
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
当 “算法” 成为数据科学、人工智能、业务决策领域的高频词时,一种隐形的认知误区正悄然蔓延 —— 有人将分析结果不佳归咎于 ...
2025-09-22在数据分析、金融计算、工程评估等领域,“平均数” 是描述数据集中趋势最常用的工具之一。但多数人提及 “平均数” 时,默认指 ...
2025-09-22CDA 数据分析师:参数估计助力数据决策的核心力量 在数字化浪潮席卷各行各业的当下,数据已成为驱动业务增长、优化运营效率的核 ...
2025-09-22训练与验证损失骤升:机器学习训练中的异常诊断与解决方案 在机器学习模型训练过程中,“损失曲线” 是反映模型学习状态的核心指 ...
2025-09-19解析 DataHub 与 Kafka:数据生态中两类核心工具的差异与协同 在数字化转型加速的今天,企业对数据的需求已从 “存储” 转向 “ ...
2025-09-19CDA 数据分析师:让统计基本概念成为业务决策的底层逻辑 统计基本概念是商业数据分析的 “基础语言”—— 从描述数据分布的 “均 ...
2025-09-19CDA 数据分析师:表结构数据 “获取 - 加工 - 使用” 全流程的赋能者 表结构数据(如数据库表、Excel 表、CSV 文件)是企业数字 ...
2025-09-19SQL Server 中 CONVERT 函数的日期转换:从基础用法到实战优化 在 SQL Server 的数据处理中,日期格式转换是高频需求 —— 无论 ...
2025-09-18MySQL 大表拆分与关联查询效率:打破 “拆分必慢” 的认知误区 在 MySQL 数据库管理中,“大表” 始终是性能优化绕不开的话题。 ...
2025-09-18DSGE 模型中的 Et:理性预期算子的内涵、作用与应用解析 动态随机一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明确:TIF 中的地名有哪两种存在形式? 在开始提取前,需先判断 TIF 文件的类型 —— ...
2025-09-17CDA 数据分析师:解锁表结构数据特征价值的专业核心 表结构数据(以 “行 - 列” 规范存储的结构化数据,如数据库表、Excel 表、 ...
2025-09-17Excel 导入数据含缺失值?详解 dropna 函数的功能与实战应用 在用 Python(如 pandas 库)处理 Excel 数据时,“缺失值” 是高频 ...
2025-09-16深入解析卡方检验与 t 检验:差异、适用场景与实践应用 在数据分析与统计学领域,假设检验是验证研究假设、判断数据差异是否 “ ...
2025-09-16CDA 数据分析师:掌控表格结构数据全功能周期的专业操盘手 表格结构数据(以 “行 - 列” 存储的结构化数据,如 Excel 表、数据 ...
2025-09-16MySQL 执行计划中 rows 数量的准确性解析:原理、影响因素与优化 在 MySQL SQL 调优中,EXPLAIN执行计划是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 对象的 text 与 content:区别、场景与实践指南 在 Python 进行 HTTP 网络请求开发时(如使用requests ...
2025-09-15CDA 数据分析师:激活表格结构数据价值的核心操盘手 表格结构数据(如 Excel 表格、数据库表)是企业最基础、最核心的数据形态 ...
2025-09-15Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12