2.2 信贷分析方法随经济周期而变化

在信息完全对称的情况下，信贷通过利息补偿的方式可实现帕累托最优。但实际上，资金供给方很难估算出自身未来的实际损失，对资金需求方的信息也是不完全了解的，理解和认识更是不完全一致的，这些都增加了资金供给方选择资金需求方的难度。尽管如此，经过4000多年的信贷历史，人们积累了比较多的方法来选择合适的资金需求方，这些方法往往都与经济周期有着密切的联系。

从经济周期理论来看，人类经历了几个重要的经济长周期发展阶段（图2-3），分别为：1783年以前的人工时代（图中略）；1783—1842年的纺织机、蒸汽机的发明和应用时代；1843—1897年的钢铁、火车时代；1897—1950年的电气、化工和汽车时代；1950—2003年的计算机和互联网时代。

图2-3 人类经历的经济长周期发展阶段

基于我们自身对经济发展的研究和观察，2003—2053年很有可能是数据、量子信息时代，2053—3000年将是智能、生物智能时代。经济周期对于信贷来说是至关重要的，不同周期意味着相应经济时代具有高资本回报率的企业或个人是不同的，进而可放贷的信贷需求方也是不同的。对于这些企业或个人进行放贷是信贷机构的使命，也是不二的选择，因为它们代表着趋势，代表着高投资回报率，如1950—2003年的IBM、Google分别代表着计算机、互联网。自2003年以后，我们进入了数据、量子信息时代，数据方面的公司有很多，如腾讯、元宇宙；量子方面的应用事件有Google的量子加密算法，以及2020年霍尼韦尔的量子计算机可以达到128量子体积，平均单量子比特保真度为99.97%，平均两量子比特保真度为99.54%，等等。然而，在量子计算机、量子通信、量子加密、量子传感等方面还有一段路程，但这段路不会太长，预计在未来15年中，实用型量子计算机将在中国诞生。

在大数据时代，企业应在合法合规的基础上通过互联网方式收集、汇总、分析数据，从而实现业务自动化、智能化，并达到经济结构调整和产业升级的目的。目前，我国绝大部分企业处于机械化阶段，需要更换经济发展的“发动机”来推动经济结构调整和产业升级，需要走上自动化、智能化道路，需要通过质量控制等提高生产效率。然而，质量控制等自动化、智能化、个性化的关键是依靠数据，如生产线用六西格玛质量控制体系，一旦出现异常则生产线将自动停止生产，从而达到提高产品品质和工作效率的目的。因此，从本质上讲，“互联网+”就是“大数据+”，国家推出“信息基础设施”等政策的根本目的是要借助大数据来实现产业自动化、智能化，从而实现产业转型升级。

通过大数据分析、挖掘和云计算搭建的实践经验及相关知识可以知道，无论是我们提出的“网格计算”“云计算”“边缘计算”还是“雾计算”，其根本在于充分利用和发挥各种可使用计算设备的算力、存储，并充分确保数据和信息的安全。目前，高端计算机的制造成本非常高，普通企业根本没有能力制造和承担其相关费用。因此，美国Google率先开发出云计算系统，如GFS分布式文件系统、MapReduce分布式计算系统，而后的Apache项目发展出Hadoop系统，这为云计算系统的开发和应用奠定了基础；而我国的阿里巴巴、腾讯、百度等多家互联网公司在Hadoop的基础上开发出自身的云计算平台。Hadoop第一代是单NameNode，到了Hadoop第二代引入了另一种资源协调者（Yet Another Resource Negotiator，YARN）来对云计算资源进行统一管理和调度，而且基于YARN的Spark和Storm等流式计算的发展，使得流计算与Hadoop可以共用一套系统；但以Hadoop为代表的云计算也面临着自身的问题，因为其可扩展性是有自身边界的。目前，云计算平台的存储和计算资源都是有限的，在数据逐渐积累和发展的过程中，这种局限性将越发明显和突出。

在这个时候，量子计算机的强大计算能力引起了科学家们的注意并着手研究与开发。按照中国科学院院士潘建伟所讲：“新一代量子计算机能够解决目前世界上最好的超级计算机都无法解决的问题，而其速度将比天河二号快将近百亿亿倍。”同时，潘建伟院士打了个比方：“如果按中国10亿人口计算，百亿亿倍就相当于我们每个人能分到10亿台天河二号。”也就是说，量子计算机的速度可以彻底解决因计算效率带来的问题，即使计算速度最终仍然不够，还可以采用量子云计算的模式，这种模式就是将云计算平台的计算机更改为量子计算机，成为量子云计算平台，从而达到节能增效的目的。相应地，通信效率在量子通信条件下也会有大幅提升。

2020年12月，潘建伟院士等构建了76个光子的量子计算原型机“九章”，实现了具有实用前景“高斯玻色取样”任务的快速求解，且比目前最快的超级计算机快一百万亿倍。据预测，在未来40年内，量子计算机将会进入普通家庭，而企业的应用就更普遍了。随着量子计算机和量子通信的发展，以及数据的积累，在2053年后，人类将迎来真正意义上的智能，甚至是类生物智能，人类社会将进入一个全新的时代，那时的智能将不是今天的人工智能可比拟的了。今天的人工智能并非真正意义上的人工智能，现在的各种智能产品如北京大学图书馆的机器人、自动汽车、无人驾驶飞机，它们依靠数据或算法并看起来“智能”，而其背后都有相对固定的策略，这种“智能”受限于数据、算法、计算硬件。有了量子计算机、量子通信和足够的数据积累，无人驾驶汽车事故将会大大减少，甚至不会再发生，因为计算效率和通信效率提升后，收集信息、处理信息和决策所需要的时间将远远小于汽车数据探测器发现问题到出事故的时间。

