-
Notifications
You must be signed in to change notification settings - Fork 0
/
household_3_in_1.Rmd
1354 lines (1136 loc) · 66.2 KB
/
household_3_in_1.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
---
title: "Եկամուտի զգայունություն"
subtitle: "Տնային տնտեսությունների և աշխատավարձերի վերլուծություն"
author: "Աղասի Թավադյան"
# date: "2024-02-06"
# output:
# pdf_document:
# # latex_engine: xelatex
# latex_engine: lualatex
# mainfont: "DejaVu Serif"
# polyglossia:
# - Armenian
output: html_document
---
տ․գ․թ․, դոցենտ
[tvyal.com](https://www.tvyal.com/) (հիմնադիր, ղեկավար)
[tavadyan.com](https://www.tavadyan.com/)
```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
library(tidyverse)
library(scales)
library(readxl)
library(rio)
library(RcppRoll)
library(Hmisc)
library(ggridges)
library(toOrdinal)
library(gt)
rm(list = ls()); gc()
theme_tvyal <- function(base_size = 12, base_family = "sans")
{
colors <- deframe(ggthemes::ggthemes_data[["fivethirtyeight"]])
(ggthemes::theme_foundation(
base_size = base_size, base_family = base_family) +
theme(
line = element_line(colour = "black"),
rect = element_rect(fill = "white", linetype = 0, colour = NA),
text = element_text(colour = colors["Dark Gray"]),
# axis.title = element_blank(),
# axis.text = element_text(),
axis.ticks = element_blank(),
axis.line = element_blank(),
legend.background = element_rect(),
legend.position = "bottom",
legend.direction = "horizontal",
legend.box = "vertical",
panel.grid = element_line(colour = NULL),
panel.grid.major.x =element_line(colour = colors["Medium Gray"]),
panel.grid.major.y = element_line(colour = colors["Medium Gray"]),
panel.grid.minor = element_blank(),
plot.title = element_text(hjust = 0, size = rel(1.5), face = "bold"),
plot.margin = unit(c(1, 1, 1, 1), "lines"), strip.background = element_rect()
)
)
}
theme_set(theme_tvyal())
new_palette_colors <- c(
"#003f5c", "#2f4b7c", "#665191", "#a05195",
"#d45087", "#f95d6a", "#ff7c43", "#ffa600"
)
colfunc <- colorRampPalette(c("#2f4b7c", "#fffcf5", "#f95d6a"))
colfunc2 <- colorRampPalette(new_palette_colors)
colfunc3 <- colorRampPalette(c(new_palette_colors, "#FFD17A", "#FFFCF5"))
update_geom_defaults("rect", list(fill = new_palette_colors[2], alpha = 0.8))
update_geom_defaults("line", list(color = new_palette_colors[2], alpha = 0.8))
update_geom_defaults("area", list(fill = new_palette_colors[2], alpha = 0.8))
caption_arm <- ""
caption_eng <- ""
doParallel::registerDoParallel(cores = 8)
# setwd(dirname(rstudioapi::getActiveDocumentContext()$path))
```
Այս վերլուծության բոլոր տվյալները վերցված են պաշտոնական աղբյուրներից, մասնավորապես՝ [տնային տնտեսությունների կենսամակարդակի (կենսապայմանների) ամբողջացված հետազոտության անվանազերծված միկրոտվյալների բազա (ըստ տնային տնտեսությունների)](https://www.armstat.am/en/?nid=205), [Աշխատավարձի, աշխատողների թվաքանակի և կազմակերպությունների թվի 2020-2022 ՀՀ վիճակագրական կոմիտեի հաշվետվությունները ](https://www.armstat.am/file/article/lab_market_2023_14.pdf) և [Հայաստանի սպառողական գների ամսական ինդեքսը](https://www.cba.am/stat/stat_data_arm/6_CPI_arm.xls): Տնային տնտեսությունների կենսամակարդակի ցուցանիշները ինչպես նաև աշխատավարձերը ճշգրտվել են ամսական կումուլատիվ գնաճով, այսինքն յուրաքանչյուր ցուցանիշ ներկայացնում է 2022 թվականի վերջի գնողունակությունը։ Տնային տնտեսությունների եկամուտների ցուցանիշները նաև կշռվել են։ Հաշվարկները ամբողջությամբ հասանելի են github-ում, դրանք կարելի է ստուգել այցելելով [github-ի](https://github.com/tavad/tvyal_newsletter/blob/main/2024/household_3_in_1.Rmd) մեր էջը, որտեղ տրված են տվյալները, հաշվարկների և գծապատկերների կոդը։
\newpage
# Մաս 1. Տնային տնտեսությունները աղքատացել են 2022 թվականին
## Գնաճով ճշգրտված տնային տնտեսությունների ընդհանուր եկամտի վերլուծություն
```{r data download, include=FALSE}
# Household database is aggregated from this official source:
# https://www.armstat.am/en/?nid=205
household_income_db <- read_csv("2024_01_07_household_income/household_income_db.csv")
inflation_row <- read_excel("2024_01_07_household_income/cpi_armenia_eng.xls", skip = 3)
inf_cumprod <-
inflation_row |>
rename(date = 1, cpi_m = 2) |>
select(date, cpi_m) |>
mutate(
date = ym(date),
cpi_m = cpi_m / 100,
year = year(date)
) |>
filter(year <= 2022) |>
select(-year) |>
arrange(desc(date)) |>
mutate(
adj_price = cumprod(cpi_m),
