PHẦN I: TỔNG QUAN VỀ BÀI TIỂU LUẬN

1. Mở đầu

1.1 Cảm hứng lựa chọn đề tài

Đề tài của bài tiểu luận này là phân tích về sự biến động của dân số Việt Nam trong giai đoạn 2016-2023.
Dân số là một vấn đề khá cấp bách và đáng để quan tâm đến. Bởi dân số tác động đến mọi mặt kể cả kinh tế, chính trị, văn hóa, xã hội.
Kinh tế: Dân số lớn có thể tạo ra lực lượng lao động dồi dào, cung cấp sức lao động cho các ngành công nghiệp và dịch vụ. Điều này có thể thúc đẩy tăng trưởng kinh tế và phát triển quốc gia. Tuy nhiên, nếu dân số vượt quá khả năng hấp thụ của nền kinh tế, việc cung cấp việc làm và tài nguyên sẽ trở nên khó khăn, gây áp lực và thách thức về phân chia thu nhập và mức sống.
Xã hội và văn hóa: Dân số lớn có thể tác động đến sự đa dạng và phong phú của xã hội và văn hóa. Nó có thể tạo ra sự đa dạng ngôn ngữ, tín ngưỡng, phong tục, truyền thống và sự đa dạng ý thức. Tuy nhiên, sự đa dạng này cũng có thể tạo ra thách thức trong việc quản lý và duy trì sự đồng thuận xã hội, đặc biệt là trong các quốc gia có nhiều dân tộc, tôn giáo và nhóm dân cư khác nhau.
Chính trị và quản lý: Dân số lớn có thể ảnh hưởng đến hệ thống chính trị và quản lý của một quốc gia. Sự phát triển và quản lý dân số đòi hỏi chính phủ có khả năng cung cấp dịch vụ công cộng, như y tế, giáo dục, an ninh và hạ tầng giao thông. Nếu dân số vượt quá khả năng quản lý, chính phủ có thể gặp khó khăn trong việc đáp ứng nhu cầu của người dân và duy trì trật tự xã hội.
Tài nguyên và môi trường: Dân số lớn có thể đặt áp lực lớn lên tài nguyên và môi trường. Sự gia tăng dân số có thể tăng nhu cầu sử dụng đất, nước, năng lượng và tài nguyên thiên nhiên khác. Điều này có thể gây ra sự cạnh tranh và xung đột trong việc sử dụng tài nguyên và tạo ra tác động tiêu cực đến môi trường, chẳng hạn như ô nhiễm môi trường và suy thoái tài nguyên.
Việt Nam là một quốc gia có dân số đông đúc và đang trải qua các biến động đáng chú ý. Dưới đây là những biến động cụ thể về mặt dân số:
Tốc độ tăng trưởng dân số: Dân số Việt Nam đang tăng nhanh, điều này có thể tạo ra nhiều thách thức và cơ hội cho phát triển kinh tế và xã hội của đất nước.
Sự biến đổi địa lý: Sự biến đổi địa lý như đô thị hóa, di cư từ vùng nông thôn vào thành phố, có ảnh hưởng lớn đến sự phát triển của các khu vực và làm thay đổi cơ cấu dân số.
Nhân khẩu học và y tế: Sự biến động dân số có thể ảnh hưởng đến các vấn đề về sức khỏe, y tế công cộng và cơ sở hạ tầng y tế.
Gia tăng độ tuổi trung bình: Việc dân số già hóa đang xảy ra ở nhiều quốc gia, điều này có thể tạo ra áp lực đối với hệ thống chăm sóc sức khỏe và hỗ trợ xã hội.
Ảnh hưởng của biến đổi khí hậu: Biến đổi khí hậu có thể gây ra các vấn đề như tăng mực nước biển, thiên tai, và sự suy giảm sản xuất nông nghiệp, ảnh hưởng đến sự phát triển của dân số.
Chính sách dân số: Chính sách như quản lý tăng trưởng dân số, hỗ trợ gia đình, và giáo dục sinh sản có thể có ảnh hưởng lớn đến sự phát triển của dân số.
Tính bền vững: Phân tích sự biến động dân số có thể giúp đánh giá mức độ bền vững của phát triển kinh tế và xã hội của Việt Nam trong tương lai.
Quan hệ quốc tế: Biến động dân số ở Việt Nam cũng có thể tác động đến quan hệ quốc tế, đặc biệt là trong lĩnh vực thương mại và lao động.

1.2 Đối tượng và phạm vi nghiên cứu

Đối tượng: 63 tỉnh thành Việt Nam chia làm 7 vùng miền trên lãnh thổ.
Phạm vi và mốc thời gian nghiên cứu: Chia làm 2 giai đoạn cụ thể là: từ 2016-2019 và từ 2020-2023.

1.3 Các nguồn thu thập dữ liệu dân số Việt Nam

Tổng cục thống kê Việt Nam
World Bank

2. Giới thiệu và mô tả về bộ dữ liệu nghiên cứu

2.1 Bộ dữ liệu 1

Bộ dữ liệu 1 được trích xuất từ tổng cục thống kê Việt Nam về dân số bao gồm các biến tương ứng với các tỉnh thành của Việt Nam, bộ dữ liệu bao gồm các quan sát là giai đoạn từ 2016-2023. Đây là bộ dữ liệu được thống kê dựa trên những thu thập thực tế về dân số.
Bộ dữ liệu được hiển thị dưới đây bao gồm 8 quan sát và 65 biến.

library(xlsx)

## Warning: package 'xlsx' was built under R version 4.3.3

dat <- read.xlsx("C:/Users/ADMIN/Downloads/Book3.xlsx", sheetIndex = 1, header = T)
names(dat) <- c('Year','Total','Hà Nội','Hà Giang','Cao Bằng','Bắc Kạn',    'Tuyên Quang'   ,'Lào Cai','Điện Biên', 'Lai Châu', 'Sơn La',   'Yên Bái',  'Hòa Bình', 'Thái  Nguyên', 'Lạng Sơn', 'Quảng Ninh',   'Bắc Giang',    'Phú Thọ',  'Vĩnh Phúc',    'Bắc Ninh', 'Hải Dương',    'Hải Phòng',    'Hưng Yên', 'Thái Bình',    'Hà Nam',   'Nam Định', 'Ninh Bình',    'Thanh Hóa',    'Nghệ An',  'Hà Tĩnh',  'Quảng Bình',   'Quảng Trị',    'Thừa Thiên-Huế',   'Đà Nẵng',  'Quảng  Nam',   'Quảng  Ngãi',  'Bình Định',    'Phú Yên',  'Khánh  Hòa',   'Ninh  Thuận',  'Bình Thuận','  Kon Tum',   'Gia Lai',  'Đắk Lắk',  'Đắk Nông','    Lâm Đồng',  'Bình Phước',   'Tây Ninh', 'Bình  Dương',  'Đồng Nai', 'Bà Rịa - Vũng Tàu',    'TP. Hồ Chí Minh',  'Long An',  'Tiền Giang',   'Bến Tre','Trà Vinh','Vĩnh Long',   'Đồng Tháp',    'An Giang', 'Kiên  Giang',  'Cần Thơ',  'Hậu Giang',    'Sóc Trăng',    'Bạc Liêu', 'Cà Mau')

datatable(dat)

2.2 Bộ dữ liệu 2

Bộ dữ liệu gốc ban đầu trích xuất từ World Bank là bộ dữ liệu lớn với tất cả các quốc gia từ 1961-2022, bộ dữ liệu nói về tỉ lệ gia tăng dân số (%).
Bộ dữ liệu 2 hiển thị dưới đây là bộ dữ liệu đã được rút trích quốc gia Việt Nam giai đoạn từ năm 2016-2023. Bộ dữ liệu bao gồm 4 biến và 7 quan sát.

library(WDI)

## Warning: package 'WDI' was built under R version 4.3.3

tcd <- WDIsearch("Population growth (annual %)")
tcd <- WDI(indicator = 'SP.POP.GROW', start = 2016, end = 2023)
tcd1 <- tcd%>%filter(country == 'Viet Nam')%>% select('country','iso2c','year','SP.POP.GROW')
names(tcd1) <- c('Country','Iso2c','Year','Value')
datatable(tcd1)

2.3 Bộ dữ liệu 3

Bộ dữ liệu gốc ban đầu trích xuất từ World Bank là bộ dữ liệu lớn với tất cả các quốc gia từ 1961-2021, bộ dữ liệu nói về tỉ lệ sinh trung bình hàng năm (số trẻ em sinh ra mỗi 1.000 người).
Bộ dữ liệu 3 hiển thị dưới đây là bộ dữ liệu đã được rút trích quốc gia Việt Nam giai đoạn từ năm 2016-2022. Bộ dữ liệu bao gồm 4 biến và 7 quan sát.

library(WDI)
tcd2 <- WDIsearch("Agricultural land (% of land area)")
tcd2 <- WDI(indicator = 'SP.DYN.CBRT.IN', start = 2016, end = 2023)
tcd3 <- tcd2%>%filter(country == 'Viet Nam')%>% select('country','iso2c','year','SP.DYN.CBRT.IN')
names(tcd3) <- c('Country','Iso2c','Year','Value')
datatable(tcd3)

PHẦN II: TIẾN HÀNH PHÂN TÍCH DỰA TRÊN NHỮNG SỐ LIỆU ĐÃ THỐNG KÊ

II.1 Bộ dữ liệu 1

Ta tiến hành phân tích về sự biến động tổng dân số của 1 số vùng miền Việt Nam lần lượt từ Bắc xuống Nam qua 2 giai đoạn cụ thể là: giai đoạn 1 từ 2016-2019 và giai đoạn 2 từ 2020-2023.
Như chúng ta đã biết, Việt Nam là quốc gia có 7 vùng miền riêng biệt kéo dài từ Bắc xuống Nam lần lượt là : Trung du và miền núi Bắc Bộ, Đồng Bằng Sông Hồng, Bắc Trung Bộ, Duyên hải Nam Trung Bộ, Tây Nguyên, Đông Nam BỘ, Đồng Bằng Sông Cửu Long.
Em sẽ lựa chọn mỗi vùng miền 1 tỉnh thành đặc trưng để so sánh về dấn số của các tỉnh thành đó qua 2 giai đoạn.
Vùng Trung du và miền núi Bắc Bộ: Quảng Ninh
Vùng Đồng Bằng Sông Hồng: Hà Nội
Vùng Bắc Trung Bộ: Đà Năng
Vùng Duyên hải Nam Trung Bộ: Bình Định
Vùng Tây Nguyên: Gia Lai
Vùng Đông Nam BỘ: TP. Hồ Chí Minh
Vùng Đồng Bằng Sông Cửu Long: An Giang

II.1.1 Giai đoạn 1

I. Tiến hành so sánh dân số trung bình của 7 tỉnh thành đại diện cho 7 vùng miền Việt Nam trải dài từ Bắc xuống Nam trong giai đoạn 2016-2019. Bao gồm các tỉnh: Quảng Ninh, Hà Nội, Đà Nẵng, Bình Định, Gia Lai, TP. Hồ Chí Minh, An Giang.

