碳交易市场、能源市场与低碳股票市场的风险溢出效应——基于联合溢出指数模型的实证研究

龚振庭，陈妍蓓

（1.湛江幼儿师范专科学校，广东湛江 524037；2.岭南师范学院基础教育学院，广东湛江 524000）

一、问题的提出

过度碳排放导致的全球变暖已成为迫切需要解决的问题，碳排放权交易体系（ETS，下文简称“碳交易市场”）是一种由供求关系所形成的碳价格“总量管制与交易”制度，被认为是解决过度碳排放这一世界难题的有效手段［1］。在过去的10年中，碳交易市场在中国逐渐发展起来，先后在北京、天津、上海、重庆、湖北、广东、深圳、福建等8 个省市开展了碳交易市场建设的试点工作，2021 年7 月中国碳排放权交易体系（ETS）正式投入运行。碳排放权交易是中国温室气体减排工作迈出的重要一步，虽然目前只针对发电行业进行交易，但该系统未来将全面覆盖8个主要的能源密集型行业，预计到2025年将覆盖中国72%的碳排放［2］。

能源安全是国家安全的重要组成部分［3］，中国既是人口大国、工业大国，又是能源消费大国，当前世界面临百年未有之大变局，“黑天鹅”“灰犀牛”事件频发，国际能源市场必然是各国博弈的重点领域。2021 年12 月召开的中央经济工作会议指出，要正确认识和把握碳达峰碳中和，深入推动能源革命，加快建设能源强国。党的二十大报告指出要深入推进能源革命，确保能源安全。在此背景下，研究跨市场间的风险传递机制，对中国能源安全新战略走深走实，合理科学地防范应对能源金融领域中可能发生的风险挑战，更好应对多变的国际环境和市场波动具有重要意义。

龚旭［3］将能源商品金融市场相关性的研究定义为能源市场外部的跨市场耦合研究，并指出能源市场内部、能源市场与商品市场之间以及能源市场与金融市场之间均存在相关关系。碳排放权作为一种新兴金融产品，不仅存在自身价格调节机制不完善如管理水平不高、覆盖范围不广、MRV 履约程度较低等问题，还会受到突发政治事件、外部环境因素（如节能减排政策、环境规制措施）的影响，从而造成碳交易市场价格波动。近年来，学者们将碳交易市场作为一个特殊的金融子市场引入能源金融风险领域的研究中。

碳排放权价格会通过影响投资、收益等经营要素间接对企业价值产生影响，进而对股价形成传导效应。企业的成本和营业收入决定了经营收益，在碳排放限制政策的背景下，碳排放成本已成为企业必须考虑的生产成本，尤其在碳排放超标的情况下，企业需购买碳排放权，若碳价格上涨，企业购买成本增加，必然会挤占利润空间，对收益造成负面影响，可能导致企业股价下跌。当碳配额出现结余时，企业则可将其出售以增加收益，从而带动企业股价上涨。从投资角度来看，当碳价格处于高位时，购买成本较高，企业倾向于进行碳减排项目投资，并将减排技改后节省下来的碳配额高价出售，这既增加了企业资产又获得了额外收益，能促进企业股价上涨；反之，当碳价格处于低位时，企业倾向于购买碳配额，这可能会导致企业股价不仅上涨受限，甚至还会出现下跌。可见，碳排放权价格的高低会对企业股价产生不同的影响，企业股价与碳排放权价格具有一定的相关性。

碳交易市场作为中国碳排放交易试点的一种形式，目前仍处于起步阶段，存在诸如碳排放交易价格不合理、交易机制不完善等问题［4］，而欧盟碳排放交易系统（EU ETS）已进入第四阶段，并逐步发展成为世界上最大的碳交易市场。基于欧盟碳交易市场是世界上最大的区域碳交易市场［5］，其对国际能源价格有着不可忽视的影响作用，因此本文在构建碳-能源-低碳股票市场风险系统时，将欧盟碳交易市场纳入其中。

