[논문]데이터 마이닝을 이용한 아파트 초기계약 예측모형 개발: 위례 신도시 미분양 아파트 단지를 사례로

김지영; 이상경

doi:10.14400/jdc.2018.16.12.217

데이터 마이닝을 이용한 아파트 초기계약 예측모형 개발: 위례 신도시 미분양 아파트 단지를 사례로
Development of Forecasting Model for the Initial Sale of Apartment Using Data Mining: The Case of Unsold Apartment Complex in Wirye New Town 원문보기

디지털융복합연구 = Journal of digital convergence, v.16 no.12, 2018년, pp.217 - 229

초록
AI-Helper

이 연구에서는 미분양 아파트 단지의 세대별 계약 자료에 데이터 마이닝 기법인 의사결정나무, 신경망, 로지스틱 모형을 적용하여 세대별 초기계약을 예측하는 모형을 개발한다. 모형 개발에는 위례신도시 미분양 아파트 단지의 계약 자료가 이용되며, 이 자료는 훈련용 자료와 검정용 자료로 분할되어 분석에 투입된다. 훈련용 자료에서는 신경망, 의사결정나무, 로지스틱 모형 순으로 예측력이 뛰어났지만 검정용 자료에서는 로지스틱 모형이 가장 우수하게 나타났다. 이 같은 결과는 신경망이 훈련용 자료에 최적화된 모형으로 구축되면서 검정용 자료에 대한 적응성이 떨어져 나타난 결과로 판단된다. 의사결정나무와 로지스틱 모형을 병행 적용한 결과, 층수, 향, 세대 위치, 전기 및 발전기실의 소음, 청약자 거주지, 청약 종류가 초기계약에 영향을 주는 것으로 나타났다. 이는 두 가지 모형을 같이 사용하는 것이 초기계약 결정요인 발굴에 더 효과적이라는 것을 의미한다. 이 연구는 데이터 마이닝의 적용 범위를 주택 분양 예측까지 확장함으로써 융복합 분야 발전에 기여하고 있다.

Abstract ▼ AI-Helper

This paper aims at applying the data mining such as decision tree, neural network, and logistic regression to an unsold apartment complex in Wirye new town and developing the model forecasting the result of initial sale contract by house unit. Raw data are divided into training data and test data. The order of predictability in training data is neural network, decision tree, and logistic regression. On the contrary, the results of test data show that logistic regression is the best model. This means that logistic regression has more data adaptability than neural network which is developed as the model optimized for training data. Determinants of initial sale are the location of floor, direction, the location of unit, the proximity of electricity and generator room, subscriber's residential region and the type of subscription. This suggests that using two models together is more effective in exploring determinants of initial sales. This paper contributes to the development of convergence field by expanding the scope of data mining.

주제어

표/그림 (16)

그림 Fig. 1. SAS E-Miner flow chart
표 Table 1. Composition of subscription
표 Table 2. Contract rate of initial sale
표 Table 3. Variables for data mining
그림 Fig. 2. Results of decision tree analysis
표 Table 4. Statistics of decision tree analysis
표 Table 5. Classification rate of decision tree analysis
그림 Fig. 3. Structure of multi-layered neural network
표 Table 6. RMSE by the number of hidden nodes
표 Table 7. Statistics of neural network analysis
표 Table 8. Classification rate of Neural network analysis
표 Table 11. Results of logistic regression analysis
표 Table 9. Statistics of logistic regression analysis
표 Table 10. Classification rate of logistic regression
표 Table 12. Comparison of final models
표 Table 13. Comparison of determinants by model

