基于非结构化数据的碳价影响因素研究

王淑平， 李欣岷

（重庆师范大学 经济与管理学院， 重庆 401331）

0 引言

为推动企业节能减排，2011 年碳排放权交易地方试点工作启动，随着碳市场政策不断推进，历经近十年，2021 年全国碳市场应运而生。由于碳市场是人为构建的市场，碳排放权交易价格作为碳交易市场的核心要素，受到市场内在机制以及市场外部环境双重作用的影响，呈现非平稳、非线性等内在特征。因此，分析碳价影响因素，对推动并全面完善全国碳市场建设具有重要的理论和现实意义。

分析碳价影响因素主要围绕单一影响因素和多因素展开。化石燃料燃烧作为温室气体排放的主要来源，其价格波动通过供应链影响碳价，因此从能源价格角度入手用来解释碳价具有一定合理性。碳排放权交易市场作为碳金融市场的一部分，其价格会受到其他市场经济的显著影响。而经济政策的不确定性使碳价产生短期的显著时变效应。此外，不可控的突发事件亦会对碳价产生影响。相较于单一影响因素，大多数学者倾向多因素研究，一般从宏观经济、能源价格、气候环境、汇率变动、国际碳市场、政策等多个维度选取结构化影响因素分析碳价，例如，汪中华等[1]运用FGLS 分析能源价格、经济增长、天气对碳价的影响程度；赵长红等[2]采用面板回归分析国内碳排放权价格对石油价格、电煤价格、宏观经济的影响。对于多因素的指标体系而言，由于考虑的影响因素较多且较为复杂，考虑到并非所有驱动因素都是碳价的主要影响因素，故而在众多影响因素中选出主要的碳价影响因素尤为重要。故而一些学者在分析影响因素前进行特征筛选，以提高模型的精度。例如，杜子平和刘富存[3]利用MIV 特征选择计算了16 个因子对区域碳价变化的影响程度；王小燕等[4]运用复杂网络构建图结构自适应方法识别碳价主要的影响因素。因此，筛选出主要的影响因素，有助于减少模型冗余。

由于国内外众多研究都是基于结构化影响因素去分析碳价，鲜有学者选用非结构数据进行分析。目前，非结构化数据直接用于碳价预测领域最为广泛，刘金培[5]等运用网格搜索提取的非结构数据降维处理后，引入碳价预测模型中；周熠烜[6]等从非结构化数据角度入手构建基于局部线性嵌入和鲸鱼优化算法的最小二乘支持向量回归去预测碳价；王娜[7]引入百度搜索指数、资讯指数对我国8 个碳交易试点碳价进行预测；Muyan Liu 等[8]表明在线新闻情绪指数这非结构数据对碳市场定价产生一定的影响，并验证了包括情绪指数对深度学习模型预测精度有显著的提高。刘金培等[9]利用非结构化数据为汇率预测提供大量的有效信息提出非结构化数据驱动的混合二次分解汇率区间多尺度组合预测模型。因此非结构化信息的引入不仅可以提高预测模型的精度，其数据的即时性亦能很好地弥补传统监测方法的滞后，具有更强的时效性[10]。

通过梳理发现，由于大多数碳价影响因素研究集中结构化影响因素，因此本文引入非结构化影响因素用来分析全国碳市场碳价，为解释碳价波动提供较为新颖的视角。由于选取的非结构化因素较多，引入MIV-BP 影响因素评价非结构化影响因素对碳价的影响程度，筛选主要影响因素，为建设全国碳市场提供理论参考。

1 MIV-BP 影响因素评价模型

1.1 变量选取与指标选择

选取全国碳市场CEA 日均价，研究时间区间为2021 年7 月16 日到2023 年4 月16 日，剔除非交易日数据，得到435 组交易日数据，以分析非结构化数据驱动下全国碳市场碳价的影响因素。

从宏微观视角出发，选取百度搜索引擎的非结构化影响因素，分析非结构化数据驱动下，公众关注度与全国碳市场碳价之间的关系。目前，百度作为中国市场的头部搜索引擎，是应用最为广泛的搜索引擎之一。其中，百度指数中记录了用户对关键信息的关注程度，体现了不同用户的情绪价值。非结构化影响因素选取参考表1，而非结构化数据选取自百度指数官网。

1.2 MIV-BP 模型构建

在BP 神经网络模型构建上，选取非结构化数据的80%为训练样本集，其余20%为测试样本集。同时，为统一指标的量纲，选用mapstd 函数进行各指标的归一化处理，计算公式见（1）：

式中：x为非结构化影响因素和碳价归一化前的数据；y为归一化后的数据；xmean、xstd分别为非结构化影响因素和碳价的均值和标准差；ymean、ystd分别为归一化处理后的均值和标准差。