除碳排放权之外，开发新能源也是减少温室气体排放的重要手段。传统的化石能源价格上涨不仅会增加企业对碳排放配额的需求，较高的碳价格还会激励企业将资金投入到清洁能源技术的研发之中。这不仅有助于降低可再生能源的成本，还可推动其他低碳行业技术的进步和创新。由于股票市场能很好地体现某个行业的发展情况以及当前投资者对特定行业的关注程度，而中国低碳指数涵盖了太阳能、风能、核能、水电、清洁煤、智能电网、电池、能效（包括LED）、水处理、垃圾处理等多个清洁能源上市公司的指数，能够较为准确地反映目前国内低碳行业整体的市场表现［6］，因此本文在构建碳-能源-低碳股票市场风险系统时，将2010年推出的中国低碳指数纳入其中。

当资产出现同涨同跌或风险溢出（价格波动）时，表明市场上存在系统性风险［3］，因此研究市场间的相关性成为衡量市场系统性风险的常见方法，Diebold［7-8］提出的溢出指数模型（DY 模型），目前已被广泛应用于能源金融领域的关联性研究中。赵领娣［9］基于DY模型，刻画了中国碳交易市场与能源市场之间的静态波动溢出指数和时变波动溢出指数。

现有研究多将DY 模型简单理解为测量来自其他变量的溢出效应，将溢出模型中变量j（除i 以外的其他变量）对变量i的溢出效应理解为变量i的预测误差方差中由变量j所解释的部分。事实证明这种理解并不完全正确，许多学者在应用DY 模型计算变量间的溢出效应时会出现理解上的偏差。对此，Lastrapes［10］不仅解释了出现这种理解偏差的原因，还进一步提出了一种更为准确的测量其他变量冲击对预测误差方差贡献度的方法，即联合溢出指数模型（LW 模型），并且认为忽视变量间的交叉关联性问题必定会影响其模型推断的准确性。LW 模型将其他变量之间的交叉关联性也纳入考量之中，本文认为使用该方法计算出的溢出效应更加精确。

综上，本文的边际贡献主要在于：一是有效衡量了碳交易市场、能源市场与低碳股票市场之间的溢出效应，丰富了国内在这一领域的研究；二是不仅衡量了碳交易市场与能源市场之间的静态溢出效应，还测量了其在动态下的总体风险溢出、方向性风险溢出以及净溢出效应；三是运用了一种更为准确地衡量碳交易市场与相关市场间风险溢出效应的模型，即联合溢出指数模型。

二、文献综述

目前关于碳交易市场、能源市场与股票市场间的跨市场耦合关系［3］的研究成果比较丰富，主要集中在能源市场内部的关联性、碳交易市场与能源市场的关联性、碳交易市场与资本市场的关联性方面。

一是能源市场内部的关联性。相关研究可分为单一能源产品在不同市场之间的关联性和不同类型能源产品之间的关联性。早期对单一能源产品的研究主要以石油为主，现有关于国内外石油市场关系的研究主要集中在价格和波动关系上，如魏巍贤［11］、刘明磊［12］利用GARCH 类模型实证探讨了国内外原油价格波动性及其相互关系，张大永［13］利用DY 模型构建原油-股票-汇率收益率和波动率的静态和动态网络，探讨了中国原油期货与国内外市场之间的信息流向强度、方向和动态溢出效应。有学者发现不同石油市场之间存在相关关系。如Gong［14］通过TVP-VAR 模型研究了不同的石油冲击如何影响石油价格的波动；Liu［15］利用TVP-VAR-SV 模型探索了国际4 个主要原油市场（WTI、Brent、Oman、Tapis）之间的时变波动率溢出效应，发现波动率和波动率溢出正相关；An［16］通过GARCHBEKK 模型研究了不同油价的波动溢出效应，指出不同油价的溢出效应在不同的样本期存在变化，并从动态视角解释了布伦特和WTI价格的基准作用。对不同类型能源产品之间关联性的研究主要涉及石油、煤炭、天然气之间的关联性研究。如Dai［17］先利用DY模型研究了与“一带一路”倡议相关的WTI原油期货、天然气期货与中国股票市场之间的收益波动溢出效应和动态关系，再利用DCC-GARCHcopula 模型计算了套期保值比率、最优投资组合权重以及相应的套期保值有效性；Gong［18］利用TVPVAR-SV模型实证研究了原油、汽油、取暖油、天然气4种主要能源商品之间的时变方向性和配对波动性溢出指数；Walid［19］分析了WTI 原油期货、纽约港汽油期货、天然气期货与中东、北非地区重要股票市场之间的依赖结构和系统性风险；Zhong［20］利用格兰杰因果检验和DY模型研究了美国、欧洲和中国能源市场的关联性，发现新兴市场在收益率波动溢出系统中对许多发达市场都具有重要影响，且不同市场间的溢出指数具有明显的时变特征；Kumar［21］分别采用非对称和对称的多元广义自回归条件异方差（MGARCH）模型分析了印度原油、天然气和股票价格之间的时变波动程度与相关性，指出VARMADCC-GARCH模型在估计时变相关性方面比不对称的CCC模型更有效；Ji［22］将关联性网络框架和集成经验模式分解（EEMD）方法相结合，实证研究了油气市场中的信息溢出效应，指出石油和天然气市场的总溢出效应具有动态、不稳定的特征。

