蔡文娟

[摘 要]選取碳排放為關(guān)鍵詞的谷歌趨勢為網(wǎng)絡(luò)搜索變量，運用DCC-MIDAS模型研究歐盟排放配額對我國碳排放配額的影響，并對其價格進行預(yù)測。研究發(fā)現(xiàn)網(wǎng)絡(luò)搜索量與國內(nèi)外碳市場之間存在聯(lián)動效應(yīng)。從采用不同權(quán)重的MIDAS模型預(yù)測結(jié)果來看，U-MIDAS權(quán)重對于碳價預(yù)測的效果最佳。

[關(guān)鍵詞]網(wǎng)絡(luò)搜索量;谷歌趨勢;DCC-MIDAS;碳價預(yù)測

[中圖分類號] X196[文獻標識碼] A [文章編號] 2095-3283（2020）01-0031-04

Abstract： This paper selects the Google trend with carbon emissions as the key to the network search variables， and uses the DCC-MIDAS model to study the impact of EU emission allowances on China's carbon emission quotas and forecast their prices. The study found that there is a linkage effect between the amount of web search and the carbon market at home and abroad. From the prediction results of MIDAS models with different weights， U-MIDAS weights have the best effect on carbon price prediction.

Keywords： Web Search Volume; Google Trends; DCC-MIDAS; Carbon Price Forecast

一、引言

經(jīng)濟發(fā)展提高了人們的生活水平但是也引發(fā)了許多嚴峻的問題，溫室效應(yīng)就是其中之一。根據(jù)IPCC的研究，溫室效應(yīng)很大程度上是由二氧化碳等溫室氣體的排放所引起的。自19世紀中期至今地表溫度已經(jīng)上升了0.74℃，預(yù)計到2100年地表氣溫將增加1.4—6.4℃。溫室效應(yīng)將會給人類經(jīng)濟社會的發(fā)展造成極大的危害。對于如何減少溫室氣體排放，抑制溫室效應(yīng)，己經(jīng)成為國際社會的熱門話題。對此全球制定了相關(guān)合作協(xié)議來建立統(tǒng)一的碳交易市場，通過對于碳排放權(quán)配額的買賣來降低二氧化碳的排放，這也凸顯出碳排放權(quán)的金融和投資屬性。然而，由于碳市場屬于新興市場，建立時間相對較短，存在不少問題，如交易機制不盡完善、交易量相對較少、價格波動較為劇烈等。除此之外有學(xué)者研究發(fā)現(xiàn)，我國的碳金融資產(chǎn)大量流失，至2008年已經(jīng)達到了33億歐元，這與沒有完善的碳價研究預(yù)測機制息息相關(guān)。因此對于我國碳市場價格波動以及預(yù)測的研究至關(guān)重要，不僅有利于我國的碳交易市場發(fā)展和完善，而且可以有效地提高我國在全球碳市場的話語權(quán)。

二、文獻綜述

近年來，國內(nèi)外學(xué)者從不同的角度對碳市場進行研究。研究角度主要集中在碳排放影響因素（如極端氣候，排放限額政策，經(jīng)濟社會發(fā)展，能源市場和市場規(guī)則）、碳市場交易價格波動特征及風(fēng)險測度和碳市場交易機制等方面。

國外對于碳市場價格預(yù)測的研究起步較早，按照研究方法可分為參數(shù)法與非參數(shù)法。Paolell（2008）[1]使用改進的混合正態(tài)GARCH模型對碳市場價格進行預(yù)測，發(fā)現(xiàn)與常用的風(fēng)險預(yù)測模型相比，改進的GARCH模型在樣本內(nèi)擬合和樣本外風(fēng)險預(yù)測方面的精度有所提高。Byun（2013）[2]研究了不同GARCH類型模型來預(yù)測碳期貨的波動性。研究表明具有正態(tài)分布的GJR-GARCH模型優(yōu)于其他GARCH類型模型的預(yù)測。紀欽洪等（2018）[3]建立三元線性回歸模型對廣東碳配額市場的價格進行預(yù)測。模型回歸結(jié)果表明，回歸碳價與碳配額成交價整體擬合程度較高，MAPE小于10%。

