碳市場與有色金屬期貨市場時變溢出效應研究

韓佳彤 江彥博

（天津財經大學金融學院，天津 300222）

引 言

近年來，全球變暖問題日益嚴峻，控制和減少溫室氣體排放已成為當前世界環境政策的主要目標。在此背景下，歐盟碳排放權交易體系（EU ETS）在2005年正式開放運行。我國也于2011年試行了首個碳排放交易市場，并不斷發展和完善，最終形成了8家碳排放交易場所，通過合理布局實現碳減排資源的優化配置，引導和鼓勵企業開展節能減排。而有色金屬行業是行業碳排放大戶，溫室氣體的產生與其有著密切關系 （王威等，2021）［1］。2020年新冠肺炎疫情后，我國各行業的復工復產對有色金屬的需求不斷增長，有色金屬行業碳排放量逐漸加大，進而加劇了溫室氣體減排的難度。那么我國有色金屬市場與國內外碳排放市場三者間到底存在著怎樣的聯動機制呢？這對于實現 “雙碳”目標下中國綠色低碳轉型和高質量發展以及推動全球氣候治理具有重要的啟示作用和實踐意義。

在全球經濟一體化的背景下，國內外碳交易市場之間的聯系也更加緊密。孫春 （2018）［2］利用DCC－MGRCH模型發現國內碳市場和歐盟碳市場在長期內存在均衡關系，且二者之間存在雙向波動溢出效應。Zhang等 （2019）［3］認為在碳交易市場中，成熟度最高的是歐盟碳交易市場，而中國碳市場的成熟度總體上較低。Lyu等 （2020）［4］運用馬爾可夫鏈蒙特卡羅隨機波動模型與小波多分辨分析方法將中國碳市場與歐盟碳交易市場進行了對比，結果表明二者在波動穩定性方面均有所不足。

目前國內外文獻較少關注碳市場和有色金屬行業的直接互動影響，但有色金屬行業生產伴隨著化石燃料燃燒、原料使用、電力和熱力輸入，是典型的高能耗高排放的行業 （王威等，2021）［1］，這也使探討碳市場和有色金屬市場之間直接影響的研究不可或缺。陶春華 （2015）［5］利用VAR模型和脈沖響應函數，檢驗了我國碳交易市場與有色金屬、熱力、鋼鐵、石油、和化工行業之間的聯動關系，研究表明碳交易市場對有色金屬行業影響更為顯著?，F有文獻多從國內外碳市場出發，研究其與有色金屬行業生產所需能源、原料之間的關系。在國內碳交易市場方面，鄒紹輝和張甜（2020）［6］通過VAR模型和MSVAR模型闡述了能源期貨市場、能源股票市場與國內碳交易市場之間的動態互動關系。Liu（2020）［7］采用VECM模型發現國內碳市場價格與煤炭、柴油和天然氣價格之間存在長期協整關系。Yin等 （2021）［8］運用多尺度和跨尺度的樣本熵研究了我國碳交易市場與煤炭市場之間的關系，結果發現國內碳市場和煤炭市場之間存在一定同步性。在國外碳交易市場方面， 郭福春和潘錫泉 （2011）［9］利用 Bai－perron結構突變檢驗模型發現歐盟配額以及經核準的減排量碳期貨合約價格存在明顯的結構性變化，并進一步采用資本資產定價單因素模型發現二者在樣本期內所受到的風險較小。劉堅等 （2020）［10］采用SVCopula模型發現歐盟碳現貨和碳期貨價格之間存在高度相依性。 Mansanet－Bataller等 （2007）［11］利用多元回歸模型進行研究，結果發現碳價格與化石能源價格相關。 Gronwald等 （2011）［12］通過研究EUA期貨市場與煤、石油等金融商品之間的關系，得出了與 Mansanet－Bataller等 （2007）［11］相同的結論。 Zhang 和 Wei （2010）［13］利用狀態空間模型和VAR模型，發現碳市場和化石能源市場之間有顯著的協整關系。 Cotton 和 Trück （2011）［14］將數據分成兩階段進行研究，發現只有在第二階段碳價格和電價之間才存在顯著相關關系。Dutta等（2018）［15］采用 VAR－GRACH 方法發現 EUA 價格和可再生能源股票收益率之間顯著正相關。

