能源转型、碳政策与贸易冲突的动态协同效应：一种混合频率分析方法

《Energy Policy》：Dynamic and synergic effects of energy transition, carbon policy and trade conflicts: A mixed-frequency approach

　　康静豪|李思成|王军|吕一飞
中国成都，西南财经大学管理科学与工程学院

摘要
在中国实现碳达峰与碳中和的目标背景下，能源转型不仅是不可避免的趋势，更是一个涉及能源结构调整、技术进步、制度约束以及国际环境变化的系统性进程。然而，现有研究存在以下不足：（1）多仅单独探讨能源转型、碳政策或贸易冲突中的某一两个方面；（2）很少有研究利用非结构化数据来刻画中国的碳政策；（3）使用相同频率的数据不仅会丢失因子信息，也无法呈现变量时间序列中的非平稳性、复杂非线性特征及多频率特性。为弥补这些缺陷，本文构建了一种混合模型——即结合混合频率动态因子模型与向量自回归或阈值向量自回归模型的MF-DFM-VAR/TVAR模型，该模型能够处理高维混合频率的变量数据信息。同时，本文系统分析了碳政策、中美贸易冲突与中国能源转型之间的动态互动关系：首先，通过MF-DFM模型提取了31个不同采样频率的变量，并从中识别出5个每日共同因子，这一方法既能够充分利用高维混合频率数据，还将能源转型研究从低频率（月度、季度）拓展到高频率（日度），以便更深入地分析能源市场的高频信息；其次，基于非结构化混合数据，本文构建了包含6个影响因素的碳政策指数，用以反映政策干预与社会舆论对能源转型的影响；最后，借助上述高频共同因子，本文进一步揭示了变量间的非线性动态特征，并通过构建VAR模型和TVAR模型，分析了不同强度的碳政策如何调节贸易冲突冲击的传导效应。这些研究结果为在贸易冲突背景下优化制度安排、选择合适的能源转型路径提供了实证依据与政策启示。

引言
作为国际社会经济发展的重要战略资源，能源始终处于核心地位。为应对传统能源供应有限而国际社会需求不断增长的问题，能源转型逐渐成为重要议题（Leach, 1992）。随着气候变化带来的日益严峻挑战，以可再生能源为核心的能源转型已获得全球共识。尽管众多学者从不同角度研究能源转型，但目前关于能源转型的定义尚未形成统一意见（Podobnik, 2006; Smil, 2010; Guo et al., 2019; Lu and Nemet, 2020; Hassan et al., 2024; Shen et al., 2023; Qi et al., 2024; He et al., 2025）。尽管存在不同解读，但人们普遍认同能源转型是贯穿较长时期的复杂过程。本文所指的能源转型，是指从化石燃料（如天然气、石油和煤炭）向可再生能源的转变与改革。此外，能源转型并非孤立的技术演变过程，而是一种与社会经济体系深度耦合、受多重因素影响的复杂变革（Shen et al., 2023; Qi et al., 2024; Wang et al., 2025）。现有研究从多个视角探讨能源转型，包括能源技术创新（Guo et al., 2019）、政府政策（Qi et al., 2022; Lee et al., 2024; Wang et al., 2024）、频繁的地缘政治风险与贸易冲突（He et al., 2025; Akadiri and Ozkan, 2025）等。其中，政府政策与贸易冲突是极具影响力的因素。

全球能源转型是一个由技术创新、政策驱动因素以及国际市场等多重力量共同塑造的复杂过程。在能源转型研究方面，大多数研究采用年度数据构建能源转型指数（ETI）（Shen et al., 2023）和脱碳指数（DCI）（Qi et al., 2024）。同时，也有研究运用固定效应模型（Lee and Wang, 2024; Lee and Lee, 2024; He et al., 2025）、系统GMM模型（Ullah et al., 2024; Wang et al., 2024）以及递归动态可计算一般均衡模型（DCGE）（Chai et al., 2025）来描述和分析能源转型的现状及其影响因素。在碳政策研究方面，现有文献多以政府补贴（Qi et al., 2022）和能源存储补贴（Feng and Lazkano, 2025）等作为碳政策的代理变量。至于贸易冲突与地缘政治风险，目前有一些月度指数用于刻画相关特征，如Rogers等人（2024）提出的中美紧张指数（UCT）、Baker等人（2016）提出的经济政策不确定性指数（EPU），以及Caldara和Iacoviello（2022）提出的地缘政治风险指数（GPR）。另有部分研究采用VAR-GARCH-BEKK模型（Cheng et al., 2023）、广义预测误差方差分解模型（GFEVD）（Akadiri and Ozkan, 2025）来分析地缘政治风险与能源市场之间的动态关系。