二是碳交易市场与能源市场的关联性。由于我国碳排放权交易起步较晚，因此多数关于碳交易市场风险溢出的研究主要围绕欧盟碳交易市场展开。Ren［23］通过分位数格兰杰因果关系检验和双分位数回归法两种模型分析了原油价格对EU-ETS 第三阶段欧洲碳价格的影响，发现原油价格对碳价格的影响是不对称的，其取决于整体碳价格和原油价格的分布情况；Dou［24］采用分位数格兰杰检验法研究了经济政策不确定性（EPU）在不同市场条件下对碳期货市场的溢出效应，以及EPU 对碳期货价格收益的溢出在不同时域和频域的演化，发现EPU 冲击不能预测碳期货日收益率的波动性。中国是世界上最大的碳排放国和全球碳交易市场上最大的供给方，随着中国碳交易试点计划的推行，对中国碳交易市场的研究也日趋丰富。Chang［25］采用DCC-GARCH 模型研究了中国碳排放配额与化石能源市场之间的波动溢出效应和动态相关性，证明了化石能源和区域碳排放配额市场之间的动态相关性存在时变趋势；刘建和［26］采用DCC-GARCH模型比较我国碳交易市场与国内焦煤市场、欧盟碳交易市场之间的溢出效应，发现国内焦煤市场与我国碳交易市场之间的溢出效应最强；Wang［27］采用DY模型测量了WTI 石油、布伦特原油、天然气市场这三大能源市场与碳交易市场的溢出效应，发现WTI 石油市场向系统传导的溢出效应最强，天然气市场对碳交易市场的溢出效应也较为突出；Xu［28］通过融合Copula 和CoVaR 模型，发现国际和国内能源市场的不确定性对中国碳试点产生了显著的风险溢出效应；Ji［5］利用DY模型研究了欧盟碳交易市场和能源市场之间的信息联系和动态溢出效应，发现布伦特原油价格对碳价格变化和风险波动有着重要影响。

三是碳交易市场与资本市场的关联性。有学者主要探讨中国碳交易市场价格及收益率的相关影响因素［1，29-32］，还有学者主要关注中国碳交易市场与新能源股票市场之间的风险溢出效应。如Nie［33］利用DY 模型对湖北碳交易市场、新能源股票市场、原油市场、煤炭市场、天然气市场之间的静态溢出效应和动态溢出效应进行衡量，研究发现碳-能源-股票系统的溢出效应较低；Lin［4］应用VAR（1）-DCC-GARCH（1，1）模型和VAR（1）-BEKK-GARCH（1，1）模型分析了中国碳交易市场、煤炭市场、新能源股票市场之间的动态联系和溢出效应，研究发现煤炭市场与新能源公司股票市场之间具有较高的波动持续性，煤炭市场与新能源公司股票市场之间存在双向溢出效应；卜文珂［34］通过构建VAR 模型，利用脉冲响应和方差分析等方法，对比分析检验了新旧两类能源公司股票价格与碳排放权价格的关系；曾清［35］利用VECM 模型对比分析了碳排放权价格对传统能源公司和新能源公司股价的影响，指出碳价格变动对资本市场的信息溢出效应值得关注。

