我国碳排放与期货市场间的风险溢出效应研究
Research on Risk Spillover Effect between Carbon Emission and Futures Markets in China
DOI: 10.12677/sd.2025.155117, PDF, HTML, XML,    科研立项经费支持
作者: 张 彤:广州商学院经济学院,广东 广州;广州商学院区域经济发展研究中心,广东 广州;汤晓杰:广州商学院经济学院,广东 广州;吴 昱*:广州商学院经济学院,广东 广州;广州商学院数字经济研究中心,广东 广州
关键词: 碳排放权价格能源期货市场电力市场金融市场风险溢出指数Carbon Emission Rights Price Energy Futures Market Electricity Market Financial Markets Risk Spillover Index
摘要: 本论文利用Diebold-Yilmaz指数溢出模型,构建我国各区域碳市场与能源类期货、金融类期货的溢出效应模型,由此探索其跨市场关联机制及其影响的风险传导路径。结果表明,溢出效应在碳市场与能源市场之间具有时效性,受到环境政策、经济形势和技术进步等因素的影响。不同地区的溢出效应体系具有异质性,存在跨区域市场碳价风险对冲或套利可能。管理者和政策制定者应根据地区特点灵活调整管理政策,保留地方市场并加强地区间合作与协调,以实现全局碳减排目标,促进碳市场的健康发展。
Abstract: This paper adopts the Diebold-Yilmaz spillover index model to construct a spillover effect model between China’s regional carbon markets and energy-related futures, as well as financial futures, aiming to explore their cross-market linkage mechanisms and the risk transmission pathways. The results indicate that the spillover effects between carbon markets and energy markets are time-sensitive and influenced by factors such as environmental policies, economic conditions, and technological advancements. The spillover effect systems in different regions exhibit heterogeneity, presenting possibilities for cross-regional carbon price risk hedging or arbitrage. Managers and policymakers should flexibly adjust management policies based on regional characteristics, preserve local markets, and enhance inter-regional cooperation and coordination to achieve global carbon reduction goals and promote the healthy development of carbon markets.
文章引用:张彤, 汤晓杰, 吴昱. 我国碳排放与期货市场间的风险溢出效应研究[J]. 可持续发展, 2025, 15(5): 1-12. https://doi.org/10.12677/sd.2025.155117

1. 引言

为实现碳达峰和碳中和目标,推动经济发展低碳、绿色、可持续发展的方向,我国于2011年在上海、重庆、广东、北京、天津、湖北和深圳启动了地方碳排放权交易的试点工作,并逐步开展交易。2016年12月,福建省也加入碳交易市场的行列。2021年7月16日,全国碳排放权交易市场开市。

研究碳市场与金融市场、能源市场以及能源期货市场之间的关联性和风险溢出效应的背景是全球范围内对气候变化和环境问题的日益关注,以及各国政府和企业加大减排力度、推动低碳转型的趋势。随着碳市场的不断完善和推广,其在全球范围内的重要性日益凸显。然而,碳市场作为新兴市场与传统金融市场和能源市场之间的关系复杂多样,深入研究这些市场之间关联以及相互影响,使投资者能够有效规避碳排放权交易市场因能源价格波动产生的风险,使能源企业有效控制企业生产成本、优化能源消费结构、促进企业的绿色转型。此外,研究碳市场和能源、金融市场之间的关系使政府能够提高各个碳排放权市场定价效率,完善碳排放权市场体系。

2. 文献回顾

过往研究探讨了碳排放权现货与期货价格之间的关系,以及不同碳排放权市场之间的关联性[1]-[4]。如欧盟碳期货对现货具备价格发现的功能[5],国际欧盟碳排放配额期货产品(European Union Allowance,简称EUA)与中国碳排放配额(China Emission Allowance,简称CER)中期货产品与现货市场价格之间各自存在协整关系,EUA期货具有价格发现功能,且EUA价格引导CER价格变化,二者长期具有趋同趋势[6]。EUA市场中期货市场处于波动信息中心,而CER市场中现货市场处于波动信息中心;EUA的期货市场与CER的期货市场之间存在相互的价格溢出效应与波动溢出效应,但EUA市场的期货价格对CER市场具有更大的波动溢出效应[7]。其他研究也证实国际碳期货市场与国内碳市场之间存在长期的稳定关系,国内碳市场跟随国际碳期货市场的价格变化[8]

