서울시 아파트 전월세전환율에 대한 지역변수 영향력 분석
김혜미*·박진홍**·최진무***
Analysis of Local Variables’ Influence on the Conversion Rate to the Monthly Rent of Key Money Deposit of Apartments in Seoul
Hyemi Kim* · Jinhong Park** · Jinmu Choi***
본 연구는 석사학위논문을 수정·보완하여 작성하였음.
* 경희대학교 지리학과 석사, [email protected]
** 경희대학교 소셜네트워크과학과 박사수료, [email protected]
*** 경희대학교 지리학과 교수, [email protected]
요약 :저금리 기조가 유지되고 보증부월세 비율이 증가하면서 전월세전환율 지표에 관한 연구의 중요성이 증가 하고 있다. 또한, 전월세전환율 상한선 관련 법률이 신설되면서 상한선에 대한 법적 준수도가 높아질 것으로 예 상된다. 하지만 여전히 전월세전환율 구조에 관한 선행연구에서는 전역변수에 국한하여 분석하였으며, 다수의 연구에서 지역변수를 포함한 전월세전환율 구조의 필요성을 강조하였다. 따라서 본 연구에서는 기존 전월세전 환율 구조에 대해 지역변수를 추가로 고려하고, 공간 단위에 따른 전월세전환율 결정요인을 분석하였다. 결정요 인 분석을 위하여 고정효과모형과 GWR 분석을 활용하였으며, 각 모형과 공간 단위에 따라 다르게 나타나는 전 월세전환율 지역변수의 영향력을 확인하였다. 본 연구에서 확인한 전월세전환율에 대한 지역변수를 활용하면 지역별 전월세전환율 설정이 가능할 것이다.
주요어 : 전세, 월세, 전환율, 고정효과모형, GWR, 패널 데이터, 지역변수
Abstract : As the low interest rate trend is maintained and the guaranteed rent ratio increases, the importance of research on the conversion rate of key money deposit to monthly rent is increasing. In addition, the law on the upper limit of the conversion rate is expected to increase the legal compliance with the upper limit. How- ever, previous studies on the conversion rate structure have analyzed only with the global variables and em- phasized the necessity of the conversion rate structure including local variables in many studies. Therefore, in this study, local variables are additionally considered for the conversion rate structure, and the determinants of the conversion rate by spatial unit are analyzed. The fixed effect model and the GWR analysis were used for the determinants analysis. The influence of the local variable of the conversion rate, which varies accord- ing to each model and spatial unit, was confirmed. Using the local variables for the conversion rate confirmed in this study, it will be possible to set the conversion rate of key money deposit to monthly rent at local areas.
Key Words : Conversion Rate, Key Money Deposit, Monthly Rent, Fixed Effect Model, GWR, Panel Data, Local Variable
1 서론
전월세전환율을 한국감정원에서는 “전세로 지불 하는 임대비용 대비 보증부월세로 지불하는 임대비 용의 부담비율”로 정의한다(한국감정원, 2014). 전월 세전환율이 높으면 전세로 지불하는 임대비용에 비 해 보증부월세로 지불하는 임대비용 부담 비율이 높 다는 것을 의미한다. 현재 전월세전환율은 시중의 대 출금리보다 2배 정도 높은 수준으로, 전세의 월세로 의 전환은 임차인의 주거비부담을 가중시키는 주요 요인이 되고 있다. 주택 임대차보호법 시행령 제 9조 에 따르면 전월세전환율 상한선 적용은 기존 전세 계 약이 만료된 이후 이를 월세로 전환했을 경우에만 적 용된다. 하지만 공식적으로 발표되고 활용되는 전월 세전환율 통계는 동일단지, 동일 면적의 전세 계약과 월세계약을 결합하여 산출되므로 이전 계약과는 상 관없이 해당 개념이 사용되고 있다(김지훈, 2018).
이러한 전월세전환율에 대한 추가 연구 필요성은 다음 세 가지로 설명할 수 있다. 첫 번째, 임차인과 임 대인의 균형 상태를 위한 지표로 활용됨과 동시에 부 동산 시장의 흐름을 파악하는데 중요한 역할을 한다.
전월세전환율은 지역 내 보증금대비 월세의 부담수 준과 향후 흐름을 판단하는데 활용되며, 임차 선택 시 합리적인 판단을 할 수 있는 지표로도 활용된다. 뿐 만 아니라 전월세전환율을 구성하는 전세 그리고 월 세와 상호 영향력을 행사하기 때문에 전세 가격이 폭 등했을 때 영향을 미치는 주요 요인을 전월세전환율 연구를 통해 파악하여, 정책적인 규제를 가능하게 하 는 역할도 한다. 두 번째, 전월세전환율 상한선 법규 가 신설되면서 부동산 거래에 있어 전월세전환율 상 한선 준수에 관심도가 높아졌다. 현재 주택임대차보 호법 시행령 제9조를 통하여 전월세전환율 상한선을 산정하는 등 정부 측에서도 이를 주요 정책과제로 여 기고 있으며, 2013년 8월 13일 부터는 산정률을 초 과한 경우 보증금의 상당금액의 반환을 청구할 수 있 는 법률도 신설되었다. 이러한 전월세전환율의 역할 에 따라 정부, 임대인, 임차인 각각의 관점에서 관심 이 높아지고 있는 현황이다. 세 번째, 2008년 이후 저
금리 기조가 유지되면서 전세 비율이 감소하고 보증 부월세의 비율이 증가하는 변화가 발생하면서 전세 와 보증부월세의 연결고리인 전월세전환율에 대한 해석과 결정요인에 대한 연구도 지속되고 있다(이창 무, 2009; 한석만·최민석, 2013; 김민영, 2014; 류 강민·서명교, 2016; 윤종만·정의철, 2017; 황관석, 2018). 한국은행 경제통계시스템에 따르면, 기준금 리는 2009년 2.5%에서 2011년 3.5%에 도달한 이후, 2016년 6월의 1.25%까지 지속적으로 감소하였다. 6 년간 9차례 지속적으로 감소하였다. 2년 주기로 갱신 되는 국토교통부의 주거실태현황에 따르면, 서울시 주거점유형태는 2010년부터 2016년까지 전세비율은 약 6.5%감소, 보증부 있는 월세의 비율은 약 2.8% 증 가하였고, 보증금 없는 월세의 비율 또한 약 1.7% 증 가했다. 이러한 월세전환 추세는 일시적인 현상을 넘 어 장기적인 현상으로 앞으로도 지속될 것으로 예측 하고 있다(서승환, 2015).
