의료접근성과 아파트 가격 간의 관계 분석^*:

다수의 국내외 연구에서 주택 가격은 다양한 요인에 의해 영향을 받는다는 것이 밝혀지고 있다. 그중에서도 주택 가격은 층, 건축연한, 세대수, 세대당 주차대수와 같은 주택의 물리적인 특성에 의해 영향을 받음이 확인되었다. 이러한 변수들은 대부분의 선행연구에서 통제변수로 활용하고 있으며, 전반적으로 유사한 결과가 나타나고 있다. 층이 높을수록 주택 가격은 상승하는 경향이 있었다(현동우, 2021; Jun, 2019). 건축연한은 적을수록 주택 가격이 상승하는 경향이 나타났으며(김보경 외, 2016; Ligus and Peternek, 2016), 국내에서는 건축연한과 주택 가격 간 비선형적인 관계도 확인되고 있다(서정석 외, 2020; Ko and Park, 2024). 이어서 대체로 세대수가 많을수록 세대당 주차대수가 많을수록 주택 가격이 상승하는 경향이 있었다(서경규 외, 2016; 허은진·최성원, 2023).

주택의 근린 환경과 주택 가격 간의 관계가 자주 탐색되고 있다. 예를 들어, 오지영·서원석(2023)은 서울시 노원구를 대상으로 학교 특성과 유형을 세분화하여 학교 접근성이 아파트 가격에 미치는 영향을 확인하였다. 분석 결과, 진학 비선호 유형 고등학교, 진학 선호 유형 고등학교, 지역 명문 고등학교와 인접한 것은 아파트 가격 상승요인으로 확인되었다. 또한, 비선호 학교 근접성 탄력도가 명문 고등학교보다 더 높게 나타났는데, 이에 대해 학업 성취도가 낮은 학교가 상대적으로 내신 성적 관리에 더 유리해서 나타난 결과라고 보고하였다.

녹지 혹은 하천과 같은 자연환경과 주택 가격 간의 연구도 진행되고 있다. 오현택·홍성조(2023)는 대전시를 대상으로 도시공원의 세부시설 및 면적이 아파트 시세가격에 미치는 영향을 확인했다. 분석 결과, 아파트와 가까운 공원에 운동시설이 있을수록 아파트 가격이 하락하는 경향이 나타났다. 이에 대해 운동시설이 있으면 소음 문제가 발생할 수 있어 사람들이 선호하지 않는다고 주장하였다. 그리고 나은지 외(2024)는 공간헤도닉모형을 활용하여 생활권 공원 유형에 따라 공원 접근성이 아파트 가격에 미치는 영향이 상이함을 확인했다. 더불어 배상영 외(2018)는 한강과 인접한 아파트 단지일수록 조망과 접근성이 우수하기에 때문에 가격이 더 높다고 하였다.

이 외에도 대중교통시설을 세분화하여 대중교통 접근성과 아파트 가격 간의 관계를 확인한 연구가 수행되고 있다. 동탄을 대상으로 한 최필성·현동우(2021)의 연구에서 시내버스정류장 접근성은 주택 가격에 통계적으로 유의미한 영향을 미치지 못한 반면, 광역버스 접근성은 주택 가격에 유의미한 영향을 미치는 것으로 나타났다. 아울러 강수진·서원석(2016)은 가장 가까운 지하철 노선에 따라 지하철역 접근성이 형성하는 아파트 가격 프리미엄의 크기가 다름을 확인하였다. 이처럼 한강, 공원, 학교, 대중교통 등의 근린시설 접근성은 주택 가격에 차별적인 영향을 미칠 수 있음을 알 수 있다.

의료접근성은 생활편의성(amenity)의 요소로 인식되며, 주택 가격을 설명하기 위한 변수 중 하나로 사용되어 왔다. 이성현·전경구(2012)는 대구를 대상으로 도시기반시설이 주택 가격에 미치는 영향을 분석하였으며, 이때 의료시설을 도시기반시설에 포함하였다. 분석 결과, 의료시설이 밀집해 있으나 이를 이용하는 서비스 인구가 상대적으로 적은 지역일수록 주택 가격이 높은 것으로 나타났다. 홍하연·이주형(2015)은 아파트 가격에 영향을 미치는 요인의 10년(2003~2013)간 시계열적 변화와 공간적 분포를 분석하였으며, 그 결과 의료시설의 영향력은 주로 강남권역에서 상대적으로 높게 나타나는 것으로 확인되었다.

