□游萬海 劉小妹 任英華

[1. 福州大學 福州 350108；2. 湖南大學 長沙 410006]

引言

隨著我國工業(yè)化進程的加快和經(jīng)濟水平的提高，大氣污染日趨嚴重，頻發(fā)的霧霾天氣使人民生命健康漸受威脅，這有悖于人們對高質(zhì)量生活的追求。據(jù)WHO報告，全球近九成民眾日常暴露于高濃度空氣污染物中，每年因空氣污染致死人數(shù)高達700萬[1]。在《2019年世界空氣質(zhì)量報告》公布的“全球空氣污染最嚴重的100個城市”中，近半數(shù)城市位于中國大陸。因此，“打贏藍天保衛(wèi)戰(zhàn)”刻不容緩。碳排放權(quán)交易市場正是建立在可持續(xù)發(fā)展基礎(chǔ)上的新興金融市場，其主要目標是應(yīng)對環(huán)境污染和全球變暖問題?！?020年度全球碳市場進展報告》顯示，截至2019年，全球多個國家和地區(qū)提出碳中和目標，近1/6的人口生活在實施碳排放權(quán)交易的地區(qū)，進一步覆蓋了全球9%的溫室氣體排放量[2]。中國作為全球最大的碳排放國，其碳市場潛力巨大、前景廣闊，盡早建立和完善中國碳排放權(quán)交易體系，不僅有利于我國生態(tài)文明建設(shè)和經(jīng)濟發(fā)展，也為全球環(huán)境治理和改善提供有力參考。

目前學者主要從宏觀經(jīng)濟、能源價格等角度研究我國碳市場的影響因素[3]，但非經(jīng)濟因素（如環(huán)境因素）的影響作用尚未得到重視。近年來，一些學者開始關(guān)注空氣質(zhì)量對碳市場的影響。周天蕓和許銳翔基于深圳碳排放權(quán)交易所的數(shù)據(jù)，采用VAR 和 VEC 模型分析了碳排放權(quán)交易價格的形成與波動特征，結(jié)果發(fā)現(xiàn)空氣質(zhì)量指數(shù)是國內(nèi)碳排放權(quán)交易價格變動的重要影響因素[4]。路京京和余露欣采用馬爾科夫轉(zhuǎn)換模型研究空氣質(zhì)量是否影響中國碳排放權(quán)交易，并進一步分析了不同等級的空氣質(zhì)量對碳排放權(quán)交易的影響差異[5]。研究發(fā)現(xiàn)空氣質(zhì)量和碳排放之間存在明顯的地域差異，且空氣污染占比越大的地區(qū)其影響越顯著，具體表現(xiàn)：空氣質(zhì)量變化對北京、天津、湖北、上海、重慶和深圳的碳交易產(chǎn)生顯著影響；劃分等級后空氣質(zhì)量的影響程度較之前有所增強。Han等采用Combination-MIDAS-BP模型預(yù)測了中國深圳碳市場的碳價格，發(fā)現(xiàn)煤炭、溫度和空氣質(zhì)量因素對碳價格的反應(yīng)更加敏感，這進一步證實了空氣質(zhì)量可以作為碳價格的一個主要驅(qū)動因素[6]。Yin等通過構(gòu)建中國碳交易價格指數(shù)，并使用SVAR模型分析歐盟碳交易價格對中國碳交易價格的影響[7]。分析結(jié)果表明，歐盟碳交易價格和空氣質(zhì)量對中國碳交易價格存在直接影響，這兩個因素可以作為碳交易市場的“晴雨表”，直接反映我國碳交易價格的形成機制。

