先前用幾篇文章的篇幅探討完財團法人金融聯合徵信中心「OpenData專區房貸類統計資訊」，接著來看「購置住宅貸款統計資訊」提供的數據。
該區統計數據分成「存量」與「流量」，為避免篇幅過長，因此將分成兩個篇幅探討。
本文先分享關於「存量」方面的統計資料。（文長慎入）
購置住宅貸款統計資訊定義
相關名詞定義皆來自財團法人金融聯合徵信中心。
房貸：擷取授信戶「融資業務分類」為「購買住宅貸款（非自用）」、「購買住宅貸款（自用）」及「購買住宅貸款（其他）」者，統稱為「房貸」。
流量（房貸XX新增XX的統計數據）：指某一段時間內（例如2015年1月至3月，以2015Q1表示）新增之房貸，相關資訊包括平均授信餘額、平均授信額度、平均鑑估值、平均核貸成數、平均利率、平均建物面積等。並以貸款者之特徵變數（性別、年齡、年收入、學歷）及建築物之特徵變數（所在之行政區、屋齡或建物類別、地區路段別）分別列之。
存量（房貸XXXX）：指某一特定時間點（例如2014年12月，以201412表示）之房貸，相關資訊包括平均授信餘額、平均授信額度、平均鑑估值、平均核貸成數、平均利率、平均建物面積等。並以貸款者之特徵變數（性別、年齡、年收入、學歷）及建築物之特徵變數（所在之行政區、屋齡或建物類別、地區路段別）分別列之。
存量與流量的概念，以機車來舉例：存量就是統計至2024年底，全台有1400萬輛機車（全台機車總數）；流量就是2024年70萬新掛牌數（當年銷量），流量資料也是存量資料的一部分。
存量可以簡單理解成「已經在市場裡的總量」，流量表示「納入該市場的數量」。以房貸市場來說，存量就是全台房貸總人數、房貸總金額等數據，流量則是買房貸款的人數有多少、房產鑑估值、放款額度等資料。假設截至2024年底，全台有220萬房貸族（存量），其中有20萬人為當年核貸買房（流量）。
以上只是簡單說明存量與流量變化，具體跟機車一樣，需綜合考量流進與流出對存量造成的變化。
房貸存量樣本整體狀況
與「存量」相關的統計資料共分成：整體、年收入、建物類別、屋齡、縣市別、鄉鎮市、地區路段別。
先來看整體樣本的統計數據（徵信中心從2012年才開始有完整統計數據，在此之前只有樣本統計）：
樣本數、個人房貸總人數、樣本涵蓋率
可以發現樣本數逐年上升，樣本數至2024年底已經涵蓋房貸總人數的65%。
從整體平均授信狀況來看（包含平均授信額度、平均鑑估值以及平均核貸成數）：
存量樣本整體平均授信狀況
可以發現不論是授信額度還是鑑估值都是逐年緩步向上，至2024年底平均鑑估值已經來到1175萬，平均授信額度為833萬，換算下來的平均核貸成數約為71%，皆是有統計數據以來的新高。
如果看核貸成數的中位數，中位數也來到75.7%的新高：
房貸存量樣本＿核貸成數-中位數
整體存量樣本的平均利率，至2024年底來到2.32%的新高：
房貸存量樣本＿平均貸款利率
最後來看整體的平均建物坪數：
房貸存量樣本＿平均建物坪數
雖然平均建物面積長年維持在40坪以上，但礙於不同的建物類別坪數差異甚大，稍後章節再來細看不同建物下的平均坪數面積。
房貸存量樣本＿年收入
礙於聯徵中心將年收入細切成21個級距(年收入0–400萬以上，每20萬一個級距)，部分圖表塞不下，會改以數據表格並佐以顏色呈現。
先來看樣本組成：
房貸存量樣本＿年收入級距分布
可以發現年收入0-160萬占了近八成，其中40–60萬占最大宗，其次為60–80萬，80-100萬則佔據第三，光上述三個級距長年就占了五成比重。
