우리나라 국민들은 과거부터 주택을 ‘거주’의 공간보다는 ‘소유’하는 자산으로 인식하는 경향이 많았다. 자산을 증식하려는 수요자의 욕구와 이윤을 추구하고자 하는 공급자의 이해가 맞물려 주택가격이 지속적으로 상승하였고, 이에 정부는 주택가격 안정화를 목적으로 1972년 분양가 상한제를 도입하였다. 정부는 분양가 상한제를 도입함으로써 부동산 시장의 안정과 서민 주거안정을 달성 할 수 있을 것이라 기대했다. 하지만 분양가 상한제의 효과에 대해서는 지속적인 논란이 있다. 일부 전문가들은 분양가 상한제가 기존 주택가격에 영향을 주지 않는다고 주장하였고, 오히려 분양가 상한제를 시행하면 주택공급을 위축시켜 장기적으로 주택가격 상승된다고 주장하기도 하였다. 본 연구에서는 분양가 상한제 시행으로 분양가격이 기존 주택가격에 영향을 준다는 견해와, 기존 주택가격이 분양가에 영향을 줄 뿐이고 분양가격은 기존 주택가격에 영향을 주지 않는다는 논란과 관련해 분양가 상한제가 주택시장에 가져올 변화를 예측하고자 한다. 또한 분양가 상한제를 고려했을 때의 주택시장 예측과 고려하지 않았을 때의 주택시장 예측의 정확도를 비교하여 분양가 상한제를 예측변수로 사용했을 때 주택가격 예측에 미치는 영향에 대해 분석하고자 한다. 기존 연구에서 부동산 정책이 주택가격에 미치는 영향에 대한 연구가 다양하게 진행되어 왔다. 하지만 대부분 주택정책과 주택가격 간의 상관관계와 영향요인에 집중하였고 주택정책 적용에 따른 주택가격 예측은 중요한 관심사로 남아있다. 주택가격을 예측하는 몇 가지의 논문에서는 주로 ...
우리나라 국민들은 과거부터 주택을 ‘거주’의 공간보다는 ‘소유’하는 자산으로 인식하는 경향이 많았다. 자산을 증식하려는 수요자의 욕구와 이윤을 추구하고자 하는 공급자의 이해가 맞물려 주택가격이 지속적으로 상승하였고, 이에 정부는 주택가격 안정화를 목적으로 1972년 분양가 상한제를 도입하였다. 정부는 분양가 상한제를 도입함으로써 부동산 시장의 안정과 서민 주거안정을 달성 할 수 있을 것이라 기대했다. 하지만 분양가 상한제의 효과에 대해서는 지속적인 논란이 있다. 일부 전문가들은 분양가 상한제가 기존 주택가격에 영향을 주지 않는다고 주장하였고, 오히려 분양가 상한제를 시행하면 주택공급을 위축시켜 장기적으로 주택가격 상승된다고 주장하기도 하였다. 본 연구에서는 분양가 상한제 시행으로 분양가격이 기존 주택가격에 영향을 준다는 견해와, 기존 주택가격이 분양가에 영향을 줄 뿐이고 분양가격은 기존 주택가격에 영향을 주지 않는다는 논란과 관련해 분양가 상한제가 주택시장에 가져올 변화를 예측하고자 한다. 또한 분양가 상한제를 고려했을 때의 주택시장 예측과 고려하지 않았을 때의 주택시장 예측의 정확도를 비교하여 분양가 상한제를 예측변수로 사용했을 때 주택가격 예측에 미치는 영향에 대해 분석하고자 한다. 기존 연구에서 부동산 정책이 주택가격에 미치는 영향에 대한 연구가 다양하게 진행되어 왔다. 하지만 대부분 주택정책과 주택가격 간의 상관관계와 영향요인에 집중하였고 주택정책 적용에 따른 주택가격 예측은 중요한 관심사로 남아있다. 주택가격을 예측하는 몇 가지의 논문에서는 주로 회귀분석, 벡터자기회귀모형(Vector Auto Regression model, VAR), 자기회귀이동평균모형(Auto Regressive Integrated Moving Average, ARIMA)을 예측방법으로 사용하였다. 하지만 이 예측모형들은 변수의 선택 및 조합이 한정적이라는 통계적 한계점이 존재한다. 