專論

《新青安》貸款與信用管制政策對各產業的波及性影響 (今日合庫)
徐孝義
2026/06/01

本文編輯後刊登於《今日合庫》2026年3月，第589期「《新青安》貸款與信用管制政策對各產業的波及性影響」

由於房地產相關的產業鏈相當大，因此產業發展會牽動不少相關產業的成長，房地產業一直被視為「經濟火車頭」。但也有人持不同的看法，認為依據GDP比重或是創造就業人數的角度，來解釋房地產業的重要性，不動產業可能並不具有火車頭產業條件(注1)。同時，為解決青年購屋困難的社會問題，行政院連續推出青年低利貸款補貼政策，原本是立意良善德政，但112年8月1日「青年安心成家購屋優惠貸款精進方案」(俗稱新青安貸款)(注2)補貼政策推出的優惠條件如貸款年限更長期、適用年齡更寛、貸款額度較高等寛鬆條件，以致國內房地產市場為之更加熱絡。為避免房市出現泡沫及炒房歪風，113年9月央行推出第七波信用管制，房屋市場隨即降温，也引起部分產業景氣衰退的憂慮。本文嘗試利用產業關聯模型，評估各種產業向前及向後關聯性，並將163項產業，分作農礦類型、製造類型及服務類型等三大產業類別，分別觀察受到信用管制政策的產業影響，以及評估政策退場後對各產業的影響衝擊規模。發現衝擊主要集中在「住宅工程」及「其他房屋工程」2項產業，以及製造類型中少數的建材相關產業。

一、新青安貸款為影響房市重要政策

為解決青年購屋困難的社會問題，行政院連續推出青年低利貸款補貼政策。原先的「青安貸款」自99年12月推動迄112年6月底止，已協助34萬餘戶無自有住宅家庭購屋，累計核貸金額達1.43兆餘元(注3)。為擴大協助無自有住宅家庭購屋，財政部提報「青年安心成家購屋優惠貸款精進方案」相較前次補貼政策，此次措施內容主要差異點包括：(一)最高額度自800萬元提高至1,000萬元，(二)延長貸款年限由30年延長至40年，(三) 延長寬限期由3年延長至5年。

延長貸款年限，可大幅降低房貸戶每月償還貸款的金額，加上寬限期間內也只須償還利息，又可貸到更高的額度，因此減輕青年購屋資金的壓力，是一個立意良善的社會政策。唯此政策大幅放寬適用對象至年滿法定成年的青年族群，且5年寬限期間只須償還利息，加上台灣房價不會跌神話般的誘因，除自住購屋族群外，也吸引不少想藉機賺取5年房價價差的炒房投機客。一時之間炒熱全台灣房市，貸款戶數明顯增加，融資餘額亦快速成長，商業銀行業住宅建築及企業建築放款總額比率接近《銀行法》72之2條不動產放款占整體存款及金融債券發行額的比率30%的法定門檻。

圖1 近5年公股銀行辦理青年安心成家貸款戶數

單位：戶

資料來源：財政部國庫署

根據財政部國庫署統計，包括臺銀，土銀，兆豐，彰銀，合庫，一銀，華銀，臺企銀等8家公股行庫，近5年來公股銀行辦理青年安心成家貸款統計資料。原先的「青安貸款」平均每月撥貸戶數大約落在1,000戶的水準。而在112年8 月 1 日「新青安貸款」正式上路之後，當年12月的貸款戶數便大幅激增至7,000戶的水準，隔年113年5月更上升至歷史最高點8,273戶的水準(參見圖1)。撥貸戶數快速成長，肇因於出補貼政策對首購族極為友善，且有此時不買明日更貴的追價心態(參見圖1)。

圖2 近5年公股銀行辦理青年安心成家貸款平均撥款金額

單位：新台幣億元

資料來源：財政部國庫署

由於「新青安貸款」相較前次補貼政策，將最高貸款額度自800萬元提高至1,000萬元，除了購屋戶可以貸到較多的金額外，增加的資金當然也可作為炒房的動能。由財政部國庫署青年安心成家貸款平均撥款金額統計，可以看出自110年5月平均每戶撥款金額460萬；在112年5月平均每戶撥款金額才達540萬元，2年間每戶只增加80萬元的貸款金額(參見圖2)。而在112年8月1日「新青安貸款」正式上路之後，當年9月每戶撥款金額為713萬，金額持續上揚，113年9月已達812萬元，短短1年間貸款金額就增加100萬元(參見圖2)。

