区域性碳市场与煤炭市场间极端风险溢出效应研究——基于二元和整体分析框架

王 剑 杜红军 谢升峰

（湖北大学，湖北 武汉 430062）

当前，世界经济正高速发展，传统工业体系对化石能源的高度依赖使得温室气体激增，进入21 世纪以来全球变暖和生物多样性危机已迫在眉睫。近年来，为应对日益加剧的气候问题，各国政府积极响应由《京都议定书》确立的国际碳排放交易机制。目前，欧盟排放交易体系（EU-ETS）已成为重要的国际碳交易市场。党的二十大报告指出，积极稳妥推进碳达峰、碳中和，实现双碳目标是一场广泛而深刻的经济社会系统性变革，我国应立足我国能源资源禀赋，积极探索通过市场化调节手段实现“双碳”目标。

2013年至今，全国已陆续建立8个区域性碳交易试点市场，并在2021年迎来全国性碳市场的开市，尽管这标志着我国碳市场的逐渐成熟以及其价格发现、气候调控和信息传递功能的不断完善，但也潜藏诸多风险。第一，近年来频发的地缘政治冲突和能源危机或将通过国际碳市场和能源市场直接和间接地引发我国碳市场的波动；
第二，我国碳市场由于其政策性和区域性特征，相较于传统金融市场更容易受到政策风险和气候风险的影响；
第三，由于我国碳市场尚不成熟，碳金融工具的不足导致缺乏有效的风险管理手段。

传统化石能源因其高碳排放特性与碳市场具有天然的信息传导机制。煤炭在我国的能源消费结构中占据主要地位，如图1 所示，尽管我国的煤炭消费占总能源消费比重从2017年的60.4%下降到2021年的56.0%，但煤炭消费仍占有超过半数的比例，因此碳市场与煤炭市场关系密切，可能会存在风险的双向传染路径。我国不同区域的经济发展水平存在差异、碳市场准入标准不同，碳市场与煤炭市场间风险溢出效应是否也存在区域性差异？不同区域性碳市场与煤炭市场间风险溢出效应如何动态演化？回答上述问题一方面有助于投资者充分认识区域性碳市场和煤炭市场的风险关系、识别风险传染渠道、合理规避区域性碳市场与传统能源市场的系统性风险，另一方面有助于相关部门积极防范在发展碳市场进程中可能引发的系统性风险，进而稳步推进我国区域性碳市场和煤炭市场的协调发展。

图1 2017—2022年我国煤炭消费占总能源消费比重

根据前文分析，碳市场与煤炭市场关系密切。纵观国内外已有文献研究，直接研究碳市场与煤炭市场的文献相对较少，但煤炭市场是能源市场的重要组成部分，且近年来，随着全球碳市场的稳步发展，碳市场、能源市场、金融市场三者间以及碳市场间的溢出关系和溢出效应研究受到学术界广泛关注。因此，本节针对碳市场与能源市场间的溢出关系和溢出效应研究展开文献综述。

（一）碳市场与能源市场间的溢出关系研究

由于我国碳市场的建成时间较晚、发展历程较短，早期碳市场的研究对象主要以国际碳市场为主。张跃军和魏一鸣（2010）基于EU-ETS第一、二阶段的市场数据，结合状态空间模型和VAR 模型证实国际碳价和化石能源价格间存在动态协整关系，发现油价是引起国际碳价变动的主要因素。朱帮助（2014）在探讨国际事件对碳价结构性冲击的基础上证实碳价和能源价格的协整关系仍稳定存在。Yu et al.（2015）通过DCC-ICSS 模型研究国际碳市场和原油市场的动态相依关系，发现金融危机和政策冲击会导致“碳-原油”相关性的结构性变化。Chen et al.（2019）使用BEKK 模型证实欧盟碳市场和能源市场间存在波动溢出关系。Gong et al.（2021）则基于TVP-VAR-SV 模型进一步捕捉到国际碳市场和化石能源市场间作用关系的动态非线性特征。基于上述能源价格和碳价溢出关系的实证研究，不难发现碳资产还能作为投资者分散能源市场风险的一种选择。张秋莉等（2012）使用DCC-MVGARCH 模型，验证碳期货能有效对冲能源期货的波动风险。Balcilar et al.（2016）则基于MS-DCC-MVGARCH 模型，发现在EU-ETS 的不同阶段，碳期货对原油期货的风险对冲效率具有显著差异。

