• 한국컴퓨터정보학회:학술대회논문집
• /
• 한국컴퓨터정보학회 2023년도 제67차 동계학술대회논문집 31권1호
• /
• pp.27-29
• /
• 2023

불안정한 부동산 가격은 지속적인 사회 문제로 거론되고 있는데 이는 부동산 매매 가격을 예측할 수 있는 정확한 지표가 체계적이고 구체적으로 확립되지 않았기 때문이다. 본 논문은 가격변동에 주요하게 영향을 미치는 특성을 파악하여 가격 예측 지표로 활용하기 위해 머신러닝 모델을 적용하여 특성 분석을 수행한다. 이를 위해 한국부동산원에서 제공하는 2021년 10월부터 2022년 9월까지 1년간의 역 주변 500M 이내 거래 데이터 약 30만 6천 개를 어떠한 과정으로 전처리하여 머신러닝 모델에 적용하였는지 기술한다.

• 한국건설관리학회논문집
• /
• 제9권1호
• /
• pp.87-95
• /
• 2008

정부는 2004년 상반기부터 실적단가집을 발행하여 실적공사비에 의한 예정가격 작성방안을 적극 활용하고자 하였다. 그러나, 건설업계에서는 현행 실적공사비제도가 내포하고 있는 문제점으로 인해 사업성 악화를 우려하며 실적공사비제도의 개선을 요구하고 있다. 본 논문은 철근콘크리트 공사의 실적단가와 시장단가의 흐름을 관찰하여 실적공사비제도의 문제점을 확인하고 현행 실적단가 선정 모델을 개선한 새로운 모델을 제시하고자 한다. 개선된 실적단가 선정 모델은 합리 적인 공사비 예측을 통해 관련업체를 효율적으로 지원하여 건설업체의 수익성을 확보하고 실적단가의 신뢰성을 제고할 수 있을 것으로 기대된다.

• 스마트미디어저널
• /
• 제11권3호
• /
• pp.62-73
• /
• 2022

국내 아파트 매매가 예측에 관한 연구는 현재까지 지속적으로 수행되어 왔지만, 아파트 가격은 다양한 특성이 복합적으로 작용하기 때문에 예측하는데 어려움을 겪고 있다. 아파트 매매가를 예측하는데 앞서 정확도를 높이기 위해서는 주요 변수 선정 및 영향요인 분석이 무엇보다 중요하다. 이에 본 연구는 현재 꾸준한 상승률을 보이는 광주광역시를 대상으로 아파트 매매가에 영향을 주는 요인을 분석해보고자 한다. 이를 위해 6년간의 광주광역시 아파트 실거래가와 각종 사회적 요인 데이터를 토대로, 다중회귀분석, 랜덤 포레스트, 심층인공신경망 알고리즘을 적용하여 각 모델에서 주요 영향요인을 파악하였으며, 모델의 성능은 평균 제곱근 오차, 평균 절대 오차 그리고 결정계수를 통해 비교 분석하였다. 본 연구에서는 딥러닝의 일종인 심층인공신경망의 성능이 가장 우수함을 보였고, 매매가에 영향을 미치는 주요 요인으로 건축경과연수, 계약연도, 적용면적, 양도성예금증서, 주택담보대출금리, 선행지수, 생산자물가지수, 동행지수 등이 도출되었다.

