低碳转型风险的全球定价

4.模型结果

　　本节将分成三个小节。第4.1节分析全球范围内低碳转型风险的定价，第4.2节分析低碳转型风险的特定驱动因素，第4.3节讨论在经济体摆脱化石能源的转型过程中低碳转型风险的定价机制。

　　4.1全球低碳转型风险的定价分析

　　本小节将介绍本文在低碳转型风险定价方面的主要发现。首先，我们将介绍全部样本的分析结果；然后，介绍碳溢价的地区差异。

　　4.1.1基准研究模型

　　我们对低碳转型风险的分析主要利用两个横截面回归模型，这两个模型都将各个企业的股票收益率与碳排放相联系。我们的建模方法参考了丹尼尔和蒂特曼（Daniel and Titman，1997）的企业特征分析法。由于我们样本企业中的企业特征有较大的横截面差异，因此这一方法特别适合。*8.风险因子法是一个广泛使用的用于衡量单一国家碳溢价的方法，但在研究全球问题时，这种方法难以在有限的数据下对大量国家选择适当的风险因子。此外，跨国数据之间存在数据可比性问题。我们之前的研究（2021a）表明，当碳排放是排序变量时，与企业特征有显著的相关关系，具体企业特征变量包括：LOGSIZE、B/M、LEVERAGE、INVEST/A、PPE、ROE、收入增速、产业多样化、股价走势指标和股价波动性指标。该方法可以充分考虑时间、国家以及行业的固定效应。此外，聚类分析法可以更好地解释残差的潜在相关性。最后，采用特征分析法的好处是不需要事先设定基本的资产定价模型。由于气候变化等问题的复杂性，很难事先确定资产定价模型的结构。然而，由于没有使用风险因子模型，本研究无法分析“碳阿尔法”（carbon alpha）是否存在或低碳转型风险定价是否有误。本研究聚焦于全面描述各国企业的股票收益率的横截面差异。换句话说，本研究重点关注企业的“碳贝塔”（carbon beta）。

　　首先，我们将企业月度股票收益率作为因变量，将滞后一个月的企业排放量和其他特征变量作为自变量构建回归模型。这一回归模型反映了长期变化趋势、结构变化、企业排放等因素对企业股票收益的影响。如果以绝对碳中和作为基准，则碳排放量可以粗略地作为企业面临低碳转型风险的代理变量。具体地，我们可以估计如下模型：

　　RETi，t=α0+α1(TOT Emissions)i，t+α2Controlsi,t-1+μt+εi,t（1）

　　其中，RETi，t代表企业i在t月的股票收益率，TOT Emissions代表三种范围下企业年排放量的自然对数（LOGS1TOT、LOGS2TOT和LOGS3TOT）。Controlsi，t-1表示企业的控制变量，包括LOGSIZE、B/M、LEVERAGE、 MOM、INVEST/A、HII、LOGPPE、ROE和VOLAT。

　　第二步，我们以企业月度股票收益率为因变量，以滞后一个月的企业排放量变化率和其他特征变量作为自变量构建如下横截面回归模型：

　　RETi，t=α0+α1Δ(TOT Emissions)i，t+α2Controlsi,t-1+μt+εi,t（2）

　　企业碳排放量变化率（S1CHG、S2CHG和S3CHG）用于表征碳排放对股票收益率的短期影响。尤其是，碳排放量变化率反映了企业面临的低碳转型风险增加或减少的程度。从低碳转型角度看，它度量了企业在向碳中和转型的长期过程中所处的位置。就此而言，它是对企业碳排放量表征的长期目标的重要补充。

　　我们用混合普通最小二乘估计法（pooled OLS）对上述两个横截面回归模型进行估计。这两个模型都包含了国家固定效应和年/月固定效应。因此，我们的识别本质上是截面的。在某些检验中，我们还纳入了与表4相同的行业固定效应，以反映行业内企业之间的差异。在所有的模型设定中，我们在企业和年份层面上对标准差进行聚类，这使我们可以解释残差中的跨企业相关性，并表明某些控制变量，包括排放量是以年度频率衡量的。我们重点关注的参数是α1。

　　4.1.2来自中美两国的证据比较

　　我们为中美两个排放量最大的经济体构建了回归模型，并比较了从这两个模型中得到的结果，如表5所示。这两个国家截然不同，可以预期的是碳溢价将反映两国在经济和金融发展，以及法律和政治制度方面的差异。但我们发现，就排放范围1下的回归结果而言，中美两国惊人地相似。这说明，企业层面的排放量差异较之国家层面的排放量差异更能体现低碳转型风险。具体来说，一旦控制住产业、时间以及一系列企业特征，中美企业在排放范围1下的排放量差异导致了中美两国有着大体相似且非常高的碳溢价，中国为0.069，美国为0.071，这相当于两国各自的总排放量每变化1个标准差，会分别产生1.18%和0.95%的年化碳溢价。在本研究中，当我们提到1个标准差的变化时，我们是在计算某个变量的标准差，同时考虑了模型中所有其他控制变量的影响，包括固定效应。这相当于在模型中计算排放量/排放量变化率预测模型的残差标准差。我们之前（2021a）使用2005—2017年的数据分析美国企业，其结果略低于本研究结果，为0.060。本研究采取2005—2018年的数据，与之前（2021a）的研究结果相比，碳溢价随时间提高，这说明在2015年《巴黎协定》之后碳溢价有所升高。表5碳排放与股票收益：中国和美国　　

