'data.frame': 44 obs. of 10 variables:
$ Year : chr "1982" "1983" "1984" "1985" ...
$ 国内生产总值增长速度...: num 9 10.8 15.2 13.4 8.9 11.7 11.2 4.2 3.9 9.3 ...
$ 能源生产增长速度... : num 5.6 6.7 9.2 9.9 3 3.6 5 6.1 2.2 0.9 ...
$ 电力生产增长速度... : num 6 7.2 7.3 8.9 9.5 10.6 9.6 7.3 6.2 9.1 ...
$ 能源消费增长速度... : num 4.4 6.4 7.4 8.1 5.4 7.2 7.4 4.2 1.8 5.1 ...
$ 电力消费增长速度... : num 5.9 7.3 7.4 9 9.5 10.6 9.7 7.3 6.2 9.2 ...
$ 能源生产弹性系数.系数. : num 0.62 0.62 0.61 0.74 0.34 0.31 0.45 1.45 0.56 0.1 ...
$ 电力生产弹性系数.系数. : num 0.67 0.67 0.48 0.66 1.07 0.91 0.86 1.74 1.59 0.98 ...
$ 能源消费弹性系数.系数. : num 0.49 0.59 0.49 0.6 0.61 0.62 0.66 1 0.46 0.55 ...
$ 电力消费弹性系数.系数. : num 0.66 0.68 0.49 0.67 1.07 0.91 0.87 1.74 1.59 0.99 ...数据可视化期末报告
1 报告要求
期末实验报告由5章节5个图形组成，每个章节需要作一个图形。
每个章节选择作什么图自主选择，作图前补充完整图形标题名称，例如：图形1——多变量条形图。
案例数据自主收集，不同章节可以公用一个数据集。但同学间不允许使用相同数据集。
每个章节的数据集合需要通过
datatable函数展示，并简要解释数据来源和变量意义。每个输出图形后需要对图形作简要解读，最少需针对图形提出一个观点。
渲染html文件保留代码展示，6月28日前将发布网址提交至共享文档
“8、期末报告”列中。评分标准：
每章节图形各20分
能有效输出图形和合理解释75%
数据独特性强10%
图形个性化强15%
2 类别数据可视化
2.1 案例数据解释与展示
中国能源数据库是一个记录中国能源经济关键指标的年度数据集，专注于能源经济领域。该数据集由中国能源统计年鉴整理，EPS DATA提供，记录了1982年至2022年共41年的中国能源与经济相关指标。
时间跨度：1982-2022年（41个年度观测值）
数据来源：中国能源统计年鉴
主要用途：能源经济分析、政策研究、经济增长与能源关系研究等
数据集包含10个变量：
国内生产总值增长速度（%）
中国GDP年度增长率
范围：2.2%(2020年)-15.2%(1984年)
特殊值：2020年2.2%反映疫情影响
能源生产增长速度（%）
全国一次能源生产总量年度增长率
范围：-4.5%(2016年)-15.6%(2004年)
负值表示生产量下降
电力生产增长速度（%）
全国发电量年度增长率
范围：0.3%(2015年)-15.6%(2003年)
能源消费增长速度（%）
全国一次能源消费总量年度增长率
范围：0.2%(1998年)-16.8%(2004年)
电力消费增长速度（%）
全国用电量年度增长率
范围：0.3%(2015年)-15.6%(2003年)
能源生产弹性系数
GDP增速与能源生产增速之比
反映能源生产对经济增长的敏感度
范围：0.1(1991年)-2.87(2022年)
电力生产弹性系数
GDP增速与电力生产增速之比
范围：0.04(2015年)-1.74(1989年)
能源消费弹性系数
GDP增速与能源消费增速之比
范围：0.03(1998年)-1.66(2004年)
电力消费弹性系数
GDP增速与电力消费增速之比
范围：0.04(2015年)-1.74(1989年)
10.年份
记录年份（1982-2022）
第一列为空列，实际年份数据从1982开始
2.2 图形1——玫瑰图
colnames(df) <- c("Year", "GDP_Growth", "Energy_Production_Growth",
"Electricity_Production_Growth", "Energy_Consumption_Growth",
"Electricity_Consumption_Growth", "Energy_Production_Elasticity",
"Electricity_Production_Elasticity", "Energy_Consumption_Elasticity",
"Electricity_Consumption_Elasticity")
# 转换为长格式
df_long <- df %>%
