수자원관련 산업 네트워크 분석
이부일
7/18/2017
산업네트워크 구성 기준
- 가) 기업간 거래 빈도
- 각 기업의 outbound 화살표 개수, inbound 화살표 개수
- 나) 기업간 거래비중
- 기업의 인바운드로 Node의 크기 조정
- 지도 표시 방법
- 일정 거래금액 기준 기업단위 Node, 기업명 표시하고 화살표 색깔은 추후 논의
- 사업자번호없이 기업명만 표시
- 기업명을 표시하는 기업의 대상은 추후 거래빈도를 고려하여 선정(추후 논의)
- 기업명 표시는 각 분야별 거래금액 상위 20개 이상 표시
- 다) 거래방향(화살표) 명확히(A->B, B가 매출처)
전체 네트워크 분석(기업명 및 그래프 상세는 게피파일 참조)
네트워크 지도
- 전체네트워크 Node:5264 / Edge:6012
- 거대컴포넌트(끊어짐이 없는 가장 큰 연결을 갖는 그래프) Node:3981(75.63%) / Edge:5013(83.38%)
- 선도기업 하봉찬 외(2016)는 선도기업을 거래 네트워크에서 규모가 크고 매입이 많은 기업들로 정의하였다. 주어진 데이터에서 인바운드(매입)순으로 정렬하였을 때 아웃바운드(매출)이 0인 경우는 삼성엔지니어링을 제외하고 없었으나, 인디그리가 높은 기업들은 상대적으로 아웃바운드가 적은(1~5)의 경우에 속한다. 때문에 구조적인 측면에서 하봉찬 외(2016)에서 주장한 선도기업으로서의 조건에 근사한다고 할 수 있다.
require(dplyr)## Loading required package: dplyr##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionrequire(readxl)## Loading required package: readxlwaternode <- read_excel("./0_data/nodedata.xlsx")
waterlead<-select(waternode, name, indegree, outdegree)
head(waterlead[order(-waterlead$indegree),], 20)## # A tibble: 20 x 3
## name indegree outdegree
## <chr> <dbl> <dbl>
## 1 한국수자원공사 김건호 115 1
## 2 현대건설(주) 48 5
## 3 GS건설(주) 43 3
## 4 대림산업(주)(본사) 36 1
## 5 (주)포스코건설 31 2
## 6 SK건설(주) 24 3
## 7 현대산업개발㈜ 24 2
## 8 삼성엔지니어링(주) 24 0
## 9 롯데건설(주) 23 1
## 10 현대엔지니어링(주) 21 3
## 11 코오롱글로벌(주) 20 1
## 12 (주)도화엔지니어링 19 4
## 13 두산건설주식회사 18 0
## 14 금호산업(주) 17 1
## 15 (주)케이씨씨건설 16 2
## 16 계룡건설산업(주) 15 0
## 17 (주)태영건설 15 4
## 18 ㈜엘지화학 15 7
## 19 두산중공업(주)* 15 0
## 20 효성굿스프링스(주) 12 3네트워크 레벨 분석
- 노드의 수(네트워크 내 기업의 수)
## [1] 5264- 엣지의 수(네트워크 내 기업간 매출관계 연결의 수)
## [1] 6012- 네트워크 밀도(전체 가능연결 대비 연결을 통해 얼마나 조밀하게 연결되어 있는지를 말해주는 지표)
## [1] 0.000217005네트워크 밀도는 0.000217이며 이는 전체 가능한 연결을 고려할때 0.02%의 연결이 존재함을 말함. 네트워크 밀도를 통해 높고 낮음은 다른 네트워크와 비교해서 판단해야 함. 기존 분석에서의 철강, 전자와 비교했을때 낮은 편은 아니나, 네트워크 단절을 고려했을때 컴포넌트 분석에서 밀도는 높아질 것으로 예상
- 네트워크 중심성경향 (연결중심도, 매개중심도, 근접중심도를 기준으로 얼마나 이 네트워크에 중심화 경향이 있는지를 나타내주는 지표) 1에 가까울수록 중심화경향이 높으며 이는 네트워크의 모양이 별(star)에 가까움을 말함
## [1] 0.01080538연결중심성경향은 0.01080538로 중심성경향은 낮은편임. 그러나 전체 네트워크 그래프를 고려했을때 몇몇 두드러진 기업들을 중심으로 네트워크의 구조가 유지되는것으로 보아 이러한 중심성 경향은 하도급 기업들간의 조밀한 연결관계에 기인한다고 판단.
