中國碳市場—傳統能源市場—金屬市場溢出效應研究

摘要：氣候變化是人類社會所面臨的一個普遍且嚴峻的問題。碳市場的發展對實施可持續發展戰略、實現“雙碳”目標、推動能源結構轉型升級具有極其重要的意義。在此背景下，文章探討了中國碳市場、傳統能源市場和金屬市場宏觀分析框架下的波動相關性。筆者的研究結論是：首先，三個市場之間存在顯著的溢出效應，碳市場與傳統能源市場的連通性強于金屬市場；其次，上述三個市場之間的波動相關性具有時變特征，溢出效應逐漸增強。最后，這些發現為“雙碳戰略”背景下的投資組合建設和政策制定提供了豐富的見解。

關鍵詞：碳排放市場；風險溢出；動態溢出

中圖分類號：F832.5文獻標識碼：A文章編號：1005-6432（2024）31-0006-04

DOI：10.13939/j.cnki.zgsc.2024.31.002

1引言

早在1997年于日本通過的《京都議定書》引入市場機制作為控制溫室氣體排放的措施，中國于2013—2014年陸續開放了7個試點地區的碳排放權交易，并且于2021年上線了全國碳市場。碳市場同樣也是金融市場的一部分，研究其與其他市場之間的關聯機制對于碳市場進一步完善發展、更好地促進減排目標具有重要的意義。

眾所周知，傳統能源市場是碳排放的主要來源，碳價格的波動會改變化石能源消耗的成本，進而影響化石能源的消耗量；金屬市場同樣是能源密JnHYJb7mrG1nl7xYCQVeiQ==集型行業，金屬的生產和冶煉過程中會消耗大量的傳統能源，同時清潔能源的發展增加了對金屬的需求。研究碳市場—傳統能源市場—金屬市場之間的風險溢出效應可以為碳市場的進一步完善提供一定的參考信息，更好地發揮碳市場對于低碳目標、能源轉型的激勵作用。

2文獻綜述

金融市場之間的溢出效應意味著，由于市場環境的變化或政策的變化，一個市場的波動可能會導致另一個市場發生波動。一個金融市場的波動通過信息傳遞、投資者行為的變化等路徑傳遞到另一個金融市場。Hu和Ma（2011）以股票市場和債券市場為研究對象，發現兩個市場的溢出效應會隨著股票市場的變化而變化［1］。Bikramaditya（2023）的研究考察了大宗商品市場之間的溢出效應，突發公共事件期間能源和金屬市場之間的外溢效應增加，并且具有不對稱性［2］。

隨著氣候變化問題逐漸引起國際社會的關注，碳市場也逐漸引起學術界的關注。Ji等（2018）研究發現，歐盟碳市場、傳統能源市場和清潔能源市場之間的收益率和波動性溢出是時變的［3］。Zhou等（2022）構建了碳市場、能源市場和有色金屬市場的市場體系，探索多維度風險溢出，發現煤炭成為該市場體系的傳導中心［4］。

基于上述分析，發現針對中國碳市場的研究較少，也發現國外碳市場與其金融市場密切相關。因此，文章選擇中國碳市場、傳統能源市場和金屬市場作為研究對象，并在此基礎上初步推斷碳市場、傳統能源市場和金屬市場之間存在著相互聯系且三個市場之間的連通性是隨時間變化的。

3模型與數據

3.1模型

Diebold和Yilmaz（2014）基于VAR模型，通過廣義預測誤差方差分解構造了DY溢出指數，可以展示市場之間風險溢出的方向和強度，更好地展現了市場之間的溢出機制［5］。

