论文部分内容阅读
摘要：利用灰色系统理论及信息熵对金融环境特别是融资环境和碳市场的关联性進行分析，构建碳市场与金融环境指标体系，并对其关联度进行排序及指标甄别，结果表明：中国在建设碳市场的进程中，政策导向应依靠国内融资，国际资金只能作为辅助渠道；积极促进绿色债券、基金等股权债权的发展，比银行提供间接融资对碳市场的影响更加显著；金融机构信贷中真正用于低碳生产或投资的款项十分有限，政府只需对信贷结构稍加优化，向低碳领域转移，便可对碳市场起到明显的杠杆作用。
关键词：碳市场；金融环境；政策分析；信息熵；灰色关联
中图分类号：F062.2文献标识码：A文章编号：10037217（2017）05002007
一、引言和文献综述
二十国集团（G20）作为当今国际上重要的多边对话平台，致力于构建创新、活力、联动、包容的世界经济，同时，也必须在应对气候变化问题中发挥重要的领导作用。这对于提升未来中国经济的发展潜力，提高发展质量也意义重大。“十三五”作为中国经济从高速发展转向“新常态”、创新型经济发展承前启后的重要阶段，需要抓住重要的改革窗口期，实现从量的积累到质的飞越发展。中国正在推动绿色金融创新，并于2015年成立中国金融学会绿色金融专业委员会。G20会议期间，中国也强调了“十三五”中对绿色金融的积极推进，提出了绿色金融（即广义的碳金融）体系的概念。作为一种市场化的制度安排，金融在促进环境保护和生态建设方面具有十分重要的作用。通过绿色债券、绿色证券、绿色保险、环境基金、政府和社会资本合作关系（PublicPrivate Partnership，PPP）等创新型金融产品提供资金支持，加强金融政策与产业政策的协调配合，可以有效减少对高耗能高污染行业、环境违法企业的资金支持，引导资源向绿色和低碳行业的配置，并强调碳市场作为减排资金的退出平台对于碳金融体系的重要性。激活国内碳市场对于发展低碳经济、争取国际货币地位有着重要意义，了解其所处金融环境的影响，为碳市场的健康运行和全面推广提供分析结构和政策建议[1]。
2013年6月至今，中国的碳排放交易体系（Emission Trading Schemes，ETS）在包括上海在内的七个试点省市已运行多年，碳交易市场（简称碳市场）已具雏形。中国政府拟于2017年推出全国碳市场。碳金融体系的构建是我国保持经济可持续发展，实现绿色经济和低碳经济腾飞的重要组成[2]。碳交易作为金融市场的一个组成部分，无时无刻不受到金融宏观环境的影响[3]。因而优化中国碳市场的金融环境，促进碳交易市场快速发展的前提在于分析宏观金融环境
——尤其是融资环境与碳市场的关系。
据G20工作组测算，2016—2020年，中国低碳融资需求最高可达30万亿元，2016—2030年的绿色资金需求最高为123万亿元。
同时，G20峰会中中国政府也提出了调动社会资金、构建碳金融体系的思路。
针对巨大的资金缺口以及碳市场发展中的不足[4-6]，
本文拟从碳市场及其金融环境——尤其是融资环境入手，利用灰色系统理论分析其关联性，甄别影响碳市场的关键金融环境指标，以期为指导碳金融健康发展的政策建议以及科学研究提供有益参考。
财经理论与实践（双月刊）2017年第5期
2017年第5期（总第209期）田原，朱淑珍，陈炜：
中国金融环境与碳市场发展的关联度及作用分析——基于G20背景
当前，金融环境对碳市场的影响研究聚焦于其对碳排放与碳价格的作用探析。Chevallier的研究结果表明，宏观经济环境在衰退期对于碳交易市场的建设起到了负面的作用[7]。Tamazian等根据金砖四国的面板数据，探析了金融发展、经济发展对环境质量之间的正向积极作用[8]。Boutabba、Jalil和Feridun分别以印度和中国为例，研究均表明碳排放与经济增长、能源消耗、金融发展之间具有长期关系[9，10]。Zhang也以中国为例，在研究碳排放的金融环境影响因素时发现，股票市场对碳排放具有重要影响[11]。Ozturk和Acaravci证明了经济收入、能源消费、开放度和金融发展对碳排放具有长期正向影响[12]。虽然影响碳市场的因素还有诸如全球经济形势、全球气候谈判、政府气候政策、特殊事件及气候等客观因素[13]，但上述因素是定量分析碳市场金融环境的关键指标，因此，本文也从前人的研究中选取了与金融环境尤其是融资相关的指标。
为了从全局或整体角度审视碳市场与金融环境时间序列的相关性，本文采用广义灰色关联分析法[14-18]①，同时，为了避免在计算灰色关联度时采用相同权重而有失评价公允性和最优性[19]，考虑利用信息熵客观赋权，以尽可能利用客观数据的全部信息量[20]。
二、数据和研究方法
（一）变量选取
综合已有研究可知，与碳市场相关的金融环境影响因素涵盖金融发展、证券市场、外国直接投资等，碳金融是一个庞大的系统，整体的运作涉及到信贷市场、资本市场、企业技术研发投资以及公共财政管理等多个领域。错综复杂的系统中，需要采用科学的方法在碳金融资金支持系统中选取代表性变量指标（统称为金融环境变量），
构建简明且具有代表性的碳金融体系资金支持框架，这也是本文的研究目标及创新之处。其中绿色信贷属于间接融资，绿色债券、绿色证券、环境基金属于直接融资，绿色保险和PPP等形式为不同程度上的金融创新。借鉴前人研究的所用指标，并同时聚焦资金支持方式、程度和效率，例如市场直接融资和间接融、外国直接投资，并加入经济增长、能源消耗等与碳市场紧密相关的变量，来辅助衡量金融环境因素的关联度。此外，整个金融市场的创新程度也会对碳市场的资金支持产生直接的影响，其中直接融资形式中的代理变量选取股市规模、股市效率以及清洁能源投资额，间接融资形式中的代理变量选取金融发展程度、金融发展规模和绿色信贷量。作为发展中国家，中国主要通过CDM（Clean Development Mechanism，清洁发展机制）实现国际约定的减排目标[5]，所以CDM项目减排量与碳交易量一样，都是衡量碳市场活跃程度、发展水平的关键指标。 2005—2014年碳市场和金融环境变量及其定义如表1所示。
从图1可知，碳市场与宏观金融环境各变量的趋势关系并不清晰，因而需要通过灰色关联分析评判变量间的相关程度。
（二）GM（1，1）模型数据模拟
根据前人的研究理论[15，17]，运用均值GM（1，1）模型进行灰色预测的过程如下：
