超越线性假设：基于可解释人工神经网络（ANN）与SHAP的气候驱动企业金融传染非线性追踪

《Frontiers in Environmental Science》：Beyond linear assumptions: neural network tracing of climate-driven financial contagion in firms

　　

研究人员构建了一个可解释的人工神经网络（Artificial Neural Network, ANN）框架，该框架由多层感知机（Multilayer Perceptron, MLP）与SHAP（SHapley Additive exPlanations）组成，用于量化物理冲击和转型冲击对企业违约风险（Probability of Default, PD）的传导路径。气候冲击在物理世界中通常呈线性过程，但在企业金融世界中更复杂，因为现有线性模型难以捕捉传导渠道的非线性与企业异质性。该ANN对北美、欧洲和亚太地区1,232家上市公司（2014—2023）的一季度前PD预测样本外曲线下面积（Area Under the Curve, AUC）为0.84，而线性logit模型为0.72。根据SHAP分析，前三大驱动因素为洪水深度（21.3 bps）、杠杆（14.7 bps）和干旱（11.2 bps）。洪水影响呈强非线性，在0.5 m以上迅速增加，高杠杆企业斜率为其6.8×。技术行业的行业脆弱性评分介于18.0 bps与3.0 bps之间。直接资产损害占洪水影响的58%，并预计占碳政策冲击的60%。空间证伪（安慰剂）检验表明，结果并非由模型伪影或空间相关混杂因素导致（平均SHAP 0.053 bps，p = 0.17）。时间脉冲响应结果显示，洪水影响在2个季度后达到最大14%，碳影响即时（9%），干旱影响在3个季度后达到最大12%。该ANN在测试集上的R²为0.914，残差表现良好（均值?1.51 bps）。该框架提供了一种细粒度、非线性和可解释的方法来量化气候到金融风险传导，并可直接应用于压力测试与风险管理。

研究背景与问题：气候变化对投资者、监管者和企业战略者的财务影响已超出环境讨论。极端热浪、洪水、野火等物理冲击，以及碳价格波动、环境政策和清洁技术转型等转型冲击，给企业带来显著不确定性，并影响资产负债表、企业资产价值、信用利差和股价波动。气候相关金融披露工作组（TCFD）、央行与监管机构绿色金融网络（NGFS）等认为气候风险应作为金融风险纳入监管、投资和企业风险管理。但气候风险如何传导至企业层面仍理解不足。行业或国家层面聚合框架忽略企业地理暴露、碳强度、监管敏感性和运营结构差异。传统线性回归、因子分析或计量压力测试不适合多维、条件依赖和滞后的气候冲击，不能内生化企业响应或非线性交互。因此，研究人员构建人工神经网络（Artificial Neural Network, ANN）框架，追踪和量化物理与转型气候冲击到企业金融风险结果的传导路径，核心问题是气候风险如何在多种情景下流向企业层面财务结果。

研究人员开展的研究与结论：研究人员基于ANN多层感知机（Multilayer Perceptron, MLP）与SHAP（SHapley Additive exPlanations），结合多源气候与企业财务数据，对1,232家北美、欧洲和亚太上市公司2014—2023季度面板建模，预测一季度前违约概率（Probability of Default, PD），并与线性logit、GARCH(1,1)-X、随机森林等比较。结论是ANN显著优于基准，捕捉非线性、阈值、杠杆放大和渠道差异，SHAP提供企业-季度归因。意义在于为压力测试、风险管理、披露、投资和韧性计划提供可解释工具。

关键技术方法概括：研究人员使用多源季度面板：物理风险来自EM-DAT、NASA GPM和ERA5；转型风险来自IEA、WRI、Refinitiv和MSCI；财务数据来自Bloomberg、Refinitiv Eikon和CompStat Global；样本为1,232家北美、欧洲和亚太上市公司（2014—2023）。主模型为MLP，采用隐藏层、ReLU、dropout、批量归一化、L2正则和早停；用长短期记忆网络（Long Short-Term Memory, LSTM）和一维卷积神经网络（1D CNN）作架构稳健性；用logit、线性回归、随机森林和GARCH(1,1)-X作基线；PD由Merton (1974)距离违约模型构建；用SHAP解释；数据经标准化、方差膨胀因子（VIF）/主成分、滞后和空间匹配。

研究结果：
6.1 基于SHAP的量化传导：ANN样本外AUC为0.840，RMSE为29.0 bps，而logit为0.724/39.7 bps，GARCH(1,1)-X为0.751/36.4 bps，随机森林为0.806/32.1 bps。DeLong检验显示ANN与logit差异显著。全局SHAP显示洪水深度21.3 bps、杠杆14.7 bps、干旱11.2 bps、碳政策9.8 bps、ESG 6.4 bps等。洪水深度低于0.2 m时贡献近零，0.2—0.5 m平均0.25 bps，≥0.5 m平均10.02 bps，0.6到0.7 m时PD增加约2.0 bps。通道分解显示，洪水直接资产损害58%、供应链32%、预期10%；干旱为45%/45%/10%；碳政策为15%/25%/60%。结论支持非线性传导和渠道随冲击类型变化。