碳市場價格變化并不總是線性的。在此基礎(chǔ)上，一些學(xué)者開始采用非參數(shù)方法來處理此類問題。Zhu（2013）[4]綜合LSSVM模型和ARIMA模型的優(yōu)勢，提出了LSSVM、ARMA聯(lián)合模型。該模型在歐盟碳價預(yù)測的表現(xiàn)優(yōu)于ARIMA和LSSVM。王娜（2016）[5]提出的Boosting-ARMA算法，利用Boosting算法來自動尋找ARMA模型的最優(yōu)子集。模擬實驗和實證結(jié)果都顯示了Boosting-ARMA在碳價預(yù)測方面的有效性。崔煥影等（2018）[6]利用EMD-GA-BP模型、EMD-PSO-LSSVM模型構(gòu)建組合預(yù)測模型從國際碳價、國內(nèi)外能源市場和國內(nèi)經(jīng)濟三個方面來對國內(nèi)的碳價進行短期和長期的預(yù)測。

隨著互聯(lián)網(wǎng)的普及，特別是近年來百度谷歌等搜索引擎的廣泛使用，信息的傳播范圍與傳播速度正在不斷提高，消費者能夠借由網(wǎng)絡(luò)取得相關(guān)產(chǎn)品與服務(wù)的詳細信息，為研究者提供了相關(guān)科學(xué)研究領(lǐng)域的新思路。消費者的這些“搜索行為”可以直接或間接反映用戶的需求，而用戶需求最終反映到實際的社會經(jīng)濟環(huán)境中去。眾多學(xué)者研究發(fā)現(xiàn)網(wǎng)絡(luò)搜索量與經(jīng)濟社會之間有著相關(guān)關(guān)系，因此使用網(wǎng)絡(luò)搜索這一變量對消費、房地產(chǎn)、就業(yè)和股市等進行預(yù)測。Marcos 和 Carmen（2018）[7]使用谷歌在線搜索數(shù)據(jù)來預(yù)測西班牙的失業(yè)率。發(fā)現(xiàn)互聯(lián)網(wǎng)搜索與失業(yè)之間存在著高度相關(guān)性。除此之外，包含互聯(lián)網(wǎng)搜索的數(shù)據(jù)增強了模型的預(yù)測性能。Takeda 和 Wakao （2014） [8]考察了2008年和2011年之間189種日本股票的在線搜索強度與股票交易行為之間的關(guān)系。結(jié)果表明，谷歌搜索指數(shù)與股票收益率之間有弱負相關(guān)性，與交易量之間存在顯著的正相關(guān)性。

國內(nèi)也有一些學(xué)者利用網(wǎng)絡(luò)搜索指數(shù)對經(jīng)濟領(lǐng)域進行探索研究。張誼浩等（2014） [9]利用AR模型來研究網(wǎng)絡(luò)搜索量與股票市場之間的相互關(guān)系，研究表明網(wǎng)絡(luò)搜索量和網(wǎng)絡(luò)搜索強度對股票短期和累計收益率以及短期的交易量均有影響。并且投資者的網(wǎng)絡(luò)搜索行為對股票市場有著較強的解釋和預(yù)測能力。董倩等（2014） [10]以北京、重慶、天津等16個大中城市的新建商品房價格和二手房價格為研究對象，引入百度指數(shù)進行了預(yù)測，得到預(yù)測新建商品房和二手房價格指數(shù)變動的最優(yōu)模型，并且預(yù)測的房價指數(shù)比統(tǒng)計局官方發(fā)布的統(tǒng)計數(shù)據(jù)早2周左右。呂本富等（2012） [11] 采用均衡價格理論，揭示了CPI與網(wǎng)絡(luò)搜索行為之間存在協(xié)整關(guān)系。與傳統(tǒng)模型相比該模型還具有轉(zhuǎn)折點預(yù)測能力。

因此本文把網(wǎng)絡(luò)搜索引入對于我國碳市場價格預(yù)測中，采用DCC-MIDAS模型探究國內(nèi)外碳市場與網(wǎng)絡(luò)搜索量之間的關(guān)系，并對碳價進行相關(guān)預(yù)測研究。

三、DCC-MIDAS模型

DCC-MIDAS模型將DCC引入GARCH-MIDAS模型而來。Colacito， Engle和Ghysels三位學(xué)者首先提出DCC-MIDAS模型這一概念，將動態(tài)相關(guān)性分解為長期成分和短期成分兩部分，從而構(gòu)建了DCC-MIDAS模型。用GARCH模型中的長期和短期波動成分取代了傳統(tǒng)的DCC模型中的相應(yīng)部分，然后利用GARCH-MIDAS模型將長期相關(guān)性加入混頻數(shù)據(jù)樣本中，因此構(gòu)建了一個能夠刻畫混頻序列相關(guān)性的動態(tài)模型DCC-MIDAS模型。模型如下：

