气候变化如何影响金融系统性风险——来自极端气候事件和绿色(棕色)资产的双重证据

王宗润; 牛娅鑫; 任晓航

doi:10.12012/CJoE2024-0075

PDF(674 KB)

计量经济学报 ›› 2024, Vol. 4 ›› Issue (4) : 1009-1030. DOI: 10.12012/CJoE2024-0075

论文

气候变化如何影响金融系统性风险——来自极端气候事件和绿色(棕色)资产的双重证据

作者信息 +

How Climate Change Affects Systemic Financial Risk: Evidence from Extreme Climate Events and Green (Brown) Assets

Author information +

文章历史 +

摘要

本文研究了气候变化与中国金融系统性风险之间的关系. 首先, 本文以极端气候事件为切入点, 测试了我国银行、证券与保险行业的系统性风险对极端气候灾害的反应速度, 并评估了不同金融行业抵御极端气候灾害的能力, 结果证实了部分极端气候事件可能会加剧金融系统性风险. 其次, 通过构建非线性自回归分布滞后(NARDL) 模型, 本文分析了绿色和棕色市场股票指数表现对金融子行业系统性风险的影响. 结果显示, 短期内棕色资产风险的提高及指数的降低会显著增加金融行业的系统性风险. 但从长期来看, 棕色资产指数上升会增加银行业系统风险, 而绿色资产指数上升有助于降低证券业系统性风险, 绿色资产风险的减少会显著降低银行业系统性风险. 本文的研究不仅强调了应对气候灾害频率和严重程度增加的政策重要性, 还提出对绿色和棕色行业实施差异化的金融审慎监管建议, 以在降低物理风险的同时, 最大限度地减少气候政策实施所带来的转型风险. 这对于金融行业改善风险管理模式, 降低物理风险与转型风险对金融系统性风险的冲击具有重大意义.

Abstract

This study investigates the relationship between climate change and systemic risk in China's financial system. First, it examines the responsiveness of systemic risk in the banking, securities, and insurance sectors to extreme climate events, assessing how different financial industries withstand such disasters. The findings confirm that certain extreme climate events can exacerbate systemic financial risk. Second, by constructing a nonlinear autoregressive distributed lag (NARDL) model, this study analyzes the impact of the performance of green and brown market stock indices on the systemic risk of financial sub-sectors. The results indicate that in the short term, an increase in the risk of brown assets and a decrease in their indices significantly amplify systemic risk in the financial industry. However, in the long term, an increase in the brown asset index raises systemic risk in the banking sector, while an increase in the green asset index reduces systemic risk in the securities sector. Furthermore, a reduction in green asset risk significantly lowers systemic risk in the banking sector. In addition, this study underscores the importance of policies addressing the increasing frequency and severity of climate-related disasters. It recommends differentiated financial prudential regulations for green and brown sectors to minimize transition risks associated with climate policy implementation while mitigating physical risks. This approach is crucial to improve risk management frameworks in the financial industry, thereby reducing the impact of both physical and transition risks on systemic risk.

导出引用

王宗润 , 牛娅鑫 , 任晓航. 气候变化如何影响金融系统性风险——来自极端气候事件和绿色(棕色)资产的双重证据. 计量经济学报, 2024, 4(4): 1009-1030 https://doi.org/10.12012/CJoE2024-0075

Zongrun WANG , Yaxin NIU , Xiaohang REN. How Climate Change Affects Systemic Financial Risk: Evidence from Extreme Climate Events and Green (Brown) Assets. China Journal of Econometrics, 2024, 4(4): 1009-1030 https://doi.org/10.12012/CJoE2024-0075

1 引言

气候变化对金融稳定性产生影响, 甚至可能引发系统性金融风险, 这一问题正越来越受到金融机构和政策制定者的重视. 根据《2024年全球风险报告》, 极端天气事件将在未来两年内跃居全球排名第二的风险, 而在未来十年内预计将成为全球排名第一的风险. 近年来, 中国深受气候变化的负面影响, 尤其是极端气候事件的频发更加剧了中国对气候风险治理的重视. 根据去年气象局最新发布的《中国气候变化蓝皮书(2023)》, 中国极端高温和强降水等极端天气事件日益增多, 越来越多的气候变化指标打破以往观测纪录, 气候风险上升趋势显著. 此外, 由于气候变化的非线性特征越来越显著, 伴随着气候政策的不确定性日益增加, 金融部门的气候风险敞口正逐渐加剧, 最终可能引发系统性金融风险(Wu et al., 2023; Song and Fang, 2023; 张大永等, 2023). 因此, 在我国金融开放纵深推进的过程中, 深入研究与气候变化相关的系统性金融风险、积极应对气候风险冲击并加强防范金融市场异常波动, 将成为未来金融监管部门面临的重要挑战.

气候变化引发的风险主要包括两类: 一类是物理风险, 这类风险源自气象灾害(如洪涝、旱灾、海平面上升等) 直接造成的经济损失; 另一类是转型风险, 这种风险则源于新技术应用、消费者偏好变化或各种限制碳排放的监管政策等导致的间接经济损失(Battiston et al., 2021). 根据金融稳定委员会(FSB, 2020)的预测, 虽然目前物理风险对资产价格的影响有限, 但随着时间推移, 其对资产价格的影响有相当大的尾部风险. 根据《2022年全球自然灾害评估报告》, 2000–2022年共发生652次全球气候极端事件, 共造成全球62.1亿人次受灾, 因灾伤亡183.7万人, 直接经济损失超过3.27万亿美元. 与此同时, 在绿色转型过程中, 一方面, 许多金融机构对气候风险的危害认识不足, 低估了棕色资产(高污染、高碳排放的资产)带来的风险, 导致对棕色资产过度配置和对绿色资产的配置不足; 另一方面, 一些金融机构对棕色资产采取"一刀切"抵制的做法, 同样对经济的平稳运行和低碳转型同样带来了不利影响(马骏, 2020, 2023). 央行绿色金融网络在报告(NGFS, 2020a, 2020b)中提出将绿色资产和棕色资产加以区分, 使得各金融机构可以更清晰地把握和评估不同类型经济活动带来的潜在机遇与风险. 因此, 在积极推进低碳转型政策的过程中, 我们也需要逐步加强对绿色资产和棕色资产的充分认识, 防止实体经济和金融部门的转型风险敞口进一步增加. 在此背景下, 本文聚焦于银行、证券和保险三个金融子行业, 旨在研究极端天气事件的发生对不同金融行业系统性风险的异质性影响. 同时, 为了缓解因应对物理风险而采取的政策措施所带来的转型风险, 本文进一步区分了绿色资产和棕色资产, 并通过构建NARDL模型, 深入探讨了这两种经济活动与金融行业系统性风险在长期和短期内的非线性关系. 该研究不仅为金融机构在应对气候金融风险方面提供了政策建议, 还为国民经济的高质量发展奠定了稳定的金融基础, 具有重要的学术价值和现实意义.

相较于传统的金融风险, 气候风险以其高度不确定性、长期时间跨度及系统性等特质, 构成了对金融行业稳定性的多元化与深层次威胁(王信和姜晶晶, 2021). 现有学者从不同的研究视角考察气候变化对金融市场稳定的冲击: 第一, 就银行市场来看, 极端气候事件对实物资产的破坏会带来企业及家庭部门抵押资产价值的下降, 从而提升该类主体的贷款违约风险(潘敏等, 2022; Huang et al., 2021). 第二, 从保险市场的视角深入分析, 自然灾害或极端天气事件的频发显著加剧了固定资产遭受减值或实质性损害的风险, 这种风险不仅直接作用于房地产等产业领域, 引发资产价值的波动与损失, 还会间接扩大保险业的理赔需求与规模. (王信和姜晶晶, 2021). 第三, 就证券市场来看, 气候风险通过影响投资者情绪, 从而影响投资决策, 最终影响股市波动(姬强等, 2022), 其中, 证券行业内部的风险具有较强的传导效应(Aswani et al., 2024).

对于物理风险的研究, 已有文献主要从极端气温(丁宇刚和孙祁祥, 2022)、极端降水(潘敏等, 2022)、海平面上升(Giglio et al., 2021)、极端气候灾害事件(Curcio et al., 2023)等角度进行衡量, 这些物理风险会使宏观经济产业造成巨大的经济损失, 进一步对全球供应链的稳定性构成潜在威胁(Douris and Kim, 2021), 从而加剧金融市场的震荡, 诱发金融风险. 以房地产为例, 研究表明海平面上升和极端气候灾害将导致房地产贬值(Bernstein et al., 2019; Murfin and Spiegel, 2020). 根据杨子晖等(2024)的研究, 其揭示了气候风险爆发时, 房地产、消费、工业及信息技术等多个关键经济领域均遭受了物理风险的显著且直接冲击. 关于转型风险的研究表明, 绿色经济转型虽然会在一定程度上降低物理风险带来的冲击, 但其转型过程中对资本市场或者实体经济造成的剧烈波动, 有可能会进而给金融系统带来相应的转型风险(Bolton and Kacperczyk, 2023). 因此, 对于金融部门来说, 在积极进行绿色转型过程中, 不仅要考虑其对绿色资产的合理配置, 还要考虑怎样有效减少对棕色资产的依赖以减轻经济转型的风险. Batten (2016)发现转型政策会显著影响"棕色"资本品公司的资产价值, 从而进一步对金融稳定产生影响. Diluiso et al. (2021)对金融稳定、气候相关政策以及宏观经济的关系从长短期的研究视角进行了观察, 发现虽然气候政策在短期内可能会引发转型风险, 但长期来看, 气候政策可以有效降低碳排放量, 且其引起的转型风险在长期内是可控的. Carattini et al. (2023)表示, 若在政策实施前进行一定的"绿色支持"和"棕色惩罚", 可以在部分程度上降低宏观经济或金融系统稳定性所受到的气候转型政策方面的负面影响, 但这些政策本身的执行也可能会对金融稳定产生一定的冲击.

纵观该领域的研究, 我们发现存在以下不足之处: 首先, 当前相关研究主要集中在发达国家, 关于中国的气候风险研究很少, 且主要集中在银行市场(刘波等, 2021; 潘敏等, 2022), 缺乏对其他金融行业的全面考量, 全局性研究不足. 其次, 此前的文献大多单独考虑物理或转型风险, 或从单个灾害出发(张韵晗等, 2023), 未能充分考虑两者之间的政策协调问题, 特别是在推行低碳转型政策时可能引发的转型风险. 实际上, 现实中为缓解物理风险所带来的不利影响而盲目地推行低碳转型政策, 可能会引发转型风险(Bolton et al., 2020). 最后, 目前我国对棕色资产属性缺乏明确定义(马骏, 2020), 导致金融机构难以量化相关的风险敞口. 陈国进(2023)认为在实施碳税政策时, 可以搭配一定的"棕色惩罚"和"绿色支持"的宏观审慎监管措施, 以此来降低银行的气候风险敞口, 有效缓解碳税引发的转型风险. 由此可见, 明确区分棕色资产与绿色资产, 并深入研究它们对金融系统性风险的异质性影响, 对于激励金融机构降低相关风险敞口具有显著的重要性.

有鉴于此, 本文旨在现有研究的基础上做出有益补充. 首先, 本文通过Wilcoxon秩和检验来研究金融系统三个行业的系统性风险是否受到极端天气事件的影响, 以及对不同金融行业影响的速度和程度有何不同. 为了结果的稳健性, 本文选取两个具有代表性的系统性风险衡量指标(杨子晖等, 2018), 即Adrian and Brunnermeier (2016)提出的增量条件在险价值法(

Δ C o V a R

)和Acharya et al. (2012)在期望损失(ES)的基础上提出了边际期望损失(MES)的概念, 它表示整个金融市场下跌时, 单个金融机构收益率的期望损失. 接着, 采用市值加权法首次构建了我国的棕色行业指数, 并通过构建NARDL模型, 研究绿色(棕色)行业指数的表现对金融系统性风险的非线性影响, 从长期和短期视角来探究其对金融行业系统性风险的正向和负向作用. 更进一步地, 本文在构建NARDL模型时, 加入控制变量以减弱内生性问题所带来的偏误, 对研究方法和研究内容在已有文献的基础上进行了改进. 在得出富有启发意义结论的基础上, 提出了若干关于完善中国气候金融风险防范体系及其监管机制的建议.

