FutureMakers и моделирование изменения климатаМетод в безумииХельга Биргден[87]
Введение
Потенциальное воздействие изменения климата как системной проблемы – возможно, самой насущной темы для инвестиций в наше время – представляет собой вызов для крупных глобальных инвесторов с длительным временным горизонтом и портфелем, охватывающим всю мировую экономику. Экологические, научные, политические и технологические изменения продолжают разрушать существующие отрасли и региональные экономики. Таким образом, Парижское соглашение ставит вопросы, актуальные для многих инвесторов.
Инвесторы часто используют сценарный анализ и стресс-тестирование как часть стратегических решений по распределению активов, что приводит к формированию портфеля с учетом рисков декарбонизации и переходного периода. Выбор моделей и данных важен для инвесторов, чтобы создать устойчивые портфели, которые будут хорошо работать в нестабильных рыночных условиях и приносить инвестиционную прибыль акционерам и бенефициарам. Когда речь заходит об изменении климата, возникает множество вопросов относительно используемых данных и методов. Не будет ли безумием пытаться понять вероятность изменения климата с температурой 2 ℃ или менее[88], а также его влияние на активы в институциональном инвестиционном портфеле (World Economic Forum, 2019)? Насколько климатические данные актуальны для инвесторов? В этой главе мы рассмотрим некоторые проблемы и результаты инвестирования в период изменения климата на примере проекта FutureMakers[89], группы из приблизительно 30 институциональных инвесторов, применяющих моделирование общих климатических сценариев и стресс-тестирование для оценки своих инвестиций.
Почему важно количественно оценить риск изменения климата?
Инвесторы используют количественные данные и статистику для оценки и сопоставления инвестиций с эталонными и другими экономическими показателями. Учитывая глубокую неопределенность и сложность проблемы климатических изменений, инвесторы все чаще обращаются к научным источникам данных и аналитике, чтобы лучше понять последствия изменения климата для инвестиционных портфелей. В исследованиях, связанных с изменением климата, наблюдается тенденция к использованию в аналитике большого количества данных, взятых из прикладных исследований по инвестированию в смягчение последствий изменения климата и адаптацию к ним (Hassani et al., 2019). Например, инвесторы используют данные о выбросах углекислого газа в соответствии с Протоколом по парниковым газам (GHG) для расчета будущей «траектории планирования» или «сценария изменений» того, насколько необходимо сократить долю высокоуглеродных акций в портфеле для достижения научно обоснованной цели в 2 ℃ или ниже. Это является частью более широкой тенденции междисциплинарного использования климатических данных как политиками, так и специалистами по планированию ресурсов и инвесторами.
Нисходящий подход к анализу сценариев
Институциональные инвесторы проводят анализ климатических сценариев и стресс-тестирование портфеля, как правило, с учетом рисков и инвестиционных возможностей, связанных с переходом к низкоуглеродной экономике и потенциальным физическим ущербом для активов. Риск перехода заключается в технологических и политических изменениях, необходимых (и в некоторой степени уже происходящих) для ухода экономики от ископаемого топлива как основного источника энергии и смягчения последствий повышения средней температуры. Оценка «сверху вниз» может включать в себя анализ тенденций, таких как факторы внедрения технологий, взаимодействие между энергетической политикой и развитием технологий, а также интегрированные кривые предложения ископаемого топлива для моделирования его иссякающих запасов (Mercer, 2019). Подход «сверху вниз» работает путем формирования взглядов на инвестиционную и экономическую среду и их применения в масштабах всего портфеля на уровне классов, активов и секторов.
Моделирование физического ущерба от изменения климата представляет собой серьезную проблему для инвесторов из-за недостаточного охвата данных и глубокой неопределенности будущего. Ущерб от физических рисков отражает последствия, возникающие в результате повышения температуры, которого нам не удалось избежать. Частота штормов, лесных пожаров, наводнений и засух непредсказуема, как и перспективы изменения количества природных ресурсов, например, влияние потери биоразнообразия на сельское хозяйство.
Функции ущерба в масштабах всей экономики, чаще всего используемые для оценки долгосрочных физических последствий изменения климата, сильно недооценивают скорость и масштабы физического ущерба, учитывая то, как ориентированные на равновесие модели склонны занижать значимость неопределенности, сужать широкие дисперсии и игнорировать «хвостовые риски». Межправительственная группа экспертов по изменению климата (IPCC) сообщает, что оценки физического ущерба обычно не учитывают «контуры обратной связи» с высокой степенью неопределенности, способные привести климатическую систему к точкам невозврата: например, таяние вечной мерзлоты и высвобождение метана.
Нисходящие модели важны для долгосрочных инвесторов, поскольку они позволяют управлять всем инвестиционным процессом и принимать стратегические портфельные решения для управления сложными рисками и инвестирования в устойчивые активы.
Где работают модели «снизу вверх»?
Значение понятия «снизу вверх» зависит от точки зрения. Например, в модели, использованной Mercer в книге «Инвестирование в период изменения климата: продолжение» (Investing in a Time of Climate Change: The Sequel) для разработки оценок физического воздействия был использован восходящий подход (Mercer, 2019). Это повлекло за собой поиск источников оценок ущерба по конкретным видам страхования и их объединение для разработки единой функции физического ущерба по нескольким видам страхования. Хотя такой подход имеет свои преимущества (например, прозрачность в отношении факторов ущерба, связанных с конкретным риском или регионом), у него есть и недостатки. Например, существует очень мало функций ущерба по конкретным видам страхования, имеющих глобальную согласованность, а значит, любой подход «снизу вверх», скорее всего, будет грешить пробелами; кроме того, необходимо провести дополнительные исследования взаимодействия между видами страхования, чтобы избежать двойного учета.
