前沿

低碳轉型風險的全球定價

帕特里克·博爾頓　馬欽·卡茨佩爾契克

1．引言

世界各地的公共輿論、政府、商界領袖和機構投資者逐漸意識到應對氣候變化的緊迫性。各界對氣候變化問題的日益關注將促使全球能源結構更快、更無序地從化石能源轉向可再生能源。迄今為止，全球已有100多個國家和地區提出了碳中和目標，其經濟總量占全球GDP的近50%。此外，國際社會也已達成了若干碳減排多邊協議和其他承諾。這就意味著，那些依賴化石能源生產或消費的企業將面臨更大的低碳轉型風險。從單個企業的角度看，低碳轉型風險反映了企業向碳中和轉型的進度存在不確定性。從投資者的角度看，低碳轉型風險體現了人們對轉向更清潔能源的認識的變化。因此，低碳轉型風險綜合反映了氣候政策、市場偏好、聲譽影響、技術創新等一系列沖擊。本研究從全球金融市場的視角出發，分析全球眾多企業面對不同的低碳轉型風險時，其股價的變化情況，以此評估投資者對低碳轉型風險賦予的經濟重要性。

遵循諾德豪斯（Nordhaus，1991）的分析框架，氣候變化經濟學普遍認為，減緩氣候變化是一種公共品，需要實施全球性碳庇古稅，將碳排放外部性內部化。有效的碳稅應該等于碳的社會成本（SCC），所謂碳的社會成本是指碳顆粒物在大氣中累積使氣候變暖帶來的預期物理損失的貼現值。本文并不討論依賴化石能源的企業在經濟增長轉向以可再生能源為基礎的過程中面臨的低碳轉型風險。相比之下，金融學對氣候變化的研究更直接地關注氣候變化風險的定價問題，尤其是低碳轉型風險的定價問題。但是這方面的文獻仍處在起步階段，目前，我們只掌握了關于低碳轉型風險定價，尤其是關于風險來源的零星證據。因此，本文嘗試比現有的研究更系統、更廣泛地分析低碳轉型風險定價問題。我們考察了企業碳排放和反映一國低碳轉型進展的國家特征如何影響77個國家14 400家上市公司在2005—2018年的股票收益。這幾乎涵蓋了全球所有能夠獲得碳排放數據的上市公司，占所有上市公司市值的80%。

眾所周知，跨國研究一直以來都受到國家內生性和特征識別的困擾。因為國家層面的特征差異可能由多方面原因導致。本文利用大量國家、行業、企業層面的碳排放差異和其他特征，識別技術轉型、社會規范和能源政策對低碳轉型風險的影響，從而在一定程度上克服了這類挑戰。將這種細化到企業層面的觀測值和各種固定效應相結合，可以更好地理解低碳轉型風險。據我們所知，這是經濟學領域首次使用如此大規模的面板數據研究低碳轉型風險。

本文的第一個貢獻是揭示了所有樣本國家的企業碳排放分布。關于全球碳排放的研究大多以國家為分析單元，很少提供每個國家分解到不同企業的碳排放信息。根據《財富》雜志，2017年全球500強企業的收入合計為30萬億美元，約為全球GDP的37.5%[根據中情局的《世界概況》（World Fact-book），2017年全球GDP約80萬億美元]。因此，我們理當從碳排放大國的角度，也需要從碳排放大企業的角度看待如何減緩氣候變化。

本文的第二個貢獻是，我們測算了滯后的企業排放對股票收益的影響，估計了全球低碳轉型風險溢價（以下簡稱“碳溢價”）的大小。鑒于直到最近人們對氣候變化的關注仍然不足，一個合理的零假設（null hypothesis）是在我們的樣本期間，企業的股票收益并不會隨其碳排放的增大而升高，但歐洲（包括美國、日本和一些其他OECD國家）除外。一個合理的備擇假設是，投資者確實關注氣候風險，碳溢價僅出現在全球最大、最發達以及碳排放占比最高的國家。由于這些地區的碳減排緊迫性最高，因此低碳轉型風險也最高。

從我們的分析中可以得出一些具有普遍意義的結論。第一個普遍結論就是，在控制了可以預測股票收益的特征后，碳溢價與碳排放量和碳排放量的年變化率呈正相關。由于低碳轉型本質上是個暫時的過程，低碳轉型風險理論上應該既與碳排放量有關，也涉及其變化。我們還發現，碳溢價既與生產企業的直接排放（排放范圍1）相關，也與供應鏈的間接排放（排放范圍2和排放范圍3）相關。計算結果在統計上和經濟上都非常顯著。例如，排放范圍1下的排放量增加1個標準差，股票的年化收益率增加1.1%；排放量變化率增加1個標準差，股票收益率增加2.2%。如果考慮行業間的潛在差異，影響程度通常更大。這顯示了行業因素在低碳轉型風險研究中的重要性。另外，計算結果表明排放范圍3對股票收益的影響比范圍1和范圍2更大。

我們的研究結果表明，企業面臨的低碳轉型風險與其排放量成正比。這是一個非常穩健的發現，而與此相反的是，業內和氣候金融研究者幾乎只關注排放強度（碳排放量與銷售額、資產或耗電量的比率）。為了實現“零凈排放”（Net Zero）目標，無論企業是否大量使用化石能源，未來20年必須大幅減少碳排放。

有趣的是，碳排放量及其增長率對碳溢價的影響是獨立的，我們認為，這反映了長期轉型風險和短期轉型風險。由于碳排放會長期存在，所以碳排放量反映了長期轉型風險，而排放量變化則反映了企業短期內減少（或增加）排放帶來的風險。排放量變化還可能反映了企業的收入變化，但我們在自變量中加入了企業的凈資產收益率（ROE）和銷售收入增長率來控制這一影響。

為了讓我們對碳溢價的估計更穩健，并部分解決股票收益率隨機波動的可能性，我們在碳排放與企業的賬面市值比（book to market ration，B/M）之間建立關聯。我們發現，在控制了一組固定效應和企業特征后，橫截面的直接排放量增加1個標準差將導致企業賬面市值比提高13%。這些結果證明了我們基于股票收益得出的研究發現。尤其是，這些結果的經濟量級在我們估計的股票收益范圍之內。這進一步反駁了碳溢價是由意料不到的收益因素導致的解釋。

第二個具有普遍意義的發現是，在世界大多數地區，碳溢價顯著大于零。它在北美、歐洲和亞洲均存在，但量級不同。它較少在南半球地區存在，但在這些地區，國家的經濟和社會結構具有較大差異。我們的跨國研究結果還表明，全球金融市場并不是完全一體化的。簡單地根據經濟發展水平對國家進行分類，并不能解釋各國之間碳溢價的差異。然而，在更加細分的層面上，我們發現，企業的總部若設在經濟發展水平較低的國家，其短期碳溢價通常較高。企業所在國的人均GDP較低、經濟產出更多依賴制造業、醫療衛生行業較不發達，其碳溢價通常較高。然而，各國的長期碳溢價并不存在上述特征。這些結果與低碳轉型風險只存在于發達國家的普遍認知形成了鮮明對比。

本文的第三個貢獻是研究了低碳轉型風險的不同來源。我們的研究假設在局部分割的市場中，國家的本地環境可以放大或縮小平均碳溢價。由于國家層面的證據可能受到遺漏變量偏誤的影響，所以本文利用企業層面的碳排放差異，并結合各種企業層面的控制變量和固定效應，從而更好地識別每個變量的影響。我們的識別方法與拉詹和津加萊斯（Rajan and Zingales，1998）在研究金融發展和經濟增長之間的關系時使用的方法相似。

本文識別了若干非常重要的國家特征變量。我們將這些特征變量分為政治社會因素和能源因素兩大類。在政治社會因素方面，我們發現“話語權”和“法治化程度”會顯著影響碳排放量增加導致的短期碳溢價。在其他條件相同的情況下，企業所在國越民主，其碳溢價通常越低。此外，研究發現企業所在國的國內氣候政策越嚴格，其長期碳溢價越高。這一發現表明，投資者認為氣候政策是永久性的，不太可能發生逆轉。值得注意的是，如果將國內政策和國際協議分開，我們發現僅前者有顯著影響，后者的影響有限。這一結果突顯了與氣候政策相關的協調成本的重要性，這也是近年來困擾國際社會的一個問題。

當考慮國家層面的能源結構差異時，我們發現，企業所在國的可再生能源占比越高，其碳溢價越低；企業所在國對能源部門依賴程度越高，其碳溢價越高。能源結構的影響主要反映在短期碳溢價中，這表明技術沖擊是短期影響，或者說從長期看，技術沖擊是一個難以估計的因素。有趣的是，我們發現一國的能源消費量對碳溢價影響不大，這表明在研究過程中需要區分能源生產和能源消費。

最后，我們還發現，在氣候災害（洪水、野火、干旱等）帶來更大損害的國家，并不存在顯著不同的碳溢價。這表明，氣候物理風險既不影響碳溢價，也不與低碳轉型風險正相關，或者說在氣候物理風險不斷上升的國家，投資者更重視低碳轉型風險。

社會政治因素和能源因素大多通過現金流影響低碳轉型風險?？赡芡瑯又匾氖牵N現率反映了投資者對低碳轉型風險的認識。為了評估后者的重要性，我們將樣本期間劃分為自然時間段。鑒于氣候變化直到最近才成為投資者關注的主要問題，我們探討了碳溢價在近年來的變化。我們比較了2015年《巴黎協定》簽署前后兩年的溢價情況。從這一分析中得到了幾個有趣的結論。首先，當我們把所有國家放在一起時，可以發現在《巴黎協定》之前沒有顯著的碳溢價，但之后碳溢價顯著大于零。這一結果符合《巴黎協定》改變了投資者對氣候變化緊迫性的認識這一判斷。其次，碳溢價的變化主要與低碳轉型的長期風險相關。這表明《巴黎協定》導致投資者改變了認識，他們認為氣候政策長期看將更加嚴格，而短期的技術沖擊或政治環境變化并不影響碳溢價。最后，當我們根據大洲分解《巴黎協定》對碳溢價的影響時，發現亞洲的碳溢價大幅上升，北美和歐洲的碳溢價變化較小。實際上，亞洲的碳溢價上升是《巴黎協定》后全球碳溢價上升的主要原因。

一個難以回答的問題是，低碳轉型風險的變化如何影響資產價格。從均衡的角度看，我們的結論意味著存在一個過渡階段，在這一階段，低排放資產的價格升高，而高排放資產的價格下降，這種變化反映了投資者的認識變化。重新定價的發生階段則很難確定，因為不同資產可能處于不同階段，而且不同資產重新定價的時間和速度也不同。但是我們提供了一些證據，表明重新定價的過程確實存在。例如，更多地使用可再生能源技術與石油巨頭股票價格的下跌相吻合。在更依賴自然資源的國家，也可以觀察到類似的結果。重新定價對經濟有巨大影響，突顯了能源轉型的重要性。

