【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,