Article | Risque climatique : quel degré de confiance accorder aux scénarios climatiques ?

1.    Les scénarios climatiques : des outils de mesure du risque climatique

En réponse à l’ampleur croissante des risques climatiques, l’EIOPA a formulé des recommandations visant à intégrer le risque climatique dans le cadre de l’ORSA. Il est ainsi demandé aux compagnies d’assurance et de réassurance :

-       D’intégrer les risques climatiques à court et long terme dans leur Own Risk and Solvency Assessment (ORSA) ;

-       D’identifier et d’étudier les expositions matérielles à ces risques à l’aide, dans un premier temps, d’analyses qualitatives ;

-       En cas d’exposition significative, de compléter par des analyses quantitatives s’appuyant a minima sur deux scénarios : l’un où la température mondiale augmente de plus de 2°C et l’autre où elle reste en-dessous de ce seuil.

Dans le même temps, l’ACPR a lancé entre juillet 2020 et avril 2021 un exercice-pilote climatique sur la base du volontariat au sein du marché français des banques et des assureurs. Pour ce qui concerne ces derniers, l’objectif de cet exercice était de mesurer le risque lié au changement climatique sur leurs activités au travers de trois scénarios de risque de transition et un scénario de risque physique. Afin de pallier un certain nombre des limites méthodologiques identifiées lors de cet exercice-pilote et afin de prendre en compte les dernières informations climatiques et macroéconomiques, un nouveau stress-test climatique a été lancé en 2023 par l’ACPR.

Un des piliers de l’évaluation du risque climatique est donc l’utilisation de scénarios climatiques. Un scénario climatique correspond à une trajectoire plausible de l’économie et du climat. Il prend en compte le prolongement ou l’anticipation de ruptures dans les tendances sociales, économiques, politiques et technologiques à un horizon pertinent pour la prise en compte des impacts du risque climatique. Les horizons de 2050 ou de 2100 sont les plus fréquemment considérés. Il se compose a minima de la projection des variables suivantes :

• Emissions annuelles de CO₂ ;
• Température moyenne mondiale ;
• Niveau du coût des émissions de CO₂ ;
• Evolution du PIB mondial.

En fonction du modèle utilisé, les projections peuvent intégrer des informations sur la projection de nombreuses variables macroéconomiques (taux de chômage, niveau d’endettement, balance des paiements, …), démographiques (évolution de la population, flux migratoires, …) ou sur le mix énergétique. Ces différentes projections peuvent être disponibles à une maille plus ou moins fine, par exemple pour obtenir des informations par pays ou par secteur d’activité économique. Ces informations peuvent être issues du modèle de manière native ou découler de l’application d’une couche de modélisation supplémentaire (typiquement pour désagréger les informations à la maille sectorielle) sur les sorties agrégées.

Chaque scénario climatique constitue ainsi un récit sur l’évolution des politiques climatiques, généralement traduites sur la forme d’un prix du carbone, mais également sur l’évolution des technologies, traduite, par exemple, par le rythme de développement des techniques de capture et de stockage du CO₂ ou la vitesse d’électrisation des véhicules. Ces scénarios permettent également de prendre en compte des disparités par pays au niveau des politiques climatiques menées. C’est par exemple le cas pour les scénarios utilisés par l’ACPR dans ses stress-tests, comme illustré par le schéma ci-dessous.

Architecture de modélisation des scénarios climatiques – Source : Allen et al. (2020)

L’utilisation d’une diversité de récits permet ainsi de couvrir de multiples combinaisons de niveaux de risque physique et de risque de transition, en les inscrivant dans une matrice similaire à celle-ci-dessous pour les scénarios du NGFS (Network for Greening the Financial System) :

Panorama des scénarios du NGFS – Source : NGFS (2022)

Les données issues de ces scénarios sont ensuite utilisées par les compagnies d’assurance ou de réassurance pour mesurer l’impact du réchauffement climatique et de la transition sur leur sinistralité ou sur la valeur de leurs actifs.

2.    La génération des scénarios climatiques : un enjeu négligé à maîtriser

a.    Définition d’un IAM

A l’heure actuelle, la plupart des acteurs cherchant à évaluer quantitativement leur exposition au risque climatique utilisent des scénarios climatiques fournis par le superviseur ou issus d’organismes comme le NGFS comme des entrées à leurs modèles de projection de la sinistralité. La génération de ces scénarios n’est ainsi généralement pas questionnée.

