A Study on Factors Determining of Officetel Price in Seoul Using Data Mining Methods

Abstract

The hedonic price model, which is used mainly in real estate studies, was established the theoretical framework in the study of Lancaster (1966) and Rosen (1974). Since then, it was developed in several studies (Linneman,1980; Cassel and Mendelsohn, 1985; Mason and Squigely, 1996; Yoon, 2011). This model is the technique separating the good from the good and analyzing the potential price inherent in each attribute (Park, 2015). It is based on the assumption that the value of a good is determined by the characteristics contained in the good. The hedonic price model has been studied as a way to evaluate the value of environmental goods in the alternative market of the housing market. However, there are many problems such as the lack of sufficient explanatory variables and the problem of multicollinearities. In this study, we analyze the determinants of officetel price in Seoul by applying it to data mining method and regression analysis method which show high prediction power. In this study, the officetel transaction data were fitted to the Random Forest, GBM (Gradient Boosting Model), XG Boost, GAM (Generalized Additive Models), and Linear Regression models. We select the best combination of variables and compare the performance of the model according to the methodology to implement the optimal prediction model and explain the result. ;부동산학 연구에서 주로 쓰이는 헤도닉 가격모형(hedonic price model)은 Lancaster(1966)와 Rosen(1974)의 연구에서 이론적 틀을 갖추게 되었고 1970년대 중반 이후부터 Linneman(1980), Cassel⋅Mendelsohn(1985), Mason⋅sQuigely(1996)등에 의해 모형이 발전되었다. (윤병우,2011) 헤도닉 가격모형이란 재화와 속성들을 분리하여 각각의 속성에 내재된 잠재 가격을 찾아 분석하는 기법으로 ‘재화의 가치는 해당 재화에 내포되어 있는 특성에 의해 결정된다’는 기본 가정을 전제하고 있다. (박소연,2015) 헤도닉 가격모형은 주택시장이라는 대체시장에서 환경재의 가치를 평가하는 방법으로 많은 연구가 진행되어 왔지만 여러 설명변수를 충분히 확보하지 못하는 점과 다중공선성의 문제를 야기하는 등 적지 않은 문제점있다. 이에 본 논문에서는 높은 예측력을 보여주는 데이터 마이닝 방법론과 회귀분석방법론에 적용하여 서울시 오피스텔 가격결정 요인에 대해 분석하였다. 본 논문은 오피스텔 실 거래가 자료를 데이터 마이닝 기법 Random Forest, GBM(Gradient Boosting Model), XG Boost, GAM(Generalized Additive Models)과 회귀분석(Linear Regression)모형에 적합하였다. 최상의 변수 조합을 선택하고 방법론에 따른 모형의 성능을 비교하여 최적의 예측모형을 구현, 결과를 설명하였다.