基于溢出指数方法与DCC-GARCH模型的中国碳市场与能源市场间风险溢出效应研究

Research on Risk Spillover Effect between China’s Carbon Market and Energy Market Based on Spillover Index Method and DCC-GARCH Model

摘要: 随着全球气候变化问题的加剧，把握碳市场与能源市场之间的风险溢出效应对于实现减排目标和推动经济转型具有重要意义。本文采用溢出指数方法和DCC-GARCH模型对我国2014年7月1日至2024年6月28日碳市场和能源市场间的风险溢出效应进行了深入分析。研究发现，不同市场条件下，碳市场和能源市场间的风险溢出水平存在明显差异，且风险溢出水平呈现非对称性；广东碳市场与风能、太阳能和原油市场间风险关联性较小，湖北碳市场与能源市场间的风险关联性较大。本研究不仅丰富了碳市场风险溢出效应的理论框架，而且为政策制定者提供了防范系统性风险、优化市场监管的实证依据，具有重要的理论和实践意义。

Abstract: As the global climate change intensifies, it is very important to understand the risk spillover effect of carbon market and energy market in order to realize emission reduction targets and promote economic transition. This paper uses the spillover index method and the DCC-GARCH model to conduct an in-depth analysis of the risk spillover effects the carbon market and the energy market in China from July 1, 2014 to June 28, 2024. The results show that under different market conditions, there are obvious differences in the risk spillover levels between carbon market and energy market, and the risk spillover levels are asymmetrical. The risk correlation among Guangdong carbon market and wind energy market, solar energy market and crude oil market is small, and the risk correlation between Hubei carbon market and energy market is large. This study not only enriches the theoretical framework of carbon market risk spillover, but also provides policy makers with an empirical basis for preventing systemic risks and optimizing market supervision, which is of great theoretical and practical significance.

1. 引言

近年来，全球气候问题与环境问题日益严峻，低碳、绿色发展已成为每个国家寻求经济新增长的重要共识。中国作为全球最大的温室气体排放国之一，承担着兼顾经济社会发展和应对气候变化的双重重任，一直都在以积极的态度参与国际碳减排的各项活动。在高质量发展的背景下，为实现“碳达峰、碳中和”气候目标，中国已先后建立了深圳、广东、北京、上海、湖北、天津、重庆、福建等区域碳市场，并且在2017年底正式启动全国碳交易市场建设工作。

随着中国碳交易市场的迅速发展，其与能源市场之间的联系日趋紧密，信息冲击造成的能源或碳市场波动很容易在市场之间相互传导。而且中国碳市场与能源市场间的溢出效应不可能是一成不变的，不同时期市场波动程度不同，溢出效应的强度也应有所差异。有鉴于此，本文运用风险溢出指数方法和DCC-GARCG模型对我国碳市场和能源市场间的风险溢出效应进行系统研究，其对于进一步推进中国碳市场与能源市场之间内在价格传导机制的合理形成、防范跨市场风险溢出、促进中国碳交易体系的稳定运行具有重要意义。

2. 文献综述

关于碳市场风险溢出效应的现有文献可以分为三个主流研究方向：(1) 各个碳市场之间的溢出效应，研究主体主要包含国内各碳试点以及以欧盟为主的国外碳市场。王倩和高翠云[1]基于六元VAR-GARCH-BEKK模型测度了我国北京、天津、上海、湖北、广东和深圳6个碳试点市场之间的溢出效应。孙春[2]基于DCC-MGARCH模型分析了我国7个碳试点与欧盟碳市场之间的波动溢出效应。许悦和翟大宇[3]基于时变参数自回归方法和VAR模型研究了联合国气候谈判背景下欧盟碳市场(EUA和CER)之间的溢出效应。(2) 碳市场与金融市场之间的溢出效应。王倩和路京京[4]基于EGARCH-Copula模型分析了人民币汇率对我国各试点碳价的异质性影响。王超和杨宝臣[5]基于Diebold-Yilmaz模型构建了我国与欧盟“碳–商品–金融”的市场联动框架，测算了各市场之间的溢出指数。刘超和张薇[6]通过溢出指数模型探究了时频尺度下中国碳市场与股票市场间的风险溢出效应。(3) 由于工业生产活动中使用的化石能源造成大量的二氧化碳排放，因此研究碳市场与化石能源市场之间的溢出效应也是国内外学者的主要关注点之一。赵一航和张会茹[7]基于VAR-GARCH-BEKK模型探究了全国统一碳市场建立前后碳市场与化石能源市场之间溢出效应的变化情况。海小辉和杨宝臣[8]基于DCC-NV-GARCH模型研究了欧盟碳市场与煤炭、石油及天然气等化石能源市场之间的动态相依关系。