随着国内碳市场的高速发展，近年来我国区域性试点碳市场逐渐成为重点研究对象。崔婕等（2018）以湖北碳市场为研究对象，发现我国碳市场、能源市场和资本市场存在长期均衡关系。燕志鹏等（2022）基于VEC 模型发现我国碳市场和煤炭市场之间同样存在长期均衡和价格传导关系。刘建和等（2020）发现国内焦煤市场和碳市场间存在较强的溢出关系。由于控排企业性质、准入门槛、经济发展以及监管力度等差异，陈珂等（2022）证实化石能源市场对我国碳市场的影响存在显著的区域性差异。随着2021年全国碳市场的推出，我国碳市场、能源市场与金融市场的影响关系发生了结构性变化（刘志洋等，2022）。

（二）碳市场与能源市场间的溢出效应研究

大量研究均已证实碳市场与能源市场间存在溢出关系，学术界开始广泛关注碳市场与能源市场间溢出效应的大小和方向问题，其中以资产价格序列为代表的信息溢出效应研究或以价格波动序列为代表的风险溢出效应研究为主。

Yao et al.（2022）通过VAR-DY 模型测度我国“碳-能源-股票”系统的信息溢出效应，发现碳市场是主要的信息传递者，而煤炭市场是主要的信息接收者。赵领娣等（2021）则基于已实现波动率测度我国碳市场与能源市场间的风险溢出效应，验证能源市场对不同区域性碳市场波动溢出效应的区域性差异。王喜平和王婉晨（2022）进一步利用BK溢出指数测度我国碳市场和电力市场在不同频域上的波动溢出效应，发现碳市场在短期是风险的净接收方，而在中长期则为净溢出方。为比较不同市场间均值溢出效应和波动溢出效应的差异，Ji et al.（2018）对比欧洲碳市场和能源市场间的波动溢出效应和均值溢出效应，发现前者显著高于后者，但Tan et al.（2020）基于相同的研究对象得到完全相反的结果，并发现金融危机等冲击性事件会对市场间的波动溢出效应产生最为显著的结构性影响。Wang &Guo（2018）则发现原油（天然气）市场对碳市场表现出更为显著的均值溢出（波动溢出）效应。Yang（2022）结合格兰杰因子动态模型和DY 溢出指数，发现欧洲电力市场对碳市场的波动溢出效应较均值溢出效应更为显著，尤其是对欧洲电力市场需求侧的冲击是引发碳价波动的主要原因。

综合梳理文献可知，目前以欧洲碳市场为主要研究对象的国际碳市场研究较为丰富，而基于中国碳市场的本土研究较少。同时，大部分研究主要考察能源或金融市场对碳市场的风险溢出效应，然而随着我国碳市场的不断成熟，其对传统能源市场尤其是煤炭市场的风险溢出效应亦值得关注。此外，在我国碳市场作为一种新兴的区域性、政策性市场具有一定的分割性，同时由于市场体系建设尚不健全、碳金融产品尚不完善、市场参与主体尚不成熟而具有较大风险，现如今全球宏观经济下行、地缘政治冲突和极端天气频发进一步增大碳市场和煤炭市场极端事件的发生概率。基于此，本文首先基于二元分析框架使用GJRADCC-ΔCoVaR 模型分析我国区域性碳市场与煤炭市场间极端风险双向溢出的大小和关系，进一步将所有市场纳入整体框架，并使用前沿的TVP-VAR-DY模型分析系统中各市场间极端风险溢出的直接效应和净效应。对比已有的相关研究，本文的边际贡献主要体现在以下三个方面：第一，将对象聚焦于我国区域性碳市场，丰富本土碳市场的相关研究；
第二，区别于已有文献对收益率或波动率溢出效应的研究，本文的研究聚焦于市场间极端风险溢出效应的分析；
第三，基于二元和整体框架，从局部到整体递进式分析我国碳市场与煤炭市场间极端风险溢出效应的区域差异和动态特征。

