Export von militärisch verwendbaren Gütern

Vorbemerkungen

Dieses Dokument beschreibt die Vorprozessierung und explorative Analyse des Datensatzes, der unter srf.ch interaktiv visualisiert und unter diesem Link als CSV-Datei zum Download angeboten wird.

SRF Data legt Wert darauf, dass die Datenvorprozessierung und -Analyse nachvollzogen und überprüft werden kann. SRF Data glaubt an das Prinzip offener Daten, aber auch offener und nachvollziehbarer Methoden. Zum anderen soll es Dritten ermöglicht werden, auf dieser Vorarbeit aufzubauen und damit weitere Auswertungen oder Applikationen zu generieren.

Die Vorprozessierung und Analyse wurde im Statistikprogramm R vorgenommen. Die Endprodukte des verwendeten Scripts sind:

output/seco_dual_use_for_vis.csv: Wird für die Visualisierung verwendet, reduzierte Menge von Attributen
output/seco_dual_use.csv: Vollständiger Datensatz, der zum Download angeboten wird. Dieser Datensatz wird im folgenden Kapitel beschrieben.

R-Script & Daten

Das zugrunde liegende Script sowie die prozessierten Daten können unter diesem Link heruntergeladen werden. Durch Ausführen von preprocessing.Rmd kann der hier beschriebene Prozess nachvollzogen und dieses Dokument generiert werden. Dabei werden Daten aus dem Ordner input eingelesen und Ergebnisse in den Ordner output geschrieben.

GitHub

Der Code für die vorliegende Datenprozessierung und die Visualisierung ist unter https://github.com/srfdata/2017-01-dual-use zur freien Verwendung verfügbar.

Lizenz

2017-01-dual-use von SRF Data ist lizenziert unter einer Creative Commons Namensnennung - Weitergabe unter gleichen Bedingungen 4.0 International Lizenz.

Weitere Projekte

Code & Daten von SRF Data sind unter https://srfdata.github.io verfügbar.

Haftungsausschluss

Die veröffentlichten Informationen sind sorgfältig zusammengestellt, erheben aber keinen Anspruch auf Aktualität, Vollständigkeit oder Richtigkeit. Es wird keine Haftung übernommen für Schäden, die durch die Verwendung dieses Scripts oder der daraus gezogenen Informationen entstehen. Dies gilt ebenfalls für Inhalte Dritter, die über dieses Angebot zugänglich sind.

Datenbeschreibung `seco_dual_use.csv`

Attribut	Typ	Beschreibung
(Erste Spalte, keine Bezeichnung)	Integer	Identifikator, eindeutig.
GN	Integer	Geschäftsnummer in der Seco-Datenbank, zwei unterschiedliche Formate je nach Herkunfstdatei.
UnterGN	Integer	Durchnummerierung von Geschäften mit gleicher GN.
Datum	Date	Datum der Bewilligung im Format YYYY-MM-DD. Ab 2016 nur noch jeweils der erste Tag des Quartals, in dem die Bewilligung erteilt wurde
Land	String	Land, in das die Güter exportiert werden.
Wert	Float	Wert der Güter in Schweizer Franken.
Verzeichnis	String	Kürzel für Verzeichnis, siehe unten.
Signatur	String	Code, der die Kategorie/Art der gehandelten Güter kodiert, aufgeschlüsselt in Haupttyp, Untertyp, Zusatz, siehe Beispiel unten. Achtung: Es kann sein, dass ein Geschäft zwei Signaturen aufweist. Dann wird nur die erste zur Ermittelung der Teilsignaturen verwendet.
Haupttyp	String	Erste Hierarchiestufe der Signatur, entspricht Überkategorien in den einzelnen Verzeichnissen.
Untertyp	String	Zweite Hierarchiestufe der Signatur, entspricht Unterkategorien in den einzelnen Verzeichnissen.
Zusatz	String	Rest der Signatur.
Herkunftsdatei	String	Originaldatei auf der Website des SECO

Attribut Verzeichnis

Folgende Werte sind möglich:

5.1: Güter die dem Waffengesetz unterliegen
5.2: Zivile Sprengstoffe
ChKV: Chemikalien der Chemikalienkontrollverordnung
GKV: Güter des Anhangs 1 + 2 der Güterkontrollverordnung, sogenannte “Dual-Use-Güter”
ML (GKV): “Besondere militärische Güter”, ebenfalls Teil der GKV
unbekannt

Die in der Visualisierung mit hochgestellten Buchstaben referenzierte Zusammenfassung der Verzeichnisse (“Dual-Use-Güter”, “Besondere militärische Güter” und “Andere Güter”) wurde von SRF Data vorgenommen und ist unter output/verzeichnis_beschreibung.csv einsehbar.

Attribut Haupttyp

Die in der Visualisierung dargestellte “Kategorie” entspricht dem Haupttyp. Die Übersetzung von Haupttyp wurde von SRF Data basierend auf amtlichen Dokumenten (Verordnungen, Verzeichnisse) vorgenommen und ist unter output/signatures_verzeichnis_haupttyp_beschreibung.csv einsehbar.

Beispiel Signaturaufschlüsselung

GKV 6A002.c1 ergibt…

Haupttyp: 6 (“Sensoren und Laser”)
Untertyp: A (“Ausrüstungen, Baugruppen, Bestandteile”)
Zusatz: 002.c1

In der Gesamtheit: “Ausrüstung zur ‘direkten Bildwandlung’ mit eingebauten Bildverstärkerröhren” (gemäss Anhang 1 + 2 GKV, 2012).

Originalquelle

Der Datensatz für die Jahre 2012, 2013 und 2014 basiert ursprünglich auf zwei verschiedenen, von SECO im Januar 2015 publizierten Datensätzen:

Tracker: SECO Tracker Applikation -> im Ordner input/tracker.xlsx
ELIC: SECO ELIC -> im Ordner input/elic.xlsx

Der Datensatz für das Jahr 2015 findet sich auf der neuen Übersichtsseite unter dem Reiter 2015 -> im Ordner input/elic_2015_new.xlsx.

Der Datensatz für das Jahr 2016 findet sich auf der neuen Übersichtsseite unter dem Reiter 2016 -> im Ordner input/elic_2016_*.xlsx. Er ist auf vier Excel-Files (für jedes Quartal) aufgesplittet.

Hinweis zu Mehrfachbewilligungen

Laut Aussage des SECO kann die veröffentlichte Bewilligungs-Datenbank Mehrfachbewilligungen enthalten. Gewisse Aufträge sind so umfassend, dass ihre Ausführung mehrere Jahre dauert. Weil eine Exportbewilligung aber nur ein Jahr gültig ist, tauchen in den Daten vereinzelt auch Geschäfte auf, die schon vor 2012 bewilligt wurden. Solche Mehrfachbewilligungen führen dazu, dass Aufträge in der Statistik mehrfach vorkommen können.

Vom SECO wurde SRF Data eine Liste mit Geschäften übergeben, die schon vor 2012 erstmals bewilligt wurden und ihren Weg wiederum in die Datenbank fanden. Es handelt sich um folgende Geschäftsnummern:

Geschäftsnummer	Beschreibung	Auftragsvolumen
8001226 (ELIC)	Flugzeuge und Simulatoren nach Indien	rund 155 Mio. CHF
14476	Flugzeuge nach Indien	rund 165 Mio. CHF
16043	Flugzeuge nach Indien	rund 80 Mio. CHF
12332	Flugzeuge nach Saudi-Arabien	rund 1 Mia. CHF
8001302 (ELIC)	Simulatoren nach Katar	rund 345 Mio. CHF

Für die Jahre 2015 und 2016 liegen keine solchen Informationen vor.

