Scénáře dopadu COVID-19: rychlé náhledy

source("shared.R")

indikatory <- read_parquet("data-processed/scenare_vysledky.parquet")
scenarios <- read_parquet("data-processed/scenarios.parquet")
scenarios_by_year <- read_parquet("data-processed/scenarios_by_year.parquet")

Scénáře

S0 je baseline, R je historický vývoj.

scenarios

Scénáře po letech

scenarios_by_year

Podíly obcí podle scénářů

Obce porušující pravidlo rozpočtové odpovědnosti

Pravidlo: dluh < 60 % průměru příjmů za poslední 4 roky

library(gt)

indikatory %>%
  filter(per_yr %in% 2019:2022) %>%
  ungroup() %>%
  count(scenar = scenario_name, scenario, per_yr, wt = (rozp_odp_1yr > .6)/n(),
        name = "var") %>%
  spread(per_yr, var) %>% 
  gt() %>% 
  fmt_missing(columns = 1:6, missing_text = "-") %>% 
  fmt_percent(3:6, incl_space = T, decimals = 0, dec_mark = ",") %>% 
  cols_align(align = "left", columns = 1) %>% 
  cols_label(scenar = "Popis scénáře", scenario = "Kód scénáře")

Popis scénáře	Kód scénáře	2019	2020	2021	2022
Historie	R	7 %	-	-	-
konstantní příjmy a výdaje, konstantní dluh	R0	-	7 %	7 %	7 %
jen propad DPH o 33 %, konstantní dluh	R0-D33-res	-	9 %	7 %	7 %
jen propad DPH o 66 %, konstantní dluh	R0-D66-res	-	10 %	7 %	7 %
RUD ↓ 10 %, nárůst dluhu o saldo	R10-D0-debt	-	13 %	18 %	22 %
RUD ↓ 10 %, nárůst dluhu o půl salda	R10-D0-mix	-	10 %	13 %	15 %
RUD ↓ 10 %, konstantní dluh	R10-D0-res	-	8 %	8 %	8 %
DPH ↓ 33 %, zbytek RUD ↓ 10 %, nárůst dluhu o saldo	R10-D33-debt	-	15 %	20 %	24 %
DPH ↓ 33 %, zbytek RUD ↓ 10 %, nárůst dluhu o půl salda	R10-D33-mix	-	12 %	13 %	16 %
DPH ↓ 33 %, zbytek RUD ↓ 10 %, konstantní dluh	R10-D33-res	-	9 %	8 %	8 %
DPH ↓ 66 %, zbytek RUD ↓ 10 %, nárůst dluhu o saldo	R10-D66-debt	-	22 %	23 %	27 %
DPH ↓ 66 %, zbytek RUD ↓ 10 %, nárůst dluhu o půl salda	R10-D66-mix	-	15 %	14 %	17 %
DPH ↓ 66 %, zbytek RUD ↓ 10 %, konstantní dluh	R10-D66-res	-	10 %	8 %	8 %
RUD ↓ 20 %, nárůst dluhu o saldo	R20-D0-debt	-	15 %	23 %	29 %
RUD ↓ 20 %, nárůst dluhu o půl salda	R20-D0-mix	-	12 %	15 %	19 %
RUD ↓ 20 %, konstantní dluh	R20-D0-res	-	9 %	9 %	9 %
DPH ↓ 33 %, zbytek RUD ↓ 20 %, nárůst dluhu o saldo	R20-D33-debt	-	17 %	24 %	30 %
DPH ↓ 33 %, zbytek RUD ↓ 20 %, nárůst dluhu o půl salda	R20-D33-mix	-	13 %	15 %	20 %
DPH ↓ 33 %, zbytek RUD ↓ 20 %, konstantní dluh	R20-D33-res	-	9 %	9 %	9 %
DPH ↓ 66 %, zbytek RUD ↓ 20 %, nárůst dluhu o saldo	R20-D66-debt	-	25 %	29 %	34 %
DPH ↓ 66 %, zbytek RUD ↓ 20 %, nárůst dluhu o půl salda	R20-D66-mix	-	16 %	17 %	21 %
DPH ↓ 66 %, zbytek RUD ↓ 20 %, konstantní dluh	R20-D66-res	-	11 %	9 %	9 %
RUD ↓ 30 %, nárůst dluhu o saldo	R30-D0-debt	-	18 %	30 %	38 %
RUD ↓ 30 %, nárůst dluhu o půl salda	R30-D0-mix	-	13 %	18 %	24 %
RUD ↓ 30 %, konstantní dluh	R30-D0-res	-	10 %	10 %	10 %
DPH ↓ 33 %, zbytek RUD ↓ 30 %, nárůst dluhu o saldo	R30-D33-debt	-	19 %	30 %	39 %
DPH ↓ 33 %, zbytek RUD ↓ 30 %, nárůst dluhu o půl salda	R30-D33-mix	-	13 %	18 %	24 %
DPH ↓ 33 %, zbytek RUD ↓ 30 %, konstantní dluh	R30-D33-res	-	10 %	10 %	10 %
DPH ↓ 66 %, zbytek RUD ↓ 30 %, nárůst dluhu o saldo	R30-D66-debt	-	28 %	36 %	44 %
DPH ↓ 66 %, zbytek RUD ↓ 30 %, nárůst dluhu o půl salda	R30-D66-mix	-	17 %	21 %	27 %
DPH ↓ 66 %, zbytek RUD ↓ 30 %, konstantní dluh	R30-D66-res	-	11 %	10 %	10 %

