Nu de Verenigde Naties onlangs de discussie over klimaatverandering hebben afgerond en leiders die naar hun land zijn teruggekeerd om nieuwe oplossingen te onderzoeken, nieuw gepubliceerd publiek-privaat onderzoek van de New York University en Columbia Business School stelt een nieuwe methode voor voor het berekenen van koolstofbelastingtarieven op basis van milieu-, economische en sociale factoren, inclusief de kosten die het publiek betaalt voor het gebruik van koolstof, zoals schade aan de landbouw, kwetsbare kustinfrastructuur, en risico voor de menselijke gezondheid.

Economen en andere klimaatwetenschappers hebben lang geloofd dat de optimale manier om klimaatverandering tegen te gaan is om te rekenen voor elke ton CO2 die in de atmosfeer wordt uitgestoten. Dergelijke heffingen zouden gemakkelijk in de brandstofbelasting kunnen worden opgenomen. De inkomsten uit dergelijke belastingen zouden rechtstreeks aan de consumenten kunnen worden terugbetaald in de vorm van een koolstofkorting, zodat een belasting inkomstenneutraal zou kunnen zijn, en zou degenen die grote vervuilers zijn, kunnen kosten, en anderen ten goede komen.

Hoewel er een groeiende consensus is over de conclusie dat we een koolstofbelasting nodig hebben, er is nog veel discussie over het juiste belastingtarief, en over hoe dat percentage in de loop van de tijd zou moeten evolueren. Typische modellen voor koolstofbeprijzing hielden niet volledig rekening met de onzekerheden rond berekeningen van klimaatverandering. Het is mogelijk dat de planeet veel robuuster is tegen hoge CO2-concentraties, maar het is ook mogelijk dat grote concentraties tot rampzalige gevolgen kunnen leiden. Door deze onzekerheid te bagatelliseren, typische klimaatmodellen concluderen dat de koolstofprijzen laag moeten beginnen, en dan geleidelijk toenemen in de tijd, met de overeenkomstige overtuiging dat deze aanpak schone technologie en marktinnovatie aanmoedigt - en leidt tot lagere emissies. Het "EZ Climate"-model, ontwikkeld door Kent Daniel van Columbia Business School, Gernot Wagner aan de Wagner Graduate School of Public Service van de New York University, en Robert Litterman van Kepos Capital - laat een analyse zien waarin klimaatonzekerheid correct is verwerkt, wat inhoudt dat de koolstofprijzen in plaats daarvan vanaf het begin hoog zouden moeten beginnen, en zou dan moeten afnemen als de onzekerheid is opgelost.

"Het is algemeen aanvaard dat de koolstofprijzen laag moeten beginnen en in de loop van de tijd moeten stijgen, " zegt Wagner, ook een professor in de afdeling Milieustudies van de NYU. "Onze paper stelt dat grote onzekerheid deze visie op zijn kop zet:hoge prijzen vandaag, die naar verwachting op de lange termijn zullen afnemen naarmate de onzekerheid verdwijnt en technologische veranderingen mitigatie veel goedkoper maken."

"Ons model laat zien dat het op de juiste manier rekening houden met klimaatonzekerheid leidt tot de conclusie dat we vandaag krachtiger moeten optreden om ons ademruimte te geven in het geval dat de planeet kwetsbaarder blijkt te zijn dan de huidige modellen voorspellen, " zei Daniël, die hoogleraar financiën en senior vice-decaan is aan de Columbia Business School.

kattenbak, voorheen de toprisicomanager van Goldman Sachs en nu een van de oprichters van Kepos Capital, meende:"Voor mij was het meest verrassende resultaat van het onderzoek hoe snel de kosten van vertraging in de loop van de tijd toenemen. Toen we een optimaal koolstofprijsbeleid modelleerden met verschillende startdata in de toekomst, we realiseerden ons al snel dat de impact van de mitigerende effecten nauw samenhangt met wanneer je daadwerkelijk een prijs gaat toeschrijven aan CO2-uitstoot."

Het onderzoek is vandaag (1 oktober) gepubliceerd in het peer-reviewed tijdschrift, de Proceedings van de National Academy of Sciences . In het artikel en in hun gezamenlijke studie Applying Asset Pricing Theory to Calibrate the Price of Climate Risk, introduceren de onderzoekers het model als een eenvoudig, modulair raamwerk dat de belangrijkste afwegingen identificeert, benadrukt de gevoeligheid van resultaten voor belangrijke input, en helpt bij het lokaliseren van gebieden voor verder werk.