预期信用损失模型增强了贷款损失准备的前瞻性吗？ *——基于我国143 家商业银行的实证研究

纪佃波

（中国财政科学研究院，北京 100142）

一、引言

2018 年1 月1 日起，新的金融工具会计准则已在我国商业银行范围内分阶段正式实施，其中最引人注目的变化就是贷款损失准备计提模型由已发生损失模型（ICL）发展为预期信用损失模型（ECL）。从会计计量的逻辑来看，这两种模型的驱动因素存在显著差异。已发生损失模型只允许确认已发生减值贷款的损失准备，主要驱动因素是不良贷款，体现出一种后顾式的计量理念；相比之下，预期信用损失模型要求商业银行考虑未来经济信息，希望商业银行能在信用风险真正发生恶化之前实现对贷款损失准备的及时计提，理想驱动因素应该是未来信用风险，追求的是一种前瞻性的设计精神。所以，如果商业银行对未来经济状况有准确的预期，并且不受管理层机会主义等代理问题的困扰，那么在采用预期信用损失模型后，贷款损失准备的确认应该会更及时，包含更多前瞻性信息，实现由后顾式到前瞻性计量方法的跨越。然而，在实践中，由于预期信用损失模型固有的操作复杂性，对信用损失的可靠预测可能不容易获得，加之预期信用损失估计过程中噪音太多，对未来信用风险进行预测难以做到准确可靠。此外，如果商业银行管理层利用贷款损失准备进行收益平滑和调整监管资本，那么预期信用损失模型提供的额外自由裁量权会减弱贷款损失准备的前瞻性。这些不利因素使得预期信用损失模型的应用前景变得模糊，即预期信用损失模型究竟会对贷款损失准备的前瞻性产生积极影响还是带来负面效应，仍是一个未知数，亟需实证研究进行揭秘和解读。

与此同时，新冠肺炎疫情的暴发造成了能源和大宗商品价格剧烈波动，严重影响全球产业链和供应链的正常运转，加深未来全球经济复苏的不确定性（吴婷婷和朱昂昂，2020），加上中国经济发展面临“需求收缩、供给冲击、预期转弱”三重压力，各种因素的叠加进一步加大经济下行风险以及大企业违约和破产概率，从而影响商业银行的资产质量，降低金融系统的稳定性。为了响应国家尽快实现全社会复工复产的政策号召，2020 年全国银行业金融机构共对7.3 万亿元贷款本息进行了延期或减免，并处置不良资产3.02 万亿元。以上现实情况说明商业银行未来可能面临收益下降和不良贷款增长的双重挑战，这就迫使商业银行提高贷款损失准备计提的及时性，筑好抵御风险的防护墙，此时更加需要检验现实中预期信用的实施效果，尤其是对其前瞻性特征的考察。不同商业银行在规模、科技投入、人力资本等方面存在差异，会影响商业银行贷款违约数据的积累、前瞻估计模型的构建和关键参数的设定，进而导致预期信用损失模型实施标准参差不齐，可能对预期信用损失模型前瞻性的具体作用产生差异性影响。因此，预期信用损失模型的前瞻性问题是近期值得关注的问题之一。

综合上述现实和理论背景，本文基于我国143 家商业银行2014—2020 年的贷款损失准备数据和其他财务数据，系统考察预期信用损失模型对贷款损失准备前瞻性的影响。在研究设计上，由于预期信用损失模型并不同时适用于境内所有商业银行，此次贷款损失准备会计准则变革可以看作是一个准自然实验，将在2020 年末已实施预期信用损失模型的86 家商业银行划分为处理组，将还未实施预期信用损失模型的57 家商业银行划分为控制组，使用双重差分的方法，比较分析贷款损失准备主要驱动因素是否发生变化和更具前瞻性。