注：样本期间为2005—2018年。因变量为以月度衡量的RET。主要自变量为排放量（表5A）和排放量变化率（表5B）。所有变量的定义与表1和表2一致。我们给出了联合回归的结果，其中包含了企业和年份层面的双重聚类标准差（括号内）。所有回归都考虑了年/月固定效应、国家固定效应和行业固定效应。***显著性水平为1%，**显著性水平为5%，*显著性水平为10%。

　　有关中国上市公司碳溢价的研究结果令人耳目一新且出乎意料。虽然中国是推动新能源的开路先锋，但是并没有得到ESG投资者和关注碳排放的机构投资者的充分认可。中国的金融市场确实对企业直接排放和间接排放的碳溢价进行了定价。中国的碳溢价略低于美国。表5B表明，两国以排放量变化率度量的碳溢价略有差异，两国的碳溢价在统计上都非常显著，且中国的碳溢价较美国高10%~20%。这可能是因为中国只有小部分企业披露了碳排放量，而且中国企业的排放量增长率普遍较高。

　　4.1.3基准计算结果

　　接下来，本研究对77个国家全部样本模型进行了估计。相对于我们以前的设定，我们还纳入了国家固定效应以考虑数据中的国别差异。表6展示了估计结果，第1~3列是未经行业调整的回归估计结果，第4~6列考虑了行业固定效应。在表6A中，我们给出了碳排放量的结果。在所有模型设定中，碳排放量对个股的收益率都具有显著的正向影响，这与高排放企业低碳转型风险更高的假设相一致。有趣的是，如果不考虑行业固定效应，在排放范围1下，企业层面的碳溢价的经济显著性就会小得多。一个可能的原因是部分高排放企业（或行业）经历了意外的收益下降。例如，随着近期大宗商品价格下降，能源行业的资产价值在下降。因此，关注碳排放的行业内差异是合情合理的。事实上，当我们加入行业固定效应后，碳溢价很大且非常显著。企业的LOGS1TOT每增加1个标准差，即1.4，其股票的年化收益溢价为1.06%。这些结果表明，不同行业的股票收益率差异掩盖了特定行业内企业排放的差异。在那些表6未展示的估计结果中，我们纳入了年/月固定效应与国家固定效应的交互项，以及年/月固定效应与行业固定效应的交互项，以考虑需求冲击对不同国家和行业的影响。这些模型估计的碳溢价仅比前述估计结果略小。这表明本研究的结果不受短期经济周期冲击的影响，而是更多地反映了长期冲击，例如低碳转型风险。表6碳排放与股权收益：全样本

　　需要注意的是，无论是否考虑行业固定效应，LOGS3TOT的系数都非常显著。在不考虑行业固定效应，LOGS3TOT每增加1个标准差，企业的股票收益溢价为1.81%；考虑行业固定效应时，则为1.97%。

　　与碳排放量变化率相关的这些估计结果都是非常显著的，即使考虑行业固定效应，也完全不受影响，如表6B所示。当考虑行业固定效应时，在排放范围1和排放范围3下的总排放量发生1个标准差的变化，对应的收益溢价分别为2.17%和3.38%。当然，从统计上讲，考虑排放差异相当于在包含总排放量的回归模型中纳入企业固定效应。*10.我们还考察了排放量变化率指标的不同截断值（cutoffs）是否影响估计结果的稳健性。具体来说，我们考虑了那些在1%水平上缩尾的指标。结果见附表A2，它们与基准模型的结果大体一致。需要注意的是，由于经验分布（empirical distribution）的右尾存在显著的异常值，所以对于未做缩尾处理的指标，即使统计上显著，也不太理想。

　　我们的概念框架假设用两个不同的排放指标作为两种转型风险的代理变量，即短期风险和长期风险。一个自然而然的问题是这两个指标能够在多大程度上反映股票收益的独立变化。表2中的估计结果表明，考虑到相对小的相关性，这两个指标基本上是相互独立的。我们使用了同时包含这两个指标的收益回归模型来检验其相对独立性，结果见表6C。第1~3列展示的结果考虑了国家和时间固定效应，第4~6列的结果则考虑了行业固定效应。我们发现，在这个模型中，两个排放指标的系数均大于零，并且经济上显著。这进一步证实了可以用这两个指标反映不同经济来源的风险。

