财经与咨询讨论系列

联邦储备委员会，华盛顿特区。ISSN 1936-2854（印刷版）ISSN 2767-3898（在线版）

CECL如何影响银行贷款？

Ben Ranish, Cindy M. Vojtech

2026-066

请引用本文时注明：Ranish, Ben, 和 Cindy M. Vojtech (2026). “CECL如何影响银行贷款？,” 财经与咨询讨论系列 2026-066。华盛顿：联邦储备系统委员会，https://doi.org/10.17016/FEDS.2026.066。

注意：财经与咨询讨论系列（FEDS）中的工作人员工作论文是初步材料，用于激发讨论和批判性评论。分析和结论是作者的观点，并不代表研究工作人员或董事会其他成员的共识。除承认外，在出版物中引用财经与咨询讨论系列（FEDS）时应与作者（们）联系，以保护这些论文的试探性质。

CECL如何影响银行贷款？^∗

Ben Ranish^† 和 Cindy M. Vojtech^‡

2026年8月

摘要

采用当前预期信用损失（CECL）方法进行贷款损失准备金的会计变更显著改变了银行在其资本计算中如何确认贷款损失。因为资本是银行成本更高的资金来源，会计变更影响了银行的贷款资金成本。本文利用CECL实施的时间和效果在公司和贷款类型之间的差异，发现贷款损失准备金对信贷供应有类似的因果效应，就像资本要求一样。在我们的样本中，CECL采用对贷款准备金的影响每年在采用后的几年里减少了约77个基点的贷款增长。我们发现CECL对资本分配没有显著影响。

JEL: G21 G28 M41 M48

关键词：当前预期信用损失（CECL）方法；银行贷款；贷款损失准备金

1 引言

银行如何衡量可能的贷款损失会影响收益的规模和时机，因为贷款损失准备金会减少收益，从而减少资本。因为资本是银行成本更高的资金来源，贷款损失会计的变化可能会影响贷款，就像资本要求的变化一样。本文利用贷款损失会计方法的必需变更来探讨贷款损失准备金与贷款增长之间的关系。

2020年1月1日，美国大多数大型银行被要求采用当前预期信用损失（CECL）方法进行贷款损失准备，所有剩余银行则需在三年后采用。根据CECL，银行需要建立足够的准备金以覆盖整个贷款合同期间预期的损失。相比之下，之前的已发生损失模型（ILM）方法只要求对报告日期可能发生的损失进行准备。因此，在CECL下，损失准备在贷款生命周期早期进行，在信贷恶化迹象出现之前，准备金水平通常更高，这取决于贷款特征。此外，CECL方法要求准备金反映与宏观经济相关的预期未来信用损失的变化，导致经济周期转折点周围的准备金发生重大变化。因此，CECL的效果可能取决于经济环境。因此，我们的实证方法和结论仔细考虑了2019冠状病毒病（COVID-19）大流行造成的经济中断，该大流行在最大银行采用CECL后不久出现。

为了分析贷款损失会计对贷款的影响，我们使用2016年第一季度至2024年第二季度的公开监管数据，比较了2020年采用CECL的银行（早期采用者）与2023年采用CECL的银行（晚期采用者）。这些银行群体在结构上有所不同：大型上市公司是早期采用者，而私营的、通常规模较小的公司是晚期采用者。本文对面板数据进行了修剪，去除了非常大和非常小的银行，以创建一个在运营上更为相似的银行样本。我们还排除了与小企业管理局的薪资保护计划相关的贷款，该计划是为了支持疫情经济而引入的。为了进一步解决因对疫情中断的差异性暴露而产生的潜在混淆问题，我们的方法控制了地方就业状况和地区宏观经济趋势的差异。

为了识别CECL（当前预期信用损失）的影响，我们使用了随时间、不同公司以及贷款产品之间CECL采纳影响的变化。我们还采用了多种方法，包括差异差异法、工具变量（IV）和合成控制法，以控制各种潜在的混杂因素。我们的结论是基于这些方法和稳健性测试得出的。虽然其他论文已经研究了CECL对贷款的影响，但我们的实证方法范围更为全面，我们偏好的工具变量方法更直接地将CECL的因果贷款损失准备金效应与其对银行资本的影响联系起来。此外，这一首选方法使用了2020年1月1日CECL采纳时的影响变化，这发生在COVID-19严重干扰被广泛预期之前。¹

我们的分析从差异差异法开始，简单地表明，CECL方法的采纳对不同类型的贷款准备金有不同的影响，无论是早期还是晚期采纳者。然而，对贷款增长和准备金的估计效应并不总是一致地朝相反方向发展，这可能是因为CECL对资本的影响。由于在贷款类型层面的证据较弱，我们使用了利用CECL对准备金影响的额外变化来源的方法。

通过使用基于采纳效应大小的IV（工具变量），我们可以直接评估贷款准备金与贷款之间的联系。我们偏好的IV方法使用公司第一天CECL采纳效应作为变化的来源。这种方法表明，允许覆盖率（贷款损失准备金与贷款的比率）每增加一个百分点，贷款大约减少0.85个百分点。从这个效应推断，并考虑到CECL采纳在我们的银行样本中对允许覆盖率的24个基点效应，CECL采纳导致年度贷款增长下降了77个基点。与我们银行样本中平均约6.4%的总年度贷款增长相比，这个下降是适度显著的。相比之下，我们发现准备金对银行资本分配（以普通股分配或股票回购的形式）没有统计学上的显著效应。综合这些估计，表明准备金的冲击主要是通过减少贷款来适应的。

为了进一步证明监管资本限制是测量效应背后的机制，我们测试了银行对配额的贷款反应是否随着资本要求成为银行约束的程度而变化。我们发现，对于资本约束最严重的银行来说，配额变化对贷款增长的影响显著强于资本约束最小的银行，随着超额资本每增加一个标准差，效应大小减少了平均值的三分之一左右。

我们进一步测试了我们的结果对测试方法合理变化的稳健性，包括一种合成工具控制方法，该方法对早期CECL采纳及其影响与观察到的趋势相关联的可能性是稳健的。结果的大小有所变化，当按投资组合大小加权时结果更强，使用合成控制时结果较弱，但总体结论保持不变。总体而言，我们的结果强调了会计变更对银行行为的影响，以及因此对更广泛经济的影响。

2 CECL背景

财务会计准则委员会于2016年6月16日发布了CECL方法。² CECL于2019年12月15日或之后开始的财政年度作为美国公认会计原则的一部分生效，适用于证券交易委员会（SEC）的申报者，私人公司此后三年要求采纳。因此，大多数美国公开上市银行于2020年1月1日采纳了CECL，其余美国银行于2023年1月1日采纳。鉴于公开上市或私有化的许多相关因素，公司在提前选择采纳日期方面实际上几乎没有能力。

CECL取代了已发生的损失模型(ILM)方法，因为ILM在2007-09年金融危机期间对经济状况恶化反应不足。具体来说，在经济已经进入衰退期，银行股权的市场价值已经显著下降之后，ILM下的准备金仍然很低，这表明一个前瞻性的标准可能更能将资本的会计价值与经济现实对齐。

根据CECL，公司被要求预测贷款余额、收费率和回收率。虽然对模型复杂性的预期会随着公司规模的不同而变化，但公司被期望比在ILM方法下更多地融入前瞻性信息。ILM下的准备金仅旨在覆盖“已发生”的损失，但在CECL方法下，准备金旨在覆盖贷款预期剩余生命周期内的损失。

CECL下准备金的概念基础不同，这意味着在实践中它们往往更大，特别是在经济状况恶化时。随着准备金的增加，会计和监管的资本衡量标准会下降。因此，准备金的增加会像监管资本要求的增加一样限制银行。³ 此外，CECL要求在预期剩余生命周期内确认损失，这将损失确认的时间提前，从而在银行特别关注短期内满足资本要求时，降低了放贷的积极性。

为了帮助说明CECL方法与ILM之间的差异，提供了一些简单的例子。图1显示了一个在经济前景预期为贷款期内稳定增长时发放的三年期贷款的例子。在这样的宏观经济环境下，假设银行预计损失为5%。因此，在第一天（t=0），准备金覆盖率（贷款损失准备金/贷款金额）为5%。最终，在这个例子中，贷款并未违约。随着时间的推移，随着贷款成熟和不良结果似乎不太可能实现，预计违约的可能性降低，模型中的准备金逐渐减少。三年结束时的准备金为零。图1右侧的图表显示了相同的覆盖率，但在ILM方法下。因为贷款从未违约，甚至没有显示出恶化迹象，所以从未有过贷款损失准备金的变动。

图1：准备金模型比较：良好经济，良好贷款

假设一个三年期贷款。经济预测显示缓慢、稳定增长。三年内贷款没有显示出任何恶化迹象。
图2显示了相同的贷款和经济前景，只是现在贷款在第二年末显示出可观察的恶化，并最终在第三年末违约。红色虚线表示实际损失。基于第一年的预期，CECL下的准备金与之前相同，但当可能违约的证据出现时会进行调整。对于ILM，如果证据使贷款违约变得可能，第二年的准备金也会增加。在这个例子中，CECL和ILM显示了相同的水平。然而，根据模型假设和设计，它们可能会有所不同。在第三年末违约时，根据两种方法论，都需要记录相同数量的准备金和储备以覆盖损失。

图2：准备金模型比较：良好经济，不良贷款

假设一个三年期贷款。经济预测显示缓慢、稳定增长。贷款在第二年末显示出恶化迹象，并最终在到期时违约。红色虚线表示违约时的损失。
Assume a three-year loan. Economic forecast projects slow, steady growth. The loan shows signs of deterioration in year two and ultimately defaults at maturity. The red dashed line indicates the loss at default.

