현금서비스 쓴 집주인? 전세사기 터집니다
📺 원본 영상: 현금서비스 쓴 집주인? 전세사기 터집니다 (UNIST 산업공학과 이용재 교수)
🎙️ 채널: 언더스탠딩 : 세상의 모든 지식
📅 정리 일자: 2025-01-16
⚠️ Note: 본 리포트는 영상의 음성을 텍스트로 변환(STT)하여 정리한 것입니다. 화면에 표시된 자료(차트, 코드, 슬라이드 등)는 포함되지 않을 수 있습니다.
개요
전세사기 문제는 한국 부동산 시장의 고질적인 문제로 자리잡았다. 그런데 이 문제를 ‘사기’라는 단어로만 접근하면 실상을 놓치게 된다. 실제로는 의도된 사기도 있지만, 집값 하락으로 인한 ‘사고’도 상당 부분을 차지하기 때문이다. 전세를 놓을 당시 4억이던 집이 경매에서 2억 5천에 낙찰되면, 집주인도 억울할 수밖에 없다. 그러나 피해자 입장에서는 사기든 사고든 결과는 같다. 이러한 복잡한 문제를 해결하기 위해 UNIST 산업공학과 이용재 교수는 인공지능을 활용한 전세사기 사전 탐지 연구를 진행했다. 이 연구는 국가인공지능전략위원회의 인공지능행동계획의 일환으로, 국토부와 금융위원회의 데이터를 결합하여 전세계약의 위험도를 사전에 평가하는 시스템을 개발하는 것이 목표다.
데이터 결합의 첫 단계: 개인정보 보호 속에서 의미 찾기
이 연구의 핵심은 국토부가 보유한 부동산 거래 데이터와 금융위원회(신용정보원)가 보유한 임대인의 신용 데이터를 결합하는 것이다. 국토부 데이터에는 전세계약 정보와 부동산 물건에 대한 정보가 담겨 있고, 금융위 데이터에는 집주인의 신용등급, 대출 내역, 카드 사용 패턴, 현금서비스 사용 여부, 대출 금리 등이 포함되어 있다. 이 두 데이터를 결합하면 각 전세계약마다 임대인의 부동산 정보와 금융활동 정보가 모두 담긴 통합 데이터셋이 만들어진다.
그러나 이 과정은 개인정보 보호라는 높은 장벽에 부딪힌다. 집주인의 신용정보는 매우 민감한 개인정보이기 때문에, 신용정보원은 여러 단계의 심사 절차를 거쳤다. 위원회 승인, 적정성 평가 등 엄격한 심사를 통과한 후에야 데이터 결합이 허가되었다. 더 나아가 연구진은 데이터를 직접 받은 것이 아니라, 신용정보원이 제공하는 보안 클라우드 환경 내에서만 분석을 수행했다. 데이터는 익명화 처리되어 이름, 정확한 생년월일, 상세 주소 등 개인 식별 정보는 모두 제거되었지만, 동일인 여부는 매칭할 수 있도록 처리되었다. 즉, “이 사람이 누구인지는 모르지만, 이 세 건의 전세계약이 같은 사람이 한 것이다”라는 정보는 유지된 것이다.
이러한 철저한 개인정보 보호 조치는 연구의 신뢰성을 높이는 동시에, 향후 실제 서비스로 확장될 때 사회적 수용성을 확보하기 위한 필수 과정이었다. 연구진은 데이터를 클라우드 밖으로 가져갈 수 없었고, 모든 분석은 해당 환경 내에서만 이루어졌다.
학습 타겟의 정교화: 사기와 사고를 나누어 보다
인공지능 모델을 학습시키기 위해서는 먼저 “무엇이 위험한 거래인가”를 정의해야 한다. 그런데 전세사기와 전세사고는 성격이 다르다. 사기는 의도적인 범죄이고, 사고는 경제적 상황 악화로 인한 불가항력적 사건이다. 이용재 교수는 이 두 가지를 모두 고려하기 위해 네 가지 타겟 정의 방식을 시도했다.
첫 번째 타겟은 부동산원이 지정한 조사 및 수사 대상 임대인의 모든 전세계약을 위험 거래로 간주하는 방식이다. 이는 ‘사기’ 중심의 접근이다. 부동산원이 의심스럽다고 판단한 사람이 진행한 모든 거래를 일단 의심 대상으로 보는 것이다. 그러나 이 방식에는 문제가 있다. 한 사람이 4~5년간 여러 건물에서 여러 건의 전세계약을 했을 때, 그 중 일부는 정상적으로 종료되었을 수도 있기 때문이다. 전세금을 제때 돌려주고 새로운 세입자를 받았다면, 그 계약까지 의심 대상으로 포함하는 것은 과도할 수 있다.