select(Year, GDP_Growth, Energy_Production_Growth, Electricity_Production_Growth) %>%
pivot_longer(cols = -Year, names_to = "Indicator", values_to = "Growth_Rate")
df_2021 <- df_long %>%
filter(Year == 2021)
palette <- brewer.pal(nrow(df_2021), "Set3")
myangle <- seq(-20, -340, length.out = nrow(df_2021))
# 绘制玫瑰图 - 原始顺序
p1 <- ggplot(df_2021, aes(x = Indicator, y = Growth_Rate, fill = Indicator)) +
geom_col(width = 1, colour = "grey20") +
scale_fill_manual(values = palette) +
coord_polar(theta = "x", start = 0) +
theme(axis.text.x = element_text(size = 10, angle = myangle),
legend.position = "none") +
ylab("Growth Rate (%)") +
ggtitle("2021 China Energy Indicators (Original Order)") +
geom_text_repel(aes(y = Growth_Rate - 1, label = sprintf("%.1f%%", Growth_Rate)),
size = 4, color = "grey30")
# 绘制玫瑰图 - 按增速降序排列
df_2021_sorted <- df_2021 %>%
arrange(desc(Growth_Rate)) %>%
mutate(Indicator = fct_inorder(Indicator))
p2 <- ggplot(df_2021_sorted, aes(x = Indicator, y = Growth_Rate, fill = Indicator)) +
geom_col(width = 1, colour = "grey20") +
scale_fill_manual(values = palette) +
coord_polar(theta = "x", start = 0) +
theme(axis.text.x = element_text(size = 10, angle = myangle),
legend.position = "none") +
ggtitle("2021 China Energy Indicators (Descending Order)") +
geom_text_repel(aes(y = Growth_Rate - 1, label = sprintf("%.1f%%", Growth_Rate)),
size = 4, color = "grey30")
# 并排显示两个图形
grid.arrange(p1, p2, ncol = 2)
图形解读：这张玫瑰图展示了中国2021年三个关键能源经济指标的增长情况，呈现了2021年中国能源经济的核心特征，突出了电力在能源转型中的关键作用，以及经济增长与能源消费开始呈现的”脱钩”趋势。
国内生产总值(GDP)增长速度：8.4%
能源生产增长速度：4.9%
电力生产增长速度：9.7%
从图形中可以直观看出：
每个指标对应一个”花瓣”，花瓣长度代表增长率大小
电力生产增长(9.7%)最为突出，花瓣最长
GDP增长(8.4%)次之
能源生产增长(4.9%)相对最低
发现与观点：
电力需求强劲增长
电力生产增速(9.7%)显著高于能源生产整体增速(4.9%)，表明：
电气化进程加速，经济对电力依赖度提高
可再生能源发电比例可能增加(因传统能源生产增速较低)
- 经济增长与能源生产的”脱钩”迹象
GDP增速(8.4%)高于能源生产增速(4.9%)，能源生产弹性系数为0.58(计算值)
这表明单位GDP能耗在下降，能效提升或经济结构向低能耗转型
- 疫情后复苏特征
2021年各项指标从2020年疫情低点显著反弹
电力生产反弹最强劲，反映工业生产和经济活动快速恢复
- 能源转型趋势
电力增速>GDP增速>能源增速的模式，符合中国：
推动电能替代的政策方向
减少煤炭直接使用，增加电力消费的能源战略
3 数据分布可视化
3.1 案例数据解释与展示
'data.frame': 44 obs. of 10 variables:
$ Year : chr "1982" "1983" "1984" "1985" ...
