어반닥터 (urbandoctor) 도시연구소

지난 12월 28일 시공능력평가 기준 16위 건설사인 태영건설이 고금리 후유증으로 인한 부동산 경기 부진, 비용 부담으로 워크아웃 (기업개선작업)을 신청했다. 

이에 정책당국은 금융시장 및 건설업 전반으로의 전이 방어를 위해 적극적으로 대응책을 신속히 발표했다.
금융위 보도자료에 따르면, 2023년 9월말 기준 태영건설 관련 PF사업장은 총 60개 이며, 브릿지론 18개, 본PF 42개라고 한다. 브릿지론과 본PF 중 비주택사업장에 대해선 PF 대주단 협약을 통해 태영건설의 시공 지속/시공사 교체/재구조화/사업장 매각 등을 추진할 예정이다. 본PF 중 분양이 완료된 주택사업장 (22개)에 대해선 HUG 분양보증을 통해 분양계약자를 보호할 계획이다.

또한, 회사채와 CPP, 건설사 보증 PF-ABCP에 대한 차환 지원프로그램을 확대 시행하고, P-CBO 프로그램 규모 확대 등 금융시장 안정을 위한 조치를 마련했다. 예상치 못한 상황에 대비한 금융기관의 추가적인 충당금 적립도 유도하기로 했다.

다른 건설사 부동산PF 시장 경계감

자기자본 대비 PF 보증 규모가 50%가 넘는 건설사는 태영건설 (373.6%), 롯데건설 (212.7%), 현대건설 (121.9%), HDC현대산업개발 (77.9%), GS건설 (60.7%), KCC건설 (56.4%), 신세계건설 (50.0%) 등이다. 
태영건설 다음으로 자기자본 대비 PF보증 비중이 큰 롯데건설의 경우, PF 우발채무 부담이 지속되고 있음. `23년 본 PF 및 담보대출 전환, 사업장 준공, PF 차입금 상환 등으로 PF 보증 규모를 `22년말 6.8조원에서 5.8조원으로 줄였으나, 여전히 높은 수준임. `23년 기준 약 2.1조의 현금성 자산을 보유해 단기 유동성 대응 능력은 확보한 것으로 판단됨. 다만 부동산경기 둔화 속 도급사업 PF보증의 약 75%가 미착공사업장으로, 향후 사업추진 과정 및 분양실적에 따른 리스크 발생 경계감은 지속된다.

자기자본 대비 PF보증 규모가 100%가 넘는 현대건설의 경우 PF 보증 중 38%가 정비사업인 점, 도급사업 중 82%가 미착공사업장이나 91%가 상대적으로 사업장이 양호한 서울에 위치한 점, 재무여력을 감안할 때 관련 위험은 통제 가능할 것으로 보인다.

기존 정책을 통해 건설사들이 현금성자산을 확보하였고, 정부의 적극적 정책 대응 의지를 감안 시 시스템 리스크로의 전이 가능성은 제한적일 것으로 보고 있다. 정책당국은 부동산 PF의 연착륙 기조를 일관되게 추진하겠다는 입장이며, 부동산PF 관련 대책을 수행하면서 추가적인 건설투자 활성화 방안도 발표할 계획이다.

정리하자면, 
태영건설 워크아웃에서 가중된 부동산 PF 우려가 다른 건설사로 전이 될 가능성은 다음의 이유로 낮다는 것이다:
1. 자기자본대비 PF 보증 규모가 태영건설 (1위) 다음으로 큰 건설사인 롯데건설 (2위), 현대건설 (3위)의 단기 유동성 대응력이 있는 것으로 판단
2. 정부가 적극적인 대응 의지를 보이고 있음 
3. 태영건설의 비은행 금융기관에 대한 익스포져가 보유 금융회사 총자산의 0.09%수준으로 제약적, 이 중 비은행금융기관 익스포져가 27%이지만, 다수 금융사에 분산되어 있어 자산건전성/펀더멘털 저하 영향은 낮을 것
    (태영건설의 증권사 전체 부동산 익스포져에서 차지하는 비중은 1.9%로 낮은 수준임)

