基于图结构自适应Lasso的碳排放权价格影响因素分析

王小燕,周思敏,徐晓莉,周四军

(1.湖南大学 金融与统计学院,湖南 长沙 410012;2.中山大学 数学学院,广东 广州 510000)

一、引 言

美国学者威廉·诺德豪斯曾说“作为形成人类与自然在无限未来的轮廓的一种力量,全球变暖应该与暴力冲突和经济萧条等同视之。”近年来的气候数据表明全球变暖愈演愈烈,2020年3月10日发布的《2019年全球气候状况声明》指出,2018年是有史以来温室气体浓度最高的一年,2019年是有记录以来温度第二高的一年。在诸多影响气候变暖的因素中,碳排放是公认的导致温度上升、产生温室效应、引发自然灾害的重要原因,各国在日益恶化的气候环境下已达成低碳化的经济发展的重要共识。

碳交易是温室气体排放权交易的统称,因二氧化碳为《京都协议书》所要求减排的6种温室气体中最大宗,温室气体排放权交易以每吨二氧化碳当量(一种气体的二氧化碳当量为这种气体的吨数乘以其产生温室效应的指数)为计算单位,所以称为“碳交易”。碳交易使得包括二氧化碳在内的温室气体在排放总量控制的前提下其排放权成为一种稀缺资源,从而具备了商品属性,买方可通过支付卖方获得温室气体减排额用于减缓温室效应从而实现其减排的目标。自2005年《京都议定书》生效以来,碳排放权作为可交易的商品出现,各国纷纷建立起碳排放权交易市场,通过市场的力量有效控制碳排放。中国作为世界第一大碳排放国,近年来也在应对全球气候变化方面做出了大量尝试,2013年深圳碳排放权交易平台启动,随后北京、福建、广东、湖北、上海、天津和重庆等地先后启动碳排放权交易试点,2017年全国碳排放交易体系正式启动标志着全国统一碳市场建设拉开帷幕。本文对中国区域碳交易价格的驱动因素进行分析,于国家而言,有利于完善中国碳排放权定价机制,形成更加成熟并符合国情的管理体系,使碳配额的分配更加合理,政策的调整更加及时;于企业而言,有利于企业预测碳价格,决定碳排放权的购买数量,综合市场情况制定经营战略,更主动地参与减排工作,促进全国碳市场良好发展。

二、文献综述

碳排放权价格是指碳排放配额的市场价格。碳排放权交易所会根据相应试点地区的经济发展情况、能源结构和产业结构制定排放限额并将配额通过拍卖或分配方式划分给不同的排放单位。配额过剩和配额不足的排放单位在碳交易市场形成供求关系,由此各排放单位在市场上自由交易形成较为公开的交易价格即为碳排放价格。自中国建立碳排放权交易市场以来,关于碳排放权价格影响因素的研究层出不穷。接下来本文将从影响因素指标体系构建和筛选影响因素的方法两方面进行分析。