综上所述, 本文的主要边际贡献及创新点如下: 第一, 除了研究气候风险对银行系统性风险的影响外, 本文还探讨了其对证券和保险业等非传统金融机构系统性风险的影响, 并进一步对比分析了不同金融行业在面对气候风险冲击时的承受能力差异, 为全面评估气候风险影响下的金融行业研究提供了新视角. 第二, 本文不仅考察了物理风险对金融系统性风险的冲击, 还通过区分棕色资产和绿色资产, 进一步研究了两者的经济活动表现对金融系统性风险的异质性影响. 这一研究有助于金融机构降低风险敞口, 推动金融行业的绿色转型. 第三, 现有研究多侧重于用前瞻性的方法评估气候风险的影响, 通常以情景分析(Battiston et al., 2017)和压力测试(Monasterolo and De Angelis, 2020)的形式呈现. 本文所使用的方法既符合压力测试的逻辑(即当气候灾难发生时), 又在转型风险研究方面有所创新. 具体而言, 通过构建NARDL模型, 本文深入分析了绿色资产与棕色资产的经济活动表现对金融行业系统性风险的多维度影响, 从而促进金融机构在资产配置上更为合理化, 有效降低转型风险. 这不仅为进一步研究气候风险与金融风险的关系提供了新的视角, 而且为金融监管机构在持续推进绿色转型的政策环境中, 深入了解并分析棕色与绿色资产的影响提供了实证数据, 研究结果有助于优化金融行业绿色(棕色)资产管理和气候风险控制策略, 进一步为各金融部门的气候风险防范提出差异化、针对性的政策建议, 为我国完善气候风险防控机制提供参考.

文章的结构安排如下: 第二部分为模型设定与方法说明, 详细说明了本文所采用的模型与实证分析方法. 第三部分为数据说明, 对本文所涉及的数据来源与处理进行描述. 第四部分为本文的实证结果, 对本文模型中的主要实证结果做分析. 第五部分为结论与政策建议, 对文章主要结论进行总结与概括, 并据此提出了针对性的政策建议.

2 模型设定、方法说明

2.1 系统性风险的测量

2.1.1 条件在险价值(CoVaR)和( $Δ C o V a R$ )

Adrian and Brunnermeier (2011, 2016)在在险价值(VaR)的基础上提出了条件在险价值(CoVaR)和增量条件在险价值(

Δ C o V a R

), 代表当某金融机构处于危机时整体金融系统所面临的风险, 即衡量系统性金融风险. 其中, 增量条件在险价值(

Δ C o V a R

)因其在捕捉极端情形下的尾部风险方面表现出色, 故而被广泛应用. 首先, 在险价值(VaR)衡量的是在市场正常运行情况下, 在一定持有期内和给定置信水平下, 金融资产的最大可能损失. 然而VaR只关注单个金融机构所面临的风险值, 无法充分刻画金融系统整体的风险. 假设

t

时刻机构

i

的收益用

r_{i t}

表示, 在置信水平为

1 - q

时, 可以表示为

\begin{aligned} P r (r_{i t} \leq {V a R}_{q, t}^{i}) = q \end{aligned}

. 其中,

{V a R}_{q, t}^{i}

为金融机构

i

在

t

时刻的资产收益率

q

的分位数.

CoVaR与VaR相类似, 对于超过特定置信水平的潜在损失很难衡量, 且不具备可加性, 难以对整个金融系统性风险进行刻画(Acharya et al., 2012). 假设机构

i

在

t

时刻发生了

C (X^{i})

事件, 则CoVaR表示机构

i

的损失处于

{V a R}_{q, t}^{i}

的水平时整个金融系统的条件风险价值, 即:

\begin{aligned} P r (r_{i t} \leq {C o V a R}_{q, t}^{i | C (X^{i})} ∣ C (r_{i})) = q, \end{aligned}

(1)

其中,

{C o V a R}_{q, t}^{i}

表示的是金融系统在机构

i

处于

q

分位数的VaR水平时的VaR.

根据上式可进一步推导

Δ C o V a R

, 当在

t

时刻

1 - q

置信水平下, 机构

i

对于整体金融系统的风险贡献程度, 可表示为机构

i

处在财务困境时整体金融系统的条件风险价值与单个机构

i

的收益率处于中位数(Median)状态时整体金融系统条件风险价值的差额, 用公式可表示为:

\begin{aligned} Δ {C o V a R}_{q, t}^{i} = {C o V a R}_{q, t}^{C (r_{i})} - {C o V a R}_{q, t}^{{M e d i a n}^{i}} . \end{aligned}

(2)

Δ C o V a R

描述了当某金融机构处于压力状态时, 其对整体金融系统贡献的额外风险, 可以很好地反映在危机中金融机构对其他金融机构或者金融系统的边际风险贡献程度.

2.1.2 边际期望损失(MES)

Acharya et al. (2012)基于期望损失(ES)提出了边际期望损失(MES), 用于衡量在系统性危机发生时, 个体金融机构对整体金融系统风险的边际贡献度. 首先, 期望损失(ES)表示当金融机构的极端损失大于在险价值(VaR)时的期望值. 假设金融系统包含

N

家金融机构, 机构

i

在

t

时刻的收益率为

r_{i t}

, 用

w

表示机构

i

的市场份额,

m

代表金融系统,

t

时刻的金融系统收益率用

r_{m t}

表示, 则在市场收益率

r_{m t}

低于临界值

C

的条件下, 金融系统的期望损失ES可定义为:

\begin{aligned} {E S}_{m, t - 1} (C) = E_{t - 1} [r_{m t} | r_{m t} < C] = \sum_{i = 1}^{N} w_{i t} E_{t - 1} [r_{i t} | r_{m t} < C] . \end{aligned}

(3)

边际期望损失(MES)表示单个金融机构对基于ES测度的金融系统性风险的边际贡献程度, 即ES关于机构

i

的市场份额求偏导数. 金融机构

i

对系统性风险的边际贡献可表示为:

\begin{aligned} M E S = \frac{\partial {E S}_{m, t - 1} (C)}{\partial w_{i}} = E_{t - 1} [r_{i t} | r_{m t} < C] . \end{aligned}

(4)

2.1.3 基于DCC-GARCH模型的 $Δ C o V a R$ 及MES计算

为了进一步计算金融机构的动态

Δ C o V a R

和MES, 我们采用Brownlees and Engle (2012)提出的DCC-GARCH模型, 用来捕捉机构

i

和整体金融市场收益率的动态变化. 该模型可以很好地估计相关系数矩阵, 研究变量间的非线性关系. 根据Engle (2002), 我们计算

t

时刻不同金融机构收益率间的时变非线性相关性, 其双变量DCC-GARCH模型用公式可表示为:

\begin{aligned} r_{t} & = μ_{t} + e_{t}, \\ e_{t} & = H_{t}^{1 / 2} ε_{t}, \\ H_{t} & = D_{t} R_{t} D_{t}, \\ R_{t} & = (Q_{t}^{*})^{- 1} Q_{t} (Q_{t}^{*})^{- 1}, \\ Q_{t} & = (1 - α - β) \bar{Q} + α (ε_{t - 1} ε_{t - 1}^{'}) + β Q_{t - 1} . \end{aligned}

(5)

上述公式中, 金融机构

i

和金融系统

m

的收益率是用

r_{t} = (r_{i t}, r_{m t})^{T} \sim N (0, H_{t})

来表示;

ε_{t} = (ε_{i t}, ε_{m t})^{T}

为扰动项;

α

和

β

则表示动态条件相关性参数, 是多变量DCC-GARCH模型中的残差平方和系数以及条件方差系数, 可以通过最大似然法计算得到.

H_{t}

表示方差-协方差矩阵,

H_{t} = D_{t} R_{t} R_{t}

, 将协方差矩阵分解成条件方差和条件相关系数;

Q_{t}

表示协方差矩阵,

Q_{t}^{*}

表示由

Q_{t}

的对角元素的平方根组成的对角矩阵;

D_{t} = d i a g {(h_{i t})^{\frac{1}{2}}, (h_{m t})^{\frac{1}{2}}}

为时变对角标准差矩阵,

h_{i t}

可由如下单变量的具有

p

阶残差平方和滞后项和

q

阶条件方差滞后项的高斯

G A R C H (p, q)

形式来表示:

\begin{aligned} h_{i t} = w_{i} + \sum_{p = 1}^{p_{i}} α_{i p} {(ε_{i t - p})}^{2} + \sum_{q = 1}^{q_{i}} β_{i q} h_{i t - q} . \end{aligned}

(6)

并且,

R_{t}

表示动态条件相关系数矩阵;

α

和

β

均为标量参数;

\bar{Q}

则表示动态相关结构

Q_{t}

的无条件方差矩阵;

Q_{t}

和

Q_{t}^{*}

是标准差矩阵.

根据CoVaR推导公式, 可以发现CoVaR可被定义为在给定金融机构

i

的

{V a R}_{i}

水平时金融系统相对应的

{V a R}_{m}

水平. 对其进一步整理得到下式:

\begin{aligned} P r ([\frac{r_{m t} - r_{i t} ρ_{i t, m t} \frac{σ_{m t}}{σ_{i t}}}{σ_{m t} \sqrt{1 - {(ρ_{i t, m t})}^{2}}}] < \frac{{C o V a R}_{m | i} (q) - r_{i t} ρ_{i t, m t} \frac{r_{m t}}{σ_{i t}}}{σ_{m t} \sqrt{1 - {(ρ_{i t, m t})}^{2}}} | r_{i t} = {V a R}_{i}) = q . \end{aligned}

(7)

由于DCC-GARCH模型计算出预测的均值和标准差分别为

μ_{t}

和

σ_{t}

, 令

F (q)

表示

1 - q

置信水平下的收益分布, 单个金融机构的

{V a R}_{q, t}

可表示为:

{V a R}_{q, t} = μ_{t} - F (q) h_{t}

. 因此, 我们进一步计算金融机构

i

对金融系统

m

的风险贡献程度:

\begin{aligned} Δ {C o V a R}_{q, t}^{i} = \frac{ρ_{i m} σ_{m t}}{σ_{i t}} ({V a R}_{q, t}^{i} - {V a R}_{50 %, t}^{i}) . \end{aligned}

(8)

可以看出,

Δ C o V a R

与其VaR尾部风险成正比. 根据Banulescu and Dumitrescu (2015)在GARCH模型下的成分ES推导公式, 可进一步推导得到DCC-GARCH模型下的MES计算表达式:

\begin{aligned} M E S = σ_{i t} ρ_{i t} E_{t - 1} (ε_{m t} | ε_{m t} < \frac{C}{σ_{m t}}) + σ_{i t} \sqrt{1 - ρ_{i t}^{2}} E_{t - 1} (ε_{i t} | ε_{m t} < \frac{C}{σ_{m t}}) . \end{aligned}

(9)

MES可表示为金融机构收益波动、市场收益相关性和尾部分布的函数. 为此, 本文首先采用GARCH模型对动态的波动率进行建模, 以捕捉市场波动性的动态变化. 接着, 运用动态条件相关系数(DCC)模型来估算公司收益与市场收益之间的动态依赖程度, 以了解它们之间的相关性如何随时间变化. 最后, 借助非参数核估计方法, 本文计算了尾部期望, 以量化极端市场条件下可能的损失.