Vorbereitungen

Packages installieren

if(!require(dplyr)) {
  install.packages("dplyr", repos="http://cran.us.r-project.org")
  require(dplyr)
}

## Loading required package: dplyr

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

if(!require(tidyr)) {
  install.packages("tidyr", repos="http://cran.us.r-project.org")
  require(tidyr)
}

## Loading required package: tidyr

if(!require(ggplot2)) {
  install.packages("ggplot2", repos="http://cran.us.r-project.org")
  require(ggplot2)
}

## Loading required package: ggplot2

# wenn es probleme mit rjava gibt, am besten diesen weg befolgen: http://stackoverflow.com/questions/23469061/why-does-rjava-not-work-on-ubuntu-14-04-using-openjdk-7 (openjdk-8-jdk statt 7!)
if(!require(xlsx)) {
  install.packages("xlsx", repos="http://cran.us.r-project.org")
  require(xlsx)
}

## Loading required package: xlsx

## Loading required package: rJava

## Loading required package: xlsxjars

Sonstige Optionen und eigene Sourcen (Hilfsdateien)

require(scales)

## Loading required package: scales

options(scipen = 999)
# Funktion zur Klassifikation von Signaturen
source("classify.r")
# Funktion zum Formatieren von Zahlen
source("numberFormatter.r")

Vorprozessierung

Daten reinladen und typisieren

# ACHTUNG: Das Reinladen der XLSX-Dateien dauert seine Zeit...
tracker_raw <- read.xlsx(file = "input/tracker.xlsx", sheetIndex = 1, colClasses = "character", stringsAsFactors = F)
# Spaltentypen setzen und umbenennen
tracker_raw <- tracker_raw %>%
  mutate(Bewilligungsdatum = as.Date(Bewilligungsdatum, "%Y-%m-%d"), Geschäftsnummer = as.integer(Geschäftsnummer), Wert = as.numeric(Wert), Quartal = paste(format(Bewilligungsdatum, "%y"), 
                  sprintf("%02i", (as.POSIXlt(Bewilligungsdatum)$mon) %/% 3L + 1L), 
                  sep="/")) %>%
  rename(GN = Geschäftsnummer, Datum = Bewilligungsdatum, Land = Endverbraucherland)

# überprüfen
str(tracker_raw)

## 'data.frame':    4718 obs. of  15 variables:
##  $ GN         : int  11738 11746 11747 11747 11747 11747 11748 11693 11710 11749 ...
##  $ Datum      : Date, format: "2012-01-04" "2012-01-04" ...
##  $ Land       : chr  "China" "China" "Thailand" "Thailand" ...
##  $ AG..GKV.   : chr  NA NA NA NA ...
##  $ MTCR..GKV. : chr  NA NA NA NA ...
##  $ NSGI..GKV. : chr  NA NA NA NA ...
##  $ NSGII..GKV.: chr  "2B201b" "2B201a1" NA NA ...
##  $ WA..GKV.   : chr  "2B001c" "2B001b2" NA NA ...
##  $ ML..GKV.   : chr  NA NA NA NA ...
##  $ Anhang.5.1 : num  NA NA 5.1 5.1 5.1 5.1 NA NA NA NA ...
##  $ Anhang.5.2 : num  NA NA NA NA NA NA NA NA NA NA ...
##  $ Anhang.5.3 : logi  NA NA NA NA NA NA ...
##  $ ChKV       : chr  NA NA NA NA ...
##  $ Wert       : num  492552 341164 7616 6241 1174 ...
##  $ Quartal    : chr  "12/01" "12/01" "12/01" "12/01" ...

elic_raw <- read.xlsx(file = "input/elic.xlsx", sheetIndex = 1, colClasses = "character", stringsAsFactors = F)
# Spaltentypen setzen und umbenennen
elic_raw <- elic_raw %>%
  mutate(Ausstellungsdatum = as.Date(Ausstellungsdatum, "%d.%m.%Y"), Geschäftsnummer = as.integer(Geschäftsnummer), Position...Wert..CHF. = as.numeric(Position...Wert..CHF.), Quartal = paste(format(Ausstellungsdatum, "%y"), sprintf("%02i", (as.POSIXlt(Ausstellungsdatum)$mon) %/% 3L + 1L), 
                  sep="/")) %>%
  rename(GN = Geschäftsnummer, Datum = Ausstellungsdatum, Land = Bestimmungs..Lieferland, Wert = Position...Wert..CHF.)

# überprüfen
str(elic_raw)

## 'data.frame':    873 obs. of  7 variables:
##  $ GN                 : int  8000002 8000004 8000009 8000012 8000010 8000013 8000016 8000015 8000026 8000024 ...
##  $ Datum              : Date, format: "2014-02-07" "2014-02-11" ...
##  $ Land               : chr  "China, Volksrepublik" "Russische Föderation" "Singapur" "Slowenien" ...
##  $ Position...Güterart: chr  "Dual Use Güter" "Dual Use Güter" "Dual Use Güter\nDual Use Güter" "Besondere militärische Güter" ...
##  $ Position...EKN     : chr  "2B120" "6A002.c1" "2B001.b1\n2B201.a1" "ML15" ...
##  $ Wert               : num  1950000 2098305 209609 128000 43188 ...
##  $ Quartal            : chr  "14/01" "14/01" "14/01" "14/01" ...

# elic 2015
elic_2015 <- read.xlsx(file = "input/elic_2015_new.xlsx", sheetIndex = 1, colClasses = "character", stringsAsFactors = F)
# Spaltentypen setzen und umbenennen
elic_2015 <- elic_2015 %>%
  mutate(Ausstellungsdatum = as.Date(Ausstellungsdatum, "%d.%m.%Y"), Geschäftsnummer = as.integer(Geschäftsnummer), Wert..CHF. = as.numeric(Wert..CHF.), Quartal = paste(format(Ausstellungsdatum, "%y"), sprintf("%02i", (as.POSIXlt(Ausstellungsdatum)$mon) %/% 3L + 1L), 
                  sep="/")) %>%
  rename(GN = Geschäftsnummer, Datum = Ausstellungsdatum, Land = Bestimmungsland, Wert = Wert..CHF., Position...Güterart = Güterart, Position...EKN = EKN, Art = Geschäftsart) %>% 
  filter(Art == "Ausfuhr") %>% 
  select(-Art)

# 2016
elic_2016_1 <- read.xlsx(file = "input/elic_2016_1.xlsx", sheetIndex = 1, colClasses = "character", stringsAsFactors = F)
elic_2016_1 <- elic_2016_1 %>% 
  mutate(Datum = as.Date("2016-01-01 00:00:01")) %>% 
  mutate(Quartal = paste(format(Datum, "%y"), sprintf("%02i", (as.POSIXlt(Datum)$mon) %/% 3L + 1L), sep="/")) %>%
  select(GN = Geschäftsnummer, Datum, Quartal, Land = Bestimmungsland, Wert = Wert..CHF., Position...Güterart = Güterart, Position...EKN = Exportkontrollnummer..EKN., Art = Richtung) %>% 
  filter(Art == "Ausfuhr") %>% 
  select(-Art)

elic_2016_2 <- read.xlsx(file = "input/elic_2016_2.xlsx", sheetIndex = 1, colClasses = "character", stringsAsFactors = F)
elic_2016_2 <- elic_2016_2 %>% 
  mutate(Datum = as.Date("2016-04-01 00:00:01")) %>% 
  mutate(Quartal = paste(format(Datum, "%y"), sprintf("%02i", (as.POSIXlt(Datum)$mon) %/% 3L + 1L), sep="/")) %>%
  select(GN = Geschäftsnummer, Datum, Quartal, Land = Bestimmungsland, Wert = Wert..CHF., Position...Güterart = Güterart, Position...EKN = Exportkontrollnummer..EKN., Art = Richtung) %>% 
  filter(Art == "Ausfuhr") %>% 
  select(-Art)

elic_2016_3 <- read.xlsx(file = "input/elic_2016_3.xlsx", sheetIndex = 1, colClasses = "character", stringsAsFactors = F)
elic_2016_3 <- elic_2016_3 %>% 
  mutate(Datum = as.Date("2016-07-01 00:00:01")) %>% 
  mutate(Quartal = paste(format(Datum, "%y"), sprintf("%02i", (as.POSIXlt(Datum)$mon) %/% 3L + 1L), sep="/")) %>%
  select(GN = Geschäftsnummer, Datum, Quartal, Land = Bestimmungsland, Wert = Wert..CHF., Position...Güterart = Güterart, Position...EKN = Exportkontrollnummer..EKN., Art = Richtung) %>% 
  filter(Art == "Ausfuhr") %>% 
  select(-Art)
# manuelle Fehlerbehebung: Für EKN 5.3 gibt es keine offizielle Definition, gemeint ist wohl 5.1
elic_2016_3[elic_2016_3$GN == 8010868 & elic_2016_3$Position...EKN == 5.3,]$Position...EKN <- 5.1

elic_2016_4 <- read.xlsx(file = "input/elic_2016_4.xlsx", sheetIndex = 1, colClasses = "character", stringsAsFactors = F)
elic_2016_4 <- elic_2016_4 %>% 
  mutate(Datum = as.Date("2016-10-01 00:00:01")) %>% 
  mutate(Quartal = paste(format(Datum, "%y"), sprintf("%02i", (as.POSIXlt(Datum)$mon) %/% 3L + 1L), sep="/")) %>%
  select(GN = Geschäftsnummer, Datum, Quartal, Land = Bestimmungsland, Wert = Wert..CHF., Position...Güterart = Güterart, Position...EKN = Exportkontrollnummer..EKN., Art = Richtung) %>% 
  filter(Art == "Ausfuhr") %>% 
  select(-Art)

elic_raw <- rbind(elic_raw, elic_2015, elic_2016_1, elic_2016_2, elic_2016_3, elic_2016_4)
rm(elic_2015)

