홈›데이터 찾기›산업통상부_산업디자인통계조사_디자인 투자금액 전망
산업통상부_산업디자인통계조사_디자인 투자금액 전망
읽기 쉬운 제목(검토 전) 산업디자인통계조사 · 디자인 투자금액 전망
산업통상부 · 엔지니어링디자인과 · 공공데이터포털 원본 ↗
준비 단계품질 진단 기준을 충족한 AI Ready 데이터입니다. 품질 판정서 보기 · 준비 단계란?
디자인산업통계 조사는 우리나라 디자인계의 유일한 통계 조사로 디자인산업 및 환경에 대한 정환한 기초조사(국내 디자인산업의 시장 규모 및 인력 규모, 투자 및 개발 현황, 디자인 활용 현황, 디자인 위상 및 기여도,…
기관이 작성한 데이터 설명 전체
디자인산업통계 조사는 우리나라 디자인계의 유일한 통계 조사로 디자인산업 및 환경에 대한 정환한 기초조사(국내 디자인산업의 시장 규모 및 인력 규모, 투자 및 개발 현황, 디자인 활용 현황, 디자인 위상 및 기여도, 디자이너 교육, 해외 비즈니스 현황, 디자인 트렌드 적용 현황 등)를 위해 디자인 산업의 현주소를 파악할 수 있는 실태 조사를 실시하여 객관적이고 신뢰성있는 데이터를 수집하고 분석하여 국가 디자인 정책, 하계 연구 및 기업 디자인 전략 수립을 위한 기초 자료를 제공 - 디자인 투자금액 전망 연도, 증가비율, 시도별/기업규모별 투자금액 전망
산업고용 - 산업기술지원디자인 투자금액디자인 투자 전망디자인 활용 전망시도별 디자인 투자기업규모별 디자인 투자
활용 적합성 요약 팩에서 계산한 값 · 판정 아님
규모
18행 × 원본 18열
CSV 2 KB · Parquet 7 KB
기간
시점 항목 없음
공간 단위
해당 없음
결측
0.0%
항목 평균
연결 기준
0종 · 0개 데이터
없음
정제 범위
0/18 항목
원본 열은 그대로 보존
데이터 내용
디자인 투자금액 전망 연도디자인 투자금액을 전망할 때 비교 기준이 되는 연도와 전망 대상 연도유형 문자형분류 코드 · 분류결측 0%정제 원본 유지
디자인 투자금액을 전망할 때 비교 기준이 되는 연도와 전망 대상 연도
예: 2022년 대비 2023년 전망 2022년 대비 2024년 전망 2023년 대비 2024년 전망
증가 비율기준 연도 대비 전망 연도 디자인 투자금액 비율의 구간유형 문자형분류 코드 · 분류결측 0%정제 원본 유지
기준 연도 대비 전망 연도 디자인 투자금액 비율의 구간
예: 100%(%) 50% 미만 50%이상-100%미만(%)
서울표를 지역 기준으로 펼친 축에서 「서울」에 해당하는 값 · 셀은 0 ~ 94.3 범위의 실수 수치유형 숫자형분류 코드 · 분류결측 0%정제 원본 유지
표를 지역 기준으로 펼친 축에서 「서울」에 해당하는 값 · 셀은 0 ~ 94.3 범위의 실수 수치
예: 3.2 1.2 0.2
인천_경기_강원표를 지역 기준으로 펼친 축에서 「인천_경기_강원」에 해당하는 값 · 셀은 0.3 ~ 94.4 범위의 실수 수치유형 숫자형분류 코드 · 분류결측 0%정제 원본 유지
표를 지역 기준으로 펼친 축에서 「인천_경기_강원」에 해당하는 값 · 셀은 0.3 ~ 94.4 범위의 실수 수치
예: 2.9 1.1 1
부산_울산_경남표를 지역 기준으로 펼친 축에서 「부산_울산_경남」에 해당하는 값 · 셀은 0 ~ 93.9 범위의 실수 수치유형 숫자형분류 코드 · 분류결측 0%정제 원본 유지