이러한 연구들을 바탕으로, 의료접근성과 아파트 가격 간의 관계를 보다 면밀하게 확인하는 연구가 이루어지고 있다. 예를 들어, 김보경 외(2016)는 경기도의 아파트 단지를 대상으로 주택 가격과 의료접근성 간의 관계를 실증적으로 분석하였다. 거래량 상위 25%의 아파트 단지를 분석 대상으로 설정하고, 의료기관은 1차, 2차, 3차로 분류하여 접근성을 측정하였다. 그 결과, 1차 의료기관의 밀도가 유의한 영향을 미치는 것으로 나타났다. 이에 대해 1차 의료기관의 접근성은 진료과목의 수나 다양성을 함께 고려할 필요가 있다고 주장하였다. 또한, 2, 3차 의료기관이 아파트 가격에 미치는 영향이 작은 것에 관하여 접근의 형평성 측면에서 바라볼 필요가 있음을 주장하였다.

한편, 해외에서도 의료접근성이 주택 가격에 미치는 영향이 확인되고 있으며, 그 영향은 지역의 맥락에 따라 상이하게 나타나고 있다. Chen et al.(2022)은 중국의 푸저우(Fuzhou)시를 대상으로 병원 및 철도 접근성이 주택 가격에 미치는 영향을 종합적으로 분석하였다. 이 연구에서는 의료시설 접근성을 거리, 양, 밀도 세 가지 지표로 측정하였으며, 세 가지 변수 모두가 주택 가격 상승과 유의미하게 연관됨을 확인하였다. 또한 병원 접근성이 증가할수록 철도에 대한 의존도는 상호작용을 통해 감소하였다. 반면, 대만 타이페이(Taipei) 대도시권을 대상으로 한 Peng and Chiang(2015)의 연구에서는 선형 기반의 모형을 활용하였을 때 종합병원까지 근접은 주택 가격을 하락시키는 것으로 나타났다. 그러나 스플라인(spline) 분석 기법을 활용한 결과, 종합병원으로부터 약 500~1,000m 이상 떨어진 구간에서는 오히려 주택 가격이 상승하는 현상이 관찰되었다. 이는 종합병원과의 거리가 너무 가까우면 소음, 교통혼잡 등 부정적 영향이 발생할 수 있어 주택 가격이 오히려 낮아질 수 있으나, 일정 거리 이상 떨어지면 병원 근접의 편익이 주택가치를 상승시키는 긍정적 효과로 전환될 수 있음을 시사한다. 이와 유사하게, Peng(2021)은 대만 타이베이 대도시를 대상으로 노인의 의료접근성이 주택 가격에 미치는 영향을 분석하기 위해 공간 분위수 회귀(spatial quantile regression, SQR)를 사용하였다. 연구 결과, 구급차 대비 노인 비율의 효과는 주택 가격 수준에 따라 달랐는데, 낮은 가격대 지역에서는 주민들이 구급차의 경적 소음을 불쾌하게 느낀 반면, 높은 가격대의 지역에서는 주민들이 구급차가 제공하는 의료서비스의 편익을 긍정적으로 평가하는 것으로 나타났다. Gu et al.(2024) 역시 의료접근성은 주택 가격에 프리미엄과 패널티를 동시에 제공함을 확인하였다. 구체적으로 1차 및 2차 의료기관에 대해 도보 5~10분 거리, 3차 의료기관에 대해서는 도보 10~15분 거리가 주택 가격 상승과 관련된 반면, 3차 의료기관의 10분 이내 근접성은 오히려 주택 가격 하락과 연결되었다. 이러한 결과는 한국에서도 의료시설의 근접성이 주택시장에 복합적인 영향을 미칠 수 있음을 시사한다.

