연도-월 반입량

이제 오이의 연도-월 반입량을 살펴보자. 오이는 주로 5, 6월에 반입량이 많고 1, 2월에는 반입량이 적은 것을 확인할 수 있다. 특이하게 2015년에는 10월에도 반입량이 많았으며 다른 해보다 대체적으로 높은 반입량을 보였다.

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 가격이다. 오이는 주로 3월부터 6월에 가격이 낮고 반입량이 적은 1, 2월에 가격이 높은 것을 확인할 수 있다 다른해보다 높은 반입량을 보였던 2015에는 여름과 가을에 다른해보다 낮은 가격을 형성하고 있다.

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 = 0.0007, 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

다음은 산지-월 출하량이다. 전남에서의 오이 출하량이 월등히 많고 그 뒤를 충남과 경기 등이 따르는 것을 확인할 있다. 전남의 경우 겨울과 봄에 출하량이 집중되어 있으며 특히나 겨울 출하량의 대부분을 차지한다. 충남의 경우 전남의 오이 출하량이 적은 10월과 11월에 출하량이 집중되어 있다. 경기 지역의 경우 5, 6월에 출하량이 집중되있 있으며 경북은 전남과 출하시기가 비슷한 것을 볼 있다. 강원과 충북은 6월부터 9월에 주로 오이를 출하한다.

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[1:8,2:13])/1000
hist3D(z = d8, x=1:8, y=1:12, scale = FALSE, expand = 0.00008, 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 충남 경기 경북 강원 충북 전북 대전", ylab="month", zlab='ton', cex.lab=1.1)

산지-월 가격

다음은 산지-월 가격이다. 출하량 자체는 많지 않았지만 강원지역의 오이가 대체적으로 높은 가격을 형성하고 있는 것을 확인할 수 있다.

price_sanji_month <- dat3 %>% 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[1:8,3:14])/1000
hist3D(z = d8b, x=1:8, y=1:12, scale = FALSE, expand = 0.5, 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 충남 경기 경북 강원 충북 전북 대전", ylab="month", zlab='ton', cex.lab=1.1)

품종-월 반입량

다음은 품종-월 반입량이다. 백다다기와 취청이 대부분을 차지하고 있는 것을 볼 수 있다. 5, 6월에는 백다다기의 반입량이 특히 많아진다.

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[1:6,2:13])/1000
hist3D(z = d9, x=1:6, y=1:12, scale = FALSE, expand = 0.00005, 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="백다다기 취청 가시오이 기타 청노각 노각", ylab="month", zlab='ton', cex.lab=0.8)

품종-월 가격

다음은 품종-월 가격이다. 대체적으로 오이의 출하량이 많은 5, 6월에 가격이 낮고 출하량이 적은 1, 2월에 가격이 높을 것을 볼 수 있다. 청노각과 노각은 다른 품종들과는 전혀 다른 가겨을 형성하고 있어 확연히 다른 품종임을 알 수가 있다.

price_spec_month <- dat3 %>% group_by(spename,month) %>% summarise(price=mean(price_per_kg,na.rm=T)) %>% spread(month,price,fill=0) %>% ungroup()
price_spec_month <- merge(input_spec_month[,c(1,14)],price_spec_month, by='spename',all.x=T) %>% arrange(desc(total))
d9b <- as.matrix(price_spec_month[1:6,3:14])
hist3D(z = d9b, x=1:6, 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="백다다기 취청 가시오이 기타 청노각 노각", ylab="month", zlab='ton', cex.lab=0.8)

품종-산지 출하량

다음은 품종-산지 출하량이다. 백다다기는 오이 출하량이 많은 8개 지역 중 충남을 제외하고는 모든 지역에서 출하되는 것을 확인할 수 있다. 취청의 경우 전남과 강원 지역을 제외한 지역에서 출하되며 특히 대전에서 출하량이 높다. 가시오이는 강원에 그 춣량이 집중되어 있는 것을 확인할 수 있다. 가격 패턴이 유사했던 백다다기, 취청, 가시오이 중 가시오이는 산지가 확연히 달라 다른 품목으로 여겨야함을 유추할 있다.

input_spec_sanji_wide2 <- total_sort_2d(dat3,spename,sanji_wide2,weight)
d10 <- as.matrix(input_spec_sanji_wide2[1:8,2:7])/1000
hist3D(z = d10, x=1:8, y=1:6, 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="전남 충남 경기 경북 강원 충북 전북 대전", cex.lab=0.8, ylab="백다다기 취청 가시오이 기타 청노각 노각", zlab='ton')

다음 분석을 진행하기 앞서 백다다기와 취청이 구분되는 품목인지 확인해보자. 산지에서 다소 차이를 보여 다른 품목일 가능성이 높아보이는데, 거래 단위와 거래 시장에서도 차이를 보인다면 다른 품목으로 구분지어도 될 것이다. 차이를 보기 위해 백다다기 데이터인 ‘dat_1’(1,800,504개)과 취청 데이터인 ‘dat_2’(1,309,365)를 생성했다.

오이의 경우 raw data에서 6건을 제외하고는 모두 ‘unit’이 kg이었기 때문에 품목 별로 ’prut’ 당 거래 건수 상위 10개를 살펴보았다. 백다다기의 경우 ’prut’이 18, 10, 15인 경우가 주를 이루고 취청의 경우 10, 20인 경우가 주를 이루고 있는 것을 확인할 수 있다.

다음으로 거래되는 시장에 차이가 있는지 밝혀내기 위해 2016년 기준으로 시장-월별 거래건수를 살펴보았다. 일반적으로 농산물 거래량이 가장 많은 서울가락도매시장을 기준으로 했을 때 백다다기의 경우 4~8월에 거래건수가 적고 취청의 경우 거래가 활발히 일어나는 것을 확인할 수 있었다.

이처럼 백다다기와 취청이 거래 단위와 거래 시장에서 차이를 보여 각기 구분되는 품목으로 결론지었다. 앞으로 이어질 분석이 서울가락시장도매를 중심으로 이루어지기 때문에 취청 데이터인 dat_2를 분석 데이터로 선정하였다.

다음은 거래단위별 가격이다. 주된 거래 단위인 10kg, 10kg 상자, 20kg, 20kg 상자를 대상으로 진행하였다. ’package’가 있는 경우와 없는 경우가 어떻게 다른지 정확하게 알 수는 없지만 10kg과 10kg상자 간에 다소 가격 차이가 있는 것을 볼 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 반입량과 가격/거래 방법별 반입량과 가격을 살펴보자. 서울과 광주의 법인들이 높은 반입량을 보이는 것을 확인할 수 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)