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