adj_price = lag(adj_price),
adj_price = ifelse(is.na(adj_price), 1, adj_price)
)
marz_dict <-
tibble(
marz = 1:12,
marz_eng = c(
"Yerevan", "Aragatsotn", "Ararat", "Armavir", "Gegharkunik", "Lori",
"Kotayk", "Shirak", "Syunik", "Vayots Dzor", "Tavush", "Armenia"
),
marz_arm = c(
"Երևան", "Արագածոտն", "Արարատ", "Արմավիր", "Գեղարքունիք", "Լոռի",
"Կոտայք", "Շիրակ", "Սյունիք", "Վայոց ձոր", "Տավուշ", "Հայաստան"
)
)
```
```{r income_table, include=FALSE}
income_table <-
household_income_db |>
left_join(inf_cumprod, by = "date") |>
mutate(totincome = totincome * adj_price) |>
filter(marz == 1) |>
group_by(year) |>
summarise(
q10 = wtd.quantile(totincome, weight, probs = 0.1),
median = wtd.quantile(totincome, weight, probs = 0.5),
mean = sum(totincome*weight)/sum(weight),
q90 = wtd.quantile(totincome, weight, probs = 0.9),
) |>
mutate(
across(-year, ~number(.x/1000, accuracy = 1))
) |>
gt() |>
cols_label(
year = "Տարի",
q10 = "Ամենաաղքատ 10%-ի վերին շեմը (1-ին դեցիլ)",
median = "Միջին ընտանիքի եկամուտ (median)",
mean = "Միջին եկամուտ (mean)",
q90 = "Ամենահարուստ 10%-ի ստորին շեմը (9-րդ դեցիլ)"
) |>
tab_header(
title = "Հայաստանի տնային տնտեսությունների եկամուտների փոփխությունը",
subtitle = "հազար դրամ, եկամուտնեը ճշգրտվել են 2022 թվականի վերջի գներով և կշռվել"
) |>
tab_footnote(
footnote = paste0(caption_eng, " | Data Source: armstat.am")
)
```
```{r 2021 2022 change, include=FALSE}
years_select = c(2021, 2022) # provide 2 consecutive years that are in household_income_db
date_legend <-
tibble(
x = 710, y = c(1.5, 2.5),
color = c("#2f4b7c", "#f95d6a"), text = rev(years_select)
)
household_change_in_2_years_plot <-
household_income_db %>%
bind_rows(
mutate(., marz = 12)
) |>
left_join(inf_cumprod, by = "date") |>
mutate(totincome = totincome * adj_price) |>
group_by(year, marz) |>
summarise(
mean = sum(totincome*weight)/sum(weight),
median = wtd.quantile(totincome, weight, probs = 0.5),
q10 = wtd.quantile(totincome, weight, probs = 0.1),
q90 = wtd.quantile(totincome, weight, probs = 0.9),
) |>
pivot_longer(-c(year, marz)) |>
left_join(marz_dict, by = "marz") |>
filter(
year %in% years_select,
name != "mean"
) |>
ungroup() |>
mutate(
value = value / 1000,
year = ifelse(year == min(year), "begining", "end")
) |>
pivot_wider(names_from = year, values_from = value) |>
mutate(
marz_arm = fct_reorder(marz_arm, (begining + end)/2, .fun = mean),
marz_eng = fct_reorder(marz_eng, (begining + end)/2, .fun = mean),
color = ifelse(begining > end, "#f95d6a", "#2f4b7c")
) |>
ggplot() +
geom_segment(
aes(x = begining, xend= end, y= marz_arm,
yend=marz_arm, group = name, color = I(color)),
linewidth = 1.2,
lineend = 'round', linejoin = 'round',
arrow = arrow(length = unit(0.1, "inches"))
) +
geom_point(aes(x=begining, y=marz_arm, color=I("#f95d6a")), size = 3) +
geom_point(aes(x=end, y=marz_arm, color=I("#2f4b7c")), size = 3) +
geom_point(data = date_legend, aes(x, y, color = I(color)), size = 3) +
geom_text(data = date_legend, aes(x + 25, y, label = text)) +
geom_vline(xintercept = c(170, 390)) + #dividers are changed manually
annotate(
geom = "text", x = c(95, 280, 595), y = 13, #dividers are changed manually
label = c(
"Ամենաաղքատ 10%-ի\nվերին շեմը (1-ին դեցիլ)",
"Միջին ընտանիքի\nեկամուտ (median)",
"Ամենահարուստ 10%-ի\nստորին շեմը (9-րդ դեցիլ)"
)
) +
scale_x_continuous(breaks = seq(0, 800, 100), labels = number_format()) +
scale_y_discrete(expand = c(0.05,0,0.2,0)) +
labs(
x = NULL,
y = NULL,
color = NULL,
title = "Տնային տնտեսությունների եկամուտների փոփոխությունը ըստ մարզերի",
subtitle = "2022-ին Հայաստանի եկամուտները պակասել են, բացի Կոտայքի, Գեղարքունիքի և Տավուշի մարզից,\nհազար ՀՀ դրամ",
caption = paste0(caption_arm, " | տվյալների աղբյուր` armstat.am")
)
```
```{r income change from 2018 to 2022, include=FALSE}
wealth_change_data <-
household_income_db %>%
bind_rows(
mutate(., settlement = "Total")
) |>
left_join(inf_cumprod, by = "date") |>
mutate(totincome = totincome * adj_price) |>
group_by(year, settlement) |>
summarise(
mean = sum(totincome*weight)/sum(weight),
median = wtd.quantile(totincome, weight, probs = 0.5),
q10 = wtd.quantile(totincome, weight, probs = 0.1),
q90 = wtd.quantile(totincome, weight, probs = 0.9),
)
household_change_18_22_plot <-
wealth_change_data |>
pivot_longer(c(mean, median, q10, q90)) |>
filter(year %in% 2018:2022) |>
