Journal Archive

1980년대 이후 각종 정보 기술의 발전으로 데이터의 수집과 축적이 매우 빠른 속도로 이루어지고 있다. 데이터의 빠른 축적은 잠재성 있는 다양한 자원들을 소유하는 것과 같은 의미를 지니지만, 또 다른 한편으로는 데이터의 대용량화와 다량화를 유발하여 데이터의 관리 및 분석을 어렵게 한다. 1990년대 후반에 들어 증가된 데이터를 효율적으로 분석하기 위한 여러 가지 방법들이 모색되었는데, 그 중에 대표적인 것이 데이터 마이닝(Data Mining)이다. 데이터 마이닝이란 일반적으로 대용량의 데이터베이스로부터 흥미롭고 유용한 패턴이나 규칙을 찾아내는 과정을 말하며, 고객 관계 경영(Customer Relationship Management)에 널리 이용되고 있다(황명화, 2003).

선진국에서는 기업에서 뿐 만 아니라 정부나 각종 연구기관에서도 데이터 마이닝 기법을 활발하게 이용하고 있으나 한국에서는 그리 활성화 되지 못한 상황이었다. 그러나 최근 정부는 공공정보의 적극공개로 국민의 알 권리 충족, 공공 빅데이터(Big Data)의 민간활용 활성화 및 데이터를 기반으로 한 과학행정 구현 등을 목표로 정부 3.0을 적극적으로 추진하고 있다. 이에 다양한 통계정보를 포함하고 있는 공공 빅데이터를 데이터 마이닝 기법을 이용해 새로운 의미 있는 정보와 지식을 재생산할 필요성이 커지고 있는 상황이다.

이에 본 연구는 도시·부동산 분야에 데이터 마이닝 기법을 적용하고자 공공 빅데이터인 한국노동패널자료를 이용해 한국 가구 근로소득이 높은 집단과 낮은 집단 간의 정보차이를 실증분석하였다. 글로벌 금융위기 이전 년도인 한국노동패널조사 10차(2007)와 이후 년도인 15차(2012)자료를 사용해 근로소득을 종속변수로 설정하고 지역, 가구구성, 입주형태, 주택정보, 저축여부, 소유부동산 등의 변수를 독립변수로 설정하여 비교분석하였다. 데이터 마이닝 기법 중 로지스틱 회귀분석(Logit regression), 의사결정나무(Decision Tree)와 신경망 분석(Neural network)을 사용하였고 이 세 가지 분석방법의 예측력을 비교 평가하였다.

본 연구의 구성은 다음과 같다. 2장은 관련된 선행연구를 살펴보고 3장은 분석방법론으로 로지스틱 회귀분석, 의사결정나무와 신경망 분석에 대해서 구술한다. 이후 4장은 실증분석으로 각 분석모형의 결과를 구술하고 가장 예측정확도가 높은 모형을 확인한다. 마지막으로 5장은 결론으로 시사점을 제시하고자 한다.

본 연구는 가구 소득격차와 관련된 선행연구와 도시·부동산 분야에 데이터 마이닝 기법이 적용된 선행연구로 나누어 살펴보도록 하겠다.

한국 가구 소득격차와 관련된 연구는 주로 지니계수 분해법을 이용한 연구가 주를 이루고 있는 상황이다.

정의철 외(2009)는 한국노동패널 자료를 이용하여 소득격차 수준과 그 변화를 지니계수를 이용하여 측정하고 이를 소득원천별로 지니 분해하였다. 분석결과, 근로소득이 전체 불평등에 미치는 영향력이 점차 확대되어 가고 있다고 하였으며 부동산소득의 총소득 불평등에 대한 기여도가 증가하고 있다고 하였다.

이민환·장연주(2011)은 한국노동패널 1차년도부터 11차년도까지의 자료를 이용하여 소득원천별로 지니계수를 분해하였다. 분석결과, 1997년 가구 소득격차에 대한 상대적 기여도가 가장 낮았던 부동산소득의 기여도가 2007년에는 근로소득 다음으로 가구 소득격차에 크게 기여한다고 하였다. 또한 근로소득과 부동산소득이 높은 가구일수록 가구균등화소득이 높고, 부동산소득과 기타소득이 높은 가구일수록 가구총소득이 평균 이상으로 높다고 하였다.

