購屋貸款變數與住宅市場關聯性之研究 - 政大學術集成

全文

(1)國立政治大學地政學系私立中國地政研究所. 碩士論文. 購屋貸款變數與住宅市場關聯性之研究 The Relationship between the Mortgage Lending Variables and Housing Markets. 指導教授：林左裕博士研究生：江佳玟. 中. 華. 民. 國. 一. ○. 六. 年. 六. 月.

(2)

(3) 謝誌時光荏苒，我的碩士生涯即將結束，憶起過去這兩年，過得很忙碌卻感到相當充實，能夠在政治大學取得碩士學位是個難能可貴的學習過程。這本論文能夠順利完成，由衷感謝我的指導教授林左裕教授的指導、鼓勵與關懷，從旁聽不動產財務課程到每一次的論文討論，總是覺得獲益良多而有所成長。謝謝口試委員林哲群教授與彭建文教授對給予的評論與建議，點出論文中不足的部分，使本篇論文得更臻完善。謝謝黃智聰教授在計量方法上的教學與解惑。謝謝瑋玲學姊、偉強學長及曉瑞學長擔任期初報告與期初報告的評論人並給予相當寶貴的意見。一直都很慶幸在這兩年能夠遇見你們，非常感謝虹荏學長在我入學前給予我的種種鼓勵與建議，緩解了當時緊張焦慮的心情，很慶幸當時有你分享經驗。謝謝承曄學長與世豪學長，碩一時跟筱真經常跑到碩二研究室討論研究案、論文和聊天，那一年很充實也學習了很多，謝謝你們！親愛的夥伴筱真，這兩年能跟妳一起打拼是一件很棒的事，兩年來我們一直都在彼此身邊互相打氣互相加油，謝謝妳一直以來的陪伴和鼓勵，在每一次沮喪和卡關時總會出現在身旁，很幸運能跟妳在左家成長。謝謝懷萱、妏儒、億仙在期初期末報告時的協助與幫忙。謝謝研究室各位同學的陪伴，讓隻身來台北求學的我一點都不覺得孤單，秉宸、映彤、辰尉、怡潔、珮慈、家麒、晏瑞、詩霓、朝誌、畫晴、嘉吟、雅虹、彥含，最喜歡午餐和晚餐時間，是這研究生涯中最舒壓的時間，烤肉、宜蘭行、台中行還有北海岸一日遊，很喜歡大家聚在一起的日子，以後一定會經常想念。最後，感謝爸爸媽媽的辛勞付出與支持我的決定，讓我能繼續攻讀碩士學位，我會更加努力前進。謝謝我的知己好友們一直以來的陪伴，有你們真好！二零一五年九月開始研究所的路程，這兩年是一段美好的回憶，謝謝你們！佳玟謹誌中華民國一零六年六月.

(4)

(5) 摘要近十年來，因投機需求、游資充斥等原因使台灣房價成長之上升趨勢明顯高於許多國家，房屋交易方面則呈現明顯起伏不定之走勢，台灣政府單位為達成物價穩定、金融穩定與經濟成長等目標並且避免金融危機再度發生，透過制定及執行貸款管制政策，期能有效抑制假性需求與房價上漲趨勢。然而，貸款管制是否能有效抑制房價，過去未有文獻針對購屋貸款管制工具與房價及住宅交易量觀察長期趨勢關係並缺乏整體性探討，故本研究欲藉由探究貸款成數與購屋貸款餘額占國內生產毛額比率與住宅市場間是否存在長期、短期影響或其間因果關係，以得知是否政策的投入能夠確切影響標的、達成目標。本文嘗試以 2000 年第一季至 2016 年第二季之貸款管制工具變數及總體經變數資料，運用 ARDL Bounds Test、ARDL-ECM 模型及 Toda and Yamamoto 因果檢定探究購屋貸款管制變數對於台灣住宅市場間之長期與短期動態關係及因果關係。研究結果顯示，購屋貸款管制變數對於房價及交易量有顯著之影響，尤其對於住宅交易量方面具有較為明顯之效果，因此，期望透過本研究對於台灣未來金融、房市政策規劃提出建議。. 關鍵字：購屋貸款、住宅市場、ARDL、Toda and Yamamoto 因果檢定.

(6)

(7) Abstract Over the past decade, an abundance of money and speculative demand from the Quantitative Easing (QE) monetary policy drove the housing price in Taiwan to rise sharply, and the volume of housing market is unstable. To stabilize the financial markets, the government have formulated policies on housing markets and mortgage control to curb rising housing prices. In order to understand the effect of mortgage control on curbing housing price, this study examines the long-run and short-run relationship and causality effect among loanto-value ratio and mortgage-to-GDP ratio and housing markets. This study used ARDL model, bounds test and Toda and Yamamoto causality to analyze quarterly data over the period 2000-Q1 to 2016-Q2. Empirical results show that mortgage control has significant effects on the housing market. Results further shown that the influence on the volume is more obvious than on the price. Results of this study provide precious policy implications for future housing financial sectors.. Key Words: Mortgage, Housing Market, ARDL, Toda and Yamamoto Causality.

(8)

(9) 目錄第一章緒論 ...................................................... 1 第一節. 研究動機與目的............................................ 1. 第二節. 研究範圍與研究方法........................................ 6. 第三節. 研究架構與流程............................................ 7. 第二章文獻回顧 .................................................. 9 第一節. 台灣針對性不動產信用管制沿革.............................. 9. 第二節. 購屋貸款管制變數與住宅市場間之關係....................... 14. 第三節. 購屋貸款與住宅市場之關聯性............................... 17. 第三章研究方法與變數選取 ....................................... 19 第一節. 研究方法................................................. 19. 第二節. 實證流程................................................. 24. 第三節. 變數選取................................................. 25. 第四節. 變數敘述統計與時間序列趨勢圖............................. 32. 第五節. 實證模型設定............................................. 34. 第四章實證結果與分析 ........................................... 35 第一節. 結構性變動檢定........................................... 35. 第二節. 單根檢定................................................. 37. 第三節. ARDL 模型 ................................................ 39. 第四節. 因果關係檢定............................................. 50. 第五節. 小結..................................................... 54. 第五章結論與建議 ............................................... 55 第一節. 結論..................................................... 55. 第二節. 建議..................................................... 57. 參考文獻 ......................................................... 59. I.

(10) 表目錄表 2-1 總體審慎與個體審慎觀點比較 ....................................................................... 9 表 2-2 台灣第二次針對性不動產信用管制沿革 ..................................................... 12 表 3-1 房價模型變數定義與資料來源 ..................................................................... 30 表 3-2 住宅交易量模型變數定義與資料來源 ......................................................... 31 表 3-3 變數資料敘述統計 ......................................................................................... 32 表 4-1 單根檢定統計量表 ......................................................................................... 38 表 4-2 F 檢定分配表 ................................................................................................ 41 表 4-3 BOUNDS TEST 共整合檢定結果 ............................................................... 41 表 4-4 房價模型長期關係實證結果 ......................................................................... 43 表 4-5 交易量模型長期關係實證結果 ..................................................................... 44 表 4-6 房價模型短期關係實證結果 ......................................................................... 46 表 4-7 交易量模型短期關係實證結果 ..................................................................... 48 表 4-8 房價模型 Y-M 因果關係檢定結果 ................................................................ 51 表 4-9 住宅交易量模型 Y-M 因果關係檢定結果 .................................................... 52. II.

(11) 圖目錄圖 1-1 建物買賣移轉棟數與房價指數趨勢圖 ............................. 2 圖 1-2 購置住宅貸款與不動產放款占國內生產毛額比重之趨勢圖 ........... 3 圖 1-4 研究流程圖 ................................................... 8 圖 3-1 實證流程圖 .................................................. 24 圖 3-2 應變數與被解釋變數之趨勢圖 .................................. 33 圖 4-1. CUSUM 檢定結果(被解釋變數).................................. 35. 圖 4-2. CUSUM 檢定結果(解釋變數).................................... 36. III.

(12) IV.

(13) 購屋貸款變數與住宅市場關聯性之研究. 第一章. 緒論. 本章內容共分為三節，第一節為研究動機與研究目的，闡述本研究之緣起與目的，第二節為研究範圍與研究方法之概述，界定時間範圍、空間範圍及研究限制與介紹使用之研究方法，最後，第三節為研究架構與研究流程。. 第一節研究動機與目的一、. 研究動機. 房地產在社會經濟中具有相當地位，對於政府、企業、銀行及家庭部門皆有舉足輕重之影響，從個人的居住問題到全球性的金融危機，房地產往往牽涉其中。近十年來，我國的房市總是圍繞在房價不斷上漲、房價所得比與房價租金比節節攀升、投機需求推升房價與民眾無法滿足基本的居住需求等問題，觀察我國 1991 年至 2015 年之房價指數與建物買賣移轉棟數趨勢圖(圖 1-1)，1997 年亞洲金融風暴後進入全球性的通貨緊縮，其反應在交易量較為明顯而呈現下跌，房價則是維持數年低檔，隨著 2003 年通貨緊縮趨勢解除與 SARS 疫情逐漸趨緩，隨之而來的是交易量的增幅與一路攀升之房價走勢，儘管在 2008 至 2009 年受全球金融風暴影響而小幅下跌之外，房價成長之上升趨勢仍明顯高於許多國家，在房屋交易方面則呈現明顯起伏不定之走勢。自 2008 年美國次級貸款風暴引發全球金融危機後，歐、美、日各國紛紛推出降息、貨幣寬鬆等政策欲刺激低迷經濟，然因量化寬鬆效果外溢至其他國家金融部門，再加上金融體系貸放資金充裕，自金融體系出籠的鈔票在經濟未實現前，先流入黃金及不動產等實質資產進行避險(林左裕，2013)，導致資產、不動產價格急遽攀升，形成資產泡沫現象，而經濟成長卻不見顯著起色，且台灣薪資水準狀況普遍低迷，導致多數購屋需求者購買力與房價漲幅不成正比，Crowe et al. (2013)認為房價上漲會透過財富效果影響消費支出增加，將導致通貨膨脹壓及總體經濟的不穩定，而 Shi et al. (2014)認為房價除了影響經濟之外，更會影響整體銀行體系及金融系統。由此可知，金融危機發生前後皆存在著推升房價之因素，包括市場資金充足、購屋成本降低或是政策因素等，進而導致資產泡沫現象。. 1.