2.2 Wilcoxon秩和检验

参照Morelli and Vioto (2020)的方法, 为了分析与气候灾害相关的物理风险对金融系统风险的影响, 本文使用了Wilcoxon秩和检验来处理金融系统性风险的数据. 我们研究了样本期内(2016.1.1–2023.6.30)发生的直接经济损失为十亿美元以上的极端天气事件对银行、证券和保险行业系统性风险的影响程度. 首先调查银行、证券和保险公司在自然灾害持续的

h

天内(即, 从第

t

天到第

t + h

天之间)观察到的系统性风险是否大于灾难发生前

h

天的风险. 我们采用Wilcoxon符号秩和检验来检验以下零假设(系统性风险指标以

Δ C o V a R

为例):

\begin{aligned} H_{0} : Δ {C o V a R}_{t : t + h}^{i} \leq Δ {C o V a R}_{t - h - 1 : t - 1}^{i}, \\ H_{1} : Δ {C o V a R}_{t : t + h}^{i} \geq Δ {C o V a R}_{t - h - 1 : t - 1}^{i}, \end{aligned}

(10)

其中,

i

表示正在分析的金融行业,

t

表示极端气候事件开始的那一天. 而公式

Δ {C o V a R}_{t : t + h}^{i} \leq Δ {C o V a R}_{t - h - 1 : t - 1}^{i}

表示灾害发生期间的风险小于发生前的风险, 若拒绝原假设, 说明灾害发生期间的风险大于发生前的风险, 也就是对金融风险产生了影响. 此外, 为进一步分析极端气候灾害对金融风险影响的速度, 继续提出以下两个零假设, 对比研究金融风险在极端气候灾害发生前(

t - h - 1 : t - 1

)、发生时(

t : t + h

)与发生后(

t + h + 1 : t + 2 h + 1

)的变化情况. 首先, 测试事件结束后

(t + h + 1 : t + 2 h + 1)

三个金融行业的系统性风险是否大于事件开始之前的

(t - h - 1 : t - 1)

的系统性风险, 具体的假设如下:

\begin{aligned} H_{0} : Δ {C o V a R}_{t + h + 1 : t + 2 h + 1}^{i} \leq Δ {C o V a R}_{t - h - 1 : t - 1}^{i}, \\ H_{1} : Δ {C o V a R}_{t + h + 1 : t + 2 h + 1}^{i} > Δ {C o V a R}_{t - h - 1 : t - 1}^{i} . \end{aligned}

(11)

最后, 本文还测试了在事件结束后观察到的金融行业系统性风险是否大于事件持续期间的风险. 相关的假设如下:

\begin{aligned} H_{0} : Δ {C o V a R}_{t + h + 1 : t + 2 h + 1}^{i} \leq Δ {C o V a R}_{t : t + h}^{i}, \\ H_{1} : Δ {C o V a R}_{t + h + 1 : t + 2 h + 1}^{i} > Δ {C o V a R}_{t : t + h}^{i} . \end{aligned}

(12)

2.3 NARDL模型

为了测试绿色和棕色资产表现对金融行业系统性风险的潜在影响, 本文使用绿色和棕色市场指数, 并考虑它们两个尾部风险指标, 即风险价值(VaR)和预期损失(ES)¹. 根据杨子晖和李东承(2021)的研究, 大多数金融风险指标与其他市场指标都呈非线性的因果关系, 因此, 为了更全面地研究绿色和棕色资产表现与金融系统性风险之间的关系, 帮助金融行业更全面地认识棕色资产和绿色资产之间的区别, 从而更大程度上减少转型风险, 我们采用了Shin et al. (2014)提出的非线性自回归分布滞后(NARDL)模型. 该模型在自回归分布滞后(ARDL)模型(Pesaran et al., 2001)的基础上进行扩展, 采用非对称的方法来检验变量之间的长、短期关系. 此处的非对称性指的是自变量上升或下降对因变量产生的影响不一致, 可通过模型中的Wald检验结果来判断变量间是否存在非对称性.

¹本文使用GARCH模型对风险水平VaR和ES进行估计, 置信水平为5%. VaR是

t

时间点的指数在95分位数上的实现损失; 而ES是

t

时间点的指数最差的5%实现值的平均值.

NARDL模型相较于线性或对称计量经济学模型具有显著的优势, 因为它能够通过建模不对称协整来解释短期和长期的不对称性. 具体而言, NARDL模型主要具备以下几个优点: 1)该模型不再局限于线性关系的设定, 更能捕捉现实世界中普遍存在的非线性关系. 2) NARDL模型在应用过程中, 对研究变量的平稳性要求较低, 从而提升了模型在处理实际经济数据时的灵活性和适用性.

鉴于NARDL方法是ARDL模型的非对称扩展, 因此, 本文从引入线性ARDL模型开始进行阐述. 在ARDL方法中, 误差修正模型可以表示为:

\begin{aligned} Δ y_{t} = ρ y_{t - 1} + θ x_{t - 1} + \sum_{j = 1}^{p - 1} α_{j} Δ y_{t - j} + \sum_{j = 0}^{q - 1} π_{j} Δ x_{t - j} + ε_{t}, \end{aligned}

(13)

其中,

Δ

代表一阶差分,

y_{t}

代表被解释变量(金融行业系统性风险,

Δ C o V a R

和MES),

x_{t}

表示解释变量的向量,

ρ

和

θ

表示长期系数,

α_{j}

和

π_{j}

表示短期系数,

p

和

q

表示被解释变量和解释变量的滞后阶数,

ε_{t}

表示误差项.

根据Shin et al. (2014)的说法, NARDL模型是基于随后给出的不对称长期均衡关系构建的:

\begin{aligned} y_{t} = β^{+} x_{t}^{+} + β^{-} x_{t}^{-} + u_{t}, \end{aligned}

(14)

其中,

u_{t}

是随机误差项,

x_{t}

表示解释变量的向量(在我们的模型中, 是棕色和绿色指数的VaR和ES以及指数对数),

x_{t}^{+}

表示解释变量正向变化的加总,

x_{t}^{-}

表示解释变量负向变化的加总,

β^{+}

和

β^{-}

表示非对称长期效应系数, 以解释变量"绿色指数风险

V a R_E I

"为例:

\begin{aligned} {V a R_E I}_{t}^{+} = \sum_{j = 1}^{t} Δ {V a R_E I}_{j}^{+} = \sum_{j = 1}^{t} max (Δ {V a R_E I}_{j}, 0), \end{aligned}

(15)

\begin{aligned} {V a R_E I}_{t}^{-} = \sum_{j = 1}^{t} Δ {V a R_E I}_{j}^{-} = \sum_{j = 1}^{t} min (Δ {V a R_E I}_{j}, 0) . \end{aligned}

(16)

将上式代入ARDL模型中, 可得NARDL的误差修正模型(以银行业系统性风险作为因变量为例):

\begin{aligned} Δ {b a n k_M E S}_{t} = & ρ {b a n k_M E S}_{t - 1} + θ^{+} {V a R_E I}_{t - 1}^{+} + θ^{-} {V a R_E I}_{t - 1}^{-} + \\ \sum_{j = 1}^{p - 1} α_{j} Δ {b a n k_M E S}_{t - j} + \sum_{j = 0}^{q - 1} (π_{j}^{+} Δ {V a R_E I}_{t - j}^{+} + \\ π_{j}^{-} Δ {V a R_E I}_{t - j}^{-}) + ε_{t}, \end{aligned}

(17)

其中,

ρ

代表被解释变量的长期效应系数, 也就是本文中系统性风险的长期效应系数, 而

θ^{+}

和

θ^{-}

分别代表解释变量正向累计和负向累计的长期效应系数,

p

和

q

则表示被解释变量和解释变量的最大滞后阶数.

\sum_{j = 0}^{q - 1} π_{j}^{+}

代表绿色指数风险上升累积的短期效应系数,

\sum_{j = 0}^{q - 1} π_{j}^{-}

代表绿色指数风险下降累积的短期效应系数. 此外, 我们需要进一步检验变量间是否存在协整关系, 具体的边界协整检验结果参考Pesaran et al. (2001)的研究, 即在5%的显著性水平上,

F_{P S S}

的上临界值为4.35, 下临界值为3.23. 模型原假设不存在协整关系, 即

ρ = θ^{+} = θ^{-} = 0

, 将Wald

F

检验结果与

F_{P S S}

临界值做对比来判断是否存在协整关系.

3 数据说明

3.1 金融系统性风险

对于衡量金融行业系统性风险的指标

Δ C o V a R

和MES, 本文基于申银万国行业分类标准, 分别选取银行业指数、证券业指数以及保险业指数的每日收盘数据及该行业分类所涵盖的公司收盘价为原始数据(陈建青等, 2015). 为消除原始数列的异方差, 我们对原始数据进行对数转换, 从而得到三个金融行业指数及对应公司的日度收益率. 由于我国主要商业银行、证券公司、保险公司等金融机构是2008年之后才上市的, 我们样本区间设定为2009年1月1日至2023年6月30日, 涵盖了3620个日度数据, 行业系统性风险用该行业包含的所有金融机构风险的平均值来表示(何青等, 2018). 由于

Δ C o V a R

和MES代表的是一种损失, 计算结果为负数, 其绝对值越大代表着风险溢出水平越高, 为了便于观察, 本文在

Δ C o V a R

和MES的时序分析过程中对其做取绝对值处理(宫晓莉等, 2020).

3.2 棕色(绿色)行业指数

本文选取了中证环保产业指数(000827)和中证新能源指数(399808)作为代表绿色行业的两个绿色指数(余婷等, 2018). 同时, 本文还遵循《中证指数有限公司指数编制与管理原则》计算了两个相应的棕色指数. 自2021年起, 澎湃新闻与公众环境研究中心(IPE)联合发布中国上市公司环境绩效动态榜单和行业分榜单, 旨在基于环境大数据, 分析环境污染问题, 并科学评估相关上市公司环境绩效表现(王馨和王营, 2021). 根据IPE所发布的"中国上市公司环境绩效榜2022年度后100位", 针对这100家公司, 采用市值加权法(Curcio et al., 2023)来计算棕色行业的指数, 记为IPE; 其次, 根据张琦等(2019), 将环保部发布的关于印发《上市公司环保核查行业分类管理名录》中涉及的16个重污染行业的上市公司进行市值加权, 来计算棕色行业的另一指数, 记为ZWR. 正如Monasterolo and De Angelis (2020)以及Ehlers et al. (2022)所讨论的那样, 金融市场在2015年巴黎协定之后才开始关注气候问题. 同时考虑到我国2015年"股灾"对金融市场的影响, 本文研究了2016年1月1日至2023年6月30日之间的绿色和棕色指数. 本文所用到的数据均来自wind数据库, 所用到的收盘数据均为后复权数据.

在构建NARDL模型进行回归分析时, 为了确保回归结果的稳定性, 本文引入了一系列控制变量, 具体的控制变量及其计算方法已在表 1中列出(Adrian and Brunnermeier, 2016; 李政等, 2019).