本文可能的边际贡献在于：第一，目前关于预期信用损失模型的实证研究还较少，本文基于贷款损失准备计提驱动因素视角，利用我国商业银行的公开数据实证检验了预期信用损失模型的前瞻性，为以后深入探讨预期信用损失模型的经济后果奠定了基础。第二，本文丰富和拓展了国内关于贷款损失准备会计研究方面的文献。国内现有关于贷款损失准备会计的研究主要集中于计提动机和顺周期性方面，关于计提前瞻性、充分性以及其他经济后果的研究还相对匮乏，本文研究在一定程度上可以弥补这些空白。第三，本文证实预期信用损失模型对贷款损失准备前瞻性的提升作用受到银行异质性因素的影响，这有利于会计准则制定部门及时掌握预期信用损失模型的实行效果和存在的问题，为贷款损失准备会计准则的进一步完善提供经验支持，同时也有利于金融监管部门针对特定银行制定差异化资本监管策略。

二、政策背景与研究假设

（一）政策背景

作为商业银行应计会计中的核心问题，贷款损失准备的确认和计量长期以来被要求严格遵循基于权责发生制原则的已发生损失模型，即若有明确迹象证明贷款发生减值，才可确认贷款损失准备。这种方法最大优点在于可以一定程度上限制银行管理层的收益平滑行为，从而提高会计信息透明度。但是2008 年全球金融危机引发了社会各界对已发生损失模型的广泛质疑。因为这种模式阻止银行确认未来贷款损失，即使这些损失是可以合理预测的（Acharya和Ryan，2016）。2008 年10 月，金融危机咨询小组（FCAG）成立，就会计准则的制定和可能的监管变化提出可行方案。2009 年7 月，金融稳定论坛（FSF）发布研究报告，指出延迟确认银行贷款损失是商业银行会计准则的一个主要弱点，并建议会计准则制定部门探索更具前瞻性的模式。同时，G20 也敦促会计准则制定者改善贷款损失准备计提方法。

针对公众对已发生损失模型滞后性的担忧，国际会计准则理事会（IASB）和财务会计准则委员会（FASB）开始探索具有前瞻性的贷款损失准备计提模型。经过预期现金流量模型、二分类法等几次修订后，IASB 于2014 年推出了《国际财务报告准则第9 号——金融工具》（IFRS 9），正式确定于2018 年1 月1 日起实施预期信用损失模型。该模型具有前瞻性，旨在通过在损失之前（即在触发事件之前）确认额外的贷款损失准备，以便提高贷款损失准备计提的及时性。

IASB 的预期信用损失模型根据评估的贷款信用风险设定了一个“三阶段”触发机制。如果贷款自初始确认起就一直处于低信用风险状态，则划为第一阶段，只需将未来12 个月预期信用损失确认为贷款损失准备；如果在其后各报告日期，银行参考过往、现时及未来相关信息判定贷款信用风险显著升高，则划为第二阶段，必须按照剩余期限预期信用损失确认贷款损失准备；如果信用风险进一步恶化以致贷款出现信用减值，则划为第三阶段，仍然需按照存续期剩余期限预期信用损失确认贷款损失准备（IASB，2014）。

（二）研究假设

从贷款损失准备会计计量层面审视，预期信用损失模型主要有两个重大变化：第一，破除了贷款损失准备计提的“减值迹象”门槛限制，改为按照贷款信用风险变化情况分类计提，将未来预期损失纳入当期贷款损失准备之中；第二，扩大可参考信息的类型和范围，允许银行根据历史违约数据和未来经济信息综合判断贷款违约概率和违约损失率，以此作为计量预期信用损失的基础。这些变动不仅可以在一定程度上弥补已发生损失模型的滞后性，而且还会提升贷款损失准备的风险预测能力，从而有助于贷款损失准备前瞻性的增强。

已发生损失模型的滞后性主要来源于减值迹象的限制和历史信息的局限性。已发生损失模型只允许商业银行依据历史信息对已发生损失进行确认，因此贷款损失准备的计提高度依赖于商业银行管理层对贷款减值发生概率的主观判断。这种判断往往是以借款人出现重大财务问题、经营管理问题或严重逾期为标志，使得贷款损失准备的计提出现延迟，缺乏前瞻性（Anne 和Scott，2011；Bushman 和Williams，2015）。贷款损失准备的计提还依赖于商业银行管理层对不良贷款划分的及时性。很多商业银行热衷于固定资产抵押（担保）贷款，在判断贷款的减值情形时往往更看重抵押（担保）物的缓释作用，只要抵押（担保）物的市场价值没有发生严重贬值，商业银行就可能认为该笔贷款未发生减值，而忽略借款企业（人）经济状况良好的持续性，低估贷款发生减值的概率，造成贷款损失准备计提的不充分、不及时。

