碳排放与低碳指数波动溢出效应研究

龚玉霞 王珊 李萌 牛海艳

【摘 要】 第七十五届联合国大会上习近平主席指出我国要在坚持“创新、协调、绿色、开放、共享的新发展理念”基础上，坚持把握“全球绿色低碳转型”的大方向，推动我国“二氧化碳排放力争于2030年前达到峰值，努力争取2060年前实现碳中和”[1]。在全国推进节能减排，争取早日实现碳中和的愿景下，发展低碳经济，关注低碳行业，助力企业低碳转型显得至关重要。在此背景下，文章利用VAR模型研究碳排放交易与中国低碳指数间的影响机制，脉冲响应结果表明碳试点交易价格与低碳指数收益率之间确实存在溢出效应，且随着时间推移低碳指数面对碳价的冲击脉冲响应值表现为前期负向，中期由负转正，根据实证结果提出相关建议以促进碳金融发展以及碳中和目标的实现。

【关键词】 碳中和; 碳交易价格; 低碳指数; 波动溢出; VAR模型

【中图分类号】 F832.5;X196  【文献标识码】 A  【文章编号】 1004-5937（2022）13-0069-07

20世纪因大量排放温室气体导致全球变暖问题日益严重，直至80年代才引起人们重视。“十四五”规划指出要贯彻“创新、协调、绿色、开放、共享”的新发展理念，以实现“加快推动绿色低碳发展”的目标;2020年3月，习近平总书记在中央财经委员会第九次会议讲话中提到，要将“碳中和、碳达峰融入到生态文明建设整体布局”当中，确保在2030年实现碳达峰、2060年达到碳中和[2]。在当前背景下，推动全民减排，提倡低碳经济成为社会经济绿色发展的关键，碳排放交易市场作为最能够直观反映碳排放行情的市场自然成为推动低碳经济的着力点，而低碳经济落实到企业层面上要求企业加强节能减排力度，实现行业低碳转型。从本质上讲，碳排放权交易与行业低碳转型都是为了促进低碳经济发展，企业参与到碳排放交易中会在一定程度上促进行业低碳转型，而行业低碳转型是推进碳中和愿景实现的关键。碳排放交易与低碳行业股票的联动效应如图1所示，具体表现为低碳企业通过使用清洁能源或开发低碳生产技术达到节能减排的目的，企业碳排放配额会出现盈余，企业在碳排放交易中出售盈余配额，资金流入必然会改变企业生产成本以及利润率，进而影响企业未来现金流，表现为股票价格的上涨，低碳行业股价的上涨一方面会使低碳企业有充足的资金继续开发低碳生产技术，另一方面也会激励其他行业向低碳转型，加快碳中和愿景的实现。深化碳中和进程，实现低碳绿色经济，建设全国统一碳排放市场，是打造统一的要素和资源市场的重要内容。因此，促进行业低碳转型，加强碳排放交易与低碳行业股票联动性显得尤为关键。本文在碳中和愿景下研究碳排放交易与低碳行业股票指数之间的波动溢出效应具有重要的理论和现实意义。

一、文献综述

（一）碳排放交易及发展背景

在欧盟碳排放交易体系成功建立的基础上，中国于2011年底开展碳排放交易市场建设工作，并开放上海、深圳、湖北、北京等七个碳排放交易试点。国际碳排放交易体系主要分为自愿减排和强制减排两种，胡登龙[3]认为虽然目前强制减排交易机制是国际主流模式，但结合我国碳交易市场实际情况来看并不适用。为全面推进全国统一碳排放市场建设进程，引导企业参与自愿减排，我国碳排放交易市场推出部分碳配额免费发放政策，胡东滨等[4]通过研究碳配额分配方式对碳交易市场运行效率的影響，认为不同的初始分配方式对不同行业聚集区域产生的影响并不相同。行业间碳排放强度的差异性导致某些区域进口产品产生额外的碳排放，张少雪等[5]提出随着“一带一路”建设不断推进，各地区应实现碳技术共享，加强碳关联，早日实现碳减排目标。随着碳减排目标的深化以及2060年实现碳中和愿景的提出，我国能源、经济等方面均面临巨大的挑战，王灿[6]指出碳中和目标的实现离不开资本市场的支持，鼓励金融机构进行绿色投资，加快绿色转型，促进低碳经济是实现碳中和达标的基础。