(14) 第一章緒論 140000. 350.00. 130000 300.00. 120000 110000. 250.00. 100000 90000. 200.00. 80000 150.00. 70000 60000. 100.00. 50000 50.00 1991Q1 1992Q1 1993Q1 1994Q1 1995Q1 1996Q1 1997Q1 1998Q1 1999Q1 2000Q1 2001Q1 2002Q1 2003Q1 2004Q1 2005Q1 2006Q1 2007Q1 2008Q1 2009Q1 2010Q1 2011Q1 2012Q1 2013Q1 2014Q1 2015Q1. 40000. 買賣移轉棟數. 房價指數. 資料來源：內政部不動產資訊平台、信義房屋圖 1-1 建物買賣移轉棟數與房價指數趨勢圖 2008 年金融風暴可歸因於浮濫的放貸措施及極為寬鬆的貸款審核條件，同時間產生過多的抵押貸款與抵押品，使房地產價格急遽攀升而導致泡沫危機，由此可發現銀行貸款行為與房地產間息息相通。觀察我國過去 25 年購置住宅貸款、不動產放款占國內生產毛額比重之趨勢圖(圖 1-2)，不動產放款包含購置住宅貸款、房屋修繕貸款及建築貸款，購置住宅貸款占 GDP 比重自 1991 年 13%上升至 2015 年近 40%，而不動產放款占 GDP 比重自 1991 年 23%上升至 2015 年已超過 50%。由圖觀之，我國不動產放款與購置貸款亦隨著經濟有波動情形，尤其是整體不動產放款於通貨緊縮、SARS 疫情時期顯著下降 8 個百分點，於 2008 年金融風暴後隨著資金流動使該比重達 25 年以來之最高峰。此外，更可發現銀行貸款與房價增長趨勢相仿，皆呈現上升走勢，換言之，在房貸規模擴增情形之下，民眾獲得購屋貸款可能性增加，推論將增加房地產的需求。. 2.

(15) 購屋貸款變數與住宅市場關聯性之研究 0.6. 0.5. 0.4. 0.3. 0.2. 0.1. 購置住宅貸款占GDP比重. 2015. 2014. 2013. 2012. 2011. 2010. 2009. 2008. 2007. 2006. 2005. 2004. 2003. 2002. 2001. 2000. 1999. 1998. 1997. 1996. 1995. 1994. 1993. 1992. 1991. 0. 不動產放款占GDP比重. 資料來源：中央銀行、主計總處圖 1-2. 購置住宅貸款與不動產放款占國內生產毛額比重之趨勢圖. 2008 年金融風暴過後，全球各國紛紛實行總體審慎政策維持整體金融穩定性與健全性，我國中央銀行亦透過制定與執行貨幣政策與總體審慎政策，期望達成物價穩定、金融穩定與經濟成長等目標並且避免金融危機再度發生。貨幣政策主要透過調整利率、貨幣供給之手段，2014 年美國聯準會主席 Yellen 表示若僅透過貨幣政策的實行，則將可能增加物價波動性；而總體審審慎政策則是利用監管政策強化金融穩定性，如新加坡、紐西蘭與香港等國藉由限縮房屋貸款及制定相關稅負以抑制房地產投機交易及房價上漲情況。然而，限縮貸款條件或控制整體貸款規模對於不動產市場究竟能否發揮成效，房價高漲時能否有效抑制，寬鬆貸款條件與貸款環境是否為台灣房市現況之成因，仍有待檢視。參考過去文獻發現，大多數國內文獻研究銀行信貸行為與不動產之間的關係，多使用橫斷面個體金融機構貸放逐筆資料以迴歸分析探討之，而國外文獻多以 Panel Data 探討眾多國家或城市之異同，另外，我國目前尚未有學者針對此一議題以縱斷面、長時間資料檢視購屋貸款管制變數與房價及房屋交易量長期趨勢關係，過去研究多以橫斷面貸款個案資料分析，考慮橫斷面研究分析上缺乏長期時 3.

(16) 第一章緒論. 間之因素考量，因此本研究欲藉由探究政策工具與住宅市場間是否存在長期影響或關係，以得知是否政策的投入能夠確切影響標的、達成目標，同時本文將針對我國管控金融機構購屋貸款之金融變數與房價及房屋交易量間之關係進行研究，藉以瞭解購屋貸款管制變數對於台灣房市是否能產生政策效果，並分析購屋貸款管制變數與影響房市總體經濟變數對於住宅市場之影響程度及期間因果關係為何。. 4.

(17) 購屋貸款變數與住宅市場關聯性之研究. 二、. 研究目的. 基於上述研究動機，本研究將針對下列目的進行研究分析： (一) 台灣近年實施一連串購屋貸款管制，本研究欲探究購屋貸款管制變數與台灣整體住宅市場之關聯性，藉以瞭解購屋貸款管制變數對於台灣房市是否能產生政策效果。 (二) 分析購屋貸款管制變數與影響房市總體經濟變數對於住宅市場之影響程度。 (三) 藉由本研究分析購屋貸款變數是否能作為房價及房屋交易量之領先指標。. 5.

(18) 第一章緒論. 第二節研究範圍與研究方法一、. 研究範圍. (一) 時間範圍本研究之研究期間為 2000 年第一季至 2016 年第二季，研究資料以季為單位，共計 66 筆樣本。 (一) 空間範圍本研究以台灣全國為研究空間範圍，探討購屋貸款管制變數與台灣整體住宅市場之關聯性。雖然近年台灣實施不動產貸款管制前期係以北部城市為主要實施對象，惟因本研究採用之變數空間屬性涵蓋全國地區且無法細分至各地區城市，若僅以台北地區作為分析標的則研究結果可能缺乏代表性，是故，本文選擇台灣全國地區為探討範圍。二、. 研究方法. 本研究採量化研究，研究方法係採時間序列分析方法，然本研究所採用之變數多為總體變數、財務變數，該類變數多屬非定態資料，若直接以迴歸分析將可能導致假性迴歸(Spurious Regression)現象，需經單根檢定(Unit Root Test)檢定變數之定態性，本研究初步檢定各變數間不具有相同的整合級次，於是參考 Pesaran and Shin(1999) 與 Pesaran et al. (2001) 所設立之自我迴歸分配落後模型 (Autoregressive Distributed Lag Model, ARDL)，進一步探究購屋貸款管制變數和總體變數與房屋價格、房屋交易量之關聯性。三、. 研究限制. 本研究主要探討購屋貸款管制變數與房價及房屋交易量之間的長期關係，採用貸款成數、購屋貸款餘額占國內生產毛額比率等變數作為探討標的，各變數資料期間長短不一，然而因受限於貸款成數資料來源公布期間僅自 2000 年開始，為使變數期間一致，將研究期間縮短至 2000 年至 2016 年，共計 66 筆時間序列資料。若資料期間更為足夠，則得以觀察不同時間範圍下變數間關係之變化。. 6.

(19) 購屋貸款變數與住宅市場關聯性之研究. 第三節研究架構與流程一、. 研究架構. 本研究共分為五節，各章節內容概述如下：第一章. 緒論. 闡述本研究之研究動機與目的，分別介紹研究範圍、研究限制與研究方法，以及整體架構與研究流程。第二章. 文獻回顧. 介紹購屋貸款管制變數及台灣實施該項政策沿革，並透過閱覽與整理國內外相關文獻，瞭解過去學者於相關主題的應用及研究方向與方法。第三章. 研究方法. 介紹實證所運用之研究方法、理論，包括單根檢定、自我迴歸分配落後模型 (ARDL)及 Toda and Yamamoto 因果關係檢定，並詳述及解釋本研究選取的各項變數，最後，建立研究實證模型。第四章. 實證結果與分析. 本章內容主要針對第三章所運用之研究方法及計量模型，探討房價與住宅交易量模型之實證結果，根據自我迴歸分配落後模型之邊界共整合檢定法了解模型是否具有長期均衡關係，再依其結果分析模型長期均衡關係與短其動態調整狀況，最後則以因果關係檢定分析變數間之領先及落後關係為何。第五章結論與建議本章為本研究之結論整理並進行綜合結論分析，並提供後續研究與政府未來實施政策之建議。. 7.

(20) 第一章緒論. 二、. 研究流程. 本研究之研究流程繪製如下：. 結第論五與章建議. 圖 1-4 研究流程圖. 8.

(21) 購屋貸款變數與住宅市場關聯性之研究. 第二章. 文獻回顧. 首先，本章回顧總體審慎政策之相關文獻，並討論總體審慎政策與住宅市場之關係研究；第二部分為整理過去購屋貸款管制變數對於住宅市場與房貸市場之關係文獻；第三部分為影響住宅市場之總體經濟因素文獻探討。. 第一節台灣針對性不動產信用管制沿革一、. 總體審慎政策. 總體審慎 ─ Macroprudential ，根據國際清算銀行 (Bank for International Settlement, BIS)報告指出，總體審慎一詞首次被使用於 1979 年 6 月 Cooke Committee(現行巴塞爾銀行監督委員會)一席討論銀行貸放期限移轉問題之會議中；第二次則出現於同年 10 月英格蘭銀行(Bank of England)檢討監理工具作為抑制放款的替代工具議題中，其與個體審慎(Microprudential)形成明顯對比(Clement, 2010)，Borio(2003)以表區分總體審慎與個體審慎觀點之差異。2000 年 BIS 經理 Andrew Crockett 發表一席有關比較個體及總體審慎制度與監理之演講，並以強化總體審慎監理達成金融穩定為其論點。2010 年 9 月國際清算銀行巴賽爾銀行監理委員會公布 Basel III 議案，總體審慎理念首度被納入全球金融監理規範。表 2-1 總體審慎與個體審慎觀點比較項目近程目標最終目標模型風險因子. 總體審慎. 個體審慎. 抑制整體金融體系陷入困境. 抑制個別金融機構陷入困境. 避免金融不穩定引發總體產出. 合理化地保護消費者(存款人/投. (GDP)成本. 資人). (部分)內生. 外生. 重要. 無關. 針對整體金融體系面臨之困境. 針對個體金融機構面臨之風險. 採由上至下監理方式. 採由下至上控管方式. 金融機構間相關性及共同曝險審慎監理控管方式. 資料來源：Borio(2003). 9.