另外,宏观经济和以能源市场为主的其他市场对碳排放权价格也具有影响。宏观上经济扩张或衰退过程中,工业生产促进或拉低了碳市场价格。能源期货市场、能源股票和碳市场之间存在结构变化和非线性特征,碳市场价格变化对自身的冲击显著强于对其他市场的冲击[9] [10],能源期货、能源股票与碳市场存在负相关关系[11] [12]

能源市场为主的其他市场与碳排放权市场之间的溢出效应可展现碳市场与能源市场之间的风险传染路径[13] [14]。将碳配额作为新的金融工具进行研究,在“碳–能源–金融”系统中加入了股权债券和非能源商品资产,结果展现信息连通性动态的复杂反馈机制,信息溢出的性质随时间而变化,石油、碳市场都与股票及非能源商品市场紧密相连,金融风险型宏观经济因素对全系统连通性的贡献大于商品因素[15]。有学者利用2020年4月WTI负定价冲击事件,研究前后WTI原油期货市场价格震荡对碳排放配额期货的溢出效应,发现在WTI价格变负前WTI原油期货市场对碳排放配额期货的定向溢出效应增加了一倍,在WTI价格为负的特定时期WTI原油期货市场对碳排放配额的定向溢出效应急剧上升[16]。国内市场的相关文献也发现了类似结果,如天然气、煤炭、石油等化石能源市场都和碳排放权交易市场存在价格溢出效应[17],“碳–能源”系统中短期风险溢出大于长期风险溢出,电力市场与新能源市场处于溢出网络的信息和风险中心位置[18],全国碳市场与能源市场、电力市场和金融市场三个市场间收益率溢出指数具备双向溢出震荡效应,并且溢出震荡的时变性效应显著[19]

上述研究发现碳市场与能源市场之间存在错综复杂的相互影响。其中,虽然过往文献分析了碳市场与能源市场之间溢出效应,然而,苏蕾等选取全国碳排放权交易市场作为我国碳市场的代表[19],王喜平等选取广东碳排放交易所作为碳市场的代表[18],分析这两个碳排放权市场与能源市场之间溢出效应无法准确得出我国碳市场与能源市场之间的整体关系。因为全国碳排放权交易市场只覆盖了我国一定规模以上的发电企业,而广东碳排放权市场涉及了广东省境内的电力、水泥、钢铁等行业,这两者都无法真正代替我国碳排放权市场的整体。

因此,为了全面研究我国碳排放权市场与能源期货市场及金融市场之间的溢出效应,本论文将通过采用Diebold-Yilmaz指数溢出模型,分析全国碳市场以及各个地方碳市场之间的静态溢出效应以及动态溢出效应;分析国内全国碳市场以及各个碳市场与能源类期货以及金融类期货的溢出效应;并在此模型结果上分析全国碳市场,以及各个地方碳市场的跨市场关联机制分析碳市场的影响力和风险传导路径。为深入挖掘能源市场和碳市场之间的关系,应对气候变化、推动绿色发展提供数据理论支持和政策建议。

3. 模型与数据

Diebold-Yilmaz指数溢出模型(Spillover Index Model)是一种用于量化和分析不同市场或变量之间风险溢出效应的统计方法[20]。Diebold-Yilmaz指数溢出模型的核心是通过向量自回归模型(VAR)和方差分解量化不同市场或资产间的风险传导强度与方向,旨在捕捉和度量金融、经济或其他类型数据系列之间的动态相互作用。Diebold-Yilmaz指数溢出模型相比较传统格兰杰因果检验和Copula模型的一个主要优势是可双向量化溢出方向与强度、可进行动态滚动窗口时变分析、可进行多变量处理以及结果直观等优点。此外,其灵活性和适用性广泛,不仅限于金融市场,还可以扩展到宏观经济变量、能源市场、碳排放权交易等领域。然而,该模型也有其局限性,包括对模型设定的敏感性、对数据频率和样本大小的要求较高,以及在处理结构性变化时可能需要额外的方法来调整模型。

