摘要

　　台灣總人口數於2020年轉入負成長，預計2025年65歲以上人口佔比將超過 20%，邁向超高齡化社會。台灣北、中、南各區域高齡化與少子化程度不同，各區域的產業、醫療、社會扶助、房屋市場等受到的影響當然有所差異。此外，台灣北、中、南區域天氣差異大，冬季氣溫差異更為明顯。因此，本研究在考量區域人口結構變動對房價影響下，提出一實證模型分析各地區氣候差異對區域房價之影響。

　　本研究蒐集自2012年至2022年各縣市資料，採用固定效果模型（fixed-effect model）進行迴歸估計，研究結果顯示：（1）扶老比、工作人口比率、淨遷徙率、就業機會、住宅存量之差異等變數對房價差距皆具有顯著影響效果。（2）台灣各地區氣溫差異與房價差距有關。（3）當北部與南部、北部與中部的氣溫差距越高，兩地房價差距越大；而中部與南部之影響效果則是相反。（4）氣溫差異與房價差距之間的影響效果會因都會區與否而有所不同。

 

壹、前言

　　一地的人口成長由自然增加與社會增加¹共同組成，現今我國年輕世代生育意願低落使得自然增加率不斷下滑，國家發展委員會2020年發布的人口推估報告²顯示，台灣總人口數於2020年轉入負成長，預計於2025年65歲以上人口佔比將超過 20%，邁向超高齡化社會。隨著老齡化程度提高，我國扶老比逐年升高，1990年平均每百人只要扶養9.33名老人，到2025年則躍升至29.37人，相當於每3人須扶養1名老人。

　　另一方面，社會增加率亦為台灣各縣市人口分佈之重要決定因素。驅使人口移動或遷徙之因素繁多，政府經濟政策也扮演關鍵角色。台灣自1960年代採取出口導向之經濟發展政策，帶動經濟快速蓬勃發展，促使人口逐漸由南往北移動，北部地區人口於1966年首度超越南部地區； 1970年代十大建設及80年代爾後之經濟轉型，確立北部人口就業優勢，人口更加集中於北部地區。1991至2010年間，桃園縣及台北縣的人口增幅位居全國縣市之前兩名，台北市則成為人口減幅最大之城市，而中部地區人口朝向台中縣集中，南部地區人口仍不斷外流。³依據表1內政部戶政司人口統計資料顯示，2021年淨遷入成長前五名分別為新竹縣、金門縣、新竹市、澎湖縣及連江縣，而直轄市遷出人數均大於遷入，六大都會區⁴之中，台北市、新北市、高雄市及台中市皆列於倒數五名，其中台北市已連續七年呈現社會增加率負成長。

　　關於人口結構對房市影響的相關研究，Gevorgyan （2019）指出少子化與老齡化對房價造成負面影響，鄭惠如（2006）採用縱橫資料分析人口結構變化與房價變動之相關性，研究結果提出高齡化及少子化對房地產市場有負面影響。彭建文和蔡怡純（2017）使用1982至2010 年我國19個縣市資料發現生育率提高有助於提升房價，扶老比上升則會降低房價，少子化與人口老化對未來房價產生負面衝擊。然而Wang and Kinugasa （2022）以中國2002年至2017年31個行政區資料進行實證研究，發現扶老比上升對房價有正向影響，但扶幼比上升將使得房價下降。

　　我國各縣市人口數大致呈現逐年減少之態勢，人口數雖然不斷減少，但房屋市場交易依舊十分熱絡。由圖1民國101年第一季至110年第三季台灣北中南地區房屋平均單價所示，整體房價均呈現上揚之趨勢，北部地區平均單價高出將近中部及南部一倍，中部平均房屋單價僅略高於南部地區近1萬元。圖2住宅價格指數之變化可進一步觀察到六大都會區房價上升幅度頗高，台南市位居第一，其後依序為台中市、桃園市、高雄市，而北部都會區新北市及台北市則低於全國漲幅。房價上漲與民眾購屋負擔息息相關，如圖3我國房價所得比⁵整體呈現有緩步上升之趨勢，其中六都中以台北市及新北市購屋負擔最大，同位於北部的桃園市為六都購屋負擔最小之縣市，台中市負擔比亦高於全國平均，台南市及高雄市負擔比雖低於全國平均，卻自110年起也有明顯上升走勢，應與該地區近年來中位數住宅價格上漲有關。

