GTX-C 개통과 인덕원 주변 아파트명 변경에 따른 매매 가격 프리미엄 분석

본 연구에서는 단지명 변경이 실거래가에 미치는 인과적 효과를 추정하기 위하여 DiD 중 이원 고정효과(two-way fixed effects, TWFE) 모형을 이용한다.

(식 1)은 아파트 단지(j = 1, 2,⋯,J)별 전용면적에 따른 주택형¹⁾i(=1, 2,⋯,N)의 반기 t(=1, 2,⋯,T) 시점에 대한 자연로그를 취한 평당 매매가격(logY)에 대한 이원 고정효과 모형을 나타낸다. 아파트 단지명 변경의 정책 변수는 D_i,t ≡ Q_i × T_i,t로 아파트 단지명을 변경한 단지를 나타내는 더미변수 Q_i와 단지별로 상이한 단지명 변경 시점에 대한 더미변수 T_i,t로 구성된다. 이때 본 연구의 주된 관심 계수 θ는 단지명 변경 효과를 나타내는 DiD 추정치로 단지명 변경 이전·이후의 평당 매매가격 변화를 실험집단과 통제집단 간 비교를 통해 식별한다. α_i는 아파트 단지별 전용면적에 따른 주택형(i)의 개체 고정효과이며, δ_t는 반기별(t) 시간 고정효과로, 아파트 단지·전용면적 수준과 반기별 시간에 내재된 관측되지 않은 이질성을 통제하기 위해 포함한다. ε_i,t는 오차항을 의미한다.

전통적인 2×2 DiD 모형은 처치대상 더미(Q_i)와 처치시점 더미(T_i,t), 그리고 그 교차항(D_i,t ≡ Q_i × T_i,t)을 모두 포함하지만, TWFE 모형에서는 개체 고정효과(α_i)와 시점 고정효과(δ_t)가 각각 Q_i와 T_i,t의 역할을 대체하였기 때문에 Q_i와 T_i,t의 계수값은 추정되지 않는다. 이는 이 두 개의 변수는 완전 공선성(perfect collinearity)으로 인해 추정 시 누락되기 때문이다. TWFE 모형을 추정하는 것은 2×2 DiD 모형에 비해 계수의 표준오차 감소 및 모형 적합도 개선의 효과가 있다(손호성·이재훈, 2018).

(식 1)에는 두 가지 형태의 통제변수가 포함된다. 첫째, X_i는 시간에 따라 불변인 통제변수로, 아파트 단지 수준 j에서 정의된다. 동일 단지에 속하는 모든 전용면적 구분별 X_i는 같은 값을 가지며, 단지의 물리적·입지적 특성(단지 최고층수, 단지 총 동수, 세대당 주차대수, 건폐율, 용적률, 역과의 최단거리 및 역과의 최단거리 제곱, 인덕원역과의 최단거리 및 인덕원역과의 최단거리 제곱, 행정구역, 현관구조, 난방방식, 안양판교로 북부 여부)이 포함된다. 그리고 표기 편의상 상수항 또한 포함하여 표기한다. 둘째, Z_i,t는 시간에 따라 변하는 통제변수이다. 주요 변수는 매매 거래수, 매매 층수, 건축물 연령 및 제곱항, 주변 사업시행인가·관리처분계획인가 여부, 선형시간추세, 선형시간추세와 안양판교로 북부 여부 교차항이다.

(식 1)에서 정책 변수의 특징은 대상이 되는 아파트 단지들의 이름 변경 시점이 시차를 두고 있다는(staggered) 점이다. 즉, 처치(단지명 변경) 효과가 단일 시점에서 단발성으로 나타나는 것이 아니라 일정 기간에 걸쳐 점진적으로 반영되거나 시차를 두고 나타날 경우, (식 1)의 단일 계수(θ) 추정 방식은 시간에 따른 동태적 효과를 포착하는 데 한계가 있다. 이에 본 연구는 아파트 단지명 변경 전후의 시간적 변화에 따른 동태적 효과를 식별하기 위하여 다음의 이벤트 스터디 모형을 이용한다.

(식 2)는 (식 1)과 동일하게 두 가지 형태의 통제변수(X_i, Z_i,t)와 개체 및 시간에 대한 고정효과(α_i, δ_t)를 가져 각각 Q_i와 T_i,t의 역할을 대체하였다는 점에서는 동일하다. 가장 중요한 차이는 정책변수를 정의하는 방식이다. (식 2)에서 정책변수는 다음과 같이 정의된다.

