极端气候对商业银行信用风险的影响研究

Research on the Impact of Extreme Climate on Credit Risk of Commercial Banks

摘要: 加强极端气候冲击相关的金融风险研究，对于防范化解商业银行信用风险具有重要意义。本文选取2011~2022年期间中国商业银行为样本，检验各省市极端气候造成损失对商业银行信用风险的影响及作用机制。结果表明：极端气候冲击能够显著提高商业银行信用风险，各地区粮食产量及居民存款在极端气候影响银行信用风险过程中发挥了显著的传导效应；这种正向作用在东部地区更加显著，并且农村类型商业银行显著性大于城市类型商业银行。本文的研究结论为监管部门防范极端气候冲击引致的商业银行信用风险提供了借鉴。

Abstract: Strengthening research on financial risks related to extreme climate shocks is of great significance for preventing and resolving credit risks in commercial banks. This article selects Chinese commercial banks from 2011 to 2022 as samples, constructs extreme climate change loss indices for various provinces and cities, and tests the impact and mechanism of extreme climate on credit risk of commercial banks. The results show that extreme climate shocks can significantly increase the credit risk of commercial banks, and grain production and household deposits in various regions have played a significant transmission effect in the process of extreme climate affecting bank credit risk. This positive effect is more significant in the eastern region, and the significance of rural commercial banks is greater than that of urban commercial banks. The research conclusion of this article provides reference for regulatory authorities to prevent credit risks of commercial banks caused by extreme climate shocks.

1. 引言

全球气候变暖和人类行为的共同影响可能会引发一系列罕见和异常的天气现象，包括极端高温、严寒、暴雨、干旱和飓风等[1]。根据世界经济论坛的《全球风险报告(2021年)》定义，极端天气为突发的、与大气环境相关的异常气候事件。在我国，极端降水和干旱事件的数量以及由此引发的损失在过去半个世纪中显著增加[2]。这些由全球变暖引起的极端气候变化可能对各界造成长期且不可逆的损害[3]。随着社会向低碳发展转型，商业银行在管理气候风险和推动净零排放目标中扮演着至关重要的角色[4]。商业银行应关注极端气候事件以减少损失，避免可能引发的危害甚至金融危机。

在当前的研究框架下，本研究聚焦于商业银行，并采用不良贷款率作为衡量信用风险的指标，以评估气候变化对其产生的影响及其机制。不仅为商业银行应对气候变化风险提供经验证据，而且能够为政府部门制定和调整政策提供理论依据，具有重要的现实意义。

本文的边际贡献具体体现在以下两方面：首先，在研究内容上，本文综合运用理论分析和实证研究方法，全面评估了极端气候对商业银行信用风险的潜在影响，揭示了金融稳定可能受到的非经济金融因素的冲击，从而拓宽了金融风险研究的范畴。其次，在研究方法论上，本文创新性地构建了衡量极端气候灾害损失的指标，并探讨了通过粮食产量和居民储蓄影响信用风险的两个可能路径，为金融监管机构在政策制定过程中提供了基础。

2. 文献综述

2.1. 极端气候与实体经济

越来越多的学者和政策制定者研究了极端气候对实体经济的影响。首先是对实体经济造成的直接损失，从直接损害方面看，频发的气象灾害则会直接导致金融机构资产损失，或者通过降低实体经济部门生产效率，间接增加金融机构的风险敞口，最终威胁金融体系稳定[5]。此外，气候变化与违约率的密切关联在农业金融机构中尤为显著，对信用风险的影响更为明显[6]。其次从预期冲击角度看，高温干旱、洪涝灾害等极端气候事件会影响投资者对资本市场的评估，进而对金融资产的定价产生影响[7]。极端气候还会导致产出、消费和投资减少，通胀拉升，短期内减少资产价值和投资回报[8]。从动态视角来看，各省极端天气风险的增加还会通过空间溢出效应影响邻近省份的总产出，通过需求渠道紧缩其他省份的消费、投资等影响实体经济活动[9]。

