-
《联合国气候变化框架公约》和《京都议定书》等框架协议的签订,催生了以CO2为主的温室气体排放权作为商品的国际碳交易市场的建立。建立排放权交易机制的目的在于通过市场化的资源配置,实现以最小的总成本达到既定的温室气体减排的目标。自2013年开始,中国已先后于深圳、上海、北京、广东、天津、湖北、重庆、四川、福建设立了碳排放权交易市场。截至2018年12月31日,中国碳市场配额二级市场现货累计成交量为2.63亿吨,累计成交额接近54亿元[1]9-10。国家发改委于2017年12月印发《全国碳排放权交易市场建设方案(发电行业)》,标志着中国开始正式启动全国统一碳排放交易体系建设。
随着中国碳交易市场规模的不断发展,其中所蕴含的市场风险也应引起足够的重视,首先便表现为各试点碳价格和碳成交量的波动,这可能与能源价格、天气、宏观经济环境和政策因素有关。陈欣等[2]29认为,中国碳交易试点的价格波动存在断点,这可能对碳市场的稳定运行造成一定影响。除各交易试点本身所蕴含的风险外,各试点之间也可能存在一定的传染风险,一方面,这意味着若某一个碳市场发生危机,各碳市场之间可能会发生传染效应,加大全国碳市场发生系统性危机的可能性;而另一方面,若各市场关联度较强,可能意味着更有利于全国统一碳交易市场的建立。汪文隽等[3]63、王倩和高翠云[4]57、谢晓闻等[5]85均认为,中国某些碳市场之间存在一定的关联性和溢出效应。从已有文献中可以看出,碳市场作为一项新兴的大宗商品交易市场,其风险监测和管理的具体方法依然在不断探索之中,而建立一套合理的中国碳市场风险监测体系,并分析中国碳市场的总体风险和各区域市场之间的传染风险,对于监管当局和交易主体了解中国碳市场运行状况,进行风险管理并保障碳市场的稳定运行而言,具有积极的意义。
碳配额市场与股票、债券等金融市场均为二级交易市场,其运行原理较为类似,同时均可获得连续的价格和成交量数据,因此可以借鉴度量金融市场风险的方法度量碳市场风险。一般而言,风险是一种事前指标,表现为损失或收益发生的可能性,常用的度量方法包括在险价值(VaR)等指标。而Illing和Liu[6]243-245提出一种金融压力指数(Financial Stress Index,FSI)方法,他们认为,金融压力是一种连续变量,随着预期金融损失、风险和不确定性升高,其极值便称为金融危机,同时认为金融系统受到冲击的大小和金融系统的脆弱性均会影响压力的大小。Holló等[7]2认为,压力是一种能够反映风险大小的事后指标(即度量已经出现的风险),金融压力指数所度量的是当前金融系统的不稳定性程度。本文旨在构建一种能够实时监测碳市场受风险因素影响的程度,进而反映出碳市场运行稳定性情况的连续性指标,是一个能够反映风险表现程度的事后指标,因此本文主要参考Holló等[7]10-19的观点作为金融系统构建综合压力指数的方法,综合考虑中国各区域碳市场的碳配额价格、成交量的波动情况,构建中国碳市场压力指数(China Carbon Market Stress Index,CCMSI),并进一步利用该指数对中国碳市场总体压力情况以及各区域市场之间的传染风险情况进行分析。
-
中国自2013年起启动碳排放权交易试点以来,已先后开设九个有正式备案的区域碳市场(七个试点地区和两个非试点地区),碳交易产品包括碳排放配额现货和项目减排量。碳排放配额的交易数据每日实时发布,而项目减排量的交易数据则不够透明,难以获得。因此,本文基于中国各碳市场碳配额的交易数据进行CCMSI的构建和分析。截至2019年7月31日,各碳市场有配额成交量的交易天数分别为:深圳1 364天、湖北1 282天、广东1 078天、北京879天、上海847天、天津482天、福建428天、重庆387天。四川碳市场尚未启动配额交易,福建碳市场于2016年12月22启动,启动时间相对较晚,交易天数较少,天津、重庆碳市场由于运行期间内有大量无交易日,因此交易天数同样较少。为提高本文所构建的CCMSI对中国碳市场压力情况衡量的准确性,同时使分析的数据能够覆盖尽量长的时间区间,后文数据分析中将交易天数最少的天津、福建、重庆、四川碳市场剔除①。从交易规模来看,自福建碳市场启动交易至2019年7月31日,深圳、湖北、广东、北京、上海这五个碳市场碳配额的总成交额占全部区域碳市场配额总成交额的92.2%,可以基本代表全国碳配额市场的总体状况。为使各碳市场的数据区间保持一致,便于指数的构建,本文选取五个碳市场中最晚启动交易的湖北碳市场启动时间为起点,原始交易数据覆盖时间区间为2014年4月2日—2019年7月31日,数据来源为Wind数据库、碳K线网站。
本文所构建的碳市场压力指数旨在实时反映中国碳市场受风险因素影响的综合表现情况,因此用于构建指数的基础指标既要符合实时性(即为日度数据),又要包含尽量互补的信息,从而尽可能地全面包含反映市场情绪波动、市场规模变动和市场损失等市场表现情况的指标。本文基于此选取了三个基础指标,第一个指标为日度碳市场价格波动率,记为
${VP}_{i,t}$ ,计算为$$ V{P_{i,t}} = \left| {{\rm{ln}}\left( {\frac{{{P_{i,t}}}}{{{P_{i,t - 1}}}}} \right)} \right| $$ (1) 其中,
$ {P}_{i,t} $ 为各碳市场日成交均价(日成交额/日成交量)。由于各碳市场交易活跃程度不同,存在部分碳市场交易日数据缺失现象,本文参考Chen等[33]、谢晓闻等[5]88的处理方法,将上一交易日的成交均价数据代替缺失数据。价格收益率的波动率可以反映出价格风险的大小和市场情绪的波动性。第二个指标为碳市场日成交量的波动率,记为
