气候变化冲击下的涉农信用风险

■ 唐艺萌 谢霄霄 王甄彦 滕 磊

（成都信息工程大学统计学院 四川成都 610100）

一、问题的提出

气候变暖是全世界面临的重要挑战之一，极端天气事件的发生呈现增多增强的趋势。自然灾害、海平面上升等气候变化现象不仅影响生态环境，而且对全球经济增长产生了深远影响。政府间气候变化专门委员会（IPCC）第六次评估报告表明，气候变化正在对作物、畜禽、林业、渔业和水产养殖业等涉农经济方面施加压力和威胁。

在全球气候危机日益严峻的背景下，如何实现效益最大化和达到避害目的，将气候变化对金融的不利影响和风险降到最低，充分挖掘经济转型发展的潜在机遇，是世界各国面临的重大课题。2019年10月，国际货币基金组织秋季年会将气候变化列为重要议题之一，而2019年10月发布的最新《全球金融稳定报告》也探讨了气候变化与金融稳定之间的关系。《2020年全球风险报告》中指出,与气候变化有关的金融风险是系统性金融风险的主要来源之一,频繁的极端天气事件将导致自然资产的损失,并威胁到人类的生命、健康和安全。保险索赔和商业信用风险的增加将危及金融市场的稳定性,防范系统性金融风险必须深入研究与气候变化有关的金融风险。

二、文献综述与理论分析

（一）文献综述

气候变化会对各国经济造成长期影响，对全球金融机构活动造成严重破坏。国内外的研究普遍认为，气候变化可能导致极端事件变多，金融风险增加，经济损失增加。作为研究气候变化相关经济问题的先驱，诺德豪斯在1977年为研究气候变化引起的物理变化与实体经济之间的相互作用奠定了理论基础。自此，越来越多的文献开始关注气候变化与经济金融的关系。王信（2021）认为，与气候变化有关的风险分为两类：物理风险与转型风险。物理风险对金融稳定的影响表现为金融机构资产和负债的恶化、市场流动性的减少和信贷供应的紧缩；转型风险对金融稳定的影响表现为闲置资产价值的大幅下降和信贷市场的损失。《2019年全球金融稳定报告》从两个方面总结了气候变化所导致的金融风险的机制：首先，气候变化会增加气候风险和与气候变化相关的风险暴露，银行、证券、保险等金融机构在气象灾害的影响下，将受到不同程度的损害。其次，如果气候变化得不到有效控制，频繁发生的气象灾害会直接增加金融机构的损失，或者通过降低实体部门的生产效率进而间接提高金融机构的信用风险。

本文以农村金融机构为主要研究对象，研究气候变化和涉农信用风险之间的关系，总结气候变化引发农业信用风险的机理“气候变化-影响农业生产-涉农信用风险”，构建模型进行实证研究，明确气候变化对涉农风险冲击的方向及程度，并给出相应的决策依据，以期为政府决策提供理论依据与参考。

（二）理论分析

气候变化对经济社会主要构成两种风险：转型风险和物理风险。转型风险是指社会各界应对气候变化所带来的风险。气候转型因素可能导致企业利润的偿付能力和估值的恶化，导致金融机构出现不良贷款或投资损失。转型风险将带来从短期到长期的影响。物理风险是指极端天气（干旱；飓风；沙尘暴等）以及全球变暖、海平面上升等对实体经济所造成的负面影响。其中，极端天气的影响是中短期的，全球变暖的影响偏向中长期。这两种风险均对金融有一定程度的影响。

目前，我国经济正处于转型升级的关键时期，也是风险防范的重点时期。由于经济结构转型过程中所产生的各种风险，会直接或间接地影响农业生产，而农业生产又是最容易受到各种风险冲击的领域。这些影响如果不及时处理或者处理不当，可能导致经济关系、生产要素和相关政策的变化，从而对农业产生影响。

与政策制定和实施层面的积极应对措施相比，关于气候转型风险的传导机制的学术研究仍然相对较小，尤其对发展中国家而言。可以通过测试一些气候风险事件的经济效应来研究转型风险对经济体系带来的效应，崔婧（2023）采用双重差分法验证气候转型风险通过气候政策影响金融机构效率，给金融体系的稳定带来的冲击。而物理风险演变为农业信用风险的主要途径有两种：一是气候变暖引起的极端天气灾害将导致农业金融机构贷款的抵押品减值或损失；二是气候变化将影响农业生产条件，导致贷款项目的收益低于预期。

