지리정보 분석을 통한 지속 가능한 투자 포트폴리오의 기후 위험 수치화

* 본 아티클의 원문은 2022년 7월 12일 Google Cloud 블로그(영문)에 게재되었습니다. 

금융 서비스 기관에서는 기후 변화에 대처하는 데 있어 해당 기관이 수행할 수 있는 중요한 역할에 대한 인식이 점점 더 높아지고 있습니다. 금융 기관은 대출 및 투자 포트폴리오를 통한 자본 배분자로서 폭넓은 경제 영역에서 기업 개발 및 운영을 위한 재정 관련 리소스를 관리합니다.

이 자본 배분 책임은 위험 조정 수익을 최적화하기 위해 위험 평가와 성장 기회 간의 균형을 유지합니다. 산불 및 물 부족과 같은 물리적 위험과 관련된 기후 위험을 식별, 분석, 보고, 모니터링하는 것은 포트폴리오 위험 관리의 필수 요소가 되고 있습니다.

클라우드 기반 포트폴리오 기후 위험 분석 시스템 구현

이러한 기후 위험을 계량화하기 위해 이 설계 패턴에는 금융 서비스 기관이 자체 환경에서 포트폴리오 기후 위험 분석 시스템을 구현하는 데 사용할 수 있는 클라우드 기반 빌드 구성요소가 포함됩니다. 이 패턴에는 RS Metrics의 샘플 데이터 세트가 포함되어 있으며 BigQuery, 데이터 스튜디오, Vertex AI Workbench, Cloud Run과 같은 여러 Google Cloud 제품을 활용합니다. 기술 아키텍처는 다음과 같습니다.

이 패턴을 시작하려면 소스 코드 저장소를 참조하고, 포트폴리오 관리의 기본 지리정보 기술 및 비즈니스 사용 사례에 대해 자세히 알아보려면 이 게시물의 나머지 내용을 읽어보세요. 저장소에 제공된 Terraform 코드를 사용하면 선택한 Google Cloud 프로젝트에 샘플 데이터 세트 및 애플리케이션 구성요소를 배포할 수 있습니다.README에는 단계별 안내가 있습니다.

기술 자산을 배포한 후 패턴의 기술 기능을 숙지할 수 있도록 다음 단계를 수행하는 것이 좋습니다.

• 예시 데이터 스튜디오 대시보드를 살펴보고 데이터 세트 및 포트폴리오 위험 분석을 익히세요(아래의 스크린샷 참조).
• 보다 심층적인 분석을 위해 Cloud Run과 함께 배포된 R Shiny 앱을 살펴보세요.
• Vertex AI Workbench를 확인하고 포함된 Python 기반 Jupyter 노트북에서 제공되는 데이터 탐색 분석을 살펴보세요.
• BigQuery로 전송하여 이 패턴에 대한 샘플 데이터를 직접 쿼리하세요.

세분화된 객관적 데이터의 중요성

다양한 기후 변화 시나리오에서 기후 위험에 대한 노출을 평가하려면 지리정보 계층, 기후 모델에 대한 전문 지식을 조합하고 회사 운영 정보를 사용해야 할 수 있습니다. 위치에 따라 제조 시설이나 사무실 건물과 같은 회사의 물리적 자산은 다양한 유형의 기후 위험에 취약할 수 있습니다. 사막에 위치한 시설은 물 부족 상황을 더 많이 경험할 가능성이 높고, 해수면 근처에 위치한 공장은 해안 침수의 위험이 더 큽니다.

자산별 물리적 기후 위험 분석

Google Cloud 파트너인 RS Metrics는 투자 가능한 광범위한 상장 주식에 적용할 두 가지 데이터 제품인 ESGSignals® 및 AssetTracker®를 제공합니다. 이러한 제품에는 생물 다양성, 온실 가스(GHG) 배출, 물 부족, 토지 사용, 물리적 기후 위험 등 50가지 변화 및 물리적 기후 위험 측정항목이 포함됩니다. 이러한 개념을 소개하기 위해 먼저 물 부족 위험과 화재 위험이라는 두 가지 주요 물리적 위험에 대해 설명하겠습니다.