本文选取的数据以2021年1月4日为研究起点,至2023年12月29日。其中由于深圳SZEA于2022年4月11日合并SZEA 2013~2020碳排放权配额产品,而本文选取SZEA进行研究故选取以2022年3月20日为研究起点,至2023年12月29日。2021年7月16日,全国碳排放权交易市场开市。具体碳排放权、能源及金融市场交易品种的说明如表1所示。

碳排放权交易价格数据下载自各个地方碳排放权交易中心。期货价格数据来自同花顺期货板块的每日交易数据下载。由于期货合约的周期性,本文采用各期货主连合约数据。

Table 1. Description of carbon emission permits and instruments traded in energy and financial markets

1. 碳排放权、能源及金融市场交易品种说明

品种

名称

数据来源

市场

CEA

全国碳排放权

上海能源交易所

碳现货市场

BEA

北京碳排放权

北京绿色交易所

碳现货市场

TJEA

天津碳排放权

天津碳排放权交易所

碳现货市场

SHEA

上海碳排放权

上海能源环境交易所

碳现货市场

CQEA

重庆碳排放权

重庆碳排放权交易中心

碳现货市场

GDEA

广东碳排放权

广州碳排放权交易所

碳现货市场

HBEA

湖北碳排放权

湖北碳排放权交易中心

碳现货市场

SZEA

深圳碳排放权

深圳碳排放权交易所

碳现货市场

COAL

煤炭

郑州商品期货交易所

能源期货市场

CSI300

沪深300指数

同花顺交易软件

金融期货市场

OIL

原油期货市场

上海商品期货交易所

能源期货市场

LPG

液化石油气

上海能源交易所

能源期货市场

FU

燃料油期货市场

上海商品期货交易所

能源期货市场

LU

低硫燃油

上海商品期货交易所

能源期货市场

4. 实证分析

4.1. 模型构建

本文采用Diebold-Yilmaz指数溢出模型分析全国碳市场以及各个地方碳市场之间的静态溢出效应以及动态溢出效应。首先搭建p为滞后阶数,变量数为N的VAR模型:

x t = i=1 p Φ i x ti + ε t (1)

其中, x t 滞后期的协方差矩阵。残差项是ε,系数矩阵是Φ。矩阵若平稳,则VAR(p)可以转换为:

x t = i=0 p A i ε t1 (2)

上述等式中,单位矩阵是系数矩阵 A i ,当 i<0 时, A i =0 i>0 时, A i = Φ 1 A i1 ++ Φ p A ip 。方差分解矩阵进行,将变量的误差方差进行分解,做为自身或其他变量的冲击部分。定义 x j x i H期的预测误差的方差贡献为变量ji的定向溢出指数,表示为:

θ ij g ( H )= σ jj 1 h=0 H1 ( e i A h e j ) 2 / h=0 H1 ( e i A h e j ) 2 (3)

其中, σ jj 代表第j个变量预测误差的标准差, e i 代表选择向量, 代表误差向量ε的协方差矩阵。为了将其用于溢出指数计算使得不同的 θ ij ( H ) 具有可比性,对其进行标准化可以得到 θ ij g ( H )

θ ˜ ij g ( H )= θ ij g ( H )/ j=1 N θ ij g ( H ) (4)

其中, j=1 N θ ˜ ij g ( H ) =1 i,j=1 N θ ˜ ij g ( H ) =N 。由此得出三个溢出指数如下所示:

(1) 总溢出指数:衡量N个市场间相互溢出对总体的贡献程度:

S g ( H )= i,j=1,ij N θ ˜ ij g ( H ) / i,j=1 N θ ˜ ij g ( H ) ×100= i,j=1,ij N θ ˜ ij g ( H ) /N ×100 (5)

(2) 方向性溢出指数:衡量其他所有市场对某个市场的溢出和某个市场对其他所有市场的溢出,分别记为 S ij g ( H ) S ij g ( H )

S ij g ( H )= j=1,ij N θ ˜ ij g ( H ) / j=1 N θ ˜ ij g ( H ) ×100 (6)

S ij g ( H ) = j=1,ij N θ ˜ ij g ( H ) / j=1 N θ ˜ ij g ( H ) ×100 (7)

(3) 净溢出指数:表示某个市场对其他所有市场的净溢出

S i g ( H )= S ij g ( H ) S ij g ( H ) (8)

