第四章 實證結果分析
第三節 Airbnb 與觀光型旅館高、低收益關係之差異
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第三節 Airbnb 與觀光型旅館高、低收益關係之差異
於模型二中分析得到 Airbnb 數量越多，越會排擠觀光型旅館之收益。然而 Airbnb 本身租金費用並不高，卻能提供不輸三、四星級旅館的服務或設施，住宿 品質高，近年更成為許多年輕族群及自助客的首選，因此，Airbnb 和同價位競爭 的旅館收益關係效果或許較顯劇。於此，本文藉由分量迴歸模型更深入探究 Airbnb 與高收益及低收益型之觀光型旅館關係規模之差異。
分量迴歸模型之變數以模型二使用之觀光型旅館平均收益為被解釋變數，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，而如 Koenker and Bassett(1978)所述，分量迴歸模型其不對母體作出 任何假設，估計的參數由原始樣本分布情況決定，透過分量迴歸可估計自變數對 因變數的某個「特定百分比」的邊際效果，描繪出因變數的分配特性，不是僅以 平均數概念來推測兩尾可能不對稱情形，若分配如果存在異質變異性或具肥尾非 常態的特性時，分量迴歸能夠提供變數間較完整的資訊。故於模型二中同年月 Airbnb 列表(listing)數量取對數處理，是為了探究在平均分配下，Airbnb 與觀光 型旅館收益之關係；在此模型三為能更進一步探究 Airbnb 與高收益及低收益型 之觀光型旅館關係規模之差異，故未以取對數處理。另外，從中取五個過去文獻 較常使用的條件分量，分別為 0.1、0.25、0.5、0.75 及 0.9，依序列於表 4-3，以 觀察 Airbnb 列表(listing)數量變數及其他解釋變數對於觀光型旅館不同分量之收 益的影響。實證結果顯示，分量迴歸的 Pseudo-R-squre 介於 0.386 至 0.546 之間。
表 4-3 為分量迴歸分析之間的差異比較，圖 4-1 為分量迴歸係數所描繪的圖 形，橫軸為各個分量，縱軸為估計所得的係數值，以一般多元迴歸所得到的結果 為水平的粗黑線，上下兩條水平虛線為其 95%的信賴區間；分量迴歸所得到的結 果為實心的曲線，灰色的區域為其 95%的信賴區間。
‧
一、Airbnb 列表(listing)數量
觀察表 4-3 及圖 4-1，分量迴歸結果顯示，隨著觀光型旅館收益越高，Airbnb 與旅館收益負向關係呈現減弱的趨勢，在 0.1 分量時，將使觀光型旅館收益減少 1095.823 元，並達 0.1%之顯著，在 0.25 分量時，將使觀光型旅館收益減少 940.942 元，並達 0.1%之顯著，在 0.5 分量時，將使觀光型旅館收益減少 742.272 元，並 達 0.5%之顯著，在 0.75 分量時，將使觀光型旅館收益減少 772.887 元，然僅達 10%之顯著，至 0.9 分量時，將使觀光型旅館收益減少 307.17 元，但不顯著，在 大約 0.5 分量以下，以一般多元迴歸所估計之係數相對於分量迴歸有低估情形，
0.5 至 0.75 之間差異不大，而在 0.75 分量以上，以一般多元迴歸所估計之係數相 對於分量迴歸則有高估情形。簡而言之，Airbnb 列表(listing)數量在平均趨勢下 與觀光型旅館收益呈現負向關係，而在較低分位時負向關係最為強烈，之後隨著 旅館收益之增加呈現下修趨勢，對於 0.9 分位以上之旅館收益不能拒絕 Airbnb 列表(listing)數量對於觀光型旅館收益沒有影響之虛無假設。
二、平均訂房價格
19297.68 元，並達 0.1%之顯著，在 0.75 分量時，將使觀光型旅館收益增加 17193.56 元，並達 0.1%之顯著，至 0.9 分量時，將使觀光型旅館收益增加 14482.73 元，然僅達 10% 顯著。在大約 0.5 分量以下，以一般多元迴歸所估計之係數相對於 分量迴歸有低估情形，在 0.5 分量以上，以一般多元迴歸所估計之係數相對於分 量迴歸則有高估情形，然趨勢變化並不明顯。簡而言之，平均訂房價格在平均趨 勢下與觀光型旅館收益有正向關係，而在較低分位時正向關係最為強烈，之後隨