在预期信用损失模型实施之后，商业银行需要密切监测贷款的信用风险变化情况，并及时对贷款的信用风险级别进行阶段调整，再按贷款阶段划分在考虑前瞻性信息影响的前提下确认相应数量的预期信用损失，以此作为当期应计提的贷款损失准备金额。银行必须于每个报告日对前瞻性信息进行修正，以保证模型参数的合理性。对于信用风险显著增加的判断必须以合理可得的前瞻性信息为主要依据，不能过多依赖于逾期天数和抵押（担保）物价值信息。预期信用损失模型鼓励商业银行提前预判贷款信用风险的变化情况，并及时在表内进行反映和披露。贷款损失准备的计提主要由未来信用风险所驱动，通过充分估计信用风险，更早确认贷款损失，从而避免利息收入虚增，有利于会计信息相关性和决策有用性的提高（梁德华等，2015；李峰和吴海霞，2015）。

预期信用损失模型的应用存在一定的争议。首先，该模型很大程度上依赖于对不同经济情景下的预期信用损失的估计，实践操作比较复杂，因此在缺乏数据、经验和内部合作的情况下，对商业银行和监管部门将是重大挑战。许多中小商业银行不具备处理场景条件下的预期信用损失估计所需的设施系统、专业知识和完整数据，这可能会影响贷款损失准备的合理预测（Novotny-Farkas，2016）。其次，会计准则并未规定统一的预期信用损失计量模型，而是要求商业银行根据自身的具体情况，选择合理的方法估计贷款违约概率、信用风险显著增加和前瞻性信息等关键参数，这赋予银行管理层较大的主观判断空间，很难保证预期信用损失的风险信息含量（Javier 和Antonio，2018；邱月华，2017）。再次，预期信用损失模型导致贷款损失准备计提范围扩大，可能会影响商业银行的盈利和资本充足率，在业绩评价和监管资本要求的双重压力下，商业银行管理层可能对预期信用损失估计所需的假设、参数估计等输入值进行机会主义调整，从而损害会计信息可靠性和可比性，降低会计透明度和资源配置效率（Kunz 和 Staehle，2016；斯叶青，2018；郑伟，2013）。最后，已发生损失模型下银行同样拥有自由裁量权，如果商业银行正当利用这些权力，比如估计未来信用风险，则其贷款损失准备可能早已经是前瞻性的了（Bushman 和Williams，2012），预期信用损失模型实施后对贷款损失准备前瞻性的提升效果可能不会很明显。

综上所述，预期信用损失模型是否提高了贷款损失准备的前瞻性可能存在一定不确定性，为了保证研究的全面性和谨慎性，本文提出三个竞争性的研究假设：

假设1a：预期信用损失模型增强了贷款损失准备的前瞻性。

假设1b：预期信用损失模型降低了贷款损失准备的前瞻性。

假设1c：预期信用损失模型对贷款损失准备的前瞻性没有显著影响。

三、研究设计

（一）样本选择与数据来源

本文围绕 2018 年1 月1 日预期信用损失模型正式实施这一准自然实验，选取2014 年—2020 年我国商业银行作为研究对象，并且按照以下原则对样本数据进行了筛选：删除总资产、总负债、贷款损失准备（本期计提额）、不良贷款等指标数据缺失的观测值；删除股东权益小于等于0 的观测值；删除贷款损失准备和不良贷款等于0 等异常观测值。由于考察预期信用损失模型的实施效应需要对新旧准则前后情况进行对比，为保证前后样本的可比性，本文选取至少在预期信用损失模型实施前后两年均存在观测值的商业银行组成样本。最终得到包含143 家商业银行、1001 个银行-年度观测值组成的平衡面板数据。本文对研究变量（不包括虚拟变量）进行了缩尾处理（双侧1%），以降低异常值对实证结果的干扰。本文相关数据主要来自BankFocus 数据库、我国各省（自治区、直辖市）统计局官方网站，部分数据根据公开信息手工收集，并通过Stata 15.1 完成所有数据处理及回归分析。

