#------------------------------------------------------------------------------#
#                            BALASSA INDEX                                     #
#------------------------------------------------------------------------------#


# installieren von benötigten Packages
#install.packages("tidyverse")

# laden von benötigten Packages
library(tidyverse)

# setzen des Arbeitsverzeichnisses ("\" m?ssen durch "/" ersetzt werden)
setwd("/Users/stucki/Desktop/Work/HiWi/Tutor/Blatt4")



#------------------------------------------------------------------------------#
#---                          AUFGABE 2                                     ---#
#------------------------------------------------------------------------------#
#---  (i) 
# -> International Trade Center als Datenquelle für Handel von Ländern 
# -> Durch die Auswahl von Jahren können unterschiedliche Referenzzeitpunkte gewählt werden
# -> Hierbei gibt es verschiedene Klassifizierungen (2 digits, 4 digits...), welche die Güter unterschiedlich genau spezifizieren
# -> Exportdaten eines Landes in verschiedenen Sektoren und Jahren können als Beispiel wie folgt dargestellt werden:
# 1) Auf Yearly time series klicken
# 2)  Product: Total- All products
#     Country: Germany
#     Partner: All
#     other criteria: exports, yearly time series, by product, at the same level (2 digits), values, US-Dollar
# 3) Auf "Code" in Tabelle klicken
# -> Exported Value Deutschlands in der Kategorie 01 Live animals im Jahr 2017: 1.670.774 USD


#---  (ii) 

# Einlesen des Datensatzes
balassa <- read_csv("BalassaIndex.csv")
# -> Datensatz besteht aus 97 observations mit 4 Variablen (siehe global environment)


#---  (iii)

# Gesamt Exportvolumen für Deutschland
balassa <- mutate(balassa, Exportvolumen_D = sum(Trade_Value_D_W))
# -> neue Spalte in balassa Datensatz hinzufügen via mutate Funktion
# -> Es wird dabei die Summe aus den Exporten Deutschlands dargestellt

# Gesamt Exportvolumen für den Rest der Welt
balassa <- mutate(balassa, Exportvolumen_ROW = sum(Trade_Value_W_W))
# -> Summe aus Exporten Rest der Welt definiert in neuer Spalte


#---  (iv)

# Anteil der Sektoren am Exportvolumen für Deutschland
balassa <- mutate(balassa, Anteil_D = (Trade_Value_D_W/Exportvolumen_D))
# -> neue Spalte mit dem Anteil der jeweiligen Sektoren am gesamten Exportvolumen DE


# Anteil der Sektoren am Exportvolumen für den Rest der Welt
balassa <- mutate(balassa, Anteil_ROW = (Trade_Value_W_W/Exportvolumen_ROW))
# -> neue Spalte mit dem Anteil der jeweiligen Sektoren am gesamten Exportvolumen Rest der Welt


#---  (v)

# Berechnen des Balassa Index
balassa <- mutate(balassa, Index = Anteil_D/Anteil_ROW)
# -> Ergebnisse aus iv) können nun für die Berechnung des Balassa Index verwendet werden (siehe Aufgabenblatt Formel)
# -> Balassa Index: Ermittlung der komparativen Vorteile (starke Exportsektoren) 
# -> Ist der Inedex größer als 1, dann ist das Land Export-stärker im relativen Vergleich zum rest der Welt.
# -> Das Land ist also in diesem Sektor spezialisiert, da es gegenüber dem Rest der Welt komparative Vorteile in diesem Sektor besitzt
# -> Aufgabe v) berechnet also den Balassa-Index für DE in den vorhandenen Sektoren


#---  (vi)

# a. Minimal- und Maximalwert
summarize(balassa, Min = min(Index), Max = max(Index))
# -> Kleinster Balassa- Index mit 0.0305. DE ist in diesem Sektor folglich nicht spezialisiert
# -> Größter Index 2.05, starke spezialisierung DE in diesem Sektor

# b. Anzahl der Sektoren mit Balassa-Index größer 1
count(balassa, Index >= 1)
# -> DE hat in 34 Sektoren einen komparativen Vorteil ggü. dem Rest der Welt

# c. Sektoren mit den 10 kleinsten und 10 größten Werten des Indexes
balassa <- arrange(balassa, Index)
head(balassa, 10)
# -> In Kategorie 26 (Eisenerz, Asche) ist DE kaum spezialisiert und hat nur einen geringen Anteil am weltweiten Export

balassa <- arrange(balassa, -Index)
head(balassa, 10)
# -> In Kategorie 87 (Autos) ist DE stark spezialisiert und hat einen großen Anteil am weltweiten Export


#---  (vi)

# Säulendiagramm für den Balassa-Index
ggplot(balassa, mapping = aes(x = Commodity_Code, y = Index)) + 
  geom_bar(stat = "identity") + 
  geom_hline(yintercept = 1, color = "red")
# -> Graphische Darstellung des berechneten Balassa-Index für DE
# -> Rote linie stellt den Wert 1 dar, also der Grenzwert für komparative Vorteile
# -> Liegen die Balken über der roten Linie ist der komparative Vorteil graphisch erkennbar