　　在另一个检验中，我们用碳排放强度，即企业总排放量除以总收入，评估我们的实证模型的预测。该方法在部分研究人员中颇为流行，但我们认为它在经济上与转向零净排放隐含的风险不同。在低碳转型框架中，虽然降低碳排放水平也能实现更低的碳排放强度，但重要的是降低碳排放量而非降低碳排放强度。事实上，实践者认识到碳排放强度并不能充分反映低碳转型风险，因此他们不再仅仅关注按比例排放（scaled emission）。对低碳转型风险来说，排放强度日益被视为一个错误设定的噪声代理变量（noisy proxy）。排放强度的下降并不一定对应于总排放量的减少。例如，假设收入增速快于排放量增速，虽然碳排放强度下降，但总排放量增加。我们的实证模型使用碳排放强度作为低碳转型风险的代理变量，我们发现它与股票收益之间没有统计上的显著相关性（这些结果见在线附表A3）。

　　本小节分析得出的主要结论是，各国企业的股票收益反映了企业碳排放量和排放量变化率的差异，这表明投资者分别从长期和短期的角度对低碳转型风险进行定价。

　　4.1.4账面市值比

　　众所周知，股票收益是股票预期收益的噪声代理变量。基于分析师的预测，有时我们能够得到更精确的预期收益指标。然而，这种方法的主要挑战是：（1）分析师只预测全球股票中的少部分股票；（2）由于行业激励结构，分析师的预测可能是有偏差的；（3）隐含股权成本（implied cost of equity）的指标主要取决于假设的估值模型。

　　另一个方法是，我们从一个不同的角度来考察碳排放定价问题，并在企业排放量和企业账面市值比之间建立联系，因为账面市值比通常更稳定，而且在大多数企业中都是可得的。考察账面市值比有助于我们在解释结果时区分基于必要预期收益（required expected return）的解释和归因于运气的解释。于是，我们对如下模型进行估计：

　　LNBMi,t=α0+α1(TOT Emissions)i,t+α2Controlsi,t-1+μt+εi,t（3）

　　我们的因变量是企业账面市值比，即LNBM的自然对数。我们的控制变量包括MSCI、MOM、VOLAT、SALESGR。此外，我们用提前1~2年的SALESGR作为未来现金流增长的代理变量，用LTG作为长期收入预测的代理变量。所有设定都考虑了国家固定效应和年/月固定效应（计算结果如表7所示）。表7碳排放与股票账面市值比：全样本

　　在表7A中，主要的自变量是LOGS1TOT、LOGS2TOT和LOGS3TOT。我们假设存在低碳转型风险，与这一假设一致，我们发现，高排放企业有更高的账面市值比。在不考虑行业固定效应的模型（1~3列）中，碳排放的系数具有统计显著性。在不考虑行业固定效应的模型中，这一影响在统计上是显著的，见第1~3列。和前文一样，当我们加入行业固定效应时，这一影响的程度变得更大。从经济显著性来看，排放范围1下的排放量每增加1个标准差，账面市值比上升13.2%。排放范围2和排放范围3的结果与排放范围1相近。

　　一个自然的问题是从不同回归中得出的这些影响程度是否可比。为了回答这个问题，我们使用简单的戈登增长模型，其中预期增长率为4%，预期收益率为12%（这些数字大致与平均水平接近），并提出了如下问题：高排放企业的股票预期收益率提高多少才能使其估值下降13%？在上述参数设定下，答案是略低于1.4%。该结果略高于本研究的计算结果，但是在收益系数的1个标准差范围内。因此，两个结果并不存在统计上的显著差异。

　　在表7B中，我们考虑了将排放量变化率作为主要自变量的模型设定。我们估计的实证模型和前文的一样。我们发现，排放量变化率对账面市值比有很强的正向影响。无论是否考虑行业固定效应，该结果在统计上和经济上都非常显著。

　　我们注意到，在上述检验中，计算LTG带来的数据局限限制了样本规模。为了确保计算结果不是由小样本驱动的，我们使用没有LTG变量的模型重复上述分析（结果如附表A4所示）。在大样本数据中，我们发现，这些结果在统计上更显著，其大小与我们的基本结论大体上一致。

　　总之，我们认为，我们关于股票收益的基本结论不可能用预期收益（或噪声）来解释。它们与考虑不同排放量及排放量变化率的资产重新定价更吻合。因此，本文的其余部分将继续使用以股票收益作为主要因变量的模型设定。

　　4.1.5信息可观测性与碳溢价

　　碳溢价分析的一个重要方面是考虑投资者在进行投资决策时所需信息的可度量性。在我们的分析中，虽然某些元素是文献标准方法中常见的，但其他元素是低碳转型风险中特有的。正如我们指出的，碳排放量变化率反映了低碳转型的进程，因此我们应该预计到，先验的低碳转型风险与排放量和排放量变化率相关。即使在短期，这样的横向效应也会出现。因此，我们应该想到，碳溢价与我们在什么时间观察相对于股价的碳排放并非没有关系。相较于稳态世界的假设和随机一般均衡的传统资产定价模型，这是一个重要的差别。

