All Issue

2024 Vol.24, Issue 3 Preview Page

Research Article

Characterization of Housing Submarkets using a Time Series Clustering Analysis: Focusing on the Sales Price Index in the Seoul Metropolitan Area

시계열 군집 분석을 활용한 주택 하위시장 유형화: 수도권 아파트의 매매가격지수를 중심으로

하은혜1, 이건학2†

Eunhye Ha1, Gunhak Lee2†

1서울대학교 지리학과 박사과정
2서울대학교 지리학과 교수 및 국토문제연구소 겸무연구원
1PhD Student, Department of Geography, Seoul National University
2Professor, Department of Geography and Institute for Korean Regional Studies, Seoul National University
31 December 2024. pp. 29~44
PDF Citation
Abstract
The real estate market in South Korea has experienced unprecedented volatility in the 2020s, with rapid price fluctuations marked by record-breaking increases and decreases. Particularly, in September 2024, despite a sharp decline in transaction volume, the highest average apartment sales price was recorded in Seoul. However, this variability of the housing market differs regionally. This study aims to identify and characterize housing submarkets within the Seoul metropolitan area based on time-series apartment sales price indices for the past decade. To do this, monthly apartment sales price index data from 2014 to 2024 are collected at the district level in the Seoul metropolitan area. Utilizing Self-Organizing Map, the price fluctuation over time is mapped onto a two-dimensional space to generate time series graphs. Then, clustering analysis based on the Dynamic Time Warping distance, including K-means and HDBSCAN is conducted to identify distinct housing submarkets. The results indicate that apartment transaction prices in the metropolitan area have consistently risen since 2014, with a dramatic surge starting in 2020, followed by a sharp decline in 2022. However, the price fluctuations’ degree, pattern, and speed varied by region. Ultimately, five distinct submarkets were identified: stepwise variable cluster (Gyeonggi regions near Seoul), short-term variable cluster (northern and southern Gyeonggi regions), stabilized cluster (western Gyeonggi region), underdeveloped peripheral cluster (metropolitan outskirts and border areas), and continuously rising cluster (Seoul and adjacent Gyeonggi regions). This study is expected to contribute to developing effective region-specific housing policies by empirically identifying apartment housing submarkets with sensitive price variability of the Seoul metropolitan area and providing an understanding of unique spatiotemporal patterns of submarkets.
Keywords
Housing submarkets
Time series clustering analysis
Sales price index
DTW
K-means
HDBSCAN
한국의 주택시장은 2020년대에 들어 유례없는 폭등과 폭락을 반복하는 등 매우 민감한 가격 변동을 경험하였다. 특히 2024년 9월 서울특별시에서는 거래량 급감에도 불구하고 역대 최고 아파트 평균 매매가격이 경신되기도 하였다. 하지만 이러한 주택시장의 변동성은 지역에 따라 다소 이질적인 특성을 보이고 있다. 이에 본 연구에서는 최근 10년 간의 시계열적인 매매가격지수를 기반으로 수도권 아파트의 주택 하위시장을 유형화하고 그 특성을 살펴보고자 한다. 이를 위해 수도권 시군구 단위로 2014-2024년 월간 아파트 매매가격지수 데이터셋을 구축하였고, 자기조직화 지도를 사용하여 매트릭스 형태의 시계열적 가격 변동을 2차원 공간상에 매핑하여 그래프로 작성하였다. 그 후 동적 타임 워핑을 유사성 척도로 하는 K-평균 군집화 및 계층적 밀도 기반 군집화 알고리즘을 이용한 시계열 군집 분석을 수행하여 주택 하위시장을 식별하였다. 연구 결과, 수도권 지역에서는 공통적으로 2014년 이후 아파트 매매가격이 지속적으로 상승하였고, 2020년을 기점으로 폭등한 후 2022년 급락하는 경향을 보였다. 그러나 지역별로 가격 변동의 정도와 패턴, 속도가 상이하였고 이에 대한 유형화를 진행한 결과 최종적으로 계단형(서울 인근 경기도 지역), 단기변동형(경기도 남･북부 지역), 안정형(경기도 서부 지역), 외곽 저속개발(수도권 외곽 및 접경지역), 지속상승(서울 및 인접 경기도 지역) 총 5개의 하위시장을 확인할 수 있었다. 본 연구는 민감한 가격 변동을 보이는 수도권 아파트의 하위시장을 실증적으로 구분하고, 하위시장의 독특한 시공간적 패턴에 대한 이해를 제공함으로써 향후 실효성 있는 지역 특수적 주택 정책 수립에 기여할 것으로 기대된다.