存在时间序列X（0）=（x（0）（1），x（0）（2），…，x（0）（n）），且x（0）（k）0，k=1，2，…，n；X（1）为X（0）的一次累加生成算子序列：X（1）=（x（1）（1），x（1）（2），…，x（1）（n）），且x（1）（k）=∑ki=1x（0）（i），k=1，2，…，n。那么，有x（0）（k）+ax（1）（k）=b称为GM（1，1）模型均值形式。若Z（1）=（z（1）（2），z（1）（3），…，z（1）（n）），且z（1）（k）=12（x（1）（k）+x（1）（k-1）），k=2，3，…，n，则GM（1，1）模型均值形式中的参数向量=[a，b]T由OLS运算可得：
=（BTB）-1BTY
并且Y，B分别为：
Y=x（0）（2）x（0）（3）x（0）（n）B=-z（0）（2）1-z（0）（3）-z（0）（n）11
可得时间相应式：
（1）（k）=x（0）（1）-bae-a（k-1）+bak=1，2，…，n
其累减还原式为：
（0）（k）=α（1）（1）（k）=（1）（k）-（1）（k-1）k=1，2，…，n
则可得X（0）所对应的时间相应式为：
（0）（k）=（1-ea）x（0）（1）-bae-a（k-1）k=1，2，…，n。
注：各变量数值取自然对数。
数据来源：《中国银行业社会责任报告》和中国国家统计局。
（三）灰色关联和熵权分析
灰色关联分析的关联序有不同的构建方式，常用的有考虑绝对量关系的绝对关联序，以及从时刻观测数据相对于始点的变化速率着眼的相对关联序。这里既考虑绝对量的关系又结合变化速率的关系[25]，因此，采用综合关联序对碳市场与金融环境来进行探讨，以权重将绝对与相对关联度结合。
（1）标准化时间序列。
利用均值化算子将原始数据列化为无量纲序列，可求得统一量纲后的碳市场指标：碳交易量序列（Y1），CDM项目减排量（Y2）。相似地，可得标准化后的金融环境指标数据
，并按表1中由上到下的指标顺序设为
X1，X2，…，X12。
在灰色关联分析中，Y1，Y2为系统特征行为序列，则系统特征数k=2，而X1，X2，…，X12为相关因素行为序列，且个数为u=12。Yi与Xj具有相等长度（v=10）。
（2）绝对关联矩阵计算。
求解各行为序列的始点零化像数值。由Y0i=Yi-yi（1）=（y0i（1），y0i（2），…，y0i（10）），其中i=1，2求得系统所有时间序列的零化像。利用公式
εij=1+Ysi+Xsj1+Ysi+Xsj+Xsj-Ysi，
其中，i=1，2；j=1，2，…，12。
由Ysi=∑9k=2y0i（k）+12y0i（10）、Xsj=∑9k=2x0j（k）+12x0j（10）以及Xsj-Ysi=∑9k=2（x0j（k）-y0i（k）+12（x0j（10）-y0i（10））运算可得绝对关联矩阵A=（εij）。
（3）相对关联矩阵计算。
与绝对关联矩阵计算不同是，首先利用X′j=Xj/xj（1）=（x′j（1），x′j（2），…，x′j（10）），j=1，2，…，12計算系统特征行为序列Yi的初值像Y′1，Y′2。类似地，得到相关因素行为序列Xj的初值像X′1，X′2，…，X′12。其次，与绝对关联矩阵计算求系统所有序列始点零化像方法一样，分别可得Y′i与X′j的始点零化像Y′01，Y′02与X′01，X′02，…，X′012，利用εij求得相对关联矩阵B=（γij）。
（4）综合关联矩阵计算。
根据综合关联矩阵计算式将绝对和相对关联矩阵联合：
C=θA+（1-θ）B=（θεij+（1-θ）γij）=（ρij）。
（5）熵值法指标权重计算。
采用熵值法确定指标权重，熵是系统无序程度的一种表征方法[25，26]：假设存在非负序列X={x1，x2，…，xm}，其中∑mi=1xi=1，那么H=-1lnm∑mi=1xilnxi则称为X的熵值。在m种情景、n个评价指标下，则设指标数据矩阵为A=（aij）m×n，其中第j项熵值：ej=-1lnm∑mi=1pijlnpij，且pij=aij/∑mi=1aij为第i种状态值与第j项指标中所占比例，并认为当pij=0时，pijlnpij=0，那么称1-ej为第j项指标的差异系数。则较大的差异系数对应较小的熵值，即该指标对系统的作用较大，故第j项指标的熵权为： ωj=（1-ej）/∑nj=1（1-ej）。
三、结果分析
（一）灰色预测结果
“清洁能源投资额”的原始数据如表2所示。
表3为GM（1，1）模型所计算的原始数据检验精度，其平均相对误差为Δ=16∑13k=2Δk=16.24%，说明该模型可用于缺失数据后续的灰色预测。其预测结果为（（0）（8），（0）（9），（0）（10））=（16130，15667，15218），因此，补足了时间序列缺实的三个数据。
（二）灰色关联矩阵计算结果
由灰色关联的方法计算得到绝对关联矩阵： A=（εij）=0.77510.52670.64830.51730.61510.89470.58180.55810.72360.90430.57770.52230.94860.54360.74190.52320.68760.88850.63340.59470.86460.87930.62670.5334
同时求得相对关联矩阵：
B=（γij）=0.52910.51970.52260.51950.52150.61040.52080.52030.52500.54470.52070.51960.96500.51590.65760.50640.60320.61900.56740.54320.78160.70280.56390.5125
综合关联度θ取0.5，即假设时间序列关于始点变化的绝对量关系与速率关系同等重要，于是可得：
C=（ρij）=0.65210.52320.58550.51840.56830.75260.55130.53920.62430.72450.54920.52100.95680.52970.69970.51480.64540.75380.60040.56890.82310.79100.59530.5230
（三）指标权重计算结果
由碳市场数据经标准化后得到其指标数据矩阵Y=（yij）10×2，其中状态十项，评估指标两项。根据熵值法权重计算式得到两项指标的权重分别为ωYj=（0.51530.4847）。类似地，由金融环境数据经标准化后得到宏观环境指标数据矩阵X=（xij）10×12，进而可得十二项宏观金融环境指标权重分别为：
ωXj=（0.0851 0.0816 0.0832 0.0797 0.0826 0.0893 0.0823 0.0823 0.0840 0.0870 0.0821 0.0808）T
（四）基于信息熵的灰色关联度
将已求得的综合关联矩阵C=Y*1Y*2T，与已知碳市场指标权重ωYj进行运算，可以得到： Y*2ωY2=3.8787>Y*1ωY1=3.6634，因而Y2≥Y1，所以Y2为最优特征。
类似地，将综合关联矩阵C=X*1X*2 … X*12与已知金融环境指标权重ωXj进行运算，可以得到：
