스캔 통계를 활용한 부동산 국지적 규제의 영향 분석:

본 연구의 시기적 배경인 문재인 정부의 주요 부동산 정책을 시기별로 요약하면 다음과 같다. 문재인 정부의 출범 초기 부동산 정책은 주로 수요 억제에 초점이 맞춰졌다. 문재인 정부는 실상 첫 번째 부동산 정책이라 할 수 있는 2017년 ‘8·2 대책’에서 금융규제 대책과 양도세 중과 정책을 내놓았다. 재건축 및 재개발 예정지역을 중심으로 서울 25개 구 전 지역과 경기도 과천시를 투기과열지구로 지정했고, 강남 4구, 용산구, 성동구, 노원구 등 서울 11개 구를 투기지역으로 설정했다. 이후에도 서울 집값이 계속 상승하자 정부는 2018년 ‘8·27 대책'에서 투기지역 및 투기과열지구를 추가 지정했으며, 2018년 ‘9·13 대책’을 통해 고가주택과 다주택자에 대해 대출 규제를 강화하고 종부세를 인상하는 안을 제시했다(국토교통부, 2018a, 2018b).

그러나, 2019년에도 여전히 서울을 비롯한 수도권 지역에서 국지적 과열 현상이 재현되었다. 특히, 강남권 등 기존 강세 지역에서 재건축발 상승세가 확산되었고, 2019년 11월 6일 분양가 상한제 적용지역이 지정되면서부터 미지정지역을 중심으로 상승 기대심리가 번지며 풍선효과가 나타났다(국토교통부, 2019). 이에 2019년 ‘12·16 대책'을 통해 과열 지역을 중심으로 대출 규제를 강화하고 세제를 상향했다(문화체육관광부, 2022).

이와 같이, 해당 정부 집권기에 시행된 부동산 규제 정책 전반을 관통하는 가장 큰 특징은 부동산을 특정 계층이나 지역으로 세분하여 관리하는 ‘국지적 규제’ 방식을 택했다는 점이다. 국지적 규제는 크게 지역 측면의 규제와 가격 측면의 규제로 나뉜다. 지역 차원에서는 투기지역, 투기과열지구, 조정대상지역 등 규제지역을 국지적으로 지정하는 방안이 도입됐다. 대표적으로, 2017년의 ‘8·2 대책’과 2018년의 ‘8·27 대책'에서 지역별로 부동산 시장을 구획하고 각각 지역마다 규제를 차등화하는 정책을 시행했다(<표 1> 참조). 또한, 가격 측면에서는 규제지역 내에서도 주택을 9억 원 이하, 9억 원 이상 15억 원 이하, 15억 원 초과로 구분해 금융 규제의 내용 및 강도를 차등 적용하는 정책을 적용했다. 2018년 ‘9·13 대책’, 2019년 ‘12·16 대책’ 등을 거쳐, 규제지역 내의 주택에 대한 가격별 차등적 규제 방안을 마련했다(<표 2> 참조). 하위시장마다 시장의 동학이 다를 것이라는 가정 하에 지역별·가격별로 차등화된 정책을 시행했으며, 지역 측면의 규제와 가격 측면의 규제를 교차하여 적용하였다.

한편, 지역 측면의 국지적 정책은 되려 특정 지역 아파트의 희소성을 드높이는 결과를 초래했으며, 가격 측면의 국지적 정책에서도 다주택자에 대한 규제가 강화되면서 똘똘한 한 채 고가 아파트에 대한 수요가 증가했다. 지역별 국지적 규제를 시행했음에도 투기지역·투기과열지구로 지정된 지역의 가격 상승세가 더 가팔라졌고, 규제 사각지대에 대한 풍선효과 또한 등장했다. 더불어 아파트 가격 상승 추세가 강북으로, 서울 인근 경기 지역으로 확산하였다가 다시 서울로 되돌아오는 역풍선 효과까지 뒤따랐다(이창무, 2020). 이러한 부작용으로 인해 국지적 규제는 가격 순환변동을 뒤쫓아가는 단기적이고 임시방편적인 대증요법적인 방안이었다는 평이 이어졌다(정준호, 2022).

문재인 정부 부동산 정책에 대한 연구로는 강현주·서정렬(2018), 김경민·이창석(2017), 김원재(2020), 이창무(2020), 정준호(2022) 등이 있다. 김경민·이창석(2017)은 문재인 정부가 부동산 시장의 지역적 특성을 고려하여 국지적 정책과 같은 차별적 규제를 시행했다는 점에서 의의가 있으나, 규제의 가짓수가 많고 강도가 높아 시장을 과도하게 왜곡하는 결과를 낳았다고 지적했다. 또한, 규제 정책이 단기적으로 부동산 시장의 가격을 조절할 수 있으나, 장기적으로는 풍선효과 등의 정책 실패를 경험하게 된다고 강조했다.

