본 연구는 지가산정을 위한 방법론으로 서포트 벡터 회귀분석(SVR)을 이용하여 입지특성에 근거한 산업시설용지의 차등적 가격산정모형을 제시하고자 하였다. 기업의 생산활동을 위한 산업시설용지의 공급가격은 용지부담금, 조성비, 판매 및 관리비, 자본비용 등으로 구성된 조성원가를 바탕으로 책정된다. 그러나 현행 산업시설용지 공급가격 산정방식은 개별적인 용지의 입지여건을 고려하지 않은 채 동일한 가격을 단지 내 모든 용지에 획일적으로 적용하는 불합리성을 내포하고 있다. 따라서 본 연구는 이를 지양하기 위한 방안으로 산업시설용지의 차등적 가격산정모형을 제시하고, 모형의 적정성 및 실무적인 적용가능성을 평가하는 과정으로 이루어진다.
본 연구는 지가산정을 위한 방법론으로 서포트 벡터 회귀분석(SVR)을 이용하여 입지특성에 근거한 산업시설용지의 차등적 가격산정모형을 제시하고자 하였다. 기업의 생산활동을 위한 산업시설용지의 공급가격은 용지부담금, 조성비, 판매 및 관리비, 자본비용 등으로 구성된 조성원가를 바탕으로 책정된다. 그러나 현행 산업시설용지 공급가격 산정방식은 개별적인 용지의 입지여건을 고려하지 않은 채 동일한 가격을 단지 내 모든 용지에 획일적으로 적용하는 불합리성을 내포하고 있다. 따라서 본 연구는 이를 지양하기 위한 방안으로 산업시설용지의 차등적 가격산정모형을 제시하고, 모형의 적정성 및 실무적인 적용가능성을 평가하는 과정으로 이루어진다.
This paper proposes a differential pricing model for industrial land based on locational characteristics, using Support Vector Regression (SVR) as a land pricing methodology. The initial selling price of industrial land is set based on the total cost of site development that comprises the land acqui...
This paper proposes a differential pricing model for industrial land based on locational characteristics, using Support Vector Regression (SVR) as a land pricing methodology. The initial selling price of industrial land is set based on the total cost of site development that comprises the land acquisition cost and tax, land development expense, infrastructure installation cost, labor cost, migration expense, selling and administrative expense, capital cost, and so on. However, the current industrial land pricing method unreasonably applies the same price per square meter to all parcels within an industrial complex without considering differences in price depending on the location of each parcel. Therefore, this paper proposes an empirical land pricing model to solve this irrationality and verifies its validity and applicability.
This paper proposes a differential pricing model for industrial land based on locational characteristics, using Support Vector Regression (SVR) as a land pricing methodology. The initial selling price of industrial land is set based on the total cost of site development that comprises the land acquisition cost and tax, land development expense, infrastructure installation cost, labor cost, migration expense, selling and administrative expense, capital cost, and so on. However, the current industrial land pricing method unreasonably applies the same price per square meter to all parcels within an industrial complex without considering differences in price depending on the location of each parcel. Therefore, this paper proposes an empirical land pricing model to solve this irrationality and verifies its validity and applicability.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 본 연구는 현행 산업시설용지 공급가격 산정방식의 불합리성을 지양하기 위한 방안으로 입지특성에 근거한 산업시설용지 공급가격의 차등적 산정모형을 제시하는 데 그 목적이 있다.
국가경쟁력강화위원회 제3차 회의(2008)에서는 이와 관련한 문제점을 검토하여 산업시설용지의 가격책정은 조성원가 방식에 근거하되 토지이용여건에 따라서 차등화하는 기본적인 개선방향을 제시한 바 있다. 따라서 본 연구는 현행 산정방식의 불합리성을 지양하기 위한 방안으로 입지특성에 근거한 산업시설용지 공급가격의 차등적 산정모형을 제시하고자 하였다. 본 연구의 수행과정 및 결과를 정리하면 다음과 같다.
그러나 다른 한편으로 SVR은 예측결과에 대한 해석이 용이하지 않으므로, 모형에 대한 분석 및 해석의 측면에서 우수한 기존의 회귀모형과 상호보완적인 관점에서 접근하는 것이 바람직하다고 판단된다. 본 연구에서는 SVR을 지가산정을 위한 모형구축에 사용하고, 실증적인 지가예측을 통하여 모형의 적정성을 평가하고자 한다.
제안 방법
SVR 및 신경망 모형 간의 예측력을 비교하기 위해서 검증용 데이터에 대한 두 모형의 오차(RMSE)를 확인하였다. 표 11에 제시된 바와 같이, 두 모형의 오차는 각각 86,213.
이어서 구축된 데이터를 학습용, 검증용으로 분할하고, 그 특성과 크기가 서로 다른 입지특성데이터의 값을 정규화하는 데이터의 변환과정을 수행하였다. 구축된 데이터를 바탕으로 실증적인 지가예측을 위한 SVR 모형을 구축하기 위하여 학습을 통한 모형의 최적화 과정을 시행하였다.
