中国股市、欧盟碳市场对中国碳市场价格的影响_陈凡.pdf

中国股市、欧盟碳市场对中国碳市场价格的影响陈凡龚振庭摘要碳交易市场作为实现碳中和的核心政策工具之一，分析其受国际碳市场及国内相关市场的影响程度有利于政策制定者及投资者作出科学决策。本文选取20162022年广东碳交易价格、欧盟碳交易价格以及沪深300指数的日收盘价数据，运用分位数回归模型证实：欧盟碳交易价格、沪深300指数均对广东碳交易价格产生正向影响，且随着沪深300指数分位数点的上升对广东碳交易价格的影响递增；结合双分位数回归模型进一步发现，沪深300指数、欧盟碳交易价格对处于特定分位水平的广东碳交易价格存在负向影响。因此，为提升碳市场活跃度，提出借鉴国际碳市场柔性机制、探索碳市场金融属性、逐步扩大碳市场开放程度等建议。关键词碳交易价格；股票市场；分位数回归；双分位数回归中图分类号 F832文献标识码 A文章编号 1006-5024(2023)03-0048-10DOI 10.13529/ki.enterprise.economy.2023.03.005基金项目国家社会科学基金青年项目“危险废弃物入侵我国的常态化现状与治理研究”（项目编号：16CJY025）作者简介陈凡，湛江科技学院经济与金融学院中级经济师，硕士，研究方向为低碳经济和碳金融；（广东 湛江524000）龚振庭，岭南师范学院基础教育学院助教，硕士，研究方向为低碳经济和风险管理。（广东 湛江524008）Abstract:Carbon trading market is one of the core policy tools to achieve carbon neutrality and the analysis of its impact on theinternational carbon market and the domestic market is conducive to policy makers and investors to make scientificdecisions.This paper selects Guangdong carbon trading price,EU carbon trading price and the daily closing price data ofthe CSI 300 index from 2016 to 2022,and uses quantile regression model to verify that both EU carbon trading price andCSI 300 index have a positive impact on Guangdong carbon trading price,and the impact on Guangdong carbon tradingprice increases with the rise of CSI300 quantile;combined with the quantile-on-quantile regression model,it is furtherfound that CSI 300 index and EU carbon trading price have a negative impact on Guangdong carbon trading price at aspecific quantile level.Therefore,in order to improve the activity of carbon market,some suggestions are put forward tolearn from the flexible mechanism of international carbon market,explore the financial attributes of carbon market,andgradually expand the openness of carbon market.Keywords:carbon trading price;stock market;quantile regression;quantile-on-quantile regression2023年第3期一、引言2021年9月21日，习近平主席在联合国大会上指出：中国将力争2030年前实现碳达峰、2060年前实现碳中和，这需要付出艰苦努力，但我们会全力以赴。