(22) 第二章文獻回顧. 針對總體審慎政策之定義與目的，國內外有許多學者提出相關看法， BIS(2010)指出總體審慎監理之目的係為促進整體金融體系之穩定；總體審慎政策旨在金融市場中的順循環現象及相關系統性風險(Brunnermeier et al, 2009)；總體審慎政策主要目的為抑制金融風險(Financial Risks)，以降低金融風暴發生機率及減輕面對金融風暴所承受之影響(Angelini et al, 2011)。在維持金融體系穩定的基礎下，總體審慎政策概括了防範系統性金融風險的監理理念、運用管制與監理等工具舒緩金融體系順循環之特性，黃富櫻(2012)認為總體審慎政策旨在解決時間縱構面及跨部門橫構面之系統風險的兩大構面問題，其中，時間縱構面的工具用來減緩金融順循環的衝擊，而跨部門橫構面的工具則用來降低系統風險的集中度，以減少過去認為金融機構「大到不能倒」之問題。Heath(2014)認為總體審慎政策是藉由控制系統性風險之弱性及順景氣循環趨勢以促進金融穩定之政策，該政策措施除了可抑制信貸擴張，亦能幫助貨幣政策透過減少信貸方面的衝擊影響來穩定經濟狀況。在總體審慎政策重要性方面，Claessens et al. (2013)研究歸納出使用總體審慎政策能夠有效地減緩系統性風險，尤其是易遭受國際衝擊的國家更應重視之。 Morgan et al. (2015) 認為以總體審慎政策抑制系統性風險(Systemic Risk)的功能是至關重要的，尤其是全球金融風暴後的發展。黃富櫻(2012)認為實施總體審慎政策要旨在於改善整體金融部門的健全度與韌性，換言之，藉由總體審慎政策工具以促進整體金融體系的穩定性，另外，其認為總體審慎政策與個體審慎政策、貨幣政策或財政政策間並非替代效果，應該係為互補的關係，藉由總體審慎政策以補強過往相關政策之不足。. 10.

(23) 購屋貸款變數與住宅市場關聯性之研究. 二、. 台灣針對性不動產信用管制沿革. 我國不動產總體審慎政策的制定及監管之權責乃由中央銀行掌管，台灣首次實行總體審慎政策係於 1988 年 2 月 28 日，亦稱作「不動產信用管制」，1987 年政府停辦愛國獎券1使台灣大多民眾將熱錢投注至股市及房市，隨即導致 1988 年股價指數飆升至近萬點、房價節節上升，景氣一片繁榮卻也蔓延泡沫破滅危機，為抑制資產泡沫風潮，中央銀行實施選擇性信用管制直至 1996 年方解除管制，實施內容包括暫停以無擔保方式購地放款、限制建照住宅或企業用建築之土地為擔保之放款額度和期限2、嚴格限制申貸條件等措施。相隔近二十年，我國房市歷經 SARS 風暴、總統大選、全球金融風暴，加上 2009 年調降遺贈稅使海外資金回流等情況，使我國不動產市場呈現不穩定，為此，行政院於 2010 年提出「健全房屋市場方案」以穩定社會經濟及滿足中低所得與受薪階層基本居住需求之外，中央銀行於 2010 年 6 月實施我國第二次針對不動產之總體審慎政策，並於實施後五年內增修相關辦法，該政策工具主要為限制貸款額度、貸款成數及寬限期；自 2012 年 6 月開始加入購置高價住宅貸款限制，而該限制也擴及至全國地區之高價住宅；自 2016 年 3 月起，即停止針對特定地區購置住宅之相關貸款限制，惟仍保留全國性購置高價住宅之貸款限制。此外，政府於 2011 年 3 月祭出特種貨物及勞務稅條例(奢侈稅)，期藉督促授信風險與租稅型政策，減緩房市泡沫現象及投機需求(假性需求)對不動產市場造成不良影響，本研究將我國自 2010 年起實施的針對性不動產信用管制表列如下：. 愛國獎劵發行於民國 39 年，後因賭博性的「大家樂」附著愛國獎劵而盛行，嚴重影響社會秩序與愛國獎券的正常發行，導致臺灣省政府於民國 76 年宣布暫停發行愛國獎券，爾後，民眾手中財富累積的熱錢集中流入股市及房市，資產泡沫應聲而出。(參自民國 104 年 7 月 9 日，自由時報，中股大崩盤令人想到 80 年代的台股，出處： http://news.ltn.com.tw/news/business/breakingnews/1374127) 1. 以建造住宅或企業用建築之土地為擔保之放款，額度以「1989 年 2 月底該土地公告現值加四成」為限；貸款期限以不超過三年為限；借款人申貸時應提供具體之興建計畫，放款後六個月內應提供土地之建築執照，並須於一年內開始動工，否則貸款應予收回。(參自吳家德(2015)，房地產理論與實務。) 2. 11.

(24) 第二章文獻回顧. 表 2-2 台灣第二次針對性不動產信用管制沿革實施時間 2010.6. 政策. 實施範圍. 借款人. 中央銀行. 臺北市及臺北縣 10 個縣. 對金融機. 轄市(板橋市、三重市、. 構辦理特. 中和市、永和市、新莊. 定地區購. 市、新店市、土城市、. 屋貸款業. 蘆洲市、樹林市、汐止. 務規定. 市). 2010.12 中央銀行. 自然人. 購屋貸款成數限制. 購置高價住宅貸款成數限制. 七成. 無. 六成. 無. 六成. 六成. 五成. 無. 臺北市及新北市 13 行政. 對金融機. 區(新增三峽區、林口. 構辦理土. 區、淡水區). 地抵押貸. 自然人、. 款及特定. 公司法人. 地區購屋貸款業務規定 2012.6. 中央銀行. 一、特定地區：同上。. 對金融機. 二、全國高價住宅標. 構辦理購置住宅貸款及土地抵押貸款. 準： (一) 台北市及新北市： 8000 萬. 自然人、公司法人. (二) 其他地區：5000 萬. 業務規定 2014.6. 中央銀行. 台北市及新北市十七個. 對金融機. 行政區(新增五股區、泰. 構辦理購. 山區、八里區、鶯歌. 置住宅貸. 區)、桃園縣四個行政區. 款及土地. (桃園市、蘆竹市、中壢. 抵押貸款. 市、龜山鄉)、全國高價. 1. 已有二戶以. 業務規定. 住宅。. 上房貸者：五. 公司法人. 自然人. 成。 2. 已有一戶房貸者：六成。. 12. 五成.

(25) 購屋貸款變數與住宅市場關聯性之研究. 2015.8. 中央銀行. 臺北市、新北市市十五. 對金融機. 個行政區(刪除八里區、. 構辦理購. 鶯歌區及桃園縣四個行. 置住宅貸. 政區) 、全國高價住. 款及土地. 宅。. 公司法人. 上房貸者：六自然人. 成。. 六成. 2. 已有一戶房. 業務規定中央銀行. 無. 1. 已有二戶以. 抵押貸款. 2016.3. 六成. 貸者：六成。一、刪除特定地區購屋. 對金融機. 貸款限制。. 構辦理購. 二、全國高價住宅標. 置高價住. 準：. 宅貸款業. (一) 台北市：7000 萬. 務規定. (二) 新北市：6000 萬. 自然人、公司法人. 無. 六成. (三) 其他地區：4000 萬. 資料來源：中央銀行、本研究整理註： 1. 2010 年至 2016 年之貸款條件限制，皆包含「不得有寬限期」及「不得另以其他貸款名目額外增加貸款金額」之規定。 2. 2010 年至 2012 年之購屋貸款部分，其貸款成數為「貸款額度最高不得超過房屋(含基地)鑑價金額之成數」 3. 2012 年之購置高價住宅貸款至 2016 年，其貸款成數為「貸款額度最高不得超過住宅 (含基地)鑑價或買賣金額較低者之成數。」. 13.

(26) 第二章文獻回顧. 第二節購屋貸款管制變數與住宅市場間之關係購屋貸款管制變數與住宅市場間之關係，近十年內已有許多國內外文獻探討相關議題，尤其在 2008 年至 2009 年金融危機過後，許多國家越來越重視房價泡沫化及金融穩定間之課題，為因應該等全球性金融問題，各國紛紛提出實施總體審慎政策以適當監控自金融機構流入房地產之資金。總體審慎政策與貨幣政策之間並非完全地替代關係，而是應適時適地配合實施，然而實證結果傾向於貨幣政策對於房價無顯著影響者，如 Shi et al.(2014)探討紐西蘭六座城市 1999 年至 2009 年中央銀行政策、貸款利率對房價之影響，實證結果顯示租金、房貸與消費者信心水準皆與房價呈現正向關係，而利率(包括浮動利率與固定利率)與房價呈顯著(1% level)的正向關係，此結果與 Crowe(2013) 貨幣政策工具對於處理房價傾向於無顯著效果相互呼應。Shi et al.並提出政策制定者應考量以總體審慎工具(如提高首付比、貸款成數)因應住宅市場變動之建議。多數國外學者針對總體審慎政策工具實施效果之研究指出該政策確實對金融體系及不動產市場有好的影響，以貸款成數為探討對象者，如 Morgan et al. (2015) 認為貸款成數(LTV)被廣泛運用為總體審慎工具以監控抵押貸款增長，而貸款成數之實質效果須經實證檢驗，故其利用十個亞洲經濟體共 201 筆銀行樣本資料，以 Unbalanced Panel Data 及穩健迴歸估計式(Robust Regression Estimators)為分析依據分析貸款成數在住宅抵押貸款(Residential Mortgage Loans, RML)上之效力，研究結果顯示，貸款成數對住宅抵押貸款有顯著相關且兩者為負向關係，此結果與其研究假設「貸款成數上限會減少抵押貸款數額成長」相符合。如 Angelini et al. (2012)以貸款成數及資本要求比率檢驗總體審慎政策與貨幣政策之相互關係，他們發現總體審慎政策有助於抵禦導致信貸及資產繁榮的金融衝擊。並非所有實證研究皆指向總體審慎政策有顯著效果，如 Ono et al.(2013)欲探討貸款成數上限作為總體審慎政策工具之效力以及針對商用貸款制訂貸款成數上限是否能夠抑制金融體系中成長的系統風險，該研究運用複迴歸分析法 (Multivariate Regression)分析日本 1975 年至 2009 年之 40 萬筆商用個別貸款詳細目資料及商用貸款貸款成數比率以觀察貸款成數是否違逆景氣循環，研究發現貸. 14.

