102
때문으로 보인다.
<그림 5-1> 콜금리 2%P 인상시 부동산 시장 파급효과
금리인상의 부동산시장 파급효과는 최근 아파트가격 및 전세가격의 상승배경 에 시중금리의 급격한 하락과 저금리기조가 자리잡고 있다는 사실을 보여준다.
1997년 상반기까지 12%대의 높은 수준에 머물렀던 콜금리나 CD유통수익률은 2003년에는 3%대로 크게 하락했다. 외환위기 이전보다 아파트가격이 30%가량 상승했다는 점을 감안하면 가격상승의 상당부분이 금리하락에 직접적인 원인이 있다는 판단이 가능하다.
제5장∙결론 및 정책건의 103
에 사후적으로 대응하는 대책으로는 충분한 정책효과를 기대하기 어려우며, 사 전예측수단을 확보해 선제적으로 시장에 대응하는 것이 매우 중요하다. 이런 점 에서 이 연구는 부동산시장의 단기 및 중기 전망을 통해 시의적절한 시장안정대 책 마련을 위한 판단 근거를 제공한다는 의의를 가진다.
부동산시장 전망체계에서는 각 분기 말에 다음 분기의 시장을 전망하고 각 연 말에는 다음 해의 시장을 전망하는 한편, 중기 전망을 통해 시장의 중장기적 변 동추세를 판단할 수 있는 자료를 제공할 계획이다. 이는 시장동향의 판단 및 대 책수립에 크게 기여할 것으로 기대된다. 또한 단기 구조모형을 통해 부동산정책 및 경제, 금융정책의 장․단기 효과분석을 통해 파급효과를 사전에 검증하고 부 작용을 최소화하는 대책을 제시할 계획이며, 이는 효율적인 정책수립에 기여할 수 있을 것이다.
향후 부동산시장의 관리나 정책수립에서 이러한 결과를 적극 활용할 필요가 있으며, 이를 바탕으로 시장의 안정기반을 확보할 수 있을 것이다. 이와 함께 보 다 효과적인 시장전망체계를 구축하기 위한 모형의 개선작업이 꾸준히 추진되어 야 할 것이다.
특히 부동산시장은 시장 내적인 요인과 함께 정책 변경 같은 외부의 충격이나 기대심리에 의해 크게 영향을 받는다. 투기억제대책이나 공급규제 같은 계량적 으로 나타내기 어려운 외부충격이 발생할 경우 전망의 오류를 초래할 수밖에 없 으며, 기대심리는 가격의 변동성을 심하게 만드는 요인으로 작용한다. 이는 부동 산시장의 전망작업에서 직면하는 가장 큰 애로점이다.
부동산시장 전망체계에서는 이런 문제를 최소화하기 위한 절차를 거치고 있 지만, 예측의 오류를 충분히 해결하기는 어려운 것이 사실이다. 이는 부동산시장 전망체계가 가지는 한계라고 할 수 있을 것이다.
따라서 시장 외적인 충격을 전망체계에 반영하는 기법의 개발이나 기대심리 를 파악하기 위한 시장조사(BSI)자료를 적극 활용할 수 있는 연구가 필요하다.
또한 예측의 정확성을 제고할 수 있도록 부동산시장에 관련된 다양한 연구들의
104
수행이 요구된다. 부동산시장예고지표의 개발, 부동산시장과 금융․자본시장의 관계 분석, 비가격 시장지표의 분석 같은 연구들은 부동산정책의 효과를 제고하 고, 시장의 안정기반을 구축하는데 필수적인 과제라고 할 수 있다.
참고문헌 105
참고문헌
김갑성․서승환. 1999.「부동산시장의 구조 변화에 대한 실증분석」. 삼성경제연구소 .
김관영. 1998.4. 주택시장의 경기변동에 관한 연구”. 주택연구 .
김양우․이긍희․장동구. 2000. “단기경제예측시스템”. 「한국경제의 계량경제모형」.
한국은행.
김재영․김민철. 2002. 「경제구조 변화를 고려한 건설경기 예측모형 개발 연구」.
국토연구원.
김종욱. 2002. 자산가격 변동의 인플레이션 선행성 분석. 한국은행.
박재룡․서승환 외. 1998. 「IMF 충격에 따른 자산디플레이션 현상과 대책」.
삼성경제연구소.
박철․박성규. 2002. 「부동산가격의 변동요인 분석과 전망 연구」.
한국감정평가연수원. 연구총서 2002-02.
박헌주․정희남 외. 2000.「토지시장의 구조변화 및 전망연구」. 국토연구원.
서승환. 1994. 「한국 부동산시장의 거시계량분석」. 서울 : 홍문사.
손경환․김혜승. 1994.「주택시장모형 연구」. 국토연구원.
