출처 https://kosis.kr/visual/nsportalStats/detailContents.do?statJipyoId=3657&vStatJipyoId=5054&listId=B

1. 나는 연도별 KOSPI 지수의 추이가 어떻게 변화해왔는지 궁금하다.

2. 경제적 사건(예: 코로나19, 미국 대선, 금리 인상 등)과 KOSPI 지수 간의 연관성을 알아보고 싶다.

1. 연도별 KOSPI 지수 변화 → 꺾은선 그래프

2. 특정 시점(2020 코로나, 2024 미국 대선 등) 전후 비교 → 구간별 평균 변화량 분석

3. 연간 상승률/하락률 계산 → 막대 그래프

4. 경제 사건 타임라인과 KOSPI 흐름을 산점도로 시각화

1. 연도별 학교급별 사교육비 그래프-> 꺾은선

2. 가장 많은 사교육비가 투입되는 학교급->막대형차트

3. 구간별 평균 변화율 및 증가폭 -> 막대형차트, 특정 시점(예: 코로나19 이전/이후, 정시 확대 전/후 등) 비교

   
   

   
   

   학생사교육비그래프

   https://kosis.kr/visual/nsportalStats/detailContents.do?statJipyoId=3690&vStatJipyoId=4977&listId=E

출처: https://kosis.kr/visual/nsportalStats/detailContents.do?statJipyoId=3651&vStatJipyoId=5163&listId=B

[분석동기]

1. 월별 소비자 심리지수가 궁금하다.

2. 소비자 심리지수 변화의 추이가 궁금하다.

[분석방법]

1. 월별 소비자 심리지수 분석 -> 꺾은선 그래프

2. 연령대별 소비자 심리지수 분석 -> 막대 그래프

1. 나는 연도 별 초등학생 수가 궁금하다. 2015~2023

2. 나는 연도 별 다문화 학생 수가 궁금하다.

   [분석 방법]

   1. 위의 두 통계를 한 그래프 안에 나타내어 비교 분석 -> 꺽은선 그래

   2. 최근 연도의 다문화 학생수와 초등학교 학생수를 우리나라에 표시 -> 맵

[데이터 출처 링크] 주제별 분류 > 인구 > 인구밀도 | KOSIS 100대 지표

[분석동기] 무엇이 궁금한가

1. 나는 지역별 인구 밀도 변동이 궁금하다

2. 인구 밀도 변화 요인이 궁금하다

[분석 방법]

1. 연도별 인구밀도 그래프-꺾은선

2. 지역별 인구밀도 차이- 맵

공정무역 동화책 설문조사 데이터 (자체 수집한 설문 응답)

[데이터 출처]

충남외고 학생 30명을 대상으로 직접 수집한 설문 결과 (2025. 07. 17)

[분석 동기]

1. 충남외고 학생들의 공정무역 인식 수준이 궁금하다.

2. 학생들이 생각하는 동화책 판매 세트의 적정 가격대가 얼마인지 궁금하다.

[분석 방법]

1. 인식도 분석

   설문조사 1번 문항 (공정무역에 대해 들어본 적 있는가?)

   -> 원형그래프로 응답 비율 시각화

   설문조사 2번 문항 (공정무역 제품에 대해 어떻게 생각하는가?), 설문조사 3번 문항 (공정무역 제품을 구매해 본 경험이 있는가?)

   -> 꺾은선형 및 묶은 세로 막대형 차트로 응답 비율 시각화

2. 제품 적정 가격대 분석

   설문조사 4번~7번 (가격 관련 문항) -> 꺾은선 그래프로 PSM 분석 (어느 가격대부터 소비자가 제품을 비싸게 체감하는지 분석)

^분석동기

1. 인구 증가/ 감소 트렌드를 파악하고 싶다.

2. 지역별 고령소비자 집중 지역을 예측하고 싶다.

분석방법

• 연도별 인구성장률 변화 - 꺾은선그래프

• 시도별 총인구 비교 - 막대그래프

분석 내용: 2000년대부터 현재까지 KOSPI 지수의 전체적인 흐름을 파악합니다. 이를 통해 IT 버블 붕괴, 금융 위기, 코로나19 팬데믹 등 거시적 경제 사건이 시장에 어떤 영향을 미쳤는지 큰 그림에서 조망할 수 있습니다. 년월 데이터와 월별 평균지수를 사용합니다.

추천 차트 (Power BI): 꺾은선형 차트 (Line Chart)

구현 방법:

X축: 년월 (Power BI가 자동으로 날짜 계층을 생성합니다.)

Y축: 평균지수

해석 포인트: "차트에서 KOSPI 지수가 급등하거나 급락한 주요 변곡점은 언제인가? 그 시기에 어떤 경제적/사회적 사건이 있었는지 연결하여 설명해보자."

분석 제안 2: 월별 시장 변동성(Volatility) 분석

분석 내용: 시장이 안정적이었던 시기와 불안정했던 시기를 분석합니다. 한 달 동안 가장 높았던 지수와 가장 낮았던 지수의 차이(변동폭)를 계산하여, 월별 변동성이 시간의 흐름에 따라 어떻게 변화했는지 파악합니다. 장중기준(최고지수)와 장중기준(최저지수)을 활용한 계산된 열(Column)이 필요합니다.

추천 차트 (Power BI): 영역형 차트 (Area Chart)

구현 방법:

Power BI의 '데이터' 뷰에서 [새 열]을 클릭하여 월별 변동폭 = '테이블'[장중기준(최고지수)] - '테이블'[장중기준(최저지수)] 라는 DAX 수식을 입력합니다.

X축: 년월

Y축: 새로 만든 월별 변동폭

해석 포인트: "변동성이 유난히 컸던 시기는 언제인가? 이는 분석 1에서 확인한 지수 등락과 어떤 관계가 있을까? (예: 지수가 폭락할 때 변동성이 더 커지는 경향이 있는가?)"

분석 제안 3: 월별 계절성 패턴(Seasonality) 탐색

분석 내용: 소위 '1월 효과', '산타 랠리' 등 KOSPI 시장에 특정 월에 상승하거나 하락하는 경향(계절성)이 존재하는지 확인합니다. 전월대비등락율 데이터를 활용하여 1월부터 12월까지의 월별 평균 등락률을 비교 분석합니다.

추천 차트 (Power BI): 묶은 세로 막대형 차트 (Clustered Column Chart)

구현 방법:

파워 쿼리나 DAX를 이용해 년월에서 '월' 정보만 추출한 열을 만듭니다.

X축: '월'

Y축: 전월대비등락율 (집계 방식을 '평균'으로 변경)

팁: [서식] > [열] > [조건부 서식]을 이용해 평균 등락률이 양수(+)이면 파란색, 음수(-)이면 빨간색으로 표현하면 가독성이 높아집니다.

