【我国碳金融价格的影响因素实证分析13000字】

我国碳金融价格的影响因素实证分析TOC\o"1-3"\h\u一、引言 1二、中国碳金融市场发展背景及交易现状 1（一）中国碳金融市场发展背景 2（二）中国碳金融市场交易现状 2三、碳金融价格影响因素分析 4（一）宏观经济因素 4（二）货币政策因素 4（三）能源价格因素 5（四）碳排放成本 5（五）碳排放政策 5（六）环境气候因素 5四、我国碳金融价格影响因素实证分析 5（一）样本选取及描述性统计 61.样本选取 62.描述性统计 7（二）实证分析过程 81.平稳性检验 82.ARDL模型分析 93.实证结果分析 14五、结论建议与展望 16主要参考文献 19附录一 20附录二 22附录三 24一、引言环境恶化越来越严重，人类的生存发展被全球变暖所导致的气候等问题影响严重。正因如此，为了改善二氧化碳排放问题，“碳金融”这种市场机制被创造出来。“碳金融”的本质便是将碳排放当做现货、期货等交易的标的物进行买卖。追溯“碳金融”的起源，主要是两个国际上重大的公约。一个是1992年的《联合国气候变化框架公约》，该公约对发达国家进行要求，要求其限制和管理温室气体的排放，并对发展中国家提供技术和资金的帮助。另一个是1997年通过的《京都议定书》，该文件规定了减排任务。自此以后，碳交易、碳金融在国际上被多次提及。作为世界上第一大碳排放国家，中国近些年来采用多种方式来尽力完成碳减排任务，各个碳排放权交易市场也陆续被建立起来。碳金融交易市场的核心指标便是碳金融价格，在碳金融交易市场中主要是碳排放权交易市场，因此，研究我国碳排放权交易价格影响因素对中国碳金融市场具有重要的意义。本课题利用ARDL模型，运用中国的实际数据进行实证分析，通过模型分析来研究所选取的指标对碳排放权交易价格的实际影响。该研究有助于提前预测碳金融价格的波动并及时采取措施来应对各种变化，进一步维持碳排放权交易市场的稳定性和正常运行。目前国内外研究所选取的数据主要集中在欧美市场，对中国碳金融市场的研究相较之更少，因此，本文的研究有助于提供更多的中国碳金融相关数据分析，使碳金融的研究体系更加完善。二、中国碳金融市场发展背景及交易现状环境不断恶化的原因之一便是化石能源等资源的过度利用，因此，环境治理和资源的合理运用被越来越重视。石油、煤炭、天然气等化工燃料的燃烧等过程会产生大量的二氧化碳，导致全球气候变暖等环境问题。但是排放二氧化碳的企业却并没有对排放废气的行为支付一定的补偿，这部分的危害反而被转移到整个社会，也就是社会替这些排放二氧化碳的主体承担了很大一部分成本。为了更好的解决这一问题，我国利用市场机制来解决碳排放的问题，促进“低碳经济”。（一）中国碳金融市场发展背景 近些年来，碳达峰和碳中和的概念被相继提出。“碳达峰”是指煤炭、石油、天然气等化石能源燃烧活动和工业生产等活动产生的温室气体排放不再增长，达到峰值（碳峰值）。在一定时间内直接或间接产生的温室气体排放总量，通过植树造林、节能减排等形式，以抵消自身产生的二氧化碳排放量，实现二氧化碳“零排放”，被称为“碳中和”。2020年12月16日至18日北京举行的的中央经济工作会议中，“做好碳达峰、碳中和工作”被列为2021年的八大任务之一。我国承诺争取在2030年以前二氧化碳排放到达峰值，2060年以前使得“碳中和”目标能够实现。由此可见，我国对二氧化碳排放管制十分重视，对能够治理好二氧化碳排放问题信心满满。我国整个宏观背景非常重视二氧化碳排放问题，对碳金融市场的发展有很好的促进作用。在“低碳经济”的背景下，碳排放权以及碳金融的概念应运而生。以碳排放权为标的物进行交易的金融活动被称为碳金融，这是金融体系的一大创新。碳排放权交易市场是碳金融体系中最为主要的市场，是一个政策性市场。对一定范围的排放者规定碳排放总量上限，依据一定原则将排放配额分配给排放者，排放配额可在排放者等各种市场主体之间进行交易，排放者的碳排放量不能超过其持有的配额数量。我国目前已有八个碳排放权交易市场。（二）中国碳金融市场交易现状我国碳金融市场主要包括两个市场，一个是现货市场，另一个是衍生品市场。现货市场主要包括了碳排放权交易和减排信用交易两个交易市场，在现货市场的基础上，开展碳远期、碳期货等衍生品交易，还衍生出碳质押、碳回购、碳基金等业务，其中碳排放权交易市场被认为是碳金融体系能够有效运转的核心。控排企业、减排信用开发企业、投资机构、个人等是碳金融体系主要交易主体。自2011年开始，我国北京、天津、上海、重庆、广东、湖北、深圳、福建被陆续作为试点建立碳排放交易市场。我国各个碳交易市场的碳交易量和碳交易额数据如下表1、图1、图2，该数据来源于中国碳交易网。