아파트 가격 결정요인에 대한 기계학습적 접근: 서울시 강남3구와 강북3구를 비교하여

Ⅰ. 서 론

서울 아파트 m²당 매매 평균가격은 2025년 1월 기준 약 1,644 만원으로 2014년 1월 대비 약 2.8배 상승했다(한국부동산원, 2025). 특히 코로나19로 인해 팬데믹 발생 이전부터 팬데믹 기간(2018년 1월 대비 2022년 1월)에는 약 1.7배 상승하여 단기간동안 아파트 가격이 크게 상승했다(한국부동산원, 2025). 서울 아파트 가격이 급격하게 상승한 상황에서 지역 간 주택가격의 격차도 심화되고 있다. 실제로 KB부동산(2025)에서 제공하는 주택가격동향조사 결과에 따르면, 2025년 3월 기준 강남3구(강남구, 서초구, 송파구)와 강북3구(노원구, 도봉구, 강북구) 간의 아파트 ㎡당 매매평균가격 차이는 약 1,848만 원으로, 통계 집계를 시작한 이후 격차가 가장 크다. 그런데 주택가격격차가 심화되는 것은 단순히 주택가격의 차이가 커지는 것에만 머물지 않고 사회적 통합을 저해하는 등 사회 전반에 영향을 미칠 수 있다(이주석·조주현, 2010). 그러므로, 강남3구와 강북3구의 주택가격결정요인을 비교하여 주택가격 상승기에 강남3구와 강북3구 간 상승폭의 차이가 커지며 지역 간 불균형이 심화된 원인을 확인할 필요가 있다.

또한 부동산의 고유한 특성 때문에 부동산 시장은 지역, 소득 등에 따라 분화되며, 지역별 하위시장(sub-market)이 형성될 수 있다(박천규 외, 2012). 따라서 아파트 가격 결정요인을 분석할 때 하위시장으로 나누어 하위시장만의 특징을 확인하면 더 정확한 추정이 가능할 수 있다. 한국의 수도인 서울에서 강남3구(강남구, 서초구, 송파구)는 아파트 가격이 높은 하위시장으로, 강북3구(노원구, 도봉구, 강북구)는 아파트 가격이 낮은 하위시장으로 사람들이 인식하고 있다. 이 두 개의 하위시장은 가격 차이로 인해 아파트를 매수하고자 하는 사람들의 특성이나 수요 등이 상이해서 아파트 가격 결정요인이 다를 수 있다.

특히, 강남3구와 강북3구는 주택가격 외에도 교육환경, 인프라, 전반적인 소득수준 등에서 차이가 나타나고 있다. 강남3구는 강북3구에 비해 교육환경이나 대중교통 등 주거환경이 더 우수한 것으로 알려져 있다(이규환·서승제, 2009). 또한, 국세청(2025)에서 공개한 시군구별 근로소득 연말정산 신고현황에 따르면, 2020년 근로소득 연말정산으로 신고된 강남3구의 급여총액은 강북3구보다 4배 이상 더 많은 것으로 나타났다. 이러한 지역 간 거주민들의 소득수준 및 강남3구와 강북3구 간 주거환경의 차이는 사람들이 주택을 구입할 때도 영향을 미칠 수 있어 하나의 도시에 위치하더라도 아파트 가격 결정요인이 다르게 나타날 수 있다. 그럼에도 불구하고 기존의 연구에서는 주택가격을 추정할 때 소득수준과 같은 인문특성을 고려하지 않고 건물 자체 특성이나 근린환경 접근성만을 고려하고 있다.

한편, 주택가격을 추정하기 위한 연구에서 가장 활발하게 사용되는 모형은 Rosen(1974)가 제안한 헤도닉 가격 모형(Hedonic Price Model)이다. 헤도닉 가격 모형은 단순한 선형함수 형태로 변수 간의 관계를 보여줘서 직관적으로 이해할 수 있다는 장점이 있지만, 이로 인해 설명력이 저하되는 문제점이 있다(홍정의, 2021). 또한, 주택가격은 복잡한 구조로 이루어져 단순히 선형관계로만 설명하는 데 한계가 있을 수 있다(Ko and Park, 2024). 이러한 단점 및 한계점을 보완할 수 있는 인공지능(artificial intelligence) 모형이 최근 주택가격 연구에서도 적용되고 있다(Adetunji et al., 2022). 대표적인 인공지능 방법론으로 랜덤 포레스트(random forest)가 있는데, 랜덤 포레스트는 상대적으로 다중공선성으로부터 자유롭고, 비선형적인 관계도 확인할 수 있다는 장점을 가지고 있기 때문이다. 하지만, 이러한 기존의 기계학습(machine learning) 기반의 알고리즘(algorithm)은 블랙박스(black box)의 한계로 인해 변수의 중요도나 모형의 예측력만 보여줄 뿐, 변수 간의 관계를 설명하지 못했다(Abidoye and Chan, 2018; 홍정의, 2021).

이에 본 연구는 랜덤포레스트를 활용하여 강남3구와 강북3구의 비교를 통해 주택가격을 추정하고, eXplainable Artificial Intelligence(XAI)를 활용하여 모형의 예측력과 변수의 중요도뿐만 아니라 변수 간 관계도 확인하고자 한다. 특히, 서울에서 상대적으로 아파트 가격이 높은 것으로 알려진 강남3구와 아파트 가격이 낮은 것으로 알려진 강북3구에서 아파트 가격 결정요인이 어떻게 다른지 확인하고자 한다. 이를 통해 지역별로 더 적합한 도시 및 주택정책 제언을 할 수 있을 것으로 기대한다.

Ⅱ. 선행연구 고찰

Ⅲ. 분석 방법

1. 변수 구성

분석을 위해 <Table 1>과 같이 변수를 설정하였다. 본 연구의 종속변수는 m² 당 아파트 매매가격으로 국토교통부 실거래가 공개시스템에서 제공하는 데이터를 사용했다. 2018년부터 2022년까지 서울시 강남3구에서 아파트 매매거래가 총 45,371건이 발생했고, 강북3구에서는 아파트 매매거래가 총 50,364건이 발생했다. 그중 가구 및 단지특성 정보가 정확하지 않거나 없는 경우는 분석에서 제외하였으며 실제 분석에는 강남3구 40,933건, 강북3구 45,927건을 활용하였다. 또한 종속변수인 m² 당 주택가격은 자연로그를 취해 활용했다.