2002년 이전 연구들에 따르면 전세 보증금과 보증 부월세의 보증금에서 발생하는 이자를 월세를 대신 하여 지불한다고 판단하여 전월세전환율을 시장이자 율과 동조화되는 개념으로 간주했다(김경환·손재영, 2000; 이현석, 2001). 하지만 2002년 이후 연구들에 서는 향후 5년간 시장이자율과 전월세전환율 간에는 약 1∼7% 정도의 격차가 발생하면서 전월세전환율 과 시장이자율의 동조화 개념에 대하여 의문을 제기 하게 되었다(이창무, 2009). 또한 전세의 월세화 전환 과정에서 전월세전환율 결정요인을 분석하기도 하였 지만 여전히 전월세전환율을 온전히 설명하는데 한 계가 존재하였다. 이에 대해 많은 연구들에서 전역변 수 이외에도 지역적인 요인을 고려하여 연구해야 전 월세전환율을 적정 상한선을 지정하고 전월세전환율 구조를 파악하는데 활용할 수 있다고 주장하였다. 김 진기 외(2017)의 연구에서는 해당 연구의 한계점으로 지역별 영향력을 판단하는 연구를 수행하지 않았다 는 점을 지적했으며, 지역적인 요인에 대한 연구가 전 월세전환율의 구조를 파악하는데 기여할 수 있을 것 이라고 주장하였다. 더불어 최성호 외(2015)의 연구 에서는 지역시장별로 큰 차이를 보이는 전월세전환 율이 각 지역시장의 영향을 받는 구조임을 인정하며
시장이자율에 근거한 전월세전환율 상한선이 가진 한계를 지적했다. 이를 해결하기 위한 방법으로 지역 시장의 특성을 반영하기 위한 심도 깊은 분석이 필요 하다고 언급했다. 이외에도 많은 연구자가 지역적인 요인을 고려한 전월세전환율 연구를 시도했으며, 필 요성을 주장하기도 했다(이창무 외, 2009; 김상진 외, 2016; 이석준·김경민, 2016; 주충열·김형주, 2016;
김진기 외, 2017).
따라서 본 연구에서는 기존 전월세전환율의 결정 요인에 대한 이론적인 기제 및 연구들을 살펴보고 전 월세전환율의 지리적 영향요인을 실증적으로 분석하 고자 하였다. 이를 위해 다음과 같이 세 단계로 분석 을 수행하였다. 첫째, 기존 전월세전환율의 결정요인 과 그 구조를 종합하여 살펴봄으로써 대부분의 연구 에서 중요시 여기고 있는 핵심적인 전역변수를 파악 하고 사회, 경제적 변수와 센서스 데이터를 추출함으 로써 새롭게 살펴볼 지역변수를 구성하였다. 둘째, 전 역변수와 지역변수로 구성된 패널 데이터에 대해 시 간적 측면을 고려한 고정효과모형 분석을 통해 전월 세전환율에 영향을 주는 지역변수를 영향력을 살펴 보았다. 셋째, 공간적 측면에서 전월세전환율 관련 지 역변수들의 국지적 영향력을 살펴보기 위해 지리가 중회귀모형 분석도 진행하였다. 마지막으로, 두 모형 의 결과를 종합함으로써 추후 연구에 필요한 유의한 지리적 결정요인을 확인하고자 한다.
본 연구의 결과는 전월세전환율에 대한 선행연구 에서 지적한 한계점인 지리적인 요인의 누락을 수정 함으로써 전월세전환율의 구조를 새롭게 파악하는데 활용될 수 있다. 또한 지역별 특성이 반영되어 지역별 로 차등이 있는 전월세전환율 상한선이 마련된다면 적정 전월세전환율 상한선 산정과 같은 주요 정책과 제에도 활용되어 향후 주거비부담 측면에서 임차인 을 보호할 수 있게 될 것이다.
2. 연구의 범위
본 연구의 시간적 범위는 2011년부터 2016년까지
이다. 전월세전환율은 매달 한국감정원 전국주택가 격동향조사에 의해 조사되는데, 2011년부터 주택유 형이 구분되어 통계자료가 공표되었기 때문이다. 뿐 만 아니라,‘주택임대차보호법’에 따르면 월차임 전환 시 산정률의 제한이 2014년을 기준으로 크게 변화하 였기 때문에 해당 년도를 포함한 과거 3년과 미래 3 년에 대해서 분석하고자 하였다. 연구의 공간적 범위 는 서울특별시이며, 분석은 자치구 단위로 진행하였 다. 한국감정원에서 공표되는 전월세전환율 데이터 의 단위가 시군구단위이며, 대다수의 정책이 시군구 단위로 적용된다는 점에 의거하여 이와 같은 공간적 단위를 지정하였다.
본 연구에서 전월세전환률 분석의 대상 주택 유형 은 아파트로 선정하였다. 국토교통부 자료1)에 따르 면, 2016년 서울에서 아파트가 차지하는 비율은 약 41.6%로 나타났다. 전체 주거주택유형 중 아파트가 차지하는 비율이 가장 높을 뿐만 아니라 주거용 부동 산시장에서 사회경제적 수준을 반영한 도시생활권으 로 서울 대도시권을 주로 고려한다는 대표성 때문에 본 연구에서는 서울시 아파트 전월세전환율에 대한 분석을 진행하였다.