주택 가격 연구에서는 전통적으로 헤도닉 가격모형(hedonic price model)이 주로 활용되어왔다. 헤도닉 가격모형은 계수의 해석이 용이하지만, 변수의 선형성을 전제로 하고 있다는 특징이 있어 현실의 복잡한 비선형성 포착에 한계가 있다. 이에 최근에는 대규모 데이터를 효율적으로 처리하고 비선형성의 포착이 가능한 기계학습(machine learning) 기법이 주택 가격 연구에서 활용되고 있다. 다수의 연구는 헤도닉 가격모형과 머신러닝 모형을 비교하였는데, Li et al. (2021)은 중국 선전(Shenzhen)시를 대상으로 주택 가격에 영향을 미치는 요인을 분석하였다. 요인의 중요도 순위를 파악하고 그 정량적인 효과를 밝히기 위하여 머신러닝 기법 중 하나인 XGBoost(eXtreme gredient boosting)와 헤도닉 가격모형을 비교하여 XGBoost가 부동산 연구 분야에서 유용하게 활용될 수 있는 잠재력이 있음을 주장하였다. Hong et al.(2020)은 11년간의 강남 지역 아파트 거래를 활용하여 OLS (ordinary least squares)와 랜덤 포레스트(random forest)의 비교를 통한 주택 가격 예측모형을 개발하였다. 그 결과 성능과 정확도에서 랜덤 포레스트가 우수한 예측력을 나타냈으며, OLS 모델이 포착하지 못하는 가치결정 과정의 복잡성을 더 잘 추정할 수 있는 보완재가 될 수 있음을 제시하였다. 한편, 주택 가격에 영향을 미치는 요인에 관한 연구를 진행한 Xue et al.(2020)은 교통접근성이 주택 가격에 미치는 영향력에 대하여 헤도닉 가격모형과 랜덤 포레스트의 영향력을 비교 분석하였다. 그 결과 랜덤 포레스트의 모형 적합도가 더 높게 도출되었으며, 버스와 지하철 접근성 중요도가 각각 2, 3순위로 높게 나타나 교통환경의 중요도를 보다 명확하게 제시하였다.

머신러닝의 장점 중 하나인 비선형성 포착을 활용한 연구도 확인된다. Zou et al.(2022)은 GBDT(gradient boosting decision tree), 다중회귀, GWR(geographically weighted regression)을 활용하여 대기오염이 아파트 가격에 미치는 영향을 분석하였다. 세 모형 비교 시 GBDT가 비선형성을 더 잘 분석함을 입증하였다. 또한 PM_2.5 및 NO₂의 중요도가 일부 도시환경 변수보다 높게 산출됨을 밝히며 주택 가격 예측에서 머신러닝의 활용도를 강조하였다. 오지훈·김정섭(2018)은 다변량 적응회귀 스플라인(multivariate adaptive regression splines, MARS) 모형을 활용하여 주택특성과 주택 가격 사이의 비선형 관계를 분석하고 영향력의 변곡점을 파악하였다. 이를 통하여 기존 선행연구에서의 주택 특성의 조작적 정의의 적절성을 검토하고, 향후 헤도닉 가격모형 연구에서의 모형 설명력 개선 방안을 제시하였다. 이와 같은 선행연구를 통해 머신러닝 기법은 비선형적 구조 및 변수 간 복합적인 상호작용을 포착하는 데 우수한 기법임을 알 수 있다.

선행연구 검토 결과, 의료접근성이 부동산시장에 미치는 영향은 지역적 특성에 따라 다르게 나타나고 있음을 확인하였다. 이에 따라 국내에서도 의료접근성이 주택 가격에 미치는 영향을 보다 면밀하게 파악할 필요가 있으며, 본 연구의 차별성은 다음과 같다.

첫째, 기존 선행연구에서는 분석 대상 지역과 표본 구성의 제한으로 인해 의료접근성과 아파트 가격 간의 관계를 충분히 설명하지 못하였다. 의료접근성이 아파트 가격에 미치는 영향을 확인한 연구는 국내에도 일부 존재하나, 경기도 거래량 상위 25% 단지만을 대상으로 하였으며 2010년 4분기 데이터를 사용했다. 이에 본 연구는 2020년부터 2022년까지 서울시 아파트 매매 실거래가 전수자료를 활용하여 아파트 가격과 의료접근성 간의 관계를 정밀하게 분석한다.

