預期信用損失模型增強了貸款損失準備的前瞻性嗎？ *
——基于我國143 家商業銀行的實證研究

紀佃波

（中國財政科學研究院，北京 100142）

一、引言

2018 年1 月1 日起，新的金融工具會計準則已在我國商業銀行范圍內分階段正式實施，其中最引人注目的變化就是貸款損失準備計提模型由已發生損失模型（ICL）發展為預期信用損失模型（ECL）。從會計計量的邏輯來看，這兩種模型的驅動因素存在顯著差異。已發生損失模型只允許確認已發生減值貸款的損失準備，主要驅動因素是不良貸款，體現出一種后顧式的計量理念；相比之下，預期信用損失模型要求商業銀行考慮未來經濟信息，希望商業銀行能在信用風險真正發生惡化之前實現對貸款損失準備的及時計提，理想驅動因素應該是未來信用風險，追求的是一種前瞻性的設計精神。所以，如果商業銀行對未來經濟狀況有準確的預期，并且不受管理層機會主義等代理問題的困擾，那么在采用預期信用損失模型后，貸款損失準備的確認應該會更及時，包含更多前瞻性信息，實現由后顧式到前瞻性計量方法的跨越。然而，在實踐中，由于預期信用損失模型固有的操作復雜性，對信用損失的可靠預測可能不容易獲得，加之預期信用損失估計過程中噪音太多，對未來信用風險進行預測難以做到準確可靠。此外，如果商業銀行管理層利用貸款損失準備進行收益平滑和調整監管資本，那么預期信用損失模型提供的額外自由裁量權會減弱貸款損失準備的前瞻性。這些不利因素使得預期信用損失模型的應用前景變得模糊，即預期信用損失模型究竟會對貸款損失準備的前瞻性產生積極影響還是帶來負面效應，仍是一個未知數，亟需實證研究進行揭秘和解讀。

與此同時，新冠肺炎疫情的暴發造成了能源和大宗商品價格劇烈波動，嚴重影響全球產業鏈和供應鏈的正常運轉，加深未來全球經濟復蘇的不確定性（吳婷婷和朱昂昂，2020），加上中國經濟發展面臨“需求收縮、供給沖擊、預期轉弱”三重壓力，各種因素的疊加進一步加大經濟下行風險以及大企業違約和破產概率，從而影響商業銀行的資產質量，降低金融系統的穩定性。為了響應國家盡快實現全社會復工復產的政策號召，2020 年全國銀行業金融機構共對7.3 萬億元貸款本息進行了延期或減免，并處置不良資產3.02 萬億元。以上現實情況說明商業銀行未來可能面臨收益下降和不良貸款增長的雙重挑戰，這就迫使商業銀行提高貸款損失準備計提的及時性，筑好抵御風險的防護墻，此時更加需要檢驗現實中預期信用的實施效果，尤其是對其前瞻性特征的考察。不同商業銀行在規模、科技投入、人力資本等方面存在差異，會影響商業銀行貸款違約數據的積累、前瞻估計模型的構建和關鍵參數的設定，進而導致預期信用損失模型實施標準參差不齊，可能對預期信用損失模型前瞻性的具體作用產生差異性影響。因此，預期信用損失模型的前瞻性問題是近期值得關注的問題之一。

綜合上述現實和理論背景，本文基于我國143 家商業銀行2014—2020 年的貸款損失準備數據和其他財務數據，系統考察預期信用損失模型對貸款損失準備前瞻性的影響。在研究設計上，由于預期信用損失模型并不同時適用于境內所有商業銀行，此次貸款損失準備會計準則變革可以看作是一個準自然實驗，將在2020 年末已實施預期信用損失模型的86 家商業銀行劃分為處理組，將還未實施預期信用損失模型的57 家商業銀行劃分為控制組，使用雙重差分的方法，比較分析貸款損失準備主要驅動因素是否發生變化和更具前瞻性。

本文可能的邊際貢獻在于：第一，目前關于預期信用損失模型的實證研究還較少，本文基于貸款損失準備計提驅動因素視角，利用我國商業銀行的公開數據實證檢驗了預期信用損失模型的前瞻性，為以后深入探討預期信用損失模型的經濟后果奠定了基礎。第二，本文豐富和拓展了國內關于貸款損失準備會計研究方面的文獻。國內現有關于貸款損失準備會計的研究主要集中于計提動機和順周期性方面，關于計提前瞻性、充分性以及其他經濟后果的研究還相對匱乏，本文研究在一定程度上可以彌補這些空白。第三，本文證實預期信用損失模型對貸款損失準備前瞻性的提升作用受到銀行異質性因素的影響，這有利于會計準則制定部門及時掌握預期信用損失模型的實行效果和存在的問題，為貸款損失準備會計準則的進一步完善提供經驗支持，同時也有利于金融監管部門針對特定銀行制定差異化資本監管策略。

