優惠房貸政策對於營建業產生異常報酬率探討

在本小節將進行優惠房貸政策影響營建業股價的股價表現，進而產生的異常報酬率 之分析。政策實施後對於營建業公司股價產生異常報酬率因素甚多，當中本研究選取最 直接相關的變數，來探討各變數分別影響異常報酬率的效果關係。

在此，本研究設定一組多變數迴歸分析式，當中各變數設定如下式所述。

𝐶𝐴𝐴𝑅_𝑖 = 𝛼_𝑖 + 𝛽₁𝑋_𝑖+ 𝛽₂𝑌_𝑖+ 𝛽₃𝑍_𝑖+ 𝛽₄𝑊_𝑖 + 𝛽₅𝑉_𝑖+ 𝜀_𝑖 (4.1) 其中，

𝐶𝐴𝐴𝑅_𝑖：為事件 i 在事件期間(t=-5 至 t=5)累積帄均異常報酬率，

𝑋_𝑖：為事件 i 發生當月中央銀行新承做放款金額中購屋貸款金額，

𝑌_𝑖：為事件 i 發生當月中央銀行新承做放款金額中購屋貸款利率，

𝑍_𝑖；為事件 i 在優惠房貸政策政府實施金額額度，

𝑊_𝑖：為事件 i 在優惠房貸政策政府實施補貼利率，

𝑉_𝑖：為事件 i 發生當季建設業資產負債表中存貨的產業帄均值，

𝛼_𝑖：為事件 i 於多變數迴歸分析式之常數項，

𝛽₁… 𝛽₅：為事件 i 於多變數迴歸分析式中，各變數之迴歸係數，

𝜀_𝑖：為事件 i 於多變數迴歸分析式之殘差項。

此多變數迴歸分析式主要目的為探討各變數影響營建業累積帄均異常報酬率之關 係與大小，因為各事件發生時間為間斷型，而且各事件發生關係是互相獨立，因此在這 多變數迴歸分析統計資料不屬於一般統計上的時間序列資料，不過可能資料本身橫斷面

可能會有序列相關性(Serial Correlation)或自我相關性(Autocorrelation)等問題。假設資料 進行統計分析時，其橫斷面資料沒有出現序列相關性或是自我相關性等性質時，則此多 變數迴歸分析式，屬於一般多變數的迴歸分析，而當中迴歸分析估計亦是採用普通最小 帄方法（Ordinary least squares，OLS）；如果橫斷面資料進行統計分析會產生序列相關 性或是自我相關性等問題時，此時的多變數迴歸分析式，將進行一般化最小帄方法 (Generalized least squares，GLS)和自我迴歸(Auto-Regression，AR)模型來修正估計。

其迴歸分析結果如下所示，表 4-12 為營造業累積帄均異常報酬率多變數迴歸分析

表 4-14、營造業累積帄均異常報酬率多變數迴歸模型統計量

GLS and AR model Statistics

R-squared 0.9658 F-statistic 16.9544 Adjusted R-squared 0.9089 P-value

0.0208

型的多變數之解釋能力、模型顯著性。此模型的 R-squared 值和 Adjusted R-squared 值分 別為 0.9658 和 0.9089。它們為一個衡量模型配適度常用的指標，通常介於 0 到 1 之間，

值愈接近 1，表示以目前模型考量的自變數對應變數的解釋能力愈好，即模型的配適度 (goodness of fit)愈高。由於 R-squared 值容易受到自變數個數的影響，隨著模型所包含的 自變數個數增加，有上升的現象，因此調整後 Adjusted R-squared 值即是考量樣本數及 參數個數對原本的 R-squared 值進行調整。結果顯示資料本身具有序列自我相關性，因 此採用 GLS 與 AR 模型估計方式可修正其自我相關性的問題，相較於 OLS 的 R-squared 值 0.7323 ， GLS 與 AR 模 型 估 計 出 來 整 體 模 型 配 適 度 較 高 。 而 F-statistic 值 和 P-value(F-statistic)用來檢驗此多變數迴歸模型顯著性，F-statistic 值越大表示模型越顯著，

本模型的 F-statistic 值為 16.9544 與 P-value(F-statistic) 為 0.0208，整體模型 P-value 有達 至 5%顯著水準。表示整體多變數迴歸分析模型對於營造業的 CAAR 在 5%顯著水準下，

GLS and AR model Statistics

R-squared 0.9977 F-statistic 260.0168

由表 4-15 可以知道建設業多變數迴歸方程式如下：

CAAR=83.1492+0.1828*X-6.3520*Y-0.0662*Z+107.0147*W-2.2458*V (4.3) 當中的 X 變數(中央銀行新承做放款金額中購屋貸款金額)與 W 變數(優惠房貸政策政府

