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.
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.
Ⅰ. 서론
Ⅱ. 선행연구
Ⅲ. 분석모형
Ⅳ. 실증분석
Ⅴ. 결론
참고문헌
(0)
(0)