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

내용 측면에서 보면, 거시적 관점의 기존 연구와 달리 미시적 관점에서 사례연구를 했다는 점에서 차별화가 된다. 기존의 연구들이 거시적 차원에서 단지 단위의 초기계약률 결정요인을 다루는 연구라면 본 연구는 미시적 관점에서 미분양 아파트 단지를 사례로 세대별 초기계약 결정요인을 분석하는 연구이다. 방법론적 측면에서 본 연구는 데이터 마이닝의 적용 범위를 주택 분양 예측까지 확장함으로써 융복합 분야의 발전에 기여하고 있다.
본 연구가 주택을 대상으로 하는 관계로 주택 분야에 데이터 마이닝을 적용한 경우를 중심으로 선행연구를 살펴보고자 한다. 먼저, 데이터 마이닝 기법을 이용하여 임차인의 임대계약 선택을 분석한 연구[18]에서는 주택임대 계약형태를 종속변수로 하고 가구주 직업, 주택 형태, 1인당 주거면적, 가구주연령, 1인 가구, 금융자산, 부동산 자산, 월 소득, 가구주 교육수준을 독립변수로 하였다.
세대별 초기계약 결과가 이진형의 명목척도 형태로 종속변수에 투입되는 관계로 로지스틱 모형 중에서 이항 로지스틱 모형을 분석에 이용한다. 본 연구는 기존의 거시적 관점의 연구와 내용과 방법론 측면에서 차별화된 연구를 지향한다. 내용적으로 미분양 아파트의 초기계약 결정요인을 실증적으로 분석하게 되며 데이터 마이닝 기법을 아파트 미분양 분야에 처음으로 도입하게 된다.
각 은닉마디는 입력층으로부터 변수들이 선형결합을 비선형결합으로 처리하여 출력층 또는 다른 은닉층으로 전달하고 출력층은 목표변수에 대응하는 마디를 갖게 되어 여러 개의 목표변수를 있는 경우 여러 개의 출력마디들이 존재하게 된다[5]. 본 연구에서는 은닉층을 점차 늘리는 방법으로 반복학습을 실시하는 방법으로 모형의 예측력을 향상시키게 된다. 예측력 향상은 RMSE를 기준으로 확인하며 은닉층 노드수를 점차 늘려도 RMSE가 더이상 개선되지 않을 때까지 무한반복학습을 하게 한다.
이 같은 인식하에, 본 연구에서는 미분양 아파트 사례 단지의 세대별 계약 자료에 데이터 마이닝을 적용하여 세대별 초기계약 예측모형을 개발하고자 한다. 사례단지는 하남도시공사가 위례신도시에 분양한 A아파트단지로 분양 당시 당첨자들의 계약포기로 미분양 세대가 발생한 경우에 해당한다.
이들 연구들은 회귀분석과 같은 특정 모형이 우수 모형이 선택될 수 있지만 연구의 질 향상 등을 고려하여 세 가지 모형 모두를 병행 사용하는 것이 필요하다는 주장을 펴고 있다. 이는 세 가지 모형을 보완적으로 사용할 경우 유의한 변수를 더 많이 찾아낼 수 있다는 사실에 근거하는 것으로 본연구에서도 세 가지 모형의 병행 사용을 통해 유의한 변수들을 더 많이 찾아내고자 한다.

