Ponderação do efeito das externalidades climáticas no risco de crédito

Abstract

Investimentos em operações financeiras podem impactar setores sociais, econômicos e ambientais. Estes impactos podem não estar incorporados ao preço final de seus contratos. Tais impactos são chamados de externalidades e podem produzir efeitos positivos ou negativos. A análise do risco de crédito socioambiental reside na possibilidade de atividades econômicas gerarem impactos ou danos socioambientais, capazes de causar perdas financeiras que comprometem o pagamento de financiamentos, bem como corresponsabilizar o agente financeiro a recuperar o dano socioambiental. No caso do risco climático, o empreendimento pode estar excessivamente exposto, diretamente ou indiretamente, a eventos climáticos extremos capazes de comprometer seu fluxo de caixa e capacidade de pagamentos. Por isso, veio a necessidade de instrumentos de medição capazes de avaliar o comportamento das externalidades em relação ao risco de crédito das operações financeiras. O objetivo deste trabalho é fornecer uma avaliação da influência das variáveis que compõem o risco climático ao compor o risco de crédito das instituições financeiras. Para isso, foram inseridos indicadores de externalidades que representassem o risco climático a uma base de 152.936 operações e 24 observações, utilizando as metodologias Taxonomia Verde e Régua de Sensibilidade ao Risco Climático. O comportamento das operações foi analisado de forma detalhada quanto ao risco da operação, risco do cliente, volume de crédito e quantidade de operações em relação aos indicadores de risco climático propostos. Os dados também foram submetidos aos modelos de machine learning: regressão Logística (Logit), Árvore de Decisão, AdaBoost, Random Forast, Gradient Boosting e XGBoost. O modelo Gradient Boosting atingiu melhores resultados em suas métricas e o modelo XGBoost ficou em segundo, porém, com maior área sob a curva ROC. A explicabilidade foi obtida por meio do método Shapley Value. O modelo Gradient Boosting não apresentou explicabilidade satisfatória. O modelo XBoost foi utilizado para explicabilidade do projeto. Como resultado, conclui-se que externalidades climáticas podem impactar significativamente o risco de crédito das operações e devem ser foco de atenção.