氣候轉(zhuǎn)型風(fēng)險沖擊下我國商業(yè)銀行氣候脆弱性研究
——基于壓力測試模型的實證分析

■蔡源 崔婕

一、引言

氣候變化被廣泛視為21世紀最大的挑戰(zhàn)之一，將持續(xù)對人類社會產(chǎn)生重大影響。世界經(jīng)濟論壇發(fā)布的《2022 年全球風(fēng)險報告》表示，在未來5—10 年內(nèi)，全球最主要的十大長期風(fēng)險中，氣候相關(guān)風(fēng)險占五席，且“氣候行動失敗風(fēng)險”位居榜首。為應(yīng)對氣候挑戰(zhàn)，2020年9月我國明確提出“雙碳”目標，積極推動經(jīng)濟社會全面綠色轉(zhuǎn)型，為解決全球氣候危機貢獻中國力量。然而，綠色低碳轉(zhuǎn)型意味著巨大的經(jīng)濟成本，因為減少碳排放而進行的一系列經(jīng)濟社會活動、相關(guān)政策法規(guī)的實施等，極有可能改變整個金融市場所面臨的內(nèi)外部環(huán)境，通過多種渠道影響經(jīng)濟金融系統(tǒng)的運行，誘發(fā)一系列金融風(fēng)險[1]。在金融加速器和抵押品約束機制下，市場信號可能會放大氣候風(fēng)險的嚴重程度，對單個金融機構(gòu)的氣候沖擊極易演變?yōu)橄到y(tǒng)性風(fēng)險，危及整個金融體系的穩(wěn)定[2]。正如英國央行前行長Mark Carney所強調(diào)的那樣，如果氣候轉(zhuǎn)型風(fēng)險①足夠嚴重，可能會導(dǎo)致所謂的氣候明斯基時刻②。

在此背景下，《中國金融穩(wěn)定報告（2021）》指出，未來應(yīng)重點關(guān)注氣候變化可能誘發(fā)的金融風(fēng)險，在金融機構(gòu)的壓力測試中要系統(tǒng)性地考慮氣候變化因素。此外，由于商業(yè)銀行仍處于我國金融體系的核心地位，氣候風(fēng)險通過直接沖擊實體企業(yè)從而間接提高商業(yè)銀行的氣候信貸風(fēng)險敞口，波及金融市場穩(wěn)定。因此，本文以我國商業(yè)銀行為研究對象，基于自下而上的壓力測試框架，重點考察如果商業(yè)銀行在不改變現(xiàn)有的行業(yè)貸款模式、積極主動調(diào)整資產(chǎn)組合的背景下，在未來不同升溫目標場景下氣候轉(zhuǎn)型沖擊因子導(dǎo)致的商業(yè)銀行信貸損失變化。本研究不僅能夠使商業(yè)銀行做到事前預(yù)防氣候不確定性，增強其系統(tǒng)內(nèi)部穩(wěn)定性，而且對防控氣候變化可能誘發(fā)的系統(tǒng)性金融風(fēng)險、維護金融體系的穩(wěn)定與安全都具有重要意義。

二、文獻綜述與理論分析

越來越多的學(xué)者和政策制定者研究了低碳轉(zhuǎn)型過程中可能存在的金融風(fēng)險類型并提出相應(yīng)的防范舉措[3，4]。已有文獻指出，轉(zhuǎn)型風(fēng)險主要通過氣候政策、技術(shù)創(chuàng)新以及消費者（或投資者）情緒三個方面，對企業(yè)、家庭和政府部門形成沖擊，造成其成本上升，銷售收入減少，借款償付能力下降，從而導(dǎo)致與其有信貸往來的商業(yè)銀行信用風(fēng)險攀升，嚴重威脅金融體系穩(wěn)定[5]。具體而言，第一，低碳轉(zhuǎn)型會促使政府出臺更多應(yīng)對氣候變化的相關(guān)政策。例如：征收碳稅、削減企業(yè)碳排放等。這些政策的實施不僅會造成碳敏感資產(chǎn)貶值，增加“棕色”企業(yè)③的運營成本[6]，而且還會降低該類企業(yè)的信用評級，增加其融資成本[7]。此外，如果碳敏感資產(chǎn)被用作貸款抵押品，低碳轉(zhuǎn)型政策的實施同樣會導(dǎo)致其價值縮水，造成商業(yè)銀行信貸損失增加[1]。第二，向低碳經(jīng)濟的過渡會推動綠色低碳技術(shù)創(chuàng)新?！白厣逼髽I(yè)如果不能采用更新的低碳技術(shù)，可能會削弱其盈利能力。而加大對低碳技術(shù)的資金投入同樣會增加這類企業(yè)的生產(chǎn)成本[2]。第三，向低碳經(jīng)濟轉(zhuǎn)型可能會引發(fā)消費者和投資者的情緒變化。由于消費者對未來極端氣候事件的預(yù)期不斷上升，從而更偏向于購買綠色產(chǎn)品，這種消費方式的轉(zhuǎn)變會導(dǎo)致“棕色”企業(yè)營銷收入下降[2]；投資者以及評級機構(gòu)在其投資和評級決策中考慮氣候因素，也可能導(dǎo)致高碳企業(yè)的融資成本增加[8]。

