מודלים של סיכוני אקלים בינה מלאכותית לסיכונים פיזיים ומעבר

תארו לעצמכם שאתם מנהלים תיק של 500 נכסים תעשייתיים באזורי אקלים מגוונים. הרגולטורים דורשים חשיפה של סיכונים פיזיים וסיכוני מעבר לפי TCFD. חברות הביטוח דורשות הפסד שנתי צפוי (EAL) עבור כל נכס. ניתוח ידני על פני 4 תרחישי IPCC אורך שבועות של עבודה שוטפת, וקופסאות שחורות מוכנות כמו MSCI לא מאפשרות לכם להציץ מתחת למכסה המנוע. מודל סיכוני האקלים שלנו מבוסס בינה מלאכותית מתרגם אתגר זה להערכה כמותית הקשורה לנכסים ספציפיים, לאופקי זמן ולתרחישי פליטות. עם למעלה מ-5 פרויקטים שהושלמו עבור חברות תעשייתיות ופיננסיות, אנו מבטיחים תוצאות מדויקות ורלוונטיות. בהשוואה לחישוב ידני, הפתרון שלנו מקצר את זמן ההערכה ב-80% ואת העלויות ב-30–50% באמצעות אוטומציה ושימוש חוזר במודלים.

סיכוני אקלים מתחלקים לסיכונים פיזיים (שיטפונות, גלי חום, שריפות יער) וסיכוני מעבר (מסי פחמן, שינויים רגולטוריים). אנו בונים מודלים נפרדים לכל סוג ומאחדים אותם למדד ClimateVaR אחיד. כך זה עובד.

סיכוני אקלים פיזיים

סיווג לפי אופק זמן:

• טווח קצר (<5 שנים): משקעים קיצוניים, גלי חום, שיטפונות
• טווח בינוני (5–30 שנים): שינויים בתדירות הוריקנים, בצורות, עליית מפלס הים
• טווח ארוך (>30 שנים): שינויים מבניים באזורי אקלים, מדבור

תרחישי IPCC:

עבור כל תרחיש, אנו משתמשים בקבוצת תחזיות אקלים (מודלי CMIP6) כבסיס למידול אזורי ברזולוציה גבוהה.

כיצד אנו בונים את מודל הסיכון הפיזי

שלב 1: קידוד גיאוגרפי של נכסים וניתוח מיקום

# 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
}

שילוב גיאו-מרחבי עם שכבות אקלים (GADM, OpenStreetMap elevation).

שלב 2: מידול סיכונים

סיכון שיטפון: אנו משתמשים במודלי שיטפון גלובליים (FATHOM, JBA Risk, AQUEDUCT). עבור כל נקודה: עומק שיטפון × התפלגות הסתברות.

עומס חום: WBGT (Wet Bulb Globe Temperature) מ-NOAA, ERA5, תחזיות CMIP6. אנו מחשבים את השינוי במספר הימים החורגים מ-35°C.

שריפות יער: FWI (Fire Weather Index) המבוסס על CMIP6 — עלייה במספר ימי סיכון גבוה לשריפה.

שלב 3: הערכת פגיעות

פונקציית נזק המבוססת על עקומות מ-Huizinga (Huizinga, 2017). דוגמה לשיטפון:

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 } 

שלב 4: הפסד שנתי צפוי (EAL)

אינטגרציה על פני תקופות חזרה (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)

מדוע המודל שלנו מדויק יותר משל המתחרים

במקום קופסאות שחורות מסחריות (MSCI, Jupiter), אנו מכיילים על בסיס נתונים פתוחים (ERA5, AQUEDUCT) ומשתמשים בשיטות אנסמבל להערכת אי-ודאות. שגיאת עומק השיטפון הממוצעת שלנו באירועים היסטוריים היא 15% — פי שניים טוב יותר ממודלים גלובליים סטנדרטיים. יתר על כן, אנו משלבים עדכון בייסיאני ככל שנתוני אקלים חדשים מתקבלים, מה שמפחית את שגיאת p95 של תחזיות ארוכות טווח ב-25%.

כיצד אנו מעריכים אי-ודאות בתחזיות

עבור כל נכס אנו מחשבים רווחי סמך עבור EAL באמצעות bootstrap (1000 איטרציות). אנו מדווחים על P50, P75, P95 — מה שמאפשר ללקוחות להגדיר רזרבות לפי נכונותם לסיכון. שקיפות זו אינה זמינה במודלים סטנדרטיים.

סיכוני מעבר

עלות פחמן: עבור חברות עם פליטות גבוהות של Scope 1+2.

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

נכסים תקועים: DCF במחירי פחמן שונים — סיכון לפחת של נכסי פחם/נפט/גז.

סיכון רגולטורי: ניתוח NLP של חקיקה (EU ETS, CBAM, מס ECO הרוסי) — הערכת הסבירות להכנסת הגבלות לתעשיות.

שלבי הפרויקט