综上所述，从已有研究结果来看，目前关于碳市场和新能源市场间的风险溢出问题的研究较少，而新能源是能源结构的重要组成部分；其次，现有研究多采用GARCH模型或向量自回归等方法，不能全面描述碳市场和能源市场之间的风险溢出效应；最后，在样本选取方面，过去大部分研究都是针对整个能源产业，而没有针对整个能源产业的细分市场做更深层次的对比研究，在一定程度上忽视了能源结构的复杂性。有鉴于此，本文拟综合运用溢出指数方法与DCC-GARCH模型对我国碳市场和能源市场间的风险溢出效应进行系统研究，在静态与动态两个角度分析两者间的风险溢出效应及其非对称性特征。

3. 数据来源与模型设定

3.1. 数据来源及描述性统计

对于碳市场交易收盘价数据，目前我国有九个区域碳交易市场，其建立时间各不相同，交易活跃程度及流动性均存在很大差别。除去暂无碳配额交易的四川碳市场，根据图1中其他八个碳市场2013~2023年碳配额累计成交量可知，北京、上海、深圳、天津、福建和重庆的碳市场与其他区域碳市场相比，碳配额累积成交量占比较低，存在多数交易日零交易的情况，市场流动性有限，不具有代表性。有鉴于此，本文选取中国首批建立的且具有较大累计交易量的广东(GD)和湖北(HB)两个碳市场的日频成交均价，以确保数据的连续性与多样性。

Figure 1. Cumulative volume of local carbon market quotas from 2013 to 2023

图1. 2013~2023年地方碳市场配额累计成交量

根据我国的能源结构现状，本文将整个能源供需系统整体分为不可再生能源市场和可再生能源市场。我国为实现“双碳”目标，在不可再生能源领域，煤炭、石油等高污染能源的消费需求将大幅放缓，具有清洁化特征的天然气将占据更大的化石能源市场份额；而在可再生能源领域，受政策扶持影响，风能、水能以及太阳能等清洁能源支柱产业将得以快速发展。因此，在不可再生能源领域，本文选取了煤炭(Coal)、原油(Crude oil)以及天然气(Natural gas)这三类关键化石燃料为代表，参考赵一航和赵会茹[7]对化石能源市场的研究，分别选取郑州商品交易所上市的动力煤期货结算价格、大庆原油现货价格以及中国液化天然气进口到岸价格为具体指标。而在可再生能源市场，以目前可再生能源的各个细分市场的份额占比情况为依据，选取了风能(Wind)、水能(Hydro)以及太阳能(Solar)三个主要的可再生能源支柱产业为代表，具体指标上分别对应于中信风电指数、中信水电指数以及中信太阳能指数，选择这些指数作为研究变量，能够为研究提供覆盖中国主要可再生能源领域的综合视角，同时其编制依托于中信证券的专业分析和市场数据，确保了研究数据的权威性和准确性。

考虑到广东和湖北这两个碳排放权交易试点分别于2013年和2014年才正式启动交易，以及中国能源市场在2014年才开始完全开放LNG的市场定价体系，因此本文的样本研究区间设定为2014年7月1日至2024年6月28日，原始样本数据均为日度频率数据，共计2432组，所有数据均来自WIND数据库。具体选取情况如表1所示。

Table 1. Variable names and variable symbols

表1. 变量名称和变量符号

序号	变量指标	代理变量	变量符号
1	碳排放交易市场	湖北碳交易收盘价	HB
2		广东碳交易收盘价	GD
3	风电行业	中信风电指数	Wind
4	水电行业	中信水电指数	Hydro
5	太阳能行业	中信太阳能指数	Solar
6	煤炭行业	郑州商品交易所上市的动力煤价格	Coal
7	原油行业	大庆原油价格	Crude oil
8	天然气行业	中国液化天然气进口到岸价格	Natural gas

在本文的研究中，各市场指标均通过对数差分处理得到，即：

$R_t=\left(\ln P_t-\ln P_{t-1}\right)\times 100\%$ (1)

式中：$R_t$ 表示第t日的收益率，$P_t$ 和$P_{t-1}$ 分别是第t日和第$t-1$ 日的收盘价。图2显示了这8个类指数每日收益率的时间变化趋势。我们观察到，8个类指数的每日收益率呈现明显的波动性集聚。

表2总结了这8个类指数每日收益率的描述性统计。我们可以看出，无论是碳市场还是能源市场，其每日收益率的峰度均大于3且偏度均不为0，这说明这8个市场均具有“尖峰厚尾”特点；JB检验也证实所有序列都不服从正态分布；AFD单位根检验结果表明，所有每日收益率序列都是平稳序列；同时，碳市场和能源市场的ARCH-LM检验结果均显著的，可以用GARCH模型来估计各个市场的参数。