Duplikate

Duplikate: Mehrere Einträge unter der gleichen Geschäftsnummer

Wie viele “Duplikate” gibt es?

dim(tracker_raw)[1] - dim(distinct(select(tracker_raw, GN)))[1]

## [1] 374

dim(elic_raw)[1] - dim(distinct(select(elic_raw, GN)))[1]

## [1] 1903

# dim(elic_2015)[1] - dim(distilnct(select(elic_2015, GN)))[1]

Diese werden nicht aggregiert sondern so belassen, jedoch durchnummiert (Generierung neue Spalte UnterGN)

tracker_summarized <- tracker_raw %>%
  group_by(GN, Quartal, Land) %>%
  mutate(UnterGN = row_number())
elic_summarized <- elic_raw %>%
  group_by(GN, Quartal, Land) %>%
  mutate(UnterGN = row_number())

rm(tracker_raw)
rm(elic_raw)

Wie viele Einträge haben in der Tracker-Applikation zwei Signaturen?

dim(filter(tracker_summarized, NSGII..GKV. != "", WA..GKV. != ""))[1]

## [1] 757

Wie viele davon sind solche, die mit der gleichen Obersignatur (sprich: dem gleichen Haupt- und Untertyp, siehe unten) beginnen?

dim(filter(tracker_summarized, NSGII..GKV. != "", WA..GKV. != "", substr(NSGII..GKV.,1,2) == substr(WA..GKV.,1,2)))[1]

## [1] 757

Wie viele Geschäfte haben keine Signatur?

tracker_without_signature <- tracker_summarized %>% 
  gather(Variable, Value, AG..GKV.:ChKV) %>% 
  group_by(GN, Quartal, Land, UnterGN) %>%
  filter(all(is.na(Value) | Value == "NA")) %>% 
  slice(1)
dim(tracker_without_signature)[1]

## [1] 99

ELIC?

dim(elic_summarized[elic_summarized$Position...EKN == "",])[1]

## [1] 0

Restrukturieren

# ELIC: Umbenennen und Spalte hinzufügen
elic_restructured <- elic_summarized %>%
  rename(Signatur = Position...EKN, "Verordnung/Typ ELIC" = Position...Güterart) %>%
  mutate("Verordnung/Typ" = NA)

# Tracker: Kondensieren (breit nach lang)
tracker_restructured <- tracker_summarized %>% 
  gather(Variable, Value, AG..GKV.:ChKV) %>%                          # breit nach lang
  group_by(GN, Quartal, Land, UnterGN) %>% 
  filter(if(all(is.na(Value) | Value == "NA")) row_number() == 1 else (!is.na(Value) | Value == "NA")) %>% # wenn Geschäft gar keine Signatur hat, dann nur den ersten nehmen, sonst alle nehmen, die einen Wert haben (für solche, die mehr als eine Signatur haben)
  summarise_each(funs(paste(unique(.), collapse = "\n")))  %>%        # alle eindeutigen Werte pro Gruppe mit einem newline-Operator zusammenfügen
  mutate(Wert = as.numeric(Wert))                                     # Wert muss numerisch sein

# Tracker: Einträge, für die keine Signatur bekannt ist, umbenennen, und eine leere Spalte für Kombination mit ELIC hinzufügen, sowie Spalten umbennenen
tracker_restructured <- tracker_restructured %>%
  mutate(Variable = ifelse(is.na(Value) | Value == "NA","unbekannt", Variable), Value = ifelse(is.na(Value) | Value == "NA","unbekannt", Value), "Verordnung/Typ ELIC" = NA) %>%
  rename("Verordnung/Typ" = Variable, "Signatur" = Value)

Zwischenbilanz

str(as.data.frame(elic_restructured))

## 'data.frame':    6703 obs. of  9 variables:
##  $ GN                 : chr  "8000002" "8000004" "8000009" "8000012" ...
##  $ Datum              : Date, format: "2014-02-07" "2014-02-11" ...
##  $ Land               : chr  "China, Volksrepublik" "Russische Föderation" "Singapur" "Slowenien" ...
##  $ Verordnung/Typ ELIC: chr  "Dual Use Güter" "Dual Use Güter" "Dual Use Güter\nDual Use Güter" "Besondere militärische Güter" ...
##  $ Signatur           : chr  "2B120" "6A002.c1" "2B001.b1\n2B201.a1" "ML15" ...
##  $ Wert               : num  1950000 2098305 209609 128000 43188 ...
##  $ Quartal            : chr  "14/01" "14/01" "14/01" "14/01" ...
##  $ UnterGN            : int  1 1 1 1 1 1 1 1 1 1 ...
##  $ Verordnung/Typ     : logi  NA NA NA NA NA NA ...

str(as.data.frame(tracker_restructured))

## 'data.frame':    4718 obs. of  9 variables:
##  $ GN                 : int  10263 11180 11435 11435 11663 11666 11667 11671 11693 11710 ...
##  $ Quartal            : chr  "12/01" "12/02" "13/01" "13/01" ...
##  $ Land               : chr  "Iran, Islamische Republik (SG)" "China" "Gabun" "Gabun" ...
##  $ UnterGN            : int  1 1 1 2 1 1 1 1 1 1 ...
##  $ Datum              : chr  "2012-03-22" "2012-05-25" "2013-02-25" "2013-02-25" ...
##  $ Wert               : num  1790 550000 650 4200 158000 ...
##  $ Verordnung/Typ     : chr  "unbekannt" "NSGI..GKV." "Anhang.5.1" "Anhang.5.1" ...
##  $ Signatur           : chr  "unbekannt" "0B001b14" "5.1" "5.1" ...
##  $ Verordnung/Typ ELIC: logi  NA NA NA NA NA NA ...

rm(tracker_summarized)
rm(elic_summarized)

Beide Datensätze kombinieren

seco_dual_use <- rbind(as.data.frame(elic_restructured), as.data.frame(tracker_restructured))
str(seco_dual_use)

## 'data.frame':    11421 obs. of  9 variables:
##  $ GN                 : chr  "8000002" "8000004" "8000009" "8000012" ...
##  $ Datum              : Date, format: "2014-02-07" "2014-02-11" ...
##  $ Land               : chr  "China, Volksrepublik" "Russische Föderation" "Singapur" "Slowenien" ...
##  $ Verordnung/Typ ELIC: chr  "Dual Use Güter" "Dual Use Güter" "Dual Use Güter\nDual Use Güter" "Besondere militärische Güter" ...
##  $ Signatur           : chr  "2B120" "6A002.c1" "2B001.b1\n2B201.a1" "ML15" ...
##  $ Wert               : num  1950000 2098305 209609 128000 43188 ...
##  $ Quartal            : chr  "14/01" "14/01" "14/01" "14/01" ...
##  $ UnterGN            : int  1 1 1 1 1 1 1 1 1 1 ...
##  $ Verordnung/Typ     : chr  NA NA NA NA ...

rm(tracker_restructured)
rm(elic_restructured)

Länder-Duplikate entfernen

Wie viele Länder gibt es?

laender <- arrange(seco_dual_use, Land)
# unique(laender$Land) # der Lesbarkeit halber auskommentiert
length(unique(laender$Land))

## [1] 167

Manuell umschreiben gemäss SRF-Länderliste.