${{V\rm tur}}{{\rm{n}}_{i,t}}$ ,计算为$${{V\rm tur}}{{\rm{n}}_{i,t}} = \left| {{\rm{ln}}\left( {\frac{{{\rm{tur}}{{\rm{n}}_{i,t}} + 1}}{{{\rm{tur}}{{\rm{n}}_{i,t - 1}} + 1}}} \right)} \right|$$ (2) 其中,
${\rm{tur}}{{\rm{n}}_{i,t}}$ 为各碳市场日成交量。由于部分交易日存在0成交量的情况,本文参考陆铭和陈钊[34]的处理方式,将所有日成交量数据均加1处理②。交易量能够反映出市场的流动性,同时也能代表投资者参与市场的程度和市场情绪[35]。因此,交易量的波动率能够反映碳市场的流动性风险和规模波动情况。第三个指标为碳市场日成交均价的CMAX,代表1年移动时间窗口内的最大累积损失,计算为
$$ {\rm{CMA}}{{\rm{X}}_{i,t}} = 1 - \frac{{{P_{i,t}}}}{{{\rm{max}}[P \in \left( {{P_{i,t - j}}|j = 0,1, \cdots ,T} \right)]}}$$ (3) 其中,
$ {P}_{i,t} $ 为各碳市场日成交均价,$ T=243 $ 。CMAX被Illing和Liu[6]246-247用于衡量股票市场的风险,这是由于股市发生危机时,股市指数通常会出现大幅下降。在碳市场中,若碳价出现大幅下跌,同样也标志着其风险的加大和市场的不稳定,甚至有可能导致整个碳金融交易链的传染和崩溃[36]。Illing和Liu[6]246-247认为,计算CMAX所用的移动时间窗口通常取1~2年,由于本文所研究的样本覆盖时间区间较短,因此本文选取1年作为移动时间窗口。原始数据经过处理后,所构建的CCMSI和后续数据分析的覆盖区间为2015年4月1日—2019年7月31日。
-
标准化是较为常用的对原始指标数据进行转换的方法,然而该方法要求指标数据呈正态分布,这一点在实际数据分布中很难得到保证。此外,当加入新观察值时,由于样本数据的平均值和标准差会产生变化,因而采用该方法会导致所构建指数历史数值的变化,影响指数对风险程度进行判定的稳健性[7]14。本文采用基于实证累积分布函数(CDF)的方法,对基础指标进行转换。该方法基于每个数值的排位次序进行数值转换,不要求原始指标数据呈正态分布。本文选取2015年4月1日—2018年3月30日作为前递归区间,采用递归的方法进行数据转换,此方法可以保证在加入新观察值后,指标的历史数值不变,增强所构建压力指数稳健性。具体计算和公式参考Holló等[7]14-16、陈忠阳和许悦的方法[31]29-30。
本文参考Holló等[7]16的方法,将各区域碳市场经过转换后的三个压力指标进行算数平均,即可分别得出五个区域碳市场的压力指数
$ {s}_{i,t} $ ($ i=1,2, 3, 4, 5$ )。算数平均的方法假设各子指标所含信息互补,可以更大程度上保留各指标的信息,同时在新加入数据的情况下保证权重不变,增强指数的稳健性③。 -
本文参考Holló等[7]17-19、陈忠阳和许悦[31]30-32针对金融系统构建压力指数的方法,不仅考虑了各区域碳市场的纵向压力大小,还考虑了各碳市场之间的横向波动溢出和传染风险,能够充分反映中国碳市场整体风险表现。所构建的CCMSI计算为
$${\rm{CCMS}}{{\rm{I}}_t} = \left( {w \times {s_t}} \right){{{C}}_{t}}{\left( {w \times {s_t}} \right)^{'}}$$ (4) 其中,
${{w}}=({w}_{1}{,w}_{2},{w}_{3},{w}_{4},{w}_{5})$ 为各区域碳市场的权重向量,各权重数值为根据本文所构建CCMSI覆盖的时间区间(即2015年4月1日—2019年7月31日)中五个区域碳市场成交额的占比,具体确定为:深圳20.4%、湖北21.3%、广东38.5%、北京13.3%、上海6.5%④;${ {s}}_{t}=({s}_{1,t}{,s}_{2,t},{s}_{3,t},{s}_{4,t},{s}_{5,t})$ 为各区域碳市场的压力指数向量;${{w}}\times{ {s}}_{t}$ 为Hadamard乘积(即在$ t $ 时碳市场的权重向量和碳市场压力指数向量中各数值的乘积)。根据该方法,所构建出的CCMSI范围为(0, 1]。${{{C}}}_{t}$ 代表各碳市场压力指数之间的时变相关系数矩阵,表示为$$ {{{C}}_t} = \left[ {\begin{array}{*{20}{c}} 1&{{\rho _{12,t}}}&{{\rho _{13,t}}}&{{\rho _{14,t}}}&{{\rho _{15,t}}}\\ {{\rho _{12,t}}}&1&{{\rho _{23,t}}}&{{\rho _{24,t}}}&{{\rho _{25,t}}}\\ {{\rho _{13,t}}}&{{\rho _{23,t}}}&1&{{\rho _{34,t}}}&{{\rho _{35,t}}}\\ {{\rho _{14,t}}}&{{\rho _{24,t}}}&{{\rho _{34,t}}}&1&{{\rho _{45,t}}}\\ {{\rho _{15,t}}}&{{\rho _{25,t}}}&{{\rho _{35,t}}}&{{\rho _{45,t}}}&1 \end{array}} \right]$$ (5) 其中,