此外，在相關波動溢出研究中，多數學者主要聚焦于碳市場和各金融市場之間波動溢出效應存在與否。海小輝和楊寶臣 （2014）［16］基于DCCGARCH模型發現，碳市場與煤炭市場、碳市場與天然氣市場之間的動態條件相關系數波動相似，布倫特原油市場對于碳市場的動態相關系數波動幅度則很小。 Byun和 Cho （2013）［17］利用 GARCH模型研究了碳、原油、天然氣、煤炭和電力之間的關系，結果發現碳市場和能源市場之間存在顯著的波動溢出效應。 Uddin等（2018）［18］基于VARBEKK模型和脈沖響應函數發現在德國能源市場中，煤和天然氣在整個樣本期間均產生了顯著的波動溢出效應，而碳市場在樣本前期和后期的波動溢出效應很小。也有少數學者從波動溢出強度和方向上分析碳市場和各金融市場的關系。Wang和Guo （2018）［19］采用 Diebold 和 Yilmaz （2012）［20］的方法構建溢出指數，研究發現天然氣對碳市場的溢出效應最顯著。Ji等 （2018）［21］利用基于滾窗VAR的方差分解溢出指數發現布倫特原油價格在影響碳價方面發揮著重要作用，且電價是最大的風險承受者。王超和楊寶臣 （2021）［22］利用Diebold－Yilmaz模型發現相較于歐盟碳交易市場，我國碳市場、金融市場以及商品之間的穩定性相對較弱，風險沖擊下更容易產生系統性風險。

通過上述文獻分析發現：（1）學者們主要研究單一碳市場和各金融市場之間的關系，很少將國內、國外碳交易市場同時考慮進去來研究二者的影響。且研究大多集中在EUA現貨價格，很少考慮EUA期貨。而相比于現貨，EUA期貨在反映碳價的未來價值上具有更好的價格發現功能 （Li等，2021）［23］；（2） 現有研究多是從國內單一或者幾個碳交易市場出發進行研究。孫春 （2018）［2］在分析國內碳交易市場時，選取了7個碳交易試點平均現貨價格。陶春華 （2015）［5］分別用6個碳交易市場價格進行與樣本行業的研究。鄒紹輝和張甜（2020）［6］選取了國內首個且活躍度最高的深圳碳排放權交易所進行分析。呂靖燁等 （2021）［24］則選取了湖北、上海和深圳3家碳排放權試點市場現貨收盤價進行研究分析。上述研究的不足之處在于忽略了中國碳市場價格總體變化特征 （王文舉和李峰， 2016）［25］； （3） 從研究方法上看， 多數學者采用的方法忽略了各市場之間的非線性特征，雖然有部分學者嘗試運用非線性分析方法對碳市場和金融市場之間進行分析，如Gong等 （2021）［26］運用TVP－VAR模型分析了歐盟碳交易市場和化石能源市場時變溢出效應；Li等 （2021）［23］同樣運用TVP－VAR模型研究了石油、天然氣、電力股價與EUA期貨價格之間的時變特征，但都并未繼續深入研究碳市場和各金融市場之間的波動溢出強度和方向。

基于以上分析，為了更好反映國內碳市場真實的交易情況，本文運用Paasche指數 （王文舉和李峰，2016）［25］構建了國內碳市場統一價格指數，采用TVP－VAR模型探討EUA期貨價格、國內碳交易價格以及有色金屬期貨價格之間的關系，并進一步結合TVP－VAR模型的方差分解溢出指數考察三者之間的溢出效應強度和方向。

1 模 型

1.1 TVP－VAR 模型

自 Sims （1980）［27］提出 VAR 模型以來， VAR模型被廣泛應用于經濟研究。但是，該模型的缺陷是變量之間的當期相關關系會隱藏在滯后誤差項的相關結構中。 因此， Sims（1986）［28］對其進行了改進，提出了結構向量自回歸SVAR模型。然而，傳統的向量自回歸模型難以解決非線性時間序列的有效估計問題。 因此，Primiceri（2005）［29］在SVAR模型的基礎上進行改進提出了TVP－VAR模型，很好地解決這一問題。