해석 포인트: "데이터상으로 KOSPI가 가장 강세를 보인 달과 약세를 보인 달은 언제인가? 이러한 경향이 나타나는 이유는 무엇일지 자신만의 가설을 세워보자."

분석 제안 4: 시장 수준과 변동성의 관계 분석

분석 내용: KOSPI 지수 자체가 높을 때(시장이 과열되었을 때) 변동성도 함께 커지는 경향이 있는지, 혹은 지수 수준과 변동성 간에 특별한 관계가 없는지 분석합니다. 각 월을 하나의 점으로 표현하여 두 변수 간의 상관관계를 파악합니다.

추천 차트 (Power BI): 분산형 차트 (Scatter Plot)

구현 방법:

X축: 평균지수

Y축: 분석 2에서 만든 월별 변동폭

값 (세부 정보): 년월 (각 점이 어느 시점의 데이터인지 마우스를 올렸을 때 확인할 수 있습니다.)

팁: [분석] 창에서 '추세선'을 추가하여 두 변수 간의 전반적인 관계(양의 상관, 음의 상관, 무상관)를 시각적으로 확인할 수 있습니다.

해석 포인트: "분산형 차트의 점들은 어떤 형태로 분포되어 있는가? 추세선은 우상향하는가, 우하향하는가? 이를 통해 KOSPI 지수와 시장의 변동성 사이에는 어떤 관계가 있다고 해석할 수 있을까?"

• 분석 내용: 대한민국 사교육의 양대 산맥인 영어와 수학 과목에 대해, 지난 몇 년간 1인당 월평균 사교육비와 사교육 참여율이 어떻게 변화해왔는지 비교 분석합니다. 두 과목에 대한 투자가 어떻게 달라지고 있는지 파악할 수 있습니다.

• 추천 차트 (Power BI): 꺾은선형 및 묶은 세로 막대형 차트 (Line and Clustered Column Chart)

• 구현 방법:

  • 공유 축 (X축): 시점 (연도)

  • 열 값 (Y축-막대): 영어_참여율, 수학_참여율

  • 선 값 (Y축-선): 영어_1인당 월평균 사교육비, 수학_1인당 월평균 사교육비

• 해석 포인트: "참여율은 높지만 1인당 교육비는 낮은 과목은 무엇일까? 반대로, 참여율은 낮지만 소수가 많은 돈을 쓰는 과목은 무엇일까? 두 과목의 참여율과 비용 추세가 다르게 나타난다면 그 이유는 무엇일지 생각해보자."

분석 제안 2: 도시 규모별 사교육 격차 시각화

• 분석 내용: 대도시, 중소도시, 읍면지역 간의 사교육비 격차를 분석합니다. 단순히 총액이 아닌, 실질적인 교육 수준과 투자 정도를 보여주는 학생 1인당 월평균 사교육비를 기준으로 비교하여 지역 간 교육 불균형 실태를 파악합니다.

• 추천 차트 (Power BI): 지도 차트 (Map Chart) 또는 묶은 가로 막대형 차트 (Clustered Bar Chart)

• 구현 방법 (지도 차트):

  • 위치: 지역 (대도시, 중소도시, 읍면지역)

  • 거품 크기: 1인당 월평균 사교육비 (최신 연도 기준)

• 해석 포인트: "도시 규모별로 1인당 사교육비 차이가 얼마나 발생하는가? 이러한 교육비 차이가 학생들의 학업 성취도나 대학 진학률에도 영향을 미칠 것이라고 추론할 수 있을까?"

분석 제안 3: 전체 사교육 시장의 구성 비율 분석

• 분석 내용: 최신 연도를 기준으로, 전체 사교육 시장에서 각 과목이 차지하는 총액(비중)과 해당 과목의 참여율을 동시에 비교 분석합니다. 어떤 과목이 사교육 시장을 주도하고 있는지 한눈에 파악할 수 있습니다.

• 추천 차트 (Power BI): 트리맵 (Treemap)

• 구현 방법:

  • 범주: 과목 (국어, 영어, 수학, 사회/과학, 예체능 등)

  • 값: 총액(십억원)

  • 팁: Power BI Desktop 2024년 업데이트부터는 트리맵에 '레이블'을 추가할 수 있습니다. 각 사각형 위에 해당 과목의 참여율(%)을 레이블로 표시하면 훨씬 더 풍부한 정보를 담은 차트가 됩니다.

• 해석 포인트: "가장 큰 사각형(시장 규모)을 차지하는 과목은 무엇인가? 사각형의 크기와 참여율은 항상 비례하는가? 크기는 작지만 참여율이 높은 과목이 있다면 어떻게 해석할 수 있을까?"

분석 제안 4: 학년별/학교급별 사교육 투자 패턴 비교

• 분석 내용: (데이터에 학교급 정보가 있다면) 초등학교, 중학교, 고등학교 별로 사교육 참여 패턴이 어떻게 다른지 분석합니다. 특히 주당 참여 시간을 기준으로, 어느 시기에 학생들이 사교육에 가장 많은 시간을 할애하는지 비교합니다.

• 추천 차트 (Power BI): 100% 기준 누적 가로 막대형 차트 (100% Stacked Bar Chart)

• 구현 방법:

  • Y축: 학교급 (초/중/고)

  • X축 (값): 참여시간(시간/주)

  • 범례 (계열): 과목 (일반교과, 예체능 등)

• 해석 포인트: "초등학생과 고등학생의 사교육 시간 분배는 어떻게 다른가? 학년이 올라갈수록 예체능 과목의 비중은 어떻게 변화하는가? 이는 우리나라의 입시 문화와 어떤 관련이 있을지 설명해보자."

분석 제안 1: 대한민국 경제의 '현재 체감'과 '미래 전망' 비교 분석

• 분석 내용: 소비자들이 느끼는 '현재 생활 형편'과 6개월 뒤를 예측하는 '생활 형편 전망' 지수를 비교하여, 현재와 미래에 대한 인식 차이를 분석합니다. 두 지수 간의 격차(Gap)가 벌어지거나 좁혀지는 시점을 통해 사회의 전반적인 낙관/비관 지수를 파악할 수 있습니다.

• 추천 차트 (Power BI): 영역형 차트 (Area Chart)

• 구현 방법:

  • X축: 시점

  • Y축: 현재생활형편CSI, 생활형편전망CSI (두 개의 필드를 Y축에 놓습니다.)

