Driving Factors of Carbon Trading Price in Pilot Area of China Carbon Market and Its Temporal and Spatial Heterogeneity

doi:10.13466/j.cnki.lyzygl.2022.05.005

Abstract

Abstract:

Based on the quarterly panel data of carbon trading prices from 2014 to 2019 in seven carbon pilot areas of Shenzhen, Beijing, Shanghai, Guangdong, Tianjin, Hubei and Chongqing, this paper first used the spatial Moran index to analyze the spatial and temporal characteristics of carbon trading prices on the basis of building the energy intensity weight matrix, and then used the spatial and Temporal Geographic weighted regression(GTWR)model to empirically analyze the driving factors of carbon trading prices and their spatial and temporal differences.The results showed that:Carbon trading prices in pilot areas had obvious temporal and spatial agglomeration effects and significant spatial correlation; The driving factors of carbon trading price in different pilot areas had significant temporal and spatial heterogeneity. Industrial structure, total industrial output value, energy structure, carbon market trading volume, punishment, the number of emission control enterprises and forest coverage were important driving factors; Temperature, GDP per capita, energy consumption of GDP in per unit and emission reduction targets did not show obvious temporal and spatial heterogeneity.This paper reckoned that we should focus on optimizing the industrial structure, reasonably formulating carbon trading policies, improving the forest protection mechanism and strengthening cross regional cooperation to effectively connect various carbon markets.

Key words: carbon market, carbon transaction price, driving factors, spatial-temporal geographical weighted regression model, spatial-temporal heterogeneity

CLC Number:

F206

SONG Yaxian, GU Guangtong. Driving Factors of Carbon Trading Price in Pilot Area of China Carbon Market and Its Temporal and Spatial Heterogeneity[J]. FOREST RESOURCES WANAGEMENT, 2022, 0(5): 32-41.

Figures/Tables 6

Tab.1

Tab.2

Fig.1

Tab.3

Tab.4

Tab.5

References 23

[1]	李高. 7个试点碳市场累计成交额114亿全国碳市场将启动首批纳入2000多家竟都是发电企业?[EB/OL]. 东方财富网,(2021-07-14)[2022-07-02].https://finance.eastmoney.com/a2/202107141997841425.html.
[2]	王科, 刘永艳. 2020年中国碳市场回顾与展望[J]. 北京理工大学学报:社会科学版, 2020, 22(2):10-19.
[3]	Piia A, Markku O, Anne T. Price determination in the EU ETS Market:theory and econometric analysis with market fundamentals[J]. Energy Economics, 2012, 36:380-395. doi: 10.1016/j.eneco.2012.09.009
[4]	王文举, 陈真玲. 中国省级区域初始碳配额分配方案研究——基于责任与目标、公平与效率的视角[J]. 管理世界, 2019, 35(3):81-98.
[5]	吴慧娟, 张智光. 城市碳价的时空特征及其形成机理的理论模型——基于8个地区碳交易试点的价格数据[J]. 现代城市研究, 2021(1):19-24.
[6]	王倩, 路京京. 中国碳配额价格影响因素的区域性差异[J]. 浙江学刊, 2015(4):162-168.
[7]	吕靖烨, 范欣雅, 吴浩楠. 中国碳排放权价格影响因素的参数灵敏度分析[J]软科学, 2021(1):51-68.
[8]	郭文军. 中国区域碳排放权价格影响因素的研究——基于自适应lasso方法[J]. 资源与环境, 2015, 25(S1):305-310.
[9]	Batten Jonathan A, Maddox Grace E, Young Martin R. Does weather,or energy prices,affect carbon prices?[J]. Energy Economics, 2021, 12:105016.
[10]	Hammoudeh S, Nguyen D K, Sousa R M. What explain the short-term dynamic of the prices of CO₂ emissions?[J]. Energy Economics, 2014, 46:122-135. doi: 10.1016/j.eneco.2014.07.020
[11]	张云. 中国碳交易价格驱动因素研究——基于市场基本面与政策信息的双重视角[J]. 社会科学辑刊, 2018(1):111-120.
[12]	Zhou Kaile, Li Yiwen. Influencing factors and fluctuation characteristics of China's carbon emission trading price[J]. Physica A:Statistical Mechanics and Its Applications, 2019, 524:459-474. doi: 10.1016/j.physa.2019.04.249
[13]	吴慧娟, 张智光. 中国碳交易价格低迷的成因:理论模型与实证分析[J]. 管理现代化, 2020, 40(6):75-81.
[14]	Alebrola, Chevallier. Price drivers and structural breaks in European carbon prices 2005-2007[J]. Energy policy. 2008, 36(2):781-797.
[15]	徐佳, 谭秀杰. 碳价格波动的时空异质性研究[J]. 环境经济研究, 2016, 1(2):107-122.
[16]	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, 30(2):53-60.
[17]	彭武元, 陈思宇. 中国碳排放试点市场碳交易价格分析及预测[J]. 技术经济, 2020(3):102-110.
[18]	Tang Baojun, Shen Cheng, ZhaoYifan. Market risk in carbon market:an empirical analysis of the EUA and SCER[J]. Natural Hazards, 2015, 75(2):333-346. doi: 10.1007/s11069-014-1309-y
[19]	Propastin P. Modifying geographically weighted regression for estimating aboveground biomass in tropical rainforests by multispectral remote sensing data[J]. International Journal of Applied Earth Observations and Geoinformation, 2012, 18:82-90.
[20]	傅鹏, 张鹏, 周颖. 多维贫困的空间集聚与金融减贫的空间溢出——来自中国的经验证据[J]. 财经研究, 2018, 44(2):115-126.
[21]	碳交易价格[EB/OL].(2013-06-19)[2022-06-29].http://www.tanpaifang.com/.
[22]	国家统计局. 中国统计年鉴[M]. 北京: 中国统计出版社, 2014—2020.
[23]	国家统计局能源统计司. 中国能源统计年鉴[M]. 北京: 中国统计出版社, 2014—2020.

