인구요인을 고려한 주택매매 거래량 결정요인 연구

박동하(2020)에 의하면 주택매매 거래량은 주택 재고량, 매도인의 거래 참여의향, 거래 실현율의 함수로 정의할 수 있다. 매도인의 거래 참여의향은 재고량 대비 매물물량이며, 거래 실현율은 매물물량 대비 거래량이다. 주택 재고량은 고정되어 있으며, 거래 참여의향은 주택시장에 대한 주택 소유자의 심리적 상황에 따라 달라진다. 거래 실현율은 주택의 수요·공급과 관련된 시장 상황에 영향을 받으며, 매도인·매수인 간 협상과정과 심리에 의해 결정된다.

즉, 거래 참여의향과 거래 실현율 모두 매매 당사자의 심리적 태도가 중요한 요인으로 작용한다. 시장 참여자의 심리적 태도가 주택시장에 영향을 미친다는 Adams(1964)의 연구 이후 주택시장 참여자들의 심리와 주택시장의 관계에 대해서도 많은 연구결과가 발표되었다(Carroll et al., 1994; Johnson, 2010). Wu and Brynjolfsson(2009)은 거시적 관점에서 구글트렌드(Google Trends)의 검색량지수를 이용하여 주택시장의 수요량과 가격을 예측하였다. 국내의 임재만·임미화(2017) 연구는 주택가격전망 CSI(consumer survey index)와 주택가격지수는 주택가격 관련 뉴스의 긍정·부정 보도량에 영향을 주고, 가격전망 CSI와 주택가격지수는 주택거래량에 영향을 주는 것을 관측하였다. 김대원·유정석(2013)은 국토연구원의 주택소비심리지수를 대리변수로 이용한 주택시장 참여자의 심리적 태도가 매매 거래량에 양(+)의 영향을 미치는 것을 밝혔다. 노민지·유선종(2016) 역시 주택소비심리지수는 아파트 실거래가격에 유의미한 영향을 주는 것을 확인하였으며, 인터넷 포털사이트의 검색량 역시 아파트 가격과 양(+)의 관계가 있음을 밝혔다. 방송의 긍정 보도량은 아파트 가격에 양(+)의 관계가 있었다(이재수·박재수, 2020). 반면 주택시장에 대한 심리적 상태가 주택구입의사에 유의미한 영향을 주지 않는다는 연구(김지현, 2017)도 존재한다.

또한, 심리적 요인은 주택 매매시장의 매물물량에 직접적 영향을 준다(박동하, 2020). 아파트 매물자료를 분석한 연구(최인혁, 2022)에 의하면 정부 정책 등에 따라 주택의 매물은 탄력적인 변화를 보인다. 이것은 주택 보유자가 정부정책을 바라보는 관점 및 심리에 따라 주택시장의 변화를 전망하면서 언제든 매매시장에 참여할 의향을 보일 수 있다는 점을 보여준다.

주택매매 거래량은 주택수요에 영향을 받으며, 주택수요 결정요인에는 연령대별 인구, 소득수준, 주거비용 등이 알려져 있다. 인구에 대해서는 Mankiw and Weil(1989)이 주택수요 추정을 위해 M-W 모형을 제시한 이후 연령대별 인구는 주택수요 추정의 고정변수가 되었다. 정의철·조성진(2005), 최성호·이창무(2010) 등의 연구는 가구소득과 주거비가 주택수요에 영향을 주고 있음을 강조한다. 주거비 조달 측면에서는 금리가 결정적인 역할을 하고 있으며, 선행연구(김진유·박지윤, 2017; 박동하, 2020; 안세륭, 2015)는 회사채수익률, 은행 평균대출 이자율, 국고채 금리 등을 이용하여 주거비를 산정한 후 주택수요를 추정하였다. Hofmann(2001)은 금리 인하가 주택을 구매하기 위한 금융조달비용을 줄이기 때문에 주택수요가 증가할 수 있음을 설명하였으며, 실제로 Del Negro and Otrok(2007)는 미국 주택시장이 통화정책에 강한 영향을 받았음을 밝혔다. 국내 주택가격 변화 역시 금융위기 이후에 금리에 절대적인 영향을 받았다(박진백 외, 2021). 유사한 논리로 전세가율 역시 주택 수요에 영향을 주고 있다(박동하, 2020; 안세륭, 2015; 이선화·설윤, 2017).

