부동산 과세가치 추정방법 연구 - AI 기술의 접목을 중심으로 -
저자
발행기관
학술지명
권호사항
발행연도
2020
작성언어
-주제어
자료형태
학술저널
수록면
1-172(172쪽)
제공처
□연구목적
○1989년 지가공시제도 도입 이후 약 30년간 과세가치 추정방식은 큰 변화가 없었음
-토지, 주택, 건축물 등에 대한 현행 부동산 과세가치 추정방식은 미국 링컨토지연구소(Lincoln Institute of Land Policy)가 1980년대 개발도상국에 널리 보급시킨 선형회귀에 기초한 헤도닉 가격모형(Hedonic pricing model)에 기반을 두고 있음
-토지를 비롯한 대부분의 부동산 과세가치에 대해 시세와의 괴리, 낮은 현실화율, 가격 균형성 미흡 등 여러 지적이 과거부터 꾸준히 제기
○부동산 과세가치 품질을 제고하기 위해 과세가치의 개념과 활용 분야의 재정의,
이의신청 등 불복절차의 정교화 등 여러 측면에서 개선을 추진할 수 있음
-본 연구는 과세가치 추정방식이라는 기술적 측면에 중점을 두어 개선방향을 제시
-AI(Artificial Intelligence) 기술은 4차 산업혁명이라 불릴 정도로 분야를 가리지 않고 전 방위로 확산, 응용되고 있으며, 부동산 분야도 예외는 아님
-부동산 투자 의사결정, 부동산 개발에 따른 위험 분석, 중개와 매매, 대출 심사, 가치평가(valuation) 등 다양한 분야에 AI 기술이 접목되기 시작
○ 본 연구의 목적은 현행 과세가치 추정방식의 개선방향을 제시하는데 있음
-사진, 동영상 등 비정형 부동산 데이터가 대량으로 생산, 공급되는 사회적 변화를 기회로 삼아, AI 기술을 부동산 가치 추정에 접목함으로써 과세가치 추정방식의 정교화를 유도
□주요내용
○가치평가는 수행방식에 따라 정밀평가(single-property appraisal)와 대량평가(mass appraisal)로 나눌 수 있으며, 과세가치 추정이 대표적인 대량평가의 예
-정밀평가가 의뢰인 요구에 따른 개별 물건의 맞춤형 서비스인 반면, 대량평가는 특정 시점을 기준으로 일련의 부동산 집단을 일관된 방법으로 일시에 가치를 추정하는 서비스
-기존 대량평가모형의 한계로 사진, 동영상 등 비정형데이터를 활용할 수 없는 점, 입력자료가 부족할 경우 특별한 해결 방안이 없는 점, 대용량 데이터 처리의 비효율성, 복잡한 현상의 모델링에 부적합한 점을 들 수 있음
○1951년 토지수득세에서 출발하여 현재 토지, 주택 및 건축물로 나누어 부동산 과세표준이 산정되고 있으며 현행 산정방식의 문제점은 다음과 같음
-과세표준 산정 시 주요 가격결정요인으로 토지의 용도지역, 건축물의 구조 등 물리적 항목은 풍부한 반면, 교육환경, 소득수준 등 사회경제적 항목은 찾아보기 힘듦
-측정하기 어렵거나 담당자 주관의 개입 가능성이 높아 사회경제적 항목을 적극적으로 고려하지 않는 것으로 보임
-또한 건축물의 경우 원가법 위주의 과세표준 산정방식으로 인해 시장성 및 수익성 반영미흡
-측정이 어렵거나 주관 개입성이 높은 사회경제적 항목들의 반영, 시장성 등을 고려한 과세표준 산정을 위해 다양한 형태의 빅데이터를 활용한 AI 기술 도입 필요
○AI는 기계학습(machine learning)과 딥러닝(deep learning)을 아우르는 개념
-1950년대 초기 AI 기술이 보다 복잡하고 경계가 모호한 과업들(이미지 분류, 음성 인식, 언어 번역 등)에 대해서는 오랫동안 양호한 성과를 내지 못함
-이러한 초기 AI 기술의 한계를 극복하기 위한 새로운 접근이 기계학습이며, 기계학습 영역의 일부인 딥러닝은 연속된 레이어(layer)를 깊게(deep) 구성하여 효율적 학습을 도모
-딥러닝의 구체적 실행방법은 여러 가지이며, 가장 대표적인 구현 방식이 신경망 모형 (neural network model)
○본 연구에서는 다양한 신경망 모형 중 정형데이터 처리에 특화된 DNN(dense
neural net)과 이미지 처리에 특화된 CNN(convolutional neural net)을 활용
-DNN은 개별 납세자들의 세금 회피 성향을 파악하거나 세무감사에서 조사 대상자의 선별 (Braun Binder, 2018), 세법을 학습한 모형을 통해 부당한 소득공제 건의 적발(Milner & Berg, 2017), 조세행정에 부정이 의심되는 세무공무원의 적발(Kalyanakrishnan et al., 2018) 등에 활용되기 시작
