氣候物理風(fēng)險(xiǎn)壓力測(cè)試方法探索與應(yīng)用：基于銀行業(yè)金融機(jī)構(gòu)自下而上的實(shí)踐

摘" "要：氣候風(fēng)險(xiǎn)壓力測(cè)試作為評(píng)估氣候物理風(fēng)險(xiǎn)潛在損失的有效工具，在防范區(qū)域性、系統(tǒng)性金融風(fēng)險(xiǎn)方面具有重要價(jià)值。然而，氣候物理風(fēng)險(xiǎn)的非線性與厚尾分布特性導(dǎo)致傳統(tǒng)壓力測(cè)試方法面臨建模困境。本研究基于國(guó)際組織氣候風(fēng)險(xiǎn)量化評(píng)估框架，整合臺(tái)風(fēng)路徑隨機(jī)模擬、RCP8.5氣候情景動(dòng)態(tài)映射、損失函數(shù)校準(zhǔn)及資產(chǎn)負(fù)債表風(fēng)險(xiǎn)傳導(dǎo)建模等技術(shù)路徑，構(gòu)建了銀行業(yè)金融機(jī)構(gòu)自下而上的氣候物理風(fēng)險(xiǎn)壓力測(cè)試方法體系。實(shí)證研究表明：臺(tái)風(fēng)災(zāi)害造成的損失率及年度業(yè)務(wù)中斷損失率均呈現(xiàn)上升趨勢(shì)，導(dǎo)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(gè)相對(duì)可控的區(qū)間，單一的臺(tái)風(fēng)災(zāi)害風(fēng)險(xiǎn)傳導(dǎo)對(duì)金融機(jī)構(gòu)的影響并不十分顯著，亟須關(guān)注多元復(fù)合風(fēng)險(xiǎn)引發(fā)的傳導(dǎo)效應(yīng)。

關(guān)鍵詞：氣候物理風(fēng)險(xiǎn)；壓力測(cè)試；臺(tái)風(fēng)災(zāi)害；風(fēng)險(xiǎn)傳導(dǎo)

中圖分類號(hào)：F830" 文獻(xiàn)標(biāo)識(shí)碼：A" 文章編號(hào)：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(jì)人類社會(huì)面臨的最嚴(yán)峻挑戰(zhàn)。無論是漸進(jìn)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(jì)增長(zhǎng)基礎(chǔ)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(huì)（IPCC）關(guān)于氣候加速變暖的預(yù)警。聯(lián)合國(guó)環(huán)境規(guī)劃署（UNEP，2020）[1]研究顯示，若現(xiàn)行排放趨勢(shì)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(fēng)險(xiǎn)機(jī)制影響經(jīng)濟(jì)金融系統(tǒng)。物理風(fēng)險(xiǎn)可分為兩類：由臺(tái)風(fēng)、洪澇、熱浪等極端天氣引發(fā)的“急性”風(fēng)險(xiǎn)，以及海平面上升、降水模式改變等引發(fā)的“慢性”風(fēng)險(xiǎn)。盡管兩類風(fēng)險(xiǎn)均會(huì)導(dǎo)致資產(chǎn)貶損，但“急性”風(fēng)險(xiǎn)因其突發(fā)性和復(fù)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(yīng)，對(duì)金融穩(wěn)定的沖擊尤為劇烈（NGFS，2022）[2]。值得注意的是，基礎(chǔ)設(shè)施薄弱且災(zāi)害預(yù)警體系尚不健全的新興經(jīng)濟(jì)體在應(yīng)對(duì)“急性”氣候風(fēng)險(xiǎn)時(shí)面臨更嚴(yán)峻挑戰(zhàn)。Cian等（2016）[3]的研究表明，缺乏早期預(yù)警系統(tǒng)將顯著放大風(fēng)險(xiǎn)敞口，導(dǎo)致經(jīng)濟(jì)損失規(guī)模呈非線性增長(zhǎng)。在此背景下，構(gòu)建氣候物理風(fēng)險(xiǎn)的量化評(píng)估體系具有雙重戰(zhàn)略價(jià)值：一方面，為金融監(jiān)管部門提供壓力情景下的風(fēng)險(xiǎn)識(shí)別工具，助力宏觀審慎政策制定；另一方面，指導(dǎo)金融機(jī)構(gòu)優(yōu)化資產(chǎn)配置策略，提升氣候韌性管理水平，這對(duì)實(shí)現(xiàn)“雙碳”目標(biāo)與綠色轉(zhuǎn)型具有重要支撐作用。

當(dāng)前，情景分析與壓力測(cè)試已成為國(guó)際主流的氣候風(fēng)險(xiǎn)評(píng)估工具。相較于以碳價(jià)波動(dòng)為核心的轉(zhuǎn)型風(fēng)險(xiǎn)評(píng)估（丁攀等，2022）[4]，物理風(fēng)險(xiǎn)壓力測(cè)試面臨三大技術(shù)瓶頸：首先是時(shí)空異質(zhì)性，物理風(fēng)險(xiǎn)往往出現(xiàn)在未來30～80年，突破傳統(tǒng)壓力測(cè)試3～5年的周期限制，且風(fēng)險(xiǎn)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(cè)未來幾十年的致災(zāi)因子變化易受到學(xué)術(shù)界的爭(zhēng)議；其次是數(shù)據(jù)可得性，歷史災(zāi)害損失數(shù)據(jù)的時(shí)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(cè)記錄，新興市場(chǎng)普遍受限于災(zāi)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(diǎn)突變效應(yīng)與多災(zāi)種并發(fā)機(jī)制難以量化，國(guó)際巨災(zāi)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(chǎng)的適用。這些挑戰(zhàn)無疑制約了氣候物理風(fēng)險(xiǎn)壓力測(cè)試的探索進(jìn)程，目前部分國(guó)家中央銀行的氣候風(fēng)險(xiǎn)壓力測(cè)試均包含轉(zhuǎn)型風(fēng)險(xiǎn)，僅有少數(shù)發(fā)達(dá)經(jīng)濟(jì)體中央銀行或貨幣監(jiān)管當(dāng)局開展了針對(duì)物理風(fēng)險(xiǎn)的壓力測(cè)試，且鮮有對(duì)測(cè)試方法的披露。國(guó)內(nèi)層面，中國(guó)人民銀行僅完成了對(duì)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(fēng)險(xiǎn)敏感性壓力測(cè)試，氣候物理風(fēng)險(xiǎn)的壓力測(cè)試仍在探索中。

