伊万·迪亚斯-雷尼 | 气候转型风险：测量的挑战及在银行压力测试中的应用

一、气候金融(Climate Finance)

迪亚斯-雷尼教授表示，狭义的气候金融是指按照2016年《巴黎协定》等国际协定的建议，从发达国家向发展中国家转移资金；广义的概念则是指与气候变化有关的投融资，是指金融机构支持减缓和适应气候变化等可持续性事业所开展的投融资活动；例如用于支持开发或部署新的太阳能电池板或其他可再生能源等具有显著减排效应的金融活动。

在气候金融的基础上，迪亚斯-雷尼教授介绍了绿色金融(Green Finance)的概念。按照他的说法，绿色金融支持的活动范围除应对气候变化外，还包括更广泛的环境效益目标，把与更广义的环境因素相关的潜在的回报、风险和成本都融合进金融的日常业务中；在金融经营活动中注重对生态环境的保护以及环境污染的治理；通过对社会经济资源管理，促进社会的可持续发展。

此外，在前两者之上更宽泛的概念是可持续金融(Sustainable Finance)。可持续金融关注和涵盖的问题进一步扩大，除环境气候问题外还包括社会和经济方面的问题，与ESG关注的内容范围比较相近。

1. 气候变化对金融体系的影响

近期世界各地自然灾害频发，例如加州的火灾/热浪，澳大利亚布里斯班的洪水等等。迪亚斯-雷尼教授表示，这些突发的自然灾害会对金融业，尤其是保险业造成巨大的损失(insurance losses)。我们可以通过减缓和适应融资(Mitigation & Adaptation Finance)，在削减甚至停止碳排放的同时积极适应气候变化，降低气候变化对金融系统造成的物理风险。

2. 气候变化与金融体系

第一，所有融资最终都应当是绿色的。当前，奥塔哥大学希望将绿色和可持续发展纳入课程设计，同时为专业人士的个性化需求设置专门课程以提高他们的可持续和绿色方面的特定技能。迪亚斯-雷尼教授表示，从结果而言，金融需要与气候目标相结合，动员全社会的力量共同努力才能更有效地应对气候危机。

第二，一级市场的绿色融资是挑战也是机遇。目前部分想上市的“绿色”企业一般很难在一级市场进行IPO融资，而气候变化给私人信贷(private credit)等投融资公司带来机遇。对此迪亚斯-雷尼教授指出，气候金融从本质上讲不仅仅是挑战，更是前所未有的机遇。

第三，二级市场所面临的气候风险。股票发行后，企业所面临的气候风险将影响投资者的投资组合长期风险与资产价值；同时气候变化也会影响央行的货币政策。对于如何判断企业所面临的转型风险，及如何判断企业的经营活动是否环保且符合既定的气候目标，迪亚斯-雷尼教授指出，绿色分类法(Green Taxonomy)将起到决定性作用。

二、气候风险(Climate Risk)

马克卡尼(Mark Carney)是推动全球金融界关注气候风险的重要人物。他将气候风险归纳为三大类，分别是物理风险(Physical Risks)、转型风险(Transition Risks)和责任风险(Liabilities Risks)，其中：

物理风险指气候变化导致的各种极端气候事件，如洪水、干旱、海平面上升、热浪、飓风等等自然灾害对土地、基础设施、房产等造成物理毁损而带来的经济损失与不稳定性，他们发生的频率和严重程度都在增加；

转型风险指向低碳经济转型进程中，因技术冲击和新气候政策/法规的引入而造成的高碳资产损失及新旧产业交替；

责任风险指与物理风险相关的保险索赔，或是因公司或个人无法有效应对气候变化而造成的法律诉讼风险。

而在气候相关财务信息披露工作组(Task Force on Climate-Related Financial Disclosures, TCFD)的标准下，公司需要考虑自身的战略规划，要将风险管理(物理风险、转型风险)作为战略规划的一部分，同时需要考虑所带来的财务影响(financial impact)以及由此可能产生的机遇。

通常情况下，上市能源公司为应对气候变化的脱碳目标，其未开采的化石燃料地下储量将无法使用，将面临成为搁浅资产(stranded assets)，并在会计上被冲销，在损益表中产生费用，对股价产生不利影响。因此，迪亚斯-雷尼教授指出气候风险会对公司自身及公司的损益表、现金流和资产负债表产生实际影响。

