【论文精读】Review of Finance, 2022 -Climate Change Risk and the Cost of Mortgage Credit

Introduction

1. A growing literature examines the impact of sea level rise (SLR) risk on prices of residential properties (e.g., Bernstein, Gustafson, and Lewis, 2019; Baldauf, Garlappi, and Yannelis,2020; Murfin and Spiegel, 2020; Keys and Mulder, 2021). 
   • Murfin and Spiegel (2020) find limited price effects of SLR risk on coastal homes 

• •  Baldauf, Garlappi, and Yannelis (2020) detect significant SLR price discounts in areas with high levels of climatechange believers.

• • Keys and Mulder (2021) argue that the increased pessimism about climate change risk explains the decline in SLR exposed residential properties in Florida after 2018.

1. The overall mixed evidence could be due to the heterogeneous beliefs among market participants, which are mainly retail investors, about how SLR risk may be realized.
   • Bernstein,Gustafson, and Lewis (2019) postulate that sophisticated investors are better able to price SLR risk and document a significant price discount for SLR risk among non-owneroccupied homes 

1. In this paper，使用抵押贷款市场来研究住宅物业的SLR风险是否由金融机构定价
   • 虽然住宅抵押贷款和住宅物业市场都面临着同样的风险，即海平面长期变化带来的房屋价值和未来现金流的不确定性，但金融机构在处理住宅物业时应该比普通投资者更加成熟。一个普通投资者一生中最多可能购买几次房子，而银行每天都要处理大量的抵押贷款申请。此外，银行有复杂的风险系统，可以适当地识别、衡量和纳入气候变化风险。也有丰富的关于财产暴露于可持续发展风险的数据。

1. 利用1992年1月至2018年6月期间在美国发起的620,244笔常规30年期抵押贷款样本，我们记录了住宅抵押贷款市场的 "SLR溢价"。
   • 我们发现，贷款人对暴露于更大的SLR风险的房产的抵押贷款收取更高的利率利差。

• • 我们的baseline结果表明，在一个所有房产都面临SLR风险的邮编中，抵押贷款的interest rate spread比没有房产面临SLR风险的邮编中的抵押贷款的利率差高出约7.5个基点。

• • 对于我们样本中的平均借款人来说，这一利率的增加意味着融资成本增加了近9000美元。

1. 我们所有的估计都包括细化的交互固定效应，这使我们能够将暴露在SLR地区的抵押贷款与未暴露在SLR地区的抵押贷款对照组进行比较   DID
   • 这些抵押贷款是在同一年、同一县、具有类似特征的房产，即与海岸的距离、海拔高度、房产类型（单户住宅、二至四户住宅或公寓/联排别墅），以及具有类似风险状况（即FICO分数和贷款与价值比率）的借款人。

• • 重要的是，我们的交互固定效应包括细化的距离-海岸线分值，这使得我们能够比较位于相同的距离-海岸线分值范围内的房产抵押贷款，例如距离海岸线0.02和0.04公里之间。这种距离--海岸--区间的变化控制了细化的地方特征，如海岸设施，同时吸收了可能影响利率差的房产和抵押贷款申请人的一些变化。

1. 我们进行了各种分析以阐明SLR溢价的三个基本特征。
   • 首先，与SLR是缓慢上升的海洋最终淹没沿海财产的长期风险的观点一致（Bansal、Ochoa和Kiku，2016），我们发现，当贷款人将相关财产的SLR风险纳入其抵押贷款定价决策时，他们认为SLR风险是一种长期的风险。（具体来说，我们发现SLR溢价对于短期的15年抵押贷款没有统计学意义）

• • 我们进一步确认，SLR溢价并不仅仅是反映贷款人对短期洪水事件所造成的潜在损害的担忧，因为我们的结果在从未经历过任何重大沿海或河流洪水的县的子样本中仍然成立。这也与我们的研究结果相一致，即对SLR风险的暴露与借款人的事前信贷质量或其短期事后违约无关。

• • 第二，使用无摩擦期权模型，我们证明估计的SLR利差与隐含违约概率的0.037个百分点（pp）的增加有关。
    1. 这一隐含违约概率的增加低于由于气候风险缓解税（Hong, Wang, and Yang, 2021）和市政债券市场的隐含违约增加（Goldsmith-Pinkham等人，2021）而导致的预期违约增加。

• • 我们的结果表明，金融机构可能还没有将SLR风险的全部内容纳入他们对住宅抵押贷款的定价中。

• • 我们进一步表明，贷款人对气候变化风险的关注和态度可能是阻止他们将SLR风险纳入抵押贷款定价的机制。
    1. 与气候变化风险在早期样本时期不太可能被认识的观点一致（Bolton和Kacperczyk，2021），我们发现SLR溢价在90年代不太突出。

1. 1. 1. 此外，虽然我们发现在飓风或媒体高度关注气候变化的时期，SLR溢价较高，但这些影响在最初事件发生的两个季度后就消失了，这表明贷款人对气候变化的关注是短暂的。

1. 1. 1. 我们还发现，在当地居民（包括当地贷款人员）认为气候变化正在发生的地区，这种影响较弱。

• • 最后，我们研究了不同银行对SLR风险的定价是否不同。
    1. 我们发现，SLR溢价在以下银行中更为突出：（1）规模较小的本地银行；（2）从事传统银行活动较多的银行；（3）在发放抵押贷款和处理面临SLR风险的房产的抵押贷款申请方面经验较多的银行。

1. 1. 1. 因此，我们的结果表明，经验和对SLR风险的暴露是决定银行对这种非常规风险定价能力的重要因素。

1. 关注抵押贷款市场，我们记录了贷款人对暴露在更大的SLR风险下的房产的抵押贷款的SLR风险溢价。

1. 我们论文的一个重要贡献是，除了记录价格效应之外，我们还评估了与这种风险溢价相关的隐含违约概率的增加。

1. 温和的经济幅度，加上其对当地信仰、注意力和贷款人经验等因素的敏感性，突出了贷款人在纳入和管理与SLR相关的风险方面所面临的挑战。因此，我们的结果总体上表明，虽然金融机构被认为是成熟的，但他们为住宅抵押贷款的SLR风险定价的能力仍然有限。

1. 从监管的角度来看，我们的发现特别重要，因为它表明需要一个更加标准化的方法来衡量和纳入气候相关的风险（Becketti，2021）。更广泛地说，我们的论文也增加了越来越多的证据，即气候相关的风险可能没有被完全纳入各种资产类别。