최바울·김성환(2003)은 한국노동패널 1-4년차 자료를 사용해 소득분해를 이용해 분석하였다. 분석결과, 소득격차에 근로소득이 가장 큰 영향을 주고 있으나 영향력이 점차 떨어지고 있으며 고소득층의 자산소득이 소득격차에 대한 기여도가 커지고 있다고 하였다.

정진호(2001)은 1990년부터 2000년까지 도시가계조사 자료를 이용해 지니계수를 분석하였다. 분석결과, 소득격차는 경제위기 이후 급격하게 높아졌으며 소득격차에 대한 기여도는 근로소득이 가장 크게 나타났고 재산소득이 소득격차에 미치는 영향은 크지 않다고 하였다.

한국에서 도시·부동산 분야에 데이터 마이닝 기법을 적용한 사례는 그리 많지 않은 상황이다.

변루나(2001)는 2000년 도시가계조사 자료로 도시가계의 소비성향패턴을 데이터 마이닝 기법인 로지스틱 회귀분석, 의사결정나무, 신경망 분석을 이용해 분석하였다. 분석결과 로지스틱 회귀분석이 가장 예측도가 높게 나타났으며 도시가계 소비성향의 패턴에 가장 영향을 주는 변수는 총지출과 저축이라 하였다.

조주옥(2004)은 2001년도 통계청 가구소비실태조사 자료를 이용해 가구소득에 대해 데이터 마이닝 기법을 사용한 여러모형을 구축하고 가장 예측력이 좋은 모형을 찾고자 하였다. 분석결과, 의사결정나무와 신경망모형이 약간 나은 모형으로 보였지만 그 차이는 미비하다고 하였다.

김태윤·이창무(2005)는 임차인의 임대계약형태에 있어서 영향을 주는 요인을 분석하기 위해 로지스틱 회귀분석, 의사나무결정, 신경망 분석을 이용하였다. 분석결과, 세가지 분석의 예측도는 유사하게 나타났으며 각 모형이 가진 장점을 이용해 임대시장의 구조적 해석이 가능하다고 하였다.

이준용 외(2007)은 강남지역 아파트 가격을 예측하기 위해 데이터 마이닝 기법을 적용하였다. 분석결과, 데이터 마이닝 기법 중 하나만을 가지고 연구 분석기법을 사용하는 것이 아니라 각 분석방법의 장점들을 살려 연구의 질이 향상 될 수 있다고 하였다.

송호창 외(2008)는 서울시 주상복합아파트를 대상으로 주택가격과 지역 및 개발특성이 어떤 관계가 있는지를 의사결정나무를 이용해 분석하였다. 분석결과, 전용면적이라는 개발특성에 따라 일정규모 이상과 이하로 구분되었으며 이를 검증 및 유형화하여 다중회귀분석을 통해 보다 구체적이고 설명력 있는 가격영향요인을 분석하였다.

홍아름 외(2010)은 1998년부터 2009년까지의 서울시 오피스빌딩을 대상으로 부동산 간접 투자제도가 도입된 이후 서울시 오피스빌딩에 직접투자와 간접투자를 결정하는 요인을 데이터 마이닝을 이용해 실증분석하였다. 로지스틱 회귀분석, 의사결정나무분석, 신경망 분석을 사용하였고 신경망 분석이 예측의 정확도가 가장 높게 나타났다.

데이터 마이닝을 효과적으로 하기 위해서는 많은 사전, 사후 작업이 필요하다. 어떤 데이터가 마이닝 될 필요가 있는지 적절한 데이터를 준비하고, 마이닝에 적합한 형태로 데이터를 가공하고, 마이닝에 사용할 기법을 선택하고, 결과를 해석하는 일련의 과정이 필요하며 이러한 과정을 KDD(Knowledge Discovery in Database)라고 한다.

