En simpel introduktion til de 1000 største virksomheder i Danmark

========================================================

I det her dokument samles tabeller og figurer til analysen af corporate interlocks i Danmark

```{r echo=FALSE}

library(ggplot2)

library(igraph)

library(cluster)

library(reshape)

memory.size(4000)

options(width=250)

setwd("~/My Dropbox/R/interlocks/")

source("~/My Dropbox/R/soc.sna/soc.sna.R")

data <- read.csv("~/My Dropbox/Elite/Data/Data/Organisation_BIQ_top_kapitalfonde.csv", sep="|", encoding="UTF-8")

rel <- read.csv("~/My Dropbox/Elite/Data/Data/Relation_BIQ_top_kapitalfonde.csv", sep="|", encoding="UTF-8")

data <- data[order(data$ORG_NAVN),]

employees <- data$ANSATTE.10

turnover <- data$OMSÆTNING.10

balance <- data$BALANCE.10

result <- data$RESULTAT.FØR.SKAT.10

capital <- data$EGENKAPITAL.10

size.quant <- cut(data$OMSÆTNING.10, breaks=quantile(data$OMSÆTNING.10, na.rm=TRUE), include.lowest=TRUE, labels= c("1. Quantile: Smallest", "2. Quantile", "3. Quantile", "4. Quantile: Largest" ))

variabel <- cut(org$OMSÆTNING.10, breaks=quantile(org$OMSÆTNING.10, na.rm=TRUE), include.lowest=TRUE, labels= c("1. kvartil: Mindst", "2. kvartil", "3. kvartil", "4. kvartil: Størst" ))

pareto.dat <- data.frame(employees, turnover, capital, balance, result)

### Netværk

netmat <- data.frame(rel$NAVN, rel$ORG_NAVN)

colnames(netmat) <- c("navn", "org")

### Virk netværk

tabnet <- table(netmat)

tabnet <- as.matrix(tabnet)

adj.org <- t(tabnet)%*%tabnet # virk*virk

diagonal.org <- diag(adj.org)

diag(adj.org) <- 0

net.org <- graph.adjacency(adj.org, weighted=TRUE)

### Individ netværk

adj.ind <- tabnet%*%t(tabnet) # Individ*individ

diagonal.ind <- diag(adj.ind)

diag(adj.ind) <- 0

net.ind <- graph.adjacency(adj.ind, weighted=TRUE)

deg <- degree(net.org)

close <- closeness(net.org)

between <- betweenness(net.org)

neigh2 <- neighborhood.size(net.org, 2)

net.mat <- data.frame(deg, close, between, neigh2)

colnames(net.mat) <- c("Degree", "Closeness", "Betweeness", "Neighborhood")

###

pareto <- function(x, decreasing=FALSE){

total.x <- sum(x, na.rm=TRUE)

prop.x <- x/total.x

cum.x <- cumsum(prop.x[order(prop.x, decreasing=decreasing)])

return(cum.x)

}

### The real deal

pareto.dat <- as.data.frame(apply(pareto.dat, 2 ,pareto))

pareto.dat$rank <- (1:nrow(pareto.dat))/nrow(pareto.dat)

pareto.dat <- melt(pareto.dat, "rank")

net.mat <- as.data.frame(apply(net.mat, 2, pareto))

net.mat$rank <- (1:nrow(net.mat))/nrow(net.mat)

net.mat <- melt(net.mat, "rank")

```

Pareto fordelinger eller Lorentz-kurver for økonomiske variable og netværksvariable.

```{r echo=FALSE, comment="", echo=FALSE}

ggplot(data=pareto.dat, aes(x=rank, y=value, colour=variable, group=variable)) + geom_line(aes(linetype=variable)) + theme_bw()

ggplot(data=net.mat, aes(x=rank, y=value, colour=variable, group=variable)) + geom_line(aes(linetype=variable)) + theme_bw()

```

## Deskriptiv statistik for netværksmål

Her beskrives data udfra branche. Det er klart at målene i network.by.variable ikke er de rigtige. Der skal laves en funktion specifikt til denne analyse.

Her skal vi have:

```{r echo=FALSE, comment="", echo=FALSE}

describe.network(net.org, variabel=size.quant, org.data=data)

describe.network(net.org, variabel=data$region, org.data=data)

describe.network(net.org, variabel=data$stockexchange, org.data=data)

```

```{r echo=FALSE, comment="", echo=FALSE}

layout <- layout.fruchterman.reingold(net.org)

layoutk <- layout.kamada.kawai(net.org)

gplot(net.org, vertex.coord=layout, text.alpha=0)

gplot(net.org, vertex.coord=layoutk, text.alpha=0, vertex.fill=size.quant,edge.alpha=0.3, edge.size=0.3) + guides(fill = guide_legend(override.aes = list(shape = 21))) + labs(fill="Turnover: Quantiles")

```

## Deskriptiv statistik for inderkredsen - broer og den slags

Her skal vi have en matrice der siger hvor stor en komponent er alt efter om den er bundet sammen af alle, af CEO, direktion og bestyrelsesformænd

```{r echo=FALSE, comment="", echo=FALSE}

# Er han direktør?

# Først navnene på individerne i vores netværk

navne <- V(net.inderkreds)$name

# Kun relationer fra folk i inderkredsen

a <- rel$NAVN %in% navne

rel.i <- rel[rel$NAVN %in% navne,]

# Er han adm. direktør?

post <- rel.i$post

table(post)

rel.d <- rel.i[post == "Adm. Direktør",]

navn.d <- as.factor(as.character(rel.d$NAVN))

navn.d <- levels(navn.d)

navn.d # Her har vi en liste med navne for hvem det gælder at de er Adm. Direktører

direktør <- vector(length=length(navne))

direktør[navne %in% navn.d] <- "Adm. Direktør" # Her vælger vi at alle der har et "direktør navn" skal have et bestemt udfald.

```