迪亚斯-雷尼教授还指出，转型风险实际上是赢家和输家之间的较量。在全球实现碳中和的大背景下，一些碳排放强度较高的行业和企业，如果不积极主动转型，未来会面临较高的转型风险；与之相反，那些本身就处于清洁低碳领导者的企业和行业，未来会迎接更大的市场机遇和发展空间。因此，在讨论转型风险的同时，我们也需要关注转型带来的巨大潜在市场机遇。

一、使用ESG评分测量转型风险的弊端

ESG评分从环境(environmental)、社会(social)以及治理(governance)三大方面对企业表现进行评分。迪亚斯-雷尼教授认为，即使单独提炼出环境(E)这一因素，也无法使用ESG评分对公司的气候转型风险进行精确衡量，主要原因有四：

第一，固有偏误(inherent bias)，各家评分机构对企业环境因素的考量都包含不同的细分项、且各个细分项权重不同，因此，不同评级机构给同一家公司的ESG评分可能存在较大差距；

第二，规模偏差(size bias)，ESG评分机构会偏向性地给规模较大的公司较高的评级；

第三，披露偏差(reporting bias)，目前企业环境(E)和和社会(S)的信息披露尚统一标准，且缺乏第三方鉴证制度，很难保证披露数据的真实性、准确性和透明度；

第四，向上偏误(upward bias)，在环境(E)的细分项中，大部分是加分项，仅有少数的细分项会降低ESG分数，因此，ESG评分存在整体偏高的误差。

二、转型风险的测量方法

温室气体议定书(Greenhouse Gas Protocol)将所有企业的温室气体划分为三个核算边界或范围：范围一是指直接排放，包括汽车尾气、燃烧燃料等产生的温室气体；范围二是指企业消耗的外购电力产生的间接温室气体排放；范围三指除外购电力或热力之外的其他间接排放，其覆盖范围包括上下游企业。分析人员通常使用范围一、二、三的碳排放来衡量企业的转型风险。

一般可以通过企业的碳足迹衡量企业的转型风险。碳足迹(carbon footprint)是指由一项活动直接或间接引起的或在产品生命周期中累计产生的二氧化碳总量。

气候风险的衡量标准之一是碳强度(carbon intensity)。碳强度的计算通过范围一和范围二碳排放量除以收入(分母有时可使用总资产代替)得到。部分学者会在分子中加入范围三碳排放量，但目前范围三碳排放数据的获取和真实性存在一定的问题，需谨慎使用。从资产组合层面，将上述公式做加权平均后就可以得出投资组合的加权平均碳强度(WACI)。

迪亚斯-雷尼教授指出，在对银行进行压力测试时，本质上可以通过计算碳强度或碳排放量来判断一家公司的假设碳负债。投资者或研究人员可将企业碳排放量的一定比例与碳价格的乘积从公司税前利润中扣除或收入中扣除，以此判断碳排放对公司可能产生的影响。

但是这里又会产生一些问题。迪亚斯-雷尼教授表示，新西兰有很多奶制品出口公司，它们的范围一和范围二碳排放量较小，看似不会对环境产生巨大影响，但这些奶制品公司生产采购的原料中其实包含了大量的甲烷排放。因此，是否包含范围三的碳排放将会对计算结果产生极大的影响；另外，采用何种碳价格作为计算的依据也将影响最终的计算结果。

迪亚斯-雷尼教授认为，在衡量企业转型风险时，我们不仅要用企业的碳排放数据乘以碳价格去计算碳排放成本，同时也要关注以及预测市场需求的变化。气候变化会极大影响消费者的消费行为、需求以及偏好，从而影响企业整体的销量和利润水平。迪亚斯-雷尼教授团队基于IPCC的情景假设做出的气候压力测试仅能预测能源行业的产品需求变化。这还远远不够，我们需要预测除了能源行业之外所有行业的产品需求变化。

一、机器学习有助于提高预测准确度

迪亚斯-雷尼教授表示，在研究新西兰公司时发现，因为缺乏有效的激励和约束机制，企业缺乏披露碳排放的动力，所以有很多公司会选择不披露或不连续披露碳排放数据，披露企业碳排放数据的真实有效性也有待考量。因此，通过机器学习(Machine Learning)填补缺失数据非常有必要。

