데이터마이닝기법을 활용한 강남구 중소형 오피스빌딩의 매매가격 결정요인 분석 An Analysis for Price Determinants of Small and Medium-sized Office Buildings Using Data Mining Method in Gangnam-gu원문보기
본 연구는 오피스시장의 흐름을 고려하여 대형오피스빌딩 중심의 기존연구에서 벗어나, 중소형오피스빌딩에 대한 다양한 분석을 통해 모형별 중요변수 도출 및 예측력을 검증하여, 중소형 오피스를 대상으로 투자를 하고자 하는 투자자들에게 정보를 제공함이 목적이다. 중소형오피스빌딩은 대형오피스빌딩과 달리 규모에 대한 기준이 불명확하고, 주거용과 상업용이 혼재되어 있는 경우가 많기 때문에 자료수집의 한계가 있기 때문에 기존 연구는 대형오피스빌딩을 대상으로 변수간의 인과관계 추정에 탁월한 회귀모형에 편중되었다. 본 연구에서는 강남구 중소형오피스빌딩을 직접 전수조사하고 최종 1,056개의 자료를 추출하여 인과관계 과정을 추정하는 선형회귀모형외에, 반복학습을 통해 최적의 결과를 만들어내는 신경망모형 및 의사결정나무모형을 통해 매매가격 결정요인을 추가로 분석하였으며, 이를 통해 대형오피스빌딩과의 차별점을 비교하였다.
본 연구는 오피스시장의 흐름을 고려하여 대형오피스빌딩 중심의 기존연구에서 벗어나, 중소형오피스빌딩에 대한 다양한 분석을 통해 모형별 중요변수 도출 및 예측력을 검증하여, 중소형 오피스를 대상으로 투자를 하고자 하는 투자자들에게 정보를 제공함이 목적이다. 중소형오피스빌딩은 대형오피스빌딩과 달리 규모에 대한 기준이 불명확하고, 주거용과 상업용이 혼재되어 있는 경우가 많기 때문에 자료수집의 한계가 있기 때문에 기존 연구는 대형오피스빌딩을 대상으로 변수간의 인과관계 추정에 탁월한 회귀모형에 편중되었다. 본 연구에서는 강남구 중소형오피스빌딩을 직접 전수조사하고 최종 1,056개의 자료를 추출하여 인과관계 과정을 추정하는 선형회귀모형외에, 반복학습을 통해 최적의 결과를 만들어내는 신경망모형 및 의사결정나무모형을 통해 매매가격 결정요인을 추가로 분석하였으며, 이를 통해 대형오피스빌딩과의 차별점을 비교하였다.
Most Studies for office market have focused on large-scale office buildings. There is, if any, a little research for small and medium-sized office buildings due to the lack of data. This study uses the self-searched and established 1,056 data in Gangnam-Gu, and estimates the data by not only linear ...
Most Studies for office market have focused on large-scale office buildings. There is, if any, a little research for small and medium-sized office buildings due to the lack of data. This study uses the self-searched and established 1,056 data in Gangnam-Gu, and estimates the data by not only linear regression model, but also data mining methods. The results provide investors with various information of price determinants, for small and medium-sized office buildings, comparing with large-scale office buildings. The important variables are street frontage condition, zoning of commercial area, distance to subway station, and so on.
Most Studies for office market have focused on large-scale office buildings. There is, if any, a little research for small and medium-sized office buildings due to the lack of data. This study uses the self-searched and established 1,056 data in Gangnam-Gu, and estimates the data by not only linear regression model, but also data mining methods. The results provide investors with various information of price determinants, for small and medium-sized office buildings, comparing with large-scale office buildings. The important variables are street frontage condition, zoning of commercial area, distance to subway station, and so on.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구는 오피스시장의 흐름을 고려하여 대형오피스빌딩 중심의 기존연구에서 벗어나, 중소형오피스빌딩의 가격결정모형을 검증하고, 다양한 분석모형을 통해 모형별 중요변수를 도출하고 예측력을 검증함으로써, 중소형 오피스를 대상으로 투자를 하고자 하는 투자자들에게 정보를 제공하고, 회귀모형에 편중된 기존 연구에서 더 나아가 데이터마이닝기법을 활용하여 오피스빌딩의 연구방법에 대한 다양화의 필요성을 실증하는데 그 목적이 있다.