(식 1)과 달리 정책변수는 상대적 시점을 의미하는 k에 영향을 받는데, K^L은 상대시점의 하한(lower bound), K^U는 상대시점의 상한(upper bound)을 의미한다. 실제 분석에서는 K^L= -8, K^L= 6와 같이 정의되고 –8보다 작은 경우 하한을 6보다 큰 경우 상한을 갖는다. 상대시점 변수 B_i,t ≡ t - G_i는 각 객체의 처치 시점(G_i)과 현재 시점(t)의 차이로 정의된다. (식 3)은 상대시점이 멀리 떨어지는 경우 상한과 하한을 이용하여 구간(bin)으로 처리하는 비닝(binning) 방식을 이용하고 있다. 이는 이벤트 스터디 모형이 처치로부터 지나치게 먼 시점은 처치가 발생한 관측치가 희소해 표준오차가 커지고 추정치의 불안정성이 증가하는 문제가 발생하는데, 이를 완화하기 위해 원거리 상대 시점은 구간으로 묶는 방식을 적용하였다(Sun and Abraham, 2021).

(식 3)의 정책변수 $D_{i,t}^k$는 상대시점과 처치 여부에 영향을 받는다. 1[A]는 어떤 사건 또는 사실이 발생할 경우 1을 갖고 그렇지 않은 경우 0을 의미하는 지시함수(indicator function)이다. 따라서 어떤 i가 아파트 단지명을 변경한 대상(Q_i = 1)에 속하며, 비닝된 상대시점 B_i,t이 k일 때 처치가 발생한다$\left(D_{i,t}^k=1\right)$. 예를 들어, 개체 i의 처치가 발생한 시점을 G_i = 4라 할 때, t = 4에서 B_i,4은 0이고, t = 5에서 B_i,5은 양수(+)인 1로 정의된다. 따라서 k = 1이라면 $D_{i,4}^1=0$, $D_{i,5}^1=1$과 같다. 이러한 정의는 본 연구의 표본에서 아파트 단지별로 처치 시점이 상이하기 때문에 필요하다. 즉, 특정 시점에서 일부 단지는 이미 단지명을 변경하였지만, 다른 단지는 아직 변경하지 않았으므로, 처치 효과를 공통된 시간 축에서 비교하기 위해 상대 시점 개념을 도입하였다. 구간으로 묶는 방식은 t-G_i가 6 이상 및 ‒8 이하인 경우를 단일 구간으로 통합해서 범주화하는 식이다. 상대시점에 따른 더미변수 생성시 발생할 수 있는 다중공선성 해소를 위해서 기준 시점(base period)이 필요한데 분석에서는 처치 직전인 B_i,t = -1을 기준으로 설정한다.

한편, 이벤트 스터디 모형을 이용하는 경우 추정치$\left({\widehat{\theta }}_k\right)$를 통해서 이중차분법(DiD)의 기본 가정인 사전 평행추세(parallel trend assumption) 가정의 충족 여부를 간접적으로 확인 가능하다. 비닝 상대시점을 사전(K^L ≤ k ≤-2)과 사후(0 ≤ k ≤ K^U)로 나눈 경우, 사전 비닝 상대시점의 추정 결과$\left({\widehat{\theta }}_{k\in \left[K^L,-2\right]}\right)$가 통계적으로 유의하지 않으면, 실험집단과 통제집단 간 로그 평당 매매가격 추세가 처치 이전에 유사했음을 간접적으로 보여주며, 이를 통해 사전 평행추세 가정이 타당함을 의미한다. 반대로 사후 비닝 상대시점의 추정 결과$\left({\widehat{\theta }}_{k\in \left[0,K^U\right]}\right)$가 유의한 양(+) 또는 음(‒)이라면, 해당 시점의 가격 변화가 단지명 변경 효과와 밀접히 연관되었음을 시사한다.