从图表中可知，根据碳交易量（万吨）大小排序，碳交易市场占比由大到小为：湖北（7827.6，占比32.5%）>广东（7755.1，占比32.2%）>深圳（2708.5，占比11.2%）>上海（1739.7，占比7.2%）>北京（1449.6，占比6.0%）>天津（920.1，占比3.8%）>重庆（869，占比3.6%）>福建（947，占比3.5%）。根据碳交易额（万元）大小排序，碳交易市场占比由大到小为：湖北（168834.7，占比28.8%）>广东（159065.6，占比27.1%）>北京（89972.9，占比15.4%）>深圳（73737.4，占比12.6%）>上海（51842.5，占比8.8%）>天津（20103.6，占比3.4%）>福建（17138，占比2.9%）>重庆（5309.5，占比0.9%）。由此可以看出，我国湖北碳排放交易市场在我国碳市场中占比最大，其次为北京碳排放交易市场。此外，全国碳排放交易市场被定于2017年12月正式启动，据全国碳市场的建设方案可知，试运行和完善阶段是2017年至2020年，全面实施阶段在2020年以后。表1各碳交易市场碳交易量和碳交易额汇总北京福建广东湖北上海深圳天津重庆碳交易量万吨1449.68477755.17827.61739.72708.5920.1869占比%6.0%3.5%32.2%32.5%7.2%11.2%3.8%3.6%碳交易额万元89972.917138159065.6168834.751842.573737.420103.65309.5占比%15.4%2.9%27.1%28.8%8.8%12.6%3.4%0.9%数据来源：2021/3/29中国碳交易网-碳K线/图1我国碳交易量饼图图2我国碳交易额饼图三、碳金融价格影响因素分析碳金融价格的影响因素有很多，本文选取宏观经济因素、货币政策因素、能源价格因素、碳排放成本、碳排放政策、环境气候因素六个因素进行理论分析，以下为理论分析内容。（一）宏观经济因素世界各国在制定减排策略时都会考虑经济发展的状况，宏观经济因素对碳金融价格具有一定的影响。当经济发展繁荣时，企业为了增加利益可能会扩大生产规模，排放二氧化碳的企业对碳排放权的需求会增加，由于碳排放权的供给难以改变，碳金融价格会上升；反之亦然。此外，宏观经济对碳金融价格的影响更多地体现于第二产业（工业），轻重工业的比重、产业的发展情况等多个因素都会影响碳排放情况。（二）货币政策因素碳金融市场的金融性的属性越来越明显，而金融市场中一个市场的波动会对其他金融市场产生一定的影响，因此碳金融市场与传统金融市场之间也存在一定的关系，利率市场的波动会影响碳交易市场中企业的贷款成本，企业贷款成本会因利率的上升而增加，企业可能会减少对减排设备和技术的投入，导致碳排放增加，碳金融产品的需求量增加，导致碳金融价格上升；反之亦然。汇率会通过影响碳金融产品需求而影响碳金融价格。当本币汇率下降外币汇率上升时，外币升值购买力上升，外国市场对国内市场碳金融产品的需求量会因此增加，出口的碳金融产品的价格因需求量的增加而上升，与此同时，国内市场的碳金融产品的价格也会因此上升；反之亦然。刘宇萍：《我国碳金融产品价格影响因素及定价机制研究》，华北电力大学,2017年。（三）能源价格因素能源主要分为传统的非清洁能源（石油、煤炭等）以及清洁能源（天然气等）。二氧化碳会在能源的使用过程中产生，非清洁能源所产生的二氧化碳比清洁能源所产生的多。当石油、煤炭等非清洁能源价格上升的时候，由于难以快速转变生产过程中的能源结构，在有限碳排放容量下，企业的减排压力会因此变大，很多依赖能源的企业会转而购买碳排放权，这会使中国碳金融市场产品的需求增加，碳金融交易价格上升；反之煤炭、能源价格下降时，碳金融交易价格下降。但也存在可能，当能源价格上升的时候，为控制碳排放企业选择减少非清洁能源使用碳排放量少的清洁能源，导致碳金融产品需求下降，碳排放权交易价格下降。樊艳艳：《我国碳金融市场中碳排放权交易价格的影响因素分析》，山西财经大学,2017年。（四）碳排放成本当企业碳排放成本和碳交易成本较高时，企业可能会采用二氧化碳排放更少的替代能源、提高碳减排技术等方法来减少碳排放成本，放弃进行碳交易，进而影响碳金融价格；反之亦然。（五）碳排放政策碳排放政策会规定碳排放权的供给，当碳排放权配额供给变化时，会影响碳排放权配额的供给需求曲线，供给曲线的移动会影响碳金融价格。此外，碳排放政策会规定不同行业、不同企业所能获得的免费碳排放权配额，当企业免费碳排放权不够时只能到碳金融市场上寻找碳金融产品，企业免费碳排放权较多时便会到市场上出售，从而引起碳金融产品价格的变化。