본 연구에서는 대형오피스에 편중된 오피스 시장에서 새로운 틈새시장으로 각광을 받고 있는 중소형오피스시장에 대한 매매가격 가격결정모형을 도출하는데 그 목적을 두고 데이터마이닝기법의 대표적인 3가지 분석방법인 다중회귀모형, 신경망모형, 의사결정나무모형을 통해 비교분석을 하였다.
제안 방법
네 번째로, 신경망모형으로 스트림(Stream)을 구축 하였고, 각각의 변수들의 상대적 중요도를 도출하여 매매가격 결정모형에 의미 있는 변수군을 도출하였다.
다섯 번째로, 의사결정나무 모형으로 스트림(Stream) 을 구축하였고, 각각의 가지별로 중요한 변수군을 도출 하였다.
다중회귀분석모형과 모형의 정확성을 비교하고, 상대적으로 중요한 변수를 도출하기 위해 신경망모형을 이용하여 중소형오피스빌딩 매매가 모형을 구축하였다.
데이터마이닝기법 중 위 세 가지 분석방법을 각각의 결과분석을 하였으며, 모형의 예측정확도를 비교분석한다. 예측의 정확도를 비교하기 위해 추정 값이 얼마나 관측 값에 근사하는가 하는 문제이다[22].
모형생성시 사용한 설정은 Quick모드를 사용하였으며, Ovetraining을 90%를 설정 하였다. 총1,056개 자료중 90%를 훈련자료(Training data)로 사용하고 10%를 검정자료(Testing data)로 사용하였다.
범주별 세부 변수들 중 명목형 변수들은 더미변수1로 전환하여 분석하였다.
본 연구에서는 변수 특성상 이산형 변수의 경우 더미 변수로 변환하였으며, 일반적으로 사용되는 종속변수에 대한 로그변환(Semi-로그변환)을 통해 준log 모형으로 추정하였다.
본 연구의 차별점은 자료 취합의 한계로 대형오피스 빌딩 중심으로 진행되어왔던 오피스연구에서 서울의 대표적인 오피스 시장인 강남구의 중소형오피스시장을 전수조사하여 실거래가 및 관련 공부조사 등을 통해 약 1056개의 데이터를 수집하여 연구에 활용하였다는 점에서 기존 연구와 주요한 차별점이 있다. 또한 변수간의 인과관계분석에 탁월한 회귀분석 중심의 기존 오피스연구에서 여러 데이터로부터 반복적인 학습과정을 거쳐 패턴을 찾아내고 일반화하여 예측하는데 이용되는 데이터마이닝기법을 활용하고 회귀모형과 데이터마이닝 기법과 비교분석하였다는 점에서도 차별점이 있다.
분석절차는 훈련데이터로 신경망노드를 형성한 후 10%의 검정데이터에 신경망노드를 결합하였다. 입력 층은 95개의 neurons, 은닉층은 3개층을 사용하였고, 각 층별로 정확한 분석을 위해 13개의 neurons3를 발생시켰다.
본 연구에서는 매매가격결정요인을 위하여 기존 선행연구를 통해 주요변수들을 추출하고자 하였으나, 본 연구 자료의 경우 자료수집의 한계로 인해 전수조사를 하면서 등기부등본, 건축물대장, 토지이용규제정보시스템, 온나라 부동산정보포털, 다음지도 등 인터넷 자료를 활용한 제한된 방법에 의해 자료를 구축하였기 때문에 대형오피스빌딩의 주요변수항목을 적용하기가 어려웠다. 수집한 자료의 개별특징을 소유자특성, 입지특성, 토지특성, 건물특성, 거래특성의 5개 범주로 구분하여 변수를 구성하였다.
신경망모형에서 매매가 모형을 구축하기 위해 input data로 다중회귀모형의 독립변수를 사용하고, output data로 종속변수를 사용하였다.
여섯 번째로, 위 세 가지 모형(회귀모형, 신경망모형, 의사결정나무 모형)을 하나의 스트림(Stream)으로 구축하여 최종적인 모델의 설명력과 예측력을 비교하여 매매가격 결정모형에서의 데이터마이닝기법의 활용의 타당성을 실증하였다[그림 1]
연구목적에 기반을 두어 회귀모형과 신경망모형, 의사결정나무모형에 대한 이론적 고찰을 한 후 연구 자료를 세 가지 모형에 적합 시켰다.
