銀行聚集與不動產價格之關係-以台北市辦公商圈為例 - 政大學術集成

全文

(1)國立政治大學地政學系碩士在職專班論文. 銀行聚集與不動產價格之關係政治大 -以台北市辦公商圈為例立. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 研究生王群猛指導教授陳奉瑤博士. 中. 華. 民. 國. 一. O. 三. 年 1. 六. 月. 二. 十. 三. 日.

(2) 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v.

(3) 謝. 誌. 從沒想過會在離開大學校園 17 年後，因為估價的關係而又回到學校。而在這個碩士學位的求學過程，所費的時間精力，難以計數，但所得的知識及喜悅亦不能衡量。在四年的時間裡，工作、估價師考試和學業不斷的反覆傾壓，若沒有家人的支持與老師們的鼓勵，是無法順利的完成這份論文。要感謝的人太多，首先當然是指導教授陳奉瑤老師，對於學術的要求和不斷的指導，使得論文的寫作漸趨嚴謹，而師丈梁仁旭老師的指點，使論文初始的盲點一掃而空。感謝兩位口試委員－陳明吉老師及彭建文老師，於口試時提出的問題及建議，使得本篇論文更臻周延。劭元學長的寶貴資料，期初、期末. 治政支援、孟璇學妹對於統計迴歸及 GIS 的指導。我必須感謝我親愛的家人，大立，教導兩個寶貝女兒懂事又乖巧，讓我無後顧之憂，玲雅打理家中的大小事. 報告的評論更是功不可沒，也感謝宇璇學妹在論文研討的意見及口試時的. ‧ 國. 學. 能夠全心全力的投入考試及論文寫作。. 最後，要感謝在政大四年的研究期間，在背後支持及提攜我的師長及. ‧. 朋友們，因為你們，讓我得到更多。. er. io. sit. y. Nat. 王群猛謹誌於台北 2014 年 6 月 23 日. n. al. Ch. engchi. 1. i n U. v.


(5) 摘. 要. 估價實務對於價格形成之主要因素分析，區域因素必須分析近鄰地區之公共設施概況，個別因素則要考慮公共設施之便利性，前者可以運用不動產與公共設施之距離予以客觀衡量，致於設施概況，則以定性分析為主。比較法是常被用來估計不動產價格的方法，在調整區域因素的項目時，對於勘估標的所在區域內的商業聚集程度是重要的考量因素，然而「商業聚集」不易界定，對於商業設施之種類、規模、聚集程度等之狀態，即便運用計量模型分析法，對於區域內之商業聚集這類不易量化之區域因素，仍不易分析。都市中經常見到銀行的設立，而其分支機構之設立係由各銀行間獨立. 治政金融服務，為商業活動不可或缺的一環，而各銀行選擇分行的設立區位時，大立受競相爭取市場的影響下，致銀行之聚集相當明顯，使其聚集現象或可作. 之經濟活動所決定，致使其具有其他公共設施未有之聚集特性，銀行提供. ‧ 國. 學. 為商業聚集的替代指標；然而辦公用不動產與住宅用不動產的所有者，對於金融服務的需求應有所不同，從而銀行聚集程度與辦公室及住宅兩者間. ‧. 的價格應有不同程度之關係。本研究除試圖找出距銀行距離與不動產價格間之關係及商業聚集的有效替代指標外，亦嘗試以銀行聚集的量化分析方. Nat. sit. y. 法補強區域因素分析時主觀的定性描述，提供後續研究方法之參考。. io. er. 本研究實證，辦公用不動產在距銀行服務影響範圍 50 公尺內，其價格為顯著負向相關，而在住宅用不動產在距銀行服務影響範圍 200 公尺內，. n. al. Ch. i n U. v. 亦為顯著負向相關。故不動產離銀行越近，其單價越高，惟辦公用不動產. engchi. 的增加幅度大於住宅用不動產；而銀行聚集程度與鄰近不動產價格間的關係，則得到正向且顯著的結果。顯示在銀行服務範圍影響下，金融服務之便利性對於不動產的價格亦有明顯的正向關係，惟對住宅之影響低於對辦公用不動產價格之影響。故不動產鄰近銀行之聚集度得以反映該區域的價格關係，亦即銀行聚集度高的區域，不動產價格高於銀行聚集度低的區域，銀行聚集程度可為商業聚集之有效指標。關鍵詞：銀行聚集、商業聚集、特徵價格模型、辦公室價格。. 1.


(7) 目錄第一章緒論 ......................................................................... 1 第一節研究動機與目的 .......................................................................... 1 第二節研究方法、範圍與限制 .............................................................. 4 第三節研究架構與流程 .......................................................................... 7. 第二章文獻回顧 .................................................................... 9 第一節影響不動產價格因素 .................................................................. 9. 政治大第三節銀行選址與聚集 ........................................................................ 17 立. 第二節產業聚集的外部經濟 ................................................................ 14. ‧ 國. 學. 第四節小結 ............................................................................................ 21. 第三章研究設計 .................................................................. 23. ‧. 第一節特徵價格模型之建構 ................................................................ 23. Nat. sit. y. 第二節銀行聚集之衡量 ........................................................................ 29 第三節資料及變數說明 ........................................................................ 36. er. io. n. a l .................................................................. 第四章實證分析 51 iv. n U engchi 第一節辦公室價格與銀行距離及銀行聚集度之關係 ........................ 51. Ch. 第二節住宅價格與銀行距離及銀行聚集度之關係 ............................ 57. 第五章結論與建議 .............................................................. 63 第一節結論 ............................................................................................ 63 第二節建議 ............................................................................................ 65. 參考文獻 ............................................................................... 67. I.

(8) 圖目錄. 圖 2-1 銀行選址與辦公商圈機能之關係.................... 19 圖 2-2 銀行與住宅環境之關係............................ 20 圖 3-1 商店聚集示意圖.................................. 30 圖 3-2 銀行聚集示意圖.................................. 30 圖 3-3 台北市辦公商圈-銀行與辦公大樓分佈圖............. 32 圖 3-4 台北市辦公商圈辦公大樓成交案例與本國銀行分佈圖.. 34 圖 3-5 台北市辦公商圈住宅成交案例與本國銀行分佈圖...... 35 圖 3-6 台北市主要辦公商圈.............................. 37. 治政圖 3-8 台北市辦公用不動產成交單價趨勢圖大................ 41 立圖 3-9 台北市住宅用不動產成交單價趨勢圖 ................ 41 圖 3-7 台北市主要辦公商圈之行政區...................... 37. ‧ 國. 學. 圖 3-10 台北市銀行分佈圖............................... 45 圖 3-11 辦公室鄰近 25 公尺內銀行家數佔比................ 46. ‧. 圖 3-12 住宅鄰近方圓 100 公尺內銀行家數佔比............. 49 圖 4-13 不動產價格與距銀行距離關係..................... 58. n. er. io. sit. y. Nat. al. Ch. engchi. II. i n U. v.

(9) 表目錄. 表 2-1 影響辦公室價格之因素 ............................ 11 表 2-2 影響住宅價格之因素 .............................. 12 表 3-1 研究範圍內銀行隨機分佈下之近鄰距離 .............. 33 表 3-2 辦公室特徵價格變數說明表 ........................ 39 表 3-3 住宅特徵價格變數說明表 .......................... 40 表 3-4 辦公室鄰近 50 公尺內銀行家數敍述統計表 ........... 46 表 3-5 辦公室鄰近 25 公尺內銀行家數敍述統計表 ........... 46 表 3-6 住宅鄰近方圓 200 公尺內銀行家數敍述統計表 ........ 49. 政治大. 表 3-7 住宅鄰近方圓 100 公尺內銀行家數敍述統計表 ........ 49. 立. 表 4-1 辦公室交易樣本連續變數敍述統計表 ................ 52. ‧ 國. 學. 表 4-2 辦公室交易樣本虛擬變數敍述統計表 ................ 52 表 4-3 住宅交易樣本連續變數敍述統計表 .................. 53 表 4-4 住宅交易樣本虛擬變數敍述統計表 .................. 53. ‧. 表 4-5 特徵價格方程式（1）估計結果 ..................... 55. sit. y. Nat. 表 4-6 特徵價格方程式（2）估計結果 ..................... 56 表 4-7 特徵價格方程式（3）估計結果 ..................... 60. io. n. al. er. 表 4-8 特徵價格方程式（4）估計結果 ..................... 61. Ch. engchi. III. i n U. v.


