碳市场对高耗能行业的风险传染研究

徐玉华 黄意强

1（南京审计大学统计与数据科学学院，南京 211815）2（南京审计大学金融学院，南京 211815）

引言

全球气候变暖加剧，各国正采取相应措施应对这场全球性的危机。《京都议定书》 将各国联系在一起，共同应对气候问题。2016年，在国际社会的努力下，《巴黎协定》 签署，缔约方承诺共同努力实现2 摄氏度温控目标。中国作为碳排放大国，庄严提出2030年实现碳达峰，2060年实现碳中和的伟大目标。碳金融市场作为实现世界低碳经济发展，推动能源结构转型的重要手段，引起了广大学者的广泛关注。

对于金融市场的研究，风险是一个主要课题。众多学者对“风险”发表了自己的理解，如美国学者奈特按是否可度量，明确了风险与不确定性。当下主要以狭义和广义两个层面来理解风险。从狭义的视角来看，风险表现为损失的不确定性，而从广义视角来看，风险则表现为收益的不确定性。金融风险则是在从事金融活动过程中，所伴随的风险，包括市场风险、信用风险、操作风险等。碳金融风险是金融风险的扩展，表现为碳金融活动过程中遭受损失的不确定性，具体可分为市场风险、政策风险、项目风险、操作风险、信用风险和流动性风险，其中市场风险最为突出。相比于其他金融资产，碳金融市场价格波动更为复杂，更容易遭受汇率、价格等因素的变化的影响。所以，精准识别和度量碳金融市场风险，能有效提高碳市场风险管理水平，防范碳市场风险，助力双碳目标实现。

在金融全球化的视角下，金融系统愈加复杂，不同金融市场和其子市场之间存在着高度的依赖性，进而出现市场间风险联动现象，严重的将会影响金融系统的运行，因此风险传染研究一直是风险研究的重要内容。

金融风险传染从宏观角度体现为国家受到冲击，市场间依赖性增强。微观角度体现为，金融机构和子市场在受到冲击变动时，会传递到联系紧密的其他机构和市场，出现“多米诺骨牌”的传染效应［1］。早期风险传染研究主要围绕于市场间“两两”线性溢出效应，研究方法包括GARCH类模型［2］、CoVaR 模型［3］、Copula 模型［4］、SV 模型［5］等。但上述方法存在一定缺陷，“两两”线性溢出效应的研究不能准确反映复杂金融体系真实的风险传染特征，也忽略了金融市场的复杂性，会使得市场间风险传染出现非线性特征。

因此，后续学者基于网络结构视角对金融风险传染进行了大量的研究，主要围绕着收益率溢出［6］、波动溢出［7］和尾部风险溢出3 个角度出发，构造金融风险网络。在宏观金融层面，Uluceviz 和Yilmaz（2021）［8］使用方差分解的方法构建了经济实体部门和金融部门之间的连通性网络，分析了实体部门和金融市场的连通性变化。宫晓莉和熊熊（2020）［9］基于TVP-VAR 模型分析金融系统风险溢出，在波动溢出效应的基础上采用方差分解网络方法构建起信息溢出复杂网络，从网络视角分析系统性金融风险传染特征。杨子晖和王姝黛（2021）［10］从收益溢出和波动溢出两个角度，构建了在新冠肺炎疫情冲击下，全球股市系统性金融风险传染网络，研究风险传染关系和驱动机制。刘超和郭亚东（2022）［11］利用极大重叠离散小波变换和溢出指数方法构建了多时间尺度的风险溢出网络，分析了我国市场行业间的系统性金融风险特性。从微观金融层面，Demirer 等（2018）［12］使用LASSO 方法来收缩，选择和估计连接世界前150 大银行的公开交易子集的高维网络，并使用滚动窗口估计动态网络连接性。张伟平和曹廷求（2022）［13］基于SIM-CoVaR 指标构造尾部风险网络，研究房地产企业间的风险溢出的聚类性和传播途径。刘超和钱存（2022）［14］使用贝叶斯网络与R 藤Copula-CAViaR-CoVaR 模型对我国商业银行间的风险溢出效应进行研究，并构建风险传染网络剖析了银行间的风险传染路径。