$ {\rho }_{ij,t} $ 为各碳市场压力指数之间的交叉相关系数,使用各碳市场压力指数波动率$ {\sigma }_{i,t}^{2} $ 和各碳市场压力指数之间的协方差$ {\sigma }_{ij,t} $ 基于指数加权移动平均(EWMA)方法计算。EWMA方法与DCC-GARCH、时变参数自回归(TVP-R)等计算时变相关性的方法相比,计算较为简便,且并不需要数据符合平稳、序列自相关、存在ARCH效应等前提,可以推广至未来新市场数据加入时使用。另外,EWMA模型的系数之和等于1,其实际上是GARCH模型的一种“综合”形式,而且EWMA模型已被RiskMetrics等知名风险模型运用于对资产收益波动率和相关系数的预测,且其预测效果与GARCH模型并没有明显差别[37]。因此,EWMA方法是构建CCMSI的一种较为合适的方法,其具体计算公式为$$ {\sigma _{ij,t}} = \lambda {\sigma _{ij,t - 1}} + \left( {1 - \lambda } \right){\tilde s_{i,t}}{\tilde s_{j,t}} $$ (6) $$\begin{aligned}\;\\ \sigma _{i,t}^2 = \lambda \sigma _{i,t - 1}^2 + \left( {1 - \lambda } \right)\tilde s_{i,t}^2 \end{aligned}$$ (7) $$ {\rho _{ij,t}} = {\sigma _{ij,t}}/\left( {{\sigma _{i,t}}{\sigma _{j,t}}} \right) $$ (8) 其中,
$ i=1, 2, 3, 4, 5 $ ,$ j=1,2, 3, 4, 5 $ ,$ i\ne j$ ;$ {\tilde s_{i,t}} = \left( {{s_{i,t}} - 0.5} \right)$ 代表各碳市场压力指数和其理论上中位数0.5的差值,并参考Holló等[7]19将平滑系数$ \lambda $ 取0.93⑤。2015年4月1日的方差和协方差的初始值,取基于前递归区间2015年4月1日—2018年3月30日的数值所计算的方差和协方差值。 -
为探讨CCMSI对于在EWMA方法中所选取的平滑系数
$ \lambda $ 的敏感性,本文将$ \lambda $ 取0.93所计算的CCMSI和$ \lambda $ 分别取0.89、0.97所计算的指数进行比较,结果如图1所示。从整体来看,三个平滑系数所计算的CCMSI数值相差不大,表现出了相同的趋势,而且$ \lambda $ 的选择对于指数高压力和低压力时期的判定并没有明显的影响。 -
图2为各区域碳市场的压力指数,可以看出,广东、北京、上海三个碳市场的压力指数在研究区间内呈现一定的下降趋势,表明随着碳市场交易时间的加长,这三个碳市场的运行更加趋于成熟和稳定,其运行经验也可能值得向其他碳市场推广。而深圳和湖北碳市场的压力指数则未呈现明显下降趋势,深圳碳市场压力指数甚至呈现小幅上升趋势,说明这两个碳市场在运行过程中的风险情况更加值得被监管部门和交易主体关注。
图3展示了CCMSI在样本区间内的计算结果。可以初步判断,中国碳市场的整体压力较低,在研究区间内指数最高仅为0.294,而且总体呈下降趋势。从走势来看,指数峰值集中出现在2015年6月—7月、2016年4月—5月、2016年7月。可以看出,2015年和2016年6月—7月出现的压力峰值与各碳市场的履约期相吻合。各碳市场主管部门一般把履约日规定在每年6月,实际履约日有时会延后至7月,各地区控排单位需要在履约日前按照实际碳排放量完成碳配额清缴,各主管部门也会对未完成配额清缴的单位采取处罚措施。因此,在履约期内,配额充裕的控排单位会加大对配额的供给,而配额不足的单位会进行配额购买,这会造成这一时期的碳市场交易量上升、碳价格波动加大的现象,因而会导致碳市场风险加大。这与陈欣等[2]33-34发现的中国碳价波动断点发生时间与履约期时间相符的结论基本一致。此外,2016年4月各碳市场普遍出现了碳价下跌的现象,同样造成CCMSI在这一时间段前后出现了峰值,初步判断与这一时间段宏观经济形势尤其是工业运行情况有关,后文将针对工业运行情况与碳市场压力之间的关系进行进一步的分析。
在2017年以后的履约期内,虽然也出现了CCMSI数值上升的现象,然而其数值并未达到2016年以前履约期峰值的水平。结合北京绿色金融协会自2014年所推出的中碳市值指数走势来看,2014—2018年,全国碳配额价格呈现先下降后趋稳的态势[1]10,这也可以进一步印证,随着中国碳市场运行时间加长,履约期内各控排企业的交易行为也更为理性,碳市场压力走势同履约期的相关性正逐渐降低,这表明中国碳市场的运行更为成熟。
-
