周子璇

摘要：本文以深圳市碳交易市場(chǎng)2017—2018年的數(shù)據(jù)為樣本，研究我國(guó)碳排放權(quán)交易的價(jià)格風(fēng)險(xiǎn)。利用ARIMA模型探究碳交易價(jià)格的波動(dòng)機(jī)制，檢驗(yàn)發(fā)現(xiàn)模型的擬合度較高。設(shè)定宏觀經(jīng)濟(jì)、能源價(jià)格、氣候環(huán)境三大類共15個(gè)影響因子，運(yùn)用主成分分析法研究碳交易價(jià)格的風(fēng)險(xiǎn)特征。以分析出的12個(gè)主要影響因子為預(yù)警先兆，設(shè)定碳交易風(fēng)險(xiǎn)等級(jí)，為通過BP神經(jīng)網(wǎng)絡(luò)模型，建立風(fēng)險(xiǎn)預(yù)警機(jī)制提供了基礎(chǔ)和支持。通過模型分析，碳交易價(jià)格呈非線性特征，不具有季節(jié)性與周期性因素，并得到其時(shí)序規(guī)律。

關(guān)鍵詞：碳交易 價(jià)格波動(dòng) 特征 風(fēng)險(xiǎn)

一、緒論

在國(guó)際環(huán)保大趨勢(shì)下，為實(shí)現(xiàn)節(jié)能減排、減少溫室氣體的共同目標(biāo)，聯(lián)合國(guó)于1992年通過了《聯(lián)合國(guó)氣候變化框架公約》，1997年，各國(guó)在日本東京簽訂《京都議定書》，試圖借助市場(chǎng)之手以達(dá)到減少碳排放量的目的。碳排放量成為一種可自由流通的商品，碳交易市場(chǎng)應(yīng)運(yùn)而生。

有效的碳交易市場(chǎng)，會(huì)成為節(jié)能減排的關(guān)鍵工具。當(dāng)前，我國(guó)建立碳交易市場(chǎng)的時(shí)間尚短，經(jīng)驗(yàn)不足，特別是風(fēng)險(xiǎn)管理的相關(guān)研究偏少，本文希望在該領(lǐng)域進(jìn)行一些創(chuàng)新性探索。研究我國(guó)碳交易市場(chǎng)的價(jià)格波動(dòng)特征和風(fēng)險(xiǎn)，可以幫助市場(chǎng)管理者發(fā)現(xiàn)更合理的碳排放量定價(jià)模式，制定碳交易市場(chǎng)運(yùn)行機(jī)制，盡快建立我國(guó)統(tǒng)一的、穩(wěn)定的、有效的碳交易市場(chǎng)，也可以幫助市場(chǎng)參與者在不超出配額的前提下更低成本地完成生產(chǎn)任務(wù)，達(dá)到綠色與效益的統(tǒng)一。

二、國(guó)內(nèi)外相關(guān)文獻(xiàn)綜述

（一）碳交易價(jià)格形成機(jī)制

Montgomery（1972）提出，碳排放的初始價(jià)格可運(yùn)用MAC模型即邊際減排成本曲線來確定，這也是現(xiàn)在國(guó)際上普遍采用的定價(jià)模型。隨著碳交易市場(chǎng)的發(fā)展，學(xué)者們將宏觀經(jīng)濟(jì)、能源環(huán)境、政治政策等多種因素引入碳排放權(quán)定價(jià)模型中。

確定適合的碳排放額分配方式尤為重要，不同方式也決定了碳排放權(quán)的初始定價(jià)方式。目前的碳排放額分配方式主要有三種：無償、有償、混合。Foelie（2010）在無償分配的基礎(chǔ)上，提出隨實(shí)際情況的改變加入新規(guī)則，不斷修改分配的排放權(quán)。有償分配在很多方面都優(yōu)于無償分配。Grimm（2013）提出拍賣分配方式下的減排成本低于免費(fèi)分配方式，有利于提高碳交易市場(chǎng)的運(yùn)行效率。目前國(guó)際上很多采用混合分配方式。吳潔（2015）預(yù)測(cè)，在未來我國(guó)建立統(tǒng)一的碳排放權(quán)交易市場(chǎng)之處，采用混合分配法最優(yōu)。