2.2. 极端气候冲击与商业银行

目前，极端气候对商业银行金融风险的影响已成为金融领域的研究重点。全球气候变化日益加剧，其引发的极端天气不仅对实体经济产生了严重的负面冲击，也对商业银行带来严峻挑战[10]。部分文献指出金融领域气候风险的实质是在经济低碳转型过程中，搁浅资产风险增加导致的资产质量下降[11]，还会受到能源与金融市场波动的冲击[12]。极端气候事件包括气温和降水量因素的变动会对区域金融稳定产生负面影响[13]，除强度外，极端气候的频度也会提升金融不稳定性[12]。鉴于中国金融体系以银行为主导的间接融资模式，恶性气候和环境变化事件会明显增加商业银行的风险承担[14]。

2.3. 极端气候风险对金融业的冲击渠道

极端气候会对银行贷款供给产生显著的负向影响[15]。一方面，为了缓解气候对自然环境的影响、充分降低对金融业的风险冲击，各国纷纷开展研究。已有文献指出自然灾害和空气质量问题深刻影响公众心理和行为，增强投资者对环境风险的认识与感知程度[16]。并给银行信贷主体造成直接经济损失，导致抵押品、股票和债券等资产贬值，进而降低银行等金融机构资产投资组合的价值[17]。此外，极端气候事件发生后，个人、家庭或企业出于预防性动机，会增加对现金的储备需求量，最终导致银行的存款比率下降[18]，产生极为不利的影响。另一方面，国内学者也从不同的角度对冲击渠道展开分析。这种影响主要是通过改变利益相关者的行为来实现的，这就加剧了银行固有的信用、市场及流动性风险[19]。气候和环境变化主要通过信息资金两类渠道影响银行风险，银行资本充足率的提高和气候政策不确定性的上升均有利于缓解气候和环境变化对银行系统性风险的不利影响[20]。

3. 研究假说

3.1. 极端气候冲击对信用风险的影响分析

气候灾害冲击对商业银行信用风险的冲击主要体现在直接损失和间接损失两方面，一方面，就直接经济损失而言，极端气候事件会给家庭及企业的实体资产造成损失，导致以此类资产为抵押物的银行信贷资产质量下降，银行信用风险上升[21]。另一方面从间接损失的角度，极端气候事件会造成粮食产量下降，导致农产品价格上涨，企业和家庭生产生活成本攀升，收入急剧减少[14]。综上，本文提出如下假设：

H1：极端气候显著提升商业银行信用风险水平。

3.2. 极端气候冲击对信用风险影响的渠道分析

极端气候事件，如干旱、洪水、和飓风，对农业生产具有显著的负面影响，可能导致粮食产量的减少。粮食产量的下降不仅影响农民的收入和偿债能力，还可能引起食品价格上涨，增加通货膨胀压力，最终影响到商业银行信用风险。极端气候可通过对农村金融机构的贷款抵押品减值以及冲击农业生产从而导致贷款项目收益降低进而影响银行信用[21]。气候和环境变化事件发生后，公司和家庭也会出于预防性动机，对现金的储备需求量增加，导致银行的存款比率下降[20]。综上提出如下假设：

H2：粮食产量在极端气候对商业银行信用风险承担中发挥显著的传导作用。

H3：居民存款在极端气候对商业银行信用风险承担中发挥显著的传导作用。

3.3. 极端气候冲击对信用风险影响的异质性分析

极端气候对商业银行风险承担的影响可能因银行自身特性的不同而表现出差异。在面临极端气候的挑战时，不同类型的商业银行可能会展现出不同的风险承担水平。城市商业银行和农村商业银行是区域性银行的两大主要类别。农村商业银行通常更加专注于“三农”问题，虽然在涉农业务领域拥有较强的资源和信贷能力，但这些业务对极端气候的敏感度较高。相比之下，城市商业银行规模较大，拥有更为成熟的风险控制体系，能够通过业务多样化来减轻极端气候带来的冲击。极端气候事件在不同地区响应程度也不同，因各地区间企业业务结构存在差别，所以对商业银行信用风险的影响也表现出区域差异。综上提出如下假设：