4.2. 不同地区碳排放市场的静态风险溢出指数分析

首先,本文分析不同地区碳排放市场的静态风险溢出效应。设定预测周期为10天,滞后期为1天,搭建全国以及各地方碳交易市场的静态风险溢出指数矩阵,如表2所示。横向的七个市场用i表示,竖向的七个市场用j表示。“To Others”行数据代表i市场对其他市场的风险溢出效应,“From Others”列数据代表其他市场对j市场的风险溢出效应。NET为“To”和“From”的差值。

Table 2. Static spillover index of carbon emission markets of different regions

2. 不同地区碳排放市场的静态溢出指数分析

BEA

CQEA

GDEA

HBEA

SHEA

TJEA

SZEA

From others

BEA

95.4

0.2

3.1

0.8

0

0.4

0.2

4.6

CQEA

1.1

98.7

0

0

0

0

0.1

1.3

GDEA

0.7

0.3

97.6

0.2

0.2

0

1.1

2.4

HBEA

0.1

1.2

0.3

98.1

0.1

0.3

0

1.9

SHEA

1

1.1

0.3

0.1

96.3

0.3

0.9

3.7

TJEA

0.6

4.3

0.3

0.2

2.3

92.2

0.1

7.8

SZEA

0.1

0.1

11.2

0.1

0.6

1.2

86.6

13.4

To others

3.6

7.2

15

1.5

3.2

2.2

2.3

NET

−1

5.9

12.6

−0.4

−0.5

−5.6

−11.1

5%

4.3. 不同地区碳排放市场的动态风险溢出指数分析

设定200个交易日为移动窗口,算出不同地区动态收益率溢出指数的趋势。如图1所示。横坐标涵盖2022年10月到2023年5月,纵坐标为变化的百分比。不同地区碳排放市场的收益率总溢出指数,碳市场与能源期货市场、金融市场的收益溢出在6%~23%内震荡,震荡较为剧烈。不同地区的碳市场会因为政策的出现而出现较大的动态溢出震荡,2023年3月,十四届全国人大一次会议通过了关于政府工作报告的决议。决议的通过确定了政府的工作重点,让动态溢出指数发生了较大的震荡。由此可以确定碳市场可能存在跨地区交易,通过不同地方市场的碳排放配额价格不一进行跨市交易,或对冲交易的状况,这种行为会使碳排放价格失真,并且会对地方的碳排放管理失效政策,因此对这种情况应当制定相应的政策限制。

Figure 1. Dynamic total yield spillover index of different regions

1. 不同地区碳排放市场动态收益率总溢出指数

4.4. 全国及地方碳市场、能源、期货市场静态溢出分析

全国以及各地方碳交易市场的静态风险溢出指数矩阵如表3~9所示,其中横纵坐标说明如4.2小节所示,“Contribution to others”行数据表示各个资产对于其他资产的整体溢出效应的贡献,“From others”行数据表示其他资产的对各个资产的整体溢出效应的贡献。从结果可见,全国碳市场收益率对除了液化石油气以外的市场收益率的溢出指数大于零,而除了原油的其他市场对全国碳市场收益率溢出指数约为零,说明全国碳市场对沪深300指数、燃料油期货市场、低硫燃油、液化石油气的收益率溢出为单向溢出,而全国碳市场和煤、原油期货市场则为双向溢出。其中,原油期货价格对全国碳市场收益率的溢出指数最大,说明我国发电行业的碳排放受原油价格的影响较大。

北京碳市场对燃料油期货市场、液化石油气、原油期货市场的收益率溢出为单向溢出,而北京碳市场和煤、沪深300指数则为双向溢出。其中,煤炭期货价格对北京碳市场收益率的溢出指数最大,说明北京地区的碳排放受煤炭价格的影响较大。尽管北京地区逐渐使用清洁能源替代煤炭,但是煤炭仍然在郊区使用,另外发电企业的碳排放归属于全国碳市场,所以北京地区煤炭价格对其碳排放的影响依然较大。

Table 3. Static risk spillover index of national carbon market, energy and financial futures market