(11) 第一章緒論. 第一節研究動機與目的研究動機影響不動產價格之因素可分為一般因素、區域因素及個別因素，在估價實務上「敘述式不動產估價報告書範本」1中，對於價格形成之主要因素分析，區域因素必須分析近鄰地區之公共設施概況，個別因素則要考慮公. 治政大予以客觀衡量，致於設施概況，則以定性分析為主。立於估價的方法中，比較法係指以比較標的價格為基礎，經比較、分析. 共設施之便利性；公共設施之便利性，可以運用不動產與公共設施之距離. ‧ 國. 學. 及調整等過程，以推算勘估標的價格之方法，因其係以市場價值為評價基準，易於明瞭及操作，故說服力較強，使用範圍廣泛，為普遍採用之主要. ‧. 估價方法（Pagourtzi, 2003；林英彥，2006）；比較法在實務的執行為選取適當的買賣實例，按必要情形進行個別情況的調整及價格日期的修正，. Nat. sit. y. 同時須就區域因素及個別因素加以比較及調整，由此求得勘估標的試算價. er. io. 格，而估價師最常採用的調整方法為百分率法或差額法2，然而這樣的分析往往是主觀的認定，而較無客觀之依據，從而不動產估價技術規則乃定有. n. al. Ch. i n U. v. 客觀之計量模型分析法3，亦即運用特徵價格模型以求算各影響因素之方法。. engchi. 估價師在調整區域因素的項目時，對於勘估標的或比較標的所在區域內的商業聚集程度是重要的考量因素，就商業不動產而言，林英彥（2006）指出對商業不動產價格影響最大之因素是收益程度，故須重視商業設施之種類、規模、聚集程度等之狀態，但即便運用計量模型分析法，對於區域內之商業聚集這類不易量化之區域因素，仍不易分析。. 1 請參閱中華民國不動產估價師公會全國聯合會第二號公報-「敍述式不動估價報告書範本」摘要版。 2 不動產估價技術規則第 24 條規定：比較、分析勘估標的與比較標的之區域因素及個別因素差異並就其中差異進行價格調整時，其調整以百分率法為原則，亦得以差額法調整，並應於估價報告書中敘明。 3不動產估價技術規則第 19 條第 7 款規定：計量模型分析法：蒐集相當數量具代表性之比較標的，透過計量模型分析，求出各主要影響價格因素與比較標的價格二者之關係式，以推算各主要影響價格因素之調整率及調整額之方法。 1.

(12) 在「臺北市都市更新權利變換不動產估價報告書」、「證券化不動產估價報告書」等估價報告範本中，郵局、銀行、醫院、機關等服務性設施係歸屬於區域因素之公共設施項下，並依優劣程度或高低等級所評定之差異進行價格調整，而在內政部訂定之「影響住宅用地區域因素評價基準表」4將銀行列入「接近服務性設施的程度（郵局、銀行、醫院、機關等設施）」，在「影響商業用地區域因素評價基準表」5更將銀行列在「工商活動」項下考量金融機構之有無、數量及接近程度。然而銀行此一金融服務機構，因其分支機構之設立係由各銀行間獨立之經濟活動所決定，致使其具有其他公共設施未有之聚集特性，是以在都市中除了各式各樣的店鋪外，也會經常見到許多銀行的設立。銀行提供存款、放款、國內外匯兌等金融服務，為商業活動不可或缺的一環，而各銀行在選擇分行的設立區位時，受競相. 政治大作為商業聚集的替代指標，且銀行的金融服務在提供消費本質的層面上與立電信、郵政等公用事業頗相類似，均扮演著相當重要的商業服務機能，賴爭取市場的影響，致銀行之聚集相當明顯，使得銀行聚集的現象或許適宜. ‧ 國. 學. 碧瑩（2008）即將銀行歸類為公共設施，認為不動產估價除了以勘估標的為主，亦須考慮半徑 500～1000 公尺內的公園、市場、銀行、電信局、郵. ‧. 局、醫院及學校等公共設施狀況，以研判公共設施對於不動產價格的影響程度。惟就市場觀察及商業行為而言，辦公用不動產與住宅用不動產的所. y. Nat. sit. 有者，對於金融服務的需求應有不同，易言之，公司行號與銀行往來主要. er. io. 為營運資金調度、帳款收付、營業週轉金貸款、應收帳款融資、進出口押. al. 匯等存放款業務，須經常與銀行互動往來，而一般個人則以儲蓄存款、個. n. v i n 人信用貸款、個人理財、信用卡及住宅房屋貸款等個人消費金融業務為主， Ch U i e h n c g 並不須要經常進出銀行，既然公司行號及個人對於與銀行接觸往來的頻率不同，不動產與銀行的距離及銀行聚集程度對於辦公室及住宅所有者之吸引力即應有不同，從而與辦公室及住宅兩者間的價格之關係應有不同。由以往研究不動產價格影響因素的文獻可歸納發現，運用特徵價格模型的研究變數無論是對住宅用不動產亦或是對辦公用不動產價格之影響因素多以面積、樓層、屋齡、臨路寛度、與捷運站距離、公園距離、與學校距離等因素為主，僅部分文獻將大樓內部是否有金融服務或不動產作為金融業使用時，探討對不動產之價格之影響，少有將銀行視為服務商業之便利設施，研究其與不動產價格間之關係，亦未見銀行聚集效果與不動產價. 4 詳附錄一。 5 詳附錄二。 2.

(13) 格間關係的研究，因而引發本文以距銀行距離及銀行聚集度為研究變數，探討不動產距銀行之距離及不動產鄰近之銀行聚集與不動產價格間之關係，以做為分析影響不動產價格因素之參考。. 研究目的銀行與不動產價格間的關係，可反映於銀行與不動產間的距離及銀行聚集度與區域商業聚集的關連，本研究除試圖找出距銀行距離與不動產價格間之關係及商業聚集的有效替代指標外，亦嘗試以銀行聚集的量化分析方法補強區域因素分析時主觀的定性描述，提供後續研究方法之參考。歸納本研究之目的如下：. 政治大. 研究不動產距銀行的距離與不動產價格間的關係，以比較該關係於辦公用、住宅用不動產價格間之差異，提供分析影響不動產價格因素及調整比較價格之參考。. 立. ‧. ‧ 國. 學. 探討銀行聚集程度與不動產價格間的關係，以了解「銀行聚集度」是否適宜作為商業聚集程度之客觀、明確且易獲得的替代指標，並供購置或投資不動產時之參考。. n. al. er. io. sit. y. Nat 研究課題. Ch. i n U. v. 依據上述的研究目的，歸納出以下研究課題須要加以釐清：. engchi. 不動產距銀行的距離與不動產價格有無明顯關係？對辦公用不動產及住宅用不動產是否有差異? 不動產周圍內銀行聚集之程度如何衡量？與不動產價格間有無明顯關係？對辦公用不動產及住宅用不動產價格間之關係有無差異？. 3.

(14) 第二節研究方法、範圍與限制本研究採文獻歸納分析與特徵價格模型之實證分析為研究方法，經由回顧相關之文獻，探討影響不動產價格之因素、影響銀行選址之因素，推論銀行業設立分行易聚集於商業熱絡地區，故該聚集度應與不動產價格呈正相關，由此架構本研究之理論基礎，以研究範圍內所蒐集之案例資料建立特徵價格模型加以實證分析；特徵價格模型所需的各項距離變數，則透過地理資訊系統（GIS，Geographic information system）加以分析與整理。. 研究方法. 政治大. 文獻歸納分析特徵價格模型是研究影響不動產價格各項因素的有效方法，故由以往的特徵價格文獻找出影響辦公室及住宅價格的因素，作為建構本研究特徵價格模型自變數之依據，而由有關產業聚集、商業聚集、銀行選址之文獻，歸納影響銀行分行設立之因素，以釐清銀行設立分行有無向商業發展活絡之區域聚集的現象，及其影響之因素。. 立. ‧. ‧ 國. 學. io. sit. y. Nat. n. al. er. 特徵價格模型之實證分析以 Rosen（1974）之特徵價格理論為基礎，藉台北市辦公室及住宅實際成交資料，利用 SPSS 統計軟體建立複迴歸模型，以研究範圍內成交案例距離最近銀行之距離、鄰近銀行聚集程度等因素，檢視其與辦公用不動產及住宅用不動產價格之關係，並比較分析其差異。而銀行與不動產之間於空間上之分佈，為本研究之關鍵，須運用地理資訊系統找出研究資料在空間上之鄰近關係、分布情形，據以求算銀行與不動產間之距離，銀行之聚集程度，以擴展模型之自變數，導入特徵價格模型中分析其關係與影響。. Ch. engchi. i n U. v. 研究範圍空間範圍：由於本研究的主要目的之一在於分析銀行聚集與辦公用及住宅不動產價格關係的差異，而台北市係台灣首善之區，工商發達， 4.