대부분의 관련 연구는 부동산 관련 정책을 분석함으로써 정책의 방향 내지 대안을 제시했으나, 정책과 시장의 반응 관계를 규명하지 못하는 한계를 지녔다. 실증 분석을 시행한 선행연구는 가격 변수에 한하여 부동산 동향을 분석했으며, 부동산 시장의 주요 변수인 거래량 및 거래회전율에 대한 고찰이 미진했다. 또한, 단일 권역을 전제하는 거시적 시장에 대한 분석이 주를 이루었고, 문재인 정부 시기의 두드러진 미시적 하위시장 차이에 대한 고려가 부족했다. 그 때문에 문재인 정부 시기에 강화된 부동산 시장의 지역별·상품별 차별화 경향에 대해(허윤경, 2017), 국지적 규제와 같은 맞춤형 부동산 정책이 어떠한 영향을 미쳤는지에 대해서는 여전히 불명확하다.

이러한 측면에서 본 연구의 차별성을 구체적으로 기술하면 다음과 같다. 첫째, 본 연구는 부동산 데이터 크롤링을 통해 더욱 정확한 거래회전율 자료를 구축하여 부동산 정책에 따른 거래회전율 변화를 분석한다. 둘째, 스캔 통계량을 활용해 지역별로 세분된 부동산 거래 추이를 분석하여, 부동산 시장 및 부동산 정책에 관한 실증연구 분야에 새로운 접근법을 제안한다. 본 연구는 규제 시행 전후의 부동산 시장 변화와 특성을 분석해 국지적 규제의 정책의 영향을 살펴보고자 한다. 서울 내의 투기지역 설정 지역을 중심으로, 2017년 8월(2017년 8·2 대책), 2018년 9월(2018년 8·27 대책, 2018년 9·13 대책), 2019년 12월(2019년 12·16 대책) 시기를 분석한다. 문재인 정부의 부동산 정책은 주로 서울의 과열 지역을 대상으로 설계되었다는 점을 고려하여, 분석의 공간적·시간적 범위를 설정했다.

우선, 본 연구는 국지적 규제가 거래회전율에 영향을 미쳤는지 여부를 판단한다. 정책상의 국지적 설정이 심상적으로 혹은 암묵적으로 존재하던 특정 지역에 대한 시장의 선호를 정부가 표면화했을 수 있다는 가정 하에, 규제지역 설정 후에 해당 지역 시장 전반의 거래가 감소했는지 혹은 오히려 특정 지역의 시장에서는 오히려 거래가 증가했는지 검증한다. 즉, Hui and Liang(2015)가 주장한 차별화 효과가 한국의 맥락에도 적용되는지 확인한다. 국지적 규제가 ‘정밀 타격’ 방안인지 또는 ‘옥석 가리기’ 현상을 유도하는지 대해서 모호한 시점에, 지난 정부의 부동산 정책에 대한 실증 분석을 통해 앞으로의 정책에 대한 함의를 도출하고자 한다.

본 연구의 주된 관심 대상인 부동산 정책 시행 이후 3개월 동안의 법정동 아파트 거래회전율은 아파트 거래 건수를 총 재고주택의 개수로 나눈 것이다. 이를 계산하기 위해서는 해당 3개월 동안 법정동에서 발생한 아파트 거래 건수와 더불어 해당 기간의 법정동의 아파트 재고주택의 총 개수를 구해야 한다. 이때 거래회전율의 분모인 아파트 재고주택 총 수는 3개월 동안의 아파트 재고의 평균으로 가정했다.

아파트 거래회전율의 분모인 총 아파트 재고주택 개수는 네이버 부동산(https://land.naver.com)의 단지 정보 크롤링(crawling)을 통해 구했다. 지금까지는 총 재고주택 개수에 관해서 명시적으로 공개된 통계가 없는 이유는, 거래회전율 자료의 확보가 어렵기 때문이다. 국내에서 거래회전율 지표를 사용한 연구로는 김현아·허윤경(2009)이 있었지만, 해당 연구는 통계청에서 5년 주기로 작성되는 아파트 총 세대수와 부동산114의 월별 입주물량을 바탕으로 월별 재고량을 추정하는 것에 그쳤다.

이에 본 연구는 거래회전율 계산에 필수적인 법정동 별 총 아파트 재고 수를 정확히 확보하기 위해, 네이버 부동산의 단지 정보를 크롤링하였다.³⁾ 네이버 부동산의 단지 정보 페이지에는 총 세대수와 사용승인일 등의 단지 정보가 포함되어 있다. 이들 정보를 Python Requests 패키지를 통해 추출하면, 아파트 단지의 이름, 주소(소재 법정동 포함), 위·경도, 총 세대수, 사용승인일 등의 정보를 얻을 수 있다. 이들 단지 정보 중에 아파트 단지별 세대수, 아파트 단지가 위치하고 있는 법정동, 아파트가 입주를 시작한 사용승인일을 활용하여 아파트 거래회전율을 구했다.⁴⁾

거래회전율의 분자에 해당하는 법정동 아파트 거래 건수는 국토교통부에서 공개하고 있는 실거래가 데이터를 이용해 산출했다. 국토교통부에서 제공하고 있는 실거래가 데이터에는 해당 아파트가 소재하고 있는 법정동이 기재되어 있기 때문에, 이를 기준으로 하여 모든 아파트 매매 거래를 법정동 별로 분류하여 3개월 동안 있었던 법정동 별 거래 건수를 파악할 수 있다.

