论“双碳”背景下碳排放价格的形成机制

温室气体的大量排放使各国政府意识到碳排放行为应该被约束和管理,而碳减排便是各国为减少碳排放所采取的策略之一。为有效抑制碳排放行为,为碳排放行为买单,碳排放价格的提出有其合理缘由,而碳经济“三角”的现实约束、碳减排经验不足以及缺乏碳中介机构等因素的存在阻碍了碳排放价格的有效形成。为实现这一目标,我国应加快构建碳经济发展体系、加大碳市场投入,并加强碳中介机构和人才储备。当前,正处于“双碳”背景下的企业,尤其是能源企业更应注重碳减排。我国八大碳市场试点地区的碳价格数据,反映出我国碳排放价格能够被企业合理预测,为此,能源企业更应抓住“双碳”机遇,把握好碳排放价格趋势,加强技术创新,披露碳减排行为,推动企业绿色转型,实现企业可持续发展。

基于动态碳排放价格的电网规划模型

随着国际社会对气候变化问题的重视,中国在"十二五"期间进一步提出了节能减排的新目标,需要研究碳排放价格对电网规划的影响作用。分析碳排放价格的波动情况,利用指数广义自回归条件异方差(exponential generalized autoregressive conditional heteroskedasticity,EGARCH)模型建立碳排放价格预测模型,提出碳排放量的计算方法;在此基础上构建基于动态碳排放价格的电网规划模型;最后,通过IEEE 24节点系统的模拟测算,分析模型的有效性。结果表明,与不考虑碳排放价格或者只考虑固定碳排放价格的电网规划相比,在规划模型中引入动态碳排放价格变量,能够更有效地模拟各种波动价格情景下的最优线路扩建方案,符合未来电网规划适应节能减排的工作需要,所确定的规划方案具有更好的经济效益。

我国碳排放价格与煤炭期货价格的传导机制研究

煤炭消费是我国碳排放的主要来源,煤炭市场和碳排放权交易市场会互相影响,研究二者的价格传导对于实施减碳政策和实现碳达峰目标具有重要意义。基于湖北碳排放权价格和动力煤期货价格,运用VEC模型、脉冲响应和方差分解等方法,初步分析了碳排放价格与煤炭期货价格的传导机制,然后运用BEKK-GARCH模型和信息份额模型,对价格传导过程中二者的贡献度进行精确度量,并分析其走势及影响因素。研究发现:碳排放价格和煤炭期货价格长期具有均衡关系,短期也会互相影响,但碳排放价格的贡献度远小于煤炭期货价格,并且与配额总量负相关,与碳市场成交量和参与的企业家数正相关。因此,在实施减碳政策过程中,要高度重视煤炭期货价格走势,合理控制碳排放总量,并通过进一步活跃市场和扩大参与企业数量来提高市场效率,充分发挥资源配置功能,助力碳达峰目标的实现。

考虑碳排放价格的电力市场均衡分析

国民经济中,作为最大的碳排放部门的电力行业,引入碳排放因素尤为重要。为研究碳排放价格对电力市场均衡结果及发电商利润的影响,首先,给出考虑碳排放价格的电力市场发电成本模型;然后,建立考虑碳排放价格的电力市场古诺均衡模型并进行均衡分析。分析表明:引入碳排放价格后,高碳排放的发电商的利润下降;碳价波动、合同电量对电力市场均衡价格有明显的影响;碳价、合同电量的合理选取对发电商利润有着显著的影响;引入碳排放价格的市场机制不仅可以降低CO2的排放量,达到节能减排的效果,同样可促进新能源市场的发展,优化电源结构,具有一定的现实意义。

基于动态碳排放价格的电网规划模型初探

当前我国和国际社会已经越来越重视气候问题,在此基础上我国现已开始研究碳排放价格对电网规划的影响,而其中引入动态碳排放指标能够更合理找到最佳建设方案。基于对动态碳排放价格模型的设计,本文在此基础上进行了电网规划模型的设计,并对规划模型的合理性进行检验,对电网规划进行合理指导。