ωXjX*j=[0.1370 0.0859 0.1069 0.0823 0.1003 0.1345 0.0948 0.0942 0.1215 0.1319 0.0909 0.0844]
因此，最终结果为X1≥X6≥X10≥X9≥X3≥X5≥X7≥X8≥X11≥X2≥X12≥X4，即X1为最优特征，X6次之，而X4、X12、X2较劣，即GDP增速、能源消耗增速以及FDI与碳市场绩效关联度不大，所以考虑删除该三项指标。由上可知，最后确定的碳市场金融环境指标依次为：X1≥X6≥X10≥X9≥X3≥X5≥X7≥X8≥X11，共计九项。
（五）结果分析
绿色信贷额与清洁能源投资额的增加，会直接影响减排量的上升进而提高全社会可交易碳额。而股票市场效率和股票市场规模可以解释为反映直接融资规模和效率的指标，其大小表明直接融资体系的资金配置体量与效率的水平；金融发展规模和金融发展效率可以解释为间接融资规模和效率的指标，其大小表明间接融资体系的资金配置体量与效率的水平；金融资产中用于投资的份额的增加对应着金融创新度的提升，金融创新主要体现的是金融产品的创新，制度和市场的创新除了资金比例外需要更多的指标来表现。
（1）体现直接融资水平的股票市场效率和规模与碳市场的关联性较强，
面对中国碳市场交易冷清的局面，关注总体直接融资水平也许对改善碳市场现状起到敲山震虎的作用。对间接融资的金融中介规模及效率指标的分析也表明了其与碳市场发展的显著关联度，其主要原因是银行贷款依然是中国企业获得外部资金从而扩大低碳投资规模的最有力支持，因此，中国的碳市场发展十分依赖银行资产规模的扩张。另外
，金融中介的效率与规模相比，其关联度要略小，说明对减排的作用，间接融资的“量”仍然要大于融资的“质”。对比直接融资和间接融资对碳市场的关联度，直接融资的关联度更显著，说明积极促进股权或债权即绿色债券、绿色基金和绿色信托等企业直接融资的规模和效率，不仅是金融市场深化的途径，也更有助于碳市场的健康成长。
（2）
清洁能源投资即CDM项目东道国注册和运作项目的估计资本投资，基本是中国清洁能源基金的直接投资形式，而绿色信贷额则是间接融资对减排项目的支持，
绿色信贷额与清洁能源投资额同为减排融资指标，但前者与碳市场的关联更加紧密，
可见，绿色信贷对于碳市场的发展是具有针对性的。
（3）对比绿色信贷额
与另两个表征间接融资的指标，
可以发现后者与碳市场的关联度小得多。一方面，说明绿色信贷对碳市场的发展是极具针对性的；另一方面，说明金融机构的贷款结构中真正用于低碳生产或投资的款项是十分有限的。从图2不难发现，近年来中国的社会融资总量几乎呈下降趋势，实体经济的融资尚且如此捉襟見肘，绿色专款的零星占比也就不足为奇，否则也不会出现减排信贷关联度远大于整体信贷的情况。因此，政府应采取有效宏观调控措施以促进银行优化贷款结构，例如采用“绿色差别化存款准备金”与“资本充足率要求”，修改计算资本充足率要求的风险权重来支持低碳资产，以及其他旨在放宽低碳企业贷款条件的量化宏观审慎政策，也是加快碳市场发展的手段之一。
图22004—2014年绿色信贷额和社会融资总量
数据来源：《中国银行业社会责任报告》和中国国家统计局。
（4）金融创新程度之所以与碳市场的关联度较低，主要原因可能在于碳市场这样一个刚刚推出的金融市场体现了更多公共品的属性，目前来看，无法形成对逐利资本足够的吸引，因此，金融产品的创新也如凤毛麟角，例如，截至2016年5月中旬，中国债券市场仅存在7只绿色债券，发行规模共计520亿元。截至2015年10月，中证指数公司编制的绿色环保类指数约为16个，占其编制的A股市场指数总数（约800个）的2%；基金管理机构设立的以环保为主题的基金约有32只，其中，指数型基金15只，主动管理型基金17只[27]。 （5）如图3所示，近年来中国的FDI净流入占比GDP的比率不到5%，这限制了其作为驱动碳市场发展的动力。说明在开展碳市场的进程中，中国还是应依靠国内融资，国际资金只能作为辅助的资金渠道，相较需要依靠大量国际资本助力碳交易市场的小国，中国作为发展中国家的领头羊这也是碳交易市场发展的合理政策取向。事实上，中国政府大力推进应对气候变化南南合作，主动从2015年开始加大对发展中国家应对气候变化的资金支持，并出资200亿元人民币建立气候变化南南合作基金。但即便如此，FDI的投资还是需要被严格监控，例如，2014年中国的FDI实际使用情况中制造业占比为334%，遥遥领先于其他行业，其次是房地产业。说明政府或社会团体在考虑减排及发展碳市场时，要把这两个行业的项目紧紧纳入“绿色”政策导向中，以避免随着FDI的扩张，反而对低碳发展产生负面作用。
图31997—2014年中国FDI实际使用情况
数据来源：中国国家统计局。
四、结论
碳市场作为服务“绿色经济”改革的重要环节，与金融环境特别是融资环境的发展息息相关。剖析其内在关联，有助于制定一系列政策并进行制度调整，通过贷款、私募投资、发行债券和股票、保险等金融服务引导社会资金进入低碳产业。
通过总结归纳中国碳市场与宏观环境尤其是融资研究的表征指标，
采用灰色系统理论和熵权法对指标进行梳理筛选，并分析
对比直接和间接融资发现，积极促进绿色债券、绿色基金和绿色信托等股权债权的发展比银行提供间接融资对碳市场的影响更加显著。同时，减排专项信贷关联度远大于整体信贷的情况，说明金融机构的贷款结构中真正用于低碳生产或投资的款项十分有限，政府应采取有效宏观调控措施促进银行优化贷款结构，这也是加快碳市场发展的手段之一。
碳额度的公共品属性致使其无法形成对金融创新、逐利资本的足够吸引。此外，国际资金的FDI在GDP中不到5%的占比，也弱化了其对碳市场的影响力，因此，中国在发展碳市场的进程中，政策导向还是应依靠国内融资，国际资金只能作为辅助的资金渠道。
注释：
①灰色系统理论研究不确定性系统问题时，对数据量大小及样本有无规律性并无要求，因而擅长处理数据样本量小或不满足统计要求的问题，它广泛应用于能源、环境、金融、经济和管理等领域。灰色预测和灰色关联是灰色系统理论中的重要内容，其中灰色预测主要采用GM（1，1）模型。
参考文献：
[1] 田原，陈炜.金融创新系统结构模型及实证研究[J].技术经济与管理研究，2015（4）：82-88.
[2] 杜莉，张云，王凤奎.开发性金融在碳金融体系建构中的引致机制[J].中国社会科学，2013（4）：103-119.
[3] 唐躍军，黎德福.环境资本、负外部性与碳金融创新[J].中国工业经济，2010（6）：5-14.