Boolean Type
- Boolean 타입은 기본적인 데이터 타입 중 하나로, True 또는 False 의 두가지 값만을 가질 수 있음

형 변환
 - Python에서는 다른 데이터 타입을 불리언으로 변환할 수 있음
 - 대부분의 값은 True로 변환되지만, 일부 "비어있는" 값 또는 "0" 같은 False로 변환됨
 - 예를 들어, bool(), bool("")은 모두 False를 반환

List Type

 - 중복된 요소를 포함할 수 있음
 - 가변적으로, 리스트 내부의 요소 변경 가능
 - 서로 다른 타입의 요소 포함 가능
 - 인덱스를 통한 접근 가능 (예: f[0])

mega = [[1,3,5],[5,6,7],[1,5,9]]
print(mega[0])  #==> [1,3,5] c언어 강의 날짜
print(mega[0][2]) #==> 5 c언어 강의 날짜중 세번째 날짜

#1000 이하의 정수를 입력받고, 분과 시로 환산하는 프로그램
#72이면, 1분 12초
time=int(input("시간:"))
min=time//60
sec=time%60

print(f"{min}분 {sec}초 입니다.")

#정수 10,000~99,999 사이를 입력받고,
#100의 자리 값을 출력하는 프로그램
number=int(input("정수 값:"))
numlist=list(str(number))
print(numlist)   ==> ['1','2','3','4','5']
print(str(number)[2])   ==> 3

#  print(), input(), int(), bool(), list(), str(), float()
#  변수 [데이터 타입] 
#  산술 연산자 (+ - * / // %) ex) [문자-문자] 안됨
#  비교 연산자 (< > >= <= == !=)
# 논리 연산자 (and, or, not)
# 할당 연산자 (= =+ =- =*)

#정삼각형의 넓이와 둘레를 계산하는 프로그램
#밑변?높이?
line = int(input("밑변 입력: "))
height = int(input("높이 입력: "))

print(f"정삼각형의 넓이는 {height*line*0.5} 둘레는 {line*3}")

운동순서 만들기 프로그램
#원하는 운동 종류 3개 입력받아, 효과적인 운동순서 생성
#운동순서: 스트레칭 -> 윗몸 일으키기 -> 러닝

sport1=str(input("운동1:"))
sport2=str(input("운동2:"))
sport3=str(input("운동3:"))
print(f"효과적인 운동 순서는 {sport1} > {sport2} > {sport3} 입니다")

영화 리스트, 팝콘 리스트, 음료 리스트를 보여줘서 선택한 후 조합을 보여주는 프로그램
# #영화 번호 고르시오 [1: 서울의 봄 2: 위시 3: 노량]
# #팝콘 번호 고르시오 [1: 팝콘 2: 치즈팝콘 3: 캬라멜 팝콘]
# #음료 번호 고르시오 [1: 콜라 2: 제로콜라 3: 스트라이트]
# #고르신 영화는 위시 이며, 팝콘은 치즈 팝콘 그리고 음료는 제로 콜라 주문하셨습니다!
movie=int(input("영화 번호 고르시오 [1: 서울의 봄 2: 위시 3: 노량]"))
popcorn=int(input("팝콘 번호 고르시오 [1: 팝콘 2: 치즈팝콘 3: 캬라멜 팝콘]"))
drink=int(input("음료 번호 고르시오 [1: 콜라 2: 제로콜라 3: 스트라이트]"))

movielist=['서울의 봄','위시','노량']
popcornlist=['팝콘','치즈 팝콘','캬라멜 팝콘']
drinklist=['콜라','제로콜라','스프라이트']

print(f"고르신 영화는 {movielist[movie-1]}, 팝콘은 {popcornlist[popcorn-1]}, 음료는 {drinklist[drink-1]} 입니다.")

