论文部分内容阅读
摘 要：《京都议定书》的生效促使各国建立碳排放权交易市场，本文基于国内外已有的实践和研究，运用深圳碳排放权交易所的碳排放权价格数据，分析能源价格、宏观经济、气候和国外碳排放权价格对国内碳排放权交易价格的影响。结果表明，国内碳排放权的交易价格受煤炭价格的影响最为显著，空气质量指数也是重要影响因素之一，工业指数和EU ETS市场CER期货的价格也存在着正向引导的作用，但系数较小；误差修正模型结果表明，国内碳排放权交易价格存在“反向修正”机制，但其修正速度较慢。此外，本文通过ARMA-GARCH模型对国内碳排放权价格收益率的波动性特征进行分析，发现收益率存在明显自相关过程和条件异方差效应，并且与其二阶滞后项的联系最为密切。
关键词：碳排放权； 交易价格； 收益率波动
中图分类号：F830 文献标识码：A 文章编号：1674-2265（2016）01-0016-10
自西方国家工业革命以来，全球经济发展迅猛，对化石燃料的需求也不断增长，进而导致温室气体的排放量（也称碳排放量）与日俱增，全球变暖等气候问题逐渐受到世界各国的重视。为了抑制气候问题的进一步恶化和保证全球经济的可持续发展，西方国家开启了全球范围内的减排计划，《联合国气候变化公约》和《京都议定书》分别于1992年和1997年正式通过，对发达国家和发展中国家规定“共同但有区别”的减排责任。发达国家在减排目标的约束下，实施了一系列促进减排的政策和法案，并建立能提供碳排放权交易的市场，这些措施有效控制了发达国家的碳排放量，保障减排计划的顺利进行。
全球碳排放权交易市场自建立以来，经历了迅速的发展。《京都议定书》作为全球强制性碳减排的最有力制度标准，规定了附录Ⅰ的37个工业化发达国家所承担的减排责任。为了履行减排承诺，各国陆续建立碳排放权交易市场①，其中欧盟排放交易体系（EU ETS②）从2005年正式运营，无论是市场价值还是成交量，都远超其他发达国家的交易体系，成为全球碳排放权交易市场的领跑者③。发展中国家，特别是未包含在附录Ⅰ内的国家，虽然暂时不必承担强制性的减排任务，但很多也通过清洁发展机制（CDM）参与到全球减排计划中去（《京都议定书》一共引进了三种履约机制来帮助各国降低减排的成本，其中CDM是附录Ⅰ国家和非附录Ⅰ国家能够联合开展碳减排项目的唯一机制）。
我国作为最大的碳排放国，同时也是最具减排潜力的发展中国家，一直以积极负责的态度推进CDM项目的实施，成为CER④（碳排放核证减排量）市场最大的卖家。实际上，碳排放的买方（《京都议定书》附录Ⅰ国家，特别是欧盟国家）借助自身先进成熟的交易机制和市场，在全球碳排放权交易市场中掌握定价权，而以我国为代表的卖方则处于信息劣势地位，缺乏定价权。特别是2012年后，CER价格多在低位徘徊，卖方被迫低价出售CER的情况时有出现，以致无法获得合理的收益（邹亚生和魏薇，2013）。
为了争取碳排放的定价权，并且为了应对日后可能对发展中国家的强制性减排责任，我国“十二五”规划纲要明确要建立碳排放交易市场。自2013年6月份以来，深圳、上海、北京、天津和广州五个城市陆续建立碳排放权交易所，并形成一定的规模。本文对国内碳排放的交易价格及其风险进行研究，发现其市场规律和运行特征，认识并规避有关的投资风险，对于我国掌握合理的定价机制，在国际碳排放权市场占有一定地位具有重要意义。
一、文献综述
国外学者对于碳排放的研究相对较早，主要集中在碳排放权交易价格决定的理论、碳排放权价格决定的实证、碳排放权价格收益率的波动和溢出效应等三个方面。
碳排放权价格的理论研究开展得比较早，在《京都议定书》的背景下，在碳排放权市场正式投入运营之前，国外学者开始研究不同的理论交易体系对于国际减排目标的达成及其减排成本的影响。这类文献大多先研究国际碳排放交易对于实现国际减排的作用，然后通过模型分析碳排放交易体系是否应该存在、在碳减排交易体系下的边际减排成本及其对宏观经济和相关行业的影响。研究认为，存在碳排放交易体系的减排成本会低于不存在时的交易成本，且交易主体从碳排放交易体系中获利的潜力巨大。克里斯琴森等（Christiansen等，2005）根据需求和供给基础进行理论分析，并筛选出以下因素作为EU ETS的碳排放权价格：政策和监管、市场基础（包括排放—配额比例，电力厂商在不同化石能源间的转换行为、天气和产量）。
随着碳排放权市场开始运营，特别是EU ETS正式运作以来，国外学者对碳排放权交易价格的实证研究也逐渐增多，主要集中于以下两方面：
首先，研究EUA价格的影响因素，包括能源、天气、制度、宏观经济和金融市场。巴塔列尔（Bataller，2007）和阿尔贝罗拉（Alberola等，2008）是最早对能源市场和碳排放权价格的关系进行计量分析的国外学者之一。在阶段一EUA现货和期货数据的基础上，前者发现EUA价格和化石能源（石油、天然气和煤炭）使用之间存在一定关联。后者使用阶段二拓展后的數据，强调能源和碳排放权价格之间的关系依赖于不同的阶段，且最主要的影响是制度性事件。邦恩和费齐（Bunn和Fezzi，2009）使用英国电力、天然气和碳排放权价格，通过构造一个结构性的VEC模型，推导碳排放权价格传导电力价格的动态途径，进一步证明三者的相互作用。德拉鲁等（Delarue等，2008）对电力厂商在不同化石能源间的转换行为对碳排放权价格的影响进行了研究。此外，在天气与碳排放权价格的研究上，巴塔列尔（2007）、阿尔贝罗拉等（2008）和欣特曼（Hintermann，2010）的研究都表明，碳排放权价格受到未预期的气候波动的影响，包括气温、降水量和风速。阿尔贝罗拉等（2008）发现，剔除季节因素后极端（特别是未预期到的）气温变化对碳排放权价格有显著的影响。
其次，由于EU ETS是一个人为建立的强制性市场，其制度受到各方谈判势力和政治事件的影响。阿尔贝罗拉等（2008）的研究表明，EUA现货价格不仅和能源价格有关，与未预期到的温度变化有关，并且受到政治和市场事件的影响。达斯卡拉基斯等（Daskalakis等，2009）发现，在EU ETS禁止配额存储和借入的不同阶段，碳排放配额的储存和借贷对于EUA期货价格有着显著的影响，并为阶段内和跨阶段的EUA期货和期权提出定价和套期保值的理论框架。阿尔贝罗拉和谢瓦利尔（Alberola和Chevallier，2009）认为，欧盟委员会禁止配额存储和借入的原因在于不想把“试验期”阶段不完善的市场交易体系延续到下一个阶段。 同时，国外学者也研究了碳排放权市场和宏观经济及金融市场之间的关系。由于工业产出增加，相关的二氧化碳排放量就会增加，因此会有更多的企业购买碳排放权，以抵消其自身的排放。阿尔贝罗拉（2008）在阶段一EU ETS内工业部门产出变化的基础上，对产出和环境条件对碳排放权的影响进行实证，结果表明经济活动的波动是四个国家（德国、西班牙、波兰、英国）的燃烧、造纸和钢铁部门碳排放权价格收益的关键因素。奥本多夫（Oberndorfer，2009）从股票市场角度进行研究，发现碳排放权价格变化和大部分欧洲电力公司的股票收益率有着正向的关系，但会随着国家和时间变化。谢瓦利尔（2009）对碳排放权市场和股票及债券市场的关系提供更全面的处理，通过估计多个不同的波动模型，发现EUA期货的收益率能在股息和垃圾债券溢价的基础上得到预测，宏观经济活动对碳排放权市场的影响通常一阶滞后，因为这个市场有着特定的制度约束。
由于市场上EUA和CER之间存在着差价，因此金融和工业部门能够从买入CER卖出EUA中套利，巴塔列尔等（2011）发现这个差价主要由EUA价格和市场微观结构决定，其次是与排放相关的基础变量。库普和托莱（Koop和Tole，2013）通过允许参数随时间变化的时间序列模型研究，表明EUA期货价格对于CER价格有决定性作用，且这个随时间变化的参数与宏观经济事件相关。纳齐夫（Nazifi，2013）同样通过变参数分析，发现市场缺乏竞争性、对获取CER的约束、对EUA和CER监管的改变以及CER的不确定性才能解释两者的差价。
奥本多夫（2009）发现EUA价格变化和电力股票收益之间存在着关联。谢瓦利尔（2011）通过115个指标的463个日数据，采用Factor-Augmented VAR模型，发现CER期货价格通常会比EUA现货和期货价格对外生性变量更加显著。里特勒（Rittler，2012）运用GARCH模型，发现EUA期货市场会首先捕捉到新信息，然后价格波动会逐渐从EUA期货市场转移到现货市场。库普和托莱（2013）通过格兰杰因果关系检验却发现CER、EUA现货和期货价格三者两两之间不存在波动溢出效应，因为在有效的金融市场中可以找到完美替代的资产。
由于国内碳排放权的交易市场刚建立不久，国内学者对国内碳排放权市场交易价格的实证研究较少。在碳排放权价格影响因素的研究上，邹亚生和魏薇（2013）通过建立VAR和VEC模型发现，CER现货价格会受到宏观经济指标（工业生产指数）和气候指标（地表月均温度差异值）的正向影响，而且受到其期货价格的影响也较为显著。陈晓红和王陟昀（2013）从供给、需求和市场三方面进行理论分析，认为受政策和制度配额供给是EUA价格的最重要影响因素，并且能源价格也是影响因素，而气温、降水等天气因素的作用不明显。戚婷婷和鲁炜（2009）使用公共因子模型，发现CER现货价格和期货价格之间存在长期均衡关系，且期货市场的价格发现功能较强。而洪涓和陈静（2010）认为CER期货价格主要受现货价格引导，价格发现功能没有体现。黄明晧等（2010）对CER期货市场的价格发现和套期保值功能进行实证，结果表明CER期货市场短期具有较好的价格发现功能，但长期价格发现功能不明显。此外，在研究碳排放权价格波动和溢出效应上，张跃军和魏一鸣（2010）采用状态空间模型和VAR模型，发现油价冲击是碳排放权价格波动的最主要影响因素，其次是天然气和煤炭，但天然气的持续时间最长。郭辉等（2012）通过BEKK-GARCH模型发现，尽管EUA和CER期货价格在短期内存在互相引导的关系，但EUA对CER期货价格具有主导拉动作用，且EUA期货市场的“坏消息”对CER期货市场有着明显的冲击作用。
