經濟政策不確定性對深圳碳排放權交易市場波動性的影響

摘 要：相較于國外碳排放權市場，我國的碳排放權交易體系交易制度和監管體系等各方面尚待完善。碳排放權價格的波動經常會給投資者、企業、監管帶來困擾，這也是當今學者關注的重點。本文采用GARCH-MIDAS模型將碳排放權價格的波動分解為長期和短期分量，并將經濟政策不確定性（EPU）指數作為潛在的影響因子，對設立時間最早且有效交易日較多的深圳碳交易市場進行研究。本文采用GJR-GARCH-MIDAS模型進行比對以將杠桿效應納入考慮。研究表明，經濟政策的變化會加劇碳排放權價格的波動，且這種影響是長久的，而杠桿效應在樣本中并不顯著。因此，政府應通過出臺詳細政策指引和增加信息披露透明度來最大化降低這種不確定性所帶來的價格波動。

關鍵詞：經濟政策不確定性；碳交易市場；碳價格波動；杠桿效應；GARCH-MIDAS

本文索引：黃俊凱.<變量 2>[J].中國商論，2024（12）：-125.

中圖分類號：F205；F127 文獻標識碼：A 文章編號：2096-0298（2024）06（b）--05

1 引言

傳統燃料的大量使用引發了全球變暖等氣候問題，限制溫室氣體的排放成為各國關注的焦點。碳排放權交易市場具有將溫室氣體排放額進行合理配置的功能。為了實現減排的目標，我國從2013年開始在全國各地陸續建立深圳、北京、上海等碳排放交易試點市場。在后續也頒布了許多節能減碳的措施，并且上線了全國碳排放權交易市場。如何穩定碳排放權交易價格以及度量其波動性等成為進一步建設我國碳交易市場，以及實現“碳達峰”“碳中和”等目標的重要因素。

關于這個領域，價格的問題是學者們研究的重點。碳期貨不僅為企業控制排放提供了有效的風險管理工具，還為投資者從事投機性套利活動提供了機會。引起碳期貨價格波動的因素自然成為市場參與者們不可忽視的問題，而經過學者們的研究，發現經濟形勢與政策調整是引起碳交易市場波動的關鍵因素。

經濟政策的不穩定和變化將會通過各種方式直接或間接影響到碳排放權交易市場。最為直觀的一點就是供給對于其價格的影響。政府可以通過對碳排放權交易市場的供給進行限制，直接地去抬高或壓低碳排放權的價格。其次是通過需求來對其價格進行影響。打個比方，政府可以通過對企業碳排放進行管制來制作或減少其購買碳排放權的需求，進而直接影響碳排放權的價格。除此之外，由于存在著和碳屬于替代關系的許多能源商品，因此它們的市場價格變化也可以間接的方式來影響碳排放權交易市場的波動。總的來說，影響碳排放權交易市場價格波動的因素可能有很多種，而經濟政策則是最為關鍵和最值得研究的。

本文利用Baker等（2016）提出的經濟政策不確定性（economic policy uncertainty， EPU）指數對我國經濟政策不確定性進行度量。同時，本文采用Engle等（2013）提出的GARCH混合頻率數據采樣（GARCH- MIDAS）模型，可以將不同頻率的數據合并到同一模型中，并將波動率分解為長期分量和短期分量，有效提高了擬合精度。

2 相關研究評述

國外的碳排放權交易市場起步較早，且學者們主要聚焦于歐盟碳排放交易體系，重點關注EUA的價格。Holzmark 和 Maestad（2002）研究了公共政策與碳信用額價格之間的關系，發現歐盟碳排放提案對碳信用額價格有重大影響。Christiansen等（2005）也研究了歐盟碳信用額的價格，發現市場因素是其主要影響因素。

隨著碳信用市場的發展，交易參與者的數量也在增加。碳排放權價格的波動愈發強烈且受到更多關注。Daskalakis等（2009）發現歐盟碳排放權價格中的異方差性。Chevallier等（2011）將非參數方法進行了應用，發現碳排放權價格的非對稱性。Segnon等（2017）將開始對GARCH類模型進行了嘗試，并取得了不錯成果，為決策者提高其風險管理能力提出新的方法。

經濟形勢和政策調整對于碳期貨價格的波動至關重要。Bel等（2015）使用動態面板數據方法對歐盟排放交易系統（EU ETS）的歷史數據進行分析，發現2008年次貸危機引發的經濟衰退導致碳配額需求急劇下降，碳配額價格暴跌。Kanamura（2019）從碳資產供給側的角度對碳定價進行了理論和實證研究，認為政府的分配制度將直接決定市場上碳配額的供給，進而影響了碳期貨的價格。

