上海碳排放权配额价格影响因素——基于VAR模型

Empirical Study on Factors Influencing the Price of Shanghai Carbon Emission Allowances—Based on VAR Model

摘要: 碳市场的有效建立对于我国达成“双碳”目标至关重要，然而碳排放权配额价格影响因素众多。本文采用向量自回归模型(VAR)，以上海碳排放权配额(SHEA)成交均价为研究对象，从能源价格、宏观经济状况、环境因素、公众情绪四个方面分别选取相应指标进行研究。结果表明，能源价格类影响因素对上海碳排放权配额价格的影响均为正向；宏观经济状况方面，沪深300指数对上海碳排放权配额价格表现为先呈现负面影响，后转为正面影响，汇率则相反，首先呈现正面影响，而后转负；环境因素未能通过格兰杰因果检验，即与被解释变量不存在因果关系；公众情绪对上海碳排放权配额价格波动影响较为明显，且时间较长。本文实证结果可以帮助投资者正确认识碳排放权配额价格变化，为政策制定者提供参考，以及为进一步构建反映真实、全面信息的全国碳排放权交易市场提供依据。

Abstract: It is crucial for China to achieve its “dual carbon” goals through the establishment of an efficient carbon market mechanism. However, there are many factors that influence the price of carbon emission quotas. This study utilizes a Vector Autoregressive (VAR) model to investigate the average transaction price of Shanghai Emission Allowances (SHEA) from four aspects, energy prices, macroeconomic conditions, environmental factors, and public sentiment. The results indicate that energy price-related factors all have a positive impact on the price of SHEA; Concerning macroeconomic conditions, CSI 300 Index initially has a negative impact on the price of SHEA, which later turns positive, while the exchange rate shows the opposite trend, starting with a positive impact and then turning negative; Environmental factors did not show causal relationships with the explained variable as per Granger causality tests; Public sentiment has a significant and long-lasting impact on the fluctuation of SHEA. The empirical results of this study can help investors understand the changes in carbon emission quota prices correctly, provide references for policymakers, and serve as a basis for further establishing a nationwide carbon emission trading market reflecting true and comprehensive information.

1. 引言

2011年国家发改委发布《关于开展碳排放权交易试点工作的通知》，确定深圳、北京、上海、天津、重庆、湖北、广东为碳交易试点[1]，又于2016年1月出台的《关于切实做好全国碳排放权交易市场启动重点工作的通知》，确定了我国于2017年启动全国碳排放权市场交易，最终于2021年7月16日全国碳排放权交易市场正式开市[2]。这一系列关于碳排放市场建立的政策和实施，其目的都是希望通过市场机制，能够有效地规范和约束碳排放量，从而达到“碳达峰、碳中和”目标。但全国碳排放权交易市场正式开始时间较短，可供分析的数据并不充分，相反，上海试点的碳排放权配额交易价格数据充分，且全国碳市场能力建设(上海)中心在上海环境能源交易所正式挂牌，因此本文选择上海市碳交易试点的交易品种SHEA价格进行分析，探寻其价格的影响因素，为进一步构建反映真实全面信息且价格合理的全国碳排放权交易价格提供参考。

2. 文献综述

对于政策制定者和投资者来说，准确且反映全面信息的碳排放权交易价格至关重要。然而，受各种信息来源相互作用的影响，碳排放权交易价格呈现出非线性和非平稳性特征。而其价格的影响因素众多，除历史碳排放权交易价格外，还有能源价格[3]、汇率[4]、工业总产值、煤炭消费、极端天气数量、技术创新指数[5]等等。其中大部分研究表明，有关能源消耗或极端天气的因素，大多对碳排放权交易价格呈现正向影响，而有关绿色能源和绿色技术改革创新的因素大多对其的影响是负向的。另外，由于我国碳排放权交易市场最终将和世界接轨，因此国际碳排放权交易价格也对我国的碳价形成一定影响[6]。

探究碳排放权交易价格影响因素的方法众多。熊萍萍等[7]使用VAR模型检验了煤炭价格与碳价的传导路径及能源消费结构、能源效率与动态相关系数的因果关系。蔡彤娟等[8]使用VAR-MVGARCH-DCC模型对中国和欧盟碳排放交易市场与股票市场的动态关联情况进行了进一步的分析，认为碳排放交易市场对股市有明确的引导作用。其他方法还有很多，如自回归条件异方差模型(GARCH) [9]、极端梯度增强(XGBoost)和偏自相关函数(PACF) [10]等。