在影响因素的指标体系构建方面,呈现出因素单一化到多元化发展的趋势。比如有不少学者基于化石能源燃烧是碳排放的主要来源,重点研究能源价格这一单一因素对碳价的影响作用[1-2]。绝大部分学者综合了国内外能源价格、宏观经济政策、气候环境以及国外碳交易价格等多元因素展开研究。比如魏雪探究了传统能源价格、国际CER价格对中国碳价格的影响效应[3];洪涓等人从国际需求、国内供给、国内限价政策以及国际市场几个方面探讨中国碳交易市场价格的影响因素[4];周建国等人从国际碳价、国内外经济状况、国内外能源价格及汇率四个层面构建中国碳配额价格影响因素指标体系[5];陈晓红等人采用面板回归模型研究供给需求(电力)、能源价格、天气因素对碳价的影响[6-8];陈欣等人采用静态面板模型与动态面板VAR模型进行线性回归来研究宏观经济、能源价格、天气因素对碳交易价格的影响[9];杜子平采用GA-BP-MIV模型研究国际资产价格、国内外经济发展、工业发展指标、国际能源、国内能源、汇率、政策、气温七大类共16个因子对中国区域碳价的影响[10]。除此之外,部分学者针对气候因素做了重点分析,比如周天芸和许锐翔分析了能源价格、宏观经济、气候和国际碳排放价格对国内碳价的影响,并将空气质量指数这一因子纳入指标体系,研究结果表明空气质量指数也是重要的影响因素之一[11];杨丹丹在能源价格、宏观经济和气候变化等传统因素构建的指标体系中加入环境规制这一非传统解释变量研究中国碳排放权价格的影响机制[12];Considine研究了气候因素和排放权价格的关系其研究表明非常炎热和寒冷的天气对能源消费和温室气体排放有较大影响,因而影响碳排放权价格[13]。各学者对于气候因素对于碳价的影响持有不同的意见;杜子平认为气温对于碳价几乎无影响,但易兰等人的研究结果表明极寒天气对于碳价有较强的正向影响[14];Alberola等人的结论更进一步表明碳价对极寒气温时的气温变化比极低气温本身更加敏感[15]。除上述因素外,还有学者对自然灾害、政策等定性因素对碳价的影响展开研究,如易兰就将不可控的自然灾害和重大事件纳入模型中进行考量[14];贾君君等人用改进的AR-GARCH模型研究了重大公告对碳价格的影响等[16]。

在筛选影响因素的方法方面,主要有逐步法、降维法和正则法。比如吕靖烨和张超利用逐步回归模型,发现欧洲CER期货价格对广东省碳价格的影响最显著,国际能源价格是影响广东省碳价的核心因素[17];纪钦洪等人利用多元线性回归构建碳价模型,并基于变量关联性和共线性剔除变量来修正和优化模型,确定国际市场能源价格指数、制造业采购经理指数和欧元对人民币汇率是影响模型预测碳价的重要因素[18]。降维法中,以主成分分析为主,比如马慧敏和赵静秋采用该方法寻找北京碳排放交易所的交易价格的显著影响因素;马慧敏等人采用主成分分析法对多个传统能源价格变量降维并生成传统能源价格总因子,实证研究结果表明传统能源价格对碳价,表现为正向直接效应负向间接效应正向总效应[19]。正则法中,郭文军以自适应Lasso方法对国际碳价、国内外经济、国际能源、国内能源、汇率五大类共13个因子进行降维和参数估计来研究区域碳价的影响因素[20];张晨和胡贝贝运用自适应最小绝对值收缩选择(ALasso)方法筛选碳价主要影响因素,结果表明CER期货价格、宏观经济活动、煤炭价格、CER滞后期现货价格、原油价格、天然气价格对CER现货价格有显著影响[21];蒋锋和彭紫君利用弹性网(Elastic Net)方法降维,筛选出EUA供给、能源价格、宏观经济、碳市场相关产品共10个因子中影响碳价的主要因素[22]。综合来看,正则化方法是其中最为广泛使用的方法,相较于逐步法和降维法具有明显优势:一是在理论上具有逐步法无法满足的选择变量一致性;二是模型具有良好的稳健性,而逐步法易受到数据的扰动;三是计算方面,正则化方法对变量进行选择的同时,实现模型的估计,这是逐步法无法比拟的,而且逐步法的计算成本随着变量维度增加而成指数级增长;四是不压缩样本信息,使得其比降维法中的主成分分析法具有更好的模型解释能力。

