Airbnb與周邊住宅價格及觀光型旅館收益關係之探討 - 政大學術集成

全文

(1)國立政治大學地政學系碩士論文私立中國地政研究所. 政治 Airbnb 與周邊住宅價格及觀光型旅館收益關係之探討. 大. 立. 學. ‧ 國. The Relationship of Airbnb and House Prices and Revenues of Tourist Hotels. ‧. n. er. io. sit. y. Nat. al. i n U. Ch. v. engchi 研究生：曾懷萱. 指導教授：林左裕博士. 中. 華. 民. 國. 一. 零. 七. 年. 七. 月. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(2) 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(3) 謝誌回首這兩年，是有苦、有笑，從無到有，從學習由師長傳授課程知識，到能自主發覺問題意識、反芻並自我產出，真是一個很不容易，但卻是一段深刻地感受自我成長，回首時只有滿滿感謝的過程。寫論文就像探討人生、解決問題的一個縮時攝影，自己在自己的道路上找尋、摸索有時候真的很孤單，特別是在尋不著處時，但在越發低潮時，身邊這群奮鬥的夥伴更顯得重要，這群人給的是支持與勇氣，讓自己更有幹勁去尋找答案。這段時日，最要感謝的便是自己的家人，偶爾周末回家，家人圍在一起吃頓媽媽親. 政治大. 手下廚的晚餐，便是茫茫夜裡低回埋首時的動力，即便我不擅表達，但家人對我. 立. 的關心時時刻刻都放在心裡。再來是指導我這兩年的恩師-林左裕教授，謝謝您. ‧ 國. 學. 開明的作風，讓我在論文的發揮上能夠自由又自主，老師在每一次的討論上總能很快地點出問題，讓這份文章能更臻於完善。再來，是對幫助我完成這份倫文的. ‧. 朋友們，首先要很謝謝 Inside Airbnb 的創辦人 Murray Cox，能夠在與我素未謀. y. Nat. sit. 面，卻在幾封信件往返裡，義不容辭地幫我蒐集 Airbnb 的資料，才有這篇論文. n. al. er. io. 的誕生。也要謝謝芳瑋在去年暑假時，協助我操作地理資訊系統 ArcGIS，讓我. i n U. v. 能夠順利地處理整理資料，謝謝哲源在我每每遇到計量操作上的困難，總是能在. Ch. engchi. 討論中突破盲點，最後要謝謝小夥伴們-景崇、昀蓁、億仙、妏儒、貝珊、巧芳、靖儒等等還有好多研究室的朋友們，在這段日子大家一起出去玩耍、吃飯、埋首寫論文，才讓這段平凡變得深刻而珍貴。最後謝謝自己，終於走過這兩年，帶著這兩年的成長，定義了一個更好、更有能力的自己，期許未來自己能夠發揮自己的價值，並將受惠於人的這些再幫助真正需要協助的人。. 懷萱 2018 年 7 月 I. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(4) 摘要隨著共享經濟(sharing economy)的浪潮，Airbnb 此種新創公司成為共享經濟體系下的產物，透過利用閒置、效率低落的資本商品，擺脫傳統產業經營模式以生成經濟價值，得到公眾的關注。Airbnb 的立意良善，作為消費者和供應者之間的媒合中介，Airbnb 減少了提供住房作為短期租賃的風險和成本，從而使房屋擁有者能夠靈活地參與住宅商品化的市場。儘管Airbnb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，然而，在其高度發展下，全球各地仍不免關心其衍生負面問題，例如對於住宅市. 政治大資訊系統軟體ArcGIS對住宅交易點位周圍1000公尺進行範圍計算Airbnb數量，並立. 場所會產生的經濟和福利面的隱憂或排擠當地旅館行業的生存。故本研究以地理. ‧ 國. 學. 以特徵價格模型衡量台北市之Airbnb與住宅價格之關係，此外亦對觀光型旅館收益進行實證，並以分量迴歸模型量測Airbnb與高、低收益旅館關係程度的不同。. ‧. 研究結果為Airbnb與房價存在正向顯著關係；與觀光型旅館收益則有負向顯著關. sit. y. Nat. 係，且收益越低負向顯著程度越大。表示Airbnb短期租賃行為加劇對於住宅市場. al. er. io. 的負擔能力，並對低收益觀光型旅館行業產生競爭。依據分析結果給予未來政策. v. n. 思考的方向，以利共享經濟的浪潮下政府對於Airbnb有更完善的配套措施因應。. Ch. engchi. i n U. 關鍵詞：房價、觀光型旅館收益、Airbnb、特徵價格模型、分量迴歸模型. II. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(5) Abstract With the prevalence of Sharing Economy, Airbnb, a start-up company, has become an evidence of Sharing Economy by using idle and inefficient capital goods to generate economic value. The intention of Airbnb is good.. As a mediator between. consumers and suppliers, Airbnb has reduced the costs of providing housing as a short-term leasing, so that homeowners can flexibly participate in the residential commercialized markets. Although the innovative experiences provided by Airbnb, under its high level of development, the world is still concerning about its negative issues, such as the economic and welfare problems in the residential markets or the survival of the local. 政治大. hotel industries. Therefore, this study uses ArcGIS to calculate the number of Airbnb in the distance of 1000 meters around the location of the houses, and measures the. 立. relationship between Airbnb and residential prices in Taipei City by Hedonic Price. ‧ 國. 學. Model. On the other hand, the study also demonstrates the relationship between Airbnb and revenues of tourist hotels by Multiple Regression Model. In addition, the study investigates how much different influences on the relationship between Airbnb. ‧. and low or high revenues of tourist hotels by Quantile Regression Model. The results. y. Nat. point out that Airbnb has a positive and significant relationship with house prices;. io. sit. meanwhile, there is a negative and significant relationship between Airbnb and. er. revenues of tourist hotels. Furthermore, the lower the revenues are , the greater. al. n. v i n C hleasing practices U This indicates that the short-term e n g c h i of Airbnb have leveled up the affordability of the residential markets and competed seriously with lower class of. negative and significant relationship between Airbnb and revenues of tourist hotels.. tourist hotels. According to the results, the direction of future policy will be given in order to facilitate better solutions under Sharing Economy.. Keywords: Housing Prices, Revenues of Tourist Hotels, Airbnb, Hedonic Price Model, Quantile Regression Model. III. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(6) 目錄第一章緒論 ................................................................................................................. 1 第一節研究動機與目的...................................................................................... 1 第二節研究方法與範圍...................................................................................... 6 第三節研究架構.................................................................................................. 8 第二章文獻回顧 ....................................................................................................... 11 第一節共享經濟................................................................................................ 