Ⅰ. 서론
부동산 시장(real estate market)은 국가 경제의 핵심 부문 중 하나로 거주지뿐만 아니라 투자 수단으로도 중요한 역할을 한다. 실제로 2008년 4월 7일부터 2019년 12월 30일까지 코스피지수의 상승률은 24.5%를 기록하였으며, 동일한 기간의 아파트 매매가격지수의 상승률은 30.7%로 높게 나타났다. 부동산불패라는 단어는 한국의 부동산에 대한 투자자들의 인식을 나타내는 매우 중요한 용어 중 하나이다. 더욱이 한국의 부동산 시장은 과거에 1997년 외환위기(14.3% 하락)와 2008년 미국발금융위기(5.5%) 등과 같은 경제적 위기를 겪었음에도 불구하고 일시적으로 하락한 이후 일반적으로 다시 상승하여 이러한 인식을 더욱 강화시켰다. 부동산불패는 한국 사회에서 부동산이 비교적 안정적이고 수익성이 높은 투자 수단으로 여겨지는 사회적 통념을 보여준다.
부동산 가격은 수요와 공급에 의해 영향을 받는 동시에 정부의 정책에 의해서도 중요한 영향을 받는다. 부동산 시장에 대한 정부의 정책은 부동산 시장의 상황, 주택 가격 변동률, 투기, 주택 공급 부족, 저소득층의 주거 문제 등 다양한 쟁점에 대응하여 수립된다. 이에 정부는 재정정책, 토지이용규제, 세재정책, 주택시장 규제, 그리고 금융시스템 조절 등을 통해 부동산 시장 안정화를 위한 다양한 정책을 시행한다. 하지만 정부의 부동산 정책 시행의 강도가 적절하지 않을 시, 오히려 자산가격이 펀더멘털과의 괴리 혹은 불균형이 심화되어 시장이 불안정해지는 부작용을 초래할 수 있다. 그 예로 이미 과거 2007년 서브프라임 모기지사태와 같은 금융위기로 확대된 역사적 사실이 존재하기 때문에 부동산에 대한 정부의 정책은 신중하게 접근할 필요가 있다.
현재 정부는 투기 방지 및 주택시장 안정화를 위해 부동산 규제지역을 지정하여 고시하고 관리하는데, 조정대상지역, 투기과열지구, 투기지역으로 구분하고 있다. 이러한 구분은 주택시장의 과열된 정도가 기준이 되며, 지역의 선정은 공통적으로 물가상승률 대비 주택가격상승률의 정도를 통해 판단한 후 세부선택요건에 부합하는 지역을 검토하여 최종 국토부장관의 협의를 거쳐 지정한다. 부동산 규제지역의 지정은 크게 금융(대출), 세제, 전매제한에 영향을 미치게 되고, 이것은 시장가격 변화를 초래할 수 있다. 따라서 정부는 부동산 시장 활성화를 위해 투기과열지구나 조정대상지역을 해제하거나 규제를 완화할 수 있으며 반대로 부동산 시장이 지나치게 과열되거나 투기수요가 강해질 때는 시장 안정화를 위해 규제지역 지정 및 규제 강화할 수 있다.
최근 코로나바이러스감염증(coronavirus disease-19, COVID-19, 이하 코로나-19)의 발생은 경제 전반에 큰 영향을 미쳤지만, 부동산 시장에 지대한 영향을 미친 중대한 사건으로 볼 수 있다. 정부는 코로나-19의 확산방지와 경기침체 우려의 해소를 위한 구제정책의 수단으로, 저금리 정책과 시중 유동성 확대 정책을 시행하였으나 부동산가격은 크게 상승하였다. 코로나-19 발생 이후 2020년 아파트매매가격이 9% 이상 상승하였으며, 2021년에는 18% 이상 상승하여 2년 연속 큰 폭의 상승세를 보였다. 이러한 상황은 <그림 1>을 통해 볼 수 있는데, <그림 1(a)>는 한국과 미국의 기준금리 추이 및 전국 주택매매가격지수를 나타내고, <그림 1(b)>는 권역별(수도권/비수도권) 주택매매가격지수를 나타낸다. 코로나-19 발생 이후 2020년 1월 30일 미국 연방준비은행은 기준금리 1.75%에서 1.25%로 인하였으며, 2020년 3월 팬데믹(범세계적 유행)으로 격상한 2020년 3월 16일 기준금리를 한번에 0.25%까지 인하시키면서 코로나-19에 대한 우려감이 금융시장을 공포로 몰아넣었다. 미국의 연방준비은행은 2022년 3월 16일까지 0.25%로 기준금리를 고정하였다. 그리고 2020년 3월 23일 미국은 무제한적인 양적완화(quantitative easing)1)를 발표하면서 시장을 진정시키려고 노력하였다.
