통합데이터지도 로고

본 분석에서는 공공 임대 주택의 최적 입지선정을 위하여 수집한 데이터를 수요 접근성, 교통접근성, 도시 성장성, 환경 접근성, 생활 편의성, 시장 압력도, 공급 압력도로 분류하여 분석하였다. 또한 임대주택 입주 대상별로 가중치를 다르게 적용하여 입주 대상자 맞춤형으로 분석을 진행하였다. 추후에 해당 분석 결과를 통해 국토교통부의 후보지 선정협의회 등 의사결정자에게 한정된 예산으로 최적의 입지를 선정하는 것에 도움이 되는 자료를 제공하고자 한다.

활용한 데이터 셋은 다음과 같다.

본 분석에서는 행복주택 입지추천에 관련한 서울시 구별 인프라를 분석하기 위해 이상 22가지의 데이터를 혼합해 사용했다.

연구 배경 및 방향

• 본 연구의 배경은 행복주택의 수요증가와 금리인상 및 경기침체 그리고 에 따른 정부 정책 발표와 공가율 증가이다.
• 폭우로 인한 반지하 침수, 전세사기 증가, 1인가구의 증가의 이유가 있고, 최근 몇년간 전월세 가격 폭등의 이유로 행복주택의 수요 증가하였고, 금리인상 등의 요인으로 부동산 시장이 냉각된 이유와 아파트 매수심리 2년 9개월만에 최저치를 기록 하는 이유로 금리인상 및 경기침체가 되었으며, 정부는 공공임대주택 50만호 분양 공약과 재해취약주택 거주자에 대한 이주 지원과 같은 정책을 발표하였고, 행복주택 공가율이 3년간 9배나 증가 하였고, 장기 공가로 인해 주택정책 효과가 감소된 이유로 공가율이 증가하였다.
• 연구의 방향성은 인프라 데이터 수집하여 행복주택의 입지수요를 평가하는 모델링을 만들어서 최적의 입지 자치구를 선정하고 행복주택 입지를 제안하는 것이다.
• 인프라 데이터 수집을 하기 위해 기존의 연구자료와 논문을 통한 변수를 선정하였고, 수집한 데이터의 타당성 분석을 하였으며, 행복주택 입주 대상 계층의 요구를 반영한 변수를 설정하고 데이터 분석을 통해서 변수에 가중치를 부여하여 입지수요 평가 모델링을 하였고, 인프라 요소로만 자치구를 선정하고 각 계층에 대한 맞춤형 입지 평가로 자치구를 선정하여 최적의 입지 자치구를 선정하였으며, 의사결정자에게 임대주택 수요추정의 새로운 방법을 제안하여 행복주택의 입지를 제안하였다.

사용 변수 소개

변수는 각각의 특징과 성격에 맞게 크게 7가지로 구분하였으며 이는 수요 접근성, 교통 접근성, 도시성장성, 환경 접근성, 생활 편의성, 시장압력도, 공급압력도이다.

• 수요 접근성은 교육기관 등 인프라 접근성과 인프라 접근성과 관련이 있다.
• 교통 접근성은 교통수단의 중요도 구분과 관련이 있다.
• 도시 성장성은 산업 집중 도시의 성장 동력과 관련이 있다.
• 환경 접근성은 쾌적한 주거환경 및 치안과 관련이 있다.
• 생활 편의성은 주변 시설로 인한 편의 증진과 관련이 있다.
• 시장 압력도는 주택시장 가격 및 거래량의 변동률과 관련이 있다.
• 공급 압력도는 행복주택의 공급수준 식별과 관련이 있다.

수요 접근성 – 초등학교 수

서울시 25개 자치구별 초등학교 수는 다음 그림과 같다.

위 그림에서 알 수 있듯이 초등학교 수는 노원구, 송파구 순으로 가장 많이 분포 되어 있고 중구, 종로구 순으로 가장 적게 분포되어 있는 것을 알 수 있다.

수요 접근성 – 유치원 수

서울시 25개 자치구별 유치원 수는 다음 그림과 같다.

위 그림에서 알 수 있듯이 수는 노원구, 강서구 순으로 가장 많이 분포 되어 있고 용산구, 중구 순으로 가장 적게 분포되어 있는 것을 알 수 있다.

수요 접근성 – 대학교 수

서울시 25개 자치구별 대학교 수는 다음 그림과 같다.

