第二章 文獻回顧
第四節 小結
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第四節 小結
銀行在對使用者提供金融服務的本質上實與其他公共設施無異，屬於 便利性服務設施，此外，銀行又具有其他服務性設施所沒有的聚集特性，
從宏觀的角度來看，商業因外部經濟及吸引消費者等因素而聚集，並吸引 銀行設立分行以滿足其對金融服務的需求，從微觀角度來看，銀行相同的 選址原則促成銀行聚集，而銀行聚集進一步產生外部經濟及對不動產之需 求，進而對週遭不動產價格產生影響。惟以往特徵價格的研究對於影響不 動產價格之因素多以面積、屋齡、臨路寬度、樓層數、距離公園距離、距 離捷運站距離、距離學校距離等作為分析變數，少見有文獻以銀行作為分 析變數之研究，更未有對銀行聚集與不動產價格相關之研究。
因銀行挾其鉅額資金及獲利能力，往往能給付較高的價格或租金而佔 有較佳的區位，就實際之觀察，銀行之設立有相當明顯的聚集，且聚集於 高價地段，皆是其他公共設施未有的特性，若是銀行之聚集程度與商業聚 集之程度呈正向關係，則不動產價格與銀行間的距離及鄰近銀行的聚集程 度，亦應有一定之關係，預期不動產越接近銀行，價格越高，鄰近銀行的 聚集程度越高，價格越高，而此一關係於住宅用不動產與辦公用不動產間 因其用途不同，應有程度上之差異。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
‧
究上最常使用的方法為統計上之迴歸分析（Regression Analysis）， 就是選取影響不產價格的因素為自變數，與不動產價格為依變數之間 建立一適當的廻歸模型，用以分析不動產價格或影響不動產價格之因 素。影響不動產價格之因素相當的多，包含有面積、屋齡、樓高、所
‧
於共線性的問題，本研究以變異數膨脹因素（variance inflation factor, VIF）作為共線性之指標，VIF 的值愈大，表示自變數的容忍 度愈小，愈有共線性之問題，一般而言，VIF 大於 10 以上，模型自變 數間即可能存有共線性問題（Neter et al., 1990；吳明隆、張毓仁，2011），在模型的建構上係透過整併或刪減自變數來避免共線性問題對 迴歸模型參數估計的干擾。
在函數型態上，因半對數函數除可表達每一特徵價格的變化量外，
另可減少資料的異質性（Lipscomb and Farmer, 2005；Sirmans et al., 2005；Zietz et al., 2008），故本研究採用半對數之特徵價格模型如 下：
‧
ClassC）、交易面積（Scale）、屋齡（Age）、總樓層數（Tfloor）、結 構（Strcut）、全棟成交（Ttrade）、是否標售（Auction）、臨路寬度
（Roadwide）、距捷運站之距離（DMRT）、距大型展場或會議中心距離
（DExb）、距室外（無偽裝）變電所距離（DPowerDS）。
經計算台北辦公商圈內銀行分佈之近鄰距離為 44 公尺(詳 33 頁)，
為便於計算分析及凸顯銀行服務範圍之影響，本研究將距銀行距離之 自變數改以距銀行 50 公尺之反距（RDBank50）代替，亦即在分析距銀 行距離與不動產價格關係時，設定銀行的影響範圍在 50 公尺內，在超
‧
之反距（RDBank200），來探討距銀行距離與住宅不動產價格間之關係。本研究於銀行區位與住宅價格關係之特徵價格模型納入之變數如
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
下：時間（Y2009～Y2011）、行政區-萬華區（District1）、大同區
（District2）、中正區（District3）、中山區（District4）、大安區
（District5）、松山區（District6）、內湖區（District7）、建物面 積（Scale）、屋齡（Age）、所在樓層（Infloor）、總樓層數（Tfloor）、 移轉樓層-一樓（IsFloor1）、移轉樓層-四樓（IsFloor4） 、移轉樓層-頂樓（IsFloorTop）、臨路寬度（Roadwide）、與百貨公司距離
（DDptstore）、與主要公園距離（DPark）、與國小之距離（DSchool）、 距捷運站之距離（DMRT）、距室外（無偽裝）變電所距離（DPowerDS）、 與殯儀館距離（DMSO），以及距銀行 200 公尺之反距（RDBank200），並 建立特徵價格模型如式（3）。
LnP= + 2008 + 2009 + 2010 + 2011 + 2012 +
.-'&- '1 + .-'&- '2 + .-'&- '3 + .-'&- '4 +
