도시공간 특성에 따른 인구소멸 위험과 미분양이 지역 주택가격에 미치는 영향^*

마스다(Masuda)는 2015년 저서 ｢지방소멸｣을 통해, 지역의 인구감소로 인해 사람이 거주하지 않는 지역은 소멸할 것이라는 가정하에 20~39세 여성인구를 소멸지표의 핵심으로 설정하였다. 이상호(2016)는 이를 기반으로 우리나라의 인구소멸위험지수(소멸위험지수)를 개발하였다. 구체적으로 소멸지수는 (식 1)과 같이 20~39세 가임기 여성인구를 65세 이상 고령인구로 나눈 값으로 정의되고 있다(이상호, 2016; 이상호, 2018).

이때 소멸위험지수값이 1.0 미만일 경우, 20세부터 39세까지의 여성인구가 고령인구(65세 이상)보다 적은 상황을 의미하며, 지역은 소멸위험 주의단계로 진입하게 된다. 만약 소멸지수값이 0.5 미만일 경우, 소멸위험이 큰 것으로 보아 장래에 지역의 소멸 가능성이 크다고 판단한다. 소멸위험지수값에 따른 상세명칭 및 수준은 <표 1>과 같다.

이상호(2018)는 소멸위험지수를 토대로 주민등록인구통계를 사용해 2013년에서 2018년 사이 전국 시·군구 및 읍면동 지역의 소멸위험을 계산하여 분석하였다. 그 결과, 10곳 중 4곳은 저출산 및 고령화로 인한 인구감소로 인해 소멸 가능성이 큰 것으로 나타났으며, 전국 228개 시·군구 중 소멸위험 지역은 2013년 32.9%인 75개에서 2018년 39%인 89개로 증가했음을 확인하였다. 이러한 현상의 원인은 지역의 인구변화로 소멸위험 지역의 경우 20~39세 여성인구의 순유입과 순유출 편차가 가장 크게 나타나는 데 비해, 65세 고령인구는 큰 변화가 없기 때문으로 나타났다.

본 연구는 2019년 국가통계포털 주민등록인구 기준 20~39세 여성인구와 65세 이상 고령인구 자료를 취득한 뒤, 이상호(2018)가 적용한 소멸위험지수를 이용해 인구소멸지역 현황을 파악하였다. 분석 결과, 2019년도 시·군구별 인구소멸위험 분포 현황은 <그림 1>과 같으며, 소멸위험진입단계 지역은 83개, 소멸고위험 지역은 16개로 시·군구 전체(229개) 지역 대비 소멸위험 지역은 43%(99개)를 차지하는 것으로 나타났다.

그림 1. 시·군구별 인구소멸위험 현황

Download Original Figure

미분양주택이란 사업계획 승인권자로부터 분양승인을 받고 수요자를 대상으로 분양을 시행하였으나, 매매계약이 체결되지 않은 주택(아파트)을 말한다(허재완·김은경, 2009).

미분양주택의 발생은 과소수요 및 초과공급 등의 원인으로 특정 기간 내 주택의 수요에 비해 공급이 많은 수급불균형의 상황을 의미하는데(강경애·김종진, 2017), 수요자의 기호에 맞지 않거나, 분양가가 주변 지역의 재고주택 가격과 적정성을 유지하지 않고 높은 가격으로 분양 또는 과잉 공급되거나, 수요가 없는 지역에 공급됨으로써 발생한다(김리영·서원석, 2020).

주택은 토지매입부터 준공에 이르기까지 3~5년 정도 소요되기 때문에 시기적으로 변화되는 수요에 탄력적으로 대응하기 어렵다(정진욱 외, 2019). 따라서 수요와 공급의 균형상태를 예측하거나 유지하기 어려워 주택 수급의 불균형이 발생하게 되고, 이는 발생 시기와 재고량 등에 따라 주택의 수급 상황과 주택경기를 파악할 수 있는 중요한 시장 지표로 활용된다(정창무·김지순, 2005).