（二）变量定义

1.被解释变量

借鉴 Bouvatier 和 Lepetit（2008）、丁友刚和严艳（2019）的方法，使用贷款损失准备计提比率（LLPi,t）衡量商业银行贷款损失准备计提行为，即银行i 在t 年计提的贷款损失准备金额 与t 年末贷款总额的比值。

2.解释变量

本文解释变量包括两部分。一是贷款损失准备前瞻性，参考Anne 和Scott（2011）、Bushman 和 Williams（2012）的做法，选用下一年不良贷款变动金额来衡量贷款损失准备的前瞻性。不良贷款的未来变化代表了商业银行当前预期贷款损失，不良贷款的大幅增加通常被视为一种脆弱性，是内部或外部冲击引发更深层次问题的表现（Cantrell 等，2014），这可能导致贷款减值。因此，∆NPLi,t+1反映了本年贷款损失准备对未来潜在贷款损失的敏感性。二是预期信用损失模型，借鉴Kim 等（2019）的研究，设置预期信用损失模型实施虚拟变量，记为DIDi,t。DIDi,t为treatedi和postt的乘积，treatedi为政策对象虚拟变量，即在2014—2020 年期间采用了预期信用损失模型的商业银行treated=1，未采用预期信用损失模型的商业银行treated=0；postt为政策实施时间，实施预期信用损失模型当年及以后年份post=1，实施预期信用损失模型之前的年份post=0。核心解释变量是 ∆NPLi,t+1和DIDi,t的交互项，用于判断预期信用损失模型实施后，贷款损失准备前瞻性的变化情况。

3.控制变量

为了控制微观因素和宏观因素对实证结果的影响，本文参考袁鲲和王娇（2014）、Ng 和Roychowdhury（2014）、顾海峰和于家珺（2019）的做法，选取以下指标作为控制变量：上一年不良贷款变动额（∆NPLi,t-1）、本年不良贷款变动额（∆NPLi,t）、拨备前利润率（EBLLPi,t）、核心一级资本充足率（CCARi,t）、贷款变动额（ΔGloansi,t）、贷款市场份额（LoanSharei,t）、负债结构（Levi,t）、资产规模（Sizei,t）、贷存比（DLRatioi,t）、GDP 增长率（GDPgt）。

模型变量具体定义见表1。

表1 变量定义

（三）模型设定

考察预期信用损失模型对贷款损失准备前瞻性的影响，难点在于从众多可能影响贷款损失准备计提的因素中，识别出预期信用损失模型实施所发挥的真正作用。因为预期信用损失模型的实施本质上属于会计准则的变革，经济政策大多是内生的，直接研究一项政策的实施效果，可能无法避免变量遗漏等内生性问题。因此，本文引入双重差分法解决准则实施的内生性问题。在自然实验状态下，如果某项政策并不是适应于全部个体，那么双重差分法就可以通过计算实施该政策的个体（处理组）与没有实施该政策的个体（控制组）之间的差异，消除混淆因果关系的干扰因素或变量遗漏的影响，从而厘清新政策实施的净效应。基于此，本文以我国截至2020 年末已实施预期信用损失模型的商业银行为处理组，以截至2020 年末还未实施预期信用损失模型的商业银行为控制组。为了解决时间和个体差异对实证结果的影响，本文参考Nichols 等（2009）、Allison（2018）和Kim 等（2019）的研究，选用控制双向固定效应的双重差分模型进行基准回归分析：

其中：i 代表商业银行，t 代表年份，LLPi,t为被解释变量，是商业银行贷款损失准备计提比率，以商业银行i 在t 年计提的贷款损失准备金额度量；ΔNPLi,t+1为模型（1）的核心解释变量，是贷款损失准备前瞻性的代理变量，以商业银行i 在t+1 年不良贷款变动额度量；DIDi,t×ΔNPLi,t+1为模型（2）核心解释变量，是预期信用损失模型实施虚拟变量与贷款损失准备前瞻性的交互项；Xit为控制变量；μi、ξi为银行个体固定效应；τt、φt为时间固定效应；εi,t、ei,t为随机误差项；α0、β0为截距项。

