歐盟碳價影響因素研究及其對中國的啟示

易蘭++楊歷++李朝鵬++任鳳濤

摘要作為一項市場創(chuàng)新和政策創(chuàng)新，即將啟動的中國全國性碳市場備受國內外關注。為保證其成功建立與平穩(wěn)發(fā)展，相關經(jīng)驗借鑒已刻不容緩，但作為投石問路的7大試點碳市場發(fā)展層次不齊，可供參考的模式有限，因此研究全球第一大碳市場——歐盟碳排放交易體系（EU ETS）及其對中國的可參照性尤為迫切；而作為市場是否成熟的風向標，碳價規(guī)律性特征的挖掘尤為重要。前期國內外學者分別發(fā)現(xiàn)CER價格、原油價格、煤炭價格、天然氣價格、歐洲工業(yè)指數(shù)、聯(lián)合國氣候變化大會、政府政策、極寒天氣、暖冬天氣、自然災害、重大事件等多種因素都有可能引起EUA期貨價格波動。本研究通過引入MIVBP神經(jīng)網(wǎng)絡模型，對EU ETS二期和三期的EUA期貨價格進行訓練和測試，模擬了上述11個因素對EUA價格的影響，彌補了傳統(tǒng)計量模型難以同時處理較多變量及不能整合定性與定量變量等缺點。通過對EU ETS二期1 149組和三期775組數(shù)據(jù)的挖掘，得出了各變量對EUA期貨價格的影響程度。其中，二期運行階段各變量影響程度從大到小排序為：自然災害>COP>CER>極寒天氣>Coal>重大事件>Brent>政府政策>Stock600>Gas>暖冬天氣；三期運行階段各變量影響程度從大到小排序為：COP>Stock600>Coal>自然災害>極寒天氣>重大事件>政府政策>Brent>Gas>CER>暖冬天氣。最后，本研究對二、三期各變量對碳價影響程度的變化進行了解釋，并對中國未來建立全國性碳市場提出了以下四點建議：①穩(wěn)定碳市場參與主體預期；②完善核證減排抵消機制，保持政策穩(wěn)定；③配額分配考慮區(qū)域差異；④建立配額應急機制。

關鍵詞EU ETS；BP神經(jīng)網(wǎng)絡；碳價；影響因素

中圖分類號F830.9文獻標識碼A文章編號1002-2104（2017）06-0042-07

DOI： 10.12062/cpre.20170361

2017年中國將全面啟動全國碳市場，首期納入11個行業(yè)的7 000多家大型企業(yè)，覆蓋的排放交易量約為30—40億 t，現(xiàn)貨交易額有望達到80億元/年，納入期貨交易的全國碳市場規(guī)?；蜻_4 000億元。屆時，全國碳市場將一舉超越歐盟碳排放交易體系（EU ETS）成為全球第一大碳市場。目前，中國7個區(qū)域碳市場為期3年的試運行階段已基本結束，7大試點很多良好的經(jīng)驗及模式給全國碳市場提供了重要參考，但也出現(xiàn)了碳價信號不明顯、市場信息傳導機制不暢通、碳價偏低難以反映減排成本等問題。因此，研究全球最為成熟的碳市場——EU ETS的價格形成機制，將對全國性碳市場的成功建立與平穩(wěn)發(fā)展提供借鑒。本研究在前人研究基礎上，針對碳價影響因素展開探討，通過對EU ETS最新碳價數(shù)據(jù)挖掘發(fā)現(xiàn)各影響因素對碳價的影響機制。

1研究綜述

EU ETS作為全球第一大碳市場，歷來是國內外學者的主要研究對象，碳價影響因素的研究又是國內外學者研究的重要議題。相關研究發(fā)現(xiàn)，能源價格、氣溫、宏觀經(jīng)濟發(fā)展情況、CER價格等諸多變量均對EUA價格的波動產(chǎn)生影響。