接著來看平均鑑估值：
房貸存量樣本＿年收入平均鑑估值 (千元)
基本上年收入與鑑估值成正比，收入越高的房產價格也越高。
各年收入的平均核貸成數：
房貸存量樣本＿平均核貸成數（年收入）
基本上核貸成數也是與年收入成正比，且大多數都落在70%上下，只是年收入在排序上沒有與鑑估值整齊。
如果改看核貸成數的中位數：
房貸存量樣本＿核貸成數中位數（年收入）
可以發現薪資越低，核貸成數也較低，但最下限也都壓在70%。
年收入0-40萬明顯落後其他級距，近年來連40-60萬也明顯降低，來到倒數第三的位置。其餘有逐漸脫離主要群體趨勢的還有60-80萬、80–100萬，各自佔據倒數第四與第五。
意味著21個年收入級距中，只要年收入＜100萬，核貸成數隨著年收入下降而減少。
接著來看平均貸款利率：
房貸存量樣本＿平均貸款利率（年收入）
平均貸款利率還滿集中的，至2024年底，平均利率都落在2.3%上下浮動。
最後來看平均建物坪數：
房貸存量樣本＿平均建物坪數（年收入）
基本上年收入與購買坪數成正比，收入越高購買的坪數也越大，價格也越高。這也間接證明平均鑑估值與坪數大小有所關連。
房貸存量樣本＿建物類別
建物類別共分成七個項目，分別是：公寓、別墅、電梯大廈、透天厝、樓中樓、套房與其他。
首先看樣本組成：
房貸存量樣本＿建物類別百分比
電梯大廈長年佔據第一的寶座，且比重還逐年成長，至2024年底已佔據五成多比重！其次為透天厝，長年佔據2成比重；公寓則長年佔據10%比重排名第三。
光上述三者就長期占據至少八成以上比重！近年比重甚至來到九成，主要來自於電梯大廈的成長。
接著來看各建物類別的平均鑑估值：
房貸存量樣本＿建物類別平均鑑估值 (千元)
除了其他類的鑑估值突然驟升外，其他建物類別的排序長年維持不變。
滿意外的，我以為別墅或透天厝會長年第一，想不到竟是樓中樓長年佔據第一，後續排名為別墅＞電梯大廈＞透天厝＞公寓＞套房。（「其他」忽略不計）
接著來看平均核貸成數：
房貸存量樣本＿平均核貸成數（建物類別）
從2009年的發散，到2024年趨於集中。除了電梯大廈逼近72%外，其他建物類別落在69–70%。
接著來看核貸成數中位數：
房貸存量樣本＿核貸成數中位數（建物類別）
從上表發現，中位數下限落在68%。至2024年底，電梯大廈來到了78%，最低的套房落在70%。
接著來看平均貸款利率：
房貸存量樣本＿平均貸款利率（建物類別）
套房明顯長年都高於其他建物類別，其他都糾纏在一起。
最後來看平均建物坪數：
房貸存量樣本＿平均建物坪數（建物類別）
平均坪數幾乎都長年持平，排名也是長年維持：別墅(79坪)＞樓中樓(71坪)＞透天厝(56坪)＞電梯大廈(45坪)＞公寓(30坪)＞套房(13坪)。
房貸存量樣本＿屋齡
礙於聯徵中心將屋齡細切成13個級距(屋齡0–36年以上，每3年一個級距)，部分圖表塞不下，會改以數據表格並佐以顏色呈現。
首先看樣本組成（因為沒有明顯多數，就不用累積百分比長條圖表示）：
房貸存量樣本＿屋齡分布
明顯從麻花繩中竄出頭的是36年以上老宅，截至2024年底，0–3年新房則是微微冒出頭來。
接著來看各屋齡的平均鑑估值：
房貸存量樣本＿各屋齡平均鑑估值 (千元)
因各年齡層像麻花繩一樣糾纏，除了房價越來越高外，看不出太明顯的端宜。改以色溫圖呈現：
房貸存量樣本＿各屋齡平均鑑估值 (千元)
接著來看平均授信額度(千元)：
房貸存量樣本＿各屋齡平均鑑估值 (千元)