A l’origine de ces scénarios, on trouve des IAM (Integrated Assessment Models). Ces modèles sont conçus comme des modèles d’interaction entre l’économie et le climat. Le diagramme ci-dessous offre une représentation schématique de la structure de ce type de modèles :

Structure des mises à jour séquentielles du modèle DICE – Source : Hänsel et al. (2020)

L’article précurseur de William Nordhaus intitulé « Economic Growth and Climate : The Carbon Dioxide Problem » publié en 1977, leur développement s’intensifie à partir de 1992 et la publication, également par William Nordhaus du modèle DICE. Ce modèle, comme beaucoup de ses successeurs, repose sur plusieurs hypothèses :

-       La production économique génère des émissions de CO₂ ;

-       Ces émissions entraînent une augmentation de la température mondiale ;

-       Cette augmentation de la température entraîne une destruction d’une partie de la production ;

-       L’externalité à laquelle correspondent les émissions peut être gérée par la taxation de ces émissions.

Le modèle cherche ensuite, pour une trajectoire de taxation donnée, à maximiser l’utilité intertemporelle. L’utilité intertemporelle représente simplement la somme actualisée de l’utilité générée à chaque période de temps par la consommation de l’ensemble de la société.

Pour obtenir une compréhension plus approfondie du mécanisme de modélisation, le lecteur peut se référer à l’annexe technique (cf. infra) qui fournit une traduction mathématique des notions décrites précédemment.

Il est alors possible d’utiliser ce modèle pour optimiser la politique de réduction des émissions de CO₂, ce qui revient généralement à déterminer une valeur appelée le SCC ou « coût social du carbone », c’est-à-dire les dégâts marginaux entraînés par l’émission d’une tonne additionnelle de CO₂. Un tel outil peut dès lors être utilisé comme aide à la prise de décision politique via des analyses coûts-bénéfices.

Depuis le modèle DICE, de nombreux modèles ont émergé dans la littérature sur l’économie et le climat. Parmi les plus connus, on peut citer les modèles GCAM (Edmonds et al., 2014), REMIND-MAgPIE (Baumstark et al., 2021 ; Dietriech et al., 2019) ou encore MESSAGEix-GLOBIOM (Krey et al. 2020 ; Fricko et al., 2017). Ces modèles ont notamment permis la production des scénarios du NGFS, utilisés par l’ACPR lors de ses stress-tests. La plupart de ces nouveaux modèles s’inscrivent dans le cadre général du modèle DICE, mais viennent le complexifier et le raffiner : complexification du modèle économie-énergie, du modèle de circulation du CO₂ et du forçage radiatif, endogénéisation du progrès technique, etc.

b.    Les IAM : des modèles présentant des limites significatives

La bonne interprétation des résultats produits par ces IAM nécessite une bonne compréhension de leurs différentes sources d’incertitude. Van Asselt & Rotmans (2002) proposent une taxonomie des incertitudes qui peut être représentée par le schéma ci-dessous :

Taxonomie des incertitudes – Source : Van Asselt & Rotmans (2002)

Ils identifient ainsi de multiples sources d’incertitudes :

• Incertitude sur la forme du modèle : Il s’agit de l’incertitude liée à la structure du modèle et aux relations fonctionnelles entre les différentes variables. On peut par exemple penser à la forme de la fonction de dégâts, qui doit traduire en impact économique l’augmentation de la température.
• Incertitude sur la complétude / le caractère adéquat du modèle : Ce type d’incertitude correspond à la question d’à quel point le modèle reflète correctement la réalité sous-jacente, s’il prend bien en compte tous les processus pertinents, s’il reproduit le comportement du système étudié, etc.
• Incertitude sur les paramètres, les inputs et les états initiaux : Il s’agit ici de l’incertitude commune à tous les modèles, liée à l’estimation des paramètres sur la base d’observations.
• Incertitude sur les opérations du modèle : Il s’agit ici de l’incertitude liée aux erreurs numériques, aux bugs logiciels et matériels, ou à l’accumulation d’incertitudes propagées dans le modèle

Un des premiers articles s’attaquant au problème de l’interprétation des résultats des IAM est Weitzman (2009). Le propos de cet article est de proposer un cadre économique et statistique mathématiquement rigoureux, mais abstrait, des catastrophes à fort impact mais à faible probabilité d’occurrence. Il s’intéresse aux incertitudes portant sur :

• Le paramètre indiquant la réponse en augmentation de la température du système climatique à un doublement de la concentration de la quantité de CO₂ dans l’atmosphère ;
• Le paramètre défini plus grossièrement comme « un paramètre d’échelle de la réponse généralisée du climat ».