library(ggplot2)
library(tidyverse)
d <- dat%>%filter(Year == 'NĂM 2016'|Year == 'NĂM 2017'|Year == 'NĂM 2018'|Year == 'NĂM 2019')%>% select('Year', 'Quảng Ninh', 'Hà Nội', 'Đà Nẵng', 'Bình Định', 'Gia Lai', 'TP. Hồ Chí Minh', 'An Giang')
names(d) <- c('Year','QN','HN','ĐN','BĐ','GL','HCM','AG')
ggplot(d, aes(x = Year, y1 = QN, y2 = HN, y3 = ĐN, y4 = BĐ, y5 = GL, y6 = HCM, y7 = AG)) +
  geom_line(aes(x = Year, y = QN, group = 1), color = "red", linewidth = 1) +
  geom_point(aes( x= Year, y= QN, group =1), color = "black") +
  geom_line(aes(x = Year, y = HN, group = 1), color = "lightblue", linewidth = 1) +
  geom_point(aes( x= Year, y= HN, group =1), color = "black") +
  geom_line(aes(x = Year, y = ĐN, group = 1), color = "purple", linewidth = 1) +
  geom_point(aes( x= Year, y= ĐN, group =1), color = "black") +
  geom_line(aes(x = Year, y = BĐ, group = 1), color = "orange", linewidth = 1) +
  geom_point(aes( x= Year, y= BĐ, group =1), color = "black") +
  geom_line(aes(x = Year, y = GL, group = 1), color = "lightgreen", linewidth = 1) +
  geom_point(aes( x= Year, y= GL, group =1), color = "black") +
  geom_line(aes(x = Year, y = HCM, group = 1), color = "gold", linewidth = 1) +
  geom_point(aes( x= Year, y= HCM, group =1), color = "black") +
  geom_line(aes(x = Year, y = AG, group = 1), color = "pink", linewidth = 1) +
  geom_point(aes( x= Year, y= AG, group =1), color = "black") +
  labs(x = "Năm", y = "Dân số trung bình", title = "Biểu đồ biến động dân số 7 tỉnh thành giai đoạn 2016-2019")

datatable(d)

Nhận xét

Nhìn vào biểu đồ line trên, chúng ta có thể thấy được xu hướng di chuyển của đồ thị và khoảng cách giữa các đường line có sự khác nhau từ năm 2016-2019. Điều này chứng tỏ rằng: Dân số ở mỗi tỉnh thuộc mỗi vùng miền có sự khác nhau một cách rõ rệt. Cụ thể:

TP. Hồ Chí Minh là nơi có dân số đông nhất và tăng đều qua các năm.
Kế tiếp sau đó là Thủ đô Hà Nội -> TP. Hồ Chí Minh và Hà Nội là 2 nơi có dân số trung bình cao hơn 7500000 người từ 2016-2019.
Các tỉnh còn lại như là Quảng Ninh, Đà Nẵng, Bình Định, Gia Lai, An Giang cũng có sự tăng giảm qua các năm nhưng dân số trung bình của các tỉnh này thấp hơn rất nhiều so với TP. Hồ Chí Minh và HÀ Nội, dân số ở các tỉnh này chỉ thấp hơn 2500000.

Sau đây là một số lí do làm cho dân số có sự chênh lệch lớn của các tỉnh giữa các vùng miền của Việt Nam.

Chính sách dân số: Chính sách dân số và kế hoạch hóa gia đình có thể ảnh hưởng đến dân số trong mỗi vùng miền. Chính phủ Việt Nam đã triển khai nhiều biện pháp nhằm kiểm soát tốc độ tăng dân số, như quảng bá kế hoạch hóa gia đình, tăng cường giáo dục về sức khỏe sinh sản và cung cấp các dịch vụ hỗ trợ kế hoạch hóa gia đình.
Di cư và đô thị hóa: Di cư từ các vùng nông thôn sang các thành phố lớn có thể ảnh hưởng đến dân số của các vùng miền. Nhiều người dân từ các vùng miền nông thôn đã chuyển đến các thành phố như Hà Nội, TP. Hồ Chí Minh và Đà Nẵng để tìm kiếm cơ hội việc làm, giáo dục và dịch vụ tốt hơn. Điều này có thể dẫn đến tăng dân số ở các vùng đô thị.
Phát triển kinh tế: Mức độ phát triển kinh tế và cơ hội việc làm trong mỗi vùng miền có thể ảnh hưởng đến dân số. Các vùng miền có nền kinh tế phát triển và cơ hội việc làm tốt hơn thường thu hút người dân từ các vùng miền khác. Ví dụ, các thành phố lớn như Hà Nội, TP. Hồ Chí Minh và Đà Nẵng đã thu hút nhiều người dân từ các vùng miền khác.
Hạ tầng và dịch vụ: Sự phát triển của hạ tầng và dịch vụ, bao gồm giáo dục, y tế và cơ sở hạ tầng giao thông, cũng có ảnh hưởng đến dân số của mỗi vùng miền. Các vùng miền có hạ tầng và dịch vụ phát triển tốt hơn thường hấp dẫn người dân ở lại và thu hút di cư từ các vùng khác.
Đặc điểm địa lý và môi trường sống: Đặc điểm địa lý và môi trường sống của từng vùng miền cũng có thể ảnh hưởng đến dân số. Ví dụ, các vùng miền ven biển như Đông Nam Bộ và Miền Trung có thể hấp dẫn người dân do có nguồn lợi từ ngành du lịch và thuận lợi trong kinh doanh nông nghiệp. Trong khi đó, các vùng miền núi như Tây Nguyên có điều kiện tự nhiên khắc nghiệt hơn và có mật độ dân cư thấp hơn.

II. Để có thể thấy rõ hơn xu hướng di chuyển của biểu đồ, ta tiến hành phân tích và vẽ biểu đồ từng tỉnh cụ thể qua giai đoạn 1.

1. Dân số Quảng Ninh

d1 <- dat%>%filter(Year == 'NĂM 2016'|Year == 'NĂM 2017'|Year == 'NĂM 2018'|Year == 'NĂM 2019')%>% select('Year', 'Quảng Ninh')
names(d1) <- c('Year','QN')
ggplot(d1, aes(x = Year, y = QN)) +
  geom_bar(stat = "identity", fill = "red") +
  labs(title = "Biểu đồ thể hiện dân số ở Quảng Ninh giai đoạn 2016-2019", x = "Năm", y = "Dân số" )

datatable(d1)

Nhận xét

Dân số ở Quãng Ninh tăng những không đánh kể qua các năm vì lí do:

Mức tăng dân số tự nhiên: Mức tăng dân số tự nhiên tại Quảng Ninh, bao gồm tỷ lệ sinh và tỷ lệ tử vong, có thể không cao. Nếu tỷ lệ sinh thấp hơn hoặc tỷ lệ tử vong cao hơn so với các giai đoạn trước đó, sẽ dẫn đến sự tăng ít dân số.
Di cư và di trú: Quảng Ninh có thể không thu hút một lượng lớn người di cư hoặc di trú trong giai đoạn này. Sự di chuyển dân số giữa các vùng có thể không đủ để tăng dân số ở Quảng Ninh.
Chính sách dân số và quản lý địa phương: Chính sách dân số và quản lý địa phương có thể có ảnh hưởng đến tăng trưởng dân số. Nếu có các chính sách hạn chế di cư vào Quảng Ninh hoặc các biện pháp kiểm soát dân số, điều này có thể giới hạn tăng trưởng dân số trong giai đoạn 2016-2019.
Phát triển kinh tế và cơ hội việc làm: Nếu Quảng Ninh không có sự phát triển kinh tế mạnh mẽ trong giai đoạn này hoặc không tạo ra đủ cơ hội việc làm, người dân từ các vùng lân cận có thể không thấy hấp dẫn để di cư đến Quảng Ninh, dẫn đến tăng ít dân số.
Các yếu tố xã hội và văn hóa: Những yếu tố xã hội và văn hóa cũng có thể ảnh hưởng đến sự tăng trưởng dân số. Ví dụ, các yếu tố như hạnh phúc gia đình, xu hướng sinh con ít, hoặc những thay đổi trong quan điểm về gia đình và con cái có thể ảnh hưởng đến mức độ tăng trưởng dân số.

2. Dân số Hà Nội

d2 <- dat%>%filter(Year == 'NĂM 2016'|Year == 'NĂM 2017'|Year == 'NĂM 2018'|Year == 'NĂM 2019')%>% select('Year', 'Hà Nội')
names(d2) <- c('Year','HN')
ggplot(d2, aes(x = Year, y = HN)) +
  geom_bar(stat = "identity", fill = "lightblue") +
  labs(title = "Biểu đồ thể hiện dân số ở Hà Nội giai đoạn 2016-2019", x = "Năm", y = "Dân số" )

datatable(d2)

Nhận xét

Dân số Hà Nội nằm trong top đầu về dân số Việt Nam và có sự gia tăng qua các năm vì lí do:

Đô thị hóa và phát triển kinh tế: Hà Nội là thủ đô và trung tâm chính trị, kinh tế, văn hóa của Việt Nam. Trong giai đoạn này, Hà Nội đã phát triển kinh tế mạnh mẽ, thu hút nhiều nguồn đầu tư và tạo ra cơ hội việc làm. Sự phát triển nhanh chóng của các ngành công nghiệp, dịch vụ, và thương mại đã thu hút người dân từ các vùng miền khác và các tỉnh lân cận đến Hà Nội để tìm kiếm cơ hội sinh sống và làm việc tốt hơn.
Hạ tầng và dịch vụ: Hà Nội đã đầu tư mạnh vào phát triển hạ tầng giao thông, giáo dục, y tế và các dịch vụ công cộng khác. Việc nâng cấp hệ thống giao thông, xây dựng đường cao tốc, cầu, đường sắt và các phương tiện công cộng khác đã cải thiện khả năng di chuyển và tạo điều kiện thuận lợi cho người dân đến và sinh sống tại Hà Nội. Ngoài ra, sự phát triển của các trung tâm giáo dục, bệnh viện, trung tâm mua sắm, và các tiện ích công cộng khác cũng đã thu hút người dân đến Hà Nội.
Cơ hội việc làm: Hà Nội có sự đa dạng trong các ngành công nghiệp, dịch vụ và giáo dục. Thành phố này là trung tâm của nhiều công ty, tổ chức, và các trường đại học, thu hút nhiều cơ hội việc làm và thu nhập tốt hơn so với các vùng miền khác. Điều này đã thu hút người lao động từ khắp nơi đến Hà Nội để tìm kiếm cơ hội nghề nghiệp và cải thiện mức sống.
Giáo dục và nghiên cứu: Hà Nội được biết đến với hệ thống giáo dục tốt và nhiều trường đại học, trung tâm nghiên cứu. Nơi đây thu hút sinh viên, học sinh và nhà nghiên cứu từ các vùng miền khác để theo học và phát triển sự nghiệp. Điều này đã góp phần vào sự tăng trưởng dân số tại Hà Nội trong giai đoạn đó.
Văn hóa và du lịch: Hà Nội là một trung tâm văn hóa, lịch sử và du lịch quan trọng. Với nhiều di tích lịch sử, danh lam thắng cảnh và các sự kiện văn hóa, Hà Nội thu hút khách du lịch từ khắp nơi. Một số người đã chuyển đến Hà Nội để kinh doanh trong ngành du lịch hoặc làm việc trong các lĩnh vực liên quan.

