Zyski:
- Umiejętność rozróżnienia ryzyka fizycznego (ostrego/przewlekłego) i przejściowego oraz oceny instytucji wraz z jej łańcuchem wartości w wielu scenariuszach ocieplenia
- Możliwość dopasowania lokalizacji obiektów do danych o zagrożeniach klimatycznych i uzyskania jakościowego poziomu ryzyka bez konieczności dopasowania przez sztuczną inteligencję dokładnego prawdopodobieństwa/wartości
- Umiejętność uczciwego raportowania niepewności scenariuszy klimatycznych i unikania ryzyka „prania klimatu”.
Zmiana klimatu to nie tylko problem środowiskowy, to ryzyko finansowe i operacyjne. Powódź może zamknąć fabrykę, podatek węglowy może zawalić model biznesowy, susza może przerwać łańcuch dostaw. Instytucje muszą teraz mierzyć to ryzyko, testować je za pomocą scenariuszy i zgłaszać. W tej części dowiesz się o dwóch głównych rodzajach ryzyka klimatycznego, analizie scenariuszy, roli i ograniczeniach sztucznej inteligencji w modelowaniu tej niepewnej przyszłości.
Najpierw kadruj. TCFD (Task Force on Climate-lated Financial Disclosures) to światowy standard, który określa sposób ujawniania ryzyka klimatycznego; Istnieją cztery filary: zarządzanie, strategia, zarządzanie ryzykiem, metryki-cele. (Zalecenia TCFD zostały obecnie w dużej mierze przeniesione do standardów ISSB, ale ich koncepcje pozostają fundamentalne.)
Dwa rodzaje zagrożeń klimatycznych
Ryzyko fizyczne: ryzyko wynikające z fizycznych skutków klimatu. Dzieli się go na ostry (ostry – zdarzenia nagłe, takie jak powodzie, burze, fale upałów) i przewlekły (przewlekły – powolne, trwałe zmiany, takie jak wzrost poziomu morza, wzrost średniej temperatury, susza).
Ryzyko przejścia: ryzyko wynikające z przejścia na gospodarkę niskoemisyjną. Przykłady: cena/podatek od emisji dwutlenku węgla, zmiany regulacyjne, zmiana technologii (np. koniec silnika spalinowego), zmiana preferencji konsumentów, ryzyko „aktywów osieroconych” (np. przestarzała elektrownia węglowa).
Wskazówka: Ryzyko fizyczne i ryzyko przejściowe często zmierza w przeciwnych kierunkach. Jeśli świat szybko podejmie działania łagodzące, ryzyko przejścia wzrasta (nagłe ustawodawstwo), ryzyko fizyczne maleje; Jeśli działa powoli, dzieje się odwrotnie. Dlatego testuje się wiele scenariuszy, a nie jedną „przyszłość”.
Analiza scenariuszy: wielokrotne kontrakty futures
Przyszłość ryzyka klimatycznego jest nieprzewidywalna, dlatego stosuje się analizę scenariuszy: badanie wpływu różnych ścieżek ocieplenia na sadzę (np. 1,5°C, 2°C, 3°C+). W przypadku scenariuszy naukowych za punkt odniesienia przyjmuje się SSP (wspólne ścieżki społeczno-gospodarcze) IPCC i scenariusze energetyczne IEA. Celem nie jest „przewidywanie” przyszłości, ale sprawdzenie odporności – „w której przyszłości się złamiemy?”
Sztuczna inteligencja jest tutaj; Jest skuteczny w konstruowaniu założeń scenariuszy, przetwarzaniu różnych zbiorów danych klimatycznych, dopasowywaniu lokalizacji obiektów do map zagrożeń fizycznych i opracowywaniu skryptów ryzyka. Ale wybór scenariusza, realizm założeń i interpretacja strategiczna należą do eksperta.