3.2. 模型设定

为深入了解碳市场与能源市场间的时变溢出效应，本文采用基于QVAR模型的溢出指数方法和DCC-GARCH模型相结合的方法，以全面深入地探究碳市场与能源市场之间的关系。

3.2.1. 分位数向量回归(QVAR)模型

参考Saeed et al. [9]和Bouri et al. [10]的思路，采用分位数VAR的方法，定义一个含有n个变量的p阶分位数向量自回归过程QVAR(P)：

$y_t=c\left(\tau \right)+{\displaystyle \sum }_{i=1}^p{B}_i\left(\tau \right)y_{t-i}+e_t\left(\tau \right)+e_t\left(\tau \right),t=1,\cdots ,T$ (2)

式中：$c\left(\tau \right)$ 和$e_t\left(\tau \right)$ 分别表示$\tau$ 分位数处n维常数和残差向量，$B_i\left(\tau \right)$ 表示$\tau$ 分位数处因变量的滞后系数

Figure 2. Time change trend of daily yield

图2. 每日收益率的时间变化趋势

Table 2. Descriptive statistical analysis

表2. 描述性统计分析

市场	平均值	标准差	偏度	峰度	JB检验	ADF检验	ARCH-LM检验
HB	0.0911	3.6662	0.3583	5.1660	2741.5073^***	−21.7238^***	383.4393^***
GD	0.2419	7.5775	6.5583	127.9407	1668557.9^***	−10.1296^***	289.9798^***
Wind	0.0298	2.2564	−0.1354	3.0780	961.5823^***	−9.9178^***	432.5113^***
Hydro	0.0709	1.5318	−0.4715	10.5132	11234.159^***	−11.6253^***	1080.1786^***
Solar	0.0742	2.3776	−0.1205	3.6797	728.8954^**^*	−47.0558^***	437.3512^***
Coal	0.0652	2.0964	−0.2590	3.5983	706.9035^***	−13.7137^***	352.6201^***
Crude oil	0.0384	3.0631	0.9130	25.3722	65263.3633^***	−8.4656^***	611.6949^***
Natural gas	0.0103	1.5611	−0.3998	5.0010	2585.1012^***	−10.3887^***	270.0994^***

注：^*、^**和^***分别表示在10%、5%和1%的水平上显著。

矩阵，$t=1,\cdots ,T$ 。${\widehat{B}}_i\left(\tau \right)$ 和$\widehat{c}\left(\tau \right)$ 可通过假设残差符合总体分位数限制估计得出，即假设 $Q_{\tau }\left(e_t\left(\tau \right)|y_{t-1},\cdots ,y_{t-p}\right)=0$ 。$y_t$ 在总体$\tau$ 条件分位数处的响应可被表示为：

$Q_{\tau }\left(y_t|y_{t-1},\cdots ,y_{t-p}\right)=c\left(\tau \right)+{\displaystyle \sum }_{i=1}^p{\widehat{B}}_i\left(\tau \right)y_{t-i}$ (3)

其可以在每个分位数$\left(\tau \right)$ 处逐个方程地估计得出，本文将$\tau$ 设定为0.05、0.5和0.95，分别表征极端下行状态、正常状态和极端上行状态。

3.2.2. 基于QVAR模型的溢出指数方法

参考Ando et al. [11]的方法，将传统的DY溢出指数方法与QVAR模型结合，在每个分位数$\left(\tau \right)$ 处分别计算溢出指数。将上述公式改写为无穷阶向量移动平均(MA)过程，QVAR系统的移动平均过程可以表示为：

$y_t=\mu \left(\tau \right)+{\displaystyle \sum }_{s=0}^{\infty }{A}_s\left(\tau \right)e_{t-s}\left(\tau \right),t=1,\cdots ,T$ (4)

式中：

$\mu \left(\tau \right)={\left(I_n-B_1\left(\tau \right)-\cdots -B_p\left(\tau \right)\right)}^{-1}c\left(\tau \right),A_s\left(\tau \right)=\{\begin{array}{l}0,s<0;I_n.s=0\\ B_1\left(\tau \right)A_{S-1}\left(\tau \right)+\cdots +B_p\left(\tau \right)A_{S-p}\left(\tau \right),s>0\end{array}$

式中：$y_t$ 由误差$e_t\left(\tau \right)$ 的和给出。对于一个预测期数H，变量i向前H步的预测误差方差中由变量j引起的比例${\theta }_{ij}^g\left(H\right)$ 可表示为：

${\theta }_{ij}\left(H\right)=\frac{{\left(\sum \left(\tau \right)\right)}_{jj}^{-1}{{\displaystyle \sum }}_{h=0}^H{\left({\psi }_h\left(\tau \right)\sum \left(\tau \right)\right)}_{ij}^2}{{{\displaystyle \sum }}_{h=0}^H{\left({\psi }_h\left(\tau \right)\sum \left(\tau \right){{\psi }^{\prime }}_h\right)}_{ii}}$ (5)

