본문 바로가기
KERD
논문KCI 등재

인공지능 기술을 활용한 서울시 오피스 건물의 심미성 측정과 임대료 추정모형 적용연구

Use of Artificial Intelligence Techniques to Assess Architectural Aesthetics and Estimate the Rent Price of Office Buildings in Seoul

황병훈|원재웅|김유리안나
한국감정평가학회 (Korea Appraisal Society)|2020.04|감정평가학논집|제19권 제1호|pp. 5-26|DOI 10.23843/as.19.1.1

0

조회

0

다운로드

1

인용

0

참고문헌

키워드

머신러닝심미성컴퓨터비전오피스 부동산 시장건물디자인

초록

오피스 임대료의 결정요인을 규명하고 가치추정의 시도는 꾸준히 진행되어왔다. 그 동안 건물의 물리적 특성과 입지적 특성의 유의성을 밝혀왔으나, 도시경관 형성과 사회경제적 가치와 연관이 있는 건물외관 디자인의 심미성에 대한 분석은 전무하였 다. 이에 본 연구에서는 그동안 시간과 비용의 한계로 측정하기 어려웠던 건물의 심 미성을 건물 이미지를 활용한 컴퓨터비전과 머신러닝 기술을 통하여 측정하고 임대 료 추정을 시도하였다. 서울시 오피스 각 건물의 사진을 바탕으로 디자인 수준에 대 해 전문가 평가를 실시하고, 컴퓨터비전으로 추출한 이미지 특성값 벡터를 머신러 닝하여 본 연구의 전체표본의 심미성을 측정하였다. 월 순점유비용을 임대료 개념 으로 측정하여 건물 및 입지특성 변수들과 추정된 심미성 변수, 이미지 특성값 벡터 로 실증분석하였다. 회귀분석 결과, 건물 이미지의 심미성 변수는 임대료에 유의한 영향을 미치며, 심미성 한 단위가 증가할 때마다 임대료가 평당 15,406원 증가하는 것으로 추정되었다. 심미성 변수는 모형 적합도를 증가시키는 것으로 나타났으나, 이미지 특성값 벡터를 포함했을 때 모형 적합도의 변화는 미비하였다. 반면에, XGBoost 머신러닝 방법으로 추정하였을 때, 이미지 특성값 벡터는 변수간 중요도가 높은 것으로 나타났다. 또한, XGBoost의 모형 적합도는 회귀분석보다 월등히 높은 것으로 나타났다. 본 연구의 결과로 향후 부동산 가치추정과 관련하여 변수설정 문 제를 보완하고 추정모형을 정교화 하는데 기여할 수 있을 것이다.

Abstract

While many studies have examined the determinants of rent price of office building, very little studies have explored the price impacts of the aesthetics of office buildings. This study used computer vision and machine learning technologies to assess the architectural aesthetics and estimated the rent price of office buildings in Seoul. Based on the building images crawled from Google image, experts in architecture fields evaluated each office building. Using the computer vision, we extracted feature vectors from images and conducted the machine learning to predict aesthetics from building images we collected. Controlling for structural and locational variables, we conducted both OLS and XGBoost estimates of the rent price measured as the monthly net occupancy cost. In the OLS, the results showed the significant effect of aesthetics on the rent price, but the image feature vector was not shown to increase the model fit. In the XGBoost, however, the image feature vector showed high importance among variables for the model fit. This study contributes to better specifying the price model via reducing the possibility of unobserved variable bias and using new techniques.

참고문헌 (40)