보다 구체적으로, 가격데이터와 입지특성데이터로 구성된 전체의 데이터에서 임의 추출된 약 80%(237필지)의 데이터를 모형구축을 위한 학습용 데이터로, 학습에 사용되지 않은 약 20%(60필지)의 데이터를 선정된 모형의 적정성을 평가하기 위한 검증용 데이터로 분할하였다. 더불어 모형구축의 효율성과 모형의 예측력을 제고하기 위하여 그 특성과 크기가 서로 다른 입지특성데이터의 값(입력변수 값)을 0~1의 범위로 정규화(normalization)하는 데이터의 변환과정을 수행하였다.
43으로 최소인 것을 알 수 있다. 따라서 본 연구에서는 이와 같은 조건으로 구성된 SVR 모형을 실증적인 지가예측을 위한 최종의 모형으로 선정하였다.
다항함수를 사용하는 비선형의 SVR 모형은 모형의 복잡도를 결정하는 C, 연산을 종료하기 위한 오차의 설정값 ε, 다항함수의 차수(polynomial degree) d, 기울기(slope)를 나타내는 s 또는 α, 상수항(constant term) c에 따라서 다양한 모형이 구축된다. 따라서 앞서 수행한 예비적인 학습결과를 바탕으로 각 설정범위를 조정하고 반복적인 학습을 통한 모형의 최적화를 수행하였다.
앞서 실제가격과의 통계적 유의성을 살펴보았던 SVR 모형의 예측결과를 동일한 데이터를 적용한 다른 방법론과 비교할 경우, SVR 모형의 적정성을 다른 각도에서 판단할 수 있을 것으로 판단된다. 따라서 이를 기존의 연구(심재헌 외, 2007)에서 활용한 신경망 모형과 비교함으로써 SVR 모형의 적정성을 검토하였다. SVR 모형의 구축과정에서 사용한 동일한 학습데이터(237필지)를 이용하여 신경망 모형을 구축ㆍ선정하고 검증용 데이터(60필지)의 가격을 예측한 결과, 두 모형에 의한 예측가격의 분포는 그림 6에 나타난 바와 같다.
이 중에서 지역적 요인에 속하는 산업용지 수요에 대한 자료값으로는 건설교통부의 「제2차 산업입지 공급계획(2002-2011)」에 제시된 계획기간의 산업용지 수요 추정치(순수요+추가수요)를 사용하였으며, 제조업 종사자수 및 부가가치액은 각 지자체별 통계연보상의 자료를 활용하였다. 또한 필지자체의 요인 중 간선도로 거리는 도시계획시설의 결정ㆍ구조 및 설치기준에 관한 규칙상의 기능별 구분에 따른 도시관리계획상의 간선도로를 기준으로 하여 개별필지로부터 가장 근접한 간선도로까지의 최단 네트워크 거리를 산정하여 분석에 사용하였다. 이들 각 변수값의 분포범위는 표 5의 기초통계량에 제시된 바와 같다.
본 연구에서는 구축된 데이터를 학습용(training data), 검증용(test data)으로 분할하였다. 보다 구체적으로, 가격데이터와 입지특성데이터로 구성된 전체의 데이터에서 임의 추출된 약 80%(237필지)의 데이터를 모형구축을 위한 학습용 데이터로, 학습에 사용되지 않은 약 20%(60필지)의 데이터를 선정된 모형의 적정성을 평가하기 위한 검증용 데이터로 분할하였다. 더불어 모형구축의 효율성과 모형의 예측력을 제고하기 위하여 그 특성과 크기가 서로 다른 입지특성데이터의 값(입력변수 값)을 0~1의 범위로 정규화(normalization)하는 데이터의 변환과정을 수행하였다.
본 연구에서는 SVR 모형에 일반적으로 사용되는 다양한 커널함수를 고려하였으며, 또한 모수들의 설정범위가 광범위할 경우에 많은 연산시간이 소요되므로 기존의 선행 연구를 참고하여 C는 0~200, ε는 0~1 등으로 설정하여 예비적인 학습을 수행하였다12).
본 연구에서는 구축된 데이터를 학습용(training data), 검증용(test data)으로 분할하였다. 보다 구체적으로, 가격데이터와 입지특성데이터로 구성된 전체의 데이터에서 임의 추출된 약 80%(237필지)의 데이터를 모형구축을 위한 학습용 데이터로, 학습에 사용되지 않은 약 20%(60필지)의 데이터를 선정된 모형의 적정성을 평가하기 위한 검증용 데이터로 분할하였다.
산업시설용지의 가격형성에 영향을 미치는 수많은 요인을 전부 고려하기에는 현실적인 한계가 존재하므로, 산업입지개발 정책수립 및 산업단지 조성ㆍ관리 등의 실무를 담당하여 산업입지와 관련된 전문성을 확보한 산업단지 전문가를 대상으로 하는 델파이 조사를 시행하여 산업시설용지의 가격형성과 유의미한 관련성을 가지는 입지특성요인을 선정하였다. 따라서 본 연구에서는 건설교통부 산업입지팀, 산업자원부 지역투자입지 담당관실, 한국산업단지공단 산업단지처 개발팀, 한국토지공사, 부산진해경제자유구역청 등의 산업단지 담당자 24명을 패널(panel)로 선정하여, 2005년 7월 4일부터 9월 30일까지의 기간에 델파이 조사(delphi method)를 시행하였다.