(15) 銀行密度最高6，是以選定台北市主要辦公室商圈為研究的空間範圍，然而不動產商仲市場上對於台北市各辦公室商圈係依區域環境而非依行政區域劃分，主要的商仲公司，如瑞普國際、戴德梁行、世邦魏理仕、全球資產（信義集團）等公司皆將台北市辦公室市場區分為信義區、民生敦北、敦化南路、西區、南京松江、南京復興、南京四五段、內湖科技園區及南港經貿園區等九個辦公商圈7。故本研究採上述市場之劃分，剔除研究期間內較少成交、標售案例及較少住宅用不動產之南港經貿園區8，再設定這些辦公商圈所對應的行政區為研究之空間範圍，計有大同區、萬華區、中山區、中正區、松山區、大安區、信義區及內湖區等 8 個行政區。. 政治大. 時間範圍：因台北市辦公商圈內之辦公室成交案例不易蒐集，且台北市房價自 2007 年轉呈明顯上漲趨勢，是以時間範圍為 2007 年第一季至 2012 年第三季。. 立. ‧ 國. 學. ‧. 類型範圍：研究類型為空間範圍內住宅及辦公用不動產之成交案例，資料來源為內政部編製之中華民國房地產交易價格簡訊、公開資訊觀測站、吉家網等，惟對住宅不動產排除店面、套房、及透天住宅以區分出一般住宅不動產，而針對辦公用不動產，因台北市不動產混合使用之情形相當普遍，為區分出辦公用不動產，以選擇單樓層面積達 100 坪以上之辦公大樓為研究對象，並排除住辦混合大樓、小面積之一般事務所、一樓之店面，此外特殊用途之商業大樓，如作為旅館、商場、醫院、健身娛樂等使用之大樓因性質特殊，亦排除於研究範圍外。. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 研究限制本研究因研究範圍內部份交易資料係屬混合使用型態的不動產，以及 6 2011 年台北市營利事業銷售額為 1,228,381 仟元，占全國比重達 32.3%，設立於台北市之本國銀行分行有 1067 家，占本國銀行比重約 31.3%。 7 前述商仲公司對於辦公商圈之命名或有些許差異，惟其地理範圍大致相同。 8 南港經貿園區之主要辦公大樓為南港軟體園區第一期、第二期及第三期，銀行業之設立受工業園區之主導，密集在一、二期(園區一期有台北富邦銀行、台灣中小企業銀行、合作金庫及永豐銀行；園區二期有彰化銀行、第一銀行與華南銀行)，而園區初期係以出租為主，較難蒐集成交案例，恐於模型內形成極端值之影響，故將南港經貿園區剔除。 5.

(16) 所蒐集資料本身的限制，在無法確認及填補的情況下致部份變數無法放入模型中，分述如下：本研究所蒐集之辦公室成交案例，部份交易案例之總價與面積可能包含共同使用部份中的停車位；亦有少數成交案例為全棟大樓，案例中可能包含有一樓店面或得為商場使用之地下室，是以在資料處理上，係將成交總價扣除不屬辦公室使用之店面、地下商場及停車位部份之總價後，再除以辦公室面積以計算辦公室之成交單價9。本研究中辦公室部份案例為全棟或多個樓層成交，無法探討辦公室所在樓層對於價格之影響，亦即本研究對於辦公室成交案例，忽略樓層別效用的影響。. 政治大. 銀行是受金融主管機關高度監理的行業，其分支機構之設立受相關法規嚴格之限制10，故對於因法令限制所造成銀行聚集程度差異，不在本研究探討範圍內。. 立. ‧ 國. 學. ‧. 銀行提供之金融服務同質性高，本研究對於消費者對不同銀行之品牌忠誠度假設為一致11。. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 9 一樓店面、商場用途之地下室及停車位單價係以區域行情評估，故拆算之辦公室單價可能因不同研究者對停車位及店面價格認知不同，而有些許誤差。 10 銀行業設立分支機構主要受銀行法及金融機構國內分支機構管理辦法所管制。 11 本研究初期曾針對不同銀行間對客戶服務差異性作分析，分別檢測銀行之淨值排名、銀行之存放款排名及銀行之分行家數排名，所得結果皆不顯著，是以判斷銀行供之金融服務同質性高，對不動產價格較不具影響。 6.

(17) 第三節研究架構與流程研究架構本研究之架構共分為五章，第一章為緒論，說明對不動產而言，銀行因提供金融服務而歸屬於公共設施，以便利性對不動產價格造成影響，惟銀設立分支機構係經濟活動之結果，故具備其他公共設施所沒有之聚集現象，此一聚集又與商業聚集有所關聯，而藉由市場觀察辦公用不動產之使用者與住宅用不動產之使用者，對金融服務需求應有不同，是以不動產距銀行距離及銀行聚集程度與辦公用、住宅用不動產價格的關應有差異，而引發本研究的研究動機及目的，歸納出應探索的課題。第二章為文獻回顧，. 政治大為本研究建構模型及選取變數之依據，繼之回顧產業形成聚集之原因，最立. 首先回顧特徵價格模型的相關文獻，歸納影響不動產價格之重要因素，作. ‧ 國. 學. 後透過銀行選址相關之研究以探討銀行設立分行之聚集趨向，建構研究之理論基礎。第三章為研究設計，以特徵價格理論為基礎，設計研究模型並闡明資料來源、處理及變數設定，以分析影響不動產價格之因素。第四章. ‧. 為實證結果分析，主要對複迴歸之統計分析解釋，以探討銀行與各成交案. y. Nat. 例間的距離因素、銀行聚集度與不動產價格間之關係，並分析其對於辦公. sit. 用不動產與住宅用不動產價格關係之差異。第五章則是結論與建議，對於. n. al. er. io. 實證結果與研究課題間作綜合討論，指出銀行距離及聚集與不動產價格的. i n U. v. 關係，及銀行聚集為商業聚集之有效替代指標，提出政策及後續研究之建議。. Ch. engchi. 7.

(18) 研究流程. 研究動機與目的 1. 距銀行距離與不動產價格之關係、比較其於辦公室及住宅間之差異。 2. 鄰近銀行聚集與不動產價格之關係、比較其於辦公室及住宅間之差異。. 文獻回顧. 立. 政治大. 特徵價格. ‧. ‧ 國. 產業聚集. 學. 銀行選址. 研究設計. er. io. sit. y. Nat. al. 建立特徵價格模型. n. Ch. v. GIS 系統分析資料. engchi. i n U. 實證結果分析. 銀行距離與不動產價格之關係. 銀行聚集與不動產價格之關係. 結論與建議. 8.

(19) 第二章文獻回顧. 第一節影響不動產價格因素 Rosen（1974）提出房屋為多種屬性特徵的組合，房屋價格是由市場隱含價格（implicit market price）所構成，結合 Lancaster 的消費者效用理論（utility theory）及競價理論（bid price theory），建立了特徵價格理論的架構，在意義上，消費者於追求效用極大之過程中，每增加一單位某種屬性的消費，所願意額外支付的費用（邊際付款意願），即該屬性的. 政治大. 特徵價格，而將個別的特徵價格加總便可得該產品的總價，故消費者對房屋價格之支付，實則反映了這些房屋屬性特徵之市場隱含價格。國內許多. 立. 學者即運用特徵價格模型以估計不動產的價值，如林祖嘉、馬毓駿（2007）、. ‧ 國. 學. 李春長、游淑滿、張維倫（2012）等，而有關住宅價格影響因素的研究，大多偏向於住宅屬性對於房價影響之探討，相關文獻研究大多認為住宅屬. ‧. 性與區位環境因素等為影響房價之重要因素（Butler, 1982；Huh, 1997； Kiel, 2008）。. sit. y. Nat. Kain and Quigley（1970）的研究結果強調住宅多種屬性的複雜和重. io. er. 要性，而住宅的多種屬性中，除了浴室的數量，房間數量和基地面積外，鄰近的學校亦影響了不動產的價格，國內學者林素菁（2004）估計台北市. n. al. i n U. v. 國中小明星學區邊際願支付價格，亦發現不論是國中或國小，明星學區的. Ch. engchi. 房價的確比較高。林祖嘉、林素菁（1993）將所有影響房價與房租的因素分成住宅特性、環境品質與公共設施三類影響因素，以 J-test 方法檢定，結果發現三類因素對於房價和房租都有顯著的影響，其中又以住宅特性所佔的影響最大。洪得洋、林祖嘉（1999）實證了房屋所面臨之道路寬度對於房屋價格確有正面且顯著之影響，且相對於住宅使用者而言，商業使用者較著重道路寬度之屬性，而在捷運車站影響範圍內，房屋至捷運車站之實際距離對其價格之影響顯著確有負向關係，且隨著距離之增加，其負向影響會有趨緩之現象。 Goodman（1978）則認為特徵價格法可以用來衡量大都市下區分次市場間的價格差異所在，並發現在不同的次市場之間，建物結構及鄰近環境的改善有不同的影響。而林祖嘉、林素菁（1993）指出除了住宅本身的特徵外的住宅環境品質與鄰里公共設施亦會影響房價。何友鋒、吳綱立（1993） 9.

