선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문은 시기별 금융시장과 지역별 주택시장 변동 사이의 동태적 관계성을 분석하는 것을 목적으로 한다. 이에 본 논문에서는 다음 그림 1과 같이 연구를 수행하였다.
- 본 논문은 시기별 주식, 채권 등 금융시장 변화가 지역별 주택시장에 미치는 영향을 벡터오차수정모형을 통해 비교분석하는 것을 목적으로 한다. 이에 본 논문에서는 서울시 강남 및 강북지역 아파트 매매가격지수, 주가 및 회사채수익률을 분석변수로 활용하였다.
- 이에 따라 본 연구는 서브프라임 금융위기 전후를 대상으로 서울시 부동산시장의 지역별 주택시장과 대표적인 금융투자시장인 주식시장 및 채권시장의 동태적 관계성을 실증분석함으로써 양 시장 간 투자수요의 움직임을 파악하는 것을 목적으로 한다.
- 이에 본 연구에서는 부동산시장의 독특한 특성이 지역적 투자수요 차이를 반영할 뿐만 아니라 서브프라임 금융위기를 기점으로 시기별로 양 시장 간 상호관련성을 비교분석함으로써 유의미한 시사점을 도출하고자 한다.
제안 방법
- 또한 적정시차 검정을 수행하여 분석 모형의 시차를 결정하였으며 공적분 발생여부를 확인하기 위해 Johansen 검정법을 수행하였다. 각 모델에 대한 공적분 검정 결과 공적분관계가 성립됨에 따라 본 논문에서는 양 모델 모두 벡터오차수정모형(VECM)을 구성하여 충격반응분석을 통해 분석을 수행하였다. 본 논문에 서는 분석을 위하여 Eviews-8 통계 소프트웨어를 활용하였다.
- 본 논문에서는 SIC를 기준으로 표 4와 같이 적정시차를 검토한 결과 Model 1, 2 모두 시차 1에서 SIC가 최소값으로 나타남에 따라 시차 1을 적정시차로 선정하였다.
- 즉 분석하고자 하는 변수에 대하여 1 표준편차의 충격을 줌으로써 다른 변수들에게 어떠한 영향을 주는지 살펴보는 것이다[19]. 본 논문에서는 상기와 같이 각 모델별 변수에 대한 기본적 검정을 기초로 각 모델의 벡터오차수정 모형을 설정한 후 충격반응분석을 실시하여 시기별 강남북 아파트매매지수, KOSPI 및 회사채수익률 간의 동태적 관계성을 비교분석하였다.
- 본 연구에서는 Johansen 검정법을 통해 Model 1, 2에 대하여 공적분 검정을 수행한 결과 다음 표 5와 같이 p-value가 0.05보다 작은 것으로 확인되어 공적분이 존재하지 않는다는 귀무가설을 기각함에 따라 벡터오차수정모형(VECM)을 구성하여 분석을 수행하였다.
- 주택시장은 서울시 강남, 강북지역 아파트 시장을 대상으로 하였으며, 금융자산은 주식시장과 채권시장을 중심으로 연구를 진행하였다. 분석 변수는 강남, 강북지역의 주택매매가격지수와 주식시장을 대변하는 KOPSI 및 채권시장을 대변하는 회사채수익률을 활용하였다. 분석 자료는 국민은행 및 통계청 데이터베이스를 통해 획득하였다.
- 이에 본 논문에서는 그랜져 인과관계 검정을 통해 다음 표 2, 3과 같이 각 모델에 대하여 변수들 간 인과관계를 검토한 결과, Model 1과 Model 2 모두 회사채수익률, KOSPI, 강남매매, 강북매매 순서로 인과관계를 설정하여 모형 내 배열순서를 결정하였다.
- 본 논문은 시기별 주식, 채권 등 금융시장 변화가 지역별 주택시장에 미치는 영향을 벡터오차수정모형을 통해 비교분석하는 것을 목적으로 한다. 이에 본 논문에서는 서울시 강남 및 강북지역 아파트 매매가격지수, 주가 및 회사채수익률을 분석변수로 활용하였다. 분석변수의 시계열 자료는 2000년 1월부터 2015년 10월까지의 월별 자료이다.
대상 데이터
- 분석 자료는 국민은행 및 통계청 데이터베이스를 통해 획득하였다. 본 연구에서는 서브프라임 금융위기 발생 이전인 2000년 1월부터 2007년 12월까지를 Model 1로, 2008년 1월부터 최근 2015년 10월까지를 Model 2로 구분하여 비교분석하였다.
- 분석 변수는 강남, 강북지역의 주택매매가격지수와 주식시장을 대변하는 KOPSI 및 채권시장을 대변하는 회사채수익률을 활용하였다. 분석 자료는 국민은행 및 통계청 데이터베이스를 통해 획득하였다. 본 연구에서는 서브프라임 금융위기 발생 이전인 2000년 1월부터 2007년 12월까지를 Model 1로, 2008년 1월부터 최근 2015년 10월까지를 Model 2로 구분하여 비교분석하였다.
