摘 要：在碳中和的时代背景下，深入研究碳市场与能源市场间的溢出效应，有助于企业优化能源配置结构、加快实现“碳达峰、碳中和”目标。本文采用TVP-VAR-DY模型，深入分析了广东碳排放权交易市场、湖北碳排放权交易市场、原油市场及煤炭市场之间的溢出效应。研究结论显示：（1）碳市场和能源市场之间存在着显著的波动溢出效应，且相较湖北碳市场，广东碳市场更易受到来自其他市场波动溢出的影响。（2）金融事件的冲击会加剧市场间的风险溢出，这种溢出呈现出时变的特征。（3）新冠疫情期间，原油市场溢出指数急剧上升。基于上述结论，本文提出了相应的策略建议，以供参考。
关键词：碳市场；能源市场；溢出效应；TVP-VAR-DY模型；金融事件
中图分类号：F206 文献标识码：A 文章编号：2096-0298（2025）03（b）--05
1 引言
随着工业化进程的持续推进，人类在生产生活中产生并排放了大量的温室气体，导致全球气候变暖，地球生态系统的平衡被打破。全球气候变化对人类和生态系统造成的负面影响日益加剧，因此气候问题备受全球关注。碳市场的建立与运行，在推动企业减排降碳和提高能源利用效率方面扮演着至关重要的角色。2005年《京都议定书》生效以来，全球碳交易市场迎来了爆炸式的增长。我国也积极推动建立和完善碳市场。2011年，我国“十二五”规划纲要提出“逐步建立碳排放市场”的政策要求，标志着我国开始建立碳排放权交易试点。截至2017年，全国性的碳市场正式启航，为我国乃至全球的碳减排事业注入了新的动力。
能源部门是碳排放量占比最高的部门，能源市场与碳市场的溢出问题成为众多学者研究的热点。多项研究表明，能源市场与碳市场之间存在着相互作用的波动溢出效应，尤其是在金融风险时期，两个市场之间的溢出效应明显增加。近年来，新冠疫情、俄乌冲突、巴以战争等事件频发，能源市场价格波动剧烈，碳市场与能源市场之间的风险溢出程度加深。因此，研究2020—2024年两个市场的溢出效应，对稳定碳市场和能源市场波动、促进低碳减排的持续推进具有重要意义。
2 文献综述
碳市场作为新兴的金融市场，与其有关的研究层出不穷。其中，碳市场风险溢出研究是国内外学术界十分关注的领域。
能源的生产和消费过程都伴随大量二氧化碳气体的排放，能源市场与碳市场密切相关，两者之间存在价格传导关系。张秋莉等（2012）研究发现，CERs期货收益与能源期货收益呈正相关。Ma等（2021）提出，原油价格与碳价之间的相关性可以通过期货市场交易进行传递。为了实现“减排降碳”的目标，传统能源市场需要改变能源结构，这一转变对传统能源市场造成了较大冲击，碳市场与传统能源市场之间的风险溢出显著。因此，有关碳市场溢出效应的文献中包含大量有关碳市场和能源、化石等市场之间溢出效应的研究。Zhang等（2022）的研究结果则显示原油市场在藤状结构中起主要作用，碳市场与其他市场相关性不强。Li等（2022）认为，中短期油价对碳价格有负向影响，对碳效率指数有正向影响，而绿色债券指数对中短期碳价格有积极影响，对碳效率指数有负面影响。Liu等（2023）发现，不同石油股票与高、低碳资产之间的溢出关系在不同时频上是变化的。Wang 等（2023）认识到能源价格上升会对碳价格产生负面影响。Wu和Qin（2023）则关注到了新能源市场与碳市场的溢出效应，并进一步考虑了极端条件下市场之间的溢出情况。
近期研究发现，在重大事件的冲击下，碳市场与能源市场之间的溢出会增强。例如，Wang等（2023）分析了气候政策不确定性、能源价格、绿色债券指数和碳价之间的溢出效应，并指出在国际事件背景下溢出强度会增强。Wu和Jiang（2023）发现，在重大事件的冲击下，跨市场的非对称波动溢出增加。Duan等（2023）研究发现，新冠疫情加强了跨市场的风险溢出。
综上所述，现有文献主要集中于研究中美贸易摩擦、新冠疫情爆发时期碳市场与能源市场的风险溢出问题，俄乌冲突、巴以战争时期的相关研究较少。因此，本文研究新冠疫情爆发到巴以冲突时期碳试点市场与能源市场之间的溢出效应，旨在为我国碳市场的风险管控和体系建设提供参考建议。
3 模型构建与数据来源
3.1 TVP-VAR-DY模型
为了探究碳市场和能源市场之间的波动溢出效应，本文采用Diebold和Yilmaz（2014）、Antonakakis等（2018）的研究模型，将溢出指数模型与时变参数向量自回归模型相结合，构建TVP-VAR-DY模型进行实证研究。
其中，Ωt-1代表一直到t-1期的全部可用信息；yt和Zt-1分别代表m×1和mp×1维向量；At为m×mp维矩阵；Ait为m×m维矩阵；εt是m×1维向量；ξt是m2p×1维向量；而时变方差—协方差矩阵∑t和Ξt分别是m×m和m2p×m2p维矩阵。此外， Vec（At）是At的向量化，它是一个m2p×1维向量。
其次，使用时变系数和时变方差协方差—矩阵来估计Diebold amp; Yilmaz的广义连通性过程，该过程是基于广义脉冲响应函数和广义预测误差方差分解。为了计算GFEVD，本文需要使用实现衰减因子的卡尔曼滤波算法进行估计，并通过Wold表示定理将TVP-VAR转换为其向量移动平均，公式如下：
其中，Bjt表示一个m×m维矩阵，即TVP-VMA系数。
再次，进行广义预测方差分解（GFEVD）。φqij，t（H）的意义是从j到i的成对方向连通性，并表示了第j个市场收益率对其余第i个市场收益率的影响，公式如下：
其中，∑mj=1φqip，t（H）=1，∑mi，j-1φqiq，t（H）=m。H表示预测误差方差分解期数；li表示选择向量，即在变量i的位置时为1，反之则为0。