就相關文獻而言，我們顯然不是在可持續金融領域進行跨國分析的第一人。與本文最接近的是戈爾根等人（G?rgen et al.，2020）的研究，該研究利用世界各地“棕色”和“綠色”公司的股票收益差異構建了碳風險因子。他們主要關注轉型風險的定價機制，而不是轉型風險本身。它沒有將股票收益與本文中的任何核心機制聯系起來，比如短期風險與長期風險，技術、社會和政策風險。在研究主題方面，迪克等人（Dyck et al.，2019；Gibson et al.，2019）的研究也與此相關。他們考察了由ESG（環境、社會和公司治理）驅動的投資在世界各地的差異。值得注意的是，這兩項研究都沒有涉及低碳轉型風險的定價，而這正是本文的重點。

另外，從跨國研究看，現在有越來越多國家層面的氣候金融研究，其中大多數集中在美國。在早期的理論貢獻中，亨克爾等人（Heinkel et al.，2001）說明了從高排放公司撤資將如何導致股票收益提高。有研究（Matsumura et al.，2014）發現，企業排放越高，其價值越低。與此相關，查瓦（Chava，2014）發現，企業碳排放越高，其資本成本越高。近期，伊爾汗等人（Ilhan et al.，2021年）發現，碳排放風險反映在看跌期權的價格中。還有人（Hsu et al.，2020）推導并測算了一個模型，表明高污染企業更容易受到環境監管風險的影響，因此需要更高的平均回報。恩格爾等人（Engle et al.，2020）通過對《華爾街日報》和其他媒體的文本分析構建了氣候新聞指數，并說明了如何實施動態投資組合策略，以對沖氣候變化新聞的風險。莫納斯泰羅洛和德安吉利斯（Monasterolo and De Angelis，2020）探討了在第21屆聯合國氣候變化大會（COP21）協議之后，投資者是否對碳密集型資產要求更高的溢價。加維等人（Garvey et al.，2018）研究了直接排放變化對股票收益的影響；我們之前的一項研究（2021a）發現，無論是直接排放還是間接排放，碳排放對美國公司股票收益都有顯著的正向影響。在所有這些研究中，最后一項研究與本文相關度最高，因為它關注的是碳定價，并且使用的數據來源類似。不過，它基本上關注碳定價和投資組合經理對轉型風險的反應。更重要的是，那項研究完全基于美國數據，也未涉及本文重點關注的轉型風險驅動機制。

其他相關研究探討了與氣候事件和全球變暖有關的物理風險對資產定價的影響。班賽爾等人（Bansal et al.，2016）利用均衡分析框架，其中的標準長期風險模型包含了一個內生的氣溫上升過程，研究了氣溫上升對資產定價的影響。還有學者（Hong et al.，2021）提出了一種資產定價模型，用企業橫截面數據，分析了自然災害緩解成本（natural disaster mitigation cost）的定價。他們（2019）還發現，由氣候變化引起的干旱風險上升并沒有有效地反映在股票市場的定價中。

2．概念框架

我們首先提出了一個概念框架，該框架可以解釋未來幾十年全球經濟脫碳過程中投資者面臨的低碳轉型風險。低碳轉型風險這一基本概念刻畫了投資者對企業在碳中和過程中面臨的各種變化的不確定性。零凈排放目標是指，許多國家和企業基于當前的科學共識認為，若想避免全球平均氣溫較工業化前水平提高1.5℃進而對人類生存構成威脅，就需要在2050年之前實現碳的零凈排放。

圖1說明了全球碳排放和氣溫變化之間的關系。IPCC（聯合國政府間氣候變化專門委員會）的圖表提供了不同碳排放變化情景下的氣溫變化情況和預測的氣溫。如前所述，要想將氣溫上升控制在1.5℃之內，全球排放需要從2018年的新增420億噸二氧化碳降至2050年的零新增。最新的IPCC報告警告，到2020年新增的碳排放量累計不應超過300億噸二氧化碳。要實現這一目標，需要將企業完全從棕色能源轉變為綠色能源。這種劇烈轉變將帶來新的風險，本文將此定義為低碳轉型風險。重要的是，無論未來氣候變化造成什么樣的物理損害，這種風險都將存在。

我們應該在非穩態的氣候變化背景下理解這種低碳轉型風險，低碳轉型風險隨著向大氣中排放二氧化碳累計量的變化而變化。由于潛在的經濟和氣候是非穩態的，低碳轉型風險也是一種非穩態的風險。由于經濟是非穩態的，所以即使一家企業的排放量沒有意外的變化，其碳溢價也會隨時間變化。此外，排放的邊際效應也會因與臨界點距離不同而有所不同。越是接近碳預算邊界，邊際排放的影響越大。由于向凈零排放經濟轉型的時間是有限的，因此在相同的排放水平下，越接近目標實現的日期（比如2050年），減排壓力越大，進而企業面臨的風險也越大。即使一家企業的排放水平沒有變化，碳溢價也可能會隨時間上升。當然，這并不一定意味著碳溢價將隨時間穩步上升。一種更合理的情況是棕色資產突然出現向下的重新定價，或綠色資產突然出現向上的重新定價。

從資產定價的角度看，我們可以將低碳轉型風險分成兩個獨立的來源：與現金流相關的風險，以及與貼現率變化相關的風險。與現金流相關的風險涉及減排成本、資產處置和技術沖擊。此外，這些轉型成本和轉型速度受到氣候政策嚴格程度的影響，但嚴格程度本身是不確定的。另一種放大效應通過資本支出發揮作用，這將重塑經濟對可再生能源的使用情況。未來幾十年資本支出增加的速度難以預測。即使人們可以預測某些行業的相對脆弱性，企業現金流和投資者對單個企業的信心也是不確定的。以汽車產業為例，現在所有的汽車制造企業都在爭先恐后地轉向電動汽車。除了特斯拉和進入電動汽車市場的新企業，傳統汽車制造企業的市值都遭受了打擊（換句話說，它們的股票存在碳溢價）。但是，難以確定這些公司中哪家將成功轉型為純電動汽車。

目前還沒有模型能夠評估能源轉型過程中的低碳轉型風險?？聦团僚聊峁爬瓰醯热耍↘ogan and Papanikolaou，2014；Hsu et al.，2020）使用均衡模型對技術風險進行定價，這些研究對低碳轉型風險分析具有參考意義。此外，有學者（Hong et al.，2021）的資產定價模型將自然災害緩解成本與企業資產價格聯系起來，用于測算未來預期的低碳轉型成本對企業估值的影響。其他有用的相關框架包括布魯姆等人（Bloom，2009；Pastor and Veronesi，2013）使用均衡模型分析政策變化的不確定性。這些模型的基本判斷是，風險厭惡型投資者會因為持有存在低碳轉型風險的資產而要求補償。因此，企業面臨的低碳轉型風險越高，其需要提供的預期收益越高。請注意，如果投資者對棕色企業反感，也會得出同樣的預測結果。投資者會因為持有讓人反感的棕色資產而要求補償，因此在均衡狀態下，棕色公司需要提供更高的回報。

碳溢價也會受到貼現率變化和投資者對低碳轉型風險預期的影響。具體來說，需要重點關注社會經濟環境如何影響投資者對氣候變化的態度和看法。在一個重視環境保護和應對氣候變化的社會中，投資者可能會對持有高碳排放資產提出更高的收益要求。在莫頓等人（Merton，1987；Pastor et al.，2021；Pedersen et al.，2020）的均衡模型中，社會偏好與特定的不完全信息的作用機制類似，它限制了投資者的有效投資機會組合，因此存在更高的碳溢價。貼現率的影響與退出“罪惡股”（Hong and Kacperczyk，2009）投資的影響在傳導機制上有所不同。主要區別在于，投資者會對持有低碳轉型風險較高的資產要求更高的補償，而不會直接退出對部分類型資產的投資。當然，在實踐中，貼現率和退出投資兩方面的影響都可能出現。我們發現，所有行業都存在顯著的碳溢價，而不僅僅是在煤炭、石油和天然氣行業，這表明貼現率是一個重要的影響因素，碳溢價并不僅僅是由退出投資引起的。

低碳轉型風險可能是由多種傳導機制產生的。不同機制之間的相對重要性很大程度上是一個實證分析問題。此外，確定碳溢價的大小也是一個重要的實證分析問題。我們的實證分析旨在對每個傳導機制做定量評估。與我們之前的研究（2021a）一樣，本文使用企業層面的碳排放作為企業面臨的低碳轉型風險的代理變量，具體包括碳排放量水平和排放量增長率兩個變量，前者表示企業碳排放與凈零排放目標之間的差距（衡量長期風險），后者表示企業減排的速度（衡量短期風險）。企業的排放量增加意味著其低碳轉型風險增大，因為它們在脫碳方面面臨的未來挑戰將更大。碳排放屬于投資者關心程度日益提高的狀態變量，類似于投資者關心的供應鏈瓶頸、大宗商品價格變化等。在本文的實證檢驗中，我們使用上述兩個衡量指標的橫截面差異，尤其是產業部門內的橫截面差異，刻畫企業面臨的低碳轉型風險的差異。有趣的是，我們發現企業低碳轉型的長期和短期風險相關性不高。這可能是由于不同企業的減排進程不同。

我們的實證分析有一個突出優勢，即覆蓋全球數據?？紤]到不同國家的企業可能采取不同的低碳轉型路徑，理應探討地理位置差異對資產價格的影響。從投資者定價的角度看低碳轉型風險，很重要的一點是不同資產之間以及不同投資者之間風險分擔的能力。在市場完全一體化和全球代表性投資者的假設下，可以預計不同地區低碳轉型風險的定價不會有很大差異。另一方面，在市場局部分割的情況下，我們可能會發現不同地區的低碳轉型風險定價有明顯差異。這種差異可能來自不同的政策體制、不同的技術進步情況以及對氣候變化威脅的不同判斷。因此，我們的實證檢驗在一定程度上也揭示了低碳轉型風險的市場一體化程度。

在本文的其余部分，我們將基于上述概念框架，運用全球各地上市公司的大量橫截面數據，對低碳轉型風險的定價進行實證檢驗。

3．數據和樣本

本研究的數據主要來源于Trucost和FactSet。前者提供了企業每年的碳排放和其他溫室氣體排放的信息，后者匯總了企業的股票收益和資產負債表數據。我們使用國際證券識別編號體系（ISIN）來匹配兩個數據源的數據。在某些情況下，ISIN無法獲得，因此難以實現完美匹配，則基于企業名稱進行數據匹配。當某企業擁有多個子公司時，則通過地址進行匹配。最終，在Trucost的16 222家企業中，有77個國家的14 468家企業完成了數據匹配。在無法匹配的企業中，超過三分之二沒有上市，其余的企業通常規模較小，且在Factset中沒有相應的數據。數據缺失最多的三個國家是中國、日本和美國。本研究樣本涵蓋了超過98%有排放數據的上市公司（按照市值計算），占Factset中所有上市公司市值的80%～85%。由于Trucost對不同行業的企業進行了統一的抽樣處理，本研究樣本可以得到Factset數據庫中按照市值加權的碳排放近似值。本研究補充了大量國家層面的數據，包括由世界銀行和德國觀察（German Watch）提供的全球氣候政策指數和氣候風險指數（CRI），以及摩根士丹利的MSCI全球指數等變量。