为更加便于监管机构对相关市场状况进行具体判断并制定风险管理政策,实际应用中通常会给相应压力指数设定门限值(Threshold),以便于区分高压力时期和低压力时期。本文采用Tsay[38]1188-1202所提出的基于门限向量自回归(Threshold VAR,TVAR)模型的方法,确定CCMSI的门限值,并基于此分析中国碳市场的高压力和低压力区制(Regime)。碳市场运行状况和经济运行特别是工业运行情况有较为紧密的关系,当工业较为景气时,企业对碳配额的需求会增加,碳市场的运行也会较为平稳,而工业运行不景气时,碳配额需求减少,可能会出现碳价大幅下跌,增加碳市场的波动性。邹亚生和魏薇[39]发现,CER现货市场价格便受工业生产指数的正向影响。Balcılar等[40]认为,能源市场和碳市场之间存在风险溢出效应。陈欣等[2]31-33除发现制造业PMI对中国的碳交易价格有正向影响外,还发现在所研究的能源价格、天气、股市等几个因素中,PMI对于碳价波动的方差分解贡献度最大。而张积林[41]利用深圳碳配额价格的研究则进一步发现,碳价格对中国制造业PMI的预测方差贡献大于PMI对碳价格预测的方差贡献。从以上文献可知,碳市场与工业发展情况的确存在一定的关联度,甚至有可能对工业发展情况起到一定的预测作用,因此本文将CCMSI和中国制造业PMI作为内生变量构建TVAR模型。由于PMI是月度数据而CCMSI为日度数据,为使所分析的CCMSI能够代表整月的碳市场压力情况,减少数据选取的偶然性和信息的流失,本文取CCMSI日度数值的月度平均值进行分析⑥,时间区间为2015年4月—2019年7月。从图4可以较为直观地看出,CCMSI和中国制造业PMI的数值大致呈负相关关系,基于这二者的关系判断CCMSI的门限值和区制较为合理。
根据ADF单位根检验,月度CCMSI序列为平稳序列,且具有固定区间(0, 1],满足Tsay[38]1194对于门限变量的假设,可以将其作为门限变量进行分析。本文假设CCMSI具有高压力、低压力两个区制,基于Schwarz信息准则(SC)确定滞后阶数,构建了TVAR(1)模型
$$ {{x}}_{t}={{c}}^{H}+{{\varPhi }}^{H}{{x}}_{t-1}+{e}_{t}^{H}\quad {{z}}_{t-d}\geqslant \tau \;\;\;({\text{高压力区制}}) $$ (9) $$ {{x}}_{t}={{c}}^{L}+{{\varPhi }}^{L}{{x}}_{t-1}+{e}_{t}^{L}\quad {{z}}_{t-d}<\tau \;\;\;\;({\text{低压力区制}}) $$ (10) 其中,
${{x}_t} = {\left( {{\rm{CCMS}}{{\rm{I}}_t},{\rm{PM}}{{\rm{I}}_t}} \right)^{\rm{'}}}$ 为CCMSI和PMI数值的向量;${{c}}^{s}$ 、${{\varPhi }}^{s}$ 、$ {e}_{t}^{s} $ 分别为高压力区制H和低压力区制L时的截距向量、斜率系数矩阵和残差项;$ \tau $ 为门限值参数;${{z}}_{t-d}$ 为门限向量;$ d $ 为其滞后阶数。本文取CCMSI作为门限向量,最大滞后阶数为6,并根据Tsay[38]1189-1191所提出的近似卡方分布的C(d)统计量确定其存在门限效应的滞后阶数。在滞后阶数确定后,将CCMSI设定为300个区间点,根据Akaike信息准则(AIC)最低时确定其具体门限值。 -
基于TVAR模型的门限值分析结果如表1所示,可以看出,在滞后阶数
$ d=5 $ 时,存在显著的门限效应,最佳门限值为0.145 7,这表示当CCMSI大于0.145 7时,中国碳市场的运行进入高压力区制,而且预示未来第5个月的制造业运行也处在一个相对不景气的阶段。这也可以看出,CCMSI对于中国制造业运行的景气情况具备一定的预测作用。表 1门限滞后阶数和门限值分析结果
分析结果 滞后阶数d 1 2 3 4 5 6 C(d)统计量 6.66 3.36 3.00 2.88 13.86** 9.40 AIC — — — — −235.59 — $ \tau $ — — — — 0.15 — 注:***、**、*分别表示在1%、5%、10%的水平上显著。 根据门限值分析结果,结合CCMSI的具体数值可以看出,中国碳市场的整体压力情况较低,进入高压力区制的月份仅有四次,即2015年6月、2016年4月、2016年5月、2016年7月,而前文已经分析过,2015年6月和2016年7月均接近于各碳市场履约期,因此碳市场运行出现了大幅波动。此外,这几个高压力时间段所对应的PMI也相对较低,说明中国制造业整体运行较为不景气,对应的碳价也有下跌的趋势,进一步导致了碳市场压力相对较高。
自2017年以后,碳市场压力进入了较低且较为平稳的阶段,这除了意味着中国制造业运行情况进入了相对较为景气的时期外,也同样说明在国家“十三五”期间关于应对气候变化、减少温室气体排放、排放权交易等方面的规划和法律法规对稳定各交易试点的预期起到了作用,各交易试点进入了稳定、常态发展的阶段。
-
本文利用各区域碳市场的压力指数,可以研究各碳市场之间的关联性,进而分析其传染风险的大小。表2展示了各碳市场压力指数之间的Pearson相关系数,可以看出,研究区间内各碳市场之间相关性整体较小,均小于0.2,说明中国碳市场之间传染风险较弱,发生系统性碳市场危机的可能性较小。在5%水平上,存在显著相关关系的碳市场中,湖北和北京碳市场存在负相关,其余均为正相关。其中,北京、上海、广东三家碳市场两两之间均存在显著正相关,深圳和湖北碳市场之间也存在显著正相关,说明这两组碳市场互相之间可能存在一定的传染风险,也同样可能存在实现建设统一碳市场的可能性。
表 2几大区域碳市场压力指数之间的Pearson相关系数
几大区域碳市场
