做高精度气象服务这些年我越来越觉得气象行业最性感的赛道不再是给手机App做天气预警而是进入信贷决策——当企业的灾害防御能力开始决定贷款利率“气候贷”这种新物种就诞生了。简单说气候贷是用高精度气象数据还原企业所在地的灾害暴露水平再用一套可核查的评估体系给企业的灾害防御能力打分最后把这两个结果折成贷款利率加减点。它解决的是传统信贷一直忽略的隐性风险极端天气导致的企业停产、资产损毁、现金流断裂。这篇文章适合银行风控、信贷产品经理、绿色金融从业者、气象服务商以及任何想搞清楚“天气怎么变成信用定价因子”的人。1. 从天气预报到信用定价气候贷到底在做什么1.1 传统信贷模型的盲区为什么气象风险被忽略传统信贷审批看什么征信报告、财务报表、抵押物价值、行业前景。这套逻辑默认企业的经营环境相对稳定却恰恰忽略了一个最不确定的因素天气。我见过一个做冷链物流的客户账上现金流很健康抵押物也足银行贷款利率拿得很低。结果一场十年一遇的暴雨仓库进水、冷藏机组泡废三个月没恢复生产贷款就开始逾期。事后复盘以他的区位和仓储条件这个风险完全可以在贷前算出来。不是只有农业才受天气影响。物流、建筑、旅游、制造业、能源、餐饮零售都直接或间接受到气象冲击。传统信贷模型里这类风险往往被归类为“不可抗力”默认没法计量也就没法定价。后果是什么银行只能把风险溢价平摊给所有客户——好的企业多付利息、差的企业少付利息逆向选择越来越明显。气候贷要做的就是把“不可抗力”变成可量化、可定价的指标让真正具备灾害防御能力的企业在贷款时获得更低的利率。我们团队做过一次内部调研在华南地区近五年因灾停产超过7天的中小微企业中有62%在停产后的12个月内出现过还款逾期或展期。这个比例远高于整体贷款不良率。也就是说气象风险不是边缘风险而是实打实的信用风险。过去银行没有工具去度量它不代表它不存在。1.2 气候贷的逻辑让灾害防御能力成为信用的一部分“气候贷”听起来像是一个贷款产品其实背后是一套完整的风险计量体系。它的核心转变在于传统信贷看的是“你有没有钱还”气候贷看的是“你有没有本事不被灾害打断赚钱”。钱可以借但一场暴雨造成的停产、设备损失、供应链中断不是借一笔周转资金就能解决的。灾害防御能力高的企业在极端天气下的现金流韧性明显更强违约概率自然更低。我们把这个逻辑拆成三步第一步评估企业所在位置的气象灾害暴露度。也就是回答“这个地方到底多容易被淹、被台风刮、被冰雹砸”。这一步靠高精度气象数据和地理信息完成。第二步评估企业自身的灾害防御能力。厂房是不是低洼地、设备有没有抬高、有没有备用电源、应急预案是不是真演练过这些都是打分项。第三步把两个结果合起来映射到贷款利率。灾害暴露度高但防御能力强的企业可以给较低的利率灾害暴露度高且防御能力差的企业要么利率上浮要么直接拒贷。这个思路并不复杂但真正落地的时候每一环都有不少坑。后面我会详细讲数据怎么清洗、模型怎么训练、定价怎么落地。1.3 行业场景谁在用气候贷气候贷不是一台通用机器它高度依赖行业和区域。目前我们接触最多的是三类客户第一类是农业和农业生产资料企业比如种植基地、农资经销商、冷库运营商。它们地理位置固定、资产形态清晰气象风险相对容易评估。我们给一家大型种植企业做过测试同样的信用评级因为它的灌溉系统和排水沟渠达标利率比同区域另一家低了45个基点。第二类是物流和仓储企业尤其是冷链。仓储选址是不是低洼区、库房有没有雨水分流设计、有没有备用发电设备这些都能直接评估。仓储企业一旦受灾恢复周期往往很长冷库里的货品损失还会叠加货主索赔风险非常大。第三类是户外作业密集的工程建设和能源运维企业比如风电、光伏电站的运维公司。台风和雷暴对它们的资产和运营影响非常大风机叶片损坏、光伏板被冰雹击穿每一个都是百万级以上的损失。区域差异也很明显。我们自己的数据模型里华南地区的台风强降雨权重、华北地区的干旱权重、西南地区的山洪地质灾害权重都是分开训练的。