키워드
주택 하위시장
시계열 군집 분석
매매가격지수
동적 타임 워핑
K-평균 군집화
계층적 밀도 기반 군집화
References
  1. 강창덕, 2010, “GWR 접근법을 활용한 부동산 감정평가 모형 연구: 서울시 아파트를 사례로,” 부동산연구, 20(2), 107-132.
  2. 국토교통부, 2023, 「2022년 주거실태조사」.
  3. 김감영, 2017, “아파트 매매가격 변동의 시공간적 역동성 탐색,” 한국지도학회지, 17(2), 45-62. https://doi.org/10.16879/jkca.2017.17.2.04510.16879/jkca.2017.17.2.045
  4. 김경외･정성도, 2017, “군집 분석을 활용한 아파트 실거래가격지수 연구-서울시 사례를 중심으로,” 부동산분석, 3(1), 35-57. http://dx.doi.org/10.30902/jrea.2017.3.1.3510.30902/jrea.2017.3.1.35
  5. 김민경, 2018, “주택 가격 특성을 이용한 서울 아파트 가격결정모형 연구,” 명지대학교 박사학위논문.
  6. 김성우, 2011, “주택가격 결정요인과 주택하위시장 특성에 관한 연구: 부산의 아파트 시장과 주택정책을 중심으로,” 부경대학교 박사학위논문.
  7. 김영호, 2013, “주거지 인문환경의 공간 속성을 고려한 주택 가격 결정 모형: 서울시 아파트를 대상으로,” 한국지도학회지, 13(3), 41-56.
  8. 김정주･금현섭, 2015, “시간영역에서의 하위주택시장 구분 방법론에 관한 연구,” 정책분석평가학회보, 25(1), 193-210. http://dx.doi.org/10.23036/kapae.2015.25.1.00810.23036/kapae.2015.25.1.008
  9. 김지현, 2017, “주택구입에 영향을 미치는 요인분석,” 부동산학보, 68, 107-118.
  10. 김철민, 2023, “시계열 유사도를 활용한 수도권 주택하위시장 분석,” 지역개발연구, 55(2), 59-78. http://dx.doi.org/10.35526/srd.2023.55.2.00310.35526/srd.2023.55.2.003
  11. 김효은･이상경, 2022, “시계열 군집분석을 이용한 주택하위시장 식별,” 한국지적정보학회지, 24(3), 84-94. http://dx.doi.org/10.46416/JKCIA.2022.12.24.3.8410.46416/JKCIA.2022.12.24.3.84
  12. 손철, 2011, “수도권의 공간적 주택하위시장 식별에 대한 연구,” 국토연구, 151-166. http://dx.doi.org/10.15793/kspr.2011.70..00910.15793/kspr.2011.70..009
  13. 오윤경･강정규, 2015, “부산시 주택하위시장의 세분화 및 특성에 관한 연구,” 부동산학연구, 21(3), 29-43.10.19172/KREAA.21.3.2
  14. 유무상･구형모, 2024, “서울시 아파트 매매가격 결정요인의 불연속적 공간적 이질성 탐색,” 한국지도학회지, 24(2), 43-57. https://doi.org/10.16879/jkca.2024.24.2.04310.16879/jkca.2024.24.2.043
  15. 이석준, 2019, “데이터마이닝을 통한 주택 하위시장 구분 및 주택가격 예측,” 서울대학교 박사학위논문.
  16. 이주형･임종현･이천기, 2009, “가구특성에 따른 주택의 점유형태 및 유형 선택에 관한 연구,” 국토계획, 44(3), 79-93.10.17232/KSET.25.3.79
  17. 이창로･엄영섭･박기호, 2014, “부동산 하부시장 구획,” 대한지리학회지, 49(3), 405-422.
  18. 이홍석, 2018, “서울시 아파트들의 행정구역별 가격 흐름 군집화에 관한 연구,” 서울과학기술대학교 석사학위논문.
  19. 장한익, 2019, “수도권과 지방 주택매매가격의 동조화 변화 분석,” LHI 저널, 12(1), 9-18. http://dx.doi.org/10.5804/LHIJ.2019.10.1.00910.5804/LHIJ.2019.10.1.009
  20. 정건섭･이상엽, 2007, “주택하위시장 구분방법과 정책적 시사점,” 정책분석평가학회보, 17(1), 193-216. http://dx.doi.org/10.23036/kapae.2007.17.1.00810.23036/kapae.2007.17.1.008
  21. 정진영, 2021, “임대용 비적정 주거의 상품화와 이윤 창출 메커니즘,” 서울대학교 석사학위논문.
  22. 조주현, 2007, ｢부동산학원론｣, 서울: 건국대학교 출판부.
  23. 최영상･강영신, 2023, ｢2023년 권역별 주택시장 리뷰｣, 한국주택금융공사.
  24. 통계청, 2021, ｢2020 인구주택총조사｣.
  25. Aghabozorgi, S., Shirkhorshidi, A.S., and Wah, T.Y., 2015, Time-series clustering-a decade review, Information Systems, 53, 16-38. https://doi.org/10.1016/j.is.2015.04.00710.1016/j.is.2015.04.007
  26. Berndt, D.J. and Clifford, J., 1994, Using dynamic time warping to find patterns in time series, Proceedings of the 3rd International Conference on Knowledge Discovery and Data Mining, 359-370.
  27. Bourassa, S.C., Hamelink, F., Hoesli, M., and MacGregor, B.D., 1999, Defining housing submarkets, Journal of Housing Economics, 8(2), 160-183.10.1006/jhec.1999.0246