尽管已有研究构建了多元化的碳排放价格影响因素体系,然而这其中可能存在噪音指标,如何识别到显著的影响因素还有待进一步完善。虽然已有研究利用了不同方法对该问题开展深入探讨,然而这些方法对指标之间的相关关系考虑不足。在大数据时代,受经济环境、政策因素、金融市场等因素的影响,对各经济指标之间通常存在复杂的、不可忽略的相关关系,各指标并非独立的,而是一个复杂的整体,图1的直方图也表明了部分变量确实存在高度相关关系。相关性的存在势必会影响各个因素的识别,甚至导致模型结构的错误。因此,本文将基于复杂网络理论,研究国际碳价、国内外经济、国际能源价格、国内能源价格、气候环境和宏观政策6个维度的24个因素对于碳价的影响,构建指标之间的图结构以体现其复杂的相关关系,再基于该图结构利用自适应Lasso进行因素的筛选。创新之处在于引入了指标之间的复杂网络图,视它们视为一个复杂的整体,有利于更科学地进行影响因素筛选。对比已有考虑指标相关性的方法(如主成分和弹性网),图结构方法能够完整保留样本信息,且明确哪些因素对因变量具有显著影响,主成分分析会损失部分样本信息,而且结果的解释性不强,无法明确各影响因素到底如何作用在因变量上,不能完全实现本文的目的。此外,本文方法将指标的相关性信息考虑更加全面,不仅仅将两两之间的复杂联动关系考虑进来,而且即便是微弱的相关性也会考虑。弹性网是能够处理共线性变量的一种常见方法,在共线性不够强时该方法的表现如何,目前在学术界尚未明确。最后,图结构的构造很灵活,其邻接矩阵的计算方式有多种,对于连续指标,可以基于皮尔逊相关系数构建,对于离散指标,可以基于斯皮尔曼相关系数构建,因此适用性比上述方法更强。

三、模型与方法

影响中国碳排放权的因素非常多,然而并非每个因素都是显著的,其中可能存在噪音变量。噪音的存在主要导致两方面的问题:一是造成模型设定错误,降低估计和预测的准确度;二是增大了数据获取成本,因为噪音变量的样本数据采集、处理和存储都需要一定的人力、经济和计算机成本。为此,本文采用正则化变量选择方法进行碳排放权价格的影响因素研究,研究方法选择广泛使用的自适应Lasso方法。

(一)自适应Lasso

(1)

尽管自适应Lasso具有Oracle性质,然而它在选择变量时未考虑变量的相关结构对变量选取的影响[23]。如图1的指标两两相关系数直方图所示,约40%的相关系数绝对值大于0.5,这说明有大量的强相关关系存在。相关关系尤其是强相关关系的存在不仅会影响自适应Lasso的变量选择效果,而且可能造成模型设定错误。这就需要在模型中加入各变量的相关信息,以助于更好地进行变量选择。

(二)图结构自适应Lasso

(2)

其中,λ2为控制图结构的调整参数。式(2)第三部分的原理是:正相关变量的回归系数趋于同向发展,负相关变量的回归系数趋于异向发展,相关程度高的变量更可能同时被选择或摒弃。该部分可以降低变量的相关性对变量选取的负面影响,通过平滑系数之间的差异,挖掘指标之间的内在结构信息。

关于模型(2)的系数估计,利用Tseng提出的坐标下降法该算法的思想是每次只迭代一个参数,而保持其他参数不变[24]。具体的计算思路为:

Step3:更新s:=s+1;

Step4:重复Step2—Step3直到收敛。

本文的计算用到了R语言的APML0包。关于调整参数λ1,λ2的估计,采用十折交叉验证法:将数据集分为10个子集,选择其中一个子集作为验证集,其他9个子集作为训练集,重复上述过程,直到每个子集都作为一次且仅一次验证集,总共得到10个模型,计算这10个模型的预测误差均值ERROR。本文模型有两个调整参数需要调节,对每一个λ1,λ2组合,计算预测误差均值ERROR,然后取最小ERROR对应的参数对为最优λ1、λ2。