近年来，越来越多的学者认识到需从系统性和整体性方面衡量碳交易市场、能源市场与股票市场之间的风险溢出效应，以及利用不同计量模型来理解其价格波动影响和风险波动传递模式的重要性。然而既有相关研究主要针对欧盟碳交易市场，鲜有研究在构建风险系统时将欧盟碳交易市场和中国碳交易市场同时纳入考量中。此外，既有研究主要讨论碳交易市场与能源市场之间的风险关联性，鲜有文献将新能源股票市场纳入风险系统之中。本文在进行指标选取时，将中国低碳指数作为风险溢出系统的组成部分之一，以考量当前碳交易市场、能源市场与低碳股票市场之间的风险联动问题。随着碳交易市场、能源市场和低碳行业的发展，市场之间可能存在的动态相关性和溢出效应将更加明显。基于市场间的风险溢出联动关系，政府和投资者可以提前作出战略决策［4］，因此本文采用Lastrapes［10］提出的联合溢出指数模型，对中国碳交易市场、欧盟碳交易市场、能源市场以及能够反映中国低碳经济领域上市公司整体表现的中国低碳指数（低碳股票市场）进行研究，以期更为准确地把握碳交易市场、能源市场与低碳股票市场之间的动态关系，为市场投资者和风险管理者提供有效的投资信息，便于其制定有效的风险对冲策略。

三、研究设计

（一）指标选取

自2011年起，中国陆续在北京、天津、上海、重庆、湖北、广东、深圳、福建等8个省市开展碳交易市场的试点建设工作，此外还有暂无碳配额交易的四川碳交易市场。由于每个碳交易市场的成立时间、交易量等差异较大，故选取深圳、上海、广东、湖北这4个具有代表性的碳排放权交易市场的碳排放权交易价格代表中国碳交易市场。对于能源指标的选取，中国能源消费结构中占比排名前两位的能源为煤和原油，既有研究主要选用伦敦布伦特原油期货价格或西德州原油期货价格作为原油指标，选用纽约焦煤期货价格作为煤炭指标，本文参考赵领娣［9］的研究，选用更能综合反映石油市场整体概貌和运行状况的卓创石油价格指数作为原油指标，选用南华指数中的动力煤价格指数作为煤炭指标，选用能反映中国低碳经济领域上市公司整体表现的中国低碳指数作为低碳股票市场指标，共同构建联合溢出指数模型来把握碳交易市场、能源市场与低碳股票市场之间的风险关联性。

本文所选样本数据截取自2017年4月24日至2021年12月16日，为保持时间序列的一致性，避免不必要的数据删减，利用Python软件中的Pandas包对所获取的原始数据进行线性插值法补全，共得到1690个有效日数据。所选指标定义与数据来源如表1所示。

表1 指标定义与数据来源

表2为相关指标的描述性统计结果，可以看出广东碳交易市场（GDEA）的平均收益率最高，深圳碳交易市场（SZA）的波动程度最大。观察各指标的偏度和峰度值可以发现，LCI、EUA、OIL、SZA均为右偏，而COAL、SHEA、GDEA、HBEA均为左偏，所有指标均具有尖峰厚尾的特征。JB 检验结果拒绝各个碳交易市场、能源市场和低碳股票市场收益率服从正态分布的原假设。

表2 指标的描述性统计结果

在构建联合溢出指数模型之前，需要对相关序列进行单位根检验，本研究采用ADF 检验和PP 检验来确定序列的平稳性，结果（限于篇幅未列示）显示所有原阶序列均在1%水平拒绝存在单位根的原假设，即相关序列为平稳时间序列。

（二）模型构建

本文使用Lastrapes［10］提出的联合溢出指数模型来度量碳交易市场（包括中国碳交易市场与欧盟碳交易市场）、能源市场、低碳股票市场之间的溢出效应。

先构建一个平稳的K变量p阶向量自回归模型（VAR），再将VAR模型转化为VMA模型的表达式，具体如式（1）所示：

式（1）中：Ah为一个N×N单位矩阵；若h<0，则Ah=0；若h=0，则Ah为N维的单位矩阵（即A0=IK）；∈t为白噪声冲击向量，是一个独立同分布的扰动项向量。

由于冲击的协方差矩阵和向量移动平均系数矩阵对H 步预测误差的方差有重大影响，因此溢出效应的计算取决于预测残差项的冲击。式（2）为H步预测误差，式（3）为K×K的预测误差协方差矩阵。