<그림 1(b)>를 살펴보면, 전국주택매매가격지수는 2020년부터 2022년 6월까지 지속적으로 상승하는 것을 관찰할 수 있다. 저금리와 더불어 양적완화로 인한 유동성 공급은 자연스럽게 금융시장과 자산시장(주식, 채권, 부동산 시장 등)으로 흘러 들어가 시장의 상승압력이 강해지기 시작하였다. 권역별로 수도권의 주택매매가격지수 상승률이 비수도권의 주택매매가격지수 상승률보다 약 2배 크게 나타났다. 특히, 2020년 세종이 43% 상승을 기록하였으며, 2021년에는 인천(32%)과 경기(27%)가 최고 상승을 기록하였다(정대성·박종해, 2022). 식을 줄 모르는 부동산 시장의 상승을 잡기 위해서 정부는 규제 위주 부동산정책을 연이어 제시하였다. 2020년 6월 17일 부동산대책(조정대상지역 및 투기과열지구 확대, 대출규제강화, 재건축 규제, 법인 투자에 대한 규제강화, 공급대책, 임대차 3법), 2020년 11월 19일 부동산대책(주거안정지원, 부산 일부지역, 대구 수성구 등 조정대상지역 지정 확대), 2020년 12월 18일 조정대상지역 추가 지정/해제 및 투기과열지구 추가 지정, 2021년 8월 30일 조정대상지역을 추가 지정하였다. 그러나 가계자산 중 가장 큰 부분을 차지하는 것이 부동산인 우리나라의 특성 상 투자수단으로의 활용도 상당히 크기 때문에 시장의 강한 상승세에 힘입어 규제지역을 제외한 다른 지역으로 가수요가 몰리는 부작용이 발생하였다(전형철·형남원, 2018).
<표 1>은 정권별로 부동산 규제정책 지정 및 해제 현황을 정리한 것이다. 해당 표에서 보이는 것과 같이 부동산 시장에 대한 규제정책은 정권별로 정책 방향과 우선순위, 부동산 시장 등에 따라서 차이를 보인다. 노무현정부(2003년 2월 25일~2008년 2월 24일)는 정권 초기 투기과열지구를 6건 지정한 후 2007년 7월 이후 투기과열지구를 해제하였다. 이명박정부(2008년 2월 25일~2013년 2월 24일)는 투기과열지구 2건 해제를 하였으며, 문재인정부(2017년 5월 10일~2022년 5월 9일)는 투기과열지구 5건 지정, 조정대상지역 8건 지정, 투기과열지구 1건 및 조정대상지역 3건 해제한 것으로 조사되었다. 윤석열정부(2022년 5월 10일~현재)는 조사 기간 내에서 투기과열지구 4건 해제한 것으로 나타난다. 한편, 부동산 규제정책이 강화된 문재인정부는 제19대 대통령 당선 이후 부동산가격 상승으로부터 실수요자를 보호하고 주택시장을 안정화하기 위해 여러 정책을 시행하였다.
| 정권 | 합계 | 규제정책명 | |||
|---|---|---|---|---|---|
| 투기과열지구 | 조정대상지역 | ||||
| 지정 | 해제 | 지정 | 해제 | ||
| 노무현 | 10 | 6 | 4 | - | - |
| 이명박 | 2 | - | 2 | - | - |
| 박근혜 | - | - | - | - | - |
| 문재인 | 17 | 5 | 1 | 8 | 3 |
| 윤석열 | 4 | - | 4 | - | 4 |
주: 표는 국토교통부 홈페이지(http://www.molit.go.kr)에서 각 집권한 정권별로 해당기간의 부동산 정책에 대한 고시를 발췌하여 저자가 정리한 것이다. 검증기간에 해당하는 집권한 정부는 노무현 정부(2003년 2월 25일~2008년 2월 24일), 이명박정부(2008년 2월 25일~2013년 2월 24일), 박근혜정부(2013년 2월 25일~2017년 3월 10일), 문재인정부(2017년 5월 10일~2022년 5월 9일), 윤석열정부(2022년 5월 10일~현재)이다.
정부는 고가주택에 대한 재산세를 강화하여 투기를 억제하고 시장을 안정화에 힘썼고, 투기와 가격 상승을 억제하기 위한 주택시장 규제 강화, 서민주거 안정을 위한 다양한 형태의 주택공급 확대, 그리고 주택담보대출 규제를 통한 대출 수요를 제한 등의 정책을 시행하며 부동산 시장 안정화를 도모하였다. 하지만 이러한 적극적 규제에도 불구하고 주택가격의 상승세는 꾸준히 증가하였다. 부동산 규제정책과 관련된 선행연구를 살펴보면, 대체로 특정지역을 대상으로 연구가 진행이 되어왔고, 최근 단기간에 전국적으로 다양한 지역에 동시다발적으로 시행된 규제정책이 부동산 시장에 어떠한 영향을 미쳤는지에 대한 연구는 찾아보기 어려웠으며 명확한 결과를 제시하지 못하는 실정이다.
따라서 본 연구는 부동산 시장의 정보전이효과를 전국 단위의 규제정책을 시행한 영향을 살펴보기 위해 Diebold & Yilmaz(2012, 2015)의 변동성전이지수를 이용하여 시(행정구역) 단위로 분석하고자 한다. 특히, 앞서 설명한 바와 같이 최근 단기간에 전국적으로 다양한 지역에 동시다발적으로 시행된 규제정책이 지역 간의 전이효과에 어떤 영향을 미쳤는지 살펴보고자 한다. 또한 규제정책이 시행된 전후의 기간을 나눠 분석함으로써 부동산 규제정책에 따른 정보전이효과를 비교 분석함으로써 지역간 정보전이효과의 메커니즘을 살펴보고자 한다.
