【致同估值】非金融企业ECL实务探讨系列（四）：前瞻性调整

前瞻性调整是预期信用损失（ECL）计量的核心维度，旨在通过宏观经济预测实现减值评估的风险前瞻。实务中，如何量化宏观因子与信用风险之间的传导逻辑，是前瞻性调整的关键。

本文聚焦实务痛点，深度解析Wilson与Merton模型的应用，并结合致同估值团队的收集数据，分享非金融企业宏观因子的选用范围及频次统计。协助审计师有效强化前瞻性证据的逻辑支撑与统计学显著性，确保符合穿透式审计程序要求。

监管要求解读：前瞻性调整的合规底线与核心原则

• 《企业会计准则第22号—金融工具确认和计量》第五十三条：企业通常应当在金融工具逾期前确认该工具整个存续期预期信用损失。企业在确定信用风险自初始确认后是否显著增加时，企业无须付出不必要的额外成本或努力即可获得合理且有依据的前瞻性信息的，不得仅依赖逾期信息来确定信用风险自初始确认后是否显著增加；企业无须付出不必要的额外成本或努力可获得合理且有依据的逾期信息以外的单独或汇总的前瞻性信息的，可以采用逾期信息来确定信用风险自初始确认后是否显著增加。

• 《国际财务报告准则第9号—金融工具》（IFRS 9）明确废止 IAS 39 的 “已发生损失模型”，强制要求采用预期信用损失（ECL）模型，核心条款（第5.5段）规定：计量ECL应当纳入无须付出不当成本或努力即可获得的前瞻性信息，包括宏观经济、行业、特定主体的未来风险因子。

• 《国际财务报告准则第7号—金融工具：披露》（IFRS 7）要求主体详细披露前瞻性调整的方法、假设、宏观因子选择、情景设定及权重分配，确保信息透明可追溯。

国内外会计准则条款清晰界定了前瞻性调整的关键地位，其核心逻辑在于推动信用风险计量从“事后确认损失”向“事前预判风险”的根本性转变。前瞻性调整的核心内涵在于打破“历史=未来”的惯性假设，通过整合宏观经济预测、行业周期趋势、主体特定风险等信息，让ECL计量更贴合金融资产的真实风险敞口。这种调整并非简单的参数修正，而是贯穿“风险识别 — 模型构建 — 结果验证”全流程的系统性工作。它要求企业在资产初始确认阶段就嵌入风险判断，在信用风险显著增加（SICR）评估中突破局限，在测试日动态更新假设以反映最新经济变化，最终实现减值计提与风险变化的同步匹配。其意义不仅在于满足准则调整，更在于通过提前锁定潜在风险、平滑周期波动影响，增强财务报表信息的决策相关性，同时推动企业财务管理模式向“风险导向”的转型。

基于会计准则的刚性要求与监管的关注重点，审计作为验证财务报告合规性的“第一道防线”，需要聚焦前瞻性调整的关键风险点展开针对性核查，确保前瞻性调整真正落地于准则框架之内、贴合风险实质之上。

审计视角下核心关注要点

1、会计准则遵循：是否全面覆盖、无豁免遗漏；

2、前瞻性信息质量：宏观因子、情景权重、假设的合理性；

3、模型与参数管理：模型选择适配，数据校准、可追溯；

4、管理层偏向防范：审慎运用管理层叠加；

5、必要时压力测试：满足预测情景的极端情况。

财政部发布应用案例：前瞻性调整的主流路径与关键步骤

财政部2023年发布的预期信用损失法应用案例中介绍，预期信用损失计量需根据对宏观经济的判断设置不同情景并确定相应的权重，运用模型计算不同情境下的经前瞻性调整后的违约概率、违约损失率。

通常来说PD、LGD可能受到不同宏观变量影响，同一宏观因子的作用机制、路径依赖也可能存在差异，分别量化未来经济不确定性影响更完整、全面。但从实操角度，一方面宏观经济周期对违约概率走势驱动更显明显；而LGD的核心影响因素“抵质押物价值、回收流程、法律环境” 等个体特征突出。另一方面从模型搭建角度看，PD数据可得性高，企业可通过历史信用履约记录快速积累“是否违约”的二元数据（0=未违约，1=违约），样本量大、口径统一，易与宏观因子建立量化关系；LGD样本稀缺，完整的“违约→回收→损失”全流程数据少，建模难度相应更大。