式中：$\sum$ 为是误差向量的方差矩阵，${\left(\sum \left(\tau \right)\right)}_{jj}$ 为第j个方程误差项的标准差，由于${\theta }_{ij}\left(H\right)$ 的行加总不等于1，将其归一化为${\theta }_{ij}\left(H\right)$ 。${\psi }_h\left(\tau \right)$ 为h阶移动平均系数矩阵。

本文将每个分解矩阵元素归一化为：

${\tilde{\theta }}_{ij}\left(H\right)=\frac{{\theta }_{ij}\left(H\right)}{{{\displaystyle \sum }}_{k=1}^N{\theta }_{ij}\left(H\right)}$ (6)

${\theta }_{ij}\left(H\right)$ 可度量$\tau$ 分位数下变量i对变量j的方向性溢出水平，在本文中即为碳市场对某个能源市场或是能源市场对某个碳市场的溢出水平。

总溢出指数$TCI\left(\tau \right)$ 用以度量不同分位数下的总溢出水平，$TCI\left(\tau \right)$ 越大表明系统风险联动性越强，计算公式为：

$TCI\left(\tau \right)=\frac{{\displaystyle {\sum }_{i=1}^N{\displaystyle {\sum }_{j=1,i\ne j}^N{\tilde{\theta }}_{ij}^g\left(\tau \right)}}}{{\displaystyle {\sum }_{i=1}^N{\displaystyle {\sum }_{j=1}^N{\tilde{\theta }}_{ij}^g\left(\tau \right)}}}\times 100$ (7)

方向性溢出指数$T{O}_i\left(\tau \right)$ 和$FRO{M}_i\left(\tau \right)$ 分别衡量变量i对其他变量的溢出水平和接受其他变量的溢出水平，计算公式为：

$T{O}_i\left(\tau \right)={\displaystyle \sum }_{i=1,i\ne j}^N{\tilde{\theta }}_{ji}^H\left(\tau \right)$ (8)

$FRO{M}_i\left(\tau \right)={\displaystyle \sum }_{i=1,i\ne j}^N{\tilde{\theta }}_{ij}^H\left(\tau \right)$ (9)

$NE{T}_i\left(\tau \right)=T{O}_i\left(\tau \right)-FRO{M}_i\left(\tau \right)$ (10)

$NE{T}_i\left(\tau \right)$ 为$T{O}_i\left(\tau \right)$ 与$FRO{M}_i\left(\tau \right)$ 之差，如果$NE{T}_i\left(\tau \right)>0$ ($NE{T}_i\left(\tau \right)<0$ )，说明变量i对其他变量的影响要大于(小于)其他变量对变量i的影响，此时变量i为风险净溢出者(净接受者)。

3.2.3. DCC-GARCH模型

Engle [12]提出的动态条件相关DCC-GARCH模型放宽了恒定条件性关性的假设，认为金融时间序列之间的相关系数是动态变化的，这也是其与CCC-GARCH模型最大的区别之处。DCC-GARCH模型由均值方程和条件方差方程组成，均值方程设定如下：

$r_t={\mu }_t+{\epsilon }_t,{\epsilon }_t~N\left(0,H_t\right)$ (11)

${\epsilon }_t=H_t^{1/2}{v}_t$ (12)

式中：$r_t$ 为金融市场收益率，${\mu }_t$ 为已知过去信息$F_{t-1}$ 下的条件期望，${\epsilon }_t$ 为随机误差项，$H_t$ 为条件方差矩阵。条件方差方程设定如下：

$h_t=\omega +a_1{\epsilon }_{t-1}^2+b_1{h}_{t-1}$ (13)

式中：$\omega$ 为常数项，$a_1$ 为滞后一期扰动项平方的影响系数，$b_1$ 为滞后一期条件方差的影响系数。此时时变的条件协方差矩阵可以表示为：

$H_t=D_t{R}_t{D}_t$ (14)

式中：$R_t=diag{\left(Q_t\right)}^{-\frac{1}{2}}{Q}_{t}diag{\left(Q_t\right)}^{-\frac{1}{2}}$ 是动态条件相关系数矩阵，$n\times n$ 维正定矩阵$Q_t$ 的可以表示为：

$Q_t=\left(1-{\lambda }_1-{\lambda }_2\right)\overline{Q}+{\lambda }_1{\epsilon }_{t-1}{{\epsilon }^{\prime }}_{t-1}+{\lambda }_2{Q}_{t-1}$ (15)

