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
- 영향요인과 분석방법에 관한 선행연구를 종합해보면, 아파트 가격형성에 영향을 주는 요인들이 아파트 내부요인과 외부요인, 지역적 특성과 거시경제지표까지 다양하게 살필 필요가 있으며, 분석방법론도 다양화해 비교하는 것이 필요함을 알 수 있었다. 따라서 본 연구는 경기도 S시 아파트 가격형성에 영향을 주는 요인을 빅데이터를 기반으로 도출하고, 분석방법을 다양화하여 영향정도를 파악할 필요가 있음을 알 수 있었다. 특히 아파트 매매가격 요인이 특정지역에 따라 특성이 있으므로 본 연구에서는 경기도 S시에서 영향을 주는 요인을 빅데이터 기반으로 파악하여 지역을 이해하고 가격형성 요인을 도출하고자 하였다.
- 본 연구는 경기도 S시 아파트 매매가격에 영향을 주는 요인들과 특성을 도출하기 위해 수행 되었고, 발견한 내용과 시사점은 다음과 같다.
- 본 연구는 경기도 S시의 데이터를 가지고 분석한 것이기는 하나, 지역의 특색을 좀 더 이해하고 보다 정확한 부동산가격예측 및 서비스 제시를 위해 지역적 특성을 보아야 하며, 거시경제지표 및 교육, 문화, 교통 등 다양한 변수를 고려해야 함을 보여주었다는 점에서 의의를 갖는다. 향후 본 연구에서 다루지 못한 국가 정책의 영향이나 세계 경제현황 등의 변수를 결합한다면 보다 정확한 예측력을 보일 것으로 기대된다.
- 본 연구는 경기도 소재 S시의 아파트 매매가격에 영향을 미치는 요인과 특성을 도출하고 파악한 속성을 기반으로 가격예측 가능성을 파악하는 것을 목적으로 한다. S시의 지역적인 특색을 반영한 적절한 영향요인을 빅데이터를 통해 도출하고, 보다 정확하고 다양한 상황에 맞게 가격예측을 하기 위해 변수들을 그룹화해서 분석하였다.
- 따라서 아파트의 기본정보와 함께 독립변수로 비교해서는 그 영향력을 파악하기 힘들다고 판단이 된다. 본 연구에서는 경제 지표의 영향력과 영향요인을 분석하기 위해 S시 전체 아파트 거래정보를 월 단위로 재구성하여 분석을 시도하였다. 재정리한 데이터의 형태의 예시는 <그림 9>에서 보는 것과 같다.
- 따라서 본 연구는 경기도 S시 아파트 가격형성에 영향을 주는 요인을 빅데이터를 기반으로 도출하고, 분석방법을 다양화하여 영향정도를 파악할 필요가 있음을 알 수 있었다. 특히 아파트 매매가격 요인이 특정지역에 따라 특성이 있으므로 본 연구에서는 경기도 S시에서 영향을 주는 요인을 빅데이터 기반으로 파악하여 지역을 이해하고 가격형성 요인을 도출하고자 하였다.
제안 방법
- 본 연구는 경기도 소재 S시의 아파트 매매가격에 영향을 미치는 요인과 특성을 도출하고 파악한 속성을 기반으로 가격예측 가능성을 파악하는 것을 목적으로 한다. S시의 지역적인 특색을 반영한 적절한 영향요인을 빅데이터를 통해 도출하고, 보다 정확하고 다양한 상황에 맞게 가격예측을 하기 위해 변수들을 그룹화해서 분석하였다. 이를 위해 2016년∼2019년 S시 아파트 매매가격 데이터 및 공공데이터를 사용하였고, 다음과 같은 연구문제를 해결하고자 한다.
- 이를 통해 경기도 S시 소재 아파트 및 주상복합에 대해 평형과 타입으로 구분하여 총 1397개의 사례를 수집하였다. 각 아파트의 주소와 번지수, 전용면적부터 총세대수, 세대수, 동수, 최고층, 방수, 욕실수, 현관, 주차대수, 난방방식, 건폐율, 용적율, 입주년도, 건설사, 유형구분, 사업유형에 이르기까지 다양한 변수들을 참조하였다. 그리고 국토교통부의 실거래가공개시스템8)을 활용하여 S시의 구별로 기간별 검색을 통해 거래 년월 및 실거래가(만원단위) 데이터를 수집하였다(그림 2 참조).