碳金融市场作为实现国家“双碳”目标的新兴交易市场，相比于传统市场有着更大的波动性，由此研究其本身的风险溢出和对其他市场产生的风险传染效应成为必要，目前碳市场风险传染的研究主要围绕着碳市场-能源市场、碳市场-碳市场和碳市场-股票市场3 个角度。能源市场作为碳排放产生的源头，成为了碳市场运行的重要关注对象，由此引发了学者对二者的风险研究。Zhang和Sun（2016）［15］基于DCC-GARCH 和BEKKKGARCH 模型，分析了欧洲碳市场和化石能源市场间的动态溢出效应。Hanif 等（2021）［16］探讨了欧洲排放配额（EUA）价格与可再生能源指数之间的频率波动溢出效应、连通性和非线性依赖性。随着碳市场数量的增加，碳市场之间的风险联动关系也引发了学者的关注。Zhu 等（2020）［17］运用Rvine copula-CoES 方法，刻画碳市场间的尾部相关性，进而研究了七大碳市场间的风险溢出效应。Wang 等（2020）［18］以中国、美国和欧盟的碳市场为研究对象，采用历史模拟方法和蒙特卡洛模拟对碳交易市场的风险进行测度，再利用复杂网络研究市场信息传递和市场交易企业决策变化引起的风险传染。碳市场作为金融市场的一部分，满足传统金融市场的风险特性，其波动引发的风险，不仅仅会对能源市场和碳市场内部产生风险传染，同样会影响到传统的金融市场，因此也有学者对碳市场和股票市场风险溢出进行了研究。王喜平和王婉晨（2022）［19］基于广义预测误差方差分解构建溢出指数，捕捉碳市场和股票市场的风险溢出，在此基础上构建碳市场-股票市场的风险溢出网络，识别风险中心和传染路径。Tian 等（2022）［20］采用动态溢出方法研究了商品和金融市场以及新兴经济体的碳市场之间的冲击传递模式，并揭示了“碳-商品-金融”系统中的溢出层次、大小、方向和模式。

通过对金融风险传染的文献梳理，发现现有文献对风险传染的研究已经相当丰富了，但对于碳市场风险传染的研究较少。本文将从碳市场与高耗能行业之间的溢出入手，识别溢出的机制和规律。本文研究了被纳入碳市场的高耗能行业与碳市场间的溢出机制和风险传染；使用TVP-VAR方差分解溢出指数识别碳市场和高耗能行业的波动溢出效应，并构建风险溢出网络，避免了以往研究使用滑动窗口VAR 方法研究时变溢出效应时价值信息的损失；研究重大事件冲击下，碳市场和高耗能行业风险传染的变化。总体看，本文的研究框架对分析碳市场风险提供了一些新思路，同时本文的分析结论对于碳市场建设过程中如何防范风险传染问题具有一定启示意义。

1 研究方法

1.1 理论分析

碳市场作为一种市场机制，建立目的在于方便企业间购买和销售碳排放配额。如图1所示，高耗能企业作为二氧化碳排放主体，被强制纳入碳市场中，政府每年度向碳市场主体发放固定数量的碳排放额，高耗能企业排放超过发放额度，将面临惩罚。超过排放额的企业，可以在碳市场中购买碳排放额，存在剩余排放额的企业，也能从中获利，进而促使企业主动节能降碳。股票市场方面，高耗能企业绿色转型已是必然趋势，其积极参与环境治理，降低碳排放量，能向市场反映出其未来可能的潜在价值，投资者将会继续持有该股票，为企业提供稳定的资金。当高耗能企业未达成碳排放限额目标时，投资者对其未来价值产生悲观情绪，因此会导致股价出现波动乃至下跌。这就使得碳市场和高耗能行业间联系密切。基于“联动效应”理论，在一个市场发生价格波动时，关联市场将会受到影响，出现联动现象。因此，本文建立碳市场和高耗能行业波动风险网络，研究碳市场和高耗能行业风险溢出效应和传染路径。

图1 碳市场与高耗能行业风险溢出机制

1.2 溢出指数模型

本文借鉴Balcilar 等（2021）［21］提出的基于时变参数-向量自回归（TVP-VAR）模型的动态溢出指数法进行实证分析。该方法扩展了Diebold 和Yilmaz（2014）［7］采用的滚动窗VAR 模型构建的静态溢出指数模型，克服了主观选择滚动窗口所带来的偏差，同时也避免了潜在价值数据的缺失。TVP-VAR（p）模型如下：

