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:

 

Bloggen Kulturradikalisme Smadrer Danmark påstår at DR manipulerer med hensyn til hvor godt folk fra Bosnien klarer sig i Danmark. Men som er typisk for politiske blogs, så giver den ikke nogle egentlige data om hvor godt de klarer sig i landet. Den skriver:

Som Morten Uhrskov gentagne gange har dokumenteret, så færdiggør langt færre ikke-vestlige efterkommere deres uddannelse sammenlignet med etniske danskere. Procentdelen for efterkommerne er stagneret siden 2011 og er endda faldet en smule.
Om dette også gælder bosnierne vides som sagt ikke, men det er ganske sandsynligt.

Det er irriterende. Derfor besluttede jeg mig for at kikke efter. Bosnien-Herzegovina er inkluderet i mit tidligere publicerede studie, og her klarer de sig ikke særlig godt. Deres samlede S score er på -.78. Der er ingen score for danskere fordi jeg glemte at købe dataene, men der er scorer for andre lande. Hele listen ses nedenfor.

S scoren er et samlet mål for godt godt gruppen klarer sig mht. kriminalitet, indkomst, uddannelse og brug af offentlig forsørgelse. Højere er bedre.

For de teknisk interesserede, så stammer tallet fra en faktoranalyse med alle de socioøkonomiske variabler. Scorerne er således standardiseret til at have et gennemsnit på 0 og standardafgivelse på 1.

Country Score on the general socioeconomic factor
USA 1.61244
Belgium 1.26163
France 1.21555
Canada 1.20867
Switzerland 1.12573
Austria 1.10213
Australia 1.10136
Netherlands 1.07091
Finland 1.02674
Norway 0.9214
Japan 0.90857
Sweden 0.90745
Lithuania 0.90211
Germany 0.88794
Hungary 0.8639
Bulgaria 0.85429
Italy 0.83756
Spain 0.81968
South Africa 0.79153
United Kingdom 0.751
Russia 0.72804
Ukraine 0.72463
Greece 0.71416
Argentina 0.64445
Romania 0.61938
Iceland 0.54589
China 0.5447
Portugal 0.54386
Latvia 0.53251
India 0.51208
Poland 0.40592
Soviet Union 0.31177
Brazil 0.24962
Chile 0.02897
Ghana -0.00465
Israel -0.08693
Indonesia -0.09543
Philippines -0.16204
Kenya -0.19122
Croatia -0.26194
Egypt -0.28731
Tanzania -0.41146
Ethiopia -0.57487
Iran -0.57854
Uganda -0.58149
Bosnia-Hercegovina -0.78319
Vietnam -0.83137
Macadonia -0.86555
Sri Lanka -0.95115
Thailand -0.95542
Algeria -0.95893
Pakistan -1.08631
Tunisia -1.12141
Afghanistan -1.15156
Jordan -1.37048
Yugoslavia -1.43415
Morocco -1.44991
Iraq -1.54085
Yugoslavia, Republic -1.62137
Syria -1.84938
Turkey -1.94332
Somalia -2.06059
Lebanon -2.06574

 

Bemærk at Yugoslavia også ses på listen. Landet er der 2 gange af historiske årsager. Bosnien var en del af Jugoslavien, så dette tal kan nok bruges indirekte. Tallene stemmer nogenlunde fint overens: Bosnien-Herzegoniva: -.78, Jugoslavien #1 -1.43, Jugoslavien #2 -1.62.

For kriminalitet er der tal for danskere. Man kan hente en masse kriminalitetsdata fra Danmarks Statistiks Statistikbanken, hvilket jeg har gjort. Per capita dømte for kriminalitet blandt 15-29-årige for perioden 2000-2013 for personer fra hhv. Bosnien-Herzegovina og Danmark er 7.9% og 10.9%, altså et forhold på 1.39. Dvs. at de er 39% mere kriminelle end danskerne som gruppe. Datasættet er her: bosnien krim. Data fra FOLK2 og STRAFNA1.

Grundet de manglende danske tal, så kan vi sammenligne med svenskerne i stedet, som nok er temmelig ens med danskerne. Tabellen nedenfor viser de rå gennemsnit per variabel og per aldersgruppe.

