本章節主要敘述本研究的資料來源，採用的變數、資料的描述性統計及資料處 理的方式。
第一節 研究變數選取
一般研究通常採用總價做為依變數，但採用總價有可能會忽略高單價之情形，
即現有的資料中，高總價之物件並非高單價，低總價之物件亦並非低單價，故本研 究採單價做為依變數。
住宅屬性方面，面積越大，表示建物之成本越高，住宅價格相對越高，對於住 宅價格有正向之影響效果，如林元興、陳錦賜(2000)指出面積為影響住宅價格最重 要之因素。土地持份面積越大，表示土地所負擔持有成本越高，對於價格有正向之 影響效果，如林國民(1996)；林祖嘉、馬毓駿(2007)指出建坪越大或土地持份面積越 大，住宅價格越高。屋齡越高，表示建物價格隨屋齡漸增而折舊，對於住宅價格有 負向之影響效果，如 Raymand (2000)；林祖嘉、馬毓駿(2007)表示屋齡為住宅價格 之顯著影響因素，Frew and Jud (2003)亦指出住宅價格之減少與屋齡有關。房間數越 多，表示建物之成本越高，相對住宅價格亦較高，對於住宅格價格產生正向之影響 效果，如 Sirmans et al. (2005)表示房間為影響住宅價格因素。客廳數越多，表示建 物之成本越高，相對住宅價格亦較高，對於住宅格價格有正向之影響效果。衛浴數 越多，表示建物之成本越高，相對住宅價格較高，對於住宅格價格有正向之影響效 果，如林素菁(2002)表示衛浴設備為受地區及時間影響之住宅價格因素。總樓數越 多，不論透天或大樓，表示建築成本越高，相對住宅價格亦較高，對於住宅格價格 有正向之影響效果，如 Raymand (2000)；林祖嘉、馬毓駿(2007)表示樓高對於住宅 價格有顯著之影響。所在樓層，一般位於一樓之物件有較高之住宅價格，亦有文獻 指出樓層數越高，視野越好，對於住宅格價格可能產生正向之影響效果(Raymand，
2000)。
鄰里環境特徵方面，本研究之鄰里環境特徵以行政區劃分，於行政區內之公園 數、診所數、醫院數、國民小學數、國民中學數、國民高級中(職)學數、大專院校 數、金融機構數、傳統市場數、市立圖書館數、警局數及捷運站等對於住宅能提升
生活機能之便利性，相對可正向影響住宅價格。公園對住宅價格有顯著影響性，如 Joke (2000)；Hoshino and Kuriyama (2010)指出鄰里公園數及距公園支距離對住宅價 格有顯著之影響。Huh and Kwal (1997)表示醫療設施會影響住宅價格，故將診所 數、醫院數考量之。Case and Mayer (1996)表示鄰近之學校數會影響住宅價，故將國 民小學數、國民中學數、國民高級中(職)學數、大專院校數考量之。警局數之多寡 可能影響社區治安，亦可能正向影響住宅價格。距捷運站之距離越近，表示交通便 利性越高，房價亦可能提升，如洪得洋、林祖嘉(1999)表示住宅價格會隨捷運站之 增加而降低，Raymand (2000)捷運站之可及性對住宅價格有顯著之影響 McMillen and McDonald (2004)亦指出住宅價格與捷運站之距離有關。另外，行政區之診所 數、金融機構數、市立圖書館數、傳統市場數等為現今研究鮮少採用之變數，而考 量對於住宅之便利性、及其對於住宅價格之影響性，故本研究將行政區之診所數、
金融機構數、市立圖書館數、傳統市場數及警局數列入，並以 OLS 分析其對住宅價 格之影響。
第二節 資料來源
本研究之資料來源取自吉家網之「台灣不動產成交行情公報」，資料為 2008 年 至 2010 年之住宅買賣交易資料，其住宅屬性包含物件所屬縣市、行政區、門牌地址 (基於個人隱私之考量，不提供交易物件之正確地址，僅提供門牌號碼之範圍，如 1 至 49 號，表示該物件介於 1 至 49 號之間)、面積(坪)、土地(坪)、成交價(萬)、每坪 單價(萬)、總樓層數及所在樓層、屋齡、成交日期、銷售天數、車位及其坪數、住 宅物件類別。將存在輸入錯誤、遺漏之資料予以刪除後，所得資料共 5261 筆。
許多研究指出鄰里環境特徵亦為影響住宅價格之因素，為取得鄰里環境特徵相 關變數，本研究使用 2008 至年 2010 年之台北市政府主計處統計資料，做為本研究 鄰里環境變數。而統計資料數據以行政區劃分，包含行政區內醫院、診所、國小、
國中、高中(職)、大學、金融機構、傳統市場、市立博物館、警察局等變數，另外 離捷運最近距離取得各物件及捷運站座標後，由 Matlab 計算出其最近距離。詳細變 數說明請參照表 4-1。
表 4-1 變數名稱說明
變數名稱 變數說明 單位
Price 住宅成交單價。 萬元
Area 住宅面積，為該物件於地政機關實際登記之坪數。 坪 Land 土地持份面積，地政機關實際登記物件之土地持分
面積。 坪
Age 屋齡，建物自建築完後領有使用執照至 2010 年
止。 年
Room 房間數，物件房間數。 間
Livingroom 客廳數，物件客廳數。 間
Bath 衛浴數，物件衛浴設備數。 套
Build 總樓層數，物件總樓高。 樓
Floor 所在樓層，物件所在樓層。為虛擬變數，1 樓設為
1，其他則為 0。 樓
Parking 車位，物件是否包含停車位。為虛擬變數，有停車
位為 1，沒有則為 0。 －
Govpark 行政區公園數。 座