1. 在公司贷款方面，Delis等人（2021）和Jiang、Li和Qian（2020）表明，贷款人对面临更严格气候政策的化石燃料企业和面临更高的SLR风险的企业施加了更高的信贷成本。
   • 我们对这一文献进行了补充，表明银行意识到并试图对住宅抵押贷款市场的这种风险进行定价。

• • Ouazad和Kahn（2021）表明，银行更有可能在最近遭受重大自然灾害的地区启动可以证券化的抵押贷款。

• • 我们表明，与气候有关的风险也会影响住宅抵押贷款的定价，特别是那些没有资格进行证券化的抵押贷款。

• • 因此，我们的结果是对他们的补充，表明抵押贷款定价是银行用来管理SLR潜在风险的另一种机制。

1. data

a. mretgage data抵押贷款数据

1. Our loan-level mortgage data are taken from the Black Knight Financial Services Group’s McDash dataset. 
   • This dataset covers approximately two-thirds of the mortgage market in the USA and includes information on several mortgage characteristics (e.g., interest rate, loan amount, and maturity), risk characteristics of borrowers (e.g., FICO score and loanto-value ratio), mortgage performance since origination (e.g., information on repayments, delinquencies, and loan modifications), and characteristics of the mortgaged properties (e.g., appraised amount, property type, and  geographical location). 

• • To protect the privacy of homeowners, the data provider codes property locations at the five-digit zip code level. Because this dataset focuses on loan performance, our primary sample only covers originated loans. 

• • To construct our sample, we begin with the universe of all McDash mortgages originated between January 1992 and June 2018.

• • We restrict our attention to a set of relatively homogenous mortgages, that is, all conventional, 30-year fixed-rate mortgages with nonmissing FICO, loan-to-value ratio, debt-to-income ratio, interest rate, appraisal amount, and geographic identifier.

• • We also exclude mortgages with “exotic” features, that is, those with balloon payments and teaser-rate periods. To minimize possible data errors, we follow Agarwal, Duchin, and Sosyura (2013) in excluding observations with FICO scores <300 or >900 and observations with reported loan-to-value ratios above 100%.

b. exposure to SLR risk

1. We measure SLR exposure at the five-digit zip code level to be consistent with property locations in the McDash dataset being geocoded at the five-digit zip code level. 

1. To determine each zip code's exposure to SLR, we use publicly available SLR maps from the US NOAA.
   • The NOAA provides detailed geographical shapefiles that describe the latitudes and longitudes that would be inundated following an increase in average global sea level of 1–6 feet compared with the year 2000. 

• •  We combine NOAA's SLR maps with zip code tabulation area shapefiles from the Census Bureau. 

• • Our measure for SLR exposure, “SLR Exposure,” is defined as the proportion of the zip code tabulation area that would be under water if the global SLRs by 6 feet. 我们对海平面暴露风险的衡量，即 "海平面暴露风险"，被定义为如果全球海平面上升6英尺，邮编区将处于水下的比例。

• • 根据美国机构间可持续发展工作队的最坏情况，即全球平均可持续发展每年增加25毫米，6英尺的可持续发展将在大约2073年实现。因此，我们的措施有可能反映出财产被全球海平面上升所淹没的长期风险。尽管这些海平面预测涵盖了我们样本中抵押贷款到期后的时期，但银行在气候变化风险实现的时间范围方面也面临着很大的不确定性（Cai和Lontzek，2019；Barnett，Brock和Hansen，2020）。例如，可能会出现监管变化（由与抵押房产无关的其他气候事件引起），迫使银行通过在资产负债表上确认这些房产的SLR风险来实现SLR风险。这些事件可能发生在抵押贷款的有效期内，即使相关财产仍然在海平面以上。此外，海平面上升还可能导致更频繁的极端天气事件，这反过来又会压低房价，从而压低银行抵押品的价值。因此，银行不仅面临着房屋被直接淹没的风险，而且还面临着海平面上升所引起的其他负面外部因素。

1. 我们的分析主要集中在美国大陆的沿海州。
   • 在这些州中，我们将样本限制在距离海岸线30公里以内的房产抵押贷款上。
     1. 图1为样本中所有沿海州的邮政编码的样本观测值的分布。

1. 在选择这个30公里的带宽时，我们权衡了包括具有巨大的SLR暴露风险的房产和最大限度地增加各邮编之间的SLR暴露风险的变化
2. 在30公里的带宽内，SLR的平均风险为9.4%，标准差为0.193。相比之下，当我们考虑30-60公里的带宽时，这些数字急剧下降到平均风险为0.8%，标准差为0.05,。
3. 由于我们的识别策略依赖于距离-海岸线分区内的变化，因此，我们的结果不应受到这种距离限制的影响。——图3显示，我们的结果对跨越30公里门槛的两个方向的替代性样本限制是稳健的，如距海岸线5或45公里。

c. Distance to coast and elevation

到海岸和海拔的距离

1. 我们采用两个地理变量来控制可能混淆SLR暴露与抵押贷款成本之间关系的当地条件。
   • 第一个变量是到最近的海岸的距离，我们从NASA的海洋生物学处理小组获得数据。NASA's Ocean Biology Processing Group

• • 第二个变量是海拔高度，由美国地质调查局的高程点查询服务提供。the US Geol ogical Survey’s Elevation Point Query Service

• •  We measure both variables at the centroid of each zip code. The average zip code in our sample is 10.4 km away from the coast and 64 m above sea level. These statistics are similar to those reported in prior studies. 我们在每个邮政编码的质心处测量这两个变量。我们样本中的平均邮政编码距离海岸 10.4 公里，海拔 64 米。

summary statistics

• • 我们的主要样本包括位于2743个邮政编码（代表238个县）的620244份原始抵押贷款。

• • 样本中的平均贷款金额约为506712美元，平均利率为5.707%（相当于2.122%的平均利差）。平均借款人的FICO分数为738，债务收入比为34%，贷款额为房产评估价值的63%。这些统计数据与使用McDash数据库的先前文献中报告的统计数据相当（例如，Agarwal、Duchin和Sosyura，2013）。