在此背景下，探索構(gòu)建符合本國(guó)區(qū)域特征的氣候物理風(fēng)險(xiǎn)壓力測(cè)試方法論顯得尤為重要。本文聚焦臺(tái)風(fēng)災(zāi)害這一典型“急性”氣候風(fēng)險(xiǎn)載體展開研究，主要基于以下兩方面考慮：一是針對(duì)臺(tái)風(fēng)致災(zāi)因子的預(yù)測(cè)已逐漸成熟，特別是氣候模型（如CMIP系列）的迭代升級(jí)顯著提升了臺(tái)風(fēng)預(yù)測(cè)的數(shù)據(jù)質(zhì)量，氣候風(fēng)險(xiǎn)宏觀情景壓力測(cè)試主流模型如綜合評(píng)估模型（Integrated Assessment Models，IAMs）、全球經(jīng)濟(jì)模型（National Institute of Economic and Social Research Global Economic Model，NiGEM）已預(yù)測(cè)出不同氣候模式下全球各國(guó)宏觀經(jīng)濟(jì)變量未來30～80年的變化趨勢(shì)，且被主要發(fā)達(dá)國(guó)家中央銀行廣泛應(yīng)用于氣候風(fēng)險(xiǎn)壓力測(cè)試。二是臺(tái)風(fēng)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(zhǔn)易損性曲線并提高脆弱性因子預(yù)測(cè)的精度。本文基于政府間氣候變化專門委員會(huì)（IPCC）關(guān)于熱帶氣旋強(qiáng)度增強(qiáng)的科學(xué)判斷，采用CLIMADA國(guó)際開源模型，圍繞臺(tái)風(fēng)“致災(zāi)因子預(yù)測(cè)—風(fēng)險(xiǎn)暴露與損失估計(jì)—對(duì)經(jīng)濟(jì)金融系統(tǒng)影響”的風(fēng)險(xiǎn)傳導(dǎo)路徑，創(chuàng)新構(gòu)建了RCP8.5情景下的壓力測(cè)試框架。本文可能的主要邊際貢獻(xiàn)在于：理論層面，系統(tǒng)梳理國(guó)際物理風(fēng)險(xiǎn)評(píng)估范式，厘清了氣候物理風(fēng)險(xiǎn)壓力的基本框架與實(shí)施步驟，為國(guó)家金融監(jiān)管部門豐富氣候物理風(fēng)險(xiǎn)量化評(píng)估拓寬了研究思路；方法層面，通過臺(tái)風(fēng)路徑模擬、降尺度轉(zhuǎn)換、情景映射、損失曲線校準(zhǔn)，生動(dòng)刻畫了臺(tái)風(fēng)災(zāi)害風(fēng)險(xiǎn)的傳導(dǎo)路徑，為氣候?qū)W、生態(tài)學(xué)與傳統(tǒng)經(jīng)濟(jì)學(xué)的融合構(gòu)建了一個(gè)新的研究框架；應(yīng)用層面，通過構(gòu)建氣候物理風(fēng)險(xiǎn)映射至樣本企業(yè)，開發(fā)了動(dòng)態(tài)財(cái)報(bào)驅(qū)動(dòng)模型，為法人銀行業(yè)機(jī)構(gòu)開展自下而上的氣候物理風(fēng)險(xiǎn)壓力測(cè)試提供了方法論創(chuàng)新。

二、氣候物理風(fēng)險(xiǎn)壓力測(cè)試方法的框架與最新研究進(jìn)展

氣候物理風(fēng)險(xiǎn)壓力測(cè)試的理論研究與實(shí)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(dǎo)與實(shí)踐跟進(jìn)的雙軌特征。在理論研究層面，國(guó)際貨幣基金組織（IMF）通過系列戰(zhàn)略文件系統(tǒng)推進(jìn)氣候風(fēng)險(xiǎn)分析框架建設(shè)，在綜合監(jiān)測(cè)審查（IMF，2021a）[7]、金融部門評(píng)估規(guī)劃審查（IMF，2021b）[8]、氣候戰(zhàn)略（IMF，2021c）[9]等多個(gè)報(bào)告中，重點(diǎn)探討了氣候風(fēng)險(xiǎn)壓力測(cè)試的方法論創(chuàng)新及其與現(xiàn)有金融穩(wěn)定評(píng)估工具的協(xié)同機(jī)制。值得注意的是，IMF在將氣候風(fēng)險(xiǎn)納入金融體系穩(wěn)健性評(píng)估框架（FSAP）時(shí)，特別強(qiáng)調(diào)其政策定位并非機(jī)械驗(yàn)證銀行機(jī)構(gòu)在數(shù)十年后的資本充足率，而是旨在構(gòu)建風(fēng)險(xiǎn)認(rèn)知傳導(dǎo)的三重機(jī)制：一是提升市場(chǎng)參與者對(duì)氣候風(fēng)險(xiǎn)的系統(tǒng)性認(rèn)知，二是解構(gòu)氣候沖擊對(duì)宏觀經(jīng)濟(jì)與實(shí)體部門的傳導(dǎo)路徑，三是揭示金融體系的風(fēng)險(xiǎn)承載邊界與適應(yīng)韌性。

從方法論演進(jìn)維度觀察，氣候物理風(fēng)險(xiǎn)壓力測(cè)試已形成多層建模體系。政府間氣候變化專門委員會(huì)（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(yùn)算，實(shí)現(xiàn)了致災(zāi)因子在特定情景路徑下的動(dòng)態(tài)模擬。NGFS（2022）[2]在此基礎(chǔ)上構(gòu)建了多災(zāi)種損失評(píng)估矩陣，創(chuàng)新性地整合洪水、颶風(fēng)、熱浪等11類災(zāi)害的暴露度—脆弱性函數(shù)，并開發(fā)了開源數(shù)據(jù)平臺(tái)以解決新興市場(chǎng)國(guó)家的數(shù)據(jù)可得性難題。

實(shí)踐應(yīng)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(cè)數(shù)據(jù)，截至2022年全球雖有36個(gè)司法管轄區(qū)啟動(dòng)氣候壓力測(cè)試項(xiàng)目，但僅有英格蘭銀行、歐洲中央銀行等6個(gè)發(fā)達(dá)經(jīng)濟(jì)體監(jiān)管機(jī)構(gòu)完成全流程測(cè)試并披露結(jié)果。這種實(shí)踐鴻溝促使IMF啟動(dòng)新興市場(chǎng)專項(xiàng)支持計(jì)劃，其技術(shù)援助項(xiàng)目已取得階段性成果：針對(duì)菲律賓設(shè)計(jì)的“臺(tái)風(fēng)—疫情”復(fù)合沖擊模型，成功量化了氣候?yàn)?zāi)害與公共衛(wèi)生危機(jī)的協(xié)同放大效應(yīng)；在墨西哥實(shí)施的“颶風(fēng)—洪澇”鏈?zhǔn)椒磻?yīng)壓力測(cè)試，則創(chuàng)新性地納入了基礎(chǔ)設(shè)施韌性系數(shù)與保險(xiǎn)覆蓋調(diào)節(jié)因子。這些實(shí)踐案例為構(gòu)建適應(yīng)發(fā)展中國(guó)家特征的氣候風(fēng)險(xiǎn)壓力測(cè)試工具箱提供了重要范本。

（一）關(guān)于溫度與排放情景的選擇與設(shè)定

為更科學(xué)地評(píng)估不同社會(huì)發(fā)展模式與氣候系統(tǒng)的耦合關(guān)系，聯(lián)合國(guó)政府間氣候變化專門委員會(huì)（IPCC）在第五次評(píng)估報(bào)告中創(chuàng)新性地引入國(guó)際耦合模式比較計(jì)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(qiáng)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(huì)（IPCC）第六次評(píng)估報(bào)告進(jìn)一步整合社會(huì)經(jīng)濟(jì)要素，提出共享社會(huì)經(jīng)濟(jì)路徑（Shared Socioeconomic Pathways，SSPs）的五大情景體系，按輻射強(qiáng)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(xué)界提供了多維度的研究選擇。在此基礎(chǔ)上，NGFS（中央銀行與監(jiān)管機(jī)構(gòu)綠色金融網(wǎng)絡(luò)）于2020年6月開創(chuàng)性地構(gòu)建了氣候—經(jīng)濟(jì)復(fù)合情景框架，將典型濃度路徑與共享社會(huì)經(jīng)濟(jì)路徑進(jìn)行系統(tǒng)集成，形成三大基準(zhǔn)情景：有序轉(zhuǎn)型（包含2050凈零排放+升溫1.5℃、漸進(jìn)減排+升溫lt;2℃子情景）、無序轉(zhuǎn)型（涵蓋延遲行動(dòng)+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(jì)建模提供了更為精細(xì)化的分析工具。新版的NGFS情景融入了截至2023年3月新增國(guó)家凈零排放承諾措施、新減排技術(shù)及俄烏沖突對(duì)能源市場(chǎng)的沖擊等信息，其中急性物理風(fēng)險(xiǎn)評(píng)估中涵蓋了熱帶氣旋、洪水、干旱、熱浪等極端天氣事件的預(yù)測(cè)（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(duì)RCP4.5情景研究的基礎(chǔ)上通過線性插值的方法推導(dǎo)出了其他典型濃度路徑情景下熱帶氣旋的頻率與強(qiáng)度的百分比變化。在洪水災(zāi)害的情景設(shè)計(jì)上，NGFS結(jié)合了Hempel等（2013）[14]的多部門影響模型比較計(jì)劃項(xiàng)目（ISIMIP）和Sutanudjaja等（2018）[15]的全球水文模型（GHM），對(duì)不同典型濃度路徑情景下各網(wǎng)格點(diǎn)洪水深度進(jìn)行了模擬。

