Export von militärisch verwendbaren Gütern
Vorprozessierung und Analyse
SRF Data, Timo Grossenbacher (timo.grossenbacher@srf.ch)
Dezember 2017
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 Attributenoutput/seco_dual_use.csv: Vollständiger Datensatz, der zum Download angeboten wird. Dieser Datensatz wird im folgenden Kapitel beschrieben.
R-Script & Daten
Die Vorprozessierung und Analyse wurde im Statistikprogramm R vorgenommen. Das zugrunde liegende Script sowie die prozessierten Daten können unter diesem Link heruntergeladen werden. Durch Ausführen von main.Rmd kann der hier beschriebene Prozess nachvollzogen und der für den Artikel verwendete Datensatz generiert werden. Dabei werden Daten aus dem Ordner input eingelesen und Ergebnisse in den Ordner output geschrieben.
SRF Data verwendet das rddj-template von Timo Grossenbacher als Grundlage für seine R-Scripts. Entstehen bei der Ausführung dieses Scripts Probleme, kann es helfen, die Anleitung von rddj-template zu studieren.
Debug-Informationen: This report was generated on 2018-12-07 10:38:27. R version: 3.4.4 on x86_64-pc-linux-gnu. For this report, CRAN packages as of 2017-09-01 were used.
GitHub
Der Code für die vorliegende Datenprozessierung ist auf https://github.com/srfdata/2018-01-dual-use zur freien Verwendung verfügbar.
Lizenz
2018-01-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.xlsxELIC: 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 und das Jahr 2017 findet sich auf der neuen Übersichtsseite unter dem Reiter 2016 bzw. 2017. Er ist jeweils 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, 2016 und 2017 liegen keine solchen Informationen vor.
Vorbereitungen
## [1] "package package:rmarkdown detached"Packages definieren
# von https://mran.revolutionanalytics.com/web/packages/checkpoint/vignettes/using-checkpoint-with-knitr.html
# alle Packages, die nicht gebraucht werden, können hier entfernt werden (auskommentieren reicht nicht!)
# tidyverse: see https://blog.rstudio.org/2016/09/15/tidyverse-1-0-0/
cat("
library(tidyverse) # ggplot2, dplyr, tidyr, readr, purrr, tibble
library(magrittr) # pipes
library(forcats) # factors
library(stringr) # string manipulation
library(readxl) # excel
library(scales) # scales for ggplot2
library(rmarkdown) # muss für automatisches knitting
# in deploy.sh eingebunden werden",
file = "manifest.R")Packages installieren
# if checkpoint is not yet installed, install it (for people using this
# system for the first time)
if (!require(checkpoint)) {
if (!require(devtools)) {
install.packages("devtools", repos = "http://cran.us.r-project.org")
require(devtools)
}
devtools::install_github("RevolutionAnalytics/checkpoint",
ref = "v0.3.2", # could be adapted later,
# as of now (beginning of July 2017
# this is the current release on CRAN)
repos = "http://cran.us.r-project.org")
require(checkpoint)
}## Loading required package: checkpoint##
## checkpoint: Part of the Reproducible R Toolkit from Microsoft
## https://mran.microsoft.com/documents/rro/reproducibility/# nolint start
if (!dir.exists("~/.checkpoint")) {
dir.create("~/.checkpoint")
}
# nolint end
# install packages for the specified CRAN snapshot date
checkpoint(snapshotDate = package_date,
project = path_to_wd,
verbose = T,
scanForPackages = T,
use.knitr = F,
R.version = R_version)## Scanning for packages used in this project## rmarkdown files found and will not be parsed. Set use.knitr = TRUE## - Discovered 9 packages## All detected packages already installed## checkpoint process complete## ---rm(package_date)Packages laden
source("manifest.R")## Loading tidyverse: ggplot2
## Loading tidyverse: tibble
## Loading tidyverse: tidyr
## Loading tidyverse: readr
## Loading tidyverse: purrr
## Loading tidyverse: dplyr## Conflicts with tidy packages ----------------------------------------------## filter(): dplyr, stats
## lag(): dplyr, stats##
## Attaching package: 'magrittr'## The following object is masked from 'package:purrr':
##
## set_names## The following object is masked from 'package:tidyr':
##
## extract##
## Attaching package: 'scales'## The following object is masked from 'package:purrr':
##
## discard## The following object is masked from 'package:readr':
##
## col_factorunlink("manifest.R")
sessionInfo()## R version 3.4.4 (2018-03-15)
## Platform: x86_64-pc-linux-gnu (64-bit)
## Running under: Ubuntu 18.04.1 LTS
##
## Matrix products: default
## BLAS: /opt/R/R-3.4.4/lib64/R/lib/libRblas.so
## LAPACK: /opt/R/R-3.4.4/lib64/R/lib/libRlapack.so
##
## locale:
## [1] LC_CTYPE=en_US.UTF-8 LC_NUMERIC=C
## [3] LC_TIME=en_US.UTF-8 LC_COLLATE=en_US.UTF-8
## [5] LC_MONETARY=en_US.UTF-8 LC_MESSAGES=en_US.UTF-8
## [7] LC_PAPER=en_US.UTF-8 LC_NAME=C
## [9] LC_ADDRESS=C LC_TELEPHONE=C
## [11] LC_MEASUREMENT=en_US.UTF-8 LC_IDENTIFICATION=C
##
## attached base packages:
## [1] stats graphics grDevices utils datasets methods base
##
## other attached packages:
## [1] rmarkdown_1.6 scales_0.5.0 readxl_1.0.0 stringr_1.2.0
## [5] forcats_0.2.0 magrittr_1.5 dplyr_0.7.2 purrr_0.2.3
## [9] readr_1.1.1 tidyr_0.7.0 tibble_1.3.4 ggplot2_2.2.1
## [13] tidyverse_1.1.1 checkpoint_0.4.0
##
## loaded via a namespace (and not attached):
## [1] Rcpp_0.12.12 cellranger_1.1.0 compiler_3.4.4 plyr_1.8.4
## [5] bindr_0.1 tools_3.4.4 digest_0.6.12 lubridate_1.6.0
## [9] jsonlite_1.5 evaluate_0.10.1 nlme_3.1-131.1 gtable_0.2.0
## [13] lattice_0.20-35 pkgconfig_2.0.1 rlang_0.1.2 psych_1.7.5
## [17] yaml_2.1.14 parallel_3.4.4 haven_1.1.0 bindrcpp_0.2
## [21] xml2_1.1.1 httr_1.3.1 knitr_1.17 hms_0.3
## [25] rprojroot_1.2 grid_3.4.4 glue_1.1.1 R6_2.2.2
## [29] foreign_0.8-69 modelr_0.1.1 reshape2_1.4.2 backports_1.1.0
## [33] htmltools_0.3.6 rvest_0.3.2 assertthat_0.2.0 mnormt_1.5-5
## [37] colorspace_1.3-2 stringi_1.1.5 lazyeval_0.2.0 munsell_0.4.3
## [41] broom_0.4.2Zusätzliche Scripts laden
# falls Logik auf andere Scripts ausgelagert werden soll (z.B. der Übersichtlichkeit halber), hier einkommentieren
knitr::read_chunk("scripts/classify.R")
source("scripts/classify.R")
knitr::read_chunk("scripts/numberFormatter.R")
source("scripts/numberFormatter.R")Vorprozessierung
Daten reinladen und typisieren
tracker_raw <- read_excel(path = "input/tracker.xlsx", sheet = 1)
# 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)## Classes 'tbl_df', 'tbl' and '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_excel(path = "input/elic.xlsx", sheet = 1)
# 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)## Classes 'tbl_df', 'tbl' and '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\r\nDual Use Güter" "Besondere militärische Güter" ...