[4] Lo A Y，Howes M.Powered by the state or finance？ the organization of Chinas carbon markets[J].Eurasian Geography and Economics，2013，54（4）：386-408.
[5] 张晨，杨玉，张涛.基于Copula模型的商业银行碳金融市场风险整合度量[J].中国管理科学，2015，23（4）：61-69.
[6] 高杨，李健.基于 EMDPSOSVM 误差校正模型的国际碳金融市场价格预测[J].中国人口资源与环境，2014，24（6）：163-170.
[7] Chevallier J.Macroeconomics，finance，commodities：interactions with carbon markets in a datarich model[J].Economic Modelling，2011，28（1-2）：557-567.
[8] Tamazian A，Chousa J P，Vadlamannati C.Does higher economic and financial development lead to environmental degradation：evidence from the BRIC countries[J].Energy Policy，2009，37（1）：246-253.
[9] Boutabba M A.The impact of financial development，income，energy and trade on carbon emissions：evidence from the Indian economy[J].Economic Modelling，2014，40：33-41.
[10] Jalil A，Feridun M.The impact of growth，energy and financial development on the environment in China：a cointegration analysis[J].Energy Economics，2011，33（2）：284-291.
[11] Zhang Y J.The impact of financial development on carbon emissions：an empirical analysis in China[J].Energy Policy，2011，39（4）：2197-2203.
[12] Ozturk I，Acaravci A.The longrun and causal analysis of energy，growth，opennessand financial development on carbon emissions in Turkey[J].Energy Economics，2013，36：262-267. [13] 杜莉，孙兆东，汪蓉.中国区域碳金融交易价格及市场风险分析[J].武汉大学学报：哲学社会科学版，2015，68（2）：86-93.
[14] 岳洪江，刘思峰.灰色系统理论的发展、应用与扩散特征研究[J].系统科学学报，2008，16（4）：14-21.
[15] 谢乃明，刘思峰.离散GM（1，1）模型与灰色预测模型建模機理[J].系统工程理论与实践，2005，25（1）：93-98.
[16] 刘思峰，蔡华，杨英杰，等.灰色关联分析模型研究进展[J].系统工程理论与实践，2013，33（8）：2041-2046.
[17] 江艺羡，张岐山.GM（1，1）模型背景值的优化[J].中国管理科学，2015，23（9）：146-152.
[18] 王先甲，张熠.基于AHP和DEA的非均一化灰色关联方法[J].系统工程理论与实践，2011，31（7）：1222-1229.
[19] 刘思峰，杨英杰，吴利丰，等.灰色系统理论及其应用[M].北京：科学出版社，2014.
[20] 郭晓君，刘思峰，方志耕.基于粗糙数和信息熵的产品设计方案灰色关联评估模型[J].运筹与管理，2015，24（6）：170-175.
[21] Ziaei S M.Effects of financial development indicators on energy consumption and CO2 emission of European，East Asian and Oceania countries[J].Renew Sust Energ Rev，2015，42：752-759.
[22] Dogan E，Seker F.The influence of real output，renewable and nonrenewable energy，trade and financial development on carbon emissions in the top renewable energy countries[J].Renew Sust Energ Rev，2016，60：1074-1085.
[23] Khandaker S，Ali M J.The impact of macroeconomic variables on stock market volatility：evidence from crosscountry analysis pre，during and post gfc[OL].During and Post Gfc，see http：//papers.ssrn.com/sol3/papers.cfm？abstract_id= 2699122，2015.
[24] Doytch N，Narayan S.Does FDI influence renewable energy consumption？ an analysis of sectoral FDI impact on renewable and nonrenewable industrial energy consumption[J].Energ Econ，2016，54：291-301.
[25] Hao Y，Liu Y M.Has the development of FDI and foreign trade contributed to Chinas CO2 emissions？ an empirical study with provincial panel data[J].Nat Hazards，2015，76：1079-1091.
