연도-월 반입량

먼저 연도-월 반입량이다. 배추 분석과 같이 3D 그래프와 색을 활용해 반입량을 나타내었다. 대파의 경우 월별로 큰 차이는 보여지지 않지만 주로 봄과 가을에 반입량이 많음을 확인할 수 있다. 또한 전체적으로 2017년의 반입량 다른 연도에 비해 많다는 것도 알 수 있다.

input_year_month <- data3 %>% group_by(year,month) %>% summarise(input=sum(weight,na.rm=T)) %>% spread(month,input,fill=0) %>% ungroup()
d5 <- as.matrix(input_year_month[,-1])/1000
hist3D(z = d5, x = as.numeric(t(input_year_month[,1])), y = 1:12, scale = F, expand = 0.00005, 
       bty = "g", phi = 30, theta = 20, col = jet.col(100), alpha = 0.5, border = "black", 
       shade = 0.2, ltheta = 90, space = 0.4, ticktype = "detailed", d = 2, xlab='year',ylab='month',zlab='ton')

연도-월 가격

다음은 연도-월 가격이다. 대파의 경우 2015년부터의 데이터를 사용했기 때문에 실질가격과 명목가격을 구분할 필요는 없다. 2015년의 경우 예외이지만 대체로 겨울, 초봄의 대파 가격이 가장 높은 것으로 보인다.

price_year_month <- data3 %>% group_by(year,month) %>% summarise(price=mean(price_per_kg,na.rm=T)) %>% spread(month,price,fill=0) %>% ungroup()
d6 <- as.matrix(price_year_month[,-1])
hist3D(z = d6,  x = as.numeric(t(price_year_month[,1])), y = 1:12, scale = FALSE, expand = 0.001,
       bty = "g", phi = 30, theta = 20, col = jet.col(100), alpha = 0.5, border = "black", shade = 0.2, 
       ltheta = 90, space = 0.4, ticktype = "detailed", d = 2, xlab='year',ylab='month',zlab='nominal_price')

산지-월 출하량

결측치를 포함한 상위 10개 지역의 출하량을 비교해 보았다. 한 눈에 보기에도 전남과 경기에 대부분의 출하량이 집중되어 있고 특히 대파 최대 산지인 신안, 진도 등이 밀집되어 있는 전남이 압도적으로 많은 출하량을 보인다. 전남의 경우 1~4월, 12월이 주출하기이고 경기는 전남의 출하가 없는 5~11월이 주출하기이다. 나머지 지역들은 전남의 출하가 멈추는 5~11월에 경기 출하량으로 부족한 나머지 부분을 조금씩 공급해 전체적인 수급을 맞추는 형세를 보인다. 전남과 경기의 뒤를 잇는 강원은 특이하게 8~11월 사이에 집중적으로 대파를 출하하는 것을 알 수 있다. 또 다른 대파 산지로 알려진 부산의 경우 총 출하량은 강원에 뒤지지만 사시사철 꾸준하게 출하량을 유지하고 있다

input_sanji_month <- data3 %>% group_by(sanji_wide2,month) %>% summarise(input=sum(weight,na.rm=T)) %>% spread(month,input,fill=0) %>% ungroup()
input_sanji_month <- input_sanji_month %>% mutate(total=apply(input_sanji_month[,-1],1,sum)) %>% arrange(desc(total))
d8 <- as.matrix(input_sanji_month[1:10,2:13])/1000
hist3D(z = d8, x=1:10, y=1:12, scale = FALSE, expand = 0.0001, bty = "g", phi = 40, theta = 15, 
       col = jet.col(100), alpha = 0.5, border = "black", shade = 0.2, ltheta = 90, space = 0.4, 
       ticktype = "detailed", d = 2, xlab="전남  경기  결측  강원  부산  충북  경남  충남  전북  인천", ylab="month", zlab='ton', cex.lab=1.1)