• 해석 포인트: "전망 지수(선)가 현재 지수(선)보다 항상 위에 있는가? 두 선의 간격이 가장 크게 벌어졌던 때는 언제이며, 그 시기에 어떤 경제 뉴스가 있었을까? 이는 '현실은 힘들지만 미래는 나아질 것'이라는 기대감을 의미할까?"

분석 제안 2: 연령대별 미래 경기 전망 비교

• 분석 내용: '향후 경기 전망 CSI'를 기준으로, 40세 미만, 40-50세, 50-60세, 60세 이상 등 세대별로 미래 경기를 어떻게 바라보는지 비교합니다. 어느 세대가 가장 낙관적이고, 어느 세대가 가장 비관적인지 한눈에 파악할 수 있습니다.

• 추천 차트 (Power BI): 묶은 가로 막대형 차트 (Clustered Bar Chart)

• 구현 방법: (최신 시점 기준)

  • Y축: 연령대 그룹 (40세 미만, 40-50세...)

  • X축: 향후경기전망CSI 값

• 해석 포인트: "젊은 세대와 기성세대의 경기 전망에 차이가 있는가? 만약 차이가 있다면 왜 그런 결과가 나왔을지, 각 세대가 처한 사회·경제적 상황과 연결하여 추론해보자."

분석 제안 3: '봉급생활자' vs '자영업자'의 소득 전망 동향

• 분석 내용: 고용 형태에 따라 미래 소득에 대한 기대치가 어떻게 다른지 분석합니다. '임금수준전망 CSI' 지수를 활용하여, 봉급생활자와 자영업자 그룹 간의 전망 차이가 시간에 따라 어떻게 변화했는지 추적합니다.

• 추천 차트 (Power BI): 꺾은선형 차트 (Line Chart)

• 구현 방법:

  • X축: 시점

  • Y축: 임금수준전망CSI

  • 범례 (Legend): 직업 그룹 (봉급생활자, 자영업자)

• 해석 포인트: "두 그룹 중 어느 쪽이 미래 소득을 더 긍정적으로 보는가? 특정 시점(예: 최저임금 인상, 경기 침체기)에 두 그룹의 전망치 격차가 더 벌어지거나 좁혀지는 현상이 보이는가?"

분석 제안 4: 주거 형태에 따른 소비심리 분석

• 분석 내용: '자가'와 '임차 등(전/월세)' 거주자 간의 소비 심리를 비교합니다. 특히 부동산 시장과 밀접한 관련이 있는 '주택가격전망 CSI' 또는 '현재소비지출CSI'를 기준으로 두 그룹의 인식 차이를 분석하여, 주거 안정이 소비 심리에 미치는 영향을 탐색합니다.

• 추천 차트 (Power BI): 깔때기형 차트 (Funnel Chart) 또는 카드(Card) 시각화 여러 개

• 구현 방법 (깔때기형): (최신 시점 기준)

  • 범주: 주거 형태 그룹 (자가, 임차 등)

  • 값: 주택가격전망CSI

  • 해석: 자가 그룹에서 임차 그룹으로 갈수록 전망치가 어떻게 변하는지 시각화

• 해석 포인트: "자가 보유 여부가 미래의 주택 가격을 전망하거나 현재의 소비를 결정하는 데 어떤 영향을 미치는가? 이는 '내 집 마련'이라는 목표가 개인의 경제 활동에 어떤 의미를 갖는지 보여주는 지표가 될 수 있을까?"

• 분석 내용: 저출산 현상이 교육 현장에 미치는 영향을 직접적으로 보여주기 위해, 시간의 흐름에 따른 전국 초등학생 수의 변화를 분석합니다. 이를 통해 학령인구 감소의 심각성을 시각적으로 제시합니다.

• 추천 차트 (Power BI): 꺾은선형 차트 (Line Chart)

• 구현 방법:

  • 필터: 시도별(1) 필드에서 '총계'만 선택

  • X축: 시점

  • Y축: 초등학생수 (명)

  • 팁: [분석] 창에서 '예측' 기능을 활성화하여, 현재까지의 추세를 바탕으로 향후 몇 년간의 학생 수를 예측하는 점선을 추가하면 더욱 설득력 있는 차트가 됩니다.

• 해석 포인트: "지난 10년간 초등학생 수는 얼마나 감소했는가? 이러한 추세가 계속된다면 우리 사회와 교육 시스템에는 어떤 변화가 필요할까?"

분석 제안 2: '교원 1인당 학생 수'로 본 교육 환경 변화

• 분석 내용: 단순히 학생 수가 줄어드는 것을 넘어, '교육의 질'과 관련된 지표를 분석합니다. '교원 1인당 학생 수'를 계산하여, 과거에 비해 현재 교육 여건이 개선되고 있는지(교사 한 명이 돌보는 학생 수가 줄었는지) 확인합니다.

• 추천 차트 (Power BI): 묶은 세로 막대형 차트 (Clustered Column Chart)

• 구현 방법:

  1. Power BI의 '데이터' 뷰에서 [새 측정값]을 클릭하여 교원 1인당 학생 수 = DIVIDE(SUM('테이블'[초등학생수 (명)]), SUM('테이블'[교원수 (명)])) 라는 DAX 수식을 만듭니다.

  2. 필터: 시도별(1) 필드에서 '총계'만 선택

  3. X축: 시점

  4. Y축: 새로 만든 교원 1인당 학생 수 측정값

• 해석 포인트: "학생 수 감소가 교원 1인당 학생 수 감소, 즉 교육 환경의 질적 개선으로 이어지고 있는가? 아니라면 그 이유는 무엇일까?"

분석 제안 3: 지역별 다문화가구 학생 비중 비교

• 분석 내용: 우리 사회의 다문화 현황을 교육적 관점에서 분석합니다. 각 시도별로 전체 초등학생 수 대비 다문화가구 구성원의 비율을 계산하여, 어느 지역에 다문화 교육에 대한 지원과 관심이 더 필요한지 시각적으로 보여줍니다.

• 추천 차트 (Power BI): 채워진 지도 (Filled Map)

• 구현 방법:

  1. [새 측정값]으로 다문화가구원 비율 = DIVIDE(SUM('테이블'[다문화가구_가구원_계]), SUM('테이블'[초등학생수 (명)])) 수식을 만듭니다.

  2. 필터: 시점은 최신 연도, 시도별(1)은 '총계'를 제외한 모든 지역 선택

  3. 위치: 시도별(1)

  4. 색 채도: 새로 만든 다문화가구원 비율 측정값

• 해석 포인트: "다문화가구 학생의 비중이 높은 지역과 낮은 지역은 어디인가? 특정 지역에 다문화가정이 집중되는 이유를 생각해보고, 해당 지역 교육청에 어떤 정책을 제안할 수 있을까?"

