등록기반통계를 이용한 아파트 공시가격지수 개발 연구 논문보기 | 통계개발원

등록기반통계를 이용한 아파트 공시가격지수 개발 연구

1)

조무상

2) 요약 본 연구는 행정자료를 이용하여 작성되는 등록기반통계의 사례로서, 공개용 공시가격 원시자료를 이용하여 2017∼2019년에 대한 서울지역 아파트 공시가격DB를 구축하고, 이를 통해 공시가격지 수의 작성결과를 제시한다. 등록기반통계는 전통적인 통계작성방법과는 전혀 다른 접근법을 취 하고 있으므로, 본 연구의 사례를 통해 등록기반통계의 유용성에 대한 인식을 제고하고 등록 기반통계의 작성과정에 대한 이해를 도모하고자 한다. 본 연구에서 구축한 공시가격DB는 다양한 미시적 연구에 활용될 수 있으며, 작성된 공시가격지수 역시 공시가격의 수직적 및 수평적 형평성 등 다양한 정책분석에 활용될 수 있음을 보인다. 그리고 등록기반통계의 활성화를 위한 정책적 제 언으로 마무리 짓는다. 주요용어 : 등록기반통계, 공시가격DB, 공시가격지수

1. 서론

최근 들어 설문조사(survey)에 의해 작성되는 전통적 통계(이하 ‘조사통계’)는 다양한 도전에 직면하고 있다. 통계수요는 갈수록 다양하고 방대해지나 조사통계의 작성에는 많은 비용이 소요되므로, 예산의 제약으로 인하여 표본수의 부족이 발생하고 이는 통 계에 대한 다양한 사회적 요구에 부응하기 어렵게 한다. 게다가, 조사통계는 응답자의 자발적 응답에 의존하기 때문에 응답편향의 문제와 더불어 측정오류(measurement error)의 문제로부터 자유로울 수 없다는 근본적인 한계가 있다. 이러한 전통적 통계의 한계점을 극복하고자, 최근 들어 행정자료(administration data)를 이용한 통계가 대안으로 제기되고 있다. 행정자료는 각각의 행정목적을 위해 이미 존재하고 있는 ‘등록부(register)’로서, 이를 기초로 체계적인 통계자료(DB)가 적 절히 구축될 수 있다면 조사통계의 한계점을 극복하거나 완화할 수 있다. 이처럼, 등 록부를 기초로 생산되는 통계를 ‘등록기반통계(register based statistics)’라 한다.

등록기반통계가 갖는 보다 큰 장점은 다른 자료(행정자료 등)와의 결합을 통해 보다 많은 부가가치를 갖는 신규통계 작성이 가능하다는 점이다. 식별변수만 제공된다면 결합될 수 있는 자료의 수는 제한이 없으므로 자료 간 결합을 통해 새로이 창출할 수 있는 부가가치는 무궁무진하다. 1) 이 논문은 2016년 대한민국 교육부와 한국연구재단의 지원을 받아 수행된 연구입니다. (NRF-2016S1A3A2923769) 2) 서울특별시 마포구 백범로 35 GN810호, 서강대학교 혁신과경쟁연구센터, 선임연구원. E-mail: whantkd@hanmail.net

등록기반통계시스템은 전통적인 통계생산 방식과는 전혀 다른 접근법3)_{을 취하고} 있지만 이에 관한 연구가 매우 저조한 상태이다. 등록기반통계의 많은 장점에도 불구 하고 아직까지 정립된 이론이 미미할 뿐 아니라, 우리나라는 등록기반통계의 유용성에 대한 인식과 행정자료의 활용에 대한 사회적 합의가 미흡하여 관련 기준 및 제도가 정비되어 있지 않다는 한계가 있다.4) 이에 따라 본 연구에서는 등록기반통계의 유용성에 대한 인식을 제고하고자, 먼저 우리보다 앞선 경험을 가진 북유럽국가들의 등록기반통계시스템에 대한 주요 내용을 간략하게 살펴보고, 등록기반통계의 시스템접근법을 아파트 공시가격자료에 적용하여 ①서울지역의 아파트 공시가격DB를 구축한 뒤, 이를 이용하여 ②서울지역의 아파트 공시가격지수를 작성함으로써 등록기반통계의 사례를 제시한다. 이후 결론에서 등록 기반통계의 활성화를 위해 필요한 관련 기준 및 제도적 정비 사항에 대해 기술한다. 아파트를 포함한 부동산 공시가격은 약 60여 가지의 행정목적에 활용되고 있으므로, 본 연구에서 작성한 공시가격지수는 공시가격의 지역 간 형평성에 관한 연구와 관련 정책개발 뿐만 아니라 최근 논의되고 있는 공시가격의 현실화율 등 다양한 연구에 활 용될 수 있을 것이다.5) _{또한 본 연구에서 구축된 공시가격DB는 공시가격과 관련된} 다양한 미시적·거시적 연구에 활용될 수 있을 것이다. 본 연구는 다음과 같이 구성된다. 제2장에서는 등록기반통계의 필요성에 대해서 살펴보고 북유럽국가들의 등록기반통계시스템을 검토한다. 제3장에서는 2장의 결과를 토대로 공시가격자료를 이용하여 서울지역의 아파트 공시가격DB를 구축한다. 제4장 에서는 구축된 서울지역의 공시가격DB를 이용하여 서울지역의 아파트공시가격 지수를 작성한다. 제5장에서는 공시가격DB 및 공시가격지수의 활용가능성과 향후 등록기반 통계 활성화를 위한 정책적 제언으로 마무리한다.

3) 제3장에서 상술하겠지만, 등록기반통계는 시스템접근법 하에서 임시방편법(Ad hoc method)에 따라 작성되므로 전통적인 통계생산방식과는 전혀 다르며, 등록기반통계의 작성과정에 대한 설명은 마치 기술보고서(technical report)와 같은 성격을 지닌다. 조사통계에서 중요하게 다 루어지는 조사항목 설정, 모집단 정의, 표본규모 및 추출방법 등의 표본설계, 조사단위 및 조사시점 결정, 조사원 관리, 자료입력 등의 사후처리, 공표자료의 오류점검 등에 대한 절차가 없거나 전혀 다르다. 제3장에서 자료처리에 대한 기술적 절차들을 상술하는 이유는 처리과정의 적절성이 등록기반통계의 신뢰성을 좌우하기 때문이다. 4) 역설적이게도, 등록기반통계의 활성화를 위해서는 등록기반통계의 한계 또는 허용범위를 설정 하는 것이 필요하다. 예를 들어, ‘등록기반통계시스템에 결합되는 자료는 어느 범위까지 허 용할 것인가?’ 또는 ‘개인정보를 보호하면서도 연구목적 활용 등 공익증진을 위한 방안은 어 떻게 마련할 것인가’하는 것들이다. 개별 행정자료에는 일부의 개인정보가 포함될 수 있는데, 하나의 행정자료 내에서는 개인에 대한 식별화가 불가능하거나 개인정보의 노출정도가 심하지 않을 수 있다. 그러나 다수의 행정자료들이 결합되면 상당한 수준의 개인정보를 얻을 수도 있으며, 이는 필연적으로 사생활 침해 또는 개인정보보호에 대한 문제를 야기하기 때문이다. 국가 통계청에 의해 각종 행정자료를 이용하여 국가통계를 생산하는 등록기반통계시스템을 발전시킨 북유럽 국가들에서는 소위 ‘빅브라더(Big Brother)’ 출현에 대한 우려가 제기되었 으며, 이에 따라 사회적 합의를 통해 관련 기준을 마련하고 있다. 5) 공시가격은 조사·작성권자는 국토교통부장관이며, 공동주택의 경우 한국감정원에 그 업무를 위탁하여 이루어지고 있다. 개별 공시 및 검증 등의 절차에 있어서 공동주택은 단독주택과는 다른 절차를 두고 있는데, 이에 관한 보다 자세한 사항은 전동흔(2018)을 참고하기 바란다.

2. 등록기반통계의 필요성

2.1 조사통계의 한계점 최근 들어, 설문조사에 의해 작성되는 조사통계는 다양한 도전에 직면하고 있다. 통계수요는 갈수록 다양하고 방대해지나 조사통계의 작성에는 많은 비용이 소요되므로, 예산제약으로 인해 표본수 부족이 발생하고 이는 다양한 사회적 요구에 부응하기 어 렵게 한다. 게다가, 조사통계는 응답자의 자발적 응답에 의존하므로 설문응답확률이 높은 집단의 성향이 더 크게 반영되는 ‘응답편향의 문제’와 더불어 응답자의 심리, 이 해관계, 오류 등이 포함되는 ‘측정오류(measurement error)의 문제’로부터 자유로울 수 없다는 한계가 있다. 조사통계는 응답자의 기억에 의존하는 회상방식(retrospective data collection)으로 자료를 수집하기 때문에 불완전할 수 있으며, 또한 무응답 및 응 답거부 등으로 인해 모분포(population distribution)가 알려지지 않은 경우(예를 들어 가구소득), 조사통계에 의해 수집된 추정치의 신뢰성에 의구심이 제기될 수 있다.