연구방법은 오피스빌딩에 대한 선행연구와 데이터마이닝기법에 관한 선행연구를 검토하고, 기존 연구에서 가설을 검정하는 통계적 기법(다중회귀모형)과 더불어 기존 가설 검정과 새로운 가설검정 및 예측이 가능한 데이터마이닝기법을 활용하였으며, 통계적 기법 중 회귀분석모형과 데이터마이닝기법 중 지도학습모형(신경망모형, 의사결정나무모형)을 활용하여 각각의 결과를 비교하여, 부동산학 연구 분야에서의 데이터마이닝기법의 활용의 우수성을 검증하고자 하였다. 분석 툴은 Spss21과 Clementine 11.
입력 층은 95개의 neurons, 은닉층은 3개층을 사용하였고, 각 층별로 정확한 분석을 위해 13개의 neurons3를 발생시켰다. 입력변수는 다중회귀모형과 동일하게 49개의 변수를 사용하였으며, 출력변수도 종속변수인 매매가를 사용하였다. 분석결과 모형의 예측정확도는 96.
종속변수는 등기부 등본상 기재된 실거래가격을 소비자물가지수를 적용하여 실질거래가격을 산출 한 후 토지면적으로 나누어 단위면적당 실질거래가격을 산출2하였다.
대상 데이터
활용) 채택하였다. Generate model, 뿌리노드 아래 5개 가지, 훈련자료 90% 활용하였으며, 나무 깊이의 최대값은 5로 설정하였으나 4개 노드로 분리하였다.
따라서, 자료구축을 위하여 서울시 강남구를 대상으로 지목이 ‘대’인 필지에 대한 전수조사를 실시하여, 조사대상 기간 동안 거래사실이 확인된 중소형 건물의 입지적 특성과 건물특성은 토지이용계획확인원과 건축물 대장 등을 활용하여 자료를 수집하였고, 추가정보는 서울부동산정보광장, 온나라부동산정보 포털 홈페이지를 활용하여 조사하였다.
본 연구를 위한 변수선정은 강남구 9개 동의 1056개의 표본을 대상으로 소유자특성, 입지특성, 토지특성, 건물특성, 거래특성으로 구분하여 총 49개의 설명변수를 선정하였다.
5㎢로서, 행정동 22개(법정동 14개), 36,094개 지번으로 구성되어 있다. 본 연구에서는 위 총 14개 동 중 9개동의 지목상 대지를 대상으로 하였으며, 압구정동, 수서동은 아파트 지구가 많고, 세곡동, 자곡동, 율현동은 개발제한구역 (전,답)이 많아서 이번 연구의 표본에서 제외를 하였다.
본 연구의 자료는 2006년 1월부터 2013년 8월 까지 서울시 강남구의 대지를 기준으로 총 23,721개 지번에 대한 대법원 인터넷 등기소를 활용하여 전수조사를 하였다. 거래사실이 확인된 2,704개의 필지를 다시 각 필지에 대한 등기부등본을 발급받아 등기부등본상에 나타나는 실거래가격과 소유자 관련 자료를 정리하고, 토지와 건물 특성에 대해서는 토지대장과 건축물대장에 기재되어 있는 사실을 정리하였다.
연구방법은 오피스빌딩에 대한 선행연구와 데이터마이닝기법에 관한 선행연구를 검토하고, 기존 연구에서 가설을 검정하는 통계적 기법(다중회귀모형)과 더불어 기존 가설 검정과 새로운 가설검정 및 예측이 가능한 데이터마이닝기법을 활용하였으며, 통계적 기법 중 회귀분석모형과 데이터마이닝기법 중 지도학습모형(신경망모형, 의사결정나무모형)을 활용하여 각각의 결과를 비교하여, 부동산학 연구 분야에서의 데이터마이닝기법의 활용의 우수성을 검증하고자 하였다. 분석 툴은 Spss21과 Clementine 11.1을 활용하였다.