二、政策背景與研究假設

（一）政策背景

作為商業銀行應計會計中的核心問題，貸款損失準備的確認和計量長期以來被要求嚴格遵循基于權責發生制原則的已發生損失模型，即若有明確跡象證明貸款發生減值，才可確認貸款損失準備。這種方法最大優點在于可以一定程度上限制銀行管理層的收益平滑行為，從而提高會計信息透明度。但是2008 年全球金融危機引發了社會各界對已發生損失模型的廣泛質疑。因為這種模式阻止銀行確認未來貸款損失，即使這些損失是可以合理預測的（Acharya和Ryan，2016）。2008 年10 月，金融危機咨詢小組（FCAG）成立，就會計準則的制定和可能的監管變化提出可行方案。2009 年7 月，金融穩定論壇（FSF）發布研究報告，指出延遲確認銀行貸款損失是商業銀行會計準則的一個主要弱點，并建議會計準則制定部門探索更具前瞻性的模式。同時，G20 也敦促會計準則制定者改善貸款損失準備計提方法。

針對公眾對已發生損失模型滯后性的擔憂，國際會計準則理事會（IASB）和財務會計準則委員會（FASB）開始探索具有前瞻性的貸款損失準備計提模型。經過預期現金流量模型、二分類法等幾次修訂后，IASB 于2014 年推出了《國際財務報告準則第9 號——金融工具》（IFRS 9），正式確定于2018 年1 月1 日起實施預期信用損失模型。該模型具有前瞻性，旨在通過在損失之前（即在觸發事件之前）確認額外的貸款損失準備，以便提高貸款損失準備計提的及時性。

IASB 的預期信用損失模型根據評估的貸款信用風險設定了一個“三階段”觸發機制。如果貸款自初始確認起就一直處于低信用風險狀態，則劃為第一階段，只需將未來12 個月預期信用損失確認為貸款損失準備；如果在其后各報告日期，銀行參考過往、現時及未來相關信息判定貸款信用風險顯著升高，則劃為第二階段，必須按照剩余期限預期信用損失確認貸款損失準備；如果信用風險進一步惡化以致貸款出現信用減值，則劃為第三階段，仍然需按照存續期剩余期限預期信用損失確認貸款損失準備（IASB，2014）。

（二）研究假設

從貸款損失準備會計計量層面審視，預期信用損失模型主要有兩個重大變化：第一，破除了貸款損失準備計提的“減值跡象”門檻限制，改為按照貸款信用風險變化情況分類計提，將未來預期損失納入當期貸款損失準備之中；第二，擴大可參考信息的類型和范圍，允許銀行根據歷史違約數據和未來經濟信息綜合判斷貸款違約概率和違約損失率，以此作為計量預期信用損失的基礎。這些變動不僅可以在一定程度上彌補已發生損失模型的滯后性，而且還會提升貸款損失準備的風險預測能力，從而有助于貸款損失準備前瞻性的增強。

已發生損失模型的滯后性主要來源于減值跡象的限制和歷史信息的局限性。已發生損失模型只允許商業銀行依據歷史信息對已發生損失進行確認，因此貸款損失準備的計提高度依賴于商業銀行管理層對貸款減值發生概率的主觀判斷。這種判斷往往是以借款人出現重大財務問題、經營管理問題或嚴重逾期為標志，使得貸款損失準備的計提出現延遲，缺乏前瞻性（Anne 和Scott，2011；Bushman 和Williams，2015）。貸款損失準備的計提還依賴于商業銀行管理層對不良貸款劃分的及時性。很多商業銀行熱衷于固定資產抵押（擔保）貸款，在判斷貸款的減值情形時往往更看重抵押（擔保）物的緩釋作用，只要抵押（擔保）物的市場價值沒有發生嚴重貶值，商業銀行就可能認為該筆貸款未發生減值，而忽略借款企業（人）經濟狀況良好的持續性，低估貸款發生減值的概率，造成貸款損失準備計提的不充分、不及時。