• • 在我们的样本中，47.4%的抵押贷款（620244份中有293690份）发放给了购买邮编为非零SLR风险的房屋的申请人。SLR的平均暴露量为9.4%。SLR暴露的统计数据与使用NOAA数据库的先前研究中的统计数据相似（例如，Kousky，2017；Montgomery和Kunreuther，2018）。

1. • 面板B按州提供了平均SLR风险和平均利率利差的详细细分。我们发现，各州的SLR暴露风险存在显著差异。而前三个州（北卡罗来纳州、南卡罗来纳州和佐治亚州）的平均SLR暴露率为40%，后三个州的平均SLR暴露率为2%（华盛顿州、弗吉尼亚州和宾夕法尼亚州）。在较小的地理单位（如县和市）内，SLR暴露率也有相当大的差异。
     1. 利率利差等于利率-无风险利率。rate spread=interest rate-risk free rate
2. 图2显示了宾夕法尼亚州费城市六个邮政编码的SLR暴露水平。我们显示，在该市，SLR暴露率范围从0%到>78%。这表明，我们的样本中SLR风险暴露有足够的变化，以确定SLR风险和抵押贷款利率之间的任何关系。

empirical model

1. 我们的实证设计的目标是调查房地产的SLR暴露水平（以邮政编码水平衡量）与利率利差之间的关系。
   • 我们面临的关键经验挑战是，利率利差可能会随着房地产预计的SLR暴露风险之外的其他维度而变化。
     1. 例如，考虑到沿海房地产更昂贵，这些房地产的抵押贷款平均而言可能具有更高的债务与收入比率，因此利差也更高。

1. 或者，由于沿海住宅通常比其他住宅更有价值（Bin等人，2008年），这些房产可能会吸引更富裕、信誉更高的买家，从而降低利差。

• 为了应对这一挑战，我们指定了一个实证模型，该模型比较了同一年和同一县的抵押贷款、显著等同的房产（基于其与海岸的距离、海拔高度、房产类型和评估价值）以及具有类似风险特征的借款人（即FICO分数和贷款价值比）。我们估计以下回归方程：
  • 因变量是Rate Spread，它是在第t年在邮政编码为z的抵押贷款i的利率与10年期美国国债收益率之间的差异。虽然最好使用30年期国债收益率来匹配我们的抵押贷款期限，但我们没有30年期国债收益率的完整数据，因为美国政府在2002年至2004年期间停止了30年期国债的发行。i为抵押贷款的识别，z为邮政编码，t为年份

1. SLR Exposure是指如果全球SLR上升6英尺，邮政编码为z的房产将被淹没的比例；如果贷款人将SLR风险纳入其贷款定价决策，SLR Exposure的系数将为正。
2. 对我们的识别策略来说，关键是包括距离海岸线的分组。使用与Bernstein, Gustafson和Lewis（2019）相似的方法，我们构建了13个宽度逐渐变小的、靠近海岸的距离-海岸线区间。它们对应于以下公里到海岸的桶。[0-0.01], [0.01-0.02], [0.02-0.04], [0.04-0.08], [0.08-0.16], [0.16-0.32], [0.32-0.64], [0.64-1.28], [1.28 2.56], [2.56-5], [5-10], [10-20], 和 [20-30] 。
   1. 平均bin大小为4.2公里宽。

• 图IA-1绘制了到海岸的距离和利率差之间的关系。我们发现，当我们靠近海岸时，抵押贷款的利差迅速减少。这是预期的，因为沿海的房子有更好的设施（Bin等人，2008），这可能会吸引更多富裕的和有信用的申请人。因此，这种盆地内的变化不仅控制了诸如沿海设施等细化的地方特征，而且还可以吸收一些可能影响利差的房产和抵押贷款申请人特征的变化。
• 总的来说，纳入我们的全套 "互动 "固定效应，使我们能够比较在同一年和同一县的抵押贷款，具有类似特征的房产（即与海岸的距离、海拔高度、房产类型，以及具有类似风险状况的借款人）（即FICO分数和贷款价值比）
• 重要的是，即使我们包括了交互固定效应，在SLR暴露方面仍有很大的变化，使我们能够估计它对贷款利差的影响。例如，我们的回归将确定SLR风险和两个抵押贷款的贷款利差之间的关系，这两个抵押贷款都是单户房产，价值在37万到46万美元之间，海拔在6到9米之间，位于德克萨斯州哈里斯县离海岸5到10公里之间。这两处房产位于邮政编码77571和77536。虽然这两个邮编离海岸几乎一样远，但77571的SLR暴露度为4%，而77536的暴露度为20%。

1. SLR Risk and the Costs of Mortgage Credit

3.1 baseline results

1. 表二报告了检验SLR暴露对抵押贷款成本（利率利差）影响的基线回归结果。各列的模型规格在包含的固定效应方面有所不同。
   • 第1列的结果是为了说明问题；SLR风险的系数是正的，在远低于1%的水平上有统计学意义，等于0.103。（1栏没有任何固定效应）

• 在第2列中，我们包括年度固定效应Year-fixed effects，对SLR风险的估计系数从0.103略微下降到0.091。
• 第3列包括了县城、沿海距离区间、海拔区间、FICO区间、贷款价值区间、房产类型和房产价值区间的交互固定效应。Location x Mortgage-fixed effects + Year-fived effects 这些细化的交互固定效应吸收了潜在的遗漏变量，这些变量可能混淆了SLR风险和到海岸的距离之间的关联性。
• 第4栏包括了全部的固定效应Location x Mortgage x Year-fixed effects；SLR风险的系数仍然在1%以下的水平上具有统计学意义，但系数的大小略微下降到0.075。
• 因此，我们的证据表明，贷款人对暴露在更大的SLR风险下的房产的抵押贷款申请收取更高的利率差rate spread。这种影响是在控制了各种地点、时间、借款人和房产特征后得到的。
• 获得的幅度表明影响不大，这是可以预期的。第4栏的系数估计表明，在所有房产都面临SLR风险（SLR暴露风险=1）的邮编中，抵押贷款的利率差比没有房产面临SLR风险（SLR暴露风险=0）的邮编中的抵押贷款利率差高出约7.5个基点。利率差的增加意味着我们样本中的平均借款人的融资成本增加了近9,000美元。这种SLR溢价与先前研究抵押贷款定价的影响幅度相当，例如Buchak等人（2018）记录的传统银行和非金融科技影子银行之间的平均利率差距（2.4个基点），或Bhutta、Fuster和Hizmo（2020）记录的借款人向一家以上银行申请以寻求更好的贷款条件时的利率下降（7个基点）。
• 正如我们在第5节中所显示的，这种温和的影响与贷款人认为SLR是一种长期的风险是一致的；我们的结果也表明，并非所有的贷款人都准备为这种非常规的风险定价。与我们的控制变量相对应的系数显示了贷款风险特征和信贷成本之间的预期关系。具体来说，较高的抵押贷款利差与拥有较低FICO分数、较高债务收入比和提供较少文件的借款人有关。有预付罚款的贷款也会吸引更高的利差。
• 图3说明了使用海岸的替代带宽度的SLR风险和利率差之间的关系。在该图中，我们报告了当我们使用距离海岸线的以下带宽内的房产抵押贷款来重新估计方程（1）时，对SLR风险的估计系数和95%置信区间。5、10、15、20、25、30、35、40和45公里。在所有的带宽中，我们观察到暴露在更大的SLR风险下的房产抵押贷款有统计学上的显著SLR溢价。这让我们感到欣慰的是，我们的结果对海岸线的带宽选择并不敏感。