一般情况下，所有其他市场对市场i的联合溢出效应如式（4）所示：

式（4）中：H= 1,2,3,…,n；为市场i的H 步预测误差方差中可以通过对所有非市场i的未来冲击进行联合调节来解释的比例；Mi为一个K×K- 1 矩形矩阵，其为去掉第i列后的恒等矩阵；∈∀≠i,t+1为K- 1个维度向量，代表来自除市场i之外的所有市场在t+ 1时间内的冲击；∑∈为误差向量∈的方差矩阵；ei为选择向量，其为第i个元素是1、其余元素为0的N维列向量。

联合溢出效应指数（jSOI）可衡量全部市场的整体关联性，表示所有其他市场的冲击对个别市场的预测误差方差的相对平均贡献度，具体计算公式如式（5）所示：

由于目前未有直接计算某市场对其他市场溢出效应的方法，本文沿用Lastrapes［10］的处理方法，先计算溢出指数表gSOT［36］，具体如式（6）所示：

式（6）中：H= 1,2,3,…,n；变量Yj对变量Yi溢出效应的估计值为其是变量Yi的H 步预测误差方差中来自于变量Yj的部分。经过标准化处理后，可以将溢出指数表写为式（7）：

在式（9）基础上可计算出变量j对所有其他变量的联合总溢出效应，具体如式（10）所示：

通过净溢出指数可度量市场i对其他所有市场的净溢出，并可由此判断哪些变量是信息传导的净输入方，哪些变量是净输出方。市场i的联合净溢出指数如式（11）所示：

四、实证分析

（一）静态风险溢出效应分析

为估算碳交易市场、能源市场与低碳股票市场之间的静态溢出效应，首先采用广义方差分解法来构建静态溢出指数表。根据AIC 和SC 准则确定的VAR 模型最优滞后阶数为2，广义方差分解的预测期数为30期，实证结果如表3所示。

表3 静态溢出指数/%

表3中，左上角的8×8矩阵为配对关联溢出效应，即市场i与市场j之间的方向性溢出效应，其中主对角线为来自市场自身的风险冲击，和分别为来自其他市场的联合溢出效应和市场i溢出到其他市场的联合溢出效应为净溢出效应。从碳交易市场来看：欧盟碳交易市场（EUA）来自自身的风险冲击为98.70%，而其主要风险溢入源为低碳股票市场（LCI）（=0.38%），低碳股票市场对欧盟碳交易市场的预测误差方差的解释比例为0.38%；中国碳交易市场中深圳碳交易市场（SZA）、上海碳交易市场（SHEA）、广东碳交易市场（GDEA）、湖北碳交易市场（HBEA）的主要风险溢入源分别为从能源市场来看：动力煤市场（COAL）的主要风险溢入源为低碳股票市场（LCI），其对动力煤市场（COAL）的解释比例为0.71%；原油市场（OIL）的主要风险溢入源为欧盟碳交易市场（EUA），其对原油市场（OIL）的解释比例为6.35%。从低碳股票市场（LCI）来看，其主要风险溢入源为深圳碳交易市场（SZA）。

从整体静态溢出效应来看，表3右下方的系统内部联合溢出效应jSOI为2.64%，说明碳交易市场、能源市场与低碳股票市场之间存在风险溢出效应。对碳-能源-低碳股票市场系统风险溢出效应最大的是欧盟碳交易市场（EUA），其对其他市场的总溢出风险为由净溢出指数的实证结果可知：碳交易市场中，EUA、SZA、GDEA皆为风险传递者，SHEA、HBEA皆为风险接受者；能源市场中，COAL、OIL皆为风险接受者；低碳股票市场LCI为风险传递者。其中，静态净溢出效应最大的为EUA，其净溢出指数为5.83%。

（二）动态风险溢出效应分析

1.动态总溢出效应和方向性溢出效应分析。静态溢出指数仅衡量和反映了样本期内碳交易市场、能源市场与低碳股票市场之间的平均溢出效应，无法反映随时间变化而产生的周期性溢出效应［9］。考虑到随着中国碳交易市场的逐步完善以及国际大环境不确定性等因素对碳交易市场及其相关市场所产生的影响，为更好地了解相关风险的时变性，本文参考Antonakakis［37］的做法，使用滚动样本窗口法进一步研究碳交易市场、能源市场与低碳股票市场之间的动态溢出效应。设定滞后阶数为2，预测期数为30期，滚动窗口为350期。图1为动态联合总溢出指数，图2为动态联合方向性溢出指数。