目前国内学者对国内碳排放权市场的实证研究刚刚起步，缺少直接以国内碳排放权市场为研究对象的研究，本文将在已有研究的基础上，选取更贴合我国碳排放实际的因素，采用VAR和VEC模型，探究国内碳排放权价格与能源、宏观经济、CER期货价格、气候的关系，并进一步探究国内碳排放权收益率的波动特征。
二、我国碳排放权交易价格形成的实证检验
基于现有研究，本文除了引入能源价格、宏观经济、气候这三个因素外，考虑到随着国内碳排放权市场的建成，国内碳排放权价格会与国际接轨，并与国际碳排放权市场（特别是EU ETS）有所关联，因此，本文还引入与我国减排关系最密切的EU ETS市场中CER期货作为国外碳排放权价格的影响因素，探究国内碳排放权价格是否会受国外CER期货价格的影响。综上，本文采用碳排放权价格、能源價格、宏观经济、气候因素、国外碳排放权价格等五类数据。
国内首家碳排放权交易所2013年6月18日于深圳成立，并进行碳排放的交易。考虑到深圳碳排放权交易所在国内五大交易所中的交易时间最长⑤、累计交易额和成交量最大，其交易价格最有代表性、交易制度最成熟，故选取深圳碳排放权交易所的交易价格作为国内碳排放的交易价格。为了保证数据的连续性，本文选取2013年8月5日至2014年3月17日的135个日交易数据，交易价格为当天交易的平均价格⑥。数据来源于深圳碳排放权交易所和ideacarbon网站。
对化石能源的需求不仅取决于其绝对价格和相对价格，且从含碳量高的能源到含碳量低的能源的边际转换成本也构成碳排放权价格的重要因素（谢瓦利尔，2011）。如果一种含碳量高的化石能源（例如煤炭）的价格上涨会引起含碳量低的化石能源（例如石油和天然气）需求上升，更多地使用含碳量低的化石能源将会使碳排放量相对之前有所回落，从而将会使得碳排放需求和价格回落。我国是能源消耗大国，也是碳排放大国，分别居世界第二和第一。国外学者在选取化石能源的时候通常选取石油和天然气（邦恩等）。在我国的能源消耗构成中，消耗量最大的能源是煤炭，其次才是石油和天然气，而在这三种化石能源当中，煤炭是含碳量最高、污染最大的能源。因此，为了更切合我国能源消耗的实际，本文选择煤炭价格作为能源价格的指标。 我国已建有多个煤炭期货交易的市场，如郑州商品交易所的动力煤期货和大连商品交易所的焦炭期货；此外也建立了煤炭价格指数，以便能更全面地反映我国整体煤炭价格的变动趋势，如中国煤炭价格指数、环渤海动力煤价格指数和中国太原煤炭交易价格指数，但以上这些数据的发布周期约为每周一次，不能满足本文要求。因此考虑到数据的丰富性和可得性，本文选取卓越资讯⑦上公布的煤炭价格指数的日数据作为国内能源价格的指标。
对碳排放权有需求的部门通常都是工业部门，特别是能源、钢铁、发电等能耗较大的行业。理论上如果宏观经济发展越景气，工业部门的碳排放量也会越大，因此对碳排放权的需求也就会越大。由于深圳碳排放权交易所的交易会员⑧基本上都是制造或能源企业，因此本文选取中证行业指数中的工业指数⑨的日数据对我国宏观经济，特别是对工业部门的衡量，数据来源于万得数据库。虽然宏观工业指数的上涨或下跌不能反映碳排放权交易所交易会员企业自身的实际情况，但是由于其上下游企业可能会广泛地分布于全国各个地区和主要的制造行业，因此工业指数可以通过这些上下游的企业最终影响到交易会员企业自身对碳排放权的购买或出售决策，因此，选取工业指数作为碳排放权价格的影响因素之一是合理的。
研究表明，气候指标特别是异常、未预期到的温度变化会大幅度提高碳排放权的价格，因为未预期的极端冷热天气都会使得电力和化石能源的消耗暴增，从而使得与之相关的企业对碳排放权的需求突然增长，从而拉高碳排放权的价格。虽然这样的分析逻辑有一定的合理性，但这只代表一种间接的影响，本文期望能找到一种气候指标，以便直接反映碳排放量多少，空气质量指数是可以选择的指标。我国碳排放权交易的兴起与近几年日益严重的空气污染，特别是PM 2.5和雾霾有关。空气污染最直观的来源是汽车尾气，各个能耗大的工业企业排放的工业废气，也有农村城镇化过程中的麦秆焚烧，我国居民烹饪方式导致的油烟排放等。空气污染程度可以作为碳排放量的较为直接的指标，即空气质量越差一定程度代表着工业废气、温室气体或等价的二氧化碳排放量的增长，因此能够预期相关企业对碳排放权的需求增加。因此，本文选择国家环境监测中心每天发布的空气质量指数AQI，AQI数值越高，表示空气质量越差。AQI一共包括六个子指标，即PM2.5、PM10、二氧化硫、二氧化氮、臭氧和一氧化碳，虽然并不直接包括二氧化碳浓度，但是由于排放气体中的有害气體部分只占很小一部分，更多的是二氧化碳，因此，选取AQI比较合适。为了更有代表性，本文选取国内五个碳排放权交易所所在城市每天AQI的平均值，作为对气候指标的衡量。
在考虑国内因素影响的同时，本文还考虑与我国碳排放权价格相关的国外CER期货价格。由于国内外碳排放权属于同质商品（均为1吨二氧化碳的排放权），我国碳排放权市场尚不成熟，很多时候国内碳排放权价格会追随国外的价格。同时，预期在套利机制下，EU ETS中CER期货价格上升引起国内市场碳排放权价格的上升，反之亦然。本文所使用的国外CER期货价格数据来源于洲际交易所网站，并按照当天汇率转换成人民币为单位。
虽然影响碳排放权价格的因素众多，包括世界碳排放总量和我国碳排放容量等因素，都可能对碳排放权的价格造成影响，但由于受到数据可获得性的限制，本文主要选取影响碳排放权价格的煤炭价格指数、工业指数、空气质量指数和EU ETS中CER期货价格等指标的数据，各指标的数据来源见表1。
表1：指标选取及数据来源
[＼&指标＼&数据来源＼&单位＼&时间跨度＼&国内碳排放权价格＼&深圳碳排放权交易价格＼&深圳碳排放权交易所和ideacarbon＼&元＼&2013年8月5日—
2014年3月17日＼&能源价格数据＼&煤炭价格指数＼&卓越资讯＼&-＼&宏观经济＼&中证行业指数的工业指数＼&万得数据库＼&-＼&气候＼&空气质量指数＼&国家环境监测中心＼&-＼&国外碳排放权价格＼&EU ETS中CER期货价格＼&洲际交易所＼&元＼&]
本文采用恩格尔和格兰杰（Engle和Granger，1987）建立的基于向量自回归（VAR）的向量误差修正（VEC）模型对国内碳排放权价格的影响因素进行实证分析，该模型可以从长期和短期两个方面刻画变量之间的动态关系。在建立VEC模型之前，需要对变量间是否存在协整关系进行检验，本文建立如下协整方程。
[pt=c+αCoalt+βIndt+γAQIt+δCERt+εt] （1）
其中，[pt]为国内碳排放权交易价格，[Coalt]为煤炭价格指数，[Indt]为工业指数，[AQIt]为空气质量指数，[CERt]为EU ETS市场上CER期货价格，且所有变量都已经进行对数处理，[εt]为随机扰动项，服从N（0，1）分布。
如果变量都为同阶单整且存在协整关系，则可以相对应地建立如（2）式的VEC模型，其中[ecm-1]是（1）式中的一阶滞后残差项，也是误差修正项，其系数如果显著为负数，则表明误差修正是一个负反馈过程，当某一时刻的短期值偏离了其长期均衡时，其将使下一期的短期值向长期均衡值回归，因而此系数反映从短期到长期的回复速度，数值的绝对值越大，从短期受冲击后的状态回到均衡状态的调整速度也就越快。
[Δpt=ω0+ω1ecm-1+1pω3iΔpt-i0pω4iΔCoalt-i+0pω5iΔIndt-i+0pω6iΔAQIt-i+0pω7iΔCERt-i+μi]
（2）
在进行协整检验之前，先对变量进行平稳性检验，本文对所选数据进行ADF检验。由于各个变量的数值都属于价格类或气候指标类变量，预期并不存在明显的时间趋势效应，即不会随着时间的变化而增长或减少，故本文在进行ADF检验时未加入时间趋势项，结果如表2所示，所有的变量都为一阶单整，即可以进行协整检验。
表2：平稳性检验 [＼&原序列＼&一阶差分序列＼&结论＼&ADF统计量＼&P值＼&ADF统计量＼&P值＼&[pt]＼&-0.4722＼&0.8155＼&-10.8731＼&0.0000＼&I（1）＼&[Coalt]＼&-0.862＼&0.8048＼&-1.9524＼&0.0490＼&I（1）＼&[Indt]＼&-2.225＼&0.1973＼&-10.0110＼&0.0000＼&I（1）＼&[AQIt]＼&0.0016＼&0.6814＼&-9.7873＼&0.0000＼&I（1）＼&[CERt]＼&-1.2710＼&0.8970＼&-11.1750＼&0.0000＼&I（1）＼&]
在进行协整检验之前需要先对最优滞后阶数进行确定，本文选择SC和HQ准则确定滞后阶数，最优滞后阶数为2。由于本文的变量多于两个，故运用Johansen进行协整检验，协整检验结果如表3所示。
表3：协整检验结果
[原假设中协整方程的数量＼&Eigen值＼&最大Eigen
统计量＼&5%的临界值＼&P值＼&无 *＼& 0.255751＼& 38.69474＼& 34.80587＼& 0.0163＼&最多1个＼& 0.138972＼& 19.60128＼& 28.58808＼& 0.4433＼&最多2个＼& 0.088922＼& 12.19961＼& 22.29962＼& 0.6352＼&最多3个＼& 0.065207＼& 8.833302＼& 15.89210＼& 0.4519＼&最多4个＼& 0.017471＼& 2.308902＼& 9.164546＼& 0.7158＼&]
注：* 表示在5%的置信水平下拒绝原假设。
由表3看出，在5%的显著性水平下拒绝原假设，说明5个变量之间存在长期均衡关系，标准化的协整方程为：
[p=-4.79Coal+1.13Ind+2.45AQI+0.89CER-7.13]
（3.38532）（2.24606）（0.36316）（0.31073）（26.4705）
（3）
从上式看出，煤炭价格对碳排放权价格的影响最大，系数为-4.79，系数为负数可能有以下两方面的原因：一是煤炭价格升高导致煤炭的需求量下降并使碳排放量的需求和价格回落；二是煤炭價格升高会出现替代效应，即使天然气和石油的需求增加，由于天然气和石油的含碳量均小于煤炭，也使得实际的碳排放量降低；空气质量指数对于碳排放权价格的弹性为2.45，仅次于能源价格，即AQI上升1%（也代表空气质量下降1%），对碳排放权的需求会增加，使得其价格升高2.45%，说明当今社会上对空气质量问题的关注和政府控制空气质量的决心很强，对企业减排的要求也愈加强烈。