선정된 SVR 모형을 이용하여 검증용 데이터(60필지)의 가격을 예측하였으며, 실제가격 및 모형에 의한 예측가격, 두 가격 간의 차이의 분포를 도식화하면 그림 5와 같다. 여기서 예측가격은 최소 183,446원/m2에서 최대 840,404원/m2의 범위를 갖는 것으로 나타나, 최소 190,000원/m2, 최대 1,140,000원/m2인 실제가격과 비교적 유사한 분포를 보였다.
지가 산정모형을 구축하기 위하여 총 297필지의 산업용지에 대한 가격 및 입지특성 데이터로 구성된 데이터를 구축하였다. 이어서 구축된 데이터를 학습용, 검증용으로 분할하고, 그 특성과 크기가 서로 다른 입지특성데이터의 값을 정규화하는 데이터의 변환과정을 수행하였다. 구축된 데이터를 바탕으로 실증적인 지가예측을 위한 SVR 모형을 구축하기 위하여 학습을 통한 모형의 최적화 과정을 시행하였다.
대상 데이터
이 가운데 부산광역시 사상구 낙동강 하류부 연안 일대의 공업지역을 지칭하는 사상공업단지는 도심에 산재한 용도지역 위배공장 및 공해공장을 이전ㆍ집단화시킬 목적으로 개발되었으며, 그 조성방식에 있어 여타의 산업단지와 크게 다르지 않다. 가격데이터의 시간적 범위는 2004년도를 기준으로 하였으며, 신뢰할 수 있는 가격데이터를 구하기 위해서 산업용지의 실거래가격으로 간주할 수 있는 법인체 간의 거래가격 및 법인체와 개인 간의 거래가격만을 사용하였다. 또한, 토지 및 건물이 결합되어 구성된 복합부동산의 경우에는 거래가격에서 건물에 대한 매매시점의 복성가격을 차감하거나, 토지가격 구성비를 알 수 있는 경우에는 그 구성비를 승하여 토지가격만을 추출하였다10).
산업시설용지의 가격형성에 영향을 미치는 수많은 요인을 전부 고려하기에는 현실적인 한계가 존재하므로, 산업입지개발 정책수립 및 산업단지 조성ㆍ관리 등의 실무를 담당하여 산업입지와 관련된 전문성을 확보한 산업단지 전문가를 대상으로 하는 델파이 조사를 시행하여 산업시설용지의 가격형성과 유의미한 관련성을 가지는 입지특성요인을 선정하였다. 따라서 본 연구에서는 건설교통부 산업입지팀, 산업자원부 지역투자입지 담당관실, 한국산업단지공단 산업단지처 개발팀, 한국토지공사, 부산진해경제자유구역청 등의 산업단지 담당자 24명을 패널(panel)로 선정하여, 2005년 7월 4일부터 9월 30일까지의 기간에 델파이 조사(delphi method)를 시행하였다. 패널의 수에 대해서는 적게는 10명 미만도 가능하며, 그 수가 적을수록 효과적이라는 연구와 패널의 수가 커질수록 신뢰도가 커진다는 연구로 의견이 나뉘지만, 델파이 기법을 제안한 Dalkey의 연구에 따르면 그룹의 크기가 15명 정도이면 그룹 간의 중위수에 차이가 나지 않는다.
본 연구에서는 산업시설용지 공급가격의 차등적 산정모형을 구축하기 위하여, 그림 4에 제시된 명지녹산국가산업단지, 창원국가산업단지, 신평ㆍ장림일반산업단지, 양산일반산업단지, 양산 어곡일반산업단지, 진주상평일반산업단지, 김해 덕암일반산업단지, 사상공업단지 내 297필지의 산업용지에 대한 가격데이터와 입지특성데이터로 구성된 데이터를 사용하였다. 이 가운데 부산광역시 사상구 낙동강 하류부 연안 일대의 공업지역을 지칭하는 사상공업단지는 도심에 산재한 용도지역 위배공장 및 공해공장을 이전ㆍ집단화시킬 목적으로 개발되었으며, 그 조성방식에 있어 여타의 산업단지와 크게 다르지 않다.