제안 방법

두번째 자료탐색 단계는 흐름도의 Stat explore에 해당하며 빈도분석과 카이제곱통계량을 이용하여 분양계약에 영향을 미치는 변수들을 탐색한다.
데이터 마이닝은 일반적으로 자료추출(sampling), 자료탐색(explore), 수정(modify), 모형설정(model), 모형평 가(assess)로 구성되는 SEMMA 5단계 과정을 통해 결과를 도출하게 된다[23]. 본 연구에서는 SAS E-Miner 프로그램을 이용하여 Fig. 1의 흐름도(flow chart)에서 보이는 SEMMA 5단계 과정을 수행한다. 첫 번째 자료추출 단계는 흐름도의 Data partition에 해당하며 여기서는 분양아파트의 초기계약 전체자료를 훈련용 자료(training data) 70%와 검정용 자료(test data) 30%로 분할한다.
본 연구에서는 다층인식자 신경망을 분석에 이용한다. 다층인식자는 입력층, 은닉층, 그리고 출력층으로 구성된 신경망이다.
카이제곱 검정을 통해 가장 큰 차이를 보여주는 분할을 현재마디에서 분할자로 선택하며, 더 이상 분할이 없을 때까지 이 과정을 통해 나무를 키워나가게 된다 [22]. 본 연구에서는 의사결정나무 모형 구축을 위해 유의수준, 최대가지 수, 최대깊이, 최소 범주형 크기, 분리 정확도, 리프크기, 규칙개수의 분류기준 등을 반복 설정하며 RMSE(root mean square error)가 더 이상 개선되지 않을 때까지 작업을 수행한다.
본 연구에서는 하남시 위례신도시 미분양 아파트 단지의 세대별 계약 자료에 데이터 마이닝 기법인 의사결정나무와 신경망, 로지스틱 회귀모형을 적용하여 세대별 초기계약 예측모형을 개발하였다. 계약 자료는 훈련용 70%와 검정용 30%로 분할되어 분석에 이용된다.
[17]에서는 분석방법으로 생존분석(survival analysis)을 이용하였으며 분양시장의 선호특성과 전매시장의 선호특성을 비교하였다. 분양시장 분석에서는 종속변수로 분양계약까지 걸린 시간을, 전매시장 분석에서는 분양이후 전매까지 걸린 시간을 이용하였다. 분석 결과, 공급자에 의해 가격이 결정되는 분양시장에서는 아파트의 구조특성인 평형, 층수, 조망의 영향이 강하지만 전매시장에서는 이 같은 특성들이 가격에 반영되면서 이들 변수의 영향력이 상대적으로 줄어드는 것으로 나타났다.
신경망 분석은 SAS E-Miner를 이용하여 프로그램에서 지원하는 최대반복수 1,000회, 최대시간 4시간을 기준으로 히든 노드수를 점차 늘리는 반복 학습을 적용하였다. Table 6은 히든 노드 수 17에서 더 이상 RMSE의 개선이 일어나지 않는 것을 보여주고 있다.
본 연구에서는 은닉층을 점차 늘리는 방법으로 반복학습을 실시하는 방법으로 모형의 예측력을 향상시키게 된다. 예측력 향상은 RMSE를 기준으로 확인하며 은닉층 노드수를 점차 늘려도 RMSE가 더이상 개선되지 않을 때까지 무한반복학습을 하게 한다.
[17]에 따르면, 미분양 세대의 시장잔류시간은 평형, 층수, 세대배치, 조망과 같은 구조특성과 계약자 연령, 거주지 같은 인적 특성에 영향을 받는다. 이 같은 변수들은 본 연구의 초기계약 결정 과정에서도 영향을 줄가능성이 높다는 점에서 구조특성과 인적 특성으로 도입한다.
분석 결과, 공급자에 의해 가격이 결정되는 분양시장에서는 아파트의 구조특성인 평형, 층수, 조망의 영향이 강하지만 전매시장에서는 이 같은 특성들이 가격에 반영되면서 이들 변수의 영향력이 상대적으로 줄어드는 것으로 나타났다. 이 연구에서는 이들 변수 외에도 세대배치, 계약자 연령, 성별 등이 독립변수로 사용되었는데, 본 연구에서도 이를 참조하여 이들 변수들을 예측모형에 투입하는 독립변수를 설정하고자 한다.
[25]을 보면, 초등교와 생활편의시설이 멀어질수록 주택가격이 떨어지고 있다. 이를 고려하여 본 연구에서도 접근성 특성으로 편의 시설 접근성, 도로 접근성, 초등학교 거리를 도입한다.[26]에 따르면, 쓰레기 소각장과 같은 유해시설은 주택가 격에 부의 영향을 준다.
회귀분석이 가장 예측력이 좋은 모형으로 나타났지만 의사결정나 무모형을 통해 강남권 아파트의 재건축 기대심리를 유의한 변수로 찾아냈다는 점을 고려하여 세 모형의 장점들을 살리는 것이 연구의 질을 향상시킬 수 있다고 주장하였다. 이와 유사한 결과는 데이터 마이닝을 아파트 실거래가격에 적용한 연구[12]에서도 나타나고 있는데, 이 연구에서는 독립변수로 아파트면적, 아파트 층수, 건축연도, 시청 직선거리, 2차선 직선거리, 4차선 직선거리, 지하철역 직선거리, 공원 직선거리, 인구밀도로 지역은 서울시 강남권, 강서권, 도심권, 강북권을 설정하였으며, 의사결정나무분석, 다중회귀분석, 신경망분석을 이용해 실증분석을 시도하였다. 분석결과, 신경망 분석이 가장 우수한 것으로 나타났지만 세 모형의 장점을 살릴 경우 연구 내용이 풍부해진다는 점을 강조하였다.