분석 제안 4: 학생 수와 교원 수의 지역별 분포 관계

• 분석 내용: 각 지역별로 학생 수와 교원 수가 비례하여 분포하고 있는지 분석합니다. 모든 점들이 하나의 직선 주위에 모여 있다면 학생 수에 맞춰 교원이 적절히 배치된 것이고, 직선에서 멀리 떨어진 점(지역)이 있다면 특이점으로 해석할 수 있습니다.

• 추천 차트 (Power BI): 분산형 차트 (Scatter Plot)

• 구현 방법:

  1. 필터: 시점은 최신 연도, 시도별(1)은 '총계'를 제외한 모든 지역 선택

  2. X축: 초등학생수 (명)

  3. Y축: 교원수 (명)

  4. 세부 정보: 시도별(1)

  5. 팁: [분석] 창에서 '추세선'을 추가하여 전반적인 경향을 파악합니다.

• 해석 포인트: "추세선에서 유난히 멀리 떨어져 있는 지역이 있는가? (예: 학생 수에 비해 교원이 유난히 많거나 적은 지역) 그 이유는 무엇일지, 해당 지역의 인구 특성이나 교육 정책과 관련지어 생각해보자."

• 분석 내용: 대한민국 인구 문제의 핵심인 '수도권 집중' 현상을 데이터로 확인합니다. 수도권(서울특별시, 인천광역시, 경기도)과 비수도권의 인구밀도 평균을 비교하여, 두 권역 간의 격차가 시간에 따라 어떻게 변화하는지 분석합니다.

• 추천 차트 (Power BI): 꺾은선형 차트 (Line Chart)

• 구현 방법:

  1. '데이터' 뷰에서 [새 열]을 만들어 수도권 여부 = IF('테이블'[행정구역별] IN {"서울특별시", "인천광역시", "경기도"}, "수도권", "비수도권") 과 같은 DAX 수식을 작성합니다.

  2. X축: 연도

  3. Y축: 인구밀도 (집계 방식을 '평균'으로 변경)

  4. 범례 (Legend): 새로 만든 수도권 여부 열

• 해석 포인트: "수도권과 비수도권의 인구밀도 격차는 시간이 갈수록 더 벌어지고 있는가? 이 현상이 심화된다면 우리 사회에 어떤 문제를 가져올 수 있을까?"

분석 제안 2: 대한민국 인구밀도 지도 시각화

• 분석 내용: 최신 연도(2023년) 기준으로, 우리나라의 인구밀도가 지역별로 어떻게 분포되어 있는지 한눈에 파악할 수 있도록 시각화합니다.

• 추천 차트 (Power BI): 채워진 지도 (Filled Map)

• 구현 방법:

  1. 필터: 연도를 '2023'으로 선택

  2. 위치: 행정구역별

  3. 색 채도: 인구밀도

• 해석 포인트: "서울을 제외하고 인구밀도가 높은 광역시들은 어디인가? 반대로 인구 소멸 위기가 예상되는, 밀도가 매우 낮은 지역은 어디인가? 지도를 통해 지역 불균형 문제를 직관적으로 설명해보자."

분석 제안 3: 지난 5년간 인구밀도 변화율 TOP 5 지역

• 분석 내용: 2019년부터 2023년까지 5년 동안, 인구밀도가 가장 많이 증가한 지역과 가장 많이 감소한 지역을 찾아 순위를 매깁니다. 단순 증감이 아닌 '변화율'을 계산하여 인구의 역동적인 이동을 분석합니다.

• 추천 차트 (Power BI): 묶은 가로 막대형 차트 (Clustered Bar Chart)

• 구현 방법:

  1. 변화율 측정값을 DAX로 만듭니다. (예: (최신 연도 값 - 첫 연도 값) / 첫 연도 값)

  2. Y축: 행정구역별

  3. X축: 새로 만든 변화율 측정값

  4. 차트를 변화율 기준으로 내림차순 정렬하고, [서식] > [시각적 개체] > [필터]에서 상위 5개 또는 10개만 표시하도록 설정합니다.

• 해석 포인트: "인구밀도가 가장 많이 늘어난 '세종특별자치시'와 같은 신도시의 성공 요인은 무엇일까? 반대로 밀도가 크게 감소한 지역의 문제는 무엇이며, 어떤 해결책을 제안할 수 있을까?"

분석 제안 4: 전국 평균과 특정 도시 인구밀도 비교

• 분석 내용: 분석 과정에서 흥미롭게 발견한 특정 도시(예: 부산광역시)를 선택하여, 해당 도시의 인구밀도 변화 추이가 전국 평균과 비교했을 때 어떤 차이를 보이는지 심층적으로 분석합니다.

• 추천 차트 (Power BI): 꺾은선형 및 묶은 세로 막대형 차트 (Line and Clustered Column Chart)

• 구현 방법:

  • X축: 연도

  • 열 Y축 (막대): 특정 도시(예: 부산)의 인구밀도

  • 선 Y축 (선): 전국 인구밀도

• 해석 포인트: "부산의 인구밀도는 전국 평균보다 훨씬 높지만, 감소 추세는 전국 평균보다 더 가파른가? 이를 통해 '대도시의 인구 유출' 현상을 설명하고, 도시의 활력을 되찾기 위한 방안을 제안해보자."

• 분석 내용: 소비자들이 공정무역을 '인지'하는 단계에서 실제 '구매'까지 얼마나 도달하는지를 분석합니다. 인지 단계에서 구매 단계로 넘어갈수록 참여자 수가 줄어드는 과정을 시각화하여, 어느 단계에서 이탈이 가장 많이 일어나는지 파악합니다.

• 추천 차트 (Power BI): 깔때기형 차트 (Funnel Chart)

• 구현 방법:

  1. 범주: '분석 단계'를 나타내는 별도의 계산된 열 또는 테이블을 만듭니다. (예: 1단계-공정무역 인지자, 2단계-구매 경험자)

  2. 값: 각 단계에 해당하는 응답자의 수를 계산합니다. (예: 공정무역에 대해 들어본 적이 있나요? 질문에 '예'라고 답한 사람 수, 구매해 본 적이 있나요? 질문에 '예'라고 답한 사람 수)

• 해석 포인트: "공정무역을 알고 있는 사람 중 몇 퍼센트가 실제 구매까지 이어졌는가? 인지율에 비해 구매율이 현저히 낮다면, 그 원인은 무엇일지(가격, 접근성 등) 다음 분석에서 탐색해볼 수 있다."

분석 제안 2: 공정무역 제품에 대한 태도 분석

• 분석 내용: 공정무역 제품에 대한 소비자들의 전반적인 인식이 어떤지 비중을 분석합니다. '윤리적이어서 좋다', '비싸서 꺼려진다', '잘 모르겠다' 등 어떤 의견이 가장 우세한지 파악합니다.