向量自相關模型VAR（p）如下所示：

yt=c+∑pj=1φjyt-j+ut（1）

模型中，t代表時間，yt代表n維的被解釋變量，c和ut分別表示常數和殘差向量，φj表示系數矩陣。

通過Wold引理，可以將VAR（p）模型轉換為向量移動平均模型VMA（

SymboleB@

）：

Q（Ft-1）=μ+∑

SymboleB@

i=0Aiut-i（2）

模型中，

μ=（In-φ1-…-φp）（-1）c（3）

Ai=0，i<0In，i=0φ1Ai-1+…+φpAi-p，i>0（4）

In是一個n×n的單位矩陣。

然后，對于預測范圍=H的廣義預測誤差方差分解可以表示為：

θgi，j（H）=σ-1jj∑H-1h=0eTiAh∑ej2∑H-1h=0eTiAh∑AThei（5）

為了確保方差分解矩陣的每一行都是單位一，方程按行歸一化，可以寫成：

θi，j（H）=θgi，j（H）∑nj=1θgi，j（H）（6）

模型中，θi，j（H）說明由變量j解釋變量i中預測誤差的百分比。接下來，計算以下溢出指數以捕捉變量之間的總體溢出效應。

FROMi（H）=∑nj=1，j≠iθi，j（H）n×100（7）

TOi（H）=∑nj=1，j≠iθj，i（H）n×100（8）

NETi（H）=TOi（H）-FROMi（H）（9）

TCI（H）=∑ni，j=1，j≠iθi，j（H）n×100（10）

模型中，TO表示變量i對所有其他變量的總體影響。FROM說明變量i以外的變量對變量i的影響。凈連通性指數（NET）捕捉了變量i到其他變量的凈溢出，其中正（負）值表明變量i是系統中的波動發射器（接收器）。最終，總連通指數（TCI）度量了系統中變量之間的總體連通性，并用作測度市場風險傳染的代理變量。

3.2數據

考慮到全國碳市場啟動時間短，文章選擇2013年、2014年前后啟動的試點碳市場作為代表。在最初啟動的7個試點碳市場中，湖北碳市場的碳配額交易量和總交易額最高，市場規模相對較大。同時，湖北碳市場的有效交易日遠長于其他試點碳市場，即市場活躍度大于其他市場，可以有效地展示碳市場價格波動所承載的信息。因此，文章選擇湖北碳市場作為代表，以其每日收盤價作為碳價格數據，數據來源于Wind數據庫。同時，采用線性插值法對價格數據進行擬合，從而提高數據建模的準確性和可靠性。

此外，文章選取了工業生產和日常生活中最重要、應用最廣泛的傳統能源，即原油、煤炭和天然氣作為代表。對于原油市場，選取2018年上海期貨市場的原油期貨收盤價作為價格代表。目前，中國沒有與煤炭和天然氣相關的期貨交易，文章選取焦炭指數和液化天然氣指數作為代表。金屬的生產和冶煉過程是能源密集型的，在能源轉型中新能源發展對相關金屬有著巨大的需求。文章選取與新能源拓展密切相關的銅、鎳、鋁為代表，將對應的期貨收盤價作為價格數據。

鑒于原油期貨的上市時間，文章的樣本期間為2018年3月20日至2023年3月30日。之后根據公式ri，t=ln（pi，t/pi，t-1）獲得對數收益率數據。圖1為收益率的時間序列圖，展示出了波動聚集現象。

表1顯示了收益率數據的描述性統計結果。以碳市場的平均回報最高，原油的平均回報最低。偏度和峰度結果表明所有數據均展現出峰尖尾厚的特征。同時，J-B統計量拒絕了正態分布的零假設，表明所有回歸序列都不滿足正態分布。ADF檢驗和ERS檢驗的結果都表明，所有樣本數據都是平穩的。此外，根據Ljung-Box檢驗，已知大多數返回序列是自相關的，因此可以建立VAR模型。