（六）环境气候因素当环境气候因素恶化时，国家对二氧化碳排放的管制会更加严格，会减少碳排放配额，即会减少碳金融产品的供给，进而导致碳金融价格上升；与此同时，企业可能会使用更加清洁的能源而减少碳排放，但综合来说，碳金融价格还是会上升。四、我国碳金融价格影响因素实证分析本文采用ARDL模型对我国碳金融价格影响因素进行实证分析，以下是实证分析内容，包括样本选取和描述性统计、实证分析过程（平稳性检验、ARDL模型分析、实证结果分析）。（一）样本选取及描述性统计1.样本选取本文选取碳排放权交易价格作为被解释变量。参考已有的国内外文献，选取宏观经济因素、货币政策因素、能源价格因素三个方面作为解释变量。由于碳排放成本、碳排放政策、环境气候因素这三个方面的价格影响因素难以寻找具体的数据进行量化，因此在模型分析部分去除这三个碳金融价格影响因素。各个变量的样本选取为2014年1月-2020年12月的月度数据，每个变量原始数据样本量均为84，样本选取如表2.表2各变量样本选取汇总指标指标符号数据来源样本量被解释变量广东碳排放权收盘价GDEA中国碳交易网84上海碳排放权收盘价SHEA解释变量上证指数SSEC英为财情上海银行间同业拆放利率SHIBOR中经网统计数据库人民币兑美元汇率中间价eWTI原油期货WTI英为财情秦皇岛动力煤（Q5500）CoalWind数据库数据来源：作者整理（1）碳排放权交易价格。虽然2017年12月全国碳交易市场正式启动，但是由于全国碳交易市场目前没有完全落地，因此并没有统一的全国碳交易价格。目前我国存在北京、上海、广东、天津、深圳、湖北、重庆、福建八个国内碳排放权交易市场，根据中国碳市场成交量和成交额、市场成熟度等因素，本文选取了广东、上海两个碳市场。样本选取2014年1月-2020年12月期间每月最后一个交易日的广东碳排放权收盘价（GDEA）以及上海碳排放权收盘价（SHEA），该数据来源于中国碳交易网。（2）宏观经济因素。宏观经济因素如GDP、第二产业发展状况等会对碳排放权交易价格有一定的影响。由于宏观经济数据一般为年度或季度，很少有月度数据，因此本文选取了上证指数（SSEC）作为指标表示宏观经济因素。④上证指数来源于英为财情。（3）利率。利率会影响碳排放权交易价格，上海银行间同业拆借利率是根据信用等级高的银行所报出的人民币同业拆出利率计算所得的算术平均利率，该利率能更好的反映市场利率，因此文中选取上海银行间同业拆放利率-隔夜（SHIBOR）的月度数据作为指标代表利率水平。上海银行间同业拆放利率数据来源于中国外汇交易中心。（4）汇率。汇率会影响产品需求，进而影响碳排放权交易价格。本文选取人民币兑美元汇率中间价（期末）指标代表汇率因素，样本选取频数为月度，该指标的数据来源于中经网统计数据库。（5）能源价格。我国碳排放主要来源之一便是煤炭、石油、天然气等化石能源的燃烧，因此能源价格对碳排放交易价格也有重要的影响。本文主要选取了原油价格和煤炭价格作为能源价格指标。由于WTI原油期货价格（美国西德克萨斯轻质中间基原油）是世界上原油市场三大基准价格之一，具有代表性，因此本文选取WTI原油期货价格表示原油价格，数据选用每月最后一个交易日的收盘价，数据来源于英为财情。根据我国煤炭的用途，我国煤炭主要被分为三大类，一类是动力煤，一类是无烟煤，最后一类是炼焦煤。虽然各个煤炭种类的价格不尽相同，价格波动也不同，由于动力煤在我国使用更多，因此本文采取秦皇岛动力煤价格（5500大卡）作为指标，该指标是我国煤炭市场上主流的指标之一，具有很强的代表性，该数据来源于wind数据库。2.描述性统计以下列举了各个变量描述性统计的结果，包括均值、中位数、最小值、最大值、标准差、偏度以及峰度，见表3。表3各变量描述性统计结果均值中位数最大值最小值标准差偏度峰度GDEA23.256418.705071.09008.190014.09712.01643.7477SHEA31.273635.400048.00004.900011.8468-0.9803-0.3663SSEC3018.79043051.45004611.74002026.3600479.83730.30511.9634SHIBOR2.34152.40704.43501.03900.56280.25241.6324e6.59966.64007.13006.11000.3224-0.1914-1.2753WTI56.729653.0400105.370018.840018.33101.09731.2063Coal2.88822570.0000787.5000370.000084.3462-0.51820.0531数据来源：作者整理如上表3，广东碳排放交易每月收盘价的平均价格为23.2564，中位数为18.7050，最大值和最小值之间相差63.71，且标准差为14.0971说明价格波动比较大，偏度2.0164与正态分布相比较说明该分布呈现右偏状态，在正态分布下峰度系数值为3，该数据的峰度为3.7477说明该数据分布相对于正态分布更陡峭一些。