(27) 購屋貸款變數與住宅市場關聯性之研究. 款成數具有逆景氣循環(Counter-Cyclicality)特性，意味著在景氣繁榮(衰退)時期，貸款量成長(下降)幅度小於土地價格增長(下降)幅度，另外，Ono et al.(2013)透過差異中之差異法(Difference-in-difference Approach, DID Approach)發現在資產泡沫期間，高貸款成數的借款人相較於低貸款成數的借款人，其債務履行情形不會較差；Ono 更指出單獨訂定貸款成數上限，除了在繁榮時期不能有效抑制貸款量，更會阻礙債務履行情形良好借款人之借款行為。將數種總體審慎政策工具納入實證者，如 Vandenbussche et al. (2012)探究總體審慎政策對於中歐、東歐及東南歐的房價上漲是否有影響，其結果顯示該政策的工具，如資本要求比率及非標準流動性措施(外國資金或與信貸增長相關的邊際準備金要求)，有助於減緩房價上漲趨勢。Kuttner 與 Shim (2013)為了瞭解貨幣政策是否能有效減緩住宅市場過度成長及非利率政策是否有效穩定房價與信用循環，其透過 Panel 迴歸分析 1980 年至 2011 年 57 個亞太區經濟體，發現審慎措施雖導致銀行貸款減少，但同時能夠減少住房需求和住房信貸需求，而房價亦受其所影響，並指出增加短期利率、限制貸款成數及房貸本息支出對所得比對於房價有顯著影響效果，而透過限增加提列呆帳準備、限制貸款成數及房貸本息支出對所得比得減緩信貸成長。Igan 與 Kang(2011)使用 2002 年 2010 年韓國區域資料檢驗貸款成數限制、貸款所得比限制對於韓國房價、住宅市場及家戶槓桿之影響，結果顯示，實施限縮貸款成數與貸款所得比後，住宅交易量在三個月內有顯著下跌情形，兩工具皆能影響購買決策，而住宅價格方面經六個月空窗期後呈現減緩上漲速度之情形，此外，結果亦顯示限縮貸款成數相較於限縮貸款所得比更能有效控制房價動態及抑制投機行為誘因。HKMA(2014)構建一個 VAR 模型衡量逆循環審慎措施及需求管理措施如何影響香港住宅市場活動，結果顯示審慎措施確實能夠抑制抵押貸款成長及住宅交易量，但對於住宅價格並無直接影響；而需求管理措施能夠抑制住宅交易量及價格之成長，但對於抵押貸款量無顯著直接影響。國內相關實證研究較少，王雨讓(2016)以動態隨機一般均衡模型(Dynamic Stochastic General Equilibrium, DSGE)比較貨幣政策、財政政策及總體審慎政策對於房屋價格及相關貸款的穩定效果，在政策方面，實證結果顯示財政政策與總體 15.

(28) 第二章文獻回顧. 審慎政策比起緊縮貨幣政策於抑制房屋價格及降低住房貸款占國內生產毛額比例方面，擁有較好的效果；在政策工具方面，結果指出緊縮貸款成數比率相較於增加財產稅率，對於家戶部門貸款占國內生產毛額比及房價有更大之影響；尤其對於抑制房價，緊縮貸款成數比率相較於緊縮貨幣政策有更持續之效果。. 16.

(29) 購屋貸款變數與住宅市場關聯性之研究. 第三節購屋貸款與住宅市場之關聯性觀之美國次貸風暴，過於寬鬆的貸款條件、放款額度使借款人易於獲得購屋貸款，也促進大量銀行及金融機構進入抵押市場使其市場迅速成長，然而，最終資產泡沫導致全球性金融危機。美國次貸風暴可透過 Ben Bernanke 於 1999 年提出金融加速效果(Financial Accelerator Effect)模型加以瞭解，當景氣衰退時，金融市場不順暢會增加借貸成本，使得衰退速度加快；於景氣擴張時，因銀行業者風險態度改變、房價上漲使得擔保品價格亦上升，致使銀行信用過度擴張，而產生泡沫化之隱憂，故藉由金融加速，信貸市場因訊息不對稱所產生的摩擦將可能使經濟衝擊對經濟波動的影響程度產生放大效果。 IMF(2008)運用一個包含住宅部門的總體經濟模型說明貸款過程中抵押品住宅如何影響消費及總產出波動，其以抵押貸款餘額及貸款成數呈現抵押貸款市場發展程度，較發達的抵押貸款市場有較高的貸款成數，研究結果顯示，抵押貸款市場發展程度愈高(貸款成數比率愈高)，住房需求衝擊對於消費及總產出的影響愈大，如上述，借款人槓桿比率之高低亦為導引金融危機發生之因素之一。關於房價會影響借貸需求的文獻，如 IMF(2013)指出由於房價會透過財富效果(Wealth Effects)而導致借款增加，因此房價上漲可作為超額信用擴張之領先指標，此外，IMF 亦指出使信用擴張的總體經濟環境將會增長系統性風險，故應適時緩和會使借貸增長的繁榮現象。HKMA(2014)認為房價會受住宅需求減少影響，同時亦間接影響到住宅貸款需求。關於購屋貸款條件影響住宅市場的文獻，如 IMF(2008)欲探討住房部門對於產出波動的影響是否會隨著時間而變動，建立 VAR 模型針對 18 國家進行分析後，得到住宅需求變化與房價、住宅投資間有相當程度之關係，且各國住宅需求變動與經濟變動之間的關係於不同時期亦有不同的解釋程度，研究表示住房融資體系愈具靈活性、彈性的國家，其住宅部門對經濟之外溢效果將愈大。IMF 認為抵押貸款市場的特性與結構是影響住房部門(Housing Sector)與經濟週期關係之重要因素，住宅抵押貸款條件的內生變數將會加劇總體經濟波動，也就是 Bernanke 和 Gertler (1995)所提出的金融加速(Financial Accelerator)理論。Collyns. 17.

(30) 第二章文獻回顧. and Senhadji(2001)研究房地產泡沫與亞洲金融危機之關聯性發現銀行貸款增長促使房地產市場泡沫化。以往文獻多認為低利率是造成資產價格上漲之因素之一，因為透過較低的借貸成本，同時影響購屋成本而使住宅需求增加，然而，Shi et al. (2014)實證發現實質利率對房價有顯著正向影響，換言之，其認為實質利率愈高，將導致房價上漲，傳統上認為增加政策利率會增加購屋成本，而使購屋需求減少，達抑制房價之效果，但透過 Shi et al.研究指出增加政策利率未必能夠有效抑制房價。本國文獻中，黃珮玲(1994)認為利率為台灣房價之領先指標，且利率對與我國房價為負向影響；屠美亞(2011)利用 Taylor’s Rule 決定長期均衡利率，結果顯示利率大多低於均衡利率，同時發現長期低利率確實為台灣房價不斷上漲之主因、黎佳珍(2012)利用 Taylor’s Rule 發現台灣房地產自 2003 年復甦後因持續低利率政策導致台灣房價不斷攀升。總結而論，本章透過第一節整理國內外對於總體審慎政策之定義及其對於整體金融體系的重要性，並介紹我國目前針對不動產所做的總體審慎政策，政策自 2010 年實施至今，而房價在 2013 年始停止上漲甚至下跌，目前國外已有針對該項政策做出許多驗證研究，本研究藉由整理他國實施結果，發現不同政策與不同地區實施將有不同的效度，本研究欲探究實施貸款管制採用之工具對於住宅市場是否能夠確實發生效果，藉由探究購屋貸款管制變數、貸款利率以及其他總體變數與住宅市場之間之關聯性，針對台灣做出實證研究，以補足過去對於此一議題研究之不足。. 18.

(31) 購屋貸款變數與住宅市場關聯性之研究. 第三章. 研究方法與變數選取. 本章詳述本文研究方法與變數選取說明兩節，第一節將詳述本研究運用之研究方法，為探究應變數與自變數間長期關係，首先應確認變數型態，故第一部分為使用單根檢定之說明，第二部分為本研究所採用共整合分析之方法，第三部分則為因果關係檢定模型；第二節為本研究採用之變數介紹與運用說明。. 第一節研究方法一、. 單根檢定. 本研究欲使用共整合檢定分析總體審慎政策工具變數與住宅價格與交易量間之長期關係，但因所使用之資料種類屬於時間序列資料，而時間序列分析中之固定趨勢(Deterministic Trend)或隨機趨勢(Stochastic Trend)將可能使時間序列呈現非定態(Non-stationary)，通常去除固定趨勢後將得使時間序列轉變為定態資料 (Trend Stationary)，而隨機趨勢若直接進行自我迴歸分析將可能造成(1)小樣本向下偏誤；(2)t-統計量的極限分配不為標準常態；(3)虛假迴歸，不相關的變數將得出異常顯著的相關性(陳旭昇，2011)，換言之，即判定係數𝑅 2 很高，變數 t 統計量很顯著，但 DW 值很低之情況，將影響分析結果之準確性。單根檢定為檢定變數是否為定態序列之檢定，若檢定結果為非定態，可藉由差分(Difference)方法使變數資料呈現定態，若經 d 階差分即為定態，則整合級次為 d 階，以 yt〜I(d)表示；若該時間序列本身即為一定態序列，則以 yt〜I(0)表示之。本研究所使用之變數資料屬時間序列型態，進行分析前應先檢定變數是否為定態方得使後續資料處理分析具合理性。參考過去文獻，單根的檢定方法包括 Dickey-Fuller(DF) 、 Augmented. Dickey-Fuller(ADF) 、 Phillips-Perron 、. Kwiatkowski(KPSS)等方法，其中，最被廣泛使用之單根檢定法為 ADF 及 PP 兩種，本研究將採行上述兩種方法進行單根檢定，若顯示變數為非定態，則將進一步差分檢視變數定態性，以下分別說明之：. 19.