气候贷的定价必须下沉到区县甚至几百米网格。国家级和省级的平均数据根本做不了这件事。行业大类主要气象风险影响路径关键评估资产农业种植暴雨、干旱、高温减产、绝收、灌溉中断农田水利、排水沟渠冷链物流台风、暴雨、停电冷库进水、温控失效库房标高、备用电源工程建设雷暴、大风、冰雹停工、设备损坏、人员安全现场围挡、设备加固新能源运维台风、雷击、覆冰设备损坏、发电量损失风机叶片、光伏板2. 高精度气象数据气候贷的“原料”2.1 不是看天气预报那么简单数据要求拆解我们做气候贷的第一件事不是建模型而是搞清楚气象数据要细到什么程度。常规天气预报给到县级、未来三天这远远不够。信贷定价需要回答的是这个企业所在的这个小范围未来一年、三年、五年有多大概率遭遇哪种强度的灾害。数据要求至少有四个维度时间长度至少20到30年以上的历史数据才能算出极端天气的回归期。只有10年数据往往连一次“五十年一遇”都覆盖不了。我们建模型时统一使用30年起步部分区域用了50年再分析数据。空间分辨率企业厂房是几百米尺度的资产空间分辨率最好做到1公里甚至100米网格。只用区县级平均会漏掉地形微气候。举个例子同一座城市山前迎风坡的暴雨量和平原低洼区可能相差一倍区县级平均之后这个差异就消失了。时间分辨率小时级降水、风、温度数据是必需的。计算暴雨积水风险时需要看的是“某小时下了多少毫米”而不是“某天总降雨量”。一小时60毫米的短时强降水和一天分布均匀的60毫米造成的冲击完全不同。要素覆盖不仅降雨和风速还要包括雷暴日数、高温日数、干旱指数、土壤含水量、地形高程、土地利用类型。这些要素会组合成灾害链评估比如“暴雨低洼地形不透水地表内涝风险”。缺任何一个环节评估都会失真。数据来源上我们主要用三路数据公共气象站的历史观测、商业气象服务商的网格化再分析数据、以及企业自有或周边部署的物联网气象传感器。三者互相校验避免单源误差。公共数据权威但站点稀疏商业数据空间完整但可能存在系统性偏差IoT数据及时精确但覆盖有限。多源融合听起来高级做起来全是细节后面我会专门讲踩坑。2.2 企业灾害防御能力评估怎么打分气象数据解决的是“老天多不爱惜这个片区的企业”的问题接下来要解决“企业自己抗不扛得住”的问题。我们把它拆成五个一级指标每个指标下再细分若干二级项。下面是我们项目里实际用过的评估框架关键项做了简化一级指标权重关键评估项资产防护30%厂房/仓库地势标高、防洪排水设计、设备离地高度、备用排水泵运营韧性25%备份生产线路、原料替代方案、物流绕行预案、冗余电力保障应急管理20%气象预警接入机制、应急预案演练频次、应急物资储备历史损失15%近五年灾害直接损失率、因灾停产天数、保险理赔记录保险与对冲10%巨灾保险覆盖率、天气衍生品使用情况、合同中的不可抗力条款每个二级项按0到100分打分再按权重加总。举个例子一家冷链仓储企业如果库房标高高于周边道路1米以上、有双回路供电、并且接入了我们的分钟级预警系统资产防护和运营韧性就能拿高分反过来仓库建在低洼区、设备直接放地面、只有一路市电哪怕财务指标再好防御得分也上不去。这里有一个容易被忽视的点打分必须可验证、可留痕。银行要的不仅是分数还要知道分数是怎么来的后期客户如果提出异议每一分都要有证据支撑。我们给信贷员配了一套移动端采集工具每项评估都要求拍照、定位、填写检查记录把评估过程变成贷前尽调的一部分。没有这个过程模型再准银行不敢用。2.3 防御能力如何影响利率定价逻辑打分之后怎么用我们是把它放进一个利率定价公式里。大致逻辑是贷款利率 基准政策参考利率 行业风险基差 区域灾害风险溢价 - 防御能力折扣其中“区域灾害风险溢价”由高精度气象数据和资产暴露度共同决定“防御能力折扣”则由上一节的企业得分决定。防御能力得分每提高10分风险溢价就下调一定比例。