上海碳排放交易每月收盘价的平均价格为31.2736，中位数35.4000，比广东碳价高。最大值和最小值之间相差43.1，且标准差为11.8468说明价格波动比较大，偏度-0.9803相较于正态分布呈现左偏状态，该数据的峰度为-0.3663表明该数据分布比正态分布更加平缓，与广东碳排放价格数据分布情况不同。上证指数每月收盘价的平均价格为3018.7904，中位数为3051.4500，最大值和最小值之间相差2585.38，标准差为479.8373说明价格波动也比较大，偏度为0.3051相较于正态分布呈现右偏状态，峰度为1.9634说明相比正态分布更为平缓。上海银行间同业拆借利率的均值为2.3415%，中位数为2.4070，最大值和最小值之间相差3.396，标准差为0.5628，说明该数据波动幅度不大，偏度为0.2524说明呈现右偏状态，峰度为1.6324表明比正态分布更为平缓。人民币兑美元汇率的均值为6.5996，中位数为6.64，最大值和最小值之间相差1.02，标准差为0.3224说明汇率波动并不是特别大，偏度为-0.1914表明数据呈左偏状态，峰度-1.2753表示与正态分布相比更为平缓。WTI原油期货每月收盘价的平均价格为56.7296，中位数为53.04，最大值和最小值之间相差86.53，标准差为18.3310说明价格波动比较大，偏度为1.0973相较于正态分布呈现右偏状态，峰度为1.2063说明相比正态分布更为平缓。秦皇岛5500大卡动力煤每月收盘价的平均价格为2.88822，中位数为570，最大值和最小值之间相差417.5，标准差为84.3462说明价格波动比较大，偏度为-0.5182相较于正态分布呈现左偏状态，峰度为0.0531说明相比正态分布更为平缓。（二）实证分析过程1.平稳性检验若要建立ARDL模型，为防止出现伪回归这种非正常结果，时间序列数据必须为平稳的或者是协整的。因此在对数据构建ARDL模型之前需要对数据进行平稳性检验，若数据为平稳的便可直接使用数据进行检验，若数据不平稳则需要数据进行差分处理之后再构建ARDL模型。本文采用ADF检验（AugmentedDicky-Fullertest）也称为单位根检验，对各个变量原始数据做对数处理，对其进行平稳性检验。本文用软件eviews10.0对广东碳排放价格（LNGDEA）、上海碳排放价格（LNSHEA）、上证指数（LNSSEC）、上海银行间同业拆借利率（LNSHIBOR）、人民币兑美元中间价_期末（LNe）、WTI原油期货价格（LNWTI）、秦皇岛5500大卡动力煤价格（LNCoal）7个变量进行ADF单位根检验。各变量ADF检验结果如下表4。表4ADF检验结果变量检验形式（C,T,K）ADE检验值各个显著水平临界值P值检验结果1%5%10%LNGDEA（0,0,11）-2.35-3.5123-2.8972-2.58590.1589不平稳LNSHEA（0,0,11）-1.5481-3.5123-2.8972-2.58590.5045不平稳LNSSEC（0,0,11）-2.9899-3.5123-2.8972-2.58590.0400平稳（I0）LNSHIBOR（0,0,11）-4.3213-3.5123-2.8972-2.58590.0008平稳（I0）LNe（0,0,11）-1.9218-3.5123-2.8972-2.58590.3209不平稳LNWTI（0,0,11）-3.2090-3.5123-2.8972-2.58590.0230平稳（I0）LNCoal（0,0,11）-0.6014-3.5123-2.8972-2.58590.8637不平稳∆LNGDEA（0,0,11）-8.82-3.5123-2.8972-2.58590.0000平稳（I1）∆LNSHEA（0,0,11）-8.2959-3.5123-2.8972-2.58590.0000平稳（I1）∆LNSSEC（0,0,11）-6.9523-3.5123-2.8972-2.58590.0000平稳∆LNSHIBOR（0,0,11）-12.3633-3.5123-2.8972-2.58590.0001平稳∆LNe（0,0,11）-6.5264-3.5123-2.8972-2.58590.0000平稳（I1）∆LNWTI（0,0,11）-7.1745-3.5123-2.8972-2.58590.0000平稳∆LNCoal（0,0,11）-6.4022-3.5123-2.8972-2.58590.0000平稳（I1）注：C-常数项，T-趋势项，K-滞后阶数。