目前，運用理論與實證模型量化氣候金融風(fēng)險已成為金融領(lǐng)域的研究重點。部分學(xué)者運用橫截面分析以及傳統(tǒng)的資產(chǎn)定價模型，從綠色溢價[9，10]和碳溢價[6，11]兩個角度測度轉(zhuǎn)型風(fēng)險，預(yù)估風(fēng)險溢價，量化市場風(fēng)險。還有少部分學(xué)者運用事件研究法，研究轉(zhuǎn)型沖擊事件前后資產(chǎn)價值損失大小[12]。由于資產(chǎn)定價模型無法多維度量化氣候風(fēng)險，大量學(xué)者運用靜態(tài)和動態(tài)壓力測試方法，量化氣候轉(zhuǎn)型沖擊可能誘發(fā)的不同類型金融風(fēng)險。靜態(tài)壓力測試包括在金融機構(gòu)上的微觀壓力測試[13]和在金融網(wǎng)絡(luò)上的宏觀壓力測試[14，15]。然而，如果僅基于金融機構(gòu)的微觀數(shù)據(jù)進行壓力測試，不考慮宏觀經(jīng)濟金融變化的情況，仍無法全面的探究轉(zhuǎn)型風(fēng)險對金融系統(tǒng)的沖擊影響[16]。因此，為全面分析包括宏觀經(jīng)濟在內(nèi)的轉(zhuǎn)型風(fēng)險，學(xué)者們提出了動態(tài)宏觀壓力測試模型[5，17]。

現(xiàn)階段，國內(nèi)少數(shù)學(xué)者剖析了轉(zhuǎn)型風(fēng)險對宏觀經(jīng)濟[18]以及宏觀金融系統(tǒng)內(nèi)部傳染反饋[19]的影響。僅有一篇文獻[20]基于壓力測試模型，測度了碳稅沖擊下2019 年氣候轉(zhuǎn)型風(fēng)險導(dǎo)致的18 家商業(yè)銀行貸款價值損失。

縱觀該領(lǐng)域的研究，仍存在以下局限性。首先，從壓力場景選取角度看，已有文獻或使用早期的2℃場景集[13]，或僅從1.5℃場景集中選擇有限數(shù)量的場景[21]，或只選擇帶有主觀判斷的轉(zhuǎn)型沖擊因子作為其壓力場景[20，22]，鮮有文獻同時選取2℃與1.5℃甚至更為細化的升溫目標作為其壓力場景。其次，從壓力沖擊因子選取角度看，已有文獻大多只考慮了單一的碳稅變動對金融機構(gòu)的沖擊[20]，忽略了能源市場份額變化以及二者結(jié)合的雙重沖擊的影響，無法全面系統(tǒng)地分析轉(zhuǎn)型風(fēng)險對金融機構(gòu)的沖擊效應(yīng)。最后，從壓力測試模型構(gòu)建角度看，之前采用的莫頓模型都是通過計算密集的迭代過程來估計資產(chǎn)的價值及其波動性，以測度轉(zhuǎn)型沖擊下商業(yè)銀行的貸款價值損失[22]，而這種計算方法限制了在更大沖擊情景集下的重復(fù)分析。

與已有文獻相比，本文的邊際貢獻主要體現(xiàn)在以下三個方面：第一，通過構(gòu)建信用風(fēng)險模型，反映出轉(zhuǎn)型沖擊前后行業(yè)的違約距離變化，可更直觀地看出受轉(zhuǎn)型風(fēng)險沖擊的行業(yè)信貸損失差異；第二，溫度壓力場景的選擇允許對不同的變暖目標（1.5℃和2.0℃）進行更細粒度的比較，更系統(tǒng)地預(yù)測未來可能發(fā)生的不同升溫目標下受轉(zhuǎn)型沖擊影響的商業(yè)銀行氣候損失；第三，首次系統(tǒng)考察了七大類氣候轉(zhuǎn)型沖擊因子對我國商業(yè)銀行造成的沖擊影響，多維度系統(tǒng)分析了行業(yè)與商業(yè)銀行面臨的轉(zhuǎn)型風(fēng)險；第四，采用簡化的Merton Na?ve 方法，從更多的壓力場景與沖擊因子集下重復(fù)分析商業(yè)銀行面臨的氣候信貸損失。