Table 1.

Description of variables

독립변수는 선행연구고찰을 바탕으로 가구특성, 단지특성, 시간특성, 인문특성, 근린특성으로 구성했다. 가구특성 변수는 전용면적, 층, 현관구조, 방, 화장실로 구성했다. 단지특성은 건축연한, 세대수, 세대당 주차대수, 난방유형, 브랜드로 구성했다. 가구특성과 단지특성 변수는 국토교통부 실거래가 공개시스템에서 제공하는 데이터를 기본으로 하였고, 국토교통부에서 제공하지 않는 데이터는 네이버부동산과 서울부동산정보광장에서 구득하였다.

본 연구는 2018년부터 2022년까지 발생한 아파트 매매 실거래가격을 분석했는데, 코로나19와 같은 특수한 상황이 주택가격에 미친 영향을 통제하고자 계약연도를 더미처리해서 사용했다. 또한 본 연구는 강남3구와 강북3구의 주택가격 영향요인을 비교·분석하는 것을 목적으로 하는데, 주택의 물리적인 특성이나 근린환경 외에 인문 특성이 지역 간 주택가격 차이와 관련이 있을 수 있어 변수로 채택하였다. 소득은 구득할 수 있는 최소 단위인 행정동의 월평균 소득을 활용했으며, 공개된 데이터 중 가장 최신 시점인 2019년 12월 데이터를 활용하였다. 선행연구에서도 소득은 주택가격에 영향을 미칠 수 있음이 확인되고 있다(Rico-Juan and de La Paz, 2021).

근린특성은 선행연구에서 대표적으로 고려되는 한강, 공원녹지, 중심업무지구, 대중교통접근성인 버스정류소, 지하철역, 교육특성인 유치원, 초등학교, 사람들의 편의를 증진시키는 대형판매시설, 종합병원, 건강증진 및 다양한 여가활동의 기회를 제공하는 공공체육시설, 문화시설 접근성을 활용했다. 이러한 근린특성은 아파트의 주거환경을 쾌적하거나 편리하게 하여 사람들의 주택구매의사결정이나 주택가격에 영향을 미칠 수 있어 변수로 채택했다. 또한, 모든 근린특성 변수들은 GIS를 활용하여 아파트 단지 중심점으로부터 최단거리를 측정하였다.

Ⅳ. 분석 결과

1. 기초통계량

<Table 2>는 기초통계량 분석 결과이다. 2018년부터 2022년까지 강남3구에서 발생한 아파트 매매 거래의 m²당 가격은 평균 약 1,746만 원이었고, 강북3구는 평균 약 739만 원으로 강남3구가 2배 이상 비싼 것으로 나타났다. 또한 강북3구 행정동별 평균 월소득은 약 311만 원이었으며, 강남3구 행정동별 평균 월소득은 평균 약 487만 원으로 강남3구 행정동별 평균 월소득이 더 높게 나타났다. 주택가격과 소득을 통해 확인할 수 있듯이 강남3구와 강북3구 간 차이가 크게 나타나고 있다.

Table 2.

Descriptive statistics

거래된 층수는 강남3구가 평균 약 10층, 강북3구가 평균 약 8층이었다. 현관구조는 강남3구의 76%가 계단식이었으며, 강북3구의 51%가 계단식이었다. 거래된 아파트 단지의 세대수는 강남3구가 평균 약 1,366세대, 강북3구는 평균 약 1,373세대로 비슷하게 나타났다. 브랜드의 경우 강남3구는 약 48%가 시공순위 10위 이내 건설사였지만, 강북3구는 약 18%가 시공순위 10위 이내 건설사로 그 차이가 컸다.

한강까지 거리는 강남3구가 평균 약 2,675m, 강북3구가 평균 약 10,552m로 강북3구가 더 먼 것으로 나타났다. 이는 지리적 위치상 강남3구인 강남구, 서초구, 송파구가 강북3구인 노원구, 도봉구, 강북구보다 한강과 가깝기 때문으로 보인다. 또한, 한강 변수의 표준편차는 강남3구는 약 1,737m, 강북3구는 약 1,921m로 지역 내 편차는 큰 차이가 없었다.

아파트에서 버스정류소까지 거리는 강남3구가 평균 약 157m, 강북3구가 평균 약 118m로 강북3구의 버스정류소 접근성이 상대적으로 더 우수한 것으로 나타났다. 또한, 지하철역출입구까지 거리는 강남3구가 평균 약 452m, 강북3구가 평균 약 542m로 강남3구의 지하철역 접근성이 더 우수한 것으로 나타났다. 또한 유치원은 강남3구가 평균 약 375m, 강북3구가 평균 약 240m였으며, 초등학교는 강남3구가 평균 약 360m, 강북3구가 평균 약 291m였다. 대형판매시설은 강남3구가 평균 약 1,313m, 강북3구가 평균 약 548m로 두 지역 간 차이가 큰 것으로 나타났으며, 강남3구에 비해 강북3구의 편차가 더 작아 강북3구에서 대형판매시설이 더 고르게 분포하는 것으로 판단된다. 종합병원은 강남3구가 평균 약 1,878m, 강북3구가 평균 약 1,294m였다.

아파트에서 문화시설까지 거리는 강남3구가 평균 약 423m, 강북3구가 평균 약 405m로 비슷하게 나타났지만, 아파트에서 공공체육시설까지 거리는 강남3구가 평균 약 736m, 강북3구가 평균 약 447m로 강북3구가 강남3구보다 공공체육시설 접근성이 더 우수한 것으로 보인다. 그러므로, 강남3구 내 공공체육시설의 분포를 분석하여 공공체육서비스에서 소외된 지역이 있는지 검토할 필요가 있다.

2. 헤도닉 가격 모형과 랜덤 포레스트 성능 비교

랜덤 포레스트 모형에 적용한 하이퍼파라미터(hyperparameter) 값은 <Table 3>과 같다. 최적의 모형을 구현하고자 랜덤 서치(random search) 기법을 활용해서 하이퍼파라미터를 조정하였다. 랜덤 서치 기법은 연구자가 설정한 일정한 범위 안에서 최적의 하이퍼파라미터 조합을 찾아주는 방법이다. 또한, 랜덤 포레스트의 예측 성능을 평가하기 위해 전체 데이터를 훈련 데이터(80%)와 테스트 데이터(20%)로 무작위 분할했으며, 교차검증을 5번 반복 수행했다. 이를 통해 모델의 과적합을 방지했으며, 모형의 성능을 신뢰할 수 있도록 하였다.