우리나라 미분양주택 적체량은 지역별로 다른 양상을 보이고 있는데, 국토교통부 통계누리의 2019년 12월 기준 시·군구별 미분양주택의 분포는 <그림 2>와 같다. 분석 결과에 따르면 미분양주택이 존재하지 않는 지역은 총 73곳(31%)으로 집계되었으며, 대부분 지역의 미분양주택 수는 500호 미만이고, 가장 많은 지역은 경상남도 창원시였다.

그림 2. 시·군구별 미분양주택 현황

Download Original Figure

정부는 주택 공급시장의 안정적인 관리를 위해 미분양관리지역제도를 운영하고 있는데, 주택도시보증공사는 매월 말일 미분양 주택수가 500세대 이상인 시·군구 중 미분양 증가, 해소 저조, 미분양 우려, 모니터링 요건 중 1개 이상 충족하는 지역을 미분양관리지역으로 선정해 관리하고 있다.

본 연구의 공간적 범위는 전국 시·군구 229개 지역 중 226개(옹진군, 신안군, 울릉군 제외)로 한정하였다. 시간적 범위는 모든 자료의 구득이 가능하고, 주택시장이 COVID-19의 영향을 받지 않았던 시점인 2019년으로 설정하였다.

실증분석을 위한 종속변수는 지역 주택시장의 횡단면 상황을 더욱 명확히 파악할 수 있도록 아파트매매지수가 아닌 실거래가격을 사용하였다. 가격자료는 국토교통부 실거래가 공개시스템에서 제공하는 2019년 1월 1일부터 12월 31일까지의 전국 시·군구별 아파트 실거래가격을 취득하였다. 본 연구는 이 자료를 바탕으로 2019년도 전국 시·군구의 월평균 거래가격을 연평균으로 계산한 뒤 로그변환해 종속변수로 사용하였다. 지역별 거래가격을 살펴보면, 수도권과 지방 대도시를 중심으로 높게 나타났고, 군지역이 상대적으로 낮은 거래가격을 형성하였음을 확인할 수 있다(<그림 3> 참조).

그림 3. 시·군구별 평균 주택거래가격

Download Original Figure

독립변수의 경우, 지역 특성은 지역마다 차별적인 영향을 준다는 점에서 다양한 측면으로 구성하였는데, 인구소멸위험, 주택특성, 도시공간특성, 인구사회특성, 입지특성, 미분양 및 인구소멸위험과 도시공간특성으로 구성된 상호작용항 등 총 6개 카테고리를 사용하였다.

이를 상세히 살펴보면, 수요측면 변수인 인구소멸위험은 앞서 설명한 바와 같이 이상호(2016)의 연구를 바탕으로 20세에서 39세 사이의 가임기 여성인구를 65세 이상 고령인구로 나눈 값을 사용하였다. 주택특성에 포함되는 공급측면 변수인 미분양은 국토교통부 통계누리의 전국 시·군구별 미분양주택 현황자료를 이용하였다. 이때 미분양에 대한 편차를 통제하기 위한 주택공급량 변수를 함께 사용할 필요가 있으나, 시·군구별 공급량이 공개되지 않는 관계로 연간 총 주택거래량을 대체 통제변수로 활용하였다. 또한, 종속변수로 사용된 실거래가격의 면적에 따른 편차를 통제하기 위해 주택규모(평균 전용면적)를 포함하였다. 이와 더불어 지역별 주택소유비율 역시 지역 주택시장 환경의 통제를 위해 사용하였다.

도시공간특성의 경우, 서울인접성(서울)은 각 시·군구청부터 서울 강남구청까지의 거리로 설정하였다. 측정 방법은 시·군구별 관청 주소를 geocoding한 뒤 GIS를 이용해 강남구청과의 직선거리를 킬로미터(km)를 기준으로 계산하였다. 수도권 여부(수도권)는 해당 시·군구가 수도권에 포함되는지를 파악하였으며, 도시규모는 인구 규모를 중심으로 소도시(20만 명 미만), 중도시(20만~50만 명), 대도시(50만 명 초과)로 구분하였다.

인구사회특성은 선행연구를 참고해 전년대비 인구증가율, 거주 외국인수, 지역 내 총 종사자수, 1인 가구수를 변수로 선정하였다(<표 2> 참조).

