Jaki wpływ mają zmiany klimatu na wzrost gospodarczy? To pozornie proste pytanie, ale odpowiedź nie jest jednoznaczna. Nie dość więc, że mamy zgrzyt i trudności w akceptacji przez szeroką opinię publiczną faktu, że klimat się zmienia, to jeszcze nie potrafimy powiedzieć jakie to będzie miało implikacje gospodarcze. Ta pierwsza część sporu tylko wygląda jak naukowa i nie będziemy się o niej rozwodzić. Nie nasza działka. Druga jednak jest faktycznie żywym sporem naukowym pomiędzy ekonomistami. Oto osobista podróż autora po meandrach ustalania kto ma rację i dlaczego tak trudno przeprowadzić dowód.
Zarys wstępu do podstaw
Żeby zarysować problem, zacznijmy od najniżej wiszących owoców, czyli szóstego raportu IPCC (2022) – Międzyrządowego Zespołu ds. Zmian Klimatu. To ciało naukowe ONZ syntetyzujące tysiące badań i uchodzące za najbardziej autorytatywne źródło wiedzy o zmianach klimatu – nie ulega więc wątpliwości, że ten raport to naturalny punkt wyjścia do naszej analizy. W rozdziale poświęconym ekonomicznym skutkom ocieplenia znajdziemy coś, co daje do myślenia: rozrzut szacunków od wartości bliskich zeru (a czasem wręcz dodatnich) po naprawdę dotkliwe, sięgające wartości porównywalnych do kilkudziesięciu procent światowego PKB.
Taki rozrzut to ewidentnie dowód, że do osiągnięcia konsensusu jest daleko. Jak podsumował to Nordhaus w mowie noblowskiej (2019) – właśnie za rozwój ekonomii zmian klimatu – szacunki globalnych szkód są „all over the map". Trudno tu znaleźć lepszy i bardziej obrazowy odpowiednik w języku polskim.
Sam raport IPCC ma już jednak 4 lata, a siódmej edycji doczekamy się najwcześniej w 2028 roku. Ekonomia zmian klimatu tymczasem nie stanęła w miejscu. Powstało sporo nowych prac, w tym co najmniej dwie ważne metaanalizy – czyli badania łączące wyniki wielu wcześniej opublikowanych prac w tej samej dziedzinie. Od nich zaczniemy dalsze poszukiwania.
Dwie nowe metaanalizy, dwa różne wyniki
W ostatnich latach czołowi ekonomiści od klimatu zaktualizowali swoje metaanalizy: Tol (2024) oraz Howard i Sterner (2025). Sama metaanaliza jest już statystycznym połączeniem wcześniej opublikowanych badań, więc zdaje się, że dwa takie podsumowania opublikowane rok po roku nie powinny się drastycznie od siebie różnić. Problem w tym, że jednak się znacząco różnią. Tol szacuje szkody przy ociepleniu o 3°C na mniej więcej 2% globalnego PKB. Howard i Sterner na 7-13%. Ta sama dziedzina, prawie te same lata publikacji, obie metaanalizy, a inne rzędy wielkości.
Przyjrzyjmy się tej pierwszej. Tol dzieli literaturę na cztery rodziny metod: 1) modele enumeratywne (czyli sumowanie szkód sektor po sektorze), 2) ankiety eksperckie (czyli najprostsze zbieranie od ekspertów ich opinii na temat spodziewanych szkód), 3) modele ekonometryczne (pytanie: powiedzcie nam drogie dane jak jest), czyli poszukiwanie siły zależności na styku klimat-gospodarka w przeszłości (oszacowanie parametrów modeli empirycznych) i ekstrapolacja tego w przyszłość (prognoza z modelu empirycznego). oraz 4) modele równowagi ogólnej CGE (Computable General Equilibrium)*.