(32) 第三章研究方法與變數選取. (一) ADF 單根檢定單根檢定最初由 Dickey and Fuller(1979)提出，DF 檢定僅能應用於一階自我迴歸模型(即 AR(1))，而忽略迴歸式之誤差項存在自我相關而非單純的雜訊。Said and Dickey(1984)提出 ADF 單根檢定方法擴充 DF 檢定以修正誤差項自我相關之問題。惟不論是 DF 檢定抑或是 ADF 檢定，檢定式的殘差皆須為無自我相關與具有同質變異，因此後續有學者提出改善、輔助兩者之檢定，如 PP 檢定。ADF 檢定有下列三種形式： ∆𝑦𝑡 = 𝛿𝑦𝑡−1 + 𝛾1 ∆𝑦𝑡−1 + ⋯ + 𝛾𝑝 ∆𝑦𝑡−𝑝 + 𝑢𝑡 ∆𝑦𝑡 = 𝛽0 + 𝛿𝑦𝑡−1 + 𝛾1 ∆𝑦𝑡−1 + ⋯ + 𝛾𝑝 ∆𝑦𝑡−𝑝 + 𝑢𝑡 ∆𝑦𝑡 = 𝛽0 + 𝛼𝑡 + 𝛿𝑦𝑡−1 + 𝛾1 ∆𝑦𝑡−1 + ⋯ + 𝛾𝑝 ∆𝑦𝑡−𝑝 + 𝑢𝑡 並檢定. (3 − 1) (3 − 2) (3 − 3). 𝐻0 : 𝛿 = 0 𝐻1 : 𝛿 < 0. 若拒絕虛無假設(𝐻0 )表示序列不具單根，為定態序列；反之，則存在單根，為非定態序列。上式中，𝛽0為飄移項(Drift Term)，𝛼𝑡為線性時間趨勢項(Linear Time Trend)，𝛾1 ∆𝑦𝑡−1 + ⋯ + 𝛾𝑝 ∆𝑦𝑡−𝑝 為 ADF 單根檢定之增廣項(Augmented Part)，增廣項為因變數的落後差分項，是為了控制殘差項的序列相關，該項最適落後期數 p 可利用 AIC(Akaike Information Criterion)或 BIC(Bayesian Information Criterion) 決定之。 (二) PP 單根檢定前述 ADF 檢定以增廣項控制殘差項序列相關，在此，Phillips and Perron(1988) 則以無母數(Non-parametric)放寬對殘差項分配得假設，以解決殘差項序列相關之問題，其原理為以一種非參數的方法檢驗一階自我迴歸過程 AR(1)的定態性。PP 檢定之迴歸式如下： ∆𝑦𝑡 = 𝛽0 𝐷𝑡 + 𝜋𝑦𝑡−1 + 𝑢𝑡. 20. (3 − 3).

(33) 購屋貸款變數與住宅市場關聯性之研究. 如上述，DF 與 ADF 檢定之序列須具有殘差項(𝑢𝑡 )無自我相關及同質變異之條件，而 PP 檢定之下可為異質變異，其修正 DF 檢定之估計式(γ)使兩者具相同的漸進分配，即兩者使用相同的臨界值，同樣地，若 PP 檢定拒絕虛無假設，代表拒絕存在單根之假設，此假設與 ADF 檢定相同。因此，本研究同時選用 PP 檢定以輔助 ADF 檢定結果。二、. ARDL 共整合檢定. 本研究之實證模型採用 Pesaran and Shin(1999)提出之自我迴歸分配落後模型 (Autoregressive Distributed Lag, ARDL)，選擇此模型之原因為：依照前一部分進行變數單根檢定後所得結果，所有變數之整合級次並非相同，即同時存在 I(0)及 I(1)之情況，而普遍時間序列使用傳統的共整合分析須先達到所有變數皆為同一整合級次之條件，如 Engle and Granger (1987)提出的殘差基礎檢定(Residual-based Test)或 Johansen(1988) 提出的最大概似估計法(Maximum Likelihood Estimate, MLE)，整合級次相同之時間數列方可進行長期均衡關係之共整合測試。而 Pesaran et al.提出的 ARDL 無此限制，使用此模型無須考量各項變數是否位於同一整合級次，避免各變數序列整合級次不同而產生共整偏誤，此外，亦可改善小樣本檢定力低落之問題。 Pesaran et al. (2001)以區間測試法(Bounds Test)，採用臨界區間來檢測是否存在長期均衡關係。ARDL 在模型中放考量不受限制之前期誤差修正因子，可藉由誤差修正項與自我落後階項分析變數間之長短期關係。自我迴歸分配落後模型有以下優點：(1)變數序列資料間可不具相同整合級次，可為 I(0)或 I(1)，然變數之整合級次不能超過 1 階；(2)對小樣本資料具有足夠穩定性；(3)不同的變數進入模型可被指定不同落後期數長度；(4)當解釋變數為內生變數時，使用 ARDL 模型可得出無偏且有效之估計；(5)可透過簡單的線性轉換為動態誤差修正模型 (ECM)，得到短期與長期影響程度。. 21.

(34) 第三章研究方法與變數選取. 公式(3-4)為 ARDL 基本公式如下： 𝑘1. 𝑘2. ∆𝑦𝑡 = 𝛼0 + ∑ 𝛽𝑖 ∆𝑦𝑡−𝑖 + ∑ 𝜃𝑖 ∆𝑥𝑡−𝑗 + 𝛿1 𝑦𝑡−1 + 𝛿2 𝑥𝑡−1 + 𝜀𝑡 𝑡=1. (3 − 4). 𝑗=0. 並檢定. 𝐻0 : 𝛿1 = 𝛿2 = 0 𝐻1 : 𝛿1 ≠ 𝛿2 ≠ 0. 其中，𝛼0 為常數項；t 為期數；∆𝑦𝑡−𝑖 為自身落後項；𝑦𝑡−1 與𝑥𝑡−1 為 ECM 項； 𝜀𝑡 為隨機誤差項。模型虛無假設為變數間不存在共整合關係；換言之，若拒絕虛無假設，代表變數間存在共整合關係，具有長期穩定關係。而檢驗虛無假設須藉由 F 統計值及 Pesaran 等提出的兩組臨界值3判斷，若 F 統計值超過臨界值上限，則拒絕虛無假設，存在長期關係；若 F 統計值小於臨界值下限，則接受虛無假設，不存在長期關係；最後，若 F 統計值落在兩臨界值之間，則無法得到是否存在共整合關係之結論。三、. 因果關係檢定. 為探究變數間之因果關係，Granger (1969) 提出一以變數預測能力角度描述兩變數間因果關係之概念，稱作 Granger 因果關係檢定(Granger Causality)，透過檢定可確定變數間是否存在因果關係及影響的方向(樊歡歡 et al.，2011)，換言之，可看出變數與變數間領先(Lead)、落後關係(Lag)，因果關係檢定迴歸式如下： 𝑛. 𝑚. 𝑦𝑡 = 𝛼𝑡 + ∑ 𝛽𝑖 𝑥𝑡−𝑗 + ∑ 𝛾𝑘 𝑦𝑡−𝑘 + 𝜇𝑡 𝑗=1. (3 − 5). 𝑘=1. 𝑛. 𝑚. 𝑥𝑡 = 𝛼′𝑡 + ∑ 𝛽′𝑖 𝑥𝑡−𝑗 + ∑ 𝛾′𝑘 𝑦𝑡−𝑘 + 𝜇′𝑡 𝑗=1. (3 − 6). 𝑘=1. 其中，𝜇𝑡 與𝜇′𝑡 為隨機誤差項，兩者之間互相獨立。. 3. ARDL 區間測試法之臨界值須參照 Pesaran, M. H., Shin, Y. and Smith, R. J.(2001), Bounds testing. approaches to the analysis of level relationships.第 300-301 頁。 22.

(35) 購屋貸款變數與住宅市場關聯性之研究. 若變數 x 能夠提供預測變數 y 所需之資訊，稱變數 x「Granger 影響」(Granger Cause) 變數 y；反之，若變數 x 不能提供預測變數 y 所需之資訊，稱變數 x「不會 Granger 影響」變數 y，因果關係檢定可分為下列四種情況： (1) 若 ∑ 𝛽𝑖 ≠ 0 且 ∑ 𝛽′𝑖 = 0 ，則代表 x 對 y 有單向因果關係； (2) 若 ∑ 𝛽𝑖 = 0 且 ∑ 𝛽′𝑖 ≠ 0 ，則代表 y 對 x 有單向因果關係； (3) 若 ∑ 𝛽𝑖 ≠ 0 且 ∑ 𝛽′𝑖 ≠ 0 ，則代表 x 與 y 之間有雙向因果關係； (4) 若 ∑ 𝛽𝑖 及 ∑ 𝛽′𝑖 兩者皆不顯著異於零，則代表 x 與 y 互相獨立，兩者不存在任何單向因果關係。然而，Toda and Yamamoto(1995)認為傳統 Granger 因果檢定可能會因單根檢定及共整合檢定過程的不穩定而產生因果關係檢定結果之誤差，因而，Toda and Yamamoto(1995)提出不同於傳統 Granger 因果檢定之因果檢定方法，該檢定只需確認模型中變數之最大整合級次不大於模型之最適落期數，即可進行因果關係檢定。 Toda and Yamamoto(1995)因果檢定迴歸式如下： 𝑝. 𝑝. 𝑦𝑡 = 𝛼0 + ∑ 𝛼1𝑖 𝑦𝑡−𝑖 + ∑ 𝛼2𝑖 𝑥𝑡−𝑖 + 𝜇1𝑡 𝑖=1. 𝑖=1. 𝑝. 𝑝. 𝑦𝑡 = 𝛽0 + ∑ 𝛽1𝑖 𝑦𝑡−𝑖 + ∑ 𝛽2𝑖 𝑥𝑡−𝑖 + 𝜇2𝑡 𝑖=1. (3 − 7). (3 − 8). 𝑖=1. 其中，p = k + 𝑑𝑚𝑎𝑥，k 為經 VAR 模型所選出最適之落後期，𝑑𝑚𝑎𝑥 則為模型中變數整合級次之最大值。. 23.

