
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
在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29