情景設(shè)計(jì)作為對(duì)未來氣候變化的合理假設(shè)，是氣候物理風(fēng)險(xiǎn)壓力測(cè)試的重要組成部分。由于不同國(guó)家氣候?yàn)?zāi)害種類不同，特別是地理位置的不同導(dǎo)致災(zāi)害影響程度的巨大差異，在情景的開發(fā)與應(yīng)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(zāi)害的演變；二是獨(dú)特性問題，即情景應(yīng)符合該國(guó)家或地區(qū)的實(shí)際特征，包括災(zāi)害的特征分布；三是一致性問題，即情景須具備較強(qiáng)的內(nèi)在邏輯，能通過多種數(shù)據(jù)來源的論證；四是相關(guān)性問題，即全球變暖的路徑應(yīng)與目標(biāo)災(zāi)害風(fēng)險(xiǎn)及風(fēng)險(xiǎn)的地理位置相關(guān)。部分國(guó)家探索氣候物理風(fēng)險(xiǎn)情景設(shè)計(jì)的經(jīng)驗(yàn)也證實(shí)了這一點(diǎn)，如英格蘭銀行在NGFS的情景基礎(chǔ)上開發(fā)了提前行動(dòng)、延遲行動(dòng)與無政策行動(dòng)三個(gè)情景，并形成了一系列包含熱帶氣旋、野火、熱浪、暴雨等災(zāi)害指標(biāo)截至2080年的預(yù)測(cè)值（BOE，2021）[16]。摩洛哥中央銀行在對(duì)干旱、洪澇開展的物理風(fēng)險(xiǎn)壓力測(cè)試中涵蓋了RCP4.5、RCP8.5兩個(gè)情景，并對(duì)事件重現(xiàn)期做了敏感性分析。印度尼西亞的一項(xiàng)氣候物理風(fēng)險(xiǎn)壓力測(cè)試則將2007年雅加達(dá)持續(xù)3天的洪澇災(zāi)害作為基準(zhǔn)情景，定義了50年一遇的洪澇災(zāi)害重現(xiàn)期并分別設(shè)計(jì)了降雨量持續(xù)5天、更大降雨量持續(xù)3天兩個(gè)情景。

（二）關(guān)于氣候物理風(fēng)險(xiǎn)的致災(zāi)因子預(yù)測(cè)

為系統(tǒng)評(píng)估氣候物理風(fēng)險(xiǎn)，需構(gòu)建氣候?yàn)?zāi)害空間分布模型以量化致災(zāi)因子特征，其核心在于精準(zhǔn)估算極端氣候事件的頻率與強(qiáng)度演變規(guī)律。無論是洪水、熱浪、颶風(fēng)等突發(fā)性極端天氣，抑或海平面上升、熱力學(xué)平衡變化等緩發(fā)性災(zāi)害，其風(fēng)險(xiǎn)評(píng)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(dòng)力學(xué)原始方程組構(gòu)建了大氣環(huán)流數(shù)值模型，首次將風(fēng)場(chǎng)、云物理、降水過程、氣壓梯度及地氣輻射交換等關(guān)鍵參數(shù)納入計(jì)算框架，奠定了現(xiàn)代全球氣候模型（GCM）的基礎(chǔ)架構(gòu)。Manabe和Wetherald（1975）[18]通過建立輻射—對(duì)流耦合模型，首次實(shí)現(xiàn)二氧化碳濃度與地表溫度變化的定量關(guān)聯(lián)，揭示了溫室效應(yīng)的物理機(jī)制。經(jīng)過半世紀(jì)演進(jìn)，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(dòng)的多圈層耦合系統(tǒng)（Earth System Model，ESM）。隨著區(qū)域氣候風(fēng)險(xiǎn)評(píng)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(xì)化分析要求。區(qū)域氣候模型（RCM）的突破性發(fā)展，通過動(dòng)力降尺度技術(shù)將模擬分辨率提升至10～50公里量級(jí)，顯著增強(qiáng)了災(zāi)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(dòng)力降尺度雖物理機(jī)制完備但計(jì)算成本高昂，且輸出仍需二次轉(zhuǎn)化；統(tǒng)計(jì)法則以較低成本獲得更優(yōu)預(yù)測(cè)性能，但其精度高度依賴統(tǒng)計(jì)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(shí)踐應(yīng)用中需綜合權(quán)衡數(shù)據(jù)基礎(chǔ)、計(jì)算資源與精度需求進(jìn)行方法優(yōu)選。典型案例可見IMF對(duì)菲律賓的臺(tái)風(fēng)物理風(fēng)險(xiǎn)評(píng)估，其整合HadGEM3-RA、HadRM3P和RegCM4三種動(dòng)力降尺度模型（分辨率12～25公里），在RCP8.5情景下模擬預(yù)測(cè)2023—2065年間臺(tái)風(fēng)登陸頻次將增加23%，最大風(fēng)速提升達(dá)18%，為氣候韌性金融提供了量化決策依據(jù)。

（三）關(guān)于氣候物理風(fēng)險(xiǎn)暴露因子的估計(jì)

氣候物理風(fēng)險(xiǎn)的暴露因子表征為災(zāi)害敏感型資產(chǎn)的空間分布特征及其潛在經(jīng)濟(jì)損失（Cardona等，2012）[22]。由于不同災(zāi)種對(duì)經(jīng)濟(jì)系統(tǒng)的空間作用機(jī)制存在顯著差異，例如干旱風(fēng)險(xiǎn)的暴露度通常呈現(xiàn)區(qū)域同質(zhì)化特征，而臺(tái)風(fēng)、洪澇等災(zāi)害的經(jīng)濟(jì)沖擊在百米乃至米級(jí)尺度即產(chǎn)生明顯梯度變化，資產(chǎn)價(jià)值的空間降尺度建模成為風(fēng)險(xiǎn)評(píng)估的關(guān)鍵環(huán)節(jié)。針對(duì)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(xué)界發(fā)展了基于社會(huì)經(jīng)濟(jì)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(guó)家尺度資產(chǎn)存量的代理指標(biāo)，通過多維度地理要素進(jìn)行空間分解：Kuhn和Rios-Rull（2016）[24]驗(yàn)證了GDP與固定資產(chǎn)存量的統(tǒng)計(jì)相關(guān)性；Kummu等（2018）[25]構(gòu)建了人口地理動(dòng)態(tài)模型；Murakami和Yamagata（2019）[26]則整合土地利用、交通網(wǎng)絡(luò)等空間要素，形成多維度的GDP降尺度分配框架。Samuel等（2020）[27]進(jìn)一步優(yōu)化該體系，實(shí)現(xiàn)了區(qū)域生產(chǎn)總值（GRP）到1km×1km網(wǎng)格的精細(xì)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(dú)特優(yōu)勢(shì)：Henderson等（2012）[28]證實(shí)夜間燈光強(qiáng)度與經(jīng)濟(jì)活動(dòng)強(qiáng)度存在指數(shù)型關(guān)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(zāi)害暴露評(píng)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(xué)習(xí)技術(shù)，如NGFS（2022）[2]突尼斯洪災(zāi)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(zāi)害損失評(píng)估的時(shí)空分辨率。這些技術(shù)突破標(biāo)志著氣候物理風(fēng)險(xiǎn)量化研究已進(jìn)入多源數(shù)據(jù)融合驅(qū)動(dòng)的智能評(píng)估新階段。