입지특성은 공공기관 청사, 사회복지시설, 대학교를 변수로 사용하였다. 이와 더불어 지역 간 고속 이동의 핵심 수단이라고 할 수 있는 KTX 승하차역 여부를 함께 변수화하였다.

마지막으로 인구소멸 위험과 미분양에 있어 도시공간 특성의 효과를 파악하기 위해 수도권 여부와 도시 규모를 매개변수로 설정해 상호작용항(interaction)을 구성하였다.

변수에 대한 기초통계 결과, 종속변수인 지역의 평균거래가격은 2억 5,700만 원으로 나타났는데, 가장 낮은 전라남도 영암군(5,825만 원)과 가장 높은 서울시 강남구(17억 5,280만 원)는 약 17여억 원의 연평균 실거래가격 차이를 보였다(<표 3> 참조).

인구소멸 위험도(소멸위험지수)는 평균 0.66으로 소멸위험주의 단계(0.5 이상~1.0 미만)로 나타나, 우리나라 전체적으로 인구소멸에 대한 경각심이 필요한 것으로 파악되었다. 또한, 인구증가율 평균이 ‒0.41%로 소멸위험지수와 연결하여 해석해 볼 때 20~39세 여성인구가 65세 이상 고령인구보다 상대적으로 적어 저출산으로 인한 생산인구감소 현상이 심화되고 있다는 사실을 유추할 수 있다.

미분양 지역은 수도권이 27곳, 비수도권이 43곳으로 수도권보다 비수도권 지역에서 상대적으로 많은 미분양이 발생하였으며, 미분양이 발생하지 않은 곳은 31%로 나타났다. 거래된 주택의 평균 면적은 약 72m²였으며, 주택거래량은 가장 많은 곳이 연간 4만 4천여 건이었으나, 평균은 5,388건으로 지역 간 편차는 비교적 큰 것으로 나타났다. 평균 주택소유비율은 57.42%로 총주택수 대비 평균 소유비율은 높지 않은 것으로 확인되었다.

다음으로 거주 외국인수는 안산시가 7만 6천 명으로 외국인이 가장 많이 밀집하고 있었으며, 전체 평균은 약 8천여 명으로 나타났다. 종사자수는 평균 8만여 명에 가까웠으나, 강남구가 가장 많은 68만여 명, 영양군은 2천 5백여 명으로 지역 간 편차가 뚜렷했다. 1인 가구는 평균 2.7% 정도로 나타났는데, 가장 낮은 곳은 양구군(0.25%), 가장 높은 곳은 수원시(13.74%)였다.

입지특성의 경우, 공공기관 청사는 세종시에, 사회복지시설은 고양시에, 대학교는 경산시에 가장 많이 밀집되어 있었다. 그리고 철도교통 중 KTX는 전체 시·군구의 20%에 정차역이 있었다.

마지막으로 독립변수 간 다중공선성 여부를 확인하기 위해서 선형회귀모형으로 분산팽창요인(variance inflation factor, VIF)을 분석하였다. 일반적으로 VIF값이 10 이상일 때 다중공선성 문제가 발생하게 되는데(Hadi and Chatterjee, 2015), 본 연구에서 사용한 독립변수의 VIF값은 모두 6 미만으로 나타나, 다중공선성은 존재하지 않은 것으로 판단되었다.

실거래가격에 대해 다중회귀분석을 바탕으로 선형성을 검토한 결과, 비선형의 형태를 보여 반로그함수(semi-log function)를 이용해 비선형성을 통제하였다. 반로그함수는 종속변수에 자연로그를 취하고, 독립변수는 원형을 사용하는 함수 형태로 간단한 해석이 가능하고, 독립변수의 단위 변화량인 계수값은 대략적인 백분율로 변환되어 해석할 수 있으며, 이 분산 또는 오차 변량 등 알려진 일반적인 통계 문제를 완화시킬 수 있다(서원석, 2019; 이용만, 2008, Malpezzi, 2003).

주택시장과 같은 공간을 대상으로 하는 실증분석에 있어 전통적인 선형회귀(OLS) 분석 방법을 사용하게 되는 경우, 공간상에서 나타나는 특성인 공간적 종속성(공간적 자기상관성, spatial dependence)을 통제하지 못할 수 있는데(Doreian, 1981), 이는 일반적으로 자료 집계상의 오류나 공간의 인접으로 인한 파급효과(spillover effect)를 일으킬 수 있다(최열 외, 2013).