在預期信用損失模型實施之后，商業銀行需要密切監測貸款的信用風險變化情況，并及時對貸款的信用風險級別進行階段調整，再按貸款階段劃分在考慮前瞻性信息影響的前提下確認相應數量的預期信用損失，以此作為當期應計提的貸款損失準備金額。銀行必須于每個報告日對前瞻性信息進行修正，以保證模型參數的合理性。對于信用風險顯著增加的判斷必須以合理可得的前瞻性信息為主要依據，不能過多依賴于逾期天數和抵押（擔保）物價值信息。預期信用損失模型鼓勵商業銀行提前預判貸款信用風險的變化情況，并及時在表內進行反映和披露。貸款損失準備的計提主要由未來信用風險所驅動，通過充分估計信用風險，更早確認貸款損失，從而避免利息收入虛增，有利于會計信息相關性和決策有用性的提高（梁德華等，2015；李峰和吳海霞，2015）。

預期信用損失模型的應用存在一定的爭議。首先，該模型很大程度上依賴于對不同經濟情景下的預期信用損失的估計，實踐操作比較復雜，因此在缺乏數據、經驗和內部合作的情況下，對商業銀行和監管部門將是重大挑戰。許多中小商業銀行不具備處理場景條件下的預期信用損失估計所需的設施系統、專業知識和完整數據，這可能會影響貸款損失準備的合理預測（Novotny-Farkas，2016）。其次，會計準則并未規定統一的預期信用損失計量模型，而是要求商業銀行根據自身的具體情況，選擇合理的方法估計貸款違約概率、信用風險顯著增加和前瞻性信息等關鍵參數，這賦予銀行管理層較大的主觀判斷空間，很難保證預期信用損失的風險信息含量（Javier 和Antonio，2018；邱月華，2017）。再次，預期信用損失模型導致貸款損失準備計提范圍擴大，可能會影響商業銀行的盈利和資本充足率，在業績評價和監管資本要求的雙重壓力下，商業銀行管理層可能對預期信用損失估計所需的假設、參數估計等輸入值進行機會主義調整，從而損害會計信息可靠性和可比性，降低會計透明度和資源配置效率（Kunz 和 Staehle，2016；斯葉青，2018；鄭偉，2013）。最后，已發生損失模型下銀行同樣擁有自由裁量權，如果商業銀行正當利用這些權力，比如估計未來信用風險，則其貸款損失準備可能早已經是前瞻性的了（Bushman 和Williams，2012），預期信用損失模型實施后對貸款損失準備前瞻性的提升效果可能不會很明顯。

綜上所述，預期信用損失模型是否提高了貸款損失準備的前瞻性可能存在一定不確定性，為了保證研究的全面性和謹慎性，本文提出三個競爭性的研究假設：

假設1a：預期信用損失模型增強了貸款損失準備的前瞻性。

假設1b：預期信用損失模型降低了貸款損失準備的前瞻性。

假設1c：預期信用損失模型對貸款損失準備的前瞻性沒有顯著影響。

三、研究設計

（一）樣本選擇與數據來源

本文圍繞 2018 年1 月1 日預期信用損失模型正式實施這一準自然實驗，選取2014 年—2020 年我國商業銀行作為研究對象，并且按照以下原則對樣本數據進行了篩選：刪除總資產、總負債、貸款損失準備（本期計提額）、不良貸款等指標數據缺失的觀測值；刪除股東權益小于等于0 的觀測值；刪除貸款損失準備和不良貸款等于0 等異常觀測值。由于考察預期信用損失模型的實施效應需要對新舊準則前后情況進行對比，為保證前后樣本的可比性，本文選取至少在預期信用損失模型實施前后兩年均存在觀測值的商業銀行組成樣本。最終得到包含143 家商業銀行、1001 個銀行-年度觀測值組成的平衡面板數據。本文對研究變量（不包括虛擬變量）進行了縮尾處理（雙側1%），以降低異常值對實證結果的干擾。本文相關數據主要來自BankFocus 數據庫、我國各省（自治區、直轄市）統計局官方網站，部分數據根據公開信息手工收集，并通過Stata 15.1 完成所有數據處理及回歸分析。

（二）變量定義

1.被解釋變量

借鑒 Bouvatier 和 Lepetit（2008）、丁友剛和嚴艷（2019）的方法，使用貸款損失準備計提比率（LLPi,t）衡量商業銀行貸款損失準備計提行為，即銀行i 在t 年計提的貸款損失準備金額 與t 年末貸款總額的比值。