이를 보완한 것이 두 번째 타겟이다. 같은 건물 내에서 여러 전세계약이 있었다면, 가장 최신 거래만 의심 거래로 지정하는 방식이다. 이는 “과거 계약들은 전세금을 돌려줬으니까 다음 계약이 이어진 것 아닐까”라는 가정에 기반한다. 물론 이 가정이 100% 정확한 것은 아니지만, 타겟을 좀 더 선명하게 만들기 위한 시도였다.
세 번째와 네 번째 타겟은 ‘사고’ 중심 접근이다. 신용정보원 데이터에는 주택도시보증공사(HUG) 등 보증기관이 대지급을 한 기록이 남아 있다. 집주인이 전세금을 돌려주지 못해 보증기관이 대신 갚아준 경우다. 세 번째 타겟은 대지급이 발생한 임대인의 모든 계약을 위험 거래로 본다. 그러나 여기에도 문제가 있다. 대지급 발생 시기와 전세계약 종료 시점이 일치하지 않을 수 있기 때문이다. 예를 들어 대지급이 2023년에 발생했는데, 문제가 된 전세계약 종료는 2021년이었다면, 이 대지급이 그 전세계약과 관련된 것인지 알 수 없다.
따라서 네 번째 타겟에서는 전세계약 종료 시점과 대지급 발생 시점이 3개월 이내로 가까운 경우만 위험 거래로 분류했다. 이렇게 시간적 근접성을 고려함으로써 더 정확한 타겟을 만들고자 했다.
이 네 가지 타겟 정의는 각각 다른 관점에서 ‘위험’을 정의한다. 사기 중심(1, 2번)과 사고 중심(3, 4번), 그리고 각각의 정제 버전. 연구진은 이 네 가지 정의를 모두 시도하여 어떤 방식이 가장 효과적인지 비교했다.
데이터에서 발견된 패턴: 거래 횟수와 고금리 신용대출
💡 [영상 참조] 강연자는 이 시점에서 화면의 차트를 참조하며 설명합니다. 상세 내용은 원본 영상을 확인하세요.
인공지능 모델을 학습시키기 전, 연구진은 데이터를 탐색하여 의미 있는 패턴이 있는지 확인했다. 그 결과, 몇 가지 흥미로운 패턴이 발견되었다.
첫째, 아파트 및 연립·다세대 주택 거래 횟수를 분석한 결과, 일반 거래자와 대지급 발생 거래자(사고 케이스) 사이에는 큰 차이가 없었다. 그러나 조사·수사 대상자(사기 케이스)는 거래 횟수가 뚜렷하게 많았다. 5회에서 10회, 심지어 50회 이상 거래한 비중이 일반 거래자에 비해 훨씬 높았다. 이는 의도적인 전세사기를 하는 사람들이 여러 건물을 빠르게 매입하고 전세를 놓는 패턴을 보인다는 것을 시사한다. 물론 거래를 많이 한다고 해서 모두 사기꾼은 아니지만, 사기로 의심받는 사람들 중에는 이런 패턴이 유독 많았다는 점은 주목할 만하다.
둘째, 주택담보대출 금리와 신용대출 금리를 비교했다. 주택담보대출 금리는 세 그룹(일반, 조사·수사 대상, 대지급 발생) 간 큰 차이가 없었다. 그러나 신용대출 금리에서는 명확한 차이가 나타났다. 대지급 발생 거래자들은 고금리 신용대출을 많이 받은 케이스가 훨씬 많았다. 이는 집주인이 경제적으로 어려운 상황에 처했을 때, 높은 금리에도 불구하고 신용대출을 받을 수밖에 없었다는 것을 의미한다. 듣고 보면 당연한 얘기지만, 실제 데이터로 확인했다는 점이 중요하다. 고금리 신용대출을 받은 집주인은 전세금을 돌려줄 여력이 부족할 가능성이 크다.
이러한 패턴들은 인공지능 모델이 학습할 중요한 신호가 된다. 모델은 이런 특징들을 종합적으로 고려하여 위험도를 평가하게 된다.
모델 성능: Precision과 Recall의 줄타기
인공지능 모델의 성능을 평가할 때는 Precision(정밀도)과 Recall(재현율)이라는 두 가지 지표를 사용한다. 이 개념은 처음 접하면 다소 어려울 수 있지만, 전세사기 탐지라는 맥락에서 보면 이해하기 쉽다.
