설명가능한 머신러닝을 활용한 주택가격 결정요인 분석: 지역별 및 시기별 차이를 중심으로

• 영문명: Explainable Machine Learning for Housing Price Determinants: Focusing on Regional and Temporal Variation
• 발행기관: 한국부동산정책학회
• 저자명: 박정식(JeongSik Park) 오지훈(Jihun Oh) 원재웅(Jaewoong Won)
• 간행물 정보: 『부동산정책연구』제25집 제3호, 22~39쪽, 전체 18쪽
• 주제분류: 사회과학 > 정책학
• 파일형태: PDF
• 발행일자: 2024.12.31

국문 초록

그 동안 주택가격을 예측하고 설명하는 헤도닉 가격모형으로 선형회귀 방식의 모형이 주로 활 용되어 왔다. 그러나 이러한 방식은 모형이 설명가능하다는 장점이 있는 반면, 오차항의 정규성이나 변수 간 다중공선성 등 모형 설정 시 여러 제약들로 인하여 정교한 예측이 어렵다는 한계 또한 존재 하였다. 한편, 최근 머신러닝 방법론이 여러 분야에 걸쳐 활용됨에 따라 기존의 모수적 모형설정의 제약을 넘어 높은 수준의 예측력을 보여주고 있으며, 또한 기존 머신러닝 모형의 한계로 지적되던 블 랙박스(Black-box) 이슈에 있어서도 설명가능한 머신러닝 방법론이 제시됨에 따라 주택 연구 분야에 도 점차 그 실무적 적용 가능성이 논의되고 있는 시점이다. 그러나, 이러한 시도들에도 불구하고 기 존 머신러닝을 활용한 주택가격 헤도닉 가격모형 구축 사례에서는 제한된 변수들만이 활용되어 주택 의 여러 입지적 특성이 갖는 복합적 요인을 고려하는데 한계가 있으며, 대부분 머신러닝 모형 개발 단계에 머무르고 있어 정책적 시사점을 도출하기에는 한계가 있다. 이에 따라, 본 연구에서는 서울시 아파트 실거래가를 바탕으로 주택의 물리적 특성 뿐만 아니라 다양한 근린도시환경 변수들을 헤도닉 가격모형에 포함하였으며, Random Forest와 XGBoost 모형을 기반으로 설명가능한 머신러닝 모형을 구축하여 모형 정확도 평가 및 변수 중요도를 추출하였다. 나아가 본 연구는 서울시 생활권별 및 시 기별로 각 변수별 중요도 및 오차율이 어떻게 달라지는지 분석함으로써 계획적 관점에서 머신러닝 기반의 헤도닉 가격모형의 분석 결과를 보다 설명가능한 형태로 발전시키고자 한다.

영문 초록

The hedonic price model has long been a key method for predicting and explaining housing prices. Despite its widespread application, the model is limited by assumptions such as the normality of error terms and challenges like multicollinearity, which constrain its flexibility and predictive accuracy. Recently, machine learning techniques have emerged as powerful alternatives, demonstrating significant predictive capabilities while overcoming the limitations of traditional parametric models. Moreover, the advent of explainable machine learning methods has broadened their applicability across various domains, including housing price analysis. However, most existing studies on housing prices using machine learning have mainly focused on improving predictive performance with a limited set of variables, primarily emphasizing physical housing characteristics while overlooking the complex impact of locational factors. This study addresses this gap by leveraging actual transaction prices of apartments in Seoul between 2016 and 2018 to develop explainable machine learning models, specifically Random Forest and XGBoost. These models incorporate an extensive set of variables, including neighborhood urban environmental factors to provide a more comprehensive understanding of housing price determinants. Furthermore, this study examines how the importance of these variables and their influence on housing prices vary across different regions and time periods in Seoul, suggesting valuable insights into the dynamic and local context nature of housing markets.

목차

Ⅰ. 서론

Ⅱ. 선행연구 고찰

Ⅲ. 분석 방법

Ⅳ. 분석 결과

Ⅴ. 결론

Reference

키워드

머신러닝 주택가격 다중회귀분석 XGBoost 랜덤 포레스트 변수 중요도 SHapley Additive exPlanations Machine Learning Housing Price Multiple Linear Regression XGBoost Random Forest Feature Importance SHapley Additive exPlanations