• 한국산학기술학회논문지
• /
• 제22권4호
• /
• pp.228-234
• /
• 2021

부동산의 시장 참여자들에게 부동산 가격에 대한 방향성을 예측하는 것은 의사결정에 있어서 매우 중요하다. 이를 위해 주로 회귀분석, ARIMA, VAR 등의 방법론을 사용하는데 이는 불특정 변수에 의해서 변동하는 자산의 가치를 예측하는데 한계점을 갖는다. 때문에 본 연구에서는 이를 보완하기 위해서 인공신경망 기법을 이용해 부동산 시장에서 유동성이 풍부한 서울 아파트 가격 추이를 예측하고자 한다. 인공신경망 학습을 위해서 총 12개의 거시 및 미시적 변수를 나눠 학습 모형을 설계하는데 거시적 요인은 CASE1, 미시적 요인은 CASE2 그리고 두 요인을 조합해서 요인을 구성한 CASE3 으로 나눠서 실험한다. 그 결과 CASE1 과 CASE2 는 약 2년 동안 87.5%의 예측을 보이고 CASE3은 95.8%의 예측성과를 보인다. 본 연구는 아파트 가격에 영향을 주는 다양한 요인들을 거시적 및 미시적으로 구분하여 정의하고 미래의 아파트 가격의 방향성을 예측하는데 인공신경망 기법을 제안하고 그 실효성을 분석했다. 따라서 최근 발전하고 있는 학습 기법이 부동산 분야에 다양한 관점으로 적용되어 시장 참여자들의 효율적인 의사결정을 할 수 있기를 기대한다.

• 한국건설관리학회논문집
• /
• 제25권4호
• /
• pp.45-52
• /
• 2024

공동주택 개발 사업의 분양가 예측은 입지, 환경 및 경제 상황과 같은 여러 복잡한 변수들의 작용으로 어려운 영역에 속한다. 대부분의 선행연구에서 분양가 산정 영향요인에 대해 전문가 조사를 통하여 분석하는 것이 대부분이지만, 실제 판매 가격과 비교하는 연구는 매우 부족한 실정이다. 이에 본 연구에서는 공동주택 개발사업의 분양가 산정에 영향을 미치는 요인을 도출하고 실거래가와 비교하여 도출한 요인들과의 상관관계를 분석하여 연관성을 확인 한 후 분양가 산정 시 고려 사랑으로 적합한지 확인하는 것을 목적으로 한다. 이를 위해 첫째, 이론적 고찰을 통해 선행연구를 분석하여 앞선 연구에서 고려한 요인들을 파악하였다. 둘째, 선행연구에서 공통으로 제시하는 요인(경제, 입지, 주택, 금융환경요인)들과 추가로 세부 요인(실거래가 상승률, 편의시설 개소, 대출금리 등)을 선정하였다. 셋째, 실거래가 및 선정한 요인들에 대한 데이터 수집을 진행하였다. 마지막으로 실거래가와 요인들을 비교 분석하고 상관분석을 시행한 후 요인을 도출하였다. 분석 결과 모든 요인들에서 결정계수가 0.5 이상으로 확인되었다. 그러므로 본 연구에서 선정한 요인들은 분양가 산정 시 고려해야 하는 유의미한 요인들로 분석된다. 본 연구의 결과는 새로운 분양가 산정모델 연구 개발의 기초자료로서 활용할 것이라 기대된다.

• 지능정보연구
• /
• 제23권3호
• /
• pp.95-118
• /
• 2017

최근 도심을 중심으로 연립 다세대의 거래가 활성화되고 직방, 다방등과 같은 플랫폼 서비스가 성장하고 있다. 연립 다세대는 수요 변화에 따른 시장 규모 확대와 함께 정보 비대칭으로 인해 사회적 문제가 발생 되는 등 부동산 정보의 사각지대이다. 또한, 서울특별시 또는 한국감정원에서 사용하는 5개 또는 25개의 권역 구분은 행정구역 내부를 중심으로 설정되었으며, 기존의 부동산 연구에서 사용되어 왔다. 이는 도시계획에 의한 권역구분이기 때문에 부동산 연구를 위한 권역 구분이 아니다. 이에 본 연구에서는 기존 연구를 토대로 향후 주택가 격추정에 있어 서울특별시의 공간구조를 재설정할 필요가 있다고 보았다. 이에 본 연구에서는 연립 다세대 실거래가 데이터를 기초로 하여 헤도닉 모형에 적용하였으며, 이를 K-Means Clustering 알고리즘을 사용해 서울특별시의 공간구조를 다시 군집하였다. 본 연구에서는 2014년 1월부터 2016년 12월까지 3년간 국토교통부의 서울시 연립 다세대 실거래가 데이터와 2016년 공시지가를 활용하였다. 실거래가 데이터에서 본 연구에서는 지하거래 제거, 면적당 가격 표준화 및 5이상 -5이하의 실거래 사례 제거와 같이 데이터 제거를 통한 데이터 전처리 작업을 수행하였다. 데이터전처리 후 고정된 초기값 설정으로 결정된 중심점이 매번 같은 결과로 나오게 K-means Clustering을 수행한 후 군집 별로 헤도닉 모형을 활용한 회귀분석을 하였으며, 코사인 유사도를 계산하여 유사성 분석을 진행하였다. 이에 본 연구의 결과는 모형 적합도가 평균 75% 이상으로, 헤도닉 모형에 사용된 변수는 유의미하였다. 즉, 기존 서울을 행정구역 25개 또는 5개의 권역으로 나뉘어 실거래가지수 등 부동산 가격 관련 통계지표를 작성하던 방식을 속성의 영향력이 유사한 영역을 묶어 16개의 구역으로 나누었다. 따라서 본 연구에서는 K-Means Clustering 알고리즘에 실거래가 데이터로 헤도닉 모형을 활용하여 연립 다세대 실거래가를 기반으로 한 군집분류방법을 도출하였다. 또한, 학문적 실무적 시사점을 제시하였고, 본 연구의 한계점과 향후 연구 방향에 대해 제시하였다.

