부동산 조세 및 대출 규제가 법인의 수도권 주택시장 참여에 미치는 영향

일반적으로 시계열 자료는 불안정적인 특징을 가지고 있다. 시계열이 불안정적일 때 시계열분석을 전통적인 회귀분석이론에 입각한 추정 및 검정에는 오류가 있을 수 있다. 패널데이터 또한 시계열을 포함하고 있기에 사전에 안정성여부의 검증을 위해 불안정 시계열데이터를 식별하는 검정방법이 필요한데, 이를 단위근 검정이라 한다.

그러나 패널모형에도 개별 시계열 데이터를 전제한 위 ADF 검정을 적용할 경우 패널모형에서 나타나는 이질적 동태성을 고려하기 어렵다는 문제점이 있다. 이 중 LLC와 IPS 검정방법은 ADF 검정방법을 기반으로 하되 패널데이터의 고정효과 및 이질적 동태성을 고려하는 모형으로 아래의 식으로 표현할 수 있다(Levin et al., 2002).

LLC는 모든 개별 패널자료에 대한 자기상관계수의 동태성에 대해 동질성을 가정하지만, IPS는 그러한 동태성에 있어서 이질적일 수 있는 가능성을 허용함으로써 다른 패널 단위근 검정방법보다 적용의 폭이 넓다는 장점이 있다. 본 연구에서는 ADF, PP, LLC, IPS 검정방법을 모두 활용하여 수준변수와 1차 차분변수의 단위근 여부를 확인할 것이다.

불안정적인 경제시계열의 경우에도 변수 간 장기적 관계가 존재할 수 있게 되는 경우가 있다. 이때 이들 변수들은 공적분되어 있다고 할 수 있다. 공적분의 존재는 단지 선형회귀분석의 존재가치 여부를 검정하는 데 그치는 것이 아니라, 변수 간에 설정된 함수관계를 검정하는 효과를 갖는다. 즉 변수들 간에 장기간에 걸쳐 일정한 관계를 유지하며 함께 변동할 것으로 기대할 수 있는 것이다.

일반적인 위의 모형에 대한 귀무가설은 H₀:α=ß=γ=0으로 하여 귀무가설이 기각되면 공적분 관계가 성립되는 것으로 판정할 수 있다. 이 경우 개별 변수의 시계열이 불안정하다 하더라도 수준변수를 활용한 회귀분석이 가능하다.

위와 같은 공적분 검정으로는 통상적으로 요한슨 공적분 검정방법이 활용되었다. 그러나 위 검정방법은 공적분 벡터가 동일한 개별자료의 공적분 검정에서는 활용될 수 있으나, 패널그룹마다 공적분 벡터가 다른 패널데이터의 특성상 패널데이터의 공적분 검정에서는 그대로 사용하기 어렵다. 이에 Westerlund(2007)는 오차수정모형에 기초하되 개별 그룹의 공적분 관계를 추정할 수 있도록 잔차에 패널 단위근 검정을 적용한 모형을 제시하였다. 따라서 본 연구는 패널 자료의 그룹평균 및 패널 검정을 통하여 변수 간 장기적 균형관계가 존재하는지 검정하는 Westerlund 공적분 검정 방법을 활용하였다.

패널 모형은 패널 데이터가 가지고 있는 다양하고 풍부한 정보들을 가장 효과적으로 추출해내는 분석기법으로서 계량경제학에서 가장 이상적인 분석기법으로 간주된다(Hill et al., 2001(이병락 역, 2004)). 특히 횡단면분석이나 시계열분석에서는 통제 불가능한 누락변수에 대한 처리를 해주기 때문에 제반 변수들에 대한 통제가 불가능한 사회과학연구에서는 가장 선호되는 분석모형이라 할 수 있다.

패널 데이터 분석은 시계열과정에서 발생하는 추정오차와 지역별 단위의 자료에서 발생하는 추정오차를 통제할 수 있는 장점을 가지고 있기 때문에 시계열 또는 횡단면 자료에 비해 현실을 보다 제대로 분석할 수 있는 장점이 있다(Baltagi, 2001). 일반적으로 회귀방정식을 설정할 때 종속변수에 영향을 미치는 모든 변수를 포함할 수는 없다. 모든 변수를 포함시킨다고 하더라도 그것이 가장 좋은 모형이라고 판단하기도 어렵다. 하지만 중요한 것은 종속변수에 매우 중요한 영향을 미침에도 불구하고 독립변수로 포함되지 않은 요인들이 있을 경우 추정된 모형이 매우 위험하게 된다는 것이다. 패널분석은 이러한 누락된 변수에 대한 한계를 극복하는 데에 가장 큰 의의를 가지고 있다.