## [1] 0.0005715918매개중심성은 0.0005로 연결중심성보다 크게 낮음 이는 매개를 해주는 기업들이 네트워크에서 상대적으로 적음을 알 수 있음
## [1] 8.892548e-06중심화 경향 히스토그램 순서대로 연결중심화경향, 매개중심성경향, 근접중심성경향
네트워크 직경 (네트워크 내 가장 긴 연결)
## [1] 19## + 20/5264 vertices:
## [1] 4834 4898 2876 3486 4293 4605 3185 4749 4137 5145 5096 4124 5048 5098
## [15] 5143 4649 2555 848 4906 2304네트워크 직경은 19으로 20개의 기업간의 19개 연결이 가장 긴 연결로 나타남
- 평균 연결길이
## [1] 5.608039평균연결길이(Average path length)는 5.60으로 네트워크 내 기업들의 매출관계가 평균적으로 5.6으로 연결되어 있으며 이는 평균적으로 5~6번의 연결로 모든 네트워크내 기업들이 연결되어있다는 것을 암시함
- 이행성 (이행성 지표는 글로벌 틀러스터링 코이피션시라고도 불리우며 클러스터링화 되는 경향을 나타냄)
## [1] 0.005606333평균연결길이와 함께 보았을때 평균연결길이가 짧고 클러스터링화 되는 경향이 0.005정도이며 이에 대한 상세분석은 시뮬레이션을 통해 생성된 네트워크의 디스트리뷰션과 비교예정임
노드레벨 분석
## EnS_Lable EnS_degree EnS_indegree EnS_outdegree
## [1,] "중앙소방설비공사" "1" "0" "1"
## [2,] "명화엔지니어링（주）" "1" "1" "0"
## [3,] "(주)공간이.엔.지" "1" "1" "0"
## [4,] "(주)대흥이엔텍" "1" "1" "0"
## [5,] "(주)심프라임소프트" "1" "1" "0"
## [6,] "위즈이노텍 주식회사" "1" "0" "1"
## EnS_betweeness EnS_closeness EnS_eigencentrality
## [1,] "0" "3.61296202151873e-08" "0"
## [2,] "0" "3.60953077832457e-08" "0"
## [3,] "0" "3.60953077832457e-08" "0.0713570713853183"
## [4,] "0" "3.60953077832457e-08" "0"
## [5,] "0" "3.60953077832457e-08" "0"
## [6,] "0" "3.61364837408951e-08" "0"
## EnS_clusteringcoefficient EnS_pagerank EnS_hubscore
## [1,] "NaN" "9.50179361658899e-05" "0"
## [2,] "NaN" "0.000175783181906896" "0"
## [3,] "NaN" "0.000168558946797345" "0"
## [4,] "NaN" "0.000149534477041069" "0"
## [5,] "NaN" "0.00031533570106761" "0"
## [6,] "NaN" "9.50179361658899e-05" "0"
## EnS_authscore EnS_constraint
## [1,] "0" "1"
## [2,] "0" "1"
## [3,] "1.78715492157384e-10" "1"
## [4,] "0" "1"
## [5,] "0" "1"
## [6,] "0" "1"- 매개중심도, 연결중심도, 연결중심도(인), 연결중심도(아웃)
waterlead<-select(waternode, name, indegree, outdegree, degree)
head(waterlead[order(-waterlead$degree),], 20)## # A tibble: 20 x 4
## name indegree outdegree degree
## <chr> <dbl> <dbl> <dbl>
## 1 한국수자원공사 김건호 115 1 116
## 2 현대건설(주) 48 5 53
## 3 GS건설(주) 43 3 46
## 4 대림산업(주)(본사) 36 1 37
## 5 (주)포스코건설 31 2 33
## 6 SK건설(주) 24 3 27
## 7 현대산업개발㈜ 24 2 26
## 8 삼성엔지니어링(주) 24 0 24
## 9 롯데건설(주) 23 1 24
## 10 현대엔지니어링(주) 21 3 24
## 11 (주)도화엔지니어링 19 4 23
## 12 ㈜엘지화학 15 7 22
## 13 코오롱글로벌(주) 20 1 21
## 14 (주)태영건설 15 4 19
## 15 (주)케이티 5 14 19
## 16 두산건설주식회사 18 0 18
## 17 금호산업(주) 17 1 18
## 18 (주)케이씨씨건설 16 2 18
## 19 계룡건설산업(주) 15 0 15
## 20 두산중공업(주)* 15 0 15서브그래프 분석
## $mut
## [1] 144
##
## $asym
## [1] 5723
##
## $null
## [1] 13846349서로 양방향의 관계를 가진 형태는 144개, 한쪽방향으로(하도급으로 예상)되는 관계는 5723개
## [1] -71756654 29257517 1108670 5143 15541 7629 502
## [8] 425 51 0 26 2 2 0
## [15] 0 0트라이어드 관계의 16개 형태중 10개의 형태에 대한 카운트가 완료
5번형태의 트라이어드(3자관계)가 가장 많이 도출됨
## Loading required package: sna## Loading required package: statnet.common## Loading required package: network## network: Classes for Relational Data