图1 动态联合总溢出指数

图2 动态联合方向性溢出指数

由图1 可以发现，动态联合总溢出指数（jSOI）在研究期内随着时间变化而变化，在6%~13%之间波动，并且有两个明显的上升周期，分别为2018 年7 月至12 月和2020 年2 月至5 月。结合图2 动态联合方向性溢出指数可知，第一个上升阶段主要是在能源市场与中国碳交易市场的作用下，联合总溢出指数（jSOI）出现攀升。一是深圳、上海、广东、湖北4 个碳交易市场的溢出指数（To-SZA、To-SHEA、To-GDEA、To-HBEA）都出现了不同程度的上升。二是能源市场中，由于美国制裁伊朗、沙特阿拉伯大幅提高石油产量、欧洲和亚洲发达国家石油需求相对疲软等，导致该阶段油价暴跌，中美贸易问题的反复也加剧了原油市场的动荡，其风险溢出指数（To-OIL）出现明显的上升趋势；动力煤市场方面，由于党的十八大以来我国着力推动煤炭供给侧结构性改革，我国动力煤供给主要依靠国产且占比高达90%以上，在国家严抓环保和安全生产的背景下，原煤产量增幅远不及原煤需求缺口增幅，导致该阶段的动力煤价格在高位波动不定，使得动力煤市场的风险溢出指数（To-COAL）出现一定程度的攀升。而第二个上升阶段联合总溢出指数（jSOI）主要是在欧盟碳交易市场与低碳股票市场的作用下出现显著攀升。在该阶段，受到新冠疫情的冲击，欧洲电力需求和碳排放大幅下降，碳交易价格暴跌，致使欧盟碳交易市场风险溢出指数（To-EUA）迅猛提高。中国低碳指数的主要成分企业因受新冠疫情冲击而出现大面积减产，股价波动幅度增大，致使其风险溢出指数（To-LCI）显著攀升，同时也体现为联合总溢出指数呈现增长趋势。

图2中，由欧盟碳交易市场和中国碳交易市场的方向性溢入指数可知，样本期内欧盟碳交易市场的方向性溢入指数（FROM-EUA）波动幅度较小，而中国碳交易市场的4 个子市场都呈现出程度不一的方向性溢入指数波动情况。尤其是在新冠疫情暴发后，4个子市场都出现了程度不一的方向性溢入指数增长趋势，其中波动幅度最大的为广东碳交易市场（FROM-GDEA），其方向性溢入指数在新冠疫情暴发后先是出现一段接近垂直的上升，从5%上升至10%，接着又出现一段波动上升，直到上升到13%后才开始波动下降。深圳和湖北碳交易市场也出现了与广东碳交易市场相似的波动情况。值得注意的是，同时期上海碳交易市场的方向性溢入指数波动趋势与其他3个子市场截然不同，其先呈快速下降趋势，再呈波动上升趋势。中国碳交易市场的4个子市场之所以会出现这样不同的波动情况，与当前中国各碳交易市场的政策机制、市场参与主体、交易活跃度、交易工具等有关。从交易规模来看，广东碳交易市场成交量第一，湖北第二，深圳第三，各地成交量参差不齐，这也在一定程度上解释了新冠疫情暴发后广东碳交易市场的方向性溢入指数波动幅度最大的原因。在机制设计方面，各碳交易市场都采用“免费+拍卖”的形式，除上海采用纯市场机制运作外，其他各试点地区皆保留了政府干预机制。本文认为，正因为上海采用了公开透明的市场化运作机制，在面对重大不确定事件的冲击时，其风险溢入指数（FROM-SHEA）才会不升反降，很好地抵御了来自外部的风险冲击；且在新冠疫情中后阶段，上海碳交易市场的风险溢入波动程度在4个子市场中也是较小的。