본 연구의 구성은 다음과 같다. 제1장 서론에서 연구 배경과 연구 목적을 제시하였다. 그리고 제Ⅱ장에서는 부동산 시장에 대한 선행연구를 검토한다. 제Ⅲ장에서는 연구 방법을 제시하고, 연구에 사용된 자료의 기초통계량을 살펴본다. 제Ⅳ장에서는 전이효과에 대한 실증결과를 제시하며, 마지막 장에서는 결과를 요약하고 연구 한계와 향후 연구과제에 대해서 논의한다.
Ⅱ. 선행연구
전형철·형남원(2018)은 서울 강남, 강북 및 6대 광역시 권역의 아파트 매매가격과 전세가격을 사용하여 확산효과를 분석한 결과 서울 강남효과를 검증하였다. 시기별로 1997년 외환위기 이후부터 2008년 글로벌 금융위기 기간의 전이효과가 높게 나타났으며 이러한 확산효과의 상당 부분이 서울 강남지역에 의해서 발생하는 것으로 나타났다. 반면 서울 강북과 6대 광역시에 미치는 강남효과는 글로벌 금융위기 이후 감소하는 것으로 나타났다. 이러한 현상은 정부가 서울 강남 3구를 제외한 규제완화와 주택 공급 확대 등과 같은 부동산 정책 효과라고 주장하였다.
신종협(2018)은 서울(강남, 강북), 수도권(서울, 인천, 경기), 5대 광역시, 기타 지역의 아파트 매매가격과 전세가격의 연관성을 분석하기 위해서 다변량 VAR-GARCH 모형을 사용하여 분석한 결과, 수도권의 아파트 수요가 다른 5대 광역시와 기타 지역에 부정적인 영향을 미치는 것으로 나타났으며 단방향 효과만 관찰되었다. 그리고 수도권 내에서 서울은 인천과 경기도와 음(-)의 상호관계를 가지고, 강북과 강남 간에는 대체적인 관계를 보였다. 그는 아파트 간의 지역 간 파급효과는 관찰되었으나 일관성 있는 패턴을 제시하지 못하였지만, 주택정책에 대한 지역 특성을 반영해서 시행되어야 한다고 주장하였다.
방두완 외(2019)는 FAVAR(factor-augmented vector autoregressive) 모형을 이용한 아파트 경기지수를 구성하고 구성된 경기지수의 지역별 전이효과를 변동성전이지수로 분석한 결과, 전국 아파트 경기지수가 경기동행 순환변동을 선행하는 것으로 나타났다. 그리고 정부의 부동산 정책 효과가 지역적으로 다르게 나타나기 때문에 부동산 정책을 시행할 때 이러한 특성을 반영하여 정책을 수립하여야 한다고 주장하였다.
임병인·윤재형(2020)은 시간가변형 동학적 요인분석모형을 사용하여 전국 21개 지역의 아파트 가격변화율의 요인을 전국 공통요인, 권역 요인, 개별 지역요인으로 분해하여 분석한 결과, 지역별 아파트 가격은 권역 요인이 가장 중요한 요인으로 제시되었으며, 권역 중 서울권이 가장 큰 영향력을 행사하는 것으로 나타났다. 그리고 그들은 부동산 규제지역이 권역별로 이루어지는 것이 더 유효하다고 주장하였다.
김리영(2021)은 그랜저 인과분석과 VAR 모형을 사용하여 세종시 출범 이후 서울, 경기, 세종, 대전, 충남, 충북 주택가격변동의 인과관계와 지역별 가격 변동성을 분석한 결과, 세종시 출범 이후 충청권은 서울과 다른 권역적 특성을 가지는 것으로 나타났다. 충천권은 대전의 영향이 세종보다 크게 나타났으며, 유사한 성격을 가지는 인접지역의 특성이 더 강하게 작용하게 나타났다. 그리고 서울의 주택 문제 해결을 위해서 수도권과 충청권/비수도권에는 지역적 특색을 반영한 규제정책이 필요하다고 주장하였다.
김상배·이승아(2021)는 BenSaïda(2019)의 비대칭 변동성전이지수를 사용하여 아파트 매매가격 전이효과를 분석한 결과, 주택가격 하락기가 상승기보다 더 강한 전이효과가 존재함을 밝혔다. 그리고 상승기에 서울과 인천의 아파트가격이 대구, 대전, 광주로부터 영향을 받는 것으로 나타났으며, 하락기에는 시기별로 상이한 결과를 보였다. 해당 논문은 직접적으로 부동산 규제정책에 대한 대도시 간의 전이효과를 살펴보지는 않았지만 6대 대도시(서울, 부산, 대구, 인천, 광주, 대전)의 아파트 매매가격지수를 분석한 결과로 그 의미를 가진다.
김진수(2021)는 GARCH-BEKK 모형을 사용하여 서울 5개 권역과 지방 6대 광역시의 전이효과를 분석한 결과, 주택시장 간의 전이효과가 51.82%로 나타났다. 권역간 전이효과는 서울권의 5개 지역 간에는 양방향 전이관계를 가지는 것으로 나타났으며 서울과 광역시는 단방향으로 부동산 시장의 구조가 존재함을 밝혔다. 그리고 대구, 서울의 서남권, 동북권, 도시권은 중심성과 근접성이 높게 나타났다. 그들은 부동산 정책에 대해서 규제의 영역을 이분화하여 전국적인 정책과 지역적인 정책을 수립하는 것이 바람직하다고 주장하였다.