式中：$\overline{Q}$ 是条件标准化残差的协方差矩阵，${\lambda }_1$ 即ARCH项系数是滞后一阶的标准化无条件协方差矩阵系数，用来衡量信息冲击的反应程度，体现了相关性的短期持续性，${\lambda }_2$ 即GARCH项系数是滞后一阶的条件协方差矩阵系数，反映了持续的相关性，参数${\lambda }_1$ 和${\lambda }_2$ 满足条件${\lambda }_1+{\lambda }_2<1$ 且${\lambda }_1>0$ ，${\lambda }_2>0$ 。当${\lambda }_1={\lambda }_2=0$ 时，DCC-GARCH模型等于CCC-GARCH模型。

因此，在DCC-GARCH模型中，两个金融市场之间的动态条件相关系数${\rho }_{ij,t}$ 可以表示为：

${\rho }_{ij,t}={\rho }_{ji,t}=\frac{q_{ij,t}}{\sqrt{q_{ii,t}{q}_{jj,t}}}$ (16)

DCC-GARCH模型的建立是多变量的，由一维GARCH模型扩展到多维GARCH模型，这就为研究多时间序列之间的波动性溢出提供了可能；该方法克服了CCC-GARCH模型忽视变量之间相关性时变的缺陷，可以对时变的条件相依进行估计，进而描述变量之间的动态相关性。在考虑了自相关与异方差性的情况下，该方法比静态相关具有更强的稳定性。

4. 实证结果与分析

4.1. 溢出指数模型的结果与分析

4.1.1. 静态风险溢出效应

静态风险溢出指数表可以反映出碳市场与能源市场间的总体溢出水平，也可以反映方向性溢出水平以及每一个碳市场与任意一个能源市场间的溢出。FROM表示其他变量对某个变量的风险溢出程度，TO表示某个变量对其他变量的风险溢出程度，NET表示两个市场之间的净溢出指标，总溢出指标(TCI)表示整个系统的关联程度，对角线上的元素表示各个市场的历史波动率对各个市场的持续作用，剩余元素表示市场间的方向性风险溢出指标。

参照AIC和BIC准则，本文选取二阶滞后QVAR模型。表3描述了0.05、0.5、0.95分位数下碳市场与能源市场的风险溢出效应。总体而言，不同市场条件下风险溢出水平存在明显差异，且风险溢出水平呈现非对称性。

在总溢出指数方面，在正常市场状态下，碳市场和能源市场间整体风险接受程度适中，市场风险平均溢出程度为36.26%；而从上下尾看，极端市场行情下的市场风险平均接受程度均有所增加，且极端上行条件下(0.95)市场总溢出(79.71%)略高于极端下行条件下(0.05)市场总溢出(79.30%)水平，右尾溢出水平更高，溢出效应更强。对比各市场间的溢出值和溢入值的差异变化也可看出，在极端市场状态下，碳市场和能源市场间的联动性更强，且这种联动性在上行市场条件下更显著。这是因为正向冲击提振市场信心，市场情绪转为积极，推升资产价格；而负向冲击则受到处置效应和禀赋效应等因素影响，降低了投资者对负向冲击的敏感程度，从而削弱了市场对负向冲击的反应程度。

在风险溢出指数方面，从碳市场对能源市场的风险溢出层面来看，两个碳市场对能源市场的溢出水平存在一定差异。不管在哪个分位数水平下，湖北碳市场的波动溢出水平均高于广东碳市场。由此可见湖北碳市场是能源市场波动溢出的主要输出方，原因在于湖北碳市场交易较为活跃，流动性很好，而且湖北在产业结构方面也更接近全国平均发展水平，与能源市场的关联也更加密切，因而湖北碳市场对于风险的敏感度更高。从能源市场对碳市场的风险溢出层面来看，不管在哪个分位数水平下，天然气对碳市场的溢出水平最高。由此可见天然气为碳市场波动溢出的最主要输出方，位于信息先导地位，其信息传递效率较高，一旦发生突然事件会将风险迅速传导给碳市场。

在风险溢入指数方面，在正常状态下，接受风险溢出指数排最高的市场为天然气市场(58.35%)，说明这一市场极容易受到风险传染，具有系统脆弱性。

在净风险溢出指数方面，在正常状态下，风能、煤炭和天然气市场的净风险溢出指数大于零，说明这三个市场是风险净输出者；水能、太阳能和原油市场以及两个碳市场的净风险溢出指数小于零，说明这五个市场是风险净接受者。需要注意的是，不同分位数下能源市场的风险溢出地位可能发生改变。

