Indicator
library(tidyverse)
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ ggplot2 3.5.0 ✔ tibble 3.2.1
## ✔ lubridate 1.9.3 ✔ tidyr 1.3.0
## ✔ purrr 1.0.2
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
library(WDI)
library(dplyr)
ind <- WDIsearch('total population')
tmp <- WDI(indicator = 'SP.RUR.TOTL.ZS', country = c('VN'), start = 2001, end = 2022)
d <- tmp %>% select(year,SP.RUR.TOTL.ZS)
library(DT)
## Warning: package 'DT' was built under R version 4.3.3
datatable(d)
Chỉ số “Rural population” (dân số nông thôn) là một chỉ báo quan
trọng trong việc phân tích đặc điểm dân số của một quốc gia hoặc khu
vực. Dưới đây là một số điểm chính:
Định Nghĩa: Chỉ số này cho biết phần trăm dân số sống trong các
khu vực được phân loại là nông thôn so với tổng dân số.
Tính Toán: Dựa trên các tiêu chí như mật độ dân số, kích thước
khu vực, và số lượng cư dân để xác định một khu vực có phải là nông thôn
hay không.
Mục Đích Sử Dụng: Chỉ số này giúp nhận diện các khu vực cần phát
triển cơ sở hạ tầng, dịch vụ y tế, và giáo dục.
Tham Chiếu: Các tổ chức như Ngân hàng Thế giới và Liên Hợp Quốc
thường xuyên cập nhật và công bố dữ liệu về dân số nông thôn.
library(tidyverse)
library(imf.data)
## Warning: package 'imf.data' was built under R version 4.3.3
tmp1 <- load_datasets('FAS')
FAS <- tmp1$get_series(freq = 'A', ref_area = 'VN', indicator = 'FCSODDG_GDP_PT', start = 2014, end = 2022)
datatable(FAS)
Chỉ số Use of Financial Services, Assets: Outstanding Loans, Other
Depository Corporations, Other deposit takers, Percent of GDP, Percent
là chỉ số Sử dụng dịch vụ tài chính, Tài sản (% trên GDP). Chỉ số này
được sử dụng để đánh giá mức độ sử dụng dịch vụ tài chính trong một quốc
gia và có thể giúp các nhà hoạch định chính sách và các nhà phân tích
hiểu rõ hơn về hệ thống tài chính của quốc gia đó.
Phân
tích
library(tidyverse)
library(scales)
##
## Attaching package: 'scales'
## The following object is masked from 'package:purrr':
##
## discard
## The following object is masked from 'package:readr':
##
## col_factor
d %>% ggplot(aes(x = year, y = SP.RUR.TOTL.ZS)) +
geom_col(fill = 'green') +
labs(x = 'Năm', y = '% trên tổng số dân')

Nhìn vào biểu đồ ta có thể thấy tỉ lệ dân ở nông thôn luôn có xu
hướng giảm và giảm khá đều
Giải thích cho việc này: Thành thị nước ta có tốc độ đô thị hóa rất
nhanh. Chính quá trình này đã thu hút hàng triệu người từ các vùng nông
thôn đổ về các thành thị lớn. Họ tim đến những khu vực trung tâm này với
các lý do như:
Tìm kiếm công việc ổn định với mức thu nhập cao.
Điều kiện về y tế, giáo dục đảm bảo cho bản thân họ và con cái
họ.
Các nhu gầu về giải trí, tiêu dùng… đều cao hơn và đa dạng hơn so
với ở nông thôn.
Do đó, có thể kết luận dân thành thị tăng nhanh hơn dân nông thôn là
do quá trình đô thị hóa. Ngoài ra, đây còn là kết quả của quy luật cung
- cầu của thị trường. Các thành phố lớn có nhu cầu về sản phẩm - dịch vụ
cao. Vì vậy mà hàng trăm nghìn công ty đã mở ra để đáp ứng các nhu cầu
đó. Công ty mở ra lại đòi hỏi hàng triệu nhân viên để đáp ứng kịp yêu
cầu của khách hàng. Điều này đã thu hút lao động từ các vùng nông thôn
đồ về thành thị, khiến dân thành thị tăng vọt.
library(tidyverse)
library(scales)
FAS %>% ggplot(aes(x = TIME_PERIOD, y = A.VN.FCSODDG_GDP_PT)) +
geom_col(fill = 'blue') +
labs(x = 'Năm', y = '% trên GDP')

Nhìn vào biểu đồ ta có thể thấy chỉ số sử dụng dịch vụ tài chính ở
Việt Nam từ 2014 đến đây luôn tăng. Giải thích cho điều này ta có thể
thấy là do nhu cầu đầu tư của nước ta ngày càng nhiều dẫn đến việc nhiều
người tìm đến các dịch vụ tài chính thường xuyên hơn. Ngoài ra còn là do
sự phát triển của công nghệ số khiến cho các dịch vụ tài chính dễ được
biết đến bởi mọi người.
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