基于GFEVD，总连通性指数用于衡量系统中总体的溢出效应，公式如下：
变量i对其他所有变量j的溢出效应为总的方向性溢出效应，公式如下：
变量i接收来自其他所有变量的溢出效应为总的方向性溢入指数，公式如下：
净方向性溢出指数，即总的方向性溢出效应与总的方向性溢入指数之差，公式如下：
如果Cqi，t为正值，就说明变量i对系统的影响大于其对自身的影响；反之，则表示变量i对系统的影响小于其对自身的影响。
3.2 数据来源
本文选择了成立时间较早、数据比较连续且市场交易较为活跃的湖北和广东碳排放权交易所的每日收盘价作为碳市场的代表。本文以2020年1月1日—2024年8月20日原油期货（CRUDE）、动力煤期货（COAL）、广东碳排放权（GDEA）及湖北碳排放权（HBEA）收盘价的日度数据为样本数据。上述数据来自choice，剔除了时间不一致的数据和空值，最终得到1061组有效数据。随后，本文对价格数据进行对数处理，得到收益率序列。
4 实证分析
4.1 描述性统计分析
表1展示了碳市场与能源市场的描述性统计结果。从均值来看，原油期货收益率的均值最小；从标准差来看，广东碳排放权收益率波动程度最小，原油期货的收益率序列波动程度最大；根据JB检验结果可知，四组数据均呈现非正态分布的特点；从偏度和峰度可知，所有的序列都具有尖峰厚尾的特征。
为了避免“伪回归”问题的出现，确保文中经济变量的平稳性，本文对各个变量的平稳性进行检验。4组变量均拒绝存在单位根的原假设，因此数据可用于TVP-VAR-DY模型。
4.2 最优滞后阶数
为了构建TVP-VAR-DY模型，本文需要利用VAR模型来确定最优滞后阶数，结果如表2所示，根据AIC准则确定最优滞后阶数为1阶。此外，本文验证了该VAR模型的稳定性，确认其所有特征值均落在单位圆内。
4.3 碳市场和能源市场静态溢出效应分析
表3是碳市场与能源市场之间静态溢出效应的具体结果。整体来看，系统总溢出指数为5%，说明除了四个市场本身之外，系统中还存在着来自其他市场5%的风险溢出。具体来看，广东碳试点市场、湖北碳试点市场及煤炭市场是风险净溢出者，原油市场是溢出净接收者，其中煤炭市场对其他市场的溢出和煤炭市场接收来自其他市场的风险溢出都是最小的，说明煤炭市场的波动对系统中其他市场的影响较弱。
4.4 碳市场和能源市场动态溢出效应分析
4.4.1 碳市场和能源市场的动态总溢出分析
静态溢出指数分析只能描述样本期内各个变量溢出的平均水平，为了研究特殊事件影响下碳市场和能源市场之间的时变溢出效应，本文需要进一步研究各市场之间的动态溢出指数。
由图1可以得出三点结论：第一，在样本期内，动态总溢出指数波动范围介于2%～5%，而在发生金融风险事件的时间段内，总溢出指数波动剧烈，最高达到17%左右。这说明发生金融风险时，溢出程度会显著加深，某个市场的波动会间接或直接引起其他市场的波动。第二，动态总溢出指数在2020年3月到达最高峰值，主要是因为新冠疫情的爆发影响了投资者的情绪和预期，投资者重新进行了资源配置，金融市场发生波动，风险溢出增加，随后动态总溢出指数逐渐下降至平稳状态。第三，2022年2月俄乌冲突时期，动态总溢出指数波动明显，相比之下，巴以冲突的爆发对碳市场和能源市场之间的溢出程度影响较弱，可能是由于冲突区域主要集中在中东地区，对中国市场的影响较小。总而言之，金融事件的冲击会增强市场之间的溢出效应；新冠疫情与俄乌冲突等危机会导致市场的不确定性增加。
4.4.2 碳市场和能源市场的净方向性溢出分析
图2显示了碳市场和能源市场之间净方向性溢出结果。广东和湖北碳排放权市场的净溢出指数表现出了正负来回波动的现象，说明碳市场的溢出效应随着时间的变化展现出多样的可能。相较煤炭市场，原油市场溢出波动效应更为剧烈，主要原因是原油的金融属性更强，容易受到全球性事件的影响。
4.4.3 碳市场和能源市场的成对方向性溢出分析
图3展示了碳市场与能源市场的成对方向性溢出关系。首先，由图3可以观察到，原油市场和广东碳试点市场之间存在较强的溢出效应，可能反映了我国能源市场与碳市场之间的紧密联系，进而暗示了能源市场在推动“减排降碳”政策实施方面可能发挥的潜在作用。其次，值得注意的是，相较湖北碳试点市场，广东碳试点市场在波动溢出方面表现出更高的显著性。最后，本文发现，煤炭市场对碳市场和原油市场的溢出效应都较弱，说明煤炭市场在一定程度上保持了其相对独立的运行特征。
5 结论与建议
5.1 结论
本文选取2020年1月1日—2024年8月20日广东、湖北碳排放权交易市场、原油期货市场和煤炭市场的日度数据，对碳市场和能源市场之间的溢出效应进行实证分析，主要研究结论如下：
第一，碳市场和能源市场之间存在着显著的波动溢出效应。相较湖北碳排放权交易市场，广东碳排放权交易市场更容易受到其他市场的溢出影响。此外，广东碳市场与原油市场之间的溢出效应最强，而煤炭市场与其他市场之间的溢出效应较弱，煤炭市场相对独立。
第二，金融事件的冲击会加剧市场间的风险溢出，这种溢出呈现出时变特征。其中，新冠疫情、俄乌冲突等事件对中国市场间的风险溢出影响显著，而巴以冲突事件对中国金融市场没有显著影响。
第三，新冠疫情期间，原油市场溢出指数急剧上升，原因是新冠疫情导致中国经济受到冲击，疫情期间工业活动受到限制，原油需求随之下降，进而导致原油价格下跌。市场风险加剧。
5.2 建议
根据上述结论，本文提出以下建议：
（1）对管理当局的建议。为了推动中国碳市场的稳定发展，管理当局应完善碳市场风险监管系统和预警系统，制定符合中国国情的碳市场交易政策，旨在提高市场活跃度的同时，有效抵御极端风险事件的冲击。
