第三章 研究方法與研究設計
第二節 資料說明與變數選取
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第二節 資料說明與變數選取
本研究期間範圍為 2012 年 7 月至 2016 年 12 月,本節將拆分兩大部分,第 一部分為探討 Airbnb 與住宅市場價格間之關係,第二部分為分析 Airbnb 與旅館 行業收益之關係。在第一部分,以特徵價格模型分析 Airbnb 與住宅市場價格間 之關係,首先進行 Airbnb 活動密度變數之定義,接著住宅交易價格作為應變數,
自變數部分除了以 Airbnb 活動密度變數作為主要研究標的外,更加入不動產自 身特性、區位及時間特徵等控制變數,就其餘下各變數進行說明及定義;在第二 部分,先以一般多元迴歸模型分析 Airbnb 與觀光型旅館行業收益之關係,應變 數選取觀光型旅館平均收益,自變數除了 Airbnb 數量之衡量外亦加入其他控制 變數。再進一步以分量迴歸模型探討 Airbnb 對於高低收益旅館不同關係間之規 模差異。
一、 Airbnb 與住宅市場價格關係之探討
(一) 變數說明
1.Airbnb 活動密度變數
為獲取 Airbnb 活動密度變數,須先取得有關住宅不動產交易價格及 Airbnb 有關之資料。研究期間選取 2012 年 7 月至 2016 年 12 月,不動產住宅價格相關 變數來源為內政部實價登錄資料,為避免不動產住宅交易價格相關資料偏誤,刪 除缺漏、不合理樣本及異常點,經篩選後,本文共選取 29,350 筆資料,並如圖 3-1 所示,以地理資訊系統軟體(ArcGIS)標示住宅不動產交易點位。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 3-1 住宅不動產交易位置分布
Airbnb 有關資訊來源則為 InsideAirbnb 網站8所提供的台北市各個 Airbnb 列 表(listing)以及具評論機制的兩個資料庫,Inside Airbnb 網站並非官方網站,其宣 稱是獨立的非營利組織,並和 Airbnb 網站沒有牽涉,關於如何掌握資料,網站 上並沒有太詳細的說明,也未表明資料的缺點,但 Zevas et al.(2015)表明由 Inside Airbnb 所提供的資料具可信度,本研究採用列表(listing)資料庫,其中列表(listing) 資料庫資訊豐富,包含開始出租時間、出租房間類型基本資訊、房東基本資訊、
房東每人出租數量、評論數、所在經緯度等資訊。本文研究期間選取 2012 年 7 月至 2016 年 12 月,其中 Airbnb 列表(listing)所屬的資料庫含有 GIS 的位置,然 而 Bijl(2016)表示 Airbnb 為了確保房東的隱私,GIS 的位置存在 0-150 公尺的隨 機測量誤差(random measurement error),故除了刪除缺漏樣本外,亦刪除超過台 北市界線之樣本,共選取 7,518 筆樣本。並如圖 3-2 所示,以地理資訊系統軟體
8 由 Murray Cox 透過爬蟲(python)所提供。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
(ArcGIS)標示 Airbnb 列表(listing)分布點位。
圖 3-2 Airbnb 列表(listing)位置分布
本文採用 Udell(2016)之方法,如圖 3-3 所示,使用 ArcGIS,在同年同月之 住宅不動產交易位置分布 A、B、C 為圓心建立環域(buffer),並計算從 2012 年 7 月至 2016 年 12 月環域中同年同月 Airbnb 列表(listing)之數量,然而如上所提,
Airbnb 列 表 (listing)GIS 的 位 置 存 在 0-150 公 尺 的 隨 機 測 量 誤 差 (random measurement error),致使以住宅交易位置半徑 200 或 500 公尺計算 Airbnb 活動 密度會產生偏誤,故在此處理上,本研究採用以住宅不動產交易位置半徑 1000 公尺所形成的環域計算 Airbnb 列表(listing)的數量,並以此作為 Airbnb 活動密度 變數。雖然根據文獻回顧 Airbnb 對於住宅不動產價格可能之影響是正向或負向,