H4：极端气候对商业银行信用风险的影响在不同区域之间具有异质性。

H5：极端气候对商业银行信用风险的影响在不同类型银行之间具有异质性。

4. 研究设计与数据来源

4.1. 样本选取与数据来源

基于相关数据的可得性，本文选取的分析样本包括全国392家商业银行2013~2022年的非平衡面板数据，共2023个样本观测值。同时为排除异常值对本文研究的影响，对初始样本所有银行层面的连续性变量进行上下1%的Winsorize缩尾处理。银行层面数据主要来源于Wind数据库，其中部分缺失数据利用银行历年年报以及《中国金融年鉴》最大限度手工将其补齐。极端气候数据及宏观经济层面数据来源于历年《中国统计年鉴》。

4.2. 模型设计与变量选择

本文构造如下基准模型：

${\text{Risk}}_{i,t}={\alpha }_0+{\alpha }_1{\text{Disaster}}_{i,t}+{\alpha }_2{X}_{i,t}+{\alpha }_3{Y}_{i,t}+{\gamma }_i+{\delta }_{year}+{\epsilon }_{i,t}$ (1)

其中i表示某省份，t表示具体年份，γ_i为省份个体效应，δ_year为年度时间固定效应，ε_i,t为残差项。

被解释变量Risk_i,t表示i省份商业银行个体在t时期的信用风险水平，选用各省商业银行不良贷款率来衡量。地方性商业银行不良贷款率数据来源于Wind数据库。

解释变量为极端气候灾害损失(Climate_i,t)，选取从中国统计年鉴获得的商业银行所在省份农作物、旱灾、洪涝、地质灾害、台风、风雹、低温冷冻和雪灾受灾面积总和(千公顷)，部分商业银行分行布遍各地，因此选取支行数量最多的省份作为其所在省份。

在本研究中，采用了多个银行层面和宏观层面的控制变量来确保分析结果的准确性。银行层面的控制变量包括中长期贷款比例(LDR)，它反映了银行资产组合的信用风险水平；银行规模的自然对数(lnscale)，用以控制规模效应对风险承担的影响；成本收入比例(CIR)，衡量银行的运营效率；总资产周转率(ATR)，反映银行资产的利用效率；以及息税前利润与资产总额比(ETA)，作为银行盈利能力的指标。此外，引入了银行所在地区GDP的自然对数(lngdp)作为宏观控制变量，以反映地区经济规模对银行信用风险的潜在影响。通过这些综合控制，旨在隔离极端气候事件对商业银行信用风险的独立影响，从而提供更为稳健的研究结论。

Table 1. Descriptive statistics

表1. 描述性统计

Var Name	meanings	Obs	Mean	SD	Min	Median	Max
Nplra	不良贷款率	2023	1.734	1.240	0.000	1.500	15.840
Disaster	极端气候灾害受灾面积	2023	6.593	1.132	2.241	6.759	8.966
LDR	中长期贷款比例	2023	65.439	11.096	28.340	66.440	121.440
lnscale	银行规模的自然对数	2023	2.369	0.067	2.160	2.370	2.577
CIR	成本收入比例	2023	30.163	14.486	0.000	32.510	94.320
ATR	总资产周转率	2023	0.027	0.012	0.000	0.026	0.066
ETA	息税前利润与资产总额比	2023	0.032	0.009	0.000	0.032	0.080
lngdp	银行所在地区GDP的自然对数	2023	1.050	0.066	0.757	1.056	1.173

由表1可知，在这份样本数据中，共有2023个观测值。不良贷款率(Nplra)的平均值为1.73，标准差为1.24，表明银行间不良贷款率存在一定程度的波动。不良贷款率的最小值为0，最大值达到15.84，显示了在样本期间，部分银行的不良贷款率相对较高。极端气候事件(Disaster)的平均值为6.59，标准差为1.13，最小值为2.24，最大值为8.97，表明在研究期间，不同地区受到的极端气候影响程度有所差异。此外，其他变量的描述性统计均在合理范围以内，排除了离群值的实证结果影响。

5. 实证结果及分析

5.1. 基准回归

各省商业银行所处的区域有其特殊性，不同区域之间的极端气候数据指标均不尽相同，但该区域相同气候指标在较长一段时间相对稳定。股权结构、公司治理模式等方面也保持平稳，因此本文选用双向固定效应模型对进行回归。回归结果如表2所示。在1%的显著性水平下，极端气候灾害损失系数为0.223，结果表明极端气候灾害损失冲击会对各省商业银行信用风险带来显著的正向影响，验证了H1。

