气候变化下高碳企业转型对金融风险的影响研究

刘文欢 赵衍馨 李斌

摘   要：气候变化带来的物理风险和转型风险不仅对实体经济发展造成威胁，而且会对金融系统稳定造成重要影响。本文采用分位数、时域和频域连通性方法，评估气候变化对中国高碳行业的影响，进而分析对以商业银行不良贷款率为代表的金融风险产生的影响。实证结果表明：首先，在极端经济状态下，气候变化对高碳企业的影响，以及高碳企业对商业银行不良贷款率的影响均远高于正常经济状态下气候变化对上述变量的影响。其次，气候变化对城市商业银行、农村商业银行和股份制商业银行不良贷款率的影响，远大于气候变化对国有商业银行不良贷款率的影响。最后，变量之间具有较强的时变特征，且重大事件加剧了变量的溢出效应。因而，相较于长期风险，应当重点关注气候突发事件在短期内对金融机构造成的风险冲击。

关键词：气候变化；高碳企业；商业银行；金融风险；金融稳定

中图分类号：F830  文献标识码：A  文章编号：1674-2265（2023）07-0033-10

DOI：10.19647/j.cnki.37-1462/f.2023.07.004

一、 引言

越来越多的证据表明，气候变化会以各种形式影响人类社会的经济、福利和环境治理。为此，《巴黎协定》将全球升温目标控制在2°C以下，并提出了在未来几十年大幅减少温室气体排放的具体行动计划，由此，降低温室气体尤其是碳排放成为大势所趋。然而，降低温室气体排放的行动必然会对碳排放部门及其供应链和价值链造成冲击，特别是会对化石燃料行业的资产价值和企业估值产生负面影响。如何衡量这种影响及其连锁反应，已经成为当今具有争论性的话题。

《巴黎协定》承诺“使资金流动符合温室气体低排放和气候适应型发展的路径”，即实现气候和可持续发展目标需要将资金与可持续性发展相挂钩，因而需要大规模增加对低碳企业和部门的投资，同时减少对碳密集型企业的投资。然而，目前的投资仍然被大量分配到与气候目标不一致的经济活动上。比如，投资基金约有40%的股票投资组合暴露于搁浅资产上①。Hansen（2022）[1]的研究结果显示，全球化石燃料储量将贬值37%～50%，达到13万亿～17万亿美元。因化石燃料行业转型风险敞口巨大，部分金融机构已经开始从化石燃料领域撤资，这会导致相关行业借贷成本上升，进一步增加化石燃料行业风险，形成恶性循环。气候变化迫使能源、工业和建筑等方面实施快速而深远的转型。转型过程中一定会涉及高碳资产的重新定价和企业财产受损，进而导致金融机构资产负债表受损，对金融体系的稳定性造成威胁。因此，转型金融逐渐进入研究者的视野，具体指通过金融政策（货币政策和金融监管政策等）来防范和化解气候风险对经济和金融稳定性冲击的研究。

对中国来说，《巴黎协定》具有潜在的挑战性。2021年10月，中共中央和国务院发布《关于完整准确全面贯彻新发展理念做好碳达峰碳中和工作的意见》，随着碳达峰、碳中和工作的推进，资产搁浅风险逐步显现。对风险的识别、对风险传导机制的研判以及对风险量级的评估，不仅可以有效防范金融风险的传递，还有利于减少对企业的冲击并促进各行业的低碳转型。在此背景下，本文研究了气候变化对实体经济和金融体系的溢出效应，并提出了化解资产搁浅风险的措施。

本文的主要贡献体现在以下几个方面：第一，本文利用静态分析和时变分析方法评估了气候变化、高碳企业转型和商业银行风险三者之间的内在联系，讨论极端环境和正常经济状态下的不同影响，发现了不同经济状态下的溢出行为之间存在不对称性的证据。第二，從气候风险出发，对气候风险的规模进行了量化，并就气候变化对实体经济和金融稳定的影响进行了相关研究。第三，基于Diebold和Y?lmaz（2014）[2]的均值VAR估计的连通性方法，本文创新性地采用了最近发展起来的分位数VAR方法分析变量之间的溢出效应，进而研究在正常、极端积极和动荡时期的不同传染效应。

二、 文献综述

（一）气候风险的传导

Johnson 等（2015）[3]发现加强近期气候政策（即在2030年降低全球温室气体排放目标）通常会降低搁浅的煤炭产能及其成本。Pfeiffer 等（2018）[4]调查显示，如果世界要实现其气候目标，全球大部分发电资本存量将陷入困境。这种搁浅可能会对亚洲的煤炭行业产生最大的影响，目前64%的发电资本位于亚洲，其中大部分是燃煤发电机。Caldecott 等（2021）[5]发现环境因素特别是与气候危机相关的因素使搁浅资产对经济、公司、金融机构、社区和工人产生影响。