2.解釋變量

本文解釋變量包括兩部分。一是貸款損失準備前瞻性，參考Anne 和Scott（2011）、Bushman 和 Williams（2012）的做法，選用下一年不良貸款變動金額來衡量貸款損失準備的前瞻性。不良貸款的未來變化代表了商業銀行當前預期貸款損失，不良貸款的大幅增加通常被視為一種脆弱性，是內部或外部沖擊引發更深層次問題的表現（Cantrell 等，2014），這可能導致貸款減值。因此，?NPLi,t+1反映了本年貸款損失準備對未來潛在貸款損失的敏感性。二是預期信用損失模型，借鑒Kim 等（2019）的研究，設置預期信用損失模型實施虛擬變量，記為DIDi,t。DIDi,t為treatedi和postt的乘積，treatedi為政策對象虛擬變量，即在2014—2020 年期間采用了預期信用損失模型的商業銀行treated=1，未采用預期信用損失模型的商業銀行treated=0；postt為政策實施時間，實施預期信用損失模型當年及以后年份post=1，實施預期信用損失模型之前的年份post=0。核心解釋變量是 ?NPLi,t+1和DIDi,t的交互項，用于判斷預期信用損失模型實施后，貸款損失準備前瞻性的變化情況。

3.控制變量

為了控制微觀因素和宏觀因素對實證結果的影響，本文參考袁鯤和王嬌（2014）、Ng 和Roychowdhury（2014）、顧海峰和于家珺（2019）的做法，選取以下指標作為控制變量：上一年不良貸款變動額（?NPLi,t-1）、本年不良貸款變動額（?NPLi,t）、撥備前利潤率（EBLLPi,t）、核心一級資本充足率（CCARi,t）、貸款變動額（ΔGloansi,t）、貸款市場份額（LoanSharei,t）、負債結構（Levi,t）、資產規模（Sizei,t）、貸存比（DLRatioi,t）、GDP 增長率（GDPgt）。

模型變量具體定義見表1。

表1 變量定義

（三）模型設定

考察預期信用損失模型對貸款損失準備前瞻性的影響，難點在于從眾多可能影響貸款損失準備計提的因素中，識別出預期信用損失模型實施所發揮的真正作用。因為預期信用損失模型的實施本質上屬于會計準則的變革，經濟政策大多是內生的，直接研究一項政策的實施效果，可能無法避免變量遺漏等內生性問題。因此，本文引入雙重差分法解決準則實施的內生性問題。在自然實驗狀態下，如果某項政策并不是適應于全部個體，那么雙重差分法就可以通過計算實施該政策的個體（處理組）與沒有實施該政策的個體（控制組）之間的差異，消除混淆因果關系的干擾因素或變量遺漏的影響，從而厘清新政策實施的凈效應。基于此，本文以我國截至2020 年末已實施預期信用損失模型的商業銀行為處理組，以截至2020 年末還未實施預期信用損失模型的商業銀行為控制組。為了解決時間和個體差異對實證結果的影響，本文參考Nichols 等（2009）、Allison（2018）和Kim 等（2019）的研究，選用控制雙向固定效應的雙重差分模型進行基準回歸分析：

其中：i 代表商業銀行，t 代表年份，LLPi,t為被解釋變量，是商業銀行貸款損失準備計提比率，以商業銀行i 在t 年計提的貸款損失準備金額度量；ΔNPLi,t+1為模型（1）的核心解釋變量，是貸款損失準備前瞻性的代理變量，以商業銀行i 在t+1 年不良貸款變動額度量；DIDi,t×ΔNPLi,t+1為模型（2）核心解釋變量，是預期信用損失模型實施虛擬變量與貸款損失準備前瞻性的交互項；Xit為控制變量；μi、ξi為銀行個體固定效應；τt、φt為時間固定效應；εi,t、ei,t為隨機誤差項；α0、β0為截距項。

模型（1）主要從整體上檢驗貸款損失準備的前瞻性，模型（2）主要檢驗預期信用損失模型對貸款損失準備前瞻性的影響。回歸系數α1表示貸款損失準備與未來信用風險的關系，回歸系數β3表示預期信用損失模型對貸款損失準備前瞻性的調節作用。模型（1）主要關注核心回歸系數α1，若其顯著為正說明貸款損失準備是具有前瞻性的；模型（2）主要關注核心回歸系數β3，若其顯著為正，說明預期信用損失模型顯著增強了貸款損失準備的前瞻性。

