氣候物理風險壓力測試方法探索與應用：基于銀行業(yè)金融機構(gòu)自下而上的實踐

摘" "要：氣候風險壓力測試作為評估氣候物理風險潛在損失的有效工具，在防范區(qū)域性、系統(tǒng)性金融風險方面具有重要價值。然而，氣候物理風險的非線性與厚尾分布特性導致傳統(tǒng)壓力測試方法面臨建模困境。本研究基于國際組織氣候風險量化評估框架，整合臺風路徑隨機模擬、RCP8.5氣候情景動態(tài)映射、損失函數(shù)校準及資產(chǎn)負債表風險傳導建模等技術(shù)路徑，構(gòu)建了銀行業(yè)金融機構(gòu)自下而上的氣候物理風險壓力測試方法體系。實證研究表明：臺風災害造成的損失率及年度業(yè)務中斷損失率均呈現(xiàn)上升趨勢，導致貸款企業(yè)資產(chǎn)減值損失及資本支出逐年上升，但是企業(yè)的違約率仍處于一個相對可控的區(qū)間，單一的臺風災害風險傳導對金融機構(gòu)的影響并不十分顯著，亟須關注多元復合風險引發(fā)的傳導效應。

關鍵詞：氣候物理風險；壓力測試；臺風災害；風險傳導

中圖分類號：F830" 文獻標識碼：A" 文章編號：1674-2265（2025）05-0078-12

DOI：10.19647/j.cnki.37-1462/f.2025.05.008

一、引言

氣候變化已成為21世紀人類社會面臨的最嚴峻挑戰(zhàn)。無論是漸進性的氣候演變還是突發(fā)性的極端天氣事件，都在持續(xù)沖擊經(jīng)濟增長基礎并威脅金融體系穩(wěn)定。近年來全球氣候異常事件頻發(fā)，印證了政府間氣候變化專門委員會（IPCC）關于氣候加速變暖的預警。聯(lián)合國環(huán)境規(guī)劃署（UNEP，2020）[1]研究顯示，若現(xiàn)行排放趨勢持續(xù)，至2100年全球氣溫可能攀升3.2℃，這一變化將主要通過物理風險機制影響經(jīng)濟金融系統(tǒng)。物理風險可分為兩類：由臺風、洪澇、熱浪等極端天氣引發(fā)的“急性”風險，以及海平面上升、降水模式改變等引發(fā)的“慢性”風險。盡管兩類風險均會導致資產(chǎn)貶損，但“急性”風險因其突發(fā)性和復合性特征，往往造成直接資產(chǎn)損失與產(chǎn)業(yè)鏈中斷的疊加效應，對金融穩(wěn)定的沖擊尤為劇烈（NGFS，2022）[2]。值得注意的是，基礎設施薄弱且災害預警體系尚不健全的新興經(jīng)濟體在應對“急性”氣候風險時面臨更嚴峻挑戰(zhàn)。Cian等（2016）[3]的研究表明，缺乏早期預警系統(tǒng)將顯著放大風險敞口，導致經(jīng)濟損失規(guī)模呈非線性增長。在此背景下，構(gòu)建氣候物理風險的量化評估體系具有雙重戰(zhàn)略價值：一方面，為金融監(jiān)管部門提供壓力情景下的風險識別工具，助力宏觀審慎政策制定；另一方面，指導金融機構(gòu)優(yōu)化資產(chǎn)配置策略，提升氣候韌性管理水平，這對實現(xiàn)“雙碳”目標與綠色轉(zhuǎn)型具有重要支撐作用。

當前，情景分析與壓力測試已成為國際主流的氣候風險評估工具。相較于以碳價波動為核心的轉(zhuǎn)型風險評估（丁攀等，2022）[4]，物理風險壓力測試面臨三大技術(shù)瓶頸：首先是時空異質(zhì)性，物理風險往往出現(xiàn)在未來30～80年，突破傳統(tǒng)壓力測試3～5年的周期限制，且風險暴露具有顯著地理分布特征（Tobias等，2022）[5]，顯然基于不同情景下推測未來幾十年的致災因子變化易受到學術(shù)界的爭議；其次是數(shù)據(jù)可得性，歷史災害損失數(shù)據(jù)的時空破碎性與傳統(tǒng)極值理論的失效直接影響模型精度，全球僅23%的地區(qū)具備30年以上極端事件的連續(xù)觀測記錄，新興市場普遍受限于災害暴露數(shù)據(jù)庫缺失與建模能力鴻溝（NGFS，2023）[6]；最后是模型適用性，氣候臨界點突變效應與多災種并發(fā)機制難以量化，國際巨災模型（如AIR、RMS等）易受盧卡斯批判影響，且其顯著的區(qū)域特性限制了在新興市場的適用。這些挑戰(zhàn)無疑制約了氣候物理風險壓力測試的探索進程，目前部分國家中央銀行的氣候風險壓力測試均包含轉(zhuǎn)型風險，僅有少數(shù)發(fā)達經(jīng)濟體中央銀行或貨幣監(jiān)管當局開展了針對物理風險的壓力測試，且鮮有對測試方法的披露。國內(nèi)層面，中國人民銀行僅完成了對23家主要銀行的火電、鋼鐵、水泥等三大高碳行業(yè)的氣候轉(zhuǎn)型風險敏感性壓力測試，氣候物理風險的壓力測試仍在探索中。

在此背景下，探索構(gòu)建符合本國區(qū)域特征的氣候物理風險壓力測試方法論顯得尤為重要。本文聚焦臺風災害這一典型“急性”氣候風險載體展開研究，主要基于以下兩方面考慮：一是針對臺風致災因子的預測已逐漸成熟，特別是氣候模型（如CMIP系列）的迭代升級顯著提升了臺風預測的數(shù)據(jù)質(zhì)量，氣候風險宏觀情景壓力測試主流模型如綜合評估模型（Integrated Assessment Models，IAMs）、全球經(jīng)濟模型（National Institute of Economic and Social Research Global Economic Model，NiGEM）已預測出不同氣候模式下全球各國宏觀經(jīng)濟變量未來30～80年的變化趨勢，且被主要發(fā)達國家中央銀行廣泛應用于氣候風險壓力測試。二是臺風造成的歷史損失數(shù)據(jù)可得性要高于其他“急性”物理事件，有助于校準易損性曲線并提高脆弱性因子預測的精度。本文基于政府間氣候變化專門委員會（IPCC）關于熱帶氣旋強度增強的科學判斷，采用CLIMADA國際開源模型，圍繞臺風“致災因子預測—風險暴露與損失估計—對經(jīng)濟金融系統(tǒng)影響”的風險傳導路徑，創(chuàng)新構(gòu)建了RCP8.5情景下的壓力測試框架。本文可能的主要邊際貢獻在于：理論層面，系統(tǒng)梳理國際物理風險評估范式，厘清了氣候物理風險壓力的基本框架與實施步驟，為國家金融監(jiān)管部門豐富氣候物理風險量化評估拓寬了研究思路；方法層面，通過臺風路徑模擬、降尺度轉(zhuǎn)換、情景映射、損失曲線校準，生動刻畫了臺風災害風險的傳導路徑，為氣候?qū)W、生態(tài)學與傳統(tǒng)經(jīng)濟學的融合構(gòu)建了一個新的研究框架；應用層面，通過構(gòu)建氣候物理風險映射至樣本企業(yè)，開發(fā)了動態(tài)財報驅(qū)動模型，為法人銀行業(yè)機構(gòu)開展自下而上的氣候物理風險壓力測試提供了方法論創(chuàng)新。