3. 고정효과모형 분석
1) 패널 데이터
패널 데이터 분석은 횡단면과 시계열을 동시에 고 려할 수 있으며, 시간에 따라 변하지 않지만 관찰할 수 없는 공간의 내재된 속성을 제거하여 과대추정 및 과소추정을 방지할 수 있다는 장점이 있다. 뿐만 아니 라 개체의 미관찰된 내재성을 오차로 개별 추출하여 특징을 파악할 수 있다. 패널 데이터 분석의 여러 유 형 중 본 연구에서는 고정효과모형 분석을 선택하였 다(민인식·최필선, 2012). 고정효과모형은 상수항이 패널 개체별로 고정되어 있다고 가정하고, 변수에 대 한 기울기는 모든 패널 개체에 대해 동일하다고 가정 한 모형을 말한다.
고정효과모형 분석에서 활용할 데이터는 종속변 수인 전월세전환율과 16개의 지역변수, 2개의 전역변 수로 구성되어 있으며, 2011년부터 2016년까지 총 6 개년에 해당되는 데이터를 균형패널 데이터로 가공 하였다. 지역변수 16개는 인구, 총세대수, 세대 당 인 구, 65세 이상 고령자, 사업체수, 종사자수, 공원면적, 환경오염물질배출사업장 수, 사설학원 수, 문화공간 수, 초등학교 수, 중학교 수, 고등학교 수, 평균연령, 지방세, 전철역 수로 구성되었다. 전역변수는 선행연 구를 기반으로 대표성을 띄는 주택담보대출금리와 주택매매소비심리지수를 선택하였다(황관석, 2018).
2) 고정효과모형 구축
전월세전환율 결정구조에 대한 기존 연구들에 따 르면 다수의 논문에서 전역변수를 활용한 패널 데이 터 분석을 진행하였다. 본 연구에서는 서울특별시 자 치구별 잠재적 지역 특성을 고려하기 위하여 지역변 수를 포함하여 분석을 수행하였다. 이를 통해 개별 자 치구의 지역 시장에 잠재적으로 미치는 고정적인 지 역 영향요인을 파악하고, 지역변수가 전월세전환율 에 미치는 영향을 확인하여 기존의 연구와 비교하고 자 하였다.
지역변수를 투입했을 때의 변화를 확인하기 위하 여 먼저 전역변수만을 고려한 패널모형 분석을 시행 한 후, 지역변수와 전역변수를 동시에 고려한 패널모 형 분석을 진행하였다. 패널모형 분석은 R version 3.5.1을 사용하였으며, 타 모형과의 비교를 위하여 다 섯 가지 패널모형 분석을 진행하였다. 네 가지 패널모 형은 기본패널모형(pooled), between effect 모형, 고정효과모형(within 추정), 확률효과모형이다.
3) 고정효과모형 분석 결과
선행연구의 전월세전환율 구조 분석과 동일하게 전역변수만을 반영한 고정효과모형을 분석한 결과는 표 1과 같다. 주택담보대출금리가 구조에 유의한 영 향을 미치는 요인인 것으로 확인되었다. 주택매매시 장-소비심리지수는 해당 모형에서 영향력은 미미하 며 유의하지 않은 것으로 도출되었다. 모형의 전체 설 명력은 약 90%정도로 나타났다.
전역변수와 지역변수를 모두 고려한 전월세전환 율 구조 분석(표 2)에서는 주택담보대출금리와 주택 매매시장-소비심리지수가 모두 유의하지 않는 결정 요인으로 도출되었다. 반면 서울시의 경우 16개 지역 변수 중 종사자 수(worker), 사설학원 수(academy),
표 1. 전역변수를 활용한 고정효과모형 분석 결과
독립변수
종속변수 전월세전환율 기본패널 모형(pooled) Between Effect 모형
(BE)
고정효과모형
(FE: within추정) 확률효과모형(RE)
주택담보대출금리(jdd) 0.941*** 0.941*** 0.941***
소비심리지수(ss) -0.011 -0.011 -0.011
Constant 6.045*** 6.045*** 6.045***
Observations 150 25 150 150
R2 0.855 0.917 0.902
Adjusted R2 0.853 0.899 0.901
F Statistic 431.882***
(df=2;147)
-Inf.000 (df = 0; 24)
675.378***
(df = 2; 123)
675.378***
(df = 2; 147)
*p ∧ 0.1; **p ∧ 0.05; ***p ∧ 0.01 출처: 김혜미, 2019
문화공간 수(culture), 초등학교 수(ele), 평균연령 (age)의 5개 지역변수가 전월세전환율 구조에 유의 한 영향을 미치는 변수임이 확인되었다. 가장 큰 영 향을 미치는 변수는 평균연령으로 -1.515의 음의 계 수를 보였다. 이는 평균연령이 한 단위 증가할 때, 전 월세전환율이 1.515단위 감소한다는 것을 의미한다.
전월세전환율 구조에서 지역변수의 중요도를 표 2의 Adjusted R2로 확인하였다. 고정효과모형의 결정계 수가 0.961로 도출되어 설명력이 96%에 달하는 것을 확인할 수 있었다. 이를 통해 전월세전환율 구조에서 지역변수가 중요하게 작용함을 확인할 수 있었다.