본 연구에서는 이와 같은 한계를 극복하기 위해 인공신경망(Artificial Neural Network) 구조로 이루어져 있는 기계학습(Machine Learning)을 주택가격 예측모델로 활용하였다. 기계학습은 데이터로부터 자동으로 학습하는 성질을 가지고 있어 입력변수가 불완전하거나 변동 폭이 넓은 경우에도 해석이 가능하고, 데이터 수가 적거나 불규칙한 경우에도 사례 반복학습을 통해 오차를 줄여나갈 수 있어 회귀모형보다 신뢰도가 높은 예측이 가능하다. 연구에는 머신러닝 방법 중 미래예측에 많이 사용되고 있는 랜덤 포레스트(Random Forest, RF)와 XGBoost(eXtreme Gradient Boosting)을 사용한다. 공공택지에만 한정적으로 적용하던 분양가 상한제는 2015년 이후 민간택지까지 확장 적용 되었지만 민간택지는 적용 기간이 짧아 그동안 분양가 상한제 적용을 받은 사례가 적기 때문에 부동산 가격 예측을 위한 데이터에서는 배제하였다. 연구에서 사용한 데이터는 경기도 성남시 분당구의 2012년 1월부터 2019년 12월까지 부동산 실거래가 이다. 연구절차는 크게 문헌고찰과 주택가격 예측 2가지로 나눠 볼 수 있다. 문헌조사를 통해 주택가격에 영향을 미치는 요인들을 변수로 선정하였으며 선정된 변수는 계약년월, 매매가격, 전용면적, 거래건수, 매매건수, 지가지수, 매매지수, 주별 코스피 평균지수, 분기별 경제성장률이다. 이후 랜덤 포레스트와 XGBoost 모델로 주택가격을 예측하였다. 이때 분양가 상한제 적용여부에 따른 예측결과를 비교하기 위해 분양가 상한제를 변수에서 제외한 경우와 변수에 포함한 경우를 둘 다 분석하였다. 분석 결과 랜덤 포레스트와 XGBoost 두 경우 모두 분양가 상한제를 변수로 적용 했을 때와 적용하지 않았을 때 RMSE(Root Mean Square Error), 오차율 평균, 오차율 표준편차의 차이가 미미했다. 이는 주택시장이 분양가상한제보다는 다른 영향요인 즉, 층수, 면적, 세대수, 거래건수, 매매지수, 분기별 경제성장률 등의 영향을 받는다는 것을 의미한다. 기존의 논란 중 분양가격을 적용하면 주택가격을 안정화 할 수 있다는 주장과 주택공급을 위축시켜 주택가격을 상승시킨다는 상반된 주장과는 다르게 본 연구에서는 분양가 상한제 적용여부가 머신러닝에 의한 주택시장예측에 미치는 영향력이 적다고 예측한다.
우리나라 국민들은 과거부터 주택을 ‘거주’의 공간보다는 ‘소유’하는 자산으로 인식하는 경향이 많았다. 자산을 증식하려는 수요자의 욕구와 이윤을 추구하고자 하는 공급자의 이해가 맞물려 주택가격이 지속적으로 상승하였고, 이에 정부는 주택가격 안정화를 목적으로 1972년 분양가 상한제를 도입하였다. 정부는 분양가 상한제를 도입함으로써 부동산 시장의 안정과 서민 주거안정을 달성 할 수 있을 것이라 기대했다. 하지만 분양가 상한제의 효과에 대해서는 지속적인 논란이 있다. 일부 전문가들은 분양가 상한제가 기존 주택가격에 영향을 주지 않는다고 주장하였고, 오히려 분양가 상한제를 시행하면 주택공급을 위축시켜 장기적으로 주택가격 상승된다고 주장하기도 하였다. 본 연구에서는 분양가 상한제 시행으로 분양가격이 기존 주택가격에 영향을 준다는 견해와, 기존 주택가격이 분양가에 영향을 줄 뿐이고 분양가격은 기존 주택가격에 영향을 주지 않는다는 논란과 관련해 분양가 상한제가 주택시장에 가져올 변화를 예측하고자 한다. 또한 분양가 상한제를 고려했을 때의 주택시장 예측과 고려하지 않았을 때의 주택시장 예측의 정확도를 비교하여 분양가 상한제를 예측변수로 사용했을 때 주택가격 예측에 미치는 영향에 대해 분석하고자 한다. 기존 연구에서 부동산 정책이 주택가격에 미치는 영향에 대한 연구가 다양하게 진행되어 왔다. 