데이터 마이닝은 대용량(massive)의 데이터로부터 쉽게 드러나지 않는 유용한 정보들을 추출하는 과정을 말한다. 여기서 정보는 묵시적이고 잘 알려져 있지 않지만 잠재적으로 활용가치가 있는 정보를 의미한다. 데이터 마이닝 기법으로는 연결분석(Link analysis), 판별분석(Discrimination anaysis), 군집분석(Cluster anaysis)등의 기존 통계분석과 의사결정나무, 신경망모형, 연관성규칙(Association rule)등의 변형된 형태의 분석기법이 있다. 본 연구에서는 데이터 마이닝에서 가장 널리 이용되는 로지스틱 회귀분석, 의사결정나무, 신경망 분석을 이용하고자 한다(변루나, 2001; 배화수, 2008).

3. 신경망 분석

신경망(Neural Network)에는 여러 가지 다양한 모형이 있으나 본 연구에서는 자료 분석시 가장 많이 이용되는 MLP(Multilayer Perceptron) 신경망을 이용하였다. MPL모형은 입력층(Input layer), 은닉마디로 구성된 은닉층(hidden layer) 그리고 출력층(output layer)으로 구성된 전방향(feed forward)신경망이다.

Figure 1. 
MPL Structure

입력층은 각 입력변수에 대응되는 마디들로 구성되어 있다. 명목형(nominal)변수에 대해서는 각 수준에 대응하는 입력마디를 가지게 되는데 이는 더미변수(dummy variable)를 사용하는 것과 같다. 은닉층은 여러개의 은닉마디로 구성되어 있다. 각 은닉마디는 입력층으로부터 전달되는 변수값들의 선형결합(linear combination)을 비선형함수(nonlinear function)로 처리하여 출력층 또는 다른 은닉층에 전달한다. 출력층은 목표변수에 대응하는 마디를 갖는다.

MPL구조를 수식으로 도식화하면 아래와 같다.

H1=f1(b1+w11X1+b1+w21X2+...+b1+wplXp)H2=f2(b2+w12X1+b1+w22X2+...+b1+wp2Xp)Y=g(b0+w10H1+w20H2)

(4)

본 연구에서는 글로벌 금융위기 전·후 한국 가구 근로소득이 높은 집단과 낮은 집단의 정보 차이를 분석하기 위해 한국노동연구원에서 진행한 한국노동패널조사 10차(2007년도)와 15차(2012년)자료를 사용하였다. 글로벌 금융위기 전년도(2007년)의 자료와 입수 가능한 최근년도(2012년)자료에 대해 의사결정나무, 로지스틱 회귀분석, 신경망 분석 세 가지 데이터 마이닝 기법을 사용하여 분석하였으며 조사에 사용된 자료는 조사대상 가구의 지역, 가구구성, 입주형태, 주택정보, 경제상태, 소득구성 등 정보를 포함하고 있다. 본 연구에서는 데이터 마이닝 분석의 효율성을 고려해 이들 변수 중 근로소득과 관련성이 높은 22개의 변수만 분석변수로 선택되었다. 연구모형의 종속변수인 근로소득 집단은 글로벌 금융위기 전·후 각각 자료의 평균값을 기준으로 산출하였다. 글로벌 금융위기 전년도(2007년)의 자료의 경우 근로소득 평균값이 3268.454이므로 평균값보다 큰 경우 근로소득이 높은 집단으로 분류하였으며 평균값보다 작은 경우 근로소득이 낮은 집단으로 분류하였다.

한편 최근년도(2012년)자료의 경우 근로소득의 평균값이 3853.185이므로 평균값보다 큰 경우 근로소득이 높은 집단으로 분류하였고 평균값보다 작은 경우에는 근로소득이 낮은 집단으로 분류하였다. 연구에서 사용한 자료의 구성은 <표 1>과 같다.

1. 의사결정나무 분석결과

분석에 사용한 자료는 분석용 데이터(Train Data)과 평가용(Validation Data)으로 각각 50%의 비율로 분할하였으며 앞서 선정된 변수 중에 R-square값이 0.005보다 작은 변수 또는 결측값이 50%보다 많은 변수들은 2차로 분석에서 제외하였다.

의사결정나무 분석은 E-Miner의 Decision Tree Node를 이용하였고, 분리기준(Splitting Criterion)의 알고리즘은 CHAID를 이용하였다. 의사결정나무 오분류표 결과 아래 <표 2>와 같다. 10차(2007)년도의 경우 정분류율이 66.82%, 15차(2012)년도의 경우 71.72%로 15차년도의 예측력이 10차년도보다 우수함을 알 수 있다.