这充分表达了中国实现这一战略目标的决心。2022年10月，党的二十大报告提出，要积极稳妥推进碳达峰碳中和，立足我国能源资源禀赋，坚持先立后破，有计划分步骤实施碳达峰行动。2011年，国家发展改革委批准在北京、天津、上海、重庆、湖北、广东和深圳七个省市开展碳交易试点工作，并于2017年正式全面启动。1迄今广东碳配额现货成交量19970万吨，成交金额46亿元，居482023年第3期各试点交易平台首位。中国碳交易市场的建立和发展，已成为中国2030年实现碳达峰、2060年实现碳中和目标的战略举措之一。正因如此，学界对中国碳市场价格的形成和影响因素进行了系列探讨。一是能源价格。魏琦和金卓然（2018）2、李强林等（2019）3以及胡刚耀和周新苗（2022）4等研究发现：碳市场价格与石油、煤炭等能源价格存在正向影响。二是关联因素。杜子平和刘富存（2018）5、赵选民和魏雪（2019）1已经证实国内7个碳市场之间存在较高的关联度。贾君君等（2017）6、易兰等（2017）7、孙春（2018）8、刘建和等（2020）9、王喜平和王雪萍（2021）10在研究中发现中国碳市场与欧盟碳排放交易系统（欧盟碳市场，EUETS）存在关联，但关联强度结论不一。张晨和刘宇佳（2017）11发现碳市场与碳现货、期货、期权市场之间有双向的正溢出效应。卜文珂和赵蒙恩（2020）12证实碳市场与高碳排放行业股票存在长期联动关系。三是客观影响。向为民和钟朝（2020）13、Wen等（2020）14、王慧英和王子瑶（2021）15、张希良等（2021）16、魏宇等（2022）17分析了减碳政策、大气变化、对外贸易、汇率变化、科技创新、产业升级、自然灾害、重大事件等客观因素对碳市场价格的影响。闫新杰和孙慧（2022）18、刘元欣和邓欣蕊（2021）19则利用等效替代STIRPAT模型，对影响因素的功能差异进行了原因解释。但已有研究尚存在以下不足：（1）已有研究大多关注影响碳市场价格波动的单一因素，关于国内外碳交易市场之间的复杂相依关系尚未引起足够重视，未能准确刻画国际碳市场对国内碳市场的影响程度；（2）以往研究碳市场与关联市场时，大多关注欧盟碳市场与欧美股票市场之间的关系，并且主要集中在能源类特定单个行业的股票市场，而忽略了中国碳市场与整体股票市场的相互作用；（3）关于碳市场的实证研究，多采用VAR、GRACH等常规线性回归模型，将碳市场作为静态的被解释变量，缺乏能够反映碳市场受其他市场影响时碳价本身波动性的新模型。基于此，本文引入能够反映碳价本身波动特性的双分位数回归新模型，侧重考察中国股市、欧盟碳市场对处于不同市场状况下的中国碳市场价格的影响。本研究边际贡献如下：一是运用分位数回归模型，检验了欧盟碳市场、中国股市和中国碳市场的非线性因果关系，可以为中国在保持经济增长的目标下履行减少碳排放的承诺提供参考；二是引入相对新颖的双分位数回归模型，并与分位数回归模型进行对比分析，细究处于不同市场状态的碳市场受其他市场的影响程度，挖掘中国碳市场价格运行的规律和趋势，从分位数的角度向投资者和决策者提供关于碳市场异质性的见解。二、碳市场与关联市场的理论分析经济全球化推动资本、商品、服务及信息的跨国流动，低碳政策则进一步增加全球金融市场间要素的联系和影响，并主要通过资本和信息传递。碳排放权交易既有商品属性也有金融属性，碳交易市场兼具资源配置和资金融通功能。因此，碳市场作为分散风险和投资的重要渠道，与其他具有资金融通功能的市场之间存在一定的关联性。20（一）国际碳市场对国内碳市场的影响机理欧盟碳市场（EUETS）是全球最大、最早、最活跃的碳市场，更是碳税和碳交易市场协同的典范。但气候变暖是一个全球性的问题，需要世界各方共同努力。受各大碳排放主体的经济发展水平、减排政策、科技水平等影响，各个国家或地区碳排放价格水平不一，愿意承担的责任也大不相同。为缩小国际碳价格的差距，加快全球减排进程，欧盟在2022年推出首个碳边境调节机制（CBAM），即碳边境税，是针对部分进口商品的碳排放量所征收的税费。