.Rhistory

g1 <- ggplot(df1, aes(x = Indicateur_s, y = valeur_b100, text = paste0(Indicateur, " : ", round(valeur,1), " ", Unite, ",\ncontre ", round(valeur_france,1), " ", Unite, " en France"))) +
geom_point(aes(col = SEXE), size = 3) +
geom_segment(aes(x=0.5, xend=6, y=100, yend=100), linetype = "dotted", colour = "#787a78", size = 0.2) +
scale_colour_manual(limits = c("Femmes", "Hommes"), values = c("#6e2150", "#ff715b")) +
coord_flip() +
labs(y = "Base 100 en référence à la valeur nationale\nobservée pour les femmes", x = "") +
annotate("rect", xmin = 5.8, xmax = 6.4, ymin = 100-(amp*0.05), ymax = 100+(amp*0.05), fill = "#F9F9F9") +
annotate("text", x = 6, y = 100-(amp*0.045), label = "France", size = 3, colour = "#333232") +
ylim(lim) +
theme(plot.background = element_rect(fill = "#F9F9F9"),
panel.background = element_rect(fill = "#F9F9F9"),
axis.ticks=element_blank(),
axis.text.x = element_text(size = 6),
axis.title.x=element_text(size = 8),
panel.grid.major.y = element_line(colour = "#e3e3e3", size = 1, lineend = "round"))
ggplotly(g1, tooltip = c("text")) %>%
config(displayModeBar = F) %>%
style(textposition = "right",
hoverlabel = list(bgcolor = "#333232",
bordercolor = "#333232",
font = list(color = "white"))) %>%
layout(legend = list(
orientation = "h",
xanchor = "center",
y = -0.5,
x = 0.5,
bgcolor = "#F9F9F9"))
})
#############
# Graphique 2
output$graph2 <- renderPlotly({
df2 <- filter(data_gr2, epci2018 == values$code_epci) %>%
mutate(Indicateur_s = factor(Indicateur_s, levels = rev(meta$Indicateur_s)))
# Définition de l'amplitude du graphique
ampinit <- max(df2$valeur_b100, na.rm = T)-min(df2$valeur_b100, na.rm = T)
if(min(df2$valeur_b100) > (100-(ampinit*0.3))){ # si le minimum est supérieur à 100 - 30% de l'amplitude initiale
vmin <- 100-(ampinit*0.3) # on définit la borne minimum comme étant égale à 100 - 30% de l'amplitude
amp <- max(df2$valeur_b100) - vmin # on recalcule l'amplitude
}
else{
vmin <- min(df2$valeur_b100)
amp <- max(df2$valeur_b100)-vmin
}
if(max(df2$valeur_b100) < (100+(amp*0.3))){ # si le maximum est inférieur à 100 + 30% de l'amplitude mise à jour
vmax <- 100+(amp*0.3) # on définit la borne maximum comme étant égale à 100 + 30% de l'amplitude
amp <- vmax - vmin # on recalcule l'amplitude
lim <- c(vmin, vmax) # on définit les bornes du graphique
}
else{
vmax <- max(df2$valeur_b100)
amp <- vmax - vmin # on recalcule l'amplitude
lim <- c(vmin, vmax) # on définit les bornes du graphique
}
# Graphique
g2 <- ggplot(df2, aes(x = Indicateur_s, y = valeur_b100, text = paste0(Indicateur, " : ", round(valeur,1), " ", Unite, ",\ncontre ", round(valeur_france,1), " ", Unite, " en France"))) +
geom_point(col = "#6e2150", size = 3) +
geom_segment(aes(x=0.5, xend=9, y=100, yend=100), linetype = "dotted", colour = "#787a78", size = 0.2) +
coord_flip() +
labs(y = "Base 100 en référence à la valeur nationale", x = "") +
annotate("rect", xmin = 8.8, xmax = 9.4, ymin = 100-(amp*0.05), ymax = 100+(amp*0.05), fill = "#F9F9F9") +
annotate("text", x = 9, y = 100-(amp*0.045), label = "France", size = 3, colour = "#333232") +
ylim(lim) +
theme(plot.background = element_rect(fill = "#F9F9F9"),
panel.background = element_rect(fill = "#F9F9F9"),
axis.ticks=element_blank(),
axis.text.x = element_text(size = 6),
axis.title.x=element_text(size = 8),
panel.grid.major.y = element_line(colour = "#e3e3e3", size = 1, lineend = "round"),
panel.grid.major.x = element_blank())
ggplotly(g2, tooltip = c("text")) %>%
config(displayModeBar = F) %>%
style(textposition = "right",
hoverlabel = list(bgcolor = "#333232",
bordercolor = "#333232",
font = list(color = "white")))
})
##################
## COMMENTAIRES ##
##################
output$comtypo <- renderUI({
df <- filter(typo, epci == values$code_epci)
titre <- df$lib
if(df$clust == "2"){
com <- "<br/>
<p>Ce type de territoire caractérise 15% des EPCI français (hors Mayotte) et regroupe 46% de la population.<br/><br/>
Ces EPCI, localisés principalement au coeur des plus grandes agglomérations, se caractérisent par un bon accès à l'emploi des femmes et par un faible niveau d'inégalités entre les femmes et les hommes sur le plan de l'accès à l'emploi.<br/><br/>