其次，工业指数的系数为1.13，表明宏观经济的增长将带动碳排放权价格的上涨，也说明我国工业生产时能耗较高，会产生较多的二氧化碳，从而增加对碳排放权的需求；但其影响程度并不如能源价格和[AQI]，这可能和本文选取的研究对象有关，因为深圳碳排放权交易所的交易会员企业大多为深圳本地的制造和能源企业，用整体工业部门的表现来衡量这些企业的情况有些夸大。
再次，EU ETS市场上的CER期货价格的影响力度最小，仅为0.89。这可以从两方面解释：一是国内碳排放权市场刚成立不久，很多交易制度还不完善，还不是一个有效市场，对国外投资者也存在一定的限制，因此国外CER期货价格的升降不能反映到国内碳排放权价格上。二是国内碳排放权市场是基于配额的市场，而CER属于CDM机制，是基于项目的市场，所属的市场结构不同使得两者之间价格关联受到约束。由此，国内的碳排放权市场并没有脱离能源、气候问题，也没有独立于实体经济，与国外的碳排放权价格也有一定的联系。
进一步地，本文采用（4）式的向量误差修正模型实证检验碳排放权价格的影响因素。
[Δpi=0.009-0.41ecm-1-0.624Δpi-1-0.304Δpi-2+6.523ΔCoalt-1-6.906ΔCoali-2-1.491ΔIndt-1+0.217ΔIndt-2-0.054ΔAQIt-1-0.78ΔAQIt-2+0.111ΔCERt-1-0.252ΔCERt-2] （4）
F-statistic = 5.983， R-squared = 0.354
AIC = -19.29909， SC = -17.96688
（4）式中，[ecm-1]系数为-0.41，说明存在反向修正机制，能够抑制短期内的波动，即前一期的非均衡误差以0.41的比率对本期国内碳排放权价格进行修正，使其向均衡价格回复，但其系数较小，说明熨平波动的速度较慢，周期较长，效果并不明显。这可能是由于我国碳排放权交易市场制度还不完善，其他市场的信息无法迅速有效地传导到碳排放权价格。
最后，本文采用脉冲响应分析煤炭价格、工业指数、AQI和国外CER期货价格与国内碳排放权价格间的动态关系，它表示来自随机扰动项的外生的一个标准差冲击对内生变量当前和未来取值的影响，结果如图1所示。图1显示，煤炭价格、工业指数、AQI和国外CER期货价格的冲击都有着显著的响应，在第一期各个变量的响应均不是很明显，但在第二期之后，煤炭价格一个标准差的正向冲击的反应迅速上升到0.2以上，对工业指数负向冲击的反应也迅速下降到-0.2以下，其余变量的冲击仍较小，在第三期煤炭价格的响应大幅回落，到-0.1以下，之后各个变量则开始向零轴收敛。因此，各个变量对国内碳排放权价格有一定的先行指示作用，可作为国内碳排放权价格走势的参考指标。
[LNCOAL][LNCER][LNIMD][LNAQI] [图1：脉冲响应分析图]
三、我国碳排放权收益率波动性的实证 本文继续对碳排放权价格收益率的波动性进行分析，考虑到碳排放权的收益率本身可能存在序列相关，因此，本文采用ARMA-GARCH模型描述收益率及其波动性的时序变化，其中ARMA（自回归移动平均过程）部分用来衡量收益率的均值及其动态变化过程，GARCH（广义自回归条件异方差模型）部分用来衡量收益率的时序波动情况。本文首先确定ARMA部分的具体形式，即AR（自回归过程）和MA（移动平均过程）的滞后阶数。
一般来说，如果收益率[gt]是一个平稳序列，那么ARMA（p，q）的形式如（5）式，其中p、q分别为AR和MA的滞后阶数，[μt]为误差项。ARMA（p，q）模型用来描述资产（如股票、债券等）收益率的经济学意义在于它表明了当期的收益率[gt]不仅和t期之前的实际收益率相关，并且和之前的实际收益率与预期收益率的误差有关，并且投资者可以进一步地运用ARMA（p，q）模型对收益率进行预测。
[gt=c+α1gt-1+α2gt-2+…+αpgt-p+β1μt-1+β2μt-2+…+βqμt-q+μt] （5）
本文计算碳排放权价格的收益率，并对其做单位根检验，结果表明其为平稳序列。然后通过收益率的AC图和PAC图发现，虽然在滞后一阶时并不存在明显的序列相关，但其滞后两阶却存在明显序列相关，因此从图像可以初步判断收益率存在一定程度的自相关，可以用ARMA（p，q）模型进行分析。
由于在我国碳排放权属于新兴商品，没有任何先验条件表明如何对ARMA（p，q）模型的滞后阶数进行取值。因此，本文分别对p=0、1、2、3、4、5和q=0、1、2、3的ARMA（p，q）⑩模型进行估计，并从中筛选最适合的滞后阶数，其中部分结果如表4所示。根据表4估计系数的显著性及相应的信息准则，为了能够更好地比较，本文再单独对AR（02）和MA（02）?进行估计，相应的结果也列示在表4中，其中L.AR、L2.AR、L3.AR分别表示收益率AR过程的一阶滞后项、二阶滞后项、三阶滞后项，其他变量名称的含义同理。
表4的结果表明，所有模型都存在系数在1%置信水平下显著的变量，说明收益率确实存在ARMA过程，且所有模型中AIC和BIC数值最小的模型均为AR（02），因此本文选取AR（02）作为ARMA部分的模型，说明碳排放权收益率与其二阶滞后项存在明显的相关性。这一方面表明碳排放权收益率动态走势存在一定的时滞效应，当期受滞后两期的影响最为显著，而不能很好地反映滞后一期的信息；另一方面，也体现当前国内碳排放权交易市场交易制度不完善，进入市场进行交易的会员资格受到限制，导致交易量不稳定和流动性较差。
根据ARMA部分的AR（02）模型进行GARCH估计，存在GARCH效应的收益率图形的最大特点是存在“波动率聚集”现象，即在通常情况下一个大的波动会倾向于紧接着另一个大的波动，一个小的波动会倾向于紧接着一个小的波动（鲁伊，2012），图2所示的碳排放权收益率序列也体现这样的“波动性集聚”效应，故初步判断存在ARCH效应，即存在自回归条件异方差效应。
图2：碳排放权收益率序列
具体来判别是否存在ARCH效应的方法是：对AR（02）回归结果的残差项进行ARCH-LM检验，结果表明除了在一阶滞后的条件下ARCH效应不明显，其余的滞后项均存在着明显的ARCH效應，因此构建GARCH模型是适合的。
基于AR（02），本文构建的GARCH（r，m）模型的均值形式如式（6）、（7）、（8）：
[gt=c1+gt-2+μt] （6）
[μt=σtεt] （7）
[σ2t=c2+ρ1μ2t-1+ρ2t-2+…+ρ2μ2t-r+θ1σ2t-1+θ2σ2t-2+…+θmσ2t-m]（8）
其中[εt]是均值为0、方差为1的独立同分布随机变量序列，而且各个系数需要符合以下条件：[c2>0]、 [ρi≥0]、[θi≥0]、[i=1max（r，m）（ρi+θi）<1]。在选择GARCH（r，m）模型滞后阶数方面，鲁伊（2012）认为在实际应用当中，只需要考虑几阶的GARCH模型，如GARCH（1，1）、GARCH（1，2）、GARCH（2，1）、GARCH（2，2）等。本文分别对r=0、1、2、3、4、5和m=0、1、2、3的GARCH（r，m）?模型进行估计，并根据各个系数的条件从中筛选最适合的滞后阶数，其中部分结果如表5所示。此外，根据表5估计系数的显著性及相应的信息准则，本文再单独对GARCH（02，02）、GARCH（2，02）和ARCH（02）?进行估计，相应的结果也列示在表5中。根据以上的条件和模型中各个变量的显著性和相应的信息准则最小化原则筛选出模型（1），即GARCH（02，02）模型作为GARCH部分的估计结果。
因此，基于以上分析结果，ARMA-GARCH模型的估计结果为：
[gt=0.00494+0.335gt-2+ut] （9）
[σ2t=0.00167+0.346μ2t-2+0.646σ2t-2+εt] （10）
其中（9）式为均值方程，（10）式为方差方程。均值方程AR（2）表明碳排放权收益率与其二阶滞后项存在着显著的相关性，其弹性为0.335，且和单独估计ARMA模型时的系数0.331差别不大，说明结果具有稳健性。收益率的均值虽然为正的0.00494，但并不显著异于0，说明如今碳排放权交易市场价格相对还比较稳定，不存在过度的高收益，同时也表明碳排放权交易市场的交易并不是非常频繁，投资者并不会过分青睐于此市场；这可能和如今碳排放权市场的交易制度有关系，因为碳排放权的交易现在还没有全面对金融机构和个人、企业投资者放开，更多的只是能耗大、污染大而且对碳排放权有实际需求的企业之间进行的交易，可能限制了社会资金涌入碳排放权市场。 方差方程表明碳排放权收益率存在着明显的“波动性集聚”现象，当期碳排放权收益率的波动会明显受到误差项的二阶滞后和波动的二阶滞后的影响，影响弹性分别为0.346和0.646，且二者相加小于1，说明收益率具有有限方差，属于弱平稳过程，而且波动最终会衰减。但由于二者相加十分接近于1（0.346+0.646=0.992），说明波动的持续时间会很长，其中当期波动冲击的64.6%会在下一期延续。均值方程和方差方程都显示收益率及其波动性与其二阶滞后项有明显的相关性，与其他滞后项的相关性较小，这可能和碳排放权市场的不成熟有关，以致当期碳排放权的收益率及其波动性不能反映其前一期及其他期的信息；由于现在市场的交易量和流动性都相对有限且不稳定因素较大，投资者在投资时都更为谨慎，对收益率的波动更为敏感，以致在波动性大的时候倾向于大幅度地调整自身的价格预期，使得“波动性集聚”现象得以存在。
四、结论与建议
本文研究国内碳排放权交易价格的影响因素，包括能源价格（煤炭价格）、宏观经济（工业指数）、气候（空气质量指数）和国外碳排放权价格（EU ETS市场CER期货的价格），结果表明变量之间存在着长期的均衡关系，其中煤炭价格对国内碳排放权价格影响幅度最大，说明如今国内碳排放权价格还是由能源价格特别是煤炭价格主导；其次是空气质量指数，说明企业对空气质量比较敏感，空气质量变差会使企业增加对碳排放权的需求，从而使价格上涨；再次，工业指数和EU ETS市场的CER期货价格对国内碳排放权价格也有着正向的引导作用，但其影响系数相对较小。VEC模型进一步表明，国内碳排放权交易价格存在着“反向修正”的功能，但其向均衡状态的回复速度较慢，这可能与现在我国的碳排放权交易市场制度不完善有关，因而其他市场的信息无法迅速有效地传导到碳排放权价格中。此外，本文对国内碳排放权的收益率进行波动效应分析，发现其收益率存在明显的条件异方差效应，即当期的条件方差会明显受到上一期信息的影响。
