오피스 임대료의 결정요인을 규명하고 가치추정의 시도는 꾸준히 진행되어왔다. 그동안 건물의 물리적 특성과 입지적 특성의 유의성을 밝혀왔으나, 도시경관 형성과 사회경제적 가치와 연관이 있는 건물외관 디자인의 심미성에 대한 분석은 전무하였다. 이에 본 연구에서는 그동안 시간과 비용의 한계로 측정하기 어려웠던 건물의 심미성을 건물 이미지를 활용한 컴퓨터비전과 머신러닝 기술을 통하여 측정하고 임대료 추정을 시도하였다. 서울시 오피스 각 건물의 사진을 바탕으로 디자인 수준에 대해 전문가 평가를 실시하고, 컴퓨터비전으로 추출한 이미지 특성값 벡터를 머신러닝하여 본 연구의 전체표본의 심미성을 측정하였다. 월 순점유비용을 임대료 개념으로 측정하여 건물 및 입지특성 변수들과 추정된 심미성 변수, 이미지 특성값 벡터로 실증분석하였다. 회귀분석 결과, 건물 이미지의 심미성 변수는 임대료에 유의한 영향을 미치며, 심미성 한 단위가 증가할 때마다 임대료가 평당 15,406원 증가하는 것으로 추정되었다. 심미성 변수는 모형 적합도를 증가시키는 것으로 나타났으나, 이미지 특성값 벡터를 포함했을 때 모형 적합도의 변화는 미비하였다. 반면에, XGBoost 머신러닝 방법으로 추정하였을 때, 이미지 특성값 벡터는 변수간 중요도가 높은 것으로 나타났다. 또한, XGBoost의 모형 적합도는 회귀분석보다 월등히 높은 것으로 나타났다. 본 연구의 결과로 향후 부동산 가치추정과 관련하여 변수설정 문제를 보완하고 추정모형을 정교화 하는데 기여할 수 있을 것이다.

While many studies have examined the determinants of rent price of office building, very little studies have explored the price impacts of the aesthetics of office buildings. This study used computer vision and machine learning technologies to assess the architectural aesthetics and estimated the rent price of office buildings in Seoul. Based on the building images crawled from Google image, experts in architecture fields evaluated each office building. Using the computer vision, we extracted feature vectors from images and conducted the machine learning to predict aesthetics from building images we collected. Controlling for structural and locational variables, we conducted both OLS and XGBoost estimates of the rent price measured as the monthly net occupancy cost. In the OLS, the results showed the significant effect of aesthetics on the rent price, but the image feature vector was not shown to increase the model fit. In the XGBoost, however, the image feature vector showed high importance among variables for the model fit. This study contributes to better specifying the price model via reducing the possibility of unobserved variable bias and using new techniques.