Jeg har netop sendt denne email:

Emil O. W. Kirkegaard <the.dfx@gmail.com> Mon, Jun 13, 2016 at 2:22 AM

Hej Statsforvaltning,

I 2012 skrev version2 en artikel om jer:

www.version2.dk/artikel/e-mail-lastbilen-toeffer-stadig-paa-landevejen-afloeseren-forsinket-44120

Jeg søger hermed aktindsigt i denne sag, særligt om hvad der er sket siden 2012.

Jeg vil også gerne have et estimat på de samlede omkostninger per år (eller per måned) med denne praksis med at printe e-mails ud og køre dem med lastbil.

Med venlig hilsen,

Emil

Automatisk svar:

post@statsforvaltningen.dk <post@statsforvaltningen.dk> Mon, Jun 13, 2016 at 2:23 AM

**Automatisk kvittering for modtagelse af din e-mail**

Dette er en kvittering for, at Statsforvaltningen har modtaget din email. Din e-mail vil blive behandlet hurtigst muligt. Denne e-mail kan ikke besvares.

Efter reglerne i Persondataloven må vi ikke sende e-mails til dig med personfølsomme oplysninger, medmindre e-mailen kan signeres og krypteres. Vi kan kun sende signerede og krypterede e-mails som svar på en allerede signeret og krypteret e-mail. En e-mail signeres og krypteres ikke automatisk, hvis du sender en almindelig e-mail til os til post@statsforvaltningen.dk. Vi svarer dig derfor ikke pr. e-mail, men sender vores breve til dig som almindelig post, medmindre du har sendt din e-mail krypteret.

Hvis du gerne vil have din post fra os i din dokumentboks, skal du sende en besked til os fra din dokumentboks på borger.dk.

Hvis din henvendelse vedrører De Sociale Nævn eller Beskæftigelsesankenævnene vil e-mailen blive videresendt til Ankestyrelsen, da sagsbehandlingen af klager på disse områder pr. 1. juli 2013 overgik til Ankestyrelsen, som blev klageinstans.

Husk at skrive dit navn, adresse, eventuelt telefonnummer og journalnummer, hvis du allerede har en sag i Statsforvaltningen. På Statsforvaltningens hjemmeside www.statsforvaltningen.dk kan du finde svar på de mest almindelige spørgsmål, finde
ansøgningsblanketter, m.m.

Venlig hilsen
Statsforvaltningen

At de vil sende et papirbrev tyder jo ikke godt. Hvorfor ikke bare sende mig en krypteret besked med min offentlige PGP-nøgle? Jeg er sikker på at jeg kunne finde på andre løsninger som er sikre nok og ikke kræver at man bruger 8 kroner i porto og en konvolut, og tid på at sende et papirbrev.

Har faktisk kun fået et par hadebeskeder personligt, men der er naturligvis mange som mener at det er uetisk og som diskuterer på i kommentarsektioner på nettet osv. Det skal de naturligvis have lov til. Men hvis man sender mig direkte hadefulde personlige beskeder, så offentliggør jeg dem.

(via Facebook privatbesked)
lø. 23:34
jeg håber du sover godt om natten med din grænseoverskridende tilgang til dine ufrivillige respondenter. du får ikke en særlig lovende videnskabelig karriere med den etik, du lægger for dagen, så du bør bestemt anonymisere alle links mellem de indsamlede karakteristika og profilidentiteterne for at mennesker ikke kommer i fare. må jeg minde dig om, at det ikke er lovligt at være eks. homoseksuel i alle stater i verden. du risikerer i yderste konsekvens at bringe uskyldige menneskers liv i fare.

sø. 21:17
Hør her, nazisvin. Du kan godt regne med at blive anmeldt for videnskabelig uredelighed, hvis vi ved gennemgangen af datasættet kan konstatere, at du har fjernet dine egne profiloplysninger fra undersøgelsen. Det betyder nok også enden på din ‘forsker’karriere, når du tydeligvis ingen respekt har over for faget.

Denne er fra: www.facebook.com/ballademis Kar Mus, vist et falsk navn. Han lader til at være del af venstre-aktivisme segmentet.

