碳市場與能源市場溢出效應研究

摘 要：在碳中和的時代背景下，深入研究碳市場與能源市場間的溢出效應，有助于企業(yè)優(yōu)化能源配置結構、加快實現(xiàn)“碳達峰、碳中和”目標。本文采用TVP-VAR-DY模型，深入分析了廣東碳排放權交易市場、湖北碳排放權交易市場、原油市場及煤炭市場之間的溢出效應。研究結論顯示：（1）碳市場和能源市場之間存在著顯著的波動溢出效應，且相較湖北碳市場，廣東碳市場更易受到來自其他市場波動溢出的影響。（2）金融事件的沖擊會加劇市場間的風險溢出，這種溢出呈現(xiàn)出時變的特征。（3）新冠疫情期間，原油市場溢出指數(shù)急劇上升。基于上述結論，本文提出了相應的策略建議，以供參考。

關鍵詞：碳市場；能源市場；溢出效應；TVP-VAR-DY模型；金融事件

中圖分類號：F206 文獻標識碼：A 文章編號：2096-0298（2025）03（b）--05

1 引言

隨著工業(yè)化進程的持續(xù)推進，人類在生產(chǎn)生活中產(chǎn)生并排放了大量的溫室氣體，導致全球氣候變暖，地球生態(tài)系統(tǒng)的平衡被打破。全球氣候變化對人類和生態(tài)系統(tǒng)造成的負面影響日益加劇，因此氣候問題備受全球關注。碳市場的建立與運行，在推動企業(yè)減排降碳和提高能源利用效率方面扮演著至關重要的角色。2005年《京都議定書》生效以來，全球碳交易市場迎來了爆炸式的增長。我國也積極推動建立和完善碳市場。2011年，我國“十二五”規(guī)劃綱要提出“逐步建立碳排放市場”的政策要求，標志著我國開始建立碳排放權交易試點。截至2017年，全國性的碳市場正式啟航，為我國乃至全球的碳減排事業(yè)注入了新的動力。

能源部門是碳排放量占比最高的部門，能源市場與碳市場的溢出問題成為眾多學者研究的熱點。多項研究表明，能源市場與碳市場之間存在著相互作用的波動溢出效應，尤其是在金融風險時期，兩個市場之間的溢出效應明顯增加。近年來，新冠疫情、俄烏沖突、巴以戰(zhàn)爭等事件頻發(fā)，能源市場價格波動劇烈，碳市場與能源市場之間的風險溢出程度加深。因此，研究2020—2024年兩個市場的溢出效應，對穩(wěn)定碳市場和能源市場波動、促進低碳減排的持續(xù)推進具有重要意義。

2 文獻綜述

碳市場作為新興的金融市場，與其有關的研究層出不窮。其中，碳市場風險溢出研究是國內(nèi)外學術界十分關注的領域。

能源的生產(chǎn)和消費過程都伴隨大量二氧化碳氣體的排放，能源市場與碳市場密切相關，兩者之間存在價格傳導關系。張秋莉等（2012）研究發(fā)現(xiàn)，CERs期貨收益與能源期貨收益呈正相關。Ma等（2021）提出，原油價格與碳價之間的相關性可以通過期貨市場交易進行傳遞。為了實現(xiàn)“減排降碳”的目標，傳統(tǒng)能源市場需要改變能源結構，這一轉變對傳統(tǒng)能源市場造成了較大沖擊，碳市場與傳統(tǒng)能源市場之間的風險溢出顯著。因此，有關碳市場溢出效應的文獻中包含大量有關碳市場和能源、化石等市場之間溢出效應的研究。Zhang等（2022）的研究結果則顯示原油市場在藤狀結構中起主要作用，碳市場與其他市場相關性不強。Li等（2022）認為，中短期油價對碳價格有負向影響，對碳效率指數(shù)有正向影響，而綠色債券指數(shù)對中短期碳價格有積極影響，對碳效率指數(shù)有負面影響。Liu等（2023）發(fā)現(xiàn)，不同石油股票與高、低碳資產(chǎn)之間的溢出關系在不同時頻上是變化的。Wang 等（2023）認識到能源價格上升會對碳價格產(chǎn)生負面影響。Wu和Qin（2023）則關注到了新能源市場與碳市場的溢出效應，并進一步考慮了極端條件下市場之間的溢出情況。