Obce s deficitním rozpočtem

indikatory %>%
  bind_rows(indikatory %>%
              filter(per_yr == 2019) %>%
              select(-scenario_name) %>%
              crossing(scenario_name = scenarios$scenario_name)) %>%
  filter(per_yr %in% 2019:2020 & scenario %in% c("R0",
                                                 "R10-D0-debt",
                                                 "R20-D0-debt", "R30-D0-debt")) %>%
  ungroup() %>%
  count(scenario_name, scenario, per_yr, wt = (bilance < 0)/n()) %>%
  spread(per_yr, n) %>% 
  gt() %>% 
  fmt_missing(columns = 1:3, missing_text = "-") %>% 
  fmt_percent(columns = 3, incl_space = T, dec_mark = ",", decimals = 0) %>% 
  cols_align(align = "left", columns = 1) %>% 
  cols_label(scenario_name = "Popis scénáře", scenario = "Kód scénáře")

Popis scénáře	Kód scénáře	2020
konstantní příjmy a výdaje, konstantní dluh	R0	27 %
RUD ↓ 10 %, nárůst dluhu o saldo	R10-D0-debt	37 %
RUD ↓ 20 %, nárůst dluhu o saldo	R20-D0-debt	47 %
RUD ↓ 30 %, nárůst dluhu o saldo	R30-D0-debt	59 %

plot_multi_percent <- function(data, category, expression, 
                               scen_include = c("R", scenarios$scenario)) {
  data %>%
    bind_rows(data %>%
                filter(per_yr == 2019) %>%
                select(-scenario, -scenario_name) %>%
                crossing(scenarios %>% select(scenario, scenario_name))) %>%
    ungroup() %>%
    filter(scenario %in% scen_include) %>%
    group_by(per_yr, scenario_name, {{category}}) %>%
    mutate(highratio = {{expression}}) %>%
    summarise(perc_breach = mean(highratio, na.rm = T)) %>% 
    ggplot(aes(per_yr, perc_breach, colour = scenario_name)) +
    geom_line(size = 0.5) +
    geom_point(size = 0.8) +
    # scale_color_manual(values = c("black", cols[c(7, 1:6)]), drop = T) +
    facet_wrap(facets = vars({{category}})) +
    scale_y_percent_cz() +
    scale_x_continuous(n.breaks = 6,
                       labels = scales::label_number(accuracy = 1,
                                                     big.mark = "")) +
    theme_ptrr("y", multiplot = T, 
                   family = "IBM Plex Sans Condensed")
}

