氣候轉型風險宏觀情景壓力測試：方法探索及行業應用*
——基于高碳企業債券違約概率模型

丁 攀，李 凌，李業嘉，潘秋蓉，吳 玲

（1.中國（海南）改革發展研究院，海南 海口 570100；2.中國人民銀行海口中心支行，海南 海口 570105；3.中國人民銀行三亞市中心支行，海南 三亞 572000）

一、引言

氣候風險已成為本世紀人類面臨的最主要挑戰。全球各國政府紛紛承諾以不同方式應對氣候變化，其中最具里程碑意義的是2015年由195個締約方在第21屆聯合國氣候變化大會上一致同意通過的《巴黎協定》，該協定旨在將本世紀的全球升溫幅度限制在比工業化前水平高出2℃以下，并努力將升溫幅度控制在1.5℃以內。然而，遏制排放或促進向低碳、凈零經濟轉型的政策可能會給碳密集型行業帶來重大風險，特別是嚴重依賴不可再生能源或高污染資源的行業（如化石能源開采等）以及通過供應鏈與之緊密相連的行業（如火電、造紙、化工等），可能面臨著利潤大幅下降和生產成本上升，進而導致其資產重新估值并重新評估預期收益。這類資產的重新定價可能會損害金融機構交易對手的信譽，導致其償付能力下降進而破壞金融服務的穩定性和金融市場的正常運行，并對實體經濟造成結構性沖擊。在經濟政策向低碳轉型過程中，由于氣候政策變化、技術革新、市場情緒變化、環境規制變更等導致的資產擱淺而引發的金融風險被定義為氣候轉型風險。

為了更好地評估氣候轉型風險造成的潛在損失，防范可能導致的系統性金融風險，國際組織、貨幣和監管當局開始呼吁金融機構要建立氣候風險管理框架，將氣候風險因素納入投融資業務。全球氣候相關財務披露工作小組TCFD（The Task Force on Climate-Related Financial Disclosures）（2017）針對金融業及易受到氣候變化和低碳經濟轉型影響的高碳產業分別制定了信息披露指引，一方面有助于推動市場對氣候相關風險與機遇評估、改善氣候風險定價，以便進行更完善的資本配置決策，另一方面有助于投資人或利益相關者更有效地評估風險調整后的潛在收入、償債能力、氣候相關的暴露程度。央行與監管機構綠色金融網絡（Network for Greening the Financial System，以下簡稱NGFS）（2019）認為，氣候變化是影響金融體系結構性變化的一個重要來源，建議將氣候相關風險納入金融穩定監測和微觀監管，并促進央行和監管機構就基于各種轉型情景的金融風險評估開展聯合工作。為了促進各國央行與監管機構更好地開展氣候風險壓力測試，NGFS于2020年6月發布了《面向央行和監管機構的氣候情景分析指南》，通過模型提出了有序轉型、無序轉型、溫室世界三種轉型路徑下8個宏觀情景，其中每個情景都包含了GDP、CO2排放量、碳價等宏觀變量的定量預測。2021年6月，NGFS對原始情景進行更新，并將宏觀經濟變量的定量預測細化至國家層面。在此背景下，全球已有31個NGFS成員單位的中央銀行或政策機構開始致力于開發宏觀情景壓力測試方法，旨在評估氣候風險對金融系統和整體經濟的影響。

國內層面，中國人民銀行組織全國23家主要銀行完成了對火電、鋼鐵、水泥等三大高碳行業的氣候風險敏感性壓力測試，但宏觀情景的壓力測試方法仍在不斷探索與完善。鑒于此，本文通過梳理并借鑒世界主要國家央行或政策機構開展的氣候風險宏觀情景壓力測試方法，結合我國碳密集型產業分布實際以及基于未來氣候政策的一系列假設，探索研究氣候轉型風險對碳密集型產業的傳導渠道，最終測算金融市場的違約概率。本文試圖建立一個前瞻性的分析框架，以評估氣候轉型風險對我國高碳企業的財務影響，即通過該框架將NGFS氣候情景的輸入應用于國內發債的非金融高碳企業，以此評估氣候轉型風險在未來40年時間范圍內可能對高碳企業信用風險產生的影響。

