以網路搜尋點擊次數分析臺北市租屋市場之租金 - 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. 立. 政治大. ‧ 國. 學. 以網路搜尋點擊次數分析臺北市租屋市場之租金. ‧. Analyzing the Rents of Rental Market in Taipei by the Number of Visits on the Website Platform. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 研究生：劉敏指導教授：林左裕博士. 中. 華. 民. 國. 一. 零. 八. 年. 六. 月. DOI:10.6814/NCCU201900568.

(2) 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. DOI:10.6814/NCCU201900568.

(3) 謝誌轉眼間，來到政大已經六年了。從大學時懵懵懂懂的入學，到研究所時期絞盡腦汁終於寫出了一篇自己的研究論文的過程中，我遇到了許多人以及事，也從中學到了很多待人處事以及學習的道理。謝謝在課堂中總是認真教學指導我們的老師們，因為你們的認真教學，我們能夠在課堂上學到很多的專業知識，真正的了解這個科系到底在做甚麼；謝謝王怡文、陳畇錙、許芷涵、劉家伶、趙家涓等我在這段時間遇到的同學以及好友們，你們讓我在政大的這段期間可以看到許多我不足的地方，讓我能夠有機會改善。也感謝你們陪我渡過了在學期間的許多難. 政治大. 關，讓我們彼此能夠一起成長。此外，恭喜大家都通過了重重論文關卡邁向新的. 立. 人生階段，祝福大家未來人生也都能克服種種挑戰順利往前。. ‧ 國. 學. 同時，也要誠摯的感謝指導教授林左裕老師開會時對我們的諄諄教誨以及對我論文方向的引導與教學，讓我在研究生生活中學到很多事情，並可以成功完成. ‧. 這本論文；也感謝徐士勛老師與吳文傑老師在計量方法上的指導教學，使我能夠. y. Nat. io. sit. 順利的完成本論文的實證研究。此外，也謝謝彭建文老師與林哲群老師對我的論. n. al. er. 文提出許多寶貴的意見，使我能夠調整、改善我的論文內容。也在此誠摯的祝各位老師們身體健康、諸事順利。. Ch. engchi. i n U. v. 最後，我要向一直支持我的家人獻上深切的感激之情，謝謝您們願意陪伴我、支持我念完研究所，也謝謝你們容忍我在論文的不順利時發的牢騷與情緒上的焦慮，願意在我的身邊替我加油打氣，讓我終於能夠完成大學以及研究所的學業，真的辛苦您們了!. I. DOI:10.6814/NCCU201900568.

(4) 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. II. DOI:10.6814/NCCU201900568.

(5) 摘要不動產市場與國民的生活息息相關，然而過去研究主要著重於房價之探討與預測，對租金市場之討論較為缺乏，惟現今台灣租屋市場規模已不容忽視，需要社會之關注。此外，過去在進行不動產市場分析時，一般多依據過去落後之統計資訊分析經濟活動，該類資料通常缺乏即時性，無法完全反映不動產市場趨勢。惟現今全世界邁入網路世代，人們進行消費決策前經常會透過網路進行市場資訊之搜尋，且過去便已經有文獻指出透過在模型中納入網路搜尋指標能夠增進對房屋交易價格與成交量的預測能力。故本研究欲探討平均點擊次數與租金之關聯，. 政治大. 以及平均點擊資料是否能夠作為租金之領先指標。. 立. 本研究之資料為臺北市十二個行政區自 2013 年至 2017 年四種租屋類型的. ‧ 國. 學. 租金與租屋網平均點擊次數資料，共 960 筆資料，採用追蹤資料固定效果模型進行分析。研究結果顯示平均點擊次數與租金有正向顯著的關係，且平均點擊次數. ‧. 可以作為租金之領先指標。另外，實證結果亦顯示，平均點擊次數所建立之搜尋. sit. y. Nat. 指標領先程度在整層住家與套房有所不同。綜上所述，納入搜尋指標之租金模型. n. al. er. io. 能使政府透過觀察平均點擊次數的變化，提前發現租金之潛在變動趨勢，使政府. i n U. v. 能夠更有效率的監控租金市場潛在動向、因應租屋市場的變化。. Ch. engchi. 關鍵字：平均點擊次數、租金、搜尋行為、網路大數據. III. DOI:10.6814/NCCU201900568.

(6) 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. IV. DOI:10.6814/NCCU201900568.

(7) Abstract Real estate market is closely related to people’s life. In the past, previous research was mainly focused on the discussion and forecast of housing prices, only a few papers paid attention to the rental market. However, the scale of the rental housing market in Taiwan has gradually expanded over time, which needed the attention from the society. In addition, researchers usually use outdated statistical data while conducting research related to real estate economic activities in the past. However, with the worldwide progress of technology, consumers often search for information through the Internet. 政治大. before making decisions. In addition, there have been reports pointed out that by adding. 立. in online searching indicators in the model can improve the ability to predict housing. ‧ 國. 學. price and the amount of transaction in the real estate market. Therefore, this study is to discuss the relationship between the average visiting numbers of the rental housing. ‧. platform and the rent, and whether the average visiting numbers could be used as a. Nat. sit. y. leading indicator of the rent.. n. al. er. io. By using the average visiting numbers data of Taipei City’s 12 administrative. i n U. v. districts from 2013 to 2017 to analyze housing rent with fixed effect model. The result. Ch. engchi. shows that the average visiting numbers have a positive relationship with the rent, and the average visiting numbers can be used as a leading indicator of the rent. In addition, the empirical results also demonstrate that the searching period’s difference between common residence and suite. In conclusion, by adding online searching indicator in the model can improve the ability of forecasting the trend of housing rent, and enable the government to monitor the rental housing market and also react faster to the change of the rental housing market.. Key words：average visiting numbers, rent, searching behavior, big data. V. DOI:10.6814/NCCU201900568.

(8) 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. VI. DOI:10.6814/NCCU201900568.

(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 第一節搜尋行為與網路大數據........................................................................ 11 第二節不動產與總體經濟分析........................................................................ 18 第三節追蹤資料模型........................................................................................ 23 第三章研究設計與資料說明 ................................................................................... 27 第一節研究設計................................................................................................ 27 第二節資料說明與變數選取............................................................................ 30 第四章實證結果分析 ............................................................................................... 41. 政治大第一節租屋網搜尋指標與租金關係之探討.................................................... 45 立第二節不同租屋類型之租金與租屋網搜尋指標關係探討............................ 50. ‧ 國. 學. 第五章結論與建議 ................................................................................................... 55 第一節結論........................................................................................................ 55. ‧. 第二節建議........................................................................................................ 58 參考文獻...................................................................................................................... 61. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. VII. DOI:10.6814/NCCU201900568.

(10) 表目錄 1 中正區整層住家公寓 2013 年平均點擊次數計算 ................................. 31 2 研究變數統整 ........................................................................................... 38 3 變數敘述性統計 ....................................................................................... 39 1 租屋網平均點擊次數與租金之關係實證估計結果 ............................... 48 2 整層住家租屋網平均點擊次數與租金之關係實證估計結果 ............... 51 3 獨立套房租屋網平均點擊次數與租金之關係實證估計結果 ............... 52. 立. 政治大. 學 ‧. ‧ 國 io. sit. y. Nat. n. al. er. 表 3表 3表 3表 4表 4表 4-. Ch. engchi. i n U. v. VIII. DOI:10.6814/NCCU201900568.

(11) 圖目錄圖 1圖 1圖 2圖 3圖 3圖 3-. 1 全國、臺北市貸款負擔率 .................................... 4 2 研究流程圖 ................................................ 9 1 大數據 5V 概念圖 .......................................... 13 1 台北市各行政區整層住家公寓租金圖 ......................... 33 2 台北市各行政區整層住家電梯大樓租金圖 ..................... 34 3 台北市各行政區獨立套房公寓租金圖 ......................... 34. 圖 3圖 3圖 4圖 4圖 4圖 4圖 4圖 4圖 4-. 4 台北市各行政區獨立套房電梯大樓租金圖 ..................... 35 5 臺北市標準房屋總價 ....................................... 36 1 文山區整層住家公寓租金變動率與平均點擊次數關係圖 ......... 41 2 文山區整層住家電梯大樓租金變動率與平均點擊次數關係圖 ..... 42 3 文山區獨立套房公寓租金變動率與平均點擊次數關係圖 ......... 42 4 文山區獨立套房電梯大樓租金變動率與平均點擊次數關係圖 ..... 43 5 信義區整層住家公寓租金變動率與平均點擊次數關係圖 ......... 43 6 信義區整層住家電梯大樓租金變動率與平均點擊次數關係圖 ..... 44 7 信義區獨立套房公寓租金變動率與平均點擊次數關係圖 ......... 44. 立. 政治大. ‧ 國. 學. 圖 4- 8 信義區獨立套房電梯大樓租金變動率與平均點擊次數關係圖 ..... 45. ‧. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. IX. DOI:10.6814/NCCU201900568.

(12) 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. X. DOI:10.6814/NCCU201900568.