둘째, 머신러닝 기반 해석 도구를 활용하여 의료접근성과 아파트 가격 간의 비선형적 관계를 규명하고자 한다. 국내 연구에서는 아직까지 의료시설과 아파트 가격 간의 선형적 관계만을 확인하였다. 이에 본 연구는 의료시설과의 거리에 따른 가격 예측 변화의 변곡점인 임계거리를 식별함으로써 보다 정교한 영향 메커니즘을 도출한다. 또한, 의료시설을 유형별로 분류하여 각 의료시설 별 임계거리를 제시하고, 기여도를 정량적으로 산출한다는 점에서 국내의 기존 연구와 차별성을 지닌다.

본 연구의 시간적 범위는 2020년에서 2022년까지이며, 공간적 범위는 서울시이다. 서울시는 상급종합병원이 집중적으로 입지해 있으나, 지역별로 의료시설과의 접근성 수준에는 차이가 존재한다. 이러한 특성은 의료접근성이 아파트 가격에 미치는 영향을 분석하는 데에 적합한 환경을 제공한다. 종속변수는 m²당 아파트 가격이며, 국토교통부에서 제공하는 2020년에서 2022년까지 발생한 서울시 아파트 매매 실거래가 140,243건 중 결측값을 제외한 126,078건을 사용하였다. 이때, 종속변수의 경우 시기별 가격 변동을 반영하기 위하여 2020년 1월을 기준으로 부동산원에서 제공하는 아파트 매매 실거래가격지수로 보정하였다. 시간적 범위는 2020년부터 2022년까지로 설정하였는데, 해당 기간은 팬데믹이라는 거시적 충격 속에서 저금리와 풍부한 유동성이 지속된 특수한 시장 환경에 해당한다(배종찬·정재호, 2021). 동시에 초고령 사회로의 진입을 앞둔 인구 구조 전환기로서 의료인프라의 중요성이 부각되던 시기이기도 하다(김호종·유원섭, 2022). 이러한 감염병 확산 경험과 인구 구조 변화가 중첩되면서 의료접근성이 주거 입지 선택에 반영될 가능성이 확대된 시기로 판단하였다. 또한, 아파트는 대표적인 주거 유형 중 하나로, 높은 시장 점유율을 지니고 부동산시장 상황에 민감하게 반응하기 때문에 연구 대상으로 설정하였다(고종완, 2014). 실제로 2022년 주택총조사에 따르면 전국의 주택 유형별 구성비 중 아파트는 64%를 차지하고 있으며, 서울에서는 59.5%로 과반 이상을 차지한 것을 확인할 수 있다(주택총조사, 2025). 독립변수는 아파트 특성, 근린 특성, 위치 특성, 의료접근성 특성으로 구분되며, 이에 따른 연구에 사용된 모든 변수의 정의와 출처는 <표 1>과 같다.

먼저, 아파트 특성은 전용면적, 층, 현관구조와 같은 구조 특성과 세대수, 세대 당 주차대수, 건축연한, 난방유형, 브랜드와 같은 단지 특성이 포함된다. 이와 같은 변수들은 아파트 자체의 특성이 가격에 미치는 영향을 포착하기 위해 포함되었다(김희호·박세운, 2013; 오지영·서원석, 2022; 이규호 외, 2024). 근린 특성으로는 한강, 공원, 중심업무지역, 지하철역, 버스정류장, 초등학교를 변수로 구성했다. 이러한 근린시설까지의 거리는 다수의 선행연구에서 아파트 가격에 영향을 미치는 것으로 확인되어 변수로 설정하였다. 그리고 중심업무지구는 양질의 일자리가 집중되고 교통이 편리하며 다양한 경제활동이 이루어지는 공간으로, 이러한 직주 접근성은 아파트 가격에 영향을 미칠 수 있기에 변수로 고려되었다. 또한, 위도와 경도는 공간적 위치에 따른 영향을 통제하기 위해 포함하였다(구본상·신병진, 2015; 이유리·박승훈, 2025; Caudill et al., 2024; Zhang, 2025). 구체적으로, 홍정의(2021)는 머신러닝 기반 주택 가격 모형에서 위도와 경도를 활용할 경우 입지 차이에 따른 가치 변동을 보다 효과적으로 포착할 수 있다고 제시한 바 있다.

