我國碳市場與國內焦煤市場、歐盟碳市場的溢出效應研究

（浙江財經大學金融學院，杭州 310018）

引 言

隨著經濟的快速發展，工業生產所排放的二氧化碳等溫室氣體對環境造成了一定的負面影響。為了有效控制碳污染，全球范圍內逐步推進基于碳排放權的交易，通過征收二氧化碳排放稅的方式以應對全球變暖。歐盟碳市場（EU ETS）是建立時間最早且規模最大的碳排放交易市場。自2005年歐盟碳市場成立以來，歐盟碳排放量呈現逐年下降的趨勢，2018年歐盟碳市場監管的碳排放量較上年下降了3.3%。由此可見，歐盟排放交易體系在促進歐洲節能減排方面發揮了良好的作用。而我國是世界上最大的碳排放國，也是國際碳交易市場最大的賣方。因此，我國構建碳排放權交易體系也十分必要。2010年，我國正式提出實行碳排放交易制度；2011年11月，國家發改委發布確定7個試點省市包括湖北、北京、上海、重慶、深圳、廣東、天津的通知；2016年12月，四川和福建也相繼加入碳交易的行列。據前瞻產業研究院統計，7個試點省市碳成交配額在2017年達6740萬噸，較2016年增長約5.31%，交易額約11.81億元，較上年增長約13.01%。根據《2018年全球生態環境遙感監測年度報告》，2017年單位國內生產總值的碳排放強度比2005年低46%，比2016年度下降5.1%，排放增速逐步回落。截至2019年5月，我國碳交易總量達3.1億噸，碳交易額超過68億元。由此可見我國碳市場的發展勢頭強勁，碳排放強度明顯降低，達成了初步成效。

促進碳市場的持續有效發展，并加快節能減排的目標實現，對我國碳市場的研究顯得尤為重要與迫切。那么，我國碳市場與國內其他相關市場的關聯關系如何？與國外碳市場之間的關聯關系又是如何？哪個市場與我國碳市場間溢出效應最強？這些問題值得學術界研究。

事實上，不少文獻從碳市場價格影響因素和碳市場波動溢出兩個方面對碳市場進行研究。在碳市場價格影響因素方面，陳曉紅等（2013）、徐佳和譚秀杰（2016）認為政策是最重要的影響因素，對大部分試點都有顯著的影響[1，2]，采取嚴格的碳稅征收辦法會降低碳市場價格（Hintermann等，2016）[3]；郭文軍（2015） 發現煤炭、 石油價格會給碳市場價格帶來負向影響[4]，而Aatola等（2013）和Hammoudeh等（2014）認為電力價格對碳市場價格有正向影響[5，6]；經濟增長也與碳價波動相關，張云（2015）指出經濟活動通過影響能源價格從而作用于碳市場價格[7]，同時，經濟增長帶來的工業生產排放的二氧化碳增多，導致碳價上升（Chevallier，2011）[8]；而環境因素對碳市場價格的影響主要體現在空氣質量狀況上，空氣惡化程度越高，則碳價越高（周天蕓和許銳翔，2016）[9]。