（二）碳中和及其对低碳行业的影响

中国作为国际碳排放量最高的国家之一，是引领世界能源转型的关键之一。为减缓碳排放量，推动社会经济低碳绿色发展，我国政府明确提出争取在2060年前实现碳中和，该目标的提出指明了我国行业发展应走低碳环保道路。当前，把握“全球绿色转型”的大方向，注重国内低碳行业发展成为推进碳中和目标的关键。低碳产业泛指以低碳减排为特征的行业，包含清洁能源以及节能减排技术开发。关于能源的开发与利用，孙旭东等[7]认为碳中和目标对我国化石能源发展影响巨大，碳中和目标映射在能源行业上主要表现为要求该行业以可持续发展为基础，积极开发绿色清洁体系。对此，邹才能等[8]认为我国能源发展需采取化石能源清洁利用以及清洁新能源并重的发展路径与发展模式。清洁新能源是实现碳中和的主导，邹才能等[9]指出其区分于传统化石能源，在技术、成本等方面显著不同，属于可再生清洁能源，在第三次能源转换背景下，新能源行业推动了低碳行业的发展，促进全球经济绿色转型。另外，针对节能减排技术方面，刘萍等[10]从高能效循环、负排放、零碳能源技术三方面分析，认为单一技术并不能高效实现碳中和，应充分利用技术耦合应用，发挥低碳减排潜力。

（三）低碳经济与VAR模型

国内外有众多指标用来衡量绿色经济发展，例如道琼斯可持续发展指数重点考察社会经济与环境之间的关系，我国主要采用中国绿色发展指数兼顾社会发展与环境资源状况。但这些指数弱化了碳排放以及温室效应在发展绿色经济中所占的比重，郑林昌等[11]提出低碳经济指数、中国低碳指数更能反映出社会经济活动的碳排放。低碳经济综合评价指标是影响碳排放的关键因素之一，Pei et al.[12]利用低碳经济、低碳能源、低碳政策等因素构建低碳经济评价指标，结果表明该评价指标有效促进了经济社会低碳转型，另有Shang et al.[13]将低碳评价指标用于衡量行业的低碳水平。发展低碳经济，推动行业绿色转型的首要任务是充分剖析我国行业特征，陈庆能等[14]将行业划分为高碳行业、低碳行业、非典型低碳行业等，提出应着力提升典型低碳行业比重。在此基础上，陈智颖等[15]提出为了促进低污染、低能耗、低排放的低碳经济发展模式，要将碳排放、行业控排以及金融手段联系起来。

VAR模型常被用于探讨碳排放与经济发展的实证分析中，陶春华[16]认为来自碳交易市场的冲击会引起行业股票收益率的波动，二者之间存在一定的联动效应，这种效应同时存在于低碳行业。碳排放试点不仅与股票市场存在波动溢出效应，王倩等[17]通过测度碳市场的溢出效应，认为各个试点之间也存在着高度关联性;崔婕等[18]进一步探究碳市场与资本市场的内在关系，选取股票指数作为资本市场的代表，结果表明资本市场对碳市场存在促进作用;李强林等[19]利用VAR模型对煤炭股指数与碳交易价格建模，指出碳市场价格与煤炭股指数成反比关系，陈向阳等[20]对碳交易试点的价格、收益率以及股票指数进行实证分析，结果表明无论短期还是长期，碳交易市场与股票市场间都存在显著关联性。

综上所述，专家学者们的研究集中于利用VAR模型探究碳交易市场与资本市场的联动效应，将碳排放交易与低碳行业股票联系起来的研究文献较少，故本文在众多学者研究的基础上，结合碳排放与低碳行业股票关联性的理论分析，认为采用VAR模型能够充分反映二者间的动态联动关系，并通过格兰杰因果检验、脉冲响应分析、方差分解结果探究给碳排放交易施加一个正向冲击对低碳行业股票指数的影响方式和程度。

二、数据选取与模型构建

（一）数据选取

我国碳排放权交易试点主要有北京、天津、上海、深圳、广东、湖北、重庆、福建八个交易地区，其中福建交易试点开放时间较短。碳试点交易涵盖范围较广，各试点交易范围各不相同，大多涉及钢铁、电力、化工等高碳排放行业，这些行业作为排放温室气体主要来源，成为碳排放交易管控的重点对象。我国碳排放交易市场虽然是继欧盟之后全球第二大碳排放交易体系，但交易体系等方面并不完善。例如重庆交易试点因缺乏经验在交易启动前夕并没有完成必要的准备工作，导致试点出现很长时间的零成交局面。因此，综合考虑各个碳交易试点成立的时间、交易状况是否稳定等因素，本文选取成立时间较久，交易数据较齐全的上海、湖北、深圳、广东四个碳交易试点作为碳交易价格的数据来源。

