기계학습과 XAI를 활용한 아파트 가격과 지역특성과의 관계 분석 = Analysis of the Relationship between Housing Prices and Regional Characteristics Using Machine Learning and XAI

다국어 초록 (Multilingual Abstract)

This study aims to explain the relationship between variables that were not explained in the existing machine learning methodology by interpreting the relationship between apartment prices and regional characteristic variables using the XAI methodology. Furthermore, the study's goal is to collect various regional variables (population, occupation, income/consumption) in the basic area unit (postcode unit) that could not be addressed in previous domestic studies due to data collection difficulties. In terms of the independent variable, a dataset was created for each facility, population, occupation, income/consumption, and the dependent variable. The relationship between independent and dependent variables was inferred using a random forest among XGBoost and Bagging models and SHAP models among XAI methodologies on the constructed dataset. The spatial scope of the analysis was determined by dividing Seoul Metropolitan Government into national basic zone units, the content range was apartment among houses, and the period was empirically analyzed in 2021. Results reveal that the proportion of high income, the proportion of rental income, and the number of apartments positively affect apartment prices, whereas the proportion of low income, bus stop, and the number of multi-family houses negatively affect apartment prices.

국문 초록 (Abstract)

본 연구의 목적은 아파트 가격과 지역특성 변수와의 관계를 해석함에 있어 기존 머신러닝 방법론에서 설명하지 못했던 변수 간의 관계를 XAI 방법론을 적용하여 설명하는 과정에 있다. 또한, 기존 국내 연구들에서 데이터 수집의 어려움으로 다루지 못했던 기초구역 단위(우편번호 단위)의 다양한 지역변수(인구, 직종, 소득/소비)들을 수집해 보다 세부적인 공간 단위에서 아파트 가격과 지역특성의 관계를 밝혀내는 데 연구의 목적이 있다. 독립변수는 시설, 인구, 직종, 소득/소비의 항목별로 데이터셋을 구축했으며 종속 변수는 국토교통부의 아파트 실거래가 데이터를 활용하였다. 구축된 데이터셋에 선형회귀 모형과 부스팅 모형 중 XGBoost, 배깅 모형 중 랜덤포레스트를 적용해 지역 특성을 통한 주택 가격을 예측하고 XAI 방법론 중 SHAP모형을 적용해 독립 변수와 종속 변수 간 관계를 추론하였다. 분석의 공간적 범위는 서울특별시를 국가 기초 구역단위로 나누어 설정하고 내용적 범위는 주택 중 아파트로 시간적 범위는 2021년으로 실증분석하였다. 분석 결과, 아파트가격에 정(+)의 영향을 미치는 변수들은 고소득 비중, 임대 소득자 거주 비중, 아파트수 등으로 나타났으며, 부(-)의 영향을 미치는 변수들은 저소득 비중, 버스정류장수, 다세대주택수 등으로 나타났다.

참고문헌 (Reference)

1 김준현, "혐오시설이 주변 지가에 미치는 영향 분석 : 서울시립승화원 사례" 한국지방행정연구원 26 (26): 275-296, 2012

2 이준용 ; 손재영, "패널분석을 이용한 대도시 주택가격 추이 분석" 한국부동산분석학회 19 (19): 71-86, 2013

3 김동중 ; 임덕호, "지역 기반산업이 주택가격에 미치는 영향" 한국주택학회 17 (17): 83-105, 2009

4 임종현 ; 유진호 ; 이주형, "주변지역 토지이용특성이 주택 가격결정에 미치는 영향: 일산신도시 공동주택을 중심으로" 국토연구원 57 : 49-63, 2008

5 김주영 ; 김주후, "위계선형모델을 적용한 근린특성의 지가영향 분석" 대한국토·도시계획학회 41 (41): 3-3, 2006

6 김정훈 ; 박헌수, "시공간자기회귀모형을 이용한 서울 아파트가격지수 추정에 관한 연구" 국토연구원 42 : 8-8, 2004

7 김성훈 ; 김우진 ; 장연주 ; 김현철, "설명 가능한 AI 학습 지원 시스템 개발" 한국컴퓨터교육학회 24 (24): 107-115, 2021

8 신영재, "서울시의 인구, 산업별 종사자 및 최고지가의 분포와 상관관계에 대한 연구" 대한지리학회 49 (49): 509-524, 2014

9 양승철, "분위회귀분석을 적용한 단독주택의 가격형성요인에 관한 연구: 서울시 소재 단독주택을 대상으로" 대한지리학회 49 (49): 690-704, 2014

10 배성완 ; 유정석, "머신 러닝 방법과 시계열 분석 모형을 이용한 부동산 가격지수 예측" 한국주택학회 26 (26): 107-133, 2018

11 장동률 ; 박민재, "랜덤 포레스트를 활용한 작품 가격 예측 모형 연구" 한국신뢰성학회 20 (20): 34-42, 2020

12 홍정의, "기계학습 알고리즘을 이용한 주택가격감정시스템의 구축 및 평가: XGBoost, LightGBM, CatBoost 알고리즘에 기반하여" 한국주택금융공사 4 : 33-64, 2020

13 Ahn, J., "XAI, Examine the Inside of Artificial Intelligence" Wikibooks 2020

14 Pai, P. -F., "Using Machine Learning Models and Actual Transaction Data for Predicting Real Estate Prices" MDPI 10 (10): 1-11, 2020

15 Park, B., "Using Machine Learning Algorithms for Housing Price Prediction : The Case of Fairfax County, Virginia Housing Data" Elsevier 42 (42): 2928-2934, 2015

16 Mckenzie, R. D., "The Metropolitan Community" McGraw-Hill 1933

17 Breiman, L., "Random Forests" Springer 45 (45): 5-32, 2001

18 Doniec, A., "Purchase Intention-based Agent for Customer Behaviours" Elsevier 521 : 380-397, 2020

19 Amato, P. W., "Population Densities, Land Values, and Socioeconomic Class in Bogota, Colombia" University of Wisconsin Press 45 (45): 66-73, 1969

20 Adams, Z., "Macroeconomic Determinants of International Housing Markets" Elsevier 19 (19): 38-50, 2010

21 Iacoviello, M., "Housing Market Spillovers : Evidence from an Estimated DSGE Model" American Economic Association 2 (2): 125-164, 2010

22 Kelleher, J. D., "Fundamentals of Machine Learning for Predictive Data Analytics: Algorithms, Worked Examples, and Case Studies" MIT Press 2015

23 Miles, D., "Financial Innovation and European Housing and Mortgage Markets" Oxford University Press 24 (24): 145-175, 2008

24 Mikhed, V., "Do House Prices Reflect Fundamentals? Aggregate and Panel Data Evidence" Elsevier 18 (18): 140-149, 2009

25 Goldberg, M. A., "An Evaluation of the Interaction between Urban Transport and Land Use Systems" University of Wisconsin Press 48 (48): 338-346, 1972