　　Mankiw et al. （1989）指出人口結構改變會影響房屋需求，而房屋需求變動對房價有顯著影響。Cerito lu（2017）使用土耳其2003至2014年家庭預算調查資料分析房價對家庭消費之影響，發現房價變化對同一世代的消費成長有正向且顯著之影響，而房價變化對房屋持有者的影響更大，此變化隨年紀漸增並間接影響其消費能力。另外， Gourley（2020）實證研究結果指出降雨顯著影響美國房價，但取決於溫度高低；如果夏季天氣較涼爽，降雨機會增加將使房價下降，冬天則是氣溫較低，降雨機會增加將推升房價。

（圖1）台灣北中南部地區房屋平均單價

（圖2）六大都會區住宅價格指數

（圖3）台灣房價所得比

　　台灣南北天氣差異甚大，冬季氣溫差異更為明顯（如圖4）⁶，桃園以北及宜蘭之東北部地區受到東北季風影響，經常出現陰雨綿綿天氣，而中南部地區因中央山脈阻隔水氣，冬季相對少雨、多日照且溫暖舒適，加上近年來陸續增加科學園區等建設，提供更多就業機會，造成南部地區房市日益熱絡。針對台灣區域居住環境氣候特性的明顯差異，本研究在考量各地區人口結構特性，包含進遷徙率、扶老比、三階段人口比率等變數對區域房市之影響下，嘗試分析氣溫差異是否為影響台灣區域房價差異之重要因素，並探討北部、中部及南部地區氣溫差異對住屋市場價格差異之影響效果。再進一步分析各地區氣溫差異對房價差異之影響效果是否因都會區與非都會區而有所不同。

　　本研究蒐集自2012年至2022年台灣西半部各縣市之縱橫資料（panel data），運用固定效果模型（fixed-effect model）進行實證分析，分析結果顯示，第一、扶老比、工作人口比率、淨遷徙率、就業機會、住宅存量之差異等變數對房價差距皆具有顯著影響效果。第二、兩地氣溫差異確實對房價差距產生顯著影響。當北部與南部、北部與中部的氣溫差距越大，兩地房價差距越大；而中部與南部溫差越大，兩地房價差距越小。第三、氣溫差異對房價差異之影響效果在都會區與非都會區有所不同，兩者間之顯著正向影響僅發生於都會區，非都會區則為顯著負向影響或是效果不顯著。

（圖4）台灣北中南部地區冬季平均氣溫

本文第二節說明模型設定及資料來源，第三節分析實證估計結果，最後是結論與建議。

 

 

貳、模型設定與資料來源

一、 模型設定

　　本文欲探討我國各地區氣候差異及人口結構特性對房價差異之影響。依據國家發展委員會「都市及區域發展統計彙編」定義，將台灣本島西半部地區劃分為北中南三個區域，如表2，並採用固定效果模型（fixedeffect model）進行估計，以控制異質變異性（Heteroscedasticity）及序列自我相關（autocorrelation）問題。迴歸模型設定如下：
（1）

迴歸式（ 1 ） 中下標i 代表觀察單位，i=1,…,N，t代表觀察時間，t=1,…,T。被解釋變數為各地區房價差異（y），主要解釋變數為各地區冬季氣溫差異（temp），及控制變數（CV），其包含淨遷入率、工作人口比率、扶老比、住宅存量及就業機會，εit為誤差項，而α1i 稱為個別效果（individual effect），不隨時間變動而改變，但不同觀察單位卻有不同個別效果。

　　接著本文如表2所列，將各地區所涵蓋之縣市依國發會定義分類，直轄市及省轄市歸納為都會區，而其餘縣市為非都會區，進行子樣本迴歸估計，從中細看氣候差異及人口因素對房價差異之影響是否因都會區與否而有所不同。

二、 資料來源

　　為進行上述實證分析，本研究蒐集縱橫資料，資料期間為2012年1月至2022年4月，涵蓋我國西半部地區共17個縣市，包含北部地區7個縣市、中部地區5個縣市及南部地區5個縣市，並將各變數依照縣市所屬地區兩兩相減，可分別得出北部－南部、北部－中部、中部－南部之差異值，相關基本統計量如表4。

　　房價資料蒐集自內政部不動產資訊平台之不動產成交案件實際資訊資料供應系統，整理上述縣市之房屋買賣案件資料，包含縣市、交易日期、建物型態及房屋單價。由於本文主要聚焦於集合住宅房型之價格，因此經過濾後，挑選出建物型態為公寓、住宅大樓、華廈及套房之成交資料，並採用中位數作為當月該縣市住屋平均單價，以避免受到極端值之影響。主要解釋變數氣溫差異，其資料來源為交通部中央氣象局觀測資料查詢系統，本研究選用接近該縣市中心或人口集中地區，且具有足夠長度時間資料的測站數據為主，各縣市測站編號如表3。由於全台夏天氣溫均高於 25℃，南北差異並不明顯，所以本研究選用每年10月至隔年2月之冬季平均氣溫差異作為衡量指標。