本文选取中国低碳指数代表低碳行业股票，该指数由北京环境交易所联合清洁技术投资基金Vantage Point Partners共同推出，是国际首个能够反映低碳行业发展的指数。该指数由四个部分构成，涉及废物处理、清洁生产以及消费、清洁能源发电、能源存储与转换，四大主体又下分太阳能、核能、风能等九个部门;其要求组成成分公司最少一半的收入或者将收入折合成人民币超过35亿元来自于低碳业务，再对入围股票资本、技术创新等方面进行考察，选取综合排名前四十只的股票作为低碳指数样本股;另外，样本股的选取每半年调整一次。由中国低碳指数的构成可以看出该指数的推出不仅能实时反映低碳行业发展现状，同时也为企业树立了低碳发展的衡量标准，促使企业开发低碳技术，有利于低碳行业资金以及技术手段汇集。

（二）模型构建

碳交易与低碳行业股票指数间的联动效应不仅存在于当期，还受到滞后期的影响，为全面反映碳排放交易与低碳行业股票指数间的波动溢出关系，构建VAR模型作为实证分析的基础。VAR模型又称向量自回归模型，表现为自回归模型的联立形式，其将方程进行联立，在各个方程中回归每个内生变量对系统中所有内生变量的滞后值，形成多元變量的自回归模型，从而达到将单变量自回归模型衍生为多元变量自回归模型的目的。VAR模型打破传统计量方法依靠经济理论描述变量关系的困境，采用非结构性方法建立变量间的动态联系，该模型的提出并不局限于经济理论，也因其不依靠严格的理论基础，被广泛应用于经济领域中并得到了较好的反响。VAR模型定义如下：

建立时间序列y1t，y2 t，…，yn t，并将其向量化，定义为n×1维向量Yt=（y1t，y2 t，…，yn t）'。进一步推出P阶VAR模型VAR（P）表现为：

Yt=C+φ1Yt-1+φ2Yt-2+…+φpYt-p+εt  （1）

其中，C是常数项，φi是自回归矩阵，p为滞后阶数，εt为误差项，误差项满足下述条件：

E（εt）=0

E（εtε't）=？赘          （2）

E（εtε's）=0，对于t≠s

VAR模型建立后还应考虑模型稳定性问题，判断碳排放交易与低碳行业股票指数VAR模型稳定性的关键在于其脉冲响应是否会随时间推移逐渐消失，若消失说明模型建立稳定。另外含有单位根的VAR模型在受到冲击时变现为非平稳，故在建立VAR模型之前，需确保每个变量都通过单位根检验。在此基础上仍需保证滞后期选取的正确性，滞后期选取过小易导致模型中误差项自相关问题进而影响参数估计，滞后k值的增加有利于消除误差项的自相关，但滞后期过大又会造成自由度的减小，滞后期选取的正确性也为后续格兰杰因果检验提供检验基础。VAR模型中的脉冲响应能够描述模型中内生变量在面对误差项冲击的反应，其记录内生变量的当期值、未来值在误差项受到一个标准差大小的冲击后受到的影响，即碳排放误差项的脉冲响应函数衡量的是给碳排放交易价格一个单位冲击对低碳行业股票指数当期、未来值的影响。方差分解同样也是评价VAR模型的办法，其结果能够反映随机信息的相对重要性，也就是某一信息的方差在内生变量总方差的占比。

三、碳市场对低碳行业指数溢出效应实证分析

为探究碳市场与低碳指数波动溢出效应，本文选取2017年5月8日至2020年9月30日上海、湖北、深圳、广东碳交易试点日数据以及相同时间点的中国低碳指数日数据，分别建立不同碳交易市场与低碳指数的VAR模型，数据均来源于Wind数据库。

（一）描述性统计

首先对数据进行预处理，整理各个碳交易试点日交易价格，并分别取对数，得到碳交易价格对数序列LGDEA、LSHEA、LHBEA、LSZEA;对低碳指数日数据采取对数收益率法，得到低碳指数日收益率序列，记为RZDT。对序列进行描述性统计，结果如表1所示。