(13) 以網路搜尋點擊次數分析臺北市租金市場. 第一章緒論第一節研究動機與目的一、研究動機現今人們之居住需求主要會透過購屋以及租屋兩種管道來獲得滿足，但由於購屋通常包括投資需求，租屋應更貼近實質的居住需求；且我國也以房租指數作為衡量消費者物價指數的居住指標，因此對於租屋市場資訊的了解是相當重要的一件事，然而過去之研究由於資料限制等因素多集中於對房價之探討。另外，觀. 政治大. 察國內之租屋需求可發現，由於國內近五年的全國房價所得比維持在約 8~9 的區. 立. 間，台北市更是維持在 14~16 之間，凸顯出國內買房已成為沉重的負擔，促使許. ‧ 國. 學. 多民眾在買不起房的情況下需要透過租屋來滿足自身的居住需求；而且，為了配合求學、工作機會的地點，也使部分的民眾偏好租屋而非購屋。依據花敬群、徐. ‧. 銘達於 2015 年對我國實際租賃市場需求的推算結果，可知國內應有約 100 萬戶. sit. y. Nat. 之租屋需求，進而推知國內租屋市場已達一定的規模。同時，近年來租屋爭議、. al. n. 的關注。. er. io. 租金補貼以及房租上升1的議題亦經常被提及，更凸顯了租屋市場需要政府、民眾. Ch. engchi. i n U. v. 然而，觀察國內對於租賃市場之相關研究，由於租賃交易缺乏強制性的登記規定，且房東為了規避稅賦負擔亦不願意主動登記其租賃交易案件，使量化研究在資料取得上受到極大的限制。雖政府試圖透過實價登錄制度使不動產資訊透明化，然而在租屋市場資訊部分，臺北市地政局在 2014 年時便曾指出其所擁有之實價登錄租賃案件資料中承租人主要以法人與外籍人士為主，且資料主要集中在新的住宅大樓2，更是證實了政府所持有之租屋市場資料與實際民間整體租屋市場有一定程度的差異。上述原因造成我國之租賃市場長期資訊都較為缺乏，使研. 1. 依據我國所公布之台北市房租指數表可知，台北市之租金自 2013 年 1 月至 2017 年 12 月自 97.38 持續上漲至 101.00 2 資料來源為臺北市政府之新聞稿《租屋價格有玄機屬性資料告訴你》 1. DOI:10.6814/NCCU201900568.

(14) 第一章緒論. 究人員難以進行相關量化的實證研究。觀乎國內現有的不動產量化實證研究，其資料來源多為政府以及相關私部門，如：房仲業所提供，然而這些資料基本上多屬歷史的統計資訊，使得過去在建置之模型往往有缺乏即時性之問題。又，我國現行針對不動產市場所使用之不動產相關資訊如：營建股股價、國內生產毛額、貨幣供給額等，大多係間接影響不動產市場，或影響範圍極廣，無法完全反映不動產市場趨勢（林左裕，2019）。因此，若能透過納入具有即時性且與不動產更具直接關聯之數據資料應可以更進一步的改善人們對不動產市場的理解。. 政治大以滿足自身生活上的需求，包括網路購物、搜尋資訊等。同時，現今科技日新月立. 隨著網路使用的逐漸普及化，人們大量的透過網路平台進行各式不同的活動. 異，在各式 3C 產品被廣泛應用的情況下，人們幾乎隨時都可以有管道連接到網. ‧ 國. 學. 路，並進行相關操作，這也使得網路上產生了極大量的「數據」。依據 Erevelles. ‧. et al.（2016）每個人在網路上的行為隨時都不停的產出各種即時性、非傳統結構. y. Nat. 性且具有個人行為的資訊，使得研究者們可以透過技術來取得這些與過去傳統不. er. io. sit. 同的大量資訊進行分析。由於這些大量數據的產生，近年來開始有許多學者、業界開始透過分析此類數據資料，以便能夠更加了解人們的行為，並且研究、制定. al. n. v i n 出相關議題的對策。舉例而言，亞馬遜等網路購物平台即曾透過分析透過其平台 Ch engchi U. 購物的客戶所瀏覽之產品以及購物習慣來調整其定價及廣告策略，並改變該使用者之所看到之產品廣告的狀況。現今發達的科技使人們能夠取得許多網路上的即時訊息，並增進對於市場狀況的了解。舉例而言，隨著網路使用的普及以及科技的進步，人們可以透過設計程式「探勘」、蒐集網路資訊，亦即俗稱之資料探勘（data mining）或網路爬蟲技術。同時，藉由分析前述人們透過網路搜尋時所產生之大數據資料，也使得研究者以及其他資料分析者能夠透過這些數據資料，推測網路使用者之行為，做出更加符合當下甚至未來的預測。. 2. DOI:10.6814/NCCU201900568.

(15) 以網路搜尋點擊次數分析臺北市租金市場. 其中，由於不動產交易過程中往往涉及到許多的交易成本；且不動產市場之產品具有異質性、不可移動性與高昂的價格的特性，使搜尋成本、搜尋行為成為過去文獻中重點討論之對象之一。從過去研究可知，消費者在市場上進行決策前，會透過各式管道去了解市場情形，俾利做出最適合的決策。周美伶與張金鶚（2005）便曾研究過購屋之搜尋行為以及期間，透過問卷調查發現購屋者在購屋前平均會花費四個月左右的時間來進行搜尋市場資訊，且頻率以三個月、六個月為主。從經濟學的觀點觀之，搜尋行為的「均衡點」會發生在搜尋行為本身所能帶來的邊際效益等於其邊際成本之時。Beatty and Smith（1987）指出當交易金額越. 政治大之貸款又或是所支付之租金，一般都佔據其薪資極大比例。以內政部不動產資訊立. 大時，消費者越會進行搜尋行為。而人們花費於不動產之消費金額，不論是購屋. 平台所提供之貸款負擔率3觀之，全國之貸款負擔率自 2011 年後約為 30~40%之. ‧ 國. 學. 間，尚符合過去所稱之 1/3 原則4；相較之下，臺北市地區之貸款負擔率於 2010. ‧. 年第二季後便已突破 50%，近年更是維持在高於 60%之水準，這也代表在臺北地. y. Nat. 區購屋貸款者所需支付之每月攤還額已經超過其家戶每月可支配所得的六成，如. er. io. sit. 圖 1-1 所示。另外，台灣勞工陣線近日所發表之《六都基本工資租屋能力及居住環境調查》則透過 591 租屋網之資料探討基本工資與租金之間的關係，該文獻指. al. n. v i n 出全國之租金所得比約為 23.9%，臺北市則高達 58%。從上述文獻可以證實消費 Ch engchi U 者花費於不動產之金額普遍佔薪資的極大比重，且不動產為人們滿足居住需求之重要條件，對於人們之生活品質有著顯著的影響，這也使得消費者在選擇不動產時多會花費較多的精神、心力來搜尋相關資訊，以保障自身的權益。. 3 4. 中位數房價貸款月攤還額/家戶月可支配所得中位數指的是過去在討論每月貸款負擔時，認為每月房貸控制應控制在家庭收入的 1/3 為佳 3. DOI:10.6814/NCCU201900568.

(16) 第一章緒論. 立. 政治大. 圖 1- 1 全國、臺北市貸款負擔率. 資料來源：內政部不動產資訊平台. ‧ 國. 學. 依據 Rae（2014）所述，搜尋行為在不動產市場的重要性是不可被忽略的，. ‧. 但因為受限於資料取得的問題，在過去研究上受到很大的限制。因此該研究點出，. sit. y. Nat. 由於現今多數人為了在有限的時間內搜尋到其所需要的住房，普遍透過網路進行. io. er. 搜尋，讓研究者能夠透過結合相關技術從消費者於網路上所遺留下來之資訊更進. al. v i n Ch 透過 Google Trends 之搜尋資訊建立房價與交易量之預測模型，發現加入搜尋指 engchi U n. 一步的了解潛在的消費者之搜尋行為。Wu and Brynjolfsson（2015）則更進一步. 數之模型對於預測未來房屋交易之價格與數量有明顯的幫助。由於過去的資料來源大多是由特定機構進行整理後釋出，不但非第一手資訊也缺乏即時性。相較之下，大數據資料具有 Volume（量）、Velocity（速度）、 Variety（多樣性）、Veracity（真實）以及 Value（價值）的特性（Demchenko et al.，2013），能夠提供大量、快速、不經主觀篩選的原始資料，對於研究者而言，是研究資料上之重大突破。因此本研究希望探討租屋網後臺的點擊次數數據資料與租金之關聯，以及其是否可作為租金之領先指標，使政府能夠更即時的了解、監控租金市場潛在動向，進而能夠快速的因應租屋市場的變化。 4. DOI:10.6814/NCCU201900568.