Des freins potentiels existent : familles monoparentales, familles nombreuses et longueur des trajets domicile-travail mais ceux-ci semblent peu peser sur l'accès à l'emploi des femmes.</p><br/>"
}
if(df$clust == "1"){
com <- "<br/>
<p>Ce type de territoire caractérise 19% des EPCI français (hors Mayotte) et regroupe 10% de la population.<br/><br/>
Les EPCI de ce type, principalement localisés à proximité de grandes agglomérations, ont globalement un bon accès à l'emploi avec de très faibles niveaux d'inactivité et de chômage pour les femmes ainsi qu'une faible part de jeunes femmes non insérées.<br/><br/>
Des freins potentiels à l'emploi des femmes existent néanmoins dans ces territoires : importance des familles nombreuses moindre mixité de l'offre d'emploi et longueur des trajets domicile-travail se conjuguent et on observe une part plus élevée de femmes à temps partiel dans ces territoires qu'ailleurs.</p><br/>"
}
if(df$clust == "3"){
com <- "<br/>
<p>Ce type de territoire caractérise 28% des EPCI français (hors Mayotte) et regroupe 17% de la population.<br/><br/>
Il se caractérise par un accès à l'emploi des femmes proche de la situation nationale. Dans ces EPCI, les femmes ont donc un taux d'inactivité et de chômage proche de la moyenne nationale et ne sont globalement pas plus concernées par la précarité et le temps partiel. Les inégalités femmes-hommes en termes d'accès à l'emploi y sont au demeurant moins marquées que dans l'ensemble du pays.<br/><br/>
Les freins potentiels à l'emploi des femmes y sont moins marqués que dans les autres EPCI malgré une proportion globalement plus importante de femmes faiblement diplômées et une moindre accessibilité aux écoles primaires.</p><br/>"
}
if(df$clust == "4"){
com <- "<br/>
<p>Ce type de territoire caractérise 22% des EPCI français (hors Mayotte) et regroupe 8% de la population.<br/><br/>
Les EPCI de ce type, dont beaucoup sont situés dans le nord-est du pays, ont pour point commun un accès à l'emploi des femmes globalement dégradé et surtout, des inégalités femmes-hommes particulièrement marquées sur le plan de l'accès à l'emploi. Ces inégalités se traduisent principalement par une proportion élevée de femmes à temps partiel.<br/><br/>
Dans ces territoires, les freins potentiels à l'emploi des femmes sont nombreux et sont de plusieurs ordres : éloignement aux établissements scolaires, non-mixité de l'offre d'emploi, faible niveau de formation des femmes et moindre mixité de l'offre de formation au lycée sont autant d'éléments qui peuvent peser sur l'accès à l'emploi des femmes et expliquer les inégalités observées avec les hommes.<br/></p>"
}
if(df$clust == "5"){
com <- "<br/>
<p>Ce type de territoire caractérise 15% des EPCI français (hors Mayotte) et regroupe 17% de la population.<br/><br/>
Les EPCI de ce type, dont beaucoup sont situés le long du littoral méditerranéen, se caractérisent par un accès à l'emploi des femmes dégradé qui se traduit principalement par une part importante de femmes inactives ou au chômage et un taux élevé de jeunes femmes non insérées. Les inégalités femmes-hommes en matière d'emploi y sont également globalement plus élevées qu'à l'échelle nationale.<br/><br/>
Les freins potentiels qui pèsent sur l'accès à l'emploi des femmes sont principalement d'ordre familiaux puisqu'on observe dans ces territoires une plus forte représentation de familles monoparentales ou nombreuses et une capacité d'accueil des jeunes enfants inférieure à la moyenne nationale.</p><br/>"
}
if(df$clust == "6"){
com <- "<br/>
<p>Ce type de territoire caractérise 1% des EPCI français (hors Mayotte) et regroupe 3% de la population.<br/><br/>
La totalité des EPCI de ce type se trouvent dans les 4 DOM 'historiques' (Martinique, Guadeloupe, Guyane et Réunion). Dans ces EPCI, les femmes ont un accès à l'emploi très dégradé par rapport à celui des femmes de métropole. Le chômage y est par exemple considérablement plus élevé, de même que l'inactivité et la précarité. Les jeunes femmes sont également nombreuses à ne pas être insérées. Cette situation n'est cependant pas exclusive aux femmes et on observe en réalité des inégalités femmes-hommes limitées en matière d'accès à l'emploi.<br/><br/>