• 추천 차트 (Power BI): 도넛형 차트 (Donut Chart)

• 구현 방법:

  • 범례: 공정무역 제품에 대해 어떻게 생각하시나요?

  • 값: 응답자 수 (각 항목의 개수)

• 해석 포인트: "소비자들의 가장 지배적인 인식은 무엇인가? 만약 '비싸서 꺼려진다'는 응답이 높다면, 이는 공정무역 시장 확대의 가장 큰 장벽이 가격임을 시사한다."

분석 제안 3: 제품 인식에 따른 실제 구매 행동 비교

• 분석 내용: 공정무역 제품에 대한 '인식'이 실제 '구매 경험'에 어떤 영향을 미치는지 교차 분석합니다. 예를 들어, '윤리적이라고 생각하는 사람'들과 '비싸다고 생각하는 사람들' 사이에 실제 구매율에 차이가 있는지 비교합니다.

• 추천 차트 (Power BI): 100% 기준 누적 가로 막대형 차트 (100% Stacked Bar Chart)

• 구현 방법:

  • Y축: 공정무역 제품에 대해 어떻게 생각하시나요?

  • X축 (값): 응답자 수

  • 범례 (Legend): 공정무역 제품을 구매해 본 적이 있나요?

• 해석 포인트: "'윤리적'이라고 인식하는 그룹의 구매 경험 비율(파란색 막대)이 '비싸다'고 인식하는 그룹보다 월등히 높은가? 이를 통해 긍정적 인식이 구매로 이어지는 경향성을 확인할 수 있다."

분석 제안 4: 소비자가 인식하는 '비싼' 가격대의 분포

• 분석 내용: 소비자들이 생각하는 공정무역 제품의 가격대에 대한 인식을 분석합니다. 특히 '비싸다'고 응답한 가격(비싸다 열)의 데이터 분포를 통해, 소비자들이 심리적으로 '비싸다'고 느끼기 시작하는 평균적인 가격 수준을 파악합니다.

• 추천 차트 (Power BI): 상자 수염 그림 (Box and Whisker Chart)

• 구현 방법:

  1. 파워 쿼리 편집기에서 비싸다 열의 쉼표(,)를 제거하고 데이터 형식을 '숫자'로 변경합니다.

  2. 값: 숫자 형식으로 변환된 비싸다 열

• 해석 포인트: "상자 수염 그림의 중앙선(중앙값)은 얼마인가? 이는 응답자들이 '비싸다'고 생각하는 가장 보편적인 가격대를 의미한다. 이 가격 정보를 바탕으로 공정무역 제품의 적정 가격 전략을 제안해볼 수 있다."

• 분석 내용: '총부양비'는 생산가능인구 100명이 부양해야 할 유소년 및 노년 인구의 수를 의미합니다. 전국을 기준으로, 시간의 흐름(2027년~2052년)에 따라 총부양비가 어떻게 변화하는지 분석하여 미래 세대의 부담이 얼마나 가중되는지 보여줍니다.

• 추천 차트 (Power BI): 꺾은선형 차트 (Line Chart)

• 구현 방법:

  1. 필터: 시도별(1)은 '전국', 인구구조, 부양비별(1)은 '총부양비'를 선택합니다.

  2. X축: 연도

  3. Y축: 부양비 값

• 해석 포인트: "그래프의 기울기는 얼마나 가파른가? 2027년의 총부양비와 2052년의 총부양비를 비교했을 때, 미래 세대의 부담은 약 몇 배 증가하는가? 이 차트는 대한민국 사회의 지속가능성에 대해 어떤 질문을 던지는가?"

분석 제안 2: '유소년부양비' vs '노년부양비' 구조 변화

• 분석 내용: 총부양비를 구성하는 두 축인 '유소년부양비'와 '노년부양비'의 비중이 미래에 어떻게 역전되는지를 분석합니다. 과거의 '아이는 많고 노인은 적었던' 사회 구조가 어떻게 변화하는지 한눈에 보여줄 수 있습니다.

• 추천 차트 (Power BI): 100% 기준 누적 영역형 차트 (100% Stacked Area Chart)

• 구현 방법:

  1. 필터: 시도별(1)은 '전국', 인구구조, 부양비별(1)은 '유소년부양비'와 '노년부양비' 두 가지만 선택합니다.

  2. X축: 연도

  3. Y축: 부양비 값

  4. 범례 (Legend): 인구구조, 부양비별(1)

• 해석 포인트: "노년부양비(영역)가 유소년부양비(영역)를 넘어서는 교차점은 대략 몇 년도에 발생하는가? 이는 우리 사회의 복지 시스템이 '아동' 중심에서 '노인' 중심으로 완전히 전환되어야 함을 의미하지 않을까?"

분석 제안 3: 2052년 지역별 노년부양비 예측 비교

• 분석 내용: 인구 고령화 문제는 지역별로 심각도가 다릅니다. 예측된 미래 시점(2052년)을 기준으로, 각 시도별 노년부양비를 비교하여 어느 지역이 고령화 문제에 더 취약할 것인지 분석합니다.

• 추천 차트 (Power BI): 채워진 지도 (Filled Map)

• 구현 방법:

  1. 필터: 연도는 '2052'년, 인구구조, 부양비별(1)은 '노년부양비'를 선택합니다.

  2. 위치: 시도별(1)

  3. 색 채도: 부양비 값

• 해석 포인트: "2052년에 노년부양비가 가장 높을 것으로 예측되는 지역과 가장 낮을 것으로 예측되는 지역은 어디인가? 청년 인구가 수도권으로 유출된 지역일수록 미래의 노년부양비 부담이 더 커지는 경향이 있는가?"

분석 제안 4: 생산가능인구 1명당 부양해야 할 인원은?

• 분석 내용: '총부양비'의 개념(생산가능인구 100명당 부양인구)을 더 이해하기 쉽게 풀어, '생산가능인구 1명이 부양해야 할 인원'으로 환산하여 보여줍니다. 2027년과 2052년의 값을 비교하여 변화를 극적으로 제시합니다.

• 추천 차트 (Power BI): 카드 (Card) 시각화 2개 + 텍스트 상자

• 구현 방법:

  1. [새 측정값]으로 1인당 부양인원 = DIVIDE(SUM('테이블'[부양비 값]), 100) 수식을 만듭니다.

  2. 첫 번째 카드 시각화에는 2027년의 1인당 부양인원 값을 표시합니다.

  3. 두 번째 카드 시각화에는 2052년의 1인당 부양인원 값을 표시합니다.

