Keuntungan:
- Kemampuan untuk membedakan risiko fisik (akut/kronis) dan transisi serta mengevaluasi suatu institusi beserta rantai nilainya dalam berbagai skenario pemanasan
- Kemampuan untuk mencocokkan lokasi fasilitas dengan data bahaya iklim dan menghasilkan tingkat risiko kualitatif tanpa kecerdasan buatan yang cocok dengan probabilitas/jumlah yang tepat
- Kemampuan untuk secara jujur melaporkan ketidakpastian skenario iklim dan menghindari risiko dampak perubahan iklim
Perubahan iklim bukan hanya masalah lingkungan, tapi juga risiko finansial dan operasional. Banjir dapat mematikan pabrik, pajak karbon dapat menghancurkan model bisnis, dan kekeringan dapat memutus rantai pasokan. Institusi kini harus mengukur risiko-risiko ini, mengujinya dengan skenario dan melaporkannya. Dalam unit ini Anda akan mempelajari dua jenis utama risiko iklim, analisis skenario, peran dan batasan AI dalam pemodelan masa depan yang tidak pasti ini.
Bingkai dulu. TCFD (Task Force on Climate-related Financial Disclosures) adalah kerangka kerja standar dunia yang mendefinisikan bagaimana risiko iklim akan diungkapkan; Ada empat pilar: tata kelola, strategi, manajemen risiko, tujuan metrik. (Rekomendasi TCFD kini sebagian besar telah dialihkan ke standar ISSB, namun konsepnya tetap mendasar.)
Dua jenis risiko iklim
Risiko fisik: risiko yang timbul akibat dampak fisik iklim. Hal ini dibagi menjadi dua: akut (akut — peristiwa yang tiba-tiba seperti banjir, badai, gelombang panas) dan kronis (kronis — perubahan yang lambat dan permanen seperti kenaikan permukaan laut, kenaikan suhu rata-rata, kekeringan).
Risiko transisi: risiko yang timbul dari transisi menuju perekonomian rendah karbon. Contoh: harga/pajak karbon, perubahan peraturan, pergeseran teknologi (misalnya berakhirnya mesin pembakaran internal), perubahan preferensi konsumen, risiko “aset terbengkalai” (misalnya pembangkit listrik tenaga batu bara menjadi usang).
Tip: Risiko fisik dan transisi sering kali bergerak berlawanan arah. Jika dunia melakukan mitigasi secara cepat, risiko transisi meningkat (peraturan mendadak), risiko fisik berkurang; Jika dia bertindak lambat, yang terjadi justru sebaliknya. Itu sebabnya beberapa skenario diuji, bukan satu “masa depan”.
Analisis skenario: berbagai masa depan
Masa depan risiko iklim tidak dapat diprediksi, itulah sebabnya analisis skenario digunakan: menguji bagaimana jelaga akan terpengaruh pada jalur pemanasan yang berbeda (misalnya 1,5°C, 2°C, 3°C+). Untuk skenario ilmiah, SSP (Shared Socioeconomic Pathways) IPCC dan skenario energi IEA digunakan sebagai acuan. Tujuannya bukan untuk “memprediksi” masa depan, namun untuk menguji ketahanan – “di masa depan manakah kita akan hancur?”
AI ada di sini; Hal ini sangat berguna dalam menyusun asumsi skenario, memproses kumpulan data iklim yang berbeda, mencocokkan lokasi fasilitas dengan peta bahaya fisik, dan menyusun naskah risiko. Namun pemilihan skenario, realisme asumsi, dan interpretasi strategis adalah milik ahlinya.
Langkah demi langkah: penilaian risiko iklim
1. Memetakan aset dan rantai nilai. Fasilitasnya dimana, pemasoknya di wilayah mana?
2. Menentukan paparan terhadap bahaya. Bahaya fisik apa (banjir, kekeringan) yang rentan terhadap setiap lokasi?
3. Sebutkan faktor transisi. Harga karbon, perundang-undangan, teknologi, pasar.
4. Pilih skenario. Setidaknya satu skenario pemanasan rendah (1,5-2°C) dan satu skenario pemanasan tinggi (3°C+).
5. Mengukur dampaknya. Potensi dampak finansial/operasional di setiap skenario (dalam kisaran).
6. Menilai dan melaporkan daya tahan. Kelemahan, langkah adaptasi, ketidakpastian.
tiga kasus mini
Kasus 1 — Perangkap skenario tunggal. Sebuah perusahaan meminta AI untuk “menghitung risiko iklim kita” dan mereka mendapatkan angka untuk satu masa depan. Konsultan menjelaskan bahwa hal ini menyesatkan: dalam skenario pemanasan rendah, pajak karbon (risiko transisi) sangat besar, dalam skenario pemanasan tinggi, banjir (risiko fisik) sangat besar. Ketika kedua skenario tersebut dijalankan secara terpisah, menjadi jelas masa depan mana yang rentan bagi perusahaan. Angka ganjil memberikan keyakinan palsu.
Kasus 2 — Kemungkinan fiktif. Seorang analis menanyakan kepada YZ sebuah fasilitas, "Berapa persen risiko banjir pada tahun 2050?" dia bertanya; AI memberikan persentase pastinya. Pakar mencatat bahwa angka ini tidak didasarkan pada model apa pun, tetapi AI menghasilkan angka yang “tampaknya masuk akal”. Penilaian sebenarnya memerlukan kesesuaian lokasi dengan peta bahaya iklim dan model hidrologi. Kemungkinan pemalsuan telah dihapus dari laporan.