从表1可以看出，各碳交易试点均值接近，上海碳交易试点均值较大;标准差越小说明该序列越稳定，可以看出除低碳指数外，上海试点碳交易价格较稳定;各碳交易价格序列以及低碳指数序列均出现轻微左偏现象;从峰度来看数值均大于3，显现出“尖峰厚尾”特征;JB检验结果显著，说明序列不服从正态分布。

（二）ADF检验

为减少序列的异方差性，在对数据整理时已经进行过对数处理，故直接检验LGDEA、LHBEA、LSHEA、LSZEA、RZDT序列，检验结果如表2。由表中结果可知，LGDEA、LHBEA、LSHEA、LSZEA序列并不平稳，依次对序列取一阶差分，检验所得结果皆平稳。

（三）滞后期选取、格兰杰因果检验

在序列平稳性检验通过后需要确定VAR模型的滞后阶数，滞后期的选取直接影响变量间的动态关系，从而影响模型估计的有效性。以广东碳交易试点为例，对其进行滞后期选取，根据AIC、SC、HQ的信息准则（见表3），确定选取滞后阶数为3阶。在确定滞后阶数的基础上，进一步检验模型的稳定性，检验结果表示所有点均落在单位圆内，故模型稳定。

利用格兰杰因果检验各碳试点交易价格序列与中国低碳指数序列间的因果关系，检验结果如表4，结果表明DLGDEA、DLHBEA、DLSHEA、DLSZEA对RZDT格兰杰检验结果显著，即各碳试点序列是引起RZDT变动的格兰杰原因;相反，RZDT对各碳试点交易序列的检验结果并不显著，说明RZDT并不是引起碳试点序列波动的格兰杰原因。

（四）脉冲响应、方差分解

为探究各碳交易试点对低碳指数影响过程分析，分别建立不同碳交易试点与低碳指数的VAR模型，利用脉冲响应图作用时长与影响途径反映碳交易试点在受到冲击后对低碳指数的作用过程。依据EViews软件得出广东、湖北、上海和深圳4个碳交易试点与低碳指数脉冲响应图如图2—图5所示。

由上述脉冲结果可以观察到，低碳指数在受到各交易试点碳价的一个正向冲击后，在第1—5期波动较为剧烈，第5期过后RZDT序列受冲击影响逐渐趋于稳定。从图中得知，在第1期至第3期内，给广东、湖北、上海交易试点碳价一单位的正向冲击，低碳指数收益率脉冲响应值从正向转为负向，并在第3期达到负向最小值，深圳交易试点对低碳指数脉冲响应值始终保持负向;第3期至第5期内，给各碳交易试点碳价正向冲击后，低碳指数收益率序列脉冲值整体来看由负转正;第5期过后，在给碳交易试点碳价一个单位正向冲击，低碳指数序列波动较小且逐渐趋于稳定。

为更加清晰反映碳交易试点价格与低碳指数收益率之间的波动溢出效应，本文采用方差分解法简化各序列之间的贡献程度，具体方差分解结果如表5。由方差分解结果得知，模型滞后10阶的碳交易价格对低碳指数收益率的贡献率随着时长的推迟呈逐渐上升趋势，其中上海碳交易试点对低碳指数收益率波动贡献程度较为明显。