4實證結果和解讀

文章構建了中國碳市場、傳統能源市場和金屬市場的三市場宏觀分析體系。首先，計算了靜態溢出指數，初步觀察了三個市場之間的溢出效應特征。其次，根據滾動窗口計算動態溢出指數，觀察市場間溢出效應的動態變化?；贏IC信息準則，VAR模型選擇的滯后階數為2階，預測步數H=10。表2報告了市場之間的靜態溢出指數。TCI顯示，碳市場—傳統能源市場—金屬市場的總連通性約為24.43%，表明市場體系存在顯著的溢出效應。市場之間的溢出效應解釋了市場體系中近1/4的預測誤差，證實了傳統能源市場、金屬市場和碳市場并非相互獨立，而是相互影響和相互作用?；诮洕久婕僬f和市場傳染假說，文章的推斷得到了證實。溢出效應最強的是銅和鋁，銅對鋁的預測誤差解釋率達到21.57%，銅和天然氣的溢出作用最弱（0.01%）。從TO值可以看出，金屬市場是市場體系中波動性的最大傳遞者，尤其是銅和鋁。FROM值表明，金屬市場也是市場體系中溢出效應的最大接收者。在凈溢出指數上，除碳市場、銅和鋁外，其他資產的凈溢出效應均為負，以銅的凈溢出效應為最大。從碳市場與其他資產的連通性指數可以看出，碳市場與傳統能源市場和金屬市場的連通性并不高，說明與其他金融市場的關聯性較弱。

金融市場和宏觀環境是動態隨機變化的，市場之間溢出效應的時變特征可以更清晰地顯示風險傳導的動態變化，有助于金融市場參與者更好地理解金融市場的互聯互通特征。文章采用滾動窗口法構建動態溢出指數，選擇滾動窗口大小為200天。

從表3可以看出，市場之間的動態平均溢出大于靜態溢出，不同資產在系統中作為波動發送器和接收器的作用與靜態溢出下所扮演的角色基本相同。金屬市場仍然是系統性波動的最大貢獻者和接受者。碳市場與其他市場的聯系明顯增加，但仍處于低位。需要注意的是，在靜態市場條件下，碳市場是凈傳導者，而在動態市場條件下碳市場的作用轉變為凈接收者。

圖2繪制了200天滾動窗口條件下，總溢出指數的動態變化。市場之間的總溢出指數是隨時間變化的，從10%到40%不等。原因是金融市場受到市場內部機制和外部環境雙重作用的影響，兩者是隨時間變化的，因此市場之間的溢出效應也會相應變化。同時，總溢出指數是逐漸上升的，市場間的風險溢出效應逐步加強。這要求市場監管機構采取預防措施，在市場風險增加的情況下采取有效的應對措施。

5結論

在氣候變化的大背景下，我國提出了碳達峰和碳中和目標。文章選擇與氣候變化和綠色轉型相關的碳市場和傳統金融市場作為研究對象，研究它們之間的溢出效應。首先，靜態溢出效應表明，碳市場—傳統能源市場—金屬市場之間存在顯著的溢出效應，但碳市場與其他市場的聯系較弱，金屬市場對總溢出效應的貢獻最大。其次，動態分析表明，市場之間的溢出效應呈現時變特征，并且溢出效應逐漸加劇。上述研究結果對投資者構建多元化投資組合、金融監管機構制定風險管理政策具有重要意義。

參考文獻：

［1］HUQ，MAL.ThevolatilityspillovereffectbetweenthestockmarketandthebondmarketinChina［J］.Journaloffinancialresearch，2011（10）：198-206.

［2］BIKRAMADITYAG，LINHP，TAMARAT，etal.COVID-19andthequantileconnectednessbetweenenergyandmetalmarkets［J］.Energyeconomics，2023，117（C）：106420.

［3］JIQ，ZHANGD，GENGJB.Informationlinkage，dynamicspilloversinpricesandvolatilitybetweenthecarbonandenergymarkets［J］.Journalofcleanerproduction，2018，198：972-978.

［4］ZHOUY，WUS，ZHANGZ.Multidimensionalriskspilloversamongcarbon，energyandnonferrousmetalsmarkets：evidencefromthequantileVARnetwork［J］.Energyeconomics，2022，114：106319.

［5］DIEBOLDFX，YILMAZK.Onthenetworktopologyofvariancedecompositions：measuringtheconnectednessoffinancialfirms［J］.Journalofeconometrics，2014，182（1）：119-134.