在这两个例子中，允许在CECL下比在ILM中更早建立。相关地，CECL下的平均准备金水平更高。

现在我们转向美国银行实施CECL的情况。联邦银行监管机构在2019年初通过了一项规则，将采纳效果分散在三年内。⁴ 这个过渡期旨在为银行的资本计划调整提供额外时间。

然而，COVID-19疫情在大多数公开银行采纳CECL后不久就扰乱了经济。

几项应对疫情的紧急规则制定影响了CECL的采纳，并暂时减弱了CECL对银行监管资本的影响。2020年3月27日签署成为法律的冠状病毒援助、救济和经济安全（CARES）法案，为银行组织提供了推迟CECL采纳直到COVID-19国家紧急状态结束的选项。同时，银行监管机构发布了一项临时最终规则，将CECL对监管资本的影响推迟三年，之后有一个两年的过渡期。⁵ 几乎所有选择过渡CECL资本影响的银行都选择了这个紧急规则制定下的更宽松版本。然而，相对较少的银行选择根据CARES法案推迟CECL的采纳。推迟并不会给银行的监管资本带来任何实质性的好处，鉴于已经实施了更宽松的过渡期。此外，由于CECL已经生效，推迟将带来与恢复旧流程相关的自身操作挑战。尽管存在这些挑战，其他研究指出，那些选择推迟CECL采纳的银行往往对CECL的采纳影响有更深入的了解和担忧。⁶ 因此，正如第4节所讨论的，通过排除这些公司，我们低估了银行对CECL采纳的反应程度。

3 相关文献

贷款损失准备金是一个反向资产账户。因此，它实际上是在资助那些预期会贬值或以其他方式减少支付的贷款。在资金结构中，资本也被设计用来吸收损失，因为它是剩余的索赔人。没有法律义务偿还资本持有人。适当的资本水平一直是长期辩论的主题，这超出了本文的范围。⁷ 然而，与其他银行资金来源相比，至少从银行的角度来看，资本通常更昂贵。通过改变建立早期贷款损失缓冲的要求，并可能增加资金成本，CECL可能会改变贷款行为。

之前的研究已经记录了在不同环境下银行资本要求对信贷供应的重要性。所有这些结果都与资本是一种更昂贵的资金来源的观点一致。在不同研究中，信贷对资本要求的长期弹性（即对资本要求变化1%的信贷累积百分比变化）介于-0.2到-0.8之间，大部分信贷调整在资本要求变化后的几年内观察到。例如，一些论文研究了欧洲资本要求的实施效果。Fraisse, Lé和Thesmar (2020) 分析了银行对实施巴塞尔II框架的反应，在监管数据中。他们发现，资本要求增加1个百分点（或大约12%）会使得信贷减少2.3到4.5个百分点。Mésonnier和Monks (2015) 估计，被迫在欧洲银行管理局2011-12年资本运动后提高其核心一级资本比率1个百分点的银行，其年度化贷款增长比不受限制的银行低1.2个百分点。Gropp等人 (2018) 研究了同样的资本运动，并发现受该运动影响的银行将其资本比率提高了1.9个百分点，并将风险加权资产相对于控制组减少了16个百分点。Behn, Haselmann和Wachtel (2016) 使用准实验研究设计来探索资本要求突然增加对信贷的影响。他们发现，资本增加0.5个百分点与信贷下降2.1到3.9个百分点相关。其他关于监管资本和信贷的实证研究例子包括Aiyar等人 (2014); Aiyar, Calomiris和Wieladek (2014); Bridges等人 (2014); 以及De Jonghe, Dewachter和Ongena (2020)。我们对准备金对贷款增长影响的点估计范围与这一文献一致。例如，我们首选的估计相当于信贷对资本要求的弹性约为-0.6。⁸

其他论文在动态模型中探讨了资本与信贷之间的关系。例如，Berrospide和Edge (2010) 使用多种方法来探索银行资本如何影响信贷，并通常发现影响适度。特别是，资本比率增加1个百分点与长期年度化BHC贷款增长仅增加0.7到1.2个百分点相关。这是一种均衡效应：资本化率较高的银行在下一个时期往往贷款更多。这一点即使在尝试控制诸如银行特征和宏观经济环境等因素后，依然成立。⁹ 卡尔森、山和瓦鲁萨维特哈拉纳（2013年）试图识别地方层面的关系，以便更好地控制贷款需求。他们估计，在危机期间，当资本比率相对较低时，银行贷款对资本比率的弹性更高。这表明资本比率对银行贷款的影响是非线性的。这与我们在将CECL（预期信用损失）的采用与个别公司的资本约束程度相互作用时得到的结果一致。资本约束更严格的公司，其贷款增长甚至比其他CECL采用者更少。

我们工作的第一阶段与Covas和Dionis（2021年）以及Loudis等人（2021年）的研究密切相关。这些论文探讨了CECL对不同类型贷款的准备金和增长的影响。他们发现CECL对消费者贷款的准备金和增长有显著影响，但对其他形式贷款的增长率没有影响。Covas和Dionis（2021年）认为这种无结果是可以预期的，因为紧急规则制定抵消了其他形式贷款的资本影响，而Loudis等人（2021年）对消费者贷款影响的推断持谨慎态度。我们的工作在这些早期发现的基础上有了实质性的扩展，还考虑了公司特定CECL影响的可变性，采用了额外的经验策略，并纳入了CECL后期采用者在疫情后的经验。

陈等人（2025年）、Granja和Nagel（2025年）以及杨（2025年）也估计了CECL采用对贷款的影响，但覆盖范围比本文更窄。杨（2025年）专注于住宅抵押贷款，发现采用CECL的银行更倾向于证券化而不是资产负债表贷款。Granja和Nagel（2025年）发现CECL对消费者贷款定价的影响。陈等人（2025年）发现CECL对整体贷款有显著影响，并可能在2020年对就业产生下游影响。通过关注那个压力时期，他们认为这些效应表明CECL具有顺周期效应。其他几项研究也探讨了CECL对贷款顺周期性的影响，但大多数研究更具有假设性，使用的是实际采用CECL之前的资料。¹⁰ 与陈等人（2025年）相比，我们的工作考虑了更长的时间段和额外的经验方法，以更好地识别机制。

本文与关于CECL更广泛的文献相关联。例如，其他论文研究了CECL采用的其他效应，包括银行信息生产和财务报告。胡（2024年）研究了CECL对小企业贷款的影响，并发现银行对距离物理分行较远的企业减少了更多的贷款。这一结果与信息获取理论一致。采用CECL与更高的信息获取或生产成本相关联，使得远距离借款人成本更高。相关地，金等人（2026年）表明，采用CECL的银行在财务报告和运营方面发生了变化，这些变化与更好的信息生产一致。

本文还与研究国际会计准则委员会（IASB）发布的一个类似会计标准对其他国家银行贷款影响的研究相关。2018年，在国际财务报告准则（IFRS）9下，使用IASB标准的公司需要使用预期信用损失（ECL）模型来对金融资产和负债进行估值。Ertan（2025年）发现，采用IFRS 9的银行对中小企业的贷款减少了超过10%。然而，这项研究解释这些结果更多是由于银行的财务报告担忧和实施困难，而不是简单地更高的贷款损失准备。Bojar和Olszak（2022年）研究了波兰的上市银行，并没有发现IFRS 9对贷款的直接影响。然而，IFRS 9与资本之间存在正向且显著的关系，这表明资本比率较高的银行在实施期间能够更好地扩展更多贷款。

4 数据

我们的数据样本始于2016年第一季度，并结束于2024年第二季度。如第2节所讨论的，实体在2020年1月1日之后（“早期采用者”）或2023年1月1日之后（“晚期采用者”）采用CECL。

这一时间框架意味着我们的样本在CECL颁布前有四年的数据用于早期采用者，在颁布后有晚期采用者六个月的数据。

由于本文分析了银行控股公司（BHCs）以及不在BHC中的独立商业银行，因此数据是Call Report（商业银行）和FR Y-9C（BHC）数据的结合。在本文中，我们将所有公司统称为“银行”。

为了确保企业结构变化（如合并）不被误解为重大冲击，我们对实体的资产负债表进行汇总，以便它们随时间一致地代表合并后的银行业务。在我们的样本期间，通常是一个或多个存款机构一直被合并到同一家控股公司。在这种情况下，我们只包括控股公司的资产负债表。¹¹ 然而，在我们的样本期间发生的合并情况下，这意味着通过追溯合并后来合并的实体的资产负债表来构建历史“伪银行”。

此外，我们在整个样本期间测量的贷款余额不包括通过小企业管理局的工资保护计划（PPP）发放的贷款。¹² PPP贷款是可免除的，最终将由政府偿还。相关地，PPP贷款不需要计提信贷损失准备金，也没有相关的基于风险的资本要求。虽然PPP在2020年是总贷款增长的一个重要来源，特别是对于晚采纳CECL的机构，但它与公司的资本管理过程没有明确的联系——它将如何影响的渠道也不清楚。通过排除这些贷款，我们消除了它们可能对分析产生的扭曲效应，并与其他研究人员的做法保持一致（例如，Chen, Dou, Ryan和Zou（2025）；Kim, Kim, Kleymenova和Li（2026））。