（五）结果分析

本文通过建立碳交易价格与低碳指数收益率的VAR模型探究碳排放与低碳指数的联动效应。首先对碳交易价格以及低碳指数日数据进行预处理，旨在消除异方差，由描述性统计结果可知各试点碳交易价格序列均值相近且相比较下，上海试点价格序列较为稳定。对碳价格序列采取一阶差分处理，使得碳价格序列与低碳指数收益率序列均通过平稳性检验，依次建立广东、湖北、上海、深圳试点碳价与低碳指数收益率的VAR模型，根据AIC、SC、HQ信息准则判定模型选取的最佳滞后阶数并验证各VAR模型建立的稳定性。基于此，进一步验证各试点碳交易价格序列与低碳指数收益率的格兰杰因果关系，碳试点交易价格对低碳指数收益率的格兰杰因果检验结果显示P值均小于0.05，即在5%显著性水平拒绝原假设，碳交易价格是引起低碳指数收益率变动的格兰杰原因，相反的低碳指数收益率并不是引起碳价格变动的格兰杰原因;其原因在于低碳行业股票指数因行业低碳的特性对碳排放市场价格波动较为敏感，而我国碳交易市场建设尚未完善，与资本市场联系较为薄弱，故低碳行业股票指数收益率不是引起碳价变动的格兰杰原因。对各VAR模型进行脉冲响应分析探究碳交易价格与低碳指数收益率的动态关系，根据实证检验结果得出，我国碳交易价格与低碳指数收益率之间确实存在波动溢出效应，具体表现为当对各个碳交易试点碳价施加正向冲击，都会引起低碳指数收益率序列的波动。前期脉冲响应值为负，是因为碳价上涨，企业减少对碳排放的需求，低碳行业出售结余配额困难，盈利能力下降導致市场资本降低对低碳行业股票的追逐，最终造成行业股票收益率下降;中期脉冲响应值由负转正，说明随着时间推移，碳价上涨会促使企业减排，企业逐步向低碳转型，低碳行业的壮大自然会吸引社会资金，行业股票收益率也会上涨;后期指数序列出现小幅波动后趋于稳定，说明随着我国碳中和目标的不断推进，碳排放交易机制仍需完善。方差分解结果显示各试点碳价对低碳指数收益率的贡献程度，分析滞后10阶结果显示这种贡献程度会随着滞后阶数的增加而上涨。

四、相关建议

综上，我国碳交易试点价格变动确实会对低碳指数收益率造成影响，且低碳指数对于碳交易市场价格变动表现较为敏感。单从广东、湖北、上海、深圳这几个碳交易试点来看，其与低碳指数收益率之间的关系并不稳定，随着时间的推移，低碳指数收益率的脉冲响应值会由负向转为正向。这说明碳交易体系并不完善，为促进我国碳排放交易市场建设，早日实现碳中和目标，应更加注重碳市场与股票市场之间的联系，加强碳金融发展。由此本文提出以下建议：

（一）防范碳排放交易价格波动风险

碳交易价格的波动是引起低碳指数收益率变动的格兰杰原因，这说明低碳行业股票市场容易受碳交易价格波动的影响，为有效促进低碳行业股票市场的发展，鼓励其他行业低碳转型，政府及其他监管部门有必要针对碳排放交易价格波动，提出相应解决方案。我国各碳交易试点价格波动表现为明显的非线性，随着时间推移具有相应的周期性，随机性误差明显，想要发挥碳交易价格波动对低碳行业股票收益率的正向影响，政府应联合有关部门根据碳交易价格波动的特性建立一套完整的风险预警机制。在当今数字时代迅速发展的前提下，应充分利用互联网资源，将大数据技术整合进价格波动风险预警体系中，深度剖析各碳交易试点交易情况，采集价格变动信息，利用技术手段对价格波动进行实时监控，及时做出预警。

（二）完善碳交易体系监管

碳交易市场因其涉及的主体以及主体生产活动等因素，与股票、能源以及其他市场间相互影响，碳交易市场受到冲击必然会波及到这些市场，为确保碳交易市场、企业、股票等市场之间的平衡，要求政府完善碳交易体系的监管。保障碳交易价格正常波动以及碳交易市场的发展离不开法律监管制度，自2021年7月全国碳排放权交易启动上线，要按照建设统一大市场的要求，推动建成全国统一碳市场，各碳交易试点还未形成专门的监管机构，为促进我国碳交易市场健康有序的发展，应将监管部门机构的设立作为首要任务。该监管部门的设立主要负责对加入到碳交易市场的企业主体进行资格认证，盘点主体减排程度、绿色项目以及对碳配额的履行程度，减排成效好、绿色项目占比较高的企业可实行优先进场政策，以此鼓励实行低碳减排的企业。另外，还应加强碳交易市场管理，针对不同的交易主体采取不同的初始分配及定价，完善相关法律法规，杜绝有关主体，扰乱碳交易市场正常交易，对情节恶劣的主体给予永不进场的处罚。

（三）加强碳交易市场与股票市场的联系

碳交易市场对低碳指数收益率的脉冲响应值早期为负，中期由负转正，说明低碳行业股票对碳价格变动敏感，但随着时间推移碳交易市场与股票市场之间的联系并不是很强，为加强二者之间的联系，应鼓励发展碳金融市场，推进碳金融产品与技术创新，加快促进我国产业低碳转型。发展碳金融除加强碳市场与股票市场之间的联系外，还可以引导产业低碳化以及国民整体碳排放下降，有效推进我国2060年实现碳中和的愿景。碳金融的发展离不开政府的支持与管控，当前我国统一的碳交易市场尚未建成，各碳试点交易机制相互独立，交易价格也各不相同，为保障各交易所公平发展，政府应出台相关政策完善定价体系，有效避免市场失灵以及负外部性问题。另外，碳金融的发展需要政府从中调控，通过政策推动加强碳金融与产业低碳转型共同发展，利用碳市场对产业的传导机制，配合政策强制高碳排放企业节能减排，完成产业低碳转型。

【参考文献】

[1] 习近平.在第七十五届联合国大会一般性辩论上的讲话[N].人民日报，2020-09-23（003）.