四、實證研究

（一）樣本選擇與描述性統(tǒng)計分析

我國統(tǒng)一的碳交易市場還未建立，各個試點城市由于當(dāng)?shù)亟?jīng)濟發(fā)展水平的差異有著不同的經(jīng)濟結(jié)構(gòu)和能源消費結(jié)構(gòu)，籠統(tǒng)地對所有交易試點城市的交易數(shù)據(jù)和影響因素的變量進行面板數(shù)據(jù)分析則忽視了這種差異性，存在一定的局限性。因此使用相關(guān)的模型進行單一試點城市的實證研究更加契合實際情況。因此以我國開始交易最早、規(guī)模最大的深圳碳交易市場的碳配額成交價格作為我國碳市場價格的代表。通過谷歌趨勢搜索碳排放為關(guān)鍵詞的日度數(shù)據(jù)為網(wǎng)絡(luò)搜索量的代理變量。選取2013—2018年間歐盟碳排放交易所的歐盟配額 （EUA） 期貨結(jié)算價為國際碳價的代理變量。由于數(shù)據(jù)的可得性，樣本期間為2013年9月26日至2018年10月9日。共1032個數(shù)據(jù)樣本，數(shù)據(jù)來源于WIND。

從表1可知，樣本期內(nèi)3個序列的平均收益率為正值。深圳碳交易市場的標準差遠大于EUA期貨，說明其波動性最大。從偏度來看，兩個碳交易市場的偏度都大于0，呈明顯的右偏態(tài)。峰度方面，兩個市場的峰度均明顯大于3，存在尖峰厚尾的特征。所有收益率序列都拒絕服從正態(tài)分布的假設(shè)。

（二） DCC-MIDAS模型的建立

首先估計單變量GARCH-MIDAS模型的參數(shù)，結(jié)果見表2。

從GARCH-MIDAS估計結(jié)果來看EUA期貨的α+β值比較接近于1，短期成分的持續(xù)性較強。α和β均大于0且在1%的水平下顯著，α與β的和小于1。表明價格的非正態(tài)性，存在波動集群特征，市場存在投機性。EUA期貨市場中β>α，說明EUA極易受外部信息的影響。θ>0，說明可實現(xiàn)波動有相對較大的比例可以傳導(dǎo)到長期波動中。從長期波動成分來看，3個指數(shù)所對應(yīng)的m都是正數(shù)，而且在1%的水平下顯著。長期成分相對于總的波動來說波動幅度要小得多，而且趨勢也更為平滑，去掉了一些不必要的噪音。關(guān)于DCC-MIDAS模型動態(tài)相關(guān)性的估計結(jié)果可以看到，a+b的值接近于1，說明網(wǎng)絡(luò)搜索和國內(nèi)外碳市場之間存在聯(lián)動效應(yīng)，并且序列間的動態(tài)相關(guān)性有較強的時變特征。

（三） 預(yù)測研究

由于長期成分可以很好地代表總的波動且平滑掉了一些不必要的噪音，因此使用MIDAS模型利用谷歌趨勢和EUA期貨的長期成分來對我國碳市場進行樣本內(nèi)估計。樣本期間為2013年9月至2018年4月。通過比較不同估計窗口和滯后階數(shù)下的樣本內(nèi)估計效果，實證結(jié)果如表3所示。

從表3中可以看出U-MIDAS模型對于模型的擬合度最高 （R2=0.991055），模型對數(shù)據(jù)整體擬合程度較好。Theil U1的參數(shù)在0—1之間，越接近于0模型擬合程度越高。U-MIDAS的RMSE、MAE、MPAE、SMAPE、Theil U1均最低，擬合效果最好。

對于剩下的數(shù)據(jù)進行樣本外穩(wěn)健性檢驗，由表4可以發(fā)現(xiàn)U-MIDAS仍然是擬合效果最優(yōu)的。雖然R2可能由于樣本數(shù)據(jù)較少的原因較小，但是從Theil U1擬和效果仍然最優(yōu)。