理論上，空氣質(zhì)量和碳市場之間可能存在雙向影響。一方面，空氣質(zhì)量可以通過情緒渠道、政策渠道、預(yù)期渠道和市場傳染渠道四個渠道影響碳市場[5]，因此研究空氣質(zhì)量對碳市場的影響有助于完善我國碳市場的定價機制；另一方面，通過減少產(chǎn)量、科技創(chuàng)新和產(chǎn)業(yè)結(jié)構(gòu)優(yōu)化升級等途徑，碳市場可能對空氣質(zhì)量存在反向影響。通過探討碳市場對空氣質(zhì)量的影響，能夠有效地檢驗我國碳市場的減排成效和生態(tài)環(huán)境的改善效果，為建立健全碳市場提供借鑒?，F(xiàn)存有關(guān)碳市場對環(huán)境治理效果影響的文獻，多集中于考察二氧化碳的減排效果[8～9]，而較少學者直接研究其對空氣質(zhì)量的影響，研究空氣質(zhì)量與碳市場之間相互影響的文獻更是寥寥無幾。裴輝儒和張穎基于碳交易成交量、成交額以及空氣質(zhì)量指數(shù)數(shù)據(jù)，運用Panel Data模型分析中國碳市場對改善環(huán)境的效率問題[10]。研究發(fā)現(xiàn)，短期內(nèi)碳市場并不會對環(huán)境產(chǎn)生顯著影響，但從長遠來看，碳市場可以有效地改善環(huán)境質(zhì)量。Wang等選取中國七個試點碳市場，運用IC-GRA模型研究了空氣質(zhì)量和碳交易市場之間的關(guān)系[11]。他們發(fā)現(xiàn)：無論在哪個碳交易市場，對空氣質(zhì)量影響最大的因素是碳交易價格，其次是碳交易額，最后是碳交易量。此外，在深圳和上海碳市場，空氣質(zhì)量與碳交易價格之間存在負向影響，而在其他碳市場兩者存在正向影響。侯星宇采用格蘭杰因果關(guān)系檢驗?zāi)Ｐ?，發(fā)現(xiàn)湖北碳排放權(quán)和空氣質(zhì)量之間互為格蘭杰原因，即空氣質(zhì)量可以導致湖北碳排放權(quán)的變化，同時湖北碳排放權(quán)也能導致空氣質(zhì)量的變化[12]。馮佑帥運用多重分形去趨勢交互相關(guān)分析（MF-DCCA）研究空氣質(zhì)量與碳排放權(quán)價格的動態(tài)交互相關(guān)關(guān)系[13]。研究發(fā)現(xiàn)，空氣質(zhì)量與碳價格之間存在交互作用，表現(xiàn)出顯著的多重分形特征。小波動的持續(xù)性主要受空氣質(zhì)量與碳價格的自相關(guān)的影響，而大波動的持續(xù)性主要受空氣質(zhì)量與碳價格的交互相關(guān)的影響。另外，深圳空氣質(zhì)量與碳價格的交互相關(guān)的多重分形強度小于湖北的。

本文基于碳市場的不同發(fā)展階段（碳市場的全樣本時期和第一、第二階段），利用分位數(shù)格蘭杰非因果關(guān)系檢驗?zāi)Ｐ?，研究中國五個試點碳市場所在省市的空氣質(zhì)量和市場收益率之間的雙向因果關(guān)系，在此基礎(chǔ)上，進一步考察二者之間是否存在尾部因果關(guān)系，即因變量在極端狀態(tài)下是否更易受到自變量的影響。在現(xiàn)有文獻基礎(chǔ)上，本文作出進一步的改進和創(chuàng)新，主要貢獻有以下三點。首先，從研究對象上，本文選取五個主要試點碳市場而不是單個試點。鑒于我國各地經(jīng)濟發(fā)展狀況和碳排放水平均存在較大差異，綜合考慮多個碳市場的表現(xiàn)有利于得出更為準確的結(jié)論。其次，從研究內(nèi)容上，現(xiàn)有文獻多關(guān)注空氣質(zhì)量與碳市場之間的單向關(guān)系，而忽略了兩者之間可能存在相互影響，忽略這一重要特征可能導致錯誤結(jié)論。最后，從研究方法上，不同于傳統(tǒng)的均值框架分析，本文基于分位數(shù)框架進行因果關(guān)系研究?；贠LS框架的經(jīng)典非因果檢驗旨在探索變量之間的平均因果關(guān)系，沒有考慮不同的條件分布，因此可能無法完整地描述真實的因果關(guān)系。而在分位數(shù)框架下的格蘭杰非因果關(guān)系檢驗?zāi)Ｐ?，能夠在整個條件分布下即在因變量的不同狀態(tài)下，評估變量之間的因果關(guān)系存在與否，進一步探究因果關(guān)系是否存在尾部依賴性。

一、影響機制分析

（一）空氣質(zhì)量影響碳市場的理論機制

鑒于研究空氣質(zhì)量對碳市場影響的相關(guān)文獻較少，本文結(jié)合相關(guān)文獻與自身思考，在一定程度上完善了空氣質(zhì)量影響碳市場的理論機制，具體的影響渠道可以從以下四個方面展開，圖1描繪了該傳導過程。