压力指数Pearson相关系数 湖北 广东 北京 上海 深圳 0.135 2*** 0.027 3 −0.023 0 −0.031 0 湖北 −0.036 8 −0.080 3*** −0.051 5* 广东 0.173 5*** 0.080 1*** 北京 0.195 3*** 注:***、**、*分别表示在1%、5%、10%的水平上显著。 为进一步深入探讨各碳市场之间的关联性,对各碳市场压力指数进行格兰杰因果关系检验。表3表示各碳市场压力指数的ADF单位根检验结果,结果表明,各碳市场压力指数均为平稳序列,可以进行进一步的计量分析。
表 3几大区域碳市场压力指数ADF单位根检验结果
几大区域碳市场压力指数 t统计量 结论 深圳 −5.335 3*** 平稳 湖北 −4.450 2*** 平稳 广东 −7.105 9*** 平稳 北京 −7.166 4*** 平稳 上海 −4.805 6*** 平稳 CCMSI −4.377 8*** 平稳 注:***、**、*分别表示在1%、5%、10%的水平上显著;检验形式带有常数项和趋势项,选取AIC为滞后期选择标准,CCMSI为月度数据,其余为日度数据。 从表4可以看出,在5%的显著性水平下,北京碳市场是广东、上海碳市场的格兰杰原因,上海碳市场是广东碳市场的格兰杰原因。结合各碳市场相关系数的结果,由图5可以看出,北京、上海、广东三个碳市场之间存在较为显著的联动性关系,这三个碳市场恰好代表了中国三大经济发达区域,显著的联动性可能与三个区域间多方面的经济联系有关。北京、上海碳市场建立时间较早,且这两个城市分别作为全国的政治和金融中心,聚集了大量的大型企业,拥有较为完善的金融市场环境。上海碳市场虽然成交额较少,但其运行较为成熟,2013—2018年,除2016年履约率为99%外,上海碳市场在其他年度均实现了100%的履约率,在七个试点碳市场中100%履约的年份最多[42],且上海清算所是中央银行批准的碳配额远期交易中央对手清算机构,使上海拥有较为完善的碳市场配套服务。此外,2017年国家发改委确定上海将牵头承担全国碳排放权交易系统建设和运维工作。因此,北京、上海碳市场对其他碳市场的建设具有一定的示范作用,其运行对其他碳市场也具有一定的引领效果。这进一步说明,北京、上海、广东三个碳市场之间存在一定的传染风险,监管当局应注重加强对这三个碳市场的监管和调控,防范系统性碳市场危机的发生。然而这也同样说明,这三个碳市场可能存在着先期建立统一碳市场的内在条件。结合前文各区域碳市场压力指数的分析结果可以看出,北京、上海、广东三个碳市场的压力指数均呈现下降趋势,说明这三个碳市场的运行更为成熟,若率先建立覆盖这三个碳市场的跨区域统一碳市场,其可能会蕴含较低的市场风险,运行更为稳定。
表 4几大区域碳市场压力指数的格兰杰因果关系检验结果
几大区域碳市场压力指数 F统计量 深圳 湖北 广东 北京 上海 深圳 0.807 4 0.100 4 0.896 8 0.979 0 湖北 0.545 4 0.942 4 2.153 9* 2.245 3* 广东 0.465 0 1.966 9* 1.319 5 1.839 2 北京 0.524 2 1.538 7 3.643 5*** 3.368 5*** 上海 1.423 7 0.862 7 2.964 0** 1.741 3 注:***、**、*分别表示在1%、5%、10%的水平上显著;选取SC为滞后期选择标准,例如,第一行(深圳)表示原假设为深圳不是对应各列碳市场的格兰杰原因。 深圳碳市场的履约项目无地理范围限制,因此与广东省以本地项目为主(要求本地70%以上)有较大的区别,且两个市场的交易主体的行业分布有较大差异[43],因此两个碳市场虽在地理上相近,但未体现出明显的关联性。深圳与湖北市场之间的关联性可能是因为华中、华南的区域经济联系,不过二者并不存在格兰杰因果关系,可以认为其联动性并不强,且这两个市场与其他碳市场均不存在显著的关联性。王倩和高翠云[4]62发现,深圳碳市场与其他碳市场之间不存在均值溢出与逆向溢出效应,与本文对深圳碳市场的研究结论类似。而湖北碳市场交易较活跃、交易集中度较低,政府对价格的调控力度较大,因此并未呈现履约期前后碳价的结构性变化[2]34,其亦未呈现与其他碳市场的显著联动性。
Construction and Application of the China Carbon Market Stress Index
-
摘要:基于深圳、湖北、广东、北京、上海五个碳市场的交易数据,综合考虑各碳市场的纵向压力情况和横向相关性,构建日度中国碳市场压力指数(CCMSI),以反映中国碳市场总体风险表现,且将CCMSI与中国制造业PMI相结合,利用门限向量自回归(TVAR)模型对CCMSI的门限值和区制进行分析。结果表明,在2015年4月—2019年7月,中国碳市场高压力时期主要出现在2015年和2016年的履约期前后以及2016年制造业运行相对不景气的时期。而进入2017年后则均处于低压力时期,说明中国碳市场的运行逐渐趋于稳定。进一步分析各区域碳市场压力指数之间的相关性和格兰杰因果关系后发现,北京、上海、广东三个碳市场之间存在显著正相关关系和一定的联动性,一方面表明,这三个碳市场之间存在一定的传染风险,应加强监管;另一方面也表明,这三个市场之间可能存在建立统一碳市场的基础。