(36) 第三章研究方法與變數選取. 第二節實證流程本研究採用時間序列資料進行分析，分析過程整理如圖 3-1：. 資料來源：吳朝欽(2010)4、本研究自行整理繪製. 圖 3-1. 實證流程圖. 4 參自吳朝欽 (2010) ，資料分析統計軟體操作入門－ EViews ，網址： http://www.library.fcu.edu.tw/subjectguide/il_workshop/file_dowload/991/EViews2010-11-30advance.pdf 24.

(37) 購屋貸款變數與住宅市場關聯性之研究. 第三節變數選取本研究選取之變數房價、住宅交易量與其他解釋變數期間範圍為 2000 年第一季至 2016 年第二季，共計 66 筆資料。其中，因本研究欲探討購屋貸款變數與住宅市場之相互關連性，將房價與住宅交易量設定為被解釋變數，房價資料為信義房屋統計之台灣地區房價指數，而住宅交易量為建物買賣移轉登記面積，資料來源為內政部不動產資訊平台。解釋變數選取之理由及處理過程由以下詳述之：一、. 貸款成數. 貸款成數部分，為本研究主要探討變數之一，在不動產市場與銀行部門中，貸款成數佔有相當重要的角色，它代表借款人能取得擔保品市價多少比例之借款數額。2010 年起，我國實施一連串信用管制措施，主要措施之一即為訂定貸款成數上限，上限越低，代表借款人能取得借款額越少，藉以限制潛在投機需求購屋資金，因此本研究欲藉由貸款成數時間序列資料探討時間序列與房價及住宅交易量長期、短期關係為何、貸款成數上限對於住宅市場能否產生效果。由於目前我國已公開的貸款成數統計資料5僅自 2008 年第二季開始，資料公布長度僅有 37 季，觀察值筆數不甚足夠為時間序列分析而無法運用於本實證模型。因此，本研究參考 Investopedia 網站提供之「貸款總額/不動產估算價值」比率及金融聯合徵信中心解釋的「平均授信額度/平均鑑估值」比率，並考慮可取得之數據資料後，研擬出平均貸款成數估算公式計算出我國銀行貸款比率序列資料，惟根據每季購置住宅貸款總額來源僅提供自 2000 年起之統計資料，故本研究僅能計算自 2000 年第一季至 2016 年第二季每季平均貸款成數，估算公式如下：. 我國目前公開貸款成數資料來源為「財團法人金融聯合徵信中心」，由財政部及中央銀行直接督導，為我國唯一跨金融機構間信用報告機構。關於住宅貸款統計等相關資料之資料期間為 2008 年第二季起至今。 5. 25.

(38) 第三章研究方法與變數選取. 每季平均貸款成數6 =. 二、. 每季購置住宅貸款總額每季購置住宅貸款核貸筆數 × 每季住宅買賣移轉平均價格. (3 − 7). 購屋貸款餘額占國內生產毛額比率. 「信用對國內生產毛額比率(Credit-to-GDP)」被列為總體審慎政策重要指標，國際金融統計資料庫(IMF－IFS)對信用(Credit)定義為對私有部門的債權(Claim on Private Sector) ，等同於我國統計資料「金融機構對民間部門債權 7 」。 BCBS(2010)、IMF(2011)實證發現，發生嚴重金融危機之前，信用對國內生產毛額比率趨於上升而平穩地高於長期趨勢，如 1980 年代美國儲貸危機、2000 年網路泡沫危機、2007-2009 年的金融海嘯，危機發生後，信用對國內生產毛額比率明顯降低，換言之，信用走高將增加金融不穩定之風險，在金融體系健全性中為一舉足輕重之角色。其中，對民間部門債權包括企業、個人貸款行為，為使變數得更加反映整體房屋貸款規模，本研究將信用對國內生產毛額比率限縮範圍至購屋貸款餘額對國內生產毛額比率，以之代表我國整體房屋貸款規模。購屋貸款增加(膨脹)將增加市場流通資金進而推升資產需求量及價格，故本研究初步推測該指標與不動產市場之間為正向關係。. 算式內容取自內政部不動產資訊平台及住宅資訊統計季報之「國內銀行承做購屋貸款情形季報表」，計算結果與原貸款成數現有數值兩者經相關性分析後，相關係數(Correlation Coefficient)達 0.88，推定此計算結果得代表原貸款成數。 6. 中央銀行定義為：指全體貨幣機構對國內各民營企業、個人及非營利事業團體等之放款，以及買入民營企業發行之股票、公司債、商業本票、承兌匯票、受益憑證及長期投資民營企業之股權 7. 等。 26.

(39) 購屋貸款變數與住宅市場關聯性之研究. 三、. 貸款利率. 本研究採用五大銀行新承做放款利率代表利率作為解釋變數，根據中央銀行之說明，2008 年 10 月前五大銀行為台灣銀行、合作金庫銀行、第一銀行、華南銀行及彰化銀行，同年 11 月起台灣土地銀行替代彰化銀行為五大銀行之一。利率高低對於借款人而言，將直接影響其借款成本，因此，理論上而言，較低的利率會影響民眾借貸資金成本進而影響購買力及購置需求，過去文獻亦提出低利率會增加購屋動機而推升房價，Malzubris(2008)發現低利率及負利率能夠解釋愛爾蘭的高房價現象，屠美亞(2011)、黎佳珍(2012)利用 Taylor’s Rule 發現台灣房地產自 2003 年復甦後因持續低利率政策導致台灣房價不斷攀升，另一方面，近來許多文獻則認為利率高低與房價無直接關係(IMF, 2009; Song , 2014)。本研究以貸款利率作為解釋變數及控制變數，利率與房價及交易量間之關係待實證結果證明。. 四、. 民間消費. 民間消費為組成 GDP8之重要成分，其定義為家戶單位之消費性支出。針對民間消費與房地產市場之研究大致可分為兩方向，房價對於消費之間可能存在財富效果抑或是排擠效果，前者在於房價上漲時，因資產價格增加而引發財富效果，財富效果使消費者願意投入商品市場而增加民間消費；後者在於房價上漲時，消費者必須減少消費性支出以增加期購屋之購買力，因而導致民間消費下降。由於關於民間消費與住宅市場之關聯於過去文獻上有兩種影響方向，因此其間關係仍待實證結果證明。. 8. 一國之國欸生產毛額可表示為：GDP= C+I+G+(X-M)，其中，GDP 為國內生產毛額，C 為消費，. I 為投資，G 為政府支出，X 為商品與勞務出口，M 為商品與勞務進口。 27.

(40) 第三章研究方法與變數選取. 五、. 失業率. 行政院主計處定義失業率為「失業人口佔勞動力9」之比率，失業率與景氣發展存在連動關係，當整體景氣好轉時，失業率會下降，反之，當整體景氣處於低迷狀態時，失業率便提高，可看出失業率與景氣呈現負向關係。對於不動產市場而言，失業人口增加、就業市場萎縮時，將可能影響不動產市場景氣狀況，如降低購屋意願和需求與整體景氣委靡導致房價因此下跌，因此，本研究推測失業率與住宅市場間存在負向關聯性。. 六、. 貨幣供給額. 根據我國中央銀行定義之貨幣供給額分為三類，分別是 M1A、M1B 以及 M210。過去許多實證研究指出貨幣供給額與房地產市場間有密切關聯，如吳森田(1994) 認為貨幣供給之寬鬆與否與購屋者獲貸機率及貸款額度有正向關係；林秋瑾與黃珮玲(1995)認為貨幣供給額與住宅價格具有正向關係，並發現貨幣供給對於住宅價格之短期衝擊大於長期衝擊；Lastrapes (2002)研究美國貨幣供給對於住宅市場之動態衝擊反映發現，貨幣供應的衝擊對於整體住宅市場有顯著正向的影響。另外，中央銀行可藉由增加或減少貨幣供給額影響利率進而影響購屋需求，另一方面，貨幣供給增加亦可能代表游資或閒置資金充裕，而可能推動住宅之投資需求，因此，本文採用貨幣供給額作為總體經濟變數，並預期其與住宅市場存在正向影響關係。. 9. 行政院主計處國際勞工組織之規定定義，失業人口係指年滿 15 歲以上，同時具有(1)無工作；. (2)隨時可以工作；(3)正在尋找工作或已找工作在等待結果等三項條件者。勞動力則是指年滿 15 歲可以工作之民間人口，包括就業者及失業者。 10. 根據我國中央銀行對貨幣供給額之定義，M1A 為通貨淨額與企業及個人（含非營利團體）在. 其他貨幣機構之支票存款及活期存款之加總；M1B 為 M1A 與個人（含非營利團體）在其他貨幣機構之活期儲蓄存款之加總；M2 則為 M1B 與準貨幣之加總。M1A 與 M1B 合稱為狹義貨幣， M2 則為廣義貨幣。 28.

(41) 購屋貸款變數與住宅市場關聯性之研究. 七、. 建照面積. 核發建造執照樓地板面積多寡代表房地產供給方對於未來房市景期預期好壞，當房地產供給方看好房市景氣，申請建照數量將會隨著景氣波動而增加，因此，建照樓地板面積或件數亦被視為房地產景氣之領先指標，本文使用建照核發面積作為影響房價模型解釋變數之一，探究建照面積與房價於近十五年內之關聯性為何。. 八、. 消費者物價指數. 消費者物價指數為衡量一般家庭購買消費性商品及服務價水準變動情形之指標，也是多數國家計算通貨膨脹率之主要依據，透過消費者物價指數各期變化可換算出各期之通貨膨脹率。一般而言，通貨膨脹與不動產市場之關係可區分為兩管道：一為物價提高、通貨膨脹提高，進而使不動產價格隨物價上漲，不動產價格上漲則可能減少購屋或投資需求；另一則為，當發生通貨膨脹時，民眾會傾向於將手頭資金投入不動產、黃金等資產中，以規避通貨膨脹帶來的風險，進而牽動不動產需求而使價格上升，因此，本文預期消費者物價指數對於不動產價格有正向影響。綜上所述，本研究採用之被解釋變數為房價指數及住宅交易量，房價模型之解釋變數包括貸款成數、購屋貸款餘額占國內生產毛額比率、貸款利率、貨幣供給額、住宅建造執照樓板面積以及消費者物價指數；住宅交易量以建物所有權買賣登記面積代表之，該模型之解釋變數包括貸款成數、購屋貸款餘額占國內生產毛額比率、貸款利率、民間消費、失業率以及貨幣供給額，茲將上述使用變數表列如表 3-1 及 3-2：. 29.