* W tym ostatnim przypadku należy się słowo wyjaśnienia, co to w ogóle jest. CGE to duże modele całej gospodarki, konstruowane jako pewna idea działania świata, do której dobiera się matematyczne parametry, aby nie były tylko ideą, lecz ich zastosowanie było policzalne. W ekonometrii postulujemy, że dana zmienna zależy od innych i dane mają nam powiedzieć jak silna jest ta zależność i jaką ma postać (liniowa, nieliniowa, jednoczesna, opóźniona). W modelu CGE staramy się zamknąć skomplikowany świat w postaci układu równań, w którym zależności przyczynowo-skutkowe między zmiennymi są z góry ustalone. To autor modelu decyduje jaki jest: liniowy, nieliniowy, jak łączyć mają się zmienne. Autor też decyduje o tym jak ten model będzie parametryzował, czyli jak zmienne oddziałują na siebie ilościowo. Co ważne, schemat „od idei do wykonania” pozwala w sposób rygorystyczny (acz oczywiście postulatywny) uwzględnić powiązania między sektorami gospodarki.
Co Tol ustalił? Uśredniony wpływ zmian klimatu na gospodarkę jest zawsze negatywny, ale przedział niepewności jest na tyle szeroki, że trudno powiedzieć jak wartościowy jest punktowy szacunek. Innymi słowy: szacujemy X, ale błąd sugeruje, że to może być faktycznie mocno od X oddalone. Powtarza się natomiast wzorzec: ankiety eksperckie dają najbardziej pesymistyczne szacunki, modele ekonometryczne najbardziej optymistyczne, a biedniejsze i położone w cieplejszym klimacie kraje (co często jest ze sobą związane) są wyraźnie bardziej narażone niż bogate i chłodniejsze.
Jest tam jeszcze jeden wątek, który wymaga uwagi, ale z racji na subtelność może przejść niezauważony. Chodzi o różnicę między badaniami sprawdzającymi, czy gospodarce szkodzi poziom temperatury, czy jej zmiana. Mówiąc prościej: w jednej grupie badań wyższa temperatura obniża wzrost gospodarczy tak długo, jak długo się utrzymuje – klimat się ocieplił, temperatura już nie rośnie, a gospodarka i tak co roku na nowo traci. W drugiej grupie szkodzi wyłącznie przejście na wyższy poziom temperatury – gospodarka dostaje cios od klimatu, przystosowuje się i wraca do wzrostu w tym samym tempie, tyle że od trwale niższego poziomu. To rozróżnienie okazuje się być fundamentalne: w pierwszym ujęciu mówimy o rocznym (!) obniżeniu dynamiki PKB bliskim całemu punktowi procentowemu (a w niektórych badania nawet przekraczających kilka pp.), w drugim są to setne części punktu. Tol krytykuje te pierwsze jako niezgodne z modelami wzrostu gospodarczego: w takich modelach tempo wzrostu wyznacza postęp technologiczny, a czynniki traktowane jako stałe cechy kraju, takie jak klimat, przesuwają poziom dochodu – nie powinny jednak wpływać na jego długookresowe tempo wzrostu. W przeciwnym wypadku ciepłe i zimne kraje coraz bardziej by odbiegały od siebie. Co kluczowe dla dalszej części tej historii – z tego właśnie powodu Tol wyklucza takie badania ze swojej głównej regresji, która ma ustalić, gdzie jest „uśredniony” wpływ na gospodarkę, który pochodzi z wielu innych wyników badań jednocześnie (to jest właśnie metaanaliza).
Przejdźmy do drugiej z nowych metaanaliz. Rok później (2025) Howard i Sterner zaktualizowali swoją pracę z 2017 r. (której, nawiasem mówiąc, Tol poświęcił krytykujący załącznik). Niezmienny pozostaje rozstrzał w pojedynczych badaniach i różnice w zależności wykorzystanych od metod. Jeśli chodzi o kluczowe podsumowujące wyniki metaanalizy, to historia jest już inna: szkody w okolicach 12-19% PKB uwzględniając katastroficzne scenariusze lub 3-9% bez nich, co razem składają do syntetycznego szacunku strat 7-13% PKB przy 3°C ocieplenia.