Politikerne fra de centrale partier har gjort det (endnu) sværere at få fat i information som det offentlige ligger inde med men som ikke umiddelbart er offentligt tilgængelige. Det er dog stadig muligt at kræve informationer udleveret og nogle gange lykkedes det, og ofte ikke. Siden mange aktindsigter omhandler informationer man alligevel har tænkt sig at dele frit bagefter, så ville det give mening hvis der var en åben platform til aktindsigter.

Den optimale løsning ville være at det offentlige selv lavede en central platform hvor alle aktindsigter blev noteret i og hvor man kunne gøre tingene offentlige hvis man ville (som den som søger). Men nu ved vi godt hvordan det plejer at gå med offentlige IT-projekter, så den ide må nok opgives. I hvert fald er der ingen offentlig portal lige nu.

Men opgaven med at bygge en platform til aktindsigter er en relativ beskeden opgave som nok kunne klares på under en uge hvis man havde en lille gruppe duelige programmører men samtidig ville det samfundsmæssige udbytte måske være meget stort. At have en åben platform ville også gøre det muligt at samle detaljeret statistik om hvor ofte folk får afslag, hvilke love som bruges til at give afslag (relevant for debatten om den nye offentlighedslov) og hvor lang tid det tager (meget lang tid). Faktisk har det offentlige en interesse i at have en platform fordi det betyder at de vil modtage færre kopier af de samme anmodninger.

Forslag til opsætning

Her er et lille bud på hvordan en sådan side kunne sættes op. Databasen tænker jeg ville se nogenlunde sådan her ud:

aktindsigt_database

Jeg har skrevet det på engelsk fordi det er nemmere at arbejde med da alt andet i programmering står på engelsk og fordi det i så fald er nemmere at arbejde sammen på tværs af sprog.

Databasen består af 4 primære objekter:

  1. User (bruger). Denne type er som regel indbygget i det web framework man bruger. Det er i Django, som er det Python framework jeg har tænkt mig skulle bruges. Brugerobjektet har folks kode-hash, emails og den slags.
  2. Request (anmodning). Dette er de anmodning om aktindsigt som folk har lavet. Der er en henvisning til den bruger som har oprettet den i systemet. Endvidere er der information om hvor der er søgt aktindsigt (fx finansministeriet; recipient), hvad status er på anmodningen (godkendt, afvist, venter på svar) og hvis den er afslået, hvilken paragraf har de så brugt til at afvise den med. Her burde man måske også tilføje om der er klaget over afgørelsen til ombudsmanden da det er mit indtryk at dette ofte bliver gjort, nogle gange med succes.
  3. Communication (kommunikation). Ideen er at hver gang der er et stykke kommunikation om en given anmodning så oprettes den som et objekt i sig selv. Den har så sin egen dato og modtager/afsender, så det er nemt at søge i. Der er også teksten hvis det er tekstbaseret. Teoretisk kunne det også være et telefonopkald, så ville man blive nødt til at vedhæfte en lydfil. Det er dog nemmere at holde det til tekst, og man kunne evt. nedskrive ting der bliver sagt i en telefonsamtale. Kommunikationsobjekterne er fundet til den anmodning som de hører til.
  4. Content (indhold). Hvis indsigten resulterer i at man får noget data udleveret, så oploader man her det man har fået udleveret. Det kunne være ting som PDF- eller excel-filer. Loven siger at de skal give en informationen i det format man ønsker.

Jeg forestiller mig at processen med at lave en anmodning ville være nogenlunde sådan her:

  1. Opret en bruger på siden.
  2. Skriv en email til et offentligt embede om noget information man ønsker udleveret.
  3. Opret derefter en anmodning på systemet, notér hvem anmodningen er sendt til og indsæt den email du skrev til embedet i en kommunikation.
  4. Herefter venter man på at de svarer. Som regel får man en bekræftelse i løbet af et par dage. Den indsættes man så i systemet også, inkl. hvilke dato den er fra. Det er fra den dato som de har et par uger til at svare (sker dog sjældent i praksis).
  5. Efter som regel et halvt år eller sådan, så får man et svar, enten med de informationer man ønskede sig eller med et afslag. Uanset hvad, så indsætter man deres email i systemet og opdaterer statussen på anmodningen. Fik man nogle informationer, så oploader man dem til systemet også.