Table 3. Static risk spillover index

表3. 静态风险溢出指数

0.05分位数
	HB	GD	Wind	Hydro	Solar	Coal	Crude oil	Natural gas	FROM
HB	22.17	8.86	11.96	11.08	11.66	12.16	10.3	11.81	77.83
GD	10.35	27.17	10.37	9.96	10.51	10.87	9.79	10.98	72.83
Wind	9.43	7.06	18.56	12.87	15.87	13.42	9.07	13.73	81.44
Hydro	9.19	7.22	13.73	19.72	13.02	14.22	8.8	14.1	80.28
Solar	9.56	7.23	16.06	12.54	18.83	13.17	9.37	13.25	81.17
Coal	9.76	7.49	13.19	13.08	12.76	18.21	10.05	15.46	81.79
Crude oil	10.47	8.12	11.1	10.25	11.33	12.52	22.88	13.34	77.12
Natural gas	9.28	7.32	13.55	12.93	12.95	15.35	10.51	18.1	81.9
TO	68.05	53.29	89.95	82.72	88.1	91.71	67.88	92.67	TCI
NET	−9.78	−19.53	8.51	2.43	6.93	9.92	−9.24	10.77	79.30
0.5分位数
	HB	GD	Wind	Hydro	Solar	Coal	Crude oil	Natural gas	FROM
HB	99.34	0.03	0.13	0.21	0.07	0.13	0.01	0.08	0.66
GD	0.03	99.69	0.03	0	0.02	0.07	0	0.16	0.31
Wind	0.06	0.01	43.05	10.66	23.57	10.25	0.34	12.06	56.95
Hydro	0.1	0.01	12.1	49.06	9.61	14.36	0.46	14.31	50.94
Solar	0.02	0.01	25.29	9.06	46.34	9.17	0.5	9.6	53.66
Coal	0.06	0.03	10.32	12.73	8.59	43.34	1.61	23.32	56.66
Crude oil	0.01	0.03	0.64	0.82	0.85	3.24	87.47	6.94	12.53
Natural gas	0.02	0.07	11.69	12.2	8.62	22.44	3.3	41.65	58.35
TO	0.31	0.2	60.19	45.69	51.33	59.66	6.23	66.46	TCI
NET	−0.35	−0.11	3.25	−5.26	−2.33	3	−6.3	8.1	36.26
0.95分位数
	HB	GD	Wind	Hydro	Solar	Coal	Crude oil	Natural gas	FROM
HB	21.69	8.8	12.06	11.53	11.95	11.91	10.3	11.76	78.31
GD	10.8	26.48	10.75	10.19	10.44	11.12	9.39	10.83	73.52
Wind	10.12	7.54	18.12	13.09	15.44	13.26	8.99	13.44	81.88
Hydro	10.06	7.31	13.69	18.92	13.12	14.01	8.97	13.91	81.08
Solar	9.97	7.34	15.84	12.76	18.51	13.17	9.29	13.13	81.49
Coal	10.01	7.68	13.2	13.37	12.82	17.93	9.78	15.22	82.07
Crude oil	10.57	8.05	11.2	10.87	11.34	12.28	22.63	13.07	77.37
Natural gas	9.52	7.36	13.44	13.26	12.76	15.3	10.34	18.01	81.99
TO	71.05	54.08	90.17	85.06	87.88	91.05	67.06	91.36	TCI
NET	−7.26	−19.44	8.29	3.98	6.39	8.98	−10.31	9.37	79.71

Figure 3. Variation trend of total spillover index under different quantiles

图3. 不同分位数下总溢出指数的变化趋势

在此基础上，本文运用基于QVAR模型的溢出指数方法测度不同分位数条件下总溢出指数的变化趋势，如图3所示。

由图3可以看出，在极端负向冲击状态和极端正向冲击状态之间，总溢出水平的变化随着分位数的变化而呈现出正“U”型。该结构表明，风险关联程度随着正向或负向冲击规模的增加而增加。此外，两种极端状态的总溢出水平存在非对称性，这里具体表现为碳市场和能源市场的左尾溢出水平略高，一方面是由于负向冲击造成的市场运行不稳定会加速风险传递，进而对其他企业产生影响，且市场主体对负向冲击的敏感性更强；另一方面，负向冲击下的市场相对脆弱，更易引发风险传染。基于上述结论，当某能源行业受到极端冲击时，投资者和监管者需要及时获取信息，以便重新测算企业、行业间的风险关联水平，制定有效措施。

4.1.2. 动态风险溢出效应

为了考察风险溢出指数随时间变化特征，本文对样本整体进行动态滚动溢出分析(滚动窗口长度为30天)，以剖析正常状态和极端状态下，碳市场和能源市场之间波动溢出的时变趋势。