变量类型	因素	变量	变量说明	变量表示
被解释变量	碳交易价格	碳交易价格	季度碳交易价格	P
解解释变量	天气变化	气温	最高气温和最低气温的平均	Q
	经济因素	人均国内生产总值	地区生产总值/人口数量	PGDP
		产业结构	第二产业的产值/GDP	TIS
		规模以上工业总产值	规模以上工业企业总产值	GI0
	能源因素	单位GDP能耗	能源消费总量/GDP	UEC
	能源因素	能源结构	煤炭消耗量占能源总消耗比重	ES
	政策因素	交易量	季度交易量	TV
		惩罚力度	被处罚金额	PA
		控排企业数量	纳入强制控排的企业数	CE
		减排目标	减排量的目标	ERT
	资源禀赋	森林覆盖率	森林面积/土地总面积	FC

时间	莫兰指数(I)	z统计量	时间	莫兰指数(I)	z统计量
2014q3	0.565	2.692^***	2017q2	0.263	1.714^**
2014q4	0.503	2.765^***	2017q3	0.453	2.465^***
2015q1	0.421	2.658^***	2017q4	0.529	2.684^***
2015q2	0.638	3.210^***	2018q1	0.317	1.890^**
2015q3	0.532	2.765^***	2018q2	0.486	2.422^***
2015q4	0.524	2.682^***	2018q3	0.404	2.316^**
2016q1	0.514	2.746^***	2018q4	0.297	1.934^**
2016q2	0.519	2.716^***	2019q1	0.209	1.781^**
2016q3	0.448	2.979^***	2019q2	-0.162	0.025
2016q4	-0.031	0.601	2019q3	-0.256	-0.487
2017q1	0.169	1.420^*	2019q4	-0.508	-1.761^**

变量	平均值	最小值	下四分位数	中位数	上四分位数	最大值
常数项	-7.186	-101.442	-10.037	1.989	7.748	15.306
Q	-0.032	-0.844	-0.069	-0.022	0.043	0.503
PGDP	-0.003	-0.439	-0.073	0.006	0.064	0.309
TIS	0.485	-0.754	-0.451	0.056	0.982	3.486
GI0	0.127	-2.051	-0.110	0.085	0.580	2.035
UEC	0.253	-1.728	-0.476	-0.023	0.595	4.289
ES	-0.047	-0.368	-0.090	-0.025	0.013	0.106
TV	-0.021	-0.234	-0.035	-0.005	0.017	0.034
PA	0.304	-0.352	-0.016	0.266	0.606	1.162
CE	0.228	-1.974	0.108	0.574	0.705	1.151
ERT	0.022	-6.212	-1.762	-1.765	4.575	11.028
FC	0.040	-1.847	-0.668	0.064	0.630	1.261

