인구 증감과 주택공급의 변화를 반영하여 지역별 주택 수급 예측에 대한 중·장기적인 연구는 부족하였다. 본 연구에서는 최근 35년간 인구 1,000 명당 주택 수, 지역별 인구 변화율 그리고 향후 예측되는 지역별 인구증가 예측율을 반영하여 부동산 시장의 수요와 공급 측면에서 지역별 주택수 공급과 수요에 대하여 마코프 체인 모형의 전이확률을 적용하여 중·장기적인 지역별 주택수를 확인한다. 모형 수행결과, 지역별 부동산 시장은 경기, 인천, 서울 등 수도권에 대한 주택공급은 지역별 인구변화를 고려할 때 상당기간 부족할 것으로 예상되며 시간이 지나면서 다른 지역은 전국평균 주택수에 수렴하는 경향을 통해 안정화 될 것으로 예측되었고 부동산 시장 안정을 위해서는 지역별 주택공급 차별화를 적극 적용할 필요가 있는 것으로 확인되었다. 이번 연구에서 제시된 방법에 대해 실용적으로 사용될 수 있는 점과 지역별 인구증감 예측을 반영한 지역별 부동산 시장의 중·장기적인 방향성을 확인한다는 점에서 의미를 기대할 수 있다.
인구 증감과 주택공급의 변화를 반영하여 지역별 주택 수급 예측에 대한 중·장기적인 연구는 부족하였다. 본 연구에서는 최근 35년간 인구 1,000 명당 주택 수, 지역별 인구 변화율 그리고 향후 예측되는 지역별 인구증가 예측율을 반영하여 부동산 시장의 수요와 공급 측면에서 지역별 주택수 공급과 수요에 대하여 마코프 체인 모형의 전이확률을 적용하여 중·장기적인 지역별 주택수를 확인한다. 모형 수행결과, 지역별 부동산 시장은 경기, 인천, 서울 등 수도권에 대한 주택공급은 지역별 인구변화를 고려할 때 상당기간 부족할 것으로 예상되며 시간이 지나면서 다른 지역은 전국평균 주택수에 수렴하는 경향을 통해 안정화 될 것으로 예측되었고 부동산 시장 안정을 위해서는 지역별 주택공급 차별화를 적극 적용할 필요가 있는 것으로 확인되었다. 이번 연구에서 제시된 방법에 대해 실용적으로 사용될 수 있는 점과 지역별 인구증감 예측을 반영한 지역별 부동산 시장의 중·장기적인 방향성을 확인한다는 점에서 의미를 기대할 수 있다.
There has been a lot of research on the real estate market, but a lack of research on the supply and demand of housing supply in each region, reflecting the changes in population growth and supply. It is calculated as the transition probability of the Markov chain model by reflecting the data on the...
There has been a lot of research on the real estate market, but a lack of research on the supply and demand of housing supply in each region, reflecting the changes in population growth and supply. It is calculated as the transition probability of the Markov chain model by reflecting the data on the number of houses per 1,000 people in the past 35 years and the forecast data for population change by region, in terms of supply (housing) to demand (population) for factors on the real estate market. According to the calculation results of the real estate market by region, the housing supply to the metropolitan area such as Gyeong-gi, Incheon, and Seoul is expected to be insufficient for a considerable period of time, considering the population changes by region. To stabilize the real estate market, it was confirmed that it was necessary to actively apply the differentiation of housing supply by region. It is meaningful in terms of verifying long term trends in the real estate market by region that reflect the prediction of population change, and it is expected that the methods used in this study will be practical through the analysis results using the historical data.
