머신러닝 기반 주택공급량 추정모형의 개발과 성능 비교:

주택공급은 허가와 동시에 실현되지 않는다. 인허가 이후 착공, 공정 진행, 준공에 이르기까지 상당한 시간이 소요되며, 일부 사업은 장기 지연되거나 취소되기도 한다. 따라서 공급정책의 성과를 판단할 때에는 단순한 인허가 실적 자체보다 인허가 이후 실제 준공으로 이어지는 경로와 속도를 함께 고려해야 한다.

주택공급의 가격탄력성을 분석한 김형석·이영성(2008)의 연구에 따르면, 우리나라 주택시장의 공급 탄력성은 전반적으로 낮은 수치를 기록하며 비탄력적인 특성을 지닌 것으로 나타났다. 세부적으로 살펴보면, 비수도권 지역보다 수도권 지역의 공급이 수요 변화에 둔감하게 반응하였으며, 주택 유형 기준으로는 일반 주택 전체에 비해 아파트의 공급이 상대적으로 더 비탄력적인 양상을 띠는 것으로 분석되었다.

이건원 외(2018)는 2003년부터 2015년 사이 서울시 내 주택재개발사업지구를 대상으로 생존분석 기법을 적용하여 사업 지연 요인을 규명하였다. 해당 연구는 정비구역 지정부터 관리처분인가에 이르는 전체 기간을 종속변수로 설정하였으며, 분석 결과 사업 대상지의 면적이 협소할수록, 그리고 계획된 임대 가구 수와 조합원의 규모가 클수록 사업 기간이 유의미하게 늘어나는 경향을 확인하였다.

정비사업뿐만 아니라 일반적인 신규 주택공급 과정에서도 소요 기간의 편차가 발생한다. 지규현 외(2017)는 수도권 주택사업을 중심으로 인허가 획득 후 실제 착공에 들어가기까지의 기간에 초점을 맞추어 생존분석을 수행하였다. 주택 유형별 비교에서는아파트가 타 주택 유형보다 인허가 이후 착공까지 소요되는 기간이 구조적으로 더 긴 것으로 확인되었다. Lee et al.(2025)은 우리나라 주택건설사업 자료를 이용하여 절차 간 시간차를 분석하였고, 특히 현재 관측되는 준공이나 입주 지표가 상당 부분 과거 정책과 과거 시장조건의 결과라는 점을 강조하였다. 이는 현재의 허가실적과 미래의 실현공급량 사이에 구조적인 시차가 존재함을 보여준다.

해외 문헌에서도 공급의 시간구조는 핵심적인 분석대상으로 다루어진다. Mayer and Somerville (2000)은 주택건설을 가격 및 비용 변화에 대한 동태적 반응으로 해석하였고, 공급이 단기간에 완전히 조정되지 않는다는 점을 실증적으로 제시하였다. Green et al.(2005)은 도시권별 공급탄력성이 이질적임을 보였으며, Saiz(2010)는 지리적·규제적 제약이 공급반응의 차이를 만들어낸다고 설명하였다. 이러한 연구는 주택공급을 단순 평균이나 일률적 시차로 설명하기보다, 시간지연과 지역 이질성을 동시에 고려해야 함을 보여준다.

Zhang and Miller(2023)는 주택공급 과정을 주택 착공(housing starts)과 준공(completions)의 두 단계로 구분하고, 준공까지 소요되는 기간 분포를 콕스 비례위험모형(Cox proportional hazard model)으로 분석하였다. 이들은 공급모형에서 공급의 착공 시점뿐 아니라 착공 이후 실제 준공까지의 소요기간도 그에 못지않게 중요(equally important)하다고 보았으며, 주택 준공을 개별 프로젝트 단위의 생존시간(survival time)으로 다루었다. 해당 연구는 본 연구가 인허가 이후 준공까지의 소요기간을 예측대상으로 설정하는 데 중요한 선행연구로 볼 수 있다.

예측문제에서 가장 기본적인 접근은 과거 관측치의 평균이나 유사 사업의 평균 준공기간을 활용하는 것이다. 이러한 방식은 자료 요구량이 적고 해석이 직관적이라는 장점이 있으나, 구조적 변화나 비선형 관계를 충분히 반영하기 어렵다는 한계를 가진다. 그럼에도 단순평균법은 예측연구에서 중요한 기준모형으로 기능한다.