模型（1）主要从整体上检验贷款损失准备的前瞻性，模型（2）主要检验预期信用损失模型对贷款损失准备前瞻性的影响。回归系数α1表示贷款损失准备与未来信用风险的关系，回归系数β3表示预期信用损失模型对贷款损失准备前瞻性的调节作用。模型（1）主要关注核心回归系数α1，若其显著为正说明贷款损失准备是具有前瞻性的；模型（2）主要关注核心回归系数β3，若其显著为正，说明预期信用损失模型显著增强了贷款损失准备的前瞻性。

（四）平衡趋势检验

双重差分法要求研究所构造的处理组和控制组必须满足平衡趋势假设，即如果该事件（政策）没有发生，研究中的处理组和控制组应具有相同的变化趋势，并保持可比性。本文参照Beck 等（2010）的做法，将时间（年度）虚拟变量、处理组虚拟变量与t+1 年不良贷款变动额相乘，利用交互项作为两组商业银行贷款损失准备前瞻性在每一年差异的程度。如果这两组商业银行贷款损失准备前瞻性有着相似变化趋势的话，那么可以预期在预期信用损失模型实施之前交互项的回归结果将不显著，而实施之后的结果将显著，具体结果如图1 所示。图1 中，垂直于横轴的带盖短直线是回归系数的95% 置信区间，“0”表示预期信用损失模型开始实施的时间；“-5 到-2”表示预期信用损失模型实施前的各个时间段；“1-2”表示预期信用损失模型实施后的各个时间段。可以看到，在预期信用损失模型实施以前，各期回归系数均不显著（95%置信区间均越过系数= 0 的水平线），在预期信用损失模型实施以后的各期，各期回归系数开始上升，说明在预期信用损失模型实施之前两组银行贷款损失准备前瞻性维持着相同的发展趋势，即符合平行趋势假设。

图1 贷款损失准备前瞻性态平衡趋势图

四、实证分析

（一）主要变量描述性统计

表2 是主要变量描述性统计的结果。从中可以看出，商业银行本年贷款损失准备计提金额最大值为0.0307，最小值为-0.0003，说明我国商业银行贷款损失准备计提比率跨度较大，但标准差为0.0059，反映出商业银行贷款损失准备计提比率波动性不是很大。从银行个体层面来看，商业银行个体特征差异明显，表现在资产规模（Sizei,t）、盈利能力（EBLLPi,t）、流动性（DLRatioi,t）和负债结构（Levi,t）、贷款市场份额（LoanSharei,t）等方面；从贷款质量和资本充足来看，核心一级资本充足率（CCARi,t）均值为0.1056，大于监管最低标准7.5%，各期不良贷款变动波动幅度也相对较小，表明我国银行业信贷质量相对较好，整体资本相对充足。

表2 变量描述性统计

（二）基准回归

本文使用控制双向固定效应的双重差分模型检验以预期信用损失模型实施为标志的贷款损失准备会计准则改革是否影响贷款损失准备前瞻性。表3 第（1）列为贷款损失准备前瞻性的回归结果，第（2）列为预期信用损失模型对贷款损失准备前瞻性影响的回归结果。通过第（1）列可以观察到，ΔNPLi,t+1回归系数为0.0026，统计上不显著，而ΔNPLi,t-1和ΔNPLi,t的回归系数分别为0.1504、0.1582，且在1%显著性水平下显著为正，说明在已发生损失模型时期，商业银行贷款损失准备是后顾式的，没有体现出明显的前瞻性特征；从第（2）列的结果可以看出，DIDi,t×ΔNPLi,t+1回归系数为0.1150，在5%显著性水平下显著为正，说明预期信用损失模型显著提高了贷款损失准备的前瞻性，这与假设1a 的预期相符，即与控制组商业银行相比，预期信用损失模型的实施增强了处理组商业银行贷款损失准备的前瞻性。

