第二章 文獻回顧
第五節 小結
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第五節 小結
透過上述文獻回顧,Airbnb秉持著共享經濟的宗旨改變傳統經濟消費型態及 觀念意識,固然帶來了不少正面效益,然短期租賃行為的房東扭曲了Airbnb一開 始之立意,改以商業營運手段進行出租,免不了地帶來一些問題,例如是否使住 宅市場負擔的增加並也造成旅館行業的收益排擠或競爭等。故,本研究擬先以特 徵價格法來衡量Airbnb與住宅價格之間之關係,在變數選取上多以住宅特徵、距 離公共設施距離、區位特徵、時間特徵等作為主要控制變數,以更精準地捕捉 Airbnb與住宅價格間的關係探討。除了住宅市場,亦探討對於旅館行業的競爭,
以一般多元迴歸衡量Airbnb與觀光型旅館收益之關係,再進行分量迴歸更深入探 討Airbnb與高及低收益旅館關係間程度不同之分析。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
‧
以地理資訊系統軟體(ArcGIS)篩選同年同月住宅交易點位半徑 1000 公尺以內 Airbnb 列表(listing)的數量作為 Airbnb 活動密度之衡量,再透過住宅特 、區位特 徵及時間特徵為主之半對數總價特徵價格迴歸模型中加入 Airbnb 密度之變數,藉此探討 Airbnb 與住宅成交價格間之關係;另外,以一般多元迴歸衡量 Airbnb 與觀光型旅館收益間之關係,再進行分量迴歸模型分析 Airbnb 與高收益及低收 益觀光型觀光型旅館間之不同影響程度,藉兩者分析 Airbnb 所產生之副作用。
一、 特徵價格迴歸模型
本研究目的探討 Airbnb 與住宅不動產成交價格間之關係,根據文獻回顧結 果,半對數線性迴規模型為最多學者採用形式。Sirmans et al.(2005)提到半對數 模型可透過特徵係數值說明每一單位特徵的改變、百分比之變動並可以最小化異 質變異的問題,因此本研究以成交總價為應變數的半對數模型進行測試,自變數 方面考量一般住宅建物特徵、區位特徵及時間特徵虛擬變數外,並加入地理資訊 系統軟體(ArcGIS)篩選同年同月住宅交易點位半徑 1000 公尺以內 Airbnb 列表 (listing)的數量衡量 Airbnb 活動密度作為自變數。
建置模型一如(3-1)式:
‧
選擇平均訂房價格(Song et al., 2011;林豐政等人,2015)、平均員工人數(林豐政 等人,2015)、遊客數(葉家瑜、陳江明,2012)之外,並納入每年每月 Airbnb 列 表數量作為自變數。‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
其中revenuei為第 i 筆旅館平均收益,θ表示分量,範圍界在 0、1 之間,β0θ 為對應之常數項,pricei為第 i 筆平均訂房價格,β1θ為在θ分位時衡量第 i 筆平均 訂房價格之係數;employeei為第 i 筆平均員工數,β2θ為在θ分位時衡量第 i 筆平 均員工數之係數,touristi為平均遊客數,β3θ為在θ分位時衡量平均遊客數之係數;
Airbnbi為第 i 筆 Airbnb 數量,β4θ在θ分位時衡量衡量 Airbnb 之係數。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第二節 資料說明與變數選取
本研究期間範圍為 2012 年 7 月至 2016 年 12 月,本節將拆分兩大部分,第 一部分為探討 Airbnb 與住宅市場價格間之關係,第二部分為分析 Airbnb 與旅館 行業收益之關係。在第一部分,以特徵價格模型分析 Airbnb 與住宅市場價格間 之關係,首先進行 Airbnb 活動密度變數之定義,接著住宅交易價格作為應變數,
自變數部分除了以 Airbnb 活動密度變數作為主要研究標的外,更加入不動產自 身特性、區位及時間特徵等控制變數,就其餘下各變數進行說明及定義;在第二 部分,先以一般多元迴歸模型分析 Airbnb 與觀光型旅館行業收益之關係,應變 數選取觀光型旅館平均收益,自變數除了 Airbnb 數量之衡量外亦加入其他控制 變數。再進一步以分量迴歸模型探討 Airbnb 對於高低收益旅館不同關係間之規 模差異。
一、 Airbnb 與住宅市場價格關係之探討
(一) 變數說明
1.Airbnb 活動密度變數
為獲取 Airbnb 活動密度變數,須先取得有關住宅不動產交易價格及 Airbnb 有關之資料。研究期間選取 2012 年 7 月至 2016 年 12 月,不動產住宅價格相關 變數來源為內政部實價登錄資料,為避免不動產住宅交易價格相關資料偏誤,刪 除缺漏、不合理樣本及異常點,經篩選後,本文共選取 29,350 筆資料,並如圖 3-1 所示,以地理資訊系統軟體(ArcGIS)標示住宅不動產交易點位。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 3-1 住宅不動產交易位置分布