오늘은 어제 배운 input print 를 복습하면서 시작.

# input() : 유저한테 입력받는 기능 [문자타입]
# print() : 안에 들어있는 내용 출력 
# int() : 안에 들어있는 문자를 정수화
# float() : 실수화
# str() : 문자화  
# type() : 데이터타입을 알려주는 기
# 사칙연산 - + * / (나누기) % (나머지) // (몫) ** (제곱)

정수화 안한 {first+second}는 123 456을 문자로서 합치고,
{int_first+int_second}는 숫자로 합계를 나타냄

단계를 축약한다면 이렇게! 아예 first 인풋을 지정할때에 int를 붙여서, 정수화 시키는 방법이 있음

cpu는 연산을 하고 ram은 기억을 하는 과정에서, 데이터 타입 구분을 알고 가면 좋다.
1. 숫자형
  - 정수 integer (10, -3, 100..)
  - 부동소수점 floating point (3.14, -0.001, 2.0 ..)
2. 문자열
  - 문자, 단어 또는 그 이상의 텍스트를 저장 ("hello", "python", "1234")
  - 이름: 'John'
  - greeting = "안녕하세요!"
  - multi_line_string = " " " (여러 줄의 문자열 표현)

타입 변환 함수
1. int() 함수
  - 정수화
2. float() 함수
  - 문자열이나 정수를 부동소수점 숫자로 변환 (실수화)
3. str() 함수
  - 숫자 (정수/실수)를 문자열로 변환

#숫자 사칙 연산자
# +, -, *
# / (나눗셈 연산자), % (나머지 연산자)

print(5/2) #2.5
print(5%2) #1

# // (정수 나머지[몫])
print(5//2) #2

#** (제곱 연산자)
print(2**4) #16

주석 처리: ctrl+/

https://github.com/

작업하던 작업물들을 Github에 저장해 불러오기 할 수 있다.

https://roadmap.sh/roadmaps

참고하면 좋을만한 추천 웹사이트로, 파이썬 로드맵을 보여주고 있고 기초부터 완성까지 스텝별 배울 수 있다.  

파이썬 특징:
 - 간결하고 읽기 쉬운 문법
 
파이썬 적용 분야:
 - 웹 개발 (프레임워크를 사용하여 웹 애플리케이션 개발)
 - 데이터 과학과 인공지능 (NumPy, Pandas, TensorFlow, PyTorch 등의 라이브러리를 통해 데이터분석, 머신러닝 딥러닝 등의 작업 수행)
 - 자동화 스크립트
 - 교육
 
 IDE (통합 개발 환경)
  - 코드 작성 도움 프로그램 
  - 소프트웨어 개발을 위한 포괄적 도구 모음
  - 기본적으로 코드 작성, 테스트, 디버깅 등 소프트웨어 개발의 여러 과정을 하나의 애플리케이션 내에서 처리할 수 있게 해줌
  - 우리는 파이챰
-------------------------------------


우클릭 > New > Python File > Hello 치기
1째줄에 print("hello world") > 우클릭 run hello

--------
1.주석문 (comment)
 - 파이썬에는 #기호 뒤에 오는 모든 텍스트가 주석으로 처리
2. Print 함수
- 출력을 담당하는 기본적인 함수
- 연산이 들어가는 경우 f, {} 사용하기
 -f문자열문법: print(f"123+456+789={123+456+789}")
3. 변수
 - 파이썬에서 변수는 값을 담는 상자
  -name변수 사용: name = "HAYLEY"  print(name)  > run > HAYLEY
  -mbti변수 사용: mbti = "ENTP"    print(mbti)  > run > ENTP

4. input (user로부터 화면하단에 값을 입력 받게 된다)

- 전체 학원 수는 강남구가 압도적으로 높은 편임
- 그 중에서도 대치동이 두번째로 학원수가 많은 서초구 반포동보다 5배 많이 위치
- 특목고 진학생수가 많은 지역은 서초구 반포동, 강남구 대치동
- 서울대/의대 합격생이 많은 지역 또한 강남구 대치동, 서초구 반포동

강남, 서초, 용산, 송파 4구의 인구수 및 세대수는, 송파 > 강남 > 서초 > 용산 순으로 이루어져 있다. 