部分學者發(fā)現(xiàn)能源價格與碳價之間存在較強相關性：如Mansanet[1]發(fā)現(xiàn)原油和天然氣價格與碳價呈正相關，煤炭價格對碳價無顯著影響；海小輝[2]認為布倫特原油通過天然氣市場間接影響碳價；陳曉紅[3]認為煤炭價格是碳價最大的影響因素。同時，也有部分學者研究了溫度與碳價的關系，汪文雋[4]認為溫度對碳價并沒有顯著影響，而Mansanet[1]則發(fā)現(xiàn)溫度極值對碳價存在正向影響。Alberola[5]發(fā)現(xiàn)極寒氣溫下溫度的變化對碳價的影響比起極低氣溫本身對碳價影響更大，而極高溫度則不存在這樣的影響。在宏觀經(jīng)濟對碳價影響上，Christiansen[6]等認為宏觀經(jīng)濟環(huán)境會對碳價產(chǎn)生影響，當經(jīng)濟形勢上行時，工業(yè)生產(chǎn)活動增多，碳排放權需求增加，碳價會相應升高，經(jīng)濟形勢下行時，碳價也會相應下降；Chevallier[7]認為EU ETS運行期初，歐洲股市、債市對碳價沒有呈現(xiàn)顯著影響，但到2007年8月之后股市對碳價開始呈現(xiàn)顯著影響。針對CER與EUA價格之間的互動機理，目前學術界則尚無統(tǒng)一定論。Fatemeh[8]研究了CER與EUA價差的形成機理，發(fā)現(xiàn)不同的外部市場環(huán)境對兩者價格影響程度不同；Barrieu[9]等人認為CER與EUA價格之間具有較強的相關性；Cao[10]等利用MFDFAEMD模型發(fā)現(xiàn)CER與EUA價格的波動趨勢和特征較為類似；王玉[11]認為EUA對CER價格呈主導拉動關系，盛春光[12]則認為CER價格波動起主導作用。

除上述影響因素外，還有部分學者研究了自然災害、不可控因素、政策頒布等定性因素對碳價的影響。如朱幫助[13]等研究了巴厘行動計劃、全球金融危機以及歐債危機對碳價的影響；齊紹洲[14]等研究了市場投機行為、氣候變化問題談判對碳價的影響；張躍軍[15]等研究了政治決策、異常天氣等對碳價的綜合影響。上述研究基本以多元線性回歸、格蘭杰因果關系檢驗、協(xié)整理論等傳統(tǒng)計量經(jīng)濟學方法為主。

綜上所述，國內外學者針對碳價影響因素進行了大量研究，但仍存在一定不足：第一，碳價影響因素的選取多為定量變量，未能將定性變量納入模型；第二，運用傳統(tǒng)計量經(jīng)濟學模型進行研究時，當影響因子數(shù)目過多，往往會導致模型結構不穩(wěn)定、模型結果精準度降低；第三，各變量對碳價的影響機制尚未有定論。基于上述不足，本研究擬利用MIVBP神經(jīng)網(wǎng)絡模型，研究CER價格、能源（布倫特原油、歐盟天然氣、歐洲煤炭）價格、宏觀經(jīng)濟發(fā)展形勢（Stock600工業(yè)指數(shù)）、天氣（暖冬、極寒）、政策（聯(lián)合國氣候變化大會COP、政府政策）以及不可控因素（自然災害和重大事件）等11個變量對碳價的影響。

2MIVBP神經(jīng)網(wǎng)絡模型搭建

誤差反向傳播（Back Propagation）神經(jīng)網(wǎng)絡模型是包括輸入層、隱含層和輸出層，按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡模型，具有較強的自組織、自適應能力。它可以逼近任意連續(xù)函數(shù)，非線性映射能力強，而且網(wǎng)絡中各層節(jié)點數(shù)及網(wǎng)絡學習系數(shù)等參數(shù)可根據(jù)具體情況設定，在許多科學研究領域發(fā)揮了重要作用。BP神經(jīng)網(wǎng)絡的學習過程由信號正向傳播與誤差逆向傳播組成。首先是正向傳播過程，輸入信息通過輸入層經(jīng)各隱含層，逐層處理并計算每個單元的實際輸出值；其次是反向過程，若在輸出層未能得到期望的輸出值，則逐層遞歸計算實際輸出與期望輸出的差值，通過修改權值，使得總誤差函數(shù)達到最小。輸入信息重復進行正向傳播與誤差反向傳播來修改各層權值矩陣。權值不斷修改的過程被稱為神經(jīng)網(wǎng)絡的學習過程， 直到網(wǎng)絡輸出誤差減少到可接受程度或達到設定的學習次數(shù)為止[16]。