Krok po kroku: ocena ryzyka klimatycznego
1. Mapuj aktywa i łańcuch wartości. Który obiekt jest gdzie, który dostawca jest w jakim regionie?
2. Określić narażenie na zagrożenia. Na jakie zagrożenia fizyczne (powódź, susza) narażona jest każda lokalizacja?
3. Wymień czynniki przejścia. Cena emisji dwutlenku węgla, ustawodawstwo, technologia, rynek.
4. Wybierz scenariusze. Co najmniej jeden scenariusz niskiego (1,5–2°C) i jeden wysokiego (3°C+) scenariusza ocieplenia.
5. Określ ilościowo wpływ. Potencjalny wpływ finansowy/operacyjny w każdym scenariuszu (w zakresie).
6. Oceniaj i raportuj trwałość. Słabe strony, działania adaptacyjne, niepewność.
trzy mini etui
Przypadek 1 – Pułapka pojedynczego scenariusza. Jedna z firm poleciła sztucznej inteligencji „obliczyć ryzyko klimatyczne” i otrzymała liczbę dla jednej przyszłości. Konsultant wyjaśnił, że jest to mylące: w scenariuszu niskiego ocieplenia podatek węglowy (ryzyko przejścia) jest wysoki, w scenariuszu dużego ocieplenia powódź (ryzyko fizyczne) jest wysoka. Kiedy oba scenariusze przeprowadzono oddzielnie, stało się jasne, na jaką przyszłość narażona jest firma. Liczba nieparzysta dawała fałszywą pewność.
Przypadek 2 – Możliwość fikcyjna. Analityk zapytał YZ obiekt „Jaki jest procent ryzyka powodziowego w 2050 r.?” zapytał; AI podała dokładny procent. Ekspert zauważył, że liczba ta nie została oparta na żadnym modelu, ale sztuczna inteligencja stworzyła liczbę, która „wydawała się rozsądna”. Rzeczywista ocena wymagała dopasowania lokalizacji do mapy zagrożeń klimatycznych i modelu hydrologicznego. Z raportu usunięto możliwość fabrykacji.
Przypadek 3 – Dopasowanie lokalizacji. Jedna grupa miałaby ocenić fizyczne ryzyko klimatyczne w 60 obiektach. Poprosili sztuczną inteligencję o napisanie przepływu pracy w Pythonie, który dopasowywał współrzędne obiektu do otwartych zbiorów danych o zagrożeniach klimatycznych; Kod oznaczył 9 obiektów o dużym narażeniu na powodzie i fale upałów. Zespół skupił się na dogłębnej analizie tych 9 obiektów. przeskanowana sztuczna inteligencja; Ekspert podjął ostateczną decyzję dotyczącą ryzyka.
Słaba zachęta/silna zachęta
Słaba zachęta:
Oceń ryzyko klimatyczne mojej firmy.
Dlaczego jest słaby: Brak aktywów, lokalizacji, scenariusza, rodzaju ryzyka. Sztuczna inteligencja tworzy ogólny scenariusz lub wymyślony „wynik ryzyka”.
Potężny monit:
Twoja rola: doradca ds. ryzyka klimatycznego. W ramach TCFD należy ocenić zarówno ryzyko fizyczne (ostre/przewlekłe), jak i ryzyko tranzytowe dla poniższej listy obiektów (lokalizacja, sektor). Użyj dwóch scenariuszy: 1,5°C i 3°C. Nawet jeśli jest to zdecydowanie prawdopodobne, jest FAŁSZYWE; Podaj poziom jakościowy (niski/średni/wysoki) i dodaj notatkę „jakie dane należy kwantyfikować”. Wynikiem jest tabela typu ryzyka × scenariusza. Udogodnienia: [lista]
Cztery szablony do kopiowania
1) Rodzaj ryzyka × macierz scenariuszy:
Twoja rola: ekspert ds. ryzyka klimatycznego. Oceń następujące ryzyko fizyczne (ostre/przewlekłe) i przejściowe dla instytucji w dwóch scenariuszach (niskie/wysokie ocieplenie). Podaj poziom jakościowy i krótkie uzasadnienie w każdej komórce. Nie twórz dokładnych liczb; określić, jakie dane są potrzebne do kwantyfikacji. Informacje o instytucji: [tutaj]
2) Dopasowanie lokalizacji do zagrożeń (według kodu):