一個基本結構VAR模型的具體形式為：

其中 Yt為 K×1 維列向量， A，F1，…，Fs為 K×K維系數矩陣，隨機擾動項μt為K×1維結構沖擊向量， 服從N（0，ΣΣ）， 其中：

此外，為簡化模型，參考Primiceri（2005）［29］和 Nakajima （2011）［30］的做法， 假設 αt是矩陣 At的下三角累積向量， 其中 αt＝（α21，α31，α32，α41，…，αk，k－1）。

同時， 參照 Primiceri （2005）［29］的做法， 假設式 （4）中的所有參數均為如下隨機游走過程：βt＋1＝βt＋μβt， αt＋1＝αt＋μαt， ht＋1＝ht＋μht， 其中 ht＝（h1t，…，hkt）， hit＝lnδ2it， i＝1，…，k， t＝s＋1，…，n。

其中 βs＋1～ N（μβ0，Σβ0）， αs＋1～ N（μα0，Σα0），hs＋1～N（μh0，Σh0）。

1.2 時變波動溢出指數構建

Diebold和 Yilmaz （2009）［31］在 2009 年基于VAR模型進行方差分解構建了溢出指數，但通過這一方法構建的指數并不能體現溢出效應的時變特征。 因此 Diebold和 Yilmaz （2012）［20］在 2012年對方法進行了改進，通過滾窗VAR方法，進一步實現了對溢出效應時變特征的考察。但該方法還是存在一定缺陷，如對于窗寬選擇具有依賴性且無客觀依據標準、估計結果受異常值影響明顯、樣本損失等問題 （鄭挺國和劉堂勇，2018）［32］。

Antonakakis和 Gabauer （2017）［33］運用 TVPVAR模型，并將其與Diebold和Yilmaz構建溢出指數的方法相結合建立了時變波動溢出指數。該方法不需要設定任何窗度，因此沒有樣本損失，克服了 Diebold 和 Yilmaz （2012）［20］溢出指數方法的缺點。由此本文基于TVP－VAR模型構建的波動溢出指數進行研究。

在式 （6）中TVP－VAR模型已表示為：

方差貢獻可以表示為在給定變量yi且當yi受到外部影響時，yi的h步預測誤差方差中，可以由yj解釋的比例dij（h）?？梢员硎緸椋?/p>

其中，Σ表示擾動向量εt的協方差矩陣，σii是εt的標準差，ej為第j個元素是1，其余為0的單位向量， i，j＝1，…，N， i≠j。 疊加來自不同市場的所有方差貢獻，可以構成方差分解矩陣Dij（h），用來表示不同市場間的風險溢出效應的大小。

其中矩陣D中的非對角線元素表示不同市場的風險溢出水平。每一行行向量各元素之和表示該市場受到其他市場沖擊時所能承受風險能力的大小。每一列列向量各元素之和表示該市場對其他市場風險溢出程度。矩陣D中所有元素之和的平均值表示整體風險溢出程度。定義凈溢出效應為對外溢出效應（To）與受其他市場溢出的風險承受程度（From）的差值。

由于方差分解矩陣Dij（h）每行行向量的各元素之和不為1，為了更好分析各市場之間的波動溢出效應，可對各行按如下公式進行歸一化處理，使得各行行和為1：

綜上，反映市場間風險溢出對整體金融體系影響的總溢出指數S（h）表示為：

2 數據選取與指數構造

2.1 數據選取

自2011年以后，國內先后有8家碳交易場所成立。其中，由于福建碳交易市場成立不久，交易數據較少。因此本文選取深圳、上海、北京、廣東、天津、湖北和重慶7家碳交易市場成交均價構建國內碳市場價格指數，實證的起始時間選取為2014年6月19日，即最后一個試點碳市場——重慶市碳排放交易市場的開市時間。由于各試點碳市場均存在沒有交易量的交易日，因此本文參考王文舉和李峰 （2016）［25］的方法使用月度數據，以2014年6月作為基期。2014年7月至2021年8月為研究樣本區間。在計算月度成交均價時，由于多家碳交易市場存在大量無成交量的交易日，為了很好的解決交易量在時間上的不連續這一問題，對于無成交量交易日的成交價格，本文參考朱麗娜 （2017）［34］的做法，按照上一個有成交量交易日的成交價格計算，進而補全7家碳交易市場每月的日度交易數據得到月度成交均價。