아래의 <그림 1.1>은 국가별 가구예산조사(Household Budget Survey)의 응답률과 1인당 GDP간의 관계를 나타내고 있다. 가구예산조사(Household Budget Survey)는 가구단위의 조사통계 중 가장 응답부담이 높은 통계로서, 우리나라의 경우 ‘가계동향 조사’에 해당한다. 1인당 GDP가 증가할수록 조사통계의 응답률은 감소하는 경향을 나 타내는데, 소득이 증가함에 따라 응답자의 기회비용이 증가하기 때문으로 해석할 수 있다. <그림 1.1>이 시사하는 바는, 현재의 통계생산수준이 변하지 않는다 하더라도 응답률이 감소하고 그에 따른 조사비용이 증가할 가능성이 있다는 것이다. (단위: Y축-응답률(%), X축-1인당 GDP(US $) 출처: 박정수·조무상(2013), 「분기통계로서 가계동향의 역할 평가」 <그림 1.1> 국가별 가구예산조사의 응답률(Y축)과 1인당 GDP

특히, 갈수록 다양해지고 방대해지는 통계수요에 부응하는 통계생산이 어려워짐에 따라 통계상 사각지대가 발생한다는 점이 기존 조사통계의 한계점으로 지적된다. 예를 들어, 소득통계의 경우, 소득계층 상 특정 하위그룹에 속하는 개인 또는 가구의 특성 이나 그 변화의 파악이 어렵다. 주택의 경우, 보유세 부담의 수평적 형평성 파악을 위해 지역·주택규모·주택유형 등 다양한 하위그룹에 관한 통계수요가 증가하고 있지만 조사 통계 방식으로는 이러한 통계수요에 모두 부응하기 어렵다. 이러한 조사통계의 한계점을 극복하고자, 최근 들어 행정자료를 이용한 통계생산이 대안으로 제기되고 있다. 행정자료는 각각의 행정목적을 위해 이미 존재하고 있는 등 록부(register)로서 이를 기초로 체계적인 통계자료(DB)가 적절히 구축될 수 있다면, 전통적 통계의 표본수 부족의 문제뿐만 아니라 응답편향 및 측정오류의 문제도 극복 하거나 최소한 완화할 수 있다. 이처럼, 등록부를 기초로 생산되는 통계를 ‘등록기반 통계(register based statistics)’라 한다. 비유하자면, 전통적 통계(조사통계)를 ‘장인 (master)에 의해 수공업 방식으로 생산되는 명품(Luxury goods)’이라 한다면, 등록기 반통계는 ‘공장에서 대량으로 생산되는 제조품(Manufactured goods)’이라 할 수 있다.6) 등록기반통계는 초기 구축비용이 많이 들지만 구축된 DB의 사용증가에 따라 한계비 용이 거의 제로(0) 가까울 만큼 매우 낮다는 특징이 있다. 그러나 등록기반통계가 갖는 보다 큰 장점은 다른 자료(타 행정자료 등)와의 결합을 통해 보다 많은 부가가치를 갖는 신규통계 작성이 가능해진다는 점이다. 예를 들어, 부동산의 경우, 주택에 대한 조세 및 부담금에 기준이 되는 ‘공시가격자료’, 시장에서 거래된 ‘실거래가자료’, 건물의 특성을 나타내는 ‘건축물대장자료’와 더불어, 토지에 대한 조세 및 부담금의 기초가 되는 ‘개별공시지가자료’, 도시계획 및 용도지역을 나타내는 ‘토지이용계획자료’와 토지특성을 나타내는 ‘토지특성정보자료’7) _{등, 식별변수(이 경우는} 주소)만 제공된다면 결합될 수 있는 자료의 수는 제한이 없으므로 자료 간 결합을 통 해 새로이 창출할 수 있는 부가가치는 무궁무진하다. 이와 같이 다양한 등록부들이 결합되어 정보를 생산하기 때문에 등록기반통계는 ‘등록기반통계시스템(register based statistics system)’이라 부르기도 한다. 또한 현대의 행정자료, 즉 등록부는 모두 ‘디지 털화(digitalized)’되어 있기 때문에, 이 시스템은 디지털이 갖는 모든 장점들을 그대로 갖는다는 점에서 더욱 유용하다.8) 그러나 등록기반통계시스템은 전통적인 통계생산 방식과는 전혀 다른 접근법을 취 하고 있지만 이에 관한 연구가 매우 저조한 상태이다. Zhang(2012)에 따르면, 역사적 관점에서 전통적 통계학과 비교할 때, 등록기반통계는 현재 네이만(Neyman, 약 1930 년대) 이전 수준에 머물고 있다고 평가한다.9) _{등록기반통계의 많은 장점에도 불구하고} 6) 재화의 생산이 가내 수공업 또는 공장 수공업에 의한 소량 생산방식에서 공장의 기계를 통한 대량 생산방식으로 전환된 것이 산업혁명이므로, 등록부(행정자료)를 이용한 통계 생산방식 으로의 전환이 이루어진다면 이를 ‘데이터혁명’이라고 평가할 수 있을 것이다. 7) GIS(지리정보시스템)에 기반한 자료를 포함한다. 8) ‘디지털의 장점으로는 정보의 손상 없이 저장, 복제, 변환이 가능한 복제성, 물리적 한계 없이 빛의 속도로 확산되는 전파성, 공간을 차지하지 않고 무한의 정보가 수집, 저장될 수 있는 축적성 등이 꼽힌다.’ 조선일보 2017.03.25. 기사 [이명호의 디지털사회] 디지털의 지식-기술 체계는 어떻게 사회를 바꾸고 있나

아직까지 정립된 이론이 미미할 뿐 아니라, 우리나라는 등록기반통계의 유용성에 대한 인식과 행정자료의 활용에 대한 사회적 합의가 미흡하여 관련 기준 및 제도가 정비되어 있지 않다는 한계가 있다. 다음 절에서는 우리보다 앞선 경험을 가진 북유럽국가들의 등록기반통계시스템에 대한 주요 내용을 살핌으로써 제3장의 우리나라 아파트 공시가격DB 구축과정에 참고토록 한다. 2.2 북유럽국가들의 등록기반통계시스템10) 행정자료를 이용한 통계작성은 북유럽 국가들에서 일찍부터 도입되어 발전된 수준의 통계작성 기법을 보유하고 있으며 거의 모든 통계생산에 행정자료를 이용하는 ‘등록 기반통계시스템(register-based statistical system)’을 구축하고 있다.

북유럽국가들은 1960년대부터 행정자료를 이용하여 통계를 생산하기 시작하였는데, 부분등록센서스와 경제총조사에서 행정자료를 활용하는 수준인 우리와는 달리, 거의 모든 통계영역에서 행정자료를 이용하고 있으며, 심지어는 소득통계까지도 등록기반 통계를 이용하여 작성하고 있다. <표 2.1> 북유럽 국가의 등록기반통계 현황 등록부 유형 덴마크 핀란드 노르웨이 스웨덴 구축시기 센서스 도입시기 구축시기 센서스 도입시기 구축시기 센서스 도입시기구축시기 센서스 도입시기 중앙 인구등록부 (central population register) 1968 1981 1969 1970 1964 1970 1967 1975 기업등록부 1975 1981 1975 1980 1965 1980 1963 1975 주택 1977 1981 1980 1985 2001 2011 2008? 2011? 주거환경 1977 1981 1980 1985 2001 2011 2008? 2011? 교육 1971 1981 1970 1975 1970 1980 1985 1990 고용 1979 1981 1987 1990 1978 2001 1985 1985 가족 1968 1981 1978 1980 1964 1980 1960 1975 가구 1968 1981 1970 1975 2001 2011 2011? 2011? 소득 1970 1981 1969 1970 1967 1980 1968 1975 완전등록센서스 1981 1990 2011 2011?

출처: Tønder(2008), The Register-based Statistical System.

주: ‘센서스 도입시기’는 각 주제별 통계등록부가 완전등록센서스에 포함된 시기.

9) 통계학사에 대한 데이비드 살스버그(David Salsburg)의 저서 「The Lady Tasting Tea(국역본 ‘천재들의 주사위, 최정규 역)’」에서는 가설검정의 수리적 기초를 제공함으로써 피어슨(E. S. Pearson)과 더불어 네이만을 수리통계학의 시작점이라 평한다. 또한 Zhang(2012)은 설계 기반 접근법에 의한 표본추출의 이론적 기초를 개발한 시작점을 네이만이라 평하고 있다. 10) 본 절의 내용은 Wallgren and Wallgren(2014)의 내용을 토대로 독자들의 이해를 돕도록 본

이러한 북유럽국가들의 등록기반통계 작성방법을 간략하게 요약하면 크게 4가지를 들 수 있다. 첫째, 시스템 지향 접근법(system-oriented approach)이다. 등록기반통계는 등록시스템(register system)에 결합되는 행정자료의 수를 늘림으로써 결측치(missing value)를 최소화하고 신뢰성을 검증하며 보다 정확한 통계를 생산하는 것이다. 예를 들어, 스웨덴의 소득등록부(income register)는 약 50여 가지의 행정자료를 결합하고 상호 교차 검증함으로써 결측을 최소화한다. 불가피하게 발생하는 결측치에 대해서는 결측유형에 따라 가중치·교정된 가중치·대체기법(imputation) 등을 통해 조정함으로써 등록기반통계의 품질을 향상시키고 있다. 결측유형은 결측원인11)_{에 따라 다양하게 나} 타난다. 따라서 시스템 접근법 하에서는 결합되는 행정자료 간 일관성 유지가 중요하게 다루어진다. 둘째, 등록기반통계의 작성에 관하여 현재 정립된 이론이 없으므로 ‘임시방편법 (Ad hoc Method)’12)_{에 따라 작성한다. 등록기반통계는 이론, 원리, 방법, 심지어는 사}

용되는 용어 등 많은 부분이 전통적인 통계 작성방법과는 다르며(<표 2> 참고), 또한 결합되는 행정자료의 특성에 따라 작성방법을 달리 해야 한다.