变量	统计	北京	广东	湖北	上海	深圳	天津	重庆
Q	均值	-0.02	0.07	-0.04	-0.02	0.20	-0.03	-0.02
	t值	-0.72	0.64	-0.61	-0.41	1.20	-0.88	-0.09
PGDP	均值	-0.01	-0.13	0.13	-0.01	-0.16	0.00	0.00
	t值	-0.09	-0.72	1.16	-0.15	-1.02	0.05	-0.02
TIS	均值	-0.33	1.50	-0.32	0.51	2.27	-0.32	0.49
	t值	-1.05	3.47^***	-1.50	1.18	2.46^**	-0.93	0.45
GIO	均值	1.53	-0.17	0.22	-1.61	-0.07	0.55	0.13
	t值	1.96^**	-0.46	1.64^*	-3.79^***	-0.34	0.72	0.13
UEC	均值	-0.41	-0.41	0.70	0.02	0.20	-0.40	0.24
	t值	-1.57	0.67	1.30	0.04	0.55	-1.39	0.22
ES	均值	0.02	-0.04	-0.09	0.02	-0.05	0.03	-0.06
	t值	0.64	-1.00	-2.40^**	0.34	-1.03	0.93	-0.22
TV	均值	0.02	-0.03	-0.03	0.01	-0.04	0.02	0.00
	t值	2.17^**	-2.75^**	-1.13	3.28^***	-1.56	2.47^**	-0.01
PA	均值	-0.16	0.57	0.13	0.61	0.72	-0.01	0.35
	t值	-1.21	2.07^**	0.96	6.58^***	1.94^*	0.09	0.53
CE	均值	0.39	0.57	0.56	1.44	0.71	0.12	0.25
	t值	1.01	1.37	4.51^***	3.35^***	1.75^*	0.25	0.29
ERT	均值	-1.39	0.95	-3.14	5.41	0.62	-0.89	0.17
	t值	-0.37	0.18	-1.21	1.54	0.10	-0.26	0.04
FC	均值	0.88	-0.56	-0.39	0.86	-0.76	0.58	0.07
	t值	2.55^**	-1.68^*	-1.00	3.43^***	-1.60	2.34^**	0.08
拟合度R²		0.94			带宽h	0.186

时间	省份	TIS	GIO	ES	TV	PA	CE	FC
2014q3	北京	-0.129	-0.799	-0.015	0.026	0.174	-0.546	0.362
2017q3	北京	-0.560	2.034	0.040	0.026	-0.286	0.816	0.611
2019q3	北京	-0.478	1.863	-0.005	0.003	-0.068	0.111	1.154
2014q3	广东	1.489	-0.488	-0.122	-0.032	0.126	-0.528	0.122
2017q3	广东	1.050	0.217	0.013	-0.019	0.609	0.931	-0.818
2019q3	广东	2.199	-0.863	-0.046	-0.047	0.951	0.229	-0.668
2014q3	湖北	-0.041	0.707	-0.089	-0.004	0.048	0.329	-0.042
2017q3	湖北	-0.455	0.389	-0.145	-0.041	0.121	0.705	-0.504
2019q3	湖北	-0.468	0.175	-0.029	-0.052	0.349	0.581	-0.910
2014q3	上海	0.620	-1.917	-0.078	0.013	0.534	1.974	1.185
2017q3	上海	0.665	-1.685	0.106	0.016	0.725	1.489	0.872
2019q3	上海	-0.202	-0.946	0.004	0.005	0.473	0.818	0.503
2014q3	深圳	3.447	-0.472	-0.152	-0.055	0.061	-0.520	-0.307
2017q3	深圳	1.605	0.208	0.007	-0.011	0.802	1.040	-0.861
2019q3	深圳	3.486	-0.297	-0.025	-0.082	1.162	0.703	-1.406
2014q3	天津	-0.077	-0.987	-0.006	0.026	0.263	-1.118	0.787
2017q3	天津	-0.553	1.476	0.056	0.028	0.199	-0.633	0.502
2019q3	天津	-0.543	0.013	0.021	0.007	0.212	-0.214	0.386
2014q3	重庆	-0.710	0.220	-0.068	-0.012	0.408	0.548	-1.216
2017q3	重庆	-0.417	0.557	-0.365	-0.104	0.033	0.720	0.632
2019q3	重庆	-0.338	0.581	-0.032	-0.232	0.808	0.566	-1.840