Hvis man laver et sådant system, så ville det være relativt nemt at gøre alle dataene åbent tilgængelige og med søgesystemer som gør det meget nemmere for andre at finde ting andre har fået udleveret og holde øje med hvad der bliver udleveret, hvem der er langsom til at udlevere dem, og hvilke paragraffer som bliver brugt til at afvise dem med.

Domæner

Der er flere mulige domæner man kunne bruge. Vi overvejer:

Vi hører gerne fra folk der er interesserede i et samarbejde. Vi er to som kan Django på et nogenlunde nivo men som er mindre gode til front-end design, og heller ikke kender juraen alt for godt. Vores emails er:

  • emil (hos) emilkirkegaard(dot de kå)
  • bo (hos) tberg (dot de kå).

Jeg har dags dato, 28. april 2016, sendt en aktindsigt til Københavns Politi:

Kære Københavns Politi,
Jeg ved at I bruger meget tid på at holde vagt ved politiske demonstrationer. Særligt her på det sidste omkring Pegida/For Frihed og andre lign. anti-indvandring demonstrationer. Ofte hører man senere i medierne at nogen blev anholdt. Her er et eksempel:
www.dr.dk/nyheder/indland/fem-anholdt-ved-islamkritisk-demo
I denne artikel skriver journalisten hvem der blev anholdt: 5 pro-indvandring folk. Men I mange andre artikler fremgår det ikke. Fx:
www.dr.dk/nyheder/indland/islamkritisk-demonstration-moedt-af-vrede-antifascister-en-anholdt
Det fremgår kun at 1 person blev anholdt.
Jeg vil gerne have en oversigt over de sidste 10 års anti-indvandring og pro-indvandrings demonstrationer. På den liste skal det fremgå:
1. Hvor mange deltagere der var (politiets eget estimat). Også deltagere til samtidige moddemonstrationer hvis disse forefindes.
2. Hvor mange anholdte der var.
3. Blandt de anholdte, hvilken side konflikten de var på.
Jeg vil gerne have dataene i en excel-fil.
Jeg har vedhæftet en fil som viser eksempel data fra den første artikel ovenfor.
Formålet er forskning i politisk ekstremisme i Danmark.
Hvis I har nogen spørgsmål, så kontakt mig gerne på denne email.

Jeg poster den her så jeg kan referere til hvornår den blev afsendt.

Bloggen Kulturradikalisme Smadrer Danmark har lavet en analyse som forsøger at kvantificere antallet og stigningen af muslimer i Danmark. Han har brugt en temmelig simpel metode:

  • KSD har “kategoriseret et land som muslimsk, når islam er den mest udbredte religion”.
  • Talt 100% af personer fra muslimske lande.

Det er dermed en approksimering som kun virker såfremt at fordelingen af muslim% er symmetrisk og at størrelsen på gruppen ikke har nogen sammenhæng med muslim%. Disse antagelser er nok ikke helt rigtige.

Det kan gøres bedre. Man kan finde muslim% i hjemlandet (via Pew Research) og gange det med antallet af personer i Danmark fra det land. Det kan man gøre over tid og dermed se ændringen. Der er dog stadig problemer:

1) Nogle personer bliver muslimer mens andre falder fra (konvertitter og dekonvertitter). Modellen giver kun rigtige tal hvis disse to grupper er lige store (evt. 0). Det er nok ikke rigtigt da jeg vil tro at der er langt flere dekonvertitter end konvertitter mht. Islam i Danmark (negativ bias).

2) DSTs tal underestimerer personer fra andre lande fordi de klassificerer personer som “dansk oprindelse” givet en relativ lempelig juridisk definition:

I statistikken kan befolkningen opdeles i tre grupper afhængig af deres oprindelse: Personer med dansk oprindelse, indvandrere og efterkommere.
En person har dansk oprindelse, hvis han eller hun har mindst én forælder, som både er dansk statsborger og født i Danmark. Hverken indvandrere eller efterkommere har én forælder, som både er dansk statsborger og født i Danmark. Forskellen mellem indvandrere og efterkommere er, at indvandrere er født i udlandet, mens efterkommere er født i Danmark.