이렇게 구축한 아파트 거래회전율 자료를 이용하여, 주요 부동산 정책 시행 이후에도 3개월 동안 특히 거래회전율이 상대적으로 높았던 핫스팟을 식별했다. 그리고 법정동 거래 특성 변수들을 이용해 거래회전율 핫스팟과 연관이 있는 변수들을 파악했다.

거래회전율 자료를 이용하여 거래회전율이 특히 높은 핫스팟을 식별한 뒤, 법정동별 거래 특성 변수를 중심으로 핫스팟과 연관이 있는 요인들을 식별했다. 해당 변수의 목록은 <표 3>과 같다. 법정동 별 부동산 거래 특성 변수에는 투기지역 지정 더미변수, 고가주택 거래 비율 변수, 구조 특성별(면적별·연식별) 거래 비율 변수 등을 포함했다.

이 중 주된 관심의 변수는 2017년도 8·2대책에서 신규 지정된 투기지역 더미 변수(policy17), 2018년도 8·27 대책에서 신규 지정된 투기지역 더미 변수(policy18)이다.⁵⁾ 투기지역 지정 더미 변수를 통해 거래회전율 핫스팟과, 정부에서 투기지역으로 지정된 지역이 서로 연관이 있는지를 살펴보았다.

투기지역 지정 더미변수 이외에는 고가주택 거래 비율, 면적별 거래 비율, 연식별 거래 비율을 반영했다. 이와 같은 변수들은 국토교통부에서 공개하고 있는 아파트 실거래 데이터를 바탕으로 계산되었다. 이를테면, 고가주택 거래 비율은 주요 부동산 정책 시행 이후 3개월 동안 있었던 모든 아파트 거래에서, 실거래가 9억 원 이상인 거래가 차지하는 비중을 계산했다. 면적은 소형(~60m²), 중소형(60~85m²), 중형(85~102m²), 중대형(102~ 135m²), 대형(135m²~)의 5가지 카테고리로 분류하였고, 각 면적 카테고리에 해당하는 매물이 전체 거래에서 차지하는 비중을 법정동 별로 계산했다. 연식은 신축(0~9년), 구축(10~29년), 재건축(30년 이상)의 3가지 카테고리로 구분하였고, 연식 카테고리에 해당하는 매물이 전체 거래에서 차지하는 비중을 법정동 별로 계산했다. 이들 변수 이외에 입주 물량 및 공급 충격 또한 거래회전율에 영향을 미칠 수 있는 요소이나, 본 연구의 분석 기간(주요 부동산 정책 시행 이후 3개월) 이내에 새롭게 입주한 물량은 전체 세대수에 비해 미미한 관계로 분석에서 제외했다.

면적별 거래 비율, 연식별 거래 비율 변수를 모두 포함하면 완전한 다중공선성(perfect multicollinearity) 문제가 발생한다. 이에 가장 보편적인 거래라고 볼 수 있는 중소형 평형 거래 비율과 구축 거래 비율은 분석에서 제외하였다.

추가로, 규제지역 설정이 지역 내 서로 다른 특성의 주택에 이질적으로 작용하는지를 알아보기 위해 고가주택 거래 비율, 면적별 거래 비율, 연식별 거래 비율 등을 투기지역 지정 더미변수와 곱해 상호작용(interaction) 변수를 만들었다.

마지막으로, 이렇게 선별된 변수들 간에 다중공선성(multicollinearity)이 있는지 확인하기 위해 상호작용 변수를 제외한 나머지 변수들을 대상으로 VIF(variance inflation factor) 분석을 시행했다. 그 결과, 모든 변수의 VIF 값이 3보다 낮았으며 분석 결과를 왜곡할 정도의 다중공선성은 관찰되지 않음을 확인했다.⁶⁾

본 연구는 주요 부동산 정책 시행 이후에도 다른 지역에 비해 거래가 상대적으로 활발하게 일어나는 지역을 식별하여, 그러한 지역과 연관을 맺는 거래 특성을 파악하고자 한다. 이러한 주제 의식과 연관 있는 개념은 핫스팟(hotspot)으로, 핫스팟은 어떠한 현상이 다른 지역보다 집중적으로 많이 일어나는 지역적 범위를 말한다. 본 연구의 맥락에서 핫스팟은 다른 지역에 비해 거래가 집중적으로 많이 일어나는 지역을 의미한다.

