딥러닝 모델을 이용한 소지역 장래가구추계 : 서울시 주택 수요 추정 및 유형화를 중심으로 = Small Area Household Projection Using Deep Learning model:Focusing on Housing Demand Estimation and Typology

다국어 초록 (Multilingual Abstract)

Korea is currently facing a severe population decline crisis, and household structure is also changing rapidly. It is anticipated that the future population and household structure will differ significantly from the present. This demographic shift necessitates a systemic transformation across society, placing us at a critical juncture where decisions must be made on how to respond to these future changes.
These changes in population and households vary greatly by region, with significant differences—not only between the Seoul metropolitan area and non-metropolitan areas or between urban and rural regions but also among different cities and even within a single city. In Seoul, the capital city, the population has been in a long-term decline due to the outflow of the middle-aged and older population, despite the continuous inflow of the youth population. On the other hand, unlike the situation of continuous population decline, households in Seoul have shown a continuous increase driven by household fission. More recently, an accelerating outflow of households headed by individuals in their 30s and 40s is further reshaping Seoul’s household structure. These structural changes are unfolding in diverse ways across different districts within the single city of Seoul.
In this context of spatially differentiated demographic changes, it is important to forecast future changes by regions, and there is a growing demand for projection at smaller geographical scales. However, due to the complexity of the estimation process, projections are still predominantly produced only at the national/sub-national(Sido) level.
Therefore, this study defines small areas as districts—the basic units of local government—and develops and presents a deep learning-based model for future household projection applicable at this geographical level. Using Seoul as a case study, we present household projection results for the next 20 years. To utilize these results, we then estimate future changes in housing demand in Seoul and attempt to develop regional typology. The specific findings of this research are as follows.
In Chapter 3, a deep learning-based LSTM model was constructed to overcome the limitations of existing household projection methods used at the national/sub-national level. This model is designed to incorporate not only population and household changes at the small area level but also shifts in spatial distribution across regions, and we examine its applicability. Both univariate and multivariate LSTM models were designed for three different scenarios and evaluated their predictive power by comparing them with other household projection methods. The results showed that Scenario 3, which accounted for changes in the spatial distribution of housing area by regions, exhibited a trend most similar to the official future household projection by Statistics Korea.
In Chapter 4, to utilize the small area future household projection results, future housing demand was estimated and presented. Estimating housing demand is an inherently complex process, as it is shaped by a combination of the diverse characteristics and economic conditions of people who need to use housing. However, since housing is a good with low supply elasticity, if there is a mismatch between supply and demand, instability in the housing market may increase, so it is important to predict changes in housing demand from a long-term perspective. Furthermore, the geographical unit for estimating housing demand needs to be a spatial unit capable of responding to housing demand. Therefore, this chapter sets the estimation unit for housing demand at the district level and attempts to estimate housing demand by region.
The most influential variables on long-term housing demand at such a small geographical scale are demographic. Among these, it is essential to base the demand estimation on the household, which is the primary unit of housing consumption. Moreover, when analyzing housing, which has the characteristic of location fixity, it is necessary to consider locality and neighborhood effects. Accordingly, the housing demand estimation model presented in this chapter is a household-based Geographically Weighted Regression(GWR) model that accounts for spatial heterogeneity. Using this model, we estimated the housing demand in Seoul for the next 20 years.
In Chapter 5, based on the future housing demand for Seoul estimated in Chapter 4, regions with similar demand were spatially categorized, and their temporal variability was evaluated to examine future directions for housing policy. As geographical adjacency is particularly important when segmenting housing markets, this chapter attempts spatially constrained clustering. The analysis indicates that Seoul’s housing demand regions are expected to change dynamically in the short-term, showing differentiated patterns such as areas of rapid demand growth or sharp decline. However, in the long-term, as the patterns of housing demand change begin to stabilize, the demand region clusters are projected to maintain a more stable form. These findings imply the need for housing policies that are differentiated by time and region.
This study proposes a new model for projecting future household changes in small area and utilizes these projections to estimate future housing demand and create a demand-based regional typology. The findings from the case study are significant in that they empirically demonstrate the spatio-temporal changes in housing demand. Furthermore, the small area household projection results are expected to serve as a crucial basic dataset applicable to a wide range of fields in addition to housing market analysis.