（四）平衡趨勢檢驗

雙重差分法要求研究所構造的處理組和控制組必須滿足平衡趨勢假設，即如果該事件（政策）沒有發生，研究中的處理組和控制組應具有相同的變化趨勢，并保持可比性。本文參照Beck 等（2010）的做法，將時間（年度）虛擬變量、處理組虛擬變量與t+1 年不良貸款變動額相乘，利用交互項作為兩組商業銀行貸款損失準備前瞻性在每一年差異的程度。如果這兩組商業銀行貸款損失準備前瞻性有著相似變化趨勢的話，那么可以預期在預期信用損失模型實施之前交互項的回歸結果將不顯著，而實施之后的結果將顯著，具體結果如圖1 所示。圖1 中，垂直于橫軸的帶蓋短直線是回歸系數的95% 置信區間，“0”表示預期信用損失模型開始實施的時間；“-5 到-2”表示預期信用損失模型實施前的各個時間段；“1-2”表示預期信用損失模型實施后的各個時間段。可以看到，在預期信用損失模型實施以前，各期回歸系數均不顯著（95%置信區間均越過系數= 0 的水平線），在預期信用損失模型實施以后的各期，各期回歸系數開始上升，說明在預期信用損失模型實施之前兩組銀行貸款損失準備前瞻性維持著相同的發展趨勢，即符合平行趨勢假設。

圖1 貸款損失準備前瞻性態平衡趨勢圖

四、實證分析

（一）主要變量描述性統計

表2 是主要變量描述性統計的結果。從中可以看出，商業銀行本年貸款損失準備計提金額最大值為0.0307，最小值為-0.0003，說明我國商業銀行貸款損失準備計提比率跨度較大，但標準差為0.0059，反映出商業銀行貸款損失準備計提比率波動性不是很大。從銀行個體層面來看，商業銀行個體特征差異明顯，表現在資產規模（Sizei,t）、盈利能力（EBLLPi,t）、流動性（DLRatioi,t）和負債結構（Levi,t）、貸款市場份額（LoanSharei,t）等方面；從貸款質量和資本充足來看，核心一級資本充足率（CCARi,t）均值為0.1056，大于監管最低標準7.5%，各期不良貸款變動波動幅度也相對較小，表明我國銀行業信貸質量相對較好，整體資本相對充足。

表2 變量描述性統計

（二）基準回歸

本文使用控制雙向固定效應的雙重差分模型檢驗以預期信用損失模型實施為標志的貸款損失準備會計準則改革是否影響貸款損失準備前瞻性。表3 第（1）列為貸款損失準備前瞻性的回歸結果，第（2）列為預期信用損失模型對貸款損失準備前瞻性影響的回歸結果。通過第（1）列可以觀察到，ΔNPLi,t+1回歸系數為0.0026，統計上不顯著，而ΔNPLi,t-1和ΔNPLi,t的回歸系數分別為0.1504、0.1582，且在1%顯著性水平下顯著為正，說明在已發生損失模型時期，商業銀行貸款損失準備是后顧式的，沒有體現出明顯的前瞻性特征；從第（2）列的結果可以看出，DIDi,t×ΔNPLi,t+1回歸系數為0.1150，在5%顯著性水平下顯著為正，說明預期信用損失模型顯著提高了貸款損失準備的前瞻性，這與假設1a 的預期相符，即與控制組商業銀行相比，預期信用損失模型的實施增強了處理組商業銀行貸款損失準備的前瞻性。

表3 基準回歸結果

注：括號中為參數估計的聚類穩健標準誤。*、**、***分別表示在10%、5%、1%顯著性水平下顯著。下同。

（三）穩健性檢驗

1.傾向得分匹配—雙重差分（PSM—DID）回歸分析

由于銀行與銀行之間在個體特征及所處地區經濟發展方面有著豐富的差異，傳統差分法將樣本直接劃分為處理組和控制組的做法太過于粗糙，可能導致模型形式錯誤設定問題，產生有偏差的估計結果，違背線性回歸結果的無偏性估計假設。傾向得分匹配（PSM）基于多維協變量指標，計算處理組和控制組的傾向得分p 值，然后按照p 值的鄰近度對兩者進行一對一或一對多的匹配，可以在一定程度上緩解因線性回歸過于依賴模型形式設定而導致的估計偏差問題（Rosenbaum 和Rubin，1983）。本文參考謝申祥等（2021）采用的逐年匹配法，即每年對處理組和控制組按照協變量進行匹配，使兩組商業銀行在可觀測協變量的限定下，盡可能相似。之后，進行逐期平衡性檢驗，比較匹配前后各年邏輯回歸（logit）結果，如果匹配后協變量的回歸系數估計值變小、在10%顯著性水平下變得不顯著且偽R2明顯減小，則說明匹配是無偏的。最后，分別使用權重不為空的樣本、滿足共同支撐假設的樣本和頻數加權回歸樣本進行雙重差分檢驗。