plot_percent <- function(data, expression,
                         scen_include = c("R", scenarios$scenario)) {
  data %>%
    bind_rows(data %>%
                filter(per_yr == 2019) %>%
                select(-scenario, -scenario_name) %>%
                crossing(scenarios %>% select(scenario, scenario_name))) %>%
    ungroup() %>%
    filter(scenario %in% scen_include) %>%
    group_by(per_yr, scenario_name) %>%
    mutate(highratio = {{expression}}) %>%
    summarise(perc_breach = mean(highratio, na.rm = T)) %>% 
    ggplot(aes(per_yr, perc_breach, colour = scenario_name)) +
    geom_line(size = 1) +
    geom_point() +
    # scale_color_manual(values = c("black", cols[c(7, 1:6)]), drop = T) +
    scale_y_percent_cz() +
    scale_x_continuous(n.breaks = 6,
                       labels = scales::label_number(accuracy = 1,
                                                     big.mark = "")) +
    theme_ptrr("y", multiplot = F, 
                   family = "IBM Plex Sans Condensed")
}

Bilance obcí

Otázka: kolik % obcí by v různých scénářích mělo deficitní rozpočet?

Scénáře v čase

Celkem

plot_percent(indikatory %>% 
               filter(per_yr < 2021), 
             bilance < 0, scen_include = c("R0",
                                           "R10-D0-debt",
                                           "R20-D0-debt",
                                           "R30-D0-debt"))

Rozdělení

indikatory %>%
  filter(per_yr %in% 2019:2020,
         scenario %in% c("R0",
                         "R10-D0-debt",
                         "R20-D0-debt",
                         "R30-D0-debt", "R"),
         bilance_rel < 2.5) %>%
  ggplot(aes(scenario_name, bilance_rel, fill = scenario)) +
  geom_hline(yintercept = 0) +
  geom_violin(colour = NA) +
  scale_x_discrete(labels = scales::label_wrap(15), drop = T) +
  coord_flip() +
  scale_fill_manual(values = c("black", cols[c(7, 1:3)]), guide = "none") +
  ptrr::theme_ptrr("scatter", legend.position = "bottom", 
                   family = "IBM Plex Sans Condensed") +
  ptrr::scale_y_percent_cz(expand = ptrr::flush_axis,
                           n.breaks = 8)

Podle krajů

plot_multi_percent(indikatory %>% 
                     filter(per_yr < 2021),
                   kraj, bilance < 0, scen_include = c("R0",
                         "R10-D0-debt",
                         "R20-D0-debt",
                         "R30-D0-debt", "R"))

Podle velikosti obcí

plot_multi_percent(indikatory %>% 
                     filter(per_yr < 2021), 
                   katobyv_nazev, bilance < 0, 
                   scen_include = c("R0",
                         "R10-D0-debt",
                         "R20-D0-debt",
                         "R30-D0-debt", "R"))

Podle druhu obcí

plot_multi_percent(indikatory %>% 
                     filter(per_yr < 2021), 
                   typobce, bilance < 0, 
                   scen_include = c("R10-D0-debt","R20-D0-debt", "R30-D0-debt",
                                    "R", "R0"))

Rok 2020 oproti baseline

Celkem

indikatory %>%
  filter(per_yr %in% 2019:2020,
         scenario %in% c("R0", "R10-D0-debt", "R20-D0-debt", "R30-D0-debt"),
         ) %>%
  mutate(bilance_neg = bilance < 0) %>%
  group_by(scenario) %>%
  summarise(perc_minus = mean(bilance_neg, na.rm = T)) %>% 
  spread(scenario, perc_minus) %>% 
  mutate_at(vars(matches("R[0-3]")), ~.-R0) %>% 
  select(-R0) %>% 
  pivot_longer(cols = matches("R[0-3]"), names_to = "scenario") %>% 
  ggplot(aes(value, scenario)) +
  geom_col() +
  scale_x_percent_cz(suffix = " pp", prefix = " +") +
  theme_ptrr("x", multiplot = T)