물 부족 위험

물 부족은 자산의 물 수요가 해당 자산에서 사용할 수 있는 물의 양을 초과하여 물 비용이 증가하거나 극단적인 경우 물 공급이 완전히 중단될 때 발생합니다. 이는 자산의 단위 경제에 부정적인 영향을 미치거나 심지어 자산이 폐쇄되는 결과를 초래할 수 있습니다. CDP의 2020년 보고서에 따르면 설문조사에 응답한 357개 기업은 물 위험의 잠재적인 재정적 영향이 총 3,010억 달러에 이를 것이라고 밝혔습니다.

투자자에게 자산 위치 데이터가 없는 경우에는 Ceres의 2020년 보고서에 기술된 산업 평균 물 사용량과 유역 수위 위험 정보를 사용하여 물 부족 위험을 추정합니다. 하지만 ESGSignals®를 사용하면 유역과 하위 유역 수위, 가뭄 심각도, 증발산량, 수백만 개별 자산의 지표수 가용성으로부터 기상 및 수자원 변수를 통합하여 보다 세분화된 접근을 취할 수 있습니다.

예를 들어 물 사용이 매우 집약적인 광업을 살펴보겠습니다. 칠레 광업부에서 발표한 공개 데이터 세트에 따르면 칠레의 Cerro Colorado 구리 광산은 2019년에 71,700미터톤의 구리를 생산했습니다. ESGSignals®는 이 광산 자산이 심각한 물 부족을 겪고 있는 것으로 식별하여 물 위험 점수를 100점 만점에 75점으로 평가했습니다. 이와 같은 자산에서 효율성 향상과 담수화를 통해 물 소비를 줄이면 인근 지역 사회의 귀중한 수자원을 절약할 뿐만 아니라 시간이 지남에 따라 운영 비용이 절감됩니다.

화재 위험

최근 몇 년 간 산불로 인해 막대한 피해가 발생했습니다. 예를 들어 경제학자들은 2019~2020년 오스트레일리아에서 산불 사태가 벌어지면서 약 1,030억 오스트레일리아 달러의 재산 피해와 경제적 손실이 발생한 것으로 추정했습니다. 이러한 산불은 오스트레일리아에 위치한 모든 종류의 상업 시설 운영에 안전 및 운영상의 위험을 초래합니다.

ESGSignals® 화재 위험 점수는 과거의 화재 사건, 근접성, 화재 규모와 회사 자산 위치(AssetTracker®)를 조합하여 계산됩니다. ESGSignals® 평가에 따르면 오스트레일리아에 위치한 대부분의 광산 자산은 화재 위험에 대해 중간부터 높은 수준까지 노출되어 있습니다.

자산별 기후 위험 분석을 포트폴리오 관리에 통합

지금까지 자산별 기후 위험의 메커니즘을 알아봤으니 이제 포트폴리오 관리자가 포트폴리오 선택, 포트폴리오 모니터링, 회사 관여를 포함한 포트폴리오 관리 프로세스에 이러한 분석을 통합할 수 있는 방법을 중점적으로 살펴보겠습니다.

포트폴리오 선택

포트폴리오 선택에는 다양한 투자 도구가 포함될 수 있습니다. 심사에서 포트폴리오 관리자는 필터링 기준을 설정하여 포트폴리오에 포함하거나 제외할 회사를 선택합니다. 자산별 기후 위험 점수는 기타 재무적 또는 비재무적 요인과 함께 이러한 심사 기준에 포함될 수 있습니다.

예를 들어, 포트폴리오 관리자는 자산별 물 부족 평균 점수가 30점 미만인 회사를 검색할 수 있습니다. 그 결과, 주어진 벤치마크 지수보다 물 부족으로 인한 위험이 전반적으로 낮은 투자 포트폴리오를 구성할 수 있습니다(아래 그림 참조).

포트폴리오 모니터링

포트폴리오 모니터링의 경우 포트폴리오 내 기존 보유 자산에 대한 물리적 기후 위험의 기준선을 먼저 설정하는 것이 중요합니다. 그런 다음 물 부족, 산불 또는 기타 물리적 기후 위험 측정항목의 변화를 찾는 주기적인 보고 프로세스를 만들 수 있습니다. 위험 점수에 중대한 변동이 있으면 목표 위험 프로필을 충족하기 위해 포트폴리오를 재조정하는 것과 같이 차선책을 결정하기 위한 보다 자세한 분석이 시작됩니다.

포트폴리오 관여

일부 포트폴리오 관리자는 주주 발의 또는 기업 투자자 관리팀과의 회의를 통해 포트폴리오에 포함된 회사에 관여합니다. 이러한 투자자들에게는 기후 위험에 크게 노출된 자산을 명확하게 식별하는 것이 중요합니다.