I jeszcze jeden smaczek. Pamiętamy wzorzec Tola, że modele ekonometryczne są najbardziej optymistyczne? U Howarda i Sternera wychodzi odwrotnie: to ekonometryczne szacunki panelowe dają wyższe szkody niż metody enumeratywne i modele CGE. Autorzy uczciwie przyznają, że sami nie wiedzą dlaczego. Dwie metaanalizy tej samej literatury nie zgadzają się więc nie tylko co do poziomu, ale nawet co do tego, która metoda jest optymistyczna. Piękne, prawda?
Skąd ta przepaść?
Tu wchodzimy w najciekawszy fragment. Różnice starają się wskazać sami bezpośrednio zainteresowani, choć nie tak bezpośrednio, żeby dać jednoznaczną odpowiedź również nam. Tol zarzuca Howardowi i Sternerowi błędy w doborze badań do metaanalizy. Oni odpowiadają Tolowi oraz Nordhausowi i Barrage (2024) trzema zabiegami metodologicznymi, które wyjaśniają przepaść w wynikach:
Po pierwsze – ich zdaniem różnice biorą się z tego, jakie prace w ogóle wpuszczono do próby. Howard i Sterner mają szersze sito (105 szacunków z 38 badań) i wpuszczają więcej rodzin metod. Po drugie – z wag: kto jest „duplikatem", a kto niezależnym głosem – ten sam zespół badaczy może opublikować na jednym modelu kilka prac. Howard i Sterner obniżają wagi szacunków stworzonych z podobnych modeli, Tol tego nie robi. Po trzecie, i najważniejsze – z tego, że Howard i Sterner uwzględniają w równaniach metaanalizy cechy badań. W praktyce każdy szacunek dostaje zero-jedynkowe „etykiety”, które opisują, czy modele biorą pod uwagę efekty na wzrost PKB, katastroficzne scenariusze, rynkowe czy pozarynkowe kanały oddziaływania. Regresja liczy potem o ile średnio wynik jest wyższy lub niższy przy danej etykiecie, a innych cechach niezmienionych. Dzięki temu na koniec można sprowadzić wszystkie szacunki do „wspólnego mianownika” – tak, że każdy ma te same założenia. Podsumowujący wynik uwzględnia więc różnice w tych cechach. Tol zamiast tego zawęża próbę.
Różnice między metaanalizami wynikają więc z tego, jakie badania wpuszcza się do próby, jak liczy się wielokrotne szacunki z tych samych modeli i czy koryguje się je o cechy metodologiczne modeli. Same wyniki badań potrafią się natomiast diametralnie różnić w zależności od tych metod, modeli i przyjętych założeń, co ostatecznie przeważa na końcowym wyniku metaanalizy. Zróbmy więc krok w tył i zderzmy się z bardziej fundamentalnym problemem – skąd bierze się taki rozjazd skutków, który występuje już na poziomie samych założeń i metod?
Dlaczego szacowanie skutków jest takie trudne?
Modelowanie ekonomiczne jest już trudne, a modelowanie ekonomii zmian klimatu jest po prostu jeszcze trudniejsze. Tu zawsze można liczyć na podsumowujący bon-mot od ekonomisty:
Część przyczyn to standardowy repertuar makroekonomii: nie mamy możliwości przeprowadzenia eksperymentów – zarówno ze względów fizycznych, jak i etycznych. Pozostaje nam porównywanie się z modelowym światem bez ocieplenia, który nie istniał i istnieć nie będzie. Trzy problemy są jednak specyficzne dla tej działki:
Pierwszy: ekstrapolacja poza obserwowany zakres. Planeta ociepliła się dotąd o blisko 1,5°C względem epoki przedprzemysłowej. Interesują nas natomiast scenariusze 2–4°C. Szacujemy więc poza zakresem faktycznych danych, a wszystkie metody zgodnie wskazują, że szkody są nieliniowe względem temperatury. Poszukujemy więc dokładnie tego, gdzie ekstrapolacja najbardziej zawodzi.