在碳市場波動溢出方面，辛姜和趙春艷（2018）的研究表明碳市場與電力市場、煤炭市場、石油市場等能源市場的相關性較強[10]，學者們的實證結果大多為存在正向溢出效應，且相關性持續度較高（張秋莉等，2012；Yu等，2015；Kanamura，2016；高清霞和李昉，2016）[11-14]；張晨和劉宇佳（2017）發現碳市場與碳現貨、期貨、期權市場之間有雙向的正溢出效應[15]，除此之外，王倩和高翠云（2016）的實證結果表明不同碳市場之間也會產生溢出效應，國內的7個碳市場之間存在較高的關聯度[16]，但是我國碳市場與歐盟碳市場之間的波動溢出效應較弱（孫春，2018）[17]。總體來看，關于我國碳市場的研究成果并不多見，將我國碳市場的影響因素與不同市場間溢出影響結合起來的研究更為少見。值得注意的是，大部分學者都直接選擇一種傳統能源市場，如原油市場來考察國內碳市場與傳統能源市場之間的溢出關系，或者直接比較國內碳市場與海外碳市場之間的溢出關系。本文測算發現國內碳市場與焦煤市場關聯性更強，而與原油市場之間的溢出效應并沒有預期那么明顯；另外，本文同樣發現，我國碳市場與海外碳市場的關系并不明顯，事實上并不如我國碳市場與國內焦煤市場溢出效應那樣明顯。也就是說，在各類傳統能源市場和海外碳市場中，我國碳市場與國內焦煤市場的關系最為緊密，與其他市場的關系并不明顯。因此，本文將我國碳市場影響因素與溢出效應相結合，把與我國碳市場間存在影響關系的不同市場分為國內相關市場和國外碳市場來進行研究。先從我國7個碳市場試點中選取最有代表性的湖北碳市場，從國外碳市場中選取歐盟碳市場，運用VAR模型分析國內相關市場對我國碳市場的影響程度，得到方差貢獻度最大的焦煤市場。然后利用DCCGARCH模型檢驗我國碳市場與焦煤市場、歐盟碳市場間的溢出效應。同時，進一步利用深圳碳市場的數據進行穩健性檢驗，實證結果與湖北碳市場所得結果基本一致，即本文對國內碳市場的實證是可靠的。本文的研究不僅可以檢驗我國試點碳市場與不同市場間的相互影響，而且能夠發現與我國碳市場關聯溢出效應最強的市場，從而發現我國碳市場價格形成機理并豐富我國碳市場的定量研究，推動其他省市碳市場的建立。

1 模型說明

1.1 VAR模型與方差分解

向量自回歸模型簡稱VAR模型，在1980年由Christopher Sims提出。VAR模型是AR模型的一個擴展，是將所有變量中的幾個滯后變量與模型中的所有當前變量進行回歸，估計各個變量之間由于沖擊作用形成的動態關系。

一般VAR模型的數學表達式為：

其中Yt表示k維向量，a0表示常數向量，ai表示系數矩陣，εt表示殘差向量。滯后階數的選擇主要通過多種準則選取，而本文采取多數準則推薦階數的原則進行選擇。在納入相關變量進行檢驗后，需要進行滯后階數的選擇，主要方法有：用LR、FPE、AIC、SC、HQ等不同準則來選擇；用似然比統計量選擇。本文是采用前者，即多數原則進行選擇。

一個變量可能會受到許多其他變量的影響，方差分解研究了其他變量的每一結構沖擊對該變量的影響程度，確定影響因素對研究結果的重要性。基本思路如下：

為了測量各個擾動項相對yi的具體貢獻度，定義如下：

本文利用VAR模型及方差分解分析得出對我國碳市場影響最大的市場。在市場間溢出效應的研究中，本文也利用方差分解來研究市場之間的沖擊效應。

1.2 DCC-GRACH模型

Engle（1982） 和 Bollerslev（1986） 分別提出用ARCH模型和GARCH模型來解決金融時間序列方差隨時間變化的問題，ARCH族類模型進一步從單變量考察視角轉向多元分析，形成如VECH模型、CCC-GARCH模型以及DCC-GARCH模型等一系列模型，而DCC-GARCH模型與這些模型相比體現了動態時變的特征，參數估計更加準確，因此本文采用該模型以更好地分析市場的動態影響和溢出效應。

（1）對每個序列的單變量GARCH進行估計，獲得標準化殘差，再通過殘差估計參數。第一階段似然函數的基本形式為：

（2）在第一階段估計完成后，第二階段的似然函數的基本形式為：

通過兩個階段估計得到的模型估計量具有良好的性質。基于此，本文通過DCC-GARCH模型進行國內相關市場和國外碳市場與我國碳市場溢出效應的研究。

2 市場選擇

2.1 我國碳市場和國外碳市場選擇

本文對湖北、深圳、廣州、北京、上海、重慶、天津7個碳試點市場2014年7月1日至2019年6月28日的有效天數及日成交量進行研究，以選出具有代表性的碳市場。其中，湖北碳市場的有效天數最多，為1197天，交易日占比達97.48%，其次是深圳碳市場，有效天數為1140天，其余碳市場有效天數均不足1000天。由于日成交量數值較大，故將其對數處理后得到的結果如下：湖北碳市場平均成交量最大，為12.04，且標準差最低，說明其不僅交易活躍而且較為穩定。而深圳碳市場的平均成交量為10.95，標準差卻較大。因此，綜合有效交易日和成交量的統計，可得出湖北碳市場的數據具有一定有效性的結論。湖北碳市場的優勢還在于其市場活躍度高（參與者不僅包括投資機構，還包括個人投資者和境外投資者）、覆蓋行業廣（涉及電力、化工、鋼鐵等12個工業能耗大的行業）、相關法律政策較完善。因此本文認為選擇湖北碳市場作為我國碳市場的代表性市場具有合理性。

