住宅交易量冷熱區空間分析 - 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. 政治大. ‧. ‧ 國. 學. 立住宅交易量冷熱區空間分析 Spatial Analysis of Hot and Cold Spot in Housing Trading Volume. n. er. io. sit. y. Nat. al. Ch. engchi. 研究生：張芳瑋指導教授：張金鶚. 中. 華. 民. 國. 一. 零. i n U. v. 江穎慧. 七. 博士. 年. 八. 月. DOI:10.6814/THE.NCCU.LE.005.2019.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.005.2019.A05.

(3) 謝誌感謝指導教授張金鶚老師及江穎慧老師細心的栽培，研究過程中面臨瓶頸、原地打轉時，張老師總是陪伴我從頭思考、釐清思緒；江老師則總是在我迷失、不知去向時，及時將我拉回。不光是論文本身，跟著 AVM 團隊、花旗團隊，是自己感受到成長最快的時刻，能跟著優秀的老師們一起，真的是非常寶貴的經驗。課程方面，張老師的住宅課讓我能用更多角度看待住宅政策，投資課則提供我更完整的購屋決策；江老師的大量估價課堂除了估價方法外，學習到更多的是如何發現問題。至今回想，兩年來的學習是如此充實可貴，自己是如此幸運、何德何. 政治大感謝口試委員陳彥仲老師針對交易量冷熱劃分提供我更多的發想；陳建良老立. 能。. ‧ 國. 學. 師對於研究步驟提出修正建議使本文架構更完整，以及林士淵老師在空間分析方法的指導、空間相依性原因分析之建議，使文章核心能更突顯。另外研究過程中，. ‧. 感謝吳文傑老師在計量方法上的指導，提升研究的嚴謹度；尚華學長、曉瑞學長. sit. y. Nat. 期初及期末報告提供的建議，使我撰寫時能夠更聚焦；張老師助理育如細心提醒. al. er. io. 及鼓勵，讓我順利完成每次的報告。. v. n. 感謝學長姐和同儕的互相陪伴打氣，每每陷入低潮時，和大家不停地討論總. Ch. engchi. i n U. 能有新的想法；偶而的郊遊、娛樂活動也幫助我在緊湊的日子裡稍作休息。最後感謝家人全力的支持，使我能專心一致於研究中，期望未來，不論是知識抑或處事方面都能好好運用兩年來的所學，繼續成長。. I. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(4) 摘要不動產市場景氣向來為住宅市場研究重點，蓋其影響市場參與者之行為決策及政府制定政策的方向。而交易量可表現市場活動力的強弱，因此常捕捉交易量之時間變化以判斷市場的冷熱程度。然一地區的交易量實為一筆筆交易點位之總和，同時亦含空間分布的冷熱差異，交易較熱門的地區代表被較多數的市場參與者所接受，故找尋市場交易冷熱分布的原因，亦能反映市場狀態。而不動產因其不可移動性而有區位效應，故在探討空間分布時，常會討論空間相依性(spatial dependency)，Wong , Yiu, and Chau (2013)指出房價的空間相依性係透過資訊傳遞. 政治大此不僅價格，交易量亦會受到影響，而有空間相依之現象。立. 效果造成鄰近地區互相影響，但資訊傳遞效果影響的是市場交易情況的改變，因. ‧ 國. 學. 本文以民國 102 年至 104 年實價登錄資料計算台北市各里每年交易量，透過 Moran’s I 檢定證實交易量分布確實具有空間相依性，並依此利用熱點分析(hot. ‧. spot analyze)尋找近年台北市交易熱區，將各里分為冷、熱、非冷熱三區，其中. sit. y. Nat. 該分類包含空間相依之意涵，可考量地區間相互影響之效果。再將影響交易冷熱. n. al. er. io. 之變數分為供給面、需求面與價格面，使用次序羅吉特結合追蹤資料模型(panel. v. ordered logit model)進行實證，並得到結論為，代表需求因素的家戶數與所得中. Ch. engchi. i n U. 位數越高的里，其交易越熱絡，對比供給因素中代表成屋供給的仲介家數對交易冷熱程度影響不顯著，代表影響交易冷熱受需求方面的影響較大。加上就價格面變數而言，房屋單價中位數越低的里交易越熱絡，市場上較偏向買方定價，而使得交易量受需求因素影響較明顯。. 關鍵字：熱點分析、住宅交易量、空間自相關. II. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(5) 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 ................................................................................................. 3. 第三節. 研究架構與流程 ................................................................................................. 5. 第二章. 文獻回顧.................................................................................................................. 7. 第一節. 住宅交易量分析 ................................................................................................. 7. 第二節. 交易量與空間分析 ............................................................................................. 9. 第三節. 影響住宅交易量之因素 ................................................................................... 12. 第三章第一節. 政治大研究設計 ........................................................................................................... 16 立. 研究模型與資料處理............................................................................................ 16. 資料說明與處理 ............................................................................................... 17. 第三節. 實證模型之建立 ............................................................................................... 30. ‧ 國. 實證結果與分析.................................................................................................... 37. ‧. 第四章. 學. 第二節. 供需因素對交易量之影響 ............................................................................... 37. 第二節. 供需因素對交易冷熱區之影響 ....................................................................... 39. y. sit. io. 結論與建議............................................................................................................ 42. n. al. er. 第五章. Nat. 第一節. i n U. v. 第一節. 結論 ................................................................................................................... 42. 第二節. 後續研究建議 ................................................................................................... 44. Ch. engchi. 參考文獻 ................................................................................................................................. 45 附錄 ......................................................................................................................................... 49. III. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(6) 圖目錄圖 1‑1. 研究流程圖……………………………………………………………… 6. 圖 3‑1. 