.-'&- '5 + .-&'- '6 + .-&'- '7 + +
!" + >*$%%& + #$%%& + >?%%&1 +
>?%%&4 + >?%%&#%@ + +%),-) +
..@''%& + .@&4 + . ℎ%% + ./+# +
.3%, &. + ./ 7 + +.*4200 + 6 ………（3）
而為探討銀行之聚集程度與住宅價格間之關係時，本研究將銀行 聚集與住宅價格的關係以街廓的角度處理，以足以涵蓋研究範圍內大 部份的街廓13，直徑 200 公尺為範圍，並與模型（3）所設定銀行影響 的距離相對應，故將銀行距離之變數置換為銀行之聚集程度之虛擬變 數 100 公尺 1 家銀行（OneBK100）、100 公尺多家銀行（ManyBK100）， 建立特徵價格模型如式（4）。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
LnP = + 2008 + 2009 + 2010 + 2011 +
2012 + .-'&- '1 + .-'&- '2 + .-'&- '3 +
.-'&- '4 + .-'&- '5 + .-&'- '6 + .-&'- '7 +
+ !" + >*$%%& + #$%%& + >?%%&1 +
>?%%&4 + >?%%&#%@ + +%),-) +
..@''%& + .@&4 + . ℎ%% + ./+# +
.3%, &. + ./ 7 + 7* 9100 +
/*89100 + 6 ………（4）
上列四式特徵價格方程式中 P 代表成交單價，α0為截距項，ε為 殘差項。依據上述特徵價格模型，以 SPSS 統計軟體迴歸分析，檢視各 自變數及依變數之間，是否具有統計上的顯著關係。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第二節 銀行聚集之衡量
銀行聚集之界定
黃幹忠、葉光毅（2000）選定台南市中心商業區內婚紗、書局、
電腦資訊等三個業種的資料，利用業種分佈機率分配為常態分配之假 設，求取出各業種的最近距離，並據以求出各業的聚集狀況。發現店 面寬度超過 12 公尺的商店，大多為百貨、金融機構保險業、旅館大飯 店、婚紗等四個業種。高地價區的業種聚集情況明顯，顯示僅高獲利 性業種可設立於高地價區段，這實證的發現符合 Alonso（1964）競租 理論的預期，是以當銀行的競租能力相當，在都市優良區位供給有限 之下，競租之結果便會傾向聚集。
其提出「最近鄰距離」指標能有效評估特定業種聚集與否，在假 設某業種之商店分佈為隨機分佈時，令商店間之最近鄰距離的機率分 佈函數為 F（d），可表示如下：
FG)H = 1 I expGIMN)H
其中，λ為商店之平均密度，
d
表商店間的最近距離。意義為隨著 距離的擴大，面積會更急速擴大，致商店的聚集密度遞減加快。若此一分佈狀態在顯著水準為α時，令 F（
d
）=α，由上式導出商 店間最近鄰距離為：α = 1 I expGIMN)H
1 I α = expGIMN)H 兩邊同取 Ln ln （1 I α） = IMN)
得到) = PQIln （1 I α） MN⁄ S
將α以 0.05 之顯著水準代入即可求得商店在隨機分佈下的最近距離。倘店 鋪間的實際距離小於
d
值，表示店鋪間最近距離重疊，有聚集的現象。由 圖 3-1 的示意，更易於了解利用最鄰距離d
值來衡量商店是否產生聚集的 意義。‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
資料來源：黃幹忠、葉光毅（2000：236）
圖 3-1 商店聚集示意圖
而將商店聚集的關係中，以銀行取代商店，並加入觀察的不動產標的便於 地理空間形成不動產鄰近銀行聚集的關係，如圖 3-2。
道路
A銀行 B銀行
道路
A銀行 B銀行
道路
A銀行 B銀行
道路
A銀行 B銀行
C銀行 標的
標的
標的
標的
銀行影響範圍 銀行影響範圍
銀行影響範圍
銀行影響範圍 銀行影響範圍
銀行影響範圍
銀行服務影響距離d
影響圈內無銀行 影響圈內有2家銀行聚集
影響圈內有1家銀行 影響圈內有多家銀行聚集
圖 3-2 銀行聚集示意圖
‧
如：WMS、WFS…等)及各種功能。參見 http://www.qgis.org/en/site/index.html 15 Batchgeo 公司所提供之服務，請參見其官網 https://batchgeo.com/16 KML 全稱：Keyhole Markup Language，是基於 XML(eXtensible Markup Language, 可擴展標記語言)語法標準的一種標記語言（markup language），採用標記結構，