基于研究结果，本文认为对国内碳排放权交易市场的完善需要注意以下几个方面：
第一，掌握国内碳排放权价格与能源价格、宏观经济、气候和国外碳排放权价格的联系，利用影响因素的价格变动和自身收益率波动的特点，在合理的时候进行风险管理，降低损失的可能性，保障企业的合理利益。
第二，从国外碳排放权市场看，现阶段我国仍作为CER的卖方，应该重点关注CER价格变动对国内碳排放权交易价格的影响，积极借鉴自身和国外建设碳排放权交易市场的经验，以更积极的姿态参与国际的碳事务，争取在CER定价方面的主导权，提高我国企业在CER交易中的收入，从而降低国内外碳排放权价格的差异，降低套利的可能性。
第三，鉴于国际碳排放权期货市场已呈现良好的价格发现功能，我国可以借鉴其运行经验，选择成熟的时间，建立相应的期货市场，完善市场结构，为市场主体提供避险途径，稳定国内碳排放权价格和收益率的波动，避免可能出现的流动性过剩和过分投机的问题。
第四，虽然我国已初步建成五大碳排放权交易市场，并进行二级市场交易，但五大市场存在一定程度的市场分割，表现为碳排放权在不同市场之间的价格差异非常大。因此，为更好地发挥国内碳交易市场的作用，有必要整合五大市场，逐渐放开不同市场间的准入限制，使碳排放权可以在不同市场中自由流动，建立一个全国性的碳排放權交易中心。
注：
①附录Ⅰ国家建立的碳排放权交易市场均为配额市场。配额市场主要依照“限额—交易”（Cap-Trade）的原则，即监管者制定碳排放的总配额，以及对市场内每个成员制定排放上限，每个成员可以根据自身的减排能力和减排成本制定减排方案和分配自身的碳排放额度，并可以选择在二级市场上与其他成员进行碳排放的交易，而最终超出的部分则会受到相应的惩罚。国际上的配额市场主要包括：欧盟排放交易体系（EU ETS）、芝加哥气候交易所（CCX）、澳大利亚新南威尔士交易所（NSW）和英国排放交易体系（UK ETS）。
②EU ETS的减排单位为EUA ，1EUA等于1吨二氧化碳或等效其他温室气体的减排指标。市场上可以交易的产品主要是EUA期货、现货和期权。
③EU ETS的发展过程分为三个阶段：阶段一为2005—2007年，阶段二为2008—2012年，阶段三为2013—2020年。
④为实现CDM项目的减排指标，买方可以通过购买开展CDM项目或者从二级市场购买的方式获得CER，以抵消自身的减排责任或降低减排成本。与EUA一样，1 CER等于1吨二氧化碳或等效其他温室气体的减排指标。CER产品包括期货、现货和期权，也陆续登陆EU ETS。
⑤上海、北京、广州、天津碳排放权交易所于2013年底正式成立，比深圳碳排放权交易所晚了约半年。
⑥平均价格即为当天的总交易额除以当天的总交易量得到的价格。
⑦卓越资讯为国家统计局大数据合作平台企业、国家首批信息服务业认定企业、国家信用等级评价AAA级信用企业等，其数据的真实性能够得到保证。
⑧深圳碳排放权交易所的会员有新丰电器（深圳）有限公司、艾默生网络能源有限公司、宝利时（深圳）胶粘制品有限公司、宾士来五金制品（深圳）有限公司等，均为制造或能源企业。
⑨该指数主要衡量制造业实物产出。
⑩ARMA（p，0）说明不存在移动平均过程，可以简化为AR（p），即p阶的自回归过程。同理可知ARMA（0，q）。
?AR（02）不同于AR（2），因为AR（02）模型中只包含了收益率的两阶滞后项，并不包含其一阶滞后项，即为[gt=c+α2gt-2+μt]。
?m=0时GARCH（r，0）模型可以简化为ARCH（r）。
?GARCH（02，02）的0表示此模型中去掉了一阶滞后项，只保留了二阶滞后项。 参考文献：
[1]Christiansen A.C.，Arvanitakis A.，Tangen K. & Hasselknippe H. 2005. Price determinants in the EU emissions trading scheme.[J].Climate Policy，5.
[2]Maria Mansanet Bataller，Angel Pardo Tornero & Enric Valor i Mico. 2007. CO2 Prices，Energy and Weather[J].The Energy Journal，28.
[3]Emilie Alberola，Julien Chevallier & Benoit Cheze. 2008. Price drivers and structural breaks in European carbon prices 2005-2007[J].Energy Policy，36.
[4]Derek Bunn & Carlo Fezzi. 2007. Interaction of European Carbon Trading and Energy Prices [J].Journal of Enery Markets，2.
[5]Delarue E. D. & D’haeseleer W. D. 2007. Price determination of ETS allowances through switching level of coal and gas in the power sector[J].International Journal of Energy Research.
[6]Hintermann B. 2010. Allowance price drivers in the first phase of the EU ETS[J].Journal of Environmental Economics and Management，59.
[7]George Daskalakis，Dimitris Psychoyios，Raphael N. Markellos. 2009. Modeling CO2 emission allowance prices and derivatives：Evidence from the European trading scheme[J].Journal of BANKING & FINANCE，33.
[8]Emilie Alberola & Julien Chevallier. 2009. European Carbon Prices and Banking Restrictions：Evidence from PhaseⅠ（2005-2007）[J].The Energy Journal，30.
[9]Ulrich Oberndorfer. 2009. EU Emission Allowances and the stock market：Evidence from the electricity industry[J]. Ecological Economics，68.
[10]Julien Chevallier. 2009. Carbon futures and macroeconomic risk factors：A view from the EU ETS[J].Energy Economics，31.
[11]Maria Mansanet-Bataller，Julien Chevallier，Morgan Herve-Mignucci，Emilie Alberola. 2011. EUA and sCER phase 2 price drivers：Unveiling the reasons for the existence of the EUA-sCER spread[J]. Energy Policy，39.
[12]Gary Koop，Lise Tole. 2013. Modeling the relationship between European varbon permits and certified emission reductions[J].Journal of Empirical Finance，24.
[13]Fatemeh Nazifi. 2013. Modelling the price spread between EUA and CER carbon prices[J].Energy Policy， 56.
[14]Julien Chevallier. 2011. Macroeconomics，finance，commodities：Tnteractions with carbon markets in a data-rich model [J]. Economic Modelling，28.
[15]Daniel Rittler. 2012. Price discovery and volatility spillovers in the European Union emissions trading sheme：A high-frequency analysis[J].Journal of BANKING & FINANCE，36.
[16]鄒亚生，魏薇.碳排放核证减排量（CER）现货价格影响因素研究[J].金融研究，2013，（10）.
[17]陈晓红，王陟昀.碳排放权交易价格影响因素实证研究——以欧盟排放交易体系（ EU ETS）为例[J].系统工程，2008，（2）.
[18]戚婷婷，鲁炜.核证减排量现货市场月期货市场的价格发现[J].北京理工大学学报，2009，（12）.
[19]洪涓，陈静.国际碳排放权交易价格关系实证研究[J].中国物价，2010，（1）.
[20]幸宇.构建纳入林业碳汇的碳排放权市场的设想[J].西南金融，2013，（10）.
[21]黄明晧，李永宁，肖翔.国际碳排放交易市场的有效性研究[J].财贸经济，2010，（11）.