本文可能的主要邊際貢獻在于：一是梳理世界主要國家央行或政策機構對氣候風險宏觀情景壓力測試的具體做法，總結各國方法的特點與優勢，為豐富氣候轉型風險量化評估拓寬研究思路。二是選擇了八大高碳行業之一的火電行業作為研究對象，基于NGFS情景中未來氣候政策的不同假設構建了對應的企業財報驅動模型，為宏觀經濟指標如何映射至行業層面提供了新的研究方法。三是通過企業債券信用利差計算市場隱含的火電企業違約概率，構建了基于氣候轉型風險宏觀情景壓力下的債券市場違約概率模型，有效彌補了氣候轉型風險對債券市場影響的研究空白。

二、氣候風險量化評估的最新研究進展

對氣候變化緩解政策實施帶來的轉型風險量化評估，越來越受到學術界與政策制定者的重視，部分國家金融管理部門開始利用壓力測試工具評估氣候風險給金融體系帶來的影響。在過去，傳統壓力測試主要集中在短期內宏觀經濟波動對金融機構投資組合或資產負債表的影響，預測期限往往在未來5年內的情景沖擊（Vermeulen等，2018）。雖然這種短期內壓力測試有助于評估金融機構對近期可能出現氣候風險的抵御能力，卻無法衡量金融體系可持續應對氣候變化相關風險的能力，因此有必要進行更長期的情景分析。得益于NGFS對氣候轉型情景的更新與不斷完善，基于預測時間跨度至2050年的宏觀情景分析法被不少國家央行采用（BDF，2020；ECB，2021；BoE，2019；BoC，2022），即通過不同氣候變化政策應對的路徑假設對宏觀經濟造成的影響，分析金融體系由此可能造成的損失。

（一）氣候風險對宏觀經濟的傳導：路徑、方法與應用

氣候風險對宏觀經濟的傳導路徑主要通過不同控溫目標情景下設置相對應的碳定價機制，進而對宏觀經濟產生不同的影響。以2℃的控溫目標為例，首先，碳價上升導致化石能源需求下降，進而導致產出下降，碳排放量也隨之減少，倒逼能源需求國出臺一系列政策以調整能源結構以及發展減碳除碳和碳封存技術。與此同時，對能源出口國而言，化石能源需求下降必然導致價格下跌，意味著產出下降。其次，碳價上升帶來碳配額拍賣收入的增長，通過稅制調節的方式鼓勵企業參與可再生能源的投資。然后，碳價上升給企業帶來生產成本壓力，一方面通過提高產品價格轉嫁給消費者，導致物價上漲進而抑制消費需求，另一方面擠壓生產企業的利潤，導致投資與產出的下降。

綜合評估模型（Integrated Assessment Models，以下簡稱IAMs模型）框架最早由2018年諾貝爾經濟學獎獲得者諾德豪斯提出（Nordhaus，1982），該模型創造性地將經濟學中的邊際分析法引入氣候變化研究（Nordhaus，1991），并由最初單一的全球整體為研究對象的氣候和經濟動態綜合模型（Dynamic Integrated Model of Climate and the Economy，DICE）演變為包含美國、中國等碳排放大國在內的多區域氣候和經濟綜合模型（Regional Integrated model for Climate and the Economy，RICE）。經過多年的不斷擴展與完善，IAMs模型的發展呈現出多元化特征，并逐漸成為多數國家金融管理部門研究氣候風險的主流工具。IAMs模型主要包含兩大模塊，即用于分析溫室氣體排放量對大氣溫度影響的氣候模塊和用于分析大氣溫度上升對宏觀經濟波動及政策制定影響的經濟模塊。其優勢在于通過構建損失函數如氣溫上升造成GDP的損失和成本函數如控制溫室氣體排放量的成本，將兩大模塊有機結合并實現交互作用。法國央行在宏觀情景壓力測試中采用IAMs模型預測了不同轉型情景下歐盟、美國以及世界其他地區GDP產出、碳價格以及溫室氣體排放量。結果顯示，在延遲轉型情景下碳價格的上升是導致法國GDP下降的主要因素，盡管在2045年以前碳稅收入的再分配吸收了部分GDP損失，但是隨著時間的推移這種再分配效應將消耗殆盡（BDF，2020）。加拿大央行運用IAMs模型分析氣候風險的結果表明，如果不采取進一步行動減少碳排放，到2100年全球溫度將上升4.1℃，預計造成損失高達30萬億美元（BoC和OSFI，2022）。