- 이에 본 논문에서는 서울시 강남 및 강북지역 아파트 매매가격지수, 주가 및 회사채수익률을 분석변수로 활용하였다. 분석변수의 시계열 자료는 2000년 1월부터 2015년 10월까지의 월별 자료이다. 본 연구에서는 서브프라임 금융위기 발생 이전인 2000년 1월부터 2007년 12월까지를 Model 1로, 2008년 1월부터 최근 2015년 10월까지를 Model 2로 구분하여 비교분석하였다.
- 주택시장은 서울시 강남, 강북지역 아파트 시장을 대상으로 하였으며, 금융자산은 주식시장과 채권시장을 중심으로 연구를 진행하였다. 분석 변수는 강남, 강북지역의 주택매매가격지수와 주식시장을 대변하는 KOPSI 및 채권시장을 대변하는 회사채수익률을 활용하였다.
데이터처리
- 먼저 각 모델의 변수들의 안정성 여부를 판단하기 위해서 ADF(Augmented Dickey-Fuller) 단위근 검정을 수행하고 각 모델 내의 변수들의 배열순서를 결정하기 위하여 그랜져 인과관계 검정을 통해 변수들 사이 인과성을 판별하였다. 또한 적정시차 검정을 수행하여 분석 모형의 시차를 결정하였으며 공적분 발생여부를 확인하기 위해 Johansen 검정법을 수행하였다. 각 모델에 대한 공적분 검정 결과 공적분관계가 성립됨에 따라 본 논문에서는 양 모델 모두 벡터오차수정모형(VECM)을 구성하여 충격반응분석을 통해 분석을 수행하였다.
- 먼저 각 모델의 변수들의 안정성 여부를 판단하기 위해서 ADF(Augmented Dickey-Fuller) 단위근 검정을 수행하고 각 모델 내의 변수들의 배열순서를 결정하기 위하여 그랜져 인과관계 검정을 통해 변수들 사이 인과성을 판별하였다. 또한 적정시차 검정을 수행하여 분석 모형의 시차를 결정하였으며 공적분 발생여부를 확인하기 위해 Johansen 검정법을 수행하였다.
- 시계열 자료의 안정성을 검정하기 위해 단위근(unit root) 검정이 이루어진다[14]. 본 연구에서는 각 모델의 강남북 서울시 아파트 매매가격지수 및 KOSPI, 회사채 수익률 변수들에 대하여 일반적으로 활용되는 ADF (Augmented Dickey-Fuller) 검정법을 통해 단위근 검정을 다음 표 1과 같이 실시하였다.
- 10보다 작음에 따라 단위근이 존재한다는 귀무가설을 기각하는 것으로 확인되었다. 이에 따라본 논문에서는 1차차분변수가 안정적인 시계열인 것으로 판단하였으며, 1차차분변수를 활용하여 그랜져 인과관계 검정을 실시하였다.
이론/모형
- 각 모델에 대한 공적분 검정 결과 공적분관계가 성립됨에 따라 본 논문에서는 양 모델 모두 벡터오차수정모형(VECM)을 구성하여 충격반응분석을 통해 분석을 수행하였다. 본 논문에 서는 분석을 위하여 Eviews-8 통계 소프트웨어를 활용하였다.
성능/효과
- 강북지역 주택가격 상승의 경우 수요심리를 자극하여 금융위기 전후 모두 초기에는 주택가격 상승을 견인하는 것으로 나타났다. 하지만 시간이 지남에 따라 금융위기 이전에는 변동폭이 유지되었으나, 금융위기 이후에는 변동폭이 급속도로 낮아졌다.
- 강북지역 주택시장의 경우 경기상승기에는 강북지역 주택가격 상승 자체가 수요 심리를 자극하여 지속적인 영향을 미쳤으나 금융위기 이후에는 경기하락기였음에 따라 다양한 경로로 강북지역으로 수요이동이 발생하더라도 강북지역 주택가격 상승은 단기적이며 제한적인 것으로 나타났다.
- 두 번째로 강북매매가격은 강남매매가격 및 회사채수익률 충격에 대하여 양(+)의 변동을 나타냈으며, 최종 10개월에는 약 0.40%, 0.22%의 변동폭을 나타냈다. 반면 KOSPI 충격에 대하여 강북매매가격은 초기부터 음 (-)의 변동을 나타내었으며, 점차 변동폭이 증가하여 최종 10개월에는 약 0.
- 두 번째로, 강북매매가격은 강남매매가격 충격에 대하여 초기에 약 0.94% 양(+)의 변동폭을 나타냈으며 최종 10개월까지 해당 변동폭이 거의 지속적으로 유지되었다. 강북매매가격 자체 충격에 대해서도 강북매매가격은 초기 약 0.
- 09%의 변동을 나타냈다. 또한 KOSPI 충격에 대하여 강남매매가격은 초기에는 양(+)의 방향으로 변동하였으나, 3개월부터 변동양상이 전환되어 최종 10개월에는 약 0.45% 음(-)의 변동을 나타냈다.