  4. 두 카드 사이에 텍스트 상자로 '→' 화살표를 넣어 변화를 강조합니다.

• 해석 포인트: "2027년에는 약 2명이 1명을 부양하면 됐지만, 2052년에는 거의 1명이 1명을 부양해야 하는 시대가 온다. 이러한 미래에 대비하기 위해, 국가와 개인은 각각 어떤 준비를 해야 할지 제안해보자."

• 평소 한국 주식시장의 장기적인 흐름과 구조에 대해 관심이 많았으며, 특히 글로벌 금융위기나 코로나19 같은 외부 충격 속에서도 시장이 회복하고 성장해왔는지에 대한 의문이 있었고, 그에 대한 해답을 데이터로 직접 확인해보고자 했습니다. 이 분석에서는 “코스피 지수는 장기적으로 우상향하는가?”라는 질문을 중심으로, 실제 지수 데이터를 기반으로 추세와 패턴을 파악하고자 했습니다.

2. 데이터 소개

• 코스피 지수는 KOSIS100이라는 사이트로부터 다운받았으며, 2000년부터 2025년 까지의 총 306행의 데이터이다.

• 이 데이터에 수록된 변수는 시점, 평균, 종가가준 저가, 종가기준 고가이다.

3. 시각화 과정

   1. 데이터 전 처리 과정

      쓸모없는 데이터들(등락폭, 등락률 (%), 장중기준)을 삭제하였다.

   2. 시각화 과정

      1. 월별 코스피지수 변동세: 꺾은선형 차트를 사용했으며, x축에는 시점, y축에는 종가기준 고/저가를 입력하였다. 시각적 개체에는 데이터 레이블과 추세선을 사용하였다.

      2. 월별 코스피지수 평균 변동세: 묶은 세로 막대형 차트를 사용했으며, x축에는 시점, y축에는 종가기준 평균가를 입력하였다. 시각적 개체에는 데이터 레이블과 추세선을 사용하였다.

      3. 종가기준 코스피 고가 변동세: 누적 세로 막대형 차트를 사용했으며, x축에는 시점, y축에는 종가기준 고가를 입렵했다. 시각적 개체에는 데이터레이블을 사용하였다.

      4. 종가기준 코스피 저가 변동세: 누적 세로 막대형 차트를 사용했으며, x축에는 시점, y축에는 종가기준 저가를 입렵했다. 시각적 개체에는 데이터레이블을 사용하였다.

      5. 슬라이서: 시점 데이터 입력 후 드롭다운을 진행하였다.

4. 분석 결과

   1. 시각화 결과, 첫 번째로 확인할 수 있었던 점은 코스피 지수가 장기적으로 뚜렷한 우상향 추세를 보이고 있다는 사실이다. 평균값, 고점, 저점 모두에서 추세선이 상승 방향을 그리고 있었으며, 이는 한국 시장이 시간이 지날수록 성장하고 있다는 것을 시사한다.

   2. 두 번째로 주목할 점은 고점과 저점 간의 간격, 즉 변동성이 점점 커지고 있다는 것이다. 특히 2008년 글로벌 금융위기, 2020년 코로나19, 그리고 2022년 고점 이후 조정 국면에서 이러한 현상이 두드러지게 나타났다.

   3. 세 번째로는 평균값이 고점이나 저점보다 훨씬 더 안정적으로 상승해왔다는 점이다. 이는 장기 투자자의 관점에서 매우 중요한 포인트로, 평균값을 기준으로 한 투자 전략이 단기 급등락에 휘둘리지 않고 안정적인 수익을 기대할 수 있음을 보여준다.

5. 창의적 제안

   이번 코스피 지수의 장기 시계열 분석을 통해 확인할 수 있었던 중요한 사실은, 가치투자 관점에서도 한국 시장은 충분히 매력적인 구조를 갖고 있다는 점이다. 가치투자는 기업이나 시장의 내재 가치보다 가격이 저평가되었을 때 매수하고, 시간이 지나 시장이 그 가치를 반영할 때까지 인내하며 보유하는 전략이다. 분석 결과, 코스피는 2008년 금융위기, 2020년 코로나19 등 여러 충격에도 불구하고 결국 회복과 상승을 반복해왔다. 이는 단기적으로 비효율적일 수 있는 시장도 장기적으로는 가치에 수렴한다는 원칙을 잘 보여준다.

   특히 평균 종가의 안정적 상승은 시장 전체가 장기적으로 성장해왔다는 증거이며, 이는 가치투자자에게 저평가된 우량주 또는 지수 ETF의 장기 보유 전략이 유효하다는 점을 시사한다. 또한 고점과 저점 간 변동성이 커진 최근의 흐름은, 오히려 가치투자자에게 ‘공포 속의 기회’가 될 수 있다. 단기 가격 변동에 휘둘리기보다는 기업의 본질적 가치와 재무 건전성, 시장의 펀더멘털에 집중한다면, 지금과 같은 조정 이후의 회복 국면은 매우 중요한 매수 기회가 될 수 있다. 결국 이번 분석은 시장 가격과 내재 가치 간의 차이를 이용해 장기 수익을 추구하는 가치투자 전략이 한국 시장에서도 유효함을 보여주는 근거가 되었고, 향후에도 이런 데이터를 기반으로 투자 전략을 설계하는 태도가 중요하다는 점을 다시금 확인하게 되었다.

6. 느낀점: 데이터 파일을 수정하는 부분이 가장 어려웠으며, window기반 운영체제를 가진 기기만 참여할 수 있던 부분이 아쉬웠다. 또한 데이터를 구조적으로 해석하는 능력을 기를 수 있었고, 감각적인 판단보다는 정량적 데이터에 기반한 결정을 내리는 훈련이 되었다. 특히 시장의 단기적 요동보다 평균값의 꾸준한 우상향이 더 중요하다는 사실을 체득하며, 앞으로의 투자나 경제 분석에서도 장기적인 관점과 데이터 기반의 분석 태도가 필수적이라는 점을 실감할 수 있었다. 이번 캠프는 단순한 그래프 해석을 넘어서, 경제와 주식 시장을 보는 시야를 넓혀준 소중한 경험이 되었다.

디지털 전환이 가속화되며 여가 서비스 접근성의 격차가 소비자 만족도로 직결되는 현실에서,
고령층의 여가활동 만족도는 단순한 복지 지표가 아닌 디지털 기반 경영 전략 수립에 필수적인 소비자 경험 지표라고 판단하였다.
이에 따라 고령 소비자의 여가활동 만족도 분포를 분석하고,
세대별 소비자 니즈를 반영한 서비스 기획의 필요성을 탐색하였다.