Hartvig ? D等（2023）設計歐盟氣候變化新聞指數。該指數能夠追蹤歐盟正在進行的關于氣候變化的辯論，并且將該指數納入一個簡單的預測模型顯著提高了對ETS價格回報的預測。Eslahi M和 Mazza P（2023）提出一種原始的方法來構建歐洲規模的電力需求和天氣指數，并通過一種先進的預測建模技術（極端梯度增強）來表征這些指數與排放限額價格之間的關系。

當前，我國碳排放權交易市場尚未成熟，國內碳期貨的研究相對較少。呂勇斌，邵律博（2015）利用 GARCH 聚類模型對中國的區域碳排放權市場進行分析，發現其表現出明顯的變異性聚集現象。張婕等（2018）采用ARCH模型簇對深圳、北京、上海等6個城市試點碳排放市場交易價格進行了研究，發現我國區域碳排放權市場價格波動的差異性。其中，深圳碳排放價格波動幅度最大，而湖北碳排放價格波動幅度較小。但是，各個碳交易市場的價格波動趨勢相似。呂靖燁等（2021）運用小波多分辨率分析的方法對比了我國碳排放權交易市場與歐洲碳排放權交易市場之間的差異，發現我國碳期貨交易價格受政策、監督機制、市場參與度等因素的制約，表現出波動周期性不強、震蕩幅度大等特征。

總體來說，上述分析表明，市場和政治環境的變化是碳信用額價格波動的主要原因。因此，本文將經濟政策的不確定性作為自變量，研究其對我國碳排放權價格波動的影響。碳排放權價格具有明顯的異方差特性，現有研究大多采用經典的GARCH模型簇對其進行建模。但是市場形勢和政策的變動往往屬于低頻變量，而碳排放權價格又屬于高頻變量，經典的GARCH模型簇無法對混頻數據進行擬合，往往只能將高頻數據低頻化，造成信息的缺失。基于此，本文采用Engle等（2013）提出的GARCH混合頻率數據采樣（GARCH- MIDAS）模型，不僅綜合利用了不同抽樣頻率的數據，還能分離出影響被解釋變量波動的長期成分和短期成分，從而能更好地刻畫出被解釋變量的波動趨勢。本文有助于推進碳排放權價格建模的研究，為管理者平抑波動風險，促進市場減排計劃提供了新的見解。

3 模型和方法

為探索月頻率EPU指數對日頻率碳排放權價格長期波動的貢獻，本文采用Engle等（2013）提出的GARCH-MIDAS模型。與GARCH模型簇不同的是，GARCH-MIDAS中的波動率進行了分解。具體而言，波動性分為由 GARCH 驅動的短期成分和由 MIDAS 驅動的長期成分。短期成分表示歷史波動信息，而長期成分由低頻變量決定。模型具體形式如下：

式（1）、（2）分別為GARCH-MIDAS模型的均值方程和方差方程，式（3）中Φi-1，t表示某月第i-1天到第t天的信息集，εi，t是獨立同分布隨機變量。ri，t表示t月i日金融資產的對數收益率，μ表示對數收益率序列的無條件均值，Nt表示一個月內的天數。σ2i，t表示對數收益率序列的總方差，它可以被劃分為短期波動率si，t和長期波動率lt。短期波動率si，t服從經典的GARCH（1，1）過程，長期波動率lt的對數形式由MIDAS回歸得出。

4 數據選取與統計描述

本文研究的數據包含日頻數據和月頻數據兩部分。日頻數據來自深圳碳交易市場的碳排放權（SZA）的每日收盤價格。深圳排放權交易所是我國建立的第一個碳排放權交易市場，相比我國其他試點市場較為成熟，且有效交易日多，市場活躍度高，對于我國完善全國統一碳排放權市場具有重大意義。月頻數據是Baker等（2016） 創建了經濟政策不確定性指數（EPU）。EPU指數的建立基于報紙報道中關鍵詞的頻率，如不確定性、經濟活動和政策調整等，其提出以來便被學者們廣泛應用于研究當中。

為了保證數據的充分性和有效性，本文使用深圳排放權交易所開市以來所有的碳排放權（SZA）的每日收盤價格，時間跨度為2015年8月到2023年12月，共有1674個日頻數據，數據來源于WIND數據庫。EPU樣本時間跨度是2015年8月到2023年12月，共有101個月頻數據，數據可從http：//www.policyuncertainty.com/獲得。采用時間起點為2015年8月，主要是因為從這個階段開始，我國中央和地方政府開始集中大批頒布節能減碳相關的行業政策，驅動了后續一系列的碳排放權價格走勢。