表3 基准回归结果

注：括号中为参数估计的聚类稳健标准误。*、**、***分别表示在10%、5%、1%显著性水平下显著。下同。

（三）稳健性检验

1.倾向得分匹配—双重差分（PSM—DID）回归分析

由于银行与银行之间在个体特征及所处地区经济发展方面有着丰富的差异，传统差分法将样本直接划分为处理组和控制组的做法太过于粗糙，可能导致模型形式错误设定问题，产生有偏差的估计结果，违背线性回归结果的无偏性估计假设。倾向得分匹配（PSM）基于多维协变量指标，计算处理组和控制组的倾向得分p 值，然后按照p 值的邻近度对两者进行一对一或一对多的匹配，可以在一定程度上缓解因线性回归过于依赖模型形式设定而导致的估计偏差问题（Rosenbaum 和Rubin，1983）。本文参考谢申祥等（2021）采用的逐年匹配法，即每年对处理组和控制组按照协变量进行匹配，使两组商业银行在可观测协变量的限定下，尽可能相似。之后，进行逐期平衡性检验，比较匹配前后各年逻辑回归（logit）结果，如果匹配后协变量的回归系数估计值变小、在10%显著性水平下变得不显著且伪R2明显减小，则说明匹配是无偏的。最后，分别使用权重不为空的样本、满足共同支撑假设的样本和频数加权回归样本进行双重差分检验。

表4 为模型（1）和（2）PSM—DID 回归结果，可以发现，无论是权重不为空样本、共同支撑假设样本还是频数加权回归样本，模型（1）中ΔNPLi,t+1回归系数都是不显著的，模型（2）中DIDi,t×ΔNPLi,t+1回归系数都是显著为正的，支持假设1a 的预期，所以本文的研究结论是稳健的。

表4 PSM-DID 回归结果

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.安慰剂检验

在143 家商业银行中，随机抽取86 家商业银行作为处理组，其余57 家商业银行作为对照组，构建“伪处理—控制组”进行双重差分回归，以检验前文回归结果是否是可靠的。在进行重复500 次抽样后，根据回归系数值和p 值绘制核密度函数曲线，具体结果如图2 所示。其中，曲线表示的是回归系数估计值的核密度函数，散点表示的是回归系数估计值的p 值，垂直虚线表示的是基准回归中DIDi,t×ΔNPLi,t+1真实回归系数估计值（0.1150），水平虚线表示的是10%显著性水平。不难发现，安慰剂检验的回归系数估计值聚集于0 点附近，且绝大多数p 值在统计上是不显著的（大于0.1），而DIDi,t×ΔNPLi,t+1真实回归系数估计值在安慰剂检验中属于明显异常值，可以推断预期信用损失模型对贷款损失准备前瞻性的提升作用是真实的。

图2 安慰剂检验结果

3.改变解释变量的衡量方法

Basu 等（2020）认为，在研究商业银行贷款损失准备计提的驱动因素时，不能只考虑不良贷款变动的影响，还必须重视贷款核销金额的作用。这是因为不良贷款余额是一个时点指标，不能全面描述商业银行信贷质量在区间内的动态变化，不良贷款波动变小很可能是本期核销过多导致，而贷款核销需要消耗相应的贷款损失准备，所以贷款核销金额的大小也会影响贷款损失准备计提金额的大小。为了纠正这种偏差，本文使用t+1 年贷款净核销金额与不良贷款变动额之和（ΔNPLNCOi,t+1）作为贷款损失准备前瞻性的衡量指标，重新对模型（1）和（2）进行检验。由表5 第（1）和（2）列可知，模型（1）ΔNPLNCOi,t+1回归系数依然是不显著的，而模型（2）DIDi,t×ΔNPLNCOi,t+1回归系数在5%显著性水平下是显著为正的，依然支持本文假设1a 的预期。

4.删除2020 年的数据

2020 年新冠肺炎疫情暴发，对企业的正常经营带来严重冲击，为了缓解企业现金流压力，保障中小微企业的生存能力，国家和地方政府部门出台了一系列相关政策，给予有经营困难企业减息、免息、延期还本付息等优惠，这一定程度上会使得商业银行不良贷款急剧增加，贷款损失准备计提金额大幅增加，所以公共突发事件的发生可能会干扰预期信用损失模型真正作用效果。为此，本文删除2020 年的数据，以2014—2019 年为研究样本期间重新进行双重差分检验。通过表5 的第（3）（4）列的结果可知，模型（1）ΔNPLi,t+1回归系数是不显著的，模型（2）DIDi,t×ΔNPLi,t+1回归系数在5%显著性水平下显著为正，从而可以判断预期信用损失模型实施的影响并不是由于新冠肺炎疫情暴发导致的，预期信用损失模型对贷款损失准备前瞻性的提升作用仍然明显。