3. 全国碳市场、能源、金融期货市场静态风险溢出指数

CEA

COAL

CSI300

FU

LPG

LU

OIL

From others

CEA

99.858

0.011

0.016

0.017

0.025

0.001

0.072

0.142

COAL

0.206

99.543

0.049

0.031

0.132

0.039

0.001

0.457

CSI300

0.137

1.599

94.973

2.176

1.025

0.031

0.059

5.027

FU

0.250

5.743

1.101

92.358

0.337

0.112

0.099

7.642

LPG

0.050

4.461

0.173

21.915

73.280

0.109

0.011

26.720

LU

0.243

3.834

1.711

55.942

0.669

37.600

0.001

62.400

OIL

0.109

3.973

0.767

62.085

1.696

9.313

22.057

77.943

To others

0.994

19.622

3.817

142.167

3.882

9.605

0.243

180.330

Contribution including own

100.852

119.164

98.790

234.525

77.163

47.206

22.300

25.800

Table 4. Static risk spillover index of Beijing carbon market, energy and financial futures market

4. 北京碳市场、能源、金融期货市场静态风险溢出指数

BEA

OIL

CSI300

COAL

LPG

LU9999

FU9999

From others

BEA

99.261

0.069

0.126

0.417

0.008

0.079

0.039

0.739

OIL

0.293

99.508

0.104

0.004

0.063

0.020

0.008

0.492

CSI300

0.113

2.294

96.681

0.066

0.258

0.062

0.525

3.319

COAL

0.237

3.722

1.009

94.906

0.086

0.002

0.038

5.094

LPG

0.597

21.946

0.118

1.166

76.136

0.000

0.037

23.864

LU

0.037

70.974

0.263

0.023

0.057

28.533

0.113

71.467

FU

0.428

66.861

0.193

0.417

0.791

2.540

28.769

71.231

To others

1.706

165.867

1.812

2.094

1.263

2.702

0.760

176.205

Contribution including own

100.967

265.376

98.493

97.000

77.399

31.236

29.529

25.172

Table 5. Static risk spillover index of Tianjin carbon market, energy and financial futures market

5. 天津碳市场,能源、金融期货市场静态风险溢出指数

TJEA

CSI300

FU9999

LPG

OIL

LU9999

COAL

From others

TJEA

99.357

0.421

0.062

0.048

0.070

0.025

0.017

0.643

CSI300

0.122

97.875

1.492

0.405

0.038

0.002

0.068

2.125

FU

0.120

1.172

98.321

0.039

0.313

0.004

0.031

1.679

LPG

0.060

0.305

21.923

77.680

0.001

0.008

0.023

22.320

OIL

0.054

1.353

65.607

0.988

31.981

0.017

0.001

68.019

LU

0.074

1.841

58.939

0.254

12.444

26.447

0.001

73.553

COAL

0.271

1.456

4.529

1.164

0.068

0.001

92.511

7.489

Contribution to others

0.701

6.548

152.552

2.897

12.935

0.056

0.140

175.829

Contribution including own

100.058

104.423

250.873

80.577

44.915

26.503

92.651

25.118

Table 6. Static risk spillover index of Shanghai carbon market, energy and financial futures market

6. 上海碳市场,能源、金融期货市场静态风险溢出指数

SHEA

OIL

CSI300

COAL

LPG

LU9999

FU9999

From others

SHEA

99.357

0.023

0.406

0.004

0.103

0.005

0.102

0.643

OIL

0.054

99.723

0.109

0.006

0.063

0.029

0.016

0.277

CSI300

0.122

2.258

96.682

0.064

0.259

0.069

0.546

3.318

COAL

0.271

3.745

1.005

94.848

0.090

0.002

0.039

5.152

LPG

0.060

22.235

0.126

1.251

76.313

0.003

0.012

23.687

LU

0.074

70.731

0.263

0.025

0.051

28.747

0.110

71.253

FU

0.120

66.799

0.192

0.474

0.775

2.656

28.985

71.015

Contribution to others

0.701

165.79

2.101

1.824

1.341

2.763

0.825

175.346

Contribution including own

100.05

265.51

98.783

96.672

77.653

31.510

29.810

25.049%

Table 7. Static risk spillover index of Chongqing carbon market, energy and financial futures market