대상 데이터

구체적으로, 구조특성은 전용면적, 발코니 확장, 층수, 골프장 조망, 세대 위치, 향으로 구성한다.
이 같은 결과는 신경망 모형이 훈련용 자료에는 최적화되었지만 검정용 자료에는 최적화되지 않았다는 것을 의미한다. 데이터 마이닝 절차에 따라 전체 자료는 훈련용 자료 70% 와 검정용 자료 30%로 분할되어 분석에 이용되었으며, 무작위로 추출된 관계로 이질성이 강한 자료라고 할 수는 없다. 신경망 모형이 훈련용 자료의 관측치에 민감하게 반응하면서 모형을 구축하다보니 검정용 자료의 작은 변화에도 적합도가 떨어지게 된 것으로 보여 진다.
분석 자료는 2013년 하남시 위례신도시에서 보금자리 주택으로 공급된 A단지의 계약 자료이다. 이 단지를 사례로 선택한 이유는 현실적으로 다른 미분양 아파트 단지의 초기계약 자료를 확보하는 것이 어렵다는 점과 연구자들이 사업상황을 잘 알고 있어 자료처리와 해석 과정에서 오류를 범할 가능성이 적다는 점에 있다.
사례단지는 ‘보금자리주택건설 등에 관한 특별법’에 따라 서울시, 인천시, 경기도에 거주하는 무주택 세대주를 대상으로 주택을 공급하며, 하남시 30%, 경기도 20%, 수도권 50% 비율만큼 해당지역에 우선 공급한다.
이 같은 인식하에, 본 연구에서는 미분양 아파트 사례 단지의 세대별 계약 자료에 데이터 마이닝을 적용하여 세대별 초기계약 예측모형을 개발하고자 한다. 사례단지는 하남도시공사가 위례신도시에 분양한 A아파트단지로 분양 당시 당첨자들의 계약포기로 미분양 세대가 발생한 경우에 해당한다. 초기계약 예측모형 개발은 데이터 마이닝 기법 중 의사결정나무와 신경망, 로지스틱 모형을 이용한다.

이론/모형

초기계약 예측모형 개발은 데이터 마이닝 기법 중 의사결정나무와 신경망, 로지스틱 모형을 이용한다. 세대별 초기계약 결과가 이진형의 명목척도 형태로 종속변수에 투입되는 관계로 로지스틱 모형 중에서 이항 로지스틱 모형을 분석에 이용한다. 본 연구는 기존의 거시적 관점의 연구와 내용과 방법론 측면에서 차별화된 연구를 지향한다.
의사결정나무는 자료의 변수들을 분석하여 이들 사이의 패턴과 분류별 특성을 분류하여 나무형태로 만들게 된다[5]. 의사결정나무 분석에서는 CART(classification and regression trees) 알고리즘과 CHAID(chi-squared automatic interaction detection) 알고리즘이 주로 사용되는데, 본 연구에서는 목표변수가 범주형인 점을 감안하여 카이제곱통계량을 이용하는 CHAID를 적용한다. CHAID는 다른 알고리즘과 다르게 과다적합이 일어나기 전에 나무를 키워 나가는 것을 중지하며 범주형 변수에만 국한되어 사용된다는 점이 다른 알고리즘과 차별화된다.

