| 标题 | 欧盟碳价影响因素研究及其对中国的启示 |
| 范文 | 易兰++杨历++李朝鹏++任凤涛 摘要作为一项市场创新和政策创新，即将启动的中国全国性碳市场备受国内外关注。为保证其成功建立与平稳发展，相关经验借鉴已刻不容缓，但作为投石问路的7大试点碳市场发展层次不齐，可供参考的模式有限，因此研究全球第一大碳市场——欧盟碳排放交易体系（EU ETS）及其对中国的可参照性尤为迫切；而作为市场是否成熟的风向标，碳价规律性特征的挖掘尤为重要。前期国内外学者分别发现CER价格、原油价格、煤炭价格、天然气价格、欧洲工业指数、联合国气候变化大会、政府政策、极寒天气、暖冬天气、自然灾害、重大事件等多种因素都有可能引起EUA期货价格波动。本研究通过引入MIVBP神经网络模型，对EU ETS二期和三期的EUA期货价格进行训练和测试，模拟了上述11个因素对EUA价格的影响，弥补了传统计量模型难以同时处理较多变量及不能整合定性与定量变量等缺点。通过对EU ETS二期1 149组和三期775组数据的挖掘，得出了各变量对EUA期货价格的影响程度。其中，二期运行阶段各变量影响程度从大到小排序为：自然灾害>COP>CER>极寒天气>Coal>重大事件>Brent>政府政策>Stock600>Gas>暖冬天气；三期运行阶段各变量影响程度从大到小排序为：COP>Stock600>Coal>自然灾害>极寒天气>重大事件>政府政策>Brent>Gas>CER>暖冬天气。最后，本研究对二、三期各变量对碳价影响程度的变化进行了解释，并对中国未来建立全国性碳市场提出了以下四点建议：①稳定碳市场参与主体预期；②完善核证减排抵消机制，保持政策稳定；③配额分配考虑区域差异；④建立配额应急机制。 关键词EU ETS；BP神经网络；碳价；影响因素 中图分类号F830.9文献标识码A文章编号1002-2104（2017）06-0042-07 DOI： 10.12062/cpre.20170361 2017年中国将全面启动全国碳市场，首期纳入11个行业的7 000多家大型企业，覆盖的排放交易量约为30—40亿 t，现货交易额有望达到80亿元/年，纳入期货交易的全国碳市场规模或达4 000亿元。届时，全国碳市场将一举超越欧盟碳排放交易体系（EU ETS）成为全球第一大碳市场。目前，中国7个区域碳市场为期3年的试运行阶段已基本结束，7大试点很多良好的经验及模式给全国碳市场提供了重要参考，但也出现了碳价信号不明显、市场信息传导机制不畅通、碳价偏低难以反映减排成本等问题。因此，研究全球最为成熟的碳市场——EU ETS的价格形成机制，将对全国性碳市场的成功建立与平稳发展提供借鉴。本研究在前人研究基础上，针对碳价影响因素展开探讨，通过对EU ETS最新碳价数据挖掘发现各影响因素对碳价的影响机制。 1研究综述 EU ETS作为全球第一大碳市场，历来是国内外学者的主要研究对象，碳价影响因素的研究又是国内外学者研究的重要议题。相关研究发现，能源价格、气温、宏观经济发展情况、CER价格等诸多变量均对EUA价格的波动产生影响。 部分学者发现能源价格与碳价之间存在较强相关性：如Mansanet[1]发现原油和天然气价格与碳价呈正相关，煤炭价格对碳价无显著影响；海小辉[2]认为布伦特原油通过天然气市场间接影响碳价；陈晓红[3]认为煤炭价格是碳价最大的影响因素。同时，也有部分学者研究了温度与碳价的关系，汪文隽[4]认为温度对碳价并没有显著影响，而Mansanet[1]则发现温度极值对碳价存在正向影响。Alberola[5]发现极寒气温下温度的变化对碳价的影响比起极低气温本身对碳价影响更大，而极高温度则不存在这样的影响。在宏观经济对碳价影响上，Christiansen[6]等认为宏观经济环境会对碳价产生影响，当经济形势上行时，工业生产活动增多，碳排放权需求增加，碳价会相应升高，经济形势下行时，碳价也会相应下降；Chevallier[7]认为EU ETS运行期初，欧洲股市、债市对碳价没有呈现显著影响，但到2007年8月之后股市对碳价开始呈现显著影响。针对CER与EUA价格之间的互动机理，目前学术界则尚无统一定论。Fatemeh[8]研究了CER与EUA价差的形成机理，发现不同的外部市场环境对两者价格影响程度不同；Barrieu[9]等人认为CER與EUA价格之间具有较强的相关性；Cao[10]等利用MFDFAEMD模型发现CER与EUA价格的波动趋势和特征较为类似；王玉[11]认为EUA对CER价格呈主导拉动关系，盛春光[12]则认为CER价格波动起主导作用。 除上述影响因素外，还有部分学者研究了自然灾害、不可控因素、政策颁布等定性因素对碳价的影响。