## $ Position / EKN : chr "2B120" "6A002.c1" "2B001.b1\r\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(path = "input/elic_2015_new.xlsx", sheet = 1)
# 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)$mon) %/% 3L + 1L),
sep = "/")) %>%
rename(GN = Geschäftsnummer,
Datum = Ausstellungsdatum,
Land = Bestimmungsland,
Wert = `Wert [CHF]`,
`Position / Güterart` = Güterart,
`Position / EKN` = EKN,
Art = Geschäftsart) %>%
filter(Art == "Ausfuhr") %>%
select(-Art)
elic_ab_2016 <- map_dfr(list.files("input/", "elic_\\d{4}_\\d{1}\\.xlsx$"),
function(file){
# parse file name
year <- as.numeric(str_match_all(file,
"elic_(\\d{4})_(\\d{1})\\.xlsx$")[[1]][, 2])
quart <- as.numeric(str_match_all(file,
"elic_(\\d{4})_(\\d{1})\\.xlsx$")[[1]][, 3])
month <- (quart - 1) * 3 + 1
# read in excel
raw_data <- read_excel(path = paste0("input/", file), sheet = 1)
data <- raw_data %>%
mutate(Datum = as.Date(paste(paste(year, month, "01", sep = "-"),
"00:00:01"))) %>%
mutate(Quartal = paste(format(Datum, "%y"),
sprintf("%02i",
(as.POSIXlt(Datum)$mon) %/% 3L + 1L),
sep = "/")) %>%
select(GN = Geschäftsnummer,
Datum,
Quartal,
Land = Bestimmungsland,
Wert = `Wert [CHF]`,
`Position / Güterart` = Güterart,
`Position / EKN` = `Exportkontrollnummer [EKN]`,
Art = Richtung) %>%
filter(Art == "Ausfuhr") %>%
select(-Art)
return(data)
})
# manuelle Fehlerbehebung: Für EKN 5.3 gibt es keine offizielle Definition,
# gemeint ist wohl 5.1
elic_ab_2016 %<>%
mutate(`Position / EKN` = ifelse(GN == 8010868 & `Position / EKN` == 5.3,
5.1,
`Position / EKN`))
elic_raw <- rbind(elic_raw, elic_2015, elic_ab_2016)
rm(elic_2015)
rm(elic_ab_2016)Duplikate
Duplikate: Mehrere Einträge unter der gleichen Geschäftsnummer
Wie viele “Duplikate” gibt es?
dim(tracker_raw)[1] - dim(distinct(select(tracker_raw, GN)))[1]## [1] 374dim(elic_raw)[1] - dim(distinct(select(elic_raw, GN)))[1]## [1] 2823Diese werden nicht aggregiert sondern so belassen, jedoch durchnummiert (Generierung neue Spalte UnterGN)
tracker_summarized <- tracker_raw %>%
group_by(GN, Quartal, Land) %>%
mutate(UnterGN = row_number())
elic_summarized <- elic_raw %>%
group_by(GN, Quartal, Land) %>%
mutate(UnterGN = row_number())
rm(tracker_raw)
rm(elic_raw)Wie viele Einträge haben in der Tracker-Applikation zwei Signaturen?
tracker_summarized %>%
filter(`NSGII (GKV)` != "" & `WA (GKV)` != "") %>%
nrow()## [1] 757Wie viele davon sind solche, die mit der gleichen Obersignatur (sprich: dem gleichen Haupt- und Untertyp, siehe unten) beginnen?
tracker_summarized %>%
filter(`NSGII (GKV)` != "" & `WA (GKV)` != "" &
substr(`NSGII (GKV)`, 1, 2) == substr(`WA (GKV)`, 1, 2)) %>%
nrow()## [1] 757Wie viele Geschäfte haben keine Signatur?
tracker_without_signature <- tracker_summarized %>%
gather(Variable, Value, `AG (GKV)`:
ChKV) %>%
group_by(GN, Quartal, Land, UnterGN) %>%
filter(all(is.na(Value) | Value == "NA")) %>%
slice(1)
dim(tracker_without_signature)[1]## [1] 99ELIC?
dim(elic_summarized[elic_summarized$`Position / EKN` == "", ])[1]## [1] 0Restrukturieren
# 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) %>%
group_by(GN, Quartal, Land, UnterGN) %>%
# 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)
filter( if (all(is.na(Value) | Value == "NA"))
row_number() == 1
else (!is.na(Value) | Value == "NA")) %>%
# alle eindeutigen Werte pro Gruppe mit einem newline-Operator zusammenfügen
summarise_each(funs(paste(unique(.), collapse = "\n"))) %>%
mutate(Wert = as.numeric(Wert)) ## `summarise_each()` is deprecated.
## Use `summarise_all()`, `summarise_at()` or `summarise_if()` instead.
## To map `funs` over all variables, use `summarise_all()`# 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': 9722 obs. of 9 variables:
## $ GN : num 8000002 8000004 8000009 8000012 8000010 ...
## $ 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\r\nDual Use Güter" "Besondere militärische Güter" ...
## $ Signatur : chr "2B120" "6A002.c1" "2B001.b1\r\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': 14440 obs. of 9 variables:
## $ GN : num 8000002 8000004 8000009 8000012 8000010 ...
## $ 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\r\nDual Use Güter" "Besondere militärische Güter" ...
## $ Signatur : chr "2B120" "6A002.c1" "2B001.b1\r\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] 173Manuell 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 == "Georgien, Republik"] <-
"Georgien"
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 ==
"Kongo, Republik"] <-
"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$Land))## [1] 150sort(unique(seco_dual_use$Land))## [1] "Afghanistan" "Ägypten"
## [3] "Albanien" "Algerien"
## [5] "Andorra" "Angola"
## [7] "Argentinien" "Armenien"
## [9] "Aserbaidschan" "Äthiopien"
## [11] "Australien" "Bahamas"
## [13] "Bahrain" "Bangladesh"
## [15] "Belgien" "Benin"
## [17] "Bermudas" "Bhutan"
## [19] "Bolivien" "Bosnien-Herzegowina"
## [21] "Botswana" "Brasilien"
## [23] "Brunei" "Bulgarien"
## [25] "Burkina Faso" "Chile"
## [27] "China" "Costa Rica"
## [29] "Dänemark" "Deutschland"
## [31] "Djibouti" "Dominikanische Republik"
## [33] "Ecuador" "El Salvador"
## [35] "Elfenbeinküste" "Eritrea"
## [37] "Estland" "Fidschi"
## [39] "Finnland" "Frankreich"
## [41] "Gabun" "Georgien"
## [43] "Ghana" "Griechenland"
## [45] "Grossbritannien" "Guatemala"
## [47] "Honduras" "Hong Kong"
## [49] "Indien" "Indonesien"
## [51] "Irak" "Iran"
## [53] "Irland" "Island"
## [55] "Israel" "Italien"
## [57] "Japan" "Jemen"
## [59] "Jordanien" "Kaiman-Inseln"
## [61] "Kambodscha" "Kamerun"
## [63] "Kanada" "Kasachstan"
## [65] "Katar" "Kenia"
## [67] "Kirgisistan" "Kolumbien"
## [69] "Kongo-Kinshasa" "Kroatien"
## [71] "Kuba" "Kuwait"
## [73] "Laos" "Lettland"
## [75] "Libanon" "Libyen"
## [77] "Litauen" "Luxemburg"
## [79] "Macau" "Madagaskar"
## [81] "Malaysia" "Mali"
## [83] "Malta" "Marokko"
## [85] "Marshallinseln" "Mauretanien"
## [87] "Mauritius" "Mazedonien"
## [89] "Mexiko" "Moldawien"
## [91] "Monaco" "Mongolei"
## [93] "Montenegro" "Myanmar"
## [95] "Namibia" "Neuseeland"
## [97] "Niederlande" "Nigeria"
## [99] "Norwegen" "Oman"
## [101] "Österreich" "Pakistan"
## [103] "Panama" "Paraguay"
## [105] "Peru" "Philippinen"
## [107] "Polen" "Portugal"
## [109] "Rumänien" "Russland"
## [111] "Sambia" "San Marino"
## [113] "Saudi-Arabien" "Schweden"
## [115] "Schweiz" "Senegal"
## [117] "Serbien" "Sierra Leone"
## [119] "Singapur" "Slowakei"
## [121] "Slowenien" "Somalia"
## [123] "Spanien" "Sri Lanka"
## [125] "Südafrika" "Sudan"
## [127] "Südkorea" "Swasiland"
## [129] "Taiwan" "Tansania"
## [131] "Thailand" "Togo"
## [133] "Trinidad und Tobago" "Tschechien"
## [135] "Tunesien" "Türkei"
## [137] "Turkmenistan" "Uganda"
## [139] "Ukraine" "Ungarn"
## [141] "Uruguay" "USA"
## [143] "Usbekistan" "Vatikan"
## [145] "Venezuela" "Vereinigte Arabische Emirate"
## [147] "Vietnam" "Weissrussland"
## [149] "Zentralafrikanische Republik" "Zypern"rm(laender)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 finden
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
## 9927 GKV 6A005a6b2 6 A 005a6b2
## 13903 GKV 2B201b1 2 B 201b1
## 5754 GKV 5A002.a.1 5 A 002a1
## 3227 ML (GKV) ML10.c2 10 c2 <NA>
## 12724 GKV 90 9 0
## 10468 GKV 3A001a2c 3 A 001a2c
## 8722 GKV 2B201.a 2 B 201a
## 880 5.1 5.1 1 <NA> <NA>
## 1647 GKV 2B201.b1 2 B 201b1
## 6753 GKV 2B001.b\r\n2B201.a 2 B 001b
## 11863 GKV 2B352b 2 B 352b
## 7575 GKV 2B201.a1 2 B 201a1
## 4132 GKV 2B350.i7 2 B 350i7
## 11392 GKV 2B352b 2 B 352b
## 9109 GKV 2B001.b\r\n2B201.a 2 B 001b
## 2610 ML (GKV) ML05.b 5 b <NA>
## 7960 ML (GKV) ML01.d 1 d <NA>
## 11122 unbekannt unbekannt <NA> <NA> <NA>
## 1375 GKV 2B201.a 2 B 201a
## 10385 GKV 2B201b1 2 B 201b1
## 4498 GKV 2B001.a 2 B 001a
## 9622 ML (GKV) ML18.a 18 a <NA>
## 8339 GKV 2B001.b2\r\n2B201.a1 2 B 001b2
## 14356 GKV 2B350i4 2 B 350i4
## 4294 GKV 6A005.b2 6 A 005b2
## 2173 GKV 7A003.c1 7 A 003c1
## 10440 GKV 2B201b1 2 B 201b1
## 13526 5.1 5.1 1 <NA> <NA>
## 7369 GKV 2B001.a 2 B 001a
## 12979 GKV 3A002g2 3 A 002g2
## 2201 ML (GKV) ML10.a 10 a <NA>
## 7782 ML (GKV) ML14 14 <NA> <NA>
## 2136 GKV 2D002 2 D 002
## 3841 GKV 7A003.c1 7 A 003c1
## 3571 GKV 2B001.c1\r\n2B201.b1 2 B 001c1
## 2711 GKV 5A001.f1\r\n5A001.f3 5 A 001f1
## 13748 GKV 5A001f 5 A 001f
## 10460 GKV 2B201a1\n2B001b2 2 B 201a1
## 9742 GKV 2B201a 2 B 201a
## 3771 5.1 5.1 1 <NA> <NA># 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] "" ".a" "0" "1" "10" "11" "13" "14" "16" "17"
## [11] "2" "3" "4" "5" "5b1" "7" "9" "a" "A" "a1"
## [21] "a13a" "a21" "b" "B" "b4" "c" "C" "c2" "d" "D"
## [31] "d1" "d2" "E" "f" "f1" "f3" "g" "h" "j"levels(seco_dual_use_cleaned$Zusatz)## [1] "" "0" "001" "001a" "001A"
## [6] "001a1" "001a10c" "001a11a" "001A11B" "001a12"
## [11] "001a13b" "001a2" "001a2a" "001a2a1" "001a2c"
## [16] "001A2C" "001a3" "001a5a1" "001A5A1" "001a5a2"
## [21] "001A5A2" "001a5a3" "001a5a4" "001A5A4" "001a5a5"
## [26] "001a6b" "001a7a" "001A7A" "001a7b" "001b"
## [31] "001B" "001b1" "001b10" "001b14" "001b141b"
## [36] "001b14b" "001b1b" "001b2" "001B2" "001b2b3"
## [41] "001b2d" "001b3" "001c" "001C" "001c1"