6.2 企业与行业异质性：高杠杆企业洪水SHAP斜率7.91 bps/m，低杠杆企业1.16 bps/m，约6.79倍。行业平均绝对SHAP为公用事业18.0 bps、制造14.0 bps、房地产12.0 bps、零售8.0 bps、技术3.0 bps，公用事业与技术之比为6.0。分位数回归显示杠杆+0.082 bps、现金?0.043 bps、供应商集中度+0.067 bps、保险?0.091 bps，均显著。结论是企业财务与供应链特征调节传导。

6.3 稳健性与证伪检验：安慰剂气候冲击距企业资产至少500 km时，平均SHAP为0.053 bps，p=0.1726，绝对值大于2 bps比例低于11%，而真实洪水高于99%。LSTM的RMSE为27 bps，SHAP秩相关0.98；1D CNN的RMSE为28 bps，秩相关0.99。替代风险定义中，特质波动R²=0.62，前三位为政策冲击、洪水、供应链；Altman Z-score的AUC=0.79，前三位为干旱、杠杆、洪水。结论是主结果非架构依赖，但未提供完全因果识别。

6.4 传导时间动态：LSTM脉冲响应显示，洪水使PD在第2季度最大增加14%，8季度后仍为5%；碳政策即时增加9%，8季度后下降3%；干旱在第3季度最大增加12%，8季度后为6%。滚动12个月平均绝对SHAP中，洪水从2014年7.7 bps升至2023年15.6 bps，增幅101.7%；干旱在2016年高达12.2 bps；碳政策从2014年5.8 bps升至2023年15.3 bps，2021年跳至10.4 bps。结论是物理与转型风险重要性近年上升。

6.5 地理异质性：洪水归一化平均绝对SHAP为北美1.8、欧洲1.2、亚太0.9，北美为欧洲1.5倍；干旱为欧洲1.5、北美1.3、亚太0.8。结论是风险传导具区域差异，需地理适应评估。

6.6 扩展模型验证与性能可视化：测试集预测PD与真实PD的R²=0.914；残差均值?1.51 bps，标准差7.36 bps，Kolmogorov-Smirnov正态检验p=0.14；高杠杆组中位PD为30.2 bps，低杠杆组为14.7 bps；早停于78轮。Bootstrap通道分解为直接57.4%（95%CI 53.8—61.1）、供应链32.5%（28.7—36.4）、预期10.1%（8.4—11.9）。二分类阈值100 bps时，敏感度0.79、特异度0.87、准确率0.85，假阳性率0.13、假阴性率0.21。训练126 s，推理1.1 s，SHAP计算3.1 s，总流程约130 s。结论是模型预测与解释稳定，适合实时风险监测。

6.7 扩展验证：类别平衡、校准与分样本稳定性：未做类别重平衡；测试集违约率从技术7.4%到能源14.6%，区域从欧洲10.9%到亚太12.5%。区域/行业AUC为0.79—0.87，RMSE为26.8—33.2 bps。五个随机种子AUC为0.841±0.003、RMSE为28.9±0.4 bps、R²为0.912±0.002。1000次bootstrap的AUC中，ANN为0.828—0.854，logit为0.704—0.736，随机森林为0.786—0.816。校准上ANN的Brier score为0.089、期望校准误差（ECE）为0.031、校准斜率0.96，优于基线。结论是性能稳定且概率校准良好。

讨论部分总结：ANN可捕捉气候危害影响金融风险的复杂非线性。气候风险不是单一离散顺序事件，而是内生企业特征（资本结构、行业背景、ESG准备）与外生因素（监管环境、灾害频率）的动态交互，并具滞后。监管者可将机器学习纳入气候压力测试，提升监管工具预测效度，并契合IFRS Foundation、EFRAG等披露与风险分析标准，支持按行业和区域差异化政策。企业可用于内部风险管理、情景分析、供应链再布局、脱碳和ESG整合。局限包括样本仅大型发达市场上市公司；ERA5分辨率0.25°×0.25°约25—30 km且设施地理编码有不确定性；PD基于Merton (1974)，可能部分反映市场预期；训练期2014—2023，可能不外推未来极端冲击；按企业-季度而非企业层面拆分可能存在信息泄漏边界；安慰剂排除空间混淆但不完全因果，需准实验、事件研究或工具变量。结论翻译：本研究旨在理解物理或转型气候相关冲击如何转化为企业层面可观察金融风险。通过ANN架构容纳非线性依赖、潜在交互和高维，研究人员构建了灵活框架。模型在多企业、行业和地理上验证。关键发现是：ANN在预测精度、泛化和复杂情景响应上显著优于传统计量基准与随机森林；SHAP打开黑箱，显示企业财务、气候政策不确定性和物理灾害频率等驱动；行业与区域分析显示碳密集和急性物理风险暴露企业敏感性高。ANN框架不仅可预测，也可用于气候压力测试、ESG风险基准和监管。对央行和监管者符合NGFS压力测试与情景分析需求；对从业者资本配置、资产重定价和战略情景规划有用。局限包括数据质量尤其新兴市场、复杂性与透明度权衡、当前企业级扩展到主权债务或系统级需额外建模。未来可整合实时气候指标、NGFS或共享社会经济路径（SSP）情景，并扩展到组合、行业或主权级。综上，人工智能与气候金融数据融合可推进气候变化下金融风险的理解和管理。