　　为了确保收益实现时，投资决策依赖的信息都在投资者的信息集合中，我们使用排放信息的不同时滞进行了若干稳健性检验，因为投资者的信息集合并不是完全可观察的。我们分别考虑了从报告排放量那年的年底到收益实现的那个月之间的3个月、6个月和12个月作为时滞。运用这些不同的时滞，我们估计了以（1）式和（2）式表示的模型，表6D和表6E分别展示了排放量和排放量变化率的估计结果。在大多数模型设定中，排放量的碳溢价都是大而显著的。相反，基于排放量变化率的碳溢价在时滞为6个月时显著大于零，但时滞超过12个月则不再显著。

　　这些结果延伸出两个问题。首先，碳溢价为什么持续这么长时间？其次，为什么12个月后碳溢价消失了？我们对第一个问题的回答是，投资者的注意力有限，无法立即消化企业的所有碳排放信息（Kacperczyk et al.，2016）。企业第t年的碳排放信息会逐渐反映在这一年的股票收益中。为这种摩擦建立微观基础的一个相关方法是构建一个包含资本缓慢变化的模型（Duffie，2010）。我们对第二个问题的回答是，各种碳排放数字在一段时间后不再新鲜，一年之后这些数字中的信息会被更新的数字消解。有趣的是，当我们比较排放量和排放量变化率这两个滞后的排放变量对股票收益的影响时，我们发现前者保留信息的时间比后者更长。排放量变化率持续的时间更短，传递的是短期信息。换言之，各种排放量变化率数字的新闻含量要大于排放量数字的新闻含量。

　　我们的基准模型测算了股票收益实现前1个月的碳排放。这一选择的主要原因是前述横向影响和信息消散（information staleness）。我们也提到，投资者可以从行业和企业特征中获得与碳排放相关的更准确的未来现金流风险预测值。有关企业特征的信息更新越快，投资者对排放和收益的预测就越准确，这也是为什么基于长期滞后的企业特征预测股票收益会低估真实的收益溢价。举例来说，如果排放量滞后12个月，就意味着投资者不会根据企业特征的更新做出全年的预测。因此，本研究认为时滞为1个月或3个月比时滞为12个月更符合实际。

　　另一个重要问题是，Trucost数据库中的排放数据是有延迟的。首先，我们的分析基于Trucost的排放数据，但这并不意味着Trucost是投资者获取碳排放信息的唯一来源。投资者可以从其他渠道获得企业碳排放的信息。事实上，贝莱德（BlackRock）或Amundi等大型资产管理公司依赖多个碳排放数据来源，虽然这些数据源并不能同时获得。例如，许多企业首先向碳披露项目（Carbon Disclosure Project，CDP）*11.碳披露项目（Carbon Disclosure Project，CDP）于2000年在英国设立，每年都会要求世界上的大企业公开碳排放信息及为气候变化采取措施的细节。已发展成为碳排放披露方法论和企业流程的经典标准。——编者注 

　　披露它们的排放数据，然后Trucost将这些数据与其他数据来源进行整合。与Trucost提供的信息可能高度相关（给定所有提供商使用相同的数据收集协议）的不同信息可在不同的时间获得。此外，投资者可能用不同的方法获取碳排放信息。因此，投资者的信息更新可能早于计量经济学家的信息更新。实际上，在另一个检验中（未在表中展示），我们考察了Trucost将排放数据纳入其数据库的日期前后是否有公告收益（announcement return），我们并未发现公告收益。换言之，我们的分析并不打算识别基于Trucost数据的交易策略，而只是将这一数据作为低碳转型风险的代理变量。

　　一个相关的问题是，Trucost如何收集和汇总企业的碳排放数据：Trucost使用的方法会直接影响碳溢价吗？Trucost报告了两类数据：一类是直接从公司报告中获取的，另一类是利用它自己的预测模型估算得到的。Trucost使用的方法是否会使估计的排放量产生偏差或出现噪声？我们认为，出现与未来股票收益相关的系统性偏差的可能性不大，因为实证研究中常见的股票收益自相关的证据不足。由于低碳转型风险的差异与碳排放数据是源于企业披露还是估算有关，所以为了评估低碳转型风险的差异，我们利用了Trucost提供的有关具体排放数据来源的信息。我们定义了指标变量披露（Disclosure），如果企业i在t时刻的排放数据是直接披露的信息则为1，如果是基于模型方法估计的则为0。通过加入这个变量以及它与碳排放测算的交互项来修正股票收益的回归模型，结果如附表A5所示。这些结果反映了两种影响。首先，直接披露的排放量的碳溢价较低，这与不确定性减少的假设不一致；其次，这两类数据的碳溢价都显著大于零，尤其是在考虑行业固定效应的模型中。因此，我们认为，排放数据的来源差异不会改变我们的定性结论。 *12.在一篇相关论文中，Aswani et al.（2021）发现，对披露排放量的企业来说，与排放量相关的碳溢价为零，这表明投资者没有为低碳转型风险定价。我们的估计结果则与此不同，我们在比他们的样本数多了5倍的企业样本中，发现两种类型碳排放数据源都有正的碳溢价。更重要的是，我们注意到，直接披露碳排放的企业碳溢价较小，这与企业内生地决定是否披露碳排放的决策模型相一致。在这一模型中，企业披露碳排放的好处是降低投资者面临的与低碳转型风险相关的感知的不确定性（percieved uncertainty），从而降低碳溢价。因此，我们的证据与投资者对低碳转型风险定价的假设完全一致，但是对于不同水平的感知的不确定性，定价有所不同。我们详细分析了这一经济过程（Bolton and Kacperczyk，2021c）。