[22]张跃军，魏一鸣.化石能源市场对国际碳市场的动态影响实证研究[J].管理评论，2010，（6）.
[23]高莹，郭琨.全球碳交易市场格局及其价格特征——以欧洲气候交易体系为例[J].国际金融研究，2012，（12）.
[24]Ruey S. Tsay著，王远林，王辉，潘家柱译.金融时间序列分析[M].第2版，人民邮电出版社，2009.
关键词：碳排放权； 交易价格； 收益率波动
中图分类号：F830 文献标识码：A 文章编号：1674-2265（2016）01-0016-10
自西方国家工业革命以来，全球经济发展迅猛，对化石燃料的需求也不断增长，进而导致温室气体的排放量（也称碳排放量）与日俱增，全球变暖等气候问题逐渐受到世界各国的重视。为了抑制气候问题的进一步恶化和保证全球经济的可持续发展，西方国家开启了全球范围内的减排计划，《联合国气候变化公约》和《京都议定书》分别于1992年和1997年正式通过，对发达国家和发展中国家规定“共同但有区别”的减排责任。发达国家在减排目标的约束下，实施了一系列促进减排的政策和法案，并建立能提供碳排放权交易的市场，这些措施有效控制了发达国家的碳排放量，保障减排计划的顺利进行。
全球碳排放权交易市场自建立以来，经历了迅速的发展。《京都议定书》作为全球强制性碳减排的最有力制度标准，规定了附录Ⅰ的37个工业化发达国家所承担的减排责任。为了履行减排承诺，各国陆续建立碳排放权交易市场①，其中欧盟排放交易体系（EU ETS②）从2005年正式运营，无论是市场价值还是成交量，都远超其他发达国家的交易体系，成为全球碳排放权交易市场的领跑者③。发展中国家，特别是未包含在附录Ⅰ内的国家，虽然暂时不必承担强制性的减排任务，但很多也通过清洁发展机制（CDM）参与到全球减排计划中去（《京都议定书》一共引进了三种履约机制来帮助各国降低减排的成本，其中CDM是附录Ⅰ国家和非附录Ⅰ国家能够联合开展碳减排项目的唯一机制）。
我国作为最大的碳排放国，同时也是最具减排潜力的发展中国家，一直以积极负责的态度推进CDM项目的实施，成为CER④（碳排放核证减排量）市场最大的卖家。实际上，碳排放的买方（《京都议定书》附录Ⅰ国家，特别是欧盟国家）借助自身先进成熟的交易机制和市场，在全球碳排放权交易市场中掌握定价权，而以我国为代表的卖方则处于信息劣势地位，缺乏定价权。特别是2012年后，CER价格多在低位徘徊，卖方被迫低价出售CER的情况时有出现，以致无法获得合理的收益（邹亚生和魏薇，2013）。
为了争取碳排放的定价权，并且为了应对日后可能对发展中国家的强制性减排责任，我国“十二五”规划纲要明确要建立碳排放交易市场。自2013年6月份以来，深圳、上海、北京、天津和广州五个城市陆续建立碳排放权交易所，并形成一定的规模。本文对国内碳排放的交易价格及其风险进行研究，发现其市场规律和运行特征，认识并规避有关的投资风险，对于我国掌握合理的定价机制，在国际碳排放权市场占有一定地位具有重要意义。
一、文献综述
国外学者对于碳排放的研究相对较早，主要集中在碳排放权交易价格决定的理论、碳排放权价格决定的实证、碳排放权价格收益率的波动和溢出效应等三个方面。
碳排放权价格的理论研究开展得比较早，在《京都议定书》的背景下，在碳排放权市场正式投入运营之前，国外学者开始研究不同的理论交易体系对于国际减排目标的达成及其减排成本的影响。这类文献大多先研究国际碳排放交易对于实现国际减排的作用，然后通过模型分析碳排放交易体系是否应该存在、在碳减排交易体系下的边际减排成本及其对宏观经济和相关行业的影响。研究认为，存在碳排放交易体系的减排成本会低于不存在时的交易成本，且交易主体从碳排放交易体系中获利的潜力巨大。克里斯琴森等（Christiansen等，2005）根据需求和供给基础进行理论分析，并筛选出以下因素作为EU ETS的碳排放权价格：政策和监管、市场基础（包括排放—配额比例，电力厂商在不同化石能源间的转换行为、天气和产量）。
随着碳排放权市场开始运营，特别是EU ETS正式运作以来，国外学者对碳排放权交易价格的实证研究也逐渐增多，主要集中于以下两方面：
首先，研究EUA价格的影响因素，包括能源、天气、制度、宏观经济和金融市场。巴塔列尔（Bataller，2007）和阿尔贝罗拉（Alberola等，2008）是最早对能源市场和碳排放权价格的关系进行计量分析的国外学者之一。在阶段一EUA现货和期货数据的基础上，前者发现EUA价格和化石能源（石油、天然气和煤炭）使用之间存在一定关联。后者使用阶段二拓展后的數据，强调能源和碳排放权价格之间的关系依赖于不同的阶段，且最主要的影响是制度性事件。邦恩和费齐（Bunn和Fezzi，2009）使用英国电力、天然气和碳排放权价格，通过构造一个结构性的VEC模型，推导碳排放权价格传导电力价格的动态途径，进一步证明三者的相互作用。德拉鲁等（Delarue等，2008）对电力厂商在不同化石能源间的转换行为对碳排放权价格的影响进行了研究。此外，在天气与碳排放权价格的研究上，巴塔列尔（2007）、阿尔贝罗拉等（2008）和欣特曼（Hintermann，2010）的研究都表明，碳排放权价格受到未预期的气候波动的影响，包括气温、降水量和风速。阿尔贝罗拉等（2008）发现，剔除季节因素后极端（特别是未预期到的）气温变化对碳排放权价格有显著的影响。
其次，由于EU ETS是一个人为建立的强制性市场，其制度受到各方谈判势力和政治事件的影响。阿尔贝罗拉等（2008）的研究表明，EUA现货价格不仅和能源价格有关，与未预期到的温度变化有关，并且受到政治和市场事件的影响。达斯卡拉基斯等（Daskalakis等，2009）发现，在EU ETS禁止配额存储和借入的不同阶段，碳排放配额的储存和借贷对于EUA期货价格有着显著的影响，并为阶段内和跨阶段的EUA期货和期权提出定价和套期保值的理论框架。阿尔贝罗拉和谢瓦利尔（Alberola和Chevallier，2009）认为，欧盟委员会禁止配额存储和借入的原因在于不想把“试验期”阶段不完善的市场交易体系延续到下一个阶段。 同时，国外学者也研究了碳排放权市场和宏观经济及金融市场之间的关系。由于工业产出增加，相关的二氧化碳排放量就会增加，因此会有更多的企业购买碳排放权，以抵消其自身的排放。阿尔贝罗拉（2008）在阶段一EU ETS内工业部门产出变化的基础上，对产出和环境条件对碳排放权的影响进行实证，结果表明经济活动的波动是四个国家（德国、西班牙、波兰、英国）的燃烧、造纸和钢铁部门碳排放权价格收益的关键因素。奥本多夫（Oberndorfer，2009）从股票市场角度进行研究，发现碳排放权价格变化和大部分欧洲电力公司的股票收益率有着正向的关系，但会随着国家和时间变化。谢瓦利尔（2009）对碳排放权市场和股票及债券市场的关系提供更全面的处理，通过估计多个不同的波动模型，发现EUA期货的收益率能在股息和垃圾债券溢价的基础上得到预测，宏观经济活动对碳排放权市场的影响通常一阶滞后，因为这个市场有着特定的制度约束。
由于市场上EUA和CER之间存在着差价，因此金融和工业部门能够从买入CER卖出EUA中套利，巴塔列尔等（2011）发现这个差价主要由EUA价格和市场微观结构决定，其次是与排放相关的基础变量。库普和托莱（Koop和Tole，2013）通过允许参数随时间变化的时间序列模型研究，表明EUA期货价格对于CER价格有决定性作用，且这个随时间变化的参数与宏观经济事件相关。纳齐夫（Nazifi，2013）同样通过变参数分析，发现市场缺乏竞争性、对获取CER的约束、对EUA和CER监管的改变以及CER的不确定性才能解释两者的差价。
奥本多夫（2009）发现EUA价格变化和电力股票收益之间存在着关联。谢瓦利尔（2011）通过115个指标的463个日数据，采用Factor-Augmented VAR模型，发现CER期货价格通常会比EUA现货和期货价格对外生性变量更加显著。里特勒（Rittler，2012）运用GARCH模型，发现EUA期货市场会首先捕捉到新信息，然后价格波动会逐渐从EUA期货市场转移到现货市场。库普和托莱（2013）通过格兰杰因果关系检验却发现CER、EUA现货和期货价格三者两两之间不存在波动溢出效应，因为在有效的金融市场中可以找到完美替代的资产。
由于国内碳排放权的交易市场刚建立不久，国内学者对国内碳排放权市场交易价格的实证研究较少。在碳排放权价格影响因素的研究上，邹亚生和魏薇（2013）通过建立VAR和VEC模型发现，CER现货价格会受到宏观经济指标（工业生产指数）和气候指标（地表月均温度差异值）的正向影响，而且受到其期货价格的影响也较为显著。陈晓红和王陟昀（2013）从供给、需求和市场三方面进行理论分析，认为受政策和制度配额供给是EUA价格的最重要影响因素，并且能源价格也是影响因素，而气温、降水等天气因素的作用不明显。戚婷婷和鲁炜（2009）使用公共因子模型，发现CER现货价格和期货价格之间存在长期均衡关系，且期货市场的价格发现功能较强。而洪涓和陈静（2010）认为CER期货价格主要受现货价格引导，价格发现功能没有体现。黄明晧等（2010）对CER期货市场的价格发现和套期保值功能进行实证，结果表明CER期货市场短期具有较好的价格发现功能，但长期价格发现功能不明显。此外，在研究碳排放权价格波动和溢出效应上，张跃军和魏一鸣（2010）采用状态空间模型和VAR模型，发现油价冲击是碳排放权价格波动的最主要影响因素，其次是天然气和煤炭，但天然气的持续时间最长。郭辉等（2012）通过BEKK-GARCH模型发现，尽管EUA和CER期货价格在短期内存在互相引导的关系，但EUA对CER期货价格具有主导拉动作用，且EUA期货市场的“坏消息”对CER期货市场有着明显的冲击作用。
目前国内学者对国内碳排放权市场的实证研究刚刚起步，缺少直接以国内碳排放权市场为研究对象的研究，本文将在已有研究的基础上，选取更贴合我国碳排放实际的因素，采用VAR和VEC模型，探究国内碳排放权价格与能源、宏观经济、CER期货价格、气候的关系，并进一步探究国内碳排放权收益率的波动特征。
二、我国碳排放权交易价格形成的实证检验