위 그림에서 알 수 있듯이 대학교 수는 노원구, 서대문구, 성북구에 동일하게 가장 많이 분포 되어 있고 강서구, 관악구, 도봉구, 서초구, 송파구, 용산구, 은평구는 동일하게 가장 적은 분포를 보이며 강남구, 강동구, 강북구, 금천구, 양천구, 영등포구, 중랑구에는 분포되어 있지 않은 것을 알 수 있다.

수요 접근성 – 재학생 수용률

서울시 25개 자치구별 재학생 수용률은 다음 그림과 같다.

위 그림에서 알 수 있듯이 재학생 수용률은 송파구에 가장 많이 분포 되어 있고 다음으로 관악구, 동작구 순이며 가장 적게 분포 되어있는 강서구이며, 강남구, 강동구, 강북구, 금천구, 양천구, 영등포구, 중랑구에는 분포가 되어 있지 않은 것을 알 수 있다.

수요 접근성 – 유흥주점 수

서울시 25개 자치구별 유흥주점 수는 다음 그림과 같다.

위 그림에서 알 수 있듯이 유흥주점 수는 중구, 관악구에 가장 많이 분포 되어 있고 다음으로 강남구, 종로구 순으로 동일하게 많이 분포 되어 있으며 양천구, 성북구, 광진구 순으로 가장 적게 분포되어 있지 않은 것을 알 수 있다.

수요 접근성 – 일반/휴게음식점 수

서울시 25개 자치구별 일반/휴게 음식점 수는 다음 그림과 같다.

위 그림에서 알 수 있듯이 일반/휴게음식점은 송파구가 가장 많이 분포 되어 있고 다음으로 마포구, 송파구 순이며 가장 적게 분포 되어있는 구는 도봉구, 금천구, 동작구 순인은 것을 알 수 있다.

교통 접근성 – 주차장 수

서울시 25개 자치구별 주차장 수는 다음 그림과 같다.

위 그림에서 알 수 있듯이 주차장 수는 노원구에 가장 많이 가장 많이 분포 되어 있고 다음으로 관악구, 강남구 순이었으며, 중구, 성동구, 노원구 순으로 가장 적게 분포되어 있는 것을 알 수 있다.

교통접근성 – 버스정류장 수

서울시 25개 자치구별 버스정류장 수는 다음 그림과 같다.

위 그림에서 알 수 있듯이 버스 정류장수는 성북구가 가장 많이 분포 되어 있고 다음으로 강서구, 서초구 순이며 가장 적게 분포 되어있는 구는 중구이며, 금천구, 동대문구순인 것을 알 수 있다.

교통 접근성 – 지하철 수

서울시 25개 자치구별 지하철 수는 다음 그림과 같다.

위 그림에서 알 수 있듯이 지하철 수는 송파구에 가장 많이 분포 되어 있고 다음으로 중구, 강남구 순이며 금천구에 가장 적게 분포되어 있으며 다음으로 강북구, 도봉구 순인것을 알 수 있다.

도시 성장성 – 사업체 수

서울시 25개 자치구별 사업체 수는 다음 그림과 같다.

위 그림에서 알 수 있듯이 사업체수는 송파구가 가장 많이 분포 되어 있고 다음으로 중구, 송파구 순이며 가장 적게 분포 되어있는 구는 도봉구, 강북구, 동작구 순인 것을 알 수 있다.

도시 성장성 – 종사자 수

서울시 25개 자치구별 종사자 수는 다음 그림과 같다.

위 그림에서 알 수 있듯이 종사자 수는 송파구에 가장 많이 분포 되어 있고 다음으로 강서구, 강남구 순이며 중구, 종로구, 용산구 순으로 가장 적게 분포되어 있는 것을 알 수 있다.

도시 성장성 – 종사자수 20 • 30대 종사자 수

서울시 25개 자치구별 20•30대 종사자 수는 다음 그림과 같다.

위 그림에서 알 수 있듯이 20 • 30대 종사자 수는 강남구가 다른 구들에 비해 월등하게 많이 분포 되어 있고 다음으로 송파구 순이며 도봉구 강북구, 동작구 순으로 가장 적게 분포 되어있는 것을 알 수 있다.

도시 성장성 – 건축허가 건물 평균

서울시 25개 자치구별 건축허가 건물평균은 다음 그림과 같다.

