商业银行的借款人 (每10万成年人)
Borrowers from commercial banks (per 1,000 adults)
下载数据指标解释
World Bank official description / 世界银行官方说明
Borrowers from commercial banks are the reported number of resident customers that are nonfinancial corporations (public and private) and households who obtained loans from commercial banks and other banks functioning as commercial banks.
可供参考的中文翻译：商业银行的借款人是指报告的本地客户数量，本地客户是指从商业银行及作为商业银行运作的其他银行获得贷款的非金融企业（国营和私营）和居民住户。对于许多国家，由于缺乏贷款账户持有者信息，数据涵盖贷款账户的总数。
数据口径与风险提示
- 本指标统计范围为从商业银行获得贷款的借款人，不包括从非银行金融机构、政策性银行或其他渠道获得融资的主体。
- 不同国家对"借款人"的统计口径存在差异，部分国家以活跃贷款账户数为口径，而非以独立借款人为口径，跨国比较时需注意一致性。
- 本指标为绝对获取率指标，不反映贷款金额、期限或用途，数值高不等于信贷质量优或金融体系健康。
- 中国数据起始于2012年，2010年代以前无直接数据，不足以支撑长期历史趋势的推断。
- 该指标按每千名成年人标准化，若分子（借款人数）保持不变而分母因人口结构老龄化收缩，数值也可能被动上升。
- 全球数据最新年份为2021年，与中国数据（2023年）在时间截点上不一致，不宜直接用2023年全球值与2021年中国值做同期对比。
- 数据依赖各国银行监管报告和金融调查，部分发展中国家存在统计覆盖不足或不持续的问题。
- 本指标不区分企业贷款与个人贷款，也无法反映民间借贷、互联网金融等正规银行体系之外的融资行为。
中国趋势
从2012年到2023年，中国商业银行借款人密度呈现持续且显著的上升趋势。期初（2012年）每千名成年人约有272名借款人，期末（2023年）已增至约641名，期末与期初之比约为2.35倍，即借款人密度在约11年间翻了两倍以上。这一增长路径并非线性加速，而是呈现逐年稳步攀升的态势：2012至2014年增速相对平缓（约每两年增长约50），2015至2018年增速明显加快（每年增长约40至50），2019至2023年维持在每年约30至33的增长量级。2023年的640.72为有记录以来的最高值。从相对变化量来看，从首年到最新年的累计增量约369，表明中国在正规银行信贷获取渠道的覆盖面上已实现大幅扩展；但由于数据序列仅从2012年开始，无法追溯更早期的基数水平和增长节奏。该指标反映的是向商业银行借入资金的居民和企业数量增长情况，增速较快可能与金融普惠政策推进、银行数字化转型降低门槛以及消费信贷市场扩张等多重因素有关，但具体贡献比例需要结合其他变量进一步验证。
- 中国数据序列共12个年度，起点为2012年（约272名/千人），终点为2023年（约641名/千人）。
- 从2012年到2023年，每千名成年人中的借款人数累计增加约368.6。
- 2023年的641名为有记录以来的最高值，2012年的272名为最低值。
- 2014年首次突破300（317名/千人），2018年突破450（471名/千人），2020年突破500（535名/千人）。
- 2013至2017年期间，年均增量约为39，显示该阶段增长较为活跃。
- 2018至2023年期间，年均增量约为34，增速略有放缓但绝对增量仍较可观。
- 2012至2023年期间，最新值与首年值之比约为2.35倍。
- 数据序列仅覆盖2012年至2023年，2010年代以前的基准水平和增长轨迹不可考。
全球趋势