圖1 空氣質(zhì)量對碳市場的影響機制分析

1. 情緒渠道

行為金融學認為，投資者情緒的變化會改變投資者的投資偏好，影響其投資決策。而空氣質(zhì)量能夠從生理和心理兩方面影響投資者情緒：生理上，有相關(guān)研究發(fā)現(xiàn)，人們?nèi)粘１┞队谑芪廴镜目諝庵腥菀自黾尤梭w腎上腺皮質(zhì)醇激素水平，導致代謝紊亂影響個人情緒。因此受空氣質(zhì)量影響，投資者風險偏好和投資決策發(fā)生改變[14]。此外，據(jù)WHO報告，全球每年大約700萬人死于空氣污染，空氣質(zhì)量與人們的生命健康息息相關(guān)?？諝赓|(zhì)量惡化會增強人們的死亡危機感，進而改變?nèi)藗兊男袨閇15]；心理上，空氣污染容易使人們產(chǎn)生消極情緒，如沮喪、焦慮、悲憤等，對市場持悲觀態(tài)度，因此投資者更傾向于規(guī)避風險，致使市場交易意愿下降，市場活力降低，最終影響資產(chǎn)定價。

2. 政策渠道

當空氣污染嚴重時，政府會采取一系列環(huán)保政策去遏制污染行為，如監(jiān)控碳排放量，降低免費碳配額供給量，致使碳配額供大于求，碳價上漲。而企業(yè)成本增加會促進企業(yè)進行減排技術(shù)創(chuàng)新，降低碳排放權(quán)需求，在一定程度上會導致碳價下降。另外，政府還會通過產(chǎn)業(yè)政策來調(diào)整企業(yè)結(jié)構(gòu)、優(yōu)化資源配置，社會資金、資源等的再分配會促使企業(yè)努力提高能源利用效率，減少環(huán)境污染成本，最終影響碳市場價格。

3. 預(yù)期渠道

有限理性決策理論認為人是“社會人”而非“經(jīng)濟人”，是基于有限理性進行決策和行為。人們通常傾向于使用簡單的方法去搜集所需的信息，根據(jù)經(jīng)驗或習慣進行預(yù)期和決策。因此，在參與碳市場時，人們可能更偏向于根據(jù)空氣質(zhì)量進行預(yù)期和交易行為。一方面，空氣質(zhì)量是易感知的，結(jié)合相關(guān)媒體的及時報道，人們可以較為輕松地獲取空氣質(zhì)量信息。因此，依據(jù)預(yù)期的工業(yè)經(jīng)濟發(fā)展狀況，人們可以進一步預(yù)期企業(yè)對碳排放權(quán)的需求。另一方面，在信息化時代下，當某地遭遇嚴重空氣污染時，社交平臺的輿論信息容易引導大眾思維，引發(fā)“羊群效應(yīng)”，最終對市場交易產(chǎn)生影響。

4. 市場傳染渠道

隨著經(jīng)濟全球化、社會信息化的持續(xù)推進，各行業(yè)市場的聯(lián)系越來越緊密，信息的傳遞越來越快捷，市場間波動溢出效應(yīng)越來越顯著[16～18]。因此空氣質(zhì)量可能通過影響其他市場間接影響碳市場。例如空氣質(zhì)量對股票市場存在影響[19～20]，而股票市場和碳市場之間的波動溢出效應(yīng)使得碳市場間接受到影響[21～22]。

（二）碳市場影響空氣質(zhì)量的理論機制

由于碳排放和其他大氣污染物排放具有同根同源性，如果碳排放減少，其他大氣污染物排放也隨之減少，空氣質(zhì)量得到改善。因此，分析碳市場影響空氣質(zhì)量的理論機制即分析碳市場影響碳排放的理論機制。根據(jù)相關(guān)文獻和交易機制，本節(jié)主要從減少產(chǎn)量、科技創(chuàng)新和產(chǎn)業(yè)結(jié)構(gòu)優(yōu)化升級三個途徑進行分析。

1. 減少產(chǎn)量

由于碳市場規(guī)定各控排企業(yè)的實際碳排放總量不得超過規(guī)定排放量，所以控排企業(yè)為了免于未履約處罰，只能采取購買碳排放權(quán)和減少碳排放量兩種行動。企業(yè)的目標是追求利潤最大化，購買碳排放權(quán)會增加企業(yè)的生產(chǎn)成本，減少企業(yè)利潤，因此會有企業(yè)選擇直接減少產(chǎn)量，從源頭減少二氧化碳排放。

2. 科技創(chuàng)新

蔡烏趕等發(fā)現(xiàn)碳市場對企業(yè)生態(tài)創(chuàng)新具有促進作用[23]。一方面，碳市場建設(shè)的持續(xù)推進會提高企業(yè)環(huán)保意識；另一方面，購買碳排放權(quán)會增加企業(yè)的生產(chǎn)成本。因此高碳企業(yè)會考慮加大減排技術(shù)、新能源開發(fā)等方面的科研投入，從源頭治理碳排放問題。

