第四章 實證結果與分析
第二節 台北市住宅次市場界定
國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
第二節 台北市住宅次市場界定
本研究於前一節探討分組分析劃分次市場時，最適當的條件組合以後，本研 究也要觀察此種劃分方式與條件的組合，在劃分不同範圍大小的不動產次市場時，
是否也能夠保有一致而且穩定的改進程度，於是本研究針對過去傳統的次市場界 定方式，以傳統市中心、市區、市郊和行政區以及傳統鄰里次市場，藉由三種不 同規模大小的現行次市場，以分組分析方法在劃分同樣次市場數量的狀況下逐一 比較觀察。
一、新 3 區次市場和傳統市中心、市區、市郊次市場
過去傳統上亦有以空間不連續次市場的區位，進而劃分以控制次市場的房價 效果，像是將臺北市以行政區依房價區分為高價、中價和低價的行政區集合，事 實上，空間不連續的次市場亦有其經濟意涵隱含其中，因為消費者在搜尋住宅商 品時不一定會專注於某些固定區域，而是以住宅的替代性為優先考量，換言之，
即使不具備空間相鄰的性質，只要住宅特徵上能夠互為替代，同樣能夠形成次市 場範圍。
於空間不連續型次市場之操作上，將樣本依價格區分為市中心、市區和市郊 等三大範圍，亦可稱為高、中、低價區，臺北市的市中心為中山區、松山區、大 安區和信義區等四個行政區所組成；而市區則為中正區、士林區、內湖區和南港 區；市郊則由大同區、萬華區、北投區和文山區所組成，此即為傳統的市中心、
市區、市郊次市場。
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
圖 10 新 3 區次市場
將分組分析法所建立的 3 區次市場和傳統市中心、市區、市郊次市場比較 模型配適度和準確度，同樣以 OLS 模型加入 3 個區位虛擬變數操作，並以低價 區為基準，結果如下表，由 OLS 模型結果可知，新的 3 區次市場於模型配適度 上有較大的提升，另外亦計算 MAPE 和命中率於表 21，由結果顯示不論 MAPE 誤 差或 10%、20%命中率，新的 3 區次市場都有顯著的提升，表示新劃分的次市場 增進了估價模型的準確度。
表 21 新 3 區次市場和傳統市中心、市區、市郊次市場 OLS 結果比較表
項目 新 3 區次市場 傳統市中心、市區、市郊
常數項 5.6057***(633.45) 5.608***(635.18) 鄰路關係 -0.0011(-0.57) 0.0042*(2.06) 101Q3 -0.0635***(-12.6) -0.0616***(-11.63) 101Q4 -0.0453***(-9.28) -0.0479*** (-9.33) 102Q1 -0.0373***(-7.52) -0.0409*** (-7.84) 102Q2 -0.0174***(-3.68) -0.0205*** (-4.12) 102Q3 -0.0108*(-2.21) -0.0104*(-2.02) 102Q4 -0.0016(-0.32) -0.0085(-1.66) 103Q1 0.0112*(2.15) 0.0075(1.38)
‧
103Q2 0.0148**(2.93) 0.0087(1.63) 所在樓層 -0.0010(-1.09) -0.0026*(-2.82) Adj R-squared 0.5575 0.5106
共線性檢定 5.22 5.2
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
原臺北市行政區次市場。
重新劃分之臺北市 12 個次市場結果於圖 9，12 個次市場範圍分別以不同顏 色呈現，由圖上範圍可知新的次市場打破原有行政區的疆界，尤其以市中心的中 正、大安和信義，以及相鄰的的中山、內湖和南港最為明顯，但為了比較新建構 的次市場與行政區次市場，以下將以傳統 OLS 模型檢視分類效果。
圖 11 新 12 區次市場
本研究將新的 12 區次市場和行政區次市場 OLS 結果呈現於下表 23，OLS 模型除了使用前述的變數外，更加上 12 個區位虛擬變數以檢視新的 12 個次市 場和 12 個舊有行政區的分區效果。由模型結果可知，除了樓層變數在模型中不 顯著外，其餘變數皆符合顯著情形，尤其是次市場的區位虛擬變數，表示新劃分 的 12 個次市場效果顯著，比較兩模型配適度後也發現，新的次市場模型較行政 區模型有些微提升配適度。