（四）關(guān)于氣候物理風(fēng)險(xiǎn)脆弱性因子的估計(jì)

氣候脆弱性因子的量化表征需通過構(gòu)建災(zāi)害強(qiáng)度—資產(chǎn)損失響應(yīng)函數(shù)（易損性曲線）實(shí)現(xiàn)，其數(shù)學(xué)關(guān)系受到致災(zāi)因子物理特征、承災(zāi)體結(jié)構(gòu)屬性及區(qū)域抗災(zāi)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(zhǔn)的關(guān)鍵作用：Emanuel（2011）[30]基于A1B情景首次建立了熱帶氣旋最大風(fēng)速與財(cái)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(duì)建筑規(guī)范差異（如抗震等級(jí)、防洪標(biāo)準(zhǔn)）及社會(huì)經(jīng)濟(jì)脆弱性（保險(xiǎn)滲透率、災(zāi)后恢復(fù)能力）的空間異質(zhì)性響應(yīng)不足；Eberenz等（2021）[31]通過62國(guó)歷史災(zāi)損數(shù)據(jù)校準(zhǔn)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(fēng)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(guó)際主流機(jī)構(gòu)已建立多災(zāi)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(guó)聯(lián)邦應(yīng)急管理局（FEMA）基于保險(xiǎn)理賠大數(shù)據(jù)構(gòu)建了細(xì)分建筑類型的風(fēng)災(zāi)、洪澇、地震易損性曲線庫，并集成至美國(guó)災(zāi)害風(fēng)險(xiǎn)評(píng)估系統(tǒng)（HAZUS）地理信息系統(tǒng)平臺(tái)，實(shí)現(xiàn)損失評(píng)估的空間可視化。NGFS（2022）[2]最新發(fā)布的《氣候物理風(fēng)險(xiǎn)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(zāi)種的脆弱性函數(shù)參數(shù)集及校準(zhǔn)方法論。在評(píng)估技術(shù)上，概率型巨災(zāi)模型正成為前沿方向。以蘇黎世聯(lián)邦理工學(xué)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(zāi)害事件的物理強(qiáng)度場(chǎng)轉(zhuǎn)化為空間顯式的年化預(yù)期損失（AAL）分布，支持投資組合層面的氣候風(fēng)險(xiǎn)壓力測(cè)試。這類模型通過耦合高分辨率暴露數(shù)據(jù)庫與動(dòng)態(tài)脆弱性函數(shù)，能夠量化氣候轉(zhuǎn)型風(fēng)險(xiǎn)與物理風(fēng)險(xiǎn)的共振效應(yīng)，為金融機(jī)構(gòu)提供多維風(fēng)險(xiǎn)透視能力。

（五）對(duì)經(jīng)濟(jì)金融系統(tǒng)的影響評(píng)估

氣候物理風(fēng)險(xiǎn)的金融傳導(dǎo)機(jī)制呈現(xiàn)多維復(fù)雜性，對(duì)其影響的評(píng)估需區(qū)分直接經(jīng)濟(jì)損失與系統(tǒng)性風(fēng)險(xiǎn)擴(kuò)散效應(yīng)。基于易損性曲線或巨災(zāi)模型測(cè)算的直接資產(chǎn)損失僅是風(fēng)險(xiǎn)傳導(dǎo)的初始沖擊，而災(zāi)害引發(fā)的間接經(jīng)濟(jì)損失在時(shí)空維度上往往呈現(xiàn)級(jí)聯(lián)放大效應(yīng)——包括產(chǎn)業(yè)鏈中斷、資本重置延遲、生產(chǎn)要素錯(cuò)配等動(dòng)態(tài)過程，這些非線性相互作用會(huì)導(dǎo)致全要素生產(chǎn)率持續(xù)衰減，并通過宏觀經(jīng)濟(jì)衰退壓力最終轉(zhuǎn)化為金融系統(tǒng)穩(wěn)定性風(fēng)險(xiǎn)（IMF，2022）[32]。其中，災(zāi)害沖擊不僅直接摧毀物理資本，更通過重建周期延長(zhǎng)（平均滯后3～5年）形成資本折舊缺口，造成資本—?jiǎng)趧?dòng)比率的結(jié)構(gòu)性失衡，而臨時(shí)性資源錯(cuò)配（如勞動(dòng)力遷移、供應(yīng)鏈重組）與永久性技術(shù)倒退（知識(shí)資本流失）共同削弱經(jīng)濟(jì)體的潛在增長(zhǎng)率。現(xiàn)代評(píng)估體系通過構(gòu)建動(dòng)態(tài)隨機(jī)一般均衡（DSGE）模型與金融加速器機(jī)制的耦合系統(tǒng)，實(shí)現(xiàn)物理風(fēng)險(xiǎn)向金融風(fēng)險(xiǎn)的跨尺度傳導(dǎo)模擬。宏觀層面采用全球經(jīng)濟(jì)模型或國(guó)別動(dòng)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(jì)指標(biāo)，進(jìn)而通過金融部門評(píng)估規(guī)劃（FSAP）框架評(píng)估銀行資本充足率、不良貸款率等金融穩(wěn)健性指標(biāo)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(fù)債表數(shù)據(jù)庫，結(jié)合保險(xiǎn)覆蓋度調(diào)整因子，構(gòu)建顆粒度達(dá)到郵政編碼層級(jí)的損失分布模型。通過蒙特卡洛模擬量化抵押品價(jià)值折損、違約概率上升等微觀金融風(fēng)險(xiǎn)，最終聚合形成銀行體系的風(fēng)險(xiǎn)敞口熱力圖。該雙路徑評(píng)估體系成功解決了傳統(tǒng)方法的時(shí)空尺度斷裂問題：宏觀模型捕捉經(jīng)濟(jì)系統(tǒng)的整體彈性，微觀模型解析風(fēng)險(xiǎn)傳導(dǎo)的異質(zhì)性特征，兩者通過系統(tǒng)重要性金融機(jī)構(gòu)（SIFI）的網(wǎng)狀關(guān)聯(lián)形成風(fēng)險(xiǎn)評(píng)估閉環(huán)。實(shí)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(gè)百分點(diǎn)，系統(tǒng)性風(fēng)險(xiǎn)溢價(jià)將上升30～45個(gè)基點(diǎn)（NGFS，2023）[6]。這些進(jìn)展標(biāo)志著氣候金融風(fēng)險(xiǎn)量化已進(jìn)入多尺度耦合建模的新紀(jì)元。