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
著旅館收益之增加呈現下修趨勢。
三、平均雇用員工數
平均雇用員工數為各年月之觀光型旅館總雇用員工數除以當月觀光型旅館 家數所得。觀察表 4-3，分量迴歸結果顯示，在 0.1 分量時，將使觀光型旅館收 益增加 216399.2 元，並達 10%之顯著，在 0.25 分量時，將使觀光型旅館收益增 加 178752 元，在 0.5 分量時，將使觀光型旅館收益增加 170375.8 元，在 0.75 分 量時，將使觀光型旅館收益增加 148238.7 元，至 0.9 分量時，將使觀光型旅館收 益增加 205940.9 元，但 0.25 分量、0.5 分量、0.75 分量及 0.9 分量皆不顯著，故 平均雇用人員數在低收益型之觀光型旅館有較顯著影響力，圖 4-1 則表示由不同 分量下係數值所構成的曲線和一般多元迴歸係數相較並無太大差異及震盪。
四、平均遊客數
平均遊客數為各年月觀光型旅館之總遊客數除以當月觀光型旅館家數所得。
觀察表 4-3，分量迴歸結果顯示，在 0.1 分量時，將使觀光型旅館收益增加 2567.651 元，並達 10%之顯著，在 0.25 分量時，將使觀光型旅館收益增加 2365.368 元，
並達 10%之顯著，在 0.5 分量時，將使觀光型旅館收益增加 2467.481 元，並達 10%之顯著，在 0.75 分量時，將使觀光型旅館收益增加 2040.139 元，然不顯著，
至 0.9 分量時，將使觀光型旅館收益增加 576.581 元，然不顯著。平均遊客數隨 著觀光型旅館收益越高，平均遊客數與旅館收益正向關係呈現減弱的趨勢，圖 4-1 顯示，約在 0.75 分量以下，以一般多元迴歸所估計係數和分量迴歸係數相較 下有些微低估，並無太大差異，但在 0.75 分量以上，以一般多元迴歸所估計係 數和分量迴歸係數相較下則有高估。
‧
Airbnb 列表(listing)數量(TotalAirbnb) -1095.823***(-2.92)
-940.942***
(-3.24)
-742.272**
(-2.27)
-772.887*
(-1.17)
-307.17 (-0.41) 平均訂房價格(Price) 21633.97***
(6.59)
20994.6***
(7.76)
19297.68***
(5.47)
17193.56***
(3.87)
14482.73*
(1.88) 平均雇用員工數(Employee) 216399.2*
(1.41)
178752 (1.1)
170375.8 (1.13)
148238.7 (1.02)
205940.9 (1.79) 平均遊客數(Visitor) 2567.651*
(1.89)
2365.368*
(1.81)
2467.481*
(1.85)
2040.139 (1.14)
576.581 (0.31)
Pseudo-R
𝟐𝟐 0.506 0.536 0.546 0.493 0.386 註: 1. ***、**、*分別代表在 1%、5%、10%顯著水準下，該係數顯著異於零。2. 括弧內為 t 值。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
Airbnb 列表(listing)數量 平均訂房價格
平均雇用員工數 平均遊客數
圖 4-1 解釋變數之分量迴歸圖形
‧
量在共享經濟的潮流下，Airbnb 盛行的結果所滋生的一些問題。於住宅市場面，本研究先以地理資訊系統軟體(ArcGIS)套疊住宅交易點位及 Airbnb 列表(listing) 的點位，再以同年月住宅交易點位為圓心透過環域(buffer)1000 公尺範圍的處理 計算 Airbnb 列表(listing)的點位的個數以作為 Airbnb 活動密度變數，再透過半對 數特徵價格模型分析 Airbnb 的活動密度與住宅不動產價格之關係，實證結果發 現每增加一單位 Airbnb 列表(listing)，住宅不動產交易價格上漲 0.05%，換言之，
