京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据分析中国人的存钱观念发生着怎样变化?
为何中国人辛苦挣钱后,并不急着吃吃喝喝或投资,而偏爱存银行?为何有时,中国人的存款会“过山车”般地涨跌?为何北京的人均收入明明比上海少,人均存款却比上海多2 6万?
过去十年,我国人均收入保持高位增长。奇怪的是,个人存款增幅比收入增幅还大,这说明我们越有钱,越爱存银行。
为何中国人辛苦挣钱后,并不急着吃吃喝喝或投资,而偏爱存银行?为何有时,中国人的存款会“过山车”般地涨跌?为何北京的人均收入明明比上海少,人均存款却比上海多2.6万?
1.哪个地方的人存款最多?
2015年人均存款排名前10的省份是:北京、上海、浙江、辽宁、天津、江苏、广东、山西、重庆、陕西。
再把视线往前推,2006年末,我国个人存款总量16.2万亿,人均存款1.2万。
弹指10年,数字巨变。2015年末,我国个人存款总量增至54.6万亿,人均存款4万。
人均存款4万是啥概念呢?
去年谷歌的调查大数据报告显示,14%受访美国人存款高于10000美元,5%的受访者存款为5000-9999美元。单从存款看,中国人至少比80%的美国人更“富”。
吊诡的是,这10年中除2007年外,存款增幅都高于收入增幅,即我们挣钱越多,越爱存银行。
2007年的反常是因为当年的“牛市”。这一年,股市创下6124点历史最高记录,沪深股市开户数达1.3亿户,较年初新增81.9%,引发每月数以千亿的个人存款向股市“大搬家”,彼番景象为建国以来前所未见。
但2008年末,存款增幅却“掉头”升至26.3%,为10年之最。这一年,金融危机爆发,全年上证综指下跌64.7%,深成指重挫63.4%。在股市的冒险失利,存款又“乖乖地”往银行回流。
Mr.Data读数回头看这10年,虽然存款增幅上下波动,2012年后却逐步下滑,并且越来越接近收入增幅。原有的存钱观念正在消退,老百姓更乐意投资、消费了。预计未来几年,出现存款增幅低于收入增幅的可能性很大。
2.收入与存款,谁“蹿”得快?
在已公布2015年人均收入实际增幅的13个省份中,存款增幅高于收入增幅的省份是:辽宁、安徽、福建、山东、河南、湖南、海南、陕西、宁夏;存款增幅低于收入增幅的省份是:北京、上海、浙江、广东。
有意思的是,存款增幅低于收入增幅的北京、上海、浙江、广东,均为经济发达地区。这些省份在2013年、2014年,即最近的两三年内,存款增幅才开始陆续地低于收入增幅。
Mr.Data读数中国人存钱的热情,已经在经济发达地区消退。生活在发达地区的人们,除了收入更可观、社会保障更完善、观念更开放外,丰富的“供给侧”满足了不同的需求,制造了庞大的消费群体,这也是诱发人们多消费、少存钱的动因。如卖家云集、配送快速的长三角电商产业,依托多样“供给侧”,实现“江浙沪包邮”,刺激买买买。
3.收入高的地方,存款一定多吗?
通过对比,Mr.Data还发现了有趣的现象:人均收入高的省份,人均存款未必多。
以北京、上海为例。2015年北京人均收入48458元,而上海人均收入49867元,为全国最高。
但存款增幅方面,北京以5.7%高于上海的2.8%,增幅为上海的2倍。人均存款方面,北京以12.3万高于上海的9.7万,高出上海2.6万。
这种现象在2014年同样存在。
这说明,北京人虽然赚得没上海人多,但存钱热情却高于上海人,背后原因或是文化观念、生活压力的差异。
Mr.Data读数上海作为海派文化浓厚的商业城市、早期开放的国际都会,消费主义更早、更广泛地被接受和认同,中产阶级、白领为了追求更好的生活品质,成为刺激消费的驱动力。与上海不同,北京作为政治权力集中区域,公务人员群体庞大,消费可能受到权力的隐形约束。这些因素,都可能是造成存款差异的原因。
4.有钱不是不想花,而是不敢花
爱存钱,背后是根深蒂固的国民习惯。
勤俭持家,是国人从小就受到的教育,把辛苦挣来的票子攒起来,背后有文化的驱动力。
但除了这些,存钱更是现实考量,不是不想花,而是不敢花。
第一,存钱源自未来不确定性。饿过肚子的人,更明白何为“手中有粮、心中不慌”,上世纪六、七十年代生活过的人们,对这感触更深。而当下,社会保障有待完善,面对买房、教育、就医、养老等压力,许多人也难言轻松。
第二,存钱还因为投资的风险太大、渠道有限。入股市,可问问去年被“割韭菜”的股民,心理阴影面积有多大;买基金,信息不畅、经验缺乏,让人打退堂鼓;买黄金,大妈疯抢本身就是投资渠道缺乏的表现。最后,人们宁愿把钱放银行“吃”利息。
当然,数据也表明,中国人的存钱观念正在发生微妙变化。
可见,当社会发展到一定水平,人们的生活更宽裕、社会保障更完善后,存钱观念可能发生改变,热情将会消退。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据分析中,“正态分布” 是许多统计方法(如 t 检验、方差分析、线性回归)的核心假设 —— 数据符合正态分布时,统计检验的 ...
2025-10-28箱线图(Box Plot)作为展示数据分布的核心统计图表,能直观呈现数据的中位数、四分位数、离散程度与异常值,是质量控制、实验分 ...
2025-10-28在 CDA(Certified Data Analyst)数据分析师的工作中,“分类变量关联分析” 是高频需求 —— 例如 “用户性别是否影响支付方式 ...
2025-10-28在数据可视化领域,单一图表往往难以承载多维度信息 —— 力导向图擅长展现节点间的关联结构与空间分布,却无法直观呈现 “流量 ...
2025-10-27这个问题问到了 Tableau 中两个核心行级函数的经典组合,理解它能帮你快速实现 “相对位置占比” 的分析需求。“index ()/size ( ...
2025-10-27对 CDA(Certified Data Analyst)数据分析师而言,“假设检验” 绝非 “套用统计公式的机械操作”,而是 “将模糊的业务猜想转 ...
2025-10-27在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20