3.1　企業碳排放數據

Trucost EDX企業排放數據庫遵循《溫室氣體議定書》中的企業排放測算方法。該議定書制定了企業排放測量標準，并區分了三種不同的排放口徑：排放范圍1，即企業擁有或控制一年以上的機構的直接排放，包括生產環節使用化石能源的所有排放；排放范圍2，即企業外購能源（熱力、蒸汽、電力）的生產過程中的排放；排放范圍3，即由企業經營和產品導致的排放，但排放源是那些不屬于企業所有或控制的資源，包括原材料生產、產品使用、廢棄物處理和外包活動產生的排放?！稖厥覛怏w議定書》就如何界定和計算排放范圍3提供了詳細指導。對于購買的商品和服務，這一過程包括投入品或活動數據的計量、通過排放因子（emission factors）將活動數據轉變為排放數據等。在Trucost數據庫中，范圍3的排放數據由投入產出模型計算得到，其中包含了某個產業對其他各產業的支出比例。該模型還可以擴展到包含產業層面的排放因子，從而可以根據企業從各產業購買投入品的支出得到范圍3的排放量估計值（詳見Trucost，2019）。

Trucost數據庫以噸二氧化碳/年為單位，統計了上述三種排放范圍的碳排放量。首先，我們對Trucost中77個國家的碳排放情況給出了基本的匯總統計。表1給出了樣本企業在國家層面的分布，以及三種排放范圍：范圍1（S1）、范圍2（S2）和范圍3（S3）。我們考慮了包括三種范圍下各國企業的平均年排放量（S1TOT、S2TOT和S3TOT）、年排放量變化率（S1CHG、S2CHG和S3CHG）以及國家的年總排放量（TOTS1、TOTS2和TOTS3）。

觀測值數量最多的國家顯然是美國，約占觀測值總量的19.8%。其次是日本，占觀測值總量的14%。中國位居第三，占觀測值總量的約8.2%。對我們的分析來說，重要的是，表1顯示我們樣本中的大多數上市公司并沒有集中在上述三大經濟體。總的來說，全部樣本在排放范圍1下的排放量合計為118.1億噸/年，在排放范圍2下的排放量合計為16.2億噸/年，在排放范圍3下的排放量合計為79.9億噸/年。從碳排放總量來看，在排放范圍1下，中國每年的碳排放總量為29.1億噸，其次是美國的23.3億噸和日本的9.80億噸。上述三個國家在排放范圍2和排放范圍3下的排放量依然位居前三，但排序不同。在排放范圍3下，美國、日本和中國分別產生21億噸、12.5億噸和8.41億噸碳排放。

由于各國相對規模不同，全球碳排放量并不一定反映每個企業對總排放量的貢獻。事實上，在排放范圍1下，按企業平均碳排放量排序，位居前三的國家是俄羅斯、荷蘭和希臘，它們的碳排放量分別為1 010萬噸/年、560萬噸/年和420萬噸/年。在排放范圍3下，俄羅斯每家企業平均排放610萬噸二氧化碳，位居第一。其后是德國和法國，分別為340萬噸和290萬噸。在比較企業排放強度時，可以得到略有不同的結果。在排放范圍1下，排放強度最高的國家包括愛沙尼亞、摩洛哥和秘魯。在大型經濟體中，俄羅斯、印度和中國的排序相對較高，而法國、日本和英國的排序較低。

另一個有意思的現象是，在樣本期內，大多數國家的碳排放量都在增長。在排放范圍1下，排放量增速最快的國家是毛里求斯，年均增速為45%。保加利亞排名第二，年均增速為35%。冰島、肯尼亞和立陶宛分別為第三至第五位。在樣本期內，這五個國家的GDP也實現了快速增長。在大型經濟體中，排放快速增長的國家有中國（近18%）、俄羅斯（16%）、美國（7.9%）和德國（7.1%）。在排放范圍1下，增速最低的國家包括沙特阿拉伯為-10.5%（可能由于樣本期內許多企業退市，從而降低了每家企業的平均排放量），盧森堡為-33%，約旦為-7.5%。從排放范圍3的排放增長率看，有些國家的排名則發生了逆轉。這主要是因為有些國家對高排放產品的進口依賴度較高。例如，在排放范圍3下，沙特阿拉伯的排放增長率為4.3%。

年平均總排放量最高的國家包括GDP最高的國家、人口最多的國家，以及出口最多的國家。重要的例外是瑞典，它的排放量在發達國家中最低，冰島與捷克共和國也屬例外。對我們的分析來說，重要的是不同國家的總排放量存在顯著差異。由于碳溢價反映了人們對碳排放量的關注，我們可以預計不同國家的碳溢價存在顯著不同。

我們將整個樣本期分為2005—2011年和2012—2018年兩個時間段，進一步分析各國碳排放量是如何變化的。結果表明，拉丁美洲、俄羅斯、土耳其和澳大利亞的總排放量都呈現大幅增長的態勢。

有趣的是，一國的總排放量與企業的平均排放量幾乎無關。全球范圍內，企業平均排放量最高的國家包括美國、沙特阿拉伯、阿根廷、哥倫比亞、中國、俄羅斯、印度、日本和歐盟（不含英國）。

表2A以使用自然對數進行標準化處理的二氧化碳年排放噸數為單位，展示了每家企業的平均碳排放量的匯總統計。在排放范圍1下，企業平均排放量的自然對數值（LOGS1TOT）為10.32，標準差為2.95。在排放范圍3下，企業平均排放量的自然對數值（LOGS3TOT）最大，表明大多數樣本企業有顯著的間接排放。為降低異常值的影響，我們在2.5%的水平上對所有增長和強度指標進行縮尾處理。表2B展示了在三種排放范圍下的總排放量和排放量變化率的相關系數。有趣的是，這兩者的相關系數相當低，表明兩個變量反映了數據中的不同特征。

表2C展示了排放量變化水平和排放量變化率的自相關模式。我們用各個年排放量指標滯后一年的排放量（第1～3列）、年/月固定效應和企業固定效應（第4～6列）估計了這些指標的回歸模型。我們用企業和年對標準差進行雙重聚類?；貧w結果表明，即使在控制了固定效應之后，排放量的影響也長期顯著存在，而排放量變化率幾乎沒有影響。這些結果為我們用排放量測度長期轉型風險，用排放量變化率測度短期轉型風險提供了進一步的實證支持。

最后，表2D展示了股票收益率和我們在后續檢驗中使用的若干控制變量的匯總統計。在我們的橫截面股票收益回歸模型中，因變量RETi，t是股票i在t月的月度收益率，控制變量包括LOGSIZEi，t，即企業規模，由企業i在t年年底市值的自然對給出數；B/Mi，t，即賬面市值比，等于企業i的賬面價值除以其t年年底的市值；LEVERAGEi，t，即杠桿率，等于企業有息負債除以資產的賬面價值；MOMi，t，即動量，等于企業i最近12個月的平均股票收益率；IN-VEST/A，即投資支出，等于企業的資本支出除以資產賬面價值；HHI，即企業的集中度指數，是按照企業不同業務板塊的收入情況計算的赫芬達爾-赫希曼指數；LOGPPE，即房地產、廠房和設備的自然對數；ROEi，t，即凈資產收益率，等于企業i在t年的凈利潤除以凈資產價值；VOLATi，t，即過去12個月企業i收益的標準差；MSCIi，t，如果企業股權在t時間被納入MSCI全球指數則為1，否則為0；SALESGRi，t，即企業收入年增長率；LTGi，t，即分析師對企業i在時間t的長期收益增速的預測值。為降低異常值的影響，本研究在2.5%的水平上對B/M、LEVERAGE、INVEST/A、ROE、MOM和VOLAT進行縮尾處理，在1%的水平上對LTG進行縮尾處理。

表2　統計結果

表2D匯總了我們在橫截面分析中使用的所有變量，包括技術進步、能源強度、社會經濟發展、政策環境和氣候物理風險等。第4節在各變量的檢驗中給出了各自的明確定義。企業的平均月度股票收益率為1.08%，標準差為10.23%。企業的平均市值為660億美元，顯著大于樣本企業150億美元的市值中位數。B/Mi，t的平均值為0.57，杠桿率平均為23%。ROEi，t的平均值為11.1%，略大于中位數10.87%。

表3按年展示了任一給定年份的樣本企業總數，以及三種排放范圍下的排放量和排放量變化率的匯總統計。需要特別指出的是，企業數量由2015年的5 427家增至2016年的11 961家。這是因為Trucost從2016年起擴充了可收集到碳排放數據的企業數據庫。我們的大部分實證檢驗主要依賴于數據中的橫截面差異，因此受2016年數據結構變化的影響較小。此外，即使將樣本限制在2016年之前存在于樣本中的企業，我們的許多結論仍然成立。

附表A1根據全球行業6位數分類標準（以下簡稱“GIC6”），展示行業的企業分布。我們的全球數據庫反映了比發達經濟體更高比例的制造業和農業企業。這實際上也是表4所反映的，其中有580家機械制造企業、530家化學制品企業、520家電子設備儀器及元器件企業、506家金屬與采礦企業、440家食品企業、679家商業銀行企業、619家房地產開發企業。

最后，我們在表4中展示了碳排放決定因素的匯總統計。我們根據企業層面的以下特征，即LOGSIZE、B/M、LEVERAGE、INVEST/A、ROE、HHI、LOGPPE和MSCI，分別對企業排放量和企業排放量變化率的對數進行回歸?？紤]到不同國家和不同時間段的差異，模型增加了年/月固定效應和國家固定效應，因此我們的識別結果來自企業之間的國內差異。表4的第4～6列進一步增加了行業固定效應（按照Trucost行業分類），以考慮可能的行業差異。使用GIC 6編碼對行業進行分類，會使結果不那么理想，但仍然穩健，因為它們考慮了不同排放情況的企業。