There has been a lot of research on the real estate market, but a lack of research on the supply and demand of housing supply in each region, reflecting the changes in population growth and supply. It is calculated as the transition probability of the Markov chain model by reflecting the data on the number of houses per 1,000 people in the past 35 years and the forecast data for population change by region, in terms of supply (housing) to demand (population) for factors on the real estate market. According to the calculation results of the real estate market by region, the housing supply to the metropolitan area such as Gyeong-gi, Incheon, and Seoul is expected to be insufficient for a considerable period of time, considering the population changes by region. To stabilize the real estate market, it was confirmed that it was necessary to actively apply the differentiation of housing supply by region. It is meaningful in terms of verifying long term trends in the real estate market by region that reflect the prediction of population change, and it is expected that the methods used in this study will be practical through the analysis results using the historical data.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
세종특별시에 대한 과거 자료가 누적되고 인구증감율을 반영한다면 더 의미 있는 연구가 될 수 있을 것으로 기대한다. 본 연구는 학술적으로 마코프 체인모형에 대해 새롭게 영향변수로서 주택 수와 지역별 인구증감율을 반영하여 중장기적인 부동산 시장 흐름을 확인한다는 부분에서 의미가 있다. 또한 실무적 측면에서 해당 지역별 부동산 시장의 수요와 공급에 대한 내용으로 지역별 주택수 분석결과를 통해 중장기적인 흐름을 파악하여 부동산 시장에 대한 주택 공급의 정책적 방향을 결정하는데 기여할 수 있을 것으로 기대한다.
수요가 공급보다 더 많은 초과 수요가 발생하면 경쟁으로 가격이 상승하고 이에 따라 수요량 감소, 공급량 증가에 의해 균형가격으로 돌아가는 것이 기본 원칙이다[2]. 본 연구에서는 이러한 수요와 공급측면에서 지역별 인구변화를 반영하여 향후 주택수 수급 예측에 대한 연구를 진행한다. 부동산 시장에 근본적으로 영향을 미치는 수요 대비 공급이라는 측면에서 지역별 인구예측(2020∼2047년)과 1, 000명당 주택수(1985∼2019년), 과거 지역별 인구변동 자료를 이용하여 미래상태는 현재상태에 기반하여 영향을 받는다는 마코프 체인 모형을 적용하여 중·장기적 지역별 부동산 시장에 대해 확인한다.
본 연구에서는 전체적 지역별 비교를 통해 해당 지역에 얼마나 주택이 공급되었는지 확인할 수 있는 주택지수에 대해 부동산 가격 상승률과 상관관계가 있는 것을 반영한다. 주택지수를 확인하기 위해 향후 지역별 1, 000명당 주택 수 자료를 계산하며 이과정에서 과거 주택수 증가와인구증감율 자료를 전이확률로 반영하여 마코프 체인 모형을 통해 중·장기적인 예측을 실시한다.
부동산 시장에 대한 기존 연구는 다양한 방법으로 부동산 시장가격 안정화 연구를 하였지만 결과값에 대한이유를 명확하게 설명할 수 있고 초기 예측값을 선정할 필요가 없으며 각 단계별 전이에 대해 과거 자료를 전이확률로 적용 가능한 마코프 체인 모형을 이용하여 중·장기적 측면에서 인구 증감율을 반영한 부동산 시장에 대한 수요와 공급에 관한 연구를 적용하고자 한다.
적용하였다. 연구의 목적은 인구증감과 주택공급의 변화를 반영한 마코프 체인 모형을 적용하여 중장기적인 지역별 주택수급 예측이다.
주택지수를 확인하기 위해 향후 지역별 1, 000명당 주택 수 자료를 계산하며 이과정에서 과거 주택수 증가와인구증감율 자료를 전이확률로 반영하여 마코프 체인 모형을 통해 중·장기적인 예측을 실시한다. 이를 통해 지역별 인구 증감에 따른 주택수 공급 수준이 어떻게 변화되는지 확인하여 지역별 주택수 공급에 대한 과·부족 상황을 확인한다.
제안 방법
상태를 확인한다. 35년간의 지역별 평균 주택수 증가율과 지역별 인구증가율이 대표성을 가지며 전이확률로 적용하여 마코프 체인 모형을 이용한 지역별 주택 수의 변화를 2047년까지 예측한다.
과거 35년의 지역별 1,000명당 주택수 자료와 지역별 인구변화 자료를 이용하여 다음 단계의 상태는 현재 상태에 기반하여 변화된다는 마코프 체인 모형을 적용하여중·장기적인 지역별 주택수를 확인하였다. 시간이 지남에 따라 전체적으로 각 지역별 주택수가 전국평균에 수렴하려는 안정화 경향을 확인하였지만 지금과 같은 진행속도에서 일부 지역의 경우, 전국평균에 수렴되는 시간은 상당히 소요될 것으로 추정된다.
