연도-월 반입량

다음은 교차분석을 통해 명목형 변수들 간의 관계를 확인해보자. 먼저 연도 ‘year’와 월 ’month’ 변수간의 관계를 도매시장 반입량(kg) ‘weight’ 변수로 비교한다. 그래프의 x축은 ‘year’, y축은 ‘month’, z축은 ton단위 반입량이다. 각 z값은 우측 범례로 확인할 수 있다. 위 그래프는 0에서 약 9000 ton까지 표현한다. 연도별로는 대체로 비슷한 패턴이지만 2017년이 전체적으로 높은 수치를 보였다. 월별로는 모든 연도에서 봄 3, 4, 5월달에 집중적으로 상추가 출하되는 패턴이고 다른 계절은 상대적으로 적은 양이 출하되었다. 다만 2015, 16년에는 겨울이 유난히 낮은 반입량을 보이는 것은 이 해 겨울에 닥친 한파 피해와 무관하지 않아 보인다. 참고1 참고2

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 #ton단위 변환.
hist3D(z = d5, x = as.numeric(t(input_year_month[,1])), y = 1:12, scale = F, expand = 0.0002, 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')

dat[!(dat$year == 2015 | dat$year == 2016),] %>% group_by(date) %>% tally %>% arrange(desc(n))

## # A tibble: 512 x 2
##        date     n
##       <int> <int>
##  1 20170505  6645
##  2 20170512  6579
##  3 20170428  6254
##  4 20170414  5971
##  5 20171002  5611
##  6 20170508  5607
##  7 20170421  5517
##  8 20171009  5317
##  9 20170804  5145
## 10 20170502  4990
## # ... with 502 more rows

.

연도-월 명목가격

다음으로 연도와 월 변수를 도매시장 명목가격으로 비교해본다. 앞서 보았던 연도-월 도매시장 반입량 그래프와 비교했을 때 전체적인 패턴이 공급과 가격이 반비례 관계를 보인다. 반입량이 가장 많았던 3, 4, 5월에 낮은 가격대가 분포하고 반입량이 적었던 달에는 가격이 높아진다. 2017년 7, 8월 여름은 유독 가격이 높은데 전년 대비 반입량이 크게 떨어진 것에 가격이 영향을 받은 것으로 보인다. 다만 2015년 겨울이 훨씬 반입량이 낮은데도 가격이 평이한 수준인 것은 이유가 불분명하여 후속 조사가 필요한 부분이다.

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 = 0.0003, 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')

연도-월 실질가격

할인율 적용은 농축수산물 소비자물가지수에 대한 할인율을 적용하였다. 2002년을 지수 100으로 두었을 때 매년 증가한 물가에 대한 정보를 담고 있으며 2018년에는 2002년 대비 76.5%나 증가한 것으로 나타났다. 물가지수의 반영으로 전체적인 가격대가 하향되긴 했지만 2015년에서 2018년 사이 물가에 급격한 변화는 없었기 때문에 연도별, 월별 가격 패턴은 명목가격과 큰 차이가 없다.

ds_rate <- read.csv('CPI_KOR_1975-2018(2002).csv',stringsAsFactors = F)
price_year_month_norm <- merge(price_year_month,ds_rate[,c('year',"agri_2002")],by='year',all.x=T)
price_year_month_norm[,2:13] <- price_year_month_norm[,2:13]/price_year_month_norm$agri_2002*100
d6b <- as.matrix(price_year_month_norm[,2:13])
hist3D(z = d6b,  x = as.numeric(t(price_year_month[,1])), y = 1:12, scale = FALSE, expand = 0.0005, 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')

.

산지-월 출하량

월별 출하량은 지역에 관계없이 봄에 생산량이 몰려있는 패턴을 따른다. 상추는 시설재배와 노지재배를 같이 하고 있는데, 시설재배가 많은 비중을 차지한다. 시설상추는 경기도 대도시 주변에서 많이 재배되는 데 위 그래프에도 그러한 사실이 잘 드러난다. 경기도의 상추 출하량이 봄 뿐만 아니라 다른 계절에도 타 지역에 앞서는 것은 이 지역에서 시설 재배가 많이 실시되고 있음과 무관하지 않을 것이다.

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 = 0.0005, bty = "g", phi = 50, theta = 20, col = jet.col(100), alpha = 0.5, border = "black", shade = 0.2, ltheta = 90, space = 0.4, ticktype = "detailed", d = 2, xlab="경기 충남 전북 결측 서울 경북 충북 경남 강원", ylab="month", zlab='ton', cex.lab=1.1)

.

산지-월 실질가격

이후 분석에서도 할인율 적용 가격이 계속 사용될 것이므로 할인율 적용 가격을 price_per_kg_norm의 이름으로 만들어보자. dat3 row 데이터에 year를 기준으로 agri_2002 물가지수 변수를 merge하고 price_per_kg를 agri_2002로 나눈 뒤 다시 100을 곱해서 할인율이 적용된 가격 변수 price_per_kg_norm을 만든다.

월별 가격은 지역에 관계없이 상추 생산이 집중되는 봄에 저점을 찍은 가격이 재배가 까다로운 여름에 올라가다가 가을에 약보합, 한파 등의 위험이 있는 겨울에 다시 약진하는 패턴이다.

dat3 <- merge(dat3, ds_rate[,c('year','agri_2002')], by='year', all.x=T)
dat3 <- dat3 %>% mutate(price_per_kg_norm = price_per_kg / agri_2002 * 100)
price_sanji_month <- dat3 %>% group_by(sanji_wide2,month) %>% summarise(price=mean(price_per_kg_norm,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[1:9,3:14])
hist3D(z = d8b, x=1:9, y=1:12, scale = FALSE, expand = 0.001, 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="경기 충남 전북 결측 서울 경북 충북 경남 강원", ylab="month", zlab='ton', cex.lab=1.1)