如朱帮助[13]等研究了巴厘行动计划、全球金融危机以及欧债危机对碳价的影响；齐绍洲[14]等研究了市场投机行为、气候变化问题谈判对碳价的影响；张跃军[15]等研究了政治决策、异常天气等对碳价的综合影响。上述研究基本以多元线性回归、格兰杰因果关系检验、协整理论等传统计量经济学方法为主。 综上所述，国内外学者针对碳价影响因素进行了大量研究，但仍存在一定不足：第一，碳价影响因素的选取多为定量变量，未能将定性变量纳入模型；第二，运用传统计量经济学模型进行研究时，当影响因子数目过多，往往会导致模型结构不稳定、模型结果精准度降低；第三，各变量对碳价的影响机制尚未有定论。基于上述不足，本研究拟利用MIVBP神经网络模型，研究CER价格、能源（布伦特原油、欧盟天然气、欧洲煤炭）价格、宏观经济发展形势（Stock600工业指数）、天气（暖冬、极寒）、政策（联合国气候变化大会COP、政府政策）以及不可控因素（自然灾害和重大事件）等11个变量对碳价的影响。 2MIVBP神经网络模型搭建 误差反向传播（Back Propagation）神经网络模型是包括输入层、隐含层和输出层，按误差逆传播算法训练的多层前馈网络模型，具有较强的自组织、自适应能力。它可以逼近任意连续函数，非线性映射能力强，而且网络中各层节点数及网络学习系数等参数可根据具体情况设定，在许多科学研究领域发挥了重要作用。BP神经网络的学习过程由信号正向传播与误差逆向传播组成。首先是正向传播过程，输入信息通过输入层经各隐含层，逐层处理并计算每个单元的实际输出值；其次是反向过程，若在输出层未能得到期望的输出值，则逐层递归计算实际输出与期望输出的差值，通过修改权值，使得总误差函数达到最小。输入信息重复进行正向传播与误差反向传播来修改各层权值矩阵。权值不断修改的过程被称为神经网络的学习过程， 直到网络输出误差减少到可接受程度或达到设定的学习次数为止[16]。 2.1变量选取及数据说明 通过梳理国内外文献并结合欧盟专家意见，本研究确定了以EUA价格作为解释变量，CER价格、能源（Brent、Gas、Coal）价格、宏观经济发展指数（Stock600工业指数）、天气（暖冬、极寒）、政策（联合国气候变化大会和政府政策）以及不可控因素（自然灾害和重大事件）作为影响变量。模型具体变量及解释见表1。 由于EU ETS交易以期货为主，本研究从欧洲洲际期货交易所（ICE）中选取了2012年12月31日到期（DEC12）与2015年12月31日到期（DEC15）的EUA期货价格数据进行研究，以覆盖EU ETS二期运行的全部时段（2008年1月1日—2012年12月31日）及部分三期运行时段（2013年1月1日—2015年12月31日）。此外，为保证数据的一致性，本研究涉及到的CER、Brent、Gas等期货价格也从ICE中获取。Stock600指数从Wind数据库获取，Coal价格来自欧洲能源交易所（EEX）。其余定性变量通过综合整理多种渠道和来源所得，其中联合国气候变化大会影响时长是通过Google趋势搜索指数来确定。暖冬天气、极寒天气、COP、政府政策、自然灾害、重大事件等6个定性变量，如果发生则记为1，未发生则记为0。综上所述，本研究共获取DEC12数据1 149组，DEC15数据775组。 2.2BP神经网络模型 BP神经网络在完成非线性回归时，需要经历三个步骤：第一步网络构建，确定网络各层节点数和传递函数；第二步网络训练，判断训练结果是否达到该模型的最优设置；第三步网络预测，利用已经训练好的模型进行预测并输出预测结果。 2.2.1BP神经网络构建 （1）确定训练样本集与测试样本集：本文对DEC12和DEC15的总样本数随机选取80%作为训练样本集（分别为919与620），通过多次训练构造模型；其余20%作为测试样本集（230与155），输入模型以检验模型的泛化能力。 （2）数据归一化：由于各影响因子变量的数量级不一致，有可能导致网络的预测误差较大。因此，需要对数据进行预处理以消除数量级差别。BP神经网络中常用到mapstd函数或mapminmax函数进行归一化处理。本研究数据测试显示，mapstd函数归一化后得到的数据相较于mapminmax函数处理后的数据更加平稳，因此本研究使用mapstd函数来进行数据预处理。预处理公式为y=（x-xmean）（ystd/xstd）+ymean，其中x为原始样本数据，y为转化得到的新数据（其中ystd=1，ymean=0）。 （3）确定网络输入层、隐含层及输出层节点数：模型的输出变量为EUA，故输出层节点数为1；输入变量为CER、Brent、Gas、Coal、Stock600等5个定量变量，以及COP、暖冬天气、极寒天气、政府政策、自然灾害、重大事件等6个定性变量，因此输入层节点数为11。