## [46] "001c2" "001d" "001D" "001e" "001E"
## [51] "001e1" "001e2a" "001f" "001f1" "001f2"
## [56] "001F2" "001f3" "001f3a" "001f4" "001g"
## [61] "001g2" "001h" "001i" "001j" "002"
## [66] "002a" "002a+b" "002a1" "002A1" "002a1a"
## [71] "002a1b" "002a1b3" "002A1B3" "002a1d" "002a2a"
## [76] "002a3f" "002a3g" "002a5" "002A5" "002a9"
## [81] "002b1" "002b4b" "002c1" "002C1" "002c1a"
## [86] "002c2" "002D1" "002d3" "002g" "002g2"
## [91] "002G2" "002h1a" "002H1A" "002h1b" "002H1B"
## [96] "002h1c" "002H1C" "003" "003a" "003a3"
## [101] "003b2d1" "003b4" "003b4a" "003b4b" "003b4c"
## [106] "003c1" "003f" "003f2" "004" "004a"
## [111] "004c" "004c1" "004e" "005" "0055b"
## [116] "005a5b" "005a6a" "005A6A" "005a6b" "005a6b2"
## [121] "005A6B2" "005b2" "005b6a" "005B6A" "005b6a2"
## [126] "005b6b2" "005b6d1" "005b8b" "005d" "005d1"
## [131] "005d1a2" "005d1d4" "005e" "006" "006a"
## [136] "006b" "006b2" "007" "008" "008c"
## [141] "008d" "009" "010b" "010B" "010e"
## [146] "011a" "012" "012a" "012A" "012a1"
## [151] "012a2" "012b" "101" "101a" "101b"
## [156] "103" "103a" "103A" "103a1" "103A1"
## [161] "105" "105b1" "108b" "108b2" "110"
## [166] "111" "111a2a" "111a2a3" "111a2c" "115"
## [171] "115a" "117" "118" "118a" "119"
## [176] "120" "120a" "122" "201" "2011a"
## [181] "201a" "201A" "201a1" "201A1" "201a123"
## [186] "201a2" "201a3" "201b" "201b1" "201b2"
## [191] "201c" "201C" "202" "202b" "203b3"
## [196] "204" "206" "210A" "210b" "216"
## [201] "225" "226" "228" "228c" "230"
## [206] "230c" "231" "231a" "231b" "231b2"
## [211] "233" "233a" "234" "235" "350"
## [216] "35009" "35013" "35014" "35015" "35020"
## [221] "35043" "35046" "35049" "3504g" "3509"
## [226] "350a,b,d,g3" "350a3" "350a4" "350b2" "350b3"
## [231] "350c" "350c1" "350c3" "350c4" "350d1"
## [236] "350d2" "350d2, 3, 9" "350d3" "350D3" "350d4"
## [241] "350d5" "350d7" "350e" "350e1" "350e2"
## [246] "350e3" "350e4" "350e5" "350e7" "350e8"
## [251] "350g" "350G" "350g1" "350G1" "350g1a"
## [256] "350g2" "350G2" "350g3" "350g3b" "350g4"
## [261] "350g9c" "350h2" "350h3" "350h6" "350i"
## [266] "350i1" "350i10" "350i3" "350i4" "350i7"
## [271] "351" "35111" "35120" "351a3" "351a54"
## [276] "351c10" "351d10" "351d11" "351d15" "351d4"
## [281] "351d5" "351d7" "352" "352b" "352b1"
## [286] "352B1" "352c" "352d" "352D" "352d2"
## [291] "352e" "352f" "352f2" "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] 121dim(seco_dual_use_cleaned[seco_dual_use_cleaned$Wert <= 1000, ])[1]## [1] 2153dim(seco_dual_use_cleaned[seco_dual_use_cleaned$Wert <= 10000, ])[1]## [1] 5998dim(seco_dual_use_cleaned[seco_dual_use_cleaned$Wert <= 100000, ])[1]## [1] 9631Output als CSV
# Spalten neu ordnen
seco_dual_use_cleaned <- seco_dual_use_cleaned %>%
select(GN, UnterGN, Quartal, Datum, Land, Wert, Verzeichnis, Signatur,
Haupttyp, Untertyp, Zusatz, Herkunftsdatei)
# \n durch | ersetzen in Signatur
seco_dual_use_cleaned_for_output <- seco_dual_use_cleaned %>%
mutate(Signatur = ifelse(Herkunftsdatei == "Tracker",
sub("\\n", "|", Signatur),
sub("\\r\\n", "|", Signatur))) %>%
mutate(Untertyp = ifelse(is.na(Untertyp), "", as.character(Untertyp))) %>%
mutate(Haupttyp = ifelse(is.na(Haupttyp), "", as.character(Haupttyp))) %>%
mutate(Zusatz = ifelse(is.na(Zusatz), "", as.character(Zusatz))) %>%
mutate(GN = as.character(GN))
write.csv(seco_dual_use_cleaned_for_output, file = "output/seco_dual_use.csv")
# Output für Visualisierung
# Benötigt: Datum, Land, Wert, Verzeichnis, Haupttyp
seco_dual_use_for_vis <- seco_dual_use_cleaned %>%
select(Datum, Land, Wert, Verzeichnis, Haupttyp) %>%
mutate(Haupttyp = as.character(Haupttyp))
# Chemikalien zusammenfassen
seco_dual_use_for_vis$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$Haupttyp)] <-
""
#
# # Dummy-Daten für letztes Quartal
# seco_dual_use_for_vis %<>%
# rbind(
# data.frame(
# "Datum" = "2017-10-01",
# "Land" = "USA",
# "Wert" = 1000000,
# "Verzeichnis" = "GKV",
# "Haupttyp" = "2"
# )
# )
write.csv(seco_dual_use_for_vis,
file = "output/seco_dual_use_for_vis.csv",
row.names = F, quote = c(1, 2, 4, 5))Output aller unterschiedlichen Signaturen als CSV
write.csv(data.frame(signatures = unique(paste(
seco_dual_use_cleaned$Verzeichnis,
seco_dual_use_cleaned$Haupttyp,
seco_dual_use_cleaned$Untertyp,
seco_dual_use_cleaned$Zusatz))), "output/all_signatures.csv")Output aller unterschiedlichen Verzeichnis-Haupttyp-Kategorien zur manuellen Beschreibung
only_top_category_signatures <- seco_dual_use_cleaned %>%
select(Verzeichnis, Haupttyp) %>%
distinct() %>%
mutate(Beschreibung = "", Haupttyp = as.character(Haupttyp)) %>%
arrange(Verzeichnis, Haupttyp)
write.csv(only_top_category_signatures,
"output/signatures_verzeichnis_haupttyp.csv", row.names = F)Analyse
Generelles
Wie sieht die Verteilung aus?
cdf <- ggplot(seco_dual_use_cleaned, aes(x = Wert)) +
stat_ecdf() +
scale_x_log10(labels = formatAsChfWithoutCHF) +
scale_y_continuous(labels = percent)
cdf## Warning: Transformation introduced infinite values in continuous x-axis## Warning: Removed 76 rows containing non-finite values (stat_ecdf).