11 第二節 Airbnb 共享平台機制 ........................................................................... 18 第三節特徵價格法............................................................................................ 29 第四節分量迴歸理論........................................................................................ 33 第五節小結........................................................................................................ 35 第三章研究方法與研究設計 ................................................................................... 37 第一節研究設計................................................................................................ 37 第二節資料說明與變數選取............................................................................ 40. 立. 政治大. ‧. ‧ 國. 學. 第四章實證結果分析 ............................................................................................... 55 第一節 Airbnb 與住宅價格關係之探討........................................................... 55 第二節 Airbnb 與觀光型旅館收益關係之探討 ............................................... 58 第三節 Airbnb 與觀光型旅館高、低收益關係之差異 ................................... 60 第四節小結........................................................................................................ 65. al. er. io. sit. y. Nat. 第五章結論與建議 ................................................................................................... 67 第一節結論........................................................................................................ 67 第二節建議........................................................................................................ 70. n. 參考文獻...................................................................................................................... 73. Ch. engchi. i n U. v. IV. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(7) 表目錄表 2-1 共享經濟驅動 ................................................................................... 15 表 2-2 共享經濟效益 ................................................................................... 16 表 2-3 Airbnb 產生滋擾問題 ....................................................................... 22 表 2-4 Airbnb 其他國家法規一覽表 ........................................................... 23 表 3-1 Airbnb 活動密度變數處理流程 ....................................................... 43 表 3-2 住宅特徵價格估計之相關變數定義 ............................................... 46 表 3-3 變數基本統計 ................................................................................... 48 表 3-4 相關估計之變數統整 ....................................................................... 52 表 3-5 變數敘述性統計 ............................................................................... 52. 政治大. 表 4-1 Airbnb 與住宅不動產價格之關係實證估計結果 ........................... 56. 立. 表 4-2 Airbnb 與觀光型旅館收益之關係實證估計結果 ........................... 59. ‧. ‧ 國. 學. 表 4-3 Airbnb 與觀光型旅館收益之關係分量迴歸實證估計結果 ........... 63. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. V. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(8) 圖目錄圖 1-1 出租房間類型長條圖 ........................................................................ 3 圖 1-2 研究流程圖 ........................................................................................ 9 圖 2-1 共享經濟的三個驅力 ....................................................................... 13 圖 2-2 共享經濟增加資產利用率 ............................................................... 16 圖 2-3 Airbnb 營運模式分析圖 ................................................................... 20 圖 2-4 Airbnb 對房價影響機制 ................................................................... 27 圖 3-1 住宅不動產交易位置分布 ............................................................... 41 圖 3-2 Airbnb 列表(listing)位置分布 .......................................................... 42. 政治大圖 4-1 解釋變數之分量迴歸圖形 ............................................................... 64 立圖 3-3 住宅不動產交易點位環域圖 ........................................................... 43. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. VI. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(9) 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. VII. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(10) 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(11) Airbnb 與周邊住宅價格及觀光型旅館收益關係之探討. 第一章緒論第一節研究動機與目的一、研究動機隨著科技的日新月異 1，及歷經金融風暴後的消費型態及動機上的轉變 2，不同的經濟意識 3以顛覆傳統的方式進行著，「共享經濟」(sharing economy)進而成為了代名詞。「共享經濟」亦稱為「協同消費」(collaborative consumptions)、「協同經濟」. 政治大. (collaborative economy)，共享經濟的推動者 Botsman and Rogers(2010) 在其著作. 立. 《What’s mine is yours-The Rise of Collaborative Consumption》中表示傳統的社交、. ‧ 國. 學. 互動或合作等群體行為經歷了一場革新，以一種全新、更有價值的樣貌改變經濟模式。共享經濟核心價值是「共用」，除了傳統認知的面對面互動模式，資源供. ‧. 給者將閒置資源的使用權開放予大眾，透過網路的虛擬世界，形成點對點. Nat. sit. y. (Peer-to-peer)的中介媒合平台在短時間內有效率地滿足雙方交換、租用或購買等. al. er. io. 交易活動需求，以降低交易成本，提升閒置資源利用價值，以此創造利益的商業. n. v i n Ch Uber 及 Airbnb 此種新創機制是共享經濟體系下的產物，透過利用閒置、效 engchi U. 模式。(European Commission, 2013；Boroyan, 2014；李欣，2015)。. 