머신러닝 기반 주택공급량 추정모형의 개발과 성능 비교 - 단순 평균법과 생존분석 방법과의 비교를 중심으로 - = Developing a Machine Learning-Based Housing Supply Estimation Model - A Comparative Analysis with Simple Averaging and Survival Analysis -

국문 초록 (Abstract)

본 연구는 수도권 아파트를 대상으로 2010년 1월부터 2019년 12월까지의 인허가 이력을 학습자료로, 2020년 인허가 물량을 테스트자료로 설정하여 허가 이후 실제 준공으로 이어지는 주택공급 실현량을 예측하는 모형을 평가하였다. 비교모형인 단순 평균법과 생존분석이 인허가 시점의 정보에 기반한 정태적 사전 예측(forecasting)인 반면, 제안모형인 LightGBM(light gradient boosting model) 4-way 앙상블 기반 Machine Learning 모형은 착공 후 경과월수 등 지속적으로 갱신되는 정보를 활용하는 동적 단기 전망(nowcasting)으로 정보집합의 확장을 시도 후 상호 비교 평가 하였다. 설명변수는 시장 · 금융 · 공간 변수 등을 제외하고 공급 파이프라인과 일정정보로 한정하였다. 분석 결과, 확장된 파이프라인 정보를 활용한 Machine Learning 기반 모형은 월별 준공물량 예측에서 단순 평균법과 생존분석보다 낮은 예측오차를 보였으며, 누적 준공물량 기준에서도 실제 공급경로를 가장 안정적으로 추적하였다. 이는 공급총량 자체보다 단계별 잔량과 경과기간 구조가 향후 준공실현량 전망의 핵심 정보임을 시사한다. 본 연구는 갱신되는 행정정보만으로도 실효성 있는 공급량 예측체계를 구축할 수 있음을 보였다는 점에서 의의를 가진다.

다국어 초록 (Multilingual Abstract)

This study develops and evaluates models for predicting the realized housing supply from apartment projects permitted in the Seoul Metropolitan Area. Using permit histories from January 2010 to December 2019 as training data and apartment projects permitted in 2020 as a holdout test set, the study compares a simple averaging approach, a survival analysis model, and a Light Gradient Boosting Model (LightGBM) 4-way ensemble model. Whereas the benchmark models rely on static information available at the time of permit approval (forecasting), the proposed machine learning model is designed as a conditional short-term prediction (nowcasting) framework that incorporates dynamically updated administrative information. To isolate the predictive value of administrative supply data, the explanatory variables are limited to supply pipeline- and schedule-related information, including stage-specific backlogs and elapsed-time variables, while excluding market, financial, and spatial variables. The results show that the machine learning-based model, benefiting from this expanded information set, produces lower prediction errors in monthly completion forecasts and more accurately tracks cumulative completions than the benchmark models. These findings suggest that realized housing supply is explained less by aggregate permit volume than by the dynamically evolving backlog and duration structure embedded in the housing supply pipeline. Overall, the study demonstrates that a practically useful conditional prediction framework can be developed using administrative housing supply data alone.