$ 国内生产总值增长速度...: num 9 10.8 15.2 13.4 8.9 11.7 11.2 4.2 3.9 9.3 ...
$ 能源生产增长速度... : num 5.6 6.7 9.2 9.9 3 3.6 5 6.1 2.2 0.9 ...
$ 电力生产增长速度... : num 6 7.2 7.3 8.9 9.5 10.6 9.6 7.3 6.2 9.1 ...
$ 能源消费增长速度... : num 4.4 6.4 7.4 8.1 5.4 7.2 7.4 4.2 1.8 5.1 ...
$ 电力消费增长速度... : num 5.9 7.3 7.4 9 9.5 10.6 9.7 7.3 6.2 9.2 ...
$ 能源生产弹性系数.系数. : num 0.62 0.62 0.61 0.74 0.34 0.31 0.45 1.45 0.56 0.1 ...
$ 电力生产弹性系数.系数. : num 0.67 0.67 0.48 0.66 1.07 0.91 0.86 1.74 1.59 0.98 ...
$ 能源消费弹性系数.系数. : num 0.49 0.59 0.49 0.6 0.61 0.62 0.66 1 0.46 0.55 ...
$ 电力消费弹性系数.系数. : num 0.66 0.68 0.49 0.67 1.07 0.91 0.87 1.74 1.59 0.99 ...3.2 图形2——核密度图
colnames(df) <- c("Year", "GDP_Growth", "Energy_Production", "Electricity_Production",
"Energy_Consumption", "Electricity_Consumption",
"Energy_Production_Elasticity", "Electricity_Production_Elasticity",
"Energy_Consumption_Elasticity", "Electricity_Consumption_Elasticity")
# 选择GDP增长、能源生产和电力生产
df_selected <- df %>% select(GDP_Growth, Energy_Production, Electricity_Production)
df_long <- df_selected %>%
gather(key = "Indicator", value = "Value")
# 计算标准化值
df_long <- ddply(df_long, "Indicator", transform, Standardized_Value = scale(Value))
# 绘制原始数据核密度图
p1 <- ggplot(df_long) +
aes(x = Value, y = ..density.., fill = Indicator) +
geom_density(position = "identity", alpha = 0.5, color = "gray60") +
scale_fill_brewer(palette = "Set3") +
theme_bw() +
theme(legend.position = c(0.8, 0.8),
legend.background = element_rect(fill = "grey90", color = "grey"),
plot.title = element_text(hjust = 0.5)) +
labs(x = "原始值", y = "密度") +
ggtitle("(a) 原始数据的核密度图")
# 绘制标准化数据核密度图
p2 <- ggplot(df_long) +
aes(x = Standardized_Value, y = ..density.., fill = Indicator) +
geom_density(position = "identity", alpha = 0.5, color = "gray60") +
scale_fill_brewer(palette = "Set3") +
theme_bw() +
theme(legend.position = c(0.8, 0.8),
legend.background = element_rect(fill = "grey90", color = "grey"),
plot.title = element_text(hjust = 0.5)) +
labs(x = "标准化值", y = "密度") +
ggtitle("(b) 标准化数据的核密度图")
# 并排显示两个图形
grid.arrange(p1, p2, ncol = 2)
- 图形解读：该核密度图从概率分布视角揭示了中国能源经济的深层特征，特别是电力生产的”超常增长”与能源生产的”高波动性”形成鲜明对比，这种结构性差异正是能源转型过程中的典型特征，需要差异化的政策引导。未来应更加注重电力高增长下的清洁化配套，以及能源生产波动中的安全保供机制建设。
- 原始数据核密度图
横轴：显示指标原始增长率数值范围（-5%至15%）
纵轴：表示概率密度
峰值特征：GDP增长和电力生产在5-10%区间形成明显高峰，能源生产分布相对分散
- 标准化数据核密度图
横轴：显示标准化后的数值（均值为0，标准差为1）
纵轴：表示概率密度
