编者荐语：
有机数科技联合创始人及执行总裁胡若菡在《北大金融评论》发文表示，国际气候治理和金融监管正向量化分析、情景模拟和前瞻评估为核心的制度化管理阶段迈进，对数据质量与分析方法提出了更高要求
随着极端天气事件的发生频率和强度显著上升，气温升高、海平面上升等慢性气候变化趋势不断累积，气候变化已成为影响金融体系稳健性的重要系统性风险。传统金融风险评估方法依赖历史统计数据和平均化假设，难以适配具有非线性特征和结构性变化特征的气候风险。区域或行业层面的粗粒度分析，难以支撑资产定价、信贷决策和长期资本配置等精细化金融活动。
有机数科技联合创始人及执行总裁胡若菡在《北大金融评论》发文表示，国际气候治理和金融监管正向量化分析、情景模拟和前瞻评估为核心的制度化管理阶段迈进，对数据质量与分析方法提出了更高要求。AI气候模型由此成为金融机构管理气候风险的重要技术路径，也成为连接政策目标、风险管理与资本配置的重要工具。
本文完整版刊登于《北大金融评论》第27期。
AI气候风险建模的方法论基础与整体架构
总体思路：从宏观气候变化到资产风险量化
AI 气候风险模型的核心在于将宏观气候变化信号转化为资产和投资组合层面的可管理风险信息，围绕“气候暴露—资产敏感性—系统脆弱性”三个关键维度，结合多源数据和机器学习，同时覆盖气候物理风险和转型风险。其中，物理风险关注极端天气和长期气候变化对资产和经济活动的直接影响；转型风险则关注政策、技术变革和市场偏好变化对企业成本结构和盈利能力的影响。
多源数据：多模态气候与空间数据的深度融合
在数据层面，AI 模型通过整合多类异质数据支撑精细化风险评估。在物理风险分析中，模型可自动化处理气候变量、卫星遥感、地理信息系统（GIS）等多类数据。突破传统模型的粗粒度局限，实现对单一资产的精准评估。这种资产级分析能力，使气候风险评估不再停留在区域平均水平，而是能够直接服务于具体金融决策。
在转型风险分析中，模型还需进一步引入宏观经济与政策数据，如行业碳排放强度、碳价格假设、能源结构变化路径等，为量化评估政策驱动下的市场与价格冲击提供必要输入。
情景框架：排放路径与政策情景的耦合分析
在方法论设计上，AI 气候模型可耦合IPCC 共享社会经济路径（SSPs）与代表性浓度路径（RCPs）等气候科学情景，与NGFS 等金融监管情景，并行评估不同时间尺度和政策路径下的物理风险与转型风险，帮助金融机构更全面、前瞻地识别气候变化对资产价值和风险敞口的潜在影响，为资本配置、风险管理和长期战略规划提供更加稳健的决策支持。
系统架构：从数据处理到决策支持的闭环设计
在整体架构设计上，AI 气候风险评估系统包括数据预处理与特征工程、风险建模与情景模拟以及可视化与决策支持三大模块。前者负责多源数据的清洗、融合和结构化处理；中间模块利用机器学习和统计模拟方法生成风险评分和损失分布；后者则通过可视化工具，将复杂的模型结果转化为金融从业者可理解和可操作的信息，支持金融资产定价与资本配置优化。
应用实践：AI模型气候风险评估的金融场景落地
在实际应用层面，以有机数气候风险模型解决方案（CRMS）为例，我们的模型已在多个金融场景中验证了其可行性与现实价值，并被逐步运用于支持银行、保险公司、资产管理公司等金融主体和长期投资者开展更加精细化的气候风险分析。
在银行风险管理实践中，该模型已被用于覆盖全球范围的资产组合分析。在不同温升情景及自然灾害情景下，模型能够精确刻画单一资产及资产组合层面所面临的潜在损失，并以单位货币金额的形式量化其财务影响。在此基础上，相关损失估计可直接嵌入银行的资本充足率压力测试框架，用于评估极端气候冲击下的资本缓冲充足性，同时为信贷定价调整、授信额度管理以及组合层面的风险分散与结构优化提供更为精细和可比的量化依据；在保险领域，模型通过刻画复合型自然灾害风险及其概率分布，为巨灾保险产品定价、再保险安排以及风险分散策略等提供更具前瞻性的支持。
······
本文完整版刊登于《北大金融评论》第27期
订阅全年刊或三年刊
享独家优惠
扫码订阅