研究設計圖………………………………………………………………16. 圖 3‑2. 民國 102 年各里成交量示意圖…………………………………………18. 圖 3‑3. 民國 103 年各里成交量示意圖…………………………………………19. 圖 3‑4. 民國 104 年各里成交量示意圖…………………………………………19. 圖 3-5. Moran's I 檢定結果圖…………………………………………………21. 圖 3‑6. 台北市民國 102 年交易冷熱區圖………………………………………23. 圖 3‑7. 台北市民國 103 年交易冷熱區圖………………………………………24. 圖 3‑8. 政治大台北市民國 104立年交易冷熱區圖………………………………………24 台北市民國 102 年至 104 年交易冷熱區圖……………………………25. 圖 3‑10. 追蹤資料模型選擇流程圖………………………………………………31. 圖 3‑11. 空間型態分析方法分類圖………………………………………………33. ‧. ‧ 國. 學. 圖 3-9. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. IV. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(7) 表目錄表 3-1. 模型一被解釋變數敘述統計表………………………………………… 18. 表 3‑2. 民國 102 年至 104 年各里成交量排名前十表………………………… 20. 表 3-3. Moran's I 檢定結果表………………………………………………… 21. 表 3-4. 模型二被解釋變數敘述統計表………………………………………… 22. 表 3-5. 模型變數說明表………………………………………………………… 28. 表 3‑6. 模型解釋變數敘述統計表……………………………………………… 29. 表 4-1. 固定效果模型結果表…………………………………………………… 37. 政治大. 表 4-2 Panel ordered logit model 實證模型結果表……………………………. 立. 41. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. V. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(8) 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.005.2019.A05.

(9) 住宅市場交易量冷熱區空間分析. 第一章第一節一、. 緒論. 研究動機與目的研究動機. 台灣房市從 SARS 谷底翻揚，歷經台灣政黨輪替、全球金融海嘯等國內外政經風雨，但近幾年來，在全球量化寬鬆救市的情況下，房價屢頻創新高，造成民怨四起及相關房市議題發酵，顯示房地產市場為目前社會迫切關注的議題，為釐清房地產問題，勢必須對房地產現況進行更深入的分析。. 政治大易量方面之研究亦較偏向價量關係、景氣預測方面，針對影響交易量因素的研究立. 惟過往因資訊取得不易之關係，我國不動產市場研究多以價格為主，有關交. 卻鮮少著墨，Andrew and Meen (2003)及 de Wit, Englund and Francke(2013) 指出. ‧ 國. 學. 當需求結構改變時，交易量所受之波動較價格明顯而快速，Leamer(2015)研究. ‧. 2008 年金融海嘯房地產市場結構時，亦發現因為價格的向下僵固性，交易量比. y. Nat. 房價更易掌握景氣循環。因此了解交易量之變動對於房價及市場整體的掌握有所. er. io. sit. 助益，因此本文將以交易量作為研究主體進行分析。. 交易量亦常作為景氣冷熱衡量的指標，不動產市場冷熱一直是住宅市場研究. al. n. v i n 的重點，實務上常將價格上漲、交易量大的市場視為交易熱絡；價格下跌、交易 Ch engchi U. 量低的市場視為交易冷清，故以交易量及房價作為市場交易面的衡量指標。但多數研究以交易量時間變化比較來判斷市場的冷熱程度，然因為不動產具不可移動性而有次市場，各次市場間的交易情況不盡相同，因此交易量還有空間上分布冷熱的區別。報章雜誌亦常見「全台房市交易熱區 ○市買房 2 千萬以下居多. ○○市交易居全台之冠」、「○. 這 5 區最熱門」等相關新聞標題，顯見交易量冷熱分. 布亦為民眾所關心。交易較熱門的地區代表被較多數的市場參與者所接受，故本文欲進一步找尋冷熱分布的原因，藉此反映市場情形。另外由於住宅具有空間上分布之差異，許多房價相關研究進行分析時皆會考. 1. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(10) 第一章緒論. 量空間相依性（Devaux and Dubé, 2016）—房地產價格因為鄰近住宅具有相似的鄰里環境與交通可及性，並透過資訊傳遞效果，使得地區之間相互影響而有相似之價格，若以同一概念思考，價格間相互影響亦會造成交易情況的改變，因此資訊傳遞效果影響的應該不僅是價格，交易量亦會受到影響，但過往針對交易量之研究多以時間考量，因此無法描述空間與交易量之連結，本研究嘗試將交易量分析加入空間概念，探究交易量是否會受鄰近地區的影響，是否有空間聚集現象。. 二、. 研究問題. 政治大. 本研究以強化交易量之研究出發，尋找台北市交易量熱區地點，主要研究問. 立. 題有二：. ‧ 國. 學. 一、探究交易量是否有空間相依性，亦即交易量是否會受鄰近地區的影響而造成空間聚集現象？. ‧. 二、將影響住宅市場交易量之因素分為需求面及供給面，探討影響交易冷熱因素. n. al. er. io. sit. y. Nat. 為何？. Ch. engchi. i n U. v. 2. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(11) 住宅市場交易量冷熱區空間分析. 第二節一、. 研究方法與範圍研究方法. (一) 文獻回顧透過相關文獻，了解交易量相關研究主題，從中找尋研究缺口。復整理影響交易量之因素，以及交易量與空間分析之研究方法，作為後續變數選取、研究方法應用之基礎。 (二) 熱點分析為瞭解影響交易量多寡之因素，本文利用熱點分析進行初探，透過圖像化方. 政治大. 式，呈現交易量冷區及熱區聚集位置，並且說明因交易量具地理聚集現象而存在. 立. 空間相依性。次依冷熱分區將各里交易量分為三種類別進行後續實證分析。另外. ‧ 國. 學. 熱點分析亦可觀察冷熱區位置與其他空間分布之關聯性，對於實證模型解釋變數的找尋有所助益。. ‧. (三) 實證分析. y. Nat. sit. 本研究利用追蹤資料之固定效果(fixed effect)模型及次序羅吉特結合追蹤資. n. al. er. io. 料模型(panel ordered logit model)進行交易量影響因素之分析，透過模型建立市場. i n U. v. 需求面與供給面與交易量之因果關係，進一步比較兩模型實證結果之差異以及探. Ch. engchi. 討供需因素何者對交易量影響較顯著。. 二、. 研究範圍. 本研究將以台北市實價登錄住宅買賣交易個案計算之交易量為主要研究標的，將交易量利用熱點分析劃分為冷區、熱區及非冷熱區三者，探討供給與需求因素何者對之交易量影響。. 3. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(12) 第一章緒論. (一) 時間範圍為配合實價登錄上路時間並考量部分影響變數資料時間，故選擇以年為分析單位，並將研究期間設定為民國 102 年至民國 104 年。 (二) 空間範圍本研究以台北市作為研究地區，並以各里為基本分析單位。. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 4. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(13) 住宅市場交易量冷熱區空間分析. 第三節. 研究架構與流程. 本文共分為五章，第一章為「緒論」，說明探討交易量供需因素以及交易量空間分析之研究動機、問題、範圍與分析方法。第二章為「文獻回顧」，主要分為三部分，首先概述住宅交易量相關之研究，後探討空間自相關以及交易量與空間自相關之關聯，最後論述影響交易量之供需因素。透過過去研究相關議題的實證方法與結果，作為後續理論基礎的建立及實證分析的採用。第三章為「研究設計與資料處理」，介紹實證分析的流程與所使用的模型方法，並加以敘明資料來源與內容及資料處理過程。第四章為「實證分析」，配合研究問題，進行交易量. 政治大影響較顯著。第五章為「結論與建議」，由本研究實證分析結果歸納結論並提出立分布影響因素之實證分析，並針對模型的實證結果，討論交易量受供需因素何者. ‧. ‧ 國. 學. 建議及後續研究方向。研究流程請參圖1-1。. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 5. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(14) 第一章緒論. 研究動機與目的. 研究方法與範圍. 相關理論與文獻回顧. 住宅交易量相關研究. 政治大. 交易量影響因素. 交易量與空間分析. 立. ‧. ‧ 國. 學. 研究設計. 資料處理. n. 交易量供需因素實證. Ch. engchi. er. io. sit. y. Nat. al. i n U. v. 實證結果與分析. 結論與後續研究. 圖 1-1 研究流程圖. 6. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(15) 住宅市場交易量冷熱區空間分析. 第二章文獻回顧第一節. 住宅交易量分析. 