（二）碳交易價(jià)格波動(dòng)機(jī)制

定性方面，陳曉紅和王陟昀（2012）認(rèn)為，隨著碳交易市場(chǎng)的發(fā)展，政策與制度都趨于完善，兩者未來影響的力度也就會(huì)越來越小。Springer（2003）指出，傳統(tǒng)能源價(jià)格和天氣因素是引起碳交易價(jià)格波動(dòng)的最重要原因。定量方面，Mansanet-Bataller和Valor（2007）發(fā)現(xiàn)能源價(jià)格是最重要的影響因素，而天氣只會(huì)在極端情形下產(chǎn)生作用。趙選民和魏雪（2019）認(rèn)為企業(yè)的二氧化碳排放主要來自于傳統(tǒng)能源的消耗，碳交易價(jià)格與能源價(jià)格呈負(fù)相關(guān)變化。

在碳排放權(quán)價(jià)格的周期性方面，崔煥影和竇祥勝（2017）認(rèn)為EMD-GA-BP模型更適合短期預(yù)測(cè)，EMD-PSO-LSSVM模型更適合長(zhǎng)期預(yù)測(cè)。呂勇斌和邵律博（2015）通過GARCH族模型，發(fā)現(xiàn)我國(guó)不同的地區(qū)特征差異顯著，且各個(gè)試點(diǎn)的價(jià)格波動(dòng)都具有較高相關(guān)性。鄭祖婷等（2018）通過因子分析法確立碳價(jià)格的主要影響因子，運(yùn)用BP人工神經(jīng)網(wǎng)絡(luò)模型建立碳價(jià)格風(fēng)險(xiǎn)預(yù)警系統(tǒng)，表現(xiàn)出較強(qiáng)的預(yù)測(cè)能力。辛姜和趙春艷（2018）認(rèn)為傳統(tǒng)的VAR與GARCH模型并不適合研究碳排放的價(jià)格波動(dòng)，故其采用了馬爾可夫區(qū)制轉(zhuǎn)換向量自回歸模型。

總結(jié)現(xiàn)有文獻(xiàn)發(fā)現(xiàn)關(guān)于如何建立碳交易風(fēng)險(xiǎn)預(yù)警機(jī)制的研究比較匱乏。在此背景下，本文首先研究了價(jià)格波動(dòng)機(jī)制;在此基礎(chǔ)上以深圳碳市場(chǎng)為例，研究?jī)r(jià)格風(fēng)險(xiǎn)的預(yù)警機(jī)制。由于數(shù)據(jù)和方法的原因，本文的研究?jī)H是在此新領(lǐng)域中進(jìn)行嘗試，還存在很多不足，有待進(jìn)一步修正和完善。

三、碳交易價(jià)格波動(dòng)特征分析——基于深圳交易市場(chǎng)

本文選用整合移動(dòng)平均自回歸模型（ARIMA），一種時(shí)間序列預(yù)測(cè)模型來分析碳交易價(jià)格的波動(dòng)特征。選取深圳市碳交易市場(chǎng)為實(shí)證對(duì)象，作為我國(guó)最早建立的試點(diǎn)，該市場(chǎng)運(yùn)行成熟，樣本數(shù)據(jù)充足且穩(wěn)定。選擇深圳市2013年碳排放權(quán)配額SZA-2013為實(shí)驗(yàn)對(duì)象，選取深圳排放權(quán)交易所2017年1月至2018年12月的成交價(jià)格為樣本數(shù)據(jù)。對(duì)數(shù)據(jù)進(jìn)行序列圖預(yù)測(cè)，觀察其是否具有季節(jié)性。以成交價(jià)格為因變量，日期為自變量。發(fā)現(xiàn)SAZ-2013成交價(jià)格不存在明顯的季節(jié)因素和周期性，不需要另做季節(jié)分解。接著檢驗(yàn)數(shù)據(jù)的平穩(wěn)性，對(duì)數(shù)據(jù)進(jìn)行自相關(guān)性與偏自相關(guān)性檢驗(yàn)，發(fā)現(xiàn)二者都是拖尾的，表明成交價(jià)格的時(shí)間序列數(shù)據(jù)并不穩(wěn)定，故此進(jìn)行差分處理。將成交價(jià)進(jìn)行1階差分后，在0刻度線上下均勻波動(dòng)，因此可將其看作平穩(wěn)數(shù)據(jù)。再對(duì)差分序列進(jìn)行自相關(guān)性和偏自相關(guān)性分析可知，成交價(jià)格的1階差分序列的ACF與PACF皆是拖尾的，則模型d（成為穩(wěn)定數(shù)據(jù)所做的差分次數(shù)）為1。經(jīng)過反復(fù)實(shí)驗(yàn)，確定模型q（滑動(dòng)平均項(xiàng)數(shù)）為1，p（自回歸項(xiàng)數(shù)）為1。建立ARIMA（1，1，1）模型并檢驗(yàn)。