매도인과 매수인 간 협상과정에 따라 결정되는 거래 실현율을 보다 구체적으로 살펴보면 다음과 같다. 매매 협상과정은 매매가격이 주된 협상 대상이며, 매도인과 매수인 간 내쉬협상(Nash bargaing) 과정에 의해 결정된다. 매도인의 하한 유보가격이 s, 매수인의 상한 유보가격이 b, 매도인의 협상력 가중치를 β(0≤β≤1)라 할 때 주택 매매가격(p)은 함수 (p-s)^β (b-p)^(1-β)와 같이 매도인의 잉여(p-s)와 매수인의 잉여(b-p)의 합계가 최대가 되는 지점에서 형성된다(주만수·윤성호, 2015; Kopczuk and Munroe, 2014).²⁾ 따라서 주택매매가 성사되기 위해서는 매매 당사자인 매도인과 매수인의 잉여가 각각 양(+)이어야 하며, 이를 위해서는 b≥p≥s가 성립해야 한다. 즉 주택의 매매계약은 b-s≥0일 때 성립하며, 시장 전체적으로 b-s≥0인 매도인과 매수인 간 유보가격 조합 건수가 많을 때 거래량이 많아진다(이석희, 2024).

이상의 과정에 의하면 주택가격의 상승기와 하락기에 따라 주택매매 거래량은 달라질 가능성이 있다. t기의 시세가 t-1기 대비 a만큼 상승하였다면, 매도인과 매수인 모두 각각의 유보가격이 a와 유사한 수준으로 상승하게 된다. t-1기의 주택거래량이 Q^t-1이라 할 때, t기의 매도인·매수인 조합 모두가 유보가격이 a만큼 상승할 경우 t 시점의 주택거래량(Q_t)은 Q_t-1과 큰 차이가 없게 된다.

반면 매매 당사자의 유보가격의 변화가 달라질 경우, (b+a_b)-(s+a_s)≥0를 만족하는 매도인·매수인 간 유보가격 조합의 수가 달라지면서 거래량이 달라질 수 있다. 위 조건을 만족하는 유보가격의 조합이 많아지면 거래량이 많아지며, 유보가격의 조합이 적어지면 거래량은 감소한다. 만약 주택 시세가 상승할 때 매수인이 다급함을 느껴 매도인 대비 유보가격을 보다 많이 올리고 여유가 있는 매도인이 유보가격을 적게 올릴 경우(a_b 〉a_s), (b+a_b)-(s+a_s)≥0를 만족하는 매도인·매수인 간 유보가격 조합의 수가 많아지면서 전체 거래량은 많아진다.

동일한 방식으로 매매 시세가 하락하는 경우에도 매도인과 매수인의 유보가격 변화의 차이에 따라 주택매매 거래량이 달라진다. 하지만 시세가 하락하는 시기에는 매도인과 매수인의 유보가격 변화의 차이가 클 가능성이 높다. 매도인의 경우 유보가격의 하락이 시세 하락과 동일하지 않을 가능성이 크다. 매도인은 자신이 취득한 가격과 유지·보유에 소요된 비용이 있기 때문에 주택 처분시 매몰비용의 오류(sunk-cost fallacy)에 빠져 유보가격 하락에 매우 보수적으로 행동할 가능성이 있기 때문이다(Ratnadiwakara and Yerramilli, 2022). 또는 매도자 자신이 보유한 주택은 가격이 덜 하락할 것으로 생각하는 희망적 사고(wishful thinking)가 작용하여 유보가격 하락에 보수적으로 행동할 수 있다(박동하·최막중, 2018). 즉 매도인의 유보가격 설정에 대한 하방경직성(downward rigidity) 또는 손실회피성향(loss aversion bias)으로 인해 당사자 간 잉여의 합계 (b-a_b)-(s-a_s)≥0를 만족하는 유보가격의 조합의 수가 감소할 가능성이 크다. 이 경우 전체 매매 거래량은 감소하게 된다. 이상의 내용을 종합하면, 매수인과 매도인의 협상과정과 심리적 태도에 따라 전체 매매 거래량은 변동할 수 있으며, 시세와 거래량은 양(+)의 관계를 가질 가능성이 높다.

일부 연구(박동하, 2020; 방송희, 2015)는 주택가격과 거래량 간에 일시적·국지적으로 상관관계가 낮은 현상을 보고하고 있으나, 대부분의 선행연구는 주택가격과 거래량 간의 관계를 양(+)의 관계로 인식하고 있으며, 이를 동조화(co-movement) 현상으로 부르기도 한다(박동하, 2020; 이선화·설윤, 2017; 이창무·임미화, 2014; 임재만, 2011; 정홍일 외, 2012; Clayton et al., 2009; Engelhardt, 2003; Hong et al., 2014; Wheaton and Lee, 2009). 즉 주택가격이 상승할 때 거래량도 많아지고, 가격이 하락할 때 거래량이 적어지는 현상이 발생한다는 것을 의미한다. 이러한 현상에 대해서 대부분의 연구는 행동경제학의 손실회피성, 희망적 사고 등과 같은 심리적 특성에 기인한 것으로 설명하는 경향이 있다. 이것은 주택가격 또는 주택시장에 대한 인간의 심리적 편의가 주택 매매거래에 영향을 미친다는 것을 의미한다(김대원·유정석, 2013; Johnson, 2010).