（2）对绿色投资者的建议。投资者的非理性行为会加剧市场之间风险的传递，因此，绿色投资者在面对风险时应保持理性决策，同时需提高对市场风险传递的防范意识。
（3）对组合投资者的建议。投资者不仅需要密切关注碳市场和能源市场的波动情况，及时识别各类市场风险，还应考虑分散投资，选择多种资产进行资源配置，构建多元化投资组合，以降低投资风险。
参考文献
张秋莉，杨超，门明.国际碳市场与能源市场动态相依关系研究与启示： 基于DCC-MVGARCH模型[J].经济评论，2012（5）： 112-122+160.
Ma Z， Yan Y， Wu R， et al. Research on the correlation between WTI crude oil futures price and European carbon futures price[J]. Frontiers in Energy Research， 2021， 9： 735665.
Zhang S， Ji H， Tian M， et al. High-dimensional nonlinear dependence and risk spillovers analysis between Chinas carbon market and its major influence factors[J]. Annals of Operations Research， 2022： 31-30.
Li H， Zhou D， Hu J， et al. Dynamic linkages among oil price， green bond， carbon market and low-carbon footprint company stock price： Evidence from the TVP-VAR model[J]. Energy Reports， 2022， 8： 11249-11258.
Liu Y， Lu J， Shi F. Spillover relationship between different oil shocks and high- and low-carbon assets： An analysis based on time-frequency spillover effects[J]. Finance Research Letters， 2023， 58.
Wang R， Zhao X， Wu K， et al. Examination of the transmission mechanism of energy prices influencing carbon prices： an analysis of mediating effects based on demand heterogeneity[J]. Environmental Science and Pollution Research， 2023， 30（21）： 59567-59578.
Wu R， Qin Z. Assessing the extreme risk spillovers to carbon markets from energy markets： evidence from China[J]. Environmental Science and Pollution Research， 2023， 30（13）： 37894-37911.
Wang K， Wang Z， Yunis M， et al. Spillovers and connectedness among climate policy uncertainty， energy， green bond and carbon markets： A global perspective[J]. Energy Economics， 2023，128.
Wu X， Jiang Z. Time-varying asymmetric volatility spillovers among Chinas carbon markets， new energy market and stock market under the shocks of major events[J]. Energy Economics， 2023， 126.
Duan K， Liu Y， Yan C， et al. Differences in carbon risk spillovers with green versus traditional assets： Evidence from a full distributional analysis[J]. Energy Economics， 2023， 127： 107049.
Diebold F X， Yilmaz K. On the network topology of variance decompositions： Measuring the connectedness of financial firms[J]. Journal of Econometrics， 2014： 119-134.
Antonakakis N， Gabauer D， Gupta R， et al. Dynamic connectedness of uncertainty across developed economies： A time-varying approach[J]. Economics Letters， 2018： 16663-75.