盡管IAMs模型可以評估氣候風險對宏觀經濟的傳導效應，且對應氣候轉型情景具有較長的時間跨度，可預測至2100年，但是缺乏對短期經濟波動的關注，特別是情景中5～10年時間的步長預測需要進行插值計算短期的估計值（UNEP FI，2021），可能無法準確評估金融資產面臨的損失（BIS，2021）。除此之外，IAMs模型還面臨著商品的現貨價格、利率、股票指數等其他一些重要宏觀經濟變量缺失以及GDP估計值外生或半外生假設等缺陷（UNEP FI和NIESR，2022）。因此，氣候相關情景的長期性給評估帶來了極大的不確定性，從而催生了新的建模需求（ECB，2021）。在此背景下，英國、法國、加拿大和荷蘭等諸多國家央行開始采用NiGEM模型，引入生產率沖擊、貿易價格、匯率等多個宏觀因素對GDP產出估計進行校準，以此作為IAMs模型估計的補充。有別于IAMs模型，NiGEM模型由英國國家經濟社會研究所（NIESR）開發，屬于多國動態均衡模型，涵蓋了幾乎所有的經合組織國家，每個國家均獨立建模，模型中包含了各國國內需求、進出口、價格、匯率、利率等宏觀變量以及居民家庭、企業、政府和貨幣當局四部門，且在情景中給出了時間跨度為2021—2050年每年的預測值。隨著2021年NIESR正式加入綠色金融網絡NGFS，NiGEM模型有效補充了IAMs模型在NGFS情景中的缺陷。

（二）氣候風險宏觀情景映射至行業層級：方法與應用

由于氣候風險對經濟領域各行業影響不同，細化其對不同非金融行業或部門的影響，有助于進一步精準量化對金融體系的潛在風險。當前各國央行測試的主要做法是，通過構建本國的產業模型，把宏觀經濟變量的變動分解至各行業層級，計算出金融部門相應敞口變化，將沖擊進一步傳導至金融體系。荷蘭央行在分析轉型風險對GDP、價格水平、利率、股票指數等宏觀經濟金融變量沖擊的基礎上，構建各行業“轉型脆弱性因子”，用該因子與股票指數的乘積代表各行業股價受到的影響，最后通過計算金融部門持有相關行業的資產衡量可能產生的損失。法國央行在IAMs模型與NiGEM模型的宏觀估計結果基礎上構建了行業生產網絡模型，該框架將全球分為包含法國、歐盟其他國家、美國和世界其他國家四大經濟區，使用全球投入產出矩陣進行校準，通過法國央行自身的評級模型將宏觀情景映射至企業層級，以此預測未來30年企業層級的財務指標進而計算違約概率與損失。加拿大央行在9大主要行業科目基礎上細分了23項子行業，通過繪制熱圖來反映不同子行業的財務科目對氣候變化宏觀情景的敏感性，以此預測各細分子行業的財務指標變動情況并最終測算違約損失。相對于構建復雜的產業模型來驅動行業層級財務指標，歐央行直接采用企業層級財務指標顆粒數據構建了面板自回歸模型，將氣候風險的宏觀情景直接作為解釋變量對企業總資產進行施壓，通過預測樣本企業的債務杠桿率與利潤率，最終預測企業的違約概率。

綜上，世界主要發達經濟體央行對氣候風險宏觀情景壓力測試方法的研究仍處于探索階段，并將測試結果的時間跨度延長至2050年以期與碳中和目標相對應①值得一提的是，出于審慎考慮，各國央行官網上發布的研究成果均備注了僅代表員工個人觀點，不代表本國央行觀點。。國內層面，中國人民銀行在2021年第四季度中國貨幣政策執行報告中提出要探索開展氣候風險宏觀情景壓力測試。目前，國內學術界對氣候風險壓力測試方法論的研究相對較少，主要基于氣候轉型風險分析對銀行貸款損失的短期影響。如于孝建和詹愛娟（2021）采用莫頓模型和壓力測試方法，通過碳稅沖擊評估商業銀行的貸款價值損失，發現國有商業銀行與股份制商業銀行之間存在異質性。魏雷等（2022）則利用改進的總生產函數、宏觀違約率模型測算了各種不利情景沖擊對國內銀行業的整體影響程度，發現碳價上升、化石能源資本折舊加速會使商業銀行不良貸款率從2020年的1.84%最高上升至2023年的6.42%。鑒于此，有必要結合我國實際，對氣候風險宏觀情景壓力測試開展長時間跨度的探索研究，以此評估不同轉型路徑下實現碳中和目標過程中面臨的金融風險沖擊。

