王娜 吳風菊

摘 要：構建碳排放交易市場，引導社會各層面主動參與溫室氣體減排，是實現(xiàn)氣候改善和低碳發(fā)展的有效途徑。本文以我國碳交易市場價格的影響因素為研究對象，以6個碳市場日均交易價格走勢作為混合信號，利用獨立成分分析（ICA）方法對其進行深層次的分析，找出混合信號中隱含的信息，分離出4個獨立成分，發(fā)現(xiàn)政策、經(jīng)濟和能源價格是影響交易價格的重要因素，為規(guī)范市場行為、構建全國性的碳交易市場等提供一定的參考和借鑒。

關鍵詞：碳交易；價格影響因素；獨立成分分析（ICA）

碳排放權交易是在全球關注氣候變化問題的大背景下形成的。2005年2月16日，《京都議定書》正式生效，這不僅首次以法規(guī)的形式限制了各發(fā)達國家溫室氣體的排放量，更是催生出一個以二氧化碳排放權為主的碳交易市場。目前，國際上已形成多個排放權交易市場，比如芝加哥氣候交易所（CCX）、歐洲碳排放交易體系（EU ETS）和蒙特利爾氣候交易所（MCEX）等。

我國政府于1998年5月簽署并于2002年8月核準了《京都議定書》。目前，我國已建成深圳、上海、北京、廣東、天津、湖北、重慶7個碳交易市場，并擬于2016年建立全國性的碳交易市場。7個試點累計成交額近13億元，而全國性碳市場交易額可達12至80億元。價格是一個市場必不可少的構成要素，也是一個市場能夠持續(xù)健康運行的核心。我國碳市場擁有巨大的發(fā)展?jié)摿蜕虣C，研究探討碳減排市場價格影響因素，對于我國推動碳市場的穩(wěn)步健康發(fā)展有重要意義。

國外學者對于碳排放權交易價格影響因素的研究較早。初期，大多數(shù)學者采用格蘭杰因果檢驗法研究單個變量與碳排放權交易價格的關系，比如煤炭、石油等能源，隨著自回歸模型的應用擴展，學者們開始使用自回歸多變量模型研究多個因素同時對碳排放交易價格的影響，Kainuma等（1999）同時考慮了生態(tài)、氣候、經(jīng)濟等多個方面對碳排放權價格的影響。Considine（2000）認為天氣會影響能源消費和溫室氣體排放，從而影響碳排放權價格。Burniaux等（2000）研究了政策對碳排放權價格的影響。Manasanet Bataller、Pardo 和Volor （2007）分析了石油、天然氣、煤炭價格以及氣候對碳排放價格的影響。Reilly和Paltesv（2007）提出了碳排放交易價格的影響因素不僅有能源，還有市場參與者的準備程度。Jaehn和Peter Letmathe（2010）通過研究，認為影響碳排放交易價格的因素，除了能源、市場因素外，信息的透明度、物價指數(shù)和碳配額等也會影響碳價格的波動。國外關于碳排放權交易價格的研究已經(jīng)有了很大的成果，既有理論研究，也有實證分析。實證大多基于歐盟排放交易體系和美國芝加哥氣候交易所。我國對于該方面的研究還處于起步階段，大多都是從理論上定性分析影響碳排放權價格的因素，實證分析研究較少。有國內學者進行了碳排放權價格影響因素的實證分析，但仍基于歐盟或是美國的市場。陳曉紅（2013）以芝加哥氣候交易所為例，以回歸模型對其進行實證分析。到目前為止，針對我國碳交易市場進行的實證研究還比較缺乏。

本文以我國已成立的7個碳市場中的6個市場的數(shù)據(jù)為樣本，由于數(shù)據(jù)的非高斯性，本文采用了獨立成分分析法，找出影響我國6個碳排放權市場交易價格隱含的公共因素，為2016年的全國碳交易市場以及完善目前已有各市場的定價機制提供一些借鑒和參考。

