본문 바로가기
KERD
논문KCI 등재

랜덤 포레스트 알고리즘을 통한 주택 대량평가모형 연구

A Mass Appraisal Model on Residential Property with Random Forest Algorithm

홍정의
한국부동산원 (Korea Real Estate Board)|2021.04|부동산분석 (Journal of Real Estate Analysis)|제7권 제1호|pp. 1-28|DOI https://doi.org/10.30902/jrea.2021.7.1.1

0

조회

0

다운로드

7

인용

0

참고문헌

키워드

기계학습Machine learningRandom forest랜덤 포레스트주택 평가 모형하부시장입지효과Mass appraisalHousing sub-marketsLocational effect

초록

본문은 최근 주목받는 기계학습 기법인 랜덤 포레스트 모형이 주택시장의 복잡성을 포착하는 데에 어떻게 활용될수 있는지를 조명하고, 그것을 바탕으로 효율적 모형 설계를 위한 다양한 정량분석을 시도하였다. 분석 결과는 다음과같이 정리된다. 첫째, 랜덤 포레스트 모형은 하부시장이나 입지효과의 비선형성으로 인한 복잡한 가격 차이를 포착하는데에 유용하게 사용될 수 있다. 선형 헤도닉 모형과의 예측력 비교에서, 랜덤 포레스트 기반 모형의 평균 오차 백분율은약 4%로 헤도닉 모형(약 11%)에 비해 크게 낮은 것으로 나타났다. 둘째, 랜덤 포레스트는 입지효과를 나타내는 대리변수를 사용할 필요 없이 위치 정보만으로도 입지가치의 차이를 예측에 반영할 수 있다. 셋째, 정성변수의 더미화는연산에 포함되는 변수의 수를 크게 증가시키므로 지수화에 비해 오히려 모형의 설명력을 낮출 가능성이 높다. 넷째, 주택 시장의 복잡성을 예측에 충분히 반영하기 위해 랜덤 포레스트의 조건 분할 역시 가능한 한 세밀하게 설정되는것이 유리하다. 즉, 모형의 복잡성이 상승시키는 설명력이 과적합으로 인한 설명력 훼손보다 큰 경향이 있다. 다섯째, 랜덤 포레스트 모형의 추정 시에는 연구자가 사전에 표본을 기간 동질성을 갖도록 분할 할 필요가 없다.

Abstract

This paper discusses how to apply the random forest algorithm in building a mass appraisal system for residential property and analyzes issues related to modelling process. The paper investigates the relationship between the random forest model and the complexities of housing market. Based on the findings, various qualitative analyses has been attempted for effective model design. The findings are summarized as followed;-. First, the random forest model is performative in capturing the non-linearity from sub-market and locational effects. The random forest model has significantly low average percentage error (approx. 4%) compared to with a linear Hedonic model (approx. 11%). Second, the random forest model can efficiently capture the locational effects only with locational information (coordinates), without proxy variables. Third, using dummy variables may reduce explanatory power of the model, compared to label indexes because the number of variables included in an operation increases. Fourth, the advantage from model complexity seems overwhelm the disadvantage from overfitting. Fifth, modellers are not required to ensure consistency in the time periods contained in a dataset.

참고문헌 (56)