본 연구는 GTX-C선 정차 예정지인 인덕원역 반경 3km 이내 아파트 단지를 단지명 변경의 실증분석 대상으로 하였다. GTX-C선 우선협상대상자 선정 발표일(2021년 6월 17일)을 기준으로, 이후 “인덕원” 명칭을 포함하여 단지명을 변경한 11개 아파트 단지를 실험집단으로 최종 선정하였다. 한편, 아파트 단지명이 변경하였더라도 2021년 6월 17일 이전부터 이미 “인덕원”을 포함하고 있었거나 준공 시점 혹은 입주 직전에 단지명에 ‘인덕원’을 포함한 단지는 실험집단으로 분류하지 않았다. 통제집단은 이들 실험집단을 기준으로 반경 0.5km, 1.0km, 1.5km 이내에 위치한 아파트 단지로 구성되었으며, 각각 36개, 62개, 91개의 아파트 단지가 포함되었다.

분석 기간은 2014년 1월부터 2025년 6월까지 설정하였다. 이는 GTX-C선의 1차 예비타당성조사 착수 시점(2014년 2월)부터 예비타당성 통과(2018년 12월), 우선협상대상자 선정 발표(2021년 6월 17일)를 포함하여, 충분한 사전추세 검정과 함께 향후 착공(2024년 1월 25일, GTX-C선 착공식)이 예상되는 시점까지의 효과를 포착하기 위함이다.

최종적으로 선정된 실험집단의 매매 거래 건수는 분석 기간 동안 총 6,871건이며, 통제집단은 실험집단 기준 반경별로 0.5km 이내 6,707건, 1.0km 이내 13,646건, 1.5km 이내 21,732건의 매매 거래가 이뤄진 것으로 확인되었다. 실험집단으로 최종 선정된 11개 아파트 단지의 단지명 변경 시점, 변경 전·후 명칭, 총 매매 거래 수 및 단지 주소는 <표 1>에 제시하였다.

본 연구는 GTX-C선 우선협상대상자 선정 이후 아파트 단지명에 “인덕원”을 포함한 명칭 변경 사례를 대상으로, 매매 실거래가에 미친 영향을 분석하기 위하여 반기별 아파트 단지별 전용면적에 따른 주택형에 대한 패널자료(panel data)를 구축한다. 패널자료는 동일 개체를 시간에 따라 추적하여, 횡단면 분석으로는 파악하기 어려운 동태적 변화를 식별할 수 있다는 장점이 있다.

본 연구에 활용된 부동산 실거래 기반 패널자료는 동일 아파트 단지 내 전용면적별 매매 거래정보(매매가격, 매매 거래수, 매매 층수)를 2014년 1월부터 2025년 6월까지 반기 단위로 구성된다. 거래별 매매가격(단위: 만 원)을 거래별 전용면적(m²)로 나눈 후 3.3m²(1평)을 곱하여 평당 매매가격(단위: 만 원)으로 변환하고 (식 1)과 같이 분석에서의 종속변수는 이 평당 매매가격에 자연로그(ln) 값이다. 이 경우 (식 1)은 준로그(semi-log) 함수 형태 모형이 되고, 모형 내 독립변수의 단위 변화에 따른 가격 변화를 근사적 백분율(approximate percentage change)로 해석할 수 있는 장점을 갖는다(이용만, 2008).

한편, 주택 가격 분석 시 헤도닉 가격모형에 기반한 DiD 모형의 기본 형태는 개별 거래건수를 단위로 하여 개별 주택의 물리적·입지적 특성을 설명변수로 포함하는 것이 일반적이며, 이러한 접근은 매우 바람직한 방법이다. 그러나 본 연구는 2×2 DiD 모형 대신 표준오차 감소 및 모형 적합도 개선을 위해 TWFE 모형을 활용하여 회귀계수를 추정하였고(손호성·이재훈, 2018), 주택 거래의 특성상 동일 단지·전용면적 유형에서 월별 거래가 매우 드물어 월 단위로 패널을 구축할 경우 결측치가 과도하게 발생하여 추정의 효율성이 저하될 우려가 있다. 반기별 아파트 단지별 전용면적에 따른 주택형에 대한 패널자료를 구축하여 분석하였다.

최종적으로 실험집단은 총 1,001개의 패널 관측치로 구성되며, 반경 0.5km, 1.0km, 1.5km 기준 통제집단은 각각 1,276개, 2,254개, 3,366개의 패널 관측치를 포함한다. 다만, 동일 개체는 일부 반기에서도 거래가 발생하지 않아 관측치가 결측되는 불균형(unbalanced) 패널 구조를 가진다.