I praksis betyder det at der er flere muslimer her end tallene viser (positiv bias).

Jeg har gjort det ovenstående og det gav følgende resultat:

number_year

Hvis vi ser på 2005 til 2015 (som han gør), er tallene 173923.41 til 221908.34. En stigning på 27.6%. Hans estimat var 26%, så det er ca. det samme.

Der er en anden mulighed for at undersøge problemet. Man kan tælle antal personer med muslimske fornavne hvert år via DSTs side (“Hvor mange hedder”). De personer som har muslimske navne men som tælles som “dansk oprindelse” vil blive inkluderet der. Omvendt så vil personer som får et ikke-muslimsk navn ikke blive talt med. Det kan potentielt betyde at man undgår problemet med konvertitter og dekonvertitter som beskrevet ovenfor.

Det er nemt nok at skrabe dataene fra DSTs side med et lille script. Vi gjorde det i forbindelse med vores paper What is a good name? The S factor in Denmark at the name-level.

[Jeg poster scriptet her når jeg finder det.]

R kode

Jeg har brugt følgende R kode. Bemærk at det kræver at man allerede har megadatasettet. Det findes her: osf.io/zdcbq/files/

library(pacman)
p_load(devtools, kirkegaard, psych, plyr, stringr, dkstat, magrittr, reshape2, tidyr, ggplot2)

### estimates the number of muslims by using countries of origin and their Muslim%
# Denmark -----------------------------------------------------------------
#load data with persons from each country of origin by year
d_dk_FOLK2_meta = dst_meta(table = "FOLK2", lang = "en")
d_dk_FOLK2_meta$variables

#structure
str(d_dk_FOLK2_meta$values)

#fetch data
query = list(IELAND = d_dk_FOLK2_meta$values$IELAND$text, Tid = d_dk_FOLK2_meta$values$Tid$text)
d_dk_FOLK2 = dst_get_data(table = "FOLK2", lang = "en", meta_data = d_dk_FOLK2_meta, query = query)

#convert date to string with year
d_dk_FOLK2$TID %<>% format(format = "%Y")

#melt to wide
d_dk_FOLK2_wide = spread(d_dk_FOLK2, TID, value)

#remove empty countries (cleaning)
v_which_drop = apply(d_dk_FOLK2_wide, 1, function(x) {
  x[-1] %>% as.numeric() %>% sum()
}) %>% equals(0)
d_dk_FOLK2_wide = d_dk_FOLK2_wide[!v_which_drop, ] #drop the ones we dont want

#abbreviate the names
d_dk_FOLK2_wide$abbrev = as_abbrev(d_dk_FOLK2_wide$IELAND)

#remove unrecognized names
d_dk_FOLK2_wide = d_dk_FOLK2_wide[!is.na(d_dk_FOLK2_wide$abbrev), ]

#merge rows of duplicates
d_dk_FOLK2_wide = merge_rows(d_dk_FOLK2_wide, key = "abbrev", func = sum)

#set rownames
rownames(d_dk_FOLK2_wide) = d_dk_FOLK2_wide$abbrev

#remove cols
d_dk_FOLK2_wide$IELAND = NULL
d_dk_FOLK2_wide$abbrev = NULL

#load muslim data
d_mega = read.csv("Megadataset_v2.0m.csv", sep = ";", row.names = 1)

#merge with muslim data, leftwards (keep only overlap with danish data)
d_dk_FOLK2_wide = merge_datasets(d_dk_FOLK2_wide, d_mega["IslamPewResearch2010"], join = "left")

#remove Denmark
d_dk_FOLK2_wide = d_dk_FOLK2_wide[!str_detect(rownames(d_dk_FOLK2_wide), "DNK"), ]

#calculate estimated muslims by cell
d_dk_est = apply(d_dk_FOLK2_wide, 1, function(row) {
  v_len = length(row)
  row[1:(v_len-1)] * row[v_len]
}) %>% t %>% as.data.frame()

#sum by year
d_dk_est_by_year = data.frame(number = colSums(d_dk_est, na.rm = T), year = as.numeric(colnames(d_dk_est)))