（一）机理分析

1.区域性碳市场对煤炭市场的价格影响路径。区域性碳市场对煤炭市场的价格传导路径有以下两种：一是影响地方控排企业、行业等，进而影响区域经济生产利益的直接路径；
二是通过与其他市场微观主体传递信息的间接路径。为方便说明上述风险溢出的作用机理，图2展示了碳市场对煤炭市场的风险传导路径示意图，其中实线表示与经济利益关联的直接路径，虚线表示信息传递下的间接路径。当区域碳价上涨时，地方控排企业的生产成本将增加，根据收入效应，在短期内企业的现金流和企业价值会受到影响，进而造成股价波动并通过资本市场和能源市场的关联路径引发煤炭市场的价格波动。根据替代效应，在中长期则会促使地方产业结构升级，发展绿色经济，降低对煤炭等高碳排放能源的依赖程度，进而导致煤炭价格降低。在长期内控排企业会加强技术变革，进一步提高能源的使用效率并优化能源结构，再一次从需求侧冲击煤炭价格。碳市场和煤炭市场的参与主体除了控排企业外，还包括国际组织、国家和地方政府、潜在控排企业、机构和个人投资者。碳市场和煤炭市场的价格信号将影响这些微观主体的行为决策，间接引发碳市场和煤炭市场间的风险传递。例如，碳市场或煤炭市场的剧烈波动将促使国际组织和政府采取一系列宏观调控手段维持市场稳定，一方面政府调控可能引发市场失灵，另一方面频繁的政府干预将提高经济政策不确定性水平，进而挤出市场投资者，导致市场萧条。潜在控排企业则会为了稳定未来生产成本，提前根据碳市场和煤炭市场的相对价格配置资产。机构和个人投资者不管是出于套利或投机等目的，任一市场的波动将使得风险通过投资者在两个市场间传递。

图2 碳市场对煤炭市场的风险传导路径

此外，考虑到不同区域的经济水平、产业结构、能源结构、地理环境以及碳市场制度设计存在明显差异，不同区域性碳市场通过各自的市场微观主体在不同环境下对煤炭市场的极端风险溢出效应必然存在显著差异。

2.煤炭市场对区域性碳市场的价格影响路径。反之，煤炭市场同样会对区域性碳市场产生风险溢出效应。图3 展示了煤炭市场对碳市场的风险传导路径示意图，煤炭价格的上涨将直接扩大企业的生产成本，在短期内企业可能削减产出规模，能源消耗的减少将降低碳排放需求，进而引起碳价的下跌；
在中长期则会迫使企业寻求替代能源并开发新技术，现阶段我国大力发展新能源产业，能源价格的上涨将进一步推动能源结构的转型，伴随企业能源技术的革新，将导致碳排放权需求和碳价的降低。

图3 煤炭市场对碳市场的风险传导路径

（二）模型构建

基于上述机理分析，为探究区域性碳市场与煤炭市场间极端风险溢出效应，首先估计各碳市场与煤炭市场的极端风险因子，并在二元框架下分析各区域性碳市场与煤炭市场间极端风险双向溢出的大小和关系。

另外，考虑到各区域性碳市场与煤炭市场间的极端风险可能通过其他市场间接传导，本文进一步将所有市场的极端风险因子纳入整体框架，系统性研究各区域性碳市场与煤炭市场间极端风险溢出的直接效应和净效应。

1.GJR-ADCC-ΔCoVaR模型。Tobias &Brunnermeier（2016）首次在在险价值模型（Value at Risk，VaR）的基础上提出了条件在险价值模型（Conditional Value at Risk，CoVaR），即在一定置信水平下，当市场i处于“=VaR”的困境状态时，市场j可能面临的最大损失。假设置信水平为q%，X为市场损失率：

可以定义市场i对市场j的极端（尾部）风险溢出为：

假定市场i和市场j的损失率服从下列二元正态GARCH过程：

则市场i的极端风险因子和市场i对市场j的极端风险溢出可分别表示为：

不难发现，估计市场i的极端风险因子VaR 和市场i对市场j的极端风险溢出效应ΔCoVaR 的关键在于估计市场i和市场j的波动率和相关系数。为捕捉金融变量间波动性和相关性的非对称特征，本文将GJR-GARCH 模型和非对称DCC（ADCC）模型相结合。具体步骤如下：