## Version 1.13.0 created on 2015-08-31.
## copyright (c) 2005, Carter T. Butts, University of California-Irvine
## Mark S. Handcock, University of California -- Los Angeles
## David R. Hunter, Penn State University
## Martina Morris, University of Washington
## Skye Bender-deMoll, University of Washington
## For citation information, type citation("network").
## Type help("network-package") to get started.##
## Attaching package: 'network'## The following objects are masked from 'package:igraph':
##
## %c%, %s%, add.edges, add.vertices, delete.edges,
## delete.vertices, get.edge.attribute, get.edges,
## get.vertex.attribute, is.bipartite, is.directed,
## list.edge.attributes, list.vertex.attributes,
## set.edge.attribute, set.vertex.attribute## sna: Tools for Social Network Analysis
## Version 2.4 created on 2016-07-23.
## copyright (c) 2005, Carter T. Butts, University of California-Irvine
## For citation information, type citation("sna").
## Type help(package="sna") to get started.##
## Attaching package: 'sna'## The following objects are masked from 'package:igraph':
##
## betweenness, bonpow, closeness, components, degree,
## dyad.census, evcent, hierarchy, is.connected, neighborhood,
## triad.census## [,1] [,2] [,3]
## [1,] 0 0 0
## [2,] 1 0 0
## [3,] 1 0 0
## [1] 8667 59 0 11302 32252 4 4 481 558 0 0
## [12] 0 52네트워크 성격
각 네트워크 중심도에 따른 분포, 대부분의 지표들이 대다수가 적은 연결 또는 낮은 중심도를 보이나 몇몇 소수의 기업이 연결과 다른 중심도에서 높은 경향을 보이는 패턴임. 네트워크통계에서 일반적으로 관찰가능한 분포의 형태로서 좁은세상, 멱함수, 스케일프리 네트워크의 성격을 유추하는데 기초자료가 됨.
## [1] 5.608039## [1] 7.533255분야별 분석(기업명 및 그래프의 상세는 게피파일 참조)
net1<-read_graph("./1_graphdata/net1.graphml","graphml")
net2<-read_graph("./1_graphdata/net2.graphml","graphml")
net3<-read_graph("./1_graphdata/net3.graphml","graphml")
net4<-read_graph("./1_graphdata/net4.graphml","graphml")
net5<-read_graph("./1_graphdata/net5.graphml","graphml")
net6<-read_graph("./1_graphdata/net6.graphml","graphml")
net7<-read_graph("./1_graphdata/net7.graphml","graphml")
net8<-read_graph("./1_graphdata/net8.graphml","graphml")
net9<-read_graph("./1_graphdata/net9.graphml","graphml")
net10<-read_graph("./1_graphdata/net10.graphml","graphml")
net11<-read_graph("./1_graphdata/net11.graphml","graphml")
제조 관, 막, 펌프
Node
length(V(net1))## [1] 2002Edge
length(E(net1))## [1] 2118Density
graph.density(net1)## [1] 0.0005287067Average Degree
mean(igraph::degree(net1))## [1] 2.115884상수도
Node
length(V(net2))## [1] 1725Edge
length(E(net2))## [1] 1765Density
graph.density(net2)## [1] 0.0005934968Average Degree
mean(igraph::degree(net2))## [1] 2.046377하수도 및 재이용
Node
length(V(net3))## [1] 469Edge
length(E(net3))## [1] 420Density
graph.density(net3)## [1] 0.001913509Average Degree
mean(igraph::degree(net3))## [1] 1.791045물에너지
Node
length(V(net4))## [1] 512Edge
length(E(net4))## [1] 462Density
graph.density(net4)## [1] 0.001765839Average Degree
mean(igraph::degree(net4))## [1] 1.804688댐
Node
length(V(net5))## [1] 445Edge
length(E(net5))## [1] 426Density
graph.density(net5)## [1] 0.002156089Average Degree
mean(igraph::degree(net5))## [1] 1.914607컨설팅 및 환경영향평가
Node
length(V(net6))## [1] 245Edge
length(E(net6))## [1] 209Density
graph.density(net6)## [1] 0.003496153Average Degree
mean(igraph::degree(net6))## [1] 1.706122제조 수처리제
Node
length(V(net7))## [1] 201Edge
length(E(net7))## [1] 189Density
graph.density(net7)## [1] 0.004701493Average Degree
mean(igraph::degree(net7))## [1] 1.880597지하수
Node
length(V(net8))## [1] 214Edge
length(E(net8))## [1] 193Density
graph.density(net8)## [1] 0.004234128Average Degree
mean(igraph::degree(net8))## [1] 1.803738하천정비
Node
length(V(net9))## [1] 104Edge
length(E(net9))## [1] 89Density
graph.density(net9)## [1] 0.008308439Average Degree
mean(igraph::degree(net9))## [1] 1.711538해수담수화
Node
length(V(net10))## [1] 89Edge
length(E(net10))## [1] 85Density
graph.density(net10)## [1] 0.01085291Average Degree
mean(igraph::degree(net10))## [1] 1.910112먹는샘물
Node
length(V(net11))## [1] 48Edge
length(E(net11))## [1] 42Density
graph.density(net11)## [1] 0.01861702Average Degree
mean(igraph::degree(net11))## [1] 1.75