시각화

• 데이터 원본: 고령자 여가활동 만족도(2008) 통계

• 전처리: ‘일반특성별(1)=연령별’ 조건으로 필터링

• 분석 항목: ‘만족하는 편이다(%)’ 및 ‘전체 만족도 항목’

결과

• 0~64세 연령층의 만족도는 6.3%로 가장 높았으며,
  이후 나이가 들수록 전반적으로 만족도 수치는 하락함

• 도넛그래프에 따르면,
  ‘보통이다’, ‘만족하는 편이다’ 응답이 전체의 79% 이상을 차지

• 반면, ‘전혀 만족하지 않는다’는 4.55%에 불과,
  전반적으로 긍정적 인식이 우세한 상황

창의적 제안

기존 여가 서비스는 획일화된 프로그램 제공에 그쳤지만,
60~74세 액티브 시니어층을 타겟으로
디지털 기반의 맞춤형 여가 추천 알고리즘 도입을 제안한다.

느낀 점

단순히 데이터를 시각화하는 작업을 넘어,
소비자 경험의 흐름을 이해하고, 디지털 격차 문제를 해석하는 힘이 생겼다.
이 활동을 통해 나는 ‘경영은 결국 소비자를 향한 번역 과정’이라는 생각을 하게 되었고,
앞으로도 데이터와 소비자 인사이트를 바탕으로
사회 문제 해결에 기여하는 소비자 중심 경영 전략가가 되고 싶다고 느꼈다.

• 결과:
  → 2014~2019년 대비 2020~2023년의 증가율이 더 높았으며, 특히 초등학교 학생의 평균 사교육비는 약 50% 이상 증가.

• → 수학과 영어는 정책 변화와 상관없이 지속적으로 증가, 필수 과목에 대한 학부모 수요가 반영됨.

4. 분석 결과

   사교육비는 장기적으로 꾸준히 증가하는 추세입니다. 초등학교, 중학교, 고등학교를 막론하고 사교육 의존도가 높아지고 있으며, 특히 초등학생의 증가세가 가장 뚜렷하게 나타났습니다.

   과목별로는 수학에 대한 지출이 가장 높고, 영어와 국어가 뒤를 잇고 있습니다. 이는 입시 과목으로서의 중요성 때문이며, 사회/과학 과목은 상대적으로 낮은 지출 수준을 보입니다.

   코로나19 이후(2020~2023) 사교육비가 빠르게 회복 및 증가하였으며, 이는 온라인 수업 도입에 따른 보완 심리와 학습 격차에 대한 우려가 반영된 결과로 해석할 수 있습니다. 특히 정시 확대 정책 이후 고등학교 사교육비의 증가 폭이 가팔라진 점도 눈에 띄었습니다.

5. 창의적 제안

   이번 분석을 통해 나타난 경향성은, 사교육비 증가가 학부모의 불안 심리와 입시 경쟁 심화에 밀접하게 연관되어 있다는 점입니다. 단순히 학력 신장을 위한 보충이 아니라, 제도 변화와 심리적 불안 요인이 사교육 수요를 자극하고 있음을 알 수 있습니다.
   이에 따라, 사교육비 절감을 위한 단편적인 정책보다는 제도 전반의 신뢰를 회복하고, 학교 교육의 질을 실질적으로 높이는 방향의 정책이 필요합니다. 예컨대 고등학교 정규 교육과정 내에서 입시 과목 중심의 심화 과정을 확대하거나, 지역별 공교육 격차 해소를 위한 예산 투입이 시급합니다.

6. 느낀 점

   이번 활동에서의 가장 어려운 점은 복잡한 범례와 변수들을 직관적인 시각화로 정리하는 과정이었습니다. 숫자는 명확하지만, 그걸 어떻게 해석하고 설명할지는 전혀 다른 문제였습니다. 특히 코로나19 이후의 사교육비 급증이 단순한 회복이 아니라, 교육 불안과 제도 불신의 반영이라는 점을 깨달았을 때, 통계가 현실을 잘 반영하고 있다는 것을 다시금 느낄 수 있었습니다.

   또한 데이터 작업을 하면서 보기 좋은 그래프, 이해하기 좋은 그래프를 만드는 게 더 중요하다는 걸 배웠습니다. 앞으로도 파워BI를 사용해 많은 탐구를 진행하고 싶다고 생각했습니다.
   선생님 정말정말 감사했습니다!!!!!!

1. [분석 동기]

지난 16+1 수업 시간에 과거 전국 다문화 초등학생 수의 추이 그래프를 찾아 분석하였습니다, 그러나 과거의 데이터였기 때문에 현재의 다문화 학생 수는 어떠한 추이를 띠고 있고 전국의 현재 상황은 어떠할지 궁금해졌습니다. 지난 데이터를 기반으로, 저는 '다문화 학생은 증가하고 있고 교사 수가 부족하다'라는 가설을 세우고, 이를 실제 데이터로 검증해보고자 분석을 진행했습니다.

2. Data : [데이터 소개]

"데이터 파일 이름" 데이터는 KOSIS 100 대지표 사이트로부터 다운로드 받았으며, 2015 년부터 2023년까지의 총 325행의 데이터이다.

데이터에 수록된 변수는 교원수, 다문화 가구 수, 시도별, 시점, 초등 학생수(명) 가 있다.

3. Information : [시각화 과정]

데이터 전처리 과정

시각화 과정 (차트 수만큼 설명)

무엇에 따른 무엇 시각화 : 분산형 차트, 꺾은선 그래프, 맵을 이용했으며,

1) X축에는 합계 초등학생수 데이터 Y축에는 합계 교원수 (명)개 데이터를 대입했고, 필터에서 총계의 인원을 제외한 행정구역에 해당하는 인원만 드러나도록 설정했다.

2) X축에는 시점 데이터 Y축에는 합계 다문화 가구_가구원_계 데이터를 대입했고, 필터는 모든 데이터 값이 다 포함되도록 설정했다. 또한 정확히 예측하기 위해서 추세선을 추가하고, 구체적인 수치를 보이기 위해 데이터 레이블을 추가하고 마지막으로 영역 음영 처리를 통해 시각적 개체를 추가했다.

3) 맵을 이용했기 때문에 X, Y축이 없으며 위치 칸에 시도별과 다문화 가구 수를 대입했고, 필터는 전국을 대상으로 했기 때문에 따로 필터를 쓰지 않았다.