7. 重庆碳市场、能源、金融期货市场静态风险溢出指数

CQEA

OIL

CSI300

COAL

LPG

LU9999

FU9999

From others

CQEA

97.779

0.062

0.177

0.241

1.202

0.015

0.524

2.221

OIL

0.039

99.733

0.109

0.004

0.065

0.031

0.018

0.267

CSI300

0.001

2.272

96.790

0.065

0.258

0.069

0.545

3.210

COAL

0.008

3.770

0.978

95.134

0.085

0.000

0.026

4.866

LPG

0.002

22.227

0.126

1.204

76.423

0.003

0.014

23.577

LU

0.035

70.764

0.264

0.023

0.052

28.747

0.114

71.253

FU

0.015

66.880

0.193

0.444

0.797

2.673

28.997

71.003

Contribution to others

0.100

165.976

1.846

1.982

2.459

2.792

1.242

176.397

Contribution including own

97.880

265.709

98.636

97.115

78.882

31.539

30.239

25.200%

Table 8. Static risk spillover index of Guangdong carbon market, energy and financial futures market

8. 广东碳市场、能源、金融期货市场静态风险溢出指数

GDEA

OIL

CSI300

COAL

LPG

LU9999

FU9999

From others

GDEA

99.220

0.032

0.036

0.532

0.060

0.047

0.074

0.780

OIL

0.032

99.744

0.107

0.005

0.065

0.030

0.018

0.256

CSI300

0.124

2.256

96.679

0.066

0.254

0.074

0.546

3.321

COAL

0.187

3.737

0.951

95.010

0.087

0.001

0.027

4.990

LPG

0.002

22.229

0.125

1.211

76.417

0.003

0.014

23.583

LU

0.104

70.907

0.277

0.029

0.053

28.514

0.116

71.486

FU

0.020

66.883

0.195

0.463

0.792

2.606

29.042

70.958

Contribution to others

0.469

166.044

1.692

2.305

1.311

2.760

0.795

175.375

Contribution including own

99.688

265.788

98.371

97.314

77.728

31.274

29.837

25.054

Table 9. Static risk spillover index of Hubei carbon market, energy and financial futures market

9. 湖北碳市场、能源、金融期货市场静态风险溢出指数

HBEA

OIL

CSI300

COAL

LPG

LU

FU

From others

HBEA

97.683

0.229

0.877

0.024

0.687

0.186

0.314

2.317

OIL

0.260

99.500

0.109

0.004

0.069

0.034

0.023

0.500

CSI300

0.189

2.185

96.707

0.064

0.260

0.068

0.527

3.293

COAL

0.001

3.778

0.989

95.121

0.085

0.000

0.027

4.879

LPG

0.025

22.369

0.123

1.191

76.274

0.003

0.016

23.726

LU

0.279

70.506

0.263

0.024

0.057

28.741

0.131

71.259

FU

0.503

66.381

0.195

0.456

0.822

2.654

28.988

71.012

Contribution to others

1.257

165.448

2.555

1.763

1.980

2.945

1.038

176.986

Contribution including own

98.940

264.948

99.262

96.884

78.254

31.686

30.026

25.284

天津碳市场收益率对煤、燃料油期货市场单向溢出,天津碳市场和金融市场为双向溢出。其中,沪深300指数期货价格对天津碳市场收益率的溢出指数最大,说明天津地区的碳排放受股市价格的影响较大。

上海碳市场对煤炭、低硫燃油、原油期货市场市场的收益率溢出为单向溢出,液化石油气对上海碳市场单向溢出,而上海碳市场和沪深300、燃料油期货市场市场则为双向溢出。其中,沪深300指数期货价格对上海碳市场收益率的溢出指数最大,说明上海地区的碳排放受股市价格的影响较大,这可能与上海地区金融行业较发达有关。

LPG、FU、煤炭、沪深300对重庆碳市场单向溢出。其中,LPG期货价格对重庆碳市场收益率的溢出指数最大,说明重庆地区的碳排放受液化石油气价格的影响较大,这可能与西南地区作为我国天然气的主产区,天然气作为主要能源被该地区使用,而天然气与液化石油气的价格具有高度相关性。

广东碳市场对沪深300、低硫燃油市场单向溢出,广东碳市场与煤炭市场双向溢出。其中,煤炭期货价格对广东碳市场收益率的溢出指数最大,说明广东地区的碳排放受煤炭价格的影响较大,这可能与煤炭作为广东省能源的最主要来源有关。