Zhang 等（2018）[6]认为，对中国而言，到21世纪中叶气候变化将导致制造业产出降低12％，并对全球供应链产生重大冲击。Sun等（2020）[7]表示气候变化对矿业公司的财务业绩既有正向影响也有负面影响，且拥有不同类型资源的矿业公司对气候变化风险的敏感性不同。刘文欢（2023）[8]、Li和 Zhang（2023）[9]发现企业气候风险敞口显著降低了企业的财务杠杆，其负面影响对转型风险较高的公司而言更为突出。

一些研究表明，气候变化产生的潜在影响（造成资产搁浅）可能会蔓延影响到金融体系的稳定性。Authority（2015）[10]发现与气候相关的物理风险可能会增大承保易受物理风险影响的资产的保险公司的风险敞口。Batten等（2016）[11]讨论了气候变化及其缓解政策的作用渠道，认为这会影响中央银行实现其货币和金融稳定目标的能力，从而引发金融和宏观经济不稳定。Harnett（2018）[12]讨论了资产搁浅对投资决策的影响，认为搁浅资产应被视为投资成本不可逆转的增加。

（二）气候风险的规模和量化

许多研究集中在搁浅资产的规模计算方面。Johnson 等（2015）[3]从化石燃料公司下游资产的角度计算，认为全球会有165亿～5500亿美元的电力资产搁浅。Mercure等（2018）[13]统计发现搁浅的化石能源资产可能会造成全球财富损失1万亿～4万亿美元，这相当于2008年金融危机造成的损失。Hansen（2022）[1]的结果显示，储量化石燃料将贬值37%～50%，贬值金额达到13万亿～17万亿美元。

综上所述，由气候变化引起的资产搁浅风险相关研究逐渐增多，研究领域逐渐扩展至搁浅资产的测度与量化方面。本文将深化这方面的研究，并重点研究资产搁浅对金融领域的异质性影响和时变特征。

三、 理论分析与假设和方法

（一）理论分析与假设

1. 气候变化与高碳企业。温室气体（主要指二氧化碳）排放带来的气候风险，推动政府实施更严格的气候政策，碳税、提高碳交易价格、“双碳”政策等措施会增加高碳企业的成本（中国人民银行西安分行课题组，2023）[14]。一方面，传统高碳企业的产品因陷入转型压力而导致市场供求不平衡，短期内引发价格的波动。另一方面，相关基础设施等大量高碳资产被人为加快折旧速度，或在使用周期中提前冲销。这些影响使高碳企业的资产负债表严重受损（中国人民银行天津分行课题组，2022：Sun等，2023）[15，16]。据此，提出以下假设：

假设一：气候变化对高碳企业资产负债率有溢出效应。

2. 气候变化与金融体系。气候变化的宏观金融风险主要包括物理风险和转型风险等（王博和宋玉峰，2020：马正宇和秦放鸣，2022）[17，18]，可能对生产率、经济增长、通胀及其预期等经济和金融变量产生持久影响。物理風险指自然灾害的频率和规模增加带来的经济影响（Dietz等，2016）[19]；转型风险指实现低碳经济需要在政策和技术上进行调整，这些变化导致大量的资产搁浅，进而对金融资产进行重估定价，可能引发高碳企业及其相关企业的财务损失风险，从而对商业银行等金融机构带来信用风险（中国人民银行研究局课题组，2020）[20]。据此，提出以下假设：

假设二：气候变化造成高碳企业财务风险，进而对商业银行不良贷款率有溢出效应。

（二）方法

1. 分位数VAR模型。根据Koenker和Bassett（1978）[21]，通过分位数回归，可以在[yt/xt]条件分布的任何分位数[τ]上得到[yt]对解释变量[xt]的估计相关性。考虑到这一点，n维QVAR（P）过程为：

[yt=cτ+i=1pBiτyt-i+etτ，τ∈0，1]         （1）

其中，[yt]是因变量的n维向量：[cτ]和[etτ]表示分位数[τ]处n维截距向量和残差向量：[Biτ]表示分位数[τ]上的滞后系数矩阵，其中[i]=1，…p。在估计[Biτ]和[cτ]时，我们假设余数超过了总体分位数限制，[Qtetτ|Ft-1=0]，其中[Ft-1]表示[t-1]时的信息集。因变量[y]的总体第[τ]个条件分位数可以表示如下：