3.2 Robustness Tests for the Baseline Results

我们的析有一个局限性，那就是房产位置是在五位数的邮政编码水平上进行编码的，而不是在更精确的地理位置水平上。房屋的水下预测是在邮编层面上测量的，这就引起了我们的主要关注变量--SLR暴露的潜在测量误差。

1. 我们通过将SLR暴露与一个地方的SLR风险暴露的不同来源联系起来来缓解这种担忧。
   • 具体来说，我们的工具是一个虚拟变量，如果一个给定的邮政编码有一个海滩滋养项目，则等于1，否则等于0。
     1. 海滩滋养的目的是为了恢复海平面上升导致的侵蚀海滩的宽度。因此，我们期望海滩滋养项目的存在与海平面上升风险呈正相关关系。

1. 虽然这个工具容易受到类似的测量问题的影响，但我们认为，这些测量误差不太可能在两个测量中相互关联。

• • Panel A reports IV regression results which estimate the effect of long-run SLR risk on mortgage loan pricing. 工具变量回归结果
    1. 工具变量法---两阶段最小二乘法（2SLS）需要做两个回归：
       • 第一阶段回归：用内生解释变量（SLR暴露）对工具变量（虚拟变量）和控制变量回归，得到拟合值。
• 第二阶段回归：用被解释变量（利率利差）对第一阶段回归的拟合值和控制变量进行回归。

1. (1)栏报告了第一阶段的估计。海滩滋养项目--SLR 暴露风险
2. 我们的工具与一个邮编的SLR暴露是正相关的，而且显著相关。第二阶段的回归结果在第（2）栏中报告。IV估计的系数仍然是正值，缓解了我们的结果完全由测量误差驱动的担忧。 SLR 暴露风险--利率利差
3. 关于我们的结果的另一个担忧是，SLR风险和抵押贷款成本之间的关系可能是由于与未观察到的地方特征的虚假关联。尽管在主模型中加入固定效应已经吸收了各种地点特征，并在很大程度上解决了这个问题，但我们通过进行安慰剂测试来进一步解决这个问题。

• • Panel B performs a placebo test by removing all loans in zip codes with a positive SLR risk (treatment zip codes) from the sample. B组进行安慰剂测试，从样本中删除所有具有正SLR风险的邮编（处理邮编）的贷款。
    1. 具体来说，我们的安慰剂测试是根据地理上的接近程度来重新分配SLR暴露值（Jiang, Li, and Qian, 2020）。

1. 为了构建 "安慰剂 SLR 暴露"，我们首先排除了具有正 SLR 风险的邮政编码（处理邮政编码）的所有贷款。对于每一个被排除的处理邮编，我们将其正的SLR风险值分配给同一县内最近的、没有SLR风险的邮编。因此，具有正的安慰剂SLR暴露的观察值是没有任何SLR暴露的观察值，但很可能是在与治疗邮编具有类似位置特征（除了SLR暴露）的地区。我们用安慰剂SLR暴露重新估计了表二第4栏的规格，并在表三的B组中展示了结果
2. 这一结果表明，我们在表二中的主要发现不太可能是由未观察到的位置特征驱动的，因为如果是这样的话，我们就会观察到一个大的和有统计学意义的安慰剂估计。
   1. 具体来说，我们根据以下贷款和地点特征，将具有正的SLR风险的邮编（处理邮编）的抵押贷款与具有零SLR风险的邮编（控制邮编）的抵押贷款相匹配。贷款和地点特征：FICO，债务收入比，贷款价值比，巨额贷款，低文件，有预付罚款，和Ln（当地收入）。
3. 我们进一步要求处理和控制观察是针对同一县的房产，并且抵押贷款是在同一年发放的。如表三的C组所示，当我们使用匹配样本重新估计方程（1）时，SLR暴露的系数仍然是正向的。
4. 多变量距离核匹配（multivariate distance kernel matching）

• • D组报告了其他稳健性测试。
    1. 因变量是利率差，即首次观察到的贷款年利率与10年期美国国债收益率之间的差异。主要的自变量是SLR风险，即如果SLR上升6英尺，将被淹没的那部分邮政编码区域。样本仅限于1992年至2018年间位于海岸线30公里以内的抵押贷款。

1. 在第1列中，我们将邮政编码级别的房价和房价增长的衡量标准作为额外的控制变量。这是为了控制当地住房需求趋势对抵押贷款定价的潜在混杂影响，因为Keys和Mulder（2021）发现，在SLR风险最大的社区的住房交易比SLR风险较小的社区的交易低16%。
2. 第(2)列包括邮政编码的总人口水平措施和至少拥有学士学位的人口比例，以控制社区的质量。
3. 第(3)栏包括对其他地点和财产特征的额外控制。非业主占用，Ln（距离海岸），Ln（距离海岸）2，Ln（海拔），Ln（海拔）2，Ln（财产价值）和Ln（财产价值）2。
4. 我们将整套固定效应与季度的固定效应（第4列）和月份的固定效应（第5列）相互作用。这些细化的时间固定效应进一步控制了可能影响抵押贷款定价的年内季节性变化。
5. 第6栏将整套固定效应与10分的债务收入比分值进行互动。
   1. 在第4-6列中使用的广泛固定效应分别将我们的样本减少了大约38%、65%和42%，这是因为排除了大量的单子观察，所以我们选择了表二第4列的规格 因此，我们选择表二第4列中的规格作为我们的基线规格。
6. 第7列将样本限制为具有正SLR风险的邮政编码
7. 第8列使用30年期（而不是10年期）美国国债收益率来计算利率差。我们的结果在所有规格中都是稳健的。