산지별 명목가격

산지별 월별 가격도 마찬가지로 실질가격과 명목가격으로 구분하지 않았다. 먼저 산지별로 살펴보면 출하량이 집중된 1~3월의 경우 출하량이 가장 많은 전남, 경기, 강원의 대파 가격이 하위권인 것을 볼 수 있는데 이는 물량이 다른 지역에 비해서 많기 때문으로 추정된다. 나머지 기간은 지역별로 주목할만한 차이가 보이진 않는다. 다만 월별로 살펴보면 기간별로 가격이 확연하게 차이남을 볼 수 있다. 1~3월은 대체로 가격이 높게 형성되며 4~7월에 급락한 후 8월부터 다시 상승하는 추세를 보인다. 정확한 이유는 알 수 없으나 앞서 산지-월 출하량 그래프에서 보았듯이 4~7월의 경우 이 시기 주산지인 경기뿐만 아니라 여러 지역에서 고르게 생산되기 때문으로 해석할 수 있다.

price_sanji_month <- data3 %>% group_by(sanji_wide2,month) %>% summarise(price=mean(price_per_kg,na.rm=T)) %>% spread(month,price,fill=0) %>% ungroup()
price_sanji_month <- merge(input_sanji_month[,c(1,14)],price_sanji_month, by='sanji_wide2',all.x=T) %>% arrange(desc(total))
d8b <- as.matrix(price_sanji_month[1:10,3:14])
hist3D(z = d8b, x=1:10, y=1:12, scale = FALSE, expand = 0.002, bty = "g", phi = 40, theta = 15,   col = jet.col(100), alpha = 0.5, 
       border = "black", shade = 0.2, ltheta = 90, space = 0.4, ticktype = "detailed", d = 2, 
       xlab="전남  경기  결측  강원  부산  충북  경남  충남  전북  인천", ylab="month", zlab='ton', cex.lab=1.1)

산지-월 출하량+가격

산지별, 월별 출하량, 가격을 종합적으로 나타내면 다음과 같다.

dat_sanji_month_long <- melt(input_sanji_month[1:10,-14], id=c('sanji_wide2'), variable.name = 'month',value.name = 'input')
tmp4 <- melt(price_sanji_month[,-2], id=c('sanji_wide2'), variable.name = 'month', value.name = 'price')
dat_sanji_month_long <- merge(dat_sanji_month_long,tmp4, by=c('sanji_wide2','month'),all.x=T) 
dat_sanji_month_long$month <- as.numeric(dat_sanji_month_long$month)
ggplot(dat=dat_sanji_month_long) + geom_bar(aes(x=month, y=input , fill= sanji_wide2, color=sanji_wide2),stat="identity",position=position_dodge(), colour="black") +
  geom_line(aes(x=month, y=price*30000, group= sanji_wide2, color=sanji_wide2), color='blue', size=0.8, alpha=0.4) + scale_y_continuous(sec.axis = sec_axis(~./30000, name = "price")) + 
  facet_grid(vars(sanji_wide2), scales="free_y")

도매시장 데이터 가공과 시각화 - 배추(1/2)에 해당되는 내용은 사용 데이터만 다를 뿐 코드는 모두 같기 때문에 거래단위별 가격을 나타내는 막대그래프 결과물만 나타내었다. 대파는 단, 상자 모두 1,2,4kg 단위가 가장 많이 거래되었는데(순서는 각각 다름) 주 거래단량은 각 도매시장 별로 상이하다. 가령 가락시장에서는 단은 1kg가 상자는 10kg가 가장 많이 거래된다.

subplot(ggplotly(gg1.4a,tooltip = c("x", "y")),ggplotly(gg1.4b,tooltip = c("x", "y")),ggplotly(gg1.4c,tooltip = c("x", "y")),ggplotly(gg1.4d,tooltip = c("x", "y")),ggplotly(gg1.4e,tooltip = c("x", "y")), margin = 0.05, nrows=5)

법인별 반입량과 가격, 거래 방법별 반입량과 가격대를 살펴보자. 먼저 법인별 반입량을 살펴보면 출하량이 가장 많은 경기권 및 수도권과 전남권 법언들이 가장 많은 물량을 확보하고 있다. 한편 가격은 대전중앙청과가 유난히 높은 가격을 보이고 있지만 정상값인지에 대해 의심해 볼 필요가 있다.

formattable(tab_2_1, list(
  mkt_short=formatter(
    "span",
    style = x ~ ifelse(x == substr(mkt_sel,1,4), style(font.weight = "bold", color = 'blue'), NA)),
  amt_ton = color_tile("white", "orange"),
  area(col = c(price_l1w, price_l2w, price_l3w)) ~ normalize_bar("pink", 0.2, na.rm=T)
)) 

ggplotly(g, tooltip = c("x","y"), height = 600)