r2dii.analysis
r2dii.analysis 0.4.0
Mithilfe dieser Tools können Sie beurteilen, ob ein Finanzportfolio mit den Klimazielen übereinstimmt. Sie fassen die dem Portfolio zugeordneten Schlüsselkennzahlen (z. B. Produktion, Emissionsfaktoren) zusammen und berechnen Ziele auf Basis von Klimaszenarien. Sie implementieren in R den letzten Schritt der freien Software „PACTA“ (Paris Agreement Capital Transition Assessment; https://www.transitionmonitor.com/). Finanzinstitute nutzen „PACTA“, um zu untersuchen, wie sich ihre Kapitalallokation auf das Klima auswirkt.
Installieren Sie die veröffentlichte Version von r2dii.analysis von CRAN mit:
install.packages( " r2dii.analysis " )Oder installieren Sie die Entwicklungsversion von r2dii.analysis von GitHub mit:
# install.packages("pak")
pak :: pak( " RMI-PACTA/r2dii.analysis " )library() um die benötigten Pakete anzuhängen. r2dii.analysis ist nicht von den Paketen r2dii.data und r2dii.match abhängig; Wir empfehlen Ihnen jedoch, sie zu installieren – mit install.packages(c("r2dii.data", "r2dii.match")) – damit Sie unsere Beispiele reproduzieren können. library( r2dii.data )
library( r2dii.match )
library( r2dii.analysis )r2dii.match::match_name() um Übereinstimmungen zwischen Ihrem Kreditbuch und den Daten auf Vermögensebene zu identifizieren. matched <- match_name( loanbook_demo , abcd_demo ) % > %
prioritize()target_sda() um die SDA-Ziele für CO2-Emissionen zu berechnen. matched % > %
target_sda(
abcd = abcd_demo ,
co2_intensity_scenario = co2_intensity_scenario_demo ,
region_isos = region_isos_demo
)
# > Warning: Removing rows in abcd where `emission_factor` is NA
# > # A tibble: 220 × 6
# > sector year region scenario_source emission_factor_metric
# >
# > 1 cement 2020 advanced economies demo_2020 projected
# > 2 cement 2020 developing asia demo_2020 projected
# > 3 cement 2020 global demo_2020 projected
# > 4 cement 2021 advanced economies demo_2020 projected
# > 5 cement 2021 developing asia demo_2020 projected
# > 6 cement 2021 global demo_2020 projected
# > 7 cement 2022 advanced economies demo_2020 projected
# > 8 cement 2022 developing asia demo_2020 projected
# > 9 cement 2022 global demo_2020 projected
# > 10 cement 2023 advanced economies demo_2020 projected
# > # ℹ 210 more rows
# > # ℹ 1 more variable: emission_factor_value target_market_share , um Marktanteilsszenarioziele auf Portfolioebene zu berechnen: matched % > %
target_market_share(
abcd = abcd_demo ,
scenario = scenario_demo_2020 ,
region_isos = region_isos_demo
)
# > # A tibble: 1,076 × 10
# > sector technology year region scenario_source metric production
# >
# > 1 automotive electric 2020 global demo_2020 projected 145649.
# > 2 automotive electric 2020 global demo_2020 target_cps 145649.
# > 3 automotive electric 2020 global demo_2020 target_sds 145649.
# > 4 automotive electric 2020 global demo_2020 target_sps 145649.
# > 5 automotive electric 2021 global demo_2020 projected 147480.
# > 6 automotive electric 2021 global demo_2020 target_cps 146915.
# > 7 automotive electric 2021 global demo_2020 target_sds 153332.
# > 8 automotive electric 2021 global demo_2020 target_sps 147258.
# > 9 automotive electric 2022 global demo_2020 projected 149310.
# > 10 automotive electric 2022 global demo_2020 target_cps 148155.
# > # ℹ 1,066 more rows
# > # ℹ 3 more variables: technology_share , scope ,
# > # percentage_of_initial_production_by_scope matched % > %
target_market_share(
abcd = abcd_demo ,
scenario = scenario_demo_2020 ,
region_isos = region_isos_demo ,
by_company = TRUE
)