二、氣候物理風險壓力測試方法的框架與最新研究進展

氣候物理風險壓力測試的理論研究與實踐方法仍處于探索與發(fā)展階段，其體系構(gòu)建呈現(xiàn)理論先導與實踐跟進的雙軌特征。在理論研究層面，國際貨幣基金組織（IMF）通過系列戰(zhàn)略文件系統(tǒng)推進氣候風險分析框架建設，在綜合監(jiān)測審查（IMF，2021a）[7]、金融部門評估規(guī)劃審查（IMF，2021b）[8]、氣候戰(zhàn)略（IMF，2021c）[9]等多個報告中，重點探討了氣候風險壓力測試的方法論創(chuàng)新及其與現(xiàn)有金融穩(wěn)定評估工具的協(xié)同機制。值得注意的是，IMF在將氣候風險納入金融體系穩(wěn)健性評估框架（FSAP）時，特別強調(diào)其政策定位并非機械驗證銀行機構(gòu)在數(shù)十年后的資本充足率，而是旨在構(gòu)建風險認知傳導的三重機制：一是提升市場參與者對氣候風險的系統(tǒng)性認知，二是解構(gòu)氣候沖擊對宏觀經(jīng)濟與實體部門的傳導路徑，三是揭示金融體系的風險承載邊界與適應韌性。

從方法論演進維度觀察，氣候物理風險壓力測試已形成多層建模體系。政府間氣候變化專門委員會（IPCC，2021）[10]提出的“全球—區(qū)域”嵌套模型架構(gòu)具有開創(chuàng)性意義，該框架通過全球氣候模型（GCM）與區(qū)域氣候模型（RCM）的耦合運算，實現(xiàn)了致災因子在特定情景路徑下的動態(tài)模擬。NGFS（2022）[2]在此基礎上構(gòu)建了多災種損失評估矩陣，創(chuàng)新性地整合洪水、颶風、熱浪等11類災害的暴露度—脆弱性函數(shù)，并開發(fā)了開源數(shù)據(jù)平臺以解決新興市場國家的數(shù)據(jù)可得性難題。

實踐應用層面呈現(xiàn)顯著的區(qū)域差異特征。根據(jù)NGFS（2022）[2]監(jiān)測數(shù)據(jù)，截至2022年全球雖有36個司法管轄區(qū)啟動氣候壓力測試項目，但僅有英格蘭銀行、歐洲中央銀行等6個發(fā)達經(jīng)濟體監(jiān)管機構(gòu)完成全流程測試并披露結(jié)果。這種實踐鴻溝促使IMF啟動新興市場專項支持計劃，其技術(shù)援助項目已取得階段性成果：針對菲律賓設計的“臺風—疫情”復合沖擊模型，成功量化了氣候災害與公共衛(wèi)生危機的協(xié)同放大效應；在墨西哥實施的“颶風—洪澇”鏈式反應壓力測試，則創(chuàng)新性地納入了基礎設施韌性系數(shù)與保險覆蓋調(diào)節(jié)因子。這些實踐案例為構(gòu)建適應發(fā)展中國家特征的氣候風險壓力測試工具箱提供了重要范本。

（一）關于溫度與排放情景的選擇與設定

為更科學地評估不同社會發(fā)展模式與氣候系統(tǒng)的耦合關系，聯(lián)合國政府間氣候變化專門委員會（IPCC）在第五次評估報告中創(chuàng)新性地引入國際耦合模式比較計劃第五階段（CMIP5）的四類典型濃度路徑（Representative Concentration Pathways，RCPs）——包括RCP2.6、RCP4.5、RCP6.0和RCP8.5，構(gòu)建了基于輻射強迫水平的未來氣候演變框架。隨著研究體系的深化，政府間氣候變化專門委員會（IPCC）第六次評估報告進一步整合社會經(jīng)濟要素，提出共享社會經(jīng)濟路徑（Shared Socioeconomic Pathways，SSPs）的五大情景體系，按輻射強迫遞增排序分別為SSP1-1.9、SSP1-2.6、SSP2-4.5、SSP3-7.0及SSP5-8.5，為學界提供了多維度的研究選擇。在此基礎上，NGFS（中央銀行與監(jiān)管機構(gòu)綠色金融網(wǎng)絡）于2020年6月開創(chuàng)性地構(gòu)建了氣候—經(jīng)濟復合情景框架，將典型濃度路徑與共享社會經(jīng)濟路徑進行系統(tǒng)集成，形成三大基準情景：有序轉(zhuǎn)型（包含2050凈零排放+升溫1.5℃、漸進減排+升溫lt;2℃子情景）、無序轉(zhuǎn)型（涵蓋延遲行動+升溫2℃、加速追趕+升溫1.5℃子情景）以及溫室世界（納入政策慣性延續(xù)、承諾未兌現(xiàn)兩類子情景）。該情景體系已通過持續(xù)優(yōu)化迭代，于2023年發(fā)布第四版更新，為全球氣候經(jīng)濟建模提供了更為精細化的分析工具。新版的NGFS情景融入了截至2023年3月新增國家凈零排放承諾措施、新減排技術(shù)及俄烏沖突對能源市場的沖擊等信息，其中急性物理風險評估中涵蓋了熱帶氣旋、洪水、干旱、熱浪等極端天氣事件的預測（NGFS，2023）[11]。NGFS采用了CLIMADA模型框架（Aznar-Siguan和Bresch，2019）[12]，并在Knutson等（2015）[13]對RCP4.5情景研究的基礎上通過線性插值的方法推導出了其他典型濃度路徑情景下熱帶氣旋的頻率與強度的百分比變化。在洪水災害的情景設計上，NGFS結(jié)合了Hempel等（2013）[14]的多部門影響模型比較計劃項目（ISIMIP）和Sutanudjaja等（2018）[15]的全球水文模型（GHM），對不同典型濃度路徑情景下各網(wǎng)格點洪水深度進行了模擬。

情景設計作為對未來氣候變化的合理假設，是氣候物理風險壓力測試的重要組成部分。由于不同國家氣候災害種類不同，特別是地理位置的不同導致災害影響程度的巨大差異，在情景的開發(fā)與應用上NGFS（2022）[2]給出了明確指引：一是合理性問題，即情景能夠合理解釋未來災害的演變；二是獨特性問題，即情景應符合該國家或地區(qū)的實際特征，包括災害的特征分布；三是一致性問題，即情景須具備較強的內(nèi)在邏輯，能通過多種數(shù)據(jù)來源的論證；四是相關性問題，即全球變暖的路徑應與目標災害風險及風險的地理位置相關。部分國家探索氣候物理風險情景設計的經(jīng)驗也證實了這一點，如英格蘭銀行在NGFS的情景基礎上開發(fā)了提前行動、延遲行動與無政策行動三個情景，并形成了一系列包含熱帶氣旋、野火、熱浪、暴雨等災害指標截至2080年的預測值（BOE，2021）[16]。摩洛哥中央銀行在對干旱、洪澇開展的物理風險壓力測試中涵蓋了RCP4.5、RCP8.5兩個情景，并對事件重現(xiàn)期做了敏感性分析。印度尼西亞的一項氣候物理風險壓力測試則將2007年雅加達持續(xù)3天的洪澇災害作為基準情景，定義了50年一遇的洪澇災害重現(xiàn)期并分別設計了降雨量持續(xù)5天、更大降雨量持續(xù)3天兩個情景。