图4刻画了在0.05、0.5、0.95分位数下的碳市场和能源市场的波动总溢出水平的动态时序图。可以看出，极端状态下的总溢出水平更高且波动范围更小，正常状态下的总溢出指数在35%~88%内波动，而极端状态下的波动范围则明显缩小，0.05分位数和0.95分位数下的波动范围分别为65%~92%和62%~91%。此外，碳市场与能源市场间的风险溢出关系具有明显的时变特征。具体而言，2015年，重大“股灾”影响下风险溢出指数上升，然而该事件引起的金融市场共振持续时间不长；2018年，在中美贸易争端不断升级的背景下，中国碳市场和能源市场的波动关联性加强，使得风险指数呈现上升趋势；2020年，在新冠疫情冲击下风险溢出效应大幅提高，但随着对疫情的有效控制，能源消费需求稳步复苏，风险总溢出效应逐步下降。总体而言，当重要政策和事件冲击时碳市场和能源市场间风险溢出程度明显增强，这同时也说明了本文构建的市场风险溢出指数能够反映我国碳市场和能源市场的真实风险水平，有助于监管机构进行实时动态监控。

Figure 4. Dynamic spillover index based on different quantiles

图4. 基于不同分位数下的动态溢出指数

4.2. DCC-GARCH模型的结果与分析

为了研究和对比碳市场和能源市场间风险联动效应的差异情况，本文利用DCC-GARCH模型从整体上对不同市场组合的动态时变关系进行了刻画。首先利用单变量AR(2)-GARCH(1,1)模型对各个市场的标准化残差序列进行估计。基于上述结果，构建多变量DCC-GARCH模型，以期从整体上系统的刻画出碳市场和能源市场间的风险联动关系的动态变化过程。模型估计结果如表4所示。

Table 4. Estimate results of DCC-GARCH models for China’s carbon market and energy market

表4. 中国碳市场和能源市场DCC-GARCH模型估计结果

Panel A：单变量GARCH模型估计结果
		ω		α		β		α + β
HB		0.7941		0.3292^***		0.6520^***		0.9812
GD		13.3846		0.5745^***		0.1811^***		0.7556
Wind		0.0793		0.0819^***		0.9028^***		0.9847
Hydro		0.0149		0.0590^***		0.9315^***		0.9905
Solar		0.0118		0.0563^***		0.9436^***		0.9999
Coal		0.0753		0.0765^***		0.9062^***		0.9827
Crude oil		0.3009		0.1981^***		0.7769^***		0.9750
Natural gas		0.0331		0.0959^***		0.8948^***		0.9907
Panel B：多变量DCC-GARCH模型估计结果
α	0.0106^***		β		0.9853^***		α + β		0.9956

表4的上半部分报告了碳市场和能源市场单变量的GARCH模型估计结果，ω为常数项，α为ARCH项系数，β为GARCH项系数。研究结果表明，这八个市场日收益率序列均具有ARCH和GARCH效应，且均在1%显著水平上。α和β的显著性进一步证实了我们在图2中观察到的市场收益率波动的聚集性特征。从ARCH项系数来看，广东碳市场的ARCH效应最大，达到0.5745，表明广东碳市场对市场信息的反应能力最强，而对市场信息反应最慢的太阳能市场。从GARCH项系数来看，太阳能市场的GARCH效应最大，达到0.9436，表明太阳能对市场波动性的记忆能力最强，而对市场波动性的记忆能力最弱的是广东碳市场。二者正好相反的情况说明广东碳市场和太阳能市场的反应能力和记忆能力相反，可能意味着它们在市场生态中扮演着互补的角色，广东碳市场可能更注重短期内对市场信息的快速反应，而太阳能市场则更侧重长期内市场波动性的稳定性和延续性。另外，这八个市场的ARCH和GARCH的系数总和都很接近1，表明这些市场的收益率的波动规律为均值回归，也就是收益率的波动趋向于平均值，并且表现出很好的持续性。

表4的下半部分是中国碳市场和能源市场的DCC-GARCH模型的估算结果，其ARCH和GARCH项的系数也在1%的水平上具有显著性，α + β = 0.9956，与模型的要求相吻合，这表明DCC-GARCH模型能够较好的拟合我国碳市场和能源市场收益率的动态变化。

表5显示了湖北碳市场、广东碳市场与能源市场之间的动态相关性的平均水平。由表4的ρ值可知，湖北碳市场与六个能源子市场间的动态相关系数均值都呈现出了正向的相关，这就意味着这些市场的收益之间有着正向的相关性。动态相关系数的均值是正的，说明市场之间存在着较强的风险相关性。而广东碳市场与风能、太阳能和原油市场之间的动态相关性都是负的，说明这两两市场之间存在着较弱的风险相关性。

表5中的动态条件相关性均值反映了样本时段内两个市场之间的整体动态相关性，但是没有反映出动态相关性的变化特征，因此，我们通过对碳市场和能源市场各个时间点的动态相关性进行算术平均，得出其动态相关性。