Abstract:To monitor symptoms of China's carbon market risk, the paper constructs the daily China Carbon Market Stress Index (CCMSI) based on the trading data of five regional carbon markets including Shenzhen, Hubei, Guangdong, Beijing and Shanghai, considering the vertical stress of each carbon market and horizontal correlations between them. Based on the CCMSI and China’s manufacturing PMI, the paper further analyzes the threshold and regimes of the CCMSI using a TVAR model. Results show that from April 2015 to July 2019, the high-stress regime of China's carbon market mainly occurs around the compliance period in 2015—2016 and the recession period of manufacturing industry in 2016. Carbon markets remains in low-stress regime since 2017, indicating that the operation of China's carbon market tends to be stable. Correlations and Granger causality between stress indices of regional carbon markets are also analyzed, suggesting significant positive correlations and certain linkages between carbon markets of Beijing, Shanghai and Guangdong. It indicates that certain contagion risk exists between the three carbon markets and also implies a basis for establishing a unified carbon market among the three.注释:1) 本文构建CCMSI的方法也可以推广至更多碳市场加入。2) 若将本文所构建的CCMSI方法用于未来实时碳市场压力情况监测,则为应对可能出现的0成交量的情况,每加入一个新的日交易量数据,均须将其加1处理。3) 如果采用其他做法,比如按指标间相关性而得出各子指标的权重,那么各子指标对于综合指数变化的贡献度将会大大减少,而相关性的变化则占主导地位 [7] 16。4) 在实际监测中,各碳市场权重可根据碳市场运行的实际情况进行调整。5) Holló等 [7] 19-20认为,这一数值接近于一个基于各子指数的简单五维IGARCH模型所估计出来的平滑系数的平均值。6) 如果取每月某一天的数据来计算月度数据,偶然性较大,而且所流失的信息量较大。
-
表 1门限滞后阶数和门限值分析结果
分析结果 滞后阶数d 1 2 3 4 5 6 C(d)统计量 6.66 3.36 3.00 2.88 13.86** 9.40 AIC — — — — −235.59 — $ \tau $ — — — — 0.15 — 注:***、**、*分别表示在1%、5%、10%的水平上显著。 表 2几大区域碳市场压力指数之间的Pearson相关系数
几大区域碳市场
压力指数Pearson相关系数 湖北 广东 北京 上海 深圳 0.135 2*** 0.027 3 −0.023 0 −0.031 0 湖北 −0.036 8 −0.080 3*** −0.051 5* 广东 0.173 5*** 0.080 1*** 北京 0.195 3*** 注:***、**、*分别表示在1%、5%、10%的水平上显著。 表 3几大区域碳市场压力指数ADF单位根检验结果
几大区域碳市场压力指数 t统计量 结论 深圳 −5.335 3*** 平稳 湖北 −4.450 2*** 平稳 广东 −7.105 9*** 平稳 北京 −7.166 4*** 平稳 上海 −4.805 6*** 平稳 CCMSI −4.377 8*** 平稳 注:***、**、*分别表示在1%、5%、10%的水平上显著;检验形式带有常数项和趋势项,选取AIC为滞后期选择标准,CCMSI为月度数据,其余为日度数据。 表 4几大区域碳市场压力指数的格兰杰因果关系检验结果
几大区域碳市场压力指数 F统计量 深圳 湖北 广东 北京 上海 深圳 0.807 4 0.100 4 0.896 8 0.979 0 湖北 0.545 4 0.942 4 2.153 9* 2.245 3* 广东 0.465 0 1.966 9* 1.319 5 1.839 2 北京 0.524 2 1.538 7 3.643 5*** 3.368 5*** 上海 1.423 7 0.862 7 2.964 0** 1.741 3 注:***、**、*分别表示在1%、5%、10%的水平上显著;选取SC为滞后期选择标准,例如,第一行(深圳)表示原假设为深圳不是对应各列碳市场的格兰杰原因。 -