率低落的資本商品(Belk, 2014)，擺脫傳統產業經營模式以生成經濟價值，得到公眾的關注。Airbnb 成立於 2008 年，是個允許個人在全球超過 34,000 個城市中「張貼、尋找及預訂」超過 200 萬個住宿選擇的網路點對點(Peer-to-peer)平台(Airbnb, 2017)，亦為目前全球最大的私人房屋出租網站，換言之，使用者透過共享平台機制可將家中閒置的房源(可為單個房間或整棟房子)刊登，以日租或短期的方式出租給各地旅客(陳怡如，2013)。Airbnb 的立意良善，作為消費者和供應者之間隨著科技化，共享經濟的過程下減輕了共享行為的不便性及降低了交易成本，網際網路的新興更是加速共享經濟的推手(Owyang et al., 2014)。 2 出於資源再利用及環保意識的抬頭，消費者心態從商品的擁有轉為使用，如租借、交換、更想等手段滿足需求(Kelly, 2009)。 3 在經歷 2008 年金融海嘯後，為了節省開銷，民眾修正了以往大量購買的消費習慣，轉而採用共享經濟並降低消費全新商品的比例(European Commission, 2013；洪郁真，2014)。 1 1. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(12) 第一章緒論. 的媒合中介，其共享平台機制減少了提供住房作為短期租賃的風險和成本，從而使房屋擁有者能夠靈活地參與住房商品化的市場(Udell, 2016)。在房屋使用未達極大化的情況，如假期期間出遊房屋閒置或尚有未使用的房間，房屋擁有者能將其空置房屋或房間共享或出租出去，以賺取額外收益。這種交易類型的潛力及便利性的提升要歸功於在網路驅使下更好的匹配技術(Horton and Zeckhauser, 2016)。此外，Airbnb 在「信任」 4的框架下，透過身分驗證、評價制度、訊息交流三大管道建立會員間的信任、降低消費者和生產者的交易成本並確保交易安全。(Udell, 2016;李欣，2015)。然而，儘管 Airbnb 的共享平台機制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，亦產生負面. 政治大台在紐約市的業務(Schneiderman, 立 2014)。其報告顯示，紐約市有 72％的 Airbnb. 的影響。對住宅市場而言，紐約州總檢察長 Eric Schneiderman 調查了 Airbnb 平. ‧ 國. 學. 平台使用的共享房屋違反了物業使用和安全規則，此外，該調查亦發現，超過 4,600 名房東在紐約市的房源被預訂了一年又三個月，使當局質疑在 Airbnb 短租. ‧. 收益誘因的驅使下，增加了對於住宅空間的需求，進而推升了房價。在阿姆斯特丹，政府及媒體亦提出了 Airbnb 的共享房屋排擠了當地居民的住房存貨與促使. y. Nat. sit. 房價上漲等問題(Bijl, 2016)。德國柏林當局為了讓房價維持在當地人所能負擔的. n. al. er. io. 範圍內，對 Airbnb 或類似線上平台出租的私人房地產設限，柏林的屋主只能透. v. 過 Airbnb 或類似平台出租房間，而非整間公寓或房屋，違反規定者最高可被處以 10 萬歐元的罰款。. Ch. engchi. i n U. 除了對於住宅市場產生的影響，Airbnb 商業營利的短租行為增加了旅宿市場的供給，與旅館業產生競爭關係，進而排擠了旅館行業的收益。KMPG 表示， 40％的酒店通過減少入住率和較低的平均房間價格來回應 Airbnb 短租的存在，效果在中下階層旅館尤為明顯。Zervas et al.(2015)分析了德克薩斯州的短期租賃行業對於酒店行業的影響。平均而言，Airbnb 短租列表的每 10％的增長將致使酒店每月收入減少 0.37％，影響力在較低價格領域的旅館最為顯著。綜上所述， Airbnb 短租行為的存在的確為城市帶來了積極的經濟影響，然而卻也因增加對住宅空間的需求，推升房價，降低當地住宅負擔能力(Kaplan and Nadler, 2015)；另. 4. 信任在共享機制下是重要的元素(Botsman & Rogers, 2010)。 2. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(13) Airbnb 與周邊住宅價格及觀光型旅館收益關係之探討. 一面，則因增加旅宿市場的供給，而排擠當地旅館收益等問題。 Airbnb 共享平台機制雖然在台灣的發展時間尚不如歐美等國長久卻也正如火如荼地進行。之初創投的林之晨指出台北市是短租公寓需求最高的地方，平均每晚價格約為 2,435 元。其中如圖 1-1 所示，整層出租數量為 3,891 筆，計 51.8%；獨立房間出租數量為 2,890 筆，計 38.4%；共用房間出租為 737 筆，計 9.8%。房東列出不同的出租房間型態，使 Airbnb 短期租賃行為如同旅館的營運。. 立. 政治大. n. er. io. al. sit. y. ‧. ‧ 國. 學. Nat. 圖 1-1 出租房間類型長條圖. i n U. 資料來源:本研究整理. Ch. engchi. v. 此外，Airbnb 出租列表平均一年中超過 60 天的有 6,602 筆，佔 87.8%，少於 60 天出租的有 916 筆，佔 12.2%，近 60%的房東一年中有 215.8 天的出租。一個出租列表所能創造的一個月的平均預估收入平均為 16,028 元，相較於長期租賃，Airbnb 的短期租賃行為創造了高收益低成本誘因，超過 80%以上的房東擁有兩個以上的出租列表(listing) 5 ，使得擁有多個房源的房東如同經營一家公司。換言之，Airbnb 的美意轉以商業營利化為導向的扭曲。關於 Airbnb 與房價之間的關係，可能透過兩種方式，一方面是假使 Airbnb 所製造出的負面外部性 5. 檢索自 Inside Airbnb: http://insideairbnb.com/taipei-2017-08-20。 3. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(14) 第一章緒論. 導致鄰里生活品質下降或安全性問題等，可能會導致房價下降；另一方面，相較於此負面外部性，Airbnb 作為短期租賃的誘因致使住宅空間需求增加 (Bijl, 2016; Udell, 2016)，促使房價上漲。此外，在住宅空間進行短租行為亦增加了旅宿市場的供給，可能與旅館行業產生競爭，排擠了旅館業之收益。台灣地狹人稠，對於空間的變化更為敏感強烈，對於住宅市場的需求及旅宿市場的供給，Airbnb 共享機制的影響會更為顯著，特別針對住宅需求更高的地方，與房價之關係，正向效果應大於負向效果。故本研究以台北市為區域範圍，透過特徵價格模型探討台北市 Airbnb 與住宅價格之關係，此外先以一般多元迴歸分. 政治大低收益觀光型旅館間關聯性規模之不同。希冀透過本研究量化數據資料的實證結立. 析 Airbnb 與觀光型旅館收益之關聯性，再透過分量迴歸模型探討 Airbnb 與高、. 果，提供政府於施政上的參考，為共享經濟的潮流下提供更完善的因應措施。. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 4. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(15) Airbnb 與周邊住宅價格及觀光型旅館收益關係之探討. 二、研究目的根據以上討論，本研究以下列目的進行分析: (一) Airbnb 對於住宅價格的影響有兩種方式，第一種是 Airbnb 所製造出的負面外部性導致鄰里生活品質下降或安全性等問題，致使房價下降；第二種是予 Airbnb 作為短期租賃誘因之商業行為致使空間需求增加，有鑑於此，本研究將探討台北市 Airbnb 與住宅價格之關係。 (二) 除了住宅市場，亦探討 Airbnb 的短租行為是否對旅館業產生衝擊，與觀光型旅館業收益間之關係。. 政治大. (三) 透過分量迴歸分析探討 Airbnb 短租行為與高低收益之旅館行業之關係差異。. 立. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 5. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(16) 第一章緒論. 第二節研究方法與範圍一、研究方法針對 Airbnb 與住宅價格之關係，本研究之研究資料為來自內政部公開資訊 2012 年 7 月至 2016 年 12 月實價登錄資料及 Inside Airbnb 網站 6所提供的台北市各個 Airbnb 的列表以及評論機制的兩個資料庫 7。本研究以住宅交易周圍 1000 公尺以內 Airbnb 分布數量作為 Airbnb 的活動密度代理變數，來衡量與住宅交易價格之關係。故本研究先採用地理資訊系統軟體(ArcGIS)進行環域(buffer)上的處. 政治大對 Airbnb 短租行為對於旅館業所產生的影響，因 Airbnb 住宿更偏向於觀光性質，立. 理，使用特徵價格模型分析 Airbnb 活動的密度與住宅交易價格之關係。另外針. ‧ 國. 學. 故在旅館業相關資訊選取上採用 2012 年 7 月至 2016 年 12 月中華民國交通部觀光局台灣旅宿網之台灣地區觀光型旅館統計資訊。以兩大主軸檢視共享經濟下，. ‧. Airbnb 平台可能產生的問題，並針對結果提出政策建議之參考。. er. io. sit. y. Nat 二、研究範圍. al. n. v i n 本研究欲分析台北市 Airbnb C h短租行為與住宅交易價格及旅館收益之關係。 engchi U. 首先界定本文的研究範圍，主要分為時間範圍與空間範圍。時間範圍本研究選取. 2012 年 7 月-2016 年 12 月為研究期間，研究資料以月為單位，共計 54 筆樣本；空間範圍則以台北市為實證範圍。. 6. 由 Inside Airbnb 網站創辦人 Murray Cox 透過爬蟲(Python)技術所提供。. 7. 包含 Airbnb 分布 GIS 點位。 6. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(17) Airbnb 與周邊住宅價格及觀光型旅館收益關係之探討. 三、研究限制本研究欲分析 Airbnb 與周邊住宅價格及觀光型旅館收益之關係，主要有以下研究限制:. Airbnb 位置存在隨機誤差 Airbnb 的統計數據來源是 Inside Airbnb 的網站，Inside Airbnb 網站並非官方網站，該網站宣稱是獨立的非營利組織並和 Airbnb 網站沒有牽涉。關於如何掌握資料，網站上並沒有太詳細的說明，也未表明資料的缺點，但 Zevas et al.(2015) 表示由 Inside Airbnb 所提供的資料具可信度。另一方面，Airbnb 列表(listing)所. 政治大. 屬的資料庫內含有 GIS 的位置，Airbnb 為了確保房東的隱私，故 GIS 的位置存. 立. 在 0-150 公尺的隨機測量誤差(random measurement error)，致使以住宅交易位置. ‧ 國. 學. 