举个例子同样在沿海城市经营冷库的两家企业A企业的灾害防御综合得分是82分B企业是47分。按照我们区域的台风内涝模型A企业的风险溢价可以打7折B企业可能还得上浮30%。对A企业来说1000万的一年期贷款按LPR加点方式算最终利率可能差出40到60个基点一年利息差就是四五万。这个差距足以让企业主认真考虑是否要在排水和备用电源上投入了。很多银行同事问我这个定价公式会不会太简单我的回答是信贷定价本身就不需要多花哨关键是风险溢价部分要算得准。我们花大量精力在气象数据和防御能力评估上就是为了让“区域灾害风险溢价”和“防御能力折扣”两个参数站得住脚。参数合理公式简单反而更容易被审批和审计接受。3. 实操从数据接入到贷款定价的完整流程3.1 数据获取与清洗气象数据怎么集成具体到工程实现我们分为四步。第一步划定项目范围。先拿到企业名单和位置信息用经纬度坐标批量关联到网格点而不是用地址字符串硬匹配。我们吃过亏用中文地址匹配很痛苦后面统一要求GPS坐标。如果企业没有GPS至少要精确到门牌号再通过地理编码转坐标。第二步接入历史气象数据。这里推荐用Parquet格式存网格化数据比CSV高效得多。用Python接入大概长这样import pandas as pd import pyarrow.parquet as pq # 读取单年网格数据 grid pq.read_table(temp_grid_2023.parquet).to_pandas() # 筛选目标企业坐标约0.005度相当于几百米范围 target grid[(grid[lon] lon - 0.005) (grid[lon] lon 0.005) (grid[lat] lat - 0.005) (grid[lat] lat 0.005)] # 计算小时降水总量和最大风速 rain_year target[rainfall_mm].sum() max_wind target[wind_speed_ms].max()注意这不是最终生产代码只是示意。真正的清洗还得处理缺测值、传感器迁移导致的突变点以及不同数据源的单位转换。风速有m/s和km/h的坑降水有mm和inch的坑我们有一次就是没注意单位把一个华南区项目的风险敞口算低了三分之一幸好在上线前发现了。第三步计算极端事件指标。比如说“20年一遇24小时最大降水量”需要用广义极值分布GEV做频率分析不能简单取历史最大值。很多初做气候金融的团队会在这里犯错用近五年来最大雨量直接当极限值这会严重低估尾部风险。GEV计算的思路是把每年的最大日降水量序列拎出来拟合概率分布再推算特定重现期对应的量级。这个方法在工程水文领域非常成熟直接搬过来用就行。第四步融合企业防御能力数据。通过现场勘察、企业填报、可公开的信息完成指标打分。这一步耗时最长我们一般建议银行信贷员用“检查清单拍照留证”的方式采集后期抽查。企业填报的数据不能直接信我们见过有企业在“应急预案演练频次”上填“每月一次”现场一问连应急物资堆在哪个仓库都说不出来。3.2 模型构建从气象风险到违约概率数据就绪后需要建一个能够输出违约概率的模型。我们没有一开始就上深度神经网络而是先用可解释性强的结构化模型。原因很简单信贷场景要面对监管和客户你得说得清楚每个特征为什么起作用。具体路径是定义目标变量过去某段时间内样本企业是否发生逾期90天以上这是一个0/1标签。准备特征上面得分项拆解成的50多个二级指标加上气象暴露度指标比如“厂区是否位于累计积水风险Top10%网格”。特征工程连续变量做分箱计算WOE和IV值筛选信息量大于0.02的特征。这一步既能提升模型稳定性也能回避过拟合风险。训练模型我们选择了逻辑回归和XGBoost两个基线逻辑回归作为主模型XGBoost作为交叉验证。树模型可以当作影子模型验证结论但不会直接用来做定价决策。