基于非結構化數據的碳價影響因素研究

王淑平， 李欣岷

（重慶師范大學 經濟與管理學院， 重慶 401331）

0 引言

為推動企業節能減排，2011 年碳排放權交易地方試點工作啟動，隨著碳市場政策不斷推進，歷經近十年，2021 年全國碳市場應運而生。由于碳市場是人為構建的市場，碳排放權交易價格作為碳交易市場的核心要素，受到市場內在機制以及市場外部環境雙重作用的影響，呈現非平穩、非線性等內在特征。因此，分析碳價影響因素，對推動并全面完善全國碳市場建設具有重要的理論和現實意義。

分析碳價影響因素主要圍繞單一影響因素和多因素展開?；剂先紵鳛闇厥覛怏w排放的主要來源，其價格波動通過供應鏈影響碳價，因此從能源價格角度入手用來解釋碳價具有一定合理性。碳排放權交易市場作為碳金融市場的一部分，其價格會受到其他市場經濟的顯著影響。而經濟政策的不確定性使碳價產生短期的顯著時變效應。此外，不可控的突發事件亦會對碳價產生影響。相較于單一影響因素，大多數學者傾向多因素研究，一般從宏觀經濟、能源價格、氣候環境、匯率變動、國際碳市場、政策等多個維度選取結構化影響因素分析碳價，例如，汪中華等[1]運用FGLS 分析能源價格、經濟增長、天氣對碳價的影響程度；趙長紅等[2]采用面板回歸分析國內碳排放權價格對石油價格、電煤價格、宏觀經濟的影響。對于多因素的指標體系而言，由于考慮的影響因素較多且較為復雜，考慮到并非所有驅動因素都是碳價的主要影響因素，故而在眾多影響因素中選出主要的碳價影響因素尤為重要。故而一些學者在分析影響因素前進行特征篩選，以提高模型的精度。例如，杜子平和劉富存[3]利用MIV 特征選擇計算了16 個因子對區域碳價變化的影響程度；王小燕等[4]運用復雜網絡構建圖結構自適應方法識別碳價主要的影響因素。因此，篩選出主要的影響因素，有助于減少模型冗余。

由于國內外眾多研究都是基于結構化影響因素去分析碳價，鮮有學者選用非結構數據進行分析。目前，非結構化數據直接用于碳價預測領域最為廣泛，劉金培[5]等運用網格搜索提取的非結構數據降維處理后，引入碳價預測模型中；周熠烜[6]等從非結構化數據角度入手構建基于局部線性嵌入和鯨魚優化算法的最小二乘支持向量回歸去預測碳價；王娜[7]引入百度搜索指數、資訊指數對我國8 個碳交易試點碳價進行預測；Muyan Liu 等[8]表明在線新聞情緒指數這非結構數據對碳市場定價產生一定的影響，并驗證了包括情緒指數對深度學習模型預測精度有顯著的提高。劉金培等[9]利用非結構化數據為匯率預測提供大量的有效信息提出非結構化數據驅動的混合二次分解匯率區間多尺度組合預測模型。因此非結構化信息的引入不僅可以提高預測模型的精度，其數據的即時性亦能很好地彌補傳統監測方法的滯后，具有更強的時效性[10]。

通過梳理發現，由于大多數碳價影響因素研究集中結構化影響因素，因此本文引入非結構化影響因素用來分析全國碳市場碳價，為解釋碳價波動提供較為新穎的視角。由于選取的非結構化因素較多，引入MIV-BP 影響因素評價非結構化影響因素對碳價的影響程度，篩選主要影響因素，為建設全國碳市場提供理論參考。

1 MIV-BP 影響因素評價模型

1.1 變量選取與指標選擇

選取全國碳市場CEA 日均價，研究時間區間為2021 年7 月16 日到2023 年4 月16 日，剔除非交易日數據，得到435 組交易日數據，以分析非結構化數據驅動下全國碳市場碳價的影響因素。

從宏微觀視角出發，選取百度搜索引擎的非結構化影響因素，分析非結構化數據驅動下，公眾關注度與全國碳市場碳價之間的關系。目前，百度作為中國市場的頭部搜索引擎，是應用最為廣泛的搜索引擎之一。其中，百度指數中記錄了用戶對關鍵信息的關注程度，體現了不同用戶的情緒價值。非結構化影響因素選取參考表1，而非結構化數據選取自百度指數官網。

1.2 MIV-BP 模型構建

在BP 神經網絡模型構建上，選取非結構化數據的80%為訓練樣本集，其余20%為測試樣本集。同時，為統一指標的量綱，選用mapstd 函數進行各指標的歸一化處理，計算公式見（1）：

式中：x為非結構化影響因素和碳價歸一化前的數據；y為歸一化后的數據；xmean、xstd分別為非結構化影響因素和碳價的均值和標準差；ymean、ystd分別為歸一化處理后的均值和標準差。

