기계학습과 설명가능한 인공지능 모형을 이용한 강남의 전세가격 결정요인 분석
Determinants of Jeonse Prices in Gangnam District: Machine Learning and Explainable Artificial Intelligence Approach
0
조회
0
다운로드
3
인용
0
참고문헌
키워드
초록
본 연구에서는 강남의 아파트 전세가격에 영향을 미치는 요인을 분석하기 위해 블랙박스 모형인 기계학습을 적용한다. 기존 부동산 금융 연구는 주로 선형회귀 모형에 의존해왔으나, 최근에는 XGBoost와 같은 기계학습을 적용하여 성능 향상을 모색한다. 그러나 XGBoost의 동작 원리가 복잡하여 가격을 결정하는 요인을 식별하기 어려운 문제가 있다. 이러한 한계를 극복하기 위해 본 연구에서는 설명가능한 인공지능 기법인 TreeSHAP을 XGBoost에 적용하여, 다양한 요소가 강남의 전세가격 예측에 미치는 기여도를 분석하고, 결정요인을 확인한다. 실험을 통해 XGBoost가 선형회귀 모형에 비해 우수한 예측성과를 달성하는 것을 확인하였다. 또한, 건축년도, 주요 건설사, 교통의 편리성과 같은 요인이 기계학습의 예측결과에 영향을 미치는 결정요소임을 확인하였다. 본 연구는 기계학습 모형의 신뢰성과 활용성을 높여 부동산 전세시장과 가격 결정요소에 대한 설명력을 높일 수 있음을 보인다.
Abstract
This study employs a machine learning model with a black box nature to explore the variables influencing Jeonse apartment prices in the Gangnam district. While traditional real estate finance has relied on Linear Regression, recent advancements have been made by sophisticated machine learning models such as XGBoost, leading to heightened performance. Nevertheless, the inherent opacity of XGBoost poses challenges in comprehending the factors guiding Jeonse prices. Addressing this limitation, we apply TreeSHAP, an eXplainable Artificial Intelligence (XAI) technique, to the XGBoost model, thus elucidating its contributions and facilitating an in-depth analysis of the determinants governing Jeonse prices in the Gangnam district. Our experiments confirm that XGBoost achieves superior performance, compared to linear regression. We delve into influential determinants such as the construction date, major construction companies, and transportation convenience via XAI. This study demonstrates that enhancing the reliability and usability of machine learning can improve the explanatory power of the Jeonse real estate market and its price determinants.
참고문헌 (36)
- 김대원, "서울시 아파트 전세가격 및 전세금비율 변동의 결정요인 분석", 주택연구, 20(3), pp.183~204 (2012), 한국주택학회
- 김윤영, "우리나라 주택시장의 매매 · 전세 가격변동 거시결정요인의 동태분석", 경제학연구, 60(3), pp.127~153 (2012), 한국경제학회
- 김은미, "거시경제변수가 지역 별 아파트 전세가격에 미치는 영향 및 예측모델 구축에 관한 연구", 지적과 국토정보, 52(2), pp.211~231 (2022), 한국국토정보공사[DOI]
- 김현우, "VAR분석을 활용한 금융위기 이후 서울 아파트 전세가격 변화", 한국산학기술학회논문지, 16(9), pp.6315~6324 (2015), 한국산학기술학회[DOI]
- 박동웅, "첨단산업단지 주변지역 아파트 전세 및 매매가격 결정요인 분석", 대한부동산학회지, 30(2), pp.255~270 (2012), 대한부동산학회
- 배성완, "머신 러닝 방법과 시계열 분석 모형을 이용한 부동산 가격지수 예측", 주택연구, 26(1), pp.107~133 (2018), 한국주택학회[DOI]
- 배영균, "전세가격 변동요인과 서민주거 안정정책", 대한부동산학회지, 34(2), pp.339~363 (2016), 대한부동산학회
- 서원석, "신도시 인접개발 유형에 따른 주거환경 특성 분석", 국토연구, 67, pp.25~40 (2010), 국토연구원[DOI]
- 서정석, "개발밀도와 아파트 가격의 비선형적 관계 탐색: 설명 가능한 인공지능 적용을 중심으로", 주택연구, 31(2), pp.133~160 (2023), 한국주택학회[DOI]
- 성주한, "특성별 서울 아파트 전세가격 결정모형에 관한 연구 - OLS 회귀분석과 PLS 회귀분석을 중심으로 -", 한국지적학회지, 30(2), pp.25~44 (2014), 한국지적학회[DOI]
- 유송지, "시기별 아파트 질적 특성요인의 향상에 따른 가격효과 분석: 서울특별시 강남구를 중심으로", 주택연구, 31(1), pp.79~99 (2023), 한국주택학회[DOI]
- 전해정, "기계적 학습을 이용한 주택가격 예측", 부동산경영, (24), pp.223~243 (2021), 한국부동산경영학회[DOI]
- 전형철, "주택의 매매 및 전세가격의 확산효과에 대한 분석: 강남효과를 중심으로", 주택연구, 26(1), pp.63~88 (2018), 한국주택학회[DOI]