表5 稳健性检验回归结果

五、进一步分析

（一）资本市场监管的异质性影响

与非上市商业银行相比，上市商业银行要面对银保监会、证监会等机构的多重监管，在经营管理上，不仅要满足资本监管指标的要求，还需要兼顾股价等市值管理指标的变动，这使得上市商业银行的信贷行为相对更加审慎，对会计准则的贯彻力度也相对更强。相反，非上市商业银行的经营活动显得相对隐蔽，社会公众可能无法及时掌握其业绩波动、风险管控方面的信息，为商业银行管理层利用会计准则漏洞进行盈余管理或利润操纵创造条件。同时，上市商业银行一般占据规模优势，在人力资本维护、金融科技投入和风控制度完善等方面也具有绝对优势，所以其监管政策和会计准则的转换成本相对较低，有利于商业银行按照监管政策和会计准则要求及时调整经营策略，巩固其市场竞争地位。这些都是非上市商业银行无法比拟的。由此可见，预期信用损失模型很可能对上市商业银行贷款损失准备前瞻性的提升作用相对更明显。

基于上述分析，本文将143 家商业银行按照在2020 年末是否上市划分为两组，分组检验预期信用损失模型对贷款损失准备前瞻性的作用机制。回归结果如表6 所示。其中，第（1）（2）列为上市商业银行回归结果；第（3）（4）列为非上市商业银行回归结果。第（1）（3）列结果显示，ΔNPLi,t+1的回归系数都是不显著的，说明无论是非上市商业银行还是上市商业银行，在预期信用损失模型实施之前，贷款损失准备都没有体现出前瞻性特征；第（2）（4）列结果显示，上市商业银行DIDi,t×ΔNPLi,t+1的回归系数为0.2463，在1%显著性水平下显著为正，非上市商业银行DIDi,t×ΔNPLi,t+1回归系数为0.0724，统计上不显著，两个回归系数通过组间差异检验，说明与非上市商业银行相比，预期信用损失模型对上市商业银行贷款损失准备前瞻性的提升作用要相对更明显。

表6 资本市场监管影响的回归结果

（二）资本计量方法的异质性影响

我国商业银行实际应用中的资本计量方法主要有内部评级法和权重法，两种方法有着根本差异，对信用风险变化的敏感性也截然不同。内部评级法要求商业银行重点关注未来12 个月贷款发生违约的可能性，形成不同贷款的违约概率，作为信用风险计量的关键参数，有利于商业银行参照贷款未来信用风险进行分类和管理，及时预测贷款的损失。相比之下，权重法就显得比较机械，只能相对被动地遵守监管要求，对所有同质贷款赋予相同的风险权重，无法为同种类不同贷款的信用风险进行差异化赋值，也无法准确把握贷款信用风险在周期内的动态发展，显现出滞后性和“一刀切”的缺陷，不利于商业银行对贷款信用风险进行精确化管理，提前构筑预期损失防御屏墙。所以，预期信用损失模型对不同资本计量方法下银行贷款损失准备前瞻性的影响可能存在差异。内部评级法与会计预期信用损失模型在基本逻辑上具有相似性，两者都高度重视前瞻性，将信用风险计量重点放在“预期”（刘泉军，2015），两者也就存在一定替代性，即在预期信用损失模型实施之前，应用内部评级法银行的贷款损失准备可能已包含未来信用风险，预期信用损失模型对其贷款损失准备前瞻性的提升作用也就相对不明显。而权重法下商业银行贷款损失准备的确认以已发生损失为主要依据，不体现预期损失的概念，预期信用损失模型实施之后，其贷款损失准备前瞻性的提升幅度相对更明显。