Makridakis and Hibon(2000)의 M3-competition는 복잡한 예측기법이 반드시 단순한 예측방법을 능가하는 것은 아님을 보여주었으며, 예측모형의 성능은 기준예측치와의 비교를 통해 평가될 필요가 있음을 시사하였다.

이러한 관점은 부동산 공급예측에도 적용될 수 있다. Machine Learning 모형이나 생존분석 모형이 더 정교한 구조를 갖는다고 하더라도, 그것이 곧바로 우수한 예측성능을 보장하는 것은 아니다. 따라서 해당 모형들이 실제 외표본(out-of- sample) 예측에서 단순평균법을 유의미하게 상회하는 성과를 보일 때에만 실질적인 방법론적 기여를 주장할 수 있다. 이에 본 연구는 단순평균법을 형식적인 비교대상이 아니라, 가장 기초적이고 재현 가능한 기준모형으로 설정한다.

본 연구의 맥락에서 생존분석(Survival Analysis)은 인허가 이후 준공이라는 사건(event)이 발생하기까지의 소요기간을 분석하는 데 활용될 수 있다. 특히 관측기간 종료 시점까지 준공되지 않은 사업을 우측 검열(right-censored) 자료로 처리함으로써, 미준공 사업을 단순히 제외할 때 발생할 수 있는 정보 손실과 추정 편향을 완화할 수 있다(Kleinbaum and Klein, 2012). 주택공급 메커니즘에 이를 대입해 보면, 인허가 혹은 착공 이후 주택의 ‘준공’은 전형적인 사건이며, 그때까지 소요되는 기간은 ‘생존 시간(survival time)’으로 해석될 수 있다. 이와 관련하여 Cox(1972)가 제안한 비례위험모형(Proportional Hazards Model)은 기저위험함수(baseline hazard function)를 비모수적으로 유지하면서도 다양한 독립변수의 효과를 추정할 수 있어, 공급 지연 요인이나 준공 확률을 분석하는 데 매우 적합한 방법론으로 평가받는다.

국내외 선행연구들은 주택공급의 소요기간을 생존분석의 관점에서 분석함으로써, 해당 방법론이 공급기간 예측에 유용하게 활용될 수 있음을 보여준다.

국내의 경우, 지규현 외(2017, 2019)는 생존분석을 활용하여 수도권 주택사업의 인허가부터 착공, 준공에 이르는 단계별 소요 기간에 미치는 영향 요인을 분석하였다. 해당 연구들은 주택공급 기간이 고정된 상수가 아닌 시장 환경에 따라 변화하는 확률적 변수임을 강조하였다. 해외 문헌에서도 유사한 접근이 확인된다. Zhang and Miller(2023)는 개별 개발 프로젝트 수준에서 준공까지 소요되는 기간을 Cox 모형으로 분석하여 준공 확률(completion rate)에 미치는 영향을 규명하였다. 이들 선행연구가 공통으로 시사하는 바는, 정교한 주택공급 예측을 위해서는 단순한 총량적 추산(rule of thumb)을 넘어 개별 프로젝트의 준공 확률 분포를 추정하는 미시적 접근이 필요하다는 점이다.

본 연구는 이러한 선행연구의 논리를 수용하여, 2020년 인허가 물량 집단(cohort)의 향후 준공 경로를 예측하기 위한 비교 모형으로 생존분석을 채택하였다. 2020년 인허가 건 중 분석 시점 현재까지 준공되지 않은 사례를 우측 검열 자료로 자연스럽게 처리할 수 있다는 점에서, 생존분석은 인허가-준공 간의 시차(time-lag)를 모형화하는 데 있어 이론적으로 가장 타당한 기준점이 될 수 있다.

