Machine Learning für präzisere Klimastresstests
Wie künstliche Intelligenz die Bewertung emissionsbedingter Finanzrisiken verbessern kann
Während Regierungen weltweit ihre Klimapolitik verschärfen, um ihre Emissionsziele zu erreichen, sehen sich Unternehmen zunehmend mit Transitionsrisiken konfrontiert. Höhere CO₂-Preise und strengere Umweltvorschriften können die Kosten vieler Unternehmen erheblich erhöhen. Diese Entwicklungen betreffen nicht nur einzelne Firmen, sondern können auch Auswirkungen auf Banken und die Stabilität des Finanzsystems haben. Vor diesem Hintergrund untersuchen Christian Haas, Karol Kempa, Ulf Moslener und Sebastian Rink, wie Machine-Learning-Verfahren die Bewertung klimabedingter Risiken im Rahmen von Finanzstresstests verbessern können.
Eine zentrale Herausforderung bei Klimastresstests ist die begrenzte Verfügbarkeit von Emissionsdaten auf Unternehmensebene. Dies gilt insbesondere für kleine und mittlere Unternehmen (KMU), die in vielen bisherigen Analysen nur unzureichend berücksichtigt werden. Um dieses Problem zu lösen, entwickeln die Autoren ein Machine-Learning-Modell, das die Treibhausgasemission einzelner Unternehmen auf Basis von Finanz und Unternehmensdaten schätzt. Dadurch können deutlich mehr Unternehmen in die Analyse einbezogen werden als bislang möglich.
Auf Grundlage von Daten von rund 1,4 Millionen europäischen Unternehmen untersucht die Studie, wie Firmen auf unterschiedliche CO₂-Preisschocks reagieren würden. Dabei simulieren die Autoren CO₂-Preissteigerungen zwischen 1 und 500 Euro pro Tonne CO₂ und analysieren die Auswirkungen auf Unternehmensgewinne, Vermögenswerte und Ausfallwahrscheinlichkeiten.
Die Ergebnisse zeigen, dass ein zusätzlicher CO₂-Preis von 100 Euro pro Tonne die finanzielle Lage vieler Unternehmen deutlich verschlechtern würde. Die Zahl der Unternehmen mit Verlusten verdoppelt sich nahezu, während das Volumen ausfallender Kredite deutlich steigt. Mit steigenden CO₂-Preisen verstärken sich diese negativen Effekte zusätzlich.
Die Analyse zeigt zudem erhebliche Unterschiede zwischen den Unternehmen. Kleine und mittlere Unternehmen sind deutlich stärker von CO₂-Preisschocks betroffen als große Konzerne, die in der Regel über größere finanzielle Reserven und eine höhere Widerstandsfähigkeit verfügen. Besonders starke negative Auswirkungen zeigen sich in Branchen wie Bergbau, Transport, verarbeitendem Gewerbe, Bauwirtschaft und Handel.
Ein weiterer Beitrag der Studie besteht im Vergleich zwischen unternehmensspezifischen Emissionsschätzungen und herkömmlichen Ansätzen, die auf Branchendurchschnitten basieren. Die Ergebnisse zeigen, dass die Verwendung von Branchendurchschnitten klimabedingte Finanzrisiken häufig unterschätzt, da erhebliche Unterschiede zwischen einzelnen Unternehmen unberücksichtigt bleiben. Dies gilt insbesondere für emissionsintensive Branchen, in denen die CO₂-Emissionen selbst innerhalb eines Sektors stark variieren können.
Gleichzeitig betonen die Autoren, dass Unsicherheit weiterhin eine wichtige Herausforderung darstellt. Da für viele Unternehmen – insbesondere KMU – keine direkten Emissionsdaten verfügbar sind, hängen die Ergebnisse von Klimastresstests von der Qualität der zugrunde liegenden Schätzungen ab. Die Studie unterstreicht daher die Bedeutung umfassenderer und verlässlicherer Offenlegungsstandards für klimabezogene Unternehmensdaten.
Insgesamt zeigt die Studie, dass Machine-Learning-Methoden die Genauigkeit und Reichweite von Klimastresstests erheblich verbessern können. Durch eine detailliertere Bewertung von Transitionsrisiken können solche Ansätze Finanzinstituten und Aufsichtsbehörden dabei helfen, die potenziellen Folgen klimapolitischer Maßnahmen besser zu verstehen und die Widerstandsfähigkeit des Finanzsystems zu stärken.
Ulf Moslener
