નફો:
- શારીરિક (તીવ્ર/ક્રોનિક) અને સંક્રમણ જોખમોને અલગ પાડવાની ક્ષમતા અને બહુવિધ વોર્મિંગ દૃશ્યોમાં તેની મૂલ્ય સાંકળ સાથે સંસ્થાનું મૂલ્યાંકન કરવાની ક્ષમતા
- આબોહવા સંકટના ડેટા સાથે સુવિધા સ્થાનોને મેચ કરવાની ક્ષમતા અને કૃત્રિમ બુદ્ધિમત્તાની ચોક્કસ સંભાવના/ રકમ સાથે મેળ કર્યા વિના ગુણાત્મક જોખમ સ્તર ઉત્પન્ન કરવાની ક્ષમતા
- આબોહવા દૃશ્યોની અનિશ્ચિતતાની પ્રામાણિકપણે જાણ કરવાની અને આબોહવા-ધોવાનાં જોખમને ટાળવાની ક્ષમતા
આબોહવા પરિવર્તન એ માત્ર પર્યાવરણીય સમસ્યા નથી, તે નાણાકીય અને ઓપરેશનલ જોખમ છે. પૂર ફેક્ટરી બંધ કરી શકે છે, કાર્બન ટેક્સ બિઝનેસ મોડલને તોડી શકે છે, દુષ્કાળ સપ્લાય ચેઇનને તોડી શકે છે. સંસ્થાઓએ હવે આ જોખમોને માપવા પડશે, દૃશ્યો સાથે તેનું પરીક્ષણ કરવું પડશે અને તેની જાણ કરવી પડશે. આ એકમમાં તમે બે મુખ્ય પ્રકારનાં આબોહવા જોખમ, દૃશ્ય વિશ્લેષણ, આ અનિશ્ચિત ભવિષ્યના મોડેલિંગમાં AI ની ભૂમિકા અને મર્યાદાઓ વિશે શીખી શકશો.
પ્રથમ ફ્રેમ. TCFD (આબોહવા-સંબંધિત નાણાકીય ડિસ્ક્લોઝર પર ટાસ્ક ફોર્સ) એ વિશ્વ-માનક માળખું છે જે વ્યાખ્યાયિત કરે છે કે આબોહવા જોખમ કેવી રીતે જાહેર કરવામાં આવશે; ચાર સ્તંભો છે: શાસન, વ્યૂહરચના, જોખમ વ્યવસ્થાપન, મેટ્રિક્સ-ધ્યેયો. (TCFD ભલામણો હવે મોટાભાગે ISSB ધોરણોમાં સ્થાનાંતરિત કરવામાં આવી છે, પરંતુ તેમની વિભાવનાઓ મૂળભૂત રહે છે.)
બે પ્રકારના આબોહવા જોખમો
ભૌતિક જોખમ: આબોહવાની ભૌતિક અસરોથી ઉદ્ભવતું જોખમ. તે બે ભાગમાં વહેંચાયેલું છે: તીવ્ર (તીવ્ર — અચાનક ઘટનાઓ જેમ કે પૂર, તોફાન, ગરમીના મોજા) અને ક્રોનિક (ક્રોનિક — ધીમા, કાયમી ફેરફારો જેમ કે દરિયાની સપાટીમાં વધારો, સરેરાશ તાપમાનમાં વધારો, દુષ્કાળ).
સંક્રમણ જોખમ: લો-કાર્બન અર્થતંત્રમાં સંક્રમણથી ઉદ્ભવતું જોખમ. ઉદાહરણો: કાર્બનની કિંમત/ટેક્સ, નિયમનકારી ફેરફાર, ટેક્નોલોજી શિફ્ટ (દા.ત. આંતરિક કમ્બશન એન્જિનનો અંત), ઉપભોક્તાની પસંદગીમાં ફેરફાર, "અસહાય અસ્કયામતો" (દા.ત. કોલ પાવર પ્લાન્ટ અપ્રચલિત થવાનું) જોખમ.
