丁 攀，李 凌，李业嘉，潘秋蓉，吴 玲
（1.中国（海南）改革发展研究院，海南 海口 570100；
2.中国人民银行海口中心支行，海南 海口 570105；
3.中国人民银行三亚市中心支行，海南 三亚 572000）
气候风险已成为本世纪人类面临的最主要挑战。全球各国政府纷纷承诺以不同方式应对气候变化，其中最具里程碑意义的是2015年由195个缔约方在第21届联合国气候变化大会上一致同意通过的《巴黎协定》，该协定旨在将本世纪的全球升温幅度限制在比工业化前水平高出2℃以下，并努力将升温幅度控制在1.5℃以内。然而，遏制排放或促进向低碳、净零经济转型的政策可能会给碳密集型行业带来重大风险，特别是严重依赖不可再生能源或高污染资源的行业（如化石能源开采等）以及通过供应链与之紧密相连的行业（如火电、造纸、化工等），可能面临着利润大幅下降和生产成本上升，进而导致其资产重新估值并重新评估预期收益。这类资产的重新定价可能会损害金融机构交易对手的信誉，导致其偿付能力下降进而破坏金融服务的稳定性和金融市场的正常运行，并对实体经济造成结构性冲击。在经济政策向低碳转型过程中，由于气候政策变化、技术革新、市场情绪变化、环境规制变更等导致的资产搁浅而引发的金融风险被定义为气候转型风险。
为了更好地评估气候转型风险造成的潜在损失，防范可能导致的系统性金融风险，国际组织、货币和监管当局开始呼吁金融机构要建立气候风险管理框架，将气候风险因素纳入投融资业务。全球气候相关财务披露工作小组TCFD（The Task Force on Climate-Related Financial Disclosures）（2017）针对金融业及易受到气候变化和低碳经济转型影响的高碳产业分别制定了信息披露指引，一方面有助于推动市场对气候相关风险与机遇评估、改善气候风险定价，以便进行更完善的资本配置决策，另一方面有助于投资人或利益相关者更有效地评估风险调整后的潜在收入、偿债能力、气候相关的暴露程度。央行与监管机构绿色金融网络（Network for Greening the Financial System，以下简称NGFS）（2019）认为，气候变化是影响金融体系结构性变化的一个重要来源，建议将气候相关风险纳入金融稳定监测和微观监管，并促进央行和监管机构就基于各种转型情景的金融风险评估开展联合工作。为了促进各国央行与监管机构更好地开展气候风险压力测试，NGFS于2020年6月发布了《面向央行和监管机构的气候情景分析指南》，通过模型提出了有序转型、无序转型、温室世界三种转型路径下8个宏观情景，其中每个情景都包含了GDP、CO2排放量、碳价等宏观变量的定量预测。2021年6月，NGFS对原始情景进行更新，并将宏观经济变量的定量预测细化至国家层面。在此背景下，全球已有31个NGFS成员单位的中央银行或政策机构开始致力于开发宏观情景压力测试方法，旨在评估气候风险对金融系统和整体经济的影响。
国内层面，中国人民银行组织全国23家主要银行完成了对火电、钢铁、水泥等三大高碳行业的气候风险敏感性压力测试，但宏观情景的压力测试方法仍在不断探索与完善。鉴于此，本文通过梳理并借鉴世界主要国家央行或政策机构开展的气候风险宏观情景压力测试方法，结合我国碳密集型产业分布实际以及基于未来气候政策的一系列假设，探索研究气候转型风险对碳密集型产业的传导渠道，最终测算金融市场的违约概率。本文试图建立一个前瞻性的分析框架，以评估气候转型风险对我国高碳企业的财务影响，即通过该框架将NGFS气候情景的输入应用于国内发债的非金融高碳企业，以此评估气候转型风险在未来40年时间范围内可能对高碳企业信用风险产生的影响。
本文可能的主要边际贡献在于：一是梳理世界主要国家央行或政策机构对气候风险宏观情景压力测试的具体做法，总结各国方法的特点与优势，为丰富气候转型风险量化评估拓宽研究思路。二是选择了八大高碳行业之一的火电行业作为研究对象，基于NGFS情景中未来气候政策的不同假设构建了对应的企业财报驱动模型，为宏观经济指标如何映射至行业层面提供了新的研究方法。三是通过企业债券信用利差计算市场隐含的火电企业违约概率，构建了基于气候转型风险宏观情景压力下的债券市场违约概率模型，有效弥补了气候转型风险对债券市场影响的研究空白。
对气候变化缓解政策实施带来的转型风险量化评估，越来越受到学术界与政策制定者的重视，部分国家金融管理部门开始利用压力测试工具评估气候风险给金融体系带来的影响。在过去，传统压力测试主要集中在短期内宏观经济波动对金融机构投资组合或资产负债表的影响，预测期限往往在未来5年内的情景冲击（Vermeulen等，2018）。虽然这种短期内压力测试有助于评估金融机构对近期可能出现气候风险的抵御能力，却无法衡量金融体系可持续应对气候变化相关风险的能力，因此有必要进行更长期的情景分析。得益于NGFS对气候转型情景的更新与不断完善，基于预测时间跨度至2050年的宏观情景分析法被不少国家央行采用（BDF，2020；
ECB，2021；
BoE，2019；
BoC，2022），即通过不同气候变化政策应对的路径假设对宏观经济造成的影响，分析金融体系由此可能造成的损失。
（一）气候风险对宏观经济的传导：路径、方法与应用
气候风险对宏观经济的传导路径主要通过不同控温目标情景下设置相对应的碳定价机制，进而对宏观经济产生不同的影响。以2℃的控温目标为例，首先，碳价上升导致化石能源需求下降，进而导致产出下降，碳排放量也随之减少，倒逼能源需求国出台一系列政策以调整能源结构以及发展减碳除碳和碳封存技术。与此同时，对能源出口国而言，化石能源需求下降必然导致价格下跌，意味着产出下降。其次，碳价上升带来碳配额拍卖收入的增长，通过税制调节的方式鼓励企业参与可再生能源的投资。然后，碳价上升给企业带来生产成本压力，一方面通过提高产品价格转嫁给消费者，导致物价上涨进而抑制消费需求，另一方面挤压生产企业的利润，导致投资与产出的下降。
综合评估模型（Integrated Assessment Models，以下简称IAMs模型）框架最早由2018年诺贝尔经济学奖获得者诺德豪斯提出（Nordhaus，1982），该模型创造性地将经济学中的边际分析法引入气候变化研究（Nordhaus，1991），并由最初单一的全球整体为研究对象的气候和经济动态综合模型（Dynamic Integrated Model of Climate and the Economy，DICE）演变为包含美国、中国等碳排放大国在内的多区域气候和经济综合模型（Regional Integrated model for Climate and the Economy，RICE）。经过多年的不断扩展与完善，IAMs模型的发展呈现出多元化特征，并逐渐成为多数国家金融管理部门研究气候风险的主流工具。IAMs模型主要包含两大模块，即用于分析温室气体排放量对大气温度影响的气候模块和用于分析大气温度上升对宏观经济波动及政策制定影响的经济模块。其优势在于通过构建损失函数如气温上升造成GDP的损失和成本函数如控制温室气体排放量的成本，将两大模块有机结合并实现交互作用。法国央行在宏观情景压力测试中采用IAMs模型预测了不同转型情景下欧盟、美国以及世界其他地区GDP产出、碳价格以及温室气体排放量。结果显示，在延迟转型情景下碳价格的上升是导致法国GDP下降的主要因素，尽管在2045年以前碳税收入的再分配吸收了部分GDP损失，但是随着时间的推移这种再分配效应将消耗殆尽（BDF，2020）。加拿大央行运用IAMs模型分析气候风险的结果表明，如果不采取进一步行动减少碳排放，到2100年全球温度将上升4.1℃，预计造成损失高达30万亿美元（BoC和OSFI，2022）。
尽管IAMs模型可以评估气候风险对宏观经济的传导效应，且对应气候转型情景具有较长的时间跨度，可预测至2100年，但是缺乏对短期经济波动的关注，特别是情景中5～10年时间的步长预测需要进行插值计算短期的估计值（UNEP FI，2021），可能无法准确评估金融资产面临的损失（BIS，2021）。除此之外，IAMs模型还面临着商品的现货价格、利率、股票指数等其他一些重要宏观经济变量缺失以及GDP估计值外生或半外生假设等缺陷（UNEP FI和NIESR，2022）。因此，气候相关情景的长期性给评估带来了极大的不确定性，从而催生了新的建模需求（ECB，2021）。在此背景下，英国、法国、加拿大和荷兰等诸多国家央行开始采用NiGEM模型，引入生产率冲击、贸易价格、汇率等多个宏观因素对GDP产出估计进行校准，以此作为IAMs模型估计的补充。有别于IAMs模型，NiGEM模型由英国国家经济社会研究所（NIESR）开发，属于多国动态均衡模型，涵盖了几乎所有的经合组织国家，每个国家均独立建模，模型中包含了各国国内需求、进出口、价格、汇率、利率等宏观变量以及居民家庭、企业、政府和货币当局四部门，且在情景中给出了时间跨度为2021—2050年每年的预测值。随着2021年NIESR正式加入绿色金融网络NGFS，NiGEM模型有效补充了IAMs模型在NGFS情景中的缺陷。
（二）气候风险宏观情景映射至行业层级：方法与应用
由于气候风险对经济领域各行业影响不同，细化其对不同非金融行业或部门的影响，有助于进一步精准量化对金融体系的潜在风险。当前各国央行测试的主要做法是，通过构建本国的产业模型，把宏观经济变量的变动分解至各行业层级，计算出金融部门相应敞口变化，将冲击进一步传导至金融体系。荷兰央行在分析转型风险对GDP、价格水平、利率、股票指数等宏观经济金融变量冲击的基础上，构建各行业“转型脆弱性因子”，用该因子与股票指数的乘积代表各行业股价受到的影响，最后通过计算金融部门持有相关行业的资产衡量可能产生的损失。法国央行在IAMs模型与NiGEM模型的宏观估计结果基础上构建了行业生产网络模型，该框架将全球分为包含法国、欧盟其他国家、美国和世界其他国家四大经济区，使用全球投入产出矩阵进行校准，通过法国央行自身的评级模型将宏观情景映射至企业层级，以此预测未来30年企业层级的财务指标进而计算违约概率与损失。加拿大央行在9大主要行业科目基础上细分了23项子行业，通过绘制热图来反映不同子行业的财务科目对气候变化宏观情景的敏感性，以此预测各细分子行业的财务指标变动情况并最终测算违约损失。相对于构建复杂的产业模型来驱动行业层级财务指标，欧央行直接采用企业层级财务指标颗粒数据构建了面板自回归模型，将气候风险的宏观情景直接作为解释变量对企业总资产进行施压，通过预测样本企业的债务杠杆率与利润率，最终预测企业的违约概率。
综上，世界主要发达经济体央行对气候风险宏观情景压力测试方法的研究仍处于探索阶段，并将测试结果的时间跨度延长至2050年以期与碳中和目标相对应①值得一提的是，出于审慎考虑，各国央行官网上发布的研究成果均备注了仅代表员工个人观点，不代表本国央行观点。。国内层面，中国人民银行在2021年第四季度中国货币政策执行报告中提出要探索开展气候风险宏观情景压力测试。目前，国内学术界对气候风险压力测试方法论的研究相对较少，主要基于气候转型风险分析对银行贷款损失的短期影响。如于孝建和詹爱娟（2021）采用莫顿模型和压力测试方法，通过碳税冲击评估商业银行的贷款价值损失，发现国有商业银行与股份制商业银行之间存在异质性。魏雷等（2022）则利用改进的总生产函数、宏观违约率模型测算了各种不利情景冲击对国内银行业的整体影响程度，发现碳价上升、化石能源资本折旧加速会使商业银行不良贷款率从2020年的1.84%最高上升至2023年的6.42%。鉴于此，有必要结合我国实际，对气候风险宏观情景压力测试开展长时间跨度的探索研究，以此评估不同转型路径下实现碳中和目标过程中面临的金融风险冲击。
（一）测试样本选择与数据来源说明
鉴于数据的可得性，本文选择国内八大高碳行业之一的火电企业作为气候风险宏观情景压力测试的样本。选择火电企业作为研究对象，主要基于以下两方面考虑：一是火电企业为八大高碳行业里碳排放大户，其排放因子仅次于水泥，且水泥中大部分碳排放均来自于自备电厂，因此火电企业在高碳行业中具有较高的代表性。二是债券市场上火电企业发债较多，为研究提供了较为丰富的样本。同时，研究企业的债券违约率，能够克服银行端层面针对同一企业不同银行对其评级模型不同导致的违约概率差异较大的问题，确保了同一种方法计算违约率的一致性，即利用企业信用利差计算债券违约率。
气候风险压力测试的难点在于：一是对高碳样本企业历史违约率的估算。尽管目前各大银行机构对贷款客户企业的违约率可通过各自的内部评级模型估算，但是由于不同银行机构评级模型存在差异导致对同一企业的评级可能产生不同的违约概率，特别是在同一样本企业存在多个银行机构贷款的背景下，对违约概率的测算可能会因为信息不对称产生较大的差异。鉴于此，本文尝试从债券市场端入手，通过火电企业三年期信用债计算信用利差，以此测算企业的历史债券违约率。本文通过Wind债券数据库选择了2021年发行的三年期国债以及三年期火电行业信用债的35家样本企业。二是将气候风险应用于高碳企业财务报表未来30年的预测驱动进而测算违约概率。为实现转型目标，相同压力情景下不同高碳行业的转型路径存在着较大差异，特别是不同高碳行业的减排取决于各种压力情景下多方面因素，包括碳价格、不同行业的碳排放强度、化石能源的投入成本以及不同行业之间除碳技术的差异。基于NGFS第二阶段情景中给出的不同转型路径下中国火电行业相关指标预测值，本文尝试构建针对火电企业的财报驱动模型，以此模拟不同转型路径下火电企业在未来30年财务报表的变动情况。本文参照各国央行研究的做法，对样本企业的违约率预测期限为2021—2050年，且以3年为一个跨度周期。
（二）样本企业债券违约率估算与宏观情景预测模型构建
学术界对企业违约概率测算模型主要有以下四类。第一类是穆迪公司和标准普尔公司开发的针对不同信用级别历史违约概率的统计模型。但由于我国企业或银行的信用评级结果与这两家机构的评级存在较大差异，因此无法使用其开发的统计模型。第二类是美国KMV公司根据期权定价理论开发的KMV模型及EDF模型。该模型通过上市企业资产价值、资产收益波动率、负债价值及负债加权到期时间来计算企业违约概率，但从中国的实际情况看，非上市企业才是发行债券的主力军，该模型不适用于中国。第三类是瑞士信贷第一波士顿银行根据泊松分布开发的Credit Risk+模型。但由于我国企业违约记录数据库尚不完善，该模型难以适用于中国。第四类是利用公司关键财务指标进行线性回归计算回归值，再通过Logistic分布即Logistic模型或者正态分布即Probit模型计算公司违约概率。但是，Logistic违约概率模型有两个弊端：一是其违约临界点的确定严重受样本中正常企业与违约企业数量配比比例的影响。若样本配比比例不同，对同一家企业未来是否违约的结果可能截然相反；
二是该模型的参数估计要求事先有一定数量的违约企业和正常企业样本。在我国企业违约记录数据库不健全的背景下，很难使用该模型。
为此，本文借鉴曹勇等（2016）研究企业违约概率的方法，在无套利的条件下，通过企业发行三年期债券的信用利差来计算企业市场隐含违约概率，并在对其进行概率分位点变换后，将其作为Logistic线性回归的被解释变量。该方法避免了传统Logistic违约概率模型受样本配比比例影响的缺陷，解决了在缺乏企业违约记录数据情况下Logistic违约概率模型的参数估计问题。关于Logistic线性回归的解释变量，从企业的流动性、资本结构、营运能力和规模四个方面，以权威研究文献的高频指标为基础，结合企业年报披露的财务信息，初次选出企业违约概率测算的现金比率、流动比率（流动资产/流动负债）、资产负债率（负债/资产）、带息债务/全部投入资本、应收账款周转天数、存货周转天数、总资产对数、总负债对数等8个财务指标，然后通过财务指标系数的显著性检验来删除对企业违约概率解释能力差的财务指标。
1.基于信用利差的企业违约概率测算方法
首先，计算信用利差。企业债券的信用利差是指除了信用等级不同，其他所有方面都相同的两种债券收益率之间的差额，它代表了仅仅用于补偿信用风险而增加的收益率。通常信用利差的计算是通过企业债券利率减去同期国债利率。此外，持有企业债券和持有国债在纳税方面有所区别，计算信用利差时应考虑在内。因此，记rn为企业债券的名义利率，rtax为企业债券利息征收税率，re为企业债券的实际有效利率，则：
记CS为企业债券的信用利差，rft为同期国债利率，则：
然而，与企业发行债券日期相同的国债利率并不一定存在，为此本文借鉴Lange（2010）采用牛顿插值法计算企业债券发行日的国债利率，解决了企业发行债券时无同期国债发行的问题。假设t1和t2时刻有国债发行，发行利率分别记rft1和rft2，在t1和t2时刻之间的t时刻有企业发行债券，利用牛顿插值法计算t时刻的国债利率：
转换式（4）可得：
对式（5）计算的企业违约概率进行概率分位点变换后，即可作为Logistic线性回归模型中的被解释变量，由此解决了缺乏企业违约记录数据而无法估计Logistic违约概率模型参数的问题。
2.概率分位点变换后的Logistic线性回归模型
PDi为第i家企业根据式（5）计算得出的企业违约概率，对PDi进行概率分位点变化得到yi，如式（6）所示：
对PDi进行概率分位点变化的原因是：变换得到的概率分位点yi与公司财务指标呈现线性回归关系，故采用普通最小二乘法OLS估计Logistic线性回归模型即可。借鉴马若微和唐春阳（2007），记xij为第i家企业第j个财务指标数值，则yi与财务指标xij之间的关系为：
其中：i=1,2,…,n，n为样本企业个数；
j=1,2,…,m，m为财务指标个数；
a和bj为模型参数；
εi为随机误差项且服从标准正态分布；
最终解释变量x的确定是通过多个财务指标进行模型（7）回归后，留下回归系数显著的财务指标。采用普通最小二乘法OLS估计模型（7）中的参数。确认参数后的回归模型可作为预测估计模型，将同行业未发行债券企业或者未来将要发行债券企业的财务指标代入预测估计模型计算出预测概率分位点，接着对该进行概率分位点逆变换得出上述企业的违约概率，如式（8）所示：
3.变量计算结果及Logistic线性回归结果
表1列出了三年期国债的发行利率及发行日期，采用牛顿插值法算出与35家样本企业三年期信用债对应发行日期的国债利率rft。表2列出了35家样本企业发行三年期信用债券信息及通过计算得到的信用利差CS、违约概率PD和分位点y。
表1 三年期国债信息
表2 样本企业三年期信用债信息及违约概率、分位点
表3 初选财务指标Logistic线性回归的参数估计结果
注：*、**、***分别代表在10%、5%、1%显著性水平下显著。下同。
以表2列（10）分位点yi作为Logistic线性回归模型（7）的被解释变量，以筛选后的5个财务指标作为解释变量，通过Stata采用OLS重新估计回归方程的参数，回归结果列于表4。
表4 确定财务指标Logistic线性回归模型的参数估计结果
由此，可以建立如下Logistic线性计算公式，通过不同气候风险宏观情景压力下驱动样本企业对应的财报指标来预测未来30年的债券违约概率：
（三）气候风险映射至样本企业财报指标的方法探索
NGFS第二阶段情景中给出了不同转型路径下中国火电行业相关指标预测值，包括不同发电方式的发电量增速、电价增速、碳价格、除碳技术的成本、免费配额比、化石能源价格增速以及新增投资增速。本文拟研究以3年为一个跨度周期的低于2摄氏度情景和2050年净零情景，具体如下：一是低于2摄氏度（以下简称低于2度）情景：从2021年开始采取全球政策行动，旨在到2100年将全球平均变暖限制在2摄氏度以下。二是2050年净零排放（以下简称净零排放）情景：2021年即开始采取全球政策行动，将全球平均变暖限制在1.5摄氏度内。
1.两种情景的宏观指标预测
净零排放是比低于2度更为严格的情景，对环境保护政策要求更为严格。由图1a可知，净零排放情景要求二氧化碳排放污染高的煤炭发电增速在未来更早时期出现负数且下降幅度大，以此保证2050年实现净零排放；
而低于2度情景前期煤炭发电负增速下降较为缓和，2035年才出现大幅下降。除了煤炭发电，本文还考虑其他发电量占比大的清洁发电方式：水力、风力和其他新能源②其他新能源主要是太阳能，其次是天然气、核能、生物质能等发电方式。。它们的发电方式如图1b-d所示，两种情景的增速均为正数，但净零排放情景增速高位回落，低于2度情景低位回落，2038年后两种情景增速基本一致。如图1e-f所示，净零排放情景的电价和化石能源价格增速波动幅度大于低于2度情景，且呈现先降后升再降的趋势；
低于2度情景的呈现先降后升趋势。如图1g所示，对碳排放要求严格的净零排放情景，碳价格呈指数增长，与相对低价的二氧化碳捕集、利用与封存技术（Carbon Capture，Utilization and Storage，以下简称CCUS技术）成本③数据来源于生态环境部发布的《中国二氧化碳捕集利用与封存（CCUS）年度报告（2021）》。相比，企业尽早选择CCUS技术更有利于企业自身经济效益；
而对于低于2度情景而言，在2035年后采用CCUS技术更有利于企业。如图1h所示，两种情景下的新增投资增速在2035年之前差别不大，均呈现上涨再下降的波动，但净零排放情景在2035—2038年下降波动比较明显，随后上涨高于低于2度情景。整体来看，净零排放情景大部分指标预测值波动较大。
图1 低于2度和净零排放的情景比较
2.企业未来财务指标与Logistic线性回归模型解释变量的预测
根据NGFS第二阶段情景中的指标，结合前面估计的Logistic线性回归模型结果，本文拟驱动未来30年即2023—2050年各样本企业的资产负债表与利润表中相关财报指标来预测违约概率。
根据不同样本企业的发电结构，结合NGFS给出的预测情景，本文预测了对应样本企业未来30年的营业收入指标。营业成本方面，本文充分考虑了样本企业碳排放成本、化石能源成本以及折旧成本。首先，碳排放成本是企业排放CO2时需向政府缴纳的费用，以此增加企业该类产品的生产成本，使企业减少该类产品的产出。该成本取决于企业CO2排放量及碳价格。企业CO2排放量并非公开数据且不易取得，为估算样本企业的排放量，本文借鉴聂普焱（2015）和彭武元（2020）等的方法，采用行业碳排放总量和行业总产值的比值来衡量行业碳排放强度，其通过估算行业二氧化碳排放数据，计算获得工业和交通运输业的碳排放强度。本文通过手工整理《电力行业碳达峰碳中和发展路径研究》，取得2018年、2019年和2020年电力行业碳排放总量，并将每年电力行业碳排放总量除以当年电力行业GDP从而得出当年电力行业碳排放强度，随即取3年平均值（18.6吨/万元）作为电力行业平均碳强度。生产法是从生产者的角度出发对GDP进行的核算，把一国一年内各生产部门生产出的最终产品和劳务的市场价值进行加总即该国GDP。在此，可认为企业生产产品市场价值约等于企业营业收入。所以，样本企业每年CO2排放量的估算是通过每年营业收入乘以电力行业平均碳强度计算得出。为了逐步推动能源转型，本文假设国家给予一定的免费CO2排放量配额比例，只有超过免费配额的部分才需要付出碳排放成本，随着时间的推移，免费配额比例逐步减少至完全退出。在低于2度情景下，2035年起碳价格快速上升，造成样本企业碳排放成本短时间内大幅上升，而2035年起采用CCUS技术后，样本企业碳排放成本可有所下降。考虑到企业经济效益，样本企业碳排放成本2023—2032年采用碳价计算，2035—2050年采用CCUS成本计算。在净零排放情景下，由于气候政策的收紧，碳价一直高于CCUS成本，因此样本企业从2026年起就采用相对低价的CCUS成本来计算碳排放成本。其次，化石能源成本代表样本企业发电方式所消耗的煤炭能源成本。本文以样本企业2020年为基期来测算未来30年化石能源成本，由于企业发布的财报中该数不可得，但可根据企业2020年CO2排放量倒推。即在2020年CO2排放量可知的前提下，1吨煤炭燃烧排放2.55吨CO2，倒推出燃烧煤炭的量，再假设2020年煤炭价格为600元/吨，计算出2020年化石能源成本。第三，折旧成本由上期折旧与本期新增投资两部分组成，本文假设样本企业的每年新增投资按30年使用寿命进行折旧处理。
表5给出了Logistic线性回归模型中的流动比率、资产负债率、应收账款周转天数、总资产对数和总负债对数等五个解释变量的计算过程。
表5 Logistic线性回归模型解释变量计算公式列表
3.两种情景下的企业未来财务指标与违约概率
图2a、2c、2e和2g为使用NGFS低于2度情景指标预测的样本企业2023—2050年加权财务数据，本文通过各样本企业资产占比为权重加权计算得出。图2b、2d、2f和2h为使用NGFS净零排放情景指标预测的财务数据。相比之下，两种情景下的营业成本、收入和净利润趋势相近，但净零排放情景的数据后期波动明显，营业收入未来30年间均略低，营业成本2038年前略高随后略低于低于2度情景，净利润2026年后均高于低于2度情景。对比图2c和2d可发现，两种情景下的新增投资差异不大，净零排放情景的存货周转天数后期波动明显且略高，主要来源于营业成本的波动及偏低。此外，两种情景下的折旧成本变化量、能源成本变化量趋势差异不大，差异较大的是碳排放成本变化量趋势，主要是因为净零排放情景的碳价格很高，倒逼企业尽早选择相对低价的CCUS技术，且营业收入的变化差异影响了企业CO2排放量从而影响碳排放成本变化量。最后，两种情景下的总资产对数差异不大，但净零排放情景的总负债对数2032年后略高导致资产负债率后期略高，主要是因为净零排放情景下的低净利润无法补充新增投资，只能举债完成投资。
图2 样本企业2023—2050年加权财务数据预测
预测出来的Logistic线性回归模型解释变量流动比率、资产负债率、应收账款周转天数、总资产对数、总负债对数时间序列代入式（10）并将Logistic违约概率逆向转化，可得出测试样本企业为代表的电力行业2023—2050年违约概率。从解释变量来看，影响未来违约概率的最大因素是资产负债率和应收账款周转天数：净零排放情景2032年后相对高的资产负债率和存货周转天数导致违约概率相对高。由图3亦可看出，2032年后净零排放情景的违约概率略高于低于2度情景。因此，在政策要求相对严格的净零排放情景下，电力企业在未来30年的经营状况会相对差一些，净利润及资产负债率会在2032年后略逊色于低于2度情景，导致其违约概率增加。随着企业经营和财务状况持续欠佳，2050年违约风险剧增，概率约达到42%。
图3 两种情景下的企业债券违约概率
为研究企业低碳转型策略中未来清洁发电方式的增加对其违约概率的影响，本文假设清洁能源④除煤炭发电以外的能源发电方式。发电增速在两种情景下于2030年开始有所变化：增速提高20%、40%、60%、80%及100%。因各类能源发电方式所带来的营业收入受其发电量增速的正向影响，因此清洁能源发电量增速的提升会增加该类能源营业收入。由图4可知，在两种情景下未来清洁发电方式的增加对企业违约概率的影响是一致的：从2035年起⑤因2047年前的违约概率较低，导致图2、3中2035—2047年间的违约概率随增速提高而下降的幅度不明显，每年具体数值作者备索。图4、5同理。，随着清洁能源发电量增速提高的比例越高（图中黑线越细），企业违约概率越低。
图4 清洁能源发电量增速变化对企业违约概率的影响
为研究CCUS技术对企业违约概率的影响，本文假设CCUS技术成本在两种情景下分别下调20%、40%及60%。由图5可知，在两种情景下CCUS技术对企业违约概率的影响是一致的：企业违约概率对CCUS技术成本很敏感，20%的成本下调可以使原来2050年高达42%的违约概率下降至个位数；
此外，在2029年之前，CCUS技术成本变化的违约概率会略高一些；
之后，随着CCUS技术成本的下调比例越大（黑线越细），企业违约概率越低。
图5 CCUS成本变化对违约概率的影响
本文基于NGFS第二阶段情景不同转型路径下中国火电行业的相关指标预测值，构建针对火电企业的财报驱动模型，运用压力测试方法估算火电企业在低于2度情景和净零排放情景两种不同转型路径下未来30年财务指标变动情况及债券违约概率，得到如下结论：第一，两种情景下企业的营业成本、收入和净利润变化趋势相近，2026年后净零排放情景下的企业净利润均低于2度情景。第二，两种情景下的碳排放成本变化量趋势存在较大差异，主要因为净零排放情景的碳价格很高，倒逼企业尽早选择相对低价的CCUS技术。第三，净零排放情景下的企业资产负债率后期略高，主要因为净零排放情景下净利润较低，无法补充新增投资，只能举债完成投资。第四，净零排放情景下火电企业未来30年的经营、财务状况相对差一些，2032年后的企业债券违约概率略高于低于2度情景；
随着经营和财务状况持续不佳，净零排放情景下2050年债务违约风险剧增。第五，企业债务违约概率对CCUS技术成本很敏感，如果CCUS技术进一步优化并且在企业应用，债券违约风险可望大幅降低。
上述研究结论的政策启示：
第一，积极推进供电结构的战略性调整。一是持续深化火力发电供给侧结构性改革。在可预见的中短期内，火力发电仍是我国电力供应的主要电源。为保障国家供电安全及生产生活需要，各级地方政府应按照电力行业发展规划推进火力发电有序退出电力供应的主体地位，退出安排不盲目搞“一刀切”。金融支持方面，要引导金融机构完善转型金融产品和服务，按照“有保有压”的政策导向要求支持火电改革，严控资金流向违反能耗双控要求的火电企业及项目，同时支持火电企业开展发电机组改造、节能技术改造及低碳技术应用等项目。二是加快推进新能源发电的布局。财政方面，利用清洁能源发展基金撬动更多社会资本参与新能源发电及储能项目投资，对新能源发电企业及用户给予税收减免等政策激励，对技术仍待发展、发电价格及成本优势不突出的新能源发电项目适当给予价格补贴，推进新能源发电合理有序健康发展。金融支持方面，要用好央行碳减排支持工具等政策，引导政策性开发性银行和商业银行发放优惠利率贷款、支持新能源发电项目，同时采取加强绿色金融监管与环境信用评价、鼓励和督促金融机构披露环境与社会责任报告等配套措施，确保碳减排金融支持政策见到实效。
第二，加快CCUS技术的发展和应用。一是强化顶层设计，从国家战略层面制定CCUS技术发展的长期规划，通过明确行业技术标准、制定技术创新及应用推广规划、出台资金扶持计划等系列措施，充分释放CCUS技术创新的潜力。二是加强财政和金融政策引导作用。一方面要加大财政支持力度，通过实施财政奖补措施，如向有示范效应的CCUS技术项目发放补贴或减免税收，引导CCUS技术产业规模化、商业运作成熟化，推动低成本低能耗碳捕集技术等领域实现突破。另一方面要探索运用金融支持手段，鉴于CCUS技术产业培育初期投资金额大、研发周期长，要发挥政策性金融的引领作用，综合运用中长期绿色信贷、蓝色债券、低碳基金等政策性金融工具，对CCUS技术相关的基础设施新建及改造项目、技术研发活动加大资金支持力度，打通CCUS技术产业化的融资瓶颈，引导商业性金融后续进入。
第三，完善气候宏观情景压力测试评估机制。一是明确金融机构及高碳行业企业气候信息披露规范，要求金融机构及高碳行业企业披露与气候风险相关的定量指标及变动情况，构建与气候风险相关的行业数据库并实现数据共享，为开展气候宏观情景压力测试提供数据支撑。进一步运用数据库，实现气候宏观情景压力测试覆盖更多高碳行业，全面评估气候转型给实体经济层面和金融体系带来的潜在风险。二是依托央行与监管机构绿色金融网络等机制，加强与境外货币当局、研究机构的交流和协作，掌握国际最前沿的气候和经济综合模型，针对我国实际改进气候转型情景及传导路径分析，提高气候宏观情景压力测试的应用价值和实践指导效果。
猜你喜欢气候情景概率情景交际疯狂英语·初中天地(2022年2期)2022-07-07第6讲 “统计与概率”复习精讲中学生数理化·中考版(2022年6期)2022-06-05第6讲 “统计与概率”复习精讲中学生数理化·中考版(2021年6期)2021-11-22概率与统计(一)新世纪智能(数学备考)(2021年4期)2021-08-06概率与统计(二)新世纪智能(数学备考)(2021年4期)2021-08-06石化企业情景构建的应用劳动保护(2019年3期)2019-05-16瞧，气候大不同少儿科学周刊·儿童版(2018年12期)2018-01-26气候变暖会怎样？少儿科学周刊·少年版(2018年12期)2018-01-26都是气候变暖惹的祸少儿科学周刊·儿童版(2017年7期)2017-09-29楼梯间 要小心小天使·一年级语数英综合(2017年3期)2017-04-25