隐含层节点数可首先通过经验公式l （4）各层传递函数的确定：本研究所建立的模型，隐含层的节点传递函数为正切S型传递函数tansig；输出层的节点传递函数为线性传递函数purelin。 2.2.2BP神经网络训练 （1）网络初始化：网络权值的初始化决定了网络模型训练的误差曲面起点，因此初始化方法对缩短网络的训练时间至关重要，通常有三种方法常被使用：取足够小的初始权值，使初始值为+1和-1的权值数相等，随机初始权法。本研究采用第三种方法以避免人为因素干扰，保证模型的有效性。 （2）模型设定：模型所选取的训练算法为LevenbergMarquardt方法，该算法可以有效克服梯度下降法、牛顿法、共轭梯度法等算法所普遍存在的收敛速度慢、往往收敛于局部极小值等缺陷。学习函数为带动量项的BP学习规则learngdm。性能分析函数选取的是均方差性能分析函数MSE。最大迭代次数net.trainParam.epochs=2 000；学习率net.trainParam.lr=0.05；最小误差net.trainParam.goal=0.000 001；最小梯度net.trainParam.min_grad=0.000 000 1；最大失败次数net.trainParam.max_fail=50。 （3）网络训练结果：以DEC15结果为例，利用建立的模型对EUA价格进行模拟，大量重复实验后，根据MSE最小值作为判定依据选取最优模型。虽然网络未达到最优设置的0.000 001，但Validation Checks已达到上限50，此时迭代次数为72，网络误差为0.016 1。 2.2.3BP神经网络训练效果 针对上文已选择的最优参数对样本进行预测，得到模型预测的相对残差（误差百分比）如图1所示，可直观看到模型有着较好的拟合效果，相对残差基本处于-1.5%—1.5%之间，多数集中在0%附近，这表明模型的训练结果精确度高、误差小。 2.3影响因素程度模型（MIV方法） 通过建立的模型虽可进行预测，但无法直接判断各个输入变量对EUA价格的影响程度。因此本研究引入MIV（Mean Impact Value）方法来评价各自变量对因变量影响的重要程度。MIV是用于确定输入神经元对输出神经元影响大小的指标，其符号代表相关的方向，绝对值大小代表影响的相对重要性。具体计算过程是：在网络训练终止后，将训练样本P中每一自变量特征在其原值基础上分别加、减10%构成两个新的训练样本P1和P2，将P1和P2分别作为仿真样本利用已建成的网络模型进行仿真得到两个仿真结果A1和A2，求出A1和A2的差值，即为变动该自变量后对输出产生影响的变化值（IV），最后将IV按观测例数平均得出该自变量对因变量的影响度——网络输出MIV。按照以上步骤依次算出各自变量的MIV值，最后根据MIV绝对值大小为各自变量影响度排序得到各自变量对网络输出影响相对重要性。 3实证研究结果及分析 根据上述模型，本研究得出各变量影响程度在DEC12期间从大到小依次为：自然灾害>COP>CER>极寒天气>Coal>重大事件>Brent>政府政策>Stock600>Gas>暖冬天气，其中COP和重大事件为负相关，暖冬天气与Gas均为不相关，其余为正相关；在DEC15期间依次为：COP>Stock600>Coal>自然灾害>极寒天气>重大事件>政府政策>Brent>Gas>CER>暖冬天气，其中COP和重大事件为负相关，CER和暖冬天气为不相关，其余均为正相关。具体结果见表2。 DEC12与DEC15结果表明，每年一度的联合国气候变化大会对碳价有着显著的负向影响，这与Chevallier[17]等人的研究结果基本一致。联合国气候变化大会的召开，通常决定全球气候变暖问题走向及碳市场建立的政治意义，因此对碳价产生了巨大冲击。2008—2015年联合国气候变化大会各国就减排目标与应对气候变化专项资金等一系列问题始终未达成一致意见与实质性条款。如2008年加拿大对《京都议定书》第二承诺期持反对态度；2009年大会召开期间的“气候门事件”使得人们普遍怀疑全球气候变暖的可信性；2010年美国拒绝承担“共同但有区别的责任”，日本声明永远不会对《京都议定书》第二阶段减排目标做出承诺；2011年加拿大宣布正式退出《京都议定书》；2012年加拿大、日本、新西兰明确不参加《京都议定书》第二承诺期。三期运行阶段，2013年日本公布修正后的减排目标不降反升，澳大利亚拒绝在大会上做出履行出资义务的新承诺；2014年巴黎协议草案迟迟未能达成一致意见；2015年包括欧盟在内的发达国家不愿对具体援助金额做出承诺。