How Local Should an AVM Be? Spatial Resolution, Market Regionalization in Automated Valuation Models
본 논문은 자동가치산모델(AVM)의 국지성을 공간 해상도, 시장 지역화 및 외부 앵커를 포함하는 부분 풀링(partial-pooling) 문제로 재정의하며, 한국 상업용 부동산 거래에 대한 종합적인 분석을 통해 최적의 공간 해상도가 존재하고 지역화가 정확도를 향상시키기는 하지만, 이러한 메커니즘들은 부분적으로만 상호 교환 가능하며 외부 앵커가 모델 선택과 성능을 유의미하게 변화시킬 수 있음을 입증한다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
지도를 보고 건물의 가격을 추측하는 상황을 상상해 보십시오. 특정 도시라고 말할 수도 있고, 그 도시 내의 특정 동네, 혹은 아주 구체적으로는 정확한 블록 단위까지 말할 수도 있습니다. 수십 년 동안 자동 부동산 가치 평가 전문가들은 단순한 가정을 바탕으로 운영되어 왔습니다. 즉, 위치를 더 구체적으로 지정할수록 더 나은 예측을 할 수 있다는 것입니다. 컴퓨터가 상세한 거리 주소를 알 수 있다면, 우편번호만 아는 것보다 더 나은 결과를 낼 것이라는 논리입니다. 이는 공간적 세부 정보가 많으면 많을수록 좋다는 것을 시사합니다. 하지만 너무 구체적인 것이 오히려 컴퓨터를 혼란스럽게 만든다면 어떨까요? 건물의 가격을 매기는 가장 정확한 방법이 지도가 허용하는 한도까지 최대한 확대하는 것이 아니라, 위치가 충분히 상세하면서도 데이터가 신뢰할 수 있을 만큼 충분히 넓은 '스위트 스폿(sweet spot)'을 찾는 것이라면 어떨까요?
이것이 한국의 상업용 부동산을 대상으로 한 새로운 연구가 다루는 핵심적인 수수께끼입니다. 연구진은 단순히 어떻게 하면 더 나은 가격 추정치를 만들 수 있는지를 묻는 것이 아니라, 컴퓨터 모델이 실제로 얼마나 많은 '지역적' 정보를 사용할 수 있어야 하는지를 묻고 있었습니다. 그들은 위치 정보를 도입하는 세 가지 서로 다른 방식에 초점을 맞췄습니다. 첫 번째는 위치를 설명하는 데 사용되는 지도 격자(grid)의 크기입니다. 두 번째는 모델이 전국을 하나의 큰 시장으로 취급해야 하는지, 아니면 도시별로 별도의 모델로 나눌 것인지에 대한 문제입니다. 세 번째는 모델이 작년 정부 공시지가와 같은 외부의 힌트를 사용하여, 처음부터 직접 추측하지 않고도 지역적 가치를 이해할 수 있는지 여부입니다. 이 세 가지 요소를 수천 건의 실제 부동산 거래와 대조하여 테스트한 결과, 이 연구는 모델이 얼마나 지역적이어야 하는지에 대한 한계가 있으며, 그 한계를 넘어서면 예측이 좋아지는 것이 아니라 오히려 나빠진다는 사실을 밝혀냈습니다.
연구진은 2018년부터 2025년 사이에 한국의 7개 주요 도시에서 발생한 상업용 및 오피스 빌딩 거래 22,000건 이상을 분석했습니다. 그들은 가격을 예측하는 컴퓨터 모델을 구축한 다음, 수백 가지의 서로 다른 조건 하에서 이를 테스트했습니다. 그들은 위치를 표현하는 격자를 격자가 전혀 없는 상태부터 5km, 2km, 1km, 그리고 마지막으로 매우 정밀한 500m 격도까지 다양하게 설정하여 실험했습니다. 또한 모델이 7개 도시 전체를 위한 단일 시스템이어야 하는지, 아니면 각 도시를 위한 별도의 시스템이나 더 작은 도시 그룹으로 나누어야 하는지도 테스트했습니다. 마지막으로, 작년의 공식 지가를 모델에게 '힌트'로 제공하는 것이 성능에 도움이 되는지도 확인했습니다.