seco_dual_use$Land[seco_dual_use$Land == "Bosnien und Herzegowina"] <- "Bosnien-Herzegowina"
seco_dual_use$Land[seco_dual_use$Land == "Pakistan (CA)"] <- "Pakistan"
seco_dual_use$Land[seco_dual_use$Land == "Indien (CA)"] <- "Indien"
seco_dual_use$Land[seco_dual_use$Land == "China, Taiwan"] <- "Taiwan"
seco_dual_use$Land[seco_dual_use$Land == "China, Volksrepublik"] <- "China"
seco_dual_use$Land[seco_dual_use$Land == "Ekuador"] <- "Ecuador"
seco_dual_use$Land[seco_dual_use$Land == "Großbritannien (Vereinigtes Königreich)"] <- "Grossbritannien"
seco_dual_use$Land[seco_dual_use$Land == "Hongkong"] <- "Hong Kong"
seco_dual_use$Land[seco_dual_use$Land == "Iran, Islamische Republik"] <- "Iran"
seco_dual_use$Land[seco_dual_use$Land == "Iran, Islamische Republik (SG)"] <- "Iran"
seco_dual_use$Land[seco_dual_use$Land == "Myanmar (Union)"] <- "Myanmar (Birma)"
seco_dual_use$Land[seco_dual_use$Land == "Qatar"] <- "Katar"
seco_dual_use$Land[seco_dual_use$Land == "Serbia"] <- "Serbien"
seco_dual_use$Land[seco_dual_use$Land == "Slowakei, Slowakische Republik"] <- "Slowakische Republik"
seco_dual_use$Land[seco_dual_use$Land == "Taiwan, Provinz von China"] <- "Taiwan"
seco_dual_use$Land[seco_dual_use$Land == "Vereinigte Staaten"] <- "Vereinigte Staaten von Amerika"
seco_dual_use$Land[seco_dual_use$Land == "Libysch-Arabische Dschamahirija"] <- "Libyen"
seco_dual_use$Land[seco_dual_use$Land == "Russische Föderation"] <- "Russland"
seco_dual_use$Land[seco_dual_use$Land == "Belarus"] <- "Weissrussland"
seco_dual_use$Land[seco_dual_use$Land == "Bangladesch"] <- "Bangladesh"
seco_dual_use$Land[seco_dual_use$Land == "Bermuda"] <- "Bermudas"
seco_dual_use$Land[seco_dual_use$Land == "Brunei Darussalam"] <- "Brunei"
seco_dual_use$Land[seco_dual_use$Land == "Demokratische Republik Kongo"] <- "Kongo-Kinshasa"
seco_dual_use$Land[seco_dual_use$Land == "Kongo, Demokratische Republik (ex-Zaire)"] <- "Kongo-Kinshasa"
seco_dual_use$Land[seco_dual_use$Land == "Cayman-Inseln"] <- "Kaiman-Inseln"
seco_dual_use$Land[seco_dual_use$Land == "Korea, Republik"] <- "Südkorea"
seco_dual_use$Land[seco_dual_use$Land == "Korea, Republik (Südkorea)"] <- "Südkorea"
seco_dual_use$Land[seco_dual_use$Land == "Kroatien (Hrvatska)"] <- "Kroatien"
seco_dual_use$Land[seco_dual_use$Land == "Laos, Demokratische Volksrepublik"] <- "Laos"
seco_dual_use$Land[seco_dual_use$Land == "Macao"] <- "Macau"
seco_dual_use$Land[seco_dual_use$Land == "Mazedonien, die ehemalige jugoslawische Republik"] <- "Mazedonien"
seco_dual_use$Land[seco_dual_use$Land == "Mazedonien (ehemalige jugoslawische Republik)"] <- "Mazedonien"
seco_dual_use$Land[seco_dual_use$Land == "Myanmar (Birma)"] <- "Myanmar"
seco_dual_use$Land[seco_dual_use$Land == "Slowakische Republik"] <- "Slowakei"
seco_dual_use$Land[seco_dual_use$Land == "Tansania, Vereinigte Republik"] <- "Tansania"
seco_dual_use$Land[seco_dual_use$Land == "Tschechische Republik"] <- "Tschechien"
seco_dual_use$Land[seco_dual_use$Land == "Vereinigte Staaten von Amerika"] <- "USA"
seco_dual_use$Land[seco_dual_use$Land == "Moldova"] <- "Moldawien"

Wie viele Länder gibt es jetzt noch?

length(unique(seco_dual_use$Land))

## [1] 146

sort(unique(seco_dual_use$Land))

##   [1] "Afghanistan"                  "Ägypten"                     
##   [3] "Algerien"                     "Andorra"                     
##   [5] "Angola"                       "Argentinien"                 
##   [7] "Armenien"                     "Aserbaidschan"               
##   [9] "Äthiopien"                    "Australien"                  
##  [11] "Bahamas"                      "Bahrain"                     
##  [13] "Bangladesh"                   "Belgien"                     
##  [15] "Benin"                        "Bermudas"                    
##  [17] "Bhutan"                       "Bolivien"                    
##  [19] "Bosnien-Herzegowina"          "Botswana"                    
##  [21] "Brasilien"                    "Brunei"                      
##  [23] "Bulgarien"                    "Burkina Faso"                
##  [25] "Chile"                        "China"                       
##  [27] "Costa Rica"                   "Dänemark"                    
##  [29] "Deutschland"                  "Dominikanische Republik"     
##  [31] "Ecuador"                      "Elfenbeinküste"              
##  [33] "El Salvador"                  "Eritrea"                     
##  [35] "Estland"                      "Fidschi"                     
##  [37] "Finnland"                     "Frankreich"                  
##  [39] "Gabun"                        "Georgien"                    
##  [41] "Ghana"                        "Griechenland"                
##  [43] "Grossbritannien"              "Guatemala"                   
##  [45] "Honduras"                     "Hong Kong"                   
##  [47] "Indien"                       "Indonesien"                  
##  [49] "Irak"                         "Iran"                        
##  [51] "Irland"                       "Island"                      
##  [53] "Israel"                       "Italien"                     
##  [55] "Japan"                        "Jemen"                       
##  [57] "Jordanien"                    "Kaiman-Inseln"               
##  [59] "Kambodscha"                   "Kamerun"                     
##  [61] "Kanada"                       "Kasachstan"                  
##  [63] "Katar"                        "Kenia"                       
##  [65] "Kirgisistan"                  "Kolumbien"                   
##  [67] "Kongo-Kinshasa"               "Kroatien"                    
##  [69] "Kuba"                         "Kuwait"                      
##  [71] "Laos"                         "Lettland"                    
##  [73] "Libanon"                      "Libyen"                      
##  [75] "Litauen"                      "Luxemburg"                   
##  [77] "Macau"                        "Madagaskar"                  
##  [79] "Malaysia"                     "Mali"                        
##  [81] "Malta"                        "Marokko"                     
##  [83] "Marshallinseln"               "Mauretanien"                 
##  [85] "Mauritius"                    "Mazedonien"                  
##  [87] "Mexiko"                       "Moldawien"                   
##  [89] "Monaco"                       "Mongolei"                    
##  [91] "Myanmar"                      "Namibia"                     
##  [93] "Neuseeland"                   "Niederlande"                 
##  [95] "Nigeria"                      "Norwegen"                    
##  [97] "Oman"                         "Österreich"                  
##  [99] "Pakistan"                     "Panama"                      
## [101] "Paraguay"                     "Peru"                        
## [103] "Philippinen"                  "Polen"                       
## [105] "Portugal"                     "Rumänien"                    
## [107] "Russland"                     "Sambia"                      
## [109] "San Marino"                   "Saudi-Arabien"               
## [111] "Schweden"                     "Schweiz"                     
## [113] "Senegal"                      "Serbien"                     
## [115] "Sierra Leone"                 "Singapur"                    
## [117] "Slowakei"                     "Slowenien"                   
## [119] "Spanien"                      "Sri Lanka"                   
## [121] "Südafrika"                    "Sudan"                       
## [123] "Südkorea"                     "Swasiland"                   
## [125] "Taiwan"                       "Tansania"                    
## [127] "Thailand"                     "Togo"                        
## [129] "Trinidad und Tobago"          "Tschechien"                  
## [131] "Tunesien"                     "Türkei"                      
## [133] "Turkmenistan"                 "Uganda"                      
## [135] "Ukraine"                      "Ungarn"                      
## [137] "Uruguay"                      "USA"                         
## [139] "Usbekistan"                   "Vatikan"                     
## [141] "Venezuela"                    "Vereinigte Arabische Emirate"
## [143] "Vietnam"                      "Weissrussland"               
## [145] "Zentralafrikanische Republik" "Zypern"