我们的数据样本旨在关注一组在复杂性和监管环境方面相对可比的银行，并且其中相当一部分在2020年1月采用了CECL。为此，我们排除了2019年第四季度合并资产少于10亿美元或多于1000亿美元的银行。最大的银行被排除在外，因为它们受到更严格的监督和额外的监管，几乎所有的银行都在2020年采用了CECL。因此，它们不是衡量结果的良好对照。同样，最小的银行主要是私人持有的，而且在2020年很少有银行被要求采用CECL。此外，对于最小的银行来说，采用和维护CECL的运营负担可能比准备金变化的负担更大。为了简化分析，从这组667家中等规模的银行中，我们还排除了139家在2020年第一季度或2023年第一季度以外的季度采用CECL的银行。¹³ 在剩余的528家公司中，我们排除了6家对于其业务模式来说，贷款相对不那么重要的公司。¹⁴ 我们剩余的数据过滤器旨在解决潜在的数据质量和可比性问题。¹⁵ 我们的最终样本包括364家公司，涵盖了9,779个公司季度的数据。我们进一步创建了一个包含45,574个公司-贷款类型-季度的面板数据，使用监管报告提供的六种贷款类型，这些类型可以追踪准备金和贷款余额：建筑（CNSTR）、商业地产（CRE）、商业（COM）、住宅房地产（RRE）、信用卡（CARDS）和其他消费贷款（OTHCONS）。¹⁶ 我们还对具有显著异常值的变量（贷款增长、违约率度量）在第1和第99百分位数上进行了缩尾处理。¹⁷

表1总结了本文使用的主要样本，比较了早期采用者与晚期采用者的变量平均值。正如预期的那样，早期采用者往往规模更大（见对数资产）。尽管信用质量指标（违约率和非应计率）相似，但他们往往在实施CECL之前拥有较低的准备金覆盖率。反映出早期采用主要由银行是否为上市公司决定，早期采用者有更高的股份回购率，以及略高的平均股息率——作为资产的份额。然而，早期和晚期采用者的贷款组合（底部六行）相似，早期采用者对商业贷款的敞口略多，对RRE贷款的敞口略少。样本中很少有公司对信用卡有显著的敞口。¹⁸ 尽管贷款组合整体相似，早期CECL采用者的准备金在采用效果上有显著的提高（占贷款余额的0.38%对比0.10%）。最后，从观察数量来看，样本中晚期采用者（268）多于早期采用者（96）。

表1：按CECL采用者类型和时间段划分的汇总统计（均值）

	早期采用者			晚期采用者
	2016-19	2020-22	2023-24	2016-19	2020-22	2023-24
贷款增长	2.18	1.86	0.96	1.99	2.33	1.69
准备金覆盖率	1.18	1.73	1.58	1.28	1.45	1.37
采用效果		0.38				0.10
30天违约	0.52	0.41	0.42	0.50	0.39	0.34
90天违约	0.26	0.26	0.23	0.15	0.18	0.15
非应计	0.71	0.54	0.43	0.69	0.61	0.47
对数资产	16.42	16.67	16.75	14.61	14.98	15.11
一级杠杆率	10.31	9.70	9.94	10.47	10.04	10.34
资产回报率	1.12	1.17	1.22	1.03	1.15	1.00
普通股息/资产（百分点）	0.45	0.47	0.49	0.40	0.38	0.32
股份回购/资产（百分点）	0.23	0.25	0.13	0.03	0.04	0.03
贷款份额（百分点）
商业	24.63	25.40	24.60	19.68	18.94	18.55
商业地产	35.06	35.29	34.95	37.33	39.11	38.45
建筑	6.68	6.92	7.46	6.67	7.48	7.95
住宅地产	23.81	22.74	23.63	29.72	29.06	29.64
信用卡	3.22	3.36	3.32	1.26	1.42	1.37
其他消费	6.60	6.29	6.03	5.34	3.99	4.04
分行加权宏观经济条件
失业率	4.21	5.45	3.80	3.98	5.17	3.65
就业增长	1.25	0.34	1.25	1.15	0.29	1.26
观察值	1,525	1,140	566	3,387	2,088	1,073

数据来源：FR Y-9C、呼叫报告、FFIEC分行数据和劳工统计局。

表2提供了早期采用者和晚期采用者子群体中变量分布的情况：标准差、第5百分位数和第95百分位数。两个采用者群体之间的分布有显著重叠，最小的早期采用者比最大的晚期采用者还要小。最后两行提供了一些证据表明，早期和晚期采用者也面临类似的宏观经济环境。分支加权平均失业率和就业增长率在两个群体中的分布相似。鉴于CECL、经济环境和一般贷款需求之间的关系，这一点特别重要，需要检查。 ¹⁸信用卡风险敞口集中在最大的银行，这些银行并不包括在我们的样本中。

每个变量在两个采用者群体之间的分布情况，最小的早期采用者比最大的晚期采用者还要小。最后两行提供了一些证据表明，早期和晚期采用者也面临类似的宏观经济环境。分支加权平均失业率和就业增长率在两个群体中的分布相似。鉴于CECL、经济环境和一般贷款需求之间的关系，这一点特别重要，需要检查。

附录中的图A1显示，我们的样本在地理上代表了所有银行，早期和晚期采用者银行的分支机构有类似的地理分布。上面的美国地图减去了各州在所有银行中的分支机构份额与我们样本中的州分支机构份额。最显著的差异是我们的样本在纽约州的分支机构份额较低，但我们的样本足够广泛，没有特定的区域性集中。下面的地图比较了早期和晚期采用者的平均州分支机构份额。大多数州是浅红色或浅蓝色，表明比较的两个群体之间的银行分支机构份额最多只有2个百分点的差异。所有州的差异在统计上都不显著；各州绝对差异之和的p值为0.28。

5 实证分析

如引言中简单的贷款示例所示，CECL方法旨在比ILM方法更早地建立贷款准备金，这对银行的资产负债表和资本有重要影响。作为对资产账户的抵减项，贷款准备金在资产负债表上抵减贷款，实际上为贷款组合的一部分提供资金。如果没有这些信用损失准备金来建立这些准备金，更多的收益将被保留，从而增加资本。因此，信用损失会计的变化相当于增加了所需的资本。在我们的样本中，采用时增加准备金的影响相当于资本增加了2.6个百分点。¹⁹ 正如文献中所确立的（见第3节），更高的资本要求会增加银行的资金成本，可能会减少贷款增长。²⁰

表2：按CECL采用者类型划分的汇总统计（分布）

	早期采用者			晚期采用者
	标准差	第5百分位数	第95百分位数	标准差	第5百分位数	第95百分位数
贷款增长贷款准备金覆盖率	3.75	-3.16	8.43	3.28	-2.30	7.40
采用效应	1.63	0.55	2.76 1.33	1.16 0.48	0.58	2.37 0.38
30天逾期	0.79	-0.05	1.79		-0.19
	0.59	0.05		0.57	0.01	1.46
90天逾期非应计	0.68	0.00	1.42 1.54	0.66 0.62	0.00	0.55
对数资产	0.56	0.05 15.23	18.08	0.75	0.03 13.96	1.90 16.36
一级杠杆率	0.90 1.81	7.79	13.69	2.61	7.57	14.96
资产回报率（ROA）	0.71	0.50	2.09	0.64	0.36	1.95
普通股息/资产（百分点）	0.59	0.00	0.81	0.49	0.00	1.25
股份回购/资产（百分点）	0.38	0.00	0.89	0.11	0.00	0.23
贷款份额（百分点）
商业	15.60	2.12	55.97	13.60	0.63	44.62
商业房地产	15.24	0.00	60.08	16.97	4.04	66.06
建筑	6.12	0.00	15.79	5.31	0.00	16.60
住宅房地产	15.25	0.53	49.97	20.33	3.67	70.31
信用卡	16.63	0.00	3.56	9.62	0.00	0.79
其他消费者	12.02	0.01	22.87	11.03	0.02	19.43
分行加权宏观经济状况
失业率	1.82	2.90	8.27	1.74	2.51
						7.43
就业增长	3.53	-6.30	5.55	3.41	-5.78	5.47

资料来源：FR Y-9C报告、呼叫报告、FFIEC分行数据以及劳工统计局。

总的来说，预期的关系如下：（1）CECL将增加银行的贷款准备金覆盖率（贷款损失准备金/总贷款），（2）准备金覆盖率的增加将提高资金成本，这将减少贷款增长。

5.1 CECL影响，按贷款类型

我们通过应用一个成熟的不同差异方法开始我们的分析，测量在CECL采用前后贷款增长和准备金覆盖率的变化。我们分别对六种贷款类型进行这项分析，对于这些类型，监管报告提供了准备金和贷款余额数据。我们还包括单独的虚拟变量（OnCECL），以指示银行时间观察中CECL方法对早期和晚期采用银行生效的情况。这种方法允许CECL对这两个群体的影响有所不同。我们包括一组银行层面的变量作为额外的控制（BankControls）。银行层面的控制变量包括三个资产质量控制变量、三个银行特征变量，以及可能影响贷款需求的当地宏观经济条件的额外控制。资产质量通过30天、90天和非应计频率的逾期率来衡量。三个银行特征变量滞后一个周期，以避免内生性问题，并包括对数资产、杠杆率和资产回报率，以控制规模、偿债能力和盈利能力。宏观经济控制变量包括过去一年内分行加权平均失业率和就业增长。²¹ 此外，每个银行在九个区域人口普查分区（区域）每个季度的分行份额被包括在内，以控制区域经济趋势。我们的回归对应于方程（1）