综上所述，联合国气候变化大会近年来进程步履维艰，在一定程度上影响了市场主体的信心，因而对碳价走势造成了负向影响。 DEC12与DEC15结果都表明，自然灾害对EUA价格有较大的正向影响，目前学术界针对自然灾害对碳价的影响鲜有研究，只有部分学者研究了极端天气事件对碳价的变动并发现其对碳价有着较为显著的影响。根据瑞士再保险公司统计，DEC12期间洪灾、风暴以及高温等一系列自然灾害频发，DEC15期间欧盟境内洪灾、热浪以及冰雹灾害频发对境内电厂等为代表的基础设施造成较大破坏，如核电厂维修频繁、水利发电减少，煤炭发电增加导致EUA价格上升。 在DEC12期间，CER价格对EUA价格存在较强正向影响，这与盛春光[12]等人的研究结论基本一致。欧盟委员会规定EU ETS控排主体的排放量最高可以被13.4%的CER抵消，CER与EUA之间属同质单向替代品，EUA价格升高在一定程度上会拉动CER价格升高，在二期运行阶段EUA与CER价格之间波动幅度较为趋同，两者之间呈较强正相关；DEC15期间，CER与EUA价格之间则呈不相关，原因在于欧盟第三阶段的新政策规定京都信用将不再作为履约单位，其与EUA的互换也是有条件的，对于2012年之后新项目产生的议定书第二承诺期的CER替换为EUA，欧盟将只接受来自最不发达国家或与欧盟签署双边协议的国家的CER，此外，EU ETS第三阶段禁止使用氢氟碳化物和氧化亚氮项目产生的CER，直接导致全球CDM项目不景气，加之审批与抵消制度更加严格，使得CER价格几乎跌落为零，因此两者在这一阶段呈不相关。 DEC12与DEC15结果显示政府政策对EUA价格有着相对较弱的正向影响，这与Chevallier[17]的研究结论基本一致。2008—2015年期间欧盟委员会颁布的相关文件多数是有关完善EU ETS的条款，对市场平稳运行具有促进作用，因此政府政策与EUA价格之间呈正相关。 DEC12结果显示Stock600指数与EUA价格之间呈现较弱的正相关，DEC15阶段这种正相关变强，这与以往研究经济发展与碳价相关的结论一致。EU ETS二期运行阶段，遭遇金融危机与欧债危机，整个欧盟经济萎靡，因此EUA价格与Stock600指数之间的相关性较弱。而随着欧盟经济的逐步回涨，工业生产大幅上升，EUA价格与宏观经济发展之间呈正相关且关联性增强。 DEC12与DEC15结果都显示极端天气会对碳价造成一定的影响，这与Chevallier[17]、Liu[18]等人的观点一致，极端天气通过影响能源需求进而影响碳排放权需求的变化，最终引起碳价波动。DEC12与DEC15结果显示极寒天气对EUA价格造成正向影响，而暖冬天气则与EUA价格不相关。极寒天气出现会导致冬季水力发电减少煤电上升，进而导致碳排放量上升，EUA价格升高。 DEC12与DEC15结果显示重大事件与EUA价格呈负相关，本研究诸多重大事件均为与碳市场相关的负面事件，如2008年的航空减排纳税事件，2011年的核证减排失窃事件，2012年的市场稳定计划延迟公布，2014年苏格兰公投脱英事件等，通常会引起EUA价格的下跌，上述时间段内的碳价走势也直接验证了本研究的观点。 化石能源价格对EUA价格的影响则较为复杂。DEC12结果显示，煤炭价格与碳价存在较强的正相关，其次是石油，而天然气价格与碳价则不相关，这与前期的研究结果不尽相同，但目前能源价格对碳价影响机制，学术界也尚未达成一致。如陈晓红[3]等认为二期运行过程中煤炭价格是对碳价变动影响最大的因素，而张跃军[15]等的研究结论却认为欧盟碳價变动最大的影响因素是油价，其次是天然气价格，煤炭价格的影响程度最小。根据BP能源统计2012年鉴，2011年欧盟天然气消费下降了9.9%，创有史以来的最大降幅。2012年由于俄罗斯遭遇严冬，导致了天然气价格居高不下，促使人们转而使用价格较为低廉的煤炭，因而煤炭使用量上升，碳排放权需求也随之上升，进而促使了碳价的上涨。由于天然气供给不足，天然气价格的变化对碳价的变化并未产生影响。根据欧盟相关报道，欧盟大量使用煤炭进行发电，导致了欧盟2012年1 890亿欧元的环境损失，这同时也佐证了本研究的结论。DEC15研究结果表明，煤炭价格与EUA价格之间呈现较强的正相关，石油价格与EUA价格之间呈现较弱的负相关，而天然气价格在三期运行中与EUA价格呈弱正相关。天然气价格由不相关变为弱正相关，原因在于EU ETS三期运行阶段，欧盟由于能源安全考虑大幅降低了天然气消耗，同时天然气价格也不断下降，而EUA价格也长期处于下降趋势，因此两者之间呈现了一定的弱相关。 