气候调整后违约概率模型：将物理气候风险整合入居民住房抵押贷款分析的框架

《Sustainable Futures》：Climate-adjusted probability of default model: A framework for integrating physical climate risk for residential mortgage

　　

气候变化通过洪水与野火等急性物理灾害威胁金融稳定，尤其对暴露于物理风险的居民抵押贷款组合影响显著。研究人员提出一种基于实证框架，将物理气候风险整合入违约概率(Probability of Default, PD)建模，方法是应用气候乘数(Climate Multiplier)——即由细粒度房产层级灾害数据导出的基于情景的调整因子。气候乘数会放大PD估计值，尤其在高排放情景（如SSP5–8.5）下及高暴露区域效果最为显著。多数贷款的调整幅度极小，但灾害易发区中的部分子集其PD增幅超过基准值的20倍。带有附加气候乘数的气候调整PD模型保留了既有监管模型架构，可实现可扩展的气候压力测试(Climate Stress Testing)，并与不断演进的监管预期保持一致。该方法通过将前瞻性气候数据与借款人层面脆弱性相桥接，弥补了当前信用风险实务的关键缺口，为金融机构提供增强气候波动性韧性的实用工具。

研究背景与目的

气候变化引致的极端天气事件（洪水、野火、风暴等）对金融资产尤其是以不动产为抵押的居民抵押贷款组合构成物理气候风险(Physical Climate Risk)，可能通过抵押物贬值（推高贷款价值比Loan-to-Value, LTV）及借款人收入中断两条传导渠道提高违约概率(Probability of Default, PD)。现行Basel式信用风险模型缺乏将局部化、前瞻性的气候灾害数据转化为信贷风险指标的操作化工具，监管机构（美联储、BCBS、NGFS等）虽推动气候压力测试(Climate Stress Testing)但尚未形成标准化嵌入方法。为此，Ma Siyao、Craig Christopher A.与Porter Jeremey构建并验证了一种经验校准的气候调整违约概率(Climate-adjusted PD)框架，通过对常规业务(Business As Usual, BAU)PD模型输出施加由房产层级气候期望年损失(Economic Loss)导出的气候乘数(Climate Multiplier, CM)，在无需重构核心PD模型前提下量化不同SSP(Shared Socioeconomic Pathways)情景与时点下物理气候风险对住房抵押贷款信用风险的边际影响，论文发表于《Sustainable Futures》。

主要关键技术方法

研究人员采用Freddie Mac单户住房贷款层级数据集（2015–2024年发放贷款，最终分析样本436,357笔贷款、15,016,905个月度观测），匹配FHFA邮政编码层级房价指数(House Price Index, HPI)、FRED州级失业率及Freddie Mac 30年期固定房贷利率构建动态宏观变量（动态LTV与利差），以First Street提供的3位邮政编码层级洪水、大风、野火期望年化财产损失数据分别代表SSP2–4.5与SSP5–8.5情景下2025年与2055年物理风险暴露。基线PD模型采用考虑账龄(Account Age)效应的月频面板Logistic风险模型（违约定义为逾期≥90天且为吸收态）。为捕捉气候冲击→抵押物贬值→LTV升高→PD上升这一传导链，建立仅含LTV与信用评分(Credit Score)的简化代理PD(Proxy PD)模型；将气候期望年损失均摊至月度并扣减房产估值以得到气候调整LTV，分别代入代理PD模型求取有/无气候冲击下的PD，二者比值即为账户—时段层面气候乘数(Climate Multiplier, CM＝PD_{with climate shock}/PD_{without climate shock})；最终气候调整PD＝基线PD×CM。

研究结果

4.1. Base PD Model（基线PD模型）

采用GLM估计含贷前特征（原始LTV、债务收入比Debt-to-Income Ratio, DTI、信用评分、借款人数、 occupancy type）、动态利差、滞后失业率的 hazard Logistic模型，所有变量p＜0.001。样本外测试AUC达0.864，校准曲线预测与观测违约率相关系数0.9995，证实基线模型判别力与校准度良好，可作为后续气候叠加的基础。

4.2. Climate Adjusted PD Model（气候调整PD模型）

4.2.1. Proxy PD Model（代理PD模型）

以Logit(PD)＝λ?＋λ?×LTV＋λ?×Credit Score回归，λ?＝0.0217(p＜2e–16)表明LTV升高显著提升违约风险，λ?＝–0.0156表明高信用评分降低风险，R2＝0.4489；按LTV十等分比较基线与代理模型平均预测PD呈一致单调关系，证明代理PD可合理近似基线PD中LTV对违约风险的边际敏感度，适用于气候乘数校准。

4.2.2. Climate Multiplier（气候乘数）

汇总洪水、大风、野火ZIP码层级期望年损失为复合气候损失，经月度均分后调低房产价值重新计算LTV并代入代理PD得PD_{climate–shocked}，与基线PD之比即CM。SSP2–4.5_2025均值1.0002（最大1.74×），SSP2–4.5_2055均值1.0003（最大2.56×），SSP5–8.5_2025均值1.0003（最大21.28×），SSP5–8.5_2055均值1.0007（最大21.67×）。最小值均为1.0，分布高度右偏——绝大多数贷款CM≈1而少数高灾害暴露区CM＞20，印证气候物理风险影响的空间异质性与尾部集中特征。

4.2.3. Climate Adjusted PD（气候调整PD）

4.2.3.1. Temporal Distribution of PD Changes（PD变化的时间分布）

PD_{climate–adjusted}－PD_base在贷后30–60个月差异最大（贷款余额较高且 hazard exposure 对LTV效应较强），60个月后因摊销、早偿及选择性偏差效应减弱；SSP5–8.5及2055年远景下PD抬升幅度最显著，体现累积气候危害的非线性放大效应。

4.2.3.2. Spatial Distribution of PD Changes（PD变化的空间分布）

按三位邮政编码聚合平均PD增量显示：高影响区集中于佛罗里达南部、路易斯安那密西西比河三角洲、德州东南部沿海、南北卡罗来纳大西洋沿岸，内陆见于北德州、堪萨斯西南部及阿巴拉契亚肯塔基—西弗吉尼亚走廊，空间格局与洪泛/大风/野火暴露地理分布吻合。SSP5–8.5＞SSP2–4.5，2055＞2025，证实排放路径与时域对信用风险的放大作用。

讨论与结论翻译

研究人员提出通过经验校准气候乘数对BAU PD模型输出进行情景叠加的框架，在保留已验证监管模型架构与治理流程的同时实现前瞻性物理气候风险量化，较已有仅依赖专家判断设定固定乘数的概念有所推进。框架模块化，可分拆为基线PD估计、气候风险传导通道界定、灾害→信用变量映射、乘数校准及叠加应用，便于机构依数据环境扩展 Hazard 类型或纳入收入/DTI流动性通道。乘数大小敏感于LTV调整假设、年损失均匀分摊假定及保险/灾后救助缓解因素；当前因Freddie Mac公开数据缺收入/DTI仅建模抵押物(LTV)通道，属保守估计。假设各灾种独立系简化假定，未来可用Copula或多灾种联合概率扩展；年损失均摊至月为数据驱动妥协，高频事件时序数据可得时可改季节加权。该气候调整PD方法不对核心模型做结构性改动，适用于vendor"黑盒"模型环境，支持组合层级气候压力测试、风险定价/承保、区域暴露监控及监管披露。

结论：本研究提出将物理气候风险整合入居民抵押贷款PD模型的框架，通过由房产层级灾害数据导出的气候乘数调整BAU PD模型输出。即使温和气候冲击亦可放大违约风险，高气候暴露区域贷款在严峻情景下PD抬升尤为突出。框架保留已验证监管模型结构，支持可扩展气候压力测试并与监管预期对齐；其模块化设计允许机构在无需重构PD模型前提下实施情景调整。气候风险影响呈不对称分布——多数组合仅微幅PD上升，灾害易发区子集风险剧增，凸显细粒度灾害校正数据在信贷评估中的必要性；违约风险在贷期中段（30–60个月）达峰。随气候相关财务披露全球化，该气候调整PD方法为金融机构量化气候风险、指导资本配置及维护气候波动下金融稳定提供可操作、经验依据之工具，推进气候金融与监管实践交叉的方法创新。