- 그리고 본 연구의 예측변수(종속변수)는 매매평균가, 평당매매가, 전세평균, 평당전세가이다.
- 기본정보, 교육⋅문화시설정보, 교통시설정보, 가격정보에 해당하는 정보들이 모두 주소를 킷값으로 가지지만, 같은 주소여도 평형과 타입이 달라 같은 주소 상에 평형과 타입별로 아파트를 구분하여 가격정보를 결합하였다.
- 데이터 수집이 완료된 후, 효과적인 데이터 분석을 위해 전처리를 수행하였다. 기본정보, 교육⋅문화시설정보, 교통시설정보, 가격정보에 해당하는 정보들이 모두 주소를 킷값으로 가지지만, 같은 주소여도 평형과 타입이 달라 같은 주소 상에 평형과 타입별로 아파트를 구분하여 가격정보를 결합하였다.
- 첫째, 문헌 조사를 통해 아파트 가격에 영향을 미치는 요인을 도출하였다. 둘째, 문헌조사를 통해 도출한 요인을 중심으로 공공데이터 수집을 통해 데이터셋을 확보, 분석모델을 수립하였다. 셋째, 데이터 분석을 통해 유의미한 결과를 추출하고, 최종적으로 시사점 및 적용사항을 도출하였다.
- 본 연구에서 사용한 투입변수(독립변수)는 대부분의 데이터 요소들이며, 시군구, 번지, 아파트명, 타입, 공급면적, 전용면적, 총세대수, 세대 수, 동수, 최고층, 방수, 욕실수, 현관, 주차대수, 난방방식, 건폐율, 용적률, 입주년도, 건설사, 유형구분, 사업유형, 용도지역, 상업지역, 주거지역, 학교위치, 1호선과 거리, 분당선과의 거리, 신분당선과의 거리이다. 유도변수(월간 거래횟수, 거래금액 최대, 최소 등)를 포함하여, 총 80 개의 변수를 가지고 분석을 시도했으며, 구체적인 변수와 예시는 <표 1>에서 참고하여 볼 수 있다.
- 본 연구에서는 아파트 기본속성이 주는 영향을 최소화하기 위해 전용면적을 82㎡∼84.99㎡(평형대 기준 일반적으로 33평형)으로 제한하였다.
- 김양수(2000)는 수도권 아파트 가격형성 요인이 아닌 아파트 가격에 영향을 미치는 지역 간 인과관계를 분석하였다. 서울특별시의 4개 권역과 인천시, 수원시, 의정부시, 고양시 간의 인과 관계를 분석하였는데, 시계열분석과 그랜져인과 관계분석법, 그리고 충격반응분석을 통하여 인과관계를 발견하였다. 연구결과, 서울 아파트 가격의 중심은 강남구와 서초구였으며, 이 가격은 양천구와 동작구에 영향을 미치고, 순차적으로 고양시, 인천시, 의정부시와 수원시에 영향을 주는 것으로 나타났다.
- 둘째, 문헌조사를 통해 도출한 요인을 중심으로 공공데이터 수집을 통해 데이터셋을 확보, 분석모델을 수립하였다. 셋째, 데이터 분석을 통해 유의미한 결과를 추출하고, 최종적으로 시사점 및 적용사항을 도출하였다. 연구모형을 도식화하면 <그림 1>과 같다.
- 전용면적을 제외한 아파트의 기본속성에서 어떤 것이 중요한 요인이 되는지 우선적으로 분석하였다. 신경망, GenLin, CHAID 등 세 가지 알고리즘으로 분석하였다. 분석결과, 중요요인은 다음 <그림 12>와 같았다.
- 아파트 가격에 관한 선행연구 중, 먼저 아파트 가격에 영향을 미치는 요인을 분석한 연구를 조사하였다. 아파트 가격에 연쇄적으로 영향을 미치는 지역적 요인을 찾은 연구(김양수, 2000) 와 지하철역 접근성, 교육환경과의 연관관계 등을 조사한 연구가 있었다(조정민, 2011; 주현정, 2013)
- 앞 절과 같은 맥락에서, 같은 전용면적(82㎡∼ 84.99㎡)의 아파트를 기준으로 초⋅중⋅고등학교 접근성, 공원, 영화관, 대형마트 접근성을 기준으로 매매가격 영향요인을 도출하였다.