세대수 증감율은 높은 증가세를 보이는 송파구가 가장 높으며, 저조한 증감율을 기록한 강남구-서초구가 그 뒤를 잇고, 오히려 감소세가 뚜렷한 용산구가 가장 낮게 나타난다.

서초구: 사회초년생이나 노년층 보다는 10살 미만 자녀와 함께 거주하는 가족단위 주거인구가 많은 것으로 보임
용산구: 20대 및 60대 이상 인구 비율이 매우 높은 반면, 10살미만과 30-40대 인구 비율은 현저히 낮다.
강남구: GBD가 인접한 위치적 특성으로 3040 세대 비율이 높으며, 노년층 인구 비율은 비교적 낮게 나타남
송파구: 서초구와 함께 10살 미만 인구 비중이 비교적 높음

1. 강남구

  - 강남구로의 전입은 3040세대 위주로 서초구 / 송파구 / 성남시에서 많으며,
  - 강남구에서의 전출은 3040세대 위주로 송파구 / 서초구 / 성남시가 많음 

2. 서초구 

  - 서초구로의 전입은 3040대 위주로 강남구 / 동작구 / 관악구 / 송파구에서 많으며, 
  - 서초구에서의 전출은 30-40대 위주로 강남구 / 동작구 / 송파구 / 관악구가 많음

3. 용산구

  - 용산구로의 전입은 2030세대 위주로 마포구 / 강남구 / 서초구 에서 많으며,
  - 용산구에서의 전출은 30-50대 위주로 마포구 / 강남구 / 서초구가 많음

4. 송파구

  - 송파구로의 전입은 30-50대 위주로 강남구 / 강동구 / 성남시 에서 많으며, 
  - 송파구에서의 전출은 3040대 위주로 강동구 / 강남구 / 하남시가 많음

서울특별시의 [강남구, 서초구, 용산구, 송파구, 영등포구]의 근 5년간의 300세대 이상 아파트에 대한 급지표는 아래와 같다.

300세대 이상 아파트에 대한 급지표

서울특별시의 [강남구, 서초구, 용산구, 송파구, 영등포구]의 근 5년간의 300세대 이상 아파트에 대한 급지표는 아래와 같이 정리된다.  
  - 한남동, 대치동, 삼성동, 반포동, 잠원동이 선두
  - 역삼동, 일원동, 개포동, 서초동, 방배동 또한 높은 평당가
  - 한강로3가, 가락동, 풍납동이 뒤를 잇고
  - 당산동 5가, 효창동, 거여동, 양평동, 신길동, 대림동, 오금동이 뒤따른다.

지역 비교분석

서울특별시의 [강남구, 서초구, 용산구, 송파구, 영등포구]의 지역별 비교분석은 아래와 같이 정리된다. 
  - 학원은 강남구에 가장 많이 위치해 있으며, 그 뒤로 송파구, 서초구에 많이 위치함
  - 병원의 경우, 강남구에 압도적으로 많은 수가 위치하며, 서초-송파구에는 비슷한 수준으로 뒤따름
  - 인구당 병원 및 학원 수는 강남구가 가장 높으며, 그 뒤로 서초임
  - 총 인구수는 송파구가 높으며, 그 뒤로 강남, 서초, 영등포, 용산구임
  - 사업체 수는 역시 GBD가 인접한 영향으로 강남구가 압도적으로 높고, 그 뒤로 서초-송파-영등포가 비슷한 수준임
  - 소득지수는 강남-서초가 높고, 그 뒤로 용산구, 송파-영등포구 순서임