Table 2. Benchmark regression results

表2. 基准回归结果

	(1)	(2)
	Nplra	Nplra
Disaster	0.242^*** (4.38)	0.223^*** (4.28)
LDR		0.018^*** (4.37)
lnscale		−5.283 (−1.18)
CIR		0.003 (0.60)
ATR		3.954 (0.86)
ETA		−25.158^*** (−4.91)
lngdp		−6.714 (−1.27)
_cons	−0.574 (−1.39)	18.173 (1.48)
时间效应	YES	YES
个体效应	YES	YES
N	2023	2023
R^2	0.155	0.201
Adj. R^2	0.150	0.194

注：^*、^**、^***分别表示估计值在10%、5%、1%显著性水平上显著，括号内值均为回归系数的标准误差。下表同。

5.2. 稳健型检验

5.2.1. 替换核心解释变量

为了增强研究结果的稳健性，采用了替换核心解释变量的策略进行检验。具体而言，将原始模型中使用的各个省份农作物、旱灾、洪涝、地质灾害、台风、风雹、低温冷冻和雪灾受灾面积总和(千公顷)替换为各个省份农作物、旱灾、洪涝、地质灾害、台风、风雹、低温冷冻和雪灾绝收面积总和(千公顷) (Disaster 1)，通过比较表3替换前后的估计系数，我们可以更准确地判断各个省份农作物、旱灾、洪涝、地质灾害、台风、风雹、低温冷冻和雪灾受灾面积总和(千公顷)与银行不良贷款率之间具有稳健性。

Table 3. Robust test 1

表3. 稳健型检验一

	(1)	(2)
	Nplra	Nplra
Disaster1	0.209^*** (5.45)	0.199^*** (5.35)
LDR		0.018^*** (4.45)
lnscale		−5.862 (−1.31)
CIR		0.003 (0.63)
ATR		3.560 (0.79)
ETA		−24.381^*** (−4.91)
lngdp		−8.509 (−1.53)
_cons	0.185 (0.90)	21.986^* (1.74)
时间效应	YES	YES
个体效应	YES	YES
N	2023	2023
R^2	0.161	0.208
Adj. R^2	0.157	0.201

5.2.2. 替换被解释变量

为了增强研究结果的稳健性，采用了替换被解释变量的策略进行检验。具体而言，将原始模型中使用的商业银行不良贷款率替换为资本充足率(简称为CAR)，由于商业银行资本充足率与不良贷款率是负向变动关系，所以表4中的负系数可以证明各个省份极端气候灾害损失与银行不良贷款率之间具有稳健性。

Table 4. Robust test 2

表4. 稳健性检验二

	(1)	(2)
	CAR	CAR
Disaster	−0.351^** (−1.99)	−0.327^* (−1.78)
LDR		−0.018 (−1.14)
lnscale		−70.393^** (−2.27)
CIR		−0.002 (−0.15)
ATR		−11.734 (−0.73)
ETA		−2.299 (−0.09)
lngdp		−7.778 (−0.67)
_cons	17.866^*** (12.48)	191.406^** (2.50)
时间效应	YES	YES
个体效应	YES	YES
N	2022	2022
R^2	0.043	0.080
Adj. R^2	0.038	0.072

5.3. 中介效应分析

5.3.1. 粮食产量为中介变量

在基准回归模型的基础上构造如下中介效应检验模型：

${\text{Agri}}_{i,t}={\beta }_0+{\beta }_1{\text{Disaster}}_{i,t}+{\beta }_2{X}_{i,t}+{\beta }_3{Y}_{i,t}+{\gamma }_i+{\delta }_{\text{year}}+{\epsilon }_{i,t}$ (2)

${\text{Risk}}_{i,t}={\zeta }_0+{\zeta }_1{\text{Disaster}}_{i,t}+{\zeta }_2{\text{Agri}}_{i,t}+{\zeta }_3{X}_{i,t}+{\zeta }_4{Y}_{i,t}+{\gamma }_i+{\delta }_{year}+{\epsilon }_{i,t}$ (3)

其中Agri为各个省份粮食产量，单位万吨。

由表5可知，各模型中估计系数均显著，满足逐步检验法关于部分中介效应成立的条件，表示粮食产量在极端气候灾害损失冲击对商业银行信用风险承担中起部分中介效应。验证了H2。