- 유도변수(월간 거래횟수, 거래금액 최대, 최소 등)를 포함하여, 총 80 개의 변수를 가지고 분석을 시도했으며, 구체적인 변수와 예시는 에서 참고하여 볼 수 있다.
- 00 상관이 나올 정도로 우수한 성능을 보였으며(그림 10 참조), 경제지표의 영향요인 상위 7개는 국고채5년평균, 순으로 나타났다. <그림 11>은 Orange Data Mining 3.26의 Time Series 분석 Add-on중 교차분석차트를 이용하여 매매금액과 거래횟수, 국고채5년평균을 비교하여 시각화한 것이다.
- 퍼셉트론은 인간의 두뇌 움직임을 수학적으로 구성하여 그 당시 굉장히 많은 이슈가 되었는데, 현재 사용하는 딥러닝도 이 퍼셉트론을 여러 개의 노드와 여러 개의 레이어로 확장 했을 뿐 같은 구조를 갖는다. 이후 몇 차례의 빙하기라 불리우는 시기를 거치면서 꾸준히 발전하여 복잡한 신경망을 정교하게 모델링하는데 적합한 방법인 MLP(Multi-Layer Perceptron) 학습방법과 MLP에 비해 예측 능력은 감소하지만 방사형 구조를 기본으로 하는 네트웍으로서 1 개의 은닉층에 확률 가우시안을 적용한 RBF (Radial Basis Function) 학습방법으로 구분된다. 현재까지도 신경망에 기초한 딥러닝은 이미지/ 영상 인식, 음성인식, 자연어 처리 등에 인상적인 성과를 내고 있다.
- 전용면적(82㎡∼84.99㎡)의 아파트를 기준으로 1호선, 분당선, 신분당선과의 거리를 기준으로 매매가격을 비교하였다.
- 전용면적을 제외한 아파트의 기본속성에서 어떤 것이 중요한 요인이 되는지 우선적으로 분석하였다. 신경망, GenLin, CHAID 등 세 가지 알고리즘으로 분석하였다.
- 각 알고리즘 별 예측력은 <표 2>에서, 중요변수는 <그림 7>에서 제시하였다. 중요변수 도출 방식은 알고리즘 별 최고 중요요소들을 제거해가면서 차순위 중요요소를 검증해 나가는 방식으로 도출하였다.
- 본 연구의 목적을 이루기 위해, 다음과 같은 세부 영역 별로 연구를 진행하였다. 첫째, 문헌 조사를 통해 아파트 가격에 영향을 미치는 요인을 도출하였다. 둘째, 문헌조사를 통해 도출한 요인을 중심으로 공공데이터 수집을 통해 데이터셋을 확보, 분석모델을 수립하였다.
- 홍하연, 이주형(2015)은 아파트 가격에 영향을 주는 요인을 도출하기 위해 선행연구 조사 및 재분류, 브레인스토밍을 한 뒤, FGI 검증을 받아 요인을 도출하였다. 평수, 방수, 화장실 수, 평균층수, 평균동수, 노후도, 재건축 기대 여부, 공공성 여부, 난방방식, 교육시설, 강남강북 여부, 사설학원 수, 편익시설, 편의시설, 근린시설, 건폐율, 용적율, 도심까지의 거리, 주요 도로 접근시간, 1인당 공원면적, 대학진학률 등 새로운 변수들을 도출하였다.
대상 데이터
- 99㎡)의 아파트를 기준으로 1호선, 분당선, 신분당선과의 거리를 기준으로 매매가격을 비교하였다. 같은 조건상에서 본다면, 상식적으로 지하철역과 가까운 아파트가 가격이 상대적으로 높다고 생각할 수 있으나, 본 연구에서 분석한 경기도 S시는 3종류의 지하철이 다소 거리가 있게 지나고 있어서 분석의 대상이 되었다. 4.
- 교육⋅문화시설정보와 교통시설정보에 해당 하는 변수들의 값을 수집은 Daum kakaomap을 이용하였다.
