연도-월 반입량

먼저 연도-월 반입량을 보자. 뚜렷하게 나타나는 계절적 특징같은 것은 없지만, 17년 4월에 반입량이 급증하여, 18년 2월까지 비교적 높은 추세를 유지하는 것을 볼 수 있다.

input_year_month <- dat3 %>% 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 가격을 살펴보자. 16년 말에서 17년으로 넘어가는 시기에 가격이 급증했었다가 안정세로 돌아온다. 당시의 뉴스를 살펴보면, 출하량이 작년 같은 기간에 비해 50% 감소할 전망으로 도매가격의 급상승이 예상된다는 내용들이 있다. 전체적으로는 15년초와 비교했을 때 꾸준히 가격이 오르는 편이다. 또한, 6~9월에 가격이 높은 편이라고 할 수 있는데, 이 때가 당근의 최대출하지인 제주의 주출하시기가 아니어서 출하량이 적기 때문에 이러한 현상이 나타나는 것으로 추정된다.

price_year_month <- dat3 %>% 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 = 0.002, 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='W/kg')

산지-월 출하량

산지-월 출하량이다. 일단 산지가 들어가 있지 않은 결측데이터가 많고, 그것을 제외하면 제주와 경남의 출하량이 가장 많다. 제주의 경우는 12~4월, 경남의 경우는 그 다음부터인 5~9월이 가장 많다. 부산의 경우엔 경남과 마찬가지로 5~9월이 주출하시기라고 할 수 있다. 강원의 경우, 제주와 경남 모두 주출하시기가 아닌 9~11월 틈새에 주로 출하되는 것을 알 수 있다.

input_sanji_month <- dat3 %>% 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[1:9,2:13])/1000
hist3D(z = d8, x=1:9, y=1:12, scale = FALSE, expand = 0.0001, bty = "g", phi = 40, theta = 20, col = jet.col(100), alpha = 0.5, border = "black", shade = 0.2, ltheta = 90, space = 0.4, ticktype = "detailed", d = 2, xlab="결측 제주 경남 부산 강원 중국 서울 경기 경북", ylab="month", zlab='ton', cex.lab=1.1)

품종-월 반입량

이번엔 품종-월 반입량을 보자. 당근(일반), 당근(수입), 기타, 이 세 품종이 가장 많은 반입량을 차지하고 흙당근이 그 다음이다. 셋 모두 1~6,7월까지는 반입량이 많고 하반기에는 낮아지는 추세이다. 기타가 전체에서 세번째로 높은 반입량을 차지하는데, 이것만으로는 기타가 어떤 당근을 의미하는지 알기 힘들다.

input_spec_month <- dat3 %>% group_by(spename,month) %>% summarise(input=sum(weight,na.rm=T)) %>% spread(month,input,fill=0) %>% ungroup()
input_spec_month <- input_spec_month %>% mutate(total=apply(input_spec_month[,-1],1,sum)) %>% arrange(desc(total))
d9 <- as.matrix(input_spec_month[1:7,2:13])/1000
hist3D(z = d9, x=1:7, y=1:12, scale = FALSE, expand = 0.0001, bty = "g", phi = 40, theta = 20,  col = jet.col(100), alpha = 0.5, border = "black", shade = 0.2, ltheta = 90, space = 0.4, ticktype = "detailed", d = 2, xlab="일반 수입 기타 흙 세척 꼬마 세척수입", ylab="month", zlab='ton', cex.lab=1.1)

품종-산지 출하량

수입당근의 산지가 압도적으로 결측지역인 것으로 보아, 외국은 산지를 입력하지 않은 것이 대다수인 것으로 추정된다. 하지만 중국의 경우도 있으므로, ‘외국은 산지를 입력하지 않는다’라고 단정짓진 못할 것 같다. 기타의 경우에도 결측지역이 가장 많고, 일반은 최대출하지인 제주와 경남에서 가장 많은 것으로 나타난다. 부산의 경우엔 일반보다 기타의 비중이 큰 것을 알 수 있다.

input_spec_sanji_wide2 <- total_sort_2d(dat3,spename,sanji_wide2,weight)
d10 <- as.matrix(input_spec_sanji_wide2[1:9,2:8])/1000
hist3D(z = d10, x=1:9, y=1:7, scale = FALSE, expand = 0.0001, bty = "g", phi = 50, theta = 120, col = jet.col(100), alpha = 0.5, border = "black", shade = 0.2, ltheta = 90, space = 0.4, ticktype = "detailed", d = 2, xlab="경북 경기 서울 중국 강원 부산 경남 제주 결측", cex.lab=1.0, ylab="일반 수입 기타 흙 세척 꼬마 세척수입", zlab='ton')

위와 같은 과정을 통해, 분석 대상 품종을 당근(일반), 당근(수입), 기타로 좁히고 데이터 가공을 시작했다.

거래단위별 가격이다. 가장 거래량이 많은 6개의 거래단위를 대상으로 했는데, 10kg와 20kg의 상자, 파렛트, 기타가 선정되었다. 막대그래프를 보면 20kg단위의 가격대가 10kg단위보다 높은 편인 것을 알 수 있다.

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)

마지막으로 법인별/거래방법별 반입량과 가격대이다. 반입량은 서울이 압도적으로 많은 것을 알 수 있고, 그 다음으로 부산, 광주, 대구 순이다. 가격대는 주로 1,000원 이하의 가격대를 보여주고 있고, 광주각화도매시장의 경우 현저히 낮은 것으로 나온다.

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)