mutate(
settlement = factor(
settlement,
levels = c("Total", "Yerevan", "urban", "rural"),
labels = c("Հայաստան", "Երևան", "այլ քաղաքներ", "գյուղեր")
),
name = factor(
name,
levels = c("q10", "median", "mean", "q90"),
labels = c("Ամենաաղքատ 10%-ի վերին\nշեմը (1-ին դեցիլ)", "Միջին ընտանիքի եկամուտ\n(median)",
"Միջին եկամուտ\n(mean)", "Ամենահարուստ 10%-ի ստորին\nշեմը (9-րդ դեցիլ)")
),
text = number(value / 1000, accuracy = 1)
) |>
ggplot(aes(as.factor(year), value, label = text, fill = as.factor(year))) +
geom_col() +
geom_text(aes(y = 50000), color = "white") +
facet_grid(settlement~name, switch = "both") +
scale_fill_manual(values = new_palette_colors[6:2]) +
labs(
y = NULL,
x = NULL,
fill = NULL,
title = "Հայաստանի տնային տնտեսությունների եկամուտների փոփոխությունը",
subtitle = "Հազար դրամ, եկամուտնեը ճշգրտվել են 2022 թվականի վերջի գներով և կշռվել",
caption = paste0(caption_arm, " | տվյալների աղբյուր` armstat.am")
) +
theme(
axis.text = element_blank(),
panel.grid.major = element_blank()
)
```
```{r percentage change, include=FALSE}
household_pct_change_plot <-
household_income_db |>
select(year, date, weight, marz, totincome) |>
left_join(inf_cumprod, join_by(date)) |>
mutate(totincome = totincome * adj_price) |>
mutate(
income_bin = cut(
totincome/1000,
breaks = c(0, 2^(4:11), 1e5),
include.lowest = TRUE
)
) |>
group_by(year) |>
# begin weighting data
count(year, income_bin, wt = weight) |>
# end weighting data
group_by(year) |>
extract(income_bin, into = c("lower_cut", "upper_cut"),
regex = ".(.*),(.*)\\]", remove = FALSE, convert = TRUE) |>
mutate(
pct = n/sum(n),
label = case_when(
lower_cut == 0 ~ paste0(upper_cut, " հազար դրամից պակաս"),
upper_cut == 1e5 ~ paste0(round(lower_cut/1000), " մլն. դրամից ավել"),
lower_cut == 512 ~ paste0(lower_cut, " հազար դրամից մինչև ",
round(upper_cut/1000), " մլն. դրամ"),
lower_cut > 1000 ~ paste0(round(lower_cut/1000), "-ից մինչև ",
round(upper_cut/1000), " մլն. դրամ"),
TRUE ~ paste0(lower_cut, "-ից մինչև ", upper_cut, " հազար դրամ")
)
) |>
arrange(lower_cut) |>
mutate(
label = fct_inorder(label),
label = fct_rev(label),
pct_text = ifelse(pct <= 0.01, NA, percent(pct, accuracy = 0.1))
) |>
ungroup() |>
ggplot(aes(year, pct, fill = label, label = pct_text)) +
geom_col(alpha = 0.8) +
geom_text(position = position_stack(vjust = .5)) +
scale_x_continuous(breaks = seq(2005, 2022, 1)) +
scale_y_continuous(labels = percent_format()) +
# scale_fill_brewer(type = "div", palette = 1, direction = -1) +
scale_fill_manual(values = colfunc(9)) +
labs(
x = NULL,
y = NULL,
fill = NULL,
title = "Որքա՞ն է Հայաստանի ընտանիքների ամսական եկամուտը",
subtitle = "Տնային տնտեսությունների եկամուտների բաշխվածությունը ըստ տարիների\nԵկամուտնեը ճշգրտվել են 2022 թվականի վերջի գներով և կշռվել",
caption = paste0(caption_arm, " | տվյալների աղբյուր` armstat.am")
) +
theme(
panel.grid.major.x = element_blank()
)
```
```{r percentage change 2, include=FALSE}
household_pct_change_plot_2 <-
household_income_db |>
filter(
year >= 2005,
totincome != 0,
!is.na(totincome)
) |>
select(year, date, marz, totincome, weight) |>
left_join(inf_cumprod, join_by(date)) |>
mutate(totincome = totincome * adj_price) |>
ggplot(aes(
x = totincome, y = as.factor(year),
fill = 0.5 - abs(0.5 - after_stat(ecdf)),
# weight = weight
)) +
stat_density_ridges(
quantile_lines = TRUE, scale = 3,
rel_min_height = 0.01, quantiles = 4, alpha = 0.5,
geom = "density_ridges_gradient", calc_ecdf = TRUE
) +
scale_x_log10(breaks = 10^(4:6), labels = number_format(), limits = c(10^3.5, 10^6.5)) +
# scale_fill_viridis_c(name = "Հավանականություն", direction = -1) +
scale_fill_gradientn(name = "Հավանականություն", colors = rev(colfunc(100))) +
labs(
x = "դրամ",
y = NULL,
title = "Որքա՞ն է Հայաստանի ընտանիքների ամսական եկամուտը",
subtitle = "Տնային տնտեսությունների եկամուտների բաշխվածությունը ըստ տարիների\nԵկամուտնեը ճշգրտվել են 2021 թվականի գներով",
caption = paste0(caption_arm, " | տվյալների աղբյուր` armstat.am")
) +
annotation_logticks(base = 10, sides = "b")
```
2022-ին գրանցվել է 12.6 տոկոս տնտեսական աճ, մեկ շնչին ընկնող ՀՆԱ-ն աճել է 4 972 դոլարից մինչև 7 018 դոլար, այսինքն 41 տոկոսով, սակայն ժողովրդի իրակական եկամուտները ընկել են։
2021-ին տնային տնտեսությունների միջին ճշգրտված եկամուտը կազմել էր 333 հազար դրամ, իսկ 2022-ին՝ 320 հազար դրամ։ Բնակչության ամենաաղքատ ընտանիքների 10% շեմը ստանում էր մինչև 101 հազար դրամ 2021 թվականին, իսկ 2022-ին՝ արդեն 88 հազար դրամ:
Առաջին գծապատկերում տողերը ներկայացնում են մարզերը, իսկ սյուները հասարակության խավերը (անապահով խավ, միջին խավ և հարուստներ)։ Եթե գիծը կարմիր է, ապա նախորդ տարվա համեմատ եկամուտները պակասել են, եթե կապույտ ապա՝ աճել։
```{r, echo=FALSE, warning=FALSE, fig.width = 12, fig.height = 6}
household_change_in_2_years_plot
```
**Գծապատկեր 1.1.** Տնային տնտեսությունների համախառն եկամուտների փոփոխությունը ըստ մարզերի
Տնային տնտեսությունների եկամուտները 2022 թվականին պակասել են բոլոր մարզերում բացի Կոտայքի, Գեղարքունիքի և Տավուշի մարզերից։
Երևանում և Արագածոտնում 2022 թվականին հարուստները ավելի են հարստացել, իսկ աղքատները ավելի են աղքատացնել։
Մնացած մարզերում, ինչպես նաև ամբողջ Հայաստանի համար, բոլոր խավերի եկամուտները համեմատած 2021 թվականի հետ պակասել են։
Դիտարկենք տնային տնտեսությունների եկամուտների փոփոխությունը 2018 թվականից սկսած։ Ինչպես երևում է գնաճով ճշգրտված եկամուտները Հայաստանի համար ամենաբարձր կետում էին 2020 թվականին, միջին վիճակագրական ընտանիքը ստանում էր ամսական 278 հազար դրամ (2022 տարեվերջի գներով): Երկու տարվա ընթացքում միջին ընտանիքի եկամուտը ընկել է 15 հազար դրամով՝ մինչև 263 հազար դրամ։ Երևանում միջին ընտանիքի եկամտաբերությունը չի փոխվել այս 2 տարիների ընթացքում, այն հիմականում ընկել է մարզերում։ Նշված 2 տարիների ընթացքում եկամուտի աճ են գրանցել Երևանի հարուստ խաղվի ներկայացուցչները (9-րդ դեցիլ), որոնց ընտանեկան իրական եկամուտի շեմը բարձրացել է 629 հազարից 2022 թվականին մինչև 671 հազար դրամ։
Հաջորդ գծապատկերը համեմատում է գնաճով ճշգրտված տնային տնտեսությունների տարեկան եկամուտները 2005 թվականից սկսած։ Եկամուտները բաժանվել են աճողական զամբյուղների։
```{r, echo=FALSE, warning=FALSE, fig.width = 12, fig.height = 8}
household_pct_change_plot
```
**Գծապատկեր 1.2.** Որքա՞ն է Հայաստանի ընտանիքների ամսական եկամուտը
Ինչպես երևում է գծապատկերից մինչև 128 հազար դրամ ստացողները 3.5 տոկոսային կետով աճել են համեմատած 2021-ի։ 128-256 հազար դրամ ստացողների թիվը կրճատվել է 1.9 տոկոսային կետով։
Տվյալները առկա են 2005 թվականից։ Գծապատկերից նաև երևում է որ 2005 թվականից տնային տնտեսություններ գնաճով ճշգրտված եկամուտները գրանցել են կայուն աճ։ Ըստ տվյալների տնային տնտեսությունների իրական եկամուտները ամենամեծ աճն են արձանագրել 2006 և 2007, ինչպես նաև 2019 թվականին։
Անվանական եկամուտների աճ գրանցվել է նաև 2021 և 2022 թվականներին, սակայն այդ տարիներին գրանցվել է համապատասխանաբար 7.2 և 8.6 տոկոս գնաճ, որը զգալի իջեցրել է իրական եկամուտները։ Սա նշանակում է որ 2022 թվականի վերջին աշխատավարձերը դեռ չեն հասել գնաճի տեմպին և 2022 թվականին գրանցված 12.6 տոկոս տնտեսական աճը դեռ չի անդրադարձել տնային տնտեսությունների եկամուտների կամ աշխատավարձերի աճի վրա։
1.2. գծապատկերում ներկայացված եզրահանգումը այլընտրանքային կերպով արտացոլում է նաև հաջորդ գծապատկերը։
```{r, echo=FALSE, warning=FALSE, message=FALSE, fig.width = 12, fig.height = 8}
household_pct_change_plot_2
```
**Գծապատկեր 1.3.** Որքա՞ն է Հայաստանի ընտանիքների ամսական եկամուտը, այլընտրանքային հայացք
Այղուսակի տեսքով ներկայացնենք նաև տնային տնտեսությունների եկամուտների փոփոխությունը տարիների ընթացքում։
<!-- ![](table_1_1.png) -->
**Աղյուսակ 1.1.** Հայաստանի տնային տնտեսությունների եկամուտների փոփխությունը
```{r, echo=FALSE, fig.width = 6}
income_table
```
* Թվաբանական միջինի և մեդիանի տարբերությունը: Թվաբանական միջինը բոլոր արժեքների գումարն է, բաժանված քանակի վրա: Մեդիանը միջին արժեքն է՝ երբ տվյալները դասավորված են հերթականությամբ: Աշխատավարձերը, եկամուտները քննարկելիս հաճախ մեդիանը ավելի կարևոր ցուցանիշ է, քանի որ այն ցույց է տալիս միջին կետը, այսինքն՝ միջին վիճակագրական մարդու աշխատավարձը կամ ընտանիքի եկամուտը։ Թվաբանական միջինի վրա մեծ ազդեցություն ունեն փոքր թվով ծայրահեղ բարձր արժեքները, ինչը կարող է աղավաղել իրական պատկերի ըմբռնումը: Մեդիանը կարևոր է միջին խավի եկամուտները հասկանալու տեսանկյունից։ Այն ցույց է տալիս տվյալների կենտրոնը, նույնիսկ երբ հարուստները կարող են հարստանալ՝ թողնելով միջին խավը համեմատաբար անփոփոխ։ Այս պարագայում ի հաշվի ապահով խավի եկամուտների աճին թվաբանական միջինը աճելու է՝ իսկ մեդիանը մնալու է անփոփոխ։
\newpage
# Մաս 2. Ամուր ընտանիք՝ հարուստ ընտանիք
## Հայաստանի ընտանիքների ժողովրդագրական վերլուծություն
```{r data download 2, include=FALSE}
# Household database is aggregated from this official source:
# https://www.armstat.am/en/?nid=205
household_22 <- read_csv("2024_01_26_households_structure/household_2022.csv")
