摘要:

（一）“预期信用损失”估算过程中

（一）“预期信用损失”估算过程中存在的问题

一是评估前采集数据的来源分类不合理。主要表现在金融资产重分类不当、权益工具资产界定有误。例如部分公司对金融资产的分类与准则的规定有出入，将可赎回私募基金投资等不满足准则关于权益工具定义的项目定义为“其他权益工具投资”，甚至将应收往来项目界定为有误的金融资产，导致收集信息的不系统、不全面。企业往往因为对行业信息、市场信息以及关联信息的积累不足、渠道有限而缺乏前瞻性信息的全面收集和利用。

二是信息不充分，参数不准确。年报分析发现，部分上市公司在评估预期信用损失之前，缺乏足够的前瞻性信息以及评估模型的关联参数， 包括应收账款、应收票据、预付账款等关联方主体的财务状况、资金充足率以及或有负债压力和概率等， 以及对外大额财务担保、重要资产质押、关键对赌条款等协议的存在性、规模和违约风险性等，同时也缺乏上述金融资产的预期信用损失的量化和提取处理。

三是预期信用损失模型运用不科学。主要表现为企业误判预期信用损失的“三阶段减值模型”和“简化减值模型”的应用条件和对象。根据准则的规定，对于其他除购买或源生时已发生信用减值之外的金融资产，应运用“三阶段减值模型”计量预期信用损失，而对于收入准则所规定的、不含重大融资成分的应收款项及合同资产，应当运用“简化减值模型”在整个存续期内计量预期信用损失金额。

（二）利用大数据估算预期信用损失

大数据时代，会计人员获取相关信息更加方便，可执行以下三步来估算“预期信用损失”。

第一步，估计损失发生概率。为了准确评估预期信用损失，会计人员需要采取合理方法收集基础数据，一般包括与金融工具所涉及领域有关的最近36 个月的宏观政策数据、同类合同违约历史数据、财务数据、经营数据等，然后将上述数据进行趋势、结构、预测分析，用信用损失描点图或风险地图等描绘出过去3 年已经发生的金融工具违约分布情况，并预测未来3 年（n=3）“预期信用损失”发生的概率，最后预测同类金融工具发生合同违约的综合概率P，公式如下 ：

P=（1/n1）×Σ 倒数第 1 年同类合同违约概率 +（1/n2）×Σ 倒数第 2 年同类合同违约概率 +（1/n3）×Σ倒数第3 年同类合同违约概率其中 1/n1、1/n2、1/n3 分别为未来第1 年、未来第2 年和未来第3 年发生违约概率的权重，一般取值为1/2、1/3、1/6，三者之和为1。预测每1 年的违约概率时，可通过当年12 个月可能的同类合同违约事件之和除以同类合同业务总数，即公式中的Σ 求和项， 然后乘以相应权重得到平均数，代入上述公式即可求得综合概率P。

这里的关键问题是利用大数据收集当年（或覆盖12 个月）的违约事件性质、违约事件数量以及违约损失金额。例如某公司从 2017年1月1日起至2017 年12 月31日止，总共新发生金融工具合同10 笔，金额0.5 亿元，违约1 笔，金额0.1 亿元，则违约概率计算为P2017=（1/10+0.1/0.5）/2=15%，因此 2017年的违约概率为15%，以此类推求出2018 年违约概率P2018=12%、2019 年违约概率P2019=10%，然后计算其总概率P=15%/ 2+12%/3+10%/6=13.17%。

需要注意的是，这里应重点获取应收账款、应收票据、预付账款等往来主体企业的财务稳健状况、资金充足率、负债偿还保障率等信息，以及对外大额担保、质押、有条件收入等存在的概率信息，以保障计算违约概率的合理性。

第二步，估计最大损失值。信用损失评估的另一个参数是最大损失

值，即在假设违约风险为100% 时将会发生的损失值，这是运行评估模型的另一个关键变量，该数据的获取仍要借助充分的违约损失大数据，利用统计分析和简易回归方法即可得到。首先需要根据公司外部大数据统计出同类违约事件的损失值序列，求出平均值、最大值、最小值、中位数、方差值等，据此对外部数据有一个统计学总体分析，得到外部数据支撑下的损失值V1 ；然后对公司内部有关本金融工具组合或单项损失值数据进行收集、整理，重点分析金融工具合约的起始日状态、条件变化证据、减值损失证据、违约关联方损失证据，并对此作出可靠计量，得到内部数据支撑下的损失值V2 ；最后将上述两个损失值进行修正，得到适合本公司金融工具违约状态的最大损失值V，这一过程可以与第一步同时进行。

第三步，估计预期信用损失值。在以上两步得到损失发生概率和最大损失值的基础上，可依据如下模型公式估计预期信用损失值 ：VR=P×V， 其中P 为损失发生概率，V 为最大损失值，VR 为预期信用损失值。为了保证VR估计的最大准确度，需要对模型结果进行误差修正。修正的思路是对发生过违约损失的金融工具等历史事件进行测试评估，将估计的风险损失值与实际损失值进行比较分析，找出符合或不一致的原因和性质，如果是系统误差则通过对概率和最大值的估计参数的调整来消除，如果属于随机误差，则可通过提高大数据的收集规模、基础数据颗粒度及前瞻性信息含量来消除。

（三）提高预期信用损失估值准确性的几点建议

一是尝试建立评估大数据系统。主要措施是依托公司正在运行的各类办公系统、业务系统及财务系统，通

过数据接口收集企业内外部信息，重点是关于金融工具违约证据的前瞻性、预测性信息，数据的颗粒度越小越好，条件允许时尽量收集基础元数据，形成以时间T、T+1、...、T+n 为索引关键字的序列数据，经过3 年积累， 即可形成大数据基础框架。

二是养成积累概率数据的习惯。会计人员应在上述大数据系统的基础上分三步积累概率数据 ：首先将企业纳入核算的金融工具按照准则要求进行分类，建立电子台账或金融工具清单 ；其次对台账中分类金融工具所涉及有关主体的市场信息、财务信息、信用信息等进行收集整理， 利用包括专业机构大数据、行业网站大数据在内的不同纬度的多源数据， 对同类、同期合同进行期中和期末违约风险概率的评估和记录，形成有关金融工具的历史和预估违约概率数据库 ；最后由会计人员定期对上述数据库进行更新补充，频率为每月一次或每季度一次，目的是保证概率数据库的及时准确，为概率预测提供可靠基础。

三是不断优化评估算法模型。会计准则虽然给出了一个评估预期信用损失的通行思路，但据此方法得到的评估数据往往具有滞后性、近似性。为了提高准确率，应在三段模型基本框架的基础上，不断纳入用于风险识别和后果评价的可能参数，例如鱼骨图、帕累托最优值、二八值截面等， 以此优化算法，使预测曲线逐渐逼近实际曲线，得到的评估数据就更及时全面。

( 本文系北京市社会科学基金项目“网络依赖型企业风险蔓延的人机治理模式研究”<19GLB020> 阶段性成果）

（作者单位 ：首都经济贸易大学会计学院）

责任编辑 武献杰