加载中...
数据目录 · 共 64 个条目 · 20 个分类浏览简化目录
SSRD上市公司与资本市场5
政府与司法数据4
企业主体与全景画像4
人民数据1
人物数据1
劳动就业数据2
The Rising Tide Lifts Some Interest Rates: Climate Change, Natural Disasters, and Loan Pricing
银行在观察到与气候变化相关的自然灾害后调整贷款利差。我们通过识别那些面临此类灾害风险但未直接受灾的借款人的贷款，分离出这一更新过程。这些借款人的贷款利差在一级和二级市场均出现飙升，而对于非气候相关的灾害则没有此类更新。证据表明，感知信用风险有所上升，但这并不能完全解释利率的上升。总体而言，利差上升主要由显著性偏差解释，因为这些上升是短暂的，并被媒体关注所放大。这种显著性影响了依赖银行融资的企业的财务决策。
Abstract
Banks adjust loan spreads after observing natural disasters linked to climate change. We isolate this updating process by identifying loans to borrowers at risk of, but not directly affected by, such disasters. Loan spreads for these borrowers spike in both primary and secondary markets, while no such updating occurs for non-climate-related disasters. Evidence suggests a heightened perceived credit risk, which nonetheless cannot fully explain the increase in rates. Taken altogether, increased spreads are explained primarily by salience bias, as they are short-lived and amplified by media attention. This salience impacts financial decisions at bank-dependent firms.
气候相关灾害后，间接受灾借款人贷款利差上升约19个基点。
在一级银团贷款市场，飓风登陆后，面临风险但未直接受灾的借款人贷款利差上升约19个基点，约占样本无条件利差的10%，相当于信用评级下调一档的影响。洪水后利差上升约10个基点，野火后上升约13个基点。
二级市场贷款价格下降约2.1%，隐含收益率上升幅度更大。
在二级贷款市场，气候相关灾害后间接受灾借款人的贷款价格下降约2.1%，隐含收益率上升幅度约为一级市场的两倍，表明非银行投资者（如贷款基金和CLO管理人）也对此类事件作出短暂反应。
仅约五分之一利差上升可由银行内部违约概率变化解释。
银行内部模型对间接受灾借款人的违约概率在飓风后上升约1个百分点，但基于违约概率和违约损失率的测算仅能解释约4个基点的利差变化，约占观测到的19个基点的五分之一，表明利差上升主要由非基本面因素驱动。
利差上升是短暂的，且在气候关注度高时被放大。
动态分析显示，利差在灾害发生后立即飙升，但迅速回落。在《华尔街日报》气候变化新闻指数较高时期，间接受灾借款人的利差上升幅度显著更大，且随关注度分位数提高而单调增加，支持显著性偏差机制。
依赖银行融资的企业在间接受灾后减少投资约0.8个百分点，增加现金持有。
非投资级（依赖银行融资）企业在间接受灾后，资本支出与资产比率下降约0.8个百分点（约为无条件均值的10%），现金与负债比率上升约7个百分点（约为无条件均值的15%），表明银行过度反应对实体企业投资和融资决策产生实际溢出效应。
核心解释变量
间接灾害暴露（Indirect disaster）：企业位于灾害易发县（基于过去10年灾害损失排名前10%）的运营机构比例处于最高五分位。核心解释变量为 Indirect disaster × Recent disaster 交互项，其中 Recent disaster 为灾害发生前3个月的指示变量。
被解释变量
贷款利差（Spread）：银团贷款发行时的全包利差（基点）；二级市场贷款报价（Log(Price)）；银行内部违约概率（PD）；企业资本支出/资产（CapEx/Assets）和现金/负债（Cash/Liabilities）。
样本与数据
1996-2019年美国银团贷款市场21,262笔贷款，涉及2,522家企业，仅保留牵头行贷款。灾害数据来自SHELDUS，企业地理分布来自NETS数据库，财务数据来自Compustat，二级市场报价来自Refinitiv LPC（2000-2017），银行内部违约概率来自美联储Y-14Q表格（2014-2019）。
识别方法 / 模型设定
采用双重差分框架：以面临灾害风险但未直接受灾的企业（间接受灾）为处理组，以不在灾害易发区的企业为对照组，比较灾害发生后贷款利差的变化。关键识别策略是排除直接受灾企业，以分离银行对气候变化预期的更新与灾害的直接经济影响。通过对比气候相关灾害（飓风、洪水、野火）与非气候相关灾害（地震、冬季天气）的安慰剂检验，以及控制银行×年份和企业固定效应，增强因果识别。
内生性及稳健性检验
通过多项稳健性检验排除替代解释：(1) 控制直接受灾县邻近地区的溢出效应，排除借款人在受灾县100英里内的贷款；(2) 控制通过客户-供应商链的溢出效应；(3) 控制银行网络内的资金转移效应；(4) 使用不同灾害暴露定义、不同时间窗口、不同聚类标准误；(5) 排除卡特里娜和桑迪飓风；(6) 使用银行×季度固定效应；(7) 检验灾害季节性与贷款季节性重叠的影响；(8) 使用就业和销售额而非机构数衡量地理足迹。所有检验结果保持稳健。
更多相关数据正在补充