AI 기반 프롭테크를 활용한 토지가치의 종합적 평가 = Integrated Land Value Assessment using AI-based PropTech|RISS 상세보기

다국어 초록 (Multilingual Abstract)

Title: Integrated Land Value Assessment using AI-based PropTech

This study presents an integrated methodology for comprehensively evaluating land value using PropTech (Property Technology), which represents the convergence of artificial intelligence and real estate technology. To overcome the limitations of conventional land value assessment that relied on quantitative variables and lacked objective measurement of environmental characteristics, this research integrates machine learning-based price prediction, text mining-based qualitative variable extraction, and lightweight transfer learning-based semantic segmentation of land cover. This study selected public auction land as the target of analysis, given data accessibility and research ethics. While data collection for private land—including owner information, transaction records, and appraisal reports—is virtually impossible due to the Personal Information Protection Act, public auction land is publicly accessible through the Onbid system, allowing for large-scale systematic analysis. As public auction prices are actual transaction prices reflecting market supply and demand and follow the same price determination mechanism as general land transactions, the methodology developed in this study is applicable to the broader private real estate market.
First, a machine learning-based price prediction model was developed by analyzing 8,394 successful bid data of forest land sold through public auctions from 2016 to 2023. Principal Component Analysis (PCA) and Multiple Linear Regression were employed to identify key independent variables, and various algorithms, including Support Vector Regression (SVR), Random Forest, and Extreme Gradient Boosting, were comparatively analyzed. The results showed that SVR achieved the highest prediction performance with a Mean Absolute Percentage Error (MAPE) of 4.17% across bid rounds 2 through 6. Land price change rate, number of views, number of creditors, and land area were identified as factors increasing auction prices, while landlocked status, restrictions noted in appraisal reports, and partial ownership auctions were factors decreasing auction prices.
Second, an integrated prediction model was developed by extracting and refining unstructured textual information from appraisal reports of 26,365 properties (forest land, dry field, paddy field, and residential land) sold through public auctions from 2017 to 2024 using text mining techniques to construct qualitative variables, which were then combined with quantitative variables. By applying the Instrumental Variable (IV) method and Two-Stage Least Squares (2SLS), the integrated model improved auction success probability by up to 32.08 percentage points compared to the quantitative-only analysis. Quantitative variables proved effective when historical data were abundant and economic conditions were stable, while qualitative variables (such as transportation accessibility, appraisal opinions, and legal restrictions) were more useful when data were limited or economic conditions were unstable. Furthermore, ex-ante prediction analysis excluding auction-time information, such as bid rounds and minimum bid prices, revealed that during the stable auction market period (2017-2019), prediction accuracy of MAPE 9.74% was achieved using only appraisal report-based and economic environment variables. However, following changes in market structure induced by the COVID-19 pandemic and intensified real estate regulations (including the June 17 measures) after 2020, MAPE increased to 23-34%, confirming that public auction prices exhibited non-stationary behavior in response to market regime shifts.
Third, we performed lightweight transfer learning using pretrained FLAIR neural network models (U-Net with ResNet34 and MiTB5 backbones) provided by the French National Institute of Geographic and Forest Information (IGN). The target data comprised French IGN imagery (20 cm ground sampling distance) and Korean UAV/aerial imagery (12/25 cm ground sampling distance) provided by AI-HUB. For preprocessing, we performed class mapping between heterogeneous classification schemes and unified coordinate systems. To improve IoU, we constructed a performance function in the form of a quadratic polynomial regression equation, using class-wise and channel-wise statistics (mean, standard deviation) of input images as hyperparameters and class-wise IoU as the dependent variable. Optimal solutions were derived through the stationary point condition of Response Surface Methodology (RSM), and the final land cover map was generated by fusing class-wise optimal results at the pixel level. Optimization was completed with approximately 60 inferences, achieving IoU improvements of up to 67.86 percentage points on Korean imagery excluded from training, compared to the baseline. The optimized values derived from the source domain were successfully transferred to cross-regional areas between coastal and mountainous zones and cross-platform models between U-Net(ResNet34) and U-Net(MiTB5) through proportional mapping-based automatic transfer without additional inference. Statistical validation confirmed that the performance function followed a systematic quadratic response, demonstrating universal applicability across diverse geographic zones, spectral distributions, spatial resolutions, sensors, neural networks, and land cover classes. Cost analysis revealed resource efficiency superior by 4,000-fold compared to full model training and 10–74-fold compared to prior transfer learning schemes (resource consumption per unit error reduction). This approach was executed on standard commodity CPUs. Applying the developed framework, we examined the quantitative relationship between land cover characteristics and auction price ratios for 310 parcels of paddy land auctioned in 2024, revealing that the proportion of water features exerted a statistically significant positive effect on the auction price ratio.
This study establishes a comprehensive land valuation framework utilizing AI-based PropTech. By integrating three modalities of data—numerical, textual, and visual—through machine learning-based quantitative variable analysis, text mining-based qualitative variable extraction, and deep learning-based land cover analysis, we present an integrated assessment framework and demonstrate that an advanced land valuation system can be constructed using only publicly available data, including auction information from Korea's OnBid system and France's IGN FLAIR dataset. The assessment framework developed in this study is applicable to diverse contexts such as general land transactions, official land price assessment, collateral evaluation, and development project feasibility analysis, and can function as an effective risk management tool during abrupt market regime shifts. In the future, AI PropTech can serve as a technical foundation for social communication and consensus regarding land use by measuring differences between various land use patterns and their outcomes. While land remains an object of development and ownership, land use status has become an inevitable public good in a climate crisis society, and AI PropTech can provide a technical basis for social dialogue on land use by measuring the economic, environmental, and social consequences of land use and visualizing differences between alternative criteria and choices. However, achieving this requires essential policy improvements, including the provision of structured formats for public data with support for large-scale downloads, the establishment of physical characteristic-based land cover classification systems, and the real-time disclosure of aerial imagery.