손경환․김혜승. 2002.「부동산시장 구조모형 연구」. 국토연구원.
손재영․김관영. “우리나라 부동산가격 추이의 특징과 전망”. 「국토계획」33. 1.
1998.1.
윤주현. 2001.「VAR모형 구축을 통한 토지․주택시장 전망연구」. 국토연구원.
윤주현․김혜승. 2000.「주택시장 경기동향 및 단기전망 연구」. 국토연구원.
106
이병연․김창수 외. 2000.「지가변동예고지표 개발을 위한 연구」. 건설교통부.
이용만. 2002. "시간변동계수모형을 이용한 주택가격의 기대상승률 추정".
「부동산학연구」. 부동산분석학회.
이용만. 2000. "부동산경기 파악의 쟁점들".「주택」. 주택공사
이용만. 1997. "토지의 용도 변경에 대한 기대와 거품 검정". 「경제학연구」45(1).
한국경제학회.
이용만. 1995. 「한국의 지가결정에 관한 연구 : 지대와 지가, 그리고 합리적 거품」.
연세대학교 대학원 박사학위논문.
한국개발연구원. 2000. 「부동산시장 전망 및 대응방안: 세제 등 정책변화의 효과분석을
중심으로」.
허세림. 1992. 「부동산시장이 존재하는 거시경제에서의 정책파급효과에 관한 연구, 통화정책을 중심으로」. 고려대학교 박사학위논문.
刹屋武昭. 1986. 「計量經濟分析の考え方法と實際」. 東洋經濟新聞社 小峰隆夫. 1989. 「株價․地價變動と日本經濟」
山本拓. 1988. 「經濟の時系列分析」. 創文社
Bernanke, B. S. 1986. Alternative Explanations of the Money-Income
Correlation . Carnegie-Rochester Conference Series on Public Policy 25.
pp. 49-99.
Blanchare, O. J. and M. W. Watson. 1986. Are All Business Cycles Alike? .
R. J. Gordon(ed.), American Business Cycle. Chicago: University of Chicago
Press.Capoza, D.R., G.M. Schwann and K.E. Case. 1989. "The Asset Approach to Pricing Urban Land: Empirical Evidence". AREUEA Journal. pp161-176.
Case, B. and Quigley, J. M. Feb. 1991. "The dynamics of real estate price".
Review of Economics and statistics No. 1.
참고문헌 107
Crone, Theodore M. and Michael P. McLaughlin. 1999. A Bayesian VAR for Forecasting Model for the Philadelphia Metropolitan Area . FRB of
Philadelphia Working Papers 99-7.
DiPasquale, D. and W. C. Wheaton. 1996. Urban Economics and Real Estate
Markets. Prentice Hall. Englewood Cliffs, NJ.
Dombush, Rudiger and Stanley Fischer. 1990. Macroeconomics Fifth edition.
Edelstein, R. H. and J. M. Paul. 1997. Are Japanese Land Price Based on
Expectation？. AREUEA-ASRES Joint Conference Maui.
Englund, P. and Y.M. Ioannides. 1997. "House Price Dynamics: An International Empirical Perspective". Journal of Housing Economics Vol 6.
Figlewski, S. and P. Wachtel. 1981. "The Formation of Inflationary Expectations"
Review of Economics and Statistics 63.
Harvey. Andrew C. 1990. The Econometric Analysis of Time Series. Second
edition. Philip Allan.
Harvey, Jack. 1996. Urban Land Economics Fourth edition. Macmillan.
Ihlanfeldt, Keith and Thomas P. Boehm. 1987. "Government Intervention in the Housing Market: An Empirical Test of the Externalities Rationale". Journal
of Urban Economics 22. pp276-290.
Litterman, Robert B. 1986. Forecasting with Bayesian Vector Autoregressions - Five Years of Experience . Journal of Business and Economic Statistics 4, pp25-38.
Malpezzi, Stephan and Duncan Maclennan. Sept. 1994. "The Long Run Price Elasticity of Supply of New Residential Construction in the United States and the United Kingdom". mimeo. The University of Wisconsin.
McDonald, John F. 1996. Fundamentals of Urban Economics. Prentice Hall.
Muth, Richard F. and Allen C. Goodman. 1989. The Economics of Housing
Markets. Harwoord Academic Publishers.
108
Pearce, D. K. 1979. "Comparing Survey and Rational Measures of Expected Inflation". Journal of Money, Credit and Banking 11. pp447-456.
Meen, G.P. 2001. Modelling Spatial Housing Markets - Theory, Analysis and
Policy. Kluwer Academic Publishers.
Sims, C. A. 1980. Macroeconomics and Reality . Econometrica 48. pp1-48.