S’appuyant sur des arguments géophysiques comme l’existence de points de bascule et de boucles de rétroaction positives, ainsi que sur les résultats d’études en climatologie, il argue que ces paramètres ont une distribution à queue épaisse. Il démontre ensuite des comportements asymptotiques explosifs, y compris lorsqu’il essaie de clôturer le modèle en introduisant une « valeur statistique de la vie telle que nous la connaissons sur Terre » en-dessous de laquelle l’utilité serait nulle. L’enseignement principal de cet article est que les impacts du réchauffement climatique pourraient être dominés par les scénarios extrêmes. Les IAM supposant généralement une réponse déterministe moyenne du réchauffement climatique comme de ses conséquences pourraient alors largement sous-estimer le risque.

Les articles critiquant les IAM s’attaquent aux différentes typologies d’incertitudes citées précédemment. Les critiques ci-après sont issues principalement de deux articles, Ackerman et al. (2009) et Stern et al. (2021). Il est à noter que certaines des limites majeures émises en 2021 recoupent celles évoquées en 2009, dénotant une certaine inertie dans les modèles les plus utilisés. Ces critiques peuvent s’organiser autour de plusieurs axes :

• Critique du cadre de l’espérance d’utilité actualisée avec un agent représentatif : 

La critique du cadre général s’attaque à de nombreuses hypothèses sous-jacentes à la modélisation. 

Tout d’abord, il est plausible que l’objectif maximisé par les individus soit différent de celui que la société ou le législateur cherche à maximiser. Il en va de même pour les contraintes du problème de maximisation. 

Deuxièmement, l’agrégation suppose que les agents ont des croyances et des connaissances homogènes et constantes. Or, il est clair que la société est composée d’agents et des croyances hétérogènes et que ces croyances sont changeantes, et probablement endogènes – comme en témoigne la part croissante d’individus convaincus du caractère anthropique du réchauffement climatique. 

L’utilisation d’un agent représentatif suppose que chaque génération se soucie de la suivante et lui transmet un héritage, mais la littérature montre que ce n’est pas une représentation satisfaisante de l’économie, y compris si l’on considère que c’est le gouvernement qui pilote la redistribution inter-générationnelle. 

Enfin, la littérature montre qu’en présence de risques extrêmes, les individus ne maximisent pas l’espérance d’utilité mais préfère la flexibilité, ce qui justifierait un comportement prudent.

• Critique du choix du taux d’actualisation : 

Le niveau du taux d’actualisation est un facteur clé dans la balance coûts-bénéfices des politiques publiques. En effet, la plupart des coûts d’abattement des émissions ont lieu immédiatement, alors que les effets néfastes du réchauffement climatique ont lieu à un horizon plus lointain. Avec un taux d’actualisation de 2%, des dégâts se produisant dans 70 ans seront pondérés via un facteur de 25% par rapport à des coûts payés immédiatement, alors qu’avec un taux d’actualisation de 5%, ils ne seront pondérés qu’à hauteur de 3%.

Une des critiques formulées à l’égard du fait d’utiliser un taux d’actualisation positif relève de l’éthique et de la philosophie morale. En effet, les montants actualisés ne sont pas des montants monétaires, mais des utilités. La question soulevée est alors la suivante : est-il éthiquement acceptable que la génération actuelle prenne des décisions ayant un impact significatif sur des générations futures qui sont dans l’impossibilité de s’exprimer tout en sous-pondérant leur utilité ?