涉农信用风险指的是金融机构在向农村居民、农业企业、农村合作社等农业相关主体发放贷款时所面临的风险。此类风险主要来自于贷款主体的还款能力、经营风险、自然灾害等因素。气候变化对涉农银行的信用风险影响巨大。农业是受气候变化影响最敏感的行业之一，气候变化给农业带来了不确定性，气候变化导致了气象灾害的频繁发生，改变了农业生产的气候条件，加剧了气温和降雨的分布不均，使农业投入与产出效率大大降低。气候变化对农业生产造成了巨大波动，即气候变化影响涉农信用风险的机制可以归纳为“气候变化—影响农业生产—涉农信用风险”。

三、研究设计

（一）研究思路

衡量气候变化的主要指标是年均气温，图1列出了中国1961～2020年的平均降水量与平均气温变化，气温过高会导致干旱，降水过多会导致洪涝。2000年，降水量与气温骤降，而后逐渐上升，趋于平缓。气候变化的三大趋势与农业生产密切相关：（1）气温暖化，日照时间减少；（2）气候波动频率增加，极端天气事件会频繁发生；（3）气候变化的区域差异性增强，农业生产能力的区域差异加大。

图1 我国1961～2020年的平均降水量与平均气温变化

本文基于“国家气象科学数据共享服务平台—中国地面资料日值数据集（V3.0）”的站点观测数据，构建了能够描述气候波动程度的指标，为了使研究结果更具有目的性和说服力，本文以农商行为主要研究对象，城商行为参照研究对象。农商行以“惠泽三农、融通八方”为使命，传统信贷和结算仍然是农村金融产品体系的主要业务，适合振兴农村集体经济的金融创新较少。信贷业务是最主要的资产业务，面对的最主要风险是信用风险，完美呈现了“气候变化—影响农业生产—涉农信用风险”的传导路径。并且，农村金融机构分布集中，能够更为准确地反映研究目的。城镇银行为对照组，进行分组回归，研究气候变化对涉农信用风险的影响是否因不同的地理区域和不同的业务分布而具有异质性。

（二）模型设计

参考刘波等（2021）学者的论述，本文设计的基准模型如（1）所示：

另外，我国农业生产受季节影响较大，所以进一步将模型中的年度气温波动细化为季度气温波动，如（2）所示：

在气温波动的过程中，波动方向和幅度的不同都会对信用风险产生不同的影响。为了识别气温波动对信用风险冲击的异质性，采用分位数回归的方法对面板数据变量的参数进行估计，其不仅能够更好地控制个体的异质性，而且能够分析在特定的分位数处自变量对因变量的边际效应，所以采用分位数回归可以使各个变量参数结果更加显著，具有更高的实际意义。

在中国的银行体系中，城市商业银行和农业商业银行都是为地方经济发展服务的商业银行，但城市商业银行覆盖面更广，服务的行业更多，农村商业银行和村镇银行在活动范围和服务行业类型上相对单一，因此，有必要对城市商业银行和农业商业银行进行比较研究。在分组回归的基础上，通过费舍尔系数检验方法进行组间差异检验，分析气温波动对农村金融机构和城市商业银行的影响是否存在显著的差异。

（三）变量选取和数据来源

1.被解释变量。银行信用风险承担的主流衡量变量有不良贷款率、逾期贷款率等。本文采用不良贷款率作为被解释变量，我国上市银行相关财务数据主要来源于国泰安数据库，部分缺失数据通过中国货币网外汇交易中心数据库和银行财务报表进行补充，相关宏观数据来源于国家统计局。

2.控制变量。控制变量包括三个：（1）农村金融机构所在地理单元的年、季度降水量与日照时数；（2）农村金融机构的微观控制变量；（3）农村金融机构所在地理单元的宏观控制变量。降水量和日照时数是影响农业发展的重要指标，所以降水量和日照时数是必不可少的关键控制变量，年降水量与日照时数同样源自“国家气象科学数据共享服务平台—中国地面资料日值数据集（V3.0）”的站点观测数据，并采用与年均气温相同的处理方法和标准化方式。微观控制变量具体包括存贷款比例（LDR）、杠杆倍数（LEV）、拨备覆盖率（PCR）、总资产报酬率（ROA）、利息收入占比（IRR）、贷款占比（LA）和资产规模（lnsize）。因信用风险存在累积和消化的问题，所以将时间趋势项引入控制变量具有一定的合理性。宏观控制变量主要是经济发展水平和自然环境状况，分别用夜间灯光亮度指数和PM2.5作为衡量指标。

以上变量的定义如表1所示，描述性统计如表2所示。在农商行改制过程中，一些财务指标可能存在异常值，故对包括不良贷款率（NPLR）在内的金融数据进行缩尾处理，分位点为1%和99%。清洗数据后，样本中共有96家农村金融机构，共计672个观测值。样本主要覆盖了中国东北、华北、长江中下游地区，具有一定的代表性。