價格與交易量為描述市場交易狀況最重要之二項指標，惟台灣房地產市場長期以來，皆以價格作為核心，相形之下對不動產交易量之研究並不多見，過往有關交易量之研究多以價量關係為主(Lamont and Stein，1999；Lee, Wang and Zeng， 2016；Clayton, Miller and Peng ,2010 )，或是將交易量作為衡量景氣的指標（Safer， 2002）。. 政治大且兩者為同向關係，故常以成交量變動作為預測市場價格趨勢的重要指標（羅于立. 價量關係之討論源自於金融市場，股票市場中大致得到「量先價行」之結論，. ‧ 國. 學. 婷，2010）。而住宅市場與金融市場有所差異，如住宅需求同時具投資與消費目的有兩不同特性，使住宅市場之價量關係同時存在消費財市場之價量反向關係與. ‧. 投資財市場之同向關係現象。花敬群、張金鶚（1997）指出消費需求為住宅市場. sit. y. Nat. 之基礎，其價量關係為反向波動；投資需求為追求價格上漲之利潤，價量關係則. al. n. 量關係有時間落差。. er. io. 為同向波動。此外，不動產交易資訊不易取得，無法及時反應於價格上，造成價. Ch. engchi. i n U. v. 由於住宅市場前述特性，導致分析結果難以清楚確認交易量波動確實有領先價格波動的結構，但多數研究仍支持「量先價行」之原則。Clayton, Miller and Peng (2010) 分析 1990 至 2002 年美國 114 個大都市的住宅市場，發現在供給較無彈性時，交易量會領先價格波動。從價量關係研究可得到交易量對於房價具有一定預測效果之結論，因此透過預先了解交易量之變動，可提早提出穩定房價相關對策，因此市場的研究不應僅侷限於價格領域，併同分析對市場狀況描述能更全面。. 7. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(16) 第二章相關理論與文獻回顧. 交易量亦常作為景氣冷熱衡量的指標，不動產市場冷熱一直是住宅市場研究的重點(Novy-Marx,2009)，Ngai and Tenreyro (2014)指出較熱絡的市場常被定義為價格上漲、交易量大的市場，較冷淡者則具有相反的特徵，因此常以交易量及房價作為市場交易面的衡量指標。張金鶚等人（2013）利用價量波動關係描述景氣循環，景氣繁榮階段發生於價漲量增至價漲量穩期間，此時需求量會因房價過高減少，形成價漲量縮、再一進步推移到價穩量縮的情形，此時市場景氣轉為衰退階段。而由於新屋供給從推案至完工有時間落差，當衰退階段又臨前期房屋推案完工而使供給量增加，使得價格下跌壓力加大，到達價跌量縮的情況，價格下修. 政治大穩為景氣蕭條階段。當價格至低谷時，需求增加，價量關係轉為價跌量增、價穩立. 會使部分需求者再度進入市場，使得交易量稍轉為平穩，此時價跌量縮、價跌量. 量增，此時為景氣復甦階段。. ‧ 國. 學. 從交易量相關研究可發現，交易量多藉由時間變化的比較來判斷市場的冷熱. ‧. 程度，但交易量其實也包含空間的概念，因為不動產具不可移動性，使得即使相. y. Nat. 同的住宅產品，因為位於不同地區而無法相互替代，因此交易量除了時間面的冷. er. io. sit. 熱之分，還有空間上冷熱的區別，透過尋找交易較熱門的地區產品特徵，代表這些住宅被較多數的市場參與者所接受，反映市場情形。. n. al. Ch. engchi. i n U. v. 8. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(17) 住宅市場交易量冷熱區空間分析. 第二節交易量與空間分析空間分析是一種常用於分析某一地理現象的計量方法(Anselin,1989)，其目的主要在了解地理事件的分布型態，並進一步探討造成此空間分布之原因，其中熱點分析(hot spot analyze)可用於尋找地物分布是否有群聚的現象，常作為描述空間分布的方法。熱點分析不同於以往直接標示點位於地圖並直接判斷分布情形的方法，其透過統計檢定群聚現象的顯著性，以此可判別群聚現象為真亦或僅為隨機分布，並避免人為主觀判別的差異（溫在弘，2015）。Wang and Varady (2005)研究美國. 政治大若以標示點位呈現圖資，可能會有部分地區點位重疊而造成誤判的問題；使用人立. section 8 family1居住分布點位，其比較標示點位、人口普查及熱點分析三種方式，. ‧ 國. 學. 口普查方式之缺點則在於人口普查區係由人為劃分，容易造成後續計算的錯誤，且各人口普查區範圍大，無法明確找出熱點，而使用熱點分析則可改善兩者的問. ‧. 題，對於家戶分布位置能有更精確的掌握。. sit. y. Nat. 另外利用熱點分析結果亦可協助尋找影響某一地理現象分布可能的原因。黃. al. er. io. 信超、陳建元（2016）以熱點分析方式分析台南市 2011 年至 2015 年各行政區域. v. n. 之災害熱點趨勢。，發現淹水災害熱點區域主要分布於平地及延海地區；建築物. Ch. engchi. i n U. 火災案件熱點區域主要分布於人口集中、建築物密集且工商業高度發展區域。李瑞陽、陳勝義（2010）利用熱點分析研究台中市搶奪犯罪案件分佈情形，發現犯罪熱點可能與台中市都市計畫往西發展有關，並依此尋找與人口、經濟活動發展有關變數，利用迴歸模型證實金融機構密度、便利商店密度較高地區，搶奪犯罪率亦較高。 1. section 8 是指美國 1937 年住房法第 8 節。經多次修訂後，條文明定對於特定低收入戶家庭供出租房屋援助，故符合條文所稱的家庭常被稱為 section 8 family，該法條最大的部分是住房選擇優惠券計劃(Housing Choice Voucher program)，內容包含如：支付這些家庭的大部分租金和水電費、及住處移動計畫(housing mobility programs)等，住處移動計畫提供低收入戶家庭搬家相關支援，但即使給予了相關補助，搬遷成本仍然很高，多數家庭僅有短距離的移動，造成這些住戶多還是集中在特定地區。. 9. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(18) 第二章相關理論與文獻回顧. 而在探討地物分布群聚現象的過程時，尚會考量空間相依的情況。空間相依性（Spatial dependency）指鄰近地區間的地物常會出現相似的屬性值，而此鄰近相似的現象稱為空間自相關（Spatial Autocorrelation）。以住宅市場研究而言，房價由於地理位置相近的房屋通常具有相同的環境狀況，造成鄰近地區房屋價格相似。早期研究中，Dubbin（1988）、Can（1992）將空間自相關概念運用於特徵價格理論改善傳統迴歸對變異數均值、殘差獨立且具空間穩定性的假設，提升模型解釋力，發展至今已算相當成熟。探究空間自相關的可能原因，一者可能是因為處於相似的環境狀況而導致，. 政治大環境無關，例如華人街（溫在弘，2015）。若以相似概念考量，交易量會有空間立. 例如前述所提之房價；另一者則可能是同性質的事物有互相吸引的現象而與外在. 相依性可能是基於前者之原因。Wong, Yiu, and Chau, (2013)解釋房價空間相依的. ‧ 國. 學. 原因來自於資訊的搜索，市場參與者透過成交訊息決定買價及賣價，而交易量即. y. Nat. 量亦有可能同房價具有空間相依性。. ‧. 為交易資訊的體現，交易量越多的地方，市場參與者越依賴這些訊息，因此交易. er. io. sit. 另從波及效果（Ripple effect）角度思考，亦可說明交易量應具有空間相依性，波及效果係指住宅市場之間存在資訊外溢與傳遞效果或是人口與資金等流動，造. al. n. v i n 成次市場內之變化影響其他市場，過往研究多僅強調價格的波及效果，但 Ch engchi U. Tsai. （2014）指出波及效果造成的影響是市場交易情況的改變，因此不僅價格，交易量亦會受到影響；羅于婷（2010）2亦以預售屋交易量進行波及效果實證分析，. 發現成交量以相對鄰近之都會區為影響範圍，影響主要為雙向，但影響範圍較價格小。雖然波及效果的驗證多是透過時間確定領先落後關係，但本研究主要目的在利用波及效果形成的概念，強調因為「資訊傳遞效果造成鄰近地區互相影響」的現象。. 2. 該研究雖以預售屋市場為研究對象，但無論預售屋或成屋市場，供給者和需求者皆會蒐集訊息以作出決策，故成屋市場亦應有資訊傳遞之現象。 10. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(19) 住宅市場交易量冷熱區空間分析. 基於上述，本文嘗試進行交易量影響因素分析時，亦考量空間相依性從而改善多數研究未考量空間關係導致的誤差。其主要目的係考量不動產因其不可移動性而有區位效應，亦即房屋座落的地區特徵亦會作為需求者或供給者之決策考量，某些地區可能因爲特定屬性使得多數買方或賣方偏好此區，使交易量增加；或是透過資訊傳遞效果造成鄰近地區互相影響，而使鄰近地區交易量相仿。. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 11. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(20) 第二章相關理論與文獻回顧. 第三節影響住宅交易量之因素在自由經濟的體制下，任何產品的價格與數量皆由買賣雙方共同決定，故在不動產市場分析中常將價格與交易量化為需求與供給進行分析（林元興，2013），但由於不動產兼具消費財與投資財特性，供需行為間的互動更為複雜。供需理論主要被分為兩個論點，一者為薩伊（Say）學派，主張供給創造需求；另一派為凱因斯（Keynesian）學派，認為需求創造供給。若套用至住宅市場，田文德(1986)藉由系統思維方法建構住宅動態模型(Housing System Dynamic Model)，分析住宅需求與住宅供給之互動關係，結果顯示，住宅具有需求導引供. 政治大亦認住宅需求扮演決定性角色與關鍵性作用，是住宅市場發展的動力因素。但台立. 