作为新型的贸易手段，将会提升出口欧洲的碳关税成本，打击对欧出口金额较大或占比较高国家的相关高碳产业，并在全球范围内产生连锁反应。其中，2020年中国向欧盟出口CBAM覆盖范围内的产品总额达297亿美元，作为涉及金额最大的国家，受到的冲击自然也最大。此外，全球各大碳排放交易市场之间具有比较优势，若各国能够基于碳减排的比较优势开展不同国别或区域间的碳排放权交易，则有利于各国的低碳经济发展。近年来，中国作为世界上最大的碳排放供给方，其碳交易价格除了受国家间产业的相互影响之外，也受国际碳排放权交易市场的影响。当中国碳排放价格与国际碳排放价格存在较大差异49图1欧盟碳市场对中国碳市场的影响机理企业或投资者倾向于在中国碳市场购进碳排放权，抛售EUETS相关碳排放权EUETS价格上涨企业或投资者倾向于在EUETS购进碳排放权，抛售中国碳市场相关碳排放权EUETS价格下调比较优势理论欧盟碳市场（EUETS）碳边境税（CBAM）CBAM范围内企业生产成本中国碳市场价格波动中国股市、欧盟碳市场对中国碳市场价格的影响时，基于比较优势理论，企业会倾向于购买价格较低的碳排放产品，投资者趋利会选择在价格相对较低的市场买进，导致其需求上升、价格上涨，最终碳交易价格趋于一致。其影响机理见图1。（二）股票市场对碳市场的影响机理建立碳市场的目的是为了将企业碳排放的负外部性成本内部化，进而促使企业重视环保，实现绿色经济。现有的碳现货、碳期权、碳互换、碳期货等碳金融衍生品类的丰富使得碳市场的金融属性增强，也使得碳市场和股票市场的联系更加紧密，碳交易价格直接或间接地受到来自金融市场的影响。直接影响表现为碳交易活动通过影响企业的可控成本，进而影响企业利润来影响企业的现金流，而股价又代表企业未来的现金流折现值，企业价值又通过企业现金流进一步体现，故企业的股票价格与碳排放价格存在关联。当碳价格处于高位时，企业会减少购买碳配额，转向增加投资碳减排项目，并将高价出售减排技改后节省下的碳配额。这不仅使企业增加了固定资产，还获得额外收益，致使企业价值提升，而股票市场作为宏观经济的“晴雨表”，最终映射为相关企业在股市中的股价上涨。反之，当碳价格处于低位时，企业则倾向于购买碳配额、减少碳减排项目投资。间接影响则表现为投资者作出投资决策时会受金融市场的风险信息影响，碳市场和股票市场均有金融属性，投资者追逐利润最大化，会将资产在两个市场进行组合交易，或者仅在其中一市场进行交易行为，但是两个市场之间的风险波动会相互传导。比如，通过汇率、资本、政策的传递，形成资本市场到碳市场的传导，“市场传染”最终引发资产间的联动。基于替代效应，投资者会根据碳资产价值的波动调整资产配置比例，从而造成对股票市场的投资波动。同理，投资者也会根据股票市场的资产波动，调整碳资产配置，从而影响碳价波动，尤其是股票市场发生重大风险时，整个金融市场都会发生剧烈波动。此外，政府针对碳市场和股票市场的政策也会影响投资者的心理预期，进而利空或利好消息在两个市场之间传递，进一步引起碳市场与股票市场的联动。影响机理见图2。三、变量选取和模型构建（一）变量选取本文选用广东碳试点市场的碳交易价格（GDEA）作为中国碳市场交易价格，欧盟碳排放配额作为欧盟碳市场交易价格，股票市场价格则选用具有良好代表性的沪深300指数（CSI300）。本文将广东碳市场（GDEA）每日收盘价作为被解释变量，欧洲碳交易价格（EUA）和沪深股票市场指数（CSI300）作为解释变量进行研究。本文选取样本区间为2016年2月6日至2022年12月8日的日交易数据，得到有效样本1775个，并对数据进行了自然对数处理，数据来源于Wind，详见表1。本研究所用指标的描述性统计如表2所示，结果显示CSI300的均值最大为8.667，同时，其波动程度也是三个指标中最小的，标准差仅为0.168。此外，三者的偏度、峰度系数均大于0、右偏，具有“尖峰厚尾”的特征。502023年第3期表1指标选取及来源类型变量符号定义被解释变量广东碳交易价格GDEA广东碳交易市场的收盘价取对数解释变量欧洲碳交易价格EUA欧洲碳交易期货市场的收盘价取对数沪深300股票价格指数CSI300沪深300股票市场指数取对数图2股票市场对碳市场的影响机理扩大生产、购买更多的碳排放权配额碳交易价格波动增加下降减少生产、减少企业投资活动替代效应投资者预期企业价值直接影响间接影响股票价格波动（二）模型构建1分位数回归模型Koenker和Bassett（1978）21提出了分位数回归（Quantile Regression，简称QR），其主要特点是可以针对被解释变量的不同分量进行分析，再通过线性目标函数的极小化找出最佳的回归系数。