三、數(shù)據(jù)來源與研究設(shè)計

本文運用IAMC1.5℃場景數(shù)據(jù)庫中2020—2060年每隔10 年的碳價和能源市場份額數(shù)據(jù)，并基于2011—2019 年行業(yè)的碳排放量和商業(yè)銀行的分行業(yè)貸款狀況，預(yù)測未來在不同溫度場景與轉(zhuǎn)型沖擊因子下行業(yè)的增量違約距離，在此基礎(chǔ)上推導(dǎo)出我國商業(yè)銀行在2020—2060 年行業(yè)貸款層面的氣候信貸損失變化。

（一）數(shù)據(jù)來源

首先，依據(jù)Battiston等[14]和Monasterolo等[13]的研究方法，結(jié)合各行業(yè)的碳排放量與銀行行業(yè)貸款數(shù)據(jù)，參考《國民經(jīng)濟行業(yè)分類（2017 版）》，本文最終選取了農(nóng)林牧漁業(yè)，采礦業(yè)，制造業(yè)，電力、熱力、燃氣及水生產(chǎn)和供應(yīng)業(yè)，建筑業(yè)，交通運輸、倉儲、郵政業(yè)、批發(fā)零售業(yè)以及住宿餐飲業(yè)八大行業(yè)。從各行業(yè)的具體碳排放情況看，上述行業(yè)被稱為“氣候變化敏感型行業(yè)”，即如果發(fā)生極端天氣事件或者出臺相應(yīng)的氣候政策，這些行業(yè)受到的氣候風(fēng)險沖擊影響相對更大。此外，本文共選取了64家商業(yè)銀行對八大行業(yè)的貸款數(shù)據(jù)以及年度總貸款。其次，溫度壓力場景以及轉(zhuǎn)型沖擊因子中所需數(shù)據(jù)均可在IAMC 1.5℃場景數(shù)據(jù)庫④獲得。最后，本文對八大行業(yè)選取對應(yīng)的代表性上市公司用于計算各行業(yè)的財務(wù)指標⑤?；A(chǔ)數(shù)據(jù)均源于中國統(tǒng)計年鑒、環(huán)境統(tǒng)計年鑒以及WIND數(shù)據(jù)庫。

（二）商業(yè)銀行貸款碳強度

對行業(yè)i的碳排放值CFit進行歸一化處理，由行業(yè)i 在t 時的碳排放總量CFit除以行業(yè)i 在t 時的營業(yè)總收入REVit而得，歸一化后的值稱為碳強度CIit。

計算得銀行b在t時刻的貸款碳強度PCIbt：

碳強度CIit表示行業(yè)i在t時每單位營業(yè)收入的二氧化碳排放量。貸款碳強度PCIbt表示銀行b在t時對行業(yè)i 每單位貸款所包含的二氧化碳排放量，該指標越高，代表銀行貸款交易行為產(chǎn)生的二氧化碳排放量越大。其中，Pibt代表銀行b在t時對行業(yè)i的貸款額，Pbt代表銀行b在t時的貸款總額。

（三）商業(yè)銀行轉(zhuǎn)型風(fēng)險測度框架

本文提出的用于分析不同類型溫度場景以及轉(zhuǎn)型沖擊因子下銀行信貸損失變化的壓力測試框架，主要由以下三個部分構(gòu)成：

1.溫度壓力場景設(shè)定

本文選取IAMC1.5℃場景數(shù)據(jù)庫[23]中的溫度路徑作為壓力場景，探索未來全球在不同升溫目標下的轉(zhuǎn)型沖擊因子對商業(yè)銀行造成的潛在信貸損失，具體場景分類如表1所示。

表1 氣候轉(zhuǎn)型場景類型

2.轉(zhuǎn)型沖擊因子設(shè)定

當(dāng)前，作為實現(xiàn)“雙碳”目標核心政策工具之一的碳交易市場正如火如荼地發(fā)展。碳交易市場主要通過價格信號來引導(dǎo)碳減排資源的優(yōu)化配置，從而降低CO2排放量。因此碳價是碳交易市場的重要調(diào)控工具之一，也是我國實現(xiàn)綠色低碳轉(zhuǎn)型的重要手段之一。此外，隨著我國“雙碳”目標的臨近，我國逐漸加大溫室氣體減排力度。據(jù)國家能源局網(wǎng)站數(shù)據(jù)顯示，2021 年我國單位GDP 二氧化碳排放比2005年下降了50%，非化石能源占能源消費比重高達16.6%。因此，未來能源市場的份額變化也是我國實現(xiàn)綠色低碳轉(zhuǎn)型的又一重要手段。鑒于此，本文借鑒Nguyen等[6]的研究，選取碳價沖擊、能源市場份額沖擊以及二者相結(jié)合的雙重沖擊來考察轉(zhuǎn)型因子對商業(yè)銀行信貸損失的影響。

（1）碳價格沖擊

碳的社會成本衡量了二氧化碳排放造成的經(jīng)濟福利損失。本文采用貼現(xiàn)后的碳價變化代表碳沖擊，該值越大代表未來轉(zhuǎn)型場景（S）下的碳價越高，說明征收碳稅的氣候政策沖擊力度更大。碳價沖擊值如式（3）所示：