今天，我们处于大数据时代，无论是Google的分布式计算系统、Apache的Hadoop生态圈、加州大学的Spark等云计算系统，还是支持向量机、深度学习算法、Alphago、对抗性学习等各种机器学习算法都是围绕数据进行的。在大数据时代，数据来源、数据收集、数据存储、数据分析和挖掘、数据展示、数据安全等都是各个机构应该考虑的问题，只有合法合规地掌握数据资源才有机会更好地开展业务。信贷机构天生就是数据公司，过去不被信贷机构重视的数据在今天都成为风控中不可或缺的重要组成部分，如行为数据、社交数据。过去这些数据不被重视，不是信贷机构的人员没有认识到这些数据的重要性，而是采集成本太高了，同时收益相对较低，这是一种权衡后的取舍。

在不同的经济周期下，信贷机构可采用的信贷技术都是不一样的，数据收集方式和着重点也是不同的。在纺织机、蒸汽机的发明和应用时代，我们思考如何采集数据是没有任何意义的，因为在这个时期，概率论只是刚刚提出，没有哲学和逻辑思考的基础，更没有收集数据的意识，同时生产力水平低下，完全处于萨伊提出的“供给创造需求”的时期，任何供给都能被市场消化掉。到了钢铁、火车时代，虽然生产力水平有所提升，但是整体处于“供给创造需求”的时期，即使局部出现了供过于求，只要不断开拓市场就能够解决当时面临的问题，这时仍处于如中国古代知名商人范蠡总结的“贵出如粪土，贱取如珠玉”时期，数据意识开始逐渐产生但主要关注宏观数据。在这个时期，各机构和组织更关注何物在何时、何地的价格和需求的高低。到了计算机和互联网时代，也是全球化时代，整体处于供求平衡状态，这个时代的数据更多的是业务数据，如IBM推出的营销优化服务、银行根据财务报表进行信贷。到了数据、量子信息时代，全世界将处于供过于求状态，需要精细化生产和销售，如按需生产（C2B）、精准营销、个性化推荐，各种数据都将被收集起来，被应用于解决各种商业问题。

从信息经济学角度来看，在供给创造需求的时代，只要一个项目需要资本就可借给它。因为各种商品的需求远远大于供给，商品价格远高于自由竞争市场下的价格，生产商的利润非常高，而在今天这种情况依然存在。例如，2012年的苹果手机和小米手机都是要排队购买的，价格比普通手机高出一倍以上。在这种供不应求的时代，虽然私人信息很模糊，但基于私人信息之上的二阶信息很丰富，如香料的进价为5元，而销售价格为30元，并出现了排队购买香料的情景。信贷机构可以根据二阶信息，并针对较好的行业进行放贷，如在2010年前，信贷机构对钢铁行业中各企业进行放贷并获得了大丰收。随着经济的发展，二阶信息在放贷决策上的比重逐渐下降，一阶私人信息在放贷决策上的比重逐渐上升。在这个过程中，传统信贷机构逐渐从关注相应的行业信息，到关注具体企业或个人的财务报表信息，而到今天更加关注一些原始信息，如银行流水、网站流量等，进行细化而形成标准化“信贷工厂”和“信贷车间”，以及今天的个性化信贷。个性化信贷的私人信息比重达到了前所未有的高度，是计算机和互联网发展带来的数据收集成本快速下降的结果，这样的数据积累被人们称为“大数据”。实际上，数据和信息一直都在那里，过去人们要采集消费者行为数据的成本太高而收益相对比较低，造成了数据资源的“匮乏”，这种情景就好比一些石油矿藏，人们知道它的存在而在当时的技术条件下开发收益太低，只有等到技术达到某种程度或石油价格达到某个特定价格后，才具有开发价值。

处于不同的时期，信贷要适应时代的潮流，这就好比人穿的鞋子，不能太大，也不能太小，只有适中，穿起来才舒服。根据托马斯和埃德尔曼等的阐述可知，直到20世纪70年代，在金融比较发达的英国和美国还没有使用信用评分，甚至到1990年部分放贷机构也未使用信用评分。传统信用评估依靠个人的“感觉”或者信贷人员的经验，主要从借贷人的性格、偿还能力、抵押品或担保来判断，直到今天，其仍被一些信贷机构所使用。

在大数据时代，互联网等技术以低成本获取大量数据，缓解了信息不对称，这样的大数据有利于信贷机构对客户有一个全面的认识并可以防范操作风险。同时，信贷机构依靠大数据来评估客户的风险，对于客户来说更加公平，类似传统信贷、IPC微贷技术、信贷工厂审批都依靠个人的判断，这样的审批很容易受到个人经验等因素的影响，对同一个客户不同的审批人员会有不同的审批结果，有些审批人员会拒绝该客户，而另一些审批人员则认为可放贷给该客户。基于大数据的风控规则和模型，信贷机构的信贷审批决策系统则是由同一套标准来衡量客户是否具有欺诈风险、是否具有还款能力、是否具有还款意愿等，一切都基于客户自身所表露出的数据，对于每个客户更加公平，同时对于信贷机构来说减少了人为干预，避免了一些内部欺诈风险，并提高了审批效率和客户体验。在以前依靠信贷审批委员会需要14个工作日的审批，现在利用信贷审批决策系统1分钟就可以给出是否授信和放贷结论。