Table 3.

Hyperparameters

<Table 4>는 헤도닉 가격 모형과 랜덤 포레스트 모형의 성능을 보여준다. 본 연구에서는 R², Mean Absolute Error(MAE), Root Mean Squared Error(RMSE) 값을 기준으로 모형 예측력을 평가하였다. R²값은 클수록 모형의 설명력이 우수하다고 평가한다. MAE과 RMSE는 값이 작을수록 오차가 적은 것을 의미하여, MAE 값과 RMSE 값이 더 작은 모형이 더 우수한 모형으로 평가된다. 헤도닉 가격 모형과 랜덤 포레스트 모형의 예측력 및 오차를 비교했을 때 랜덤 포레스트의 R² 값이 더 크며 랜덤 포레스트의 MAE 값과 RMSE 값이 더 작았다. 그러므로 본 연구에서는 성능이 더 우수한 랜덤 포레스트 모형을 최종 분석 모형으로 채택하고자 한다.

Table 4.

Model performance comparison

3. SHAP을 활용한 랜덤 포레스트 분석 결과

<Figure 1>과 <Figure 2>는 각각 강남3구 모형과 강북3구 모형에 관한 global value이며, <Figure 3>과 <Figure 4>는 각각 강남3구 모형과 강북3구 모형에 대한 local value이다. 먼저 global value 결과를 살펴보면, 강남3구와 강북3구에서 주택가격에 영향을 미치는 변수들의 중요도가 상이하게 나타났다. 강남3구에서는 소득, 세대수, 계약연도, 전용면적, 중심업무지구, 대형판매시설, 건축연한이 중요도가 높은 상위 7개 변수였다. 이와 달리 강북3구에서는 계약연도, 소득, 건축연한, 한강, 전용면적, 세대수, 지하철역 출입구가 상위 7개 변수였다. 즉, 강남3구는 강북3구와 비교했을 때 중심업무지구와 대형판매시설이 아파트 가격에 미치는 영향이 상대적으로 더 중요했다. 이와 달리 강북3구에서는 강남3구와 비교했을 때 한강과 지하철역 출입구가 아파트 가격에 미치는 영향이 상대적으로 더 중요하였다.

Figure 1.

Gangnam 3-gu global value

Figure 2.

Gangbuk 3-gu global value

Figure 3.

Gangnam 3-gu local value

Figure 4.

Gangbuk 3-gu local value

강남3구에 비해 강북3구는 한강 접근성이 아파트 가격 형성에 중요했다. 즉, 강북3구는 서울시 중심부에 가까운지가 아파트 가격 형성에 중요한 것으로 판단된다. 이와 달리 강남3구에서는 한강과의 접근성보다 강남3구에서 거주하는 것 자체에 더 의미를 두고 있는 것으로 보인다.

중심업무지구까지 거리는 강남3구에서 아파트 가격에 더 중요했다. 또한, 대중교통 접근성인 버스정류소나 지하철역은 강북3구 아파트 가격 결정에 더 중요한 역할을 하는 것으로 나타났다. 강북3구는 서울의 중심업무지구인 도심권, 강남권, 여의도권까지 거리가 멀어서 중심업무지구까지 거리보다 출퇴근을 편리하게 해주는 지하철역이나 버스정류소와 같은 대중교통이 강북3구 아파트 매수자에게 더 중요한 것으로 보인다. 또한, 기초통계 분석 결과 강남3구가 지하철역까지 거리의 평균값이 더 작아 지하철 접근성이 더 우수한 것으로 나타났다. 강남3구가 지하철 인프라가 더 잘 구축되어 있어서 강남3구에서는 주거지를 선택할 때 지하철역 접근성이 상대적으로 덜 중요할 수 있다.

대형판매시설은 강남3구의 아파트 가격 형성에 더 중요하게 작용했다. 기초통계 분석결과를 확인했을 때, 백화점과 대형마트와 같은 대형판매시설은 강남3구보다 강북3구에 더 고르게 분포해 있다. 이로 인해 대형판매시설 접근성은 강남3구의 아파트 가격 형성에 더 중요하게 나타난 것으로 보인다.

Local value 결과를 확인했을 때, 강남3구와 강북3구에서 아파트 가격에 미치는 영향이 다른 변수들이 있었다. 강북3구에서는 지하철역 출입구까지 거리가 가까울수록 아파트 가격이 상승하는 경향이 나타났다. 지하철역까지 거리가 가까울수록 통근이나 다른 지역으로의 이동이 편리해서 선호되는 것으로 보인다. 이와 달리 강남3구에서는 지하철역 출입구와 가까울수록 아파트 가격이 상승하기도 했지만, 하락하기도 했다. 기초통계 분석결과, 강남3구의 아파트에서 지하철역까지 거리는 평균 약 452m였지만, 강북3구는 평균 약 542m로 강남3구가 지하철역 접근성이 더 우수한 것으로 나타났다. 또한, 국토교통부(2025) 통계누리 자료에 따르면, 2020년 기준 강북3구에 비해 강남3구의 자가용 승용차 등록대수는 약 2배 이상 많다. 이는 강남3구가 지하철역이 주거지에 더욱 인접하고, 자동차 보유대수도 많아 매매 거래를 할 때 지하철역 접근성이 제공하는 이점과 혼잡과 같은 부의 외부효과가 동시에 영향을 미쳐서 나타난 결과로 보인다. 선행연구에서도 지하철역 주변지역은 혼잡하거나 소음이 발생해 지하철역까지 거리가 가까운 것이 오히려 주택가격에 부정적인 영향을 미칠 수 있다고 주장하였다(이세영 외, 2006). 또한, 강북3구와 달리 강남3구에서는 방이 많을수록 아파트 가격이 상승했다. 강남3구는 상대적으로 소득이 높고 세대원 간의 독립적인 개별공간을 중요시해서 나타난 결과로 판단된다.

