AI-система моделирования климатических рисков

AI-система моделирования климатических рисков

Климатические риски разделяются на физические (наводнения, жара, ветер) и транзиционные (изменение регулирования, углеродные налоги). Финансовые регуляторы (TCFD, CSRD, Банк России) требуют их раскрытия в корпоративной отчётности. ML позволяет перейти от качественных оценок к количественным — с привязкой к конкретным активам, горизонтам и сценариям выбросов.

Физические климатические риски

Классификация по горизонту:

• Краткосрочные (< 5 лет): экстремальные осадки, волны жары, паводки
• Среднесрочные (5-30 лет): изменение частоты ураганов, засух, рост уровня моря
• Долгосрочные (> 30 лет): структурные изменения климатических зон, опустынивание

Сценарии IPCC:

Для каждого сценария — набор климатических проекций (CMIP6 модели), используемых как основа для региональных downscaling.

Архитектура системы физических рисков

Шаг 1: Asset Geocoding и Location Intelligence

# Привязка активов к координатам
assets = {
    'asset_id': 'plant_001',
    'lat': 55.7522, 'lon': 37.6156,
    'asset_type': 'manufacturing',
    'replacement_value': 50_000_000,  # USD
    'operational_lifespan': 30  # лет
}

# Геопространственный joining с климатическими слоями
# GADM административные границы, OpenStreetMap elevation

Шаг 2: Hazard Modeling

Flood risk:

# FATHOM, JBA Risk, CatRisk — глобальные flood models
# AQUEDUCT (WRI): публичные данные flood exposure по RP10/50/100/500
# Для конкретной точки: flood depth × probability distribution

def flood_risk_score(lat, lon, scenario='SSP2-4.5', year=2050):
    flood_depths = aqueduct_api.get_flood_depth(lat, lon, scenario, year)
    # flood_depths: dict {RP10: 0.3m, RP50: 1.2m, RP100: 2.1m}
    return flood_depths

Heat stress:

def compute_heat_hazard(lat, lon, scenario, year):
    # WBGT (Wet Bulb Globe Temperature) — интегральный показатель теплового стресса
    # NOAA CMORPH osadki + ERA5 temperature + humidity projections
    baseline_hdd = get_hot_days_above_35(lat, lon, '1990-2020')
    projected_hdd = climate_model.project(lat, lon, scenario, year, '35c_exceedance_days')
    delta_hot_days = projected_hdd - baseline_hdd
    return delta_hot_days

Wildfire: FWI (Fire Weather Index) на основе CMIP6-проекций климатических переменных. Изменение FFMC, DMC, DC при потеплении → рост числа высокопожароопасных дней.

Шаг 3: Vulnerability Assessment

Физическая уязвимость — функция глубина наводнения → ущерб (%):

# Damage function (Huizinga 2017 curves — EU flood damage)
depth_damage_curve = {
    0.0: 0.00,
    0.5: 0.15,
    1.0: 0.30,
    2.0: 0.55,
    3.0: 0.75,
    5.0: 0.95
}

def physical_damage(flood_depth, asset_value):
    damage_fraction = interpolate(depth_damage_curve, flood_depth)
    return asset_value * damage_fraction

Шаг 4: Expected Annual Loss (EAL)

def expected_annual_loss(damage_by_return_period):
    """
    Integration по вероятностям
    EAL = Σ P(RP) × Damage(RP)
    """
    return_periods = [10, 50, 100, 250, 500]
    probs = [1/rp for rp in return_periods]
    damages = [damage_by_return_period[rp] for rp in return_periods]
    return np.trapz(damages, probs)  # площадь под кривой

Транзиционные риски

Углеродная стоимость: Компании с высоким Scope 1+2 эмиссиями подвержены риску роста цены углерода:

def carbon_cost_impact(scope12_emissions_tCO2, carbon_price_scenarios):
    """
    Сценарии цены CO₂: 2030 = $50-150/tCO2 (NGFS Central/Net Zero)
    """
    return {
        scenario: emissions * price
        for scenario, price in carbon_price_scenarios.items()
    }

Stranded Assets: Нефтегазовые, угольные активы — риск обесценивания при ужесточении климатического регулирования. Discounted Cash Flow при разных сценариях углеродных цен.

Policy risk: NLP-анализ климатического законодательства (GDPR Carbon Border Adjustment Mechanism, EU ETS Phase 4, российский ЭКОсбор) → оценка вероятности и сроков введения ограничений для конкретных отраслей.

Портфельный анализ рисков

Climate Value-at-Risk (ClimateVaR):

# Методология MSCI ClimateVaR / BlackRock Climate Risk framework
def portfolio_climate_var(portfolio, scenarios, horizon=2050):
    asset_impacts = {}

    for asset in portfolio:
        physical_impact = physical_risk_model.predict(asset, scenarios, horizon)
        transition_impact = transition_risk_model.predict(asset, scenarios, horizon)
        asset_impacts[asset.id] = physical_impact + transition_impact

    # Агрегация с учётом корреляций (climate risks коррелированы географически)
    portfolio_var = aggregate_with_correlations(asset_impacts)
    return portfolio_var

TCFD Reporting: Результаты — в стандартизированном формате Task Force on Climate-related Financial Disclosures:

• Governance (управление)
• Strategy (материальность рисков)
• Risk Management (процесс)
• Metrics and Targets (количественные показатели)

Данные и инструменты

Климатические данные:

• CMIP6 models (доступны через Copernicus Climate Data Store)
• ERA5 reanalysis (исторические данные)
• CHELSA, WorldClim: downscaled климатические данные 1 км

Инструменты:

• xarray, zarr: работа с многомерными климатическими данными (NetCDF)
• GeoPandas, Rasterio: геопространственные вычисления
• PyMC / stan: байесовское моделирование неопределённости

Платформы: Moody's ESG, MSCI ClimateVaR, Jupiter Intelligence — коммерческие data providers. Для кастомных решений: интеграция публичных климатических моделей (CMIP6 + AQUEDUCT + NASA).

Сроки: базовая физическая оценка рисков по flood/heat для портфеля активов — 6-8 недель. Многосценарный анализ (SSP1-8.5), транзиционные риски, ClimateVaR, TCFD-reporting модуль — 4-6 месяцев.