Variable BIH SWE Forhold BIH/SWE
All_crime_age_15_19 5.14 4.65 1.10
All_crime_age_20_29 7.43 1.88 3.96
Income_15_19 22798 14899 1.53
Income_20_29 128748 104174 1.24
Income_30_39 207897 315331 0.66
Income_40_49 175189 354418 0.49
Income_50_59 106065 334434 0.32
Income_60 15211 112447 0.14
Basic_school_15_19 0.88 0.94 0.93
Basic_school_20_29 0.26 0.09 2.72
Basic_school_30_39 0.24 0.06 3.77
Basic_school_40_49 0.17 0.09 1.78
Basic_school_50_59 0.19 0.19 1.04
Basic_school_60plus 0.22 0.20 1.12
Long_tert_edu_20_29 0.05 0.18 0.27
Long_tert_edu_30_39 0.08 0.29 0.27
Long_tert_edu_40_49 0.05 0.17 0.30
Long_tert_edu_50_59 0.06 0.12 0.50
Long_tert_edu_60plus 0.07 0.11 0.69
Social_benefits_16_19 4.19 4.56 0.92
Social_benefits_20_29 21.05 6.25 3.37
Social_benefits_30_39 37.51 15.65 2.40
Social_benefits_40_49 51.47 17.31 2.97
Social_benefits_50_59 72.66 23.52 3.09
Social_benefits_60plus 96.79 48.87 1.98

 

For hver variabelgruppe kan vi sammenligne bosnierne med svenskerne.

Vi ser at de er en del mere kriminelle, særligt blandt de lidt ældre. Det store udsving på tværs af aldersgrupperne skyldes nok en tilfældighed.

De tjener en god del mere end svenskerne mens de er unge, nok fordi at de kommer hurtigere ud på arbejdsmarkedet. Men fra 30 års alderen og fremefter tjener svenskerne meget mere end dem.

De to kategorier er uddannelse er 1) dem som kun har grundskolen, og 2) dem som har færdiggjort en videregående uddannelse. Det er den sidste kategori som er relevant for DRs påståede succeshistorie. Svenskerne klarer sig meget bedre. Især blandt de yngre, hvilket er det modsatte af hvad man ville forvente hvis tingene blev bedre med tiden.

Tallene for brug af offentlig forsørgelse viser også et tydeligt mønster: bortset fra de 16-19-årige, så bruger folk fra Bosnien og Herzegovina meget oftere velfærdsydelser end svenskerne.

Mere information om variablerne findes i supplementeringsmaterialet for studiet.

Men vi kan vist godt konkludere at integration af Bosniere (heller) ikke er en succeshistorie.

Loven og voldelige organisationer

Grundloven gør det muligt at forbyde organisation som søger at opnå deres mål med vold m.v.:

§ 78
Stk. 1.
Borgerne har ret til uden forudgående tilladelse at danne foreninger i ethvert lovligt øjemed.
Stk. 2.
Foreninger, der virker eller søger at opnå deres mål ved vold, anstiftelse af vold eller lignende strafbar påvirkning af anderledes tænkene, bliver at opløse ved dom.
Stk. 3.
Ingen forening kan opløses ved en regeringsforanstaltning. Dog kan en forening foreløbig forbydes, men der skal da straks anlægges sag imod den til dens opløsning.
Stk. 4.
Sager om opløsning af politiske foreninger skal uden særlig tilladelse kunne indbringes for rigets øverste domstol.
Stk. 5.
Opløsningens retsvirkninger fastsættes nærmere ved lov.

Dette er faktisk det samme som terrorisme, i hvert fald under nogle betydninger.

Wikipedia:

Terrorism is commonly defined as violent acts (or the threat of violent acts) intended to create fear (terror), perpetrated for an economic,[1] religious, political, or ideological goal, and which deliberately target or disregard the safety of non-combatants (e.g., neutralmilitary personnel or civilians). Another common definition sees terrorism as political, ideological or religious violence by non-state actors. Some definitions now include acts of unlawfulviolence and war. The use of similar tactics by criminal organizations for protection rackets or to enforce a code of silence is usually not labeled terrorism, though these same actions may be labeled terrorism when done by a politically motivated group. Usage of the term has also been criticized for its frequent undue equating with Islamism or jihadism, while ignoring non-Islamic organizations or individuals.[2][3] In the international community, terrorism has no legally binding, criminal-law definition.[4][5]

Dictionary.com:

noun
1.
the use of violence and threats to intimidate or coerce, especially for political purposes.
2.
the state of fear and submission produced by terrorism or terrorization.
3.
a terroristic method of governing or of resisting a government.