Precision은 모델이 “이 거래는 위험하다”고 판단한 것 중 실제로 위험한 경우의 비율이다. 예를 들어 모델이 100명을 의심스럽다고 판단했는데, 그중 실제로 의심스러운 사람이 40명이면 Precision은 40%다. 반대로 Recall은 실제로 위험한 거래들 중 모델이 얼마나 찾아냈는지를 나타낸다. 실제로 의심스러운 사람이 10명 있는데, 모델이 그중 6명을 찾아냈다면 Recall은 60%다.
극단적인 예를 생각해보면 이해가 쉽다. 모델이 모든 거래를 “위험하다”고 판단하면 Recall은 100%가 된다. 위험한 거래를 하나도 놓치지 않았으니까. 하지만 이 경우 Precision은 매우 낮아진다. 안전한 거래까지 모두 위험하다고 판단했기 때문이다. 반대로 모든 거래를 “안전하다”고 판단하면 Precision은 높아 보일 수 있다. 전체 거래 중 의심 거래는 1%도 안 되기 때문에, 모두 안전하다고 해도 99% 이상 맞출 수 있다. 그러나 이 경우 Recall은 0%가 된다. 위험한 거래를 하나도 찾아내지 못했으니까.
전세사기 탐지와 같은 이상치 탐지(Anomaly Detection) 연구에서는 일반적으로 Recall을 더 중요하게 본다. 위험한 거래를 놓쳤을 때 발생하는 피해가 크기 때문이다. 안전한 거래를 위험하다고 잘못 판단하면(False Positive) 추가 검토를 하면 되지만, 위험한 거래를 안전하다고 놓치면(False Negative) 실제 피해가 발생한다.
💡 [영상 참조] 강연자는 이 시점에서 화면의 표를 참조하며 설명합니다. 상세 내용은 원본 영상을 확인하세요.
연구진은 두 가지 방식으로 모델을 학습시켰다. 첫 번째는 Precision과 Recall을 1대1 비중으로 고려한 경우이고, 두 번째는 Recall을 2, Precision을 1로 하여 2대1 비중으로 학습시킨 경우다. 결과를 보면, 사기 레이블(조사·수사 대상)에 대해서는 1대1 비중으로 학습해도 Recall이 60% 이상 나왔고, 2대1 비중으로 학습하면 Recall이 약 80%까지 올라갔다. 이는 실제 의심 거래 중 60~80%를 사전에 탐지할 수 있다는 의미다.
반면 사고 레이블(대지급 발생)에 대해서는 성능이 다소 떨어졌다. 사고는 예측하기가 더 어렵기 때문이다. 의도적인 사기는 특정 패턴(빠른 거래 회전, 여러 건물 매입 등)이 명확하지만, 사고는 예상치 못한 경제적 충격으로 발생하는 경우가 많아 패턴을 찾기 어렵다.
그럼에도 불구하고 적어도 사기 케이스에서 60~80%의 Recall을 달성했다는 것은 의미 있는 결과다. 완벽하지는 않지만, 상당수의 위험 거래를 사전에 걸러낼 수 있다는 가능성을 보여주었다.
실제 서비스로의 확장: 남은 과제들
이 연구는 아직 초기 단계다. 연구진은 빠르게 “이 방법이 작동하는가?”를 검증하는 것이 목표였다. 모든 데이터를 처음부터 완벽하게 결합하고 모든 변수를 고려하는 것은 시간과 비용이 많이 든다. 만약 해봤는데 안 되면 그 비용이 너무 크다. 따라서 연구진은 일단 제한된 데이터로 빠르게 프로토타입을 만들고, “유용한 결과가 나오는가?”를 확인했다. 그 결과 긍정적인 신호를 얻었고, 이제 본격적으로 확장할 수 있는 근거가 마련되었다.
그러나 실제 서비스로 전환하기 위해서는 여러 과제가 남아 있다. 첫째, 더 많은 데이터와 더 긴 기간의 데이터를 활용해야 한다. 현재는 4~5년치 데이터를 사용했지만, 더 긴 기간의 데이터를 확보하면 모델의 정확도를 높일 수 있다. 둘째, 지역별, 건물 유형별 특성을 반영해야 한다. 부동산 시장은 지역마다 특성이 다르고, 아파트와 다세대 주택은 위험 패턴이 다를 수 있다. 이러한 세부 정보를 모델에 반영하면 더 정교한 예측이 가능해진다.
