第四章 實證結果分析
第一節 Airbnb 與住宅價格關係之探討
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 格,會使平均觀光型旅館收益增加 21503.85 元,符合楊鎮謙(2010)、林豐政等人 (2015)等實證結果,旅館訂房價格越高,影響旅客的再住宿意願越高,對於旅館 的營運也會有所提升。平均雇用員工數在 99%信心水準下,拒絕平均雇用員工數 對於平均觀光型旅觀收益沒有影響之虛無假設,其係數值表示每增加一單位的平 均雇員員工數,平均觀光型旅館收益會增加 185159 元,符合陳崑雄(2003)、張 瀞文(2011)等認為員工人數越多,相對旅館經營效率較佳,旅館經營績效越好。
平均遊客數在 99%信心水準下,拒絕平均遊客數對於平均觀光型旅館之收益沒有 影響之虛無假設,其係數值表示每增加一單位平均遊客數,平均觀光型旅館收益