Kategorisierung

Neue Spalten erstellen

# Spalte für Dateiherkunft
seco_dual_use <- seco_dual_use %>%
  mutate(Herkunftsdatei = NA, Verzeichnis = NA, Haupttyp = NA, Untertyp = NA, Zusatz = NA)

Signaturaufschlüsselung

# Verzeichnis fin
computedList <- mapply(classifyVerzeichnis, seco_dual_use[,"Verordnung/Typ"], seco_dual_use[,"Verordnung/Typ ELIC"], seco_dual_use[,"Signatur"])

seco_dual_use <- seco_dual_use  %>% 
  mutate(Verzeichnis = as.factor(t(computedList)[,1]), Herkunftsdatei = as.factor(t(computedList)[,2]))

# Verordnung/Typ (ELIC) werden nicht mehr gebraucht
seco_dual_use <- seco_dual_use  %>% 
  select(-contains("Verordnung/Typ"))

# Signatur aufschlüsseln
# nur GVK anzeigen
seco_dual_use_only_gkv <- seco_dual_use  %>% 
  filter(Verzeichnis == "GKV") %>%
  select(Signatur, Herkunftsdatei)

computedList <- mapply(classifySignatur, seco_dual_use[,"Verzeichnis"], seco_dual_use[,"Herkunftsdatei"], seco_dual_use[,"Signatur"])

seco_dual_use_cleaned <- seco_dual_use  %>% 
  mutate(Haupttyp = as.factor(t(computedList)[,1]), Untertyp = as.factor(t(computedList)[,2]), Zusatz = as.factor(t(computedList)[,3]))

# Sample nehmen, um Klassifikation zu überprüfen
seco_dual_use_cleaned  %>% 
  sample_n(40) %>%
  select(Verzeichnis, Signatur, Haupttyp, Untertyp, Zusatz)

##       Verzeichnis             Signatur Haupttyp Untertyp  Zusatz
## 5599          5.1                  5.1        1     <NA>    <NA>
## 8247          GKV              6A002c1        6        A   002c1
## 2494          GKV                9A012        9        A     012
## 5385          GKV             5A002.a1        5        A   002a1
## 8353          GKV               5A001i        5        A    001i
## 3010          GKV              2B001.a        2        B    001a
## 64            GKV 2B201.a.1\n2B001.b.2        2        B   201a1
## 8127          5.1                  5.1        1     <NA>    <NA>
## 6690          GKV             5A002.a1        5        A   002a1
## 10310         GKV              1B231b2        1        B   231b2
## 2603          GKV                3A225        3        A     225
## 384      ML (GKV)               ML11.a       11        a    <NA>
## 3174          GKV             2B201.b1        2        B   201b1
## 10521         GKV     2B201a1\n2B001b2        2        B   201a1
## 1790          5.1                  5.1        1     <NA>    <NA>
## 11396         GKV            6A005a6b2        6        A 005a6b2
## 1153          GKV   2B001.b2\n2B201.a1        2        B   001b2
## 7671          GKV              2B201a1        2        B   201a1
## 7969          GKV               2B352b        2        B    352b
## 5330          5.1                  5.1        1     <NA>    <NA>
## 7844          GKV              6A002c1        6        A   002c1
## 7488          GKV               2B001a        2        B    001a
## 5224          GKV              2B001.a        2        B    001a
## 3528          GKV                0C003        0        C     003
## 9192          GKV              2B201a1        2        B   201a1
## 2870          GKV             2B350.g2        2        B   350g2
## 3694          5.1                  5.1        1     <NA>    <NA>
## 5663     ML (GKV)               ML05.b        5        b    <NA>
## 5924          5.2                  5.2        2     <NA>    <NA>
## 2272          GKV    2B001.b1\n2B201.a        2        B   001b1
## 8605          5.1                  5.1        1     <NA>    <NA>
## 4205          GKV             5D002.c1        5        D   002c1
## 3322          GKV             5A002.a1        5        A   002a1
## 2459     ML (GKV)           ML17\nML22       17     <NA>    <NA>
## 2621          GKV                0C003        0        C     003
## 2575          GKV                1B118        1        B     118
## 11388         GKV                1C228        1        C     228
## 4433     ML (GKV)                 ML05        5     <NA>    <NA>
## 2493          GKV                9A012        9        A     012
## 490           GKV              2B350.g        2        B    350g

# Faktorenlevels überprüfen
levels(seco_dual_use_cleaned$Verzeichnis)

## [1] "5.1"       "5.2"       "ChKV"      "GKV"       "ML (GKV)"  "unbekannt"

levels(seco_dual_use_cleaned$Herkunftsdatei)

## [1] "ELIC"    "Tracker"

# Hier gibt es Einträge à la 1A, 2B und 3B, dies sind keine Fehler, sondern Haupttypen der ChKV
levels(seco_dual_use_cleaned$Haupttyp)

##  [1] "0"  "1"  "10" "11" "13" "14" "15" "16" "17" "18" "1A" "2"  "21" "22"
## [15] "2B" "3"  "3B" "4"  "5"  "6"  "7"  "8"  "9"

levels(seco_dual_use_cleaned$Untertyp)

##  [1] ""     "0"    "1"    "10"   "11"   "14"   "16"   "17"   "2"    "3"   
## [11] "4"    "5"    "5b1"  "7"    "9"    "a"    ".a"   "A"    "a1"   "a13a"
## [21] "a21"  "b"    "B"    "b4"   "c"    "C"    "c2"   "d"    "D"    "d1"  
## [31] "d2"   "E"    "f"    "f1"   "g"    "h"

levels(seco_dual_use_cleaned$Zusatz)

##   [1] ""            "0"           "001"         "001a"        "001A"       
##   [6] "001a1"       "001a10c"     "001a12"      "001a13b"     "001a2"      
##  [11] "001a2a"      "001a2c"      "001A2C"      "001a3"       "001a5a1"    
##  [16] "001A5A1"     "001a5a2"     "001A5A2"     "001a5a3"     "001a5a4"    
##  [21] "001A5A4"     "001a5a5"     "001a6b"      "001a7a"      "001A7A"     
##  [26] "001a7b"      "001b"        "001B"        "001b1"       "001b10"     
##  [31] "001b14"      "001b141b"    "001b14b"     "001b1b"      "001b2"      
##  [36] "001B2"       "001b2b3"     "001b2d"      "001b3"       "001c"       
##  [41] "001C"        "001c1"       "001c2"       "001d"        "001D"       
##  [46] "001e"        "001E"        "001f"        "001f1"       "001f2"      
##  [51] "001f3"       "001f3a"      "001f4"       "001g"        "001g2"      
##  [56] "001h"        "001i"        "001j"        "002"         "002a"       
##  [61] "002a1"       "002A1"       "002a1a"      "002a1b"      "002a1b3"    
##  [66] "002A1B3"     "002a1d"      "002a2a"      "002a3f"      "002a3g"     
##  [71] "002a5"       "002A5"       "002a9"       "002a+b"      "002b1"      
##  [76] "002b4b"      "002c1"       "002C1"       "002c2"       "002d3"      
##  [81] "002g"        "002g2"       "002G2"       "003"         "003a"       
##  [86] "003a3"       "003b4"       "003b4a"      "003b4b"      "003b4c"     
##  [91] "003c1"       "003f2"       "004a"        "004c"        "004c1"      
##  [96] "004e"        "005"         "0055b"       "005a5b"      "005a6a"     
## [101] "005A6A"      "005a6b"      "005a6b2"     "005A6B2"     "005b2"      
## [106] "005b6a"      "005B6A"      "005b6a2"     "005b8b"      "005d"       
## [111] "005d1"       "005d1a2"     "005d1d4"     "005e"        "006"        
## [116] "006a"        "006b"        "006b2"       "007"         "008c"       
## [121] "008d"        "010b"        "010B"        "010e"        "012"        
## [126] "012a"        "012a1"       "012a2"       "012b"        "101"        
## [131] "101a"        "101b"        "103"         "103a"        "103A"       
## [136] "103a1"       "103A1"       "105"         "105b1"       "108b2"      
## [141] "110"         "111"         "111a2a"      "111a2a3"     "111a2c"     
## [146] "115"         "115a"        "117"         "118"         "118a"       
## [151] "120"         "120a"        "122"         "201"         "2011a"      
## [156] "201a"        "201a1"       "201A1"       "201a123"     "201a2"      
## [161] "201a3"       "201b"        "201b1"       "201b2"       "201c"       
## [166] "202"         "202b"        "203b3"       "204"         "206"        
## [171] "210A"        "210b"        "225"         "226"         "228"        
## [176] "228c"        "230"         "230c"        "231"         "231a"       
## [181] "231b"        "231b2"       "233"         "233a"        "234"        
## [186] "235"         "350"         "35009"       "35013"       "35014"      
## [191] "35015"       "35020"       "35043"       "35046"       "35049"      
## [196] "3504g"       "3509"        "350a3"       "350a4"       "350a,b,d,g3"
## [201] "350b2"       "350b3"       "350c"        "350c1"       "350c3"      
## [206] "350c4"       "350d1"       "350d2"       "350d2, 3, 9" "350d3"      
## [211] "350d4"       "350d5"       "350d7"       "350e"        "350e1"      
## [216] "350e2"       "350e3"       "350e4"       "350e5"       "350e7"      
## [221] "350g"        "350G"        "350g1"       "350G1"       "350g1a"     
## [226] "350g2"       "350G2"       "350g3"       "350g3b"      "350g4"      
## [231] "350g9c"      "350h2"       "350h3"       "350h6"       "350i"       
## [236] "350i1"       "350i10"      "350i3"       "350i4"       "350i7"      
## [241] "351"         "351a3"       "351c10"      "351d11"      "351d15"     
## [246] "351d4"       "351d5"       "351d7"       "352"         "352b"       
## [251] "352b1"       "352B1"       "352c"        "352d"        "352D"       
## [256] "352d2"       "352e"        "352f"        "352f2"