[Qτyt|Ft-1=cτ+i=1pBiτyt-i]                    （2）

因此，可通过分位数回归方法来估计方程（2）。

2. 分位数连通性度量。当满足协方差平稳性条件时，我们将方程（1）重写为无限阶向量的移动平均过程：

[yt=μτ+s=0∞Asτet-sτ，t=1，…T]  （3）

其中，[μτ=In-B1τ-…-Bpτ-1cτ，Asτ=                 0，s<0                 In，s=0 B1τAs-1τ+…+Bpτ，s>0]

其中，[yt]由每个分位数[τ]中残差[etτ]的剩余和给出。

我们采用了Koop等（1996）[22]、Pesaran和Shin（1998）[23]的方法，该方法的变量排序是不变的。这表明，每个变量的影响不是正交的，预测误差方差的贡献之和也可能不等于1。由于预测水平H的不同变量的冲击，广义预测误差方差分解（GFEVD）如下：

[θgijH=σ-1jjh=0H-1e′ihhej2h=0H-1e′ihhej]                      （4）

[θgijH]表示水平H处第[j]个变量对第[i]个变量的预测误差方差的贡献，∑表示误差向量的方差矩阵，[σjj]是∑矩阵的第[j]个对角元素，量[ei]为选择向量，第[i]个元素的值为1，其余元素为0。我们规范化方差分解矩阵如下：

[θgijH=θgijHj=1NθgijH]                            （5）

根据Diebold和Y?lmaz（2014）[2]提出的框架，我们确定了条件分位数[τ]下的连通性的各种度量。其中包括总连通性指数、所有指数到指数[i]的总方向连通性指数、从指数[i]到所有指数的总方向关联性指数、净总连通性指标和成对连通性指数，分别如式（6）—（10）所示：

[TCIτ=i=1Nj=1，i≠jNθgijτi=1Nj=1Nθgijτ×100]                     （6）

[CIi→τ=j=1，i≠jNθgijτj=1Nθgijτ×100=TO]                   （7）

[CIi←τ=j=1，i≠jNθgijτj=1Nθgijτ×100=FROM]    （8）

[NCIiτ=CIi→τ-CIi←τ]                     （9）

[CIijτ=θgjiτ-θgijτ]                     （10）

3. 频域下的连通性度量——BK溢出指数。在DY方法的基础上，Baruník和káehlík（2018）[24]提出了以下方法来测量特定频率范围内的连通性。频率[ω]下的广义因果谱定义如下：

[（f（ω））k，j=-1j，j（ψ（e-iω）Σ）k，j2（ψ（e-iω）Σψ'（e+iω））k，k]                   （11）

其中，[ψ]是傅里叶变换，因此 ，[ψ（e-iω）=he-iωhψh，h=1，…，H]，[i=-1]。频带[d]上的方差分解由Baruník和k?ehlík（2018）[24]定义，其中，[d=a，b，a，b∈-π，π]。[（f（ω））k，j] 由[j-th]个波动率的方差的频率份额加权。以下是频带[d]的方差分解：

[（θd）k，j=12d∞Γkω（f（ω））k，jdω]                        （12）

其中，[Γkω]是加权函数。以下是进一步标准化的广义方差分解：

[（θ～d）k，j=（θd）k，jj=1（θ∞）k，j]                            （13）

其中，[（θ∞）k，j=12-ππΓkω（f（ω））k，jdω]  。在频带[d]下，总溢出效应可以估计为：

[Cwd=100×1-Trθ～dθ～d]                             （14）

在频带[d]下，频率连通性为：

[CFd=100×θ～dθ～∞-Trθ～dθ～d]                         （15）

溢出效应广泛用于描述金融市场之间的信息传递。一个市场出现的波动或冲击不仅会影响本身市场的发展，而且很容易传导至另一个市场。因此，采用实证分析气候变化的溢出效应，即其对实体经济乃至金融部门产生的影响。实证分析包括静态分析和动态分析。静态分析运用分位数连通性方法。与基于均值连通性的方法不同，基于分位数的方法允许在极端积极、正常和极端消极的市场条件（例如新冠肺炎疫情）下捕捉气候变化、实体经济与金融部门之间的溢出动态。此方法的三个分位数，包括上分位数（τ＝0.9）、中分位数（τ＝0.5）和下分位数（τ＝0.1），分别代表极端积极、正常和极端消极的市场环境。溢出指数（值）、连通性测度指一个变量对另一个变量传递的信息量、风险冲击或变量之间的关联程度。数值越大，代表变量之间传递的信息和风险越大，关联程度越强，在本文中即指气候变化对高碳企业资产负债率和商业银行不良贷款率的影响程度。动态分析运用时频连通性方法，与静态分析的区别在于，可以观察到整个样本期变量之间随时间变化的溢出效应。此外，为了分别研究气候变化、高碳企业和金融部门在短周期和长周期中的溢出效应，频域空间分为高频段d1=（ p /6， p）和低频段d2=（0， p /6 ）。其中，前者的周期长度为1～6个月，后者的周期长度在6个月以上。