Table 5. Estimate results of correlation coefficients of dynamic conditions of China’s carbon market and energy market

表5. 中国碳市场和能源市场动态条件相关系数估计结果

相关系数	估计值	相关系数	估计值	相关系数	估计值
${\rho }_{13}$	0.0090	${\rho }_{14}$	0.0101	${\rho }_{15}$	0.0132
${\rho }_{16}$	0.0062	${\rho }_{17}$	0.0262	${\rho }_{18}$	0.0150
${\rho }_{23}$	−0.0070	${\rho }_{24}$	0.0226	${\rho }_{25}$	−0.0172
${\rho }_{26}$	0.0389	${\rho }_{27}$	−0.0025	${\rho }_{28}$	0.0459

注：1，2，3，4，5，6，7，8分别代表湖北碳市场、广东碳市场、风电、水电、太阳能、煤炭、原油、天然气。

Figure 5. Dynamic correlation coefficient between China’s carbon market and energy market

图5. 中国碳市场和能源市场间动态相关系数图

如图5所示，中国碳市场和能源市场整体状况的动态相关性在0.02上下波动，且动态相关性随时间变化呈现不对称性，当面临重大政策出台或重大突发事件时，市场的动态相关性在短时间内会发生剧烈的跳跃变化，但在到达高峰后，并没有马上恢复，而要经过一段时间才能恢复到冲击前的水平，反映了金融市场之间的动态相关性在时间尺度上的非对称性。另外，将图4与图5进行比较，发现两者之间存在着一定的相似性，比如2015年“股灾”、2018年中美贸易摩擦、2020年初新冠疫情等重要时点，两个市场条件的动态相关性均显著上升，进一步证实了两个市场之间的动态相关性较大，即风险传染程度较高。

5. 研究结论与政策启示

5.1. 研究结论

本文综合利用风险溢出指数模型和DCC-GARCH模型，对我国碳市场和能源市场间的风险溢出效应展开系统且全面的分析，得到以下结论：(1) 在正常市场状态下，碳市场和能源市场间整体风险溢出水平较低，总溢出指数为36.26%；在极端市场状态下，碳市场和能源市场间的联动性更强，且这种联动性在上行市场条件下更显著。(2) 风险溢出方向存在非对称效应，在正常状态下，风能、煤炭和天然气这三个市场是风险净输出者；水能、太阳能和原油市场以及两个碳市场这五个市场是风险净接受者；不同分位数下能源市场的风险溢出地位可能发生改变。(3) 在正常市场状态下，我国碳市场和能源市场风险溢出指数在35%~88%间随时间变化，在受到重大“股灾”、中美贸易摩擦、新冠疫情等重大政策及事件等极端影响时，风险溢出效应显著增加，但风险溢出指数的波动幅度明显减小。(4) 碳市场和能源市场风险溢出存在非对称效应，广东碳市场与风能、太阳能和原油市场之间的动态相关系数均值为负，反映了这三组市场间风险关联性较小。湖北碳市场与六个能源子市场间的动态相关系数均值较正，反映了这三组金融市场间风险关联性较大。(5) 中国碳市场和能源市场整体条件动态相关系数在0.02上下波动，动态相关系数在时间维度上的增减具有非对称性。

5.2. 政策启示

针对我国当前面临的两个主要问题，一是碳市场与能源市场之间的波动关联性，二是风险的不对称性，如何有效地防止市场间的风险溢出进而导致系统风险的发生，根据本文研究结论，相关部门和单位可以考虑以下几个方面。第一，要加强对能源市场的监管力度，加强对极端波动的防范。在极端条件下，能源产业对我国碳交易市场的溢出效应明显加强，不同利益主体间的联动性增强，更容易发生系统性风险，因此，湖北碳市场与天然气市场在极端条件下的溢出效应值得重点关注。第二，考虑到一些市场之间存在高度的联动关系，可能会导致风险的跨市场传播，因此需要特别关注湖北碳市场与能源市场间的风险交互作用。同时，对投资者来说，还应该依据金融市场之间的动态相关性系数，对自己的资产进行合理的配置，从而实现风险的分散。第三，强化规制合作，构建碳市场与能源产业间系统风险传导的事前预警与干预机制。研究表明，目前我国的碳市场尚处于起步阶段，存在着较大的发展空间。能源领域的监管机构要做好风险预警工作，将风险的极端尾部溢出纳入度量和决策的范畴，实施差别化管理与防控。第四，对系统风险的监测与预防不能仅限于两个市场，而应该从整个国家的宏观经济金融体系来考虑。根据中国金融系统的特点，市场监管机构和中央银行应当从全方位、深层次、多角度去考虑各金融行业、金融市场之间的相关联系和风险溢出，以达到维护我国经济金融稳定的目标。