形态对比：三条曲线形态差异显著，电力生产呈现明显右偏，GDP增长最接近正态分布
关键发现与深度分析
电力生产的高增长特征
原始数据图中电力生产密度高峰位于7-10%区间，显著高于能源生产
标准化图中右偏形态印证电力生产存在”超常增长”现象
反映中国电气化进程加速，特别是新能源发电装机快速增长
能源生产的波动性
原始数据分布最分散，显示受政策调控和市场波动影响大
2016年出现-4.5%的异常值（供给侧改革去产能）
表明传统能源生产已进入结构调整深水区
GDP增长的稳健性
最接近正态分布，反映宏观经济调控成效
主要密集区间6-10%，与”新常态”中高速增长定位吻合
2020年2.2%的异常低值明显拉宽分布区间
- 延伸观点与政策启示
电力系统转型窗口期
电力持续高增长与分布右偏特征，提示需加快清洁能源替代
建议：完善绿电交易机制，提高新能源消纳能力
能源安全韧性建设
能源生产波动大反映供应链脆弱性
建议：建立煤炭产能弹性调控机制，加强油气储备
经济增长质量提升
GDP分布相对集中显示调控能力增强
建议：利用好经济增长区间收窄的”稳态期”推进结构改革
4 变量关系可视化
4.1 案例数据解释与展示
'data.frame': 44 obs. of 10 variables:
$ Year : num 1982 1983 1984 1985 1986 ...
$ 国内生产总值增长速度...: num 9 10.8 15.2 13.4 8.9 11.7 11.2 4.2 3.9 9.3 ...
$ 能源生产增长速度... : num 5.6 6.7 9.2 9.9 3 3.6 5 6.1 2.2 0.9 ...
$ 电力生产增长速度... : num 6 7.2 7.3 8.9 9.5 10.6 9.6 7.3 6.2 9.1 ...
$ 能源消费增长速度... : num 4.4 6.4 7.4 8.1 5.4 7.2 7.4 4.2 1.8 5.1 ...
$ 电力消费增长速度... : num 5.9 7.3 7.4 9 9.5 10.6 9.7 7.3 6.2 9.2 ...
$ 能源生产弹性系数.系数. : num 0.62 0.62 0.61 0.74 0.34 0.31 0.45 1.45 0.56 0.1 ...
$ 电力生产弹性系数.系数. : num 0.67 0.67 0.48 0.66 1.07 0.91 0.86 1.74 1.59 0.98 ...
$ 能源消费弹性系数.系数. : num 0.49 0.59 0.49 0.6 0.61 0.62 0.66 1 0.46 0.55 ...
$ 电力消费弹性系数.系数. : num 0.66 0.68 0.49 0.67 1.07 0.91 0.87 1.74 1.59 0.99 ...4.2 图形3——分面气泡图
# 加载必要的包
library(tidyverse)
library(gridExtra)
library(ggplot2)
library(reshape2)
library(gridExtra)
colnames(df) <- c("Year", "GDP_Growth", "Energy_Production", "Electricity_Production",
"Energy_Consumption", "Electricity_Consumption",
"Energy_Prod_Elasticity", "Electricity_Prod_Elasticity",
"Energy_Cons_Elasticity", "Electricity_Cons_Elasticity")
# 准备关键指标数据
df_indicators <- df[, c("Year", "GDP_Growth", "Energy_Production",
"Electricity_Production", "Energy_Consumption",
"Electricity_Consumption")]
df_indicators_long <- melt(df_indicators,
id.vars = "Year",
variable.name = "Indicator",
value.name = "Value")
# 转换因子水平
df_indicators_long$Indicator <- factor(
df_indicators_long$Indicator,
levels = c("GDP_Growth", "Energy_Production", "Electricity_Production",
"Energy_Consumption", "Electricity_Consumption"),
labels = c("GDP增长", "能源生产", "电力生产", "能源消费", "电力消费")
)
# 准备弹性系数数据
df_elasticity <- df[, c("Year", "Energy_Prod_Elasticity",
"Electricity_Prod_Elasticity",
"Energy_Cons_Elasticity",
"Electricity_Cons_Elasticity")]
df_elasticity_long <- melt(df_elasticity,
id.vars = "Year",
variable.name = "Elasticity_Type",