Podle kraje

indikatory %>%
  filter(per_yr %in% 2019:2020,
         scenario %in% c("R0", "R10-D0-debt", "R20-D0-debt", "R30-D0-debt"),
         ) %>%
  mutate(bilance_neg = bilance < 0) %>%
  group_by(scenario, grp = kraj) %>%
  summarise(perc_minus = mean(bilance_neg, na.rm = T)) %>% 
  spread(scenario, perc_minus) %>% 
  mutate_at(vars(matches("R[0-3]")), ~.-R0) %>% 
  select(-R0) %>% 
  pivot_longer(cols = matches("R[0-3]"), names_to = "scenario") %>% 
  mutate(grp = fct_reorder(grp, value)) %>% 
  ggplot(aes(value, grp)) +
  geom_col() +
  facet_wrap(~scenario)  +
  scale_x_percent_cz(suffix = " pp", prefix = " +") +
  theme_ptrr("x", multiplot = T)

Podle velikosti obce

indikatory %>%
  filter(per_yr %in% 2019:2020,
         scenario %in% c("R0", "R10-D0-debt", "R20-D0-debt", "R30-D0-debt"),
         ) %>%
  mutate(bilance_neg = bilance < 0) %>%
  group_by(scenario, grp = katobyv_nazev) %>%
  summarise(perc_minus = mean(bilance_neg, na.rm = T)) %>% 
  spread(scenario, perc_minus) %>% 
  mutate_at(vars(matches("R[0-3]")), ~.-R0) %>% 
  select(-R0) %>% 
  pivot_longer(cols = matches("R[0-3]"), names_to = "scenario") %>% 
  # mutate(grp = fct_reorder(grp, value)) %>% 
  ggplot(aes(value, grp)) +
  geom_col() +
  facet_wrap(~scenario)  +
  scale_x_percent_cz(suffix = " pp", prefix = " +") +
  theme_ptrr("x", multiplot = T)

Podle druhu obce

dt_impact_typ <- indikatory %>%
  filter(per_yr %in% 2019:2020,
         scenario %in% c("R0", "R10-D0-debt", "R20-D0-debt", "R30-D0-debt"),
         ) %>%
  mutate(bilance_neg = bilance < 0) %>%
  group_by(scenario, grp = typobce) %>%
  summarise(perc_minus = mean(bilance_neg, na.rm = T)) %>% 
  spread(scenario, perc_minus) %>% 
  mutate_at(vars(matches("R[0-3]")), ~.-R0) %>% 
  select(-R0) %>% 
  pivot_longer(cols = matches("R[0-3]"), names_to = "scenario") %>% 
  # mutate(grp = fct_reorder(grp, value)) %>%
  filter(TRUE)

ggplot(dt_impact_typ, aes(value, grp)) +
  geom_col() +
  facet_wrap(~scenario)  +
  scale_x_percent_cz(suffix = " pp", prefix = " +") +
  theme_ptrr("x", multiplot = T)

ggplot(dt_impact_typ, aes(value, grp)) +
  geom_point(aes(colour = scenario)) +
  # facet_wrap(~scenario) +
  scale_color_discrete() +
  scale_x_percent_cz(suffix = " pp", prefix = " +") +
  theme_ptrr("x", multiplot = T)

indikatory %>%
  filter(per_yr %in% 2019:2020 & scenario %in% c("R0", "R10-D0-debt",
                                                 "R20-D0-debt", "R30-D0-debt")) %>%
  mutate(bilance_neg = bilance < 0) %>%
  group_by(per_yr, scenario_name, typobce) %>%
  summarise(perc_minus = mean(bilance_neg, na.rm = T)) %>%
  ggplot(aes(typobce, perc_minus, colour = scenario_name)) +
  geom_point() +
  coord_flip() +
  ptrr::theme_ptrr("scatter", legend.position = "bottom",
                   legend.title = element_blank(), 
                   family = "IBM Plex Sans Condensed") +
  ptrr::scale_y_percent_cz()

