第四章 模型建立與實證結果分析
第二節 變數選取
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
27
第二節 變數選取
一、新推個案資料模型變數
(一) 樓層數
樓層數隱含建築技術的進步與建材的耐用度提昇，建築技術規則建築設計施 工篇第 227 條至 259 條更對高層建築物13的建築構造、防火避難設施、建築設備 有嚴謹的規範，對建商而言將付出更高的營建費用。另外，樓層數越高亦可能使 該建築物擁有較佳的景觀與通風採光條件，對價格會有正面影響。故預期係數校 估為正。
(二) 主力坪數
主力坪數為一個案主要銷售的面積大小，單位為坪，其公式如式(5)。通常 而言，坪數代表一家戶可使用的空間範圍，亦是購屋者通常最重視的品質特徵之 一，坪數越大則住宅品質越高。故預期係數校估為正。
最大可銷售坪數 最小可銷坪數
(5)
(三) 推案戶數
當戶數過多時，容易使社區內的公共設施損耗率增加，例如許多大型社區內 存在游泳池閒置的問題，且戶數過多將使住宅管理委員會難以行使權利義務或有 居住者混雜程度較高之虞，例如住戶大會的參加人數無法達到法定門檻，故一建 築個案內總戶數多寡將影響硬體設施的維護與管理組織的運作，進而影響住宅品 質與生活品質，預期係數校估為負。
(四) 區位虛擬變數
本研究將台北市與新北市各行政區，劃分為市中心、市區與郊區14，如表八、
圖二與圖三所示，在模型中以市郊為被比較地區。由於市中心與市區，相較於市
13 係指高度在五十公尺或樓層在十六層以上之建築物。
14 Adair, McGreal, Smyth, Cooper, & Ryley(2000)指出將都市內的行政區按照可行性劃分，有助了 解區位的差異對房價的影響。本研究考量台北市與新北市各行政區的房價水準與交通可及性後，
劃分為市中心、市區與市郊。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第四章、模型建立與實證結果分析
28
郊，生活機能充足、公共設施完善、交通便捷，對房價有正面影響。故預期虛擬 變數為正。
表八 台北市與新北市地區虛擬變數之行政區劃分
區位劃分 台北市 新北市
市中心 中正區、大安區、信義區 板橋區、新店區、永和區、中和區
市區 中山區、松山區、士林區、內湖區、 土城區、三重區、新莊區、蘆洲區
市郊
大同區、萬華區、北投區、南港區、
文山區
污止區、深坑區、石碇區、三峽區、
鶯歌區、樹林區、泰山區、林口區、
五股區、八里區、淡水區、三芝區、
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
29
圖二 台北市市中心、市區與市郊之區位劃分
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第四章、模型建立與實證結果分析
30
圖三 新北市市中心、市區與市郊之區位劃分
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
31
(五) 時間虛擬變數
在彙總資料模型當中，除了上述變數之外，並加入以年為區間的時間虛擬變 數，並以 2006 年當作被比較期。故模型包含代表 2000 年至 2005 年與 2007 年至 2009 年，共 9 個變數，其代號以 y2000、y2001……等，以此類推。
二、中古屋交易資料模型變數
(一) 建物面積與建物帄方
建物面積與主力坪數所代表的意義類似。中古屋交易資料係以住宅單元做為 買賣對象，故能知道每一筆(戶)的室內面積大小，與新推個案的主力坪數，係代 表該個案所有可售的住宅單元中，具有代表性的室內面積，觀念上略有不同。惟 其均代表可使用的空間範圍，另外，由於建物面積對價格的影響並非線性的，故 另外加入帄方項。預期建物面積之校估符號為正，帄方項則為負。
(二) 總樓層
同新推個案住宅，預期校估符號為正。
(三) 所在樓層
所在樓層是指住宅單元位於該建築物的樓層數，其垂直可及性將使房價出現 差異。所在樓層越高可享受較好的通風採光與景觀環境。故預期校估符號為正。
(四) 屋齡與屋齡帄方
屋齡係反應建物的折舊情形，屋齡越高的住宅，對其房價將產生折價效果。
為最常使用的特徵變數之一，預期校估符號為負。惟屋齡的增加對房價的影響為 非線性的關係，此可能與老舊住宅的擁有古跡價值或是存在未來土地再開發的利 基因素有關，故需在模型中頇加入屋齡的帄方項，預期校估符號為正。而由於資 料當中傴有建物竣工日期與審核日期，故先計算兩日期間的總天數，再除以 365 天，以年為單位計算屋齡。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第四章、模型建立與實證結果分析
32
(五) 位於 1 樓虛擬變數
雖然所在樓層越高的住宅，可能因擁有良好的通風採光與視野而有較高的價 格，但位於 1 樓的住宅因可及性較高，對於老年人與行動不便者來說，出入較為 方便，對於價格有正面影響，故設定此虛擬變數，位於 1 樓者為 1，其他樓層為 0，預期校估符號為正。
(六) 近交通設施虛擬變數
資料中包括距離交通設施、公園與學校等欄位，單位為公尺，若其距離小於 500 公尺內有該便利設施，則設定虛擬變數為 1，若超過 500 公尺，則設定為 0。
因交通設施所代表的是「行」的便利性，故其校估符號應為正。
(七) 近公園虛擬變數
都市住宅擁擠、綠地空間稀少，而公園便是提供都市人休閒、運動與社交活 動的空間，臨近公園的住宅，其窗外景色、空氣品質皆可能較好，對於房價應有 正面影響，故校估符號預期為正。
(八) 近學校虛擬變數
國人注重子女教育與就學的便利程度，距離學校越近亦能享受類似公園的寬 闊休閒場所，故對房價應有正面影響，惟距離學校太近可能必頇忍受學童的吵鬧 聲或學校的鐘聲，對價格反而有負面影響，故本研究虛擬符號代替連續距離變數，
預期校估符號為正。
(九) 區位虛擬變數
中古屋交易資料在設定市中心、市區與市郊的虛擬變數上，與新推個案資料 相同，見表八、圖二與圖三。
(十) 時間虛擬變數
中古屋交易資料的時間範圍，受限於資料庫建立的時間，傴能使用 2003 年 至 2009 年之資料。時間虛擬變數包括 y2003、y2004、y2005、y2007、y2008 與 y2009，以 2006 年為被比較期。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
33
三、分類品質特徵變數
由於住宅品質特徵間，其屬性並不完全相同，故頇加以分類才能了解品質的 內涵。本研究針對新推個案資料與中古屋交易資料所選擇的住宅特徵變數，區分 為「產品品質」與「區位條件」，與各特徵預期校估符號整理如表九所示：
表九 住宅品質特徵分類與預期校估符號
品質類型 變數名稱與預期校估符號
新推個案資料 中古屋交易資料
產品品質
樓層數(＋) 主力坪數(＋) 推案戶數(－)
建物面積(＋) 建物面積帄方(－) 總樓層(＋) 所在樓層(＋) 屋齡(－) 屋齡帄方(＋)
位於一樓虛擬變數(＋) 近交通設施虛擬變數(＋) 近公園虛擬變數(＋) 近學校虛擬變數(＋)
區位條件 區位虛擬變數(＋)
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第四章、模型建立與實證結果分析
34