또한, 한강 접근성이 아파트 가격에 미치는 영향이 지역별로 다르게 나타났다. 강남3구는 한강까지 거리가 가까울수록 아파트 가격이 상승하는 경향이 나타났다. 이는 선행연구와 유사한 결과로, 강남3구는 한강까지 거리가 가까울수록 경관이 우수하며 다양한 야외활동을 즐길 수 있어 선호되는 것으로 보인다(엄현태 외, 2018; Ko and Park, 2024). 그러나 강북3구는 한강까지 거리가 가까울수록 아파트 가격이 상승하기도 했지만 하락하기도 하였다. 강남3구는 한강과 인접해 있지만, 강북3구는 한강까지 거리가 멀어서 강북3구 내에서 가장 한강이 가까운 단지일지라도 한강 조망권이나 실질적 접근성이 떨어진다는 특징이 있다. 기초통계분석 결과에서도 강북3구 아파트 중에서 한강까지 거리가 가까운 아파트는 약 6.6km 거리에 위치한 것으로 나타났다. 이로 인해 아무리 강북3구 내에서 한강까지 거리가 가까운 아파트 단지일지라도 한강이 제공하는 경관이나 야외활동 증진과 같은 이점을 누리기 어렵다고 판단된다. 이와 같은 지리적 특성으로 인해 한강까지 거리가 멀수록 아파트 가격이 상승하는 경향이 나타나기도 한 것으로 보인다. 한편, 한강은 서울의 중심부를 가로지르고 있으며, 강변북로와 올림픽대로와 같은 주요 도로망이 위치한다. 이러한 한강의 지리적 이점으로 인해 강북3구에서도 한강에 가까울수록 가격이 상승한 경향이 나타나기도 한 것으로 보인다.

강남3구는 공공체육시설까지 거리가 가까울수록 아파트 가격이 상승하는 경향이 나타났다. 공공체육시설은 사람들에게 합리적인 가격으로 운동할 수 있는 공간을 제공하여 선호되는 것으로 보인다. 강북3구는 공공체육시설까지 거리가 멀수록 아파트 가격이 상승했다. 기초통계 결과에서 강북3구는 강남3구에 비해 아파트까지 공공체육시설까지 거리의 편차가 작게 나타나 강북3구가 공공체육시설이 더 고르게 설치되어있는 것으로 보인다. 이로 인해 주택을 구입할 때 사람들에게 공공체육시설이 선호요인으로 작용하지 못하였을 수 있다.

한편, 전용면적, 층, 세대당 주차대수, 소득, 건축연한, 계약연도, 공원녹지와 아파트 가격 간의 관계는 강남3구와 강북3구에서 유사하게 나타났다. 선행연구와 유사하게, 전용면적이 작을수록, 거래된 아파트의 층이 높을수록, 세대당 주차대수가 많을수록 아파트 가격이 상승하였다.

한편, 본 연구에서 인문특성으로 새롭게 추가한 소득 변수의 경우 아파트가 위치한 행정동의 월평균 소득이 높을수록 아파트 가격이 상승하는 경향이 나타났다. 소득은 사람들의 구매력에 영향을 미칠 수 있는 요인 중 하나로, 소득수준이 높은 행정동일수록 거주자의 구매력이 높아 해당 행정동에 위치한 아파트의 가격이 높은 경향이 나타난 것으로 보인다.

건축연한은 지역에 관계없이 아파트 가격과 비선형적인 관계를 보였다. 이는 아파트 건설 이후 일정 시점이 지나면 재개발 및 재건축 사업에 대한 기대감으로 인해 구축 아파트의 가격이 다시 상승하는 한국 문화의 특성이 반영된 것으로 판단된다. 또한, 지역에 상관없이 공원녹지의 접근성이 우수한 것은 아파트 가격 상승요인으로 확인되었다. 공원녹지는 쾌적한 환경을 조성해 주고, 휴식하거나 운동할 수 있는 공간을 제공하는 것처럼 사람들에게 다양한 편익을 제공하여 선호되는 것으로 보인다. 그러므로, 강남3구와 강북3구 모두 충분한 녹지공간을 제공할 필요가 있다.

계약연도는 2018년 1월 1일부터 2019년 12월 31일까지 거래된 거래보다 2020년 1월 1일부터 2022년 12월 31일에 거래된 거래일수록 매매가격이 더 높은 것으로 나타났다. 이는 코로나 팬데믹 시기에 한국은행 기준금리가 역대 최저 수준인 0.5%까지 하락한 저금리 정책과 같은 거시경제의 급격한 변화 때문으로 판단된다.

Ⅴ. 결 론

본 연구는 서울시 강남3구와 강북3구를 대상으로 랜덤 포레스트를 활용하여 아파트 가격 결정요인을 비교·분석했다. 주요 연구 결과 및 정책적 시사점은 다음과 같다.

첫째, 주택가격을 추정할 때 기계학습방법인 랜덤 포레스트를 활용하면 헤도닉 가격 모형보다 더 정확한 분석이 가능할 수 있다. 분석결과, 헤도닉 가격 모형보다 랜덤 포레스트가 설명력이 더 우수하고 오차가 더 적게 발생했다. 또한, 랜덤 포레스트 모형에 SHAP을 적용한 결과, 건축연한과 같은 일부 변수들은 아파트 가격과 비선형적인 관계가 나타났다. 이러한 결과는 헤도닉 가격 모형처럼 선형성을 기반으로 하는 모형으로 분석하면 실제 주택 시장에서 나타나는 복잡한 현상을 설명하는 데 한계가 있을 수 있음을 보여준다. 따라서, 앞으로도 성능이 더 우수하며 비모수 기반인 랜덤 포레스트 모형을 활용하면 더 정확한 분석이 가능할 수 있다.

둘째, 강남3구와 강북3구 간 아파트 가격에 영향을 미치는 변수들의 중요도가 다르게 나타났다. 그러므로 아파트 가격 결정요인을 하위시장별로 분석하여 지역 특성에 맞는 정책을 실시하면 더 실질적인 정책효과를 얻을 수 있을 것으로 보인다. 예를 들어 지하철역과 같은 대중교통 접근성은 강남3구보다 강북3구에서 아파트 가격 결정에 더 중요하였으며, 기초통계분석 결과 강남3구가 강북3구에 비해 지하철역 출입구 접근성이 더 우수한 것으로 나타났다. 또한 강북3구보다 강남3구에 지하철역이 더 많이 위치하고 있다. 그러므로, 강남3구보다는 강북3구에서 지하철역 접근성을 개선하는 것을 우선적으로 검토할 필요가 있어 보인다.