Rozpočtová odpovědnost

Otázka: kolik procent obcí by v různých scénářích porušoval pravidlo rozpočtové odpovědnosti? (dluh > 60 % průměrů příjmů z posledních 4 let)

Scénáře v čase

Celkem

plot_percent(indikatory %>% filter(per_yr > 2012,
                                   str_detect(scenario, "D0-")),
             rozp_odp > 0.6) +
    expand_limits(y = c(0, 0.35))

Rozdělení

indikatory %>%
  filter(per_yr %in% 2019:2020,
         str_detect(scenario, "D0"),
         rozp_odp < 2.5) %>%
  ggplot(aes(scenario, rozp_odp, fill = scenario)) +
  geom_hline(yintercept = 0.6) +
  # stat_ecdf(geom = "step", ) +
  geom_violin(colour = NA) +
  scale_x_discrete(labels = scales::label_wrap(15), drop = T) +
  coord_flip() +
  # scale_fill_manual(values = c("black", cols[c(7, 1:6)]), guide = "none") +
  ptrr::theme_ptrr("scatter", legend.position = "bottom", 
                   family = "IBM Plex Sans Condensed", multiplot = T) +
  ptrr::scale_y_percent_cz(expand = ptrr::flush_axis,
                           n.breaks = 8)

Podle kraje

plot_multi_percent(indikatory %>% filter(per_yr > 2012,
                                         str_detect(scenario, "D0-mix")),
                   kraj, rozp_odp > 0.6) +
  expand_limits(y = c(0, 0.45)) +
  theme(legend.position = "bottom", legend.title = element_blank()) +
  guides(colour = guide_legend(nrow = 4))

Podle velikosti obcí

scend0 <- scenarios[str_detect(scenarios$scenario, "^R$|D0"),] %>% pull(scenario)

plot_multi_percent(indikatory, katobyv_nazev, rozp_odp > 0.6, 
                   scen_include = scend0) +
  theme(legend.position = "bottom", legend.title = element_blank()) +
  guides(colour = guide_legend(nrow = 4))

Podle druhu obcí

plot_multi_percent(indikatory %>% 
                     filter(per_yr > 2012,
                            str_detect(scenario, "D0-")),
                   typobce, rozp_odp > 0.6) +
  theme(legend.position = "bottom", legend.title = element_blank()) +
  guides(colour = guide_legend(nrow = 4)) +
  scale_colour_discrete()

Rok 2020 oproti baseline

Celkem

indikatory %>%
  filter(per_yr %in% c(2019:2020),
         # scenario %in% c("S1", "S4", "S0"),
         ) %>%
  mutate(bilance_neg = rozp_odp > 0.6) %>%
  group_by(scenario) %>%
  summarise(perc_minus = mean(bilance_neg, na.rm = T)) %>% 
  spread(scenario, perc_minus) %>% 
  mutate_at(vars(matches("R[1-9]")), ~.-R0) %>% 
  select(-R0) %>% 
  pivot_longer(cols = matches("R[0-3]"), names_to = "scenario") %>% 
  ggplot(aes(value, scenario)) +
  geom_col() +
  scale_x_percent_cz(suffix = " pp", prefix = " +") +
  theme_ptrr("x", multiplot = T)

Podle kraje

indikatory %>%
  filter(per_yr %in% 2019:2020,
         # scenario %in% c("S1", "S4", "S0"),
         ) %>%
  mutate(bilance_neg = rozp_odp > .6) %>%
  filter(str_detect(scenario, "R(0|10|20|30)*(\\-(0|33|66))*")) %>% 
  group_by(scenario, grp = kraj) %>%
  summarise(perc_minus = mean(bilance_neg, na.rm = T)) %>%
  spread(scenario, perc_minus) %>% 
  mutate_at(vars(matches("^R[0-9]")), ~./R0) %>% 
  select(-R0, -R) %>% 
  pivot_longer(cols = starts_with("R"), names_to = "scenario") %>% 
  # mutate(grp = fct_reorder(grp, value)) %>% 
  ggplot(aes(value, grp)) +
  geom_col() +
  facet_wrap(~scenario) +
  # scale_x_percent_cz(suffix = " pp", prefix = " +") +
  theme_ptrr("both", multiplot = T)