特征里我发现最有效的三个变量分别是厂区相对周边地形的高差、历史因灾停产天数、以及是否有独立备用电源。这三个变量在逻辑回归里的系数都显著而且方向完全符合直觉地势高、停产少、有备用电源的企业违约风险明显更低。训练样本量是个大问题。中小微企业的违约样本本来就少加上气象灾害低频纯统计模型很容易不稳定。我们采用了一个折中方案不直接用违约标签做唯一目标而是先做一个“因灾受损严重度”的回归模型再把严重度预测值作为特征放进违约概率模型里。这一步让样本利用率大幅提升因为每个企业都有历史气象暴露数据不需要等违约记录。3.3 定价落地把评分转换成利率模型输出的违约概率最终要映射成利率加减点。我们项目里的方法分档信用评级灾害防御综合得分违约风险概率范围利率调整A80分以上1.5%LPR-60bpA70-79分1.5%-2.5%LPR-35bpA60-69分2.5%-4%LPR基准B45-59分4%-7%LPR60bpC/D45分以下7%LPR120bp以上或拒绝注意这里的LPR只是举例实际可以用银行内部的资金成本定价曲线。分档也不是最终答案。我们会在合同里约定每年重新评估一次如果企业做了排水改造、加固了仓库、或者部署了预警系统防御得分提高了下一年利率可以下调。这就把静态贷款变成了动态激励企业越投入防御融资成本越低。贷后环节同样重要。我们接入了实时气象预警一旦企业所在地区触发暴雨、台风橙色以上预警系统会自动给银行客户经理和企业推送消息并跟踪企业后续是否出现还本付息异常。这块从实际操作看比贷前评分更能降低损失。很多逾期是可以提前预警和干预的比如台风登陆前48小时提醒企业启动应急预案、将库存转移到高处灾害后的损失会小很多。贷后系统还有一个功能对防御得分发生重大变化的企业做重新定价。比如企业原本有备用电源后来把发电机卖掉了气象预警响应记录也变差系统会自动触发风险复评。别小看这种动态调整它让企业意识到气候贷不是一锤子买卖防御投入是长期有回报的。4. 踩坑与排查气候贷落地的常见问题4.1 数据打架不同气象源结果差异大第一次联调测试时我们发现同一个企业坐标两个气象数据源给出的“20年一遇小时雨量”差了将近30%。查了半天原因发现一个源用的是站点观测直接插值另一个用的是卫星反演加雷达修正两种算法对山地微气候的还原差异很大。解决思路不是选一个“更准”的源而是做多源校准。我们拿当地有气象站的点做基准把每个网格数据的偏差计算出来再用空间插值方法对全区域做偏差矫正。如果多个源之间的残差仍然很大就在模型里加一个“数据一致性”的置信权重低置信度样本的权重调低。这里想提醒大家不要在数据清洗阶段就把不同源直接平均。绝对不要。先把各源的空间分布和时序突变画出来看一眼再谈融合。我们有一次偷懒直接把两套降水数据求平均结果在某个盆地地区产生了完全不符合物理常识的极值差点让模型漏掉一个高风险客户。4.2 客户抵触企业不敢用“气象分”定利率项目上线初期最大的阻力不是技术而是客户心理。很多企业主听到“根据气象风险定利率”第一反应是你用天气来卡我又不是我想让台风来的。后来我们把话术改了。不再强调“惩罚”而是突出“防御能力得分可以换折扣”。同时给每个客户出具一份免费的气象风险评估报告告诉他重点改善哪些项能降多少利率。报告里尽量用直观的曲线和地图少放模型公式。企业主不是搞不懂模型而是不想被一个不能理解的黑盒子决定融资成本。有个做物流的客户一开始很抵触后来看到自己仓储基地位于暴雨内涝高风险区当场同意把排水系统改造纳入计划改造完成后第二年利率果然下调了。这个案例告诉我们气候贷不是单向的风险筛选工具它本质上是一个让企业看见风险、并且奖励风险管理的工具。这里还有一个实操技巧不要在企业贷款审批最紧张的时候才谈气象评分。最好在贷前沟通阶段就介入提前给企业做一次“防御能力预评估”让企业有足够时间整改。