decile_year = 2022
```
```{r deciles and age plot, include=FALSE}
decile_description <-
household_22 |>
reframe(deciles = quantile(totincome, probs = seq(0.1, 0.9, 0.1))) %>%
bind_rows(tibble(deciles = NA), .) |>
mutate(
deciles2 = lead(deciles),
x = row_number(),
description_arm = case_when(
x == 1 ~ paste0("1-ին դեցիլ` ", round(deciles2/1000), " հազար դրամից պակաս"),
x == 10 ~ paste0("10-րդ դեցիլ` ", round(deciles/1000), " հազար դրամից ավել"),
TRUE ~ paste0(x, "-րդ դեցիլ` ", round(deciles/1000), "-ից մինչև ",
round(deciles2/1000)," հազար դրամ"),
),
description_eng = case_when(
x == 1 ~ paste0("1st decile - less than ", round(deciles2/1000), " thousand drams"),
x == 10 ~ paste0("10th decile - more than ", round(deciles/1000), " thousand drams"),
TRUE ~ paste0(toOrdinal(x), " decile - from ", round(deciles/1000), " to ",
round(deciles2/1000)," thousand drams"),
),
description_arm = fct_inorder(description_arm),
description_eng = fct_inorder(description_eng),
y = 0
) |>
select(description_arm, description_eng, x, y)
deciles_and_age_plot <-
household_22 |>
rename(marz = hh_02) |>
select(marz, members, totincome, contains("_sum")) |>
select(-hheld_over63_sum) |>
mutate(
hhch_18_62_sum = members - rowSums(across(matches("hh.*_sum")), na.rm = TRUE),
income_bin = ntile(totincome, 10),
# income_bin = cut(
# totincome/1000,
# breaks = c(0, 2^(6:10), 1e5),
# include.lowest = TRUE,
# labels = c("[0, 64]", "(64, 128]", "(128, 256]",
# "(256, 512]", "(512, 1024]", "(1024 & more)")
# )
) |>
group_by(
# year,
# marz,
income_bin
) |>
summarise(across(contains("_sum"), ~sum(.x, na.rm = TRUE)), .groups = "drop") |>
pivot_longer(contains("_sum"), names_to = "age_group", values_to = "sum_head_count") |>
group_by(
# year,
# marz,
income_bin
) |>
mutate(
age_group = str_remove(age_group, "hhch_|hheld_"),
age_group = str_remove(age_group, "_sum"),
age_group = str_replace(age_group, "_", "-"),
age_group = fct_relevel(age_group, "0-3", "4-5", "6-11", "12-17", "18-62"),
age_group = fct_rev(age_group),
pct_head_count = sum_head_count / sum(sum_head_count)
) |>
ungroup() |>
ggplot() +
geom_col(aes(income_bin, pct_head_count, fill = age_group)) +
geom_point(data = decile_description, aes(x, y, color = description_eng)) + # delete cuts
scale_x_continuous(breaks = 1:10) + # delete when using cuts
scale_color_manual(values = rep("#FFFFFF00", 10)) + # delete when using cuts
scale_y_continuous(labels = percent_format()) +
scale_fill_manual(values = rev(colfunc(9))) +
guides(color=guide_legend(nrow = 4,byrow = TRUE)) +
# facet_wrap(~marz) +
labs(
x = "Decil Groups",
y = NULL,
fill = "Age Group",
color = NULL,
title = "Armenian Household Income by Decil Groups and Age",
subtitle = "Proportion, data for 2022",
caption = paste0(caption_eng, " | Data Source: armstat.am")
) +
theme(panel.grid.major.x = element_blank())
```
```{r household income by types, include=FALSE}
household_22_income_cuts <-
household_22 |>
reframe(
totincome = wtd.quantile(totincome, weight, probs = seq(0, 1, 0.1))
) |>
pull(totincome)
income_type_dict <-
tibble(
name = c(
"y1_3amd.1.00", "y1_3amd.2.00", "y1_3amd.4.00", "y1_3amd.6.00",
"y1_3amd.8.00", "y1_3amd.9.00", "y1_3amd.10.00", "y1_3amd.12.00",
"y1_3amd.13.00", "y1_3amd.14.00", "y1_3amd.15.00", "y1_3amd.17.00",
"y1_3amd.18.00", "y1_3amd.19.00", "y1_3amd.23.00", "y1_3amd.26.00", "y1_3amd.28.00"
),
name_desc = c(
"Salary",
"Self employment",
"Pension",
"Family benefit",
"One-off benefit for child birth",
"Benefit given for care of a child under 2 years old",
"Other benefit for the child",
"Other benefits",
"Stipendium",
"Sale of real estate (flat, cottage, land)",
"Sale of the valuables (car, jewelry, furniture)",
"Property (rent, interests, dividend)",
"Money received from relatives, living in Armenia",
"Money received from relatives, living out of Armenia",
"Sale of securities",
"Pension from other country",
"Other income"
),
name_desc_arm = c(
"աշխատավարձից",
"ինքնազբաղվածությունից",
"կենսաթոշակից",
"ընտանեկան նպաստից",
"ծննդյան միանվագ նպաստից եկամուտ",
"մինչև 2 տարեկան երեխայի խնամքի համար տրվող նպաստից",
"երեխայի համար այլ նպաստից",
"այլ նպաստներից",
"կրթաթոշակից",
"անշարժ գույքի վաճառքից",
"թանկարժեք իրերի վաճառքից",
"վարձավճար, տոկոսներ, շահաբաժիններ",
"Հայաստանում բնակվող հարազատներից ստացված գումարներ",