Les freins potentiels à l'emploi des femmes sont principalement d'ordre familiaux (surreprésentation des familles monoparentales et nombreuses, moindres capacités d'accueil pour les jeunes enfants). Les temps de trajet parfois très longs pour se rendre au travail peuvent également peser sur la capacité des femmes à trouver un emploi.</p><br/>"
}
HTML(paste0("<p class = 'tttxt'>", titre, "</p><br/>", com))
})
output$comgr1 <- renderUI({
df1 <- filter(data_gr1, epci2018 == values$code_epci & SEXE == "Femmes") %>%
mutate(Indicateur_s = factor(Indicateur_s, levels = rev(meta$Indicateur_s)))
dfIneg <- filter(data_gr1, epci2018 == values$code_epci) %>%
mutate(Indicateur_s = factor(Indicateur_s, levels = rev(meta$Indicateur_s)))
# Indicateur > 120
indic_sup <- df1$Indicateur[df1$valeur_b100 > 120]
if(length(indic_sup) > 1){
listis <- gsub("\r\n", " ", indic_sup[1])
for(i in indic_sup[2:length(indic_sup)]){
new <- gsub("\r\n", " ", i)
listis <- paste0(listis, ", ", new)
}
}
if(length(indic_sup) == 1){
listis <- gsub("\r\n", " ", indic_sup[1])
}
# Inégalités F-H
inegfh <- unique(df1$SUM_Diff_FH)
if(inegfh <170){
txtineg <- "Les <strong>inégalités entre les femmes et les hommes</strong> sont <strong>globalement moins marquées</strong> dans le territoire sélectionné qu'à l'échelle nationale. "
}
if(inegfh >= 170 & inegfh < 210){
txtineg <- "Les <strong>inégalités entre les femmes et les hommes </strong>dans le territoire sélectionné sont <strong>globalement comparables</strong> à celles observées à l'échelle nationale. "
}
if(inegfh >= 210){
txtineg <- "Les <strong>inégalités entre les femmes et les hommes</strong> sont <strong>globalement plus marquées</strong> dans le territoire sélectionné qu'à l'échelle nationale. "
}
# Choix du titre
if(unique(df1$SUM_DIFF) > 100){
if(length(indic_sup) == 5 |length(indic_sup) == 4){
titre <- "Un accès à l'emploi des femmes fortement dégradé"
}
else if(length(indic_sup) == 3){
titre <- "Un accès à l'emploi des femmes dégradé"
}
else if(length(indic_sup) == 1 | length(indic_sup) == 2){
titre <- "Un accès à l'emploi des femmes plutôt favorable"
}
else if(length(indic_sup) == 0){
titre <- "Un accès à l'emploi des femmes particulièrement favorable"
}
}
else{
titre <- "Un accès à l'emploi des femmes proche de la situation nationale"
}
# CAS 1 : TOUT SUP 100
if(length(indic_sup) == 5){
HTML(
paste0("<p class = 'tttxt'>", titre, "</p><br/><br/>
<p>Dans l’EPCI sélectionnée, tous les indicateurs d’accès à l’emploi des femmes excèdent largement la valeur française, traduisant une situation des femmes face à l'emploi très fortement défavorable.
L’indicateur <span style = 'background-color : #d6aca3 ;'>", tolower(df1$Indicateur[df1$valeur_b100 == max(df1$valeur_b100, na.rm = T)]), "</span> est celui qui se distingue le plus avec une valeur de ",
round(df1$valeur[df1$valeur_b100 == max(df1$valeur_b100, na.rm = T)], 1),  df1$Unite[df1$valeur_b100 == max(df1$valeur_b100, na.rm = T)]," contre ", round(df1$valeur_france[df1$valeur_b100 == max(df1$valeur_b100, na.rm = T)],1), df1$Unite[df1$valeur_b100 == max(df1$valeur_b100, na.rm = T)], " en France.<br/><br/>", txtineg,"
L'indicateur <span style = 'background-color : #d6aca3 ; '>", tolower(df1$Indicateur[df1$diffFH == max(df1$diffFH)]),"</span> est celui pour lequel les inégalités sont le plus marquées entre les femmes et les hommes
avec une valeur de ", round(dfIneg$valeur[dfIneg$SEXE == "Femmes" & dfIneg$Indic == df1$Indic[df1$diffFH == max(df1$diffFH)]],1), df1$Unite[df1$SEXE == "Femmes" & df1$Indic == df1$Indic[df1$diffFH == max(df1$diffFH)]]," pour les femmes contre ", round(dfIneg$valeur[dfIneg$SEXE == "Hommes" & dfIneg$Indic == df1$Indic[df1$diffFH == max(df1$diffFH)]],1), df1$Unite[df1$SEXE == "Femmes" & df1$Indic == df1$Indic[df1$diffFH == max(df1$diffFH)]]," pour les hommes.