第一步，对任一市场i的损失率建立单变量GJRGARCH模型：

其中nt=ut(ut＜0)，Qt是ut的条件协方差矩阵，Rt是条件相关系数矩阵。

2.TVP-VAR-DY 模型。为了分析不同变量间的溢出关系，早期Diebold &Yilmaz（2009）结合VAR模型和Cholesky 分解进行多变量间整体溢出水平的测度，但Cholesky分解一方面受制于变量顺序和滞后阶数的选择而使结果不稳定，另一方面无法衡量不同市场间的方向性溢出，因此Diebold &Yilmaz（2012）引入GFEVD（广义预测误差方差分解）对模型进行改进，消除对变量顺序和滞后阶数的依赖。然而上述DY 溢出指数模型仍存在以下几点不足：一是无法捕捉金融变量常见的异方差性；
二是基于滚窗法的动态估计受制于最优窗宽的选择，会造成样本信息的损失；
三是对异常值的敏感度较强。为克服上述缺陷，Antonakakis et al.（2020）结合TVP-VAR-SV 模型和DY溢出指数模型提出TVP-VAR-DY模型，构建的具体步骤如下：

第一步，对N维向量yt构建一个N变量的p阶TVP-VAR-SV模型：

其中zt=（yt-1，…，yt-p）T，At=（A1t，…，Apt），Σt和Xt为时变方差协方差矩阵，vec为矢量化算子。

第二步，根据Wold 定理将VAR（p）转化成VMA（∞）形式：

第三步，设预测期为H，基于GFEVD 模型，则变量j对变量i的溢出效应为：

其中Σh为误差向量的时变协方差矩阵，σjj,t为第j个误差项的时变标准差，ei为选择向量（除了第i个元素为1 外其余全为0）。为使方差分解矩阵的行和为1，将其做如下归一化处理：

基于归一化的方差分解矩阵，构造总溢出指数TSI，该指数表示系统内所有变量的总溢出程度：

此外，可以得到变量i对其他变量和受其他变量溢出影响的综合方向性溢出指数TO和FROM：

综合方向性溢出指数TO和FROM，可以得到变量i对其他变量的净溢出指数NET：

同样，考虑两两变量间的净溢出影响，可以构造净配对溢出指数S：

综上，本文简要的实证框架如图4所示。

图4 简要的实证框架

（一）样本选取、数据处理与描述性统计

2013年以来，我国已陆续建立8个碳交易试点市场，受限于数据可获得性，本文选取北京（BJEA）、上海（SHEA）、广东（GDEA）、深圳（SZEA）和湖北（HBEA）碳市场的碳排放权日收盘价作为我国区域性碳市场的代理变量，煤炭市场（CFI）则使用中证公司编制的中证煤炭期货成分指数日收盘价作为代理变量。

为保证市场的完整性，本文将样本区间设为2016 年11 月18 日至2022 年8 月22 日。为避免不必要的数据删减，以煤炭期货指数的交易日为基准，各碳市场部分缺失日收盘价用日结算价或前一交易日收盘价插补，根据中国碳交易网数据对少数的碳市场异常数据进行手工核改，对同一市场在同一交易日的多种交易产品以当日成交量为权重计算市场加权平均收盘价。上述原始数据来源于CSMAR数据库和中国碳交易网，数据处理和建模使用MATLAB和R语言。

1.计算各市场的日对数收益率：Rt=(lnPt-lnPt-1)×100。图5 展示了各市场对数收益率变化趋势，可以发现各市场的收益率存在显著的波动聚集特征，深圳碳市场的波动水平远超其他市场。结合表1面板A列示的描述性统计，可以发现：第一，煤炭市场收益率的标准差在所有市场中最小，表明煤炭市场风险低于区域性碳市场；
而在各碳市场中，深圳碳市场的标准差远大于其他市场，表明深圳碳市场具有较大风险。第二，所有市场的偏度均小于0且峰度均大于3，同时JB 和ARCH 检验统计量也均在1%水平下显著，即所有序列存在负偏、尖峰厚尾和条件异方差性。第三，ADF统计量表明所有市场收益率序列均满足平稳性要求。