2.2 碳市場價格指數構造

目前對于價格指數的研究可以分為簡單價格指數和綜合價格指數兩類 （楊緒忠和張玉玲，2007）［35］。 基于王文舉和李峰 （2016）［25］的研究，隨著國內碳交易市場的發展和完善，中國碳市場統一價格指數適合采用以報告期成交量為權重的Paasche指數進行編制 （李豐，1995）［36］。因此本文選擇Paasche指數來構建國內碳市場價格指數。Paasche指數公式如下：

選取上期有色金屬期貨價格指數（SHFE－IM?CI）作為有色金屬期貨市場的代表。

綜上，本文分別用EUA期貨價格、Paasche指數構建的國內碳交易市場價格（CCM）、上期有色金屬期貨價格指數（SHFE－IMCI）作為國內外碳交易市場以及有色金屬期貨市場的測度。其中數據均來源于Wind數據庫。

2.3 數據檢驗

在建立TVP－VAR模型前需要對原始時間序列數據進行平穩性檢驗，從而避免出現結果的“偽回歸”問題。表1的ADF檢驗結果表明國內碳交易市場價格在1%的顯著性水平下平穩，EUA期貨價格以及上期有色金屬期貨價格指數在1%、5%、10%3個顯著性水平上均不能拒絕原假設，即原始序列不平穩。因此本文選取EUA期貨價格、上期有色金屬期貨價格指數的一階差分序列以及原始的國內碳交易市場價格進行后續實證研究。

表1 ADF檢驗結果

3 實證結果

3.1 模型估計

本文采用基于馬爾可夫鏈蒙特卡羅模擬（MC?MC）對模型進行估計，同時根據VAR模型的AIC和SC準則，確定模型的最優滯后階數為1階。此外，MCMC抽樣次數被設定為10000次，并舍棄了前1000的預燒樣本，以保證抽樣結果準確性和可靠性，由表2參數結果可得如下結論：

表2 TVP－VAR模型參數估計結果

（1） 由Geweke檢驗可知，所有值均低于1.96，即在5%的顯著性水平下不能拒絕參數收斂于后驗分布的假設； （2）待估參數的無效影響因子都很小。最大值為93.41，這意味著至少可以從10000個模擬中獲得約107個不相關的樣本，符合后驗推理要求。綜上，TVP－VAR模型估計取得了較為良好的結果。

3.2 時變脈沖響應結果分析

3.2.1 等間隔脈沖響應分析

在時間間隔選擇方面，本文選取了滯后1月、滯后3月和滯后6月分別測量短期、中期和長期國內外碳交易市場對有色金屬期貨市場的沖擊響應。

圖1為不同滯后期EUA期貨市場、國內碳市場交易市場以及有色金屬期貨市場之間的等間隔脈沖響應。

圖1 目標變量之間等間隔脈沖響應圖

（1）國內碳交易市場對EUA期貨市場的脈沖響應。EUA期貨市場對國內碳交易市場的沖擊效應具有明顯的時變特征，表明EUA期貨市場對國內碳交易市場的溢出效應在不同時期存在差異。國內碳交易市場受EUA期貨市場的影響持續為正，且在短期內受EUA期貨市場影響最大。隨著時間間隔的增加，EUA期貨市場對國內碳交易市場的影響逐漸減弱，不同于短期的正向反應，中長期情形下的響應程度相對較弱。

（2）有色金屬期貨市場對EUA期貨市場的脈沖響應。短期內，有色金屬期貨市場受EUA期貨市場的影響持續為負。此外，短期的脈沖響應在2015年之后表現為不斷攀升的趨勢，而在2020年轉變為下降趨勢。這主要是由于2015年后為適應中國經濟的產業升級，有色金屬期貨市場不斷完善和發展，期貨交易規模及有色金屬實物交割總量穩步增長。但2020年由于新冠肺炎疫情的影響，短期內有色金屬企業的生產受到較大影響，進而使得整體有色金屬行業供給在一定程度上出現下滑。隨著時間間隔的增加，EUA期貨市場對有色金屬期貨市場的影響逐漸減弱，不同于短期的負向反應，中長期情形下的響應程度相對較弱。在滯后6期時，EUA期貨市場對有色金屬期貨市場沖擊的響應基本圍繞零點上下浮動，表明EUA期貨市場對有色金屬期貨市場的沖擊受時間的推移而緩慢消逝。

