명목, 실질 GDP 시각화 및 분석

- 분석 목적:

2016년 2분기부터 2021년 1분기 까지 실질 및 명목 GDP의 트렌드, 순환성을 분석하고 앞으로 어떻게 될 지를 예상해 본다.

- GDP(Gross Domestic Product)란

한 나라에서 가계, 정부, 기업 등의 경제주체가 일정기간 동안에 생산한 재화 및 서비스의 부가가치를 의미한다. 명목은 물가가 반영되지 않은 것이고 실질은 물가가 반영된 값이라고 볼 수 있다. 또한 계절성이 존재하는 자료이기 때문에 원자료와 계절조정으로 나눌 수 있다. 본 분석에서는 계절조정된 자료만을 사용하였다.

import pandas as pd
import numpy as np
import plotly.graph_objects as go
import plotly

nomial_gdp= pd.read_csv("./GDP_계절조정_명목.csv",encoding="euckr")
real_gdp = pd.read_csv("./GDP_계절조정_실질.csv",encoding="euckr")
real_columns= real_gdp.transpose()[:1].values
nomial_columns = nomial_gdp.transpose()[:1].values
real_gdp2 = real_gdp.transpose()[1:]
nomial_gdp2 = nomial_gdp.transpose()[1:]
real_gdp2.columns = real_columns[0]
nomial_gdp2.columns = nomial_columns[0]
for c in real_columns[0]:
    real_gdp2[c] = [np.float32(x.replace(",","")) for x in real_gdp2[c]]
    nomial_gdp2[c] = [np.float32(x.replace(",","")) for x in nomial_gdp2[c]]
nomial_gdp2= nomial_gdp2.reset_index()
nomial_gdp2.columns =['날짜', '농림어업', '광업', '제조업', '전기, 가스 및 수도사업', '건설업', '서비스업',
       '국내총생산(시장가격, GDP)']
nomial_gdp2.날짜= [str(x).replace(" ","Q") for x in nomial_gdp2.날짜]
real_gdp2 = real_gdp2.reset_index()
real_gdp2.columns =['날짜', '농림어업', '광업', '제조업', '전기, 가스 및 수도사업', '건설업', '서비스업',
       '국내총생산(시장가격, GDP)']
real_gdp2.날짜 = [str(x).replace(" ","Q") for x in real_gdp2.날짜]

real_gdp2

	날짜	농림어업	광업	제조업	전기, 가스 및 수도사업	건설업	서비스업	국내총생산(시장가격, GDP)
0	2016Q2	7767.299805	555.900024	113274.898438	10121.099609	21945.300781	236862.296875	426230.00000
1	2016Q3	7807.600098	626.400024	112531.500000	10366.500000	22810.199219	238198.796875	428335.68750
2	2016Q4	7792.399902	560.200012	114227.296875	10375.400391	23067.699219	238793.500000	430914.81250
3	2017Q1	7716.700195	586.299988	116367.796875	10776.599609	23662.900391	239817.500000	435062.09375
4	2017Q2	8065.000000	575.400024	116086.101562	10906.099609	23509.699219	242170.796875	437982.59375
5	2017Q3	8138.100098	557.799988	118955.601562	11138.700195	23792.500000	244907.593750	444474.00000
6	2017Q4	8140.000000	485.000000	116660.796875	10992.500000	23403.300781	246210.406250	443292.81250
7	2018Q1	8175.399902	530.799988	118244.296875	10490.700195	23793.699219	249871.703125	448384.09375
8	2018Q2	8079.399902	511.200012	119948.203125	10650.299805	23197.000000	251464.593750	451225.09375
9	2018Q3	7839.299805	496.200012	122121.101562	10851.700195	22437.000000	253438.796875	454330.81250
10	2018Q4	8015.100098	503.299988	123216.601562	11089.799805	22313.199219	255647.593750	458065.40625
11	2019Q1	8583.599609	472.899994	120108.000000	11287.500000	22099.400391	257260.296875	457150.68750
12	2019Q2	8273.299805	472.100006	120933.398438	11894.299805	22680.300781	260198.406250	461932.59375
13	2019Q3	8312.900391	468.600006	122912.898438	10597.599609	21990.300781	261925.093750	463803.59375
14	2019Q4	8203.099609	502.100006	124980.398438	11148.200195	22595.500000	265169.812500	469779.50000
15	2020Q1	8481.200195	481.500000	124808.203125	11879.200195	22646.500000	258460.500000	463853.18750
16	2020Q2	7748.600098	458.600006	113051.601562	11696.099609	22386.699219	256393.593750	449238.40625
17	2020Q3	7747.200195	460.700012	121512.703125	11392.900391	21379.400391	258974.796875	459271.81250
18	2020Q4	8077.299805	510.700012	125276.296875	11842.700195	21675.800781	260445.703125	464517.68750
19	2021Q1	8680.099609	461.500000	130075.500000	12541.799805	21866.599609	262248.000000	472602.18750

- 수치로만 봤을 때 다음과 같이 구분할 수 있겠다.

하락세: 광업, 건설업 등

상승세: 농림어업, 제조업, 전기가스 수도사업, 서비스업

GDP는 지속적으로 증가하는 것이 특징이 있다는 것을 수치로 확인할 수 있다.