液化石油气对湖北碳市场单向溢出,湖北碳市场与原油市场、沪深300市场低硫燃油、燃料油为双向溢出。其中,沪深300指数期货价格和液化石油气期货价格对湖北碳市场收益率的溢出指数最大,说明湖北地区的碳排放受沪深300指数期货价格的影响最大,其次受液化石油气价格影响最大。

4.5. 全国市场及各地碳排放市场的动态溢出指数分析

静态收益率溢出指数只能体现一段时间内对数收益率的溢出效应,而无法展示收益率溢出效应的变化趋势,因此通过动态收益率溢出指数来体现溢出指数的变化趋势。本文设定滚动窗口为50个交易日,进而绘制出全国碳市场与能源期货市场和金融期货市场的Diebold-Yilmaz动态收益率溢出指数,如图2所示。碳市场与其他市场的对数收益率溢出在28%~48%范围内震荡,且震荡趋势具有不确定性。该结果说明“随着清洁能源的发展与使用,化石能源市场对碳市场溢出效应开始减弱”的假设不成立。主要原因是,我国对清洁能源使用体系的搭建尚未完整,传统化石能源依旧占据了较大比重的能源消耗,这些都是可以从之前的静态溢出效应中发现。原油期货市场市场或者煤炭市场在体系中是主要的溢出市场,而碳市场的溢出效应在整个往往不明显,甚至在一些地方市场中为溢入市场。除此之外,全国市场的建立时间过短,缺乏相应的监管体系,而法律法规也不够完善。

Figure 2. Dynamic spillover index of national carbon emission markets and futures market

2. 全国碳排放市场与相关期货市场的动态溢出指数

4.6. 全国市场的动态溢出分析

本文进一步设定滚动窗口为200个交易日,绘制出各个地方碳市场与能源期货市场和金融期货市场的动态收益率溢出指数,如图3(a)~(f)所示。各地碳排放权交易市场的动态收益率总溢出指数呈现出相似的震荡特征,并受到清洁能源推广与使用程度的影响。其关联性的变化也表明了碳市场与其他市场之间的复杂关系,以及需要更加完善的清洁能源使用体系才能实现碳排放交易市场与其他市场之间的有效关联。

(a) 北京 (b) 天津

(c) 上海 (d) 重庆

(e) 广东 (f) 湖北

Figure 3. Dynamic spillover index of local carbon emission markets and futures markets

3. 各地碳排放市场与相关期货市场的动态溢出指数分析

5. 总结

本文从时域和频域视角研究了我国碳市场与能源市场之间的静态和时变溢出,通过搭建Diebold-Yilmaz溢出指数模型,研究了碳市场与外部市场的交互关联,发现不同地区的碳市场与能源市场之间的存在溢出效应,且溢出效应存在差异性。不同地区的碳排放交易市场受到地区主要能源来源、经济结构、产业布局、政策环境等因素的影响,其溢出效应体系也会有所差异。一些地区可能由于特定的经济结构或政策导向,其溢出效应可能更加显著;而在另一些地区,溢出效应可能相对较小。

这种差异性需要在管理碳排放交易市场时予以考虑。政策制定者应该根据当地的实际情况,量身定制管理政策,以充分发挥地方碳排放交易市场的作用,促进碳排放减少和经济可持续发展。同时,政府可以通过加强地方市场之间的合作与协调,共同应对跨地区碳排放溢出效应,实现全局的碳减排目标。

此外,各地区碳市场与主要期货市场的动态溢出指数,从2022年第四季度溢出都呈现下降趋势。但全国碳市场与主要期货市场的动态溢出指数始终处于高位震荡。本文将其归因为随着新能源汽车的普及导致的电力需求急剧增加。

基金项目

本课题由广州市哲学社科规划2023年度课题(2023GZYB75),广东省哲学社会科学规划基金(GD23XYJ56),广东省教育厅重点学科研究提升项目(2021ZDJS117, 2022ZDJS134),广东省普通高校创新团队项目(2023WCXTD025),广东省普通高校服务“百千万工程”重点领域专项(2024ZDZX4034)及广东省普通高校特色创新类项目(2023WTSCX131)的资助。