그러나 주택 공급량의 총량적 예측 측면에서 생존분석은 몇 가지 방법론적 한계를 내포하고 있다. 첫째, 개별 단위 프로젝트의 위험률(hazard)을 정교하게 추정하더라도, 이를 특정 시점(월별 등)의 총량적 공급 실적(total volume)으로 집계하는 과정에서 나타나는 계절성, 특정 시기의 공급 집중 현상, 변수 간의 비선형적 상호작용 등을 모형 내에 충분히 반영하기 어렵다. 둘째, 주택공급 파이프라인 상의 단계별 잔여 물량과 경과 기간이 결합하여 만들어내는 복잡하고 동적인 수급 패턴은 선형적이거나 반모수적인(semi-parametric) 구조 가정만으로는 그 변동성을 포착하는 데 한계가 존재한다.

국내 부동산 분야에서 인공지능과 기계학습 기법은 주로 주택의 가격 예측 및 가치 평가 영역을 중심으로 확산되어 왔다. 대표적으로 홍정의(2021)는 Random Forest 알고리즘을 활용해 주택 대량평가모형을 제시하였으며, 박대현 외(2021)는 기계학습 기반의 주택시장 조기경보체계를 구축하였다. 김이환 외(2022)는 기계학습을 접목한 새로운 아파트 매매가격지수 산정 방식을 제안하였고, 이선구(2025)는 XGBoost 기반의 AVM을 실증적으로 분석하였다. 이러한 선행연구을 종합하면 기계학습이 부동산 시장 데이터가 지닌 비선형성과 이질성을 효과적으로 포착할 수 있음을 입증하였다.

해외 연구의 흐름 역시 이와 유사한 궤를 같이한다. Pita et al.(2025)의 연구에 따르면, 부동산 분야의 기계학습 연구는 대체로 주택 가격 산정(house pricing) 문제에 집중되어 있으며, 방법론 측면에서는 Random Forest, Gradient Boosting, XGBoost 등이 주력으로 활용되고 있음을 지적하였다. 나아가 해당 연구는 기계학습 적용 시 발생할 수 있는 데이터 편향, 모형의 설명 가능성 확보, 그리고 객관적인 비교 기준(benchmark) 설정의 중요성을 강조하였다. 이는 인공지능과 기계학습기법을 주택 공급량 예측에 도입할 경우에도, 단순히 알고리즘의 우수성에 기대기보다 적합한 데이터 구축과 검증 체계 마련이 필수적임을 시사한다.

최근 부동산 가격 및 시장국면 예측 연구에서는 Random Forest, XGBoost, LightGBM 등 다양한 머신러닝 기반 모형이 활용되고 있다. 이 중 LightGBM은 Gradient Boosting Decision Tree 계열의 고효율 알고리즘으로, GOSS (gradient-based one-side sampling)과 EFB (exclusive feature bundling)을 통해 대용량·고차원 자료에서 학습 속도와 모리 효율성을 개선한 것이 특징이다. Ke et al.(2017)은 LightGBM이 기존 GBDT(gradient boosting decision tree) 구현 대비 학습 속도를 크게 개선하면서도 유사한 수준의 정확도를 유지할 수 있음을 제시하였다. 이러한 특성은 지역, 주택유형, 면적, 층, 거래시점 등 다수의 범주형·연속형 변수가 혼재된 부동산 자료 분석에 적합할 것으로 판단된다. Tapia et al.(2025)은 칠레 산티아고 주택시장을 대상으로 LightGBM과 공간조정 헤도닉 모형을 비교하고, SHAP(shapley additive explanations) 분석을 통해 면적, 지역 특성, 학교 수준, 욕실 수 등 주요 요인의 비선형 영향을 확인하였다. Lahmiri et al.(2023)은 주택가격 예측에서 부스팅 앙상블 회귀나무가 인공신경망 및 다변량 회귀모형보다 우수한 성능을 보였다고 보고하였다. 또한 Chen et al.(2023)은 XGBoost와 LightGBM이 주택가격 예측에서 높은 정확도와 학습속도를 가진다고 정리하였다. 최근 머신러닝 기법 중 CatBoost는 범주형 변수 처리에 우수한 성능을 보이는 것으로 알려져 있으나, 본 연구에서 다루는 수도권 인허가 데이터의 대규모 구조화 속성과 결측치 처리의 유연성, 그리고 반복적인 하이퍼파라미터 튜닝을 위한 메모리 효율성 측면을 종합적으로 고려하여 LightGBM을 최종 알고리즘으로 채택하였다. 다만, CatBoost 등 최신 부스팅 기법과의 성능 비교는 향후 연구 과제로 남겨둔다.