첫째, 부동산 시장에 마코프 체인 모형을 적용해 중·장기적 국면을 예측 및 분석함에 있다. 둘째, 공간적 범위를 지역별로 분석하여 부동산 시장의 변화가 어떻게 나타나는지를 확인한다. 마지막으로 지역별 인구 증감 예측 규모를 반영하여 예측 가능한 실효성 있는 부동산 시장 상태를 파악하고 분석결과를 통해 실용적 방법을 제시한다.
둘째, 공간적 범위를 지역별로 분석하여 부동산 시장의 변화가 어떻게 나타나는지를 확인한다. 마지막으로 지역별 인구 증감 예측 규모를 반영하여 예측 가능한 실효성 있는 부동산 시장 상태를 파악하고 분석결과를 통해 실용적 방법을 제시한다. 연구의 구성은 2장에서 이론적 배경 및 방법에 대해 알아보고 3장에서는 적용모형에 대해 확인한 후 4장에서 모형을 통해 확인된 결과를 분석하고 적용방법의 실용성을 확인하며 5장에서 결론 및 향후 연구과제에 대해 확인한다.
많은 변수와 요소에 의해 움직이는 부동산 시장이지만 근본적으로 수요가 공급보다 많은 지역은 부동산 시장이 불안정 해질 것이고 수요보다 공급이 많은 지역은 부동산 시장이 안정 또는 가격 하락할 것이라는 관점[2]에서 연구를 적용하였고 지역별 인구증감 예측과 1, 000명당 주택 수 자료는 e-나라지표, 국가통계자료(KOSIS)를 확인하여 적용하였다. 연구의 목적은 인구증감과 주택공급의 변화를 반영한 마코프 체인 모형을 적용하여 중장기적인 지역별 주택수급 예측이다.
본 연구에서는 이러한 수요와 공급측면에서 지역별 인구변화를 반영하여 향후 주택수 수급 예측에 대한 연구를 진행한다. 부동산 시장에 근본적으로 영향을 미치는 수요 대비 공급이라는 측면에서 지역별 인구예측(2020∼2047년)과 1, 000명당 주택수(1985∼2019년), 과거 지역별 인구변동 자료를 이용하여 미래상태는 현재상태에 기반하여 영향을 받는다는 마코프 체인 모형을 적용하여 중·장기적 지역별 부동산 시장에 대해 확인한다.
인구증가시와 감소시 주택증가수에 대해 차이가 있음을 고려하여 지역별 향후 예상되는 인구증감율을 전이확률로 반영하여 지역별 1,000명당 주택수를 확인하고 지역별 부동산 시장의 수요와 공급 측면에서 영향을 미치는 상태를 확인한다. 35년간의 지역별 평균 주택수 증가율과 지역별 인구증가율이 대표성을 가지며 전이확률로 적용하여 마코프 체인 모형을 이용한 지역별 주택 수의 변화를 2047년까지 예측한다.
62명으로 감소하는 것을 확인할 수 있다. 적절한 1 인 공간면적과 노후주택 재건축 등을 고려하여 무한정 늘어날 수 없지만 전체 주택수는 1·2인 가구 증가를 통해 주택수가 확대되는 것과 지역별 인구증감율에 따라 지역별 주택수 확대 규모를 다르게 가정하여 부동산 시장에 대한 중·장기적인 경향성을 분석하는 목적에서 주택 수는 일정기간 증가하는 내용을 적용하였다.
주택지수를 확인하기 위해 향후 지역별 1, 000명당 주택 수 자료를 계산하며 이과정에서 과거 주택수 증가와인구증감율 자료를 전이확률로 반영하여 마코프 체인 모형을 통해 중·장기적인 예측을 실시한다. 이를 통해 지역별 인구 증감에 따른 주택수 공급 수준이 어떻게 변화되는지 확인하여 지역별 주택수 공급에 대한 과·부족 상황을 확인한다.