3. 產(chǎn)業(yè)結(jié)構(gòu)優(yōu)化升級

孫振清等研究表明碳交易政策能夠倒逼產(chǎn)業(yè)結(jié)構(gòu)調(diào)整，促進產(chǎn)業(yè)結(jié)構(gòu)合理化高級化，即碳交易政策可以加速淘汰高耗能、高污染、高排放的企業(yè)，推動高碳企業(yè)轉(zhuǎn)型升級，提高企業(yè)的能源利用率和污染治理能力，從而降低二氧化碳排放[24]。

二、數(shù)據(jù)和模型

（一）指標選取和數(shù)據(jù)來源

為了研究空氣質(zhì)量和我國碳市場收益率之間的因果關(guān)系，本文綜合考慮試點碳市場的開放時間、試點位置、市場活力、交易額數(shù)和交易數(shù)量等因素，選取了北京、上海、廣東、深圳和湖北五個主要試點碳市場，這五個試點碳市場可以較好代表我國碳交易市場的發(fā)展情況。選取各試點碳市場每日碳配額成交均價作為該碳市場的每日碳價，并參考張青陽的處理方法扣除了非交易日期和無交易日期[25]，數(shù)據(jù)來源于中國碳交易平臺。

空氣質(zhì)量情況用空氣質(zhì)量指數(shù)（AQI）來衡量?？諝赓|(zhì)量指數(shù)是描述空氣質(zhì)量狀況的無量綱指數(shù)，通過綜合細顆粒物、可吸入顆粒物、二氧化硫、二氧化氮、臭氧、一氧化碳等污染指標計算得到[26]。AQI數(shù)值在100以下表明空氣質(zhì)量優(yōu)良，數(shù)值在100以上則表明空氣受到不同程度的污染。該指標被廣泛運用于環(huán)境領(lǐng)域的研究[27～28]。根據(jù)五個碳市場所在地區(qū)分別選取了北京、上海、廣州、深圳和武漢的每日AQI，數(shù)據(jù)取自空氣質(zhì)量在線監(jiān)測分析平臺（https://www.aqistudy.cn/）。

通過數(shù)據(jù)匹配將兩個序列的時間重疊部分作為本文的研究樣本，所以北京、上海、廣東、深圳和湖北五個試點的樣本時期分別為2013.12.02～2020.07.20、2013.12.19～2020.07.20、2013.12.19～2020.07.20、2013.12.02～2020.07.20和2014.4.02～2020.07.20，有效樣本量分別為995個、965個、1 309個、1 420個和1 479個。對各變量取自然對數(shù)不僅不會改變變量之間的初始關(guān)系，還可以削弱變量間存在的異方差現(xiàn)象，使變量的線性趨勢更明顯。因此，本文基于上述原始數(shù)據(jù)，在進行實證分析前對全部數(shù)據(jù)進行對數(shù)化處理。此外，鑒于資產(chǎn)價格往往呈現(xiàn)趨勢性，故本文考慮用碳市場收益率（即對碳價對數(shù)差分后的序列 Rt=ln(Pt)-ln(Pt-1),其中為第t日的碳價）來檢驗空氣質(zhì)量與碳市場之間的因果關(guān)系。

（二）分位數(shù)格蘭杰非因果檢驗?zāi)Ｐ蜆?gòu)建和估計方法

格蘭杰因果關(guān)系檢驗法由Granger年首次提出[29]，用于檢驗一個變量對另一個存在預(yù)測作用。具體地，當式（1）成立時，表明變量不是變量的格蘭杰原因。

其中， Fyt(.|F)表示在條件下的分布函數(shù)，(Y,X)t-1表示和產(chǎn)生的截至期的信息。上式表明，如果過去的信息沒有改變的條件分布，那么不是的格蘭杰原因。考慮到使用條件分布時估計與檢驗較為困難，現(xiàn)有文獻常使用條件期望來替換，即

檢驗式（2）是否成立即轉(zhuǎn)化為檢驗式（3）中的 βj=0,j=1,2,···,q 。若拒絕原假設(shè)，表明變量的滯后期對的條件均值存在顯著影響，即在均值框架下是的格蘭杰原因。然而，該檢驗結(jié)果不能說明在其他分位情況下是否存在因果關(guān)系。為了檢驗其他分位下的格蘭杰因果關(guān)系情況，需進一步在分位數(shù)框架下進行格蘭杰因果檢驗。

為了檢驗不同分位下變量之間的因果關(guān)系，Chuang等提出了分位數(shù)格蘭杰因果檢驗方法[30]。設(shè)Qyt(τ|F)表示 Fyt(.|F)的第個分位，此時式（1）可以改寫為