Den Danske Ordbog:

1. anvendelse af terror for at fremme et bestemt politisk eller religiøst mål

1a. voldelig, hensynsløs eller chikanerende adfærd over for nogen SPROGBRUG sjældent

Da det således hører under terror, så burde man også kunne anvende terrorlovene, hvilket politiet da også lader til at gøre brug af, i hvert fald nogle gange. Det skal siges at disse love generelt ikke er ønskværdige, da det er alt for vage i deres formuleringer (se fx).

Hvis man kan, bør man så?

Man kan osse tænke taktisk i det, og overveje hvad man ville få ud af det. Lad os antage at man vinder retssagen, ANTIFA m.v., og de bliver forbudt, hvad forskel gør det? De modtager formentlig ikke foreningsstøtte, og hvis de ville, så ville de bare kunne lave en ny forening, som man har set med nazist eller nazist-lignende partier gennem tiden i Tyskland (NPD).

Omvendt, så ville et forbud gøre dem til martyrer for nogle af deres tilhængere og andre udenforstående. Dette ville muligvis give dem en større positive effekt end et forbud ville skade dem.

Af ovenstående grunde støtter jeg generelt ikke forsøg på at forbyde organisationer eller partier. Det er ofte virkningsløst eller kontraproduktivt. Desuden er der en lang historie om diktatorer og et-parti stater som forbyder (andre) partier som led i deres totalitarisme. Love som forbyder partier er ofte vage, hvilket gør det til et fortolkningsspørgsmål om partier skal forbydes. Det minder mig lidt om retssagen mod Sokrates, hvor hans kriminelle handling bestod i at “corrupting the youth and impiety”.

Hvad siger politiet?

Jeg var nysgerrig efter om hvorvidt politiet havde gjort sig nogle tanker i denne retning. Vi har i Danmark ikke tradition for at forbyde partier eller politiske organisationer, og det ville være trist at starte en. Men politiet har rig erfaring med diverse venstrefløjsekstremister som angriber fredelige demonstranter (tilfældigt eksempel).

Omvendt, så har politiet en masse ansatte som er ekstreme regelryttere, og nok ville anvende en lov uanset hvilken effekt den har eller hvad formålet er (forbud mod rusmidler, knivloven, måltal).

I hvert fald skrev jeg dem en email:

[14. december 2013 17:07]

Hej Politi,
Har I overvejet at benytte Grundlovens §78, stk. 2 mod ANTIFA og lign. organisationer som virker ved politisk vold? De har jo gjort arbejdet meget nemt for jer ved selv at beskrive deres handlinger både i bøger og på deres hjemmeside.
I kunne jo bruge den seneste sag i forbindelse med deres chikane af Danish Defence League i København til at indlede en retssag.
§ 78
Stk. 1.
Borgerne har ret til uden forudgående tilladelse at danne foreninger i ethvert lovligt øjemed.
Stk. 2.
Foreninger, der virker eller søger at opnå deres mål ved vold, anstiftelse af vold eller lignende strafbar påvirkning af anderledes tænkene, bliver at opløse ved dom.
Stk. 3.
Ingen forening kan opløses ved en regeringsforanstaltning. Dog kan en forening foreløbig forbydes, men der skal da straks anlægges sag imod den til dens opløsning.
Stk. 4.
Sager om opløsning af politiske foreninger skal uden særlig tilladelse kunne indbringes for rigets øverste domstol.
Stk. 5.
Opløsningens retsvirkninger fastsættes nærmere ved lov.

Og fik et svar:

[2. januar 2014 kl. 11.02]

Til Emil W. Kirkegaard

Københavns Politi, Ledelsessekretariatet, bekræfter hermed modtagelsen af Deres mail af 14. december 2013.
Jeg kan oplyse, at Ledelsessekretariatet i øjeblikket har et stort antal sager til behandling. Vi vil dog bestræbe os på at besvare Deres henvendelse indenfor 90 dage fra modtagelsen.
Deres henvendelse bliver behandlet under journalnummer: 0100-60190-00001-13.