  1. 곽윤희, "서울시 오피스 시장의 임대료 결정요인 분석", 부동산학보, (33), pp.193~204 (2008), 한국부동산학회
  2. 금상수, "서울시 오피스 빌딩 등급 분류기준에 관한 실증분석", 서울도시연구, 14(2), pp.67~81 (2013), 서울연구원[DOI]
  3. 김경민, "기계학습을 통한 공동주택 가격결정요인 분석", 주거환경, 14(3), pp.29~40 (2016), 한국주거환경학회
  4. 김경민, "연립방정식을 활용한 오피스시장 예측모형 - 서울 오피스시장을 대상으로", 국토계획, 45(7), pp.21~29 (2010), 대한국토·도시계획학회
  5. 김동환, "오피스빌딩서비스품질과 임대료의 인과관계 분석", 대한부동산학회지, 33(2), pp.375~395 (2015), 대한부동산학회
  6. 김선주, "오피스 임대료 결정 모형에 관한 연구 - 회귀분석과 신경망 이론을 중심으로 -", 지역연구, 24(2), pp.3~26 (2008), 한국지역학회
  7. 김의준, "서울시 오피스 임대료 결정요인의 변화분석", 지역연구, 22(2), pp.79~96 (2006), 한국지역학회
  8. 김지훈, "대구지역 업무용 건축물의 조형적 의미에 관한 연구", 대한건축학회논문집, 23(1), pp.129~136 (2007), 대한건축학회
  9. 김현신, "기업 이미지 특성을 표현한 국내 사옥 파사드 디자인에 관한 연구", 한국실내디자인학회 논문집, 23(6), pp.187~194 (2014), 한국실내디자인학회
  10. 문근식, "데이터마이닝기법을 활용한 강남구 중소형 오피스빌딩의 매매가격 결정요인 분석", 한국콘텐츠학회 논문지, 15(7), pp.414~427 (2015), 한국콘텐츠학회[DOI]
  11. 박경휘, "오피스 가치 결정에 영향을 미치는 건축물 디자인 요소의 중요도 분석에 관한 연구", 서울도시연구, 12(1), pp.53~71 (2011), 서울연구원[DOI]
  12. 박근덕, "가로공간 보행만족도 예측을 위한 딥러닝 모형의적용과 검증", 도시설계, 19(6), pp.19~34 (2018), 한국도시설계학회[DOI]
  13. 배성완, "머신 러닝 방법과 시계열 분석 모형을 이용한 부동산 가격지수 예측", 주택연구, 26(1), pp.107~133 (2018), 한국주택학회[DOI]
  14. 배하누, "공유오피스 임대료 결정요인에 관한 연구－ 서울 소재 공유오피스를 중심으로 －", 부동산·도시연구, 11(1), pp.87~107 (2018), 부동산도시연구원[DOI]
  15. 손재영, "서울시 오피스 임대료의 횡단면 분석", 국토계획, 35(5), pp.279~295 (2000), 대한국토 · 도시계획학회
  16. 손진수, "서울 오피스시장의 임대료지수 개발에 관한 연구", 국토계획, 37(4), pp.109~122 (2002), 대한국토·도시계획학회
  17. 송기욱, "서울시 프라임 오피스 빌딩의 점유비용 결정요인에 관한 실증분석", 부동산학보, (66), pp.158~172 (2016), 한국부동산학회
  18. 양승철, "서울시 오피스빌딩 임대료결정요인에 관한 연구", 부동산연구, 11, pp.99~115 (2001), 한국부동산연구원
  19. 양영준, "매수인 유형이 서울 오피스 가격에 미치는 영향", 부동산학보, (63), pp.145~156 (2015), 한국부동산학회
  20. 상업가로 활성화를 위한 도시설계 방안 연구, "오성훈", 1~384 (2012)
  21. 오지훈, "머신러닝을 활용한 서울시 아파트 물리적 특성 변수들의 비선형 영향 분석: 다변량 적응 회귀 스플라인 모형의 적용", 감정평가학논집, 17(3), pp.5~26 (2018), 한국감정평가학회[DOI]
  22. 원재웅, "경매주택이 주변 주택가격에 미치는 영향- 미국 캘리포니아 로스앤젤레스도시를 사례로 -", 부동산정책연구, 18(3), pp.51~68 (2017), 한국부동산정책학회
  23. 전기석, "위계적 선형모형을 이용한 오피스 임대료결정요인 분석", 국토연구, 49, pp.171~184 (2006), 국토연구원
  24. 채대웅, "고층 사무소 건축 외관 디자인의 특성에 관한 연구", 대한건축학회 학술발표대회 논문집-계획계, 13(1), pp.139~144 (1993), 대한건축학회
  25. 최종근, "오피스 임대료 하락기 및 상승기의 임대료 결정모형 회귀모수의 변화 - 서울시 강남과 도심권역을 중심으로 -", 지역연구, 34(1), pp.3~17 (2018), 한국지역학회
  26. Brownson, R. C., "Measuring the Built Environment for Physical Activity : State of the Science", American Journal of Preventive Medicine, 36(4), pp.99~123 (2009)
  27. Chen, T., "Xgboost: A Scalable Tree Boosting System", Proceedings of the 22nd acm SIGKDD International Conference on Knowledge Discovery and Data Mining”, pp.785-794., pp.785~794 (2016)
  28. Garrod, G., "Economic Valuation of the Environment : Methods and Case Studies" (1999), Edward Elgar.
  29. Glaeser, E. L., "Computer Vision and Real Estate: Do Looks Matter and Do Incentives Determine Looks", National Bureau of Economic Research, ~, pp.No. w25174 (2018)
  30. Gu, J., "Housing Price Forecasting based on Genetic Algorithm and Support Vector Machine", Expert Systems with Applications, 38(4), pp.3383~3386 (2011)
  31. Hastie, T., "The Elements of Statistical Learning:Data Mining, Inference, and Prediction" (2009), Springer Science & Business Media.
  32. Krizhevsky, A., "Imagenet Classification with Deep Convolutional Neural Networks", Advances in Neural Information Processing Systems, pp.1097~1105 (2012)
  33. Levin, Golan., "Computer Vision for Artists and Designers : Pedagogic Tools and Techniques for Novice Programmers", AI & SOCIETY, 20(4), pp.462~482 (2006)
  34. Machine Learning, Building Vintage and Property Values, "Lindenthal, T.", ~ (2019)
  35. Mullainathan, S., "Machine Learning : An Applied Econometric Approach", Journal of Economic Perspectives, 31(2), pp.87~106 (2017)
  36. Naik, N., "Computer Vision Uncovers Predictors of Physical Urban Change", Proceedings of the National Academy of Sciences, 114(29), pp.7571~7576 (2017)
  37. Park, B., "Using Machine Learning Algorithms for Housing Price Prediction : The Case of Fairfax County, Virginia Housing Data", Expert Systems with Applications, 42(6), pp.928~2934 (2015)
  38. Rzotkiewicz, A., "Systematic Review of the Use of Google Street View in Health Research: Major Themes, Strengths, Weaknesses and Possibilities for Future Research", Health & Place, 52, pp.240~246 (2018)
  39. Vandell, Kerry D., "The Economics of Architecture and Urban Design : Some Preliminary Findings", Real Estate Economics, 17(2), pp.235~260 (1989)
  40. Yoo, S., "Variable Selection for Hedonic Model Using Machine Learning Approaches : A Case Study in Onondaga County, NY", Landscape and Urban Planning, 107(3), pp.293~306 (2012)