從表4A中可以看出，這些變量對排放的影響存在相當大的行業差異（例如，當我們加入行業固定效應，對LOGS1TOT進行回歸時，R2從0.696增加至0.779）。因此，我們關注考慮了行業固定效應的回歸，并發現企業排放量隨著企業市值（特別是如果企業被納入MSCI全球指數）、賬面市值比、杠桿率、固定資產的增大而增加。這并不令人意外，因為企業經濟活動帶來的碳排放與企業規模呈正比。有些令人意外的是，杠桿率的影響顯著。一個可能的解釋是有更高排放的企業會面臨更大的低碳轉型風險，所以企業的預期盈利能力下降，最終導致企業的杠桿率提高。有意思的是，投資支出對碳排放有強烈的負向影響，這表明新的資本投資往往更加低碳。產業專業化程度（HHI高）也對碳排放有負向影響，這可能是因為非專業化的企業集團往往規模更大。換言之，特定行業高排放的潛在成本將促使企業走上集團化的發展道路。

表4　碳排放量的預測指標

4．模型結果

本節將分成三個小節。第4.1節分析全球范圍內低碳轉型風險的定價，第4.2節分析低碳轉型風險的特定驅動因素，第4.3節討論在經濟體擺脫化石能源的轉型過程中低碳轉型風險的定價機制。

4.1　全球低碳轉型風險的定價分析

本小節將介紹本文在低碳轉型風險定價方面的主要發現。首先，我們將介紹全部樣本的分析結果；然后，介紹碳溢價的地區差異。

4.1.1　基準研究模型

我們對低碳轉型風險的分析主要利用兩個橫截面回歸模型，這兩個模型都將各個企業的股票收益率與碳排放相聯系。我們的建模方法參考了丹尼爾和蒂特曼（Daniel and Titman，1997）的企業特征分析法。由于我們樣本企業中的企業特征有較大的橫截面差異，因此這一方法特別適合。我們之前的研究（2021a）表明，當碳排放是排序變量時，與企業特征有顯著的相關關系，具體企業特征變量包括：LOGSIZE、B/M、LEVERAGE、INVEST/A、PPE、ROE、收入增速、產業多樣化、股價走勢指標和股價波動性指標。該方法可以充分考慮時間、國家以及行業的固定效應。此外，聚類分析法可以更好地解釋殘差的潛在相關性。最后，采用特征分析法的好處是不需要事先設定基本的資產定價模型。由于氣候變化等問題的復雜性，很難事先確定資產定價模型的結構。然而，由于沒有使用風險因子模型，本研究無法分析“碳阿爾法”（carbon al-pha）是否存在或低碳轉型風險定價是否有誤。本研究聚焦于全面描述各國企業的股票收益率的橫截面差異。換句話說，本研究重點關注企業的“碳貝塔”（carbon beta）。

首先，我們將企業月度股票收益率作為因變量，將滯后一個月的企業排放量和其他特征變量作為自變量構建回歸模型。這一回歸模型反映了長期變化趨勢、結構變化、企業排放等因素對企業股票收益的影響。如果以絕對碳中和作為基準，則碳排放量可以粗略地作為企業面臨低碳轉型風險的代理變量。具體地，我們可以估計如下模型：

其中，RETi，t代表企業i在t月的股票收益率，TOT Emissions代表三種范圍下企業年排放量的自然對數（LOGS1 TOT、LOGS2 TOT和LOGS3 TOT）。Controlsi，t-1表示企業的控制變量，包括LOGSIZE、B/M、LEVERAGE、MOM、INVEST/A、HII、LOGPPE、ROE和VOLAT。

第二步，我們以企業月度股票收益率為因變量，以滯后一個月的企業排放量變化率和其他特征變量作為自變量構建如下橫截面回歸模型：

企業碳排放量變化率（S1CHG、S2CHG和S3CHG）用于表征碳排放對股票收益率的短期影響。尤其是，碳排放量變化率反映了企業面臨的低碳轉型風險增加或減少的程度。從低碳轉型角度看，它度量了企業在向碳中和轉型的長期過程中所處的位置。就此而言，它是對企業碳排放量表征的長期目標的重要補充。

我們用混合普通最小二乘估計法（pooled OLS）對上述兩個橫截面回歸模型進行估計。這兩個模型都包含了國家固定效應和年/月固定效應。因此，我們的識別本質上是截面的。在某些檢驗中，我們還納入了與表4相同的行業固定效應，以反映行業內企業之間的差異。在所有的模型設定中，我們在企業和年份層面上對標準差進行聚類，這使我們可以解釋殘差中的跨企業相關性，并表明某些控制變量，包括排放量是以年度頻率衡量的。我們重點關注的參數是α1。

4.1.2　來自中美兩國的證據比較

我們為中美兩個排放量最大的經濟體構建了回歸模型，并比較了從這兩個模型中得到的結果，如表5所示。這兩個國家截然不同，可以預期的是碳溢價將反映兩國在經濟和金融發展，以及法律和政治制度方面的差異。但我們發現，就排放范圍1下的回歸結果而言，中美兩國驚人地相似。這說明，企業層面的排放量差異較之國家層面的排放量差異更能體現低碳轉型風險。具體來說，一旦控制住產業、時間以及一系列企業特征，中美企業在排放范圍1下的排放量差異導致了中美兩國有著大體相似且非常高的碳溢價，中國為0.069，美國為0.071，這相當于兩國各自的總排放量每變化1個標準差，會分別產生1.18%和0.95%的年化碳溢價。我們之前（2021a）使用2005—2017年的數據分析美國企業，其結果略低于本研究結果，為0.060。本研究采取2005—2018年的數據，與之前（2021a）的研究結果相比，碳溢價隨時間提高，這說明在2015年《巴黎協定》之后碳溢價有所升高。

表5　碳排放與股票收益：中國和美國

有關中國上市公司碳溢價的研究結果令人耳目一新且出乎意料。雖然中國是推動新能源的開路先鋒，但是并沒有得到ESG投資者和關注碳排放的機構投資者的充分認可。中國的金融市場確實對企業直接排放和間接排放的碳溢價進行了定價。中國的碳溢價略低于美國。表5B表明，兩國以排放量變化率度量的碳溢價略有差異，兩國的碳溢價在統計上都非常顯著，且中國的碳溢價較美國高10%～20%。這可能是因為中國只有小部分企業披露了碳排放量，而且中國企業的排放量增長率普遍較高。

4.1.3　基準計算結果

接下來，本研究對77個國家全部樣本模型進行了估計。相對于我們以前的設定，我們還納入了國家固定效應以考慮數據中的國別差異。表6展示了估計結果，第1～3列是未經行業調整的回歸估計結果，第4～6列考慮了行業固定效應。在表6A中，我們給出了碳排放量的結果。在所有模型設定中，碳排放量對個股的收益率都具有顯著的正向影響，這與高排放企業低碳轉型風險更高的假設相一致。有趣的是，如果不考慮行業固定效應，在排放范圍1下，企業層面的碳溢價的經濟顯著性就會小得多。一個可能的原因是部分高排放企業（或行業）經歷了意外的收益下降。例如，隨著近期大宗商品價格下降，能源行業的資產價值在下降。因此，關注碳排放的行業內差異是合情合理的。事實上，當我們加入行業固定效應后，碳溢價很大且非常顯著。企業的LOGS1TOT每增加1個標準差，即1.4，其股票的年化收益溢價為1.06%。這些結果表明，不同行業的股票收益率差異掩蓋了特定行業內企業排放的差異。在那些表6未展示的估計結果中，我們納入了年/月固定效應與國家固定效應的交互項，以及年/月固定效應與行業固定效應的交互項，以考慮需求沖擊對不同國家和行業的影響。這些模型估計的碳溢價僅比前述估計結果略小。這表明本研究的結果不受短期經濟周期沖擊的影響，而是更多地反映了長期沖擊，例如低碳轉型風險。

表6　碳排放與股權收益：全樣本

需要注意的是，無論是否考慮行業固定效應，LOGS3TOT的系數都非常顯著。在不考慮行業固定效應，LOGS3TOT每增加1個標準差，企業的股票收益溢價為1.81%；考慮行業固定效應時，則為1.97%。

與碳排放量變化率相關的這些估計結果都是非常顯著的，即使考慮行業固定效應，也完全不受影響，如表6B所示。當考慮行業固定效應時，在排放范圍1和排放范圍3下的總排放量發生1個標準差的變化，對應的收益溢價分別為2.17%和3.38%。當然，從統計上講，考慮排放差異相當于在包含總排放量的回歸模型中納入企業固定效應。

我們的概念框架假設用兩個不同的排放指標作為兩種轉型風險的代理變量，即短期風險和長期風險。一個自然而然的問題是這兩個指標能夠在多大程度上反映股票收益的獨立變化。表2中的估計結果表明，考慮到相對小的相關性，這兩個指標基本上是相互獨立的。我們使用了同時包含這兩個指標的收益回歸模型來檢驗其相對獨立性，結果見表6C。第1～3列展示的結果考慮了國家和時間固定效應，第4～6列的結果則考慮了行業固定效應。我們發現，在這個模型中，兩個排放指標的系數均大于零，并且經濟上顯著。這進一步證實了可以用這兩個指標反映不同經濟來源的風險。

在另一個檢驗中，我們用碳排放強度，即企業總排放量除以總收入，評估我們的實證模型的預測。該方法在部分研究人員中頗為流行，但我們認為它在經濟上與轉向零凈排放隱含的風險不同。在低碳轉型框架中，雖然降低碳排放水平也能實現更低的碳排放強度，但重要的是降低碳排放量而非降低碳排放強度。事實上，實踐者認識到碳排放強度并不能充分反映低碳轉型風險，因此他們不再僅僅關注按比例排放（scaled emission）。對低碳轉型風險來說，排放強度日益被視為一個錯誤設定的噪聲代理變量（noisy proxy）。排放強度的下降并不一定對應于總排放量的減少。例如，假設收入增速快于排放量增速，雖然碳排放強度下降，但總排放量增加。我們的實證模型使用碳排放強度作為低碳轉型風險的代理變量，我們發現它與股票收益之間沒有統計上的顯著相關性（這些結果見在線附表A3）。

本小節分析得出的主要結論是，各國企業的股票收益反映了企業碳排放量和排放量變化率的差異，這表明投資者分別從長期和短期的角度對低碳轉型風險進行定價。

4.1.4　賬面市值比

眾所周知，股票收益是股票預期收益的噪聲代理變量?；诜治鰩煹念A測，有時我們能夠得到更精確的預期收益指標。然而，這種方法的主要挑戰是：（1）分析師只預測全球股票中的少部分股票；（2）由于行業激勵結構，分析師的預測可能是有偏差的；（3）隱含股權成本（implied cost of equity）的指標主要取決于假設的估值模型。

另一個方法是，我們從一個不同的角度來考察碳排放定價問題，并在企業排放量和企業賬面市值比之間建立聯系，因為賬面市值比通常更穩定，而且在大多數企業中都是可得的。考察賬面市值比有助于我們在解釋結果時區分基于必要預期收益（required expected return）的解釋和歸因于運氣的解釋。于是，我們對如下模型進行估計：