4) 고정효과모형 검증
패널모형을 선택함에 있어 관찰되지 않은 개체 간 개별적 특이성(individual heterogeneity)인μi를 어 떤 방식으로 정의할 것인지에 따라 추정방법이 달라 진다(민인식·최필선, 2012). 고정효과모형에서는μ 를 패널 개체별로 고정되어 있는 시간불변 내재성이 라는 모수로 해석하고, 확률효과모형의μ는 확률분포 를 따르는 확률변수로 해석한다. 두 모형 중 적합한 모형을 판단할 때 가장 먼저 고려해야 할 기준은 패널 데이터의 개별적 특이성인μi에 대한 추론이다. 패널
표 2. 전역변수와 지역변수를 모두 고려한 고정효과모형 분석 결과
독립변수 종속변수: 전월세전환율
pooled BE FE RE
세대수(households) 1.910*** 2.186 -1.071 0.172
인구(pop) -2.297*** -2.744 0.052 -0.504
세대당 인구(house_pop) 0.567*** 0.593 0.008 0.147
고령자 수(senior) 0.152 0.208 0.292 0.059
사업체 수(company) 0.015 0.045 -0.038 0.192
종사자 수(worker) 0.097 0.261 -0.722** -0.322
공원면적(park) -0.105* -0.107 0.476 0.014
사설학원 수(academy) -0.243 0.037 -0.416** -0.428**
오염배출시설 수(env_pol) -0.037 -0.027 -0.075 -0.073
문화공간 수(culture) 0.124** 0.038 0.290*** 0.201**
초등학교 수(ele) 0.249* 0.433 -0.950** -0.248
중학교 수(mid) -0.252** -0.455 -0.096 0.145
고등학교 수(high) 0.156 0.238 -0.189 0.088
평균연령(age) -0.011 0.312 -1.515*** -0.825***
지방소득세(income) 0.126 -0.163 -0.113 0.212
전철역 수(subway) -0.122** -0.101 0.023 -0.089
주택담보대출(jdd) 1.005*** -0.019 0.446***
소비심리지수(ss) 0.042 -0.055 -0.011
Constant 6.045*** 6.045*** 6.045***
Observations 150 25 150 150
R2 0.889 0.672 0.972 0.941
Adjusted R2 0.873 0.017 0.961 0.933
F Statistic 58.101***
(df=18;131)
1.025 (df=16;8)
205.284***
(df=18;107)
116.879***
(df=18;131)
*p ∧ 0.1; **p ∧ 0.05; ***p ∧ 0.01
데이터의 분석을 위해 고정효과모형과 확률효과모형 을 사용할 수 있는데, 어느 모형이 적합한지 알기 위 해 하우즈만 검정을 사용하여 판단한다.
하우즈만 검정은 고정효과모형이 확률효과모형 보다 본 연구에 적합하다고 도출되는지 알아보기 위 한 분석이다(민인식·최필선, 2012). 하우즈만 검정 (Hausman Test)을 통해 cov(xit, ui)=0이면 귀무가설 이 성립하여 확률효과모형을 선호하게 되지만, 반대 인 cov(xit, ui)≠0인 경우 귀무가설이 기각되어 고정효 과모형이 더 적합한 분석이 된다. 하우즈만 검정 결과 χ2=80.025(df=18), p ∧.000이고 p값이 0.05보다 작 으므로 귀무가설이 기각되어 고정효과모형이 우세한 것으로 나타났다. 따라서 본 연구의 고정효과모형에 대한 선택이 적합하다는 것을 하우즈만 검정을 통해 확인할 수 있었다.
4. 지리가중회귀모형 분석
1) 지리가중회귀모형 구축
앞선 고정효과모형 분석 결과에 따라 전월세전환 율에 대한 지역별로 내재된 오차가 공간적 의존성을 가지고 있다고 판단하여 지리적가중회귀(GWR)모형 을 분석하였다. 분석에서 사용한 데이터는 고정효과 모형의 데이터와 동일한 패널 데이터이다. 패널 데이 터는 종속변수인 전월세전환율과 18개의 독립변수 인 인구, 총 세대 수, 세대 당 인구, 65세 이상 고령자 수, 사업체 수, 종사자 수, 공원면적, 환경오염배출시 설 수, 사설학원 수, 문화공간 수, 초등학교 수, 중학 교 수, 고등학교 수, 평균연령, 지방세, 전철역 수, 주 택담보대출금리, 주택매매시장소비심리지수, 그리고 분석에 필요한 자치구, 년도, index, 경도, 위도 총 24 개의 변수로 구성되어 있다. 해당 데이터의 표준화 과 정을 거친 뒤, GWR 4.0 프로그램을 사용하여 서울시 행정구별 지리가중회귀식을 도출하였다. GWR 4.0 프로그램에는 독립변수를 지역변수와 전역변수로 구 별한 모형을 구축할 수 있는 S-GWR 분석이 가능하
므로 해당 프로그램을 선택하였다.
좌표의 유형은“Spherical”유형으로 선택하여 분석 하였고, 모델 유형은 ‘Gaussian’형태를 사용하였다.
분석 과정에서 지리적 가중치를 고려한 지역 coef- ficients와 bandwidth, selection criteria 측정을 위 해 커널 함수를 지정하는데, 이때 커널함수의 유형 은 관찰 개체인 서울시 구별 위치가 모두 불규칙하 게 분포하므로 ‘Adaptive’ 방식을 채택하였다. 대역 폭(bandwidth)은 사전적으로 직접 결정할 수 있는 근거가 부족하여 자동 계산 방법을 선택하였으며, 대 역폭을 결정하는 반경 설정은 AICc2)를 사용하였다 (Demšar et al., 2008).