給之特性，其並建議欲達成住宅政策目標，應從住宅需求方面著手；朱湘嵐（2002）. ‧ 國. 學. 北市同時是投資話題較多的市場，建設公司推出住宅產品會利用大量廣告行銷手法吸引需求者（羅于婷，2010）。. ‧. 為釐清不動產市需求與供給因素對交易量之影響，本研究沿用此概念，將交. sit. y. Nat. 易量的影響因素主要分為需求和供給因素討論，另外由於在個體市場中，無論買. al. er. io. 方或賣方，都會依憑價格決定是否購買或出售，亦即價格會影響市場參與者的行. v. n. 為，進而對交易量產生影響，因此將房價看作供給與需求的整合因素加以論述。. Ch. engchi. i n U. 一、需求因素影響交易量之需求因素主要包含人口家戶、購屋者收入（McCarthy and Peach， 2004；Gallin，2006)，以下分述之。 1.家戶數家戶為住房需求的基本單位（張金鶚等人，2013），家戶數為一個地區人口規模的多寡，會影響住宅需求的改變，主要原因是一個家庭都需要一間房子。在現今社會中，小家庭的家庭結構越來越普遍，家戶數的增加就會造成住宅消費需求的增加，使整體住宅市場的交易量上升（曾喜鵬、薛立敏，2004；林婉婷，2014）， 12. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(21) 住宅市場交易量冷熱區空間分析. 故家戶數較多的地區，理論上對房屋的需求越大，交易量隨之增加。 2.所得所得反映住宅的負擔能力，由於住宅不同於一般產品的消費，購屋需花費龐大金錢成本，進而對其他家庭支出造成排擠。故收入越少，所得花費在購屋占比越高，從而降低購屋意願（Mills & Hamilton，1994）。林祖嘉、林素菁（1994）針對所得彈性大小對住宅需求的影響研究中，認為住宅因為具消費財特性而相對缺乏彈性，因此所得彈性愈大（即所得增加），會使房屋需求量增加。Kenny(1999) 利用向量誤差糾正模型估算愛爾蘭住宅市場均衡機制，實證顯示所得為住宅市場. 政治大. 長期需求穩定關鍵因素，平均每戶家庭可支配所得對於住宅需求具有正向拉升作用。. 立. 此外所得越高也意味償債能力越佳，通常償債能力較佳者，銀行貸款意願或. ‧ 國. 學. 貸款額度也會較高，因此所得會提高購買動機，對交易量為正向影響（Tsai and. al. er. io. sit. y. Nat. 二、供給因素. ‧. Peng ，2010；魏文欽、洪麗芬，2011）。. v. n. 住宅供給是指特定時期內，市場上可供出售的住宅數量總和，可分為流量及. Ch. engchi. i n U. 存量討論，流量指的是新建房屋，而存量指興建完成存在於市場的房屋 (Quigley,1999)。 1.新增住宅數量以新建房屋而言，常以建築執照及使用執照作為流量指標。建商新建住宅時，必須事先申請建築執照，待完工後才可再申請使用執照。故兩者差別為建築執照為交易量的前期統計指標；使用執照是交易量的當期統計指標，影響當期交易量增加（林素菁、林祖嘉，2001）。 2.既存住宅數量. 13. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(22) 第二章相關理論與文獻回顧. 而房地產具有相當長的耐久性，故房地產的供給除新建流量外，亦包含既有存量的轉手供給，而中古屋的銷售主要透過仲介作為媒介，亦有部分是由買賣雙方直接交易或是透過網路銷售等其他管道。由於房屋興建資金與時間成本大，因此新屋供給量佔市場交易量少數，不動產市場買賣交易以成屋為主（花敬群、張金鶚，1997），但建商會以個案行銷手法吸引購屋者購買住宅，帶動市場的交易量（彭建文，2004）。整體而言，無論新增住宅數量或是既有存量的待售住宅與住宅交易量均呈正向關係。. 三、價格因素. 立. 政治大. 在消費市場中，價格一直都是影響產品最直接的因素，因為價格的高低可直. ‧ 國. 學. 接且明確的看見產品在消費者心中的價值，住宅也不例外（林婉婷，2014）。不動產價格基本上可分為兩種類型，其一為價格，其二為價格的變動幅度，此兩種. ‧. 類型對住宅交易量的影響各不相同。. sit. y. Nat. 1.住宅價格. n. al. er. io. 住宅價格是購屋者取得房地產所支付的成本。在一般不考慮其他因素的情形. i n U. v. 下，當房屋價格越高，會造成一般購屋者購買需求的能力降低，促使住宅交易量. Ch. engchi. 下降（張金鶚等人，2013）。也就是說，房價反映購屋成本，與消費者支付能力相關（張金鶚、高國峰、林秋瑾，2001），因此與消費性需求有關，需求者傾好價格較低之產品。但對供給者而言，房價反代表收益，當價格越高，其出售意願亦會增加( Taltavull and Gabrielli, 2015)，因此房價對交易量的影響有待後續實證分析始能確定。 2.房價變動率房價變動率可視為投資報酬，以需求面角度觀之，若為消費性需求，因較注重房屋的使用效益，因此房價變動對消費性需求者影響不大，但若為投資性需求，房價變動率為正代表房價持續走高而有預期報酬，需求會增加（魏文欽、洪麗芬， 14. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(23) 住宅市場交易量冷熱區空間分析. 2011）。以供給面角度觀之，當預期房價變動率為正，考量未來不確定性及持有成本，賣方會傾向售出房屋使供給增加，反之若房價變動率為負，意味資產損失，由於厭惡損失的心理，賣方不願出售，供給量會減少（陳明吉、曾琬婷，2008；林左裕、程于芳，2014），總結上述，房價變動率為正時，需求（投資性）與供給皆會增加，交易量增加；房價變動率為負時，需求（投資性）與供給皆會減少，使交易量減少。. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 15. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(24) 第三章研究設計與資料說明. 第三章第一節. 研究模型與資料處理. 研究設計. 本研究實證分析主要分為兩部分（詳圖 3-1），一者為直接將各里交易量件數作為被解釋變數分析影響交易量之因素；另一者則改以各里交易量透過熱點分析，將各里分為熱區、非冷熱區及冷區三者作為被解釋變數分析。兩模型皆在討論影響交易量之因素，惟兩者選用的被解釋變數型態不同，選用模型亦有差異。故本章後續將依序說明資料處理過程以及選用之模型，並於第四章實證結果比較兩模型之差異。. 政治大. 立. 模型二. ‧ 國. 學. 模型一. 各里交易量. ‧. Nat. 被解釋變數：各里交易量. n. al. er. io. sit. y. 熱點分析. Ch. engchi. i n U. v. 被解釋變數：將各里分為冷區、非冷熱區、熱區. 交易量影響因素分析. 圖 3-1 研究設計圖. 16. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(25) 住宅市場交易量冷熱區空間分析. 第二節. 資料說明與處理. 為探討臺北市交易量影響因素，本研究所需資料包含交易量與相關影響因素之資料，本節首先說明選取資料空間及時間範圍，而後分開說明被解釋變數及解釋變數之資料來源、資料處理過程。. 一、資料選取範圍本研究以台北市作為研究地區，並以各里為基本分析單位。實價登錄啟用前，相關住宅交易量資料皆源自地政機關所提供之不動產登記統計資料，該資料最小統計範圍僅至行政區，然而實際住宅交易情況可能雖位於同一行政區，但區內交. 政治大. 易行情卻有很大落差，若以行政區作為分析單位，勢必無法切確找出交易熱區。. 立. 實價登錄資料因擁有區段地址，可透過 GIS 軟體計算至更小單元，進行更細緻的. ‧ 國. 學. 分析。本研究復考量影響交易量因素資料之選取，由於政府提供之所得資料最小單位為里，故以台北市各里進行分析。. ‧. 時間範圍，主要考量實價登錄於民國 101 年 8 月上路，而本文選取之解釋變. y. Nat. sit. 數資料中，各里所得中位數僅有年資料之形式，且資料時間僅至民國 104 年，故. n. al. er. io. 選取民國 102 年至 104 年期間進行分析，並以年為分析單位。. 二、住宅交易量資料. Ch. engchi. i n U. v. 本研究計算台北市民國 102 年至 104 年各年各里交易量，住宅交易量資料源自內政部不動產交易實價查詢服務網（實價登錄資料）。由於實價登錄資料記載之交易案件不僅限於住宅，因此需進行資料的篩選。本文首先剃除僅有土地或車位之交易案件；建物型態欄位保留住宅大樓、華廈、公寓、套房及透天厝，主要用途欄位保留住家用、住商用及國民住宅之交易案件。另外為符合住宅格局，刪除衛浴數為零、建物移轉面積小於 5 坪之交易樣本。而後將交易案件座標匯入地理資訊系統(Geographic Information System, GIS). 17. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(26) 第三章研究設計與資料說明. 計算臺北市各里當年總計交易量（詳參圖 3-2、3-3、3-4）。由於無交易量無法計算該里當年度平均成交價格作為解釋變數，故剔除交易量為零之里3，合計三年各 441 個里，共 1323 筆資料作為交易量樣本，敘述統計如表 3-1，從平均數來看可發現 102 年至 103 年交易量逐年遞減。表 3-1 模型一被解釋變數敘述統計表. 被解釋變數：交易冷熱區時間. 102 年. 103 年. 104 年. 個數. 441. 441. 441. 平均數. 38.89. 31.25. 24.31. 標準差. 32.03. 27.78. 18.17. 最大值. 267. 最小值. 1. 立. 政治3041 大. 107 1. ‧ 國. 學 ¯. ‧. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 累積交易量0 - 20件累積交易量21 - 40件累積交易量41 - 60件累積交易量61 - 100件累積交易量101 - 200件累積交易量200 - 304件. 0 0.45 0.9. 1.8. 2.7. 3.6 Miles. 圖 3-02 台北市民國 102 年各里成交量示意圖. 3. 經觀察發現交易量為零的里，其用地面積以學校、公園、公家機關用地或是山地為主，住宅數量極少，故剔除亦應不影響研究結果。 18. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(27) 住宅市場交易量冷熱區空間分析. ¯. 累積交易量0 - 20件. 立. 累積交易量21 - 40件. 政治大. 累積交易量41 - 60件累積交易量61 - 100件累積交易量101 - 200件. 0 0.45 0.9. 1.8. 2.7. 3.6 Miles. 學. 圖 3-3 台北市民國 103 年各里成交量示意圖. ¯. Nat. n. al. er. io. sit. y. ‧. ‧ 國. 累積交易量200 - 304件. Ch. engchi. i n U. v. 累積交易量0 - 20件累積交易量21 - 40件累積交易量41 - 60件累積交易量61 - 100件累積交易量101 - 200件. 0 0.45 0.9. 累積交易量200 - 304件. 1.8. 2.7. 3.6 Miles. 圖 3-4 台北市民國 104 年各里成交量示意圖. 19. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(28) 第三章研究設計與資料說明. 本文另擷取交易量前十位之里（詳表 3-2），其中南港區三重里 102 年為第一、 103 及 104 年為第二，南港經貿園區位於該里，可能因為有許多知名企業、飯店和飲食集團進駐，吸引就業人潮進而使交易量增加4。從行政區來看，中山區每年皆有二至三個里交易量位居前十，內湖區則有一至二個里，其中內湖區清白里為捷運內湖站所在地區，屬內湖區發展較成熟的地區，周邊生活機能完善。另外民國 104 年交易量排名北投區共佔四名，其中清江里及奇岩里鄰近奇岩重劃區，新建建案多；永欣里則可能因榮總醫院位於此區而帶動交易量。表 3-2 民國 102 年至 104 年各里成交量排名前十表. 民國 104 年. 交易量. 267. 北投區清江里. 107. 2. 中山區中山里. 3. 內湖區清白里. 253 立 213. 南港區三重里. 106. 松山區慈祐里. 164. 北投區奇岩里. 99. 4. 中山區正義里. 168. 中山區正義里. 150. 5. 中山區晴光里. 161. 南港區中研里. 133. 6. 內湖區寶湖里. 161. 文山區木柵里. 131. 7. 南港區重陽里. 152. 中山區中山里. 126. 8. 文山區興旺里. 145. 北投區長安里. 125. 9. 北投區永和里. 142. 北投區建民里. 121. 10. 信義區安康里. 140. 內湖區清白里. 120. Nat. io. n. al. 三、住宅交易冷熱區. Ch. engchi. 中山區正義里. 93. 內湖區清白里. 92. 北投區永和里. 89. 中正區網溪里. 87. y. 南港區三重里. 交易量. 中山區晴光里. 86. 北投區永欣里. 85. 內湖區金湖里. 82. sit. 1. 民國 103 年. er. 交易量. ‧ 國. 治 304 萬華區新和里政大南港區三重里 233. ‧. 民國 102 年. 學. 排名. i n U. v. 本研究依前述方式計算台北市民國 102 年至 104 年各年各里交易量，並依此按年分別進行熱點分析後，依熱點分析結果將交易量分為冷區、非冷熱區及熱區作為研究對象。欲尋找交易熱區，先以 Moran’s I 檢定進行全域分析，檢定結果依表 3-3， Moran’s I 值各年分別為 0.277、0.157 與 0.271，P 值小於 0.01，表示研究地區交易量分布有空間群聚現象，如圖 3-5。故後續再以 Local G-statistic 進行區域分 4. 參考網路新聞資料，http://home.appledaily.com.tw/article/index/20150124/36345895/news/ ， [2018/05/02] 20. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(29) 住宅市場交易量冷熱區空間分析. 析，找出交易量冷熱群聚位置。. 表 3-3 Moran's I. Moran’s. I. P value. 102 年. 0.277. 0.00. 103 年. 0.157. 0.00. 104 年. 0.271. 0.00. 立. 政治大. ‧. ‧ 國. 學. io. sit. y. Nat. 圖 3-5 Moran's I. 檢定結果圖. er. 年份. 檢定結果表. al. n. v i n 利用 local G-statistic 方法進行熱點分析，可依據值將各里進行分類。 Ch engchi U. 小於-1.65 者，表示在 90%信心水準下，該里顯著有冷區群聚的現象， 1.65 者，表示在 90%信心水準下，該里顯著有熱區群聚的現象，若. 值. 值大於. 值介於前面. 兩者之間，表示該里並無顯著的冷區或熱區聚集現象。本研究依此將各里分為交易冷區（. 值小於-1.65）、熱區（. 值大於 1.65）及非冷熱區（. 值介於-1.65 至. 1.65）三者作為被解釋變數。表 3-4 為將交易量透過熱點分析分類後之敘述統計，可發現各年度交易量分區以非冷熱區為主，個數約占八成，其亦表示冷區及熱區集中於特定區域。熱區個數在此三年差異不大，三年各大約占 13%、14%；冷區個數 102 年與 103 年僅. 21. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(30) 第三章研究設計與資料說明. 差 5 個，但 104 年較 103 年多出約一倍，可能與 104 年整體交易量減少有關。. 表 3-4 模型二被解釋變數敘述統計表. 被解釋變數：交易冷熱區時間. 102 年. 103 年. 104 年. 個數. 百分比. 個數. 百分比. 個數. 百分比. 冷區(1). 23. 5.22%. 18. 4.08%. 37. 8.39%. 非冷熱區(2). 355. 80.50%. 361. 81.86%. 346. 78.46%. 熱區(3). 63. 14.29%. 62. 14.06%. 58. 13.15%. 合計. 441. 100.00%. 441. 100.00%. 441. 100.00%. 政治大. 圖 3-6、3-7、3-8 為民國 102 年至 104 年各年度分開計算之冷熱區地圖5 ，圖. 立. 中深色表示交易量多之聚集地區，斜線區域為交易量少之低值群聚區域。為方便. ‧ 國. 學. 閱讀，本文另套疊三年冷熱區分布如圖 3-9，深色表示交易量多之聚集地區（熱. ‧. 區），斜線部分為交易量少之低值群聚區域（冷區），白色為三年皆非冷熱區之里。熱區及冷區又依顏色深淺而有不同，顏色最深者表示三年皆為熱區（或冷區）；. y. Nat. io. sit. 次深者表示該里三年內有其中兩年被歸類為熱區（或冷區），其餘一年為非冷熱. n. al. er. 區；顏色最淺則表其中一年為熱區（或冷區），其餘兩年為非冷熱區。. Ch. i n U. v. 從分析結果來看，三年內並無任一里是直接從熱區變為冷區或由冷區變為熱. engchi. 區，三年間熱區群聚位置十分相近，熱區部分主要位於市郊地區，包含士林、北投交界地方、文山區萬芳木柵地區以及內湖區，市中心區僅有位於中山區的鄰里為交易熱區。至於冷區則主要集中在士林山區；位於市中心的大安區、信義區零星鄰里顯示冷區；較早期發展的萬華區、中正區、大同區亦有部分顯示為交易冷區。此三年主要交易熱區與過往對台北市蛋黃區如大安區、信義區為交易熱區之認知有明顯差距。此三年主要交易熱區多位於近郊區之現象，可能與高房價相關，根據內政部不動產資訊平台資料顯示，台北市房價所得比自民國 92 年景氣回溫 5. 圖中空白代表該里當年或三年中無交易量，這些里主要為山地、學校、公園或公家機關用地。 22. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(31) 住宅市場交易量冷熱區空間分析. 的 6.40 倍，一路上升至民國 102 年的 15.01 倍，意味所得水準與房價水準兩者差距日益加大，使得市中心地區即便地段良好，但在支付能力不足或支付意願不高的狀況下使得需求者選擇近郊附近的住宅產品。但究竟何種因素造成交易冷熱區如此分布，還需經後續分析確定。. 立. 政治大. ‧. ‧ 國. 學 er. io. sit. y. Nat. al. n. 圖 3-6 台北市民國 102 年交易冷熱區圖. Ch. engchi. i n U. v. 23. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(32) 第三章研究設計與資料說明. 立. 政治大. ‧ 國. 學. 圖 3-7 台北市民國 103 年交易冷熱區圖. ‧. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 圖 3-8 台北市民國 104 年交易冷熱區圖. 24. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(33) 住宅市場交易量冷熱區空間分析. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 圖 3-9 台北市民國 102 年至 104 年交易冷熱區圖. 25. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(34) 第三章研究設計與資料說明. 