(20) 以特徵價格理論為基礎，利用因素分析及群落分析的方法，探討住宅價格與住宅屬性之間的關係，研究指出居住區位實質環境的差異對於房價具有影響力。Boyle and Kiel（2001）回顧以特徵價格法估計支付不動產屬性中環境因素（如空氣品質、水質、和有毒性設施距離）的文獻，認為環境因素、房屋屬性及近鄰特性會影響估計的正確性。而楊宗憲、蘇倖慧（2011）同時探討迎毗設施與鄰避設施對住宅價格影響，究結果顯示加入迎毗與鄰避設施的估價模型解釋力較佳，在迎毗設施方面，學校對房價的影響最大，其次是大型公園、百貨公司、捷運站及大型體育場館；而在鄰避設施方面，殯儀館對房價的影響較大，其次是污水處理廠、寺廟、變電塔、垃圾焚化廠。運用特徵價格法於辦公用不動產研究方面，Colwell et al.（1998）. 政治大影響價格之個別因素，研究結果對價格有正向顯著影響者有屋齡平方、區立內道路、區內公園密度等，有反向顯著影響者為屋齡、距機場距離、區內. 分析 1986~1993 年芝加哥及附近區域辦公室的成交資料，採總價模型分析. ‧ 國. 學. 鐵路密度等。Downs and Slade（1999）以 1987~1996 年美國鳳凰城 935 個辦公室交易資料，進行特徵價格分析，於個別因素發現結構、樓層對價格. ‧. 為正向影響，屋齡則為負向影響。Munneke and Slade（2000）的研究亦指出在純辦公大樓的個別因素中，總樓層數及單層面積對於辦公室價格為正. y. Nat. sit. 向影響，屋齡為負向影響。. er. io. 以不動產估價收益法的觀點來看，租金以收益資本化率還原即可得到. al. 收益價格，故影響辦公室租金的因素亦影響辦公室價格。Hough and Kratz. n. v i n （1983）、Vandell and Lane（1989） C h 、BollingerUet al.（1998）等的研 engchi 究，實證大樓的設計品質、屋齡、面積、總樓層數、大樓距市中心距離等因素，會影響租金水準，幾與影響價格之因素相同。整體而言，以特徵價格法做為研究不動產特徵的文獻相當豐富，並且. 獲得相當的成果，茲將影響辦公室價格及影響住宅價格之因素彙整如表 2-1 及表 2-2。從眾多文獻可以歸納出不動產個別特性、環境因素及公共設施等為影響不動產價格之主要因素（Sirmans et al., 2005），然而在眾多文獻中，僅有 Dermisi and McDonald（2010）將辦公大樓內是否有金融服務（Banking in Building）於模型內探討對不動產價格之影響；Man（1995）則是在探討不同型態的商業不動產稅賦差異時，討論了當不動產為銀行使用時的差異，對於不動產與銀行之間的距離及鄰近銀行聚集程度，卻未有研究。 10.

(21) 表 2-1 影響辦公室價格之因素研究者/時間. 因素辦公室等級. 面積. 研究結果. Glascock et al.（1990）. 將辦公大樓等級分為四級，等級越高之辦公大樓，租金水準亦較高. Glascock et al.（1990）. 大規模辦公室較小規模辦公室租金為高. 黃名義、張金鶚（1999）. 租賃面積越大，辦公室租金越高. Munneke and Slade（2000）. 單層面積對辦公室價格為正向影響. Tu et al.（2004）. 交易面積對辦公室價格為正向影響. Downs and Slade（1999）. 總樓層數對價格為正向影響. Gat（1998）. 總樓層數越高，租金越高. 黃名義、張金鶚（1999）. 總樓層數對租金為正向影響. Munneke and Slade（2000）. 總樓層數對價格為正向影響. Frew and Jud（1998）. 總樓層數越高，租金越高. Tu et al.（2004）. 所在樓層對價格為正向影響. 學. 總樓層數. ‧. ‧ 國. 治政曾翊瑋、黃名義、張金鶚大租戶面積越大，租金越低；單（2010）立層面積越大，租金越高. sit. 黃名義、張金鶚（1999）. n. al. Ch. 所在樓層對價格為負向影響，但所在樓層平方則為正向. er. io. 屋齡. y. Nat 所在樓層. i n U. v. Gat （1998） Downs and Slade （1999）黃名義、張金鶚（1999） Munneke and Slade （2000）屋齡對價格及租金均為負向 Frew and Jud （1998） Nappi‐Choulet et al.（2007）影響 Tu et al.（2004）張嘉宇（2008）曾翊偉、黃名義、張金鶚（2010）屋齡對辦公室價格為負向影響，且屋齡平方對價格為正向 Colwell et al.（1998）影響. engchi. 11.

(22) 研究者/時間. 因素. 研究結果. 結構. Downs and Slade （1999）. 建材結構等級越好，對價格有正面影響. 全棟成交/ 單一所有權大樓. Nappi-Choule et al. （2007）. 郊區辦公室如為全棟成交，對交易價格有正面影響. 張嘉宇（2008）. 單一所有權大樓租金較多重所有權大樓高. 拍賣銷售. 方劭元（2013）. 拍賣銷售變數和辦公室價格有顯著的正向關係. 表 2-2 影響住宅價格之因素研究者/時間. 影響因素. 立. 學. Singell and Lillydahl （1990） Do et al.（1994）屋齡與房價呈負相關洪得洋、林祖嘉（1999）林祖嘉、馬毓駿（2007）. ‧. io. 洪得洋、林祖嘉（1999）林祖嘉、馬毓駿（2007）. n. al. Ch. engchi. 住宅類型. 林祖嘉、馬毓駿（2007）. 臨路寬度. 洪得洋、林祖嘉（1999）林祖嘉、馬毓駿（2007）. 與百貨公司距楊宗憲、蘇倖慧（2011）離. sit. y. Nat. 所在樓層. er. 屋齡. 政治大. Singell and Lillydahl（1990）林祖嘉（1992） Do et al.（1994）為決定價格之重要因素。林祖嘉、馬毓駿（2007）李春長、游淑滿、張維倫（2012）. ‧ 國. 面積. 研究結果. 一樓與頂樓與房價呈正相關. v i n 因台灣建物種類、用途上的複 U. 雜性，很難界定建物之鄰里環境致不完全符合預期道路寬度與房價呈正相關每增加 100 公尺，總價平均減少 0.37%. Hoshino and Kuriyama（2010）. 距離公園的遠近及公園規模的大小，可影響不動產價格. 楊宗憲、蘇倖慧（2011）. 698 公尺內，每增加 100 公尺，總價平均減少 0.24%. 與公園距離. 12.

(23) 影響因素. 研究者/時間. 研究結果. 楊宗憲、蘇倖慧（2011）. 學校對於房價的影響在距離學校 504 公尺內，每增加 100 公尺，總價平圴減少 0.98%. 林素菁（2004）. 國中明星學區的邊際價格要高於小明星學區. 洪得洋、林祖嘉（1999）. 捷運車站影響範圍內之房屋價格顯著高於捷運車站影響範圍外之房屋價格，在捷運車站影響範圍內，房屋至捷運車站之實際距離對其價格之影響顯著確有負向關係，且隨著距離之增加，其負向影響會有趨緩之現象. 與學校距離. 與捷運站距離. 距捷運站 524 公尺內，每增加 100 公尺，總價平均減少 0.12%. 林祖嘉、馬毓駿（2007）. 符合三項的嫌惡設施，與房價呈負相關. ‧. io. n. al. y. er. 楊宗憲、蘇倖慧（2011）. 變電塔對房價影響在 2,872 公尺內，每增加 100 公尺，總價平均增加 0.38%；殯儀館對房價影響在 2,330 公尺內，每增加 100 公尺，總價平均增加 0.78%. sit. Nat. 與鄰避設施距離. 楊宗憲、蘇倖慧（2011）. 學. ‧ 國. 立. 政治大. Ch. engchi. 大型體育場館楊宗憲、蘇倖慧（2011）. 13. iv n U 每增加 100 公尺，總價平均減少 0.12%.

(24) 第二節產業聚集的外部經濟在都市中，經常可以見到同類型的商店多家相鄰設立的情形，例如便利商店、診所、餐館、銀行等等，這種情形本研究稱之為「聚集」，而產業之所以聚集的原因有許多，國內外學者分別從外部經濟、生產成本遞減、產業區位等角度來探討產業聚集之形成與發展。. 產業聚集所謂產業聚集係指產業或企業在特定空間範圍內緊密設置，透過產品、服務或資訊之流通，維持某種型式之互動關係，使彼此的利益能夠互補，易言之，產業聚集包括了生產者及購買者，基於地理上的. 政治大外部經濟效果，使聚集者得到更佳的經濟利益。立. 便利性，促進彼此的垂直合作與水平競爭之效率，經由聚集所產生之. ‧ 國. 學. Marshall（1920）以外部經濟的觀點出發，首次提出了產業聚集、內部經濟和外部經濟（external economies）的概念，認為廠商會集中在特定區域發展是因為外部經濟誘因，所謂外部經濟是指由個人或. ‧. 廠商的產出而個人或廠商無法索取收益的部分；當產業之產量（規模）. y. Nat. 大到足以產生更細緻的分工，並滿足廠商生產的規模經濟之時，廠商. sit. 的平均成本也將因此降低，其生產效率之所以提高，乃是由於其他廠. er. io. 商所帶來的正外部效果，這即是存在外部經濟與規模經濟（scale. al. n. v i n Ch 的研究係著重於規模經濟的外部性和交易成本的節省的觀點進行分析， engchi U economies）條件下會產生聚集的經濟誘因；Marshall 對產業空間群聚強調區域群聚中經濟主體之間知識與信息之流通（申軍，2002）。而. Weber（1929）於說明工業區位理論時則是提出了「聚集經濟」一詞，作為解釋產業經濟集中與分散發展趨勢的原因，認為聚集經濟可分為內部經濟與外部經濟：廠商的生產量擴大，平均成本隨著技術革新或效率提高而降低，為內部經濟。生產同一類型產品的廠商聚集在同一地點，由此得到生產或運銷上的利益，如技術革新的傳播，一般間接費用（如瓦斯、水電、道路、道路設施等費用）的降低等等，為外部經濟。 Martin and Sunley（1996）指出新古典主義經濟學家 Krugman 在不完全競爭市場之假設前提下的研究，認為在市場的不確定性及技術的快速變化下，會導致內部不規模經濟的發生，在此情況下，可以透 14.