表1 控制变量的选择与计算方法

控制变量	计算方法
市场收益率	上证综指日收益率
TED利差	1年期SHIBOR利率与1年期国债即期收益率之差
1年期国债收益率变动情况	1年期国债即期收益率的变动水平
信用利差变动	计算10年期企业债即期收益率(AAA) 与10年期国债即期收益率之差, 再求其变动水平
期限利差变动	计算10年期国债即期收益率与1年期国债即期收益率之差, 再求其变动水平
房地产超额收益	房地产部门收益率与股票市场收益率之差

对于气候灾害事件, 本文从EM-DAT数据库中仅筛选由气候引发的灾难事件. EM-DAT包含了全球各地区的灾害数据, 目前在国际上被广泛应用, 其记录了自1900年以来的全球自然灾害事件. 在气候灾害事件的筛选过程中, 我们以直接经济损失作为主要的筛选标准. 通过先前的预估, 我们发现, 那些能引起潜在金融系统性风险的事件, 其经济损失通常超过10亿美元. 此外, 为了排除其他非气候灾害事件的影响, 我们排除了一些重大事件发生日期的数据点, 进行逐案控制, 以确保没有其他宏观经济或金融重大事件对我们的研究产生影响, 例如2015年的股市崩盘和2020年的新冠疫情等, 同时忽略了持续时间较长的事件, 如长期干旱. 这是因为长期事件内包含的不确定性因素较高, 可能会对实证结果产生影响. 综上, 本文选择了发生在2009年1月1日至2023年6月30日期间持续时间超过一天但不超过30天的事件, 并且该灾害造成的直接经济损失超过十亿美元, 最终筛选出来的气候诱发的极端天气灾害共计47起, 其中涵盖了台风、洪涝灾害、冬季低温灾害等典型的气候灾害. 我们使用这些事件来测试第2.2节中讨论的假设.

表 2描述了我国银行、证券和保险行业的系统性风险水平, 以及绿色和棕色市场的指数水平和风险水平, 同时对所有的变量进行ADF检验. 金融行业的系统性风险分别用

Δ C o V a R

和MES来表示. 就

Δ C o V a R

的均值来说, 保险业要大于银行和证券业, 且银行业最低. 就MES的均值来说, 证券业的系统性风险远大于保险和银行业. MES和

Δ C o V a R

得出的结果有出入, 主要原因是由于MES强调金融系统在危机时期的变化对单个机构产生的风险影响, 而

Δ C o V a R

则更侧重于刻画个体机构所贡献的系统风险的边际变化, 这种差异意味着, 在金融危机期间, 证券部门遭受到了较大的直接冲击, 而保险部门则在危机中表现出更高的风险边际变化. 总的来说, 证券业似乎比保险业更容易面临系统性风险, 且风险波动的幅度更大, 这主要归因于证券业与股市的紧密关联, 任何单一证券公司的风险事件都可能迅速触发整个证券市场的连锁反应, 并在短时间内对整个证券行业造成显著冲击. 例如, 2013年光大证券因交易系统设计缺陷导致的异常交易事件, 其影响迅速波及了整个证券市场和行业, 充分说明了证券业在面临系统性风险时的脆弱性. 经过对绿色资产和棕色资产相关数据的比较分析, 我们观察到棕色资产的指数呈现出更高的右偏倾向. 这一趋势表明, 与绿色资产相比, 棕色资产的收益更多地集中在低收益区域, 不确定性较高. 从棕色指数对应的VaR和ES的右偏程度较大也能看出来这一点. 此外, 无论是从指数数据还是风险数据的角度分析, 绿色资产所对应的标准差均大于棕色资产, 说明绿色资产有更大的波动性.

表2 描述性统计

变量	定义	观测值	平均值	标准差	最小值	最大值	偏度	峰值	ADF检验
bank_ $Δ C o V a R$	银行业 $Δ C o V a R$	3, 520	2.236	0.817	1.276	7.243	1.925	8.023	$-$ 7.768***
stock_ $Δ C o V a R$	证券业 $Δ C o V a R$	3, 520	2.999	1.044	1.284	8.145	1.375	5.249	$-$ 4.666***
ins_ $Δ C o V a R$	保险业 $Δ C o V a R$	3, 520	3.118	0.910	1.557	7.831	1.418	6.422	$-$ 5.205***
bank_MES	银行业MES	3, 520	9.417	2.994	5.813	28.99	1.869	7.914	$-$ 7.228***
stock_MES	证券业MES	3, 520	20.89	5.854	11.81	49.09	1.262	4.984	$-$ 4.189***
ins_MES	保险业MES	3, 520	11.95	3.071	6.554	27.10	1.336	5.943	$-$ 5.078***
index_EI	中证环保指数(EI)	1, 820	7.449	0.268	6.894	8.022	0.107	2.251	$-$ 1.281
VaR	EI指数风险-VaR	1, 820	2.665	0.785	1.464	6.044	1.032	4.165	$-$ 4.382***
ES	EI指数风险-ES	1, 820	3.340	0.984	1.837	7.537	1.030	4.154	$-$ 4.413***
index_EM	中证环境治理指数(EM)	1, 820	7.676	0.419	6.994	8.536	0.176	1.907	$-$ 0.843
VaR	EM指数风险-VaR	1, 820	2.531	0.765	1.596	6.538	1.824	7.147	$-$ 3.289**
ES	EM指数风险-ES	1, 820	3.165	0.955	1.997	8.077	1.807	7.038	$-$ 3.305**
index_IPE	IPE污染行业指数(IPE)	1, 820	7.739	0.184	7.381	8.167	0.340	2.227	$-$ 1.807
VaR	IPE指数风险-VaR	1, 820	2.203	0.620	1.395	5.691	1.908	7.858	$-$ 6.662***
ES	IPE指数风险-ES	1, 820	2.766	0.775	1.759	7.041	1.896	7.763	$-$ 6.584***
index_ZWR	重污染行业指数(ZWR)	1, 820	8.011	0.341	7.412	8.589	0.275	1.471	$-$ 1.013
VaR	ZWR指数风险-VaR	1, 820	2.303	0.673	1.456	5.902	2.013	8.446	$-$ 5.155***
ES	ZWR指数风险-ES	1, 820	2.898	0.844	1.835	7.386	2.012	8.433	$-$ 5.192***

注: 上表是本文进行实证分析变量的描述性统计. 被解释变量分别是三个金融子行业(银行、证券和保险行业) 的系统性风险衡量指标∆CoVaR与MES; 解释变量分别是绿色(棕色) 行业指数(Index)和指数风险衡量指标(VaR和ES). 在做描述性统计以及后续回归时为了减少噪音影响, 对行业指数取对数处理.

NARDL模型的应用前提是确保各变量指标的稳定性. 尽管回归方程中变量不需要满足0阶或1阶平稳时间序列, 但变量不能是2阶平稳时间序列. 因此, 需要对变量的平稳性进行单位根检验. 根据上表ADF检验结果, 除了四个行业指数外, 其他时间序列数据均为平稳数据, 而对非平稳数据取一阶差分后则显著平稳, 表明这四个指数数据为1阶平稳时间序列, 符合模型的要求².

²限于篇幅, 上述检验结果未列示, 留存备索.

4 实证结果

4.1 气候引发的灾难和金融性系统风险

图 1展示了金融系统三个子行业的系统性风险对比情况, 尽管

Δ C o V a R

和MES指标对收益序列中信息的侧重点不同, 导致基于不同指标的系统性风险评估结果稍有差异, 但两者在总体上呈现出强烈的协同变动趋势. 同时, 为了提升研究结果的稳健性, 我们同时采用这两种指标代表系统性风险的衡量标准, 并将其作为被解释变量进行分析. 整体来看, 三个金融子行业在面对冲击时, 所呈现的系统性风险走向趋于一致. 特别地, 这些行业分别在2014年年底、2015年7月及2016年1月达到阶段性高点, 分别对应美国正式结束量化宽松政策、中国A股市场"千股跌停"的重大股市动荡事件以及"股市熔断机制"等事件, 均有效刻画了我国金融系统在危机前后发生的明显变化. 分行业来看, 无论是

Δ C o V a R

还是MES, 银行业的系统性风险都要低于证券和保险行业, 这说明在某种程度上银行业系统抵御风险的能力要优于另外两个行业(宫晓莉等, 2020).

图1 银行、证券和保险行业的系统性风险

Full size|PPT slide

表 3呈现了用于验证第2.2节中讨论的Wilcoxon符号秩和检验的结果, 旨在测试金融行业的系统性风险对极端天气事件的反应方式和速度. 同时, 我们计算了在1%、5%和10%的置信水平下, 拒绝零假设(即极端天气事件对金融系统风险无影响)的极端气候事件数量占本文统计的极端气候事件总数的百分比. 总体结果显示, 在47次造成十亿美元以上经济损失的极端天气事件中, 有15次事件显著影响了金融系统性风险. 为了确保研究的准确性, 我们还进行了逐案控制, 排除了其他宏观经济或金融重大事件的潜在影响. 尽管并非所有灾害的经济损失都会直接影响我国金融行业的系统性风险, 但本研究强调了部分事件的显著影响, 支持了及时采取气候政策以应对未来可能增加的此类事件的频率和严重性的必要性.

表3 气候引发的灾难与银行、证券、保险行业系统性风险

面板A
显著性	银行			证券			保险
显著性	1%	5%	10%	1%	5%	10%	1%	5%	10%
$H_{0} : Δ {C o V a R}_{t : t + h}^{i} \leq Δ {C o V a R}_{t - h - 1 : t - 1}^{i}$	0	0	11.11%	0	3.70%	11.11%	0	3.70%	11.11%
$H_{0} : Δ {C o V a R}_{t + h + 1 : t + 2 h + 1}^{i} \leq Δ {C o V a R}_{t - h - 1 : t - 1}^{i}$	0	3.70%	11.11%	7.40%	14.81%	18.52%	7.40%	14.81%	18.52%
$H_{0} : Δ {C o V a R}_{t + h + 1 : t + 2 h + 1}^{i} \leq Δ {C o V a R}_{t : t + h}^{i}$	3.70%	11.11%	11.11%	11.11%	22.22%	29.63%	11.11%	22.22%	29.63%
面板B
显著性	银行			证券			保险
显著性	1%	5%	10%	1%	5%	10%	1%	5%	10%
$H_{0} : {M E S}_{t : t + h}^{i} \leq {M E S}_{t - h - 1 : t - 1}^{i}$	0	0	11.11%	0	3.70%	7.40%	0.00%	3.70%	7.40%
$H_{0} : {M E S}_{t + h + 1 : t + 2 h + 1}^{i} \leq {M E S}_{t - h - 1 : t - 1}^{i}$	3.70%	11.11%	14.81%	3.70%	18.52%	22.22%	3.70%	18.52%	22.22%
$H_{0} : {M E S}_{t + h + 1 : t + 2 h + 1}^{i} \leq {M E S}_{t : t + h}^{i}$	7.40%	11.11%	18.52%	7.40%	22.22%	22.22%	7.40%	22.22%	22.22%

注: Wilcoxon符号秩和检验旨在判断相应极端气候事件持续的h天期间(或事件结束后), 我国金融行业系统性风险是否大于事件发生之前h天的系统性风险. t是极端气候事件起始日期, h是其持续时间. 每一行表示每个不同的零假设(H₀), 具体假设内容已在第2.2节中描述. 表格中对应的结果表示拒绝零假设数据占总统计数据的百分比, 分别采用10%、5%和1% 的置信水平.

就物理风险传导到金融系统的速度而言, 我们注意到以下情况: 1)与灾难发生前

(t - h - 1 : t - 1)

相比, 在灾难结束后

(t + h + 1 : t + 2 h + 1)

显著增加系统性风险的事件数量等于或高于在它们持续期间

(t : t + h)

产生显著增加金融系统风险的事件数量(无论是面板A还是面板B, 第1行的成功比率都不高于第2行). 这意味着市场主要在极端天气事件结束后而不是发生时才察觉到其对金融系统风险的影响; 2)与事件持续期间

(t : t + h)

相比, 金融系统风险在事件结束后出现显著增加的事件较多, 这可能意味着相对于事件开始之前或持续期间的时期, 金融系统风险在事件结束后进一步升高, 或市场首次做出反应(无论是面板A还是面板B, 第3行的成功比率都要高于第1行和第2行), 说明金融市场对灾害发生的反应较慢, 通常在事件结束后还在持续反应.