（2）能源市場份額沖擊

能源部門市場份額包括化石燃料和可再生能源在全球能源消耗和全球電力生產(chǎn)中的份額。本文采用Monasterolo 等[13]的方法，衡量能源部門k 在轉(zhuǎn)型場景（S）下的市場份額變化。若＞0，說明未來轉(zhuǎn)型場景（S）下，能源部門k的市場份額占比要高于基線場景（B）下的份額，反之亦然。具體計算如式（4）所示：

3.壓力測試模型構(gòu)建

（1）轉(zhuǎn)型沖擊前信用風(fēng)險模型構(gòu)建

傳統(tǒng)莫頓模型需通過迭代過程計算資產(chǎn)的市場價值V及其波動性?V，而這種計算方法限制了在更大沖擊情景集下的重復(fù)分析。Bharath 等[24]指出傳統(tǒng)莫頓模型更注重其函數(shù)形式而不是求解方法，并提出了計算簡單卻比傳統(tǒng)莫頓模型具有更優(yōu)預(yù)測能力的Merton Na?ve 方法。該方法改善了傳統(tǒng)莫頓模型計算復(fù)雜的缺陷，允許在更多壓力沖擊情景下計算違約距離。因此，本文運用Merton Na?ve 模型⑥計算轉(zhuǎn)型沖擊前后商業(yè)銀行的信貸損失變化。

將Merton Na?ve 模型結(jié)果作為基線值代表轉(zhuǎn)型沖擊前商業(yè)銀行的違約距離NaiveDD。關(guān)鍵指標計算公式如下：

（2）轉(zhuǎn)型沖擊后信用風(fēng)險模型構(gòu)建

本文通過計算轉(zhuǎn)型沖擊前后借款行業(yè)的盈利水平變化，來模擬不同升溫目標下氣候轉(zhuǎn)型沖擊因子對我國商業(yè)銀行信貸損失的影響，采用的預(yù)測期是一年（T=1）。首先分別在八大行業(yè)中選取具有代表性的上市企業(yè)，其次通過計算各企業(yè)的財務(wù)數(shù)據(jù)加權(quán)匯總用于指代各行業(yè)的財務(wù)指標，最后計算出轉(zhuǎn)型沖擊因子下Merton Na?ve 模型所需參數(shù)。具體而言，從轉(zhuǎn)型風(fēng)險沖擊到信貸損失發(fā)生的轉(zhuǎn)變過程通過以下四個步驟進行建模：

第一步，將轉(zhuǎn)型沖擊因子納入行業(yè)盈利水平指標。假設(shè)轉(zhuǎn)型沖擊因子將改變借款行業(yè)的盈利水平，因此采用不受不同資本結(jié)構(gòu)或地方稅收影響的息稅前利潤（EBIT）作為衡量行業(yè)盈利水平的指標。

四、實證結(jié)果與分析

（一）商業(yè)銀行氣候風(fēng)險概況

圖1為2011—2019年我國商業(yè)銀行的分行業(yè)貸款柱狀圖。總體來看，國有銀行的分行業(yè)貸款數(shù)額最大，其后依次為股份制銀行、城商行與農(nóng)商銀。其中，農(nóng)商行由于規(guī)模小，融資渠道單一，貸款行業(yè)細分程度較低，對部分行業(yè)甚至無貸款交易。此外，商業(yè)銀行對采礦業(yè)，交通運輸、倉儲和郵政業(yè)，制造業(yè)以及電力、燃氣及水的生產(chǎn)和供應(yīng)業(yè)這四類碳密集型行業(yè)的貸款份額規(guī)模較大。且無論是哪種類型的商業(yè)銀行，采礦業(yè)的貸款占比均為最高。綜上可以看出，商業(yè)銀行對碳密集型行業(yè)的貸款敞口更大，表明我國商業(yè)銀行的相關(guān)氣候風(fēng)險敞口較大，規(guī)模較大的商業(yè)銀行也更易受到氣候轉(zhuǎn)型風(fēng)險的影響。

圖1 商業(yè)銀行氣候風(fēng)險敞口（2011—2019）

表2為我國商業(yè)銀行2011—2019年的貸款碳強度數(shù)據(jù)表。綜合來看，除個別數(shù)據(jù)外，國有銀行貸款碳強度值最大。因此在低碳轉(zhuǎn)型過程中，國有銀行面臨的氣候損失可能相對更高。2011—2013 年股份制銀行的碳強度值要高于城商行，但自2014 年后，城商行的碳強度值遠高于股份制銀行。這說明近年來城商行所支持的經(jīng)濟活動產(chǎn)生的碳排放量逐年加大，這可能是后文實證發(fā)現(xiàn)城商行氣候信貸損失逐年加大的原因之一。此外，農(nóng)商行由于規(guī)模小、業(yè)務(wù)結(jié)構(gòu)單一，其貸款碳強度值最小。