# > Warning: You've supplied `by_company = TRUE` and `weight_production = TRUE`.
# > This will result in company-level results, weighted by the portfolio
# > loan size, which is rarely useful. Did you mean to set one of these
# > arguments to `FALSE`?
# > # A tibble: 14,505 × 11
# > sector technology year region scenario_source name_abcd metric production
# >
# > 1 automoti… electric 2020 global demo_2020 Bernardi… proje… 17951.
# > 2 automoti… electric 2020 global demo_2020 Bernardi… targe… 17951.
# > 3 automoti… electric 2020 global demo_2020 Bernardi… targe… 17951.
# > 4 automoti… electric 2020 global demo_2020 Bernardi… targe… 17951.
# > 5 automoti… electric 2020 global demo_2020 Christia… proje… 11471.
# > 6 automoti… electric 2020 global demo_2020 Christia… targe… 11471.
# > 7 automoti… electric 2020 global demo_2020 Christia… targe… 11471.
# > 8 automoti… electric 2020 global demo_2020 Christia… targe… 11471.
# > 9 automoti… electric 2020 global demo_2020 Donati, … proje… 5611.
# > 10 automoti… electric 2020 global demo_2020 Donati, … targe… 5611.
# > # ℹ 14,495 more rows
# > # ℹ 3 more variables: technology_share , scope ,
# > # percentage_of_initial_production_by_scope Die target_*() -Funktionen bieten Verknüpfungen für allgemeine Vorgänge. Sie umschließen einige Hilfsfunktionen, die Sie auch direkt verwenden können:
join_abcd_scenario() um einen übereinstimmenden Datensatz mit den relevanten Szenariodaten zu verknüpfen und Assets in den relevanten Regionen auszuwählen. loanbook_joined_to_abcd_scenario <- matched % > %
join_abcd_scenario(
abcd = abcd_demo ,
scenario = scenario_demo_2020 ,
region_isos = region_isos_demo
)summarize_weighted_production() mit verschiedenen Gruppierungsargumenten, um Szenarioziele zu berechnen: # portfolio level
loanbook_joined_to_abcd_scenario % > %
summarize_weighted_production( scenario , tmsr , smsp , region )
# > # A tibble: 756 × 9
# > sector_abcd technology year scenario tmsr smsp region
# >
# > 1 automotive electric 2020 cps 1 0 global
# > 2 automotive electric 2020 sds 1 0 global
# > 3 automotive electric 2020 sps 1 0 global
# > 4 automotive electric 2021 cps 1.12 0.00108 global
# > 5 automotive electric 2021 sds 1.16 0.00653 global
# > 6 automotive electric 2021 sps 1.14 0.00137 global
# > 7 automotive electric 2022 cps 1.24 0.00213 global
# > 8 automotive electric 2022 sds 1.32 0.0131 global
# > 9 automotive electric 2022 sps 1.29 0.00273 global
# > 10 automotive electric 2023 cps 1.35 0.00316 global
# > # ℹ 746 more rows
# > # ℹ 2 more variables: weighted_production ,
# > # weighted_technology_share
# > 1 automotive electric 2020 cps 1 0 global Bernardi, Bernardi …
# > 2 automotive electric 2020 cps 1 0 global Christiansen PLC
# > 3 automotive electric 2020 cps 1 0 global Donati, Donati e Do…
# > 4 automotive electric 2020 cps 1 0 global DuBuque-DuBuque
# > 5 automotive electric 2020 cps 1 0 global Ferrari-Ferrari SPA
# > 6 automotive electric 2020 cps 1 0 global Ferry and Sons
# > 7 automotive electric 2020 cps 1 0 global Goyette-Goyette
# > 8 automotive electric 2020 cps 1 0 global Guerra, Guerra e Gu…
# > 9 automotive electric 2020 cps 1 0 global Gutkowski, Gutkowsk…
# > 10 automotive electric 2020 cps 1 0 global Hilpert, Hilpert an…
# > # ℹ 13,013 more rows
# > # ℹ 2 more variables: weighted_production ,
# > # weighted_technology_share Fangen Sie an.
Dieses Projekt wurde vom LIFE-Programm der Europäischen Union und der Internationalen Klimaschutzinitiative (IKI) gefördert. Das Bundesministerium für Umwelt, Naturschutz und Reaktorsicherheit (BMU) unterstützt diese Initiative auf Grundlage eines Beschlusses des Deutschen Bundestages. Die geäußerten Ansichten liegen in der alleinigen Verantwortung der Autoren und spiegeln nicht unbedingt die Ansichten der Geldgeber wider. Die Geldgeber sind nicht verantwortlich für die Verwendung der darin enthaltenen Informationen.