然而，目前仍有若干方面未得到充分重视：（1）现有研究多仅关注能源转型、碳政策或贸易冲突中的某一两个方面，很少有研究综合考虑三者之间的动态关联；（2）多数学者仍以数值型代理变量作为碳政策的表现形式，很少有人利用非结构化数据来刻画中国的碳政策；（3）大量研究聚焦于样本频率变量对研究主题的影响，而实际上能源转型、碳税政策与贸易冲突之间存在复杂的动态互动关系。这三大领域的核心变量往往具有不同的观测频率：能源转型的相关指标（如可再生能源占比、碳排放强度）通常为年度或季度数据（Shen et al., 2023; Qi et al., 2024）；碳税政策的影响则多通过碳市场价格（每日或每月数据）体现（Batten et al., 2021）；贸易冲突（如Rogers等人2024年的中美紧张指数，以及Akadiri和Ozkan2025年的关税政策变化）则可能在事件发生的当日就产生影响。由于数据频率的不匹配，传统同频率模型无法全面捕捉三者之间的短期动态传导机制与长期均衡关系。因此，要准确描述能源转型、碳政策与贸易冲突之间的动态关系，不仅需要将三者同时纳入模型框架，还需提升替代变量的频率（至日度），以便获取更多信息。

基于以上分析，本文构建了结合MF-DFM模型与VAR或TVAR模型的混合模型，该模型能够处理高维混合频率的变量数据信息。在此基础上，本文系统分析了碳政策、中美贸易冲突与中国能源转型之间的动态互动关系。本文的主要贡献体现在三个方面：首先，本文将三者之间的综合协同关系纳入模型，不仅分析了31个不同采样频率的变量，还通过MF-DFM模型提取出5个每日共同因子，从而既能充分利用高维混合频率数据，又能将能源转型研究从低频率领域拓展到高频率领域，以便更深入地分析能源市场的高频信息；其次，基于非结构化混合数据，本文构建了包含6个影响因素的碳政策指数，其中情感指数和百度指数采用了以往研究较少使用的非结构化指标，即通过大数据爬取技术获取与碳政策相关的文本信息、新闻、公告及百度搜索指数，以此反映政策干预与社会舆论对能源转型的影响；最后，借助上述高频共同因子，本文进一步分析了变量间的非线性动态特征，并通过构建VAR模型和TVAR模型，研究了不同强度的碳政策如何调节贸易冲突冲击的传导效应。本研究不仅提升了高维混合频率数据整合与非线性动态分析的结合程度，也加深了对碳政策、贸易冲突与中国能源转型之间互动关系的理解，可为贸易冲突背景下的能源转型路径选择与制度优化提供实证依据与政策参考。

本文结构如下：第2节为简要的文献综述；第3节介绍数据来源与变量、混合模型及其估计过程；第4节阐述实证分析框架，重点讨论混合频率模型、VAR模型与TVAR模型，包括因子选取、脉冲响应分析、机制分析及稳健性分析；第5节给出结论与政策建议，VAR模型的部分估计结果见附录。

文献综述
现有研究从多个视角探讨能源转型这一主题。能源转型的概念起源于德国应用能源研究所1982年的研究，当时将其定义为为应对环境与安全风险而从石油和铀能源转向可再生能源的进程。后来，能源转型被正式定义为从以化石燃料为主的能源体系向以其他能源为主的体系转变的过程。

数据与变量
能源转型是一个涉及能源结构调整、技术进步、制度约束以及国际环境变化的系统性进程。其动态发展不仅受国内政策与市场机制的影响，还会受到外部冲击及全球能源格局变化的作用。因此，单一指标不足以全面反映能源转型的全过程及其外部约束条件。

因子提取结果
在本研究中，所选的日度与月度变量被组合成一个混合频率数据集。该数据集随后被划分为五个维度：能源转型、贸易战争、碳政策、国际能源市场以及宏观经济环境。遵循Mariano和Murasawa（2003）、Jiang等人（2017）、Franjic和Karsten（2025）以及Kang等人（2026）的方法，每个维度仅提取一个潜在因子，该因子的确定依据是MF-DFM模型的特性。

结论
本文首先构建了一种能够处理高维混合频率变量数据信息的混合模型——MF-DFM-VAR/TVAR模型。该模型结合了MF-DFM模型与VAR或TVAR模型，不仅能将能源转型研究从低频率领域拓展到高频率领域，还能揭示变量间的非线性动态特征。基于该混合模型，本文系统分析了碳政策、中美贸易冲突与中国能源转型之间的动态互动关系。

伦理声明
由于本研究未涉及动物或人类受试者，故无需提交伦理声明。

作者贡献声明
康静豪：概念设计、数据整理、形式分析、方法论设计、初稿撰写。
李思成：数据整理、形式分析、软件应用、结果可视化。
王军：概念设计、资金筹集、项目管理、资源协调、监督指导、论文审阅与修改。
吕一飞：监督指导、结果验证、论文审阅与修改。

利益冲突声明
作者声明不存在任何可能影响本文研究的已知财务利益或个人关系。

致谢
本研究得到了国家自然科学基金（NSFC）（72471197, 72531008, 70342012, 72301188）、国家社会科学基金（25AZD026）、四川省科技计划项目（2025NSFSC1957）、中国博士后科学基金（2023M732503, 2025T181014）、四川省哲学社会科学研究基金（SCJJ25ND091）以及四川省人工智能与数字金融重点实验室的支持。