(17) 以網路搜尋點擊次數分析臺北市租金市場. 二、研究目的 (一)建立納入具有即時性的網路搜尋指標之租金預測模型，期能改善模型對於未來之預測能力，並能更加準確的預測租金發展。 (二)探討租屋網搜尋指標是否可作為租金之領先指標，若可作為領先指標，再更進一步探討租屋網搜尋指標在不同類型之租屋住宅之領先程度是否不同。. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 5. DOI:10.6814/NCCU201900568.

(18) 第一章緒論. 第二節研究方法與範圍一、研究方法為了瞭解消費者透過網路搜尋之平均點擊次數資訊對於租金之影響，以及平均點擊次數資訊是否可以作為租金之領先指標，本研究取得國內 591 租屋網所提供之 2013~2017 年臺北市各行政區之季度租金資料以及各地區之平均點擊次數資訊。本研究擬透過將各行政區之點擊次數除以該季之總租賃總刊登數，得出每件刊登物於各行政區之平均點擊次數作為網路搜尋之指標。再透過追蹤資料模型. 政治大探討不同行政區、時期之平均點擊次數資訊對於租金之影響。立. （Panel Data）之建立，控制其他變數後，利用固定效果模型（Fixed effect model），. ‧ 國. 學. 二、研究範圍. 本研究欲分析臺北市租賃網頁之平均點擊次數資訊與租金之關係。本文之研. ‧. 究範圍主要分為時間範圍與空間範圍來進行界定。時間範圍部分，研究期間為. y. Nat. sit. 2013 年 1 月至 2017 年 12 月，研究資料以季為單位，共 20 季資料。空間範圍則. n. al. er. io. 以臺北市 12 個行政區為實證之範圍。另外，由於本研究在研究對象方面將區分. i n U. v. 為「公寓類型整層住家」、「電梯大樓型整層住家」、「公寓類型套房」、「電. Ch. engchi. 梯大樓型套房」四大類型進行討論，故資料筆數總計為 960 筆資料。. 三、研究限制本研究擬納入租賃網頁之搜尋指標，並以總體經濟面向來分析平均點擊次數資訊與租金之關聯，研究限制如下： (一)租賃網頁限制國內提供租賃物件刊登之租賃網並非僅限於 591 租屋網，因此人們在進行搜尋相關租賃資訊時，所使用之網路平台不一定為該租屋網平台，故必然有部分資訊無法被取得。然而，由於該租屋網平台自 2007 年建立，於臺北 6. DOI:10.6814/NCCU201900568.

(19) 以網路搜尋點擊次數分析臺北市租金市場. 市與新北市長期經營租賃物件刊登之業務，至今已經累積了極大量之租賃物件之相關資訊，以及消費者使用上之知名度，許多國內之相關不動產租賃之相關研究也經常以該平台所提供之資訊作為基礎，故本研究認為該平台之資訊已經在臺北市具有一定之代表性。 (二)搜尋指標限制依據 Rae（2015）年指出，網路搜尋行為雖然可以做為了解消費者行為的指標，然而在網路上所進行的搜尋行為，並非全部皆是實際具有消費需求者，同時包括了因好奇、專業上需求以及想理解該市場的搜尋者。而本研究. 政治大. 所使用之平均點擊次數資訊無法辨別出實際具有消費需求之搜尋資料，故在. 立. 使用上會有其限制。. ‧ 國. 學. (三)時間年期限制. ‧. 本資料之研究期間為前述之 2013 至 2017 年，由於本研究之資料取自國. sit. y. Nat. 內 591 租屋網，該平台雖於 2007 年即已經建立，然而網頁成立後會有一段. io. er. 資訊較為不穩定之時期，若使用此類資料在研究上易會產生嚴重的偏誤問. al. v i n Ch 穩定，在研究上才較具代表性。故在經過與對方公司洽談後，認為資料進入 engchi U n. 題。又，網頁建立後須經過一段時間，平台之知名度以及使用情形才會較為. 穩定期係於 2013 年之後，因此本研究資料之研究期間僅能涵蓋前述之五年作為研究之時間範圍。. 7. DOI:10.6814/NCCU201900568.

(20) 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，說明研究平均點擊次數資訊與租金之關聯的動機、目的，以及範圍與限制。第二章文獻回顧，首先說明大數據資料在過去文獻中之應用以及與不動產之關聯。第二部分回顧過去房價與租金之關聯以及相關模型之建置，最後再回顧過去追蹤資料模型（Panel Data）之理論及相關文獻。第三章研究方法與研究設計，將說明本研究所使用之追蹤資料模型（Panel Data），以及根據過去文獻所決定之變數之意義及其敘述性統計。第四章為實證. 政治大章結論與建議，針對本研究研究之結果進行說明，提出對於政策以及後續研究之立分析，透過上述之研究方法與資料進行實證分析，得出本研究之實證結果。第五. 建議。而研究流程圖如下頁圖 1-2 所示：. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 8. DOI:10.6814/NCCU201900568.

(21) 以網路搜尋點擊次數分析臺北市租金市場. 立. 政治大. ‧. ‧ 國. 學. Nat. y. 圖 1- 2 研究流程圖. n. er. io. al. sit. 資料來源：本研究自行繪製. Ch. engchi. i n U. v. 9. DOI:10.6814/NCCU201900568.

(22) 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/NCCU201900568.

(23) 以網路搜尋點擊次數分析臺北市租金市場. 第二章文獻回顧本章將分為三大部分進行文獻回顧，第一部份回顧搜尋行為與網路大數據相關文獻，第二部分則針對過去不動產與總體經濟相關文獻進行回顧，最後則會回顧追蹤資料模型（Panel Data）之相關文獻。. 第一節搜尋行為與網路大數據一、搜尋行為之意涵. 政治大為該行為在不動產市場的重要性相較於其他市場更為顯著，因不動產市場的產品立消費前的搜尋行為在房屋市場中一直是一項重要的議題，Cornin（1982）認. 具有異質性且價格高昂5。該文章先假設消費者係追求最大效用的理性消費者，. ‧ 國. 學. 透過模型的建立，發現搜尋行為與預期報酬、搜尋成本6、家戶收入以及種族有顯. ‧. 著的關聯。依據周美伶與張金鶚（2005）所述，搜尋行為係一種目標導向的活動，. y. Nat. 消費者透過資訊獲取的過程了解市場情形，進一步依據所蒐集到的資訊做出決策。. er. io. sit. 而 Rae（2015）亦指出搜尋行為係一種具有目的導向的活動，消費者透過繁雜的過程取得來自不同管道的資訊，搜尋者本身永遠無法知道所有的可能性，且其搜. al. n. v i n 尋行為會受到搜尋之成本的限制，無法無限制的進行搜尋行為。Nelson （1970）、 Ch engchi U Stigler（1961）則點出以經濟學的觀點觀之，消費者為了做出最適的決策，會進行搜尋行為直到搜尋行為所帶來的邊際效用等於邊際成本時。消費者在進行決策前，通常會透過在市場上的搜尋行為來了解市場資訊，以降低市場上的不確定性做出最適的決策。Rae（2015）以及廖則俊等（2005）便指出消費者為了在有限的時間內做出適宜的消費決策，僅能進行有限制的搜尋行為，而在網路普及化後，由於搜尋成本下降，因此消費者能夠進行更多的搜尋行. 5. 該文章中點出，對於絕大多數消費者來說，不動產之價格是他們最大金額的消費，且對於不動產所有權人而言，其不動產是其最大的資產。 6 該文章以交通方式以及資訊取得來源為主要的搜尋成本指標，發現當交通方式或資訊來源之成本較低時，消費者更願意進行搜尋行為。 11. DOI:10.6814/NCCU201900568.

(24) 第二章文獻回顧. 為來提升消費者購買選擇的品質。Nelson（1970）、Beatty and Smith（1987）亦點出消費者的搜尋行為對於消費決策有著顯著的影響。國內周美伶（2005）便曾提出房屋市場屬於不完全競爭市場且價格高昂，同時，購屋又是家戶或個人的重要購買決策，因此消費者會透過先在市場上搜尋相關訊息來降低不確定性。除此之外，Rae（2015）也表示房屋市場上的消費者搜尋行為長期以來一直是研究的重要主題，但由於過去因為缺乏相關資料因此在研究上受到極大的限制。惟近年來隨著大數據資料的出現，使研究者可以突破過去缺乏相關資料所受到的限制，從網路數據資料中取得可以代表消費者搜尋行為的. 政治大一、網路大數據之意涵立指標進行研究。. ‧ 國. 學. 隨著科技進步以及網路的使用普及化，大數據（Big Data）近年來成為學術、科技領域的新潮字眼（Buzz word），又被稱為巨量數據。該詞彙最早由 IBM 於. ‧. 2010 提出，在這之後顧能公司（Gartner）之分析師以數量龐大、多樣性以及速度. sit. y. Nat. 快三個面向來解釋大數據7。在 2012 年《紐約時報》所刊登之「The Age of Big. al. er. io. Data」一文中，除了點出全世界已經進入了大數據時代外，同時強調了大數據在. n. 強化學術研究上之可能性與改善商業決策上的重要性。. Ch. engchi. i n U. v. 依據國際數據公司（IDC）的資料，全世界於 2011 年所生產的數據量約 1.82ZB，並預估在 2020 年時，全世界所產出的數據量將到達 44ZB。由上述資料可以得知數據量的增加速度十分驚人，已經到達每兩年增長一倍以上的速度；此外，大數據資料在領域的多元性上不停地被擴充。過去在解釋大數據資料時，通常會以「3V」或是「5V」來解釋。Demchenko et al.（2013）在解釋大數據時，便透過「5V」來解釋大數據與過去傳統的資料之差異。所謂的「5V」所指的是 Volume（數量）、Velocity（速度）、Variety（多. 7. 此為 Gartner 公司首席資料分析師的 Doug Laney 在 2012 年對於大數據之解釋，認為大數據是具有大量、快速以及多樣性之資訊，需要透過新型式的信息處理方式才能夠用於改善決策能力與洞察力。 12. DOI:10.6814/NCCU201900568.