기존의 논의를 종합할 때, 본 연구는 다음과 같은 세 가지 측면에서 선행연구들과 뚜렷한 차별성을 갖는다.

첫째, 예측 대상의 전환이다. 기존 인공지능과 기계학습 연구들이 주로 가격이나 가치 평가에 집중한 반면, 본 연구는 특정 연도에 인허가를 받은 집단이 이후 실제 준공에 이르는 공급 실현 경로를 추적 및 예측한다는 점에서 차별성이 있다.

둘째, 독립변수의 의도적 통제다. 시장, 금융, 공간 등 거시적 환경 변수까지 광범위하게 포함했던 기존 연구와 달리, 본 연구는 주택 공급 파이프라인(인허가-착공-준공) 및 일정 관련 정보만을 설명변수로 제한하였다. 이는 외부 변수 개입을 최소화하고 공급 행정 통계 자료 자체가 지닌 내재적 예측력을 순수하게 검증하기 위함이다.

셋째, 엄밀한 성능 검증 체계 구축이다. 기계학습 모형의 성능을 객관적으로 평가하기 위해, 전통적인 추정 방식인 단순평균법과 생존분석 모형을 비교 기준(benchmark)으로 설정하였으며, 실제 데이터의 실적과 비교를 통해 객관적으로 성능을 검증하고자 한다.

본 연구는 수도권²⁾ 지역의 세움터 자료를 활용하여 2010년 1월부터 2019년 12월까지 인허가, 착공, 준공된 아파트를 학습표본으로, 2020년 1월부터 2020년 12월까지 인허가된 아파트를 독립적인 검증표본으로 설정하였다. 이와 같은 연도 기준의 표본 분할은 과거에 관측 가능한 정보만을 이용하여 이후 허가건의 준공 경로를 예측하는 실제 정책환경을 재현하기 위한 것이다. 예측모형의 평가는 학습에 사용되지 않은 후행 시점의 자료를 통해 수행하는 것이 바람직하며, 시간의 순서를 보존한 외표본 검증은 미래 정보의 유입에 따른 평가 왜곡을 줄인다는 장점을 가진다(Hansen and Timmermann, 2012; Hyndman and Athanasopoulos, 2021).

예측 정확도 평가는 2020년 인허가 표본을 대상으로 수행하였다. 구체적으로는 각 모형이 2020년 인허가 물량 데이터를 활용하여 추정한 월별 준공시점 또는 준공확률을 준공예상 물량으로 집계한 후, 이를 실제 준공 물량과 비교하였다. 이는 허가 시점에서 확보 가능한 정보만을 활용하여 향후 공급의 실현 경로를 얼마나 정확하게 예측할 수 있는지를 검토하려는 본 연구의 정책적 목적과 직접적으로 부합한다. 한편, 전통적인 생존분석에서는 관찰 종료 시점까지 사건이 발생하지 않은 표본을 우측 검열(right-censored)로 처리하는 것이 일반적이다. 그러나 일부 표본이 구조적으로 사건을 경험하지 않을 가능성이 존재하는 경우에는, 모든 표본이 궁극적으로 사건을 경험한다는 암묵적 가정을 두는 표준 생존모형만으로는 충분하지 않을 수 있으며, 이 경우 cure model과 같은 대안적 접근이 논의된다(Cai et al., 2012; Hosmer et al., 2008).

본 연구는 개별 사업의 순수한 지속기간 자체를 추정하는 데 목적이 있는 것이 아니라, 분석시점 이후 실제로 실현 가능한 주택공급량을 보다 현실적으로 예측하는 데 목적이 있다. 이에 따라 2015년부터 2019년까지 인허가된 물량 가운데 2026년 현재까지도 준공되지 않은 사례는 지연 상태(미준공)으로 인식하였다. 이는 장기간 미준공 상태가 지속된 사업을 모두 잠재적 미래 공급으로 간주할 경우, 실현 가능성이 현저히 낮은 물량이 누적되어 향후 가용 주택공급이 체계적으로 과대추정될 우려가 있기 때문이다. 최근 국내 연구들 또한 주택공급이 인허가, 착공, 준공의 각 단계 사이에 상당한 시차를 수반하며, 사업기간의 장기화와 공정 지연이 사업 실현 가능성 및 공급시점의 불확실성을 확대할 수 있음을 보여준다(Lee et al., 2025). 따라서 본 연구에서 장기 미준공 물량을 행정상 명시적 취소·철회·말소 건과 함께 비실현 공급으로 처리하여, 예측의 현실 적합성을 제고하고자 한다.