NOTES

*通讯作者。

参考文献

[1] Batten, J.A., Maddox, G.E. and Young, M.R. (2021) Does Weather, or Energy Prices, Affect Carbon Prices? Energy Economics, 96, Article ID: 105016.
https://doi.org/10.1016/j.eneco.2020.105016
[2] Cong, R. and Lo, A.Y. (2017) Emission Trading and Carbon Market Performance in Shenzhen, China. Applied Energy, 193, 414-425.
https://doi.org/10.1016/j.apenergy.2017.02.037
[3] Ji, Q., Zhang, D. and Geng, J. (2018) Information Linkage, Dynamic Spillovers in Prices and Volatility between the Carbon and Energy Markets. Journal of Cleaner Production, 198, 972-978.
https://doi.org/10.1016/j.jclepro.2018.07.126
[4] Hintermann, B. (2010) Allowance Price Drivers in the First Phase of the EU ETS. Journal of Environmental Economics and Management, 59, 43-56.
https://doi.org/10.1016/j.jeem.2009.07.002
[5] 华欣, 安园园. 欧盟碳期货与现货价格引导关系及启示[J]. 生态经济, 2019, 35(7): 25-29, 109.
[6] 洪涓, 陈静. 国际碳排放权交易价格关系实证研究[J]. 中国物价, 2010(1): 7-11.
[7] 黄文彬, 高韵芳. 碳排放权交易市场的信息流动关系——基于EUA市场和CER市场的实证研究[J]. 技术经济, 2013, 32(11): 57-64, 111.
[8] 邹绍辉, 张甜. 国际碳期货价格与国内碳价动态关系[J]. 山东大学学报(理学版), 2018, 53(5): 70-79.
[9] Chevallier, J. (2011) A Model of Carbon Price Interactions with Macroeconomic and Energy Dynamics. Energy Economics, 33, 1295-1312.
https://doi.org/10.1016/j.eneco.2011.07.012
[10] 邹绍辉, 张甜. 能源期货市场、能源股票市场与碳市场非线性关系动态分析[J]. 系统工程, 2020, 38(5): 1-13.
[11] 王艺蓉. 碳交易背景下我国能源期货与能源股票市场的动态关系研究[D]: [硕士学位论文]. 成都: 电子科技大学, 2023.
[12] 车广君, 牟芸仪. 能源市场与广东碳排放市场的长短期动态关系研究——基于能源期货市场和现货市场[J]. 浙江金融, 2022(11): 58-67.
[13] Keppler, J.H. and Mansanet-Bataller, M. (2010) Causalities between CO2, Electricity, and Other Energy Variables during Phase I and Phase II of the EU ETS. Energy Policy, 38, 3329-3341.
https://doi.org/10.1016/j.enpol.2010.02.004
[14] Wang, Y. and Guo, Z. (2018) The Dynamic Spillover between Carbon and Energy Markets: New Evidence. Energy, 149, 24-33.
https://doi.org/10.1016/j.energy.2018.01.145
[15] Tan, X., Sirichand, K., Vivian, A. and Wang, X. (2020) How Connected Is the Carbon Market to Energy and Financial Markets? A Systematic Analysis of Spillovers and Dynamics. Energy Economics, 90, Article ID: 104870.
https://doi.org/10.1016/j.eneco.2020.104870
[16] Ahonen, E., Corbet, S., Goodell, J.W., Günay, S. and Larkin, C. (2022) Are Carbon Futures Prices Stable? New Evidence during Negative Oil. Finance Research Letters, 47, Article ID: 102723.
https://doi.org/10.1016/j.frl.2022.102723
[17] 张欢. 碳市场与化石能源市场问的金融风险溢出——以欧洲市场为例[J]. 华北金融, 2018(9): 16-24.
[18] 王喜平, 王恬恬, 王婉晨. 基于溢出指数方法的我国碳市场与能源市场间风险溢出效应研究[J]. 电力科学与工程, 2023, 39(3): 25-33.
[19] 苏蕾, 井博飞, 鞠婷婷. 中国碳排放权交易市场溢出效应分析——基于能源市场、电力市场和金融市场视角分析[J]. 商业经济, 2023(6):167-172.
[20] Diebold, F.X. and Yilmaz, K. (2008) Measuring Financial Asset Return and Volatility Spillovers, with Application to Global Equity Markets. The Economic Journal, 119, 158-171.
https://doi.org/10.1111/j.1468-0297.2008.02208.x