2) 지리가중회귀모형 결과
GWR 4.0 프로그램을 활용하여 2개의 전역변수와 16개의 지역변수를 모두 고려한 전월세전환율의 지 리가중회귀모형(Demšar et al, 2008) 분석 결과는 전 역모형(OLS)보다 유의한 것으로 확인되었다. 전역모 형 결과의 AICc는 약 150.53으로 도출되었지만, 표 3 에서 지리가중회귀모형(S-GWR) 분석 결과의 AICc
는 약 107.54로 약 42.99만큼의 차이를 보였다. 정확 도 판단의 또 다른 지표인 결정계수를 비교해본 결과, 선형회귀 모형은 약 0.87의 설명력을 보였지만 지리 가중회귀모형 분석 결과는 약 0.92의 설명력을 보이 며 개선된 결과를 확인할 수 있었다. 이를 통해 특정 변수가 모든 공간에서 일정하다고 전제하는 전역모 형에서 다룰 수 없는 공간적 요인을 포함한 분석인 지 리가중회귀모형 분석이 더 높은 설명력을 보이는 것 을 확인할 수 있었다. 특히 OLS와 GWR의 잔차에 대 한 공간적자기상관을 비교하기 위해 Moran’s I를 살 펴보면 OLS에서 상당히 높게 나타났던 잔차의 공간 적자기상관이 GWR을 통해 많이 해소되었음을 확인 할 수 있다. 자세히 살펴보면 Global OLS 모형 잔차 의 Moran’s I는 -0.051(p ∧.000)로 모형 잔차의 공간 적자기상관이 없다는 귀무가설을 기각하는데 반해, GWR모형의 Moran’s I는 -0.002(p ∧.389)로 귀무가 설을 수용하여 모형 잔차의 공간적자기상관 문제가 없음을 보여준다.
지리가중회귀모형의 전체적인 결과가 도출된 이 후 지역별 회귀식을 도출하였다. 지역별 회귀식에 포 함된 각 지역변수의 계수를 통해 개별 자치구의 전월 세전환율에 16개의 지역변수가 미치는 영향력을 개 별적으로 확인할 수 있다. 그림 1은 각 지역변수의 계 수 추정치인 ‘parameter estimates’에 대하여 유의한 지역만을 단계구분도로 시각화한 것이다.
지역모형에서 인구 변수는 -9.2169부터 1.0728의 범위에서 계수 값을 보였다. 총 세대 수는 지역모형에 서 -1.7177에서 8.0950의 범위를 보이며, 중랑구, 광 진구, 강동구에서 가장 큰 양의 영향을 받는 것으로 나타났다. 세 개의 자치구를 중심으로 총 9개의 자치 구에서 전월세전환율에 영향을 미치는 유의한 지역 변수로 확인되었다. 인구 변수 또한 중랑구, 광진구, 강동구에서 가장 큰 영향을 미치는 것으로 나타났지 만, 총 세대 수와는 반대인 음의 영향력임을 확인하였 다. 세대 당 인구 수는 지역모형인 GWR에서 계수의 범위가 -0.6813부터 1.8653 사이에서 나타났으며, 해당 변수 또한 중랑구, 광진구, 강동구를 중심으로 한 12개의 자치구에서 양의 영향력을 미치는 것으로 보였다. 총 세대 수 변수와 비슷한 경향을 보이고 있 음을 단계구분도를 통해 확인할 수 있었다. 65세 이 상 고령자 수는 -0.69454부터 0.60380사이의 범위 에서 계수 분포를 보였으며, 다소 적은 자치구에서 유 의한 변수로 적용되었다. 강북구와 도봉구에서는 양 의 영향을, 광진구와 강동구에서는 유의한 음의 영향 을 미쳤다.
사업체 수 변수는 -0.04025부터 0.41221 사이에
추정 계수가 값이 분포했으며, 종로구, 성북구, 강북 구에서 가장 높은 유의한 양의 영향을 보였다. 해당 지역을 중심으로 은평구, 서대문구, 중구, 동대문구, 중랑구, 노원구, 도봉구 총 10개의 자치구에서 사업 체 수는 유의한 영향을 미쳤다. 종사자 수 변수는 사 업체 수와 다소 반대되는 경향을 보였다. GWR 모형 에서의 해당 변수 계수는 -0.86201부터 0.16073 범 위 사이에서 분포했으며, 유의한 음의 영향력을 받는 자치구는 노원구, 중랑구, 강동구를 중심으로 총 7개 의 자치구가 이에 해당되었다.
공원면적의 경우 지역모형인 GWR 모형에서 -0.39787부터 0.05364에 해당되는 범위에서 계수 분포를 보였으며, 서초구, 강남구, 성북구에서 가장 큰 음의 영향력을 받는 것으로 확인되었다. 추가로 종 로구, 중구, 강북구, 도봉구에서도 공원면적이 넓을 수록 전월세전환율이 낮아지는 경향이 있음을 확인 하였다. 사설학원 수는 지역모형에서 각 자치구별로 -0.64594부터 0.31379까지의 범위에서 계수 값을 보였으며, 도봉구와 은평구에서 가장 높은 음의 영향 을 받았다. 이외의 지역으로는 강북구, 노원구, 중랑 구, 동대문구가 사설학원 수의 유의한 음의 영향력을 받고 있음을 알 수 있었다. 환경오염배출시설 수에 대 한 계수는 지역모형에서 -0.91642부터 0.17984까지 분포했다. 그중 유의한 영향력을 받는 자치구로는 대 표적으로 광진구, 강동구가 음의 영향을 받는 것으로 확인되었다. 이를 중심으로 송파구, 동대문구, 중랑 구, 노원구에서도 유의한 음의 영향력을 받고 있었지 만, 서초구의 경우는 이와 반대로 환경오염배출시설 표 3. 전월세전환율관련 지역변수들에 대한 OLS와 GWR 결과
OLS 결과 GWR 결과
Residual sum of squares: 17.570
Number of parameters: 19
Classic AIC: 144.018
AICc: 150.530
CV: 0.152
R square: 0.889
Adjusted R square: 0.872
Moran’s I of residuals: -0.051(p ∧.000)
Residual sum of squares: 9.688 Degree of freedom (model: n - trace(S)): 115.790
Classic AIC: 85.134
AICc: 107.542
CV: 0.106
R square: 0.939
Adjusted R square: 0.917
Moran’s I of residuals: -0.002(p ∧.389) 출처: 김혜미, 2019
수로부터 유의한 양의 영향을 받는 것을 확인하였다.
