Mga nadagdag:
- Kakayahang makilala ang pisikal (talamak/talamak) at paglipat ng mga panganib at suriin ang isang institusyon kasama ang value chain nito sa maraming mga senaryo ng pag-init
- Kakayahang itugma ang mga lokasyon ng pasilidad sa data ng panganib sa klima at makabuo ng isang antas ng panganib ng husay nang hindi nagkakaroon ng artificial intelligence na tumutugma sa eksaktong posibilidad/halaga
- Kakayahang matapat na iulat ang kawalan ng katiyakan ng mga sitwasyon ng klima at maiwasan ang panganib ng paghuhugas ng klima
Ang pagbabago ng klima ay hindi lamang isang problema sa kapaligiran, ito ay isang panganib sa pananalapi at pagpapatakbo. Maaaring isara ng baha ang isang pabrika, ang buwis sa carbon ay maaaring bumagsak sa isang modelo ng negosyo, ang tagtuyot ay maaaring maputol ang isang supply chain. Kailangan na ngayong sukatin ng mga institusyon ang mga panganib na ito, subukan ang mga ito gamit ang mga sitwasyon at iulat ang mga ito. Sa yunit na ito matututunan mo ang tungkol sa dalawang pangunahing uri ng panganib sa klima, pagsusuri ng senaryo, ang papel at mga limitasyon ng AI sa pagmomodelo sa hindi tiyak na hinaharap na ito.
Frame muna. Ang TCFD (Task Force on Climate-related Financial Disclosures) ay isang world-standard na balangkas na tumutukoy kung paano ibubunyag ang panganib sa klima; Mayroong apat na haligi: pamamahala, diskarte, pamamahala sa peligro, sukatan-layunin. (Ang mga rekomendasyon ng TCFD ay halos inilipat na sa mga pamantayan ng ISSB, ngunit ang kanilang mga konsepto ay nananatiling mahalaga.)
Dalawang uri ng mga panganib sa klima
Pisikal na panganib: panganib na nagmumula sa mga pisikal na epekto ng klima. Ito ay nahahati sa dalawa: talamak (talamak — biglaang pangyayari gaya ng baha, bagyo, heat wave) at talamak (talamak — mabagal, permanenteng pagbabago tulad ng pagtaas ng lebel ng dagat, average na pagtaas ng temperatura, tagtuyot).
Panganib sa paglipat: ang panganib na nagmumula sa paglipat sa isang mababang-carbon na ekonomiya. Mga halimbawa: presyo/buwis ng carbon, pagbabago sa regulasyon, pagbabago ng teknolohiya (hal. pagtatapos ng internal combustion engine), pagbabago sa kagustuhan ng consumer, panganib ng "stranded asset" (hal. coal power plant na nagiging lipas na).
Tip: Ang panganib sa pisikal at paglipat ay madalas na gumagalaw sa magkasalungat na direksyon. Kung ang mundo ay gumagawa ng mabilis na pagpapagaan, ang panganib sa paglipat ay tumataas (biglaang batas), ang pisikal na panganib ay bumababa; Kung mabagal siyang kumilos, kabaligtaran ang mangyayari. Kaya naman maraming mga senaryo ang sinusubok, hindi isang "hinaharap".
Pagsusuri ng senaryo: maramihang futures
Ang hinaharap ng panganib sa klima ay hindi mahuhulaan, kung kaya't ginagamit ang pagsusuri ng senaryo: pagsubok kung paano maaapektuhan ang soot sa ilalim ng iba't ibang mga landas ng pag-init (hal. 1.5°C, 2°C, 3°C+). Para sa mga siyentipikong sitwasyon, ang SSP (Shared Socioeconomic Pathways) ng IPCC at ang mga senaryo ng enerhiya ng IEA ay kinuha bilang sanggunian. Ang layunin ay hindi upang "hulaan" ang hinaharap, ngunit upang subukan ang katatagan - "sa anong hinaharap tayo masisira?"
Nandito ang AI; Makapangyarihan ito sa pag-istruktura ng mga pagpapalagay ng senaryo, pagproseso ng iba't ibang dataset ng klima, pagtutugma ng mga lokasyon ng pasilidad sa mga pisikal na mapa ng peligro, at pag-draft ng mga script ng panganib. Ngunit ang pagpili ng senaryo, realismo ng palagay at estratehikong interpretasyon ay nabibilang sa eksperto.