歐盟碳市場是目前世界上規模最大的碳市場，其通過實行強制減排，針對碳交易及排放額度制定了嚴格的法律，從而保證交易穩定性；美國的芝加哥氣候交易所（CCX）實行自愿性減排，買賣雙方平衡關系較難維持，最終在2010年12月結束了碳排放權交易。因此本文選擇目前仍在進行碳排放權交易的歐盟碳市場進行研究。

2.2 國內相關市場的選擇

2.2.1 數據選擇與處理

本文定義國內相關市場為原油市場、焦煤市場、股票市場、電力市場。選取WTI原油、焦煤期貨、上證綜合指數、電力指數的每月平均收盤價為解釋變量，以空氣質量指數為控制變量，以湖北碳市場收盤價為被解釋變量進行研究。本文對數據進行了對數差分處理，選取樣本區間為2014年7月1日至2019年6月28日，數據來源于Wind及國泰安數據庫。6個變量均通過ADF檢驗，為平穩序列。同時，描述性統計的結果顯示湖北碳市場的標準差僅為0.0838，即湖北碳市場的交易價格較為穩定。空氣質量指數的波動最大，標準差為0.2122。

2.2.2 VAR模型及方差分解

采用VAR模型檢驗各個市場對我國碳市場的影響效應，結果顯示以SC、HQ準則為標準的滯后階數是0階，以LR、FPE和AIC準則為標準的滯后階數均是6階。由多數準則推薦階數的原則，選擇滯后階數為6階，構建VAR（6）模型，其所有根均在單位圓內，表明該模型可通過穩定性檢驗。對我國碳市場進行方差分解的結果如下：不考慮我國碳市場自身的貢獻率，焦煤對碳價的方差貢獻最大，可達到10.5%左右；其次是原油，方差貢獻率在15期之后穩定在8.88%左右。使用焦炭、原油等化石燃料將直接產生二氧化碳，這將影響我國碳市場的供求，造成碳價波動。電力指數對我國碳市場的方差貢獻率為7.29%左右。空氣質量指數與上證指數對碳價的沖擊較小，分別為3.54%和4.15%，說明空氣和股票因素對我國碳市場的影響有限。

綜上，焦煤市場的價格沖擊對我國碳市場的貢獻度最大。因此，本文將焦煤市場作為國內相關市場的代表性市場，檢驗其與我國碳市場之間的溢出關系。

3 實證結果與分析

3.1 我國碳市場與焦煤市場、歐盟碳市場間溢出效應分析

3.1.1 數據選擇與檢驗

本文以2014年7月1日至2019年6月28日的湖北碳市場日收盤價、焦煤期貨日結算價、歐盟碳期貨價格為研究對象，對數據進行對數收益率化處理，探究我國碳市場與焦煤市場、歐盟碳市場之間的溢出效應，數據來源于Wind數據庫。描述性統計表明3個收益率序列均有 “尖峰厚尾”的特征，在1%顯著性水平下不服從正態分布，即均滿足構建GRACH模型的基本條件。進一步對變量進行平穩性檢驗，結果顯示ADF統計量分別為-36.8031、-33.2184和-36.8298，均在5%水平下顯著，即3個序列均為平穩序列。

本文進一步觀察各個收益率殘差序列時序圖，發現均存在波動群集效應，且具有非對稱性。進行ARCH LM檢驗的結果表明，各個收益率殘差序列均存在ARCH效應，可建立GARCH模型。但由于3個序列均存在自相關性，本文經過多次比對，建立RHUB、RCOKE、REUA的最優均值方程形式分別為 ARMA（8，1）、 MA（17）和 MA（1）。