3. Dân số Đà Nẵng

d3 <- dat%>%filter(Year == 'NĂM 2016'|Year == 'NĂM 2017'|Year == 'NĂM 2018'|Year == 'NĂM 2019')%>% select('Year', 'Đà Nẵng')
names(d3) <- c('Year','ĐN')
ggplot(d3, aes(x = Year, y = ĐN)) +
  geom_bar(stat = "identity", fill = "purple") +
  labs(title = "Biểu đồ thể hiện dân số ở Đà Nẵng giai đoạn 2016-2019", x = "Năm", y = "Dân số" )

datatable(d3)

Nhận xét

Dân số tại Đà Năng tập trung khá đông đúc và tăng trưởng đều qua các năm vì lí do:

Phát triển kinh tế: Đà Nẵng đã trở thành một trung tâm kinh tế và du lịch quan trọng tại Việt Nam. Sự phát triển kinh tế mạnh mẽ đã tạo ra nhiều cơ hội việc làm và thu hút người dân từ các khu vực lân cận và các tỉnh thành khác đến Đà Nẵng để tìm kiếm cơ hội kinh doanh và làm việc.
Cơ sở hạ tầng và dịch vụ: Đà Nẵng đã đầu tư mạnh vào phát triển cơ sở hạ tầng giao thông, giáo dục, y tế, và các dịch vụ công cộng khác. Việc xây dựng đường cao tốc, cầu, cải thiện hệ thống giao thông, các trường đại học, bệnh viện, khu công nghiệp và khu đô thị mới đã tạo ra điều kiện thuận lợi để người dân sinh sống và làm việc tại Đà Nẵng.
Du lịch và văn hóa: Đà Nẵng được biết đến với các danh lam thắng cảnh nổi tiếng như Bán đảo Sơn Trà, Bà Nà Hills, cầu Rồng, bãi biển Mỹ Khê và Hội An cổ. Sự phát triển của ngành du lịch và các hoạt động văn hóa đã thu hút lượng lớn khách du lịch và người quan tâm, một số trong số đó có thể quyết định chuyển đến Đà Nẵng để sinh sống và làm việc.
Giáo dục và nghiên cứu: Đà Nẵng có hệ thống giáo dục và nghiên cứu phát triển, với nhiều trường đại học và viện nghiên cứu. Sự hiện diện của các trường đại học hàng đầu và các cơ sở nghiên cứu đã thu hút sinh viên và nhà nghiên cứu đến Đà Nẵng.

4. Dân số Bình Định

d4 <- dat%>%filter(Year == 'NĂM 2016'|Year == 'NĂM 2017'|Year == 'NĂM 2018'|Year == 'NĂM 2019')%>% select('Year', 'Bình Định')
names(d4) <- c('Year','BĐ')
ggplot(d4, aes(x = Year, y = BĐ)) +
  geom_bar(stat = "identity", fill = "orange") +
  labs(title = "Biểu đồ thể hiện dân số ở Bình Định giai đoạn 2016-2019", x = "Năm", y = "Dân số" )

datatable(d4)

Nhận xét

Dân số ở Bình Định khá đông đúc nhưng tốc độ gia tăng dân số khá chậm và không đánh kể so với các tỉnh khác đã đề cập bên trên. Lí do cho sự gia tăng chậm này là vì:

Tăng trưởng tự nhiên: Nếu tỷ lệ sinh dân ở Bình Định giảm và tỷ lệ tử vong tăng, điều này có thể dẫn đến tăng dân số chậm rãi. Nếu có sự giảm tỷ lệ sinh và tăng tỷ lệ tử vong trong giai đoạn này, dân số có thể tăng chậm.
Di cư và di trú: Một lượng lớn người dân có thể đã chuyển đi từ Bình Định đến các vùng lân cận hoặc các tỉnh thành khác trong giai đoạn này. Sự di chuyển dân số ra khỏi Bình Định có thể làm giảm tốc độ tăng dân số.
Kinh tế và việc làm: Nếu Bình Định gặp khó khăn trong việc tạo ra cơ hội việc làm và phát triển kinh tế trong giai đoạn này, người dân có thể tìm kiếm cơ hội sinh sống và làm việc ở các nơi khác. Sự thiếu hụt việc làm và thu nhập có thể làm giảm sự hấp dẫn của Bình Định và gây ra sự giảm tốc độ tăng dân số.
Yếu tố xã hội và văn hóa: Những yếu tố xã hội và văn hóa như xu hướng sinh con giảm, gia đình có kích thước nhỏ hơn và các yếu tố văn hóa khác có thể góp phần vào sự tăng dân số chậm rãi.

5. Dân số Gia Lai

d5 <- dat%>%filter(Year == 'NĂM 2016'|Year == 'NĂM 2017'|Year == 'NĂM 2018'|Year == 'NĂM 2019')%>% select('Year', 'Gia Lai')
names(d5) <- c('Year','GL')
ggplot(d5, aes(x = Year, y = GL)) +
  geom_bar(stat = "identity", fill = "lightgreen") +
  labs(title = "Biểu đồ thể hiện dân số ở Gia Lai giai đoạn 2016-2019", x = "Năm", y = "Dân số" )

datatable(d5)

Nhận xét

Mặc dù gia lai là tỉnh tây nguyên nhưng vì sao trong giai đoạn 2016-2018 dân số gia lại lại khá cao và tăng khá mạnh mẽ. Vì lí do:
Tăng trưởng tự nhiên: Tỷ lệ sinh cao hơn tỷ lệ tử vong trong giai đoạn này có thể là một yếu tố đóng góp vào sự tăng dân số. Nếu tỷ lệ sinh ở Gia Lai cao hơn và tỷ lệ tử vong thấp hơn, dân số sẽ tăng đáng kể.
Di cư và di trú: Gia Lai có thể đã thu hút một lượng lớn người di cư hoặc di trú trong giai đoạn này. Sự di chuyển dân số từ các vùng lân cận hoặc từ các tỉnh thành khác đến Gia Lai có thể tăng dân số địa phương.
Phát triển kinh tế: Sự phát triển kinh tế của Gia Lai có thể đã tạo ra cơ hội việc làm và thu hút người dân từ các vùng lân cận đến đây để tìm kiếm cơ hội kinh doanh và làm việc. Các ngành công nghiệp như nông nghiệp, chăn nuôi, công nghiệp chế biến gỗ và du lịch có thể đã đóng góp vào sự phát triển kinh tế và tăng dân số.
Hạ tầng và dịch vụ công: Gia Lai có thể đã đầu tư mạnh vào phát triển hạ tầng giao thông, giáo dục, y tế và các dịch vụ công cộng khác. Việc cải thiện hệ thống giao thông, xây dựng các trường học, bệnh viện và các cơ sở công cộng đã tạo ra môi trường thuận lợi để người dân sinh sống và làm việc, đồng thời thu hút dân số từ các vùng lân cận.
Yếu tố xã hội và văn hóa: Những yếu tố xã hội và văn hóa cũng có thể ảnh hưởng đến sự tăng dân số. Ví dụ, sự gia tăng hạnh phúc gia đình, quan điểm tích cực về sinh con và các yếu tố văn hóa khác có thể thúc đẩy tăng dân số.

6. Dân số TP. Hồ Chí Minh

d6 <- dat%>%filter(Year == 'NĂM 2016'|Year == 'NĂM 2017'|Year == 'NĂM 2018'|Year == 'NĂM 2019')%>% select('Year', 'TP. Hồ Chí Minh')
names(d6) <- c('Year','HCM')
ggplot(d6, aes(x = Year, y = HCM)) +
  geom_bar(stat = "identity", fill = "gold") +
  labs(title = "Biểu đồ thể hiện dân số ở TP.HCM giai đoạn 2016-2019", x = "Năm", y = "Dân số" )

datatable(d6)

Nhận xét

Ở TP. Hồ Chí Minh tập trung đông dân số và tăng đều hằng năm vì nó chịu ảnh hưởng bời những yếu tố sau:

Phát triển kinh tế: TP.HCM là trung tâm kinh tế, tài chính và thương mại của Việt Nam. Trong giai đoạn này, TP.HCM đã đạt được mức tăng trưởng kinh tế đáng kể, thu hút nhiều nguồn đầu tư và tạo ra cơ hội việc làm. Điều này đã thu hút người dân từ các vùng miền khác và các tỉnh lân cận đến TP.HCM để tìm kiếm cơ hội sinh sống và làm việc tốt hơn.
Cơ hội việc làm: TP.HCM có sự phát triển đa dạng trong các ngành công nghiệp, dịch vụ và du lịch. Các công ty, doanh nghiệp, và khu công nghiệp tại TP.HCM tạo ra nhiều cơ hội việc làm và thu nhập tốt hơn so với các vùng miền khác. Điều này đã thu hút người lao động từ khắp nơi đến TP.HCM để tìm kiếm cơ hội nghề nghiệp và cải thiện mức sống.
Hạ tầng và dịch vụ: TP.HCM đã đầu tư lớn vào phát triển hạ tầng giao thông, giáo dục, y tế và các dịch vụ công cộng khác. Điều này làm tăng chất lượng cuộc sống và thu hút người dân ở lại TP.HCM. Hạ tầng giao thông được nâng cấp đáng kể, bao gồm mở rộng đường, xây dựng hệ thống giao thông công cộng, và cải thiện tiện ích công cộng như công viên, khu vui chơi giải trí, các trung tâm mua sắm và giải trí.
Khoa học và công nghệ: TP.HCM là trung tâm nghiên cứu và phát triển khoa học công nghệ, thu hút các chuyên gia và nhà nghiên cứu. Sự phát triển trong lĩnh vực công nghệ thông tin, trí tuệ nhân tạo, khởi nghiệp và các ngành công nghệ cao khác tạo ra nhiều cơ hội việc làm và thu hút người trẻ đến TP.HCM.
Văn hóa và giáo dục: TP.HCM là trung tâm văn hóa, giáo dục, và giải trí, với nhiều trường đại học, trung tâm nghệ thuật, bảo tàng, rạp chiếu phim, và sự kiện văn hóa. Điều này thu hút sinh viên, nghệ sĩ, và những người quan tâm đến văn hóa và giáo dục đến TP.HCM để học tập và phát triển sự nghiệp.

7. Dân số An Giang

d7 <- dat%>%filter(Year == 'NĂM 2016'|Year == 'NĂM 2017'|Year == 'NĂM 2018'|Year == 'NĂM 2019')%>% select('Year', 'An Giang')
names(d7) <- c('Year','AG')
ggplot(d7, aes(x = Year, y = AG)) +
  geom_bar(stat = "identity", fill = "pink") +
  labs(title = "Biểu đồ thể hiện dân số ở An Giang giai đoạn 2016-2019", x = "Năm", y = "Dân số" )

datatable(d7)

Nhận xét

Dân số ở tỉnh An Giang được xem là khá cao so với đa số các tỉnh Việt Nam nhưng lại có sự giảm sút trong giai đoạn 2016-2019 vì lí do:

Tỷ lệ sinh giảm: Nếu tỷ lệ sinh dân ở An Giang giảm trong giai đoạn này, điều này có thể dẫn đến sự giảm dân số. Có thể có nhiều nguyên nhân dẫn đến sự giảm tỷ lệ sinh, bao gồm thay đổi trong quan điểm về sinh con, nâng cao mức sống và giảm mức đầu tư vào chăm sóc sức khỏe và dịch vụ y tế.
Di cư và di trú: Một lượng lớn người dân có thể đã chuyển đi từ An Giang đến các nơi khác trong giai đoạn này. Các yếu tố như cơ hội việc làm, giáo dục, sức khỏe và dịch vụ công cộng tốt hơn ở các vùng khác có thể làm cho người dân chọn di cư để tìm kiếm cơ hội tốt hơn.
Kinh tế và việc làm: Nếu An Giang gặp khó khăn trong việc tạo ra cơ hội việc làm và phát triển kinh tế trong giai đoạn này, người dân có thể tìm kiếm cơ hội sinh sống và làm việc ở các nơi khác. Sự thiếu hụt việc làm và thu nhập có thể làm giảm sự hấp dẫn của An Giang và gây ra sự giảm dân số.
Yếu tố xã hội và văn hóa: Những yếu tố xã hội và văn hóa như xu hướng sinh con giảm, gia đình có kích thước nhỏ hơn và các yếu tố văn hóa khác có thể góp phần vào sự giảm dân số.
Các yếu tố địa phương: Các yếu tố đặc thù của An Giang như địa hình, khí hậu, sự biến động trong ngành nông nghiệp và thủy lợi có thể ảnh hưởng đến động lực dân số. Ví dụ, nếu có sự thay đổi trong năng suất nông nghiệp hoặc các yếu tố môi trường khác, điều này có thể làm giảm sự hấp dẫn của An Giang và gây ra sự giảm dân số.