누락된 변수를 제어하기 위해서는 오차항에 대해 지역 간에는 다르나 시간변동이 없는 변수, 시간변화에 따라 변동하나 지역 간에는 차이가 없는 변수, 지역 간에도 차이가 있고 시간변화에 따라서도 변동하는 확률적 교란항으로 구분하여 다루게 된다. 이를 일반적인 선형 모형으로 표현하면 아래 식과 같다(Ashenfelter et al., 2003).

이들 모형은 오차항에 대한 가정에 따라 고정효과모형과 확률효과모형으로 나뉜다. 두 모형을 구분하는 가장 좋은 방법은 시간불변의 개별특성효과가 독립변수들과 관련이 되어 있는가를 살펴보는 것이다. 관련이 있게 되면 고정효과모형을 쓰게 되며 관련이 없을 경우 확률효과모형을 선택하게 된다(Johnston, 1997).

이를 판별하여 고정효과모형과 확률효과모형 중에 어느 것이 더욱 적합한지에 대한 테스트가 바로 하우스만 검정이다. 개별특성효과가 독립변수들과 관련이 없을 경우 확률효과모형의 추정치는 일관성과 효율성을 가지게 된다. 이 경우 고정효과모형의 추정치는 일관성을 가지지만 효율적이지 못하게 된다. 반대로 개별특성효과가 독립변수와 관련이 있을 경우 고정효과모형의 추정치는 일관성과 효율성을 가지게 되지만, 확률효과모형의 추정치는 일관성을 잃게 된다. 이러한 차이를 테스트하는 것이 하우스만 검정이다(Johnston, 1997). 하우스만 검정의 통계량에 대한 기본 가설은 확률효과모형의 추정치가 적합하다로 설정되어 있으며 이를 기각할 경우 고정효과모형이 선택된다.

일반적으로 시계열 데이터를 회귀모형에 사용하는 경우, 오차항에 자기상관이 존재할 가능성이 크다. 자기상관이 존재한다면 추정계수의 표준오차 추정에 문제가 생기게 되고 또한 표준오차를 이용하여 계산하는 t값과 p값에도 문제가 있을 수 있다(민인식·최필선, 2009:214).

따라서 본 연구는 모형에 자기상관이 존재하는지를 판단하기 위해 Wooldridge 검정을 사용하였다(Wooldridge, 2002). 본 모델의 귀무가설은(H0)는 “1계 자기상관이 존재하지 않는다.”라는 것이다. 만약 귀무가설이 맞다면 1차 차분모형에서 오차항에 아래와 같은 관계가 성립한다.

따라서 본 검정은 1차 차분 모형 오차항의 1계 자기상관계수가 -0.5인지를 검정하는 방법론이다. 만약 귀무가설이 기각되어 오차항인 ∆e_it에 1계 자기상관(AR(1))이 발생된다면, 이를 고려하여 1차 차분추정을 하게 된다.

주택정책을 변수로 반영하는 방법으로는 수치화 가능한 특정 정책을 변수로 활용하거나, 주요 정책을 더미변수로 만드는 방법이 있으나. 이러한 연구 방법의 경우 한계를 가진다. 따라서 본 연구에서는 개인에 대한 월별 부동산 조세 및 주택금융규제 지수(2017년 7월=100 기준)로 만들어 변수로 반영하였다. 또한 부동산규제는 규제지역별로 달리 적용되기에, 투기과열지구와 조정지역, 비조정지역의 경우 위 규제지수에 가중하여 반영하였다.

이를 위하여 본 연구에서는 2017년 5월 문재인 정부 수립 이후 2020년 7월까지 국토교통부(2020)에서 발간한 주택업무편람 중 주요 주택시장관리정책 부분을 기초로 부동산 세제 규제 및 주택금융 규제를 월별로 조사하였다.

이렇게 조사한 월별 각 개인에 대한 부동산 조세, 주택금융에 대한 정책을 혜택(인센티브) 정책과 제재(패널티) 정책으로 분리한 뒤 인센티브의 경우 -1의 값을, 패널티의 경우 +1의 값을 부여하여, 각 월에 발표된 주택정책의 성격과 수에 따라 총값을 부여하였다. 또한 투기과열지구 또는 조정지역에 지정될 경우 해당하는 지역에 부동산 대출규제 및 세율 인상 등이 비조정지역에 비하여 강화되는 점을 고려하여 해당 지역으로 새롭게 지정되는 경우에도 가중치를 부여하였다. 또한 기존의 연구는 정책목적의 통일성을 고려하여 부동산시장 활성화/억제 정책으로 나누어 합산하여 수치화 한 거와 달리, 본 연구는 조세정책과 대출규제정책이 법인 명의를 활용한 아파트 거래에 미치는 영향력이 다를 수 있음을 고려하여, 본 연구에서는 각 규제정책의 영향력에 따라 가중치를 차등 부여하였다.²⁾ 정책의 분류는 선행연구를 종합적으로 고려하여 ① 개인에 대한 부동산 조세 정책, ② 개인에 대한 규제 정책, ③ 법인 또는 임대사업자에 대한 조세 및 대출 규제정책 정책으로 나누었다.