表1 变量的定义和取值

表2 描述性统计

3.解释变量。年均气温波动（Temperature）是刻画气候变化的主要指标，年均气温数据来源于“国家气象科学数据共享服务平台—中国地面资料日值数据集（V3.0）”。本文主要截取年度和季度的省、市数据进行分析。由于气温的变化取决于地形、纬度、经度和温带等地理因素，为了使各地理单位之间的横向温度变化具有可比性，对气温数据进行无量纲化处理。常见的无量纲化形式是标准化，标准化的年平均气温满足了横向可比性的要求，也映射了温度波动的程度。

首先按照农村金融机构所在的地理单元，分别求其年均气温的历史均值和标准差,W为滞后期窗宽）。其次，计算年均气温的波动程度滞后期的窗宽长度会影响均值和标准差的估计值，窗宽拟定位5年、10年和15年。由于季节变化对农业生产具有较强的影响，所以需要计算季节气温波动以确定季节气温变化对涉农信用风险的影响。季节性平均气温的标准化方法同上。对标准化的年均气温和季均气温进行描述性统计分析，由方差和均值的分布可得：标准化年均气温的分布函数随着年数的增加逐渐向右平移，分布更加聚集，一些城市的年气温均值与总体均值差距较大。样本期间，年均气温与历史均值部分相差较大，气候变暖的趋势较为明显。在本次实证研究中，选择窗口宽度为15年的标准化年平均温度作为关键解释变量，为提高估计结果的准确度，本文也给出了5年和10年的窗口宽度估计值。

四、实证结果分析

（一）基准模型的估计

以公式（1）为基础，对样本数据进行Hausman检验，结果表明固定效应模型优于随机效应模型，故将基准模型设定为个体固定效应模型。表3列（2）（4）（6）同时列出了仅将标准化年均气温波动、年降水量波动和日照时长波动作为解释变量的估计结果。

表3 基准模型估计结果

由基准模型的估值可知，在1%的水平上，总资产报酬率（ROA）、资产规模（lnsize）和夜间灯光亮度（lnlight）均对不良贷款率（NPLR）存在显著影响，并且系数估计值的显著性不因滞后窗宽的改变而改变。具体来看，以近15年的年均气温为参照，在5%的水平下，当平均气温高出一个标准差时，不良贷款率将增加0.0414%；当窗宽设定为5年、10年时，不良贷款率将分别增加0.0197%、0.0453%。由此得出，由于气候变暖，农村金融机构的信用风险水平得以显著提高，并且气候变化的窗宽越长，信用风险水平对气候变化越敏感，模型的解释能力越强，所以将窗宽期设置为15年较为合理。在控制变量中，随着夜间灯光亮度（lnlight）的增加，不良贷款率均显著增加，而随着总资产报酬率（ROA）、资产规模（lnsize）、 lnpm2.5的提升，不良贷款率均显著降低。

进一步将年气温波动细化为季度气温波动指标，估计结果如图2、图3所示，从系数估计值来看，不良贷款率（NPLR）对秋季的气温波动敏感性最强；在不含控制变量的情况下，在1%的置信水平上，秋季气温波动对不良贷款率有显著影响；在含控制变量的情况下，在1%的置信水平上，秋季气温波动对不良贷款率的影响最大，以近15年的秋季平均气温为基准，当秋季平均气温高出一个标准差时，不良贷款率将增加0.0986%。

图2 不含控制变量标准化季度气温系数估计值

图3 含控制变量标准化季度气温系数估计值

（二）分组回归模型估计

农村金融机构的业务在区域上集中于其所在地理单元,服务类型上大多聚焦在“三农”行业。与农村金融机构比较,城商行的服务在区域上、业务上比较分散，商业活动覆盖面越广，当地气候灾害所造成的资产损失占总资产的比重就越低。与其他的行业相比，农业更容易受到气候变化的影响。农村金融机构的信用风险水平会随着涉农业务在总业务中占比的增加而提升。分散原则是金融风险管理的基本原则之一，因此量化分析商业活动在地域上和行业上的分散是否会降低信用风险对气候变化的敏感度十分有必要。城市商业银行也是地方性商业银行，所以可以将城市商业银行作为农商银行的对照组进行研究。

虽然城商行的注册地是省内的某个区县单位，但其业务主要面向省内，有部分商业银行的业务甚至面向全国，所以气候变化对其信用风险的影响具有局限性。在分组回归中，将城市商业银行和以农商行、村镇银行为主体的农村金融机构作为对照进行分组回归，并且结合费舍尔系数差异检验的方法抽样1000次，考察两组之间的系数是否具有显著差异性，识别气候变化对这两类银行的信用风险影响是否具有异质性。估计结果如表4所示。

