아파트 매매가격 지수와 아파트 재고 수의 상관관계 분석: 파이썬으로 데이터 시각화하기

부동산 시장에서 아파트 재고 수와 아파트 매매가격 지수는 시장 상황을 이해하는 핵심 지표입니다. 두 지표 간의 관계를 분석하면 수요와 공급의 상호작용뿐만 아니라 경제적 요인도 파악할 수 있습니다.

이번 포스트에서는 파이썬을 활용하여 2000년부터 2023년까지의 아파트 재고와 매매가격 지수 데이터를 시각화하고, 두 변수 간의 상관관계를 분석하는 방법을 소개합니다. 분석과 그래프를 통해 부동산 시장의 주요 트렌드와 인사이트를 확인할 수 있습니다.

1. 데이터 개요 및 정의

아파트 재고 수

• 한 가구가 살 수 있도록 지어진 아파트의 수를 나타냅니다.
• 요건: 영구건물, 한 개 이상의 방과 부엌, 독립된 출입구, 관습상 소유 또는 매매 단위 등의 조건을 갖춘 아파트.
• 출처: 통계청,「주택총조사」

아파트 매매가격 지수

• 기준 시점(2021년 6월)의 주택매매가격을 100으로 설정한 가격 지수입니다.
• 해석
  • 지수가 100보다 높으면 기준 시점 대비 가격 상승.
  • 지수가 100보다 낮으면 기준 시점 대비 가격 하락.
• 출처: 한국감정원,「전국주택가격동향조사」

2. 데이터 테이블

아파트 재고 수 (2000-2022)

아파트 매매가격 지수 (2014-2023)

3. 시각화 및 분석

아파트 재고 수 추세 분석 (2000-2022)

• 2000년 약 5.48M에서 2022년 약 12.27M으로 약 두 배 증가.
• 특히 2010년 이후 재고 증가 속도가 빨라졌습니다.

아파트 매매가격 지수 추세 분석 (2014-2023)

• 2014년 80.9에서 2022년 최고점(106)에 도달 후, 2023년에는 지수 92.7로 하락했습니다.
• 금리 인상과 경기 둔화로 인한 하락 가능성이 높습니다.

4. 상관관계 분석

상관관계 산점도

• 상관계수 0.82로 아파트 재고와 매매가격 지수 간 강한 양의 상관관계를 보여줍니다.
• p-value는 0.0136으로 통계적으로 유의미하며, 두 변수 간의 관계가 우연이 아님을 시사합니다.

상관행렬 히트맵

• 히트맵에서 두 변수 간의 상관계수(0.82)가 명확히 나타납니다.

5. 전체 파이썬 코드

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np
from scipy import stats

# Data creation
apartment_stock = pd.DataFrame({
    'year': [2000, 2005, 2010, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022],
    'stock': [5479828, 6962689, 8576013, 9806062, 10029644, 10375363, 10826044, 11287048, 11661851, 11948544, 12268973]
})

price_index = pd.DataFrame({
    'year': [2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022, 2023],
    'index': [80.9, 84.2, 86.1, 87.1, 87.8, 86.2, 88.9, 100.0, 106.0, 92.7]
})

# Create figure with subplots
plt.figure(figsize=(12, 12))

# 1. Apartment Stock Trend
plt.subplot(2, 1, 1)
plt.plot(apartment_stock['year'], apartment_stock['stock'], marker='o', linewidth=2, color='#3498db')
plt.title('Apartment Stock Trend (2000-2022)', pad=15, fontsize=14)
plt.xlabel('Year', fontsize=12)
plt.ylabel('Number of Units', fontsize=12)
plt.gca().yaxis.set_major_formatter(plt.FuncFormatter(lambda x, p: format(int(x/1000000), ',') + 'M'))
plt.grid(True, linestyle='--', alpha=0.7)
plt.xticks(rotation=45)

# Add value labels
for x, y in zip(apartment_stock['year'], apartment_stock['stock']):
    plt.annotate(f'{y:,.0f}', 
                (x, y),
                textcoords="offset points", 
                xytext=(0,10), 
                ha='center',
                fontsize=8)

# 2. Price Index Trend
plt.subplot(2, 1, 2)
plt.plot(price_index['year'], price_index['index'], marker='o', color='#e74c3c', linewidth=2)
plt.title('Apartment Price Index Trend (2014-2023)', pad=15, fontsize=14)
plt.xlabel('Year', fontsize=12)
plt.ylabel('Price Index (2021.6=100)', fontsize=12)
plt.grid(True, linestyle='--', alpha=0.7)
plt.xticks(rotation=45)