공간적 자기상관성을 측정하는 방법에는 Moran’s I 통계량, Geary’s C 통계량 등이 있는데, 일반적으로 Moran’s I 통계량을 이용하게 된다(박기호, 2004). Moran’s I 통계량은 ‒1과 1 사이의 값을 가지고, 값이 1에 가까울수록 높은 값을 가지고 있는 지역들이 공간적으로 인접해 있는 경향이 강해 높은 공간적 상관관계가 있다고 해석하게 된다. 또한 ‒1에 가까울 때는 높은 값과 작은 값을 가지는 지역들이 규칙적으로 섞여 분포하는 이질적 공간 패턴이 나타나게 된다. Moran’s I를 함수식으로 정리하면 (식 2)와 같다(손정렬, 2011; 이희연·노승철, 2013).

N : 지역단위 수,

Y_i : i지역의 속성,

Y_j : j 지역의 속성,

Y̅ : 평균값

W_ij : 가중치

공간적 자기상관성 검정 결과, 자기상관성이 심각하게 발생한다면 이를 해결하기 위한 방법으로 공간계량경제모형(공간모형)이 사용된다(최열 외, 2013). 공간모형은 공간종속성 형태에 따라 주로 공간시차모형(spatial lag model, SLM)과 공간오차모형(spatial error model, SEM)을 사용한다.

공간시차모형(SLM)은 종속변수가 공간적 자기상관성을 보이는 경우, 일반 선형회귀모형의 대안적 모형으로 사용되는데, 종속변수가 공간적 의존성을 가지고 있는 경우, 해당 지역의 종속변수는 주변지역으로부터 파급효과를 받게 된다. 공간시차모형은 이러한 효과를 공간시차 변수로 반영하게 되며, 공간승수효과(spatial multiplier)를 함수식으로 정리하면 (식 3)과 같다(이희연·노승철, 2013).

이때 W 는 공간가중행렬(spatial weighted matrix)로, 지역 내 다수의 지점들이 서로 공간적으로 인접하고 있는지 여부를 파악할 수 있도록 행렬로 나타낸 것으로 모든 각 행의 합이 1이 되도록 횡단표준화한 것이다. ρ는 시차의 공간적 자기회귀계수를, (I-ρW^-1은 공간승수효과 또는 공간파급 효과로 공간적 상호작용에 대한 간접효과(외부효과)를 의미한다(이희연·노승철, 2013; 최열·이백호, 2006).

다음으로 공간오차모형(SEM)은 오차들 사이에 존재하는 공간적 자기상관성을 통제하기 위해 개별적인 오차 공분산을 구축해 회귀모형 내에서 이를 고려하는 모형으로, 공간오차모형의 공간승수 효과를 함수식으로 정리하면 (식 4)와 같다(남형권·서원석, 2016; 이희연·노승철, 2013).

여기서 W 는 공간시차모형과 같은 공간가중행렬을, λ는 오차의 공간적 자기회귀계수를, μ는 변수가 서로 독립적이고 동일한 분포를 따라야 한다는 가정을 바탕에 둔 오차를 의미한다(Baltagi and Li, 2006).

지역 주택가격의 공간적 효과를 파악하기 위한 공간가중행렬(spatial weights matrix)은 공간거리 기반의 최근접이웃(K-nearest neighbors, KNN) 및 공간인접성 기반의 퀸(QUEEN) 방법을 이용해 구성하였다. 이를 바탕으로 전역적 Moran’s I를 파악한 결과, 평균 주택가격은 5% 유의수준에서 각각 0.840과 0.851로 1에 가까운 양(+)의 값으로 나타나 유의한 공간적 자기상관의 존재를 확인하였다(<그림 4> 참조). 따라서 본 연구는 공간적 자기상관을 보다 명확히 통제할 수 있는 퀸방식을 바탕으로 실증분석을 진행하였다.