#plot
ggplot(d_dk_est_by_year, aes(year, number)) + geom_line() + ylab("Antal muslimer i Danmark, estimeret") + xlab("År") + scale_x_continuous(breaks = seq(1980, 2015, by = 5))
ggsave("figures/number_year.png")

#increase 2005-2015
v_temp = d_dk_est_by_year[c("2005", "2015"), "number"]
((v_temp[2] / v_temp[1]) - 1) %>% round(3)

TV2 har købt data fra Danmarks Statistik om andelen af indvandrere på konstanthjælp per kommune. De har derefter lavet et interaktivt kort.

nyhederne.tv2.dk/2015-12-20-flere-flygtninge-paa-kontanthjaelp-mohamad-vil-gerne-tjene-sine-egne-penge

Dataene findes nemt i sidens kildekode i json format. Jeg har konverteret til det csv:

indvandrere_kontanthjælp_kort_kommuner.json

indvandrere_kontanthjælp_kommuner.csv

Informationen fra kortet (kommunernes placeringer og grænser findes i en json fil som hentes i baggrunden;

denmark-municipals.json

Bonus: Estimeret udgift til flygtninge per kommune

TV2 har også indsamlet tal om udgifterne til flygtningene, dog kun fra 63 kommuner.

nyhederne.tv2.dk/samfund/2015-12-20-udgifter-til-flygtninge-eksploderet-tjek-din-kommune-her

Dataene findes på samme måde som før.

indvandrere_kontanthjælp_kommuner_udgift.csv

R kode til at konvertere

library(jsonlite);library(stringr)

json = fromJSON("indvandrere_kontanthjælp_kort_kommuner.json")

data = sapply(json$regions, function(x) {
  x$valueheat %>% as.numeric
})

write.csv(data, "indvandrere_kontanthjælp_kommuner.csv")

DR er så venlig at lave en side som viser alle valgresulterne efter område i et fint kort. Uheldigvis er det ikke så nemt at få fat i dataene.

valg_dr

Så er det godt at vi kan skrabe dem. :)

Data til download:

Lidt detaljer om koden

Siden loader først et kort (vist ovenfor) og en række mindre områder på kortet (storkredse og kredse) i json format. De egentlige data bliver loadet senere, så vidt jeg kan se. Dataene om kortet indeholder ikke selve valgstederne, som i stedet findes i en liste på siden. Når man vælger et valgsted, så henter browseren en json fil med tallene. Disse filer følger et simpelt ID format, så man kan hente dem alle sammen med et loop. Underligt nok er der en del huller, nemlig IDer som ikke svarer til et valgsted. Når man forsøger at hente en af dem (fx id=4) så gir DR bare en 404. Så hvordan ved man hvor mange der er? Jeg prøver bare alle sammen indtil jeg har fået 100 fejl i træk. Det virker usandsynligt at der skulle være flere bagefter det. Hvis man følger denne regel, så er der 1386 valgsteder. Ved valget til EU i 2014 var der 1396, så det tal lyder plausibelt.

De enkelte json filer indeholder ikke valgstederne beliggenhed, uheldigvis. De indeholder dog id’et på den kreds valgstedet er i, og dette id finder man i dataene fra valgkortet. De indeholder også valgstedets navn, men det er ikke altid brugbart. Fx “Østre” eller “1. Nord”. Sætter man det sammen med kredsens navn, så gir det dog mening: “Østre – Svendborg”, “1. Nord – Østerbro” (Københavns Storkreds).

R kode til skrabning

# udtræk stemmedata fra DR ------------------------------------------------
#json
library(pacman)
p_load(stringr, rjson)

#hent json
json = fromJSON(file = "http://www.dr.dk/tjenester/fa15-result-data/map/fa2015")

#inspicer
#lad hellere vær for det er noget rod! lister i lister i liste
str(json)

#lav en flad version
json_flat = unlist(json)

#for at lave om til 2D, så skal de finde hver kolonne
#det kan gøres efter navnene. Der er 7 slags.
v_kolonnenavne = names(json_flat)[1:7]

#df
d = list()

#loop di loop
for (kolonne in v_kolonnenavne) {
  logi = str_detect(names(json_flat), kolonne)
  
  #kan godt fejle hvis en kolonne ikke findes alle steder
  try({d[[kolonne]] = json_flat[logi]})
}