II.1.2 Giai đoạn 2

Tiến hành so sánh dân số trung bình của 7 tỉnh thành đại diện cho 7 vùng miền Việt Nam trải dài từ Bắc xuống Nam trong giai đoạn 2020-2023. Bao gồm các tỉnh: Quảng Ninh, Hà Nội, Đà Nẵng, Bình Định, Gia Lai, TP. Hồ Chí Minh, An Giang.

d0 <- dat%>%filter(Year == 'NĂM 2020'|Year == 'NĂM 2021'|Year == 'NĂM 2022'|Year == 'NĂM 2023')%>% select('Year', 'Quảng Ninh', 'Hà Nội', 'Đà Nẵng', 'Bình Định', 'Gia Lai', 'TP. Hồ Chí Minh', 'An Giang')
names(d0) <- c('Year','QN','HN','ĐN','BĐ','GL','HCM','AG')
ggplot(d0, aes(x = Year, y1 = QN, y2 = HN, y3 = ĐN, y4 = BĐ, y5 = GL, y6 = HCM, y7 = AG)) +
  geom_line(aes(x = Year, y = QN, group = 1), color = "red", linewidth = 1) +
  geom_point(aes( x= Year, y= QN, group =1), color = "black") +
  geom_line(aes(x = Year, y = HN, group = 1), color = "lightblue", linewidth = 1) +
  geom_point(aes( x= Year, y= HN, group =1), color = "black") +
  geom_line(aes(x = Year, y = ĐN, group = 1), color = "yellow", linewidth = 1) +
  geom_point(aes( x= Year, y= ĐN, group =1), color = "black") +
  geom_line(aes(x = Year, y = BĐ, group = 1), color = "orange", linewidth = 1) +
  geom_point(aes( x= Year, y= BĐ, group =1), color = "black") +
  geom_line(aes(x = Year, y = GL, group = 1), color = "lightgreen", linewidth = 1) +
  geom_point(aes( x= Year, y= GL, group =1), color = "black") +
  geom_line(aes(x = Year, y = HCM, group = 1), color = "grey", linewidth = 1) +
  geom_point(aes( x= Year, y= HCM, group =1), color = "black") +
  geom_line(aes(x = Year, y = AG, group = 1), color = "pink", linewidth = 1) +
  geom_point(aes( x= Year, y= AG, group =1), color = "black") +
  labs(x = "Năm", y = "Dân số trung bình", title = "Biểu đồ biến động dân số 7 tỉnh thành giai đoạn 2020-2023")

datatable(d0)

Nhận xét

Cũng giống như giai đoạn 1 trước đây 7 tỉnh thành cũng có sự chênh lệch lớn về dân số. Tại TP. Hồ Chí Minh và Hà Nội vẫn là 2 nơi top đầu về dân số của Việt Nam và không có sự thay đổi qua lớn về sự gia tăng hay giảm sút.
Nếu ta quan sát kĩ hơn thì giai đoạn từ năm 2020-2021 ở TP. Hồ Chí Minh dân số có sự giảm sút khá đáng kể và sau đó giai đoạn 2021-2023 lại tăng trưởng mạnh mẽ trở lại. Sự biến động đó xảy ra ở TP. Hồ Chí Minh là vì:
Trong giai đoạn này toàn thế giới phải đón chịu căn bệnh COVID-19 mang tính toàn cầu. Việt Nam chúng ta cũng không ngoại lệ, dịch bệnh lây lan nhanh chóng với phạm vi vô cùng rộng lớn. Trong giai đoạn này, cụ thể là vào đợt dịch thứ 3 (từ đầu cuối tháng 4/2019) tại TP Hồ Chí Minh đã bị bùng dịch một cách nặng nề từ đó đã làm giảm mạnh về mặt dân số của thành phố.
Di cư ngược: Dịch bệnh COVID-19 đã tạo ra những biện pháp hạn chế di chuyển và giới hạn hoạt động giao thông. Nhiều người dân, đặc biệt là những người di cư từ các vùng khác vào TP. Hồ Chí Minh để làm việc hoặc học tập, có thể đã quyết định trở về quê hương do mất việc làm, mất thu nhập, hoặc lo ngại về tình hình dịch bệnh. Điều này có thể đã góp phần vào sự giảm sút dân số tại thành phố.
Tác động kinh tế: Dịch bệnh COVID-19 đã gây ra tác động tiêu cực đến nền kinh tế, làm mất việc làm và thu nhập của nhiều người. Điều này có thể đã khiến một số người dân, đặc biệt là những người lao động tạm thời hoặc không có nơi làm việc ổn định, quyết định di cư ra khỏi TP. Hồ Chí Minh để tìm kiếm cơ hội kinh doanh hoặc làm việc ở những nơi khác.
Tác động tâm lý và xã hội: Dịch bệnh COVID-19 đã gây ra tác động tâm lý và xã hội lớn đối với nhiều người dân. Lo ngại về sức khỏe, mất việc làm, khó khăn trong cuộc sống hàng ngày và các yếu tố khác có thể đã làm một số người quyết định di chuyển đi các vùng nông thôn hoặc trở về quê hương để được ở gần gia đình, có môi trường an toàn hơn và chi phí sống thấp hơn.

II.2 Bộ dữ liệu 2

Ta tiến hành phân tích về tỉ lệ gia tăng dân số (%) ở Việt Nam qua 2 giai đoạn cụ thể là: giai đoạn 1 từ 2016-2019 và giai đoạn 2 từ 2019-2022.
Mã SP.POP.GROW được trích từ World Bank là một mã số dùng để đại diện cho chỉ số tăng trưởng dân số (Population growth rate) trong cơ sở dữ liệu của World Bank. Chỉ số này thường được sử dụng để đo lường tỷ lệ tăng trưởng dân số hàng năm của một quốc gia hoặc khu vực cụ thể.

Mã SP.POP.GROW là một mã số chuẩn hóa (standardized code) trong hệ thống phân loại dữ liệu của World Bank, được sử dụng để ghi nhận và so sánh các chỉ số tăng trưởng dân số trên toàn cầu. Khi tìm kiếm hoặc truy xuất dữ liệu từ World Bank, mã SP.POP.GROW sẽ giúp chúng ta xác định và truy cập các chỉ số tăng trưởng dân số tương ứng.

Các chỉ số tăng trưởng dân số có thể được tính bằng cách so sánh tỷ lệ tăng trưởng tự nhiên (tỷ lệ sinh - tỷ lệ tử vong) hoặc dựa trên các phương pháp khác như mô hình hồi quy. Thông thường, tỷ lệ tăng trưởng dân số được tính theo phần trăm (%), biểu thị sự thay đổi trong dân số trong một khoảng thời gian nhất định.

II.2.1 Giai đoạn 1

Ta tiến hành phân tích về tỉ lệ gia tăng dân số (%) ở Việt Nam giai đoạn 2016-2019.

library(ggplot2)
tcd2 <- tcd1 %>% filter( Country == 'Viet Nam', Year >= 2016 & Year <= 2019)%>% select('Country','Iso2c','Year','Value')
tcd2 %>% ggplot(aes(x = Year, y = Value)) +
  geom_line(color = "red", linewidth = 1) +
  geom_point(color = "black") +
  labs(x = "Year", y = "(%)") +
  ggtitle("Tỉ lệ gia tăng dân số (%) ở Việt Nam giai đoạn 2016-2019")

datatable(tcd2)

Nhận xét

Trong giai đoạn 2016-2019, tỉ lệ gia tăng dân số (%) ở Việt Nam đã giảm mạnh từ trên 1% xuống còn khoảng 0.9%. Những lí do ảnh hưởng đến sự giảm sút về tỉ lệ này là:

Giảm tỷ lệ sinh: Trong giai đoạn đó, Việt Nam đã ghi nhận về việc giảm tỷ lệ sinh tự nhiên, tức là tỷ lệ sinh trẻ em trên mỗi phụ nữ trong độ tuổi sinh sản đã giảm. Có một số yếu tố có thể đóng vai trò trong sự giảm này, bao gồm sự gia tăng của chuỗi giá trị công nghiệp, sự gia tăng của công ăn việc làm trong các thành phố lớn và sự gia tăng của trình độ giáo dục, tạo điều kiện cho phụ nữ tham gia vào lực lượng lao động và quyết định hoãn sinh con hoặc giới hạn số lượng con cái.
Tiến bộ trong kế hoạch hóa gia đình: Chính phủ Việt Nam đã triển khai các chính sách kế hoạch hóa gia đình để hạn chế tăng trưởng dân số trong một số giai đoạn. Các chính sách này bao gồm đẩy mạnh sử dụng biện pháp hạn chế sinh con như tiếp cận và phân phối các biện pháp tránh thai, tăng cường giáo dục và tư vấn về kế hoạch hóa gia đình. Nhờ vào các biện pháp này, tỉ lệ gia tăng dân số đã giảm mạnh trong giai đoạn 2016-2019.
Tiến bộ trong y tế và chăm sóc sức khỏe: Việt Nam đã đạt được tiến bộ đáng kể trong lĩnh vực y tế và chăm sóc sức khỏe, bao gồm cung cấp dịch vụ chăm sóc sức khỏe sinh sản, tăng cường tiêm chủng và cải thiện chất lượng dịch vụ y tế. Điều này có thể dẫn đến giảm tỷ lệ tử vong trẻ em và gia tăng tuổi thọ, điều này có thể ảnh hưởng đến tỉ lệ gia tăng dân số.

---
title: "TIỂU LUẬN CUỐI KÌ"
author: "TẠ CÔNG ĐẠT"
date: "2024-03-18"
output: 
  html_document:
    code_download: true
    code_folding: hide
    theme: "default"
    toc: TRUE
    toc_float: TRUE
---

```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
library(tidyverse)
library(DT)
library(flextable)
```
<style>
body {
  font-family: "Time New Roman", sans-serif;
  font-size: 14px;
}
h1{
 color: black;
}
h2 {
  color: orange;
}
h3 {
  color: gold;
}
</style>
# **PHẦN I: TỔNG QUAN VỀ BÀI TIỂU LUẬN**

## **1. Mở đầu** 

### 1.1 Cảm hứng lựa chọn đề tài 

- Đề tài của bài tiểu luận này là phân tích về sự biến động của dân số Việt Nam trong giai đoạn 2016-2023.