含有嵌套的元素和屬性。由 Google(谷歌)旗下的 Keyhole 公司發展並維護，用來表
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 3-3 台北市辦公商圈-銀行與辦公大樓分佈圖
本研究蒐集的不動產成交樣本與銀行於地理空間之分佈如圖 3-4 及圖 3-5，可以發現無論是辦公用不動產或是住宅用不動產，皆有許多銀行分佈 其間，為求取不動產鄰近銀行之聚集資料，以地理資訊系統之距離矩陣輸 出 20 筆最近距離資料，分別得到鄰近辦公室 20 家銀行資料 4,680 筆，鄰 近住宅 20 家銀行資料 135,360 筆，再篩選研究所設定銀行服務影響範圍之 距離（25 公尺、100 公尺），得到成交案例樣本設定距離內的銀行家數，用 以計算銀行聚集程度。
致於本研究之主要研究變數─距銀行距離（DBank），則參考前述之「最 近鄰距離」指標的作法，先將台北市本國銀行的分佈設為隨機分佈，定出 最近鄰距離的隨機分佈函數 F（d），再以研究範圍內的行政區為劃分，計算 出實際銀行分佈的密度λ，在顯著水準α=0.05 下代入函數
) = PQIln （1 I α） MN⁄ S
計算出銀行在各行政區內最近鄰距離的隨機分佈距離（如表 3-1）。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
表 3-1 研究範圍內銀行隨機分佈下之近鄰距離
區 別 面 積（平方公尺） 銀行數 分佈密度（λ） d（α=0.05）
松 山 9,287,800 128 1.37815E-05 34 信 義 11,207,700 86 7.6733E-06 46 大 安 11,361,400 179 1.57551E-05 32 中 山 13,682,100 176 1.28635E-05 36 內 湖 31,578,700 84 2.66002E-06 78 大 同 5,681,500 60 1.05606E-05 39 萬 華 8,852,200 32 3.61492E-06 67 中 正 7,607,100 103 1.354E-05 35 合計 99,258,500 848 8.54335E-06 44
從行政區來看，大安區銀行密度最高，在隨機分佈假設下之銀行間近 鄰距離僅 32 公尺，而分散最遠的則是內湖區，近鄰距離為 67 公尺，以總 面積而言，有 848 家本國銀行分佈其間，銀行間的近鄰距離為 44 公尺。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 3-4 台北市辦公商圈辦公大樓 2007Q1~2012Q3 成交案例與本國銀行分佈圖
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 3-5 台北市辦公商圈住宅 2007Q1~2012Q3 成交案例與本國銀行分佈圖
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第三節 資料及變數說明
資料來源
在 2012 年 8 月實價登錄制度實施前，定期發佈不動產成交案例之 資訊來源主要有二，分別為內政部地政司公告之房地產交易價格簡訊，
以及由吉家網股份有限公司編輯出版的台灣不動產成交行情公報；而 國內有關不動產價格之研究，實證資料亦多來自於此二資料庫。由於 其資料涵蓋期間均在十年以上，且廣為實務及學術界所採用，應有一 定程度之可靠性，故本研究由此二資料來源蒐集成交案例。
另一方面，由於商用不動產之買方或賣方，有相當高的比例為建 設公司、金融業及壽險公司，其買賣訊息多會公告於公開資訊觀測站，
資料正確性及可信度極佳，故本研究亦自該網站中搜尋台北市之辦公 室成交案例。此外，台北市內已有多家專營商用不動產買賣和租賃之 仲介公司，並經常受託辦理商用不動產拍賣會；其所發佈之季刊或新 聞稿，常有整理商用不動產市場之成交資訊，亦提供許多高可信度之 成交案例。
資料範圍
空間範圍
本研究以台北市主要辦公商圈為空間範圍，惟受限於蒐集資料，
未納入南港經貿園區（如圖 3-6 台北市主要辦公商圈）。對於住宅成交 案例，則選取前述範圍相對應之行政區，計有萬華區、大同區、中正 區、中山區、大安區、松山區、內湖區及信義區（如圖 3-7 台北市主
未納入南港經貿園區（如圖 3-6 台北市主要辦公商圈）。對於住宅成交 案例，則選取前述範圍相對應之行政區，計有萬華區、大同區、中正 區、中山區、大安區、松山區、內湖區及信義區（如圖 3-7 台北市主