预测误差协方差矩阵为：

获得预测误差和预测误差协方差后，可以通过如下过程得到广义预测误差方差分解的溢出指数为：

1.3 网络分析方法

（1）度与点权

节点的度定义为与该节点连接的边数。关联网络中节点的度表示与该节点相关联的其他节点数量，一个节点度越大，说明该节点在某种程度上越为重要。点权是无权网络节点度的自然推广，节点vi的点权Si定义为与它关联的边权之和，即：

（2）平均路径长度

网络的平均路径长度L定义为任意两节点之间的距离的平均值，即：

（3）聚类系数

1.4 最大树形图

最大树形图模型是最小生成树模型的一种拓展，是指在一个有向图中存在一个特殊根点root，从根点出发到图中所有节点而生成的树形图。定义G＝（V，E）为有向图，其具有以下性质：G中不包含有向环；存在一个节点vi，它不是任意一条弧的终点，而V中的其他节点都是唯一的某条弧的终点，则称G是以vi为根的树形图。本文采用的算法是由朱永津和刘振宏于1965年提出的朱刘算法。下面都指定为根的顶点是v0。最大树形图与最小生成树的思想一致，都是基于贪心和缩点的思想。缩点是指将多个点看成是一个点，所有连到这几个点的边都看成是连到这个收缩点，而从这几个点出发的所有边都看成是从收缩点出发的。具体由以下4 步组成：

（1）求最大弧集

从所有以vi（i≠0）为终点的弧中都要取一条最大弧，若对于某一点vi不是根节点且其不存在入边，则不能生成最小树形图，算法结束；如果除根节点以外的节点都存在入边，则可以得到一个权值最大的子图G′，而子图G′中的弧集就是最大弧集。

（2）检查环

完成步骤1 后，得到最大弧集，则需要检查连好的图中是否存在有向环及收缩点。存在3 种情况：①若不存在有向环且不含收缩点，则计算结束，步骤1 生成的就是以v0为根点的最大树形图；②若不存在有向环但含有收缩点，则需要展开收缩点；③若存在有向环，则需要将有向环收缩成一个点，生成一个新的图G1。

（3）收缩有向环

将原图G中的有向环收缩成一个点，此时原图G中属于有向环的边被收缩，而其他弧仍保留，从而得到一个新的图G1。与原图G相比，新图G1中以该收缩点为终点的弧的长度变化方向不变，且关于是否生成最大树形图的性质不变。同时需要对新图G1进行步骤1 的操作，直至图中不存在有向环为止。

（4）展开收缩点

若原图存在有向环，且新图G1的最大树形图T1已经求出，那么T1中的所有弧都同样属于T。再将图G1的一个收缩点展开成有向环，同时去掉T1中有相同终点的弧，其他弧都属于T。

2 实证分析

2.1 变量选取与数据描述

尽管全国碳排放权交易已于2021年7月16日正式开市，但目前交易数据有限，因此选取区域碳交易市场数据进行研究。大部分碳市场的研究局限于使用部分碳市场的数据进行研究，不能准确反映碳市场整体的波动，因此本文将湖北、广东、北京、上海、深圳、重庆和天津七大区域碳市场碳交易价格波动进行汇总，选取平均值代表整个碳市场的风险波动。区域碳市场的价格数据来自于四川联合环境交易所。

为研究碳市场与高耗能行业市场间的波动溢出，本文基于区域碳市场所纳入的高耗能行业，选择电力、造纸、钢铁、有色金属、化工、纺织、建材、煤炭、石油和水泥10 个股票行业板块作为高耗能行业研究对象，数据来源于东方财富Choice数据库。选取的数据区间为2019年1月2日～2023年1月20日，每个观测对象日时间序列包含968个值。对各行业计算对数收益率，即对各行业的收盘价进行一阶差分，公式为Ri＝logPi（t）-logPi（t-1）。表1 给出了样本的描述性统计。