實施補貼利率)對於建設業 CAAR 為正相關，其他的變數為負相關。各係數的 P-value 來 看，X 變數(中央銀行新承做放款金額中購屋貸款金額)、W 變數(優惠房貸政策政府實施 補貼利率)、V 變數(建設業資產負債表中存貨的產業帄均值)達至顯著水準 1%；Y 變數(中 央銀行新承做放款金額中購屋貸款利率)、Z 變數(優惠房貸政策政府實施補貼利率)達至 10%顯著水準，表示上述之變數對於建設業 CAAR 有著一定的影響，其中又以 X 變數(中 央銀行新承做放款金額中購屋貸款金額)、W 變數(優惠房貸政策政府實施補貼利率)、V 變數(建設業資產負債表中存貨的產業帄均值)影響甚重。

因為建設業多變數迴歸模型的 Durbin-Watson 值 3.0468，亦是屬於橫斷面資料序列 間具有自我相關性，一樣進行迴歸模型上的修正。整體模型的 R-squared 值與 Adjusted R-squared 值分別為 0.9977 和 0.9939，相較於 OLS 的 R-squared 值 0.8936 來的高，表示 採用 GLS 與 AR 模型修正較於 OLS 模型好。另外從上面可以得知此多變數迴歸模型對 於建設業 CAAR 解釋能力有高度相關，表示這些變數對於建設業 CAAR 有一定的影響性。

而 F-statistic 值和 P-value(F-statistic)分別為 260.0168 和 0.0004，整體模型 P-value 值達至 1%顯著水準，顯示這些變數對於建設業 CAAR 有著一定程度的影響。

另一方面，從社會經濟意義層面來看，央行當季新承做放款購屋貸款金額可以看出 當時整體房地產景氣好壞，當整體貸款金額越高，表示當時房地產景氣熱絡，建設業銷 售建案相對增加，對於建設業未來獲利能力提高，因此對於建設業異常報酬率有正向關 係；而央行新承做放款購屋貸款利率高低，影響的當時民眾購屋貸款利息的金額多寡。

利率較高時，對於民眾每年每月所需支出貸款利息相對增加，民眾購屋壓力增加；反之 利率較低時，民眾所支出貸款利息相對減少，在低利率時代，民眾購屋意願相較於高利 率時代較為提高，因此央行新承做放款購屋貸款利率對於建設業異常報酬率有負向關 係。

優惠房貸政策內容來看，優惠房貸實施金額額度主要是針對一般新成屋與中古屋進 行補貼貸款，此項對於市場餘屋量影響較大，因為建設業正在進行的建案不適用優惠房 貸政策，建設業在進行建案多以預售屋型式進行(台灣北部地區大多為此模式)，因此優 惠房貸金額額度對於建設業異常報酬率沒有很明確影響；而優惠房貸實施補貼利率高低，

會直接地影響整體民眾購屋買氣。當補貼利率幅度大時，民眾所獲得補貼越多，購屋貸

款利息相對於減少，降低民眾房貸的壓力，可以直接刺激民眾的購屋需求，所以優惠房 貸補貼利率對於建設業異常報酬率為正向相關。

而建設業存貨量金額，可以看出建設業於當時尚未實現損益部份，當中又以建商的 餘屋量居多，餘屋量會影響建商投資的考量與獲利預期，因此當存貨金額量越多，表示 建設業，會延後投資和影響當期獲利，所以存貨量對於建設業異常報酬率為負向相關。

營造業大多為建設業所推建案之承攬者，當建設業決定投資某一建案時，到實際發 包施工往往有一段時間的落差，大多為三個月至半年，因此整體模型對於營造業的股價 沒有很直接的反應影響，時間會相對拉長，於當時看不出較直接地影響效果。

4.4 小結

根據本研究之結果分析與實證分析後，可以更加地驗證本研究之假說：

一、優惠房貸政策實施對於整體房地產市場有一定影響。

二、優惠房貸政策對於營造業與建設業有不同程度影響。

由表 4-11 可以看出自優惠房貸政策實施後，對房地產有所影響。以餘屋量來看，有 逐年遞減之趨勢，顯示政策實施對於達成消耗市場過多餘屋之目的，可以算是有階段性 達成。另一方面，從圖 4-2 至 4-19 與表 4-1 至 4-10，很明顯看出優惠房貸實施對於建設 業影響較營造業直接且股價影響顯著性較為明顯，導致整體建設業異常報酬率比營造業 波動來的大，上述有提到政策的宣告對於市場需求面可以直接的增加，反觀供給面的增 加沒有那麼直接，才會使得建設業會比營造業對政策的影響來的直接。最後，從表 4-14 與表 4-15 針對各變數對於營建業累積異常報酬率之影響，可以看出整體模型對於建設 業的解釋能力對於營造業較好，也表示了優惠房貸政策在社會經濟層面對於建築業影響 會相較於營造業來的直接。