我們的因變量是企業賬面市值比，即LNBM的自然對數。我們的控制變量包括MSCI、MOM、VOLAT、SALESGR。此外，我們用提前1～2年的SALESGR作為未來現金流增長的代理變量，用LTG作為長期收入預測的代理變量。所有設定都考慮了國家固定效應和年/月固定效應（計算結果如表7所示）。

表7　碳排放與股票賬面市值比：全樣本

在表7A中，主要的自變量是LOGS1TOT、LOGS2TOT和LOGS3TOT。我們假設存在低碳轉型風險，與這一假設一致，我們發現，高排放企業有更高的賬面市值比。在不考慮行業固定效應的模型（1～3列）中，碳排放的系數具有統計顯著性。在不考慮行業固定效應的模型中，這一影響在統計上是顯著的，見第1～3列。和前文一樣，當我們加入行業固定效應時，這一影響的程度變得更大。從經濟顯著性來看，排放范圍1下的排放量每增加1個標準差，賬面市值比上升13.2%。排放范圍2和排放范圍3的結果與排放范圍1相近。

一個自然的問題是從不同回歸中得出的這些影響程度是否可比。為了回答這個問題，我們使用簡單的戈登增長模型，其中預期增長率為4%，預期收益率為12%（這些數字大致與平均水平接近），并提出了如下問題：高排放企業的股票預期收益率提高多少才能使其估值下降13%？在上述參數設定下，答案是略低于1.4%。該結果略高于本研究的計算結果，但是在收益系數的1個標準差范圍內。因此，兩個結果并不存在統計上的顯著差異。

在表7B中，我們考慮了將排放量變化率作為主要自變量的模型設定。我們估計的實證模型和前文的一樣。我們發現，排放量變化率對賬面市值比有很強的正向影響。無論是否考慮行業固定效應，該結果在統計上和經濟上都非常顯著。

我們注意到，在上述檢驗中，計算LTG帶來的數據局限限制了樣本規模。為了確保計算結果不是由小樣本驅動的，我們使用沒有LTG變量的模型重復上述分析（結果如附表A4所示）。在大樣本數據中，我們發現，這些結果在統計上更顯著，其大小與我們的基本結論大體上一致。

總之，我們認為，我們關于股票收益的基本結論不可能用預期收益（或噪聲）來解釋。它們與考慮不同排放量及排放量變化率的資產重新定價更吻合。因此，本文的其余部分將繼續使用以股票收益作為主要因變量的模型設定。

4.1.5　信息可觀測性與碳溢價

碳溢價分析的一個重要方面是考慮投資者在進行投資決策時所需信息的可度量性。在我們的分析中，雖然某些元素是文獻標準方法中常見的，但其他元素是低碳轉型風險中特有的。正如我們指出的，碳排放量變化率反映了低碳轉型的進程，因此我們應該預計到，先驗的低碳轉型風險與排放量和排放量變化率相關。即使在短期，這樣的橫向效應也會出現。因此，我們應該想到，碳溢價與我們在什么時間觀察相對于股價的碳排放并非沒有關系。相較于穩態世界的假設和隨機一般均衡的傳統資產定價模型，這是一個重要的差別。

為了確保收益實現時，投資決策依賴的信息都在投資者的信息集合中，我們使用排放信息的不同時滯進行了若干穩健性檢驗，因為投資者的信息集合并不是完全可觀察的。我們分別考慮了從報告排放量那年的年底到收益實現的那個月之間的3個月、6個月和12個月作為時滯。運用這些不同的時滯，我們估計了以（1）式和（2）式表示的模型，表6D和表6E分別展示了排放量和排放量變化率的估計結果。在大多數模型設定中，排放量的碳溢價都是大而顯著的。相反，基于排放量變化率的碳溢價在時滯為6個月時顯著大于零，但時滯超過12個月則不再顯著。

這些結果延伸出兩個問題。首先，碳溢價為什么持續這么長時間？其次，為什么12個月后碳溢價消失了？我們對第一個問題的回答是，投資者的注意力有限，無法立即消化企業的所有碳排放信息（Kacperczyk et al.，2016）。企業第t年的碳排放信息會逐漸反映在這一年的股票收益中。為這種摩擦建立微觀基礎的一個相關方法是構建一個包含資本緩慢變化的模型（Duffie，2010）。我們對第二個問題的回答是，各種碳排放數字在一段時間后不再新鮮，一年之后這些數字中的信息會被更新的數字消解。有趣的是，當我們比較排放量和排放量變化率這兩個滯后的排放變量對股票收益的影響時，我們發現前者保留信息的時間比后者更長。排放量變化率持續的時間更短，傳遞的是短期信息。換言之，各種排放量變化率數字的新聞含量要大于排放量數字的新聞含量。

我們的基準模型測算了股票收益實現前1個月的碳排放。這一選擇的主要原因是前述橫向影響和信息消散（information staleness）。我們也提到，投資者可以從行業和企業特征中獲得與碳排放相關的更準確的未來現金流風險預測值。有關企業特征的信息更新越快，投資者對排放和收益的預測就越準確，這也是為什么基于長期滯后的企業特征預測股票收益會低估真實的收益溢價。舉例來說，如果排放量滯后12個月，就意味著投資者不會根據企業特征的更新做出全年的預測。因此，本研究認為時滯為1個月或3個月比時滯為12個月更符合實際。

另一個重要問題是，Trucost數據庫中的排放數據是有延遲的。首先，我們的分析基于Trucost的排放數據，但這并不意味著Trucost是投資者獲取碳排放信息的唯一來源。投資者可以從其他渠道獲得企業碳排放的信息。事實上，貝萊德（BlackRock）或Amundi等大型資產管理公司依賴多個碳排放數據來源，雖然這些數據源并不能同時獲得。例如，許多企業首先向碳披露項目（Carbon Disclosure Project，CDP）披露它們的排放數據，然后Trucost將這些數據與其他數據來源進行整合。與Trucost提供的信息可能高度相關（給定所有提供商使用相同的數據收集協議）的不同信息可在不同的時間獲得。此外，投資者可能用不同的方法獲取碳排放信息。因此，投資者的信息更新可能早于計量經濟學家的信息更新。實際上，在另一個檢驗中（未在表中展示），我們考察了Trucost將排放數據納入其數據庫的日期前后是否有公告收益（an-nouncement return），我們并未發現公告收益。換言之，我們的分析并不打算識別基于Trucost數據的交易策略，而只是將這一數據作為低碳轉型風險的代理變量。

一個相關的問題是，Trucost如何收集和匯總企業的碳排放數據：Trucost使用的方法會直接影響碳溢價嗎？Trucost報告了兩類數據：一類是直接從公司報告中獲取的，另一類是利用它自己的預測模型估算得到的。Trucost使用的方法是否會使估計的排放量產生偏差或出現噪聲？我們認為，出現與未來股票收益相關的系統性偏差的可能性不大，因為實證研究中常見的股票收益自相關的證據不足。由于低碳轉型風險的差異與碳排放數據是源于企業披露還是估算有關，所以為了評估低碳轉型風險的差異，我們利用了Trucost提供的有關具體排放數據來源的信息。我們定義了指標變量披露（Disclosure），如果企業i在t時刻的排放數據是直接披露的信息則為1，如果是基于模型方法估計的則為0。通過加入這個變量以及它與碳排放測算的交互項來修正股票收益的回歸模型，結果如附表A5所示。這些結果反映了兩種影響。首先，直接披露的排放量的碳溢價較低，這與不確定性減少的假設不一致；其次，這兩類數據的碳溢價都顯著大于零，尤其是在考慮行業固定效應的模型中。因此，我們認為，排放數據的來源差異不會改變我們的定性結論。

雖然我們的分析考慮了基于月度頻率的不同信息集，但需要注意的是，Trucost的企業排放數據是以年為頻率提供的。然而，以年為頻率測度的企業排放數據并不意味著我們的實證檢驗應當使用以年為頻率的股票收益。即使企業以年為頻率發布碳排放數據，投資者也會以高于年的頻率更新其信息集。更合理的情形是，投資者獲取信息的過程是連續的，隨著時間的推移，他們處理的信息會更多。這也能進一步說明，獲得排放信息和股票收益測算之間的時滯越長，排放數據的影響就越小。

最后，一個普遍關注的問題是，企業排放和股票收益通過企業的生產渠道內生地相關。例如，更高的收入可能帶來更好的商業機會，但這也可能導致更高的排放和更高的已實現收益率。我們注意到，我們的數據無法證實這一預測。企業市場價值不會隨排放量的增加（與商業機會變得更好一致）而提高。我們發現了剛好相反的結果，即賬面市值比與碳排放正相關。企業排放量越高、排放量增長越快，其股價往往越低。因此，盡管生產的內生性是一個問題，但我們提供的估計結果構成了碳排放對碳溢價的實際影響的下限。

4.1.6　地理分布

接下來，我們轉而分析碳溢價在不同地區的分布。通過分析碳溢價的地理分布，我們可以評估我們的無條件結果是否受到特定區域的影響，或者是否在全球各地趨于一致。關于氣候變化的經濟學文獻強調氣候政策空間分布的重要性（Nordhaus and Yang，1996）以及物理影響（Cruz and Rossi-Hansberg，2020）。不同地區對氣候變化的風險暴露程度不同，適應能力也不同。對低碳轉型風險來說，我們可以想到，國家的經濟發展水平、社會規范或總體風險（headline risk）同樣重要。與此同時，金融市場一體化可以抵消一部分國家層面的異質性。

我們通過比較北美、歐洲、亞洲和南半球國家（定義為“其他”）四個區域，評估低碳轉型風險定價的地理分布。我們為坐落在北美地區的企業定義了指標變量Namerica，為坐落在歐洲的企業定義了指標變量Europe，為坐落在亞洲的企業定義了指標變量Asia。我們通過在（1）式和（2）式中分別增加這些指標變量與排放量變化率的交互項，改進了這兩個回歸模型。位于南半球的企業則作為缺失項。該模型可以同時檢驗兩個假設：碳溢價是否為正且統計上顯著，以及在不同地區之間是否存在差異。

估計結果如表8所示，表8A針對碳排放量，表8B針對碳排放量變化率。為簡單起見，我們關注了范圍1和范圍3的排放。我們發現，北美、歐洲、亞洲三個地區明顯比其他地區的碳溢價高。在10%置信水平上具有統計顯著性的那些結果僅適用于北美地區的企業。重要的是，所有的碳溢價都大于零且統計上顯著，特別是在考慮行業固定效應時。就排放量變化率而言，它對歐洲地區碳溢價的影響顯著低于對北美和亞洲地區碳溢價的影響，但對三地碳溢價的影響均大于零且統計上顯著。非洲、澳大利亞和南美洲是令人矚目的地區，那里的S1CHG系數在基準模型中具有邊界顯著性（borderline significant），而考慮行業固定效應時，則不顯著。這一結果相當有趣，因為這些地區的國家最不符合碳中和原則。