따라서 산업시설용지 공급가격 산정모형을 구축하기 위한 변수는 표 4와 같으며, 선정된 입지특성요인은 그 속성에 따라서 지역적 요인, 산업단지 관련요인, 필지 자체의 요인으로 분류될 수 있다. 이 중에서 지역적 요인에 속하는 산업용지 수요에 대한 자료값으로는 건설교통부의 「제2차 산업입지 공급계획(2002-2011)」에 제시된 계획기간의 산업용지 수요 추정치(순수요+추가수요)를 사용하였으며, 제조업 종사자수 및 부가가치액은 각 지자체별 통계연보상의 자료를 활용하였다. 또한 필지자체의 요인 중 간선도로 거리는 도시계획시설의 결정ㆍ구조 및 설치기준에 관한 규칙상의 기능별 구분에 따른 도시관리계획상의 간선도로를 기준으로 하여 개별필지로부터 가장 근접한 간선도로까지의 최단 네트워크 거리를 산정하여 분석에 사용하였다.
입지특성에 근거한 산업시설용지 공급가격의 차등적 산정 모형을 구축하기 위하여 총 297필지의 산업용지에 대한 가격데이터(2004년도 기준) 및 입지특성데이터로 구성된 데이터를 사용한다2). 정밀한 지가 산정모형을 구축하기 위해서는 신뢰할 수 있는 가격데이터가 요구되는바, 실거래가격으로 간주할 수 있는 법인체 간의 거래가격 및 법인체와 개인 간의 거래가격만을 사용하며, 토지와 건물이 결합되어 구성된 복합부동산의 경우에는 거래가격에서 토지가격만을 추출하는 과정을 수행한다.
지가 산정모형을 구축하기 위하여 총 297필지의 산업용지에 대한 가격 및 입지특성 데이터로 구성된 데이터를 구축하였다. 이어서 구축된 데이터를 학습용, 검증용으로 분할하고, 그 특성과 크기가 서로 다른 입지특성데이터의 값을 정규화하는 데이터의 변환과정을 수행하였다.
데이터처리
SVR 모형의 적정성을 평가하기 위해서 실제가격과 예측가격 간의 통계적 유의성을 살펴볼 필요가 있으므로 대응표본 t검정(paired t-test)을 시행하였다. 그 결과, 검정통계량 t값은 1.
18으로 SVR 모형의 오차가 신경망 모형에 비해서 다소 낮았으나 그 차이는 크지 않은 것으로 나타났다. 따라서 두 모형에 의한 예측가격 사이에 통계적으로 유의한 차이가 있는지를 검토하기 위하여 대응표본 t검정(paired ttest)을 시행하였다. 검정의 결과, 두 모형에 의한 예측가격 간의 차이(SVR-신경망)의 평균은 -981.
일반적으로 모형의 적합성 평가에 사용되는 오차는 다양한 척도에 의해서 산출될 수 있는데, 본 연구에서는 평균제곱근오차(root mean square error, RMSE)를 기준으로 하였다.
이론/모형
토지가격은 지속적으로 변화하고 수많은 요인의 상호작용에 의해서 영향을 받으므로 지가형성에 영향을 미치는 다양한 요인을 완전히 고려하기에는 현실적인 한계가 존재한다. 따라서 본 연구에서는 앞서 살펴본 국외의 선행연구를 토대로 산업단지와 유관한 전문가 집단을 대상으로 하는 델파이 조사(delphi method)를 시행하여 산업시설용지의 가격형성과 유의미한 관련성을 가지는 입지특성요인을 선정하였다.
델파이 조사는 패널들에게 선행연구를 참고하여 입지특성요인의 항목을 예측하도록 요구하는 한 차례의 개방형 면담조사와 두 차례의 구조화된 설문(델파이 폐쇄형 문항)조사로 구성되었다. 또한, 델파이 반응척도로는 리커트 5점 척도가 사용되었고, 조사의 중단시점을 의미하는 안정도(stability)의 평가기준으로는 변이계수(coefficient of variation, C.V.)가 사용되었다.
정밀한 지가 산정모형을 구축하기 위해서는 신뢰할 수 있는 가격데이터가 요구되는바, 실거래가격으로 간주할 수 있는 법인체 간의 거래가격 및 법인체와 개인 간의 거래가격만을 사용하며, 토지와 건물이 결합되어 구성된 복합부동산의 경우에는 거래가격에서 토지가격만을 추출하는 과정을 수행한다. 또한, 산업시설용지의 가격형성과 유의미한 관련성을 가지는 입지특성요인을 선정하기 위하여, 지가 형성요인에 관한 선행연구를 바탕으로 산업단지와 유관한 전문가 집단을 대상으로 하는 델파이 조사(delphi method)를 시행한다. 델파이 조사는 전문가들에게 선행연구를 참고하여 입지특성요인의 항목을 예측하도록 요구하는 개방형 면담조사와 구조화된 설문(델파이 폐쇄형 문항)조사로 구성된다.
지가 산정모형은 Vapnik, Golowich 및 Smola(1997)가 제안한 서포트 벡터 회귀분석(Support Vector Regression, 이하 SVR)을 이용하여 구축한다. 모형구축을 위하여 학습을 통한 모형의 최적화 과정이 시행되고, 이와 같은 과정에서 산출된 오차를 기준으로 최종적인 모형이 선정된다.