三、氣候風險宏觀情景壓力測試方法探索與應用

（一）測試樣本選擇與數據來源說明

鑒于數據的可得性，本文選擇國內八大高碳行業之一的火電企業作為氣候風險宏觀情景壓力測試的樣本。選擇火電企業作為研究對象，主要基于以下兩方面考慮：一是火電企業為八大高碳行業里碳排放大戶，其排放因子僅次于水泥，且水泥中大部分碳排放均來自于自備電廠，因此火電企業在高碳行業中具有較高的代表性。二是債券市場上火電企業發債較多，為研究提供了較為豐富的樣本。同時，研究企業的債券違約率，能夠克服銀行端層面針對同一企業不同銀行對其評級模型不同導致的違約概率差異較大的問題，確保了同一種方法計算違約率的一致性，即利用企業信用利差計算債券違約率。

氣候風險壓力測試的難點在于：一是對高碳樣本企業歷史違約率的估算。盡管目前各大銀行機構對貸款客戶企業的違約率可通過各自的內部評級模型估算，但是由于不同銀行機構評級模型存在差異導致對同一企業的評級可能產生不同的違約概率，特別是在同一樣本企業存在多個銀行機構貸款的背景下，對違約概率的測算可能會因為信息不對稱產生較大的差異。鑒于此，本文嘗試從債券市場端入手，通過火電企業三年期信用債計算信用利差，以此測算企業的歷史債券違約率。本文通過Wind債券數據庫選擇了2021年發行的三年期國債以及三年期火電行業信用債的35家樣本企業。二是將氣候風險應用于高碳企業財務報表未來30年的預測驅動進而測算違約概率。為實現轉型目標，相同壓力情景下不同高碳行業的轉型路徑存在著較大差異，特別是不同高碳行業的減排取決于各種壓力情景下多方面因素，包括碳價格、不同行業的碳排放強度、化石能源的投入成本以及不同行業之間除碳技術的差異。基于NGFS第二階段情景中給出的不同轉型路徑下中國火電行業相關指標預測值，本文嘗試構建針對火電企業的財報驅動模型，以此模擬不同轉型路徑下火電企業在未來30年財務報表的變動情況。本文參照各國央行研究的做法，對樣本企業的違約率預測期限為2021—2050年，且以3年為一個跨度周期。

（二）樣本企業債券違約率估算與宏觀情景預測模型構建

學術界對企業違約概率測算模型主要有以下四類。第一類是穆迪公司和標準普爾公司開發的針對不同信用級別歷史違約概率的統計模型。但由于我國企業或銀行的信用評級結果與這兩家機構的評級存在較大差異，因此無法使用其開發的統計模型。第二類是美國KMV公司根據期權定價理論開發的KMV模型及EDF模型。該模型通過上市企業資產價值、資產收益波動率、負債價值及負債加權到期時間來計算企業違約概率，但從中國的實際情況看，非上市企業才是發行債券的主力軍，該模型不適用于中國。第三類是瑞士信貸第一波士頓銀行根據泊松分布開發的Credit Risk+模型。但由于我國企業違約記錄數據庫尚不完善，該模型難以適用于中國。第四類是利用公司關鍵財務指標進行線性回歸計算回歸值，再通過Logistic分布即Logistic模型或者正態分布即Probit模型計算公司違約概率。但是，Logistic違約概率模型有兩個弊端：一是其違約臨界點的確定嚴重受樣本中正常企業與違約企業數量配比比例的影響。若樣本配比比例不同，對同一家企業未來是否違約的結果可能截然相反；二是該模型的參數估計要求事先有一定數量的違約企業和正常企業樣本。在我國企業違約記錄數據庫不健全的背景下，很難使用該模型。

為此，本文借鑒曹勇等（2016）研究企業違約概率的方法，在無套利的條件下，通過企業發行三年期債券的信用利差來計算企業市場隱含違約概率，并在對其進行概率分位點變換后，將其作為Logistic線性回歸的被解釋變量。該方法避免了傳統Logistic違約概率模型受樣本配比比例影響的缺陷，解決了在缺乏企業違約記錄數據情況下Logistic違約概率模型的參數估計問題。關于Logistic線性回歸的解釋變量，從企業的流動性、資本結構、營運能力和規模四個方面，以權威研究文獻的高頻指標為基礎，結合企業年報披露的財務信息，初次選出企業違約概率測算的現金比率、流動比率（流動資產/流動負債）、資產負債率（負債/資產）、帶息債務/全部投入資本、應收賬款周轉天數、存貨周轉天數、總資產對數、總負債對數等8個財務指標，然后通過財務指標系數的顯著性檢驗來刪除對企業違約概率解釋能力差的財務指標。