Некоторые инвесторы работают с восходящей оценкой на уровне компаний, чтобы лучше понять риски в портфеле, прежде чем разрабатывать мнения о секторах, классах активов и портфеле в целом. Например, оценка углеродного следа – это восходящий способ оценки исторической интенсивности выбросов углерода относительно контрольных и целевых показателей, широко применяемый в настоящее время. Инвесторы также проводят восходящее картирование потенциальных рисков физического ущерба на основе конкретного местоположения, особенно в отношении непосредственно принадлежащих им реальных активов. Хотя большинство используемых сегодня восходящих подходов обеспечивают полезную детализацию рисков в ближайшей перспективе, часто они сосредоточены на краткосрочном риске перехода (как в случае с «углеродным следом») и охватывают только определенные сектора или классы активов, такие как акции и ценные бумаги с фиксированным доходом.
Восходящие подходы также обычно полезны для принятия тактических решений – например, какую конкретную ценную бумагу купить, продать, с кем взаимодействовать, – и могут оказаться неприменимыми для принятия общих решений по распределению активов или формированию портфеля, направленных на научно обоснованное ориентирование на сценарий полутораградусного потепления.
Как экономическая теория влияет на представление об изменении климата
Сегодня практика крупных институциональных инвесторов, таких как пенсионные фонды, суверенные фонды, страховщики и управляющие активами, находится под сильным влиянием «неоклассической экономической теории» и многих инвестиционных теорий, отмеченных Нобелевской премией и основанных на неоклассических предпосылках, включая портфельную теорию Марковица (MPT), разработанную еще в конце 1950-х гг. Наряду с широко используемой моделью ценообразования капитальных активов (CAPM) и методами оптимизации среднего отклонения (MVO), основной портфельный анализ во многих инвестиционных компаниях предполагает гипотезу эффективного рынка (EMH)[90]. Она гласит, что цены акций полностью отражают имеющуюся информацию и представляют собой беспристрастные оценки базовых ценностей.
Внешние факторы, такие как изменение климата, не очень легко учитывать в таких аналитических системах. Отчасти это объясняется тем, что неоклассическая теория основывается на нашей, как инвесторов, способности действовать рационально, игнорируя тот факт, что у нас может быть свыше 200 когнитивных предубеждений, включая эффект видимости и неприятие потерь.
Необходим новый образ мышления, и на самом деле существует множество альтернативных экономических теорий, лучше учитывающих роль переходных процессов и сбоев, связанных с экологическими, социальными и управленческими факторами и изменением климата – это экологическая, адаптивная, экономика низкого роста, антирост, устойчивая, феминистская, пончиковая, нейроэкономика и экономика сложности. Были предприняты попытки связать эти альтернативные теории с инвестиционной практикой.
Например, Эндрю Ло и Ричард Букстабер[91] формулируют потенциальные альтернативы EMH как средство включения большего учета сложности в свою работу в качестве инвесторов (Lo, 2004). Другие примеры – женщины-экономисты, такие как Филлис Дин, работавшая в 1941 г., и уроженка Новой Зеландии Мэрилин Уоринг (Waring, 1999), подчеркивавшая неспособность специалистов подсчитать экономический вклад женщин, измеряемый в категориях ВВП[92]. Мы не будем подробно рассматривать здесь деятельность этих и подобных им экономистов; они сами по себе достойны отдельного и полного обсуждения.
Существует обширная литература, указывающая на то, что наше понимание экономических показателей оставляет желать лучшего – ВВП учитывает только рыночную деятельность, а методы оценки ВВП предполагают суждения на многих уровнях и имеют известные пробелы (Pilling, 2018). Мы также активно обсуждаем взаимосвязь между процентными ставками, долгом и инфляцией (Kelton, 2019). Такие экономические показатели в лучшем случае являются довольно грубыми инструментами, а в худшем – недооценивают или не отражают реальное системное воздействие изменения климата.
Модели комплексной оценки
Этот новый способ экономического мышления необходим, когда речь идет об изменении климата, моделировании сценариев и стресс-тестировании.
Модели комплексной оценки (IAM) являются надежной отправной точкой для инвесторов. Они включают в себя инструменты моделирования, каждый из которых в разной степени опирается на теорию, динамизм, масштаб и региональную или секторальную детализацию. Модели вычисляемого общего равновесия (CGE) – одна из форм IAM: они используются многими политиками для анализа климатической политики и прогнозирования экономического роста. Некоторые IAM сосредоточены на оценке воздействия риска переходного периода, другие – на воздействии физического риска. Некоторые из них охватывают всю экономику, другие – только определенные сектора (например, энергетику или сельское хозяйство), третьи – конкретные регионы. Все они пытаются установить связь между выбросами парниковых газов в результате человеческой деятельности и возможными долгосрочными физическими и экономическими последствиями.