四、变量设计

本文的因变量选用广州碳排放权交易所(以下简称广碳所)的碳配额价格收盘价(GDEA)。广碳所是国家发改委首批认定核证自愿减排平台(CCER)交易机构之一,也是全国第一个现货总成交量突破1亿吨、总成交额超过20亿元的交易所。广碳所不仅交易活动频繁,制度先进,而且交易额和成交量位于全国前列,加上广东省是经济大省,进出口贸易繁荣。曹铭的研究表明中国碳排放市场现有试点均未达到弱式有效市场的标准,但是广州碳排放权交易市场是市场活跃度、成交量以及交易额等市场数据表现相对良好的市场,已经表现出成熟金融市场的基本特征[25]。因此,本文选择广碳所碳价格作为研究对象,一方面能够尽量降低历史价格对当前价格的影响,另一方面能够得到关于碳金融市场的影响因素更可靠的结论,且广碳所是全国交易量最大的碳交易所,并且是最早成立的一批交易所之一,相比于其他交易所更能代表中国区域。

关于指标体系的构建,本着全面性的原则,在参考现有研究、相关经济原理和数据可获取性等因素下,构建了6个一级指标:国际碳价、国内外经济指标、国外能源指标、国内能源指标、气候环境和宏观政策,下设24个二级指标作为模型自变量,具体如下:

国际碳价:本文同时将欧盟排放配额(EUA)(记为X1)和核证减排量(CER)(X2)纳入模型,代表国际碳市场行情。欧盟比中国更早建立起碳交易市场,拥有更加成熟的碳排放交易体系,中国在制度设计上参考了欧盟碳排放交易体系,且有研究表明国际核证减排量(CER)价格与中国碳交易价格存在正相关关系且对中国碳交易价格存在一定的引导作用[3]。

经济状况:碳市场是宏观经济市场的一部分,经济的繁荣与衰退直接影响碳排放权交易的兴盛与低迷。其次,由于市场发展时间较短,碳市场对经济状况的变动较为敏感。郭文军指出国内外经济状况对于碳价有正向影响[20],ZHU等人发现股价指数是碳价的积极驱动因素[26]。因此本文选用德国法兰克福DAX指数(X3)反映欧盟的经济状况;选用标准普尔500指数(X4)反映美国的经济状况;选用沪深300指数(X5)、上证综合指数(X6)、中证500指数(X7)三个变量来反映中国经济状况。德国是欧盟的重要成员国,且德国法兰克福DAX指数的交易方式为便于全球交易的电子交易方式,在中国市场流通更广。标准普尔500指数包含了纽约证券交易所、纳斯达克等美国主要证券交易所,能够广泛反映美国市场的变化。国内主要证券交易所有上海证券交易所和深圳证券交易所,沪深300指数是交易指数,反映了规模大、流动性强的股票股价变动;上证综合指数反映了上海交易所所有股票的价格;中证500指数反映的是中小型公司股票价格。

国际能源:煤炭、石油、天然气被称为世界三大能源,经过化学加工后为人们提供能量,但同时产生大量的二氧化碳等化合物,是碳排放的主要来源。此前已有大量研究表明能源市场的价格走向影响碳价格,例如王丹舟等发现化石能源中原油、天然气变量在10%和5%的显著性水平下对碳价有显著正影响,煤炭变量在5%的显著性水平下对碳价有显著负影响[27]。杜子平等选取布伦特原油期货结算价、NYMEX天然气期货结算价和欧洲三港ARA动力煤现货价作为国际能源指标[10],郭文军发现WTI原油期货收盘价对碳价影响显著[20]。因此本文选用WTI原油期货收盘价(X8)和布伦特原油期货结算价(X10)代表国际市场的原油价格;NYMEX天然气期货收盘价(X9)代表国际市场的天然气价格;国际市场的煤炭价格则使用欧洲三港DES ARA动力煤指数(X11)作为指标。