</p>"))
}
# CAS 2 : TOUT INF 100
else if(length(indic_sup) == 0){
HTML(
paste0("<p class = 'tttxt'>", titre, "</p><br/><br/>
<p>Dans l’EPCI sélectionnée, aucun indicateur n'excède largement la valeur française.
L’indicateur <span style = 'background-color : #d6aca3 ;'>", tolower(df1$Indicateur[df1$valeur_b100 == max(df1$valeur_b100, na.rm = T)]), "</span> apparaît néanmoins comme le <strong>principal point faible</strong> de l’accès à l’emploi des femmes dans ce territoire avec une valeur de ",
round(df1$valeur[df1$valeur_b100 == max(df1$valeur_b100, na.rm = T)], 1),  df1$Unite[df1$valeur_b100 == max(df1$valeur_b100, na.rm = T)], ".<br/><br/>", txtineg,"
L'indicateur <span style = 'background-color : #d6aca3 ;'>", tolower(df1$Indicateur[df1$diffFH == max(df1$diffFH)]),"</span> est celui pour lequel les inégalités sont le plus marquées entre les femmes et les hommes
avec une valeur de ", round(dfIneg$valeur[dfIneg$SEXE == "Femmes" & dfIneg$Indic == df1$Indic[df1$diffFH == max(df1$diffFH)]],1), df1$Unite[df1$SEXE == "Femmes" & df1$Indic == df1$Indic[df1$diffFH == max(df1$diffFH)]]," pour les femmes contre ", round(dfIneg$valeur[dfIneg$SEXE == "Hommes" & dfIneg$Indic == df1$Indic[df1$diffFH == max(df1$diffFH)]],1), df1$Unite[df1$SEXE == "Femmes" & df1$Indic == df1$Indic[df1$diffFH == max(df1$diffFH)]]," pour les hommes.
</p>"))
}
# CAS 3 : CLASSIQUE
else if(length(indic_sup) == 1){
HTML(
paste0("<p class = 'tttxt'>", titre, "</p><br/><br/>
<p>Dans l’EPCI sélectionnée, ", length(indic_sup), " indicateur d’accès à l’emploi des femmes excède largement la valeur française : <span style = 'background-color : #d6aca3 ;'>",
tolower(listis), "</span>. Pour cet indicateur, la <strong>situation</strong> est donc <strong>sensiblement plus dégradée dans le territoire</strong> sélectionné que dans l'ensemble du pays.
L'indicateur <span style = 'background-color : #d6aca3 ;'>", tolower(df1$Indicateur[df1$valeur_b100 == max(df1$valeur_b100, na.rm = T)]),"</span> apparaît comme le <strong>principal point faible</strong> dans l'accès à l'emploi des femmes dans ce territoire avec une valeur de ",
round(df1$valeur[df1$valeur_b100 == max(df1$valeur_b100, na.rm = T)], 1),  df1$Unite[df1$valeur_b100 == max(df1$valeur_b100, na.rm = T)]," contre ", round(df1$valeur_france[df1$valeur_b100 == max(df1$valeur_b100, na.rm = T)],1), df1$Unite[df1$valeur_b100 == max(df1$valeur_b100, na.rm = T)], " en France.<br/><br/>", txtineg,"
L'indicateur <span style = 'background-color : #d6aca3 '>", tolower(df1$Indicateur[df1$diffFH == max(df1$diffFH)]),"</span> est celui pour lequel les inégalités sont le plus marquées entre les femmes et les hommes
avec une valeur de ", round(dfIneg$valeur[dfIneg$SEXE == "Femmes" & dfIneg$Indic == df1$Indic[df1$diffFH == max(df1$diffFH)]],1), df1$Unite[df1$SEXE == "Femmes" & df1$Indic == df1$Indic[df1$diffFH == max(df1$diffFH)]]," pour les femmes contre ", round(dfIneg$valeur[dfIneg$SEXE == "Hommes" & dfIneg$Indic == df1$Indic[df1$diffFH == max(df1$diffFH)]],1), df1$Unite[df1$SEXE == "Femmes" & df1$Indic == df1$Indic[df1$diffFH == max(df1$diffFH)]]," pour les hommes.