综上所述，碳排放权配额价格影响因素众多，且选择不同的指标进行测度得到的结果也略有差异，即稳健性较弱。因此本文针对性地聚焦上海市场，选取不同的指标对其价格影响因素进一步分析。以往研究鲜有考虑公众情绪对碳排放权配额价格的影响，而本文引入公众情绪对碳排放权配额价格的影响。目前公众情绪的衡量指标包括微博话题数据、新闻文本情绪词等，本文采用百度指数，即在百度中搜索“碳交易”这一关键词的数量进行分析，考虑到目前手机端查询的便捷性和使用广泛性，故采用pc端 + 移动端的综合搜索量代表公众情绪。

3. 模型与方法

经济相关的时间序列数据，尤其是宏观经济数据，往往呈现较为明显的时间趋势，即序列是非平稳的，若是在此基础上建立多元线性回归模型，很可能会出现“伪回归”现象，从而使得模型的准确度和解释力明显下降，可能导致错误的判断。而向量自回归模型(VAR)相较于简单的多元线性回归具有更好的解释力，并且VAR模型对参数不施加零约束，又能避免结构建模方法中需要对系统每个内生变量关于所有内生变量滞后值的建模问题。因此，本文参考熊萍萍等[7]的做法，通过Stata 15.0软件构建VAR模型来探究上海碳排放权配额价格的影响因素及相关关系。模型数学表达式如式(1)所示。

$y_t={\alpha }_1{y}_{t-1}+\cdots +{\alpha }_p{y}_{t-p}+{\epsilon }_{t}t=1,2,\cdots ,T$ (1)

其中，t为样本数量，p为VAR模型的滞后阶数，需要根据信息准则进一步确定，y_t为k维矩阵，ε_t为k维随机扰动项，${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_p$ 分别为k × k维待估计的系数矩阵。

由于VAR模型包含许多参数，这些参数的经济意义很难解释，故将注意力集中于脉冲响应函数，其表达式如式(2)所示。

${\text{IRF}}_{ji}\left(h\right)=\partial y_{j,t+p}/\partial {\epsilon }_{i,t}$ (2)

其中${\text{IRF}}_{ji}\left(h\right)$ 表示第j个变量对第i个变量的影响，h表示滞后期数，式(2)表示t时，对第个变量y_j进行冲击后，对之后h期的第i个变量的影响程度。

4. 实证研究

4.1. 变量选取和数据来源

根据上海环境能源交易所公布的上海碳排放权配额(SHEA)成交数据，由于缺少收盘价相关数据，因此，本文参考王庆山等[11]用每日成交金额除以每日交易量得到每日均价，作为被解释变量，以SHEA表示。

上海碳排放权配额价格的影响因素众多，本文在以往研究的基础上[6]，主要从能源价格、宏观经济状况、环境因素、公众情绪四个方面对上海碳排放权配额价格影响因素进行分析。

能源是碳排放主要的产生原因，我国的能源消耗主要集中在煤、石油和天然气三类。焦炭当前消耗量较大，其指数收盘价能够更好和更全面地反映焦炭的价格变化；OPEC作为由主要石油生产国组成的组织，通过调整石油产量来影响石油价格，其决策能显著影响全球原油价格；液化天然气生产资料价格能更好反映出其成本，影响碳排放权配额的需求，从而影响其价格；综上，考虑到数据之间的匹配度和能源价格的代表性水平，本文选取焦炭指数收盘价、OPEC一揽子原油现货价和液化天然气生产资料价格作为能源价格数据，以Coal、Oil和Gas表示，其数据来源分别为大连商品交易所、OPEC和国家统计局。

宏观经济状况方面，本文参考Zhao等[12]的做法选取沪深300指数来反映国内的宏观经济状况，数据来源于上海证券交易所，以CSI300表示；由于汇率会影响大宗商品价格，进而可能对碳价产生影响，参考的魏宇等[13]的做法，本文选取美元兑人民币的即期汇率来反映国际市场变动，数据来源于中国外汇交易中心，以ER表示。

环境因素方面，同样参考魏宇等[13]的做法，选取空气质量指数来反映上海空气质量，数据来源于中国空气质量在线监测分析平台，以AQI表示；极端高温或低温通过人们的制冷或供暖需求，影响碳排放，因此选取上海气温最大值和最小值，代表上海极端气温的变化，数据来源于世界农业展望局，以T_max、T_min表示。