国内能源指标:选用广州港印尼煤(X12)和广州港5 500动力煤指数(X13)代表广州市场煤炭价格;由于广东工业原油大部分来源于中东进口,迪拜原油更能直接地代表广东原油价格[27],因此使用迪拜原油现货价(X14)作为衡量广州原油价格的指标;采用焦煤(X15)和动力煤(X16)的期货收盘价表示全国煤炭价格;天然气的使用主要集中在工业,于是选择广州工业天然气市场价(X17)代表广州天然气价格;此外,考虑到以往研究大多未考虑电力部门能源消耗的影响,加入粤电集团日耗煤量(X18)作为衡量电力指标的变量,研究发电产生的含碳化合物对碳排放权价格的影响。

气候环境:碳排放影响生态环境,环境因素反过来也作用于碳排放问题。一般极端温度常常伴随着电力消耗的增加和碳排放数量的增多,但此前关于温度是否对碳价有影响存在不同结论。ALBEROLA等人发现欧盟碳价会对较冷情况下的温度变化有所反应,易兰等人也发现极端天气会对碳价造成一定的影响,但是杜子平研究中发现气温对碳价几乎没有影响[10,14-15]。因此,本文将广州日最低气温(X19)和最高气温(X20)作为衡量当地气温的指标纳入模型。

宏观政策:政府的公开市场操作用于控制流通中基础货币数量,影响碳排放权交易市场,贷款利率相关的政策则通过影响企业经营活动而间接对碳价造成冲击。选取银行间同业拆借平均利率(七日)(X21)代表市场利率;逆回购七日交易量(X22)代表政府公开市场操作;除此之外,汇率的波动影响碳价,吕靖烨等对比湖北碳价和深圳碳价影响因素时发现人民币汇率对碳价的影响依交易所的变化而变化,汇率对湖北碳价影响较小,而对深圳碳价影响较大[28],因国际碳交易所主要是美国市场和欧洲市场,选用美元和欧元兑人民币中间价作为汇率变量(X23,X24)。

五、实证分析

(一)数据预处理及描述统计分析

本文选用广州碳排放权交易所2016年1月1日至2019年12月31日的数据作为研究对象,24个影响因素中国际碳价数据来源于Wind数据库,其余变量的数据均取自于Choice金融终端。在数据预处理环节,本文首先对缺失值进行了处理,采取线性插值法进行了数据的填补,对于非交易日情形下的缺失数据采取直接删除的做法,共得到865条有效数据。其次,对连续性指标进行了对数处理,从而消除量纲和异方差。

因变量和自变量的描述性统计结果见表1。可以看出因变量GDEA收盘价(Y)呈现出左偏和尖峰特征,自变量均呈现一定的偏度和峰度。欧盟EUA收盘价(X1)、欧盟CER收盘价(X2)、标准普尔500指数(X4)、沪深300指数(X5)、WTI原油期货收盘价(X8)、布伦特原油期货结算价(X10)、迪拜原油现货价(X14)、粤电集团日耗煤量(X18)、银行间7日同业拆借平均利率(X21)、逆回购7天交易量(X22)、欧元兑人民币中间价(X24)均为右偏,其余变量均为左偏。欧盟EUA收盘价(X1)、中证500指数(X7)、WTI原油期货收盘价(X8)、NYMEX天然气期货收盘价(X9)、广州工业天然气市场价(X17)、粤电集团日耗煤量(X18)、逆回购7天交易量(X22)呈现“尖峰”特征,其余变量则呈现“低峰态”。

表1 描述性统计

图1 相关系数绝对值的分布直方图

同时本文分析了自变量的相关性情况,对变量之间的两两相关系数绘制直方图(图1)。变量间的两两相关系数绝对值有184%在0.7～1之间,16.64%的相关系数绝对值在0.5～0.7之间,18.88%的相关系数绝对值在0.3～0.5之间,相关系数绝对值在0～0.3之间的占比则为46.08%,因此近40%的相关系数绝对值大于0.5,这说明这些指标之间存在无法忽视的中度甚至高度相关,因此在选择指标时考虑相关性是十分有必要的。