Wie viel Prozent des Exportvolumens sind Kleinaufträge oder Exporte zu Testzwecken (Definition gemäss SECO: Geschäfte mit einem Wert von unter 10’000 Franken)?
seco_dual_use %>%
group_by("Unter 10'000" = Wert < 10000,
"Zwischen 10'000 und 100'000" = Wert < 100000 & Wert >= 10000,
"Zwischen 100'000 und 1 Mio." = Wert >= 100000 & Wert < 1000000,
"Zwischen 1 Mio. und 10 Mio." = Wert >= 1000000 & Wert < 10000000,
"Über 10 Mio." = Wert >= 10000000) %>%
summarise(Summe = sum(Wert), Anzahl = n()) %>%
mutate(Summenanteil = Summe / sum(seco_dual_use_cleaned$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 17948295 5957 0.002423761 Unter 10'000
## 2 135110344 3658 0.018245479 Zwischen 10'000 und 100'000
## 3 1444914231 4056 0.195123128 Zwischen 100'000 und 1 Mio.
## 4 1630355248 699 0.220165328 Zwischen 1 Mio. und 10 Mio.
## 5 4176812669 70 0.564042304 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 20'982.95.- CHF 10'022'994.- CHF 512'821.4.-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$Wert))## [1] "CHF 7'405'140'786.-"Was sind die grössten Exporte auf der Liste?
arrange(seco_dual_use_cleaned, desc(Wert)) %>%
mutate(Wert = formatAsChf(Wert)) %>%
select(GN, Land, Verzeichnis, Quartal, Wert) %>%
slice(1:10) ## # A tibble: 10 x 5
## GN Land Verzeichnis Quartal Wert
## <dbl> <chr> <fctr> <chr> <chr>
## 1 12332 Saudi-Arabien ML (GKV) 12/02 CHF 1'000'000'000.00.-
## 2 8002454 Saudi-Arabien ML (GKV) 15/02 CHF 415'000'000.00.-
## 3 8001302 Katar ML (GKV) 14/04 CHF 275'000'000.00.-
## 4 8008471 Indien ML (GKV) 16/02 CHF 232'000'000.00.-
## 5 14476 Indien ML (GKV) 13/03 CHF 165'000'000.00.-
## 6 8001226 Indien ML (GKV) 14/04 CHF 135'100'000.00.-
## 7 8002561 Jordanien ML (GKV) 16/01 CHF 120'000'000.00.-
## 8 8005535 Katar ML (GKV) 15/04 CHF 119'200'000.00.-
## 9 8005555 Indien ML (GKV) 15/04 CHF 80'000'000.00.-
## 10 8005539 Indien ML (GKV) 15/04 CHF 80'000'000.00.-Mit welchen 10 Ländern wird am meisten gehandelt?
laenderSummen10Sortiert <- seco_dual_use_cleaned %>%
group_by(Land) %>%
summarise(Wert = sum(Wert)) %>%
arrange(desc(Wert)) %>%
slice(1:10)
laenderAndere <- seco_dual_use_cleaned %>%
group_by(Land) %>%
summarise(Wert = sum(Wert)) %>%
arrange(desc(Wert)) %>%
slice(11:n()) %>%
summarise(Land = "Andere", Wert = sum(Wert))
# Summe der sonstigen
laenderSummen10SortiertForBar <- rbind(laenderSummen10Sortiert,
laenderAndere) %>%
mutate(Land = factor(Land,
levels = c(laenderSummen10Sortiert$Land,
laenderAndere$Land)))
# in die richtige Reihenfolge bringen
laenderSummenBar <- ggplot(data = laenderSummen10SortiertForBar,
aes(x = Land, y = Wert)) +
geom_bar(stat = "identity") +
scale_y_continuous(labels = formatAsChf) +
xlab("Land") +
theme(axis.text.x = element_text(angle = 45, vjust = 0.5))
laenderSummenBar
Mit welchen 10 Ländern wird am meisten gehandelt, 2017?
laenderSummen10Sortiert <- seco_dual_use_cleaned %>%
filter(Datum >= as.Date("2017-01-01")) %>%
group_by(Land) %>%
summarise(Wert = sum(Wert)) %>%
arrange(desc(Wert)) %>%
slice(1:10)
laenderAndere <- seco_dual_use_cleaned %>%
filter(Datum >= as.Date("2017-01-01")) %>%
group_by(Land) %>%
summarise(Wert = sum(Wert)) %>%
arrange(desc(Wert)) %>%
slice(11:n()) %>%
summarise(Land = "Andere", Wert = sum(Wert))
# Summe der sonstigen
laenderSummen10SortiertForBar <-
rbind(laenderSummen10Sortiert, laenderAndere) %>%
mutate(Land = factor(Land,
levels = c(laenderSummen10Sortiert$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] 67.13084Wie 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
Summe nach Quartal, Naher Osten
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
Summe nach Quartal, total
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
Spezialauswertung IMSI-Catcher / Überwachungstechnologie
Bis Januar 2015 waren IMSI-Catcher wahrscheinlich vor allem in der Kat. 5A001i (“Systeme oder Ausrüstung, besonders entwickelt oder geändert für das Abhören und das Verarbeiten der Luftschnittstelle von mobilen Funkdiensten”), weniger noch in der Kat. 5A001f1 (“Vortäuschen der Funktionen von Einrichtungen eines Funkzugangsnetzes (RAN, Radio Access Network)”).
Ab Januar 2015 war es dann va. Kat. 5A001f (“Ausrüstung für das Abhören oder Stören von mobiler Kommunikation sowie Überwachungsausrüstung hierfür”).