(42) 第三章研究方法與變數選取. 表 3-1 房價模型變數定義與資料來源. 變數類型. 變數名稱. 變數代碼. 資料來源. 被解釋變數. 房價指數. HPI. 信義房屋. 貸款成數. LTV. 本研究自行計算. LOAN_GDP. 中央銀行、主計總處. 貸款利率. R. TEJ+台灣經濟新報資料庫. 貨幣供給額. M1B. TEJ+台灣經濟新報資料庫. 住宅建造執照樓板面積. PERMIT_C. 內政部營建署. 消費者物價指數. CPI. 主計總處. 購屋貸款餘額占國內生產毛額比率. 解釋變數. 註：1.資料期間皆為 2000Q1-2016Q2。 2.自變數貸款成數資料因政府公開資料期間不足透過時間序列分析，故本研究以貸款成數公式自行計算出 2000 年第一季-2016 年第二季台灣平均貸款成數數值。. 30.

(43) 購屋貸款變數與住宅市場關聯性之研究. 表 3-2 住宅交易量模型變數定義與資料來源. 變數類型. 變數名稱. 變數代碼. 資料來源. 被解釋變數. 建物所有權買賣登記面積. VOLUME. 內政部營建署. 貸款成數. LTV. 本研究自行計算. 購屋貸款餘額占國內生產毛額比率. LOAN_GDP. 本研究自行計算. 貸款利率. R. TEJ+台灣經濟新報資料庫. 貨幣供給額. M1B. TEJ+台灣經濟新報資料庫. 民間消費. PCE. TEJ+台灣經濟新報資料庫. 失業率. UE. TEJ+台灣經濟新報資料庫. 解釋變數. 註：1.資料期間皆為 2000Q1-2016Q2。 2.自變數貸款成數資料因政府公開資料期間不足透過時間序列分析，故本研究以貸款成數公式自行計算出 2000 年第一季-2016 年第二季台灣平均貸款成數數值。. 31.

(44) 第三章研究方法與變數選取. 第四節變數敘述統計與時間序列趨勢圖為瞭解實證使用資料之特性，本研究針對實證變數進行敘述統計分析，茲將敘述統計呈現如表 3-3 以瞭解變數資料概況：表 3-3 變數資料敘述統計變數名稱. 代稱. 個數. 房價指數. HPI. 66. 177.0458 69.73029. 66. 11044710 1969541 5067632 15015609. 建物所有權買賣登 VOLUME 記面積(平方公尺) 貸款成數(%). LTV. 購屋貸款餘額占國內生產毛額比率 LOAN_GDP (%). 平均數. 標準差. 最小值. 最大值. 96.39. 297.78. 66. 52.2732 7.042012 39.1108. 66. 143.8045 26.34245. 175.1. 1.633. 7.215. R. 66. 民間消費(百萬). PCE. 66. 失業率. UE. 66. 貨幣供給額. M1B. 66. 9152759 3377683 4292630 15428635. 66. 3987346 1456233 1232615 6800781. 66. 96.3141 5.551325. 消費者物價指數. CPI. 1.50578. 102.43. 貸款利率(%). 住宅建造執照樓板 PERMIT_C 面積(平方公尺). 2.8146. 67.2924. 1799540 249809.6 1403464 2242546 4.3506. 0.698452. 2.8. 88.48. 6.08. 105.11. 此外，本研究採行時間序列型態資料分析被解釋變數與解釋變數間之關係，為初步瞭解各變數長期變動特性，茲繪製各變數時間序列趨勢圖如圖 3-2，以捕捉各變數於研究觀察期間之走勢。. 32.

(45) 購屋貸款變數與住宅市場關聯性之研究 HPI. VOLUME. 320. 200 190. 280. 180 240 170 200 160 160 150 120. 140. 80. 130 00. 01. 02. 03. 04. 05. 06. 07. 08. 09. 10. 11. 12. 13. 14. 15 16. 00. 01. 02. 03. 04. 05. 06. LTV. 07. 08. 09. 10. 11. 12. 13. 14. 15 16. 09. 10. 11. 12. 13. 14. 15 16. 09. 10. 11. 12. 13. 14. 15 16. 09. 10. 11. 12. 13. 14. 15 16. 09. 10. 11. 12. 13. 14. 15 16. LOAN_GDP. 70. 180. 65. 170 160. 60. 150 55 140 50 130 45. 120. 40. 110 100. 35 00. 01. 02. 03. 04. 05. 06. 07. 08. 09. 10. 11. 12. 13. 14. 15 16. 00. 01. 02. 03. 04. 05. 06. 07. R. 08. PCE. 8. 2,400,000. 7. 2,200,000. 6 2,000,000 5 1,800,000 4 1,600,000 3 1,400,000. 2 1. 1,200,000 00. 01. 02. 03. 04. 05. 06. 07. 08. 09. 10. 11. 12. 13. 14. 15 16. 00. 01. 02. 03. 04. 05. 06. 07. UE. 08. M1B. 6.5. 16,000,000. 6.0. 14,000,000. 5.5 12,000,000. 5.0 4.5. 10,000,000. 4.0. 8,000,000. 3.5 6,000,000. 3.0. 4,000,000. 2.5 00. 01. 02. 03. 04. 05. 06. 07. 08. 09. 10. 11. 12. 13. 14. 15 16. 00. 01. 02. 03. 04. 05. 06. 07. PERMIT_C. 08. CPI. 7,000,000. 108. 6,000,000. 104. 5,000,000 100 4,000,000 96 3,000,000 92. 2,000,000. 1,000,000. 88 00. 01. 02. 03. 04. 05. 06. 07. 08. 09. 10. 11. 12. 13. 14. 15 16. 00. 01. 02. 03. 04. 05. 06. 07. 圖 3-2 應變數與被解釋變數之趨勢圖. 33. 08.

(46) 第三章研究方法與變數選取. 第五節實證模型設定為探究房屋貸款管制變數與台灣住宅市場之間的關係，本研究以兩模型進行分析，一為以房價為被解釋變數，房價資料採用信義房價指數；另一則為以住宅交易量為被解釋之模型，住宅交易量資料採用內政部公告之建物買賣移轉登記面積。兩模型之自變數除了放置上節說明之貸款管制變數及其他總體變數之外，亦放入被解釋變數之落後項。基於上述，本研究模型估計式如式 3-8、3-9 所示：房價為被解釋變數： 𝑘1. 𝑘2. 𝑘3. ∆𝐻𝑃𝐼𝑡 = 𝛼0 + ∑ 𝛽𝑖 𝐻𝑃𝐼𝑡−i + ∑ 𝜃𝑖 ∆𝐿𝑇𝑉𝑡−i + ∑ 𝜃𝑖 ∆𝐿𝑂𝐴𝑁_𝐺𝐷𝑃𝑡−i i=1 𝑘4. i=0. i=0. 𝑘5. 𝑘6. + ∑ 𝜑𝑖 ∆𝑅𝑡−i + ∑ 𝜏𝑖 ∆𝑃𝐸𝑅𝑀𝐼𝑇_𝐶𝑡−i + ∑ 𝛾𝑖 ∆𝐶𝑃𝐼𝑡−i + 𝛿𝐸𝐶𝑀𝑡−1 i=0. i=0. i=0. + 𝜀𝑡. (3 − 8). 住宅交易量為被解釋變數： 𝑘1. 𝑘2. 𝑘3. ∆𝑉𝑂𝐿𝑈𝑀𝐸𝑡 = 𝛼0 + ∑ 𝛽𝑖 ∆VOLUME𝑡−i + ∑ 𝜃𝑖 ∆𝐿𝑇𝑉𝑡−i + ∑ 𝜃𝑖 ∆𝐿𝑂𝐴𝑁_𝐺𝐷𝑃𝑡−i i=1 𝑘4. i=0 𝑘5. i=0 𝑘6. 𝑘7. + ∑ 𝜑𝑖 ∆𝑅𝑡−i + ∑ 𝜏𝑖 ∆𝑃𝐶𝐸𝑡−i + ∑ 𝛾𝑖 ∆𝑈𝐸𝑡−i + ∑ 𝜔𝑖 ∆𝑀1𝐵𝑡−i i=0. i=0. i=0. + 𝛿𝐸𝐶𝑀𝑡−1 + 𝜀𝑡. i=0. (3 − 9). 式 3-8 及 3-9 中，𝛼0 為常數項，∆為一階差分項，t 為期數，𝐸𝐶𝑀𝑡−1前一期均衡誤差項，𝜀𝑡 為誤差項。. 34.

(47) 購屋貸款變數與住宅市場關聯性之研究. 第四章. 實證結果與分析. 本研究分析 2000 年第一季至 2016 第二季台灣住宅市場價量與貸款管制相關變數間之關聯性，所採用之變數資料為季資料。本章節首先檢測各被解釋變數與解釋變數是否於研究期間有結構性變動的問題；第二節針對各變數進行單根檢定，檢定序列之資料型態；確定變數資料型態後，第三節進行 ARDL 共整合檢定，藉以瞭解變數間長期與短期關係。. 第一節結構性變動檢定分析時間序列模型時，考慮模型樣本涵蓋期間較長，在研究期間內可能發生重大經濟因素變化而導致樣本資料存在結構性的轉變，進而影響模型估計的準確度，因此本研究透過 CUSUM 檢定針對各項變數之時間序列資料是否存在結構性轉變，若檢驗結果顯示變數具有結構性轉變，則須將研究時間再度切割至沒有結構性轉變為止，以降低模型估計的錯誤。CUSUM 檢定檢果如圖 4-1、圖 4-2 所示，觀察檢定結果，本研究探討之每項變數於 5%顯著水準下能夠拒絕有結構性轉變之虛無假設，變數於樣本期間內皆無發生結構性轉變，是以，不須將研究時間加以切割可直接進行下一步分析。 HPI. VOLUME. 30. 30. 20. 20. 10. 10. 0. 0. -10. -10. -20. -20. -30. -30 01. 02. 03. 04. 05. 06. 07. CUSUM. 08. 09. 10. 11. 12. 13. 14. 15. 16. 01. 5% Significance. 圖 4-1. 02. 03. 04. 05. 06. 07. CUSUM. 08. 09. CUSUM 檢定結果(被解釋變數). 35. 10. 11. 5% Significance. 12. 13. 14. 15 16.