利用Koenker和Bassett提出的分位數(shù)回歸方法[31]，的第分位數(shù)的條件分布函數(shù)可以寫成：

此處 θ (τ)=[c(τ),α(τ)′,β(τ)′]′為1 +p+q維的待估參數(shù)向量。對于一個給定的線性條件分位數(shù)模型，檢驗式（5）等價于檢驗式（6）中參數(shù)是否聯(lián)合顯著于0，即建立假設(shè) H0:β(τ)=0,?τ ∈ [a,b]。本文采用Koenker和Machado[32]與Chuang等[30]提出的Sup-Wald統(tǒng)計量進行檢驗。

為了進行Sup-Wald檢驗，本文模擬了不同分位區(qū)間的Sup-Wald檢驗統(tǒng)計量臨界值，結(jié)果見表1。本文假設(shè)和的最優(yōu)滯后階數(shù)相等，即 p*=q*。通過順序滯后方法選擇每個分位區(qū)間最優(yōu)滯后階數(shù)，具體地，在 τ ∈[a,b]，如果原假設(shè) βq(τ)=0不能被拒絕，而原假設(shè)被拒絕，則可以選擇最優(yōu)滯后階數(shù) q*=q-1，如果在這個區(qū)間內(nèi)檢驗統(tǒng)計量都不顯著，則選擇 q*=1作為最優(yōu)滯后階數(shù)。

表1 Sup-Wald檢驗統(tǒng)計量的模擬臨界值

三、實證結(jié)果分析

（一）統(tǒng)計特征分析

在進行建模前，需要先對變量進行描述性統(tǒng)計以了解其基本統(tǒng)計特征。根據(jù)表2可知，五個省市的空氣質(zhì)量指數(shù)均值從大到小依次為：北京、湖北、上海、廣東和深圳。從平均角度來說北京空氣質(zhì)量相對最差，深圳空氣質(zhì)量相對最好。這可能是因為北京作為我國的首都，處于中國經(jīng)濟發(fā)展的前沿，能源消耗巨大，故對空氣影響較大，而深圳主要以第三產(chǎn)業(yè)為主，對空氣影響較小。從圖2可直觀地看出五個省市的空氣質(zhì)量分布情況。五個試點的碳市場收益率均值從大到小依次為：北京、上海、湖北、廣東和深圳。對于標準差即波動率而言，北京空氣質(zhì)量指數(shù)波動率最大，深圳空氣質(zhì)量指數(shù)波動率最小，這意味著北京空氣質(zhì)量最為變化無常，深圳空氣質(zhì)量最為穩(wěn)定。北京和上海的碳市場收益率波動最大，湖北碳市場收益率波動最小，這說明北京和上海碳市場風險相對較大，湖北碳市場風險相對較小。最后，從偏度、峰度和JB統(tǒng)計檢驗結(jié)果可知，所有序列均偏離正態(tài)分布，這一事實提供了本文使用條件分位數(shù)而不是均值分析的初步動機。

表2 空氣質(zhì)量與碳市場收益率的描述性統(tǒng)計

圖2 五個省市的空氣質(zhì)量分布圖

如圖3和圖4所示，各序列數(shù)據(jù)非常不穩(wěn)定，呈現(xiàn)波動集聚性。如果基于條件均值來分析變量之間的因果關(guān)系可能會使結(jié)果不準確。然而，基于條件分位數(shù)估計是穩(wěn)健的，此方法能夠有效避免異常值的影響，并且通過分位數(shù)框架下的非因果檢驗，能夠捕捉不同狀態(tài)下變量之間因果關(guān)系的存在與否。因此，本文將采用分位數(shù)格蘭杰非因果關(guān)系檢驗來探討空氣質(zhì)量與碳市場之間的因果關(guān)系。

圖3 五個試點碳市場的碳配額價格（左）與收益率（右）

圖4 五個省市的原始空氣質(zhì)量（左）與取對數(shù)后空氣質(zhì)量（右）

（二）單位根檢驗

在進行分位數(shù)格蘭杰非因果關(guān)系檢驗之前，應(yīng)對數(shù)據(jù)進行單位根檢驗，以保證數(shù)據(jù)的平穩(wěn)性，避免序列的偽回歸現(xiàn)象。本文考慮了ADF檢驗和PP檢驗，這兩個檢驗的原假設(shè)均為時間序列存在單位根。從表3的檢驗結(jié)果可知，對于所有時間序列，在1%的顯著性水平下均拒絕原假設(shè)，即不存在單位根，表示這些序列遵循I(0)過程。

表3 各變量的單位根檢驗結(jié)果

（三）分位數(shù)格蘭杰因果檢驗結(jié)果分析

為了檢驗空氣質(zhì)量與碳市場收益率之間的因果關(guān)系，模型（6）表現(xiàn)為：

為了更全面的探討空氣質(zhì)量與碳市場之間的因果關(guān)系，我們同時考慮了全樣本期和兩個子樣本期，第一個子樣本期為樣本起始日期到2016年底，該時期是碳市場運行的第一階段；第二個子樣本期為2017年初到樣本最后日期，該時期是碳市場運行的第二階段。