(25) 以網路搜尋點擊次數分析臺北市租金市場. 樣性）、Veracity（真實性）和 Value（價值），其概念如圖 2-1 所示。大數據資料與過去傳統資料相比，具有高速、大量的特性。又，在多樣性方面，過去傳統的資料主要是由蒐集資料者透過調查、訪談等方式取得，以結構性資料為主；然而大數據資料則主要是由各個網路使用者在使用網路時所留下的數據資訊所構成，同時包括了結構性與非結構性的資料8，資料來源更加的廣泛。除了上述特質外，由於大數據資料一般所呈現的是網路使用者在使用網路時所留下的第一手資訊，未經過其他人主觀的整理、判斷、分類，因此可以呈現出網路使用者最真實的情況。這也使得大數據資料可以提供許多過去因技術限制而無法取得之細節資. 政治大. 訊，在學術研究、企業使用上具有高附加價值。. 立. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 圖 2- 1 大數據 5V 概念圖資料來源：Demchenko et al.（2013）. Erevelles et al. （2016）則以 Volume（數量）、Velocity（速度）、Variety（多樣性）來解釋消費者大數據資料。該文獻點出消費者大數據之資料量增加的速度隨著網路使用的日漸普及化而不停快速的上升，且相較於以往傳統普查資料更具. 8. 非結構性資料包括文字資料與非文字資料，前者如部落格的文字資訊，後者包括影音、影像等。 13. DOI:10.6814/NCCU201900568.

(26) 第二章文獻回顧. 有即時性。另外，該文獻亦點出大數據資料的出現促使人們的資料不再僅限於傳統結構性資料，更包含了非結構性資料，如：影音、照片等。該研究點出大數據革命使得研究者、企業決策者能夠獲取即時的消費者行為大數據。藉由分析這些大量、快速且具有多樣性的數據提升了對於消費者行為之理解，企業決策者亦可更進一步的將資訊轉化為其企業之市場優勢。綜上所述，可以推知網路大數據係一種與過去傳統資料有著明顯不同的新型資料類型。而這些不同主要表現在上述 Volume（數量）、Velocity（速度）、Variety （多樣性）、Veracity（真實性）和 Value（價值）五大面向，也由於這些特質，. 政治大. 研究者可以取得更為原始且接近消費者實際行為之資料，進而使研究者有機會去進一步了解其消費行為。. 立. ‧ 國. 學. 二、搜尋行為與網路大數據之應用. 過去，Goel et al.（2010）、Choi and Varian（2012）皆曾點出消費者購買行. ‧. 為前搜尋行為的存在，而 Nelson（1970）、Beatty and Smith（1987）則進一步點. sit. y. Nat. 出消費者之搜尋行為對於其最終的購買決策有顯著的影響。依據上述文獻，筆者. al. er. io. 認為可以推測由於消費者在進行消費決策前，經常會透過搜尋行為降低市場上的. v. n. 不確定性，故應可透過辨別出消費者之搜尋行為來預測當期或是未來的交易行為。. Ch. engchi. i n U. 此外，依據國發會 2017 年之個人家戶數位機會調查報告中所述，我國之網路使用率已經達到 82.3%；當中，臺北更是高達 87%。同份報告中亦指出我國民眾歷年會透過網路搜尋相關價格資訊的比例約有六至七成；台灣網路資訊中心之使用網路目的調查亦顯示出透過網路進行購物行為之民眾已有一定之比例，因此本研究認為國內消費者透過網路進行消費前的搜尋行為機率頗高。近年來，隨著網路使用越來越普及，學界開始透過將網路之搜尋指標納入模型中來改善模型的解釋能力。Ettredge et al.早在 2005 年便發現可以透過網路搜尋詞來預測準確的失業人數統計資訊。隨後，許多文獻也提出透過大數據分析可以更進一步的了解消費者的行為模式，如：Erevelles et al.（2016）便曾指出透過 14. DOI:10.6814/NCCU201900568.

(27) 以網路搜尋點擊次數分析臺北市租金市場. 分析大數據資料可以使企業更了解消費行為，進而提升其企業的優勢。過去文獻中，許多研究者透過 Google Trends 之搜尋關鍵字建構相關搜尋指標，納入模型中用以預測現在或是未來趨勢。Choi and Varian（2012）便指出現今社會如 Google、MasterCard、Federal Express 等公司皆擁有較具有即時性的資料來源。該文獻以 Google Trends 關鍵字建立搜尋指標，發現納入 Google Trends 搜尋指標的模型對於預測短期經濟趨勢是十分有幫助的。該文獻以 Google Trends 不同類型的搜尋指標成功建立了汽車銷售量、失業津貼、旅遊地點、消費者信心之時間序列預測模型，發現納入搜尋指數的模型對於預測當期（Nowcasting）具. 政治大在經濟活動的預測方面，Vosen and Schmidt（2011）建立了 2005~2009 年之立. 有顯著的效果。. 消費預測模型，該文獻以 Google Trends 搜尋指標建立時間序列模型，並將該模. ‧ 國. 學. 型與依據傳統密西根大學的消費者情緒指數、美國經濟諮商會（Conference Board）. ‧. 發表的消費者信心指數所建立的模型進行比較，發現加入搜尋指標的模型之預測. y. Nat. 力明顯較佳。McLaren and Shanbhogue（2011）也曾經點出隨著大數據的產生，. er. io. sit. 使得研究者、企業可以透過消費者搜索耐用品的資訊來了解耐用品的需求變化。該文獻同時指出由於面臨失業者會透過網路來搜尋相關失業救助與搜尋新工作，. al. n. v i n 因此透過觀察特定網路關鍵字C ，可以監控勞動力市場。除此之外，Goel et al.（2010） hengchi U 9. 亦曾透過關鍵字搜尋指標所建立之時間序列模型來預測電影開幕週末票房收入、電子遊戲第一個月銷售額以及 Billboard Hot 100 排行榜上的歌曲排名，發現關鍵字搜尋指標在該些模型中有顯著的解釋能力。除了經濟面向外，網路大數據亦被應用在疾病監測方面，Althouse et al. （2011）為了預測登革熱發病情形，透過新加坡衛生部與泰國流行病學局之資料，檢測網路搜尋資料和流行病之關係。而該文獻證實在模型中納入 Google Flu Trends 之搜尋指標，對於改善預測結果有著顯著的效果。Goel et al.（2010）則透. 9. 該文獻發現「失業」、「JSA」（求職者津貼的首字母縮寫）是用以觀測勞動市場的良好搜尋關鍵字指標。 15. DOI:10.6814/NCCU201900568.

(28) 第二章文獻回顧. 過關鍵字搜尋指標發現流感（flu）、感冒（cold）與該州的流感病例有著顯著的相關性。在不動產方面，Rae（2015）點出過去因為缺乏資料，因此在研究消費者行為上有其限制，然而，隨著大數據資料的出現，使得研究者能夠取得豐富的資料來研究消費者的搜尋行為。該文獻使用英國最受歡迎的線上不動產市場網站 rightmove.co.uk 之搜尋資料，探討因為搜尋行為的改變，購屋之次市場區隔方式，並繪製出搜尋熱區。McLaren and Shanbhogue（2011）則透過線上搜尋指標來檢視英國住宅市場，該文獻指出，由於不動產市場的買賣雙方皆會透過網路來觀察. 政治大立，該文獻證實不動產價格與「房仲公司」之關鍵字的搜尋指數有顯著的關聯。立市場的狀況並宣傳不動產，因此網路搜尋與不動產市場狀況有關，透過模型的建. Wu and Brynjolfsson（2015）便曾談及過去社會科學研究較著重於改善研究. ‧ 國. 學. 方法以預測未來社會、經濟的趨勢，然而隨著科技提升與大數據資料的出現使研. ‧. 究者可以對大量、即時、詳細且多元的資料進行分析，更能捕捉到消費者行為的. y. Nat. 相關訊息。本文先建立時間序列基礎模型，再建立以 Google Trends 所建立之不. er. io. sit. 動產搜尋指數10，定義適當落後期，最後將有搜尋指數的模型與基礎模型進行解釋力的比較，證明了前者的解釋能力較佳。同時，該文獻將納入搜尋指標的模型. al. n. v i n 與外部其他機構之預測結果進行預測能力的比較，證實在預測當期以及未來購屋 Ch engchi U 成交量與價格指數的模型中納入搜尋行為指標，比起過去美國房仲協會（National. Association of Realtors）所提供的預測資訊更為準確。林筱真（2016）則曾經透過出現在新聞媒體上的特定字串來判斷不動產市場的氛圍，並發現新聞情緒與不動產市場參與者心理預期以及房價都有著顯著的關聯性。綜合上述，可以發現現今網路搜尋大數據已經在許多面向被用來預測現在（Nowcasting）或是未來的趨勢，且納入搜尋指標的模型對於改善原本依據傳統統計資料之預測結果有著良好的效果。本研究認為可以由上述文獻推知人們透過 10. 本文所選用的 Google Trends 搜尋指標主要以不動產搜尋類別中的不動產仲介（Real Estate Agencies）以及上市房地產（Real Estate Listing）兩種進行搜尋指數的建立。 16. DOI:10.6814/NCCU201900568.