近期研究發(fā)現(xiàn)，在重大事件的沖擊下，碳市場與能源市場之間的溢出會增強。例如，Wang等（2023）分析了氣候政策不確定性、能源價格、綠色債券指數(shù)和碳價之間的溢出效應，并指出在國際事件背景下溢出強度會增強。Wu和Jiang（2023）發(fā)現(xiàn)，在重大事件的沖擊下，跨市場的非對稱波動溢出增加。Duan等（2023）研究發(fā)現(xiàn)，新冠疫情加強了跨市場的風險溢出。

綜上所述，現(xiàn)有文獻主要集中于研究中美貿(mào)易摩擦、新冠疫情爆發(fā)時期碳市場與能源市場的風險溢出問題，俄烏沖突、巴以戰(zhàn)爭時期的相關研究較少。因此，本文研究新冠疫情爆發(fā)到巴以沖突時期碳試點市場與能源市場之間的溢出效應，旨在為我國碳市場的風險管控和體系建設提供參考建議。

3 模型構建與數(shù)據(jù)來源

3.1 TVP-VAR-DY模型

為了探究碳市場和能源市場之間的波動溢出效應，本文采用Diebold和Yilmaz（2014）、Antonakakis等（2018）的研究模型，將溢出指數(shù)模型與時變參數(shù)向量自回歸模型相結合，構建TVP-VAR-DY模型進行實證研究。

其中，Ωt-1代表一直到t-1期的全部可用信息；yt和Zt-1分別代表m×1和mp×1維向量；At為m×mp維矩陣；Ait為m×m維矩陣；εt是m×1維向量；ξt是m2p×1維向量；而時變方差—協(xié)方差矩陣∑t和Ξt分別是m×m和m2p×m2p維矩陣。此外， Vec（At）是At的向量化，它是一個m2p×1維向量。

其次，使用時變系數(shù)和時變方差協(xié)方差—矩陣來估計Diebold amp; Yilmaz的廣義連通性過程，該過程是基于廣義脈沖響應函數(shù)和廣義預測誤差方差分解。為了計算GFEVD，本文需要使用實現(xiàn)衰減因子的卡爾曼濾波算法進行估計，并通過Wold表示定理將TVP-VAR轉換為其向量移動平均，公式如下：

其中，Bjt表示一個m×m維矩陣，即TVP-VMA系數(shù)。

再次，進行廣義預測方差分解（GFEVD）。φqij，t（H）的意義是從j到i的成對方向連通性，并表示了第j個市場收益率對其余第i個市場收益率的影響，公式如下：

其中，∑mj=1φqip，t（H）=1，∑mi，j-1φqiq，t（H）=m。H表示預測誤差方差分解期數(shù)；li表示選擇向量，即在變量i的位置時為1，反之則為0。

基于GFEVD，總連通性指數(shù)用于衡量系統(tǒng)中總體的溢出效應，公式如下：

變量i對其他所有變量j的溢出效應為總的方向性溢出效應，公式如下：

變量i接收來自其他所有變量的溢出效應為總的方向性溢入指數(shù)，公式如下：

凈方向性溢出指數(shù)，即總的方向性溢出效應與總的方向性溢入指數(shù)之差，公式如下：

如果Cqi，t為正值，就說明變量i對系統(tǒng)的影響大于其對自身的影響；反之，則表示變量i對系統(tǒng)的影響小于其對自身的影響。

3.2 數(shù)據(jù)來源

本文選擇了成立時間較早、數(shù)據(jù)比較連續(xù)且市場交易較為活躍的湖北和廣東碳排放權交易所的每日收盤價作為碳市場的代表。本文以2020年1月1日—2024年8月20日原油期貨（CRUDE）、動力煤期貨（COAL）、廣東碳排放權（GDEA）及湖北碳排放權（HBEA）收盤價的日度數(shù)據(jù)為樣本數(shù)據(jù)。上述數(shù)據(jù)來自choice，剔除了時間不一致的數(shù)據(jù)和空值，最終得到1061組有效數(shù)據(jù)。隨后，本文對價格數(shù)據(jù)進行對數(shù)處理，得到收益率序列。

4 實證分析

4.1 描述性統(tǒng)計分析

表1展示了碳市場與能源市場的描述性統(tǒng)計結果。從均值來看，原油期貨收益率的均值最小；從標準差來看，廣東碳排放權收益率波動程度最小，原油期貨的收益率序列波動程度最大；根據(jù)JB檢驗結果可知，四組數(shù)據(jù)均呈現(xiàn)非正態(tài)分布的特點；從偏度和峰度可知，所有的序列都具有尖峰厚尾的特征。