在观察三个不同的置信水平时, 我们发现银行业的成功率普遍低于证券和保险业, 无论是以

Δ C o V a R

还是MES衡量. 这表明, 银行业相对于证券和保险行业, 在抵御极端气候事件方面具有较强的能力. 此观察结果进一步验证了前文对系统性风险的评估, 指出监管机构应更加关注证券和保险行业在应对极端天气事件方面的抗风险能力.

4.2 绿色(棕色)资产的表现和金融行业系统性风险

本文通过实证分析证实了极端天气事件可能会对金融系统性风险产生显著影响, 并呼吁监管机构增强金融体系应对极端天气事件的能力. 此外, 在抵御极端天气事件冲击的同时, 一味加大对绿色资产的配置可能带来转型风险. 因此, 本文从另一个角度强调了深化金融系统对绿色和棕色资产认识的重要性, 以更好地平衡两类资产配置, 降低转型风险冲击, 从而更全面地帮助金融系统应对气候变化带来的影响. 本文预计应对气候变化的政策将对银行、证券和保险行业的绿色(棕色)资产组合产生潜在影响, 为此, 通过研究绿色和棕色行业指数表现对银行、证券和保险业系统性风险是否以及如何产生影响来解决这个问题. 表 4、表 5和表 6分别呈现了以银行、证券和保险行业的

Δ C o V a R

和MES作为因变量对绿色和棕色行业指数表现的实证分析, 这些分析为我们提供了重要的政策启示, 揭示了金融行业资产组合中绿色度(或棕色度)的变动可能对金融体系稳定性产生的潜在影响. 为了进一步分析, 我们构建了NARDL模型进行逐步估计, 在这些模型中, 三个金融行业的系统性风险充当因变量, 而绿色(棕色)资产市场指数(Index)以及市场指数的尾部风险指标(VaR和ES)则作为自变量进行分别回归.

表4 银行业系统性风险与绿色(棕色) 行业表现之间的关系

∆CoVaR
	绿色资产						棕色资产
	VaR_EI	ES_EI	Index_EI	VaR_EM	ES_EM	Index_EM	VaR_IPE	ES_IPE	Index_IPE	VaR_ZWR	ES_ZWR	Index_ZWR
$x_{t - 1}^{+}$	$-$ 0.01	$-$ 0.01	0.00	$-$ 0.01	$-$ 0.01	0.00	$-$ 0.01	$-$ 0.01	0.07	$-$ 0.01	$-$ 0.01	0.09*
$x_{t - 1}^{-}$	$-$ 0.02**	$-$ 0.01**	$-$ 0.12*	$-$ 0.01*	$-$ 0.01*	$-$ 0.07	$-$ 0.01	$-$ 0.01	$-$ 0.08	$-$ 0.01	$-$ 0.01	$-$ 0.02
$Δ x^{+}$	0.22***	0.18***	0.15	0.18***	0.15***	0.60	0.31***	0.25***	$-$ 0.37	0.28***	0.22***	$-$ 0.22
$Δ x_{t - 1}^{+}$	$-$ 0.04*	$-$ 0.03	$-$ 0.03	$-$ 0.07**	$-$ 0.05**	0.10	$-$ 0.02	$-$ 0.02	0.34	$-$ 0.02	$-$ 0.01	$-$ 0.47
$Δ x^{-}$	$-$ 0.17***	$-$ 0.17***	1.36***	$-$ 0.13**	$-$ 0.12**	1.09***	$-$ 0.04	$-$ 0.05	1.95***	$-$ 0.09	$-$ 0.08	2.29***
$Δ x_{t - 1}^{-}$	$-$ 0.05	$-$ 0.06	$-$ 2.76***	$-$ 0.03	$-$ 0.04	$-$ 2.15***	$-$ 0.05	$-$ 0.05	$-$ 5.32***	$-$ 0.11	$-$ 0.11*	$-$ 4.90***
$L_{x^{+}}$	$-$ 0.05	$-$ 0.05	0.02	$-$ 0.05	$-$ 0.049	0.01	$-$ 0.05	$-$ 0.06	0.52	$-$ 0.06	$-$ 0.06	0.72*
$L_{x^{-}}$	0.12*	0.11**	0.87*	0.09	0.08*	0.53	0.06	0.06	0.63	0.08	0.08	0.14
$W_{L R}$	4.50**	4.59**	4.91**	2.69	2.70	2.85*	0.04	0.05	1.27	0.39	0.35	2.10
$W_{S R}$	16.11***	19.23***	2.30	6.24**	8.19***	3.80*	12.09***	12.94***	7.56***	13.22***	14.96***	2.40
MES
	绿色资产						棕色资产
	VaR_EI	ES_EI	Index_EI	VaR_EM	ES_EM	Index_EM	VaR_IPE	ES_IPE	Index_IPE	VaR_ZWR	ES_ZWR	Index_ZWR
$x_{t - 1}^{+}$	$-$ 0.04	$-$ 0.04*	0.02	$-$ 0.04*	$-$ 0.04*	0.01	$-$ 0.04	$-$ 0.04	0.42*	$-$ 0.07*	$-$ 0.06*	0.35*
$x_{t - 1}^{-}$	$-$ 0.09***	$-$ 0.08***	$-$ 0.64***	$-$ 0.07***	$-$ 0.06***	$-$ 0.38*	$-$ 0.06*	$-$ 0.05*	$-$ 0.52	$-$ 0.07**	$-$ 0.06**	0.10
$Δ x^{+}$	0.70***	0.58***	$-$ 0.32	0.54***	0.45***	1.82	0.96***	0.78***	$-$ 0.72	0.85***	0.68***	$-$ 0.35
$Δ x_{t - 1}^{+}$	$-$ 0.01	0.00	$-$ 1.45	$-$ 0.14	$-$ 0.09	$-$ 0.46	$-$ 0.02	$-$ 0.02	0.56	0.08	0.07	$-$ 1.77
$Δ x^{-}$	$-$ 0.59**	$-$ 0.57***	4.76***	$-$ 0.41*	$-$ 0.38*	4.14***	$-$ 0.11	$-$ 0.13	6.84***	$-$ 0.16	$-$ 0.14	7.23***
$Δ x_{t - 1}^{-}$	$-$ 0.24	$-$ 0.25	$-$ 8.66***	$-$ 0.15	$-$ 0.19	$-$ 6.63***	$-$ 0.09	$-$ 0.10	$-$ 16.65***	$-$ 0.47*	$-$ 0.45**	$-$ 16.23***
$L_{x^{+}}$	$-$ 0.52	$-$ 0.46	0.23	$-$ 0.49	$-$ 0.42 *	0.09	$-$ 0.51	$-$ 0.46	4.54*	$-$ 0.82*	$-$ 0.69*	3.84*
$L_{x^{-}}$	1.03***	0.89***	6.70***	0.77**	0.65**	3.98 *	0.75	0.65*	5.7	0.86*	0.73**	$-$ 1.09
$W_{L R}$	7.88***	8.03***	10.79***	4.31**	4.41**	5.91**	1.07	1.08	3.61*	0.02	0.04	0.77
$W_{S R}$	17***	19.61***	0.33	6.08**	7.44***	1.36	8.29***	8.63***	4.67**	11.36***	12.26***	2.27

注: 表 4显示了以银行业的

Δ C o V a R

和MES作因变量分别对绿色(棕色)资产相关指标进行NARDL模型估计的回归结果. 其中"

x

"为自变量(VaR/ES/Index), "

Δ

"表示短期, "

L

"表示长期, "

+ / -

"表示正向/负向变动, "

W_{L R}

W_{S R}

"分别表示长期/短期Wald检验. *、**和***分别表示在10%、5%和1% 的显著性拒绝原假设.

表5 证券业系统性风险与绿色(棕色)行业表现之间的关系

$Δ C o V a R$
	绿色资产						棕色资产
	VaR_EI	ES_EI	Index_EI	VaR_EM	ES_EM	Index_EM	VaR_IPE	ES_IPE	Index_IPE	VaR_ZWR	ES_ZWR	Index_ZWR
$x_{t - 1}^{+}$	$-$ 0.02*	$-$ 0.01*	$-$ 0.09***	$-$ 0.02**	$-$ 0.02**	$-$ 0.06**	0.02	0.01	$-$ 0.23***	$-$ 0.00	$-$ 0.00	$-$ 0.05
$x_{t - 1}^{-}$	$-$ 0.01	$-$ 0.01	0.04	$-$ 0.01	$-$ 0.01	0.06	0.01	0.01	$-$ 0.00	$-$ 0.02	$-$ 0.02	$-$ 0.18***
$Δ x^{+}$	0.55***	0.44***	0.23	0.47***	0.38***	0.23	0.67***	0.54***	$-$ 0.08	0.62***	0.50***	$-$ 0.97
$Δ x_{t - 1}^{+}$	$-$ 0.01	$-$ 0.00	4.24***	$-$ 0.03	$-$ 0.01	2.70***	$-$ 0.02	$-$ 0.02	6.47***	$-$ 0.05	$-$ 0.04	4.23***
$Δ x^{-}$	$-$ 0.05	$-$ 0.03	1.58***	$-$ 0.11	$-$ 0.10	1.71***	0.28***	0.23***	2.05***	$-$ 0.01	$-$ 0.01	1.76**
$Δ x_{t - 1}^{-}$	0.04	0.01	$-$ 7.32***	0.07	0.04	$-$ 4.99***	$-$ 0.03	$-$ 0.03	$-$ 12.07***	0.02	0.02	$-$ 8.52***
$L_{x^{+}}$	$-$ 0.31	$-$ 0.24	$-$ 1.12***	$-$ 0.36**	$-$ 0.29**	$-$ 0.75**	0.36	0.28	$-$ 3.01***	$-$ 0.05	$-$ 0.04	$-$ 0.62
$L_{x^{-}}$	0.14	0.10	$-$ 0.52	0.21	0.16	$-$ 0.75	$-$ 0.19	$-$ 0.15	0.02	0.40	0.31	2.50***
$W_{L R}$	3.30*	3.53*	3.51*	5.22**	5.67**	4.41**	2.43	1.98	1.80	6.21**	5.63**	1.78
$W_{S R}$	18.18***	17.01***	61.05***	12.31***	12.22***	27.32***	9.41***	8.25***	115.8***	12.64***	11.94***	38.08***
MES
	绿色资产						棕色资产
	VaR_EI	ES_EI	Index_EI	VaR_EM	ES_EM	Index_EM	VaR_IPE	ES_IPE	Index_IPE	VaR_ZWR	ES_ZWR	Index_ZWR
$x_{t - 1}^{+}$	$-$ 0.01	$-$ 0.01	$-$ 0.19	$-$ 0.06	$-$ 0.04	$-$ 0.11	0.17***	0.13***	$-$ 0.79**	0.00	0.00	0.03
$x_{t - 1}^{-}$	0.02	0.02	0.18	$-$ 0.04	$-$ 0.03	0.19	0.15**	0.12**	0.36	$-$ 0.04	$-$ 0.02	$-$ 0.49*
$Δ x^{+}$	2.45***	1.96***	3.37	2.04***	1.64***	2.36	2.83***	2.27***	1.37	2.68***	2.14***	0.29
$Δ x_{t - 1}^{+}$	$-$ 0.08	$-$ 0.04	17.59***	$-$ 0.16	$-$ 0.11	11.72***	$-$ 0.17	$-$ 0.15	25.61***	$-$ 0.22	$-$ 0.18	15.22***
$Δ x^{-}$	0.04	0.09	4.50*	$-$ 0.19	$-$ 0.12	6.39***	1.68***	1.40***	7.03**	0.29	0.26	7.10**
$Δ x_{t - 1}^{-}$	0.16	0.07	$-$ 36.58***	0.29	0.21	$-$ 24.36***	0.04	0.07	$-$ 57.54***	0.09	0.07	$-$ 44.16***
$L_{x^{+}}$	$-$ 0.24	$-$ 0.16	$-$ 3.13	$-$ 1.22	$-$ 0.94	$-$ 1.86	3.77***	3.07***	$-$ 13.64**	0.13	0.12	0.64
$L_{x^{-}}$	$-$ 0.35	$-$ 0.33	$-$ 2.98	0.84	0.61	$-$ 3.21	$-$ 3.31***	$-$ 2.73***	$-$ 6.16	0.89	0.62	8.95*
$W_{L R}$	1.28	1.34	1.44	0.94	1.05	1.43	0.64	0.51	2.41	1.66	1.35	1.35
$W_{S R}$	14.89***	13.26***	86.04***	8.53***	7.46***	37.6***	2.57	1.75	135.1***	8.68***	7.86***	54.85***

注: 表 5显示了以证券业的

Δ C o V a R

和MES作因变量分别对绿色(棕色)资产相关指标进行NARDL模型估计的回归结果. 其中"

x

"为自变量(VaR/ES/Index), "

Δ

"表示短期, "

L

"表示长期, "

+ / -

"表示正向/负向变动, "

W_{L R}

W_{S R}

"分别表示长期/短期Wald检验. *、**和***分别表示在10%、5%和1% 的显著性拒绝原假设.

