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。
本文接續先前文章《房貸市場的關鍵字：高收入、低房齡、電梯大廈、遙遙領先的天龍國》，接著探討關於「流量」樣本的統計資料。（文長慎入）
如果對於整體房市的授信金額及利率變化有興趣，可以參閱《近年來房貸授信金額及利率變化》，內容針對年齡、性別、金融機構的維度作探討，跟這篇文章搭配使用，針對整體房市的輪廓會有更全面的了解。
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。
房貸流量樣本整體狀況
與「流量」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）：
樣本數到2024年底已經涵蓋房貸新增人數的68%，是有數據以來的新高。
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）：
流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1400萬，平均授信額度1000萬，換算下來的平均核貸成數約為71%。
如果看核貸成數的中位數，最低也不低過70%：
房貸流量樣本＿核貸成數-中位數
平均利率至2024年底來到有統計數據來的新高2.36%：
房貸流量樣本＿平均貸款利率
最後來看整體的平均建物坪數：
房貸流量樣本＿建物平均坪數
可以發現坪數高峰落在2015年，之後震盪向下，截至2025 Q1，平均坪數42坪已經來到有統計來新低。
從整體數據可以發現，近來年坪數持續下降，但鑑估值卻逐漸攀升，意味著整體每坪價格持續上漲。
花得更多，買得更小，核貸成數雖然較高，相對負擔的房貸利率來到新高。
房貸流量樣本＿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（2022Q4沒有年收入＞400萬之數據）：
房貸流量樣本＿年收入分布組成
可以發現年收入0–160萬占了樣本數近八成，光是40-100萬就占了近半比重。
接著來看平均鑑估值（2022Q4沒有年收入＞400萬之數據）：
房貸流量樣本＿平均鑑估值（年收入）
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。
接著看平均核貸成數（2022Q4沒有年收入＞400萬之數據）：
房貸流量樣本＿平均核貸成數（年收入）
發現全部糾纏在一起且部分收入區間波動大，看不出端宜。
改看核貸成數中位數（2022Q4沒有年收入＞400萬之數據）：
房貸流量樣本＿核貸成數中位數（年收入）
發現從2020年開始，許多核貸成數中位數都在上限值80%波動！不過年收入落在0–60萬似乎較不受待見，成數明顯低於其他級距。
接著來看平均貸款利率（2022Q4沒有年收入＞400萬之數據）：
房貸流量樣本＿平均貸款利率（年收入）
看不出平均貸款利率與年收入的關聯性，至2025年Q1，平均利率都落在2.4%上下浮動。
最後來看平均建物坪數（2022Q4沒有年收入＞400萬之數據）：
房貸流量樣本＿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越大，整體房價自然就越高。這也間接證明平均鑑估值與坪數大小有所關連。
房貸流量樣本＿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：
房貸流量樣本＿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，從2009年的近5成提升至2025年Q1近7成。其次為透天厝，從原先2成比重縮至1成左右。
光上述二者就長期占據至少7成以上比重！近年比重甚至來到8成，主要來自於電梯大廈的強勁成長。
接著來看各建物類別的平均鑑估值：
房貸流量樣本＿建物類別平均鑑估值 (千元)
從上圖發現，別墅與樓中樓時常爭奪一、二名寶座，在不考慮「其他」類別的情況下，第三、四名分別為透天厝與電梯大廈，第五名為公寓，套房則敬陪末座。