</p>"))
}
else{
HTML(
paste0("<p class = 'tttxt'>", titre, "</p><br/><br/>
<p>Dans l’EPCI sélectionnée, ", length(indic_sup), " indicateurs d’accès à l’emploi des femmes excèdent largement la valeur française : <span style = 'background-color : #d6aca3 ;'>",
tolower(listis), "</span>. Pour ces indicateurs, la <strong>situation</strong> est donc <strong>sensiblement plus dégradée dans le territoire</strong> sélectionné que dans l'ensemble du pays.
L'indicateur <span style = 'background-color : #d6aca3 ;'>", tolower(df1$Indicateur[df1$valeur_b100 == max(df1$valeur_b100, na.rm = T)]),"</span> apparaît comme le <strong>principal point faible</strong> dans l'accès à l'emploi des femmes dans ce territoire avec une valeur de ",
round(df1$valeur[df1$valeur_b100 == max(df1$valeur_b100, na.rm = T)], 1),  df1$Unite[df1$valeur_b100 == max(df1$valeur_b100, na.rm = T)]," contre ", round(df1$valeur_france[df1$valeur_b100 == max(df1$valeur_b100, na.rm = T)],1), df1$Unite[df1$valeur_b100 == max(df1$valeur_b100, na.rm = T)], " en France.<br/><br/>", txtineg,"
L'indicateur <span style = 'background-color : #d6aca3 '>", tolower(df1$Indicateur[df1$diffFH == max(df1$diffFH)]),"</span> est celui pour lequel les inégalités sont le plus marquées entre les femmes et les hommes
avec une valeur de ", round(dfIneg$valeur[dfIneg$SEXE == "Femmes" & dfIneg$Indic == df1$Indic[df1$diffFH == max(df1$diffFH)]],1), df1$Unite[df1$SEXE == "Femmes" & df1$Indic == df1$Indic[df1$diffFH == max(df1$diffFH)]]," pour les femmes contre ", round(dfIneg$valeur[dfIneg$SEXE == "Hommes" & dfIneg$Indic == df1$Indic[df1$diffFH == max(df1$diffFH)]],1), df1$Unite[df1$SEXE == "Femmes" & df1$Indic == df1$Indic[df1$diffFH == max(df1$diffFH)]]," pour les hommes.
</p>"))
}
})
output$comgr2 <- renderUI({
df2 <-  filter(data_gr2, epci2018 == values$code_epci) %>%
mutate(Indicateur_s = factor(Indicateur_s, levels = rev(meta$Indicateur_s)))
# Indicateur > 120
indic_sup <- df2$Indicateur[df2$valeur_b100 > 120]
if(length(indic_sup) > 1){
listis <- gsub("\r\n", " ", indic_sup[1])
for(i in indic_sup[2:length(indic_sup)]){
new <- gsub("\r\n", " ", i)
listis <- paste0(listis, ", ", new)
}
}
if(length(indic_sup) == 1){
listis <- gsub("\r\n", " ", indic_sup[1])
}
# Choix du titre
if(length(indic_sup) >= 0 & length(indic_sup) < 3){
titre <- "Un relativement faible nombre de freins potentiels à l'accès à l'emploi des femmes"
}
else if(length(indic_sup) >= 3 & length(indic_sup) < 5){
titre <- "Un certain nombre de freins potentiels à l'accès à l'emploi des femmes"
}
else if(length(indic_sup) >= 5){
titre <- "Un très grand nombre de freins potentiels à l'accès à l'emploi des femmes"
}
# CAS 1 : TOUT SUP 100
if(length(indic_sup) == 8){
HTML(
paste0("<p class = 'tttxt'>", titre, "</p><br/><br/>
<p>Dans l’EPCI sélectionnée, tous les indicateurs de freins potentiels à l'accès à l'emploi des femmes ont une valeur largement supérieure à la valeur observée en France. Les femmes y rencontrent donc <strong>un très grand nombre d'obstacles dans leur parcours vers l'emploi</strong> comparativement à la situation française.<br/><br/>
L’indicateur <span style = 'background-color : #d6aca3 ;'>", tolower(df2$Indicateur[df2$valeur_b100 == max(df2$valeur_b100, na.rm = T)]), "</pan> constitue <strong>le frein potentiel le plus marquant</strong> avec une valeur de ",