同屋齡鑑估值狀況，糾結的麻花繩，除了看到房價緩升外，沒有特別的觀點可以分享給讀者。
接著來看平均核貸成數：
房貸存量樣本＿平均核貸成數（屋齡）
從上表可以發現，貸款成數的地板落在66%，除了0-9年屋明顯脫離麻花繩，以及9-12年屋微幅排名第四外，其餘屋齡沒有明確影響平均核貸成數。
接著來看核貸成數中位數：
房貸存量樣本＿核貸成數中位數（屋齡）
可以發現只有0-9年的新成屋與新古屋冒出頭，且0–6年屋幾乎可以貸到近八成，6–9年則緩緩升到78%，第四名的9–12年微微脫離糾纏一塊的麻花繩，約可貸到75%。
其他屋齡沒有一定排序，就不再贅述。有趣的是，不論屋齡，可以發現70%幾乎就是地板，跌不下去。
接著來看各屋齡的平均利率：
房貸存量樣本＿平均貸款利率（屋齡）
各屋齡差異不大，唯一有微微與其他屋齡脫離的就是0–3年屋。
房貸存量樣本＿平均貸款利率（屋齡）
用色溫圖看，發現利率變化雖不大，屋齡還是有微幅的影響。屋齡越高利率越高，其中0-12年屋利差排序較穩定，屋齡越大則與利率關係沒這麼一定。
尤其是屋齡＞36的利率並不是最高的，反而是屋齡24–30利率較高。
最後來看各屋齡平均建物坪數：
房貸存量樣本＿平均建物坪數（屋齡）
坪數再低也低不過30坪，且除了>36年屋明顯低於其他屋齡外，其餘幾乎是麻花捲。畢竟影響建物坪數的關鍵因素是在「建物類別」而非屋齡。
房貸存量樣本＿縣市別
由於台灣有22個縣市，部分圖表塞不下，會改以數據表格並佐以顏色呈現。以外，須注意桃園縣轉桃園市，所以圖表會發現數據會斷掉。
首先來看樣本組成：
房貸存量樣本＿縣市分布百分比
可以發現六都就占了樣本八成比重。
接著來看各縣市鑑估值（去除樣本較少之縣市）：
房貸存量樣本＿各縣市平均鑑估值 (千元)
台北市平均鑑估值不出意外，遙遙領先其他縣市。截至2024年底，第二、三名為新北市與新竹縣糾纏，第四、五名則為台中市與新竹市角逐，第六、七、八名則為桃園市、高雄市與台南市競逐之。
接著來看平均核貸成數（去除樣本較少之縣市）：
房貸存量樣本＿平均核貸成數（縣市別）
截至2024年底，大部分的縣市平均核貸成數都可以貸到7成，可以發現花蓮的平均核貸成數最高，台北市則是主要縣市中最低的。
接著來看核貸成數中位數（去除樣本較少之縣市）：
房貸存量樣本＿核貸成數中位數（縣市別）
2009年較為發散，截至2024年的核貸成數中位數落在74~78%之間。
接著來看平均貸款利率：
房貸存量樣本＿平均貸款利率（縣市別）
發現基隆市的平均利率，近年來時常佔據第一高的位置，金門縣則是大多時候利率最低，其餘縣市則像是理不清的麻花捲。
最後來看平均建物坪數：
房貸存量樣本＿平均建物坪數（縣市別）
大部分縣市都落在45–55坪，澎湖縣是唯一超過60坪的縣市，落在40坪的四個縣市則是台北市、新北市、基隆市與坪數大幅滑落的金門縣。
房貸存量樣本＿鄉鎮市、地區路段別
22個縣市的圖表已經難以呈現，更不論全台368個鄉鎮市，完全塞不下限制225個數列的圖表，因此更不用考慮如何將近18萬條地區路段別的數據呈現，EXCEL沒有崩潰就已經很不錯了。
因此建議有興趣的讀者，可以自行到財團法人金融聯合徵信中心－購置住宅貸款統計資訊下載檔案，只要透過Excel的篩選功能，就能將指定的縣市、鄉鎮市與路段別的樣本數、鑑估值、平均授信額度、平均核貸成數、核貸成數中位數、平均貸款利率、平均建物坪數拉出來參考。
房貸存量樣本總結
探討完房貸「存量」樣本在整體、年收入、建物類別、屋齡與縣市別的數據後，得出以下重點：