서울특별시의 [강남구, 서초구, 용산구, 송파구, 영등포구]의 동단위 급지분석 은 아래와 같이 정리된다. 
  - 강남구 대치동이 단연 학원 수에 있어 압도적 1위에 위치함
  - 병원 수로는, 강남구 신사동-압구정동-청담동이 높음

지역 환경 (인프라) 분석

서울특별시의 [강남구, 서초구, 용산구, 송파구, 영등포구]의 지역별 환경(인프라)분석은 아래와 같이 정리된다. 
  - 강남구는 인구수-사업체수가 높은 반면, 용산구는 인구수-사업체수가 낮아 대조됨
  - 종합 소득 수준은 용산구 > 강남구 > 서초구 > 송파구 > 영등포구 순임
  - 학원 수는 강남이 가장 많고, 송파-서초가 그 뒤를 이음
  - 우수학교 진학생 수는 특목고의 경우 강남-서초-송파 모두 높으나, 서울대/의대 진학생 수로 1위인 강남이 2위인 서초의 두배 수준임
  - 병원, 상업시설 수로도 강남구가 높게 형성되어 있음
  - 향후 입주 예정 물량은 2023년 강남구가 가장 높으며, 송파구가 2024-2025년 높은 수준임

아파트 가격 분포 분석

서울특별시의 [강남구, 서초구, 용산구, 송파구, 영등포구]의 아파트 가격 분포 분석은 아래와 같이 정리된다.
  - 매매평당가는 서초구 > 강남구 > 용산구 > 송파구 > 영등포구 순임
  - 전세 평당가는 용산구 > 서초구 > 강남구 > 영등포구 > 송파구 순임
  - 전세가율은 영등포 > 용산 > 송파 > 서초-강남 순임
  - 84㎡에 대한 갭은 서초 > 강남 > 용산 > 송파 > 영등포 순임
  - 아파트수는 강남이 가장 많고 > 서초 > 영등포 > 송파 > 용산 순임
  - 5개구의 평균 년식은 22-25년으로 비슷함
  - 20년 초과 년식의 아파트는 강남구가 가장 많으며 (41%), 그 뒤로 용산-송파 (40%), 영등포 (37%) 서초 (34%)임
  - 강남-서초-용산-영등포는 소형 평형 아파트가 가장 높은 비중을 차지함
  - 송파는 중형 평형 아파트가 가장 높은 비중을 차지함
 

매매평당 가격으로 정렬했을 때, 용산구 한남동이 가장 높은 것으로 나타난다. 

전세평당 가격으로 정렬했을 때, 용산구 한남동이 가장 높은 것으로 나타난다. 

전세가율로 정렬했을 때, 역시 용산구 한남동이 가장 높은 것으로 나타난다.

84㎡ 갭으로 정렬했을 때, 강남구 삼성동이 가장 높고 송파구 오금동이 가장 낮다. (강남-서초구가 대체로 갭 금액이 높게 형성되어 있다)

(최근 10년, 300세대 이상) 아파트 수로 정렬했을 때, 서초구 서초동에 가장 높은 아파트 수가 확인되며, 그 뒤로 잠원동, 방배동, 도곡동이 있음

(최근 10년, 300세대 이상) 신규 분양권 비율로 정렬했을 때, 강남구 개포동이 가장 높으며, 송파구 거여동-용산구 효창동-서초구 반포동이 그 뒤를 이음.

(최근 10년, 300세대 이상) 대형 평수 분포 비율로 정렬했을 때, 용산구 한강로3가, 도곡동, 방배동, 한남동,내곡동, 이촌동 순으로 대형 평수가 높이 이루어져 있음. 

(최근 10년, 300세대 이상) 가격분포 5분위 건수로 정렬했을 때, 서초구 서초동이 가장 높은 것으로 확인되며, 그 뒤로 방배, 잠원, 삼성, 도곡, 대치, 이촌으로 형성됨.