하지만 지역별로 인구가 감소하는 지역, 감소하는 기간 동안에는 주택수가 증가하는 비율이 평균보다 상대적으로 적게 증가하는 경향을 확인할 수 있어 본 연구에서는 지역별 인구증가시(HINP+)와 인구감소시(HINP-)를 구분하여 주택수 증가자료를 전이확률로 적용한다. 서울의 경우, 인구증가시 매년 주택수가 9.
대상 데이터
3.1 적용모형
적용지역은 서울, 부산, 인천 등 7개 광역시와 경기, 강원, 경북 등 9개 광역도 대상으로 하였으며 세종특별시는 2011년 이전 과거 통계자료가 없는 관계로 충청남도에 포함하여 적용하였다.
주택수 변화에 많은 영향을 미치는 지역별 인구증감변화에 대한 자료는 통계청에서 2047년까지 예측한 자료를 이용하였다. 인구증감은 전국적으로 2028년까지 증가하다가 이후 감소하는 형태를 보일 것으로 예측된다.
성능/효과
1,000명당 전국주택수는 통계가 작성된 이후 지속적으로 증가했으며 가구당 구성인원은 감소(1985년:7.02 명, 2019년:2.47명)했음을 확인할 수 있다. 이는 지난 35년 동안 1·2인 가구의 증가에 따라 주택수가 확대되고 있음을 추정할 수 있다.
2047년까지 전국적으로 평균 주택수는 일정한 수준에서 지속적으로 증가(404→619채, +53%)하는 것을 확인할 수 있으며 이는 가구당 구성인원이 2.47명에서 1.62명으로 감소하는 것을 확인할 수 있다. 적절한 1 인 공간면적과 노후주택 재건축 등을 고려하여 무한정 늘어날 수 없지만 전체 주택수는 1·2인 가구 증가를 통해 주택수가 확대되는 것과 지역별 인구증감율에 따라 지역별 주택수 확대 규모를 다르게 가정하여 부동산 시장에 대한 중·장기적인 경향성을 분석하는 목적에서 주택 수는 일정기간 증가하는 내용을 적용하였다.
9%로 증가하는 것을 확인할 수 있다. 각 지역별로 인구증감 및 주택 수 증가속도의 영향에 따라서 차이는 있지만 각 지역의 주택수는 일정시간이 지나면서 전국평균 주택 수에 점진적으로 수렴하는 것을 확인할 수 있다.
부동산 시장의 안정을 위하여 지역별 주택공급에 대한 차별성을 적극적으로 적용해야 할 필요성이 있으며 수도권 등으로 인구집중 현상이 심화되고 있는 현 상태에서 경기, 인천, 서울 등의 수도권 지역에 대한 주택수는 상당기간 부족한 상황이 지속될 것으로 예상되고 부동산 시장 안정화를 위한 공급확대 등 정책적 검토가 필요할 것으로 판단된다. 본 연구를 통해서 부동산 시장의 안정을 위해서는 수요와 공급의 측면에서 해당 지역, 물량, 공급 속도가 중요하다는 것을 확인할 수 있다.
54보다 높게 나타나는 것을 확인할 수 있다. 전국평균 주택가격 상승률(2.54)보다 높은 지역인 서울, 부산, 대구, 광주, 경기, 광주지역은 주택지수가 다른 지역보다 상대적으로 낮은 지역으로 확인된다. 해당지역은 주택가격 상승률이 높은 만큼 주택지수도 낮게 나타나는 경향을 확인할 수 있으며 전국평균보다 주택지수가 높은 전남, 경북, 강원 등은 주택가격 상승률이 낮은 경향을 보인다.
지역별 인구증감과 주택수 증가의 관계를 살펴보면 지역별로 인구가 감소하여도 주택수는 증가하고 인구가 증가하여도 주택수가 증가하는 상황을 확인할 수 있다. 하지만 지역별로 인구가 감소하는 지역, 감소하는 기간 동안에는 주택수가 증가하는 비율이 평균보다 상대적으로 적게 증가하는 경향을 확인할 수 있어 본 연구에서는 지역별 인구증가시(HINP+)와 인구감소시(HINP-)를 구분하여 주택수 증가자료를 전이확률로 적용한다.