위 그림에서 알 수 있듯이 건축허가 건물 평균 수는 관악구가 다른 구들에 비해 많이 분포 되어 있으며 다음으로 동일하게 은평구, 중랑구 순이며 중구, 성동구, 노원구 순으로 가장 적게 분포 되어 있는 것을 알 수 있다.

도시 성장성 – 인구 순이동

서울시 25개 자치구별 인구 순이동은 다음 그림과 같다.

위 그림에서 알 수 있듯이 서울로 이동한 인구가 강동구, 금천구에만 분포되어 있고 나머지 구들은 전부 서울 외곽지역으로 이동하였으며 특히 서초구, 노원구 송파구 순으로 가장 많은 이동을 한 것을 알 수 있다.

환경 접근성 – 공원 수

서울시 25개 자치구별 공원 수는 다음 그림과 같다.

위 그림에서 알 수 있듯이 공원 수는 노원구, 서초구, 강서구 순으로 가장 많이 분포 되어 있고 금천구, 광진구, 중구 순으로 가장 적게 분포되어 있는 것을 알 수 있다.

환경 접근성 - 안전지수

서울시 25개 자치구별 안전지수는 다음 그림과 같다.

위 그림에서 알 수 있듯이 안전지수는 종로구에 가장 높게 분포 되어 있고 다음으로 금천구, 중구 순이며 가장 낮게 분포 되어있는 구는 동작구이며 다음으로 서초구, 양천구 순으로 동일하게 분포가 되어 있는 것을 알 수 있다.

생활 편의성 – 병원 수

서울시 25개 자치구별 병원 수는 다음 그림과 같다.

위 그림에서 알 수 있듯이 병원 수는 강남구에 가장 많은 분포가 되었으며 다음으로 강서구, 송파구 순이며 용산구, 마포구, 중구 순으로 가장 적게 분포되어 있는 것을 알 수 있다.

생활 편의성 – 마트 수

서울시 25개 자치구별 마트 수는 다음 그림과 같다.

위 그림에서 알 수 있듯이 마트 수는 중구에 가장 많이 분포 되어 있고 다음으로 강남구, 영등포구 순으로 동일하게 많고, 서대문구, 도봉구 순으로 가장 적게 분포가 되어있는 것을 알 수 있다.

시장 압력도 – 행복주택 가격예상

서울시 25개 자치구별 행복주택 예상가격은 다음 그림과 같다.

위 그림에서 알 수 있듯이 행복주택 예상가격은 강남구, 서초구, 용산구 순으로 가장 높은 가격이 분포 되어 있고 도봉구, 금천구, 중랑구 순으로 가장 낮은 가격이 분포되어 있는 것을 알 수 있다.

시장 압력도 – 아파트 거래량

서울시 25개 자치구별 아파트 거래량은 다음 그림과 같다.

위 그림에서 알 수 있듯이 아파트 거래량은 노원구에 가장 많이 분포 되어 있고 다음으로 노원구, 송파구, 강서구 순이며 종로구, 중구, 금천구 순으로 가장 적게 분포가 되어 있는 것을 알 수 있다.

시장 압력도 - 전 • 월세 지수 평균

서울시 25개 자치구별 전 • 월세 지수 평균은 다음 그림과 같다.

위 그림에서 알 수 있듯이 전 • 월세 지수평균은 서초구, 노원구, 송파구 순으로 가장 많이 분포 되어 있고 금천구, 관악구, 강서구 순으로 가장 적게 분포가 되어 있는 것을 알 수 있다.

공급 압력도 – 행복주택 수

서울시 25개 자치구별 행복주택 수는 다음 그림과 같다.

위 그림에서 알 수 있듯이 행복주택 수는 강동구, 구로구, 송파구 순으로 가장 많이 분포 되어 있고 광진구, 중구, 도봉구 순으로 가장 적게 분포가 되어있는 것을 알 수 있다.

변수 비율조정 필요성

• 행복주택 입지 선정에는 수요 접근성, 교통 접근성 등 매우 다양하고 복잡한 요인들에 작용하고 고 각 요인들의 중요도도 제 각각이다.
• 변수 결과값의 왜곡을 방지하기 위하여 데이터 분석에 사용된 변수들의 값을 균일한 비율로 조정해 주는 작업이 필요하다.