中国煤炭价格与碳排放权交易价格的传导路径研究

碳市场作为新兴市场易受能源价格因素干扰,在“双碳”目标下研究煤炭价格与碳排放权交易价格(以下简称为碳价)的传导路径,有利于碳市场的健康运行并助力其发挥减排作用。在梳理煤炭价格与碳价传导机理的基础上,利用DCC-GARCH模型揭示煤炭指数与碳价的动态关系,并运用VAR模型实证检验煤炭价格与碳价的传导路径及能源消费结构、能源效率与动态相关系数的因果关系。实证结果表明:煤炭价格与碳价存在显著动态相关性,并呈现复杂性和多变性;碳市场尚未充分发挥其创新激励效应,相较于能源利用效率,煤炭价格与碳价通过能源消费结构路径实现的传导更加显著;能源消费结构调整是动态相关系数变化的格兰杰原因,而能源利用效率改变则不是。

基于复杂网络的中国碳排放权价格风险传染研究

明晰碳价影响因素网络变化,有助于发现中国碳市场现阶段的主要风险源及风险传染特征,对维持碳价稳定与推动经济社会绿色低碳发展有着重大的理论及实践意义。本文基于格兰杰因果检验,构建了含有20个指标的碳价影响因素风险网络。首先通过网络拓扑性质,识别关键性指标,分析网络结构,然后利用k-core算法对网络进行分层分析及传播动力学分析,最后运用最小树形图筛选网络连边,分析指标间的风险传染路径。结果表明:全国碳市场运行后,国际碳价与国外经济形势处于风险网络的核心位置,有着较强的风险传染能力;网络整体风险传染能力减弱,风险传染范围变窄,传染速度变慢;网络的层次变浅,风险更易感知;利率与汇率中介作用显著减弱,而中国大庆原油现货价格有着较强的中介作用。

我国碳排放权交易价格预测研究——基于LSTM模型

科学预测碳排放权交易价格对我国碳市场建设以及“双碳”目标实现具有重要意义。近年来,碳市场价格表现出非平稳、非线性等不规律特征。传统统计模型和方法的预测能力有限,随着深度学习等智能算法的普及,神经网络被用于时间序列预测中,较好地解决了上述预测难题。基于此,本研究采用长短时记忆网络(LSTM)模型对我国碳排放权交易价格进行长期预测,并将预测结果与循环神经网络RNN模型对比分析。研究结果显示,LSTM模型对我国碳排放权交易价格具有较好的预测能力,克服了传统模型的局限性。这一研究为未来碳市场价格趋势的预测和相关政策制定提供了有价值的参考。

基于VMD混合多尺度机器学习模型的碳排放权价格预测

构造了一种融合变分模态分解的多尺度混合碳价预测模型VMD-PSO-LSTM。结果显示,该模型能有效映射并拟合复杂多尺度的碳价时频信号,预测误差RMSE、MAE、MAPE仅为0.2109、0.176和0.0021,碳价预测精度和稳定性均优于基准模型。该模型的预测效果并不受随机样本预测期限差异的影响,并在较长随机区间的样本外预测上误差较小,展现出较强的预测鲁棒性和稳定性。

国内碳排放权市场价格的影响因素及作用分析

本文的研究目的是分析国内碳排放权市场价格波动的激励要素及其影响,在对相关参考资料进行深入梳理和数据探究的过程中揭示了影响碳排放权价值的核心要素,这些要素涉及国家政策导向、市场供求状况、经济增长状况以及能源配置等方面。在行政策略层面碳排放权配额的划拨机制、减排目标的确立及执行的严格程度等都会对碳交易市场的价值波动造成显著影响;而市场的供求状况则是决定碳交易基础的关键因素,诸如行业结构的优化、能源消费模式的改革等都将对碳排放权的需求与供应产生作用,从而作用于其价格;在更广阔的经济层面,经济增进程度与能源结构对碳交易价位施加着宏观影响,其中经济发展的速率和能源使用模式的演变将会直观地映射到碳排放权的价值之上。