自Da等[14]在金融研究领域使用网络搜索数据后，越来越多研究者通过搜索指数衡量投资者关注度，而百度是国内最大的搜索引擎，人们使用移动端设备搜索的频率与日俱增，为保证本研究的全面性，本文公众情绪则选用上海地区pc端 + 移动端的“碳交易”百度搜索量综合表示，数据来源于百度，以BDI表示。

以上数据样本区间为2013年12月19日~2024年4月30日，剔除非交易日数据，个别缺失数据使用滑动平均窗口法进行填补。另外，除气温数据外，所有数据皆为日频数据，气温以上海当月气温平均最大、小值代表上海气温日变化。变量分类及数据来源见表1。

Table 1. Variable classification and data sources

表1. 变量分类及数据来源

一级指标	二级指标	数据来源	符号
历史碳价格	上海碳排放权配额：成交均价	上海环境能源交易所	SHEA
能源价格	焦炭指数：收盘价	大连商品交易所	Coal
	OPEC一揽子原油：现货价	OPEC	Oil
	液化天然气：生产资料价格	国家统计局	Gas
宏观经济状况	沪深300指数	上海证券交易所	CSI300
	即期汇率：USD/CNY	中国外汇交易中心	ER
环境因素	上海空气质量指数	中国空气质量在线监测分析平台	AQI
	气温平均最大值	世界农业展望局	Tmax
	气温平均最小值	世界农业展望局	Tmin
公众情绪	百度指数：碳交易	百度	BDI

4.2. 数据描述性统计

上海碳排放权配额(SHEA)数据除非交易日外共计1665条，其他指标按照SHEA的交易日期进行保留，SHEA价格在4.2~75元/吨不停波动，尤其是初期波动较大，但后期总体上呈现下降且逐步稳定的趋势。表2为各指标原始数据的描述性统计。

4.3. White检验

White检验是判断是否存在异方差的常用方法之一。检验结果如表3所示，指标在1%的置信水平下，可以拒绝同方差，即总体上存在异方差。因此，对所用指标数据均做对数处理，前附前缀ln_，例如ln_SHEA，ln_Coal等。

Table 2. Descriptive statistics of data

表2. 数据统计性描述

变量(符号)	样本量	平均值	标准差	最小值	最大值
SHEA	1665	41.31	15.57	4.200	75
Coal	1665	2018	747.5	610.9	4118
Oil	1665	70.58	22.62	12.41	128.3
Gas	1665	4546	1381	2493	8437
CSI300	1665	3806	734.7	2087	5768
ER	1665	6.678	0.354	6.041	7.341
AQI	1665	75.21	34.19	17	270
Tmax	1665	21.08	8.062	7	36
Tmin	1665	13.84	8.267	1	28
BDI	1665	127.5	66.50	0	909

Table 3. White test

表3. White检验

White’s test for Ho homoskedasticity
against Ha unrestricted heteroskedasticity
chi2 (54) = 531.3
Prob > chi2 = 0.0000
Cameron & Trivedi’s decomposition of IM-test
Source	chi2	df	p
Heteroskedasticity	531.25	54	0
Skewness	59.63	9	0
Kurtosis	3.30	1	0.0692
Total	594.2	64	0

4.4. ADF检验、协整检验及Grander因果检验

VAR模型要求其数据都是平稳的，因此，在建立VAR模型前，ADF检验结果显示ln_SHEA、ln_Coal、ln_Oil、ln_Gas、ln_CSI300、ln_ER、ln_AQI、ln_Tmax、ln_Tmin、ln_BDI都是不稳定序列，接着对所有数据进行一阶差分并附加前缀D.，例如，D.ln_SHEA、D.ln_Coal等，而后进行平稳性分析。检验结果显示，所有数据的一阶差分稳定 即为一阶单整序列。

由于本文所有变量均为一阶单整，且变量个数大于2，为考察数据序列之间是否存在长期稳定的关系，所以采用Johansen协整检验对其协整关系进行检验。结果表明D.ln_SHEA、D.ln_Coal、D.ln_Oil、D.ln_Gas、D.ln_CSI300、D.ln_ER、D.ln_AQI、D.ln_Tmax、D.ln_Tmin、D.ln_BDI之间存在协整关系。至此，检验的数据是平稳的(即不存在单位根)，从而进行Grander因果检验，进行变量外生性检验。