四、实证检验

（一）变量选取和数据来源

本文样本范围为2000年1月—2021年12月，选择了四类变量的月度数据，包括碳排放量（CO2）、技术创新（TI）、高碳企业资产负债率（HC）和商业银行不良贷款率。

1. 衡量气候变化风险。气候风险包括物理风险与转型风险，物理风险主要通过极端温度和气候灾难影响企业经营状况，而转型风险主要通过气候相关金融政策（包括货币政策和监管政策等）或技术升级影响企业经营状况（陈国进等，2021）[25]。

（1）碳排放（CO2）。气候变化吸引了全世界科学家和公众越来越多的关注，与气候变化相关的风险是当前研究的重点（Gasbarro等，2017）[26]。根据政府间气候变化专门委员会（IPCC）的报告，燃烧化石燃料产生的温室气体排放是全球变暖的主要原因之一。经济活动是二氧化碳排放量增加的主要驱动力，能源消费带动的经济增长將带来过多的碳排放，增加未来气候变化的风险（Yang等，2020）[27]。参考Yang等（2020）[27]和Ding等（2023）[28]的研究，我们用二氧化碳排放量作为气候风险的代理指标之一。

（2）技术创新（TI）。由于缺乏气候相关金融政策的月度数据，对转型风险的衡量具有一定局限性。政策对技术创新存在直接和间接的影响（Zhu和Lee，2022：Jiang和Xu，2023）[29，30]。因此，本文将技术创新视为一种政策效果，包含了政策驱动的信息。在创新的衡量中，专利数据在以往的研究中被广泛用作衡量指标（Omri，2020：Cao等，2022）[31，32]。专利指标在衡量创新产出方面较为可靠，随着创新要素的变化，专利和创新产出的变化是一致的（Acs等，1992）[33]。因此，我们用专利数量反映技术创新水平，并以此作为气候变化带来的转型风险的代理指标。

2. 衡量高碳企业的财务风险。气候变化带来的物理风险和转型风险将使企业生产能力下降甚至中断，运营成本和资本成本增加，加重企业的财务负担，影响企业的还款能力。企业资产负债率过高已成为经济转型期内面临的重大挑战。本文选用石化（PET）、化工（CHE）、钢铁（STE）、有色（NONF）、造纸（PAP）和电力（POW）行业的资产负债率作为实体经济部门财务信息的度量指标。此外，高碳行业整体的资产负债率（HC）运用熵权法对以上主要高碳行业的资产负债率合成得到。

3. 衡量金融部门风险。气候变化加重企业的财务负担，影响企业的还款能力，从而增加银行的不良贷款。因此，本文选用国有商业银行（sb）、股份制商业银行（eb）、城市商业银行（ucb）和农村商业银行（rcb）的不良贷款率作为银行业经营风险的度量指标。该变量在于孝建和詹爱娟（2021）[34]、魏雷等（2022）[35]研究中使用过。

（二）实证结果

1.  静态分析。（1）气候变化与高碳企业。本节分别采用基于条件中位数（τ＝0.5）、极端条件分位数（τ ＝0.1，τ＝0.9）的溢出指数进行全样本估计。表1—表3分别显示了不同分位数下变量之间的静态溢出水平。FROM代表各行所对应变量受到其他变量的总溢出。TO和NET分别代表各列所对应变量对其他变量的总溢出和净溢出。TCI值是整个系统的总溢出强度。以表1为例，总溢出TCI值为23.4，反映整个系统的关联度。根据表1第一列数据，碳排放对技术创新以及石化、钢铁、化工、有色、造纸和电力行业的影响分别是0、0.3、0.2、0.4、0.1、0.1、1，TO值为2.1，是碳排放对其他变量影响的总指数。根据表1第一行数据，碳排放接收来自技术创新以及石化、钢铁、化工、有色、造纸和电力行业的影响分别是0、0.4、0.1、1.5、0.1、0.1、4.7，FROM值为7，是碳排放接受来自其他变量影响的总溢出指数。表格对角线是每一行和列的最大值，是指每个变量内部的影响，例如碳排放变化有93是自身造成的。NET是净溢出指数，也就是TO与FROM之差。正值代表该变量是信息和风险的净传递者，负值代表该变量是信息和风险的净接收者。碳排放对应的NET值是-4.9，代表碳排放是整个系统中信息和风险的净接收者。碳排放对应的NPDC值是2，代表碳排放可以主导系统中两个变量的波动。该值越大，代表该变量对整个系统的影响力越大。