성능/효과

Table 12는 훈련용 자료 1,171개를 이용하여 최종 개발된 의사결정나무, 신경망, 로지스틱 모형을 검정용 자료 502개에 적용하여 그 결과를 비교한 것이다. RMSE를 통해 예측력을 비교해 보면, 신경망 모형 0.245, 의사결정 나무 모형 0.465, 이항 로지스틱 회귀모형 0.471 순으로 신경망 모형이 가장 우수한 것으로 나타났다. 이들 최종 모형들을 검정용 자료에 적용하고 RMSE를 통해 그 결과를 비교해 보면, 로지스틱 회귀모형 0.
층수는 의사결정나무 분석에서도 유의했던 변수로 로지스틱 회귀분석에서도 1% 유의수준에서 유의한 것으로 나타났다. 결과를 보면, 최상층에 비해 기준층 계약이 더 잘 체결되는 데 반해 저층은 계약이 잘 체결되는 않는 것으로 나타났다. 세대 위치는 10% 유의수준에서 유의하며, 세대위치가 서쪽인 경우보다 중앙인 경우가 계약체결이 잘 되었다.
고층은 아파트 조망 측면에서 선호되고 있고 층수가 높을수록 가격이 높게 형성된다. 결과적으로 기준층과 최고층의 계약률이 저층 세대보다 더높게 나타났다.
반면, 서울시 청약자의 경우 사례단지의 분양가를 낮은 것으로 평가할 가능성이 크고 소득이 상대적으로 높아 긍정적 영향을 받게 될 가능성이 높다. 결과적으로 서울시 당첨자들의 계약률이 가장 높게 나타났고 하남시 당첨자의 계약률이 가장 낮게 나타났다.
첫째, 훈련용 자료를 대상으로 모형을 개발한 결과, RMSE와 정분류율 모두에서 신경망, 의사결정나무, 로지스틱 모형 순으로 예측력이 떨어지는 것으로 나타났다. 그러나 최종모형을 검정용 자료에 적용한 결과에서는 반대로 로지스틱 모형, 의사결정나무, 신경망 순으로 예측력이 떨어지는 것으로 나타났다. 신경망 모형의 경우 훈련용 자료에 최적화된 모형을 만들어 낼 수 있지만 검정용 자료에 이를 적용할 경우 예측력이 떨어지는 것으로 나타났다.
넷째, 청약종류가 계약체결에 영향을 주는 것으로 나타났다. 특별공급 당첨자의 경우 평생 1번 분양받을 권리를 사용한 관계로 계약을 포기하게 되면 다시는 특별공급을 받을 수 없게 되고 따라서 일반공급 당첨자에 비해 계약을 더 많이 체결하는 것으로 나타났다.
다섯째, 청약자의 거주지가 초기계약에 영향을 주는 것으로 확인되었다. 보금자리주택의 경우 지역우선 공급이 법적으로 정해져 있어 사례단지의 경우도 당해지역인 하남시 청약자들에게 30%, 경기도 청약자들에게 20%를 우선 배정하고 나머지 서울·인천·수도권 청약자들에게 50%를 배정하게 된다.
둘째, 의사결정나무 분석과 로지스틱 회귀분석을 통해 분양아파트의 초기계약에 영향을 미치는 구조특성과 환경특성, 인적특성을 찾아낼 수 있었다. 의사결정나무 분석을 통해 층수, 향, 전기·발전기실의 소음, 청약자 거주지, 청약종류가 유의하게 나타났다.
둘째, 저층 당첨자들은 남서향에 비해 남향과 남동향 계약을 선호하는 것으로 나타났다. 저층 계약자들은 저층의 단점인 일조량 부족을 극복하길 원하고 이 때문에 향에 민감하게 반응하는 것으로 보인다.
의사결정나무 분석을 통해 층수, 향, 전기·발전기실의 소음, 청약자 거주지, 청약종류가 유의하게 나타났다. 또한 로지스틱 회귀 분석을 통해 층수, 세대위치, 청약자 거주지, 청약종류가 유의하게 나타났다. 층수, 청약자 거주지, 청약종류처럼 두 모형에서 공통으로 유의한 요인도 있지만 향, 전기·발전기실의 소음, 세대 위치 변수처럼 한 모형에서만 유의한 경우가 있어 두 모형을 같이 사용하는 것이 초기계약 결정요인 분석에 유리함을 알 수 있다.
분양시장 분석에서는 종속변수로 분양계약까지 걸린 시간을, 전매시장 분석에서는 분양이후 전매까지 걸린 시간을 이용하였다. 분석 결과, 공급자에 의해 가격이 결정되는 분양시장에서는 아파트의 구조특성인 평형, 층수, 조망의 영향이 강하지만 전매시장에서는 이 같은 특성들이 가격에 반영되면서 이들 변수의 영향력이 상대적으로 줄어드는 것으로 나타났다. 이 연구에서는 이들 변수 외에도 세대배치, 계약자 연령, 성별 등이 독립변수로 사용되었는데, 본 연구에서도 이를 참조하여 이들 변수들을 예측모형에 투입하는 독립변수를 설정하고자 한다.
분양 아파트가 저층인 경우에는 향, 전기·발전기실 소음 및 매연이라는 환경요인이, 분양 아파트가 기준층 또는 최고층인 경우에는 청약종류, 청약지역이 분양계약 체결에 영향을 미치는 변수로 확인되었다.
셋째, 사례단지의 남동향 쪽에는 전기·발전기실이 배치되어 있어 소음과 매연이 발생할 수 있는데, 남동향 세대 중 여기에 영향을 받는 세대의 경우 계약률이 떨어지는 것으로 나타났다.