4. Interpretation of Magnitudes

为了解释我们的SLR溢价的经济意义，我们使用无摩擦期权理论模型（FOM）—— 一个基于Merton（1974）的可追踪模型-来抵消我们SLR利差隐含的违约概率增加。

1. 根据FOM，借款人持有抵押贷款作为债务，以换取两种资产：一套房屋a house（H）和一套违约认沽期权a default put option（P）。为了保持违约看跌期权的有效性，借款人必须在每个月底支付固定的月度付款a fixed monthly payment（C）。或者，借款人可以行使违约认沽期权，以与抵押贷款未偿余额（M）相等的执行价格将房屋出售给贷款人。我们发现，在抵押贷款的有效期内，该抵押贷款的隐含违约概率为46.348%。然后，我们根据表II第4列中的估计将SLR溢价添加到抵押贷款（5.707%+0.075%=5.782%），并使用该利率重新校准我们的二项期权定价模型。隐含违约概率为46.385%。

• • 因此，SLR风险溢价隐含的违约概率变化为46.385%-46.348%=0.037 此外，我们发现隐含违约概率的增加集中在未来的一段时间。如表IV所示，在抵押贷款期限的前15年，违约概率几乎没有增加，在过去15年中，违约概率为0.049 pp。在过去10年和5年中，违约概率的增加分别为0.055 pp和0.076 pp。

1. • 为了进一步阐明SLR溢价的经济意义，我们将SLR导致的违约概率的隐含增加与最近研究的两个基准进行了比较。*（可忽略）
     1. 第一个基准是，如果SLR暴露房地产的业主被要求支付昂贵的气候风险缓解税，违约概率的隐含变化（Hong、Wang和Yang，2021）。虽然这项税收将用于投资于缓解技术，以减少未来气候相关灾害造成的损失，但它也会立即减少流向房主的现金流。Hong、Wang和Yang（2021）校准了一个随机一般均衡模型，该模型预测气候风险缓解税将使财产价值减少5%。这5%的价值影响对应于我们样本中平均抵押贷款的隐含违约概率增加0.138个百分点。
2. 最近研究中记录的隐含违约概率的增加高于我们的基线校准。结果表明，我们记录的SLR溢价暗示了对住宅物业SLR风险的悲观看法，或者金融机构可能尚未将SLR风险纳入其住宅抵押贷款定价中。虽然我们无法区分这两种可能性，但我们在后续章节中的结果表明，信念和注意力可能是阻止金融机构将SLR风险纳入抵押贷款定价的机制。

5. Economic Mechanisms

在本节中，我们研究了SLR溢价的异质性，以便更好地理解SLR风险纳入抵押贷款成本的潜在机制。我们的分析表明，抵押贷款利率反映了贷款人对长期气候变化风险的信念和关注，以及他们将抵押贷款证券化的能力。

5.1 Long-Run Climate Risk（债券期限）

SLR是一个长期风险，即缓慢上升的海洋最终会淹没沿海地区。因此，要求SLR高达6英尺的房地产抵押贷款被淹没会导致更高的溢价，这表明贷款人将SLR视为长期风险。在本小节中，我们通过执行以下三个测试来检验这个猜想。

1. 首先，如果SLR风险通过海洋上升的长期风险影响抵押贷款信贷成本，则SLR溢价的影响在期限较短的抵押贷款中应该不那么明显。

• • 为了验证这一假设，表V小组A的第1列侧重于传统的15年期短期抵押贷款样本。25本样本中的平均SLR暴露率为9.9%，60%的邮政编码具有正SLR暴露，这与我们的基线样本相似。第1列的结果表明，SLR风险对短期抵押贷款的利差没有统计学上的显著影响。

• • 由于寻求短期抵押贷款的借款人可能不同于寻求长期抵押贷款的贷款人，第2列使用了包括短期和长期抵押贷款在内的完整样本，并将SLR风险与“短期抵押贷款”相互作用，“短期抵押贷款”是一个虚拟变量，15年期短期抵押贷款为1，否则为0。

1. • 第3列通过增加短期抵押和所有控制变量之间的相互作用，进一步控制短期和长期抵押之间的可观察差异。与第1列中的结果一致，SLR风险*短期抵押贷款的相互作用系数为负，且在统计学上具有边际显著性（第3列中的P值=0.051），这表明SLR溢价在期限较短的抵押贷款中不太突出，贷款人确实更关注长期的气候风险（例如，Jiang、Li和Qian，2020；Painter，2020）
2. 此外，有人可能认为，SLR溢价可能反映出贷款人对短期洪水事件造成的潜在损害的担忧。
   • 为了将长期气候风险与短期洪水风险隔离开来，表V中的B组将样本限制在样本期内从未经历过任何主要河流洪水（第1列）、沿海洪水（第2列）或河流或沿海洪灾（第3列）的县。

• 在第4栏中，我们将样本限制在从未获得联邦紧急事务管理局任何实质性援助的县，
  • 当联邦紧急事务处理局洪水区发生破坏时，会触发此类援助。26这些样本限制有效地消除了所有可能面临短期洪水风险的县。即使在当前没有洪水的情况下，这些县的房地产估价和抵押贷款利率也可能有所不同。尽管根据规范，我们的样本量减少了9.70%，但第1-4列中的SLR暴露系数仍然具有统计学意义。

• 在第5列中，我们遵循Baldauf、Garlappi和Yannelis（2020），通过包括“洪水10”来控制短期洪水风险，
  • 洪水10是指在给定年份发生概率为10%的洪水的高度。我们发现，控制洪水10并不能消除估计SLR保费的统计意义。

