통합데이터지도 로고

본 분석은 KT 통신 플랫폼에서 제공하는 인구 총 주택 정보 데이터, 인구 총 가구 정보 데이터를 활용하였다. 인구 주택 정보 데이터가 2015년, 2016년, 2017년만 존재하므로 두 개의 데이터를 병합하기 위해 동일 연도의 인구 가구 정보 데이터를 불러와 취합하였다.

활용한 데이터 셋은 다음과 같다.

수집한 데이터셋을 시군구명을 key값으로 데이터를 병합하고 EDA 과정을 진행하며 본격적인 분석에 앞서 데이터의 전체적인 특성을 살펴보았다. 결측치는 존재하지 않았으나 동일한 시군구에 중복되는 값이 존재하여 연도에 따른 시군구별 평균값으로 처리하였다.
수치형변수의 경우 boxplot을 통한 이상치 확인 및 기본 통계량과 분포를 살펴보았고, 범주형변수의 경우 타입을 category로 변환하여 범주별 시각화를 통해 데이터의 분포와 개수를 확인하였다.

시각화를 통해 살펴본 범주형 변수의 분포는 다음과 같다.

• 세종시, 제주시를 제외하고 대체로 시도별 데이터가 고르게 분포되어 있다.
• 경기, 부산, 서울 순으로 데이터 분포의 차이를 보이는데 이는 지역의 크기에 따라 차이가 발생한 것으로 보인다.

시도별 주택 유형에 따른 수치는 다음과 같다.

• 총 주택 수가 많은 지역은 경북, 경남, 전북, 전남, 충북, 충남, 강원, 부산으로 수도권이 아닌 지역이다.
• 대부분의 지역에 다수 분포되어 있는 주택 유형은 '아파트'다.
• 다세대주택이 밀집된 지역(경기, 부산, 서울, 대구, 인천)과 단독주택이 밀집된 지역(경북, 경남, 전남, 강원, 충남, 충북, 제주)이 대비된다. 이는 변수간 상관관계에서도 확인 가능한 부분이었다.

변수간 상관관계 히트맵은 다음과 같다.

• 서로 상관관계가 높게 나온 변수들의 관계를 산점도를 통해 확인해보았다.
• 이때 1년후, 2년후 주택유형별과 가구유형별 증가(1)와 감소(0) 추세를 함께 살펴봄으로써 다양한 시각에서 해석하고자 하였다.
• (*1세대가구: 부부로만 구성된 가구, 2세대가구: 부부, 자녀로 구성된 가구)

상관관계가 높게 나온 변수들의 산점도는 다음과 같다.

• 1세대가구는 2년후(2015년도에서 2017년도 사이) 증가하는 추이를 보인다.
• 단독주택과 높은 양의 상관관계를 가지므로 증가하는 1세대가구의 수요에 맞춰 단독주택의 수요를 늘리는 것이 바람직해 보인다.
• 경기, 부산, 서울 순으로 해당 지역에 1세대가구가 증가하는 양상을 보인다.

• 2세대가구는 경기 지역에서 2015년도와 2017년도에서 모두 증가하는 추이를 보인다.
• 경기 지역을 제외하고는 시간이 지날수록 대체로 감소하는 편이다.
• 평균 가구원 수, 아파트 수와 높은 양의 상관관계를 가지므로 이들은 가구원 수 통계의 대부분을 차지하고 있으며 아파트에 거주할 확률이 높다.
• 아파트와 단독주택은 높은 음의 상관관계를 가지므로 단독주택에 거주할 확률은 낮다.
• 따라서 2세대가구와 높은 상관관계를 갖는 아파트가 경기 지역에 있을 경우 이들의 수요를 만족시킬 수 있을 것이다.

• 1인가구는 모든 지역에서 증가하는 추이를 보인다.
• 이는 1인가구를 위한 주거유형이 더욱 필요해질 것이며 앞으로 더욱 세분화될 주거유형이 이들을 위한 방향으로 변화할 가능성을 보여준다.