것으로 예상된다. 지역별 주택수 비율 측면에서 전국평균에 비해 가장 높았던 경북(120.1%)은 2047년 110.9%로 감소하는 것을, 인천(95.05%)은 96.9%로 증가하는 것을 확인할 수 있다. 각 지역별로 인구증감 및 주택 수 증가속도의 영향에 따라서 차이는 있지만 각 지역의 주택수는 일정시간이 지나면서 전국평균 주택 수에 점진적으로 수렴하는 것을 확인할 수 있다.
후속연구
본 연구는 학술적으로 마코프 체인모형에 대해 새롭게 영향변수로서 주택 수와 지역별 인구증감율을 반영하여 중장기적인 부동산 시장 흐름을 확인한다는 부분에서 의미가 있다. 또한 실무적 측면에서 해당 지역별 부동산 시장의 수요와 공급에 대한 내용으로 지역별 주택수 분석결과를 통해 중장기적인 흐름을 파악하여 부동산 시장에 대한 주택 공급의 정책적 방향을 결정하는데 기여할 수 있을 것으로 기대한다.
본 연구의 한계점으로 부동산 시장에 영향을 미치는 다양한 요소, 즉 교육, 직업, 교통, 문화시설 등을 충분히 반영하지 못한 부분이 있으며 새롭게 확대되는 세종특별시를 분리하지 못한 한계가 있다. 세종특별시에 대한 과거 자료가 누적되고 인구증감율을 반영한다면 더 의미 있는 연구가 될 수 있을 것으로 기대한다.
기본 원칙이다. 부동산 시장의 안정을 위하여 지역별 주택공급에 대한 차별성을 적극적으로 적용해야 할 필요성이 있으며 수도권 등으로 인구집중 현상이 심화되고 있는 현 상태에서 경기, 인천, 서울 등의 수도권 지역에 대한 주택수는 상당기간 부족한 상황이 지속될 것으로 예상되고 부동산 시장 안정화를 위한 공급확대 등 정책적 검토가 필요할 것으로 판단된다. 본 연구를 통해서 부동산 시장의 안정을 위해서는 수요와 공급의 측면에서 해당 지역, 물량, 공급 속도가 중요하다는 것을 확인할 수 있다.
분리하지 못한 한계가 있다. 세종특별시에 대한 과거 자료가 누적되고 인구증감율을 반영한다면 더 의미 있는 연구가 될 수 있을 것으로 기대한다. 본 연구는 학술적으로 마코프 체인모형에 대해 새롭게 영향변수로서 주택 수와 지역별 인구증감율을 반영하여 중장기적인 부동산 시장 흐름을 확인한다는 부분에서 의미가 있다.
참고문헌 (21)
Y. S. Kim. (2007). A Study of Real Estate Price Change from Real Estate Policy - An Apartment Price Center. Management & Informantion Systems Review, 20, 17-32. DOI : 10.29214/damis.2007..20.002
W. S. You & Y. S. Kim. (2009). The Theory on Demand and Supply in Real Estate and the Theoretical Approach to Price Formation. Korea Real Estate Academy Review, 37, 105-123. UCI : G704-001021.2009..37.007
W. S. Lee. (2017). ETF Risk Management. Journal of the Korean Data & Information Science Society, 28(4), 843-851. DOI : 10.7465/jkdi.2017.28.4.843
C. Y. Park, H. G. Kim, C. S. Shin, Y. Y. Cho & J. W. Park. (2017). Arrival Time Estimation for Bus Information System Using Hidden Markov Model. KIPS transactions on computer and communication systems, 6(4), 189-196. DOI : 10.3745/KTCCS.2017.6.4.189
H. S. Park. (2010). Analysis of Real Estate Business Cycles by Using Markov Switching Model. Korea Appraisal Society, 9(2), 73-82. UCI: G704-SER000010156.2010.9.2.004
S. H. Park & K. S. Lee. (2019). A Markov Chain Model for Population Distribution Prediction Considering Spatio - Temporal Characteristics by Migration Factors. Journal of the Economic Geographical Society of Korea, 22(3), 351-365. DOI : 10.23841/egsk.2019.22.3.351
V. Babalos, M. Balcilar & R. Gupta. (2015). Herding Behavior in Real Estate Markets: Novel Evidence from a Markov Switching Model. Journal of Behavior and Experimental Finance, 8, 40-43. DOI : 10.1016/j.jbef.2015.10.004
R. D. Evans & G. R. Mueller. (2013). Retail Real Estate Cycles as Markov Chains. The Journal of Real Estate Portfolio Management, 19(3), 179-188. http://www.ndsl.kr/ndsl/search/detail/article/articleSearchResultDetail.do?cnDIKO0011950401