Рынки могут не в полной мере учитывать изменение климата по ряду причин (в частности, ожидания инвесторов или даже стран могут разниться), а потому собранные данные не отражают должным образом факторы риска в экономике, что обусловлено:
• несоответствием временных горизонтов – во всей цепочке создания стоимости на рынках капитала присутствуют владельцы долгосрочных активов;
• сложностью и неопределенностью – неопределенность в отношении способов достижения того или иного температурного результата также приводит к путанице в том, в какой именно момент и какие именно риски могут проявиться;
• провалами в ценообразовании – цены на выбросы углерода все еще слишком низки, чтобы отразить полную социальную стоимость чистых выбросов и послать сигнал рынку; они остаются «внешними эффектами», не учитываемыми в оценках;
• поведенческой экономикой – исследования в этой области указывают на неспособность людей правильно учитывать последствия будущих рисков, особенно относящихся к крупным и редким. Это описывает теория перспектив, гиперболическое дисконтирование и другие хорошо изученные концепции поведенческой экономики;
• коллегиальной практикой – на сегодняшний день лишь небольшая доля институциональных инвесторов приняла стратегии управления рисками, связанными с изменением климата. Поскольку практика коллег – ключевой фактор для принятия решений многими инвесторами, это может оказывать депрессивное влияние на поведение рынка до тех пор, пока нормы не изменятся (см. пример FutureMakers ниже в этой главе, где показано исключение из этого явления; а также Mercer, 2019).
IAM как класс (и некоторые конкретные модели в этом классе), например, Metcalf and Stock и Weyant, считаются полезными для климатической политики по сокращению выбросов (Metcalf and Stock, 2017; Weyant, 2017). Однако ряд экспертов считают IAM неподходящими для решения этой задачи, поскольку их чрезмерно превозносят как «научные», в то время как уравнения и значения параметров сильно отличаются от модели к модели.
IAM могут использоваться для расчета социальной стоимости углерода (SCC) или оценки долгосрочного будущего ущерба, наносимого тонной выбросов в эквиваленте диоксида углерода (COe). Роберт Пиндайк убедительно доказывает, что следует избегать использования IAM для обработки данных, полученных путем вычислений, и что инвесторы должны сосредоточиться на экстремальном хвосте (т. е. катастрофических последствиях), а также на сокращении выбросов, необходимом для устранения этого хвоста. Он предлагает: «простой анализ чувствительности ключевых параметров ‹…› будет более информативным и прозрачным, чем моделирование Монте-Карло с использованием специальных распределений вероятности» (Pindyck, 2017).
При всей своей претенциозности IAM – одни из наиболее последовательных инструментов, доступных для количественной оценки воздействия климата.
Всегда ли больше данных – это лучше?
Методы анализа данных – регрессия, классификация и статистическая значимость, – используемые для моделирования климатических сценариев, подвержены неопределенности, вносимой на многих уровнях, включая (а) общую конструкцию подхода к моделированию, (б) конкретные сделанные предположения и (в) временной горизонт, на котором проводится анализ. Источники данных, необходимых для моделирования климата – дистанционное зондирование, результаты моделирования и палеоклиматические данные, – чрезвычайно разнообразны. Огромное количество данных, доступных сегодня, отражено в проекте следующего поколения сравнительного анализа климатических моделей, CMIP-6, для моделирования и анализа которого потребуется 30 петабайт.
В прошлом вычислительные ограничения серьезно сужали возможности CGE-моделей работать с небольшими наборами данных, фокусируясь только на определенной группе стран или нескольких регионах, используя исторические ожидания уровня цен, обусловленные только прошлыми или текущими ценами. Многие ученые согласны с тем, что необходимо межвременное моделирование для учета различных последствий глобального потепления (например, исчезновение видов, эрозия почвы, воздействие воды, повышение уровня моря, влияние на здоровье человека) для роста ВВП и других экономических переменных, чтобы инвесторы могли учесть будущие климатические последствия.
Существующие программные пакеты неспособны корректно обрабатывать большие межвременные CGE-модели. Питер Диксон в своей работе показывает, что эти модели, использующие более 100 отраслей или товарных групп, поддаются решению только для относительно небольшого числа временных периодов (Dixon et al., 2005). Уильям Нордхаус попытался смоделировать эффекты от воздействия изменения климата на ВВП и оценил их как низкие – от 1 % до 2 % – для мировой экономики в первых итерациях (Nordhaus, 1991).
Есть множество способов попытаться оценить климатические сценарии, включая использование моделей наук о Земле для улучшения понимания прогнозирования метеорологических явлений, например, и последствий физического ущерба, вызванного изменением климата (Ford et al., 2016; Knusel et al., 2019). Различные сложные климатические модели, используемые для моделирования сценариев, дают широкий разброс результатов, также способных сильно недооценивать (или игнорировать) возможные катастрофические последствия. Существуют аргументы против аналитики больших данных, когда дело доходит до практик, включающих «пренебрежение общими знаниями об области ‹…›. Некоторые из самых популярных методов анализа мало подходят для анализа зашумленных, неоднородных и автокоррелированных данных, встречающихся в климатологии и других науках. Таким образом, хотя эти методы, безусловно, дают результат, они редко могут дать понимание» (Faghmous et al., 2014).
В книге «Инвестирование в период изменения климата: продолжение» обсуждается широкий разброс результатов при моделировании углеродного развития событий и его влияния на мировой ВВП. Речь идет о необходимости признания широко различающихся возможных результатов с учетом глубокой неопределенности и признанием пробелов в данных. Различные подходы пытались решить проблему дисперсии; например, Элмар Криглер для ее преодоления пытался оценивать точки невозврата в климатической системе для потенциальных катастрофических последствий (Kriegler et al., 2009).