低利補貼政策除了可以讓年輕人有能力入場購買房屋，也有可能因政策降低了購房的門檻，在短時間內增加整體房地產大量搶購的需求量，減少買方議價空間，甚至出現排隊搶房購屋的怪誕現象(注4)，形成房地產價格螺旋上漲的助力。

二、央行第七波打炒房，選擇信用管制為房市降温

原本財政部補貼政策規劃「新青安貸款」在 115 年 7 月落日，但因為低利補貼可能被炒房族、投資客或人頭戶濫用。加上房價明顯上掦，容易引發資產泡沫，增加金融體系的風險。中央銀行113年9月19日決定升準不升息、祭出第7波選擇性信用管制，限縮多屋投機客融資條件，針對自然人第2戶以上購屋者，擴充為全國地區，貸款成數由6成降為5成(注5)。購買豪宅者，無法享有新青安貸款、首購補貼、寬限期優惠條件，且貸款成數降至3成。此外，針對建商餘屋貸款也從原本4成，修正後降為3成，以免建商囤房坐收房價上揚之利。不過，對於個人名下無房的首購房貸戶，貸款成數仍維持最高可貸8成的寬鬆條件。央行希望透過這些措施限制由銀行端主動收縮高風險、不合理的資金流入不動產市場，以抑制投機操作與過度槓桿行為。

中央銀行第七波信用管制使得市場交易量大幅被壓抑，同時購屋看屋意願明顯下滑，也明顯反應在六都大幅下滑的交易量。根據財政部國庫署，統計8家公股行庫的辦理青年安心成家貸款資料，受信用管制政策的影響，114年8月辦理青年安心成家貸款統計，貸款戶數已自113年歷史高點8,273戶降至3,587戶(參見圖1)。同時，114年1~8月安心成家貸款戶數合計33,309戶，也較前一年度同期的53,113戶減少37.3%。

圖3 購買住宅貸款餘額

單位：百萬元、%

資料來源：中央銀行

比較值得注意的地方，央行打炒房政策，明顯壓抑房地產交易，減緩不動產貸款成長速度。根據中央銀行「消費者貸款及建築貸款餘額」統計，雖然114年7月購買住宅貸款餘額達11.37兆元，仍然持續增加，但購置住宅貸款餘額年增率降已明顯持續下滑至6.3%，相較113年9月11.3%高點以來，持續創下新低。顯示不動產融資熱度雖未完全退燒，但整體成長速度持續趨緩(參見圖3)。

圖4 全國建物買賣移轉棟數

資料來源：內政部

同時在房地交易數量的表現，也可看出房市也有顯著降温跡象。部分源自全球經貿局勢，美國將對台灣課徵對等關稅，並要求台商赴美投資設廠，使民眾對於未來景氣持有疑慮，購屋態度轉趨保守審慎。部分也源自央行的信用管制政策。根據內政部，全國建物買賣移轉棟數統計，114年1~7月合計有154,077棟，較前一年度同期的210,481棟減少26.7%，市場交易已有明顯的下滑(參見圖4)。

三、產業影響性與管制政策的波及效果

實務上產業分析經常需要評估經濟政策對產業發展的效果，或經濟事件對產業的影響性。產業關聯表( Input-Output Tables, IOTs)是以陣列方式表示各產業間投入與產出的相互依存關係。若利用產業關聯模型作為評估工具，可直接計算各項產業對政策反應的程度，相較於總體計量模型可避免模型的複雜性、變數多樣的限制，具有簡化預測模型的優勢。本文評估經濟事件對產業的衝擊，參考蔡曜如(2003)、林幸君與劉力瑋(2012)等人利用產業關聯性測度不動產業對整體經濟的影響力。另外國學者，Chan 等人（2016）利用投入產出模型的波及效果分析中國不動產業對金融業的影響。另外，Alam 與Ali (2025)利用投入產出模型模型分土耳其的不動產業對整體經濟的影響。

其次，利用「產業關聯經濟波及模型」評估經濟事件的波及效果。即各產業經濟活動受到最終消費、投資及出口變化刺激，透過產業關聯效果，直接及間接地影響到自身生產及附加價值等效果。本文嘗試評估源自於2024年9月央行針對不動產融資執行第7波選擇性信用管制，作為經濟事件開端。綜合觀察青年安心成家貸款交易、所有權第一次登記與整體買賣移轉棟數減少的變化，透過房屋建築產業需求變化，導入預測模型中計算政策的波及效果，評估信用管制政策對各產業產出的變化。