Keywords: Artificial Intelligence, PropTech, Land Valuation Assessment, Public Auction, Text Mining, Land Cover Segmentation, Lightweight Transfer Learning, Machine Learning, Appraisal Report Analysis, Response Surface Methodology, Domain Generalization

번역하기

국문 초록 (Abstract)

제 목 : AI 기반 프롭테크를 활용한 토지가치의 종합적 평가

본 연구는 인공지능 기반 프롭테크(PropTech) 기술을 활용하여 토지의 가치를 종합적으로 평가하는 통합 방법론을 제시한다. 프롭테크는 부동산(Property)과 기술(Technology)의 합성어로 정보통신 기술을 부동산에 접목하여 새로운 가치를 창출하는 기술을 의미한다. 기존의 토지가치 평가가 정량적 변수에 의존하고 환경적 특성의 객관적 측정이 부재했던 한계를 극복하기 위해, 머신러닝(Machine Learning) 기반 가격 예측, 텍스트 마이닝(Text Mining) 기반 정성 변수 추출, 경량 전이학습(Transfer Learning) 기반 토지피복의 의미론적 분할 기법을 통합하였다. 데이터 접근성과 연구 윤리를 고려하여 국가가 집행하는 공매 토지를 분석 대상으로 선정하였다. 민간 토지의 경우 개인정보 보호법에 따라 소유자 정보, 거래 명세, 감정평가서 등의 자료 수집이 사실상 불가능하나, 공매 토지는 온비드 시스템을 통해 공공데이터로 공개되어 대규모 체계적 분석이 가능하다. 공매 낙찰가격은 시장 수요와 공급이 반영된 실거래가로서 일반 토지거래와 본질적으로 같은 가격 결정의 메커니즘을 따르므로, 본 연구에서 개발된 방법론은 민간 부동산 시장으로 확장할 수 있다. 본 논문의 주요 연구내용은 다음과 같다.
첫째, 2016년부터 2023년까지 공매로 매각된 임야 토지 8,394건의 낙찰 데이터를 분석하여 머신러닝 기반 가격 예측 모델을 구축하였다. 주성분 분석과 다중선형회귀를 통해 주요 독립변수를 탐색하고, 서포트 벡터 회귀(Support Vector Regression, SVR), 랜덤 포레스트(Random Forest), 익스트림 그래디언트 부스팅(Extreme Gradient Boosting) 등 다양한 알고리즘을 비교 분석한 결과, SVR이 가장 높은 예측 성능을 보였으며 입찰 2~6회차에서 평균 절대 백분율 오차(Mean Absolute Percentage Error, MAPE) 4.17% 수준의 예측 정확도를 달성하였다. 지가변동률, 조회건수, 채권자 수, 토지면적이 낙찰가격 상승요인이었고, 맹지 여부, 감정평가서 상 제약사항, 지분공매 여부가 낙찰가격 하락요인이었다.
둘째, 2017년부터 2024년까지 공매로 매각된 임야, 전, 답, 대지 26,365건의 감정평가서에 포함된 비정형 문장 정보를 텍스트 마이닝 기법으로 정제·추출하여 정성 변수를 구성하고, 이를 정량 변수와 결합한 통합 예측 모델을 개발하였다. 도구변수법(Instrumental Variable, IV)과 2단계 최소자승법(Two-Stage Least Squares, 2SLS)을 적용한 결과, 통합 분석 모델의 낙찰 성공 확률이 정량 분석 대비 최대 32.08%포인트 향상되었다. 정량 변수는 과거 데이터가 풍부하고 경제 상황이 안정적일 때 효과적이었으며, 정성 변수(교통 접근성, 감정평가 의견, 법적 제약 등)는 데이터가 제한적이거나 경제 상황이 불안정할 때 유용한 것으로 확인되었다. 나아가 입찰회차 및 최저입찰가와 같은 낙찰 당시 정보를 제외한 사전 예측 분석을 수행한 결과, 경매시장 안정기(2017-2019년)에는 감정평가서 기반 변수와 경제환경 변수만으로 MAPE 9.74%의 예측 정확도를 달성하였으나, 2020년 이후 코로나19 팬데믹 및 부동산 규제 강화(6·17 대책 등)로 인한 시장 구조 변화로 MAPE가 23-34%로 상승하여 공매가격이 시장 레짐 변화에 따라 비정상적 구조를 가짐을 확인하였다.