两种PD类型：

跨周期违约概率（TTC PD）：

剔除经济周期系统性因素影响后的违约概率，反映整个经济周期长期平均水平（平滑周期波动）

时点违约概率（PIT PD）：

根据当前宏观经济、行业景气、市场环境及主体实际信用状况，结合可合理预测的未来经济走势与风险变化，测算得出的特定期限内债务人发生违约的概率，对经济的短期变化和借款人的状况更为敏感。

根据监管要求，预期信用损失须是"无偏的概率加权平均金额"，且需考虑"当前状况"和"未来经济状况"，因此企业在进行预期信用损失计量时需采用PIT PD。实操中可以构建一个相对稳定的TTC PD作为"锚点"，再通过模型将其校准为随经济周期波动的PIT PD，也可以直接利用宏观经济因子构建PIT PD。

核心难点聚焦：前瞻性调整方法

根据国内外实践经验，预期信用损失（ECL）的前瞻性调整方法并不存在“唯一正确”，各机构应结合自身的业务性质、数据基础、模型开发能力及业务复杂程度，自主选择最为适配的实施路径。通常情况下，前瞻性调整是基于回归模型进行量化计算的：

• Wilson
• Merton-Vasicek
• Markov chain
• MonteCarlo模拟法

针对国内非金融企业普遍存在历史违约数据积累不足、尚未建立内部评级体系的现实约束，可借鉴前文所述方法，依据企业自身可获取的财务指标、经营状况及行业特征构建简化的内部风险评分卡，以此作为风险分档和违约概率（PD）评估的基础。在此基础上，进一步参考权威外部机构定期发布的前瞻性调整参数（如宏观因子的敏感性系数或多情景权重），将内部风险评分所对应的历史损失率与外部前瞻性信息进行校准与融合，从而形成兼顾自身风险特征与未来经济预期的预期信用损失（ECL）计量方案。

方法一：外部机构前瞻性调整参数映射

违约概率（PD）的核心影响因素中，债务人的信用等级是最直观、最具共识性的关键指标，无论是外部评级机构（如标普、穆迪、惠誉）的公开信用评级，还是企业内部评级体系下的信用等级划分，信用等级本质上是对债务人“宏观环境适应性、微观财务实力、交易结构安全性”等多维度风险的综合量化反映。基于这一核心逻辑，在PD前瞻性调整计量实务中，可以选择同信用等级下权威机构发布的经前瞻性调整后的违约概率。这类数据不仅整合了权威机构对宏观经济周期、行业趋势的专业预判，确保了前瞻性信息的充分性与无偏性，还通过大样本数据积累与跨机构风险对比，规避了单一机构历史数据的局限性（如样本量不足、周期偏差、个体特殊因素干扰等），使PD估计更具行业可比性。

局限性及操作要点

尽管信用等级是PD计量的核心锚点，但仅依赖信用等级选择权威机构的前瞻性PD 仍存在局限性，实操中需重点关注多维度匹配与风险校准，避免简单套用导致的计量偏差。如信用等级的“口径一致性”（不同机构的评级逻辑、风险偏好存在差异），需考虑债务人的 “个体特征与交易结构”（个体财务基本面、所属行业受宏观经济影响差异等）。

方法二：回归模型量化

通过运用统计建模技术，建立风险参数与宏观因子的量化映射模型。目前主流的前瞻性调整的数学量化模型为Wilson模型与Merton-Vasicek模型，均为依托统计建模逻辑的量化工具，核心目标是将宏观经济指标（如GDP增速、失业率、行业景气度等）与风险参数（PD）建立关联，实现从历史数据向未来风险的前瞻性传导；另以充足的历史数据（违约数据、宏观因子数据等）为基础，通过构建量化方程、校准核心参数完成风险映射，使其结果具备可复现、可验证的特征，契合IFRS 9/CAS 22对前瞻性调整“合理有依据、无偏量化”的准则要求。

局限性及操作要点

模型所需数据依赖性较强，Wilson模型对完整经济周期数据的要求严苛，Merton-Vasicek模型依赖企业公开数据，中小机构或数据积累不足场景下难以落地；且模型复杂度高，涉及跨周期校准与非线性转换，对量化团队专业能力与系统支持要求较高。建模逻辑需合规，需严格遵循 “因子筛选→模型构建→参数校准→结果验证”，前者聚Logit转换与跨周期回归，后者侧重个体估值与系统性风险整合，均需嵌入情景分析框架实现前瞻性传导。