三、氣候物理風(fēng)險(xiǎn)壓力測(cè)試方法：基于臺(tái)風(fēng)災(zāi)害的探索與應(yīng)用

災(zāi)害能否引發(fā)區(qū)域性、系統(tǒng)性金融風(fēng)險(xiǎn)，不僅取決于災(zāi)害本身的特點(diǎn)，還取決于經(jīng)濟(jì)體的規(guī)模。一場(chǎng)超強(qiáng)臺(tái)風(fēng)災(zāi)害不會(huì)使整個(gè)國(guó)家產(chǎn)生系統(tǒng)性金融風(fēng)險(xiǎn)，但是對(duì)于島嶼型經(jīng)濟(jì)體可能引發(fā)區(qū)域性金融風(fēng)險(xiǎn)（NGFS，2022）[2]。海南省作為氣候?yàn)?zāi)害最嚴(yán)重的省份之一，臺(tái)風(fēng)每年都對(duì)全省農(nóng)作物和房屋資產(chǎn)造成不同程度的損害，進(jìn)而對(duì)金融系統(tǒng)造成一定的沖擊，但也為我國(guó)探索氣候物理風(fēng)險(xiǎn)壓力測(cè)試提供了良好的區(qū)域試點(diǎn)。鑒于此，本文的研究將構(gòu)建一個(gè)自下而上的氣候物理風(fēng)險(xiǎn)壓力測(cè)試分析框架，以金融機(jī)構(gòu)交易對(duì)手資產(chǎn)負(fù)債表的變化為切入點(diǎn)，評(píng)估聯(lián)合國(guó)政府間氣候變化委員會(huì)（IPCC）提出的代表性濃度路徑RCP8.5情景下①極端天氣臺(tái)風(fēng)災(zāi)害對(duì)金融部門的影響與沖擊。

（一）臺(tái)風(fēng)路徑的模擬與RCP8.5情景的映射

進(jìn)行氣候物理風(fēng)險(xiǎn)壓力測(cè)試時(shí)要對(duì)未來氣候變化進(jìn)行估計(jì)，需要考慮極端災(zāi)害事件，如百年一遇甚至兩百年一遇的超強(qiáng)臺(tái)風(fēng)事件，僅利用有限的歷史臺(tái)風(fēng)數(shù)據(jù)無法實(shí)現(xiàn)對(duì)極端臺(tái)風(fēng)事件的分布模擬，需要在歷史臺(tái)風(fēng)軌跡的基礎(chǔ)上生成概率事件，進(jìn)一步模擬合成軌跡。登陸海南的臺(tái)風(fēng)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(jī)游走過程對(duì)上述歷史移動(dòng)軌跡數(shù)據(jù)進(jìn)行模擬，每一條歷史移動(dòng)軌跡數(shù)據(jù)可以模擬出9條合成路徑，合計(jì)生成7730條移動(dòng)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(dòng)軌跡定義為可能影響或登陸海南的臺(tái)風(fēng)路徑。通過CLIMADA降尺度工具包，將海南省陸地面積劃分為644個(gè)單元網(wǎng)格區(qū)域，將臺(tái)風(fēng)合成路徑數(shù)據(jù)集轉(zhuǎn)化為單元網(wǎng)格區(qū)域的風(fēng)速。Knutson等（2015）[14]基于RCP4.5情景預(yù)測(cè)了臺(tái)風(fēng)風(fēng)速與頻率，在此基礎(chǔ)上CLIMADA開發(fā)了對(duì)應(yīng)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(qiáng)度相對(duì)關(guān)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(biāo)年份單元網(wǎng)格區(qū)域的臺(tái)風(fēng)風(fēng)速與頻率（見表1）。

（二）建立臺(tái)風(fēng)風(fēng)速與損失的函數(shù)關(guān)系

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

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

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

其中，[V]代表熱帶氣旋的風(fēng)速，[f]代表熱帶氣旋災(zāi)害造成的損失率，[Vthresh]代表了風(fēng)速閾值，不同地區(qū)的閾值不同。Emanuel（2011）[30]估計(jì)了美國(guó)熱帶氣旋的風(fēng)速閾值為25.7m/s，Elliott等（2015）[33]經(jīng)校準(zhǔn)估計(jì)發(fā)現(xiàn)該閾值也適用中國(guó)的臺(tái)風(fēng)。[Vhalf]代表了損失函數(shù)斜率最大時(shí)的風(fēng)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(guó)歷史損失數(shù)據(jù)校準(zhǔn)發(fā)現(xiàn)，[Vhalf]針對(duì)各類建筑物的平均值為74.7 m/s。由于不同強(qiáng)度的臺(tái)風(fēng)對(duì)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(jìn)行校準(zhǔn)。鑒于歷史臺(tái)風(fēng)損失數(shù)據(jù)的可得性，假設(shè)海南省的建筑物結(jié)構(gòu)標(biāo)準(zhǔn)均符合國(guó)家標(biāo)準(zhǔn)，通過校準(zhǔn)全國(guó)臺(tái)風(fēng)損失函數(shù)可以近似代表海南地區(qū)的損失函數(shù)。國(guó)際災(zāi)害數(shù)據(jù)庫（EM-DAT）統(tǒng)計(jì)了全球范圍內(nèi)每個(gè)災(zāi)害事件及相關(guān)國(guó)家的損失影響，因此，可以通過該數(shù)據(jù)庫提取中國(guó)地區(qū)歷史臺(tái)風(fēng)災(zāi)害數(shù)據(jù)并與CLIMADA模型框架下提取的歷史臺(tái)風(fēng)時(shí)間與移動(dòng)軌跡進(jìn)行匹配，識(shí)別出53條對(duì)中國(guó)地區(qū)產(chǎn)生損失影響的歷史臺(tái)風(fēng)軌跡數(shù)據(jù)。鑒于國(guó)際災(zāi)害數(shù)據(jù)庫（EM-DAT）的損失金額均以2014年為基期的美元計(jì)價(jià)，以及考慮到損失數(shù)據(jù)受地區(qū)經(jīng)濟(jì)差異的影響，本文參照Eberenz等（2021）[31]的做法，對(duì)匹配出的歷史損失數(shù)據(jù)進(jìn)行如下標(biāo)準(zhǔn)化處理：

[NRDE=RDE?GDP2014GDPy]" " " " （3）

其中，[NRDE]為標(biāo)準(zhǔn)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(tái)風(fēng)事件發(fā)生當(dāng)年的國(guó)內(nèi)生產(chǎn)總值。

為了進(jìn)一步校準(zhǔn)式（2）中的[Vhalf]，則單個(gè)臺(tái)風(fēng)事件的擬合優(yōu)度為：

[EDRE=SEDENRDE=f?EXPNRDE]" " （4）

其中，[EDRE]趨近于1時(shí)，代表單個(gè)臺(tái)風(fēng)事件的損失擬合程度越高。[EXP]表示資產(chǎn)的風(fēng)險(xiǎn)暴露敞口，即受臺(tái)風(fēng)影響的區(qū)域資產(chǎn)價(jià)值②。

引入均方根誤差來進(jìn)一步衡量整個(gè)區(qū)域所有匹配臺(tái)風(fēng)事件的擬合優(yōu)度：

[RMSF=exp1NE=1NlnEDRE2]" " " "（5）

其中，[RMSF]趨近于1時(shí)，代表整個(gè)區(qū)域所有匹配臺(tái)風(fēng)事件的損失擬合程度較高。

通過式（4）和式（5）的校準(zhǔn)，可以求解出式（2）中[Vhalf]的估計(jì)值③。在完成[Vhalf]的估計(jì)后，可以通過式（1）和式（2）預(yù)測(cè)出基于RCP8.5情景下各目標(biāo)年份單次臺(tái)風(fēng)風(fēng)速下的資產(chǎn)損失率。

將目標(biāo)年份所有單次臺(tái)風(fēng)風(fēng)速下的資產(chǎn)損失率與發(fā)生的頻率進(jìn)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(biāo)年份不同網(wǎng)格區(qū)域的風(fēng)速，繪制出對(duì)應(yīng)的資產(chǎn)損失率分布圖。

（三）損失金額的估計(jì)及對(duì)金融系統(tǒng)的風(fēng)險(xiǎn)傳導(dǎo)