（3）有色金屬期貨市場對國內碳交易市場的脈沖響應。2016年以前國內碳交易市場對有色金屬期貨市場的影響持續為負，在短期內受國內碳交易市場影響最大。2016年以后國內碳交易市場對有色金屬期貨市場的影響持續為正，同樣是在短期內受國內碳交易市場影響最大。從整體來看，國內碳交易市場對有色金屬期貨市場的影響由負向轉變為正向。這可能是由于國內碳交易市場建立初期，碳市場交易價格的提高可能會在一定程度上提高有色金屬行業企業的成本，從而影響有色金屬行業企業的利潤。但是中國自2016年下半年起迎來了供給側改革的重塑期，隨著有色金屬行業的產業升級，企業的盈利能力在碳中和的背景下也逐步提高。

3.2.2 等時點脈沖響應分析

在時間點的選擇上，本文選取的3個時間點為EUA期貨價格階段性低點，包括2016年6月的英國公投脫歐、2018年10月的美國全球貿易戰和2020年3月的全球新冠肺炎疫情，如圖2所示。

圖2 EUA期貨價格

圖3為不同時點下EUA期貨市場、國內碳市場交易以及有色金屬期貨市場之間的等時點脈沖響應。

圖3 目標變量之間等時點脈沖響應圖

（1）國內碳交易市場對EUA期貨市場的脈沖響應。3個時點下的影響效果類似，均在滯后1期后沖擊效應達到最大，隨后開始衰退，直至為0。此外，值得注意的是新冠肺炎疫情導致的正向沖擊略高于美國發動全球貿易戰帶來的正向沖擊，并且它們均明顯高于由英國公投脫歐帶來的沖擊。也就是說，伴隨著國內碳交易市場與EUA期貨市場聯系的日益緊密，國內碳市場交易受外部不確定性的正向沖擊愈發明顯。這也在一定程度上印證了前文等間隔脈沖響應結果的推斷。

（2）有色金屬期貨市場對EUA期貨市場的脈沖響應。3個時點下的脈沖響應結果基本相同，在滯后1期后沖擊效應達到最大且正向極大響應程度要明顯高于負向極大響應程度。所有沖擊均可持續4個月左右，并且都是在3個月左右將EUA期貨價格的信息釋放完畢。

（3）有色金屬期貨市場對國內碳交易市場的脈沖響應。所有沖擊均在當期影響最大，隨后逐漸減弱。美國發動全球貿易戰和新冠肺炎疫情時期的沖擊均可以持續1年左右，并且都是在10個月左右將國內碳市場交易的信息釋放完畢。而英國脫歐時期的沖擊基本在當期就釋放完畢。負向極大響應程度要明顯高于正向極大響應程度。這一點突出體現在新冠肺炎疫情時期和美國發動全球貿易戰時期，它們各自帶來的負向沖擊明顯高于其引發的正向沖擊。

3.3 波動溢出效應分析

為了進一步研究EUA期貨市場、國內碳交易市場以及有色金屬期貨市場之間的波動溢出效應，本文基于TVP－VAR模型構建了目標變量之間的時變波動溢出指數。

表3給出了EUA期貨市場、國內碳交易市場以及有色金屬期貨市場之間風險溢出大小。由表3可以得到如下結論：對角線上的值明顯高于其他值，說明各市場之間更容易受到自身滯后效應的影響。從風險溢出的方向上看，EUA期貨市場和國內碳交易市場凈溢出效應均為負值，但EUA期貨市場的凈溢出大于國內碳交易市場的凈溢出，有色金屬期貨市場凈溢出為正值。這說明有色金屬期貨市場對外溢出效應較大，且國內碳交易市場更容易受其他市場的風險沖擊的影響。從風險溢出的強度上看，相比于國內碳交易市場，EUA期貨市場對有色金屬期貨市場產生了較大的溢出效應，其值為1.81%。有色金屬期貨市場對國內碳交易市場的影響大于對EUA期貨市場影響。同時有色金屬期貨市場對EUA期貨市場以及國內碳交易市場的溢出效應大于EUA期貨市場以及國內碳交易市場對有色金屬期貨市場的溢出效應。