（1）產業的影響力指標

產業關聯分析也稱作投入產出分析，利用產業關聯表可串連經濟體系中各種產業間的投入及產出關係，在投入產出模型中，一個產業的生產會增加下游產業可取得的要素及增加上游產業要素需求，產生雙重影響，因此產業與產業間的關聯同時存在向前關聯及向後關聯兩種效果。因此可進一步利用Leontief 逆矩陣 I-A -1 （又稱為產業關聯程度係數矩陣），計算向前關聯（Forward Linkage）係數，計算式如下 FL i = j=1 n b ij ＝ b i∙ (𝑖, 𝑗 = 1, 2, … , 𝑛)，即 (I-A) -1 矩陣橫列加總，代表當下游每一產業部門之最終需要皆變動一單位時，對特定產業部門產品購買（需求）之總變動量，代表特定產業部門受感應程度的「絕對」值。進一步將其標準化，則可計算「相對」影響程度值(RFLi)，稱為感應度。計算式如下 RFL i = 1 n j=1 n b ij 1 n 2 i=1 n j=1 n b ij ,(𝑖, 𝑗 = 1, 2, … , 𝑛) ，當 RFLi >1 時，表示特定 i 產業受感應程度高於整體產業平均值。同理當 RFLi <1 時，表示 i 產業受感應程度低於整體產業平均值。同時，計算向後關聯（Backward Linkage）係數， BL j = i=1 n b ij = b ∙j , 即 (I-A) -1 矩陣緃行加總。代表特定產業部門之最終需要變動一單位時，對各上游產業部門要素需求(購買) 增加之總變動量，也就是該特定產業部門對所有產業部門影響程度的「絕對」值，稱為向後關聯效果。同樣作法，進一步將其標準化後則可計算影響程度「相對」值(RBLj)，稱為影響度。其計算式如下， RBL j = 1 n i=1 n b ij 1 n 2 i=1 n j=1 n b ij ,(𝑖, 𝑗 = 1, 2, … , 𝑛) ，當 BLj >1 時，表示 j 產業影響度指數高於整體產業平均值。同理當 BLj <1 時，表示 j 產業影響度指數低於整體產業平均值。藉由感應度(RFLi)與影響度(RBLj)判斷特定產業對經濟活動貢獻程度，能否扮演火車頭的角色。

（2）產業關聯波及效果

藉由產業關聯係數 I-A -1 矩陣計算產業關聯波及效果，作為分析產業間彼此交易時直接與間接互動的需求變化，以及整體的經濟效果。Leontief之產業關聯模型有均值比例及固定比例2個基本假設，使此模型得以簡化且可操作。此模型假設均衡條件為X=AX+F，其中X為產業之產出矩陣，A為投入係數矩陣，AX為各產業之中間投入，F為最終需求(包括消費、投資及出口)。利用矩陣運算可得計算方程式：X= I-A -1 ∙ F，其中Leontief 逆矩陣 I-A -1 ，表示各產業間互相關聯的程度，因此可稱為產業關聯程度表。當 I-A -1 為非奇異矩陣(Nonsingular Matrix)時，即可求解得到均衡之產出值X。

三、各產業關聯性與受事件影響程度

本文採用主計總處110年產業關聯統計表所整理的生產者價格交易表作為模型參考依據。計算163項行業的向前影響程度值(RFLi)，稱為感應度，以及其向後影響程度值(RBLi)。

產業最終需求變化的部分，自2024年9月央行推出第七波限貸令，房市交明顯轉為保守，就青年安心成家貸款金額、貸款棟數，因政策已出現明顯政策反應，2025年上半年較前年度同期下滑幅度分別為31%、35%。另外買賣移轉棟數變化也可以作為觀察房市交易的櫥窗，房屋移轉登記同時包括新建及中古房屋。其中，新建房屋因為需要2~4年的工程時間，現階段觀察到的登記數據多為2年之前完成交易，等待完工過戶。因此預售屋的交易行為，比較無法為政策效果即時反應，所以2025年上半年第一次登記數量仍舊維持12%的成長率。不過，另外約占6成的中古屋交易，因為不需要等待工程交屋，比較能對房市環境變化作出及時的反應。受政策的影響，2025年上半年內政部統計整體的買賣移轉棟數較前年度同期減少12.7%。綜合觀察青年安心成家貸款交易、所有權第一次登記與整體買賣移轉棟數的變化，本研究估計央行政策對台灣住宅工程需求將造成約20%減少幅度，並以此需求下滑比率作為投入產出預測模型的參考依據。並導入預測模型中計算政策的波及效果，評估信用管制政策對各產業產出的變化。