위에서 언급한 각 정책의 영향력을 분석하기 위하여 본 연구는 상관관계 계수를 활용하는 방법을 선택하였다. 상관분석은 유사한 방향성 내에서 영향력의 크기를 가중치로 변환하는데 적절하기 때문이다. 상관계수를 이용한 가중치 연구는 Resnick et al.(1994)의 연구에서 처음 사용된 이후 다양한 영역에서 가중치 부여의 한 방법으로 널리 사용되고 있다. 본 연구에서는 위 상관분석을 진행한 뒤, 상관계수비에 따라 부동산조세 및 주택금융 정책에 가중치를 차등 부여한 지수를 생성하였다.

각 요소별 상관분석 결과 개인에 대한 세금, 주택금융, 법인에 대한 규제 등이 <표 2>에서 보는 바와 같이 각 0.4:0.7의 계수비로 법인 명의의 주택거래에 영향을 미침을 확인할 수 있었으므로 이를 고려하여 가중치를 설정하였다. 또한 조정지역이 대출규제가 중심인 투기과열지구보다 세율 규제가 좀 더 강할뿐더러 조정지역과 투기과열지구의 각 영향력이 0.6:0.3이고 서로 효과가 독립적이므로, 조정지역이 투기과열지구로 추가 지정 시 양자 간의 계수비를 곱하여 가중 반영하였다.

Table 2.

Correlation coefficient by real estate regulation and regulatory region

본 연구모형에 반영한 주택의 공급 및 수요에 관한 변수는 수도권 시군구 세대수(월별, 시군구별)다. 세대수는 행정안전부에서 제공하는 월별 주민등록인구현황 통계에서의 주민등록세대수 자료를 사용하였다.

주택가격지수의 경우 한국부동산원에서 발표하는 서울시 월간 아파트 매매가격지수를 사용하였다. 연구의 공간적 범위가 수도권 시군구이지만 서울 아파트 매매가격지수를 변수로 설정한 것은 서울 매매가격지수 변동이 아파트 거래량이 가장 영향을 많이 미치기 때문이다.

위와 같은 점을 지지하는 선행연수로는 임재만(2011) 및 이옥동·최정일(2016)의 연구가 있다, 임재만(2011:3-18)은 수도권 주택거래량과 주택가격지수의 그랜저 인과관계를 통하여 둘 간의 시계열적 인과관계를 검정한 결과 서울시 주택가격지수가 서울 외 다른 하위 주택시장에서의 거래량과 인과관계가 인정된다고 분석한 바 있으며, 이옥동(2016:241-252)은 주택가격지수와 거래량 사이의 관계를 분석한 결과 주택매매종합지수에 서울아파트가격지수가 가장 높은 상관관계를 보였으나 종합주가지수, 회사채, 소비자물가 등은 상관관계가 약하게 나타났다고 하였다.

또한 시군구별 주택가격지수를 반영하기 위해서는 시군구별 주택가격지수를 생성할 수 있을 정도로 주택의 수 및 거래량이 충분히 많아야 하나, 수도권 일부 시군 지역(인천 강화군, 경기 가평군 등)의 경우 절대적인 주택의 수 및 거래량이 부족하여 현재 한국부동산원이 월별로 발표하는 시군구별 주택가격지수에 반영되지 않는 상황이다. 위와 같은 가격지수의 대표성 및 유의성을 고려하여 서울 아파트 가격 지수를 독립변수로 반영하였다.

그 외에 본 연구모델에 반영한 거시경제 변수로는 ① 대출 이자율 평균 (통계청) ② KOSPI 지수(통계청)다. 본 연구에서 활용한 주택정책 및 주택시장에 관한 다른 변수들과 달리 위 거시경제변수들은 전국적으로 동일한 지표이다. 위 변수들의 시계열 범위는 다른 변수들과 동일하게 2017년 7월부터 2020년 7월까지이다.

본 분석을 시행하기에 앞서 본 연구에서 설정한 모형의 독립변수들간의 상관관계분석을 시행하였다. <표 3>은 독립변수들 간의 상관관계 및 분산팽창요인분석(VIF) 결과를 나타내는 표이다.