하지만 대부분 주택정책과 주택가격 간의 상관관계와 영향요인에 집중하였고 주택정책 적용에 따른 주택가격 예측은 중요한 관심사로 남아있다. 주택가격을 예측하는 몇 가지의 논문에서는 주로 회귀분석, 벡터자기회귀모형(Vector Auto Regression model, VAR), 자기회귀이동평균모형(Auto Regressive Integrated Moving Average, ARIMA)을 예측방법으로 사용하였다. 하지만 이 예측모형들은 변수의 선택 및 조합이 한정적이라는 통계적 한계점이 존재한다. 본 연구에서는 이와 같은 한계를 극복하기 위해 인공신경망(Artificial Neural Network) 구조로 이루어져 있는 기계학습(Machine Learning)을 주택가격 예측모델로 활용하였다. 기계학습은 데이터로부터 자동으로 학습하는 성질을 가지고 있어 입력변수가 불완전하거나 변동 폭이 넓은 경우에도 해석이 가능하고, 데이터 수가 적거나 불규칙한 경우에도 사례 반복학습을 통해 오차를 줄여나갈 수 있어 회귀모형보다 신뢰도가 높은 예측이 가능하다. 연구에는 머신러닝 방법 중 미래예측에 많이 사용되고 있는 랜덤 포레스트(Random Forest, RF)와 XGBoost(eXtreme Gradient Boosting)을 사용한다. 공공택지에만 한정적으로 적용하던 분양가 상한제는 2015년 이후 민간택지까지 확장 적용 되었지만 민간택지는 적용 기간이 짧아 그동안 분양가 상한제 적용을 받은 사례가 적기 때문에 부동산 가격 예측을 위한 데이터에서는 배제하였다. 연구에서 사용한 데이터는 경기도 성남시 분당구의 2012년 1월부터 2019년 12월까지 부동산 실거래가 이다. 연구절차는 크게 문헌고찰과 주택가격 예측 2가지로 나눠 볼 수 있다. 문헌조사를 통해 주택가격에 영향을 미치는 요인들을 변수로 선정하였으며 선정된 변수는 계약년월, 매매가격, 전용면적, 거래건수, 매매건수, 지가지수, 매매지수, 주별 코스피 평균지수, 분기별 경제성장률이다. 이후 랜덤 포레스트와 XGBoost 모델로 주택가격을 예측하였다. 이때 분양가 상한제 적용여부에 따른 예측결과를 비교하기 위해 분양가 상한제를 변수에서 제외한 경우와 변수에 포함한 경우를 둘 다 분석하였다. 분석 결과 랜덤 포레스트와 XGBoost 두 경우 모두 분양가 상한제를 변수로 적용 했을 때와 적용하지 않았을 때 RMSE(Root Mean Square Error), 오차율 평균, 오차율 표준편차의 차이가 미미했다. 이는 주택시장이 분양가상한제보다는 다른 영향요인 즉, 층수, 면적, 세대수, 거래건수, 매매지수, 분기별 경제성장률 등의 영향을 받는다는 것을 의미한다. 기존의 논란 중 분양가격을 적용하면 주택가격을 안정화 할 수 있다는 주장과 주택공급을 위축시켜 주택가격을 상승시킨다는 상반된 주장과는 다르게 본 연구에서는 분양가 상한제 적용여부가 머신러닝에 의한 주택시장예측에 미치는 영향력이 적다고 예측한다.
Koreans tend to perceive housing as ‘own’ assets rather than ‘residential’ space from the past. In 1972, the government introduced a cap on the sale price for the purpose of stabilizing housing prices, as housing prices continued to rise in tandem with the desire of consumers to increase assets and ...