传统方法是依靠主观判断将研究样本分为不同群组，并使用普通最小平方法（OLS）来估计模型的参数，其结果只能获得自变量对因变量的平均影响，而不能反映不同发展阶段的影响。基于本文的主要目的是讨论股票市场、国外碳交易市场与国内碳交易市场之间的关系，因此分位数回归模型可以更好地揭示它们之间的联系。设被解释变量的条件分位数由k个解释变量组成的矩阵X线性表示，其假设形式表示如下：Et=Xt+ut（1）（1）式中，Et为广东碳试点交易市场的交易收盘价格（GDEU）；Xt为k1回归变量，即本文中的股票价格（CSI300）和欧洲碳交易价格（EUA）；为需要估计的系数；t为误差项。首先假设E的条件均值为（X）=X，并使用传统的OLS估计出其中位数的值，则有（2）式：minRni=1（Et-）2（2）将E的条件均值代入（2）式则有：minRpnt=1（Et-Xt）2（3）表2描述性统计统计量GDEAEUACSI300平均数3.1962.9988.281中位数3.1393.1668.264最大值4.5574.5828.667最小值2.0921.3697.965标准差0.3030.3890.168偏度0.6120.960.157峰度2.3021.8392.203观察值17751775177551QR是以加权的平均绝对误差（absolute deviation）来进行回归系数的估计，其估计式是求解以下的非对称下的线性惩罚函数（asymmertric linear penalty function）:min?Et XtEt-?Xt+1-()EtXtEt-?Xt（4）其中：条件分位数方程表示为QE（X）=X（），且接近0或者1时，代表的是E在左（右）尾的情况，特别的是当=1/2时，（4）式可以简化为（2）式。2双分位数回归模型本文应用Sim和Zhou（2015）22提出的双分位数回归方法（Quantile-on-Quantile Regression，QQR），可以进一步探讨中国股票市场、欧洲碳交易市场与中国碳交易市场之间的关系。该模型被认为是标准分数回归的扩展，有助于检验单一自变量的分位数对因变量的各个分位数的影响。此方法主要是基于非参数估计和分位数回归的结合，结合这两种方法可以建立解释变量的分位数和被解释变量的分位数之间的关系。与QR相比，QQR不仅考虑了变量对因变量条件均值的影响，还考虑了因变量的不同分位数的影响，如图3所示。首先，假设Et为广东碳试点交易市场的交易收盘价格（GDEU），是自变量Xt的条件分布分位数，ut是条件分位数的误差项，有以下局部线性方程：Et=（Xt）+ut（5）然后，可以分析Et的第分位数和Xt的第分位数的关系，再进一步对Xt的第分位数和Et的第分位数的关系进行探讨，即对X的附近区域进行局部线性回归，因为（*）是未知的，这个函数可以在X分位数上应用一阶的泰勒展开式进行展开，如下式：（Xt）=（X）+（X）（Xt-X）（6）上式中，（X）是关于和的函数，同时，（X）也是关于和的函数，把（X）和（X）分别用0（，）和1（，）来代替，则上式可以改写为：（Xt）0（，）+1（，）（Xt-X）（7）把（7）式带入（5）式可得，Et=0（，）+1（，）（Xt-X）+ut（8）本文所使用的自变量X分别是股票市场价格（CSI300）和欧洲碳交易价格（EUA），即（5）式具体为以下式子：Et=0（，）+1（，）（CSI300t-CSI300）+utEt=0（，）+1（，）（EUAt-EUA）+ut（9）图3QR模型和QQR模型的对比股票市场（CSI300）和欧盟碳市场（EUA）处于不同分位数点对广东碳市场（GDEA）日收盘价的回归QR模型只考量自变量的变化，QQR模型在QR模型的基础上，将因变量的变化也纳入考量，回归结束更加精细化股票市场（CSI300）和欧盟碳市场（EUA）处于不同分位数点对广东碳市场（GDEA）处于不同分位数点时，日收盘价的回归分位数回归（QR）双分值数回归（QQR）中国股市、欧盟碳市场对中国碳市场价格的影响522023年第3期与分位数回归不同，QQR研究的是不同分位数上的X对不同分位数上Et的影响程度问题，由于系数0和1取决于和的值，X的较低或较高的分位表示X变化的极端情况，而X的中间分位则是指变化少或没有变化。