∆-一阶差分。数据来源：作者利用Eviews软件计算并保留四位小数所有变量选用Eviews软件根据SIC原则（SchwarzInfoCriterion）自动选取的滞后阶数11，常数项和趋势项都为0。根据每个变量所得的P值大小判断该变量是否为平稳序列，只有当p值小于临界值0.05时，该时间序列才是平稳的。根据上表3-ADF检验结果可知，LNGDEA、LNBEA、LNe、LNCoal四个变量原始序列的p值大于0.05，为不平稳序列，但是经过一阶差分之后，这四个变量的一阶差分序列平稳，因此，这四个变量均为一阶单整时间序列（I1）。LNSSEC、LNSHIBOR、LNWTI这三个变量的原始序列的p值都小于0.05，说明这三个变量的原始序列为平稳序列，为零阶单整序列（I0）。所有变量经过一阶差分后都平稳。2.ARDL模型分析由于本文中七个变量有三个变量为零阶单整，四个变量为一阶单整，并不是同阶单整。传统标准的协整检验并不符合本文所选变量数据，因此，本文选用自回归分布滞后模型（ARDL）分析变量之间的长期关系，其优点便是不要求变量为同阶单整，变量可以为零阶单整（I0）也可以为一阶单整（I1）。本文运用ARDL模型研究上证指数（SSEC）、银行间同业拆借利率（SHIBOR）、汇率（e）、石油价格（WTI）、秦皇岛煤炭价格（Coal）对广东（GDEA）和上海（SHEA）碳排放权价格的影响，以此推出这几个变量对全国碳排放权交易价格的影响。但由于进行ARDL模型检验之后并没有进行残差平稳检验，根据上表4可知所有7个变量（取对数后）通过一阶差分之后都是平稳的，因此在模型中采用一阶差分变量进行分析。（1）ARDL边限协整检验。在本文边限协整检验中，变量之间不存在长期的协整关系被设为原假设，即H0：β1=β2=β3=β4=β5。变量间存在长期的协整关系被设为备择假设，即β1、β2、β3、β4、β5至少存在一个是不为零的。将F统计量与上临界值进行对比，若大于临界值，则表明拒绝原假设，即变量之间存在协整关系。本文的ARDL边限协整检验选用Eviews10软件进行检验，最优滞后阶数是通过Eviews10根据AIC原则自动确定。第一，研究被解释变量LNGDEA和解释变量LNSSEC、LNSHIBOR、LNe、LNWTI。构建模型表达式（1-1）：其中j、k、l、m、n是变量的滞后阶数，t是变量的滞后期，β0是常数项，μt是白噪声，∆表示变量一阶差分。式（1-1）经过测算得出统计值如下表5，模型（1-1）的F统计值为8.449943，大于10%、2.5%、5%、1%的上边界值4.06、4.57、5.07、5.72，因此拒绝原假设，即自变量（LNGDEA）和因变量（LNSSEC、LNSHIBOR、LNe、LNWTI）之间存在协整关系。第二，研究被解释变量LNGDEA和解释变量LNSSEC、LNSHIBOR、LNe、LNCoal。构建模型表达式（1-2）：其中j、k、l、m、n、t、β0、μt、∆的解释同表达式（1-1）。式（1-2）经过测算得出的模型（1-2）的F统计值为8.516267（见表5），大于10%、2.5%、5%、1%的上边界值4.06、4.57、5.07、5.72，因此拒绝原假设，即自变量（LNGDEA）和因变量（LNSSEC、LNSHIBOR、LNe、LNCoal）之间存在协整关系。第三，研究被解释变量LNSHEA和解释变量LNSSEC、LNSHIBOR、LNe、LNWTI。构建模型表达式（1-3）：其中j、k、l、m、n、t、β0、μt、∆的解释同表达式（1-1）。式（1-3）经过测算得出的模型（1-3）的F统计值为12.57443（见表5），大于10%、2.5%、5%、1%的上边界值4.06、4.57、5.07、5.72，因此拒绝原假设，即自变量（LNSHEA）和因变量（LNSSEC、LNSHIBOR、LNe、LNWTI）之间存在协整关系。第四，研究被解释变量LNSHEA和解释变量LNSSEC、LNSHIBOR、LNe、LNCoal。构建模型表达式（1-4）：其中j、k、l、m、n、t、β0、μt、∆的解释同表达式（1-1）。