(29) 以網路搜尋點擊次數分析臺北市租金市場. 網路搜集訊息所需之資訊已經成為明顯的趨勢，且由於居住議題一直是受到許多人關注的重點之一，本研究希望能夠透過網路搜尋大數據實際了解臺北市的租金狀況，更進一步了解租賃市場。. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 17. DOI:10.6814/NCCU201900568.

(30) 第二章文獻回顧. 第二節不動產與總體經濟分析過去許多研究皆證實了總體經濟因子對於不動產市場有明顯的影響，為了討論租屋網之平均點擊次數與租金之關係，需先了解並選擇適當之控制變數來控制其餘可能影響租金之總體經濟因素。然而，過去關於租金的文獻主要集中於探討影響租金之個體經濟模型，如：Leung and Yiu（2018）便曾探討屋齡、樓層、窗戶、廁所等因素對於香港分租住宅租金的影響；Babalola et al.（2013）則以屋齡、是否供水、電、廁所以及大學區域和房租的交成項來探討租金；林祖嘉（1989）、. 政治大劉代洋（1999）則是建立了半對數與雙對數特徵價格模型，並以住宅實體特徵、立 Chia and Lin（1993）亦透過影響房價之特徵價格因子討論房租的金額；李馨蘋與 11. 品質特性12、可及性變數13等指標作為討論影響租金之因素。. ‧ 國. 學. 有鑑於過去討論總體經濟與不動產市場關聯時，一般多集中討論房價與總體. ‧. 經濟之關聯，租金部分文獻相對較少。僅少數文獻如：Potepan（1996）、彭建. y. Nat. 文與張金鶚（2000）以及彭建文（2004）在討論租屋之供給與需求時，曾從總體. er. io. sit. 經濟之面向討論供給、需求函數以及租金。首先，Potepan（1996）透過住宅服務、住宅資本以及土地市場來解釋房價、租金以及土地價格，文章中指出影響租. al. n. v i n 屋需求的因素為：租金、所得、家戶成長、寧適性以及其他財貨價格；影響租屋 Ch engchi U 供給之因素則為：租金、房價、貸款利率、稅率以及預期資本利得。. 彭建文與張金鶚（2000）隨後指出租賃市場所提供的是純粹的住宅服務，而租金係消費該服務之價格，並指出租屋需求主要係受租金、所得以及家戶成長等因素影響，而租屋供給則會受到租金、房價以及預期景氣的影響，該文並以實證結果證實租金會受到房價、所得、家戶成長以及預期景氣之影響。而彭建文（2004）則指出租金、所得、家戶數、遷徙率以及預期景氣係影響租屋需求之因素，而租. 11 12 13. 包括住宅結構、類型、用途、屋齡、房間數、廳數、面積、廚房、浴室、廁所等包括建材品質、格局以及採光之滿意度以及有無漏水等包括到學校、市場以及其他滿足生活機能之設施的距離指標 18. DOI:10.6814/NCCU201900568.

(31) 以網路搜尋點擊次數分析臺北市租金市場. 金、房價、住宅存量以及預期景氣則為影響租屋供給之因素。同時，該文獻並以 1980 年至 2001 年台灣地區 22 縣市作為實證研究之範圍，透過模型之建立進一步證實影響租金之因素為房價、住宅存量、預期景氣以及家戶數。此外，該文章亦點出考慮物價之變動對於模型頗為重要，將變數先進行物價之調整能使模型結果更符合理論預期。除了上述兩篇文章外，陳立文等（2016）在探討可負擔住宅、中國公共住房的租金定價時，也曾納入較為總體之面向進行考慮。惟本研究係討論一般市場性租金，因此較不適合使用中國公共住房租金或一般可負擔住宅之租金之定價模型。. 政治大氣面三大面向探討影響租賃市場之因素，建立租賃市場之警情指標，該文獻以薪立. 另外，在近年之研究中，簡嘉嫺（2018）以租賃市場之需求面、供給面、景. 資所得、人口指標、屋齡、房價指數、地價指數、貸款負擔率、房價所得比、物. ‧ 國. 學. 價指數等指標來探討租賃市場。. ‧. 又，以不動產估價之角度來看，租金即不動產的長期收益，可以透過收益法. y. Nat. 還原得出不動產之收益價格，故可得知租金與房價有著密切的關聯，許多影響不. 經濟模型進行修正後來架設租金與總體經濟之模型。. n. al. 一、房價與總體經濟 C h e. ngchi. er. io. sit. 動產價格之總體因素應同時對不動產租金產生影響。因此，本研究擬以房價總體. i n U. v. 從過去文獻中，可以得知不動產市場與總體經濟息息相關，國內吳森田早在 1994 年便指出房價會受到所得、金融及貨幣因素14、供給成本因素15等總體經濟因子影響。該文獻指出貨幣供給額、房屋增值率以及供給成本因素對房價呈正向影響；但家戶數以及其恆常所得與房價卻呈反向關係，作者指出此結果可能是因為該研究之實證期間係房價飆漲期間，家戶所得的提升程度在該階段與房價之飆漲程度不成比例所造成。彭建文（2004）則認為影響房價的因素包括所得、租金、預期景氣等。張誌 14 15. 包括貸款利率、貨幣供給額等該文獻以實質地價指數以及房務建築費用指數來代表此因素進行實證 19. DOI:10.6814/NCCU201900568.

(32) 第二章文獻回顧. 文（2011）則透過景氣、利率、失業率、薪資、貨幣供給等總體經濟因子來探討臺北縣市房地產價格上漲之議題。林左裕與程于芳（2014）透過模型的建立發現經濟成長率、通貨膨脹、貨幣供給額、租金年增率、營造業股價指數等總體經濟因子對於房價有顯著影響。林筱真（2016）則以民間消費金額、購屋貸款利率、人均國內生產毛額與買賣移轉登記棟數來解釋房價。國外也有許多文獻探討總體經濟因子與不動產市場之關聯，如：McCue and Kling（1994）以及 Darrat and Glasock（1993）亦曾經透過總體經濟因子探討不動產投資的報酬，前者探討了不動產投資信託報酬與消費者信心指數、短期名目利. 政治大政策可以有效率的了解不動產市場，且不動產市場與財政政策有顯著關係。立. 率等總體經濟因子之關聯；後者則指出透過工業產出、利率、風險溢價以及貨幣. 除上述文獻外，國外也有探討總體經濟因子與房價關聯之研究，如：Aoki et. ‧ 國. 學. al.（2004）發現房屋除了是提供消費者住房服務之財貨外，同時也常作為抵押品，. ‧. 因此使得房價會受到家戶消費和貨幣政策之影響。Goodhart and Hofmann（2008）. y. Nat. 並進一步指出廣義貨幣、信貸、利率等總體經濟因子會影響房價。Beltratti and. er. io. sit. Morana（2010）則曾透過研究 G7 地區16房價與總體經濟因素之關係，指出兩者彼此會互相影響。該文獻透過實質 GDP 增長率、私人消費與投資、長期與短期. n. al. i n 利率、名目貨幣增長率、匯率等因素來解釋房價。 Ch engchi U. v. 綜上所述，可以得知房價與總體經濟間有顯著的關聯，而所得、貨幣供給、. 利率、家戶數、租金、經濟成長率、民間消費金額等總體經濟因素指標皆可以作為可能影響房價之變數。又，由於租金與房價的密切相關，本研究擬將透過上述影響房價之總體因素模型所使用之變數進行調整後，架設租金與總體變數之模型。. 二、房價與租金房屋之租賃與購買之行為皆屬消費者為滿足自身居住需求所進行之消費行為，兩者皆會受到總體經濟之影響。又由於租屋與購屋之間具有一定程度之替代. 16. 指的是加拿大、法國、德國、義大利、日本、英國、美國七國 20. DOI:10.6814/NCCU201900568.