셋째, 가장 중요한 것은 사회적 합의다. 이 시스템이 실제로 서비스되려면 “누가 어떤 정보를 볼 수 있는가”에 대한 명확한 기준이 필요하다. 세입자가 집주인의 신용정보를 직접 볼 수 있게 할 것인가? 아니면 보증기관만 접근할 수 있고, 세입자에게는 단순히 “위험도: 중간” 같은 등급만 제공할 것인가? 집주인의 입장에서는 자신의 금융정보가 노출되는 것에 대한 우려가 있을 수 있다. 또한 모델이 높은 위험도를 부여했다고 해서, 그것이 곧 “이 사람은 사기꾼이다”라는 낙인이 되어서는 안 된다. 단지 “조금 더 주의해서 계약하세요”라는 정보 제공 차원이어야 한다.
흥미로운 점은 역방향 수요도 있다는 것이다. 집주인 입장에서도 세입자의 신용정보를 보고 싶어한다. 월세 80만원에 보증금 1,000만원을 요구하는 것은 사실 5개월치 월세도 안 되는 금액이지만, 많은 집주인들이 이 정도 보증금을 요구하는 이유는 일종의 신용 검증 수단이기 때문이다. 보증금 500만원도 마련하지 못하는 세입자는 경험적으로 월세를 연체할 확률이 높다는 것이다. 따라서 임대인과 임차인이 서로 동의하에 상대방의 신용정보를 확인할 수 있는 시스템이 구축된다면, 양쪽 모두에게 도움이 될 수 있다.
마무리: 기술과 신뢰의 균형점을 찾아서
전세사기 탐지 인공지능은 단순한 기술 문제가 아니다. 개인정보 보호, 사회적 신뢰, 법적 책임 등 다양한 차원의 문제가 얽혀 있다. 이용재 교수의 연구는 기술적으로 이것이 가능하다는 것을 보여주었다. 국토부와 금융위의 데이터를 결합하고, 인공지능 모델을 학습시켜 60~80%의 정확도로 위험 거래를 사전 탐지할 수 있다는 것이 입증되었다.
그러나 이것이 실제 서비스가 되기 위해서는 기술을 넘어선 논의가 필요하다. 어디까지 정보를 공개할 것인가? 누가 이 정보에 접근할 수 있는가? 모델의 판단이 틀렸을 때 누가 책임지는가? 이런 질문들에 대한 사회적 합의가 이루어져야 한다.
동시에 이 시스템은 전세사기를 완전히 막는 만능 해결책이 아니다. 모델이 높은 위험도를 부여했다고 해서 그 거래가 반드시 사기라는 보장은 없다. 반대로 낮은 위험도를 받았다고 해서 안전하다는 보장도 없다. 이 시스템은 추가 정보를 제공하여 계약자가 더 신중하게 판단할 수 있도록 돕는 도구일 뿐이다. 최종 결정은 여전히 사람의 몫이다.
그럼에도 불구하고 이 연구는 중요한 첫걸음이다. 지금까지 전세계약은 주로 ‘눈에 보이는 것’—건물 상태, 입지, 등기부등본—에 의존해 판단되었다. 그러나 집주인의 금융 상태, 거래 패턴 같은 ‘보이지 않는 위험 신호’는 일반 세입자가 파악하기 어려웠다. 인공지능은 이런 보이지 않는 신호를 포착하여, 정보 비대칭을 줄이고, 더 공정한 계약 환경을 만드는 데 기여할 수 있다.
앞으로 더 많은 데이터가 축적되고, 모델이 정교해지고, 사회적 합의가 이루어진다면, 전세사기로 인한 피해를 크게 줄일 수 있을 것이다. 물론 완벽한 시스템은 없다. 그러나 아무것도 하지 않는 것보다는, 불완전하더라도 조금씩 나아가는 것이 더 나은 선택일 것이다.
📚 출처 및 참고
| 구분 | 내용 |
|---|---|
| 원본 영상 | 현금서비스 쓴 집주인? 전세사기 터집니다 (UNIST 산업공학과 이용재 교수) |
| 채널 | 언더스탠딩 : 세상의 모든 지식 |
| 리포트 작성 | 2025-01-16 |
| 작성 방식 | YouTube 영상 STT 변환 후 에디팅 |
💬 본 리포트는 영상 내용을 바탕으로 재구성되었습니다. 정확한 내용은 원본 영상을 참조해 주세요.