<표 2> 조사방법 간의 유사성과 차이점 비교 표본조사

(sample survey) (census survey)센서스 (register survey)등록조사 등록시스템 포함여부 포함되지 않음 포함됨 – 다른 등록조사에도 사용될 수 있음 등록시스템 사용여부 모집단을 정의하거나 변수의 원천으로서 등록시스템을 사용함 중요 개념 표본설계, 추정, _{불확실성 측정} 시스템-지향 사고와 다른 등록조사와의 조화가 중요 자료수집 방법 스스로 자료 수집 – 스스로 설문지 작성 다른 행정등록부 사용 편집방법 편집 – 응답자에게 연락 가능 _{제공기관에게 연락 가능}편집 – 등록부 무응답 처리방법 무응답 – 나머지로 처리, 자료수집 중단 시기는? 비일치는 결측치 또는 언더 커버리지와 관련 질적 단점 샘플링 오류, 측정 _오류 측정 오류 관련성 오류, 비교 가능성 _부족 공표방법상의 한계 소규모 표 – 소그룹에 대한 추정치 공표 불가 발표 – 많은 셀을 갖는 대규모 표, 공개 위험 출처: Wallgren and Wallgren(2014), 22p.

셋째, 임시방편법으로 작성되기 때문에 처리과정(register-statistical process)에 대한 문서화(documentation)가 매우 중요하게 강조된다. 문서화할 대상으로는 행정자료의 메타데이터(meta data)에 대한 분석결과, 불일치, 처리규칙, 처리결과 등 모든 사항을 포함한다. 이를 통해 향후 행정자료의 작성규칙이 변경되거나 산업·직업 등 분류기준의

11) 오버커버리지(over coverage), 언더커버리지(under coverage), 항목무응답(item non-response), 단위무응답(unit non-response), 다중값(multi-valued)변수, 시계열에서의 수준변동 등 발생 원인은 다양하게 나타날 수 있으며, 이는 행정자료의 작성기준에 의존한다.

변경 등이 발생할 경우, 그리고 업데이트 및 오류 점검에 이용한다. 넷째, 등록기반통계는 정기적인 업데이트와 버전(version) 표시가 필요하다. 전통적인 통계는 일회적 조사를 통해 수집된 정보로 통계를 작성하므로 한번 생산된 이후로는 변경되지 않지만, 등록기반통계는 사용되는 행정자료가 지속적으로 수정되기도 하고, 지연입수, 행정자료의 추가, 오류의 발견 등으로 인하여 한번 생산된 통계라 하더라도 정기적인 업데이트가 요구되므로 변경된 내용에 대한 문서화와 함께 변경내용 및 버 전을 공표해야 한다. 한편, 등록기반통계를 생산하기 위해서는 몇 가지 전제조건(pre-conditions)이 요구 되는데, 식별변수, 신뢰할만한 행정시스템 존재, 법적 근거, 그리고 대중의 승인 (approval)이다. 첫째, 등록기반통계시스템은 행정자료 간 결합에 의존하기 때문에 결합 (matching)을 위한 식별변수(identifying variable)가 필수적이다. 둘째, 등록기반통계 작성에 사용될 행정자료 또는 행정시스템이 존재해야 하며, 또한 기록된 정보들은 신 뢰할만 해야 한다. 셋째, 행정자료에는 개인정보가 포함될 가능성이 높으므로 자료 활 용에 대한 법적 근거가 요구되고, 넷째, 비단 법적 근거가 존재한다 하더라도 대중들의 수용성이 낮을 경우 등록기반통계는 지속되기 어렵기 때문에 이러한 행정자료의 통계 목적 활용에 대한 대중의 승인이 있어야 한다. 법적 근거는 어떠한 자료를 누가, 어느 범위까지 활용하도록 허용할 것인가가 규정되어야 하며, 개인정보보호를 위한 방안이 충분히 마련되어야 한다.

3. 공시가격DB의 구축

3.1 개요 본 절에서는 등록기반통계의 시스템접근법을 공시가격자료에 적용하여 ①서울지역의 아파트 공시가격DB를 구축하고, ②서울지역의 아파트 공시가격지수를 작성한다. 공시 가격DB란 개별 주택마다 연도별 공시가격을 시계열화하여 구축된 데이터베이스(DB) 이다. 공시가격지수는 공시가격DB를 이용하여 전체 자료 및 다양한 하위그룹별로 산 출된 가격지수이다. 공시가격DB는 마이크로데이터(micro-data)이므로 단독으로 또는 다른 행정자료와의 결합을 통해 여러 연구에 활용될 수 있다. 공시가격지수는 총계자료 (aggregated-data)이므로 시점 간 및 지역 간 공시가격 및 공시가격 상승률의 비교 등을 통해 정책평가 및 총계자료를 이용한 연구에 활용될 수 있다. 본 연구의 범위는 분석의 편의성을 위해 다음과 같이 한다. 주택유형은 아파트에 한정하고, 공간적 범위는 서울지역, 시간적 범위는 2017∼2019년 자료로 한다. 단독·다 가구주택은 주소가 제공되지 않고 있으며, 연립·다세대주택은 ‘동명’ 변수가 정제 (cleaning)되어 있지 않다. 주택유형 및 시간적 범위와 공간적 범위를 이와 같이 한정한 이유는 자료의 크기가 매우 방대하여 많은 시간이 소요되기 때문이다.13) 13) 다만, 전체 주택유형, 공시가격자료의 전체 기간(2006∼2019) 및 전체 지역으로 공시가격DB를 확장하는 것은 본 연구의 작성방법을 적용하면, 시간만 많이 소요될 뿐 그리 어렵지 않을 것으로 판단된다.

등록기반통계의 작성은 행정자료의 특성에 크게 의존하므로 가장 먼저 행정자료의 메타데이터에 대한 분석이 요구된다. 그러나 공시가격 원시자료(raw data)는 공공데이 터포털(www.data.go.kr) 홈페이지를 통해 공개되고 있지만, 메타데이터는 제공되고 있지 않다. 따라서 본 연구에서는 저자가 공시가격 원시자료의 특성에 대한 분석을 통해 다음과 같은 공시가격DB의 5가지 작성기준을 수립하였다.14) 첫째, ‘2017년 자료 기준’이다. 2018년 이전까지의 자료는 식별변수의 구성요소 중 하나인 ‘층(floor)’변수가 존재하지만 2018년도 자료부터는 제공되지 않으므로 2017년 자료를 기준으로 2018년 및 2019년 자료에서 누락된 층변수를 추정한다. 둘째, ‘일대일 (one-to-one) 매칭 기준’이다. 층변수 추정 및 공시가격의 연도별 매칭은 모두 ‘일대일’ 매칭을 적용한다. 셋째, ‘층별효용비 일정 가정’이다.15) _{확률적 식별변수가 동일한 다} 수의 개체에 대해서는 ‘층별효용비’ 일정 가정 하에 2017년 자료를 2018년 및 2019년 자료와 일대일 매칭을 실시한다. 넷째, ‘효율성 원칙’이다. 공시가격DB의 자료양이 워낙 방대하기 때문에 작성과정은 최대한 통계프로그램에 의한 자동화를 지향하되, 필요한 경우 수작업으로 수행하지만, 이를 최소화하여야 한다는 것이다. 또한 결합되는 자료의 양도 방대하기 때문에 필요최소한도의 자료만을 결합하여야 한다는 것이다.16) _다섯째, ‘재귀적(recursive) 검증원칙’이다. 검증이 가능한 주요 변수별로 재귀적으로 검증한다는 것이다. 예를 들면, ‘주소’를 기준으로 검증하고, 이후 ‘주소+동명’을 기준으로 다시 검 증하는 등 여러 변수를 이용하여 반복적으로 검증하는 것을 말한다. 이하에서는 5가지 작성기준, 2017년 자료기준, 일대일 매칭 기준, 층별효용비 일정 가정, 효율성 원칙, 재귀적 검증원칙 하에 공시가격DB 구축과정을 기술한다. 먼저 ‘층’ 변수 추정의 필요성을 기술하고, 이후 층변수 추정절차와 추정된 층 변수의 검증결과를 제시한 후 구축된 공시가격DB의 결과를 제시한다. 14) 이러한 작성기준은 일반화된 원칙이 있는 것은 아니며, 공시가격DB를 작성하기 위해 본 저 자가 공시가격 원시자료에 대한 수차례의 분석을 통해 수립한 것이다. 등록기반통계의 작 성기준은 작성하고자 하는 통계의 작성목적과 원시자료의 특성 및 메타데이터에 대한 분석결 과에 따라 달라진다. 그렇기 때문에 등록기반통계의 작성방법을 ‘임시방편법’이라 한다. 15) 층별효용비란 건물의 각 층별로 효용측면에서 얼마나 차이가 나는가를 나타내는 것으로서, 상업용 부동산의 경우 1층 임대료 대비 각층의 임대료 수준을 나타내는 지표이다. 본 연구 에서 아파트에 대해 층별효용비가 일정하다고 가정하는 것은 한 건물 내에서 층별 주택가 격의 순위(rank)가 변하지 않는다고 가정하는 것과 같다. 예를 들어, 어느 아파트 단지의 101동 건물이 10층이며, 각층의 전용면적이 모두 동일하다고 하자. t년도에 1∼3층은 공시 가격이 1억원, 4∼7층은 1억2천만원, 8∼10층은 1억1천만원이었다면, t+1년도에 각층의 공시 가격 변동분은 서로 다를 수 있지만, 여전히 ‘4∼7층>8∼10층>1∼3층’이라는 순위는 그대로 유지된다고 가정하는 것이다. 이러한 가정이 타당한 이유는 아파트의 경우, 층별효용 차이를 발생시키는 원인은 층별 주거의 쾌적성에 의존하기 때문이다. 저층부는 소음 및 방범 등의 이유로 상대적으로 가장 낮은 가격을 형성하고 고층부는 난방효율 등의 이유로 상대적으로 중층 또는 로열층에 비해 낮은 가격을 형성한다. 16) 예를 들어, 본 연구에서 사용된 ‘건축물대장 전유공용면적 2020년 5월’ 원시자료는 관측치 수가 94,684,076개로서 텍스트(txt)파일 형태의 원시자료 크기는 25.7G이며 SAS 프로그 램으로 읽으면 46.2G가 된다. 이렇게 방대한 크기의 자료는 컴퓨터(CPU)의 처리속도 뿐 아 니라 RAM의 용량제한으로 인하여 전체 자료를 이용한 분석에는 매우 많은 시간이 소요되어 필요최소한도의 자료만을 결합하는 ‘효율성 원칙’을 수립하게 되었다.