表1是SZA對數收益率的描述性統計特征。從表1可以分析得出，均值為負值，表示超額收益為負，深圳碳排放權在這段時間的走勢是整體略有下行的；標準差絕對值遠大于其均值，說明SZA對數收益率序列具有較強波動性，側面反映出對其建模以分析其波動性的必要性；偏度大于0，峰度大于3，可見SZA對數收益率呈現明顯的右偏、尖峰厚尾的分布形式，這也是絕大多數金融資產收益率所呈現出的性質；J-B檢驗結果表明序列顯著拒絕其服從正態分布的原假設；ADF測試結果表明，該序列是平滑的，可以建立模型；ARCH效應檢驗結果表明，序列具有顯著的異方差特性。

圖1和圖2分別為SZA對數收益率序列圖和同一時間段內EPU指數序列圖。從中可以看出，SZA對數收益率一直在零值徘徊。值得一提的是，SZA對數收益率隨著時間變化有著越來越強的波動。波動的大小在時間軸上也是不一樣的，表明出顯著的波動集聚效應。期間，EPU指數達到過兩次較高的水平，而SZA對數收益率在此期間表現出兩次較大的波動幅度，具有明顯的時變性。總的來說，通過肉眼觀察可以大致推斷出兩個指標之間存在一定的相關性。為了研究的嚴謹性且以客觀態度來證實，本文繼續采用建模來對兩者進行研究和論證。

5 實證分析

本文使用 GARCH-MIDAS 模型來量化 EPU 指數對于深圳碳排放權SZA對數收益率波動性的影響。為了盡可能地保證模型的穩健性，在參數估計過程中盡可能地選取多個滯后階數k，探索模型的擬合效果。表2是GARCH-MIDAS模型在滯后7個月、16個月、32個月以及56個月的參數估計結果。

從表2結果可知：（1）絕大部分的參數都達到顯著性水平，說明GARCH-MIDAS模型對EPU指數影響SZA對數收益率波動性具有不錯的擬合效果；（2）α和β均大于零，且α+β<1，說明模型對于波動率的短期成分具有不錯的擬合效果，且波動率存在較高的持久性；（3）θ均大于零且顯著，這說明經濟政策不確定性 EPU 指數對波動的長期部分具有積極影響；（4）EPU指數對SZA對數收益率長久波動性的顯著影響最大可達56個月的時滯，最低為7個月。

正向沖擊和負向沖擊對金融資產收益率的影響不同。負面沖擊對金融資產收益的影響往往大于正面沖擊，這種現象被稱為杠桿效應。以往的研究提到碳期貨價格波動過程中存在非對稱性。傳統的 GARCH 模型假設過去的正負擾動對條件方差的影響是對稱的，這就無法捕捉碳期貨收益序列中觀察到的非對稱效應。事實上，已有研究中提到碳期貨價格波動過程存在非對稱性。在傳統的GARCH模型中，正的過去的擾動和負的過去的擾動對于條件方差的影響是對稱的，無法刻畫碳期貨收益率序列的非對稱效應。針對這個問題，本文進一步采用Glosten、Jagannathan和Runkle（1993）提出的GJR-GARCH模型，構建GJR-GARCH-MIDAS模型對碳期貨市場的杠桿效應進行探索。GJR-GARCH模型的方差方程具體形式如下：

其中，I（εt-1<0）是一個關于εt-1的指示函數，即當滿足括號內的條件時，I（εt-1<0）=1，否則等于0。γ是量化波動率杠桿效應的杠桿系數。本研究將GJR-GARCH模型代替前面所用的GARCH（1，1）模型，進一步探索碳期貨市場的杠桿效應。表3是GJR-GARCH-MIDAS模型在滯后7個月、16個月、32個月以及56個月的參數估計結果。

從表3可以看出，在不同的滯后時期所得的參數結果都有α+β+γ/2<1，說明模型對于波動率的短期成分具有不錯的擬合效果，且波動率存在較高的持久性；在滯后7個月、16個月時，γ大于0，說明負面沖擊對波動率的影響大于正面沖擊；在滯后32個月、56個月時，γ小于0，說明正面沖擊對波動率的影響大于負面沖擊；值得注意的是，γ參數估計的結果并不顯著，說明非對稱效應在深圳碳排放權SZA收益率波動中并不明顯。

6 結語

我國的全國碳排放權市場上線時間相較區域碳排放權交易市場較晚，樣本量較小，因此為了保證建模的質量，本文采用建設時間最早，有效交易日最多，且有效成交額較多的深圳碳排放權交易市場的交易數據作為研究對象。因該試點具有較好的代表性，其研究對于我國統一碳排放權市場的建設與完善具有一定的意義。