Hakbang-hakbang: isang pagtatasa ng panganib sa klima
1. Mapa ang mga asset at value chain. Aling pasilidad ang nasaan, aling supplier ang nasa anong rehiyon?
2. Tukuyin ang pagkakalantad sa mga panganib. Anong mga pisikal na panganib (baha, tagtuyot) ang mahina sa bawat lokasyon?
3. Ilista ang mga salik ng transisyon. Presyo ng carbon, batas, teknolohiya, merkado.
4. Pumili ng mga sitwasyon. Hindi bababa sa isang mababang (1.5-2°C) at isang mataas (3°C+) na senaryo ng pag-init.
5. Tukuyin ang epekto. Potensyal na epekto sa pananalapi/pagpapatakbo sa bawat senaryo (sa saklaw).
6. Suriin at iulat ang tibay. Mga kahinaan, mga hakbang sa pagbagay, kawalan ng katiyakan.
tatlong mini case
Kaso 1 — Isang bitag na senaryo. Sinabi ng isang kumpanya sa AI na "kalkulahin ang aming panganib sa klima" at nakakuha ito ng isang numero sa isang hinaharap. Ipinaliwanag ng consultant na ito ay nakaliligaw: sa low warming scenario ang carbon tax (transition risk) ay mabigat, sa high warming scenario ang pagbaha (physical risk) ay mabigat. Nang magkahiwalay na pinatakbo ang dalawang senaryo, naging malinaw kung saang hinaharap ang kumpanya ay mahina. Ang kakaibang numero ay nagbigay ng maling kumpiyansa.
Kaso 2 — kathang-isip na posibilidad. Tinanong ng isang analyst ang YZ ng isang pasilidad na "Ano ang porsyento ng panganib sa pagbaha sa 2050?" tanong niya; Ang AI ay nagbigay ng eksaktong porsyento. Nabanggit ng eksperto na ang numerong ito ay hindi batay sa anumang modelo, ngunit ang AI ay gumawa ng isang numero na "tila makatwiran." Ang aktwal na pagtatasa ay nangangailangan ng pagtutugma ng lokasyon sa isang mapa ng panganib sa klima at modelo ng hydrological. Ang posibilidad ng katha ay inalis sa ulat.
Kaso 3 — Pagtutugma ng lokasyon. Susuriin ng isang grupo ang panganib sa pisikal na klima ng 60 pasilidad. Pinasulat nila ang AI ng isang Python workflow na tumugma sa mga coordinate ng pasilidad upang buksan ang mga dataset ng panganib sa klima; Ang code ay nag-flag ng 9 na pasilidad na may mataas na pagkakalantad sa mga baha at heatwaves. Ang koponan ay nakatuon sa malalim na pagsusuri sa 9 na pasilidad na ito. Na-scan ng AI; Ginawa ng eksperto ang panghuling desisyon sa peligro.
Mahinang prompt / Malakas na prompt
Mahinang prompt:
Suriin ang panganib sa klima ng aking kumpanya.
Bakit ito mahina: Walang asset, lokasyon, senaryo, uri ng panganib. Gumagawa ang AI ng isang generic na script o isang ginawang “risk score.”
