极端气候对区域金融风险的影响.pdf

JRYJJ极端气候对区域金融风险的影响摘要 通过采用中国省份面板数据构建空间计量模型，分析了极端气候灾害对区域金融风险的影响机制。结果表明：第一，极端气候能够提升区域金融风险水平，且这种影响具有空间溢出效应；第二，极端气候对不同区域金融风险的影响具有异质性，中西部地区金融市场受极端气候事件的冲击更大；第三，极端气候主要通过居民部门、企业部门两种渠道提升区域金融风险水平，其中中西部地区居民部门中介效应最明显。关键词 极端气候；气候风险；金融风险中图分类号 F832文献标识码A文章编号1006-169X（2024）01-0030-10DOI：10.19622/36-1005/f.2024.01.003基金项目 国家自然科学基金项目“高杠杆下的中国财政乘数和财政空间研究”（72063030）；新疆自然科学基金青年项目“基于金融市场联动视角的中国与 一带一路 沿线国家金融风险传染效应研究”（2021D01B29）；新疆社会科学基金项目“新疆绿色金融助推产业结构升级的路径及政策研究”（21BJY045）。作者简介 张帅（1989），河南周口人，新疆财经大学金融学院，副教授，研究方向为金融风险管理；阿布都瓦力 艾百（1980），新疆博乐人，新疆财经大学金融学院，教授，研究方向为农村金融。张帅，阿布都瓦力 艾百一、引言中国气候变化蓝皮书（2023）指出，中国面临的极端高温、极端强降水、台风等事件呈显著增加态势，2022年多项气候监测指标达历史新高，如2022年中国共发生极端高温事件3501站日，频次为1961年以来最多；2022年中国地表平均气温较常年高出0.92，为20世纪初以来三个最暖年份之一；2022年中国沿海海平面较19932011年平均值高94毫米，为1980年以来历史最高。日益频发的气候灾害不仅对经济社会稳定发展造成巨大影响，同时可通过某些途径传导至金融市场，引致金融风险产生。在以往研究中，学者们更多基于经济金融系统内部视角论证金融风险产生原因，如经济政策不确定性、经济周期、过度负债、投资者情绪、金融自由化及金融创新等。同时，过去金融机构通常将气候变化视为外生因素，由于自身难以把控导致对其关注度不高，且未建立气候相关金融风险分析管理机制。气候变化引致的金融风险在过去较长时间里游离于金融风险研究和管理框架之外（高睿等，2022）。随着气候变化对经济金融系统的负面冲击逐渐扩大，各国监管当局开始意识到气候变化是 引 发 经 济 金 融 系 统 不 稳 定 的 重 大 因 素（Lamperti et al.，2019）。Bolten et al.（2020）认为气候变化可能会引发下一周期金融危机，并强调各国金融监管当局在应对气候变化的关键作用。极端气候变化引致金融风险主要通过抵押品价值变化、银行资产负债表等途径实现。首先，气候灾害会导致居民持有的房屋、车FINANCE AND ECONOMY金融与经济2024.0130JRYJJ辆等实物资产受损且价值下降，企业经营中断且成本提升，居民、企业还款能力下降及抵押资产贬值引发贷款违约风险（米晓文和邱晔华，2021），从而导致银行资产负债表恶化及资产价值损失（Krogstrup&Oman，2019）。其次，极端气候灾害不仅会带来直接经济损失，同时会影响全球供应链稳定及长期潜在产出下降（Zhang et al.，2018），经济增速下降会进一步影响资产价格及利率水平，从而影响金融机构稳定性。当企业位于极端气候频发区域时，为应对气候灾害所投入各项成本必然增加，单位投入产出比将会下降（Pankratz et al.，2019），企业经营状况恶化还会引发公司股价波动。再次，极端气候灾害损失风险传导与受灾区域保险覆盖程度密切相关。一方面，受灾主体投保不足或未进行投保，将直接导致气候灾害引致的直接经济损失增加，引发家庭企业资产负债表恶化，违约概率提升冲击银行市场稳定（Kristle&Philip，2015）。另一方面，在受灾主体投保充分的情况下，极端气候灾害损失将引发保险公司资产负债失衡，若损失赔偿足够大且集中极有可能引发保险公司陷入财务危机或破产，保险公司经营风险又可通过金融市场传导至其他金融机构，引发区域性金融风险（张晓艳，2019）。已有研究为明晰极端气候事件与金融风险之间联系提供了经验证据，但仍有值得研究拓展的空间。第一，现有研究更多从微观视角讨论极端气候对不同金融子市场的冲击，国内研究则主要集中在银行市场，从整体视角探讨气候变化对金融市场风险影响的研究较少。