4研究结论及对中国碳市场的启示 4.1研究结论 本研究针对EU ETS二、三期运行价格的影响因素进行了研究，通过建立具有11个节点输入层、1个节点输出层、[10，10]节点隐含层的BP神经网络模型分析了化石能源市场、宏观经济运行情况等5个定量因子和联合国气候变化大会、政府政策、自然灾害等6个定性因子对DEC12与DEC15两组EUA期货价格的影响，并使用MIV方法计算了这11个影响因子对EUA价格变化的贡献度。EU ETS二期运行阶段各变量影响程度从大到小为：自然灾害>COP>CER>极寒天气>Coal>重大事件>Brent>政府政策>Stock600>Gas>暖冬天气；EU ETS三期运行阶段为：COP>Stock600>Coal>自然灾害>极寒天气>重大事件>政府政策>Brent>Gas>CER>暖冬天气。 其中Stock600指数在二期运行阶段为弱正相关，在三期运行阶段成为强相关；Gas价格由二期运行阶段的不相关变为三期运行阶段的弱正相关；CER价格由二期运行阶段的强正相关变为三期运行阶段的不相关，其余各因素在两期影响程度基本一致。Stock600指数的影响程度由弱正相关变为强正向相关，原因在于欧盟从经济危机中已逐渐复苏，特别是汽车业和建筑业逐渐回升，促进了碳价的上升。这表明，碳价与宏观经济发展形势较为密切，较好的经济发展态势会促使碳价上升，而低迷的经济态势则易导致碳价与经济发展的脱钩现象；由于三期运行中欧盟天然气价格与消费量同等下降，所以Gas价格由二期运行中的不相关变为弱正相关；CER价格影响程度出现较大变化的原因在于三期运行阶段全球CDM项目审批更加严格且抵消规则进一步收紧，CER价格几乎跌落为0，同质单向替代品属性消失。因此，碳市场在运行过程中，不但应维持配额市场运行的稳定性，也应保持CER市场运行的稳定性，避免CER市场价格剧烈波动影响配额市场的运行。 4.2对全国碳市场建立的启示 （1）稳定碳市场参与主体预期。联合国气候变化大会与政府政策对碳价存在正向影响。因此，碳市场建立及运行初期，稳固市场参与主体对碳市场的发展预期，对于碳价的稳定会起到重要作用。首先，我国应从上位法层面确保碳市场运行的法律地位，使碳市场建立有法可依；其次提高控排主体参与碳市场的意愿与能力；第三，注重碳市场政策连续性，避免政策不稳定影响市场参与主体的预期，从而引起碳价剧烈波动。 （2）完善核证减排抵消机制，保持政策稳定。CER与EUA属于同质单向替代品，一定量CER可抵消一定比例碳排放量。因此，CER价格的平稳在一定程度上可以促进碳市场的平稳运行。全国碳市场建设中，可控制核证减排项目审批量，防止核证减排量过多或过紧对配额市场造成冲击；其次，保持核证减排制度运行稳定性，避免核证减排制度的频繁变化对碳市场运行造成间接不良影响。 （3）配额分配考虑区域差异。EU ETS在二期、三期运行过程中，宏观经济发展情况、极寒天气以及化石能源消费对碳价均存在正向影响。我国幅员辽阔，区域经济发展水平、能源消耗以及自然环境差异较大，因此，全国碳市场在配额分配过程中既应考虑冬季取暖与夏季炎热所导致南北方碳排放需求差异；也应考虑到东部地区经济发展水平高、第三产业占据主导地位、配额需求较少，中部地区处于快速发展阶段、第二产业占主导、能耗大、碳排放需求处于上升阶段，西部地区当前碳排放需求较少但未来经济发展潜力大、对碳排放存在较大潜在需求等现实，统筹好区域经济发展与控制碳排放两方面需求，在配额分配过程中体现区域差异。 （4）建立配额应急机制。自然灾害对碳价存在正向影响，重大事件对碳价存在负向影响，而两者的发生都具有一定的不可预测性。我国是一个自然灾害频发国，而自然灾害的发生会间接影响工业生产，进而对碳价造成影响，因此全国碳市场建立过程中应设立相应配额预留机制，以专门应对突发自然灾害对碳价的影响，避免对碳市场的运行造成重大影响。重大事件的发生对碳价往往存在负向影响，此类事件的发生会导致碳价暴跌，为避免市场投机主体趁机倒买倒卖进一步扰乱市场，政府可以设立救市机制，收购配额以提升碳价，稳定市场运行。因此全国碳市场建立过程中，可考虑设立配额应急机制以稳定市场运行。 （编辑：于杰） 参考文献（References） [1]MANSANETBATALLER M， VALOR E. CO2 prices， energy and weather [J]. Energy journal， 2007， 28（3）：73-92. [2]海小辉，杨宝臣.欧盟排放交易体系与化石能源市场动态关系研究[J].资源科学，2014（7）：1442-1451.