通過計(jì)算目標(biāo)年份不同網(wǎng)格區(qū)域的風(fēng)險(xiǎn)暴露資產(chǎn)④與對(duì)應(yīng)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(duì)各網(wǎng)格區(qū)域的資產(chǎn)損失進(jìn)行加總，可以得到目標(biāo)年份海南省的資產(chǎn)損失總額。為了更好地指導(dǎo)地方法人銀行機(jī)構(gòu)實(shí)施前瞻性的氣候風(fēng)險(xiǎn)管理，本文采用自下而上壓力測(cè)試方法，重點(diǎn)分析氣候物理風(fēng)險(xiǎn)對(duì)單家銀行機(jī)構(gòu)的微觀傳導(dǎo)，擬從其交易對(duì)手的資產(chǎn)負(fù)債表端入手開展氣候物理風(fēng)險(xiǎn)壓力測(cè)試。

對(duì)于單家銀行機(jī)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(jìn)而可以得到不同目標(biāo)年份抵押品的剩余資產(chǎn)價(jià)值，當(dāng)剩余資產(chǎn)價(jià)值不足以覆蓋貸款金額時(shí)將面臨違約風(fēng)險(xiǎn)。具體可以通過采集貸款企業(yè)財(cái)報(bào)信息和運(yùn)營(yíng)場(chǎng)所的地理位置，分析臺(tái)風(fēng)所引起的各類災(zāi)害（風(fēng)災(zāi)、風(fēng)暴潮和暴雨）導(dǎo)致企業(yè)財(cái)務(wù)報(bào)表中關(guān)鍵因子發(fā)生的變化。通過驅(qū)動(dòng)關(guān)鍵因子可以將臺(tái)風(fēng)的物理風(fēng)險(xiǎn)壓力傳導(dǎo)到財(cái)務(wù)報(bào)表，再根據(jù)該財(cái)報(bào)數(shù)據(jù)算出評(píng)級(jí)評(píng)分卡模型所需指標(biāo)，進(jìn)而得出企業(yè)在物理風(fēng)險(xiǎn)下的違約概率（PD）。最后通過違約概率和減值計(jì)提模型，將企業(yè)臺(tái)風(fēng)物理風(fēng)險(xiǎn)進(jìn)一步傳導(dǎo)至銀行預(yù)期信貸損失（ECL）。

1. 關(guān)鍵驅(qū)動(dòng)因子。臺(tái)風(fēng)登陸引發(fā)企業(yè)運(yùn)營(yíng)中斷，將對(duì)企業(yè)的產(chǎn)量、營(yíng)業(yè)成本、營(yíng)業(yè)收入、固定資產(chǎn)資本支出產(chǎn)生影響；另外，災(zāi)害造成的破壞也會(huì)導(dǎo)致企業(yè)固定資產(chǎn)減值。因此，本文的關(guān)鍵驅(qū)動(dòng)因子包括物理風(fēng)險(xiǎn)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(wù)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(tái)風(fēng)損害比率和企業(yè)運(yùn)營(yíng)中斷時(shí)間的映射，可得出因臺(tái)風(fēng)引起的年度業(yè)務(wù)中斷損失率。

[壓力下單位成本變化率t=壓力下營(yíng)業(yè)成本t壓力下營(yíng)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(yíng)業(yè)收入t壓力下營(yíng)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(fēng)險(xiǎn)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(fēng)險(xiǎn)損失率t1+壓力下產(chǎn)量變化率t]

（10）

2. 關(guān)鍵因子驅(qū)動(dòng)壓力下的財(cái)務(wù)報(bào)表。關(guān)鍵因子主要通過以下三個(gè)途徑驅(qū)動(dòng)貸款企業(yè)未來財(cái)務(wù)報(bào)表中會(huì)計(jì)科目：一是部分會(huì)計(jì)科目可以直接由關(guān)鍵因子計(jì)算得出，如當(dāng)期營(yíng)業(yè)收入與往期營(yíng)業(yè)收入、當(dāng)期產(chǎn)量變化率和當(dāng)期單位收入變化率之間存在算數(shù)關(guān)系。二是通過一系列會(huì)計(jì)勾稽關(guān)系得出，如毛利潤(rùn)等于營(yíng)業(yè)收入減去營(yíng)業(yè)成本。三是假設(shè)某些科目之間成比例增長(zhǎng)（銷售及管理費(fèi)用與收入），與產(chǎn)量沒有明顯相關(guān)的科目（非常規(guī)收支）則假設(shè)保持不變，取三年平均值。最后得出目標(biāo)年份的資產(chǎn)負(fù)債表和利潤(rùn)表后，再通過勾稽關(guān)系得出該目標(biāo)年份的現(xiàn)金流量表。

3. 壓力下財(cái)務(wù)報(bào)表與評(píng)級(jí)評(píng)分卡模型。本文擬采用評(píng)級(jí)評(píng)分卡模型將壓力下財(cái)務(wù)報(bào)表進(jìn)一步映射至企業(yè)違約概率。評(píng)級(jí)評(píng)分卡模型分為定量指標(biāo)和定性指標(biāo)，權(quán)重分別為60%和40%。定量指標(biāo)包括6個(gè)財(cái)務(wù)指標(biāo)（收入、息稅攤銷前利潤(rùn)率、留存現(xiàn)金流量/凈負(fù)債、負(fù)債/息稅折舊及攤銷前利潤(rùn)、息稅攤銷前利潤(rùn)/利息費(fèi)用、自由現(xiàn)金流量/負(fù)債）。定性指標(biāo)包括企業(yè)背景和財(cái)務(wù)政策。通過壓力下財(cái)務(wù)報(bào)表中的數(shù)據(jù)計(jì)算得出6個(gè)定量財(cái)務(wù)指標(biāo)，根據(jù)模型中財(cái)務(wù)指標(biāo)數(shù)值大小與評(píng)分得分的對(duì)應(yīng)關(guān)系，得出6個(gè)財(cái)務(wù)指標(biāo)得分合計(jì)，進(jìn)而得出模型總得分（即等于6個(gè)財(cái)務(wù)指標(biāo)得分合計(jì)除以權(quán)重60%）。最后根據(jù)模型總得分與評(píng)級(jí)、違約概率的映射關(guān)系，可得出貸款企業(yè)在物理風(fēng)險(xiǎn)壓力下的違約概率。

4. 減值計(jì)提模型。采用減值計(jì)提模型將單個(gè)企業(yè)（客戶）在物理風(fēng)險(xiǎn)壓力下的違約風(fēng)險(xiǎn)傳導(dǎo)至銀行預(yù)期信貸損失：

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

其中，[PDt]為企業(yè)在物理風(fēng)險(xiǎn)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(jī)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(cái)務(wù)報(bào)表中短期借款、一年內(nèi)到期的非流動(dòng)負(fù)債及長(zhǎng)期借款乘以企業(yè)2022年基期加權(quán)風(fēng)險(xiǎn)敞口率得出未來[EAD]。