Был проведен ряд исследований, способствующих применению аналитики больших данных в моделировании изменения климата и анализе сценариев, сочетающих машинное обучение с обучением в процессе, поскольку одно без другого недостаточно. Существует также призыв к разработке «контекстуальных подсказок» в рамках глубокого обучения (подход, способный автоматически извлекать пространственно-временные характеристики) для дальнейшего понимания процессов в научных проблемах земной системы. Все это позволит повысить предсказательную способность сезонного прогнозирования и моделирования дальних пространственных связей в разных временных масштабах, что крайне важно для инвесторов с долгосрочными вложениями. Гибридные подходы к моделированию, сочетающие модели физических процессов с универсальностью машинного обучения на основе данных, считаются наилучшим путем.
Пример: FutureMakers используют моделирование климатических сценариев
С 2009 г. компания Mercer подготавливала документы, проводила исследования последствий изменения климата для институциональных инвесторов и разрабатывала методологию, моделирование и портфельные инструменты для оценки изменения климата. Основой для этой работы является Mercer Sustainable Growth Framework (граница устойчивого роста): она начинается с создания климатического управления путем внедрения парадигмы изменения климата в инвестиционные убеждения как стратегического взгляда, принятого советом директоров. Следующий этап – создание современного управления путем разработки инвестиционной политики, в полной мере применяющей эти взгляды для определения того, как организация внедряет климатические соображения в инвестиционные процессы и, наконец, как создавать устойчивые к изменению климата портфели. Данная методология повлияла на разработку подхода к построению портфеля «сверху вниз», принятого компанией Mercer при моделировании климатических сценариев, стресс-тестировании и реализации переходного периода. В соответствии с другими нисходящими моделями, метод климатических сценариев компании Mercer начинается с распределения стратегических активов в качестве исходных данных, чтобы затем рассчитать дополнительное влияние климата на доходность инвестиций на уровне всего портфеля, класса активов и сектора.
FutureMakers
Группа из примерно 30 глобальных институциональных инвесторов согласилась сформировать рабочую группу FutureMakers, поскольку все они используют или использовали инструменты моделирования климатических сценариев компании Mercer для принятия инвестиционных решений. Mercer назвала этих инвесторов FutureMakers[93] (творцы будущего), определив их деятельность следующим образом:
«Создание, обоснование и защита инвестиционных условий, стимулирующих реализацию климатического сценария с потеплением менее чем на 2 ℃ посредством инвестиционных решений и мероприятий по взаимодействию, которые, скорее всего, обеспечат экономическую и инвестиционную среду, необходимую для выдачи пенсий, целевых грантов и страховых выплат в сроки, требуемые бенефициарами».
Эти инвесторы, под чьим управлением находится более $3 трлн в активах, представляют собой срез индустрии институциональных инвестиций и включают инвесторов пенсионных и супераннуационных фондов, а также страховщиков, эндаументы и фонды. Они работают с нисходящим моделированием Mercer уже более пяти лет и сотрудничают с компанией в обсуждении климатических сценариев и процесса стресс-тестирования, а также необходимых исследований. «Творцов будущего» объединяет тот факт, что все они работали с одними и теми же сценариями и моделями, хотя те тоже менялись с течением времени.
FutureMakers рассказывают о своих подходах к изменению климата, сформированных на основе сценарного моделирования, изложенного в отчетах компании Mercer. Приведенные примеры включают такие фонды, как Guardians of the NZ Super Fund, который на момент написания статьи инвестирует около NZ$14 млрд из своего глобального пассивного портфеля акций (40 % от общего объема фонда) в низкоуглеродные стратегии, при этом общая интенсивность выбросов углерода в фонде становится на 19,6 % ниже, а его воздействие на запасы углерода на 21,5 % ниже, чем если бы изменения не были внесены. GPIF, Фонд национального благосостояния Японии, инвестирует $8,9 млрд в индексы ESG и активно оценивает климатический подход к инвестированию своего портфеля, составляющего около $1,4 трлн. QIC, управляющая компания с капиталом $63 млрд, которая начала оценивать свои климатические риски с помощью моделирования, фокусируется на реальных активах и физическом ущербе. Вклад FutureMakers является значительным и определил метод, использованный Mercer в течение десятилетия своей работы, отраженный в деятельности и результатах, описанных ниже. FutureMakers продолжают вносить вклад в климатическое моделирование Mercer следующего поколения по декарбонизации и переходному периоду в построении портфеля.
Какие модели полезны и почему?
Mercer сознательно решила использовать эконометрическую[94], а не CGE-модель и методологию, чтобы отразить взаимосвязи на эмпирической основе и не предполагать оптимального, «рационального» поведения в соответствии с неоклассической экономической теорией, рассмотренной ранее в этой главе. Модели CGE могут оптимизироваться для полного использования всех ресурсов, поэтому, если бы в результате введения регулирования увеличился объем производства и занятости, это изменение не было бы зарегистрировано. В сравнении с этим эконометрическая модель допускает возможность наличия неиспользованных капитальных и трудовых ресурсов, которые могут быть задействованы при правильном законодательстве; поэтому возможно (хотя и не гарантировано), что дополнительное регулирование может привести к росту инвестиций, выпуска и занятости (Cambridge Econometrics, 2019).
