Winst:
- Vermogen om fysieke (acute/chronische) en transitierisico’s te onderscheiden en een instelling samen met haar waardeketen te evalueren in meerdere opwarmingsscenario’s
- Mogelijkheid om locaties van faciliteiten te matchen met gegevens over klimaatgevaren en een kwalitatief risiconiveau te produceren zonder dat kunstmatige intelligentie de exacte waarschijnlijkheid/hoeveelheid moet matchen
- Vermogen om eerlijk de onzekerheid van klimaatscenario's te rapporteren en het risico van klimaatwassing te vermijden
Klimaatverandering is niet alleen een milieuprobleem, het is een financieel en operationeel risico. Een overstroming kan een fabriek sluiten, een CO2-belasting kan een bedrijfsmodel laten instorten, een droogte kan een toeleveringsketen doorsnijden. Instellingen moeten deze risico’s nu meten, testen met scenario’s en rapporteren. In deze unit leer je over de twee belangrijkste soorten klimaatrisico's, scenarioanalyse, de rol en grenzen van AI bij het modelleren van deze onzekere toekomst.
Eerst inlijsten. TCFD (Task Force on Climate-related Financial Disclosures) is een wereldwijd standaard raamwerk dat definieert hoe klimaatrisico’s openbaar zullen worden gemaakt; Er zijn vier pijlers: bestuur, strategie, risicobeheer en meetdoelen. (TCFD-aanbevelingen zijn nu grotendeels overgebracht naar ISSB-standaarden, maar hun concepten blijven fundamenteel.)
Twee soorten klimaatrisico’s
Fysiek risico: risico dat voortkomt uit de fysieke effecten van het klimaat. Het is in tweeën verdeeld: acuut (acuut – plotselinge gebeurtenissen zoals overstromingen, stormen, hittegolven) en chronisch (chronisch – langzame, permanente veranderingen zoals stijging van de zeespiegel, gemiddelde temperatuurstijging, droogte).
Transitierisico: het risico dat voortkomt uit de transitie naar een koolstofarme economie. Voorbeelden: koolstofprijs/belasting, verandering in de regelgeving, technologische verschuiving (bijv. einde van de verbrandingsmotor), verandering in de voorkeur van de consument, risico van “gestrande activa” (bijv. kolencentrale die verouderd raakt).
Tip: Fysieke en transitierisico’s bewegen zich vaak in tegengestelde richtingen. Als de wereld snel maatregelen neemt, neemt het transitierisico toe (plotselinge wetgeving), en neemt het fysieke risico af; Als hij langzaam handelt, gebeurt het tegenovergestelde. Daarom worden meerdere scenario’s getest, en niet één enkele ‘toekomst’.
Scenarioanalyse: meerdere toekomsten
De toekomst van het klimaatrisico is onvoorspelbaar en daarom wordt scenarioanalyse gebruikt: testen hoe roet zal worden beïnvloed onder verschillende opwarmingspaden (bijvoorbeeld 1,5°C, 2°C, 3°C+). Voor wetenschappelijke scenario's worden de SSP (Shared Socioeconomic Pathways) van het IPCC en de energiescenario's van het IEA als referentie genomen. Het doel is niet om de toekomst te ‘voorspellen’, maar om de veerkracht te testen – ‘in welke toekomst zullen we breken?’
AI is hier; Het is krachtig in het structureren van scenario-aannames, het verwerken van verschillende klimaatgegevenssets, het matchen van locaties van faciliteiten met fysieke gevarenkaarten en het opstellen van risicoscripts. Maar scenarioselectie, aannamerealisme en strategische interpretatie behoren toe aan de expert.
Stap voor stap: een klimaatrisicobeoordeling
1. Breng activa en waardeketen in kaart. Welke faciliteit bevindt zich waar, welke leverancier bevindt zich in welke regio?
2. Bepaal de blootstelling aan gevaren. Voor welke fysieke gevaren (overstromingen, droogte) is elke locatie kwetsbaar?
3. Noem de transitiefactoren. Koolstofprijs, wetgeving, technologie, markt.
4. Selecteer scenario's. Ten minste één laag (1,5-2°C) en één hoog (3°C+) opwarmingsscenario.
5. Kwantificeer impact. Potentiële financiële/operationele impact in elk scenario (binnen bereik).
6. Beoordeel en rapporteer duurzaamheid. Zwakke punten, aanpassingsmaatregelen, onzekerheid.
drie minikoffers
Geval 1 — Valkuil met één scenario. Eén bedrijf vertelde de AI om “ons klimaatrisico te berekenen” en kreeg een cijfer voor één enkele toekomst. De adviseur legde uit dat dit misleidend was: in het lage opwarmingsscenario was de CO2-belasting (transitierisico) zwaar, in het hoge opwarmingsscenario waren de overstromingen (fysiek risico) zwaar. Toen de twee scenario’s afzonderlijk werden uitgevoerd, werd duidelijk voor welke toekomst het bedrijf kwetsbaar was. Het oneven aantal gaf vals vertrouwen.
Geval 2 — Fictieve mogelijkheid. Een analist vroeg YZ aan een faciliteit: "Wat is het percentage overstromingsrisico in 2050?" vroeg hij; De AI gaf een exact percentage aan. De deskundige merkte op dat dit getal op geen enkel model gebaseerd was, maar dat de AI een getal produceerde dat ‘redelijk leek’. Voor de daadwerkelijke beoordeling was het nodig om de locatie af te stemmen op een klimaatgevarenkaart en een hydrologisch model. De mogelijkheid van verzinsel is uit het rapport verwijderd.