"Հայաստանից դուրս ապրող հարազատներից ստացված գումարներ",
"արժեթղթերի վաճառքից",
"այլ երկրի կենսաթոշակից",
"այլ եկամուտներ"
)
)
income_data <-
household_22 |>
mutate(
deciles = cut(
totincome,
breaks = household_22_income_cuts,
labels = 1:10,
include.lowest = TRUE
)
) |>
select(deciles, weight, contains("y1_3amd")) |>
mutate(
across(-c(deciles, weight), ~ifelse(is.na(.x), 0, .x))
) |>
group_by(deciles) |>
reframe(
across(-weight, ~sum(.x * weight) / sum(weight))
) |>
ungroup() |>
pivot_longer(-deciles) |>
mutate(
name = fct_lump_n(name, n = 6, w = value, other_level = "y1_3amd.28.00")
) |>
group_by(deciles, name) |>
summarise(
value = sum(value)
) |>
ungroup() |>
left_join(income_type_dict, join_by(name)) |>
group_by(deciles) |>
mutate(
pct = value / sum(value),
pct_text = ifelse(pct < 0.01, NA, percent(pct, accuracy = 0.1)),
value_text = ifelse(value < 7e3, NA, number(value / 1000, accuracy = 1)),
name_number = str_replace(name, "y1_3amd.(\\d+).00", "\\1"),
name_number = as.integer(name_number)
) |>
ungroup() |>
arrange(name_number) |>
mutate(
name_desc = fct_inorder(name_desc),
name_desc_arm = fct_inorder(name_desc_arm)
)
income_deciles_drams <-
income_data |>
ggplot(aes(deciles, value / 1000, fill = name_desc, label = value_text)) +
geom_col() +
geom_text(position = position_stack(vjust = .5)) +
scale_fill_manual(values = colfunc3(7)) +
scale_y_continuous(breaks = seq(0, 1000, 100), labels = number_format()) +
guides(fill=guide_legend(nrow=4,byrow=TRUE)) +
theme(
panel.grid.major = element_blank(),
panel.grid.major.x = element_blank(),
panel.grid.major.y = element_blank()
) +
labs(
x = NULL,
y = NULL,
fill = NULL,
title = "Sources of Income in Armenian Households",
subtitle = "Thousand drams, by decil groups, 2022",
caption = paste0(caption_eng, " | Data Source: armstat.am")
)
income_deciles_pct <-
income_data |>
ggplot(aes(deciles, pct, fill = name_desc, label = pct_text)) +
geom_col() +
geom_text(position = position_stack(vjust = .5)) +
scale_fill_manual(values = colfunc3(7)) +
scale_y_continuous(breaks = seq(0, 1, 0.25), labels = percent_format()) +
guides(fill=guide_legend(nrow=4,byrow=TRUE)) +
theme(
panel.grid.major = element_blank(),
panel.grid.major.x = element_blank(),
panel.grid.major.y = element_blank()
) +
labs(
x = NULL,
y = NULL,
fill = NULL,
title = "Sources of Income in Armenian Households",
subtitle = "Proportion, by decil groups, 2022",
caption = paste0(caption_eng, " | Data Source: armstat.am")
)
```
```{r, include=FALSE}
household_table <-
household_22 |>
mutate(
deciles = cut(
totincome,
breaks = household_22_income_cuts,
labels = 1:10,
include.lowest = TRUE
),
across(matches("hh.*_sum"), ~ifelse(is.na(.x), 0, .x))
) |>
rename(seniors = hheld_over63_sum) |>
mutate(
hhch_18_62_sum = members - rowSums(across(matches("hh.*_sum")), na.rm = TRUE),
children = members -hhch_18_62_sum -seniors,
general_educ = ifelse(headeduc >= 4, 1, 0),
married = ifelse(headmerstatus == 1, 1, 0)
) |>
group_by(deciles) |>
summarise(
totincome = wtd.quantile(totincome, weight, probs = 0.5),
work_age_pct = sum(hhch_18_62_sum, na.rm = TRUE) / sum(members),
seniors_pct = sum(seniors, na.rm = TRUE) / sum(members),
children_pct = sum(children, na.rm = TRUE) / sum(members),
members = mean(members),
work_age = mean(hhch_18_62_sum, na.rm = TRUE),
children = mean(children, na.rm = TRUE),
headage = mean(headage),
head_woman = mean(headsex) - 1,
general_educ_pct = mean(general_educ, na.rm = TRUE),
married = mean(married, na.rm = TRUE)
) |>
gt() |>
data_color(
columns = -c(deciles, seniors_pct, headage, head_woman),
colors = scales::col_numeric(
palette = c("#f95d6a", "#fffcf5", "#2f4b7c"),
domain = NULL
)
) |>
data_color(
columns = c(seniors_pct, headage, head_woman),
colors = scales::col_numeric(
palette = c("#2f4b7c", "#fffcf5", "#f95d6a"),
domain = NULL
)
) |>
fmt_number(
columns = c("members", "work_age", "children"),
decimals = 2,
use_seps = TRUE,
) |>
fmt_number(
columns = c("totincome"),
decimals = 1,
scale_by = 0.001,
use_seps = TRUE,
) |>
fmt_number(
columns = c("headage"),
decimals = 0,
use_seps = TRUE,
# suffixing = "k" # You can adjust the suffix as needed
) |>
fmt_number(
columns = c("work_age_pct", "seniors_pct", "children_pct",
"head_woman", "general_educ_pct", "married"),
scale_by = 100,
decimals = 1,