포트폴리오 관리자는 영향을 받을 가능성이 가장 높은 위치에 집중하기 위해 수백만 개의 AssetTracker 위치를 물 부족 또는 화재 위험 점수에 따라 정렬하고 이러한 순위 목록의 최상위에 있는 회사에 관여할 수 있습니다. 위험도가 가장 높은 자산의 위험 완화 기회를 강조하는 것이 효과적인 관여 우선순위 전략입니다.

포트폴리오 관리 너머로 확장

물리적 기후 위험 분석에 자산별 접근 방식을 적용하면 위에 제시된 포트폴리오 관리의 사용 사례 외에도 도움을 얻을 수 있습니다. 예를 들어 상업은행의 위험 관리자는 이 방법론을 사용하여 보증 및 지속적인 대출 평가 중에 대출 위험을 계량화할 수 있습니다. 또한 보험 회사는 이러한 기법을 사용하여 신규 및 기존 보험 계약자 모두에 대한 위험 평가 및 가격 결정을 개선할 수 있습니다.

BigQuery의 지리정보 분석 기능을 통해 추가 지리정보 데이터 세트를 이 패턴에 사용된 데이터 세트와 혼합하면 보다 유용한 정보를 얻을 수 있습니다. GEOGRAPHY 데이터 유형으로 인코딩된 점 또는 다각형과 같은 데이터 세트의 위치 정보를 사용하면 공간 JOIN 기능과 결합할 수 있습니다. 예를 들어 위험 분석가는 AssetTracker 데이터를 BigQuery 공개 데이터(예: Census Bureau US Boundaries 데이터 세트에서 제공되는 국가, 주, 의회 선거구 또는 우편번호의 인구 정보)와 결합할 수 있습니다.

클라우드 기반 데이터 환경은 기업이 이러한 워크플로 및 기타 지속 가능성 분석 워크플로를 관리하는 데 도움이 될 수 있습니다. Google Cloud 파트너인 Infosys는 청사진과 디지털 데이터 인텔리전스 자산을 제공하여 안전한 데이터 공동작업 공간에서 지속 가능성 목표의 실현을 가속화함으로써 RS Metrics 지리정보 데이터, 기업 데이터, 디지털 데이터와 같은 정보 자산을 연결, 수집, 연관시켜 금융 가치 사슬 전반에서 ESG 인텔리전스를 활성화합니다.

자세한 내용이 궁금하신가요?

RS Metrics의 ESGSignals®를 사용한 세분화된 자산별 위험 측정항목 분석에 대해 자세히 알아보려면 최근 진행되었거나 향후 개최될 웹 세미나를 확인하거나 여기에서 직접 문의하세요

Infosys의 지속 가능성 서비스에 대한 자세한 내용은 여기에서 Infosys 지속 가능성팀에 문의하시기 바랍니다. Google Cloud용 Infosys ESG Intelligence Cloud 솔루션의 데모가 필요한 경우 여기에서 Infosys 데이터 분석 및 AI팀에 문의하세요.

업종별로 기후 변화에 따른 난제를 해결하는 데 도움이 되는 최신 전략 및 도구에 대해 자세히 알아보려면 최근 진행된 Google Cloud Sustainability Summit의 주문형 세션을 시청하세요.

저자들은 Infosys 공동작업자인 마노즈쿠마르 나그데브, 루시라즈 프라딥 자이스왈, 파드마자 바이디아나단, 아난다쿠마르 카얌부, 비노드 메논, 라잔 파드마나반에게 감사를 표합니다. 또한 RS Metrics의 라쉬미 보미리야, 데시 스토에바, 코니 야네바, 랜디카 H와 Google의 아룬 산타나고팔란, 셰인 글래스, 데이비드 사바테르 딘터에게도 감사 인사를 전합니다.

면책조항

이 웹사이트에 포함된 정보는 정보 제공만을 위한 것으로서 투자, 법률, 세금 또는 기타 자문을 위한 것이 아니며 투자 결정 또는 기타 결정을 위해 제공되는 것이 아닙니다. 모든 콘텐츠는 저자와 게시자가 법률, 경제, 투자 또는 기타 전문적인 문제 및 서비스에 대한 자문을 제공하지 않는다는 점을 이해한다는 전제로 제공됩니다.