#lav om til df
#gir en fejl hvis vektorne ikke er lige lange
d = as.data.frame(d)


# download valgsteddata ---------------------------------------------------------
#startobjekter
json2 = list()
fejl_i_træk = 0

#loopy loop
for (id in 1:5000) {
  #stop hvis ikke mere data, måske
  #stop efter 100 fejl i træk
  if (fejl_i_træk == 100) break
  
  #progression
  str_c("prøver id", id) %>% message
  
  #lav url
  url = str_c("http://www.dr.dk/tjenester/fa15-result-data/results/fa2015/afstemningssted/", id)
  
  #download med try
  trial = try({get = fromJSON(file = url)}, T)
  if ("try-error" %in% class(trial)) {
    str_c("id ", id, " fejlede") %>% message
    fejl_i_træk = fejl_i_træk + 1
    next
  }
  
  #ellers gem
  json2[[id]] = get
  fejl_i_træk = 0
}

#gem data
save(json2, file = "valgdata.RDS")

#navne
names(json2) = 1:length(json2)

#fjern de tomme id'er
json2 = json2[sapply(json2, Negate(is.null))]

#konverter til 2D df
#hvilke data vil vi gemme?
v_kolonnenavne2 = c("AreaType", "ID", "ParentID", "GrandParentID", "Name", "Eligable", "Turnout", "Yes", "No", "Invalid", "Abstained")

#objekt
d2 = as.data.frame(matrix(nrow = length(json2), ncol = length(v_kolonnenavne2)))
colnames(d2) = v_kolonnenavne2

#loop de loop
for (idx in seq_along(json2)) {
  #main
  for (var in v_kolonnenavne2[1:5]) {
    d2[idx, var] = json2[[idx]][var]
  }
  
  #metrics
  for (var in v_kolonnenavne2[6:7]) {
    d2[idx, var] = json2[[idx]][["Metrics"]][[var]]
  }
  
  #Chart
  for (var in v_kolonnenavne2[8:11]) {
    d2[idx, var] = json2[[idx]][["Chart"]][[var]]
  }
}

Ole Birk Olesen skriver på Facebook:

obo

Direkte link.

Altså, han argumenterer for at gamle partier vil få mindre magt i fremtiden fordi at unge stemmer oftere på de nye partier. For at nå den konklusion må man antage at de personer som er unge nu ikke når de blir ændre vil stemme på de gamle partier. Altså, OBO antager en cohort effekt (generationseffekt) i stedet for en alderseffekt. Jeg forsøgte at google mig til at en simpel forklaring jeg kunne linke til eller embedde, men fandt ikke nogen (skidt!). Der er dog en række papers som forklarer det relativt pædagogisk hvis man har sans for statistik. Meget kort fortalt så er cohort effekter af at være født på et givet tidspunkt, mens alderseffekt er effekten af ens alder.

Anyway, OBO har nok ret i at der er tale delvist om en cohort effekt. Det kan man dog ikke konkludere ud fra de data han bruger alene fordi de er cross-sectional design. Det kræver at man har et cohort design. Hvis man kun har cross-sectional data, så kan man ikke se om forskellen på unge og ældre skyldes alder eller at de er født på forskellige tidspunkter.

Siden at OBOs pointe var at der sker ændringer således at flere vil stemme på blå blok, så tænkte jeg at det var værd at se på to andre faktorer som peger i den anden retning. Jeg skrev et svar på Facebook til ham og nedenfor ses en redigeret, mere fyldestgørende udgave.

Indvandrere og politik

Demografi er skæbne som man siger. Hertil er der to fakta som er særligt relevante:

  1. Indvandrere stemmer meget rødt (DF ekskluderet). I retning af 80-90%.
    [hvis kun indvandrernes stemmer talte så] “ville Socialdemokraterne, SF, De Radikale og Enhedslisten sidde tungt på magten med samlet 169 mandater.” (94.4% rød blok ekskl. DF)
    “”De fleste målinger viser, at 80 procent eller mere rent faktisk stemmer til venstre for midten,” siger Yosef Bhatti” [valgforsker på Københavns Universitet]”
  2. Antallet af indvandrere stiger betydeligt år for år.