[HAI Xiaohui， YANG Baochen. The dynamic relationship between the European Unions emission trading scheme and energy market[J].Resources science， 2014（7）：1442-1451.] [3]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（EUETS）为例[J].系统工程，2012（2）：53-60. [CHEN Xiaohong，WANG Zhiyun. Empirical research on price impact factor of carbon emission exchange： evidence from EU ETS [J]. Systems engineering， 2012（2）：53-60.] [4]汪文雋，柏林.欧盟碳配额价格影响因素研究[J].云南师范大学学报（哲学社会科学版），2013（4）：135-143. [WANG Wenjun， BO Lin. A study of the impacting factors related to EUCA price[J].Journal of Yunnan Normal University （philosophy and social sciences edition）， 2013（4）： 135-143.] [5]ALBEROLA E， CHEVALLIER J， CHEZE B. Price drivers and structural breaks in European carbon prices 2005-2007[J]. Energy policy， 2008， 36（2）：787-797. [6]CHRISTIANSEN A C， ARVANITAKIS A， TANGEN K， et al. Price determinants in the EU emission trading scheme[J]. Climate policy， 2005， 5（1）：15-30. [7]CHEVALLIER J. Carbon futures and macroeconomic risk factors： a view from the EU ETS [J]. Energy economics， 2009， 31（4）：614-615. [8]NAZIFI F. Modeling the price spread between the EUA and the CER carbon prices [J]. Energy policy， 2010， 56（5）：434-445. [9]BARRIEU P M， FEHR M. Integrated EUA and CER price modeling and application for spread option pricing [J]. Ssrn electronic journal， 2011. [10]CAO Guangxi， WEI Xu. Multifractal features of EUA and CER futures markets by using multifractal detrended fluctuation analysis based on empirical model decomposition [J]. Chaos solitons & fractals， 2016， 83：212-222. [11]王玉，郇志堅.欧盟碳排放权交易市场的价格发现和波动溢出研究[J].中国人口·资源与环境，2012（S1）：244-249.[WANG Yu， HUAN Zhijian. Research on price discovery and volatility spillover effect in EU carbon emissions trading market[J].China population， resources and environment， 2012（S1）：244-249.] [12]盛春光.碳市场EUA与CER期货价格变动关系的实证研究[J].经济数学，2013（4）：38-44.[SHENG Chunguang. An empirical study on the relationship between EUA and CER futures price in carbon market [J].Journal of quantitative economics， 2013（4）： 38-44.] [13]朱帮助.