2.1變量選取及數(shù)據(jù)說明

通過梳理國內外文獻并結合歐盟專家意見，本研究確定了以EUA價格作為解釋變量，CER價格、能源（Brent、Gas、Coal）價格、宏觀經(jīng)濟發(fā)展指數(shù)（Stock600工業(yè)指數(shù)）、天氣（暖冬、極寒）、政策（聯(lián)合國氣候變化大會和政府政策）以及不可控因素（自然災害和重大事件）作為影響變量。模型具體變量及解釋見表1。

由于EU ETS交易以期貨為主，本研究從歐洲洲際期貨交易所（ICE）中選取了2012年12月31日到期（DEC12）與2015年12月31日到期（DEC15）的EUA期貨價格數(shù)據(jù)進行研究，以覆蓋EU ETS二期運行的全部時段（2008年1月1日—2012年12月31日）及部分三期運行時段（2013年1月1日—2015年12月31日）。此外，為保證數(shù)據(jù)的一致性，本研究涉及到的CER、Brent、Gas等期貨價格也從ICE中獲取。Stock600指數(shù)從Wind數(shù)據(jù)庫獲取，Coal價格來自歐洲能源交易所（EEX）。其余定性變量通過綜合整理多種渠道和來源所得，其中聯(lián)合國氣候變化大會影響時長是通過Google趨勢搜索指數(shù)來確定。暖冬天氣、極寒天氣、COP、政府政策、自然災害、重大事件等6個定性變量，如果發(fā)生則記為1，未發(fā)生則記為0。綜上所述，本研究共獲取DEC12數(shù)據(jù)1 149組，DEC15數(shù)據(jù)775組。

2.2BP神經(jīng)網(wǎng)絡模型

BP神經(jīng)網(wǎng)絡在完成非線性回歸時，需要經(jīng)歷三個步驟：第一步網(wǎng)絡構建，確定網(wǎng)絡各層節(jié)點數(shù)和傳遞函數(shù)；第二步網(wǎng)絡訓練，判斷訓練結果是否達到該模型的最優(yōu)設置；第三步網(wǎng)絡預測，利用已經(jīng)訓練好的模型進行預測并輸出預測結果。

2.2.1BP神經(jīng)網(wǎng)絡構建

（1）確定訓練樣本集與測試樣本集：本文對DEC12和DEC15的總樣本數(shù)隨機選取80%作為訓練樣本集（分別為919與620），通過多次訓練構造模型；其余20%作為測試樣本集（230與155），輸入模型以檢驗模型的泛化能力。

（2）數(shù)據(jù)歸一化：由于各影響因子變量的數(shù)量級不一致，有可能導致網(wǎng)絡的預測誤差較大。因此，需要對數(shù)據(jù)進行預處理以消除數(shù)量級差別。BP神經(jīng)網(wǎng)絡中常用到mapstd函數(shù)或mapminmax函數(shù)進行歸一化處理。本研究數(shù)據(jù)測試顯示，mapstd函數(shù)歸一化后得到的數(shù)據(jù)相較于mapminmax函數(shù)處理后的數(shù)據(jù)更加平穩(wěn)，因此本研究使用mapstd函數(shù)來進行數(shù)據(jù)預處理。預處理公式為y=（x-xmean）（ystd/xstd）+ymean，其中x為原始樣本數(shù)據(jù)，y為轉化得到的新數(shù)據(jù)（其中ystd=1，ymean=0）。

（3）確定網(wǎng)絡輸入層、隱含層及輸出層節(jié)點數(shù)：模型的輸出變量為EUA，故輸出層節(jié)點數(shù)為1；輸入變量為CER、Brent、Gas、Coal、Stock600等5個定量變量，以及COP、暖冬天氣、極寒天氣、政府政策、自然災害、重大事件等6個定性變量，因此輸入層節(jié)點數(shù)為11。隱含層節(jié)點數(shù)可首先通過經(jīng)驗公式l

（4）各層傳遞函數(shù)的確定：本研究所建立的模型，隱含層的節(jié)點傳遞函數(shù)為正切S型傳遞函數(shù)tansig；輸出層的節(jié)點傳遞函數(shù)為線性傳遞函數(shù)purelin。

2.2.2BP神經(jīng)網(wǎng)絡訓練

（1）網(wǎng)絡初始化：網(wǎng)絡權值的初始化決定了網(wǎng)絡模型訓練的誤差曲面起點，因此初始化方法對縮短網(wǎng)絡的訓練時間至關重要，通常有三種方法常被使用：取足夠小的初始權值，使初始值為+1和-1的權值數(shù)相等，隨機初始權法。本研究采用第三種方法以避免人為因素干擾，保證模型的有效性。