(33) 以網路搜尋點擊次數分析臺北市租金市場. 性，且房屋價格高昂又具有耐久性與不可分割性，這使得家戶為了滿足租居住需求，需在有限的所得中進行租或買的決策（林祖嘉，1989）。另外，依據曾建穎等（2005）所述，房價與租金間的關係可以透過資本還原率來解釋，其概念即過去傳統收益法將不動產之未來長期收益透過資本還原率來折現出收益價格。Gallin（2008）則表示房價與租金在一般情形下是具有明顯關聯的，可以將房價透過名目利率、財產稅率、邊際所得稅率以及維護和折舊率調整後得到租金。張金鶚等（2009）也以房租收益所還原之價值做為資產價格的基值17，認為可以透過房價租金比來觀察房價泡沫化之情形。同時，該文獻亦點出. 政治大進而影響到租金。陳健彬（2013）以投資面觀察，點出房地產之收益來源主要來立當房價過高時，會造成購屋者負擔能力下滑，因此購屋者可能會轉變成租屋者，. 自於資本利得與租金收入，因此對於投資人而言，房價與租金之間的關係對投資. ‧ 國. 學. 決策的訂定有著顯著的影響，而該文獻透過模型的建置證實了亞洲多數國家房價. ‧. 與租金皆有明顯的互相影響關係。. y. Nat. 彭建文（2004）探討租賃市場時，點出自有住宅市場與出租市場間應具有相. er. io. sit. 當程度的替代性，該文獻認為租金與房價間的互動關係可由住宅租買選擇與住宅租賣選擇來解釋，前者指的是當其他條件不變，由於房價上升會使購屋需求減少. al. n. v i n 而租屋需求增加，將推升租金；而後者則代表當其他條件不變，房價上升將使自 Ch engchi U 有住宅供給增加，出租住宅供給減少，進而使租金上升。因此，該文獻指出，租. 金與房價以及所得與租金間皆呈正向關係。最後，該文獻建立了房價與租金之模型，證實租金與房價之間彼此會互相影響，且房價對租金的影響較租金對房價之影響明顯。而在租金模型的部分，發現影響租金的因素包括：家戶數、房價、住宅存量以及預期景氣等，惟該文獻亦點出租金可能會受到其他總體經濟變數的影響，但該文獻僅以結構改變來處理，故本研究擬在選擇模型控制變數時，對可能影響租金之總體經濟因子進一步進行篩選。又，在該建立之租金與房價模型中，. 17. 該文獻將資產價格分為基值（fundamental value）以及資產泡沫兩部分 21. DOI:10.6814/NCCU201900568.

(34) 第二章文獻回顧. 可以發現該文獻所放之變數雷同，故本研究由此推知總體經濟影響租金與房價之因素應類似。綜上所述，過去眾多文獻皆證實了房價與租金有著密切的關聯，許多實證結果皆證實了房價與租金之間會互相影響，且租金係房價之基本面。因此，依據彭建文（2004）所建立之模型，以及上述房價與租金間的關聯性，筆者推測許多影響房價之總體因素亦將同時成為影響租金之因素。. 三、小結綜整前述文獻之內容，可以得知不動產市場與總體經濟有著密不可分的關係，. 政治大同樣密切，就如同 Potepan（1996）、Gallin（2008）、簡嘉嫺（2018）所述，立不動產市場往往會受到總體經濟之變動而隨之產生變化。又，租金與房價之關聯. ‧ 國. 學. 住宅市場與住宅租賃市場有著密不可分的關係，兩者之間經常彼此影響。且若由不動產收益觀點觀之，租金即為不動產之長期收益，經過適當的資本還原率還原. ‧. 後即為不動產之收益價格，又可以被視為不動產之基值。. sit. y. Nat. 惟租賃市場與買賣市場仍有所差異，故影響購屋市場之總體經濟因子與影響. al. er. io. 租賃市場之總體因子應仍有一定之差異性。因此，本研究將針對各項影響房價之. v. n. 總體經濟因素進行判別後，再架設適當之租金總體經濟模型。. Ch. engchi. i n U. 22. DOI:10.6814/NCCU201900568.

(35) 以網路搜尋點擊次數分析臺北市租金市場. 第三節追蹤資料模型追蹤資料（Panel Data）又被稱為縱橫資料、面板資料或追蹤資料，係一種結合橫斷面與時間序列的資料型態（Baltagi，2005），分析追蹤資料可以讓研究者處理同時具有橫斷面以及時間序列的經濟現象。所謂的追蹤資料係針對相同個體進行連續性的調查，如：針對不同產業、個人、家戶進行長期追蹤調查，了解這些不同的個體長期的狀況。而目前世界上已經有許多機構建立了追蹤資料庫，如：美國俄亥俄大學所建立之長期勞動市場追蹤資料（National Longitudinal Surveys. 政治大 of Michigan’s Panel Study of Income Dynamics）以及我國所建置之華人家庭動態立. of Labor Market Experience）、密西根大學的所建立的 PSID 資料集18 （University. 資料庫。. ‧ 國. 學. 隨著追蹤資料模型分析逐漸普及，許多不同領域之文獻皆開始使用追蹤資料. ‧. 分析，如：在金融領域 Feng et al.（2017）便透過追蹤資料模型分析美國商業銀. y. Nat. 行規模收益與銀行監管之關係；能源與經濟領域則有 Niu et al.（2011）研究二氧. er. io. sit. 化碳排放、能源使用量與 GDP 之間的關聯。在中國，盧方元與魯敏（2009）亦曾透過追蹤資料模型，將農村地區的家庭依據收入分為五組19研究不同收入的農. al. n. v i n 村家庭在消費支出種類上的差異。除了上述經濟、金融面向的研究外，追蹤資料 Ch engchi U. 模型亦可被用在地方財稅領域，鄭敏珠（2004）以台灣 1990 年至 2002 年 21 個縣市的地方稅欠稅比例資料，納入失業率、家戶經常性收入、通貨膨脹率、經濟成長率等總體經濟因素建立隨機效果模型，以了解各項總體經濟因子對於地方稅欠稅情形之影響。在不動產領域部分，譚術魁與李雅楠（2013）以追蹤資料固定效果模型以及隨機效果模型來研究中國土地市場化程度、不動產企業開發投資、可支配收入以. 18. 此資料集係收集家庭、個人以及各種涉及就業狀態、收入、家庭資產、住房等方面之 5000 種不同變數，主要是為了研究美國貧窮人口狀況及原因 19 分別為低收入、中低收入、中等收入、中高收入、高收入五種特定個體 23. DOI:10.6814/NCCU201900568.

(36) 第二章文獻回顧. 及前期房價增長率與當期房價之關聯；鄭娟爾（2009）則透過加入前期房價增長率、可支配收入、人口、前期建造成本、土地供應量等變數所設立之追蹤資料固定效果模型來研究土地供給量對於房價以及房屋供應量之影響。平安（2016）以追蹤資料模型研究臺北、香港、新加坡、上海等華人地區不動產稅賦與房價之關聯。該文獻將不動產持有稅、移轉稅、所得、貸款利率作為影響房價之變數進行分析，得到所得與移轉稅有領先影響房價之效果。依據張紹勳（2016）所整理對於追蹤資料模型的分類，可以得知追蹤資料模型可分為線性與非線性模型兩大類型。當中，線性模型又可以分為混合資料模型. 政治大模型（Individual-specific Effects Model）、混合/隨機係數模型（Mixed Model or 立（Pooled Model）、雙因子效果模型（Two-way Effects Model）、特定個體效果. Random Coefficients Model）；非線性模型則主要指的是羅吉特（Logit）與機率. ‧ 國. 學. （Probit）模型。. ‧. 觀察前述文獻所使用之實證模型，可以發現較常被討論以及使用之線性模型. y. Nat. 主要是混合資料模型、隨機效果模型以及固定效果模型三種。其中，混合資料模. er. io. sit. 型係透過最小平方法建立估計式，並假設個體間以及研究期間之間並無差異，故當個體或是研究期間有差異時，其估計結果將產生偏誤。固定效果模型與隨機效. al. n. v i n 果模型皆屬於特定個體效果模型，兩者皆透過截距項𝛼 來表示個體效果，但兩者 Ch engchi U 𝑖. 對於截距項有不同的假設，故在適用上有所差別。前者假設截距項𝛼𝑖 為常數，不會隨著時間的變動而改變。後者則假設截距項𝛼𝑖 為隨機變數而非固定，並假設隨機效果模型之誤差項同時由隨機個別效果與回歸隨機誤差共同組成，故又稱其為誤差組成模型（黃智聰和梁儀盈，2016）。而判斷應選擇使用固定效果或隨機效果時，最簡單的方式是觀察樣本資料是否是透過隨機抽樣取得。依據張紹勳（2016）所述，當樣本係隨機抽樣自母體，使用隨機效果模型較佳；反之，當樣本資料並非透過隨機抽樣的方法取得或本身即為母體資料時，則選擇使用固定效果模型較佳。. 24. DOI:10.6814/NCCU201900568.