핫스팟 식별 방법인 스캔 통계량 분석은 Kulldorff(1997)에 의해 처음 소개되었다. 부동산 분야에서 스캔 통계량을 적용하여 핫스팟을 식별한 연구는 거의 없었으나, 최근 Hui and Liang (2015)이 부동산 규제 시행 뒤 특정 지역에 거래가 집중되는 현상을 보이기 위해 사용했다. 스캔 통계량은 행정구역과 같이 사전적으로 설정된 공간적 단위를 가정하지 않고, 원형 혹은 사각형의 완화된 형태를 사용하여 핫스팟을 탐지한다. 부동산 거래와 같은 공간적 사건은 행정구역의 경계를 넘어서 발생한다는 점을 고려한다면, 핫스팟 탐지 방법은 시군구 행정구역 경계로 인한 왜곡을 최소화할 수 있다는 장점이 있다.⁷⁾

스캔 통계량 분석에서는 원형의 프레임 F가 크기를 달리하면서 서서히 이동하며 해당 프레임 내부의 사건 발생 확률 λ₁와 외부의 사건 발생 확률 λ₂을 비교한다. 프레임의 크기 상한은 연구자의 재량으로 설정할 수 있는데, 본 연구에서는 프레임 크기의 상한을 전체 영역의 20%로 제한하였다.⁸⁾ 즉, 프레임의 크기는 최소 2개의 법정동을 포함해야 하며, 아무리 커지더라도 서울 전체 법정동의 20% 이상을 포함할 수는 없다. 그리고 프레임의 외부는 프레임 내부의 여집합으로 정의되는데, 본 연구에서는 서울시 전체 법정동 표본에서 프레임 내부에 해당하는 법정동을 제외한 것이 곧 프레임의 외부로 정의된다.

프레임이 크기를 달리하며 이동하면서 프레임 내부의 사건 발생 확률이 프레임 외부의 사건 발생 확률보다 높다고 판단했다면, 해당 프레임에 포함된 개체들을 핫스팟으로 식별한다(<그림 2> 참조). 본 연구의 맥락에서 사건 발생 확률은 곧 거래회전율에 해당하며, 확률의 분자는 3개월 동안의 아파트 거래량, 확률의 분모는 총 아파트 재고주택의 수에 해당한다. 즉, 본 연구에서 식별하는 핫스팟은 총 아파트 재고주택 수에 비해서 아파트 거래량이 많은 지역(거래회전율이 높은 지역)이다.

그림 2. 스캔 통계량에서의 핫스팟 식별 방법

Download Original Figure

프레임 내외부의 거래회전율을 비교할 시, 프레임 내부의 거래회전율이 프레임 외부의 거래회전율보다 높은지에 대한 통계적 검정은 우도비 검정(likelihood test)을 통해 이루어진다. 이때 통계량을 계산하기 위하여, 거래회전율의 분자에 해당하는 거래량은 포아송 분포(poission distribution)를 따른다고 가정한다. 프레임 내외부의 사건 발생 확률이 동일하다는 귀무가설인 H₀ : λ₁ = λ₂를 기각하고 대립가설인 H_A : λ₁ > λ₂를 채택하기 위해서는 다음의 로그 우도비 l이 0보다 유의하게⁹⁾ 커서 기각 역(critical region)에 포함되어야 한다(식 1).

여기서 분모의 L₀는 프레임 내외부의 거래회전율이 같다는 귀무가설이 참이라고 가정할 때 해당 데이터 분포가 실현될 확률이며, L(λ₁,λ₂)는 프레임 내부의 거래회전율이 λ₁, 프레임 외부의 거래회전율이 λ₂로 서로 다르다고 가정할 때 해당 데이터 분포가 실현될 확률이다. 만약 해당 로그 우도비가 0보다 유의하게 크다면, 프레임 내외부의 거래회전율이 다를 확률이 프레임 내외부의 거래회전율이 같을 확률보다 유의미하게 크다는 것을 뜻한다.

이와 같은 스캔 통계량 분석을 통해, 주요 부동산 정책 시행 이후에도 상대적으로 거래회전율이 높은 핫스팟 지역을 식별할 수 있다.

주요 부동산 정책 시행 후 3개월 동안 거래회전율이 특히 높았던 핫스팟 지역이 어떠한 거래 특성을 갖는지 살펴보기 위해 로지스틱 회귀분석을 시행하였다. 로지스틱 회귀분석에서는 법정동 아파트 거래회전율 자체가 아닌, 주요 부동산 정책 시행 이후 3개월 동안 해당 법정동 i가 거래회전율 핫스팟에 해당했는지 여부(H_i)가 관심변수가 된다. 그리고 이 확률에 영향을 미칠 것으로 기대되는 법정동 거래특성 변수들이 설명변수가 된다. 즉, 로지스틱 회귀에서 법정동 거래특성 변수들의 선형 조합으로 설명하고자 하는 것은 해당 법정동이 거래회전율 핫스팟에 해당할 확률이다.