value.name = "Value")
# 转换因子水平
df_elasticity_long$Elasticity_Type <- factor(
df_elasticity_long$Elasticity_Type,
levels = c("Energy_Prod_Elasticity", "Electricity_Prod_Elasticity",
"Energy_Cons_Elasticity", "Electricity_Cons_Elasticity"),
labels = c("能源生产弹性", "电力生产弹性", "能源消费弹性", "电力消费弹性")
)
# 图（a）关键指标分面气泡图
p1 <- ggplot(df_indicators_long, aes(x = Year, y = Value)) +
geom_point(aes(size = abs(Value)), color = "steelblue", alpha = 0.6) +
scale_size(range = c(1, 6)) +
facet_grid(. ~ Indicator, scales = "free_y") +
theme_bw() +
theme(panel.grid.minor = element_blank(),
axis.text.x = element_text(angle = 45, hjust = 1),
legend.position = "none") +
labs(x = "年份", y = "增长速度(%)",
title = "(a) 中国能源经济关键指标趋势") +
scale_x_continuous(breaks = seq(1980, 2020, by = 10))
# 图（b）弹性系数分面气泡图
p2 <- ggplot(df_elasticity_long, aes(x = Year, y = Value)) +
geom_point(aes(size = abs(Value)), color = "darkred", alpha = 0.6) +
geom_hline(yintercept = 1, linetype = "dashed", color = "red") +
scale_size(range = c(1, 6)) +
facet_grid(. ~ Elasticity_Type) +
theme_bw() +
theme(panel.grid.minor = element_blank(),
axis.text.x = element_text(angle = 45, hjust = 1),
legend.position = "none") +
labs(x = "年份", y = "弹性系数",
title = "(b) 中国能源弹性系数趋势",
caption = "红线表示弹性系数=1的临界值") +
scale_x_continuous(breaks = seq(1980, 2020, by = 10))
# 组合图形
grid.arrange(p1, p2, ncol = 1, heights = c(1.2, 1))
图形解读：这两组气泡图有效揭示了中国能源经济转型的阶段性特征，特别是展现了电力系统在能源转型中的核心作用，以及经济增长与能源消费逐渐”脱钩”的趋势。未来应重点关注电力消费的清洁化配套，以及弹性系数的稳定性。
关键指标分面气泡图分析
GDP增长趋势特征：
呈现明显的周期性波动，1984年(15.2%)、1992年(14.2%)和2007年(14.2%)出现三个高峰
2012年后进入”新常态”，增速稳定在6-8%区间
2020年受疫情影响显著下滑至2.2%，2021年反弹至8.4%
能源与电力生产比较：
电力生产增速普遍高于能源生产整体增速，特别是在2003-2007年和2010-2011年期间
反映电力在能源系统中占比持续提升，电气化进程加速
消费端特征：
电力消费增速与生产增速基本匹配，显示供需平衡
能源消费增速在2015年后明显低于GDP增速，能效提升显著
- 弹性系数分面气泡图分析
异常波动时期：
2003-2005年所有弹性系数均大于1.4，显示”高增长-高能耗”发展模式
2020年电力消费弹性高达1.68，反映疫情下电力需求刚性
结构性差异：
电力生产弹性波动大于能源生产弹性，显示电力系统对经济变化更敏感
消费弹性普遍低于生产弹性，可能因能效提升和结构调整
转型关键节点：
2015年多个弹性系数接近零，反映供给侧改革成效
2016年能源生产弹性缺失(因生产负增长)，标志去产能关键期
5 样本相似性可视化
5.1 案例数据解释与展示
library(ggiraphExtra)
library(ggplot2)
library(dplyr)
library(tidyr)
library(readr)
library(gridExtra)
# 读取数据
df <- read.csv("F://数据可视化//中国能源数据库.csv", header = TRUE, fileEncoding = "GB18030")
datatable(df,rownames = F)str(df)'data.frame': 44 obs. of 10 variables:
$ Year : chr "1982" "1983" "1984" "1985" ...