그림 4. Moran’s I 검정결과

Download Original Figure

전역적 Moran’s I 통계량은 전체 연구지역의 공간적 자기상관 관계를 하나의 값으로 보여주는 글로벌 지수(global index)이므로, 어떤 특정 지역들이 전체 지역의 공간적 자기상관에 얼마나 영향을 미치고 있는지 파악할 수 없다(김광구, 2003). 대상 지역 내에서 발생할 수 있는 공간적 자기상관의 국지적 변이를 파악하는 방법은 로컬 공간연관성지표(local indicator of spatial association, LISA)로, 특정 공간 단위와 인접한 공간을 비교해 공간 자기상관 특성을 High-High(HH), High- Low(HL), Low-High(LH), Low-Low(LL) 등 4개의 유형으로 구분한다(오창화·김영호, 2016; Anselin, 1995). 이때 공간적 자기상관성을 가지는 지역은 HH 유형과 LL 유형으로 나타나는 지역이고, LH 유형과 HL 유형을 가지는 지역은 공간적 이례 지역이라고 할 수 있다(Anselin, 2005). 본 연구는 실증분석에 있어 퀸방식을 사용할 경우, 지리적 특성상 비인접지역이 발생해 KNN 방식을 이용해 이를 통제하였다.

연구 대상 지역에 대한 LISA 분석 결과, 공간적 자기상관성을 가지는 HH 유형은 서울과 수도권에서, LL 유형은 강원, 충청, 전라권을 중심으로 한 비수도권에서 주로 나타나는 것을 확인하였다(<그림 5> 참조). 이러한 결과는 우리나라의 지역 주택가격은 기대 가치가 높은 수도권을 정점으로 공간밀집되어 있으며, 여기서 멀어질수록 주택가격의 하락이 군집되어 나타난다는 사실을 보여주고 있다.

그림 5. LISA 분석결과 LISA, local indicator of spatial association.

Download Original Figure

또한, 분석 결과를 통해 인구소멸위험 지역과 미분양 집중지역이 공간적으로 일치하는 경향을 확인했는데, 이는 수도권에서 먼 주택가격이 낮은 지역은 주택시장 침체를 겪을 가능성이 상대적으로 높음을 보여주는 결과라고 할 수 있다.

앞선 공간적 자기상관 분석 결과를 바탕으로 본 연구는 공간적 자기상관 문제를 해결할 수 있는 공간헤도닉모형을 이용해 실증분석을 진행하였다. 본 연구는 상호작용항을 사용함으로써 발생하는 과대추정 문제와 목적의 명확성을 위해 두 개의 모형으로 구분해 실증분석을 진행하였다. 구체적으로 모형 1(model 1)에서는 인구소멸위험과 주택 미분양 그리고 지역의 공간특성이 주택가격에 미치는 영향을, 모형 2(model 2)에서는 인구소멸위험과 주택미분양 영향을 도시공간 특성을 중심으로 복합 검토하였다.

공간헤도닉모형의 적합한 형태는 일반적으로 LM 검정통계량을 이용해 확인하게 되는데, 일반회귀모형(OLS)을 토대로 공간적 종속성을 진단한 뒤 그 결과를 바탕으로 일반회귀모형(OLS), 공간시차모형(SLM), 공간오차모형(SEM) 가운데 적절한 모형을 선택하게 된다(허윤경, 2007).

모형의 적합성에 대한 LM 검정결과는 <표 4>와 같은데, 모형 1과 모형 2의 LM(lag) 및 Robust LM(lag) 값이 유의하지 않았고, LM (error) 및 Robust LM(error) 값은 유의하게 나타나 공간오차모형(SEM)이 적절한 것으로 나타났다. 따라서 본 연구는 일반회귀모형(OLS), 공간시차모형(SLM), 공간오차모형(SEM)을 모두 사용해 실증분석을 진행한 뒤 공간오차모형을 중심으로 결과를 해석하였다. 이때 개별요인 분석 결과는 모형 1을 중심으로, 상호작용효과 분석 결과는 모형 2를 중심으로 설명하였다.