1. 总体而言，表V中B组的结果表明，短期洪水事件不太可能解释SLR溢价。
2. 同样，如果SLR溢价反映了长期的气候风险，SLR风险应该与申请人的短期信贷风险无关。为了测试情况是否如此，我们使用三个代用指标来捕捉申请人的风险：申请人的FICO分数，贷款价值比，和贷款拖欠情况。根据Cortes, Duchin, and Sosyura (2016), 贷款拖欠是一个虚拟变量，如果贷款在头五年内拖欠90天或进入止赎期，则等于1，否则等于0。抵押贷款违约回归包括类似于表二第4列的控制变量和固定效应。FICO和贷款与价值的回归不包括FICO分类和贷款与价值分类。表五的C组显示了结果。

在所有结果变量中，对SLR暴露的估计系数在常规水平上没有统计学意义，在经济上与零没有区别。与SLR是一种长期风险的论点相一致，第3栏的结果表明，SLR的暴露并不会导致借款人在短期内拖欠抵押贷款。总的来说，C组的研究结果表明，SLR溢价不太可能由申请人的信用风险驱动。

5.2 Climate Risk Salience

1. 到目前为止，我们的结果表明，贷款人对长期的气候变化风险进行定价，这与他们是成熟的投资者相一致。然而，我们自然会想到，并不是所有的贷款人都同样准备为这种非常规的风险定价，其长期影响是非常不确定的（例如，Nyberg和Wright，2015）。

1. 在本小节中，我们进行了各种跨时间和跨地域的交叉测试，以阐明贷款人对气候变化的关注在定价SLR风险中的作用。

1. 首先，我们探索SLR溢价随时间变化的异质性。我们预计，在我们样本期的前几年，当贷款人不太可能意识到这种风险时，SLR溢价就不那么突出了。例如，Bolton Kacperczyk(2021)发现在20世纪90年代没有明显的碳排放风险溢价，这与当时的投资者对气候变化风险的认识较少的观点一致。
   • 为了研究这一假设，表六A组第1列将SLR Exposure与两个时间假数相互作用：1992-1999和2000-2018。意料之中的是，我们发现2000年以前的交互式SLR溢价在统计上并不显著，这表明在1990年代发放的抵押贷款没有SLR溢价。相反，对于2000年或之后发放的抵押贷款，SLR溢价显著为正。

• 在第2栏，我们使用了更细化的时间序列变化。1992-1999年，2000-2006年，以及2007-2018年。交互的SLR溢价在2000年前是0.013，不显著，在2000年至2006年期间是0.068（P值<0.05），在2006年后是0.083（P值<0.05）。总的来说，虽然结果表明2000年代的SLR溢价明显增加，但此后的逐渐增加只是微不足道。
• 鉴于A组的发现，我们接下来评估SLR溢价反映贷款人对当地气候事件的短期反应的可能性。

1. Hong, Wang, and Yang (2021)明确指出，虽然对气候变化的信念在灾害到来时离散地向上增加，但在没有灾害的情况下，它却确定性地减少了。作为对这一猜想的首次检验，我们用飓风的发生来捕捉贷款人对气候变化风险的关注。飓风过后，由于媒体对其后果的报道增加，贷款人更可能关注气候变化风险（Krueger, Sautner, and Starks, 2020）。
2. 为了将飓风对借款人信用的直接影响与对贷款人关注长期气候变化风险的影响隔离开来，我们排除了直接受飓风影响的州，研究了未受影响的州中飓风过后的SLR溢价变化。我们包括国家飓风中心报告的造成至少300亿美元损失的最严重的飓风。

• 我们使用四个指标变量。"飓风（第一季度）"、"飓风（第二季度）"、"飓风（第三季度）"和 "飓风（第四季度）"，表示飓风发生后的第一、第二、第三和第四季度。
• 为了研究我们的假设，我们将 "利率利差 "回归到 SLR 暴露和上述飓风指标的交互作用上。表六的B组报告了结果。
  • 我们发现SLR风险和飓风（第二季度）之间的交互项的系数是正的，并且具有统计学意义。相比之下，SLR Exposure与其他时间段指标之间的互动系数在统计上并不显著。因此，结果表明，在飓风过后的第二季度，SLR溢价的幅度变得更大。这种延迟效应是可以预期的，因为抵押贷款的发放过程可能需要几个月的时间，因为贷款官员需要收集、核实和处理申请人的信息。（气候变化的延迟效应）
• 此外，，因为在飓风过后的第三和第四季度，SLR暴露和时间段指标之间的交互系数是不显著的。
  • 具体来说，我们发现，在媒体对气候变化风险的关注度增加后，第二季度的SLR溢价幅度变得更大。这种影响似乎也是短暂的：与 "CCNI峰值（第三季度）"相互作用的系数变得微不足道，与CCNI峰值（第四季度）相互作用的系数接近于零，在统计上不显著。
• CCNI峰值（第一季度）、CCNI峰值（第二季度）、CCNI峰值（第三季度）和CCNI峰值（第四季度）是指标变量，在 "峰值 "月份之后的第一、第二、第三和第四季度等于1，定义为WSJ气候变化新闻指数位于样本前10%的月份。
• 总的来说，组和C组的结果与Hong, Wang, and Yang (2021)一致，即SLR风险的定价反映了贷款人对极端天气事件的反应。与Hong, Wang, and Yang (2021)预测在没有气候灾害的情况下，对气候变化的关注会逐渐减少类似，我们发现贷款人对气候相关事件的反应是短暂的。这也可能解释了为什么我们在面板A中没有发现2000年代SLR溢价随时间逐渐增加的强烈统计支持。

5.3 Climate Change Beliefs

接下来，我们研究社区对气候变化风险的信念如何影响SLR溢价。

1. 研究表明，气候变化的信念会影响各种金融和资产市场对SLR风险的定价（例如，Baldauf, Garlappi, and Yannelis, 2020）。

1. 即使贷款官员可以说比普通人更有财务经验，但先前的研究表明，他们的决策行为会受到一些因素的影响，如大型体育赛事的结果（Agarwal，Duchin和Sosyura，2013），当地的日照量（Cortes，Duchin和Sosyura，2016），或贷款审批连胜（陈，Moskowitz和Shue，2016）。

1. 鉴于此，值得调查的是，SLR风险的定价是否受到负责对贷款申请提出建议的当地贷款官员的气候变化信念的影响。
   • 为了测试这一点，我们使用Yale Climate Opinion Maps（Howe等人，2015年）测量县级的气候变化信念。第一张公开的地图使用了2014年进行的调查回复，每两年更新一次。因为我们的样本期是从1992年到2018年，我们使用最早的2014年调查数据。