$ 国内生产总值增长速度...: num 9 10.8 15.2 13.4 8.9 11.7 11.2 4.2 3.9 9.3 ...
$ 能源生产增长速度... : num 5.6 6.7 9.2 9.9 3 3.6 5 6.1 2.2 0.9 ...
$ 电力生产增长速度... : num 6 7.2 7.3 8.9 9.5 10.6 9.6 7.3 6.2 9.1 ...
$ 能源消费增长速度... : num 4.4 6.4 7.4 8.1 5.4 7.2 7.4 4.2 1.8 5.1 ...
$ 电力消费增长速度... : num 5.9 7.3 7.4 9 9.5 10.6 9.7 7.3 6.2 9.2 ...
$ 能源生产弹性系数.系数. : num 0.62 0.62 0.61 0.74 0.34 0.31 0.45 1.45 0.56 0.1 ...
$ 电力生产弹性系数.系数. : num 0.67 0.67 0.48 0.66 1.07 0.91 0.86 1.74 1.59 0.98 ...
$ 能源消费弹性系数.系数. : num 0.49 0.59 0.49 0.6 0.61 0.62 0.66 1 0.46 0.55 ...
$ 电力消费弹性系数.系数. : num 0.66 0.68 0.49 0.67 1.07 0.91 0.87 1.74 1.59 0.99 ...5.2 图形4——雷达图
# 重命名列名
colnames(df) <- c("Year", "GDP_Growth", "Energy_Production", "Electricity_Production",
"Energy_Consumption", "Electricity_Consumption",
"Energy_Production_Elasticity", "Electricity_Production_Elasticity",
"Energy_Consumption_Elasticity", "Electricity_Consumption_Elasticity")
# 选择2010、2015和2020三个年份进行比较
df_selected <- df %>%
filter(Year %in% c(2010, 2015, 2020)) %>%
select(Year, GDP_Growth, Energy_Production, Electricity_Production,
Energy_Consumption, Electricity_Consumption) %>%
mutate(Year = as.factor(Year)) # 将年份转换为因子变量
# 设置图形主题
myangle <- seq(-20, -340, length.out = 5) # 5个变量
mytheme <- theme_bw() +
theme(legend.position = "bottom",
axis.text.x = element_text(size = 9, color = "blue4", angle = myangle),
plot.title = element_text(hjust = 0.5))
# 图（a）使用原始数据
p1 <- ggRadar(data = df_selected, aes(group = Year),
rescale = FALSE, # 数据不归一化
ylim = c(-10, 20), # 设置y轴范围以适应数据
alpha = 0, # 设置颜色透明度
size = 2) + # 设置点的大小
mytheme +
xlab("指标") +
ylab("增长速度(%)") +
ggtitle("(a) 原始数据雷达图 (2010, 2015, 2020)")
# 图（b）使用归一化数据
p2 <- ggRadar(data = df_selected, aes(group = Year),
rescale = TRUE, # 数据标准化(缩放到[0,1]范围)