图5 煤炭市场和区域性碳市场收益率

2.计算各市场的极端风险因子VaR。图6展示了极端风险因子的动态特征，可以发现煤炭市场的极端风险水平普遍低于区域性碳市场，同时不同区域性碳市场的极端风险变化趋势和波动存在显著差异，风险共振较弱，表明各碳市场间具有较强的分割性。结合表1面板B列示的各市场极端风险因子描述性统计，可以发现：煤炭市场极端风险因子的均值最小，而深圳碳市场极端风险因子的均值最大，表明深圳碳市场具有较大的极端风险；
煤炭市场极端风险因子的标准差同样最低，而深圳碳市场极端风险因子的标准差仍最大，表明深圳碳市场的极端风险更容易发生变化；
极端风险因子的偏度均大于0 且峰度均大于3，其中煤炭市场的偏度和峰度较小而广东碳市场均最大，表明广东碳市场较容易出现超过平均水平的极端风险。

表1 描述性统计

图6 煤炭市场和区域性碳市场极端风险因子

（二）基于二元框架的极端风险双向溢出分析

通过GJR-ADCC-ΔCoVaR 模型计算各区域性碳市场与煤炭市场间极端风险的双向溢出。图7 展示了二元框架下极端风险溢出的动态特征，其中“→”表示风险溢出方向，可以发现：不同碳市场与煤炭市场间极端风险双向溢出的大小存在差异，煤炭市场对北京和上海碳市场极端风险溢出水平相对较高；
各碳市场与煤炭市场间极端风险的双向溢出存在非对称特征，即在绝大部分时期碳市场对煤炭市场极端风险溢出的大小和波动均小于煤炭市场对碳市场的极端风险溢出；
不同碳市场与煤炭市场间极端风险的双向溢出关系存在显著差异，在大部分时期北京、上海和广东碳市场与煤炭市场间极端风险的双向溢出表现为正向关系，而大部分时期深圳和湖北碳市场与煤炭市场间极端风险的双向溢出表现为负向关系；
部分碳市场对煤炭市场的极端风险溢出在2021 年末凸起，即表明碳市场对煤炭市场的冲击加剧。而煤炭市场对不同碳市场极端风险溢出的变化趋势表现出区域性差异。

图7 二元框架下极端风险溢出趋势

（三）基于整体框架的极端风险溢出效应分析

为降低序列的异方差性，对各市场的极端风险因子进行对数化处理，使用TVP-VAR-DY 模型对整体框架下极端风险的溢出效应进行分析。

1.极端风险的静态溢出效应分析。表2 列示了各碳市场极端风险因子的静态溢出指数，可以发现：总溢出指数TSI为18.81%，表明各市场极端风险变化的18.81%由其他市场极端风险变化所解释；
根据静态溢出指数表的对角线元素，所有市场受自身滞后效应影响的比重均高于来自其他市场影响的总和，其中广东碳市场受其他市场的影响比例达到21.81%，而其他市场的被影响比例均小于20%；
根据方向性溢出指数TO和FROM，系统中深圳碳市场的溢出效应最强（23.47%），而广东碳市场的溢入效应最强（21.81%）；
根据净溢出指数NET，系统中煤炭市场、上海和广东碳市场是极端风险的净接收方，而北京、深圳和湖北碳市场是极端风险的净输出方，其中深圳碳市场的净溢出效应最强（10%），而广东碳市场的净溢入效应最强（-7.63%）；
根据各碳市场与煤炭市场间的净配对溢出指数S，深圳碳市场对煤炭市场的净溢出效应最强（4.68%），而煤炭市场对广东碳市场的净溢出效应最强（2.73%）。

表2 静态溢出指数表

2.极端风险的动态溢出效应分析。图8 至图10分别展示了系统总溢出指数、煤炭市场方向性溢出指数、区域性碳市场与煤炭市场净配对溢出指数的动态趋势。

图8 中系统的总溢出指数变化趋势呈现较为显著的周期性特征，即同一年内年初至年中呈下降趋势而从年中至年末逐渐上升的“V”型过程。此外，在2020 年系统极端风险的总溢出水平呈上升趋势，这是由于疫情影响对我国能源的需求侧和供给侧形成双重冲击，进而增大系统内各市场极端风险的总体溢出水平。