因此，本文认为低（高）位的对Et有很大的负（正）面影响。3实证分析（1）平稳性检验在进行模型分析之前，需要对序列的相关特征进行检验。本研究采用Fuller（1979）23提出的ADF检验来确定序列的平稳性，结果显示所有序列在原阶上为非平稳，而对其一阶差分后则为平稳序列，结果见表3。Nelson和Plosser（1982）24认为，许多经济变量都不是平稳序列，但是研究人员单纯通过将原始数据进行差分处理获得平稳序列的方法，会使数据失去其本身的经济意义。为避免这种情况发生，可对原阶的不稳定序列进行Johansen检验，如果原序列能通过Johansen检验，则可以使用原阶数据进行回归分析，这样不仅保证了进行实证分析的时间序列是定态序列，同时也在保留其经济意义的基础上避免了出现虚假回归的可能。表4的Johansen协整检验的结果表明各个指标序列在原阶下，序列之间皆存在着共整合关系，代表序列间具有长期均衡的关系，故本研究使用原阶数据进行回归分析。分位数回归涉及分位数的选取，为更全面地了解中国碳市场受欧盟碳市场和股票市场的影响程度。（2）分位数回归实证结果本文参照大多数文献的选取习惯，选取了0.05，0.1，0.25，0.5，0.75，0.9，0.95七个分位水平，其中0.25，0.75两个分位点将市场划分为熊市、正常、牛市三种市场状态。回归结果见表5。由于分位数回归使用多个分位数函数来估计整体模型，故可以通过分位数回归观察解释变量在不同分位点对解释变量影响的视角。25两个模型的结果均通过显著性检验，且p值均小于0.01。根据QR的估计结果，EUA和CSI300均对GDEA产生正向影响。其中：EUA对GDEA的影响总体平稳，在0.95分位数点的影响程度最小；CSI300对GDEA的影响不平稳，在0.9分位数点影响程度最大，在0.95分位数点影响最小。这表3ADF检验变量原阶一阶差分GDEA-0.453-43.357*EUA-0.508-45.057*CSI300-1.897-42.029*注：*p0.01。表4Johansen协整检验Johansen MLE estimates(GDEA EUA)NULL:Trace StatisticCrit 90%Crit 95%Crit 99%r=018.5716.16218.39823.148r=16.4192.7053.8416.635Johansen MLE estimates(GDEA CSI300)NULL:Trace StatisticCrit 90%Crit 95%Crit 99%r=017.90116.16218.39823.148r=15.6992.7053.8416.635表5分位数回归实证结果变量OLS分位数水平Q0.05Q0.1Q0.25Q0.5Q0.75Q0.9Q0.95EUA0.58*0.60*0.68*0.59*0.54*0.62*0.59*0.58*CSI3002.31*1.55*2.13*2.15*2.18*2.23*4.25*0.42注：*p0.01。53图4置信区间为95%的分位数回归系数图5不同分位数点的分位回归拟合结果100-10-20-30432101.51.00.50.80.70.60.50.40.20.40.60.80.20.40.60.80.20.40.60.80.20.40.60.8（Intercept）（Intercept）CSI300EUAGDEA和CSI300不同分位回归图CSI300EUAGDEA和EUA不同分位回归图GDEA432GDEA54328.18.38.58.7234中国股市、欧盟碳市场对中国碳市场价格的影响表明：欧盟碳价的波动在一定程度下会向国内碳市场传递，虽然中国是全球最大的碳排放权出口方，但其碳定价权和交易模式仍受制于国际市场，国际碳价是影响中国碳价的重要因素；当经济繁荣股市看涨时，企业倾向于扩大生产，导致碳排放的需求增加，促使碳价上涨；而当经济萧条股市看跌时，企业则减少生产、碳排放需求减少，导致碳价下跌。