式（1-4）经过测算得出的模型（1-4）的F统计值为20.76642（见表5），大于10%、2.5%、5%、1%的上边界值4.06、4.57、5.07、5.72，因此拒绝原假设，即自变量（LNSHEA）和因变量（LNSSEC、LNSHIBOR、LNe、LNCoal）之间存在协整关系。表5模型（1）ARDL边限协整检验函数F统计值10%5%2.5%1%I(0)I(1)I(0)I(1)I(0)I(1)I(0)I(1)表达式（1.1）8.4499433.034.063.474.573.895.074.45.72表达式（1.2）8.5162673.034.063.474.573.895.074.45.72表达式（1.3）12.574433.034.063.474.573.895.074.45.72表达式（1.4）20.766423.034.063.474.573.895.074.45.72数据来源：作者利用Eviews软件计算所得（2）长期系数估计。利用ARDL模型分析各个解释变量对GDEA的长期影响。第一，模型（1-1）存在协整关系，表明变量之间存在长期均衡关系，因此构建ARDL模型（2-1）来估计上证指数、上海银行间同业拆借利率、利率、WTI石油价格分别与广东碳排放价格之间的长期弹性系数。模型（2-1）中n是滞后阶数，t为滞后期，β0是常数项，μt是白噪声。∆LNGDEAt=利用模型（2-1）估计时，采用AIC原则软件自动确定该模型的最优滞后阶数，最大滞后阶数限定为4，估计得到最优滞后阶数为p=3，q1=2，q2=1，q3=0，q4=0，得到最优模型为ARDL（3,2,1,0,0），模型估计结果见表6。表6ARDL(3,2,1,0,0)的长期均衡系数估计变量相关系数标准差T统计值P值∆LNSSEC0.44560.40411.10270.2740∆LNSHIBOR0.24110.13551.77910.0797∆LNe2.45201.33491.83690.0706∆LNWTI0.06060.09600.63200.5295模型检验：F-statistic=3.931431，p=0.0002，D-W=1.921469第二，模型（1-2）表明变量之间存在长期均衡关系，因此构建ARDL模型（2-2）来估计上证指数、上海银行间同业拆借利率、利率、秦皇岛5500大卡动力煤价格分别与广东碳排放价格之间的长期弹性系数。模型（2-2）中n是滞后阶数，t为滞后期，β0是常数项，μt是白噪声。

∆LNGDEAt=β0+i=1利用模型（2-2）估计时，采用AIC原则确定最优滞后阶数，最大滞后阶数限定为4，估计得到最优滞后阶数为p=3，q1=2，q2=1，q3=0，q4=0，得到最优模型为ARDL（3,2,1,0,0），模型估计结果见表7。表7ARDL(3,2,1,0,0)的长期均衡系数估计变量相关系数标准差T统计值P值∆LNSSEC0.48230.42711.12930.2627∆LNSHIBOR0.25300.14431.75290.0841∆LNe2.50921.41351.77520.0803∆LNCoal0.21760.29560.73610.4642模型检验：F-statistic=3.961850，p=0.0002，D-W=1.930456（3）稳健性检验。本文研究我国碳排放价格的影响因素，由于选用单个省/市的碳排放交易市场分析，可能存在偶然性，难以代表我国整个碳排放交易市场的情况，因此，本文在选用广东碳排放价格作为被解释变量进行分析之后，进而选用上海碳排放价格作为被解释变量进行分析，来进行稳健性检验，检验分析结果是否稳定准确。第一，模型（1-3）存在协整关系，表明变量之间存在长期均衡关系，因此构建ARDL模型（2-3）来估计上证指数、上海银行间同业拆借利率、利率、WTI石油价格分别与上海碳排放价格之间的长期弹性系数。模型（2-3）中n是滞后阶数，t为滞后期，β0是常数项，μt是白噪声。

∆LNSHEAt式（2-3）利用模型（2-3）估计时，采用AIC原则软件自动确定该模型的最优滞后阶数，最大滞后阶数限定为4，估计得到最优滞后阶数为p=1，q1=0，q2=3，q3=4，q4=2，得到最优模型为ARDL（1,0,3,4,2），模型估计结果见表8。表8ARDL(1,0,3,4,2)的长期均衡系数估计变量相关系数标准差T统计值P值∆LNSSEC0.31480.41360.76110.4494∆LNSHIBOR0.95860.33062.89960.0051∆LNe3.02423.47570.87010.3875∆LNWTI0.44500.27701.60680.1131模型检验：F-statistic=2.575731，p=0.0046，D-W=1.9202165第二，模型（1-4）表明变量之间存在长期均衡关系，因此构建ARDL模型（2-4）来估计上证指数、上海银行间同业拆借利率、利率、秦皇岛5500大卡动力煤价格分别与上海碳排放价格之间的长期弹性系数。模型（2-4）中n是滞后阶数，t为滞后期，β0是常数项，μt是白噪声。