具体而言极端气候事件，如干旱、洪水、冰雹等，会直接损害作物，农业遭受巨大损失，粮食产量大幅下降，这种直接影响会减少农民的收入和存款，影响其偿还贷款的能力。粮食产量的减少还可能引起农产品价格上涨，增加食品成本，增加通货膨胀压力，进而影响整个社会的经济状况和居民的生活水平。粮食产量下降还会导致农业企业和农户的盈利能力下降，可能增加银行的不良贷款，从而影响银行的信贷资产质量和风险承担水平。

Table 5. Mesomeric effect 1

表5. 中介效应一

	(1)	(2)	(3)
	Nplra	Agri	Nplra
Disaster1	0.223^*** (4.28)	0.024^*** (3.02)	0.197^*** (4.00)
LDR	0.018^*** (4.37)	0.002^** (2.49)	0.016^*** (3.83)
lnscale	−5.283 (−1.18)	2.599^** (2.50)	−8.140^* (−1.94)
CIR	0.003 (0.60)	0.001^** (2.49)	0.001 (0.27)
ATR	3.954 (0.86)	−0.090 (−0.17)	4.052 (0.88)
ETA	−25.158^*** (−4.91)	−1.345^*** (−2.74)	−23.679^*** (−4.73)
lngdp	−6.714 (−1.27)	−3.978^*** (−2.94)	−2.341 (−0.49)
Agri			1.099^***
_cons	18.173 (1.48)	4.938^* (1.66)	12.744
时间效应	YES	YES	YES
个体效应	YES	YES	YES
N	2023	2023	2023
R^2	0.201	0.170	0.215
Adj. R^2	0.194	0.163	0.208

5.3.2. 城乡居民储蓄年末余额作为中介变量

在基准回归模型的基础上构造如下中介效应检验模型：

${\text{Save}}_{i,t}={\beta }_0+{\beta }_1{\text{Disaster}}_{i,t}+{\beta }_2{X}_{i,t}+{\beta }_3{Y}_{i,t}+{\gamma }_i+{\delta }_{year}+{\epsilon }_{i,t}$ (4)

${\text{Risk}}_{i,t}={\zeta }_0+{\zeta }_1{\text{Disaster}}_{i,t}+{\zeta }_2{\text{Save}}_{i,t}+{\zeta }_3{X}_{i,t}+{\zeta }_4{Y}_{i,t}+{\gamma }_i+{\delta }_{\text{year}}+{\epsilon }_{i,t}$ (5)

其中Save为各个省份城乡居民储蓄年末余额总和，单位万亿元。

由表6可知，各模型中估计系数均显著，满足逐步检验法关于部分中介效应成立的条件，表示居民存款在极端气候灾害损失冲击对商业银行信用风险承担中起部分中介效应。验证了H3。

一方面，极端气候事件，例如洪水、干旱或极端天气，可能导致农作物大量减产，农产品价格下跌，从而减少农民的收入和存款。此外，极端气候还可能引发房地产等资产价值的缩水，直接影响居民的财富水平和在银行的存款价值。这种资产价格的下降不仅减少了居民的财富积累，也削弱了他们的信用状况，增加了偿还贷款的难度，从而可能增加银行的信用风险。

另一方面，极端气候事件对企业的生产经营活动造成干扰，导致企业盈利能力下降和现金流量紧张。例如，极端天气可能导致生产中断、供应链受阻或市场需求下降，进而影响企业的正常运营和财务状况。这种经营上的困难增加了企业贷款违约的风险，进而影响银行的信贷资产质量。银行面临的信贷风险上升，可能导致不良贷款率提高，对银行的稳定性和盈利能力构成威胁。