QR回归结果如图4所示，图中，纵轴代表变量的系数估计值，横轴表示分位数水平，间断实现表示分位数回归估计，阴影区域表示95%的置信区间，OLS估计由平行连续的虚线表示。此外，在不同的分位数点上的分位数回归（拟合）结果如图5所示，连续线表示线性OLS，虚线表示从低到高的不同分位数点。（3）双分位数回归实证结果图6为QQR模型回归的实证结果图，模型估计系数为?1（，），代表被解释变量GDEA在不同分位数水平受解释变量EUA和CSI300在不同分位数水平的影响程度。左右图分别为EUA、CSI300对GDEA的影响QQR模型立体曲面图，其中，x轴表示EUA，y轴代表GDEA，纵轴代表估计系数。在图6左侧，总体运行平稳、极端分位数点波动剧烈。整体系数值恒定且接近0.02，说明欧洲碳价的波动对于中国碳价具有一定的正向影响，但极端市场影响较大。其中，EUA总体对GDEA产生正向影响，且当EUA处于中分位数点（0.5）时，其对同样处于中低分位点（0.5）附近的GDEA的正向影响最大；而当EUA处于较低分位水平（0.1-0.25）时，对处于高分位水平（0.75-0.95）的GDEA存在较大的负向影响。这是因为中国碳市场以区域性碳市场为主，总体价格波动幅度较小，对外界市场的反应不够敏感。但值得注意的是，当欧盟碳交易价格出现极端情况时，中国碳交易价格波动幅度比欧盟更大，这在一定程度上说明中国碳市场仍较为脆弱，受国际碳金融市场的传导性影响较大。在图6右侧，总体运行平稳，估计系数指接近0.2，说明CSI300对于GDEA存在显著的正向542023年第3期图6QQR模型立体曲面图影响。其中：当GDEA位于高分位点（0.9-0.95）、CSI300位于较低分位点（0.1-0.25）时，估计系数取得最大值，这表明在牛市时，CSI300对处于低分位点的GDEA的正向影响最大。然而，当CSI300处于极端分位数点（0.1-0.25）对处于较高分位数点（0.5-0.95）的GDEA，却出现估计系数值极速下滑、由正转负的情况，并取得最大的负向影响。这进一步验证资本会在两个市场之间流通，当股市低迷、碳市场活跃时，企业或者投资者会倾向于购买股票、减少对碳排放权的需求。控排企业普遍倾向于在碳价较低时购进碳排放权，在碳价高涨时选择投资碳减排项目。可见，企业会根据碳排放权价格的高低作出截然相反的投资决策，进而影响企业股价，而股价的高低又会反向影响碳价波动。同时，股票市场作为经济的晴雨表，较高的股价代表经济繁荣，企业会扩大生产，增加碳排放，推高碳价，而过高的碳价又会增加企业的生产成本，致使企业减少碳排放，出现极端分位数点存在负向影响的现象；反之，较低的股价则代表经济萧条，企业会减少生产，减少碳排放，碳价下跌。此外，股票市场还可以揭示产业结构分布状况，目前中国产业结构以第二产业为主，故碳排放密集的产业在股票市场中占比较大。因此，中国股价波动更有可能影响碳价波动，其关联效应由股票市场传导到碳市场。4稳健性检验将QQR模型回归结果与QR模型回归结果进行比较分析，发现两者所得结论存在关联，即欧洲碳交易价格（EUA）对中国碳交易价格（GDEA)总体呈正向影响，且影响不大；股票市场（CSI300）对中国碳交易价格（GDEA)呈显著的正向影响。然而，应用QR回归方法只能说明自变量EUA（CSI300）在不同分位数点th对于固定状态下因变量（GDEA)的影响。众所周知，因变量（GDEA）中国碳交易价格本身存在波动，即碳市场存在牛市和熊市。为更为客观地反映因变量（GDEA)位于不同分位数点th时受自变量EUA(CSI300)在不同分位数点th的影响，借鉴Sim和Zhou（2015）22提出的分位数中分位数回归方法（Quantile-on-Quantile Regression，QQR）进一步探讨股票市场、欧洲碳交易市场、中国碳交易市场之间的综合关系。QQR方法将EUA(CSI300)的分位数点回归到GDEA的分位数点上，因此其参数可以用和来解释。由于QR参数只能用来解释因变量在固定状况下受自变量的影响，而QQR方法可分析在动态变化中的因变量受自变量的影响情况，即为QR估计的“分解”。22基于这一原理，QR的近似估计应该从QQR估计中恢复。将QR的斜率系数表示为1（），EUA（CSI300）对GDEA的影响可以表述为如下：1（）=?1()1S?1，()（10）其中：S=19代表存在19个分位数点，依次为=0.05，0.10，.