（2）模型設定：模型所選取的訓練算法為LevenbergMarquardt方法，該算法可以有效克服梯度下降法、牛頓法、共軛梯度法等算法所普遍存在的收斂速度慢、往往收斂于局部極小值等缺陷。學習函數(shù)為帶動量項的BP學習規(guī)則learngdm。性能分析函數(shù)選取的是均方差性能分析函數(shù)MSE。最大迭代次數(shù)net.trainParam.epochs=2 000；學習率net.trainParam.lr=0.05；最小誤差net.trainParam.goal=0.000 001；最小梯度net.trainParam.min_grad=0.000 000 1；最大失敗次數(shù)net.trainParam.max_fail=50。

（3）網(wǎng)絡訓練結果：以DEC15結果為例，利用建立的模型對EUA價格進行模擬，大量重復實驗后，根據(jù)MSE最小值作為判定依據(jù)選取最優(yōu)模型。雖然網(wǎng)絡未達到最優(yōu)設置的0.000 001，但Validation Checks已達到上限50，此時迭代次數(shù)為72，網(wǎng)絡誤差為0.016 1。

2.2.3BP神經(jīng)網(wǎng)絡訓練效果

針對上文已選擇的最優(yōu)參數(shù)對樣本進行預測，得到模型預測的相對殘差（誤差百分比）如圖1所示，可直觀看到模型有著較好的擬合效果，相對殘差基本處于-1.5%—1.5%之間，多數(shù)集中在0%附近，這表明模型的訓練結果精確度高、誤差小。

2.3影響因素程度模型（MIV方法）

通過建立的模型雖可進行預測，但無法直接判斷各個輸入變量對EUA價格的影響程度。因此本研究引入MIV（Mean Impact Value）方法來評價各自變量對因變量影響的重要程度。MIV是用于確定輸入神經(jīng)元對輸出神經(jīng)元影響大小的指標，其符號代表相關的方向，絕對值大小代表影響的相對重要性。具體計算過程是：在網(wǎng)絡訓練終止后，將訓練樣本P中每一自變量特征在其原值基礎上分別加、減10%構成兩個新的訓練樣本P1和P2，將P1和P2分別作為仿真樣本利用已建成的網(wǎng)絡模型進行仿真得到兩個仿真結果A1和A2，求出A1和A2的差值，即為變動該自變量后對輸出產(chǎn)生影響的變化值（IV），最后將IV按觀測例數(shù)平均得出該自變量對因變量的影響度——網(wǎng)絡輸出MIV。按照以上步驟依次算出各自變量的MIV值，最后根據(jù)MIV絕對值大小為各自變量影響度排序得到各自變量對網(wǎng)絡輸出影響相對重要性。

3實證研究結果及分析

根據(jù)上述模型，本研究得出各變量影響程度在DEC12期間從大到小依次為：自然災害>COP>CER>極寒天氣>Coal>重大事件>Brent>政府政策>Stock600>Gas>暖冬天氣，其中COP和重大事件為負相關，暖冬天氣與Gas均為不相關，其余為正相關；在DEC15期間依次為：COP>Stock600>Coal>自然災害>極寒天氣>重大事件>政府政策>Brent>Gas>CER>暖冬天氣，其中COP和重大事件為負相關，CER和暖冬天氣為不相關，其余均為正相關。具體結果見表2。

DEC12與DEC15結果表明，每年一度的聯(lián)合國氣候變化大會對碳價有著顯著的負向影響，這與Chevallier[17]等人的研究結果基本一致。聯(lián)合國氣候變化大會的召開，通常決定全球氣候變暖問題走向及碳市場建立的政治意義，因此對碳價產(chǎn)生了巨大沖擊。2008—2015年聯(lián)合國氣候變化大會各國就減排目標與應對氣候變化專項資金等一系列問題始終未達成一致意見與實質性條款。如2008年加拿大對《京都議定書》第二承諾期持反對態(tài)度；2009年大會召開期間的“氣候門事件”使得人們普遍懷疑全球氣候變暖的可信性；2010年美國拒絕承擔“共同但有區(qū)別的責任”，日本聲明永遠不會對《京都議定書》第二階段減排目標做出承諾；2011年加拿大宣布正式退出《京都議定書》；2012年加拿大、日本、新西蘭明確不參加《京都議定書》第二承諾期。三期運行階段，2013年日本公布修正后的減排目標不降反升，澳大利亞拒絕在大會上做出履行出資義務的新承諾；2014年巴黎協(xié)議草案遲遲未能達成一致意見；2015年包括歐盟在內的發(fā)達國家不愿對具體援助金額做出承諾。綜上所述，聯(lián)合國氣候變化大會近年來進程步履維艱，在一定程度上影響了市場主體的信心，因而對碳價走勢造成了負向影響。