五、結(jié)論和建議

基于谷歌趨勢的網(wǎng)絡(luò)搜索量，采取混頻DCC-MIDAS模型對于歐盟碳市場與我國碳市場之間的關(guān)系進行預(yù)測研究，研究結(jié)果表明，網(wǎng)絡(luò)搜索量、歐盟碳市場和我國碳市場之間存在聯(lián)動效應(yīng)，且兩兩動態(tài)相關(guān)。采取不同的權(quán)重函數(shù)對于我國碳市場進行樣本內(nèi)、外的預(yù)測，發(fā)現(xiàn)U-MIDAS權(quán)重預(yù)測效果最優(yōu)。

我國碳排放權(quán)交易市場處于起步階段，其市場化程度對于經(jīng)濟的可持續(xù)發(fā)展和低碳經(jīng)濟目標的實現(xiàn)至關(guān)重要?；诰W(wǎng)絡(luò)搜索量對于國內(nèi)外碳市場之間關(guān)系進行預(yù)測研究，對于促進投資者和企業(yè)積極地參與碳市場的投資交易，以及建立和完善全國統(tǒng)一的碳交易體系具有一定的理論和指導(dǎo)意義。由于我國能源領(lǐng)域的供給側(cè)結(jié)構(gòu)性改革初見成效，能源供給質(zhì)量進一步提高，非化石能源等相對清潔的發(fā)電比重進一步提升，我國的碳排放量正在逐步減少，低碳經(jīng)濟正在逐步實現(xiàn)。對于我國的碳交易機制提出以下建議。

首先，鼓勵碳市場不斷進行創(chuàng)新，加強碳市場與其它金融市場之間的多邊合作。充分發(fā)揮碳減排在促進我國能源轉(zhuǎn)型實現(xiàn)低碳經(jīng)濟過程中的積極作用。

其次，加強碳排放交易體系建設(shè)，建立全國統(tǒng)一的成熟的碳交易市場。完善碳市場的法律法規(guī)，規(guī)范碳金融市場的運營，切實保護好相關(guān)企業(yè)和投資者的權(quán)利和利益，保障碳市場的平穩(wěn)健康運行。

第三，因地制宜，制定促進碳市場發(fā)展的對策。全國統(tǒng)一碳市場雖然已經(jīng)啟動，但是我國各區(qū)域經(jīng)濟發(fā)展水平和文化制度均存在較大的差距，使得統(tǒng)一碳市場的建立存在一定的問題。因此，一定要因地制宜，制定符合各地實際情況的發(fā)展對策。

[參考文獻]

[1]Paolella M S， Taschini L.An Econometric Analysis of Emission Allowance Prices[J].Journal of Banking and Finance， 2008， 32 （10） .

[2]Byun S J， Cho H.Forecasting Carbon Futures Volatility Using GARCH Models with Energy Volatilities[J].Energy Economics， 2013， 40 （2） .

[3]紀欽洪，孫洋洲，于航，郭雪飛，等.基于多元線性回歸的碳配額價格預(yù)測模型研究[J].現(xiàn)代化工，2018，38（4）：220-224.

[4]Zhu B Z， Wei Y M.Carbon Price Forecasting with a Novel Hybrid ARIMA and Least Squares Support Vector Machines Methodology[J].Omega， 2013， 41 （3） .

[5]王娜.基于Boosting-ARMA的碳價預(yù)測[J].統(tǒng)計與信息論壇， 2017 （3） .

[6]崔煥影，竇祥勝.基于EMD-GA-BP與EMD-PSO-LSSVM的中國碳市場價格預(yù)測[J].運籌與管理，2018，27（7）：133-143.

[7] Marcos González-Fernández;Carmen González-Velasco. Can Google Econometrics Predict Unemployment？ Evidence from Spain[J].Economics Letters，2018，170：42-45.

[8]TAKEDA F， WAKAO T. Google Search Intensity and its Relationship with Returns and Trading Volume of Japanese Stocks[J].Pacific-Basin Finance Journal， 2014， 27 （C） ：1-18.

[9] 張誼浩，李元，蘇中鋒，等.網(wǎng)絡(luò)搜索能預(yù)測股票市場嗎？[J].金融研究，2014（2）：193-206.

[10]董倩，孫娜娜，李偉.基于網(wǎng)絡(luò)搜索數(shù)據(jù)的房地產(chǎn)價格預(yù)測[J].統(tǒng)計研究，2014，31（10）：81-88.

[11] 張崇，呂本富，彭賡，等.網(wǎng)絡(luò)搜索數(shù)據(jù)與CPI的相關(guān)性研究[J].管理科學(xué)學(xué)報，2012，15（7）：50-59，70.

（責(zé)任編輯：郭麗春 劉 茜）