   610   269 21407 10762  5771      16     516
##   C210709 C210710 C210711 C210712 C210713 C210716 C210717 C210718 C210719
## 1    2252      52     344    1447   11798     748    3382    1660    5912
## 2    2261     109    1918    1638   21759    1505    5907    4699   10958
## 3     288      11      23     114    1683      90     276     159     821
## 4     884      14      94     254    3834     289     819     602    1923
## 5     287       7      11      38     829      45      82      85     321
## 6     350       5      33      93    1583     112     220     189     756
##   C210720 C210721 C210722 C210723 C210724 C210725 C2110 C2111 C2112  C2207
## 1    4003    1486    3834     180    2884     153    53  6214 37883 466561
## 2    6039    2586    5580     242    4605     213    63  7379 67758 908807
## 3     600     215     543      35     392      24     4   810  4986  54777
## 4    1289     516    1305      70     985      67    85  2065 12061 139575
## 5     250      71     271      13     181      18     5   516  2222  28465
## 6     606     191     581      34     437      47    16   868  4887  57281
##   C220703 C220708 C220709 C220710 C220711 C220712 C220713 C220716 C220717
## 1     433   33041   58706    2048    6191   29946   88612   10558   12102
## 2     536   55695   32253    6427   44563   47790  209665   31701   33412
## 3     140    4005    6886     332     244    2375   11174    1049     719
## 4    1136    8193   13868     479     905    5250   28067    3966    3089
## 5      26    1282    6262      90      33     915    6420     419     475
## 6     198    3263    7582     222     341    1939   11425    1191     805
##   C220718 C220719 C220720 C220721 C220722 C220723 C220724 C220725 C2210 C2211
## 1   12819   39167   19963   22097   75173    3018   40947   11523   467 91930
## 2   35865   94948   36734   45946  100814    6317  101644   24396   586 87999
## 3     881    4837    2470    2496   12791     429    2686    1262   140 10892
## 4    3602   12942    6186    9270   25451    1635   10900    4624  1148 22061
## 5     542    2184    1205    1287    4790     256    1485     794    26  7544
## 6    1055    4784    3471    2754   11157     580    3508    2990   198 10861
##    C2212 C310201 C310202 D2203 D2211     D3201   D320101     D3203   D320303
## 1 374164    1371    1238  99.6  13.7 519454118 156126761 515520175 196960570
## 2 820222    1313     915  94.3  12.2 808157496 288287809 793768959 285053939
## 3  43745     364     366  99.2   8.9  56384476  13768700  56311461  25619983
## 4 116366    3188    1668  95.3   3.6 130219186  40520968 128702097  57367839
## 5  20895     367     160  98.4   9.4  25183865   6702210  24887474  12326480
## 6  46222    1160     340  93.0   4.5  72401038  13811748  71254940  30554146
##    D320308  D320310 D320311 E1101 E1501 E2101 E2401 E2501 E3101 E3401 E3501
## 1 70786779 53730149   57827   104 13575   136  2856 48978    72  1778 25314
## 2 95148141 81822916   39978   128 20493   148  4215 81766    82  2549 39632
## 3  4303512  4838559  145267    13  1087    20   350  5412    10   228  2884
## 4  9941636 14755148   45177    24  2851    47  1062 17107    20   570  8587
## 5  2779895  1938582    5285     8   723    11   222  3087     4   104  1352
## 6  3991503 10987286  158168    10  1300    21   434  6825    12   284  3493
##   E4101 E4501  F1102 F110201 F110202 F1107 F110701 F110702  F1108 F110801
## 1    38 26126 415092  227352  187740 24070   15353    8717 347552  118665
## 2    41 43563 667895  355795  312100 35884   21133   14751 426858  141003
## 3     7  4358  47898   25712   22186  2949    1999     950  48318   16605
## 4    12  8189 141546   75883   65663  7019    4383    2636  96869   33465
## 5     4  2659  24011   13180   10831  1563    1012     551  21935    7451
## 6     4  3617  54975   29788   25187  4201    2828    1373  47938   17256
##   F110802 F2201 F2211  F2221 G1201 G1401   H5507 H550701 H6130 H6131 H6132
## 1  228887  3174 98006 296731     0    17  967149    4935  8373  4841   115
## 2  285855  4142 92515 519335   156    12 1512333    2961 12388  9312   234
## 3   31713   987 11858  33080     7     1  118351   42440  1295   683    10
## 4   63404  7769 27388  98781     0     6  306796   30583  2691  1578    35
## 5   14484   426  6590  15582     1     1   57398   23604   670   275     8
## 6   30682  1210 12166  39812    13     5  130061   34597  1185   581    14
##   I510120 I5102 I5103 I6100 I6200 I6300 J2503 J2506
## 1      76   961   662  3314  1214  2245   161 16246
## 2