然而本文根據其他國家現象、政策及理論實證,且台灣住宅空間需求強烈,故 預期符號為正的。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 3-3 住宅不動產交易點位環域圖 資料來源: Udell(2016)
茲將上述流程列於下表 3-1:
表 3-1 Airbnb 活動密度變數處理流程
步驟 項目 說明
步驟一 Airbnb 列表圖層 在 ArcGIS 中匯入台北市界線地圖及 Airbnb 列表點位分布,並刪除超過台北 市範圍之點位,並按照 2012 年 7 月至 2016 年 12 月區分為 54 個圖層。
步驟二 住宅不動產交易
位置圖層
在地理資訊系統軟體(ArcGIS)中匯入台 北市界線地圖及住宅不動產交易點位 分布,並按照 2012 年 7 月至 2016 年 12 月區分為 54 個圖層。
步驟三 Buffer 環域處理 並按照 2012 年 7 月至 2016 年 12 月,
將同年同月之 Airbnb 列表圖層及住宅
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
不動產交易位置圖層合併,並以住宅不 動產交易位置為圓心半徑 1000 公尺進 行環域處理。
步驟四 個數計算 按照 2012 年 7 月至 2016 年 12 月,計 算 54 個合併的圖層裡,住宅不動產交 易位置為圓心半徑 1000 公尺內 Airbnb 列表的數量,以作為 Airbnb 活動密度變 數。
2.面積(Size)
面積越大將會使不動產的總價越高,然因樣本變異性較大故予以取對數處理,
預期符號為正。
3.房間數(Room)
房間數越多將會使不動產的總價越高,預期符號為正。
4.衛浴數(Bath)
衛浴數越多將會使不動產的總價越高,預期符號為正。
5.屋齡(Year)
不動產建物會隨著產生折舊現象,因此屋齡越高對房間應有負面影響。(林 祖嘉、林素菁,1994;張金鶚,1995),本研究預期屋齡對於不動產成交價格預 期符號為負。
6.總樓層數(TFloor)
建築越高通常代表建築投入更多的建材成本與技術,因此總樓層數越高對不 動產價格應有正面的影響(李月華,1997),預期符號為正。
‧
有電梯之華廈(D02buytype)、5 層樓以下無電梯之公寓(D03buytype),現今住宅 型式不同以往以公寓為主,台北市公寓多老舊及欠缺管理,華廈及住宅大樓相較 照樣本是否在 12 個行政區,士林區 LOCA01、大同區 LOCA02、大安區 LOCA03、中山區 LOCA04、中正區 LOCA05、內湖區 LOCA06、文山區 LOCA07、北投區
‧
LOCA08、松山區 LOCA09、信義區 LOCA10、南港區 LOCA11、萬華區 LOCA12,
並以文山區總價最低作為基準(base),設置虛擬變數。
Airbnb 活動密度變 數(Airbnb)
第 i 筆住宅交易點位半徑 1000 公尺內 Airbnb 列表數量
+ Inside Airbnb 自變數(住宅構面)
面積(Size) 第 i 筆住宅登記總面積(平方公尺)取對 + 實價
‧
(D01buytype)
若第 i 筆住宅位於住宅大樓,則 D01buytype=1,否則 D01buytype=0
+ 實價 登錄 華廈(D02buytype) 若第 i 筆住宅位於華廈,則
D02buytype=1,否則 D02buytype=0
+ 實價
‧
LOCA08=1,否則 LOCA08=0
+ 實價 登錄 松山區 LOCA09 若第 i 筆住宅位於松山區,則
LOCA09=1,否則 LOCA09=0
+ 實價 登錄 信義區 LOCA10 若第 i 筆住宅位於信義區,則
LOCA10=1,否則 LOCA10=0
+ 實價
T102=1,否則 T102=0