本节考察相较于气候风险与高碳行业财务信息关联性微弱的中间状态，他们在极端冲击下溢出指数的变化，见表2和表3。左右尾部的总溢出TCI值明显大于中值，在较低分位数处为67.7（τ=0.10），上分位数处为66.4（τ=0.90），而中间分位数处为23.4（τ=0.50）。这表明在极端冲击下，特别是在消极冲击中，气候风险与高碳企业整体的关联将更加紧密。在极端条件下，气候变化对电力行业的风险溢出最大，其次是钢铁行业、造纸行业、石化行业和有色行业。

此外，当不同分位数切换时，某些变量的净溢出符号发生了变化。例如，在极端情况下（τ= 0.1和τ= 0.9），电力行业是明显的信息接收者，而在中分位数上，它传递信息。钢铁行业在下分位数是信息发射者，在中分位数和上分位数是接收者。这些发现证明了气候变化风险和高碳企业之间连通性的不对称性，还表明二者具有相互影响的特征。代表气候风险的两个变量（CO2和TI）、石化、化工、有色、造纸行业的净波动溢出在考虑的所有条件分位数上表现出一致的行为。碳排放、技术创新和石化产业在所有分位数上是信息净溢出的接收者。可以解释的是在国家政策淘汰落后产能和供给侧改革的背景下，这些高耗能行业不断开发新的技术，提高能效，降低碳强度，减少碳排放。

图1分别绘制了所有变量之间的成对网络方向连通性。低分位数和高分位数下代表关联的直线比中分位数下代表关联的直线要粗，表明低分位数和高分位数下的关联度明显高于中位数关联度。例如，气候变化风险和高碳企业的连通性在低分位数和高分位数下对应的网络线路更粗，这表明三个市场的溢出联系在极端环境下更紧密。因此，从网络连通性的角度来看，三个分位数下变量之间的关系存在显著不同。可以观察到碳排放在中间分位数下与其他变量的联系甚微，然而在上下分位数时，关联的变量明显增多，且关联强度更大。这表明，在极端环境下，尤其是面对极端消极的经济环境时，气候风险传递信息和风险的作用更强。作为世界上最大的碳排放国，高碳企业无疑是中国实现减排目标的重点对象。因此，面对极端环境时，例如全球经济的巨大不确定性和经济衰退风险，气候风险与高碳企业财务风险的关联性增强。

（2）高碳企业与金融部门。根据表4—表6，左右尾部的总溢出TCI值明显大于中值，在较低分位数为52.3（τ=0.10），上分位数为50.1（τ=0.90），而中间分位数为24.2（τ=0.50）。这表明在极端情况下，高碳企业资产负债率与商业银行不良贷款率之间的溢出联系将更加紧密。在消极冲击下，高碳企业与金融部门的连通性最强，即两个市场之间的风险和信息的传递更加强烈。分商业银行类别来看，在正常的市场环境下，高碳企业对股份制商业银行不良贷款率的影响最大，其次是农村商业银行。在极端消极的市场环境下，高碳企業对农村商业银行和城市商业银行的影响更大。在极端积极的市场条件下，高碳企业对农村商业银行的影响更大。

图2显示了变量的成对连通性，三个分位数下关联性强的变量各不相同。其中，在极端冲击时，高碳企业资产负债率与股份制商业银行和城市商业银行不良贷款率的关联性最强。

2. 时变溢出分析。在研究了静态效应之后，我们进行了时变分析，以捕获时域和频域中总溢出水平的动态演变特征（见图3、图4）。浅色区域部分代表短期（1～6个月）溢出水平，深色区域部分代表长期（超过6个月）溢出水平，总溢出指数由这两部分组成。我们可以捕获任意两个变量之间的溢出效应，例如A—B大于0，代表A变量向B变量传递信息和风险，小于0则代表A接收B的信息和风险。浅色区域部分若大于深色区域部分，说明变量之间的影响是短期作用，反之，则是长期作用的结果。

