關(guān)鍵詞：碳排放配額；機器學(xué)習(xí)；風險預(yù)警；SHAP

中圖分類號：X22 文獻標志碼：A

前言

二氧化碳排放權(quán)交易是減少溫室氣體排放、提高能源利用效率、應(yīng)對全球氣候變化的關(guān)鍵手段。碳排放權(quán)交易價格（即碳價）反映了碳配額的供需情況，其未來波動趨勢對碳減排企業(yè)至關(guān)重要。然而，由于碳價具有非平穩(wěn)和非線性特征，精準預(yù)測其未來波動趨勢面臨挑戰(zhàn)。因此，構(gòu)建精準的碳價波動趨勢預(yù)測模型對于投資者規(guī)避風險具有重要意義。

目前，關(guān)于碳排放權(quán)交易價格的研究主要集中在碳價預(yù)測上，但針對碳價風險預(yù)警的研究相對有限，且缺乏從風險劃分角度分析碳價的研究。馬爾科夫區(qū)制轉(zhuǎn)換模型作為一種狀態(tài)劃分方法，通過狀態(tài)轉(zhuǎn)移概率描述不同狀態(tài)間的轉(zhuǎn)變特征，為風險劃分提供有力支持。

文章提出了一種基于馬爾科夫區(qū)制轉(zhuǎn)換模型、機器學(xué)習(xí)模型和SHAP方法的碳價風險預(yù)警框架。該框架通過馬爾科夫區(qū)制轉(zhuǎn)換模型有效識別了碳市場的運行狀態(tài)和碳價波動區(qū)制，應(yīng)用XGBoost等機器學(xué)習(xí)模型對碳價風險等級進行預(yù)測，并運用SHAP框架對預(yù)測結(jié)果進行解釋。以廣東試點碳市場的日度碳價數(shù)據(jù)為例，XGBoost模型的預(yù)測準確率達到81.95%。研究發(fā)現(xiàn)，碳價波動的主要風險因素來自于國際碳市場、經(jīng)濟狀況和能源價格。該預(yù)警框架具有良好的預(yù)測性能，為碳價風險管理提供了有效的決策依據(jù)。

1模型與方法

1.1馬爾科夫區(qū)制轉(zhuǎn)換模型

為了衡量碳價的風險狀況，文章采用Hamilton（1989）提出的馬爾科夫區(qū)制轉(zhuǎn)換模型來實現(xiàn)碳價風險等級的劃分，將碳價序列按照波動程度劃分為區(qū)制1、區(qū)制2、區(qū)制3，分別表示碳價處于低波動區(qū)域、中波動區(qū)域、高波動區(qū)域。馬爾科夫區(qū)制轉(zhuǎn)換模型如式（1）-式（3）所示：

根據(jù)樣本點在不同區(qū)制的平滑概率，本研究將碳價劃分為低風險、中風險、高風險三個分類變量。如圖1所示得出以下結(jié)論：（1）樣本在低、中風險區(qū)的出現(xiàn)頻率最高，且兩者易互相轉(zhuǎn)換；（2） 2014年廣東碳市場啟動至2019年，高波動平滑概率覆蓋范圍廣，可能因政策變化及初期配額分配不完善，2021年后期至2022年初也歸為高風險，或因全國碳交易啟動及經(jīng)濟復(fù)蘇帶動能源消耗增加；（3）自2023年以來，碳價基本維持低波動狀態(tài)，反映出碳市場的穩(wěn)定與成熟。

2.3風險預(yù)警模型的構(gòu)建

采用極端梯度提升（XGBoost）訓(xùn)練模型，以能源價格、經(jīng)濟狀況、國際碳價等六個方面15個指標為特征，預(yù)測低、中、高碳價風險（分類變量0、1、2），并按7：3比例劃分訓(xùn)練集和測試集，計算準確率、精確率、召回率和F1得分。為評估XGBoost性能，我們還使用了隨機森林（RF）、決策樹（DT）、支持向量機（SVM）和人工神經(jīng)網(wǎng)絡(luò)（ANN）進行對比，結(jié)果見表2。

由表2可見，XGBoost模型在四個評估指標上的表現(xiàn)均最優(yōu)，因此文章選擇XGBoost作為碳市場風險預(yù)警模型。五種模型的預(yù)測效果依次為：XG-Boostgt;RFgt;DTgt;SVMgt;ANN。集成分類器（XG-Boost，RF）優(yōu)于單個分類器（DT，SVM），因為它們結(jié)合了多個弱分類器的預(yù)測結(jié)果以形成最終決策，并通過不斷修正誤差改進結(jié)果。在測試集的543個樣本中，XGBoost模型正確分類的低風險樣本162個，中風險樣本98個，高風險樣本185個，正確率高達81.95%，少數(shù)樣本被錯誤分類，顯示了良好的預(yù)警效果。