그러나 최종모형을 검정용 자료에 적용한 결과에서는 반대로 로지스틱 모형, 의사결정나무, 신경망 순으로 예측력이 떨어지는 것으로 나타났다. 신경망 모형의 경우 훈련용 자료에 최적화된 모형을 만들어 낼 수 있지만 검정용 자료에 이를 적용할 경우 예측력이 떨어지는 것으로 나타났다. 이는 로지스틱 모형의 활용성이 신경망 모형 보다 더 우수하다는 것을 의미한다.
방법론적 측면에서 본 연구는 데이터 마이닝의 적용 범위를 주택 분양 예측까지 확장함으로써 융복합 분야의 발전에 기여하고 있다. 아파트 단지의 세대별 초기계약 예측 모형 개발은 기존의 데이터 마이닝 연구에서 다룬 적이 없는 주제로 본 연구를 통해 처음으로 적용 가능성을 확인하였다.
의사결정나무 모형을 적용하여 반복적 작업을 수행한 결과 유의수준 10%, 최대가지 수 5, 최대깊이 10, 최소 범주형 크기 5, 분리정확도 4, 리프크기 5, 규칙개수 5에서더 이상 모형이 개선되지 않았다. Table 4에서 이때의 RMSE를 보면 0.
의사결정나무 분석을 통해 층수, 향, 전기·발전기실의 소음, 청약자 거주지, 청약종류가 유의하게 나타났다.
이들 최종 모형들을 검정용 자료에 적용하고 RMSE를 통해 그 결과를 비교해 보면, 로지스틱 회귀모형 0.221, 의사결정나무 모형 0.227, 신경망 모형 0.345로 로지스틱 회귀모형의 가장 우수한 것으로 나타났다.
신경망 모형이 훈련용 자료의 관측치에 민감하게 반응하면서 모형을 구축하다보니 검정용 자료의 작은 변화에도 적합도가 떨어지게 된 것으로 보여 진다. 이번 연구 결과에 한정해서 본다면 로지스틱 모형의 활용성이 신경망보다 더 우수하다고 할 수 있다.
인적특성 변수의 경우 청약연령은 유의하지 않았으나 청약자 거주지와 청약종류에서 유의한 결과가 나타났다. 청약자 거주지 변수의 경우 서울시 청약자가 하남시 청약자보다 계약을 체결할 가능성이 더 높은 것으로 나타났다.
345로 로지스틱 회귀모형의 가장 우수한 것으로 나타났다. 정분류율을 보면, 훈련용 자료에서는 신경망 모형 88%, 의사결정나무 67%, 로지 스틱 모형 66% 순으로 신경망 모형이 가장 우수한 것으로 나타나고 있다. 하지만 검정용 자료에서는 로지스틱 67%, 의사결정나무 65%, 신경망 모형 61% 순으로 로지 스틱 모형이 가장 우수하게 나타나고 있다.
첫째, 당첨자들은 아파트 계약 시 층수를 가장 중요한 요인으로 고려한다. 고층은 아파트 조망 측면에서 선호되고 있고 층수가 높을수록 가격이 높게 형성된다.
첫째, 훈련용 자료를 대상으로 모형을 개발한 결과, RMSE와 정분류율 모두에서 신경망, 의사결정나무, 로지스틱 모형 순으로 예측력이 떨어지는 것으로 나타났다. 그러나 최종모형을 검정용 자료에 적용한 결과에서는 반대로 로지스틱 모형, 의사결정나무, 신경망 순으로 예측력이 떨어지는 것으로 나타났다.
인적특성 변수의 경우 청약연령은 유의하지 않았으나 청약자 거주지와 청약종류에서 유의한 결과가 나타났다. 청약자 거주지 변수의 경우 서울시 청약자가 하남시 청약자보다 계약을 체결할 가능성이 더 높은 것으로 나타났다. 하지만 의사결정나무에서 유의한 차이를 보여주었던 경기도 거주자의 경우 하남시 거주자와 유의한 차이를 보이지 못하였다.
Table 11의 로지스틱 회귀분석 결과를 보면, 구조특성에서는 층수와 세대 위치 변수가 유의한 것으로 나타났다. 층수는 의사결정나무 분석에서도 유의했던 변수로 로지스틱 회귀분석에서도 1% 유의수준에서 유의한 것으로 나타났다. 결과를 보면, 최상층에 비해 기준층 계약이 더 잘 체결되는 데 반해 저층은 계약이 잘 체결되는 않는 것으로 나타났다.
넷째, 청약종류가 계약체결에 영향을 주는 것으로 나타났다. 특별공급 당첨자의 경우 평생 1번 분양받을 권리를 사용한 관계로 계약을 포기하게 되면 다시는 특별공급을 받을 수 없게 되고 따라서 일반공급 당첨자에 비해 계약을 더 많이 체결하는 것으로 나타났다.
정분류율을 보면, 훈련용 자료에서는 신경망 모형 88%, 의사결정나무 67%, 로지 스틱 모형 66% 순으로 신경망 모형이 가장 우수한 것으로 나타나고 있다. 하지만 검정용 자료에서는 로지스틱 67%, 의사결정나무 65%, 신경망 모형 61% 순으로 로지 스틱 모형이 가장 우수하게 나타나고 있다.
접근성 특성 변수들은 모두 유의하지 않는 것으로 나타났다. 환경특성의 경우 모집공고에 적혀 있는 님비시설들이 계약체결 결정에 악영향을 줄 것이라는 예상과 달리 모두 유의하지 않는 것으로 나타났다. 이는 시행사가 단지의 단점을 입주자 모집공고에 작게 표현함으로써 청약자들이 관심 있게 보지 않은 결과인 것으로 추정된다.