∆LNSHEAt式（2-4）利用模型（2-4）估计时，采用AIC原则确定最优滞后阶数，最大滞后阶数限定为4，估计得到最优滞后阶数为p=1，q1=0，q2=4，q3=0，q4=4，得到最优模型为ARDL（1,0,4,0,4），模型估计结果见表9。表9ARDL(1,0,4,0,4)的长期均衡系数估计变量相关系数标准差T统计值P值∆LNSSEC0.42670.32071.33030.1881∆LNSHIBOR0.23950.32840.72940.4684∆LNe4.98611.69052.94940.0044∆LNCoal2.23910.73583.04320.0034模型检验：F-statistic=3.010223，p=0.0001，D-W=2.0442803.实证结果分析第一，由上表6可知，模型（2-1）的D-W值为1.921469接近2，说明模型残差间相互独立，不存在自相关性。虽然上证指数对广东碳排放价格的长期影响系数为0.4456，但是由于P值为0.2740大于0.1表明P值并不显著，因此无法说明上证指数对广东碳排放价格有长期正向的影响。上海银行间同业拆借利率相关系数为0.2411，P值为0.0797表明在10%的显著水平下显著，若其他变量不变，则上海银行间同业拆借利率每上升1个百分点，广东碳排放价格会上升大约0.24个百分点，从长期来看，上海银行间同业拆借利率对广东碳排放价格有正向影响。人民币兑美元汇率对广东碳排放价格的长期影响系数为2.4520，P值为0.0706在10%的显著水平下显著。由于我国人民币兑美元汇率采用直接标价法，本币汇率下降1个百分点即美元汇率上升1个百分点，广东碳排放价格上升2.45个百分点，人民币兑美元汇率对广东碳排放价格在长期有正向影响。WTI原油期货价格对广东碳排放价格的长期影响系数为0.0606，但由于P值为0.5295大于0.1，即P值并不显著，因此无法说明WTI原油期货价格对广东碳排放价格有长期影响。根据各个相关系数和P值的大小可知，汇率对广东碳排放价格的影响大于上海银行间同业拆借利率，而上证指数和WTI原油期货对广东碳排放价格的影响并不不显著。第二，构建的模型（2-2）中将模型（2-1）代表能源价格的WTI原油期货价格指标换为秦皇岛5500大卡动力煤价格指标，通过与模型（2-1）的实证结果进行比较，分析煤炭价格与原油价格两个变量对碳排放价格影响的区别。模型（2-2）的D-W值为1.930456接近2，说明模型残差间相互独立，不存在自相关性。当变量WTI原油期货价格改为秦皇岛5500大卡动力煤价格指标后，其他变量的相关系数也有所变化，上证指数对广东碳排放价格的长期影响系数由0.4456变为0.4823，P值由0.2740变为0.2627，仍然不显著。上海银行间同业拆借利率的P值为0.0841在10%的显著水平下显著，相关系数有0.2411变为0.2530，说明对广东碳排放价格的正向影响稍微有所上升。人民币兑美元汇率（直接标价法）对广东碳排放价格的P值为0.0803在10%的显著水平下显著，长期影响系数由2.4520变为3.0242，对广东碳排放价格的影响上升。秦皇岛5500大卡动力煤价格对广东碳排放价格的P值为0.4642大于0.1并不显著，即使长期影响系数为0.2176，也无法说明动力煤价格对广东碳排放价格有长期影响。变量对广东碳排放价格的影响系数从大到小为：汇率、上海银行间同业拆借利率、而上证指数和秦皇岛动力煤价格对广东碳排放价格并不显著。与模型（2-1）的结果相比可以看出，虽然秦皇岛5500大卡动力煤价格和WTI原油期货价格对广东碳排放价格的影响均不显著，但是动力煤价格相较于WTI对碳排放价格更有影响。第三，模型（2-3）的D-W值为1.9202165接近2，说明模型残差间相互独立，不存在自相关性。上证指数对上海碳排放价格的P值为0.4494并不显著，虽然长期影响系数为0.3148，但是无法说明上证指数对上海碳排放价格有长期影响。上海银行间同业拆借利率的P值为0.0051在10%的水平下显著，其相关系数为0.9586，若其他变量不变，则上海银行间同业拆借利率每上升1个百分点，上海碳排放价格会上升大约0.96个百分点，从长期来看，上海银行间同业拆借利率对上海碳排放价格有正向影响。