- Dân số là một vấn đề khá cấp bách và đáng để quan tâm đến. Bởi dân số tác động đến mọi mặt kể cả kinh tế, chính trị, văn hóa, xã hội.
- Kinh tế: Dân số lớn có thể tạo ra lực lượng lao động dồi dào, cung cấp sức lao động cho các ngành công nghiệp và dịch vụ. Điều này có thể thúc đẩy tăng trưởng kinh tế và phát triển quốc gia. Tuy nhiên, nếu dân số vượt quá khả năng hấp thụ của nền kinh tế, việc cung cấp việc làm và tài nguyên sẽ trở nên khó khăn, gây áp lực và thách thức về phân chia thu nhập và mức sống.
- Xã hội và văn hóa: Dân số lớn có thể tác động đến sự đa dạng và phong phú của xã hội và văn hóa. Nó có thể tạo ra sự đa dạng ngôn ngữ, tín ngưỡng, phong tục, truyền thống và sự đa dạng ý thức. Tuy nhiên, sự đa dạng này cũng có thể tạo ra thách thức trong việc quản lý và duy trì sự đồng thuận xã hội, đặc biệt là trong các quốc gia có nhiều dân tộc, tôn giáo và nhóm dân cư khác nhau.
- Chính trị và quản lý: Dân số lớn có thể ảnh hưởng đến hệ thống chính trị và quản lý của một quốc gia. Sự phát triển và quản lý dân số đòi hỏi chính phủ có khả năng cung cấp dịch vụ công cộng, như y tế, giáo dục, an ninh và hạ tầng giao thông. Nếu dân số vượt quá khả năng quản lý, chính phủ có thể gặp khó khăn trong việc đáp ứng nhu cầu của người dân và duy trì trật tự xã hội.
- Tài nguyên và môi trường: Dân số lớn có thể đặt áp lực lớn lên tài nguyên và môi trường. Sự gia tăng dân số có thể tăng nhu cầu sử dụng đất, nước, năng lượng và tài nguyên thiên nhiên khác. Điều này có thể gây ra sự cạnh tranh và xung đột trong việc sử dụng tài nguyên và tạo ra tác động tiêu cực đến môi trường, chẳng hạn như ô nhiễm môi trường và suy thoái tài nguyên.

- Việt Nam là một quốc gia có dân số đông đúc và đang trải qua các biến động đáng chú ý. Dưới đây là những biến động cụ thể về mặt dân số:
- **Tốc độ tăng trưởng dân số**: Dân số Việt Nam đang tăng nhanh, điều này có thể tạo ra nhiều thách thức và cơ hội cho phát triển kinh tế và xã hội của đất nước.
- **Sự biến đổi địa lý:** Sự biến đổi địa lý như đô thị hóa, di cư từ vùng nông thôn vào thành phố, có ảnh hưởng lớn đến sự phát triển của các khu vực và làm thay đổi cơ cấu dân số.
- **Nhân khẩu học và y tế:** Sự biến động dân số có thể ảnh hưởng đến các vấn đề về sức khỏe, y tế công cộng và cơ sở hạ tầng y tế.
- **Gia tăng độ tuổi trung bình:** Việc dân số già hóa đang xảy ra ở nhiều quốc gia, điều này có thể tạo ra áp lực đối với hệ thống chăm sóc sức khỏe và hỗ trợ xã hội.
- **Ảnh hưởng của biến đổi khí hậu:** Biến đổi khí hậu có thể gây ra các vấn đề như tăng mực nước biển, thiên tai, và sự suy giảm sản xuất nông nghiệp, ảnh hưởng đến sự phát triển của dân số.
- **Chính sách dân số:** Chính sách như quản lý tăng trưởng dân số, hỗ trợ gia đình, và giáo dục sinh sản có thể có ảnh hưởng lớn đến sự phát triển của dân số.
- **Tính bền vững:** Phân tích sự biến động dân số có thể giúp đánh giá mức độ bền vững của phát triển kinh tế và xã hội của Việt Nam trong tương lai.
- **Quan hệ quốc tế**: Biến động dân số ở Việt Nam cũng có thể tác động đến quan hệ quốc tế, đặc biệt là trong lĩnh vực thương mại và lao động.

### 1.2 Đối tượng và phạm vi nghiên cứu

- Đối tượng: 63 tỉnh thành Việt Nam chia làm 7 vùng miền trên lãnh thổ.
- Phạm vi và mốc thời gian nghiên cứu: Chia làm 2 giai đoạn cụ thể là: từ 2016-2019 và từ 2020-2023.

### 1.3 Các nguồn thu thập dữ liệu dân số Việt Nam 

- Tổng cục thống kê Việt Nam
- World Bank

## **2. Giới thiệu và mô tả về bộ dữ liệu nghiên cứu** 

### 2.1 Bộ dữ liệu 1

- Bộ dữ liệu 1 được trích xuất từ tổng cục thống kê Việt Nam về dân số bao gồm các biến tương ứng với các tỉnh thành của Việt Nam, bộ dữ liệu bao gồm các quan sát là giai đoạn từ 2016-2023. Đây là bộ dữ liệu được thống kê dựa trên những thu thập thực tế về dân số.  
- Bộ dữ liệu được hiển thị dưới đây bao gồm 8 quan sát và 65 biến. 


```{r}
library(xlsx)
dat <- read.xlsx("C:/Users/ADMIN/Downloads/Book3.xlsx", sheetIndex = 1, header = T)
names(dat) <- c('Year','Total','Hà Nội','Hà Giang','Cao Bằng','Bắc Kạn',	'Tuyên Quang'	,'Lào Cai','Điện Biên',	'Lai Châu',	'Sơn La',	'Yên Bái',	'Hòa Bình',	'Thái  Nguyên',	'Lạng Sơn',	'Quảng Ninh',	'Bắc Giang',	'Phú Thọ',	'Vĩnh Phúc',	'Bắc Ninh',	'Hải Dương',	'Hải Phòng',	'Hưng Yên',	'Thái Bình',	'Hà Nam',	'Nam Định',	'Ninh Bình',	'Thanh Hóa',	'Nghệ An',	'Hà Tĩnh',	'Quảng Bình',	'Quảng Trị',	'Thừa Thiên-Huế',	'Đà Nẵng',	'Quảng  Nam',	'Quảng  Ngãi',	'Bình Định',	'Phú Yên',	'Khánh  Hòa',	'Ninh  Thuận',	'Bình Thuận','	Kon Tum',	'Gia Lai',	'Đắk Lắk',	'Đắk Nông','	Lâm Đồng',	'Bình Phước',	'Tây Ninh',	'Bình  Dương',	'Đồng Nai',	'Bà Rịa - Vũng Tàu',	'TP. Hồ Chí Minh',	'Long An',	'Tiền Giang',	'Bến Tre','Trà Vinh','Vĩnh Long',	'Đồng Tháp',	'An Giang',	'Kiên  Giang',	'Cần Thơ',	'Hậu Giang',	'Sóc Trăng',	'Bạc Liêu',	'Cà Mau')

datatable(dat)
```

### 2.2 Bộ dữ liệu 2 

- Bộ dữ liệu gốc ban đầu trích xuất từ World Bank là bộ dữ liệu lớn với tất cả các quốc gia từ 1961-2022, bộ dữ liệu nói về tỉ lệ gia tăng dân số (%). 
- Bộ dữ liệu 2 hiển thị dưới đây là bộ dữ liệu đã được rút trích quốc gia Việt Nam giai đoạn từ năm 2016-2023. Bộ dữ liệu bao gồm 4 biến và 7 quan sát.

```{r}
library(WDI)
tcd <- WDIsearch("Population growth (annual %)")
tcd <- WDI(indicator = 'SP.POP.GROW', start = 2016, end = 2023)
tcd1 <- tcd%>%filter(country == 'Viet Nam')%>% select('country','iso2c','year','SP.POP.GROW')
names(tcd1) <- c('Country','Iso2c','Year','Value')
datatable(tcd1)
```

### 2.3 Bộ dữ liệu 3

- Bộ dữ liệu gốc ban đầu trích xuất từ World Bank là bộ dữ liệu lớn với tất cả các quốc gia từ 1961-2021, bộ dữ liệu nói về tỉ lệ sinh trung bình hàng năm (số trẻ em sinh ra mỗi 1.000 người).
- Bộ dữ liệu 3 hiển thị dưới đây là bộ dữ liệu đã được rút trích quốc gia Việt Nam giai đoạn từ năm 2016-2022. Bộ dữ liệu bao gồm 4 biến và 7 quan sát.
```{r}
library(WDI)
tcd2 <- WDIsearch("Agricultural land (% of land area)")
tcd2 <- WDI(indicator = 'SP.DYN.CBRT.IN', start = 2016, end = 2023)
tcd3 <- tcd2%>%filter(country == 'Viet Nam')%>% select('country','iso2c','year','SP.DYN.CBRT.IN')
names(tcd3) <- c('Country','Iso2c','Year','Value')
datatable(tcd3)
```


# **PHẦN II: TIẾN HÀNH PHÂN TÍCH DỰA TRÊN NHỮNG SỐ LIỆU ĐÃ THỐNG KÊ**

## **II.1 Bộ dữ liệu 1**

- Ta tiến hành phân tích về sự biến động tổng dân số của 1 số vùng miền Việt Nam lần lượt từ Bắc xuống Nam qua 2 giai đoạn cụ thể là: giai đoạn 1 từ 2016-2019 và giai đoạn 2 từ 2020-2023.
- Như chúng ta đã biết, Việt Nam là quốc gia có 7 vùng miền riêng biệt kéo dài từ Bắc xuống Nam lần lượt là : Trung du và miền núi Bắc Bộ, Đồng Bằng Sông Hồng, Bắc Trung Bộ, Duyên hải Nam Trung Bộ, Tây Nguyên, Đông Nam BỘ, Đồng Bằng Sông Cửu Long.
- Em sẽ lựa chọn mỗi vùng miền 1 tỉnh thành đặc trưng để so sánh về dấn số của các tỉnh thành đó qua 2 giai đoạn. 
- Vùng Trung du và miền núi Bắc Bộ: Quảng Ninh
- Vùng Đồng Bằng Sông Hồng: Hà Nội
- Vùng Bắc Trung Bộ: Đà Năng
- Vùng Duyên hải Nam Trung Bộ: Bình Định
- Vùng Tây Nguyên: Gia Lai
- Vùng Đông Nam BỘ: TP. Hồ Chí Minh
- Vùng Đồng Bằng Sông Cửu Long: An Giang

### **II.1.1 Giai đoạn 1** 

**I. Tiến hành so sánh dân số trung bình của 7 tỉnh thành đại diện cho 7 vùng miền Việt Nam trải dài từ Bắc xuống Nam trong giai đoạn 2016-2019. Bao gồm các tỉnh: Quảng Ninh, Hà Nội, Đà Nẵng, Bình Định, Gia Lai, TP. Hồ Chí Minh, An Giang.**



```{r}
library(ggplot2)
library(tidyverse)
d <- dat%>%filter(Year == 'NĂM 2016'|Year == 'NĂM 2017'|Year == 'NĂM 2018'|Year == 'NĂM 2019')%>% select('Year', 'Quảng Ninh', 'Hà Nội', 'Đà Nẵng', 'Bình Định', 'Gia Lai', 'TP. Hồ Chí Minh', 'An Giang')
names(d) <- c('Year','QN','HN','ĐN','BĐ','GL','HCM','AG')
ggplot(d, aes(x = Year, y1 = QN, y2 = HN, y3 = ĐN, y4 = BĐ, y5 = GL, y6 = HCM, y7 = AG)) +
  geom_line(aes(x = Year, y = QN, group = 1), color = "red", linewidth = 1) +
  geom_point(aes( x= Year, y= QN, group =1), color = "black") +
  geom_line(aes(x = Year, y = HN, group = 1), color = "lightblue", linewidth = 1) +
  geom_point(aes( x= Year, y= HN, group =1), color = "black") +
  geom_line(aes(x = Year, y = ĐN, group = 1), color = "purple", linewidth = 1) +
  geom_point(aes( x= Year, y= ĐN, group =1), color = "black") +
  geom_line(aes(x = Year, y = BĐ, group = 1), color = "orange", linewidth = 1) +
  geom_point(aes( x= Year, y= BĐ, group =1), color = "black") +
  geom_line(aes(x = Year, y = GL, group = 1), color = "lightgreen", linewidth = 1) +
  geom_point(aes( x= Year, y= GL, group =1), color = "black") +
  geom_line(aes(x = Year, y = HCM, group = 1), color = "gold", linewidth = 1) +
  geom_point(aes( x= Year, y= HCM, group =1), color = "black") +
  geom_line(aes(x = Year, y = AG, group = 1), color = "pink", linewidth = 1) +
  geom_point(aes( x= Year, y= AG, group =1), color = "black") +
  labs(x = "Năm", y = "Dân số trung bình", title = "Biểu đồ biến động dân số 7 tỉnh thành giai đoạn 2016-2019")

  