全球层面的商业银行借款人密度在2011年至2021年期间同样呈上升趋势，但增速明显低于中国。从期初（2011年）的约98名/千人提升至期末（2021年）的约199名/千人，全球平均水平在约十年间翻了一番（期末/期初约为2.03倍）。从年度波动来看，2012至2014年期间出现了一次跃升（从约98增至约155），但随后2015年略有回落（约147），此后基本保持平稳向上，到2018年再次出现明显上升（约175），2021年达到约199的峰值。全球数据同样存在年度间起伏，这可能与不同国家的数据更新频率不同、各年纳入样本范围变化以及全球经济周期波动等因素有关。整体而言，全球的借款人密度仍处于每千人约200人的水平，而中国在2023年已远超这一均值，达到约641人，是全球平均水平的3倍以上。中国与全球增长路径的差异可能反映了中国金融普惠力度的结构性差异，但也可能与中国特有的统计口径、金融市场结构和人口基数效应有关，需要进一步结合其他变量加以验证。
- 全球数据序列共11个年度，起点为2011年（约98名/千人），终点为2021年（约199名/千人）。
- 2011年至2021年期间，最新值与首年值之比约为2.03倍，借款人数密度翻番。
- 全球数据在2014年达到约154后，2015年出现小幅回落至约147。
- 2018年全球借款人密度再次出现明显上升，达到约175名/千人。
- 2021年录得有记录以来的最高值约199名/千人。
- 全球数据的最低值出现在2011年（约98名/千人），此后未再低于该水平。
- 中国2023年数据（641名/千人）约为全球2021年水平（199名/千人）的3.2倍。
- 全球数据截止于2021年，与中国最新数据（2023年）存在两年时间差。
每十年变化摘要
| 十年区间 | 中国变化 | 世界变化 | 提示 |
|---|---|---|---|
| 1960-1969 | - | - | 该阶段变化应结合指标定义、宏观背景、统计口径和缺失年份进行审慎解读。 |
| 1970-1979 | - | - | 该阶段变化应结合指标定义、宏观背景、统计口径和缺失年份进行审慎解读。 |
| 1980-1989 | - | - | 该阶段变化应结合指标定义、宏观背景、统计口径和缺失年份进行审慎解读。 |
| 1990-1999 | - | - | 该阶段变化应结合指标定义、宏观背景、统计口径和缺失年份进行审慎解读。 |
| 2000-2009 | - | - | 该阶段变化应结合指标定义、宏观背景、统计口径和缺失年份进行审慎解读。 |
| 2010-2019 | 1.9x | 1.6x | 2010年代中国借款人密度增长了约1.85倍，而同期全球仅增长约1.62倍；中国的倍数优势表明该阶段中国金融获取渠道扩张速度显著快于全球均值，这可能既源于中国金融普惠政策的集中推进、互联网金融的快速普及使更多人进入正规信贷市场，也与该时期中国统计口径内的新增借款人绝对数量大幅领先有关，而全球增长则受制于许多发达国家市场已接近饱和以及部分低收入国家数据覆盖不足。两者倍数的差距（差值约0.24）表明该阶段中国在正规银行信贷普及率上的追赶效应十分突出。 |
| 2020-2029 | 1.2x | 1.2x | 2020年代中国借款人密度增长约1.20倍，全球增长约1.17倍，增速均明显放缓。这可能意味着中国和全球的银行借款人密度增速均进入平台期，一方面基数已显著提高使边际增长难度加大，另一方面疫情对经济活动的冲击可能改变了部分借款人的融资行为和银行的信贷偏好。中国的倍数仅略高于全球（差值约0.03），可能说明两国阶段变化率趋于收敛，进一步大幅提升覆盖率的空间和速度均受到约束，是否触达增长天花板需要结合未来年份数据和其他指标加以验证。 |
2023 年全部国家排名
排名已尽量排除 World、地区组和收入组，仅保留国家参与比较。排名高低应结合指标口径解释。
使用建议、常见误用与研究场景
数值较高通常意味着什么
借款人密度越高，意味着每千名成年人中从商业银行获得贷款的人数越多，通常反映出正规金融体系覆盖面更广、金融普惠程度更高、银行信贷可获得性更强，也可能意味着消费金融和企业融资市场更为活跃。