결과는 명확하고 놀라운 패턴을 보여주었습니다. 모델이 도시 내부의 위치 정보를 전혀 사용하지 못했을 때, 예측 오차의 중앙값은 약 27%였습니다. 연구진이 5km 격자를 도입했을 때 오차는 약 22.6%로 크게 떨어졌으며, 이것이 가장 좋은 결과였습니다. 그러나 격자를 더 미세하게 만들어 2km, 1km, 그리고 마지막으로 500m로 줄였을 때, 정확도는 다시 나빠졌습니다. 가장 정밀한 500m 규모에서 오차는 다시 27.4% 가까이 치솟았는데, 이는 격자가 아예 없는 경우보다도 더 나쁜 결과였습니다. 이 연구는 최적의 중간 지점이 존재함을 입증했습니다. 컴퓨터는 서로 다른 지역을 구분할 수 있을 만큼의 세부 정보가 필요하지만, 격자가 너무 미세하면 해당 구역의 데이터가 너무 비게 됩니다. 모델은 매우 적은 사례만을 바탕으로 아주 작은 빈 칸의 가격을 추측하려 들고, 결국 실수를 저지르게 됩니다.
연구진은 또한 시장을 별도의 모델로 나누는 것이 도움이 되지만, 그것도 일정 수준까지만 그렇다는 것을 발견했습니다. 단일 국가 모델을 7개의 도시별 모델로 나누는 것은 정확도를 높였지만, 이를 더 작은 단위의 그룹으로 더 세분화하는 것은 큰 도움이 되지 않았습니다. 가장 큰 개선은 단순히 '하나의 사이즈를 모두에게 적용하는(one-size-fits-all)' 모델에서 벗어나는 것에서 왔습니다. 그러나 이러한 분할 방식은 지나치게 미세한 격자 문제를 해결하지 못했습니다. 7개의 별도 도시 모델을 사용하더라도 500m 격자는 여전히 성능이 저조했습니다. 이는 더 구체적인 위치 데이터를 갖는다고 해서 더 구체적인 시장 정의를 통해 해결될 수 있는 문제가 아니라는 점을 의미합니다. 즉, 두 문제는 서로 관련되어 있지만 대체 가능한 것은 아닙니다.
연구진이 테스트한 가장 강력한 도구는 '외부 앵커(external anchor)'였습니다. 이것은 모델 자체의 학습 데이터 외부에서 제공되는 정보인, 정부가 책정한 전년도 공시지가였습니다. 모델에 이 힌트가 주어졌을 때, 전체적인 양상이 바뀌었습니다. 격자가 너무 미세해질 때 발생했던 급격한 정확도 저하 현상이 사라졌습니다. 정부 가격 힌트가 있으면 격자가 5km, 2km, 또는 1km이든 상관없이 모델은 거의 동일하게 우수한 성능을 보였습니다. 외부 정보가 매우 강력했기 때문에 모델이 지역적 가격 수준을 처음부터 직접 추측할 필요가 없어진 것입니다. 또한, 이 외부 힌트가 있으면 모델이 잘 작동하기 위해 필요한 도시 분할의 수도 줄어들었습니다. 5개나 7개의 서로 다른 모델이 필요했던 것과 달리, 외부 힌트가 있는 최적의 설정에서는 단 3개의 모델만 필요했습니다.
이 연구는 이러한 가치 평가 시스템을 구축할 때 던져야 할 질문은 단순히 "얼마나 지역적으로 만들 수 있는가?"가 아니라, "우리 데이터가 얼마나 많은 지역성을 지원할 수 있는가?"라고 결론짓습니다. 연구진은 한국의 도시 내 상업용 빌딩의 경우, 외부 힌트가 없을 때 위치를 나타내는 데 가장 신뢰할 수 있는 척도는 5km 격자라는 것을 발견했습니다. 이보다 더 미세하게 만드는 것은 노이즈를 유발합니다. 만약 신뢰할 수 있는 외부 가격 신호가 있다면, 격자 크기는 훨씬 덜 중요해지며 모델은 더 단순해질 수 있습니다. 이 연구 결과는 상업용 부동산처럼 데이터가 희소한 분야에서는 위치에 대해 너무 정밀하게 접근하는 것이 오히려 성능을 해칠 수 있음을 시사합니다. 최선의 접근법은 더 많은 세부 정보가 항상 더 좋다고 가정하는 것이 아니라, 가용한 데이터가 실제로 지원할 수 있는 수준의 세부 정보를 찾는 것입니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.