- 각 아파트의 주소와 번지수, 전용면적부터 총세대수, 세대수, 동수, 최고층, 방수, 욕실수, 현관, 주차대수, 난방방식, 건폐율, 용적율, 입주년도, 건설사, 유형구분, 사업유형에 이르기까지 다양한 변수들을 참조하였다. 그리고 국토교통부의 실거래가공개시스템8)을 활용하여 S시의 구별로 기간별 검색을 통해 거래 년월 및 실거래가(만원단위) 데이터를 수집하였다(그림 2 참조).
- 데이터 수집은 먼저 기본정보 영역에서 부동산1147)의 데이터를 참조하였다. 부동산114는 국내 최대 부동산 매물정보를 소유하고 있다.
- 아파트 단지와 가장 가까운 1호선, 분당선, 신분당선의 거리, 공원, 초⋅중⋅고등학교, 문화시설까지의 거리를 각각 측정하였다.
- 이를 위해 2016년∼2019년 S시 아파트 매매가격 데이터 및 공공데이터를 사용하였고, 다음과 같은 연구문제를 해결하고자 한다.
- 부동산114는 국내 최대 부동산 매물정보를 소유하고 있다. 이를 통해 경기도 S시 소재 아파트 및 주상복합에 대해 평형과 타입으로 구분하여 총 1397개의 사례를 수집하였다. 각 아파트의 주소와 번지수, 전용면적부터 총세대수, 세대수, 동수, 최고층, 방수, 욕실수, 현관, 주차대수, 난방방식, 건폐율, 용적율, 입주년도, 건설사, 유형구분, 사업유형에 이르기까지 다양한 변수들을 참조하였다.
데이터처리
- 나무구조의 확장에 매우 강력한 알고리즘이다. 통계적 카이제곱검정과 F검정을 사용하여 모든 가능한 예측값을 계산한다. 명목형, 연속형 변수를 목표필드와 예측변수에 모두 사용 가능하며, 다지분리 방식을 지원하여 과적합의 문제없이 복잡한 모델을 생성할 수 있기 때문에 보다 정확한 분류 및 추정이 가능해졌다.
이론/모형
- Kass(1980)에 의하여 개발된 세분화(Segmentation) 기법으로 풀네임은 Chi-Squared Automatic Interaction Detection이다. 나무구조의 확장에 매우 강력한 알고리즘이다.
- 분석을 위해 CHAID, GenLin, 선형회귀 알고리즘을 사용하였다. 분석결과, CHAID 알고리즘이 훈련데이터 1.
성능/효과
- 1) 또 가격상승을 기대하고 투자한 부동산 매물의 가격이 하락하여 손해를 보는 경우도 적지 않다. 상대적으로 고액이다 보니 매도인도 매수인도 적절한 금액을 산정하는 것이 쉽지 않고 매도자가 책정하는 금액을 기준으로 조율되는 성격이 있기에 상호간에 불신감이 내재한다.
- 1.5㎞ 이내의 백화점과 할인마트 존재 여부가 가장 중요한 요인으로 도출되었으며, 중고등학교는 700m 이내, 초등학교는 300m 이내가 중요 요인으로 도출되었다. 상대적으로 중고등학교보다 초등학교가 더 거리에 민감한 것으로 나타났는데, 이는 저연령의 학생의 활동 반경이 상대적으로 좁기 때문이라고 추측된다.
- 각 알고리즘에서 도출한 중요요인 중 유의할 것은 용적율이 모든 알고리즘에서 도출되었다는 점과 최고층, 총세대수가 높은 요인으로 작용한 것인데, 이를 종합해보면 건폐율이 주로 제한된 상황에서 높은 용적율을 가진 고층 아파트, 많은 세대 거주 아파트, 그럼에도 불구하고 총 주차대수가 높은 아파트가 매매가격이 높게 나오고 있음을 알 수 있다. <그림 13>은 같은 평형대의 아파트가 총 주차대수와 최고층에 따라 가격이 상당한 차이가 있음을 나타내며, 또한 주차대수가 많은 아파트는 같은 면적의 아파트임에도 불구하고 기본가격대가 높은 것을 보여 준다.