基于现有研究，本文除了引入能源价格、宏观经济、气候这三个因素外，考虑到随着国内碳排放权市场的建成，国内碳排放权价格会与国际接轨，并与国际碳排放权市场（特别是EU ETS）有所关联，因此，本文还引入与我国减排关系最密切的EU ETS市场中CER期货作为国外碳排放权价格的影响因素，探究国内碳排放权价格是否会受国外CER期货价格的影响。综上，本文采用碳排放权价格、能源價格、宏观经济、气候因素、国外碳排放权价格等五类数据。
国内首家碳排放权交易所2013年6月18日于深圳成立，并进行碳排放的交易。考虑到深圳碳排放权交易所在国内五大交易所中的交易时间最长⑤、累计交易额和成交量最大，其交易价格最有代表性、交易制度最成熟，故选取深圳碳排放权交易所的交易价格作为国内碳排放的交易价格。为了保证数据的连续性，本文选取2013年8月5日至2014年3月17日的135个日交易数据，交易价格为当天交易的平均价格⑥。数据来源于深圳碳排放权交易所和ideacarbon网站。
对化石能源的需求不仅取决于其绝对价格和相对价格，且从含碳量高的能源到含碳量低的能源的边际转换成本也构成碳排放权价格的重要因素（谢瓦利尔，2011）。如果一种含碳量高的化石能源（例如煤炭）的价格上涨会引起含碳量低的化石能源（例如石油和天然气）需求上升，更多地使用含碳量低的化石能源将会使碳排放量相对之前有所回落，从而将会使得碳排放需求和价格回落。我国是能源消耗大国，也是碳排放大国，分别居世界第二和第一。国外学者在选取化石能源的时候通常选取石油和天然气（邦恩等）。在我国的能源消耗构成中，消耗量最大的能源是煤炭，其次才是石油和天然气，而在这三种化石能源当中，煤炭是含碳量最高、污染最大的能源。因此，为了更切合我国能源消耗的实际，本文选择煤炭价格作为能源价格的指标。 我国已建有多个煤炭期货交易的市场，如郑州商品交易所的动力煤期货和大连商品交易所的焦炭期货；此外也建立了煤炭价格指数，以便能更全面地反映我国整体煤炭价格的变动趋势，如中国煤炭价格指数、环渤海动力煤价格指数和中国太原煤炭交易价格指数，但以上这些数据的发布周期约为每周一次，不能满足本文要求。因此考虑到数据的丰富性和可得性，本文选取卓越资讯⑦上公布的煤炭价格指数的日数据作为国内能源价格的指标。
对碳排放权有需求的部门通常都是工业部门，特别是能源、钢铁、发电等能耗较大的行业。理论上如果宏观经济发展越景气，工业部门的碳排放量也会越大，因此对碳排放权的需求也就会越大。由于深圳碳排放权交易所的交易会员⑧基本上都是制造或能源企业，因此本文选取中证行业指数中的工业指数⑨的日数据对我国宏观经济，特别是对工业部门的衡量，数据来源于万得数据库。虽然宏观工业指数的上涨或下跌不能反映碳排放权交易所交易会员企业自身的实际情况，但是由于其上下游企业可能会广泛地分布于全国各个地区和主要的制造行业，因此工业指数可以通过这些上下游的企业最终影响到交易会员企业自身对碳排放权的购买或出售决策，因此，选取工业指数作为碳排放权价格的影响因素之一是合理的。
研究表明，气候指标特别是异常、未预期到的温度变化会大幅度提高碳排放权的价格，因为未预期的极端冷热天气都会使得电力和化石能源的消耗暴增，从而使得与之相关的企业对碳排放权的需求突然增长，从而拉高碳排放权的价格。虽然这样的分析逻辑有一定的合理性，但这只代表一种间接的影响，本文期望能找到一种气候指标，以便直接反映碳排放量多少，空气质量指数是可以选择的指标。我国碳排放权交易的兴起与近几年日益严重的空气污染，特别是PM 2.5和雾霾有关。空气污染最直观的来源是汽车尾气，各个能耗大的工业企业排放的工业废气，也有农村城镇化过程中的麦秆焚烧，我国居民烹饪方式导致的油烟排放等。空气污染程度可以作为碳排放量的较为直接的指标，即空气质量越差一定程度代表着工业废气、温室气体或等价的二氧化碳排放量的增长，因此能够预期相关企业对碳排放权的需求增加。因此，本文选择国家环境监测中心每天发布的空气质量指数AQI，AQI数值越高，表示空气质量越差。AQI一共包括六个子指标，即PM2.5、PM10、二氧化硫、二氧化氮、臭氧和一氧化碳，虽然并不直接包括二氧化碳浓度，但是由于排放气体中的有害气體部分只占很小一部分，更多的是二氧化碳，因此，选取AQI比较合适。为了更有代表性，本文选取国内五个碳排放权交易所所在城市每天AQI的平均值，作为对气候指标的衡量。
在考虑国内因素影响的同时，本文还考虑与我国碳排放权价格相关的国外CER期货价格。由于国内外碳排放权属于同质商品（均为1吨二氧化碳的排放权），我国碳排放权市场尚不成熟，很多时候国内碳排放权价格会追随国外的价格。同时，预期在套利机制下，EU ETS中CER期货价格上升引起国内市场碳排放权价格的上升，反之亦然。本文所使用的国外CER期货价格数据来源于洲际交易所网站，并按照当天汇率转换成人民币为单位。
虽然影响碳排放权价格的因素众多，包括世界碳排放总量和我国碳排放容量等因素，都可能对碳排放权的价格造成影响，但由于受到数据可获得性的限制，本文主要选取影响碳排放权价格的煤炭价格指数、工业指数、空气质量指数和EU ETS中CER期货价格等指标的数据，各指标的数据来源见表1。
表1：指标选取及数据来源
[＼&指标＼&数据来源＼&单位＼&时间跨度＼&国内碳排放权价格＼&深圳碳排放权交易价格＼&深圳碳排放权交易所和ideacarbon＼&元＼&2013年8月5日—
2014年3月17日＼&能源价格数据＼&煤炭价格指数＼&卓越资讯＼&-＼&宏观经济＼&中证行业指数的工业指数＼&万得数据库＼&-＼&气候＼&空气质量指数＼&国家环境监测中心＼&-＼&国外碳排放权价格＼&EU ETS中CER期货价格＼&洲际交易所＼&元＼&]
本文采用恩格尔和格兰杰（Engle和Granger，1987）建立的基于向量自回归（VAR）的向量误差修正（VEC）模型对国内碳排放权价格的影响因素进行实证分析，该模型可以从长期和短期两个方面刻画变量之间的动态关系。在建立VEC模型之前，需要对变量间是否存在协整关系进行检验，本文建立如下协整方程。
[pt=c+αCoalt+βIndt+γAQIt+δCERt+εt] （1）
其中，[pt]为国内碳排放权交易价格，[Coalt]为煤炭价格指数，[Indt]为工业指数，[AQIt]为空气质量指数，[CERt]为EU ETS市场上CER期货价格，且所有变量都已经进行对数处理，[εt]为随机扰动项，服从N（0，1）分布。
如果变量都为同阶单整且存在协整关系，则可以相对应地建立如（2）式的VEC模型，其中[ecm-1]是（1）式中的一阶滞后残差项，也是误差修正项，其系数如果显著为负数，则表明误差修正是一个负反馈过程，当某一时刻的短期值偏离了其长期均衡时，其将使下一期的短期值向长期均衡值回归，因而此系数反映从短期到长期的回复速度，数值的绝对值越大，从短期受冲击后的状态回到均衡状态的调整速度也就越快。
[Δpt=ω0+ω1ecm-1+1pω3iΔpt-i0pω4iΔCoalt-i+0pω5iΔIndt-i+0pω6iΔAQIt-i+0pω7iΔCERt-i+μi]
（2）
在进行协整检验之前，先对变量进行平稳性检验，本文对所选数据进行ADF检验。由于各个变量的数值都属于价格类或气候指标类变量，预期并不存在明显的时间趋势效应，即不会随着时间的变化而增长或减少，故本文在进行ADF检验时未加入时间趋势项，结果如表2所示，所有的变量都为一阶单整，即可以进行协整检验。
表2：平稳性检验 [＼&原序列＼&一阶差分序列＼&结论＼&ADF统计量＼&P值＼&ADF统计量＼&P值＼&[pt]＼&-0.4722＼&0.8155＼&-10.8731＼&0.0000＼&I（1）＼&[Coalt]＼&-0.862＼&0.8048＼&-1.9524＼&0.0490＼&I（1）＼&[Indt]＼&-2.225＼&0.1973＼&-10.0110＼&0.0000＼&I（1）＼&[AQIt]＼&0.0016＼&0.6814＼&-9.7873＼&0.0000＼&I（1）＼&[CERt]＼&-1.2710＼&0.8970＼&-11.1750＼&0.0000＼&I（1）＼&]
在进行协整检验之前需要先对最优滞后阶数进行确定，本文选择SC和HQ准则确定滞后阶数，最优滞后阶数为2。由于本文的变量多于两个，故运用Johansen进行协整检验，协整检验结果如表3所示。
表3：协整检验结果
[原假设中协整方程的数量＼&Eigen值＼&最大Eigen
统计量＼&5%的临界值＼&P值＼&无 *＼& 0.255751＼& 38.69474＼& 34.80587＼& 0.0163＼&最多1个＼& 0.138972＼& 19.60128＼& 28.58808＼& 0.4433＼&最多2个＼& 0.088922＼& 12.19961＼& 22.29962＼& 0.6352＼&最多3个＼& 0.065207＼& 8.833302＼& 15.89210＼& 0.4519＼&最多4个＼& 0.017471＼& 2.308902＼& 9.164546＼& 0.7158＼&]
注：* 表示在5%的置信水平下拒绝原假设。
由表3看出，在5%的显著性水平下拒绝原假设，说明5个变量之间存在长期均衡关系，标准化的协整方程为：
[p=-4.79Coal+1.13Ind+2.45AQI+0.89CER-7.13]
（3.38532）（2.24606）（0.36316）（0.31073）（26.4705）
（3）
从上式看出，煤炭价格对碳排放权价格的影响最大，系数为-4.79，系数为负数可能有以下两方面的原因：一是煤炭价格升高导致煤炭的需求量下降并使碳排放量的需求和价格回落；二是煤炭價格升高会出现替代效应，即使天然气和石油的需求增加，由于天然气和石油的含碳量均小于煤炭，也使得实际的碳排放量降低；空气质量指数对于碳排放权价格的弹性为2.45，仅次于能源价格，即AQI上升1%（也代表空气质量下降1%），对碳排放权的需求会增加，使得其价格升高2.45%，说明当今社会上对空气质量问题的关注和政府控制空气质量的决心很强，对企业减排的要求也愈加强烈。
其次，工业指数的系数为1.13，表明宏观经济的增长将带动碳排放权价格的上涨，也说明我国工业生产时能耗较高，会产生较多的二氧化碳，从而增加对碳排放权的需求；但其影响程度并不如能源价格和[AQI]，这可能和本文选取的研究对象有关，因为深圳碳排放权交易所的交易会员企业大多为深圳本地的制造和能源企业，用整体工业部门的表现来衡量这些企业的情况有些夸大。