接著來看平均核貸成數：
房貸流量樣本＿平均核貸成數（建物類別）
可以發現樓中樓波動最大，別墅則在22年Q4有短暫大波動。可以發現電梯大廈（墨綠色）的平均核貸成數大多時候都是偏上緣，反觀套房則大多數都落在下緣，意味著可核貸成數相對較其他建物類別低。
接著來看核貸成數中位數：
房貸流量樣本＿核貸成數中位數（建物類別）
從2020年開始，核貸成數在低都會落在至少70%，且電梯大廈穩定落在上限值80%浮動。
別墅與樓中樓波動大；套房大多數時候都偏離群體，都在下方遊走。
接著來看平均貸款利率：
房貸流量樣本＿平均貸款利率（建物類別）
套房長年平均貸款利率都是建物類別中最高，直到2024年才被樓中樓反超，別墅則以第三高的姿態緊追在後。反觀電梯大廈近年的利息都較其他類別低穩定的落在下緣。
最後來看平均建物坪數：
房貸流量樣本＿平均建物坪數（建物類別）
在不考慮「其他」類別的情況下，發現別墅坪數大多數時候＞樓中樓，其餘不論是排名還是坪數面居都是長年維持：透天厝＞電梯大廈＞公寓＞套房。
房貸流量樣本＿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：
房貸流量樣本＿屋齡分布
發現0-3年新屋長年占樣本組成最多比重，再少也有至少2成占比。此外，屋齡＞36年的老屋占比也逐漸攀升，近年來已經成為第二大。
接著來看各屋齡的平均鑑估值：
房貸流量樣本＿各屋齡平均鑑估值 (千元)
房價鑑估值震盪向上，近期已來到至少800萬的門檻。且屋齡與平均鑑估值沒有絕對關係，可能與建物類別、坪數其影響有關。
接著來看平均授信額度(千元)：
房貸流量樣本＿平均核貸成數（屋齡）
隨著時間推進，整個曲線越加發散，沒有一定的規律。唯有0–3年新屋一枝獨秀，大多時候能獲得較高的平均核貸成數；3-6年屋本中間有一段跟著0–3年屋走，後續跟著走落。
接著來看核貸成數中位數：
房貸流量樣本＿核貸成數中位數（屋齡）
能貸到接近上限八成的唯有0–3年屋，3–9年屋本也能貸到近八成，後續跟著其他屋齡一同跌落。其他屋齡沒有一定規律性，就不再贅述。
有趣的是，不論屋齡，可以發現70%幾乎就是地板，成數再下去也有限。
接著來看各屋齡的平均利率：
房貸流量樣本＿平均貸款利率（屋齡）
可以發現除了0–3年屋齡的利率明顯低於其他屋齡，其餘趨近一致。不過改用色溫圖看，還是能看出微幅的利率差異：
房貸流量樣本＿平均貸款利率（屋齡）
屋齡與利率還是有微幅的正相關，屋齡越高利率越高，只是影響有限。以2025年Q1為例，撇除0–3年屋的2.2%，6–9年屋的利率為2.44%，屋齡＞33的利息則為2.56%，屋齡所影響的利率差異只在±0.12%之間增減。
最後來看各屋齡平均建物坪數：
房貸流量樣本＿平均建物坪數（屋齡）
除了>36年屋明顯低於其他屋齡外，其餘幾乎是麻花捲，數值變化沒有一定的規律，坪數再低也就在30坪上下浮動。
房貸流量樣本＿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，所以圖表會有數據切換的情形。
首先來看樣本組成：
房貸流量樣本＿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（去除連江縣）：
房貸流量樣本＿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2025年Q1為止，第二至四名則為新北市與新竹縣市糾結，第五、六名則為桃園市與台中縣競逐之。
接著來看平均核貸成數（去除連江縣）：
房貸流量樣本＿平均核貸成數（縣市別）
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大多時候為最高，台北市與金門縣則是主要縣市中成數較低的。
接著來看核貸成數中位數（去除連江縣）：
房貸流量樣本＿核貸成數中位數（縣市別）
很亂，但部分縣市的中位數能達到近上限的8成。
接著來看平均貸款利率：
房貸流量樣本＿平均貸款利率（縣市別）