- 08%의 변동폭을 나타냈다. 또한 KOSPI 충격에 대하여 강남매매가격은 초기에는 양(+)의 변동을 나타냈지만 9개월부터 변동양상이 전환되었으며, 그 변동수준은 상대적으로 매우 낮은 것으로 확인되었다.
- 또한 강북지역 주택가격 충격에 대하여 강남지역 주택가격 변동은 금융위기 전후 모두 서로 음(-)의 관계를 나타냈다. 이는 강남지역 주택가격 변동이 강북지역 주택가격 변동에 선행하는 것을 고려했을 때, 강남지역 주택시장 수요가 일부 강북지역으로 이동함에 따라 나타날 수 있는 현상이다.
- 먼저 경기상승기, 하락기 모두에서 강남지역 주택시장은 서울시 주택시장을 주도하는 것으로 나타났다. 또한 상대적으로 강북지역 주택시장 변동은 강남지역 주택 시장 변화에 영향을 미치더라도 매우 미미한 것으로 확인되었다.
- 먼저 경기상승기, 하락기 모두에서 강남지역 주택시장은 서울시 주택시장을 주도하는 것으로 나타났다. 또한 상대적으로 강북지역 주택시장 변동은 강남지역 주택 시장 변화에 영향을 미치더라도 매우 미미한 것으로 확인되었다.
- 먼저 금융위기 전후 모두 강남 및 강북 지역 모두 강남지역 주택매매가격 충격에 대하여 가장 큰 양(+)의 변동을 나타냈다. 즉 경기 상승기, 하락기 모두 주택시장의 경우 강남지역 주택가격 변동이 서울시 전체 주택가격 변동을 주도하는 것을 의미한다.
- 74% 양(+)의 변동폭이 최종 10개월까지 지속되었다. 반면 KOSPI 및 회사채수익률 충격에 대하여 강북매매가격은 음(-)의 변동폭을 나타냈으며, 해당 변동폭은 최종 10개월까지 지속되는 것으로 확인되었다.
- 22%의 변동폭을 나타냈다. 반면 KOSPI 충격에 대하여 강북매매가격은 초기부터 음 (-)의 변동을 나타내었으며, 점차 변동폭이 증가하여 최종 10개월에는 약 0.18%의 변동을 나타냈다. 또한 강북 매매가격 자체 충격에 대하여 강북매매가격은 초기에는 양(+)의 방향으로 변동하였으나 8개월부터 변동양상이음(-)의 방향으로 전환되었다.
- 분석 결과, 수준변수의 경우 대부분 p-value가 0.10보다 큼에 따라 단위근이 존재하다는 귀무가설을 기각하지 못하는 것으로 나타났다. 하지만 1차차분변수의 경우 모두 p-value가 0.
- 또한 KOSPI 변동에 따라 강남지역 주택시장은 금융 위기 전후 상이한 변동양상을 나타냈다. 즉 금융위기 이전 장기적인 자산대체관계를 나타냈으나, 금융위기 이후에는 비록 변동폭은 줄어들었으나 상대적으로 금융위기 이전보다 자산동조관계를 나타냈다. 이는 경기상승기일때, 강남지역 주택시장이 금융시장과는 독립적인 투자시장으로서의 위치를 확보하는데 반해, 경기하락기일 때는, KOSPI와 더불어 전반적인 거시경제흐름에 영향을 받는 것을 의미한다.
- 첫 번째로, 강남매매가격은 강남매매가격 자체 충격에 대하여 지속적으로 변동폭이 증가하여 최종 10개월에 약 1.75% 양(+)의 변동을 나타냈다. 반면 강남매매가 격은 강북매매가격 및 회사채수익률 충격에 대하여 지속적으로 음(-)의 방향으로 변동폭이 증가하여 최종 10개월에 약 0.
- 첫 번째로, 강남매매가격은 강남매매가격 자체 충격에 대하여 초기에 약 0.46% 양(+)의 변동을 나타냈으며, 최종 10개월까지 지속되어 약 0.49%의 변동폭을 나타냈다. 회사채수익률 충격에 대한 강남매매가격의 변동양상 역시 초기 약 0.
- 10보다 큼에 따라 단위근이 존재하다는 귀무가설을 기각하지 못하는 것으로 나타났다. 하지만 1차차분변수의 경우 모두 p-value가 0.10보다 작음에 따라 단위근이 존재한다는 귀무가설을 기각하는 것으로 확인되었다. 이에 따라본 논문에서는 1차차분변수가 안정적인 시계열인 것으로 판단하였으며, 1차차분변수를 활용하여 그랜져 인과관계 검정을 실시하였다.
후속연구
- 국내 대표적인 부동산시장 강남북 주택시장과 금융시장 간의 관계성을 분석한 본 논문의 연구 결과는 경기변동에 따라 국내 투자수요의 움직임을 직·간접적으로 파악함으로써 금융시장과 부동산시장을 종합한 투자 포트폴리오를 구성하는데 기초자료로 활용할 수 있을 것으로 판단된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.