Эконометрическая модель призвана лучше вооружить инвесторов при оценке воздействия на портфель, например, некомпенсируемых рисков, которым они подвержены в настоящее время (поскольку климатический риск является финансовым риском), а также новых предполагаемых рисков, которые они могут принять на себя при декарбонизации портфелей. Эконометрическое моделирование, использованное Mercer, помогло инвесторам понять взаимосвязь между экономикой, энергетическими системами и окружающей средой с использованием экономических данных – ВВП, валовой добавленной стоимости (ВДС), процентных ставок, а также других факторов.
Климатические сценарии
Модель климатических сценариев Mercer выделяет факторы риска переходного периода и физические факторы риска и отображает относительное влияние этих факторов при трех климатических сценариях. Согласно траектории, известной как глобальный углеродный закон, выбросы должны были достичь пика в 2020 г. и в последующие десятилетия сокращаться вдвое. Концепция «углеродного закона» основана на законе Мура в компьютерной индустрии и применяется к городам, странам и промышленным секторам, чтобы показать, что сокращение выбросов раньше, а не позже снижает риск превышения оставшегося глобального углеродного бюджета (650 ГтCO2) для того, чтобы остаться значительно ниже 2 ℃.
Многие инвесторы признают, что сценарий 2 ℃ или ниже (с углеродным бюджетом в 1100 ГтCO2 в период с 2018 по 2100 г.) при трансформации низкоуглеродной экономики наиболее тесно связан как с успешной реализацией амбициозных рекомендаций Парижского соглашения, так и с наибольшими шансами на уменьшение физического ущерба. В сценарии +3 ℃ углеродный бюджет оценивается в 3500 ГтCO2 в период с 2018 по 2100 г., при этом некоторые климатические действия приведут к ограниченному сокращению выбросов, недостаточному ни для выполнения Парижского соглашения, ни для значительного снижения физического ущерба. В сценарии +4 ℃ (углеродный бюджет 5100 ГтCO2 между 2018 и 2100 гг.) разрозненные политические усилия приведут к невыполнению текущих обязательств и серьезной неспособности смягчить физический ущерб. Эти три сценария и углеродные бюджеты были выбраны в 2015 г. в сотрудничестве с FutureMakers как наиболее актуальные для глобальных институциональных инвесторов, использующих эти инструменты. С тех пор был опубликован специальный доклад МГЭИК о полутора градусах, и признано, что сценарий более низкого потепления важен для будущего моделирования.
В поддержку сценариев и их результатов Mercer разработала ресурсы для инвесторов, дополняющие результаты моделирования, такие как указатели сценариев в качестве руководства, помогающего отслеживать последние изменения политики о прогрессе низкоуглеродного перехода и изменениях в оценке физического ущерба. Эти ресурсы обращают внимание инвесторов на вопросы развития технологий и политики, такие как важность снижения загрязнения воздуха, а также другие риски, например, связанные с климатом судебные разбирательства, не отраженные в результатах отчета по экономическому моделированию.
Сценарные пути и факторы риска
В отчете Mercer за 2019 г. определены сценарные пути развития, показывающие направление воздействия климата на факторы риска, являющиеся косвенными показателями последствий изменения климата. Выбранный метод заключался в разработке глобальных сценарных последовательностей, описывающих относительное воздействие четырех факторов риска (определенных ниже) в трех различных температурных сценариях, охватывающих период времени с 2018 по 2100 гг. с годовыми временными шагами. Мы называем эти глобальные ряды значений «сценариями». Что касается охвата за 82-летний период, то воздействие климата было смоделировано для 16 регионов и 20 секторов. Сценарии и факторы риска измеряются относительным общим кумулятивным воздействием на глобальный ВВП и другие экономические показатели и факторы.
Каждый фактор риска представляет собой краткое описание существенного аспекта влияния изменения климата и называется факторами STIR, где:
S = расходы;
T = переход (варианты 2 ℃ и 3 ℃ – T2 и T3);
I = воздействие природных катастроф;
R = доступность ресурсов.
Воздействие климата для данного региона или сектора при определенном сценарии с использованием описанных выше факторов риска STIR рассчитывается как
Доходность = Σ Уязвимости × Сценарий.
Воздействие на доходность, определенное эконометрической моделью и факторами риска STIR, сравнивается на предмет согласованности в течение периода времени.
Факторы риска «Расходы» (S) и «Переход» (T) отражают риск переходного периода, в то время как физические риски представлены воздействием природных катастроф (I) и доступностью ресурсов (R).
Фактор (S) направлен на учет увеличения государственных и частных расходов в первые несколько лет переходного периода, но в данном случае он не рассматривается после 2025 г. При сценарии 2 ℃ он в первую очередь относится к наиболее чувствительным к климату секторам и классам активов, таким как уголь, нефть и газ, коммунальные услуги, возобновляемые источники энергии и устойчивая инфраструктура.
Фактор (Т) отражает взаимодействие политики и технологий как единый фактор риска перехода с различной чувствительностью активов в сценариях 2 ℃ и 3 ℃.
