머신 러닝 방법을 이용한 오피스 임대료 산정 -랜덤 포레스트, 인공 신경망, 서포트 벡터 머신 활용을 중심으로- = A Study on the Office Rent Estimation by the Machine Learning Methods -Focusing on the Use of Random Forests, Artificial Neural Networks, Support Vector Machines-

국문 초록 (Abstract)

본 연구는 최근 자동 평가 모형과 관련한 연구에서 보편적으로 활용되고 있는 랜덤 포레스트, 인공 신경망, 서포트 벡터 머신을 사용하여 오피스 임대료 산정 모형을 구축하고 이들의 적용 가능성을 검토하였다. 이를 위해 서울시에 소재한 507동 오피스의 임대 조사 자료를 활용하여 각 방법별 최적 모형을 구축하고 이들의 성능을 비교하였고, 가장 좋은 성능을 보인 모형으로부터 PD plot을 도출하였다. 표본 전체를 대상으로 하여 임대료 산정모형을 구축한 결과, 모형별 성능의 순위는 서포트 벡터 머신 모형, 인공 신경망 모형, 랜덤 포레스트 모형 순으로 나타났고, 서포트 벡터 머신 모형으로부터 PD plot을 도출하여 해당 모형이 공실률이 높을수록, 전용률이 높을수록, 연면적이 클수록, 층수가 높을수록, 연식이 낮을수록, 승강기수가 많을수록 임대료를 높게 산출하는 것을 확인하였다. 주차대수는 모형의 예측값과 2차 곡선의 형태를 보이는 것으로 나타났다. 추가적으로 표본을 초대형, 대형, 중대형, 중형 등급으로 나누어 각 규모 등급별 임대료 산정 모형을 각각 구축하고 이들의 PD plot을 도출하였다. 본 연구는 다양한 머신 러닝 방법을 사용하여 오피스 임대료 산정 모형을 구축하고자 하였다는 점, PD plot을 통해 모형의 학습 결과에 대한 해석을 시도하였다는 점, 규모 등급별 임대료 산정 모형을 각각 구축하여 그 결과를 제시함으로써 규모 등급별 분석의 필요성을 입증하였다는 점에서 의의를 갖는다.

다국어 초록 (Multilingual Abstract)

We estimate office market rent using random forests, artificial neural networks, and support vector machines, which are commonly used in recent studies related to automatic evaluation models. We examine each method and compare the performances based on our sample data of the 507 offices located in Seoul, and depict PD(Partial Dependence) Plots to identify the influence of variables on predicted values. Using random forests, artificial neural networks, and support vector machines method, we estimate office market rent determinant model based on 507 office rental information data in Seoul. We attempt to identify the best performed model and also adopt the Partial Dependence(PD) Plots to examine the relative impact of research variables on predicted value. We classify the sample data into Class A, Class B, Class C, and the below Class C group. We apply the same method for each of those group. In general, we find that the support vector machines model performs best followed by random forests model and artificial neural networks model. The results indicate that the rent has a positive relation with rentable/usable ratio, floor, building age, and number of elevator. The number of parking vehicles showed the quadratic curve on rent in the model. Our study contributes to compare and allows appraisers to have a cross validation process with traditional valuation model against the finding from a machine learning method on office market.

참고문헌 (Reference)

• 1 김태훈, "회귀모형과 신경망모형을 이용한 아파트 가격 모형에 관한 연구" 국토연구원 43 : 12-12, 2004
• 2 배성완, "표본 주택 가격 기반 부동산 가격지수 산정: 머신 러닝 방법의 활용을 중심으로" 한국주택학회 26 (26): 53-74, 2018
• 3 김선주, "오피스 임대료 결정 모형에 관한 연구 - 회귀분석과 신경망 이론을 중심으로 -" 한국지역학회 24 (24): 3-26, 2008
• 4 윤여신, "오피스 빌딩의 등급 표준화 필요성에 관한 소고" 54 : 39-50, 2012
• 5 장상규, "오피스 빌딩 임대관리 Insight" 보성인쇄기획 2018
• 6 남영우, "아파트시장예측을 위한 신경망분석 적용가능성에 대한 연구" 한국건설관리학회 7 (7): 162-170, 2006
• 7 양영준, "서울시 오피스의 임대료 결정요인 분석 - 호가임대료와 실질임대료를 대상으로 -" 한국부동산학회 (71) : 134-146, 2017
• 8 김의준, "서울시 오피스 임대료 결정요인의 변화분석" 한국지역학회 22 (22): 79-96, 2006
• 9 변기영, "서울시 오피스 임대료 결정구조에 관한 연구" 대한국토·도시계획학회 39 (39): 205-219, 2004
• 10 이재우, "빌딩규모 구분에 의한 서울 오피스시장 현황과 특성차이" 한국부동산연구원 15 (15): 51-65, 2005
• 11 오지훈, "머신러닝을 활용한 서울시 아파트 물리적 특성 변수들의 비선형 영향 분석: 다변량 적응 회귀 스플라인 모형의 적용" 한국감정평가학회 17 (17): 5-26, 2018
• 12 문근식, "데이터마이닝기법을 활용한 강남구 중소형 오피스빌딩의 매매가격 결정요인 분석" 한국콘텐츠학회 15 (15): 414-427, 2015
• 13 이창로, "단독주택가격 추정을 위한 기계학습 모형의 응용" 대한지리학회 51 (51): 219-233, 2016
• 14 배성완, "기계 학습을 이용한 공동주택 가격 추정: 서울 강남구를 사례로" 한국부동산분석학회 24 (24): 69-85, 2018
• 15 나성호, "공공데이터를 활용한 아파트 매매 가격 결정 모형의 예측 능력 비교 : 서울 강남구 지역을 중심으로" 한국지적정보학회 21 (21): 3-12, 2019
• 16 김성진, "감정예측모형의 성과개선을 위한 Support Vector Regression 응용" 한국지능정보시스템학회 18 (18): 185-202, 2012
• 17 Kontrimas, V., "The mass appraisal of the real estate by computational intelligence" 11 (11): 443-448, 2011
• 18 Hastie, T., "The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Second Edition" Springer Series in Statistics 2009
• 19 Vapnik, V., "Support vector method for function approximation, regression estimation, and signal processing" 9 : 281-287, 1997
• 20 Deng, N., "Support Vector Machines: Optimization Based Theory, Algorithms, and Extensions" CRC Press 2012
• 21 Breiman, L., "Random forests" 45 (45): 5-32, 2001
• 22 김희훈, "Noise Removal using Support Vector Regression in Noisy Document Images" 한국통계학회 25 (25): 669-680, 2012
• 23 Peterson, S., "Neural network hedonic pricing models in mass real estate appraisal" 31 (31): 147-164, 2009
• 24 Rumelhart, D. E., "Learning internal representations by error propagation" 1 : 318-362, 1986
• 25 Heaton, J., "Introduction to Neural Networks with Java" Heaton Research 2008
• 26 Friedman, J. H., "Greedy function approximation: A gradient boosting machine" 29 (29): 1189-1232, 2001
• 27 Kok, N., "Big Data in Real Estate?" 43 (43): 202-211, 2017
• 28 Fisher, A., "All Models are Wrong, but Many are Useful: Learning a Variable’s Importance by Studying an Entire Class of Prediction Models Simultaneously" 20 (20): 1-81, 2019
• 29 Johnson, L., "AVMs: An international comparison of the opportunities and challenges" 2019
• 30 Smola, A. J., "A tutorial on support vector regression" 14 : 199-222, 2004