시간적 범위는 2006년 1월부터 2013년 8월까지를 조사대상 기간으로 한정하였다. 기존 대형오피스빌딩은 정보제공업체가 관리하고 있는 오피스빌딩의 매매가격, 임대가격을 토대로 정보를 제공하나, 중소형오피스빌딩은 가격에 대한 정보접근이 제한되어 각 지번별 등기부 등본상 실거래가격을 기준으로 확인이 가능하였다.
연구의 공간적 범위는 서울시 강남구를 대상으로 한다. 강남구의 경우 도시계획에 의해 격자형구조로 되어 있어, 주거지역과 상업, 업무지역의 용도구분이 타 구에 비해 상대적으로 명확하고, 중소형오피스빌딩 실사가 용이하여 강남구의 중소형 오피스빌딩을 대상으로 하였다.
가장 대표적인 연구로는 서울시 강남역을 중심으로 109개의 실거래 된 중소형 건물의 실거래가격을 종속변수로 하여 회귀모형으로 가격결정요인을 분석한 홍기운(2013)의 연구와 실거래 된 374개 서울시 중소형빌딩을 대상으로 매매가격 형성요인을 분석한 김형근(2014)가 있다. 위 연구 모두 서울시의 실거래된 중소형빌딩을 대상으로 분석하였으나, 대부분 자료취합의 어려움 등으로 적은 데이터를 활용하여 연구를 하였다.
등기부등본에 소유권 이전 사실이 기재되어 거래 사실이 확인된 2,704개의 사례를 분석대상으로 하되, 본 연구의 대상인 중소형오피스빌딩을 선별하기 위해 기존 선행연구와 신영에셋, 코람코 자산신탁 등의 마켓리포트 상 분류 기준을 참고하여 층수 20층 이상, 연면적 10,000㎡이상인 대형 건물을 제외하고, 건물이 없는 것, 거래가 이루어진 이후에 건물을 신축한 것, 집합건물인 것, 중복된 거래 사례, 건축물대장상에 건축년도가 없는 것 등 표본으로 활용할 수 없는 것을 제외하였다. 이렇게 정리된 분석 대상 자료는 1,714개로 [표 2]과 같다.
이중 일부 면적이 주거용으로 사용되고 있는 것을 제외하여 최종적인 분석대상자료로 1,056개를 선정하였다.
분석절차는 훈련데이터로 신경망노드를 형성한 후 10%의 검정데이터에 신경망노드를 결합하였다. 입력 층은 95개의 neurons, 은닉층은 3개층을 사용하였고, 각 층별로 정확한 분석을 위해 13개의 neurons3를 발생시켰다. 입력변수는 다중회귀모형과 동일하게 49개의 변수를 사용하였으며, 출력변수도 종속변수인 매매가를 사용하였다.
첫 번째로 연구데이터에서 전수조사를 통해 획득한 1710개의 데이터 중 상업용 용도로만 사용하고 있는 표본을 추출하여 1056개의 최종데이터를 추출 및 세 가지 모형에 적합하도록 데이터를 가공하였다.
모형생성시 사용한 설정은 Quick모드를 사용하였으며, Ovetraining을 90%를 설정 하였다. 총1,056개 자료중 90%를 훈련자료(Training data)로 사용하고 10%를 검정자료(Testing data)로 사용하였다.
데이터처리
두 번째로 SPSS21을 사용하여 다중회귀모형을 통해 유의한 변수들을 통해 잠정적인 매매가격결정모형을 도출하였다.
본 연구에서는 각 모형의 비교분석을 위해 회귀모형, 신경망모형, 의사결정나무모형의 통합Stream을 만들어서 첫째, 각 모형별 유의한 중요변수들을 추출하고, 둘째, 모형별 정확도 또는 예측도를 위해 RMSE(Root Mean Square Error) 비교하였으며, 셋째, 각 모형별 Gain Chart와 Response 를 도출하여 각 모형별 예측력을 비교하였다.
세 모형의 예측력 비교방법으로 RMSE(root mean square error)를 사용하였다.
세 번째로, 데이터마이닝 프로그램인 Clementine11.1을 사용하여 회귀분석 모형으로 스트림(stream)을 구축하여 다중회귀모형의 결정과 비교하였다.