（二）關于氣候物理風險的致災因子預測

為系統(tǒng)評估氣候物理風險，需構(gòu)建氣候災害空間分布模型以量化致災因子特征，其核心在于精準估算極端氣候事件的頻率與強度演變規(guī)律。無論是洪水、熱浪、颶風等突發(fā)性極端天氣，抑或海平面上升、熱力學平衡變化等緩發(fā)性災害，其風險評估均依賴于全球氣候模型（GCM）的數(shù)值模擬能力。氣候建模的理論突破始于Smagorinsky（1963）[17]的開創(chuàng)性工作，其基于大氣動力學原始方程組構(gòu)建了大氣環(huán)流數(shù)值模型，首次將風場、云物理、降水過程、氣壓梯度及地氣輻射交換等關鍵參數(shù)納入計算框架，奠定了現(xiàn)代全球氣候模型（GCM）的基礎架構(gòu)。Manabe和Wetherald（1975）[18]通過建立輻射—對流耦合模型，首次實現(xiàn)二氧化碳濃度與地表溫度變化的定量關聯(lián)，揭示了溫室效應的物理機制。經(jīng)過半世紀演進，全球氣候模型（GCM）已從單一的大氣環(huán)流模擬發(fā)展為涵蓋水圈、冰凍圈、生物圈及人類活動的多圈層耦合系統(tǒng)（Earth System Model，ESM）。隨著區(qū)域氣候風險評估需求的激增，傳統(tǒng)全球氣候模型（GCM）因空間分辨率不足（通常＞100公里）難以滿足精細化分析要求。區(qū)域氣候模型（RCM）的突破性發(fā)展，通過動力降尺度技術(shù)將模擬分辨率提升至10～50公里量級，顯著增強了災害暴露度的空間解析能力。Hastie等（2009）[19]的系統(tǒng)比較研究表明，動力降尺度雖物理機制完備但計算成本高昂，且輸出仍需二次轉(zhuǎn)化；統(tǒng)計法則以較低成本獲得更優(yōu)預測性能，但其精度高度依賴統(tǒng)計模型適用性（Estrada等，2013）[20]與再分析數(shù)據(jù)質(zhì)量（Brands等，2011）[21]。實踐應用中需綜合權(quán)衡數(shù)據(jù)基礎、計算資源與精度需求進行方法優(yōu)選。典型案例可見IMF對菲律賓的臺風物理風險評估，其整合HadGEM3-RA、HadRM3P和RegCM4三種動力降尺度模型（分辨率12～25公里），在RCP8.5情景下模擬預測2023—2065年間臺風登陸頻次將增加23%，最大風速提升達18%，為氣候韌性金融提供了量化決策依據(jù)。

（三）關于氣候物理風險暴露因子的估計

氣候物理風險的暴露因子表征為災害敏感型資產(chǎn)的空間分布特征及其潛在經(jīng)濟損失（Cardona等，2012）[22]。由于不同災種對經(jīng)濟系統(tǒng)的空間作用機制存在顯著差異，例如干旱風險的暴露度通常呈現(xiàn)區(qū)域同質(zhì)化特征，而臺風、洪澇等災害的經(jīng)濟沖擊在百米乃至米級尺度即產(chǎn)生明顯梯度變化，資產(chǎn)價值的空間降尺度建模成為風險評估的關鍵環(huán)節(jié)。針對全球資產(chǎn)暴露數(shù)據(jù)普遍存在的空間分辨率不足問題，學界發(fā)展了基于社會經(jīng)濟代理變量的網(wǎng)格化降尺度方法體系。Gunasekera等（2015）[23]開創(chuàng)性地采用GDP作為國家尺度資產(chǎn)存量的代理指標，通過多維度地理要素進行空間分解：Kuhn和Rios-Rull（2016）[24]驗證了GDP與固定資產(chǎn)存量的統(tǒng)計相關性；Kummu等（2018）[25]構(gòu)建了人口地理動態(tài)模型；Murakami和Yamagata（2019）[26]則整合土地利用、交通網(wǎng)絡等空間要素，形成多維度的GDP降尺度分配框架。Samuel等（2020）[27]進一步優(yōu)化該體系，實現(xiàn)了區(qū)域生產(chǎn)總值（GRP）到1km×1km網(wǎng)格的精細化映射。在技術(shù)創(chuàng)新層面，夜光遙感數(shù)據(jù)展現(xiàn)出獨特優(yōu)勢：Henderson等（2012）[28]證實夜間燈光強度與經(jīng)濟活動強度存在指數(shù)型關聯(lián)，Gettelman等（2017）[29]據(jù)此建立了基于DMSP/OLS和VIIRS衛(wèi)星數(shù)據(jù)的資產(chǎn)暴露反演模型，該技術(shù)在熱帶氣旋災害暴露評估中誤差較傳統(tǒng)方法降低32%。最前沿研究更融合多源遙感與深度學習技術(shù)，如NGFS（2022）[2]突尼斯洪災模型中，通過高分辨率衛(wèi)星影像解析建筑密度、土地利用類型等微觀特征，結(jié)合行業(yè)資產(chǎn)數(shù)據(jù)庫與人口加權(quán)GDP數(shù)據(jù)，構(gòu)建了30m×30m精度的暴露因子數(shù)據(jù)庫，顯著提升了災害損失評估的時空分辨率。這些技術(shù)突破標志著氣候物理風險量化研究已進入多源數(shù)據(jù)融合驅(qū)動的智能評估新階段。

（四）關于氣候物理風險脆弱性因子的估計

氣候脆弱性因子的量化表征需通過構(gòu)建災害強度—資產(chǎn)損失響應函數(shù)（易損性曲線）實現(xiàn)，其數(shù)學關系受到致災因子物理特征、承災體結(jié)構(gòu)屬性及區(qū)域抗災能力的多維度影響。研究范式的發(fā)展歷程凸顯出空間異質(zhì)性校準的關鍵作用：Emanuel（2011）[30]基于A1B情景首次建立了熱帶氣旋最大風速與財產(chǎn)損失率的全局影響函數(shù)，但后續(xù)研究揭示出該模型對建筑規(guī)范差異（如抗震等級、防洪標準）及社會經(jīng)濟脆弱性（保險滲透率、災后恢復能力）的空間異質(zhì)性響應不足；Eberenz等（2021）[31]通過62國歷史災損數(shù)據(jù)校準發(fā)現(xiàn)，熱帶氣旋易損性曲線的斜率參數(shù)存在顯著區(qū)域差異，如東南亞地區(qū)風速—損失彈性系數(shù)較北美高37%，凸顯局地化建模的必要性。國際主流機構(gòu)已建立多災種脆弱性函數(shù)庫：歐盟聯(lián)合研究中心開發(fā)了涵蓋工農(nóng)業(yè)、交通等部門的全球洪水深度—損失率函數(shù)矩陣；美國聯(lián)邦應急管理局（FEMA）基于保險理賠大數(shù)據(jù)構(gòu)建了細分建筑類型的風災、洪澇、地震易損性曲線庫，并集成至美國災害風險評估系統(tǒng)（HAZUS）地理信息系統(tǒng)平臺，實現(xiàn)損失評估的空間可視化。NGFS（2022）[2]最新發(fā)布的《氣候物理風險技術(shù)指南》系統(tǒng)開源了熱帶氣旋、洪澇（河流/沿海）、干旱等災種的脆弱性函數(shù)參數(shù)集及校準方法論。在評估技術(shù)上，概率型巨災模型正成為前沿方向。以蘇黎世聯(lián)邦理工學院CLIMADA模型為代表的第三代工具，通過蒙特卡洛模擬將離散災害事件的物理強度場轉(zhuǎn)化為空間顯式的年化預期損失（AAL）分布，支持投資組合層面的氣候風險壓力測試。這類模型通過耦合高分辨率暴露數(shù)據(jù)庫與動態(tài)脆弱性函數(shù)，能夠量化氣候轉(zhuǎn)型風險與物理風險的共振效應，為金融機構(gòu)提供多維風險透視能力。

