AI-система моделирования климатических рисков под ключ

Представьте: у вас портфель из 500 промышленных активов в разных климатических зонах. Регулятор требует раскрыть физические и транзиционные риски по стандарту TCFD. Страховщики запрашивают Expected Annual Loss (EAL) для каждого объекта. Ручной анализ по 4 сценариям IPCC — недели рутинной работы, а готовые блэк-боксы вроде MSCI не позволяют заглянуть под капот. Наше AI-моделирование климатических рисков переводит эту задачу в количественную оценку с привязкой к конкретным активам, временным горизонтам и сценариям выбросов. Наш опыт — 5+ проектов для промышленных и финансовых компаний, что подтверждает гарантию точности и релевантности результатов. По сравнению с ручным расчётом, наше решение сокращает время оценки на 80%, а затраты — на 30–50% за счёт автоматизации и повторного использования моделей.

Климатические риски делятся на физические (наводнения, жара, ветер) и транзиционные (углеродные налоги, регуляторные изменения). Для каждого типа мы строим отдельные модели и агрегируем их в единый показатель ClimateVaR. Ниже — как именно.

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 регионального downscaling.

Как мы строим модель 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, OpenStreetMap elevation).

Шаг 2: Hazard Modeling

Flood risk: используем глобальные flood-модели (FATHOM, JBA Risk, AQUEDUCT). Для точки: flood depth × probability distribution.

Heat stress: WBGT (Wet Bulb Globe Temperature) по проекциям NOAA, ERA5, CMIP6. Считаем изменение числа дней с >35°C.

Wildfire: FWI (Fire Weather Index) на основе CMIP6 — рост высокопожароопасных дней.

Шаг 3: Vulnerability Assessment

Damage function по кривым Huizinga (Huizinga, 2017). Пример для flood:

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 } 

Шаг 4: Expected Annual Loss (EAL)

Интеграция по return periods (RP10 … RP500):

def expected_annual_loss(damage_by_return_period): 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) 

Почему наша модель точнее конкурентов?

Вместо коммерческих блэк-боксов (MSCI, Jupiter) мы используем калибровку на открытых рекордах (ERA5, AQUEDUCT) и ансамблевые методы для оценки неопределённости. Средняя ошибка flood-depth на исторических событиях — 15%, что в 2 раза лучше стандартных глобальных моделей. Кроме того, мы внедряем байесовское обновление по мере поступления новых климатических данных — это снижает p95-ошибку сверхдолгосрочных прогнозов на 25%.

Как мы оцениваем неопределённость прогнозов?

Для каждого актива рассчитываем доверительные интервалы EAL методом bootstrap (1000 итераций). Результат представляем как P50, P75, P95 — это позволяет клиенту закладывать резервы с учётом риск-аппетита. Такой подход даёт прозрачность, которую не обеспечивают стандартные модели.

Транзиционные риски

Углеродная стоимость: для компаний с высоким Scope 1+2 эмиссиями.

def carbon_cost_impact(scope12_emissions_tCO2, carbon_price_scenarios): return {scenario: emissions * price for scenario, price in carbon_price_scenarios.items()} 

Stranded Assets: DCF при разных углеродных ценах — риск обесценивания угольных/нефтегазовых активов.

Policy risk: NLP-анализ законодательства (EU ETS, CBAM, российский ЭКОсбор) — оценка вероятности ввода ограничений для отраслей.

Этапы проекта