2.4預(yù)警模型的SHAP解釋

文章運用SHAP解釋工具，以提升XGBoost模型的可解釋性。SHAP匯總圖能夠清晰展示預(yù)警模型中特征的重要性。根據(jù)輸出標簽，SHAP圖分為三種，文章聚焦于高風險狀態(tài)。如圖2所示，當樣本i的第j個特征的SHAP值為正時，該樣本更可能被視為高風險，表明特征j對此預(yù)測有正向邊際貢獻。圖左側(cè)為特征名，右側(cè)顏色從藍到紅代表特征值遞增，橫軸為SHAP值。每行代表一個特征，且樣本數(shù)保持一致，便于直觀比較各特征對預(yù)測結(jié)果的影響。

從圖2可以明顯看出，EUA期貨結(jié)算價在影響樣本被預(yù)測為高風險狀態(tài)的因素中排名第一，顯示出對高風險狀態(tài)的顯著貢獻。當EUA期貨結(jié)算價處于較低水平時，SHAP值為正；然而，隨著該結(jié)算價的逐步增加，SHAP值轉(zhuǎn)變?yōu)樨?。值得注意的是，EPU指數(shù)、金融指數(shù)、滬深300指數(shù)、NYMEX天然氣期貨收盤價以及廣州最低氣溫等因素也表現(xiàn)出類似的影響趨勢，但動力煤期貨結(jié)算價的影響方式則與之相反。

EUA期貨對廣東碳價高風險預(yù)測的重大貢獻，主要源于歐盟作為全球最大碳排放交易體系的重要地位，市場變動對全球碳市場產(chǎn)生深遠影響。同時，在歐盟即將實施的碳邊界調(diào)整機制（CBAM）背景下，中國碳價也將顯著受到國際碳價的影響。此外，經(jīng)濟政策不確定性指數(shù)（EPU）也是重要的影響因素，它反映了宏觀經(jīng)濟的波動情況，這種波動直接影響企業(yè)生產(chǎn)活動和碳排放量，從而導(dǎo)致碳價的變動。相比之下，地緣政治風險指數(shù)（GPR）由于長期重大風險事件發(fā)生頻率較低，對碳價波動的影響相對較小。

在經(jīng)濟方面，金融指數(shù)、匯率及滬深300指數(shù)對廣東碳市場有顯著影響，表明碳市場與宏觀經(jīng)濟緊密相關(guān)。金融指數(shù)排第三，反映了金融市場與碳排放的關(guān)聯(lián)。匯率位列第五，其波動影響國際能源價格及進出口，進而改變企業(yè)能耗與碳排放。經(jīng)濟金融指標整體靠前，驗證了經(jīng)濟狀況對碳價波動的影響。相較之下，工業(yè)指數(shù)排名靠后，因其僅涵蓋少數(shù)能源公司，而多數(shù)受碳市場監(jiān)管行業(yè)未納入。

此外，中國碳市場易受國內(nèi)能源價格影響。煤炭、天然氣和油價等能源價格指標排名均較高，其中煤炭價格影響最大。廣東碳市場主要涉及高排放的發(fā)電、化工企業(yè)，動力煤是主要能源，故煤炭價格對碳價預(yù)警至關(guān)重要。天然氣作為發(fā)電比例逐漸增加的低碳轉(zhuǎn)型能源，價格也對碳價有重要影響。盡管油價影響不及煤炭和天然氣，但仍不可忽視。

環(huán)境因素指標排名靠后。極端氣溫導(dǎo)致能源公司碳排放量增加，引發(fā)碳價高波動。公眾關(guān)注度方面，“碳交易”搜索指數(shù)和GDEA成交量排名靠后，可能因公眾關(guān)注度滯后，成交量與價格關(guān)系復(fù)雜，故搜索趨勢和成交量對碳價影響不顯著。

3結(jié)論

文章采用馬爾科夫區(qū)制轉(zhuǎn)換模型對碳價風險狀態(tài)進行劃分，高風險狀態(tài)與實際相符，能準確反映碳價高波動期。同時，XGBoost預(yù)測性能顯著優(yōu)于其他機器學(xué)習(xí)模型，準確率高，適用于碳價預(yù)警。SHAP解釋結(jié)果顯示，廣東碳價高風險狀態(tài)的前八個關(guān)鍵影響特征主要來自國際碳價、不確定因素、經(jīng)濟狀況和能源價格。其中，EUA期貨結(jié)算價、EPU、金融指數(shù)、滬深300指數(shù)、NYMEX天然氣期貨收盤價特征值越大，高風險概率越小；而動力煤期貨結(jié)算價特征值增加時，高風險概率增加。