表2 商業(yè)銀行貸款碳強度

（二）壓力測試結(jié)果

本小節(jié)分析在不同溫度場景以及不同類型轉(zhuǎn)型沖擊因子下，我國商業(yè)銀行的氣候脆弱性指數(shù)在行業(yè)層面的占比，以及推斷商業(yè)銀行的氣候信貸損失占總資本（或核心一級資本）的比重。對于每種場景（S或B）—模型M，共獲得115080次轉(zhuǎn)型因子沖擊集（7 類沖擊×411 個場景/模型×40 年），這些沖擊最后按溫度場景聚合從而求得商業(yè)銀行氣候脆弱性指數(shù)均值?？紤]到轉(zhuǎn)型沖擊因子類型眾多，限于篇幅，本小節(jié)重點分析了最具代表性也是可能帶來沖擊強度最大的碳價和能源市場份額雙重沖擊下的商業(yè)銀行氣候脆弱性指數(shù)變化，將其余5 類轉(zhuǎn)型沖擊下的分析結(jié)果放入附錄。

1.商業(yè)銀行層面的氣候脆弱性指數(shù)

表3是按沖擊因子劃分的商業(yè)銀行整體氣候脆弱性指數(shù)均值。從整體來看，在7 類轉(zhuǎn)型沖擊因子下，我國商業(yè)銀行的氣候脆弱性指數(shù)均呈先降后升再降的趨勢。由（1）—（4）類可看出，較碳價格沖擊，能源市場份額沖擊造成的商業(yè)銀行氣候脆弱性程度相對更高。在最嚴格沖擊情景——碳價格和化石燃料+“棕色”電力市場份額雙重沖擊下，商業(yè)銀行的氣候脆弱性程度最高。

表3 按沖擊因子劃分的商業(yè)銀行整體氣候脆弱性指數(shù)

表4是按沖擊因子以及溫度場景劃分的不同類型商業(yè)銀行的氣候脆弱性指數(shù)均值。首先，從溫度場景角度看，無論在哪類沖擊因子下，較2℃溫度路徑，1.5℃溫度路徑下商業(yè)銀行的氣候脆弱性程度更高。由此可看出，如果未來將全球升溫目標控制得越嚴格，商業(yè)銀行遭受的氣候信貸損失越大。具體而言，無論在哪類轉(zhuǎn)型沖擊因子下，除Above2°C 溫度路徑（雙重沖擊-“棕色”電力沖擊）外，其余溫度路徑下商業(yè)銀行的氣候脆弱性指數(shù)均大致呈先升后降趨勢，并在2060年左右達到高峰。這與我國2060年“碳中和”的目標相符。此外，較其他銀行，除個別數(shù)據(jù)外，所有溫度路徑下國有銀行的氣候風(fēng)險脆弱性程度最高，但在2060年城商行和股份制銀行的氣候脆弱性程度顯著上升，1.5℃溫度路徑下這一研究結(jié)論越明顯。這表明，隨著我國“雙碳”目標實現(xiàn)進程的加快，在2060年之前，要重點關(guān)注2℃溫度路徑和1.5℃溫度路徑下國有銀行的氣候脆弱性程度，而在2060 年后，要重點預(yù)防更嚴格溫度路徑1.5℃下轉(zhuǎn)型風(fēng)險沖擊對股份制銀行和城商行的沖擊影響。該研究結(jié)論與我國“3060 雙碳”目標發(fā)展進程相符。

其次，從轉(zhuǎn)型沖擊因子類型角度看，本文發(fā)現(xiàn)較碳價沖擊，能源市場份額沖擊所導(dǎo)致的商業(yè)銀行氣候脆弱性指數(shù)在量級上較大，但碳價沖擊帶來的潛在風(fēng)險要比能源市場份額轉(zhuǎn)變帶來的風(fēng)險大得多。具體表現(xiàn)為，相較于單一沖擊，表4中（6）和（7）雙重沖擊情境下，商業(yè)銀行的氣候脆弱性指數(shù)均值整體上相對更高。如基于（6）“棕色”電力雙重沖擊下，2060 年在最嚴格溫度場景below1.5℃下，國有、股份制、城市、農(nóng)村商業(yè)銀行的氣候脆弱性指數(shù)依次為75.43%、64.12%、68.79%、65.87%，而基于（7）“綠色”電力雙重沖擊下，商業(yè)銀行氣候脆弱性指數(shù)則相對較小，依次為56.17%、52.26%、58.14%、50.56%。這是因為在整個經(jīng)濟活動中，只要行業(yè)部門在生產(chǎn)過程中使用能源和排放CO2，就會存在碳負債。碳價是一個廣泛的沖擊，會影響到所有行業(yè)。因此，較能源市場份額沖擊，碳價給商業(yè)銀行造成的潛在氣候轉(zhuǎn)型風(fēng)險更高。此外，無論是單一能源市場份額沖擊還是碳價和能源市場份額相結(jié)合的雙重沖擊，“棕色”電力情景下的商業(yè)銀行氣候脆弱性指數(shù)均值要比“綠色”電力情景下的值更大?？赡艿脑蛟谟冢航陙砦覈虡I(yè)銀行對化石燃料等“棕色”企業(yè)的貸款額逐漸減少，但對可再生能源等“綠色”發(fā)電企業(yè)的融資逐年增多。因此，氣候轉(zhuǎn)型沖擊對“棕色”企業(yè)造成的負面影響更突出。