表1發(fā)現(xiàn)，模型R2為0.910，擬合程度較高。AR系數(shù)和MA系數(shù)均顯著。其中，殘差的自相關(guān)和偏自相關(guān)都是平穩(wěn)的，模型合理。模型結(jié)果為：。進(jìn)行擬合預(yù)測(cè)得到檢驗(yàn)圖1。可看出該模型擬合度很高，結(jié)果穩(wěn)健可信。

四、構(gòu)建碳交易價(jià)格風(fēng)險(xiǎn)分析模型——基于深圳交易市場(chǎng)

（一）選取實(shí)驗(yàn)變量和樣本

研究已有文獻(xiàn)，筆者總結(jié)了3類影響碳交易價(jià)格的變量共15個(gè)因子。第一類宏觀環(huán)境變量選取7個(gè)影響因子：固定資產(chǎn)投資（億元）、實(shí)際外商直接投資（億元）、居民消費(fèi)價(jià)格指數(shù)（%）、公共財(cái)政預(yù)算支出（億元）、社會(huì)消費(fèi)品零售總額（億元）、進(jìn)出口總額（億元）、規(guī)模以上工業(yè)增加值（億元）;第二類能源價(jià)格變量選取2個(gè)影響因子：CCTD秦皇島動(dòng)力煤綜合交易價(jià)格（5000大卡）（元/噸）、廣東92號(hào)汽油價(jià)格（元/升）;第三類環(huán)境指數(shù)變量5個(gè)影響因子：平均氣溫（攝氏度）、最高氣溫、最低氣溫、空氣質(zhì)量綜合指數(shù)（%）、月空氣中PM2.5含量（ug/m^3）;此外還有碳排放權(quán)交易量（萬噸）。因變量選取SZA2013的價(jià)格。

以深圳市碳交易市場(chǎng)為研究基礎(chǔ)，宏觀環(huán)境變量樣本來自深圳市統(tǒng)計(jì)局;能源價(jià)格變量樣本來自中國(guó)煤炭市場(chǎng)網(wǎng)和金投網(wǎng);環(huán)境指數(shù)變量來源于深圳市氣象局和中國(guó)環(huán)境監(jiān)測(cè)總站;碳排放權(quán)交易量來源于深圳排放權(quán)交易所。

（二）數(shù)據(jù)描述并確定影響因子

利用SPSS軟件進(jìn)行主成分分析。分析結(jié)果KMO值為0.69（0.6-0.7），Bartlett檢驗(yàn)對(duì)應(yīng)P值為0.00（< 0.05），均表示適用主成分分析法。

主成分分析從全部影響因子中提取4個(gè)主成分，特征根值均大于1，累積方差解釋率為85.496%。另外，主成分加權(quán)后方差解釋率即權(quán)重依次為如表2所示。

表3展示主成分對(duì)于研究項(xiàng)的信息提取情況，共同度值均高于0.4，表明研究項(xiàng)和主成分間有較強(qiáng)的關(guān)聯(lián)性，主成分可以有效地提取出信息。使用主成分分析目的在于信息濃縮，則忽略“成分得分系數(shù)矩陣”表格。若使用主成分分析法進(jìn)行權(quán)重計(jì)算，則需要使用該矩陣建立二者間的關(guān)系等式。

上述分析可知主成分1的方差解釋率最高達(dá)45.609%，因此選出與主成分1對(duì)應(yīng)的因子載荷系數(shù)絕對(duì)值大于0.4的影響因子作為風(fēng)險(xiǎn)預(yù)警模型的12個(gè)先兆指標(biāo)，如表3下劃線標(biāo)識(shí)的因子所示。

（三）構(gòu)建碳交易價(jià)格風(fēng)險(xiǎn)預(yù)警模型——基于深圳碳交易市場(chǎng)

碳排放權(quán)交易價(jià)格受多因素影響，當(dāng)價(jià)格偏離正常范圍時(shí)，很可能意味著發(fā)生了價(jià)格風(fēng)險(xiǎn)。若能及時(shí)獲取風(fēng)險(xiǎn)的相關(guān)信息，就能提前做出風(fēng)險(xiǎn)應(yīng)對(duì)方案將損失最小化。因此本文預(yù)期建立一個(gè)提前探測(cè)風(fēng)險(xiǎn)的碳交易價(jià)格風(fēng)險(xiǎn)預(yù)警模型。