본 연구의 핵심 종속변수는 2020년 인허가 물량으로부터 발생한 실제 준공물량이다. 이를 $y_m^{\text{comp}}$로 표기하며, 여기서 m은 2020년 1월부터 최종 관측월까지의 각 월을 의미한다.

월별 실제 준공물량은 2020년 인허가 건 가운데 해당 월에 준공일자가 확인된 물량을 합산하여 산출하였으며, 준공이 발생하지 않은 월의 값은 0으로 처리하였다. 예측 성능 평가는 2010~2019년 인허가~준공 데이터의 평균, 생존분석, Machine Learning 학습을 한 각각의 모형이 2020년 인허가 물량에 대하여 산정한 월별 준공예상 물량과 실제 월별 준공물량 $y_m^{\text{comp}}$를 비교하는 방식으로 수행한다. 즉, 본 연구는 개별 사업의 단순한 존속 여부가 아니라, 인허가 물량이 향후 어느 시점에 실제 준공으로 실현되는지를 예측하는 데 있다.

본 연구는 시장 변수, 금융 및 비용 변수, 공간 변수, 텍스트 변수와 같은 외생적 정보를 포함하지 않고, 공급 파이프라인과 일정 정보만을 설명변수로 사용한다. 이는 세움터 행정자료만을 이용하여도 주택공급의 실현 경로를 상당 부분 설명할 수 있는지를 검토하고, 동시에 예측 시점에 실제로 관측 가능한 정보만을 활용함으로써 모형의 현실 적용 가능성을 높이기 위한 것이다. 설명변수는 네 범주로 구성된다(<표 1>).

첫째, 단계별 공급총량 변수이다. 여기에는 인허가 물량, 착공 물량, 준공 물량 등 공급 파이프라인의 각 단계에서 관측되는 총량 정보가 포함된다. 둘째, 단계별 잔량(backlog) 변수이다. 여기에는 인허가 후 미착공 잔량, 착공 후 미준공 잔량 등 각 단계에 체류하고 있는 누적 물량이 포함된다. 셋째, 경과시간 변수이다. 여기에는 인허가 후 경과월수, 착공 후 경과월수, 미착공 지속기간, 미준공 지속기간 등 개별 사업별로 특정 단계에 머문 시간을 나타내는 정보가 포함된다. 넷째, 최근 흐름 변수이다. 여기에는 최근 1개월, 3개월, 6개월 동안의 누적 인허가·착공·준공 물량과 같이 단기적인 공급 흐름의 변화를 반영하는 지표가 포함된다. 이를 벡터 형태로 정리하면, 특정 월 m의 설명변수는 X_m으로 나타낼 수 있으며, 이는 단계별 공급총량 변수 $X_m^{\text{flow}}$, 단계별 잔량 변수 $X_m^{\text{backlog}}$, 경과시간 변수 $X_m^{\text{duration}}$, 최근 흐름 변수 $X_m^{\text{recent}}$의 결합으로 표현된다. 따라서 본 연구의 예측 모형은 개념적으로 월별 실제 준공물량이 설명변수 벡터 X_m의 함수로 결정된다고 볼 수 있으며, 예측값은 $y_m^{\widehat{\text{comp}}}=f\left(X_m\right)$와 같이 나타낼 수 있다.