주택매매 거래량의 결정요인을 분석한 다양한 연구가 있으나 일부 한계가 존재한다. 시계열 모형을 이용한 연구(정홍일 외, 2012)는 거래량 결정요인 분석 시 특정 도시를 대상으로 분석하였다는 점에서 분석결과를 일반화하는 데 어려움이 존재하며, 특정 시점을 대상으로 횡단면 분석을 한 연구(김동현·이상경, 2018; 이다영·이상경, 2019)는 거래량에 영향을 미치는 입지적·물리적 요인을 분석한다는 측면에서 사회·경제적 환경 변화와 거래량 관계를 모색하는 데 한계가 있다. 패널모형을 이용한 김대원·유정석(2013), 이선화·설윤(2017) 연구라 하더라도 시·도 단위 분석이라는 제한이 있었다. 도(道)는 지역 내 주택시장이 여러 개로 세분화되어 있기 때문에 효율적 분석에 제약이 있기 때문이다. 도시 단위를 패널개체로 이용한 연구(박동하, 2020)도 있지만 설명변수 측면에서 한계가 있다.

박동하(2020)의 연구를 비롯하여 김대원·유정석(2013), 이선화·설윤(2017) 등의 연구는 가격변동률을 비롯하여 심리적 태도, 소득수준, 주거비용 등을 고려하여 거래량 결정요인을 분석하고 있다. 주택수요 추정 시 중요 변수인 연령대별 인구를 고려한 주택 거래량 관련 연구는 미진한 상황이다. 연령대별 인구가 장기적인 측면에서 중요한 요인(정의철·조성진, 2005)이기 때문에 거래량 결정요인 분석에는 반영하지 않았을 가능성도 있다. 수요 추정 시에는 20~30년 이후 장기의 주택수요를 추정하기 때문에 장기적인 인구구조 변화를 고려하지만 거래량은 장기적 전망에 대한 수요가 아직 없기 때문에 선행연구는 인구의 변화를 고려하지 않은 것으로 판단된다.

하지만 지방세 세수의 23.5%를 차지하는(2022년 기준)³⁾ 취득세가 부동산 매매 거래량에 연동되며, 주택 매매수요가 인구와 밀접한 관계가 있는 점을 고려하면 인구구조가 주택 거래량에 미치는 영향을 확인할 필요가 있다. 지방 소멸 등의 용어가 표현하듯 갈수록 열악해지고 있는 지방재정의 상황을 고려할 때 주택 거래량의 추정은 지방세수 관점에서 시사하는 바가 클 것으로 보인다. 인구요인이 주택 거래량에 미치는 영향이 확인될 경우 부동산중개산업의 건전한 발전 측면에서도 유의미한 정책적 시사점을 제공할 것으로 판단된다.

연령대별 인구를 반영한 주택매매 거래량의 결정요인 분석은 횡단면적 자료와 시계열적 자료의 장점을 모두 활용할 수 있는 패널모형(panel model)을 이용하였다. 패널모형은 시계열 자료가 짧아 분석에 제약에 있는 경우에 패널개체 확대를 통해 적정한 시계열 자료를 확보하여 분석할 수 있는 장점이 있으며, 이번 연구가 그 사례라 할 수 있다. 앞서 언급하였듯이 주택가격과 거래량은 높은 상관관계를 가지는데, 이번 연구의 분석대상인 도시별 주택시장은 상관관계가 높은 지역도 있는 반면 그렇지 않은 지역도 존재한다. 따라서 다양한 지역을 포함하여 패널모형을 이용한다는 측면에서 특정 상황에 편향되지 않는 분석이 가능할 것으로 기대된다. 패널분석은 지역 및 시간에 따른 차이를 고려하는지 여부로 구분되는 확률효과(random effect)와 고정효과(fixed effect)를 모두 실시하였다.

분석을 위한 패널모형의 기본식은 아래와 같으며, i는 분석대상인 지역(도시)을, t는 시간을 나타낸다.

이번 연구에서 Y는 종속변수인 주택매매 거래량이며, X는 지역(도시) 및 시간에 따라 달라지는 주택 수급 요인이고, Z는 시간에 따라서만 달라지고 모든 지역에서 동일한 거시경제 요인을 의미한다. u_i는 지역(도시)에 따른 특성이고, ε_i,t는 오차항을 나타낸다.