후속연구

본 연구는 하남시 위례신도시 미분양 단지라는 특정 사례를 분석대상으로 했다는 점에서 한계를 가진다. 다른 분양 단지에 적용할 수 있는 일반화된 모형을 개발하기 위해서는 미분양 단지 자료의 추가 확보가 필요하다.
이 경우 단지의 위치와 주변 환경 같은 단지의 입지특성을 독립변수에 추가할 수 있기 때문에 모형의 예측력을 향상시킬 수 있다. 후속 연구에서는 방법론 측면의 개선도 필요한데 본 연구에서 사용하지 않은 앙상블 (ensemble) 기법인 배깅(bagging)과 부스팅(boosting)의 사용도 고려할 필요가 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	데이터 마이닝이란?	데이터 마이닝은 대용량의 데이터로부터 가치 있는 정보를 추출하는 것으로 자동화된 기법을 활용하여 유의미한 경향과 규칙을 발견하기 위해 탐색하고 분석하는 과정을 지칭한다[4]. 데이터 마이닝은 1990년대 컴퓨터 성능 향상과 네트워크 기술이 발전하면서 기업, 학교, 정부기관 등에서 대용량의 데이터를 보관할 수 있게 되었고 데이터가 가지고 있는 유용한 정보를 활용하는 것에 대한 관심이 높아지면서 처음 대두되었다[5].
	의사결정나무 분석에서 주로 사용하는 알고리즘은?	의사결정나무는 자료의 변수들을 분석하여 이들 사이의 패턴과 분류별 특성을 분류하여 나무형태로 만들게 된다[5]. 의사결정나무 분석에서는 CART(classification and regression trees) 알고리즘과 CHAID(chi-squared automatic interaction detection) 알고리즘이 주로 사용되는데, 본 연구에서는 목표변수가 범주형인 점을 감안하여 카이제곱통계량을 이용하는 CHAID를 적용한다. CHAID는 다른 알고리즘과 다르게 과다적합이 일어나기 전에 나무를 키워 나가는 것을 중지하며 범주형 변수에만 국한되어 사용된다는 점이 다른 알고리즘과 차별화 된다.

참고문헌 (26)

M. S. Baik & J. C. Shin. (2011). A Study on the Determinants of Initial Sales Rate for New Apartment Housing. Journal of the Korean Urban Management Association, 24(1), 213-237.
M. S. Baik & J. C. Shin. (2011). A Study on the Condominium Sales Marketing Activities and Initial Sales Rate. Journal of the Korea Real Estate Analysts Association, 17(3), 25-43.
H. S. Kwon & D. W. Bang. (2015). A Study on the Cause of Difference between New Apartment Subscription Rate and Initial Pre-sale Contract Rate. Housing Studies Review, 23(3), 111-143.
G. S. Linoff & M. J. Berry. (2018). Data Mining Techniques: For Marketing, Sales, and Customer Relation management. Seoul : Hankyngsa.
M. H. Huh & Y. G. Lee. (2008). Data Mining Modeling and Cases. Seoul : Hannarae Publishing Co.
Y. H. Kim & S. S. Ahn. (2006). A Study on the Characteristics of Fast-food Restaurant's Customers. Tourism & Leisure Research, 18(2), 191-209.
W. J. Kim, Y. S. Choi & D. H. Yoo. (2018). Development of Win-Loss Prediction Models and Strategies for Improving Winning Rate of the Korean Professional Baseball Teams Using Data Mining Techniques. Korea Journal of Sport Management, 23(3), 88-104.