再次，EU ETS市场上的CER期货价格的影响力度最小，仅为0.89。这可以从两方面解释：一是国内碳排放权市场刚成立不久，很多交易制度还不完善，还不是一个有效市场，对国外投资者也存在一定的限制，因此国外CER期货价格的升降不能反映到国内碳排放权价格上。二是国内碳排放权市场是基于配额的市场，而CER属于CDM机制，是基于项目的市场，所属的市场结构不同使得两者之间价格关联受到约束。由此，国内的碳排放权市场并没有脱离能源、气候问题，也没有独立于实体经济，与国外的碳排放权价格也有一定的联系。
进一步地，本文采用（4）式的向量误差修正模型实证检验碳排放权价格的影响因素。
[Δpi=0.009-0.41ecm-1-0.624Δpi-1-0.304Δpi-2+6.523ΔCoalt-1-6.906ΔCoali-2-1.491ΔIndt-1+0.217ΔIndt-2-0.054ΔAQIt-1-0.78ΔAQIt-2+0.111ΔCERt-1-0.252ΔCERt-2] （4）
F-statistic = 5.983， R-squared = 0.354
AIC = -19.29909， SC = -17.96688
（4）式中，[ecm-1]系数为-0.41，说明存在反向修正机制，能够抑制短期内的波动，即前一期的非均衡误差以0.41的比率对本期国内碳排放权价格进行修正，使其向均衡价格回复，但其系数较小，说明熨平波动的速度较慢，周期较长，效果并不明显。这可能是由于我国碳排放权交易市场制度还不完善，其他市场的信息无法迅速有效地传导到碳排放权价格。
最后，本文采用脉冲响应分析煤炭价格、工业指数、AQI和国外CER期货价格与国内碳排放权价格间的动态关系，它表示来自随机扰动项的外生的一个标准差冲击对内生变量当前和未来取值的影响，结果如图1所示。图1显示，煤炭价格、工业指数、AQI和国外CER期货价格的冲击都有着显著的响应，在第一期各个变量的响应均不是很明显，但在第二期之后，煤炭价格一个标准差的正向冲击的反应迅速上升到0.2以上，对工业指数负向冲击的反应也迅速下降到-0.2以下，其余变量的冲击仍较小，在第三期煤炭价格的响应大幅回落，到-0.1以下，之后各个变量则开始向零轴收敛。因此，各个变量对国内碳排放权价格有一定的先行指示作用，可作为国内碳排放权价格走势的参考指标。
[LNCOAL][LNCER][LNIMD][LNAQI] [图1：脉冲响应分析图]
三、我国碳排放权收益率波动性的实证 本文继续对碳排放权价格收益率的波动性进行分析，考虑到碳排放权的收益率本身可能存在序列相关，因此，本文采用ARMA-GARCH模型描述收益率及其波动性的时序变化，其中ARMA（自回归移动平均过程）部分用来衡量收益率的均值及其动态变化过程，GARCH（广义自回归条件异方差模型）部分用来衡量收益率的时序波动情况。本文首先确定ARMA部分的具体形式，即AR（自回归过程）和MA（移动平均过程）的滞后阶数。
一般来说，如果收益率[gt]是一个平稳序列，那么ARMA（p，q）的形式如（5）式，其中p、q分别为AR和MA的滞后阶数，[μt]为误差项。ARMA（p，q）模型用来描述资产（如股票、债券等）收益率的经济学意义在于它表明了当期的收益率[gt]不仅和t期之前的实际收益率相关，并且和之前的实际收益率与预期收益率的误差有关，并且投资者可以进一步地运用ARMA（p，q）模型对收益率进行预测。
[gt=c+α1gt-1+α2gt-2+…+αpgt-p+β1μt-1+β2μt-2+…+βqμt-q+μt] （5）
本文计算碳排放权价格的收益率，并对其做单位根检验，结果表明其为平稳序列。然后通过收益率的AC图和PAC图发现，虽然在滞后一阶时并不存在明显的序列相关，但其滞后两阶却存在明显序列相关，因此从图像可以初步判断收益率存在一定程度的自相关，可以用ARMA（p，q）模型进行分析。
由于在我国碳排放权属于新兴商品，没有任何先验条件表明如何对ARMA（p，q）模型的滞后阶数进行取值。因此，本文分别对p=0、1、2、3、4、5和q=0、1、2、3的ARMA（p，q）⑩模型进行估计，并从中筛选最适合的滞后阶数，其中部分结果如表4所示。根据表4估计系数的显著性及相应的信息准则，为了能够更好地比较，本文再单独对AR（02）和MA（02）?进行估计，相应的结果也列示在表4中，其中L.AR、L2.AR、L3.AR分别表示收益率AR过程的一阶滞后项、二阶滞后项、三阶滞后项，其他变量名称的含义同理。
表4的结果表明，所有模型都存在系数在1%置信水平下显著的变量，说明收益率确实存在ARMA过程，且所有模型中AIC和BIC数值最小的模型均为AR（02），因此本文选取AR（02）作为ARMA部分的模型，说明碳排放权收益率与其二阶滞后项存在明显的相关性。这一方面表明碳排放权收益率动态走势存在一定的时滞效应，当期受滞后两期的影响最为显著，而不能很好地反映滞后一期的信息；另一方面，也体现当前国内碳排放权交易市场交易制度不完善，进入市场进行交易的会员资格受到限制，导致交易量不稳定和流动性较差。
根据ARMA部分的AR（02）模型进行GARCH估计，存在GARCH效应的收益率图形的最大特点是存在“波动率聚集”现象，即在通常情况下一个大的波动会倾向于紧接着另一个大的波动，一个小的波动会倾向于紧接着一个小的波动（鲁伊，2012），图2所示的碳排放权收益率序列也体现这样的“波动性集聚”效应，故初步判断存在ARCH效应，即存在自回归条件异方差效应。
图2：碳排放权收益率序列
具体来判别是否存在ARCH效应的方法是：对AR（02）回归结果的残差项进行ARCH-LM检验，结果表明除了在一阶滞后的条件下ARCH效应不明显，其余的滞后项均存在着明显的ARCH效應，因此构建GARCH模型是适合的。
基于AR（02），本文构建的GARCH（r，m）模型的均值形式如式（6）、（7）、（8）：
[gt=c1+gt-2+μt] （6）
[μt=σtεt] （7）
[σ2t=c2+ρ1μ2t-1+ρ2t-2+…+ρ2μ2t-r+θ1σ2t-1+θ2σ2t-2+…+θmσ2t-m]（8）
其中[εt]是均值为0、方差为1的独立同分布随机变量序列，而且各个系数需要符合以下条件：[c2>0]、 [ρi≥0]、[θi≥0]、[i=1max（r，m）（ρi+θi）<1]。在选择GARCH（r，m）模型滞后阶数方面，鲁伊（2012）认为在实际应用当中，只需要考虑几阶的GARCH模型，如GARCH（1，1）、GARCH（1，2）、GARCH（2，1）、GARCH（2，2）等。本文分别对r=0、1、2、3、4、5和m=0、1、2、3的GARCH（r，m）?模型进行估计，并根据各个系数的条件从中筛选最适合的滞后阶数，其中部分结果如表5所示。此外，根据表5估计系数的显著性及相应的信息准则，本文再单独对GARCH（02，02）、GARCH（2，02）和ARCH（02）?进行估计，相应的结果也列示在表5中。根据以上的条件和模型中各个变量的显著性和相应的信息准则最小化原则筛选出模型（1），即GARCH（02，02）模型作为GARCH部分的估计结果。
因此，基于以上分析结果，ARMA-GARCH模型的估计结果为：
[gt=0.00494+0.335gt-2+ut] （9）
[σ2t=0.00167+0.346μ2t-2+0.646σ2t-2+εt] （10）
其中（9）式为均值方程，（10）式为方差方程。均值方程AR（2）表明碳排放权收益率与其二阶滞后项存在着显著的相关性，其弹性为0.335，且和单独估计ARMA模型时的系数0.331差别不大，说明结果具有稳健性。收益率的均值虽然为正的0.00494，但并不显著异于0，说明如今碳排放权交易市场价格相对还比较稳定，不存在过度的高收益，同时也表明碳排放权交易市场的交易并不是非常频繁，投资者并不会过分青睐于此市场；这可能和如今碳排放权市场的交易制度有关系，因为碳排放权的交易现在还没有全面对金融机构和个人、企业投资者放开，更多的只是能耗大、污染大而且对碳排放权有实际需求的企业之间进行的交易，可能限制了社会资金涌入碳排放权市场。 方差方程表明碳排放权收益率存在着明显的“波动性集聚”现象，当期碳排放权收益率的波动会明显受到误差项的二阶滞后和波动的二阶滞后的影响，影响弹性分别为0.346和0.646，且二者相加小于1，说明收益率具有有限方差，属于弱平稳过程，而且波动最终会衰减。但由于二者相加十分接近于1（0.346+0.646=0.992），说明波动的持续时间会很长，其中当期波动冲击的64.6%会在下一期延续。均值方程和方差方程都显示收益率及其波动性与其二阶滞后项有明显的相关性，与其他滞后项的相关性较小，这可能和碳排放权市场的不成熟有关，以致当期碳排放权的收益率及其波动性不能反映其前一期及其他期的信息；由于现在市场的交易量和流动性都相对有限且不稳定因素较大，投资者在投资时都更为谨慎，对收益率的波动更为敏感，以致在波动性大的时候倾向于大幅度地调整自身的价格预期，使得“波动性集聚”现象得以存在。
四、结论与建议
本文研究国内碳排放权交易价格的影响因素，包括能源价格（煤炭价格）、宏观经济（工业指数）、气候（空气质量指数）和国外碳排放权价格（EU ETS市场CER期货的价格），结果表明变量之间存在着长期的均衡关系，其中煤炭价格对国内碳排放权价格影响幅度最大，说明如今国内碳排放权价格还是由能源价格特别是煤炭价格主导；其次是空气质量指数，说明企业对空气质量比较敏感，空气质量变差会使企业增加对碳排放权的需求，从而使价格上涨；再次，工业指数和EU ETS市场的CER期货价格对国内碳排放权价格也有着正向的引导作用，但其影响系数相对较小。VEC模型进一步表明，国内碳排放权交易价格存在着“反向修正”的功能，但其向均衡状态的回复速度较慢，这可能与现在我国的碳排放权交易市场制度不完善有关，因而其他市场的信息无法迅速有效地传导到碳排放权价格中。此外，本文对国内碳排放权的收益率进行波动效应分析，发现其收益率存在明显的条件异方差效应，即当期的条件方差会明显受到上一期信息的影响。
