OECD R-Pakettransportdaten in R

„OECD“ ist ein Paket in R, das eine Schnittstelle zum Ausführen einer Abfrage direkt aus R-Code bereitstellt. In diesem Beitrag verwende ich das „OECD“-Paket, um europäische Transportdaten zu analysieren.

Ich lese zunächst das OECD-Paket in R ein. Es enthält eine Funktion „search_dataset“ und ich möchte lesen, was es kann:

library(OECD)
?search_dataset

„search_dataset“ ermöglicht es uns, Datensätze basierend auf einer Suchzeichenfolge zu durchsuchen, die der Funktion als erster Parameter bereitgestellt wird. „search_dataset“ gibt einen Datenrahmen als Rückgabeausgabe zurück. Lassen Sie uns die Funktion verwenden, um einen Datensatz zu finden, der interessante Transportdaten enthält.

head(search_dataset("transport"))

##                          id
## 80             AIRTRANS_CO2
## 385                    ETCR
## 452                     MTC
## 482            CIF_FOB_ITIC
## 900 ITF_PASSENGER_TRANSPORT
## 934     ITF_GOODS_TRANSPORT
##                                                                       title
## 80                                              Air Transport CO2 Emissions
## 385                 Regulation in energy, transport and communications 2013
## 452                                                Maritime Transport Costs
## 482 International Transport and Insurance Costs of Merchandise Trade (ITIC)
## 900                                                     Passenger transport
## 934                                                       Freight transport

Für den Artikel im vorliegenden Beitrag möchte ich den Datensatz „ITF_GOODS_TRANSPORT“ (Güterverkehr) verwenden. Ich frage es mit der Funktion „get_data_structure“ ab:

data_struct <- get_data_structure("ITF_GOODS_TRANSPORT")
typeof(data_struct) # what type os the data structure returned in by the function?

## [1] "list"

Lassen Sie uns den Inhalt der Liste sehen:

str(data_struct)

## List of 9
##  $ VAR_DESC       :'data.frame': 9 obs. of  2 variables:
##   ..$ id         : chr [1:9] "COUNTRY" "VARIABLE" "YEAR" "OBS_VALUE" ...
##   ..$ description: chr [1:9] "Country" "Variable" "Year" "Observation Value" ...
##  $ COUNTRY        :'data.frame': 58 obs. of  2 variables:
##   ..$ id   : chr [1:58] "ALB" "ARG" "ARM" "AUS" ...
##   ..$ label: chr [1:58] "Albania" "Argentina" "Armenia" "Australia" ...
##  $ VARIABLE       :'data.frame': 14 obs. of  2 variables:
##   ..$ id   : chr [1:14] "T-GOODS-TOT-INLD" "T-GOODS-RL-TOT" "T-GOODS-RD-TOT" "T-GOODS-RD-REW" ...
##   ..$ label: chr [1:14] "Total inland freight transport" "Rail freight transport" "Road freight transport" "Road freight transport for hire and reward" ...
##  $ YEAR           :'data.frame': 49 obs. of  2 variables:
##   ..$ id   : chr [1:49] "1970" "1971" "1972" "1973" ...
##   ..$ label: chr [1:49] "1970" "1971" "1972" "1973" ...
##  $ OBS_STATUS     :'data.frame': 16 obs. of  2 variables:
##   ..$ id   : chr [1:16] "c" "B" "C" "D" ...
##   ..$ label: chr [1:16] "Internal estimate" "Break" "Non-publishable and confidential value" "Difference in methodology" ...
##  $ UNIT           :'data.frame': 316 obs. of  2 variables:
##   ..$ id   : chr [1:316] "1" "GRWH" "AVGRW" "IDX" ...
##   ..$ label: chr [1:316] "RATIOS" "Growth rate" "Average growth rate" "Index" ...
##  $ POWERCODE      :'data.frame': 32 obs. of  2 variables:
##   ..$ id   : chr [1:32] "0" "1" "2" "3" ...
##   ..$ label: chr [1:32] "Units" "Tens" "Hundreds" "Thousands" ...
##  $ REFERENCEPERIOD:'data.frame': 92 obs. of  2 variables:
##   ..$ id   : chr [1:92] "2013_100" "2012_100" "2011_100" "2010_100" ...
##   ..$ label: chr [1:92] "2013=100" "2012=100" "2011=100" "2010=100" ...
##  $ TIME_FORMAT    :'data.frame': 5 obs. of  2 variables:
##   ..$ id   : chr [1:5] "P1Y" "P1M" "P3M" "P6M" ...
##   ..$ label: chr [1:5] "Annual" "Monthly" "Quarterly" "Half-yearly" ...