- 배성완과 유정석(2017)은 다수의 은닉층을 적용한 DNN모형과 LSTM모형을 적용하고, 기존 인공신경망이 깊은 은닉층에서의 학습이 불가능했던 문제점을 극복하기 위해 고안된 기법을 적용하여, 부동산 가격 지수만을 투입변수로 동일한 조건에서 딥러닝 모형과 ARIMA모형의 예측력을 비교하였다. 그 결과, 딥러닝 방법의 예측력이 시계열분석 방법보다 우수한 것으로 나타났으며, 딥러닝 방법 중에서는 DNN모형의 예측력이 LSTM모형의 예측력보다 우수하나 그 정도는 미미한 수준인 것으로 나타났다. 셋째, 딥러닝 방법과 ARIMA모형은 부동산 가격지수(real estate price index) 중 아파트 실거래가격지수 (housing sales price index)에 대한 예측력이 가장 부족한 것으로 보고하였다.
- 넷째, 교육⋅문화영역에서는 1.5㎞ 이내의 백화점과 할인마트 존재 여부가 가장 중요한 요인이었다.
- 둘째, 거시경제지표와의 상관관계는 국고채5년 평균과 매매가격이 반비례관계로 파악이 되었고, M2평잔에는 매매가격과 비례관계로 파악이 되었다. 향후 S시 아파트 가격에 있어 금리가 인하되면 아파트 가격이 상승에 가능성이 많으며, 시장에 통화량이 많은 경우도 아파트 가격 향상에 영향을 줄 것으로 예상할 수 있다.
- 분석결과, 아파트 ㎡당 매매가격과 SKY진학률, 교사 1인당 학생 수와 SKY진학률, 강남3구와 아파트 ㎡당 매매가격, 강남3구와 SKY진학률이 상관이 높음으로 분석되었다. 또 회귀분석 결과, 표준화 계수를 기준으로 아파트 ㎡당 매매가격에 영향을 가장 많이 주는 교육환경변수는 SKY진학률, 사설 학원 수, 4년제 대학진학률, 교사 1인당 학생 수순으로 분석되었다.
- 마지막으로 거시경제지표는 LF평잔, LF평잔증가율, M1평잔, M1평잔증가율, M2평잔, M2평잔증가율, 본원통화평잔, 본원통화평잔증가율, 소비자물가, 국고채3년평균, 국고채5년평균, 국고채10년평균, 회사채3년평균, CD91물평균, 콜금리1일물평균, 기준금리, 코스피 종가⋅고가⋅저가, 환율 등이다.
- 분석을 위해 CHAID, GenLin, 선형회귀 알고리즘을 사용하였다. 분석결과, CHAID 알고리즘이 훈련데이터 1.00 상관이 나올 정도로 우수한 성능을 보였으며(그림 10 참조), 경제지표의 영향요인 상위 7개는 국고채5년평균, 순으로 나타났다. <그림 11>은 Orange Data Mining 3.
- 주현정(2013)은 탐색적 연구를 실시하여 교육 환경과 아파트가격의 관련성을 조사하고, 아파트가격과 교육관련 변수, 주거환경 변수와 상관 관계 및 회귀분석을 수행하였다. 분석결과, 아파트 ㎡당 매매가격과 SKY진학률, 교사 1인당 학생 수와 SKY진학률, 강남3구와 아파트 ㎡당 매매가격, 강남3구와 SKY진학률이 상관이 높음으로 분석되었다. 또 회귀분석 결과, 표준화 계수를 기준으로 아파트 ㎡당 매매가격에 영향을 가장 많이 주는 교육환경변수는 SKY진학률, 사설 학원 수, 4년제 대학진학률, 교사 1인당 학생 수순으로 분석되었다.
- 그 결과, 딥러닝 방법의 예측력이 시계열분석 방법보다 우수한 것으로 나타났으며, 딥러닝 방법 중에서는 DNN모형의 예측력이 LSTM모형의 예측력보다 우수하나 그 정도는 미미한 수준인 것으로 나타났다. 셋째, 딥러닝 방법과 ARIMA모형은 부동산 가격지수(real estate price index) 중 아파트 실거래가격지수 (housing sales price index)에 대한 예측력이 가장 부족한 것으로 보고하였다.
- 셋째, 용적률과 총주차대수가 매매가격에 많은 영향을 미쳤다. 주거환경영역에서 주차가 중요한 요인으로 꼽히며, 상대적으로 고층의 아파트를 선호하는 것을 확인할 수 있었다.