除了比較模型狀況外，亦將 MAPE 和命中率比較呈現於下表 24，亦顯示出 新的臺北市次市場的模型準確度稍優於行政區次市場模型，綜觀以上結果，可知 臺北市舊有行政區次市場的確是可被打破的，新的次市場不論於模型配適度或是
‧
常數項 5.5140***(342.12) 5.6354***(638.26) 鄰路關係 0.0047**(2.79) 0.0041*(2.2) 101Q3 -0.0636***(-14.83) -0.0624***(-13.18) 101Q4 -0.0512***(-12.3) -0.0518***(-11.27) 102Q1 -0.0431***(-10.19) -0.0427***(-9.15) 102Q2 -0.0228***(-5.66) -0.0203***(-4.57) 102Q3 -0.0151***(-3.61) -0.0108*(-2.33) 102Q4 -0.0080(-1.93) -0.0077(-1.68) 103Q1 0.0051(1.16) 0.0032(0.65) 103Q2 0.0057(1.33) 0.0088(1.85) 所在樓層 -0.0013(-1.68) -0.0004(-0.5) 所在樓層帄方 0.0001**(3.14) 0.0001*(2.38) 總樓層 0.0003(1.03) 0.0002(0.54) 電梯 0.0394***(15.2) 0.0459***(15.93) 屋齡 -0.0075***(-31.64) -0.0088***(-33.42) 屋齡帄方 0.0001***(19.06) 0.0001***(20.6)
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
區位虛擬變數 11 0.2375***(16.37) 0.0092*(2.1) Adj R-squared 0.6796 0.6095
共線性檢定 5.2 4.53
註：1. 括弧內為 t 值。
2. ***、**、*分別代表在 1%、5%、10%顯著水準下，該係數顯著易於零。
表 24 新 12 區次市場和台北市行政區 MAPE 和命中率結果比較表 項目 新 12 區次市場 台北市行政區 變動率 MAPE 誤差帄均值 0.1553 0.1720 -9.71%
10%命中率帄均值 0.4125 0.3784 9.01%
20%命中率帄均值 0.7204 0.6774 6.35%
三、新
456 區次市場和傳統鄰里次市場臺北市的傳統鄰里範圍被視為住宅產品集合的最小範圍，等同將同質性住宅 包裹於一個緊縮的密閉範圍中，鄰里內的發展使區域內住宅享有共同生活圈和相 同的鄰里環境特徵屬性，較不會參雜其他具有差異性的住宅特徵而使得模型效果 受到相鄰的住宅屬性影響，故本研究亦欲以分組分析方法與最小統計區整合之結 果比較現行傳統鄰里次市場，以證明分組分析運用於較為細分之劃分範圍時，仍 能較傳統鄰里次市場有更佳之劃分結果。
重新劃分之臺北市 456 區次市場結果於下圖，次市場範圍分別以不同顏色呈 現，由圖上範圍可知新的 456 區次市場組合結果也打破原有傳統鄰里的疆界，尤 其以市中心的中正、大安和信義以及松山區最為明顯，但為了比較新建構的 456 區次市場與傳統鄰里次市場，以下將以 MAPE 和命中率檢視分類效果。
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
圖 12 新 456 區次市場
將分組分析法所建立之 456 區次市場和傳統鄰里次市場比較計算之 MAPE 和命中率於下表，由結果顯示不論 MAPE 誤差或 10%、20%命中率，新的 456 區次市場都有顯著的提升，表示越細緻劃分的次市場準確度以及精緻度都能再度 增加，是符合一般市場分析認知，也再次驗證較為細分之劃分範圍仍能較傳統鄰 里次市場有更佳之劃分結果。
表 25 新 456 區次市場和傳統鄰里次市場 MAPE 和命中率結果比較表 項目 新 456 區次市場 傳統鄰里次市場 變動率 MAPE 誤差帄均值 0.1055 0.1188 -11.22%
10%命中率帄均值 0.5676 0.5309 6.91%
20%命中率帄均值 0.8602 0.8293 3.73%
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University