圖1 我國碳市場殘差序列圖

圖2 焦煤市場殘差序列圖

圖3 歐盟碳市場殘差序列圖

3.1.2 方差分解分析

基于VAR模型的方差分解可以判斷市場之間長期意義上的均衡關系，得出我國碳市場與焦煤市場、歐盟碳市場之間的貢獻度。圖4顯示我國碳市場對焦煤市場的沖擊效應具有較強持續性，在滯后20期時方差貢獻達到50%，并仍呈現逐漸增大的趨勢。可見我國碳市場在促進減排方面發揮了一定的作用，對焦煤市場產生了較強的影響。由圖5可知，焦煤市場對我國碳市場也具有較強的影響效應，在滯后期為20時方差貢獻為23%左右，并呈現小幅增大的趨勢。因為我國是煉焦煤消耗大國，煉焦煤的大規模燃燒產生二氧化碳等溫室氣體，必定會影響我國碳市場價格。從結果來看，我國碳市場對焦煤市場的影響效應大于焦煤市場對我國碳市場的影響效應。

圖4 RHUB對RCOKE方差分解圖

圖5 RCOKE對RHUB方差分解圖

圖6 RHUB對REUA方差分解圖

圖7 REUA對RHUB方差分解圖

由圖6、圖7可知，歐盟碳市場對我國碳市場的沖擊力度相對較弱，在第13期穩定在15%左右。我國碳市場對歐盟碳市場的結構沖擊影響最小，可視為我國碳市場對歐盟碳市場幾乎沒有沖擊效應。可能是由于我國碳市場發展得較晚且市場建設不夠完善，對其他國家的碳市場影響有限，而歐盟碳市場作為發展時間最長、制度最完善的碳交易市場，其碳價變動會在一定程度上影響其他國家碳價。

3.1.3 GARCH（1，1）模型

采用GARCH（1，1）模型進行擬合的結果如表1，各個估計方程的α和β之和滿足約束條件，且均在1%的顯著性水平下顯著，表明條件方差受到的沖擊是持久的。從系數上看，我國碳市場對焦煤市場的溢出效應最大（0.7454），說明我國碳市場對焦煤市場有顯著的正向作用；焦煤市場對我國碳市場的系數為0.4374，說明焦煤市場也能顯著影響我國碳市場。歐盟碳市場對我國碳市場的系數為0.1833，說明歐盟碳市場對我國碳市場的溢出效應較小；但是我國碳市場對歐盟碳市場的溢出效應僅為0.0087，且僅在10%的顯著性水平下顯著，說明我國碳市場對歐盟碳市場沒有非常顯著的溢出效應。

3.1.4 DCC-GARCH（1，1）模型

DCC模型穩定性檢驗表明，兩個模型的α、β之和均小于1，且DCC模型系數均在1%的水平下顯著。我國碳市場和焦煤市場之間的短期調整能力（α＝0.3598）強于我國碳市場與歐盟碳市場（α＝0.2360）；我國碳市場和焦煤市場之間的持續程度（β＝0.6017）也強于我國碳市場與歐盟碳市場（β＝0.5453）。可見我國碳市場與焦煤市場（國內市場）之間由于信息流通的速度較快，兩者的價格在短期之內就能調整并且具有較好的持續作用，而我國碳市場與歐盟碳市場（國際市場）之間由于信息的流通在短時間內受到的阻礙較大，不能較為及時地進行調整，造成了兩者之間短期調整能力以及長期持續能力都不強。變量間動態相關系數如表3所示，圖8、9為兩兩市場間的動態相關系數殘差時序圖。我國碳市場與焦煤市場之間的波動幅度基本位于-0.02～0.06，標準差為0.0102，動態相關程度較大，均值為0.0234，說明兩者存在正相關關系，總體波動區間小于0.1。我國碳市場與歐盟碳市場的波動幅度主要位于-0.2～0.2，動態相關系數均值為0.0020，除個別較大值外，有較多動態相關系數為負，說明歐盟碳市場與我國碳市場之間分割效應比較強烈，兩者殘差動態關系并不能完全呈現正相關。