Hospital 醫院數，行政區內所包含之公私立醫院數。 間 Clinic 診所數，行政區內所包含之公私立診所數。 間 Elementary 國小數，行政區內所包含之公私立國民小學數。 間 Junior 國中數，行政區內所包含之公私立國民中學數。 間 Senior 高中(職)數，行政區內所包含之公私立高級中學
數。 間
College 大學數，行政區內所包含之公私立大專院校數。 間 Finance 金融機構數，行政區內所包含之公私立金融機構
數。 間
Traditionalmarket 傳統市場數，行政區內所包含之傳統零售市場數。 － Library 圖書館數，行政區內所包含之市立圖書館數。 間 Policestation 警察局數，行政區內所包含之警察局數。 間
MRTd 物件距最近捷運站之距離。 公里
第三節 描述性統計
由表 4-2 描述性統計顯示，住宅單價(Price)最高為 128.69 萬元，最小為 6.5 萬 元，平均為 39.33 萬元，標準差為 14.05 萬元。面積(Area)最大為 137.22 坪，最小為 5.93 坪，平均為 31.5 坪。土地持份面積(Land)最大為 63.47 坪，最小為 0，平均為 8.02 坪。屋齡(Age)最大為 52.6 年，最小為 0.1 年，平均為 24.2 年。房間數(Room) 最多為 5 間，最少為 1 間，平均為 2.41 間。客廳(Livingroom)最多為 2 間，最小為 0，平均為 0.88 間。衛浴數(Bath)最多為 3 間，最少為 0，平均為 1.77 間。所在樓層 數(Floor)為 1 樓者，平均為 12%。總樓高(Build)最高為 30 樓，最低為 1 樓，平均為 5.52 樓。有停車位(Parking)為 1，無則為 0，平均 15%有停車位。行政區公園數 (Govpark)最大為 118 所，最少 28 所，平均為 75.27 所。行政區醫院數(Hospital)最多 為 6 間，最少為 1 間，平均為 3.42 間。行政區診所數(Clinic)最多為 654 間，最少為 60 間，平均為 288.67 間。行政區國小數(Elementary)最多為 23 所，最少為 7 所，平 均為 13.62 所。行政區國中數(Junior)最多為 8 所，最少為 2 所，平均為 5.64 所。行 政區高中(職)數(Senior)最多為 9 所，最少為 3 所，平均為 6.21 所。行政區大專院校 數(College)最多為 5 所，最少為 0，平均為 2.52 所。行政區金融機構數(Finance)最多 為 199 間 ， 最 少 為 27 間 ， 平 均 為 107.61 間 。 行 政 區 內 傳 統 零 售 市 場 數 (Traditioalmarket)最多為 11，最少為 1，平均為 4.32。行政區市立圖書館數(Library) 最多為 9 間，最少為 2 間，平均為 4.88 間。行政區警察局數(Policestation)最多為 11 間，最少為 4 間，平均為 7.85 間。距最近捷運站之距離(MRTd)最大為 4.03 公里，
最小為 0.17 公里，平均為 0.72 公里。
表 4-2 描述性統計表
變數名稱 最大值 最小值 平均數 標準差
Price 128.96 6.50 39.33 14.05 Area 137.22 5.93 31.50 12.44
Land 63.47 0 8.02 4.25
Age 52.60 0.10 24.20 10.77 Room 5 1 2.41 0.86
Livingroom 2 0 0.88 0.41
Bath 3 0 1.77 0.75
Floor 1 0 0.12 0.32
Build 30 1 5.52 3.96
Parking 1 0 0.15 0.36
Govpark 118 28 75.27 25.76
Hospital 6 1 3.42 1.59
Clinic 654 60 288.67 153.25
Elementary 23 7 13.62 4.87
Junior 8 2 5.64 1.56
Senior 9 3 6.21 2.01
College 5 0 2.52 1.74
Finance 199 27 107.61 60.32
Traditioalmarket 11 1 4.32 2.70
Library 9 2 4.88 1.88
Policestation 11 4 7.85 1.85 MRTd 4.03 0.17 0.72 0.46
第四節 正規化處理
由於資料本身之單位尺度不同，或資料數據差異大而影響預測模型，故利用 SVM 建立預測模型前，須將資料進行正規化(normalization)處理，正規化之目的為 將資料數值轉換於一定範圍內。故本研究將資料數據轉換為 0 至 1 之間，藉由此方 法不但有利於資料分類、提升分類效率，對於預測模型之正確率亦有幫助。其公式 如下式 (Huang and Wang，2006)：
a a
v
av max min ' min
−
= −
( 14 )其中， 為正規化後之數據；v為原始資料數據； 為資料最大數據； 為資 料最小數據。
'
v maxa mina