(二)自变量的网络结构分析

为从复杂网络角度了解自变量之间的联动关系,作出了24个解释变量的网络结构图,利用变量的相关度调节节点的大小来直观反映节点重要性。然后对本文的网络结构进行小团体分析,发现将24个变量分为6个小团体最合适,结果如图2所示。用名称分别总结这6个小团体的意义,并在图中用不同的形状区分这6类节点。其中,正三角为“高温效应”,方块为“上海、广东与欧洲的贸易市场”,正方形为“能源和经济市场”,正方形内圆为“欧美碳市场”,田字形为“欧洲煤炭市场”,圆形为“美元汇率”。

从图2中可以看出,最大的团体包含了13个节点,最小的团体仅含1个节点。欧洲三港DES ARA动力煤指数和美元兑人民币中间价各自成为“欧洲煤炭市场”和“美元汇率”两个小团体;逆回购7天交易量和广州日最高气温为一个小团体,气温会影响季节性商品的销量,影响经济市场,从而影响国家的公开市场操作,但这种影响是微弱的,因此将该小团体命名为“高温效应”;欧盟EUA收盘价和标准普尔500指数组成“欧美碳市场”小团体;中证500指数、上证综合指数、广州工业天然气市场价、广州日最低气温和欧元兑人民币中间价为“上海、广东与欧洲的贸易市场”小团体;其余13个变量均属于“能源和经济市场”小团体,该小团体内包含部分经济指标和绝大部分的国内外能源指标,从图中也可看出经济指标和能源指标之间的连线较多,经济与能源价格的关系十分密切。

图2 所有变量的图结构

(三)指标选择

采用G-AdLasso对变量进行筛选和参数估计,同时以自适应Lasso(AdLasso)和Lasso作为对比模型。表2给出了三种方法变量选择的结果和参数估计值。G-AdLasso的结果显示:欧盟EUA收盘价、迪拜原油现货价、美元兑人民币中间价等3个因素对碳价有正向影响;欧盟CER收盘价、NYMEX天然气期货收盘价、欧洲三港DES ARA动力煤指数、广州工业天然气市场价、广州日最高气温、银行间7日同业拆借平均利率、欧元兑人民币中间价这7个因素对碳价有负向作用;其他变量系数均被压缩为,说明这些因素对碳价影响不显著。

在国际碳价的两个指标中,欧盟EUA收盘价是正相关显著变量,欧盟CER收盘价是负相关显著变量。这国际碳价对GDEA收盘价有显著影响,说明广碳所与国际碳市场联系密切且动向相同,近年来欧盟碳市场与广州碳市场的频繁的项目合作也佐证了这一点,如2018年广碳所与欧盟碳市场的主要交易平台欧洲能源交易所签署合作协议,2019年广碳所与欧洲能源交易所正式同步上线业务推介等。

在国内外经济指标中,所有国内外经济指标都不是显著变量,说明这类因素对于中国区域碳价没有直接的影响作用,但不排除通过作用于其他因素而对碳价产生间接作用的可能性。

在国外能源指标中,NYMEX天然气期货收盘价和欧洲三港DES ARA动力煤指数是负相关显著变量,表明广东省天然气市场和煤炭市场与国际能源市场联系密切;WTI原油期货收盘价、布伦特原油期货结算价两个因素不显著则表明国际石油市场非直接输入的石油价格对GDEA价格没有明显影响。

表2 三种方法下的变量参数估计结果

在国内能源指标中,迪拜原油现货价是正相关显著变量,广州工业天然气市场价是负相关显著变量。国际石油市场以直接输入广东地区的迪拜原油价格影响区域碳价。广东省天然气的消费量和占的能源比重超过国内平均值,因此GDEA对天然气价格的敏感程度远超其他能源。广东省是中国进口动力煤主要省份,国内动力煤价格与国际煤炭市场相关度高,因此经图结构平滑系数后,欧洲三港DES ARA动力煤指数为显著变量,国内煤价对于区域碳价没有显著影响。