• 我们对气候信仰的主要衡量标准，"Climate Believing County"，是一个虚拟变量，如果该县对是否相信气候变化正在发生的问题回答 "是 "的人的百分比高于样本的中位数，则等于1，否则等于0。
• 我们将利率利差回归到 SLR Exposure和Climate Believing County之间的交互作用上，并在表七中显示结果。由于气候变化信念的变化是在县级的，所以我们把这个分析的标准误差集中在县级。SLR暴露和相信气候的县之间的交互系数是正的，表明SLR溢价随着气候变化信仰的变化而变化，甚至在成熟的决策者中也是如此。

6. Additional Analyses

6.1 Securitization（证券化）

到目前为止，我们的研究结果表明，贷款人通过将风险纳入贷款定价，为长期气候变化风险赚取更高的溢价。相反，Ouazad和Kahn（2021）表明，银行通过增加对最近遭受重大自然灾害地区的可证券化抵押贷款的启动，将气候相关风险转嫁给政府担保企业（GSEs），如房利美和房地美。

1. 本节探讨了SLR溢价是否取决于贷款是否有资格出售给GSEs-房利美和房地美。GSEs通过其回购条款完全吸收了他们所购买的贷款的信用风险，在该条款中，出售给GSEs的贷款被购买、包装并被保险以防止本金和利息的损失。GSEs提供一个定价网格，帮助银行确定GSEs收取的信用风险溢价。具体来说，符合GSE条件的贷款的定价受制于GSEs的恒定利率政策，其中利率根据借款人可观察到的信用评分、贷款价值比和其他可观察到的借款人特征而变化，但不包括系统地影响不同地区信用风险的因素（Hurst等，2016；McGowan和Nguyen，2021）。因此，从GSE的定价网格中设计的利率不太可能反映SLR风险。相比之下，对于不符合GSE承保标准的贷款，贷款人必须将其保留在资产负债表上，或将其出售给对冲基金或保险公司等私人机构。由于违约成本直接由贷款人或规避风险的私人机构承担，我们预计，贷款人将采取更高的利差来弥补更大的SLR风险。

1. 为了测试我们的预测，我们回归了SLR风险与“GSE不合格贷款”之间的相互作用的利差。
   • GSE规定了贷款必须满足的承销标准，才能有资格出售给GSE。继Bayer、Ferreira和Ross（2018）之后，GSE不合格贷款是（1）大额贷款，即贷款金额大于国家级符合贷款限额的贷款，或（2）次级贷款，即手动承保贷款的债务与收入比率大于45%的贷款，或者非手动承保贷款债务与收入比例大于50%的贷款，固定利率抵押贷款的贷款价值比大于97%，可调利率抵押贷款大于95%。

• • “GSE-ineligible loan”是一个等于1的指标变量，如果贷款是（1）大额贷款，即金额大于县合格贷款限额的贷款或（2）次级贷款，即手动承保贷款的债务与收入比率高于45%，或非手动承保贷款债务与收入比高于50%，固定利率抵押贷款的贷款价值比高于97%，可调利率抵押贷款高于95%。

• • 由于贷款人在对GSE不合格贷款定价时可能会为借款人的信用评分及其贷款价值比分配不同的权重，因此我们还包括GSE不合格的贷款虚拟值和FICO评分箱以及贷款价值箱之间的相互作用的固定效应。表八的A部分给出了结果。如表VIII的面板A所示，SLR风险敞口与GSE不合格贷款之间的相互作用期限的估计系数为正且具有统计学意义。因此，与我们的预期一致，当贷款不符合出售给GSE的条件时，贷款人更有可能对SLR风险进行定价

6.2 Flood Insurance

1. 由于保险付款可以抵消SLR风险发生时产生的损失，贷款人可能会对投保财产收取较低的保费。

1. 在本小节中，我们将研究洪水保险在解释SLR保费中的作用。
   • 在美国，洪水保险主要由联邦政府的国家洪水保险计划提供。联邦应急管理局编制了洪水危险地图，显示了特殊洪水危险区（SFHA）的位置，并且1973年的《洪水灾害保护法》规定，如果SFHA中的财产与联邦监管的贷款人有抵押贷款或得到联邦政府的支持，则应为其提供洪水保险（Kousky等人，2020年）。强制购买要求意味着SFHA抵押贷款的SLR风险将主要由洪水保险承保

• • 由于测绘过程通常是政治性的，很大一部分暴露于SLR风险的地区不包括在SFHA中，也不在洪水保险范围内（Pralle，2019）。Dixon等人（2006年）估计，SFHA中有一半的房屋都有洪水保险政策，而这一政策主要是由联邦政府的洪水保险强制购买要求推动的。相比之下，SFHA以外的洪水保险市场渗透率仅为1%左右。

1. 我们使用SFHA内部和外部地区之间的洪水保险政策中的这种不对称接受情况来分析洪水保险在调节SLR风险对利率的影响方面的作用。
   • 为了评估邮政编码中的财产是否需要洪水保险，我们从FEMA的洪水地图服务中心获取了国家洪水危险层地理数据。To assess whether properties in a zip code require flood insurance, we obtain the National Flood Hazard Layer geodata from FEMA’s Flood Map Service Center.

• • 我们构造了一个邮政编码级别变量，%SFHA，它是邮政编码区域中被FEMA指定为SFHA的区域的比例。具有正的%SFHA的邮政编码的平均%SFHA为21%。我们假设SFHA邮政编码内的抵押贷款受洪水保险的影响，而SFHA邮政代码外的抵押贷款则不受影响。

• • 然后，我们对SLR Exposed与“SFHA ZIP Code”之间的相互作用的利差进行回归。如表VIII的面板B所示，%SFHA*SLR Exposed的相互作用系数在统计上不显著，表明SLR保费不受借款人是否需要购买洪水保险的影响。SFHA内的一些借款人不在洪水保险范围内，SFHA外的一些借款人在洪水保险的范围内，这一事实可能会在估计中引入噪音，导致两个地区之间的SLR保费没有显著差异。此外，其结果可能是因为洪水保险只承保洪水发生时对房屋造成的损害，而不承保其他极端天气事件造成的损害或当土地被不断上升的海平面永久淹没时对房屋的永久价值破坏。无论如何，我们没有发现任何证据表明洪水保险的存在可以替代SLR保费。

