সামাজিক বিজ্ঞান গবেষণা/নিম্ন-মধ্যম আয়ের দেশগুলোতে নারী বিষয়ক পরিসংখ্যান
গবেষণা https://pmc.ncbi.nlm.nih.gov/articles/PMC9684414, যার শিরোনাম "লিভওয়েল (LivWell): ৫২টি দেশের নারীদের জীবনযাত্রার মান এবং তাদের কল্যাণের ওপর একটি উপ-জাতীয় ডেটাসেট - পিএমসি", লিভওয়েল-এর বর্ণনা দেয়। এটি একটি বৈশ্বিক, অনুদৈর্ঘ্য (longitudinal) ডেটাসেট, যা ১৯৯০ থেকে ২০১৯ সাল পর্যন্ত ৫২টি নিম্ন ও মধ্যম আয়ের দেশে উপ-জাতীয় পর্যায়ে নারীদের জীবনযাত্রার মান এবং কল্যাণ নিয়ে কাজ করে। ডেটাসেটটি ডেমোগ্রাফিক অ্যান্ড হেলথ সার্ভে (ডিএইচএস)-এর উপাত্তের সাথে আঞ্চলিক জলবায়ু ও আর্থ-সামাজিক অবস্থার তথ্যকে যুক্ত করে। ডেটাসেটটি জেনোডো থেকে এখানে ডাউনলোড করা যেতে পারে: https://zenodo.org/records/7277104।
বেলমিন সি, হফম্যান আর, এলকাসাবি এম, পিচলার পিপি (Belmin C, Hoffmann R, Elkasabi M, Pichler PP)। LivWell: a sub-national Dataset on the Living Conditions of Women and their Well-being for 52 Countries. সায়েন্টিফিক ডেটা (Sci Data)। ২০২২ নভে ২২;৯(১):৭১৯। doi: 10.1038/s41597-022-01824-2. PMID: 36418857; PMCID: PMC9684414.
উপাত্ত লোডিং
[সম্পাদনা]প্রতিটি দেশের জন্য উপলব্ধ সর্বশেষ বছরের তথ্যের ওপর ভিত্তি করে উপাত্ত বিশ্লেষণ করা হয়েছে:
library(dplyr)
livwell <- read.csv("livwell.csv")
df<-livwell %>%
group_by(country_name,country_code) %>%
summary(year=max(year))
df <- merge(df,livwell, by.x=c("country_name","country_code","year"))
নারীদের কাজ
[সম্পাদনা]দেশগুলোতে অবৈতনিক নারী কর্মীর হার অনেক বেশি। দারিদ্র্য এবং অর্থনৈতিক নিরাপত্তাহীনতার প্রেক্ষাপটে, পরিবারকে আর্থিকভাবে সাহায্য করার জন্য নারীরা অবৈতনিক কাজের প্রতি বেশি ঝুঁকতে পারেন। নিম্ন আয়ের দেশগুলোতে নারী জনসংখ্যার একটি উল্লেখযোগ্য অংশ কৃষিখাতে কাজ করে, যার বড় একটি অংশ হলো পারিবারিক খামার, যেখানে কাজের জন্য আনুষ্ঠানিকভাবে কোনো পারিশ্রমিক দেওয়া হয় না।
df1<-df %>%
group_by(country_name) %>%
summarise(female workers=mean(WK_working12_p),paid_workers=female workers*mean(WK_working_paid_p, na.rm=T)/100, unpaid_workers=female workers-paid_workers) %>%
arrange(desc(female workers))
df1 <- df1[-which(is.na(df1$paid_workers)),]
df2<-df1 %>%
select(country_name,unpaid_workers) %>%
arrange(desc(unpaid_workers))
df2 <- data.frame(country_name=df2$country_name,unpaid_workers=paste(round(df2$unpaid_workers,2),"%"))
df2
country_name unpaid_workers 1 নেপাল 73.21 % 2 মাদাগাস্কার 64.63 % 3 রুয়ান্ডা 57.09 % 4 বুরুন্ডি 53.88 % 5 বুরকিনা ফাসো 52.89 % 6 মালাউই 43.69 % 7 কঙ্গো গণতান্ত্রিক প্রজাতন্ত্র 41.24 % 8 উগান্ডা 40.43 % 9 সিয়েরা লিওন 40.41 % 10 গিনি 37.84 % 11 আইভরি কোস্ট 36.92 % 12 ঘানা 34.09 % 13 ক্যামেরুন 32.29 % 14 তানজানিয়া 30.23 % 15 লাইবেরিয়া 30.06 % 16 হাইতি 29.02 % 17 বেনিন 28.31 % 18 মোজাম্বিক 25.09 % 19 পেরু 23.64 % 20 টোগো 23.49 % 21 ইথিওপিয়া 22.66 % 22 নাইজেরিয়া 21.75 % 23 জাম্বিয়া 21.14 % 24 পূর্ব তিমুর 20.5 % 25 মালি 19.15 % 26 সেনেগাল 19.03 % 27 ইন্দোনেশিয়া 18.2 % 28 ভারত 17.92 % 29 বলিভিয়া 16.46 % 30 ফিলিপাইন 14.8 % 31 কম্বোডিয়া 13.62 % 32 বাংলাদেশ 13.56 % 33 গ্যাবন 11.94 % 34 হন্ডুরাস 11.22 % 35 জিম্বাবুয়ে 11.08 % 36 আর্মেনিয়া 10.84 % 37 লেসোথো 8.39 % 38 নাইজার 6.27 % 39 কলম্বিয়া 5.92 % 40 নিকারাগুয়া 5.89 % 41 মরক্কো 5.39 % 42 নামিবিয়া 5.36 % 43 তাজিকিস্তান 4.94 % 44 গুয়াতেমালা 4.32 % 45 পাকিস্তান 3.76 % 46 মিশর 2.59 % 47 দক্ষিণ আফ্রিকা 2.08 % 48 মালদ্বীপ 1.44 %