表1 描述性统计

由表1 可以看出，碳市场的波动最为显著，标准差达到了0.063，远大于高耗能行业。观察偏度和峰度可以看出，所有数据都存在明显的偏态，且具有较大的峰度，存在尖峰厚尾的特性，通过JB 检验进一步得出数据不是正态分布。此外，为防止数据不平稳出现伪回归现象，进行ADF检验，结果显示数据平稳。在此条件下可以进行DY 溢出指数模型构建。

从2020年初开始，新冠肺炎疫情逐步蔓延至全国，对我国经济运行体系产生了严重冲击，加大了宏观环境的不确定性。在此期间，资本市场波动剧烈，上证综指出现巨大跌幅，各行各业停工停产，减排企业对碳排放权需求降低，碳市场交易活动减少，流动性风险增大。因此，为研究新冠肺炎疫情对碳市场造成的影响，本文将新冠肺炎疫情暴发点作为分界线，将样本区间分成前疫情时期和疫情时期，前疫情时期为2019年1月1日～2020年1月1日，疫情时期为2020年1月1日～12月31日。2021年全国碳市场上线交易，电力行业首批被纳入全国碳市场，碳市场规模进一步扩大，无疑增强了碳市场的风险溢出能力，因此将2021年1月4日～2023年1月20日作为第三阶段。

2.2 波动溢出指数分析

图2 是基于时变参数-向量自回归（TVP-VAR）模型构造出的碳市场和高耗能行业板块的动态溢出效应图。其中TO 代表的是该市场对其他市场的溢出效应，用虚线表示，FROM 代表其他市场对该市场的溢入效应，用点线表示，NET 代表的是净溢出效应，用实线表示。从图2 可以看出，碳市场相比高耗能行业，风险溢出并不强烈，但却有着明显的波动现象，原因在于碳市场尚在建设阶段，规模较小且风险溢出能力较弱。在2020年初期和2021年间，碳市场溢出出现明显波动，溢入和溢出都出现了明显的增加，原因在于新冠肺炎疫情冲击和全国碳市场建立，带来了更多的不确定性。观察高耗能行业，在2020年初期，都产生了不稳定波动。在2021年间，电力行业溢出效应出现了明显降低，原因在于作为首批纳入全国碳市场的行业，为实现履约，采取了保守的经营策略，不确定性降低。

图2 溢出效应

为定量分析外部冲击对碳市场和高耗能行业风险溢出情况的影响，本文生成三阶段（疫情暴发前、疫情暴发后、全国碳市场建立）的静态溢出指数表进行分析。考虑篇幅有限，本文仅展示了疫情暴发前时期，碳市场与高耗能行业的静态溢出指数，即表2。可以看出碳市场溢出较少，更多的是作为风险的溢入方，净溢入效应为-3.98，说明其受到其他市场的风险冲击更强。在高耗能行业内部，有色金属、石油和水泥行业净效用为负值，其他均为正值，说明除有色金属、石油和水泥行业外，其他行业作为风险的净溢出方，其中化工行业的净溢出效应最高，说明化工行业是风险的主要贡献者。进一步观察二阶段静态溢出指数表发现，在新冠肺炎疫情冲击下，碳市场净溢出效应有了明显变化，溢入效应明显增加，尤其是对化工行业对碳市场的溢入效应有了明显增加。这说明碳市场在面临重大公共事件冲击时，极易受到风险传染，出现剧烈波动，从而增加碳市场的不确定性。观察三阶段静态溢出指数表发现，全国碳市场建立后，碳市场的总溢出效应显著提高，说明随着碳市场规模的进一步扩大，其对高耗能行业的冲击能力显著提升。观察总溢出指数可以看出，相比一、二阶段，出现了下降，高耗能行业之间的风险传染有所降低。

表2 一阶段静态溢出指数

2.3 溢出网络分析

基于三阶段净态溢出指数表，构造复杂网络图，以此可视化分析各板块风险传染路径。本文将碳市场和高耗能行业各板块作为网络节点，板块间的净配对溢出指数作为边的权重，净配对溢出指数为正则为溢出，为负则为溢入。然后对净配对溢出指数进行归一化处理，将指数控制在［0，1］区间。常用于构建有向复杂网络的方法有最小树形图法和阈值法。本文也将基于这两种方法构建复杂网络。阈值法存在一个最佳阈值选择的问题。本文假定溢出指数服从正态分布假设，借鉴统计学中1%、5%和10%的拒绝域，采用10%作为剔除净配对溢出指数较小的连边的阈值，构建波动溢出网络以反映风险传染的变化情况。原因在于，1%、5%作为阈值时，网络图趋向于有向完全图，不利于进行网络特性分析，因此选择10%作为阈值。