3.2 ‘층’ 변수 추정의 필요성

데이터 매칭(data matching) 또는 자료 간 결합을 위해서는 서로 다른 데이터 파 일을 결합시킬 수 있는 식별변수(identification variable)가 요구되며, 이러한 식별변수는 2개의 파일 모두에 존재하는 공통변수(common variable)이어야 한다. 영국 통계청의 National Statistics(2003)에서는 자료 간 결합방법을 공통변수에 따라 크게 5가지로 분류한다.17) _{첫째, 정확매칭(exact matching) 또는 결정적 매칭(deterministic matching)은}

주민등록번호와 같은 고유번호를 갖는 식별변수(ID)를 이용한 결합방법으로서, 가장 이상적인 형태의 결합방법이다. 둘째, 판단매칭(judge matching)은 고유한 식별변수는 존재하지 않으나 데이터에 대해 잘 알고 있는 경우, 적절한 판단을 통해 결합하는 방 법이다. 셋째, 확률적 매칭(probability matching 또는 stochastic matching)은 정확매 칭의 식별변수에 오류가 있는 경우 정확한 정도에 따라 가중치를 두어 확률적으로 결 합하는 방법이다. 독자의 이해를 돕기 위해 부연설명을 하자면, 가장 이상적인 형태의 식별변수는 주민등록번호와 같이 하나의 변수로 구성되고 오직 하나의 개체(object)에 하나의 식별변수(ID)가 부여되는 것이다. 그런데 우리나라의 주민등록번호도 사실은 출생년월일(6자리), 성별(1자리), 출생지역(4자리), 랜덤번호(1자리), 출생신고순서(1자 리)로 구성된 13자리의 숫자이다. 만일 결합하고자 하는 2개의 자료에 주민등록번호는 없으나 출생년월일, 성별, 출생지역에 대한 정보가 공통적으로 존재한다면 11자리로 구성된 불완전한 형태의 식별변수를 생성할 수 있으며, 이 경우 다수의 개체(사람)에게 하나의 식별변수를 부여하게 된다. 이러한 불완전한 식별변수를 이용하여 매칭하는 방법이 확률적 매칭이다. 넷째, 통계적 매칭(statistical matching)은 공통으로 가지는 변수에 개체를 식별할 수 있는 변수가 없을 때 수행하는 결합방법이다.18) _{다섯째, 데} 이터 연결(data link)은 둘 이상의 파일에서 변수들 간의 연관성을 만들어 내어 데이터 갱신이 가능하도록 하는 결합방법이다. 아파트의 개별 주택을 완전식별하기 위해서는 ‘주소, 단지명, 동명, 층, 호수’의 정 보가 모두 필요하다. 그러나 공개용 공시가격 원시자료는 개별 주택에 대한 완전식별 변수를 제공하고 있지 않아 결정적 매칭(deterministic matching)이 불가능하므로, 확 률적 매칭법을 이용하여 매칭한다. 확률적 매칭법에서 매칭의 정확성을 높이기 위해 서는 하나의 확률적 식별변수를 최소한의 개체에 부여하는 것이 중요하기 때문에 2018년 이후 자료에 대해 층변수를 추정하는 것이 요구된다. 층변수를 추정해야 하는 또 다른 이유로는 향후 다른 행정자료와의 결합을 위해서도 필요하다. 예를 들어, 공시가격자료와 실거래가 자료를 결합하면 공시가격 현실화율에 대한 분석이 가능한데, 이를 위해서도 층변수가 요구된다. 다음의 <표 3.1>에서는 공개용 공시가격 원시자료의 변수제공항목을 나타내고 있다. 명암(high-lighted)처리된 변수들은 완전식별에 필요한 정보들을 나타낸다. 층변수에 대해서는 2017년까지만 제공되고 2018년도부터는 제공하지 않음을 알 수 있다. 17) 영국 통계청에서 제시한 5가지 자료 간 결합방법에 대한 소개는 National Statistics(2003)와 심규호·박시내(2010)에 기술된 내용을 인용하고, 본 연구에서 추가·보완하여 기술하였다. 18) 성향점수매칭법(Propensity Score Matching)이 통계적 매칭법을 이용한 사례라 할 수 있다.

<표 3.1> 공개용 공동주택 공시가격 원시자료의 변수 제공항목 한편 다음의 <표 3.2>에서는 공개용 공시가격 원시자료와 공개용 실거래가 원시 자료의 변수제공항목을 비교하고 있다. 공개용 실거래가 원시자료에서는 개인정보보호를 이유로 동(棟)명과 호(戶)명 변수가 제공되지 않음을 알 수 있다. 2018년도부터는 공 시가격 원시자료와 실거래가 원시자료 간에 개별 주택을 식별할 수 있는 공통변수가 주소밖에 없다. <표 3.2> 공동주택 공시가격 원시자료와 실거래가 원시자료의 식별변수 구성항목 변수명 2006~2017 2018~ 공시가격 실거래가 공시가격 실거래가 시군구 ○ ○ ○ ○ 본번 ○ ○ ○ ○ 부번 ○ ○ ○ ○ 동명 ○ - ○ -층 ○ ○ - ○ 호명 - - ○ -전용면적 ○ ○ ○ ○ * ‘○’는 원시자료에 있음, ‘-’는 원시자료에 없음을 의미함 다음과 같은 사례를 통해 층변수 추정의 필요성을 설명할 수 있다. 예를 들어, 각 층마다 2채의 주택(계단식아파트)이 있는 20층짜리 10개동으로 구성된 아파트 단지가 있다고 하자. 이 아파트 단지의 총 주택수는 400채이다. 실거래가 자료는 ‘동명’과 ‘호명’ 변수를 제공하지 않고 층변수만 제공하고 있으므로 전체 400채 주택에 대해 20개의 실거래가 정보만이 제공될 수 있다. 그런데 2017년 이후의 공시가격자료는 층변수가 변수 '05 '06 '07 '08 '09 '10 '11 '12 '13 '14 '15 '16 '17 '18 '19 기준연도 ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ 기준월 ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ 법정동코드 ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ 도로명주소 - - - ○ - ○ ○ ○ ○ ○ ○ ○ 시도 ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ 시군구 ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ 읍면 ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ 동리 ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ 특수지코드 ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ 본번 ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ 부번 ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ 특수지명 ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ 단지명 ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ 동명 ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ 전용면적 ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ 층 ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ - -호명 - - - ○ ○ 공시가격 ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ ○ 주: 각 연도별 원시자료에서 ‘○’는 해당변수가 제공되고 ‘-’는 제공되지 않음을 의미함.