Table 6. Mesomeric effect 2

表6. 中介效应二

	(1)	(2)	(3)
	Nplra	save1	Nplra
Disaster1	0.223^*** (4.28)	−0.019^*** (−2.60)	0.209^*** (4.12)
LDR	0.018^*** (4.37)	0.001 (1.05)	0.018^*** (4.17)
lnscale	−5.283 (−1.18)	−4.513^*** (−2.93)	−7.287 (−1.53)
CIR	0.003 (0.60)	−0.002^*** (−2.88)	0.003 (0.57)
ATR	3.954 (0.86)	3.228^*** (4.13)	6.667 (1.35)
ETA	−25.158^*** (−4.91)	−0.609 (−0.81)	−25.238^*** (−4.91)
lngdp	−6.714 (−1.27)	−1.272 (−1.64)	−8.712 (−1.54)
save			−0.275^* (−1.90)
_cons	18.173 (1.48)	12.097^*** (3.19)	24.899^* (1.90)
时间效应	YES	YES	YES
个体效应	YES	YES	YES
N	2023	1795	1795
R^2	0.201	0.516	0.216
Adj. R^2	0.194	0.512	0.208

5.4. 异质性分析

5.4.1. 分地区回归

本文按照根据商业银行目录对商业银行地区划分为东部中部西部三大区域展开分样本回归，对比剖析极端气候灾害损失冲击对我国不同地区的作用影响。表7可知，极端气候对商业银行信用风险的影响存在显著的区域异质性。验证了H4。

具体分析表中数据，本文极端气候灾害损失冲击又为各个省份农作物、旱灾、洪涝、地质灾害、台风、风雹、低温冷冻和雪灾受灾面积总和(千公顷)，中部地区地广人稀、区域辽阔，因此部分面积的极端气候冲击对其影响较小。值得注意的是西部地区，鉴于我国政策对西部地区农业保险的大力推广和补贴以及政府对西部地区小微企业及金融机构的融资支持，所以在极端气候冲击反而有助于降低西部地区商业银行不良贷款率。然而东部各地区区域面积小，所以受极端气候灾害损失冲击的影响最为显著，首先，中国气象局国家气候中心研究显示社会经济最聚集的东部都市圈，未来人口会继续向东部大城市迁移，这些大城市的规模会进一步扩张，导致风险敞口的不断扩大，或者说承灾体的数量不断上升；其次，东部地区通常经济更为发达，城市化程度高，人口密度大，经济活动集中，这样的区域在极端气候事件面前会更加脆弱，因为它们拥有更多的资产和基础设施需要保护，同时经济损失的潜在规模也更大；最后，人口密集地区在遭遇极端气候事件时，如洪水、热浪或风暴，会有更多的人面临生命和财产安全的威胁。

Table 7. Heterogeneity analysis 1

表7. 异质性分析一

	总体	东部	中部	西部
	Nplra	Nplra	Nplra	Nplra
Disaster	0.223^*** (5.14)	0.143^** (2.41)	0.038 (0.21)	−0.173^* (−1.96)
LDR	0.018^*** (5.44)	0.017^*** (3.22)	−0.011 (−1.06)	0.003 (0.40)
lnscale	−5.332^* (−1.83)	−2.829 (−0.76)	−28.366^* (−1.71)	−23.191^*** (−2.75)
CIR	0.003 (0.93)	−0.002 (−0.52)	0.001 (0.06)	0.015^** (2.12)
ATR	3.866 (1.07)	−0.773 (−0.15)	23.351 (1.34)	−3.622 (−0.35)
ETA	−25.129^*** (−6.70)	−17.053^*** (−2.98)	−51.873^*** (−3.28)	−22.205^*** (−2.69)
lngdp	−6.703^**	−31.964^*** (−3.69)	−6.047 (−0.32)	0.792 (0.21)
_cons	18.270^** (2.39)	39.211^*** (2.66)	74.460^* (1.81)	56.208^*** (2.79)
时间效应	YES	YES	YES	YES
个体效应	YES	YES	YES	YES
N	2023	1422	279	322
R^2	0.201	0.217	0.316	0.469
Adj. R^2	0.018	0.208	0.271	0.439

5.4.2. 分银行类型回归

本文按照银行类型展开分样本回归，一类为城市商业银行，另一类为农村商业银行、农合行、农信社、三类新型农村金融机构等农村类商业银行。对比剖析极端气候灾害损失冲击对我国不同地区的作用影响。由表8可知，在极端气候冲击下，城市商业银行和农村商业银行的不良贷款比率表现出显著的异质性。验证了H5。