특정한 법정동 i가 거래회전율 핫스팟에 해당할 확률을 p_i라고 하고, 이 확률에 영향을 줄 것으로 기대되는 설명변수들을 x₁,x₂,x₃…,x_n이라고 할 때, 로지스틱 회귀 모형에서는 다음 (식 2)와 같다. 이때 p_i의 로짓 변환(logit transformation)은 설명변수의 선형 조합으로 설명된다고 가정한다.¹⁰⁾

(식 2)의 모형에서 설명변수 x_k가 확률 p_i에 양의 영향을 미친다면, 해당 설명변수의 계수인 β_k는 양수가 된다. 각 계수 β는 최대우도추정법(maximum likelihood estimation)을 통해 도출된다. 즉, β₀,β₁,β₂…β_n은 아래 (식 3)의 우도(likelihood) L*을 극대화하는 값이다.

(식 3)에서 N은 총 법정동의 개수이다. 특정한 법정동 i가 거래회전율 핫스팟에 해당하면 h_i는 1이 되고, 해당하지 않으면 h_i는 0이 된다. p̂_i는 (식2)의 회귀식에서 계산된 적합값(fitted value)이다. 즉, P(H_i = h_i |x₁,x₂,…,x_n)은 (식 2)의 추정값이 타당하다는 가정 하에, 특정한 법정동 i의 거래회전율 핫스팟 여부가 실제 데이터에서 관측된 것과 일치할 확률을 말한다.

국토교통부의 실거래가 자료와 네이버 부동산 아파트 단지 정보 크롤링을 기반으로 구축된 거래회전율 원자료는 공간적 범위를 서울 344개 법정동으로, 시간적 범위는 2017년 5월부터 2022년 2월까지로 한다. 이들 344개 법정동의 거래회전율을 종합하여 산출한 서울 전체의 거래회전율¹¹⁾은 문재인 정부 동안 느리지만 시간이 지날수록 감소하는 추이를 보인다. 특히, 본 연구에서 정책 평가의 대상으로 삼고 있는 2017년 ‘8·2대책’, 2018년 ‘8·27대책’, 2019년 ‘12·16대책’ 시기에 급격한 거래회전율 감소가 동반되었음을 알 수 있다(<그림 3> 참조).

그림 3. 서울 전체 거래회전율 추이

Download Original Figure

거래회전율 자료를 법정동 단위별로 살펴보면(<그림 4> 참조), 대부분의 법정동별 월별 거래회전율은 1% 미만을 유지한 것으로 보인다. 대다수의 법정동은 유사한 거래회전율 분포를 보이나, 일부 법정동에서는 급격한 일시적 상승이 관찰된다. 이들 법정동은 도심 지역에 있는 과소면적 법정동이거나 아파트 세대 수가 많지 않은 법정동이어서 거래회전율이 거래량 변화에 민감하게 반응하고 있는 것으로 추정된다.

그림 4. 서울 법정동별 거래회전율 추이

Download Original Figure

로지스틱 회귀에서 설명변수로 활용할 법정동별 거래 특성 변수의 기초통계량은 <표 4>와 같다. 거래 특성 변수에는 해당 법정동 내에서 고가주택 거래가 차지하는 비중, 특정 면적 카테고리가 차지하는 비중, 특정 연식 카테고리가 차지하는 비중이 있다.

법정동 내 9억 원 이상 고가주택 거래 비중을 나타낸 highprice의 평균은 2017년 0.132였다가, 2018년에 0.248, 2019년에 0.308로 꾸준히 증가했다. 면적별 거래비중 변수를 보면, 59m² 이하의 소형평수 거래 비중을 나타내는 sq_type_0의 평균은 2017년 0.311에서 2018년 0.348, 2019년 0.359로 증가했다. 나머지 면적 타입은 크게 변화가 없거나 소폭 감소하였다. 연식별 거래비중 변수를 살펴보면 큰 변화는 관찰되지 않으나, 연식 10년 미만 신축 거래 비중인 old_type_0이 2017년에서 2018년으로 넘어가면서 소폭 줄고, 연식 10년 이상 30년 미만의 구축 거래 비중인 old_type_1이 2017년에서 2019년까지 약간 증가한 것을 볼 수 있다.

2017년 8·2 대책 전후로는 핫스팟에 포함된 세대 수가 370,739세대에서 543,474세대로 늘어났다. 이를 통해, 2017년 8·2 대책에서는 거래 집중 지역의 범위가 오히려 확대되었음을 알 수 있다. 지역별 국지적 정책이 큰 영향을 미치지 않고 인기 지역으로 차별화 현상이 더욱 강화된 것을 예상케 하는 결과이다. 한편, 핫스팟의 3개월 기준 평균 거래회전율은 정책 시행 이전 2.35%에서 정책 시행 이후 1.75%로 감소했지만, 그 폭은 미미했다.

<그림 5>는 각각 2017년 8·2 대책 시행 전후의 핫스팟 분포이다. 이를 보면, 핫스팟들은 정책 시행 전후로 유사한 지역에 분포하고 있지만, 그 집중도에 차이가 있다. 2017년 8·2 대책 시행 이전, 거래가 집중된 핫스팟은 노원구를 위시한 서울 동북부를 제외하고는 서울 전역에 산재해 있다. 하지만, 정책 시행 이후에는 핫스팟들이 뚜렷한 지역적 집중을 보인다. 정책 시행 이후 군집된 핫스팟이 형성된 지역은 성북구 일대, 송파/강동구 일대, 영등포구/동작구 일대이다. 이들 핫스팟 지역은 8·2 대책에서 신규로 지정된 규제지역이거나 그 규제지역에 인접한 지역들이다.