Koreans tend to perceive housing as ‘own’ assets rather than ‘residential’ space from the past. In 1972, the government introduced a cap on the sale price for the purpose of stabilizing housing prices, as housing prices continued to rise in tandem with the desire of consumers to increase assets and the interests of suppliers to pursue profits. The government expects that the introduction of the ceiling on the price of new apartments will help stabilize the real estate market and increase housing supply for the working class. However, there is constant controversy over the effect of the cap on the sale price. In this study, we intend to predict the changes that the pre-sale price ceiling will bring to the housing market in relation to the controversy over the effect of it on existing house prices. It is also intended to compare the accuracy of the housing market trend forecast whether the housing price cap is introduced or not while housing price cap is used as a predictor. Several previous research predicting housing prices mainly used regression analysis, Vector Auto Region Model(VAR), and Auto Regulatory Integrated Moving Average(ARIMA) as forecasting methods. However, there is a statistical threshold at which the choice and combination of variables are limited. In this study, mechanical learning consisting of artificial neural network structures was used as a model for predicting housing prices to overcome such limitations. Machine learning has the nature of automatically learning from data, so it can be interpreted even if the input variables are incomplete or wide, and even if the number of data is small or irregular, it can reduce errors through repeated case studies, allowing more reliable predictions than the regression model. In the study, Random Forest and XGBoost(eXtreme Gradient Boost), which are commonly used for predicting the future of machine learning methods, are used. The data used in the study were real estate transaction prices from January 2012 to December 2019 in Bundang-gu, Seongnam-si, Gyeonggi-do. The research process can be divided into two main categories: literature review and housing price prediction. According to the literature survey, factors affecting housing prices were selected as variables, and the variables selected were contract year month, sale price, exclusive area, transaction number, transaction number, land price index, sales index, KOSPI average index by state, and quarterly economic growth rate. Later, the Random Forest and XGBoost models predicted housing prices. In order to compare the forecast results based on the application of the upper limit on the sale price, both cases were analyzed when the upper limit on the sale price was excluded from the variable and included in the variable. According to the analysis, the difference between RMSE(Root Mean Error), error rate mean, and error rate standard deviation between the two cases, Random Forest and XGBoost, was minimal when the upper limit on the sale price was applied as a variable and not applied. This means that the housing market is affected by other factors, such as the number of floors, area, number of households, number of transactions, index of sales and quarterly economic growth, rather than the housing sales ceiling. Contrary to the conflicting claims that the application of the sale price can stabilize the housing price and increase the housing price by shrinking the housing supply, the study predicts that the application of the ceiling on the sale price has little impact on the prediction of the housing market by machine learning.
Koreans tend to perceive housing as ‘own’ assets rather than ‘residential’ space from the past. In 1972, the government introduced a cap on the sale price for the purpose of stabilizing housing prices, as housing prices continued to rise in tandem with the desire of consumers to increase assets and the interests of suppliers to pursue profits. The government expects that the introduction of the ceiling on the price of new apartments will help stabilize the real estate market and increase housing supply for the working class. However, there is constant controversy over the effect of the cap on the sale price. In this study, we intend to predict the changes that the pre-sale price ceiling will bring to the housing market in relation to the controversy over the effect of it on existing house prices. It is also intended to compare the accuracy of the housing market trend forecast whether the housing price cap is introduced or not while housing price cap is used as a predictor. Several previous research predicting housing prices mainly used regression analysis, Vector Auto Region Model(VAR), and Auto Regulatory Integrated Moving Average(ARIMA) as forecasting methods. However, there is a statistical threshold at which the choice and combination of variables are limited. In this study, mechanical learning consisting of artificial neural network structures was used as a model for predicting housing prices to overcome such limitations. Machine learning has the nature of automatically learning from data, so it can be interpreted even if the input variables are incomplete or wide, and even if the number of data is small or irregular, it can reduce errors through repeated case studies, allowing more reliable predictions than the regression model. In the study, Random Forest and XGBoost(eXtreme Gradient Boost), which are commonly used for predicting the future of machine learning methods, are used. The data used in the study were real estate transaction prices from January 2012 to December 2019 in Bundang-gu, Seongnam-si, Gyeonggi-do. The research process can be divided into two main categories: literature review and housing price prediction. According to the literature survey, factors affecting housing prices were selected as variables, and the variables selected were contract year month, sale price, exclusive area, transaction number, transaction number, land price index, sales index, KOSPI average index by state, and quarterly economic growth rate. Later, the Random Forest and XGBoost models predicted housing prices. In order to compare the forecast results based on the application of the upper limit on the sale price, both cases were analyzed when the upper limit on the sale price was excluded from the variable and included in the variable. According to the analysis, the difference between RMSE(Root Mean Error), error rate mean, and error rate standard deviation between the two cases, Random Forest and XGBoost, was minimal when the upper limit on the sale price was applied as a variable and not applied. This means that the housing market is affected by other factors, such as the number of floors, area, number of households, number of transactions, index of sales and quarterly economic growth, rather than the housing sales ceiling. Contrary to the conflicting claims that the application of the sale price can stabilize the housing price and increase the housing price by shrinking the housing supply, the study predicts that the application of the ceiling on the sale price has little impact on the prediction of the housing market by machine learning.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.