ટીપ: ભૌતિક અને સંક્રમણ જોખમ ઘણીવાર વિરુદ્ધ દિશામાં જાય છે. જો વિશ્વ ઝડપી શમન કરે છે, સંક્રમણ જોખમ વધે છે (અચાનક કાયદો), ભૌતિક જોખમ ઘટે છે; જો તે ધીમેથી કાર્ય કરે છે, તો વિપરીત થાય છે. એટલા માટે બહુવિધ દૃશ્યો ચકાસવામાં આવે છે, એક પણ "ભવિષ્ય" નહીં.
દૃશ્ય વિશ્લેષણ: બહુવિધ ફ્યુચર્સ
આબોહવા જોખમનું ભાવિ અણધારી છે, તેથી જ દૃશ્ય વિશ્લેષણનો ઉપયોગ કરવામાં આવે છે: વિવિધ વોર્મિંગ પાથ (દા.ત. 1.5°C, 2°C, 3°C+) હેઠળ સૂટ કેવી રીતે પ્રભાવિત થશે તેનું પરીક્ષણ. વૈજ્ઞાનિક દૃશ્યો માટે, IPCC ના SSP (Shared Socioeconomic Pathways) અને IEA ના ઉર્જા દૃશ્યોને સંદર્ભ તરીકે લેવામાં આવે છે. ધ્યેય ભવિષ્યની "અનુમાન" કરવાનો નથી, પરંતુ સ્થિતિસ્થાપકતાની કસોટી કરવાનો છે - "આપણે કયા ભવિષ્યમાં તૂટી જઈશું?"
AI અહીં છે; તે દૃશ્ય ધારણાઓની રચના કરવા, વિવિધ આબોહવા ડેટાસેટ્સ પર પ્રક્રિયા કરવા, ભૌતિક સંકટના નકશા સાથે સુવિધા સ્થાનોને મેચ કરવા અને જોખમ સ્ક્રિપ્ટનો મુસદ્દો તૈયાર કરવામાં શક્તિશાળી છે. પરંતુ દૃશ્ય પસંદગી, ધારણા વાસ્તવિકતા અને વ્યૂહાત્મક અર્થઘટન નિષ્ણાતના છે.
સ્ટેપ બાય સ્ટેપ: ક્લાઈમેટ રિસ્ક એસેસમેન્ટ
1. નકશો અસ્કયામતો અને મૂલ્ય સાંકળ. કઈ સુવિધા ક્યાં છે, કયો સપ્લાયર કયા પ્રદેશમાં છે?
2. જોખમોના સંપર્કમાં આવવાનું નક્કી કરો. દરેક સ્થાન કયા ભૌતિક જોખમો (પૂર, દુષ્કાળ) માટે સંવેદનશીલ છે?
3. સંક્રમણ પરિબળોની યાદી બનાવો. કાર્બન કિંમત, કાયદો, ટેકનોલોજી, બજાર.
4. દૃશ્યો પસંદ કરો. ઓછામાં ઓછું એક નીચું (1.5-2°C) અને એક ઉચ્ચ (3°C+) વોર્મિંગનું દૃશ્ય.
5. અસરનું પ્રમાણ નક્કી કરો. દરેક દૃશ્યમાં (શ્રેણીમાં) સંભવિત નાણાકીય/ઓપરેશનલ અસર.
6. ટકાઉપણુંનું મૂલ્યાંકન કરો અને જાણ કરો. નબળાઈઓ, અનુકૂલનનાં પગલાં, અનિશ્ચિતતા.