그림 5. 2017년 8·2 대책 시행 이전 핫스팟 분포(좌), 8·2 대책 시행 이후 핫스팟 분포(우)

Download Original Figure

분석 결과를 참고할 때, 정책 시행 이전에 비해 시행 이후에 핫스팟이 더욱 확장되었음을 알 수 있다. 특히, 정책 시행 이전에 용산구와 동작구 일부만 포함하던 핫스팟이 정책 시행 이후에는 영등포구와 양천구 일부까지 확장된 것을 확인할 수 있다. 또한, 송파구의 3개 법정동만 포함하던 핫스팟이 정책 시행 이후에는 송파구 대부분과 강동구, 강남구 일대까지 확장된 것을 관찰할 수 있다. 확장된 클러스터의 로그 우도 비 또한 증가해, 거래 집중 정도도 심화되었음을 알 수 있다.

2017년 전후의 핫스팟 분석 결과를 요약하면 다음과 같다. 핫스팟 분포 지역의 위치는 크게 변화하지 않았으나, 정책 시행 이후 핫스팟이 더욱 군집된 형태를 보인다. 더불어, 정책 시행 이전 작은 규모로 산재해 있었던 핫스팟들이 정책 시행 이후에 인접 지역으로 확장되며 크기를 키우는 현상도 관찰된다. 이는 규제지역의 설정이 이들 지역의 거래회전율 핫스팟 여부에 미치는 영향이 미미했거나 오히려 핫스팟 형성을 촉진하는 역할을 했음을 암시한다. 이를 통해, 2017년 8·2 정책의 규제지역 설정은 시장에 별다른 안정화 영향을 미치지 못했다는 기존의 비판이 타당했으며, 오히려 시장의 선호 지역의 거래를 더욱 활성화시키는 결과를 불러왔다는 점을 알 수 있다.

2018년 8·27 대책 및 9·13 대책 전후로는 핫스팟에 포함된 세대 수가 585,006세대에서 495,130세대로 감소하였다. 이를 통해, 해당 시기의 지역별 국지적 정책은 특정 지역으로의 차별화를 완화했음을 알 수 있다. 핫스팟의 3개월 기준 평균 거래회전율도 2.26%에서 0.66%로 대폭 감소하였다.

<그림 6>은 2018년 8·27 대책, 9·13 대책 전후의 핫스팟 분포를 비교한 것이다. 정책 시행 전후로 핫스팟의 위치는 크게 차이가 없으나, 정책 시행 전에 비해 정책 시행 후에 핫스팟 범위가 작아진 것을 관찰할 수 있다. 2018년 정책 시행 전후의 핫스팟 분석 결과는 정책 시행 후로 핫스팟이 축소되거나 핫스팟으로의 거래 집중 정도가 약화되었음을 보이며, 이와 같은 결과는 당시 선호 지역에 대한 지역별 국지적 규제가 긍정적 영향이 있었음을 암시한다.

그림 6. 2018년 8·27 대책, 9·13 대책 시행 이전 핫스팟 분포(좌), 8·27 대책, 9·13 대책 시행 이후 핫스팟 분포(우)

Download Original Figure

다만, 정책 시행 이후 동대문구, 종로구와 중랑구 일대에 새로운 핫스팟 클러스터가 형성된 것을 볼 수 있는데, 동대문구, 종로구의 경우에는 2018년 8·27 대책에서 투기지역으로 신규 지정된 지역이다. 동대문구와 종로구의 경우, 투기지역으로 새로 지정되었음에도 불구하고 다른 지역에 비해 거래가 빈번하게 이루어진 현상이 관찰된 것이다. 이를 볼 때, 기존에 투기지역으로 지정된 곳과 신규로 투기지역으로 지정된 곳 사이에는 정책의 영향이 차이가 있음을 예상할 수 있다.

2019년 12·16 대책 전후로는 2018년의 정책과 마찬가지로 핫스팟에 포함된 세대 수는 476,398세대에서 302,140세대로 감소하였다. 다만, 3개월 기준 평균 거래회전율은 2.3%에서 1.72%로 소폭 감소하는 수준에 그쳤다.

<그림 7>은 2019년 12·16 대책 전후 거래회전율 핫스팟 변화를 나타낸 것이다. 이를 참고하면, 서울 동북부의 핫스팟은 더욱 결집한 형태로 확대된 반면, 서울 동남권의 핫스팟은 소멸하거나 작은 형태로 축소된 것을 알 수 있다. 이들 지역은 모두 투기지역으로 설정되었음에도 불구하고 정책에 대한 영향이 다르게 나타난 것이다. 이는 12·16 대책이 시장 선호 지역 및 규제지역에 미치는 영향이 소지역별로 이질적이었음을 암시한다.

