第五章 結論與建議
第二節 建議
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
觀察特定住宅類型之租金走勢，應進行適當之分類。另外，從實證結果推測，租 屋網之平均點擊次數確實與租屋潛在需求有所關聯，故政府亦可透過觀察不同地 區、不同住宅類型之平均點擊次數之變化，來進一步了解某些地區或某些類型之 租屋需求變動情形，作為擬定相關租屋政策之依據之一。
二、 後續研究建議
（一） 不同縣市之租屋網點擊次數與租金之關係與預測能力
本研究受限於資料取得的限制，僅以臺北市之資料建立模型，無法將實證範 圍擴張至其他縣市。若未來能夠取得不同縣市經營租屋網之點擊次數資料，則可 針對不同縣市進行分析，探討不同縣市是否會因網路使用的習慣或其他因素而使 租屋網點擊次數的預測能力有不同之結果。
（二） 研究實價登錄之點擊次數與房價之關聯
若可取得實價登錄之點擊次數資訊，可進一步觀察點擊次數與房價之關聯是 否與租金類似。以及是否可以透過納入具有即時性之實價登錄點擊次數提前預測 房價走勢，使政府能夠更好的了解、監控房價的走勢。
（三） 探討租屋網點擊次數與租屋成交量之關係
受限於資料取得的困難，本研究缺乏對於租屋交易量之探討，倘未來能夠取 得租屋交易量之資料，可進一步分析租屋網點擊次數之關係，以及其是否亦可用 於預測租屋成交量之變化。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第五章 結論與建議
‧
‧
黃智聰、梁儀盈（合譯），2013，計量經濟學（原作者：Carter Hill, R., Griffiths W.
E., Lim G. C.），臺北市：雙葉書廊有限公司。（原著出版年：2011）
張金鶚、陳明吉、鄧筱蓉、楊智元，2009，「臺北市房價泡沫知多少？—房價 vs.
租金、房價 vs.所得」，『住宅學報』，18（2）： 1-22。
張誌文，2011，「影響房地產價格之總體因素分析」，國立臺灣大學經濟學研究 所學位論文。
張紹勳，2016，「Panel-data 迴歸模型- Stata 在廣義時間序列的應用」，五南圖書 出版股份有限公司。
盧方元與魯敏，2009，「中國農村居民消費结購的 Panel Data 模型分析」，『數 理統計與管理』，28（1）： 122-127。
譚術魁與李雅楠，2013，「基于 Panel Data 模型的中國土地市場發育區域差異及 其對房價的影響」，『中國土地科學』，27（2）： 9-15。
‧
Incidence Using Search Query Surveillance", PLoS Negl Trop Dis 5（8）： e1258.Aoki, K., Proudman, J. and Vlieghe, G., 2004, "House Prices, Consumption, and Monetary Policy ： a Financial Accelerator Approach", Journal of Financial Intermediation, 13（4）：414–435.
Babalola, S. J., Umar, A.I. and Sulaiman, L. A., 2013, "An Economic Analysis of Determinants of House Rents in the University Environment", European Scientific Journal, 9（19）： 99–111.
Baltagi, B, H. , 2005, "Econometric Analysis of Panel Data",3rd ed., John Wiley &
Sons Inc, p.1-9
Beatty, S. E. and Smith, S. M., 1987, "External Search Effort： An Investigation Across Several Product Categories", Journal of Consumer Research, 14（1）： 83-95.
Beltratti, A. and Morana, C., 2010, " International House Prices and Macroeconomic Fluctuations", Journal of Banking and Finance,34（3）：533-545.
Campos, J., Ericsson N. R., and Hendry D. F., 2005, " General-to-specific Modeling:
An Overview and Selected Bibliography", FRB International Finance Discussion Paper, 838.
Cornin, F. J., 1982, "The Efficiency of Housing Search", Southern Economic Journal, 48（4）： 1016-1030.