Die von der OECD bereitgestellten Daten haben viele Dimensionen. Aus diesem Grund habe ich get_data_structure verwendet, um die Dimensionen und die Struktur der im Datensatz „ITS_GOODS_TRANSPORT“ bereitgestellten Daten zu verstehen.

Lassen Sie uns mit der Abfrage des eigentlichen Datensatzes fortfahren und relevante Filter anwenden. Dazu verwende ich die vom „OECD“-R-Paket bereitgestellte „get_dataset“-Funktion:

data_df <- as.data.frame(get_dataset(dataset = "ITF_GOODS_TRANSPORT")) 
head(data_df)

##   COUNTRY       VARIABLE TIME_FORMAT  UNIT POWERCODE obsTime obsValue
## 1     MKD T-CONT-SEA-TON         P1Y TONNE         3    1970       NA
## 2     MKD T-CONT-SEA-TON         P1Y TONNE         3    1971       NA
## 3     MKD T-CONT-SEA-TON         P1Y TONNE         3    1972       NA
## 4     MKD T-CONT-SEA-TON         P1Y TONNE         3    1973       NA
## 5     MKD T-CONT-SEA-TON         P1Y TONNE         3    1974       NA
## 6     MKD T-CONT-SEA-TON         P1Y TONNE         3    1975       NA
##   OBS_STATUS
## 1          M
## 2          M
## 3          M
## 4          M
## 5          M
## 6          M

Lassen Sie uns einige relevante Teilmengen von Daten herausfiltern:

backup_df <- data_df 
library(dplyr)

colnames(data_df) <- c("country","variable","timeformat","unit","powercode","obsTime","obsValue","obsStatus")

data_df <- dplyr::filter(data_df,country=="DEU") 
data_df <- dplyr::filter(data_df,timeformat=="P1Y") 
data_df <- dplyr::filter(data_df,unit=="TONNEKM")

data_df <- data_df[is.na(data_df$obsStatus),]

unique(data_df$variable)

## [1] "T-GOODS-RL-TOT"   "T-GOODS-RD-REW"   "T-GOODS-TOT-INLD" "T-GOODS-PP-TOT"  
## [5] "T-GOODS-IW-TOT"   "T-GOODS-RD-TOT"   "T-SEA-CAB"        "T-GOODS-RD-OWN"

Wir haben stark unterteilt, aber der verbleibende Datenrahmen enthält immer noch andere Variablen. Wenn wir diese im Detail verstehen wollen, müssen wir zurück zum Strukturobjekt, also dem „data_struct“-Objekt:

data_struct$VARIABLE

##                  id                                      label
## 1  T-GOODS-TOT-INLD             Total inland freight transport
## 2    T-GOODS-RL-TOT                     Rail freight transport
## 3    T-GOODS-RD-TOT                     Road freight transport
## 4    T-GOODS-RD-REW Road freight transport for hire and reward
## 5    T-GOODS-RD-OWN      Road freight transport on own account
## 6    T-GOODS-IW-TOT         Inland waterways freight transport
## 7    T-GOODS-PP-TOT                        Pipelines transport
## 8         T-SEA-CAB      Coastal shipping (national transport)
## 9             T-SEA                         Maritime transport
## 10    T-CONT-RL-TEU            Rail containers transport (TEU)
## 11           T-CONT                       Containers transport
## 12    T-CONT-RL-TON         Rail containers transport (weight)
## 13   T-CONT-SEA-TEU        Maritime containers transport (TEU)
## 14   T-CONT-SEA-TON     Maritime containers transport (weight)

Das heißt, wir haben nicht nur Zahlen für den Güterverkehr in Summe, sondern Zahlen nach relevanten Unterkategorien. Wir werden dies für weitere Analysen in anderen Beiträgen verwenden. In diesem Beitrag wollen wir die Analyse des gesamten Binnengüterverkehrs fortsetzen.

Die folgende Grafik visualisiert die Zeitreihe der gesamten Tonnenkilometer [TONNEKM] des Binnengüterverkehrs in Millionen (Powercode 6) für Deutschland:

library(ggplot2)
ggplot(filter(data_df,variable=="T-GOODS-TOT-INLD")) + 
  geom_col(mapping = aes(x=as.numeric(obsTime),y=obsValue),fill="black") +
  ggtitle("Total inland freight transport development in Germany [OECD data]") +
  xlab("year") +
  ylab("in millions of TONNEKM")

Neben dem OECD-R-Paket sollten Sie sich auch das fredr – Paket in R ansehen. Fredr ist ein weiteres R-Paket für den Zugriff auf öffentliche Wirtschaftsdaten, das Zugriff auf die FRED-Datenbank bietet.