성능/효과
1ㆍ2차 라운드의 결과로서 토지형상, 지목, 도로접면, 주변토지이용상황, 간선도로 접근성, 단지면적, 물류여건, 세제혜택, 산업단지 준공연수, 폐기물 처리용량 등 21개의 요인이 도출되었으며, 이어진 3차 라운드를 통해서 12개의 입지특성요인이 최종적으로 선정되었다. 여기서 변이계수의 값은 모두 0.
Weber 등(2003)은 Chicago 지역을 대상으로 TIF(Tax Increment Financing, 조세담보금융)가 산업용지의 가격에 미치는 영향을 중점적으로 살펴보았다. TIF 관련 요인, 부지요인, 위치요인, 주변환경적 요인을 고려하여 분석을 수행한 결과, 상업용 및 주거용 부동산이 분포하고 있는 복합용도의 TIF지역에 위치한 산업용지는 TIF지역 외에 위치한 산업용지에 비해서 가격이 높은 것으로 나타났다. 그러나 산업용 부동산이 동질적으로 분포한 TIF지역 내 산업용지는 TIF지역 외의 산업용지와 비교하여 가격이 높지 않거나, 때로는 오히려 낮은 것으로 파악되었다.
따라서 두 모형에 의한 예측가격 사이에 통계적으로 유의한 차이가 있는지를 검토하기 위하여 대응표본 t검정(paired ttest)을 시행하였다. 검정의 결과, 두 모형에 의한 예측가격 간의 차이(SVR-신경망)의 평균은 -981.97원/m2, 검정통계량 t값은 -0.760이며 유의확률(양쪽)은 0.451로서 두 모형에 의한 예측가격 사이에는 통계적으로 유의한 차이가 있다고 볼 수 없었다. 그러므로 어떠한 모형의 예측력이 상대적으로 우수하다고 단정할 수 없었다.
SVR 모형의 적정성을 평가하기 위해서 실제가격과 예측가격 간의 통계적 유의성을 살펴볼 필요가 있으므로 대응표본 t검정(paired t-test)을 시행하였다. 그 결과, 검정통계량 t값은 1.524이고 이에 대한 유의확률(양쪽)은 0.133으로서 유의수준인 0.05보다 크므로, 실제가격과 SVR 모형에 의한 예측가격 간에는 통계적으로 유의한 차이가 있다고 할 수 없었다(표 10). 따라서 SVR 모형은 개별적인 토지의 상이한 입지특성이 반영된 실제가격을 근사한 수준에서 예측할 수 있는 것으로 판단하였다.
Kowalski와 Paraskevopoulos(1990)는 Detroit 지역 근교에 위치한 산업용지의 거래자료를 바탕으로 산업용지의 가격에 대한 입지 영향력을 분석하였다. 그 결과, 토지의 가시성, 산업단지 포함여부, 필지의 전면 폭, 거래시기, 매립지 조성가능성 등은 산업용지의 가격에 유의한 정(+)의 영향을, 필지면적, 경기침체 시기 등은 유의한 부(-)의 영향을 미치는 것으로 나타났다. 마지막으로 Asabere와 Huffman(1991)은 Philadelphia 지역을 대상으로 용도지역제(zoning)가 산업용지의 가격에 미치는 영향을 연구하였다.
Jackson(2002)은 Southern California 지역 내 산업용 부동산 거래자료를 이용하여 환경오염이 산업용 부동산 가격에 미치는 영향을 중점적으로 규명하고자 하였다. 그 결과, 환경오염은 산업용 부동산 가격에 통계적으로 유의한 영향을 미치나 환경이 개선된 이후에는 그 영향이 사라지는 것으로 나타났다. Lockwood와 Rutherford(1996)는 Dallas 및 Fort Worth 지역 내 산업용 부동산의 가격결정요인을 살펴보았다.
더불어 모형의 구축과정과 관련하여, 신경망 모형은 은닉층의 수, 은닉층의 노드수, 학습률(learning rate), 모멘텀(momentum) 등의 여러 가지 학습조건의 적합한 조합을 찾기 위한 시행착오적인 절차로 인하여 연구자의 기교적인 요소 및 적지 않은 시간이 요구되었다. 이와 비교하여, SVR 모형은 학습에 필요한 모수의 일부가 자동적으로 결정됨으로써 상대적으로 그 과정이 용이하고 적은 시간이 소요되었다.
선정된 모형을 이용한 지가예측의 결과를 살펴보면, 모형에 의한 예측가격은 실제가격과 유사한 분포를 보였으며, 모형의 적정성을 평가하기 위해서 실제가격과 예측가격 간의 통계적 유의성을 검증한 결과, 두 가격 사이에는 통계적으로 유의한 차이가 있다고 판단할 수 없었다. 따라서 본 연구에서 제시한 산업시설용지 공급가격의 차등적 산정모형은 개별적인 토지의 상이한 입지특성에 근거하여 형성되는 실제가격을 근사한 수준에서 예측할 수 있는 것으로 판단하였다. 또한 동일한 데이터를 적용한 신경망 모형과 예측결과를 비교한 결과, SVR 모형의 오차가 신경망에 비하여 다소 낮게 나타났으나, 두 모형에 의한 예측가격 사이에는 통계적으로 유의한 차이가 있다고 볼 수 없었다.