R. Y. J. Siew. (2015). Predicting the Behavior of Australian ESG REITs using Markov Chain Analysis. Journal of Financial Management of Property and Construction, 20(3), 252-267. DOI : 10.1108/JFMPC-03-2015-0009
C. Yan, X. M. Liu, W. Liu & J. Sun. (2012). The Establishment of the Real Estate Price Prediction Model Based on the Grey Markov Chain: A Case Study of Qingdao City. Advanced Material Research, 482, 717-721. DOI : 10.4028/www.scientific.net/AMR.
X. Guo & R. Liu. (2010). Green House Demand Forecasting Model Based on Markov Chains. Intelligent Computation Technology and Automation, 2, 407-409. DOI : 10.1109/ICICTA.2010.58
C. H. Lee. (2020). The Relationship between Income Instability and Psychological Condition of Real Estate Price Changes and Willingness to Adjust Real Estate Holding Ratio. Journal of the Korea Convergence Society, 11(12), 199-205. DOI : 10.15207/JKCS.2020.11.12.199
T. J. Jo & D. H. Lim. (2011). An Empirical Study on the Necessity for Housing Policy Customization by Region. Journal of the Korea Real Estate Analysts Association, 17(4), 27-44. UCI: G704-001613.2011.17.4.005
J. Y. Kim, H. S. Lee & S. H. Hwang. (2020). Connectedness between EPU Index and Korean Housing Market Returns. Journal of the Korea Real Estate Analysts Association, 26(1), 7-24. DOI : 10.19172/KREAA.26.1.1
H. Y. Lee & J. Lee. (2014). Spillover Effects of Apartment Housing Prices across Cities: A Generalized Forecast Error Variance Decomposition for Seven Large Cities. The Korea Spatial Planning Review, 82, 3-15. DOI : 10.15793/kspr.2014.82..001
S. W. Jang, S. H. Lee & J. J. Kim. (2010). An Analysis of the Relationship between the Stock Price and the Real Estate Price. Journal of the architectural institute of Kora : Planning & Design, 26(3), 177-184. UCI : I410-ECN-0101-2010-540-002235723
S. H. Kim & J. M. Lee. (2020). A Study on the Prediction for Apartment Sales Price: Focusing on the Basic Property, Economy, Education, Culture and Transportation Properties in S city, Gyeonggi-do. The Journal of Bigdata, 5(1), 109-124. DOI : 10.36498/kbigdt.2020.5.1.109
S. H. Nam, T. H. Han, Y. J. Kim & E. J. Lee. (2020). Real-Estate Price Prediction in South Korea via Machine Learning Modeling. The Journal of the institute of internet, broadcasting and communication, 20(6), 15-20. DOI : 10.7236/JIIBC.2020.20.6.15
H. S. Yang & W. S. Seo. (2020). Time Series Analysis of the Relationship between Housing Consumer Sentiment and Regional Housing Prices in Seoul. Journal of cadastre & land informatix, 50(1), 125-141. DOI : 10.22640/lxsiri.2020.50.1.125
W. S. Yang. (2016). Numerical Analysis of Caching Performance in Content Centric Networks Using Markov Chain. The Journal of the Korea Contents Association, 16(4), 224-230. DOI : 10.5392/JKCA.2016.16.04.224
※ AI-Helper는 부적절한 답변을 할 수 있습니다.