Drugi: horyzont czasowy. Emisja tony CO₂ dziś generuje szkody przez stulecia. Nie znamy też skutków cykli klimatycznych na gospodarkę sprzed tysięcy czy milionów lat, bo wtedy… nie było gospodarki. Żaden panel danych nie ma nawet stuletniego horyzontu…
Trzeci: globalny zakres. Zmiana klimatu dzieje się wszędzie naraz. Oczywiście w różnych regionach w innym stopniu, ale jednak wszędzie jednocześnie. Nie mamy więc prawdziwej „grupy kontrolnej", z którą moglibyśmy cokolwiek porównać, bo „wszystko wpływa na wszystko”.
Historyczny kontekst – modele IAM
Jak więc ekonomiści zabierali się do tego modelowania?
Bez sięgania do prehistorii, pierwszym i najważniejszym twórcą modeli ekonomiczno-klimatycznych był William Nordhaus – późniejszy laureat nagrody Nobla właśnie za badania w tej działce. Stworzył i rozwinął modele IAM (Integrated Assessment Models), które łączą modele zmiany klimatu z ekonomicznymi modelami wzrostu na zasadzie wzajemnej relacji: klimat wpływa na poziom produkcji poprzez negatywne skutki, a równocześnie wzrost gospodarczy generuje emisje, które wpływają na klimat.
W oryginalnym modelu Nordhaus założył intuicyjny i przejrzysty – choć, jak się zdaje, zbyt uproszczony i z dzisiejszego punktu widzenia naiwny – mechanizm: zmiany klimatu wpływają na gospodarkę jedynie poprzez sektory wystawione na bezpośrednie działanie pogody. W ten sposób w pierwszej analizie kosztów i korzyści polityk klimatycznych Nordhaus (1991) wykluczył spod wpływu ocieplenia ok. 87% amerykańskiego PKB, bo ich produkcja pochodziła z hal fabrycznych, biur i banków, czyli z dala od pogody**. To założenie stało się potem podstawą kalibracji funkcji szkód w pierwszym modelu IAM Nordhausa (1992) znanym jako DICE (Dynamic Integrated Climate-Economy model) i – zdaniem Keena (2021) – na nim opierały się wszystkie szacunki modeli IAM aż do raportu IPCC z 2014. Najnowsza (2024) wersja modelu DICE kalibruje funkcję szkód (o której za chwilę) na syntezie literatury. Do tego Nordhaus dolicza arbitralnie -0,5 pp. wpływu na PKB m.in. za pominięte sektory i -1 pp. za punkty krytyczne. Trochę nam się założenia i postulaty mylą tu z mechanizmami, które chcemy przecież pokazać badając relację klimat-gospodarka.
** Dziś powiedzielibyśmy, że wykluczył całą logistykę, która sprawia, że system może w ogóle produkować. Tymczasem jako ekonomiści widzimy właśnie teraz, dla przykładu, coroczny mechanizm: Ren osiąga znów poziom, który grozi zatrzymaniem żeglugi. Patrzymy tu z punktu widzenia Europy, a gdzie kraje i kontynenty, które są bardziej bezpośrednio narażone?
Funkcja szkód, czyli gdzie naprawdę siedzi spór
Sercem każdego IAM jest funkcja szkód: jedno równanie przekształcające stopnie Celsjusza na procenty PKB. I jeśli mielibyśmy wskazać jedno miejsce, gdzie toczy się największy spór, który waży na wynikach – to właśnie tutaj.