表1 163項產業部門分類

資料來源：本研究

（1）各產業受影響程度值

以感應度(RFL)及影響度(RBL)等於1的數值作為分界，分割成4個象限。其中第一象限，產業感應度(RFL)及影響度(RBL)都大於1，顯示該象限產業對其下游產業的投入及上游產業要素需求都具有較高的影響力。其次位於第二象限，產業的感應度(RFL)高於整體產業的平值，而第四象限影響度(RBL)高於整體產業的平值。此三個象限中的產業都是屬於相對具有影響力。

圖5中，第I象限，同時具有較高的感應度(RFL)及影響度(RBL)，同時扮演較高支援生產活動功能，以及較高的生產要素需求的產業特性。此區產業包括「石油化工原料」(6.39、1.42)、「鋼鐵初級製品」(4.06、1.37)、「其他基本金屬業」(3.53、1.35)、「塑膠原料」(2.58、1.47)以及科技業「光電材料及元件」(1.16、1.25)，產品大多作為生產基本材料，可支援較寬範的產業。

圖5 感應度及影響度分布圖

資料來源：本研究

以感應度(RFL)及影響度(RBL)等於1的數值作為分界，分割成4個象限。其中第一象限，產業感應度(RFL)及影響度(RBL)都大於1，顯示該象限產業對其下游產業的投入及上游產業要素需求都具有較高的影響力。其次位於第二象限，產業的感應度(RFL)高於整體產業的平值，而第四象限影響度(RBL)高於整體產業的平值。此三個象限中的產業都是屬於相對具有影響力。

圖5中，第I象限，同時具有較高的感應度(RFL)及影響度(RBL)，同時扮演較高支援生產活動功能，以及較高的生產要素需求的產業特性。此區產業包括「石油化工原料」(6.39、1.42)、「鋼鐵初級製品」(4.06、1.37)、「其他基本金屬業」(3.53、1.35)、「塑膠原料」(2.58、1.47)以及科技業「光電材料及元件」(1.16、1.25)，產品大多作為生產基本材料，可支援較寬範的產業。

第II象限，影響度(RBL) 指數大於1，高於整體產業平均值，有較高的生產要素需求影響力，其中的產業可帶動上游產業發展。編號114「住宅工程」業的感應度(RFL)及影響度(RBL)分別為0.4、1.23；115「其他房屋工程」業的感應度(RFL)、影響度(RBL)分別為0.71、1.16。另外，位於第II象限尚有科技業包括「電腦」(0.43、1.21)、「通訊傳播設備」(0.57、1.09)、「印刷電路板」(0.84、1.07)以及「被動電子元件」(0.6、1)。

第IV象限，具感應度(RFL)較高支援生產活動功能，但較低生產要素需求影響度的產業特性。此區產業包括「批發」業(6.15、0.58)、「原油及天然氣礦產」(5.10、0.59)、「石油及煤製品」(4.64、0.99)、「電力及蒸汽」(3.86、0.93)、科技業的「半導體」(2.76、0.72) 及「金融服務業」(2.32、0.56)。

（2）各產業關聯性及受事件影響程度

本研究假設政策直接衝擊「住宅工程」及「其他房屋工程」二項與新建房屋及其裝修較直接相關產業為主，同時綜合觀察青年安心成家貸款交易、所有權第一次登記與整體買賣移轉棟數變化，研究假設2項產業最終需求減少幅度皆為20%，並導入產業關聯模型預測波及效果，作為評估信用管制政策推動下對各產業需求變化幅度。

首先透過產業規模與政策波動程度的散布圖(參見圖6)，觀察整體各種產業受到政策的影響情況。由分布結果可觀察到，信用管制政策對半導體及批發業等大型產業的衝擊並不大，反而只是集中在產業規模較小的房屋工程、房屋建材等相關產業族群。

圖6 信用管制衝擊產業之波動率及產業規模散布圖

資料來源：本研究

其中，產出規模較大的產業反而有較低的波及率，如編號76的「半導體」(-0.04%)、#119,「批發業」(-0.6%)及#49「石化業」(-0.34%)，#68「鋼鐵初級製品」(-2.01%)等。但與房屋工程直接相關的產業，如編號114的「住宅工程」(-17.95%)、編號115「其他房屋工程」(-13.35%)，雖然產業的產出規模較小，對整體經影響較輕微，但受到信用管制政策的衝擊最明顯，估計產出下滑皆超過10%。其次是建材相關的產業，#65「水泥製品」(-8.63%)、#64「水泥」(8.45%)、#72「金屬結構及建築組件」(8.24%)、#42「合板及組合木材業」(-5.67%)。