人民币兑美元汇率对上海碳排放价格的P值为0.3875不显著，长期影响系数为3.0242，无法说明人民币兑美元汇率对上海碳排放价格在长期有影响。WTI原油期货价格对上海碳排放价格的P值为0.1131不显著，长期影响系数为0.4450，,无法说明WTI原油期货价格对上海碳排放价格在长期有正向影响。根据各个P值和相关系数的大小可知，上海银行间同业拆借利率对上海碳排放价格影响为正，上证指数、汇率、WTI影响不显著。对比模型（2-1）的实证分析结果，与对广东碳排放价格的影响基本一致。第四，模型（2-4）的D-W值为2.044280接近2，说明模型残差间相互独立，不存在自相关性。当WTI原油期货价格指标替换为秦皇岛5500大卡动力煤价格指标后，各解释变量与上海碳排放价格的P值和相关系数也有所变化。上证指数对上海碳排放价格的P值从0.4494变为0.1881仍不显著，长期影响系数由0.3148变为0.4267。上海银行间同业拆借利率P值从0.0051上升为0.4684，影响不再显著。而人民币兑美元汇率（直接标价法）对上海碳排放价格P值下降为0.0044，在5%的水平下显著，长期影响系数变为4.861，说明其对上海碳排放价格开始有长期正向影响。秦皇岛5500大卡动力煤价格对上海碳排放价格的P值为0.0034，在5%水平下显著，长期影响系数为2.2391，即从长期看动力煤价格每上升1个百分点，上海碳排放价格上升2.24个百分点，秦皇岛动力煤（5500大卡）价格对上海碳排放价格在长期有正向影响。其中汇率的长期影响系数>秦皇岛动力煤价格。首先，与模型（2-3）的长期影响系数结果相比可以看出，秦皇岛5500大卡动力煤价格对上海碳排放价格有正向影响，比WTI原油期货价格对上海碳排放价格的影响大，与对广东碳排放价格的分析基本一致。其次，将模型（2-4）与模型（2-2）相比，直接标价法下的汇率对广东和上海碳排放价格的正向影响最大，上证指数对广东和上海的碳排放价格的影响都不显著。综上所述，上海银行间同业拆借利率和汇率对广东和上海的碳交易价格更为显著，有长期正向影响，而上证指数和WTI原油期货对广东和上海碳交易价格影响并不显著，秦皇岛动力煤价格对广东碳排放价不显著而对上海碳排放价格显著。由于碳排放权交易市场是金融性市场，会受到投资者的影响，市场参与者不只有能源企业还有很多其他的投资者，市场存在很多投资和投机行为，这可能导致实体能源价格的影响对碳排放市场影响较小。当上证指数上升代表经济增长，我国碳市场并不是十分完善，投资者可能会选择把多余的钱投入到其他更加完善、收益更多的金融市场，因而对碳市场的影响较小。随着碳交易市场的逐步发展和完善，碳交易市场的金融属性也变得更加明显。当金融性过大时，市场价格与其他金融市场的联系也更加密切，受到金融性指标的影响会更大，这导致碳排放权交易价格受到基本面的影响很小，因此会出现上证指数、WTI和秦皇岛动力煤价格的影响存在不显著的情况。五、结论建议与展望（一）结论由于中国碳金融市场中碳排放交易市场最为主要，因此本文选用ARDL模型对中国碳排放市场价格进行研究，对广东碳排放市场价格进行研究后，又采用同样的方法对上海碳排放市场价格进行分析确保研究结果具有稳健性。通过ARDL实证分析，本文得出了以下结论：第一，汇率（直接标价法）对我国碳排放权交易价格的影响最大，为正向影响即碳排放价格会随着本币汇率的下降美元汇率的上升而上升。这可能与我国广东和上海碳金融市场的国际化程度比较高有关。第二，根据实证结果可以看出，煤炭价格对我国碳排放权交易价格的影响比石油的影响更大，说明我国目前二氧化碳排放仍然主要来源于煤炭。第三，除汇率外其他因素对广东和上海碳排放交易市场价格影响大小的排序并不同，这与广东和上海碳排放交易市场的实际发展情况不同有关。第四，上证指数（宏观因素）和WTI原油期货（能源价格）对广东和上海碳排放价的影响不显著，秦皇岛动力煤价格对广东碳价不显著但对上海碳价有正向影响，而汇率和利率影响（金融市场因素）相比较上证指数和能源价格的分析结果更加显著。出现这种结果的原因可能是由于我国碳排放交易市场的金融性更加突出，因此金融因素对其价格影响更加明显，而宏观因素和能源价格因素（基本面因素）对其影响不大。（二）建议一是促进企业进行能源使用结构的调整。积极发展清洁能源，鼓励企业能够调整能源使用，如减少使用传统非清洁能源，增加清洁能源的使用；通过技术提升来增加能源使用的效率，减少碳排放。二是进一步健全碳交易市场。通过健全完善我国碳金融市场，进一步提高碳交易市场的运行效率和稳定。我国目前所存在的八个碳交易市场的交易现状、政策制度存在一定的差异，健全和完善碳交易市场，减少各交易试点之间