四、解釋變數選取由於本文旨在探討影響交易量之因素，故將解釋變數主要分為需求面和供給面兩者，另外由於價格亦同時包含需求與供給兩種資訊，因此與兩者分開說明。以下將詳細介紹選取之解釋變數。 (一)需求因素 1. 家戶數由於家戶為住房需求的基本單位（陳彥仲，1997），故本研究將家戶數視為各里的潛在需求，推論家戶數較多的地區，對房屋的需求越大，對交易量為正向. 政治大. 影響，資料取自社會經濟資料服務平台。. 立. 2. 所得. ‧ 國. 學. 所得代表負擔能力與償債能力，收入越少，所得花費在購屋之占比越高，從而降低購屋意願；反之所得越高會增加購買動機，故對交易量為正向影響。為避. ‧. 免極端值影響所得衡量，本研究選用各里所得中位數為分析資料，單位為千元。. y. sit. al. er. io. 1. 使照戶數. Nat. (二)供給因素. v. n. 建築使用執照為已完工新建住宅，屬於房地產中的成屋市場中新增的供給，. Ch. engchi. i n U. 由於供給增加，促使交易量增加，因此對交易量影響預期符號為正（彭建文， 2004）。資料取自台北市政府資料開放平台使用執照摘要中地址資料，再由地址資料轉換為經緯度座標，匯入地理資訊系統計算而得。 2. 仲介家數使用執照戶數為市場新增的供給，屬於流量的供給。供給存量受限於現有資料最小範圍僅致行政區，故無法得知各里住宅存量。若從不動產交易過程來看，由於交易過程手續繁多，且市場資訊不透明導致搜尋成本高，因此實際交易常透過房屋仲介業居間(Yava,1994;李春長，2009)，是以本文改以各里仲介家數作為市場上流通之待售住宅，代表存量的供給，預期仲介家數越多，代表該區流通在 26. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(35) 住宅市場交易量冷熱區空間分析. 市場上的產品越多，對交易量影響為正。 (三)價格因素 1. 房屋單價中位數房屋價格因為由供需雙方共同決定而成，以需求面而言，房屋價格水準偏向消費性需求，因此與交易量呈反向關係；以供給面而言，房屋價格增加代表收益，故供給亦會增加進而導致交易量增加（花敬群、張金鶚，1997）。在兩相反的影響之下，房價水準對交易量的影響須待後續實證再進行釐清。本研究以實價登錄交易資料作為樣本，由於每筆交易的房屋特徵及交易情形皆有所不同，且資料所. 政治大行計算，勢必無法得出準確數值，因此本文以特徵價格法重新估算每筆交易案件立. 載的「總價」欄位，部分含車位價格部分不含，若直接依實價登錄所載之價格進. 成交價格。. ‧ 國. 學. 首先，為使交易案例近似正常交易情形，樣本中刪除有備註欄6、異常點7、. ‧. 有車位交易、資料不全者。模型中以房屋成交單價取對數作為被解釋變數，主要. y. Nat. 考量價格與房屋屬行可能為非線性關係與變異數不齊一問題，利用半對數模型可. er. io. sit. 使房價分布較為常態、降低異質性（Malpezzi,2002）。解釋變數包含交易面積取對數、屋齡、移轉樓層、住宅型態（分為住宅大樓、華廈、公寓與透天厝）、房、. al. n. v i n 廳、衛個數、與捷運站距離、時間虛擬變數（以月為單位）、行政區虛擬變數及 Ch engchi U. 里虛擬變數。並以最小平方法進行估計，同時本文通過變異數膨脹係數（Variance Inflation Factor, VIF）檢定，確定模型中解釋變數間不存在共線性8。復將重新計算各樣本之成交單價以里為單位，計算各里成交單價中位數，改善以平均數計算易受極端值影響之缺點，計算單位為萬元/坪。 6. 實價登錄交易資料的備註欄內容多為特殊交易情形，如親友交易、價格包含增建等，其交易價格與正常交易價格常有落差，故予以刪除。 7 本文所指異常點包含 1.移轉土地面積為零之交易案件，概建物之移轉必涉及土地之移轉。2.移轉衛浴數為零之交易案件，由於住宅基本格局必定有衛浴空間，因此將衛浴數為零是為異常案件，予以刪除。 8 當 VIF 值愈低，表示變數間共線性愈低，通常 VIF 值大於 10，認定模型所使用變數間具有共線性（Malpezzi,2002），本研究檢定變數間 VIF 皆小於 10，不具共線性問題。. 27. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(36) 第三章研究設計與資料說明. 2. 房價變動率無論從供給或需求角度，房價變動率對交易量影響為正，其中需求偏向投資面，房價變動率為正代表房價持續走高而有預期報酬，需求會增加。以供給面角度觀之，因為賣方厭惡損失惜售，房價變動率為負時，供給會減少。本研究計算房價變動率方式為（當年各里成交單價中位數-去年各里成交單價中位數）/去年. 各里成交單價中位數。所有變數整理如表 3-5、3-6。. 表 3-5 模型變數說明表. 變數名稱. 所得中位數. 連續變數，各里每年所得中位數。. 仲介家數. 連續變數，各里每年仲介店家數。. 房屋單價中位數. 房價變動率. ＋. y. al. ＋. 連續變數，依使用執照記載各里今年與去年完工住宅戶數9。連續變數，以實價登錄資料重新以特徵價格模型估計各筆交易樣本成交單價再依此計算各里成交價中位數，單位為萬元/坪。連續變數，以當年各里成交單價中位數 -去年各里成交單價中位數）/去年各里成交單價中位數計算。. n. 使照戶數. ＋. sit. io. 價格變數. 連續變數，各里每年家戶數。. Nat. 供給變數. 實價登錄平台. ‧. 需求變數. 立. Ch. engchi. 資料來源實價登錄平台. 學. 家戶數. 政治大. 各里交易量共有三類，1 代表為交易冷區，2 為非冷熱區，3 代表交易熱區。解釋變數. er. 模型二：交易冷熱區. 預期符號. ‧ 國. 模型一：交易量. 變數說明被解釋變數. i n U. v. ＋. 社會經濟資料服務平台人口統計資料財政部財政資訊中心綜合所得稅申報初步核定統計專冊台北市地政局不動產經紀業備查統計台北市政府資料開放平台歷年使用執照摘要. ＋/－. 實價登錄平台. ＋. 實價登錄平台. 9. 本文曾試以當年度使用執照進行計算，發現對交易量影響不顯著，故推測可能新屋置於市場上需要一段時間去化，故考量時間落差，改以當年及前年使用執照戶數計算各里新增供給量。 28. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(37) 住宅市場交易量冷熱區空間分析. 表 3-6 模型解釋變數敘述統計表. 使照戶數. 最大值. 戶. 102 年 103 年 104 年. 2307.50 2331.11 2345.35. 700.22 711.25 720.80. 709 715 713. 4259 4338 4438. 千元. 102 年 103 年 104 年. 720.59 742.95 750.52. 120.37 124.04 120.97. 513 528 540. 1215 1241 1269. 102 年. 2.45. 2.78. 0. 17. 103 年 104 年. 2.58 2.65. 2.99 3.16. 0 0. 18 20. 24.89 治 50.75 政 22.88 43.21 大立104 年 24.50 49.22. 0 0 0. 559 317 390. 家. 102 年 103 年. 戶. 萬元/坪. 百分比. Nat. 102 年 103 年 104 年. 59.11 61.90 59.26. 18.12 19.06 16.89. 18.05 20.12 22.35. 113.01 122.87 120.91. 102 年 103 年. 10.15 5.70. 20.13 15.34. -68.57 -60.84. 181.54 157.96. 104 年. -2.50. 15.73. -47.09. 137.41. ‧. 房價變動率. 最小值. 學. 房屋單價中位數. 標準差. y. 仲介家數. 平均數. io. sit. 所得中位數. 年分. n. al. er. 家戶數. 單位. ‧ 國. 變數名稱. Ch. engchi. i n U. v. 29. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(38) 第三章研究設計與資料說明. 第三節. 實證模型之建立. 一、追蹤資料模型(panel data) 以交易量作為被解釋變數之模型選擇部分，可分為使用最小平方法(ordinary least squares)之混合資料(pooled data)、以及追蹤資料模型固定效果(fixed effect) 與隨機效果(random effect)模型三種。混合資料由於採用最小平方法估計，該模型假設不同個體間具有相同之截距項，因此若個體具有差異，使用最小平方法估計會造成偏誤。而固定效果模型及隨機效果模型則可接受固體具有差異，因此樣本截距項為不同數值。而模型挑選可透過特定統計檢定找尋（詳圖 3-10）。首先. 政治大. 可分別透過 F 檢定及 LM 檢定選擇使用混合資料或是追蹤資料較適切。F 檢定主. 立. 要在判斷個體間之截距項是否有顯著差異，其定虛無假設「H0：每個個體的截距. ‧ 國. 學. 項皆相同」，若拒絕虛無假設，則接受固定效果模型。LM 檢定亦在判斷截距項是否有差異，其設虛無假設「H0：所有樣本其殘差之變異數為零」，若拒絕虛無假. ‧. 設，則接受隨機效果模型。. y. Nat. sit. 若 F 檢定及 LM 檢定皆拒絕 H0，則需進一步確認隨機效果模型與固定效果. n. al. 其中. Ch. 為各里各年交易量，. er. io. 模型何者較佳。固定效果模型之公式如下：. i n U. e為解釋變數， ngchi. v. 為其係數，則為模型誤差. 項，為截距項。式中假設截距項為特定常數，即每個里都有特定截距項，並著重於各里間的差異。隨機效果則假設截距項為隨機變數，且其必須與解數變數間不相關，並且重於樣本整體的趨勢，其公式如下，其中. 