(1)

其中Y_p,i,t 是银行-贷款类型级别的准备金覆盖率或贷款增长。β系数是这个规范中的系数，捕捉了从CECL采用时起在银行群体之间出现的平均差异。

在运行此回归之前，我们首先测试一个识别假设——即在早期采用CECL（2020年）之前，贷款增长和准备金对于早期和晚期采用者遵循平行趋势。为了测试这个假设，我们用所有季度虚拟变量与早期CECL采用者虚拟变量的交互项替换了“在CECL下”的虚拟变量和季度固定效应。接下来，我们对2016年至2019年早期CECL采用前出现的16个季度交互项进行了Wald检验，以检验它们的联合统计显著性。如果联合显著性低，则表明不能拒绝平行趋势假设，差分法回归中的因果声明可能是有效的。该测试的p值在表3中提供，所有交互项的完整集合在附录中绘制（图A2和A3）。

表3：2016-19年早期采用者X季度交互项联合显著性的p值

	准备金/贷款贷款增长
商业	0.39 0.21
商业房地产 0.03	0.25
施工	0.63 0.65
住宅房地产 0.62	0.54
卡片 0.81	0.69
其他消费者	0.13 0.28

在早期和晚期CECL采用者之间，没有任何贷款类型在采用前的贷款增长趋势在统计上显著不同。仅商业房地产贷款的采用前准备金趋势在统计上显著不同，但趋势差异在经济上很小，并且似乎是由于早期CECL采用者在2020年之前的相对商业房地产准备金逐渐下降所致。（参见附录图A3。）这种偏离平行趋势的后果可能是对2020年CECL对商业房地产准备金影响的轻微低估。

差分法方法学的另一个识别假设是，治疗是准外生的，或者与预测早期和晚期CECL采用者之间准备金或贷款增长差异的其他原因正交。治疗，或早期采用CECL，主要基于SEC申报者的定义。公司选择成为申报者，因此治疗不是随机的。然而，SEC申报者和非申报者除了平均规模差异外（见表1和表2），在其他方面大致相似，而且与SEC申报状态相关的其他临近变化不会影响我们测量的结果。因此，将SEC申报状态，从而将CECL采用的时间视为准外生的，或者对于识别CECL的影响来说，几乎可以认为是随机的，可能是合理的。

当然，早期采用CECL（当前预期信用损失）与COVID-19大流行的发生时间相吻合——这无疑对准备金和贷款增长产生了影响。我们的识别方法只要求大流行对个别银行的影响与它们是否是早期采用者无关。然而，大流行的出现确实改变了我们衡量CECL影响的解释。我们在经济不确定性显著且预期的经济压力虽大但大部分未实现的条件下，估计了CECL对准备金和贷款增长的影响。

由于识别条件大致得到满足，我们继续通过普通最小二乘法（OLS）估计回归方程（1），使用对银行内聚类稳健的标准误差。代表CECL对每种贷款类型影响的系数在图3中作为数据点呈现，早期采用者的估计值（即，β^early_p ）在上图中，晚期采用者的估计值（即，β^late_p ）在下图中。横轴是从准备金覆盖回归中得到的估计值，纵轴是从贷款增长回归中得到的估计值。虚线灰色线表示这些估计值的统计95%置信区间。

对于2020年采用图，横轴的六个点都在零线的右侧，这表明平均而言，CECL采用者在规则采用后准备金增加了。对于三种贷款类型：RRE（房地产贷款）、CRE（商业房地产贷款）和建筑贷款，结果在统计上是显著的。纵轴的五个点都在零线的下方，这表明平均而言，CECL采用者的贷款增长在采用后是负的。然而，对于任何贷款类型，这一结果在统计上都不显著。

对于2023年采用图，横轴的四个点在零线的右侧，这表明平均而言，这些贷款类型在规则采用后准备金增加了。但结果仅对建筑贷款在统计上是显著的。纵轴的三个点在零线的下方，且没有一个在统计上是显著的。这一结果表明，较晚采用CECL对平均贷款增长的影响最小。

这种按贷款类型分析并没有呈现出CECL通过影响准备金来影响贷款增长的完全一致的故事。²² 例如，在2020年的采用中，建筑贷款

图3：差异中的差异估计

这些图展示了运行以下回归的结果：

其中Y是贷款增长或准备金覆盖，BankControls ₋ 包括三个资产质量控制变量、三个银行特征变量和宏观经济控制变量。在上图中，β^early_p 值与每种贷款类型的点一起绘制。下图绘制了β^late_p 虚线灰色线条代表这些系数估计的统计学上95%的置信区间。cards = 信用卡贷款，com = 商业和工业贷款，cre = 商业房地产贷款，cnstr = 建筑贷款，othcons = 其他消费者贷款。

资料来源：Call报告，FR Y-9C，以及作者计算。

\$IBOHFT"SPVOE"EPQUJPO

对早期和晚期采纳者有较大的允许效应，但对贷款增长的统计学效应为零。RRE贷款对晚期采纳者有正的贷款增长率，但对允许覆盖的统计学效应为零。只有商业贷款对晚期采纳者的效应与贷款允许机制一致，并且方向相反。允许额度减少，贷款增加。然而，证据详细说明了：系数和标准误差。

在贷款类型之间的差异是暗示性的：2020年采纳的五个系数估计值位于右下象限。2023年采纳图中的点位于左上和右下象限附近。差异之差异结果的弱点主要是因为贷款组成与CECL对允许额度的影响没有强烈的相关性。这就是为什么我们更倾向于使用关于CECL采纳对允许额度的公司特定效应的信息。

5.2 允许驱动的贷款效应

接下来我们转向利用CECL方法对允许额度影响的异质性来测试CECL对贷款增长的允许驱动效应的规格。通过限制CECL的影响仅通过其对允许额度的影响来运作，识别更为清晰，因为我们限制了潜在的混杂因素到那些也与CECL对允许额度的影响相关的银行之间的差异。此外，这种方法还允许直接比较资本要求变化对贷款影响的研究。

在我们的规格中，我们将贷款增长回归到允许覆盖，并使用捕捉CECL对允许覆盖影响的工具变量。我们使用两种工具变量（IV）策略：一种基于银行之间CECL影响的差异，另一种基于贷款类型之间CECL影响的差异。在每种情况下，我们仍然预期允许覆盖的增加对贷款增长有负面影响。

IV策略1：CECL的银行特定采纳效应

第一种工具化策略识别了CECL采纳对公司特定效应的异质性对允许额度的影响。²³ 具体来说，一个虚拟的“OnCECL”，表示在给定公司的允许额度是根据CECL计算的，与CECL采纳对允许额度的银行特定效应（“AdoptionEfect”）交互。采纳效应是按CECL在第一天增加的允许额度除以总贷款计算的。

²³由于CECL的采用效果没有针对每种贷款类型进行报告，因此无法实现银行×贷款类型的效应。

银行层面的测试规范是

其中银行层面的控制变量定义如前所述，包括三个资产质量控制变量、三个银行特征变量和宏观经济控制变量。额外的控制变量LoanShare_i,t 是一个包含五个变量的向量，这些变量等于六种贷款类型中的五种的贷款份额。我们允许贷款组合对银行层面的准备金和贷款增长的影响随时间变化，以考虑不同贷款类型趋势的差异。

IV策略2：按贷款类型划分的CECL对准备金的影响

第二个工具直接使用OnCECL_i,t 虚拟变量。因为CECL是一种前瞻性方法，并且重要的是，它通过贷款合同的到期日反映预期的信贷损失，所以在采用CECL时，平均准备金覆盖率的增加很可能会因贷款类型而异。这种测试策略将CECL效果在不同贷款类型中的异质性以及CECL采用日期的差异视为准外生变化的准备金，以此评估对贷款增长的影响。

测试规范是

(4)

(5)

其中控制变量定义如前所述，p代表贷款类型。

这两种工具变量策略是互补的。CECL采用的银行特定效应是除了银行间贷款组合构成差异之外，准备金差异的一个重要来源。具体来说，银行的贷款在六种类型中的分布只解释了银行层面采用效应的一小部分可变性。²⁴ 尽管我们的数据没有提供CECL在银行-贷款类型层面的采用效应，我们同样注意到，即使在银行层面的采用效应条件下，围绕CECL采用时银行-贷款类型准备金的变化也显著地由贷款类型预测。

通过代表不同来源的变异，这两种策略对潜在的内生性来源有不同的脆弱性。例如，如果某类银行以特别保守的方式采用CECL，并且由于不相关的原因增长更慢，这将挑战我们第一种策略中工具的外生性，但不会影响我们的第二种策略，后者不使用这种银行特定的变异。

表4总结了上述方程(2)至(5)中指定的OLS和IV回归的结果。所有感兴趣的系数（β）都具有预期的负号；较高的准备金与随后贷款增长降低相关。此外，OLS系数的大小大于IV系数，这与预期的内生性偏差一致。具体来说，银行客户基础的财务健康状况可能会以相反的方向驱动信贷损失准备金和信贷扩展。