同時將163項產業粗略分別，分作農礦類型產業、製造類型及服務類型等三大產業類別，分別觀察受到信用管制政策的影響，並依其衝擊幅度大小排序。

圖7 信用管制衝擊農礦類型產業

資料來源：本研究

首先，農礦類產業受政策衝擊較大的產業主要為「林產品」(-2.4%)、「砂、石及其他礦產品」(-1.7%)、「資源物回收處理」(-1.09%)，其餘產業產值減少幅度都在1%以下，相對較不受波及(參見圖7)。

圖8 信用管制衝擊製造類型產業

資料來源：本研究

製造類型產業受政策衝擊較大的產業主要多為建材供應產業，包括「水泥製品」(-8.63%)、「水泥」(8.45%)、「金屬結構及建築組件」(-8.24%)，「合板及組合木材」(-5.67%)、「製材」(-4.38%)、「其他非金屬礦物製品」(-4.34%)、「其他木竹製品」(-3.33%)、「照明設備及配備」(-2.85%)、「鋼鐵初級製品」(-2.01%)等9項產業，其產值減少幅度都超過2%。其餘的製造業的產值減少幅度都在2%以下，相對上較不受住宅工程業變化的波及。值得一提的是，資通訊相關科技產業，受衝擊幅度也都在0.2%以下，其中又以「半導體」(-0.04%)、「視聽電子產品」(-0.02%)及「電腦」(-0.01%)最小(參見圖8)。

圖9 信用管制衝擊服務類型產業

資料來源：本研究

服務類型產業受政策衝擊較大的產業為「住宅工程」(-17.95%)、「其他房屋工程」(-13.35%)。其次為「建築、工程服務及技術檢測、分析服務」(-1.52%)，至於其他服務性質的產業受衝擊幅度則都在1%以下，相對較不受此次政策受波及(參見圖9)。

參考資料

1 林幸君、劉力瑋(2012)，「台灣產業關聯效果與關鍵產業之衡量」, 《應用經濟論叢》。91期，頁1~60。

2 朱芳妮、陳明吉（2018），「從行為經濟學看台灣不動產市場：羅伯特．席勒教授來台演講之省思與啟示」, 《住宅學報》。27（2）頁111—128。

4 行政院主計總處(2024)，「110年產業關聯統計編製報告」, 行政院主計總處。

5 張萃貞(2009)，「產業關聯表家計所得乘數之推估及其應用」, 《經濟研究》，第9卷，頁27-58。

6 蔡曜如(2003)，「我國房地產市場之發展、影響暨政府因應對策」, 《中央銀行季刊》, 25（4）, 31–64。

7 Alam, I. and Y., Ali(2025), “A Linkage Analysis of Türkiye Real Estate Sector Based on Input-Output Model and Interpretive Structural Modelling,” Journal of Real Estate Portfolio Management, 31(1), 33-55.

8 Chan S., G. Han, and W. Zhang(2016), “How strong are the linkages between real estate and other sectors in China?, ” Research in International Business and Finance, 36, 52-72.

附表1 各項產業的感應度(RFL)及影響度(RBL)

資料來源：本研究

附表2 各產業政策波及變動率

資料來源：本研究

注1：楊宗憲(2014), 「不動產業是火車頭產業？別再錯下去了！」, Yahoo 新聞，(2014年5月6日)。檢自：https://tw.news.yahoo.com/%E3%80%90-%E5%9C%B0%E7%94%A2%E5%B0%88%E6%AC%84-%E3%80%91-%E6%A5%8A%E5%AE%97%E6%86%B2-%E4%B8%8D%E5%8B%95%E7%94%A2%E6%A5%AD%E6%98%AF%E7%81%AB%E8%BB%8A%E9%A0%AD%E7%94%A2%E6%A5%AD-044646187.html。

注2：行政院，檢自：https://www.ey.gov.tw/Page/448DE008087A1971/2f7562c1-4b2b-4df5-83b8-ac8798ae1cba。
注3：曾志超(2024)「新青安方案成炒房主力？」, 工商時報, 2024年04月17日。檢自：https://www.ctee.com.tw/news/20240417700114-439901。
注4：郭及天(2024.06.26)。全台瘋買房！排隊搶房、板凳卡位奇景現全台逾百建案半年完銷。工商時報。檢自：https://www.ctee.com.tw/news/20240626700173-439901。
注5：黃芸涵(2024.09.24 )。第七波打炒房！房貸資格「新青安、首購、寬限期」誰有？4族群條件一次懂。好房網。檢自：https://news.housefun.com.tw/news/article/197916438516.html。