通過采用GARCH-MIDAS模型，本研究將碳排放權市場的波動性質分解為長期分量和短期分量，以混頻的角度來衡量我國碳排放權交易市場的波動程度。具體而言，本文采用經濟政策不確定性（EPU）指數來與深圳碳期貨市場的價格波動進行回歸，發現EPU指數對深圳碳期貨市場波動的長期分量在7～56個月的滯后期間均具有顯著的正向影響。結果表明，經濟政策不確定性的增加會導致深圳碳排放權市場波動加劇，且這種影響具有長期性。此外，本文采用GJR-GARCH-MIDAS模型來進一步研究深圳碳排放權市場的杠桿效應。結果表明，在短期內碳排放權價格受到負面消息的影響要大于正面消息的影響，長期則相反，但整體的影響都不太顯著。

總的來說，我國碳排放權交易市場處于剛剛起步的狀態，市場機制并不完善，這使得其市場運作過程更容易受到經濟政策不確定性的影響。在經濟政策不確定性程度高的時期，政府應制定相應的環境導向政策，以減少碳排放權價格的過度波動，保持碳排放權交易市場的健康發展。首先，要實現全國各地區碳排放權交易的統一化管理，打破地區壁壘，增強市場的健康流動，最大程度地去除區域碳排放權交易管理不統一帶來的不確定性。其次，政府應加強碳排放權相關的立法和執法。通過梳理現有法律以及漏洞，并吸收國外相關經驗，來出臺或修訂相關法律以對當前碳排放權交易市場面臨的交易稅收制度缺位、擔保規則不明等瓶頸問題進行解決。最后，各級政府應盡快出臺詳細明確的碳排放權交易市場建設的指導政策，并通過完善事前事中事后的風險管理機制和增加市場信息披露的透明度來為市場參與者提供可靠的指引，增強市場信心。通過以上措施，政府可以將經濟政策不確定性對碳排放權交易市場波動的影響進行削弱，避免市場過度波動給投資者和監管者帶來麻煩。

參考文獻

Baker S R， Bloom N， Davis S J. Measuring economic policy uncertainty[J]. The quarterly journal of economics， 2016， 131（4）： 1593-1636.

Engle R F， Ghysels E， Sohn B. Stock market volatility and macroeconomic fundamentals[J]. Review of Economics and Statistics， 2013， 95（3）： 776-797.

Holtsmark B， M?stad O. Emission trading under the Kyoto Protocol—effects on fossil fuel markets under alternative regimes[J]. Energy Policy， 2002， 30（3）： 207-218.

Christiansen A C， Arvanitakis A， Tangen K， et al. Price determinants in the EU emissions trading scheme[J]. Climate Policy， 2005， 5（1）： 15-30.

Daskalakis G， Psychoyios D， Markellos R N. Modeling CO2 emission allowance prices and derivatives： Evidence from the European trading scheme[J]. Journal of Banking & Finance， 2009， 33（7）： 1230-1241.

Chevallier J. Nonparametric modeling of carbon prices[J]. Energy Economics， 2011， 33（6）： 1267-1282.

Segnon M， Lux T， Gupta R. Modeling and forecasting the volatility of carbon dioxide emission allowance prices： A review and comparison of modern volatility models[J]. Renewable and Sustainable Energy Reviews， 2017， 69： 692-704.

Bel G， Joseph S. Emission abatement： Untangling the impacts of the EU ETS and the economic crisis[J]. Energy Economics， 2015， 49： 531-539.

Kanamura T. Supply-side perspective for carbon pricing[J]. Available at SSRN 2905657， 2017.

Hartvig ? D， Pap ?， Pálos P. EU Climate Change News Index： Forecasting EU ETS prices with online news[J]. Finance Research Letters， 2023， 54： 103720.

Eslahi M， Mazza P. Can weather variables and electricity demand predict carbon emissions allowances prices？ Evidence from the first three phases of the EU ETS[J]. Ecological Economics， 2023， 214： 107985.

呂勇斌，邵律博.我國碳排放權價格波動特征研究： 基于GARCH族模型的分析[J].價格理論與實踐，2015（12）：62-64.

張婕，孫立紅，邢貞成.中國碳排放交易市場價格波動性的研究： 基于深圳、北京、上海等6個城市試點碳排放市場交易價格的數據分析[J].價格理論與實踐，2018（1）：57-60.

呂靖燁，曹銘，張金鎖，等.基于小波多分辨率的中國碳排放權市場價格波動性研究[J].系統工程理論與實踐，2021，41（7）：1699-1708.

Glosten L R， Jagannathan R， Runkle D E. On the relation between the expected value and the volatility of the nominal excess return on stocks[J]. The journal of finance， 1993， 48（5）： 1779-1801.