round(df2$valeur[df2$valeur_b100 == max(df2$valeur_b100, na.rm = T)], 1),  df2$Unite[df2$valeur_b100 == max(df2$valeur_b100, na.rm = T)]," contre ", round(df2$valeur_france[df2$valeur_b100 == max(df2$valeur_b100, na.rm = T)],1), df2$Unite[df2$valeur_b100 == max(df2$valeur_b100, na.rm = T)], " en France.",
"</p>"))
}
# CAS 2 : TOUT INF 100
else if(length(indic_sup) == 0){
HTML(
paste0("<p class = 'tttxt'>", titre, "</p><br/><br/>
<p>Dans l’EPCI sélectionnée, aucun indicateur de freins potentiels à l'accès à l'emploi des femmes n'excède largement la valeur observée en France.<br/><br/>
L’indicateur <span style = 'background-color : #d6aca3 ;'>", tolower(df2$Indicateur[df2$valeur_b100 == max(df2$valeur_b100, na.rm = T)]), "</span> constitue néanmoins <strong>le principal frein potentiel</strong> pour l’accès à l’emploi des femmes dans ce territoire avec une valeur de ",
round(df2$valeur[df2$valeur_b100 == max(df2$valeur_b100, na.rm = T)], 1),  df2$Unite[df2$valeur_b100 == max(df2$valeur_b100, na.rm = T)],
"</p>"))
}
# CAS 3 : CLASSIQUE
else if(length(indic_sup) == 1){
HTML(
paste0("<p class = 'tttxt'>", titre, "</p><br/><br/>
<p>Dans l’EPCI sélectionnée, ", length(indic_sup), " indicateur de freins potentiels à l’accès à l’emploi des femmes a une valeur largement supérieure à la valeur observée en France : <span style = 'background-color : #d6aca3 ;'>",
tolower(listis), "</span>. Ce <strong>frein potentiel</strong> à l'accès à l'emploi des femmes est donc <strong>sensiblement plus marqué dans le territoire</strong> sélectionné que dans l'ensemble du pays.<br/><br/>
L'indicateur <span style = 'background-color : #d6aca3 ;'>", tolower(df2$Indicateur[df2$valeur_b100 == max(df2$valeur_b100, na.rm = T)]),"</span> apparaît comme <strong>le principal frein potentiel</strong> pour l'accès à l'emploi des femmes dans ce territoire avec une valeur de ",
round(df2$valeur[df2$valeur_b100 == max(df2$valeur_b100, na.rm = T)], 1),  df2$Unite[df2$valeur_b100 == max(df2$valeur_b100, na.rm = T)]," contre ", round(df2$valeur_france[df2$valeur_b100 == max(df2$valeur_b100, na.rm = T)],1), df2$Unite[df2$valeur_b100 == max(df2$valeur_b100, na.rm = T)], " en France.",
"</p>")
)
}
else{
HTML(
paste0("<p class = 'tttxt'>", titre, "</p><br/><br/>
<p>Dans l’EPCI sélectionnée, ", length(indic_sup), " indicateurs de freins potentiels à l’accès à l’emploi des femmes ont une valeur largement supérieure à la valeur observée en France : <span style = 'background-color : #d6aca3 ;'>",
tolower(listis), "</span>. Ces <strong>freins potentiels</strong> à l'accès à l'emploi des femmes sont donc <strong>sensiblement plus marqués dans le territoire</strong> sélectionné que dans l'ensemble du pays.<br/><br/>
L'indicateur <span style = 'background-color : #d6aca3 ;'>", tolower(df2$Indicateur[df2$valeur_b100 == max(df2$valeur_b100, na.rm = T)]),"</span> apparaît comme <strong>le principal frein potentiel</strong> pour l'accès à l'emploi des femmes dans ce territoire avec une valeur de ",
round(df2$valeur[df2$valeur_b100 == max(df2$valeur_b100, na.rm = T)], 1),  df2$Unite[df2$valeur_b100 == max(df2$valeur_b100, na.rm = T)]," contre ", round(df2$valeur_france[df2$valeur_b100 == max(df2$valeur_b100, na.rm = T)],1), df2$Unite[df2$valeur_b100 == max(df2$valeur_b100, na.rm = T)], " en France.",
"</p>")
)
}
})
}
# Run the application
shinyApp(ui = ui, server = server)
runApp()
View(comepci)
runApp()
titi <- filter(data_gr1, epci2018 == [22.])
titi <- filter(data_gr1, epci2018 == grep("^2."))