周圍 200 公尺形成的環域計算 Airbnb 列表(listing)的數量過於不準確；而以住宅交易位置周圍 500 公尺的環域衡量 Airbnb 活動密度時，若因為 Airbnb 活動密度. ‧. 過低，仍會產生偏誤，故在此處理上，本研究採用以住宅交易位置周圍 1000 公. y. Nat. n. er. io. al. sit. 尺所形成的環域計算 Airbnb 列表(listing)的數量。. Ch. engchi. i n U. v. 7. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(18) 第一章緒論. 第三節研究架構本研究內容架構如下:第一章緒論，說明研究 Airbnb 之動機與目的，以及研究範圍與限制。第二章文獻回顧，說明共享經濟與點對點(peer-to-peer)平台之發展，並回顧在此框架下，Aibnb 共享平台機制的成功及所面臨的發展問題，接著回顧 Airbnb 相關實證研究，最後回顧有關特徵價格法及分量迴歸之理論，建構過去文獻中的理論基礎及研究缺口。第三章研究方法與研究設計，將說明本研究所使用之特徵價格模型、一般多元迴歸模型及分量迴歸模型，並根據文獻整理適. 政治大本研究實證結果。第五章結論與建議，說明本研究研究結論，並針對政策與後續立合採用之變數及意涵。第四章實證分析，以上述研究方法與變數進行實證，做出. 研究提出建議。. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 8. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(19) Airbnb 與周邊住宅價格及觀光型旅館收益關係之探討. 研究動機與目的研究方法與範圍文獻回顧. 共享經濟與點對點平台. Airbnb 共享平台機制. 特徵價格法. 分量迴歸理論. 政治大. 研究方法與研究設計. 立. 實證分析. 學. ‧ 國. 一般多元迴歸模型與觀光型旅館收益之關係. 分量迴歸模型與高低收益觀光型旅館收益關係規模差異. ‧. 特徵價格模型與住宅價格之關係. io. sit. y. Nat. n. al. 結論與建議. Ch. engchi. er. 共享經濟與點對點平台. i n U. v. 圖 1-2 研究流程圖. 9. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(20) 第一章緒論. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 10. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(21) Airbnb 與周邊住宅價格及觀光型旅館收益關係之探討. 第二章文獻回顧首先，本章回顧共享經濟相關文獻；第二部分為探討 Airbnb 共享平台機制之發展、面臨問題及相關實證研究文獻，第三部分為特徵價格法及相關影響住宅價格因素之探討，第四部份為分量迴歸理論研究文獻。. 第一節共享經濟一、共享經濟之意涵. 政治大 (collaborative economy)，最早可以追溯至 1978 年，由美國學者 Felson 及 Spaeth 立「共享經濟」亦稱為「協同消費」(collaborative consumptions)、「協同經濟」. 所提出的概念，意指透過群體分享商品使用權的方式整合共有的資源以創造價值. ‧ 國. 學. 的消費。. ‧. 共享經濟推動者 Botsman and Rogers(2010) 在其著作《 What’s mine is. y. Nat. yours-The Rise of Collaborative Consumption》中表示傳統的社交、互動或合作等. er. io. sit. 群體行為經歷了一場革新，以一種全新、更有價值的樣貌改變經濟模式。共享經濟核心價值是「共用」，除了傳統認知的面對面互動模式，資源供給者將閒置資. al. n. v i n 源的使用權開放予大眾，透過網路的虛擬世界，形成點對點(Peer-to-peer)的中介 Ch engchi U. 媒合平台在短時間內有效率地滿足雙方交換、租用或購買等交易活動需求，換言之，全球市場將由過度消費經濟轉為共享經濟，以降低交易成本，提升閒置資源利用價值，以此創造利益的商業模式。(European Commission, 2013；Boroyan, 2014；李欣，2015)。劉韋成(2017)認為共享經濟是把剩餘價值重分配於一個社群所得到的價值。 Cohen and Kietzmann(2014)對於共享經濟意涵之觀點承襲了 Felson，其認為將未充分利用、閒置的資產或技能，以分享的方式創造金錢及非金錢上利益的經濟模式。Owyang et al.(2014)以其進行的共享經濟市場抽樣調查中，認為共享經濟是 11. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(22) 第二章文獻回顧. 新一代不可推翻的消費型態，不僅能夠從他人身上取得服務或商品亦能將自身服務或商品提供予他人。 Stephany(2015)認為共享經濟是讓一個社群能在網路上取得未全部利用的資產所創造的價值，因此降低擁有這些資產的必要性。The Economist(2013)更進一步以「崛起中的共享經濟」為標題，強調透過網際網路的溝通與協調，讓供需雙方得以互取所需，成為崛起中的創新服務模式。. 二、共享經濟之驅動與效益在網路尚未普及時，多半透過人力行為進行閒置資源的匹配，然而此種方式. 政治大丟棄閒置資源(Botsman and 立Rogers, 2010)，使資源並無達到最佳使用效用配置。配對方式所消耗人力、時間成本過高，且效果不彰，交易成本太大，甚至傾向於. ‧ 國. 學. 然而，拜科技進步，人們現在已經可藉由各種電子設備(如手機、電腦、GPS)作為載體，隨時隨地在虛擬網路社群中(如 Facebook、eBay、各公司之會員平台). ‧. 搜尋所需資源並進行各種共享活動，將閒置物品或人力做有效率再利用 (李欣，. sit. y. Nat. 2015)。此外，一些社群網路會要求使用者綁定個人帳號，藉由雙重驗證會員基. al. er. io. 本身分以加深交易安全性(洪郁真，2014)。另一方面，李欣(2015)尚提到評價或. v. n. 積分制度亦是網路交易平台不可或缺的機制，透過累積正面正面交易經驗及資料，. Ch. engchi. i n U. 可進一步建立該使用者信用。Airbnb 創辦人 Nate Blecharczyk 曾表示：「若沒有 Facebook 開啟了人們對於共享的參與及投入，Airbnb 根本不可能存在並發展。」 (The Economist, 2013)。換言之，共享經濟流程的科技化使供需雙方能更快速媒合，即時溝通，以減輕共享行為的不便及費用、降低交易成本；網路社群的興起則帶動社會對於共享的浪潮及習慣，加速共享經濟的發展(Owyang et al., 2014)，亦使如 Uber、Airbnb 此類新創公司有機會發展成國際型企業組織(European Commission, 2013)。除了科技的進步，經濟因素的影響也是促成共享經濟興起的動力之一(李欣， 2015)。自 2008 年歷經金融風暴危機後，整體經濟衰退，在此情況下，消費者改 12. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(23) Airbnb 與周邊住宅價格及觀光型旅館收益關係之探討. 變及修正過去消費模式及習慣，為了節省開銷而以共享經濟方式獲取資源，並將降低消費全新商品的比例 (European Commission, 2013 ；洪郁真， 2014) 。 Boitnott(2014)指出消費者使用 Freecycle 取得免費的二手商品而非至賣場購買全新商品，Owyang et al.(2014)指出超過一半消費者進行共享行為的原因是因為較低廉的價格。消費者心態的轉換出於資源再利用及永續發展的環保理念，消費者心態逐漸從商品之擁有(ownership)轉為使用(usage)，以如租借、交換、共享等手段滿足需求(Kelly, 2009)。透過共享經濟的方式取得資源，新的消費生活型態衝擊原先社. 政治大遠，2014)。綜合以上，李欣(2015)整理相關共享經濟發展起源文獻，共享經濟發立. 會上「私有獨享」的基礎，並促成「使用而非佔用」的共享經濟模式蓬勃發展(顧. 展起源歸功於科技進步、消費者心態改變、經濟因素三大要素，進而吸引並驅動. ‧ 國. 學. 消費者產生參與動機，使共享經濟逐漸發展成具規模的集體社會趨勢(Owyang et. ‧. al., 2014)。Böckmann(2013)整理自 Owang et al.(2014)提出共享經濟主要由三種市. sit. y. Nat. 場力量的推動:社會推動(Social Driver)、經濟驅動(Economical Driver)、科技驅動. io. n. al. er. (Technological Driver)。. C hSocial DriversU n i engchi. v. Shared Economy. Technological Drivers. Economical Drivers. 圖 2-1 共享經濟的三個驅力資料來源: Böckmann(2013)；余昌翰(2015) 13. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(24) 第二章文獻回顧. 社會驅動為隨著人口激增，自然資源的消耗壓力轉而使經濟學者思考改變消費方式，減少浪費並提高資源的使用效率。Gansky(2010)認為為了一個和平、繁榮可持續發展的世界，必須更有效率共享資源。另一方面，都市化及人口密度增加的進程是共享經濟另一項推波助瀾的效果(余昌翰，2015)。在經濟驅動面，Botsman(2011)亦認為自 2008 年後金融海嘯後人們受到了市場的不確定性、失業率攀升等問題產生不信任感致使消費型態的改變。余昌翰 (2015)提到消費者開始思考怎樣的消費型態會產生快樂，以往的觀點是綁定高消費，現今消費者是思考如何以最好的方式取得他們所需，因此點對點(Peer-to-Peer). 政治大使用權替代所以權的相關經濟議題成為眾所矚目之焦點。The Economist(2013)亦立廠商的崛起成為經濟衰退的務實應對方案，閒置資源(idling capacity)的力量及以. 提及共享是金融危機後過度消費和唯物主義的解藥。. ‧ 國. 學. 第三部分科技的驅動，余昌翰(2015)認為社群網路的發展使供需雙方能夠以. ‧. 更快的速度、更大的規模聚合、網路環境的成熟、社群媒體興起加上智慧型載具. y. Nat. 的普及，讓搜尋與配對的成本得以降低，資源共享變得更便利及有效率。. er. io. sit. 綜合以上文獻做出整理，共享經濟的推動驅動有以下四點：社會驅使、科技驅力、經濟驅動及消費型態改變。. n. al. Ch. engchi. i n U. v. 14. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(25) Airbnb 與周邊住宅價格及觀光型旅館收益關係之探討. 