제공되지 않으므로 공시가격자료와 실거래가자료는 층단위에서 매칭시킬 수 없다. 따 라서 두 자료 간에 공통정보가 존재하는 수준에서 매칭할 수밖에 없으며 결국 공시가 격과 실거래가의 매칭은 전체 400채의 아파트단지에 대해 하나의 가격으로만 이루어질 수밖에 없게 된다. 3.3 층변수 추정 2018년 및 2019년 자료에 대한 층변수의 추정은 임시층 변수의 추정과 이후 검증을 통한 최종 층변수의 추정을 거쳐 이루어진다. 임시층변수는 다음과 같이 3단계를 거쳐 생성한다. 먼저 ‘호명’ 변수를 이용하여 추정층1(floor1)변수를 구한다. 예를 들어, 호명 값이 ‘1201’인 경우 이를 ‘100’으로 나눈 몫(quotient)인 ‘12’가 된다. 만일 호명값이 문 자형인 경우에는 결측(missing value)이 발생한다. 이와 같은 문자형 호명변수로 인한 결측의 규모는 연도별로 대략 4% 내외 수준이다. 그러나 4% 수준의 결측은 등록기반 통계 작성에서는 무시할 수 있는 수준이 아니다. 공시가격DB 및 공시가격지수를 만 들기 위해서는 서로 다른 연도의 자료 간에 매칭이 요구되는데, 이 정도 규모의 결측 으로도 일대일 매칭이 곤란할 정도의 노이즈를 야기하기 때문이다. 추정층1 변수가 결측인 관측치를 대상으로 호명변수의 목록을 만든 후, 수작업을 통해 직접 추정층2 (floor2) 변수 목록을 만든 후 결측 관측치를 대상으로 매칭하여 추정층2 변수를 구한 다.19) _{추정층2 변수도 결측인 관측치를 대상으로 건축물대장 원시자료}20)_{와의 결합을} 통해 추정층3(floor3) 변수를 구한다. 이 때, 건축물대장과의 결합은 한 동(棟) 전체를 대상으로 한다. 예를 들어, 한 동이 40채로 구성된 아파트에서 39채의 층수는 임시층 값이 있으나 1채만이 결측인 경우라 하더라도 해당 동의 40채 전체에 대해 공시가격 자료와 건축물대장자료를 결합한다. 임시층 값이 존재하는 39채를 제외한 나머지 하 나의 주택 층수를 결측된 공시가격 자료의 임시층 값으로 할당한다. 추정층2 변수 및 추정층3 변수를 얻기 위한 작업은 일정 부분 수작업이 불가피 하다. 인간의 인지능력으로는 다음의 호명들, ‘가동101호’, ‘가-101호’, ‘가 101호’, ‘가동 101호’, ‘가동(101호)’, ‘가 (101호)’)이 모두 같은 것으로 인식할 수 있지만, 컴퓨터 프 로그래밍으로 불가능하기 때문이다. 효율성 원칙에 따라 본 연구에서는 추정층2 목록과 건축물대장과의 결합하여 추정층3 변수를 얻는 과정은 수작업 처리하였다. 추정층2 목록의 관측치는 52,230개였으며, 추정층3 변수를 통해 얻은 관측치는 20,923개였다. 추정층1, 추정층2, 추정층3 변수를 이용하여 임시층변수를 만들고 각각 추정층유형 (floortype) 변수값에 1, 2, 3을 할당함으로써 추후 어떠한 과정으로 층변수를 얻게 되 었는지 추적할 수 있도록 한다. 임시층 변수가 결측인 관측치에 대해서는 추정층유형 변수값에 ‘4’를 할당한다. 19) 추정층2(floor2) 변수는 수작업에 의해 이루어지므로, 호명변수를 토대로 층수를 추측하여 기입하게 된다. 그러나 주어진 정보만으로는 층수를 추측할 수 없는 경우는 결측으로 처리 한다. 예를 들어 호명변수값이 ‘8층801호’인 경우는 8층으로 추측할 수 있지만, ‘비1호’인 경 우는 ‘지하층’인지 ‘B동’인지 알 수 없으므로 결측처리한다. 20) 다양한 유형의 건축물대장 원시자료가 존재하는데, 이 때 사용되는 건축물대장 원시자료는 ‘건축물대장 전유공용면적’ 자료이다.

3.4 임시층 변수의 검증 및 오류 수정 추정된 층변수의 검증 및 오류수정은 ‘재귀적(recursive)’ 검증에 의한다. 검증은 주 택속성 중 불변(fixed)인 정보를 이용한다. 불변정보로는 주택수와 층수합계를 이용한다.21) 불변정보를 이용하여 다양한 오류들을 파악하고, 오류의 원인에 따라 수정한다. 1) 복수지번 및 동명오류의 수정 먼저 ‘주소’를 기준으로 2017년 자료와 2018년 자료의 주택수를 합산한 뒤 이를 비교 한다. 두 시점 간에 주택수가 불일치하는 주소들만을 기준으로 유형을 판정한다. 이를 통해, 한 해에만 존재하는 관측치(유형3 및 유형4)를 확인하고, ‘복수지번’ 및 ‘동명 오류’, ‘주택수 변화 주소’를 파악한다. <표 3.3>에서 보는 바와 같이 유형5는 ‘동명오류’이며, 유형6은 ‘복수지번’인 사례이다. ‘측량ㆍ수로조사 및 지적에 관한 법률’(舊 ‘지적법’)제 80조에 의하면 공동주택의 부지라 하더라도 일정한 경우 합병을 할 수 없으며, 따라서 하나의 아파트 단지에 복수의 지번주소가 존재하게 된다. 주소 기준 주택수가 일치하는 관측치들을 대상으로 다시 주소 및 동명(주소+동명)을 기준으로 주택수 일치여부를 다시 검토한다. <표 3.3> 주소 기준 주택수 검토 결과 ID1 주소기준 주택수 유형 2017년 2018년 서울특별시_강남구_대치동_891-6_. 372 371 2 서울특별시_강남구_역삼동_835-33_. 13 16 2 서울특별시_강남구_개포동_656_1 50 . 3 서울특별시_강남구_개포동_656_10 40 . 3 서울특별시_강남구_논현동_270-44_. . 6 4 서울특별시_강남구_논현동_276-1_101 . 120 4 서울특별시_강남구_논현동_276-1_102 . 90 4 서울특별시_강남구_청담동_122-35_청담 신원아침도시마인 . 89 6 서울특별시_강남구_청담동_122_청담 신원아침도시마인 89 . 6 서울특별시_강북구_번동_761_. . 44 5 서울특별시_강북구_번동_761_0 44 . 5 2) 전체 층수값 음수 수정 전체 임시층 변수의 값이 모두 음수(negative value)인 경우는 (-1)을 곱하여 수정 하고 추정층유형 변수값에 50을 더한다. 21) 엄밀하게 말하면, 주택수와 층수합계도 불변인 것은 아니다. 예를 들어, 증축이나 용도변경이 발생할 수 있기 때문이다. 본 연구에서 아파트 유형의 주택만을 연구범위로 한정한 핵심적인 이유 중 하나가 연립·다세대주택의 경우 용도변경이 잦기 때문이었다. 아파트의 경우도 용 도변경이 전혀 없는 것은 아니나 매우 제한적이며 다른 행정자료에 의해 일정부분 파악이 가능 하다.

3) 임시층 변수 결측치 수정 임시층 변수가 결측인 관측치가 하나라도 존재하는 아파트단지는 2017년 자료와 2018년 자료를 직접 매칭한다. 두 년도의 자료를 각각 주소, 동명, 전용면적, 공시가격의 순으로 정렬한 뒤, 2018년 임시층 값이 결측인 관측치에 대해 2017년도의 값으로 임 시층 값을 할당하고 추정층유형 변수값에 6을 할당한다. 여기까지 절차를 거치면 임 시층2 변수가 생성되며, 임시층2 변수가 결측인 경우는 존재하지 않는다. 4) 불변정보 기준 유형 분류(재귀적 검증 과정)22) 불변정보를 이용하여 2017년 자료와 2018년 자료의 전체 관측치의 유형을 분류한다. 불변정보는 주택수와 층수합계를 이용한다. 유형의 분류는 2017년과 2018년 두 자료 모두 존재하며 일치하면 1, 모두 존재하나 불일치하면 2, 2017년에만 존재하면 3, 2018년에만 존재하면 4를 부여한다. 먼저 주소 기준 주택수를 기준으로 유형을 분류 한다. 그러면 2017년 자료에 대해 B2017_1, B2017_2, B2017_3파일과 2018년 자료에 대해 B2018_1, B2018_2, B2018_4 파일이 생성된다. 생성된 각각의 파일들을 대상으로 주소+동명 기준 주택수를 기준으로 다시 유형을 분류한다. B2017_1과 B2018_1 파일을 대상으로 주소+동명 기준 주택수에 따라 다시 유형을 분류하면 각각 B2017_1_1, B2017_1_2, B2017_1_3파일과 B2018_1_1, B2018_1_2, B2018_1_4파일이 생성된다. 이제 층수합계를 이용하여 다시 분류한다. B2017_1_1과 B2018_1_1 파일을 대상으로 주소 기준 층수합계를 이용하여 다시 분류하면 각각 B2017_1_1_1, B2017_1_1_2, B2017_1_1_3파일과 B2018_1_1_1, B2018_1_1_2, B2018_1_1_4파일이 생성된다. B2017_1_1_1파일과 B2018_1_1_1파일을 대상으로 주소+동명 기준 층수합계를 이용하여 다시 유형을 분류하면 B2017_1_1_1_1, B2017_1_1_1_2, B2017_1_1_1_3파일과 B2018_1_1_1_1, B2018_1_1_1_2, B2018_1_1_1_4파일이 생성된다. 이와 같이 하위그룹으로 세분하고 나면, 일치 관측치와 불일치 관측치로 나눌 수 있으며, 또한 불일치의 원인이 동일한 관측치별로 구분할 수 있게 된다. 아래의 <표 3.5>에서는 2017년과 2018년 자료를 유형별로 구분한 전체 현황(상세)을, <표 3.4>에 서는 요약 현황을 나타낸다. 원자료의 수는 각각 1,590,976개와 1,604,408개이다. <표 3.4> 공시가격자료의 유형별 매칭 현황표(요약) 22) 아래의 <표 7>을 먼저 살펴본 뒤, 이 부분의 설명을 읽기를 독자들에게 권한다. 주택수 층수합계 파일명 관측치 수 주소 주소+동명 주소 주소+동명 2017년 2018년 2017년 2018년 ○ ○ ○ ○ B2017_1_1_1_1 B2018_1_1_1_1 1,536,523 1,536,523 ○ ○ × ○ B2017_1_1_2_1 B2018_1_1_2_1 3,907 3,907 ○ ○ × × B2017_1_1_2_2 B2018_1_1_2_2 14,635 14,635 ○ ○ × × B2017_1_1_no1 B2018_1_1_no1 1,521 1,521 ○ - B2017_1_3 B2018_1_4 161 161 × ○ B2017_2_1 B2018_2_1 15,152 15,152 × × ○ B2017_2_2_1 B2018_2_2_1 898 898 × × × ○ B2017_2_2_2_1 B2018_2_2_2_1 239 239 × × × × B2017_2_2_2_2 B2018_2_2_2_2 43 41