이론/모형
모형의 정확도를 분석하기 위해 추정 값의 정확성을 판별하는 기준(즉 실측치와 예측치의 차이)이 필요하며, 이러한 판별기준으로 MAD(Mean Absolute Deviation), RMSE(Root Mean Square Error), MAPE(Mean Absolute Percentage error), Gain Chart(이득도표), Response, Lift, Profit, ROI 등이 사용된다.
본 연구는 오피스매매가격 결정모형을 분석하기 위해 회귀모형과 데이터마이닝기법 중 지도학습모형인 신경망모형과 의사결정나무모형을 사용하였다.
본 연구에서는 C&R Tree 방법4(지니측도5 활용) 채택하였다.
본 연구에서는 C&R Tree를 활용하였다.
본 연구에서는 학습방법으로는 지도학습모형을 사용하였으며, 신경망모형은 Clementine11.1프로그램을 사용하여 분석하였다.
분석방법은 Quilan(1993)의 C5.0과 Breiman, Friedman, Olshen and Stone(1984)의 C&R Tree(Classification and Regression Tree)이다.
성능/효과
Gain Chart 확인 결과 30% 구간까지 세 모형 모두 유사한 예측력을 보이고 있으나 이후 Best Line과 차이를 보이면서 회귀모형의 예측력이 감소하고 있다.
본 연구의 자료는 2006년 1월부터 2013년 8월 까지 서울시 강남구의 대지를 기준으로 총 23,721개 지번에 대한 대법원 인터넷 등기소를 활용하여 전수조사를 하였다. 거래사실이 확인된 2,704개의 필지를 다시 각 필지에 대한 등기부등본을 발급받아 등기부등본상에 나타나는 실거래가격과 소유자 관련 자료를 정리하고, 토지와 건물 특성에 대해서는 토지대장과 건축물대장에 기재되어 있는 사실을 정리하였다. 등기부등본에 소유권 이전 사실이 기재되어 거래 사실이 확인된 2,704개의 사례를 분석대상으로 하되, 본 연구의 대상인 중소형오피스빌딩을 선별하기 위해 기존 선행연구와 신영에셋, 코람코 자산신탁 등의 마켓리포트 상 분류 기준을 참고하여 층수 20층 이상, 연면적 10,000㎡이상인 대형 건물을 제외하고, 건물이 없는 것, 거래가 이루어진 이후에 건물을 신축한 것, 집합건물인 것, 중복된 거래 사례, 건축물대장상에 건축년도가 없는 것 등 표본으로 활용할 수 없는 것을 제외하였다.
끝으로 의사결정나무모형은 앞의 두 분석결과와는 달리 상업지역더미가 유의하지 않았으며, 합산공시지가, 상권더미, 지상층수, 지하층, 개포더미, 접도더미 순으로 가지치기가 나타났다.
더미변수를 제외한 변수들 중 접도수의 경우 평균 1개 이상의 접도수를 나타내며, 지하철역과의 도보시간의 경우 최소 1분에서 최대 10분 거리로 나타났으며, 평균 약 7분으로 나타났다. 합산 공시지가의 경우 최소 2.
둘째 건물의 특성보다는 주로 용도지역과 상권에 따라 매매가격이 높아짐을 알 수 있었다. 상업지역일수록, 교차로에 접할수록 매매가격이 높을 것이라는 기존 대형오피스 선행연구와 동일하였다[23].
000으로 통계적으로 매우 유의한 것으로 분석되었다. 또한 다중회귀모형에서의 다중공선성의 문제에 대해서도 공선성 통계량이 유의하게 결과가 제시되었다.
본 결과에서 계수 값이 가장 높은 변수들은 연면적, 합산공시지가, 상업지역더미, 상권더미, 청담더미, 신사 더미, 접도더미로 나타났다. 즉, 연면적이 클수록, 공시지가가 높을수록, 용도지역이 상업지역인 경우, 도산공원, 가로수길 등 주요 상권에 위치한 경우, 그리고 지역은 청담동 또는 신사동에 위치할수록 매매가격이 높고, 접도가 너비가 “길”인 경우 매매가격이 높게 나타났다.
