自然相关数据报告
绿色金融网络（Network for Greening the Financial System，简称NGFS）发布自然相关数据报告，旨在总结自然相关数据的来源、指标及其在风险管理中的应用。
绿色金融网络认为，自然相关数据可以用于自然风险评估，帮助监管机构识别生态系统丧失的主要因素，并分析这些因素对经济的影响。
自然相关数据作用
自然相关风险比气候风险更加复杂，其原因是生态系统具备多样性和非线性特征，并具有较强的地理区域特异性。因此自然风险评估需要建立在本地数据和本地模型之上，自然相关数据通常包含基于地理位置的信息，以便衡量自然相关风险。
对于监管机构而言，在微观角度自然相关数据可以衡量单个机构的自然风险暴露程度，在宏观角度可以衡量整个经济体系的系统性风险。自然相关数据还能在货币政策制定、投资组合管理等方面发挥作用。
自然相关数据指标
绿色金融网络对自然相关财务披露工作组（Taskforce on Nature-related Financial Risks）框架下的自然相关数据指标进行筛选，并制定以下核心标准：
- 优先考虑土地利用变化：农业、林业和工业活动导致的土地利用变化是自然退化、生物多样性丧失和水资源压力的主要驱动因素，需要被优先考虑；
- 涵盖气候和自然的关系：气候变化与自然变化之间具有相关作用，例如水资源压力对气温变化产生影响，气温变化也会影响水资源压力；
- 强调地理位置：自然相关影响具有地域性，筛选需要考虑不同的地理空间；
- 选择多种指标：不同指标可以互补，全面反映生态系统状态；
- 考虑数据可得性：以开源数据为主，提高指标的可获得性，方便后续应用；
基于上述标准，绿色金融网络从146项自然指标中筛选出约50项，这些指标涵盖了从生物状态（例如土地利用、水资源压力），到财务影响与机遇（例如自然相关收入、绿色投资占比）等多个维度。对于监管机构，筛选后的指标可以用于构建高效的自然风险评估框架。
自然相关数据挑战
绿色金融网络认为，自然相关数据在应用中面临以下挑战：
- 数据质量与可得性：自然数据通常需要实地采样，存在地理限制，一些生态系统服务评估可能缺少精确的地理空间数据，影响风险评估效果；
- 前沿技术应用效果：机器学习和深度学习模型能够识别输入与输出信息的统计关系，但其应用对数据准确性的需求较高，当数据质量较低可能过度简化分析流程；
- 生态系统估值方法：常用的生态系统估值方法通常为不同地点的同一土地类型赋予相同价值，但忽略了不同空间的特征，可能导致小型区域的估值不准确；
绿色金融网络认为，上述挑战可以用以下方式应用：
- 促进本地化数据生成：公共部门和私营部门合作制定自然数据路线图，获取本地数据；
- 推动数据管理实践：建立开源数据库，提高数据系统性、透明度；
- 填补生物多样性数据缺口：对数据缺口分类并应用统计方法处理，利用地理图像模拟生物环境复杂性，定向投资于数据缺口较大的地区；
参考链接：
