2.2 信貸分析方法隨經濟周期而變化

在信息完全對稱的情況下，信貸通過利息補償的方式可實現帕累托最優。但實際上，資金供給方很難估算出自身未來的實際損失，對資金需求方的信息也是不完全了解的，理解和認識更是不完全一致的，這些都增加了資金供給方選擇資金需求方的難度。盡管如此，經過4000多年的信貸歷史，人們積累了比較多的方法來選擇合適的資金需求方，這些方法往往都與經濟周期有著密切的聯系。

從經濟周期理論來看，人類經歷了幾個重要的經濟長周期發展階段（圖2-3），分別為：1783年以前的人工時代（圖中略）；1783—1842年的紡織機、蒸汽機的發明和應用時代；1843—1897年的鋼鐵、火車時代；1897—1950年的電氣、化工和汽車時代；1950—2003年的計算機和互聯網時代。

基于我們自身對經濟發展的研究和觀察，2003—2053年很有可能是數據、量子信息時代，2053—3000年將是智能、生物智能時代。經濟周期對于信貸來說是至關重要的，不同周期意味著相應經濟時代具有高資本回報率的企業或個人是不同的，進而可放貸的信貸需求方也是不同的。對于這些企業或個人進行放貸是信貸機構的使命，也是不二的選擇，因為它們代表著趨勢，代表著高投資回報率，如1950—2003年的IBM、Google分別代表著計算機、互聯網。自2003年以后，我們進入了數據、量子信息時代，數據方面的公司有很多，如騰訊、元宇宙；量子方面的應用事件有Google的量子加密算法，以及2020年霍尼韋爾的量子計算機可以達到128量子體積，平均單量子比特保真度為99.97%，平均兩量子比特保真度為99.54%，等等。然而，在量子計算機、量子通信、量子加密、量子傳感等方面還有一段路程，但這段路不會太長，預計在未來15年中，實用型量子計算機將在中國誕生。

在大數據時代，企業應在合法合規的基礎上通過互聯網方式收集、匯總、分析數據，從而實現業務自動化、智能化，并達到經濟結構調整和產業升級的目的。目前，我國絕大部分企業處于機械化階段，需要更換經濟發展的“發動機”來推動經濟結構調整和產業升級，需要走上自動化、智能化道路，需要通過質量控制等提高生產效率。然而，質量控制等自動化、智能化、個性化的關鍵是依靠數據，如生產線用六西格瑪質量控制體系，一旦出現異常則生產線將自動停止生產，從而達到提高產品品質和工作效率的目的。因此，從本質上講，“互聯網+”就是“大數據+”，國家推出“信息基礎設施”等政策的根本目的是要借助大數據來實現產業自動化、智能化，從而實現產業轉型升級。

通過大數據分析、挖掘和云計算搭建的實踐經驗及相關知識可以知道，無論是我們提出的“網格計算”“云計算”“邊緣計算”還是“霧計算”，其根本在于充分利用和發揮各種可使用計算設備的算力、存儲，并充分確保數據和信息的安全。目前，高端計算機的制造成本非常高，普通企業根本沒有能力制造和承擔其相關費用。因此，美國Google率先開發出云計算系統，如GFS分布式文件系統、MapReduce分布式計算系統，而后的Apache項目發展出Hadoop系統，這為云計算系統的開發和應用奠定了基礎；而我國的阿里巴巴、騰訊、百度等多家互聯網公司在Hadoop的基礎上開發出自身的云計算平臺。Hadoop第一代是單NameNode，到了Hadoop第二代引入了另一種資源協調者（Yet Another Resource Negotiator，YARN）來對云計算資源進行統一管理和調度，而且基于YARN的Spark和Storm等流式計算的發展，使得流計算與Hadoop可以共用一套系統；但以Hadoop為代表的云計算也面臨著自身的問題，因為其可擴展性是有自身邊界的。目前，云計算平臺的存儲和計算資源都是有限的，在數據逐漸積累和發展的過程中，這種局限性將越發明顯和突出。

在這個時候，量子計算機的強大計算能力引起了科學家們的注意并著手研究與開發。按照中國科學院院士潘建偉所講：“新一代量子計算機能夠解決目前世界上最好的超級計算機都無法解決的問題，而其速度將比天河二號快將近百億億倍。”同時，潘建偉院士打了個比方：“如果按中國10億人口計算，百億億倍就相當于我們每個人能分到10億臺天河二號。”也就是說，量子計算機的速度可以徹底解決因計算效率帶來的問題，即使計算速度最終仍然不夠，還可以采用量子云計算的模式，這種模式就是將云計算平臺的計算機更改為量子計算機，成為量子云計算平臺，從而達到節能增效的目的。相應地，通信效率在量子通信條件下也會有大幅提升。

2020年12月，潘建偉院士等構建了76個光子的量子計算原型機“九章”，實現了具有實用前景“高斯玻色取樣”任務的快速求解，且比目前最快的超級計算機快一百萬億倍。據預測，在未來40年內，量子計算機將會進入普通家庭，而企業的應用就更普遍了。隨著量子計算機和量子通信的發展，以及數據的積累，在2053年后，人類將迎來真正意義上的智能，甚至是類生物智能，人類社會將進入一個全新的時代，那時的智能將不是今天的人工智能可比擬的了。今天的人工智能并非真正意義上的人工智能，現在的各種智能產品如北京大學圖書館的機器人、自動汽車、無人駕駛飛機，它們依靠數據或算法并看起來“智能”，而其背后都有相對固定的策略，這種“智能”受限于數據、算法、計算硬件。有了量子計算機、量子通信和足夠的數據積累，無人駕駛汽車事故將會大大減少，甚至不會再發生，因為計算效率和通信效率提升后，收集信息、處理信息和決策所需要的時間將遠遠小于汽車數據探測器發現問題到出事故的時間。