5. 物理風(fēng)險(xiǎn)壓力下對(duì)銀行預(yù)期信貸損失結(jié)果分析。本文選擇一家注冊(cè)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(fēng)險(xiǎn)壓力測(cè)試。通過企業(yè)的生產(chǎn)車間坐標(biāo)確定地理位置的經(jīng)緯度，根據(jù)未來目標(biāo)年份不同網(wǎng)格區(qū)域的風(fēng)速繪制出對(duì)應(yīng)的資產(chǎn)損失率分布圖，可得出該企業(yè)未來目標(biāo)年份遭受臺(tái)風(fēng)的風(fēng)險(xiǎn)損失率（見圖1）。根據(jù)物理風(fēng)險(xiǎn)損失率和中斷時(shí)間的映射表⑤，采用插值法得出該企業(yè)未來目標(biāo)年份的營(yíng)運(yùn)中斷時(shí)間，通過計(jì)算得到年度業(yè)務(wù)中斷損失率（見圖2）。接著，通過五個(gè)關(guān)鍵驅(qū)動(dòng)因子的計(jì)算公式（6）—（10），算出未來目標(biāo)年份的關(guān)鍵驅(qū)動(dòng)因子（見圖3）。以該企業(yè)近三年財(cái)務(wù)報(bào)表為基礎(chǔ)，通過合理假設(shè)、會(huì)計(jì)勾稽關(guān)系以及關(guān)鍵因子，得出未來目標(biāo)年份的資產(chǎn)負(fù)債表、利潤(rùn)表和現(xiàn)金流量表。利用未來目標(biāo)年份的財(cái)務(wù)報(bào)表數(shù)據(jù)逐年計(jì)算出評(píng)級(jí)評(píng)分卡模型所需的6個(gè)財(cái)務(wù)指標(biāo)并得出總得分，給予企業(yè)評(píng)級(jí)，進(jìn)而得出企業(yè)每年的違約概率（見圖4）。最后，根據(jù)減值計(jì)提模型算出該企業(yè)將物理風(fēng)險(xiǎn)傳導(dǎo)至銀行導(dǎo)致的預(yù)期信貸損失。

由圖1和圖2可以看出，未來目標(biāo)年份物理風(fēng)險(xiǎn)損失率及年度業(yè)務(wù)中斷損失率均呈現(xiàn)上升趨勢(shì)，表明臺(tái)風(fēng)災(zāi)害對(duì)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(tái)風(fēng)災(zāi)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(tái)風(fēng)災(zāi)害壓力下產(chǎn)量在2050年會(huì)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(tái)風(fēng)災(zāi)害對(duì)企業(yè)營(yíng)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(yíng)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(yíng)業(yè)收入在2023年受到較大影響，隨后調(diào)整經(jīng)營(yíng)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(tái)風(fēng)災(zāi)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(píng)級(jí)Caa3）上升至2024年的28.03%（信用評(píng)級(jí)Ca）后保持不變，該情況主要系企業(yè)評(píng)級(jí)評(píng)分卡6個(gè)財(cái)務(wù)指標(biāo)在2024年后變化幅度不大，以至于6個(gè)財(cái)務(wù)指標(biāo)得分未跳出評(píng)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(píng)級(jí)。以 “息稅攤銷前利潤(rùn)率”財(cái)務(wù)指標(biāo)為例，若財(cái)務(wù)指標(biāo)計(jì)算所得為0.06，則對(duì)應(yīng)表2中0.025～0.07區(qū)間。該指標(biāo)取值越大，財(cái)務(wù)指標(biāo)評(píng)級(jí)越好，得分越小（在通用評(píng)分卡模型中得分小為更優(yōu)），違約概率越低。財(cái)務(wù)指標(biāo)得分的計(jì)算采用線性差值的方法，即區(qū)間左閾值0.025對(duì)應(yīng)區(qū)間最差分13.5，區(qū)間右閾值0.07對(duì)應(yīng)區(qū)間最優(yōu)分16.5，則0.06對(duì)應(yīng)的財(cái)務(wù)指標(biāo)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(biāo)年份敞口余額（EAD）保持基期水平，則未來該企業(yè)對(duì)銀行產(chǎn)生的預(yù)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(yù)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(biāo)年份敞口余額每年隨著壓力下未來資產(chǎn)負(fù)債表中負(fù)債的變動(dòng)而變動(dòng)，則未來該企業(yè)使銀行產(chǎn)生的預(yù)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(cái)報(bào)中短期借款、一年內(nèi)到期的非流動(dòng)負(fù)債及長(zhǎng)期借款乘以企業(yè)2022年基期加權(quán)風(fēng)險(xiǎn)敞口率計(jì)算得出。由圖6可以看出，未來該企業(yè)使銀行產(chǎn)生的預(yù)期信貸損失隨著年限的增長(zhǎng)大幅度增長(zhǎng)；2022年基準(zhǔn)預(yù)期信貸損失相較未來預(yù)期信貸損失的差距隨著年限的增長(zhǎng)而增大。然而通過對(duì)比未來目標(biāo)年份的預(yù)期信貸損失與A企業(yè)對(duì)應(yīng)年份的貸款余額發(fā)現(xiàn)（見圖7），信貸損失的占比較小（6.4%～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(guó)際組織探索氣候物理風(fēng)險(xiǎn)量化評(píng)估的最新方法論，從臺(tái)風(fēng)路徑模擬、RCP8.5路徑情景映射、損失函數(shù)構(gòu)建與校準(zhǔn)到臺(tái)風(fēng)災(zāi)害對(duì)金融系統(tǒng)的風(fēng)險(xiǎn)傳導(dǎo)，構(gòu)建了一套適用于海南轄區(qū)銀行機(jī)構(gòu)開展氣候物理風(fēng)險(xiǎn)壓力測(cè)試的方法。本文的研究方法可廣泛應(yīng)用于以下幾個(gè)方面：一是可用于開展區(qū)域性的氣候物理風(fēng)險(xiǎn)宏觀情景壓力測(cè)試。通過預(yù)測(cè)未來目標(biāo)年份的年度損失率，建立分區(qū)域的（受災(zāi)害影響和不受災(zāi)害影響）宏觀經(jīng)濟(jì)模型，用于預(yù)測(cè)臺(tái)風(fēng)登陸對(duì)受災(zāi)區(qū)域經(jīng)濟(jì)金融系統(tǒng)的影響以及風(fēng)險(xiǎn)對(duì)其他區(qū)域的傳導(dǎo)。二是可用于估計(jì)受災(zāi)區(qū)域所有銀行業(yè)機(jī)構(gòu)的抵押品資產(chǎn)價(jià)值損失。通過預(yù)測(cè)未來目標(biāo)年份不同網(wǎng)格區(qū)域的風(fēng)速，繪制出對(duì)應(yīng)的資產(chǎn)損失率分布圖，可精準(zhǔn)識(shí)別銀行業(yè)機(jī)構(gòu)抵押品在各網(wǎng)格區(qū)域的資產(chǎn)價(jià)值損失金額，有助于各銀行業(yè)機(jī)構(gòu)充分了解臺(tái)風(fēng)風(fēng)險(xiǎn)敞口的分布情況。三是可用于銀行業(yè)機(jī)構(gòu)對(duì)企業(yè)客戶開展償付能力的壓力測(cè)試。通過線性插值的方式建立各損失率區(qū)間與中斷時(shí)間的函數(shù)關(guān)系，計(jì)算未來目標(biāo)年份企業(yè)客戶受臺(tái)風(fēng)影響的中斷時(shí)間及中斷損失率，進(jìn)而對(duì)產(chǎn)量施加壓力驅(qū)動(dòng)財(cái)務(wù)報(bào)表，然后采用評(píng)級(jí)評(píng)分卡模型計(jì)算企業(yè)客戶的違約概率，最后根據(jù)減值計(jì)提模型計(jì)算出企業(yè)將物理風(fēng)險(xiǎn)傳導(dǎo)至銀行的預(yù)期信貸損失。