표를 지역 기준으로 펼친 축에서 「부산_울산_경남」에 해당하는 값 · 셀은 0 ~ 93.9 범위의 실수 수치
예: 3.2 93.9 2.2
대구_경북표를 지역 기준으로 펼친 축에서 「대구_경북」에 해당하는 값 · 셀은 0 ~ 90.8 범위의 실수 수치유형 숫자형분류 코드 · 분류결측 0%정제 원본 유지
표를 지역 기준으로 펼친 축에서 「대구_경북」에 해당하는 값 · 셀은 0 ~ 90.8 범위의 실수 수치
예: 0 2 3.1
광주_전라_제주표를 지역 기준으로 펼친 축에서 「광주_전라_제주」에 해당하는 값 · 셀은 0 ~ 90 범위의 실수 수치유형 숫자형분류 코드 · 분류결측 0%정제 원본 유지
표를 지역 기준으로 펼친 축에서 「광주_전라_제주」에 해당하는 값 · 셀은 0 ~ 90 범위의 실수 수치
예: 5.6 3.4 0.1
대전_세종_충청표를 지역 기준으로 펼친 축에서 「대전_세종_충청」에 해당하는 값 · 셀은 0 ~ 95 범위의 실수 수치유형 숫자형분류 코드 · 분류결측 0%정제 원본 유지
표를 지역 기준으로 펼친 축에서 「대전_세종_충청」에 해당하는 값 · 셀은 0 ~ 95 범위의 실수 수치
예: 1.9 0 3
대기업표를 분류 기준으로 펼친 축에서 「대기업」에 해당하는 값 · 셀은 0 ~ 95.1 범위의 실수 수치유형 숫자형분류 코드 · 분류결측 0%정제 원본 유지
표를 분류 기준으로 펼친 축에서 「대기업」에 해당하는 값 · 셀은 0 ~ 95.1 범위의 실수 수치
예: 2.4 0.4 0
중견기업표를 분류 기준으로 펼친 축에서 「중견기업」에 해당하는 값 · 셀은 0 ~ 95.3 범위의 실수 수치유형 숫자형분류 코드 · 분류결측 0%정제 원본 유지
표를 분류 기준으로 펼친 축에서 「중견기업」에 해당하는 값 · 셀은 0 ~ 95.3 범위의 실수 수치
예: 8 1.7 95.3
중기업표를 분류 기준으로 펼친 축에서 「중기업」에 해당하는 값 · 셀은 0.7 ~ 93.3 범위의 실수 수치유형 숫자형분류 코드 · 분류결측 0%정제 원본 유지
표를 분류 기준으로 펼친 축에서 「중기업」에 해당하는 값 · 셀은 0.7 ~ 93.3 범위의 실수 수치
예: 1.9 1 15.3
소기업표를 분류 기준으로 펼친 축에서 「소기업」에 해당하는 값 · 셀은 0.1 ~ 93 범위의 실수 수치유형 숫자형분류 코드 · 분류결측 0%정제 원본 유지
표를 분류 기준으로 펼친 축에서 「소기업」에 해당하는 값 · 셀은 0.1 ~ 93 범위의 실수 수치
예: 0.1 4.2 1.6
디자인부서 보유 업체디자인 부서를 보유한 업체 중 디자인 투자금액 증가 비율을 해당 수준으로 전망한 업체의 비율유형 숫자형분류 코드 · 분류결측 0%정제 원본 유지
디자인 부서를 보유한 업체 중 디자인 투자금액 증가 비율을 해당 수준으로 전망한 업체의 비율
예: 0.6 0.7 3.6
디자인부서 미보유 업체디자인 부서가 없는 업체 중 디자인 투자금액 증가 비율을 해당 수준으로 전망한 업체의 비율유형 숫자형분류 코드 · 분류결측 0%정제 원본 유지
디자인 부서가 없는 업체 중 디자인 투자금액 증가 비율을 해당 수준으로 전망한 업체의 비율
예: 2 1.3 0.3
외주용역 있는 업체디자인 외주용역을 이용하는 업체 중 해당 구간의 투자금액 증가를 전망한 업체의 비율유형 숫자형분류 코드 · 분류결측 0%정제 원본 유지
