본 연구는 불안정한 주택임대차시장에서 홀로 살아가는 1인 임차가구의 주거 현황을 파악하고, 주거비 과부담 경험의 가능성이 높은 1인 임차가구의 특성을 제시하는 분류규칙을 도출하고자 하였다. 특히, 1인가구를 하나의 동질적인 분석집단으로 여기지 않고, 생애주기 단계에 따라 청년기(20~39세), 중․장년기(40~64세), 노년기(65세이상)로 구분하여 각 연령대별 주거비 과부담 결정요인을 분석하였다는 점에서 선행연구들과의 차별점을 가진다. 이에 본 연구에서는 2020년 주거실태조사 를 활용하여 생애주기별 1인 임차가구의 월소득 대비 주거비비율인RIR(Rent to Income Ratio)을 산출하고, 머신러닝의 분류기법인 의사결정나무 분석을 적용해 해당 지표의 기준치 30% 초과 여부에 따라 1인 임차가구의 주거비 과부담 가능성이 높은 집단을 분류하였다. 이때, 주거비 과부담을 경험한 가구주의 비율이 경험하지 않은 비율에 비해 과도하게 높은 불균형 데이터 문제가 있었고, 이를 해결하기 위해 과대표집, 과소표집, 양쪽표집, ROSE 기법을 적용하여 분류모형의 성능을 개선하였다. 분석결과, 전 연령대에서 월평균 총 경상소득이 하(1-4분위) 수준인 경우 모두 주거비 과부담 집단으로 분류되어전체 1인 임차가구 중에서도 특히 저소득층 가구주의 주거비 부담 완화를 위한 정책적 개입의 정당성을 확인하였다. 생애주기 주거비 과부담 결정요인을 면밀히 살펴본 결과는 다음과 같다. 먼저, 청년기는 월평균 총 경상소득, 거주지역, 주택유형이 도출되었고, 특히, 중(5-8분위)의 소득수준을 보이며, 수도권 오피스텔에 거주하는 집단 중67%가 주거비 과부담을 경험하는 것으로 나타났다. 중․장년기는 월평균 총 경상소득, 주거면적, 거주지역, 주거환경만족도, 주택유형이 도출되었고, 높은 확률로 중(5-8분위), 상(9-10분위)의 소득수준을 보유한 상태이거나, 36m^2 이상 57m^2미만 주거면적의 수도권 주택에 거주하며 주거환경에 대해 만족할 때 60%가 주거비 과부담을 경험하는것으로 나타났다. 노년기는 월평균 총 경상소득, 주거면적, 거주기간, 연령, 주택점유형태가 도출되었다. 하(1-4분위)의 소득수준을 가지고, 주거면적이 29m^2이상 40m^2미만인 주택에서 3.5년 이상의 거주기간을 보냈으며, 75세이상의 초고령자이고, 월세 형태의 임차가구주인 경우 중 26%가 주거비 과부담을 경험하는 것으로 확인되었다. 이상의 연구결과를 통해 1인 임차가구의 주거안전성을 높일 수 있는 생애주기 단계에 따른 주거복지정책 마련을 위한기초자료로써 함의를 제공할 수 있을 것으로 기대된다.

This study sought to identify the housing status of single-person rental households living alone in the unstable housing rental market and to derive classification rules that present the characteristics of single-person rental households with high possibility of overburden housing costs. In particular, single-person households are not regarded as a homogeneous analysis group, but are different from previous studies in that they analyzed the determinants of housing cost and burden for each age group by dividing them into adolescence(20-39years old), middle age(40-64years old) and old age(65years old or older). Accordingly, in this study, the RIR(Rent to Income Ratio), which is the ratio of housing costs to monthly income of single-person rental households by life cycle, was calculated using the 2020 Korea Housing Survey . The decision tree analysis, a classification technique of machine learning, was applied to classify groups with a high possibility of overburden of housing costs for single-person rental households depending on whether the standard value of the index exceeded 30%. At this time, there was an unbalanced data problem in which the proportion of household owners who experienced housing costs and burdens was excessively high compared to the proportion who did not experience them. To solve this problem, the performance of the classification model was improved by applying over-sampling, under-sampling, both-sampling, and ROSE techniques. As a result of the analysis, all cases where the average monthly recurring income is low in all age groups were classified as overburdened groups, confirming the legitimacy of policy intervention to lower the housing cost burden of low-income single-person rental households. By life-cycle, in adolescence, average monthly recurring income, residential district, and housing type were derived. In middle age, average monthly recurring income, residential area, residential district, residential environment satisfaction, and housing type were derived. In old age, average monthly recurring income, residential area, residence period, age, and housing occupancy type were derived. Through the above research results, it is expected to provide implications as basic data for preparing housing welfare policies for each life cycle that can increase the housing safety of single-person rental households.