Im aktuell gültigen Anhang (Mai 2017) ist es immer noch diese Kategorie
Filtern
imsi_exporte <- seco_dual_use_cleaned %>%
filter(Haupttyp == "5" & Untertyp == "A" &
((Datum < as.Date("2015-01-01") & (str_detect(Zusatz, "^001i") |
str_detect(Zusatz, "^001f1"))) |
(Datum >= as.Date("2015-01-01") & str_detect(Zusatz, "^001f")
)
)
)imsi_exporte %>% arrange(Land, Datum) %>%
mutate(Wert = formatAsChf(Wert)) %>%
select(Datum, Land, Wert, Signatur)## Datum Land Wert
## 1 2013-07-04 Algerien CHF 4'879'406.0.-
## 2 2013-06-19 Äthiopien CHF 1'300.0.-
## 3 2017-10-01 Äthiopien CHF 19'000.0.-
## 4 2014-07-11 Bangladesh CHF 1'500.0.-
## 5 2016-04-01 Bosnien-Herzegowina CHF 3'000.0.-
## 6 2013-01-24 Botswana CHF 29'318.0.-
## 7 2012-07-12 Brasilien CHF 3'000.0.-
## 8 2014-07-11 Brunei CHF 1'500.0.-
## 9 2015-12-08 Bulgarien CHF 1'500.0.-
## 10 2016-01-01 Bulgarien CHF 3'000.0.-
## 11 2016-01-01 Bulgarien CHF 3'000.0.-
## 12 2016-07-01 Chile CHF 9'500.0.-
## 13 2015-05-27 China CHF 16'150.0.-
## 14 2015-08-27 China CHF 7'125.0.-
## 15 2015-08-27 China CHF 86'140.0.-
## 16 2015-09-01 China CHF 16'150.0.-
## 17 2015-10-22 China CHF 8'850.0.-
## 18 2015-12-14 China CHF 8'075.0.-
## 19 2015-12-22 China CHF 200.0.-
## 20 2016-01-01 China CHF 17'700.0.-
## 21 2016-01-01 China CHF 44'250.0.-
## 22 2016-04-01 China CHF 17'700.0.-
## 23 2016-10-01 China CHF 16'150.0.-
## 24 2016-10-01 China CHF 20'060.0.-
## 25 2017-04-01 China CHF 24'225.0.-
## 26 2012-06-12 Deutschland CHF 3'000.0.-
## 27 2012-10-24 Deutschland CHF 2'500.0.-
## 28 2015-09-16 Deutschland CHF 44'250.0.-
## 29 2016-01-01 Deutschland CHF 400.0.-
## 30 2017-07-01 Deutschland CHF 8'850.0.-
## 31 2015-08-13 Dominikanische Republik CHF 301'823.0.-
## 32 2012-08-27 Ecuador CHF 2'500.0.-
## 33 2014-04-09 Elfenbeinküste CHF 1'500.0.-
## 34 2015-08-13 Frankreich CHF 90'155.0.-
## 35 2015-09-22 Frankreich CHF 7'125.0.-
## 36 2016-01-01 Frankreich CHF 90'155.0.-
## 37 2016-04-01 Frankreich CHF 100.0.-
## 38 2016-04-01 Frankreich CHF 100.0.-
## 39 2016-10-01 Frankreich CHF 8'850.0.-
## 40 2017-04-01 Frankreich CHF 14'250.0.-
## 41 2015-07-07 Ghana CHF 4'500.0.-
## 42 2012-09-27 Guatemala CHF 360.0.-
## 43 2014-08-04 Hong Kong CHF 1'500.0.-
## 44 2013-02-08 Indien CHF 898'820.0.-
## 45 2015-05-27 Indien CHF 28'500.0.-
## 46 2015-07-01 Indien CHF 78'850.0.-
## 47 2015-07-08 Indien CHF 53.0.-
## 48 2015-07-10 Indien CHF 8'075.0.-
## 49 2015-11-19 Indien CHF 8'075.0.-
## 50 2017-10-01 Indien CHF 8'960.0.-
## 51 2017-10-01 Indien CHF 8'960.0.-
## 52 2012-11-14 Indonesien CHF 19'431.0.-
## 53 2012-11-21 Indonesien CHF 1'000.0.-
## 54 2014-02-26 Indonesien CHF 1'827'780.0.-
## 55 2017-04-01 Indonesien CHF 16'150.0.-
## 56 2017-07-01 Indonesien CHF 13'068'000.0.-
## 57 2015-11-11 Israel CHF 6'935.0.-
## 58 2012-06-11 Katar CHF 2'500.0.-
## 59 2012-08-30 Katar CHF 2'500.0.-
## 60 2012-09-26 Katar CHF 1'628'480.0.-
## 61 2012-10-10 Katar CHF 140'260.0.-
## 62 2014-11-17 Katar CHF 6'082'794.0.-
## 63 2015-06-24 Katar CHF 18'743.0.-
## 64 2015-06-25 Katar CHF 5'125.0.-
## 65 2015-08-28 Katar CHF 410'104.0.-
## 66 2016-01-01 Katar CHF 394.0.-
## 67 2016-01-01 Katar CHF 104.0.-
## 68 2016-01-01 Katar CHF 394.0.-
## 69 2016-01-01 Katar CHF 273.0.-
## 70 2016-01-01 Katar CHF 104.0.-
## 71 2016-01-01 Katar CHF 394.0.-
## 72 2016-01-01 Katar CHF 104.0.-
## 73 2016-10-01 Kroatien CHF 8'075.0.-
## 74 2014-02-26 Kuwait CHF 4'895'800.0.-
## 75 2015-06-09 Kuwait CHF 4'811'557.0.-
## 76 2015-08-26 Kuwait CHF 3'486'753.0.-
## 77 2016-01-01 Kuwait CHF 6'576'007.0.-
## 78 2012-06-05 Libanon CHF 141'000.0.-
## 79 2012-10-16 Libanon CHF 485'000.0.-
## 80 2013-04-05 Libanon CHF 423.0.-
## 81 2014-02-26 Libanon CHF 248'159.0.-
## 82 2015-06-04 Libanon CHF 2'100'530.0.-
## 83 2012-12-18 Litauen CHF 1'000.0.-
## 84 2015-08-19 Litauen CHF 2'500.0.-
## 85 2012-12-12 Macau CHF 1'147'080.0.-
## 86 2012-06-04 Malaysia CHF 25'000.0.-
## 87 2013-04-15 Marokko CHF 2'800.0.-
## 88 2014-03-26 Marokko CHF 1'500.0.-
## 89 2014-07-11 Marokko CHF 6'000.0.-
## 90 2012-07-10 Mexiko CHF 1'000.0.-
## 91 2012-09-14 Mexiko CHF 3'400.0.-
## 92 2012-10-03 Mexiko CHF 777'600.0.-
## 93 2015-12-07 Mexiko CHF 2'500.0.-
## 94 2017-10-01 Mexiko CHF 369'365.0.-
## 95 2015-09-17 Mongolei CHF 4'500.0.-
## 96 2012-06-04 Nigeria CHF 890'000.0.-
## 97 2012-09-11 Oman CHF 1'500.0.-
## 98 2016-10-01 Österreich CHF 61'950.0.-
## 99 2012-07-05 Pakistan CHF 1'400.0.-
## 100 2013-06-18 Pakistan CHF 40'000.0.-
## 101 2015-10-02 Pakistan CHF 1'099'332.0.-
## 102 2015-10-02 Pakistan CHF 983'987.0.-
## 103 2015-10-02 Pakistan CHF 550'185.0.-
## 104 2015-11-20 Pakistan CHF 1'937'053.3.-
## 105 2015-11-20 Pakistan CHF 417'053.7.-
## 106 2016-04-01 Pakistan CHF 1'369'540.0.-
## 107 2016-04-01 Pakistan CHF 561'084.3.-
## 108 2017-01-01 Pakistan CHF 262'328.0.-
## 109 2017-04-01 Pakistan CHF 121'235.4.-
## 110 2015-06-04 Philippinen CHF 964'924.0.-
## 111 2015-10-28 Philippinen CHF 755'625.0.-
## 112 2017-10-01 Polen CHF 123'827.0.-
## 113 2016-07-01 Portugal CHF 8'000.0.-
## 114 2015-11-02 Russland CHF 10'030.0.-
## 115 2016-10-01 Serbien CHF 147'000.0.