迪亚斯-雷尼教授指出，通过机器学习对碳排放数据进行预测，与传统模型相比，数据准确度有显著提高。对加总后的范围一和范围二碳排放进行预测，其平均绝对误差(Mean Absolute Error，MAE)可降低25%至30%。但是，尽管使用最精确的机器学习模型，绝对碳排放(absolute emissions)的预测误差值还是很高。

因此，迪亚斯-雷尼教授指出，机器学习确实能弥补缺失数据并提高预测准确性，但目前以现有技术还是很难对碳排放量进行准确预测。同时，他强调使用能源消耗或能源生产数据有助于增强预测准确性，并呼吁那些在亚洲、太平洋地区、拉丁美洲地区，从事公共事业、房地产行业的企业加强碳排放信息披露，从而提高机器学习预测的精准性。

二、使用碳排放数据测量气候风险的挑战

第一，碳排放数据量严重缺失。当下市场上有近四万两千家公司在二级市场发行股票或债券，但是仅有六千家公司披露其碳排放数据。

第二，碳排放数据质量低下。一方面，由于专业人才的缺失，企业无法保证其数据披露的质量；一方面，目前缺乏强有力的第三方鉴证机制及市场监管；另外，部分企业获取其上下游企业碳排放数据成本太高，有时甚至无法获取所需数据进行范围三碳排放的计算。

第三，碳排放信息严重滞后。碳排放信息通常会有近一年半的滞后期。虽然气候相关财务揭露(Task Force on Climate-Related Financial Disclosures) 推荐投资者、相关研究人员使用碳强度计算企业气候转型风险，但是碳强度因其自身存在的问题而具有潜在的误导性：

首先，当前碳强度的计算基于历史数据，因此不具有前瞻性。许多公司正在快速转型，投资者无法根据企业过往的碳强度数据去精确计算其未来将面临的气候转型风险；其次，不同分母的运用会导致碳强度的计算存在偏差。这就是为何欧盟最近开始推荐使用包含了现金流在内的企业价值(EVIC)作为分母来计算企业碳强度，但EVIC也不是最完美的测量方法。

第四，范围一、二碳排放数据的局限性。许多公司快速变卖自身碳排放量较高的资产，但与此同时，他们会从金融机构手中购买碳排放较高的机构发行的股票/债券以形成回报率较高的投资组合。这样一来，这些公司的范围一碳排放数据得以美化（在许多国家范围一属于强制披露范畴），但他们却拥有较高的“隐形”范围三碳排放（投资产生的碳排放属于范围三碳排放的细分项，范围三非强制性披露，企业亦可选择性披露对其有利的范围三细分项）。因此，市场应将目光从范围一、范围二转向范围三，范围三能够最大程度衡量一个企业整体面临的气候转型风险。

范围三碳排放目前尚存较大的问题，最主要的问题在于信息披露口径的不一致。企业一般倾向于披露对其有利的碳排放信息，例如员工商务旅行产生的碳排放，却忽略一些比较重要的却易造成负面信息的范围三碳排放种类，例如使用售出的产品和服务所产生的碳排放。与此同时，迪亚斯-雷尼教授指出，不同数据供应商提供的同一家公司、同一年度的范围三碳排放数据大相径庭。其中，彭博和Refinitiv这两个数据库的相似度仅有70%，但实际上这两个数据库使用的都是公司披露的信息，并没有对数据进行后期加工，数据相似度理应接近100%。

因此，迪亚斯-雷尼教授及其团队通过机器学习对范围三碳排放量进行了预测。计算结果表明，若用总范围三碳排放量(aggregated scope 3 emissions)进行预测，预测精确度最多只能提高6%；若用机器学习先对范围三碳排放的15个细分类别进行预测后再进行加总，精确度则可提高25%。可即便如此，精准预测缺失的范围三碳排放数据在现阶段仍是一个难题。

迪亚斯-雷尼教授指出，当前碳排放数据量的缺失，信息披露口径的不一致，碳排放数据质量低下，以及碳排放信息严重滞后等问题亟需我们建立完善的碳排放信息披露制度并加强国际协作。迪亚斯-雷尼教授建议，政府及监管者应尽早将强制披露范围三提上议程，完善的核算指南、规章制度与国际标准，以此规范企业的信息披露，从而帮助投资者和金融机构准确预测企业的转型风险。