表 2-1 共享經濟驅動驅動力. 驅動意義. 社會驅使. 人口密度增加、自然資源消耗，為了節省資源浪費而進行共享行為；另外隨著都市化進程，更利於共享經濟進行。. 科技驅力. 網際網路的普及，形成閒置資源虛擬載具，提高資源供給方及需求方配對機率，並降低搜尋資源及交易成本。. 經濟驅動. 金融危機後形成的經濟衰退，為了節省支出，降低全新商品消費比例，改以相對低廉價格進行二手閒置商品或資源交易，提高資源使用效率。. 消費型態改變. 資源再利用及永續發展的環保理念提升，從著重「獨有」的觀念轉為「共享」。. 政治大. 資料來源:本研究整理自 Gansky(2010)、Botsman(2010)、European ommission(2013)、 Böckmann(2013)、Owang(2013)、Owyang et al.(2014)、 Boitnott(2014)、洪郁真 (2014)、余昌翰(2015)、李欣(2015)等。. 立. ‧ 國. 學. 在共享經濟能夠帶來的效益面，Stephany(2015)認為透過共享經濟平台將閒. ‧. 置資產，透過網路更容易媒合，在社群中互動，互相信任，創造雙方互惠經濟價. Nat. n. al. er. io. sit. y. 值，提高資產利用率。劉韋成(2017)整理如下圖。. Ch. engchi. i n U. v. 15. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(26) 第二章文獻回顧. 資產增加利用率. 便利. 網路. 降低擁有的需求. 可取得資產. 價值保留社群中. 立. 社群政治分享資產大. ‧ 國. 學. 圖 2-2 共享經濟增加資產利用率. ‧. 資料來源: Stephany(2015)、劉韋成(2017). sit. y. Nat. Owyang et al.(2014)則認為共享經濟所能帶來的效益可以提升資源效率、促. al. n. 表:. er. io. 進創新創業並恢復社會信任。整理自余昌翰(2015)共享經濟所能帶來之益處如下. Ch. engchi. i n U. v. 表 2-2 共享經濟效益效益. 意義. 提升資源效益. 進行共享行為能夠提升資源使用效率，並降低因過度消費所致的環境破壞。. 促進創新創業. 網際網路形成的虛擬載體，更容易媒合閒置資源的供給需求方，提供新型態的創業機會。. 恢復社會信任. 共享經濟的運行，「信任」扮演不可或缺的角色。. 公共價值交換. 透過網路的交流，藉以瞭解交易雙方的交換及社交需求，共同創造及發展出創新產品、服務及營運模式。. 資料來源:本研究整理自 Owyang et al.(2014)、余昌翰(2015) 16. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(27) Airbnb 與周邊住宅價格及觀光型旅館收益關係之探討. 綜合上述，共享經濟隨著科技面、經濟面及社會面等改變的催動進而蔚為浪潮，改變交易環境型態及觀念，更快速地媒合供給及需求雙方，藉由信任的前提使兩方有更多的互動交流，降低交易成本，提高閒置資源的使用效率。. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 17. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(28) 第二章文獻回顧. 第二節 Airbnb 共享平台機制一、Airbnb 共享平台之發展現況 Airbnb 成立於 2008 年 8 月，總部位於美國加利福尼亞州舊金山市，遍布全球 191 個國家的 65,000 多個城市，提供高達 300 萬個以上的房源，房客總人數累計超過 2 億人次。Airbnb 認為透過其良好的客戶服務及日益成長的用戶社區，能夠以一個簡單有效的途徑，向成千上萬的使用者展示其閒置空間並藉此賺錢 (Airbnb, 2017)。陳怡如(2013)亦表示使用者可以透過網站、手機、平板電腦等電. 政治大或日租的方式出租給各地旅客立。邱昰芳(2014)指出 Airbnb 提供的住宿體驗包括合子設備，將家中閒置的房源(可為單個房間或整棟房子)刊登於該平台上，以短期. ‧ 國. 學. 法民宿、觀光旅館、別墅、公寓、套房、樹屋、城堡、私人島嶼、船屋等各類住宿空間，使世界各地的遊客獲得良好住宿服務，並透過網路平台讓一般民眾只要. ‧. 有住宿空間、願意出租，就可上網提供全球遊客選擇，賺取租金，Airbnb 將自己. sit. y. Nat. 定義為一個連接有閒置空間的屋主，與需要空房間的旅客網站 (Zervas et al.,. al. er. io. 2015；楊菡茹，2015)。. v. n. 關於其商業營運模式，就出租及訂房系統而言，Airbnb 為了鼓勵使用者出租. Ch. engchi. i n U. 或預定各地的房源，無論是發佈或預定房源的手續皆十分簡易明瞭，多數步驟已提供選項供用戶勾選即可完成。為了降低交易風險及不確定性，Airbnb 對於交易方式設有安全支付系統，以降低房東與房客因金錢上直接交流所產生的爭議，提供出租服務的過程中，Airbnb 向房客收取 6-10%的費用，並同步向房東收取 3% 的費用。房客預定住宿服務時，透過 Airbnb 支付租金，Airbnb 會在房客入住 24 小時之後，再支付租金予房東(李欣，2015；邱昰芳，2014)，余昌翰(2015)亦表示 Airbnb 有相當完善的第三方支付系統。另一方面，Airbnb相當成功因素在於其建立的信任與安全機制(李欣，2015；余昌翰，2015)。Botsman(2010)表示「信任」是共享經濟模式裡非常重要的元素。 18. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(29) Airbnb 與周邊住宅價格及觀光型旅館收益關係之探討. Airbnb透過身分驗證、評價制度、訊息交流三大管道建立會員間的信任，同時確保交易安全性。Airbnb透過社群軟體如Facebook、Twitter、LinkedIn以身分驗證方式綁定個人相關資料，在資訊接露的情況下，媒合房東及及房客進行資訊交流，藉此建立用戶間的信任感，並可以作為是否出租或入住房源時的參考。在完成交易後，房客與房東均須為該次交易進行住宿服務評價並發布至個人網頁供其他用戶參考。Airbnb的評價制度具有可信度，並將影響用戶信譽，亦可篩選不適當的交易對象，因此能夠促成交易雙方採取謹慎及友善的態度進行交易(Udell, 2016； Bijl, 2016；李欣，2015；余昌翰，2015；楊菡茹，2015；劉韋成，2017)。就訊. 政治大私下交流所導致的詐騙爭議等問題，交易雙方無需使用私人電子郵件進行交流，立. 息交流及安全性而言，Macmillan et al.(2014)表示Airbnb為防止交易雙方因站外或. Airbnb會在交易後提供交易雙方一組站內臨時且唯一的電子郵件地址聯絡。. ‧ 國. 學. Airbnb在全球聘用超過3,000位攝影師拍攝共享房屋空間，提供房客真實地空間情. ‧. 況，並在特定國家推出房東保障計畫，若出租的物件遭房客破壞，Airbnb將為房. y. Nat. 東提供高達100萬美元的損失賠償，以及提供24小時的即時客服。在全球也有著. 整理以上Airbnb相關營運模式文獻，本研究製作下圖:. n. al. Ch. engchi. er. io. sit. 250人組成的信任、安全小組(虛擬世界法規調適線上諮詢會議Part8-Airbnb，2015)。. i n U. v. 19. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(30) 第二章文獻回顧. 出租訂房系統簡易明瞭完善支付系統. 安全維護. Airbnb 營運模式訊息交流. 立. 身分驗證. 治政評價制度大. ‧ 國. 學圖 2-3 Airbnb 營運模式分析圖. ‧. Nat. er. io. sit. (2015)；余昌翰(2015)；劉韋成(2017). y. 資料來源: Botsman & Rogers(2010)；Macmillan et al.(2014)；邱昰芳(2014)；李欣. al. 秉持著良好的營運能力，Airbnb 亦具有卓越的募資能力(Macmillan et.al.,. n. v i n Ch 2014)。Airbnb 的營運規模更已超過《HOTELS》雜誌評比 2014 年全球旅館排名 engchi U 第一名的希爾頓飯店並持續穩定擴大中。. 20. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(31) Airbnb 與周邊住宅價格及觀光型旅館收益關係之探討. 二、Airbnb 共享平台之負面影響 Airbnb 共享平台機制在世界各國巨幅的成長固然帶來效益，提供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)，因此一般被認為是共享經濟發展的成功案例之一。然而在迅速擴張發展的同時也滋生一些問題與矛盾。李欣(2015)提到 Airbnb 面臨了來自政府、周遭住戶等利害關係人的質疑與挑戰。劉韋成(2017)提到 Airbnb 在發展同時所滋生的問題包含:1.Airbnb 係提供房東將其房間交由旅客短期住宿，以各種方式名義提供不特定人住宿、休息並收取費用及其他服務，即有經營旅館業行為；提供不特定人住宿，相對更易. 政治大求等。3.逃避政府相關稅收。4.增加城市居住人口使得空間擁擠。因此其認為共立. 產生公共安全問題。2.對周遭社區、鄰居之安寧、安全等影響；或者增加停車需. ‧ 國. 學. 享經濟模式能否長期發展，需考量外部性並適度規範。在 2014 年，紐約州總檢察長調查 Airbnb 用戶訂房顯示，紐約市有 72％的 Airbnb 上市違反了物業使用和. ‧. 安全規則的私人短期租賃，屬於非法行為，該調查也發現，超過 4,600 名房東在. sit. y. Nat. 紐約市的房源被預訂了一年又三個月。議題討論主要可以被分為四大面向:違法. al. er. io. 性、地理分布與住宅供給衝擊評估、稅務議題及商業型房東(Schneiderman, 2014)。. v. n. 以下關於 Airbnb 所產生滋擾問題的表格引自 Schneiderman(2014)及李欣(2015):. Ch. engchi. i n U. 21. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(32) 第二章文獻回顧. 表 2-3 Airbnb 產生滋擾問題滋擾問題. 意義. 違法性. Airbnb72%的短期租賃行為違反紐約州群租法(New York State Multiple Dwelling Law, MIDL)定義的「永久居住」，於通常情形下除非永久居住者(permanent resident)在出租期間亦與承租人位在同一建築單位中，否則不得於 Class A 住宅內接待停留天數低於 30 天的短期房客；及違反紐約市行政法(New York Administrative,NYCA)，若該建築物並非申請做. 