欧盟碳交易市场的方向性溢入指数在研究期内保持在5%水平轻微波动，相对稳定，这也从侧面证明了欧盟所采取的一系列改革措施如配额总量递减、折量拍卖和市场稳定储备机制（MSR）等，有效提高了欧盟碳交易市场的抗风险冲击能力，尤其是MSR 的设立为欧盟碳交易市场建立了灵活调节供给的长效机制，为市场参与者提供了稳定的政策预期，从而减轻了不确定性对市场造成的冲击。由此可以看出：一方面，相较于发展更为成熟的欧盟碳交易市场，中国碳交易市场在面对能源价格、低碳股票市场波动等外部冲击时会更为敏感，尤其是出现重大不确定事件时，碳价格极易产生较大波动，主要体现为方向性溢入指数波动幅度大；另一方面，由于不同碳试点地区经济发展水平、能源消费结构及政府优惠政策等存在很大差异，导致中国不同地区的碳交易市场具有区域异质性［9］，因此其方向性溢出指数波动程度也不一致，呈现出显著的地区时变异质性。

2.动态净溢出效应分析。随着时间的变化，各个市场并不会一直为风险接受者或风险溢出者，而是会呈现出时变特性。图3 为动态联合净溢出指数，从中能够看出各个市场所扮演的风险角色。从碳交易市场来看，欧盟碳交易市场在研究期内始终为风险溢出者，中国4个碳交易子市场虽然多为风险接受者，但在研究期内常在风险接受者与风险溢出者之间不断变换；从能源市场来看，原油市场在研究期内始终为风险接受者，动力煤市场的风险角色是时变的；低碳股票市场在研究期内始终为风险溢出者，表明低碳股票市场的价格变动会给系统中的其他市场带来风险冲击。

图3 动态联合净溢出指数

由图3 还可以发现，新冠疫情暴发后即2020 年上半年，原油市场、动力煤市场、深圳碳交易市场、湖北碳交易市场的净溢出指数明显下降，而欧盟碳交易市场、广东碳交易市场、上海碳交易市场、低碳股票市场的净溢出指数明显增长，表明新冠疫情对碳-能源-低碳股票市场系统产生了巨大冲击，体现为动态联合净溢出指数的大幅波动。其中，欧盟碳交易市场和原油市场受到的影响最大。

（三）稳健性检验

为进一步验证以上实证结果在不同的预测期和滚动窗口期下也具有稳健性，本文先将预测期更改为25 期和50 期，重新计算静态溢出指数来检验实证结果，具体如表4 所示。表4 结果显示，预测期变为25期和50期后的静态溢出指数与预测期为30期是一致的。

表4 不同预测期数的静态溢出指数/%

进一步地，再将滚动窗口期数分别设置为300 和400，重新计算动态联合总溢出指数来检验实证结果，具体如图4、图5 所示。由图4、图5 可知，当滚动窗口期增加（减少）后，联合总溢出指数相较于前文所使用的350 期减少（增加）了更多的样本值，滚动窗口为300 期的样本数为1393 个，滚动窗口为400期的样本数为1293个，且除了溢出指数波动范围略有变化之外，jSOI整体的变化趋势一致，即联合溢出指数动态变化趋势基本不受滚动窗口大小的影响。由此，实证结果稳健。

图4 滚动窗口为300期的动态联合总溢出指数

图5 滚动窗口为400期的动态联合总溢出指数

五、结论与建议

（一）结论

碳排放权交易是利用市场化手段，以最低的全社会成本降低二氧化碳排放量的有效方式。随着碳排放权交易体系的逐渐发展，合理科学规避与防范可能出现的系统性风险，形成稳定、清晰、合理的碳价信号，建立市场化碳价格形成机制，对于激励企业转型升级、降低社会总减排成本、实现我国碳达峰碳中和目标具有重要意义。本文通过构建碳-能源-低碳股票市场系统，应用联合溢出指数模型定量分析了碳交易市场、能源市场与低碳股票市场之间的风险联动水平及变动趋势，得到如下结论：

第一，静态溢出效应的实证结果显示：碳-能源-低碳股票市场系统内部存在风险溢出效应，且系统中风险溢出效应最大的为欧盟碳交易市场；从配对关联溢出效应来看，中国4个碳交易子市场之间存在配对风险溢出效应，其中深圳和湖北碳交易市场的风险溢出效应最为明显，且二者互为主要风险溢入源，发展较为成熟的欧盟碳交易市场是原油市场的主要风险源；欧盟碳交易市场、深圳碳交易市场、广东碳交易市场和低碳股票市场皆为风险传递者，而上海碳交易市场、湖北碳交易市场以及两个能源子市场皆为风险接受者。