银行层面的工具变量回归发现准备金对贷款增长有统计和经济上的显著影响。就经济意义而言，-0.85的系数表明，对于样本中的平均银行来说，采用CECL导致年度贷款增长减少了大约77个基点。²⁵ 这与我们样本中银行的总年度贷款增长约6.4%相比，是中等程度的显著。同时，如上所述，CECL的采用使样本中银行的资本减少了约2.6%。

表4：OLS和IV回归结果

此表显示了使用以下规格的结果。报告了贷款增长规格中允许覆盖的系数（β）。第一组方程的结果报告在第（1）和（2）列，第二组在第（3）和（4）列。

BankControls_i,t−1 包括三个资产质量控制变量、三个银行特征变量和宏观经济控制变量。资产质量通过30天、90天和非应计频率的逾期率来衡量。三个银行特征变量滞后一期以避免内生性问题，包括对数资产、杠杆比率和资产回报率，以控制规模、偿债能力和盈利能力。Φ^∗LoanShare是一个向量，包含五个变量，等于六种贷款类型中的五种的贷款份额，而OnCECL_i,t 是一个虚拟变量，在银行i采用CECL后设为1。

	银行层面（1）OLS	(2) IV	贷款类型层面（3）OLS	(4) IV
允许覆盖	-1.147*** (0.251)	-0.851* (0.443)	-0.270*** (0.080)	-0.072 (0.356)
贷款类型×季度FE			Y	Y
贷款类型份额×季度效应	Y	Y
地区风险×季度效应	Y	Y	Y	Y
银行FE和控制变量	Y	Y	Y	Y
第一阶段F	9771	78.812 9771		5.309
观测值			45574	45574

标准误差在括号内。

因此，估计结果表明，对年度贷款增长的影响大约是资本要求百分比影响的0.3倍，这在第3节总结的文献中报告的广泛范围内。

与使用银行层面CECL影响的估计相比，贷款类型影响策略的系数在统计上与零没有显著差异。然而，鉴于工具的明显弱点，我们对从贷款类型层面估计中得出的强烈结论持谨慎态度。²⁶ 工具的整体弱点很可能是由于具有特定类型贷款（例如，信用卡和其他零售）的公司数量相对有限，这些贷款的平均影响与所有贷款的平均影响非常不同。此外，根据贷款类型和专业知识的组成，个别银行可能会选择通过减少信贷可获得性来满足更严格的总体要求，即使是在处理变化最小的贷款类型上也是如此。²⁷ 如果是这样，这也有助于解释贷款类型层面上系数较小的幅度。

5.3 扩展

在本节中，我们扩展了我们的分析，以寻找更丰富的结果集，以更好地理解机制。我们寻找预期效应的证据，并测试对CECL采纳的反应的持久性。我们测试资本受限更多的银行是否表现不同。最后，我们测试CECL采纳是否会影响银行的资本分配，除了它们的贷款之外。

5.3.1 时间

首先，我们放宽了我们关于公司对CECL影响准备金的反应时间的假设。到目前为止，我们的规格假设CECL对贷款增长的影响仅在采纳后发生，并且在观察到的采纳后期间是恒定的（按对准备金影响的单位计算）。对于这些假设有一些怀疑的理由。鉴于CECL方法和采纳要求事先已知，可以合理预期大多数银行在采纳前就知道了CECL的可能影响。由于银行快速改变其贷款敞口可能会产生成本，我们可能期望银行在CECL采纳前的贷款决策反映了对CECL影响准备金的预期效应。相关地，随着CECL的信贷供应效应随着时间的推移在银行的业务和贷款类型中得到充分体现，我们可能期望CECL采纳对贷款增长的影响逐渐消失为零。

为了评估CECL对贷款影响的时机，我们对每个银行的采纳效应进行了面板回归，并与采纳时间τ的虚拟变量进行了交互。如方程（6）所示，回归规格还包括了银行和季度固定效应。β₋₁ 该术语从方程中移除，以便衡量采纳效果对贷款的影响，相对于银行采纳CECL之前的年份。由于这个回归是基于2016年至2023年的数据运行的，因此，距离采纳时间超过四年的效果仅能从晚期采纳CECL的银行中识别，而采纳年份之后的效果仅能从早期采纳CECL的银行中识别。

(6)

这个回归的系数β_τ 在图4中被绘制出来，其中β₋₁ 按构造为0。围绕系数的浅色线代表95%的置信区间。

在图4中，CECL采纳效果与贷款增长之间的关系在CECL采纳前几年是稳定的。没有证据表明预期效果会导致下降趋势。在CECL采纳之后，这种关系保持稳定且为负。虽然这可能表明CECL对贷款增长有更持久的效果，但有限的统计能力无法排除CECL对增长效果随时间适度或渐近下降的可能性。

5.3.2 与资本限制的相互作用

本文通常基于CECL对银行资本的影响来测试CECL的效果。在本节中，我们测试了在资本水平更接近要求且可能对增长构成更大限制的银行中，CECL对贷款增长的影响是否更强。我们通过两种方式测量限制的约束性。作为一种简单的方法，我们使用了2016年至2019年期间每个银行的最低一级杠杆比率，这是在任何CECL采纳之前的时期。

图4：贷款增长与CECL采纳效果的关系，按采纳时间划分。以下回归的系数β_τ 被绘制出来：

数据样本涵盖2016年至2023年。

作为简单的方法，我们使用了2016年至2019年期间每个银行的最低一级杠杆比率，这是在任何CECL采纳之前的时期。²⁸ 作为更精细但更复杂的替代方法，我们测量了每家公司的普通股权一级资本相对于要求的比例，对一级和总资本也进行了同样的测量。然后我们取这三个资本定义的最小比率，跨越2016年至2019年，并将此称为“超额资本”。

然后，我们在更为稳健的银行层面IV规范（方程式2）中以两种方式交互杠杆和超额资本的约束性。首先，我们找到每个度量的中位数，并定义虚拟变量MoreConstrained（和LessConstrained），对于那些比中位数银行更（和更不）受约束的银行等于1。这种方法的估计方程如下，

其中控制变量如前所定义：

其次，我们将每个比率指标标准化，使其均值为零，标准差为一，然后在回归方程中将这个变量资本与允许覆盖范围进行交互。允许覆盖范围的系数随后被解释为对平均资本约束的公司贷款增长的影响，而交互项的系数则表明这种影响随着资本约束的标准差变化而如何变化。在这种第二种方法下的估计方程是：

表5报告了第二阶段回归中感兴趣的系数（β₁ 和 β₂）。第（1）和（2）列显示了使用两种资本约束度量方法，对贷款增长的影响，对于资本约束更严格和更宽松的银行。在任一衡量标准下，CECL对允许的影响似乎对于资本约束更严格的公司，贷款增长更慢，尽管对于资本约束更严格和更宽松的银行的结果，只有在使用更复杂的资本约束度量时，才在统计上显著不同。

第（3）和（4）列提供了使用资本约束度量的标准化结果。正如预期的那样，允许覆盖范围的系数是负的，交互项的系数是正的；两者在统计上都是显著的。由于进行了标准化，这意味着银行

LoanGr_i,t = β₁ AllowanceCov_i,t + β₂ AllowanceCov_i,t × Capital
+Γ_p BankControls_i,t−1 + Λ_p,t Region_i,t−1 + Φ_tLoanShare_i,t + θ_i + ε_i,t
AllowanceCov_it = α₀Capital × AdoptionEfect × OnCECL_i,t

表5：资本约束更多和更少的银行的IV回归结果

下表展示了第一组（第1和2列）和第二组（第3和4列）贷款增长回归方程中的β系数。我们使用杠杆比率（第1和3列）和超额资本（第2和4列）来衡量资本约束（MoreConstrained, LessConstrained, 和 Capital）。第二组方程中的资本被标准化为均值为0，标准差为1。其他控制变量的描述见表4。

	样本按杠杆比率中位数分割超额资本（1）	(2)	与标准化的杠杆比率超额资本（3）（4）交互
允许覆盖范围			-1.380*** (0.324)	-1.207*** (0.265)
× 更严格的约束	-1.200* (0.623)	-1.498***
× 较宽松的约束	-0.791* (0.435)	(0.242) -0.148
× 资本		(0.496)	0.341*** (0.100)	0.450*** (0.109)
允许覆盖范围			-1.440*** (0.338)	-1.232*** (0.277)
× 更严格的约束	-1.333* (0.692)	-1.510*** (0.261)
× 较宽松的约束	-0.799* (0.449)	-0.167 (0.521)
× 资本			0.351***	0.445***


	Y	Y	Y	Y
			(0.109)


				(0.119)
贷款份额 × 季度效应

银行固定效应和控制变量	Y	Y	Y	Y



观测值

		9771
	9676		9676	9771

标准误差在括号内。
^∗ p < 0.10, ^∗∗ p < 0.05, ^∗∗∗ p < 0.01.