（1）气候风险与高碳企业。我们先考虑气候变化和高碳行业资产负债率的双边净溢出效应。如圖3所示，在大部分时期，高碳企业资产负债率接受由碳排放带来的气候风险的溢出。长期溢出水平和短期溢出水平差距不大，高频和低频同时驱动了时域的总溢出。这说明由碳排放带来的气候风险在短期和长期都对高碳企业资产负债率产生影响。因此，减少碳排放的政策和行动不可盲目鼓励低碳行业的投资，也要兼顾高碳行业的可持续发展。

有色和造纸行业是技术创新带来的气候风险溢出的主要接受者。有色行业几乎在整个样本期是技术创新带来的气候风险的接收者，且在2016、2017、2020和2021年极其显著：2007年是溢出的发射者。而造纸行业在2006—2019年几乎全作为接收者，在2005年和2021年是发射者。其他行业与技术创新作为溢出效应的接收者和发射者的身份随着时间的变化而变化，说明这些行业不仅会接受技术创新带来的气候风险，也会刺激技术创新的发展。短期溢出水平远高于长期，表明高频主要驱动时域的总溢出。

气候变化驱动的技术创新和高碳行业之间的溢出效应主要发生在短期内（1～6个月）。特别是短期溢出水平在几个时期内急剧上升，主要是由于缓解气候变化行动带给高碳行业的风险增加。例如，为积极应对全球气候变化，进一步加强碳减排工作，形成“行政秩序+市场化机制”相结合的碳减排体系，中国于2011年10月在北京、上海、天津、湖北、广东、深圳、重庆7个省（市）正式启动碳排放权交易试点。此外，2020年9月，国家主席习近平在联合国大会上提出“30·60”目标。新目标对新时代中国应对气候变化工作提出了新的要求。为了响应气候变化承诺，中国鼓励投资低碳技术，减少石油开发和利用中的碳排放，促进新能源应用。随着能源行业低碳转型，高碳行业长期走下坡路，迎来了严峻的挑战。除了政策和技术的变化外，消费者和投资者偏好的变化也会给高碳行业等环境敏感的企业带来重大的不确定性（Pfeiffer等，2018：Liu等，2022）[4，36]。

（2）高碳企业与金融部门。接下来，我们关注高碳行业与金融部门的双边溢出效应。如图4所示，高碳企业对国有商业银行作为信息发射者的时间段有2009—2011年、2014—2015年、2017年、2019年，其余时间信息发射和接收交叉进行。浅色区域部分远高于深色区域部分说明影响大多是短期效果。高碳企业对股份制商业银行作为信息发射者的时间段有2010—2011年和2014—2021年，此作用是短周期影响的效果。同时我们也观察到高碳行业对股份制商业银行在长周期下有较小的信息接收作用。高碳企业对城市商业银行作为信息发射者存在于整个样本期，且是短期作用的结果。长期来看高碳企业也会少量接收城市商业银行发射的信息和风险。高碳企业对农村商业银行作为信息发射者的时间段有2009—2012年、2014—2016年、2021年，作为信息接收者的时间段有2018—2019年，几乎都是短期内产生的影响。实证结果表明，高碳企业对四类商业银行的溢出值（TO－From）几乎在所有在样本期内都是正值，这表明高碳企业在此系统中充当风险和信息的发射者。更准确来看，高碳企业对城市商业银行和农村商业银行不良贷款率的影响最大，其次是股份制商业银行，对国有商业银行的影响最小。可能的原因在于国有商业银行和股份制商业银行的服务主体是大型企业，而城市商业银行和农村商业银行的贷款主体是小微企业，小微企业相比大型企业应对气候变化和经济变化的能力更弱。因此，当气候变化导致资产搁浅发生时，服务小微企业的城市商业银行和农村商业银行受到的影响更大。

此外，图4中浅色区域部分远大于深色区域部分，表明二者之间的溢出效应主要是短期作用驱动的结果。长期来看，商业银行的不良贷款率也会对高碳企业的资产负债率带来不利影响。2016年9月，中国加入《巴黎协定》。2017年6月，金融稳定委员会发布了气候相关财务信息披露工作组的建议，公司必须提供有关其财务衡量基础的信息，并披露与气候变化相关的风险和机遇。这些要求给高碳行业带来不少压力。出于应对气候变化的需要，特别是环境、社会和治理（ESG）评级纳入信用评级，商业银行贷款、债券市场以及股票市场大大减弱了对化石能源行业的支持以避免环境风险。化石燃料能源被清洁能源替代可能带来高碳行业的资产搁浅。气候风险导致的业绩不佳可能会增加高碳行业违约的可能性，引发商业银行不良贷款率升高。