그림 7. 2019년 12·16 대책 시행 이전 핫스팟 분포(좌), 12·16 대책 시행 이후 핫스팟 분포(우)

Download Original Figure

2017년 8·2대책 시행 이후 거래회전율 핫스팟 여부를 종속변수로 하고, 투기지역 지정 여부, 법정동별 거래 특성 변수, 그리고 규제지역 여부와 거래 특성 변수를 곱한 상호작용항을 설명변수로 한 로지스틱 회귀 결과는 <표 5>와 같다.

분석 결과, 강한 규제를 적용받는 투기지역임을 나타내는 설명변수인 policy17의 계수가 일관되게 양(+)으로 나타나, 정책 시행 이후 투기지역이 오히려 거래회전율 핫스팟에 해당할 확률이 더 높은 것으로 보인다. 이는 이론적 검토 부분에서 지적하였듯, 규제로 인한 시장 선호 지역에 대한 차별화 현상, 그리고 규제지역의 설정으로 인한 선호 지역 표면화 현상이 반영된 결과라 볼 수 있다. 즉, 2017년 8·2 대책에서의 지역별 국지적 규제는 오히려 규제지역의 거래회전율이 상승하는 결과를 불러온 것으로 추론할 수 있다.

투기지역 설정이 법정동별 거래 특성에 따라 어떻게 다르게 영향을 미쳤는지를 관찰하기 위하여, 각각 속성변수¹²⁾와 투기지역 설정 더미변수를 곱한 상호작용항의 계수을 살펴보았다. 투기지역 내에서도 법정동마다 거래되는 아파트의 특성이 다르기 때문에, 투기지역 지정의 효과가 각기 다르게 나타날 수 있음을 감안했다. 그 결과, 투기지역 설정 변수에 30년 이상 재건축 대상 아파트 거래 비중 변수(old_type_2)를 곱한 상호작용항의 계수가 양(+)으로 나타났다. 이는 2017년 8·2대책 이후 투기지역, 그중에서도 투기지역 내의 재건축 대상 아파트가 많은 법정동을 중심으로 거래 차별화 현상이 나타났음을 의미한다. 이를 통해 8·2대책의 지역별 국지적 정책 시기, 시장 참여자들은 규제지역 내의 재건축 아파트를 특히 유망한 투자처로 여기고 있었음을 예상할 수 있다.

유사한 방법으로, 2018년 8·27 대책 이후 거래회전율 핫스팟 해당 여부를 종속변수로 하여 로지스틱 회귀를 시행하였다. 전술한 부분과 동일하게 부동산 거래 특성 변수, 2017년 투기지역 더미변수와 이들의 상호작용항 변수를 포함했다. 이에 더해, 2017년에는 투기지역이 아니었지만 2018년에 투기지역으로 신규 지정된 지역을 따로 분류하여 더미변수로 설정했으며(policy18), 2018년 신규 투기지역 더미변수와 거래 특성 변수를 곱한 상호작용항을 로지스틱 회귀에 포함하였다.

2017년부터 투기지역으로 기지정된 지역을 나타내는 policy17 변수가 일관되게 음(‒)의 계수를 가지고 있어, 기존 투기지역 지정 지역이 핫스팟이 될 확률이 낮았음을 알 수 있다. 지역별 국지적 규제가 유의미한 영향을 미쳐 기존 투기지역 지정 지역의 거래가 줄어들었고, 나아가 인기 지역에 거래가 몰리는 차별화 현상이 정책 영향으로 인해 일정 정도 상쇄되었음을 보여준다. 다만, 신규 투기지역 지정 지역을 의미하는 policy18 변수는 유의하지 않았다. 이는 투기지역 지정 지역 내에서도 정책의 영향이 다르게 나타났음을 나타낸다.

한편, 2017년 투기지역 더미 변수와 법정동별 거래 특성의 상호작용항을 살펴보면, 소형 평수 거래 비중(sq_type_0), 중형 평수 거래 비중(sq_ type_2), 대형 평수 거래 비중(sq_type_4)과의 상호작용항에서 양(+)의 계수가 관찰된다. 이를 통해 policy17의 음(‒)의 효과를 감안하더라도, 투기지역 내 법정동 중 소형 평수, 중형 평수, 대형 평수가 많은 법정동에서는 거래회전율 핫스팟에 해당할 확률이 더 커졌음을 알 수 있다. 즉, 59m² 이하의 소형 면적, 84~102m²의 중형 면적, 135m² 초과의 대형 면적이 많이 거래되는 지역에서는 투기지역으로 설정되었음에도 불구하고 차별화 효과가 나타났음을 확인할 수 있다.

다음으로, 거래 특성 변수와 2018년 신규 투기지역 더미 변수 상호작용항을 살펴보았다. 분석 결과, 대형 평수 거래 비중(sq_type_4)과의 상호작용항에서 양(+)의 계수를 보였다. 이는 신규 투기지역 중에 대형 평수 거래 비중이 높은 법정동에 대해 정책이 거래 차별화 현상을 야기했음을 뜻한다.