（五）對經(jīng)濟金融系統(tǒng)的影響評估

氣候物理風險的金融傳導機制呈現(xiàn)多維復雜性，對其影響的評估需區(qū)分直接經(jīng)濟損失與系統(tǒng)性風險擴散效應?；谝讚p性曲線或巨災模型測算的直接資產(chǎn)損失僅是風險傳導的初始沖擊，而災害引發(fā)的間接經(jīng)濟損失在時空維度上往往呈現(xiàn)級聯(lián)放大效應——包括產(chǎn)業(yè)鏈中斷、資本重置延遲、生產(chǎn)要素錯配等動態(tài)過程，這些非線性相互作用會導致全要素生產(chǎn)率持續(xù)衰減，并通過宏觀經(jīng)濟衰退壓力最終轉(zhuǎn)化為金融系統(tǒng)穩(wěn)定性風險（IMF，2022）[32]。其中，災害沖擊不僅直接摧毀物理資本，更通過重建周期延長（平均滯后3～5年）形成資本折舊缺口，造成資本—勞動比率的結(jié)構(gòu)性失衡，而臨時性資源錯配（如勞動力遷移、供應鏈重組）與永久性技術(shù)倒退（知識資本流失）共同削弱經(jīng)濟體的潛在增長率?，F(xiàn)代評估體系通過構(gòu)建動態(tài)隨機一般均衡（DSGE）模型與金融加速器機制的耦合系統(tǒng)，實現(xiàn)物理風險向金融風險的跨尺度傳導模擬。宏觀層面采用全球經(jīng)濟模型或國別動態(tài)一般均衡（DSGE）模型，將資本存量損失映射至GDP增速、失業(yè)率、通脹率等核心宏觀經(jīng)濟指標，進而通過金融部門評估規(guī)劃（FSAP）框架評估銀行資本充足率、不良貸款率等金融穩(wěn)健性指標的變化軌跡。微觀層面則基于地理編碼的企業(yè)—家庭資產(chǎn)負債表數(shù)據(jù)庫，結(jié)合保險覆蓋度調(diào)整因子，構(gòu)建顆粒度達到郵政編碼層級的損失分布模型。通過蒙特卡洛模擬量化抵押品價值折損、違約概率上升等微觀金融風險，最終聚合形成銀行體系的風險敞口熱力圖。該雙路徑評估體系成功解決了傳統(tǒng)方法的時空尺度斷裂問題：宏觀模型捕捉經(jīng)濟系統(tǒng)的整體彈性，微觀模型解析風險傳導的異質(zhì)性特征，兩者通過系統(tǒng)重要性金融機構(gòu)（SIFI）的網(wǎng)狀關聯(lián)形成風險評估閉環(huán)。實踐表明，在RCP8.5情景下，熱帶氣旋頻發(fā)區(qū)域的商業(yè)銀行資本充足率可能因抵押品貶值而下降1.2～2.8個百分點，系統(tǒng)性風險溢價將上升30～45個基點（NGFS，2023）[6]。這些進展標志著氣候金融風險量化已進入多尺度耦合建模的新紀元。

三、氣候物理風險壓力測試方法：基于臺風災害的探索與應用

災害能否引發(fā)區(qū)域性、系統(tǒng)性金融風險，不僅取決于災害本身的特點，還取決于經(jīng)濟體的規(guī)模。一場超強臺風災害不會使整個國家產(chǎn)生系統(tǒng)性金融風險，但是對于島嶼型經(jīng)濟體可能引發(fā)區(qū)域性金融風險（NGFS，2022）[2]。海南省作為氣候災害最嚴重的省份之一，臺風每年都對全省農(nóng)作物和房屋資產(chǎn)造成不同程度的損害，進而對金融系統(tǒng)造成一定的沖擊，但也為我國探索氣候物理風險壓力測試提供了良好的區(qū)域試點。鑒于此，本文的研究將構(gòu)建一個自下而上的氣候物理風險壓力測試分析框架，以金融機構(gòu)交易對手資產(chǎn)負債表的變化為切入點，評估聯(lián)合國政府間氣候變化委員會（IPCC）提出的代表性濃度路徑RCP8.5情景下①極端天氣臺風災害對金融部門的影響與沖擊。

（一）臺風路徑的模擬與RCP8.5情景的映射

進行氣候物理風險壓力測試時要對未來氣候變化進行估計，需要考慮極端災害事件，如百年一遇甚至兩百年一遇的超強臺風事件，僅利用有限的歷史臺風數(shù)據(jù)無法實現(xiàn)對極端臺風事件的分布模擬，需要在歷史臺風軌跡的基礎上生成概率事件，進一步模擬合成軌跡。登陸海南的臺風主要來自西北太平洋生成的熱帶氣旋，在CLIMADA模型框架下提取1981—2020年西北太平洋生成的所有熱帶氣旋數(shù)據(jù)，采用控制方向的隨機游走過程對上述歷史移動軌跡數(shù)據(jù)進行模擬，每一條歷史移動軌跡數(shù)據(jù)可以模擬出9條合成路徑，合計生成7730條移動軌跡數(shù)據(jù)集。確定以海南省陸地面積的幾何中心為圓心（北緯19度9.6分，東經(jīng)109度50.4分）、半徑為500KM的圓形范圍，所有經(jīng)過該范圍的熱帶氣旋移動軌跡定義為可能影響或登陸海南的臺風路徑。通過CLIMADA降尺度工具包，將海南省陸地面積劃分為644個單元網(wǎng)格區(qū)域，將臺風合成路徑數(shù)據(jù)集轉(zhuǎn)化為單元網(wǎng)格區(qū)域的風速。Knutson等（2015）[14]基于RCP4.5情景預測了臺風風速與頻率，在此基礎上CLIMADA開發(fā)了對應RCP情景轉(zhuǎn)換工具包，通過RCP4.5和其他RCP情景之間的熱輻射強度相對關系，求得未來年份的縮放系數(shù)，再利用線性插值的方法，映射出合成路徑數(shù)據(jù)集在RCP8.5情景下未來目標年份單元網(wǎng)格區(qū)域的臺風風速與頻率（見表1）。