1.基于信用利差的企業違約概率測算方法

首先，計算信用利差。企業債券的信用利差是指除了信用等級不同，其他所有方面都相同的兩種債券收益率之間的差額，它代表了僅僅用于補償信用風險而增加的收益率。通常信用利差的計算是通過企業債券利率減去同期國債利率。此外，持有企業債券和持有國債在納稅方面有所區別，計算信用利差時應考慮在內。因此，記rn為企業債券的名義利率，rtax為企業債券利息征收稅率，re為企業債券的實際有效利率，則：

記CS為企業債券的信用利差，rft為同期國債利率，則：

然而，與企業發行債券日期相同的國債利率并不一定存在，為此本文借鑒Lange（2010）采用牛頓插值法計算企業債券發行日的國債利率，解決了企業發行債券時無同期國債發行的問題。假設t1和t2時刻有國債發行，發行利率分別記rft1和rft2，在t1和t2時刻之間的t時刻有企業發行債券，利用牛頓插值法計算t時刻的國債利率：

轉換式（4）可得：

對式（5）計算的企業違約概率進行概率分位點變換后，即可作為Logistic線性回歸模型中的被解釋變量，由此解決了缺乏企業違約記錄數據而無法估計Logistic違約概率模型參數的問題。

2.概率分位點變換后的Logistic線性回歸模型

PDi為第i家企業根據式（5）計算得出的企業違約概率，對PDi進行概率分位點變化得到yi，如式（6）所示：

對PDi進行概率分位點變化的原因是：變換得到的概率分位點yi與公司財務指標呈現線性回歸關系，故采用普通最小二乘法OLS估計Logistic線性回歸模型即可。借鑒馬若微和唐春陽（2007），記xij為第i家企業第j個財務指標數值，則yi與財務指標xij之間的關系為：

其中：i=1,2,…,n，n為樣本企業個數；j=1,2,…,m，m為財務指標個數；a和bj為模型參數；εi為隨機誤差項且服從標準正態分布；最終解釋變量x的確定是通過多個財務指標進行模型（7）回歸后，留下回歸系數顯著的財務指標。采用普通最小二乘法OLS估計模型（7）中的參數。確認參數后的回歸模型可作為預測估計模型，將同行業未發行債券企業或者未來將要發行債券企業的財務指標代入預測估計模型計算出預測概率分位點，接著對該進行概率分位點逆變換得出上述企業的違約概率，如式（8）所示：

3.變量計算結果及Logistic線性回歸結果

表1列出了三年期國債的發行利率及發行日期，采用牛頓插值法算出與35家樣本企業三年期信用債對應發行日期的國債利率rft。表2列出了35家樣本企業發行三年期信用債券信息及通過計算得到的信用利差CS、違約概率PD和分位點y。

表1 三年期國債信息

表2 樣本企業三年期信用債信息及違約概率、分位點

表3 初選財務指標Logistic線性回歸的參數估計結果

注：*、**、***分別代表在10%、5%、1%顯著性水平下顯著。下同。

以表2列（10）分位點yi作為Logistic線性回歸模型（7）的被解釋變量，以篩選后的5個財務指標作為解釋變量，通過Stata采用OLS重新估計回歸方程的參數，回歸結果列于表4。

表4 確定財務指標Logistic線性回歸模型的參數估計結果

由此，可以建立如下Logistic線性計算公式，通過不同氣候風險宏觀情景壓力下驅動樣本企業對應的財報指標來預測未來30年的債券違約概率：

（三）氣候風險映射至樣本企業財報指標的方法探索

NGFS第二階段情景中給出了不同轉型路徑下中國火電行業相關指標預測值，包括不同發電方式的發電量增速、電價增速、碳價格、除碳技術的成本、免費配額比、化石能源價格增速以及新增投資增速。本文擬研究以3年為一個跨度周期的低于2攝氏度情景和2050年凈零情景，具體如下：一是低于2攝氏度（以下簡稱低于2度）情景：從2021年開始采取全球政策行動，旨在到2100年將全球平均變暖限制在2攝氏度以下。二是2050年凈零排放（以下簡稱凈零排放）情景：2021年即開始采取全球政策行動，將全球平均變暖限制在1.5攝氏度內。