이때 모든 설명변수는 예측 기준시점 이전까지 관측 가능한 정보만을 이용하여 구성한다. 따라서 특정 월의 준공물량을 예측할 때에는 해당 월 이후에만 확인 가능한 정보가 설명변수에 포함되지 않도록 하여, 미래 정보 누수 가능성을 차단한다. 이러한 변수 설계는 공급 실현량이 단순히 당기 인허가 물량의 함수가 아니라, 공급 파이프라인 내부에 누적된 물량이 어느 단계에 얼마나 오래 체류하고 있는가에 의해 결정된다는 가정에 기초한다. 즉, 동일한 인허가 물량이라 하더라도 착공 여부, 미착공 잔량의 규모, 착공 후 경과기간, 최근의 공급 흐름 등에 따라 실제 준공으로 이어지는 속도와 규모는 달라질 수 있다.

이와 같은 접근은 개별 사업의 단계별 이행구조와 지속기간 정보가 최종 공급 실현을 설명하는 데 중요하다는 문제의식과도 맥락을 같이한다.

예측모형의 해석을 위해서는 각 설명변수가 실제 예측 기준시점에서 관측 가능한지 여부를 명확히 구분할 필요가 있다. 본 연구는 이 점을 반영하여 변수를 ‘기준시점 이전에 확정적으로 관측 가능한 변수’와 ‘사업 진행상황이 일부 반영된 조건부 변수’로 구분하였다. 특히 착공 후 경과월수, 착공 후 미준공 잔량, 최근 착공·준공 흐름 변수는 인허가 시점에서 직접 관측 가능한 정보가 아니므로, 이를 포함한 예측은 ‘인허가 시점의 순수 사전 예측’이라기보다 ‘사업 진행정보를 일부 반영한 조건부 예측’으로 해석되어야 한다. 따라서 본 연구는 예측 결과를 해석할 때 예측 기준시점과 정보 집합의 차이를 명시한다.

<표 5>는 2010~2019년 인허가건(학습데이터) 및 2020년 인허가건(테스트데이터)⁵⁾의 기술통계량이다.

분석 결과, 학습데이터는 5,091건 1,986,165세대 수준이며, 검증데이터는 532건 210,678세대로 나타났다. 검증데이터의 규모는 학습데이터의 약 10.45% 수준으로 유사한 연구에서 활용하는 10%~20% 범위와 일치한다.⁶⁾

<표 6>은 학습데이터 기간 동안의 평균 인허가-준공 소요일자이다. 인허가에서 착공까지는 239일 약 8개월가량 소요되었으며, 착공에서 준공은 약 26개월, 인허가에서 준공은 33.7개월가량 소요되는 것으로 나타났다.

<표 7>은 학습데이터를 활용하여 산정된 생존분석 준공확률 및 누적 준공확률이다.

경과월은 인허가 이후 5개월부터 약 178개월 까지로 나타났으며, 약 25% 수준이 관측종료 시점까지 미준공 상태로 남아 있음을 보여준다. 이러한 결과는 준공까지 이행이 단순 평균 수준을 넘어 이행되는 상당한 물량이 존재한다는 점이며, 단순 평균 접근만으로는 개별 프로젝트의 이후 준공경로를 충분히 설명하기 어렵다는 점을 시사한다.

<그림 1>은 2020년 인허가 건으로부터 발생한 월별 실제 준공물량의 추이를 나타낸다. 준공은 2020년 10월부터 2025년 12월까지 확인되었으며, 총물량은 약 10.8만 호 수준으로 20년 1년간 인허가 물량 중 약 52% 수준이다. 준공물량은 2023년 1월~2024년 7월에 약 68%가 집중되는 패턴을 보였다. 이러한 패턴은 공급실현량이 단순 추세가 아니라 파이프라인 내 미준공 발생사유와 경과시간 구조에 의해 결정된다는 점을 보여준다.

그림 1. 2020년 인허가데이터 실제 준공 물량 추이 주 : 붉은색 박스 부분이 실제 준공물량이 집중된 구간으로 2023년 1월~2024년 7월까지임.