5) 기타 오류의 수정 <표 3.5>과 같이 전체 자료를 유형별로 세분하면, 하위그룹들은 2018년의 임시층 변수에 동일한 오류원인을 갖는 관측치들끼리 분류된다. 2018년 자료의 임시층 변수에 오류가 발생하는 원인으로는 호명변수의 자리수 문제, 지상층의 기준, ‘4자 금기 (Tetraphobia)’가 있다. 예를 들어, 호명값이 ‘1201’인 경우 임시층2의 값은 12이나, 실제 호명의 의미가 1동 2층 1호인 경우 불일치가 발생한다. 즉 호명변수의 2째 자리가 층변수인 것이다. 우리나라의 건축법에서는 지하층에 대해서만 정의함으로써 지상층에 대해서는 간 접적으로 정의한다. 건축법 제2조1항5호에서 “‘지하층’이란 건축물의 바닥이 지표면 아 래에 있는 층으로서 바닥에서 지표면까지 평균높이가 해당 층 높이의 2분의 1 이상인 것”으로 정의하고 있다. 그러나 지하층의 호명이 101인 경우도 존재하기 때문에 오류의 발생 원인이 된다. 공시가격 자료에서 지하1층은 ‘–1’로 기록하기 때문이다. 한편 우리나라는 호명에는 ‘4(四)’를 기피하는 문화가 있는데 이를 ‘4자 금기’23)_라 한다. 호명에 4자를 기피하는 유형은 다양하다. 4층만 기피하는 경우, 4층과 14층을 기피하는 경우, 모든 4층을 기피하는 경우 등 다양하다. 이러한 오류들은 건축물대장 전유공용면적 자료와 매칭한 뒤 직접 수정하였다. 왜냐하면 오류를 야기한 변수는 호명인데, 이러한 호명변수도 불변정보이기 때문에 2018년 자료를 한번만 수정하면 이후 수정된 2018년 자료를 이용하여 2019년 자료도 수정이 가능하기 때문이다. 이상의 절차를 거쳐서 최종적으로 공시가격DB를 완성 한다. 다음의 <그림 3.1>은 전체 절차를 나타내고 있다. 23) 본 연구에서는 이를 ‘피층’이라 약칭하였다. 외국에서도 이러한 현상이 관찰되는데, 이는 문화적 현상이라 할 수 있다. 예를 들어, 한자문화권에서 4(四)자는 ‘죽을 사(死)’와 발음이 같아 중 국과 일본에서도 4자 금기 현상이 관찰되며, 서구 문화에서는 13을 기피하는 현상(이는 ‘triskaidekaphobia’라 한다)이 관찰된다. 주택수 층수합계 파일명 관측치 수 주소 주소+동명 주소 주소+동명 2017년 2018년 2017년 2018년 × × × - B2017_2_2_2_3 　 9 　 × × × - 　 B2018_2_2_2_4 　 0 × × - B2017_2_2_3 　 52 　 × × - 　 B2018_2_2_4 　 7 × - B2017_2_3 　 2,644 　 × - 　 B2018_2_4 　 281 - B2017_3 　 15,192 　 - 　 B2018_4 　 31,043 계(일치하는 경우만) (매칭률) 1,573,036(98.87%) 1,573,036(98.04%) 계(전체) 1,590,976 1,604,408 주: ○는 ‘일치’, ×는 ‘불일치’, -는 ‘해당 없음’을 의미함. 명암처리된 그룹은 매칭되는 유형을 말함

< 표 3 .5 > 공 시 가 격 자 료 의 유 형 별 매 칭 현 황 표 (상 세 ) 원자료 주소 주택수 주소+ 동명 주택수 주소 층수합계 주소+동명 층수합계 A20 17 A 201 8 B20 17_ 1 B201 8_1 B201 7_1 _1 B20 18_ 1_1 B201 7_1 _1_ 1 B201 8_1 _1_ 1 B2 017 _1_ 1_1 _1 B20 18_ 1_1 _1_ 1 B2 017 _1_ 1_1 _2 B20 18_ 1_1 _1_ 2 B2 017 _1_ 1_1 _3 B20 18_ 1_1 _1_ 4 B201 7_1 _1_ 2 B201 8_1 _1_ 2 B2 017 _1_ 1_2 _1 B20 18_ 1_1 _2_ 1 B2 017 _1_ 1_2 _2 B20 18_ 1_1 _2_ 2 B2 017 _1_ 1_2 _3 B20 18_ 1_1 _2_ 4 B201 7_1 _1_ no1 B201 8_1 _1_ no1 B201 7_1 _2 B20 18_ 1_2 B201 7_1 _3 B20 18_ 1_4 B20 17_ 2 B201 8_2 B201 7_2 _1 B20 18_ 2_1 B201 7_2 _2 B20 18_ 2_2 B201 7_2 _2_ 1 B201 8_2 _2_ 1 B201 7_2 _2_ 2 B201 8_2 _2_ 2 B2 017 _2_ 2_2 _1 B20 18_ 2_2 _2_ 1 B2 017 _2_ 2_2 _2 B20 18_ 2_2 _2_ 2 B2 017 _2_ 2_2 _3 B20 18_ 2_2 _2_ 4 B201 7_2 _2_ 3 B201 8_2 _2_ 4 B201 7_2 _3 B20 18_ 2_4 B20 17_ 3 B201 8_4

원자료 주소 주택수 주소+ 동명 주택수 주소 층수합계 주소+동명 층수합계 1590 976 16 044 08 155 674 7 1556 747 155 658 6 15 565 86 15 550 65 15 550 65 15 365 23 153 652 3 00 0 0 39 07 390 7 1463 5 14 635 0 0 15 21 15 21 0 0 16 1 161 19 037 166 18 15 152 1515 2 124 1 11 85 898 898 291 280 239 239 43 41 9 0 52 7 264 4 281 15 192 　 　 　 310 43 　 　 　 　 　 　

<그림 3.1> 공시가격DB 작성 절차 위와 같은 절차를 통해 2018년 공시가격 자료의 층수를 추정하며, 다시 2018년 자 료와 2019년 자료를 매칭하여 동일한 방법으로 2019년의 층수를 추정한다. 2018년 자료 및 2019년 자료의 추정층유형은 <표 3.6>과 같다. 2019년 자료는 이미 2018년 자료에서 매칭했기 때문에 2018년 자료에 비해 건축물대장과 직접 매칭한 경우가 적다. <표 3.6> 층변수의 추정유형별 현황 유형 추정방법 2018년 2019년 유형 추정방법 2018년 2019년 1 추정층1 1525276 1509950 1001 호명/1000 121 　 　 　 　 　 9001 건축물대장 직접 매칭 1952 　 2 추정층2 37344 38265 9002 건축물대장 직접 매칭 309 　 3 추정층3 175 176 9003 건축물대장 직접 매칭 1 　 6 단 1채만 결측 1741 1711 　 　 　 　 51 층수 전체가 음수 128 77 9051 건축물대장 직접 매칭 32 　 201 호명 2자리 286 　 9201 건축물대장 직접 매칭 252 　 221 호명 뒤에서 2번째 　 　 9221 건축물대장 직접 매칭 850 　 241 호명 2자리, 피층 138 　 　 　 341 호명 3~4자리, 피층 540 　 9341 건축물대장 직접 매칭 326 　 901 호명-1 1244 12 9901 건축물대장 직접 매칭 38 　 902 호명+1 554 36 9902 건축물대장 직접 매칭 100 　 903 호명+2 84 　 9900 건축물대장 직접 매칭 1521 798 904 호명+4 24 　 계 1,573,036 1,551,025