Airbnb 有關資訊來源則為 InsideAirbnb 網站8所提供的台北市各個 Airbnb 列 表(listing)以及具評論機制的兩個資料庫,Inside Airbnb 網站並非官方網站,其宣 稱是獨立的非營利組織,並和 Airbnb 網站沒有牽涉,關於如何掌握資料,網站 上並沒有太詳細的說明,也未表明資料的缺點,但 Zevas et al.(2015)表明由 Inside Airbnb 所提供的資料具可信度,本研究採用列表(listing)資料庫,其中列表(listing) 資料庫資訊豐富,包含開始出租時間、出租房間類型基本資訊、房東基本資訊、
房東每人出租數量、評論數、所在經緯度等資訊。本文研究期間選取 2012 年 7 月至 2016 年 12 月,其中 Airbnb 列表(listing)所屬的資料庫含有 GIS 的位置,然 而 Bijl(2016)表示 Airbnb 為了確保房東的隱私,GIS 的位置存在 0-150 公尺的隨 機測量誤差(random measurement error),故除了刪除缺漏樣本外,亦刪除超過台 北市界線之樣本,共選取 7,518 筆樣本。並如圖 3-2 所示,以地理資訊系統軟體
8 由 Murray Cox 透過爬蟲(python)所提供。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
(ArcGIS)標示 Airbnb 列表(listing)分布點位。
圖 3-2 Airbnb 列表(listing)位置分布
本文採用 Udell(2016)之方法,如圖 3-3 所示,使用 ArcGIS,在同年同月之 住宅不動產交易位置分布 A、B、C 為圓心建立環域(buffer),並計算從 2012 年 7 月至 2016 年 12 月環域中同年同月 Airbnb 列表(listing)之數量,然而如上所提,
Airbnb 列 表 (listing)GIS 的 位 置 存 在 0-150 公 尺 的 隨 機 測 量 誤 差 (random measurement error),致使以住宅交易位置半徑 200 或 500 公尺計算 Airbnb 活動 密度會產生偏誤,故在此處理上,本研究採用以住宅不動產交易位置半徑 1000 公尺所形成的環域計算 Airbnb 列表(listing)的數量,並以此作為 Airbnb 活動密度 變數。雖然根據文獻回顧 Airbnb 對於住宅不動產價格可能之影響是正向或負向,
然而本文根據其他國家現象、政策及理論實證,且台灣住宅空間需求強烈,故 預期符號為正的。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 3-3 住宅不動產交易點位環域圖 資料來源: Udell(2016)
茲將上述流程列於下表 3-1:
表 3-1 Airbnb 活動密度變數處理流程
步驟 項目 說明
步驟一 Airbnb 列表圖層 在 ArcGIS 中匯入台北市界線地圖及 Airbnb 列表點位分布,並刪除超過台北 市範圍之點位,並按照 2012 年 7 月至 2016 年 12 月區分為 54 個圖層。
步驟二 住宅不動產交易
位置圖層
在地理資訊系統軟體(ArcGIS)中匯入台 北市界線地圖及住宅不動產交易點位 分布,並按照 2012 年 7 月至 2016 年 12 月區分為 54 個圖層。
步驟三 Buffer 環域處理 並按照 2012 年 7 月至 2016 年 12 月,
將同年同月之 Airbnb 列表圖層及住宅
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
不動產交易位置圖層合併,並以住宅不 動產交易位置為圓心半徑 1000 公尺進 行環域處理。
步驟四 個數計算 按照 2012 年 7 月至 2016 年 12 月,計 算 54 個合併的圖層裡,住宅不動產交 易位置為圓心半徑 1000 公尺內 Airbnb 列表的數量,以作為 Airbnb 活動密度變 數。
2.面積(Size)
面積越大將會使不動產的總價越高,然因樣本變異性較大故予以取對數處理,
預期符號為正。
3.房間數(Room)
房間數越多將會使不動產的總價越高,預期符號為正。
4.衛浴數(Bath)
衛浴數越多將會使不動產的總價越高,預期符號為正。
5.屋齡(Year)
不動產建物會隨著產生折舊現象,因此屋齡越高對房間應有負面影響。(林 祖嘉、林素菁,1994;張金鶚,1995),本研究預期屋齡對於不動產成交價格預 期符號為負。