Par ailleurs, les procédures de calibrage de ce taux d’actualisation sont également critiquées. En notant r le taux d’actualisation, p le taux de préférence pur pour le présent, n l’aversion au risque et g le taux de croissance de long terme de l’économie, le calibrage repose le plus souvent sur la règle de Ramsey : 

Le caractère positif de r n’est pas garanti, puisque du fait des dégâts environnementaux, g pourrait s’avérer négatif. De même, en présence d’incertitude, il n’existe pas nécessairement un taux unique, mais plusieurs taux en fonction du degré de risque, et sous certaines hypothèses de distribution de ce risque, on peut avoir l’approximation suivante, sous laquelle le caractère positif du taux n’est pas garanti indépendamment du signe de g :

Sont également pointées du doigt :

• La difficulté à inférer ces paramètres sur la base de l’observation des comportements des ménages
• Le fait que, même si les marchés des capitaux étaient parfaits, en l’absence de redistribution intertemporelle, les taux observés sur le marché ne reflètent que le trade-off intertemporel de la génération actuelle, et non pas un trade-off sociétal entre deux générations.

• Critique liée à l’imprévisibilité de certains drivers clés de l’économie :

Les évolutions démographiques, les évolutions de préférences de consommation ainsi que le progrès technologique sont des facteurs clés dans l’évolution de l’économie. Or, ces facteurs sont notoirement complexes à prédire et il est complexe d’intervenir directement sur leur évolution.

• Critique sur le caractère substituable des biens environnementaux :

Les biens environnementaux ne sont pas directement un argument de la fonction d’utilité, qui ne dépend que de la richesse de la société. Les bénéfices et dégâts environnementaux ne sont pris en compte que par leur impact sur cette richesse. Ils sont donc considérés comme parfaitement substituables aux biens de consommation ordinaires, ce qui est une hypothèse forte.

• Critique du coût social du carbone :

Le coût social du carbone est envisagé comme une taxe pigouvienne, c’est-à-dire une taxe destinée à internaliser le coût social d’une externalité liée à l’activité économique. Stern, Stieglitz et Taylor (2021) arguent qu’une taxe pigouvienne est suffisante uniquement si la seule externalité non gérée par le marché était les émissions de gaz à effet de serre.

Ils citent à titre d’exemple plusieurs échecs cruciaux du marché, ignorés par les IAM, qui pourraient de ce fait sous-estimer le coût social du carbone. Ils indiquent également qu’une taxe pigouvienne pourrait être insuffisante et nécessiter des mesures supplémentaires, comme par exemple les obligations de publication d’informations relatives à la responsabilité sociale et environnementale de l’entreprise.

• Critiques liées à la fonction de dégâts :

La fonction de dégâts est une dimension essentielle du modèle. Sa forme et sa paramétrisation ont des conséquences majeures sur l’optimum obtenu en termes de coût social du carbone ainsi que sur les impacts économiques et financiers estimés.

Le Guenedal (2019) illustre ainsi les différentes conséquences sur la production d’une augmentation moyenne de la température en fonction de la spécification retenue pour la fonction de dégâts. Il convient de noter que nous ne disposons que de peu de données pour calibrer cette fonction, puisque nous n’observons qu’une seule trajectoire de réchauffement, pour l’instant en-deçà des 2°C.

Formes possibles pour la fonction de dégâts – Source : Le Guenedal (2019)

Par ailleurs, ces dégâts sont généralement exprimés en pourcentage de la consommation ou de la production, sans réduction des stocks de capitaux ou du taux de croissance sous-jacent. Ceci ne semble pas en adéquation avec les conséquences imaginables d’un réchauffement significatif : certaines parties du monde deviendraient invivables du fait d’une exposition trop sévères à des aléas climatiques et leurs ressources pourraient devenir inexploitables. L’existence de points de bascule laisse également penser que les dégâts devraient devenir particulièrement importants pour des variations de température dans la queue de distribution.

En outre, le coût social du carbone est également fortement sensible à la prise en compte des inégalités sociales et spatiales. En effet, les franges de la population les plus pauvres sont moins assurées, ont moins de ressources à leur disposition pour s’adapter et vivent en général dans les zones les moins protégées : une fonction de dégâts représentant les dommages « moyens » ne peut pas prendre en compte de telles disparités.

• Critiques liées aux coûts d’atténuation :

Le fait que les politiques climatiques puissent avoir d’autres effets bénéfiques (pollution de l’eau, de l’air et des sols, biodiversité, etc.) a tendance à surestimer les coûts d’atténuation par rapport aux bénéfices obtenus. Un article comme McCollum et al. (2013) a ainsi démontré des synergies très claires dans les coûts des politiques de lutte contre le réchauffement climatique si l’on prenait en compte les bénéfices sur la pollution de l’air ou la sécurité énergétique.