国际碳市场价格驱动力研究——以欧盟排放交易体系为例[J].北京理工大学学报（社会科学版），2014（3）：22-29. [ZHU Bangzhu. Research on the international carbon price driving factors：a case study of the European Union emission trading scheme[J]. Journal of Beijing Institute of Technology （social sciences edition）， 2014（3）：22-29.] [14]齐绍洲，赵鑫，谭秀杰.基于EEMD模型的中国碳市场价格形成机制研究[J].武汉大学学报（哲学社会科学版），2015（4）：56-65. [QI Shaozhou，ZHAO Xing，TAO Xiujie.A study on the formation mechanism of Chinese carbon market price based on EEMD model[J].Wuhan University Journal（philosophy and social sciences）， 2015（4）：56-65.] [15]张跃军，魏一鸣.国际碳期货价格的均值回归：基于EU ETS的实证分析[J].系统工程理论与实践，2011（2）：214-220. [ZHANG Yuejun，WEI Yiming. Interpreting the mean reversion of international carbon futures price： empirical evidence from the EU ETS[J]. Systems engineering-theory & practice， 2011（2）：214-220.] [16]史峰. Matlab神经网络43个案例分析[M].北京：北京航空航天大学出版社， 2013. [SHI Feng. Matlab neural network analysis of 43 cases [M]. Beijing： Beihang University Press， 2013.] [17]朱利恩·谢瓦利尔. 碳市场计量经济学分析[M].大连：东北财经大学出版社， 2016.[CHEVALLIER J. Carbon market econometric analysis [M]. Dalian： Dongbei University of Finance and Economics Press， 2016.] [18]LIU H H， CHEN Y C. A study on the volatility spillovers， long memory effects and interactions between carbon and energy markets： the impacts of extreme weather [J]. Economic modelling， 2013， 35（5）：840-855. Impacts of multiple factors on EU carbon price and implications to China YI LanYANG LiLI ZhaopengREN Fengtao （International Business School， Shaanxi Normal University， Xian Shaanxi 710119， China） AbstractAs a market and policy innovation， Chinas national carbon market attracts great attention at home and abroad. In order to ensure its smooth establishment and sustainable development， it is rather urgent to learn from relevant best practices. However， as the only references in China， the 7 pilot carbon trading schemes could only provide very limited experiences. Therefore， studying