最后，從我國商業(yè)銀行屬性角度看，轉(zhuǎn)型沖擊下的氣候脆弱性程度異質(zhì)性明顯。由表4可知，在整個樣本區(qū)間內(nèi)，轉(zhuǎn)型沖擊對國有銀行的影響最為顯著，但在2060 年，股份制銀行和城商行的氣候脆弱性達到峰值，甚至在多類沖擊下，其損失值要遠超國有銀行。由此可見，在未來幾十年內(nèi)，股份制銀行與城商行存在的潛在氣候風(fēng)險將更大。從銀行細化角度看，交通、工商、恒豐等銀行的氣候脆弱性指數(shù)也為其所屬銀行類型中的較大值。晉商、柳州、東營與稠州這四大城商行均為資源型城市地方銀行，對碳密集型企業(yè)貸款敞口更大，因此在轉(zhuǎn)型風(fēng)險沖擊下，這些銀行的氣候脆弱性程度也更高。此外，上海與北京均為我國的超大型城市，城鎮(zhèn)化率高達87%以上，城市二氧化碳排放量位于全國前列，因此北京和上海兩大農(nóng)商行的氣候脆弱性程度也較高。

2.行業(yè)層面的商業(yè)銀行氣候脆弱性指數(shù)

圖2 分別是在Above2℃、2℃（Higher2℃和Lower2℃）、1.5℃（1.5℃-high-OS+1.5℃-low-OS）與below1.5℃四類溫度場景下，我國商業(yè)銀行在行業(yè)層面的氣候脆弱性程度占比。

圖2 商業(yè)銀行氣候脆弱性行業(yè)占比（%）

首先，在所有商業(yè)銀行類型中，采礦業(yè)、制造業(yè)以及交通運輸、倉儲和郵政業(yè)這三大行業(yè)的氣候脆弱性程度較高。這與圖1中各類銀行貸款比重相似。但值得注意的是，盡管電力、燃氣及水的生產(chǎn)和供應(yīng)業(yè)行業(yè)的二氧化碳排放量較大，但通過本文計算發(fā)現(xiàn)該行業(yè)轉(zhuǎn)型沖擊前的違約距離較大，故轉(zhuǎn)型沖擊后的增量違約距離變化較小，氣候脆弱性指數(shù)并不突出，但該行業(yè)帶來的氣候風(fēng)險不應(yīng)被忽略。其次，“棕色”電力雙重沖擊下的商業(yè)銀行行業(yè)層面氣候脆弱性指數(shù)值較“綠色”電力雙重沖擊下的氣候脆弱性指數(shù)值更大。最后，從商業(yè)銀行類型角度看，行業(yè)層面的氣候脆弱性程度異質(zhì)性明顯。城商行的行業(yè)氣候脆弱性占比總值最大，股份制銀行次之。其中，制造業(yè)和交通運輸業(yè)兩類行業(yè)的氣候損失在國有銀行和股份制銀行兩類商業(yè)銀行中的占比較高；而對城商行而言，除采礦業(yè)、制造業(yè)與交通運輸業(yè)三大碳排放量較高的行業(yè)氣候損失占比高之外，建筑業(yè)與批發(fā)零售業(yè)兩類碳排放量較低的行業(yè)的氣候脆弱值也十分突出；農(nóng)商行因其規(guī)模小，貸款總額少，因此其氣候信貸損失總額最低。綜上，各類商業(yè)銀行除應(yīng)重點關(guān)注傳統(tǒng)意義上的高污染行業(yè)，也應(yīng)根據(jù)自身的行業(yè)貸款比重特征以及行業(yè)的碳排放情況來防范轉(zhuǎn)型風(fēng)險沖擊引致的氣候信貸損失。

3.不同溫度路徑下的商業(yè)銀行氣候脆弱性指數(shù)

為進一步分析氣候轉(zhuǎn)型風(fēng)險對我國個體商業(yè)銀行的沖擊影響，本小節(jié)重點比較了2℃和1.5℃溫度路徑下我國64家商業(yè)銀行的貸款碳強度、氣候脆弱性以及氣候相對損失，如圖3 所示。其中，“Above2°C、Higher2°C、Lower2°C”場景歸屬2℃溫度路徑；“Below1.5°C、1.5°C-higer-OS、1.5°C-low-OS”場景則歸屬1.5℃溫度路徑。