Par ailleurs, ces modèles ignorent le fait que les préférences puissent être au moins partiellement endogènes. On peut par exemple imaginer des individus qui, en adaptant leur régime alimentaire, se mettraient à préférer un régime contenant moins ou pas de produits carnés. Dans ce cas, des réductions substantielles des émissions de CO₂ pourraient être obtenues sans perte de bien-être.

c.    Impact de ces limites sur les résultats des IAM

Au-delà des critiques théoriques, certains articles, comme Cooke (2012), s’attachent à mettre en exergue des résultats aberrants de modèles classiques. Il décide d’utiliser le modèle DICE en figeant le progrès technique et la population (A(t) et L(t) en suivant les notations de l’encadré méthodologique) à leurs valeurs initiales, en ne projetant pas de réchauffement climatique ou de politique d’abattement et en observant deux trajectoires :

• Une avec une valeur de capital initiale égale à 1800 mille milliards de dollars (soit 10 fois le paramètre initial du DICE 2007) ;
• Une avec une valeur de capital initiale égale à 1$.

Il montre alors qu’en 60 ans, le niveau de capital converge, ce qui semble être un horizon beaucoup trop court étant donné les différences de richesse initiales :

Deux trajectoires de capital obtenues avec le modèle DICE avec des valeurs par défaut, aucune augmentation de température et aucun abattement (K1(0) = 1$ ; K2(0) = 1800 mille milliards de dollars)  – Source : Cooke (2012)

Il montre également que pour un réchauffement climatique de 20°C, température à laquelle la vie telle que nous la connaissons sur Terre serait impossible, le modèle prédit une destruction d’environ 50% de la richesse initiale. Il questionne ainsi le domaine de validité de la dynamique de capital utilisée.

Il propose, comme preuve de concept, une dynamique alternative simple, dans laquelle le réchauffement climatique n’impacterait non plus la production, mais bien la croissance du PIB :

Cette dynamique autorise l’apparition de phases de récession et aboutit à des résultats où aucun équilibre n’est atteint à des échelles de temps pertinentes.

Des méta-analyses comme celle de Wang (2019) montrent une distribution très large de l’estimation du coût social du carbone, qui va de -13$/tCO₂ à 2387$/tCO₂.

Enfin, Stern et al. (2021) mettent en avant la contradiction entre le consensus international autour des températures-cibles de 2°C (voire 1.5°C) et les conclusions de la littérature utilisant les IAM, qui trouvent un « optimal social » entre 3.5°C et 4°C, alors même que les décideurs avaient pleinement connaissance de ces résultats.

3.    Quel rôle pour les actuaires ?

Les critiques apportées aux IAM peuvent sembler décourageantes. Robert Pindyck, dans son article de 2013 intitulé « Climate Change Policy: What Do the Models Tell Us? » va jusqu’à nous avertir que les IAM ont des défauts cruciaux qui les rendent presque inutiles en tant qu’outils d’analyse de politiques climatiques[1].

Néanmoins, les actuaires et les gestionnaires de risques en général ont besoin de scénarios climatiques afin de pouvoir anticiper les impacts du réchauffement climatique et de la transition vers une économie décarbonée. La littérature critique des IAM porte en elle des suggestions de solutions.

Van Asselt & Rotmans (2002) sont partisans de l’utilisation d’une multitude de modèles différents afin de réduire certaines incertitudes.

Ackerman et al. (2009) comme Stern et al. (2021) suggèrent ainsi d’avoir une utilisation de ces modèles plus « assurantielles ». L’idée serait de s’appuyer sur la littérature dans le domaine de la climatologie pour définir un objectif de réchauffement à ne pas dépasser, puis d’interroger les IAM pour qu’ils fournissent la trajectoire de taxation du carbone la « moins coûteuse » socialement pour respecter ces objectifs.