본 연구에서 추정된 회귀모형결과 [표 5]에서 소유자 특성은 유의하지 않은 것으로 나타났으며, 입지적 특성, 토지특성, 건물특성, 거래특성에서는 유의한 변수들이 나타났다. 하위 변수별로 분석결과를 보면, 업무시설더미와 2종 일반주거지역더미를 제외한 모든 더미가 유의확률 1%에서 유의미하게 나왔다.
분석 결과 중소형오피스빌딩 매매가격은 합산공시지가에서 가지치기를 시작하여 합산공시지가가 2,048,515,796원을 기준으로 두 분류로 구분되었다.
입력변수는 다중회귀모형과 동일하게 49개의 변수를 사용하였으며, 출력변수도 종속변수인 매매가를 사용하였다. 분석결과 모형의 예측정확도는 96.347%로 회귀분석보다 높은 수치를 보여주었다.
신경망의 경우 예측력이 꾸준하게 유지되어 100%구간까지 우수한 예측력을 확보하는 것으로 나타났다. 의사결정나무모형은 신경망 분석과 회귀분석 중간수준의 예측모형으로 평가되었다.
이상의 결과를 통해 중소형오피스빌딩은 대형오피스빌딩과는 시장의 유형, 특성에서 차이가 있음을 알 수 있다. 중소형오피스의 경우 대형오피스에 비해 정확한 자료축적이 어려워 공부(등기부등본, 건축물대장) 등을 통해 간접적으로 자료를 추출하였기 때문에 투입된 변수가 제한적이며, 강남구에 한정되었다는 연구의 한계를 갖고 있다.
즉, 연면적이 클수록, 공시지가가 높을수록, 용도지역이 상업지역인 경우, 도산공원, 가로수길 등 주요 상권에 위치한 경우, 그리고 지역은 청담동 또는 신사동에 위치할수록 매매가격이 높고, 접도가 너비가 “길”인 경우 매매가격이 높게 나타났다.
첫 번째, 소유자 특성의 경우 세 가지 모형에서 중소형오피스 매매가격에 유의하지 않은 것으로 나타났다. 특히 법인소유여부에 따라 매매가격이 높은 것으로 나타난 기존 대형오피스 연구와는 다른 결과로, 중소형 오피스의 경우 소유형태에서 개인의 비중이 높기 때문인 것으로 판단된다.
본 연구에서 추정된 회귀모형결과 [표 5]에서 소유자 특성은 유의하지 않은 것으로 나타났으며, 입지적 특성, 토지특성, 건물특성, 거래특성에서는 유의한 변수들이 나타났다. 하위 변수별로 분석결과를 보면, 업무시설더미와 2종 일반주거지역더미를 제외한 모든 더미가 유의확률 1%에서 유의미하게 나왔다.
회귀분석모형의 경우 계수 값이 높은 것을 기준으로 연면적, 합산공시지가, 상업지역더미, 상권더미, 청담더미, 신사더미, 접도더미를 순으로 나타났으며, 신경망모형의 경우 상대적 중요도가 상업지역더미, 접도 수, 지상층수, 지하철역과의 도보시간, 신사더미, 상권더미, 청담더미, 접도더미 순으로 나타났다
후속연구
비록 본 연구에서는 순수 비주거용으로 사용하고 있는 중소형오피스빌딩만을 대상으로 하였으나, 대부분의 중소형오피스빌딩은 주거용/비주거용이 혼재되어 있기 때문에 향후 테넌트 유형을 고려한 연구를 한다면 더욱 의미가 있을 것으로 생각된다. 또한 본 연구에서 분석결과 및 예측력 비교가 신경망모형 절대적으로 탁월하다는 것을 의미하지는 않는다, 다만 회귀모형과 신경망모형, 의사결정나무모형의 장점을 적극 활용하고, Gain Chart, Response Chart 등을 다각적으로 활용한다면 더욱 설명력이 있는 분석모형이 될 수 있을 것이라는 판단에서 시작하였으며, 최근 주거용, 대형오피스시장에서 지속적으로 연구가 되어 온 GIS를 활용한 공간계량모형을 추가한다면, 지역특성이 강한 중소형오피스 연구에 대한 연구의 범위와 깊이를 확대하는 것도 의미가 있을 것으로 판단된다.