五、结论与政策建议

本文运用时域和频域连通性方法，考察气候变化的相关风险对实体经济（主要指高碳行业）和金融部门（主要指商业银行）的静态溢出和时变溢出。实证结果表明：第一，在极端经济状态下气候变化对高碳企业及商业银行不良贷款率的影响远高于正常经济状态。第二，在不同经济条件下，气候风险对不同类型商业银行会产生异质性的影响。在正常环境下，气候风险对股份制商业银行的影响最大：在极端情况下对农村商业银行和城市商业银行的影响最大。第三，气候风险对城市商业银行、农村商业银行和股份制商业银行不良贷款率的影响远大于国有商业银行。应当重点关注气候变化对于尾部金融机构的冲击，尤其是在极端经济状态下，重点关注上述机构的潜在流动性风险以及可能由此引发的流动性危机。第四，变量之间的时变特征得到证实且重大事件加剧了溢出效应。碳排放和以技术创新为表征的转型风险是向高碳企业和金融系统溢出信息和风险的主要发射者。第五，应当重点关注敏感性行业（有色和造纸行业）和敏感性金融机构（城市商业银行和农村商业银行）。

为此，提出以下建议：第一，对于主要服务于地方经济的城市商业银行和农村商业银行，其不良贷款率受到气候风险的影响较大，应重点关注行业环境和宏观经济变化，加强对高碳行业的研究以积极调整资产结构，避免在高风险行业投入过量贷款。国有商业银行的不良贷款率受气候变化和高碳企业的影响较小，经营较为稳健，因此，在经济下行期需要承担更多的托底责任。第二，采取循序渐进原则推动绿色低碳转型，避免对高碳行业企业经营发展造成过度影响。在设计气候政策时，既要按照国际协议实现脱碳的目标，又要保障金融体系的健全和稳定。金融政策制定者应加强与气候政策制定者的协调和对话，制定关于贷款业务气候转型风险的监管规范准则。第三，企业部门在规划基础设施建设和未来生产活动时，应充分考虑气候变化风险的趋势，必要时建立应对气候变化的职能部门，将气候变化风险纳入公司风险管理体系。

注：

①与气候危机相关的因素使资产滞留在不同的行业和地区。这些遭受意外或过早减记、贬值或转换为负债的资产，被称为搁浅资产，主要是指化石燃料行业的资产。

参考文献：

[1]Hansen T A. 2022. Stranded Assets and Reduced profits：Analyzing the Economic Underpinnings of the Fossil Fuel Industry's Resistance to Climate Stabilization [J].Renewable and Sustainable Energy Reviews，158.

[2]Diebold F X，Y?lmaz K. 2014. On the Network Topology of Variance Decompositions：Measuring the Connectedness of Financial Firms [J].Journal of Econometrics，182（1）.

[3]Johnson N，Krey V，McCollum D L，Rao S，Riahi K，Rogelj J. 2015. Stranded on a Low-Carbon Planet：Implications of Climate Policy for the Phase-Out of Coal-Based Power Plants [J].Technological Forecasting and Social Change，90.

[4]Pfeiffer A，Hepburn C，Vogt-Schilb A，Caldecott B. 2018. Committed Emissions from Existing and Planned Power Plants and Asset Stranding Required to Meet the Paris Agreement [J].Environmental Research Letters，13（5）.

[5]Caldecott B，Clark A，Koskelo K，Mulholland E，Hickey C. 2021. Stranded Assets：Environmental Drivers，Societal Challenges，and Supervisory Responses [J].Annual Review of Environment and Resources，46.

[6]Zhang P，Deschenes O，Meng K，Zhang J. 2018. Temperature Effects on Productivity and Factor Reallocation：Evidence from a Half Million Chinese Manufacturing Plants [J].Journal of Environmental Economics and Management， 88.

[7]Sun Y，Yang Y，Huang N，Zou X. 2020. The Impacts of Climate Change Risks on Financial Performance of Mining Industry：Evidence from Listed Companies in China [J]. Resources Policy，69.

[8]刘文欢.套期风险信息披露与投资者判断 [M].经济科学出版社，2023.

[9]Li Y，Zhang Z. 2023. Corporate Climate Risk Exposure and Capital Structure：Evidence from Chinese Listed Companies [J].Finance Research Letters，51.

[10]Authority P R. 2015. The Impact of Climate Change on the UK Insurance Sector [R].A Climate Change Adaptation Report.

[11]Batten S，Sowerbutts R，Tanaka M. 2016. Let's Talk About the Weather：the Impact of Climate Change on Central Banks [W].Bank of England Working Papers，05-20.

[12]Harnett E. 2018. Stranded Assets：An Environmentally Driven Framework of Sunk Costs，Stranded Assets and the Environment [M].Routledge.