　　虽然我们的分析考虑了基于月度频率的不同信息集，但需要注意的是，Trucost的企业排放数据是以年为频率提供的。然而，以年为频率测度的企业排放数据并不意味着我们的实证检验应当使用以年为频率的股票收益。即使企业以年为频率发布碳排放数据，投资者也会以高于年的频率更新其信息集。更合理的情形是，投资者获取信息的过程是连续的，随着时间的推移，他们处理的信息会更多。这也能进一步说明，获得排放信息和股票收益测算之间的时滞越长，排放数据的影响就越小。

　　最后，一个普遍关注的问题是，企业排放和股票收益通过企业的生产渠道内生地相关。例如，更高的收入可能带来更好的商业机会，但这也可能导致更高的排放和更高的已实现收益率。我们注意到，我们的数据无法证实这一预测。企业市场价值不会随排放量的增加（与商业机会变得更好一致）而提高。我们发现了刚好相反的结果，即账面市值比与碳排放正相关。企业排放量越高、排放量增长越快，其股价往往越低。因此，尽管生产的内生性是一个问题，但我们提供的估计结果构成了碳排放对碳溢价的实际影响的下限。

　　4.1.6地理分布

　　接下来，我们转而分析碳溢价在不同地区的分布。通过分析碳溢价的地理分布，我们可以评估我们的无条件结果是否受到特定区域的影响，或者是否在全球各地趋于一致。关于气候变化的经济学文献强调气候政策空间分布的重要性（Nordhaus and Yang，1996）以及物理影响（Cruz and RossiHansberg，2020）。不同地区对气候变化的风险暴露程度不同，适应能力也不同。对低碳转型风险来说，我们可以想到，国家的经济发展水平、社会规范或总体风险（headline risk）同样重要。与此同时，金融市场一体化可以抵消一部分国家层面的异质性。

　　我们通过比较北美、欧洲、亚洲和南半球国家（定义为“其他”）四个区域，评估低碳转型风险定价的地理分布。我们为坐落在北美地区的企业定义了指标变量Namerica，为坐落在欧洲的企业定义了指标变量Europe，为坐落在亚洲的企业定义了指标变量Asia。我们通过在（1）式和（2）式中分别增加这些指标变量与排放量变化率的交互项，改进了这两个回归模型。位于南半球的企业则作为缺失项。该模型可以同时检验两个假设：碳溢价是否为正且统计上显著，以及在不同地区之间是否存在差异。

　　估计结果如表8所示，表8A针对碳排放量，表8B针对碳排放量变化率。为简单起见，我们关注了范围1和范围3的排放。我们发现，北美、欧洲、亚洲三个地区明显比其他地区的碳溢价高。在10%置信水平上具有统计显著性的那些结果仅适用于北美地区的企业。重要的是，所有的碳溢价都大于零且统计上显著，特别是在考虑行业固定效应时。就排放量变化率而言，它对欧洲地区碳溢价的影响显著低于对北美和亚洲地区碳溢价的影响，但对三地碳溢价的影响均大于零且统计上显著。非洲、澳大利亚和南美洲是令人瞩目的地区，那里的S1CHG系数在基准模型中具有边界显著性（borderline significant），而考虑行业固定效应时，则不显著。这一结果相当有趣，因为这些地区的国家最不符合碳中和原则。表8碳排放量与股票收益率：地区　

　　结果稳健性的另一个重要问题是，企业总部的位置和实际排放的位置哪个更重要。对跨国企业来说，做这样的区分也许非常重要，因为跨国企业受到不同社会压力、政策或总体风险的影响。虽然我们的数据没有细到足以将企业排放总量分解到各个工厂，但是我们可以评估企业排放的影响在跨国企业和那些在单个国家经营的企业之间的差异。在实证分析中，我们定义了一个指标变量FORDUM，对于至少有一部分销售在国外的企业，FORDUM为1；对于其销售完全在一国之内的企业，则FORDUM为0。随后，我们估计了包含排放量指标和FORDUM的交互项的（1）式和（2）式中的模型（估计结果如附表A6所示）。

　　在所有这些实证模型设定中，我们发现，只有微弱的证据表明，跨国经营的企业展示出了股票收益对企业排放总量的不同敏感度。在包含排放量的模型设定中，FORDUM与排放量的交互项的系数小且统计上不显著；在包含排放量变化率的模型设定中，对排放范围3下的排放，这一交互项在10%的水平上显著。总之，企业排放的地理来源似乎并不是我们数据中碳溢价的主因。