```


```{r}
datatable(d)
```

**Nhận xét**

1. Nhìn vào biểu đồ line trên, chúng ta có thể thấy được xu hướng di chuyển của đồ thị và khoảng cách giữa các đường line có sự khác nhau từ năm 2016-2019. Điều này chứng tỏ rằng: Dân số ở mỗi tỉnh thuộc mỗi vùng miền có sự khác nhau một cách rõ rệt. Cụ thể:

- TP. Hồ Chí Minh là nơi có dân số đông nhất và tăng đều qua các năm.
- Kế tiếp sau đó là Thủ đô Hà Nội 
-> TP. Hồ Chí Minh và Hà Nội là 2 nơi có dân số trung bình cao hơn 7500000 người từ 2016-2019.
- Các tỉnh còn lại như là Quảng Ninh, Đà Nẵng, Bình Định, Gia Lai, An Giang cũng có sự tăng giảm qua các năm nhưng dân số trung bình của các tỉnh này thấp hơn rất nhiều so với TP. Hồ Chí Minh và HÀ Nội, dân số ở các tỉnh này chỉ thấp hơn 2500000. 

2. Sau đây là một số lí do làm cho dân số có sự chênh lệch lớn của các tỉnh giữa các vùng miền của Việt Nam.

- Chính sách dân số: Chính sách dân số và kế hoạch hóa gia đình có thể ảnh hưởng đến dân số trong mỗi vùng miền. Chính phủ Việt Nam đã triển khai nhiều biện pháp nhằm kiểm soát tốc độ tăng dân số, như quảng bá kế hoạch hóa gia đình, tăng cường giáo dục về sức khỏe sinh sản và cung cấp các dịch vụ hỗ trợ kế hoạch hóa gia đình.

- Di cư và đô thị hóa: Di cư từ các vùng nông thôn sang các thành phố lớn có thể ảnh hưởng đến dân số của các vùng miền. Nhiều người dân từ các vùng miền nông thôn đã chuyển đến các thành phố như Hà Nội, TP. Hồ Chí Minh và Đà Nẵng để tìm kiếm cơ hội việc làm, giáo dục và dịch vụ tốt hơn. Điều này có thể dẫn đến tăng dân số ở các vùng đô thị.

- Phát triển kinh tế: Mức độ phát triển kinh tế và cơ hội việc làm trong mỗi vùng miền có thể ảnh hưởng đến dân số. Các vùng miền có nền kinh tế phát triển và cơ hội việc làm tốt hơn thường thu hút người dân từ các vùng miền khác. Ví dụ, các thành phố lớn như Hà Nội, TP. Hồ Chí Minh và Đà Nẵng đã thu hút nhiều người dân từ các vùng miền khác.

- Hạ tầng và dịch vụ: Sự phát triển của hạ tầng và dịch vụ, bao gồm giáo dục, y tế và cơ sở hạ tầng giao thông, cũng có ảnh hưởng đến dân số của mỗi vùng miền. Các vùng miền có hạ tầng và dịch vụ phát triển tốt hơn thường hấp dẫn người dân ở lại và thu hút di cư từ các vùng khác.

- Đặc điểm địa lý và môi trường sống: Đặc điểm địa lý và môi trường sống của từng vùng miền cũng có thể ảnh hưởng đến dân số. Ví dụ, các vùng miền ven biển như Đông Nam Bộ và Miền Trung có thể hấp dẫn người dân do có nguồn lợi từ ngành du lịch và thuận lợi trong kinh doanh nông nghiệp. Trong khi đó, các vùng miền núi như Tây Nguyên có điều kiện tự nhiên khắc nghiệt hơn và có mật độ dân cư thấp hơn.


**II. Để có thể thấy rõ hơn xu hướng di chuyển của biểu đồ, ta tiến hành phân tích và vẽ biểu đồ từng tỉnh cụ thể qua giai đoạn 1.**

**1. Dân số Quảng Ninh** 

```{r}
d1 <- dat%>%filter(Year == 'NĂM 2016'|Year == 'NĂM 2017'|Year == 'NĂM 2018'|Year == 'NĂM 2019')%>% select('Year', 'Quảng Ninh')
names(d1) <- c('Year','QN')
ggplot(d1, aes(x = Year, y = QN)) +
  geom_bar(stat = "identity", fill = "red") +
  labs(title = "Biểu đồ thể hiện dân số ở Quảng Ninh giai đoạn 2016-2019", x = "Năm", y = "Dân số" )
```

```{r}
datatable(d1)
```

**Nhận xét**

Dân số ở Quãng Ninh tăng những không đánh kể qua các năm vì lí do:

- Mức tăng dân số tự nhiên: Mức tăng dân số tự nhiên tại Quảng Ninh, bao gồm tỷ lệ sinh và tỷ lệ tử vong, có thể không cao. Nếu tỷ lệ sinh thấp hơn hoặc tỷ lệ tử vong cao hơn so với các giai đoạn trước đó, sẽ dẫn đến sự tăng ít dân số.

- Di cư và di trú: Quảng Ninh có thể không thu hút một lượng lớn người di cư hoặc di trú trong giai đoạn này. Sự di chuyển dân số giữa các vùng có thể không đủ để tăng dân số ở Quảng Ninh.

- Chính sách dân số và quản lý địa phương: Chính sách dân số và quản lý địa phương có thể có ảnh hưởng đến tăng trưởng dân số. Nếu có các chính sách hạn chế di cư vào Quảng Ninh hoặc các biện pháp kiểm soát dân số, điều này có thể giới hạn tăng trưởng dân số trong giai đoạn 2016-2019.

- Phát triển kinh tế và cơ hội việc làm: Nếu Quảng Ninh không có sự phát triển kinh tế mạnh mẽ trong giai đoạn này hoặc không tạo ra đủ cơ hội việc làm, người dân từ các vùng lân cận có thể không thấy hấp dẫn để di cư đến Quảng Ninh, dẫn đến tăng ít dân số.

- Các yếu tố xã hội và văn hóa: Những yếu tố xã hội và văn hóa cũng có thể ảnh hưởng đến sự tăng trưởng dân số. Ví dụ, các yếu tố như hạnh phúc gia đình, xu hướng sinh con ít, hoặc những thay đổi trong quan điểm về gia đình và con cái có thể ảnh hưởng đến mức độ tăng trưởng dân số.


**2. Dân số Hà Nội**

```{r}
d2 <- dat%>%filter(Year == 'NĂM 2016'|Year == 'NĂM 2017'|Year == 'NĂM 2018'|Year == 'NĂM 2019')%>% select('Year', 'Hà Nội')
names(d2) <- c('Year','HN')
ggplot(d2, aes(x = Year, y = HN)) +
  geom_bar(stat = "identity", fill = "lightblue") +
  labs(title = "Biểu đồ thể hiện dân số ở Hà Nội giai đoạn 2016-2019", x = "Năm", y = "Dân số" )
```

```{r}
datatable(d2)
```

**Nhận xét**

Dân số Hà Nội nằm trong top đầu về dân số Việt Nam và có sự gia tăng qua các năm vì lí do: 

- Đô thị hóa và phát triển kinh tế: Hà Nội là thủ đô và trung tâm chính trị, kinh tế, văn hóa của Việt Nam. Trong giai đoạn này, Hà Nội đã phát triển kinh tế mạnh mẽ, thu hút nhiều nguồn đầu tư và tạo ra cơ hội việc làm. Sự phát triển nhanh chóng của các ngành công nghiệp, dịch vụ, và thương mại đã thu hút người dân từ các vùng miền khác và các tỉnh lân cận đến Hà Nội để tìm kiếm cơ hội sinh sống và làm việc tốt hơn.

- Hạ tầng và dịch vụ: Hà Nội đã đầu tư mạnh vào phát triển hạ tầng giao thông, giáo dục, y tế và các dịch vụ công cộng khác. Việc nâng cấp hệ thống giao thông, xây dựng đường cao tốc, cầu, đường sắt và các phương tiện công cộng khác đã cải thiện khả năng di chuyển và tạo điều kiện thuận lợi cho người dân đến và sinh sống tại Hà Nội. Ngoài ra, sự phát triển của các trung tâm giáo dục, bệnh viện, trung tâm mua sắm, và các tiện ích công cộng khác cũng đã thu hút người dân đến Hà Nội.

- Cơ hội việc làm: Hà Nội có sự đa dạng trong các ngành công nghiệp, dịch vụ và giáo dục. Thành phố này là trung tâm của nhiều công ty, tổ chức, và các trường đại học, thu hút nhiều cơ hội việc làm và thu nhập tốt hơn so với các vùng miền khác. Điều này đã thu hút người lao động từ khắp nơi đến Hà Nội để tìm kiếm cơ hội nghề nghiệp và cải thiện mức sống.

- Giáo dục và nghiên cứu: Hà Nội được biết đến với hệ thống giáo dục tốt và nhiều trường đại học, trung tâm nghiên cứu. Nơi đây thu hút sinh viên, học sinh và nhà nghiên cứu từ các vùng miền khác để theo học và phát triển sự nghiệp. Điều này đã góp phần vào sự tăng trưởng dân số tại Hà Nội trong giai đoạn đó.

- Văn hóa và du lịch: Hà Nội là một trung tâm văn hóa, lịch sử và du lịch quan trọng. Với nhiều di tích lịch sử, danh lam thắng cảnh và các sự kiện văn hóa, Hà Nội thu hút khách du lịch từ khắp nơi. Một số người đã chuyển đến Hà Nội để kinh doanh trong ngành du lịch hoặc làm việc trong các lĩnh vực liên quan.

**3. Dân số Đà Nẵng**


```{r}
d3 <- dat%>%filter(Year == 'NĂM 2016'|Year == 'NĂM 2017'|Year == 'NĂM 2018'|Year == 'NĂM 2019')%>% select('Year', 'Đà Nẵng')
names(d3) <- c('Year','ĐN')
ggplot(d3, aes(x = Year, y = ĐN)) +
  geom_bar(stat = "identity", fill = "purple") +
  labs(title = "Biểu đồ thể hiện dân số ở Đà Nẵng giai đoạn 2016-2019", x = "Năm", y = "Dân số" )
```

```{r}
datatable(d3)
```

**Nhận xét**

Dân số tại Đà Năng tập trung khá đông đúc và tăng trưởng đều qua các năm vì lí do:

- Phát triển kinh tế: Đà Nẵng đã trở thành một trung tâm kinh tế và du lịch quan trọng tại Việt Nam. Sự phát triển kinh tế mạnh mẽ đã tạo ra nhiều cơ hội việc làm và thu hút người dân từ các khu vực lân cận và các tỉnh thành khác đến Đà Nẵng để tìm kiếm cơ hội kinh doanh và làm việc.