    (Talmateriale)

Af politiske årsager har de blå partier en temmelig god grund til at ikke lukke flere indvandrere ind, i hvert fald af den dårlige slags. Det sidste skyldes at dårlige socioøkonomiske forhold overlapper betydeligt med dem der stemmer rødt og indvandrerne klarer sig rimelig dårligt til lands. Læs evt. mit og Bo Tranberg’s paper om navne og S faktor i Danmark.

Antaget at 80% af indvandrerne stemmer rødt (ekskl. DF), så betyder alene demografien i dag at rød blok får ca. .8*11.6% = 9.3% af stemmerne. Der er to fejlkilder til det estimat som peger i hver sin retning. For det første har indvandrerne en lavere stemme% end danskerne. “Når det er tid til at bevæge sig hen til skolen eller rådhuset og sætte sit kryds i stemmeboksen til folketings- eller kommunalvalg, vælger 2 ud af 3 efterkommere af indvandrere i stedet at blive derhjemme. Dermed er stemmeprocenten lige så lav for efterkommere, som den er for indvandrere – og kun halvt så stor som stemmeprocent blandt etniske danskere.. Hvis de tal er rigtige, så er stemme% blandt ikke-danskere 33% og 67% blandt danskere. Vi ved dog at det rigtige tal for hele befolkningen er ca. 86%, så disse tal kan ikke være rigtige, men der er ganske vist en forskel.

For det andet er tallene fra DST underestimater af det rigtige antal ikke-danske fordi at DST bruger en juridisk definition og der sker en konstant konvertering fra kategorien ikke-danskere til danskere (jf. dette paper og dette paper). Med det i betragtning er ca. 9% af stemmerne nok ikke helt ved siden af, måske lidt mindre.

Hvis vi bruger tallet 9%, så betyder det at blå blok + DF skal have mere ned 50% af stemmerne hos danskerne. Med en simpel ligning kan man regne ud præcis hvor mange, tallet er ca 56%. Altså, i takt med at ikke-danskerne udgør en stadig større del af befolkningen, så skal blå blok + DF vinde en stadig større andel af stemmerne hos danskerne, alt andet lige.

Lyder det for langt ude? Slet ikke. Det er sådan set bare en gentagelse af historien i USA. På denne side kan man se stemmefordeling ved sidste præsidentvalg i USA blandt forskellige demografiske grupper.

Category Group Pct. of population Obama% Romney%
All Voters 51 47
SEX Men 47 45 52
Women 53 55 44
RACE White 72 39 59
African-American 13 93 6
Hispanic 10 71 27
Asian 3 73 26
Other 2 58 38
AGE 18-29 19 60 37
30-44 27 52 45
45-64 38 47 51
65 & over 16 44 56
INCOME <$50,000 41 60 38
$50,000-90,000 31 46 52
$100,000 & over 28 44 54
UNION HOUSEHOLD Yes 18 58 40
No 82 49 48
EDUCATION Some HS 3 64 35
HS graduate 21 51 48
Some college 29 49 48
College graduate 29 47 51
Postgraduate study 18 55 42
PARTY Democratic 38 92 7
Republican 32 6 93
Independent 29 45 50
POLITICAL PHILOSOPHY Liberal 25 86 11
Moderate 41 56 41
Conservative 35 17 82
MOST IMPORTANT ISSUES Economy 59 47 51
Budget deficit 15 32 66
Foreign policy 5 56 33
Health care 18 75 24

 

Stemmefordelingen blandt europæere (“White”) var 39% vs. 59%, Obama vs. Romney, eller ca. 60% blåt og han tabte stadig fordi fx afrikanere (“African American”) stemte 93% vs. 6%, Hispanics stemte 71% vs. 27%.

Det er den samme udvikling man går i møde herhjemme. I den forstand kunne det være at Liberal Alliance skulle holde op med at snakke om åbne grænser. Åbne grænser vil føre til rødt flertal. Hvis kasserne er lukkede (eller relativt lukkede) til at starte med, så kan de hurtigt åbnes når der er rødt flertal.