셋째, 소득은 두 지역 모두 아파트 가격 형성에 중요한 변수로 나타났다. 특히, 강남3구에서는 소득의 중요도가 가장 높았다. 그러나 기존 아파트 가격 영향요인을 확인하는 대부분의 선행연구에서는 소득과 같은 인문특성을 고려하지 못하고 있다. 그러므로 앞으로 아파트 가격 영향요인을 확인할 때 소득과 같은 인문특성 변수를 활용할 필요가 있다.

넷째, 일부 변수들이 아파트 가격에 미치는 영향은 강남3구와 강북3구에서 서로 상이한 것으로 나타났다. 예를 들어, 강북3구와 달리 강남3구는 공공체육시설까지 거리가 가까울수록 아파트 가격이 상승했으며, 기초통계 결과에서 강남3구보다 강북3구가 공공체육시설이 더 고르게 설치되어있음을 확인하였다. 이는 강남3구에서는 공공체육시설 인근에 위치한 아파트들의 가격이 높게 형성되고 있으며, 공공체육시설의 공급이 부족하다는 것을 보여줄 수 있다. 그러므로, 강남3구를 대상으로 공공체육서비스로부터 소외된 지역이 없는지 확인하고 공공체육시설을 공급하는 것을 검토할 필요가 있다. 또한, 공공체육시설 접근성과 같은 근린환경 변수가 아파트 가격에 미치는 영향이 지역별로 다른 것은 도시 내 인프라 수준, 주거환경 차이, 거주민의 특성 등 복합적인 지역 특성에 따라 상이하게 나타날 수 있음을 보여준다. 그러므로, 하위시장별로 주택가격 형성요인을 확인하면 더 정확한 분석이 가능할 수 있으며, 지역마다 특성에 맞는 도시 및 부동산 정책을 수립할 필요가 있다. 또한, 본 연구 결과는 아파트 개발업자들에게도 중요한 참고 자료가 될 수 있다. 지역의 고유한 특성을 반영해서 적절한 아파트 개발 전략을 수립해야 성공적인 개발사업이 진행될 수 있다. 이처럼 지역 특성을 반영한 성공적인 개발사업이 진행되면 추후 아파트에 입주하는 입주민들이 편리하고 쾌적한 주거환경을 누릴 수 있을 것으로 기대된다.

그러나 일부 변수는 아파트 가격에 미치는 영향이 강남3구와 강북3구에서 유사하게 나타났다. 「국토의 계획 및 이용에 관한 법률」에서 정의하고 있는 도시계획시설인 공원은 지역에 상관없이 아파트 가격 상승요인으로 나타나고 있다(법제처, 2025). 이는 주거지 선택 시 매수자에게 쾌적한 녹지환경은 선호될 수 있으며 아파트 가격 프리미엄으로도 작용할 수 있음을 의미한다. 따라서, 강남3구와 강북3구 모두 주거지에서 접근이 용이하고 충분한 공원녹지계획이 이루어질 필요가 있다.

한편, 본 연구는 강남3구와 강북3구만을 대상으로 하여 다른 지역에서는 다른 결과가 나타날 수 있다. 다른 지역을 대상으로 분석하는 것과 더 다양한 기준으로 서울시 내 하위시장을 탐색하여 하위시장별 아파트 가격 결정요인을 비교분석하는 것은 향후 연구과제로 남긴다. 그럼에도 불구하고 본 연구는 서울이라는 하나의 도시에서도 하위시장마다 아파트 가격 결정요인이 다르게 나타날 수 있음을 확인하였다. 이에 따라 하나의 시 전체에 일률적인 정책을 실시하기보다 미시적인 범위에서 도시 및 주택정책을 마련하여 지역에 더 적합한 정책이 실행할 필요가 있음을 실증분석을 통해 확인하였다는 점에서 의의가 있다.

Acknowledgments

이 논문은 2024년 대한국토·도시계획학회 추계학술대회 발표논문을 수정·보완하여 작성하였음.