一、ICA的基本原理和方法

（一）ICA基本原理

ICA是一種非常有用的統(tǒng)計分析工具，它能從可觀測的混合信息中分離出獨立成分。假設這些獨立成分是非高斯分布和相互獨立的，典型的ICA模型已被廣泛用于處理盲源信號、特征提取等問題。

假設觀察到個隨機變量，這些變量是由另外n個隨機變量線性組合得到的：

式中，是未知參數(shù)，稱為混合系數(shù)。在統(tǒng)計上相互獨立，稱為獨立成分（Independent Components）簡稱，假設相互獨立且為非高斯分布，這些獨立成分不能直接被觀測，是模型中的隱藏變量，而也是未知的 。

基于以上假設，上述模型也可用矩陣形式表達，

是未知的混合系數(shù)矩陣，是隱藏的獨立成分矩陣，這些隱藏的成分不易被直接的觀測到。ICA模型的目標就是通過計算混合矩陣的逆矩陣，

從而估計出獨立成分：

（二）ICA方法

中心極限定理表明，在大樣本條件下，獨立隨機變量的和趨于高斯分布。觀測變量是獨立成分的線性組合，因此觀測變量比獨立成分中的任何一個更接近于高斯分布。ICA的本質就是找到最大非高斯性的投影，因此對高斯性的度量成為關鍵的問題，目前常用的方法是用負熵來度量其非高斯性。

熵是信息論的基本概念，隨機變量的熵與觀測給出的信息量有關，變量越隨機，熵越大。一個密度為的隨機變量，其微分熵定義為：

信息論基本結論指出，在具有相同方差的所有隨機變量中，高斯變量具有最大的熵。說明熵可以作為非高斯性的一種度量。

目前常用負熵來進行非高斯性度量，負熵其定義如下：

其中是隨機變量，是隨機變量的熵，是與具有相同相關矩陣的高斯隨機變量，是高斯隨機變量的熵。由熵的特性可知，負熵總是非負的，當且僅當具有高斯分布是其值為0。

負熵近似的經(jīng)典方法是使用高階累積量和密度多項式展開方法，其相應的近似為：

假定隨機變量具有零均值和單位方差。此外，如果將高階累積量近似方法推廣，使用一般形式的非二次函數(shù)的期望，可得到負熵的簡化形式。如使用任意兩個非二次函數(shù)和，且令是奇函數(shù)，是偶函數(shù)，得到如下負熵估計：

式中，和是正常數(shù)，是零均值單位方差的高斯變量，為隨機變量且具有零均值和單位方差。

上式中，如果僅使用一個非二次函數(shù)，則負熵近似變?yōu)椋?/p>

常用的函數(shù)如下：

式中，常數(shù)的取值在范圍內較合適，通常取1。

本文所采用的是方法中最常用的算法。算法又稱為快速不動點算法，它能夠快速且有效的收斂，因此在實際計算中應用廣泛。其運行步驟如下：

對數(shù)據(jù)進行中心化使其均值為0

然后對數(shù)據(jù)進行白化得到

選擇要估計的獨立成分的個數(shù)，置

選擇具有單位范數(shù)的初始化向量（可隨機選?。└拢?/p>

其中

進行正交化：

標準化，即

如果尚未收斂，返回步驟5

置。如果，返回步驟4

二、ICA在我國碳排放權交易市場的實證分析

2013年6月至今，我國已陸續(xù)建立了7個碳市場，重慶碳排放交易所成立前期交易量少，交易價格變化不大，2015年6月中旬后交易量才開始增加，所以本文的樣本中排除重慶碳排放交易所，以另外6個市場的價格走勢作為混合信號來探索影響它們的公共因素，6個市場分別為北京、上海、廣東、天津、深圳、湖北，6個市場中湖北碳排放交易所成立時間最晚，但其成交量卻已成為7個市場中交易量最大的市場，所以本文以湖北碳排放交易所的初始交易時間選擇樣本數(shù)據(jù)，即選擇從2014年3月31日至2015年6月29日的6個市場的日均交易價格為樣本，樣本數(shù)為。全部數(shù)據(jù)來源于中國碳排放交易網(wǎng)。6個市場碳交易價格在該時段的走勢如圖1所示。