국문 초록 (Abstract)

현재 우리나라는 심각한 인구 감소 위기 상황에 처해있으며, 가구 구조 또한 급변하고 있어 미래의 인구·가구 구조는 현재와 상당히 큰 차이가 있을 것으로 예상된다. 이러한 급격한 인구학적 변화에 맞춰 사회 전반의 시스템을 변화시켜야 하는 중요한 시점이며, 이러한 미래 변화에 대해 어떻게 대응할지 결정할 중요한 시기를 맞이하고 있다.
이러한 인구·가구 변화는 지역별로 큰 차이가 나타나는데, 수도권-비수도권, 도시-농촌 간의 차이뿐 아니라 도시 간, 그리고 도시 내에서도 큰 차이가 나타나고 있다. 그 중 수도인 서울은 청년 인구가 지속적으로 유입되었음에도 불구하고 중장년층의 유출로 인해 오랜 기간 동안 인구가 감소세를 보여왔다. 반면 서울의 가구는 지속된 인구 감소의 상황과는 달리 가구 분화로 인해 1인 가구가 크게 증가하며 지속적인 증가세를 보여왔다. 또한 최근에는 30-40대 중심의 가구 유출이 심화되면서 서울 내의 가구 구조는 크게 변화하고 있다. 이러한 가구 구조의 변화는 서울이라는 단일 도시 내에서도 지역별로 다양한 변화를 겪고 있다.
이처럼 공간적으로 차등적인 인구·가구 변화가 나타나고 있는 상황에서 지역별 장래의 변화를 예측하는 것은 중요하며, 특히 작은 지리적 단위에서의 추계에 대한 수요는 지속적으로 증가하고 있다. 하지만 추계의 복잡성으로 인하여 여전히 큰 지리적 단위인 시도 단위에서만 추계 결과가 산출되고 있는 상황이다.
따라서 본 연구에서는 소지역을 기초자치단체 단위인 시군구로 설정하고, 소지역 단위에서 적용 가능한 딥러닝 기반의 장래가구추계 모델을 구축·제시하였다. 사례 지역인 서울시를 대상으로 향후 20년간의 가구추계 결과를 제시하였으며, 이 결과를 활용하기 위하여 서울시의 장래 주택 수요 변화를 추정하고, 지역 유형화를 시도하였다. 본 연구의 구체적인 연구 결과는 다음과 같다.
3장에서는 전국/시도 단위에 활용되는 기존 가구추계 방법의 한계를 극복하고, 소지역 단위에서의 인구·가구 변화 뿐만 아니라 공간적 분포 변화를 추계에 이용할 수 있도록 딥러닝 기반의 LSTM 모델을 구축하여 해당 모델의 적용 가능성을 살펴보았다. 총 3개의 시나리오에 따라 단변량 및 다변량 LSTM 모델을 설계하여 타 가구추계 방법과의 비교를 통해 예측력을 검토하였다. 그 중 지역별 주거용 건축물의 공간적 분포 변화를 고려한 시나리오 3의 경우 통계청의 시도별 장래가구추계 결과와 가장 유사한 추세를 보임을 확인하였다.
4장에서는 소지역 장래가구추계 결과를 활용하기 위하여 서울의 장래 주택 수요를 추정하여 제시하였다. 주택 수요는 주택을 이용하고자 하는 사람들의 여러 특성과 경제적 상황이 복합적으로 영향을 미쳐 형성되는 것이므로 이를 추정하는 것은 상당히 복잡한 과정일 수밖에 없다. 그러나 주택은 공급 탄력성이 낮은 재화로 수요-공급의 불일치가 발생할 경우 주택 시장의 불안이 커질 수 있어 장기적인 관점에서 주택 수요 변화를 예측하는 것은 중요하다. 또한 주택 수요를 추정하는 지리적 단위는 주택 수요에 대응할 수 있는 공간적 단위일 필요가 있다. 따라서 본 장에서는 주택 수요 추정 단위를 소지역인 기초자치단체, 시군구로 설정하고, 지역별 주택 수요를 추정하고자 하였다.
이러한 작은 지리적 단위에서의 장기적인 주택 수요에 가장 큰 영향을 미치는 변수는 인구학적 변수로, 그 중 주택을 소비하는 단위인 가구를 기반으로 수요를 추정할 필요가 있다. 또한 위치 고정성이라는 특성을 가진 주택을 분석할 때는 지역성, 근린의 영향력을 고려할 필요가 있다. 따라서 본 장에서 제시한 주택 수요 추정 모델은 공간적 이질성을 고려한 가구 기반의 지리가중회귀 수요 추정 모델을 구축·제시하였으며, 서울을 대상으로 향후 20년간의 주택 수요를 추정하였다.
5장에서는 4장에서 추정한 서울의 장래 주택 수요를 기반으로 유사한 수요를 가지고 있는 지역을 공간적으로 유형화하고, 시간적인 변동성을 평가하여 향후 주택 정책의 방향을 검토하였다. 특히 주택 시장을 구획화할 때는 지리적 인접성이 중요하기 때문에 본 장에서는 이를 고려한 공간적 제약의 클러스터링을 시도하였다. 분석 결과 서울의 주택 수요 지역은 단기적으로 활발하게 변화하여 주택 수요가 크게 증가하는 지역 혹은 수요가 급감하는 지역 등 차등적인 변화를 보일 것으로 예상된다. 그러나 이후 장기적으로 주택 수요 변화가 유사한 패턴을 유지하게 되면서 수요 지역 클러스터는 안정적인 형태를 유지할 것으로 전망된다. 이러한 분석 결과는 시기별·지역별 상이한 주택 정책의 방향 수립이 필요함을 의미한다.
본 연구는 소지역에서의 장래가구 변화를 추계할 수 있는 새로운 모델을 제시하였으며, 추계한 결과를 활용하여 장래 주택 수요를 추정, 수요 기반의 지역을 유형화하였다. 이러한 사례 지역의 분석 결과는 주택 수요의 시공간적 변화를 실증적으로 보여주고 있다는 점에서 의의가 있다. 또한 소지역에서의 장래가구추계 결과는 주택 시장 분석 외에도 다양한 분야에서 활용 가능한 중요한 기초 자료의 역할을 할 수 있을 것으로 기대된다.

