第一章 緒論
第三節 研究架構
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第一章 緒論
第三節 研究架構
本研究內容架構如下：第一章緒論，說明研究平均點擊次數資訊與租金之關 聯的動機、目的，以及範圍與限制。第二章文獻回顧，首先說明大數據資料在過 去文獻中之應用以及與不動產之關聯。第二部分回顧過去房價與租金之關聯以及 相關模型之建置，最後再回顧過去追蹤資料模型（Panel Data）之理論及相關文 獻。第三章研究方法與研究設計，將說明本研究所使用之追蹤資料模型（Panel Data），以及根據過去文獻所決定之變數之意義及其敘述性統計。第四章為實證 分析，透過上述之研究方法與資料進行實證分析，得出本研究之實證結果。第五 章結論與建議，針對本研究研究之結果進行說明，提出對於政策以及後續研究之 建議。而研究流程圖如下頁圖 1-2 所示：
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖1- 2 研究流程圖
資料來源：本研究自行繪製
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第一章 緒論
‧
顧追蹤資料模型（Panel Data）之相關文獻。第一節 搜尋行為與網路大數據
‧
為來提升消費者購買選擇的品質。Nelson（1970）、Beatty and Smith（1987）亦 點出消費者的搜尋行為對於消費決策有著顯著的影響。 1.82ZB，並預估在 2020 年時，全世界所產出的數據量將到達 44ZB。由上述資料 可以得知數據量的增加速度十分驚人，已經到達每兩年增長一倍以上的速度；此
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
樣性）、Veracity（真實性）和 Value（價值），其概念如圖 2-1 所示。大數據資 料與過去傳統資料相比，具有高速、大量的特性。又，在多樣性方面，過去傳統 的資料主要是由蒐集資料者透過調查、訪談等方式取得，以結構性資料為主；然 而大數據資料則主要是由各個網路使用者在使用網路時所留下的數據資訊所構 成，同時包括了結構性與非結構性的資料8，資料來源更加的廣泛。除了上述特質 外，由於大數據資料一般所呈現的是網路使用者在使用網路時所留下的第一手資 訊，未經過其他人主觀的整理、判斷、分類，因此可以呈現出網路使用者最真實 的情況。這也使得大數據資料可以提供許多過去因技術限制而無法取得之細節資 訊，在學術研究、企業使用上具有高附加價值。
圖2- 1 大數據 5V 概念圖
資料來源：Demchenko et al.（2013）
Erevelles et al. （2016）則以 Volume（數量）、Velocity（速度）、Variety（多 樣性）來解釋消費者大數據資料。該文獻點出消費者大數據之資料量增加的速度 隨著網路使用的日漸普及化而不停快速的上升，且相較於以往傳統普查資料更具
8 非結構性資料包括文字資料與非文字資料，前者如部落格的文字資訊，後者包括影音、影像
等。
‧
過去，Goel et al.（2010）、Choi and Varian（2012）皆曾點出消費者購買行 為前搜尋行為的存在，而 Nelson（1970）、Beatty and Smith（1987）則進一步點 出消費者之搜尋行為對於其最終的購買決策有顯著的影響。依據上述文獻，筆者 以更進一步的了解消費者的行為模式，如：Erevelles et al.（2016）便曾指出透過
‧
標，納入模型中用以預測現在或是未來趨勢。Choi and Varian（2012）便指出現 今社會如 Google、MasterCard、Federal Express 等公司皆擁有較具有即時性的資 料來源。該文獻以 Google Trends 關鍵字建立搜尋指標，發現納入 Google Trends 搜尋指標的模型對於預測短期經濟趨勢是十分有幫助的。該文獻以 Google Trends 不同類型的搜尋指標成功建立了汽車銷售量、失業津貼、旅遊地點、消費者信心 之時間序列預測模型，發現納入搜尋指數的模型對於預測當期（Nowcasting）具 有顯著的效果。在經濟活動的預測方面，Vosen and Schmidt（2011）建立了 2005~2009 年之 消費預測模型，該文獻以 Google Trends 搜尋指標建立時間序列模型，並將該模 型與依據傳統密西根大學的消費者情緒指數、美國經濟諮商會（Conference Board）
發表的消費者信心指數所建立的模型進行比較，發現加入搜尋指標的模型之預測 力明顯較佳。McLaren and Shanbhogue（2011）也曾經點出隨著大數據的產生，
使得研究者、企業可以透過消費者搜索耐用品的資訊來了解耐用品的需求變化。
該文獻同時指出由於面臨失業者會透過網路來搜尋相關失業救助與搜尋新工作，
因此透過觀察特定網路關鍵字9，可以監控勞動力市場。除此之外，Goel et al.（2010）
亦曾透過關鍵字搜尋指標所建立之時間序列模型來預測電影開幕週末票房收入、
電子遊戲第一個月銷售額以及 Billboard Hot 100 排行榜上的歌曲排名，發現關鍵 字搜尋指標在該些模型中有顯著的解釋能力。
除了經濟面向外，網路大數據亦被應用在疾病監測方面，Althouse et al.