(48) 第四章實證結果與分析 LT V. LOAN_GDP. 30. 30. 20. 20. 10. 10. 0. 0. -10. -10. -20. -20. -30. -30 01 02. 03. 04. 05. 06. 07. 08. 09. CUSUM. 10. 11. 12. 13. 14. 15 16. 01 02. 03. 04. 05. 5% Significance. 06. 07. 08. 09. CUSUM. R. 10. 11. 12. 13. 14. 15 16. 5% Significance. PCE. 30. 30. 20. 20. 10. 10. 0. 0. -10. -10. -20. -20. -30. -30 01. 02. 03. 04. 05. 06. 07. 08. 09. CUSUM. 10. 11. 12. 13. 14. 15 16. 03. 04. 05. 06. 5% Significance. 07. 08. 09. CUSUM. UE. 10. 11. 12. 13. 14. 15. 16. 13. 14. 15. 16. 13. 14. 15. 16. 5% Significance. M1B. 30. 30. 20. 20. 10. 10. 0. 0. -10. -10. -20. -20. -30. -30 03. 04. 05. 06. 07. 08. 09. CUSUM. 10. 11. 12. 13. 14. 15. 16. 03. 04. 05. 06. 5% Significance. 07. 08. 09. CUSUM. PERMIT _C. 10. 11. 12. 5% Significance. CPI. 30. 30. 20. 20. 10. 10. 0. 0. -10. -10. -20. -20. -30. -30 02 03. 04. 05. 06. 07. 08. CUSUM. 09. 10. 11. 12. 13. 14. 15. 16. 03. 5% Significance. 04. 05. 06. 07. 08. CUSUM. 圖 4-2 CUSUM 檢定結果(解釋變數). 36. 09. 10. 11. 12. 5% Significance.

(49) 購屋貸款變數與住宅市場關聯性之研究. 第二節單根檢定時間序列資料型態可分為定態與分定態，而非定態的序列型態乃由時間序列中之固定趨勢與隨機趨勢所導致，其中，固定趨勢的非定態趨勢得藉由去除固定趨勢後呈定態，然多數總體經濟時間序列具有隨機趨勢，也就是序列具有單根，此類序列資料若僅透過去除固定趨勢並無法使之轉變為定態，若直接以該非定態資料進行序列分析將可能造成小樣本向下偏誤、t-統計量的極限分配不為標準常態以及產生虛假回歸等問題(陳旭昇，2011)。時間序列資料存在單根將使統計分析產生偏誤，因此，進行分析之前，本研究利用單根檢定檢測各時間序列變數是否為定態序列，若為非定態，則以一階差分處理非定態資料。本研究採用之單根檢定為 ADF 單根檢定及 PP 單根檢定， ADF 與 PP 單根檢定之虛無假設皆為「序列具有單根」，是以，若序列原始值之單根檢定結果 t-檢定量大於檢定量的臨界值，表示序列在原始值(level)時無法拒絕虛無假設，該序列存在單根。若序列變數具有單根，得將該序列進行差分再予單根檢定，若序列於一階差分(1st difference)後即為穩定序列，則稱之為 I(1)變數。而後，依據單根檢定再進行下一步之分析。本研究單根檢定結果如表 4-1，由單根檢定結果可知，變數買賣移轉面積與貸款利率於 ADF 與 PP 檢定之下，其原始值序列在 5%顯著水準內皆可拒絕存在單根，為 I(0)序列；而民間消費、失業率與消費者物價指數於 ADF 與 PP 檢定之檢定結果不盡相同。其他變數經由差分處理後皆呈現定態，於 1%顯著水準下皆可拒絕存在單根之虛無假設，亦即為 I(1)序列。. 37.

(50) 第四章實證結果與分析. 表 4-1. 單根檢定統計量表原始值. 一階差分. 變數名稱. HPI. ADF. PP. ADF. PP. -2.672412(4). -2.368918. -4.741042***(0). -4.771427***. -5.773784***. -7.672902***(2). -26.68485***. VOLUME -5.773784***(0) LTV. -2.863562*(0). -2.596686*. -11.70459***(0). -12.95266***. LOAN_GDP. -0.987378(1). -1.016257. -5.585308***(0). -5.585308***. R. -3.402713**(1). -4.284244***. -5.144399***(0). -5.134958***. PCE. -3.014925(4). -5.035151***. -3.345965***(3). -38.17566***. UE. -4.575016***(4). -2.653673. -5.261723***(4). -5.109687***. M1B. -3.103265(4). -2.401422. -4.962363***(4). -6.578614***. PERMIT_C. -2.588638(2). -2.190705. -3.750205***(1). -10.34969***. CPI. -3.368717*(4). -3.802997**. -3.678373***(3). -12.39556***. 註：1.括弧內數字為根據 AIC 準則所選出之最適落後期數。 2.檢定結果中*、**、***分別表示在 10%、5%、1%顯著水準下，拒絕存在單根的虛無假設。 3.房價模型之解釋變數含貸款成數(LTV)、購屋貸款餘額占國內生產毛額比率 (LOAN_GDP)、貸款利率(R)、建造執照面積(PERMIT_C)及消費者物價指數(CPI)；交易量模型之解釋變數含貸款成數(LTV)、購屋貸款餘額占國內生產毛額比率(LOAN_GDP)、貸款利率(R)、民間消費(PCE)、失業率(UE)及貨幣供給額(M1B)。. 由以上單根檢定結果可知，住宅價格模型與住宅交易量模型之變數同時包含 I(0)與 I(1)序列，表示所有變數整合級次並非相同。若欲進一步探究各項變數間是否存在長期均衡關係，無法適用普遍使用之共整合檢定，傳統上，過去許多文獻較常使用 Engel and Granger(1987)與 Johansen(1988)提出的共整合檢定方法，惟使用前述共整合檢定皆須符合變數間整合級次相同之條件，因此，欲探究本研究兩模型之變數間是否存在長期均衡關係，選用 Pesaran (2000)提出的邊界檢定法檢測其間之共整合關係。. 38.

(51) 購屋貸款變數與住宅市場關聯性之研究. 第三節 ARDL 模型由前一章節單根檢定結果可發現，本研究之房價模型及交易量模型兩者同時包含 I(0)及 I(1)變數，不符合過去許多文獻使用之 Engel and Granger(1987) 兩階段共整合檢定法或是 Johansen(1988) 最大概似共整合檢定法檢測模型共整合關係之條件，於是，實證模型設定部分，本研究運用 Pesaran （2001）所提出以 ARDL 模型出發的邊界檢定法進行檢定，本章節首先檢測購屋貸款變數和其他總體變數與台灣住宅市場是否存在長期均衡關係，而後進行變數長期、短期關之判別。一、. Bounds Test 共整合檢定結果. 首先，參考 Pesaran（2001）所提出的邊界檢定法進行本研究模型共整合檢定，邊界檢定法是以 Pesaran 計算的 F 檢定分配表之臨界值作為有無共整合關係之判定，根據 F 分配表可得到與模型相對應之上界臨界值 I(1)及下界臨界值 I(0)，若邊界檢定法所得結果 F 統計量高於上界臨界值，表示拒絕不存在共整合關係之虛無假設，可判定變數間具有長期均衡關係；反之，若邊界檢定法所得結果 F 統計量低於下界臨界值，則表示不拒絕不存在共整合關係之虛無假設，可判定變數間不具有長期均衡關係；而若檢定結果 F 統計量界於上界臨界值與下界臨界值之間，則是表示無法辨識變數間是否存在長期均衡關係。. 進行共整合檢定前，需先決定實證模型之最適落後期，同時亦應考慮模型變數規模調整適當的最適落後期之期數，本研究採用赤池信息量準則(Akaike information criterion, AIC)準則決定實證模型之最適落後期，考慮模型變數為季資料，選定 ARDL 模型之最大落後期數為 4 期，即透過 AIC 準則於最大落後期內選取模型各變數之最適落後期作為最適模型之組合。. 本研究透過 AIC 準則選取的 ARDL 房價模型最適落後期組合為 ARDL(1, 4,. 39.

(52) 第四章實證結果與分析. 4, 4, 1, 4, 2)11，交易量模型最適落後期組合為 ARDL(1, 4, 3, 2, 3, 0, 2)12，於選取模型最適落後期之後，接著可進行邊界共整合檢定檢驗兩模型是否存在長期均衡關係，表 4-2 為本研究之 F 檢定分配表，Bounds test 共整合檢定結果如表 4-3，根據檢定結果得知，房價模型所得 F 統計量為 4.5698，該值大於 1%顯著水準下之上界臨界值 3.99，所以拒絕無共整合關係之虛無假設，亦即檢驗模型變數之間存在共整合關係，表示房價模型變數之間存在長期均衡關係。再者，關於住宅交易量模型之部分，進行邊界共整合檢定所得之 F 統計量為 8.999，該值亦大於 1%顯著水準下之上界臨界值 3.99，拒絕無共整合關係之虛無假設，亦即住宅交易量模型變數之間存在共整合現象，是以，住宅交易量模型變數間亦存在長期均衡關係。經由邊界共整合檢定法得知，本研究之房價模型及交易量模型均存在長期均衡關係，接著將進行房價模型與交易量模型長期與短期關係之判別。. 房價模型最適落後期組合為 ARDL(1, 4, 4, 4, 1, 4, 2)，依序分別代表房價指數(HPI)、貸款成數(LTV)、購屋貸款餘額占國內生產毛額比率(LOAN_GDP)、貸款利率(R)、建造執照面積 (PERMIT_C)、消費者物價指數(CPI)及貨幣供給額(M1B)。 11. 交易量模型最適落後期組合為 ARDL(1, 4, 3, 2, 3, 0, 2)，依序分別代表交易量(VOLUME)、貸款成數(LTV)、購屋貸款餘額占國內生產毛額比率(LOAN_GDP)、貸款利率(R)、民間消費(PCE)、失業率(UE)及貨幣供給額(M1B)。 12. 40.