图8 总溢出指数动态趋势

图9 从左至右分别展示了煤炭市场对所有碳市场极端风险的总溢出、总溢入和净溢出指数的动态趋势，可以发现：煤炭市场与碳市场间极端风险的双向溢出呈现此消彼长的周期性变化，即在大部分时期当煤炭市场对碳市场的总溢出效应上升时，煤炭市场受碳市场的总溢入效应下降，这也表现为煤炭市场对碳市场的净溢出效应趋势在0值上下波动。此外，煤炭市场对碳市场方向性溢出指数的波动呈向平均水平收敛趋势，表明随着我国区域性碳市场的稳步发展，煤炭市场与碳市场间极端风险的溢出效应趋于平衡。

图9 方向性溢出指数动态趋势

图10展示了各碳市场与煤炭市场间净配对溢出指数的动态趋势，可以发现：不同碳市场与煤炭市场间极端风险的净配对溢出效应存在显著的区域性差异，其中除湖北碳市场对煤炭市场的净配对溢出效应相对较弱（-15%～15%）外，其余碳市场对煤炭市场的净配对溢出效应在不同时期均曾超过30%或低于-30%。在绝大多数时期，北京、上海和湖北碳市场对煤炭市场的净配对溢出效应在平均水平上下波动，而广东和深圳碳市场对煤炭市场的净配对溢出效应的趋势特征相反，即在绝大多数时期广东碳市场是煤炭市场极端风险的净配对溢出方，深圳碳市场则是净配对接收方。

图10 净配对溢出指数动态趋势

根据2016年11月18日至2022年8月22日北京、上海、广东、深圳、湖北碳市场和中证煤炭期货指数的日度数据，基于二元和整体分析框架，分别使用GJRADCC-CoVaR模型和TVP-VAR-DY模型系统分析我国区域性碳市场与煤炭市场间极端风险的溢出效应。本文得出主要结论如下：

第一，我国区域性碳市场相较于煤炭市场极端风险水平和波动更高。在所有碳市场中，深圳碳市场的极端风险水平和波动最高，而广东碳市场极端风险分布的右偏性和厚尾性更强，即更容易发生超过平均水平的极端风险。

第二，不同碳市场与煤炭市场间极端风险的双向溢出大小和关系存在显著差异，其中在大部分时期，煤炭市场与北京和上海碳市场间极端风险的溢出关系为正向影响，而与深圳和湖北碳市场间为负向影响。

第三，系统整体极端风险溢出的平均水平较低，其中深圳碳市场是煤炭市场极端风险最主要的净溢出方，而广东碳市场则是最主要的净接收方。

第四，系统整体极端风险的溢出趋势呈周期性变化。此外，随着我国碳市场的稳步发展，煤炭市场对碳市场极端风险的方向性溢出趋于平稳。不同碳市场与煤炭市场间极端风险的净配对溢出效应呈现显著的区域性差异。

基于上述研究结论，可以得到以下政策启示：

第一，现阶段我国区域性碳市场相对独立，不同碳市场的极端风险水平差异较大。此外，尽管我国碳市场与煤炭市场间极端风险的溢出效应总体较弱，但个别区域性碳市场（深圳、广东）与煤炭市场间的风险影响仍不容忽视。因此，为维护我国“区域性碳市场-煤炭市场”系统的平稳发展，短期应积极完善碳市场的相关建设，丰富碳金融工具，有效降低碳市场的极端波动；
中期应加快能源消费结构转型，大力发展清洁能源，降低经济对传统化石能源的依赖度；
长期应贯彻可持续发展理念，保护生态环境，降低极端气候对碳市场和煤炭市场的不良冲击。

第二，由于不同区域性碳市场与煤炭市场间极端风险溢出效应存在时变性和区域性差异，因此相关部门应有效预测系统极端风险溢出的变化趋势，识别系统重要性市场，使风险监管有的放矢。此外，还应积极加速推动全国统一碳市场的发展，同时加强各区域性碳市场间的信息共享，针对区域特点对不同区域性碳市场实施差异化建设，降低各碳市场间的信息不对称，进而促进我国碳交易体系的稳步发展。