정대성·박종해(2022)는 17개 지역별 아파트가격의 전이효과를 분석한 결과, 부동산 시장의 수익률 전이가 다른 금융상품의 수익률 전이보다 큰 89.6%를 가지는 것으로 정보전이가 높은 시장임을 밝혔다. 아파트 매매시장에서는 서울, 인천, 부산, 세종, 대전, 충북 지역이 다른 지역(강원, 전남, 경북, 충남, 전북, 대구, 경남, 제주, 울산, 광주)을 주도하는 역할을 하는 것으로 나타났다. 그리고 그들은 서울을 포함한 수도권과 부산지역이 전국 부동산 시장에 미치는 영향이 크기 때문에 이러한 지역을 규제하는 정책은 다른 지역의 큰 영향을 미칠 수 있다고 주장하였다(풍선효과).
정준호(2022)는 수도권 시군구 70개의 아파트 매매가격 전이효과를 분석한 결과, 2008년 4월부터 2021년 8월의 기간에 강남효과를 확인하였으며, 아파트매매시장에서 수익률 전이효과가 높게 나타났다. 그리고 아파트 가격이 급등한 시기에 수도권 남부지역에서 물결효과가 발생하는 것으로 나타났다. 그리고 이러한 효과가 발생하는 이유에 대해서 강남권의 대체지역이면서 규제가 완화된 지역으로 기반시설이 정비됨에 따라서 발생하였다고 주장하였다. 또한, 투기 과열지정과 핀셋 방식의 규제는 공간적 규제로 국지적 부동산 정책은 한계를 가질 수밖에 없다고 주장하였다.
주택가격의 상승은 해당 지역뿐만 아니라 주변 지역에도 영향을 미치는데, 이러한 효과를 고려하여 주택 및 지역개발 정책을 수립하는 것이 중요하다. 김찬우 외(2022)의 연구 결과에 따르면, 주택가격의 변동은 국지적인 요인이 지역 경계를 넘어 주변 지역으로 전이되는 현상을 관찰하였다. 특히, 주택가격이 상승할 때 해당 지역에서 주변 지역으로의 전이효과가 뚜렷하게 나타났으며, 외부효과가 주택가격에 상당한 비중을 차지한다고 주장하였다.
이처럼 기존의 선행연구들은 다양한 측면에서 주택시장의 전이효과에 대한 연구를 수행해왔다(<표 2>). 하지만 규제 정책으로 하여금 발생할 수 있는 전이효과에 관한 연구는 미미한 수준이며, 특히 각 투기과열지구 및 조정대상지역과 같은 특정 지역에 한한 규제를 기간별로 세분화하여 전국 시 단위의 전이현상을 총괄적으로 살펴본 연구는 아직 진행된 바가 없다. 이에 본 연구의 차별점은 다음과 같다. 첫째, 최근 시행된 규제를 중심으로 전후의 기간을 나눠 규제정책을 통해 변화되는 지역 간 전이 메커니즘을 살펴봄으로써 규제 시행의 정책효과를 살펴본다. 둘째, 수도권과 비수도권의 시 단위로 확장하여 전국의 전이효과를 총괄적으로 분석함으로써 그간 대도시 중심으로 이뤄졌던 분석의 한계를 메우고자 한다.
| 논문명 | 사용한 모형 | 주요변수 | 분석지역 |
|---|---|---|---|
| 신종협(2018) | 다변량 VAR-GARCH 모형 | 아파트 매매 및 전세 가격지수 | 서울(강남, 강북), 수도권(서울, 인천, 경기), 5대 광역시, 기타 |
| 전형철·형남원(2018) | 그랜저 인과관계 검정, VAR 모형으로 확산효과지수 | 아파트 매매 및 전세 가격지수 | 서울 강남, 강북 및 6대 광역시 권역 |
| 방두완 외(2019) | 변동성전이지수 | 아파트 실거래가격지수 | 8개 지역(서울, 인천, 경기, 대전, 대구, 광주, 울산, 부산) |
| 임병인·윤재형(2020) | 시간가변형 동학요인모형(time-varying dynamic factor model) | 아파트 매매가격지수 | 전국 21개 지역 |
| 김리영(2021) | 그랜저 인과분석, 공적분 검정 | 아파트 매매가격지수 | 서울, 경기, 세종, 대전, 충남, 충북 |
| 김상배·이승아(2021) | BenSaïda(2019)의 비대칭 변동성전이지수 | 아파트 매매가격지수 | 6대 대도시(서울, 부산, 대구, 인천, 광주, 대전) |
| 김진수(2021) | GARCH-BEKK 모형 | 아파트 매매가격지수 | 6대 대도시 및 5개 권역 |
| 정준호(2022) | VAR-LASSO 모형 | 아파트 매매가격지수 | 수도권 70시 군구 |
| 정대성·박종해(2022) | 변동성전이지수 | 아파트 매매가격지수 | 17개 지역 |
| 김찬우 외(2022) | 동태조건부상관관계-GARCH (DCC-GARCH) 모형, 시변계수 VAR(TVP-VAR) | 아파트 매매가 및 전세가격 | 강남, 강북, 수도권, 광역시 |
Ⅲ. 연구방법 및 연구자료
본 연구는 금융시장의 연계성을 분석하기 위해서 Diebold & Yilmaz(2012)의 변동성전이지수를 사용하였다. 일반화된 예측오차 분산분해행렬을 표준화하여 유입전이효과(spillover to others, 이하 TO others), 유출전이효과(spillover from others, 이하 FROM others) 및 총변동성전이지수(total volatility spillover index, TSI)를 측정한다. 그리고 , 순전이효과(net spillover effect, NET)는 유입전이효과와 유출전이효과의 차이로 측정한다. 변동성전이지수를 측정하기 위해서 먼저 약안정성을 가지는 Xt시계열를 고려하며, p차 시차를 가지는 VAR모형은 다음과 같다.