Nordhaus przyjął, że szkody rosną z kwadratem wzrostu temperatury. Brzmi rozsądnie – nieliniowo, więc kolejne stopnie bolą coraz bardziej. Problem w tym, że wybór parametru i kształt tej funkcji jest w zasadzie arbitralny, a konsekwencje tego wyboru: ogromne. Jeszcze większym problemem jest jednak sama ciągłość funkcji szkód i jej konsekwencje – niedostateczne uwzględnianie zdarzeń ekstremalnych i grubych ogonów rozkładu po przekroczeniu punktów krytycznych (tipping points) – np. topnienia lodowców.
Problem siedzi czysto w matematyce, jaką są opisane szkody. Gładka, ciągła funkcja szkód z konstrukcji nie potrafi wygenerować scenariusza nagłego załamania, niezależnie od tego, jak wysoka byłaby temperatura. W najnowszej wersji modelu DICE Nordhaus i Barrage częściowo to przyznają: ich bazowy szacunek 1,6% przy 3°C podnoszą „ręcznie” do 3,1%, żeby doliczyć punkty krytyczne i pominięte skutki. Taki zabieg jest jednak sam w sobie przyznaniem racji krytykom kształtu funkcji. W samej funkcji nic się przecież nie zmieniło i nadal to autor decyduje jak ją skorygować. Jedną arbitralność zastąpiliśmy kolejną.
Zwróćmy honor modelom IAM
Ważna dygresja, żeby być w pełni uczciwymi. Wyżej opisana krytyka dobrze opisuje, jak ewoluowała debata w ekonomii zmian klimatu. Nieprawdą jednak jest, że naukowcy rozwijający modele IAM całkowicie ignorują krytykę. Najlepszym dowodem są dwa modele, które amerykańska Agencja Ochrony Środowiska (EPA, 2023) wykorzystała do wyznaczenia oficjalnego kosztu społecznego emisji: modele GIVE (Greenhouse Gas Impact Value Estimator; Rennert i in., 2022) oraz DSCIM (Data-driven Spatial Climate Impact Model od Climate Impact Lab).
W czym są lepsze? GIVE i DSCIM zachowują enumeratywną strukturę (czyli sumują szkody sektor po sektorze), ale każdy z sektorowych modułów kalibrują na zidentyfikowanych przyczynowo pracach ekonometrycznych.
Czego więc w nich brakuje? Mimo całej nowoczesności to wciąż enumeracja – tyle że lepiej zidentyfikowana. GIVE wycenia cztery kategorie skutków (zdrowie, energia, rolnictwo, wybrzeża), DSCIM pięć (dodaje produktywność pracy). I to wszystko. Nie ma tam konfliktów, migracji, utraty bioróżnorodności, punktów krytycznych i innych ekstremów siedzących w grubych ogonach. Zarzut Keena o zbyt wąskie pokrycie sektorów nie znika. Wcześniej pomijano 87% gospodarki, bo „dzieją się poza pogodą". Dziś pomija się kanały, których po prostu nie umiemy jeszcze wiarygodnie oszacować. Pytanie, czy to większy błąd, czy większa uczciwość intelektualna.
Najlepszym świadectwem jest zresztą to, co robi sama EPA. Do liczenia społecznych kosztów emisji używa trzech modułów naraz: DSCIM, GIVE i metaanalizę Howarda i Sternera (2017) – bo żadnemu z osobna nie ufa na tyle, by opierać na nim regulację.
Ale jeśli nie IAM, to co?
Skoro kalibrowane modele mają takie kłopoty, może po prostu sprawdźmy związek zmian klimatu z gospodarką bezpośrednio w danych? Od razu pojawia się (słuszne) zastrzeżenie, o którym już wspominaliśmy – interesują nas skutki zmian klimatu, które dopiero mają się wydarzyć, a dane to tylko historia. Równocześnie w danych mamy coś, czego w kalibrowanych modelach nie ma – rzeczywiste reakcje gospodarek na temperatury, zamiast założeń o tym, jak by zareagowały (faktycznie dajemy więc danym przemówić, a nie przemawia postulowana przez nas relacja przyczynowo-skutkowa). Ostatnie lata należały właśnie do tego podejścia – regresji panelowych, w których PKB krajów uzależnia się od temperatury. Kanoniczne panelowe szacunki Burke’a, Hsianga i Miguela (2015) dały głośną liczbę: 23% niższe światowe PKB per capita w 2100 roku przy braku ograniczania emisji.