titi <- filter(data_gr1, grepl("^2", epci2018))
View(titi)
titi <- filter(data_gr1, grepl("^249", epci2018))
runApp()
runApp()
unique(comepci$IDlgdep[comepci$epci2018 == "243400694"])
grepl(paste0("^", "243400694"), unique(comepci$IDlgepci))
grepl(paste0("^243400694"), unique(comepci$IDlgepci))
comepci$IDlgepci[substr(comepci$IDlgepci, 1, 9) == "243400694"]
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
# Correspondance commune epci
comepci <- read.csv2("data/tabcomepci.csv") %>%
mutate(IDlgcom = paste0(com2018, " - ", libcom)) %>%
mutate(IDlgepci = paste0(epci2018, " - ", libepci)) %>%
mutate(IDlgdep = paste0(dep, " - ", libdep)) %>%
mutate(epci2018 = as.character(epci2018))
View(comepci)
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
# Chargement des métadonnées
meta <- read_xlsx("data/meta.xlsx", sheet = "Selection2019", range = "B1:J15")
View(meta)
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
runApp()
knitr::opts_chunk$set(echo = TRUE)
rm(list = ls())
# Chargement des packages
library(readxl)
library(dplyr)
library(tidyr)
library(COGugaison)
library(sf)
library(cartography)
library(janitor)
library(knitr)
library(OasisR)
library(data.table)
# Chargement des fichiers
formations <- read_xlsx("data/mefstat.xlsx", sheet = "mef_stat_7") # Sur 62 formations de 1ère, seules 19 ont des élèves dans la base
#eleves <- fread("N:/Transverse/Donnees_Obs/Donnees_Statistiques/DEPP/Données Elèves/Année 15-16/eleves.csv")
#eleves1ere <- filter(eleves, substr(ELC_COMEFSTA, 1, 7) %in% unique(formations$MEF_STAT_7))
#fwrite(eleves1ere, "data/eleves1ere.csv")
eleves1ere <- fread("data/eleves1ere.csv")
lycees <- read_xlsx("N:/Transverse/Donnees_Obs/Donnees_Statistiques/DEPP/Données établissements/BCE_2015/CGET2015.xlsx")
# Géographies
ngeo <- read_xlsx("data/n_geo.xlsx", sheet = "com")
comepci <- select(ngeo, com2017, epci2018) %>%
distinct()
# Fonds de carte
epci_geo <- st_read("N:/Transverse/Donnees_Obs/Donnees_SIG/ADMIN_STAT/ADMIN_EXPRESS/2015/DATA_L93/epci2018.shp", stringsAsFactors = F)
txfem <- select(eleves1ere, ELC_COSEXE, ELC_COMEFSTA) %>%
mutate(NOM7 = substr(ELC_COMEFSTA, 1, 7)) %>%
group_by(ELC_COSEXE, NOM7) %>%
summarise(EFF = n()) %>%
ungroup() %>%
group_by(NOM7) %>%
mutate(sh_fem = EFF*100/sum(EFF)) %>%
filter(ELC_COSEXE == 2) %>%
left_join(select(formations, MEF_STAT_7, LIBELLE_LONG), by = c("NOM7" = "MEF_STAT_7")) %>%
select("Code" = NOM7, "Formation" = LIBELLE_LONG, "Taux de féminisation" = sh_fem) %>%
arrange(desc(`Taux de féminisation`))
kable(txfem)
View(txfem)
knitr::opts_chunk$set(echo = TRUE)
rm(list = ls())
# Chargement des packages
library(readxl)
library(dplyr)
library(tidyr)
library(COGugaison)
library(sf)
library(cartography)
library(janitor)
library(knitr)
library(OasisR)
# Chargement des fichiers
empsect <- read_xlsx("N:/Transverse/Donnees_Obs/Donnees_Statistiques/Insee/RP/RP2015/Bases tableaux détaillés/XLS/BTX_TD_EMP2_2015.xlsx", sheet = "COM", skip = 10)
libsect <- read_xlsx("N:/Transverse/Donnees_Obs/Donnees_Statistiques/Insee/RP/RP2015/Bases tableaux détaillés/XLS/BTX_TD_EMP2_2015.xlsx", sheet = "Liste des variables", range = "A12:A50") %>%
setNames(c("Col")) %>%
mutate(CODE = substr(Col, 1, 2)) %>%
mutate(LIB = substr(Col, 6, nchar(.))) %>%
select(-Col)