- Cơ sở hạ tầng và dịch vụ: Đà Nẵng đã đầu tư mạnh vào phát triển cơ sở hạ tầng giao thông, giáo dục, y tế, và các dịch vụ công cộng khác. Việc xây dựng đường cao tốc, cầu, cải thiện hệ thống giao thông, các trường đại học, bệnh viện, khu công nghiệp và khu đô thị mới đã tạo ra điều kiện thuận lợi để người dân sinh sống và làm việc tại Đà Nẵng.

- Du lịch và văn hóa: Đà Nẵng được biết đến với các danh lam thắng cảnh nổi tiếng như Bán đảo Sơn Trà, Bà Nà Hills, cầu Rồng, bãi biển Mỹ Khê và Hội An cổ. Sự phát triển của ngành du lịch và các hoạt động văn hóa đã thu hút lượng lớn khách du lịch và người quan tâm, một số trong số đó có thể quyết định chuyển đến Đà Nẵng để sinh sống và làm việc.

- Giáo dục và nghiên cứu: Đà Nẵng có hệ thống giáo dục và nghiên cứu phát triển, với nhiều trường đại học và viện nghiên cứu. Sự hiện diện của các trường đại học hàng đầu và các cơ sở nghiên cứu đã thu hút sinh viên và nhà nghiên cứu đến Đà Nẵng.


**4. Dân số Bình Định** 

```{r}
d4 <- dat%>%filter(Year == 'NĂM 2016'|Year == 'NĂM 2017'|Year == 'NĂM 2018'|Year == 'NĂM 2019')%>% select('Year', 'Bình Định')
names(d4) <- c('Year','BĐ')
ggplot(d4, aes(x = Year, y = BĐ)) +
  geom_bar(stat = "identity", fill = "orange") +
  labs(title = "Biểu đồ thể hiện dân số ở Bình Định giai đoạn 2016-2019", x = "Năm", y = "Dân số" )
```

```{r}
datatable(d4)
```

**Nhận xét**

Dân số ở Bình Định khá đông đúc nhưng tốc độ gia tăng dân số khá chậm và không đánh kể so với các tỉnh khác đã đề cập bên trên. Lí do cho sự gia tăng chậm này là vì:

- Tăng trưởng tự nhiên: Nếu tỷ lệ sinh dân ở Bình Định giảm và tỷ lệ tử vong tăng, điều này có thể dẫn đến tăng dân số chậm rãi. Nếu có sự giảm tỷ lệ sinh và tăng tỷ lệ tử vong trong giai đoạn này, dân số có thể tăng chậm.

- Di cư và di trú: Một lượng lớn người dân có thể đã chuyển đi từ Bình Định đến các vùng lân cận hoặc các tỉnh thành khác trong giai đoạn này. Sự di chuyển dân số ra khỏi Bình Định có thể làm giảm tốc độ tăng dân số.

- Kinh tế và việc làm: Nếu Bình Định gặp khó khăn trong việc tạo ra cơ hội việc làm và phát triển kinh tế trong giai đoạn này, người dân có thể tìm kiếm cơ hội sinh sống và làm việc ở các nơi khác. Sự thiếu hụt việc làm và thu nhập có thể làm giảm sự hấp dẫn của Bình Định và gây ra sự giảm tốc độ tăng dân số.

- Yếu tố xã hội và văn hóa: Những yếu tố xã hội và văn hóa như xu hướng sinh con giảm, gia đình có kích thước nhỏ hơn và các yếu tố văn hóa khác có thể góp phần vào sự tăng dân số chậm rãi.

**5. Dân số Gia Lai**

```{r}
d5 <- dat%>%filter(Year == 'NĂM 2016'|Year == 'NĂM 2017'|Year == 'NĂM 2018'|Year == 'NĂM 2019')%>% select('Year', 'Gia Lai')
names(d5) <- c('Year','GL')
ggplot(d5, aes(x = Year, y = GL)) +
  geom_bar(stat = "identity", fill = "lightgreen") +
  labs(title = "Biểu đồ thể hiện dân số ở Gia Lai giai đoạn 2016-2019", x = "Năm", y = "Dân số" )
```

```{r}
datatable(d5)
```

**Nhận xét** 

- Mặc dù gia lai là tỉnh tây nguyên nhưng vì sao trong giai đoạn 2016-2018 dân số gia lại lại khá cao và tăng khá mạnh mẽ. Vì lí do:

- Tăng trưởng tự nhiên: Tỷ lệ sinh cao hơn tỷ lệ tử vong trong giai đoạn này có thể là một yếu tố đóng góp vào sự tăng dân số. Nếu tỷ lệ sinh ở Gia Lai cao hơn và tỷ lệ tử vong thấp hơn, dân số sẽ tăng đáng kể.

- Di cư và di trú: Gia Lai có thể đã thu hút một lượng lớn người di cư hoặc di trú trong giai đoạn này. Sự di chuyển dân số từ các vùng lân cận hoặc từ các tỉnh thành khác đến Gia Lai có thể tăng dân số địa phương.

- Phát triển kinh tế: Sự phát triển kinh tế của Gia Lai có thể đã tạo ra cơ hội việc làm và thu hút người dân từ các vùng lân cận đến đây để tìm kiếm cơ hội kinh doanh và làm việc. Các ngành công nghiệp như nông nghiệp, chăn nuôi, công nghiệp chế biến gỗ và du lịch có thể đã đóng góp vào sự phát triển kinh tế và tăng dân số.

- Hạ tầng và dịch vụ công: Gia Lai có thể đã đầu tư mạnh vào phát triển hạ tầng giao thông, giáo dục, y tế và các dịch vụ công cộng khác. Việc cải thiện hệ thống giao thông, xây dựng các trường học, bệnh viện và các cơ sở công cộng đã tạo ra môi trường thuận lợi để người dân sinh sống và làm việc, đồng thời thu hút dân số từ các vùng lân cận.

- Yếu tố xã hội và văn hóa: Những yếu tố xã hội và văn hóa cũng có thể ảnh hưởng đến sự tăng dân số. Ví dụ, sự gia tăng hạnh phúc gia đình, quan điểm tích cực về sinh con và các yếu tố văn hóa khác có thể thúc đẩy tăng dân số.


**6. Dân số TP. Hồ Chí Minh**


```{r}
d6 <- dat%>%filter(Year == 'NĂM 2016'|Year == 'NĂM 2017'|Year == 'NĂM 2018'|Year == 'NĂM 2019')%>% select('Year', 'TP. Hồ Chí Minh')
names(d6) <- c('Year','HCM')
ggplot(d6, aes(x = Year, y = HCM)) +
  geom_bar(stat = "identity", fill = "gold") +
  labs(title = "Biểu đồ thể hiện dân số ở TP.HCM giai đoạn 2016-2019", x = "Năm", y = "Dân số" )
          
         
```

```{r}
datatable(d6)
```

**Nhận xét**

 Ở TP. Hồ Chí Minh tập trung đông dân số và tăng đều hằng năm vì nó chịu ảnh hưởng bời những yếu tố sau:
 
- Phát triển kinh tế: TP.HCM là trung tâm kinh tế, tài chính và thương mại của Việt Nam. Trong giai đoạn này, TP.HCM đã đạt được mức tăng trưởng kinh tế đáng kể, thu hút nhiều nguồn đầu tư và tạo ra cơ hội việc làm. Điều này đã thu hút người dân từ các vùng miền khác và các tỉnh lân cận đến TP.HCM để tìm kiếm cơ hội sinh sống và làm việc tốt hơn.
- Cơ hội việc làm: TP.HCM có sự phát triển đa dạng trong các ngành công nghiệp, dịch vụ và du lịch. Các công ty, doanh nghiệp, và khu công nghiệp tại TP.HCM tạo ra nhiều cơ hội việc làm và thu nhập tốt hơn so với các vùng miền khác. Điều này đã thu hút người lao động từ khắp nơi đến TP.HCM để tìm kiếm cơ hội nghề nghiệp và cải thiện mức sống.
- Hạ tầng và dịch vụ: TP.HCM đã đầu tư lớn vào phát triển hạ tầng giao thông, giáo dục, y tế và các dịch vụ công cộng khác. Điều này làm tăng chất lượng cuộc sống và thu hút người dân ở lại TP.HCM. Hạ tầng giao thông được nâng cấp đáng kể, bao gồm mở rộng đường, xây dựng hệ thống giao thông công cộng, và cải thiện tiện ích công cộng như công viên, khu vui chơi giải trí, các trung tâm mua sắm và giải trí.
- Khoa học và công nghệ: TP.HCM là trung tâm nghiên cứu và phát triển khoa học công nghệ, thu hút các chuyên gia và nhà nghiên cứu. Sự phát triển trong lĩnh vực công nghệ thông tin, trí tuệ nhân tạo, khởi nghiệp và các ngành công nghệ cao khác tạo ra nhiều cơ hội việc làm và thu hút người trẻ đến TP.HCM.
- Văn hóa và giáo dục: TP.HCM là trung tâm văn hóa, giáo dục, và giải trí, với nhiều trường đại học, trung tâm nghệ thuật, bảo tàng, rạp chiếu phim, và sự kiện văn hóa. Điều này thu hút sinh viên, nghệ sĩ, và những người quan tâm đến văn hóa và giáo dục đến TP.HCM để học tập và phát triển sự nghiệp.


**7. Dân số An Giang** 

```{r}
d7 <- dat%>%filter(Year == 'NĂM 2016'|Year == 'NĂM 2017'|Year == 'NĂM 2018'|Year == 'NĂM 2019')%>% select('Year', 'An Giang')
names(d7) <- c('Year','AG')
ggplot(d7, aes(x = Year, y = AG)) +
  geom_bar(stat = "identity", fill = "pink") +
  labs(title = "Biểu đồ thể hiện dân số ở An Giang giai đoạn 2016-2019", x = "Năm", y = "Dân số" )
          
```

```{r}
datatable(d7)
```

**Nhận xét**

Dân số ở tỉnh An Giang được xem là khá cao so với đa số các tỉnh Việt Nam nhưng lại có sự giảm sút trong giai đoạn 2016-2019 vì lí do:

- Tỷ lệ sinh giảm: Nếu tỷ lệ sinh dân ở An Giang giảm trong giai đoạn này, điều này có thể dẫn đến sự giảm dân số. Có thể có nhiều nguyên nhân dẫn đến sự giảm tỷ lệ sinh, bao gồm thay đổi trong quan điểm về sinh con, nâng cao mức sống và giảm mức đầu tư vào chăm sóc sức khỏe và dịch vụ y tế.

- Di cư và di trú: Một lượng lớn người dân có thể đã chuyển đi từ An Giang đến các nơi khác trong giai đoạn này. Các yếu tố như cơ hội việc làm, giáo dục, sức khỏe và dịch vụ công cộng tốt hơn ở các vùng khác có thể làm cho người dân chọn di cư để tìm kiếm cơ hội tốt hơn.