따라서 본 연구에서 제시한 산업시설용지 공급가격의 차등적 산정모형은 개별적인 토지의 상이한 입지특성에 근거하여 형성되는 실제가격을 근사한 수준에서 예측할 수 있는 것으로 판단하였다. 또한 동일한 데이터를 적용한 신경망 모형과 예측결과를 비교한 결과, SVR 모형의 오차가 신경망에 비하여 다소 낮게 나타났으나, 두 모형에 의한 예측가격 사이에는 통계적으로 유의한 차이가 있다고 볼 수 없었다. 더불어 산업시설용지의 특수성과 공공성을 고려하고, 기반시설이 구비된 산업시설용지를 저렴하게 공급하려는 취지를 담은 현행 법률을 감안하여 모형에 의한 예측가격의 이론적 변환과정이 제시되었다.
또한, 그 개선방안으로 전체 산업시설용지의 가격책정은 조성원가 방식에 근거하되 토지이용여건에 따라서 ±10% 범위 내에서 차등화하는 방안이 제시되었다.
헤도닉 가격기법(Hedonic Price Function Model)을 이용한 분석의 결과, 고속도로 거리, 도심 거리, 주도(州都) 거리가 산업용지의 가격에 중요한 영향을 미치며, 이와 같은 영향은 민간부문이 제공하는 산업용지에서 더 큰 것으로 나타났다. 또한, 산업용지의 공급주체에 따라서 산업용지의 가격은 큰 영향을 받는 것으로 나타났다. Weber 등(2003)은 Chicago 지역을 대상으로 TIF(Tax Increment Financing, 조세담보금융)가 산업용지의 가격에 미치는 영향을 중점적으로 살펴보았다.
여기서 예측가격은 최소 183,446원/m2에서 최대 840,404원/m2의 범위를 갖는 것으로 나타나, 최소 190,000원/m2, 최대 1,140,000원/m2인 실제가격과 비교적 유사한 분포를 보였다. 보다 구체적으로, 실제가격과 예측가격 간의 오차율(absolute percentage error)13)은 표 9에 제시된 바와 같으며, 이들 오차율의 평균(mean absolute percentage error, MAPE)은 9.67%로 나타났다. 또한 두 가격 간의 차이(실제가격-예측가격)의 평균은 16,774원/m2, 최대값 및 최소값은 각각 309,182원/m2, -152,862원/m2으로 나타났다.
선정된 모형을 이용한 지가예측의 결과를 살펴보면, 모형에 의한 예측가격은 실제가격과 유사한 분포를 보였으며, 모형의 적정성을 평가하기 위해서 실제가격과 예측가격 간의 통계적 유의성을 검증한 결과, 두 가격 사이에는 통계적으로 유의한 차이가 있다고 판단할 수 없었다. 따라서 본 연구에서 제시한 산업시설용지 공급가격의 차등적 산정모형은 개별적인 토지의 상이한 입지특성에 근거하여 형성되는 실제가격을 근사한 수준에서 예측할 수 있는 것으로 판단하였다.
Lockwood와 Rutherford(1996)는 Dallas 및 Fort Worth 지역 내 산업용 부동산의 가격결정요인을 살펴보았다. 선형구조관계(LISREL) 모형을 이용하여 지가 영향력을 분석한 결과, 물리적 특성(부지면적, 산업ㆍ업무용 면적)과 지역적 시장요인(지역 고용률, 지역소득, 지역 총생산액), 위치요인(도심 거리, 공항 거리, 주요도로 거리, 철도 거리 등)이 주요한 가격결정요인으로 파악되었다. Guntermann(1995)은 폐기물 매립지(landfills)가 주변의 산업용지에 미치는 영향을 중점적으로 살펴보았다.
선정된 SVR 모형을 이용하여 검증용 데이터(60필지)의 가격을 예측하였으며, 실제가격 및 모형에 의한 예측가격, 두 가격 간의 차이의 분포를 도식화하면 그림 5와 같다. 여기서 예측가격은 최소 183,446원/m2에서 최대 840,404원/m2의 범위를 갖는 것으로 나타나, 최소 190,000원/m2, 최대 1,140,000원/m2인 실제가격과 비교적 유사한 분포를 보였다. 보다 구체적으로, 실제가격과 예측가격 간의 오차율(absolute percentage error)13)은 표 9에 제시된 바와 같으며, 이들 오차율의 평균(mean absolute percentage error, MAPE)은 9.
예비적인 학습의 결과, 커널함수 중에서는 다항 커널함수가 가장 적합한 것으로 나타났다. 다항함수를 사용하는 비선형의 SVR 모형은 모형의 복잡도를 결정하는 C, 연산을 종료하기 위한 오차의 설정값 ε, 다항함수의 차수(polynomial degree) d, 기울기(slope)를 나타내는 s 또는 α, 상수항(constant term) c에 따라서 다양한 모형이 구축된다.