ત્રણ નાના કેસો
કેસ 1 - સિંગલ સિનારિયો ટ્રેપ. એક કંપનીએ AIને કહ્યું કે "આપણા આબોહવા જોખમની ગણતરી કરો" અને તેને એક જ ભવિષ્યમાં નંબર મળ્યો. કન્સલ્ટન્ટે સમજાવ્યું કે આ ગેરમાર્ગે દોરનારું હતું: નીચા વોર્મિંગના સંજોગોમાં કાર્બન ટેક્સ (સંક્રમણ જોખમ) ભારે હતું, ઊંચા તાપમાનના સંજોગોમાં પૂર (શારીરિક જોખમ) ભારે હતું. જ્યારે બે દૃશ્યોને અલગથી ચલાવવામાં આવ્યા, ત્યારે તે સ્પષ્ટ થઈ ગયું કે કંપની કયા ભવિષ્ય માટે સંવેદનશીલ છે. વિષમ સંખ્યાએ ખોટો વિશ્વાસ આપ્યો.
કેસ 2 - કાલ્પનિક શક્યતા. એક વિશ્લેષકે YZ a facility ને પૂછ્યું કે "2050 માં પૂરનું ટકાવારી જોખમ શું છે?" તેણે પૂછ્યું; AI એ ચોક્કસ ટકાવારી આપી. નિષ્ણાતે નોંધ્યું હતું કે આ નંબર કોઈપણ મોડેલ પર આધારિત નથી, પરંતુ એઆઈએ એવો નંબર બનાવ્યો છે જે "વાજબી લાગતો હતો." વાસ્તવિક મૂલ્યાંકન માટે આબોહવા સંકટના નકશા અને હાઇડ્રોલોજિકલ મોડેલ સાથે સ્થાનને મેચ કરવું જરૂરી છે. રિપોર્ટમાંથી બનાવટી હોવાની શક્યતા દૂર કરવામાં આવી છે.
કેસ 3 — સ્થાન મેચિંગ. એક જૂથ 60 સુવિધાઓના ભૌતિક આબોહવા જોખમનું મૂલ્યાંકન કરશે. તેમની પાસે AI એ Python વર્કફ્લો લખે છે જે ક્લાયમેટ હેઝાર્ડ ડેટાસેટ્સ ખોલવા માટે સુવિધા સંકલન સાથે મેળ ખાય છે; કોડે પૂર અને હીટવેવના ઉચ્ચ સંપર્ક સાથે 9 સુવિધાઓને ફ્લેગ કરી. ટીમે આ 9 સુવિધાઓ પર ઊંડાણપૂર્વક વિશ્લેષણ પર ધ્યાન કેન્દ્રિત કર્યું. AI સ્કેન કરેલ; નિષ્ણાતે અંતિમ જોખમનો નિર્ણય લીધો.
નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ
નબળા પ્રોમ્પ્ટ:
મારી કંપનીના આબોહવા જોખમનું મૂલ્યાંકન કરો.
તે કેમ નબળું છે: કોઈ સંપત્તિ, સ્થાન, દૃશ્ય, જોખમનો પ્રકાર નથી. AI એક સામાન્ય સ્ક્રિપ્ટ અથવા બનાવેલ "જોખમ સ્કોર" બનાવે છે.