Airbnb 與會住宅不動產價格呈現正向顯著關係，間接降低了住宅負擔能力。
Airbnb 在住宅空間所進行的短期租賃行為相當於旅館行業的營運，故本文亦 欲探究 Airbnb 的營運是否會排擠觀光型旅館行業的收益。本研究先以一般多元 迴歸模型分析 Airbnb 與觀光型旅館收益之關係，其中同年月 Airbnb 列表數量取 對數處理，實證結果為表示每增加 1%Airbnb 列表(listing)，平均觀光型旅館收益 減少 50234.95 元，Airbnb 的增加會排擠觀光型旅館之收益。而 Airbnb 租金費用 算平易近人，透過評價系統的篩選，對於住宿品質較有保障，也提供許多居住使 用設施，對於許多自助客相對上有更多的誘因去選擇 Airbnb，於此，本研究以分 量迴歸更深入探究 Airbnb 對於高低收益型的觀光型旅館排擠規模是否不同，實 證結果為 Airbnb 對於越低收益分量的觀光型旅館排擠效果更劇，在 0.9 分量以上 收益的觀光型旅館則沒有顯著的排擠效果，隨著觀光型旅館收益越高，Airbnb 對與旅館收益負向關係呈現減弱的趨勢。
綜上所述，Airbnb 雖然提供了創新體驗與房東額外收入，或促進地方經濟等 相關利益(Kaplan and Nadler, 2015)，在其高度發展下其衍生的問題，促使純住宅 空間相對的減少及增加住宅不動產價格使住宅負擔能力的下降，而其短租的行為 亦使依循法規正當營業的旅館產生收益上的排擠，是不得不正視的隱憂。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y 第五章 結論與建議
第一節 結論
共享經濟崛起，共享經濟的核心概念是閒置資源再利用，使得資源達最大利 用效率。目前風靡全球的訂房網 Airbnb，協助房東將家中空房轉租賺取收益，也 讓住宿者省下高額住宿費。甚至對於當地經濟發展亦有利，使用 Airbnb 之旅客 因為節省了居住成本，因此比一般旅客停留在當地的時間更長，有更多消費機會，
且消費的區域大多都在住宅區附近，能對區域經濟起到積極的作用。然而值得關 切的是，如 Schneiderman(2014)所做之調查，Airbnb 短期租賃行為的違法性及商 業型房東的現象使房東因有多間住宅且可藉由 Airbnb 獲取收入，將失去出售或 長期出租閒置住宅的誘因，導致可提供長期居住及出租的住宅空間被嚴重壓縮，
且 Airbnb 房源多分布在人口稠密區，住宅空間供給失調的情況更加嚴重，進一 步推升了住宅不動產價格。另一方面，這種位於住宅區的短租服務的租金通常低 於當地旅館，又能提供住宅品質及設施的保障，相對更能吸引年輕世代的旅遊意 識，且其並不如傳統旅館行業需花費購買土地建築成本、人員訓練成本、稅負成 本等，在低成本高誘因下，Airbnb 更擠壓了旅館行業的收益。於此本研究希望透 過實證結果，探討 Airbnb 所生之問題，分析 Airbnb 與住宅不動產價格及觀光型 旅館收益之關係，以利在不可避免的共享經濟浪潮下，政府有完善的政策方向，
以迎接新商業模式的翻轉。
本研究以台北市為研究範圍，對於住宅市場面，以特徵價格模型分析 Airbnb 與住宅不動產價格之關係；對於旅館行業，先以一般多元迴歸模型分析 Airbnb 與觀光型旅館收益之關係，再進一步更細緻地以分量迴歸模型分析在高低收益下 差異觀光型旅館是否有不同影響規模。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
一、 Airbnb 與住宅不動產價格有正向顯著關係
本文使用特徵價格模型探究 Airbnb 與住宅不動產價格之關係。住宅不動產 成交總價作為被解釋變數，以解釋變數 Airbnb 活動密度變數等變數、住宅、區 位及時間特徵建立模型一之特徵價格模型，包含面積、房間數、衛浴數、屋齡、
總樓層數、是否是一樓、是否是四樓、500 公尺內有無捷運站、是否是住宅大樓、
是否是華廈、是否是公寓、行政區虛擬變數及購屋年度虛擬變數。實證結果為以
是否是華廈、是否是公寓、行政區虛擬變數及購屋年度虛擬變數。實證結果為以