　　參考既有文獻研究結果，本文採用各縣市扶老比、工作人口比率、每月淨遷徙率、就業機會及每季住宅存量指標作為控制變數。扶老比以各縣市65歲以上人口數佔15至64歲人口數之比，再乘上100來衡量，表示每一百位工作年齡人口所需要扶養之老年人口數，該指標值越高表示扶養負擔愈大。再根據Mankiw（1988）關於房屋需求與成年人口數相關之論述，本研究將15至64歲人口佔總人口比率之值，作為成年人購屋需求能力之衡量指標。

　　淨遷徙率，或稱社會增加率，即為總遷入人數扣除總遷出人數再加上住址變更人數之總和，佔期中人口總數之比例。我們使用該指標差異衡量各縣市人口的變動，淨遷徙率差異為負值，表示該地區人口因遷徙而流失；而淨遷徙率為0時，表示遷徙對該地區人口變化無任何影響。若一縣市淨遷入人口增加將影響其住屋需求，進而帶動房價上漲，根據內政部各縣市人口遷移統計，北部縣市近年較普遍存在淨移出的現象，相較之下，南部縣市的人口移出狀況較緩，兩地淨遷徙率差異呈現上升趨勢。

　　Yazgi（2013）指出人口遷移決策會受到就業機會影響，因此本研究參考薛立敏與曾鵬喜（2000），採用經濟部統計處發布的商業登記家數，計算商業登記家數佔全市人口數比例以衡量各地就業狀況。最後，本研究以內政部發布的各地區房屋稅籍住宅類數量作為住宅存量變數，反應房地產市場供給之變動情形。

 

參、實證結果

　　台灣北部與南部地區氣溫對房價之影響如表5，第（1）欄指出氣溫差異與房市價差之間存在正向影響，且在1% 信心水準下，具有統計顯著性。第（2）欄至第（6）欄則是依序加入兩地扶老比、工作人口比率、淨遷徙率、就業機會、住宅存量之差異等控制變數，實證結果顯示，在其他條件不變之下，當冬季的北部－南部溫度差異每增加攝氏一度，北部－南部房市單價差距平均提高2.290至3.114萬元。由此可知，當冬季南部天氣越暖而北部氣溫越低，將擴大北部與南部房價之差異。

　　整體而言，在5% 信心水準下，扶老比、工作人口比率、淨遷徙率、就業機會、住宅存量之差異等變數對房價差距皆具有顯著影響效果。扶老比差異與房價差異有正向關係，表示北部與南部工作年齡之人口需要扶養的老年人口數差距越大，北－南房價差距將隨之擴大；工作人口比率差距越大，表示有能力負擔房貸的剛性需求人口比例拉大，擴大兩地房價差距；淨遷徙率差異對房價差距為顯著負向影響，當兩地的社會人口增加差異擴大，將使得縮小南北房價差距縮小；就業機會差距提高，會減少北－南房價差距；至於住宅存量差異與房價差異之影響則為同向，兩地住宅存量差距增加，將使房價差距擴大。

　　表6整理北部與中部地區氣溫對房價影響，表中第一欄說明在1% 信心水準下，北部與中部氣溫差距對其房市價格差異之影響為顯著正向。即使陸續加入控制人口及結構等變數，如第（2）欄至第（6）欄之結果，顯示在其他條件不變下，當冬季的北部－中部溫度差異每增加攝氏一度，兩地房市單價差距平均提高4.278至5.955萬元，意即兩地區冬季氣溫差異越大時，兩地房價差異將會擴大，且影響效果超過北－南部地區。整體而言，在10% 信心水準下，扶老比、工作人口比率、淨遷徙率、住宅存量之差異等變數對房價差距皆具有顯著影響效果，且類似北部－南部地區結果。唯有當就業機會差距愈接近時，會使得北－中房價差距擴大。

　　表7為中部與南部地區溫度差異對房價影響，我們發現中部－南部氣溫差異對兩地區之房價差異為顯著負向影響，當冬季中部－南部溫度差異每增加攝氏一度，兩地房市價格差距平均減少0.907至1.941萬元，此結果與北－南、北－中地區的研究結果相反。