Kaufman et al. (2020) suggèrent une approche similaire, qu’ils intitulent « Near-Term Net Zero ». Cette approche peut se décomposer en quatre étapes :

• Fixer, sur la base des connaissances en climatologie, une date à laquelle les émissions de CO₂ nettes doivent être nulles. Il est possible de différencier cette date par pays, par exemple, puisque l’Accord de Paris reconnaît une responsabilité différenciée ;
• Choisir une trajectoire de réduction des émissions. Plusieurs choix sont possibles, allant de peu de disruption à court-terme pour laisser le temps à l’innovation de diminuer les coûts de réduction, jusqu’à une approche de réduction volontariste à court-terme afin de favoriser le learning-by-doing et l’exploration de plusieurs technologies, en passant par une trajectoire linéaire, simple et transparente ;
• Utiliser un IAM pour estimer un prix du CO₂ cohérent avec la trajectoire retenue, en se focalisant sur un horizon plus court. Ceci permet de réduire l’incertitude, car les technologies et les préférences évoluent lentement ;
• Répéter périodiquement les étapes précédentes pour mettre à jour les estimations.

Il n’est évidemment pas raisonnable d’attendre des compagnies d’assurance qu’elles développent, calibrent et pilotent des modèles capables de produire des scénarios climatiques. Néanmoins, étant donné l’état de l’art des IAM, il paraît nécessaire dans le cadre de la gestion des risques climatiques de ne pas s’appuyer uniquement sur les scénarios produits par le NGFS. Les résultats obtenus lors de l’utilisation de ces derniers doivent être nuancés et interprétés comme une borne inférieure de l’impact des scénarios de transition sur les systèmes économiques et financiers. Il est pour cela nécessaire que les actuaires se forment aux limites de ces modèles.

Les risques liés au réchauffement climatique sont, par nature, difficiles à appréhender par les approches historiques usuelles. Ils nécessitent d’émettre des hypothèses sur le futur et de prendre en compte des transformations structurelles. Des efforts de recherche sont en cours afin de développer des modèles répondant aux limites évoquées, en modifiant les dynamiques de capital, en incorporant de l’aléa à la réponse du climat ou aux fonctions de dégâts afin de prendre en compte les queues de distribution, etc. Il pourrait être pertinent pour les entreprises d’assurance ou de réassurance de tester un plus large panel de scénarios. Les superviseurs au niveau national ou européen pourraient également mettre à disposition des scénarios produits par d’autres modèles que celui du NGFS, afin d’obtenir une fourchette plus large dans leur estimation des risques plutôt qu’une borne inférieure. La centralisation de la production de ces scénarios via les superviseurs présente également un avantage majeur : celui de permettre aux acteurs de travailler sur des bases communes, permettant ainsi aux superviseurs comme aux investisseurs de mieux comparer les risques auxquels sont exposées différentes compagnies.

Annexes techniques
 

[1] « […] have crucial flaws that make them close to useless as tools for policy analysis. »

Bibliographie

-       Ackerman, F., DeCanio, S.J., Howarth, R.B. et al. (2009). Limitations of integrated assessment models of climate change, Climatic Change 95, 297–315. https://doi.org/10.1007/s10584-009-9570-x.

-       Allen, T., Dees, S., Boissinot, J., Caicedo Graciano, C. M., Chouard, V., Clerc, L., De Gaye, A., Devulder, A., Diot, S., Lisack, N., Pegoravo, F., Rabaté, M., Svarzman, R., and Vernet, L. (2020). Climate-Related Scenarios for Financial Stability Assessment: An Application to France, Publications Banque de France, Working Paper Series no. 774.

-       Baumstark, L., Bauer, N., Benke, F., Bertram, C., Bi, S., Gong, C. C., Dietrich, J. P., Dirnaichner, A., Giannousakis, A., Hilaire, J., Klein, D., Koch, J., Leimbach, M., Levesque, A., Madeddu, S., Malik, A., Merfort, A., Merfort, L., Odenweller, A., Pehl, M., Pietzcker, R. C., Piontek, F., Rauner, S., Rodrigues, R., Rottoli, M., Schreyer, F., Schultes, A., Soergel, B., Soergel, D., Strefler, J., Ueckerdt, F., Kriegler, E., and Luderer, G. (2021). REMIND2.1: transformation and innovation dynamics of the energy-economic system within climate and sustainability limits, Geoscientific Model Development, 14, 6571–6603, https://doi.org/10.5194/gmd-14-6571-2021.

-       Cooke, R. M. (2012). Model uncertainty in economic impacts of climate change: Bernoulli Versus Lotka Volterra dynamics, Integrated Environmental Assessment Management 9:2–6.