본 연구에서 Xt는 권역별(수도권/비수도권)로 속한 시별 매매가격지수의 수익률의 벡터로 변수의 개수(N)로 구성된다. 예를 들어 수도권은 28×1 벡터로 구성되며, 비수도권은 29×1 벡터로 구성된다. 그리고 Φ는 N×N 계수값 행렬을 의미하며, ∈t는 잔차를 의미한다. s기간 예측을 위한 예측오차분산분해(forecast error variance decomposition)는 다음과 같이 정의할 수 있다.
여기서 는 s기간 예측을 위한 예측오차분산분해(forecast error variance decomposition)를 나타내며, 는 1이 되며, 는 N이 된다. 본 연구에서 수도권은 변수의 수가 28개, 비수도권의 29개가 된다. 총변동성전이지수(TSI)는 표준화된 예측오차분산의 비대각요소의 합계를 변수의 수(N)로 나누어 측정한다.
총전이효과는 예측오차분산의 대각을 제외한 유출전이효과의 합을 변수의 수로 나누어 계산하게 되며 총전이지수의 값이 큰 값을 가질수록 전이효과가 강한 것을 볼 수 있다. 그리고 반대로 총전이지수가 작은 값을 가지면 전이효과가 약한 것으로 판단할 수 있다.
여기서 유출전이효과(TO others)는 관심 변수 i의 충격(shock)이 다른 변수(j)에게 주는 영향을 의미하며 <식 4>와 같이 측정할 수 있다.
유입전이효과(FROM others)는 다른 변수(j)로부터 관심 변수(i)에 미치는 효과를 <식 5>와 같이 측정할 수 있다.
유출전이효과와 유입전이효과는 각각 자신의 효과를 제외하여 측정되며 양수이다. 그리고 순전이효과(NET)는 유출전이효과(TO others)와 유입전이효과(FROM others)의 차이로 <식 6>과 같이 측정할 수 있다.
순전이효과는 부호와 수치가 모두 의미를 가진다. 순전이효과가 양(+)의 값을 가지게 되면 유출전이효과(TO others)가 유입전이효과(FROM others)보다 크다는 것을 의미하며, 반면 순전이효과가 음(-)의 값을 가지게 되면 유입전이효과(FROM others)가 유출전이효과(TO others)보다 크다는 것을 의미한다. 즉, 순전이효과가 양수를 가진다는 것은 정보전이 발신자의 역할을 한다는 것을 의미하며 순전이값이 클수록 시장에서 주도적인 역할을 담당한다고 해석할 수 있다. 반면, 순전이효과가 음수를 가진다는 것은 정보전이 수신자의 역할을 한다는 것을 의미하며 순전이값이 낮을수록 다른 시장에 의존적이다 볼 수 있다.
쌍별 순전이효과(net pairwise spillover effect)는 i변수가 j변수에 미치는 정보효과와 j변수가 i변수에 미치는 정보효과의 차이로 <식 7>과 같이 측정할 수 있다.
여기서 쌍별 순전이효과는 두 변수간의 1대1 효과를 비교하는 것으로 쌍별 순전이효과가 (+)의 값을 가지면 i변수가 j변수를 주도한다고 볼 수 있다. 반면 쌍별 순전이효과가 (-)의 값을 가지면 역으로 j변수가 i변수를 주도한다고 볼 수 있다.