References

• 강수진·서원석, 2016. “지하철 노선 및 역사특성이 아파트 매매 가격에 미치는 영향 분석”, 「국토연구」, 89: 149-162.
  Kang, S. and Seo, W., 2016. “Investigating Impacts of Subway Line and Station Features on Apartment Resale Prices”, The Korea Spatial Planning Review, 89: 149-162. [https://doi.org/10.15793/kspr.2016.89..009]
• 강요명·서정렬, 2020. “아파트 가격에서 브랜드가 차지하는 가치 비중에 관한 연구 - 부산 해운대구 우동 및 반여동을 중심으로 -”, 「지역개발연구」, 52(1): 93-120.
  Kang, Y. and Suh, J., 2020. “A Study on the Valuation Ratio of Brand in Real Price - A Case Study of Udong and Banyeodong in Busan Metropolitan City -”, The Studies in Regional Development, 52(1): 93-120.
• 김광영·안정근, 2010. “서울시 1,000세대 이상 대규모 아파트단지의 아파트가격 결정요인에 관한 연구”, 「한국주거학회논문집」, 21(6): 81-90.
  Kim, K.Y. and Ahn, J.K., 2010. “Determinant Factors for the Apartment Unit Prices of Large Scale Apartment Complexes over 1,000 Households in Seoul Metropolitan Area”, Journal of the Korean Housing Association, 21(6): 81-90. [https://doi.org/10.6107/JKHA.2010.21.6.081]
• 김명연·김은정, 2019. “근린환경 접근성은 공동주택가격에 영향을 미치는가?: 서울시 강남3구와 강북3구의 비교를 중심으로”, 「한국지역개발학회지」, 31(2): 229-250.
  Kim, M.Y. and Kim, E.J., 2019. “Does the Access to Neighborhood Environment Affect Multi-family Housing Prices?: Comparison between Gangnam 3 Districts and Gangbuk 3 Districts in Seoul”, Journal of The Korean Regional Development Association, 31(2): 229-250.
• 김우성·이시온·장현수·김재완·홍정의, 2019. “헤도닉 가격 모형을 통한 주거 선호의 구조 변화 분석: 2006-2017년 강남 지역 아파트를 중심으로”, 「부동산학보」, 76: 137-150.
  Kim, W., Lee, S., Jang, H., Kim, J., and Hong, J., 2019. “Analysis of Structural Change of Housing Preferences using Hedonic Price Model: Case Study of Apartment Transaction Data from 2006 to 2017 in Gangnam Area”, Korea Real Estaste Academy Review, 76: 137-150.
• 김이환·김형준·류두진·조훈, 2022. “기계학습 방법론을 활용한 아파트 매매가격지수 연구”, 「부동산분석」, 8(3): 1-29.
  Kim, Y., Kim, H., Ryu, D., and Cho H., 2022. “A Study on Apartment Sales Price Index Using Machine Learning Methodology”, Journal of Real Estate Analysis, 8(3): 1-29. [https://doi.org/10.30902/jrea.2022.8.3.1]
• 김정희, 2021. “머신러닝을 이용한 주택가격 예측과 공간적 군집 패턴 분석”, 「경관과 지리」, 31(4): 150-165.
  Kim, J.H., 2021. “Prediction of House Price and Analysis of Spatial Clustering Pattern using Machine Learning Algorithms”, Landscape and Geography, 31(4): 150-165.
• 박천규·이수욱·권수연·손학기·전성제, 2012. “지역별 부동산 하위시장 유형화 및 정책방향”, 「국토정책 Brief,」 374: 1-6.
  Park, C., Lee, S., Kwon, S., Son, H.,and Jeon, S., 2012. “Regional Real Estate Submarket Typology and Policy Direction”, KRIHS Policy Brief, 374: 1-6.
• 배성완·유정석, 2018. “기계 학습을 이용한 공동주택 가격 추정: 서울 강남구를 사례로”, 「부동산학연구」, 24(1): 69-85.
  Bae, S. and Yu, J., 2018. “Estimation of the Apartment Housing Price Using the Machine Learning Methods: The Case of Gangnam-gu, Seoul”, Journal of the Korea Real Estate Analysts Association, 24(1): 69-85. [https://doi.org/10.19172/KREAA.24.1.5]
• 변세일·고영화·최진도, 2019. “비수도권 아파트 가격 및 전세가 결정 요인 분석 -광주, 대전, 대구, 부산의 사례를 중심으로-”, 「주거환경」, 17(4): 109-126.
  Byeon, S.H., Go, Y.H., and Choi, J.D., 2019. “An Analysis on Determinant Factor of Apartments Price and Jeonse Price in Gwangju, Daejeon, Daegu, Busan”, Journal of the Korea Residential Environment, 17(4): 109-126. [https://doi.org/10.22313/reik.2019.17.4.109]
• 서정석·임미화·한상욱·Sri Utami Purwaningati·김정섭, 2023. “개발밀도와 아파트 가격의 비선형적 관계 탐색: 설명 가능한 인공지능 적용을 중심으로”, 「주택연구」, 31(2): 133-160.
  Seo, J., Lim, M., and Han, S., Purwaningati, S.U., and Kim, J., 2023. “Exploring the Nonlinear Relationship between Development Density and Housing Price: Focusing on eXplainable AI (XAI)”, Housing Studies Review, 31(2): 133-160. [https://doi.org/10.24957/hsr.2023.31.2.133]
• 성주한·박필, 2014. “서울 아파트 전세가격과 매매가격의 차이에 관한 연구”, 「부동산학보」, 57: 108-122.
  Sung, J.H. and Park, P., 2014. “A Study on the Difference of the Chonsei Price and Sale Price of Apartment in the Seoul”, Korea Real Estate Academy Review, 57: 108-122.
• 신상영·김민희·목정훈, 2006. “서울숲 조성이 주택가격에 미치는 영향”, 「서울도시연구」, 7(4): 1-17.
  Shin, S.Y., Kim, M.H., and Mok, J.H., 2006. “The Effects of Seoul Forest Project on Neighborhood Housing Prices”, Seoul Studies, 7(4): 1-17.
• 양건필·전해정, 2022. “기계학습과 XAI를 활용한 아파트 가격과 지역특성과의 관계 분석”, 「부동산연구」, 32(3): 7-24.
  Yang, G.P. and Chun, H.J., 2022. "Analysis of the Relationship between Housing Prices and Regional Characteristics Using Machine Learning and XAI", Korea Real Estate Review, 32(3): 7-24. [https://doi.org/10.35136/krer.32.3.1]
• 엄현태·남상빈·김도형·김학열·우명제, 2018. “자연재해위험개선지구가 주변 아파트 가격에 미치는 영향”, 「한국방재학회논문집」, 18(7): 149-162.
  Eom, H., Nam, S., Kim, D., Kim, H., and Woo, M., 2018. “The Impacts of Natural Disaster Risk Reduction Districts on Sales Prices of Neighboring Apartments”, Journal of the Korean Society of Hazard Mitigation, 18(7): 149-162. [https://doi.org/10.9798/KOSHAM.2018.18.7.149]
• 오지훈·김정섭, 2018. “머신러닝을 활용한 서울시 아파트 물리적 특성 변수들의 비선형 영향 분석: 다변량 적응 회귀 스플라인 모형의 적용”, 「감정평가학논집」, 17(3): 5-26.
  Oh, J. and Kim, J., 2018. “Nonlinear Effects of Physical Characteristics of Apartment on Housing Prices: Focusing on Multivariate Adaptive Regression Spline”, Appraisal Studies, 17(3): 5-26. [https://doi.org/10.23843/as.17.3.1]
• 윤규섭·이주미·고선주·김희정·김주형, 2021. “머신러닝 분석을 통한 분양가 상한제의 주택시장 영향 연구”, 「대한건축학회논문집」, 37(8): 221-228.