Med venlig hilsen

Anette Klausen
Kontorfuldmægtig

Jeg fik aldrig et senere svar, på trods af at der skulle gå maks 90 dage. Der er nu gået 487 dage.

Jeg lærte ikke hvad politiet mente om at forbyde den slags organisationer. Men jeg fik mere evidens for at sende emails til det offentlige ofte er nyttelyst og når det ikke er, så er svartiderne meget langsomme.

Man kan søge aktindsigt hos offentlige myndigheder om at få dem til at udlevere diverse tal de har. Dog tager det dem typisk en million år at svare.

fra: Emil Ole William Kirkegaard <the.dfx@gmail.com>
til: kbh@politi.dk
dato: 10. februar 2015 kl. 19.10

Hej Politi,

Jeg søger hermed aktindsigt om at få samme information som I har udleveret til journalisten her:

Det drejer sig oprindelsesland og statsborgerskab for personer som blev varetægtsfængslet i København. Journalisten omtaler tal fra 2013. Jeg søger dog aktindsigt i tal for alle år I har.

Jeg vil gerne have tallene i en regnearkfil (.xls eller .ods).

Formålet er forskning i indvandring i Danmark.
Mvh.
Svar:
fra: kbh-ledelsessekretar@politi.dk
til: the.dfx@gmail.com
dato: 11. februar 2015 kl. 09.08

Jeg skal hermed foreløbig bekræfte modtagelsen af Deres henvendelse.

 

Med venlig hilsen

 

Anette Klausen

kontorfuldmægtig

 

 

Juridisk Sektion

Politigården, opgang F, 1. sal, fag 20

1567 København V

Tlf.         +45 3314 1448

Direkte: +45 3521 2517

E-mail:   adk002@politi.dk

Web:      www.politi.dk/koebenhavn

Og:

fra: kbh-ledelsessekretar@politi.dk
til: the.dfx@gmail.com
dato: 13. februar 2015 kl. 12.40

Københavns Politi, Juridisk Sektion, bekræfter hermed modtagelsen af Deres mail af 10. februar 2015 hvori De har begæret aktindsigt.

Jeg kan oplyse, at De som udgangspunkt kan forvente, at modtage et svar på henvendelsen indenfor 7 dage fra modtagelsen. Såfremt besvarelsen nødvendiggør indhentelse af arkiverede sager, må sagsbehandlingstiden dog forventes at være op til 4 uger.

Sagen behandles under journalnummer 0100-10170-00271-15

Med venlig hilsen

Lise Nielsen

kontorfuldmægtig

Politigården, opg. F, 1.sal, fag 20

Ledelsessekretariatet

1567 København V

Tlf:          +45 33141448

Direkte +45 35212008

Lokal      (11) 2008

E-mail    lni011@politi.dk

Og endelig 6. marts 2015 kl. 12.20 kom der et svar. Det bestod i en PDF med tallene. Det tog altså i alt ca. 26 dage.

Jeg venter stadig på svar for:

fra: Emil Ole William Kirkegaard <the.dfx@gmail.com>
til: mbbl@mbbl.dk
dato: 2. januar 2015 kl. 22.07
Kære Ministeriet for By, Bolig og Landdistrikter,

Jeg kunne godt tænke mig al den data som ligger bag jeres udgivelse “Liste over særligt udsatte boligområder pr. 1. december 2014“.

Altså, jeg kunne godt tænke mig data for de fem kriterier* efter alle boligområder i Danmark, ikke bare dem som I viser i jeres faktaark. Jeg kunne godt tænke mig dem for alle de år I har data fra. I har jo publiceret ‘ghettolisten’ i flere år, så det ville være spændende at have data for alle år at sammenligne med.

Formålet er forskning og formidling.

Mvh.
Emil

* De fem kriterier er:
1. Andelen af 18-64 årige uden tilknytning til arbejdsmarkedet eller uddannelse overstiger 40 pct. (gennemsnit for de seneste 2 år).

2. Andelen af indvandrere og efterkommere fra ikke-vestlige lande overstiger 50 pct.

3. Antal dømte for overtrædelse af straffeloven, våbenloven eller lov om euforiserende stoffer overstiger 2,70 pct. af beboere på 18 år ogderover (gennemsnit for de seneste 2 år).