圖1 北京、上海、廣東、天津、深圳、湖北碳交易

日均交易價格趨勢

（時間：20140331-20150629）

樣本數(shù)據(jù)的基本統(tǒng)計特征如表1所示。

樣本數(shù)據(jù)的峰度均不為0，說明不服從正態(tài)分布，滿足了使用方法的假設。在使用之前對原數(shù)據(jù)進行中心化和白化，將處理后的數(shù)據(jù)導入中的程序包，得到4個獨立成分，如圖2所示。

見表1 6個碳交易所日均交易價格統(tǒng)計量

由圖2可知，

找到了隱藏在原始數(shù)據(jù)中的4個不同的公共因素。如果估計獨立成分個數(shù)是5，則得到如圖3所示的獨立成分。

圖2 分離出的4個獨立成分

圖3 分離出的5個獨立成分

由圖3可知，第五個成分為一條直線，而其余四個獨立成分與圖2基本一致。因此，可以判斷分離4個獨立成分是合適的。獨立成分的難點在于通過分析對分離出的獨立成分給出合理的解釋。

的解釋——政策因素

我國碳交易市場成立時間較短，相關法規(guī)、制度還不夠健全，市場參與主體的積極性也不是很高，這時政策引導和監(jiān)管必不可少，比如國家的碳配額計劃、國家與國際上的相關協(xié)定、激勵及處罰措施等，這些因素很大程度上決定了碳配額市場的空間，如果減排計劃和監(jiān)管力度過于寬松，則交易價格會偏低；反之，則偏高。由圖4可知，2015年之前，市場價格受政策因素影響的波動較大，2015年之后隨著各個市場的成熟和完善，價格受此因素影響趨于平穩(wěn)。

圖4 獨立成分1

表2 可能的波動原因

1.2014年4月24日，《中華人民共和國環(huán)境保護法 》最新（修訂版）全文細則發(fā)布，該環(huán)保法是25年來的首次修訂，增加了相關環(huán)保部門的監(jiān)管權力，并加大了對亂排企業(yè)的處罰力度。

2.2015年5月27日，《大氣污染防治行動計劃實施情況考核辦法（試行）》。

3.2014年6月1日起，各市場進入履約期，各市場交易價格會受到一定影響。

3.2014年9月19日，國務院印發(fā)《國家應對氣候變化規(guī)劃（2014-2020年）》

4.2014年12月14日，利馬氣候大會結束，但會議成果低于預期。

5.21015年3月3日至15日，環(huán)境治理是兩會的重要議題之一，將環(huán)境治理納入政府的業(yè)績考核。

表2中列出了在該時段內國家出臺的關于環(huán)境治理和氣候變化的有關政策文件，期間還有一個非常重要的國際氣候峰會，該氣候峰會的成果會影響到后續(xù)碳配額的空間及國家實施碳減排的積極性，從而影響全球的碳交易價格。此外，針對各個碳市場的特點，各碳市場會出臺相應的制度、政策及交易規(guī)則，這些政策影響的范圍較小，一般局限于各獨立的碳市場。

的解釋——工業(yè)增加值

在碳配額一定的情況下，碳交易價格受企業(yè)排放權需求的影響，企業(yè)需要的碳排放權越多，則交易價格則會上漲；反之，則下降。目前我國各碳交易市場納入的試點企業(yè)較集中在電力、熱力企業(yè)、石油加工類企業(yè)，這些企業(yè)產(chǎn)值越多，則排放的溫室氣體越多，需要的碳排放權則越多，從而促使碳排放交易價格上漲。本文分析了二氧化碳排放量較大的電力、熱力企業(yè)及石油加工、煉焦及核燃料加工業(yè)在2014年3月至2015年5月產(chǎn)值情況，數(shù)據(jù)來源于國家統(tǒng)計局。統(tǒng)計結果如圖5所示，圖5中的最上部的曲線是將電力、熱力、石油加工等產(chǎn)業(yè)綜合后的工業(yè)增加值曲線，分析發(fā)現(xiàn)該曲線與分離出的獨立成分ICs3（如圖6所示）的趨勢基本一致?？梢耘袛嘟?jīng)濟發(fā)展的程度，尤其是溫室氣體排放量大的產(chǎn)業(yè)的發(fā)展狀況對碳排放權交易價格有較大影響。