-
## 116 2015-11-06 Südafrika CHF 100.0.-
## 117 2015-11-30 Südafrika CHF 7'125.0.-
## 118 2017-07-01 Taiwan CHF 20'060.0.-
## 119 2012-06-25 Thailand CHF 1'400.0.-
## 120 2012-09-05 Thailand CHF 500.0.-
## 121 2012-09-13 Thailand CHF 1'700.0.-
## 122 2012-09-18 Thailand CHF 170.0.-
## 123 2012-10-25 Thailand CHF 700.0.-
## 124 2013-01-21 Thailand CHF 2'500.0.-
## 125 2014-11-17 Thailand CHF 105'275.0.-
## 126 2012-05-30 Tschechien CHF 3'000.0.-
## 127 2012-11-06 Tschechien CHF 3'500.0.-
## 128 2013-05-28 Tschechien CHF 2'500.0.-
## 129 2015-09-17 Tschechien CHF 2'500.0.-
## 130 2014-03-13 Tunesien CHF 1'500.0.-
## 131 2016-01-01 Türkei CHF 10'778.0.-
## 132 2017-04-01 USA CHF 8'075.0.-
## 133 2017-10-01 USA CHF 8'075.0.-
## 134 2012-10-23 Venezuela CHF 1'000.0.-
## 135 2012-02-09 Vereinigte Arabische Emirate CHF 3'500.0.-
## 136 2013-04-24 Vietnam CHF 964'413.0.-
## 137 2016-01-01 Vietnam CHF 10'030.0.-
## 138 2016-07-01 Vietnam CHF 7'125.0.-
## Signatur
## 1 5A001i
## 2 5A001i
## 3 5A001.f1
## 4 5A001i
## 5 5A001.f1\r\n5A001.f3
## 6 5A001i
## 7 5A001i
## 8 5A001i
## 9 5A001.f2
## 10 5A001.f1
## 11 5A001.f1
## 12 5A001.f1
## 13 5A001.f1
## 14 5A001.f1
## 15 5A001.f1
## 16 5A001.f1
## 17 5A001.f1
## 18 5A001.f1
## 19 5A001.f1
## 20 5A001.f1
## 21 5A001.f1
## 22 5A001.f1
## 23 5A001.f1
## 24 5A001.f1
## 25 5A001.f1
## 26 5A001i
## 27 5A001i
## 28 5A001.f1
## 29 5A001.f1
## 30 5A001.f1
## 31 5A001.f3
## 32 5A001i
## 33 5A001i
## 34 5A001.f1
## 35 5A001.f1
## 36 5A001.f1
## 37 5A001.f1
## 38 5A001.f1
## 39 5A001.f1
## 40 5A001.f1
## 41 5A001.f3\r\n5A001.f1
## 42 5A001i
## 43 5A001i
## 44 5A001i
## 45 5A001.f1
## 46 5A001.f1
## 47 5A001.f1
## 48 5A001.f1
## 49 5A001.f1
## 50 5A001.f1
## 51 5A001.f1
## 52 5A001i
## 53 5A001i
## 54 5A001i
## 55 5A001.f1
## 56 5A001.f1\r\n5A001.f2
## 57 5A001.f1
## 58 5A001i
## 59 5A001i
## 60 5A001i
## 61 5A001i
## 62 5A001.i
## 63 5A001.f3
## 64 5A001.f
## 65 5A001.f
## 66 5A001.f
## 67 5A001.f
## 68 5A001.f
## 69 5A001.f
## 70 5A001.f
## 71 5A001.f
## 72 5A001.f
## 73 5A001.f1
## 74 5A001i
## 75 5A001.f
## 76 5A001.f3
## 77 5A001.f4
## 78 5A001i
## 79 5A001i
## 80 5A001i
## 81 5A001i
## 82 5A001.f
## 83 5A001i
## 84 5A001.f1
## 85 5A001i
## 86 5A001i
## 87 5A001i
## 88 5A001i
## 89 5A001i
## 90 5A001i
## 91 5A001i
## 92 5A001i
## 93 5A001.f1\r\n5A001.f3
## 94 5A001.f2
## 95 5A001.f1\r\n5A001.f3
## 96 5A001i
## 97 5A001i
## 98 5A001.f1
## 99 5A001i
## 100 5A001i
## 101 5A001.f3.a
## 102 5A001.f3.a
## 103 5A001.f3.a
## 104 5A001.f3.a
## 105 5A001.f3.a
## 106 5A001.f1
## 107 5A001.f3.a
## 108 5A001.f3.a
## 109 5A001.f.3a
## 110 5A001.f1
## 111 5A001.f1
## 112 5A001.f1
## 113 5A001.f1
## 114 5A001.f1
## 115 5A001.f2
## 116 5A001.f1
## 117 5A001.f1
## 118 5A001.f1
## 119 5A001i
## 120 5A001i
## 121 5A001i
## 122 5A001i
## 123 5A001i
## 124 5A001i
## 125 5A001.i
## 126 5A001i
## 127 5A001i
## 128 5A001i
## 129 5A001.f2
## 130 5A001i
## 131 5A001.f1
## 132 5A001.f1
## 133 5A001.f1
## 134 5A001i
## 135 5A001i
## 136 5A001i
## 137 5A001.f1
## 138 5A001.f1Grösste Empfänger, seit 2012
laenderSummen10Sortiert <- imsi_exporte %>%
group_by(Land) %>%
summarise(Wert = sum(Wert)) %>%
arrange(desc(Wert)) %>%
slice(1:10)
laenderAndere <- imsi_exporte %>%
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
Entwicklung über Zeit
exportvolumenNachQuartal <- imsi_exporte %>%
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
# Summe nach Jahr
exportvolumenNachJahr <- imsi_exporte %>%
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
Was sind die grössten Exporte auf der Liste?
arrange(imsi_exporte, desc(Wert)) %>%
mutate(Wert = formatAsChf(Wert)) %>%
select(GN, Land, Verzeichnis, Quartal, Wert) %>%
slice(1:15) ## # A tibble: 15 x 5
## GN Land Verzeichnis Quartal Wert
## <dbl> <chr> <fctr> <chr> <chr>
## 1 8013093 Indonesien GKV 17/03 CHF 13'068'000.0.-
## 2 8007794 Kuwait GKV 16/01 CHF 6'576'007.0.-
## 3 8000865 Katar GKV 14/04 CHF 6'082'794.0.-
## 4 14756 Kuwait GKV 14/01 CHF 4'895'800.0.-
## 5 14190 Algerien GKV 13/03 CHF 4'879'406.0.-
## 6 8001080 Kuwait GKV 15/02 CHF 4'811'557.0.-
## 7 8003924 Kuwait GKV 15/03 CHF 3'486'753.0.-
## 8 8001967 Libanon GKV 15/02 CHF 2'100'530.0.-
## 9 8004927 Pakistan GKV 15/04 CHF 1'937'053.3.-
## 10 15155 Indonesien GKV 14/01 CHF 1'827'780.0.-
## 11 13119 Katar GKV 12/03 CHF 1'628'480.0.-
## 12 8009371 Pakistan GKV 16/02 CHF 1'369'540.0.-
## 13 13526 Macau GKV 12/04 CHF 1'147'080.0.-
## 14 8003989 Pakistan GKV 15/04 CHF 1'099'332.0.-
## 15 8003996 Pakistan GKV 15/04 CHF 983'987.0.-Ablehnungen gemäss bundesrätlicher Notverordnung
https://www.admin.ch/opc/de/classified-compilation/20150564/index.html#app1ahref0 Gemäss Verordnung vom 13. Mai 2015 kann der Export von Dual-Use-Gütern verweigert werden, wenn Grund zur Annahme besteht, dass:a.) das auszuführende oder das zu vermittelnde Gut von der Endempfängerin oder vom Endempfänger als Repressionsmittel verwendet wird; oder b.) die Übertragung eines Immaterialgutes nach Artikel 1 Buchstabe b oder die Einräumung von Rechten daran mit Bezug auf ein Gut erfolgt, von welchem anzunehmen ist, dass es als Repressionsmittel verwendet wird.