목차 (Table of Contents)

• 제 1 장 서론 1
• 제 1 절 연구배경 및 목적 1
• 제 2 절 연구의 구성 및 분석 단위 12
• 제 2 장 선행 연구 17
• 제 1 절 소지역 단위 장래가구추계 방법 17
• 1. 가구 단위 연구의 필요성 17
• 2. 장래 인구·가구추계 방법 19
• 3. 소지역 단위 인구·가구추계 연구 32
• 제 2 절 인구학적 주택 수요 추정 접근법 43
• 1. 인구 기반의 주택 수요 추정 43
• 2. 가구 기반의 주택 수요 추정 54
• 제 3 절 주택 시장 구획화 방법 61
• 1. 주택 시장 세분화 방법 61
• 2. 주택 수요의 공간적 유형화 71
• 제 4 절 기존 연구의 한계 및 연구 분석틀 84
• 제 3 장 소지역 단위 장래가구추계를 위한 딥러닝 모델 구축 90
• 제 1 절 가구추계를 위한 시나리오별 LSTM 모델 90
• 제 2 절 연구의 시공간적 범위 및 데이터 100
• 제 3 절 가구추계를 위한 LSTM 모델의 평가 104
• 1. LSTM 모델의 예측력 검토 104
• 2. LSTM 모델을 이용한 시나리오별 장래가구추계 결과 118
• 제 4 절 소결 132
• 제 4 장 장래가구추계에 기반한 공간 주택 수요 추정 모델링 135
• 제 1 절 공간적 이질성을 고려한 가구 기반의 주택 수요 모델 135
• 제 2 절 공간적 주택 수요 모델 분석 결과 150
• 제 3 절 서울시 장래 주택 수요 변화 추정 158
• 1. 수요 추정을 위한 변수의 가정 158
• 2. 장래가구추계를 이용한 향후 주택 수요량 추정 결과 165
• 제 4 절 소결 177
• 제 5 장 주택 수요의 지역 유형화와 시공간적 변동성 180
• 제 1 절 주택 수요의 시공간적 유형화 방법 182
• 1. 주택 수요의 공간적 클러스터링 182
• 2. 주택 수요 지역의 시간적 변동성 평가 방법 186
• 제 2 절 주택 수요의 시공간 변동성 측정 189
• 1. 주택 수요의 공간적 클러스터링 결과 189
• 2. 주택 수요 클러스터의 시간적 변동성 평가 203
• 제 3 절 소결 및 제언 207
• 제 6 장 결론 217
• 참 고 문 헌 224
• Abstract 247