최근 5년간 [강남구, 서초구, 용산구, 송파구, 영등포구] 내 분양된 아파트 단지의 분양가, 평단가, 경쟁률, 가점평균은 아래와 같다.

2024년 예정 아파트 분양단지, 2025년 예정 아파트 분양단지는 아래와 같다.

[배경]

IMF는 연 경제성장률 수정전망 시 (10월), 한국 1.4%을 일본 2.0%보다 0.6%p 낮게 제시했다

2023년 국내 GDP 성장률이 25년 만에 일본에 추월당할 것으로 전망되면서, 한국이 일본과 같은 장기 저성장 국면에 진입한 것이 아니냐는 우려가 있다. 이 글에서는 한국과 일본의 유사점과 차이점을 분석해보겠다.

유사점
1. 고령화로 부양부담 확대로 인한 소비 축소
2. 과잉부채로 인한 원리금 상환 부담으로 소비와 투자 여력 축소  
3. 서비스업이 취약한 산업구조로 제조업 경쟁력이 떨어질 경우 성장 동력 부재

차이점
1. 한국은 ICT 등 미래 성장 동력에 대해 적극 투자
2. 부동산 자산가격이 급격하게 하락하기 어려운 구조
3. 부실기업 구조조정에 소극적이었던 일본과 달리, 외환위기 후 부실기업 및 채권 구조조정에 적극적

결론
1. 기업 혁신이 지속될 경우 일본과 다른 성장 경로 모색이 가능하나,
저출산, 가계부채, 한계기업 등 선결 과제가 해결되지 않으면 일본이 겪은 
'잃어버린 30년' 가능성도 배제하기 어려움
2. ICT 산업의 국제 경쟁력은 저성장을 극복할 Key로 작용할 가능성이 있음

[부동산 리스크]

한국의 부동산 리스크는 과거 일본의 버블 수준과는 상이하다

소득대비 주택가격
1. 한국 평당 주택가격 (서울 아파트 기준)은 일본의 버블기 수준까지 올랐으나, 
소득 대비 주택가격은 일본 버블기의 절반 수준에 그침
  - 서울 30평 아파트 가격은 1인당 GDP의 약 30배로 높은 수준이나, 일본의 버블시기에는 약 60배로 비교적 낮은 수준임

2. 한국 전세제도는 실수요, 투기수요, 정부 주택정책 측면에서 주택 가격 하락을 방어하는 역할 수행
  - 역전세난 등 새로운 리스크를 만드는 부정적 측면도 상존
3. 부동산 경기 침체시 전세수요가 확대되고, 매매-전세가격 축소가 주택 실수요를 자극하여 주택가격이 상승
4. 전세금이 사금융 역할을 담당하며 투자자금 조달에 용이성을 확대
5. 주택가격 하락의 파급효과 (역전세난 등)가 매우 큰 편이어서 정부가 부동산 가격 하락 방어에 적극적일 수밖에 없는 구조
6. 일본은 부동산 버블에 대해 사후적 금융조치를 시행했으나, 한국은 주택대출 관련하여 사전적으로 규제를 마련하고 시행중
  - (일본) 주택대출 관련 규제가 미비한 가운데 부동산 버블로 위험 노출 > 금리인상, 대출총량규제 등 사후조치 > 신용경색 발발
  - (한국) 2002년 LTV 도입 이후 DTI, DSR 등의 제도 도입을 통해 주택대출 취급 가능금액을 제한

* 가계 소득수준, 제도 및 금융규제 차이를 감안하면 30년 전 일본이 겪은 부동산 급락 가능성은 높지 않은 것으로 보인다. 다만, 고금리 상황에서 인위적인 부동산 부양정책을 부동산 가격을 왜곡시켜 리스크를 키울 우려가 상존한다.