실증분석은 전국의 주요도시를 대상으로 하였다. 자료 구축의 편의성 차원에서는 행정구역인 전국 17개 시·도를 대상으로 분석할 수 있으나, 도(道) 지역은 주택시장의 공간적 권역이 시·군 단위 또는 여러 개의 세부 지역으로 구분·형성되어 있기 때문에 도시 단위로 분석대상을 설정하였다.⁴⁾ 제주도 지역을 제외한 전국 83개 도시를 대상으로 하였으며, 구체적으로 특·광역시 8개(세종특별자치시 포함), 특례시⁵⁾ 4개, 인구 50만 이상 대도시⁶⁾ 12개, 25만 명 이상 도시⁷⁾ 22개, 25만 명 이하 37개 도시다. 분석기간은 개별 자료의 구성 가능한 기간을 고려하여 자료 제공기간이 가장 짧은 주택 재고량 기준으로 2015년부터 2021년까지의 기간을 분석하였다.

분석모형의 종속변수는 매매거래량이 되며, 설명변수는 선행연구를 참고하여 주택매매가격지수, 연령대별 인구, 1인당 GRDP(gross regional domestic product), 시장금리, 전세가율, 주택매매심리지수, 주택재고량으로 설정하였다. 인구, 1인당 GRDP, 시장금리는 주택수요에 영향을 주며,⁸⁾ 주택재고량은 공급에 영향을 준다. 심리지수는 주택의 수요와 공급 모두를 설명하는 변수다. 주택시장의 심리적 상태가 시장협상력, 매물물량 등의 형태로 매수자와 매도인 모두에게 영향을 주기 때문이다(박동하, 2020). 주택재고량과 심리지수의 관계에 따라 매매시장에 공급되는 매물의 양이 결정되는 것이다.

분석자료는 <표 1>과 같은 방식으로 구축하였다. 주택매매 거래량은 한국부동산원의 부동산거래현황 자료를 이용하였다. 주택매매가격지수와 전세가율은 한국부동산원의 전국주택가격동향조사를 이용하였다. 연령대별 인구는 통계청의 주민등록인구현황 자료를 사용하였으며, 인당 GRDP는 시·도의 경제활동별 지역내총생산 자료와 인구 자료를 활용하여 산정하였다. 시장금리는 한국은행의 시장금리 자료를 활용하였으며, 국고채(3년)를 기준으로 하였다. 주택매매시장 소비심리지수는 국토연구원의 부동산시장 소비심리조사 자료를 기준으로 하였으며, 주택재고량은 통계청의 주택총조사 자료를 이용하였다.

시장금리는 전국에 동일하게 적용되며, 주택매매심리지수는 시·도별로 발표되기 때문에 도 지역의 도시는 도 자료를 활용하였다. 그 외 자료는 도시별로 제공하고 있다. 주택재고 통계는 2015년부터 등록된 각종 공부자료를 가공·활용한 등록센서스 집계 방식으로 변경되면서 시·군 기준 통계는 기존 통계와 차이가 발생하여 2015년 자료부터 활용하였다.⁹⁾

연 단위 자료가 제공되는 GRDP, 시장금리, 주택재고량은 그대로 이용하고, 그렇지 않은 자료는 연도별 합산 등을 계산하였다. 거래량은 연도별 합산하였고, 전세가율 및 소비심리지수는 연도별 평균을 하였다. 매매가격지수와 인구는 연말 기준으로 자료를 구성하였다.

83개 도시를 대상으로 한 기초통계량 분석결과는 <표 2>와 같다. 도시의 연 평균 매매 거래량은 11,569호이며, 주택재고량은 평균 19만 호이다. 두 변수는 변동계수가 각각 200.8%, 189.3%로 상당히 높은 수준을 보이는데, 이것은 변수 자체의 연도별 변동성뿐 아니라 도시 간 규모 차이로 인한 변동성에 영향을 받는다. 도시 간 규모 차이를 통제한 거래회전율은 앞의 두 통계와 변동성 수준이 다르다. 매매 거래량을 주택재고량으로 나눈 거래회전율은 연 평균 5.5%, 표준편차 2.0%, 최소값 2.1%, 최대값 11.8%이며, 변동계수는 35.8%로 나타났다. 즉 매매거래량과 주택재고량 대비 약 1/6 수준의 변동성을 보여준다.

매매가격지수 변동률은 평균적으로 2.5% 수준이나 표준편차가 5.3%로 도시 및 연도별 편차가 큰 것으로 나타났다. 변동계수값은 다른 변수 중 가장 큰 값을 보여주어 전체적으로 도시 및 연도별 가격변동률 차이가 큰 모습을 보여준다. 전세가율은 평균 73.8%이며 변동계수가 8.3%로 모든 변수 중 변동성이 가장 적었다. 인당 GRDP 증가율은 평균 3.8%이며, 지자체 특성에 따라 편차가 컸다. 국고채 금리는 평균 1.6%이나 최대 2.1%까지 상승하였다. 주택매매시장 소비심리지수의 평균은 118.8로 100 이상 값을 보여 높은 편이었다. 다만 도시에 따라 최소 83.0에서 145.9로 큰 편차가 확인되었다.