（二）建立臺風風速與損失的函數(shù)關系

Emanuel（2011）[30]建立了如下的熱帶氣旋風速與損失之間的函數(shù)關系：

[f=v3n1+v3n]" " " " " " " " " " " " " nbsp; " " " " " " " "（1）

[vn=MaxV-Vthresh，0Vhalf-Vthresh]" " " " （2）

其中，[V]代表熱帶氣旋的風速，[f]代表熱帶氣旋災害造成的損失率，[Vthresh]代表了風速閾值，不同地區(qū)的閾值不同。Emanuel（2011）[30]估計了美國熱帶氣旋的風速閾值為25.7m/s，Elliott等（2015）[33]經(jīng)校準估計發(fā)現(xiàn)該閾值也適用中國的臺風。[Vhalf]代表了損失函數(shù)斜率最大時的風速，其大小取決于建筑物的類型與結(jié)構(gòu)牢固程度，Sealy和Strobl（2017）[34]通過美國歷史損失數(shù)據(jù)校準發(fā)現(xiàn)，[Vhalf]針對各類建筑物的平均值為74.7 m/s。由于不同強度的臺風對不同地區(qū)建筑物資產(chǎn)造成的破壞程度存在差異，即損失函數(shù)斜率存在顯著的地區(qū)差異，需要結(jié)合地區(qū)的歷史損失數(shù)據(jù)進行校準。鑒于歷史臺風損失數(shù)據(jù)的可得性，假設海南省的建筑物結(jié)構(gòu)標準均符合國家標準，通過校準全國臺風損失函數(shù)可以近似代表海南地區(qū)的損失函數(shù)。國際災害數(shù)據(jù)庫（EM-DAT）統(tǒng)計了全球范圍內(nèi)每個災害事件及相關國家的損失影響，因此，可以通過該數(shù)據(jù)庫提取中國地區(qū)歷史臺風災害數(shù)據(jù)并與CLIMADA模型框架下提取的歷史臺風時間與移動軌跡進行匹配，識別出53條對中國地區(qū)產(chǎn)生損失影響的歷史臺風軌跡數(shù)據(jù)。鑒于國際災害數(shù)據(jù)庫（EM-DAT）的損失金額均以2014年為基期的美元計價，以及考慮到損失數(shù)據(jù)受地區(qū)經(jīng)濟差異的影響，本文參照Eberenz等（2021）[31]的做法，對匹配出的歷史損失數(shù)據(jù)進行如下標準化處理：

[NRDE=RDE?GDP2014GDPy]" " " " （3）

其中，[NRDE]為標準化后的歷史損失數(shù)據(jù)，[RDE]為原始數(shù)據(jù)庫提取的歷史損失數(shù)據(jù)，[GDPy]為臺風事件發(fā)生當年的國內(nèi)生產(chǎn)總值。

為了進一步校準式（2）中的[Vhalf]，則單個臺風事件的擬合優(yōu)度為：

[EDRE=SEDENRDE=f?EXPNRDE]" " （4）

其中，[EDRE]趨近于1時，代表單個臺風事件的損失擬合程度越高。[EXP]表示資產(chǎn)的風險暴露敞口，即受臺風影響的區(qū)域資產(chǎn)價值②。

引入均方根誤差來進一步衡量整個區(qū)域所有匹配臺風事件的擬合優(yōu)度：

[RMSF=exp1NE=1NlnEDRE2]" " " "（5）

其中，[RMSF]趨近于1時，代表整個區(qū)域所有匹配臺風事件的損失擬合程度較高。

通過式（4）和式（5）的校準，可以求解出式（2）中[Vhalf]的估計值③。在完成[Vhalf]的估計后，可以通過式（1）和式（2）預測出基于RCP8.5情景下各目標年份單次臺風風速下的資產(chǎn)損失率。

將目標年份所有單次臺風風速下的資產(chǎn)損失率與發(fā)生的頻率進行乘積加總，就可以轉(zhuǎn)化為年度的資產(chǎn)損失率。因此，可以根據(jù)未來目標年份不同網(wǎng)格區(qū)域的風速，繪制出對應的資產(chǎn)損失率分布圖。

（三）損失金額的估計及對金融系統(tǒng)的風險傳導

通過計算目標年份不同網(wǎng)格區(qū)域的風險暴露資產(chǎn)④與對應資產(chǎn)損失率的乘積，可以得到該區(qū)域的資產(chǎn)損失總額。通過對各網(wǎng)格區(qū)域的資產(chǎn)損失進行加總，可以得到目標年份海南省的資產(chǎn)損失總額。為了更好地指導地方法人銀行機構(gòu)實施前瞻性的氣候風險管理，本文采用自下而上壓力測試方法，重點分析氣候物理風險對單家銀行機構(gòu)的微觀傳導，擬從其交易對手的資產(chǎn)負債表端入手開展氣候物理風險壓力測試。

對于單家銀行機構(gòu)，可以通過采集貸款企業(yè)抵押品的地理位置，根據(jù)資產(chǎn)損失率分布圖得到抵押品的資產(chǎn)損失金額，進而可以得到不同目標年份抵押品的剩余資產(chǎn)價值，當剩余資產(chǎn)價值不足以覆蓋貸款金額時將面臨違約風險。具體可以通過采集貸款企業(yè)財報信息和運營場所的地理位置，分析臺風所引起的各類災害（風災、風暴潮和暴雨）導致企業(yè)財務報表中關鍵因子發(fā)生的變化。通過驅(qū)動關鍵因子可以將臺風的物理風險壓力傳導到財務報表，再根據(jù)該財報數(shù)據(jù)算出評級評分卡模型所需指標，進而得出企業(yè)在物理風險下的違約概率（PD）。最后通過違約概率和減值計提模型，將企業(yè)臺風物理風險進一步傳導至銀行預期信貸損失（ECL）。

1. 關鍵驅(qū)動因子。臺風登陸引發(fā)企業(yè)運營中斷，將對企業(yè)的產(chǎn)量、營業(yè)成本、營業(yè)收入、固定資產(chǎn)資本支出產(chǎn)生影響；另外，災害造成的破壞也會導致企業(yè)固定資產(chǎn)減值。因此，本文的關鍵驅(qū)動因子包括物理風險壓力下的產(chǎn)量變化率、單位成本變化率、單位收入變化率、固定資產(chǎn)資本支出率、固定資產(chǎn)減值率五大因子。其公式如下：

[壓力下產(chǎn)量指數(shù)=產(chǎn)量指數(shù)×（1-年度業(yè)務中斷損失率）]

[壓力下產(chǎn)量變化率t=壓力下產(chǎn)量指數(shù)t壓力下產(chǎn)量指數(shù)t-1-1]" " "（6）

根據(jù)臺風損害比率和企業(yè)運營中斷時間的映射，可得出因臺風引起的年度業(yè)務中斷損失率。

[壓力下單位成本變化率t=壓力下營業(yè)成本t壓力下營業(yè)成本t-1×1+壓力下產(chǎn)量變化率t-1]

（7）

[壓力下單位收入變化率t=壓力下營業(yè)收入t壓力下營業(yè)收入t-1×1+壓力下產(chǎn)量變化率t-1]

（8）

[壓力下固定資產(chǎn)資本支出率t=壓力下產(chǎn)量變化率t+折舊系數(shù)t+物理風險損失率t1+壓力下產(chǎn)量變化率t]

（9）

[壓力下固定資產(chǎn)減值率t=物理風險損失率t1+壓力下產(chǎn)量變化率t]

（10）

2. 關鍵因子驅(qū)動壓力下的財務報表。關鍵因子主要通過以下三個途徑驅(qū)動貸款企業(yè)未來財務報表中會計科目：一是部分會計科目可以直接由關鍵因子計算得出，如當期營業(yè)收入與往期營業(yè)收入、當期產(chǎn)量變化率和當期單位收入變化率之間存在算數(shù)關系。二是通過一系列會計勾稽關系得出，如毛利潤等于營業(yè)收入減去營業(yè)成本。三是假設某些科目之間成比例增長（銷售及管理費用與收入），與產(chǎn)量沒有明顯相關的科目（非常規(guī)收支）則假設保持不變，取三年平均值。最后得出目標年份的資產(chǎn)負債表和利潤表后，再通過勾稽關系得出該目標年份的現(xiàn)金流量表。