，0.95。结果如图7所示，实线表示QR回归估计结果，虚线表示QQR的结果，左图表示EUA对GDEA的影响，右图表示CSI300对GDEA的影响。55图7QQR回归模型与QR回归模型结果比较002001000001002Coeffcients0.20.40.60.8Quantiles of EUACoeffcients0.20.40.60.8006004002000002-0.04-0.06Quantiles of GDEA中国股市、欧盟碳市场对中国碳市场价格的影响四、研究结论与对策建议（一）研究结论本文选用2016年2月6日至2022年12月8日的交易数据，采用QR回归模型结合QQR回归模型，分析了中国碳市场与股票市场及欧盟碳市场在不同市场条件（看跌、正常和看涨）下的非线性依赖关系。研究发现：股票市场、欧盟碳市场均对我国碳交易价格波动产生正向影响，且股票市场对我国碳交易价格的影响随着股票市场分位数点的上升而增加；QQR回归估计结果更精细证实，处于牛市或熊市的股市（欧盟碳市）对处于不同分位水平的我国碳市场影响不一，当EUA处于极低分位数点（0.05-0.1）、CSI300处于较低分位数点（0.1-0.25）对处于较高分位数点（0.5-0.95）的GDEA，估计系数急剧下滑、影响由正转负，这表明在一定程度上国际碳市场、股票风险会向中国碳市场传导。政策制定者在制定相关政策时，应考虑碳市场和股票市场之间跨分位数和频率的非线性依赖关系，碳价格的变化会受股票指数影响，这为投资者提供了如何分散投资组合和制定对冲策略的参考，注重极端市场条件下的风险防控。（二）对策建议1.借鉴EUETS设置柔性机制，促进中国碳市场发展EUETS碳价格长期居于所有碳市场配额价格首位，欧洲已成为碳定价政策的世界领导者。然而，EUETS的建设并非一蹴而就，经过四个阶段的迭代才逐步完善、走向成熟。中国碳市场可以借鉴欧盟的相关配额储备制度，设置类似的柔性机制，平衡市场供需关系，保证稳定合理的碳价水平，并做好信息公开工作，增加碳市场信息公开化和透明度。此外，中国作为全球最大的碳排放权出口方，其碳定价权和交易模式均受制于国际碳市场，EUETS的极端波动会使国内碳价产生剧烈震荡。加强中国碳市场与国际碳市场接轨，积极借鉴欧盟碳市场发展经验，合理分配各个行业的碳配额，适当引入竞争机制和监管机制，有利于提高中国碳市场运行效率，促使碳交易价格能良好反映减排成本，更能体现经济运行成本。2.探索碳市场金融属性，推动碳交易合理定价当前中国碳市场仍以碳现货交易为主，而碳金融衍生品市场具有良好的价格发现功能，能够与现货市场形成优势互补，形成更为真实、合理的交易价格。从交易产品上看，依靠单一的现货产品很难实现全国碳市场在质和量上的提升，需要探索与市场发展阶段相适应的基于现货的衍生品，调动市场主体的参与积极性，引入更多资本进入减排领域。加强碳市场与其他金融机构合作、重视碳市场中的金融工具创新，吸引更多投资主体参与碳交易，促使碳市场获得更多的资金和活力。探索达到最佳节能减排效应的合理碳定价，不仅能加快推进全国碳排放权交易市场建设，还能促使企业更积极地向低碳经济转型。562023年第3期3.逐步扩大市场开放程度，加强风险防控能力鼓励包括商业银行、证券、基金、期货公司等金融机构积极参与碳市场，为中国碳市场发展注入强有力的资本实力和专业服务能力，提升市场流动性和价格发现功能，激发更多投资者参与碳市场。同时，增强中国碳市场的风险防控能力，对国际碳市场及其他金融市场的变化作出合理反应，提升中国碳市场的金融稳定性。逐步探索金融化发展路径并建立配套风险防控机制，增强投资者信心和参与意愿。此外，对于碳市场投资者而言，也应加强自身风险防控能力。碳市场在不同市场条件下（看跌、正常和看涨）受其他市场的影响程度不同，投资者在投资决策时，应充分考虑市场状况，关注国内外碳价波动的同时，还需要关注国内股票市场的变化，注重投资组合多样化，及时采取跨市场的套期保值策略，尤其注意在极端市场条件下评估自己的风险，从而作出理性的投资决策。参考文献：1赵选民,魏雪.传统能源价格与我国碳交易价格关系研究基于我国七个碳排放权交易试点省市的面板数据J.生态经济,2019,(2):31-34+52.2魏琦,金卓然.