- 최종일, "주택 매매가격과 전세가격 간의 비대칭적 연관관계", Journal of The Korean Data Analysis Society, 24(5), pp.1811~1822 (2022), 한국자료분석학회[DOI]
- 함종영, "베이지안 접근법을 이용한 주택가격 변동요인 분석- 사전확률분포의 유형별 비교 -", 주거환경, 20(1), pp.1~21 (2022), 한국주거환경학회
- Castelvecchi, D, "Can we open the black box of AI?", Nature, 538(7623), pp.20~23 (2016)
- Chen, T., "Xgboost: A scalable tree boosting system", Proceedings , The 22nd ACM SIGKDD, Int. Conf. on Knowledge Discovery and Data Mining, pp.785~794 (2016)
- Diao, M., "Spatial-difference-in-differences models for impact of new mass rapid transit line on private housing values", Regional Science and Urban Economics, 67, pp.64~77 (2017)
- Gunning, D., "DARPA’s explainable artificial intelligence(XAI)program", AI Magazine, 40(2), pp.44~58 (2019)
- Jordan, M. I., "Machine learning : Trends, perspectives, and prospects", Science, 349(6245), pp.255~260 (2015)
- Kim, H., "Characteristics of mortgage terminations : An analysis of a loan-level dataset", The Journal of Real Estate Finance and Economics, 57(4), pp.647~676 (2018)
- Kim, T. Y., "Web traffic anomaly detection using C-LSTM neural networks", Expert Systems with Applications, 106, pp.66~76 (2018)
- Kim, T. Y., "Predicting residential energy consumption using CNN-LSTM neural networks", Energy, 182, pp.72~81 (2019)
- Kingsford, C., "What are decision trees?", Nature Biotechnology, 26(9), pp.1011~1013 (2008)
- Koh, P. W., "Understanding black-box predictions via influence functions", Proceedings , The 34th Int. Conf. on Machine Learning, pp.1885~1894 (2017)
- Kotsiantis, S. B., "Decision trees : a recent overview", Artificial Intelligence Review, 39, pp.261~283 (2013)
- LeCun, Y., "Deep learning", Nature, 521(7553), pp.436~444 (2015)
- Lundberg, S. M., "From local explanations to global understanding with explainable AI for trees", Nature Machine Intelligence, 2(1), pp.56~67 (2020)
- Park, D., "A machine learning-based early warning system for the housing and stock markets", IEEE Access, 9, pp.85566~85572 (2021)
- Park, S. S., "Between two extreme practices of rent-only and deposit-only leases in Korea: Default risk vs. cost of capital", Regional Science and Urban Economics, 85, pp.103578~ (2020)
- Prokhorenkova, L., "CatBoost : unbiased boosting with categorical features", Advances in Neural Information Processing Systems, 31, pp.6639~6649 (2018)
- Raileanu, L. E., "Theoretical comparison between the gini index and information gain criteria", Annals of Mathematics and Artificial Intelligence, 41, pp.77~93 (2004)
- Ronald, R., "Rental market restructuring in South Korea : The decline of the Chonsei sector and its implications", Housing Studies, 30(3), pp.413~432 (2015)
- Song, J., "Houses as collateral and household debt deleveraging in Korea", Economics, 15(1), pp.3~27 (2021)
- Wen, H., "Quantile effect of educational facilities on housing price : Do homebuyers of higher-priced housing pay more for educational resources?", Cities, 90, pp.100~112 (2019)
- Winter, E, "The shapley value", Handbook of Game Theory with Economic Applications, 3, pp.2025~2054 (2002)