W 2024 Bilal i Känzig wydali głośny working paper (opublikowany w 2026), których wynik wywrócił skalę. Ich pomysł to zamiast temperatury lokalnej użyć globalnej, bo to ona koreluje ze zdarzeniami ekstremalnymi. Rezultat? 1°C globalnego ocieplenia obniża światowe PKB o ponad 20% w długim okresie – to o rząd wielkości więcej niż w standardowych IAM, np. u Nordhausa.
I tu historia robi się naprawdę ciekawa, bo ta sama dekada, która wyniosła ekonometrię panelową na szczyt, właśnie zafundowała jej najgorszy rok w historii.
W kwietniu 2024 r. Kotz, Levermann i Wenz opublikowali w Nature pracę, według której gospodarka jest już nieodwracalnie skazana na spadek dochodu o 19% do 2049 roku, niezależnie od przyszłych emisji. Praca była szeroko cytowana w mediach i w nauce (aktualnie z ponad 600 cytowaniami). Stała się także podstawą nowej funkcji szkód w scenariuszach NGFS (Network for Greening the Financial System) – sieci 152 banków centralnych i nadzorców finansowych, do której należy również nasz KNF.
Problem w tym, że jej wyniki były niestabilne. Wnioski naciągnął błędny PKB Uzbekistanu z lat 90-tych, po wyłączeniu którego cały wynik się posypał. Autorzy dokonywali korekt, lecz poskutkowały one zmniejszeniem szkód z 19 do 17%, ale też rozszerzeniem przedziałów ufności z 11–29% do 6–31%. I po tym Kotz i reszta przyznali, że zmiany wyników są zbyt duże i w grudniu 2025 Nature całkowicie wycofał pracę.
Dla porządku: została jeszcze jedna ważna grupa metod, o którą dotychczas tylko wymienialiśmy z nazwy – modele równowagi ogólnej (CGE). Nie będziemy rozwodzić się nad nimi, żeby nadmiernie nie wydłużać i tak już długiego tekstu. Ważne intuicyjne uproszczenie jest takie, że dobrze uchwytują one wpływ w kanałach, które pozostałe modele pomijają jak handel, ceny względne, czy przepływ kapitału między sektorami. Wada – te modele odziedziczyły kalibrację po enumeratywnych, więc na wejściu mają dokładnie te same szacunki, o które toczy się cały spór. Elegancka nadbudowa pojawia się nad niepewnym fundamentem.
Może tego w ogóle nie da się policzyć…
W kwietniu tego roku Curtin i Burgess wynieśli interesujące nas pytanie jeszcze o poziom wyżej niż samo doszukiwanie się błędów: czy z historycznych danych da się w ogóle wyciągnąć jakikolwiek stabilny związek przyczynowy? Ich odpowiedź brzmi – nie. Argument jest elegancki: relacja klimat-gospodarka zmienia się jakościowo w przestrzeni i czasie (Czechy to nie Malezja, a Polska z 1990 to nie Polska w 2026). Modele muszą to zróżnicowanie częściowo ignorować, żeby starczyło stopni swobody (czyli nie było zbyt dużo parametrów względem historycznych danych). Ale dokładnie też w tym samym momencie przestają mierzyć to, co miały mierzyć. W ramach dowodu autorzy zreplikowali trzy sztandarowe prace o różnych metodach – w tym wspomnianą wyżej Bilala i Känziga – i w każdej znaleźli bardzo wysoką wrażliwość na drobne tylko zmiany uwzględnionych parametrów.