我们项目里预评估后主动做整改的企业整体防御得分平均提高了18分贷款通过率也显著提升。4.3 模型过拟合用历史暴雨预测未来的陷阱气候金融模型特别容易掉进过拟合坑原因很简单极端气象事件样本天然稀缺。我们一开始用全局随机切分的训练集模型在验证集上的AUC高达0.93结果换到时间外样本直接掉到0.74。后来发现随机切分把同一年份内相互关联的数据分到了训练集和验证集模型相当于是“背答案”。正确做法是严格按时间序列切分并且加入一个“气候趋势”特征。如果区域近30年极端降水频率在上升只用历史平均重现期会低估未来风险。我们还会用两个时间窗口分别建模一个窗口覆盖过去30年另一个只覆盖最近10年两个模型的输出做比较如果差异太大说明气候趋势不可忽略。还有一个很土但有效的操作把建模样本中“发生过重大灾害”的企业单独拿出来做一轮专家复核看看模型认为高风险但实际没违约、以及模型认为低风险但实际违约的样本逐个分析特征。这比调参管用得多。我们就是靠这个发现“有备用电源但仓储地势过低”的企业容易被模型低估后来单独加了一个交互特征效果立竿见影。4.4 合规与隐私气象数据使用边界最后说一下合规这是气候贷项目里最容易踩雷、也最容易被忽视的部分。企业坐标、经营状况、灾害损失这些信息都涉及企业隐私和商业秘密。我们项目里主要做了四点数据来源合法气象历史数据尽量使用官方发布或经过授权的商业数据不采集非公开的个体设备数据。有些第三方IoT气象站的商业条款并不允许将数据用于金融风控签约前要看清楚授权范围。最小化使用信贷审批只需要网格级别的气象暴露度不需要精确到企业室内设备位置。能用粗粒度尽量用粗粒度。隐私脱敏所有入库的企业信息全部做字段级加密信贷员只能看到评分和关键证据不能看到完整原始数据。我们连客户名称都用主键代替模型开发人员不直接接触客户身份。客户授权书在采集企业建筑结构、排水设施、保险单等信息之前必须有客户签署的数据使用授权并且明确授权范围和使用期限。如果客户后续要更换贷款银行数据转接也要有协议不能随手就发。这块我在项目里吃过一次亏。试运行阶段直接用了某企业公开的经营范围信息做模型验证银行合规部门问了几轮虽然没有处罚但流程暂停了两周。从那以后所有数据一律先过合规清单再进建模环境。风险控制不只在模型里数据合规也是风险。5. 一点心得和后续扩展5.1 项目里的三个意外收获项目做完回头想高精度气象和信贷结合真正的难点不在算法而在于把气象人的语言翻译成金融人的语言。我们团队里最忙的人不是程序员而是能把“20年重现期降水量”翻译成“这笔贷款未来五年的灾害风险敞口”的产品经理。第一个收获是数据可视化比任何提升模型精度的手段都重要。我们把企业所在位置的内涝风险、台风路径和防御得分放在一张图上信贷审批会瞬间理解了。人脑对图像的信任远超数字一张图省下无数解释成本。第二个收获是不要把签约企业的一次性整改当作终点。真正起效果的是季度复评、年度调利率这样持续运营的机制。企业看到防御投入确实能降利息才会愿意继续加大投入。第三个收获是气候贷这个产品的品牌价值高于利润价值。同样做小微贷款你告诉客户“我们帮你量化了气象风险、奖励你的防御投入”客户感受完全不同。它不是普通贷款而是一个能体现金融服务温度的风险管理工具。5.2 可以继续做的两个方向后续我们还在试两个方向。一是把气候贷的逻辑应用到供应链金融。核心企业周边的中小供应商往往共享同一个园区的气象暴露防御能力却参差不齐。如果对上游供应商的气象风险做穿透式评估核心企业的供应链稳定性也会得到保障。这个场景下气候贷不再是单个企业的贷款而是产业链的韧性体检。二是和保险经纪公司合作把气象指数保险嵌入贷款合同中做成“贷款保险气象预警”的组合方案。贷款客户同时获得一份气象指数保险一旦触发降水或风速阈值保险直接赔付到贷款账户优先偿还利息。这个方案能有效对冲模型预测之外的极端风险也在尝试阶段。如果这两个跑通了再回来跟大家汇报。