4. Andelen af beboere i alderen 30-59 år, der alenehar en grunduddannelse (inkl. uoplyst uddannelse), overstiger 50 pct. af samtlige beboerei samme aldersgruppe.

5. Den gennemsnitlige bruttoindkomst for skattepligtige i alderen 15-64 år i området eksklusive uddannelsessøgende er mindre end 55 pct.af den gennemsnitlige bruttoindkomst for samme gruppe i regionen.

Jeg har i dag sendt følgende:
fra: Emil Ole William Kirkegaard <the.dfx@gmail.com>
til: mbbl@mbbl.dk
dato: 16. april 2015 kl. 18.44
Kære Ministeriet for By, Bolig og Landdistrikter,

Jeg vil minde jer om at jeg stadig ikke har fået et svar. Jeg vil derfor gøre opmærksom på at aktindsigt som udgangspunkt har en frist på 7 arbejdsdage. Min forespørgsel blev indsendt 2. Januar. Det er mere end 3 måneder siden. aktindsigtshaandbogen.dk/aktindsigtssagen/quick-guide-med-kommentarer/sagens-afgoerelse/rettidig-behandling-af-aktindsigtsanmodningen-36-stk-2-og-3.html

Hvornår kan jeg forvente at få dataene?

Mvh.

Emil

Og nu jeg var i gang:
fra: Emil Ole William Kirkegaard <the.dfx@gmail.com>
til: tmf@tmf.kk.dk
dato: 16. april 2015 kl. 18.41
Hej KK,

Jeg vil gerne have aktindsigt i brugen af de omtalte cykler. politiken.dk/indland/ECE2629473/koebenhavn-dropper-prestigeprojekt-bycyklerne-laegges-i-graven/

Siden at cyklerne har GPS m.v., så må I have data for hvor meget de bliver brugt.

Mvh.

nyhederne.tv2.dk/2015-03-13-jaegersoldat-fordoblede-54-svage-elevers-karakterer-paa-fire-uger

Torsdag aften afsluttede de første 54 9. klasseelever det lynkursus, som Odense Kommune har købt til dem. Resultaterne efter den såkaldte Basecamp 15 er opsigtsvækkende.
I stavning har eleverne i gennemsnit rykket sig fra karakteren 1,7 til 3,87. I læsning er karakteren gået fra 1,37 til 5,75, mens eleverne har flyttet sig fra 3,5 til 7,9 i matematik.
Militærmand står bag
Manden bag kurserne er den tidligere jægersoldat Nicolai Moltke Leth. Han mener, at det er en kombination af flere ting, der gør, at de unge er i stand til at rykke sig så meget på så kort tid.
– Det er en markant fremgang, vi har set. Det skyldes en blanding af arbejde med de bedste faglige værktøjer og samtidig arbejde med de personlige og sociale kompetencer. Det gør, at de unge kommer til at tro på sig selv, så de kan optage faglig læring, forklarer Nicolai Moltke Leth til DR Fyn.
Der går nogle måneder, inden de unge får test, om kurset så også kan bære, når de skal til afgangseksamen i maj og juni. Indtil da får de unge tilknyttet en mentor, som skal hjælpe dem med at holde de gode takter fra kurset.

Men fænomenet kan også forklares rent statistisk. På engelsk hedder det regression towards the mean (selvfølgelig opdaget af Galton!). Det skyldes at når man laver en måling som ikke har perfekt pålidelighed (dvs. man måler ikke det man gerne vil helt perfekt), og man så udvælger en gruppe baseret på datapunkternes ekstremitet (dvs. de ligger langt fra middel, højt eller lavt), så skyldes en del af deres ekstremitet en tilfældighed. Siden tilfældigheder per definition ikke har nogen sammenhæng med noget andet, så betyder det at hvis man laver en ny måling af samme ting (i skolekarakterer i dette tilfælde), så vil de meget stor sandsynlighed ikke være lige så lave/høje som før. De vil ‘gå mod midten’ fordi at en del af deres lavhed/højhed skyldes en tilfældighed.

