一、引言 商业银行的贷款拨备历来都是银行财务报表中最具争议的会计数字(丁友刚和岳小迪，2009)，被认为是银行审计中风险最大的领域之一。恰当的贷款拨备计提无疑有助于商业银行的早期风险预警和资本损失缓冲，对会计透明和银行稳健至关重要。从微观层面看，单项贷款的拨备需覆盖潜在违约风险，这是银行风险管理的基石；从宏观审慎视角，银行整体拨备水平则需平衡风险缓冲与资源配置效率，避免系统性风险的积聚。然而，历史经验表明，这一平衡极难实现：20世纪80年代美国储贷危机因拨备不足引发银行体系崩盘，90年代过度拨备又导致会计信息失真与市场约束失灵(Beatty等，2002)；2008年金融危机更暴露了传统“已发生损失模型”的滞后性，促使国际会计准则转向“预期信用损失法”(IASB，2014)。由于受到人的有限理性和主观操纵因素影响，实现贷款拨备计提的“审慎、稳健且不过量(prudent，conservative，and not overly excessive)”目标面临着诸多挑战，人为估计偏差(Lev和Gu，2016)与顺周期性(Bushman和Williams，2015)仍是全球银行业面临的共性难题——银行个体理性与宏观审慎目标间的矛盾亟待破解。 既有研究大多聚焦于单项贷款拨备的微观机制，对商业银行整体拨备水平的宏观评估缺乏系统性框架。更重要的是，现有研究模型多从银行自身日常业务的视角出发，追求单项业务计提的微观准确性，却未能充分考虑从银行总行和金融监管机构的视角出发，识别贷款资产组合在一起所产生的风险抵消效应。微观准确性并不等同于宏观准确性，局部最优也不等于整体最优。这些模型未能充分满足银行总行和金融监管机构更注重宏观准确性的核心需求。例如，Lu和Nikolaev(2022)基于美国银行数据构建了一个用于估计未来预期违约率的模型，以计算贷款的预期损失。然而，该模型的线性假设难以捕捉多维经济变量之间的非线性交互效应，从而导致其普适性受到限制，这种研究空白可能会引发监管盲区。根据马科维茨资产组合理论，当多项风险资产组合在一起时，会产生风险抵消效应。然而，对单项拨备进行简单加总会高估整体风险，从而忽视风险抵消效应，导致拨备冗余，甚至远高于实际所需。这不仅会扭曲商业银行总行高层的管理行为，还会扭曲政府部门的金融监管决策。因此，如何构建一个既能反映商业银行总体贷款资产组合的风险分散能力，又能克服人类有限理性所导致的局部最优倾向，避免在追求局部最优时忽视整体最优的宏观拨备评估框架，已成为商业银行总行与金融监管机构亟待解决的研究课题。 机器学习技术在金融与会计领域的应用日益广泛，例如，在财务报表会计舞弊检测(Bertomeu等，2021)、信用风险评估(Bussmann等，2021)、公司破产或违约预测(Lahmiri和Bekiros，2019)以及股票市场预测(Verma等，2019)等领域，机器学习技术均取得了较为理想的预测结果。本文将通过实证检验回答以下几个问题：银行监管部门如何评估与监管银行贷款拨备的合理性?作为商业银行报表的一个非常重要的会计估计项目，贷款拨备的提取是否可以采用机器学习来加以改进?机器学习的预测值能否在一定程度上减少人为主观因素对贷款拨备计提的影响?机器学习的预测结果能否在剥离人为操控因素后仍能缓解我国商业银行贷款拨备计提长期以来存在的顺周期问题?目前尚未有学者对此进行研究，本文尝试采用机器学习方法来估计商业银行贷款拨备，试图为贷款拨备理论争议的困境从技术层面寻找一种新的解决思路。同时，为银行监管部门提供一种用于评估银行贷款拨备的合理性的新工具，即基于机器学习的宏观贷款拨备计提模型，从而提高金融系统的稳定性。为深入探究上述问题，本文以2007-2021年中国378家商业银行为研究样本，借助机器学习框架下的线性回归、随机森林、梯度提升法和人工神经网络四种算法对贷款拨备进行预测，并对预测结果中的最优估计值从数量和质量两个维度进行评估与分析。研究发现，与财务报表中银行管理层的估计值相比，机器学习算法预测的贷款损失更为准确，并有效地缓解盈余管理、资本管理和信号传递三大动机对贷款拨备计提质量的影响，从而提高会计信息对投资者的有用性。进一步的研究表明，机器学习结果对贷款拨备计提的顺周期问题也有一定的缓解效果。 本文的研究是多角度的，贡献主要归结为以下四个方面：第一，鉴于会计准则制定机构、银行金融监管局等相关部门在政策制定上存在意见分歧，本文首次采用机器学习方法系统性构建了贷款拨备计提模型。这一创新模型为解决实务中长期面临的前瞻性与透明度难以兼顾的问题提供了全新思路(丁友刚和岳小迪，2009)，并为后续从商业银行总行层面整体评估贷款拨备合理性以及金融监管机构实施外部监督等方面的应用提供了宝贵的实践参考。第二，本文针对贷款拨备计提过程中的顺周期性问题提出了切实可行的解决方案。过往研究虽已证实贷款拨备计提存在顺周期性，但鲜有学者提出针对性的缓解策略。本文运用机器学习算法进行贷款拨备计提，发现其在缓解顺周期性问题方面表现卓越，从估计方法层面为解决贷款拨备计提顺周期性问题提供了创新方案。第三，本文为机器学习在会计估计有效性领域的应用提供了新的实证依据。此前已有研究在保险损失估算领域证实机器学习能够显著提升会计估计效果(Ding等，2020)，本文将研究场景拓展至商业银行贷款拨备计提，进一步丰富了机器学习在会计估计有效性方面的实证研究成果。第四，本文从金融监管的角度出发构建了宏观模型，并进一步探讨了在贷款拨备计提过程中，机器学习技术减少人为因素影响的有效性，为监管机构、商业银行总行以及相关宏观调控部门制定合理的贷款拨备金额提供了更有效的评估工具。