DEC12與DEC15結果都表明，自然災害對EUA價格有較大的正向影響，目前學術界針對自然災害對碳價的影響鮮有研究，只有部分學者研究了極端天氣事件對碳價的變動并發(fā)現(xiàn)其對碳價有著較為顯著的影響。根據(jù)瑞士再保險公司統(tǒng)計，DEC12期間洪災、風暴以及高溫等一系列自然災害頻發(fā)，DEC15期間歐盟境內洪災、熱浪以及冰雹災害頻發(fā)對境內電廠等為代表的基礎設施造成較大破壞，如核電廠維修頻繁、水利發(fā)電減少，煤炭發(fā)電增加導致EUA價格上升。

在DEC12期間，CER價格對EUA價格存在較強正向影響，這與盛春光[12]等人的研究結論基本一致。歐盟委員會規(guī)定EU ETS控排主體的排放量最高可以被13.4%的CER抵消，CER與EUA之間屬同質單向替代品，EUA價格升高在一定程度上會拉動CER價格升高，在二期運行階段EUA與CER價格之間波動幅度較為趨同，兩者之間呈較強正相關；DEC15期間，CER與EUA價格之間則呈不相關，原因在于歐盟第三階段的新政策規(guī)定京都信用將不再作為履約單位，其與EUA的互換也是有條件的，對于2012年之后新項目產(chǎn)生的議定書第二承諾期的CER替換為EUA，歐盟將只接受來自最不發(fā)達國家或與歐盟簽署雙邊協(xié)議的國家的CER，此外，EU ETS第三階段禁止使用氫氟碳化物和氧化亞氮項目產(chǎn)生的CER，直接導致全球CDM項目不景氣，加之審批與抵消制度更加嚴格，使得CER價格幾乎跌落為零，因此兩者在這一階段呈不相關。

DEC12與DEC15結果顯示政府政策對EUA價格有著相對較弱的正向影響，這與Chevallier[17]的研究結論基本一致。2008—2015年期間歐盟委員會頒布的相關文件多數(shù)是有關完善EU ETS的條款，對市場平穩(wěn)運行具有促進作用，因此政府政策與EUA價格之間呈正相關。

DEC12結果顯示Stock600指數(shù)與EUA價格之間呈現(xiàn)較弱的正相關，DEC15階段這種正相關變強，這與以往研究經(jīng)濟發(fā)展與碳價相關的結論一致。EU ETS二期運行階段，遭遇金融危機與歐債危機，整個歐盟經(jīng)濟萎靡，因此EUA價格與Stock600指數(shù)之間的相關性較弱。而隨著歐盟經(jīng)濟的逐步回漲，工業(yè)生產(chǎn)大幅上升，EUA價格與宏觀經(jīng)濟發(fā)展之間呈正相關且關聯(lián)性增強。

DEC12與DEC15結果都顯示極端天氣會對碳價造成一定的影響，這與Chevallier[17]、Liu[18]等人的觀點一致，極端天氣通過影響能源需求進而影響碳排放權需求的變化，最終引起碳價波動。DEC12與DEC15結果顯示極寒天氣對EUA價格造成正向影響，而暖冬天氣則與EUA價格不相關。極寒天氣出現(xiàn)會導致冬季水力發(fā)電減少煤電上升，進而導致碳排放量上升，EUA價格升高。

DEC12與DEC15結果顯示重大事件與EUA價格呈負相關，本研究諸多重大事件均為與碳市場相關的負面事件，如2008年的航空減排納稅事件，2011年的核證減排失竊事件，2012年的市場穩(wěn)定計劃延遲公布，2014年蘇格蘭公投脫英事件等，通常會引起EUA價格的下跌，上述時間段內的碳價走勢也直接驗證了本研究的觀點。