+ 實價 登錄 民國 103 年(T103) 若第 i 筆住宅於民國 103 年購買,則
T103=1,否則 T103=0
+ 實價 登錄 民國 104 年(T104) 若第 i 筆住宅於民國 104 年購買,則
T104=1,否則 T104=0
+ 實價 登錄 民國 105 年(T105) 若第 i 筆住宅於民國 105 年購買,則
T105=1,否則 T105=0
+ 實價
Airbnb 活動密 度變數
個 3.67 9.87 0 155
‧
(Airbnb)
面積(Size) 平方 (TFloor)
層 9.76 5.01 1 41 (D01buytype)
以虛擬變數處理
華廈
(D02buytype)
以虛擬變數處理
公寓
(D03buytype)
以虛擬變數處理
士林區 (LOCA01)
以虛擬變數處理
大同區 (LOCA02)
以虛擬變數處理
大安區 (LOCA03)
以虛擬變數處理
中山區 (LOCA04)
以虛擬變數處理
中正區 (LOCA05)
以虛擬變數處理
‧
(LOCA06)以虛擬變數處理
文山區 (LOCA07)
以虛擬變數處理
北投區 (LOCA08)
以虛擬變數處理
松山區 (LOCA09)
以虛擬變數處理
信義區 (LOCA10)
以虛擬變數處理
南港區 (LOCA11)
以虛擬變數處理
萬華區 (LOCA12)
以虛擬變數處理
‧
變數,自變數部分除了選取 Airbnb 列表(listing)數量外,更加入其他控制影響旅 館收益之變數,以下就各變數進行定義及說明。(一)變數說明 1.平均收益(Rev)
應變數蒐集旅館收益以分析 Airbnb 對於旅館收益之影響,本文應變數為「台 灣旅宿網」統計之台北市觀光型旅館平均收益。
2.Airbnb 列表(listing)數量(TotalAirbnb)
主要自變數計算 Airbnb 列表(listing)數量以分析 Airbnb 對於旅館收益之影響,
本文計算同年同月台北市 Airbnb 列表(listing)之數量,以作為主要自變數,Airbnb 的短租行為增加旅宿市場的供給,預期排擠觀光型旅館收益,預期符號為負,而 因 Airbnb 列表數量樣本存在較大變異性,故於模型二予以取對數處理。
3.平均訂房價格(Price)
一般而言,訂房價格是影響收入最大的因素,其表示了一家旅館對於房間所 訂出的價格。林豐政等人(2015)認為旅館最主要、最直接的收入來源,就是其住 宿的費用。根據文獻研究結果,研究中預期訂房價格對於旅館每人創造收入的影 響為正向關係,本文選取觀光型旅館平均訂房價格為控制變數,預期符號為正。
4.平均雇用員工數(Employee)
旅館的服務對於旅客而言,也是相當關心的課題。旅館要僱用多少員工以服 務客人,方能取得平衡(林豐政等人,2015)。吸引旅客的關鍵因素在與平均房價 同步成長的客房部門人力,足以印證發展「高價位/高品質」的服務,乃是正確
‧
5.平均遊客數(Visitor)
葉家瑜、陳江明(2012)於探討旅館產出之實證中納入遊客人數作為控制變數,
Airbnb 列表 (listing)數量 (取對數)
TotalAirbnb
- InsideAirbnb
平均訂房價格 Price + 台灣旅宿網
Airbnb 列表 (listing)數量
(對 數)
3.29 0.459 2.32 3.84
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
(TotalAirbnb)
平均訂房價格(Price)
元 4446.07 244.85 3845 4955 平均雇用員工
數(Employee)
人 307.24 8.64 257.05 317.95 平均遊客數
(Visitor)
人 9332 796.25 8016.09 11114.48 註:資料期間皆為 2012 年 7 月至 2016 年 12 月;樣本數=54
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
‧