数值较低通常意味着什么
借款人密度越低，表明能够从正规银行渠道获得贷款的人口比例越小，可能反映出金融体系欠发达、信贷门槛较高、金融排斥程度较深，或居民消费和投资意愿相对较低。
鍙ｅ緞闄愬埗
- 仅统计向商业银行获取贷款的人数，不包括非银行金融机构、政策性银行、债券市场等其他融资渠道，信贷获取的"全貌"被低估。
- 不反映贷款规模、期限结构、利率水平和借款人信用质量，高借款人密度不等于信贷资产质量好或金融体系稳健。
- 国家之间统计口径不一致：部分国家以贷款账户数为口径（一人多账户可能被重复计算），部分以独立借款人为口径，导致跨国可比性受限。
- 数据更新频率和报告质量因国而异，部分国家数据存在较大时滞或缺失。
- 不区分企业借款人（国企、私企）与个人消费者借款人，两类主体的增长驱动因素截然不同。
- 分子（借款人数量）与分母（成年人人口）受人口结构影响，老龄化社会分母收缩可能人为推高密度指标。
使用建议
- 跨指标分析时，同时考察商业银行分支密度（FB.CBK.BRCH.P5）、ATM布设密度（FB.ATM.TOTL.P5）和存款人密度（FB.CBK.DPTR.P3）等基础设施指标，以综合判断金融获取渠道的完整性。
- 研究金融普惠政策效果时，将本指标与账户持有率指标（FX.OWN.TOTL.ZS）结合使用，区分"有账户无借贷"与"有借贷"的差异。
- 比较不同收入群体（如按收入五分位数FX.OWN.TOTL.40.ZS与FX.OWN.TOTL.60.ZS）的借款人密度差异，以评估金融排斥的结构性特征。
- 在做跨国回归分析时，控制人均GDP、城镇化率、金融监管环境等宏观变量，以减少遗漏变量偏误。
- 分析时间序列时，注意中国的数据从2012年开始，2010年代以前的数据空白可能影响趋势推断的完整性。
- 结合银行不良贷款率（FB.AST.NPER.ZS）和资本充足率（FB.BNK.CAPA.ZS）共同评估金融体系稳健性与普惠性的权衡关系。
常见错误用法
错误做法：直接将中国2023年的借款人密度（641）与全球2021年的数据（199）做同期比较，并据此得出"中国是全球均值3倍"的结论。
正确做法：比较时应使用相同年份的数据，或在对比时明确标注时间差，并说明可能因时间截点不同导致的差异。
全球数据最新年份为2021年，中国数据为2023年，跨期比较会混入两年内的全球变化，存在时间错配导致结论偏差。
错误做法：将借款人密度高解读为"中国金融体系更健康"或"中国居民财务状况更好"。
正确做法：借款人密度仅反映从银行获得贷款的人数比例，与贷款质量、偿还能力、金融体系稳健性无直接对应关系。
高借款人密度可能伴随高不良贷款率或过度负债风险，该指标本身不能作为金融健康或经济福利的代理变量。
错误做法：将借款人数密度简单等同于金融普惠程度，忽视非银行金融渠道。
正确做法：金融普惠应综合考虑银行和非银行渠道的融资可获得性，包括移动支付账户持有率、小额信贷覆盖等维度。
民间借贷、互联网金融平台、消费金融公司等非银行渠道也提供大量融资，但本指标均未覆盖。
错误做法：用借款人密度推断个人消费或投资的绝对规模。
正确做法：每千人借款人密度是比例指标，不代表借款金额大小；一个国家的借款人密度低不一定意味着消费融资总量小，可能存在少量大额借款人。
该指标是人数比例指标，不携带贷款金额信息，土耳其借款人密度（984）虽远高于中国（641），但两国经济规模和信贷总量差异巨大。
错误做法：假设借款人密度持续高速增长是理所当然的，并线性外推未来趋势。
正确做法：2020年代中国借款人密度增速已明显放缓（1.20倍），接近全球增速水平（1.17倍），不应简单线性外推高速增长。
增速平台化可能受基数效应、信贷市场饱和、政策环境变化等因素驱动，未来增长路径存在不确定性。
实际应用场景
- 金融获取渠道与居民消费结构升级研究：研究商业银行借款人密度提升是否伴随消费结构升级（以耐用品消费、服务消费占比等为被解释变量）。 被解释变量或机制检验变量 可采用面板固定效应或系统GMM估计，控制人均可支配收入、城镇化率后考察借款人密度对消费升级的净效应；由于借款人密度可能存在内生性，需借助金融基础设施变量（如银行分支密度）作为工具变量。