  28. Campello, R.J., Moulavi, D., and Sander, J., 2013, Density-based clustering based on hierarchical density estimates, in 17th Pacific-Asia conference on knowledge discovery and data mining, Springer Berlin Heidelberg, Berlin, 160-172.10.1007/978-3-642-37456-2_14
  29. Kohonen, T., 1982, Self-organized formation of topologically correct feature maps, Biological Cybernetics, 43(1), 59-69.10.1007/BF00337288
  30. Lloyd, S., 1982, Least squares quantization in PCM, IEEE Transactions on Information Theory, 28(2), 129-137. https://doi.org/10.1109/TIT.1982.105648910.1109/TIT.1982.1056489
  31. Miller, H.J. and Han, J., 2009, Geographic Data Mining and Knowledge Discovery, CRC press. https://doi.org/10.1201/978142007398010.1201/9781420073980
  32. Palm, R., 1978, Spatial segmentation of the urban housing market, Economic Geography, 54(3), 210-221. https://doi.org/10.2307/14283510.2307/142835
  33. Peng, J., Paul, D., and Müller, H.G., 2014, Time-warped growth processes, with applications to the modeling of boom-bust cycles in house prices, The Annals of Applied Statistics, 8(3), 1561-1582. https://doi.org/10.1214/14-AOAS74010.1214/14-AOAS740
  34. Petitjean, F., Ketterlin, A., and Gançarski, P., 2011, A global averaging method for dynamic time warping, with applications to clustering, Pattern Recognition, 44(3), 678-693. https://doi.org/10.1016/j.patcog.2010.09.01310.1016/j.patcog.2010.09.013
  35. Sakoe, H. and Chiba, S., 1978, Dynamic programming algorithm optimization for spoken word recognition, IEEE Transactions on Acoustics, Speech, and Signal Processing, 26(1), 43-49. https://doi.org/10.1109/TASSP.1978.116305510.1109/TASSP.1978.1163055
  36. Smith, L.B., Rosen, K.T., and Fallis, G., 1988, Recent developments in economic models of housing markets, Journal of economic literature, 26(1), 29-64.
  37. Straszheim, M., 1974, Hedonic estimation of housing market prices: A further comment, The Review of Economics and Statistics, 404-406. https://doi.org/10.2307/192398510.2307/1923985
  38. Zhang, Y., Cucuringu, M., Shestopaloff, A.Y., and Zohren, S., 2023, Dynamic Time Warping for Lead-Lag Relationships in Lagged Multi-Factor Models, arXiv preprint arXiv:2309.08800. https://doi.org/10.48550/arXiv.2309.0880010.2139/ssrn.4572554
  39. 국토교통부, 2023년 1월 5일a, 조정대상지역 지정 해제(국토교통부공고 제2023-2호).
  40. 국토교통부, 2023년 1월 5일b, 투기과열지구 지정 해제(국토교통부공고 제2023-1호).
  41. 한국부동산원 부동산통계정보시스템, https://www.reb.or.kr/r-one/portal/stat/easyStatPage.do
  42. 행정안전부 국가기록원, “주택정책”, https://www.archives.go.kr/next/newsearch/listSubjectDescription.do?id=001350&sitePage= (2024.10 검색)
  43. KB 부동산, “주택가격동향조사”, https://data.kbland.kr/kbstats/wmh?tIdx=HT01&tsIdx=monthAptSalePriceInx (2024.05 검색)
Information
  • Publisher :The Korean Cartographic Association
  • Publisher(Ko) :한국지도학회
  • Journal Title :Journal of the Korean Cartographic Association
  • Journal Title(Ko) :한국지도학회지
  • Volume : 24
  • No :3
  • Pages :29~44
  • DOI :https://doi.org/10.16879/jkca.2024.24.3.029
Journal Informaiton Journal of the Korean Cartographic Association Journal of the Korean Cartographic Association
Online Submission
  • NRF
  • KCI 문헌 유사도 검사
  • orcid
  • open access
  • ccl
Journal Informaiton Journal Informaiton - close