將根據(jù)碳交易價(jià)格均值、中值、眾數(shù)將其劃分為5個(gè)風(fēng)險(xiǎn)等級(jí)。

本文建議可以使用Python軟件，建立BP神經(jīng)網(wǎng)絡(luò)模型，構(gòu)建風(fēng)險(xiǎn)預(yù)警機(jī)制。BP算法是一種誤差逆向的算法，可以很好地實(shí)現(xiàn)輸入與輸出之間的多維函數(shù)映射。將上章節(jié)得到的12個(gè)因子作為輸入層，設(shè)置兩個(gè)隱藏層，節(jié)點(diǎn)數(shù)分別為10、1，最后輸出1個(gè)價(jià)格預(yù)測(cè)值。

將12個(gè)影響因子往年的數(shù)據(jù)作為模型的訓(xùn)練樣本，近一年的數(shù)據(jù)作為預(yù)測(cè)樣本，檢驗(yàn)?zāi)Ｐ偷臄M合度。訓(xùn)練數(shù)據(jù)要盡可能地充足，標(biāo)準(zhǔn)化后方可輸入模型。難點(diǎn)在于，大部分影響因子的具體數(shù)值在統(tǒng)計(jì)局網(wǎng)頁(yè)上最小只能查詢到月度，不適合用來做訓(xùn)練樣本。假若能聯(lián)合各個(gè)數(shù)據(jù)監(jiān)管統(tǒng)計(jì)部門，建立一個(gè)大數(shù)據(jù)平臺(tái)，實(shí)時(shí)更新影響因子的數(shù)值，即可實(shí)時(shí)監(jiān)測(cè)碳交易市場(chǎng)的風(fēng)險(xiǎn)。

五、研究結(jié)論

本文以深圳市碳交易市場(chǎng)為研究對(duì)象，以碳交易價(jià)格的波動(dòng)特征和風(fēng)險(xiǎn)分析為主要內(nèi)容，探究我國(guó)碳交易市場(chǎng)的規(guī)律。使用SPSS軟件分析深圳市碳排放權(quán)的價(jià)格波動(dòng)特征。發(fā)現(xiàn)我國(guó)碳交易價(jià)格在時(shí)序性上不存在季節(jié)性因素和周期性因素，確定擬合度較高的模型ARIMA（1，1，1），并得到時(shí)序數(shù)據(jù)的規(guī)律。本文選取15個(gè)影響因子，使用SPSS主成分分析法，探究碳交易價(jià)格的影響因子。系統(tǒng)自動(dòng)提取4個(gè)主成分，與主成分1有對(duì)應(yīng)關(guān)系的12個(gè)指標(biāo)為先兆指標(biāo)，可使用Python建立BP網(wǎng)絡(luò)神經(jīng)模型來預(yù)警碳交易價(jià)格風(fēng)險(xiǎn)。

參考文獻(xiàn)：

[1]Fowlie M.Allocating emissions permits in cap and trade programs：Theory and evidence[J].University of California，Berkeley Technical Report，2010，45（2）：133.

[2]Grimm V，Ilieva L.An experiment on emissions trading：the effect of different allocation mechanisms [J].Journal of Regulatory Economics，2013，44（3）：308-338.

[3]Maria Mansanet-Bataller，A.P.，Enric Valor.CO2 prices，energy and weather [J].Energy Journal.2007（28）：73- 92.

[4]陳曉紅，王陟昀.碳排放權(quán)交易價(jià)格影響因素實(shí)證研究——以歐盟排放交易體系（EUETS）為例[J].系統(tǒng)工程，2012（2）：57-64.

[5]崔煥影，竇祥勝.基于EMD-GA-BP與EMD-PSO-LSSVM的中國(guó)碳市場(chǎng)價(jià)格預(yù)測(cè)[J].運(yùn)籌與管理，2018，27（7）：134-143.

[6]呂勇斌，邵律博.我國(guó)碳排放權(quán)價(jià)格波動(dòng)特征研究——基于GARCH族模型的分析[J].觀察思考，2015，12：62-64.

[7]辛姜，趙春艷.中國(guó)碳排放權(quán)交易市場(chǎng)波動(dòng)性分析——基于 MS-VAR 模型[J].軟科學(xué)，2018，32（11）：134-137.

[8]鄭祖婷，沈菲，郎鵬.我國(guó)碳交易價(jià)格波動(dòng)風(fēng)險(xiǎn)預(yù)警研究——基于深圳市碳交易市場(chǎng)試點(diǎn)數(shù)據(jù)的實(shí)證檢驗(yàn)[J].價(jià)格理論與實(shí)踐，2018，10：49-52.

作者單位：東南大學(xué)經(jīng)濟(jì)管理學(xué)院