3. 壓力下財務報表與評級評分卡模型。本文擬采用評級評分卡模型將壓力下財務報表進一步映射至企業(yè)違約概率。評級評分卡模型分為定量指標和定性指標，權(quán)重分別為60%和40%。定量指標包括6個財務指標（收入、息稅攤銷前利潤率、留存現(xiàn)金流量/凈負債、負債/息稅折舊及攤銷前利潤、息稅攤銷前利潤/利息費用、自由現(xiàn)金流量/負債）。定性指標包括企業(yè)背景和財務政策。通過壓力下財務報表中的數(shù)據(jù)計算得出6個定量財務指標，根據(jù)模型中財務指標數(shù)值大小與評分得分的對應關系，得出6個財務指標得分合計，進而得出模型總得分（即等于6個財務指標得分合計除以權(quán)重60%）。最后根據(jù)模型總得分與評級、違約概率的映射關系，可得出貸款企業(yè)在物理風險壓力下的違約概率。

4. 減值計提模型。采用減值計提模型將單個企業(yè)（客戶）在物理風險壓力下的違約風險傳導至銀行預期信貸損失：

[ECLt=PDt×LGD×EADt0]" " " " " " " " " " （11）

其中，[PDt]為企業(yè)在物理風險壓力下的違約概率；[LGD]為企業(yè)平均違約損失率，通過整理海南省地方法人銀行機構(gòu)平均[LDG]所得；[EADt0]為企業(yè)基年敞口余額，取壓力下未來財務報表中短期借款、一年內(nèi)到期的非流動負債及長期借款乘以企業(yè)2022年基期加權(quán)風險敞口率得出未來[EAD]。

5. 物理風險壓力下對銀行預期信貸損失結(jié)果分析。本文選擇一家注冊于海南的生產(chǎn)型上市企業(yè)作為樣本開展自下而上的氣候物理風險壓力測試。通過企業(yè)的生產(chǎn)車間坐標確定地理位置的經(jīng)緯度，根據(jù)未來目標年份不同網(wǎng)格區(qū)域的風速繪制出對應的資產(chǎn)損失率分布圖，可得出該企業(yè)未來目標年份遭受臺風的風險損失率（見圖1）。根據(jù)物理風險損失率和中斷時間的映射表⑤，采用插值法得出該企業(yè)未來目標年份的營運中斷時間，通過計算得到年度業(yè)務中斷損失率（見圖2）。接著，通過五個關鍵驅(qū)動因子的計算公式（6）—（10），算出未來目標年份的關鍵驅(qū)動因子（見圖3）。以該企業(yè)近三年財務報表為基礎，通過合理假設、會計勾稽關系以及關鍵因子，得出未來目標年份的資產(chǎn)負債表、利潤表和現(xiàn)金流量表。利用未來目標年份的財務報表數(shù)據(jù)逐年計算出評級評分卡模型所需的6個財務指標并得出總得分，給予企業(yè)評級，進而得出企業(yè)每年的違約概率（見圖4）。最后，根據(jù)減值計提模型算出該企業(yè)將物理風險傳導至銀行導致的預期信貸損失。

由圖1和圖2可以看出，未來目標年份物理風險損失率及年度業(yè)務中斷損失率均呈現(xiàn)上升趨勢，表明臺風災害對參試樣本企業(yè)的影響是逐年上升的。由圖3可以看出，該企業(yè)在臺風災害壓力下產(chǎn)量變化率在2050年前基本穩(wěn)定在-0.02%，在2051年發(fā)生斷崖式下降至-0.05%后穩(wěn)步上升至-0.03%，表明臺風災害壓力下產(chǎn)量在2050年會大幅度減少，隨后也處于減少狀態(tài)但幅度有所緩和；壓力下單位成本變化率在2023年發(fā)生大幅下降至-6%后基本穩(wěn)定在0.1%，表明臺風災害對企業(yè)營業(yè)成本影響受產(chǎn)量下降所致短期內(nèi)迅速下降，但受營業(yè)中斷影響又快速上升；壓力下單位收入變化率在2023年較低（-5.01%），隨后穩(wěn)步上升至-0.7%，表明壓力下營業(yè)收入在2023年受到較大影響，隨后調(diào)整經(jīng)營策略，收入下降率有所緩和；資產(chǎn)減值損失率從2023年的4.88%穩(wěn)步上升至6.12%，資本支出率從2023年的15.28%穩(wěn)步上升至16.51%，表明生產(chǎn)所需的固定資產(chǎn)受臺風災害影響，使得企業(yè)資本損失及支出逐步上升。

由圖4可以看出，企業(yè)違約概率從2023年的20.33%（信用評級Caa3）上升至2024年的28.03%（信用評級Ca）后保持不變，該情況主要系企業(yè)評級評分卡6個財務指標在2024年后變化幅度不大，以至于6個財務指標得分未跳出評分卡模型得分區(qū)間左右閾值，故總得分區(qū)間保持在Ca信用評級。以 “息稅攤銷前利潤率”財務指標為例，若財務指標計算所得為0.06，則對應表2中0.025～0.07區(qū)間。該指標取值越大，財務指標評級越好，得分越小（在通用評分卡模型中得分小為更優(yōu)），違約概率越低。財務指標得分的計算采用線性差值的方法，即區(qū)間左閾值0.025對應區(qū)間最差分13.5，區(qū)間右閾值0.07對應區(qū)間最優(yōu)分16.5，則0.06對應的財務指標得分為13.5-（13.5-16.5）/（0.07-0.025）×（0.06-0.025）=15.83。由此可知，企業(yè)從2024年后違約概率不再發(fā)生變化了。

若企業(yè)未來目標年份敞口余額（EAD）保持基期水平，則未來該企業(yè)對銀行產(chǎn)生的預期信貸損失如圖5所示。在信貸敞口保持基期不變的前提下，以及受違約概率在2024年后保持不變的影響，預期信貸損失亦于2024年后保持不變，且該損失與企業(yè)基期貸款余額相比，占比較小。

若企業(yè)未來目標年份敞口余額每年隨著壓力下未來資產(chǎn)負債表中負債的變動而變動，則未來該企業(yè)使銀行產(chǎn)生的預期信貸損失見圖6。企業(yè)每年敞口余額通過壓力下未來財報中短期借款、一年內(nèi)到期的非流動負債及長期借款乘以企業(yè)2022年基期加權(quán)風險敞口率計算得出。由圖6可以看出，未來該企業(yè)使銀行產(chǎn)生的預期信貸損失隨著年限的增長大幅度增長；2022年基準預期信貸損失相較未來預期信貸損失的差距隨著年限的增長而增大。然而通過對比未來目標年份的預期信貸損失與A企業(yè)對應年份的貸款余額發(fā)現(xiàn)（見圖7），信貸損失的占比較?。?.4%～8.8%），該占比在2024年后保持不變的主要原因是違約概率亦在2024年后保持不變。