셋째, 프랑스 국립지리정보원(IGN)이 제공하는 기학습된 FLAIR 사업 신경망 모델(U-Net with ResNet34 and MiTB5 backbones)을 이용해 경량 전이학습을 수행했다. 대상 데이터는 프랑스 IGN 영상(지상해상도 20cm) 및 한국의 AI-HUB가 제공하는 드론/항공영상(지상해상도 12/25cm)이다. 전처리를 위해 이질적 분류체계 간 클래스 매핑 및 좌표계를 통일했다. IoU 개선을 위해 입력 이미지의 클래스별·채널별 통계(평균, 표준편차)를 하이퍼파라미터로, 클래스별 IoU를 종속변수로 하는 2차 다항 회귀식 형태의 성능함수를 구성하였다. 반응표면분석법(Response Surface Methodology, RSM)의 정류점 조건을 통해 최적해를 도출하고 픽셀 단위로 클래스별 최적 결과를 융합하여 최종 토지피복도를 생성하였다. 그 결과 약 60회의 추론만으로 최적화가 완료되었으며, 학습에 포함되지 않은 한국 영상에서 클래스별 픽셀 단위 예측 정확도(Intersection over Union, IoU)가 기준 대비 최대 67.86%포인트 향상되었다. 소스 영역에서 도출된 최적값은 비례식 기반 자동 전이를 통해 추가 추론 없이 해안-산간 지역 간 교차 영역 및 U-Net(ResNet34)와 U-Net(MiTB5) 간 교차 모델에 성공적으로 적용되었다. 통계적 검증 결과 성능 함수는 체계적인 2차 반응을 따르며, 다양한 지리적 영역, 분광 분포, 공간 해상도, 센서, 신경망, 토지피복 클래스에 보편적으로 적용 가능함이 확인되었다. 비용 분석 결과 전체 모델 학습 대비 4,000배, 기존 전이학습 방식 대비 10~74배 우수한 자원 효율성(단위 오차 감소당 자원 소비량)을 보였다. 본 기법은 표준 CPU 환경에서 수행되었다. 개발된 기법을 활용하여 2024년 공매 매각 답(논) 용도 토지 310건을 대상으로 토지피복 특성과 낙찰가격 간의 정량적 관계를 탐색한 결과, 수계화 비율이 낙찰가율에 통계적으로 유의미한 정(+)의 영향을 미치는 것으로 나타났다.
본 연구는 AI 기반 프롭테크를 활용하여 토지가치의 종합적 평가 체계를 구축하였다는 데 의의가 있다. 머신러닝 기반 정량변수 분석, 텍스트마이닝 기반 정성변수 추출, 딥러닝 기반 토지피복 분석을 통해 수치·텍스트·영상이라는 세 가지 양상의 데이터를 융합한 종합 평가 프레임워크를 제시하였으며, 한국 온비드 시스템 공매 정보와 프랑스 IGN FLAIR 데이터셋 등 공공데이터만으로 고도화된 토지가치 평가 시스템 구축이 가능함을 입증하였다. 본 연구에서 개발된 평가 체계는 일반 토지거래, 공시지가 산정, 담보 평가, 개발사업 타당성 분석 등 다양한 맥락에 적용할 수 있으며, 급격한 시장 레짐의 변화 시 효과적인 위험관리 도구로 기능할 수 있다. 향후 AI 프롭테크는 서로 다른 토지 이용 방식과 그 결과의 차이를 측정함으로써, 토지 이용에 관한 사회적 소통과 합의의 기술적 기반이 될 수 있다. 토지는 개발과 소유의 대상인 동시에 기후위기 사회의 필연적인 공공재가 되었으며, AI 프롭테크는 토지 이용의 경제적·환경적·사회적 결과를 측정하고 서로 다른 기준과 선택 간 차이를 가시화함으로써 국토 이용에 관한 사회적 대화의 기술적 기반을 제공할 수 있다. 그러나 이를 위해서는 공공데이터의 구조화된 형식 제공 및 대규모 다운로드 지원, 물리적 특성 기반 토지피복 분류체계 구축, 항공영상 실시간 공개 등 정책적 개선이 필수적이다.

주제어: 인공지능, 프롭테크, 토지가치 평가, 공매, 텍스트 마이닝, 토지피복 분할, 경량 전이학습, 머신러닝, 감정평가서 분석, 반응표면분석법, 도메인 일반화

번역하기

제 목 : AI 기반 프롭테크를 활용한 토지가치의 종합적 평가 본 연구는 인공지능 기반 프롭테크(PropTech) 기술을 활용하여 토지의 가치를 종합적으로 평가하는 통합 방법론을 제시한다. 프롭...

목차 (Table of Contents)