Table 2. 
Decision Tree Analysis Misclassification Table

10차(2007년) 10th(2007)				15차(2012년) 15th(2012)
예측Prediction 실제Reality	근로소득 높음 High Income	근로소득 낮음 Low Income	총계 Total	예측Prediction 실제Reality	근로소득 높음 High Income	근로소득 낮음 Low Income	총계 Total
근로소득 높음 High Income	414	463	877	근로소득 높음 High Income	705	430	1135
근로소득 낮음 Low Income	246	1014	1260	근로소득 낮음 Low Income	366	1314	1680
총계 Total	660	1477	2137	총계 Total	1071	1744	2815
정분류율: 66.82%, Positive classification rates: 66.82%				정분류율: 71.72%, Positive classification rates: 71.72%

10차(2007)년도 근로소득이 높은 집단과 낮은집단의 정보에 대해 의사결정나무 분석한 결과 <그림 3>과 같다. 근로소득이 높은 집단이 39.0%, 낮은 집단이 61.0%로 나타났다. 저축여부=있었음(h102401=1)집단의 경우 근로소득이 높은 집단이 47.0%, 낮은 집단이 53.0%로 나타났고 저축여부=없었음(h102401=2)집단에서 근로소득이 높은 집단이 10.8%, 낮은 집단이 89.2%로 나타났다.

Figure 2. 
Decision Tree Analysis Evaluation

Figure 3. 
Decision Tree Analysis 10th(2007)

주택종류=아파트(house=2)집단의 경우 근로소득이 높은 집단이 59.1%, 낮은 집단이 40.9%로 나타났고 주택종류=단독주택, 기타(house=1,3)집단의 경우 근로소득이 높은 집단이 34.6%, 낮은 집단이 65.4%로 나타났다. 거주주택 외 부동산=없음(h102501=2)집단의 경우 근로소득이 높은 집단이 54.1%, 낮은 집단이 45.9%로 나타났으며 거주주택 외 부동산=있음(h102501=1)집단의 경우 근로소득이 높은 집단이 73.6%, 낮은 집단이 26.4%로 나타났다.

15차(2012)년도 근로소득이 높은 집단과 낮은 집단의 정보에 대해 의사결정나무 분석한 결과 <그림 4>와 같다. 근로소득이 높은 집단이 40.8%, 낮은 집단이 59.2%로 나타났다. 저축여부=있었음(h152401=1)집단의 경우 근로소득이 높은 집단이 51.1%, 낮은 집단이 48.9%로 나타났고 저축여부=없었음(h152401=2)집단에서 근로소득이 높은 집단이 16.5%, 낮은 집단이 83.5%로 나타났다.

Figure 4. 
Decision Tree Analysis 15th(2012)

주택종류=아파트(house=2)집단의 경우 근로소득이 높은 집단이 63.3%, 낮은 집단이 36.7%로 나타났고 주택종류=단독주택, 기타(house=1,3)집단의 경우 근로소득이 높은 집단이 37.2%, 낮은 집단이 62.8%로 나타났다. 대학생 이상 자녀 유무=없음(h152001=2)집단의 경우 근로소득이 높은 집단이 32.7%, 낮은 집단이 67.3%로 나타났으며 대학생 이상 자녀 유무=있음(h152001=1)집단의 경우 근로소득이 높은 집단이 59.5%, 낮은 집단이 40.5%로 나타났다. 입주형태=자가(h_type=1)집단의 경우 근로소득이 높은 집단이 68.7%, 낮은 집단이 31.3%로 나타났다.

입주형태=기타(h_type=2)집단의 경우 근로소득이 높은 집단이 52.0%, 낮은 집단이 48.0%로 나타났다. 결론적으로 글로벌 금융위기 전 근로소득이 높은 집단과 낮은 집단의 패턴에 가장 영향을 주는 변수는 저축(h152401)이며 그 다음으로 주택종류(house), 거주주택 외 부동산(h102501)의 순으로 구분되었다. 한편 글로벌 금융위기 후 근로소득이 높은 집단과 낮은 집단의 패턴에 가장 영향을 주는 변수도 역시 저축(h152401)으로 나타났으나, 그 다음으로는 주택종류(house), 대학생 이상 자녀 유무(h152001)와 입주형태(h_type)의 순으로 구분되었다.