(25) 過各種型式的垂直整合及水平連結方式來產生聚集經濟以降低生產成本。邊泰明（1993）指出廠商生產力除了來自於內部或大規模效果（internal or large-scale effects）外，尚受到外部經濟效果（external economic effects）的影響，其中外部經濟效果的地方化經濟型態，係指廠商在空間區域上的聚集，使產業內專業化經濟、廠商間勞力相互供應以及廠商間資訊可快速流通等利益，使廠商得以節省成本。由上述探討可知，規模經濟係指廠商擴大生產規模，降低本身生產成本而提高的經濟效益；外部經濟效果則指因廠商在空間聚集，享有專業化技術投入、專業勞動力的提供、知識訊息的溝通與共享資源所帶來經濟效益的提高，是以外部經濟為吸引產業聚集的主要原因之. 政治大分的重要，因選擇接近產業聚集的區位設立據點，正是獲取接觸機會立的方法，從而聚集經濟實則影響了服務業廠商的區位選擇。. 一。當產業的聚集可以提供許多接觸機會時，對服務業廠商來說即十. ‧ 國. 學. 商業聚集. ‧. 商業聚集事實上是產業聚集的一個特例，其經濟上的原理基本上. y. Nat. 是相同的，與產業聚集不同的是商業聚集所產生的經濟利益是透過市. sit. 場上與消費者的交易而體現出來的。Pascal et al.（1980）的研究認. er. io. 為一個經營成功的商業，讓其他人相信該商業的選址是具有市場潛力. al. n. v i n Ch 傾向於在競爭對手經營的很興旺的地點附近選址 e n g c h i U 。這種商業間的吸引，的良好區位，因此在訊息不完整的猜測下，會導致其他商業的企業主. 又增加了這個區域的商業聚集的魅力，吸引更多消費者前往消費，增. 加了聚集區內的經濟利益，又進一步強化了商業聚集的經濟優勢，而再吸引同類型商業在同一區域內設立。 Fotheringham（1988）指出顧客對一個城市中所有的商店進行評價是不可能的，顧客會先對商業聚集的地區進行評價併選擇其中一個地區，然後再從這個地區選擇商店消費。因此在都市中，不同的商業聚集區域之間存在著市場上的競爭，而同一聚集區域內的商店為爭取更多到區域內消費的顧客，彼此依存及合作，由許多商店的集中，形成能滿足特定消費需求的商業聚集區（如重慶南路為書店街、博愛路為相機街、八德路光華商場為電腦街等等），吸引消費者的光顧。這樣的商業聚集模式，在銀行業也非常的明顯。銀行同業聚集設 15.

(26) 立除了競爭市場分食大餅外，形成的金融商圈往往能為鄰近的企業帶來更多樣化及便利的金融服務，而引申對金融服務的需求，進一步的創造商機。. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. 16. i n U. v.

(27) 第三節銀行選址與聚集就產業而言，以廠商活動的接觸型態、接觸次數及接觸成本來看，產業聚集的外部經濟及規模經濟，影響了收益程度，使產業聚集程度成為產業選址的重要因素之一；就商業而言，商業聚集能吸引消費者，增加聚集區內的經濟利益，帶來外部經濟效果，亦是商業選址的考量重點，這樣的關係在銀行的選址尤其明顯。在設立新分行據點時，銀行傾向選擇靠近客戶的區位以縮短與客戶間的距離，增加面對面接觸的機會，減少接觸之成本，當銀行的客戶傾向聚集時，銀行分支機構設立時的選址即無可避免的受聚集經濟之影響而傾向聚集。. 政治大. Meyer（2007）的研究發現不僅在製造業有聚集的傾向，在財務、. 立. 金融、保險及不動產等服務業，在空間上因完善的設施、充份的就業. ‧ 國. 學. 及專業支援服務的優勢，而亦有向大都市中心聚集的現象。國內學者黃名義、張金鶚（2000）研究不同產業之總部辦公室區位選擇時，發. ‧. 現大多數的服務性產業企業總部之辦公室均聚集於市中心，而繼之分公司辦公室區位之選擇的研究（張金鶚、黃名義，2002），將分公司分. sit. y. Nat. 為輔助型分公司辦公室、營業型分公司辦公室及業務集散轉運型分公司辦公室三種類型，其中營業型分公司以銀行業為替代變數，發現為. io. n. al. er. 了競爭營業據點而聚集於人口密集的地區。洪娟娟（2005）以競合關. i n U. v. 係、基地關係、交通動線、人口特性、負面因素及可見性等作為區位. Ch. engchi. 選擇因素之自變數，利用 1999 年至 2003 年間各銀行分行平均盈餘量視為經營績效當作依變數，分析二者之相關程度，發現土地使用分區如商業區和特殊用地（科學園區、機場等）的權重最高，其次為交通動線，顯示高度的都市化和交通易達性，在銀行區位選取上占有重要權重。陳曉蓉（2007）分析台灣銀行業之分行網絡 1999 年至 2005 年的發展，發現台灣本國銀行分行總數逐年成長，惟幅度趨緩，且在台北市金融業區位分佈可以發現有集中趨勢，這些銀行聚集的金融帶多是辦公大樓林立之區域，似乎呈現辦公大樓吸引金融業，金融業又吸引辦公室之現象。許慧娟（2012）分析設置華光金融特區之可行性時，研究台北市金融業群聚之分布，發現台北市金融業群聚地區隨著台北市都市發展歷程以及金融政策的改變，產生部份的移轉現象，但原來的金融機構群聚現象仍然存在。 17.

(28) Boot and Thakor（2000）認為銀行的關係型放款12是仰賴資訊密集的放款，亦即銀行與借款者已維持長久之往來關係，銀行透過徵信、授信及覆審的業務往來過程獲得有益的資訊，而這些非公開資訊（Soft Infromaiton）相對於公開資訊（Hard Information）而言，是相對不易取得的（Petersen and Rajan, 2002）；而當銀行越接近客戶，越增加面對面接觸的機會，越會降低這類不透明資訊的取得成本；而透過蒐集這些資訊讓銀行能更精確的評估借款人的營運或投資計畫，也能更精準的評估借款人違約的可能性（Diamond, 1991）。Knyazeva（2012）認為銀行蒐集非當地借款人資訊的成本及檢驗的難度會因距離的因素而提高，而這些增加的成本會反映於貸款的條件當中，亦即貸款的利息因隨借貸雙方的距離而增加，最終，銀行會向遠距的借款人要求提. 政治大借款的研究皆顯示借款人距銀行間的距離為借款利率的負面因素立（Petersen and Rajan, 2002；Degryse and Ongena, 2005；Mistrulli 供更多的擔保品以保障因距離而產生的成本，許多學者關於中小企業. ‧ 國. 學. and Casolaro, 2008；Agarwal and Hauswald, 2010）。從銀行經營的角度來看，為降低利率成本以提高市場競爭力，銀行會選擇接近客戶會。. ‧. 的區位設立營業據點，以拉近與客戶間的距離，增加面對面接觸的機. y. Nat. sit. 王秉杰（2008）以問卷調查與重要性分析擬定七個區位評選準則，. er. io. 結合模糊集合理論，建構銀行分支機構設立區位評選的模糊多準則評. al. 選模式，歸納出有利業務發展、鄰近金融同業分佈狀況、工商業發展. n. v i n 狀況、交通動線、經濟人口密度、未來發展、同業間之競爭等準則， Ch U i e h n c g 可視為銀行設立地點時普遍會考慮的因素。其中鄰近金融同業的分佈狀況，是銀行同業競爭與瓜分市場的重要考量因素，雖然金融同業聚集使得競爭加劇，卻也證實了該區位的優越經營環境能吸引眾多銀行爭相設立，此一原則可由市場上的觀察而驗證，例如在重慶南路與開封街口即聚集了第一銀行、華南銀行、彰化銀行與元大銀行。綜合前述，銀行在設立新分行時，為了貼近服務客群，跟隨著產業的需求自然而然會有群聚之傾向，再者，銀行的選址模式及著重準則大同小異，以台北市的幅員不大，區位供給有限的條件下，以致於. 12 Boot and Thakor 在研究中將銀行的授信方式區分為交易型為基礎之放款及以關係型為基礎之放款，所謂關係型的放款即是一種資訊密集的負債契約，銀行與借款者維持長期的往來關係，透過往來授信以及監督等過程獲得有益的資訊，以產生資訊的規模效益進而降低銀行資訊收集之固定成本，而企業也能獲得較佳的借貸條件。。 18.