表8　碳排放量與股票收益率：地區

結果穩健性的另一個重要問題是，企業總部的位置和實際排放的位置哪個更重要。對跨國企業來說，做這樣的區分也許非常重要，因為跨國企業受到不同社會壓力、政策或總體風險的影響。雖然我們的數據沒有細到足以將企業排放總量分解到各個工廠，但是我們可以評估企業排放的影響在跨國企業和那些在單個國家經營的企業之間的差異。在實證分析中，我們定義了一個指標變量FORDUM，對于至少有一部分銷售在國外的企業，FORDUM為1；對于其銷售完全在一國之內的企業，則FORDUM為0。隨后，我們估計了包含排放量指標和FORDUM的交互項的（1）式和（2）式中的模型（估計結果如附表A6所示）。

在所有這些實證模型設定中，我們發現，只有微弱的證據表明，跨國經營的企業展示出了股票收益對企業排放總量的不同敏感度。在包含排放量的模型設定中，FORDUM與排放量的交互項的系數小且統計上不顯著；在包含排放量變化率的模型設定中，對排放范圍3下的排放，這一交互項在10%的水平上顯著?？傊?，企業排放的地理來源似乎并不是我們數據中碳溢價的主因。

綜上所述，洲層面的結果顯示，低碳轉型風險在大多數地理區域具有經濟上的顯著性，而且全球的碳溢價存在一定程度上的地理差異，即使這基本上與低碳轉型風險的短期測度相關。在本節的最后部分，我們將探討低碳轉型風險是否與一國的經濟發展相關，在減緩氣候變化國際協議的討論框架中，這是一個主要議題。

4.1.7　經濟發展

一國的經濟發展水平是影響氣候變化政策的重要因素。發達國家通常會在應對氣候變化方面做出更嚴格的承諾。由于發達國家是過去兩個世紀累計排放最多的國家，所以在應對氣候變化方面應該承擔更多的責任。預計發展中國家碳溢價較低的另一個原因是目前這些國家的碳排量較低。此外，這些國家的經濟并不是根深蒂固地建立在化石能源消費之上，因此可能更容易向可再生能源轉型。相反，嚴重依賴化石能源的國家，短期內轉型的意愿可能較低。

本節將探尋這些論點的實證意義。一個引人注目的一般性發現是，碳溢價似乎與各國的總體發展水平不相關，如表7A所示。我們首先將G20國家歸類為發達國家，其余國家歸類為發展中國家。當我們加入行業固定效應時，我們從附表A7觀察到，G20國家的碳溢價與三種排放范圍下的排放都顯著相關，對多數發展中國家而言，情況也是如此（對于這些國家，排放范圍2只在10%水平上顯著）。而且，系數的大小相似。從碳排放對股票收益的短期影響看，無論是G20國家還是發展中國家，這些影響都是非常顯著的。同樣，系數的大小也大體相似。

誠然，上述國家分類，即劃分為發展中國家和發達國家，是相當粗糙的，而且兩個類別內不同國家之間的特征存在很大差異。因此，我們還研究了人均GDP和制造業占GDP比重、人均衛生支出這兩個其他發展變量與排放量和排放量變化率的交互項產生的影響。如表9A所示，人均GDP與排放量的交互項并沒有產生顯著影響。這對制造業占比和排放量的交互項、人均衛生支出和排放量的交互項也都成立?？偟膩砜?，這些結果表明，發展水平的差異并不能解釋各國之間長期的碳溢價差異。但是，如果我們考慮這些變量與衡量短期風險的排放量變化率的交互項，結論則會略有不同?，F在，在人均GDP較高、衛生體系較健全的國家，從統計上看企業的股票收益較低；而在產出對制造業依賴程度較高的國家，企業的股票收益較高。這些結果符合如下判斷，即發達國家的企業在遵守其國家的碳中和目標方面挑戰較小。排放量增長這個變量告訴我們一國發展道路的可持續性。例如，如果一個發展中國家由于高度依賴煤炭而導致排放量快速增長，那么當逐步淘汰煤炭的壓力增大時，該國的企業將面臨更大的轉型風險。

總之，低碳轉型風險的地區和經濟差異可能包含了一些特定的因素，這些因素導致了我們觀察的結果。研究這些因素的起源是下一節的主題。

4.2　低碳轉型風險的驅動因素

盡管低碳轉型風險的概念在政策討論中經常被提及，但令人驚訝的是，人們對這種風險來源知之甚少。部分原因是，大多數關于低碳轉型風險的研究聚焦于單個國家或單個行業（例如，Bolton and Kacperczyk，2021a；Hsu et al.，2020）。此外，許多評論人士常常將低碳轉型風險單純歸因于政策的不確定性，而實際上其他方面（例如技術創新或價值體系）顯然也是重要的。

本節探尋低碳轉型風險顯現的幾個途徑，包括技術、經濟社會、監管政策和聲譽風險，這四個途徑影響未來的現金流，改變投資者對氣候變化的關注度，而這種關注度是貼現率差異的一個根源。從實證角度識別這些途徑的主要挑戰是，我們基本上只能衡量國家層面的低碳轉型風險的驅動因素。眾所周知，由于國家層面的變量缺失，將股票收益與國家特征聯系起來的回歸模型可能得出有偏的估計。為了減輕這個問題，我們利用企業層面的碳排放數據，通過引入企業排放量與國家特征變量的交互項，來估計不同途徑的作用。這一方法嚴格遵循拉詹和津加萊斯（1998）的識別策略，它引入了國家金融發展變量與行業融資約束變量的交互項。在我們的檢驗中，借助可觀察的特征組合和固定效應，我們引入了企業、行業和國家層面的差異，從而改進識別的效果。

4.2.1　技術結構

能源生產和碳捕捉技術的變革是低碳轉型風險的重要來源之一。在向碳中和轉型的過程中，企業的能源結構、碳排放強度、外部能源需求等均不相同。企業與新的綠色均衡下的目標技術狀況差距越大，遭遇的潛在技術沖擊也將越大。與之相關的風險可能來自綠色能源生產的超高成本和此類成本的不確定性。

本節將探討這些因素對低碳轉型風險的重要性。我們將技術因素分為兩類：第一類與碳排放的生產側相關，第二類與消費側相關。首先，我們研究在可再生能源占比較高的國家，企業的碳溢價是否較低。其次，我們探討化石能源生產部門的規模是否會影響碳溢價。我們的假說是，在能源行業占比越高的國家，企業碳溢價越高。再次，人均能源消耗也許能說明向低碳轉型已經取得了多大的進展，它還可以說明對化石能源的未來預期需求。我們認為，高能耗國家的企業面臨更高的轉型風險。

這一分析的結果如表10所示。我們從中發現了一些有趣的模式。首先，我們發現，綠色能源和棕色能源的相關變量與碳排放量對股票收益的影響不太相關。在所有模型中，該交互項的系數都較小且統計上不顯著。排放范圍3和新能源依賴度的交互項是一個例外，但這一影響也僅僅在邊際上顯著（mar-ginally significant）。其次，對于企業的碳排放增長，我們的數據證實了如下假說：更多基于可再生能源的經濟會有更低的碳溢價。在可再生能源生產占比更高的國家，與年度碳排放增長相關的企業碳溢價更低，顯著為負的交互項系數說明了這一點。同樣，我們發現，能源行業占比與排放量變化率的交互項系數為正且非常顯著，表明投資者認為，在化石能源行業規模較大的國家，與碳排放量相關的風險更大。有趣的是，發達國家通常更多地依賴可再生能源而非化石能源，這可以部分解釋為什么發展中國家的短期轉型碳溢價更高。與此同時，我們發現，無論我們關注的風險指標為何，能源消費與股票收益均不存在顯著的相關性。其中的一個原因可能在于被消費的是綠色能源。此外，能源消費與能源生產可能并不在同一個國家。總之，技術結構短期和長期影響之間的這種差異表明，至少從資本市場的角度看，這個變量的影響本質上是短暫的。能源結構不能反映長期轉型成本，因為在這個市場上，任何潛在的產品或工藝創新都有可能改變未來的預期。

總的來看，強有力的證據表明，一國的能源生產結構是投資者對碳排放短期變化而非排放量帶來的風險如何定價的一個重要預測指標。這些結論的要點基本符合我們的假說，即技術變革的不確定性會增加低碳轉型的風險。我們的分解分析進一步顯示，投資者更關注能源生產側而非能源消費側的影響。

4.2.2　社會政治環境

影響政府行動的制度和社會政治環境決定了未來碳排放政策的不確定性。我們可以想到，在政治穩定、社會和諧的社會中，政策的不確定性更低，在制度更民主的國家，政策隨意搖擺的風險往往較低。相反，不太平等的社會更有可能違背其政策承諾，邁向碳中和的進程也更不可預測。氣候政策的這種更大的不確定性反過來有可能反映在更高的碳溢價中。我們將探察這一途徑，為此我們將考慮一國的法治和話語權是否影響企業的碳溢價。法治表示行為人對社會規則的信任和遵守程度，尤其是合同執行質量、產權、警察和法院以及犯罪和暴力發生的可能性。法治指標，即RULELAW標準化為-2.5～2.5。話語權反映一國公民參與政府選舉的程度，以及言論自由、結社自由和媒體自由的程度。話語權VOICE的標準化值為-2.5～2.5?！?.5”表示發表言論沒有障礙，“-2.5”表示完全無法發聲。我們分析的另一個社會和政治穩定的間接指標是以基尼系數衡量的一國收入不平等。世界銀行每年都會發布國家層面的這三個指標。和前文一樣，我們將納入這些變量與排放量和排放量變化率的交互項，以區分長期和短期影響（結果詳見表11）。

我們發現，這些變量對排放量導致的碳溢價沒有顯著影響，從這些結果中得出的結論是，社會因素看起來并不影響由碳排放量導致的長期風險。在表11A中，所有交互項的系數都很小且統計上不顯著。相反，我們發現，社會政治因素的確在短期內影響投資者對低碳轉型風險的感知。如表11B所示，法治以及話語權與排放量變化率的交互項系數都顯著為負。這表明，在法治程度更高、政治制度更民主的國家，碳溢價更低?；嵯禂蹬c排放量變化率的交互項系數顯著為正，這意味著不平等程度越高的國家，碳溢價越大。總體而言，關于社會政治因素對碳溢價影響的這些結果與社會和諧程度越高則氣候政策不確定性越小的觀點一致。但是這些影響主要是短期的，這大概是因為社會經濟環境處在不斷變化的過程中，投資者認為當前的經濟社會狀況對氣候政策的不確定性會產生短期影響。例如，政治環境和社會規范在中期和長期會發生變化；因此，短期內施加的任何約束在長期可能都不再有約束力。從另一個角度看，前文關于發達國家和發展中國家的短期碳溢價存在差異的發現也與各國之間不同的社會經濟資本狀況相關。