2. 로지스틱 회귀분석 결과

로지스틱 회귀분석에서 더미변수에 대한 코딩방식은 Deviation방식을 사용하였고, 본 연구와 관련이 있다고 선정한 모든 변수들의 영향을 살펴보기 위해 변수선택방법은 Enter(None)를 사용하였다.

평가용 자료에 대한 오분류표는 아래 <표 3>과 같다. 로지스틱 회귀분석 오분류표 결과 10차(2007)년도의 경우 정분류율이 69.40%, 15차(2012)년도의 경우 73.46%로 15차년도의 예측력이 10차년도보다 우수함을 알 수 있다.

Table 3. 
Logistic Regression Analysis Misclassification Table

10차(2007년) 10th(2007)				15차(2012년) 15th(2012)
예측Prediction 실제Reality	근로소득 높음 High Income	근로소득 낮음 Low Income	총계 Total	예측Prediction 실제Reality	근로소득 높음 High Income	근로소득 낮음 Low Income	총계 Total
근로소득 높음 High Income	472	405	877	근로소득 높음 High Income	718	417	1135
근로소득 낮음 Low Income	249	1011	1260	근로소득 낮음 Low Income	330	1350	1680
총계 Total	721	1416	2137	총계 Total	1048	1767	2815
정분류율: 69.40%, Positive classification rates: 69.40%				정분류율: 73.46%, Positive classification rates: 73.46%

Figure 5. 
Logistic Regression Evaluation

근로소득집단을 분석한 결과 중 로지스틱 회귀분석 결과는 <그림 6>과 같다. 그림에서 변수별 중요도를 의미하는 Effect T-scores는 추정한 회귀계수에서 표준오차를 나눈 값이다. 그림을 보면 왼쪽부터 오른쪽까지 Effect T-scores의 절대값 크기대로 변수들을 나열하고 있다. 우선 10차(2007)년도에서 h102401(저축여부)의 점수가 가장 높았으며 다음으로 h_type(입주형태), house(주택종류), h102001(대학생 이상 자녀 유무), h102501(거주주택 외 부동산 소유여부), h101501(고등학생 이하 자녀 유무)의 순으로 나타났다. 15차(2012)년도를 살펴보면 역시 h152401(저축여부)의 점수가 가장 높았으며 다음으로 house(주택종류), h_type(입주형태), h152001(대학생 이상 자녀 유무), h151501(고등학생 이하 자녀 유무), h152501(거주주택 외 부동산 소유여부)의 순으로 나타났다.

Figure 6. 
Logistic regression analysis

3. 신경망 분석 결과

신경망 분석에서는 Neural Network Node의 MLP 알고리즘을 사용하였다. 평가용 자료에 대한 오분류표는 아래 <표 4>와 같다. 신경망 오분류표 결과 10차(2007)년도의 경우 정분류율이 68.88%, 15차(2012)년도의 경우 73.00%로 15차년도의 예측력이 10차년도보다 우수함을 알 수 있다.

Table 4. 
Neural Network Analysis Misclassification Table

10차(2007년) 10th(2007)				15차(2012년) 15th(2012)
예측Prediction 실제Reality	근로소득 높음 High Income	근로소득 낮음 Low Income	총계 Total	예측Prediction 실제Reality	근로소득 높음 High Income	근로소득 낮음 Low Income	총계 Total
근로소득 높음 High Income	466	411	877	근로소득 높음 High Income	770	365	1135
근로소득 낮음 Low Income	254	1006	1260	근로소득 낮음 Low Income	395	1285	1680
총계 Total	720	1417	2137	총계 Total	1165	1650	2815
정분류율: 68.88%, Positive classification rates: 68.88%				정분류율: 73.00%, Positive classification rates: 73.00%

<그림 7>은 신경망 분석에서 평균 오차함수값의 변화를 보여준다. 그림에서는 반복 횟수에 따른 분석용 자료와 평가용 자료의 평균 오차함수(Average Error Function)를 보여주고 있으며 일반적으로 반복 횟수가 증가하면 분석용 자료에 대한 목적함수 값은 감소한다. 10차(2007)년도의 경우 평가용 자료의 평균 오차함수값이 감소하다 반복횟수 3차부터 다시 증가한 것을 확인할 수 있다. 반면 15차(2012)년도의 경우 평가용 자료는 감소하다가 반복횟수 31차부터 다시 증가한 것으로 나타났으나 분석용 자료와 거의 차이가 없는 것을 확인할 수 있다.