在气候环境的三个指标中,广州日最高气温是相关显著变量。然而它的符号是负的,这与常识似乎相悖。理论上,极端炎热和极端寒冷都会导致电器使用的增多,碳排放的数量增加,于是碳排放权的需求增加,价格上涨,但因广州夏季长且炎热,冬季短且不冷,温度的影响应是高温产生的影响,因此日最高温度比日最低温度更能近似代表温度对GDEA的影响。值得注意的是,高温天气下,国家会下达限电政策,企业为了保证用电峰值不超过电力部门下达的上线,只能合理规划大功率设备使用时间或停用部分生产设备,因此企业对碳排放权的需求反而减少,这可能是日最高气温为负影响因素的原因之一。此外,通过相关分析显示,日最高气温和日最低气温的相关系数高达0.9,具有显著的高相关性。从本文所用的变量选择方法理论来看,自适应Lasso相对Lasso固然能够提高变量选择的一致性,但在处理共线性时仍显不足,对于高度相关的变量,它们并不关心所选择的是谁。因此变量的高度相关性可能是日最高气温为负向影响因素的另一原因。尽管本文处理变量相关性用了图结构,图结构能够吸收变量的相关性信息提高变量显著性识别的效果,然而极端的高相关情形下该方法的效果如何尚无定论。

在宏观政策的四个指标中,银行间7日同业拆借平均利率为负相关显著变量,美元兑人民币中间价为正相关显著变量,欧元兑人民币中间价为负相关显著变量。银行间同业拆借平均利率与政府公开市场操作关系密切,对碳价有显著影响;汇率通过能源替代或进出口贸易对碳价格产生影响,美元汇率对GDEA价格的正向影响很大,相比之下欧元汇率的反向影响较小。[26]

(四)所选变量的网络结构分析

将G-AdLasso模型选出的10个变量作网络图结构并分析团体结构,结果如图3所示。对比图2可以发现每个原小团体都在模型中留下一些关键变量。如“上海、广东与欧洲的贸易市场”保留了欧元兑人民币中间价和广州工业天然气市场价,“美元汇率”留下了唯一的变量美元兑人民币中间价。这说明经模型筛选保留的变量都是每个原小团体中的重要变量,图结构信息的加入使这些重要变量被选取,而其他相对不重要的变量被舍弃。

图3 选出10个变量的图结构

对图3的10个变量按节点的度进行排名,以体现它们在图结构中的重要性,如表3得知欧盟CER收盘价有最高的点度,与其他节点的连线数最多,在模型中也拥有最大的系数绝对值,说明该变量至关重要,牵动着模型中的其他变量。迪拜原油现货价虽然点度排名为第二,但是其系数绝对值较小,说明该变量对于区域碳价的直接影响较小,可能通过影响其他变量来间接影响碳价。美元兑人民币中间价、广州日最高气温的点度较低,说明在本这24个变量中,可能没有可以替代它们的变量。广州日最高气温的系数绝对值较小,结合点度较低可知,二者对于碳价的直接影响和间接影响尽管显著但都不大。值得注意的是美元兑人民币中间价的点度排名虽靠后,但是绝对值系数较大,对碳价的影响作用不可忽略,因此在分析碳交易价格时,应重点关注该变量带来的影响。