  Yoon, K.S., Lee, J.M., Ko, S.J., Kim, H,J., and Kim, J.H., 2021. “Analysing Impact of Price Ceiling System on Housing Market using Machine Learning”, Journal of the Architectural Institute of Korea, 37(8): 221-228.
• 이규환·서승제, 2009. “서울시 자치구간 지역격차에 관한 연구: 강남 3구와 강북 3구의 비교”, 「한국공공관리학보」, 23(4): 357-381.
  Lee, K.H. and Seo S.J., 2009. “A Study on the Regional Disparity between the Major 3 Gangnam Districts and the Major 3 Gangbuk Districts in Seoul”, Korean Public Management Review, 23(4): 357-381. [https://doi.org/10.24210/kapm.2009.23.4.015]
• 이동성·문태훈, 2016. “에너지효율등급이 아파트 가격에 미치는 영향에 관한 연구”, 「환경정책」, 24(4): 25-42.
  Lee, D. and Moon, T.H., 2016. “The Effect of the Energy Efficiency Rating System on Apartment Prices”, Journal of Environmental Policy and Administration, 24(4): 25-42. [https://doi.org/10.15301/jepa.2016.24.4.25]
• 이세영·유학규·정성원·여홍구, 2006. “신도시 외부공간특성의 아파트가격에 미치는 영향에 관한 연구: 산본 신도시를 중심으로”, 「대한건축학회 논문집: 계획계」, 22(9): 3-12.
  Lee, S.Y., Yoo, H.K., Jung, S.W., and Yuh, H.K., 2006. “A Study on the Influence of the Exterior Spatial Feature upon the Apartment Housing Prices: Focused on the New town ‘Sanbon’ Area in Korea”, Journal of the Architectural Institute of Korea, 22(9): 3-12.
• 이재윤·서원석, 2018. “장애영역별 특수학교 입지에 따른 아파트 매매가격 영향 비교분석”, 「감정평가학논집」, 17(2): 105-126.
  Lee, J.Y. and Seo, W.S., 2018. “Investigating Impact of Special Education Schools by Disability Type on Surrounding Apartment Resale Price”, Appraisal Studies, 17(2): 105-126. [https://doi.org/10.23843/as.17.2.5]
• 이주석·조주현, 2010. “강남지역과 강북지역의 아파트 가격 결정 요인 분석”, 「부동산학보」, 40: 5-13.
  Lee, J.S. and Cho, J.H., 2010. “A Study on the Evaluation of Real Estate Consulting in Korea”, Korea Real Estate Academy Review, 40: 5-13.
• 이훈, 2018. “경사도가 주택가격에 미치는 영향에 관한 연구 -서울지역 아파트 단지를 중심으로-”, 「국토계획」, 53(1): 153-177.
  Lee, H., 2018. “A Study on the Effect of Slope on Housing Prices - Focusing on Apartment Complexes in Seoul Area -”, Journal of Korea Planning Association, 53(1): 153-177. [https://doi.org/10.17208/jkpa.2018.02.53.1.153]
• 임준홍·홍성효, 2015. “교육성취의 아파트가격에 대한 영향: 서울시 사례분석”, 「부동산학연구」, 21(1): 75-89.
  Im, J. and Hong, S., 2015. “The Effect of Educational Attainments on Apartment Price: A Case Study of Seoul”, Journal of the Korea Real Estate Analysts Association, 21(1): 75-89.
• 전해정, 2016. “공간계량분석기법과 GIS를 이용한 주택가격모형 비교에 관한 연구”, 「부동산학보」, 64: 46-56.
  Chun, H., 2016. “The Study of Comparison of Housing Price Models by Using Spatial Econometrics and GIS”, Korea Real Estate Academy Review, 64: 46-56.
• 정수연, 2006. “교육요인이 서울아파트가격에 미치는 영향에 관한 연구”, 「국토계획」, 41(2): 153-166.
  Jeong, S.Y., 2006. “Impact of Educational Variable on Apartment Price in Seoul”, Journal of Korea Planning Association, 41(2): 153-166.
• 조용경·윤영호, 2022. “AI 스마트 하우징 구축이 서울시 아파트 거래가격에 미치는 영향”, 「주거환경」, 20(4): 85-93.
  Cho, Y. and Yoon, Y., 2022. “The Effect of AI Smart Housing Construction on Apartment Transaction Prices in Seoul”, Journal of The Residential Environment Institute of Korea, 20(4): 85-93. [https://doi.org/10.22313/reik.2022.20.4.85]
• 최석준·채수복, 2009. “주거 특성이 아파트 가격에 미치는 영향: 강남지역의 실거래 및 시세 자료 중심으로”, 「부동산학보」, 38: 296-310.
  Choi, S.J. and Chae, S.B., 2009. “Impact of Residential Environment on Seoul Apartment Price: Analysis of Using Sales and Asking Price in Gangnam Gu”, Korea Real Estate Academy Review, 38: 296-310.
• 최성호·성현곤, 2011. “지하철9호선 건설이 아파트 가격에 미치는 영향에 관한 연구: 사업단계별 효과를 중심으로”, 「국토계획」, 46(3): 169-177.
  Choi, S.H. and Sung, H.G., 2011. “Identifying the Change of Influencing Power of the Subway Line 9 Construction Project over Housing Prices: Focusing on the Business Effects during the Entire Project Stages”, Journal of Korea Planning Association, 46(3): 169-177.
• 한다솜·최창규, 2022. “우이신설 경전철이 주택 가격에 미치는 영향에 관한 연구: 우이신설 경전철 인근 아파트를 중심으로”, 「국토계획」, 57(2): 108-126.
  Han, D.S. and Choi, C.G., 2022. “A Research on the Influence of the Ui-Sinseol Light Rail Transit on Housing Price: Focusing on the Apartments near the Ui-Sinseol Light Rail Transit”, Journal of Korea Planning Association, 57(2): 108-126. [https://doi.org/10.17208/jkpa.2022.04.57.2.108]
• 현동우, 2021. “명칭 변경 사례를 통해 살펴본 아파트 브랜드 프리미엄에 관한 연구”, 「부동산학연구」, 27(1): 21-35.
  Hyun, D., 2021. “A Brand Premium on Apartment Prices: Evidences from Renaming Cases”, Journal of the Korea Real Estate Analysts Association, 27(1): 21-35. [https://doi.org/10.19172/KREAA.27.1.2]
• 홍성준·이창무, 2020. “Airbnb가 아파트가격에 미치는 영향에 관한 연구”, 「주택연구」, 28(1): 111-131.
  Hong, S.J. and Lee, C.M., 2020. “A Study on Influence of Airbnb on Housing Price”, Housing Studies Review, 28(1): 111-131. [https://doi.org/10.24957/hsr.2020.28.1.111]
• 홍정의, 2021. “랜덤 포레스트 알고리즘을 통한 주택 대량평가모형 연구”, 「부동산분석」, 7(1): 1-28.
  Hong, J., 2021. “A Mass Appraisal Model on Residential Property with Random Forest Algorithm”, Journal of Real Estate Analysis, 7(1): 1-28. [https://doi.org/10.30902/jrea.2021.7.1.1]
• 황형기·이창무·김미경, 2008. “한강조망이 주택가격에 미치는 영향”, 주택연구, 16(2): 51-72.
  Hwang, H.K., Lee, C.M., and Kim, M.K., 2008. “Effect of Visibility of the Han River on the Housing Price”, Housing Studies Review, 16(2): 51-72.