從本文的氣候物理風(fēng)險(xiǎn)壓力測(cè)試探索實(shí)踐可以看出，單一的臺(tái)風(fēng)災(zāi)害對(duì)企業(yè)資產(chǎn)負(fù)債表、銀行抵押品資產(chǎn)價(jià)值以及整個(gè)經(jīng)濟(jì)金融系統(tǒng)產(chǎn)生實(shí)質(zhì)性的影響。從企業(yè)端開展償付能力壓力測(cè)試的結(jié)果可以看出，這種單一物理風(fēng)險(xiǎn)的傳導(dǎo)對(duì)金融機(jī)構(gòu)乃至經(jīng)濟(jì)金融系統(tǒng)的影響并不十分顯著，甚至是微不足道。導(dǎo)致這種結(jié)果的一個(gè)重要原因可能是僅考慮單一臺(tái)風(fēng)災(zāi)害風(fēng)險(xiǎn)，并未考慮與之相關(guān)的其他災(zāi)害（如洪澇、風(fēng)暴潮等）形成的“多元”復(fù)合風(fēng)險(xiǎn)，使得模型低估了氣候物理風(fēng)險(xiǎn)造成的損失（Zscheischler等，2018）[35]。盡管NGFS針對(duì)單個(gè)極端事件如熱帶氣旋、洪澇、干旱等氣候物理風(fēng)險(xiǎn)壓力測(cè)試方法給出了技術(shù)指引，且部分NGFS成員國(guó)或國(guó)際組織在氣候風(fēng)險(xiǎn)分析的情景設(shè)計(jì)中考慮了復(fù)合風(fēng)險(xiǎn)，但是針對(duì)此類復(fù)合風(fēng)險(xiǎn)的評(píng)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(fù)合沖擊帶來的非線性放大效應(yīng)，而復(fù)合風(fēng)險(xiǎn)往往導(dǎo)致某些與氣候有關(guān)的沖擊成為系統(tǒng)性金融風(fēng)險(xiǎn)的觸發(fā)因素，其影響不能簡(jiǎn)單地由單個(gè)極端事件風(fēng)險(xiǎn)的加總來推斷（Ranger等，2021）[36]。因此，建議未來氣候物理風(fēng)險(xiǎn)壓力測(cè)試方法探索可以從以下幾個(gè)方面展開：

一是氣候情景分析中應(yīng)將復(fù)合風(fēng)險(xiǎn)納入操作框架。單一的氣候極端事件具有較強(qiáng)的地理分布特征，對(duì)于一個(gè)地域遼闊的國(guó)家很難造成系統(tǒng)性的金融風(fēng)險(xiǎn)，但是短時(shí)間內(nèi)一系列的“急性”風(fēng)險(xiǎn)事件如超強(qiáng)臺(tái)風(fēng)、由超強(qiáng)臺(tái)風(fēng)引發(fā)的強(qiáng)降水洪澇、山體滑坡災(zāi)害等復(fù)合風(fēng)險(xiǎn)疊加形成的區(qū)域性金融風(fēng)險(xiǎn)，極易成為系統(tǒng)性金融風(fēng)險(xiǎn)的潛在來源（NGFS，2023）[6]。全球變暖改變了極端氣候驅(qū)動(dòng)因子之間的關(guān)系，增加了多個(gè)極端事件同時(shí)發(fā)生或相繼發(fā)生的可能性。這種多個(gè)驅(qū)動(dòng)因子或致災(zāi)因子的組合形成的復(fù)合風(fēng)險(xiǎn)沖擊亟須引起監(jiān)管部門的重視。鑒于不同國(guó)家或地區(qū)的復(fù)合風(fēng)險(xiǎn)沖擊存在著類別上的顯著差異，需要組織并加強(qiáng)氣象學(xué)、地球物理學(xué)、經(jīng)濟(jì)學(xué)等相關(guān)領(lǐng)域?qū)＜业目缃绾献鳎瓿蓺夂蚯榫暗脑O(shè)計(jì)與復(fù)合致災(zāi)因子的預(yù)測(cè)。

二是探索復(fù)合極端事件沖擊的損失評(píng)估方法。盡管目前各類巨災(zāi)模型在量化熱帶氣旋、洪澇、干旱、風(fēng)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(jì)算直接損失時(shí)各極端事件都是彼此獨(dú)立的，無法體現(xiàn)各致災(zāi)因子在時(shí)間上和空間上的相互作用關(guān)系。事實(shí)上，Ranger等（2021）[36]對(duì)多個(gè)極端事件沖擊的非線性假設(shè)進(jìn)行數(shù)值模擬發(fā)現(xiàn)，復(fù)合沖擊造成的GDP損失比各個(gè)極端事件獨(dú)立沖擊造成的損失總和高30%。下一步可以探索利用巨災(zāi)模型對(duì)相對(duì)空間與一定時(shí)間內(nèi)多個(gè)歷史事件進(jìn)行數(shù)據(jù)復(fù)盤，充分納入各事件發(fā)生的序位因素，深入評(píng)估復(fù)合事件沖擊的損失。

三是進(jìn)一步豐富“急性”物理風(fēng)險(xiǎn)傳導(dǎo)的宏觀經(jīng)濟(jì)模型。傳統(tǒng)的綜合評(píng)估模型將溫室氣體排放量與全球升溫融入宏觀經(jīng)濟(jì)系統(tǒng)，生動(dòng)刻畫了“慢性”物理事件向宏觀經(jīng)濟(jì)金融體系風(fēng)險(xiǎn)傳導(dǎo)的動(dòng)態(tài)演繹過程。然而，對(duì)不同類別“急性”物理事件的沖擊形成的復(fù)合風(fēng)險(xiǎn)及其對(duì)宏觀經(jīng)濟(jì)系統(tǒng)的傳導(dǎo)仍缺乏有效的模型構(gòu)建。因此，探索將“急性”物理事件的復(fù)合沖擊納入宏觀經(jīng)濟(jì)模型將有效填補(bǔ)氣候物理風(fēng)險(xiǎn)對(duì)宏觀經(jīng)濟(jì)影響的研究空白。

注：

①RCP8.5在壓力測(cè)試中被認(rèn)為是適合預(yù)測(cè)未來臺(tái)風(fēng)災(zāi)害的最壞情景，代表了“一切照舊”的氣候變暖基準(zhǔn)，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(qiáng)度與人口數(shù)據(jù)的組合比例開發(fā)了全球范圍內(nèi)災(zāi)害的高分辨率暴露資產(chǎn)價(jià)值地圖，考慮到EM-DAT數(shù)據(jù)庫中匹配出對(duì)中國(guó)地區(qū)有重大影響的臺(tái)風(fēng)數(shù)據(jù)僅有53條，本文以受災(zāi)區(qū)域該年度建筑業(yè)總產(chǎn)值作為風(fēng)險(xiǎn)敞口值的替代。

③本文采用EM-DAT中選取細(xì)分區(qū)域內(nèi)歷史臺(tái)風(fēng)損失數(shù)據(jù)，剔除存在各類次生災(zāi)害事件，初始默認(rèn)損失函數(shù)[Vhalf]采用Sealy和Strobl（2017）[34]的校準(zhǔn)結(jié)果74.7 m/s，以0.1 m/s為步長(zhǎng)，對(duì)原有損失率進(jìn)行校準(zhǔn)，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(qiáng)度與人口組合比例估算得到。

⑤本文引用了美國(guó)Federal Emergency Management Agency（FEMA）公布的熱帶氣旋引發(fā)行業(yè)經(jīng)營(yíng)中斷的時(shí)間表進(jìn)行線性插值得到損失率與中斷時(shí)間的關(guān)系，本文選取的企業(yè)為工業(yè)生產(chǎn)型企業(yè)，當(dāng)損失率達(dá)到2%時(shí)企業(yè)的營(yíng)業(yè)中斷時(shí)間為2.5天，當(dāng)損失率達(dá)到10%時(shí)企業(yè)的營(yíng)業(yè)中斷時(shí)間為30.5天，當(dāng)損失率達(dá)到50%時(shí)企業(yè)的營(yíng)業(yè)中斷時(shí)間為102天。

參考文獻(xiàn)：

[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(fēng)險(xiǎn)宏觀情景壓力測(cè)試：方法探索及行業(yè)應(yīng)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）.