Podle velikosti obce

indikatory %>%
  filter(per_yr %in% 2019:2020,
         # scenario %in% c("S1", "S4", "S0"),
         ) %>%
  mutate(bilance_neg = rozp_odp > .6) %>%
  filter(str_detect(scenario, "R(0|10|20|30)*(\\-(0|33|66))*")) %>% 
  group_by(scenario, grp = katobyv_nazev) %>%
  summarise(perc_minus = mean(bilance_neg, na.rm = T)) %>%
  spread(scenario, perc_minus) %>% 
  mutate_at(vars(matches("^R[0-9]")), ~./R0) %>% 
  select(-R0, -R) %>% 
  pivot_longer(cols = starts_with("R"), names_to = "scenario") %>% 
  # mutate(grp = fct_reorder(grp, value)) %>% 
  ggplot(aes(value, grp)) +
  geom_col() +
  facet_wrap(~scenario) +
  # scale_x_percent_cz(suffix = " pp", prefix = " +") +
  theme_ptrr("both", multiplot = T)

Podle typu obce

indikatory %>%
  filter(per_yr %in% 2019:2020,
         # scenario %in% c("S1", "S4", "S0"),
         ) %>%
  mutate(bilance_neg = rozp_odp > .6) %>%
  filter(str_detect(scenario, "R(0|10|20|30)*(\\-(0|33|66))*")) %>% 
  group_by(scenario, grp = typobce) %>%
  summarise(perc_minus = mean(bilance_neg, na.rm = T)) %>%
  spread(scenario, perc_minus) %>% 
  mutate_at(vars(matches("^R[0-9]")), ~./R0) %>% 
  select(-R0, -R) %>% 
  pivot_longer(cols = starts_with("R"), names_to = "scenario") %>% 
  # mutate(grp = fct_reorder(grp, value)) %>% 
  ggplot(aes(value, grp)) +
  geom_col() +
  facet_wrap(~scenario) +
  # scale_x_percent_cz(suffix = " pp", prefix = " +") +
  theme_ptrr("both", multiplot = T)

V čase: zjednodušený indikátor

Zjednodušení pouze na příjmy v posledním roce, abychom eliminovali artefakt, kdy se okno čtyřletého průměru posouvá do roků s vyššími příjmy.

Celkem

plot_percent(indikatory %>% filter(per_yr > 2012), rozp_odp_1yr > 0.6) +
    expand_limits(y = c(0, 0.35)) +
  scale_colour_discrete()

Rozdělení

indikatory %>%
  filter(per_yr %in% 2019:2020,
         # scenario %in% c("S1", "S0", "S4", "R"),
         rozp_odp_1yr < 2.5) %>%
  ggplot(aes(scenario, rozp_odp_1yr, fill = scenario)) +
  geom_hline(yintercept = 0.6) +
  # stat_ecdf(geom = "step", ) +
  geom_violin(colour = NA) +
  scale_x_discrete(labels = scales::label_wrap(15), drop = T) +
  coord_flip() +
  # scale_fill_manual(values = c("black", cols[c(7, 1:6)]), guide = "none") +
  ptrr::theme_ptrr("scatter", legend.position = "bottom", 
                   family = "IBM Plex Sans Condensed", multiplot = T) +
  ptrr::scale_y_percent_cz(expand = ptrr::flush_axis,
                           n.breaks = 8)

Podle kraje

plot_multi_percent(indikatory %>% filter(per_yr > 2012), 
                   kraj, rozp_odp_1yr > 0.6) +
  expand_limits(y = c(0, 0.45)) +
  theme(legend.position = "bottom", legend.title = element_blank()) +
  guides(colour = guide_legend(nrow = 4))

Podle velikosti obcí

plot_multi_percent(indikatory, katobyv_nazev, rozp_odp_1yr > 0.6) +
  theme(legend.position = "bottom", legend.title = element_blank()) +
  guides(colour = guide_legend(nrow = 4))

Podle typu obcí

plot_multi_percent(indikatory, typobce, rozp_odp_1yr > 0.6) +
  theme(legend.position = "bottom", legend.title = element_blank()) +
  guides(colour = guide_legend(nrow = 4)) +
  scale_colour_discrete()

2020 x baseline: zjednodušený indikátor

Zjednodušení pouze na příjmy v posledním roce, abychom eliminovali artefakt, kdy se okno čtyřletého průměru posouvá do roků s vyššími příjmy.