শিক্ষা
[সম্পাদনা]df1 <- df[-which(is.na(df$ED_attainment_no_educ_p)),]
df2<-df1 %>%
group_by(country_name) %>%
summary(women_without_education=mean(ED_attainment_no_educ_p)) %>%
arrange(desc(women_without_education))
df2 <- data.frame(country_name=df2$country_name,women_without_education=paste(round(df2$women_without_education,2),"%"))
df2
country_name women_without_education 1 বুরকিনা ফাসো 77.49 % 2 নাইজার 75.2 % 3 গিনি 71.14 % 4 মালি 68.66 % 5 আইভরি কোস্ট 60.28 % 6 বেনিন 54.2 % 7 নেপাল 53.7 % 8 মরক্কো 51.35 % 9 সেনেগাল 48.24 % 10 সিয়েরা লিওন 44.6 % 11 ইথিওপিয়া 44.32 % 12 পাকিস্তান 39.61 % 13 লাইবেরিয়া 38.92 % 14 টোগো 35.88 % 15 ভারত 31.6 % 16 বুরুন্ডি 31.09 % 17 মোজাম্বিক 29.75 % 18 নাইজেরিয়া 28.58 % 19 ঘানা 25.28 % 20 পূর্ব তিমুর 24.62 % 21 মাদাগাস্কার 21.4 % 22 নিকারাগুয়া 18.1 % 23 কঙ্গো গণতান্ত্রিক প্রজাতন্ত্র 16.03 % 24 মিশর 15.9 % 25 গুয়াতেমালা 15.3 % 26 কম্বোডিয়া 14.87 % 27 তানজানিয়া 14.83 % 28 হাইতি 14.05 % 29 ক্যামেরুন 13.7 % 30 বাংলাদেশ 12.88 % 31 রুয়ান্ডা 11.58 % 32 উগান্ডা 10.3 % 33 মালাউই 10.11 % 34 তুরস্ক 9.19 % 35 জাম্বিয়া 7.89 % 36 নামিবিয়া 6.42 % 37 ভিয়েতনাম 5.67 % 38 বলিভিয়া 5.12 % 39 মালদ্বীপ 5 % 40 হন্ডুরাস 4.98 % 41 গ্যাবন 4.03 % 42 পেরু 3.05 % 43 ইন্দোনেশিয়া 2.17 % 44 জর্ডান 1.89 % 45 দক্ষিণ আফ্রিকা 1.73 % 46 তাজিকিস্তান 1.57 % 47 কলম্বিয়া 1.41 % 48 লেসোথো 1.37 % 49 জিম্বাবুয়ে 1.25 % 50 ফিলিপাইন 1.16 % 51 আর্মেনিয়া 0.1 %
সঙ্গী কর্তৃক শারীরিক বা যৌন সহিংসতা
[সম্পাদনা]df1 <- df[-which(is.na(df$DV_phys_or_sex_partner_p)),]
df2<-df1 %>%
group_by(country_name) %>%
summarise(physical_or_sexual_violence_by_partner=mean(DV_phys_or_sex_partner_p)) %>%
arrange(desc(physical_or_sexual_violence_by_partner))
df2 <- data.frame(country_name=df2$country_name,partner_sexual_or_physical_violence=paste(round(df2$partner_sexual_violence,2),"%"))
df2
country_name partner_sexual_or_physical_violence 1 গ্যাবন 50.3 % 2 সিয়েরা লিওন 49.8 % 3 কঙ্গো গণতান্ত্রিক প্রজাতন্ত্র 49.78 % 4 উগান্ডা 47.12 % 5 বুরুন্ডি 42.98 % 6 পূর্ব তিমুর 39.88 % 7 পেরু 38.83 % 8 জাম্বিয়া 38.58 % 9 মালাউই 35.34 % 10 রুয়ান্ডা 34.43 % 11 কলম্বিয়া 34.06 % 12 জিম্বাবুয়ে 33.54 % 13 মালি 33.42 % 14 তানজানিয়া 33.31 % 15 ক্যামেরুন 33.03 % 16 মোজাম্বিক 33 % 17 ভারত 30.28 % 18 নাইজেরিয়া 24.58 % 19 নামিবিয়া 24.56 % 20 আইভরি কোস্ট 24.03 % 21 টোগো 23.83 % 22 ইথিওপিয়া 22.35 % 23 বেনিন 22.21 % 24 তাজিকিস্তান 22 % 25 হাইতি 20.44 % 26 হন্ডুরাস 20.21 % 27 পাকিস্তান 20.02 % 28 দক্ষিণ আফ্রিকা 18.22 % 29 মিশর 17.91 % 30 কম্বোডিয়া 17.75 % 31 গুয়াতেমালা 17.11 % 32 সেনেগাল 14.49 % 33 মালদ্বীপ 13.72 % 34 ফিলিপাইন 13.3 % 35 বুরকিনা ফাসো 11.68 % 36 জর্ডান 9.41 % 37 আর্মেনিয়া 9.18 %