今天，我們處于大數據時代，無論是Google的分布式計算系統、Apache的Hadoop生態圈、加州大學的Spark等云計算系統，還是支持向量機、深度學習算法、Alphago、對抗性學習等各種機器學習算法都是圍繞數據進行的。在大數據時代，數據來源、數據收集、數據存儲、數據分析和挖掘、數據展示、數據安全等都是各個機構應該考慮的問題，只有合法合規地掌握數據資源才有機會更好地開展業務。信貸機構天生就是數據公司，過去不被信貸機構重視的數據在今天都成為風控中不可或缺的重要組成部分，如行為數據、社交數據。過去這些數據不被重視，不是信貸機構的人員沒有認識到這些數據的重要性，而是采集成本太高了，同時收益相對較低，這是一種權衡后的取舍。

在不同的經濟周期下，信貸機構可采用的信貸技術都是不一樣的，數據收集方式和著重點也是不同的。在紡織機、蒸汽機的發明和應用時代，我們思考如何采集數據是沒有任何意義的，因為在這個時期，概率論只是剛剛提出，沒有哲學和邏輯思考的基礎，更沒有收集數據的意識，同時生產力水平低下，完全處于薩伊提出的“供給創造需求”的時期，任何供給都能被市場消化掉。到了鋼鐵、火車時代，雖然生產力水平有所提升，但是整體處于“供給創造需求”的時期，即使局部出現了供過于求，只要不斷開拓市場就能夠解決當時面臨的問題，這時仍處于如中國古代知名商人范蠡總結的“貴出如糞土，賤取如珠玉”時期，數據意識開始逐漸產生但主要關注宏觀數據。在這個時期，各機構和組織更關注何物在何時、何地的價格和需求的高低。到了計算機和互聯網時代，也是全球化時代，整體處于供求平衡狀態，這個時代的數據更多的是業務數據，如IBM推出的營銷優化服務、銀行根據財務報表進行信貸。到了數據、量子信息時代，全世界將處于供過于求狀態，需要精細化生產和銷售，如按需生產（C2B）、精準營銷、個性化推薦，各種數據都將被收集起來，被應用于解決各種商業問題。

從信息經濟學角度來看，在供給創造需求的時代，只要一個項目需要資本就可借給它。因為各種商品的需求遠遠大于供給，商品價格遠高于自由競爭市場下的價格，生產商的利潤非常高，而在今天這種情況依然存在。例如，2012年的蘋果手機和小米手機都是要排隊購買的，價格比普通手機高出一倍以上。在這種供不應求的時代，雖然私人信息很模糊，但基于私人信息之上的二階信息很豐富，如香料的進價為5元，而銷售價格為30元，并出現了排隊購買香料的情景。信貸機構可以根據二階信息，并針對較好的行業進行放貸，如在2010年前，信貸機構對鋼鐵行業中各企業進行放貸并獲得了大豐收。隨著經濟的發展，二階信息在放貸決策上的比重逐漸下降，一階私人信息在放貸決策上的比重逐漸上升。在這個過程中，傳統信貸機構逐漸從關注相應的行業信息，到關注具體企業或個人的財務報表信息，而到今天更加關注一些原始信息，如銀行流水、網站流量等，進行細化而形成標準化“信貸工廠”和“信貸車間”，以及今天的個性化信貸。個性化信貸的私人信息比重達到了前所未有的高度，是計算機和互聯網發展帶來的數據收集成本快速下降的結果，這樣的數據積累被人們稱為“大數據”。實際上，數據和信息一直都在那里，過去人們要采集消費者行為數據的成本太高而收益相對比較低，造成了數據資源的“匱乏”，這種情景就好比一些石油礦藏，人們知道它的存在而在當時的技術條件下開發收益太低，只有等到技術達到某種程度或石油價格達到某個特定價格后，才具有開發價值。

處于不同的時期，信貸要適應時代的潮流，這就好比人穿的鞋子，不能太大，也不能太小，只有適中，穿起來才舒服。根據托馬斯和埃德爾曼等的闡述可知，直到20世紀70年代，在金融比較發達的英國和美國還沒有使用信用評分，甚至到1990年部分放貸機構也未使用信用評分。傳統信用評估依靠個人的“感覺”或者信貸人員的經驗，主要從借貸人的性格、償還能力、抵押品或擔保來判斷，直到今天，其仍被一些信貸機構所使用。

在大數據時代，互聯網等技術以低成本獲取大量數據，緩解了信息不對稱，這樣的大數據有利于信貸機構對客戶有一個全面的認識并可以防范操作風險。同時，信貸機構依靠大數據來評估客戶的風險，對于客戶來說更加公平，類似傳統信貸、IPC微貸技術、信貸工廠審批都依靠個人的判斷，這樣的審批很容易受到個人經驗等因素的影響，對同一個客戶不同的審批人員會有不同的審批結果，有些審批人員會拒絕該客戶，而另一些審批人員則認為可放貸給該客戶。基于大數據的風控規則和模型，信貸機構的信貸審批決策系統則是由同一套標準來衡量客戶是否具有欺詐風險、是否具有還款能力、是否具有還款意愿等，一切都基于客戶自身所表露出的數據，對于每個客戶更加公平，同時對于信貸機構來說減少了人為干預，避免了一些內部欺詐風險，并提高了審批效率和客戶體驗。在以前依靠信貸審批委員會需要14個工作日的審批，現在利用信貸審批決策系統1分鐘就可以給出是否授信和放貸結論。