Факторы (I) «Воздействие» и (R) «Климатический риск» оценивают физический ущерб от изменения климата. «Воздействие природных катастроф» – это риск для инвесторов, связанный с нанесением физического ущерба, вызванного резким изменением погоды, например, экстремальными или катастрофическими событиями. Фактор «Доступность ресурсов» отражает влияние долгосрочных изменений погодных условий, например, температуры или осадков, на природные ресурсы, такие как сельскохозяйственные товары. Физический ущерб не учитывается в оригинальной модели, которую Mercer взяла у Cambridge Econometrics. Вместо этого для оценки физического воздействия компания Mercer провела обзор доступной литературы по конкретным видам ущерба от катастроф/природных ресурсов, затронутых климатом, и отобрала лучшие в своем классе исследования для разработки функций физического ущерба по конкретным видам ущерба, которые могли быть включены в эконометрическую модель. Ущербы от катастроф и природные ресурсы, в конечном итоге рассмотренные в рамках данного восходящего подхода и включенные в эконометрическое моделирование, следующие:
• функция ущерба сельскому хозяйству: пшеница, кукуруза, соя, рис (Moore et al., 2017);
• функция ущерба от прибрежных наводнений (Hinkel et al., 2014);
• функция ущерба от лесных пожаров (Howard et al., 2014).
Рис. 13.1. Обзор моделирования климатического сценария Mercer
Стресс-тестирование воздействия климата сегодня
В 2019 г. компания Mercer разработала инструмент стресс-тестирования, позволяющий рассматривать долгосрочное воздействие на доходность как краткосрочные события по переоценке рыночной цены, связанные с климатом, отражающие сдвиги в том, как и в какой степени рынок оценивает риски и возможности, связанные с изменением климата, включая трансформацию взглядов на вероятность различных климатических сценариев. В результате инструмент стресс-тестирования был разработан для капитализации ожидаемых будущих воздействий в текущей стоимости с использованием моделирования дисконтирования дивидендов (DDM). Сценарные вероятности позволяют инвесторам решить, в какой степени рассматривать изменения риска перехода или риска физического ущерба и почему они могут стать более вероятными. Изменения рыночного ценообразования учитываются в стресс-тесте, чтобы было ясно, насколько рынок недооценивает или переоценивает активы. Стресс-тест позволяет инвесторам рассмотреть процентное воздействие на оценку, если рыночное ценообразование изменится, чтобы (а) учесть другой взгляд на более вероятный климатический сценарий и (б) учесть изменение климата в другой степени. Тесты проводятся на уровне всего портфеля, класса активов или сектора и позволяют рассмотреть дополнительное влияние климата на доходность инвестиций в течение 12-месячного периода.
Результаты
Результаты эконометрического моделирования представляют собой сценарный анализ, содержащий подробную информацию на уровне классов активов и секторов, которую инвесторы могут изучить и применить для принятия решений о распределении активов. Относительная величина влияния на доходность инвестиций, полученная в результате анализа сценариев, по мнению Mercer, значительно недооценена – особенно в отношении физического ущерба – и неизменно мала в абсолютном выражении из-за эффекта усреднения за многие годы в некоторых случаях.
Результаты моделирования показывают: в двух типичных хорошо диверсифицированных портфелях, состоящих из нескольких активов, возможность получения прибыли до 2030 г. составляет от 0,10 % до 0,30 % в год при сценарии 2 ℃ по сравнению с –0,07 % в год при сценарии 4 ℃. К 2100 г. по сценарию 4 ℃ каждый портфель потеряет более 0,10 % в год по сравнению со сценарием 2 ℃. Сопоставление этих прибылей и убытков в течение нескольких лет дает некоторое представление о дополнительном влиянии климата на доходность инвестиций.
Премия за низкоуглеродный переход
Согласно результатам моделирования, возможности перехода появляются при сценарии 2 ℃, причем переход, как ожидается, будет выгоден с макроэкономической точки зрения, учитывая потенциал для получения «премии за низкоуглеродный переход». Хотя при сценарии 2 ℃ существует риск перехода (особенно для портфелей, ориентированных на рост температуры на 3 ℃ или 4 ℃), данные показывают, что инвесторы могут направить средства в многочисленные решения по смягчению последствий и адаптации, необходимые для трансформационного перехода. В двух примерах портфелей версия, ориентированная на устойчивое развитие, обеспечивает почти 0,2 % годовой доходности до 2030 г.
Ожидаемая годовая доходность остается наиболее заметной на уровне отраслей промышленности, при этом сценарии существенно различаются, особенно для энергетики, коммунальных услуг, основных потребительских товаров и телекоммуникаций. Доходность классов активов также может значительно отличаться в зависимости от сценария, причем наиболее заметными классами являются инфраструктура, недвижимость и акции. Различия в результатах между классами активов и регионами, кумулятивное воздействие и акцент на устойчивые возможности предоставляют инвесторам множество возможностей для построения портфеля.
Премия за низкоуглеродный переход в сценариях меньшего потепления не эквивалентна другим факторам инвестиционного риска (например, инфляции, ликвидности), которые будут применяться в разных сценариях. Она также не может быть рассчитана исторически, поскольку основана на прогнозах. Можно предположить, что уместна асимметричная оценка ценообразования углеродного риска – как не включенная в ценообразование с одной стороны и как достаточно верно оцененная с другой – и что акции, зависящие от ископаемого топлива, со временем перестанут оправдывать ожидания. Более вероятным представляется, что углеродный риск сегодня является недооцененным, нежели справедливо оцененным или переоцененным.