• 한국지리정보학회지
• /
• 제20권3호
• /
• pp.125-140
• /
• 2017

지금까지 지가나 주택가격을 추정하는데 회귀모형 기반 공간내삽법과 크리깅(Krging) 기반 공간내삽법이 많이 사용되었지만, 이들 공간내삽법의 성능을 서로 비교한 연구는 거의 없는 실정이다. 따라서 본 연구는 대구시 달서구를 사례로 지가를 추정하는데 회귀모형 기반 공간내삽법과 크리깅 기반 공간내삽법을 적용해 보고 그 정확성을 평가하였다. 회귀모형 기반 공간내삽을 위해 최소자승모형(OLS), 공간지체모형(SLM), 공간오차모형(SEM), 지리가중회귀모형(GWR)을 사용하였고, 크리깅 기반 공간내삽을 위해 단순 크리깅(SK), 정규 크리깅(OK), 일반 크리깅(UK), 공동 크리깅(CK)을 이용하였다. 먼저, 전역적 정확성 지수인 평균 제곱근 오차(RMSE), 수정된 평균 제곱근 오차(adjusted RMSE), 분산지수(COD)를 이용하여 그 정확성을 통계적으로 평가하였다. 다음으로, 3차원 잔차도와 산점도를 이용하여 그 정확성을 시각적으로 서로 비교하였다. 통계적 및 시각적 분석결과에 의하면, 공간적 의존성을 반영할 수 있는 공간회귀모형(SAR)과 크리깅 기법들 보다 공간적 이질성을 고려할 수 있는 GWR이 사례지역에서 지가를 추정하는데 상대적으로 정확한 공간내삽방법인 것으로 나타났다. 본 연구의 결과는 지가를 통해 도시의 공간구조를 분석하는 이차적 연구에 기여할 것이다.

• 산학경영연구
• /
• 제19권2호
• /
• pp.1-21
• /
• 2006

양도소득세의 문제점과 개선방안을 정책수단과 소득세제로 구분하여 연구한 결과는 다음과 같다. 첫째, 납세의무자가 자신이 계산하여 납세액을 명확히 알 수 있도록 현 과세표준계산구조와 세율을 단순화 할 필요가 있다. 둘째, 1세대 1주택 비과세 원칙과 조세특례제한법 등의 감면 사항이 다양한 것은 공평과세를 저해할 수 있다. 그리고 1세대 1주택 비과세제도는 실지거래가액제도를 위협하는 요소를 갖고 있어 원칙적 과세 및 소득공제제도로 전환될 필요가 있다. 더불어 거주기간요건을 전반적으로 포함시켜야 할 것이다. 셋째, 양도차익 산정과 관련하여 현 기준시가제도는 조세원칙인 실질과 세와 근거과세 및 공평과세에 위반되므로 실지거래가액 산정방식으로 전환되어야 한다. 그러나 현 체계의 정비 없이 성급하게 실시된다면 더 큰 혼란을 일으킬 것이다. 따라서 과도기적인 헌 상황에서 다음과 같은 정비가 필요하다. (1) 현 검인계약서가 제 기능을 갖지 못하므로 획기적 개정이 없다면 폐지하는 편이 좋을 것이다. (2) 실지거래가액 노출에 방해가 되고 있는 1세대 1주택 비과세제도를 소득공제제도로 전환하고 취득자와 양도자의 통모를 방지할 수 있도록 취득세를 인하하고 등록세를 실가비용으로 한정하는 세제개편이 필요하다. (3) 위와 같은 제도를 정착시키기 위해 국세청 지방자치단체 및 금융당국은 양도소득세 부정신고행위를 추적하기위하여 부정행위의혹자에 한하여 금융추적권을 행사하도록 권한을 강화해야 한다. 또한 제반 금융실명제의 정착이 무엇보다 중요할 것이다.