3.5 연도별 자료의 매칭을 통한 공시가격DB의 구축 2017년 자료와 2018년 자료의 매칭, 그리고 2018년 자료와 2019년 자료 간의 매칭은 각 유형그룹별로 실시한다. 이 때, 전용면적 변수도 함께 이용하여, 주소, 동명, 층, 전 용면적, 공시가격순서를 기준으로 정렬한 뒤, 일대일 매칭을 통해 연도별 자료를 연결 한다.24) _{일대일 매칭이 가능한 이유는 공시가격 자료의 특성에 기인한다. 공시가격자} 료는 주택에 관한 자료이며, 주택은 내용연수가 매우 길기 때문에 매년 신규로 건설 되는 주택이나 멸실되는 주택의 수는 전체 주택재고에 비해 매우 적은 비중을 차지한다. 매년의 신규주택 및 멸실주택을 제외하고 나면, t년도에 존재하는 주택은 t+1년도에도 정확하게 동일한 수로 존재한다. 아파트는 다른 주택유형과는 달리 증축 또는 일부 멸실이 되는 경우가 거의 없으므로 따라서 개별 아파트가 호수까지 완전식별되지 않 는다 하더라도 주소 또는 단지명이나 동명까지만 식별된다면, 다시 말해서, 결정적 식별 변수가 제공되지 않고 확률적 식별변수만 제공된다 하더라도 각각의 확률적 식별변수 수준에서 2개년도의 자료 간에 존재해야 하는 ‘관측치’의 수는 정확히 같다. 2017년과 2018년에 모두 존재하는 관측치 수는 (즉, 신규건설과 멸실을 제외한 주 택수는) 1,573,036개이며, 이는 2017년과 2018년 전체 아파트의 각각 98.87%, 98.04%에 달한다. 동일한 방식으로 파악한 2018년과 2019년에 모두 존재하는 관측치 수는 1,551,025개이며, 이는 2018년과 2019년 전체 아파트의 각각 96.67%, 98.22%를 차지한다. 그러나 한 년도의 자료에만 존재하는 주택들은 멸실되었거나 신규로 건설된 것이므로, 어차피 매칭이 불가한 관측치들이다. 따라서 이를 제외하고 매칭률을 다시 계산하면, 2017년과 2018년 자료 간에는 각각 99.9967%와 99.9974%이며, 2018년과 2019년 자료 간에는 각각 99.9774%와 99.9874%이다. <표 3.7> 2017년과 2018년 자료 간의 매칭 관측치 수 구분 2017년 2018년 주택수 구성비 주택수 구성비 공통 1,573,036 _(99.9967%)98.87% 1,573,036 _(99.9974%)98.04% 불일치 52 0.00% 41 0.00% ONLY 17,888 1.12% 31,331 1.95% 계　 1,590,976 　 1,604,408 　 <표 3.8> 2018년과 2019년 자료 간의 매칭 관측치 수 구분 2018년 2019년 주택수 구성비 주택수 구성비 공통 1,551,025 _(99.9774%)96.67% 1,551,025 _(99.9874%)98.22% 불일치 351 0.02% 196 0.01% ONLY 53,032 3.31% 27,890 1.77% 계　 1,604,408 　 1,579,111 　 24) 연도별로 전용면적 변수의 값이 변경된 경우가 일부 존재하나 모두 수작업으로 검토되는 유형 (B2018_1_1_2_2, B2018_1_1_no1)에서만 100개 미만으로 존재하며, 오기에 의한 것으로 판단된다.

연도별 자료의 매칭을 통해 개별 주택수준에서 전년대비 공시가격 증가율을 계산한 뒤 2%p 단위로 도수분포표(histogram)를 그려보면 다음과 같다. 2017년 대비 2018년의 공시가격 증가율은 6∼8%가 최빈 구간으로 나타나며, 2018년 대비 2019년의 증가율은 14∼16%가 최빈 구간으로 나타났다. 주: 1,573,036개 관측치 <그림 3.1> 2017∼2018년 증가율 주: 1,551,025개 관측치 <그림 3.2> 2018∼2019년 증가율

4. 공시가격DB를 이용한 공시가격지수의 작성

4.1 공시가격지수 작성방법론 지수란 많은 숫자들을 하나 또는 소수의 숫자로 축소시켜서 일목요연하게 나타내는 도구로서, 주로 지역간 또는 시점간 비교에 사용된다. 좋은 지수인지 여부는 그 지수를 어떤 목적에 활용할 것인가에 의존한다. 즉 최적가격지수란 존재하지 않으며, 각각의 지수의 사용목적에 따른 수요를 잘 충족하면 충분하다(김경환·손재영, 2015). 주택가격지수는 주택시장의 동향을 일목요연하게 파악하기 위해 활용되는 지수로서, 일반적으로 주택가격지수 작성에는 구성변화의 문제와 질적 변화의 문제를 고려해야 한다. 구성변화의 문제는 동일 지역의 서로 다른 시점 간에 지수작성에 포함된 주택 구성이 서로 다를 경우에 발생한다. 질적변화의 문제는 설령 동일한 주택이 서로 다른 시점의 지수산정에 포함되었다 하더라도 리모델링 등 질적변화가 있었을 경우 발생한다. 한편 지수산정방식에 따라 동일표본방식과 혼합표본방식으로 구분할 수 있는데, 동일표본방식에서는 구성변화의 문제는 발생하지 않지만 질적변화의 문제는 발생할 수 있다. 이러한 방식의 지수작성법으로는 Carli지수법, Dutot지수법, Jevons지수법 등이 있는데, Carli지수는 두 시점의 가격비율을 산술평균한 것이며, Dutot지수는 두 시점별 산술평균가격의 비율이고, Jevons지수는 두 시점의 가격비율을 기하평균한 지수이다 (이상한외, 2012). 반면, 혼합표본방식(반복매매모형, SPAR모형, 헤도닉가격지수모형)은

구성변화의 문제를 통제할 수 있을 뿐만 아니라 질적변화도 통제할 수 있다. 이러한 작성방식은 대표적으로 실거래가격에 기초한 지수산정방식이 있는데, 이러한 방식은 상대적으로 거래빈도가 높은 주택에 의해 편향된다는 단점이 있다. 특히, 시장상황 급 반전시 시장상황을 그대로 반영하므로 상대적으로 변동성이 큰 편이다. 본 연구의 공시가격지수는 주택시장의 동향을 반영하는 일반적인 주택가격지수와는 달리 세부담 수준을 반영하는 것이 목적이라 할 수 있다. 또한 <표 3.7> 및 <표 3.8>에서 제시한 바와 같이, 2017년과 2018년을 비교하였을 때, 두 년도에 공통으로 존재하는 표본의 비중은 각각 98%이상이므로(2018년과 2019년을 비교하면 96%이상), 구성변화의 문제는 그리 크지 않다고 할 수 있다. 그리고 라스파이레스지수법에서는 두 시점의 가격비율을 가중평균한 것으로서 기준시점의 총가치를 가중치로 한다. 공시가격지수의 작성목적이 서로 다른 기간 및 지역 간의 세부담의 크기를 비교하고자 함이므로 공시 가격지수의 작성목적에 적합하다 할 수 있다.25) 출처: 방송희(2015), HF주택가격지수 개발 및 활용방안 연구, 13p. <그림 4.1> 한국 주택가격지수 공표 현황 따라서 본 연구에서 공시가격지수는 제곱미터당 공시가격을 기준으로 라스파이레스 (Laspayres) 산식을 이용하여 연쇄식(chain) 가격지수로 작성한다. 소비자물가지수의 경우 5년 단위로 기준년을 개편하며, 5년 내에는 바스킷(basket)의 변동이 없으므로 5 년간 가중치가 변하지 않는 고정식 가중치로 가격지수가 산정된다. 그러나 아파트 공시 가격 자료의 경우, 매년마다 신규 산입(신축)과 퇴출(멸실)이 발생하므로 연쇄지수에 의한 변동가중치로 작성할 필요가 있다. 연쇄지수는 연환지수(link factor)를 구하고 산출된 연환지수를 곱하여 산출한다. 25) 다만, 대단지 아파트의 재건축과 같이 대량의 아파트가 일시에 멸실 및 신축되는 경우에는 구성변화의 문제가 제기될 수 있으며, 따라서 지나치세 세분된 지역(예: 읍면동) 단위의 지수를 작성하는 것은 경계할 필요가 있다.



_{    }









  

_

  

_







_

  

_

× 



  









  



×   _{ }







  

_

  

_



  



  



_ 



_×



_× ⋯



_{     }×



_{   }



_{   }는 연환지수,



_는 연쇄지수,



_는 제곱미터당 공시가격,



_는 전용면적 4.2 작성결과 본 연구에서 구축한 공시가격DB를 이용하여 연쇄식 라스파이레스 산식을 통해 산 정된 공시가격지수는 2017∼2019년 기간에 대해 각각 100, 110.7, 127.1로 나타났으며, 공시가격증가율은 2018년 10.7%, 2019년 14.8% 증가한 것으로 나타났다. 국토교통부의 보도자료에 따르면, 서울지역 공동주택 공시가격 증가율은 2018년 10.19%, 2019년 14.02%로서, 본 연구의 결과와 유사한 수준이다. 본 연구는 아파트만을 대상으로 하였 으므로, 연립·다세대주택을 포함하는 국토교통부의 서울지역 공동주택공시가격 증가율 과는 정확히 일치하지는 않는다. <표 4.1> 공시가격지수 작성결과 연도 본 연구 국토교통부 보도자료 공시가격증가율 공동 주택수 평균가격 (천원)주2) 연환 지수 연쇄 지수 증가율 평균가격(원/㎡) 주1) _{주택수(채) 전국 서울 서울 서울} 2017 100.0 100.0 - 4,800,275 1,573,036 - - -2018 110.7 110.7 10.7% 5,319,782 1,573,036 5.02% 10.19% 2,446,457 337,141 5,287,358 1,551,025 2019 114.8 127.1 14.8% 6,082,116 1,551,025 5.24% 14.02% 2,478,646 -출처: 본 연구 및 국토교통부의 각 년도 보도자료 주1) 전용면적(㎡) 당 공시가격의 평균임. 주2) 국토교통부 보도자료의 평균가격은 호당 평균가격임. 구축된 공시가격DB를 이용하여 서울의 25개 자치구별로 공시가격지수를 작성하면 다음의 <표 4.1>와 같다. 전년대비 아파트 공시가격이 가장 낮게 증가한 지역은 2018년 성북구(3.32%), 2019년 종로구(7.26%)이며, 가장 높게 증가한 지역은 2018년 송파구 (17.83%), 2019년 동작구(19.94%)로 나타났다.