表6 保险业系统性风险与绿色(棕色)行业表现之间的关系

$Δ C o V a R$
	绿色资产						棕色资产
	VaR_EI	ES_EI	Index_EI	VaR_EM	ES_EM	Index_EM	VaR_IPE	ES_IPE	Index_IPE	VaR_ZWR	ES_ZWR	Index_ZWR
$x_{t - 1}^{+}$	0.00	0.00	0.02	$-$ 0.00	$-$ 0.00	0.02	0.02*	0.02*	0.09	0.00	0.00	0.01
$x_{t - 1}^{-}$	$-$ 0.01	$-$ 0.01	$-$ 0.03	$-$ 0.01	$-$ 0.01	0.02	0.01	0.01	$-$ 0.09	0.00	$-$ 0.00	0.04
$Δ x^{+}$	0.17***	0.13***	$-$ 0.47	0.14***	0.11***	$-$ 0.10	0.27***	0.22***	$-$ 1.16*	0.30***	0.24***	$-$ 1.71***
$Δ x_{t - 1}^{+}$	$-$ 0.06**	$-$ 0.04**	0.42	$-$ 0.07**	$-$ 0.05**	0.17	$-$ 0.06**	$-$ 0.05**	0.29	$-$ 0.07**	$-$ 0.05**	1.11*
$Δ x^{-}$	0.01	0.00	1.10**	$-$ 0.02	$-$ 0.02	1.08**	0.11	0.08	1.45**	0.05	0.03	1.02*
$Δ x_{t - 1}^{-}$	$-$ 0.01	$-$ 0.02	$-$ 2.67***	0.01	$-$ 0.01	$-$ 1.95***	$-$ 0.03	$-$ 0.01	$-$ 5.65***	$-$ 0.02	$-$ 0.03	$-$ 4.75***
$L_{x^{+}}$	0.02	0.01	0.24	$-$ 0.04	$-$ 0.04	0.25	0.28*	0.23*	1.23	0.07	0.04	0.20
$L_{x^{-}}$	0.10	0.10	0.35	0.09	0.08	$-$ 0.31	$-$ 0.13	$-$ 0.10	1.22	$-$ 0.01	0.01	$-$ 0.62
$W_{L R}$	3.49*	3.51*	0.56	1.11	1.13	0.01	4.78**	5.16**	1.53	0.55	0.63	0.14
$W_{S R}$	0.97	1.37	2.01	0.47	0.78	0.96	1.30	1.15	6.77***	2.31	3.07*	5.67**
MES
	绿色资产						棕色资产
	VaR_EI	ES_EI	Index_EI	VaR_EM	ES_EM	Index_EM	VaR_IPE	ES_IPE	Index_IPE	VaR_ZWR	ES_ZWR	Index_ZWR
$x_{t - 1}^{+}$	$-$ 0.02	$-$ 0.02	0.06	$-$ 0.03	$-$ 0.03	0.07	0.03	0.03	0.32	$-$ 0.02	$-$ 0.02	$-$ 0.04
$x_{t - 1}^{-}$	$-$ 0.04	$-$ 0.04	0.01	$-$ 0.04	$-$ 0.03	0.19	$-$ 0.01	$-$ 0.01	$-$ 0.38	$-$ 0.02	$-$ 0.02	0.33*
$Δ x^{+}$	0.58***	0.47***	$-$ 1.11	0.51***	0.40***	0.05	0.91***	0.73***	$-$ 3.94*	1.03***	0.83***	$-$ 5.30**
$Δ x_{t - 1}^{+}$	$-$ 0.19**	$-$ 0.14*	1.57	$-$ 0.24**	$-$ 0.17**	0.89	$-$ 0.15	$-$ 0.13*	0.21	$-$ 0.21**	$-$ 0.17**	3.68
$Δ x^{-}$	0.04	0.02	3.80**	$-$ 0.09	$-$ 0.07	3.65**	0.44*	0.33	4.50**	0.19	0.12	3.35
$Δ x_{t - 1}^{-}$	0.03	$-$ 0.01	$-$ 9.59***	0.08	0.01	$-$ 7.28***	$-$ 0.09	$-$ 0.05	$-$ 19.75***	0.03	$-$ 0.02	$-$ 16.95***
$L_{x^{+}}$	$-$ 0.39	$-$ 0.34	0.81	$-$ 0.58	$-$ 0.48	0.94	0.48	0.42	4.85	$-$ 0.30	$-$ 0.28	$-$ 0.57
$L_{x^{-}}$	0.74	0.63	$-$ 0.14	0.67	0.56	$-$ 2.61	0.20	0.16	5.67	0.38	0.37	$-$ 4.71**
$W_{L R}$	1.72	1.78	0.06	0.23	0.26	0.58	5.87**	6.37**	2.10	0.05	0.10	1.79
$W_{S R}$	0.81	1.04	2.95*	0.51	0.74	1.96	1.14	0.94	7.06***	1.8	2.31	7.24***

注: 表 6显示了以保险业的

Δ C o V a R

和MES作因变量分别对绿色(棕色)资产相关指标进行NARDL模型估计的回归结果. 其中"

x

"为自变量(VaR/ES/Index), "

Δ

"表示短期, "

L

"表示长期, "

+ / -

"表示正向/负向变动, "

W_{L R}

W_{S R}

"分别表示长期/短期Wald检验. *、**和***分别表示在10%、5%和1% 的显著性拒绝原假设.

观察具体的回归分析结果, 从短期正向变动来看, 观察三个表中VaR和ES的回归系数可以发现, 无论是以

Δ C o V a R

还是以MES作为因变量衡量的结果, 绿色与棕色资产风险的增加都会显著提高三个金融行业的系统性风险. 然而, 绿色资产的回归系数均小于棕色资产, 说明当棕色资产和绿色资产风险均增加时, 棕色资产对金融系统性风险的贡献更为显著. 继续观察表 5中的回归结果发现, 当棕色资产风险下降时, 证券业系统性风险会同方向降低, 说明短期棕色资产风险的波动对证券业系统性风险有显著的同向调节作用.

至于短期负向变动, 表 4的回归结果表明, 绿色资产风险降低会显著增加银行业的系统性风险, 原因可能是绿色资产风险下降反映了政策对绿色行业的倾斜, 从而短期内会带来转型风险. 这也进一步通过实证分析验证了物理风险与转型风险之间存在的政策协调问题(Bolton et al., 2020). 具体而言, 积极的低碳转型政策有助于缓解物理风险的不利影响, 但若盲目实施该类政策可能导致实体经济和金融部门的转型风险敞口上升. 进一步观察银行业的长期效应, 发现其与短期回归结果正好相反, 即绿色资产风险的下降会使银行业系统性风险同方向降低, 具有显著的抑制作用. 说明政策协调问题只在短期内存在, 也就是短期内加大对绿色资产的投资或者政策倾斜可能会带来一定的转型风险从而增加银行业的系统性风险, 但是长期来看这种策略对银行系统的稳健发展具有积极效果.

分析绿色资产和棕色资产指数变化对金融系统性风险的影响. 从短期来看, 绿色资产和棕色资产指数的负向变动对金融行业的影响较为显著. 具体而言, 当这些指数下降时, 金融系统性风险会相应降低. 然而, 滞后一期的效应则相反, 即指数下降会引起金融系统性风险更大程度的上升. 这与资本市场规律相符, 作为资本市场中的组成部分, 其股票指数的下降本身对金融市场而言可能是负面的, 说明两类资产的指数变化传导到金融系统需要一定的时间. 进一步分析两类资产指数的系数可以发现, 棕色资产指数的系数更大, 表明短期内棕色资产指数的下降对金融系统性风险的促进作用更为显著. 进一步验证了短期内要防范转型风险对金融系统性风险的冲击. 从长期来看, 棕色资产指数的增加会提高银行业系统性风险, 而对证券业系统性风险则部分产生减弱效果, 说明金融监管机构需要高度重视证券行业对棕色资产的依赖性. 同时, 进一步分析发现, 绿色资产指数上升有助于降低证券业的系统性风险.

综上所述, 在短期内, 无论是绿色还是棕色资产的风险增加均会显著提升金融系统性风险, 但棕色行业对金融系统性风险的溢出效应更为显著. 此外, 绿色资产风险的减少在短期内会增加银行业的系统性风险, 然而从长期角度观察, 其对银行和证券行业的系统性风险具有显著的抑制作用. 从两类资产指数的变化角度分析, 短期内降低对棕色资产的投资会显著增加金融系统风险, 说明短期内转型风险对金融系统性风险有显著的促进作用. 长期来看, 绿色资产指数的上升显著降低了证券业的系统性风险. 然而, 棕色资产指数上升则可能带来不同的影响: 对银行业而言, 它可能增加银行业系统性风险; 但对证券业来说, 它具有降低风险的作用. 这一对比揭示了不同资产类别在不同金融行业中的风险效应差异.

5 结论

近年来, 气候变化与金融稳定之间的关系在政策辩论和学术文献中占据了中心舞台. 以往的研究往往局限于单一的分析视角, 通常仅关注物理风险或转型风险, 或者仅从某一特定灾害事件的角度来探讨问题. 然而, 在实际情况中, 物理风险与转型风险相互交织、相互影响, 故需要采取更全面的研究方法进行评估. 本文采用实证方法来解决这些问题, 首先探讨了极端气候灾害对不同金融行业风险的影响及其发生速度, 进而评估不同金融行业抵御极端气候灾害的能力. 其次, 在抵御极端天气事件冲击的同时, 本文从另一个角度强调了深化金融系统对绿色和棕色资产认识的重要性, 研究银行、证券和保险行业的系统性风险与绿色和棕色公司的表现之间的关系, 以更好地平衡两类资产配置, 降低转型风险冲击, 从而有效降低金融系统性风险水平. 根据本文研究结果, 尽管气候引发的灾难不一定会对金融系统风险产生影响, 但在十亿美元级别的某些气候灾难与金融行业系统性风险之间存在统计上的显著关联, 这表明气候变化引起的物理风险可能对金融稳定构成严重威胁, 强调了设计适当政策以避免相关气候事件频率和严重程度进一步增加的紧迫性. 关于银行、证券和保险行业的不同资产组合对系统性风险的影响, 本研究发现, 短期内棕色资产风险的提高及指数的降低会显著增加金融行业系统性风险. 但从长期来看, 棕色资产指数上升会增加银行业系统风险, 而绿色资产指数上升有助于降低证券业的系统性风险, 绿色资产风险的减少会显著降低银行业的系统性风险. 因此, 应注意防范转型风险对金融系统性风险产生的短期冲击, 降低证券行业对棕色资产表现出的依赖倾向, 并加强三个金融行业与绿色资产的长期关联, 以消除转型风向带来的短期负面影响.