1.兩種情景的宏觀指標預測

凈零排放是比低于2度更為嚴格的情景，對環境保護政策要求更為嚴格。由圖1a可知，凈零排放情景要求二氧化碳排放污染高的煤炭發電增速在未來更早時期出現負數且下降幅度大，以此保證2050年實現凈零排放；而低于2度情景前期煤炭發電負增速下降較為緩和，2035年才出現大幅下降。除了煤炭發電，本文還考慮其他發電量占比大的清潔發電方式：水力、風力和其他新能源②其他新能源主要是太陽能，其次是天然氣、核能、生物質能等發電方式。。它們的發電方式如圖1b-d所示，兩種情景的增速均為正數，但凈零排放情景增速高位回落，低于2度情景低位回落，2038年后兩種情景增速基本一致。如圖1e-f所示，凈零排放情景的電價和化石能源價格增速波動幅度大于低于2度情景，且呈現先降后升再降的趨勢；低于2度情景的呈現先降后升趨勢。如圖1g所示，對碳排放要求嚴格的凈零排放情景，碳價格呈指數增長，與相對低價的二氧化碳捕集、利用與封存技術（Carbon Capture，Utilization and Storage，以下簡稱CCUS技術）成本③數據來源于生態環境部發布的《中國二氧化碳捕集利用與封存（CCUS）年度報告（2021）》。相比，企業盡早選擇CCUS技術更有利于企業自身經濟效益；而對于低于2度情景而言，在2035年后采用CCUS技術更有利于企業。如圖1h所示，兩種情景下的新增投資增速在2035年之前差別不大，均呈現上漲再下降的波動，但凈零排放情景在2035—2038年下降波動比較明顯，隨后上漲高于低于2度情景。整體來看，凈零排放情景大部分指標預測值波動較大。

圖1 低于2度和凈零排放的情景比較

2.企業未來財務指標與Logistic線性回歸模型解釋變量的預測

根據NGFS第二階段情景中的指標，結合前面估計的Logistic線性回歸模型結果，本文擬驅動未來30年即2023—2050年各樣本企業的資產負債表與利潤表中相關財報指標來預測違約概率。

根據不同樣本企業的發電結構，結合NGFS給出的預測情景，本文預測了對應樣本企業未來30年的營業收入指標。營業成本方面，本文充分考慮了樣本企業碳排放成本、化石能源成本以及折舊成本。首先，碳排放成本是企業排放CO2時需向政府繳納的費用，以此增加企業該類產品的生產成本，使企業減少該類產品的產出。該成本取決于企業CO2排放量及碳價格。企業CO2排放量并非公開數據且不易取得，為估算樣本企業的排放量，本文借鑒聶普焱（2015）和彭武元（2020）等的方法，采用行業碳排放總量和行業總產值的比值來衡量行業碳排放強度，其通過估算行業二氧化碳排放數據，計算獲得工業和交通運輸業的碳排放強度。本文通過手工整理《電力行業碳達峰碳中和發展路徑研究》，取得2018年、2019年和2020年電力行業碳排放總量，并將每年電力行業碳排放總量除以當年電力行業GDP從而得出當年電力行業碳排放強度，隨即取3年平均值（18.6噸/萬元）作為電力行業平均碳強度。生產法是從生產者的角度出發對GDP進行的核算，把一國一年內各生產部門生產出的最終產品和勞務的市場價值進行加總即該國GDP。在此，可認為企業生產產品市場價值約等于企業營業收入。所以，樣本企業每年CO2排放量的估算是通過每年營業收入乘以電力行業平均碳強度計算得出。為了逐步推動能源轉型，本文假設國家給予一定的免費CO2排放量配額比例，只有超過免費配額的部分才需要付出碳排放成本，隨著時間的推移，免費配額比例逐步減少至完全退出。在低于2度情景下，2035年起碳價格快速上升，造成樣本企業碳排放成本短時間內大幅上升，而2035年起采用CCUS技術后，樣本企業碳排放成本可有所下降。考慮到企業經濟效益，樣本企業碳排放成本2023—2032年采用碳價計算，2035—2050年采用CCUS成本計算。在凈零排放情景下，由于氣候政策的收緊，碳價一直高于CCUS成本，因此樣本企業從2026年起就采用相對低價的CCUS成本來計算碳排放成本。其次，化石能源成本代表樣本企業發電方式所消耗的煤炭能源成本。本文以樣本企業2020年為基期來測算未來30年化石能源成本，由于企業發布的財報中該數不可得，但可根據企業2020年CO2排放量倒推。即在2020年CO2排放量可知的前提下，1噸煤炭燃燒排放2.55噸CO2，倒推出燃燒煤炭的量，再假設2020年煤炭價格為600元/噸，計算出2020年化石能源成本。第三，折舊成本由上期折舊與本期新增投資兩部分組成，本文假設樣本企業的每年新增投資按30年使用壽命進行折舊處理。