基于Transformer-LSTM模型的多因素碳排放权交易价格预测

碳排放权交易作为一种重要的环境政策工具在全球范围内得到了广泛应用。如何运用深度学习等技术提高碳排放权价格预测能力是一个重要问题,基于此,提出一种Transformer-LSTM多因素碳排放权交易价格预测的深度学习模型,以湖北省碳排放权交易价格为例,旨在探索运用深度学习的方法,预测湖北省碳排放权交易价格的变动趋势。输入Transformer-LSTM模型进行预测,同时运用支持向量机回归(SVR)、多层感知机(MLP)、长短时记忆网络(LSTM)、Transformer模型进行预测与对比。通过在历史数据上进行训练,实验结果表明,Transformer-LSTM模型得到的预测价格与湖北省碳排放权交易价格(HBEA)的实际价格更为吻合,在平均绝对误差(MAE)、均方误差(MSE)、均方根误差(RMSE)和评估指标上也有更佳的表现。

基于CEEMDAN-CNN-LSTM模型的上海碳排放权交易价格区间预测研究

碳排放权交易价格是碳排放权交易市场的核心要素,对其准确预测有助于政府科学制定碳市场政策,也有利于企业在碳市场的有效决策以及实现碳减排成本最小化。本文构建CEEMDAN-CNN-LSTM模型,对2014年5月13日至2024年1月23日上海碳排放权交易价格进行区间预测研究。用CEEMDAN方法对中心和半径碳价进行分解,分别得到7个中心本征模态函数(IMFS)和9个半径本征模态函数,后加入与上海碳价相关性较高的特征变量,将分解后的IMFS和特征变量分别放入CNN-LSTM模型进行预测,并与CNN、CNN-LSTM和ARIMAX模型进行比较。预测结果表明:基于考虑宏观经济、气象气候、能源价格、国际汇率的多变量输入模型,CEEMDAN-CNN-LSTM方法的区间预测误差是最小的,具有明显的预测优势。

“电-碳”市场关联视角下的碳价格动态传导效率分析

文章从全国和城市两个层面出发,建立TVP-VAR模型和面板数据模型,从实证角度结合我国碳市场和电力市场改革进程,对碳价向电价的传导效率进行动态分析。研究结果表明:碳—电价格的传导率具有时变性和异质性,碳价向工业电价的传导效率较高且存在累积效应,但碳价向居民电价的传导存在阻滞;随着电力市场化改革与碳交易市场机制的逐渐完善,碳价向工业电价传导的效率显著上升;城市层面碳价对工业电价也具有显著正向的传导效应,且在碳市场试点地区传导效应更强。

碳交易市场最优减排量与碳排放权均衡价格研究

为了实现政府承诺的减排目标,亟需完善碳定价机制并制定连贯的减排计划。本文以发电企业为研究对象,建立总合规成本最小化的随机均衡模型,在2021—2030年减排目标的约束下,使用哈密顿-雅可比-贝尔曼(HJB)方程将构建的最优控制问题归结为解偏微分方程问题,获得企业的最优减排量和最优交易量,进而得到碳排放权均衡价格及全社会最优减排量的解析解。为了验证模型,使用实际数据进行情景分析和敏感性分析。通过情景分析,得到合规期内的碳排放权均衡价格和全社会最优减排量。通过敏感性分析,比较各种清洁能源替代非清洁能源发电的边际减排成本,发现发电企业能源燃料优先使用顺序为水能、太阳能、陆上风能、核能、海上风能、天然气。研究结果为全国碳市场碳排放权提供定价基准,同时为中国通过市场化手段实现碳减排目标提供理论依据。

基于趋势调节的碳排放权市场周内效应研究

以湖北碳排放权市场为对象,使用2014年4月28日到2024年3月25日共2376个数据样本点,构建具有趋势调节的T-AR(1)-GARCH(1,1)模型,刻画碳排放权市场周内效应形式及其影响关系。结果显示,湖北碳排放权市场在高波动和低波动下分别呈现正向和负向的周一效应。即当市场波动较高时,周一收益在市场下降趋势下会导致市场收益上涨12.8%,而当市场波动较低时,周一收益则导致市场收益下降2.3%。特别是周一效应被证明受到自身长期滞后收益的负向影响,以及欧盟碳价的正向影响。研究表明碳排放权市场价格并非随机游走,而是呈现周内效应特征,为研判碳市场效率,开展量化投资等提供参考。