Spss Modeler를 활용한 데이터 분석 및 가중치 부여

수집한 모든 변수의 값을 종합한 뒤 SPSS Modeler를 활용하였으며 분석방법은 모델링 기법 중 인공신경망을 이용하였다.

• 다음은 전체 노드의 그림이며 왼쪽에서 오른쪽 방향으로 데이터 병합, 입력 및 목표 데이터 설정, 데이터 추가 정제, 인공신경망 기법 적용이다.
• 왼쪽에서 수요접근성, 교통접근성, 시장압력도, 도시성장성, 환경접근성, 생활편의성, 공급압력도의 7가지의 변수들을 하나로 병합하여 유형 노드를 통해 독립 변수와 종속 변수를 지정해준 뒤 필터 노드를 통하여 데이터 정제 중 오류가 발생한 변수들을 제거 해주는 작업을 하여 인공신경망 기법 노드를 연결하여 변수 별 중요도를 도출하였다.

다음은 인공신경망 모델이 변수 별 중요도를 계산하는 모습이다.

위 그림에서 알 수 있듯이 인공신경망을 통한 분석 및 중요도 추출 결과 각각의 변수별로 사업체수, 구별 건축허가 건물평균, 안전지수, 행복주택 수 지하철 수, 유흥주점의 높은 순으로 다음과 같은 중요도를 추출하였다.

변수별 가중치 종합

위 표에서 알 수 있듯이 변수 분류에 따른 22가지의 변수들의 가중치를 산출 및 부여해낸 결과 각 변수별로 다음과 같은 수치를 나타낸다.

위 표에서 알 수 있듯이 분수 별로 변수 가중치를 총 합산한 결과 다음과 같은 것을 알 수 있다

변수별 중요도 및 변수 분포 비율조정

위 그림에서 알 수 있듯이 변수 분류별 가중치를 확인해 본 결과 도시 성장성이 가장 높았고 그 다음으로 수요 접근성, 교통 접근성, 시장 압력도, 환경 접근성, 공급압력도, 생활 편의성 순이다. 도시 성장성이 37%로 중요하게 나타났으며 수요 접근성, 교통 접근성이 15%의 중요도로 분석되었다.

• 도시성장성은 37%의 중요도를 가진다.
• 수요접근성은 15%의 중요도를 가진다.
• 교통접근성은 15%의 중요도를 가진다.
• 시장압력도는 11%의 중요도를 가진다.
• 환경접근성은 10%의 중요도를 가진다.
• 공급압력도는 7%의 중요도를 가진다.
• 생활편의성은 5%의 중요도를 가진다.

하지만 변수 별 가중치를 적용하기에 앞서 변수 값들이 다양하게 분포되어 있어 가중치를 적용하기 제한이 된다.

다음의 표는 다양하게 분포되어 있는 변수 값 예시이며 한 눈에 볼 수 있다.

몇 가지 변수만 뽑아 변수의 분포를 확인해보면 인구 순이동은 -4099명인 자치구, 지하철 수가 11개인 자치구, 버스정류장 수가 432개인 자치구, 일반음식점이 5474개인 자치구, 사업체 수가 28,343개인 자치구, 행복주택 예상 가격이 44,057(천만원)인 자치구로 이루어져 있는 것처럼 변수들의 값 스펙트럼이 넓고 다양하다.

위의 가중치를 단순하게 변수에 값을 곱하여 총합을 구한다면 가중치의 영향이 제대로 나타나지 않을 수 있기 때문에 이를 위해서 변수 값을 100% 비율로 환한다. 그러므로 변수별로 서울시 25개 자치구의 차지 비율로 조정하여 분석하였다.

변수 분포 비율조정 및 가중치 적용

본 연구에서는 다음과 같이 변수 값 상태 비율조정을 하였다. 즉, 구별로 모든 변수 값을 백분위로 비율조정을 한 것이다.

다음 그래프는 변수의 비율조정 값을 각 자치구 별로 차지하는 비중을 나타낸 것이다. 백분위를 조정한 값을 앞서 SPSS 모델러에서 추출한 중요도에 따라 각 변수에 가중치를 부여하였다.

변수 데이터 시트

본 연구에서는 변수의 비율 조정값을 변수별 가중치와 곱하여서 가중치가 반영된 값을 도출할 것이다.