代表各里間的誤差。. Hausman 發現使用固定效果模型與隨機效果模型會產生不同估計結果，因 30. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(39) 住宅市場交易量冷熱區空間分析. 此有必要確認採用何種設定，而判斷基準在個體效果與解釋變數間是否相關 (Hsiao,2014)，其定虛無假設「H0：截距項與解釋變數為獨立」，若虛無假設成立，表示個體效果與解釋變數無相關，若使用固定效果，估計係數將不具有效性（張紹勳，2016），故應選擇隨機模型，反之則選取固定效果模型。. F 檢定. LM 檢定. 政治大. 立拒絕 H. 接受 H0. 使用 fixed effect 較佳. 使用 random effect 較佳. ‧. ‧ 國. 接受 H0. 學. Nat. io. sit. y. 使用 pooled OLS 較佳. Hausman 檢定. n. al. Ch. engchi. er. 使用 pooled OLS 較佳. 拒絕 H0. 0. i n U. 拒絕 H0. v. 接受 H0. 使用 fixed effect 較佳. 使用 random effect 較佳. 圖 3‑10 追蹤資料模型選擇流程圖. 31. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(40) 第三章研究設計與資料說明. 二、熱點分析熱點分析指找出事件相互靠近的空間型態，一般可將分析方法分為座標分析，座標分析係針對點資料的分析方法，常見的熱點分析和屬性分析（參圖 3-11）方法如最近鄰階層群聚(Nearest Neighbor Hierarchical Clustering Method) 及核密度估計(Kernel density estimation)，兩者主要透過計算點與點之間的距離，並以統計檢定分析群聚的可靠度，藉此尋找熱區（廖興中、廖洲棚及陳敦源，2015）。屬性分析的分析單位則不僅限於點，且可進一步分析相鄰地區之地物屬性值是否相近，亦即是否有空間相依性。鄰近住宅有相似的鄰里特徵、交通. 政治大依問題存在，因此本研究將選用屬性分析方式。立. 可及性，對需求者而言具有替代性，而使鄰近的里間交易量可能相近，有空間相. ‧ 國. 學. 透過屬性分析進行熱點分析時，又可依分析的範圍將分析方法分為全域分析及區域分析，全域分析主要在了解研究範圍的整體分布型態，即判斷是否存在群. ‧. 聚的現象，但並無法得知群聚的位置；區域分析則可針對研究範圍內每一空間單. sit. y. Nat. 元計算出一個統計值，了解地區內空間群聚(熱區、冷區)的分布位置。因此欲尋. al. er. io. 找熱區，本文將先進行全域分析，判斷台北市各里交易量的分布是否有空間群聚. v. n. 現象，後再進一步進行區域分析，找出交易量群聚的位置。. Ch. engchi. i n U. 32. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(41) 住宅市場交易量冷熱區空間分析. 最鄰近分析全域分析. 座標分析. 核密度分析空間型態分析. Moran's I 全域分析. Geary's C. 屬性分析. LISA 區域分析. 立. Local G Statistic (Gi*). 政治大. 圖 3-11 空間型態分析方法分類圖. ‧ 國. 學. （一）全域分析. ‧. 全域分析目的在了解整體空間是否有聚集關係，因此其即為空間自相關的檢. y. Nat. 定，檢定方法包含 Moran’s I、Geary’s C 等方法，但目前應用多以 Moran’s I 為主. er. io. sit. （溫在弘，2015），故本研究將採用 Moran’s I 檢定交易量是否存在空間自相關， Moran’s I 計算公式如下：. n. al. 上式中，I 為 Moran’s. Ch. engchi. i n U. v. I 的統計量，n 為台北市里的數量。為 i 里的住宅. 交易量，j 代表與 i 里為鄰近關係的里，為 j 里的住宅交易量，. 為 i 里與 j 里. 的鄰近權重。分子為 i 里交易量與整體平均之差和其他鄰近 j 里交易量與平均值之差的乘積，主要計算鄰近的里相似程度，因此若鄰近的里交易量相似，且皆高於（或低於）平均值甚多，獲得的 I 值越大。I 值範圍介於-1 至 1 之間。若該值. 33. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(42) 第三章研究設計與資料說明. 大於 0 且越接近 1 代表鄰近地區間越相近，呈聚集分布；反之小於 0 越接近-1 呈現分散分布，若越接近 0 即為隨機分布。求得 I 值後再將其標準化進行顯著性檢定。設虛無假設(H0)為「空間型態非群聚，即Ｉ≦0」，對立假設(H1)為「空間型態群聚，Ｉ＞0」，在給定顯著水準下，得否拒絕虛無假設，依此判斷研究範圍是否有空間相依。（二）區域分析區域分析即為空間自相關的局部檢定，可以了解空間群聚的分布位置，檢定方法如 Local Indicators of Spatial Association (LISA)、Local G-statistic (Gi*)，兩者. 政治大值包圍，因此本研究將利用 Local G-statistic (Gi*)統計方法，找尋交易熱區及冷立差別在於 Local G-statistic 統計值可直接辨識各空間單元是被相同高值或相同低. 區，計算公式如下：. ‧. ‧ 國. 學. n 其中 i≠j，. er. io. sit. y. Nat. al. v i n ， j 里的鄰近權重。 C h為 i 里與其所有鄰近的 engchi U. 的大小主要受鄰近地區權重、交易量大小影響，式中分子中減去(. 值. 和分母. 皆為標準化的過程，因此. 值可直接與臨界值比較，判斷是否有足夠信心水準拒. 絕虛無假設，虛無假設為. ，代表 i 里沒有聚集現象；若拒絕虛無假設則表. 示有群聚現象。再透過. 之正負值判斷冷熱群聚，值為正代表高值群聚（熱區），. 為負表示低值群聚（冷區）。. 34. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(43) 住宅市場交易量冷熱區空間分析. 三、次序羅吉特結合追蹤資料模型(panel ordered logit model ) 由於本研究係將交易量分為冷區、熱區與非冷熱區三類作為被解釋變數，而三個分類間其實具有程度上的差異，並非完全獨立的選項，因此應選用次序羅吉特模型(ordered logit model)較適宜(Mehmetoglu & Jakobsen,2016)。另外本研究選取之資料同時包含時間與橫斷面之資料，若以最小平方法估計混合資料(pooled)，容易產生變異數異質(heteroskedasticity)或自我相關(autocorrelation)的問題，而追蹤資料分析可同時考慮不同個體與時間面的差異，故選擇次序羅吉特結合追蹤資料模型進行分析。. 政治大透過 Hausman 檢定判斷應採固定效果或隨機效果較佳，但次序羅吉特模型屬非立. 另需說明者為追蹤資料常可分為固定效果與隨機效果之估計方式，實證上多. ‧ 國. 學. 線性模型，由於非線性固定效果模型之估計值不具一致性，因此多採用隨機效果模型(Random effects ordered logit model；黃芳玫、吳齊殷，2010）。次序羅吉特. ‧. 結合追蹤資料模型之公式為：. n. 冷區. 若. C非冷熱區 h e n g c若h i 熱區若. er. io. sit. y. Nat. al. i n U. v. 是隱藏的變數(latent variable)，表示無法實際觀察到的各里交易量，由於本文先前已將各里交易量透過熱點分析轉換為冷區、熱區及非冷熱區，因此從熱點分析的結果來看無法得知各里實際交易量件數。. 為影響. 的變數；為係數. 值；為隨機效果的誤差；為誤差項。而實際可觀察到的變數(observed variable) 為. ，. 別為、. 共有 j 個種類，分別為冷區、非冷熱區及熱區，因此共有 2 個臨界點分。若將可觀察的結果. 轉為累積機率如下表示： 35. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(44) 第三章研究設計與資料說明. 其中 H(·)是羅吉特累積分布函數。定義指數函數 I(. ) = 1，若. 落在第 j 個. 區間，則指數函數值 I = 1; 反之 I = 0, 則此模型之概似函數為. 立. 政治大. ‧ 國. 學. 取log 之後, 極大化log概似函數，即可估得模型中及k的估計值。. ‧. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 36. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(45) 住宅市場交易量冷熱區空間分析. 第四章. 實證結果與分析. 為了解供需因素對交易量之影響，本研究將被解釋變數分為兩類，一為各里交易量；另一者為透過熱點分析將各里分類為冷區、熱區及非冷熱區三者，再透過追蹤資料固定效果模型及次序羅吉特結合追蹤資料模型確認交易量受需求或供給因素之影響何者為多，本章將分述交易量進行分析之結果及交易冷熱區進行分析結果。. 第一節. 供需因素對交易量之影響. 以交易量作為被解釋變數之模型，本文透過統計檢定選取最適模型。統計檢. 政治大. 定 F 值為 3.57，P<0.05，表示固定效果模型優於混合資料估計；LM 統計值 179.5，. 立. P<0.05，表示隨機效果模型優於混合資料估計，故再進行 Hausman 檢定，得值. ‧ 國. 學. 150.27，P<0.05，拒絕 H0，故固定效果模型為最適合模型，模型結果如表 4-1。. ‧. 係數. 家戶數. -0.1189. y. 變數. sit. Nat. n. a仲介 l C h. -0.0182***. er. 