[1] 北京环境交易所, 北京绿色金融协会. 北京碳市场年度报告2018[R]. 北京: 北京环境交易所, 北京绿色金融协会, 2019. [2] 陈欣, 刘明, 刘延. 碳交易价格的驱动因素与结构性断点——基于中国七个碳交易试点的实证研究[J]. 经济问题, 2016(11): 29-35. [3] 汪文隽, 周婉云, 李瑾, 等. 中国碳市场波动溢出效应研究[J]. 中国人口•资源与环境, 2016, 26(12): 63-69. [4] 王倩, 高翠云. 中国试点碳市场间的溢出效应研究——基于六元VAR—GARCH-BEKK模型与社会网络分析法[J]. 武汉大学学报(哲学社会科学版), 2016, 69(6): 57-67. [5] 谢晓闻, 方意, 李胜兰. 中国碳市场一体化程度研究——基于中国试点省市样本数据的分析[J]. 财经研究, 2017, 43(2): 85-97. [6] ILLING M, LIU Y. Measuring financial stress in a developed country: an application to Canada[J]. Journal of Financial Stability, 2006, 2(3): 243-265.doi:10.1016/j.jfs.2006.06.002 [7] HOLLÓ D, KREMER M, LO DUCA M. CISS-A Composite indicator of systemic stress in the financial system[R]. Frankfurt am Main: ECB Working Paper Series, No. 1426, 2012. [8] BENZ E, TRÜCK S. Modeling the price dynamics of CO2emission allowances[J]. Energy Economics, 2009, 31(1): 4-15.doi:10.1016/j.eneco.2008.07.003 [9] FENG Z H, WEI Y M, WANG K. Estimating risk for the carbon market via extreme value theory: an empirical analysis of the EU ETS[J]. Applied Energy, 2012, 99: 97-108.doi:10.1016/j.apenergy.2012.01.070 [10] PAOLELLA M S, TASCHINI L. An econometric analysis of emission allowance prices[J]. Journal of Banking & Finance, 2008, 32(10): 2022-2032. [11] DASKALAKIS G, PSYCHOYIOS D, MARKELLOS R N. Modeling CO2emission allowance prices and derivatives: evidence from the European trading scheme[J]. Journal of Banking & Finance, 2009, 33(7): 1230-1241. [12] BOROVKOV K, DECROUEZ G, HINZ J. Jump-diffusion modeling in emission markets[J]. Stochastic Models, 2011, 27(1): 50-76.doi:10.1080/15326349.2011.542726 [13] CHEVALLIER J, SÉVI B. On the stochastic properties of carbon futures prices[J]. Environmental and Resource Economics, 2014, 58(1): 127-153.doi:10.1007/s10640-013-9695-2 [14] CARMONA R, HINZ J. Risk-neutral models for emission allowance prices and option valuation[J]. Management Science, 2011, 57(8): 1453-1468.doi:10.1287/mnsc.1110.1358 [15] 郭福春, 潘锡泉. 碳市场: 价格波动及风险测度——基于EU ETS期货合约价格的实证分析[J]. 财贸经济, 2011(7): 110-118. [16] 高莹, 郭琨. 全球碳交易市场格局及其价格特征——以欧洲气候交易体系为例[J]. 国际金融研究, 2012(12): 82-88. [17] 高杨, 李健. 基于EMD-PSO-SVM误差校正模型的国际碳金融市场价格预测[J]. 中国人口•资源与环境, 2014, 24(6): 163-170. [18] 荆克迪, 安虎森, 田柳. 国际碳交易市场收益波动率研究及其对中国的启示——基于A-PARCH模型的Bluenext碳交易市场的实证分析[J]. 南京社会科学, 2014(3): 24-32.doi:10.3969/j.issn.1001-8263.2014.03.004 [19] 魏一鸣, 王恺, 凤振华, 等. 碳金融与碳市场: 方法与实证[M]. 北京: 科学出版社, 2010. [20] SABBAGHI O, SABBAGHI N. Carbon financial instruments, thin trading, and volatility: evidence from the Chicago Climate Exchange[J]. The Quarterly Review of Economics and Finance, 2011, 51(4): 399-407.doi:10.1016/j.qref.2011.07.004 [21] 张晨, 杨玉, 张涛. 