- 金融普惠与收入分配不平等研究：考察金融获取渠道扩展是否有助于缩小收入差距，检验"普惠金融有利于包容性增长"假说。 核心解释变量 可引入分收入群体的账户持有率指标（FX.OWN.TOTL.40.ZS与FX.OWN.TOTL.60.ZS）进行异质性分析，检验借款人密度增长对不同收入群体影响的差异；使用双重差分（DID）方法评估特定金融改革政策的收入分配效应。
- 银行信贷供给与宏观经济波动稳健性研究：考察借款人密度与经济增速、投资增长率之间的关系，分析银行信贷获取便利性对实体经济的支撑作用。 控制变量或机制变量 可纳入VAR或面板ARDL模型中，分析借款人密度冲击对GDP增速和固定资本形成的动态影响；结合银行不良贷款率（FB.AST.NPER.ZS）检验信贷扩张与资产质量的权衡关系。
- 中国与新兴市场金融深化路径比较：将中国的借款人密度增长轨迹与巴西、印度等其他新兴经济体进行对标，分析中国金融普惠模式的独特性。 比较变量 可构建收敛回归或时间序列协整模型，对比中国与对标国家借款人密度的长期均衡关系和短期偏离调整速度；注意各国统计口径差异，可能需要做标准化处理后再比较。
- 金融科技对传统银行借款人覆盖的替代或补充效应：结合ATM密度（FB.ATM.TOTL.P5）和移动支付账户持有率（FX.OWN.TOTL.ZS）等指标，考察数字金融发展是否扩大了借款人的总体覆盖范围。 稳健性检验变量 可使用因子分析或主成分方法构建金融基础设施综合指数，将借款人密度与数字金融指标共同纳入回归，检验两者是否存在替代性或互补性，并做方差分解识别各渠道的贡献比例。
商业银行的借款人 (每10万成年人)常见问题
商业银行借款人密度是什么意思，和我们平时说的贷款人数有什么区别？
该指标表示每千名成年人中有多少人从商业银行获得了贷款，分子是向银行借钱的客户数量（含企业和居民），分母是成年人口总数。与日常所说的"贷款人数"基本相同，但需注意统计口径差异：部分国家以活跃贷款账户数计量，可能导致一人多账户被重复计数。
为什么中国的借款人密度远高于全球平均水平？
中国在2012至2023年间借款人密度快速攀升至约641名/千人，而全球2021年仅约199名/千人。这可能与中国金融普惠政策力度大、移动支付和消费信贷快速发展、银行数字化转型降低借贷门槛等因素有关，也可能与中国特定的信贷文化和统计口径有关，但具体原因需结合其他金融指标综合判断。
借款人密度高说明银行愿意借钱给我吗？
借款人密度反映的是已经借到钱的人数比例，并不代表银行对个人的授信门槛高低。密度高说明借钱的人多，但借钱难度还受贷款条件（利率、额度、征信要求等）影响，且不同收入群体和地区的获取机会可能差异很大。
土耳其借款人密度最高，能说明它的金融体系比中国更发达吗？
借款人密度与金融体系发达程度之间没有简单的对应关系。土耳其借款人密度高可能与消费信贷文化、个人住房贷款普及程度或统计口径有关，但不代表其银行体系稳健性、信贷质量或金融创新水平更高。评估金融体系需要同时考察不良贷款率、资本充足率、金融科技发展水平等多个维度。
借款人密度能用来衡量金融普惠政策的效果吗？
可以作为参考指标之一，因为借款人密度上升通常意味着更多人获得了正规银行信贷。但金融普惠政策的效果评估应结合更多维度，如账户持有率（FX.OWN.TOTL.ZS）、不同收入群体的覆盖差距、贷款成本和条件等，单一指标无法完整反映政策全貌。
中国的借款人密度增速在2020年代明显放缓，这意味着什么？
2020年代中国借款人密度增幅约为1.20倍，全球约为1.17倍，增速均较2010年代明显下降。这可能意味着经过前期高速扩张，基数已大幅提高导致边际增长难度加大，加上经济环境变化和信贷市场趋于饱和，借款人密度可能正在进入增长平台期，是否触达天花板需要更多年份数据和其他相关指标来验证。
下载数据
免费获取世界银行WDI完整数据集，包含商业银行的借款人 (每10万成年人)等所有指标，支持按国家、指标或主题下载CSV、Excel和XML格式数据。
下载数据