실증분석에 활용된 주요 변수의 이름과 정의 및 수집 출처는 <표 2>에 제시되어 있다. 먼저, Q는 아파트 단지명이 변경된 실험집단 여부를 나타내는 이진변수로, 연구 범위 내 단지명 변경 대상 단지는 총 8곳이며, 해당 정보는 건축물대장을 통해 확인하였다. T는 특정 단지에서 명칭 변경이 이루어진 이후 기간을 나타내는 이진변수로, 단지명 변경 시점 역시 건축물대장 자료를 기반으로 정의하였다. 이 두 변수를 곱한 상호작용항의 추정계수가 본 연구에서 주요 관심 계수로, GTX-C선 “인덕원”역의 명칭을 포함한 단지명 변경이 매매가격에 미치는 영향을 추정한다.

또한, 아파트 매매가격에 영향을 미칠 수 있는 구조적·입지적 특성을 적절히 통제함으로써 단지명 변경 효과를 정교하게 추정하고자 한다. 이를 위해 통제변수는 네 가지 범주로 구성된다.

첫째, 아파트 단지의 물리적 특성으로, 네이버부동산 및 KB부동산 플랫폼을 활용해 단지별 최고층수, 동수, 세대당 주차대수, 건폐율, 용적률, 현관구조, 난방방식 정보를 수집하였다. 이러한 특성은 아파트의 구조적 요인 및 규모와 밀접히 연관되어 가격 형성에 중요한 영향을 미치므로 실증분석에서 핵심 통제변수로 사용된다.

둘째, 지리적 요인으로, 아파트 단지와 지하철역 주소를 위도·경도로 변환(geocoding)한 후, 위도와 경도 기반으로 각 아파트 단지와 가장 가까운 지하철 역 간의 직선거리 및 GTX 인덕원역 건설예정지 간의 직선거리를 산출하였다. 또한 실험집단과 통제집단의 반경 기준(0.5km, 1.0km, 1.5km)을 설정하는 데에도 동일한 거리 정보를 활용하였다.

셋째, 도시정비사업 변수는 정비사업의 실질적 영향 단계를 반영하여 구축하였다. 기존 문헌에 따르면, 정비구역 지정 고시 단계는 초기 계획 단계로서 시장에 즉각적인 가격 신호를 주기 어렵기 때문에, 본 연구에서는 해당 단계를 제외하고 사업시행인가 및 관리처분계획인가 단계에 집중하였다. 이 두 단계는 정비사업이 구체적으로 실행되는 시점으로, 인근 아파트 단지의 매매 실거래가에 실질적인 영향을 미칠 가능성이 높다. 박인호(2021)는 DiD를 활용한 분석에서 정비사업이 사업시행인가 및 관리처분계획인가 단계에서 반경 2km 이내 아파트 가격에 유의한 영향을 미친다는 점을 실증하였다. 이는 본 연구에서 해당 단계 이후의 정비사업 여부를 통제변수로 설정한 근거가 된다.

도시정비사업 데이터는 경기도 정비사업 온누리시스템과 각 지자체 공식 홈페이지를 통해 확보하였으며, 확보된 주소를 위도·경도로 변환한 뒤, 각 아파트 단지를 기준으로 반경 1km 이내 사업시행인가 및 관리처분계획인가 여부를 반영하는 더미 변수(주변 사업시행인가, 주변 관리처분계획인가)를 생성하였다. 이를 통해 정비사업 진행 여부가 아파트 가격에 미치는 영향을 통제하여 아파트 단지명 변경 효과를 좀 더 외생적으로 추정하고자 한다.

넷째, 아파트 단지의 공간적 위치에 따른 가격 수준 및 구조적 특성의 이질성을 통제하기 위하여, 해당 아파트 단지가 안양판교로 북부에 위치하는 경우 1, 그렇지 않은 경우 0을 부여한 더미변수를 포함하였고 반기 단위의 선형시간추세와 안양판교로 북부 여부 더미의 교차항을 추가하였다. 이는 안양판교로 북부에 위치한 과천지식정보타운 일대의 매매가격 및 건축년도 측면에서의 이질성을 반영하기 위한 분석이다.