Table 3.

Correlation analysis

위 <표 4>에서 보는 바와 같이, 본 모형의 독립변수 간에 높은 상관관계가 나타나지 않았다. 따라서 변수들 간의 다중공선성 문제를 확인하기 위해 분산팽창요인을 분석하였으나, 모든 VIF값이 3.6 이하이고 평균값이 2로, 독립변수 간 다중공산성이 크지 않은 것으로 확인되었다.

Table 4.

Variance inflation factors

따라서 최종적으로 선정된 각 변수는 <표 5>와 같다. 종속변수로는 법인이 매수한 아파트 거래량을, 독립변수로는 ① 개인에 대한 부동산규제지수 및 주택시장 측면에서, ② 주민등록세대수 증가율 및, ③ 서울아파트가격지수를 다른 자산시장과의 관계에서, ④ 월별 이자율, ⑤ 코스피 지수 등을 설정하였다.

Table 5.

Data explanation

<표 6>은 패널데이터 전체의 기초통계량 분석인데, 위 데이터는 76개 수도권 시군구별로 각 37개월의 월 단위 데이터로 구성되어 있는 균형패널데이터이다. 그룹(=지역) 내 표준편차는 법인명의의 아파트 매수량이 가장 크며, 지역 간 표준편차는 부동산 규제지수로 대상지역이 비조정지역인지 조정지역인지의 여부에 따라 개인이 받게 되는 조세 패널티 또는 인센티브 차이가 큼을 시사한다. 이는 2020년 6월까지 비규제지역으로 있었던 인천의 경우 법인을 통한 아파트 매수가 높았을 가능성을 시사한다.

Table 6.

Basic statistics

수도권 권역별 분석결과 경기와 인천의 경우 법인명의의 아파트 매수량은 2019년 12월을 기점으로 크게 증가했지만, 서울의 경우 증가량이 경기도의 약 10% 내지 약 20% 정도로 법인을 통한 아파트 매수세가 상대적으로 낮았다(그림 1a).

Figure 1.

Time series trend by variable (2017.7.~2020.7.)

그러나 서울과 대조적으로 인천의 경우 세대수가 경기도에 비해 약 30% 수준으로 낮음에도 법인명의 아파트 매수량은 경기도 대비 약 50% 수준을 보여주고 있어 법인을 통한 아파트 매수세가 상대적으로 높았다. 위와 같은 지역 간 법인을 통한 아파트 매수세 차이는 분석 시 같은 수도권이라도 서울과 서울이 아닌 지역을 분리하여 분석할 필요성을 보여준다.

부동산규제정책의 변화를 보시면 개인에 대한 부동산 규제는 증가 추세에 있었고, 2018년부터 2020년 초까지 개인과 법인의 규제 지수 차이가 큰 편임을 확인할 수 있다(그림 1b).

법인의 아파트 매수와 다른 자산시장과의 관계를 보면 꾸준히 상승하는 서울 아파트 가격지수와 달리 금리와 코스피지수는 2020년까지 하향추세임을 확인할 수 있다(그림 1c).

Defuller-Fisher 단위근 검정을 시행한 결과 수준변수와 1차 차분변수 모두 귀무가설을 기각하지 못하여 단위근이 존재하는 것으로 확인되었다. 추가적으로 IPS 검정(Im at el., 2003:53) 및 LLC, PP검정 모두 시행하였으나 아래의 표와 같이 수준변수 모두 10% 범위 내에서 귀무가설을 기각하지 못하여 단위근이 존재하는 불안정한 시계열을 가진 패널 데이터로 확인되었으나 1차 차분한 수준변수의 경우 단위근이 존재하지 않는 것으로 확인되었다<표 7>. 따라서 각 독립변수를 1차 차분하여 적용할 필요성이 있다.

Table 7.

Unit root test result

또한 본 패널 데이터에 장기적 균형관계가 나타나는지 검정하기 위하여 Westerlund 공적분 검정을 실시하였다(Westerlund, 2007: 709-710). AIC 최적차수는 3으로 하여 분석한 결과 검정결과 시간특성을 반영한 그룹평균 검정값인 Gt, Ga와 패널검정인 Pa, Pt는 귀무가설을 기각하여 연구모형의 변수들 간에는 장기적 균형관계가 나타는 것으로 나타났다<표 8>.

Table 8.