表4 分组回归估计结果

由以上结果可知，在近15年年均气温波动的基础上，5%的水平上，年均气温波动对涉农信用风险具有显著正向影响，对城商行影响并不显著。从季均气温波动的系数估计值可以看出，秋季气候对不良贷款率具有显著影响。根据费舍尔组间系数差异检验，农村金融机构和城商行在1%的水平上，秋季系数具有显著差异。据此可知，气候波动仅显著提升了农村金融机构的信用风险水平，而城商行信用风险水平对气候变化并不敏感。

（三）稳健性检验

拨贷比又称拨贷率，是拨备占总贷款的比率。拨贷比=拨备覆盖率×不良贷款率。拨贷比（LPR）的提高可以在一定程度上说明银行抵御坏账风险的能力。为了证明研究结论的稳健性，本文修改被解释变量为拨贷比，基准模型与分组回归的稳健性检验结果如表5和表6所示。

表5 基准模型回归

表6 分组回归的稳健性检验

由表6和表7可知，对于农村金融机构而言，气温波动对拨贷比具有显著影响。在5%的置信水平上，标准化后的年度气温波动对拨贷比存在显著的正向影响，对城商行的拨贷比则不存在显著影响。以近15年的年度气温波动均值为基准，当年度气温波动正向波动1个标准差时，拨贷比将增加0.4130%；从季度来看，秋季降雨对拨贷比具有显著影响。鉴于此，利用标准化年均气候波动和季均气候波动来刻画气候波动的程度，可以看出气温变化对涉农信用风险具有显著影响，对城市商业银行无明显影响。基于费舍尔系数差异检验，在1%、5%和10%的水平上，两类气候系数估计值在两组之间均有差异。由此基准模型和分组回归模型具有稳健性。

表7 秋季气温波动对NPLR影响的分位数回归结果

（四）气候对涉农信用风险的异质性影响

1.基于分位数回归的异质性分析。在气温波动的过程中，波动方向和幅度的不同都会对信用风险产生不同的影响。为了识别气候变化对信用风险水平的异质性影响，分位数回归的方法能提高模型估计的准确性并避免极端值对估计结果的影响，且结果较为稳健。由基准模型的估计结果可知，秋季的气温波动对不良贷款率的影响相对于其他季节更加显著，以下是对秋季的气温波动与不良贷款率的对应关系的着重分析（见表7）主要显示0.25、0.5、0.75分位点处的回归结果。

从图4可以看出,标准化年均气温对不良贷款率具有正向影响，当气温波动范围较小时，不良贷款率增长较为缓慢，而当气温波动范围逐渐增加，对不良贷款率的提升作用逐渐增强。同时，秋季气温波动对不良贷款率也具有正向影响，总体来看，秋季气温波动对不良贷款率的影响呈现先升高后降低再升高的变化趋势，这说明当秋季气温波动范围较小时，不良贷款率缓慢增长；而当秋季气温波动范围很大时，不良贷款率增长迅速。

图4 气温波动对NPLR增长影响的分位数回归趋势图

五、结论及建议

本文以2015～2021年我国96家农村金融机构为研究对象，将标准化气候波动作为核心解释变量，评估农村金融机构所在地气候变化对涉农信用风险的影响，实证结论如下：（1）农村金融机构所在地理区域的年均气温波动对信用风险水平有显著的影响。以近15年的年均气温为参照，当平均气温高出一个标准差时，不良贷款率将增加0.0414%，气温暖化显著提高了涉农风险水平。（2）将气温细化为四个季节，秋季气温波动对涉农信用风险影响显著，以近15年的秋季平均气温为参照，当秋季平均气温浮动一个标准差时，不良贷款率将增加0.0986%。（3）气候变化与涉农信用风险具有阶段性特点，随着气温波动范围的变大，涉农信用风险水平的敏感性逐渐增强。（4）尽管城商行和农商行都是立足于服务地方经济发展的商业银行，但气候变化对农商银行的影响更为显著，对城商银行的影响不突出。稳健性检验表明，实证研究结论具有良好的稳健性。

为应对气候变化对涉农信用风险的影响，提出如下的建议：

第一，健全评估和管理涉农金融气候风险的机制体系。由于农村金融机构的业务在地域上集中于所在县域地理单元，在类型上主要集中于“三农”领域，与其他银行风险管理存在差异，所以建立完善风险评估和管理体系，有助于提高农商行的风险预防和处理能力。

第二，推进气候变化相关金融风险评估的披露。加强内部宣传、组织专业培训、与国际金融机构交流合作，增强农商行对气候变化引发的涉农金融风险的防范意识。探索制定科学、透明、公正、公开的信息披露机制，为探究气候变化带来的涉农金融风险提供计算支持，以此提高农村金融机构防范风险的能力。

第三，鼓励有条件的地方性商业银行适度进行跨区域经营。继续推进金融供给侧改革，优化金融机构体系。通过适度跨区域经营，提高地方性商业银行在金融体系中的地位。