[26] 黄海新，孔畅，于海斌等.自适应特征熵权模糊C均值聚类算法的研究[J].系统工程理论与实践，2016，36（1）：219-223.
[27] 马骏.“十三五”时期绿色金融发展十大领域[J].中国银行业.2016（1）：22-24.
（责任编辑：宁晓青）
关键词：碳市场；金融环境；政策分析；信息熵；灰色关联
中图分类号：F062.2文献标识码：A文章编号：10037217（2017）05002007
一、引言和文献综述
二十国集团（G20）作为当今国际上重要的多边对话平台，致力于构建创新、活力、联动、包容的世界经济，同时，也必须在应对气候变化问题中发挥重要的领导作用。这对于提升未来中国经济的发展潜力，提高发展质量也意义重大。“十三五”作为中国经济从高速发展转向“新常态”、创新型经济发展承前启后的重要阶段，需要抓住重要的改革窗口期，实现从量的积累到质的飞越发展。中国正在推动绿色金融创新，并于2015年成立中国金融学会绿色金融专业委员会。G20会议期间，中国也强调了“十三五”中对绿色金融的积极推进，提出了绿色金融（即广义的碳金融）体系的概念。作为一种市场化的制度安排，金融在促进环境保护和生态建设方面具有十分重要的作用。通过绿色债券、绿色证券、绿色保险、环境基金、政府和社会资本合作关系（PublicPrivate Partnership，PPP）等创新型金融产品提供资金支持，加强金融政策与产业政策的协调配合，可以有效减少对高耗能高污染行业、环境违法企业的资金支持，引导资源向绿色和低碳行业的配置，并强调碳市场作为减排资金的退出平台对于碳金融体系的重要性。激活国内碳市场对于发展低碳经济、争取国际货币地位有着重要意义，了解其所处金融环境的影响，为碳市场的健康运行和全面推广提供分析结构和政策建议[1]。
2013年6月至今，中国的碳排放交易体系（Emission Trading Schemes，ETS）在包括上海在内的七个试点省市已运行多年，碳交易市场（简称碳市场）已具雏形。中国政府拟于2017年推出全国碳市场。碳金融体系的构建是我国保持经济可持续发展，实现绿色经济和低碳经济腾飞的重要组成[2]。碳交易作为金融市场的一个组成部分，无时无刻不受到金融宏观环境的影响[3]。因而优化中国碳市场的金融环境，促进碳交易市场快速发展的前提在于分析宏观金融环境
——尤其是融资环境与碳市场的关系。
据G20工作组测算，2016—2020年，中国低碳融资需求最高可达30万亿元，2016—2030年的绿色资金需求最高为123万亿元。
同时，G20峰会中中国政府也提出了调动社会资金、构建碳金融体系的思路。
针对巨大的资金缺口以及碳市场发展中的不足[4-6]，
本文拟从碳市场及其金融环境——尤其是融资环境入手，利用灰色系统理论分析其关联性，甄别影响碳市场的关键金融环境指标，以期为指导碳金融健康发展的政策建议以及科学研究提供有益参考。
财经理论与实践（双月刊）2017年第5期
2017年第5期（总第209期）田原，朱淑珍，陈炜：
中国金融环境与碳市场发展的关联度及作用分析——基于G20背景
当前，金融环境对碳市场的影响研究聚焦于其对碳排放与碳价格的作用探析。Chevallier的研究结果表明，宏观经济环境在衰退期对于碳交易市场的建设起到了负面的作用[7]。Tamazian等根据金砖四国的面板数据，探析了金融发展、经济发展对环境质量之间的正向积极作用[8]。Boutabba、Jalil和Feridun分别以印度和中国为例，研究均表明碳排放与经济增长、能源消耗、金融发展之间具有长期关系[9，10]。Zhang也以中国为例，在研究碳排放的金融环境影响因素时发现，股票市场对碳排放具有重要影响[11]。Ozturk和Acaravci证明了经济收入、能源消费、开放度和金融发展对碳排放具有长期正向影响[12]。虽然影响碳市场的因素还有诸如全球经济形势、全球气候谈判、政府气候政策、特殊事件及气候等客观因素[13]，但上述因素是定量分析碳市场金融环境的关键指标，因此，本文也从前人的研究中选取了与金融环境尤其是融资相关的指标。
为了从全局或整体角度审视碳市场与金融环境时间序列的相关性，本文采用广义灰色关联分析法[14-18]①，同时，为了避免在计算灰色关联度时采用相同权重而有失评价公允性和最优性[19]，考虑利用信息熵客观赋权，以尽可能利用客观数据的全部信息量[20]。
二、数据和研究方法
（一）变量选取
综合已有研究可知，与碳市场相关的金融环境影响因素涵盖金融发展、证券市场、外国直接投资等，碳金融是一个庞大的系统，整体的运作涉及到信贷市场、资本市场、企业技术研发投资以及公共财政管理等多个领域。错综复杂的系统中，需要采用科学的方法在碳金融资金支持系统中选取代表性变量指标（统称为金融环境变量），
构建简明且具有代表性的碳金融体系资金支持框架，这也是本文的研究目标及创新之处。其中绿色信贷属于间接融资，绿色债券、绿色证券、环境基金属于直接融资，绿色保险和PPP等形式为不同程度上的金融创新。借鉴前人研究的所用指标，并同时聚焦资金支持方式、程度和效率，例如市场直接融资和间接融、外国直接投资，并加入经济增长、能源消耗等与碳市场紧密相关的变量，来辅助衡量金融环境因素的关联度。此外，整个金融市场的创新程度也会对碳市场的资金支持产生直接的影响，其中直接融资形式中的代理变量选取股市规模、股市效率以及清洁能源投资额，间接融资形式中的代理变量选取金融发展程度、金融发展规模和绿色信贷量。作为发展中国家，中国主要通过CDM（Clean Development Mechanism，清洁发展机制）实现国际约定的减排目标[5]，所以CDM项目减排量与碳交易量一样，都是衡量碳市场活跃程度、发展水平的关键指标。 2005—2014年碳市场和金融环境变量及其定义如表1所示。
从图1可知，碳市场与宏观金融环境各变量的趋势关系并不清晰，因而需要通过灰色关联分析评判变量间的相关程度。
（二）GM（1，1）模型数据模拟
根据前人的研究理论[15，17]，运用均值GM（1，1）模型进行灰色预测的过程如下：
存在时间序列X（0）=（x（0）（1），x（0）（2），…，x（0）（n）），且x（0）（k）0，k=1，2，…，n；X（1）为X（0）的一次累加生成算子序列：X（1）=（x（1）（1），x（1）（2），…，x（1）（n）），且x（1）（k）=∑ki=1x（0）（i），k=1，2，…，n。那么，有x（0）（k）+ax（1）（k）=b称为GM（1，1）模型均值形式。若Z（1）=（z（1）（2），z（1）（3），…，z（1）（n）），且z（1）（k）=12（x（1）（k）+x（1）（k-1）），k=2，3，…，n，则GM（1，1）模型均值形式中的参数向量=[a，b]T由OLS运算可得：