디자인 외주용역을 이용하는 업체 중 해당 구간의 투자금액 증가를 전망한 업체의 비율
예: 1.5 0.2 12.9
외주용역 없는 업체외주용역이 없는 업체 중 디자인 투자금액 증가 비율을 해당 수준으로 전망한 업체의 비율유형 숫자형분류 코드 · 분류결측 0%정제 원본 유지
외주용역이 없는 업체 중 디자인 투자금액 증가 비율을 해당 수준으로 전망한 업체의 비율
예: 2.1 1.9 0.5
디자이너 고용 업체디자이너를 고용한 업체 중 디자인 투자금액 증가 비율을 해당 수준으로 전망한 업체의 비율유형 숫자형분류 코드 · 분류결측 0%정제 원본 유지
디자이너를 고용한 업체 중 디자인 투자금액 증가 비율을 해당 수준으로 전망한 업체의 비율
예: 2.8 1.9 0.6
디자이너 비고용 업체디자이너를 고용하지 않은 업체 중 디자인 투자금액 증가 비율을 해당 수준으로 전망한 업체의 비율유형 숫자형분류 코드 · 분류결측 0%정제 원본 유지
디자이너를 고용하지 않은 업체 중 디자인 투자금액 증가 비율을 해당 수준으로 전망한 업체의 비율
예: 1.4 0 4.2
찾는 항목이 없습니다.
상위 5행 · 18열 중 10열 · 나머지는 데이터 팩에 · 첫 열 고정 · 「정제_」 항목이 정리한 값 · 확인 필요 규칙으로 확정하지 못해 원래 값을 그대로 유지한 값(파일에서는 값 앞에 [E]) · 행 식별값은 맨 끝
| 디자인 투자금액 전망 연도 | 증가 비율 | 서울 | 인천_경기_강원 | 부산_울산_경남 | 대구_경북 | 광주_전라_제주 | 대전_세종_충청 | 대기업 | 중견기업 | 행 식별값 |
|---|---|---|---|---|---|---|---|---|---|---|
| 2022년 대비 2023년 전망 | 50% 미만 | 0.2 | 1 | 0 | 0 | 0.1 | 0 | 0.4 | 0.5 | 0_48baf0dc |
| 2022년 대비 2023년 전망 | 50%이상-100%미만(%) | 7.5 | 2.1 | 10.7 | 13.3 | 5.6 | 8.5 | 0 | 8 | 1_04147664 |
| 2022년 대비 2023년 전망 | 100%(%) | 86 | 94.4 | 85.7 | 85.8 | 85.4 | 85.6 | 94.3 | 81.4 | 2_c52bc53c |
| 2022년 대비 2023년 전망 | 100%초과-150%미만(%) | 3.2 | 1.9 | 2.3 | 0.9 | 8 | 5 | 4.5 | 4.3 | 3_7f0a69e5 |
| 2022년 대비 2023년 전망 | 150%이상(%) | 3.1 | 0.7 | 1.3 | 0 | 1 | 0.8 | 0.8 | 5.7 | 4_087e5284 |
프로그램 · AI에서 활용 개발자용 코드 예시
필요한 패키지: pandas · pyarrow
import pandas as pd
df = pd.read_parquet("https://aird.idx.or.kr/packages/15068969/data/dataset-15068969.parquet")
에이전트 설정에 붙여 넣어 주세요. 사용하는 도구: get_dataset · find_joinable(데이터 ID 15068969)
{ "mcpServers": { "aird": { "url": "https://aird.idx.or.kr/mcp" } } }