第二，现有关于极端气候引发中国区域金融风险传导机制的研究相对不足，高睿等（2022）提出四种传导机制针并对国际市场进行了检验，笔者将借鉴其研究探讨相关理论机制构建及验证。第三，现有针对极端气候引发区域金融风险空间溢出效应的研究相对匮乏，极端气候事件在空间上呈现相互关联的复杂性，任何局部区域极端气候风险的暴发都可能引发整个地区波动，其负面冲击可能扩展至其他区域甚至全球。二、理论分析与研究假设（一）极端气候对区域金融风险的影响极端气候事件增加经济社会不确定性，同时通过以下几个层面加剧金融市场波动。首先，极端气候灾害造成的财产价值损失将直接导致居民企业收入规模减小及实物资产价值下降，以该类资产作为抵押将导致银行整体信贷资产质量下降。如果受灾群体事前并未投保或投保力度不足，则灾害损失将直接由家庭或企业承担，导致相关主体资产负债表恶化，致使债务偿还能力下降及贷款违约概率提升（Kristle&Philip，2015），最终导致金融市场整体信用风险水平上升，严重时可致使银行破产（潘敏等，2022）。其次，极端气候灾害会加剧实物及金融资产价格波动，处于极端气候频发区域的企业经营环境将不断恶化，应对灾害的预防及事后成本均将提升，同时正常生产运营也将被极端气候灾害事件打破，导致企业生产效率下降（Kumar et al.，2019），引发企业股票价格波动。不同类型极端气候灾害也可能引发房地产价格波动，如海边地区房屋更容易受到海啸、台风等极端气候影响，该区域房价波动会更高（Giglioet al.，2020）。自然灾害的不确定性会提升风险溢价，引发金融市场利率风险上升；同时极端气候事件可能导致国际资本突然外逃，从而加剧外汇市场波动。再次，严重气候灾害可导致金融机构基础设施受损及服务中断，维修成本提升，经营风险增大；为预防气候灾害流动性资金需 求 将 会 急 剧 增 加，期 限 错 配 风 险 提 升（Garmaise&Moskowitz，2009）。最后，极端气候事件将增加保险公司赔付概率，若保险赔付规模足够大且集中，保险公司极易陷入破产困境（Scott，2017），保险公司经营风险又可通过金融市场传导至其他金融机构，引发区域性金融风险，进而导致整个金融市场震荡。整体来看，极端气候会通过不同途径对金融市场产生系统性冲击。假设1：极端气候对区域金融风险具有正向影响。（二）极端气候对区域金融风险影响的机制极端气候对区域金融风险的影响31JRYJJ分析极端气候对宏观经济产生明显的系统性冲击，主要表现为家庭收入下降、企业产出减少、政府财政收支失衡，通过在各部门内部形成局部风险，最终汇聚演化成金融市场风险。首先，从家庭部门看，极端气候灾害可直接引发家庭部门资产损失及财富缩水，消费及偿债能力下降；同时可威胁到居民生命健康，导致劳动能力下降（高睿等，2022）；灾后将增加居民各项支出，致使子女受教育及健康保障资金减少（MacCini&Yang，2009），引发劳动力素质下降及失业水平提升。极端气候将导致居民工作时间缩减及不确定性因素增加，若劳动者选择放弃本地工作，将促使摩擦性失业率提升（Gray&Muller，2012），从而降低家庭部门收入规模。居民财富水平及消费能力下降会严重影响经济社会稳定，提高区域金融风险爆发概率（Zhang etal.，2018）。其次，从企业部门看，极端天气变化可直接导致企业生产环境恶化，如厂房、设备损坏等，引发企业生产效率下降，严重时可致使企业停产（Kumar et al.，2019）；还可引发居民消费能力下降，同时交通等基础设施受损也会导致产品销售渠道受阻，市场需求降低可引发企业产出规模减小。极端气候会增加企业创新研发的不确定性及融资成本提升，技术创新积极性降低，从而抑制产出水平（杨璐等，2020）。企业产出下降会提升其债务违约概率，同时引发资本市场波动，增加区域金融风险发生概率。最后，从政府部门看，极端气候引发企业产出下降将导致政府税收收入减少；而政府对于极端气候受灾群体的救助将会增加政府财政支出，增大政府财政收支失衡压力（高睿等，2022），严重时可引发政府债务风险。综上来看，极端气候可能通过居民部门、企业部门及政府部门引发区域金融风险。假设 2：极端气候可通过降低家庭收入水平、减小企业产出规模、引发政府财政收支失衡渠道引发区域金融风险。（三）极端气候对区域金融风险影响的异质性分析中国幅员辽阔，气候变化呈现复杂多样性，不同区域气候特征差异明显，遭受极端气候事件冲击频率及损失程度呈现异质性。从行业敏感性看，农业是受极端气候变化影响最为敏感的部门，气候灾害对农产品生产、粮食安全及可持续发展等各方面冲击较为严重。Feyen et al.（2020）研究指出，极端气候暴发强度及频率不同、气温及降水变化均将会对区域农产品生产带来严重影响。当农村居民收入受极端气候变化影响下降时，因无力偿还负债将提升银行系统脆弱性，从而提升该区域金融风险爆发概率（Collier，2014）。工业、服务业发展程度较高的区域受极端气候风险影响相对较小，业务分布广，对气候变化敏感性弱，风险更容易分散。从保险保障层面看，经济发展较薄弱区域尤其农村地区保险业务发展相对缓慢（潘敏等，2022），居民投资意识不足、保险产品类型单一等因素导致保险对于极端气候灾害的保障水平偏低，致使转嫁给金融机构的风险显著提升。同时，不同区域金融市场发展程度、结构层次以及监管力度均有差异，加之不同区域主体对于气候灾害的风险感知、防范意识及应对策略均有不同（Cai et al.，2019），从而导致不同区域金融市场波动受气候变化影响存在异质性。假设3：极端气候事件暴发频率高及经济发展水平薄弱的地区，其区域金融风险受到极端气候变化冲击强度更大。（四）极端气候对区域金融风险影响的空间溢出效应随着信息化、数字化的快速发展，区域社会之间相互联系、相互依存特征更加突出，地理位置差异引发的边界效应不断弱化。极端气候风险具有明显的系统性，产生速度快、暴发效率高、放大效应强，它不仅是自然界演化的产物，同时是社会遭遇冲击后脆弱性的体现，经济主体需要有应对、处理及适应极端气候风险的能力。极端气候风险在空间上呈现相互关联的复杂性，任何局部区域极端气候风险的暴发都可能引发整个地区波动，其负面冲击可能扩展至其他区域甚至全球（周敏和郅慧，2023）。如一金融与经济 2024.0132JRYJJ个区域极端气候灾害可通过破坏上下游产业链方式引致其他区域产业安全、经济风险产生，这种结构性变化并非离散事件，而是通过多种因素长期累积触发。极端气候风险具有非线性、流动性特征，故不能简单认为其是风险普通叠加，应当考虑气候变化在流动过程中的风险溢出效应。中国不同地区之间经济发展、人口密度等方面存在明显差异，同时区域之间气候特征不同又相关，气候变化的空间效应与时间效应并存（薛瑞等，2014）。极端气候风险的溢出效应也可能在金融市场体现，一方面，极端气候会引发本区域金融风险产生，而区域间金融市场的联动性会使得衍生的金融风险产生传染效应；另一方面，极端气候引发本区域企业产出下降及产业链受挫，可能波及其他区域生产活动正常运行，并冲击该区域金融市场稳定。假设4：极端气候对区域金融风险影响存在空间溢出效应。三、研究设计与数据说明（一）变量选取1.被解释变量通过构建金融风险指数（fr）作为被解释变量，来反映中国不同省份金融风险的整体状态。对于金融风险的界定主要指中国主要金融市场相关领域风险的组成。就目前而言，中国金融市场风险主要集中在银行市场、股票市场、债券市场、保险市场、房地产市场及数字金融领域。通过对现有研究归纳总结并结合相关指标数据的可获得性，选择从政府债务风险、债务违约风险、互联网金融风险、房地产市场风险、银行市场信用风险、银行市场流动性风险、股票市场风险及保险市场风险8个方面构建风险评价指标体系，如表1所示。通过对各指标进行权重测算及指标数据标准化处理，加权平均得到各区域金融风险指数（fr）。2.解释变量通过构建极端气候风险指数（cri）作为核心解释变量，来体现中国不同省份极端气候引发损失的严重程度。现有研究针对极端气候的变量选择主要以气温、降水变化为主（潘敏等，2022），但单一气候指标并不能体现所有极端气候事件的负面影响，最有效的方式是构建气候损失风险综合指标。因此，参考 中国气象灾害年鉴 中国统计年鉴 对于极端气候灾害的划分标准，并参考朱沙等（2022）的研究，选择从旱灾、洪涝台风、低温、受灾人数及灾害经济损失5个方面构建风险评价指标体系，如表1所示。各省域极端气候风险指数（cri）的构建与区域金融风险指数（fr）的构建过程相同。3.中介变量理论部分提出了极端气候可能引发区域金融风险的三种机制，拟选择人均GDP（RGDP）作为家庭部门收入水平的代理指标，选择工业总产值（IND）作为企业部门产出规模的代理指标，选择政府财政支出增长率（FISCAL）作为政府财政压力的代理指标。4.控制变量在总结归纳现有研究基础上，选择各省域GDP增长率（ZGDP）、通货膨胀率（INF）、房价平均增长率（GHP）、外商直接投资占 GDP 比重（OPEN）作为控制变量，用来反映区域经济发展、通货膨胀、房地产市场稳定程度及金融市场开放程度的差异性。选取 20112021 年中国 31 个省份为研究样本，其中金融风险指数相关数据主要通过中国金融年鉴、Wind数据库整理得到；气候风险指数相关数据主要通过中国统计年鉴、各省份统计年鉴及中国气象灾害年鉴整理得到；中介变量及控制变量相关数据主要通过各省份统计年鉴及Wind数据库整理得到。对于部分省份个别指标数据在某些年份存在缺失的现象，通过线性插值法进行处理。（二）模型构建1.空间面板模型结合不同权重测算方法的特点，分别采用熵权法、相关系数法、CRITIC法、变异系数法测算各指标权重，最后取算术平均值作为各指标权重（张帅，2023）。极端气候对区域金融风险的影响33JRYJJ尝试构建空间面板模型探索各省份极端气候影响区域金融风险的空间溢出效应。空间面板模型通常包括空间滞后模型（SLM）、空间误差模型（SEM）、空间杜宾模型（SDM）,其基本原理如式（1）（3）所示：frit=0+Wfrit+1Zit+it（1）frit=0+1Zit+Wit+it（2）frit=0+Wfrit+1Zit+WZit+it（3）其中，W代表空间权重矩阵，Zit代表解释变量及控制变量，为因变量空间滞后项回归系数，为空间误差的回归系数，为自变量空间滞后项回归系数。2.机制检验模型在空间面板模型构建基础上，拟采用多重中介效应模型对理论假设中的四种传导机制进行中介效应检验。基本原理如下：frit=0+1Wfrit+1criit+2Zit+it（4）channelit=0+2Wfrit+3criit+4Zit+it（5）frit=0+3Wfrit+5criit+6channelit+7Zit+it（6）其中，channel为中介变量，1代表极端气候引发区域金融风险的总效应系数，5代表直接效应系数，3、6代表中介效应系数。四、实证过程与结果分析（一）空间效应检验采用莫兰指数来检验不同省份金融风险指数的空间相关性，结果可知，20202021年莫兰指数均显著为正，表明中国31个省份的金融风险指数在空间分布上并非随机，而是呈现显著的空间正向自相关性。（二）基准回归在莫兰指数分析的基础上，进一步对选择何种空间计量模型进行判断验证。首先，Hausman 检验结果通过了 1%的显著性水平检验，因此选择固定效应模型，进一步检验发现，时间固定效应的联合显著性检验LR值在1%的水平上拒绝原假设，而空间固定效应的联合显著性检验结果不显著，因此选择时间固定效应模 型。其 次，表 2 结 果 显 示，LMLAG 及R_LMLAG的检验结果在1%的水平上均通过了采用经济地理权重矩阵。以空间滞后模型（SLM）为例，式（4）将式（3）中的控制变量与解释变量拆开进行显示。数字普惠金融指数指标综合涵盖了各省份信贷业务、信用业务、投资业务等的金融数字化发展程度，能够从宏观上反映地方互联网金融的发展风险。地方金融数字化程度越高，风险就越容易积累（王劲松等，2023）。金融风险评价指标体系一级指标政府债务风险债券违约风险互联网金融风险房地产市场风险银行市场信用风险银行市场流动性风险股票市场风险保险市场风险二级指标政府债务规模/GDP违约债券余额/债券余额数字普惠金融指数房地产贷款余额/贷款余额总额不良贷款率贷款余额/存款余额交易周转率保险密度指标性质正正正正正正正正极端气候风险评价指标体系一级指标旱灾风险洪涝、地质灾害、台风风险低温冰冻、雪灾风险受灾人口规模灾害导致经济损失二级指标旱灾受灾面积占比洪涝、地质灾害、台风受灾面积占比低温冰冻和雪灾受灾面积占比受灾人口占比直接经济损失指标性质正正正正正表1区域金融风险及极端气候风险评价指标体系金融与经济 2024.0134JRYJJ检验，故拒绝原假设；而LMERR及R_LMERR的检验结果均不显著，因此可选择空间滞后模型（LAG）进行估计。最后，利用LR检验和Wald检验判断空间杜宾模型（SDM）是否可退化为空间误差模型（ERR）及空间滞后模型（LAG），检验结果显示，LR检验及Wald检验均通过了显著性检验，故拒绝原假设。因此，选择时间固定的空间杜宾模型（SDM）作为极端气候影响区域金融风险的估计模型。表2显示了空间杜宾模型（SDM）的估计结果。