(29) 各銀行競相爭逐市場上符合設立銀行分支機構的良好區位，結果往往是傾向設立於公司行號密集、人口密度較高的區域，也就是商業聚集度較高的地方，而銀行聚集的結果又使該區域擁有更便捷及更多樣的金融服務，提升了辦公商圈的機能而吸引公司行號進駐，形成互相影響的良性循環，直至優良區位皆被銀行業或其他商業所進駐，或金融服務飽合而無法再容下其他銀行進入市場而形成均衡狀態，而在這市場機制的運作下，便引申出對不動產的需求而進一步的影響不動產的價格（如圖 2-1）。. 交通動線同業分佈. 立. 人口集中. 政治大銀行設立. ‧ 國. 學. 法令限制. Nat. y. ‧. 提升商業機能. n. er. io. al. 形成辦公商圈. sit. 不動產價格. Ch. engchi. i n U. v. 交通動線. 辦公室設立. 同業聚集設施便捷外部經濟. 圖 2-1 銀行選址與辦公商圈機能之關係銀行所在位置與住宅用不動產的關係，則是透過鄰里小環境來反映價格上的影響，亦即是與服務設施的距離會影響不動產的價格。林祖嘉、林素菁（1993）研究地區環境品質與公共設施對房價與房租之影響，認為住 19.

(30) 宅環境與鄰近公共設施對於住宅價格有明顯的影響。楊謙柔（2008）研究對都市住環境設施評價模式，認為金融機構是屬於行政區中之環境設施，發現 400 公尺圈域內對住屋價格有正面的影響，增值性最高為 8%。李馨蘋、劉代洋（1999）以特徵價格分析住宅租金與住宅內外在特徵之關係，得到住宅至郵局或銀行距離越遠，其租賃住宅租金越低，表示租屋者從事租屋選擇時會考量租賃住宅至金融機構的距離，以節省未來處理閒置資金的通勤時間。是以對於住宅而言，至金融機構的距離是屬於住宅環境的影響因素，銀行是鄰里環境設施，亦即是屬於區域因素的影響（如圖 2-2）。. D1=200. 住宅A. ‧. 銀行A. y. Nat. 住宅C. n. al. er. io. .. sit. 住宅B. 鄰里環境圈. 銀行B. 學. ‧ 國. 立. 政治大. Ch. engchi. i n U. v. 圖 2-2 銀行與住宅環境之關係綜上所述，以估價的觀點而言，不動產距銀行之距離於影響辦公用不動產價格之因素，應屬於不動產之個別因素，而於影響住宅用不動產價格之因素，則是屬於不動產之區域因素。. 20.

(31) 第四節小結銀行在對使用者提供金融服務的本質上實與其他公共設施無異，屬於便利性服務設施，此外，銀行又具有其他服務性設施所沒有的聚集特性，從宏觀的角度來看，商業因外部經濟及吸引消費者等因素而聚集，並吸引銀行設立分行以滿足其對金融服務的需求，從微觀角度來看，銀行相同的選址原則促成銀行聚集，而銀行聚集進一步產生外部經濟及對不動產之需求，進而對週遭不動產價格產生影響。惟以往特徵價格的研究對於影響不動產價格之因素多以面積、屋齡、臨路寬度、樓層數、距離公園距離、距離捷運站距離、距離學校距離等作為分析變數，少見有文獻以銀行作為分. 政治大. 析變數之研究，更未有對銀行聚集與不動產價格相關之研究。因銀行挾其鉅額資金及獲利能力，往往能給付較高的價格或租金而佔. 立. 有較佳的區位，就實際之觀察，銀行之設立有相當明顯的聚集，且聚集於. ‧ 國. 學. 高價地段，皆是其他公共設施未有的特性，若是銀行之聚集程度與商業聚集之程度呈正向關係，則不動產價格與銀行間的距離及鄰近銀行的聚集程. ‧. 度，亦應有一定之關係，預期不動產越接近銀行，價格越高，鄰近銀行的聚集程度越高，價格越高，而此一關係於住宅用不動產與辦公用不動產間. n. al. er. io. sit. y. Nat. 因其用途不同，應有程度上之差異。. Ch. engchi. 21. i n U. v.

(32) 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. 22. i n U. v.

(33) 第三章研究設計研究設計本研究設計係由文獻歸納出影響不動產價格之主要因素，並按蒐集資料之特性及限制，經整理與分析以決定模型所須採用之變數，續按研究目的蒐集相關之銀行、捷運站、公園、飯店等地理資訊，運用 GIS 之方法求取各變數與不動產成交樣本間之距離，以擴充建構特徵價格模型所須之變數。. 第一節特徵價格模型之建構. 政治大. 在市場上，面積、結構等內在屬性完全相同的不動產會因外在環境不同而產生價格的差異，例如位於市中心的不動產價格要高於市郊的價格，. 立. 捷運站附近的價格要高於沿線地區，面向公園綠地的價格要高於面向高架. ‧ 國. 學. 橋的價格等等，諸如此類的現象表明了外在環境對不動產價格產生的影響，而特徵價格法正是用來估計這些影響的有效方法之一。本研究以特徵價格. ‧. 理論為基礎，利用複迴歸模型，以探討影響不動產價格因素中鄰近銀行的距離及銀行聚集度與不動產價格間之關係。本研究與以往文獻不同之處除. sit. y. Nat. 研究不動產距銀行距離及鄰近銀行聚集度之自變數外，分析之樣本資料係. io. n. al. er. 實際地址座標，故對於地理空間分佈能與價格間之關係能更加精準掌握。. 特徵價格模型. Ch. engchi. i n U. v. 隨著不動產估價相關資料的不斷取得及累積，整理過的資料即可運用各種統計分析之方法於不動產估價之作業，其中「計量模型分析」係指以分析各項影響不動產價格因素來求得不動產價格的方法，反之亦可分析出各項影響不動產價格因素間的關係。在估價實務及學術研究上最常使用的方法為統計上之迴歸分析（Regression Analysis），就是選取影響不產價格的因素為自變數，與不動產價格為依變數之間建立一適當的廻歸模型，用以分析不動產價格或影響不動產價格之因素。影響不動產價格之因素相當的多，包含有面積、屋齡、樓高、所在樓層、臨路寛度、與捷運之距離、距公園之距離、與嫌惡設施遠近等等，可歸納為一般因素、區域因素及個別因素三大類，所以在迴歸 23.

(34) 模型中需要多個自變數來分析，此即為複迴歸或多元廻歸（Multiple Regression），模型同時納入其他可能影響價格之時間、區域、個別等因素作為自變數，並採用 SPSS 統計軟體，檢視各自變數及依變數之間，是否具有統計上的顯著關係，而複迴歸分析中必須留意共線性的問題，意指自變數間的相關程度太高，造成統計分析情境上的困擾，如果模型中有嚴重的共線性存在，則模型之參數將不能被完全估計出來；對於共線性的問題，本研究以變異數膨脹因素（variance inflation factor, VIF）作為共線性之指標，VIF 的值愈大，表示自變數的容忍度愈小，愈有共線性之問題，一般而言，VIF 大於 10 以上，模型自變數間即可能存有共線性問題（Neter et al., 1990；吳明隆、張毓仁， 2011），在模型的建構上係透過整併或刪減自變數來避免共線性問題對. 政治大在函數型態上，因半對數函數除可表達每一特徵價格的變化量外，立另可減少資料的異質性（Lipscomb and Farmer, 2005；Sirmans et al.,. 迴歸模型參數估計的干擾。. ‧ 國. 學. 2005；Zietz et al., 2008），故本研究採用半對數之特徵價格模型如下：. ‧. . LnP＝α+ X +ε. sit. y. Nat. . 其中，P：不動產估計單位價格（依變數）. io. n. al. er. X：影響不動產價格之各種因素（自變數） α：截距項. Ch. engchi. i n U. v. βn：各自變數之係數 n=1、2、3⋯n ε：誤差項. 銀行區位與辦公室價格關係之特徵價格模型關於影響辦公室價格之因素，國內外學者以辦公室買賣及租金所作之研究，於個別因素及區域因素方面，包括面積、屋齡、總樓層數、所在樓層、辦公室等級、建物結構、是否全棟成交、是否為拍賣銷售等。本研究納入辦公用不動產距銀行距離及辦公用不動產鄰近銀行聚集以探討銀行區位與辦公室價格之關係。受限於蒐集資料之內容，本研究影響辦公室價格的因素中部分變數無法納入特徵價格模型中，例 24.