Plausibilitätsüberprüfungen

Was sind die kleinsten Einträge auf der Liste, das heisst: Wie viele Geschäfte im Wert von 1 Franken gibt es? Wie viele Geschäfte unter 1’000 Franken gibt es? Wie viele Geschäfte unter 10’000 Franken gibt es? Wie viele Geschäfte unter 100’000 Franken gibt es?

dim(seco_dual_use_cleaned[seco_dual_use_cleaned$Wert == 1,])[1]

## [1] 87

dim(seco_dual_use_cleaned[seco_dual_use_cleaned$Wert <= 1000,])[1]

## [1] 1588

dim(seco_dual_use_cleaned[seco_dual_use_cleaned$Wert <= 10000,])[1]

## [1] 4412

dim(seco_dual_use_cleaned[seco_dual_use_cleaned$Wert <= 100000,])[1]

## [1] 7176

Output als CSV

# Spalten neu ordnen
seco_dual_use_cleaned <- seco_dual_use_cleaned %>%
  select(GN, UnterGN, Quartal, Datum, Land, Wert, Verzeichnis, Signatur, Haupttyp, Untertyp, Zusatz, Herkunftsdatei)
# \n durch | ersetzen in Signatur
seco_dual_use_cleaned_for_output <- seco_dual_use_cleaned %>%
  mutate(Signatur = sub("\\n", "|", Signatur)) %>%
  mutate(Untertyp = ifelse(is.na(Untertyp), "", as.character(Untertyp))) %>%
  mutate(Haupttyp = ifelse(is.na(Haupttyp), "", as.character(Haupttyp))) %>%
  mutate(Zusatz = ifelse(is.na(Zusatz), "", as.character(Zusatz)))
write.csv(seco_dual_use_cleaned_for_output, file = "output/seco_dual_use.csv")

# Output für Visualisierung
# Benötigt: Datum, Land, Wert, Verzeichnis, Haupttyp
seco_dual_use_for_vis <- seco_dual_use_cleaned %>%
  select(Datum, Land, Wert, Verzeichnis, Haupttyp) %>%
  mutate(Haupttyp = as.character(Haupttyp))
# Chemikalien zusammenfassen
seco_dual_use_for_vis$Haupttyp[seco_dual_use_for_vis$Verzeichnis == "ChKV"] <- "0"
# NAs durch leere Strings ersetzen
seco_dual_use_for_vis$Haupttyp[is.na(seco_dual_use_for_vis$Haupttyp)] <- ""
write.csv(seco_dual_use_for_vis, file = "output/seco_dual_use_for_vis.csv", row.names = F, quote = c(1, 2, 4, 5))

Output aller unterschiedlichen Signaturen als CSV

write.csv(data.frame(signatures = unique(paste(seco_dual_use_cleaned$Verzeichnis, seco_dual_use_cleaned$Haupttyp, seco_dual_use_cleaned$Untertyp, seco_dual_use_cleaned$Zusatz))), "output/all_signatures.csv")

Output aller unterschiedlichen Verzeichnis-Haupttyp-Kategorien zur manuellen Beschreibung

only_top_category_signatures <- seco_dual_use_cleaned %>%
  select(Verzeichnis, Haupttyp) %>%
  distinct() %>%
  mutate(Beschreibung = "", Haupttyp = as.character(Haupttyp)) %>%
  arrange(Verzeichnis, Haupttyp)
write.csv(only_top_category_signatures, "output/signatures_verzeichnis_haupttyp.csv", row.names = F)

Analyse

Generelles

Wie sieht die Verteilung aus?

cdf <- ggplot(seco_dual_use_cleaned, aes(x = Wert)) + stat_ecdf() + scale_x_log10(labels = formatAsChfWithoutCHF) + scale_y_continuous(labels = percent)
cdf

## Warning: Removed 76 rows containing non-finite values (stat_ecdf).

Wie viel Prozent des Exportvolumens sind Kleinaufträge oder Exporte zu Testzwecken (Definition gemäss SECO: Geschäfte mit einem Wert von unter 10’000 Franken)?

seco_dual_use %>%
  group_by("Unter 10'000" = Wert < 10000, "Zwischen 10'000 und 100'000" = Wert < 100000 & Wert >= 10000, "Zwischen 100'000 und 1 Mio." = Wert >= 100000 & Wert < 1000000, "Zwischen 1 Mio. und 10 Mio." = Wert >= 1000000 & Wert < 10000000, "Über 10 Mio." = Wert >= 10000000) %>%
  summarise(Summe = sum(Wert), Anzahl = n()) %>%
  mutate(Summenanteil = Summe / sum(seco_dual_use_cleaned$Wert)) %>%
  gather(Kategorie, Value, -Summe, -Summenanteil, -Anzahl) %>%
  filter(Value == T) %>%
  select(-Value)

## # A tibble: 5 x 4
##        Summe Anzahl Summenanteil                   Kategorie
##        <dbl>  <int>        <dbl>                       <chr>
## 1   13134628   4383  0.001886455                Unter 10'000
## 2  105477315   2778  0.015149133 Zwischen 10'000 und 100'000
## 3 1292598872   3573  0.185648940 Zwischen 100'000 und 1 Mio.
## 4 1422366155    620  0.204286709 Zwischen 1 Mio. und 10 Mio.
## 5 4129020669     67  0.593028764                Über 10 Mio.

# Sonstige Kennzahlen

seco_dual_use %>%
  summarise(median = formatAsChf(median(Wert)), sd = formatAsChf(sd(Wert)), mean = formatAsChf(mean(Wert)))

##         median               sd            mean
## 1 CHF 28'800.- CHF 11'261'899.- CHF 609'631.2.-

Es zeigt sich klar, dass Exporte mit kleinen Summen nur einen verschwindend kleinen Teil des gesamten Exportvolumens ausmachen (< 2 Prozent). Exporte zu Testzwecken oder temporäre Exporte fallen bei der nachfolgenden Analyse rein rechnerisch also nicht ins Gewicht. Geschäfte mit einem Handelswert von über 10 Mio. sind für rund 60 Prozent des Exportvolumens verantwortlich.