  1. 구본창, "아파트 특성에 따른 가격결정모형 연구: 분당신도시를 대상으로", 주택포럼, 16(2), pp.136~143 (2001)
  2. 김경환, "부동산 경제학" (2010), 건국대학교 출판부
  3. 김덕중, "Hedonic모형을 이용한 아파트 가격결정요인과 가치추정에 관한 연구 : 일산신도시를 중심으로", 석사, 부동산학, pp.2002
  4. 김민성, "지하철 접근성이 아파트가격에 미치는 영향에 관한 연구", 한국경영학회통합학술발표논문집, pp.2912~2931 (2014)
  5. 김종수, "헤도닉가격모형과 서포트 벡터 회귀분석모형을 이용한 공업용 부동산의 가격추정", 감정평가학논집, 11(1), pp.71~89 (2012), 한국감정평가학회[DOI]
  6. 김주영, "수도권 주택하위시장 분석에 관한 연구", 국토연구, 41, pp.7~7 (2004), 국토연구원
  7. 김우성, "헤도닉 가격 모형을 통한 주거 선호의 구조 변화 분석: 2006-2017년 강남 지역 아파트를 중심으로", 부동산학보, (76), pp.137~150 (2019), 한국부동산학회
  8. 김운정, "아파트 평면특성이 가격에 미치는 영향 : 서울 아파트 밀집지역을 중심으로", 석사, 부동산건설·개발, pp.2004
  9. 김진유, "어메니티요소가 주택가격에 미치는 영향력의 시계열적 변화", 국토계획, 40(1), pp.59~74 (2005), 대한국토·도시계획학회
  10. 김천일, "경과년수와 용적률의 상호작용을 고려한 아파트 가격 형성 분석", 부동산분석, 4(1), pp.1~14 (2018), 한국부동산원[DOI]
  11. 김태훈, "회귀모형과 신경망모형을 이용한 아파트 가격 모형에 관한 연구", 국토연구, 43, pp.12~12 (2004), 국토연구원
  12. 배성완, "머신 러닝 방법과 시계열 분석 모형을 이용한 부동산 가격지수 예측", 주택연구, 26(1), pp.107~133 (2018), 한국주택학회[DOI]
  13. 손철, "수도권의 공간적 주택하위시장 식별에 대한 연구", 국토연구, 70, pp.151~166 (2011), 국토연구원[DOI]
  14. 손아남, "아파트 주변 공원녹지의속성 가치", 상경연구, 39(1), pp.1~21 (2014)
  15. 원두환, "난방 방식에 따른 아파트 가격 변화 분석", 에너지경제연구, 7(2), pp.75~101 (2008), 재단법인 에너지경제연구원[DOI]
  16. 윤정중, "도시경관의 조망특성이 주택가격에 미치는 영향", 박사, 건축공학, pp.2001
  17. 윤채규, "주관적 평가요인을 고려한 공동주택의 가격 결정모형 개발 : 분당·일산 신도시 공동주택을 중심으로", 박사, 건축공학, pp.2004
  18. 이강, "헤도닉 가격모형을 활용한주택가격 결정요인에 관한 연구", 한국도시행정학회 학술발표대회 논문집, pp.317~333 (2016)
  19. 이창로, "단독주택가격 추정을 위한 기계학습 모형의 응용", 대한지리학회지, 51(2), pp.219~233 (2016), 대한지리학회
  20. 정건섭, "주택 하위시장 구분 방법과 정책적 시사점", 정책분석평가학회보, 17(1), pp.193~216 (2007), 한국정책분석평가학회[DOI]
  21. 정수연, "헤도닉모형을 이용한 아파트층별효용비율에 관한 연구 : 서울지역을 대상으로", 부동산연구, 17(1), pp.27~48 (2007), 한국부동산연구원
  22. 조주현, "주택밀도가 주택가격에 미치는 영향에관한 연구", 사회과학논총 (1998), 건국대학교 사회과학연구소
  23. 최윤아, "공동주택가격에 영향을 미치는 주거환경 요소의 중요도 평가에 관한 연구", 대한건축학회논문집, 22(11), pp.115~124 (2006), 대한건축학회
  24. 하유정, "교육환경이 아파트 가격에 미치는 영향 -부산시를 중심으로-", 부동산·도시연구, 13(1), pp.47~61 (2020), 부동산도시연구원
  25. 홍정의, "기계학습 알고리즘을 이용한 주택가격감정 시스템의 구축 및 평가: XGBoost, Light GBM, CatBoost 알고리즘에 기반하여", 주택금융연구, 4, pp.33~64 (2020)
  26. Adair, A. S., "Hedonic modelling, housing submarkets and residential valuation", Journal of Property Research, 13, pp.67~83 (1996)
  27. Antipov, E. A., "Mass appraisal of residential apartments : An application of random forest for valuation and a CART-based approach for model diagnostics", Expert Systems with Applications, 39, pp.1772~1778 (2012)
  28. Alonso, W., "Location and Land Use. Toward a General Theory of Land Rent" (1964), Harvard University Press
  29. Čeh, M, "Estimating the performance of random forest versus multiple regression for predicting prices of the apartments", ISPRS International Journal of Geo-Information, 7, pp.168~ (2018)
  30. Fan, G. Z., "Determinants of house price : A decision tree approach", Urban Studies, 43, pp.2301~2315 (2006)
  31. Glaeser, E. L., "Agglomeration Economics" (2019), The University of Chicago Press
  32. Gu, J., "Housing price forecasting based on genetic algorithm and support vector machine", Expert Systems with Applications, 38, pp.3383~3386 (2011)
  33. Greene, W. H., "Econometric Analysis" (2003), Pearson Education
  34. Heyman, A. V., "How is location measured in housing valuation? A systematic review of accessibility specifications in hedonic price models", Urban Science, 3, pp.3~ (2019)
  35. Hong, J., "A house price valuation based on the random forest approach : The mass appraisal of residential property in South Korea", International Journal of Strategic Property Management, 24(3), pp.140~152 (2020)
  36. Limsombunchai, V., "House price prediction : Hedonic price model vs", New Zealand Agricultural and Resource Economics Society Conference, pp.25~26 (2004)
  37. Malpezzi, S., "Housing Economics and Public Policy", pp.67~89 (2002)
  38. McCluskey, W., "The application of intelligent hybrid techniques for the mass appraisal of residential properties", Journal of Property Investment & Finance, 17, pp.218~239 (1999)
  39. Mu, J., "Housing value forecasting based on machine learning methods", Abstract and Applied Analysis, 2014, pp.648047~ (2014)
  40. Equilibrium sorting of heterogeneous consumers across locations:Theory and empirical implications, "Nesheim, L.", Cemmap, ~, pp.Cemmap Working Paper, No. CWP08 (2002), 02
  41. Osland, L., "Effects on housing prices of urban attraction and labormarket accessibility", Environment and Planning A : Economy and Space, 40, pp.2490~2509 (2008)
  42. Ramsey, J. B., "Tests for specification errors in classical linear least‐squares regression analysis", Journal of the Royal Statistical Society : Series B(Methodological), 31, pp.350~371 (1969)
  43. Rosen, S., "Hedonic prices and implicit markets : Product differentiation in pure competition", Journal of Political Economy, 82, pp.34~55 (1974)
  44. Segal, M. R., "Machine Learning Benchmarks and Random Forest Regression" (2003), Kluwer Academic
  45. Selim, H., "Determinants of house prices in Turkey : Hedonic regression versus artificial neural network", Expert Systems with Applications, 36, pp.2843~2852 (2009)
  46. Sheppard, S., "Hedonic analysis of housing markets", Handbook of Regional and Urban Economics, 3, pp.1595~1635 (1999)
  47. Sheppard, S., "Measuring the Impact of Culture Using Hedonic Analysis" (2010), Center for Creative Community Development
  48. Shiller, R. J., "Irrational Exuberance: Revised and Expanded" (2015), Princeton University Press
  49. Tabuchi, T., "Urban agglomeration and dispersion : A synthesis of Alonso and Krugman", Journal of Urban Economics, 44, pp.333~351 (1998)
  50. Wang, D., "Mass appraisal models of real estate in the 21st century : A systematic literature review", Sustainability, 11, pp.7006~ (2019)
  51. Watkins, C. A., "The definition and identification of housing submarkets", Environment and Planning A : Economy and Space, 33, pp.2235~2253 (2001)
  52. Wheaton, W. C., "Urban wages and labor market agglomeration", Journal of Urban Economics, 51, pp.542~562 (2002)
  53. Woods, E., "Ovum Evaluates Data Mining" (1997), London Ovum
  54. Zhou, G., "Artificial neural networks and the mass appraisal of real estate", International Journal of Online and Biomedical Engineering, 14, pp.180~187 (2018)
  55. Zurada, J., "A comparison of regression and artificial intelligence methods in a mass appraisal context", Journal of Real Estate Research, 33, pp.349~388 (2011)
  56. Zukin, S., "Gentrification : Culture and capital in the urban core", Annual Review of Sociology, 13, pp.129~147 (1987)