要使CECL不对贷款产生影响，需要大量的额外资本。需要大约比平均资本量高出3个标准差的资本量来抵消准备金覆盖率对贷款增长的影响。²⁹

5.3.3 资本分配

银行面临强烈的动机来满足监管资本要求，可能还有保持高于这些要求的安全资本缓冲的市场预期。在理论上，如果增加准备金对贷款数量的影响很小，³⁰ 那么银行将需要减少其资本分配以维持监管资本比率。相反，没有证据表明资本分配受到准备金变化的影响，这提供了间接证据表明对贷款的影响在经济上是显著的。

在本节中，我们测试了CECL对资本分配的影响，考虑了普通股股息和股票回购。我们将重点放在这些资本分配措施上，因为它们反映了调整成本最低的边际。³¹ Floyd, Li和Skinner（2015）表明，与其他工业公司相比，银行支付股息的倾向更高且更稳定。Fahlenbrach, Ko和Stulz（2024）发现，在高监管不确定性时期，银行的支付额较低。因此，我们预计，如果有任何对CECL的资本分配反应，最有可能以较低的回购形式出现。

图5按采纳队列划分，将平均分配按资产规模进行了标准化。由于后期采纳CECL的银行绝大多数是私人银行，回购活动非常有限，因此只对早期采纳者绘制了回购图。所有分配在2020年都有所下降，可能是由疫情驱动的。经济不确定性的增加可能使得银行对资本分配的兴趣降低。³²

图5：早期和晚期CECL采纳者的资本分配

为了确立与CECL采纳的因果关系，我们转向我们分析的首选工具变量（IV）规范：

(7)

控制变量的定义如前所述，包括资产质量控制、银行和贷款特征变量以及宏观经济控制变量。然而，这些回归是基于年度数据进行的，因为分配数据非常零散，一些公司的季节性模式很强。例如，一些银行有季度股息政策，而其他银行则有年度政策。同样，回购在日历年度内的时机因公司而异。分配定义为普通股息，无论是水平还是变化，或股票回购。我们将这些分配按总资产进行了标准化，但如果按贷款进行标准化，结果非常相似，正如我们在允许和贷款增长的测量中所做的那样。有关变量构建的详细信息，请参阅附录中的表A1。

表6报告了使用资产规模调整后的资本分配措施进行的第二阶段回归结果。前两列考虑了普通股息的水平和变化。最后一列观察了股份回购——仅考虑了早期采用者和控股公司——因此观察数量较小。股息测试中感兴趣的变量的系数为正，与预期的符号相反，但经济规模小且统计上不显著。采用CECL后，股息实践没有显著变化。回购测试的系数为负，但与零也没有统计上的显著差异。

表6：资本分配回归结果

此表显示了使用以下规格的结果。资本分配规格的允许覆盖系数（β）报告如下。

控制变量的定义如前所述，包括资产质量控制、银行和贷款特征变量以及宏观经济控制。资产质量通过30天、90天和非应计频率的逾期率来衡量。银行特征变量滞后一期以避免内生性问题，包括对数资产、杠杆比率和资产回报率，以控制规模、偿债能力和盈利能力。Φ^∗贷款份额_i,t 是一个向量，包含六种贷款类型中的五种贷款份额，而OnCECL_i,t 是一个虚拟变量，银行i采用CECL后设为1。

	(1)	(2)	(3) 股份回购/资产
允许覆盖	股息/资产 0.121	股息变化/资产 0.021	(仅限早期采用者) -0.041
允许覆盖	(0.168)	(0.179)	(0.148)
贷款类型份额 × 季度效应	Y	Y	Y
地区风险暴露 × 季度效应	Y	Y	Y
银行固定效应和控制变量	Y	Y	Y
观察值	1935	1935	524

标准误差在括号内
p < 0.10, ^∗∗ p < 0.05, ^∗∗∗ p < 0.01

CECL的采用似乎并没有改变资本分配行为。然而，标准误差足够大，以至于系数需要足够大才能找到有影响的证据。因此，我们对允许对分配产生经济上有意义影响的证据是有限的。

5.4 稳健性测试

总的来说，我们的分析表明，CECL的采用对贷款增长的影响适度降低了允许，这种影响对于资本更加受限的银行来说更强。在本节中，我们测试了这些结论对我们特定方法论方法的稳健性。

首先，我们解决了一个问题，即当处理以交错方式引入且处理效果可能具有异质性时（例如，de Chais´emartin 和 D’Haultfoeuille（2020）以及 Baker, Larcker 和 Wang（2022）），我们这样的双向固定效应估计器可能会产生有偏或反直觉的处理效果估计。作为潜在问题大小的诊断，我们估计了在估计平均处理效果中早期和晚期采纳者随时间的隐含权重。我们发现，尽管我们的平均处理效果估计确实会在样本后期对一些银行进行负向加权，但这些权重的幅度很小。因此，处理效果的异质性必须相当极端，才能显著地偏误我们的估计。

为了进一步解决上述双向固定效应回归的担忧，在表7的第（2）列中，我们仅使用到2022年的观测值来估计我们的基准工具变量（IV）规范，使得晚期CECL采纳者在估计样本中实际上是从未采纳者。与表4中的银行层面IV估计（在第（1）列中）相比，基于仅2020年采纳者群体的贷款增长对准备金变化的反应似乎稍微强烈一些。

表7：IV回归替代方案
此表显示了回归方程2的变体结果，如第（1）列所示。仅报告了贷款增长（β）的允许覆盖系数。第（2）列仅包括到2022年的观测值。第（3）列按美元加权观测值。第（4）列使用CECL采纳效果与早期采纳者虚拟变量以及每个采纳后季度的交互作用作为工具。第（5）列报告了使用合成IV的结果，控制组被构建为最小化季度CECL前贷款增长的差异。

	(1) 来自表4	(2) 截至2022年	(3) 加权	(4) IV × 季度	(5) SIV
允许覆盖	-0.851* (0.443)	-1.349*** (0.306)	-1.347*** (0.359)	-0.880** (0.388)	-0.546 (0.430
贷款份额 × 季度FE	Y	Y	Y	Y
地区暴露 × 季度效应	Y	Y	Y	Y
银行FE和控制变量	Y	Y	Y	Y
合成控制					Y
观测值（处理过的银行）	9771	8132	9771	9771	(96)

标准误差在括号内。
p < 0.10, ^∗∗ p < 0.05, ^∗∗∗ p < 0.01。

第（3）列中的下一个替代回归是为了测试当考虑以美元加权的观测值，或我们样本中银行的总和时，我们的结论是否成立。结果更大，意味着较大的银行在CECL采纳后贷款增长的下降幅度更大。由于早期采纳的银行往往规模较大，因此第（2）列和第（3）列结果的相似性并不意外。

在第（4）列中测试的回归规格重新审视了我们对工具变量的选择。注意到CECL对准备金的影响可能会随时间变化，通常会从采用影响中回归到均值，因为公司的贷款组合和CECL模型进行调整，但也可能因宏观经济状况的变化而变化。我们在第一阶段回归中检查了将CECL的采用效果与每个后采用季度的虚拟变量进行交互的结果，如方程9所示。利用采用影响工具强度的时间变化，总体上得到了更强的工具，从而导致标准误差略有减少，但是对贷款增长的准备金影响的点估计几乎不变。

(9)

最后，我们按照Gulek和Vivesi-Bastida（2025）描述的那样，运行了一个合成工具变量（SIV）回归。SIV方法在回归量既内生又工具可能与未观测趋势相关的情况下产生无偏估计。例如，考虑到我们样本中早期和晚期CECL采用者平均规模的差异，一些经济冲击可能以不同的方式影响这两组银行——即使在CECL采用之前没有关于平均增长趋势差异的好证据。这种额外稳健性的代价通常是统计功效较低。

在我们应用SIV方法时，我们首先为每个银行找到合成控制组。我们采取了建立每个银行的控制组的传统方法，该控制组最小化了季度CECL前贷款增长与银行之间的差异。³³ 然后我们确保合成控制看起来合理且稳健。³⁴ 接下来，我们使用每个银行的合成控制来消除对每个银行的依赖变量、独立变量和工具变量中未观测趋势的影响。最后，使用这种趋势偏差数据运行了一个IV回归，跨度为2020年至2024年第二季度，遵循方程10，其中db表示该变量已经通过与合成控制的差分进行了偏差校正。标准误差是通过银行为单位的自助法构建的。

(10)

我们的合成工具变量估计结果报告在表7的第（5）列。当我们使用SIV时，对准备金变化对贷款增长影响的估计值在数量上更小；可能是经济条件对导致较大CECL影响的商业模型不太有利。然而，标准误差足够大，以至于这种差异在统计上不显著。

6 结论

虽然CECL旨在提高损失识别的及时性，但我们的研究结果表明，其经济效应超出了会计范畴，影响了实际的银行贷款行为。我们发现证据表明，在CECL下贷款准备金普遍增加，这减少了贷款，与关于银行资本要求影响的文献一致。这种贷款效应在经济上是显著的，占我们样本中平均年贷款增长的约12%。即便如此，由于银行在这一时期拥有充足的监管资本缓冲，以及为分散采用效应而制定的过渡规则，CECL对贷款的影响可能有所缓解。

这些过渡规则是为了在几年内分散对监管资本的影响。

CECL方法旨在使贷款损失准备金对宏观经济条件更加敏感。因此，对CECL宏观经济影响的更全面评估将考虑CECL对贷款损失准备金周期性的经济周期影响。特别是，当2020年经济前景突然改变时，CECL的采用者在准备金上有了大幅增加，但我们不会知道在经济经历更标准的信贷周期之前，准备金在CECL下将如何建立以抵消银行业信贷风险的增加。未来的研究可以探讨CECL对经济增长波动性的长期影响，以及潜在的政策调整以减轻对信贷可获得性的负面影响。