Simulering

Vi kan lave en simulering for at vise princippet. Jeg har gjort dette:

  1. Genereret 100 tilfældige normalfordelte tal. Dette er vores rigtige scorer (true scores), som vi ikke kan måle direkte fordi vores målemetode er fejlbehæftet.
  2. Lavet en måling af disse tal hvor jeg har introduceret fejl i målingen.
  3. Lavet en anden måling af disse tal hvor jeg har introduceret fejl i målingen.
  4. Rangeret alle scorerne således at de får et tal fra 1 til 100.
  5. Udregnet forbedringen fra første til anden måling.

Vi kan nu se en illustration af regression mode middel:

regression_mod_middel

Tallene på x-aksen er personens relative placering ved første måling. Tallene på y-aksen er personens forbedring ved anden måling ifht. første måling. Vi ser således en sammenhæng: de personer som klarede sig godt i første måling klarerede sig relative ringere ved anden måling (deres forbedringsværdier er negative, de er rykket ned i den relative placering), mens de personer som klarede sig relativt skidt ved første måling klarede sig relativt bedre ved anden måling (deres forbedringsværdier er positive, de er rykket op i den relative placering). Den røde linje viser den lineære sammenhæng (OLS regression, r=.38). Tallet ved hver prik viser personens placering ved anden måling. Vi kan således se nogle ret store forbedringer hos nogle personer. Personen som lå nr. 1 ved første måling ligger kun nr. 43 ved anden måling (42 pladser ned). Mens at personen som lå nr. 99 ved første måling ligger nr. 63 (36 pladser op) ved anden måling.

Hvis vi vender tilbage til karakterer, så vil man se samme mønster. Meningen med karakterer i et fag er at de skal afspejle personens evne i det fag. Men alle er enige om at karakterer ikke afspejler personeners evner perfekt. I min data er sammenhængen mellem karakterer og personernes rigtige evner r=.81-.82 (første og anden måling). Man måler altså en del forkert når man måler folks evner i et skolefag ved en eksamen. Laver man to målinger, vil disse begge indeholde en del målefejl, men den vil generelt være forskellig fra måling til måling. (Her ignorerer vi at nogle personer er bedre til at gå til eksamen end andre hvilket gør diskussionen mere kompliceret.). Hvis vi ser på sammenhængen mellem vores to målinger så er den .71, hvilket er kendt som test-retest pålideligheden. Jeg har i mit eksempel forsøgt at vælge en realistisk værdi for skolekarakterer. Jeg kunne ikke finde et udgivet tal, så jeg har lavet et gæt.

Vi kan også plotte måling 1 og 2:

test-retest

Fortolkning af data

Regression mod middel-effekten betyder således at man skal være lidt mere varsom med at fortolke kausalitet ud fra data som er selekteret på at score særlig ekstremt. I tilfælde med Odenses jægerkursus, så er eleverne til jægerkurset nok særligt udvalgt fordi at de klarede sig ringe til afgangsprøven. Pga. regression mod middel ville man således forvente at disse elever ville klare sig relativt bedre hvis de tog eksamen igen — helt uden at jægerkurset havde nogen effekt. En forbedring kan således ikke tilskrives jægerkurset alene. Hvis man ville finde ud af hvor meget jægerkurset hjælper, bliver man nødt til at lave et randomiseret kontrolleret forsøg: inddele nogle elever i to grupper tilfældigt (vigtigt!), give den ene gruppe jægerkurset og den anden ingenting. Test derefter begge grupper igen. Forskellen skyldes noget som har med jægerkurset at gøre.

Disse ting er værd at overveje før at man bruger store summer penge på kurser som måske slet ikke har en effekt, eller kun har en ringe effekt.

I øvrigt er det nonsens at sige, at snakke om fordobling i karakterer da karakterskalaen ikke er en ratiomåling.

Datatabel

Tabellen nedenunder indeholder de tilfældige tal jeg brugte. Hvis du kører min kode får du nogle andre tal, men generelt vil du se noget lign.