관련 논문AI추천

머신 러닝 방법을 이용한 오피스 임대료 산정 -랜덤 포레스트, 인공 신경망, 서포트 벡터 머신 활용을 중심으로-정성훈, 진창하한국부동산분석학회 · 부동산학연구2020 · 제26권 제2호머신러닝 기반 오피스텔 적정가 자동 산정 기법조진형한국실천공학교육학회 · 실천공학교육논문지2024 · 제16권 제6호가로 보행환경은 주변 상업용 부동산 가격에 영향을 주는가? 해석 가능한 머신러닝과 딥러닝 기법의 적용신형섭, 우아영, 전준형한국부동산분석학회 · 부동산학연구2024 · 제30권 제3호기계 학습을 이용한 공동주택 가격 추정: 서울 강남구를 사례로배성완, 유정석한국부동산분석학회 · 부동산학연구2018 · 제24권 제1호서울시 오피스 빌딩 등급 분류기준에 관한 실증분석금상수, 조주현서울연구원 · 서울도시연구2013 · 제14권 제2호오피스 가치 결정에 영향을 미치는 건축물 디자인 요소의 중요도 분석에 관한 연구박경휘, 신종칠, 이상엽서울연구원 · 서울도시연구2011 · 제12권 제1호

이 간행물의 다른 논문 (7건)

기성시가지 필지별 토지이용 변화 예측을 위한 기계학습 모델 개발에 관한 연구: 서울시 신축 발생 예측을 중심으로김태현, 임재욱, 고진수, 노승철, 이석준pp. 27-52프롭테크(Proptech)와 가치평가: 랜드북 AI 가치평가를 사례로임혜연pp. 53-71벡터오차수정모형을 이용한 하위시장별 주택 미분양 영향요인 분석: 경기도와 경상남도의 분양 및 재고시장을 중심으로서원석, 김리영pp. 75-100공동주택 지배구조와 입주자 집합행동이 관리비에 미치는 영향임재만, 조성자pp. 101-123실물옵션을 이용한 주택재개발사업의 최적 분양시점과 사업가치 평가유정석, 진연화pp. 125-163
원문 보기