문화공간 변수의 경우 계수 값이 지역별로 0.02268부 터 0.37033의 범위에서 나타났으며, 총 15개의 자치 구에서 유의한 양의 영향력을 받는 것을 단계구분도 를 통해 명확하게 볼 수 있었다. 그 중, 서초구, 강남
구, 성동구, 성북구, 강북구에서 큰 유의한 양의 영향 을 받고 있음을 확인하였다.
초등학교, 중학교, 고등학교는 교육이라는 같은 범 주에 들어가는 변수들이지만, 각 지역에 상반된 영향 을 미치는 것을 동시에 확인하였다. 가장 먼저 초등학
인구 총 세대 수 세대 당 인구 65세 이상 고령자 수
사업체 수 종사자 수 공원면적 환경오염배출시설 수
사설학원 수 문화공간 수 초등학교 수 중학교 수
고등학교 수 평균연령 지방세 전철역 수
그림 1. 지역변수 계수 추정치에 대한 단계구분도 (김혜미, 2019)
교 수 변수의 경우 계수 값이 지역별로 -1.1277부터 0.6072 사이에서 분포하였다. 구로구, 양천구, 영등 포구, 강서구에서는 양의 영향을 받고 있는 반면, 서 초구, 강남구, 성북구, 중구, 종로구, 강북구, 도봉구, 노원구에서는 해당 변수로부터 전월세전환율에 유의 한 음의 영향을 미치고 있었다. 반면, 중학교 수 변수 는 강동구, 광진구를 중심으로 송파구, 성동구, 동대 문구, 중랑구, 노원구에서 유의한 영향을 받고 있었 다. 고등학교는 -0.13847에서 0.41449의 범위에서 계수 값이 분포했으며, 종로구, 중구, 용산구, 서초구 에서 유의한 양의 영향을 미치는 것을 확인하였다.
평균연령 지역변수는 GWR 모형에서 -0.53143부 터 0.01011의 범위에서 계수 값 분포를 보였으며, 동 작구와 금천구에서 가장 큰 음의 영향을 행사하였다.
지방소득세의 경우 -0.17409부터 0.48616의 범위에 서 계수가 분포하였고, 강동구, 송파구를 비롯한 6개 의 자치구에서 유의한 양의 영향을 미치는 것을 확인 하였다. 마지막으로 전철역 수 변수는 가장 많은 자 치구에서 유의한 영향을 미치는 것으로 확인되었다.
해당 변수의 지역별 계수 값 범위는 -0.18838부터 0.54896까지의 값으로 나타났으며, 대체로 동북권에 서는 유의한 양의 영향을, 서남권에서는 유의한 음의 효과를 보이는 것을 확인하였다.
이처럼 국지적 분석 방법인 S-GWR을 통해 지역 별로 개별 지역변수가 전월세전환율에 미치는 영향 이 각기 다른 것을 확인할 수 있었다. 또한 지역에 따 라서 전월세전환율에 미치는 독립변수의 영향력에 대하여 군집이 발생하는 경향을 시각화된 지도를 활 용하여 확인하였다.
5. 분석결과
본 연구에서 시계열을 고려하고 지역의 내재된 특 성을 배제하기 위하여 패널 데이터에 대해 고정효과 모형을 분석하여 전역변수를 추출하고 지역변수의 영향력을 확인하였다. 고정효과모형을 이용한 전역 적인 분석을 통해서 서울특별시 아파트 전월세전환
율에 영향을 주는 지역변수들은 문화공간 수, 평균연 령, 종사자 수, 초등학교 수, 사설학원 수인 것을 확인 할 수 있었다. 문화공간 수가 많은 지역은 전월세전환 율이 높게 나타났는데(표 2 참조), 이는 문화공간 수 가 많은 지역이 문화와 더불어 상업이 발달한 곳이고 이에 대한 편리함을 추구하는 젊은 층이 많이 거주할 수 있으므로 월세가 상대적으로 높을 수 있다고 판단 된다. 종사자 수, 사설학원 수, 초등학교 수, 평균연령 이 높아지는 지역은 대체로 중장년층이 거주하게 많 이 거주하는 주거중심 지역으로 판단되며 이런 경우 월세보다는 전세를 더 선호하게 되므로 전월세전환 율은 낮아지는 경향을 보이는 것으로 판단된다.
또한 지역변수들에 대해 지역별 영향력을 구체 적으로 확인하기 위해 전역변수를 고려할 수 있는 지리가중모형인 S-GWR 모형 분석을 수행하였다.
S-GWR은 전역변수와 지역변수를 동시에 고려한 전 월세전환율 구조 분석이 가능하다는 점에서 장점이 있으며, 공간 좌표를 고려하여 주변 지역의 특성에 영향력을 반영한 국지적 회귀분석을 가능하게 한다.
S-GWR을 서울시에 적용한 결과 지역별로 전월세전 환율 결정요인이 다르게 나타나는 것을 확인할 수 있 었다. 표 4는 공간 단위 차이에 따라 전월세전환율 결 정요인이 차별화된다는 것을 확인할 수 있는 결과를 정리한 것이다.
표 4에 기재된 지역변수의 ‘+’, ‘-’ 부호는 해당 변 수가 지역별 전월세전환율에 양과 음의 영향력을 미 치는 것을 의미한다. 이를 살펴보면 전월세 전환율에 각 변수가 미치는 영향이 권역에 따라 상당한 차이가 있음을 알 수 있다. 앞선 그림 1과 표 4를 종합적으로 해석해보면 서울의 전월세전환율에 미치는 변수들의 영향이 크게 동서로 나뉘어 있음을 알 수 있다. 동북 권과 동남권은 사업체 수, 사설학원 수를 제외한 인 구, 교육, 직업, 문화여가, 공공 변수 군에서 비슷한 방향의 효과를 보인다. 조금 더 자세히 살펴보면, 서 울 동쪽 권역에서 총 세대 수, 세대 당 인구, 문화공간 수, 중학교 수, 지방세, 전철역 수가 전월세 전환율에 양의 효과를 주고 있다. 반면 인구, 종사자 수, 환경오 염 배출시설 수, 초등학교 수는 음의 효과를 주고 있 다.