1. 空氣質(zhì)量對碳市場收益率的影響分析

表4 (Panel A) 展示了五個試點碳市場收益率在不同樣本時期對空氣質(zhì)量變化所作出的不同反應(yīng)。對于北京碳市場，從（a）組可知，在三個樣本時期，Sup-Wald統(tǒng)計量在分位區(qū)間[0.05,0.95]上都強烈拒絕原假設(shè)，并且空氣質(zhì)量對碳市場收益率的影響具有上下尾部依賴性。這表明自該碳市場運行以來，當碳市場處于高或低收益率時，空氣質(zhì)量都是解釋碳市場收益率波動的重要因素。尾部極端風險對市場具有巨大破壞性，導致市場穩(wěn)定性降低，進而易引發(fā)系統(tǒng)性風險[33]。因此，當碳市場面臨極端條件時，市場穩(wěn)定性會降低，系統(tǒng)性風險出現(xiàn)上漲，使得碳市場更易受到?jīng)Q定因素的影響。此外，結(jié)合統(tǒng)計特征分析可知，北京空氣污染較為嚴重，因此空氣質(zhì)量影響碳市場的渠道更加暢通；對于上海碳市場，從（b）組可知，在三個樣本時期，空氣質(zhì)量對碳市場收益率的影響都只表現(xiàn)在下尾部區(qū)域，特別是在區(qū)間[0.05,0.2]上。這表明自該碳市場運行以來，只有碳市場處于低收益率，空氣質(zhì)量的變化才會影響碳市場收益率。此外，結(jié)果還顯示第二階段的空氣質(zhì)量對碳市場影響更明顯，這可能是因為第二階段的碳市場運行機制更加完善，碳市場對空氣質(zhì)量的變化更加敏感；對于廣東碳市場，從（c）組可知，在全樣本時期和第二階段，Sup-Wald統(tǒng)計量在上下尾部區(qū)域均拒絕原假設(shè)，而在第一階段，幾乎不能拒絕原假設(shè)。這表明在全樣本時期空氣質(zhì)量對碳市場收益率的顯著影響可能來自第二階段，原因可能是第一階段碳市場還處于試驗階段，各方面還不成熟，而第二階段碳市場各方面更加完善，因此第二階段碳市場對外部的沖擊更加靈敏。另外，由于廣東高新產(chǎn)業(yè)占比高，空氣質(zhì)量相對較好，人們的生活質(zhì)量較高，所以為了保持這種優(yōu)越環(huán)境，人們會格外關(guān)注空氣質(zhì)量，積極控制碳排放量，致使碳市場能夠?qū)諝赓|(zhì)量的變化作出反應(yīng)；對于深圳碳市場，從（d）組可知，在全樣本時期，當碳市場處于高收益率時，空氣質(zhì)量是碳市場收益率變動的格蘭杰原因，在第二階段，空氣質(zhì)量對碳市場收益率產(chǎn)生高度顯著影響表現(xiàn)在上下尾部區(qū)域，而在第一階段，所有分位區(qū)間均不存在顯著影響。這表明深圳碳市場在第二階段更易受到空氣質(zhì)量的影響，原因與廣東碳市場一致；對于湖北碳市場，從（e）組可知，與北京碳市場相似，在三個樣本時期，當碳市場處于高或低收益率時，空氣質(zhì)量是碳市場收益率變動的格蘭杰原因。這可能是因為湖北省正處于經(jīng)濟高速發(fā)展階段且高耗能產(chǎn)業(yè)在產(chǎn)業(yè)結(jié)構(gòu)中占比較大，所以碳市場容易受到空氣質(zhì)量的影響。

表4 空氣質(zhì)量與碳市場收益率之間的分位數(shù)因果關(guān)系檢驗結(jié)果

通過上述分析，本文可以得到以下結(jié)論：（1）對于三個樣本時期的北京、湖北碳市場，第二階段的廣東、深圳碳市場，以及全樣本時期的廣東碳市場，在上下尾部區(qū)域空氣質(zhì)量都對碳市場收益率產(chǎn)生顯著影響，即當碳市場處于高或低收益率時，空氣質(zhì)量能夠顯著影響碳市場收益率；（2）對于三個樣本時期的上海碳市場，在下尾部區(qū)域空氣質(zhì)量對碳市場收益率表現(xiàn)出顯著影響，具有非對稱效應(yīng)。從該碳市場運行以來，當碳市場處于低收益率時，空氣質(zhì)量能夠顯著影響碳市場收益率；（3）對于全樣本時期的深圳碳市場，在上尾部區(qū)域空氣質(zhì)量對碳市場收益率產(chǎn)生顯著影響，具有非對稱效應(yīng)，即當碳市場處于高收益率時，空氣質(zhì)量能夠顯著影響碳市場收益率；（4）對于第一階段的廣東、深圳碳市場，幾乎在所有分位區(qū)間，空氣質(zhì)量都不是碳市場收益率的格蘭杰原因，即無論碳市場收益率處于何種狀態(tài)，幾乎都不會對空氣質(zhì)量變化作出反應(yīng)；（5）總體而言，對于五大碳市場，空氣質(zhì)量是導致碳市場收益率變動的重要因素。此外，不同樣本時期空氣質(zhì)量對碳市場收益率的影響具有異質(zhì)性且只存在尾部區(qū)域。