化石能源價格對EUA價格的影響則較為復雜。DEC12結果顯示，煤炭價格與碳價存在較強的正相關，其次是石油，而天然氣價格與碳價則不相關，這與前期的研究結果不盡相同，但目前能源價格對碳價影響機制，學術界也尚未達成一致。如陳曉紅[3]等認為二期運行過程中煤炭價格是對碳價變動影響最大的因素，而張躍軍[15]等的研究結論卻認為歐盟碳價變動最大的影響因素是油價，其次是天然氣價格，煤炭價格的影響程度最小。根據(jù)BP能源統(tǒng)計2012年鑒，2011年歐盟天然氣消費下降了9.9%，創(chuàng)有史以來的最大降幅。2012年由于俄羅斯遭遇嚴冬，導致了天然氣價格居高不下，促使人們轉而使用價格較為低廉的煤炭，因而煤炭使用量上升，碳排放權需求也隨之上升，進而促使了碳價的上漲。由于天然氣供給不足，天然氣價格的變化對碳價的變化并未產(chǎn)生影響。根據(jù)歐盟相關報道，歐盟大量使用煤炭進行發(fā)電，導致了歐盟2012年1 890億歐元的環(huán)境損失，這同時也佐證了本研究的結論。DEC15研究結果表明，煤炭價格與EUA價格之間呈現(xiàn)較強的正相關，石油價格與EUA價格之間呈現(xiàn)較弱的負相關，而天然氣價格在三期運行中與EUA價格呈弱正相關。天然氣價格由不相關變?yōu)槿跽嚓P，原因在于EU ETS三期運行階段，歐盟由于能源安全考慮大幅降低了天然氣消耗，同時天然氣價格也不斷下降，而EUA價格也長期處于下降趨勢，因此兩者之間呈現(xiàn)了一定的弱相關。

4研究結論及對中國碳市場的啟示

4.1研究結論

本研究針對EU ETS二、三期運行價格的影響因素進行了研究，通過建立具有11個節(jié)點輸入層、1個節(jié)點輸出層、[10，10]節(jié)點隱含層的BP神經(jīng)網(wǎng)絡模型分析了化石能源市場、宏觀經(jīng)濟運行情況等5個定量因子和聯(lián)合國氣候變化大會、政府政策、自然災害等6個定性因子對DEC12與DEC15兩組EUA期貨價格的影響，并使用MIV方法計算了這11個影響因子對EUA價格變化的貢獻度。EU ETS二期運行階段各變量影響程度從大到小為：自然災害>COP>CER>極寒天氣>Coal>重大事件>Brent>政府政策>Stock600>Gas>暖冬天氣；EU ETS三期運行階段為：COP>Stock600>Coal>自然災害>極寒天氣>重大事件>政府政策>Brent>Gas>CER>暖冬天氣。

其中Stock600指數(shù)在二期運行階段為弱正相關，在三期運行階段成為強相關；Gas價格由二期運行階段的不相關變?yōu)槿谶\行階段的弱正相關；CER價格由二期運行階段的強正相關變?yōu)槿谶\行階段的不相關，其余各因素在兩期影響程度基本一致。Stock600指數(shù)的影響程度由弱正相關變?yōu)閺娬蛳嚓P，原因在于歐盟從經(jīng)濟危機中已逐漸復蘇，特別是汽車業(yè)和建筑業(yè)逐漸回升，促進了碳價的上升。這表明，碳價與宏觀經(jīng)濟發(fā)展形勢較為密切，較好的經(jīng)濟發(fā)展態(tài)勢會促使碳價上升，而低迷的經(jīng)濟態(tài)勢則易導致碳價與經(jīng)濟發(fā)展的脫鉤現(xiàn)象；由于三期運行中歐盟天然氣價格與消費量同等下降，所以Gas價格由二期運行中的不相關變?yōu)槿跽嚓P；CER價格影響程度出現(xiàn)較大變化的原因在于三期運行階段全球CDM項目審批更加嚴格且抵消規(guī)則進一步收緊，CER價格幾乎跌落為0，同質單向替代品屬性消失。因此，碳市場在運行過程中，不但應維持配額市場運行的穩(wěn)定性，也應保持CER市場運行的穩(wěn)定性，避免CER市場價格劇烈波動影響配額市場的運行。

4.2對全國碳市場建立的啟示

（1）穩(wěn)定碳市場參與主體預期。聯(lián)合國氣候變化大會與政府政策對碳價存在正向影響。因此，碳市場建立及運行初期，穩(wěn)固市場參與主體對碳市場的發(fā)展預期，對于碳價的穩(wěn)定會起到重要作用。首先，我國應從上位法層面確保碳市場運行的法律地位，使碳市場建立有法可依；其次提高控排主體參與碳市場的意愿與能力；第三，注重碳市場政策連續(xù)性，避免政策不穩(wěn)定影響市場參與主體的預期，從而引起碳價劇烈波動。