pattern = "{x}%"
) |>
cols_label(
deciles = "Household Decile",
totincome = "Average Monthly Income (in thousand AMD)",
work_age_pct ~ "Working-Age Population (%)",
seniors_pct = "Senior Population (over 63, %)",
children_pct = "Child Population (0-17, %)",
members = "Household Size",
work_age = "Working-Age",
children = "Children",
headage = "Average Age of HH",
head_woman = "Proportion of Female in HH (%)",
general_educ_pct = "HH with Basic Education (%)",
married = "Married HH (%)"
) |>
tab_spanner(
label = "Demographic Information",
columns = c(work_age_pct, seniors_pct, children_pct)
) |>
tab_spanner(
label = "Household Composition (Average)",
columns = c(members, work_age, children)
) |>
tab_spanner(
label = "Head of Household (HH) Details",
columns = c(headage, head_woman, general_educ_pct, married)
) |>
tab_header(
title = "Armenia's Household Demographics",
subtitle = "Summary of demographic and income information in 2022"
) |>
tab_footnote(
footnote = paste0(caption_eng, " | Data Source: armstat.am")
)
```
>
> Ոչ լիարժեք ընտանիք է համարվում մեկ ծնողից և երեխայից բաղկացած ընտանիքը:
>
> Ոչ լիարժեք ընտանիքները բնութագրվում են հետևյալ հատկանիշներով՝
>
> * որբացած,
> * ծնողազուրկ,
> * ամուսնալուծված։
>
Դիտարկենք տնային տնտեսությունների եկամուտները ըստ դեցիլային խմբարի և այդ խմբերում սեռատարիքային կազմի։
123 հազար դրամը չգերազանցող ամսական եկամուտ ունեցող ընտանիքները գտնվում են 1-2 դեցիլային խմբերում։ Այս խմբին բնորոշ է տարեցների մեծ մասնաբաժինը, որոնց ընտանիքների ավելի քան 35 տոկոսը բաղկացած է 63 և բարձր տարիքի թոշակառուներից: Այս խմբի ընտանիքների միջին մեծությունը 2 մարդ է։ Այս ընտանիքները հիմնականում լիարժեք չեն, այս խմբում միայն մեկ երրորդն է որ ամուսին ունի: Երեխաների ամենացածր մասնաբաժինը նկատվում է այս խմբում, աշխատունակ տարիքի անձանց ավելի ցածր կշռի հետ մեկտեղ:
```{r, echo=FALSE, warning=FALSE, fig.width = 12, fig.height = 8}
deciles_and_age_plot
```
**Գծապատկեր 2.1.** Տնային տնտեսությունների և տարիքային խմբարի բաշխվածությունը
```
Դեցիլային խումբերը տվյալների բազան բաժանում են տասը հավասար մասերի,
որոնցից յուրաքանչյուրը ներկայացնում է ընդհանուր դիտարկումների 10%-ը՝
հավասար համամասնությամբ: Առաջին դեցիլը ներկայացնում է տվյալների
առաջին 10%-ը, երկրորդը ներկայացնում է երկրորդ 10%-ը և այլն, 10-րդ դեցիլը,
ներկայացնում է տվյալների ամենաբարձր 10%-ը:
```
Ինչպես երևում է գծապատկերում ինչքան տնային տնտեսությունը ավելի քիչ է ստանում եկամուտ, այնքան ավելի մեծ է հավանականությունը որ այդ տնային տնտեսությունում տարեցների քանակությունը ավելի մեծ կլինի։ Այսպես 123 հազար դրամից ցածր եկամուտ ստացող տնային տնտեսություններում 1/3-ը 63 և ավել տարիք ունեցող քաղաքացիներ են։ Այսպես այս խմբի վրա ավելի շատ են ընկնում առողջապահական ծախսերը:
Որքան մեծ է տնային տնտեսության գլխի տարիքը և որքան մեծ է տնային տնտեսության գլխի կին լինելու հավանականությունը, այնքան մեծ է ընտանիքի անապահով խավի մեջ հայտնվելու հավանականությունը: Անապահով տնային տնտեսությունները հիմնականում բաղկացած են տարեց կանանցից, ովքեր չունեն հարազատներ, որոնց մոտ 40 տոկոսն ունի հիմնական կրթություն:
Հարուստ խավն առանձնանում է ավելի մեծ ընտանիքներով, ինչի մասին է վկայում 10-րդ դեցիլային խմբում միջինը 5 հոգանոց ընտանիքների չափը։ Ապահովված տնային տնտեսություններն ունեն նաև աշխատողների մեծ թվով անդամներ, որոնցից երեքից ավելի անդամներ գտնվում են աշխատանքային տարիքում: Ավելին՝ ապահով ընտանիքների գլուխների ավելի քան 77 տոկոսն ունի ամուսին։ Այսպիսով, ամբողջական ընտանիքի առկայությունը հիմնականում բնութագրում է ապահովված ընտանիք: Կրթության մակարդակն ամենաբարձրն է 10-րդ դեցիլում, որի 56,3 տոկոսն ունի հիմնական կրթություն:
Միջին խավը հասարակության հիմքն է։ Այս խավն ունի ամենաշատ երեխաների թիվը։ Այս ընտանիքների անդամների մոտավորապես 25 տոկոսը երեխաներ են՝ ի տարբերություն հարուստ խավի, որը համեմատաբար ավելի քիչ երեխաներ ունի։ Ամենաապահով 10-րդ դեցիլային խմբում երեխաների տոկոսը կազմում է 21 տոկոս։
Ամբողջական ընտանիքի առկայությունը էականորեն ազդում է ապահով և միջին խավի ձևավորման վրա, մինչդեռ ցածր խավին առավելապես բնորոշ է միայնությունը։
<!-- ![](table_2_1.png) -->
**Աղյուսակ 2.1.** ՀՀ տնային տնտեսությունների ժողովրդագրական վերլուծություն
```{r, echo=FALSE, warning=FALSE, fig.width = 12, fig.height = 8}
household_table
```
Ինչպես երևում է մինչև 161 հազար դրամ ընդհանուր եկամուտ ստացող առաջին, երկրորդ և երրորդ դեցիլային խմբերի հիմնական դրամական եկամուտը գոյանում է կնսաթոշակից։*