- 年收入0–160萬占總樣本人數近八成，其中40–60萬占最大宗，其次為60–80萬，80–100萬則佔據第三，光上述三個級距長年就占了五成比重。
- 年收入與貸款利率沒有明顯關聯性，但年收入與核貸成數有正相關，薪資越低可核貸成數越低，但最下限也都壓在70%。尤其是先收入＜100萬的五個級距，在21個所得級距中佔據倒數五名。
- 年收入越高，購買的坪數越大，鑑估價自然也較高。
- 在建物類別的樣本組成中，電梯大廈長年佔據第一的寶座，至2024年底已佔據五成多比重！其次為透天厝，長年佔據2成比重；公寓則長年佔據10%比重排名第三。光上述三者就長期占據至少八成以上比重！近年比重甚至來到九成，主要是來自於電梯大廈的占比逐年成長。
- 平均鑑估值排序長年維持不變：樓中樓＞別墅＞電梯大廈＞透天厝＞公寓＞套房。
- 建物平均坪不僅數值長年持平，排名也是長年維持：別墅(79坪)＞樓中樓(71坪)＞透天厝(56坪)＞電梯大廈(45坪)＞公寓(30坪)＞套房(13坪)。
- 套房雖然因為小坪數有著低總價的好處，相對的代價就是貸款成數低、利率明顯高於較其他建物類別；反觀電梯大廈在貸款成數上，不論是中位數(78%)還是平均數(72%)，都能獲得較高的成數。
- 從屋齡看，平均核貸成數除了0–12年的新成與新古屋，屋齡越低，越能獲得較高的核貸成數與較低的貸款利息；屋齡＞12年不論是在鑑估值、核貸成數還是利息上，與屋齡沒有一定的規律與正向／反向關聯。
- 台北市平均鑑估值不出意外，遙遙領先其他縣市。截至2024年底，第二、三名為新北市與新竹縣糾纏，第四、五名則為台中市與新竹市角逐，第六、七、八名則為桃園市、高雄市與台南市競逐之。
- 大部分縣市平均面積都落在45–55坪，澎湖縣是唯一超過60坪的縣市，落在40坪的四個縣市則是台北市、新北市、基隆市與坪數大幅滑落的金門縣。
對於「存量」統計數據，個人覺得最難理解的是屋齡＞36年的數據，數據排序時常會在出現在弔詭的地方，個人認為與台灣老屋太多有關，因此與其他屋齡3年為一組的統計區間相比，屋齡＞36年的數據大幅失真，參考性不高（50年、70年老屋通通都放在＞36年的統計數據，屋齡跨幅差距過大）。
另外，對於年收入0–20萬的區間，不論是核貸成數還是利率，並非都是最低的，反觀成數最低、利率最高是落在年收入20–40萬的區間中。
這與先前文章《近年來房貸授信金額及利率變化》在「房貸授信金額及利率＿借款人各年齡層」的章節提到：
60歲以上與20–29歲這兩個年齡段的低人數，兩者在數據解讀上會有很大的落差。
前者是已經繳完房貸，所以人數與50–59相比，少了將近一半人；
反觀20–29歲還在努力存頭期款，大多數人則是在30–39歲才開始背房貸。
如果年收入0–20萬的組成，是由剛出社會不久的年輕人與60歲以上的老人所組成，那麼年收入最低，但貸款成數與利息並非最低，似乎也合理。
因為退休老人的收入不全然來自工作，而是勞退、勞保、退休金、養老金等等，收入雖下降，但房貸也快還完了。
跟剛成家的年輕人比，年收入0–20萬的區間部分被60歲以上的老人給稀釋，導致樣本數據出現偏差，才會有明明年收入最低，但成數最低、利息最高的偏偏卻是年收入20–40萬的族群發生。
當然，以上純粹是個人推論，具體薪資狀況，恐要專門研究新資方面的數據才會有定論。
參考資料
- 財團法人金融聯合徵信中心：OpenData專區、購置住宅貸款統計資訊、房貸類統計資訊 (相關研究)