6.總樓層數(TFloor)
建築越高通常代表建築投入更多的建材成本與技術,因此總樓層數越高對不 動產價格應有正面的影響(李月華,1997),預期符號為正。
‧
有電梯之華廈(D02buytype)、5 層樓以下無電梯之公寓(D03buytype),現今住宅 型式不同以往以公寓為主,台北市公寓多老舊及欠缺管理,華廈及住宅大樓相較 照樣本是否在 12 個行政區,士林區 LOCA01、大同區 LOCA02、大安區 LOCA03、中山區 LOCA04、中正區 LOCA05、內湖區 LOCA06、文山區 LOCA07、北投區
‧
LOCA08、松山區 LOCA09、信義區 LOCA10、南港區 LOCA11、萬華區 LOCA12,
並以文山區總價最低作為基準(base),設置虛擬變數。
Airbnb 活動密度變 數(Airbnb)
第 i 筆住宅交易點位半徑 1000 公尺內 Airbnb 列表數量
+ Inside Airbnb 自變數(住宅構面)
面積(Size) 第 i 筆住宅登記總面積(平方公尺)取對 + 實價
‧
(D01buytype)
若第 i 筆住宅位於住宅大樓,則 D01buytype=1,否則 D01buytype=0
+ 實價 登錄 華廈(D02buytype) 若第 i 筆住宅位於華廈,則
D02buytype=1,否則 D02buytype=0
+ 實價
‧
LOCA08=1,否則 LOCA08=0
+ 實價 登錄 松山區 LOCA09 若第 i 筆住宅位於松山區,則
LOCA09=1,否則 LOCA09=0
+ 實價 登錄 信義區 LOCA10 若第 i 筆住宅位於信義區,則
LOCA10=1,否則 LOCA10=0
+ 實價
T102=1,否則 T102=0
+ 實價 登錄 民國 103 年(T103) 若第 i 筆住宅於民國 103 年購買,則
T103=1,否則 T103=0
+ 實價 登錄 民國 104 年(T104) 若第 i 筆住宅於民國 104 年購買,則
T104=1,否則 T104=0
+ 實價 登錄 民國 105 年(T105) 若第 i 筆住宅於民國 105 年購買,則
T105=1,否則 T105=0
+ 實價
Airbnb 活動密 度變數
個 3.67 9.87 0 155
‧
(Airbnb)
面積(Size) 平方 (TFloor)
層 9.76 5.01 1 41 (D01buytype)
以虛擬變數處理
華廈
(D02buytype)
以虛擬變數處理
公寓
(D03buytype)
以虛擬變數處理
士林區 (LOCA01)
以虛擬變數處理
大同區 (LOCA02)
以虛擬變數處理
大安區 (LOCA03)
以虛擬變數處理
中山區 (LOCA04)
以虛擬變數處理
中正區 (LOCA05)
以虛擬變數處理
‧
(LOCA06)以虛擬變數處理
文山區 (LOCA07)
以虛擬變數處理
北投區 (LOCA08)
以虛擬變數處理
松山區 (LOCA09)
以虛擬變數處理
信義區 (LOCA10)
以虛擬變數處理
南港區 (LOCA11)
以虛擬變數處理
萬華區 (LOCA12)
以虛擬變數處理
‧
變數,自變數部分除了選取 Airbnb 列表(listing)數量外,更加入其他控制影響旅 館收益之變數,以下就各變數進行定義及說明。(一)變數說明 1.平均收益(Rev)
應變數蒐集旅館收益以分析 Airbnb 對於旅館收益之影響,本文應變數為「台 灣旅宿網」統計之台北市觀光型旅館平均收益。
2.Airbnb 列表(listing)數量(TotalAirbnb)
主要自變數計算 Airbnb 列表(listing)數量以分析 Airbnb 對於旅館收益之影響,
本文計算同年同月台北市 Airbnb 列表(listing)之數量,以作為主要自變數,Airbnb 的短租行為增加旅宿市場的供給,預期排擠觀光型旅館收益,預期符號為負,而 因 Airbnb 列表數量樣本存在較大變異性,故於模型二予以取對數處理。
3.平均訂房價格(Price)
一般而言,訂房價格是影響收入最大的因素,其表示了一家旅館對於房間所 訂出的價格。林豐政等人(2015)認為旅館最主要、最直接的收入來源,就是其住 宿的費用。根據文獻研究結果,研究中預期訂房價格對於旅館每人創造收入的影 響為正向關係,本文選取觀光型旅館平均訂房價格為控制變數,預期符號為正。
一般而言,訂房價格是影響收入最大的因素,其表示了一家旅館對於房間所 訂出的價格。林豐政等人(2015)認為旅館最主要、最直接的收入來源,就是其住 宿的費用。根據文獻研究結果,研究中預期訂房價格對於旅館每人創造收入的影 響為正向關係,本文選取觀光型旅館平均訂房價格為控制變數,預期符號為正。