-CNN은 부동산의 물리적 특성 중 정형데이터로 포착하기 어려운 것들, 즉 건물의 관리 상태나 내부 인테리어의 고급화 수준을 사진에 기초하여 파악한 후 부동산 가격추정에 활용한 시도(Poursaeed et al., 2018; Koch et al., 2018)가 보고되기 시작
-본 연구는 부동산의 속성(토지면적, 건물면적 등)을 나타내는 정형데이터와 사진과 같은 비정형데이터를 결합하여 신경망 모형을 적용하였다는 점에서 차별성을 가짐
□결론
○DNN을 활용한 과세가치 추정 결과(정형데이터만을 입력자료로 사용)
-대도시인 서울 강남구에서부터 중소도시인 전북 전주시 덕진구와 경남 김해시, 그리고 군지역인 전남 해남군에 이르기까지 기존 선형회귀모형보다 신경망 모형의 성능이 우수하게 나타남
-특히 주택가격의 이질성이 심한 지역일수록 선형회귀모형의 추정 정확성은 급속하게 악화되었으나, 신경망 모형은 악화 속도가 완만하여 강건한 모형임을 확인할 수 있었음
○DNN 및 CNN을 병용한 과세가치 추정 결과(정형 및 비정형데이터를 입력자료로
사용)
-DNN을 이용하여 정형데이터를 입력변수로 활용하고, 이와 독립된 위상으로 CNN을 이용
하여 사진 자료를 또 하나의 입력변수로 동원하였으며, 이 두 가지 신경망을 최종 단계에서 병합
○정형 및 비정형데이터를 함께 활용한 과세가치 추정 결과는 사례지역에 따라 상이
-전남 해남군에 소재한 부동산(토지+건물)의 경우(①) 사진 자료의 추가 활용이 과세가치 추정에 큰 도움을 주지 못함
-광주시 동구 소재 토지(②) 및 전남 해남군 소재 건물(③)에 대한 분석 결과는 해석을 유보하였는 바, 입력자료의 양과 질이 충분하지 않아 적절한 학습 내지 알고리즘 수렴이 이루어지지 못한 것으로 해석됨
-경기도 구리시 주거용 건물(④)의 경우 사진 자료를 추가적으로 활용하였을 때 모형 성능
이 보다 개선되었음을 MSE(mean squared error)값을 통해 확인
-경기도 구리시의 경우 건물 전경 사진은 가격 예측에 추가적 기여를 한 것으로 보이며, 이는 3,000장 이상의 비교적 풍부한 사진 자료 및 18개에 이르는 정형데이터 설명변수 활용에 기인한 것으로 풀이됨
-정형 및 비정형데이터를 포함한 입력자료의 양과 질이 충분할 경우, 딥러닝 모형으로 기존 모형을 대체할 수 있다는 기술적 가능성을 확인
○본 연구 결과에 따르면 정형 및 비정형데이터의 양과 질이 충분할 경우, 딥러닝
방식에 기초한 과세가치 추정은 기술적 측면에서 도입 타당성이 충분함
-그러나 새로운 방식이 기술적 측면에서 도입 타당성이 인정된다 하더라도, 이를 정책에
반영할 때의 정치적 및 사회적 수용 가능성은 별도의 검토 필요
○ AI 기술을 과세표준 정책에 도입 시, 기존 과세표준 산정방식의 전면적 대체보다는 점진적 보완 방식으로 제도화될 가능성이 높음
-건축물 시가표준액은 현재 재산세, 취득세 등 조세 부과의 기준으로 활용될 뿐 아니라 건강보험료, 이행강제금 등 활용 범위가 넓어 AI 기술에 의한 전면 대체는 가능성이 낮음
-AI기술의 조속한 도입을 위해 산정방식 변경에 따른 파급효과가 비교적 작은 과세대상 (차량, 기계장비, 선박, 항공기 등)부터 추진하는 것을 생각할 수 있음
○AI 기술 도입에 따른 과세표준의 급격한 상승을 감안하여야 함
-일반적으로 과세표준 산정방식의 변경은 이전 과세표준 대비 급격한 가격 상승을 가져오며, 1989년 지가공시제도 도입 시에도 이러한 현상은 동일하게 발생
-급격한 과세표준 상승이 과도한 세부담으로 이어지지 않도록 과세대상별 도입시기 차등
화, 세부담 상한제, 공정시장가액 적용 비율 등 여러 수단을 정교하게 설계할 필요
○AI 기술은 일반적으로 블랙박스 모형(black-box model)으로 분류되는 바, 납세자의 이해 가능성을 높이는 데 관심을 가질 필요
- 납세자가 납득하지 못하는 과세표준은 결국 이의신청, 행정소송 등으로 이어져 많은 행정 비용을 발생시키는 바, 대국민 홍보를 비롯한 납세자 수용성을 높일 수 있는 방안 강구
기존 과세표준 산정 생태계를 효율적으로 활용할 필요
-행정안전부, 국세청, 국토교통부 등 각 부처에 산재된 가격자료와 정책 경험을 통합할 필요가 있으며, 아울러 국세청 임대료 자료 등 정부 데이터를 지금보다 높은 수준으로 개방 할 필요
-민간업체들은DB 연결 및 가공 측면에서 공공부문보다 뛰어난 기술력을 가진 경우가 많으며, 이러한 민간의 기술력을 결합할 필요
분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)