（2）完善核證減排抵消機制，保持政策穩(wěn)定。CER與EUA屬于同質單向替代品，一定量CER可抵消一定比例碳排放量。因此，CER價格的平穩(wěn)在一定程度上可以促進碳市場的平穩(wěn)運行。全國碳市場建設中，可控制核證減排項目審批量，防止核證減排量過多或過緊對配額市場造成沖擊；其次，保持核證減排制度運行穩(wěn)定性，避免核證減排制度的頻繁變化對碳市場運行造成間接不良影響。

（3）配額分配考慮區(qū)域差異。EU ETS在二期、三期運行過程中，宏觀經(jīng)濟發(fā)展情況、極寒天氣以及化石能源消費對碳價均存在正向影響。我國幅員遼闊，區(qū)域經(jīng)濟發(fā)展水平、能源消耗以及自然環(huán)境差異較大，因此，全國碳市場在配額分配過程中既應考慮冬季取暖與夏季炎熱所導致南北方碳排放需求差異；也應考慮到東部地區(qū)經(jīng)濟發(fā)展水平高、第三產(chǎn)業(yè)占據(jù)主導地位、配額需求較少，中部地區(qū)處于快速發(fā)展階段、第二產(chǎn)業(yè)占主導、能耗大、碳排放需求處于上升階段，西部地區(qū)當前碳排放需求較少但未來經(jīng)濟發(fā)展?jié)摿Υ蟆μ寂欧糯嬖谳^大潛在需求等現(xiàn)實，統(tǒng)籌好區(qū)域經(jīng)濟發(fā)展與控制碳排放兩方面需求，在配額分配過程中體現(xiàn)區(qū)域差異。

（4）建立配額應急機制。自然災害對碳價存在正向影響，重大事件對碳價存在負向影響，而兩者的發(fā)生都具有一定的不可預測性。我國是一個自然災害頻發(fā)國，而自然災害的發(fā)生會間接影響工業(yè)生產(chǎn)，進而對碳價造成影響，因此全國碳市場建立過程中應設立相應配額預留機制，以專門應對突發(fā)自然災害對碳價的影響，避免對碳市場的運行造成重大影響。重大事件的發(fā)生對碳價往往存在負向影響，此類事件的發(fā)生會導致碳價暴跌，為避免市場投機主體趁機倒買倒賣進一步擾亂市場，政府可以設立救市機制，收購配額以提升碳價，穩(wěn)定市場運行。因此全國碳市場建立過程中，可考慮設立配額應急機制以穩(wěn)定市場運行。

（編輯：于杰）

參考文獻（References）

[1]MANSANETBATALLER M， VALOR E. CO2 prices， energy and weather [J]. Energy journal， 2007， 28（3）：73-92.

[2]海小輝，楊寶臣.歐盟排放交易體系與化石能源市場動態(tài)關系研究[J].資源科學，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]陳曉紅，王陟昀.碳排放權交易價格影響因素實證研究——以歐盟排放交易體系（EUETS）為例[J].系統(tǒng)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.歐盟碳配額價格影響因素研究[J].云南師范大學學報（哲學社會科學版），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.歐盟碳排放權交易市場的價格發(fā)現(xiàn)和波動溢出研究[J].中國人口·資源與環(huán)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.碳市場EUA與CER期貨價格變動關系的實證研究[J].經(jīng)濟數(shù)學，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]朱幫助.國際碳市場價格驅動力研究——以歐盟排放交易體系為例[J].北京理工大學學報（社會科學版），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]齊紹洲，趙鑫，譚秀杰.基于EEMD模型的中國碳市場價格形成機制研究[J].武漢大學學報（哲學社會科學版），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]張躍軍，魏一鳴.國際碳期貨價格的均值回歸：基于EU ETS的實證分析[J].系統(tǒng)工程理論與實踐，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神經(jīng)網(wǎng)絡43個案例分析[M].北京：北京航空航天大學出版社， 2013. [SHI Feng. Matlab neural network analysis of 43 cases [M]. Beijing： Beihang University Press， 2013.]

[17]朱利恩·謝瓦利爾. 碳市場計量經(jīng)濟學分析[M].大連：東北財經(jīng)大學出版社， 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