다음 표는 변수의 비율조정 값과 변수 분류별로 가중치를 곱한 결과 값들을 나열한 것이다.

최적의 행복주택 자치구 및 인프라만을 반영한 최적의 행복주택 자치구

• 변수의 비율조정 값과 변수 분류별로 가중치를 곱한 결과 값들을 나열한 표에서 구별로 총합 점수를 내었다.
• 총합 점수가 상위 25% 지역에 대하여 분석해 보았다.

• 왼쪽의 표는 변수의 비율 조정값과 변수 분류별로 가중치를 곱한 값을 구별로 종합한 총합 점수이다. 총합 점수 중 빨간색으로 표시된 구가 상위 25% 지역이다.
• 오른쪽의 표는 인프라만 고려되어 선정된 구이며 이는 서울시 전체구에서 상위 25%를 추출한 것이다. 특징을 살펴보면 위 지역들은 누구나 살고 싶어하는 지역이다.
• 행복주택의 예상가는 구별 아파트 평균 매매가격의 시세대비 60% ~ 70%이면 인프라가 좋은 지역은 행복주택의 가격이 비싸 거주 취약계층이 입주하기엔 쉽지가 않은 것으로 나타나고 있다.

맞춤형 가중치 부여

행복주택 입주 대상별에 따른 맞춤형 가중치 부여 목적은 다음과 같다.

행복주택의 입주 대상이 되는 여러 주거 취약 계층에 따라 맞춤 가중치를 부여해서 맞춤형 행복주택 입지를 추천하는 방식으로 진행하였다.

• 다음표는 중요 변수와 미중요 변수를 나타낸 표이며 계층 별 가중치 순위별로 변수들이 나열되어 있다.
• 대학생, 사회초년생, 신혼부부는 경제 활동 등 사회적 활동을 활발히 하므로 편리한 교통, 회사와 학교와 근접한 지역에 거주할 필요가 있고, 고령자는 공원, 병원 등 여가와 건강을 챙길 수 있는 지역에 거주해야 한다. 따라서 대학생, 사회초년생, 신혼부부, 고령자에게 맞는 행복주택 입지 선택이 필요하다.

맞춤형 가중치 부여표

행복주택 별 입주 대상별 맞춤형 가중치 부여결과를 나타낸 표는 다음과 같다.

• 논문과 기사를 찾아 본 결과, 거주 지역 선택 시 고려 사항 중 집 값 중요한 요인으로 고려하는 것으로 확인하였다. 앞 연구 결과처럼 높은 점수를 기록한 강남, 마포 등의 자치구는 좋은 인프라를 형성하고 있습니다. 좋은 인프라를 갖춘 구의 집 값은 비교적 높은 가격을 형성하고 있다.
• 행복주택은 시세가의 60~80%로 책정된다. 주거 취약계층에게는 이 금액도 부담이 될 수 있다. 하여, 가격이 저렴하면서 행복주택이 적은 지역에 가중치를 많이 부여했다. 그 중 대학생과 노인이 수입이 없기 때문에 가중치를 좀 더 부여 했다.
• 대학생, 사회초년생, 신혼부부, 고령자를 위한 맞춤형 가중치를 통하여 보다 쾌적하고 안정된 행복주택 입지를 추천하는 것이 이후 분석의 목적이다.
• 대학생의 경우 대학교 수, 재학생 수용률 등의 변수에 더욱 높은 가중치를 주었다.
• 사회초년생은 교통과 사업체 수 등의 변수에 높은 가중치를 주었다.
• 신혼부부의 경우 유치원 수, 초등학교 수 등의 변수에 높은 가중치를 주었다.
• 고령자는 병원, 마트, 공원 수 등의 변수에 높은 가중치를 주었다.

가중치 부여 결과

가중치를 부여한 결과는 다음과 같다.

• 위 표는 수요자 계층에 맞는 가중치가 부여되어 점수화한 결과이다.
• 계층별 점수를 합산하여 결과를 비교 분석 하였다.
• 25개 자치구 중, 가중치 점수가 상위 6개의 자치구를 추출하였다.

계층 맞춤형 입지 순위 평가

점수로 환산된 계층별 점수별로 순위를 매겼다.