所得中位數. io. 需求因素. 表 4-1 固定效果模型結果表. 供給因素. 價格因素. 使照戶數. engchi. v i-0.73 n U 0.067***. 房屋單價中位數. 0.14. 房價變動率. -0.56. 常數項. 434. 模型檢定. 統計量. P值. F test. 3,57. 0.00. Hausman test. 150.27. 0.00. 37. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(46) 第四章實證結果與分析. 供給因素中，仲介家數對交易量影響不顯著；使照戶數在 1%顯著水準下，正向顯著，與預期相符，從係數來看，該里使照戶數每增加 100 戶，交易量會增加 6.7 筆。需求因素中，家戶數對交易量影響不顯著且所得對交易量負向影響顯著，與過往文獻皆有差距，而價格因素方面，各里房屋單價中位數和房價變動率對交易量影響亦不顯著。從解釋變數顯著性及影響方向來看，除使照戶數外，其餘變數皆與原先預期有落差，本文考量可能原因在於交易量各筆之差異性不大，且亦無法透過觀察歸納特性將其分組，故本研究以熱點分析之統計檢定為交易量分組之依據。最重要. 政治大解釋變數從交易量改為交易冷熱區，進一步分析。立. 者為以交易量為被解釋變數並無法考慮鄰近地區對彼此影響的效果，故本文將被. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 38. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(47) 住宅市場交易量冷熱區空間分析. 第二節. 供需因素對交易冷熱區之影響. 由熱點分析結果可以發現，研究期間內，交易熱區多集中於近郊地區，為進一步探討影響交易量多寡（冷熱）的因素，本文運用次序羅吉特結合追蹤資料模型，以每年各里屬交易冷區、熱區或非冷熱區三者作為被解釋變數，並將解釋變數分為需求因素、供給因素及價格因素，探討供需因素對交易量的效果。首先透過 Wald test 進行個別自變數顯著檢定，Wald 統計量為 37.4，p 值<0.05，得拒絕虛無假設，表示在模型中至少有一個預測變量的迴歸係數不等於零。模型配適度方面，透過概似比檢定( likelihood ratio test；LR test)結果得. =333.20，p. 政治大比(ordered logit model)更適切，主要可能因為追蹤資料模型可以同時考慮不同個立值<0.05，代表本文所使用的次序羅吉特結合追蹤資料模型較一般羅吉特模型相. ‧ 國. 學. 體與時間面的差異，可提升模型解釋力。. 從模型結果來看，需求因素變數中，家戶數與所得分別在 1%及 5%顯著水準. ‧. 下係數為正，代表家戶數越多或所得中位數越高的里，交易越熱絡，影響方向與. sit. y. Nat. 預期相符。供給因素變數中，雖仲介家數對交易冷熱程度影響不顯著，但使用執. al. er. io. 照戶數達 1%顯著水準，係數為正，代表新建房屋越多的里，交易越熱絡，回應. v. n. 彭建文（2004）指出建商行銷手法確實可吸引購屋者購買住宅，進而帶動市場的. Ch. engchi. i n U. 交易量。但以 odds ratio 比較，就需求面而言，家戶數每增加 100 戶，該里為交易熱區比非冷熱區及冷區組高 1.19 倍，所得中位數每增加 1000 元，該里為交易熱區比非冷熱區及冷區組高 0.02 倍。使照新建戶數每增加 100 戶，該里為交易熱區比非冷熱區及冷區組高 1.08 倍，略低於家戶數，加上仲介家數影響不顯著之結果，故影響交易量因素應以需求面較顯著。價格因素方面，房價中位數從預期方向來看，以賣方角度而言房價代表收益，因此價格越高的里預測交易量越多；但對買方而言房價代表購屋成本，因此可能會偏好價格較低的地區，而實證結果在 1%顯著水準下係數為負，代表成交單價. 39. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(48) 第四章實證結果與分析. 越低的里交易越熱，每坪單價每增加 1 萬元，該里為交易熱區比非冷熱區及冷區組低 0.94 倍，符合買方預期方向，可能代表此時較偏向買方市場。該結果可能反映了當時的市場氛圍：台灣房地產價格自民國 92 年 SARS 結束後止跌回升，民國 97 年雖遇金融海嘯，但房價並未受到嚴重衝擊反持續走高，房價長期看漲之勢使民眾怨聲四起，例如民國 98 年行政院研考會辦理網路民調，調查結果顯示「都會區房價過高」為民怨之首，以及 101 年年初，政大未來事件研究所評估台灣選民對執政政府的「十大民怨」，結果「房價過高」以抱怨度 89.7 分登上排行榜第一名（楊智元，2017）。但實證結果亦同時發現房價變動率對交易量影響. 政治大就整體結果而言，以交易冷熱區為分類之模型除仲介家數影響不顯著外，其立. 正向顯著，代表市場上投資性的需求仍存在。. 餘變數皆與符合預期，較以交易量為被解釋變數之固定效果模型佳。本文另有以. ‧ 國. 學. 交易量作為被解釋變數使用隨機效果模型進行估計，由於隨機效果模型與 panel. ‧. ordered logit model 為兩不同模型，無法直接透過統計檢定判別何者為佳，但隨. y. Nat. 機效果模型中所得變數對交易量之影響僅達 10%顯著水準，證明有考量空間相依. n. al. er. io. 結果詳見附錄。. sit. 分析之冷熱區分類方式仍較逕以交易量進行分析之模型佳。隨機效果模型之實證. Ch. engchi. i n U. v. 40. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(49) 住宅市場交易量冷熱區空間分析. 表 4-2 panel ordered logit model 實證模型結果表變數家戶數. 0.174***. 0.0119. 所得中位數. 0.590**. 0.0180. 仲介使照戶數. 立. 治政 0.815*** 大 -0.065***. 房價變動率. 2.236*** 統計量. Wald test. 51.86. -0.937 9.358 P值. y. Nat. 模型檢定. 0.0108. ‧. ‧ 國. 房屋單價中位數. io. LR test. 1.12. 學. 價格因素. 0.120. al. 325.47. 0.00. sit. 供給因素. odds ratio. er. 需求因素. 係數. 0.00. n. v i n 註：***、**、*分別代表在C 1%、5%與 10%顯著水準下，該變數顯著異於零。 hengchi U. 41. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(50) 第五章第一節. 結論與建議. 結論. 本文為回應過往對交易量分析之不足，以民國 102 年至 104 年實價登錄資料計算台北市各里每年交易量作為研究對象，並參考過去相關交易量之研究，發現多使用縱斷面資料、時間序列模型分析變數間先後關係，且分析結果多以統計數據、統計圖方式呈現。然而除可透過時間上交易量的變化了解市場景氣，交易量其實也是一種空間分布，亦包含空間上冷熱的差異。是以，本文改以追蹤資料進行分析，利用熱點分析尋找交易冷熱區，再透過羅吉特結合追蹤資料模型，探求. 政治大. 交易量受需求或供給影響較顯著。本文於學術面將交易量結合空間概念，改善過. 立. 往研究未考量空間影響造成的偏誤；於實務面透過熱點分析建立台北市交易熱區. ‧ 國. 學. 地圖，可作為消費者購屋之參考，得到結論有二：. ‧. 一、交易量具有空間相依性. 本文考量交易量可能受鄰近地區影響造成空間自相關，並利用 Moran’s I 檢. y. Nat. io. sit. 定交易量分布有空間群聚現象。復透過熱點分析尋找近年台北市交易熱區，並依. n. al. er. 此將交易量分為冷區、熱區及非冷熱三區，本研究選擇使用分類方式而不直接以. Ch. i n U. v. 交易量作分析單位之原因在於，冷區、熱區及非冷熱區的分類包含了空間相依的. engchi. 意涵，若僅放各里交易量進行分析，無法考量地區間可能具有相互影響效果，進而造成模型計算的偏誤。. 二、影響各地區交易量冷熱因素以需求因素影響較供給因素顯著首先熱點分析方面，本文發現交易熱區多集中在內湖區、士林與北投區交界與文山區等近郊地區，與過去大眾認為市中心地區因優越位置，因此房價較高、交易較熱絡的認知相反。若觀察本文研究期間房價變化，依內政部不動產資訊平台提供之住宅價格指數資料，民國 102 及 103 年房價雖然仍持續上漲，但從 102. 42. DOI:10.6814/THE.NCCU.LE.005.2019.A05.

(51) 住宅市場交易量冷熱區空間分析. 年交易量冷熱區分布位置而言，其實已反映市場上多數買方對於價格難以負擔，因此成交案件位於近郊地區。而從實證分析來看，將影響交易冷熱之可能因素分為供給面和需求面，結果顯示交易熱度（交易量）受需求因素影響較顯著，主要原因在模型中家戶數與所得中位數分別對交易量為正向顯著的影響；對比供給因素，僅有使照戶數有影響，且從 odds ratio 比較，家戶數越多的里為熱區的機率略高於使照戶數越多的里。而就價格因素而言，房屋單價中位數越低的里，交易越熱絡，實證結果與需求面預期方向相同，且此時需求應偏重消費性需求，對消費性需求者而言，房屋使用. 政治大品。該結果也回應冷熱區分布位置的情形，交易熱區多出現在價格較低的里代表立主要目的在於居住，房屋價格反映的是購屋成本，因此偏好價格較低的區位或產. 市場較偏向買方，造成需求因素影響較供給顯著。惟同時房價變動率為正對被歸. ‧ 國. 學. 類為交易熱區有提升的效果，亦說明此時市場上投資性需求仍存在。. ‧. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 43. DOI:10.6814/THE.NCCU.LE.005.2019.A05.