• Abidoye, R.B. and Chan, A.P.C., 2018. “Improving Property Valuation Accuracy: A Comparison of Hedonic Pricing Model and Artificial Neural Network”, Pacific Rim Property Research Journal, 24(1): 71-83. [https://doi.org/10.1080/14445921.2018.1436306]
• Adetunji, A.B., Akande, O.N., Ajala, F.A., Oyewo, O., Akande, Y.F., and Oluwadara, G., 2022. “House Price Prediction Using Random Forest Machine Learning Technique”, Procedia Computer Science, 199: 806-813. [https://doi.org/10.1016/j.procs.2022.01.100]
• Antipov, E.A. and Pokryshevskaya, E.B., 2012. “Mass Appraisal of Residential Apartments: An Application of Random Forest for Valuation and a Cart-based Approach for Model Diagnostics”, Expert Systems with Applications, 39(2): 1772-1778. [https://doi.org/10.1016/j.eswa.2011.08.077]
• Breiman, L., 2001. “Random Forests”, Machine Learning, 45: 5-32. [https://doi.org/10.1023/A:1010933404324]
• Chung, Y.S., Seo, D., and Kim, J., 2018. “Price Determinants snd GIS Analysis of the Housing Market in Vietnam: The Cases of Ho Chi Minh City and Hanoi”, Sustainability, 10(12): 4720. [https://doi.org/10.3390/su10124720]
• Han, J., Lee, S., and Woo, A., 2023. “Effects of Neighborhood Streetscape on Single-Family Housing Prices: Focusing on Non-Linear and Interaction Effects Using Interpretable Machine Learning”, PLoS ONE, 20(5): 1-25. [https://doi.org/10.2139/ssrn.4492576]
• Kim, J., Lee, Y., Lee, M.H., and Hong, S.Y., 2022. “A Comparative Study of Machine Learning and Spatial Interpolation Methods for Predicting House Prices”, Sustainability, 14(15): 9056. [https://doi.org/10.3390/su14159056]
• Ko, D. and Park, S., 2024. “Investigating the Correlation between Air Pollution and Housing Prices in Seoul, South Korea: Application of Explainable Artificial Intelligence in Random Forest Machine Learning”, Sustainability, 16(11): 4453. [https://doi.org/10.3390/su16114453]
• Lundberg, S. M. and Lee, S. I., 2017. “A Unified Approach to Interpreting Model Predictions”, Paper presented at the 31st International Conference on Neural Information Processing Systems, Long Beach California USA.
• Louati, A., Lahyani, R., Aldaej, A., Aldumaykhi, A., and Otai, S., 2022. “Price Forecasting for Real Estate Using Machine Learning: A Case Study on Riyadh City”, Concurrency and Computation: Practice and Experience, 34(6): e6748. [https://doi.org/10.1002/cpe.6748]
• Rico-Juan, J.R. and Taltavull de La Paz, P., 2021. “Machine Learning with Explainability or Spatial Hedonic Tools? An Analysis of the Asking Prices in the Housing Market in Alicante, Spain”, Expert Systems with Applications, 171: 114590. [https://doi.org/10.1016/j.eswa.2021.114590]
• Rosen, S., 1974. “Hedonic Prices and Implicit Markets: Product Differentiation in Pure Competition”, Journal of political economy, 82(1): 34-55. [https://doi.org/10.1086/260169]
• Uysal, H. and Kalkan, A., 2024. “Predicting Housing Prices in Istanbul Using Explainable Artificial Intelligence Techniques”, Journal of Multidisciplinary Developments, 9(1): 19-34.
• Wen, H., Zhang, Y., and Zhang, L., 2014. “Do Educational Facilities Affect Housing Price? An Empirical Study in Hangzhou, China”, Habitat International, 42: 155-163. [https://doi.org/10.1016/j.habitatint.2013.12.004]
• Yang, L., Liang, Y., Zhu, Q., and Chu, X., 2021. “Machine Learning for Inference: Using Gradient Boosting Decision Tree to Assess Non-Linear Effects of Bus Rapid Transit on House Prices”, Annals of GIS, 27(3): 273-284. [https://doi.org/10.1080/19475683.2021.1906746]
• Yang, L., Zhou, J., and Shyr, O.F., 2019. “Does Bus Accessibility Affect Property Prices?”, Cities, 84: 56-65. [https://doi.org/10.1016/j.cities.2018.07.005]
• 국세청, “근로소득 연말정산 신고현황”, 2025.4.5.읽음. KOSIS, https://kosis.kr/statHtml/statHtml.do?orgId=133&tblId=TX_13301_A035&conn_path=I2
  National Tax Service, “Status of Year-End Tax Settlement for Wage Income”, Accessed April 5, 2025. KOSIS, https://kosis.kr/statHtml/statHtml.do?orgId=133&tblId=TX_13301_A035&conn_path=I2
• 국토교통부, “자동차등록현황보고”, 2025.6.30.읽음 . 통계누리, https://stat.molit.go.kr/portal/main/portalMain.do
  Ministry of Land, Infrastructure and Transport., “Total Registered Motor Vehicle”, Accessed June 30, 2025. Molit Statistics System, https://stat.molit.go.kr/portal/
• 법제처, “국토의 계획 및 이용에 관한 법률”, 2025.8.18.읽음. 국가법령정보센터, https://www.law.go.kr/lsInfoP.do?lsiSeq=91698&ancYnChk=#0000
  Ministry of Government Legislation, “National Land Planning and Utilization”, Accessed August 18, 2025. Korean Law Information Center, https://www.law.go.kr/lsInfoP.do?lsiSeq=91698&ancYnChk=#0000
• 한국부동산원, “(월)지역별 매매 평균가격_아파트”, 2025.8.18. 읽음. R-ONE 부동산통계정보, https://www.reb.or.kr/r-one/portal/stat/easyStatPage/A_2024_00188.do?isMobileYn=N
  Korea Real Estate Board, “(Monthly) Average Sales Price of Apartments by Region”, Accessed August 18, 2025. R-ONE, https://www.reb.or.kr/r-one/portal/stat/easyStatPage/A_2024_00188.do?isMobileYn=N
• KB부동산, “주택가격동향조사”, 2025.4.7.읽음. https://data.kbland.kr/kbstats/wmh?tIdx=HT07&tsIdx=aptM2SaleAvgPrice
  KB Land, “Real Estate Housing Trend Survey”, Accessed April 7, 2025. https://data.kbland.kr/kbstats/wmh?tIdx=HT07&tsIdx=aptM2SaleAvgPrice