京公网安备 11010802034615号
经营许可证编号:京B2-20210330
来源 | 网络大数据
近期,一篇“90后超一半网贷”的文章引起了网络热议。看似90后的收入无法支撑他们的超前消费,然而,20多岁的90后真的比奔四的80后负债更多吗?
就此,我们抽取了苏宁金融400万个1980-1999年出生的贷款申请人作为分析样本,从多种征信数据维度来比较80后和90后的真实负债情况。
绝对负债80后更多
首先,根据人行征信报告的信贷交易明细,我们可以统计申请人不同类型的贷款个数、合同金额、未还余额等信息,贷款个数越多、余额数目越大,表示负债越重。
从上面这组数据来看,80后比90后要背负更重的债务,80后的平均贷款总余额是90后的2.15倍。
不过,两个群体的未结清贷款笔数接近,说明90后使用小额借贷产品更多。
可能你会想大多数80后都成家并买房了,会不会是房贷拉高了80后的平均欠款额?毕竟房贷一般金额较大,购房更像投资而不是普通消费。
下面,剔除房贷后再做比较。
在剔除了房贷余额之后,80后、90后的平均贷款总余额差距不仅没有变小,反而更大了,从2.15倍增加到2.51倍。
也就是说,房贷并不是造成80后负债高于90后的主要原因。真正的原因在于,80后收入相对更高,金融机构给的贷款额度更大,造成了两个群体的贷款余额差异。
90后信用卡透支比例更高
再看信用卡,作为生活中最常见也是最重要的信贷产品之一,信用卡的使用习惯能够在一定程度上体现个人的负债情况。
从绝对金额来看,80后的信用卡当前欠款额(6.73万元),差不多是90后信用卡当前欠款额(3.36万元)的2倍,主要原因在于80后工作更久,整体收入更高,银行给予他们的信用额度通常高于给90后的,因此信用卡额度使用率可能更能反映问题。数据告诉我们,90后似乎比80后更爱透支信用卡,但两个群体在这个指标上的差异并不大。
每月应还款额:80后压力山大
结合贷款和信用卡的欠款情况,可以推算出80后的人均欠款金额达到21.98万元,90后的人均欠款金额为10.45万元。2018年统计局给出的人均可支配收入为2.82万元,也就是说80后的欠款相当于他们7.8年的收入,而90后则需要3.7年的收入才可以还清欠款。
考虑到贷款多是按月分期还款,信用卡也支持账单分期,我们进一步统计了贷款和信用卡的平均每月应还款金额,可以看到,80后的贷款每月应还款金额为0.63万元,显著高于人均可支配月收入(0.24万元),90后的贷款每月应还款金额为0.28万元,相对来说是一个可以承担的数字。
相比贷款,80后和90后的最大问题在于如何按月准时还款信用卡?即便考虑到年轻人懂得合理利用信用卡的免息期,真实负债没有纸面上那么高,但数万元的月均信用卡还款额对于大多数80后90后来说并不轻松。
资金紧张程度半斤八两
个人申请新贷款和信用卡的次数,可以反映其资金紧张程度,体现在征信报告中的是报告查询记录。金融机构在审批贷款和信用卡的时候,会查询申请人的征信报告来评估风险,也就是说,查询次数和机构数越多,说明用户对资金的渴望越迫切。
人行征信报告显示,80后和90后申请贷款的次数非常接近,在信用卡申请上似乎80后比90后更积极,近2年的平均申请次数多了1.7次。
需要指出的是,80后和90后在互联网征信数据中的信贷申请机构基本相同,至少说明两个群体对网贷的需求量在同一水平。
贷款逾期次数,90后略高一筹
信贷逾期次数可以直接反映个人的还款意愿和履约能力,人行征信报告的数据表明,80后的贷款逾期次数要少于90后,但是信用卡逾期次数则高于90后。
考虑到80后平均拥有的信用卡张数要高于90后,所以发生过逾期的信用卡占比这个指标,两个群体相差不大。而90后贷款次数更少、逾期次数却更多,这一点值得注意。
总结
下面,用一张图总结本文:从人行征信报告体现的信息来看,80后欠款金额较高导致其每月还款压力更大,90后在信用卡透支率和违约次数上都要高于80后,而两个群体的资金紧张程度不相上下。
最后老生常谈,贷款还是要选择持牌机构的正规产品,不追求超前消费,年轻人透支信用就是透支未来。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据统计分析、数据清洗、异常值识别与数据分布研究中,箱型图是最直观、高效、专业的可视化分析工具。相较于柱状图、折线图仅 ...
2026-05-29Tkinter是Python内置的标准GUI图形界面库,具备无需额外安装、调用简单、兼容性强、轻量化高效等优势,是Python快速开发桌面小程 ...
2026-05-29 很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当 ...
2026-05-29【核心关键词】大数据、经理、专业、金融、客户、传统、建模、数据产品、互联网金融、产品经理、数据分析、金融行业、数据模型 ...
2026-05-28 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-05-28随着大数据技术的快速普及,各行各业积累了海量的用户数据、交易数据、生产数据与行为数据。单纯的数据统计与报表分析只能呈现表 ...
2026-05-28在Python网络请求、接口测试、数据爬取、业务对接开发中,Requests库是最简洁、最高效的HTTP请求工具,凭借简洁的语法、完善的适 ...
2026-05-272025 年,零售与服务行业的竞争已从 “经验驱动” 全面转向 “数据驱动”。中小企业门店普遍面临数据零散、分析浅层、决策凭感觉 ...
2026-05-27 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-05-27在统计学分析、实验研究、业务数据复盘过程中,单因素方差分析是检验自变量对因变量是否存在显著影响的核心方法。其中,两个水平 ...
2026-05-26【核心关键词】算法、客户、大数据、互联网、调优、建模、模型优化、机器学习、评分卡模型、模型开发、智能风控、业务场景、数 ...
2026-05-26 很多数据分析师写过无数个 SELECT,但当被问到“新建一张表,该如何定义字段类型来保证数据质量”“创建视图和存储物理表有 ...
2026-05-26在数据清洗、统计分析与数据质量检测工作中,箱型图(又称箱线图、Box Plot)是最直观、最高效的可视化分析工具之一。相较于柱状 ...
2026-05-25在大数据分析、数据清洗、质量管控、风险监测等领域,异常数据识别是保障数据质量、确保分析结论精准、规避业务决策失误的核心基 ...
2026-05-25 很多数据分析师精通Excel函数和透视表,但当被问到“数据从哪里来”“表和视图有什么区别”“数据库管理系统和SQL是什么关系 ...
2026-05-25数字化经营时代,企业的市场竞争早已从经验决策转向数据决策。门店营收、用户转化、产品销量、成本损耗、存量资产等所有经营行为 ...
2026-05-22在MySQL数据库日常运维、业务数据校验、数据迁移与数据清洗场景中,自增主键ID的连续性校验是一项基础且关键的工作。MySQL的Auto ...
2026-05-22 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-05-22【核心关键词】大数据、可视化、存储、架构、客户、离线、产品、同步、实时、数据仓库、数据分析、数据可视化、存储数据、离线 ...
2026-05-21在电商流量红利消退、公域获客成本持续走高的当下,存量用户深度挖掘已成为店铺增收增效的核心抓手。相较于付费投放获取的陌生新 ...
2026-05-21