财政部发布应用案例：Wilson 与 Merton-Vasicek 模型的应用详解

1、Wilson模型

Wilson模型通过Logit转换，建立贷款违约水平与宏观经济指标变动的关联。

在该模型下，数据经数量变换后，建立其与历史宏观经济指标的回归模型，然后再将宏观经济指标的预测值代入前述回归模型，将得到的结果进行反向变换，完成前瞻性调整。以PD调整为例，主要步骤如下：

残差影响

回归残差通常蕴含着宏观经济模型未能捕捉的信息，正残差代表在剔除宏观经济变量的影响后，实际违约风险依然高于模型预测的部分。如果模型完美（包含了所有影响违约的因素），残差应该像白噪声一样围绕0上下随机波动。但实操中，有一些影响PD的因素没有被模型纳入，例如：信贷政策松紧、企业杠杆率、房地产或地方债风险、银行风险偏好变化等。这些被遗漏的变量可能具有时间上的延续性，那么残差可能会持续为正，这就形成了残差的趋势或自相关。这种“额外力量”很可能在未来一段时间仍然存在，因此可以结合残差的历史趋势 ，将它加回原来的模型上。回归模型可以表示为：

2、Merton-Vasicek模型

Merton-Vasicek模型基于Merton资产价值理论，并引入了渐进单风险因子（ASRF）框架。该模型的核心逻辑是将信用风险解构为债务人特质风险与系统性宏观风险，通过建立宏观经济指标与系统性因子（Z 因子）的量化映射，实现将宏观经济波动向预期违约率（PD）的精准传导。以PD调整为例，主要步骤如下：

相关性系数

在 《商业银行资本管理办法》 所构建的信用风险资本计量框架中，特指“资产相关系数”，常用R表示。R衡量单笔风险暴露的违约概率与系统性风险因子的相关程度。R越大，个体违约越受宏观经济影响，经济下行，PD会大幅飙升。财政部应用案例中披露其计算公式可参见《商业银行资本管理办法》。《商业银行资本管理办法》中对不同口径下风险暴露的相关性计量进行的详细披露。

前瞻性因子的研究与分析

前瞻性因子研究与分析

前瞻性调整的核心在于弥补历史数据的滞后性缺陷，平滑经济周期对企业的冲击，实现ECL计量与信用风险本质的精准匹配。因此在运用Wilson模型与Merton-Vasicek模型进行前瞻性调整时，宏观经济因子的选择与相关性也是计量关注要点。

致同估值团队对近3年A股上市公司在财务年报中披露的前瞻性调整因子进行了梳理及分析。从行业分布来看，不同领域对指标的选择呈现出明显的专业侧重。其中，非银金融行业上市公司信息披露质量较高，在规范性及充分性方面优于其他行业（非金融类）。

对于非金融类企业，制造业及原材料行业（如电力设备、钢铁、基础化工、机械设备）将PPI和工业增加值作为关键前瞻依据，以研判生产成本与生产活力；与居民消费密切相关的行业（如食品饮料、商贸零售、美容护理）关注CPI及社会消费品零售总额等反映终端需求与价格变化的指标；房地产及建筑业聚焦于房地产开发景气指数等与其经营直接相关的专项指标；而出口依赖度较高的行业则会关注出口金额及增长率。

总体而言，反映整体经济规模的国内生产总值（GDP）及其增长率被最为广泛地采用，居民消费价格指数（CPI）与工业生产者出厂价格指数（PPI）等价格指标也较为常见，但不同行业上市公司在选择前瞻性因子时呈现差异化态势。

宏观经济指标预测值计量方法

财政部应用案例中提及，可以选用向量自回归模型预测宏观经济指标。基于其残差正态性，获得该模型内所有宏观经济指标变量在情景期内的模拟路径样本，从中选择符合关键驱动核心变量变动趋势和取值路径附近的样本，将样本均值作为不同情景下各宏观经济指标变量的取值，并结合实际业务情况调整得到各情景下的宏观经济指标预测值。

自回归模型包括AR模型、MA模型，ARIMA模型，VAR模型等，其中ARIMA模型可用于单变量预测，VAR模型可用于多变量的预测。在运用自回归模型预测时，需关注平稳性检验、残差白噪声检验等是否通过。