(35) 如研究資料中因部分案例為全棟或多個樓層成交，故無法分析辦公室所在樓層對於價格之影響。街道條件及接近條件部分，分別以臨路寬度及距捷運站距離等變數於模型中探討。另環境因素加入與大型展場及會議中心、銀行，以探討與辦公室相關便利設施距離之影響，此外尚納入都市內較常面臨的鄰避設施-變電所，加以探討整體的價格影響關係，並提升模型的信賴度。考量上述因素後，本研究於銀行區位與辦公室價格關係之特徵價格模型納入之變數如下：時間（Y2008～Y2011）、辦公室等級（ClassB、 ClassC）、交易面積（Scale）、屋齡（Age）、總樓層數（Tfloor）、結構（Strcut）、全棟成交（Ttrade）、是否標售（Auction）、臨路寬度（Roadwide）、距捷運站之距離（DMRT）、距大型展場或會議中心距離. 政治大經計算台北辦公商圈內銀行分佈之近鄰距離為 44 公尺(詳 33 頁)，立為便於計算分析及凸顯銀行服務範圍之影響，本研究將距銀行距離之（DExb）、距室外（無偽裝）變電所距離（DPowerDS）。. ‧ 國. 學. 自變數改以距銀行 50 公尺之反距（RDBank50）代替，亦即在分析距銀行距離與不動產價格關係時，設定銀行的影響範圍在 50 公尺內，在超. ‧. 過 50 公尺後視為 0，因為在超過 50 公尺後，應有另一距離較近的銀行可供選擇。綜合以上自變數的討論，建立特徵價格模型如式（1）。. sit. y. Nat. io. LnP= + 2008 + 2009 + 2010 + 2011 + 2012 +. n. al. er. + + + !" + #$%%& +. i n U. v. '&(' + #'&) + !('%* + +%),-) +. Ch. engchi. ./+# + .012 + .3%,&. + +.*450 +. 6 ………………………………………………………………（1）. 而為探討銀行之聚集程度與辦公室價格間之關係，本研究將「銀行聚集度」定義為某區域內各銀行設立之密度，實作以不動產成交案例為中心，計算一定距離半徑內銀行的家數。將模型（1）中，距離銀行 50 公尺之反距變數置換為銀行之聚集程度之虛擬變數 25 公尺內的銀行數，亦即以不動產成交案例為中心，在直徑 50 公尺的範圍內觀察銀行的家數，若有 1 家銀行，則與隨機分佈的近鄰距離相當，若有 2 家以上的銀行，則顯示銀行的服務影響範圍重疊，有銀行聚集的現象發生，故設計 25 公尺內 1 家銀行（OneBK25）、25 公尺內多家銀行（ManyBK25）兩個虛擬變數，建立特徵價格模型如式（2）。 25.

(36) LnP= + 2008 + 2009 + 2010 + 2011 + 2012 + + + + !" + #$%%& +. '&(' + #'&) + !('%* + +%),-) +. ./+# + .012 + .3%,&. + 7*425 + /*8925 +. 6 ……………………………………………………………（2）. 銀行區位與住宅價格關係之特徵價格模型. 政治大區域環境因素則有住宅面積、屋齡、所在樓層、住宅類型、臨路寬度、立國內外學者研究影響住宅價格因素之文獻，於個別因素方面，及. 與百貨公司距離、與公園距離、與學校距離、與捷運站距離、與鄰避. ‧ 國. 學. 設施距離等。. 而如同在銀行區位與辦公室價格關係之特徵價格模型中所受限制，. ‧. 住宅成交案例於收集資料之內容，部分變數無法納入特徵價格模型中，. y. Nat. 街道條件及接近條件部分，分別以臨路寬度及距捷運站距離等變數於. sit. 模型中探討。另環境因素加入與主要公園（面積逾 1 公頃）距離、與. er. io. 百貨公司距離、與國小之距離、與捷運站之距離，以探討這些迎毗設. al. v i n Ch 儀館等因素，以提高模型之解釋力。基於住宅成交案例與銀行間於地 engchi U 理空間上的分佈，不似辦公室與銀行間分佈緊密，且觀察 6,768 筆住 n. 施對住宅價格之影響，此外亦納入住宅會面臨的鄰避設施-變電所、殯. 宅成交案例中，在近鄰距離 50 公尺內有銀行的樣本僅 317 筆，占 4.9%，恐未能有統計上之顯著意義，此外，以住宅使用者及辦公室使用者對銀行金融服務需求的差異來看，住宅不動產價格對銀行距離的關係應較為寬容，亦即住宅使用者對於銀行的選擇應會著重在鄰里環境內有無金融服務設施的提供而非著重於對金融金構的可及性，而曾瑞鈴、柯瓊芳（2006）於分析企業聚集時提出 200 公尺是可以達到面對面接觸目的之合理徒步距離；楊謙柔（2008）則在都市住環境研究中發現 400 公尺圈域內的銀行會對住宅價格造成影響，故設定距銀行 200 公尺之反距（RDBank200），來探討距銀行距離與住宅不動產價格間之關係。本研究於銀行區位與住宅價格關係之特徵價格模型納入之變數如 26.

(37) 下：時間（Y2009～Y2011）、行政區-萬華區（District1）、大同區（District2）、中正區（District3）、中山區（District4）、大安區（District5）、松山區（District6）、內湖區（District7）、建物面積（Scale）、屋齡（Age）、所在樓層（Infloor）、總樓層數（Tfloor）、移轉樓層-一樓（IsFloor1）、移轉樓層-四樓（IsFloor4）、移轉樓層頂樓（IsFloorTop）、臨路寬度（Roadwide）、與百貨公司距離（DDptstore）、與主要公園距離（DPark）、與國小之距離（DSchool）、距捷運站之距離（DMRT）、距室外（無偽裝）變電所距離（DPowerDS）、與殯儀館距離（DMSO），以及距銀行 200 公尺之反距（RDBank200），並建立特徵價格模型如式（3）。 LnP= + 2008 + 2009 + 2010 + 2011 + 2012 +. 政治大. .-'&-'1 + .-'&-'2 + .-'&-'3 + .-'&-'4 +. 立. .-'&-'5 + .-&'-'6 + .-&'-'7 + +. ‧ 國. 學. !" + >*$%%& + #$%%& + >?%%&1 +. >?%%&4 + >?%%&#%@ + +%),-) +. ‧. ..@''%& + .@&4 + .ℎ%% + ./+# +. .3%,&. + ./7 + +.*4200 + 6 ………（3）. io. sit. y. Nat. er. 而為探討銀行之聚集程度與住宅價格間之關係時，本研究將銀行. al. n. v i n C h 公尺為範圍，並與模型（3）所設定銀行影響部份的街廓，直徑 200 engchi U. 聚集與住宅價格的關係以街廓的角度處理，以足以涵蓋研究範圍內大 13. 的距離相對應，故將銀行距離之變數置換為銀行之聚集程度之虛擬變數 100 公尺 1 家銀行（OneBK100）、100 公尺多家銀行（ManyBK100），建立特徵價格模型如式（4）。. 13 國民住宅社區規劃及住宅設計規劃第 24 條第 1 項第 2 款規定「除設置商業設施及服務設施外，街廓長邊應以沿次要道路配置為原則，且長度以八十至一百五十公尺為準，超過時應設通路、步道或綠地等。」 27.

(38) LnP = + 2008 + 2009 + 2010 + 2011 +. 2012 + .-'&-'1 + .-'&-'2 + .-'&-'3 +. .-'&-'4 + .-'&-'5 + .-&'-'6 + .-&'-'7 +. + !" + >*$%%& + #$%%& + >?%%&1 + >?%%&4 + >?%%&#%@ + +%),-) +. ..@''%& + .@&4 + .ℎ%% + ./+# + .3%,&. + ./7 + 7*9100 +. /*89100 + 6 ……………………………（4）. 政治大殘差項。依據上述特徵價格模型，以 SPSS 統計軟體迴歸分析，檢視各立. 上列四式特徵價格方程式中 P 代表成交單價，α0 為截距項，ε為. 自變數及依變數之間，是否具有統計上的顯著關係。. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. 28. i n U. v.

(39) 第二節銀行聚集之衡量銀行聚集之界定黃幹忠、葉光毅（2000）選定台南市中心商業區內婚紗、書局、電腦資訊等三個業種的資料，利用業種分佈機率分配為常態分配之假設，求取出各業種的最近距離，並據以求出各業的聚集狀況。發現店面寬度超過 12 公尺的商店，大多為百貨、金融機構保險業、旅館大飯店、婚紗等四個業種。高地價區的業種聚集情況明顯，顯示僅高獲利性業種可設立於高地價區段，這實證的發現符合 Alonso（1964）競租理論的預期，是以當銀行的競租能力相當，在都市優良區位供給有限. 政治大其提出「最近鄰距離」指標能有效評估特定業種聚集與否，在假立. 之下，競租之結果便會傾向聚集。. ‧ 國. 學. 設某業種之商店分佈為隨機分佈時，令商店間之最近鄰距離的機率分佈函數為 F（d），可表示如下：. ‧. FG)H = 1 I expGIMN) H. 其中，λ為商店之平均密度，d 表商店間的最近距離。意義為隨著. y. Nat. sit. 距離的擴大，面積會更急速擴大，致商店的聚集密度遞減加快。. al. er. io. 若此一分佈狀態在顯著水準為α時，令 F（d）=α，由上式導出商. n. 店間最近鄰距離為： α = 1 I expGIMN) H. Ch. engchi. 1 I α = expGIMN) H 兩邊同取 Ln. i n U. v. ln （1 I α） = IMN). 得到) = PQIln （1 I α）⁄MNS 將α以 0.05 之顯著水準代入即可求得商店在隨機分佈下的最近距離。倘店鋪間的實際距離小於 d 值，表示店鋪間最近距離重疊，有聚集的現象。由圖 3-1 的示意，更易於了解利用最鄰距離 d 值來衡量商店是否產生聚集的意義。. 29.