ylim = c(-0.3, 1.3), # 设置y轴范围
alpha = 0.3, # 设置颜色透明度
size = 2) + # 设置点的大小
mytheme +
xlab("指标") +
ylab("归一化值") +
ggtitle("(b) 归一化雷达图 (2010, 2015, 2020)")
# 并排显示两个图形
grid.arrange(p1, p2, ncol = 2)
图形解读：该图直观展示了十年间中国能源经济发展的关键转变，特别是电力在能源系统中的核心地位日益凸显，以及经济增长模式逐步与能源消费脱钩的积极趋势。
原始数据雷达图特征
展示了GDP增长、能源消费和电力消费三个指标的绝对值比较
2010年各项指标表现最为突出，形成最大的多边形
2020年受疫情影响，GDP增长(2.2%)明显收缩，形成最小的多边形
电力消费指标在各年份都保持相对较高的增长水平
- 归一化雷达图特征
将所有指标缩放到相同尺度(0-1范围)，突出各指标间的相对关系
2010年呈现较为均衡的发展模式
2015年显示电力消费相对GDP和能源消费更为突出
2020年各指标比例关系发生显著变化，电力消费相对重要性提升
- 关键发现与观点
经济增长与能源消费的脱钩趋势
归一化图显示2015年后GDP增长与能源消费增长的比例关系发生变化
表明单位GDP能耗持续下降，经济结构向低能耗转型
电力化进程加速
电力消费指标在各年份都保持相对优势
特别在2020年疫情下仍保持3.7%增长，显示电力需求刚性
疫情影响显著
2020年原始数据雷达图明显收缩
但归一化图显示电力消费占比提升，可能反映居家办公等新生活方式
十二五与十三五规划效果
2010-2015年间能源消费增速明显放缓
反映能效提升和产业结构调整政策见效
建议
巩固能效提升成果
保持经济增长与能源消费脱钩的良好趋势
加强重点行业节能技术改造
优化电力供应结构
电力需求持续增长需要清洁能源配套
发展智能电网应对用电模式变化
增强能源系统韧性
疫情等突发事件对能源系统影响显著
需建立更灵活的能源应急体系
6 时间序列可视化
6.1 案例数据解释与展示
library(ggstream)
library(ggplot2)
library(dplyr)
library(readr)
library(tidyr)
df <- read.csv("F://数据可视化//中国能源数据库.csv", header = TRUE, fileEncoding = "GB18030")
datatable(df,rownames = F)str(df)'data.frame': 44 obs. of 10 variables:
$ Year : chr "1982" "1983" "1984" "1985" ...
$ 国内生产总值增长速度...: num 9 10.8 15.2 13.4 8.9 11.7 11.2 4.2 3.9 9.3 ...
$ 能源生产增长速度... : num 5.6 6.7 9.2 9.9 3 3.6 5 6.1 2.2 0.9 ...
$ 电力生产增长速度... : num 6 7.2 7.3 8.9 9.5 10.6 9.6 7.3 6.2 9.1 ...
$ 能源消费增长速度... : num 4.4 6.4 7.4 8.1 5.4 7.2 7.4 4.2 1.8 5.1 ...
$ 电力消费增长速度... : num 5.9 7.3 7.4 9 9.5 10.6 9.7 7.3 6.2 9.2 ...
$ 能源生产弹性系数.系数. : num 0.62 0.62 0.61 0.74 0.34 0.31 0.45 1.45 0.56 0.1 ...
$ 电力生产弹性系数.系数. : num 0.67 0.67 0.48 0.66 1.07 0.91 0.86 1.74 1.59 0.98 ...
$ 能源消费弹性系数.系数. : num 0.49 0.59 0.49 0.6 0.61 0.62 0.66 1 0.46 0.55 ...