　　接著，本研究將樣本分為都會區與非都會區，分析氣溫對於房價之影響，估計結果如表8。第（1）欄和第（2）欄顯示北部－南部都會區溫差越大，兩地都會區之房價差距越大，與全區估計結果大致相同。而非都會區氣溫差異與房市價差之間卻呈現顯著負向關係，且北部與南部非都會區之氣溫差距每增加攝氏一度，平均房價差距減少約1.619萬元。此研究結果應證了近幾年南部地區逐漸熱絡之房市交易趨勢，以非都會區而言，南部冬季偏暖之天氣型態可提供更好的居住品質，再加上較寬廣的居住空間、較為低廉的生活成本，以及較慢的生活節奏等因素，吸引不少退休人士與慢活族群移入，形成休閒氣氛濃厚的居住環境與生活空間，促使南部非都會地區房價上揚，降低兩地房價差距。

　　第（3）欄和第（4）欄說明，北部- 中部都會區冬季溫差越大，兩地都會區房價差距越大；而非都會區之溫差對於房價差距之影響則為正向，但並不顯著。推測中部非都會區之平均氣溫受到南投縣氣候影響，北部與中部冬季平均氣溫差異非常微小，北部氣溫高於中部氣溫的情況也經常發生，導致其影響效果不明顯。最後， 第（5）欄和第（6）欄指出，中部－南部地區都會區冬季溫差越大，兩地都會區之房屋平均單價差距會顯著增加；非都會區部分則呈現相反結果。

 

肆、結論與建議

　　本文在控制人口結構特性因素下，研究氣溫條件是否為我國區域房價變動之重要影響因素。我們蒐集2012年1月至2022年4月西半部地區共17個縣市之縱橫資料，運用固定效果模型進行實證分析，得到以下結論：首先，扶老比、工作人口比率、淨遷徙率、就業機會、住宅存量之差異等變數對房價差距皆具有顯著影響效果。再者，氣溫條件確實影響各地區房屋平均價格。北部－南部及北部－中部地區氣溫差距越大，兩地房價差距越大，且北部－中部地區之影響效果超過北部－南部；而中部－南部地區氣溫差距越大，將使得兩地房價差距下降。最後，北部－南部與中部－南部地區非都會區之氣溫與房價差異間呈現顯著負向關係，說明南部溫暖宜人之氣候條件對於兩地非都會區之購屋族群具有吸引力，促使人口由北向南移動，進而影響南部地區購屋需求及房價。

　　本研究結果可提供一個台灣區域房價變化趨勢的研究方向與模式，建議未來後續研究可增加考量交通條件、教育資源、醫療資源等因素對區域房價差異的影響，進行更完整的分析。

 

---

參考文獻

中文文獻
1. 何一峰、付海京 （2007），影 我 人口 移因素的 分析，浙江社會科學，第2 期，頁47-51。
2. 吳宥履 （2020） ，人口老化和經濟停滯對台灣房地產的影響: 以六都為例，國立臺北大學經濟學系碩士論文，新北市。
3. 徐茂炫、陳建亨、黃彥豪 （2011），逾百年臺灣縣市人口興衰之轉折： 1897-2010，人口學刊， 第43期，頁109-135。
4. 徐茂炫、黃敏星，百年台灣人口重心演變之比較： 1897-2006。
5. 彭建文、蔡怡純，人口結構變遷對房價影響分析 （2017），經濟論文叢刊，第45卷第1期，頁163-192。
6. 薛立敏、李中文、曾喜鵬 （2003），台灣區域人口遷移及其與就業市場、住宅市場關係之實證研究，都市與計劃，第30
卷第1期，頁37-62。
7. 薛立敏、曾喜鵬 （2000），臺灣各都市內部遷移率與住宅市場關係之實證研究，住宅學報，第9卷第2期，頁79-97。

英文文獻
1. Engelhardt, G. V. and Poterba, J. M. （1991） . House prices and demographic change: Canadian evidence. Regional Science and Urban Economics, 21（4） , 539-546.
2. Gevorgyan, K. （2019） . Do demographic changes affect house prices ？ . Journal of Demographic Economics, 85（4） ,
305-320.
3. Gourley, P. （2021） . Curb appeal: how temporary weather patterns affect house prices. The Annals of Regional Science, 67（1） , 107-129.
4. Hardman, A. M. and Ioannides, Y. M. （1995） . Moving behavior and the housing market. Regional Science and Urban
Economics, 25（1） , 21-39.
5. Mankiw, N. G. and Weil, D. N. （1989） . The baby boom, the baby bust, and the housing market. Regional science and
urban economics, 19（2） , 235-258.
6. Wang, Y. and Kinugasa, T. （2021） . The relationship between demographic change and house price: Chinese evidence.
International Journal of Economic Policy Studies, 1-23.
7. Yazgi, B., Dokmeci, V., Koramaz, K., and Kiroglu, G. （2014） . Impact of characteristics of origin and destination provinces onmigration: 1995‒2000. European Planning Studies, 22（6） , 1182-1198.