圖3 不同溫度路徑下商業(yè)銀行的氣候脆弱性氣泡圖

首先，總體來看，無論是碳強度、商業(yè)銀行氣候脆弱性還是相對損失數(shù)額，較1.5℃溫度路徑，2℃溫度路徑下的64 家商業(yè)銀行的氣候脆弱性指數(shù)值相對更大。具體來看，2℃溫度路徑下，商業(yè)銀行的氣候脆弱性指數(shù)值分布相對分散，平安銀行、光大銀行、恒豐銀行與廣發(fā)銀行等股份制銀行承擔(dān)了更大的氣候損失；而在1.5℃的溫度路徑下，商業(yè)銀行的氣候脆弱性指數(shù)值分布相對集中，意味著在1.5℃的溫度路徑下，整體商業(yè)銀行樣本的氣候損失程度較高。其中，浙商、承德等城商行的氣候脆弱性指數(shù)值相對更大。

其次，商業(yè)銀行的氣候脆弱性程度與其碳強度呈強正相關(guān)關(guān)系。無論是2℃還是1.5℃溫度路徑下，對碳密集型企業(yè)貸款規(guī)模大即碳強度更高的商業(yè)銀行的氣候脆弱性指數(shù)值更大。例如東營、柳州、浙江稠州、晉商、鞍山等資源型城市地方銀行。而對位于主要通過水力、生物能等碳排放量低的發(fā)電方式的城市的商業(yè)銀行而言，由于對“綠色”企業(yè)的貸款額度相對更大，貸款碳強度值更低，因此受氣候沖擊的概率也更低，例如齊魯、寧波、杭州、天津濱海等銀行的氣候脆弱性指數(shù)值與相對損失值更小。

最后，部分商業(yè)銀行的貸款碳強度和相對損失小，但其氣候脆弱性程度相對較高。例如，2℃溫度場景下的中國銀行、浦發(fā)銀行等，以及1.5℃溫度場景下的郵儲銀行、民生銀行等。通過本文收集的64家銀行的行業(yè)貸款數(shù)據(jù)以及計算結(jié)果發(fā)現(xiàn)，出現(xiàn)這種結(jié)果的原因可能在于，這些銀行的行業(yè)貸款細化程度高，即與每類行業(yè)均有借貸交易，導(dǎo)致受轉(zhuǎn)型沖擊的負面影響更高。因此，該類商業(yè)銀行應(yīng)進一步優(yōu)化信貸政策，通過提升對借款行業(yè)的信用貸款評級來減緩轉(zhuǎn)型風(fēng)險對商業(yè)銀行造成的不利影響。

4.商業(yè)銀行氣候脆弱性指數(shù)占總資本（或核心一級資本）比重

資本充足率是保持商業(yè)銀行穩(wěn)健發(fā)展的重要監(jiān)管指標。因此，如果轉(zhuǎn)型風(fēng)險導(dǎo)致的損失被完全吸收到商業(yè)銀行的資本部分，會造成銀行面臨流動性危機，甚至導(dǎo)致其破產(chǎn)，進而通過網(wǎng)絡(luò)傳染效應(yīng)引發(fā)一系列連鎖反應(yīng)，影響整個金融市場的穩(wěn)定。為了解這種損失程度，圖4（a）和（b）分別表示轉(zhuǎn)型沖擊下四類商業(yè)銀行的氣候脆弱性指數(shù)值占總資本（或核心資本價值）的比重（%）。

圖4 商業(yè)銀行氣候脆弱性指數(shù)占總資本（或核心一級資本）比重（%）

從商業(yè)銀行類型角度看，無論是在“棕色”還是“綠色”電力雙重沖擊下，城商行的氣候脆弱性指數(shù)值占總資本/核心一級資本的比重最高，股份制銀行和國有銀行依次次之。從溫度場景角度看，2℃場景下所有銀行氣候脆弱性指數(shù)占總資本（或核心一級資本）比重最高，below1.5℃、1.5℃、Above2℃場景依次次之。此外，在雙重沖擊+“棕色”電力沖擊下的最嚴格溫度場景below1.5℃下，銀行氣候脆弱性指數(shù)占總資本（或核心一級資本）比重最高可高達15.92%/12.03%（城商行）。這足以表明合理資本充足率在低碳轉(zhuǎn)型過程中對微觀金融穩(wěn)定的重要作用。如果氣候轉(zhuǎn)型風(fēng)險對商業(yè)銀行造成的信貸損失被完全吸收到銀行的核心資本部分，意味著商業(yè)銀行的氣候脆弱性程度會大大提高，嚴重破壞金融體系的穩(wěn)定。