empcsp1 <- read_xlsx("N:/Transverse/Donnees_Obs/Donnees_Statistiques/Insee/RP/RP2015/Bases tableaux détaillés/XLS/BTX_TD_EMP3_2015.xlsx", sheet = "COM1", skip = 10)
empcsp2 <- read_xlsx("N:/Transverse/Donnees_Obs/Donnees_Statistiques/Insee/RP/RP2015/Bases tableaux détaillés/XLS/BTX_TD_EMP3_2015.xlsx", sheet = "COM2", skip = 10)
libcsp <- read_xlsx("N:/Transverse/Donnees_Obs/Donnees_Statistiques/Insee/RP/RP2015/Bases tableaux détaillés/XLS/BTX_TD_EMP3_2015.xlsx", sheet = "Liste des variables", range = "A12:A41") %>%
setNames(c("Col")) %>%
mutate(CODE = substr(Col, 1, 2)) %>%
mutate(LIB = substr(Col, 6, nchar(.))) %>%
select(-Col)
# Géographies
ngeo <- read_xlsx("data/n_geo.xlsx", sheet = "com")
comepci <- select(ngeo, com2017, epci2018) %>%
distinct()
# Fonds de carte
epci_geo <- st_read("N:/Transverse/Donnees_Obs/Donnees_SIG/ADMIN_STAT/ADMIN_EXPRESS/2015/DATA_L93/epci2018.shp", stringsAsFactors = F)
txfem <- empcsp1 %>%
select(-LIBGEO) %>%
full_join(select(empcsp2, -LIBGEO), by = "CODGEO") %>%
adorn_totals("row") %>%
filter(CODGEO == "Total") %>%
gather("Indic", "Valeur", 2:291) %>%
select(-CODGEO) %>%
mutate(Sexe = substr(Indic, 16, 20)) %>%
mutate(CSP = substr(Indic, 7, 8)) %>%
group_by(Sexe, CSP) %>%
summarise(Effectif = sum(Valeur, na.rm = T)) %>%
ungroup() %>%
group_by(CSP) %>%
mutate(Tx_fem = round(Effectif*100/sum(Effectif),1)) %>%
filter(Sexe == "SEXE2") %>%
left_join(libcsp, by = c("CSP" = "CODE")) %>%
select("Code CSP" = CSP, "Libellé CSP" = LIB, "Taux de féminisation" = Tx_fem) %>%
arrange(desc(`Taux de féminisation`))
View(txfem)
shiny::runApp()
runApp()
rm(list = ls())
library(dplyr)
library(readxl)
library(COGugaison)
library(data.table)
library(tidyr)
library(janitor)
library(foreign)
form <- read_xlsx("N:/Transverse/Donnees_Obs/Donnees_Statistiques/Insee/RP/RP2015/Bases tableaux détaillés/XLS/BTX_TD_FOR2_2015.xlsx", sheet = "COM", skip = 10)
for2 <- form %>%
mutate(EffF = rowSums(select(., matches('SEXE1')), na.rm = T)) %>%
mutate(FND = rowSums(select(., matches('DIPL_15A_SEXE1|DIPL_15B_SEXE1')))) %>%
left_join(comepci, by = c("CODGEO" = "com2017")) %>%
mutate(epci2018 = as.character(epci2018)) %>%
select(epci2018, EffF, FND) %>%
group_by(epci2018) %>%
summarise_all(sum, na.rm = T) %>%
filter(!is.na(epci2018)) %>%
adorn_totals("row") %>%
mutate(FOR_2 = FND*100/EffF) %>%
select(epci2018, FOR_2)
# Géographies
ngeo <- read_xlsx("data/n_geo.xlsx", sheet = "com")
comepci <- select(ngeo, com2017, epci2018) %>%
distinct()
for2 <- form %>%
mutate(EffF = rowSums(select(., matches('SEXE1')), na.rm = T)) %>%
mutate(FND = rowSums(select(., matches('DIPL_15A_SEXE1|DIPL_15B_SEXE1')))) %>%
left_join(comepci, by = c("CODGEO" = "com2017")) %>%
mutate(epci2018 = as.character(epci2018)) %>%
select(epci2018, EffF, FND) %>%
group_by(epci2018) %>%
summarise_all(sum, na.rm = T) %>%
filter(!is.na(epci2018)) %>%
adorn_totals("row") %>%
mutate(FOR_2 = FND*100/EffF) %>%
select(epci2018, FOR_2)
View(for2)
for2 <- form %>%
mutate(EffF = rowSums(select(., matches('SEXE2')), na.rm = T)) %>%
mutate(FND = rowSums(select(., matches('DIPL_15A_SEXE2|DIPL_15B_SEXE2')))) %>%
left_join(comepci, by = c("CODGEO" = "com2017")) %>%
mutate(epci2018 = as.character(epci2018)) %>%
select(epci2018, EffF, FND) %>%
group_by(epci2018) %>%
summarise_all(sum, na.rm = T) %>%
filter(!is.na(epci2018)) %>%
adorn_totals("row") %>%
mutate(FOR_2 = FND*100/EffF) %>%
select(epci2018, FOR_2)