분석 결과를 살펴보면, 인구소멸 위험성은 지역 주택가격에 상당히 유의한 영향을 미치는 것으로 파악되었는데, 소멸위험 지표가 한 단위 높아질수록 지역 주택가격은 약 24% 정도 하락하는 것으로 나타났다. 이러한 결과는, 지역의 주택시장 변동은 공급측면(주택공급)이 아닌 수요측면(인구)에 의해 크고 민감한 영향을 받을 수 있다는 사실을 보여주고 있다(<표 5> 참조).

다음으로 미분양이 발생하는 지역은 비발생지역에 비해 해당 지역 주택가격을 약 14.4% 하락시키고 있음을 확인하였다. 이는 미분양은 주택가격의 하락에 영향을 미치는 중요한 요인이라는 점을 밝힌 기존 연구(김상기 외, 2010; 성주한, 2019; 정창무·김지순, 2005)와 유사한 맥락의 결과라고 할 수 있다. 주택면적은 기존 다양한 연구 결과와 유사하게 주택가격을 결정하는 핵심적인 요인으로 파악되었다. 주택소유비율 역시 주택가격에 유의한 영향을 미치고 있었지만, 음(‒)의 영향이 있는 것으로 밝혀졌는데, 이는 주택보급, 특히 자가의 비율이 높은 지역의 경우 주택여과에 대한 동기가 줄어든다는 점(김견규 외, 2010)에서 나타난 결과로 보인다.

도시공간특성에서 서울 강남구와의 거리는 지역 주택가격에 유의한 영향을 미치지는 않는 것으로 파악되었으나, 수도권 도시일 경우 49% 정도 가격 프리미엄이 형성되는 것으로 나타나, 주택가격 체계에서 수도권이 차지하는 중요성을 확인할 수 있었다. 반면 도시규모별 주택가격의 차별적 형성은 유의한 결과를 보이지 않았다.

인구사회특성의 경우, 산업종사자가 늘어날수록, 1인 가구가 증가할수록 주택수요의 증가 가능성으로 인해 지역 주택가격에 유의한 양(+)의 효과를 미치는 것으로 확인되었다. 반면, 외국인의 증가는 오히려 지역 주택가격에 음(‒)의 효과를 나타냈는데, 이는 기존 연구에서 설명한 바와 같이 외국인 밀집에 따른 이질성과 범죄두려움 등이 원인이 된 것으로 보인다(강수진·서원석, 2018; 노성훈, 2013; 노성훈·조준택, 2014).

반면, 입지와 관련된 특성은 대체로 지역의 주택가격에 유의한 영향을 미치지는 않는 것으로 나타났다. 입지와 관련된 변수의 경우, 근린환경과 관련되어 있다는 점에서 개별 주택가격에는 유의성이 높으나, 거시적인 지역 주택가격에 대한 직접적인 효과를 증명하기에 적절한 변수가 아니라는 점이 이러한 결과가 도출된 이유로 판단된다.

마지막으로 미분양과 인구소멸 위험에 있어 도시공간특성의 매개효과를 파악한 결과를 살펴보면, 미분양은 비수도권보다는 수도권에서 음(‒)의 프리미엄을 형성하는 것으로 나타났다. 김리영·서원석(2020)의 연구 결과에 따르면 수도권(경기도) 미분양은 소비자의 심리적 요인이 크게 작용한다고 하였는데, 이러한 측면에서 수도권에서 발생하는 미분양은 구매심리를 위축시켜 매매가격에 더 부정적인 영향을 주는 것으로 보인다. 반면에 도시규모에 따라서는 차별적인 영향을 미치지 않는 것으로 나타났다.

인구소멸 위험의 경우, 수도권에서의 소멸 위험성이 낮아질수록(즉, 소멸지수값이 커질수록) 비수도권에 비해 주택가격에 더 큰 양(+)의 영향을 미친다는 결과가 도출되었다. 이는 앞서 설명한 바와 같이 주택가격에 있어 수도권 프리미엄이 존재한다는 점에서, 선호도가 높은 수도권 도시에서 인구소멸 위험성이 낮아진다면 주택시장에 더 긍정적인 신호를 줄 수 있다는 사실을 보여주는 결과라고 할 수 있다. 그러나 도시규모에 따른 인구소멸 위험성의 영향은 통계적인 유의성이 있음을 밝히지 못했다.