全国碳市场碳排放权价格影响因素分析

2021年7月16日我国建立全国碳排放权交易市场,首批纳入全国2 162家电力行业企业。目前对碳价格的研究集中在国外碳市场和国内试点碳市场,对新的全国碳市场实证研究较少。因此本文以全国碳市场碳价格为研究对象,运用VAR模型及脉冲响应函数研究能源价格、宏观经济、国内外碳价格、行业碳排放量四种因素对碳价格的影响机制,创新性地将国内外碳市场价格作为自变量进行研究,结果显示碳价格受自身历史价格和动力煤价格影响最大。

碳排放权价格对能源上市公司企业价值的影响研究

随着全球变暖不断加剧,人类逐渐意识到控制碳排放的重要性。碳排放权交易作为推动节能减排和低碳发展的市场化手段,越来越受到企业的重视,能源企业作为市场中重要的参与者,研究碳排放权价格对其企业价值的影响,能够提高能源企业的碳管理水平,实现企业的高效经营。文章选取2014年1月1日至2022年9月30日八大碳排放权交易市场的碳产品的季度加权收盘价,建立回归模型,对比研究传统能源企业和新能源企业碳排放权价格和企业价值之间的关系。回归结果表明:碳排放权价格和传统能源企业价值负相关,和新能源企业价值正相关。以此为出发点,促使政府结合市场化手段积极引导低碳技术的发展,加强企业对碳减排问题的重视,促使我国能源企业绿色健康发展。

利用ARIMA-SSA-LSTM组合模型的碳排放交易价格预测

单一的预测方法在不同方面各有优劣,为了提高碳排放交易价格预测的精确度,从智能算法出发提出ARIMA-SSA-LSTM组合碳排放交易价格预测模型。该模型通过结合非线性规划局部搜索的优势和遗传算法全局搜索的优势使用非线性规划遗传算法分配差分整合移动平均自回归(ARIMA)模型和麻雀搜索算法优化后的长短时记忆(LSTM)模型(SSA-LSTM)的权重,通过加权得到最终的碳排放交易价格预测结果。运用ARIMA-SSA-LSTM组合模型,ARIMA模型,LSTM模型和SSA-LSTM模型分别对湖北省与广东省碳排放交易价格进行短期和长期预测。实证结果表明,相比单一的ARIMA模型、LSTM模型、SSA-LSTM模型,ARIMA-SSA-LSTM组合模型三个预测精度评价指标均为最小,碳排放交易价格预测精度最优。相比于传统ARIMA模型,机器学习LSTM模型具有更精确的预测结果,并且趋势预测更优。引入智能算法后,权重分配结果更加准确,LSTM模型的预测性能得到提升,印证了智能算法在碳排放交易价格预测领域的有效性。

碳交易价格对能源公司股价的影响——基于VECM模型的面板数据分析

随着我国碳交易市场发展,碳交易价格对能源公司股价的影响日益显著。为了更好应对碳交易价格带来的企业价值风险,本文通过建立VECM模型结合脉冲响应和方差分解,分析碳交易价格对我国能源公司股价的影响。结果发现:碳排放价格对能源公司股价影响显著,方差分解显示,在影响股价的变量中碳排放权价格的贡献度最高。短期内碳排放价格与能源公司股价之间负相关,长期呈现正向影响且稳定。因此,建议相关企业做投资决策时应重视碳排放影响、更新技术设备、树立环保形象、增强投资者信心、提高企业价值。

基于CS-BP神经网络模型的碳排放权价格预测

针对传统BP神经网络容易产生局部极值和过于依赖权值的问题,提出了一种基于CS(CuckooSearch)算法优化设计BP神经网络的预测模型。该优化方法主要利用CS算法的全局搜索能力为BP神经网络寻找最优的权值和阈值,解决了BP神经网络由于参数随机取值引起的局部最优的问题,提高了模型的预测能力。为了验证算法的泛化性,利用广东省和湖北省的碳排放权价格进行预测实验,并与BP神经网络模型和粒子群算法优化神经网络模型(POS-BP)的预测结果进行比较,实验结果表明,CS-BP的平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)明显优于其他两种算法,具有较好的预测能力。