針對非結構化影響因素，從宏觀和微觀的視角出發，選取碳交易、CCER、碳中和、碳達峰、碳排放、碳足跡、環保、霧霾共8 個關鍵詞做為輸入變量，全國碳市場日均交易價做為輸出變量，故構建8-4-1 的BP 神經網絡模型。其中，隱含層的個數確定結合最小MSE（均方誤差）值和經驗公式，其經驗公式見公式（2）：

式中：a為0～10 范圍內的常數；m為輸入層的個數；n為輸出層的個數。

在BP 模型的訓練上，非結構數據驅動的BP 神經網絡采用Levenberg-Marquardt 方法；學習函數為Learngdm 函數；最大迭代次數為2 000 次；學習速率為0.03；最小誤差為1×10-6。構建并訓練好BP 模型后，引入MIV 特征選擇算法，構建MIV-BP 影響因素評價模型，具體模型示意圖見圖1，經過大量訓練，選取最小MSE 為最優模型，此時MSE 為3.039 5，平均相對誤差（MAPE）為0.019 987，雖然未達到最小誤差，但此時模型擬合精度較高。

圖1 MIV-BP 影響因素評價模型

1.3 影響因素評價結果分析

由于百度指數數據庫龐大且復雜，如何從海量信息中提取關鍵信息尤為重要，因此使用MIV-BP 模型評價非結構化影響因素，以篩選主要的非結構化影響因素。參考已有文獻［3］，按MIV 值的大小，將影響程度分為強（MIV＞0.05）、較強（0.01＜MIV＜0.05）、弱（0.005＜MIV＜0.01）及不相關（MIV＜0.005）四個級別。非結構影響因素MIV 值、相關程度以及方向性如表2所示。

表2 非結構化影響因素對碳價的影響程度

結合表2 結果所示，人們對碳中和、碳排放、碳足跡、環保的關注度為主要非結構化影響因素，其從大到小依次是：碳排放、碳足跡、環保、碳中和，其余影響因素對碳價產生的影響較弱。

為實現“雙碳”目標，人們對碳排放、碳中和、環保、碳足跡等問題的關注程度，可能會通過影響供求關系、政策因素、投資者行為、技術進步、行為改變等多個方面作用于碳價，在供求關系層面，當公眾對減少碳排放的關注度增加時，可能會促使更多企業和個人參與減排行動，從而增加對排放權的需求。這種需求增加可能會導致碳價格上漲。在政策因素層面，高度的公眾關注度可能促使政府采取更加嚴格的減排政策。例如，如果政府設定更低的排放上限或提高碳稅，這可能會導致碳價格上漲。在投資者行為層面，高度的公眾關注度可能吸引更多的投資者進入碳市場，這可能會加劇碳價格的波動。在技術進步層面，公眾的關注度可能推動技術創新和研發投資，從而促進低碳或無碳技術的發展。這樣的技術進步可能會降低企業和個人的碳排放成本，從而影響碳價格。在行為改變層面，當公眾對碳排放的關注度提高時，人們可能會采納更環保的生活方式，比如騎自行車而不是開車，這會減少對碳排放權的需求，并可能對碳價格產生影響。

公眾關注對全國碳市場碳價的影響是復雜的，可能受到多種因素的影響。因此提高人們的環保意識，增強人們的責任感和參與感，是落實“雙碳”目標，促進綠色低碳發展的重要保障。

2 結論與建議

結合宏微觀視角，分析非結構化數據驅動下全國碳市場碳價的影響因素，引入MIV-BP 影響因素評價模型，從碳交易、CCER、碳中和、碳達峰、碳排放、碳足跡、環保、霧霾8 個非結構化影響因素中篩選主要非結構化影響因素。研究發現：人們對碳中和、碳排放、碳足跡、環保的關注度對碳價產生主要影響。其中碳排放的關注度對碳價的影響程度最高，碳交易、CCER、碳達峰、霧霾對碳價幾乎沒有什么影響。

全國碳市場是利用市場機制控制和減少溫室氣體排放，推動綠色低碳發展的一項制度創新，也是實現我國碳達峰、碳中和目標的重要核心政策工具。2030 碳中和的愿景下，減少碳排放、低碳出行、綠色環保等理念逐漸深入人心，為全面推動全國碳市場建設，于政府而言，可以出臺一些經濟激勵機制，將資金引導至減排潛力大的行業企業，促進高排放行業率先達峰，為碳減排釋放價格信號，以推動綠色低碳技術創新和產業轉型。于企業而言，尋找減排成本與生產成本的均衡點尤為重要，于此同時發展碳足跡產品，在拓寬企業的產品線的同時，運用大數據分析技術及時捕獲低碳消費者的消費傾向，為企業創造碳收益。此外，無論是政府還是企業，利用搜索引擎的數據和分析能力，提高碳市場的信息披露和透明度，及時捕捉公眾的關注意向，以做出合理的碳決策。