상세보기
J. Y. Oh & S. H. Choi. (2018). An Analysis of the Characteristics of Companies introducing Smart Factory System Using Data Mining Technique. Journal of the Korea Convergence Society, 9(5), 179-189.
H. J. Chun. (2015). A Study on Korean Household Income Using Data Mining. Journal of the Korea Planning Association, 50(2), 227-241.
K. M. Kim & C. K. Kim. (2017). Forecasting of Investment Characteristics of Global REITs Using Data Mining. Korea Real Estate Review, 68, 44-56
J. Y. Lee, M. H. Choi & S. Y. Lee. (2007). A Study on the Forecasting Model of Apartment Price Based on Data Mining. Journal of the Korea Planning Association, 42(4), 135-148.
H. J. Chun. (2017). A Study on the Determinants of Housing Price Using Data Mining, Residential Environment: Journal of The Residential Environment Institute of Korea, 15(3), 35-46.
B. C. Kim, Y. Kim, M. Kim & J. S. Lee. (2018). Using Data Mining Techniques to Model Housing Rental Price near Universities in Seoul. Journal of the Korean Institute of Industrial Engineers, 44(4), 259-271.

상세보기
A. R. Hong, J. P. Ko & S. J. Yoo. (2010). A Study on the Forecasting Model of the Investment Characteristics of Seoul Office Buildings based on Data Mining. Seoul Studies, 11(2), 51-68.
K. S. Mun, J. G. Choi & H. S. Lee. (2015). An Analysis for Price Determinants of Small and Medium-Sized Office Buildings Using Data Mining Method in Gangnam-Gu. International Journal of Contents, 15(7), 414-427.
P. W. Huh, S. Y. Kim, Y. S. Hong & G. E. Shim. (2014). A Study on the Determinants of Office Building Property Management Method in Seoul. Seoul Studies, 15(3), 41-57.
H. S. Lee. (2004). A Study on Preference Characteristics for Each Condominium in a Same Site on Initial and Re-sales Markets Using Survival Analysis. Journal of the Korea Planning Association, 39(3), 81-93.
T. Y. Kim & C. M. Lee. (2005, November). Comparative Study on Renter's Choice with Data Mining Techniques. 2005 Spring Congress of Korea Planning Association.
H. Byeon. (2017). Exploring Influence Factors for Peer Attachment in Korean Youth Based on Multi-Layer Perceptron Artificial Neural Networks. Journal of the Korea Convergence Society, 8(10), 209-214.
T. S. Ki & S. H. Lee. (2017). A Prediction Scheme for Power Apparatus using Artificial Neural Networks. Journal of Convergence for Information Technology, 7(6), 201-207.
H. Yoon. (2018). Classificatin of Normal and Abnormal Heart Sounds Using Neural Network. Journal of Convergence for Information Technology, 8(5), 131-135.
S. Y. Lee. (2003). A Study on Data Application Using Data Mining. Master dissertation. Yonsei University, Seoul.
B. S. Kim, W. S. Bae, K. H. Seok, D. H. Cho. & K. L. Choi. (2018). SAS EM 14.1. Seoul : Kyowoo.
J. H. Kim. (2008). The Effect of the Landscape Visibility of a Golf Course on Apartment Price: A Case Study of the Residential Area around Hansung C.C. in Yong-in City. Journal of The Korean Regional Development Association, 20(4), 69-88.
H. G. Sung & J. Y. Kim. (2011). The Impacts of Time-Varying Accessibility of Facilities on Housing Price Change by the Modified Repeat Sales Model - The Case of Subway Line 9 in Seoul. Journal of the Korean Society of Civil Engineers, D31(3D), 477-487.
M. K. Oh & J. H. Cho. (2018). Newly Improved Incineration Plant's Impacts on Nearby Apartment Sale Prices with Interrupted Time Series Analysis, Journal of Korea Planning Association, 53(3), 145-159.

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증