表4 為模型（1）和（2）PSM—DID 回歸結果，可以發現，無論是權重不為空樣本、共同支撐假設樣本還是頻數加權回歸樣本，模型（1）中ΔNPLi,t+1回歸系數都是不顯著的，模型（2）中DIDi,t×ΔNPLi,t+1回歸系數都是顯著為正的，支持假設1a 的預期，所以本文的研究結論是穩健的。

表4 PSM-DID 回歸結果

ΔNPLi,t+1 0.1095***（2.6896）DIDi,t 0.0504（1.2623）0.0407（1.0026）0.0017（0.0569）-0.0048（-0.1592）0.1144（2.8355）-0.0003（-0.3120）_cons 0.0478（1.3100）-0.0002（-0.2313）-0.0008（-1.0771）0.0602（1.5315）Controls Yes Yes Yes Yes Yes Yes Quater FE Yes Yes Yes Yes Yes Yes Bank FE Yes Yes Yes Yes Yes Yes Adj.R2 0.4154 0.4150 0.3817 0.3823 0.7093 0.7092 0.0492（1.3239）0.0182（0.5501）0.0210（0.6298）0.0593（1.5223）

2.安慰劑檢驗

在143 家商業銀行中，隨機抽取86 家商業銀行作為處理組，其余57 家商業銀行作為對照組，構建“偽處理—控制組”進行雙重差分回歸，以檢驗前文回歸結果是否是可靠的。在進行重復500 次抽樣后，根據回歸系數值和p 值繪制核密度函數曲線，具體結果如圖2 所示。其中，曲線表示的是回歸系數估計值的核密度函數，散點表示的是回歸系數估計值的p 值，垂直虛線表示的是基準回歸中DIDi,t×ΔNPLi,t+1真實回歸系數估計值（0.1150），水平虛線表示的是10%顯著性水平。不難發現，安慰劑檢驗的回歸系數估計值聚集于0 點附近，且絕大多數p 值在統計上是不顯著的（大于0.1），而DIDi,t×ΔNPLi,t+1真實回歸系數估計值在安慰劑檢驗中屬于明顯異常值，可以推斷預期信用損失模型對貸款損失準備前瞻性的提升作用是真實的。

圖2 安慰劑檢驗結果

3.改變解釋變量的衡量方法

Basu 等（2020）認為，在研究商業銀行貸款損失準備計提的驅動因素時，不能只考慮不良貸款變動的影響，還必須重視貸款核銷金額的作用。這是因為不良貸款余額是一個時點指標，不能全面描述商業銀行信貸質量在區間內的動態變化，不良貸款波動變小很可能是本期核銷過多導致，而貸款核銷需要消耗相應的貸款損失準備，所以貸款核銷金額的大小也會影響貸款損失準備計提金額的大小。為了糾正這種偏差，本文使用t+1 年貸款凈核銷金額與不良貸款變動額之和（ΔNPLNCOi,t+1）作為貸款損失準備前瞻性的衡量指標，重新對模型（1）和（2）進行檢驗。由表5 第（1）和（2）列可知，模型（1）ΔNPLNCOi,t+1回歸系數依然是不顯著的，而模型（2）DIDi,t×ΔNPLNCOi,t+1回歸系數在5%顯著性水平下是顯著為正的，依然支持本文假設1a 的預期。

4.刪除2020 年的數據

2020 年新冠肺炎疫情暴發，對企業的正常經營帶來嚴重沖擊，為了緩解企業現金流壓力，保障中小微企業的生存能力，國家和地方政府部門出臺了一系列相關政策，給予有經營困難企業減息、免息、延期還本付息等優惠，這一定程度上會使得商業銀行不良貸款急劇增加，貸款損失準備計提金額大幅增加，所以公共突發事件的發生可能會干擾預期信用損失模型真正作用效果。為此，本文刪除2020 年的數據，以2014—2019 年為研究樣本期間重新進行雙重差分檢驗。通過表5 的第（3）（4）列的結果可知，模型（1）ΔNPLi,t+1回歸系數是不顯著的，模型（2）DIDi,t×ΔNPLi,t+1回歸系數在5%顯著性水平下顯著為正，從而可以判斷預期信用損失模型實施的影響并不是由于新冠肺炎疫情暴發導致的，預期信用損失模型對貸款損失準備前瞻性的提升作用仍然明顯。