参考文献

Abad, Jorge和Javier Suarez。2018。“预期信贷损失准备金的顺周期性。”CEPR讨论论文第13135号。

网址：https://ssrn.com/abstract=3244507

Admati, Anat R., Peter M. DeMarzo, Martin F. Hellwig和Paul Pfleiderer。2013。“资本监管讨论中的谬误、无关事实和神话：为什么银行股本不是社会昂贵的。”Rock Center for Corporate Governance工作论文系列第161号。网址：https://www.econstor.eu/bitstream/10419/57505/1/636811883.pdf

Aiyar, Shekhar, Charles W. Calomiris, John Hooley, Yevgeniya Korniyenko和Tomasz Wieladek。2014。“银行资本要求的国际传导：来自英国的证据。”《金融经济学杂志》113(3):368–382。

Aiyar, Shekhar, Charles W. Calomiris和Tomasz Wieladek。2014。“宏观审慎监管是否泄露？来自英国政策实验的证据。”《货币、信贷与银行杂志》46(1):181–214。

Baker, Andrew C., David F. Larcker和Charles C.Y. Wang。2022。“我们应该在多大程度上信任交错差异中的差异估计？”《金融经济学杂志》144(2):370–395。

Baker, Malcolm和Jefrey Wurgler。2015。“顺周期资本监管与贷款。”《美国经济评论：论文与会议记录》105(5):315–320。

巴塞尔银行监管委员会。2010年。“对更强资本和流动性要求的长期经济影响的评估。”工作论文，12月。

Markus Behn, Rainer Haselmann 和 Paul Wachtel。2016年。“顺周期资本监管与贷款。”《金融杂志》第71卷第2期：919-956。

Ben S. Bernanke, Cara S. Lown 和 Benjamin M. Friedman。1991年。“信贷紧缩。”《布鲁金斯经济活动论文集》1991年第2期：205-247。

Jose Berrospide 和 Rochelle Edge。2010年。“银行资本对贷款的影响：我们知道什么？这又意味着什么？”《国际中央银行杂志》第6卷第2期：5-54。

Paweł Bojar 和 Małgorzata Anna Olszak。2022年。“IFRS 9对波兰上市银行贷款与资本比率之间联系的影响。”《银行与金融经济学杂志》第17卷第1期：60-73。

Pietro Bonaldi, Pierre Liang 和 Lavender Yang。2023年。“在COVID-19疫情期间，CECL是否改善了银行的贷款损失准备和收益质量？”工作论文。网址：https://ssrn.com/abstract=4360356

Jonathan Bridges, David Gregory, Mette Nielsen, Silvia Pezzini, Amar Radia 和 Marco Spaltro。2014年。“资本要求对银行贷款的影响。”工作论文第486号，英格兰银行。

网址：https://www.bankofengland.co.uk/-/media/boe/files/working-paper/2014/the-impact-of-capital-requirements-on-bank-lending.pdf

Mark Carlson, Hui Shan 和 Missaka Warusawitharana。2013年。“资本比率与银行贷款：匹配银行方法。”《金融中介杂志》第22期：663-687。

Sarah Chae, Robert F. Sarama, Cindy M. Vojtech 和 James Wang。2021年。“当前预期信用损失标准（CECL）对准备金的时机和可比性的影响。”

美国联邦储备系统委员会，2018-020号财政与经济讨论系列。

网址：https://doi.org/10.17016/FEDS.2018.020r1

Jing Chen, Yiwei Dou, Stephen G. Ryan 和 Youli Zou。2025年。“当前预期信用损失方法对银行在压力期间贷款的影响：来自COVID-19衰退的证据。”《会计评论》第100卷第1期：113-138。

Benjamin H. Cohen 和 Gerald A. Edwards, Jr.。2017年。“预期信用损失准备的新时代。”BIS季评，2017年3月。

网址：https://ssrn.com/abstract=2931474

Francisco Covas 和 Gonzalo Fernandez Dionis。2021年。“当前预期信用损失方法与贷款增长：来自COVID-19事件的证据。”银行政策研究所笔记，2021年5月。

网址：https://bpi.com/wp-content/uploads/2021/05/Current-Expected-Credit-Loss-Methodology-and-Loan-Growth-Evidence-from-the-COVID-19-Event.pdf

Francisco Covas 和 William Nelson。2018年。“当前预期信用损失：2007-2009年的教训。”BPI Staf工作论文2018-1，2018年7月。

URL: https://bpi.com/wp-content/uploads/2018/07/CECL-Lessons-2007-2009-WP-July-12- 2018.pdf

de Chais´emartin, Clement 和 Xavier D’Haultfoeuille。2020。“具有异质性处理效应的双向固定效应估计量。”《美国经济评论》110(9):2964–2996。

De Jonghe, Olivier, Hans Dewachter 和 Steven Ongena。2020。“银行资本（要求）与信贷供应：来自第二支柱决策的证据。”《公司金融杂志》60:101518。

Ertan, Aytekin。2025。“预期损失，意外成本？来自IFRS 9下的中小企业信贷获取的证据。”《会计评论》100(4):443–473。

Fahlenbrach, R¨udiger, Minsu Ko 和 Ren´e M Stulz。2024。“银行派息政策，监管和政治。”工作论文系列，2024年8月。

URL: http://www.nber.org/papers/w32770

Floyd, Eric, Nan Li 和 Douglas J. Skinner。2015。“金融危機中的派息政策：回购的增长和股息的韌性。”《金融經濟學雜誌》118(2):299–316。

Fraisse, Henri, Mathias L´e 和 David Thesmar。2020。“銀行資本要求的實際效果。”《管理科學》66(1):5–23。

Gambacorta, Leonardo 和 Paolo Emilio Mistrulli。2004。“銀行資本是否影響貸款行為？”《金融中介雜誌》13(4):436–457。

Granja, Jo˜ao 和 Fabian Nagel。2025。“當前預期信貸損失和消費者貸款。”《會計與經濟雜誌》80(1):101781。

Gropp, Reint, Thomas Mosk, Steven Ongena 和 Carlo Wix。2018。“銀行對更高資本要求的反應：來自準自然實驗的證據。”《金融研究評論》32(1):266–299。

Gulek, Ahmet 和 Jaume Vives-i-Bastida。2025。“面板中的合成IV估計。”工作論文。

URL: https://ssrn.com/abstract=4716511

Hancock, Diana 和 James A. Wilcox。1993。“銀行業是否出現了‘資本緊縮’？房地產市場條件和銀行資本短缺對銀行貸款的影響。”《住房經濟學雜誌》3(1):31–50。

Harris, Trevor S., Urooj Khan 和 Doron Nissim。2018。“銀行貸款組合的預期信貸損失率。”《會計評論》93(5):245–271。

Hu, Xiaoyu。2024。“當前預期信貸損失準備（CECL）對銀行小企業貸款的實際影響。”工作論文，2024年8月22日。

URL: https://ssrn.com/abstract=4934238

Jia, Xiaoran, Kiridaran Kanagaretnam 和 Haoyu Zhang。2025。“COVID-19期間CECL採用的利弊。”《會計、審計與財務雜誌》。

Kim, Sehwa, Seil Kim, Anya Kleymenova 和 Rongchen Li。2026。“當前預期信貸損失（CECL）標準與銀行的信息生產。”《會計評論》101(3):493–526。

Loudis, Bert 和 Ben Ranish。2019。“CECL和信貸周期。”美國聯邦儲備系統董事會，財政與經濟討論系列2019-061。

URL: https://doi.org/10.17016/FEDS.2019.061

Loudis, Bert, Sasha Pechenik, Ben Ranish, Cindy M. Vojtech 和 Helen Xu。2021。“新会计框架面临首次考验：疫情期间的CECL。” FEDS Notes, 联邦储备委员会, 2021年12月3日。

URL: https://www.federalreserve.gov/econres/notes/feds-notes/new-accounting-framework-faces-its-first-test-cecl-during-the-pandemic-20211203.html

M´esonnier, Jean-St´ephane 和 Allen Monks。2015。“EBA资本练习是否在欧元区引发了信贷紧缩？” 国际中央银行杂志 11:75–117。

Yang, Hsiang-Chieh (Alex)。2025。“贷款损失会计如何影响银行贷款？来自当前预期信用损失（CECL）模型的证据。” 会计评论 100(1):465–490。

A 附录

A.1 变量定义

表 A1：变量定义

变量	FR Y-9C/Call报告项目	定义
按类型划分的贷款余额	HI/RI-C 第一部分列A + C + E列A的HI/RI-C	在ILM下在CECL下
按贷款类型划分的准备金	HI/RI-C 第一部分列B + D + F列B的HI/RI-C	在ILM下在CECL自然下
资产对数	HC/RC, 项目12	以对数测量
一级杠杆	HC/RC-R 第一部分，项目31
构造变量
贷款增长	按季度计算，以百分点表示，即100 * (贷款t/贷款t-1)-1 贷款损失准备金相对于贷款的比例，作为
准备金覆盖率	(准备金t/贷款t)
采用效应	收入报表附注（其他），项目3 (JJ28)，按采用前的总贷款余额进行缩放
贷款份额	按类型划分的贷款余额与所有类型贷款余额的比例最小比率在任何季度2016-2019：i) CET1
超额资本	资本对4.5%基于风险的要求，ii) 一级资本对6.0%基于风险和4.0%杠杆要求，iii) 总资本对8.0%基于风险的要求
30天逾期。90天逾期。非应计	调度HC/RC-N的列A除以总贷款余额调度HC/RC-N的列B除以总贷款余额
资产回报率普通股息/-	调度HC/RC-N的列C除以总贷款余额 HI/RI，项目14的四季度平均值
分配/-	第四季度年度至今金额HI-A，项目11 (RI-A，项目9)，除以前一年末总资产第四季度年度至今金额HI-A项目8 (购买
国库股/-	股票) 加上任何对HI-A项目6.b (普通股退休) 报告的负金额，除以前一年末总资产。由于仅在Call报告中报告了银行净购买国库股的净变化，因此对于所有银行，如果
	银行在不合并于控股公司的银行中净购买国库股的规模在某个时点至少占合并实体级别净购买国库股的10%，则该变量被设置为缺失。