　　综上所述，洲层面的结果显示，低碳转型风险在大多数地理区域具有经济上的显著性，而且全球的碳溢价存在一定程度上的地理差异，即使这基本上与低碳转型风险的短期测度相关。在本节的最后部分，我们将探讨低碳转型风险是否与一国的经济发展相关，在减缓气候变化国际协议的讨论框架中，这是一个主要议题。

　　4.1.7经济发展

　　一国的经济发展水平是影响气候变化政策的重要因素。发达国家通常会在应对气候变化方面做出更严格的承诺。由于发达国家是过去两个世纪累计排放最多的国家，所以在应对气候变化方面应该承担更多的责任。预计发展中国家碳溢价较低的另一个原因是目前这些国家的碳排量较低。此外，这些国家的经济并不是根深蒂固地建立在化石能源消费之上，因此可能更容易向可再生能源转型。相反，严重依赖化石能源的国家，短期内转型的意愿可能较低。

　　本节将探寻这些论点的实证意义。一个引人注目的一般性发现是，碳溢价似乎与各国的总体发展水平不相关，如表7A所示。我们首先将G20国家归类为发达国家，其余国家归类为发展中国家。*13.如果我们按照OECD成员国来定义发达国家，那么表7B中的结果在量级上也非常相似。当我们加入行业固定效应时，我们从附表A7观察到，G20国家的碳溢价与三种排放范围下的排放都显著相关，对多数发展中国家而言，情况也是如此（对于这些国家，排放范围2只在10%水平上显著）。而且，系数的大小相似。从碳排放对股票收益的短期影响看，无论是G20国家还是发展中国家，这些影响都是非常显著的。同样，系数的大小也大体相似。

　　诚然，上述国家分类，即划分为发展中国家和发达国家，是相当粗糙的，而且两个类别内不同国家之间的特征存在很大差异。因此，我们还研究了人均GDP和制造业占GDP比重、人均卫生支出这两个其他发展变量与排放量和排放量变化率的交互项产生的影响。如表9A所示，人均GDP与排放量的交互项并没有产生显著影响。这对制造业占比和排放量的交互项、人均卫生支出和排放量的交互项也都成立。总的来看，这些结果表明，发展水平的差异并不能解释各国之间长期的碳溢价差异。但是，如果我们考虑这些变量与衡量短期风险的排放量变化率的交互项，结论则会略有不同。现在，在人均GDP较高、卫生体系较健全的国家，从统计上看企业的股票收益较低；而在产出对制造业依赖程度较高的国家，企业的股票收益较高。这些结果符合如下判断，即发达国家的企业在遵守其国家的碳中和目标方面挑战较小。排放量增长这个变量告诉我们一国发展道路的可持续性。例如，如果一个发展中国家由于高度依赖煤炭而导致排放量快速增长，那么当逐步淘汰煤炭的压力增大时，该国的企业将面临更大的转型风险。

　　总之，低碳转型风险的地区和经济差异可能包含了一些特定的因素，这些因素导致了我们观察的结果。研究这些因素的起源是下一节的主题。

　　4.2低碳转型风险的驱动因素

　　尽管低碳转型风险的概念在政策讨论中经常被提及，但令人惊讶的是，人们对这种风险来源知之甚少。部分原因是，大多数关于低碳转型风险的研究聚焦于单个国家或单个行业（例如，Bolton and Kacperczyk，2021a；Hsu et al.，2020）。此外，许多评论人士常常将低碳转型风险单纯归因于政策的不确定性，而实际上其他方面（例如技术创新或价值体系）显然也是重要的。

　　本节探寻低碳转型风险显现的几个途径，包括技术、经济社会、监管政策和声誉风险，这四个途径影响未来的现金流，改变投资者对气候变化的关注度，而这种关注度是贴现率差异的一个根源。从实证角度识别这些途径的主要挑战是，我们基本上只能衡量国家层面的低碳转型风险的驱动因素。众所周知，由于国家层面的变量缺失，将股票收益与国家特征联系起来的回归模型可能得出有偏的估计。为了减轻这个问题，我们利用企业层面的碳排放数据，通过引入企业排放量与国家特征变量的交互项，来估计不同途径的作用。这一方法严格遵循拉詹和津加莱斯（1998）的识别策略，它引入了国家金融发展变量与行业融资约束变量的交互项。在我们的检验中，借助可观察的特征组合和固定效应，我们引入了企业、行业和国家层面的差异，从而改进识别的效果。

　　4.2.1技术结构

　　能源生产和碳捕捉技术的变革是低碳转型风险的重要来源之一。在向碳中和转型的过程中，企业的能源结构、碳排放强度、外部能源需求等均不相同。企业与新的绿色均衡下的目标技术状况差距越大，遭遇的潜在技术冲击也将越大。与之相关的风险可能来自绿色能源生产的超高成本和此类成本的不确定性。*14.本文没有讨论的另一个问题是搁浅资产减值的不确定性及其对企业价值造成的影响。Atanasova and Schwartz（2020）从实证角度分析了这一问题在石油天然气行业中的重要性。