여기서 교육 변수들을 따로 살펴보면 역시 동서의 세로축을 기준으로 서울 서남권역은 초등학교 수, 중 간권역은 고등학교 수, 동부권역은 중학교 수가 전월 세 전환율에 양의 효과를 주며, 초등학교와 중학교 수 의 효과가 대체로 동부권역에 일정한 영향을 준다. 예 외적으로 사설학원 수는 동북권에서 음의 효과를 주 나, 이 역시 동쪽 지역의 효과로 해석할 수 있다. 정리 하자면, 서울의 동쪽 지역은 대체로 몇 가지 변수를
제외한 많은 변수에서 같은 효과를 보이고 있다.
이와 달리 서북/서남권은 동북/동남권과는 확연히 다른 결과를 보인다. 특히 서남권은 동부권과는 반대 로 초등학교 수가 전월세 전환율에 양의 효과를 보이 며 평균연령과 전철역 수는 음의 효과를 보인다. 특 히 서남권역의 초등학교 수와 전철역 수는 동부권역 에 비해 정반대의 효과를 주고 있다. 또한 표 4를 보 면 동부권역에서 보이던 많은 변수들의 효과가 서부 표 4. 고정효과모형 및 S-GWR 결과 전월세전환율에 영향을 주는 지역변수
모형 권역 공간단위 전월세전환율 결정요인
변수 인구 총
세대 세대
당 인구
고령 자 (>65)
사업 체
종사 자
공원 면적
환경 오염 시설
사설 학원
문화 공간
초등 학교
중학 교
고등 학교
평균 연령
지방 세
전철 역 고정
효과 모형
- 서울시 - - + - -
GWR 도심권
종로구 + + - + - + +
중구 + - + - +
용산구 +
동북권
강북구 + + + - - + - +
광진구 - + + - - - + + + +
노원구 - + + + - - - + - + +
도봉구 - + + + + - - + - - +
동대문구 - + + + - - - + + + +
성동구 - + + - + + + +
성북구 + + - + - +
중랑구 - + + + - - - + + + +
서북권
마포구 -
서대문구 +
은평구 + - +
동남권
강남구 - + + - - + -
강동구 - + + - - + + + +
서초구 - + + - + -
송파구 - + + - - + + + +
서남권
강서구 + -
관악구 - -
구로구 + - -
금천구 - -
동작구 - -
양천구 + -
영등포구 + - -
권역에서는 대체로 관측되지 않는 점으로 미루어 보 아, 전월세전환율을 설명하는 다양한 변수들의 효과 는 서울의 동서축을 중심으로 다르게 나타난다고 보 아야 할 것이다.
전월세전환율 상한선은 전세가 월세로 전환되어 월세의 부담이 지나치게 높아지는 것을 막기위한 정 책이다. 만약 전월세전환율 상한선을 전체 지역의 평 균적인 값으로 규제한다면, 양의 영향을 미치는 변수 들이 높은 값을 띄는 지역에서는 다른 지역에 비해 전 월세전환율이 높게 계산될 것이므로 낮게 책정된 전 월세전환율 상한선이 현실에 맞지 않아 무시하고 자 의적으로 매우 높게 설정하게 되는 부작용을 양산하 게 될 것이다. 이것보다는 전월세전환율 상한선을 지 역 변수들에서 도출된 값에 의해 차등적으로 설정하 는 것이 전월세전환율을 현실화하여 그 상한선을 지 킬 수 있게 하는 정책방안이 될 수 있을 것이다. 또한, 특정 지역에 음의 영향을 미치는 변수들의 값이 크다 면, 해당 지역의 전월세전환율은 낮아지게 되어 그 상 한선을 낮게 설정해도 되므로 이 지역은 일괄적인 전 월세전환율 설정에 비해 월세 부담을 줄일 수 있게 된 다. 전월세전환율을 지역별로 설정할 수 있게 되면, 특정 지역의 전월세전환율 상한선을 주변 지역에 비 해 적절히 낮추는 정책을 활용할 수 있으므로 저개발 지역에 대해 외부인구의 유입을 유도할 수 있는 수단 이 될 수도 있을 것이다.
6. 결론
전월세전환율 지표의 중요도가 증가하고 있지만, 기존 전월세전환율 구조 및 결정요인 관련 연구의 한 계점인 지역변수의 누락이 여전히 고려되지 않고 있 지 않다. 따라서 본 연구는 전월세전환율 구조에 대해 지역변수의 영향력을 살펴보기 위하여 고정효과모형 분석과 S-GWR 분석을 수행하였다. 연구의 시간적 범위는 2011년부터 2016년까지이며, 해당 데이터는 선행연구를 통하여 분석에 활용할 대표적인 전역변 수 2개와 지역변수 16개를 추출하였다. 수집된 데이
터를 활용해 균형 패널 데이터를 구축하고, 고정효과 모형 분석과 GWR분석에 활용하였다.
분석 결과 첫 번째로 고정효과모형 분석에서 전역 변수만을 고려했을 때의 모형 설명력보다 전역변수 와 지역변수를 동시에 고려한 모형의 설명력이 높게 도출되어 전월세전환율 구조에서 지역변수의 영향력 을 확인할 수 있었다. 또한, 전역변수만 고려한 경우 는 ‘주택담보대출금리’가 전월세전환율 구조에 유의 한 변수로 적용되었지만, 16개의 지역변수를 동시에 고려한 분석 결과 문화공간 수, 평균연령, 종사자 수, 초등학교 수, 사설학원 수가 전월세전환율에 유의미 한 영향을 미치는 변수임을 확인할 수 있었다.