Choi, H. and Varian, H., 2012, "Predicting the Present with Google Trends", The Economic Record, 88（S1）： 2-9.
Chia, C. and Lin, S., 1993, "The Relationship Between Rents and Prices of Owner-Occupied Housing in Taiwan", Journal of Real Estate Finance and Economics, 6
（1）： 25-54.
Darrat, A. F. and Glasock, J. L., 1993, "On the Real Estate Market Efficiency", Journal of Real Estate Finance and Economics, 7（1）： 55-72.
Demchenko, Y., Grosso, P., De Latt C. and Membrey P., 2013, "Addressing Big Data Issues in Scientific Data Infrastructure",in First International Symposium on Big
Data and Data Analytics in Collaboration （BDDAC 2013）. Part of The 2013 Int. Conf. on Collaboration Technologies and Systems （CTS 2013）, May 20-24,
2013, San Diego, California, USA.Erevelles, S., Fukawa, N. and Swayne L., 2016, " Big Data Consumer Analytics and the Transformation of Marketing", Journal of Business Research, 69 （2）： 897–
904.
Ettredge, M., Gerdes, J. and Karuga, G., 2005, " Using Web-based Search Data to Predict Macroeconomic Statistics", Communications of the ACM, 48（11）： 87–
‧
Feng, G., Gao, J., Peng, B. and Zhang, X., 2017, " A Varying-coefficient Panel Data Model with Fixed Effects： Theory and an Application to US Commercial Banks", Journal of Econometrics, 196（1）： 68–82.
Follain J.R.& Malpezzi S., 1980, "Dissecting Housing Value and Rent. ", Washington DC: The Urban Institute.
Gallin, J., 2008, " The Long-Run Relationship Between House Prices and Rents", Real Estate Economic, 36 （4）： 635–658.
Goel, S., Hofman, J. M., Lahaie, S., Pennock, D. M. and Watts, D. J., 2010, " Predicting Consumer Behavior with Web Search", PNAS 107（41）.
Goodhart, C. and Hofmann, B., 2008, " House Prices, Money, Credit and the Macroeconomy", Oxford Review of Economic Policy, 24 （1）： 180–205.
Leung, K. M. and Yiu, C. Y., 2018, " Rent determinants of sub‑divided units in Hong Kong", Journal of Housing and the Built Environment.
McLaren, N. and Schanbhogue, R., 2011, " Using Internet Search Data as Economic Indicators", Bank of England Quarterly Bulletin, 51（2）： 134-140.
McCue, T. E. and Kling, J. L., 1994, " Real Estate Returns and the Macroeconomy：
Some Empirical Evidence from Real Estate Investment Trust Data, 1972-1991", The Journal of Real Estate Research, 9 （3）： 277-287.
Nelson, P., 1970, " Information and Consumer Behavior", Journal of Political Economy, 78 （2）： 311-329.
Niu, S., Ding, Y., Niu, Y., Li, Y. and Luo, G., 2011, " Economic Growth, Energy Conservation and Emissions Reduction： A Comparative Analysis Based on Panel Data for 8 Asian-Pacific Countries", Energy Policy, 39（4）： 2121-2131.
Potepan, M. J., 1996, " Explaining Intermetropolitan Variation in Housing Prices, Rents and Land Prices", Real Estate Economics, 24 （2）： 219-245.
Rae, A., 2015, " Online Housing Search and the Geography of Submarkets", Housing Studies, 30 （3）： 453-472.
Stigler, G. J., 1961, " The Economics of Information", Journal of Political Economy, 69 （3）： 213-225.
Vosen, S. and Schmidt, T., 2011, " Forecasting Private Consumption： Survey-Based Indicators vs. Google Trends", Journal of Forecasting, 30（6）：565–578.
Wu, L. and Brynjolfsson, E., 2015, " The Future of Prediction： How Google Searches Foreshadow Housing Prices and Sales", Economic Analysis of the Digital Economy,1st ed., National Bureau of Economic Research Conference Report, 89 – 118.