Տնային տնտեսությունների ամենաաղքատ 10 տոկոսի հիմնական եկամտի աղբյուրը կենսաթոշակն է, որը կազմում է մինչև 85 հազար դրամ ստացող տնային տնտեսությունների եկամտի 67 տոկոսը, 12 տոկոսը՝ ընտանեկան նպաստն է, իսկ աշխատավարձը՝ ընդամենը 7 տոկոսը։ Նշենք որ այս խմբում մեկ տնային տնտեսության հաշվով կենսաթոշակից միջին եկամուտը կազմում է 28 հազար դրամ։ Սա չի նշանակում որ այս խմբի թոշակառուները միջինը ստանում են 28 հազար դրամ։ Պարզապես որոշ տնային տնտեսություններ այս խմբում չունեն 63 անց թոշակառու և այդ տնային տնտեսությունները կենսաթոշակ չեն ստանում։ Նույնը վերաբերում է աշխատավարձից ստացված միջին եկամտին։ Ըստ տնային տնտեսությունների բազայի 2022-ին 63 անց թոշակառուների մոտ միջին կենսաթոշակը կազմում է 46 245 դրամ։
```{r, echo=FALSE, warning=FALSE, fig.width = 12, fig.height = 8}
income_deciles_drams
```
**Գծապատկեր 2.2.** Դեցիլային խմբերի եկամտների աղբյուրները, դրամ
3-ից 5-րդ դեցիլային խմբերի դրամական եկամուտի ավելի քան 10 տոկոսը ստանում են բարեկամներից, որոնք գտնվում են արտասահմանում։ Սա ամենամեծ տեսակարար կշիռն է։ Այս եկամուտը ստացվում է արտագնա աշխատողներից։
Ինչքան տնային տնտեսությունը ապահով է այնքան մեծանում է ինքնազբաղվածությունից կամ բիզնեսից ստացված եկամուտի մասնաբաժինը։ Հուշագրավ է այն որ 10-րդ խմբում, որը ներկայացնում է ամենաապահով 10 տոկոսը, աշխատավարձից ստացված եկամուտի տոկոսային կշիռը ավելի ցածր է, քան 9-րդ խմբում։ Ամենաապահով խավը առանձնանում է ինքնազբաղվածների համեմատաբար մեծ տոկոսով։ Նշենք նաև որ այս խմբի եկամտների 1 տոկոսը ձևավորվում է անշարժ գույքի վաճառքից, որը 2.2. գծապատկերում ներառված է "այլ եկամուտներ" սանդղակում։
```{r, echo=FALSE, warning=FALSE, fig.width = 12, fig.height = 8}
income_deciles_pct
```
**Գծապատկեր 2.3.** Դեցիլային խմբերի եկամտների աղբյուրները, տոկոս
*Նշում․ Տնային տնտեսությունների եկամուտները ձևավորվում են դրամական և ոչ դրամական աղբյուրներից։ Դեցիլային խմբերը հաշվարկվել են ընդհանուր եկամտի հիման վրա։ 2.2 և 2.3 գծապատկերները արտացոլում են միայն դրամական եկամուտների բաշխվածությունը ըստ խմբերի։ Առաջին աղյուսակի դեցիլային խմբերի միջին եկամուտը հաշվարկվել է կշռված մեդիանով։
\newpage
# Մաս 3. Ոչ պետական աշխատատեղերի 76 տոկոսը Երևանում է
## Գնաճով ճշտված աշխատավարձերի վերլուծություն
```{r get raw data download 3, include=FALSE}
wages_raw <-
read_excel("2024_02_09_wages/wages_in_armenia_raw_2022.xlsx", skip = 2)
inflation_raw <- read_excel("2024_02_09_wages/cpi_armenia_eng.xls", skip = 3)
workers_n <- read_excel("2024_02_09_wages/wages_more_info.xlsx", sheet = "workers_n")
public_wages <- read_excel("2024_02_09_wages/wages_more_info.xlsx", sheet = 3)
```
```{r data cleaning 3, include=FALSE}
max_year <- wages_raw |> colnames() |> parse_number() |> max(na.rm = TRUE)
inf_cumprod <-
inflation_raw |>
rename(date = 1, cpi_m = 2) |>
select(date, cpi_m) |>
mutate(
date = ym(date),
cpi_m = cpi_m / 100,
year = year(date)
) |>
filter(year <= max_year) |>
mutate(
cpi_yoy = roll_prodr(cpi_m, 12)
) |>
arrange(desc(date)) |>
mutate(
adj_price = cumprod(cpi_m),
adj_price = lag(adj_price),
adj_price = ifelse(is.na(adj_price), 1, adj_price)
) |>
group_by(year) |>
filter(date == max(date)) |>
ungroup() |>
select(year, cpi_yoy, adj_price)
wages_clean <-
wages_raw |>
filter(!is.na(`2020`)) |>
janitor::clean_names() |>
mutate(
across(matches("\\d{4}"), ~ifelse(.x == "-", NA, .x)),
across(matches("\\d{4}"), ~ as.numeric(.x))
) |>
mutate(
indicator_arm = str_replace(indicator_arm, "աշխատավարձ, դրամ", "աշխատավարձ ՀՀ ընդհանուր, դրամ"),
indicator_arm = str_remove(indicator_arm, "Միջին ամսական անվանական աշխատավարձը? ? ?-? ?\\(?"),
indicator_arm = str_remove(indicator_arm, ", դրամ$"),
indicator_arm = str_replace_all(indicator_arm, " *- *", " - "),
indicator_eng = str_remove(indicator_eng, "Average monthly nominal wages? ? ?-? ?\\(? ?b?y? ?"),
indicator_eng = str_replace_all(indicator_eng, " *- *", " - "),
) |>
extract(
indicator_arm, into = c("ind1_arm", "ind2_arm"),
regex = "(ըստ .*) - (.*)", remove = FALSE
) |>
extract(
indicator_eng, into = c("ind1_eng", "ind2_eng"),
regex = "(.*) - (.*)", remove = FALSE
) |>
# extract(ind1_arm, into = c("ind1", "ind2"),
# regex = "(ըստ .*) *- *(.*)", remove = FALSE) |>
# mutate(
# ind1 = ifelse(is.na(ind1), ind1_arm, ind1),
#
# ) |> view()
mutate(
correction_2017 = x2017_2 / x2017,
correction_2012 = x2012_2 / x2012,
) |>
select(-c(x2017_2, x2012_2)) |>
pivot_longer(
cols = matches("^x\\d{4}$"),
names_to = "year", values_to = "wages"