본 연구기간은 2004년 3월부터 2023년 5월까지 19년 2개월(230개월)이다. 연구에 사용된 월별 아파트매매가격지수(Pt)는 KB부동산데이터허브(https://data.kbland.kr)에서 추출하였다. 대상 도시는 수도권과 비수도권으로 구분하였으며, 수도권역의 도시는 28개와 비수도권역의 도시는 29개를 대상으로 하여 권역별로 아파트 매매가격지수의 수익률 전이효과를 분석하였다.2) 또한, 부동산 규제 지정 및 해제에 따른 효과를 살펴보기 위해서 부동산 규제 정책기간(2017년 8월부터 2022년 6월)을 기준으로 전과 후로 나눠 3개의 하부기간으로 구분한 분석 결과도 제시하였다. 본 연구에서는 월별가격지수를 로그수익률(=ln(Pt/Pt-1)×100)로 전환하여 사용하였다. 그리고 단위근 검정(ADF test) 결과 모든 시계열은 안정적으로 나타났다.3)
Ⅳ. 실증분석결과
<표 3>과 <표 4>는 아파트 매매가격지수 수익률의 기초통계량을 수도권과 비수도권으로 각각 나타내고 있다. 월별 주택매매 가격지수자료는 로그 수익률(%)로 전환하여 제시하였다. 먼저 <표 3>의 수도권 기초통계량을 살펴보면, 평균값은 0.103(%)에서 0.381(%)를 보이며 의왕, 군포, 안양 등의 순으로 높고, 양주, 동두천, 화성 순으로 낮은 것으로 나타났다. 수익률의 표준편차는 과천, 군포, 파주 등의 순으로 높게 나타났다. 가장 낮은 수익률을 보인 시는 광명시로 측정되었으며, 가장 높은 상승률을 보인 도시는 파주로 나타났다. 모든 수익률은 양(+)의 왜도를 보이고 있으며 첨도는 모두 3보다 큰 급첨도를 가지는 것으로 측정되었다. 다음으로 <표 4>의 비수도권 기초통계량을 살펴보면, 비수도권의 아파트 수익률 평균값은 0.22%로 수도권 아파트 수익률 평균값(0.26%)보다 낮게 나타난다. 비수도권에서 가장 높은 상승률을 보인 도시는 목포(7.92%)로 나타났으며, 가장 높은 하락률을 보인 도시는 계룡(-3.00%)이다. 비수도권 아파트의 변동성은 수도권보다 낮게 나타났으며, 왜도는 대구를 제외한 도시는 양(+)의 값을 보인다.
수도권(28개시)에 대한 전이효과의 분석결과는 <표 5>에 제시하였으며, 수도권의 순전이효과(NET)는 <표 6>에 제시하였다. 그리고 비수도권(29개시)에 대한 전이효과의 분석결과는 <표 7>에 제시하였으며, 비수도권의 순전이효과(NET)는 <표 8>에 제시하였다. 먼저, 수도권 전이효과 분석결과를 <표 5>에서 살펴본다. 수도권의 총변동성전이지수는 91.59%(=2,564.65/28)로 나타났다. 이러한 결과는 다른 금융자산(주식, 채권, 외환시장)에서 측정되는 수익률 총전이효과보다 강한 것으로 나타났다. 유출전이효과(TO others)는 의왕, 수원, 고양 등의 순으로 강하고, 이천, 안성, 동두천 순으로 약한 것으로 측정되었다. 의왕의 유출효과가 154.87로 가장 높게 나타났으며, 이천의 유출효과가 6.47로 가장 낮게 측정되었다. 다음으로 유입전이효과(FROM others)는 광주, 안산, 의정부 등의 순으로 강하고, 인천, 안성, 이천, 안성, 인천 순으로 약한 것으로 나타났다. 광주의 유입전이효과는 94.80로 측정되었으며 이천의 유입전이효과가 가장 낮은 83.72로 나타났다. 측정된 유출전이효과의 변동(34.85)이 유입전이효과의 변동(2.56)보다 크게 나타난다.
주: 이 표는 순전이효과(NET)를 측정한 결과로 <표 5>의 마지막행인 유출전이효과(TO others)와 마지막 열인 유입전이효과(FROM others)를 사용한다. 순전이효과(NET)는 유출전이효과에서 유입 전이효과를 차감하여 계산한다.
주: 이 표는 순전이효과(NET)를 측정한 결과로 <표 7>의 마지막행인 유출전이효과(TO others)와 마지막 열인 유입전이효과(FROM others)를 사용한다. 순전이효과(NET)는 유출전이효과에서 유입 전이효과를 차감하여 계산한다.
<표 6>은 수도권의 순전이효과(유출-유입)를 나타내는데, 그 효과 강한 순으로 정리하여 나열하였다. 순전이효과는 지역간 전이현상에 대한 수신과 발신자의 역할을 구분할 수 있는데, 순전이효과의 부호가 양(+)일 때, 전이효과의 발신자 역할을 하고, 음(-)일 때 수신자 역할을 하는 것으로 해석할 수 있다. 28개의 수도권 시 중 15개가 양(+)의 순전이효과를 보이고 있으며 13개가 음(-)의 순전이효과를 보이고 있다. 양(+)의 순전이효과는 의왕이 가장 큰 양(+)의 순전이효과를 보이고, 그 다음으로 수원, 고양 등의 순으로 큰 값을 가지는 것으로 측정되었다. 음(-)의 순전이효과는 성남, 김포, 시흥 등의 순으로 큰 값을 가지는 것으로 측정되었으며, 인천이 절대값이 가장 큰 음(-)의 순전이효과를 보이고 있다.
다음으로, <표 7>의 비수도권 전이효과 분석 결과를 살펴보면, 비수도권의 총변동성전이효과는 75.55%(=2,190.83/29)로 수도권보다 낮게 나타났다. 유출전이효과(TO others)는 부산, 대구, 김해 등의 순으로 강하고, 거제, 강릉, 광양 순으로 약한 것으로 측정되었다.