- Kinh tế và việc làm: Nếu An Giang gặp khó khăn trong việc tạo ra cơ hội việc làm và phát triển kinh tế trong giai đoạn này, người dân có thể tìm kiếm cơ hội sinh sống và làm việc ở các nơi khác. Sự thiếu hụt việc làm và thu nhập có thể làm giảm sự hấp dẫn của An Giang và gây ra sự giảm dân số.

- Yếu tố xã hội và văn hóa: Những yếu tố xã hội và văn hóa như xu hướng sinh con giảm, gia đình có kích thước nhỏ hơn và các yếu tố văn hóa khác có thể góp phần vào sự giảm dân số.

- Các yếu tố địa phương: Các yếu tố đặc thù của An Giang như địa hình, khí hậu, sự biến động trong ngành nông nghiệp và thủy lợi có thể ảnh hưởng đến động lực dân số. Ví dụ, nếu có sự thay đổi trong năng suất nông nghiệp hoặc các yếu tố môi trường khác, điều này có thể làm giảm sự hấp dẫn của An Giang và gây ra sự giảm dân số.






### **II.1.2 Giai đoạn 2**

- Tiến hành so sánh dân số trung bình của 7 tỉnh thành đại diện cho 7 vùng miền Việt Nam trải dài từ Bắc xuống Nam trong giai đoạn 2020-2023. Bao gồm các tỉnh: Quảng Ninh, Hà Nội, Đà Nẵng, Bình Định, Gia Lai, TP. Hồ Chí Minh, An Giang.

```{r}
d0 <- dat%>%filter(Year == 'NĂM 2020'|Year == 'NĂM 2021'|Year == 'NĂM 2022'|Year == 'NĂM 2023')%>% select('Year', 'Quảng Ninh', 'Hà Nội', 'Đà Nẵng', 'Bình Định', 'Gia Lai', 'TP. Hồ Chí Minh', 'An Giang')
names(d0) <- c('Year','QN','HN','ĐN','BĐ','GL','HCM','AG')
ggplot(d0, aes(x = Year, y1 = QN, y2 = HN, y3 = ĐN, y4 = BĐ, y5 = GL, y6 = HCM, y7 = AG)) +
  geom_line(aes(x = Year, y = QN, group = 1), color = "red", linewidth = 1) +
  geom_point(aes( x= Year, y= QN, group =1), color = "black") +
  geom_line(aes(x = Year, y = HN, group = 1), color = "lightblue", linewidth = 1) +
  geom_point(aes( x= Year, y= HN, group =1), color = "black") +
  geom_line(aes(x = Year, y = ĐN, group = 1), color = "yellow", linewidth = 1) +
  geom_point(aes( x= Year, y= ĐN, group =1), color = "black") +
  geom_line(aes(x = Year, y = BĐ, group = 1), color = "orange", linewidth = 1) +
  geom_point(aes( x= Year, y= BĐ, group =1), color = "black") +
  geom_line(aes(x = Year, y = GL, group = 1), color = "lightgreen", linewidth = 1) +
  geom_point(aes( x= Year, y= GL, group =1), color = "black") +
  geom_line(aes(x = Year, y = HCM, group = 1), color = "grey", linewidth = 1) +
  geom_point(aes( x= Year, y= HCM, group =1), color = "black") +
  geom_line(aes(x = Year, y = AG, group = 1), color = "pink", linewidth = 1) +
  geom_point(aes( x= Year, y= AG, group =1), color = "black") +
  labs(x = "Năm", y = "Dân số trung bình", title = "Biểu đồ biến động dân số 7 tỉnh thành giai đoạn 2020-2023")
```

```{r}
datatable(d0)
```

**Nhận xét**

- Cũng giống như giai đoạn 1 trước đây 7 tỉnh thành cũng có sự chênh lệch lớn về dân số. Tại TP. Hồ Chí Minh và Hà Nội vẫn là 2 nơi top đầu về dân số của Việt Nam và không có sự thay đổi qua lớn về sự gia tăng hay giảm sút. 

- Nếu ta quan sát kĩ hơn thì giai đoạn từ năm 2020-2021 ở TP. Hồ Chí Minh dân số có sự giảm sút khá đáng kể và sau đó giai đoạn 2021-2023 lại tăng trưởng mạnh mẽ trở lại. Sự biến động đó xảy ra ở TP. Hồ Chí Minh là vì:
- Trong giai đoạn này toàn thế giới phải đón chịu căn bệnh COVID-19 mang tính toàn cầu. Việt Nam chúng ta cũng không ngoại lệ, dịch bệnh lây lan nhanh chóng với phạm vi vô cùng rộng lớn. Trong giai đoạn này, cụ thể là vào đợt dịch thứ 3 (từ đầu cuối tháng 4/2019) tại TP Hồ Chí Minh đã bị bùng dịch một cách nặng nề từ đó đã làm giảm mạnh về mặt dân số của thành phố. 
- Di cư ngược: Dịch bệnh COVID-19 đã tạo ra những biện pháp hạn chế di chuyển và giới hạn hoạt động giao thông. Nhiều người dân, đặc biệt là những người di cư từ các vùng khác vào TP. Hồ Chí Minh để làm việc hoặc học tập, có thể đã quyết định trở về quê hương do mất việc làm, mất thu nhập, hoặc lo ngại về tình hình dịch bệnh. Điều này có thể đã góp phần vào sự giảm sút dân số tại thành phố.
- Tác động kinh tế: Dịch bệnh COVID-19 đã gây ra tác động tiêu cực đến nền kinh tế, làm mất việc làm và thu nhập của nhiều người. Điều này có thể đã khiến một số người dân, đặc biệt là những người lao động tạm thời hoặc không có nơi làm việc ổn định, quyết định di cư ra khỏi TP. Hồ Chí Minh để tìm kiếm cơ hội kinh doanh hoặc làm việc ở những nơi khác.
- Tác động tâm lý và xã hội: Dịch bệnh COVID-19 đã gây ra tác động tâm lý và xã hội lớn đối với nhiều người dân. Lo ngại về sức khỏe, mất việc làm, khó khăn trong cuộc sống hàng ngày và các yếu tố khác có thể đã làm một số người quyết định di chuyển đi các vùng nông thôn hoặc trở về quê hương để được ở gần gia đình, có môi trường an toàn hơn và chi phí sống thấp hơn.


## **II.2 Bộ dữ liệu 2**

- Ta tiến hành phân tích về tỉ lệ gia tăng dân số (%) ở Việt Nam qua 2 giai đoạn cụ thể là: giai đoạn 1 từ 2016-2019 và giai đoạn 2 từ 2019-2022.

- Mã SP.POP.GROW được trích từ World Bank là một mã số dùng để đại diện cho chỉ số tăng trưởng dân số (Population growth rate) trong cơ sở dữ liệu của World Bank. Chỉ số này thường được sử dụng để đo lường tỷ lệ tăng trưởng dân số hàng năm của một quốc gia hoặc khu vực cụ thể.

Mã SP.POP.GROW là một mã số chuẩn hóa (standardized code) trong hệ thống phân loại dữ liệu của World Bank, được sử dụng để ghi nhận và so sánh các chỉ số tăng trưởng dân số trên toàn cầu. Khi tìm kiếm hoặc truy xuất dữ liệu từ World Bank, mã SP.POP.GROW sẽ giúp chúng ta xác định và truy cập các chỉ số tăng trưởng dân số tương ứng.

Các chỉ số tăng trưởng dân số có thể được tính bằng cách so sánh tỷ lệ tăng trưởng tự nhiên (tỷ lệ sinh - tỷ lệ tử vong) hoặc dựa trên các phương pháp khác như mô hình hồi quy. Thông thường, tỷ lệ tăng trưởng dân số được tính theo phần trăm (%), biểu thị sự thay đổi trong dân số trong một khoảng thời gian nhất định.

### **II.2.1 Giai đoạn 1** 

- Ta tiến hành phân tích về tỉ lệ gia tăng dân số (%) ở Việt Nam giai đoạn 2016-2019.

```{r}
library(ggplot2)
tcd2 <- tcd1 %>% filter( Country == 'Viet Nam', Year >= 2016 & Year <= 2019)%>% select('Country','Iso2c','Year','Value')
tcd2 %>% ggplot(aes(x = Year, y = Value)) +
  geom_line(color = "red", linewidth = 1) +
  geom_point(color = "black") +
  labs(x = "Year", y = "(%)") +
  ggtitle("Tỉ lệ gia tăng dân số (%) ở Việt Nam giai đoạn 2016-2019")
```

```{r}
datatable(tcd2)
```

**Nhận xét**

Trong giai đoạn 2016-2019, tỉ lệ gia tăng dân số (%) ở Việt Nam đã giảm mạnh từ trên 1% xuống còn khoảng 0.9%. Những lí do ảnh hưởng đến sự giảm sút về tỉ lệ này là:

- Giảm tỷ lệ sinh: Trong giai đoạn đó, Việt Nam đã ghi nhận về việc giảm tỷ lệ sinh tự nhiên, tức là tỷ lệ sinh trẻ em trên mỗi phụ nữ trong độ tuổi sinh sản đã giảm. Có một số yếu tố có thể đóng vai trò trong sự giảm này, bao gồm sự gia tăng của chuỗi giá trị công nghiệp, sự gia tăng của công ăn việc làm trong các thành phố lớn và sự gia tăng của trình độ giáo dục, tạo điều kiện cho phụ nữ tham gia vào lực lượng lao động và quyết định hoãn sinh con hoặc giới hạn số lượng con cái.

- Tiến bộ trong kế hoạch hóa gia đình: Chính phủ Việt Nam đã triển khai các chính sách kế hoạch hóa gia đình để hạn chế tăng trưởng dân số trong một số giai đoạn. Các chính sách này bao gồm đẩy mạnh sử dụng biện pháp hạn chế sinh con như tiếp cận và phân phối các biện pháp tránh thai, tăng cường giáo dục và tư vấn về kế hoạch hóa gia đình. Nhờ vào các biện pháp này, tỉ lệ gia tăng dân số đã giảm mạnh trong giai đoạn 2016-2019.

- Tiến bộ trong y tế và chăm sóc sức khỏe: Việt Nam đã đạt được tiến bộ đáng kể trong lĩnh vực y tế và chăm sóc sức khỏe, bao gồm cung cấp dịch vụ chăm sóc sức khỏe sinh sản, tăng cường tiêm chủng và cải thiện chất lượng dịch vụ y tế. Điều này có thể dẫn đến giảm tỷ lệ tử vong trẻ em và gia tăng tuổi thọ, điều này có thể ảnh hưởng đến tỉ lệ gia tăng dân số.











TIỂU LUẬN CUỐI KÌ

TẠ CÔNG ĐẠT

2024-03-18

PHẦN I: TỔNG QUAN VỀ BÀI TIỂU LUẬN

1. Mở đầu

1.1 Cảm hứng lựa chọn đề tài

1.2 Đối tượng và phạm vi nghiên cứu

1.3 Các nguồn thu thập dữ liệu dân số Việt Nam

2. Giới thiệu và mô tả về bộ dữ liệu nghiên cứu

2.1 Bộ dữ liệu 1

2.2 Bộ dữ liệu 2

2.3 Bộ dữ liệu 3

PHẦN II: TIẾN HÀNH PHÂN TÍCH DỰA TRÊN NHỮNG SỐ LIỆU ĐÃ THỐNG KÊ

II.1 Bộ dữ liệu 1

II.1.1 Giai đoạn 1

II.1.2 Giai đoạn 2

II.2 Bộ dữ liệu 2

II.2.1 Giai đoạn 1