本文将143 家商业银行按照其2020 年末资本计量方法，分为内部评级法和权重法两组，检验预期信用损失模型是否因资本计量方法的不同而对贷款损失准备前瞻性的提升作用呈现差异性。从表7 的结果可以看出，在已发生损失模型实施时期，内部评级法下银行的贷款损失准备已是前瞻性的了，因为ΔNPLi,t+1的回归系数在5%显著性水平下显著为正，而权重法下ΔNPLi,t+1回归系数并不显著，没有体现出前瞻性的一面；相反，预期信用损失模型实施之后，权重法下银行贷款损失准备的前瞻性提升效果相对更明显，因为第（2）列DIDi,t×ΔNPLi,t+1的回归系数在1%显著性水平下显著为正，而内部评级法下并没有这样的发现，因为第（4）列DIDi,t×ΔNPLi,t+1回归系数并不显著，而且两个回归系数是显著不同的。这表明相比于使用内部评级法计量资本的银行，预期信用损失模型对使用权重法计量资本的银行贷款损失准备前瞻性的提升作用相对更明显。

表7 资本计量方法影响的回归结果

（三）盈利水平的异质性影响

预期信用损失模型对于贷款损失准备计提的直接影响表现在计提时间提前、计提范围扩大，即不再局限于不良贷款，而是覆盖于全部客户贷款，并且第二阶段和第三阶段贷款还需要以整个存续期为时间期限来确认预期信用损失，这样可能会大幅增加贷款损失准备的计提金额，影响商业银行收益率的稳定性。由于净利润是商业银行核心一级资本的主要内生性来源，当盈利压力较大时，商业银行核心一级资本的补充压力也可能相对较大，这时商业银行可能通过少计提或延迟计提贷款损失准备的手段来提高收益，进而达到满足资本最低监管需求的目的。因此，预期信用损失模型对于贷款损失准备前瞻性的提升作用可能因银行盈利能力大小而呈现明显差异。

为验证盈利水平的影响，本文将143 家商业银行年度总资产收益率（ROA）进行排序，以中位数为界限，划分为高盈利水平组和低盈利水平组，分别进行回归，具体结果如表8 所示。其中，第（1）（3）列结果显示，ΔNPLi,t+1的回归系数均不显著，说明预期信用损失模型实施之前，贷款损失准备没有表现出明显前瞻性。第（2）和（4）列结果显示，高盈利水平组DIDi,t×ΔNPLi,t+1回归系数为0.1569，在10% 显著性水平下显著为正，低盈利水平组DIDi,t×ΔNPLi,t+1为0.0689 且不显著，而且两个系数通过了组间系数差异检验，说明预期信用损失模型实行后，贷款损失准备前瞻性的提升效果在高盈利水平银行相对更明显。

六、研究结论与启示

在新一轮金融工具会计准则变革中，预期信用损失模型正式取代已发生损失模型，成为贷款损失准备计提的新标准。从2018 年到2020 年，预期信用损失模型已在我国部分商业银行实行了三年多的时间。本文借助贷款损失准备会计准则变革这一准自然实验，运用双重差分计量模型，实证检验预期信用损失模型对银行贷款损失准备前瞻性影响及其作用机制。结果显示：第一，预期信用损失模型显著增强了贷款损失准备前瞻性；第二，资本市场监管、资本计量方法和盈利水平在其中发挥了调节效应；第三，上市银行、使用权重法进行资本计量的银行和盈利水平较高银行的贷款损失准备提升幅度相对更大。

本文的实证研究识别了预期信用损失模型实施与贷款损失准备前瞻性之间的因果关系，揭示出银行个体特征差异对预期信用损失模型实施的经济后果的重要影响，这对会计准则和监管政策的修订来说，也有一定的启示意义。第一，商业银行、监管部门和地方政府部门应该进一步推进区域金融市场化进程，鼓励符合条件的银行公开上市，这样有利于增强市场竞争和创新行为，建立有效的资本市场监督机制，促使银行提高风险管理意识，减少贷款损失准备计提的滞后性。第二，应对非国有商业银行尤其是中小商业银行，制定差异化的预期信用损失模型实施步骤和监管策略。除了选择适当延期执行预期信用损失模型外，更重要的是要引导银行充分理解及时计提贷款损失准备对银行风险管理的作用，重视预期信用损失模型应用背后的制度内涵，建立健全贷款风险信息反馈机制，不断提升对准则变革的主动适应性。第三，应该建立预期信用损失模型应用效果动态评价机制，关注对贷款损失准备前瞻性的影响，分析对银行信贷行为、风险管控和盈余状况的影响，比较不同类型、不同地区银行实施效果的差异，及时对政策偏差进行纠正。