第二，动态风险溢出效应的实证结果显示，联合溢出指数呈现出明显的时变特征，这是因为不同时期所发生的重大经济政治等不确定事件会给碳-能源-低碳股票市场系统中的部分或者全部子市场带来价格波动，形成程度不一的风险冲击效应。值得关注的是，发展较为成熟的欧盟碳交易市场在研究期内的方向性溢入效应整体波动幅度最小，即使受到新冠疫情冲击，其方向性溢入效应也只出现了轻微波动；而中国4 个碳交易子市场的方向性溢入效应波动明显，且波动程度、波动方向均不相同。中国4个碳交易子市场的方向性溢出效应存在明显的地区时变异质性。

第三，动态净溢出指数显示：研究期内欧盟碳交易市场、低碳股票市场始终扮演着风险溢出者的角色；能源市场中的原油市场为风险接受者，而动力煤市场的角色则具有时变性；中国4 个碳交易子市场尽管也有在风险接受者与风险溢出者两个角色间不断转换的现象，但四者多为风险接受者。虽然中国4个碳交易子市场在政策、制度（配额分配、交易数据披露、核算、核查）、市场、产品等方面都进行了创造性的探索，但由于各碳交易市场的地方政策背景和覆盖行业面不同，交易规则、排放量计算方法不同，且彼此之间缺乏协同机制，导致碳市场交易流动性较弱，在不同时期内各自的变动趋势也不尽相同，甚至会呈现截然相反的变动趋势。当遇到不确定事件如新冠疫情的冲击时，中国4个碳交易子市场的动态联合净溢出指数波动十分明显。相较于我国，欧盟碳交易市场的抗风险能力更强。

（二）建议

基于上述研究结论，本文提出如下建议：

一是在中国碳交易市场、欧盟碳交易市场、能源市场、低碳股票市场之间建立有效的风险预警机制，尤其是防范重大经济政治事件对碳价格冲击的预警机制，采用科学有效的方式方法预测价格波动风险程度，构建完善的风险等级体系，以降低风险冲击所带来的负面影响。

二是借鉴较早发展起来的欧盟碳交易市场的运行和管理经验，在覆盖行业、配额发放方式以及交易产品方面进行深化，丰富市场参与主体，提高市场流动性，逐步完善中国碳交易产品价格发现机制，引导碳配额供需合理化，尤其是要建立能够灵活调节供给的长效机制，如欧盟碳交易市场的市场稳定储备机制（MSR），根据市场流通配额总量，在独立运行的储备库中吸纳和释放配额，建立“蓄水池”，以提高中国碳交易市场的抗风险冲击与市场价格稳定能力，完善中国碳交易市场政策体系。

三是提高市场流动性，完善碳市场监管机制，确保碳交易市场有效发挥引导资源向低碳活动配置的作用。各个碳交易市场不仅要结合自身供需和市场情况进行顶层设计，还要学习借鉴不同碳交易市场的优点与成功经验，如上海碳交易市场公开透明的市场化运作机制。未来在碳市场建设过程中应逐步削减配额，各行业分批减少免费配额发放量，构建有金融资源充分参与、有流动性的碳交易市场和衍生品市场，有效管理碳交易可能带来的潜在金融风险和其他风险，建立碳价格稳定机制，防范极端情况下碳价格的大幅波动。

四是政府应重视低碳股票市场的促进激励作用，加快完善相关金融机构信息披露机制。虽然中国低碳行业尚未进入全面发展阶段，但已在很大程度上受到了资本市场的青睐。投资者对低碳企业的未来充满信心，政府应着力为低碳企业提供良好的投资环境和发展空间。此外，随着碳交易市场主体的多元化，控排企业和诸多金融机构及各类投资者都会对碳交易价格产生不可忽视的影响，但目前中国金融业的绿色金融标准、信息披露水平和激励机制尚不符合碳中和的要求，产品体系也未能充分解决低碳投资所面临的瓶颈。对此，政府应发挥引导作用，提高金融机构对气候变化所带来的金融风险的认识，提前制定防范措施，促进社会资本充分参与低碳、零碳建设，有效防范跨市场间的风险。