表5 穩健性檢驗回歸結果

五、進一步分析

（一）資本市場監管的異質性影響

與非上市商業銀行相比，上市商業銀行要面對銀保監會、證監會等機構的多重監管，在經營管理上，不僅要滿足資本監管指標的要求，還需要兼顧股價等市值管理指標的變動，這使得上市商業銀行的信貸行為相對更加審慎，對會計準則的貫徹力度也相對更強。相反，非上市商業銀行的經營活動顯得相對隱蔽，社會公眾可能無法及時掌握其業績波動、風險管控方面的信息，為商業銀行管理層利用會計準則漏洞進行盈余管理或利潤操縱創造條件。同時，上市商業銀行一般占據規模優勢，在人力資本維護、金融科技投入和風控制度完善等方面也具有絕對優勢，所以其監管政策和會計準則的轉換成本相對較低，有利于商業銀行按照監管政策和會計準則要求及時調整經營策略，鞏固其市場競爭地位。這些都是非上市商業銀行無法比擬的。由此可見，預期信用損失模型很可能對上市商業銀行貸款損失準備前瞻性的提升作用相對更明顯。

基于上述分析，本文將143 家商業銀行按照在2020 年末是否上市劃分為兩組，分組檢驗預期信用損失模型對貸款損失準備前瞻性的作用機制。回歸結果如表6 所示。其中，第（1）（2）列為上市商業銀行回歸結果；第（3）（4）列為非上市商業銀行回歸結果。第（1）（3）列結果顯示，ΔNPLi,t+1的回歸系數都是不顯著的，說明無論是非上市商業銀行還是上市商業銀行，在預期信用損失模型實施之前，貸款損失準備都沒有體現出前瞻性特征；第（2）（4）列結果顯示，上市商業銀行DIDi,t×ΔNPLi,t+1的回歸系數為0.2463，在1%顯著性水平下顯著為正，非上市商業銀行DIDi,t×ΔNPLi,t+1回歸系數為0.0724，統計上不顯著，兩個回歸系數通過組間差異檢驗，說明與非上市商業銀行相比，預期信用損失模型對上市商業銀行貸款損失準備前瞻性的提升作用要相對更明顯。

表6 資本市場監管影響的回歸結果

（二）資本計量方法的異質性影響

我國商業銀行實際應用中的資本計量方法主要有內部評級法和權重法，兩種方法有著根本差異，對信用風險變化的敏感性也截然不同。內部評級法要求商業銀行重點關注未來12 個月貸款發生違約的可能性，形成不同貸款的違約概率，作為信用風險計量的關鍵參數，有利于商業銀行參照貸款未來信用風險進行分類和管理，及時預測貸款的損失。相比之下，權重法就顯得比較機械，只能相對被動地遵守監管要求，對所有同質貸款賦予相同的風險權重，無法為同種類不同貸款的信用風險進行差異化賦值，也無法準確把握貸款信用風險在周期內的動態發展，顯現出滯后性和“一刀切”的缺陷，不利于商業銀行對貸款信用風險進行精確化管理，提前構筑預期損失防御屏墻。所以，預期信用損失模型對不同資本計量方法下銀行貸款損失準備前瞻性的影響可能存在差異。內部評級法與會計預期信用損失模型在基本邏輯上具有相似性，兩者都高度重視前瞻性，將信用風險計量重點放在“預期”（劉泉軍，2015），兩者也就存在一定替代性，即在預期信用損失模型實施之前，應用內部評級法銀行的貸款損失準備可能已包含未來信用風險，預期信用損失模型對其貸款損失準備前瞻性的提升作用也就相對不明顯。而權重法下商業銀行貸款損失準備的確認以已發生損失為主要依據，不體現預期損失的概念，預期信用損失模型實施之后，其貸款損失準備前瞻性的提升幅度相對更明顯。