시각화로 조금 더 확실하게 분석해보면 다음과 같다.

fig= go.Figure(layout=dict(title=dict(text="명목 GDP 및 구성요소들 MINMAX SCALE")))
fig.add_trace(go.Line(x=nomial_gdp2.날짜,y=((nomial_gdp2['농림어업']-np.min(nomial_gdp2['농림어업']))/(np.max(nomial_gdp2['농림어업'])-np.min(nomial_gdp2['농림어업']))),name="농림어업"))
fig.add_trace(go.Line(x=nomial_gdp2.날짜,y=((nomial_gdp2['광업']-np.min(nomial_gdp2['광업']))/(np.max(nomial_gdp2['광업'])-np.min(nomial_gdp2['광업']))),name="광업"))
fig.add_trace(go.Line(x=nomial_gdp2.날짜,y=((nomial_gdp2['제조업']-np.min(nomial_gdp2['제조업']))/(np.max(nomial_gdp2['제조업'])-np.min(nomial_gdp2['제조업']))),name="제조업"))
fig.add_trace(go.Line(x=nomial_gdp2.날짜,y=((nomial_gdp2['전기, 가스 및 수도사업']-np.min(nomial_gdp2['전기, 가스 및 수도사업']))/(np.max(nomial_gdp2['전기, 가스 및 수도사업'])-np.min(nomial_gdp2['전기, 가스 및 수도사업']))),name="수도사업"))
fig.add_trace(go.Line(x=nomial_gdp2.날짜,y=((nomial_gdp2['건설업']-np.min(nomial_gdp2['건설업']))/(np.max(nomial_gdp2['건설업'])-np.min(nomial_gdp2['건설업']))),name="건설업"))
fig.add_trace(go.Line(x=nomial_gdp2.날짜,y=((nomial_gdp2['국내총생산(시장가격, GDP)']-np.min(nomial_gdp2['국내총생산(시장가격, GDP)']))/(np.max(nomial_gdp2['국내총생산(시장가격, GDP)'])-np.min(nomial_gdp2['국내총생산(시장가격, GDP)']))),name='GDP'))

fig= go.Figure(layout=dict(title=dict(text="실질 GDP 및 구성요소들 MINMAX SCALE")))
fig.add_trace(go.Line(x=real_gdp2.날짜,y=((real_gdp2['농림어업']-np.min(real_gdp2['농림어업']))/(np.max(real_gdp2['농림어업'])-np.min(real_gdp2['농림어업']))),name="농림어업"))
fig.add_trace(go.Line(x=real_gdp2.날짜,y=((real_gdp2['광업']-np.min(real_gdp2['광업']))/(np.max(real_gdp2['광업'])-np.min(real_gdp2['광업']))),name="광업"))
fig.add_trace(go.Line(x=real_gdp2.날짜,y=((real_gdp2['제조업']-np.min(real_gdp2['제조업']))/(np.max(real_gdp2['제조업'])-np.min(real_gdp2['제조업']))),name="제조업"))
fig.add_trace(go.Line(x=real_gdp2.날짜,y=((real_gdp2['전기, 가스 및 수도사업']-np.min(real_gdp2['전기, 가스 및 수도사업']))/(np.max(real_gdp2['전기, 가스 및 수도사업'])-np.min(real_gdp2['전기, 가스 및 수도사업']))),name="수도사업"))
fig.add_trace(go.Line(x=real_gdp2.날짜,y=((real_gdp2['건설업']-np.min(real_gdp2['건설업']))/(np.max(real_gdp2['건설업'])-np.min(real_gdp2['건설업']))),name="건설업"))
fig.add_trace(go.Line(x=real_gdp2.날짜,y=((real_gdp2['국내총생산(시장가격, GDP)']-np.min(real_gdp2['국내총생산(시장가격, GDP)']))/(np.max(real_gdp2['국내총생산(시장가격, GDP)'])-np.min(real_gdp2['국내총생산(시장가격, GDP)']))),name='GDP'))

건설업은 물가변동의 영향을 크게받아 명목GDP는 상승했지만 실질GDP에서의 하락이 있었음을 알 수 있었다.

다음은 실질 GDP만을 이용하여 분석을 진행. 과연 앞으로의 GDP 는 어떻게 될까?

fig= go.Figure(layout=dict(title=dict(text="실질 GDP")))
fig.add_trace(go.Line(x=real_gdp2.날짜,y=real_gdp2['국내총생산(시장가격, GDP)']))

다음과 같이 GDP는 오를 수 밖에 없다는 것을 알 수 있다. 보면 2020년 2분기에 큰 하락이 있었는데 코로나의 여파가 컸음을 알 수 있다.

GDP는 Trend성이 있기 때문에 순환성을 파악하기 위해서는 Trend를 제거해야 한다. 다양한 방법이 있지만 이 포스트에서는 전기대비, 전년동기대비를 한번 둘러볼 예정이다.

real_gdp2['전기GDP'] = real_gdp2['국내총생산(시장가격, GDP)'].shift(1)
real_gdp2['전년동기GDP'] = real_gdp2['국내총생산(시장가격, GDP)'].shift(4)

real_gdp2['전기대비 GDP 증가율'] =(real_gdp2['국내총생산(시장가격, GDP)'] - real_gdp2['전기GDP'])/real_gdp2['전기GDP']

real_gdp2['전년동기대비 GDP 증가율'] = (real_gdp2['국내총생산(시장가격, GDP)'] - real_gdp2['전년동기GDP'])/real_gdp2['전년동기GDP']

fig= go.Figure(layout=dict(title=dict(text="실질 GDP 증가율")))
fig.add_trace(go.Line(x=real_gdp2.날짜,y=real_gdp2['전기대비 GDP 증가율'],name = '전기대비 GDP 증가율'))
fig.add_trace(go.Line(x=real_gdp2.날짜,y=real_gdp2['전년동기대비 GDP 증가율'],name = '전년동기대비 GDP 증가율'))

확실히 코로나의 여파로 GDP는 2분기에 많은 타격을 받았다. 반동이 큰 만큼 급격한 상승을 보여주고 있어 경기가 과열되는 것이 아닌지 걱정이 되는 그래프이기도 하다. 경계할 필요가 있긴 하겠다.