Geval 3 — Locatiematching. Eén groep zou het fysieke klimaatrisico van 60 faciliteiten beoordelen. Ze lieten de AI een Python-workflow schrijven die overeenkwam met de coördinaten van de faciliteit om datasets over klimaatgevaren te openen; De code markeerde 9 faciliteiten met een hoge blootstelling aan overstromingen en hittegolven. Het team richtte zich op een diepgaande analyse van deze negen faciliteiten. AI gescand; De deskundige nam de uiteindelijke risicobeslissing.
Zwakke prompt/sterke prompt
Zwakke prompt:
Evalueer het klimaatrisico van mijn bedrijf.
Waarom het zwak is: geen activa, locatie, scenario, risicotype. De AI produceert een generiek script of een verzonnen ‘risicoscore’.
Krachtige prompt:
Jouw rol: klimaatrisicoadviseur. Evalueer met het TCFD-framework zowel het fysieke (acuut/chronisch) als het transitrisico voor de volgende lijst met faciliteiten (locatie, sector). Gebruik twee scenario's: 1,5°C en 3°C. Zelfs als het zeker waarschijnlijk is, is het NEP; Geef een kwalitatief niveau (laag/gemiddeld/hoog) en voeg een opmerking toe "met welke gegevens moeten worden gekwantificeerd". Het resultaat is de risicotype × scenariotabel. Faciliteiten: [lijst]
Vier kopieerbare sjablonen
1) Risicotype × scenariomatrix:
Jouw rol: klimaatrisico-expert. Evalueer de volgende fysieke (acuut/chronisch) en transitierisico’s voor de instelling in twee scenario’s (lage/hoge opwarming). Geef in elke cel een kwalitatief niveau en een korte motivering. Maak geen exacte cijfers; specificeer welke gegevens nodig zijn voor de kwantificering. Instellingsinformatie: [hier]
2) Matching van locatie-gevaren (per code):
Schrijf een Python-workflowframework dat de volgende faciliteitscoördinaten in kaart brengt om datasets voor klimaatgevaren te openen (bijvoorbeeld overstroming, hittegolf). Markeer faciliteiten met een hoge exposure. Geef de gegevensbron op; passen niet bij de score, plaats dan een notitie "moet worden gevalideerd op basis van de dataset". Faciliteiten: [hier]
3) Screening van transitierisicofactoren:
Noem de transitierisico’s voor het volgende bedrijfsmodel: koolstofprijs, regelgeving, technologische verschuiving, markt/consument, verzonken activa, reputatie. Specificeer voor elk de blootstelling en de mogelijke tijdshorizon (kort/middellang/lang). Precies passend bedrag. Bedrijfsmodel: [hier]
4) Ontwerp van veerkracht- en aanpassingsmaatregelen:
Stel mogelijke aanpassings-/veerkrachtmaatregelen voor tegen de volgende geïdentificeerde klimaatrisico’s. Voor elke maatregel: welk risico het verkleint, in welk scenario het zal werken, grofweg het inspanningsniveau. Gebruik niet de hyperbolische uitdrukking "zet het risico op nul". Risico's: [hier]
Veel voorkomende fouten
- Evalueren met één enkel scenario. Er is minimaal één laag en één hoog opwarmingsscenario nodig.
- Een combinatie van fysiek risico en transitierisico. De twee worden afzonderlijk geanalyseerd en kunnen in tegengestelde richtingen zijn.
- De AI exact laten passen op waarschijnlijkheid/bedrag. Kwantificering vereist echte modellen en gegevens.
- Het omzeilen van de waardeketen. Het risico ligt vaak bij leveranciers en klanten.
- Het verbergen van onzekerheid. Klimaatscenario’s zijn inherent onzeker; rapporteer dit.
Let op: onthullingen over klimaatrisico’s beïnvloeden de beslissingen van beleggers, en valse/overdreven openbaarmaking is de financiële versie van greenwashing – ‘klimaatwassing’. Het onderschatten van het risico of het presenteren ervan met valse zekerheid, gecreëerd door AI, creëren beide juridische aansprakelijkheid.
Samengevat
Klimaatrisico; Het vereist het beoordelen van fysieke (acute/chronische) en transitierisico’s samen met de waardeketen in meerdere scenario’s. AI; Het is een krachtige versneller voor het matchen van locatierisico's, het screenen van factoren en het opstellen ervan. Maar scenarioselectie, kwantificering op basis van het echte model, eerlijke rapportage van onzekerheid en strategische interpretatie behoren tot de deskundige. Het doel is niet om de toekomst te kennen, maar om het uithoudingsvermogen te testen.
Applicatie taak
Noem drie of vier faciliteiten van een instelling met hun locatie en geef hun branche aan. 1. maak een matrix met de sjabloon die de AI vertelt om fysieke en transitierisico’s in twee scenario’s te evalueren; Controleer of de AI geen exacte waarschijnlijkheid verzint, maar een kwalitatief niveau geeft. Scan vervolgens met sjabloon 3 de transitierisico’s van uw bedrijfsmodel en markeer de drie risico’s met de kortste horizon.
controlelijst
- [ ] Ik heb de fysieke (acuut/chronische) en transitierisico’s afzonderlijk beoordeeld.
- [ ] Ik heb minimaal één laag en één hoog verwarmingsscenario gebruikt.
- [ ] Ik heb de waardeketen (leverancier/klant) meegenomen in de analyse.
- [ ] Ik heb de AI niet op de exacte waarschijnlijkheid/hoeveelheid laten passen; Ik heb gegevens gespecificeerd voor kwantificering.
- [ ] Ik heb de onzekerheid duidelijk gerapporteerd.
- [ ] Ik heb het risico genomen om de beschrijving te verpesten (noch licht noch nep).