首先用阈值法构建网络。图3、图4 和图5分别展示了三阶段的波动溢出网络图。图中深色节点表示该对象是风险的净溢出方，浅色节点代表净溢入方，圆圈的大小代表总的溢出值，线条宽度代表溢出和溢入强度。从一阶段网络可以看出化工行业是主要的风险溢出对象，有色金属行业、水泥行业、石油行业和碳市场是这一时期的主要风险接收对象，说明在该时期这几个板块在网络中是风险传染的关键节点。但该阶段碳市场与高耗能行业间的风险联系并不突出，网络连接较为稀疏，网络在整体的关联性较弱。

图3 一阶段风险溢出网络

图4 二阶段风险溢出网络

图5 三阶段风险溢出网络

从二阶段溢出网络可以看出，在新冠肺炎疫情冲击下，碳市场和高耗能行业联系相比于一阶段更加紧密，网络连接更为复杂。碳市场和水泥行业依旧是风险的净溢入方，且净溢入方增加了纺织行业，其他高耗能行业都作为风险的溢出方。第三阶段风险网络连接密度进一步提高，风险溢出节点减少。化工行业溢出强度加强，成为了网络的溢出中心，碳市场始终处于溢入地位。

进一步用最大树形图法构建复杂网络。图6、图7 和图8 展示了三阶段的最大树形图。可以看出化工行业在3 个时期均处于树形图的根点，证明了化工行业绝对的风险溢出地位。一、二阶段碳市场并未受到化工行业直接风险传染，而是受到了钢铁行业和煤炭行业的风险溢出。钢铁行业和煤炭行业接收风险小于溢出风险，可以说明二者有效的将风险转嫁给了碳市场。对比一、二阶段的最大树形图可以得出，新冠肺炎疫情冲击下并未对关键传染路径产生较大影响，只有碳市场的风险溢入方发生了变化。第三阶段树形图，相较于前两阶段有了明显变化。碳市场从风险接收方，变为了风险的转嫁方。被纳入全国碳市场的电力行业成为了煤炭行业的风险转嫁对象。

图6 一阶段最大树形图

图8 三阶段最大树形图

为研究剖析复杂网络特性，本文基于阈值法构建的三阶段网络，对各节点的度分布和中心性进行研究。表3 展示了三阶段的平均聚类系数，平均路径长度和直径。从平均聚类系数可以看出，二、三阶段相比于第一阶段有了较大的提高，说明在重大事件产生时，碳市场和高耗能行业间的联系会更加紧密，更容易出现风险相互传染。二、三阶段的平均路径长度和直径有所减小，说明节点与节点之间的风险传染距离缩短，风险更容易在节点之间进行传染，进而导致大规模的风险波动。

表3 网络结构特征

表4 展示了三阶段各节点的点权分布。一阶段碳市场，有色金属和水泥行业是具有较高的入度点权，是主要溢入节点，化工行业有着最大的出度点权，说明其处在一阶段溢出的核心位置，其次是建材行业。在二阶段时期，碳市场、纺织和水泥行业处于风险溢入的中心地位，化工依旧是溢出的核心。三阶段时期，多个溢入中心出现，主要的溢出行业为钢铁和化工。总体而言，碳市场始终是溢入核心，这在一定程度上是由于碳市场机制不够健全，尚处于发展阶段，稳定性较差所致。化工行业一直处于出度核心的原因在于，其处在供应链的首部，当其出现风险波动时，将会从上游逐步向下游扩散，因此成为主要的溢出节点。