[13]Mercure J F，Pollitt H，Vi?uales J E，Edwards N R，Holden P B，Chewpreecha U，Salas P，Sognnaes I，Lam A，Knobloch F. 2018. Macroeconomic Impact of Stranded Fossil Fuel Assets [J].Nature Climate Change，8.

[14]中國人民银行西安分行课题组.气候变化对系统性金融风险的影响研究——兼论应对气候变化的宏观审慎管理 [J].金融发展研究，2023，（01）.

[15]中国人民银行天津分行课题组.碳减排、转型风险与监管应对——基于DSGE的政策模拟研究 [J].金融监管研究，2022，126（06）.

[16]Sun Y，Zou Y，Jiang J，Yang Y. 2023. Climate Change Risks and Financial Performance of the Electric Power Sector：Evidence from Listed Companies in China [J].Climate Risk Management，39.

[17]王博，宋玉峰.气候变化的转型风险对宏观经济和金融稳定的影响——基于存量流量一致性模型视角 [J].经济学动态，2020，717（11）.

[18]马正宇，秦放鸣.宏观金融网络中的气候政策冲击机制和效应分析 [J].金融与经济，2022，（04）.

[19]Dietz S，Bowen A，Dixon C，Gradwell P. 2016. "Climate value at risk" of Global Financial Assets [J].Nature Climate Change，6（7）.

[20]中国人民银行研究局课题组.气候相关金融风险——基于央行职能的分析[W].中国人民银行工作论文，No.2020/03.

[21]Koenker R， Bassett G. 1978. Regression Quantiles[J] The Econometric Society， 46（1）.

[22]Koop G，Pesaran M H，Potter S M. 1996. Impulse Response Analysis in Nonlinear Multivariate Models[J].Journal of Econometrics，74（1）.

[23]Pesaran M H，Shin Y. 1998. An Autoregressive Distributed-Lag Modelling Approach to Cointegration Analysis [R].Econometrics and Economic Theory in the 20th Century：The Ragnar Frisch Centennial Symposium，31.

[24]Baruník J，K?ehlík T. 2018. Measuring the Frequency Dynamics of Financial Connectedness and Systemic Risk [J].Journal of Financial Econometrics，16（2）.

[25]陳国进，郭珺莹，赵向琴.气候金融研究进展 [J].经济学动态，2021，（08）.

[26]Gasbarro F，Iraldo F，Daddi T. 2017. The Drivers of Multinational Enterprises' Climate Change Strategies：A Quantitative Study on Climate-Related Risks and Opportunities [J].Journal of Cleaner Production，160.

[27]Yang F，Chou J，Dong W，Sun M，Zhao W. 2020. Adaption to Climate Change Risk in Eastern China：Carbon Emission Characteristics and Analysis of Reduction Path [J]. Physics and Chemistry of the Earth， Parts A/B/C，115.

[28]Ding X，Li J，Song T，Ding C，Tan W. 2023. Does Carbon Emission of Firms Aggravate the risk of Financial Distress？ Evidence from China [J].Finance Research Letters：56.

[29]Zhu C，Lee C C. 2022. The Effects of Low-Carbon Pilot Policy on Technological Innovation：Evidence from Prefecture-Level Data in China [J].Technological Forecasting and Social Change，183.

[30]Jiang Z，Xu C. 2023. Policy Incentives， Government Subsidies，and Technological Innovation in New Energy Vehicle Enterprises：Evidence from China [J].Energy Policy，177.

[31]Omri A. 2020. Technological Innovation and Sustainable development：Does the Stage of Development Matter？[J].Environmental Impact Assessment Review，83.

[32]Cao J，Law S H，Bin Abdul Samad A R，Binti W Mohamad W N，Wang J，Yang X. 2022. Effect of Financial Development and Technological Innovation on Green Growth——Analysis Based on Spatial Durbin Model [J]. Journal of Cleaner Production，365.

[33]Acs Z J，Audretsch D B，Feldman M P. 1992. Real Effects of Academic Research：Comment [J].The American Economic Review，82（1）.

[34]于孝建，詹爱娟. 基于碳税冲击的我国商业银行气候转型风险压力测试分析 [J].南方金融，2021，（06）.

[35]魏雷，王元海，杨志峰，赵照.我国银行业气候转型风险压力测试研究 [J].金融发展评论，2022，（05）.

[36]Liu W，Tan HT，Xu T，Zhang J. 2022. The Joint Effect of Presentation Format and Disclosure Balance on Investors' Reactions to Sensitivity Disclosures of Hedging Instruments [J].Accounting Horizons，36.