总的来说, 本研究的结果验证了气候变化与金融系统之间紧密的联系, 前者可能对后者的稳定性构成威胁. 深入了解不同金融部门的系统性风险如何受到气候灾害和绿色(棕色)公司表现变化的影响, 有助于提供防范潜在气候风险的有益见解. 我们的研究成果对当前关于应对气候变化的政策建议做出了贡献: 首先, 通过证实某些极端天气事件与金融系统性风险之间显著关联的证据, 突显了采取适当政策以增强金融系统抵御极端天气事件的能力的重要性, 尤其需要加强证券和保险行业的抵御能力. 其次, 我们的研究结果从另一个角度提供了有用的政策建议: 1)平衡绿色转型与金融稳定. 考虑到短期内绿色资产表现可能增加金融市场的变动性, 建议政策制定时需权衡绿色转型与金融系统稳定性之间的短期冲突, 进而逐步引导资本流向绿色行业, 以确保金融市场的稳定过渡与可持续发展. 2)加强棕色资产的风险管理. 鉴于棕色资产指数对金融市场风险有显著的双向调节作用, 建议加强对棕色资产的风险评估与管理, 合理控制其在资本市场中的比重, 以此避免因环境政策的急剧变化导致的市场波动. 3)促进非银金融与绿色资产的深度融合. 绿色资产目前已与银行业形成了长期关联, 建议进一步推动非银金融(证券、保险业等)与绿色金融的深度融合, 如发展绿色债券、绿色保险产品等. 使其可以在短期内分担绿色转型对银行业系统性风险造成的冲击, 同时也能在长期内享受到绿色转型带来的收益. 4)细化不同金融行业的绿色政策. 根据不同金融行业与绿色(棕色)资产关联的差异, 制定差异化的支持策略. 综合以上分析, 本研究结果强烈呼吁学术界、政策制定者和金融监管机构加大力度, 持续推动气候政策的设计与实施, 并强化风险管理实践.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

陈国进, 陈凌凌, 金昊, 赵向琴, 气候转型风险与宏观经济政策调控[J]. 经济研究, 2023, 58(5): 60- 78.

https://doi.org/10.12229/j.issn.1672-5719.2023.05.015

Chen

G J

, Chen

L L

, Jin

, Zhao

X Q

, Climate Transition Risk and Macroeconomic Policy Regulation[J]. Economic Research Journal, 2023, 58(5): 60- 78.

https://doi.org/10.12229/j.issn.1672-5719.2023.05.015

本文引用 [1]

陈建青, 王擎, 许韶辉, 金融行业间的系统性金融风险溢出效应研究[J]. 数量经济技术经济研究, 2015, 32(9): 89- 100.

https://www.cnki.com.cn/Article/CJFDTOTAL-SLJY201509006.htm

Chen

J Q

, Wang

, Xu

S H

, A CoVaR Research on Spillover Effect of Systemic Financial Risk between Financial Sub-sectors[J]. The Journal of Quantitative and Technical Economics, 2015, 32(9): 89- 100.

https://www.cnki.com.cn/Article/CJFDTOTAL-SLJY201509006.htm

本文引用 [1]

丁宇刚, 孙祁祥, 气候风险对中国农业经济发展的影响–––异质性及机制分析[J]. 金融研究, 2022,(9): 111- 131.

https://www.cnki.com.cn/Article/CJFDTOTAL-JRYJ202209007.htm

Ding

Y G

, Sun

Q X

, Impact of Climate Risks on China's Agricultural Economic Development: Heterogeneity and Mechanism Analyses[J]. Journal of Financial Research, 2022,(9): 111- 131.

https://www.cnki.com.cn/Article/CJFDTOTAL-JRYJ202209007.htm

本文引用 [1]

宫晓莉, 熊熊, 张维, 我国金融机构系统性风险度量与外溢效应研究[J]. 管理世界, 2020, 36(8): 65- 83.

https://doi.org/10.3969/j.issn.1002-5502.2020.08.007

Gong

X L

, Xiong

, Zhang

, Research on Systemic Risk Measurement and Spillover Effect of Financial Institutions in China[J]. Management Word, 2020, 36(8): 65- 83.

https://doi.org/10.3969/j.issn.1002-5502.2020.08.007

本文引用 [2]

何青, 钱宗鑫, 刘伟, 中国系统性金融风险的度量–––基于实体经济的视角[J]. 金融研究, 2018,(4): 53- 70.

https://www.cnki.com.cn/Article/CJFDTOTAL-JRYJ201804004.htm

, Qian

Z X

, Liu

, Systemic Financial Risk and Real Economic Activity in China[J]. Journal of Financial Research, 2018,(4): 53- 70.

https://www.cnki.com.cn/Article/CJFDTOTAL-JRYJ201804004.htm

本文引用 [1]

姬强, 赵万里, 张大永, 郭琨, 气候风险感知对金融市场的影响–––基于中国企业层面的微观证据[J]. 计量经济学报, 2022, 2(3): 666- 680.

https://doi.org/10.12012/CJoE2021-0067

, Zhao

W L

, Zhang

D Y

, Guo

, Climate Risk Perception and Its Impacts on Financial Markets: Micro-evidence from Listed Firms in China[J]. China Journal of Econometrics, 2022, 2(3): 666- 680.

https://doi.org/10.12012/CJoE2021-0067

本文引用 [1]

李政, 涂晓枫, 卜林, 金融机构系统性风险: 重要性与脆弱性[J]. 财经研究, 2019, 45(2): 100- 112.

https://www.cnki.com.cn/Article/CJFDTOTAL-CJYJ201902009.htm

, Tu

X F

, Bu

, Systemic Risks of Financial Institutions: Importance and Vulnerability[J]. Journal of Finance and Economics, 2019, 45(2): 100- 112.

https://www.cnki.com.cn/Article/CJFDTOTAL-CJYJ201902009.htm

本文引用 [1]

刘波, 王修华, 李明贤, 气候变化冲击下的涉农信用风险–––基于2010-2019年256家农村金融机构的实证研究[J]. 金融研究, 2021,(12): 96- 115.

https://www.cnki.com.cn/Article/CJFDTOTAL-JRYJ202112006.htm

Liu

, Wang

X H

, Li

M X

, Climate Change and the Credit Risk of Rural Financial Institutions[J]. Journal of Financial Research, 2021,(12): 96- 115.

https://www.cnki.com.cn/Article/CJFDTOTAL-JRYJ202112006.htm

本文引用 [1]

马骏, 程琳, 沙孟维, 转型金融呼唤标准体系、激励措施和技术准备[J]. 清华金融评论, 2023,(9): 71- 74.

https://www.cnki.com.cn/Article/CJFDTOTAL-JRQH202309018.htm

, Cheng

, Sha

M W

, Transition Finance Calls for a System of Standards, Incentives, and Technology Readiness[J]. Tsinghua Financial Review, 2023,(9): 71- 74.

https://www.cnki.com.cn/Article/CJFDTOTAL-JRQH202309018.htm

本文引用 [1]

马骏, 金融机构环境风险分析的意义、方法和推广[J]. 清华金融评论, 2020,(9): 16- 20.

https://www.cnki.com.cn/Article/CJFDTOTAL-JRQH202009009.htm

, The Significance, Methodology and Promotion of Environmental Risk Analysis in Financial Institutions[J]. Tsinghua Financial Review, 2020,(9): 16- 20.

https://www.cnki.com.cn/Article/CJFDTOTAL-JRQH202009009.htm

本文引用 [2]

潘敏, 刘红艳, 程子帅, 极端气候对商业银行风险承担的影响–––来自中国地方性商业银行的经验证据[J]. 金融研究, 2022,(10): 39- 57.

https://doi.org/10.3969/j.issn.1009-3109.2022.10.010

Pan

, Liu

H Y

, Cheng

Z S

, The Impact of Extreme Climate on Commercial Banks' Risk-taking: Evidence from Local Commercial Banks in China[J]. Journal of Financial Research, 2022,(10): 39- 57.

https://doi.org/10.3969/j.issn.1009-3109.2022.10.010

本文引用 [3]

王馨, 王营, 绿色信贷政策增进绿色创新研究[J]. 管理世界, 2021, 37(6): 173- 188.

https://doi.org/10.3969/j.issn.1002-5502.2021.06.029

Wang

, Wang

, Research on the Green Innovation Promoted by Green Credit Policies[J]. Management World, 2021, 37(6): 173- 188.

https://doi.org/10.3969/j.issn.1002-5502.2021.06.029

本文引用 [1]

王信, 姜晶晶, 气候相关金融风险: 中外保险业的差异及应对[J]. 国际经济评论, 2021,(5): 22- 23.

https://www.cnki.com.cn/Article/CJFDTOTAL-GJPP202105002.htm

Wang

, Jiang

J J

, Climate-related Financial Risks: Differences between Chinese and Foreign Insurance Industry and China's Countermeasures[J]. International Economic Review, 2021,(5): 22- 23.

https://www.cnki.com.cn/Article/CJFDTOTAL-GJPP202105002.htm

本文引用 [2]

杨子晖, 李东承, 系统性风险指标是否具有前瞻性的预测能力?[J]. 经济学(季刊), 2021, 21(2): 617- 644.

https://www.cnki.com.cn/Article/CJFDTOTAL-JJXU202102012.htm

Yang

Z H

, Li

D C

, Do Systemic Risk Indicators Have Prospective Predictive Capability?[J]. China Economic Quarterly, 2021, 21(2): 617- 644.

https://www.cnki.com.cn/Article/CJFDTOTAL-JJXU202102012.htm

本文引用 [1]

杨子晖, 陈雨恬, 谢锐楷, 我国金融机构系统性金融风险度量与跨部门风险溢出效应研究[J]. 金融研究, 2018,(10): 19- 37.

https://www.cnki.com.cn/Article/CJFDTOTAL-JRYJ201810002.htm

Yang

Z H

, Chen

Y T

, Xie

R K

, Research on Systemic Risk Measures and Cross-sector Risk Spillover Effect of Financial Institutions in China[J]. Journal of Financial Research, 2018,(10): 19- 37.

https://www.cnki.com.cn/Article/CJFDTOTAL-JRYJ201810002.htm

本文引用 [1]

杨子晖, 李东承, 陈雨恬, 金融市场的"绿天鹅"风险研究–––基于物理风险与转型风险的双重视角[J]. 管理世界, 2024, 40(2): 47- 67.

https://www.cnki.com.cn/Article/CJFDTOTAL-GLSJ202402003.htm

Yang

Z H

, Li

D C

, Chen

Y T

, Research on the "Green Swan" Risk in Financial Markets: Based on the Dual Perspectives of Physical Risk and Transition Risk[J]. Management World, 2024, 40(2): 47- 67.

https://www.cnki.com.cn/Article/CJFDTOTAL-GLSJ202402003.htm

本文引用 [1]

余婷, 段显明, 葛察忠, 李晓亮, 中国绿色股票指数的现状分析与发展建议[J]. 环境保护, 2018, 46(18): 42- 46.

https://www.cnki.com.cn/Article/CJFDTOTAL-HJBU201818013.htm

, Duan

X M

, Ge

C Z

, Li

X L

, Status Analysis and Development Proposals on China's Green Stock Index[J]. Environmental Protection, 2018, 46(18): 42- 46.