Cointegration test result

따라서 본 연구에 사용되는 패널데이터는 단위근 및 공적분 검정결과 수준변수와 1차 차분변수 모두 단위근이 존재하는 불안정한 시계열이나, 변수들 간 장기적인 균형관계가 존재하므로 패널회귀분석을 하는 것이 가능하다. 따라서 각 독립변수들을 1차 차분하여 불안정성을 제거한 다음, 패널 회귀분석을 실시하였다,

<표 9>는 하우스만 및 1계 자기상관 검정 결과 요약표이다. 본 연구에 적용할 고정효과 모형과 확률효과 모형 중 적합한 모형을 판별하기 위한 하우스만 검정 결과 모델 1(수도권 전체)와 모델 2(서울 외 수도권 지역)을 분석 대상으로 한 모델의 경우 Prob＞chi2값이 0.001로 나타나 고정효과 모형(FE)이, 모델 3(서울)을 분석대상으로 한 모델의 경우 Prob＞chi2값이 0.233으로 10% 범위 내에서 귀무가설을 기각하지 못하여 확률효과 모형(RE)이 적정한 것으로 나타났다.

Table 9.

Woodridge first-order autocorrelation test

이후 시계열 데이터를 포함하는 패널데이터의 1계 자기상관 여부를 검정하기 위하여 1계 자기상관 검정(Wooldridge, 2002:108)을 수행한 결과 모델 1과 모델 3의 경우 F값이 각 0.11, 0.33으로 10% 범위 내에서 1계 자기상관이 존재한다는 가설을 기각하지 못하였으나, 모델 2의 경우 오차항이 같은 패널 그룹내에서 1계 자기상관이 존재하는 것으로 확인되었다. 따라서 모델 2의 경우 1계 자기상관을 통제한 고정효과 모델(FE_AR)을 통하여 분석하였다.

또한 각 모형별 결정계수의 경우 서울 외 수도권만 반영한 모델 2가 0.03으로 수도권 전체를 반영한 모델 1(0.027), 서울만 반영한 모델 3(0.005)보다 크게 나와 상대적으로 다른 모형에 비해 설명력이 높은 것으로 나타났다.

<표 10>은 수도권 전체 및 서울 외 수도권 지역의 법인의 주택매수 비율에 영향을 미치는 요인을 각 모델별로 분석한 결과이다. 개인에 대한 부동산 규제 지수가 법인 명의의 아파트 매수량에 미치는 영향력을 모델별로 분석한 결과, 개인에 대한 부동산 규제 지수가 1 증가할수록 각 0.08(모델 1: 수도권 전체), 0.13(모델 2: 서울 외 수도권)씩 법인명의의 아파트 매수량이 증가하는 것으로 확인되었다. 같은 개인에 대한 부동산 규제가 강화되더라도 서울보다는 서울 외 지역에서 법인명의의 아파트 매매가 상대적으로 증가량이 많은 것이다.

Table 10.

Estimated results by model

또한 지역의 고정적인 특성을 반영하는 계수 값의 경우 각 76(모델 1), 51(모델 2)씩 법인명의의 아파트 거래량을 감소시키는 것으로 나타났다.

자산시장을 설명하는 변수인 코스피 지수가 증가할수록 법인명의의 아파트거래량은 각 0.01(모델 1), 0.009(모델 2) 증가하고, 반대로 평균 이자율이 증가할수록 각 23(모델 1), 21(모델 2)씩 법인명의의 아파트 거래량을 감소시키는 것으로 나타났다. 코스피 지수의 변동보다 평균 대출이자율의 변동이 법인명의의 아파트거래량에 상대적으로 큰 영향을 미치는 것으로 보인다.

그 외 주택수요를 설명하는 변수인 주민등록세대수가 1% 증가할 때 거래량은 각 132(모델 1), 118(모델 2)씩 서울시 아파트 가격 지수가 증가할 때 거래량은 각 1.1(모델 1), 0.9(모델 2)씩 증가하는 것으로 나타났다.

확률효과 모형을 중심으로 분석한 서울시 지역만 대상으로 한 모델 3의 결과는 앞의 모델 1, 모델 2와 달리 세대수 증가율, 이자율, 서울시 아파트 매매가격 지수만이 유의한 영향력이 있었고, 개인에 대한 부동산규제지수는 10% 내에서 유의한 영향을 주지 못하는 것으로 나타났다.

확률효과 모형 기준, 모델 3의 경우 세대수 증가율의 경우 1% 증가할 때 거래량이 43 증가하고, 평균 이자율 1% 상승시 거래량이 -4.5 감소, 서울아파트가격지수 1 상승 시 거래량이 0.2 증가하는 것으로 나타났는데, 서울 외 수도권(모델 2)과 비교하면 평균이자율과 서울아파트 가격지수의 영향력이 상대적으로 낮은 것으로 보인다.