政治大上營運旅館業務，係變更建築使用目的。立. 為旅館使用，則因於接待收費房客的短期租賃行為乃屬實質. Airbnb 在紐約市的房源主要集中在曼哈頓與布魯克林兩大. 供給衝擊評估. 區，共有 44 億美元的收入，佔 Airbnb 全紐約市租金收入的. ‧. ‧ 國. 學. 地理分布與住宅. 97%，房源數共有 33,825 間，佔全紐約市房源的 96%，Airbnb. sit. y. Nat. 短期租賃的房源與租金收入地理分布主要集中在發展快. n. al. er. io. 速、人口稠密區。此外，有近四成的房源每年有超過半年係. v. 出租給他人而非自用，透露 Airbnb 部分房東可能擁有超過. Ch. engchi. i n U. 一處以上的居住地。房東有多間住宅且可藉由 Airbnb 獲取收入，將失去出售或長期租租閒置住宅的誘因，導致可提供長期居住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。稅務議題. Airbnb 大多數房東並未確實完成租金收入的書面資料申報程序，Airbnb 平台本身亦無就交易代為收取任何旅館稅。據統計，若以紐約市所徵收的 5.875%旅館稅計算，紐約市政府應可向 Airbnb 的房東收取總和超過 3 億 3 千萬元的旅館稅，且此金額尚未納入罰金及相關處罰。 22. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(33) Airbnb 與周邊住宅價格及觀光型旅館收益關係之探討. 商業型房東. 商業型房東是指少數房東即掌握私人短期租賃市場上大部分房源、預定及收入。紐約市的 Airbnb 商業型房東雖只佔 6%卻掌控了私人短期租賃房源，超過三分之一私人預定及獲得超過一億六千完美元的租金收入，甚至商業型房東已透過平台將私人短期租賃發展至具有企業規模的事業，並違背了 Airbnb 所秉持的將閒置資源再利用的共享經濟模式。. 資料來源:本研究整理自 Schneiderman(2014)、李欣(2015) Airbnb上述所提及的問題，最直接的是對住宅市場及旅館行業產生影響。. 政治大房價，使住宅負擔能力下降。Zervas et. al(2015)則表示了Airbnb短期租賃行為與立. Udell(2016)、Bijl(2016)等表示了Airbnb對於住宅市場產生了衝擊，推升了租金及. 旅館行業產生競爭，並排擠了其他旅館業的收益。世界各國為了因應Airbnb所衍. ‧ 國. 學. 生的問題，多有相關的管制措施，包括出租天數或稅務的規定等，台灣則尚無明. ‧. 確規範(劉韋成，2017)。下表是引自劉韋成(2017)整理自虛擬世界法規調適線上. n. al. er. io. 表2-4 Airbnb其他國家法規一覽表. 英國. sit. y. Nat. 諮詢會議Part8-Airbnb(2015)各國對Airbnb之法規規範:. 其他國家城市發展. Ch. engchi. i n U. v. 2015 年 3 月廢止有 40 年歷史的舊法，允許倫敦主要自用住宅的短期租賃。. 葡萄牙. 2015 年 3 月，法律允許主要自用住宅的短期租賃。. 法國. 2014 年 3 月，法律允許法國各地主要自用住宅的短期租賃；次要自用住宅的租賃也可以，但是應由各城市決定規則。 23. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(34) 第二章文獻回顧. 2014 年 2 月阿姆斯特丹通過「Airbnb. 荷蘭. 友善法(Airbnb-friendly law)，允許居民以每年最多兩個月，每次最多四人的限制出租自宅。然而房屋所有人必需要繳稅，包含旅遊稅。 2013 年 7 月，法律允許主要自用住宅. 德國漢堡. 的短期租賃。 2013 年 12 月，法院判決准許維多利亞. 澳洲. 立. 州內的各種短期租賃。2014 年 8 月，政治大法律許可昆士蘭州內的各種短期租賃，但是將派對場地排除在外。. ‧ 國. 學. 美國境內包括納許維爾、聖荷西等各. 美國. ‧. 大城市訂立新法，允許個人出租他們. 寓出租30天以下且房東並沒有住在同. n. al. er. io. sit. y. Nat. 的主要自用住宅，而紐約：凡是將公. 一地址的租賃都是違法的。舊金山：. v i n Ch e n g禁止30日內的公寓短租。2015年2月1 chi U 日Airbnb law生效，舊金山的永久居民 (每年至少在該單位居住9個月以上)始. 得提供短期出租、需要登記，註冊有效期限為兩年、須投保至少50萬美元的責任保險。新加坡. 2013 年 9 月 30 發布 Housing & Development Board，禁止 6 個月以下的住宅短租，最高可處 20 萬新幣或 12 24. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(35) Airbnb 與周邊住宅價格及觀光型旅館收益關係之探討. 個月有期徒刑。. 西班牙禁止短租，為保護旅館業者，. 西班牙. Airbnb 在巴塞隆納被處以 3 萬歐元罰鍰，西班牙政府並尋求法源依據遮蔽 Airbnb 網站。西班牙部份地區頒布有 holiday rental 相關法令，允許提供短期出租自宅的服務，但應事先取得當地主管機關的許可。. 治政大資料來源：虛擬世界法規調適線上諮詢會議Part8-Airbnb(2015)、劉韋成(2017) 立 ‧ 國. 學. 由上可知，Airbnb 帶著共享經濟的理念帶來許多正面效益，創造新的房東收入機會、帶動地方經濟等，然其短期租賃行為也產生了一些負面影響，而在面對. ‧. 這些問題，各國雖有立法管制仍無法完整阻卻這些問題的蔓延。. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 25. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(36) 第二章文獻回顧. 三、Airbnb 負面影響相關實證研究針對上述文獻回顧所提及 Airbnb 所帶來之負面影響，本研究將以 Airbnb 私人短期租賃行為產生的問題之相關文獻來做分析。. 針對住宅市場而言，Kim et al.(2016)指出短期租賃行為相對於長期租約有較高額財產權利用價值，短期租賃限制法規鬆綁可能會提高不動產銷售價格，且高密度人口聚集地較低密度有更多擾民問題。Filippas and Horton(2017)以紐約市租賃市場進行實證分析，結果表明屋主能提高房屋租金收益是因有關政策中關乎房. 政治大導致負面外部性轉嫁給其他住戶。Sukel(2016)表示 Airbnb 在阿姆斯特丹的高密立. 屋的使用情形並無明確定義出外部性產生後產權歸屬，且因為沒有外部性市場，. ‧ 國. 學. 度街區擁有許多昂貴的房源。在歐洲無論是價格或是數量的衡量上都是最高的，因為阿姆斯特丹相較於巴塞隆納和柏林等旅遊城市，Airbnb 是最具獲利能力的城. ‧. 市。對此，Bijl(2016)研究了阿姆斯特丹 Airbnb 對於當地房價影響之實證，以住. sit. y. Nat. 宅交易價格點位環域 1000 公尺以內 Airbnb 評論數量來衡量 Airbnb 活動的代理. al. er. io. 變量，研究表示 Airbnb 對於房價有顯著正向結果，每 10000 次 Airbnb 評價，房. v. n. 價會上漲 0.42%，且 Airbnb 同時產生噪音外部性滋擾的問題。. Ch. engchi. i n U. Lazarow (2015)表示在紐約低收入者需要住房。但因為Airbnb允許短期租賃，導致紐約房價上漲致使負擔能力下降，產生租不到房的結果，因此建議Airbnb應該要有收入上限，並透過仔細監測，以防止濫用。Udell(2016)衡量了紐約市Airbnb 對於房價的影響，在住宅交易價格點位300米內的Airbn列表數量增加1％，銷售價格上漲了約0.08％，此外，Udell(2016)亦分析了Airbnb可能影響房價的面向，如圖2-4所示，他認為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，並透過Airbnb進行出租在所有權期間能產生租金收入。這種潛在的租金收入和預期的資本收益可能會吸引投資者購買不供自己使用的住宅並長久地持有， 26. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(37) Airbnb 與周邊住宅價格及觀光型旅館收益關係之探討. 因為通過Airbnb產生的租金收入能夠涵蓋擁有所有權期間所支出的成本。這個機制中將增加對於住房的有效需求，提高房價和租金價格。此外，Airbnb會為當地增加人口，特別是指當地旅遊人口，而富有當地特色的景點則為遊客提供了強大吸引力，因此對地方經濟產生影響增加對當地商品和服務的需求，這可能會導致當地人收入增加，而對於非住宅使用空間需求的增加，使住宅價格上升。然而另一方面，對於公共空間的需求增加以及設施使用量大增，有可能導致的鄰里品質下降，或者是Airbnb客人造成的負面外部性（如噪音、交通和安全問題）可能會導致房價的下降。綜上所述，雖然Airbnb對於房價之影響是雙向的，然而無論是. 政治大人稠，對於空間的需求更為強烈，正向影響應大於負向影響效果。立潛在的租金收入和未來資本收益預期. 學. ‧ 國. 政策應對或理論實證Airbnb對於房價的影響更趨向於正向關係，特別是台灣地狹. ‧. 住房有效需求增加:吸引投資者購買住房單純做 Airbnb 出租. n. al. er. io. sit. y. Nat 遊客及居住人數增加使人口對於空間的需求增長. 負面外部性(安全、噪音增加了對公共物品的需求). 房價上漲. Ch. 空間需求增加. engchi. i n U. 當地鄰里品質下降. v. 房價下跌. 圖2-4 Airbnb對房價影響機制資料來源:Udell(2016). 27. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(38) 第二章文獻回顧. 除了住宅市場，世界各國媒體或政府也思量著Airbnb是否對於旅館行業產生競爭。首先，KMPG表示，40％的酒店通過減少入住率和較低的平均房間價格來回應Airbnb的存在，效果在中下階層旅館尤為明顯。Zervas et al.(2015)分析了 2010~2014年美國德克薩斯州的短期租賃行業對於酒店行業的影響。平均而言， Airbnb列表的每10％的增長將致使酒店每月收入減少0.37％，影響力在較低價格領域的旅館最為顯著，然而對較奢華、高檔的旅館無顯著的影響。另外，此篇文獻也發現季節性對於Airbnb影響力的規模也有影響，特別在旅遊旺季的時候，旅館的訂價能力會受到更多的限制，而Airbnb位於低階和高階旅館影響的差異性主. 政治大而言，Airbnb會成為良好的替代品；但對於商務旅客來說會有更多硬體、軟體上立要是來自不同旅客的需求，對於旅遊有預算限制，不需要有太多設施享受的遊客. 的需求，Airbnb較不會成為他們住宿上的考慮。. ‧ 國. 學. 劉韋成(2017)表示在Airbnb房屋共享行為的發生，會產生一系列的經濟效益，. ‧. 