Napisz strukturę przepływu pracy w języku Python, która odwzorowuje następujące współrzędne obiektu na otwarte zbiory danych o zagrożeniach klimatycznych (np. powódź, fala upałów). Oznacz obiekty o dużej ekspozycji. Określ źródło danych; nie pasują do wyniku, należy wpisać adnotację „należy zweryfikować w odniesieniu do zbioru danych”. Udogodnienia: [tutaj]
3) Badanie czynników ryzyka przejścia:
Wymień ryzyko przejścia dla następującego modelu biznesowego: cena emisji dwutlenku węgla, regulacje prawne, zmiana technologii, rynek/konsument, zatopione aktywa, reputacja. Dla każdego określ ekspozycję i możliwy horyzont czasowy (krótki/średni/długi). Dopasowanie dokładnej ilości. Model biznesowy: [tutaj]
4) Projekt środków odporności i adaptacji:
Zaproponuj możliwe środki adaptacyjne/odporne na następujące zidentyfikowane zagrożenia klimatyczne. Dla każdego środka: jakie ryzyko zmniejsza, w jakim scenariuszu będzie działać, przybliżony poziom wysiłku. Nie używaj hiperbolicznego wyrażenia „zeruje ryzyko”. Zagrożenia: [tutaj]
Typowe błędy
- Ocena na podstawie jednego scenariusza. Wymagany jest co najmniej jeden scenariusz niskiego i jeden wysokiego ocieplenia.
- Łączenie ryzyka fizycznego i przejściowego. Obydwa są analizowane oddzielnie i mogą mieć przeciwne kierunki.
- Dopasowanie sztucznej inteligencji do dokładnego prawdopodobieństwa/kwota. Kwantyfikacja wymaga rzeczywistych modeli i danych.
- Omijanie łańcucha wartości. Ryzyko często leży po stronie dostawców i klientów.
- Ukrywanie niepewności. Scenariusze klimatyczne są z natury niepewne; zgłoś to.
Uwaga: ujawnienia informacji na temat ryzyka klimatycznego wpływają na decyzje inwestorów, a fałszywe/przesadzone ujawnienia to finansowa wersja greenwashingu – „prania klimatu”. Niedocenianie ryzyka lub przedstawianie go z fałszywą pewnością stworzoną przez sztuczną inteligencję powoduje odpowiedzialność prawną.
Podsumowując
ryzyko klimatyczne; Wymaga oceny ryzyka fizycznego (ostrego/przewlekłego) i przejściowego wraz z łańcuchem wartości w wielu scenariuszach. sztuczna inteligencja; Jest to potężny akcelerator do dopasowywania zagrożeń związanych z lokalizacją, sprawdzania czynników i tworzenia projektów. Jednak wybór scenariusza, kwantyfikacja w oparciu o rzeczywisty model, uczciwe raportowanie niepewności i interpretacja strategiczna należą do eksperta. Celem nie jest poznanie przyszłości, ale sprawdzenie wytrzymałości.
Zadanie aplikacji
Wymień trzy lub cztery obiekty instytucji wraz z ich lokalizacją i wskaż branżę. 1. utwórz matrycę z szablonem, która instruuje sztuczną inteligencję, aby oceniła ryzyko fizyczne i przejściowe w dwóch scenariuszach; Sprawdź, czy sztuczna inteligencja nie określa dokładnego prawdopodobieństwa, ale podaje poziom jakościowy. Następnie, korzystając z szablonu 3, przeskanuj ryzyko związane z przejściem modelu biznesowego i zaznacz trzy ryzyka o najkrótszym horyzoncie czasowym.
lista kontrolna
- [ ] Oceniłem oddzielnie ryzyko fizyczne (ostre/przewlekłe) i ryzyko przejściowe.
- [ ] Użyłem co najmniej jednego scenariusza niskiego i jednego wysokiego ogrzewania.
- [ ] Do analizy uwzględniłem łańcuch wartości (dostawca/klient).
- [ ] Nie dopasowałem AI do dokładnego prawdopodobieństwa/wartości; Podałem dane do kwantyfikacji.
- [ ] Wyraźnie zgłosiłem niepewność.
- [ ] Podjąłem ryzyko zaburzenia klimatu opisu (na pewno ani drobnego, ani fałszywego).