（2011）為了預測登革熱發病情形，透過新加坡衛生部與泰國流行病學局之資料，
檢測網路搜尋資料和流行病之關係。而該文獻證實在模型中納入 Google Flu Trends 之搜尋指標，對於改善預測結果有著顯著的效果。Goel et al.（2010）則透
9 該文獻發現「失業」、「JSA」（求職者津貼的首字母縮寫）是用以觀測勞動市場的良好搜尋關
鍵字指標。
‧
並繪製出搜尋熱區。McLaren and Shanbhogue（2011）則透過線上搜尋指標來檢 視英國住宅市場，該文獻指出，由於不動產市場的買賣雙方皆會透過網路來觀察 市場的狀況並宣傳不動產，因此網路搜尋與不動產市場狀況有關，透過模型的建 立，該文獻證實不動產價格與「房仲公司」之關鍵字的搜尋指數有顯著的關聯。
Wu and Brynjolfsson（2015）便曾談及過去社會科學研究較著重於改善研究 方法以預測未來社會、經濟的趨勢，然而隨著科技提升與大數據資料的出現使研 Association of Realtors）所提供的預測資訊更為準確。林筱真（2016）則曾經透 過出現在新聞媒體上的特定字串來判斷不動產市場的氛圍，並發現新聞情緒與不
10 本文所選用的 Google Trends 搜尋指標主要以不動產搜尋類別中的不動產仲介（Real Estate Agencies）以及上市房地產（Real Estate Listing）兩種進行搜尋指數的建立。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
網路搜集訊息所需之資訊已經成為明顯的趨勢，且由於居住議題一直是受到許多 人關注的重點之一，本研究希望能夠透過網路搜尋大數據實際了解臺北市的租金 狀況，更進一步了解租賃市場。
‧
影響租金之個體經濟模型，如：Leung and Yiu（2018）便曾探討屋齡、樓層、窗 戶、廁所等因素對於香港分租住宅租金的影響；Babalola et al.（2013）則以屋齡、是否供水、電、廁所以及大學區域和房租的交成項來探討租金；林祖嘉（1989）、
Chia and Lin（1993）亦透過影響房價之特徵價格因子討論房租的金額；李馨蘋與 劉代洋（1999）則是建立了半對數與雙對數特徵價格模型，並以住宅實體特徵11、
‧
‧
Kling（1994）以及 Darrat and Glasock（1993）亦曾經透過總體經濟因子探討不動 產投資的報酬，前者探討了不動產投資信託報酬與消費者信心指數、短期名目利 率等總體經濟因子之關聯；後者則指出透過工業產出、利率、風險溢價以及貨幣 政策可以有效率的了解不動產市場，且不動產市場與財政政策有顯著關係。除上述文獻外，國外也有探討總體經濟因子與房價關聯之研究，如：Aoki et al.（2004）發現房屋除了是提供消費者住房服務之財貨外，同時也常作為抵押品，
因此使得房價會受到家戶消費和貨幣政策之影響。Goodhart and Hofmann（2008）
並進一步指出廣義貨幣、信貸、利率等總體經濟因子會影響房價。Beltratti and Morana（2010）則曾透過研究 G7 地區16房價與總體經濟因素之關係，指出兩者
‧
17 該文獻將資產價格分為基值（fundamental value）以及資產泡沫兩部分
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第二章 文獻回顧
可以發現該文獻所放之變數雷同，故本研究由此推知總體經濟影響租金與房價之 因素應類似。
綜上所述，過去眾多文獻皆證實了房價與租金有著密切的關聯，許多實證結 果皆證實了房價與租金之間會互相影響，且租金係房價之基本面。因此，依據彭 建文（2004）所建立之模型，以及上述房價與租金間的關聯性，筆者推測許多影 響房價之總體因素亦將同時成為影響租金之因素。
三、 小結
綜整前述文獻之內容，可以得知不動產市場與總體經濟有著密不可分的關係，
不動產市場往往會受到總體經濟之變動而隨之產生變化。又，租金與房價之關聯 同樣密切，就如同 Potepan（1996）、Gallin（2008）、簡嘉嫺（2018）所述，
住宅市場與住宅租賃市場有著密不可分的關係，兩者之間經常彼此影響。且若由 不動產收益觀點觀之，租金即為不動產之長期收益，經過適當的資本還原率還原 後即為不動產之收益價格，又可以被視為不動產之基值。
惟租賃市場與買賣市場仍有所差異，故影響購屋市場之總體經濟因子與影響 租賃市場之總體因子應仍有一定之差異性。因此，本研究將針對各項影響房價之 總體經濟因素進行判別後，再架設適當之租金總體經濟模型。
‧
美國俄亥俄大學所建立之長期勞動市場追蹤資料（National Longitudinal Surveys of Labor Market Experience）、密西根大學的所建立的 PSID 資料集18 （University of Michigan’s Panel Study of Income Dynamics）以及我國所建置之華人家庭動態 資料庫。
隨著追蹤資料模型分析逐漸普及，許多不同領域之文獻皆開始使用追蹤資料 分析，如：在金融領域 Feng et al.（2017）便透過追蹤資料模型分析美國商業銀 行規模收益與銀行監管之關係；能源與經濟領域則有 Niu et al.（2011）研究二氧
‧
（Pooled Model）、雙因子效果模型（Two-way Effects Model）、特定個體效果 模型（Individual-specific Effects Model）、混合/隨機係數模型（Mixed Model or Random Coefficients Model）；非線性模型則主要指的是羅吉特（Logit）與機率
（Probit）模型。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
另外，除了透過觀察所取得之資料是否係透過隨機抽樣取得之方法判斷應使 用固定效果或隨機效果的方式外，亦可透過觀察個體效果與模型之解釋變數間是 否具有相關性來進行判別。在隨機效果模型中，其模型假設為個體效果與解釋變
另外，除了透過觀察所取得之資料是否係透過隨機抽樣取得之方法判斷應使 用固定效果或隨機效果的方式外，亦可透過觀察個體效果與模型之解釋變數間是 否具有相關性來進行判別。在隨機效果模型中，其模型假設為個體效果與解釋變