Download Original Figure

<표 8>은 단순평균법, 생존분석 모형, Machine Learning 기반 모형의 월별 준공물량 예측성능을 비교한 결과이다. 예측성능은 각 월별 실제값과 추정값의 차이 절대 오차를 활용하였다. Machine Learning 기반 모형의 월별 평균 절대오차는 166, 단순평균법은 12,265 생존분석 모형은 952로 Machine Learning 기반 모형의 절대오차 평균이 가장 낮았다. 이는 Machine Learning 기반 모형이 단계별 잔량과 경과기간 간의 비선형 상호작용을 여타의 예측방법보다 효과적으로 포착하였기 때문으로 해석된다. 단순평균법은 특정 월에 준공이 집중되거나 지연이 누적되는 구간을 정확하게 포착하지 못했다. 생존분석 모형은 개별 프로젝트의 준공확률을 반영한다는 점에서 평균법보다 우수했지만, 월별 총량의 급격한 변동을 설명하는 데는 일정한 한계를 보였다. 반면 Machine Learning 기반 모형은 월별 분포의 봉우리와 지연 해소 구간을 상대적으로 잘 추적하여, 시점별 공급실현 패턴을 보다 정밀하게 예측하였다.

월별 정확도와 함께 누적 준공물량을 비교한 결과도 중요하다. <표 9>는 모형별 누적 준공물량 예측치와 실제 누적 실적을 비교한 결과이다. 평균법의 경우 취소, 지연 등을 전혀 고려하지 못해 누적합계 비중이 실제 준공치의 약 194% 수준으로 크게 나타났으며, 생존분석은 약 89.6%, Machine Learning 예측은 약 95.6%의 누적물량 정확도가 나타났다.

Machine Learning 기반 모형은 월별 준공물량 오차뿐 아니라 누적 총량 기준으로도 실제 준공경로를 가장 안정적으로 추적하였다. 이는 Machine Learning 모형의 장점이 단순히 단기 타이밍을 잘 맞추는 데 그치지 않고, 최종 공급실현 총량의 경로를 보다 정확히 재현하는 데에도 있음을 의미한다.

공급이 중요한 주택시장에서 “현재 인허가, 착공, 준공이 몇 호인가”보다 “허가된 물량이 얼마나 오랫동안 미착공 상태로 남아 있는가”와 “착공된 물량이 평균적으로 어느 정도 진행되었는가”가 향후 공급전망에 더 직접적인 정보를 제공한다. 따라서 공급 모니터링 체계는 단순 실적 집계에서 벗어나 단계별 잔량과 체류시간을 함께 관리하는 방향으로 발전할 필요가 있다. 본 연구의 결과는 주택공급 파이프라인에서 나타나는 비선형적 이행 패턴이 평균 기반 접근이나 단순한 선형 구조만으로는 충분히 설명되기 어렵다는 점을 시사한다. 따라서 Machine Learning 기반 모형은 예측정확도 향상뿐 아니라, 공급지연의 병목이 어느 단계에서 발생하는지를 해석하는 데도 유용하다고 판단된다.

종합하면, 2010~2019년 인허가 이력을 학습하여 2020년 인허가 건의 월별 준공실적을 예측한 결과, Machine Learning 기반 모형은 단순평균법과 생존분석에 비해 전반적으로 낮은 예측오차를 보였으며, 특히 월별 공급집중 구간과 누적 준공경로를 상대적으로 더 정확하게 추적하는 것으로 나타났다. 특히 일정 정보의 세분화는 예측력 향상에 중요한 역할을 하였으며, 공급총량 자체보다 단계별 잔량과 경과기간 구조가 향후 준공실현량의 핵심 설명요인임이 확인되었다.

한편 Machine Learning 기반 모형의 월별 예측은 초기 구간에서는 상대적으로 불안정한 양상을 보였으나, 경과기간이 충분히 누적된 이후 구간에서는 높은 적중률이 관찰되었다. 이는 허가 직후 초기 구간일수록 준공실현 여부의 불확실성이 크고, 일정 정보가 누적될수록 준공 패턴이 보다 명확해지기 때문으로 해석된다. 특히 공급실현이 집중되는 구간에서는 Machine Learning 모형이 실제 월별 준공분포를 안정적으로 재현하는 것으로 나타났다. Machine Learning 기반 제안모형은 수도권 아파트 인허가 단지의 준공소요일과 월별 준공물량을 예측하는 데 있어 유의미한 수준의 설명력과 실무 적용 가능성을 보였다. 특히 공급 파이프라인과 일정 정보만을 활용했음에도 불구하고, 월별 수준과 누적 수준 모두에서 매우 안정적인 성능을 나타냈다는 점은 본 연구의 중요한 결과이다.