Kasus 3 — Pencocokan lokasi. Satu kelompok akan menilai risiko iklim fisik di 60 fasilitas. Mereka meminta AI menulis alur kerja Python yang mencocokkan koordinat fasilitas untuk membuka kumpulan data bahaya iklim; Kode tersebut menandai 9 fasilitas dengan tingkat paparan banjir dan gelombang panas yang tinggi. Tim memfokuskan analisis mendalam pada 9 fasilitas tersebut. Pemindaian AI; Pakar membuat keputusan risiko akhir.
Perintah lemah / Perintah kuat
Perintah yang lemah:
Evaluasi risiko iklim perusahaan saya.
Mengapa lemah: Tidak ada aset, lokasi, skenario, jenis risiko. AI menghasilkan skrip umum atau “skor risiko” yang dibuat-buat.
Perintah yang kuat:
Peran Anda: penasihat risiko iklim. Dengan kerangka TCFD, evaluasi risiko fisik (akut/kronis) dan transit untuk daftar fasilitas berikut (lokasi, sektor). Gunakan dua skenario: 1,5°C dan 3°C. Sekalipun kemungkinannya besar, itu PALSU; Berikan tingkat kualitatif (rendah/sedang/tinggi) dan tambahkan catatan "data apa yang harus dikuantifikasi". Hasilnya adalah tabel jenis risiko × skenario. Fasilitas: [daftar]
Empat templat yang dapat disalin
1) Jenis risiko × matriks skenario:
Peran Anda: pakar risiko iklim. Evaluasi risiko fisik (akut/kronis) dan transisi yang terjadi pada institusi dalam dua skenario (pemanasan rendah/tinggi). Berikan tingkat kualitatif dan justifikasi singkat di setiap sel. Jangan membuat angka pasti; menentukan data apa yang diperlukan dalam kuantifikasi. Informasi institusi: [di sini]
2) Pencocokan bahaya lokasi (berdasarkan kode):
Tulis kerangka alur kerja Python yang memetakan koordinat fasilitas berikut untuk membuka kumpulan data bahaya iklim (misalnya banjir, gelombang panas). Tandai fasilitas dengan eksposur tinggi. Tentukan sumber data; tidak sesuai skor, beri catatan “harus divalidasi terhadap kumpulan data”. Fasilitas: [di sini]
3) Skrining faktor risiko transisi:
Buat daftar risiko transisi untuk model bisnis berikut: harga karbon, peraturan, pergeseran teknologi, pasar/konsumen, aset tenggelam, reputasi. Untuk masing-masing, tentukan eksposur dan kemungkinan jangka waktu (pendek/menengah/panjang). Pas dengan jumlah yang tepat. Model bisnis: [di sini]
4) Rancangan langkah-langkah ketahanan dan adaptasi:
Sarankan langkah-langkah adaptasi/ketahanan yang mungkin dilakukan terhadap risiko-risiko iklim yang teridentifikasi berikut ini. Untuk setiap tindakan: risiko apa yang dapat dikurangi, skenario apa yang akan berhasil, tingkat upaya yang diperkirakan. Jangan gunakan kalimat hiperbolik “menghilangkan risiko”. Risiko: [di sini]
Kesalahan umum
- Mengevaluasi dengan satu skenario. Setidaknya diperlukan satu skenario pemanasan rendah dan satu skenario pemanasan tinggi.
- Menggabungkan risiko fisik dan transisi. Keduanya dianalisis secara terpisah dan mungkin berlawanan arah.
- Membuat AI sesuai dengan probabilitas/jumlah yang tepat. Kuantifikasi membutuhkan model dan data nyata.
- Melewati rantai nilai. Risikonya sering kali terletak pada pemasok dan pelanggan.
- Menyembunyikan ketidakpastian. Skenario iklim pada dasarnya tidak pasti; laporkan ini.
Perhatian: Pengungkapan risiko iklim mempengaruhi keputusan investor, dan pengungkapan yang salah/berlebihan adalah versi finansial dari greenwashing – “climate-washing.” Meremehkan risiko atau menyajikannya dengan kepastian palsu yang diciptakan oleh AI sama-sama menimbulkan tanggung jawab hukum.
Singkatnya
Risiko iklim; Hal ini memerlukan penilaian risiko fisik (akut/kronis) dan transisi serta rantai nilai dalam berbagai skenario. AI; Ini adalah akselerator yang kuat untuk pencocokan lokasi-bahaya, penyaringan faktor, dan penyusunan. Namun pemilihan skenario, kuantifikasi berdasarkan model nyata, pelaporan ketidakpastian yang jujur, dan interpretasi strategis adalah tanggung jawab ahlinya. Tujuannya bukan untuk mengetahui masa depan, tapi untuk menguji ketahanan.
Tugas aplikasi
Sebutkan tiga atau empat fasilitas suatu institusi beserta lokasinya dan tunjukkan industrinya. 1. membuat matriks dengan templat yang memberitahu AI untuk mengevaluasi risiko fisik dan transisi dalam dua skenario; Verifikasi bahwa AI tidak membuat probabilitas pasti tetapi memberikan tingkat kualitatif. Kemudian, dengan template 3, pindai risiko transisi model bisnis Anda dan tandai tiga risiko dengan jangka waktu terpendek.
daftar periksa
- [ ] Saya mengevaluasi risiko fisik (akut/kronis) dan transisi secara terpisah.
- [ ] Saya menggunakan setidaknya satu skenario pemanasan rendah dan satu skenario pemanasan tinggi.
- [ ] Saya menyertakan rantai nilai (pemasok/pelanggan) dalam analisis.
- [ ] Saya tidak membuat AI sesuai dengan probabilitas/jumlah yang tepat; Saya menentukan data untuk kuantifikasi.
- [ ] Saya melaporkan ketidakpastian dengan jelas.
- [ ] Saya telah mengambil risiko menghapus deskripsi tersebut (pastinya tidak remeh atau palsu).