<표 3>에서 나타나듯이, 분석 기간 동안 안양판교로 북부에 위치한 아파트 단지의 평균 매매가격은 평당 2,984만 원, 평균 매매가격은 80,978만 원으로, 그 외 분석대상 단지의 평균 평당매매가격(2,169만 원) 및 평균 매매가격(50,463만 원)보다 각각 약 37%, 60% 이상 높은 수준을 보였다. 또한, 평균 건축년도 역시 북부 지역 단지가 2018년으로, 그 외 단지(1999년)보다 약 19년가량 더 최근에 준공된 것으로 나타났다. 이는 안양판교로 북부 지역에 위치한 과천지식정보타운 일대가 상대적으로 신축 아파트 비중이 높고, 높은 매매가격 수준을 형성하고 있음을 보여준다.

연속형 변수의 기초통계량은 <표 4>, 범주형 변수는 <표 5>에 제시하였다. 연속형 변수 분석 결과, 실험집단의 평균 평당 매매가격은 2,591만 원으로 통제집단(0.5km 이내 2,181만 원)보다 높았으며, 평균 단지 최고층수(20.36층)도 상대적으로 높게 나타났다. 사용승인 연도는 실험집단이 평균 2007년으로 통제집단보다 신축 비중이 높았고, 평균 인덕원역과의 최단거리는 1.06km로 통제집단보다 멀었다.

범주형 변수에서는 실험집단이 주로 의왕시 포일동(63.63%)과 내손동(18.18%)에 집중된 반면, 통제집단은 안양시 평촌동과 관양동 중심으로 분포하였다. 현관구조는 두 집단 모두 계단식 비중이 높았으며, 실험집단은 82.22%가 계단식이었다. 난방방식의 경우 실험집단은 지역난방(72.73%) 비중이 높았고, 통제집단은 개별난방이 우세하게 나타났다.

본 연구는 두 집단의 DiD (식 1) 설정에서 아파트 단지 내 전용면적 구분(i) 및 반기 시점(t) 고정효과를 명시적으로 포함시키고, 개체 및 시간 더미를 생성하여 LSDV(least squares dummy variable) 방식으로 회귀분석을 수행하였다. 이는 각 개체와 시점의 개별 효과를 명확하게 분리하고, 모든 통제변수의 계수를 해석 가능하게 하기 위한 접근이다. 통제집단 반경을 0.5km, 1.0km, 1.5km로 달리 설정한 경우의 (식 1)의 추정 결과는 <표 6>에 제시되어 있다.

실험집단과 0.5km 반경 내 통제집단을 비교한 (1) 열에서 Q×T 계수 θ는 0.0612로, 1% 유의수준에서 통계적으로 유의하게 추정되었다. 이는 아파트 단지명 변경이 로그 평당 매매가격을 약 0.0612만큼 증가시킨 것으로 해석할 수 있으나, 준로그(semi-log) 모형의 해석에 따르면 회귀계수 β는 e^β-1로 변환하여 정확한 가격 변화율로 해석할 수 있다(Halvorsen and Palmquist, 1980). 즉, “인덕원”을 포함한 아파트 단지명 변경이 약 6.31%의 매매 실거래가 상승 효과가 있음을 의미한다.

반경을 1.0km로 확장한 (2) 열에서 θ 추정치는 0.0446로 감소하였으며, 이는 약 4.56%의 가격 상승 효과를 의미하며 1% 유의수준에서 유의하다. 1.5km 반경을 적용한 (3) 열에서는 θ가 0.0160로 추정되었고 1% 유의수준에서 유의하다.

이러한 결과는 통제집단 범위에 따라 추정된 효과 크기가 달라질 수 있음을 보여준다. 특히 가까운 범위(0.5km, 1.0km)에서는 유의한 양(+)의 효과가 나타난 반면, 더 넓은 범위(1.5km)에서는 그 효과가 상대적으로 축소되는 것으로 나타났다.

<표 7>은 (식 2)의 이벤트 스터디 모형을 이용하여 단지명 변경의 동태적 효과를 추정한 결과이다. <표 6>과 마찬가지로 추정결과는 반경별로 (4) 열은 통제집단 반경을 0.5km, (5) 열은 1.0km, (6) 열은 1.5km를 기준으로 제시된다.