為了避免“偽回歸”問題的出現(xiàn)，確保文中經(jīng)濟變量的平穩(wěn)性，本文對各個變量的平穩(wěn)性進行檢驗。4組變量均拒絕存在單位根的原假設，因此數(shù)據(jù)可用于TVP-VAR-DY模型。

4.2 最優(yōu)滯后階數(shù)

為了構建TVP-VAR-DY模型，本文需要利用VAR模型來確定最優(yōu)滯后階數(shù)，結果如表2所示，根據(jù)AIC準則確定最優(yōu)滯后階數(shù)為1階。此外，本文驗證了該VAR模型的穩(wěn)定性，確認其所有特征值均落在單位圓內(nèi)。

4.3 碳市場和能源市場靜態(tài)溢出效應分析

表3是碳市場與能源市場之間靜態(tài)溢出效應的具體結果。整體來看，系統(tǒng)總溢出指數(shù)為5%，說明除了四個市場本身之外，系統(tǒng)中還存在著來自其他市場5%的風險溢出。具體來看，廣東碳試點市場、湖北碳試點市場及煤炭市場是風險凈溢出者，原油市場是溢出凈接收者，其中煤炭市場對其他市場的溢出和煤炭市場接收來自其他市場的風險溢出都是最小的，說明煤炭市場的波動對系統(tǒng)中其他市場的影響較弱。

4.4 碳市場和能源市場動態(tài)溢出效應分析

4.4.1 碳市場和能源市場的動態(tài)總溢出分析

靜態(tài)溢出指數(shù)分析只能描述樣本期內(nèi)各個變量溢出的平均水平，為了研究特殊事件影響下碳市場和能源市場之間的時變溢出效應，本文需要進一步研究各市場之間的動態(tài)溢出指數(shù)。

由圖1可以得出三點結論：第一，在樣本期內(nèi)，動態(tài)總溢出指數(shù)波動范圍介于2%～5%，而在發(fā)生金融風險事件的時間段內(nèi)，總溢出指數(shù)波動劇烈，最高達到17%左右。這說明發(fā)生金融風險時，溢出程度會顯著加深，某個市場的波動會間接或直接引起其他市場的波動。第二，動態(tài)總溢出指數(shù)在2020年3月到達最高峰值，主要是因為新冠疫情的爆發(fā)影響了投資者的情緒和預期，投資者重新進行了資源配置，金融市場發(fā)生波動，風險溢出增加，隨后動態(tài)總溢出指數(shù)逐漸下降至平穩(wěn)狀態(tài)。第三，2022年2月俄烏沖突時期，動態(tài)總溢出指數(shù)波動明顯，相比之下，巴以沖突的爆發(fā)對碳市場和能源市場之間的溢出程度影響較弱，可能是由于沖突區(qū)域主要集中在中東地區(qū)，對中國市場的影響較小?？偠灾?，金融事件的沖擊會增強市場之間的溢出效應；新冠疫情與俄烏沖突等危機會導致市場的不確定性增加。

4.4.2 碳市場和能源市場的凈方向性溢出分析

圖2顯示了碳市場和能源市場之間凈方向性溢出結果。廣東和湖北碳排放權市場的凈溢出指數(shù)表現(xiàn)出了正負來回波動的現(xiàn)象，說明碳市場的溢出效應隨著時間的變化展現(xiàn)出多樣的可能。相較煤炭市場，原油市場溢出波動效應更為劇烈，主要原因是原油的金融屬性更強，容易受到全球性事件的影響。

4.4.3 碳市場和能源市場的成對方向性溢出分析

圖3展示了碳市場與能源市場的成對方向性溢出關系。首先，由圖3可以觀察到，原油市場和廣東碳試點市場之間存在較強的溢出效應，可能反映了我國能源市場與碳市場之間的緊密聯(lián)系，進而暗示了能源市場在推動“減排降碳”政策實施方面可能發(fā)揮的潛在作用。其次，值得注意的是，相較湖北碳試點市場，廣東碳試點市場在波動溢出方面表現(xiàn)出更高的顯著性。最后，本文發(fā)現(xiàn)，煤炭市場對碳市場和原油市場的溢出效應都較弱，說明煤炭市場在一定程度上保持了其相對獨立的運行特征。