В отчете Mercer для иллюстрации основных выводов были использованы два образца распределения активов: (1) то же распределение активов диверсифицированного роста, представленное в отчете за 2015 г., и (2) портфель 2019 г., эквивалентный портфелю 2015 г., но с явным распределением инвестиций на цели устойчивого развития в различных классах активов.
Основное внимание в моделировании климата уделяется проверке того, каким образом движение существующих портфелей в сторону увеличения доли устойчивых активов, включая активные и пассивные низкоуглеродные акции, акции без ископаемого топлива, устойчивые государственные и частные акции, устойчивую инфраструктуру и «зеленые» облигации, например, может сделать портфель более устойчивым к изменению климата. Эквиваленты по тематике устойчивого развития в упомянутом выше отчете Mercer различаются только с точки зрения их чувствительности к изменению климата, поскольку источник величины премии за низкоуглеродный переход, определяемый Mercer, существует в контексте сценария «2 ℃ или менее», или сценария, значительно сильнее приближающегося к «2 ℃ или менее», чем наша текущая траектория.
Таблица 13.1. Пример дополнительного влияния климата на доходность по секторам и классам активов
Каким должен быть следующий шаг инвесторов?
Можно утверждать, что пытаться моделировать воздействие и вероятность изменения климата на активы для сценария «2 ℃ или менее» – это «безумие», учитывая влияние неоклассической экономической теории на наши представления об изменении климата, методы моделирования и недостаток данных. Эконометрические модели и подходы на основе больших данных, сочетающие прогнозирование и моделирование пространственных связей на большие расстояния в разных временных масштабах, с привязкой к моделям физических процессов, дают долгосрочным инвесторам возможность управлять риском перехода и риском физического ущерба. Модели больших данных однако не обязательно приведут к ускорению действий институциональных инвесторов. Инвесторы могут и должны сосредоточиться на предстоящих катастрофических последствиях и сокращениях выбросов. Как показывает пример FutureMakers, для группы крупных глобальных инвесторов возможно использование общих инструментов климатических сценариев и стресс-тестирования, а также комплексных моделей оценки (сочетающих нисходящие и восходящие методы) для принятия инвестиционных мер. Модели и данные, переведенные специалистами-практиками и профильными экспертами, полезны для принятия решений и могут помочь институциональным инвесторам определить ключевые риски и работать над их устранением. Модели и данные, к которым мы имеем доступ сегодня, показывают, что существующие методы могут поддержать переход к сценарию «2 ℃ или менее» и что все инвесторы могут стать создателями будущего.
Источники
Cambridge Econometrics (2019). E3ME Technical Manual V6.1. Available at: http://www.e3me.com/wp-content/uploads/2019/09/E3ME-Technical-Manual-v6.1-onlineSML.pdf (Accessed: 17 January 2020).
Dixon, P. B., Pearson, K., Picton, M. R., and Rimmer, M. T. (2005). 'Rational Expectations for Large CGE Models: A Practical Algorithm and a Policy Application'. Economic Modelling, 22(6), pp. 1001–1019.
Faghmous, J. H. and Kumar, V. (2014). 'A Big Data Guide to Understanding Climate Change: The Case for Theory-Guided Data Science'. Big Data, 2(3), pp. 155–163.
Fama, E. (1970). 'Efficient Capital Markets: A Review of Theory and Empirical Work'. Journal of Finance, 25, pp. 383–417.
Ford, J. D., Tilleard, S. E., Berrang-Ford, L., Araos, M., Biesbroek, R., Lesnikowski, A. C., … Bizikova, L. (2016). 'Big Data Has Big Potential for Applications to Climate Change Adaptation'. Proceedings of the National Academy of Sciences of the United States of America, 113(39), pp. 10729–10732.
Hassani, H., Huang, X., and Silva, E. (2019). 'Big Data and Climate Change'. Big Data and Cognitive Computing, 3(1), pp. 1–17.
Hinkel, J., Lincke, D., Vafeidis, A. T., Perrette, M., Nicholls, R. J., Tol, R. S. J., … Levermann, A. (2014). 'Coastal Flood Damage and Adaptation Costs under 21st Century Sea-level Rise'. Proceedings of the National Academy of Sciences of the United States of America, 111(9), pp. 3292–3297.
Holden, P. B., Edwards, N. R., Ridgwell, A., Wilkinson, R. D., Fraedrich, K., Lunkeit, F., … Viñuales, J. E. (2018). 'Climate–Carbon Cycle Uncertainties and the Paris Agreement'. Nature Climate Change, 8(7), pp. 609–613.
Howard, P. (2014). Flammable Planet: Wildfires and the Social Cost of Carbon. Available at: https://costofcarbon.org/files/Flammable_Planet__Wildfires_and_Social_Cost_of_Carbon.pdf (Accessed: 17 January 2020).
Jubin, B. (2017). Bookstaber, the End of Theory. Available at: https://seekingalpha.com/article/4068311-bookstaber-end-of-theory (Accessed: 17 January 2020).
Kelton, S. (2019). Paul Krugman Asked Me about Modern Monetary Theory: Here are 4 Answers. Available at: http://www.bloomberg.com/opinion/articles/2019–03–01/paul-krugman-s-four-questions-about-mmt (Accessed: 17 January 2020).
Knüsel, B., Zumwald, M., Baumberger, C., Hirsch Hadorn, G., Fischer, E. M., Bresch, D. N., and Knutti, R. (2019). 'Applying Big Data Beyond Small Problems in Climate Research'. Nature Climate Change, 9(3), pp. 196–202.