共分為三大部分,第一節先以特徵價格模型探討 Airbnb 列表(listing)與住宅不動 產價格間關係;第二節先以一般多元迴歸模型探討 Airbnb 列表(listing)是否對觀 光型旅館收益產生排擠;第三節更進一步以分量迴歸模型分析 Airbnb 列表(listing) 對高低收益觀光型旅館排擠規模之差異。 數等變數,其中面積取對數降低變異性。根據 Sirmans et al.,(2005),半對數模型 可透過特徵係數值說明每一單位特徵的改變、百分比之變動並可以最小化異質變 產交易點位為圓心半徑 1000 公尺以內範圍,每增加一個 Airbnb 列表(listing),住 宅不動產交易價格上漲 0.05%,此結果與本研究預期相同。根據 Udell(2016)之分‧
析,Airbnb 有兩種可能影響住宅價格的方式。在此種情況下,表示 Airbnb 對於 住宅不動產價格之正向影響力大過於負面的影響力。Airbnb 使住宅可以作為一種 資產,預期未來處分有潛在投機的資本增值及出租期間所產生之租金收入,進而
Airbnb 活動密度變數 (Airbnb)
0.0005*** 住宅大樓(D01buytype) 0.006***
(2.65)
4.82 華廈(D02buytype) 0.009*** 3.5
‧
(LOCA01)
0.122***
(48.57)
1.77 大同區
(LOCA02)
0.067***
(19.33)
1.33 大安區
(LOCA03)
0.286***
(104.36)
1.82 中山區
(LOCA04)
0.135***
(58.99)
2.43 中正區
(LOCA05)
0.199***
(62.85)
1.42 內湖區
(LOCA06)
0.077***
(34.97)
2.11 北投區
(LOCA08)
0.009***
(3.59)
1.89 松山區
(LOCA09)
0.245***
(89.4)
1.64 信義區
(LOCA10)
0.198***
(68.78)
1.51 南港區
(LOCA11)
0.071***
(24.56)
1.48 萬華區
(LOCA12)
0.019***
‧
釋變數,解釋變數為同年月 Airbnb 列表(listing)數量、平均訂房價格、平均雇用 人員數、平均遊客數以建立模型二。透過表 4-2,模型二 F 值達 1%顯著水準,調整後 R-square 為 0.75,模型配 適度良好,且各解釋變數之變異數膨脹因子(VIF)皆小於 10,顯示各個解釋變數 之間不至於造成線性重合的問題,且解釋變數皆達 1%顯著水準,除了 Airbnb 列 表(listing)數量變數為負向顯著,其餘解釋變數皆為正向顯著,符合預期。Airbnb 列表(listing)數量變數在 99%信心水準下,拒絕 Airbnb 列表(listing)數量變數對平 均觀光型旅館收益沒有影響之虛無假設,其係數值為-5023495,表示每增加 1%Airbnb 列表(listing),平均觀光型旅館收益減少 50234.95 元,Airbnb 會排擠到 觀光型旅館之收益。平均訂房價格在 99%信心水準下,拒絕平均訂房價格對於平 均觀光型旅館收益沒有影響之虛無假設,其係數值為每增加一單位的平均訂房價
透過表 4-2,模型二 F 值達 1%顯著水準,調整後 R-square 為 0.75,模型配 適度良好,且各解釋變數之變異數膨脹因子(VIF)皆小於 10,顯示各個解釋變數 之間不至於造成線性重合的問題,且解釋變數皆達 1%顯著水準,除了 Airbnb 列 表(listing)數量變數為負向顯著,其餘解釋變數皆為正向顯著,符合預期。Airbnb 列表(listing)數量變數在 99%信心水準下,拒絕 Airbnb 列表(listing)數量變數對平 均觀光型旅館收益沒有影響之虛無假設,其係數值為-5023495,表示每增加 1%Airbnb 列表(listing),平均觀光型旅館收益減少 50234.95 元,Airbnb 會排擠到 觀光型旅館之收益。平均訂房價格在 99%信心水準下,拒絕平均訂房價格對於平 均觀光型旅館收益沒有影響之虛無假設,其係數值為每增加一單位的平均訂房價