基于Copula模型的商业银行碳金融市场风险整合度量[J]. 中国管理科学, 2015, 23(4): 61-69. [22] 杜莉, 孙兆东, 汪蓉. 中国区域碳金融交易价格及市场风险分析[J]. 武汉大学学报(哲学社会科学版), 2015, 68(2): 86-93. [23] 王婷婷, 张亚利, 王淼晗. 中国碳金融市场风险度量研究[J]. 金融论坛, 2016, 21(9): 57-68. [24] 齐绍洲, 赵鑫, 谭秀杰. 基于EEMD模型的中国碳市场价格形成机制研究[J]. 武汉大学学报(哲学社会科学版), 2015, 68(4): 56-65. [25] 崔焕影, 窦祥胜. 基于EMD-GA-BP与EMD-PSO-LSSVM的中国碳市场价格预测[J]. 运筹与管理, 2018, 27(7): 133-143. [26] HAKKIO C S, KEETON W R. Financial stress: what is it, how can it be measured, and why does it matter?[J]. Economic Review, 2009, 94(2): 5-50. [27] BRAVE S, BUTTERS R A. Gathering insights on the forest from the trees: a new metric for financial conditions[R]. Chicago:Federal Reserve Bank of Chicago Working Paper, No. 2010-07, 2010. [28] BRAVE S, BUTTERS R A. Diagnosing the financial system: financial conditions and financial stress[J]. International Journal of Central Banking, 2012, 8(2): 191-239. [29] 姚晓阳, 孙晓蕾, 李建平. 考虑市场相关性的中国金融压力指数构建方法与实证[J]. 管理评论, 2019, 31(4): 34-41. [30] 尚玉皇, 郑挺国. 中国金融形势指数混频测度及其预警行为研究[J]. 金融研究, 2018(3): 21-35. [31] 陈忠阳, 许悦. 我国金融压力指数的构建与应用研究[J]. 当代经济科学, 2016, 38(1): 27-35.doi:10.3969/j.issn.1002-2848.2016.01.003 [32] 许涤龙, 陈双莲. 基于金融压力指数的系统性金融风险测度研究[J]. 经济学动态, 2015(4): 69-78. [33] CHEN G, FIRTH M, MENG RUI O. Stock market linkages: evidence from Latin America[J]. Journal of Banking & Finance, 2002, 26(6): 1113-1141. [34] 陆铭, 陈钊. 城市化、城市倾向的经济政策与城乡收入差距[J]. 经济研究, 2004(6): 50-58. [35] 易志高, 茅宁. 中国股市投资者情绪测量研究: CICSI的构建[J]. 金融研究, 2009(11): 174-184. [36] 李静. 碳金融危机形成的机理及监管制度改进研究[J]. 宏观经济研究, 2017(11): 94-102. [37] 基思•卡思伯森, 德克•尼奇. 金融工程: 衍生品与风险管理[M]. 张陶伟, 彭永江, 译. 北京: 中国人民大学出版社, 2004: 550-555. [38] TSAY R S. Testing and modeling multivariate threshold models[J]. Journal of the American Statistical Association, 1998, 93(443): 1188-1202.doi:10.1080/01621459.1998.10473779 [39] 邹亚生, 魏薇. 碳排放核证减排量(CER)现货价格影响因素研究[J]. 金融研究, 2013(10): 142-153. [40] BALCILAR M, DEMIRER R, HAMMOUDEH S, et al. Risk spillovers across the energy and carbon markets and hedging strategies for carbon risk[J]. Energy Economics, 2016, 54: 159-172.doi:10.1016/j.eneco.2015.11.003 [41] 张积林. 中国碳排放权价格与PMI的动态关系研究[J]. 价格理论与实践, 2016(6): 72-75. [42] 王科, 刘永艳. 2020年中国碳市场回顾与展望[J]. bob手机在线登陆学报(社会科学版), 2020, 22(2): 10-19. [43] 绿金委碳金融工作组. 中国碳金融市场研究[R]. 北京: 中国金融学会绿色金融专业委员会, 北京环境交易所, 2016.