4. Knowledge : [분석 결과]

1) 차트를 통해 알게 된 사실과 해석: 색이 다른 두 면이 있고, 모든 지역이 옅은 색의 면에 위치해 있다. 그 중에서도 경기도(초등학생수: 676만 명 대비 교원수: 41만 명)와 서울특별시(초등학생수:374만 명 대비 교원수: 25만 명)가 다른 지역들에 비해 많이 동떨어져 있는데, 이는 교원 수에 비해 학생 수가 과하게 많다는 것을 의미한다. 반면에 학생 수와 교원 수가 가장 비슷한 지역은 세종특별자치시(초등학생수:22만 명 대비 교원수: 16만 명)으로 타지역과 비교했을 때, 초등학생 수와 교원 수가 유일하게 같은 자릿수를 갖는 지역이라고 할 수 있다.

2) 차트를 통해 알게 된 사실과 해석: 원래도 증가하는 추세를 유지하는 것은 알고 있었으나 큰 2018년쯤 이후로 변동 없이 추세선을 따르고 있다는 것을 알게 되었다. 또한 매년 약 100~200명씩 증가하고 있어 머지않아 우리나라 인구수의 적지 않은 비율을 차지할 것이라고 예측할 수 있다.

3) 차트를 통해 알게 된 사실과 해석: 서울과 대구 부산 지역에 다문화 가구원이 집중 포화되어 있으며 충청도와 광주 지역 쪽에도 많은 다문화 가정이 살고 있다는 것을 알 수 있다. 반면에 태백산맥쪽에 다문화 가구 비율이 낮은 것은 주변에 공장, 산업단지, 또는 도시 중심지가 부족하여 이주민 유입이 적은 것과 관련이 있는 것으로 해석된다.
즉, 다문화 가정은 일자리 접근성, 생활 기반 시설, 교육 기회 등이 집중된 대도시나 산업 지역을 중심으로 분포하는 경향이 있으며, 이는 경제적 요인과 교육 인프라의 유무가 이주 배경 가정의 정착지 결정에 중요한 영향을 미친다는 점을 시사한다.

또한, 이러한 분포는 지역별 다문화 교육 수요의 불균형으로 이어질 수 있으므로, 정책적 차원에서 지역 맞춤형 다문화 교육 자원 배치 및 지원 방안이 필요하다는 함의를 제공한다.

5. Wisdom : [창의적 제안]

경기도·서울 등 학생 수 대비 교원 수 부족으로 교육 질 저하 우려.

세종시처럼 비교적 균형 잡힌 지역과의 격차존재.

특히 다문화 학생은 대도시에 집중 분포되어 있음에도, 지역별 교육 인프라 격차로 인해 적절한 지원을 받기 어려움.

창의적 해결 방안: ‘지역 순환형 다문화 교육 지원 교사제’

교원 양성이 비교적 용이한 지방 대학과 연계하여 지역 교사 예비 인력을 다문화 밀집 지역에 순환 파견.

6개월~1년 단위로 특정 지역(예: 경기도, 서울의 다문화 밀집 초등학교)에 파견 → 현장경험 축적 및 교원 수급 불균형 완화.

파견 종료 후, 해당 예비 교사는 지역 사회로 복귀하여 다문화 교육 확산 및 교사 연수 진행.

이 제도를 대학 위탁기관(예: 순천향대 다문화교육지원센터)과 연계하여 전문 교육과정 이수 + 학점 인정방식으로 운영 가능.

6. [이번 캠프를 통해 느낀 점]

가장 어려웠던 점: 선생님께서 도와주셔서 큰 어려움은 없었고 그저 파워비 아이라는 앱이 생소하여 처음에 적응하는 데 어려움을 겪었습니다. 또한 데이터를 전환하고 그래프로 변환하는 과정이 익숙하지 않았기 때문에 쉽게 다가오지 않았습니다. 이 문제를 해결하기 위하여, 모르거나 잘 안 풀리는 일이 있으면 제가 할 수 있는데까지 최선을 다해보고 그래도 해결되지 않을 경우에는 친구에게 물어보거나 선생님께 질문하며 해결할 수 있었다.

캠프 수업이 개선되어야 할 점: 크게 없는 것같고, 기왕이면 방학에만 시행하는 것이 아닌 수요일 5교시나 평일에도 시행하여 기회를 확장시켰으면 좋을 것 같다.

개인의 성장 지점 (새롭게 알게 된 사실 등): 이번 방과후 활동을 통해, 자료를 수집하고 전환하는 방법에 대해 배우게 되었으며, 배운 내용은 친구에게 설명할 수 있는 수준까지 되어 선생님께 감사한다. 또한 데이터를 수정하고 편집하는 과정이 전문가만 할 수 있는 일이라고 여겼지만 실상을 파헤쳐보면 그렇지 않다는 것을 알게 되어, 두려움의 장벽을 깨부술 수 있게 되었다고 느낀다.

평소 국내 인구 변화에 대해 궁금한 점이 많았으며, 수도권 인구 밀집 현상이 두드러지는 현실에서 실제로 수도권의 인구가 밀집되고 지방의 인구가 줄어드는지 확인하고자 데이터 분석을 진행하였다

2.데이터 소개

1. 데이터 인구밀도(인구주택총조사기준)-시도는 통계청에서 다운로드 받았으며 2019~2023까지이며 데이터에 수록된 변수는 연도, 지역, 인구밀도다

3. 시각화 과정

   1. 꺾은선 그래프로 연도별 지역의 인구밀도 변화를 보기위해 x축에는 연도 y축에는 평균데이터, 범례로 행정구역을 넣었다.

   2. 묶은 막대와 꺾은선 그래프로 대구의 인구밀도 변화와 전국인구밀도 변화를 알기위해 x축에 연도, 열 y축에 대구평균인구밀도, 선y에 시점을 열 범례에 전국 인구밀도데이터를 넣었다.

   3. 지도를 통해 전국 2023인구밀도 지도를 만들기 위해 위치에 행정구역을 거품크기에 데이터를 넣었다.

4. 분석결과

   1. 차트를 통해 서울의 인구밀도가 제일 높음

   2. 대구의 인구밀도가 2022년 이후 빠르게 감소함 이는 경남권 인구가 유출되고 있다는 사실을 시사함

   3. 전국 인구밀도는 약간의 반등을 보이다가 다시 줄고 있는데

      이것은 인구 유출 또는 저출산 고령화가 원인임을 시사함

      
      

   4. 창의적 제안

      대구의 빠른 인구감소를 극복하기 위해 청년 일자리 창출, 대학 전입 신고 시 혜택 제공, 소아과&산부인과 확보로 저출산 개선

   5. 느낀점

      이번 데이터 분석을 통해서 그동안 접해보고 싶었던 gis 활용을 기초이지만 할 수 있어서 뿌듯했다. 자료조사를 할 때많은 양의 데이터가 나오면 어떻게 정리해야할지 부담스러웠지만 앞으로 파워bi를 통해 데이터를 정리할 것이다. 선생님 감사합니다