Kompas, T., Pham, V. H., and Tuong, N. C. (2018). 'The Effects of Climate Change on GDP by Country and the Global Economic Gains from Complying with the Paris Climate Accord'. Earth's Future, 6(8), pp. 1045–1173. [Online Journal].
Kriegler, E., Hall, J. W., Held, H., Dawson, R., and Schellnhuber, H. J. (2009). 'Imprecise Probability Assessment of Tipping Points in the Climate System'. Proceedings of the National Academy of Sciences of the United States of America, 106(13), pp. 5041–5046.
Lo, A. W. (2004). 'The Adaptive Markets Hypothesis'. Journal of Portfolio Management, 30, pp. 15–29.
McKenzie, R. B. (2019). Market Competitiveness and Rationality: A Brain-Focused Perspective. Available at: http://www.econlib.org/library/Columns/y2019/McKenziemarketcompetitiveness.html (Accessed: 17 January 2020).
Mercer (2015). Investing in a Time of Climate Change. Available at: http://www.mercer.com/content/dam/mercer/attachments/global/investments/mercer-climate-change-report-2015.pdf (Accessed: 17 January 2020).
Mercer (2017). Preparing Portfolios for Transformation: Assessing the Prospective Investment Impacts of a Low Carbon Economic Transition. Available at: https://www.mercer.com/our-thinking/assessing-the-prospective-investment-impacts-of-a-low-carbon-economic-transition.html (Accessed: 17 January 2020).
Mercer (2019). Investing in a Time of Climate Change: The Sequel. Available at: http://www.mmc.com/content/dam/mmc-web/insights/publications/2019/apr/FINAL_Investing-in-a-Time-of-Climate-Change-2019-Full-Report.pdf (Accessed: 17 January 2020).
Messac, L. (2018). Woman's Unpaid Work Must Be Included in GDP Calculations: Lessons from History. Available at: http://theconversation.com/womens-unpaid-work-must-be-included-in-gdp-calculations-lessons-from-history-98110 (Accessed: 17 January 2020).
Metcalf, G. E. and Stock, J. H. (2017). 'Integrated Assessment Models and the Social Cost of Carbon: A Review and Assessment of U. S. Experience'. Review of Environmental Economics and Policy, 11(1), pp. 80–99.
Moore, F. C., Baldos, U., Hertel, T., and Diaz, D. (2017). 'New Science of Climate Change Impacts on Agriculture Implies Higher Social Cost of Carbon'. Nature Communications, 8(1), pp. 1–8.
Nordhaus, W. D. (1991). 'To Slow or Not to Slow: The Economics of the Greenhouse Effect'. The Economic Journal, 101, pp. 920–937.
Organization for Economic Co-operation and Development (OECD) (2017). Investing in Climate, Investing in Growth. Available at: http://www.oecd.org/environment/investing-in-climate-investing-in-growth-9789264273528-en.htm (Accessed: 17 January 2020).
Overpeck, J. T., Meehl, G. A., Bony, S., and Easterling, D. R. (2011). 'Climate Data Challenges in the 21st Century'. Science, 331(6018), pp. 700–702.
Pilling, D. (2018). 5 Ways GDP Gets It Totally Wrong as a Measure of Our Success. Available at: http://www.weforum.org/agenda/2018/01/gdp-frog-matchbox-david-pilling-growth-delusion/ (Accessed: 17 January 2020).
Pindyck, R. S. (2017). 'The Use and Misuse of Models for Climate Policy'. Review of Environmental Economics and Policy, 11(1), pp. 100–114.
Reichstein, M., Camps-Valls, G., Stevens, B., Jung, M., Denzler, J., and Carvalhais, N. Prabhat. (2019). 'Deep Learning and Process Understanding for Data-driven Earth System Science'. Nature, 566(7743), pp. 195–204.
Stern, N. (2016). 'Current Climate Models are Grossly Misleading'. Nature, 530(7591), pp. 407–409.
Stoerk, T., Wagner, G., and Ward, R. E. T. (2018). 'Policy Brief – Recommendations for Improving the Treatment of Risk and Uncertainty in Economic Estimates of Climate Impacts in the Sixth Intergovernmental Panel on Climate Change Assessment Report'. Review of Environmental Economics and Policy, 12(2), pp. 371–376.
United Nations Environmental Program Finance Initiative (UNEP FI) (2011). Universal Ownership: Why Environmental Externalities Matter to Institutional Investors. Available at: http://www.unepfi.org/fileadmin/documents/universal_ownership_full.pdf (Accessed: 17 January 2020).
United Nations Framework Convention on Climate Change (UNFCC) (2015). The Paris Agreement. Available at: http://unfccc.int/files/essential_background/convention/application/pdf/english_paris_agreement.pdf (Accessed: 17 January 2020).
Waring, M. (1999). Counting for Nothing: What Men Value and What Women are Worth, 2nd edition. Toronto: University of Toronto Press.
Weyant (2017). 'Some Contributions of Integrated Assessment Models of Global Climate Change'. Review of Environmental Economics and Policy, 11(1), pp. 115–137.
World Economic Forum (2019). The Global Risks Report 2019. Available at: http://www.weforum.org/reports/the-global-risks-report-2019 (Accessed: 17 January 2020).