　　本节将探讨这些因素对低碳转型风险的重要性。我们将技术因素分为两类：第一类与碳排放的生产侧相关，第二类与消费侧相关。首先，我们研究在可再生能源占比较高的国家，企业的碳溢价是否较低。其次，我们探讨化石能源生产部门的规模是否会影响碳溢价。我们的假说是，在能源行业占比越高的国家，企业碳溢价越高。再次，人均能源消耗也许能说明向低碳转型已经取得了多大的进展，它还可以说明对化石能源的未来预期需求。我们认为，高能耗国家的企业面临更高的转型风险。

　　这一分析的结果如表10所示。我们从中发现了一些有趣的模式。首先，我们发现，绿色能源和棕色能源的相关变量与碳排放量对股票收益的影响不太相关。在所有模型中，该交互项的系数都较小且统计上不显著。排放范围3和新能源依赖度的交互项是一个例外，但这一影响也仅仅在边际上显著（marginally significant）。其次，对于企业的碳排放增长，我们的数据证实了如下假说：更多基于可再生能源的经济会有更低的碳溢价。在可再生能源生产占比更高的国家，与年度碳排放增长相关的企业碳溢价更低，显著为负的交互项系数说明了这一点。同样，我们发现，能源行业占比与排放量变化率的交互项系数为正且非常显著，表明投资者认为，在化石能源行业规模较大的国家，与碳排放量相关的风险更大。有趣的是，发达国家通常更多地依赖可再生能源而非化石能源，这可以部分解释为什么发展中国家的短期转型碳溢价更高。与此同时，我们发现，无论我们关注的风险指标为何，能源消费与股票收益均不存在显著的相关性。其中的一个原因可能在于被消费的是绿色能源。此外，能源消费与能源生产可能并不在同一个国家。总之，技术结构短期和长期影响之间的这种差异表明，至少从资本市场的角度看，这个变量的影响本质上是短暂的。能源结构不能反映长期转型成本，因为在这个市场上，任何潜在的产品或工艺创新都有可能改变未来的预期。

　　总的来看，强有力的证据表明，一国的能源生产结构是投资者对碳排放短期变化而非排放量带来的风险如何定价的一个重要预测指标。这些结论的要点基本符合我们的假说，即技术变革的不确定性会增加低碳转型的风险。我们的分解分析进一步显示，投资者更关注能源生产侧而非能源消费侧的影响。

　　4.2.2社会政治环境

　　影响政府行动的制度和社会政治环境决定了未来碳排放政策的不确定性。我们可以想到，在政治稳定、社会和谐的社会中，政策的不确定性更低，在制度更民主的国家，政策随意摇摆的风险往往较低。相反，不太平等的社会更有可能违背其政策承诺，迈向碳中和的进程也更不可预测。气候政策的这种更大的不确定性反过来有可能反映在更高的碳溢价中。我们将探察这一途径，为此我们将考虑一国的法治和话语权是否影响企业的碳溢价。法治表示行为人对社会规则的信任和遵守程度，尤其是合同执行质量、产权、警察和法院以及犯罪和暴力发生的可能性。法治指标，即RULELAW标准化为-2.5~2.5。话语权反映一国公民参与政府选举的程度，以及言论自由、结社自由和媒体自由的程度。话语权VOICE的标准化值为-2.5~2.5。“2.5”表示发表言论没有障碍，“-2.5”表示完全无法发声。我们分析的另一个社会和政治稳定的间接指标是以基尼系数衡量的一国收入不平等。世界银行每年都会发布国家层面的这三个指标。和前文一样，我们将纳入这些变量与排放量和排放量变化率的交互项，以区分长期和短期影响（结果详见表11）。

　　我们发现，这些变量对排放量导致的碳溢价没有显著影响，从这些结果中得出的结论是，社会因素看起来并不影响由碳排放量导致的长期风险。在表11A中，所有交互项的系数都很小且统计上不显著。相反，我们发现，社会政治因素的确在短期内影响投资者对低碳转型风险的感知。如表11B所示，法治以及话语权与排放量变化率的交互项系数都显著为负。这表明，在法治程度更高、政治制度更民主的国家，碳溢价更低。基尼系数与排放量变化率的交互项系数显著为正，这意味着不平等程度越高的国家，碳溢价越大。总体而言，关于社会政治因素对碳溢价影响的这些结果与社会和谐程度越高则气候政策不确定性越小的观点一致。但是这些影响主要是短期的，这大概是因为社会经济环境处在不断变化的过程中，投资者认为当前的经济社会状况对气候政策的不确定性会产生短期影响。例如，政治环境和社会规范在中期和长期会发生变化；因此，短期内施加的任何约束在长期可能都不再有约束力。从另一个角度看，前文关于发达国家和发展中国家的短期碳溢价存在差异的发现也与各国之间不同的社会经济资本状况相关。