-       Dietrich, J. P., Bodirsky, B. L., Humpenöder, F., Weindl, I., Stevanović, M., Karstens, K., Kreidenweis, U., Wang, X., Mishra, A., Klein, D., Ambrósio, G., Araujo, E., Yalew, A. W., Baumstark, L., Wirth, S., Giannousakis, A., Beier, F., Chen, D. M.-C., Lotze-Campen, H., and Popp, A. (2019). MAgPIE 4 – a modular open-source framework for modeling global land systems, Geoscientific Model Development, 12, 1299–1317, https://doi.org/10.5194/gmd-12-1299-2019.

-       Edmonds, J. A., Wise, M. A., and MacCracken, C. N. (1994). Advanced Energy Technologies and Climate Change: An Analysis Using the Global Change Assessment Model (GCAM), United States: N. p., 1994. Web. doi:10.2172/1127203.

-       EIOPA (2020). Consultation Paper on draft Opinion on the supervision of the use of climate change risk scenarios in ORSA, EIOPA-BoS-20/561.

-       Fricko, O., Havlik, P., Rogelj, J., Klimont, Z., Gusti, M., Johnson, N., Kolp, P., Strubegger, M., Valin, H., Amann, M., Ermolieva, T., Forsell, N., Herrero, M., Heyes, C., Kindermann, G., Krey, V., McCollum, D. L., Obersteiner, M., Pachauri, S., Rao, S., Schmid, E., Schoepp, W., Riahi, K. (2017). The marker quantification of the Shared Socioeconomic Pathway 2: A middle-of-the-road scenario for the 21st century, Global Environmental Change,Volume 42, Pages 251-267, ISSN 0959-3780, https://doi.org/10.1016/j.gloenvcha.2016.06.004.

-       Hänsel, M.C., Drupp, M.A., Johansson, D.J.A. et al. (2020). Climate economics support for the UN climate targets, Nature Climate Change 10, 781–789. https://doi.org/10.1038/s41558-020-0833-x.

-       Kaufman, N., Barron, A.R., Krawczyk, W. et al. (2020). A near-term to net zero alternative to the social cost of carbon for setting carbon prices. Nature Climate Change 10, 1010–1014. https://doi.org/10.1038/s41558-020-0880-3.

-       Krey, V., Havlik, P., Kishimoto, P., Fricko, O., Zilliacus, J., Gidden, M., Strubegger, M., Kartasasmita, G., et al. (2020). MESSAGEix-GLOBIOM Documentation - 2020 release, IIASA, Laxenburg, Austria. 10.22022/IACC/03-2021.17115.

-       Le Guenedal, T. (2019). Economic Modeling of Climate Risks. http://dx.doi.org/10.2139/ssrn.3693661.

-       McCollum, D., Krey, V., Riahi, K., Kolp, P., Grubler, A., Makowski, M., Nakicenovic, N. (2013). Climate policies can help resolve energy security and air pollution challenges, Climatic Change. 119. 10.1007/s10584-013-0710-y.

-       Network for Greening the Financial System (2022). NGFS Climate Scenarios for central banks and supervisors, Banque de France, September.

-       Nordhaus, W. D. (1977). Economic Growth and Climate: The Carbon Dioxide Problem, The American Economic Review, 67(1), 341–346. http://www.jstor.org/stable/1815926.

-       Nordhaus, W. D., (1992). The ‘Dice’ Model: Background and Structure of a Dynamic Integrated Climate-Economy Model of the Economics of Global Warming, Cowles Foundation Discussion Papers. 1252.

-       Stern, N., Stiglitz, J., Taylor, C. (2021). The economics of immense risk, urgent action and radical change: towards new approaches to the economics of climate change, Journal of Economic Methodology, vol 29(3), pages 181-216.

-       Pindyck, R. S. (2013). Climate Change Policy: What Do the Models Tell Us?, Journal of Economic Literature, 51 (3): 860-72.

-       Van Asselt, M.B.A., Rotmans, J. (2002). Uncertainty in Integrated Assessment Modelling, Climatic Change 54, 75–105. https://doi.org/10.1023/A:1015783803445.

-       Wang, P., Deng, X., Zhou, H., Yu, S. (2019). Estimates of the social cost of carbon: A review based on meta-analysis, Journal of Cleaner Production, Volume 209, Pages 1494-1507, ISSN 0959-6526. https://doi.org/10.1016/j.jclepro.2018.11.058.