두 번째로, 향후 각 자치구별 유의미한 전월세전환 율 결정요인을 구체적으로 확인하기 위한 GWR 모형 을 분석하였다. 전역변수와 지역변수를 모두 고려하 는 S-GWR 분석은 자치구의 공간 좌표를 고려했을 때 주변 지역의 특성에 영향을 받아 OLS에 비해 설명 력이 높게 도출되었다. 이는 개체의 공간적 분포와 주 변 지역의 변수 값을 고려한 모형 분석이 유의하다는 것을 의미한다. 각 독립변수는 자치구마다 미치는 영 향력의 크기와 유의성이 상이했으며, 각 변수가 자치 구에 미치는 영향력에 대하여 군집이 발생하는 경향 도 확인할 수 있었다.
전월세전환율 구조에 영향을 미치는 지역변수는 공간 단위에 따라 상이하기 때문에 향후의 전월세전 환율 연구에서는 반드시 지역변수를 고려한 분석이 요구된다. 또한, 전월세전환율 상한선 관련 법률이 신 설되면서 국민의 상한선 준수도 및 관심도가 높아졌 기 때문에 지역별 적정 상한선 선정에도 본 연구에서 유의한 것으로 확인된 지역변수가 활용 가능할 것이 다. 이처럼 지역별 적정 상한선을 개별적으로 선정하 는 것은 임차인과 임대인을 동시에 고려하여 모두를 보호할 수 있는 하나의 대안이 될 수 있을 것이다. 또 한, 보다 세분화된 공간단위(읍면동 등)의 데이터 취 득이 가능하다면 전철역과의 거리, 편의시설과의 거 리 등 접근성 관련 지표를 포함한 보다 정밀한 정확도 의 분석을 진행할 수 있을 것이다. 이러한 점들은 향 후에 진행할 연구의 대상으로 남겨두고자 한다.
주
1) 국토교통부, http://www.molit.go.kr/
2) AICc는 지리 가중 회귀분석에서 주로 사용되는 부합도 측 정치이며, 동시에 동일한 종속변수에 대해 다양한 독립변 수로 구성된 모형을 비교할 때 유용하다. 뿐만 아니라, 전 역모형과 지역모형을 비교하기 위해서도 AICc를 사용하 였다.
참고문헌
김경환·손재영, 2000, “서울시 오피스 시장의 시계열 분 석,” 주택연구, 8(2), 5-20.
김민영, 2014, 서울시 아파트 전월세서울시 아파트 전월 세전환율 결정구조 및 실증 분석, 건국대학교 대 학원 학위논문.
김상진·이강용·정준호, 2016, “아파트 전월세전환율과 시장금리와의 동조화 및 지역별 차이,” 경제연구, 34(4), 51-77.
김지훈, 2018, “전월세 전환율의 의미와 활용,” KB경영정 보리포트 2018-2, KB금융지주경영연구소.
김진기·이현탁·장봉규, 2017, “서울 아파트 매매가의 영 구적·일시적 요인 분석,” 부동산학연구, 23(1), 1937.
김혜미, 2019, 지역변수를 활용한 아파트 전월세전환율 분석-서울시를 사례로-, 경희대학교 대학원 학 위논문.
류강민·서명교, 2016, “서울시 주택유형별 임대시장 특성 에 관한 연구,” 주택도시연구, 6(1), 1-15.
민인식·최필선, 2012, STATA 패널 데이터 분석 = STA- TA Panel Data Analysis, 지필미디어, 서울.
서승환, 2015, “월세화 추세와 전월세 대책,” 지역연구, 31(2), 63-77.
윤종만·정의철, 2017, “전월세전환율 결정 요인과 주택금 융정책이 미치는 영향,” 한국주택학회 학술대회 발표논문집, 2017(1), 125-140.
이석준·김경민. 2016, “전세의 월세전환과정에서 전월세 전환율 결정요인 분석,” 서울도시연구, 17(3), 91 -104.
이창무, 2009, “아파트임대시장의 전월세전환율 결정구 조,” 주택연구, 17(2), 213-229.
이창무·정의철·최소의, 2009, “아파트임대시장의 전월 세전환율 결정구조,” 주택연구, 17(2), 213-229.
이현석, 2001, “공간시장과 자본시장의 관계 및 예상자본 수익률,” 국토계획, 36(2), 163-175.
주충열·김형주. 2016. “서울시 주택임대차 계약구조 전환 의 시공간 분석,” 부동산학보, 66, 130-144.
최성호·배상열·이창무, 2015, “전월세전환율의 지역별 편차와 공실률,” 주택연구, 23(4), 5-21.
한국감정원, 2014, “실거래정보 활용 아파트 전월세전 환율 산정 발표,” 한국감정원 보도자료, http://
www.kab.co.kr/
한석만·최민섭, 2013, “실거래가격을 활용한 아파트 전월 세전환율 실증 분석,” 주거환경, 11(3), 225-236.
황관석, 2018, “구조적 VAR 모형을 이용한 전월세전환율 의 영향요인 분석,” 국토연구, 96, 3-19.
Demšar, U., Fotheringham, A., Charlton, M., 2008, Explor- ing the spatio-temporal dynamics of geographical processes with geographically weighted regression and geovisual analytics, Information Visualization, 7(3-4), 181-197.
교신: 최진무, 02447 서울시 동대문구 경희대로 26 (회기 동) 경희대학교 스페이스21 이과대학 지리학과(이메일:
Correspondence: Jinmu Choi, Department of Geography, College of Science, Kyung Hee University, 26 Kyung- hee-daero, Dongdaemun-gu, Seoul, Korea 02447 (e-mail:
최초투고일 2019. 2. 13 수정일 2019. 4. 28 최종접수일 2019. 4. 30