Siden at medierne skriver:

Hver tredje dømt for voldtægt er indvandrer: Nu kræver DF udvisning

Reaktionen kommer efter, at en at Metroxpress skriver om tal fra Danmarks Statistik og en ny opgørelse fra Syddansk Universitet, der viser, at hver tredje voldtægt i Danmark begås af indvandrere.

Jeg ved ikke lige hvilke tal de bruger. Jeg har dog hentet de nyeste tal fra Danmarks Statistiks databank. De ses i grafen nedenfor.

voldtægt år indvandrer

Stigningen omkring 2007 kan måske tilskrives krisens start, måske.

Vi ser nærmere på tallene:

    2000 2002 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013   Alle år
Voldtægt Personer med dansk oprindelse 49 39 41 39 38 63 41 40 32 36 43 30   491
  Indvandrere 21 22 12 15 16 20 14 22 27 20 15 17   221
  Efterkommere 4 5 0 4 1 3 7 8 7 2 1 1   43
                              0
  Alle ikke-danskere 25 27 12 19 17 23 21 30 34 22 16 18   264
  I alt 74 66 53 58 55 86 62 70 66 58 59 48   755
  Alle ikke-danskere, i % 33.78% 40.91% 22.64% 32.76% 30.91% 26.74% 33.87% 42.86% 51.52% 37.93% 27.12% 37.50%   34.97%

 

Udregningerne er mine, tallene i de første 4 linjer bortset fra sidste kolonne er fra DST. Vi ser altså at hvis man summerer tal over hele perioden 2000-2013, så står ikke-danskere (1. og 2. gen.) for ca 35% af de dømte voldtægtsdømte. Pga. det relativt lave antal voldtægter, så svinger tallene en del fra år til år. I 2002 stod de ‘kun’ for 23% af dømte voldtægtsdømte, mens de i 2010 udgjorde 52%.

Da antallet af ikke-danskere øges støt, så vil man dog over en længere periode forvente at deres andel øges betragteligt som man ser i andre lande med samme type problemindvandrere (dvs. de fleste nordlige europæiske lande).

Det bør her også nævnes at ikke-danskerne udgør en meget mindre del af befolkningen end 35%. Hvis man bruger befolkningstallene, så kan man udregne voldtægtsdømte per person. Jeg har lavet udregningen og den er at ikke-danskerne er ca. 280% overrepræsenteret blandt voldtægtssdømte. I perioden udgjorde de i gennemsnit 9.05% af befolkningen, men som nævnt 35% af voldtægtsdømte, ergo et forhold på 3.87.

  2000 2002 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013   Alle år
Personer med dansk oprindelse 4951858 4953023 4955604 4959310 4964224 4969384 4977829 4985415 4992000 4998111 5000055 5001954   4975730.6
Indvandrere 296924 321794 337802 343367 350436 360902 378665 401771 414422 428904 441538 456386   377742.6
Efterkommere 81238 93537 104234 108728 112799 116798 119297 124265 128316 133613 138923 144288   117169.7
                             
Alle ikke-danskere 378162 415331 442036 452095 463235 477700 497962 526036 542738 562517 580461 600674   494912.25
I alt 5330020 5368354 5397640 5411405 5427459 5447084 5475791 5511451 5534738 5560628 5580516 5602628   5470642.8
Alle ikke-danskere, i % 7.09% 7.74% 8.19% 8.35% 8.54% 8.77% 9.09% 9.54% 9.81% 10.12% 10.40% 10.72%   9.05%
                             
                            Forhold til dansk gennemsnit
                            3.8651569456

 

Tallene kan man selv hente her:

www.statistikbanken.dk/statbank5a/SelectVarVal/Define.asp?Maintable=STRAFNA1&PLanguage=0

www.statistikbanken.dk/statbank5a/SelectVarVal/Define.asp?MainTable=FOLK2&PLanguage=0&PXSId=0&wsid=cftree

eller bare bruge min fil: voldtægt indvandrere.ods

Siden at deres debat får en masse omtale i Politiken, så virker det på sin plads at også læse de ting de egentlig skrev. Det er faktisk ca. 1 år siden den omtalte episode skete.

  1. Attacks on antidepressants signs of deep-seated stigma
  2. Why I think antidepressants cause more harm than good

Der er også en senere artikel: