社科与实践

气候转型背景下的信贷风险评估——基于LendingClub 数据的深度学习分析

宋 贞锐

南京农业大学 金融学院

陈 怡宁

南京农业大学 金融学院

梁 晔

南京农业大学 金融学院

DOI: https://doi.org/10.59429/sksj.v3i6.14601

Keywords: 气候转型风险；信贷风险评估；LendingClub；极端天气；深度学习

---

Abstract

气候变化的物理风险与转型风险正深刻影响金融系统稳定性。本文基于 LendingClub 2007—2020 年个人贷 款数据，融合 NOAA 气象站极端天气观测记录，构建包含低温日数（LTD）、高温日数（HTD）和极端降雨日数 （ERD）三项指标的信贷风险评估数据集。通过空间关联方法实现借款人邮政编码级气象特征匹配，采用深度神经网 络进行违约预测。结果表明：引入极端天气特征后模型验证准确率达 87.5%，验证集损失降低 1.9%；极端高温日数 与违约率呈正相关；基于气候风险系数的贷款定价映射函数可为差异化风险定价提供参考。

---

References

[1] Carney M. Breaking the tragedy of the horizon[R]. Bank of England, 2015.

[2] Battiston S, et al. A climate stress-test of the financial system[J]. Nature Climate Change, 2017, 7(4): 283-288.

[3] Dietz S, et al. Climate value at risk of global financial assets[J]. Nature Climate Change, 2016, 6(7): 676-679.

[4] Burke M, et al. Global non-linear effect of temperature on economic production[J]. Nature, 2015, 527: 235-239.

[5] Batten S, et al. Climate change: Macroeconomic impact and implications for monetary policy[M]. Palgrave Macmillan, 2020: 13-38.

[6] Lessmann S, et al. Benchmarking classification algorithms for credit scoring[J]. EJOR, 2015, 247(1): 124-136.

[7] Kvamme H, et al. Predicting mortgage default using CNN[J]. Expert Systems with Applications, 2018, 102: 207-217.

[8] Sirignano J, et al. Deep learning for mortgage risk[J]. Journal of Financial Economics, 2018, 134(2): 469-488.

[9] Karydas C, Xepapadeas A. Pricing climate change risks[R]. Swiss Finance Institute, 2019.

[10] Bernstein A, et al. Disaster on the horizon: Sea level rise[J]. JFE, 2019, 134(2): 253-272.

[11] 王遥等. 基于 DSGE 模型的绿色信贷激励政策研究[J]. 金融研究，2019(8): 1-19.

[12] 陈诗一等. 环境规制、融资约束与企业污染减排[J]. 经济研究，2021(3): 168-184.

[13] 马骏，孙天印. 气候变化对金融稳定的影响及应对策略[J]. 清华金融评论，2020(2): 61-65.

[14] 中国人民银行. 金融机构环境信息披露指南[S]. 2021.