https://www.cnki.com.cn/Article/CJFDTOTAL-HJBU201818013.htm

本文引用 [1]

张大永, 张跃军, 王玉东, 王群伟, 姬强, 气候金融的学科内涵、中国实践与热点前沿研究[J]. 管理科学学报, 2023, 26(8): 1- 15.

https://www.cnki.com.cn/Article/CJFDTOTAL-JCYJ202308001.htm

Zhang

D Y

, Zhang

Y J

, Wang

Y D

, Wang

Q W

, Ji

, Climate Finance: Theoretical Advancements, Chinese Practice, and Cuttingedge Research[J]. Journal of Management Sciences in China, 2023, 26(8): 1- 15.

https://www.cnki.com.cn/Article/CJFDTOTAL-JCYJ202308001.htm

本文引用 [1]

张琦, 郑瑶, 孔东民, 地区环境治理压力、高管经历与企业环保投资–––一项基于《环境空气质量标准(2012)》的准自然实验[J]. 经济研究, 2019, 54(6): 183- 198.

https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ201906013.htm

Zhang

, Zheng

, Kong

D M

, Local Environmental Governance Pressure, Executive's Working Experience and Enterprise Investment in Environmental Protection: A Quasi-natural Experiment Based on China's "Ambient Air Quality Standards 2012"[J]. Economic Research Journal, 2019, 54(6): 183- 198.

https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ201906013.htm

本文引用 [1]

张韵晗, 郭琨, 姬强, 赵万里, 气候冲击对中国大类资产收益的信息溢出研究[J]. 计量经济学报, 2023, 3(2): 426- 442.

https://doi.org/10.12012/CJoE2022-0125

Zhang

Y H

, Guo

, Ji

, Zhao

W L

, Information Spillover Effect of Climate Shocks on Chinese Asset Returns[J]. China Journal of Econometrics, 2023, 3(2): 426- 442.

https://doi.org/10.12012/CJoE2022-0125

本文引用 [1]

Acharya

, Engle

, Richardson

, Capital Shortfall: A New Approach to Ranking and Regulating Systemic Risks[J]. American Economic Review, 2012, 102(3): 59- 64.

本文引用 [3]

Adrian T, Brunnermeier M K, (2011). CoVaR (No. w17454)[R]. National Bureau of Economic Research.

本文引用 [1]

Adrian

, Brunnermeier

M K

, CoVaR[J]. The American Economic Review, 2016, 106(7): 1705.

本文引用 [3]

Aswani

, Raghunandan

, Rajgopal

, Are Carbon Emissions Associated with Stock Returns?[J]. Review of Finance, 2024, 28(1): 75- 106.

本文引用 [1]

Banulescu

G D

, Dumitrescu

E I

, Which are the SIFIs? A Component Expected Shortfall Approach to Systemic Risk[J]. Journal of Banking & Finance, 2015, 50, 575- 588.

本文引用 [1]

Batten

, Sowerbutts

, Tanaka

, Let's Talk About the Weather: The Impact of Climate Change on Central Banksr[J]. Journal of Econometrics, 2016, 208(1): 249- 264.

本文引用 [1]

Battiston

, Dafermos

, Monasterolo

, Climate Risks And Financial Stability[J]. Journal of Financial Stability, 2021, 54, 100867.

本文引用 [1]

Battiston

, Mandel

, Monasterolo

, Schütze

, Visentin

, A Climate Stress-test of the Financial System[J]. Nature Climate Change, 2017, 7(4): 283- 288.

本文引用 [1]

Bernstein

, Gustafson

M T

, Lewis

, Disaster on the Horizon: The Price Effect of Sea Level Rise[J]. Journal of Financial Economics, 2019, 134(2): 253- 272.

本文引用 [1]

Bolton P, Despres M, Da Silva L A P, Samama F, Svartzman R, (2020). The Green Swan[R]. Bank for International Settlements.

本文引用 [2]

Bolton

, Kacperczyk

, Global Pricing of Carbon-transition Risk[J]. The Journal of Finance, 2023, 78(6): 3677- 3754.

本文引用 [1]

Brownlees

C T

, Engle

, Volatility, Correlation and Tails for Systemic Risk Measurement[J]. Available at SSRN, 2012, 1611229

本文引用 [1]

Carattini

, Heutel

, Melkadze

, Climate Policy, Financial Frictions, and Transition Risk[J]. Review of Economic Dynamics, 2023, 51, 778- 794.

本文引用 [1]

Curcio

, Gianfrancesco

, Vioto

, Climate Change and Financial Systemic Risk: Evidence from US Banks and Insurers[J]. Journal of Financial Stability, 2023, 66, 101132.

本文引用 [2]

Diluiso

, Annicchiarico

, Kalkuhl

, Minx

J C

, Climate Actions and Macro-financial Stability: The Role of Central Banks[J]. Journal of Environmental Economics and Management, 2021, 110, 102548.

本文引用 [1]

Douris J, Kim G, (2021). The Atlas of Mortality and Economic Losses from Weather, Climate and Water Extremes (1970–2019)[R]. World Meteorological Organization.

本文引用 [1]

Ehlers

, Packer

, De Greiff

, The Pricing of Carbon Risk in Syndicated Loans: Which Risks are Priced and Why?[J]. Journal of Banking & Finance, 2022, 136, 106180.

本文引用 [1]

Engle

, Dynamic Conditional Correlation: A Simple Class of Multivariate Generalized Autoregressive Conditional Heteroskedasticity Models[J]. Journal of Business & Economic Statistics, 2002, 20(3): 339- 350.

本文引用 [1]

Financial Stability Board, (2020). The Implications of Climate Change for Financial Stability[R]. Report.

Giglio

, Maggiori

, Rao

, Stroebel

, Weber

, Climate Change and Long-run Discount Rates: Evidence from Real Estate[J]. The Review of Financial Studies, 2021, 34(8): 3527- 3571.

本文引用 [1]

Huang

, Punzi

M T

, Wu

, Do Banks Price Environmental Transition Risks? Evidence from a Quasi-natural Experiment in China[J]. Journal of Corporate Finance, 2021, 69, 101983.

本文引用 [1]

Monasterolo

, De Angelis

, Blind to Carbon Risk? An Analysis of Stock Market Reaction to the Paris Agreement[J]. Ecological Economics, 2020, 170, 106571.

本文引用 [2]

Morelli

, Vioto

, Assessing the Contribution of China's Financial Sectors to Systemic Risk[J]. Journal of Financial Stability, 2020, 50, 100777.

本文引用 [1]

Murfin

, Spiegel

, Is the Risk of Sea Level Rise Capitalized in Residential Real Estate?[J]. The Review of Financial Studies, 2020, 33(3): 1217- 1255.

本文引用 [1]

NGFS, (2020a). Overview of Environmental Risk Analysis by Financial Institutions[R]. First Comprehensive Report.

本文引用 [1]

NGFS, (2020b). Case Studies of Environmental Risk Analysis Methodologies[R]. Technical Supplement.

本文引用 [1]

Pesaran

M H

, Shin

, Smith

R J

, Bounds Testing Approaches to the Analysis of Level Relationships[J]. Journal of applied econometrics, 2001, 16(3): 289- 326.

本文引用 [2]

Shin Y, Yu B, Greenwood-Nimmo M, (2014). Modelling Asymmetric Cointegration and Dynamic Multipliers in a Nonlinear ARDL Framework[M]// Festschrift in Honor of Peter Schmidt. New York: Springer, 2014: 281–314.

本文引用 [2]

Song

, Fang

, Temperature Shocks and Bank Systemic Risk: Evidence from China[J]. Finance Research Letters, 2023, 51, 103447.

本文引用 [1]

, Bai

, Qi

, Lu

, Yang

, et al. The Impact of Climate Change on Banking Systemic Risk[J]. Economic Analysis and Policy, 2023, 78, 419- 437.

本文引用 [1]

基金

国家自然科学基金重大项目(72091515)

湖南省教育厅优秀青年项目(23B0004)

版权

PDF(674 KB)

2643

Accesses

Citation

Detail

段落导航

摘要
Abstract
关键词
Key words
引用本文
1 引言
2 模型设定、方法说明
2.1 系统性风险的测量
2.1.1 条件在险价值(CoVaR)和( $Δ C o V a R$ )
2.1.2 边际期望损失(MES)
2.1.3 基于DCC-GARCH模型的 $Δ C o V a R$ 及MES计算
2.2 Wilcoxon秩和检验
2.3 NARDL模型
3 数据说明
3.1 金融系统性风险
3.2 棕色(绿色)行业指数
表1 控制变量的选择与计算方法
表2 描述性统计
4 实证结果
4.1 气候引发的灾难和金融性系统风险
图1 银行、证券和保险行业的系统性风险
表3 气候引发的灾难与银行、证券、保险行业系统性风险
4.2 绿色(棕色)资产的表现和金融行业系统性风险
表4 银行业系统性风险与绿色(棕色) 行业表现之间的关系
表5 证券业系统性风险与绿色(棕色)行业表现之间的关系
表6 保险业系统性风险与绿色(棕色)行业表现之间的关系
5 结论
参考文献
基金
版权

收稿日期	出版日期
2024-03-25	2024-07-28
发布日期
2024-07-29

选择文件类型/文献管理软件名称

选择包含的内容

摘要

Abstract

关键词

Key words

引用本文

1 引言

2 模型设定、方法说明

2.1 系统性风险的测量

2.1.1 条件在险价值(CoVaR)和( $Δ C o V a R$ )

2.1.2 边际期望损失(MES)

2.1.3 基于DCC-GARCH模型的 $Δ C o V a R$ 及MES计算

2.2 Wilcoxon秩和检验

2.3 NARDL模型

3 数据说明

3.1 金融系统性风险

3.2 棕色(绿色)行业指数

表1 控制变量的选择与计算方法

表2 描述性统计

4 实证结果

4.1 气候引发的灾难和金融性系统风险

图1 银行、证券和保险行业的系统性风险

表3 气候引发的灾难与银行、证券、保险行业系统性风险

4.2 绿色(棕色)资产的表现和金融行业系统性风险

表4 银行业系统性风险与绿色(棕色) 行业表现之间的关系

表5 证券业系统性风险与绿色(棕色)行业表现之间的关系

表6 保险业系统性风险与绿色(棕色)行业表现之间的关系

5 结论

{{custom_sec.title}}

{{custom_sec.title}}

参考文献

{{custom_fnGroup.title_cn}}

脚注

基金

版权

扫码分享

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

摘要

Abstract

关键词

Key words

引用本文

1 引言

2 模型设定、方法说明

2.1 系统性风险的测量

2.1.1 条件在险价值(CoVaR)和(ΔCoVaR)

2.1.2 边际期望损失(MES)

2.1.3 基于DCC-GARCH模型的ΔCoVaR及MES计算

2.2 Wilcoxon秩和检验

2.3 NARDL模型

3 数据说明

3.1 金融系统性风险

3.2 棕色(绿色)行业指数

表1 控制变量的选择与计算方法

表2 描述性统计

4 实证结果

4.1 气候引发的灾难和金融性系统风险

图1 银行、证券和保险行业的系统性风险

表3 气候引发的灾难与银行、证券、保险行业系统性风险

4.2 绿色(棕色)资产的表现和金融行业系统性风险

表4 银行业系统性风险与绿色(棕色) 行业表现之间的关系

表5 证券业系统性风险与绿色(棕色)行业表现之间的关系

表6 保险业系统性风险与绿色(棕色)行业表现之间的关系

5 结论

{{custom_sec.title}}

{{custom_sec.title}}

参考文献

{{custom_fnGroup.title_cn}}

脚注

基金

版权

2.1.1 条件在险价值(CoVaR)和( $Δ C o V a R$ )

2.1.3 基于DCC-GARCH模型的 $Δ C o V a R$ 及MES计算