Grander因果检验结果拒绝了D.ln_AQI、D.ln_Tmax、D.ln_Tmin在模型中存在因果关系，因此本文在后续建立VAR模型中，将以上三个指标作为外生变量处理，D.ln_Coal、D.ln_Oil、D.ln_Gas、D.ln_CSI300、D.ln_ER、D.ln_BDI均为内生解释变量。

4.5. 构建VAR模型

4.5.1. 确定最优滞后阶数

在构建VAR模型前，需先选择最优滞后阶数，其常用判定标准包括AIC准则、SBIC准则等，其结果如表4所示。由表可知，最优滞后阶数选择1阶或2阶均可，本文根据AIC和SBIC准则，在考虑模型简洁性的基础上选择滞后1阶，建立1阶自回归模型，即VAR(1)模型。

Table 4. Determination of lag length

表4. 滞后阶数选择

lag	LL	LR	df	p	FPE	AIC	HQIC	SBIC
0	−1305.65				0	1.584	1.596	1.617
1	25101.1	52813	100	0	0	−30.092	−29.9587^*	−29.733^*
2	25245.5	288.82	100	0	3.8e−26^*	−30.1451^*	−29.891	−29.46
3	25344.2	197.45	100	0	0	−30.143	−29.769	−29.133
4	25424.6	160.85^*	100	0	0	−30.12	−29.625	−28.783

4.5.2. AR根检验

接着对VAR(1)模型进行AR根检验，检验结果如图1，所有根均位于圆内，即VAR模型特征根小于1，因此模型稳定。所以可以在此基础上开展下一步研究，进行脉冲响应函数分析。

Figure 1. AR root test

图1. AR根检验

4.6. 实证结果及分析

本文要构建的VAR模型解释变量众多，且均需滞后一阶，因此系数众多，以至于无法解释其经济含义，因此本文主要汇报脉冲响应函数图像，详细分析各影响因素对上海碳排放权配额价格的影响过程，分作用时长和影响路径两方面进行阐述。因为是日频数据，所以期数选择为10天。

4.6.1. 能源价格对SHEA的影响

(1) Coal对SHEA的影响

据图2中D.ln_SHEA的脉冲响应结果可知，给予D.ln_Coal一个标准的正冲击后，D.ln_SHEA有小幅上升，且在95%的置信区间内；在接近第三期到第四期时便趋向于0，D.ln_SHEA对来自D.ln_Coal的方程冲击调整结束。这表明焦煤指数给上海碳排放权配额价格带来的冲击是正向的，并且持续时间较短，在第四期影响全部消失。

Figure 2. The effect of coal on SHEA

图2. Coal对SHEA的影响

(2) Oil对SHEA的影响

据图3中D.ln_SHEA的脉冲响应结果可知，给予D.ln_Oil一个标准的正冲击后, D.ln_SHEA有小幅上升，且在95%的置信区间内；在第二期时便趋向于0，第五期D.ln_SHEA对来自D.ln_Oil的方程冲击调整结束。这表明OPEC一揽子原油现货价给上海碳排放权配额价格带来的冲击是正向的，并且持续时间较短，在第五期影响全部消失。

(3) Gas对SHEA的影响

据图4可知，给予D.ln_Gas一个标准的正冲击后，D.ln_SHEA有所上升，且在95%的置信区间内；在第二期时影响略呈负向，第三期便趋向于0，第四期D.ln_SHEA对来自D.ln_Oil的方程冲击调整结束。这表明液化天然气生产资料价格给上海碳排放权配额价格带来的冲击先是正向的，之后略微负向，在第四期影响全部消失。

能源类影响因素，煤、石油、天然气的价格对上海碳排放权配额价格的影响均为正向。表明随着煤、石油、天然气价格的上升，上海碳排放权配额价格的价格也上升。这可能是由于能源是企业生产的重要原材料，当能源价格上涨时，企业的生产成本增加。为了维持利润水平，企业可能会扩大生产规模以摊薄成本，这反而会增加碳排放的需求，进而推高碳排放权的价格。

Figure 3. The effect of oil on SHEA

图3. Oil对SHEA的影响

Figure 4. The effect of gas on SHEA

图4. Gas对SHEA的影响

4.6.2. 宏观经济状况对SHEA的影响

(1) CSI300对SHEA的影响

据图5可知，给予D.ln_CSI300一个标准的正冲击后，D.ln_SHEA有所下降，且在95%的置信区间内；在第二期时影响略呈正向，第三、四期便趋向于0，第五期D.ln_SHEA对来自D.ln_CSI300的冲击调整结束。这表明沪深300指数给上海碳排放权配额价格带来的冲击先是负向的，之后略微正向，在第五期影响全部消失。其原因可能是当沪深300指数上涨时，通常意味着市场经济活动增加，这可能会导致能源消耗和碳排放量的增长，然而，若是市场对未来经济增长的预期过于乐观，而实际上未达预期，那么此前较高的碳排放权配额价格可能会因为实际需求低于预期而出现下跌。