and learning from EU ETS the largest carbon market in the world has become very important. As a significant indicator of whether a market matures or not， carbon price is able to present considerable signal. Various scholars have found respectively that prices of CER carbon， crude oil， coal and natural gas， along with Euro Stoxx index， UN climate change conferences， government policies， extreme weathers， warm winters， natural disasters and important events can all trigger EUA carbon prices fluctuating. This study therefore tries to introduce a MIVBP model to train and test EUA prices during second and third phases and simulate how the above 11 factors influenced EUA prices. The model can well compensate the shortcomings of traditional models which are not able to handle multivariate or integrate quantitative and qualitative variables. Through data mining of 1 149 groups of phase 2 data and 775 groups of phase 3 data， the study finds out the degrees of how different variables can influence EUA prices， which the descending order in phase 2 is： natural disaster>UN conferences>CER>extreme weathers>coal prices>important events>Brent oil prices>government policies>Stock600 index>natural gas prices>warm winters； the order in phase 3 changes to： UN conferences>Stock600 index>coal prices>natural disasters>extreme weathers>important events>government policies>Brent oil prices>natural gas prices>CER>warm winters. Based on further analysis， the study presents explanation of why this change happened and gives suggestions to Chinas future national carbon market： ①stabilize the expectation of market participants； ②improve permits offset mechanism and maintain policy consistency； ③take regional differences into account when allocate permits； ④establish emergency response mechanism of carbon rights allocation. Key wordsEU ETS； BP neural network； carbon price； influencing factors |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。