可以看出，极端气候事件对于区域金融风险有显著的正向影响，估计系数为0.0713，极端气候灾害增加了经济社会的不稳定性，并通过一定渠道引发金融市场资产价格波动，信用风险、流动性风险提升，假设1成立。从效应分解结果看，极端气候对区域金融风险在直接效应、间接效应以及总效应上均呈现显著的促进作用，表明极端气候灾害不仅对本区域金融市场稳定带来冲击，而且会引发周边区域金融市场波动。但从作用强度看，极端气候对于本区域金融风险的影响程度更大。极端气候灾害的直接后果是引发本区域居民企业财产价值的缩减及经济社会运行的波动，而区域经济的关联性可能导致这种负面冲击外溢至周边地区。同时极端气候灾害所带来的恐慌情绪可跨市场形成传播，引发投资者情绪波动，从而实现本区域及周边区域金融风险的协同联动。就控制变量而言，经济增速（ZGDP）与区域金融风险呈现显著的负相关关系，即经济发展水平能够有效抑制金融风险的提升。通货膨胀率（INF）及房价波动率（GHP）与区域金融风险呈现显著的正相关关系，而金融开放度（OPEN）的估计结果则不显著。从空间溢出（）变量的估计结果看，回归系数为0.008，在5%的水平上通过检验，表明极端气候对区域金融风险的影响存在空间溢出效应，假设4成立。极端气候灾害通过多种方式冲击本地金融市场，银行市场是重要渠道，银行信贷作为企业、居民融资的主要来源，尤其在中国金融市场体现更加明显。极端气候引发企业产出及家庭收入减少，违约风险提升，致使金融机构信贷资产质量下降，从而引发本区域信用风险产生，金融机构的跨市场交易及市场情绪变化会将该风险传导外溢至其他地区，引发金融市场共振。（三）机制检验根据前文提出的三种理论机制，验证结果如表3所示。首先，就居民部门看，解释变量中变量criZGDPINFGHPOPEN样本量省份R2值回归系数0.0713*（0.0338）-0.1005*（0.0520）0.0303*（0.0174）0.3205*（0.1641）0.1851（0.2068）0.0080*（0.0038）341310.7054空间滞后项回归系数0.1043*（0.0613）-0.0680*（0.0306）0.1306（0.6053）0.2042*（0.0858）-0.0744（0.3004）直接效应0.6001*（0.3050）-0.9351*（0.4005）0.6038*（0.3101）0.5004*（0.2859）1.0408（1.2706）34131间接效应0.0046*（0.0027）-0.3065*（0.1574）0.0407（0.4880）0.0884（0.7638）0.2174（0.8005）34131总效应0.6047*（0.1455）-1.2416*（0.7051）0.6445（0.7802）0.5888（0.6019）1.2582（1.4765）34131表2极端气候影响区域金融风险的空间面板估计结果注：*、*和*分别代表在10%、5%和1%的水平上显著，括号内为回归系数的标准误。极端气候对区域金融风险的影响35JRYJJ极端气候风险指数及居民收入系数均显著，其中极端气候对于家庭居民收入的影响显著为负（-0.0211），居民部门影响区域金融风险的中介效应系数为0.0344，占比48.25%，而极端气候的直接效应系数为0.0369。表明极端气候灾害事件通过减少居民收入水平提升区域金融风险，居民部门收入机制在极端气候影响区域金融风险的过程中发挥了部分中介效应。其次，就企业部门看，解释变量中极端气候风险指数及企业产出系数均显著，其中极端气候对于企业产出规模的影响显著为负（-0.1509），企业部门影响区域金融风险的中介效应系数为0.0525，占比73.61%，显著高于居民部门中介效应占比，极端气候的直接效应系数为0.0188。表明极端气候灾害事件通过降低企业产出水平提升区域金融风险，企业部门产出机制在极端气候影响区域金融风险的过程中发挥了部分中介效应。最后，就政府部门看，极端气候风险指数影响政府财政支出的回归系数为0.1063，财政支出影响区域金融风险的回归系数为0.3761，但两者均不显著，表明财政部门失衡机制不是极端气候影响区域金融风险的中间路径。一方面，极端气候灾害具有明显区域性特征，虽然能够对当地居民、企业造成巨大冲击，但对省域内其他地方企业经营的影响较弱，灾害导致的产出下降占省域产出规模的比例相对较小，政府税收收入变化并不明显，从每年各省财政收入变动情况可以证实该结论。另一方面，中国保险覆盖面相对完善，极端气候灾害产生以后，保险公司充当了赔付救助的重要角色，政府救助支出规模占政府财政收入的比重相对较少。因此，极端气候引发政府财政失衡的作用机制并不显著。（四）分区域检验分区域进一步考察东部及中西部极端气候灾害对区域金融风险的影响及路径，从而检验是否与前文研究结论相一致。从表4、5的估计结果可以看出，东部和中西部区域的估计结果表3机制检验估计结果注：*、*和*分别代表在10%、5%和1%的水平上显著，括号内为回归系数的标准误。变量criRGDPINDNPLFISCAL样本量省份R2值Sobel检验P值中介效应判断中介效应占比总效应模型（4）fr0.0713*（0.0338）0.0080*（0.0038）341310.7054居民部门收入机制模型（5）RGDP-0.0211*（0.0101）0.0965（0.0881）341310.74070.000部分中介效应48.25%模型（6）fr0.0369*（0.0089）-1.6304*（0.9209）0.0522*（0.0275）341310.8001企业部门产出机制模型（5）IND-0.1590*（0.0706）0.0817（0.5607）341310.70130.000部分中介效应73.61%模型（6）fr0.0188*（0.0065）-0.3301*（0.1594）0.0235（0.5033）341310.7440政府部门失衡机制模型（5）FISCAL0.1063（0.3605）0.2056（0.1968）341310.69940.203不存在中介效应模型（6）fr0.0333*（0.0152）0.3761（0.4618）0.0806*（0.0445）341310.7952金融与经济 2024.0136JRYJJ表4东部区域估计结果注：*、*和*分别代表在10%、5%和1%的水平上显著，括号内为回归系数的标准误。变量criRGDPINDNPLFISCAL样本量省份R2值Sobel检验P值中介效应判断中介效应占比总效应模型（4）fr0.0331*（0.0169）0.0047*（0.0026）121110.8220居民部门收入机制模型（5）RGDP-0.0453*（0.0203）0.0305（0.6970）121110.70090.001部分中介效应41.08%模型（6）fr0.0195*（0.0043）-0.3002*（0.1554）0.0103*（0.0059）121110.6069企业部门产出机制模型（5）IND-0.1005*（0.0417）0.0094（0.0541）121110.68090.000部分中介效应39.5%模型（6）fr0.0201*（0.0057）-0.1301*（0.0625）0.0077*（0.0039）121110.7650政府部门失衡机制模型（5）FISCAL0.1036（0.1498）0.0200（0.4946）121110.68740.225不存在中介效应模型（6）fr0.0114*（0.0053）0.2101（0.7998）0.0257*（0.0141）121110.7296表5 中西部区域估计结果注：*、*和*分别代表在10%、5%和1%的水平上显著，括号内为回归系数的标准误。变量criRGDPINDNPLFISCAL样本量省份R2值Sobel检验P值中介效应判断中介效应占比总效应模型（4）fr0.1368*（0.0645）0.0255*（0.0124）220200.6416居民部门收入机制模型（5）RGDP-0.2375*（0.0948）0.0027*（0.0011）220200.80730.000部分中介效应70.68%模型（6）fr0.0402*（0.0107）-0.4071*（0.2285）0.0416*（0.0218）220200.7484企业部门产出机制模型（5）IND-0.2289*（0.1367）0.0504（0.6838）220200.75920.003部分中介效应33.55%模型（6）fr0.0909*（0.0503）-0.2005*（0.1013）0.0804*（0.0413）220200.6714政府部门失衡机制模型（5）FISCAL0.1863（0.1015）0.1084（0.1837）220200.68730.181不存在中介效应模型（6）fr0.0791*（0.0424）0.3099（0.5209）0.0005*（0.0026）220200.7884极端气候对区域金融风险的影响37JRYJJ表6稳健性检验：极端高温（TEM）注：*、*和*分别代表在10%、5%和1%的水平上显著，括号内为回归系数的标准误。变量TEMRGDPINDNPLFISCAL样本量省份R2值Sobel检验P值中介效应判断中介效应占比总效应模型（4）fr0.8440*（0.3050）0.9508*（0.5440）341310.5840居民部门收入机制模型（5）RGDP-0.5803*（0.2406）0.1546*（0.0803）341310.62240.000部分中介效应43%模型（6）fr0.4811*（0.2205）-0.6255*（0.3643）0.3011*（0.1394）341310.6002企业部门产出机制模型（5）IND-0.7043*（0.3806）0.6854（0.6043）341310.58590.000部分中介效应36.42%模型（6）fr0.5367*（0.2665）-0.4364*（0.2001）0.7690（0.8030）341310.6106政府部门失衡机制模型（5）FISCAL0.4066（0.5021）0.5363*（0.2268）341310.50700.153不存在中介效应模型（6）fr0.4885*（0.2616）0.8743（0.9800）0.5016（0.6063）341310.5880表7稳健性检验：极端强降水（PRE）注：*、*和*分别代表在10%、5%和1%的水平上显著，括号内为回归系数的标准误。变量PRERGDPINDNPLFISCAL样本量省份R2值Sobel检验P值中介效应判断中介效应占比总效应模型（4）fr0.4087*（0.1380）0.5722*（0.3061）341310.5529居民部门收入机制模型（5）RGDP-0.4172*（0.2012）0.4972*（0.2670）341310.61080.000部分中介效应55.78%模型（6）fr0.1808*（0.078）-0.5464*（0.3065）0.2741（0.3092）341310.5084企业部门产出机制模型（5）IND-0.3085*（0.1408）0.5004*（0.2649）341310.63300.000部分中介效应50.35%模型（6）fr0.1430*（0.0812）-0.6670*（0.3842）0.5236（0.4309）341310.6219政府部门失衡机制模型（5）FISCAL0.3188（0.6105）0.3161（0.3008）341310.58060.240不存在中介效应模型（6）fr0.2614*（0.1303）0.4621（0.6913）0.1043*（0.0575）341310.6716金融与经济 2024.0138JRYJJ属性及中介效应特征基本与全国层面保持一致，表明虽然存在区域差异，但极端气候对于各区域金融风险水平的提升则并无二致，且均存在居民、企业两种传导渠道。具体来看，东部地区极端气候风险指数影响区域金融风险的回归系数为0.0331，在10%的水平上通过了检验，影响程度相对低于全国整体水平。机制检验结果显示，居民部门的间接影响系数为0.0136，占比达到 41.08%，而企业部门的间接影响系数为0.0130，占比39.5%，政府部门失衡机制则不显著。从空间溢出（）变量的估计结果看，回归系数为0.0047，在10%的水平上通过检验，表明东部地区极端气候对区域金融风险的影响同样存在空间溢出效应，但溢出效应值低于全国平均水平。中西部地区极端气候风险指数影响区域金融风险的回归系数为0.1368，在5%的水平上通过了检验，高于全国整体及东部平均水平，表明极端气候灾害对于中西部地区金融风险的影响程度更大，假设3成立。机制检验结果显示，居民部门收入机制在中西部地区极端气候影响区域金融风险的传导过程比较显著，间接影响系数为0.0966，占比达到70.68%，而企业部门的间接影响系数则为0.0459，占比仅为33.55%，反映了中西部地区居民收入下降引发经济社会波动是区域金融风险产生的重要因素。整体来看，东部地区经济基础及金融市场发展程度优于中西部地区，同时在金融风险防范意识及应对能力上更占优，因此受极端气候事件冲击的影响较小。从空间溢出（）变量的估计结果看，回归系数为0.0255，在5%的水平上通过检验，表明中西部地区极端气候对区域金融风险的影响同样存在空间溢出效应，但溢出效应值低于东部地区及全国平均水平。（五）稳健性检验为降低中介效应估计结果可能存在数据依赖性问题，通过将核心解释变量极端气候风险指数（cri）替换成极端高温天数（TEM）及极端强降水天数（PRE），其计算过程主要参考潘敏等（2022）关于极端气候的构建。重新对三种中介效应进行检验，结果如表6、7所示。可以看出，通过替换核心解释变量后，气候变化对区域金融风险的影响依然显著为正，且居民部门、企业部门的中介效应检验结果同样显著，所有变量前的回归系数符号均与前文保持一致，从而证明结果是稳健的。五、研究结论与对策建议主要有以下结论：第一，极端气候能够促进区域金融风险水平的提升，且这种影响具有空间溢出效应，即引发周边区域金融市场波动。第二，极端气候对不同区域金融风险的影响具有异质性，中西部地区金融市场受极端气候事件的影响更大，而东部地区所受冲击相对较小。第三，极端气候主要通过冲击居民部门、企业部门两种渠道提升区域金融风险水平，其中中西部地区居民部门中介效应最明显。在上述研究结论的基础上，提出以下对策建议：第一，完善极端气候风险的评估流程，构建统一标准的相关监测指标体系，制定完善有效的极端气候风险识别、评估及测度指引。第二，提升居民企业部门应对极端气候灾害的风险意识及防范能力，提升保险对于居民企业面临风险损失的保障赔付能力。第三，督促金融机构将极端气候风险纳入日常风险管理系统，加强对碳密集行业开展风险评估测度，定期开展风险暴露头寸、违约损失率等相关风险指标分析，并设定相应风险阈值，将风险敞口限制在风险容限以内。参考文献1高睿，王营，曹廷求.气候变化与宏观金融风险：来自全球58个代表性国家的证据J.南开经济研究，2022（3）：3-20.2郭晶，雍志婷.气候政策不确定性与企业绿色创新：基于新闻媒体文本分析方法的测度J.金融与经济，2023（9）：75-86.3马正宇，秦放鸣.气候变化对金融稳定的影响：一个文献综述J.金融与经济，2023（1）：15-25.4米晓文，邱晔华.应对气候变化引发金融风险的宏观审慎管理J.经济研究参考，2021（17）：114-127极端气候对区域金融风险的影响39JRYJJ5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）：39-57.6王劲松，钟昌标，武文慧，等.中国金融稳定的地区异质性测度及其治理J.浙江社会科学，2023（2）：13-24.7薛瑞，孔凡超，张炜.气候变化特征的空间统计分析J.中国人口科学，2014（5）：117-128.8杨璐，史京晔，陈晓光.温度变化对中国工业生产的影响及其机制分析J.经济学（季刊），2020（5）：299-320.9张帅.突发事件冲击下的“一带一路”沿线国家金融风险净传染J.金融与经济，2023（3）：40-53.10张晓艳.环境风险对金融稳定的影响方式研究J.金融纵横，2019（10）：10-1911周敏，郅慧.演化、互构与协同：气候传播的系统认知与现实向度J.全球传媒学刊，2023（2）：87-100.12朱沙，卢晓芸，杨瑾，等.气候变化对经济金融系统性冲击的物理风险研究J.当代金融研究，2022（1）：63-76.13Bolton P.，Despres M.，Samama F.，et al.The green swanM.BIS Books，2020.14Cai Y.，Lontzek T.S.The social cost ofcarbon with economic and climate risksJ.Journalof Political Economy，2019，127（6）：2684-2734.15Collier B.L.Natural disasters and creditsupply shocksR.Working Paper，2014（2）.16Feyen E.H.，Utz I.E.，Zuccardi H.，et al.Macro-financial aspects of climate changeR.World Bank Policy Research Working Paper，2020（9109）.17Gai P.Contagion in Financial NetworksJ.Proceedings of the Royal Society A：Mathematical，Physical&Engineering Sciences，2010，20（4）：2401-242318Garmaise M.，Moskowitz T.Catastrophicrisk and