表5給出了Logistic線性回歸模型中的流動比率、資產負債率、應收賬款周轉天數、總資產對數和總負債對數等五個解釋變量的計算過程。

表5 Logistic線性回歸模型解釋變量計算公式列表

3.兩種情景下的企業未來財務指標與違約概率

圖2a、2c、2e和2g為使用NGFS低于2度情景指標預測的樣本企業2023—2050年加權財務數據，本文通過各樣本企業資產占比為權重加權計算得出。圖2b、2d、2f和2h為使用NGFS凈零排放情景指標預測的財務數據。相比之下，兩種情景下的營業成本、收入和凈利潤趨勢相近，但凈零排放情景的數據后期波動明顯，營業收入未來30年間均略低，營業成本2038年前略高隨后略低于低于2度情景，凈利潤2026年后均高于低于2度情景。對比圖2c和2d可發現，兩種情景下的新增投資差異不大，凈零排放情景的存貨周轉天數后期波動明顯且略高，主要來源于營業成本的波動及偏低。此外，兩種情景下的折舊成本變化量、能源成本變化量趨勢差異不大，差異較大的是碳排放成本變化量趨勢，主要是因為凈零排放情景的碳價格很高，倒逼企業盡早選擇相對低價的CCUS技術，且營業收入的變化差異影響了企業CO2排放量從而影響碳排放成本變化量。最后，兩種情景下的總資產對數差異不大，但凈零排放情景的總負債對數2032年后略高導致資產負債率后期略高，主要是因為凈零排放情景下的低凈利潤無法補充新增投資，只能舉債完成投資。

圖2 樣本企業2023—2050年加權財務數據預測

預測出來的Logistic線性回歸模型解釋變量流動比率、資產負債率、應收賬款周轉天數、總資產對數、總負債對數時間序列代入式（10）并將Logistic違約概率逆向轉化，可得出測試樣本企業為代表的電力行業2023—2050年違約概率。從解釋變量來看，影響未來違約概率的最大因素是資產負債率和應收賬款周轉天數：凈零排放情景2032年后相對高的資產負債率和存貨周轉天數導致違約概率相對高。由圖3亦可看出，2032年后凈零排放情景的違約概率略高于低于2度情景。因此，在政策要求相對嚴格的凈零排放情景下，電力企業在未來30年的經營狀況會相對差一些，凈利潤及資產負債率會在2032年后略遜色于低于2度情景，導致其違約概率增加。隨著企業經營和財務狀況持續欠佳，2050年違約風險劇增，概率約達到42%。

圖3 兩種情景下的企業債券違約概率

為研究企業低碳轉型策略中未來清潔發電方式的增加對其違約概率的影響，本文假設清潔能源④除煤炭發電以外的能源發電方式。發電增速在兩種情景下于2030年開始有所變化：增速提高20%、40%、60%、80%及100%。因各類能源發電方式所帶來的營業收入受其發電量增速的正向影響，因此清潔能源發電量增速的提升會增加該類能源營業收入。由圖4可知，在兩種情景下未來清潔發電方式的增加對企業違約概率的影響是一致的：從2035年起⑤因2047年前的違約概率較低，導致圖2、3中2035—2047年間的違約概率隨增速提高而下降的幅度不明顯，每年具體數值作者備索。圖4、5同理。，隨著清潔能源發電量增速提高的比例越高（圖中黑線越細），企業違約概率越低。

圖4 清潔能源發電量增速變化對企業違約概率的影響

為研究CCUS技術對企業違約概率的影響，本文假設CCUS技術成本在兩種情景下分別下調20%、40%及60%。由圖5可知，在兩種情景下CCUS技術對企業違約概率的影響是一致的：企業違約概率對CCUS技術成本很敏感，20%的成本下調可以使原來2050年高達42%的違約概率下降至個位數；此外，在2029年之前，CCUS技術成本變化的違約概率會略高一些；之后，隨著CCUS技術成本的下調比例越大（黑線越細），企業違約概率越低。