(37) 以網路搜尋點擊次數分析臺北市租金市場. 另外，除了透過觀察所取得之資料是否係透過隨機抽樣取得之方法判斷應使用固定效果或隨機效果的方式外，亦可透過觀察個體效果與模型之解釋變數間是否具有相關性來進行判別。在隨機效果模型中，其模型假設為個體效果與解釋變數間並不具有相關性，故解釋變數需為外生變數；而固定效果則無此要求，該模型允許解釋變數可與個體效果間具有相關性，故解釋變數可為內生變數（張紹勳， 2016）。綜上所述，可以得知追蹤資料模型係一種可以同時分析橫斷面與時間縱斷面的資料分析模式，可以更進一步的了解同時具有特定個體與時間動態的資料。而. 政治大筱真（2016）、Erevelles et al.（2016）等，皆是透過時間序列模型來了解前期新立過去關於大數據的預測模型建立研究經常透過時間序列之模型進行分析，如：林. 聞情緒、搜尋資料對於當期房價或交易量之影響。惟本研究欲透過分析租賃網頁. ‧ 國. 學. 之平均點擊次數來了解不動產租金市場，所取得之資料係以臺北地區 12 個行政. ‧. 區、四種租屋住宅類型共 20 季之資料進行分析，故資料型態同時包括了時間序. y. Nat. 列的縱斷面資料與多個橫斷面之資料，因此本研究認為透過追蹤資料模型更能夠. n. al. er. io. sit. 妥善的進行分析。. Ch. engchi. i n U. v. 25. DOI:10.6814/NCCU201900568.

(38) 第二章文獻回顧. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 26. DOI:10.6814/NCCU201900568.

(39) 以網路搜尋點擊次數分析臺北市租金市場. 第三章研究設計與資料說明第一節研究設計本研究欲討論臺北市地區租屋網之平均點擊次數與住宅不動產租金價格之關聯，並探討租屋網之平均點擊次數是否可以作為租金之領先指標；以及若該點擊次數可作為領先指標，不同租屋住宅類型上的搜尋期間是否有所差異。因此，本研究透過將租屋網各行政區自 2013 年第一季至 2017 年第四季各季之點擊次數除以各期刊登之物件數，求得各行政區在不同季度中每件刊登物件的平均點擊. 政治大蹤資料模型，藉以探討點擊次數與住宅租金之關聯。另外，本研究透過將不同類立. 次數作為主要的搜尋指標變數。同時，建立納入總體經濟變數做為控制變數之追. 型之住宅分開各自建立追蹤資料模型，觀察是否搜尋指標在不同住宅類型之領先. ‧ 國. 學. 程度有所差別。. ‧. 追蹤資料係由一群可以隨時間觀察的橫斷面資料所組成，且此類資料同時包. sit. y. Nat. 括了橫斷面與縱斷面的特性，因此使用追蹤資料模型不但可以使研究者考量個體. io. er. 間的異質變異，同時亦可處理縱斷面資料之間的差異，減少估計上的偏誤問題。依據前述文獻回顧之結果可以得知基本線性追蹤資料常用模型大致可以分為混. al. n. v i n Ch 合資料模型（Pooled model）、特定個體效果模型之固定效果模型和隨機效果模 engchi U 型三大類別。為了依據本研究之資料特性選擇適合的模型，將對於常用之基本線性追蹤資料模型各自之假設進行介紹。. 一、混合資料模型混合資料模型之假設如 3.1 式： 𝑌𝑖𝑡 = 𝛼 + 𝑋 ′ 𝑖𝑡 𝛽 + 𝜇𝑖𝑡. （3.1）. 在本式中，i =1,2, … , N為個體數，代表個體（individual）；t =1,2, … , T為時段，代表的是研究的期間。此模型之概念係將所有資料透過最小平方法（Ordinary least squares）來估計出回歸式，故在本假設下，其截距項與斜率接固定，不因. 27. DOI:10.6814/NCCU201900568.

(40) 第三章研究設計與資料說明. 個體或時間而有所差異。因此，若不同個體或不同時期間具有差異性，易產生偏誤。而本研究之個體為各個行政區之不同類型之住宅，故個體間應具有差異性；又，本研究之資料時間範圍涵蓋 2013 年第一季至 2017 年第四季，共五年之期間，亦不應假設不同期間之間無差異。綜合上述，本研究將不採用混合資料模型。. 二、特定個體效果模型之隨機效果與固定效果追蹤資料迴歸模型依據對特定個體效果之𝛼𝑖 的不同假設分為固定效果模型與隨機效果模型，特定個體效果模型之基礎假設如 3.2 式所示：. 政治（3.2）大則代表個體特定效如同（3.1）式，在本模型中，i 代表個體數，t 則代表時段。𝛼 立 𝑌𝑖𝑡 = 𝛼𝑖 + 𝑋 ′ 𝑖𝑡 𝛽 + 𝜀𝑖𝑡. 𝑖. ‧ 國. 學. 果。. 隨機效果模型（Random effects model, RE）亦可被稱為誤差成分模型（Error. ‧. component model），其假設截距項𝛼𝑖 是隨機變數，截距項係隨機產生且不隨時間. sit. y. Nat. 變動改變；同時，隨機效果模型較不強調個體間之差異，並假設截距項與自變數. al. er. io. 之間無相關性，故自變數須為外生變數，因此若個體效果𝛼𝑖 與自變數之間具有相. v. n. 關性，則此模型將會產生偏誤的估計結果。此模型之優點在於其與固定效果模型. Ch. engchi. i n U. 不同，不透過虛擬變數來進行個體效果的估計，因此可避免損失自由度。固定效果模型（Fixed effects model, FE）又被稱為最小平方虛擬變數模型（Least squares dummy variable model，LSDV），較重視個體間之差異性，當個體間具有差異時，固定效果模型係較具有效率的估計方式。模型假設代表個體特定效果之截距項𝛼𝑖 不隨時間改變，但各個個體間會有不同的常數，亦即透過賦予不同橫斷面之個體一固定之截距項來表示個體間之差異。其缺點為由於透過虛擬變數進行估計，因此會使模型自由度降低。可用放入虛擬變數之 3.3 式呈現。 𝑌𝑖𝑡 = 𝛼0 + ∑𝐽𝑗=1 𝛼𝑗 𝐷𝑗 + ∑𝐾 𝑘=1 𝛽𝑘 𝑋𝑘𝑖𝑡 + 𝜀𝑖𝑡. （3.3）. 在（3.3）式中，𝛼0 為基準個體之截距項；𝛼𝑗 為虛擬變數之參數，代表各個個 28. DOI:10.6814/NCCU201900568.

(41) 以網路搜尋點擊次數分析臺北市租金市場. 體之個體效果；𝐷𝑗 為虛擬變數；𝑋𝑘𝑖𝑡 則為第 i 個個體在第 t 期的第 k 個解釋變數之樣本觀察值。可從（3.3）式更清楚看出，固定效果模型透過虛擬變數的方式使個體具有固定的截距項，以反映個體間的差異。此外，在此模型假設下，自變數與截距項之間具有相關性，因此自變數可以是內生變數，且固定效果模型不須假設隨機干擾項與解釋變數無關。. 三、小結綜上所述，由於本研究之資料同時具有縱斷面與橫斷面的特性，因此本研究預計以追蹤資料模型進行相關研究。又，依據依據混合資料模型、固定效果模型. 政治大間以及不同研究時期間不可具有差異性，否則會產生偏誤；而若要使用隨機效果立以及隨機效果模型三個模型之假設可知：若要使用混合資料模型，則資料之個體. ‧ 國. 學. 模型，則變數與個體效果間不得有相關性。惟本研究之個體效果係各個行政區之不同住宅型態，如：文山區整層住家、大安區獨立套房等，因此不同個體之間具. ‧. 有差異性，不應使用混合資料模型。再者，由於點擊次數隱含潛在租屋者之搜尋. sit. y. Nat. 行為意涵，而當租屋者進行租屋資訊搜尋時，會受到該物件之區位及租屋類型的. al. er. io. 影響。因此本研究之個體效果與主要探討之變數（租屋網平均點擊次數）之間，. v. n. 應具有相關性，故無法適用隨機效果模型。綜上所述，本研究將以能夠反映出不. Ch. engchi. i n U. 同個體間差異性，且不須假設變數與個體效果無關之固定效果模型進行。. 29. DOI:10.6814/NCCU201900568.

