【科普專欄】解密台北房租與房價的脫鉤：AI機器學習之應用 (陳明吉)

作者：陳明吉 / 國立政治大學財務管理學系教授

解密台北房租與房價的脫鉤：AI機器學習之應用

近年來，許多大都會區的房價上漲速度遠超過租金，拉大了兩者之間的差距。這種現象引發了一個根本問題：如果房價與租金皆源自同一個居住資產，為何會出現如此持久且不斷擴大的脫鉤現象？為了系統性地比較房屋銷售與租賃市場的定價邏輯，一項最新研究聚焦於台北市，運用了解釋型AI(XAI)的機器學習與計量經濟學方法，深入探討兩者的根本差異。

• CatBoost 模型：採用此先進的梯度提升決策樹演算法，捕捉市場中潛藏的非線性定價模式，克服了傳統線性迴歸的限制。
• SHAP（Shapley Additive exPlanations）：為了提供模型的全域與局部可解釋性，可精確計算單一變數對預測值的邊際貢獻度，並能透過 SHAP 熱力圖（Heatmap）將具備相似特徵的樣本分群，呈現出潛在的次市場結構。

兩大市場的核心驅動力：資產預期 vs. 居住消費

透過特徵重要性分析，研究證實台北市的買賣與租賃市場完美呼應了傳統理論中的「資產市場」與「空間市場」二分法：

• 房價受「區位與資產屬性」主導： 在買賣市場中，購屋者擁有完整的房屋所有權，房價的核心決定因素為行政區、屋齡與捷運距離等條件。這反映出購屋者不僅為了獲取當下的居住空間，更是針對未來的資本增值、學區資源與都市更新選擇權進行長期的「資產定價」與保值投資。
• 租金受「居住效用與設備」主導： 由於租客僅擁有房屋的使用權，租賃市場完全由「空間市場」的消費邏輯驅動。租金的高低主要取決於建物總面積、屋齡與內部設備（如網路與家電設備）。這顯示租客的付租能力受到當期所得預算嚴格限制，定價完全回歸當下的居住空間消耗與實際使用便利性。

研究進一步透過SHAP熱力圖發現，在買賣市場中，「行政區」是驅動樣本分群的最主要特徵，從非精華區到大安、信義等精華地段，行政區強烈決定了房價預測的分佈，證實房價高度反映空間資本化與長期資產預期。相反地，租金模型的熱力圖顯示行政區主導地位弱化，由「建物面積」與「內部設備」驅動分群，證實租金更貼近居住消費價值。

此外，兩大市場在共同變數上也存在顯著不同的非線性轉折點：

• 捷運距離的溢價極限：對購屋者而言，為了在交通便利與避開車站周邊的商業噪音、擁擠等負面外部性之間取得平衡，房價的溢價轉折點落在距離捷運站593公尺處。相反地，租客的決策完全取決於當下的通勤實用性，使得租金的溢價轉折點大幅緊縮，僅在距離車站165公尺內才具有正向貢獻，超過此距離便轉為顯著的折價。
• 屋齡的U型反轉：隨著房屋物理條件老化，買賣市場的房價在跌至 35 年屋齡時會達到轉折谷底；超過此轉折點後，因土地潛在的「都市更新」與重建選擇權價值浮現，價格開始止跌甚至回升。然而，租客無法享受未來的重建增值利益，租金僅單純反映實體建築與設備的衰退，直到屋齡達 44 年時才趨於穩定，缺乏房市中的U型反彈轉折。
• 面積的坪數門檻：購屋者考量長遠的家庭居住需求、未來規劃與資產配置，對大坪數有較高的容忍度，使得單位房價的溢價轉折點高達30.8坪。但在租賃市場中，租客對每個月的總租金預算極為敏感；為了追求最高的空間坪效，單位租金的轉折點提早發生在20.4坪，超過此面積後，額外空間帶來的邊際效用便會迅速遞減並轉為折價。

綜上所述，科學實證確切證實，台北市房價與租金長期嚴重脫鉤的核心機制，在於房價持續將未來的增值預期與區位稀缺性提前資本化；而租金則始終嚴格受制於在地租客的真實所得與當期居住效用。

本文由陳明吉改寫自：Fang-Ni Ch, Ming-Chi Chen, Tzu-Hsuan Lin (2026)，Analysis of Housing Price and Rent Deviation Based on Explainable AI (XAI): Deconstructing Holding Premium and Feature Crossover Points, 32nd ERES Annual Conference, Vienna, 07/02/2026
此科普文經Gemini Pro輔助改寫與語句潤飾，內容全數基於原學術論文撰寫，且經作者修改與確認後發布