招聘：利用大型语言模型识别适应差距

本文探讨了利用大语言模型（LLM）识别企业适应气候风险的差距，特别是针对干旱及其引发的水资源短缺问题。核心观点如下：

1. 风险背景：由于厄尔尼诺现象可能导致2026年极端天气风险增加，干旱、强降雨和极端高温等灾害成为投资者关注的重点。企业若未能提前完成基础设施升级，将面临更大风险。

2. 适应措施不足：在受厄尔尼诺影响地区的公司中，23%尚未报告任何相关适应措施。通过匹配公司的适应活动与其最易遭受的风险，可以识别高暴露、低准备（HELP）的公司。

3. 关键数据：

   • 在MSCI ACWI指数成分股中，49%（220家公司）因资产位于厄尔尼诺影响区域而面临水资源压力。
   • 77%的高风险公司至少披露了一项适应基建投资，但仍有23%未明确披露节水规程、取水权等措施。
   • 金融、工业、信息技术和医疗保健行业超过一半的公司属于HELP类别，而公用事业行业是唯一披露比例高于未披露比例的行业。

4. 适应性活动披露：与适应相关的活动有一半未在可持续发展报告中披露，而是分散在年度报告、新闻稿等非结构化数据中。大型语言模型（LLM）有助于从这些广泛来源中识别和分类适应活动。

5. 研究结论：52%的MSCI ACWI指数成分股似乎并未采取与其最重大的物理风险相一致的适应相关行动。LLM工具可帮助投资者从更广泛的公共披露信息中获取洞察，识别潜在合作机会，并深入理解企业应对物理气候风险的方式。

6. 风险适应矩阵（HAM）：通过绘制风险暴露情况并评估适应措施，投资者可专注于与每家公司最相关的风险，识别HELP类别公司作为初步参与目标。

7. 地理空间资产智能：MSCI地理空间资产智能提供资产层面的自然和物理风险数据，帮助投资者、银行和保险公司识别和管理风险，并评估实质性，将评估结果融入投资决策中。