마지막으로 Asabere와 Huffman(1991)은 Philadelphia 지역을 대상으로 용도지역제(zoning)가 산업용지의 가격에 미치는 영향을 연구하였다. 용도지역 요인(주거ㆍ상업ㆍ공업ㆍ기타 지역)과 접근성 요인(도심 거리, 주요도로 거리), 사회ㆍ경제적 요인(가구소득, 폐가 비율) 등을 고려한 분석의 결과, 공업지역으로 지정된 토지는 상업지역의 토지와 비교하여 대략 58% 정도로 가격이 절하되는 것으로 나타났다.
Guntermann(1995)은 폐기물 매립지(landfills)가 주변의 산업용지에 미치는 영향을 중점적으로 살펴보았다. 필지면적, 지역구분, 하천 인접성, 산업단지 내 포함 여부, 거래시기, 철도시설 이용 가능 여부, 고속도로ㆍ공항 접근성, 폐기물 매립지 인접성, 매립지 유형 등의 요인을 고려하여 분석한 결과, 밀폐되지 않은 매립지의 입지는 주변 산업용지의 가격을 떨어뜨리는 것으로 나타난 반면에 밀폐된 매립지의 입지는 가격에 영향을 미치지 못하는 것으로 나타났다. Kowalski와 Paraskevopoulos(1990)는 Detroit 지역 근교에 위치한 산업용지의 거래자료를 바탕으로 산업용지의 가격에 대한 입지 영향력을 분석하였다.
산업용지의 가격형성요인과 관련된 국외의 연구를 살펴보면, Saz-Salazar와 García-Menéndez(2005)는 Valencia 지역을 대상으로 공공부문과 민간부문에 의해서 공급되는 산업용지 가격 간의 차이를 유발하는 원인을 규명하고자 하였다. 헤도닉 가격기법(Hedonic Price Function Model)을 이용한 분석의 결과, 고속도로 거리, 도심 거리, 주도(州都) 거리가 산업용지의 가격에 중요한 영향을 미치며, 이와 같은 영향은 민간부문이 제공하는 산업용지에서 더 큰 것으로 나타났다. 또한, 산업용지의 공급주체에 따라서 산업용지의 가격은 큰 영향을 받는 것으로 나타났다.
후속연구
끝으로 본 연구의 한계로서 산업시설용지의 초기 공급가격을 실제가격 및 예측가격과 더불어 검증하고, 또한 예측가격의 변환에 따른 가격의 차이를 실증적으로 검증하는 추가적인 분석이 필요하나, 대상지에 속하는 각 필지들이 동일한 산업단지에 속할지라도 다양한 시기에 서로 다른 가격으로 공급되거나 혹은 일부 산업단지의 경우 조성이 완료된 이후 상당한 시간이 경과되어 초기 공급가격 자료를 구득할 수 없어 이를 수행하지 못한 점이 노정된다. 그럼에도 불구하고, 본 연구는 향후 입지여건을 고려하여 차등화된 산업시설용지 공급가격을 산정함에 있어 출발점이 될 수 있다는 점에서 그 의의를 찾을 수 있다.
이어서 선정된 모형에 의한 실증적인 지가예측이 이루어지며, 예측 결과를 바탕으로 모형의 적정성을 검증하는 과정이 수행된다. 마지막으로, 산업시설용지의 특수성과 공공성, 현행 법률의 취지를 고려하여 모형의 실무적인 적용을 위한 예측가격의 변환과정이 제시된다.
산업용지의 가격형성요인을 규명하는 국외의 연구는 토지의 물리적 특성, 주변환경적 특성, 접근성, 거시적ㆍ미시적 시장영향 등의 요인을 살펴보는 데에서 나아가 기반시설 확충 및 도시개발사업을 위한 재원조달 기법, 산업용지의 공급주체, 환경오염 등이 갖는 영향력을 분석하는 수준에 이르고 있다. 반면, 국내에서는 아직까지 이와 관련된 연구가 전무한 실정이므로 앞으로 폭넓은 연구가 수행될 필요성이 제기된다.
앞서 실제가격과의 통계적 유의성을 살펴보았던 SVR 모형의 예측결과를 동일한 데이터를 적용한 다른 방법론과 비교할 경우, SVR 모형의 적정성을 다른 각도에서 판단할 수 있을 것으로 판단된다. 따라서 이를 기존의 연구(심재헌 외, 2007)에서 활용한 신경망 모형과 비교함으로써 SVR 모형의 적정성을 검토하였다.
즉, 이와 같은 예측가격의 변환을 통하여 산업시설용지의 공급가격 총액은 조성원가로 구성되지만, 단지 내 각각의 산업시설용지는 개별적인 입지특성이 반영된 차등적인 가격으로 책정될 수 있다. 이로써 본 연구의 입지특성을 고려한 산업시설용지 공급가격의 차등적 산정모형이 실무적으로 적용 가능함을 알 수 있다.