圖5 電力、石油加工業(yè)產(chǎn)業(yè)增加值

圖6 獨立成分3

的解釋——煤炭價格

二氧化碳的排放主要來源于工業(yè)生產(chǎn)中煤、石油、天然氣等化石燃料的燃燒。據(jù)國家統(tǒng)計局公布的數(shù)據(jù)，2014年我國能源消費總量中煤炭占67.5%，石油占17.8%，天然氣占5.1%，非化石能源占9.6%。目前，煤炭仍然是我國發(fā)展所需的主要能源，而且煤炭中碳含量最高，以產(chǎn)生同等熱量為例，煤炭產(chǎn)生的二氧化碳是石油的1.53倍，天然氣的2.27倍，所以國內煤炭消耗是主要的二氧化碳的來源。消耗的煤炭越多，二氧化碳排放越多，碳排放權需求增加，排放權交易價格相應也會上漲。而煤炭的價格又會影響企業(yè)消耗的煤炭的數(shù)量，繼而間接影響碳排放權價格。圖7是我國動力煤指數(shù)自2014年7月1日至2015年6月29日的走勢圖，圖8是ICA分離的獨立成分4，樣本數(shù)據(jù)時間2014年3月31日至2015年6月29日。由于兩圖有一定的時間差，本文只分析從2014年7月1日后的走勢。對比兩圖，總體來看，煤炭價格指數(shù)與獨立成分的走勢基本是反方向，碳排放權價格的變化稍滯后與煤炭價格的變化。可以看出，目前我國以煤炭作為主要燃料的環(huán)境下，煤炭價格的變化對碳排放權價格具有較大影響。

圖7 煤炭價格走勢圖（20140701-20150629）

圖8 分離出的

本文嘗試解釋了根據(jù)6個碳市場日均交易價格走勢分離出來的4個獨立成分中的3個成分。影響碳排放權交易價格的因素非常復雜，尤其是在碳市場成立初期，各項制度還不完善，市場參與者的積極性不高的情況下。對于分離出的獨立成分3，沒有找到確定的某個方面的信息進行解釋，2014年該成分曲線較平穩(wěn)，2015年2月至6月開始有較大波動，該成分可能包括了如市場參與主體的熱情、碳金融產(chǎn)品的不斷創(chuàng)新和完善、股票市場的波動以及一些隨機因素等。

三、結論

本文采用ICA方法對我國6個碳交易市場日均價格影響因素進行分離，發(fā)現(xiàn)政策因素、工業(yè)增加值、能源價格尤其煤炭價格都是影響其碳交易價格的重要因素。ICA作為一種技術分析方法，能夠對潛在的驅動因素進行深層次挖掘，隨著碳市場參與企業(yè)數(shù)量和成交量的不斷增加，ICA在碳市場上還有很大的應用空間。通過ICA分析，獲得深層次的影響因素后，就可以通過制定合理政策，規(guī)范市場行為，為我國碳市場的持續(xù)、健康、有效的運行提供更多的參考和借鑒。

參考文獻：

[1]陳曉紅等.自愿減排交易市場價格影響因素實證研究——以CCX為例[J].中國管理科學，2013，4.

[2]張潔.獨立成分分析與主成分分析在股票市場上的運用[J].應用數(shù)學與計算數(shù)學學報，2014，28.

[3]周宗潭，董國華等譯.獨立成分分析[M].電子工業(yè)出版社，2014.

[4]Considine T J.The impacts of weather variations on energy demand and emissions[J].Resource and Energy Economics，2000，22.

[5]K.Kiviluoto and E.Oja.Independent component analysis for parallel financial time series. In Proc.Int.Conf.On Neural Information Processing，1998，2.

[6]Manasanet-Bataller M，Pardo A，Valor E. CO2 price，energy and weather[J].The Energy Journal，2007，28.