Exporte im Wert von wie vielen Franken wurden im untersuchten Zeitraum bewilligt?

formatAsChf(sum(seco_dual_use_cleaned$Wert))

## [1] "CHF 6'962'597'639.-"

Was sind die grössten Exporte auf der Liste?

arrange(seco_dual_use_cleaned, desc(Wert)) %>%
  mutate(Wert = formatAsChf(Wert)) %>%
  select(GN, Land, Verzeichnis, Quartal, Wert) %>%
  slice(1:10)

##         GN          Land Verzeichnis Quartal                   Wert
## 1    12332 Saudi-Arabien    ML (GKV)   12/02 CHF 1'000'000'000.00.-
## 2  8002454 Saudi-Arabien    ML (GKV)   15/02 CHF   415'000'000.00.-
## 3  8001302         Katar    ML (GKV)   14/04 CHF   275'000'000.00.-
## 4  8008471        Indien    ML (GKV)   16/02 CHF   232'000'000.00.-
## 5    14476        Indien    ML (GKV)   13/03 CHF   165'000'000.00.-
## 6  8001226        Indien    ML (GKV)   14/04 CHF   135'100'000.00.-
## 7  8002561     Jordanien    ML (GKV)   16/01 CHF   120'000'000.00.-
## 8  8005535         Katar    ML (GKV)   15/04 CHF   119'200'000.00.-
## 9  8005555        Indien    ML (GKV)   15/04 CHF    80'000'000.00.-
## 10 8005539        Indien    ML (GKV)   15/04 CHF    80'000'000.00.-

Mit welchen 10 Ländern wird am meisten gehandelt?

laenderSummen10Sortiert <- seco_dual_use_cleaned %>%
  group_by(Land) %>%
  summarise(Wert = sum(Wert)) %>%
  arrange(desc(Wert)) %>%
  slice(1:10)
laenderAndere <- seco_dual_use_cleaned %>%
  group_by(Land) %>%
  summarise(Wert = sum(Wert)) %>%
  arrange(desc(Wert)) %>%
  slice(11:n()) %>%
  summarise(Land = "Andere", Wert = sum(Wert))

# Summe der sonstigen

laenderSummen10SortiertForBar <- rbind(laenderSummen10Sortiert, laenderAndere) %>%
  mutate(Land = factor(Land, levels = c(laenderSummen10Sortiert$Land, laenderAndere$Land))) # in die richtige Reihenfolge bringen

laenderSummenBar <- ggplot(data = laenderSummen10SortiertForBar, aes(x = Land, y = Wert)) + 
  geom_bar(stat = "identity") + 
  scale_y_continuous(labels = formatAsChf) + 
  xlab("Land") +
  theme(axis.text.x = element_text(angle=45, vjust=0.5))
laenderSummenBar

Mit welchen 10 Ländern wird am meisten gehandelt, 2016?

laenderSummen10Sortiert <- seco_dual_use_cleaned %>%
  filter(Datum >= as.Date("2016-01-01")) %>% 
  group_by(Land) %>%
  summarise(Wert = sum(Wert)) %>%
  arrange(desc(Wert)) %>%
  slice(1:10)
laenderAndere <- seco_dual_use_cleaned %>%
  filter(Datum >= as.Date("2016-01-01")) %>% 
  group_by(Land) %>%
  summarise(Wert = sum(Wert)) %>%
  arrange(desc(Wert)) %>%
  slice(11:n()) %>%
  summarise(Land = "Andere", Wert = sum(Wert))

# Summe der sonstigen

laenderSummen10SortiertForBar <- rbind(laenderSummen10Sortiert, laenderAndere) %>%
  mutate(Land = factor(Land, levels = c(laenderSummen10Sortiert$Land, laenderAndere$Land))) # in die richtige Reihenfolge bringen

laenderSummenBar <- ggplot(data = laenderSummen10SortiertForBar, aes(x = Land, y = Wert)) + 
  geom_bar(stat = "identity") + 
  scale_y_continuous(labels = formatAsChf) + 
  xlab("Land") +
  theme(axis.text.x = element_text(angle=45, vjust=0.5))
laenderSummenBar

Wie viel Prozent des Exportvolumens fallen auf die 5 Länder mit dem grössten bewilligten Exportvolumen?

laenderSummen5Sortiert <- seco_dual_use_cleaned %>%
  group_by(Land) %>%
  summarise(Wert = sum(Wert)) %>%
  arrange(desc(Wert)) %>%
  slice(1:5)
sum(laenderSummen5Sortiert$Wert)/sum(seco_dual_use_cleaned$Wert) * 100

## [1] 68.16904

Wie verteilt sich das Exportvolumen auf die einzelnen Verzeichnisse?

verzeichnisSummen <- seco_dual_use_cleaned  %>% 
  group_by(Verzeichnis) %>%
  summarise(Wert = sum(Wert)) %>%
  arrange(desc(Wert)) %>%
  mutate(Verzeichnis = factor(Verzeichnis, levels = Verzeichnis))
verzeichnisSummenBar <- ggplot(data = verzeichnisSummen, aes(x = Verzeichnis, y = Wert)) + 
  geom_bar(stat = "identity") + 
  scale_y_continuous(labels = formatAsChf) + 
  xlab("Verzeichnis") +
  theme(axis.text.x = element_text(angle=45, vjust=0.5))
verzeichnisSummenBar

Temporale Auswertung

Summe nach Jahr

# Summe nach Jahr
exportvolumenNachJahr <- seco_dual_use_cleaned  %>% 
  group_by(Jahr = format(Datum, "%Y"), Verzeichnis) %>%
  summarise(Wert = sum(Wert)) %>%
  mutate(Verzeichnis = factor(Verzeichnis, levels = c("ML (GKV)", "GKV", "unbekannt", "ChKV", "5.1", "5.2")))

exportvolumenNachJahrBar <- ggplot(data = exportvolumenNachJahr, aes(x = Jahr, y = Wert, fill = factor(Verzeichnis), order = Verzeichnis)) + 
  geom_bar(stat = "identity") + 
  scale_y_continuous(labels = formatAsChf) + 
  xlab("Jahr") +
  scale_fill_discrete(name = "Verzeichnis")
  
exportvolumenNachJahrBar

Summe nach Jahr, nur Irak

# Summe nach Jahr
exportvolumenNachJahr <- seco_dual_use_cleaned  %>% 
  filter(Land == "Irak") %>% 
  group_by(Jahr = format(Datum, "%Y"), Verzeichnis) %>%
  summarise(Wert = sum(Wert)) %>%
  mutate(Verzeichnis = factor(Verzeichnis, levels = c("ML (GKV)", "GKV", "unbekannt", "ChKV", "5.1", "5.2")))

exportvolumenNachJahrBar <- ggplot(data = exportvolumenNachJahr, aes(x = Jahr, y = Wert, fill = factor(Verzeichnis), order = Verzeichnis)) + 
  geom_bar(stat = "identity") + 
  scale_y_continuous(labels = formatAsChf) + 
  xlab("Jahr") +
  scale_fill_discrete(name = "Verzeichnis")
  
exportvolumenNachJahrBar

Summe nach Quartal

seco_dual_use_cleaned_with_quarter <- seco_dual_use_cleaned %>% 
  mutate(quarter = ceiling(as.integer(format(Datum, format = "%m")) / 3))

exportvolumenNachQuartal <- seco_dual_use_cleaned  %>% 
  group_by(Quartal = paste(format(Datum, format = "%Y"), ceiling(as.integer(format(Datum, format = "%m")) / 3), sep = "-"), Verzeichnis) %>%
  summarise(Wert = sum(Wert)) %>%
  mutate(Verzeichnis = factor(Verzeichnis, levels = c("ML (GKV)", "GKV", "unbekannt", "ChKV", "5.1", "5.2")))

exportvolumenNachQuartalBar <- ggplot(data = exportvolumenNachQuartal, aes(x = Quartal, y = Wert, fill = factor(Verzeichnis), order = Verzeichnis)) +
  geom_bar(stat = "identity") + 
  scale_y_continuous(labels = formatAsChf) + 
  xlab("Quartal") +
  theme(axis.text.x = element_text(angle = 90, hjust = 1)) +
  scale_fill_discrete(name = "Verzeichnis")
  
exportvolumenNachQuartalBar

Nur besondere militärische Güter (ML)