모형구축을 위하여 학습을 통한 모형의 최적화 과정이 시행되고, 이와 같은 과정에서 산출된 오차를 기준으로 최종적인 모형이 선정된다. 이어서 선정된 모형에 의한 실증적인 지가예측이 이루어지며, 예측 결과를 바탕으로 모형의 적정성을 검증하는 과정이 수행된다. 마지막으로, 산업시설용지의 특수성과 공공성, 현행 법률의 취지를 고려하여 모형의 실무적인 적용을 위한 예측가격의 변환과정이 제시된다.
질의응답
핵심어
질문
논문에서 추출한 답변
토지가격에 영향을 미치는 요인 중 가장 중요한 것은 무엇인가?
토지는 여타의 재화와는 달리 고정성과 개별성을 지닌 재화이므로 입지가 재화의 질적인 수준을 결정하는 대표적인 이질재이다. 토지가격은 토지를 둘러싸고 있는 수많은 요인에 의해서 형성되고 영향을 받지만, 공간을 연구하는 학자와 부동산 전문가들 사이에서는 입지가 토지가격에 영향을 미치는 가장 중요한 결정요인이라는 보편적인 동의가 존재하여 왔다. 일반적으로 토지 및 주택의 가격에 영향을 미치는 입지성 요인은 접근성(accessibility), 주변지역의 특성(neighborhood characteristics), 구조적 특성(structural characteristics) 등으로 분류될 수 있다(Olmo, 1995).
토지가격에 영향을 미치는 입지성 요인은 어떻게 분류될 수 있는가?
토지가격은 토지를 둘러싸고 있는 수많은 요인에 의해서 형성되고 영향을 받지만, 공간을 연구하는 학자와 부동산 전문가들 사이에서는 입지가 토지가격에 영향을 미치는 가장 중요한 결정요인이라는 보편적인 동의가 존재하여 왔다. 일반적으로 토지 및 주택의 가격에 영향을 미치는 입지성 요인은 접근성(accessibility), 주변지역의 특성(neighborhood characteristics), 구조적 특성(structural characteristics) 등으로 분류될 수 있다(Olmo, 1995). 이와 유사하게, 실무적 차원에서도 공시지가 산정의 경우와 같이 부지특성, 주위환경, 접근성 등의 성격을 지닌 토지특성항목1)에 근거하여 토지가격을 산정한다.
재화적 측면에서 토지는 무엇인가?
토지는 여타의 재화와는 달리 고정성과 개별성을 지닌 재화이므로 입지가 재화의 질적인 수준을 결정하는 대표적인 이질재이다. 토지가격은 토지를 둘러싸고 있는 수많은 요인에 의해서 형성되고 영향을 받지만, 공간을 연구하는 학자와 부동산 전문가들 사이에서는 입지가 토지가격에 영향을 미치는 가장 중요한 결정요인이라는 보편적인 동의가 존재하여 왔다.
전성해, 박정은, 오경환(2004) Support Vector Regression을 이용한 희소 데이터의 전처리, 퍼지 및 지능시스템학회 논문지, 한국지능시스템학회, 제14권 제2호, pp. 789-792.
Ripley, B. D. (1996) Pattern Recognition and Neural Networks, Cambridge, Cambridge University Press.
Smola, A. J. and Scholkopf, B. (1998) A tutorial on support vector regression, Royal Holloway College, London, U.K., Neuro COLT Tech. Rep. TR-1998-030.
Vapnik, V. (1995) The Nature of Statistical Learning Theory, Springer.
Asabere, P. K. and Huffman, F. E. (1991) Zoning and Industrial Land Values: The Case of Philadelphia, Real Estate Economics, Vol. 19, No. 2, pp. 154-160.
Ellis, C. and Wilson, J. P. (2005) Can a Neural Network Property Portfolio Selection Process Outperform the Property Market?, Journal of Real Estate Portfolio Management, Vol. 11, No. 2, pp. 105-121.
Guntermann, K. L. (1995) Sanitary Landfills, Stigma and Industrial Land Values, Journal of Real Estate Research, Vol. 10, No. 5, pp. 531-542.
Jackson, T. O. (2002) Environmental Contamination and Industrial Real Estate Prices, Journal of Real Estate Research, Vol. 23, No. 1/2, pp. 179-199.
Kowalski, J. G. and Paraskevopoulos, C. C. (1990) The Impact of Location on Urban Industrial Land Prices, Journal of Urban Economics, Vol. 27, No. 1, pp. 17-24.
Lockwood, L. J. and Rutherford, R. C. (1996) Determinants of Industrial Property Value, Real Estate Economics, Vol. 24, No. 2, pp. 257-272.
Saz-Salazar, S. D. and Garcia-Menendez, L. (2005) Public provision versus private provision of industrial land: a hedonic approach, Land Use Policy, Vol. 22, No. 3, pp. 215-223.
Weber, Rachel., Bhatta, S. D., and Merriman, D. (2003) Does Tax Increment Financing Raise Urban Industrial Property Values?, Urban Studies, Vol. 40, No. 10, pp. 2001-2021.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.