본 연구의 관심 변수는 의료접근성 특성이다. 의료시설 유형은 공공의료시설, 병·의원, 종합병원으로 분류하였다. 선행연구에서는 의료시설을 1차, 2차, 3차로 구분한 사례도 있었으나, 본 연구에서는 일반적인 시각에서 종합병원과 상급종합병원의 구분이 명확하지 않다는 점을 고려하여 이를 통합하였다. 그리고 공공의료시설은 보건소, 보건지소, 보건분소로 한정하였다. 국립중앙의료원, 서울의료원, 서울대학교병원 등도 공공의료기관에 해당될 수 있으나, 이들은 진료 중심의 종합병원 또는 상급종합병원에 해당하므로 본 연구에서는 종합병원 범주로 구분하여 분석하였다. 병·의원의 경우에는 의료법상 필수 진료과목으로 규정되어 있는 내과, 외과, 산부인과, 소아청소년과만을 대상으로 선정하였다. 이는 강남권을 비롯한 특정 지역에 성형외과·피부과 등 비필수과목 중심의 의원이 과도하게 분포하는 경향을 고려하여 실제 의료접근성을 보다 정확하게 파악하기 위함이다.

한편, 의료시설은 개업과 폐업과 같은 변동이 잦아 해당 변수들은 아파트가 거래된 동일 연도를 기준으로 실제 운영 중인 의료시설만을 반영하였다. 의료시설 유형 중에서는 병·의원의 변동이 가장 크게 나타났으며, 2020년 4,828개에서 2022년 5,183개로 증가하였다. 또한, 2020년 대비 2022년 기준으로 병·의원은 강남구에서 가장 큰 증가 폭을 보였다.

이러한 의료시설의 접근성은 아파트 중심점으로부터 최단거리를 기준으로 측정하였다. 의료접근성이란 의료시설까지의 이동 거리와 소요 시간과 같은 물리적 요인뿐 아니라 경제적 여건, 의료보험 유무 등 사회적 요인까지 포괄하는 복합적인 개념으로 정의된다(이유진·김의준, 2015). 따라서 의료접근성은 시설과의 거리, 시설 수, 이동 시간 등 다양한 방식으로 측정될 수 있다. 하지만, 본 연구에서는 의료시설을 공공의료, 병·의원, 종합병원으로 유형별로 구분함에 따라 각 유형별 영향 범위에 대한 명확한 기준이 충분히 정립되어 있지 않아 시설 수나 밀도로 측정하는 데 한계가 있었다. 이러한 이유로 본 연구에서는 객관적 비교가 가능한 지표로서 최단거리를 활용하였다.

본 연구에서는 의료접근성과 아파트 가격 간의 관계를 분석하기 위해 단계적 접근을 수행하고자 하며, 헤도닉 가격모형을 기반으로 한 회귀분석과 머신러닝 기법을 활용한다. 분석의 첫 단계로 는 각 변수의 영향 방향과 통계적 유의성을 참고하기 위해 OLS를 통해 분석한다. 다음으로 랜덤 포레스트, XGBoost, LightGBM(light gredient boosting machine) 세 가지 모형의 예측 성능을 비교하고, 최적의 성능을 보이는 모형을 선정하여 설명 가능한 인공지능(eXplainable artificial intelligence, XAI)을 적용한다. 이를 통해 SHAP (shapley additive explanation) 값을 산출하여 변수의 상대적 중요도와 영향 방향을 해석한다. 또한 부분 의존도 플롯(partial dependence plot, PDP)을 생성하여 주요 변수와 예측값 간의 관계를 시각화한다.