신혼부부

• 위 표와 그래프를 보면 신혼부부에 맞는 입지를 평가 해볼 수 있다.
• 사업체가 많고 교통이 편리하므로 행복주택 예상가가 중위 가격에 해당하고 인프라가 좋게 나타난다.
• 상대적으로 유치원 수와 사업체 수가 많고 교통이 편리하다. 또한 예상 행복주택 가격이 높지 않게 나타난다.
• 이를 종합해 보면 교통이 편리하고 자녀 교육이 편리한 자치구가 선정된다.

사회초년생

• 위 표와 그래프를 보면 사회초년생에 맞는 입지를 평가 해볼 수 있다.
• 많은 사업체 수와 20 • 30대 종사자 수가 많고 교통이 편리한 것으로 나타난다.
• 행복주택 예상가가 낮아 거주비용 부담이 적은 것으로 나타난다.
• 이를 종합해 보면 회사와 거리가 가깝고 교통이 편리하며 거주 비용 부담이 적은 자치구가 최적의 입지로 선정된다.

대학생

• 위 표와 그래프를 보면 대학생에 맞는 입지를 평가 해볼 수 있다.
• 노원구에는 대학교 수가 많고 대학교와의 거리 및 교통이 편리하게 나타난다.
• 금천구에는 행복주택 예상가가 낮아 거주 비용 부담이 적게 나타난다.
• 이를 종합해 보면 대학교 수가 많고 교통이 편리하며 행복주택 예상가가 저렴한 자치구가 최적의 입지로 선정된다.

고령자

• 위 표와 그래프를 보면 고령자에 맞는 입지를 평가 해볼 수 있다.
• 강서구에는 병원, 마트, 공원 등의 생활편의 시설의 수가 많으며 안전지수 또한 높은 것으로 나타난다.
• 금천구에는 마트 수가 많고 행복주택 예상가가 낮은 것으로 나타난다.
• 이를 종합해 보면 마트, 병원, 공원의 수가 많고 행복주택 예상가가 저렴한 자치구가 최적의 입지로 선정된다.

계층 맞춤형 입지 결과 비교

4가지의 계층 결과표를 종합하여 비교 분석하였다.

• 위 표는 4가지 계층의 상위 6개 자치구를 추출한 결과표이며, 이를 살펴보면 공통적으로 노원구, 금천구, 관악구로 도출이 되었다.

최적의 구 선정

최종적으로 신혼부부, 사회초년생, 대학생, 고령자의 대상별 최적의 구를 선정하였다.

행복주택 입지 제안 답변

지금까지의 분석에 대하여 LH 한국토지주택공사 관계자에게 자료를 보여주며 발표하여 행복주택 입지 제안에 대한 답변을 받았고 잘한 점과 아쉬운 점으로 나누어봤다.

잘한 점

• 주택공사에도 많은 학자들이 입지선정에 있어 많은 고민을 하고 있는 중요 연구라는 의견이다.
• 기존에는 AHP의 분석 방법을 이용하였지만 새로운 방법으로 연구 시도라는 의견이다.
• 입주 대상의 소요추정에 있어 뒷받침하기 좋은 연구 방법이라는 의견이다.

아쉬운 점

• 해당 자치구에 행복주택을 공급할 경우, 기존 주민의 저항과 보상에 대한 고려가 있어야 한다는 의견이다.
• 연구에서는 자치구를 기준으로 진행하였지만, 동 단위까지 좁혀서 더 자세한 분석이 필요하다는 의견이다.
• 자치구 별로 주택을 지을 수 있는 부지가 있는지에 대한 요소 고려가 되지 않았다는 점이 아쉽다는 의견이다.

행복주택 입지 제안 답변 피드백 한계점

아쉬운 점에 대한 피드백

• 해당 자치구에 행복주택을 공급할 경우 발생하는 기존 주민의 저항과 보상에 관한 데이터가 없지만, 데이터화가 가능하다면 반영할 수 있을 것이다.
• 연구에서는 자치구를 기준으로 분석을 진행했지만, 동 단위까지의 데이터를 확보할 수 있다면 더 자세한 분석이 가능할 것으로 예상된다.
• 자치구별로 주택을 공급할 부지가 있는지에 대하여 고려해야 하는데 주택을 공급할 부지 데이터를 찾지 못했다. 그러나 만약 활용할 수 있는 부지 데이터가 있다면 추가적인 변수로 고려가 가능할 것으로 예상된다.