對當地是正面影響時，以正面外部性來看待此事，如：刺激當地經濟、提供社交. sit. y. Nat. 需求、增加收入等；對當地是負面影響時，以負面外部性看待此事，如：噪音、. al. er. io. 安全、心理、公共財需求增加、鄰里質量下降等。而此類的負面外部性主要集中. v. n. 在住宅市場及對於旅館行業的衝擊，國外已有少數文獻分別探討Airbnb與房價之. Ch. engchi. i n U. 關聯或對於旅館營運之影響，然國內對於共享經濟下新創事業如Airbnb的運行仍趨向模糊與保守的態度。為了能更完善地認知到共享經濟浪潮下會導致的負面影響與因應，本研究擬同時探討Airbnb與住宅市場及旅館行業間的關係。. 28. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(39) Airbnb 與周邊住宅價格及觀光型旅館收益關係之探討. 第三節特徵價格法一、特徵價格法理論基礎在不動產價格分析的相關議題大多以特徵價格(hedonic price)理論進行探討。特徵價格理論是透過效用理論，分析某一具有多樣屬性的商品，個其屬性的隱含價格(implicit price)。Waugh(1929)最早利用特徵價格的觀念應用於研究多種蔬菜價格在同一時間上的變化，Court(1939)則將此概念應用於探討汽車價格的差異。 Becker(1965)首先以特徵(characteristics)構成效用函數來檢視住宅市場，即是家戶. 政治大 commodity)。Lancaster(1966)利用消費理論發展出特徵價格分析法(hedonic price 立. 生產函數(household production)，住宅自此被視為異質性商品(heterogemeity. ‧ 國. 學. model)，探討住宅價格與住宅屬性關係，認為財貨可視為多項特徵的組合(bundle)，消費者的偏好受這些特性的種類及數量影響的影響，而決定價格高低。. ‧. Rosen(1974)根據 Lancaster(1966)結合效用理論來新發展出的特徵價格理論指出. sit. y. Nat. 將消費者對每一項特徵願意支付的費用加總，即是其商品的價格，而不同產品的. al. er. io. 價格源於不同的特徵所帶來不同的效用，特徵價格法是用來評測這些特徵對價格. v. n. 的邊際影響，住宅是由許多隱含特徵組成，而這些特徵是決定住宅價格的重要因. Ch. engchi. i n U. 素，而影響住宅價格的重要特徵會因不同住宅、地域、甚至買者不同，此外，探討房屋選擇與特徵間之關係，依照其理論，價格應變數為房屋單價，但若考慮房屋之不可分性，以其總價為價格變數較為妥當。對於房價的實證研究上，Follain and Malpezzi(1980)指出半對數模型對於線性模型有某種程度上的優勢，例如允許每個特徵擁有不同的價值、估計係數可以解釋為一單位特徵的變動造成價格變動的百分比或可以降低變異數不齊一等問題。Colwell and Munneke(1997)亦透過都市地價結構為非線性關係認為半對數形式可極小化異質差異問題，並表達每一個特徵於貨幣價值的變化量等。國內有關應用以半對數型態之特徵價格函數，如 : 林祖嘉、林素菁(1993)；黃佳鈴、張金 29. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(40) 第二章文獻回顧. 鶚(2005)；陳奉瑤、楊依蓁(2007)等。此外，國內文獻如林祖嘉、馬毓駿(2007) 之房價模型，其應變數採用總價模型。. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 30. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(41) Airbnb 與周邊住宅價格及觀光型旅館收益關係之探討. 二、影響住宅價格之因素探討有關影響不動產價格變動之因素，Ridker and Henning(1976)提出住宅是多元性商品之概念，認為可及屬性、住宅實質屬性及住宅品質都是影響住宅價格之因素。而張金鶚、范垂爐(1993)應選取符合風俗民情之解釋變數，使住宅價格估價更為精準。故國外文獻採用的變數不一定為我國影響房價之重要變數。故本研究之變數選取主要參考國內文獻住宅價格特徵模型的重要解釋變數。林秋瑾等人(1996)利用特徵價格法求得住宅屬性的單位價格，估計住宅屬性與住宅價格之關係。實證結果為登記總面積、住宅區位對於住宅價格影響最為顯. 政治大所在樓層的增加，房價也逐漸升高。林祖嘉、洪得洋(1999)利用房廳衛數、所在立著，而所在樓層呈現二次曲線變化。即一樓價格最高，三至五樓價格較低，隨著. ‧ 國. 學. 樓層、主建物比率、使用型態、屋臨、距捷運站距離、行政分區等探討台北市捷運系統與道路寬度對房屋價格之影響。. ‧. 過去探討房價相關多使用建築及區位屬性特徵，林人和(1991)透過至公園距. sit. y. Nat. 離、至市中心距離等可及性特徵、建物屬性(屋齡、樓地板面積等)探討影響台中. al. er. io. 西區與北區的價格因素，發現至市中心距離、至主要道路距離、樓地板面積大小. v. n. 和屋齡對房價影響較顯著。蔡仲苓(2008)以所在樓層、屋齡、建物總樓層、至學. Ch. engchi. i n U. 校距離、至公園距離、至最近捷運站距離、至焚化爐距離等為變數。探討台北市內湖區住宅屬性價格與房價之關係，發現屋齡、距內科距離、捷運站距離等呈現顯著影響。林素菁(2002)變數採用坪數、屋齡、住宅結構、住宅用途、住宅型態、是否有廚房及衛浴設備、以及對現有住宅狀況是否滿意虛擬變數探討台灣地區，傳統上多以特徵性函數方式估計房價函數，並固定住宅品質，卻忽略了不同地區之特徵性不一定相同的狀況，各地區房價可能隨著區域特性發展而影響房價函數的估計參數。李鴻見等人(2006)認為影響房價除了地理空間、面積、樓層、區位外，住宅類型也是相當關鍵的一項因素。吳健宇(2014)採用樓高、屋齡、坪數、衛浴 31. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(42) 第二章文獻回顧. 數、是否一樓虛擬變數、區位構面、時間構面為控制變數，並加入購屋者預期、購屋前搜尋宅數、購屋者年齡、購屋者學歷、購屋者家庭收入等變數衡量購屋者對於住宅成交價格之影響。綜合前述，國內以往在進行價格研究時，大多使用住宅本身、距離市中心或是公共設施距離及區位特徵等作為控制變數，在此加入以住宅交易點位1000公尺範圍內計算Airbnb分布數量來衡量與住宅價格之間的關係探討。. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 32. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(43) Airbnb 與周邊住宅價格及觀光型旅館收益關係之探討. 第四節分量迴歸理論 Koenker and Bassett(1978)提出分量迴歸模型，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，換言之，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。普通最小平方法(Ordinary least square, OLS)作估計的迴歸模型中是建立在因. 政治大. 變數條件分配的平均數上(Kuan，2007)，此方法隱含意義為假定自變數的影響對. 立. 於因變數條件分配的可能差異並不重要，但若自變數會影響到因變數條件分配時，. ‧ 國. 學. 會使估計結果產生偏誤，因最小平方法是在衡量中央集中趨勢位置，無法提供太多分配尾端的資訊，且對於分配尾端的離群值相當敏感，因此樣本為不對稱，採. ‧. 用分量迴歸結果對不同分量的邊際效果解釋較為合理。Zietz and Sirmans(2007). y. Nat. sit. 已表示最小平方估計式只是自變數「平均」地估計因變數的邊際效果，而分量迴. er. io. 歸估計卻是自變數在「特定分位數」估計因變數的邊際效果。. al. n. v i n 廖仲仁、張金鶚(2006)以分量迴歸估計後發現，仲介服務係數在各價格分量 Ch engchi U. 呈現很大的差異且顯著，仲介服務的價格效果，在0.1分量約有4.2%的溢價，0.75 分量以上則約有-5.6%的折價現象。凃雅珍(2007)使用分量迴歸探討嫌惡風水對於房價的影響是否會隨著房屋價位而不同。隨著房價分量的增加，鄰近嫌惡設施的房子折價幅度會顯著地增加。張怡文、江穎慧、張金鶚(2009)將分量迴歸大量運用於大量估價模型分析不動產價格的影響因素差異，實證發現分量迴歸對於高價位及低價位樣本，相較於傳統最小平方法回歸均數的估價模型有較佳的預測力。宋豐荃(2014)採用空間分量迴歸探討不同類型公園對於房價影響的範圍與程度，實證顯示鄰里公園及大公園對不同住宅價格分量的影響並不相同，低單價區間內， 33. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(44) 第二章文獻回顧. 有鄰近鄰里公園的樣本房價較高的機率較大；而高單價區間內，則無顯著差異；高單價區間內，有鄰近大公園之樣本，房價較高的機率較大，低單價區間內則無顯著差異。吳健宇(2014)以分量迴歸模型估計購屋者屬性變數對不同分量成交價格是否有不同程度影響，變數如購屋者的年齡、教育程度、購屋者是否為高收入對房價有正向影響；搜尋宅數、購屋者預期、購屋者是否為中等收入等變數則隨著房屋價位的不同產生的影響也有所差異。. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 34. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(45) Airbnb 與周邊住宅價格及觀光型旅館收益關係之探討. 第五節小結透過上述文獻回顧，Airbnb秉持著共享經濟的宗旨改變傳統經濟消費型態及觀念意識，固然帶來了不少正面效益，然短期租賃行為的房東扭曲了Airbnb一開始之立意，改以商業營運手段進行出租，免不了地帶來一些問題，例如是否使住宅市場負擔的增加並也造成旅館行業的收益排擠或競爭等。故，本研究擬先以特徵價格法來衡量Airbnb與住宅價格之間之關係，在變數選取上多以住宅特徵、距離公共設施距離、區位特徵、時間特徵等作為主要控制變數，以更精準地捕捉 Airbnb與住宅價格間的關係探討。除了住宅市場，亦探討對於旅館行業的競爭，. 政治大. 以一般多元迴歸衡量Airbnb與觀光型旅館收益之關係，再進行分量迴歸更深入探. 立. 討Airbnb與高及低收益旅館關係間程度不同之分析。. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 35. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(46) 第二章研究動機. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 36. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(47) Airbnb 與周邊住宅價格及觀光型旅館收益關係之探討. 第三章研究方法與研究設計第一節研究設計本研究目的探討 Airbnb 與住宅不動產成交價格及觀光型旅館收益關係。先以地理資訊系統軟體(ArcGIS)篩選同年同月住宅交易點位半徑 1000 公尺以內 Airbnb 列表(listing)的數量作為 Airbnb 活動密度之衡量，再透過住宅特、區位特徵及時間特徵為主之半對數總價特徵價格迴歸模型中加入 Airbnb 密度之變數，藉此探討 Airbnb 與住宅成交價格間之關係；另外，以一般多元迴歸衡量 Airbnb 與觀光型旅館收益間之關係，再進行分量迴歸模型分析 Airbnb 與高收益及低收. 政治大. 益觀光型觀光型旅館間之不同影響程度，藉兩者分析 Airbnb 所產生之副作用。. 立. 一、特徵價格迴歸模型. ‧ 國. 學. 本研究目的探討 Airbnb 與住宅不動產成交價格間之關係，根據文獻回顧結. ‧. 果，半對數線性迴規模型為最多學者採用形式。Sirmans et al.(2005)提到半對數. sit. y. Nat. 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. io. er. 質變異的問題，因此本研究以成交總價為應變數的半對數模型進行測試，自變數方面考量一般住宅建物特徵、區位特徵及時間特徵虛擬變數外，並加入地理資訊. al. n. v i n Ch 系統軟體(ArcGIS)篩選同年同月住宅交易點位半徑 e n g c h i U1000 公尺以內 Airbnb 列表. (listing)的數量衡量 Airbnb 活動密度作為自變數。建置模型一如(3-1)式: 𝐼𝐼𝐼𝐼𝑌𝑌𝑖𝑖 = 𝛼𝛼0 + �. 𝑘𝑘. 𝑗𝑗=1. 𝛽𝛽𝑖𝑖 𝑋𝑋𝑖𝑖𝑖𝑖 + �. 𝑘𝑘. 𝑖𝑖=1. 𝛽𝛽 ′ 𝑖𝑖 𝑋𝑋 ′ 𝑖𝑖 + 𝛽𝛽 " 𝐴𝐴𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 + 𝜇𝜇𝑖𝑖. 其中𝑌𝑌𝑖𝑖 為第 i 筆資料成交總價，𝛼𝛼0 為常數項，𝛽𝛽𝑖𝑖 𝑋𝑋𝑖𝑖𝑖𝑖 為第 i 筆資料的第 j 個傳. 統建物特徵屬性，𝛽𝛽 ′ 𝑖𝑖 𝑋𝑋 ′ 𝑖𝑖 為第 i 筆資料的鄰里特徵及時間特徵，𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴 為. 第 i 筆資料下所具有的 Airbnb 活動密度之衡量，𝛽𝛽 " 為衡量 Airbnb 密度之係數，𝜇𝜇𝑖𝑖 為 i 筆資料的殘差項。. 37. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(48) 第三章研究方法與研究設計. 二、多元迴歸模型本研究採用傳統多元迴歸模型(Multiple Regression)探討 Airbnb 與旅館行業收益間之關係，以觀光型旅館平均收益為應變數的半對數模型進行測試，自變數選擇平均訂房價格(Song et al., 2011；林豐政等人，2015)、平均員工人數(林豐政等人，2015)、遊客數(葉家瑜、陳江明，2012)之外，並納入每年每月 Airbnb 列表數量作為自變數。建置模型二如(3-2)式: 𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝑖𝑖 = 𝛽𝛽0 + 𝛽𝛽1 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑖𝑖 + 𝛽𝛽2 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑖𝑖 + 𝛽𝛽3 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑖𝑖 + 𝛽𝛽4 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑖𝑖 + 𝜀𝜀𝑖𝑖. 政治大格，β 為衡量price 之係數；立employee 為第 i 筆平均員工人數，β 為衡量employee. 其中Inrevenuei 為第 i 筆旅館平均收益，β0 為常數項，pricei 為第 i 筆平均訂房價 1. i. i. 2. i. ‧ 國. 學. 之係數；tourist i 為第 i 筆平均遊客數，β3 為衡量tourist i 之係數；airbnblisting i 為. ‧. 第 i 筆 airbnb 數量，β4 為衡量airbnblisting i 之係數；εi 為第 i 筆資料之殘差項。. Nat. y. 三、分量迴歸模型. n. al. (3-3). er. io. yt = x′t βθ + εtθ. sit. 依據 Kuan(2003)文獻所提，分量迴歸模式架構為. i n U. v. 其中θ表示分量，範圍介於 0、1 之間，βθ 為向量參數；εtθ 為對應誤差。 1. Ch. engchi. 𝑉𝑉𝑡𝑡 �𝛽𝛽；𝜃𝜃� = 𝑇𝑇 �𝜃𝜃 ∑𝑡𝑡:𝑦𝑦𝑡𝑡≥𝑥𝑥′𝑡𝑡 𝛽𝛽|𝑦𝑦𝑡𝑡 −𝑥𝑥′𝑡𝑡 𝛽𝛽| + (1 + 𝜃𝜃) ∑𝑡𝑡:𝑦𝑦𝑡𝑡<𝑥𝑥′𝛽𝛽 |𝑦𝑦𝑡𝑡 −𝑥𝑥′𝑡𝑡 𝛽𝛽|� (3-4). (3-4)式為線性模型，其中yt 代表應變數，xt 代表自變數的向量，T 是樣本個. 數，給定權數θ(0 < θ < 1)，以加權的平均絕對誤差估計出第θ個分量迴歸的目. 標函數。若θ等於 0.5，正負誤差權數相等，估計出迴歸模型即為第 0.5 分量之迴歸(亦即中位數迴歸)；而若θ小(大)於 0.5，目標函數正誤差的權數將較小(大)，而負誤差的權數將較大(小)，故此分量乃位於分配的左方(右方)。為更深入了解 Airbnb 在不同旅館收益分位時與旅館收益關係之情形，由模型二進行延伸，以分量迴歸模式建置模型三如下(3-5)式: 𝐼𝐼𝐼𝐼(𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑖𝑖 )�𝛽𝛽；𝜃𝜃� = 𝛽𝛽0𝜃𝜃 + 𝛽𝛽1𝜃𝜃 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑖𝑖 + 𝛽𝛽2𝜃𝜃 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑖𝑖 + 𝛽𝛽3𝜃𝜃 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑖𝑖 + 𝛽𝛽4𝜃𝜃 𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝑖𝑖 + 𝜀𝜀𝑖𝑖𝜃𝜃 38. (3-5). DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(49) Airbnb 與周邊住宅價格及觀光型旅館收益關係之探討. 其中revenuei 為第 i 筆旅館平均收益，θ表示分量，範圍界在 0、1 之間，βθ0. 為對應之常數項，pricei 為第 i 筆平均訂房價格，β1θ 為在θ分位時衡量第 i 筆平均訂房價格之係數；employeei 為第 i 筆平均員工數，βθ2 為在θ分位時衡量第 i 筆平. 均員工數之係數，tourist i 為平均遊客數，βθ3 為在θ分位時衡量平均遊客數之係數； Airbnbi 為第 i 筆 Airbnb 數量，βθ4 在θ分位時衡量衡量 Airbnb 之係數。. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 39. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(50) 第三章研究方法與研究設計. 第二節資料說明與變數選取本研究期間範圍為 2012 年 7 月至 2016 年 12 月，本節將拆分兩大部分，第一部分為探討 Airbnb 與住宅市場價格間之關係，第二部分為分析 Airbnb 與旅館行業收益之關係。在第一部分，以特徵價格模型分析 Airbnb 與住宅市場價格間之關係，首先進行 Airbnb 活動密度變數之定義，接著住宅交易價格作為應變數，自變數部分除了以 Airbnb 活動密度變數作為主要研究標的外，更加入不動產自身特性、區位及時間特徵等控制變數，就其餘下各變數進行說明及定義；在第二部分，先以一般多元迴歸模型分析 Airbnb 與觀光型旅館行業收益之關係，應變. 政治大變數。再進一步以分量迴歸模型探討 Airbnb 對於高低收益旅館不同關係間之規立. 數選取觀光型旅館平均收益，自變數除了 Airbnb 數量之衡量外亦加入其他控制. ‧ 國. 學. 模差異。. 一、 Airbnb 與住宅市場價格關係之探討. ‧. （一）變數說明. sit. y. Nat. io. al. er. 1.Airbnb 活動密度變數. v. n. 為獲取 Airbnb 活動密度變數，須先取得有關住宅不動產交易價格及 Airbnb. Ch. engchi. i n U. 有關之資料。研究期間選取 2012 年 7 月至 2016 年 12 月，不動產住宅價格相關變數來源為內政部實價登錄資料，為避免不動產住宅交易價格相關資料偏誤，刪除缺漏、不合理樣本及異常點，經篩選後，本文共選取 29,350 筆資料，並如圖 3-1 所示，以地理資訊系統軟體(ArcGIS)標示住宅不動產交易點位。. 40. DOI:10.6814/THE.NCCU.LE.007.2018.A05.

(51) Airbnb 與周邊住宅價格及觀光型旅館收益關係之探討. 立. 政治大. ‧. ‧ 國. 學圖 3-1 住宅不動產交易位置分布. y. Nat. Airbnb 有關資訊來源則為 InsideAirbnb 網站 8所提供的台北市各個 Airbnb 列. er. io. sit. 表(listing)以及具評論機制的兩個資料庫，Inside Airbnb 網站並非官方網站，其宣稱是獨立的非營利組織，並和 Airbnb 網站沒有牽涉，關於如何掌握資料，網站. al. n. v i n 上並沒有太詳細的說明，也未表明資料的缺點，但 Zevas et al.(2015)表明由 Inside Ch engchi U Airbnb 所提供的資料具可信度，本研究採用列表(listing)資料庫，其中列表(listing). 資料庫資訊豐富，包含開始出租時間、出租房間類型基本資訊、房東基本資訊、房東每人出租數量、評論數、所在經緯度等資訊。本文研究期間選取 2012 年 7 月至 2016 年 12 月，其中 Airbnb 列表(listing)所屬的資料庫含有 GIS 的位置，然而 Bijl(2016)表示 Airbnb 為了確保房東的隱私，GIS 的位置存在 0-150 公尺的隨機測量誤差(random measurement error)，故除了刪除缺漏樣本外，亦刪除超過台北市界線之樣本，共選取 7,518 筆樣本。並如圖 3-2 所示，以地理資訊系統軟體 8. 由 Murray Cox 透過爬蟲(python)所提供。. 41. DOI:10.6814/THE.NCCU.LE.007.2018.A05.