5 結論與建議

5.1 結論

本文選取2020年1月1日—2024年8月20日廣東、湖北碳排放權交易市場、原油期貨市場和煤炭市場的日度數(shù)據(jù)，對碳市場和能源市場之間的溢出效應進行實證分析，主要研究結論如下：

第一，碳市場和能源市場之間存在著顯著的波動溢出效應。相較湖北碳排放權交易市場，廣東碳排放權交易市場更容易受到其他市場的溢出影響。此外，廣東碳市場與原油市場之間的溢出效應最強，而煤炭市場與其他市場之間的溢出效應較弱，煤炭市場相對獨立。

第二，金融事件的沖擊會加劇市場間的風險溢出，這種溢出呈現(xiàn)出時變特征。其中，新冠疫情、俄烏沖突等事件對中國市場間的風險溢出影響顯著，而巴以沖突事件對中國金融市場沒有顯著影響。

第三，新冠疫情期間，原油市場溢出指數(shù)急劇上升，原因是新冠疫情導致中國經(jīng)濟受到?jīng)_擊，疫情期間工業(yè)活動受到限制，原油需求隨之下降，進而導致原油價格下跌。市場風險加劇。

5.2 建議

根據(jù)上述結論，本文提出以下建議：

（1）對管理當局的建議。為了推動中國碳市場的穩(wěn)定發(fā)展，管理當局應完善碳市場風險監(jiān)管系統(tǒng)和預警系統(tǒng)，制定符合中國國情的碳市場交易政策，旨在提高市場活躍度的同時，有效抵御極端風險事件的沖擊。

（2）對綠色投資者的建議。投資者的非理性行為會加劇市場之間風險的傳遞，因此，綠色投資者在面對風險時應保持理性決策，同時需提高對市場風險傳遞的防范意識。

（3）對組合投資者的建議。投資者不僅需要密切關注碳市場和能源市場的波動情況，及時識別各類市場風險，還應考慮分散投資，選擇多種資產(chǎn)進行資源配置，構建多元化投資組合，以降低投資風險。

參考文獻

張秋莉，楊超，門明.國際碳市場與能源市場動態(tài)相依關系研究與啟示： 基于DCC-MVGARCH模型[J].經(jīng)濟評論，2012（5）： 112-122+160.

Ma Z， Yan Y， Wu R， et al. Research on the correlation between WTI crude oil futures price and European carbon futures price[J]. Frontiers in Energy Research， 2021， 9： 735665.

Zhang S， Ji H， Tian M， et al. High-dimensional nonlinear dependence and risk spillovers analysis between China’s carbon market and its major influence factors[J]. Annals of Operations Research， 2022： 31-30.

Li H， Zhou D， Hu J， et al. Dynamic linkages among oil price， green bond， carbon market and low-carbon footprint company stock price： Evidence from the TVP-VAR model[J]. Energy Reports， 2022， 8： 11249-11258.

Liu Y， Lu J， Shi F. Spillover relationship between different oil shocks and high- and low-carbon assets： An analysis based on time-frequency spillover effects[J]. Finance Research Letters， 2023， 58.

Wang R， Zhao X， Wu K， et al. Examination of the transmission mechanism of energy prices influencing carbon prices： an analysis of mediating effects based on demand heterogeneity[J]. Environmental Science and Pollution Research， 2023， 30（21）： 59567-59578.

Wu R， Qin Z. Assessing the extreme risk spillovers to carbon markets from energy markets： evidence from China[J]. Environmental Science and Pollution Research， 2023， 30（13）： 37894-37911.

Wang K， Wang Z， Yunis M， et al. Spillovers and connectedness among climate policy uncertainty， energy， green bond and carbon markets： A global perspective[J]. Energy Economics， 2023，128.

Wu X， Jiang Z. Time-varying asymmetric volatility spillovers among China’s carbon markets， new energy market and stock market under the shocks of major events[J]. Energy Economics， 2023， 126.

Duan K， Liu Y， Yan C， et al. Differences in carbon risk spillovers with green versus traditional assets： Evidence from a full distributional analysis[J]. Energy Economics， 2023， 127： 107049.

Diebold F X， Yilmaz K. On the network topology of variance decompositions： Measuring the connectedness of financial firms[J]. Journal of Econometrics， 2014： 119-134.

Antonakakis N， Gabauer D， Gupta R， et al. Dynamic connectedness of uncertainty across developed economies： A time-varying approach[J]. Economics Letters， 2018： 16663-75.