=（BTB）-1BTY
并且Y，B分别为：
Y=x（0）（2）x（0）（3）x（0）（n）B=-z（0）（2）1-z（0）（3）-z（0）（n）11
可得时间相应式：
（1）（k）=x（0）（1）-bae-a（k-1）+bak=1，2，…，n
其累减还原式为：
（0）（k）=α（1）（1）（k）=（1）（k）-（1）（k-1）k=1，2，…，n
则可得X（0）所对应的时间相应式为：
（0）（k）=（1-ea）x（0）（1）-bae-a（k-1）k=1，2，…，n。
注：各变量数值取自然对数。
数据来源：《中国银行业社会责任报告》和中国国家统计局。
（三）灰色关联和熵权分析
灰色关联分析的关联序有不同的构建方式，常用的有考虑绝对量关系的绝对关联序，以及从时刻观测数据相对于始点的变化速率着眼的相对关联序。这里既考虑绝对量的关系又结合变化速率的关系[25]，因此，采用综合关联序对碳市场与金融环境来进行探讨，以权重将绝对与相对关联度结合。
（1）标准化时间序列。
利用均值化算子将原始数据列化为无量纲序列，可求得统一量纲后的碳市场指标：碳交易量序列（Y1），CDM项目减排量（Y2）。相似地，可得标准化后的金融环境指标数据
，并按表1中由上到下的指标顺序设为
X1，X2，…，X12。
在灰色关联分析中，Y1，Y2为系统特征行为序列，则系统特征数k=2，而X1，X2，…，X12为相关因素行为序列，且个数为u=12。Yi与Xj具有相等长度（v=10）。
（2）绝对关联矩阵计算。
求解各行为序列的始点零化像数值。由Y0i=Yi-yi（1）=（y0i（1），y0i（2），…，y0i（10）），其中i=1，2求得系统所有时间序列的零化像。利用公式
εij=1+Ysi+Xsj1+Ysi+Xsj+Xsj-Ysi，
其中，i=1，2；j=1，2，…，12。
由Ysi=∑9k=2y0i（k）+12y0i（10）、Xsj=∑9k=2x0j（k）+12x0j（10）以及Xsj-Ysi=∑9k=2（x0j（k）-y0i（k）+12（x0j（10）-y0i（10））运算可得绝对关联矩阵A=（εij）。
（3）相对关联矩阵计算。
与绝对关联矩阵计算不同是，首先利用X′j=Xj/xj（1）=（x′j（1），x′j（2），…，x′j（10）），j=1，2，…，12計算系统特征行为序列Yi的初值像Y′1，Y′2。类似地，得到相关因素行为序列Xj的初值像X′1，X′2，…，X′12。其次，与绝对关联矩阵计算求系统所有序列始点零化像方法一样，分别可得Y′i与X′j的始点零化像Y′01，Y′02与X′01，X′02，…，X′012，利用εij求得相对关联矩阵B=（γij）。
（4）综合关联矩阵计算。
根据综合关联矩阵计算式将绝对和相对关联矩阵联合：
C=θA+（1-θ）B=（θεij+（1-θ）γij）=（ρij）。
（5）熵值法指标权重计算。
采用熵值法确定指标权重，熵是系统无序程度的一种表征方法[25，26]：假设存在非负序列X={x1，x2，…，xm}，其中∑mi=1xi=1，那么H=-1lnm∑mi=1xilnxi则称为X的熵值。在m种情景、n个评价指标下，则设指标数据矩阵为A=（aij）m×n，其中第j项熵值：ej=-1lnm∑mi=1pijlnpij，且pij=aij/∑mi=1aij为第i种状态值与第j项指标中所占比例，并认为当pij=0时，pijlnpij=0，那么称1-ej为第j项指标的差异系数。则较大的差异系数对应较小的熵值，即该指标对系统的作用较大，故第j项指标的熵权为： ωj=（1-ej）/∑nj=1（1-ej）。
三、结果分析
（一）灰色预测结果
“清洁能源投资额”的原始数据如表2所示。
表3为GM（1，1）模型所计算的原始数据检验精度，其平均相对误差为Δ=16∑13k=2Δk=16.24%，说明该模型可用于缺失数据后续的灰色预测。其预测结果为（（0）（8），（0）（9），（0）（10））=（16130，15667，15218），因此，补足了时间序列缺实的三个数据。
（二）灰色关联矩阵计算结果
由灰色关联的方法计算得到绝对关联矩阵： A=（εij）=0.77510.52670.64830.51730.61510.89470.58180.55810.72360.90430.57770.52230.94860.54360.74190.52320.68760.88850.63340.59470.86460.87930.62670.5334
同时求得相对关联矩阵：
B=（γij）=0.52910.51970.52260.51950.52150.61040.52080.52030.52500.54470.52070.51960.96500.51590.65760.50640.60320.61900.56740.54320.78160.70280.56390.5125
综合关联度θ取0.5，即假设时间序列关于始点变化的绝对量关系与速率关系同等重要，于是可得：
C=（ρij）=0.65210.52320.58550.51840.56830.75260.55130.53920.62430.72450.54920.52100.95680.52970.69970.51480.64540.75380.60040.56890.82310.79100.59530.5230
（三）指标权重计算结果
由碳市场数据经标准化后得到其指标数据矩阵Y=（yij）10×2，其中状态十项，评估指标两项。根据熵值法权重计算式得到两项指标的权重分别为ωYj=（0.51530.4847）。类似地，由金融环境数据经标准化后得到宏观环境指标数据矩阵X=（xij）10×12，进而可得十二项宏观金融环境指标权重分别为：
ωXj=（0.0851 0.0816 0.0832 0.0797 0.0826 0.0893 0.0823 0.0823 0.0840 0.0870 0.0821 0.0808）T
（四）基于信息熵的灰色关联度
将已求得的综合关联矩阵C=Y*1Y*2T，与已知碳市场指标权重ωYj进行运算，可以得到： Y*2ωY2=3.8787>Y*1ωY1=3.6634，因而Y2≥Y1，所以Y2为最优特征。