(五)对比分析

从表2可知含图结构信息的自适应Lasso可最大程度地精简模型,三种方法保留的变量数量不同:Lasso方法保留13个变量,AdLasso方法保留14个变量,而含图结构的自适应Lasso保留10个变量。普通Lasso回归模型中,有5个变量的系数绝对值很小,如德国法兰克福DAX指数(X3)、中证500指数(X7)和逆回购7天交易量(X22),这些变量在自适应Lasso模型中是非显著变量。相反,Lasso方法中的非显著变量,如WTI原油期货收盘价(X8)、银行间7日同业拆借平均利率(X21)和欧元兑人民币中间价(X24),在自适应Lasso模型中变为显著变量。问题在于Lasso对所有变量施加同等惩罚力度,而自适应Lasso方法在Lasso的基础上添加了一个自适应权重,这样可以一定程度上改善Lasso方法带来的选择偏差。图结构的加入使得与不显著变量高度相关的变量系数可能会被平滑至零。如WTI原油期货收盘价与布伦特原油期货结算价相关系数超过0.9,动力煤期货收盘价与广州港5500动力煤指数、焦煤期货收盘价都高度正相关,在自适应Lasso下布伦特原油期货结算价、广州港5500动力煤指数和焦煤期货收盘价都系数为零,加入图结构后,WTI原油期货收盘价和动力煤期货收盘价系数也变为零,说明加入图结构后的自适应Lasso可以进一步优化模型,得到更为精简的结果。

表3 10个变量的点度排名表

六、结论与启示

本文对中国区域碳交易价格的影响因素进行筛选和分析。为全面分析碳交易价格的影响因素,构建了含6个一级指标和24个二级指标的指标体系,先从复杂网络角度对指标之间的联动关系进行分析,接着采用含图结构信息的自适应Lasso筛选对碳价有显著影响的因素。研究发现:欧盟EUA收盘价、迪拜原油现货价、美元兑人民币中间价这三个因素对碳价有正向影响;欧盟CER收盘价、NYMEX天然气期货收盘价、欧洲三港DES ARA动力煤指数、广州工业天然气市场价、广州日最高气温、银行间7日同业拆借平均利率、欧元兑人民币中间价这7个因素对碳价有负向作用。因素对碳价的影响作用可能是直接的,可能是通过作用于与之相关变量间接作用于碳价,或二者兼有之。G-AdLasso方法可以使得相关程度高的变量同时纳入或摒弃,在保证模型准确的情况下优化和精简模型。

综合上述研究结果,可得出如下启示:

国际碳价对中国区域碳价有显著影响。说明国内区域碳市场与国际碳市场联系紧密,中国的碳交易市场化程度不断提高。近年来中国充分借鉴国外碳市场的丰富经验并结合中国实际情况,逐渐完善全国统一的碳交易平台,在碳减排量的核测方面与国际对接,中国碳市场交易的广度、深度以及活跃度均得到较大程度提升。

天然气、煤炭、石油价格对中国区域碳价有显著影响。因此能源价格是调控区域碳价的重要方向。政府可采取价格补贴来减少能源价格波动对于区域碳价带来的影响,也可通过适当减少能源价格管控来使得碳排放更好的反映能源供需和碳市场发挥促进节能减排的作用。各界应积极开发新型能源来代替目前的部分能源以求达到节能减排的目的。能源价格对于区域碳价的影响取决于当地产业结构,通过对产业结构分析可通过能源价格波动对区域碳价作出合理预测。

广州日最高气温对区域碳价有显著影响。自然环境的变化与区域碳价有一定联系,因此可通过气温变化推测区域碳价的波动趋势具有一定合理性。此外,在碳市场配额分配过程中,也应充分考虑地区气候差异导致的碳排放需求差异。但是,气候因素对于碳排放权价格的影响相对有限,还应结合各地区碳交易市场的发展水平以及碳排放权交易相关制度的成熟程度具体分析,为不同地区的碳交易市场制定不同的分配方案,因地制宜,不断完善碳排放权分配体系,加快推进建设全国碳市场。

市场公开操作和汇率影响区域碳价。公开市场操作和汇率是政府宏观调控的有效手段,通过调控基础货币流通和国际进出口市场可有效控制区域碳价波动。因此政府应注重市场政策的连续性和稳定性,避免因宏观政策不稳定而引起碳价的剧烈波动。