부산의 유출효과가 218.22로 가장 높게 나타났으며, 거제의 유출효과가 23.95로 가장 낮게 측정되었다. 유입전이효과는 구미, 광주, 창원 등으로 강하고, 공주, 대구, 순천 등의 순으로 약한 것으로 나타났다. 유출전이효과의 변동(34.85)이 유입전이효과의 변동(2.56)보다 크게 나타난다. 그리고 비수도권 29개 도시 시 중 11개 도시가 양(+)의 순전이효과를 보이고 있으며, 17개 도시가 음(-)의 순전이효과를 보이고 있다
여기서부터는 부동산 규제 정책이 아파트 매매가격 수익률의 전이효과를 분석하기 위해서 3개의 하부기간의 구분하여 분석한 순전이효과의 결과를 제시한다.
수도권의 기간별 순전이효과를 <표 9>에서 살펴보면, 수도권 규제 전 기간에는 13개 도시(광명, 용인, 의왕, 서울, 성남, 파주, 고양, 수원, 안양, 남양주, 구리, 인천, 부천)가 양(+)의 순전이효과를 나타내고, 15개 도시(과천, 안산, 동두천, 화성, 양주, 군포, 하남, 김포, 의정부, 오산, 안성, 광주, 평택, 시흥, 이천)가 음(-)의 순전이효과를 나타낸다. 한편, 수도권 규제 기간과 규제 해제기간에는 12개 도시가 양(+)의 순전이효과를 나타내며, 16개 도시가 음(-)의 순전이효과를 나타낸다.
규제의 전과 후를 비교하여 살펴보면, 규제 전에 양(+)의 순전이현상을 보이던 지역들이 규제가 시행된 이후 대체로 순전이효과가 줄어들거나 오히려 음(-)의 순전이현상이 발생하며 수신자에서 발신자로 역할이 전환되는 결과를 발견하였다. 그 예로, 광명은 규제 전에는 가장 높은 순전이효과(55.31)로 발신자의 역할을 하였으나, 규제가 시행되던 기간에 3.82로 급격히 순전이효과가 떨어졌으며, 규제 해제기간에는 –31.98로 수신자의 역할로 전환되는 것을 확인하였다. 이는 조정대상지역과 투기과열지구로 지정됨으로써 전매제한이나 대출 제한 등에 의해 지역적으로는 가격을 안정시키는 효과가 발생하고 해당 지역이 다른 지역에 미치는 영향을 줄어드는 효과를 발생시키는 결과로 해석할 수 있다. 그 반대의 예로는, 김포와 안산은 오히려 규제 전에는 수신자였으나, 규제 이후 발신자 역할로 전환되었다.
비수도권의 기간별 순전이효과를 <표 10>에서 살펴보면, 대체로 음(-)의 순전이효과를 보이고 양(+)의 순전이효과는 대체로 규모가 큰 도시에 집중된 것을 확인할 수 있다. 또한 규제 이후 양(+)의 순전이효과를 가지는 지역의 수가 소폭 늘어나는 것을 발견하였다. 수도권의 순전이효과의 패턴과 유사하게 규제 이후 순전이효과의 부호가 바뀌며 지역 내 전이효과의 역할이 전환되는 것을 발견하였다. 계룡, 전주, 양산, 광주는 규제 전에 발신자였으나, 이후 수신자로 전환되었고, 반대로 울산, 진주, 청주, 경산, 창원, 포항, 춘천은 규제 전에 수신자였으나 규제 기간에 발신자로 전환되었다. 특히, 규제 전에 대표적인 발신자였던 대전, 대구, 부산이 규제 기간에 양(+)의 순전이효과의 정도가 하락하 였으나 규제가 해제된 이후 다시 상승하는 패턴이 관찰되었다.
이상의 결과로 알 수 있는 부동산 규제정책의 효과는 부동산 가격 상승을 주도하는 지역이 순전이효과가 대체로 양(+)의 값을 가지는데 해당 지역의 상승 모멘텀의 안정화를 위한 정부의 조정대성지역과 투기과열지구의 지정이 실제로 타지역으로의 정보전이효과를 낮춰 순전이효과가 하락하는 결과를 낳았다. 결국 정부의 규제 지역 지정의 정책은 지정된 지역의 순전이효과를 통제하는 데 영향을 미친 것으로 해석할 수 있다. 그러나 오히려 이러한 규제는 수신자 역할을 하던 시장의 영향력이 줄어드는 대신 주변의 다른 지역으로 그 역할이 대체되는 결과가 발생하는 것을 알 수 있었다. 다만, 권역에 상관없이 규제 전 기간에 주도적인 역할을 한 지역은 이후에도 대체로 발신자 역할을 하며 일부 규제 해제 시점에 따라 그 회복의 차이는 존재하는 것으로 나타났다.