- 서울특별시의 4개 권역과 인천시, 수원시, 의정부시, 고양시 간의 인과 관계를 분석하였는데, 시계열분석과 그랜져인과 관계분석법, 그리고 충격반응분석을 통하여 인과관계를 발견하였다. 연구결과, 서울 아파트 가격의 중심은 강남구와 서초구였으며, 이 가격은 양천구와 동작구에 영향을 미치고, 순차적으로 고양시, 인천시, 의정부시와 수원시에 영향을 주는 것으로 나타났다. 그러나 수원시와 인천시의 가격은 다른 지역에 영향을 주지 않았다.
- 영향요인과 분석방법에 관한 선행연구를 종합해보면, 아파트 가격형성에 영향을 주는 요인들이 아파트 내부요인과 외부요인, 지역적 특성과 거시경제지표까지 다양하게 살필 필요가 있으며, 분석방법론도 다양화해 비교하는 것이 필요함을 알 수 있었다. 따라서 본 연구는 경기도 S시 아파트 가격형성에 영향을 주는 요인을 빅데이터를 기반으로 도출하고, 분석방법을 다양화하여 영향정도를 파악할 필요가 있음을 알 수 있었다.
- 또 매매가격은 거래횟수, M2평잔, 본원통화량과 거의 유사한 그래프를 보였다. 이를 통해 경제지표의 영향은 국고채5년평균과 반비례로, 통화량과 매매금액은 비례하게 상승할 수 있음을 볼 수 있었다.
- 조정민(2011)은 강남구, 노원구, 분당 아파트를 소형과 중대형을 분류하여 지하철역 접근성이 가격에 미치는 영향을 조사하였다. 조사 결과, 강남의 경우 소형아파트는 지하철역에 민감한 영향을 받았고, 노원은 소형과 중대형 간 유의미한 차이를 보이지 않았으며, 분당도 유의미한 차이를 보이지 않았다. 이 연구는 아파트 입주자의 지하철역 접근성에 대한 의식과 중요성이 아파트 가격에 영향을 미치는 것을 보여주며, 이는 주택의 입지를 정할 때 지역적 특성을 고려해야 한다는 것을 알려주는 결과라고 해석될 수 있다.
- 셋째, 용적률과 총주차대수가 매매가격에 많은 영향을 미쳤다. 주거환경영역에서 주차가 중요한 요인으로 꼽히며, 상대적으로 고층의 아파트를 선호하는 것을 확인할 수 있었다.
- 첫째, 일반적으로 지하철 접근성이 좋을수록 아파트 가격이 높다고 파악되나, S시의 경우 1호선과는 가까울수록 오히려 가격이 소폭 하락하는 현상이 있었으며, 신분당선은 지하철 접근성이 높을수록 매우 가격이 높게 나타났다. 이는 1호선이 지상철인 점과 시기적으로 오래 전에 개발된 지역의 특성에 기인한 것으로 파악된다.
후속연구
- 지금까지의 분석에서 살펴본 것과 같이 기본적으로 아파트 매매가격에 영향을 주는 요인이 전용면적, 평형 등과 같은 아파트 기본속성인 것으로 확인된다. 따라서 아파트 기본속성을 분석변수에서 제외하고 그 외의 요인들의 중요도를 추출한다면 보다 효과적으로 중요요인들을 추출할 수 있을 것으로 파악된다. 본 연구에서는 아파트 기본속성이 주는 영향을 최소화하기 위해 전용면적을 82㎡∼84.
- 둘째, 거시경제지표와의 상관관계는 국고채5년 평균과 매매가격이 반비례관계로 파악이 되었고, M2평잔에는 매매가격과 비례관계로 파악이 되었다. 향후 S시 아파트 가격에 있어 금리가 인하되면 아파트 가격이 상승에 가능성이 많으며, 시장에 통화량이 많은 경우도 아파트 가격 향상에 영향을 줄 것으로 예상할 수 있다.
- 본 연구는 경기도 S시의 데이터를 가지고 분석한 것이기는 하나, 지역의 특색을 좀 더 이해하고 보다 정확한 부동산가격예측 및 서비스 제시를 위해 지역적 특성을 보아야 하며, 거시경제지표 및 교육, 문화, 교통 등 다양한 변수를 고려해야 함을 보여주었다는 점에서 의의를 갖는다. 향후 본 연구에서 다루지 못한 국가 정책의 영향이나 세계 경제현황 등의 변수를 결합한다면 보다 정확한 예측력을 보일 것으로 기대된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.