શક્તિશાળી પ્રોમ્પ્ટ:
તમારી ભૂમિકા: આબોહવા જોખમ સલાહકાર. TCFD ફ્રેમવર્ક સાથે, સુવિધાઓની નીચેની સૂચિ (સ્થાન, ક્ષેત્ર) માટે ભૌતિક (તીવ્ર/ક્રોનિક) અને પરિવહન જોખમ બંનેનું મૂલ્યાંકન કરો. બે દૃશ્યોનો ઉપયોગ કરો: 1.5°C અને 3°C. જો તે ચોક્કસપણે સંભવિત હોય, તો પણ તે નકલી છે; ગુણાત્મક સ્તર (નીચું/મધ્યમ/ઉચ્ચ) આપો અને એક નોંધ ઉમેરો "કયા ડેટા સાથે પ્રમાણિત થવું જોઈએ". પરિણામ જોખમ પ્રકાર × દૃશ્ય કોષ્ટક છે. સુવિધાઓ: [સૂચિ]
ચાર નકલ કરી શકાય તેવા નમૂનાઓ
1) જોખમ પ્રકાર × દૃશ્ય મેટ્રિક્સ:
તમારી ભૂમિકા: આબોહવા જોખમ નિષ્ણાત. સંસ્થા માટે નીચેના ભૌતિક (તીવ્ર/ક્રોનિક) અને સંક્રમણ જોખમોનું મૂલ્યાંકન બે પરિસ્થિતિઓમાં કરો (ઓછી/ઉચ્ચ ગરમી). દરેક કોષમાં ગુણાત્મક સ્તર અને સંક્ષિપ્ત સમર્થન આપો. ચોક્કસ સંખ્યાઓ બનાવશો નહીં; પરિમાણમાં કયા ડેટાની જરૂર છે તે સ્પષ્ટ કરો. સંસ્થાની માહિતી: [અહીં]
2) સ્થાન-સંકટ મેચિંગ (કોડ દ્વારા):
પાયથોન વર્કફ્લો ફ્રેમવર્ક લખો જે આબોહવા સંકટ ડેટાસેટ્સ (દા.ત. પૂર, ગરમીનું મોજું) ખોલવા માટે નીચેની સુવિધા કોઓર્ડિનેટ્સને મેપ કરે છે. ઉચ્ચ એક્સપોઝર સાથે ફ્લેગ સુવિધાઓ. ડેટા સ્ત્રોતનો ઉલ્લેખ કરો; સ્કોરમાં બંધબેસતા નથી, નોંધ મૂકો "ડેટા સેટ સામે માન્ય હોવું આવશ્યક છે". સુવિધાઓ: [અહીં]
3) સંક્રમણ જોખમ પરિબળ સ્ક્રીનીંગ:
નીચેના બિઝનેસ મોડલ માટે સંક્રમણ જોખમોની સૂચિ બનાવો: કાર્બન કિંમત, નિયમનકારી, ટેક્નોલોજી શિફ્ટ, બજાર/ગ્રાહક, ડૂબી ગયેલી સંપત્તિ, પ્રતિષ્ઠા. દરેક માટે, એક્સપોઝર અને સંભવિત સમય ક્ષિતિજ (ટૂંકા/મધ્યમ/લાંબી) નો ઉલ્લેખ કરો. ફિટિંગ ચોક્કસ રકમ. બિઝનેસ મોડલ: [અહીં]
4) ડ્રાફ્ટ સ્થિતિસ્થાપકતા અને અનુકૂલનનાં પગલાં:
નીચેના ઓળખાયેલ આબોહવા જોખમો સામે સંભવિત અનુકૂલન/સ્થિતિસ્થાપકતાના પગલાં સૂચવો. દરેક માપ માટે: તે કયું જોખમ ઘટાડે છે, કયા સંજોગોમાં તે કામ કરશે, પ્રયાસનું રફ લેવલ. હાઇપરબોલિક શબ્દસમૂહનો ઉપયોગ કરશો નહીં "જોખમને શૂન્ય કરે છે" જોખમો: [અહીં]
સામાન્ય ભૂલો
- એક દૃશ્ય સાથે મૂલ્યાંકન. ઓછામાં ઓછા એક નીચા અને એક ઉચ્ચ તાપમાનનું દૃશ્ય જરૂરી છે.
- ભૌતિક અને સંક્રમણ જોખમનું મિશ્રણ. બંનેનું અલગ-અલગ પૃથ્થકરણ કરવામાં આવે છે અને તે વિરુદ્ધ દિશામાં હોઈ શકે છે.
- AI ને ચોક્કસ સંભાવના/રકમ માટે યોગ્ય બનાવવું. પ્રમાણીકરણ માટે વાસ્તવિક મોડલ અને ડેટાની જરૂર છે.
- મૂલ્ય સાંકળને બાયપાસ કરીને. જોખમ ઘણીવાર સપ્લાયર્સ અને ગ્રાહકો પર રહેલું છે.
