표준지공시지가 예측을 위한 머신러닝 모델 비교 : 서울특별시 강남구 사례를 중심으로|RISS 상세보기

국문 초록 (Abstract)

표준지공시지가는 과세의 기초, 개발사업 보상 등 각종 정책 의사 결정 의 기준이 되며, 이에 따라 산정의 정확성을 제고할 필요가 발생한다. 그 런데 현실의 토지 가격은 제도, 접근성 등 다양한 요인이 복합적으로 작 용하여 비선형적 상호작용을 나타낸다. 이처럼 비선형적인 상호작용을 고 려하여 감정평가사의 표준지공시자가 산정을 보완할 수 있는 객관적인 수 단으로서 머신러닝이 사용될 수 있다. 본 연구는 제도적으로 산정·공시되는 표준지공시지가를 대상으로, 머신 러닝 모델의 예측력을 비교·평가하는 것을 목적으로 한다. 데이터는 국 토교통부에서 제공하는 2023~2025년의 표준지공시지가 데이터에서 서울특 별시 강남구만을 대상으로 하며, 주위환경, 지목, 용도지역, 면적, 이용상 황 등의 변수를 사용한다. 실증 결과에 따르면, 서포트 벡터 회귀(SVR) 모형과 랜덤 포레스트 (Random Forest), 그리고 이 2개를 결합한 스태킹 앙상블 모형을 비교했 을 때 스태킹 앙상블이 가장 낮은 RMSE 및 MAE와 가장 높은 결정계수 (R2)를 보임으로써 가장 우수한 예측력을 실현했다. 랜덤 포레스트가 근접 한 성능을 나타냈으며, SVR의 예측력이 가장 낮았다. 이는 공시지가 산정 과정의 보조지표로서 머신러닝 모형을 활용할 수 있는 근거를 제공하며, 세제·보상 및 토지정책의 객관성·투명성 강화를 위한 실증적 근거를 제시한다. 한계로는 서울시 강남구로 한정된 공간적 범위와 2023~2025년도의 시간 적 범위에서 데이터 제약을 들 수 있으며, 향후 연구에서는 데이터의 확 장을 통한 일반화, 스태킹 앙상블에 포함되는 학습기의 확대, 독립적인 거 래 자료를 활용한 절대적인 정확도의 평가 등이 요구된다.

번역하기

표준지공시지가는 과세의 기초, 개발사업 보상 등 각종 정책 의사 결정 의 기준이 되며, 이에 따라 산정의 정확성을 제고할 필요가 발생한다. 그 런데 현실의 토지 가격은 제도, 접근성 등 다...

목차 (Table of Contents)