基于研究结果，本文认为对国内碳排放权交易市场的完善需要注意以下几个方面：
第一，掌握国内碳排放权价格与能源价格、宏观经济、气候和国外碳排放权价格的联系，利用影响因素的价格变动和自身收益率波动的特点，在合理的时候进行风险管理，降低损失的可能性，保障企业的合理利益。
第二，从国外碳排放权市场看，现阶段我国仍作为CER的卖方，应该重点关注CER价格变动对国内碳排放权交易价格的影响，积极借鉴自身和国外建设碳排放权交易市场的经验，以更积极的姿态参与国际的碳事务，争取在CER定价方面的主导权，提高我国企业在CER交易中的收入，从而降低国内外碳排放权价格的差异，降低套利的可能性。
第三，鉴于国际碳排放权期货市场已呈现良好的价格发现功能，我国可以借鉴其运行经验，选择成熟的时间，建立相应的期货市场，完善市场结构，为市场主体提供避险途径，稳定国内碳排放权价格和收益率的波动，避免可能出现的流动性过剩和过分投机的问题。
第四，虽然我国已初步建成五大碳排放权交易市场，并进行二级市场交易，但五大市场存在一定程度的市场分割，表现为碳排放权在不同市场之间的价格差异非常大。因此，为更好地发挥国内碳交易市场的作用，有必要整合五大市场，逐渐放开不同市场间的准入限制，使碳排放权可以在不同市场中自由流动，建立一个全国性的碳排放權交易中心。
注：
①附录Ⅰ国家建立的碳排放权交易市场均为配额市场。配额市场主要依照“限额—交易”（Cap-Trade）的原则，即监管者制定碳排放的总配额，以及对市场内每个成员制定排放上限，每个成员可以根据自身的减排能力和减排成本制定减排方案和分配自身的碳排放额度，并可以选择在二级市场上与其他成员进行碳排放的交易，而最终超出的部分则会受到相应的惩罚。国际上的配额市场主要包括：欧盟排放交易体系（EU ETS）、芝加哥气候交易所（CCX）、澳大利亚新南威尔士交易所（NSW）和英国排放交易体系（UK ETS）。
②EU ETS的减排单位为EUA ，1EUA等于1吨二氧化碳或等效其他温室气体的减排指标。市场上可以交易的产品主要是EUA期货、现货和期权。
③EU ETS的发展过程分为三个阶段：阶段一为2005—2007年，阶段二为2008—2012年，阶段三为2013—2020年。
④为实现CDM项目的减排指标，买方可以通过购买开展CDM项目或者从二级市场购买的方式获得CER，以抵消自身的减排责任或降低减排成本。与EUA一样，1 CER等于1吨二氧化碳或等效其他温室气体的减排指标。CER产品包括期货、现货和期权，也陆续登陆EU ETS。
⑤上海、北京、广州、天津碳排放权交易所于2013年底正式成立，比深圳碳排放权交易所晚了约半年。
⑥平均价格即为当天的总交易额除以当天的总交易量得到的价格。
⑦卓越资讯为国家统计局大数据合作平台企业、国家首批信息服务业认定企业、国家信用等级评价AAA级信用企业等，其数据的真实性能够得到保证。
⑧深圳碳排放权交易所的会员有新丰电器（深圳）有限公司、艾默生网络能源有限公司、宝利时（深圳）胶粘制品有限公司、宾士来五金制品（深圳）有限公司等，均为制造或能源企业。
⑨该指数主要衡量制造业实物产出。
⑩ARMA（p，0）说明不存在移动平均过程，可以简化为AR（p），即p阶的自回归过程。同理可知ARMA（0，q）。
?AR（02）不同于AR（2），因为AR（02）模型中只包含了收益率的两阶滞后项，并不包含其一阶滞后项，即为[gt=c+α2gt-2+μt]。
?m=0时GARCH（r，0）模型可以简化为ARCH（r）。
?GARCH（02，02）的0表示此模型中去掉了一阶滞后项，只保留了二阶滞后项。 参考文献：
[1]Christiansen A.C.，Arvanitakis A.，Tangen K. & Hasselknippe H. 2005. Price determinants in the EU emissions trading scheme.[J].Climate Policy，5.
[2]Maria Mansanet Bataller，Angel Pardo Tornero & Enric Valor i Mico. 2007. CO2 Prices，Energy and Weather[J].The Energy Journal，28.
[3]Emilie Alberola，Julien Chevallier & Benoit Cheze. 2008. Price drivers and structural breaks in European carbon prices 2005-2007[J].Energy Policy，36.
[4]Derek Bunn & Carlo Fezzi. 2007. Interaction of European Carbon Trading and Energy Prices [J].Journal of Enery Markets，2.
[5]Delarue E. D. & D’haeseleer W. D. 2007. Price determination of ETS allowances through switching level of coal and gas in the power sector[J].International Journal of Energy Research.
[6]Hintermann B. 2010. Allowance price drivers in the first phase of the EU ETS[J].Journal of Environmental Economics and Management，59.
[7]George Daskalakis，Dimitris Psychoyios，Raphael N. Markellos. 2009. Modeling CO2 emission allowance prices and derivatives：Evidence from the European trading scheme[J].Journal of BANKING & FINANCE，33.
[8]Emilie Alberola & Julien Chevallier. 2009. European Carbon Prices and Banking Restrictions：Evidence from PhaseⅠ（2005-2007）[J].The Energy Journal，30.
[9]Ulrich Oberndorfer. 2009. EU Emission Allowances and the stock market：Evidence from the electricity industry[J]. Ecological Economics，68.
[10]Julien Chevallier. 2009. Carbon futures and macroeconomic risk factors：A view from the EU ETS[J].Energy Economics，31.
[11]Maria Mansanet-Bataller，Julien Chevallier，Morgan Herve-Mignucci，Emilie Alberola. 2011. EUA and sCER phase 2 price drivers：Unveiling the reasons for the existence of the EUA-sCER spread[J]. Energy Policy，39.
[12]Gary Koop，Lise Tole. 2013. Modeling the relationship between European varbon permits and certified emission reductions[J].Journal of Empirical Finance，24.
[13]Fatemeh Nazifi. 2013. Modelling the price spread between EUA and CER carbon prices[J].Energy Policy， 56.
[14]Julien Chevallier. 2011. Macroeconomics，finance，commodities：Tnteractions with carbon markets in a data-rich model [J]. Economic Modelling，28.
[15]Daniel Rittler. 2012. Price discovery and volatility spillovers in the European Union emissions trading sheme：A high-frequency analysis[J].Journal of BANKING & FINANCE，36.
[16]鄒亚生，魏薇.碳排放核证减排量（CER）现货价格影响因素研究[J].金融研究，2013，（10）.
[17]陈晓红，王陟昀.碳排放权交易价格影响因素实证研究——以欧盟排放交易体系（ EU ETS）为例[J].系统工程，2008，（2）.
[18]戚婷婷，鲁炜.核证减排量现货市场月期货市场的价格发现[J].北京理工大学学报，2009，（12）.
[19]洪涓，陈静.国际碳排放权交易价格关系实证研究[J].中国物价，2010，（1）.
[20]幸宇.构建纳入林业碳汇的碳排放权市场的设想[J].西南金融，2013，（10）.
[21]黄明晧，李永宁，肖翔.国际碳排放交易市场的有效性研究[J].财贸经济，2010，（11）.
[22]张跃军，魏一鸣.化石能源市场对国际碳市场的动态影响实证研究[J].管理评论，2010，（6）.
[23]高莹，郭琨.全球碳交易市场格局及其价格特征——以欧洲气候交易体系为例[J].国际金融研究，2012，（12）.
[24]Ruey S. Tsay著，王远林，王辉，潘家柱译.金融时间序列分析[M].第2版，人民邮电出版社，2009.