Figure 5. The effect of CSI300 on SHEA

图5. CSI300对SHEA的影响

(2) ER对SHEA的影响

据图6可知，给予D.ln_ER一个标准的正冲击后，D.ln_SHEA有所上升，且在95%的置信区间内；在第二期时影响略呈负向，第三、四期便趋向于0，第五期D.ln_SHEA对来自D.ln_ER的冲击调整结束。这表明美元兑人民币的即期汇率给上海碳排放权配额价格带来的冲击先是正向的，之后略微负向，在第五期影响逐渐消失。汇率对上海碳排放权配额价格的影响与沪深300指数相反，当美元兑人民币的汇率上升时，化石能源进口成本更低，因此会降低企业的生产成本，增加了企业的生产和碳排放需求，因此碳排放权配额价格首先升高，而后这种影响随着时间消失。

4.6.3. 公众情绪对SHEA的影响

据图7可知，给予D.ln_BDI一个标准的正冲击后，D.ln_SHEA有所下降，且在95%的置信区间内；在第二期时影响呈正向，之后在正负之间不停波动，于第七期逐渐趋向于0，D.ln_SHEA对来自D.ln_BDI的冲击调整结束。这表明碳交易的百度指数给上海碳排放权配额价格带来的冲击先是负向的，之后小范围波动，在第七期影响逐渐消失。大量的搜索反映了公众对碳交易的关注度，其波动反映了对碳价未来走势的不确定性，因此市场参与者可能会更加谨慎地进行交易，甚至选择观望或减持。这种不确定的市场情绪会一定程度上影响碳排放权配额价格的供需平衡，造成价格波动。

4.7. 稳健性检验

由于VAR模型的结果可能会随着变量的排序而有所不同，因此本文合理变换了变量之间的顺序，进行稳健性检验。变换顺序前后的脉冲图如图8所示。稳健性分析进一步表明,本文的基本结论前后并没有改变。

Figure 6. The effect of ER on SHEA

图6. ER对SHEA的影响

Figure 7. The effect of BDI on SHEA

图7. BDI对SHEA的影响

Figure 8. Robustness test

图8. 稳健性检验

5. 结论与政策建议

本文通过建立1阶自回归模型VAR(1)，以上海碳排放权配额(SHEA)成交均价为研究对象，从能源价格、宏观经济状况、环境因素、公众情绪四个方面分别选取对应指标进行研究，得到以下结论：

能源类影响因素，煤、石油、天然气的价格对上海碳排放权配额价格的影响均为正向。宏观经济状况方面，沪深300指数对上海碳排放权配额价格显示呈现负面影响，后转为正面影响，随后影响消失；汇率则对上海碳排放权配额价格的影响与沪深300指数相反。环境因素的空气质量指标、月气温平均最高、低温由于未能通过格兰杰因果检验，即与被解释变量不存在因果关系，因此在模型中作为外生变量。公众情绪对上海碳排放权配额价格波动较为明显，首先显示呈现负面影响，后转为正面影响，随后不停波动且影响时间较长，最后逐渐趋向于0。

鉴于以上研究结果，本文提出如下建议：

第一，促进企业进行改革，提升传统能源的利用效率，减少对传统能源的依赖，从而减弱传统能源价格对碳排放权配额价格的波动。同时鼓励和支持企业进行绿色技术创新，提高能源利用效率并减少碳排放；

第二，关注宏观经济状况，当宏观经济出现变化时，政府应该及时调整碳排放权配额，避免其价格出现大规模波动；

第三，加快制定和完善碳交易相关的法律法规，为碳交易市场提供法律保障，及时发布有关经济状况、政策调整和未来走向的信息，以降低市场不确定性，从而稳定公众预期，减小碳排放权配额价格波动，并使得其能真实、准确、完整地反映市场信息。

第四，积极参与国际碳交易市场，特别是加强与欧盟的碳交易市场合作与交流，学习借鉴国际先进经验和技术。争取早日将国内碳交易市场与国际接轨。