本文將143 家商業銀行按照其2020 年末資本計量方法，分為內部評級法和權重法兩組，檢驗預期信用損失模型是否因資本計量方法的不同而對貸款損失準備前瞻性的提升作用呈現差異性。從表7 的結果可以看出，在已發生損失模型實施時期，內部評級法下銀行的貸款損失準備已是前瞻性的了，因為ΔNPLi,t+1的回歸系數在5%顯著性水平下顯著為正，而權重法下ΔNPLi,t+1回歸系數并不顯著，沒有體現出前瞻性的一面；相反，預期信用損失模型實施之后，權重法下銀行貸款損失準備的前瞻性提升效果相對更明顯，因為第（2）列DIDi,t×ΔNPLi,t+1的回歸系數在1%顯著性水平下顯著為正，而內部評級法下并沒有這樣的發現，因為第（4）列DIDi,t×ΔNPLi,t+1回歸系數并不顯著，而且兩個回歸系數是顯著不同的。這表明相比于使用內部評級法計量資本的銀行，預期信用損失模型對使用權重法計量資本的銀行貸款損失準備前瞻性的提升作用相對更明顯。

表7 資本計量方法影響的回歸結果

（三）盈利水平的異質性影響

預期信用損失模型對于貸款損失準備計提的直接影響表現在計提時間提前、計提范圍擴大，即不再局限于不良貸款，而是覆蓋于全部客戶貸款，并且第二階段和第三階段貸款還需要以整個存續期為時間期限來確認預期信用損失，這樣可能會大幅增加貸款損失準備的計提金額，影響商業銀行收益率的穩定性。由于凈利潤是商業銀行核心一級資本的主要內生性來源，當盈利壓力較大時，商業銀行核心一級資本的補充壓力也可能相對較大，這時商業銀行可能通過少計提或延遲計提貸款損失準備的手段來提高收益，進而達到滿足資本最低監管需求的目的。因此，預期信用損失模型對于貸款損失準備前瞻性的提升作用可能因銀行盈利能力大小而呈現明顯差異。

為驗證盈利水平的影響，本文將143 家商業銀行年度總資產收益率（ROA）進行排序，以中位數為界限，劃分為高盈利水平組和低盈利水平組，分別進行回歸，具體結果如表8 所示。其中，第（1）（3）列結果顯示，ΔNPLi,t+1的回歸系數均不顯著，說明預期信用損失模型實施之前，貸款損失準備沒有表現出明顯前瞻性。第（2）和（4）列結果顯示，高盈利水平組DIDi,t×ΔNPLi,t+1回歸系數為0.1569，在10% 顯著性水平下顯著為正，低盈利水平組DIDi,t×ΔNPLi,t+1為0.0689 且不顯著，而且兩個系數通過了組間系數差異檢驗，說明預期信用損失模型實行后，貸款損失準備前瞻性的提升效果在高盈利水平銀行相對更明顯。

六、研究結論與啟示

在新一輪金融工具會計準則變革中，預期信用損失模型正式取代已發生損失模型，成為貸款損失準備計提的新標準。從2018 年到2020 年，預期信用損失模型已在我國部分商業銀行實行了三年多的時間。本文借助貸款損失準備會計準則變革這一準自然實驗，運用雙重差分計量模型，實證檢驗預期信用損失模型對銀行貸款損失準備前瞻性影響及其作用機制。結果顯示：第一，預期信用損失模型顯著增強了貸款損失準備前瞻性；第二，資本市場監管、資本計量方法和盈利水平在其中發揮了調節效應；第三，上市銀行、使用權重法進行資本計量的銀行和盈利水平較高銀行的貸款損失準備提升幅度相對更大。

本文的實證研究識別了預期信用損失模型實施與貸款損失準備前瞻性之間的因果關系，揭示出銀行個體特征差異對預期信用損失模型實施的經濟后果的重要影響，這對會計準則和監管政策的修訂來說，也有一定的啟示意義。第一，商業銀行、監管部門和地方政府部門應該進一步推進區域金融市場化進程，鼓勵符合條件的銀行公開上市，這樣有利于增強市場競爭和創新行為，建立有效的資本市場監督機制，促使銀行提高風險管理意識，減少貸款損失準備計提的滯后性。第二，應對非國有商業銀行尤其是中小商業銀行，制定差異化的預期信用損失模型實施步驟和監管策略。除了選擇適當延期執行預期信用損失模型外，更重要的是要引導銀行充分理解及時計提貸款損失準備對銀行風險管理的作用，重視預期信用損失模型應用背后的制度內涵，建立健全貸款風險信息反饋機制，不斷提升對準則變革的主動適應性。第三，應該建立預期信用損失模型應用效果動態評價機制，關注對貸款損失準備前瞻性的影響，分析對銀行信貸行為、風險管控和盈余狀況的影響，比較不同類型、不同地區銀行實施效果的差異，及時對政策偏差進行糾正。