4.2.3　氣候政策的嚴格度

低碳轉型風險通常與預期的監管變化相關，這些監管變化決定了向綠色經濟的調整。投資者對未來氣候政策的預期是風險的重要組成部分。在承諾減排更嚴格的國家，企業的碳溢價更高，尤其是在本地監管因聯合國氣候變化大會的行動倡議等泛政府（pan-government）政策而加強時，更是如此。

緩解氣候變化的政策主要有兩個來源：國內監管機構和國際泛政府協定。本節將使用監管嚴格程度的國別數據，分別評估這兩個政策來源的重要性。我們的政策數據來自德國觀察。就我們所知，我們的研究是第一個大樣本研究，評估了兩類政策對全球股票收益的直接影響。德國觀察每年都會收集氣候變化政策的信息，并將這些信息轉化成一套數字化評分，其中得分越高意味著監管制度越嚴格。我們定義了兩個變量INTPOLICY和DOMPOLICY，前者是國際氣候變化政策嚴格程度的標準化指標；后者是國內氣候變化政策嚴格程度的標準化指標。我們還分別構建了這兩個變量與企業排放量和排放量變化率的交互項（評估結果詳見表12）。

我們可以得到兩個有趣的發現。第一，表12A給出了氣候變化政策對碳排放量導致的碳溢價的影響。對于排放范圍1和排放范圍3，這一影響為正且經濟上顯著，而對于排放范圍3，這一影響統計上也顯著。另一方面，如表11B所示，兩類氣候政策的嚴格程度都不影響排放量年度增長導致的碳溢價。這些結果表明，投資者通常會將氣候政策視為對低碳轉型風險的永久性沖擊。也就是說，投資者認為，已經實施的氣候變化政策基本上是不可逆的。第二，也許更令人意外的是，我們發現，在兩類氣候政策中，國內政策對碳溢價的影響更大。該結論解釋了許多分析人士的擔心，即各國在《巴黎協定》或《格拉斯哥氣候公約》中做出的承諾可能無法落實；這些國際承諾只有轉變為國內政策，才是可靠的。只有在這些承諾有了后續的國內政策實施時，投資者才會予以關注。

4.2.4　棕色聲譽風險

聲譽風險是低碳轉型風險的重要組成部分。我們將一些化石能源密集型行業定義為“惹眼”（salient）行業，它們以媒體的負面報道而聞名，這會進一步放大其低碳轉型風險。因此，我們的問題是，碳溢價是否主要集中在石油和天然氣、公用事業和汽車等作為負面新聞報道焦點的行業？碳溢價的行業差異是否由“棕色”行業的負面聲譽導致？鑒于媒體主要關注那些惹眼的“棕色”行業，我們可以預料到，對這些行業中的企業進行投資的人會認為持有這些企業的股票使他們遭受了負面聲譽的影響，因此在風險定價中要求有額外的風險補償。

為了驗證這一假說，我們估計表6中的回歸模型，但剔除了上述惹眼行業。如果這些惹眼的棕色行業確實聲譽更差，那么我們可以預期其他行業的碳溢價更低。表13中給出了我們的估算結果。有意思的是，當剔除棕色行業后，我們發現碳排放量導致的碳溢價（如果有的話），變得更大且統計上更顯著；碳排放量增加導致的碳溢價也非常顯著。這一發現表明，負面聲譽已經“烙刻”在這些棕色行業中，但還沒有烙刻在分析師較少關注的行業中。這些發現也與表6中的結果一致，即碳排放量導致的行業間股票收益差異掩蓋了行業內的股票收益差異。另一種可能是，當一個國家嚴重依賴棕色行業時，負面聲譽可能會蔓延至整個國家，在國家分類的“其他”類中，有許多國家都屬于這種情況。根據這一解釋，我們在這類國家中發現的較弱結果也許可歸因于過度依賴棕色行業導致的污名化。但需要注意的是，我們的回歸模型包含了國家固定效應，這可能在一定程度上減弱了棕色聲譽在國家層面的影響。

4.2.5　物理風險

氣候風險領域的很多經濟學文獻都試圖估計氣候變化造成的物理損害。一個自然假說是，低碳轉型風險與物理風險呈正相關。隨著各國遭遇氣候變化引發的極端天氣事件增多，我們可以預見，各國將更多地支持應對氣候變化的政策。換句話說，一國遭受氣候災害的程度可能會影響投資者對氣候變化帶來的長期損害成本的判斷。為了驗證這一假說，我們采用德國觀察中衡量物理風險的國家層面的年度指數（CRI）。該指數根據與氣候相關的損害發生頻率構建。CRI指數較高的國家，其物理風險較高。我們估計了CRI和企業排放量以及排放量變化率的交互項系數（估計結果詳見附表A8，表中第1～4列是基于總排放量的估計結果，第5～8列是基于排放量變化率的估計結果）。與物理風險放大了轉型風險導致的碳溢價這一假說一致，我們發現，CRI與碳排放量變化率的交互項系數均為正值。但是，所有這些系數在統計上都不顯著。而且與我們的預測相反，與排放量相關的交互項系數都為負（但這些系數無論在統計上還是經濟上都較?。？偟膩碚f，我們的結論是，低碳轉型風險看起來與不同的物理風險暴露并不顯著相關，這可能是因為物理風險是局部風險，而低碳轉型風險是全局風險。事實上，澳大利亞、巴西和俄羅斯等國家，或者美國的得克薩斯、佛羅里達和西弗吉尼亞這樣經常經歷大規模氣候災害的州，并沒有發生關閉煤礦和其他化石能源依賴型經濟活動的政治運動。不知為何，這些國家（和美國這些州）的政治進程似乎與物理風險并不相關。

4.2.6　投資者認識的變化

到目前為止，我們分析了影響碳溢價的現金流不確定性機制。另一個可能影響碳溢價的機制是投資者對氣候變化和低碳轉型風險的看法發生變化，從而導致貼現率變化。我們之前的研究（2021a）發現了貼現率機制的證據，其中投資者對低碳轉型風險的看法隨時間而改變，但是這些證據完全基于美國的企業，這就提出了證據的外部有效性問題。更重要的是，這些證據幾乎沒有說明投資者看法的變化改變了哪些方面的轉型風險。雖然本文的分析涵蓋了77個國家，但由于我們將2005—2018年的所有觀測值匯總在一起，所以無法清晰地分離出這一機制的影響。不過，我們可以考察那些改變了公眾對氣候變化看法的重大事件對碳溢價的影響。2015年12月在巴黎舉行的第21屆聯合國氣候變化大會上達成了《巴黎協定》就是這樣的重大事件。這一事件提高了氣候爭論在全球的關注度，并強調了未來可能發生的低碳轉型風險。因此可以預見的是，該事件可能在多個方面改變了投資者對低碳轉型風險的看法，包括未來的能源成本、社會偏好或政策變化。我們對這一事件的實證分析包含了上述所有的可能性，描述了投資者對這一事件的反應帶來的影響。

具體來說，我們定義了指標變量Paris，在《巴黎協定》達成之前的兩年（2014—2015年）為0，在《巴黎協定》達成之后的兩年（2016—2017年）為1。然后在模型中增加Paris與碳排放的交互項，對股票收益進行回歸分析，結果見表14。需要注意的是，在《巴黎協定》之前，范圍1的碳排放量沒有產生顯著的碳溢價（即使考慮行業固定效應），在《巴黎協定》之后有顯著為正的碳溢價。我們還發現，范圍3的碳排放量會導致更高的溢價。另外，在《巴黎協定》之前，關于排放量變化率的回歸結果是顯著的，且與《巴黎協定》之后并無顯著差異。對這些不同結果的一個解釋是，由于第21屆聯合國氣候變化大會，投資者顯著更新了他們對長期轉型風險的看法。與我們之前的研究發現一致，這些結果也表明，《巴黎協定》在改變投資者對未來氣候政策的看法方面有十分重要的作用。事實上，這已成為業內和政策制定者的流行敘事。

《巴黎協定》對全球哪些地區的影響最大？為了回答這個問題，我們針對每個大洲估計了表14中的模型。表15給出了與碳排放量相關的估計結果。有趣的是，北美地區并無顯著變化。無論是在《巴黎協定》之前還是之后，北美地區的碳排放量都沒有導致明顯的碳溢價。在歐洲，《巴黎協定》之前和之后都存在顯著的碳溢價（《巴黎協定》之后排放范圍1的碳溢價變得不顯著是個例外）。因此，在《巴黎協定》前后，歐洲的碳溢價并沒有顯著變化。亞洲地區的變化最大且統計上顯著。在《巴黎協定》之前，亞洲的碳溢價并不顯著，但在之后變得非常顯著；無論是否剔除中國，都是如此。最后，其他地區（非洲、澳大利亞和南美洲）在《巴黎協定》前后的碳溢價均發生顯著為正的變化，盡管這一變化基于的樣本規模較小。

另一個重要的分類是G20國家和其他國家，結果見附表A9。同樣，在《巴黎協定》前后，G20國家的碳溢價有很大差異。無論是否考慮行業固定效應，在《巴黎協定》之前碳溢價并不顯著，但在之后出現了顯著為正的碳溢價。相比之下，其他國家的變化要小得多，主要是排放范圍3下的碳溢價變化較為顯著。

我們還分析了剔除與化石能源相關的惹眼行業后的影響。請回想我們將所有年份匯總在一起的橫截面分析，它表明，即使剔除這些行業，碳溢價也是存在的。附表A10給出的結果在《巴黎協定》這一沖擊前后都呈現出相似的穩健性。實際上，在《巴黎協定》之后，其他行業也有非常顯著為正的由碳排放量導致的碳溢價。

總而言之，這些結果描繪出一幅相當有意思的各國碳轉型風險定價的圖景。對碳溢價長期顯著變化的預期似乎反映在重大事件中，如《巴黎協定》。本文中一個有趣的意外發現是，亞洲對反映在碳溢價中的碳風險的認識變化最大，那里的投資者在《巴黎協定》之后對低碳轉型風險的認識迅速提升，而歐洲和北美則基本保持不變。這要么是因為這些地區（如歐洲）對氣候變化已經有了更深的認識，要么是因為認識不夠或沒有改變他們的看法（如北美）。

與碳溢價解釋相關的一個潛在問題是，我們是在相對短的時期內測算碳溢價的變化。另一種解釋也許是完全出于運氣；我們的發現僅僅是隨機抽簽的結果。盡管不可能檢驗這一運氣假說，但我們應該牢記《巴黎協定》是特別重大的事件，它的重要影響已經在其他地方得到了證明。而且過去十年也見證了氣候事件的顯著增加，以及媒體對這些事件的報道也急劇增加，因此任何基于風險變化的解釋都得到了這些趨勢的堅實支撐。