表3 目標變量之間風險溢出表

圖4給出了上述目標變量之間的時變風險溢入效應、風險溢出效應以及凈溢出效應。由圖4可以得出如下結論：有色金屬期貨市場在整個樣本期間內對其余市場有較大的凈風險溢出效應。EUA期貨市場在整個期間內受到了凈溢入效應，這說明EUA期貨市場易受其余市場影響而引發市場風險。國內碳交易市場除了新冠肺炎疫情期間有短暫的凈風險溢出效應，大部分期間受到了凈溢入效應，并且在2014～2015年國內股市大幅波動期間凈風險溢出效應達到了最低。有色金屬期貨市場在2014年10月風險溢出效應達到最高峰，之后一直處于波動下降的趨勢。2014～2015年期間中國股市經歷了1年多的牛市階段，有色金屬期貨價格也隨之大漲，因此這一階段的有色金屬期貨市場風險溢出水平也處于階段性峰值。隨后，2015年中央為了防控股市風險，實行了以去杠桿為目標的穩健貨幣政策，進而使得有色金屬期貨市場的對外溢出效應相對減弱。同時在2016年下半年隨著我國迎來了供給側結構性改革，隨著供給側結構性改革的推進，有色金屬行業也經歷了產業升級，因此在2016年后風險溢出效應進一步下降。這也再次印證了前文等間隔脈沖響應結果的分析。

圖4 目標變量之間波動溢出、溢入和凈溢出指數

4 結論及政策建議

在全球變暖問題日益嚴峻的背景下，有色金屬行業的高排碳生產成為了全球氣候變暖的突出問題。然而，很少有學者關注國內外碳交易市場和有色金屬行業的直接時變溢出效應和方向。因此本文從國內7家碳交易場所出發，基于Paasche指數構建了國內碳市場價格統一指數，同時采用TVP－VAR以及基于該模型的時變波動溢出指數分析了EUA期貨市場、國內碳交易市場和有色金屬期貨市場的時變溢出效應和風險溢出方向。

研究結果表明EUA期貨市場、國內碳交易市場和有色金屬期貨市場之間的溢出效應具有明顯的時變特征。EUA期貨市場在短、中、長期內對有色金屬期貨市場均產生了負向影響，這與國內碳交易市場對有色金屬期貨市場的影響有顯著差異。國內碳交易市場對有色金屬期貨市場的影響隨著時間推移由負向影響轉為正向影響。這表明我國有色金屬行業與國內碳交易市場聯系日趨緊密，且不斷進行著產業升級和結構調整，逐步與中國低碳經濟相適應。EUA期貨市場相比于國內碳交易市場對有色金屬期貨市場產生了更大的溢出效應，是有色金屬期貨市場風險波動的主要來源。

對于投資者來說，可以更清晰地了解EUA期貨市場和國內碳交易市場對有色金屬期貨市場的影響程度。因此，投資者可以依靠碳市場價格的變化來預測有色金屬期貨價格的變化。對于有色金屬企業來說，隨著國內碳交易市場的進一步發展和完善，國內碳交易市場對有色金屬行業的時變溢出效應變得更加顯著。因此，企業應該積極關注國內碳交易價格，這對有色金屬企業的生產經營有重要影響；另外，隨著低碳經濟成為經濟發展的主要趨勢，這必然會要求有色金屬企業相關技術的升級和創新。因此，有色金屬企業需要不斷提高自主創新能力，促進企業升級和結構調整，進而向低碳經營模式轉變。對于決策部門來說，可以意識到EUA期貨市場、國內碳交易市場和有色金屬期貨市場之間的時變溢出效應持續時間較長，進而可以提高政策的有效性和靈活性；隨著國內供給側結構性改革的推進，國內碳交易市場對有色金屬期貨市場的時變溢出效應存在顯著差異。因此在低碳經濟的大背景下，要不斷完善國內碳交易市場，進而引導國內有色金屬行業的產業升級和調整；（3）EUA期貨市場是有色金屬期貨市場的主要風險來源，因此為了促進有色金屬期貨市場的穩定，應著重防范來自國外碳交易市場的風險沖擊。