먼저 사전 평행추세 검정 결과, 처치 이전 구간(K^L ≤ k ≤-2)의 계수는 대부분 작고 통계적으로 유의하지 않았다. 0.5km 및 1.0km 반경 모형은 t-G_i가 –8 이하인 경우를 단일 구간으로 통합해서 범주화한 K^L을 제외한 처치 사전 상대 시점에서 유의한 효과가 나타나지 않았고, 1.5km 반경 모형은 모든 처치 사전 상대시점에서 유의한 효과가 나타나지 않아 평행추세 가정이 충족되는 것으로 해석된다.

이러한 결과는 〈그림 1〉, 〈그림 2〉 및 〈그림 3〉에 제시한 이벤트 스터디 그래프에서도 동일하게 확인된다. 각 그래프는 반경별 통제집단을 기준으로 한 동태적 단지명 변경 효과의 변화를 시각적으로 보여준다.

통제변수의 계수 추정치는 대체로 기존 연구에서 예상되는 방향과 일관되게 나타났다. 매매 거래수는 모든 모형에서 음(‒)의 계수로 추정되었고, 매매 층수는 양(+)의 계수를 보여 층수가 높을수록 가격이 상승하는 경향을 나타냈다.

건축물연령은 0.5km 모형을 제외하고 모두 유의한 음(‒)의 계수를 보였고, 건축물연령 제곱항은 모든 모형에서 양(+)의 계수를 보여 건축물 연령 증가에 따라 가격이 가속 상승하는 비선형적 구조를 보였다. 이는 이상경·신우진(2001)의 연구 결과와도 일치한다. 해당 연구에서는 재건축 가능성이 존재하는 아파트의 경우, 물리적 노후화에도 불구하고 해당 가능성이 시장에 반영되어 가격이 상승할 수 있다고 분석하였다. 본 연구의 결과 역시 유사한 맥락에서, 구축 아파트가 일정 시점을 기점으로 시장에서 잠재적 재건축 대상지로 인식되며 가격 반등 효과를 갖는 구조를 암시한다. 단지 특성과 관련해서는 최고층수, 총 동수, 건폐율이 대체로 유의한 양(+)의 계수를 나타냈으며, 세대당 주차대수는 모든 모형에서 음(‒)의 계수를 보였고, 이는 주차 편의성이 가격을 높인다는 통상적 기대와는 상반되는 결과를 보였다. 용적률은 모형에 따라 계수의 방향성이 달랐다.

모든 모형에서 역과 최단거리의 일차항이 양(+), 이차항이 음(‒)으로 유의하게 추정된 것은, 지하철 접근성과 아파트 매매가격 간의 관계가 단순 선형이 아닌 비선형 구조임을 의미한다. 이는 거리가 증가함에 따라 아파트 매매가격이 초기에는 완만히 상승하나, 일정 지점을 지나면 다시 하락하는 오목한 곡선(∩형) 구조로 해석할 수 있다.

GTX 인덕원역 건설 예정지와의 거리를 의미하는 인덕원역과 최단거리는 인덕원역 접근성이 단지명 변경에 따른 매매가 효과로 혼동되지 않도록 하기 위해 통제하였다. 인덕원역과의 거리 또한 일차항이 양(+), 이차항이 음(‒)으로 모든 모형에서 유의하게 추정되어, 역 접근성과 가격 간 관계가 동일하게 오목한 곡선 형태(∩형)를 보였다.

도시정비사업 관련 변수는 다수의 모형에서 유의하게 양(+)의 계수를 보였다. 특히, 주변 사업시행인가 여부는 모든 모형에서 통계적으로 유의한 양(+)의 영향을 나타내어, 해당 단계에서 인근 정비사업이 가격 상승 요인으로 작용함을 확인할 수 있다. 반면, 주변 관리처분계획인가 여부는 (4) 열에서만 유의하게 나타났으며, 반경이 넓어질수록 유의성이 약화되는 경향을 보였다.

안양판교로 북부 여부 더미의 계수는 모든 모형에서 양(+)의 값으로 유의수준 1%에서 유의하게 추정되어, 특히 1.0km 모형에서 북부 지역 아파트 단지의 평균 평당 매매가격이 그 외 지역보다 유의하게 높음(0.7894^***)을 확인할 수 있다. 선형시간추세와의 교차항 계수 역시 모든 모형에서 유의하게 양(+)으로 나타나, 시간이 지남에 따라 안양판교로 북부 지역의 평당 매매가격 상승 추세가 그 외와 이질성을 보였음을 확인했다.