图A1：分支机构的地理分布

这些数据图展示了截至2019年底各州银行网点份额的差异。上图提供了我们样本中银行总和与所有银行总和的份额差异，而下图提供了我们样本中早期和晚期采用CECL（当前预期信用损失）的银行之间的平均差异。网点仅包括主要办公室和全服务网点；没有网点的银行被排除在外。来源：FFIEC网点数据和作者计算。

4BNQMFNJOVTBMMCBOLT

&BSMZNJOVTMBUF\$&\$-BEPQUFST

A.2 平行趋势检验

图A2：早期采用者的贷款增长效应

此图表显示了下面回归方程中的系数β_p,t 其中每个面板代表了不同贷款组合p（cards = 信用卡贷款，com = 商业和工业贷款，cre = 商业房地产贷款，cnstr = 建筑贷款，以及othcons = 其他消费者贷款）的时间序列，而因变量Y是贷款增长（本图）或准备金覆盖率（下图A3）。通过检查在2020年早期CECL采用之前的那些季度t中，β_p,t 是否对彼此具有联合统计显著性来测试平行趋势假设。沃尔德检验的p值在图表上标出。来源：Call Report, FR Y-9C, 和作者计算。

图A3：早期采用者的准备金效应

见图A2的描述。

A.3 差异-差异检验结果

表A2：准备金覆盖率回归结果

此表报告了图3总结的准备金覆盖率回归结果。回归规格是：

其中Y是准备金覆盖率。cards = 信用卡贷款，com = 商业和工业贷款，cre = 商业房地产贷款，cnstr = 建筑贷款，othcons = 其他消费者贷款。来源：Call Report, FR Y-9C, 和作者计算。

	(1) ∆CNSTR	(2) ∆CRE	(3) ∆RRE	(4) ∆COM	(5) ΔOTHCON	(6) ∆CARDS
	0.331**	0.263***	0.197***	0.033	0.314*	1.081*
OnCECLearly OnCECLlate	(0.133) 0.274**	(0.058) -0.059	(0.051) 0.058	(0.072) -0.176**	(0.187) 0.008	(0.598) 1.111
30天逾期率（百分点）	(0.137) 0.006	(0.055) 0.052**	(0.046) -0.011	(0.078) 0.010	(0.233) 0.221***	(0.712) -0.016
90天逾期率（百分点）	(0.018) 0.242	(0.022) 0.055	(0.014) 0.018	(0.029) 0.238**	(0.072) -0.333	(0.141) 0.404
非应计率（百分点）	(0.238) 0.076***	(0.060) 0.077***	(0.028) 0.081***	(0.100) 0.248***	(0.225) 0.173	(0.259) 0.627
总资产对数	(0.025) 0.082	(0.013) -0.037	(0.019) -0.262**	(0.027) -0.031	(0.158) -0.134	(0.378) 1.822
滞后T1杠杆率（百分点）	(0.310) 0.073**	(0.118) 0.037***	(0.108) 0.013	(0.141) 0.017	(0.386) 0.046*	(1.604) 0.684***
资产回报率（百分点）	(0.036) -0.252***	(0.013) -0.069**	(0.009) -0.025	(0.012) -0.049*	(0.027) -0.195**	(0.211)
分行附近的失业率（百分点）	(0.088) -0.026	(0.031) -0.013	(0.019) -0.014	(0.028) 0.024	(0.086)	-1.170*** (0.246)
分行附近的就业增长（pp）	(0.028) 0.005	(0.014) -0.004	(0.010)	(0.022)	0.001 (0.047)	0.201 (0.140)
	(0.010)	(0.004)	-0.002 (0.003)	0.006 (0.006)	0.018 (0.015)	0.030 (0.035)
银行FE区域风险X季度	是是	是是	是是	是是	是是	是是
观察值 R2	8713 0.124	9374 0.317	9462 0.210	9372 0.275	7174 0.125	1479 0.498

标准误差在括号内。
^∗ p < 0.10, ^∗∗ p < 0.05, ^∗∗∗ p < 0.01.

表A3：贷款增长回归估计

本表报告了图3总结的贷款增长回归结果。回归规格如下：

其中Y是贷款增长。cards = 信用卡贷款，com = 商业和工业贷款，cre = 商业房地产贷款，cnstr = 建筑贷款，othcons = 其他消费贷款。
资料来源：Call报告，FR Y-9C，以及作者计算。

	(1) ∆CNSTR	(2) ∆CRE	(3) ∆RRE	(4) ∆CÓM	(5) ΔOTHCON	(6) ∆CARDS
OnCECL早期	-0.144 (0.730)	-0.457 (0.303)	0.387 (0.410)	-0.532 (0.445)	-0.838 (1.009)	-0.784 (1.376)
OnCECL晚期	-1.079 (0.913)	-0.229 (0.359)	0.947* (0.492)	0.575 (0.464)	0.617 (0.931)	-0.260 (1.111)
30天逾期率（pp）	-0.257 (0.211)	-0.609*** (0.189)	-0.596*** (0.194)	-0.797*** (0.188)	-2.147*** (0.522)	-0.877* (0.470)
90天逾期率（pp）	0.276 (0.975)	0.035 (0.552)	0.212 (0.234)	-1.598*** (0.526)	-3.215* (1.870)	0.451 (0.590)
非应计率（pp）	-0.196** (0.088)	-0.749*** (0.119)	-0.555*** (0.159)	-0.769*** (0.142)	-3.937*** (0.869)	-0.190 (0.788)
对数总资产	-2.159 (1.511)	-2.863*** (0.746)	-1.237 (0.926)	-3.888*** (0.896)	-1.956 (2.600)	-5.430** (2.696)
滞后T1杠杆率（pp）	0.217 (0.177)	0.175*** (0.060)	0.133 (0.098)	0.076 (0.108)	-0.045 (0.249)	-0.387* (0.214)
资产回报率（pp）	0.396 (0.526)	0.199 (0.174)	0.456* (0.252)	-0.331 (0.232)	-0.351 (0.627)	0.372 (0.438)
分行附近的失业率（pp）	-0.713*** (0.275)	-0.249*** (0.091)	-0.164 (0.125)	-0.260 (0.163)	0.603* (0.327)	-0.998*** (0.370)
分行附近的就业增长（pp）	-0.222** (0.098)	-0.004 (0.031)	-0.013 (0.046)	-0.030 (0.056)	-0.021 (0.083)	-0.076 (0.087)
银行FE区域风险X季度	是是	是是	是是	是是	是	是
观察值 R2	8713 0.058	9374 0.076	9462	9372 0.125	是 7174	是 1479

标准误差在括号内。
^∗ p < 0.10, ^∗∗ p < 0.05, ^∗∗∗ p < 0.01.

表A4：第一阶段系数
本表显示了第一阶段回归方程3（第一列）和5（第二列）的系数α，如下所示复制。资料来源：Call报告，FR Y-9C，以及作者计算。
AllowanceCov_i,t = αAdoptionEfect_i × OnCECL_i,t + Γ_p BankControls_i,t−1 + Λ_p,t Region_i,t−1 + Φ^∗_t LoanShare_i,t + θ^∗_i + ε^∗_i,t AllowanceCov_p,i,t = α_p OnCECL_i,t + Γ_p BankControls_i,t−1 + Λ_p,t Region_i,t−1 + δ^∗_p,t + θ^∗_i + ε^∗_p,i,t

	公司层面工具	贷款类型层面工具
OnCECL×
AdoptionEffect	0.839*** (0.094)
建筑			0.238** (0.118)
商业房地产			0.074 (0.075)
住宅房地产			0.170** (0.068)
商业			-0.117 (0.093)
其他消费者			0.246 (0.192)
信用卡			2.198*** (0.719)
观察	9771		45574
F 统计量	78.812	5.309

标准误差在括号内。
∗ p < 0.10, ^∗∗ p < 0.05, ^∗∗∗ p < 0.01.

CECL如何影响银行贷款？

CECL如何影响银行贷款？∗

摘要

1 引言

2 CECL背景

3 相关文献

4 数据

5 实证分析

5.1 CECL影响，按贷款类型

5.2 允许驱动的贷款效应

IV策略1：CECL的银行特定采纳效应

IV策略2：按贷款类型划分的CECL对准备金的影响

表4：OLS和IV回归结果

5.3 扩展

5.3.1 时间

5.3.2 与资本限制的相互作用

表5：资本约束更多和更少的银行的IV回归结果

5.3.3 资本分配

表6：资本分配回归结果

5.4 稳健性测试

6 结论

参考文献

A 附录

A.1 变量定义

A.2 平行趋势检验

图A2：早期采用者的贷款增长效应

A.3 差异-差异检验结果

表A2：准备金覆盖率回归结果

表A3：贷款增长回归估计

CECL如何影响银行贷款？^∗

联邦储备系统论文：CECL如何影响银行贷款？

常见问题