四、結(jié)論與研究展望

本文基于國際組織探索氣候物理風險量化評估的最新方法論，從臺風路徑模擬、RCP8.5路徑情景映射、損失函數(shù)構(gòu)建與校準到臺風災害對金融系統(tǒng)的風險傳導，構(gòu)建了一套適用于海南轄區(qū)銀行機構(gòu)開展氣候物理風險壓力測試的方法。本文的研究方法可廣泛應用于以下幾個方面：一是可用于開展區(qū)域性的氣候物理風險宏觀情景壓力測試。通過預測未來目標年份的年度損失率，建立分區(qū)域的（受災害影響和不受災害影響）宏觀經(jīng)濟模型，用于預測臺風登陸對受災區(qū)域經(jīng)濟金融系統(tǒng)的影響以及風險對其他區(qū)域的傳導。二是可用于估計受災區(qū)域所有銀行業(yè)機構(gòu)的抵押品資產(chǎn)價值損失。通過預測未來目標年份不同網(wǎng)格區(qū)域的風速，繪制出對應的資產(chǎn)損失率分布圖，可精準識別銀行業(yè)機構(gòu)抵押品在各網(wǎng)格區(qū)域的資產(chǎn)價值損失金額，有助于各銀行業(yè)機構(gòu)充分了解臺風風險敞口的分布情況。三是可用于銀行業(yè)機構(gòu)對企業(yè)客戶開展償付能力的壓力測試。通過線性插值的方式建立各損失率區(qū)間與中斷時間的函數(shù)關系，計算未來目標年份企業(yè)客戶受臺風影響的中斷時間及中斷損失率，進而對產(chǎn)量施加壓力驅(qū)動財務報表，然后采用評級評分卡模型計算企業(yè)客戶的違約概率，最后根據(jù)減值計提模型計算出企業(yè)將物理風險傳導至銀行的預期信貸損失。

從本文的氣候物理風險壓力測試探索實踐可以看出，單一的臺風災害對企業(yè)資產(chǎn)負債表、銀行抵押品資產(chǎn)價值以及整個經(jīng)濟金融系統(tǒng)產(chǎn)生實質(zhì)性的影響。從企業(yè)端開展償付能力壓力測試的結(jié)果可以看出，這種單一物理風險的傳導對金融機構(gòu)乃至經(jīng)濟金融系統(tǒng)的影響并不十分顯著，甚至是微不足道。導致這種結(jié)果的一個重要原因可能是僅考慮單一臺風災害風險，并未考慮與之相關的其他災害（如洪澇、風暴潮等）形成的“多元”復合風險，使得模型低估了氣候物理風險造成的損失（Zscheischler等，2018）[35]。盡管NGFS針對單個極端事件如熱帶氣旋、洪澇、干旱等氣候物理風險壓力測試方法給出了技術(shù)指引，且部分NGFS成員國或國際組織在氣候風險分析的情景設計中考慮了復合風險，但是針對此類復合風險的評估并沒有較為成熟的分析框架，其核心問題是依托現(xiàn)有的模型或技術(shù)方法難以捕捉復合沖擊帶來的非線性放大效應，而復合風險往往導致某些與氣候有關的沖擊成為系統(tǒng)性金融風險的觸發(fā)因素，其影響不能簡單地由單個極端事件風險的加總來推斷（Ranger等，2021）[36]。因此，建議未來氣候物理風險壓力測試方法探索可以從以下幾個方面展開：

一是氣候情景分析中應將復合風險納入操作框架。單一的氣候極端事件具有較強的地理分布特征，對于一個地域遼闊的國家很難造成系統(tǒng)性的金融風險，但是短時間內(nèi)一系列的“急性”風險事件如超強臺風、由超強臺風引發(fā)的強降水洪澇、山體滑坡災害等復合風險疊加形成的區(qū)域性金融風險，極易成為系統(tǒng)性金融風險的潛在來源（NGFS，2023）[6]。全球變暖改變了極端氣候驅(qū)動因子之間的關系，增加了多個極端事件同時發(fā)生或相繼發(fā)生的可能性。這種多個驅(qū)動因子或致災因子的組合形成的復合風險沖擊亟須引起監(jiān)管部門的重視。鑒于不同國家或地區(qū)的復合風險沖擊存在著類別上的顯著差異，需要組織并加強氣象學、地球物理學、經(jīng)濟學等相關領域?qū)＜业目缃绾献鳎瓿蓺夂蚯榫暗脑O計與復合致災因子的預測。

二是探索復合極端事件沖擊的損失評估方法。盡管目前各類巨災模型在量化熱帶氣旋、洪澇、干旱、風暴潮等極端事件造成的損失方面發(fā)揮了重要作用，但是在計算直接損失時各極端事件都是彼此獨立的，無法體現(xiàn)各致災因子在時間上和空間上的相互作用關系。事實上，Ranger等（2021）[36]對多個極端事件沖擊的非線性假設進行數(shù)值模擬發(fā)現(xiàn)，復合沖擊造成的GDP損失比各個極端事件獨立沖擊造成的損失總和高30%。下一步可以探索利用巨災模型對相對空間與一定時間內(nèi)多個歷史事件進行數(shù)據(jù)復盤，充分納入各事件發(fā)生的序位因素，深入評估復合事件沖擊的損失。

三是進一步豐富“急性”物理風險傳導的宏觀經(jīng)濟模型。傳統(tǒng)的綜合評估模型將溫室氣體排放量與全球升溫融入宏觀經(jīng)濟系統(tǒng)，生動刻畫了“慢性”物理事件向宏觀經(jīng)濟金融體系風險傳導的動態(tài)演繹過程。然而，對不同類別“急性”物理事件的沖擊形成的復合風險及其對宏觀經(jīng)濟系統(tǒng)的傳導仍缺乏有效的模型構(gòu)建。因此，探索將“急性”物理事件的復合沖擊納入宏觀經(jīng)濟模型將有效填補氣候物理風險對宏觀經(jīng)濟影響的研究空白。

注：

①RCP8.5在壓力測試中被認為是適合預測未來臺風災害的最壞情景，代表了“一切照舊”的氣候變暖基準，即到2100年全球氣溫比工業(yè)化前水平高出4.0～6.1℃。

②ETH zurich采用夜燈強度與人口數(shù)據(jù)的組合比例開發(fā)了全球范圍內(nèi)災害的高分辨率暴露資產(chǎn)價值地圖，考慮到EM-DAT數(shù)據(jù)庫中匹配出對中國地區(qū)有重大影響的臺風數(shù)據(jù)僅有53條，本文以受災區(qū)域該年度建筑業(yè)總產(chǎn)值作為風險敞口值的替代。

③本文采用EM-DAT中選取細分區(qū)域內(nèi)歷史臺風損失數(shù)據(jù)，剔除存在各類次生災害事件，初始默認損失函數(shù)[Vhalf]采用Sealy和Strobl（2017）[34]的校準結(jié)果74.7 m/s，以0.1 m/s為步長，對原有損失率進行校準，優(yōu)化后得到146.7 m/s。

④通過海南省各區(qū)縣的夜間燈光強度與人口組合比例估算得到。

⑤本文引用了美國Federal Emergency Management Agency（FEMA）公布的熱帶氣旋引發(fā)行業(yè)經(jīng)營中斷的時間表進行線性插值得到損失率與中斷時間的關系，本文選取的企業(yè)為工業(yè)生產(chǎn)型企業(yè)，當損失率達到2%時企業(yè)的營業(yè)中斷時間為2.5天，當損失率達到10%時企業(yè)的營業(yè)中斷時間為30.5天，當損失率達到50%時企業(yè)的營業(yè)中斷時間為102天。

參考文獻：

[1]UNEP. 2020. Adaptation Gap Report 2020 [J].World Adaptation Science Programme（WASP）.