2. 碳市場收益率對空氣質(zhì)量的影響分析

根據(jù)表4 (Panel B) 可以看出五個省市空氣質(zhì)量在不同樣本時期對碳市場收益率變動所作出的不同反應(yīng)。對于北京碳市場，從（a）組可知，三個樣本時期的非因果檢驗結(jié)果截然不同。在全樣本時期，碳市場收益率只在極高分位區(qū)間[0.8,0.95]上對空氣質(zhì)量存在影響，這意味著當北京空氣污染極嚴重時，碳市場收益率才會影響空氣質(zhì)量。在第二階段，Sup-Wald統(tǒng)計量在區(qū)間[0.05,0.5]和[0.05,0.2]上以1%顯著水平強烈否定了原假設(shè)，這意味著當北京空氣優(yōu)良時，碳市場收益率是導致空氣質(zhì)量變化的重要因素。而在第一階段，幾乎在所有分位區(qū)間，Sup-Wald統(tǒng)計量都不能拒絕原假設(shè)。可能是由于在這一階段北京碳市場尚處于起步階段，減排成效還未顯現(xiàn)，不足以影響空氣質(zhì)量；對于上海碳市場，從（b）組可知，在全樣本時期，碳市場收益率只在區(qū)間[0.5,0.95]和[0.8,0.95]上對空氣質(zhì)量有影響，這表明只有在空氣比較糟糕時，碳市場收益率才會影響空氣質(zhì)量。在第一階段，Sup-Wald統(tǒng)計量在區(qū)間[0.05,0.2]和[0.2,0.4]上不能拒絕原假設(shè)，這意味著當空氣優(yōu)良時，碳價不能引起空氣質(zhì)量的變動。與全樣本時期和第一階段不同的是，在第二階段，當空氣優(yōu)良時，碳市場收益率才對空氣質(zhì)量存在影響；對于廣東碳市場，從（c）組可知，在全樣本時期和第一階段，Sup-Wald統(tǒng)計量都在低分位區(qū)間[0.05,0.2]強烈拒絕非因果關(guān)系，這意味著當空氣質(zhì)量優(yōu)良時，碳市場顯著影響空氣質(zhì)量。而在第二階段，雖然在區(qū)間[0.05,0.95]、[0.05,0.5]和[0.5,0.95]上Sup-Wald統(tǒng)計量均顯著拒絕原假設(shè)，但是在更細分的分位區(qū)間上，因果關(guān)系卻只存在于區(qū)間[0.8,0.95]，這意味著當空氣極差時，碳市場收益率更能引起空氣質(zhì)量的變化；對于深圳碳市場，從（d）組可知，在全樣本時期，在區(qū)間[0.8,0.95]上碳市場收益率是空氣質(zhì)量變動的格蘭杰原因。這說明當空氣質(zhì)量極差時，空氣質(zhì)量會隨碳市場收益率的變化而變化。在第一階段，雖然在區(qū)間[0.05,0.95]上Sup-Wald統(tǒng)計量高度拒絕原假設(shè)，但是在其子區(qū)間上卻沒有拒絕原假設(shè)。而在第二階段，幾乎在所有分位區(qū)間上Sup-Wald統(tǒng)計量均不能拒絕原假設(shè)，這意味著不管空氣質(zhì)量處于何種水平，碳市場收益率的波動幾乎不會影響空氣質(zhì)量；對于湖北碳市場，從（e）組可知，在全樣本時期和第一階段，Sup-Wald統(tǒng)計量都在較高區(qū)間[0.6,0.8]上以5%的顯著水平拒絕非因果關(guān)系。而在第二階段，Sup-Wald統(tǒng)計量只在中分位區(qū)間[0.4,0.6]附近不能拒絕因果關(guān)系，這表明在上下尾部區(qū)域碳市場收益率對空氣質(zhì)量有影響，即當空氣質(zhì)量處于極端條件下，碳市場收益率更容易影響空氣質(zhì)量。