I tu kluczowa uwaga. Curtin i Burgess nie wzywają do wycofania żadnej z tych prac – przypadek wycofania pracy Kotza to był błąd w danych, a to jest inna kategoria zarzutu. Sami zastrzegają też, że ich analiza nie zaprzecza negatywnym skutkom emisji CO2. Ich wniosek wskazuje jednak na złożoność tego zagadnienia i może być właśnie odpowiedzią na tytułowe pytanie: ekonomiści nie są na razie w stanie zgodzić, bo mierzenie skutków zmian klimatu po prostu intelektualnie nas przerasta.
Słoń w pokoju dyskusji o klimacie – stopa procentowa
Cała powyższa awantura dotyczyła fizycznej strony szkód. Tymczasem gdy przełożyć je na jedną liczbę, którą w praktyce stosuje się w polityce gospodarczej (np. przy projektowaniu systemów handlu emisjami takich jak EU ETS), czyli koszt społeczny emisji (social cost of carbon), a więc zmienną opisującą jakie szkody dla społeczeństwa generuje emisja każdej tony CO2 – okazuje się, że często za drastyczne różnice w szacunkach odpowiada właśnie stopa procentowa.
Tol (2025) którego – przypominamy – wyniki analizy były rząd wielkości niższe niż w przeciwnym „obozie”, formułuje to bez ogródek: kluczowe jest to jak bardzo cenimy dobrobyt ludzi żyjących za sto lat – czyli jaką stopą dyskontujemy szkody, które wydarzą się za kilkadziesiąt lat. Niby techniczne parametry, ale potrafią czasem przesunąć wyniki mocniej niż funkcje szkód i właściwości modeli, o które spierają się ekonometrycy.
Gdzie więc leży prawda?
Gdybyśmy zapytali stu ekonomistów klimatu „czy globalne ocieplenie szkodzi gospodarce?", prawdopodobnie stu odpowiedziałoby: tak. Gdy zapytamy jednak „o ile?", usłyszymy sto różnych liczb rozrzuconych na przestrzeni dwóch rzędów wielkości.
Nasz spór nie jest więc sporem o to, czy problem istnieje. To spór o to, na ile ufać założeniom modelu, których nie da się zweryfikować eksperymentalnie. A te założenia różnią się na kilku niezależnych płaszczyznach naraz: punktowy szacunek czy ryzyko ekstremów, kalibracja czy estymacja modelu, kto jest narażony, jak definiujemy samą zmianę klimatu i ostatecznie jak przeliczamy jej skutki z kilkudziesięciu dotychczasowych lat w niekreślony przecież „przód”.
Aktualnie możemy powiedzieć, że prawda prawdopodobnie leży tam, gdzie wnioski przetrwały krytykę z wielu niezależnych kierunków naraz. To jednak nie są konkretne liczby, lecz pewne fundamentalne spostrzeżenia: 1) wpływ zmian klimatu na gospodarkę jest negatywny, 2) szkody rosną nieproporcjonalnie szybciej niż postępuje samo ocieplenie, 3) rozkład ryzyk jest przechylony w stronę negatywnych i 4) uderzają najmocniej w kraje już teraz biedne i już teraz gorące. Przepaść dzieląca szacunki pozostaje związana z uwzględnieniem ryzyko ogona rozkładu – scenariuszy katastroficznych, których wiele modeli nadal z założenia pomija – to też element, którego żaden pojedynczy szacunek prawdopodobnie nie łapie w pełni.
