토지 감정평가서의 텍스트 마이닝 기반 공매 낙찰가 예측
Text Mining Based Price Prediction in Public Auctions using Land Appraisal Reports
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 감정평가서의 내용을 기반으로 공매 토지의 낙찰가격을 예측하는 것을 목적으로 한다. 분석대상은 2017년부터 2024년까지 온비드(onbid)를 통해 매각된 토지 24,047건(답 4,813건, 대지 2,657건, 임야 10,002건, 전 6,575건)의 물건정보, 입찰정보, 감정평가서 정보와 해당 물건 소재 지역의 인구 · 가구(2,784건), 지방세(2,080건), 지가(28,235건) 정보이다. 분석방법으로는 감정평가서에서 정성변수를 추출하기 위한 텍스트마이닝과 낙찰가격의 인과관계 분석을 위해 도구변수법 (instrumental variable)과 2단계 최소제곱법(two-stage least squares)을 사용하였다. 예측성능은 adj.R2, RMSE(root mean square error), MAE(mean absolute error), MAPE(mean absolute percentage error), 낙찰성공건수, 낙찰성공확률로 평가하였다. 입찰회차와 지목별 낙찰가격 예측 결과, MAPE는 대부분 정량분석이 우수했으나, MAE와 RMSE는 통합분석이 우수했으며, 낙찰성공확률은 모든 경우에서 통합분석이 약 2.89%~22.15% 높게 나타났다. 인근지역 공매의 낙찰가격비율 등 정량변수는 학습 가능한 기존 공매정보와 경제환경 정보가 풍부하고 경기변화가 안정적일 때 효과적이었으며, 교통여건, 감정어조, 권리관계 등 정성변수는 기존 정보가 부족하거나 경기변화가 불안정할 때 유용했다. 본 연구는 감정평가서의 내용 분석을 통한 정성적 변수 정의 방법을 최초로 제안했을 뿐만 아니라, 정량변수와 정성변수의 특성을 규명하여 상황에 따라 적합한 낙찰가격의 예측방법을 제시했다. 또한, 높은 설명력과 낮은 예측오차를 가진 가격요인을 도출하여 공매 및 일반 토지의 가치평가 에 적용할 수 있을 것으로 기대된다.
Abstract
This study aimed to predict land prices of public auctions based on appraisal reports. Analyzing 24,047 land transactions from Onbid (2017-2024), the dataset included property details, bidding information, appraisal reports and regional data on population · households (2,784 cases), local taxes (2,080) and land prices (28,235). Text mining extracted qualitative variables, while instrumental variable and two-stage least squares investigated the causation of auction prices. Performances were assessed by adj.R2, root mean square error (RMSE), mean absolute error (MAE), mean absolute percentage error (MAPE), successful bids and probability of successful bids. Predictions for the rounds of bidding and the prices of land categories indicates that MAPE performed better in quantitative analysis, whereas MAE and RMSE were superior in integrated analysis. The probability of successful bids was about 2.89% to 22.15% higher for integrated analysis cases on every case. Quantitative variables (e.g.,the ratio of the prices on public auctions in the neighborhood) were effective with ample historical data and stable economic conditions. In contrast, qualitative factors (e.g., transportation, sentiment and legal issues) were valuable either data were limited or economic conditions were unstable. This study pioneered how to determine qualitative variables by analyzing appraisal reports and identified the characteristics of quantitative and qualitative factors to propose optimal situation-specific predictions. Additionally, this study contributes to public auctions and general valuation of lands by deriving price factors with high explanation but low prediction errors.