圖5 CCUS成本變化對違約概率的影響

四、研究結論與政策啟示

本文基于NGFS第二階段情景不同轉型路徑下中國火電行業的相關指標預測值，構建針對火電企業的財報驅動模型，運用壓力測試方法估算火電企業在低于2度情景和凈零排放情景兩種不同轉型路徑下未來30年財務指標變動情況及債券違約概率，得到如下結論：第一，兩種情景下企業的營業成本、收入和凈利潤變化趨勢相近，2026年后凈零排放情景下的企業凈利潤均低于2度情景。第二，兩種情景下的碳排放成本變化量趨勢存在較大差異，主要因為凈零排放情景的碳價格很高，倒逼企業盡早選擇相對低價的CCUS技術。第三，凈零排放情景下的企業資產負債率后期略高，主要因為凈零排放情景下凈利潤較低，無法補充新增投資，只能舉債完成投資。第四，凈零排放情景下火電企業未來30年的經營、財務狀況相對差一些，2032年后的企業債券違約概率略高于低于2度情景；隨著經營和財務狀況持續不佳，凈零排放情景下2050年債務違約風險劇增。第五，企業債務違約概率對CCUS技術成本很敏感，如果CCUS技術進一步優化并且在企業應用，債券違約風險可望大幅降低。

上述研究結論的政策啟示：

第一，積極推進供電結構的戰略性調整。一是持續深化火力發電供給側結構性改革。在可預見的中短期內，火力發電仍是我國電力供應的主要電源。為保障國家供電安全及生產生活需要，各級地方政府應按照電力行業發展規劃推進火力發電有序退出電力供應的主體地位，退出安排不盲目搞“一刀切”。金融支持方面，要引導金融機構完善轉型金融產品和服務，按照“有保有壓”的政策導向要求支持火電改革，嚴控資金流向違反能耗雙控要求的火電企業及項目，同時支持火電企業開展發電機組改造、節能技術改造及低碳技術應用等項目。二是加快推進新能源發電的布局。財政方面，利用清潔能源發展基金撬動更多社會資本參與新能源發電及儲能項目投資，對新能源發電企業及用戶給予稅收減免等政策激勵，對技術仍待發展、發電價格及成本優勢不突出的新能源發電項目適當給予價格補貼，推進新能源發電合理有序健康發展。金融支持方面，要用好央行碳減排支持工具等政策，引導政策性開發性銀行和商業銀行發放優惠利率貸款、支持新能源發電項目，同時采取加強綠色金融監管與環境信用評價、鼓勵和督促金融機構披露環境與社會責任報告等配套措施，確保碳減排金融支持政策見到實效。

第二，加快CCUS技術的發展和應用。一是強化頂層設計，從國家戰略層面制定CCUS技術發展的長期規劃，通過明確行業技術標準、制定技術創新及應用推廣規劃、出臺資金扶持計劃等系列措施，充分釋放CCUS技術創新的潛力。二是加強財政和金融政策引導作用。一方面要加大財政支持力度，通過實施財政獎補措施，如向有示范效應的CCUS技術項目發放補貼或減免稅收，引導CCUS技術產業規模化、商業運作成熟化，推動低成本低能耗碳捕集技術等領域實現突破。另一方面要探索運用金融支持手段，鑒于CCUS技術產業培育初期投資金額大、研發周期長，要發揮政策性金融的引領作用，綜合運用中長期綠色信貸、藍色債券、低碳基金等政策性金融工具，對CCUS技術相關的基礎設施新建及改造項目、技術研發活動加大資金支持力度，打通CCUS技術產業化的融資瓶頸，引導商業性金融后續進入。

第三，完善氣候宏觀情景壓力測試評估機制。一是明確金融機構及高碳行業企業氣候信息披露規范，要求金融機構及高碳行業企業披露與氣候風險相關的定量指標及變動情況，構建與氣候風險相關的行業數據庫并實現數據共享，為開展氣候宏觀情景壓力測試提供數據支撐。進一步運用數據庫，實現氣候宏觀情景壓力測試覆蓋更多高碳行業，全面評估氣候轉型給實體經濟層面和金融體系帶來的潛在風險。二是依托央行與監管機構綠色金融網絡等機制，加強與境外貨幣當局、研究機構的交流和協作，掌握國際最前沿的氣候和經濟綜合模型，針對我國實際改進氣候轉型情景及傳導路徑分析，提高氣候宏觀情景壓力測試的應用價值和實踐指導效果。