http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 저자 : 배성완(Seong Wan Bae) (검색결과 4 건)
- 무료
- 기관 내 무료
- 유료
-
배성완 ( Bae Seong Wan ),유정석 ( Yu Jung Suk ) 한국감정평가학회 2017 감정평가학논집 Vol.16 No.1
본 연구에서는 서울특별시 개별주택 공시가격을 대상으로 COD, PRD, 회귀분석 및 분위회귀분석을 통해 과세의 수평적 형평성과 수직적 형평성을 검증하였다. 서울특별시 개별주택 공시가격에는 수평적 불공평이 존재하는 것으로 나타났고, 부지면적과 건물연면적이 클수록 과대평가되며, 건축연령이 증가할수록 과소평가되는 것으로 나타났다. 특히, 강남구와 비교했을 때 모든 구가 상대적으로 과소평가되고 있는 것으로 나타났다. 그리고 가격 수준에 따라 개별특성이 수평적 형평성에 주는 영향의 정도가 상이한 것으로 나타났다. 수직적 형평성과 관련하여 분석모형에 따라 다소 상이한 결과를 보이고 있으나 서울특별시 개별주택 공시가격에는 역진적 불공평이 존재하는 것으로 나타났다. 과세 평가 불공평의 원인은 표준주택공시가격과 실거래가격의 차이와 주택가격비준표의 불완전성이며, 본 연구는 이에 대한 개선방안을 제시하고 있다. This paper examines the horizontal and vertical equity of tax, using the results of COD(Coefficient of Dispersion), PRD(Price-Related Differential), regression analysis and quantile regression analysis in Seoul housing assessment value. This study finds the horizontal inequity in Seoul housing assessment value; houses with larger site area and total floor area are overvalued while older houses are undervalued. Especially, assessment value appears to be underappreciated in every other Gu, when compared with the Gangnam-Gu. In addition, this study finds that the impact of property characteristics on horizontal inequity differs depending on the level of price. In regards to vertical equity, the study finds regressive inequity In Seoul housing assessment value. The causes leading taxation inequity is difference of standard housing value and housing sales price and incompleteness of housing comparative table, and this study suggests improvements to eliminate them.
-
표본 주택 가격 기반 부동산 가격지수 산정: 머신 러닝 방법의 활용을 중심으로
배성완(Seong-Wan Bae),유정석(Jung-Suk Yu) 한국주택학회 2018 주택연구 Vol.26 No.4
The Purpose of this study is to estimate the real estate price index based on the ‘estimated price by machine learning’. The price of a sample house was estimated using the machine learning method ‘Random forest’ and ‘Deep neural networks’, and the real estate price index was calculated using the Jevons index calculation method. First, the result of the study showed that the RF index and DNN index are similar, and the variability was changed according to the learning period. Second, the RF index and DNN index showed similar long-term trends compared to the KAB index, but it was found that there was a considerable difference in short-term trends. Third, the RF index and DNN index were found to be more variable than the KAB index, KB index, and real transaction price index, and the relationship with real transaction price index could not be confirmed. If the researcher’s qualitative analysis on the RF index and DNN index is added, it is expected that there is a high possibility of utilization as a new price index that can improve existing price index.
-
머신 러닝 방법과 시계열 분석 모형을 이용한 부동산 가격지수 예측
배성완(Seong Wan Bae),유정석(Jung Suk Yu) 한국주택학회 2018 주택연구 Vol.26 No.1
본 연구의 목적은 부동산 가격지수 예측을 위한 머신 러닝 방법의 활용가능성을 확인하는 것이다. 이를 위해 머신 러닝 방법인 서포트 벡터 머신, 랜덤 포레스트, 그래디언트 부스팅 회귀 트리, 심층신경망, LSTM과 시계열분석 방법인 자기회귀이동평균모형, 벡터자기회귀모형, 베이지언 벡터자기회귀모형을 이용하여 아파트 매매실거래가격지수를 예측하고 모형간 예측력을 비교하였다. 연구 결과, 첫째, 머신 러닝 방법의 예측력이 시계열분석 모형보다 우수한 것으로 나타났다. 둘째, 시장이 안정적인 상황에서는 머신 러닝 방법과 시계열분석 방법 모두 시장 추세를 적절히 예측하는 것으로 나타났다. 셋째, 구조적인 변화 또는 외부 충격으로 시장이 급변하는 경우 머신 러닝 방법은 시장 추세를 대체로 유사하게 예측하는 것으로 나타났으나, 시계열분석 방법은 시장 추세를 전혀 예측할 수 없는 것으로 나타났다. 향후 머신 러닝 방법을 활용함으로써 부동산 시장에 대한 예측의 정확성이 향상 될 것으로 기대된다. This study aims to explore the feasibility of using machine learning methods to forecast the real estate price index. To do so, machine learning methods, such as support vector machine, random forest, gradient boosting regression tree, deep neural networks, and long short term memory networks (LSTM), and the time series analysis methods such as the autoregressive integrated moving average model (ARIMA), the vector autoregression model (VAR), and the Bayesian vector autoregressive model (Bayesian VAR), were used to predict the real estate price index for apartments. The following were the main findings of the comparison of their predictive abilities. First, the predictive power of machine learning methods is superior to that of the time series analysis methods. Second, in a stable market situation, both machine learning and time series analysis methods can predict market trends moderately well. Third, when the market undergoes a dramatic change due to structural changes or external shocks, the machine learning method can accurately predict market trends for the most part, whereas the time series analysis method fails to do so. Thus, the accuracy of real estate market forecasts can be expected to improve with the use of machine learning methods.
-
KCI
KISS연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