类似地，将综合关联矩阵C=X*1X*2 … X*12与已知金融环境指标权重ωXj进行运算，可以得到：
ωXjX*j=[0.1370 0.0859 0.1069 0.0823 0.1003 0.1345 0.0948 0.0942 0.1215 0.1319 0.0909 0.0844]
因此，最终结果为X1≥X6≥X10≥X9≥X3≥X5≥X7≥X8≥X11≥X2≥X12≥X4，即X1为最优特征，X6次之，而X4、X12、X2较劣，即GDP增速、能源消耗增速以及FDI与碳市场绩效关联度不大，所以考虑删除该三项指标。由上可知，最后确定的碳市场金融环境指标依次为：X1≥X6≥X10≥X9≥X3≥X5≥X7≥X8≥X11，共计九项。
（五）结果分析
绿色信贷额与清洁能源投资额的增加，会直接影响减排量的上升进而提高全社会可交易碳额。而股票市场效率和股票市场规模可以解释为反映直接融资规模和效率的指标，其大小表明直接融资体系的资金配置体量与效率的水平；金融发展规模和金融发展效率可以解释为间接融资规模和效率的指标，其大小表明间接融资体系的资金配置体量与效率的水平；金融资产中用于投资的份额的增加对应着金融创新度的提升，金融创新主要体现的是金融产品的创新，制度和市场的创新除了资金比例外需要更多的指标来表现。
（1）体现直接融资水平的股票市场效率和规模与碳市场的关联性较强，
面对中国碳市场交易冷清的局面，关注总体直接融资水平也许对改善碳市场现状起到敲山震虎的作用。对间接融资的金融中介规模及效率指标的分析也表明了其与碳市场发展的显著关联度，其主要原因是银行贷款依然是中国企业获得外部资金从而扩大低碳投资规模的最有力支持，因此，中国的碳市场发展十分依赖银行资产规模的扩张。另外
，金融中介的效率与规模相比，其关联度要略小，说明对减排的作用，间接融资的“量”仍然要大于融资的“质”。对比直接融资和间接融资对碳市场的关联度，直接融资的关联度更显著，说明积极促进股权或债权即绿色债券、绿色基金和绿色信托等企业直接融资的规模和效率，不仅是金融市场深化的途径，也更有助于碳市场的健康成长。
（2）
清洁能源投资即CDM项目东道国注册和运作项目的估计资本投资，基本是中国清洁能源基金的直接投资形式，而绿色信贷额则是间接融资对减排项目的支持，
绿色信贷额与清洁能源投资额同为减排融资指标，但前者与碳市场的关联更加紧密，
可见，绿色信贷对于碳市场的发展是具有针对性的。
（3）对比绿色信贷额
与另两个表征间接融资的指标，
可以发现后者与碳市场的关联度小得多。一方面，说明绿色信贷对碳市场的发展是极具针对性的；另一方面，说明金融机构的贷款结构中真正用于低碳生产或投资的款项是十分有限的。从图2不难发现，近年来中国的社会融资总量几乎呈下降趋势，实体经济的融资尚且如此捉襟見肘，绿色专款的零星占比也就不足为奇，否则也不会出现减排信贷关联度远大于整体信贷的情况。因此，政府应采取有效宏观调控措施以促进银行优化贷款结构，例如采用“绿色差别化存款准备金”与“资本充足率要求”，修改计算资本充足率要求的风险权重来支持低碳资产，以及其他旨在放宽低碳企业贷款条件的量化宏观审慎政策，也是加快碳市场发展的手段之一。
图22004—2014年绿色信贷额和社会融资总量
数据来源：《中国银行业社会责任报告》和中国国家统计局。
（4）金融创新程度之所以与碳市场的关联度较低，主要原因可能在于碳市场这样一个刚刚推出的金融市场体现了更多公共品的属性，目前来看，无法形成对逐利资本足够的吸引，因此，金融产品的创新也如凤毛麟角，例如，截至2016年5月中旬，中国债券市场仅存在7只绿色债券，发行规模共计520亿元。截至2015年10月，中证指数公司编制的绿色环保类指数约为16个，占其编制的A股市场指数总数（约800个）的2%；基金管理机构设立的以环保为主题的基金约有32只，其中，指数型基金15只，主动管理型基金17只[27]。 （5）如图3所示，近年来中国的FDI净流入占比GDP的比率不到5%，这限制了其作为驱动碳市场发展的动力。说明在开展碳市场的进程中，中国还是应依靠国内融资，国际资金只能作为辅助的资金渠道，相较需要依靠大量国际资本助力碳交易市场的小国，中国作为发展中国家的领头羊这也是碳交易市场发展的合理政策取向。事实上，中国政府大力推进应对气候变化南南合作，主动从2015年开始加大对发展中国家应对气候变化的资金支持，并出资200亿元人民币建立气候变化南南合作基金。但即便如此，FDI的投资还是需要被严格监控，例如，2014年中国的FDI实际使用情况中制造业占比为334%，遥遥领先于其他行业，其次是房地产业。说明政府或社会团体在考虑减排及发展碳市场时，要把这两个行业的项目紧紧纳入“绿色”政策导向中，以避免随着FDI的扩张，反而对低碳发展产生负面作用。
图31997—2014年中国FDI实际使用情况
数据来源：中国国家统计局。
四、结论
碳市场作为服务“绿色经济”改革的重要环节，与金融环境特别是融资环境的发展息息相关。剖析其内在关联，有助于制定一系列政策并进行制度调整，通过贷款、私募投资、发行债券和股票、保险等金融服务引导社会资金进入低碳产业。
通过总结归纳中国碳市场与宏观环境尤其是融资研究的表征指标，
采用灰色系统理论和熵权法对指标进行梳理筛选，并分析
对比直接和间接融资发现，积极促进绿色债券、绿色基金和绿色信托等股权债权的发展比银行提供间接融资对碳市场的影响更加显著。同时，减排专项信贷关联度远大于整体信贷的情况，说明金融机构的贷款结构中真正用于低碳生产或投资的款项十分有限，政府应采取有效宏观调控措施促进银行优化贷款结构，这也是加快碳市场发展的手段之一。
碳额度的公共品属性致使其无法形成对金融创新、逐利资本的足够吸引。此外，国际资金的FDI在GDP中不到5%的占比，也弱化了其对碳市场的影响力，因此，中国在发展碳市场的进程中，政策导向还是应依靠国内融资，国际资金只能作为辅助的资金渠道。
注释：
①灰色系统理论研究不确定性系统问题时，对数据量大小及样本有无规律性并无要求，因而擅长处理数据样本量小或不满足统计要求的问题，它广泛应用于能源、环境、金融、经济和管理等领域。灰色预测和灰色关联是灰色系统理论中的重要内容，其中灰色预测主要采用GM（1，1）模型。
参考文献：
[1] 田原，陈炜.金融创新系统结构模型及实证研究[J].技术经济与管理研究，2015（4）：82-88.