한편, 2017년 8·2 대책과는 다르게, 2018년 대책에서는 9억 원 이상의 고가주택에 대해 금융 규제가 신설되었다. 그러나, 고가주택 거래 비중 변수는 어느 방향으로든 유의하지 않은 것으로 나타났다.

2019년 12·16 대책 이후 거래회전율 핫스팟 여부를 종속변수로 하고 투기지역 지정 여부, 거래 특성 변수, 상호작용항을 설명변수로 하여 로지스틱 회귀를 시행하였다. 2019년에 투기지역으로 새로이 지정된 지역은 없었으므로, 별도의 신규 지정 더미변수 없이 앞선 투기지역 더미변수만으로 로지스틱 회귀를 시행하였다.

투기지역 더미변수인 policy17, policy18 변수는 모두 유의하지 않게 나타났다. 이는 2019년의 대책에서 특정 지역의 거래를 안정화하고자 하는 정책이 거래회전율 핫스팟 분포에 유의미한 영향을 야기하지 못했음을 의미한다.

한편, 2017년 지정된 투기지역(policy17)과 중형 평수 거래 비중(sq_type_2)과, 2018년 신규 투기지역(policy18)과 중대형 평수 거래 비중(sq_type_3)의 상호작용항은 양(+)의 계수를 보였다. 반면, 2017년부터 기지정된 투기지역(policy17)과 신축 아파트 거래 비중 변수의 상호작용항(old_type_2)은 음(‒)의 계수를 보였다. 이는 투기지역 지정 지역 중에서도 법정동 내 아파트의 특성에 따라 정책의 영향이 다르게 나타났음을 암시한다.

고가주택 거래 비중인 highprice의 계수는 음(‒)의 값을 가진다. 이는 고가주택이 많은 비중을 차지하는 법정동이 거래회전율 핫스팟에 해당할 확률이 상대적으로 낮음을 의미한다. 다만, 투기지역 더미변수와 고가주택 거래 비중(highprice)을 곱한 상호작용항은 모두 유의하지 않게 나타났다. 당시 투기지역을 중심으로 더욱 강도 높은 규제안이 적용했으나,¹³⁾ 투기지역 내에 고가주택 비중이 높은 법정동에 대해서는 추가적인 정책적 영향이 없었음을 시사한다.

본 연구는 국지적 규제 정책이 시장 거래를 감소시켰는지 혹은 오히려 증가시켰는지 분석하기 위해 로지스틱 회귀를 도입했다. 분석 결과를 간략히 정리하면 다음과 같다.

먼저, 지역별 국지적 정책의 영향은 시기별로 차이를 보였다. 2017년 8·2 대책은 일부 선도지역의 아파트 시장의 거래를 안정시키지 못했으며, 오히려 투기지역 설정 이후로 해당 지역의 시장이 더욱 차별화되어 거래회전율 핫스팟에 포함되는 양상을 보였다. 또한, 투기지역으로 지정된 법정동과 함께 재개발 및 재건축 주택이 많은 법정동에 대해 거래회전율을 오히려 늘리는 결과를 초래했다. 반면, 2018년 8·27 대책의 투기지역 규제는 어느 정도의 유의미한 영향을 미쳤다. 다만, 투기지역에 적용된 정책들은 투기지역으로 이미 지정되었던 지역의 차별화 현상을 완화하는 데는 유효했던 반면, 투기지역 신규 지정 지역에 대해서는 두드러지는 영향을 보이지 못했다. 또한, 2019년 12·16 대책 이후에는 정책 자체보다 지역 특성에 따라 결과가 좌우되는 양상을 보였다.

다음으로, 고가주택을 대상으로 한 국지적 규제의 영향은 다음과 같다. 고가주택에 대한 대출 규제 정책이 적용되기 시작한 시점인 2018년에는 고가주택이 많이 분포하는 법정동의 거래회전율에 미치는 영향이 유효하지 않았던 반면, 2019년부터는 고가주택이 많은 지역의 거래회전율에 대해 일정 정도 유의미한 영향을 미쳤다. 다만, 투기지역 내에서 고가주택이 많은 지역에 대해서는 국지적 규제가 별도의 추가적인 영향을 미치지 못했다.

이와 같이 국지적 규제 정책의 영향은 정책 시행 시기에 따라, 정책 내용에 따라, 법정동별 속성에 따라 변화했다. 특히, 2017년 8·2 대책과 같이, 정부가 오로지 수요 억제를 위한 규제 정책에 초점을 맞추었던 시기에는 정책의 부작용이 더욱 크게 발생할 여지를 보였다(권민제, 2018). 또한, 정책이 시장의 전반에 대한 안정화 효과가 있었던 경우에도, ‘똘똘한 한 채'로 지목되는 주택이 많이 분포할 것으로 예상되는 인기지역 내의 고가주택 집중 거래 지역에 대해서는 정책의 중첩효과를 보지 못했다.