Response Chart 결과에서도 Gain Chart 결과와 마찬가지로 신경망모형이 전반적으로 우수한 설명력을 나타내는 것으로 나타났다. 모형의 평가 결과만 볼 때 신경망모형이 가장 설명력이 높다고 판단할 수 있으나 각 분석방법의 장단점을 고려할 때 세 가지 분석방법을 함께 고려하는 것이 보다 객관적인 결과를 도출하는데 바람직할 것으로 판단된다.
하지만, 소유자특성과 테넌트특성 등에서 차이가 있다는 점은 의미가 있을 것이다. 비록 본 연구에서는 순수 비주거용으로 사용하고 있는 중소형오피스빌딩만을 대상으로 하였으나, 대부분의 중소형오피스빌딩은 주거용/비주거용이 혼재되어 있기 때문에 향후 테넌트 유형을 고려한 연구를 한다면 더욱 의미가 있을 것으로 생각된다. 또한 본 연구에서 분석결과 및 예측력 비교가 신경망모형 절대적으로 탁월하다는 것을 의미하지는 않는다, 다만 회귀모형과 신경망모형, 의사결정나무모형의 장점을 적극 활용하고, Gain Chart, Response Chart 등을 다각적으로 활용한다면 더욱 설명력이 있는 분석모형이 될 수 있을 것이라는 판단에서 시작하였으며, 최근 주거용, 대형오피스시장에서 지속적으로 연구가 되어 온 GIS를 활용한 공간계량모형을 추가한다면, 지역특성이 강한 중소형오피스 연구에 대한 연구의 범위와 깊이를 확대하는 것도 의미가 있을 것으로 판단된다.
향후 연구의 공간범위를 확대시킴으로서, 향후 중소형오피스시장에 대한 연구의 단초가 될 수 있으리라 생각된다.
질의응답
핵심어
질문
논문에서 추출한 답변
신경망모형이란 무엇인가?
신경망모형은 인간이 학습하는 형태를 모방하여 여러개의 neuron이 결합된 신경망 구조 및 정보처리메커니즘을 인공적으로 구현한 것으로 반복적으로 학습하여 자료에 내재된 패턴을 찾는 형태이다. 의사결정나무 분석이나 회귀모형 등에 비해 추론과정을 설명하기 어렵지만 Training Data를 통해 다양한 영역에 활용가능하며, 다른 데이터마이닝기법에 비해 우수한 성능을 보여주고 있다.
의사결정나무모형의 장점은?
의사결정나무모형은 의사결정 규칙을 도표화하여 수행하는 분석방법으로 분석과정이 나무구조에 의해서 표현되어 다른 분석방법들에 비해 연구자가 분석과정을 쉽게 이해하고 설명할 수 있다는 장점을 가지고 있다.
신경망모형의 장단점은?
신경망모형은 인간이 학습하는 형태를 모방하여 여러개의 neuron이 결합된 신경망 구조 및 정보처리메커니즘을 인공적으로 구현한 것으로 반복적으로 학습하여 자료에 내재된 패턴을 찾는 형태이다. 의사결정나무 분석이나 회귀모형 등에 비해 추론과정을 설명하기 어렵지만 Training Data를 통해 다양한 영역에 활용가능하며, 다른 데이터마이닝기법에 비해 우수한 성능을 보여주고 있다.
참고문헌 (24)
최막중, "서울시 오피스 시장의 특성과 추이 및 전망", 국토계획, 제30권, 제6호, 1995.
Do & Grudniski, "A Neural Network Analysis of the effect of age on Housing Values," Journal of Real Estate Research, Vol.8, No.2, 1993
Worzala Lenk & Silva, "Exploration of Neural Networks and its application to Real Estate Valuation," Journal of Real Estate Research, Vol.10, No.2, 1995.
Buja & Lee, "Data Mining Criteria for Tree-based Regression and Classification," Proceedings of the 7th ACM SIG KDD International Conference on Knowledge Discovery and Data Mining, 2001.
Nguyen & Cripps, "Predicting Housing Value; A Comparison of Multiple Regression Analysis and Artificial Neural Networks," Journal of Real Estate Research, Vol.22, No.2, 2001.
정화미, 허윤경, 이성호, "신경망을 이용한 개별 공시지가 산정에 관한 연구", 국토계획, 제36권, 제7호, 2001.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.