化石能源价格变动对中国碳交易价格的影响研究J.价格理论与实践,2018,(11):42-45.3李强林,张甜,邹绍辉.煤炭股指数与碳市场价格动态关系研究J.价格理论与实践,2019,(4):79-82.4胡刚耀,周新苗.我国碳价波动对能源企业股价的影响研究J.生产力研究,2022,(1):121-127.5杜子平,刘富存.我国区域碳排放权价格及其影响因素研究基于GA-BP-MIV模型的实证分析J.价格理论与实践,2018,(6):42-45.6贾君君,许金华,范英.欧盟碳排放权市场重大公告事件对碳价格的影响J.中国科学院院刊,2017,(12):1347-1355.7易兰,杨历,李朝鹏,等.欧盟碳价影响因素研究及其对中国的启示J.中国人口资源与环境,2017,(6):42-48.8孙春.中国碳市场与EU碳市场价格波动溢出效应研究J.工业技术经济,2018,(3):97-105.9刘建和,梁佳丽,陈霞.我国碳市场与国内焦煤市场、欧盟碳市场的溢出效应研究J.工业技术经济,2020,(9):88-95.10王喜平,王雪萍.欧盟和国内碳交易市场的相依结构及风险溢出效应研究J.工业技术经济,2021,(7):72-81.11张晨,刘宇佳.基于DGC-MSV-t模型的欧盟碳市场信息流动研究J.软科学,2017,(2):130-135.12卜文珂,赵蒙恩.碳排放权价格对能源企业股价的影响研究基于传统能源和新能源企业的对比分析J.价格理论与实践,2020,(3):107-110.13向为民,钟朝.我国碳市场价格影响因素研究J.重庆理工大学学报(自然科学),2020,(10):259-265.14Wen F,Wu N,Gong X.Chinas Carbon Emissions Trading and Stock ReturnsJ.Energy Economics,2020,86:104627.15王慧英,王子瑶.我国试点城市碳排放权交易的政策效应与影响机制J.城市发展研究,2021,(6):133-140.16张希良,张达,余润心.中国特色全国碳市场设计理论与实践J.管理世界,2021,(8):80-95.17魏宇,张佳豪,陈晓丹.基于DMS和DMA的我国碳排放权交易价格预测方法来自湖北碳市场的经验证据J.系统工程,2022,(4):1-16.18闫新杰,孙慧.基于STIRPAT模型的新疆“碳达峰”预测与实现路径研究J.新疆大学学报(自然科学版),2022,(2):206-212+218.19刘元欣,邓欣蕊.我国碳排放影响因素的实证研究基于固定效应面板分位数回归模型J.山西大学学报(哲学社会科学版),2021,(6):86-96.20王超,杨宝臣.碳市场对商品、金融市场的溢出效应分析J.南开学报(哲学社会科学版),2021,(5):110-122.21Koenker R,Bassett G.Regression QuantilesJ.Econometrica,1978,46(1):33-50.22Sim N,Zhou H.Oil Prices,Us Stock Return,and the Dependence Between Their QuantilesJ.Journal of Banking&Finance,2015,55(6):1-8.23Dickey,D.A,Fuller,W.A.Distribution of the Estimators for Autoregressive Time Series With a Unit RootJ.Journal of theAmerican Statal Association,1979,79(6):427-431.24Nelson C R,Plosser C R.Trends and Random Walks in Macroeconmic Time SeriesJ.Journal of Monetary Economics,1982,10(2):139-162.25Xu B,Lin B.Investigating Drivers of CO2Emission in Chinas Heavy Industry:A Quantile Regression AnalysisJ.Energy,2020,206:118159.责任编辑：何雄伟57