관련 논문AI추천

기계학습 방법론을 활용한 아파트 매매가격지수 연구조훈, 김이환, 김형준, 류두진한국부동산원 · 부동산분석2022 · 제8권 제3호머신러닝을 이용한 주택가격 예측과 공간적 군집패턴 분석김정희한국사진지리학회 · 경관과 지리2021 · 제31권 제4호머신러닝과 패널고정효과를 활용한 아파트 실거래가 예측김승현, 김원혁, 이윤수한국주택학회 · 주택연구2022 · 제30권 제1호기계 학습을 이용한 공동주택 가격 추정: 서울 강남구를 사례로배성완, 유정석한국부동산분석학회 · 부동산학연구2018 · 제24권 제1호표본 주택 가격 기반 부동산 가격지수 산정: 머신 러닝 방법의 활용을 중심으로배성완, 유정석한국주택학회 · 주택연구2018 · 제26권 제4호표준주택공시가격 적정성 제고를 위한 기계학습적 접근연규필한국부동산분석학회 · 부동산학연구2015 · 제21권 제2호

이 간행물의 다른 논문 (4건)

기계학습 기반 주택시장의 조기경보체계김정환, 류두진, 박대현pp. 29-45스폰서 소유권이 리츠의 시장 위험과 유동성 위험에 미치는 영향노승한, 한광호pp. 47-68부동산 시효취득시 취득세 산정 기산일 고찰전병욱pp. 69-88북한 혜산시 부동산 가격실태와 가격결정의 함의김병욱pp. 89-109
원문 보기