$ 电力消费弹性系数.系数. : num 0.66 0.68 0.49 0.67 1.07 0.91 0.87 1.74 1.59 0.99 ...6.2 图形5——流线图
colnames(df) <- c("Year", "GDP_Growth", "Energy_Production", "Electricity_Production",
"Energy_Consumption", "Electricity_Consumption",
"Energy_Production_Elasticity", "Electricity_Production_Elasticity",
"Energy_Consumption_Elasticity", "Electricity_Consumption_Elasticity")
# 准备流线图数据
stream_data <- df %>%
select(Year, Energy_Production, Electricity_Production,
Energy_Consumption, Electricity_Consumption) %>%
pivot_longer(cols = -Year, names_to = "Indicator", values_to = "Value") %>%
mutate(Year = as.numeric(Year)) # 确保年份是数值型
# 绘制流线图
ggplot(stream_data, aes(x = Year, y = Value, fill = Indicator)) +
geom_stream(bw = 0.5, # 带宽参数，控制平滑度
type = "ridge", # 流线类型
alpha = 0.8, # 透明度
color = "white", # 边界线颜色
size = 0.3) + # 边界线粗细
scale_fill_brewer(palette = "Set2", # 使用Set2调色板
labels = c("能源生产", "电力生产", "能源消费", "电力消费")) +
theme_minimal() +
theme(legend.position = "bottom",
legend.title = element_blank(),
plot.title = element_text(hjust = 0.5, size = 14),
axis.title = element_text(size = 12)) +
labs(x = "年份",
y = "增长速度(%)",
title = "1982-2022年中国能源与电力生产消费增长趋势") +
guides(fill = guide_legend(nrow = 1)) # 图例单行显示
stream_data_gdp <- df %>%
select(Year, GDP_Growth, Energy_Consumption, Electricity_Consumption) %>%
pivot_longer(cols = -Year, names_to = "Indicator", values_to = "Value") %>%
mutate(Year = as.numeric(Year))
ggplot(stream_data_gdp, aes(x = Year, y = Value, fill = Indicator)) +
geom_stream(bw = 0.6, type = "mirror", alpha = 0.7) +
scale_fill_manual(values = c("#66C2A5", "#FC8D62", "#8DA0CB"),
labels = c("GDP增长", "能源消费", "电力消费")) +
theme_minimal() +
labs(x = "年份", y = "增长速度(%)",
title = "GDP与能源消费增长趋势对比") +
theme(legend.position = "bottom")
- 图形解读：该流线图生动展现了中国经济从”规模速度型”向”质量效率型”转变的能源维度特征，特别是电力作为优质能源的地位持续提升，为能源转型提供了重要支撑。未来需保持电力消费清洁化与经济增长脱碳化的协同推进。
指标对比：
GDP增长（蓝色流线）：反映宏观经济整体增速
能源消费（橙色流线）：代表一次能源总消费增速
电力消费（绿色流线）：显示全社会用电量增速
波动特征：三条流线的宽度变化直观显示各时期增长速度差异
- 关键趋势分析
1. 高速增长期（1990-2012）
同步波动特征：三条流线基本同向波动，显示经济增长与能源消费高度关联
2003-2007黄金期：GDP增速持续高于10%，能源电力消费同步飙升（电力消费增速13-15%）
金融危机影响：2008-2009年三项指标同步下滑，反映外部冲击传导机制
2. 转型调整期（2012-2020）
增速换挡：GDP进入”6-8%“中高速增长区间
分化显现：电力消费（绿线）保持相对高位，能源消费（橙线）增速更快下降
疫情冲击：2020年GDP增速骤降至2.2%，但电力消费仍保持3.7%正增长
深度观点
电力化进程加速
2015年后电力消费增速持续高于能源消费整体增速
印证电能替代战略成效，2020年电力消费占比已达27%左右
特别值得关注：即使在2020年经济低谷期，电力消费仍保持韧性
能效提升显著
2012年后能源消费增速普遍低于GDP增速
显示单位GDP能耗持续下降，产业结构优化见效
但能效提升速度仍需加快以实现”双碳”目标
发展阶段转型
从”高增长-高能耗”到”中高速增长-低能耗”模式转变
2015年成为重要转折点，能源消费弹性系数降至0.3以下
- 政策建议
巩固电力化成果
继续推进工业、交通等领域电能替代
配套发展可再生能源发电，避免煤电反弹
深化能效革命
重点提升钢铁、建材等高耗能行业能效
建立能耗双控向碳排放双控转变的机制
增强系统韧性
电力系统需适应增速换挡下的新需求特征
发展分布式能源提高抗风险能力