具体来说，对城市商业银行的影响相对较小，这与城市商业银行规模较大、业务多元化有关，使其能够更好地分散风险。然而极端气候对农村商业银行的Nplra影响显著正相关(0.320^***)，影响更为显著。首先，农村商业银行、农合行、农信社以及三类新型农村金融机构的服务对象主要集中于农业和农村地区，这些区域的经济活动和居民生计对自然条件的依赖性极高，对极端气候事件极为敏感。农业生产的不确定性一旦增加，比如由于极端气候引发的农作物减产或歉收，将直接影响到农户的收入水平，从而可能导致不良贷款率上升，影响这些金融机构的资产质量。其次，农村地区的经济结构通常较为单一，主要依赖农业及相关产业，这使得它们在面对极端气候事件时尤为脆弱。农业生产直接受气候条件的影响，极端气候事件如干旱、洪水、冰雹等可导致农作物减产或歉收，直接影响到农户的收入和存款水平，进而更容易影响银行的信用风险。

Table 8. Heterogeneity analysis 2

表8. 异质性分析二

	总体	城市商业银行	农村类商业银行
	Nplra	Nplra	Nplra
Disaster	0.223^*** (5.15)	0.152^** (2.39)	0.320^*** (2.91)
LDR	0.018^*** (5.41)	0.010^* (1.97)	0.012 (1.25) (1.25)
lnscale	−5.283^* (−1.81)	−15.275^** (−2.38)	−17.543 (−1.59)
CIR	0.003 (0.90)	0.004 (0.95)	−0.000 (−0.00)
ATR	3.954 (1.10)	−5.719 (−0.71)	7.389 (1.05)
ETA	−25.158^*** (−6.71)	−7.910 (−1.48)	−40.473^*** (−4.48)
lngdp	−6.714^** (−1.98)	−1.991 (−0.44)	15.833 (0.98)
_cons	18.173^** (2.37)	37.544^** (2.29)	23.994 (0.82)
时间效应	YES	YES	YES
个体效应	YES	YES	YES
N	2023	840	1076
R^2	0.201	0.365	0.175
Adj. R^2	0.018	0.351	0.162

6. 结论及建议

本文在理论分析的基础上，运用各省2011~2022年数据，实证检验了极端气候灾害损失冲击对地方性商业银行信用风险的影响，探究气候变化冲击作用于地方性商业银行信用风险的机制，考察地区极端气候灾害损失冲击对商业银行信用风险的异质性问题。实证结果显示：第一，极端气候灾害损失冲击显著加重商业银行信用风险水平；第二，极端气候灾害损失冲击农业粮食产量，影响粮食价格等因素造成不良贷款率上升，进而影响整体信用风险；极端气候灾害损失冲击对居民资产造成损失，影响居民存款意愿等因素造成不良贷款率上升，进而影响整体信用风险；第三，极端气候灾害损失冲击对不同地区影响不同，其中东部地区最严重；极端气候灾害损失冲击对农村商业银行影响比对城市商业银行影响更显著。

上述研究结论的政策启示如下：

根据本文的实证检验结果，我们可以得出以下政策启示：

第一，强化各方对气候变化相关金融风险认识的深度和广度。进一步加强对极端气候变化影响作用经济金融路径研究，鼓励和引导商业银行加强对极端气候风险的认识和评估能力。可以通过制定相关政策，要求银行建立健全气候风险管理框架，包括气候风险的识别、评估、监控和报告机制。同时，政策也应支持银行利用现代科技手段，如大数据分析和人工智能，来提高对极端气候事件的预测和响应能力。

第二，促进农业保险和灾害救助体系的完善。重视农业保险体系的建设，扩大农业保险的覆盖范围，提高保险的保障水平，减少极端气候对农业生产的影响。此外，加强灾害救助体系，为受灾农户提供及时有效的经济援助，有助于稳定农业生产，保障农民的收入和存款意愿，从而降低银行的信用风险。

第三，差异化地区性银行监管政策。监管机构应根据不同地区的气候特点和银行的业务特性，实施差异化的监管政策。对于农村商业银行，应加强其风险管理能力，提高其对极端气候事件的适应性和恢复力。对于东部等极端气候高风险地区，应增加监管资源的投入，密切监控银行的信用风险状况，确保区域金融稳定。同时，政策制定者还应鼓励银行业务多元化，减少对单一气候敏感业务的依赖，增强银行整体的风险抵御能力。