# Summe nach Jahr, nur Wassenaar-Güter
# zuerst brauchen wir die grössten fünf Kategorien
exportvolumenML5Groesste <- seco_dual_use_cleaned %>%
  filter(Verzeichnis == "ML (GKV)") %>%
  group_by(Haupttyp) %>%
  summarise(Wert = sum(Wert)) %>%
  arrange(desc(Wert)) %>%
  select(Haupttyp) %>%
  slice(1:5)
exportvolumenNachJahrML <- seco_dual_use_cleaned  %>% 
  filter(Verzeichnis == "ML (GKV)") %>%
  group_by(Jahr = format(Datum, "%Y"), Haupttyp) %>%
  summarise(Wert = sum(Wert)) %>%
  mutate(Haupttyp = ifelse(Haupttyp %in% as.data.frame(exportvolumenML5Groesste)[,1], as.character(Haupttyp), "andere")) %>%
  mutate(Haupttyp = factor(Haupttyp, levels = c(as.character(as.data.frame(exportvolumenML5Groesste)[,1]), "andere")))

exportvolumenNachJahrMLBar <- ggplot(data = exportvolumenNachJahrML, aes(x = Jahr, y = Wert, fill = factor(Haupttyp), order = Haupttyp)) + 
  geom_bar(stat = "identity") + 
  scale_y_continuous(labels = formatAsChf) + 
  xlab("Jahr") +
  scale_fill_discrete(name = "Haupttyp")
exportvolumenNachJahrMLBar

Nur Dual-Use (GKV)

# Summe nach Jahr, nur GKV
# zuerst brauchen wir die grössten fünf Kategorien
exportvolumenGKV5Groesste <- seco_dual_use_cleaned %>%
  filter(Verzeichnis == "GKV") %>%
  group_by(Haupttyp) %>%
  summarise(Wert = sum(Wert)) %>%
  arrange(desc(Wert)) %>%
  select(Haupttyp) %>%
  slice(1:5)
exportvolumenNachJahrGKV <- seco_dual_use_cleaned  %>% 
  filter(Verzeichnis == "GKV") %>%
  group_by(Jahr = format(Datum, "%Y"), Haupttyp) %>%
  summarise(Wert = sum(Wert)) %>%
  mutate(Haupttyp = ifelse(Haupttyp %in% as.data.frame(exportvolumenGKV5Groesste)[,1], as.character(Haupttyp), "andere")) %>%
  mutate(Haupttyp = factor(Haupttyp, levels = c(as.character(as.data.frame(exportvolumenGKV5Groesste)[,1]), "andere")))

exportvolumenNachJahrGKVBar <- ggplot(data = exportvolumenNachJahrGKV, aes(x = Jahr, y = Wert, fill = factor(Haupttyp), order = Haupttyp)) + 
  geom_bar(stat = "identity") + 
  scale_y_continuous(labels = formatAsChf) + 
  xlab("Jahr") +
  scale_fill_discrete(name = "Haupttyp")
exportvolumenNachJahrGKVBar

Nur Irak

# Summe nach Jahr, nur GKV
# zuerst brauchen wir die grössten fünf Kategorien
exportvolumenGKV5Groesste <- seco_dual_use_cleaned %>%
  filter(Verzeichnis == "GKV", Land == "Irak") %>%
  group_by(Haupttyp) %>%
  summarise(Wert = sum(Wert)) %>%
  arrange(desc(Wert)) %>%
  select(Haupttyp) %>%
  slice(1:5)
exportvolumenNachJahrGKV <- seco_dual_use_cleaned  %>% 
  filter(Verzeichnis == "GKV", Land == "Irak") %>%
  group_by(Jahr = format(Datum, "%Y"), Haupttyp) %>%
  summarise(Wert = sum(Wert)) %>%
  mutate(Haupttyp = ifelse(Haupttyp %in% as.data.frame(exportvolumenGKV5Groesste)[,1], as.character(Haupttyp), "andere")) %>%
  mutate(Haupttyp = factor(Haupttyp, levels = c(as.character(as.data.frame(exportvolumenGKV5Groesste)[,1]), "andere")))

exportvolumenNachJahrGKVBar <- ggplot(data = exportvolumenNachJahrGKV, aes(x = Jahr, y = Wert, fill = factor(Haupttyp), order = Haupttyp)) + 
  geom_bar(stat = "identity") + 
  scale_y_continuous(labels = formatAsChf) + 
  xlab("Jahr") +
  scale_fill_discrete(name = "Haupttyp")
exportvolumenNachJahrGKVBar

Summe nach Jahr, Naher Osten

neareastcountries <- c("Kuwait", "Bahrain", "Oman", "Katar", "Saudi-Arabien", "Vereinigte Arabische Emirate", "Jemen", "Israel", "Jordanien", "Libanon", "Syrien", "Ägypten", "Iran", "Türkei", "Irak")

# Summe nach Jahr
exportvolumenNachJahr <- seco_dual_use_cleaned  %>% 
  filter(Land %in% neareastcountries) %>% 
  group_by(Jahr = format(Datum, "%Y")) %>%
  summarise(Wert = sum(Wert))
exportvolumenNachJahrBar <- ggplot(data = exportvolumenNachJahr, aes(x = Jahr, y = Wert)) + 
  geom_bar(stat = "identity") + 
  scale_y_continuous(labels = formatAsChf) + 
  xlab("Jahr")
  
exportvolumenNachJahrBar

exportvolumenNachQuartal <- seco_dual_use_cleaned  %>% 
  filter(Land %in% neareastcountries) %>% 
  group_by(Quartal = paste(format(Datum, format = "%Y"), ceiling(as.integer(format(Datum, format = "%m")) / 3), sep = "-")) %>%
  summarise(Wert = sum(Wert))
exportvolumenNachQuartalBar <- ggplot(data = exportvolumenNachQuartal, aes(x = Quartal, y = Wert)) +
  geom_bar(stat = "identity") + 
  scale_y_continuous(labels = formatAsChf) + 
  xlab("Quartal") +
  theme(axis.text.x = element_text(angle = 90, hjust = 1))
  
exportvolumenNachQuartalBar

exportvolumenNachQuartal <- seco_dual_use_cleaned  %>% 
  group_by(Quartal = paste(format(Datum, format = "%Y"), ceiling(as.integer(format(Datum, format = "%m")) / 3), sep = "-")) %>%
  summarise(Wert = sum(Wert))
exportvolumenNachQuartalBar <- ggplot(data = exportvolumenNachQuartal, aes(x = Quartal, y = Wert)) +
  geom_bar(stat = "identity") + 
  scale_y_continuous(labels = formatAsChf) + 
  xlab("Quartal") +
  theme(axis.text.x = element_text(angle = 90, hjust = 1))
  
exportvolumenNachQuartalBar

Export von militärisch verwendbaren Gütern

Vorprozessierung und Analyse

SRF Data, Timo Grossenbacher (timo.grossenbacher@srf.ch)

01/06/2016

Vorbemerkungen

R-Script & Daten

GitHub

Lizenz

Weitere Projekte

Haftungsausschluss

Datenbeschreibung `seco_dual_use.csv`

Attribut Verzeichnis

Attribut Haupttyp

Beispiel Signaturaufschlüsselung

Originalquelle

Hinweis zu Mehrfachbewilligungen

Vorbereitungen

Packages installieren

Sonstige Optionen und eigene Sourcen (Hilfsdateien)

Vorprozessierung

Daten reinladen und typisieren

Duplikate

Restrukturieren

Beide Datensätze kombinieren

Länder-Duplikate entfernen

Kategorisierung

Plausibilitätsüberprüfungen

Output als CSV

Analyse

Generelles

Temporale Auswertung

Summe nach Jahr

Summe nach Jahr, nur Irak

Summe nach Quartal

Nur besondere militärische Güter (ML)

Nur Dual-Use (GKV)

Nur Irak

Summe nach Jahr, Naher Osten

Export von militärisch verwendbaren Gütern

Vorprozessierung und Analyse

SRF Data, Timo Grossenbacher (timo.grossenbacher@srf.ch)

01/06/2016

Vorbemerkungen

R-Script & Daten

GitHub

Lizenz

Weitere Projekte

Haftungsausschluss

Datenbeschreibung seco_dual_use.csv

Attribut Verzeichnis

Attribut Haupttyp

Beispiel Signaturaufschlüsselung

Originalquelle

Hinweis zu Mehrfachbewilligungen

Vorbereitungen

Packages installieren

Sonstige Optionen und eigene Sourcen (Hilfsdateien)

Vorprozessierung

Daten reinladen und typisieren

Duplikate

Restrukturieren

Beide Datensätze kombinieren

Länder-Duplikate entfernen

Kategorisierung

Plausibilitätsüberprüfungen

Output als CSV

Analyse

Generelles

Temporale Auswertung

Summe nach Jahr

Summe nach Jahr, nur Irak

Summe nach Quartal

Nur besondere militärische Güter (ML)

Nur Dual-Use (GKV)

Nur Irak

Summe nach Jahr, Naher Osten

Datenbeschreibung `seco_dual_use.csv`