五、結(jié)論與啟示

本文運用自下而上的壓力測試方法，預(yù)測了2020—2060 年不同升溫目標下七大類轉(zhuǎn)型沖擊因子對我國商業(yè)銀行信貸損失的影響。研究發(fā)現(xiàn)：第一，較2℃溫度路徑，1.5℃溫度路徑中下的商業(yè)銀行氣候脆弱性要高得多。因此如果未來將全球升溫目標控制在1.5℃以內(nèi)的話，我國商業(yè)銀行等金融機構(gòu)面臨的氣候轉(zhuǎn)型風(fēng)險將更為嚴峻。第二，較碳價沖擊，能源市場份額對商業(yè)銀行造成的氣候信貸損失在量級上更大，但碳價沖擊造成的潛在氣候信貸損失更大；此外，“棕色”電力沖擊下的商業(yè)銀行氣候脆弱性指數(shù)值要明顯大于“綠色”電力沖擊下的值。第三，由于對行業(yè)的貸款敞口不同，我國商業(yè)銀行行業(yè)層面的氣候脆弱性指數(shù)異質(zhì)性明顯。各類商業(yè)銀行應(yīng)根據(jù)自身的行業(yè)貸款比重特征來預(yù)防轉(zhuǎn)型沖擊導(dǎo)致的氣候信貸損失。第四，四類商業(yè)銀行類型中，隨著“雙碳”目標的不斷推進，股份制銀行和城商行的氣候脆弱性指數(shù)均值要遠超國有銀行。第五，商業(yè)銀行的氣候脆弱性程度占其總資本（或核心一級資本）的比重較高。

基于上述研究結(jié)論，本文得出如下啟示：第一，“雙碳”目標的實現(xiàn)不能過度追求速度，應(yīng)評估不同溫度路徑下不同類型轉(zhuǎn)型沖擊因子對商業(yè)銀行的異質(zhì)性影響，結(jié)合我國經(jīng)濟金融發(fā)展實際情況制定氣候相關(guān)轉(zhuǎn)型政策，切實提高氣候政策的有效性。第二，商業(yè)銀行應(yīng)拓寬業(yè)務(wù)范圍，不斷創(chuàng)新與豐富綠色金融產(chǎn)品，全方位打造綠色銀行，并將氣候風(fēng)險全面納入銀行治理系統(tǒng)中，建立完善的氣候風(fēng)險管理體系。第三，金融監(jiān)管部門應(yīng)高度重視轉(zhuǎn)型過程中將核心資本充足率控制在合理范圍內(nèi)對微觀金融穩(wěn)定的重要作用，強化商業(yè)銀行資本風(fēng)險管理，提高應(yīng)對氣候轉(zhuǎn)型風(fēng)險的資本充足性水平。

注 釋

①氣候轉(zhuǎn)型風(fēng)險，是指社會向可持續(xù)發(fā)展轉(zhuǎn)型的過程中，氣候政策、低碳技術(shù)創(chuàng)新、市場情緒等因素變化導(dǎo)致金融機構(gòu)發(fā)生損失的風(fēng)險。

②氣候明斯基時刻，是指全球氣候變化誘發(fā)的系統(tǒng)性風(fēng)險集中爆發(fā)的時刻。

③“棕色”企業(yè)是相對于“綠色”企業(yè)而言，是指高污染、高排放的碳密集型企業(yè)。

④IAMC 1.5℃場景數(shù)據(jù)庫重點運用如全球氣候變化的綜合評估模型（GCAM）等專業(yè)衡量氣候變化模型（M），提供了各個國家在未來不同升溫目標場景（S）下2015—2100 年期間每隔10 年的31 組實體-社會-宏觀經(jīng)濟變量的預(yù)測結(jié)果。數(shù)據(jù)庫網(wǎng)址：https：//data.ene.iiasa.ac.at/iamc-1.5c-explorer。

⑤上市公司的選擇依據(jù)為：在證監(jiān)會2012版行業(yè)分類的基礎(chǔ)上，剔除遭受連續(xù)虧損的ST 和*ST 企業(yè)，以及數(shù)據(jù)不連續(xù)、缺失值較嚴重的企業(yè)，最終選取各行業(yè)類型下共1911家上市公司。所選企業(yè)幾乎涵蓋了我國所有上市公司，證明本文的樣本企業(yè)具有較好的代表性，可以用來反映我國上市企業(yè)的總體情況。

⑥該模型將公司債務(wù)市值D 估計為債務(wù)的賬面價值F，即D=F，則公司的市場價值V 等于債務(wù)市值D+權(quán)益市值E，即V=F+E；權(quán)益市值E=流通股股數(shù)×期末收盤價+非流通股股數(shù)×每股凈資產(chǎn)；公司的預(yù)期資產(chǎn)收益率μ等于上年的公司股票收益率r；利用歷史波動率法來估算權(quán)益價值波動率。