6.3 Heterogeneity across Banks

1. 最后，我们考察了不同银行对SLR风险的定价是否不同。
   • 由于银行具有不同的风险敞口和纳入SLR风险的能力，我们预计银行之间存在巨大的异质性。

• 由于我们的主要McDash数据集没有报告发起每笔抵押贷款的贷款人，因此我们在本节中的分析使用了根据《住房抵押贷款披露法案》（HMDA）收集的替代贷款级别数据集，该法案涵盖了美国抵押贷款申请的几乎所有领域。HMDA中的每个贷款申请都包括有关贷款特征（例如，申请的贷款金额及其类型和用途）、财产类型和地点、申请决定（例如，批准、拒绝或撤回）、发放年份以及重要的贷款人身份的信息。
• 自2018年以来，HMDA开始记录其他变量，包括贷款人对原始抵押贷款收取的利率。因此，我们的样本仅限于2018年和2019年的HMDA贷款。
• 为了确保与McDash样本的可比性，我们的HMDA样本包括源自2018年和2018年的30年期固定利率抵押贷款。这些抵押贷款适用于美国大陆海岸30公里以内的房产。与McDashs相比，HMDA数据集有两个限制。首先，HMDA不报告借款人的FICO分数及其构建低文档指标变量所需的文档级别。其次，借款人的贷款价值比有很多缺失的价值。因此，我们使用借款人的收入和他们的贷款与收入比率分别替代他们的FICO分数和贷款与价值比率。

最终的HMDA样本包括位于2593个邮政编码的房产的389535份原始抵押贷款。（我的天，这数据量也太大了吧，厉害了）

1. 平均贷款金额约为504360美元，平均利差为1.788%。HMDA样本中抵押贷款的平均SLR风险为10.7%。这些统计数据与第2.2节中描述的主要McDash数据集相当。

1. 表IX显示了使用HMDA的回归结果。与我们使用McDash的结果一致，面板A显示SLR暴露的系数为正且具有统计学意义。此外，随着我们逐步将更多固定效应纳入模型，影响的大小保持稳定。

1. 在表IX的面板B–D中，我们探讨了SLR溢价在不同银行特征中的变化，包括银行规模、盈利能力、风险、业务模式、资产负债表组成以及过去的SLR风险敞口。
   • 从监管角度来看，这一分析尤其重要，因为它将允许监管机构根据每个银行识别和纳入气候风险的能力来调整监测工作。

• 我们首先研究SLR保费在银行规模上的变化。（面板B）虽然大型银行和国家银行可以拥有更复杂的模型来纳入气候变化风险（Stiroh，2020），但小型银行和地方银行往往具有更高的本地知识，以便更好地为这种风险定价（Garmaise和Moskowitz，2009；Lim和Nguyen，2021）。在小组B的第1-4列中，我们通过将SLR风险与银行规模和本地化的四个指标相互作用来检验这一假设：（i）Ln（银行资产），银行账面总资产的自然对数；（ii）Ln（分支机构），银行分支机构数量的自然对数；（iii）地方分行，与银行总部位于同一州的部分分行；（iv）与分行的距离，即银行总部与其分行之间的平均物理距离。小组B第1-4列中的正相互作用系数表明，小型和本地银行的SLR溢价更高：账面资产较低的银行、分支机构较少的银行以及本地和邻近分支机构较多的银行。因此，研究结果表明，小型和本地银行在了解本地市场特征和纳入长期SLR风险方面具有优势。
• 在表IX的面板C中，我们调查了SLR溢价是否取决于银行业务模式。我们假设，如果银行在传统的银行活动（如接受存款和原始贷款）方面更有经验，它们就能够更好地将气候风险纳入定价决策。为了验证这一点，我们分别将SLR风险与（i）Interest Income/Total Income，即利息收入除以总收入进行交互；（ii）Loans/Assets，即总贷款除以总资产；以及（iii）Mortgage Loans/Assets，即抵押贷款除以总资产。与我们的推测一致，SLR风险和贷款利差之间的正关系对于收入主要来自传统计息活动的银行（第1列）和资产负债表中贷款比例更高的银行（更具体地说，抵押贷款）（分别为第2列和第3列）更强。总体而言，小组C的结果表明，相关贷款经验使银行能够更好地识别和纳入SLR风险。

• 最后，我们关注银行对SLR风险的敞口。我们预计，拥有更多SLR风险经验的银行更有可能理解并将信息纳入贷款价格。为了验证这一假设，我们将SLR暴露风险与银行的SLR风险经验进行交互，以该银行在给定年份内产生的所有常规30年期固定利率抵押贷款的加权平均SLR风险进行衡量。
  • 我们使用两个不同的加权变量来构建SLR风险经验度量：第1列中的抵押贷款数量和第2列中的贷款金额。

1. SLR Experience（#Loans）是一家银行在给定年份内发起的所有第一留置权、30年期固定利率抵押贷款的加权平均SLR风险（按贷款数量）。
2. SLR Experience（Loan Amount）是一家银行在给定年份内发起的所有第一留置权、30年期固定利率抵押贷款的加权平均SLR风险（按贷款金额）。
3. 面板D中的交互系数表明，SLR溢价在处理SLR风险房产抵押贷款申请的经验更丰富的银行中更强。总的来说，我们在表IX的B–D小组中的结果表明，SLR风险的经验和风险敞口是决定银行对这种非常规风险定价能力的关键因素。

7. Conclusion

我们的论文询问金融机构是否以及在多大程度上对气候变化风险进行事前定价。

1. 我们发现，他们对面临更大SLR风险的房产收取更高的抵押贷款利差。
   • 这一影响在一系列控制措施中都是强有力的，包括位置和财产特征、借款人信誉和洪水保险。

• SLR溢价集中在长期抵押贷款中，不受短期洪水事件或贷款发放时借款人信誉的影响。这表明贷款人将SLR风险视为长期气候变化风险。
• 我们还评估了与SLR溢价相关的隐含违约概率的增加，发现与最近研究中记录的其他基准相比，这种增加是适度的。
• 我们进一步证明，并非所有贷款人都具备同等的能力来纳入SLR风险。具体而言，SLR溢价在缺乏气候相关事件和新闻曝光的地区，以及当地居民不太可能相信气候变化正在发生的地区不太突出。
• 总之，我们的结果突出了金融机构在纳入与海平面上升相关的长期气候风险方面面临的挑战。