[2] 中共中央关于制定国民经济和社会发展第十四个五年规划和二O三五年远景目标的建议[N].人民日报，2020-11-04（001）.

[3] 胡登龙.我国碳交易价格影响因素及价格机制研究[J].价格月刊，2016（10）：21-26.

[4] 胡东滨，彭丽娜，陈晓红.配额分配方式对不同区域碳交易市场运行效率影响研究[J].科技管理研究，2018，38（19）：240-246.

[5] 张少雪，蒋雪梅.“一带一路”背景下中国与东盟双边贸易对全球碳排放的影响[J].生态经济，2020，36（3）：24-30，58.

[6] 王灿.碳中和愿景下的低碳转型之路[J].中国环境管理，2021，13（1）：13-15.

[7] 孙旭东，张蕾欣，张博.碳中和背景下我国煤炭行业的发展与转型研究[J].中国矿业，2021，30（2）：1-6.

[8] 邹才能，何东博，贾成业，等.世界能源转型内涵、路径及其对碳中和的意义[J].石油学报，2021，42（2）：233-247.

[9] 邹才能，熊波，薛华庆，等.新能源在碳中和中的地位与作用[J].石油勘探与开发，2021，48（2）：411-420.

[10] 刘萍，杨卫华，张建，等.碳中和目标下的减排技术研究进展[J].现代化工，2021，41（6）：6-10.

[11] 郑林昌，付加锋，齐蒙.中国省域层面低碳环保发展指数评价及对比研究[J].生态经济，2015，31（8）：47-52，66.

[12] PEI GUIFEN，et al.Competitive comprehensive evaluation of low-carbon city in Beijing-Tianjin-Hebei region using intuitionistic fuzzy set theory[Z].2016.

[13] SHANG MEI，et al.Measuring low-carbon development level of provincial construction industry[C].2017 rd International Conference on Energy，Environment and Materials Science，2017.

[14] 陈庆能，沈满洪，孙泽生.中国完全碳排放的行业特征分析[J].企业经济，2017，36（4）：12-17.

[15] 陳智颖，许林，钱崇秀.中国碳金融发展水平测度及其动态演化[J].数量经济技术经济研究，2020，37（8）：62-82.

[16] 陶春华.我国碳排放权交易市场与股票市场联动性研究[J].北京交通大学学报（社会科学版），2015，14（4）：40-51.

[17] 王倩，高翠云.中国试点碳市场间的溢出效应研究——基于六元VAR-GARCH-BEKK模型与社会网络分析法[J].武汉大学学报（哲学社会科学版），2016，69（6）：57-67.

[18] 崔婕，黄杰，李凯.基于VAR的碳排放权现货价格、能源价格及道中指数关系研究[J].经济问题，2018（7）：27-33.

[19] 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.

[20] 陈向阳，何海靖.我国碳排放权交易市场与股票市场的关联——基于非线性Granger因果检验与非平衡面板模型的实证分析[J].技术经济，2021，40（3）：36-46.

[21] 刘晓龙，崔磊磊，李彬，等.碳中和目标下中国能源高质量发展路径研究[J].北京理工大学学报（社会科学版），2021（3）：1-8.

[22] 宋敏，辛强，贺易楠.碳金融交易市场风险的VaR度量与防控——基于中国五所碳排放权交易所的分析[J].西安财经大学学报，2020，33（3）：120-128.

[23] 张志俊，闫丽俊.碳排放权交易价格的VaR风险度量研究[J].生态经济，2020，36（1）：19-25，33.

[24] 周纳，董璐，陈黎明.碳排放、经济增长与可持续发展关系的实证[J].统计与决策，2019，35（18）：130-134.

[25] 白世秀，韩月明，张德刚.碳减排与企业价值相关性研究[J].会计之友，2019（7）：148-155.