(40) 政治大圖 3-1 商店聚集示意圖立. 資料來源：黃幹忠、葉光毅（2000：236）. ‧ 國. 學. 而將商店聚集的關係中，以銀行取代商店，並加入觀察的不動產標的便於. ‧. 地理空間形成不動產鄰近銀行聚集的關係，如圖 3-2。. al. n. 銀行影響範圍道路. Ch. 銀行服務影響距離d 影響圈內無銀行. 標的. A銀行. B銀行. 銀行影響範圍. er. io. sit. y. Nat 標的. A銀行. 道路. engchi U. 標的銀行影響範圍. B銀行. 影響圈內有2家銀行聚集. A銀行道路. v ni. 銀行影響範圍. A銀行. B銀行銀行影響範圍. 標的. B銀行. 銀行影響範圍. 道路. C銀行. 影響圈內有1家銀行. 影響圈內有多家銀行聚集. 圖 3-2 銀行聚集示意圖. 30.

(41) 在衡量聚集時，以實際測量的距離與隨機分佈下的最近距離作比較，可以很快的得到商店間的最近距離是否重疊，相反的，運用最近距離內商店數的多寡則可以測度商店的聚集程度。本研究即以此方式來衡量樣本標的鄰近之銀行聚集程度。如圖 3-2 所示，當銀行服務影響距離為 d 時，可以實際觀察樣本標的在影響圈內是否有存在銀行，倘影響圈內存在 2 家以上的銀行，便能判斷該樣本鄰近之銀行聚集度高於影響圈內僅存在 1 家或是不存在銀行的樣本。. 銀行聚集範圍之求取本研究為求取各自變數（影響不動產價格因素）與分析樣本（辦公室. 治政訊系統 Quantum GIS （以下稱簡 QGIS），求取不動產成交案例樣本與各影大立響價格因素之自變數間之最短直線距離矩陣。而為輸入圖層資料，須先將成交案例或住宅成交案例）間之距離以擴展模型之自變數，係利用地理資 14. ‧ 國. 學. 地址資料轉換為座標資料，本研究利用 Batchgeo 公司15所提供之產製標示地圖服務，將各項自變數（如台北市之本國銀行、觀光飯店、大型會議室、. ‧. 大型公園…等）之地址資訊產製為支援 Google Map 的標示地圖（如圖 3-3），再利用 Excel 擷取其產生之 Google Earth KML16檔案內之標示座標資訊，編. Nat. sit. y. 製為 CSV 純文字檔後輸入 QGIS 產生資料圖層。. io. er. 在輸入所有資料圖層後，運用 QGIS 之 Vector 功能項下的分析功能，以台北市辦公商圈內辦公室成交案例圖層、台北市辦公商圈內住宅成交案. n. al. Ch. i n U. v. 例圖層為輸入點圖層，分別與所要求取之各影響因素圖層（如台北市本國. engchi. 銀行分佈圖層）為目前點圖層，求算距離矩陣，輸出最短距離之距離矩陣。再利用 Excel 整理分析以產生模型所需之變數資料。. 14 Quantum GIS 是一個開放且免費的地理資訊系統，裡面提供了許多 GIS 常用的功能。同時 QGIS 也是一個開放的平台，可以在 QGIS 上呈現網路上的各種圖資(地圖資料如：WMS、WFS…等)及各種功能。參見 http://www.qgis.org/en/site/index.html 15 Batchgeo 公司所提供之服務，請參見其官網 https://batchgeo.com/ 16 KML 全稱：Keyhole Markup Language，是基於 XML(eXtensible Markup Language, 可擴展標記語言)語法標準的一種標記語言（markup language），採用標記結構，含有嵌套的元素和屬性。由 Google(谷歌)旗下的 Keyhole 公司發展並維護，用來表達地理標記。根據 KML 語言編寫的文件則為 KML 文件，格式同樣採用的 XML 文件格式，應用於 Google 地球相關軟體中(Google Earth，Google Map, Google Maps for mobile...)，用於顯示地理數據(包括點、線、面、多邊形,多面體以及模型...)。而現在很多 GIS 相關企業也追隨 Google 開始採用此種格式進行地理數據的交換。 31.

(42) 政治大. 圖 3-3 台北市辦公商圈-銀行與辦公大樓分佈圖. 立. 本研究蒐集的不動產成交樣本與銀行於地理空間之分佈如圖 3-4 及圖. ‧ 國. 學. 3-5，可以發現無論是辦公用不動產或是住宅用不動產，皆有許多銀行分佈其間，為求取不動產鄰近銀行之聚集資料，以地理資訊系統之距離矩陣輸. ‧. 出 20 筆最近距離資料，分別得到鄰近辦公室 20 家銀行資料 4,680 筆，鄰. y. Nat. 近住宅 20 家銀行資料 135,360 筆，再篩選研究所設定銀行服務影響範圍之. sit. 距離（25 公尺、100 公尺），得到成交案例樣本設定距離內的銀行家數，用. er. io. 以計算銀行聚集程度。. al. v i n Ch 近鄰距離」指標的作法，先將台北市本國銀行的分佈設為隨機分佈，定出 engchi U 最近鄰距離的隨機分佈函數 F（d），再以研究範圍內的行政區為劃分，計算 n. 致於本研究之主要研究變數─距銀行距離（DBank），則參考前述之「最. 出實際銀行分佈的密度λ，在顯著水準α=0.05 下代入函數 ) = PQIln （1 I α）⁄MNS 計算出銀行在各行政區內最近鄰距離的隨機分佈距離（如表 3-1）。. 32.

(43) 表 3-1 研究範圍內銀行隨機分佈下之近鄰距離區別. 面積（平方公尺）銀行數. 分佈密度（λ）. d（α=0.05）. 松山. 9,287,800. 128. 1.37815E-05. 34. 信義. 11,207,700. 86. 7.6733E-06. 46. 大安. 11,361,400. 179. 1.57551E-05. 32. 中山. 13,682,100. 176. 1.28635E-05. 36. 內湖. 31,578,700. 84. 2.66002E-06. 78. 大同. 5,681,500. 60. 1.05606E-05. 39. 萬華. 8,852,200. 中正. 7,607,100. 合計. 99,258,500. 8.54335E-06. 學. 848. ‧ 國. 立. 政 32治 3.61492E-06 大1.354E-05 103. 67 35 44. ‧. 從行政區來看，大安區銀行密度最高，在隨機分佈假設下之銀行間近鄰距離僅 32 公尺，而分散最遠的則是內湖區，近鄰距離為 67 公尺，以總. Nat. n. al. er. io. sit. y. 面積而言，有 848 家本國銀行分佈其間，銀行間的近鄰距離為 44 公尺。. Ch. engchi. 33. i n U. v.

(44) 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 圖 3-4 台北市辦公商圈辦公大樓 2007Q1~2012Q3 成交案例與本國銀行分佈圖. 34.

(45) 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 圖 3-5 台北市辦公商圈住宅 2007Q1~2012Q3 成交案例與本國銀行分佈圖. 35.

(46) 第三節資料及變數說明資料來源在 2012 年 8 月實價登錄制度實施前，定期發佈不動產成交案例之資訊來源主要有二，分別為內政部地政司公告之房地產交易價格簡訊，以及由吉家網股份有限公司編輯出版的台灣不動產成交行情公報；而國內有關不動產價格之研究，實證資料亦多來自於此二資料庫。由於其資料涵蓋期間均在十年以上，且廣為實務及學術界所採用，應有一定程度之可靠性，故本研究由此二資料來源蒐集成交案例。另一方面，由於商用不動產之買方或賣方，有相當高的比例為建. 政治大資料正確性及可信度極佳，故本研究亦自該網站中搜尋台北市之辦公立. 設公司、金融業及壽險公司，其買賣訊息多會公告於公開資訊觀測站，. ‧ 國. 學. 室成交案例。此外，台北市內已有多家專營商用不動產買賣和租賃之仲介公司，並經常受託辦理商用不動產拍賣會；其所發佈之季刊或新聞稿，常有整理商用不動產市場之成交資訊，亦提供許多高可信度之. ‧. 成交案例。. n. al. er. io. sit. y. Nat 資料範圍空間範圍. Ch. engchi. i n U. v. 本研究以台北市主要辦公商圈為空間範圍，惟受限於蒐集資料，未納入南港經貿園區（如圖 3-6 台北市主要辦公商圈）。對於住宅成交案例，則選取前述範圍相對應之行政區，計有萬華區、大同區、中正區、中山區、大安區、松山區、內湖區及信義區（如圖 3-7 台北市主要辦公商圈之行政區）。. 36.

(47) 政治大. 圖 3-6 台北市主要辦公商圈. 立. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 圖 3-7 台北市主要辦公商圈之行政區時間範圍由於不動產交易實價登錄自 2012 年 8 月 1 日起施行，雖令不動產交易資訊公開透明，惟受個人資料保護法之限制，公開資訊以區段化方式顯現反而不見精確，難以與原蒐集之資料相媒合，故時間範圍界定於實施不動產交易實價登錄前之 2007 年第 1 季至 2012 年第 3 季。. 37.