이어서 세 가지 모형의 예측력을 비교한 후 가장 우수한 알고리즘을 선정한다. 머신러닝은 예측 성능의 최적화를 위해 하이퍼 파라미터(hyper parameter) 튜닝이 필수적이다. 본 연구에서는 하이퍼 파라미터 값을 탐색하기 위해 랜덤 서치(random search)를 적용하였으며, 그 결과는 <표 2>와 같다. 그리고 분석을 위해 트레이닝 데이터와 테스트 데이터를 8:2 비율로 무작위로 분할하였고, 모델 성능을 보다 안정적으로 평가하기 위해 5겹 교차 검증(5-fold cross validation)을 수행하였다.

그리고 예측 모형의 성능 평가를 위해 결정계수(R²), 평균제곱오차(mean squared error, MSE), 평균절대오차(mean absolute error, MAE)를 주요 지표로 사용하였다. R²로 모형의 설명력을 파악하고, MSE와 MAE를 통해 모델이 예측한 값과 실제 값 사이의 불일치 정도를 확인한다. 일반적으로 R²는 값이 클수록 모형의 설명력이 높은 것으로 해석되며, MSE와 MAE는 값이 작을수록 예측 오차가 적어 모형의 성능이 우수한 것으로 판단한다. <표 3>에 따르면 세 모형 중 랜덤 포레스트가 설명력이 가장 높고 예측 오차가 적은 것으로 나타났다. 따라서 최종 분석 모형으로 랜덤 포레스트를 채택하며, 랜덤 포레스트에 XAI를 적용하여 결과를 해석한다.

실증적인 분석에 앞서, 변수들의 특성을 파악하기 위해 기초통계분석을 수행하였다(<표 4>). 종속변수인 m²당 아파트 가격은 최솟값 188만 원, 최댓값 5,579만 원이며 표준편차는 592만 원으로 확인된다. 이는 서울이라는 하나의 도시 안에서도 아파트 가격 수준의 편차가 상당히 크다는 점을 보여준다. 아파트 특성을 살펴보면, 전용면적은 평균 75.22m²이고, 평균 층수는 9층으로 나타났다. 건축연한은 평균 19년으로, 최솟값과 최댓값을 통해 신축 아파트부터 노후 아파트까지 다양하게 분포하고 있음을 확인할 수 있다. 세대수는 평균 약 1,000세대 수준이고, 세대당 주차대수는 평균은 1.08대이지만 최솟값은 0.01대이다. 최솟값의 경우, 과거에 건설된 소규모 나홀로 아파트일 가능성이 존재한다. 그리고 브랜드의 경우 상위 10위권 건설사가 시공한 아파트가 약 35%를 차지하였으며, 현관구조가 계단식인 아파트는 약 68%, 지역난방을 사용하는 아파트는 약 25%로 나타났다.

근린 특성 중 한강과 중심업무지역까지의 거리는 표준편차가 크게 나타났으며, 공원까지의 평균 거리는 100m이나, 공원에 인접한 아파트부터 최대 1,117m 떨어진 아파트까지 있어 아파트 별로 편차가 존재함을 알 수 있다. 지하철역까지의 평균 거리는 533m, 버스정류장까지의 평균 거리는 125m, 초등학교까지의 평균 거리는 334m로 나타나, 거래된 아파트들이 전반적으로 교통 및 교육시설 접근성이 양호한 입지에 분포하고 있음을 보여준다.

의료접근성 특성의 경우, 공공의료시설까지의 평균 거리는 1,160m였으며, 최솟값은 3m, 최댓값은 4,700m로 나타났다. 병·의원의 경우 평균 거리는 약 200m이지만 최솟값이 1m로 확인된 점은 단지 내 상가에 위치한 병원에 따른 결과로 해석된다. 또한, 표준편차가 의료접근성 특성 중 가장 작게 나타나 전반적으로 병·의원은 비교적 균질한 수준으로 분포하고 있다고 판단된다. 반면, 종합병원까지의 거리는 최솟값이 22m, 최댓값은 4,614m로 나타났으며, 표준편차가 가장 크게 확인된다. 이는 종합병원의 수가 상대적으로 제한적이기 때문으로 이해할 수 있다.