앞서, 본 연구는 DiD와 이벤트 스터디 모형을 통해 아파트 단지명 변경의 가격효과를 반경별로 식별하였다. 이 절에서는 플라시보 검정을 통해 식별력이 가장 높은 반경 모형을 최종 선정하고, 행정구역(동)별 시간추세 통제를 통해 누락변수로 인한 편의 가능성을 점검한다. 마지막으로 국지 이중차분분석을 통해 외생적 교란을 최소화하고 분석 신뢰도를 확인한다.

본 연구의 주된 관심 대상은 평당 매매가격으로 아파트 단지명 변경의 영향을 매매시장으로 한정하고 있다. 매매시장이 아닌 경우 국내 아파트에 대한 수요는 전세라는 형태에도 의존한다. 이러한 상황에서 실제 아파트 명칭 변경의 효과가 매매시장에 한정되는지에 대한 추가 분석을 전세시장을 중심으로 수행하고자 한다.

아파트 단지명에 “인덕원” 명칭을 포함한 변경이 매매시장에만 영향을 미쳤는지, 실수요 기반의 전세시장에도 영향을 주었는지를 검토하기 위해 전세가격과 전세 거래수에 대한 이중차분분석을 추가로 실시한다.

종속변수를 각각 평당 전세가격(로그)과 전세 거래수(건)로 하는 (식 1) 형태의 이중차분법 모형을 추정한다. 통제집단은 반경 0.5km 이내 단지이고, 일부 통제변수는 전세시장 특성에 맞게 수정한다. 종속변수를 단지·전용면적별 반기 기준 평당 전세가격에 자연로그를 취한 값으로 설정한 경우, 매매시장 분석과 동일한 통제변수(단지 고정 특성 및 시간에 따른 변화 요인)를 전세 거래에 맞게 집계하여 반영한다. 그리고 종속변수를 동일 기준의 전세 거래수로 설정한 경우, 거래량 자체가 종속변수이므로 시간 가변 통제변수로는 전세 거래수 대신 평당 전세가격이 포함되고, 그 외의 구조적·입지적 특성 변수들은 동일하게 유지한다. 이때 전세 거래가 없는 반기의 종속변수를 0(건)으로 대체하여 포함하고, 이 경우에 종속변수를 제외한 나머지 변수들은 해당 반기의 최근 과거값으로 보완한다.

전세시장 이중차분 추정결과는 <표 11>에 제시한 바와 같이, Q× T 항의 계수는 (14) 열에서 –0.0120, (15) 열에서 0.1722으로 각각 추정되었으나 모두 통계적으로 유의하지 않았다. 즉, 전세가격과 전세 거래수 모두에서 단지명 변경 이후 유의미한 변화는 관측되지 않았다.

이는 앞서 매매 실거래가에서 약 6.31%의 유의한 상승효과가 확인된 것과는 대조적으로, 동일한 시점의 전세시장에서는 단지명 변경의 효과가 나타나지 않았음을 보여준다.

본 연구는 플라시보 검정과 행정구역(동)별 시간추세 통제를 통해, 반경 0.5km를 기준으로 한 (1) 열 모형이 가장 강건한 식별력을 갖는 최종 추정 모형임을 확인하였다. (1) 열 모형의 이중차분 분석 결과, 단지명 변경 효과를 나타내는 이중차분법(DiD) 추정치(Q×T)의 계수 θ는 0.0612(1% 유의수준)로 추정되었으며, 준로그 해석에 따르면 이는 단지명에 “인덕원”을 포함한 변경이 아파트 평당 매매가격을 약 6.31% 상승시킨 효과로 해석된다.

이벤트 스터디 분석에서도 이러한 효과는 일관되게 확인되었다. (4) 열의 0.5km 반경 모형 기준으로, 처치 후 1기에는 유의한 변화가 없었으나, 2기(0.0572^***)에 유의한 양(+)의 효과가 나타났으며, 3기 이후에는 단지명 변경 효과가 점진적으로 강화되었으나 6기 이상(0.0446^***)에서는 완화되는 추세를 보였다.

반면, 전세시장에 대해서는 단지명 변경의 유의한 영향이 관측되지 않았다. 전세가격과 전세 거래수 모두에서 Q×T 계수가 통계적으로 유의하지 않았다.