<그림 2>는 순전이효과를 표본이동평균 분석한 결과를 나타낸다. <그림 2(a)>는 수도권지역의 순전이효과를 나타내며, <그림 2(b)>는 비수도권지역의 순전이효과를 나타낸다. 먼저, <그림 2(a)> 의 수도권 결과를 살펴보면, 부동산 투기과열지구 및 조정대상지역을 지정했던 규제기간(음영)에 일부 상승구간이 있으나 전반적으로 전이지수가 약해지는 경향을 보이고 있다. 그리고 코로나-19로 인한 유동성 공급 및 저금리 정책으로 인해 전이지수가 상승하는 것으로 나타난다. 이러한 결과는 코로나-19 발생에 따른 총전이지수가 증가한다는 정대성·박종해(2022)과 정대성(2022)의 연구결과와 일치한다. 반면 <그림 2(b)>의 비수도권에 대한 결과는 수도권에 비해 전반적으로 전이지수가 낮게 측정된다. 부동산 투기과열지구 및 조정대상지역을 지정했던 규제기간(음영)에 수도권과 달리 점차 상승하는 추세를 보인다. 또한 코로나-19 발생은 비수도권에 전이지수를 상승시키는 것으로 나타났다.
<그림 3>은 전이효과의 네트워크구조분석 결과를 나타낸다. <그림 3(a)>는 수도권, <그림 3(b)>는 비수도권을 나타내고, 각 규제기간별로 나눈 결과이다. 전체적으로 규제전과 규제기간의 정보전이효과는 큰 차이가 없고, 규제가 해제된 후에 전이효과가 강해지는 것을 확인할 수 있었으며 이는 수도권과 비수도권에 차이는 없었다.
우선, <그림 3(a)>인 수도권지역을 살펴보면, 규제 전에는 수도권 중에서 서울과 용인 등이 전이효과의 주도적인 역할을 하고 있었으나 규제강도가 강해지며 규제기간에는 수원, 고양, 의왕, 남양주 등 서울 인근의 경기도권 지역이 순전달자 역할을 하는 것으로 나타났다.
<그림 3(b)>인 비수도권지역을 살펴보면, 규제 전에는 대구, 부산, 등과 같은 광역시급 지역이 전이효과의 주도적인 역할을 하고 있었으나 이들의 규제강도가 강해지며 규제기간에는 그 인근의 울산, 진주, 포항, 창원 등 주로 영남지역이 순전달자 역할을 하는 것으로 나타났다.
전체적인 결과를 살펴보면, 최근 시행한 부동산 투기과열지구 및 조정대상지역을 지정했던 규제정책은 주택시장의 전체적인 전이현상을 오히려 증폭시키는 증거를 발견하지는 못하였으나, 규제가 시행된 후 규제 전의 정보전이효과를 주도했던 시장의 영향력이 줄어들고 주변의 다른 지역으로 그 역할이 대체되는 결과를 발견하였다. 또한, 규제가 해제되며 규제기간동안 주도적인 역할로 대체되었던 지역들을 중심으로 강한 정보전이효과가 발생하며 주택시장의 하락세가 강해진 것으로 판단된다.
Ⅴ. 요약 및 결론
본 연구는 Diebold & Yilmaz(2012)의 변동성전이지수를 사용하여 부동산 규제정책이 아파트 가격 수익률의 전이효과에 미치는 영향을 분석하였다. 연구기간은 2017년 5월부터 2022년 5월 사용하였으며, 대상 도시는 수도권과 비수도권으로 구분하였으며, 수도권역의 도시는 28개와 비수 도권역의 도시는 29개를 사용하였다. 부동산 규제 지정 및 해제에 따른 효과를 살펴보기 위해서 부동산 규제 정책기간(2017년 8월부터 2022년 6월)을 기준으로 3개의 하부기간으로 구분하여 분석한 결과도 제시하였다. 첫 번째 하부기간은 부동산 규제 전 기간으로 2010년 2월부터 2017년 7월까지를 나타낸다. 두 번째 하부기간은 부동산 규제기간으로 2017년 8월부터 2022년 6월까지이다. 세 번째 하부기간은 규제 해제기간으로 2022년 7월부터 2023년 5월까지이다.
주요 연구결과는 다음과 같다. 첫째, 부동산 가격 수익률의 정보전이효과는 존재하며, 수도권의 총변동성전이효과(91.59%)가 비수도권의 총변동성전이효과(75.55%)보다 높게 나타났다. 둘째, 부동산 규제에 따른 전이효과는 지역별로 다르게 나타났다. 규제 전 기간 가격 상승률이 높은 지역은 규제시행에 의해서 정보전이효과가 낮아지고, 반면 규제가 없던 일부 지역이 정보전이효과가 증가하는 현상이 관찰되었다. 셋째, 권역에 관계없이 규제 전 기간 주도적인 역할을 한 도시는 규제기간과 규제 해제기간에도 부동산 시장에서 정보 발신자의 역할을 하는 것으로 나타났으며, 일부 도시에 한해서 특히 규제해제가 느리게 된 도시에 한해서 회복을 하지 못하는 것으로 나타났다.
이상의 결과는 최근 시행한 부동산 투기과열지구 및 조정대상지역을 지정했던 규제정책은 주택시장의 전체적인 전이현상을 오히려 증폭시키는 증거를 발견하지는 못하였으나, 규제가 시행된 후 규제 전의 정보전이효과를 주도했던 시장의 영향력이 줄어들고 주변의 다른 지역으로 그 역할이 대체되는 결과를 발견하였다. 또한, 규제가 해제되며 규제기간동안 주도적인 역할로 대체되었던 지역들을 중심으로 강한 정보전이효과가 발생하며 주택시장의 하락세가 강해진 것으로 판단된다.