表1 GARCH（1，1）模型估計結果

表2 DCC-GARCH模型估計結果

表3 動態相關系數描述性統計

圖8 RCOKE與RHUB殘差時序演變圖

3.2 魯棒性檢驗

圖9 REUA與RHUB殘差時序演變圖

為了檢驗上述結果是否符合一般情況，本文使用深圳碳市場作為檢驗對象（其有效交易日僅次于湖北碳市場），替代湖北市場進行溢出效應檢驗，研究期間與方法相同。描述性分析發現對數收益率序列滿足構建GRACH模型的基本條件，且為平穩序列。分別通過AR（1）、MA（11）和MA（2）消除序列自相關性后，構建VAR模型，方差分析結果顯示深圳碳市場與焦煤市場之間相互沖擊效應最強，這與上述湖北市場的實證結果一致。最后，使用DCC-GARCH模型對溢出效應進行估計。各個GARCH（1，1）模型估計方程的α和β之和均小于且接近于1，系數均在1%的顯著性水平下顯著，檢驗后均無ARCH效應。深圳碳市場對焦煤市場的溢出效應最大（0.5184），焦煤市場對深圳碳市場的系數為0.1592，說明深圳碳市場與焦煤市場具有雙向溢出效應，其中深圳碳市場對焦煤市場的溢出效應更強。歐盟碳市場對深圳碳市場的系數僅為0.0715，而深圳碳市場對歐盟碳市場的溢出效應不顯著。與湖北碳市場的實證結果基本一致。DCC模型結果表明，RSZ與RCOKE的參數滿足α+β＜1，且系數均通過了1%的顯著性水平檢驗。深圳碳市場價格和焦煤市場價格之間的短期調整能力較強（α＝0.4051），持續程度也較強（β＝0.5589）。RSZ與 REUA的α與β之和沒有滿足模型參數α+β＜1的約束條件，這說明兩者對于外部沖擊帶來的變動需要長期調整。

圖10 RCOKE與RSZ殘差時序演變圖

圖11 RSZ與REUA殘差時序演變圖

RSZ與RCOKE相關系數殘差序列波動幅度基本處于-0.05～0.1，均值為0.0398，除個別較小值外，其余相關系數大多都為正，說明深圳碳市場價格與焦煤價格之間主要呈正相關關系，標準差為0.0183，波動趨勢較為集中。RSZ與REUA的動態相關系數變動顯示，深圳碳市場和歐盟碳市場收益率波動幅度較大，區間波動不明顯，相關性極其不確定。這一結果與湖北碳市場的結果也大致相同。因此可以認為本文的研究符合一般規律，具有重要的現實意義。

4 結論與建議

本文在選取湖北碳市場、歐盟碳市場、焦煤市場為代表性市場后，重點研究市場間相互的溢出效應，選取2014年7月1日至2019年6月28日的湖北碳市場收盤價、焦煤期貨結算價以及歐盟碳期貨價格對數收益率為變量，采用DCC-GARCH（1，1）模型對我國碳市場與焦煤市場、我國碳市場與歐盟碳市場的聯動性及溢出效應進行分析，并利用深圳碳市場數據進行了魯棒性檢驗，結果基本一致。本文發現：我國碳市場對焦煤市場的溢出效應強于焦煤市場對我國碳市場的溢出效應；歐盟碳市場對我國碳市場溢出效應相對較小，而我國碳市場對歐盟碳市場幾乎沒有溢出效應；我國碳市場與焦煤市場間短期調整能力較強，且相關性持續程度較高，歐盟碳市場與我國碳市場間短期調整能力較弱，且相關性持續程度低。

由此可見：（1）我國碳市場對焦煤市場的溢出效應最強，可以看出我國碳市場在促進減排方面發揮了一定的作用，對焦煤價格產生了較強的影響效應。在我國碳市場取得初步成效的基礎上，政府應更關注市場監管措施的完善，發揮其引導作用，鼓勵清潔能源的開發；（2）焦煤市場對我國碳市場也具有一定的溢出效應，焦煤價格上漲會引起相關減排企業降低對焦煤的需求，從而對碳市場價格產生影響。所以對于企業來說，可以選擇調整產業結構，減少焦煤等化石燃料的使用，轉向清潔能源，從而有效地控制價格風險；（3）我國碳市場由于規模太小、技術水平有限等原因，對歐盟碳市場幾乎沒有溢出效應。因此，應加快建設我國碳市場，完善碳市場法律法規以及碳市場機制，向歐盟碳市場學習相關經驗，為建立一個全國性的、制度完善的碳市場打下堅實的基礎。同時，更要深化我國碳市場的國際化程度，與國際相接軌，以建立多層次、多產品的碳市場。