Napakahusay na prompt:
Ang iyong tungkulin: tagapayo sa panganib sa klima. Gamit ang balangkas ng TCFD, suriin ang parehong pisikal (talamak/talamak) at panganib sa pagbibiyahe para sa sumusunod na listahan ng mga pasilidad (lokasyon, sektor). Gumamit ng dalawang senaryo: 1.5°C at 3°C. Kahit na ito ay tiyak na malamang, ito ay PEKE; Magbigay ng antas ng husay (mababa/medium/mataas) at magdagdag ng tala na "kung saan dapat i-quantified ang data". Ang resulta ay ang uri ng panganib × talahanayan ng senaryo. Mga Pasilidad: [listahan]
Apat na maaaring kopyahin na mga template
1) Uri ng peligro × scenario matrix:
Ang iyong tungkulin: eksperto sa panganib sa klima. Suriin ang sumusunod na pisikal (talamak/talamak) at mga panganib sa paglipat para sa institusyon sa dalawang senaryo (mababa/mataas na pag-init). Magbigay ng antas ng husay at maikling katwiran sa bawat cell. Huwag gumawa ng eksaktong mga numero; tukuyin kung anong data ang kailangan sa quantification. Impormasyon ng institusyon: [dito]
2) Pagtutugma ng lokasyon-panganib (ayon sa code):
Sumulat ng isang Python workflow framework na nagmamapa sa mga sumusunod na coordinate ng pasilidad upang buksan ang mga dataset ng panganib sa klima (hal. baha, heat wave). Mga pasilidad ng bandila na may mataas na pagkakalantad. Tukuyin ang pinagmulan ng data; hindi magkasya sa marka, maglagay ng tala na "dapat ma-validate laban sa set ng data". Mga Pasilidad: [dito]
3) Transition risk factor screening:
Ilista ang mga panganib sa paglipat para sa sumusunod na modelo ng negosyo: presyo ng carbon, regulasyon, pagbabago ng teknolohiya, market/consumer, sunk asset, reputasyon. Para sa bawat isa, tukuyin ang pagkakalantad at posibleng abot-tanaw ng oras (maikli/medium/mahaba). Paglalagay ng eksaktong halaga. Modelo ng negosyo: [dito]
4) Draft resilience at adaptation measures:
Magmungkahi ng posibleng mga hakbang sa pagbagay/katatagan laban sa mga sumusunod na natukoy na panganib sa klima. Para sa bawat panukalang-batas: kung aling panganib ang binabawasan nito, kung saang senaryo ito gagana, magaspang na antas ng pagsisikap. Huwag gamitin ang hyperbolic na pariralang "zeroes the risk". Mga Panganib: [dito]
Mga karaniwang pagkakamali
- Pagsusuri gamit ang isang senaryo. Hindi bababa sa isang low at isang high warming scenario ang kinakailangan.
- Paghahalo ng pisikal at panganib sa paglipat. Ang dalawa ay pinag-aaralan nang hiwalay at maaaring nasa magkasalungat na direksyon.
- Ginagawang akma ang AI ng eksaktong probabilidad/halaga. Nangangailangan ang quantification ng mga totoong modelo at data.
- Pag-bypass sa value chain. Ang panganib ay kadalasang nasa mga supplier at customer.
- Itinatago ang kawalan ng katiyakan. Ang mga senaryo ng klima ay likas na hindi tiyak; iulat ito.
Babala: Ang mga pagsisiwalat sa panganib sa klima ay nakakaimpluwensya sa mga desisyon ng mamumuhunan, at ang mali/pinalaking pagsisiwalat ay ang pinansiyal na bersyon ng greenwashing — "paghuhugas ng klima." Ang pagmamaliit sa panganib o pagpapakita nito ng maling katiyakan na nilikha ng AI ay parehong lumilikha ng legal na pananagutan.
Sa buod
Panganib sa klima; Nangangailangan ito ng pagtatasa ng pisikal (talamak/talamak) at mga panganib sa paglipat kasama ang value chain sa maraming sitwasyon. AI; Ito ay isang malakas na accelerator para sa pagtutugma ng lokasyon-hazard, factor screening, at pag-draft. Ngunit ang pagpili ng senaryo, dami batay sa tunay na modelo, matapat na pag-uulat ng kawalan ng katiyakan at madiskarteng interpretasyon ay pagmamay-ari ng eksperto. Ang layunin ay hindi upang malaman ang hinaharap, ngunit upang subukan ang tibay.
Gawain ng aplikasyon
Maglista ng tatlo o apat na pasilidad ng isang institusyon kasama ang kanilang mga lokasyon at ipahiwatig ang kanilang industriya. 1. lumikha ng isang matrix na may template na nagsasabi sa AI na suriin ang pisikal at paglipat ng mga panganib sa dalawang senaryo; I-verify na ang AI ay hindi gumagawa ng eksaktong probabilidad ngunit nagbibigay ng antas ng husay. Pagkatapos, gamit ang template 3, i-scan ang mga panganib sa paglipat ng modelo ng iyong negosyo at markahan ang tatlong panganib na may pinakamaikling abot-tanaw.
checklist
- [ ] Sinuri ko nang hiwalay ang pisikal (talamak/talamak) at mga panganib sa paglipat.
- [ ] Gumamit ako ng hindi bababa sa isang low at isang high heating scenario.
- [ ] Isinama ko ang value chain (supplier/customer) sa pagsusuri.
- [ ] Hindi ko ginawang akma ang AI sa eksaktong probabilidad/halaga; Tinukoy ko ang data para sa quantification.
- [ ] Iniulat ko nang malinaw ang kawalan ng katiyakan.
- [ ] I have take risk of climate-washing the description (ni slight or fake for sure).