针对非结构化影响因素，从宏观和微观的视角出发，选取碳交易、CCER、碳中和、碳达峰、碳排放、碳足迹、环保、雾霾共8 个关键词做为输入变量，全国碳市场日均交易价做为输出变量，故构建8-4-1 的BP 神经网络模型。其中，隐含层的个数确定结合最小MSE（均方误差）值和经验公式，其经验公式见公式（2）：

式中：a为0～10 范围内的常数；m为输入层的个数；n为输出层的个数。

在BP 模型的训练上，非结构数据驱动的BP 神经网络采用Levenberg-Marquardt 方法；学习函数为Learngdm 函数；最大迭代次数为2 000 次；学习速率为0.03；最小误差为1×10-6。构建并训练好BP 模型后，引入MIV 特征选择算法，构建MIV-BP 影响因素评价模型，具体模型示意图见图1，经过大量训练，选取最小MSE 为最优模型，此时MSE 为3.039 5，平均相对误差（MAPE）为0.019 987，虽然未达到最小误差，但此时模型拟合精度较高。

图1 MIV-BP 影响因素评价模型

1.3 影响因素评价结果分析

由于百度指数数据库庞大且复杂，如何从海量信息中提取关键信息尤为重要，因此使用MIV-BP 模型评价非结构化影响因素，以筛选主要的非结构化影响因素。参考已有文献［3］，按MIV 值的大小，将影响程度分为强（MIV＞0.05）、较强（0.01＜MIV＜0.05）、弱（0.005＜MIV＜0.01）及不相关（MIV＜0.005）四个级别。非结构影响因素MIV 值、相关程度以及方向性如表2所示。

表2 非结构化影响因素对碳价的影响程度

结合表2 结果所示，人们对碳中和、碳排放、碳足迹、环保的关注度为主要非结构化影响因素，其从大到小依次是：碳排放、碳足迹、环保、碳中和，其余影响因素对碳价产生的影响较弱。

为实现“双碳”目标，人们对碳排放、碳中和、环保、碳足迹等问题的关注程度，可能会通过影响供求关系、政策因素、投资者行为、技术进步、行为改变等多个方面作用于碳价，在供求关系层面，当公众对减少碳排放的关注度增加时，可能会促使更多企业和个人参与减排行动，从而增加对排放权的需求。这种需求增加可能会导致碳价格上涨。在政策因素层面，高度的公众关注度可能促使政府采取更加严格的减排政策。例如，如果政府设定更低的排放上限或提高碳税，这可能会导致碳价格上涨。在投资者行为层面，高度的公众关注度可能吸引更多的投资者进入碳市场，这可能会加剧碳价格的波动。在技术进步层面，公众的关注度可能推动技术创新和研发投资，从而促进低碳或无碳技术的发展。这样的技术进步可能会降低企业和个人的碳排放成本，从而影响碳价格。在行为改变层面，当公众对碳排放的关注度提高时，人们可能会采纳更环保的生活方式，比如骑自行车而不是开车，这会减少对碳排放权的需求，并可能对碳价格产生影响。

公众关注对全国碳市场碳价的影响是复杂的，可能受到多种因素的影响。因此提高人们的环保意识，增强人们的责任感和参与感，是落实“双碳”目标，促进绿色低碳发展的重要保障。

2 结论与建议

结合宏微观视角，分析非结构化数据驱动下全国碳市场碳价的影响因素，引入MIV-BP 影响因素评价模型，从碳交易、CCER、碳中和、碳达峰、碳排放、碳足迹、环保、雾霾8 个非结构化影响因素中筛选主要非结构化影响因素。研究发现：人们对碳中和、碳排放、碳足迹、环保的关注度对碳价产生主要影响。其中碳排放的关注度对碳价的影响程度最高，碳交易、CCER、碳达峰、雾霾对碳价几乎没有什么影响。

全国碳市场是利用市场机制控制和减少温室气体排放，推动绿色低碳发展的一项制度创新，也是实现我国碳达峰、碳中和目标的重要核心政策工具。2030 碳中和的愿景下，减少碳排放、低碳出行、绿色环保等理念逐渐深入人心，为全面推动全国碳市场建设，于政府而言，可以出台一些经济激励机制，将资金引导至减排潜力大的行业企业，促进高排放行业率先达峰，为碳减排释放价格信号，以推动绿色低碳技术创新和产业转型。于企业而言，寻找减排成本与生产成本的均衡点尤为重要，于此同时发展碳足迹产品，在拓宽企业的产品线的同时，运用大数据分析技术及时捕获低碳消费者的消费倾向，为企业创造碳收益。此外，无论是政府还是企业，利用搜索引擎的数据和分析能力，提高碳市场的信息披露和透明度，及时捕捉公众的关注意向，以做出合理的碳决策。