[2]NGFS. 2022. Physical Climate Risk Assessment： Practical Lessons for the Development of Climate Scenarios with Extreme Weather Events from Emerging Markets and Developing Economies [E].Technical document，Disaster Risk Financing amp; Insurance Program.

[3]De Cian E，Hof AF，Marangoni G，Tavoni M，van Vuuren D P. 2016. Alleviating Inequality in Climate Policy Costs：An Integrated Perspective on Mitigation，Damage and Adaptation [J].Environmental Research Letters 11（7）.

[4]丁攀，李凌，李業(yè)嘉，潘秋蓉，吳玲. 氣候轉(zhuǎn)型風險宏觀情景壓力測試：方法探索及行業(yè)應用 [J]. 南方金融，2022，（12）.

[5]Tobias A，Pierpaolo G，Marco G，Vikram H，Ivo K，Sujan L，Caterina L，F(xiàn)abian L，Hiroko O，Apostolos P. 2022. Approaches to Climate Risk Analysis in FSAPs [E].IMF Staff Climate Notes.

[6]NGFS.2023. Compound Risk：Implications for Physical Climate Scenario Analysis. On the Necessity for Climate Financial Risk Management to Integrate Compound Events in Physical Climate Risk Scenario Analyses [E].Central Banks and Supervisors.

[7]IMF. 2021a. 2021 Comprehensive Surveillance Review Overview Paper [E].IMF Policy Paper，Washington，DC.

[8]IMF. 2021b. 2021 Financial Sector Assessments Program Review Towards More Stable and Sustainable Financial System [E].IMF Policy Paper，Washington，DC.

[9]IMF. 2021c. IMF Strategy to Help Members Address Climate Change Related Policy Challenges： Priorities，Modes of Delivery，and Budget Implications [E].IMF Policy Paper，Washington，DC.

[10]IPCC. 2021. Climate Change 2021： The Physical Science Basis. Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change [M].Cambridge，UK：Cambridge University Press.

[11]NGFS. 2023. NGFS Climate Scenarios Technical Documentation. V4.2 [E].Central Banks and Supervisors.

[12]Aznar-Siguan G，Bresch D N. 2019. A Global Weather and Climate Risk Assessment Platform [J].Geoscientific Model Development，12（7）.

[13]Knutson T R，Sirutis J J，Zhao M，Tuleya R E，Bender M B，Vecchi G A，Villarini G，Chavas D R. 2015. Global Projections of Intense Tropical Cyclone Activity for the Late Twenty-First Century from Dynamical Downscaling of CMIP5/RCP4.5 Scenarios [J].Journal of Climate，28（18）.

[14]Hempel S，F(xiàn)rieler K，Warszawski L，Schewe J，Piontek F. 2013. A Trend Preserving Bias Correction： The ISIMIP Approach [J]. Earth System Dynamics 4（2）.

[15]Sutanudjaja E H，Beek R V，Wanders N，Wada Y，Bosmans J，Drost N，et al. 2018. PCR-GLOBWB 2：A 5 Arcmin Global Hydrological and Water Resources Model [J]. Geoscientific Model Development.

[16]BOE. 2021. Guidance for Participants of the 2021 Biennial Exploratory Scenario：Financial Risks from Climate Change.

[17]Smagorinsky J. 1963. General Circulation Experiments with the Primitive Equations [J].Monthly Weather Review，91（3）.

[18]Manabe S，Wetherald R T. 1975. The Effects of Doubling the CO2 Concentration on the climate of a General Circulation Model [J].Journal of the Atmospheric Sciences，32（1）.

[19]Trevor Hastie，Robert Tibshirani，Jerome Friedman. 2009. The Elements of Statistical Learning [M].New York：Springer.

[20]Estrada F，Guerrero V M，Gay-García C，Martínez-López B. 2013. A Cautionary Note on Automated Statistical Downscaling Methods for Climate Change [J]. Climatic Change，120（1）.

[21]Brands S，Gutiérrez J M，Herrera S，Cofi?o A S.. 2011. On the Use of Reanalysis Data for Downscaling [J]. Journal of Climate，25（7）.

[22]Cardona O D，Van Aalst M K，Birkmann J，F(xiàn)ordham M，Mc Gregor G，Perez R，Pulwarty R S，Schipper E L F，Sinh，B T，Décamps H，Keim M，Davis I，Ebi K L，Lavell A，Mechler R，Murray V，Pelling M，Pohl J，Smith A O，and Thomalla F. 2012. Determinants of Risk： Exposure and Vulnerability，in Managing the Risks of Extreme Events and Disasters to Advance Climate Change Adaptation [J].Cambridge University Press，Cambridge.

[23]Gunasekera R，Ishizawa O，Aubrecht C，Blankespoor B，Murray S，Pomonis A，Daniell J. 2015. Developing an Adaptive Global Exposure Model to Support the Generation of Country disaster risk profiles [J].Earth-Sci. Rev.，150.

[24]Kuhn M，Ríos-Rull J V. 2013. Update on the U.S. Earnings，Income，and Wealth Distributional Facts： A View from Macroeconomics [J].Quarterly Review，37.

[25]Kummu M，Taka M，Guillaume J H A. 2018. Gridded Global Datasets for Gross Domestic Product and Human De Velopment Index over 1990-2015.

[26]Murakami D，Yamagata Y. 2019. Estimation of Grid ded Population and GDP Scenarios with Spatially Ex plicit Statistical Downscaling，Sustainability.

[27]Samuel E，Dario S，Thomas R，David N B. 2020. Asset Exposure Data for Global Physical Risk Assessment [J]. Earth System Science Data，12.

[28]Henderson J V，Storeygard A，Weil D N. 2012. Measuring Eco nomic Growth from Outer Space [J].Am. Econ. Rev.，102.

[29]Gettelman A，Bresch D N，Chen C C，Truesdale J E，Bacmeister J T. 2017." Projections of Future Tropical Cyclone Damage with a High-Resolution Global Climate model [J].Climatic Change，146.

[30]Emanuel K. 2011. Global Warming Effects on U.S. Hurricane Damage [J]. Weather，Climate and Society，3.

[31]Eberenz S，Luthi S，Bresch D N. 2021. Regional Tropical Cyclone Impact Functions for Globally Consistent Risk Assessments [J]. Natural Hazards and Earth System Sciences，21（1）.

[32]IMF. 2022. Bank Stress Testing of Physical Risks under Climate Change Macro Scenarios： Typhoon Risks to the Philippines [E].IMF Working Papers，WP/22/163.

[33]Elliott R J R，Strobl E，Sun P. 2015. The Local Impact of Typhoons on Economic Activity in China：A view from Outer Space [J]. J Urban Econ，88.

[34]Sealy K S，Strobl E. 2017. A Hurricane Loss Risk assessment of Coastal Properties in the Caribbean：Evidence from the Bahamas [J].Ocean Coast. Manag，149.

[35]Zscheischler J，Westra S，Van Den Hurk B J J M，Seneviratne S I，Ward P J，Pitman A，Aghakouchak A，Bresch D N，Leonard M，Wahl T， Zhang X. 2018. Future Climate Risk from Compound Events [J].Nature Climate Change，8（6）.

[36]Ranger N，Mahul O，Monasterolo I. 2021. Managing the Financial Risks of Climate Change and Pandemics： What We Know （and don't know） [J].One Earth，4（10）.