- અનિશ્ચિતતા છુપાવી. આબોહવા દૃશ્યો સ્વાભાવિક રીતે અનિશ્ચિત છે; આની જાણ કરો.
સાવધાન: ક્લાઈમેટ રિસ્ક ડિસ્ક્લોઝર રોકાણકારોના નિર્ણયોને પ્રભાવિત કરે છે, અને ખોટી/અતિશયોક્તિપૂર્ણ જાહેરાત એ ગ્રીન વોશિંગનું નાણાકીય સંસ્કરણ છે - "ક્લાઈમેટ-વોશિંગ." જોખમને ઓછું આંકવું અથવા AI દ્વારા બનાવવામાં આવેલી ખોટી નિશ્ચિતતા સાથે રજૂ કરવું બંને કાનૂની જવાબદારી બનાવે છે.
સારાંશમાં
આબોહવા જોખમ; તેને બહુવિધ પરિસ્થિતિઓમાં મૂલ્ય સાંકળ સાથે ભૌતિક (તીવ્ર/ક્રોનિક) અને સંક્રમણ જોખમોનું મૂલ્યાંકન કરવાની જરૂર છે. AI; તે સ્થાન-સંકટ મેચિંગ, પરિબળ સ્ક્રીનીંગ અને ડ્રાફ્ટિંગ માટે એક શક્તિશાળી પ્રવેગક છે. પરંતુ દૃશ્ય પસંદગી, વાસ્તવિક મોડેલના આધારે પ્રમાણીકરણ, અનિશ્ચિતતાની પ્રમાણિક રિપોર્ટિંગ અને વ્યૂહાત્મક અર્થઘટન નિષ્ણાતની છે. ઉદ્દેશ્ય ભવિષ્ય જાણવાનો નથી, પરંતુ સહનશક્તિની કસોટી કરવાનો છે.
એપ્લિકેશન કાર્ય
સંસ્થાની ત્રણ કે ચાર સુવિધાઓ તેમના સ્થાનો સાથે સૂચિબદ્ધ કરો અને તેમનો ઉદ્યોગ સૂચવો. 1. ટેમ્પલેટ સાથે એક મેટ્રિક્સ બનાવો જે AI ને બે દૃશ્યોમાં ભૌતિક અને સંક્રમણ જોખમોનું મૂલ્યાંકન કરવા કહે છે; ચકાસો કે AI ચોક્કસ સંભાવના નથી બનાવી રહ્યું પરંતુ ગુણાત્મક સ્તર આપી રહ્યું છે. પછી, ટેમ્પ્લેટ 3 સાથે, તમારા વ્યવસાય મોડેલના સંક્રમણ જોખમોને સ્કેન કરો અને ત્રણ જોખમોને ટૂંકી ક્ષિતિજ સાથે ચિહ્નિત કરો.
ચેકલિસ્ટ
- [] મેં ભૌતિક (તીવ્ર/ક્રોનિક) અને સંક્રમણ જોખમોનું અલગથી મૂલ્યાંકન કર્યું.
- [ ] મેં ઓછામાં ઓછા એક નીચા અને એક ઉચ્ચ હીટિંગ દૃશ્યનો ઉપયોગ કર્યો.
- [ ] મેં વિશ્લેષણમાં મૂલ્ય સાંકળ (સપ્લાયર/ગ્રાહક)નો સમાવેશ કર્યો છે.
- [ ] મેં AI ને ચોક્કસ સંભાવના/રકમ માટે યોગ્ય બનાવ્યું નથી; મેં પ્રમાણીકરણ માટે ડેટાનો ઉલ્લેખ કર્યો છે.
- [] મેં સ્પષ્ટપણે અનિશ્ચિતતાની જાણ કરી.
- [ ] મેં વર્ણનને આબોહવા ધોવાનું જોખમ લીધું છે (ખાતરી માટે ન તો સહેજ કે નકલી).