<표 4.2> 서울의 자치구별 공시가격지수 및 공시가격 증가율 자치구 연환지수 연쇄지수 증가율 자치구 2018 2019 2017 2018 2019 2018 2019 강남구 114.23 115.36 100.00 114.23 131.77 14.23% 15.36% 강남구 강동구 112.12 116.90 100.00 112.12 131.07 12.12% 16.90% 강동구 강북구 103.58 114.61 100.00 103.58 118.71 3.58% 14.61% 강북구 강서구 109.02 116.35 100.00 109.02 126.84 9.02% 16.35% 강서구 관악구 104.51 111.40 100.00 104.51 116.43 4.51% 11.40% 관악구 광진구 108.57 115.33 100.00 108.57 125.22 8.57% 15.33% 광진구 구로구 106.36 112.75 100.00 106.36 119.92 6.36% 12.75% 구로구 금천구 106.47 109.11 100.00 106.47 116.17 6.47% 9.11% 금천구 노원구 107.34 111.58 100.00 107.34 119.77 7.34% 11.58% 노원구 도봉구 105.91 109.33 100.00 105.91 115.79 5.91% 9.33% 도봉구 동대문구 107.37 116.91 100.00 107.37 125.53 7.37% 16.91% 동대문구 동작구 109.40 119.94 100.00 109.40 131.21 9.40% 19.94% 동작구 마포구 108.35 119.05 100.00 108.35 128.99 8.35% 19.05% 마포구 서대문구 108.25 117.31 100.00 108.25 126.98 8.25% 17.31% 서대문구 서초구 113.11 116.04 100.00 113.11 131.25 13.11% 16.04% 서초구 성동구 112.54 116.14 100.00 112.54 130.71 12.54% 16.14% 성동구 성북구 103.32 112.95 100.00 103.32 116.70 3.32% 12.95% 성북구 송파구 117.83 114.46 100.00 117.83 134.87 17.83% 14.46% 송파구 양천구 111.05 113.46 100.00 111.05 126.00 11.05% 13.46% 양천구 영등포구 110.58 114.99 100.00 110.58 127.15 10.58% 14.99% 영등포구 용산구 109.05 117.76 100.00 109.05 128.41 9.05% 17.76% 용산구 은평구 106.46 110.29 100.00 106.46 117.41 6.46% 10.29% 은평구 종로구 107.83 107.26 100.00 107.83 115.65 7.83% 7.26% 종로구 중구 108.77 112.43 100.00 108.77 122.29 8.77% 12.43% 중구 중랑구 104.30 111.64 100.00 104.30 116.44 4.30% 11.64% 중랑구

5. 결론

본 연구에서는 다양한 도전에 직면하고 있는 전통적 조사통계의 한계점을 극복할 수 있는 등록기반통계에 대해 살피고, 등록기반통계에 대한 선진적 경험을 가진 북유 럽국가들의 등록기반통계시스템을 검토하였다. 이후 등록기반통계의 시스템접근법을 이용하여 서울지역 아파트의 공시가격DB를 구축한 뒤, 이를 토대로 서울지역 아파트 공시가격지수를 산정하였다. 등록기반통계는 전통적 통계와는 달리 시스템지향 접근법(system-oriented approach)이 매우 중요하며, 다양한 행정자료를 이용하므로 일률적 기준을 마련하기 어려우므로 ‘임시방편법(Ad hoc Method)’에 따라 작성될 수밖에 없다. 따라서 처리과정 (register-statistical process)에 대한 문서화(documentation)가 매우 중요하며, 정기적인 업데이트와 버전(version) 표시가 요구된다.

본 연구에서는 ‘2017년 자료 기준’, ‘일대일 매칭 기준’, ‘층별효용비 일정 가정’, ‘효 율성 원칙’, ‘재귀적(recursive) 검증원칙’의 5가지 작성기준 하에 공시가격DB를 구축 하였는데, 이러한 기준을 수립하게 된 이유는 공시가격자료 및 아파트라는 부동산의

특성에 기인한다. 등록기반통계는 그 원재료가 되는 행정자료의 특성에 크게 의존하므로 행정자료, 특히 행정자료의 메타데이터에 대한 분석이 매우 중요한 선결과제이다. 그러나 정부 에서는 공공데이터 개방을 통해 많은 양의 공공데이터를 공개하고는 있지만 메타데이 터에 대한 공개는 충분하지 않다. 메타데이터에 포함되어야 할 정보는 행정자료의 ‘레 코드 설명서(record description)’와 더불어 각 변수에 대한 설명이 포함되어야 한다. 레코드 설명서란 행정자료에서 하나의 관측치가 기록되는 원리를 설명한 문서를 말한다. 공시가격 자료의 경우, 과세대상인 공동주택만이 포함되므로 비과세대상인 경우에는 포함되지 않는다. 또한 멸실되지 않았음에도 불구하고 일부 아파트의 경우는 공시가 격자료에 포함되어 있지 않음이 확인되었다. 레코드 설명서가 중요한 이유는 행정자 료의 포괄범위(coverage)를 파악하기 위함이다. 이를 통해 통계모집단과 조사모집단 사이의 오차인 포괄범위의 오류(coverage error)를 파악할 수 있기 때문이다.26) _레코드 설명서가 중요한 이유는 전통적 통계의 생산과정에서 다양한 오류들이 발생하는 것처럼, 등록기반통계의 생산과정에서도 다양한 오류들이 발생할 수 있는데, 등록기반통계에서 대부분의 오류는 행정자료의 작성과정에서부터 내포된 오류들에 기인하기 때문이다. 그리고 오류의 유형은 크게 ‘측정단위(unit) 또는 관측치 측면에서 발생하는 오류’와 ‘측정대상 또는 측정변수 측면에서 발생하는 오류’로 구분된다. 전자에 관한 것은 레 코드 설명서에, 후자에 관한 것은 각 변수에 대한 설명에 상세히 기술되어야 하며, 이는 등록기반통계 활성화를 위한 기본적인 제도적 정비사항이라 할 수 있다. 본 연구의 제3장에서는 등록기반통계의 작성과정을 매우 구체적으로 기술하였는데, 독자의 입장에서는 마치 자료처리에 대한 기술보고서(technical report)와 같이 느껴질 수 있을 것이다. 이처럼 구체적으로 상술한 이유는 자료처리과정의 적절성이 등록기 반통계의 신뢰성을 좌우하기 때문이다. 등록기반통계는 임시방편법에 따라 작성될 뿐, 이에 관해 잘 정립된 이론(well-established theory)은 존재하지 않는다. Wallgren and Wallgren(2014)은 그 이유 중 하나로, 통계학의 이론은 확률론과 통계적 추론으로 구 성될 뿐, 이 분야가 학술적인 통계학(academic statistics)의 범주에 포함되지 않기 때

26) 독자의 이해를 돕기 위해, 전통적 통계이론에 따라 통계모집단(또는 목표모집단)과 조사모 집단의 차이라고 기술하였지만, 엄밀히 말하면 이와는 다르다. 왜냐하면 통계생산과정에서 발생하는 오류가 아니라 행정자료 작성과정에서 발생하는 오류이기 때문이다. Bakker(2010)의 모형에서는 구분없이 ‘포괄범위의 오류(coverage error)’라고 하는 반면, Zhang(2012)의 모형에서는 행정자료 작성과정과 이를 이용한 통계작성과정을 구분하며, 이를 ‘프레임 오류(Frame error)’라 한다. 이에 관하여 보다 자세한 내용은 Groves et al.(2004), Bakker(2010) 및 Zhang(2012)를 참고하기 바란다. Groves et al.(2004)는 전통적인 조사통계의 생산과정에서 발생할 수 있는 오류(errors)들을 통계의 생애주기(life-cycle)에 따라 분류한 통계 생애주기모형을 제시하였고, Bakker(2010)는 Groves et al.(2004)의 모형을 등록기반통 계의 적용하여 등록기반통계의 생애주기모형을 제시하였다. Zhang(2012)는 등록기반통계의 생애주기모형은 조사통계와는 달리 2단계로 수립할 것을 제안하였는데, 첫 번째 단계는 행 정자료의 작성과정에 관한 것이고, 두 번째 단계가 행정자료를 이용한 통계생산과정에 관한 것이다. Bakker(2010) 및 Zhang(2012)의 모형은 등록기반통계의 생애주기를 최대한 일반화 시킨 것이므로, 일부의 내용은 우리 현실과는 맞지 않는 내용도 있어, 전체적인 흐름만을 참고할 것을 권한다.