大部分的縣市則像是理不清的麻花捲。其中，嘉義市、基隆市與花蓮縣的平均利率，時常落在前幾高的位置；反觀雲連縣、金門縣則是大多時候利率相對較低。
最後來看平均建物坪數：
房貸流量樣本＿平均建物坪數（縣市別）
大部分縣市的坪數都有長年緩步下降的趨勢，目前大多約落在40–50坪的區間中，澎湖縣與金門縣則波動較大。
房貸流量樣本＿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做成圖表參考。
流量樣本數據總結
探討完房貸「流量」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：
- 從整體數據可以發現，近來年購買的坪數持續下降，但鑑估值卻逐漸攀升，意味著整體每坪價格持續上漲。花得更多，買得更小，核貸成數雖然較高，相對負擔的房貸利率來到新高。
- 年收入越高，核貸成數中位數越能靠近80%的上限值，反觀年收入落在0–60萬似乎較不受待見，成數明顯低於其他級距。
- 年收入與利息關係較薄弱，沒有明顯關聯。
- 年收入越高，購買的坪數越大，相對地鑑估價也較高。
- 承貸的建物類別以電梯大廈長年佔據第一的寶座（從5成逐年成長至7成），其次為透天（從原先2成比重縮至1成左右），光上述二者就長期占據至少7成以上比重，近年比重甚至來到8成，主要來自於電梯大廈的強勁成長。
- 電梯大廈能獲取較好的平均核貸成數，在核貸成數中位數唯一能來到上限80%，且能獲得較低的利率；反觀套房不論是在核貸成數的平均數還是中位數上，經常敬佩末座，且平均貸款利率大多時候都明顯高出其他建物類別一截。
- 在不考慮「其他」類別的情況下，鑑估值時常是別墅與樓中樓爭奪一、二名，第三、四名分別為透天厝與電梯大廈，第五名為公寓，套房則敬陪末座；從平均坪數來看，別墅坪數大多數時候＞樓中樓，其餘不論是排名還是坪數面居都是長年維持：透天厝＞電梯大廈＞公寓＞套房。
- 從屋齡來看，0–3年屋不論是核貸成數還是利率，比其他屋齡有明顯優勢許多，也是唯一在核貸成數中位數能接近8成上限的屋齡級距；3–9年屋則次之，其餘屋齡則對授信的影響性／關聯性不大。
- 屋齡與利率有微幅的正相關，屋齡越高利率越高，只是影響有限。
- 台北市不論是鑑估值還是授信額度，長年遙遙領先其他縣市。截至2025年Q1為止，第二至四名則為新北市與新竹縣市糾結，第五、六名則為桃園市與台中縣競逐之。
- 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大多時候為最高，反觀台北市與金門縣則是成數較低。
- 縣市別與利率關聯性不大。不過有發現嘉義市、基隆市與花蓮縣的利率時常落在前幾高的位置；反觀雲連縣、金門縣則是大多時候利率相對較低。
- 大部分縣市的坪數都有長年緩步下降的趨勢，目前大多約落在40–50坪的區間中。
對於「流量」統計數據，個人覺得最難理解的是屋齡＞36年的數據，與「存量」數據遇到相同問題，屋齡＞36年的數據有屋齡跨幅差距過大的問題，因此參考性不高。
房市分析未完待續
整體分析的架構上，量化分析會分成物件（供給）與購房者（需求）：物件會針對新成屋與中古屋，了解數量、坪數、價格等資料；購屋族則是了解收入、支出、房貸利息、貸款成數等資訊。
隨著本文探討完「購置住宅貸款統計資訊」的「存量」與「流量」樣本統計數據，筆者總算是將財團法人金融聯合徵信中心的房貸數據整個過完一輪。
如果對於每年新增房貸的授信金額及利率變化有興趣，可以參閱《平均房貸金額來到900萬，而年齡越低，能獲得較低的房貸利率》，內容針對年齡、性別、金融機構的維度作探討，跟本文搭配使用，對於新增房貸市場的輪廓會有更全面的了解。
後續會以手邊聯徵中心的房貸統計數據，根據「存量」與「流量」，統整相關聯之數據，最終整合這些數據，變成購屋的參考指南。
有時間的話，會再補充一些自認值得分享的統計數據。
質化資料上，先前已經簡單回溯完2020年以來的七波信用管制，後續再評估是否要針對新青安政策（青年安心成家購屋）簡單做個摘要。
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)