• 지역연구
• /
• 제37권4호
• /
• pp.49-59
• /
• 2021

이 연구의 목표는 정비사업(재개발, 재건축사업)이 해제된 지역의 특성을 파악하는 것이다. 이 연구의 범위는 189개의 사업구역(추진구역 121개, 해제구역 68개)이다. 121개의 추진구역과 68개의 해제구역은 모두 의사결정나무기법으로 분석하였다. 해제구역 영향요인에 대한 첫 번째 분리는 추진주체 유무에 의해 이루어졌다. 즉, 해제구역 영향요인을 결정하는 가장 중요한 독립변수는 추진주체 유무로 나타났다. 추진주체가 없는 89개 구역 중 41개 구역이 해제되고 48개 구역이 추진되었으며, 추진주체가 있는 100개 구역 중에 9개 구역이 해제되고 91개 구역이 추진되었다. 그 다음 해제구역 영향요인에 대한 두 번째 분리는 토지등소유자 수에 의해 이루어 졌으며, 토지등소유자 수가 468명 이하인 경우 해제확률이 늘어났으며, 62개 구역 중 37개 구역이 해제되었다. 반면 토지등소유자 수가 468명 이상인 27개 구역은 4개 구역이 해제되고 23개 구역이 추진되었다. 세 번째 분리는 평균공시지가에 의해 이루어졌으며, 269.64 만원/m²(대략 평당 891만원)을 기준으로 이하에서는 35개 구역이 해제되었고, 더 높은 공시가격에서는 2개 구역이 해제되었다. 한편, 두 번째 분리에서 토지등소유자 수가 468명 이상으로 사업추진 방향으로 분리된 node4에서는 토지등소유자 당 국공유지 면적 비율이 29.43% 이상인 구역에서 4개 구역이 해제되었고, 그 이하인 구역에서 해제가 없었다. 이 연구를 위한 통계, 의사결정나무분석에는 IBM SPSS Statistics 26 프로그램이 사용되었다.

• 부동산연구
• /
• 제27권3호
• /
• pp.71-86
• /
• 2017

본 연구의 목적은 딥 러닝 방법을 부동산가격지수 예측에 적용해보고, 기존의 시계열분석 방법과의 비교를 통해 부동산 시장 예측의 새로운 방법으로서 활용가능성을 확인하는 것이다. 딥 러닝(deep learning)방법인 DNN(Deep Neural Networks)모형 및 LSTM(Long Shot Term Memory networks)모형과 시계열분석 방법인 ARIMA(autoregressive integrated moving average)모형을 이용하여 여러 가지 부동산가격지수에 대한 예측을 시도하였다. 연구결과 첫째, 딥 러닝 방법의 예측력이 시계열분석 방법보다 우수한 것으로 나타났다. 둘째, 딥 러닝 방법 중에서는 DNN모형의 예측력이 LSTM모형의 예측력보다 우수하나 그 정도는 미미한 수준인 것으로 나타났다. 셋째, 딥 러닝 방법과 ARIMA모형은 부동산 가격지수(real estate price index) 중 아파트 실거래가격지수(housing sales price index)에 대한 예측력이 가장 부족한 것으로 나타났다. 향후 딥 러닝 방법을 활용함으로써 부동산 시장에 대한 예측의 정확성을 제고할 수 있을 것으로 기대된다.