(42) 第三章研究設計與資料說明. 第二節資料說明與變數選取本研究之時間範圍為 2013 年第一季至 2017 年第四季，共 20 季；空間範圍則為臺北市之 12 個行政區。另外，由於本研究主要是討論住宅租金，而住宅租金受到建物類型以及使用方式之影響，故本研究之資料依據建物以及使用方式分為四種常見的租屋住宅類型，分別為：公寓類型整層住家、公寓類型獨立套房、電梯大樓型整層住家、電梯大樓型獨立套房。當中，公寓所指的是四到五層樓左右，無電梯之集合住宅；電梯大樓則代表超過 10 層樓並擁有電梯的集合住宅，. 政治大上，以居家生活為主的建築」；獨立套房之定義則為：「有獨立門牌、獨立水電立通常相較於公寓有更多的公共設施。而整層住家之意義則定義為：「一個房間以. 表，並個人獨立使用衛浴及房間內全部設施」20。. ‧ 國. 學. 一、租屋網搜尋指標. ‧. 與過去研究透過 Google Trends 關鍵字建立搜尋指標作為預測市場未來發展. sit. y. Nat. 不同，本研究使用租屋網之平均點擊次數來作為消費者搜尋行為之指標。雖然前. al. er. io. 述兩者應皆可代表消費者之搜尋行為，但本研究認為過去使用 Google Trends 之. v. n. 關鍵字搜尋指標其涵蓋之搜尋範圍較廣，且在定義相關特定關鍵字字串時容易產. Ch. engchi. i n U. 生限制，又或是搜尋者在進行搜尋時之關鍵字與研究者之想法有所差異，進而造成關鍵字指標對於特定消費行為之預測能力會受到一定限制。另外，過去研究亦點出若消費者早以有正確的網址連結，而不需要經過網路搜尋特定平台時，其搜尋行為將無法被 Google Trends 之關鍵字搜尋指標捕捉。因此，本研究認為若透過消費者進行特定消費行為時常使用之平台或網頁之瀏覽人數來作為代表消費者之搜尋行為的指標，或許更能對特定消費行為之預測有較佳的預測效果。為了研究搜尋點擊次數與房屋租金之關聯以及平均點擊次數是否具有預測. 20. 由於本研究點擊次數之資料係來自 591 租屋網，因此本處對於房屋類型之定義使用 591 租屋網對其刊登物件之房屋用途類型定義。 30. DOI:10.6814/NCCU201900568.

(43) 以網路搜尋點擊次數分析臺北市租金市場. 租金之能力，本研究選用長期經營租賃物件刊登平台之 591 租屋網作為租屋資料之來源進行分析。該平台經營臺北市、新北市、桃園縣、台中市、高雄市之租屋刊登業務，當中又以雙北地區之租賃刊登為主，自成立以來已經累積了大量的使用者知名度以及流量，在資料量上較其他租屋網更具有優勢。此租屋平台除提供租賃刊登業務外，同時亦透過其所蒐集之租賃案件資料提供民眾租屋行情之相關資訊，如：臺北市各行政區不同住宅類型的租金行情。因此，本研究自該租屋平台取得其網頁臺北市各行政區自 2013 年第一季至 2017 年第四季四種租屋類型21各自之刊登物件瀏覽人數以及刊登物件數資料，用. 政治大之特定住宅類型的當期總物件瀏覽人數」除以「同期該行政區同類型住宅之總刊立以建立本研究之搜尋指標。本研究所定義之搜尋指標係透過將取得之「各行政區. 登物件數」所得之「當期該行政區之特定住宅類型的刊登物件平均點擊次數」。. ‧ 國. 學. 茲舉中正區整層住家公寓 2013 年之平均點擊次數計算結果列於表 3-1 如下：地區. io. y. sit. 物件瀏覽人數. n. al. 第二季 2013 年第三季. 第四季. 刊登數量. er. Nat. 住宅類型. 第一季. 21. ‧. 表 3- 1 中正區整層住家公寓 2013 年平均點擊次數計算. i n C h 物件瀏覽人數 engchi U 刊登數量平均點擊次數. v. 中正區. 整層住家公寓 175,925 189 930.82 204,010 172. 平均點擊次數. 1,186.10. 物件瀏覽人數. 231,705. 刊登數量. 212. 平均點擊次數. 1,092.95. 物件瀏覽人數. 159,685. 刊登數量. 217. 平均點擊次數. 735.88. 指前述之公寓類型整層住家、公寓類型獨立套房、電梯大樓型整層住家、電梯大樓型獨立套. 房 31. DOI:10.6814/NCCU201900568.

(44) 第三章研究設計與資料說明. 二、其他變數之定義與說明（一）變數說明本研究試圖透過追蹤資料固定效果模型從總體經濟之面向探討租屋網之點擊搜尋指標與租金之關聯，以及該指標是否能夠作為租金之領先指標。而由於固定效果模型係透過虛擬變數來處理個體效果，會損失大量之自由度，故控制變數的數量不應過多，應盡量挑選對於租金具有直接影響之變數。因此，本研究除主要探討之變數租屋網搜尋指標外，另外選擇了三項對租金具有直接影響之總體經濟因子，以作為本研究模型之控制變數。. 政治大. 另外，雖前章之文獻回顧中多提及消費者價指數對於租金應具有影響力，惟. 立. 國內消費者物價指數之最小統計分區為縣市，與本研究所需之行政區資料需求並. ‧ 國. 學. 不相符；此外，國內之消費者物價指數本身之編制項目中即具有政府所編製之房屋租金指數，若以此指數作為控制變數將產生以包含房租指數之指標預測房租走. ‧. 向之結果，因此本研究認為不應採用消費者物價指數作為模型之控制變數。. y. Nat. er. io. sit. 1.租金（Rent）. 租金係本研究之應變數，過去探討房價、租金與影響其變數之關聯時，經常. al. n. v i n 透過半對數模型進行研究，如：Follain C h and Malpezzi(1980)便曾指出半對數模型可 engchi U 以透過自變數之係數反映出其對應變數之影響的百分比，且半對數模型可以降低變異數不齊一的問題，因此本研究將對租金取自然對數作為應變數。國內對於臺北市租金行情有進行相關統計包括：主計處統計臺北市消費者物價指數時所編製之房租指數、591 租屋網之租屋行情、好房網之租屋行情、台灣租屋網租金、崔媽媽基金會之房屋租金行情。惟本研究將租屋另外依據住宅類型、使用進行細分，而主計處所統計之房租指數則係針對臺北市整體租屋所編製之指數，並不符合本研究之需要，故本研究不採用主計處所編製之房租指數；此外，台灣租屋網租金雖進行分類，但僅分為住家、套房，不符合本研究對租屋類型之. 32. DOI:10.6814/NCCU201900568.

(45) 以網路搜尋點擊次數分析臺北市租金市場. 分類，故亦不採用台灣租屋網之租金資訊。另外，好房網之租屋行情資料僅能取得查詢當時之租屋行情，不符合本研究之需求；崔媽媽基金會之房屋租金行情則自 2008 年後便未繼續更新，故無法使用。綜合上述，本研究採用 591 租屋網對於臺北市租金之統計資料，其租金係依據住宅類型以及使用進行統計，與本研究之租屋網點擊指標相同，分為公寓類型整層住家、公寓類型獨立套房、電梯大樓型整層住家、電梯大樓型獨立套房四大類型，符合本研究之需求。因此本研究將以該平台之租金資料取自然對數後作為本研究之應變數。而本研究期間之租金變化圖依上述不同之租屋類型分類呈現後如圖 3-1~圖 3-4 所示：. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 圖 3- 1 台北市各行政區整層住家公寓租金圖資料來源：591 租屋網. 33. DOI:10.6814/NCCU201900568.

(46) 第三章研究設計與資料說明. 立. 政治大. 圖 3- 2 台北市各行政區整層住家電梯大樓租金圖. ‧. ‧ 國. 學. 資料來源：591 租屋網. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 圖 3- 3 台北市各行政區獨立套房公寓租金圖資料來源：591 租屋網. 34. DOI:10.6814/NCCU201900568.

(47) 以網路搜尋點擊次數分析臺北市租金市場. 政治大. 圖 3- 4 台北市各行政區獨立套房電梯大樓租金圖資料來源：591 租屋網. 2.標準住宅總價（House Price）. 學. ‧ 國. 立. ‧. 依據前述文獻回顧可知，租金係房價之基本面，且房價對於租金有正向的影. y. Nat. 響。同時，購屋與租屋行為間具有一定程度之替代性，當房價上升時，有居住需. er. io. sit. 求者可能會選擇轉變為租屋者，進而直接影響租金。因此本研究擬納入房價指標作為直接影響租金之控制變數。. al. n. v i n 目前國內編制臺北市住宅價格指數之平台頗多，包括信義房價指數、國泰房 Ch engchi U. 價指數、好時價房價指數、臺北市政府地政局編列之住宅價格指數等。惟本研究. 之資料分為臺北市 12 個行政區，故需要各行政區間可互相比較之房價指標資料。然而信義房價指數與國泰房價指數係針對整體臺北市所編製之房價指數；好時價房價指數雖分為各行政區進行編制，但各行政區之指數係獨立編製，無法互相比較，因此本研究最後選擇臺北市地政局所計算之臺北市標準住宅總價作為房價指標，雖該指標僅將臺北市 12 個行政區分為四個次分區，但該資料提供了編製房價指數之標準房屋總價原始資料，使本研究能夠比較各區之間的差異性。臺北市地政局所計算之標準住宅總價係由地政局依據實價登錄所揭露之住宅買賣案件. 35. DOI:10.6814/NCCU201900568.