Figure 7. 
The Change of average value of the error function of the neural network analysis

4. 모형평가 및 최종모형 선택

앞서 세 가지 분석 결과를 종합해 보면 아래 <표 5>와 같다. 결과를 보면 10차 년도와 15차 년도에서 모두 로지스틱 회귀분석의 정분류율이 가장 우수함을 알 수 있다.

Table 5. 
Methodology Evaluation

분석방법 Methodology	10차(2007년) 10th(2007)	15차(2012년) 15th(2012)
의사결정나무 Decision Tree	66.82%	71.72%
로지스틱 회귀분석 Logistic Regression	69.40%	73.46%
신경망분석 Neural Network	68.88%	73.00%

Figure 8. 
Neural Network Analysis Evaluation

한편, 세 가지 모형의 성능을 민감도(Sensitivity)/특이도(Specificity) 기준으로 그려진 ROC곡선을 출력한 결과 <그림 9>와 같다. 그림을 보면 세 가지 모형 모두 우상향하여 모형의 구축 효과는 입증되고 있으며 로지스틱 회귀모형과 신경망모형은 거의 차이가 없는 것을 확인할 수 있다.

Figure 9. 
ROC Curve

본 연구에서는 글로벌 금융위기 전·후 한국 가구 근로소득이 높은 집단과 낮은 집단의 정보 차이를 분석하기 위해 한국노동연구원에서 진행한 한국노동패널조사 10차(2007년도)와 15차(2012년)자료를 사용하였다. 글로벌 금융위기 전년도(2007년)의 자료와 입수 가능한 최근년도(2012년)자료에 대해 의사결정나무, 로지스틱회귀분석, 신경망 분석 세 가지 데이터 마이닝 기법을 사용하여 분석하였으며 조사에 사용된 자료는 조사대상 가구의 지역, 가구구성, 입주형태, 주택정보, 경제상태, 소득구성 등 정보를 포함하고 있다. 본 연구에서는 데이터 마이닝 분석의 효율성을 고려해 이들 변수 중 근로소득과 관련성이 높은 22개의 변수만 분석변수로 선택되었다.

의사결정나무, 로지스틱 회귀분석, 신경망 분석에 의해 산출된 모형의 예측정확도는 대체로 만족할 만큼 높게 나타났다. 그 중에서 로지스틱 회귀분석의 예측도가 가장 높게 나타났다.

로지스틱 회귀분석결과, 글로벌 금융위기 이전시기인 10차(2007)년도에서 저축여부의 점수가 가장 높았으며 다음으로 입주형태, 주택종류, 대학생 이상 자녀 유무, 거주주택 외 부동산 소유여부, 고등학생 이하 자녀 유무의 순으로 나타났다. 글로벌 금융위기 이후시기인 15차(2012)년도를 살펴보면 역시 저축여부의 점수가 가장 높았으며 다음으로 주택종류, 입주형태, 대학생 이상 자녀 유무, 고등학생 이하 자녀 유무, 거주주택 외 부동산 소유여부의 순으로 나타났다. 한국 가구 근로소득이 높은 집단과 낮은 집단의 차이에 저축이 가장 큰 영향을 미치는 것으로 나타났으며 그 다음으로는 주택소유 및 입주형태여부가 영향을 미치는 것으로 나타났다. 글로벌 금융위기 전·후의 차이점을 살펴보면 이후기간에는 글로벌 금융위기로 인해 부동산가격이 하락하여 거주주택 외 부동산 소유여부가 근로소득 집단 차이에 미치는 영향력이 줄어든 것을 살펴볼 수 가 있다.

본 연구는 도시·부동산 분야의 공공 데이터에 데이터 마이닝 기법을 적용해 모형을 구축함에 의의가 있으며 더욱 다양한 변수를 이용해 연구를 확장하는 것은 추후 연구과제로 남긴다.