[2] 杜莉，张云，王凤奎.开发性金融在碳金融体系建构中的引致机制[J].中国社会科学，2013（4）：103-119.
[3] 唐躍军，黎德福.环境资本、负外部性与碳金融创新[J].中国工业经济，2010（6）：5-14.
[4] Lo A Y，Howes M.Powered by the state or finance？ the organization of Chinas carbon markets[J].Eurasian Geography and Economics，2013，54（4）：386-408.
[5] 张晨，杨玉，张涛.基于Copula模型的商业银行碳金融市场风险整合度量[J].中国管理科学，2015，23（4）：61-69.
[6] 高杨，李健.基于 EMDPSOSVM 误差校正模型的国际碳金融市场价格预测[J].中国人口资源与环境，2014，24（6）：163-170.
[7] Chevallier J.Macroeconomics，finance，commodities：interactions with carbon markets in a datarich model[J].Economic Modelling，2011，28（1-2）：557-567.
[8] Tamazian A，Chousa J P，Vadlamannati C.Does higher economic and financial development lead to environmental degradation：evidence from the BRIC countries[J].Energy Policy，2009，37（1）：246-253.
[9] Boutabba M A.The impact of financial development，income，energy and trade on carbon emissions：evidence from the Indian economy[J].Economic Modelling，2014，40：33-41.
[10] Jalil A，Feridun M.The impact of growth，energy and financial development on the environment in China：a cointegration analysis[J].Energy Economics，2011，33（2）：284-291.
[11] Zhang Y J.The impact of financial development on carbon emissions：an empirical analysis in China[J].Energy Policy，2011，39（4）：2197-2203.
[12] Ozturk I，Acaravci A.The longrun and causal analysis of energy，growth，opennessand financial development on carbon emissions in Turkey[J].Energy Economics，2013，36：262-267. [13] 杜莉，孙兆东，汪蓉.中国区域碳金融交易价格及市场风险分析[J].武汉大学学报：哲学社会科学版，2015，68（2）：86-93.
[14] 岳洪江，刘思峰.灰色系统理论的发展、应用与扩散特征研究[J].系统科学学报，2008，16（4）：14-21.
[15] 谢乃明，刘思峰.离散GM（1，1）模型与灰色预测模型建模機理[J].系统工程理论与实践，2005，25（1）：93-98.
[16] 刘思峰，蔡华，杨英杰，等.灰色关联分析模型研究进展[J].系统工程理论与实践，2013，33（8）：2041-2046.
[17] 江艺羡，张岐山.GM（1，1）模型背景值的优化[J].中国管理科学，2015，23（9）：146-152.
[18] 王先甲，张熠.基于AHP和DEA的非均一化灰色关联方法[J].系统工程理论与实践，2011，31（7）：1222-1229.
[19] 刘思峰，杨英杰，吴利丰，等.灰色系统理论及其应用[M].北京：科学出版社，2014.
[20] 郭晓君，刘思峰，方志耕.基于粗糙数和信息熵的产品设计方案灰色关联评估模型[J].运筹与管理，2015，24（6）：170-175.
[21] Ziaei S M.Effects of financial development indicators on energy consumption and CO2 emission of European，East Asian and Oceania countries[J].Renew Sust Energ Rev，2015，42：752-759.
[22] Dogan E，Seker F.The influence of real output，renewable and nonrenewable energy，trade and financial development on carbon emissions in the top renewable energy countries[J].Renew Sust Energ Rev，2016，60：1074-1085.
[23] Khandaker S，Ali M J.The impact of macroeconomic variables on stock market volatility：evidence from crosscountry analysis pre，during and post gfc[OL].During and Post Gfc，see http：//papers.ssrn.com/sol3/papers.cfm？abstract_id= 2699122，2015.
[24] Doytch N，Narayan S.Does FDI influence renewable energy consumption？ an analysis of sectoral FDI impact on renewable and nonrenewable industrial energy consumption[J].Energ Econ，2016，54：291-301.
[25] Hao Y，Liu Y M.Has the development of FDI and foreign trade contributed to Chinas CO2 emissions？ an empirical study with provincial panel data[J].Nat Hazards，2015，76：1079-1091.
[26] 黄海新，孔畅，于海斌等.自适应特征熵权模糊C均值聚类算法的研究[J].系统工程理论与实践，2016，36（1）：219-223.
[27] 马骏.“十三五”时期绿色金融发展十大领域[J].中国银行业.2016（1）：22-24.
（责任编辑：宁晓青）