表4 点权分布

为进一步研究各节点在网络中的重要性，接下来将从接近中心性、介数中心性和PageRank 中心性3 个方面分析。

接近度中心性反映了节点在网络中居于中心的程度，其度量思想在于一个节点与多个节点都很接近，这说明该节点处于网络的中心地位。考虑本文研究对象是有向的非连通图，参考Dangalchev（2006）［22］接近度中心性计算方法，计算三阶段入度与出度的接近度中心性。从图9 可知，在一、二阶段碳市场出度接近中心性为0，原因在于其作为风险的接收方，没有对其他市场产生溢出效应，与其他市场不存在连通。出度中心性排名第一位的是化工行业，三阶段始终处于溢出辐射中心。从图10 可以看出，在一、二阶段碳市场是风险溢入的核心，在电力行业被纳入全国碳市场后，电力行业则取代碳市场成为了核心的风险溢入点。

图9 接近出度中心性

图10 接近入度中心性

介数中心性也是测度网络节点重要性的一个重要指标，其度量思想为一个节点在最短路径上出现的次数越多，该节点越重要。通过计算发现，在一、二阶段节点之间直接相连，最短路径为1，无法探究介数中心性特征。因此，本文只考察第三阶段的各节点的介数中心性。从表5 可以看出，碳市场的介数中心性排名第一，说明碳市场在网络中具有较强的中介性，会推动风险溢出的速度。

表5 介数中心性

PageRank 值是测算有向网络节点重要性的指标之一。作为特征向量中心性的一个变种，PageRank算法首先给定每个点一个初始值，假设甲节点指向乙节点，乙获得分值，同时甲节点本身的分值越高，乙获得的分值也越高，说明当指向节点越重要时，被指向节点也更重要。图11 给出了三阶段各个节点的PageRank 值，可以看出在一、二阶段碳市场的PageRank 得分处于第一位，反映了碳市场在网络中具有重要地位。第二阶段，碳市场的PageRank 得分有所上涨，说明在新冠肺炎疫情冲击下，碳市场在网络中的重要性进一步提高。第三阶段，全国碳市场建立，其PageRank 得分有所下降，但仅次于纺织行业在网络中的重要性。

3 结论与启示

“双碳”目标下，碳金融市场成为了控制碳排放的重要手段。由于其建设时间短，与相关行业具有紧密联系，以及容易受到极端事件的冲击，碳市场风险研究成为一个重要课题。本文选取区域碳市场平均收益率指数，与高耗能行业收益率指数作为研究对象，基于广义预测误差方差分解构建溢出指数，研究碳市场和高耗能行业间的溢出效应，并在此基础上构造复杂网络模型，研究在极端事件冲击下，碳市场和高耗能行业的风险波动，以及风险如何在两者间进行传导。

实证研究得出，碳市场和高耗能行业之间存在波动溢出效应，且具有不对称性和不确定性，相互之间存在较强的联动性。从风险溢出方向来看，碳市场主要作为风险的接收方，在受到极端事件冲击时，会成为风险传染的关键节点。此外，在全国碳市场建立后，碳市场的溢入和溢出效应有了明显的提高，说明随着规模的扩大，碳市场本身的波动性出现了放大现象。化工行业总体来说是风险的净溢出方，原因在于化工行业处在供应链的头部，极容易将自身风险通过供应链条传递给其他行业。

基于以上结论，得出以下启示：

（1）我国碳市场尚处于发展阶段，规模和成熟度有限，容易受到外部风险的冲击。因此，应逐步扩大碳金融市场规模，加快碳金融相关立法建设，加速碳金融产品创新，规范碳金融产品发展，提高碳金融市场风险韧性。同时在碳市场规模扩大时，防范碳市场自身对传统高耗能行业的风险扩散，推动“双碳”目标稳中有进的实现。

（2）对于政策制定者而言，防范碳金融风险不能仅局限于碳市场本身，也需考虑复杂的金融市场环境。监管部门应完善碳市场风险识别和预警机制，在可能发生较大市场风险时，利用压力测试方法检测碳市场在极端情况下的表现，减少碳市场自身风险发生的可能；另外，从风险网络视角出发，警惕高耗能行业的风险传导，识别网络中心，对关键节点进行有效监督，降低个体风险传染概率和范围。

（3）对于高耗能行业而言，既要关注宏观环境所带来的风险，也需要应对来自碳市场波动的风险。因此，高耗能行业应该搭建符合自身特点的财务预警模型，演绎宏观环境变化对企业财务可能的影响，同时加速绿色创新研发，实现企业的绿色转型发展，以此降低可能的风险损失。