Person# Rigtig placering Rangering ved måling 1 Rangering ved måling 2 Forbedring
18 3 1 43 -42
45 8 2 6 -4
86 6 3 11 -8
35 10 4 34 -30
38 15 5 14 -9
58 11 6 40 -34
71 7 7 2 5
56 24 8 16 -8
76 9 9 10 -1
17 28 10 15 -5
20 4 11 3 8
91 13 12 20 -8
88 30 13 56 -43
6 1 14 13 1
9 2 15 1 14
14 19 16 60 -44
36 17 17 31 -14
10 16 18 7 11
53 14 19 8 11
29 29 20 30 -10
7 18 21 58 -37
77 21 22 36 -14
60 31 23 25 -2
98 27 24 27 -3
82 5 25 4 21
8 20 26 12 14
2 12 27 28 -1
5 53 28 55 -27
69 25 29 9 20
90 34 30 5 25
85 33 31 50 -19
41 75 32 61 -29
95 22 33 33 0
78 54 34 51 -17
34 49 35 39 -4
24 50 36 17 19
99 58 37 74 -37
52 26 38 48 -10
27 46 39 19 20
22 73 40 46 -6
28 62 41 32 9
92 86 42 83 -41
79 23 43 47 -4
67 36 44 38 6
63 74 45 65 -20
21 56 46 45 1
97 37 47 24 23
49 87 48 93 -45
74 64 49 84 -35
48 39 50 22 28
83 68 51 59 -8
33 41 52 21 31
40 42 53 23 30
62 82 54 41 13
25 69 55 89 -34
39 71 56 42 14
84 89 57 94 -37
47 40 58 52 6
87 38 59 67 -8
73 45 60 68 -8
1 52 61 26 35
11 77 62 71 -9
30 80 63 49 14
72 72 64 82 -18
4 99 65 98 -33
55 44 66 85 -19
19 59 67 69 -2
32 85 68 72 -4
93 65 69 78 -9
46 93 70 81 -11
64 60 71 80 -9
43 70 72 54 18
100 48 73 37 36
94 35 74 44 30
12 63 75 66 9
59 66 76 62 14
80 67 77 64 13
54 83 78 75 3
37 55 79 53 26
57 32 80 29 51
89 57 81 35 46
81 43 82 57 25
23 76 83 91 -8
26 84 84 77 7
16 61 85 76 9
13 81 86 73 13
68 51 87 70 17
96 95 88 87 1
70 47 89 18 71
42 88 90 95 -5
44 90 91 99 -8
61 94 92 96 -4
75 100 93 100 -7
3 92 94 79 15
31 97 95 88 7
66 91 96 97 -1
50 79 97 92 5
65 96 98 90 8
51 78 99 63 36
15 98 100 86 14

R kode

Koden er skrevet i R. R er et gratis statistiksprog som er relativt nemt at bruge.

#Regression towards the mean
true.scores = rnorm(100) #100 normal datapoints
measurement.1 = true.scores+.7*rnorm(100) #measure, with .1 error introduced
measurement.2 = true.scores+.7*rnorm(100) #measure again, with .1 error introduced

data = cbind(true.scores,measurement.1,measurement.2) #data
round(cor(data),2) #correlations

rank.true = rank(true.scores) #rank data
rank.1 = rank(measurement.1) #
rank.2 = rank(measurement.2) #

data.rank = data.frame(cbind(rank.true,rank.1,rank.2)) #rank data
data.rank["improvement"] = rank.1-rank.2
data.rank = data.rank[order(data.rank[,2]),] #order data by measurement 1

library("lattice")

xyplot(improvement ~ rank.1, data.rank, type=c("p","r"),col.line ="red",
       xlab="Rangering ved første måling",ylab="Forbedring på anden måling",main="Regression mod middel",
       panel=function(x, y, ...) {
         panel.xyplot(x, y, ...);
         ltext(x=x, y=y, labels=data.rank[,"rank.2"], pos=1, offset=1, cex=0.8)
       })
xyplot(rank.2 ~ rank.1, data.rank, type=c("p","r"),col.line ="red",
       xlab="Rangering ved første måling",ylab="Rangering ved anden måling",main="Måling 1 og 2",
       panel=function(x, y, ...) {
         panel.xyplot(x, y, ...);
         ltext(x=x, y=y, labels=rownames(data.rank), pos=1, offset=1, cex=0.8)
       })

 

Vi var ude at gå for at finde en ny lejlighed til min kæreste. I Leipzig bruger slår man ikke lejligheder op på nettet, man sætter ting i vinduerne og venter på at folk finder dem. DDR…

Men jeg fik taget nogle gode billeder.

IMG_20150224_173822962_HDR IMG_20150224_174316415 IMG_20150224_174631269 IMG_20150224_174637496