4.3　邁向綠色新均衡

我們的估計結果大體上與投資者因其面臨的低碳轉型風險而得到收益溢價作為補償是一致的。但投資者在哪個點上要求對這種風險進行補償？基本的邏輯表明，在低碳轉型風險得到補償之前，應該是反映新風險的資產再定價時期。理論上，資產再定價是一個漫長的過程，它與經濟從棕色均衡轉向綠色均衡的過程并行。此外，資產再定價受投資者對氣候變化風險的認識變化的驅動。在這一轉型階段，我們也許可以看到，對低排放資產的需求增加（因而價格上漲），對高排放資產的需求減少（因而價格下降）。雖然這種調節機制很簡單，但是檢驗這種資產價格變化頗具挑戰，特別是考慮到全球金融市場的異質性。在這種情況下，不同資產可能在不同的時間以不同的速度轉型。

由于缺乏一個清晰的大規模實證模型，我們將利用來自煙草行業的提示性證據（suggestive evidence），在這個行業，資產再定價過程伴隨著煙草公司被再塑為罪惡股。正如有研究（Hong and kacperzyk，2009）所示，將煙草行業再歸類為罪惡資產意味著許多投資者將之列入了撤資名單。這種撤資運動帶來了更高的預期回報要求（Merton，1987）。20世紀50年代以前，人們不知道煙草對健康的負面影響；相反，許多人認為煙草具有某種治療功能。這種看法隨著外科醫生的報告而改變，這些報告極大地改變了人們對煙草行業的看法。因此，在1950—1970年間，煙草行業出現了大規模的價值重估，煙草公司的估值倍數大大降低。繼這一再定價之后，煙草公司在隨后的40年里實現了高額收益。

我們相信，同樣的過程也在能源行業上演，其中綠色能源企業的估值倍數大幅上升，而某些棕色企業的估值倍數已經下降。從我們的某些檢驗中，可以推斷這些再定價效應。正如表13所示，當我們從樣本中剔除惹眼行業時，范圍1的排放量對股票收益的影響就會更大，其值高于表6中的無條件值，這意味著在我們的樣本期間，惹眼行業的表現總體上低于（更低排放的）其他行業。但有趣的是，這一差異僅出現在無行業固定效應的模型中，這表明重新定價的范圍是整個行業，而非行業中的某些個別企業。正如煙草行業曾經經歷的，重新定價并不是一次性的重新估值。事實上，投資者對碳排放的態度是不斷變化的，因此很可能出現多波重新定價，其間伴隨著高收益時期。實際上，我們認為，這就是我們的數據刻畫的情形。由于低碳轉型過程正在進行之中，所以上述結論可能僅僅是猜測性的推斷，我們希望未來的低碳轉型樣本檢驗能夠證實這一推斷。

5．結論

如果要遏制全球變暖，全球經濟就必須放棄對化石能源的依賴，并且到2050年或2060年將碳排放量降至零。每年的減排率相當于我們在2020年已經看到的因新冠疫情導致的減排率。全球經濟能否持續以這一轉型速率脫離化石能源，減排是平穩的還是非線性突變的，這些都不確定。但是可以肯定的是，未來幾年乃至幾十年，投資者將面臨巨大的低碳轉型風險。鑒于股票市場本質上是前瞻性的，因此很自然地會問，股票收益多大程度上反映了低碳轉型風險。

我們分析了77個國家14 400多家上市企業的低碳轉型風險定價，盡可能廣泛地探討了上述問題。迄今為止，人們對碳排放如何影響全球的股票收益仍知之甚少。我們廣泛的解釋性研究初步回答了這個問題。我們發現的證據表明，碳溢價，即企業碳排放越高則其股票收益越高，既廣泛存在又顯著，而且正在不斷上升。碳溢價并不僅僅存在于部分國家（美國、歐盟）或部分與化石能源相關的行業，它無處不在，影響著亞洲、歐洲、北美洲三大洲各行各業的企業。此外，股票收益不僅與企業的直接排放有關，還與通過供應鏈傳導的間接排放有關。碳溢價既與每年的排放量增長（短期低碳轉型風險）有關，也與碳排放量（長期低碳轉型風險）有關。

最后，我們發現低碳轉型風險不僅反映了氣候政策的不確定性，而且與可再生能源技術進步的不確定性以及支持或破壞氣候政策的社會政治環境有關。另外，時間序列模式表明碳溢價是隨時間變化的，在第21屆聯合國氣候變化大會之后碳溢價顯著上升。

從廣義上講，我們的研究對碳稅作為減排手段的討論有啟發意義。雖然從經濟原理的角度看，碳稅這一想法很有吸引力，但它面臨實踐障礙。實施全球碳稅的一個主要障礙是協調有不同利益和經濟能力的各政治實體。我們的研究表明，金融市場可以發揮重要的放大作用。高排放企業的股權成本不斷上升可被視為通過資本市場征稅。

（中國工商銀行投資銀行部　王超然　國務院發展研究中心資源與環境政策研究所　俞敏　譯）

參考文獻

Andersson, Mats, Bolton, Patrick, and Samama, Frederic (2016).“Hedging climate risk”, Financial Analysts Journal 72 (3), 13-32.).

Aswani, Jitendra, Raghunandan, Aneesh, Rajgopal, Shivaram (2021).“Are carbon emissions associ-ated with stock returns?”Columbia Business School Research Paper.

Atanasova, Christina V., and Schwartz, Eduardo (2020).“Stranded fossil fuel reserves and firm val-ue”, NBER Working Paper 26497.

Bansal, Ravi, Kiku, Dana, and Ochoa, Marcelo (2016).“Climate change and growth risks”, NBER Working Paper 23009.

Bolton, Patrick and Kacperczyk, Marcin T.(2021a).“Do investors care about carbon risk?”, Journal of Financial Economics, 142 (2), 517-549.

Bolton, Patrick and Kacperczyk, Marcin T.(2021b).“Firm commitments”, Working paper, Imperial College London.

Bolton, Patrick and Kacperczyk, Marcin T.(2021c).“Carbon disclosure and the cost of capital”, Work-ing paper, Imperial College London.

Chava, Sudheer (2014).“Environmental externalities and cost of capital”, Management Science 60 (9), 2223-2247.

Cruz, Jose-Louis and Rossi-Hansberg, Esteban (2020).“The economic geography of global warming”, Working paper, Princeton University.

Daniel, Kent and Titman, Sheridan (1997).“Evidence on the characteristics of cross-sectional variation in returns”, Journal of Finance 52, 1-33.

Duffie, Darrell (2010).“Presidential Address: Asset price dynamics with slow-moving capital”, Journal of Finance 65 (4), 1237-1267.

Dyck, Alexander, Lins, Karl, Roth, Lukas, and Wagner, Hannes (2019).“Do institutional investors drive corporate social responsibility? International evidence”, Journal of Financial Economics 131, 693-714.

Engle, Robert, Giglio, Stefano, Lee, Heebum, Kelly, Bryan, and Stroebel, Johannes (2020).“Hedging climate change news”, Review of Financial Studies 33, 1184-1216.

Garvey, Gerald T., Iyer, Mohanaraman, and Nash, Joanna (2018).“Carbon footprint and productivi-ty: does the ‘E’ in ESG capture efficiency as well as environment?”, Journal of Investment Management 16 (1), 59-69.

Gibson, Rajna, Glossner, Simon, Krueger, Philipp, Matos, Pedro, and Steffen, Tom (2019).“Re-sponsible institutional investing around the world”, SSRN: https://ssrn.com/abstract=3525530

Giglio, Stefano, Maggiori, Matteo, Rao, Krishna, Stroebel, Johannes, and Weber, Andreas (2021).“Climate change and long-run discount rates: Evidence from real estate”, Review of Financial Studies 34 (8), 3527-3571.

G?rgen, Maximilian, Jacob, Andrea, Nerlinger, Martin, Riordan, Ryan, Rohleder, Martin, and Wilkens, Marco (2020).“Carbon risk”, Working paper, University of Augsburg.

Heinkel, Robert, Kraus, Alan, and Zechner, Josef (2001).“The effect of green investment on corpo-rate behavior”, Journal of Financial and Quantitative Analysis 36, 431-450.

Hong, Harrison and Kacperczyk, Marcin T.(2009).“The price of sin: The effects of social norms on markets”, Journal of Financial Economics 93 (1), 15-36.

Hong, Harrison, Li, Frank W., Xu, Jiaming (2019).“Climate risks and market efficiency”, Journal of Econometrics 208 (1), 265-281.

Hong, Harrison, Wang, Neng, and Yang, Jinqiang (2021).“Mitigating disaster risks in the age of cli-mate change”, Working paper, Columbia University.

Hsu, Po-Hsuan, Li, Kai, and Tsou, Chi-Yang (2020).“The pollution premium”, Working paper, HKUST.

Ilhan, Emirhan, Sautner, Zacharias, and Vilkov, Grigory (2021).“Carbon tail risk”, Review of Fi-nancial Studies 34 (3), 1540-1571.

Kacperczyk, Marcin, Van Nieuwerburgh, Stijn, Veldkamp, Laura (2016).“A rational theory of mutu-al funds’ attention allocation,”Econometrica 84 (2), 571-626.

Kogan, Leonid and Papanikolaou, Dimitris (2014).“Growth opportunities, technology shocks, and as-set prices”, The Journal of Finance 69, 675-718.

Krueger, Philip, Sautner, Zacharias, and Starks, Laura (2020).“The importance of climate risks for institutional investors”, Review of Financial Studies 33, 1067-1111.

Matsumura, Ella Mae, Rachna, Prakash, and Vera-Mu?oz, Sandra C.(2014).“Firm-value effects of carbon emissions and carbon disclosures”, The Accounting Review 89 (2), 695-724.

Merton, Robert C.(1987)“A simple model of capital market equilibrium with incomplete information”, Journal of Finance 42, 483-510.

Monasterolo, Irene and De Angelis, Luca (2020).“Blind to carbon risk? An analysis of stock market's reaction to the Paris Agreement”, Ecological Economics 170, 1-10.

Nordhaus, William D.(1991).“To slow or not to slow: the economics of the greenhouse effect”, The E-conomic Journal 101, 920-937.

Nordhaus, William D.and Yang, Zili (1996).“A regional dynamic general-equilibrium model of alterna-tive climate-change strategies”, American Economic Review 86, 741-765.

Pastor, Lubos, Stambaugh, Robert F., and Taylor, Lucian A.(2021).“Sustainable investing in equi-librium”, Journal of Financial Economics 142 (2), 550-571.

Pastor, Lubos and Veronesi, Pietro (2013).“Political uncertainty and risk premia”, Journal of Finan-cial Economics 110, 520-545.

Rajan, Raghuram G.and Zingales, Luigi (1998).“Financial dependence and growth”, American Eco-nomic Review 88, 559-586.

（因篇幅所限，我們省略了附表，特向作者和讀者致歉。有需要者可向《比較》編輯室索?。篵i-jiao@citicpub.com。）