Als Güter zur Internet- und Mobilfunküberwachung gelten die folgenden im Anhang 2 der GKV1 unter den nachstehenden Exportkontrollnummern (EKN) aufgeführten Waren, Technologien und Softwareprodukte:
1.4A005 (Geräte für Betrieb von Intrusion-Software), 4D004 (Software für Betrieb von Intrusion-Software), 4E001 (Intrusion-Software), 5A001.f (IMSI-Catcher), 5A001.j (Internet-Monitoring-Tools), 5A002.a.2 (Systeme, Ausrüstung oder Bestandteil für kryptografische Informationssicherheit); 2.5D001 (Software zur Herstellung, Verwendung oder Enwicklung von 5A001), sofern Software zu den EKN 5A001.f und 5A001.j betroffen ist; 3.5E001 (Technologie zur Herstellung, Verwendung oder Entwicklung von 5A001), sofern Technologie zu den EKN 5A001.f und 5A001.j. betroffen ist; 4.5D002 (Software, die die Eigenschaften von 5A002 besitzt), sofern Software zur EKN 5A002.a.2 betroffen ist; 5.5E002 (Technologie zur Herstellung, Verwendung oder Enwicklung von 5A002), sofern Technologie zur EKN 5A002.a.2 betroffen ist.
Achtung! Leider lässt sich nicht herauslesen, ob bei den Bewilligungen der Punkte 2-5 die Einschränkungen zutreffen. Daher sind auch viele Exportbewilligungen im Dataframe, die nicht unter die Verordnung fallen.
Daten einlesen
denial_2015 <- read_excel(path =
"input/denials/Denial_IP_2015_Ablehnungen.xlsx",
sheet = 1)
# Spaltentypen setzen und umbenennen
denial_2015 <- denial_2015 %>%
mutate(Geschäftsnummer = as.integer(Geschäftsnummer),
Wert = as.numeric(`Wert [CHF]`),
Quartal = "15/01") %>%
rename(GN = Geschäftsnummer,
Land = Bestimmungsland,
Signatur = `Exportkontrollnummer EKN`) %>%
select(-`Wert [CHF]`)
denial_ab_2016 <- map_dfr(list.files("input/denials",
"^\\d{1}.*Quartal.{1}\\d{4}.*\\.xlsx$"),
function(file){
# parse file name
quart <- as.numeric(
str_match_all(file,
"^(\\d{1}).*Quartal.{1}\\d{4}.*\\.xlsx$")[[1]][, 2])
year <- as.numeric(
str_match_all(file,
"^\\d{1}.*Quartal.{1}(\\d{4}).*\\.xlsx$")[[1]][, 2])
month <- (quart - 1) * 3 + 1
# read in excel
raw_data <- read_excel(path = paste0("input/denials/", file), sheet = 1)
data <- raw_data %>%
mutate(Quartal = paste0(str_sub(year, 3), "/0", quart)) %>%
mutate(as.integer(Geschäftsnummer)) %>%
rename_at(vars(contains("EKN")), ~"Signatur") %>%
rename_at(vars(starts_with("Ablehnungs")), ~"Ablehnungsgrundlage") %>%
select(GN = Geschäftsnummer,
Land = Bestimmungsland,
Güterart,
Signatur,
Ablehnungsgrundlage,
Wert = `Wert [CHF]`,
Quartal
)
return(data)
})
denials <- denial_2015 %>% bind_rows(denial_ab_2016)
# print
denials %>%
mutate(Wert = formatAsChf(Wert)) %>%
filter(str_detect(Ablehnungsgrundlage, "überwachung")) %>%
arrange(Quartal) %>% select(-Ablehnungsgrundlage)## # A tibble: 11 x 6
## GN Land Güterart
## <dbl> <chr> <chr>
## 1 8001798 Bangladesch Dual Use Güter
## 2 8002336 Bangladesch Dual Use Güter
## 3 8001458 Vietnam Dual Use Güter
## 4 8007596 Türkei Dual Use Güter
## 5 8010823 Thailand Dual Use Güter / Überwachungstechnologie
## 6 8010823 Thailand Dual Use Güter / Überwachungstechnologie
## 7 8015015 China, Volksrepublik Dual Use Güter
## 8 8015015 China, Volksrepublik Dual Use Güter
## 9 8015015 China, Volksrepublik Dual Use Güter
## 10 8015015 China, Volksrepublik Dual Use Güter
## 11 8015015 China, Volksrepublik Dual Use Güter
## # ... with 3 more variables: Signatur <chr>, Wert <chr>, Quartal <chr>Die Tabelle beinhaltet nur Ablehnungen auf Grund von Art. 6 Abs. 1 Bst. a der Verordnung über die Ausfuhr und Vermittlung von Gütern zur Internet- und Mobilfunküberwachung.
Linting
Der Code in diesem RMarkdown wird mit lintr automatisch auf den Wickham’schen tidyverse style guide überprüft.
lintr::lint("main.Rmd", linters =
lintr::with_defaults(
commented_code_linter = NULL,
trailing_whitespace_linter = NULL
)
)## main.Rmd:414:12: style: Variable and function names should be all lowercase.
## ChKV) %>%
## ^~~~
## main.Rmd:415:31: style: Variable and function names should be all lowercase.
## group_by(GN, Quartal, Land, UnterGN) %>%
## ^~~~~~~
## main.Rmd:436:38: style: Variable and function names should be all lowercase.
## gather(Variable, Value, `AG (GKV)`:ChKV) %>%
## ^~~~
## main.Rmd:437:31: style: Variable and function names should be all lowercase.
## group_by(GN, Quartal, Land, UnterGN) %>%
## ^~~~~~~
## main.Rmd:662:14: style: Variable and function names should be all lowercase.
## select(GN, UnterGN, Quartal, Datum, Land, Wert, Verzeichnis, Signatur,
## ^~~~~~~
## main.Rmd:1127:6: style: Place a space before left parenthesis, except in a function call.
## ((Datum < as.Date("2015-01-01") & (str_detect(Zusatz, "^001i") |
## ^
## main.Rmd:1264:48: warning: Do not use absolute paths.
## mutate(Quartal = paste0(str_sub(year, 3), "/0", quart)) %>%
## ^~