# Add value labels
for x, y in zip(price_index['year'], price_index['index']):
    plt.annotate(f'{y:.1f}', 
                (x, y),
                textcoords="offset points", 
                xytext=(0,10), 
                ha='center',
                fontsize=8)

plt.tight_layout()
plt.show()

# Correlation Analysis
# Merge datasets for overlapping years
merged_data = pd.merge(apartment_stock, price_index, on='year', how='inner')
merged_data.columns = ['Year', 'Stock', 'Price_Index']

# Create correlation visualization
plt.figure(figsize=(15, 5))

# 1. Scatter plot with regression line
plt.subplot(1, 2, 1)
sns.regplot(x='Stock', y='Price_Index', data=merged_data, color='#2ecc71')
plt.title('Stock vs Price Index Correlation', pad=15, fontsize=14)
plt.xlabel('Number of Units', fontsize=12)
plt.ylabel('Price Index', fontsize=12)
plt.gca().xaxis.set_major_formatter(plt.FuncFormatter(lambda x, p: format(int(x/1000000), ',') + 'M'))

# Calculate correlation coefficient and p-value
correlation_coefficient, p_value = stats.pearsonr(merged_data['Stock'], merged_data['Price_Index'])

# Add correlation information to plot
plt.text(0.05, 0.95, f'Correlation: {correlation_coefficient:.2f}\np-value: {p_value:.4f}',
         transform=plt.gca().transAxes,
         fontsize=10,
         verticalalignment='top')

# 2. Heatmap of correlation matrix
plt.subplot(1, 2, 2)
correlation_matrix = merged_data[['Stock', 'Price_Index']].corr()
sns.heatmap(correlation_matrix, 
            annot=True, 
            cmap='coolwarm', 
            vmin=-1, 
            vmax=1, 
            center=0,
            fmt='.2f',
            square=True)
plt.title('Correlation Matrix Heatmap', pad=15, fontsize=14)

plt.tight_layout()
plt.show()

6. 코드 상세 해설

1. 데이터 생성

apartment_stock = pd.DataFrame({...})
price_index = pd.DataFrame({...})

• apartment_stock: 2000년부터 2022년까지의 아파트 재고 데이터를 생성.
• price_index: 2014년부터 2023년까지의 매매가격 지수 데이터를 생성.

2. 시각화

아파트 재고 추세

plt.subplot(2, 1, 1)
plt.plot(apartment_stock['year'], apartment_stock['stock'], ...)

• plt.plot: 재고 데이터를 선 그래프로 표시.
• annotate: 각 데이터 포인트에 값 라벨 추가.

매매가격 지수 추세

plt.subplot(2, 1, 2)
plt.plot(price_index['year'], price_index['index'], ...)

• plt.plot: 매매가격 지수 데이터를 선 그래프로 표시.

3. 상관관계 분석

산점도

sns.regplot(x='Stock', y='Price_Index', data=merged_data, color='#2ecc71')

• sns.regplot: 재고와 가격 간의 산점도를 그리고 회귀선을 추가.
• 상관계수와 p-value를 텍스트로 그래프에 추가하여 상관관계의 유의성을 강조.

상관행렬 히트맵

sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm', ...)

• sns.heatmap: 상관계수를 히트맵으로 시각화.

7. 인사이트 및 결론

추세 요약

• 아파트 재고와 매매가격 지수는 꾸준히 상승 추세를 보이다가 최근 하락.
• 재고 증가는 매매가격 지수 상승과 연관되어 있으며, 이는 부동산 시장의 주요 특징을 반영.

정책적 시사점

1. 재고 공급 관리: 지속적인 공급 확대는 매매가격 안정화에 기여할 가능성이 큼.
2. 금리 변화 대응: 금리 인상과 같은 외부 요인은 시장에 큰 영향을 미칠 수 있어 정책적 조율 필요.

파이썬 데이터 시각화를 활용한 이번 분석은 부동산 시장의 동향을 이해하고, 더 나은 정책 설계를 위한 기초 자료로 활용될 수 있습니다. 데이터를 기반으로 한 의사결정을 통해 부동산 시장의 안정성을 도모해야 합니다.

참고로, 에러바 그래프라고 들어보셨나요? 에러바 그래프와 에러바의 의미: 파이썬으로 데이터 신뢰도 시각화하기 포스트를 통해서 관련 내용을 확인해 보시고, 관련 지식을 업그레이드 해보세요!