通過上述分析，可以得到以下結(jié)論：（1）對于全樣本和第二階段時期的北京、上海碳市場，三個樣本時期的廣東碳市場，全樣本時期的深圳碳市場，以及全樣本和第一階段時期的湖北碳市場，碳市場收益率對空氣質(zhì)量的影響只存在上尾部或下尾部區(qū)域，具有非對稱效應(yīng)；（2）對于第一階段的上海碳市場，在中高分位區(qū)間上，碳市場收益率對空氣質(zhì)量存在影響；（3）對于第二階段的湖北碳市場，碳市場收益率對空氣質(zhì)量的影響存在于上下尾部區(qū)域；（4）對于第一階段的北京碳市場，以及第一、第二階段的深圳碳市場，幾乎在所有子區(qū)間上，碳市場收益率都不影響空氣質(zhì)量。（5）總的來說，碳市場收益率對空氣質(zhì)量的影響基本只存在尾部區(qū)域，即幾乎只有在空氣質(zhì)量處于極端條件下，碳市場收益率才是空氣質(zhì)量的格蘭杰原因，碳市場的減排成效才會顯現(xiàn)。此外，不同樣本時期碳市場收益率對空氣質(zhì)量的影響具有異質(zhì)性。

四、結(jié)論和政策建議

研究空氣質(zhì)量與碳市場收益率之間的關(guān)系對碳市場穩(wěn)定發(fā)展和空氣質(zhì)量改善具有重要意義。本文選取中國五個主要試點碳市場所在省市的空氣質(zhì)量和碳市場收益率作為研究對象，采用分位數(shù)格蘭杰非因果關(guān)系檢驗?zāi)Ｐ?，揭示空氣質(zhì)量與碳市場收益率在不同情境下的雙向因果關(guān)系，并進一步考察是否存在尾部因果關(guān)系。在這項研究中，得到了三個主要結(jié)論：（1）無論在哪個碳市場，空氣質(zhì)量與碳市場收益率之間的因果關(guān)系基本上只存在于尾部區(qū)域，即當碳市場收益率（或空氣質(zhì)量）處于極端條件時，它才可能受到空氣質(zhì)量（或碳市場收益率）的影響；（2）空氣質(zhì)量與碳市場收益率之間存在雙向因果關(guān)系，但碳市場收益率對空氣質(zhì)量的影響相對較弱，這意味著空氣質(zhì)量是影響碳市場收益率變動的重要因素，但是碳市場的減排成效和對生態(tài)環(huán)境的改善作用還有待長期驗證；（3）空氣質(zhì)量與碳市場收益率之間的因果關(guān)系在不同樣本時期具有異質(zhì)性。在全樣本時期，對于五個碳市場，空氣質(zhì)量與碳市場收益率之間均存在雙向因果關(guān)系；在第一階段，對于上海和湖北碳市場，空氣質(zhì)量與碳市場收益率之間存在雙向因果關(guān)系，對于北京和廣東碳市場，存在空氣質(zhì)量對碳市場收益率的單向因果關(guān)系，而對于深圳碳市場，空氣質(zhì)量與碳市場收益率之間不存在因果聯(lián)系；在第二階段，對于北京、上海、廣東和湖北四個碳市場，空氣質(zhì)量與碳市場收益率之間都存在雙向因果關(guān)系，對于深圳碳市場，存在空氣質(zhì)量對碳市場收益率的單向因果關(guān)系。這表明空氣質(zhì)量與碳市場收益率之間的因果關(guān)系與碳市場發(fā)展階段密切相關(guān)。

基于研究結(jié)果，本文提出一些建議：投資者應(yīng)該對空氣質(zhì)量信息保持關(guān)注，特別是當碳市場收益率處于極端條件下，要提高理性分析能力，謹慎制定金融資產(chǎn)的交易策略；有減排義務(wù)的企業(yè)應(yīng)該做好對沖碳價波動的風險，樹立可持續(xù)發(fā)展意識，積極投入到減排技術(shù)創(chuàng)新中；最后，政府應(yīng)該根據(jù)不同碳市場在不同時期的運行情況以及各地的空氣污染程度制定和完善適合各試點的政策制度，并逐步建立健全全國統(tǒng)一的碳排放權(quán)交易體系，以保證碳市場的健康運行，實現(xiàn)全社會低成本減排的作用，從而減緩全球變暖和抑制空氣質(zhì)量惡化。

本研究尚存不足之處，為以后的深入討論與研究提供思路：本研究側(cè)重考察空氣質(zhì)量和中國碳市場間的雙向因果關(guān)系，未深入探究兩者間的影響途徑。未來研究可從機制分析入手，將機制變量引入模型，探究影響路徑，以此提出更為具體可行的政策措施。