Sims, C. A. 1986. Are forecasting models usable for policy analysis? . Federal
Reserve Bank of Minneapolis Quarterly Review Winter. pp2-16.
Todd, Richard M. 1984. Improving Economic Forecasting with Bayesian Vector Autoregression . Quarterly Review fall. FRB of Minneapolis. pp18-29.
Waggoner, Daniel and Tao A. Zha. 1998. Conditional Forecasts in Dynamic Multivariate Models . FRB of Atlanta Working Paper. pp98-22.
Zha, Tao A. 1998. A Dynamic Multivariate Models for Use in Formulating Policy . FRB of Atlanta Economic Review 83 First Quarter. pp16-29.
SUMMARY 109
SUMMARY
A Study on the Trend and Prospect in the Real estate Market
Kyoung-Hwan Sohn, Mina Kang
In this study, we built an efficient system for forecasting land and housing market. Even though the issues about the trend and forecasting of land and housing market have been focused and studied a lot, the previous studies have some limitation in the market estimate. It is because these studies were not provided with any comprehensive analysis, which includes every factor and uses various models, and because they could not reflect the fluctuation of the market. The purpose of this study improves the usefulness of forecasting the land and housing market in terms of affordability of data, timely fitness and a system that link several forecasting methods.
The system that we have set in this study has three remarkable characteristics. First, this system would reduce the forecasting errors that
110
were made only by using one or two methods or models. Second, the system improves affordability of data, by doing the forecasting of the monthly and quarterly data. Also it reduces error from using arbitrary data. Finally, it enhances estimating ability by various methods and models including structural models, ARIMA, VAR, Bayesian VAR, exogenous VAR, structural VAR and Business survey index about market trend.
We analyze the estate market of the country and Seoul in regional categories. Housing market includes apartments, and attached and detached dwellings. And the sale price and rent indices of each type of housing are considered. Land market is analyzed in terms of land value and land trades. A system is composed of a very short-term model, a short-term model, and a mid-term model. The data were collected quarterly from 1991 1/4 to 2003 3/4, along with 153 monthly data. The very short-term model purposes producing a monthly estimate and provisional quarterly data that are not reported at the estimating time.
It is built by ARIMA and VARs. The short term model has a part of seemingly unrelated system, called by structural models which include 4 definition equations and 19 state equations in 4 categories such as total demand sector, financial market sector, real estate sector, and price sector.
This model is estimated by OLS in equation by equation. The other part of the short-term model is VARs. By testing, Bayesian VAR improves the ability of forecasting of the normal VAR by using a quarterly differenced data. The variance decomposition of a structural VAR that gives information about the relative importance of the random innovations shows that the 56 percentage variance of housing sale price index is due to the income, and 17 percentage variance of that is due to the interest rate. The 41 percentage variance of housing rent price index is due to the land price index, and 24 percentage variance of that
SUMMARY 111
is due to the interest rate. In the land price index the housing sale price index bring the 38 percentage variance and interest rate causes of 19 percentages of them.
The mid-term model is a set of housing sale price, housing rent index, land price index, regional population, regional per capita income, housing supply and regional dummy. This model aims at analyzing the trend of price in estate market. Finally, we study out what the market participants expect from the market and what kind of relationship between expectation and movement of apartment price will be expected.
From a survey of housing purchase and rent market, the ratio of buying and selling has similar movement with the apartment price.
We expect that this study will be useful in making a policy decision such as financial and monetary policy, and will be improved to get more efficient forecasting system in the future.
부록 1 ∙초단기 예측모형의 예측력 검정 113
부 록
<부록 1> 초단기 예측모형의 예측력 검정
주요변수의 실제치와 예측치 검정결과<부도 1> 전국 주택매매지수 실제치와 예측치
<부도 2> 전국 아파트매매지수 실제치와 예측치
114
<부도 3> 전국 연립매매지수 실제치와 예측치
<부도 4> 전국 단독매매지수 실제치와 예측치
부록 1 ∙초단기 예측모형의 예측력 검정 115
<부도 5> 서울 주택매매지수 실제치와 예측치
<부도 6> 서울 아파트매매지수 실제치와 예측치
116
<부도 7> 서울 연립매매지수 실제치와 예측치
<부도 8> 서울 단독매매지수 실제치와 예측치
부록 1 ∙초단기 예측모형의 예측력 검정 117
<부도 9> 전국 주택전세지수 실제치와 예측치
<부도 10> 전국 아파트전세지수 실제치와 예측치
118
<부도 11> 전국 연립전세지수 실제치와 예측치
<부도 12> 전국 단독전세지수 실제치와 예측치
부록 1 ∙초단기 예측모형의 예측력 검정 119
<부도 13> 서울 주택전세지수 실제치와 예측치
<부도 14> 서울 아파트전세지수 실제치와 예측치