Celkem

indikatory %>%
  filter(per_yr %in% c(2019:2020),
         # scenario %in% c("S1", "S4", "S0"),
         ) %>%
  mutate(bilance_neg = rozp_odp_1yr > 0.6) %>%
  group_by(scenario) %>%
  summarise(perc_minus = mean(bilance_neg, na.rm = T)) %>% 
  spread(scenario, perc_minus) %>% 
  mutate_at(vars(matches("R[1-3]")), ~.-R0) %>% 
  select(-R0) %>% 
  pivot_longer(cols = matches("R[0-9]"), names_to = "scenario") %>% 
  ggplot(aes(value, scenario)) +
  geom_col() +
  scale_x_percent_cz(suffix = " pp", prefix = " +") +
  theme_ptrr("x", multiplot = T)

Podle kraje

indikatory %>%
  filter(per_yr %in% 2019:2020,
         # scenario %in% c("S1", "S4", "S0"),
         ) %>%
  mutate(bilance_neg = rozp_odp_1yr > .6) %>%
  group_by(scenario, grp = kraj) %>%
  summarise(perc_minus = mean(bilance_neg, na.rm = T)) %>% 
  spread(scenario, perc_minus) %>% 
  mutate_at(vars(matches("R[0-3]")), ~.-R0) %>% 
  select(-R0) %>% 
  pivot_longer(cols = matches("R[0-9]"), names_to = "scenario") %>% 
  mutate(grp = fct_reorder(grp, value)) %>% 
  ggplot(aes(value, grp)) +
  geom_col() +
  facet_wrap(~scenario) +
  scale_x_percent_cz(suffix = " pp", prefix = " +") +
  theme_ptrr("x", multiplot = T)

Podle velikosti obce

indikatory %>%
  filter(per_yr %in% 2019:2020,
         # scenario %in% c("S1", "S4", "S0"),
         ) %>%
  mutate(bilance_neg = rozp_odp_1yr > .6) %>%
  group_by(scenario, grp = katobyv_nazev) %>%
  summarise(perc_minus = mean(bilance_neg, na.rm = T)) %>% 
  spread(scenario, perc_minus) %>% 
  mutate_at(vars(matches("R[1-9]")), ~.-R0) %>% 
  select(-R0) %>% 
  pivot_longer(cols = matches("R[0-9]"), names_to = "scenario") %>% 
  # mutate(grp = fct_reorder(grp, value)) %>% 
  ggplot(aes(value, grp)) +
  geom_col() +
  facet_wrap(~scenario) +
  scale_x_percent_cz(suffix = " pp", prefix = " +") +
  theme_ptrr("both", multiplot = T)

Podle typu obce

indikatory %>%
  filter(per_yr %in% 2019:2020,
         # scenario %in% c("S1", "S4", "S0"),
         ) %>%
  mutate(bilance_neg = rozp_odp_1yr > .6) %>%
  group_by(scenario, grp = typobce) %>%
  summarise(perc_minus = mean(bilance_neg, na.rm = T)) %>% 
  spread(scenario, perc_minus) %>% 
  mutate_at(vars(matches("R[0-3]")), ~.-R0) %>% 
  select(-R0) %>% 
  pivot_longer(cols = matches("R[0-9]"), names_to = "scenario") %>% 
  # mutate(grp = fct_reorder(grp, value)) %>% 
  ggplot(aes(value, grp)) +
  geom_col() +
  facet_wrap(~scenario) +
  scale_x_percent_cz(suffix = " pp", prefix = " +") +
  theme_ptrr("both", multiplot = T)