Intuicyjnie bliżej nam do szerszego spojrzenia na skutki zmian klimatu, które uwzględnia zjawiska ekstremalne i punkty krytyczne – brzmi bardziej jak to, czego uczy fizyka klimatu, niż gładka, ciągła funkcja szkód. Ale to tylko intuicja na podstawie szybkiego rozeznania się w obcej dla nas działce. I warto pamiętać, w którą stronę ta dziedzina myliła się ostatnio. Gdy w grudniu 2025 Nature wycofało pracę Kotza, Levermanna i Wenz (tę, którą opisywaliśmy przy okazji modeli ekonometrycznych), to tym samym zniknął z literatury naukowej nie ostrożny szacunek, tylko jeden z tych najbardziej alarmujących – i to akurat ten, na którym opierały się niektóre banki centralne i nadzorcy finansowi w klimatycznych scenariuszach. Ekonomia klimatu potrafi zawodzić w obie strony – i to też jest lekcja.
A reszta to wciąż otwarty spór naukowy, który możemy śledzić na łamach czołowych czasopism ekonomicznych. I warto to robić, bo naukowa dyskusja w ekonomii klimatu jest rzeczywiście żywa i burzliwa. Im więcej dyskusji – również tej w przestrzeni publicznej – tym większa szansa, że również zobaczymy ją ze strony czołowych ekonomistów, bo czasem włączenie się w debatę wymaga, aby faktycznie była nomen omen paląca. Dzięki temu może choć trochę zmniejszymy tą wielką niepewność, z która była punktem wyjścia do napisania tego artykułu.
Dawid Sułkowski
Bibliografia
• Barrage, L., & Nordhaus, W. (2024). Policies, projections, and the social cost of carbon: Results from the DICE-2023 model. Proceedings of the National Academy of Sciences, 121(13), e2312030121.
• Bilal, A., & Känzig, D. R. (2026). The Macroeconomic Impact of Climate Change: Global Versus Local Temperature. The Quarterly Journal of Economics, 141(2), 889–944.
• Bilal, A., & Stock, J. H. (2025). A Guide to Macroeconomics and Climate Change (NBER Working Paper No. 33567). National Bureau of Economic Research.
• Burke, M., Hsiang, S. M., & Miguel, E. (2015). Global non-linear effect of temperature on economic production. Nature, 527(7577), 235–239.
• Climate Change 2022: Impacts, Adaptation and Vulnerability. Contribution of Working Group II to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change.
• Curtin, F., & Burgess, M. G. (2026). The empirically inscrutable climate-economy relationship. SocArXiv, g8khf.
• Howard, P. H., & Sterner, T. (2017). Few and not so far between: a meta-analysis of climate damage estimates. Environmental and Resource Economics, 68(1), 197-225.
• Howard, P. H., & Sterner, T. (2025). Methodology matters: A careful meta-analysis of climate damages. Environmental and Resource Economics, 88(12), 3289–3327.
• Keen, S. (2021). The appallingly bad neoclassical economics of climate change. Globalizations, 18(7), 1149–1177.
• Kotz, M., Levermann, A., & Wenz, L. (2024). The economic commitment of climate change. Nature, 628(8008), 551–557. [Wycofane: Retraction Note, Nature, 648, 764 (2025).]
• Lemoine, D., Hausman, C., & Shrader, J. G. (2026). Navigating the 'Problem from Hell': A Guide to Climate Damages. Journal of Economic Literature.
• Nordhaus, W. D. (1991). To slow or not to slow: the economics of the greenhouse effect. The Economic Journal, 101(407), 920–937.
• Rennert, K., Errickson, F., Prest, B. C., et al. (2022). Comprehensive evidence implies a higher social cost of CO₂. Nature, 610, 687–692.
• Rising, J. A., Taylor, C., Ives, M. C., & Ward, R. E. (2022). Challenges and innovations in the economic evaluation of the risks of climate change. Ecological Economics, 197, 107437.
• Tol, R. S. J. (2024). A meta-analysis of the total economic impact of climate change. Energy Policy, 185, 113922.
• Tol, R. S. J. (2025). Trends and biases in the social cost of carbon. Annals of the New York Academy of Sciences, 1548, 248–259.