　　4.2.3气候政策的严格度

　　低碳转型风险通常与预期的监管变化相关，这些监管变化决定了向绿色经济的调整。投资者对未来气候政策的预期是风险的重要组成部分。在承诺减排更严格的国家，企业的碳溢价更高，尤其是在本地监管因联合国气候变化大会的行动倡议等泛政府（pangovernment）政策而加强时，更是如此。

　　缓解气候变化的政策主要有两个来源：国内监管机构和国际泛政府协定。本节将使用监管严格程度的国别数据，分别评估这两个政策来源的重要性。我们的政策数据来自德国观察。就我们所知，我们的研究是第一个大样本研究，评估了两类政策对全球股票收益的直接影响。德国观察每年都会收集气候变化政策的信息，并将这些信息转化成一套数字化评分，其中得分越高意味着监管制度越严格。我们定义了两个变量INTPOLICY和DOMPOLICY，前者是国际气候变化政策严格程度的标准化指标；后者是国内气候变化政策严格程度的标准化指标。*15.更多细节可从德国观察网站了解：https//www.germanwatch.org/en/21110。我们还分别构建了这两个变量与企业排放量和排放量变化率的交互项（评估结果详见表12）。

　　我们可以得到两个有趣的发现。第一，表12A给出了气候变化政策对碳排放量导致的碳溢价的影响。对于排放范围1和排放范围3，这一影响为正且经济上显著，而对于排放范围3，这一影响统计上也显著。另一方面，如表11B所示，两类气候政策的严格程度都不影响排放量年度增长导致的碳溢价。这些结果表明，投资者通常会将气候政策视为对低碳转型风险的永久性冲击。也就是说，投资者认为，已经实施的气候变化政策基本上是不可逆的。第二，也许更令人意外的是，我们发现，在两类气候政策中，国内政策对碳溢价的影响更大。该结论解释了许多分析人士的担心，即各国在《巴黎协定》或《格拉斯哥气候公约》中做出的承诺可能无法落实；这些国际承诺只有转变为国内政策，才是可靠的。只有在这些承诺有了后续的国内政策实施时，投资者才会予以关注。

　　4.2.4棕色声誉风险

　　声誉风险是低碳转型风险的重要组成部分。我们将一些化石能源密集型行业定义为“惹眼”（salient）行业，它们以媒体的负面报道而闻名，这会进一步放大其低碳转型风险。因此，我们的问题是，碳溢价是否主要集中在石油和天然气、公用事业和汽车等作为负面新闻报道焦点的行业？碳溢价的行业差异是否由“棕色”行业的负面声誉导致？鉴于媒体主要关注那些惹眼的“棕色”行业，我们可以预料到，对这些行业中的企业进行投资的人会认为持有这些企业的股票使他们遭受了负面声誉的影响，因此在风险定价中要求有额外的风险补偿。

　　为了验证这一假说，我们估计表6中的回归模型，但剔除了上述惹眼行业。如果这些惹眼的棕色行业确实声誉更差，那么我们可以预期其他行业的碳溢价更低。表13中给出了我们的估算结果。有意思的是，当剔除棕色行业后，我们发现碳排放量导致的碳溢价（如果有的话），变得更大且统计上更显著；碳排放量增加导致的碳溢价也非常显著。这一发现表明，负面声誉已经“烙刻”在这些棕色行业中，但还没有烙刻在分析师较少关注的行业中。这些发现也与表6中的结果一致，即碳排放量导致的行业间股票收益差异掩盖了行业内的股票收益差异。另一种可能是，当一个国家严重依赖棕色行业时，负面声誉可能会蔓延至整个国家，在国家分类的“其他”类中，有许多国家都属于这种情况。根据这一解释，我们在这类国家中发现的较弱结果也许可归因于过度依赖棕色行业导致的污名化。但需要注意的是，我们的回归模型包含了国家固定效应，这可能在一定程度上减弱了棕色声誉在国家层面的影响。

　　4.2.5物理风险

　　气候风险领域的很多经济学文献都试图估计气候变化造成的物理损害。一个自然假说是，低碳转型风险与物理风险呈正相关。随着各国遭遇气候变化引发的极端天气事件增多，我们可以预见，各国将更多地支持应对气候变化的政策。换句话说，一国遭受气候灾害的程度可能会影响投资者对气候变化带来的长期损害成本的判断。为了验证这一假说，我们采用德国观察中衡量物理风险的国家层面的年度指数（CRI）。该指数根据与气候相关的损害发生频率构建。CRI指数较高的国家，其物理风险较高。我们估计了CRI和企业排放量以及排放量变化率的交互项系数（估计结果详见附表A8，表中第1~4列是基于总排放量的估计结果，第5~8列是基于排放量变化率的估计结果）。与物理风险放大了转型风险导致的碳溢价这一假说一致，我们发现，CRI与碳排放量变化率的交互项系数均为正值。但是，所有这些系数在统计上都不显著。而且与我们的预测相反，与排放量相关的交互项系数都为负（但这些系数无论在统计上还是经济上都较小）。总的来说，我们的结论是，低碳转型风险看起来与不同的物理风险暴露并不显著相关，这可能是因为物理风险是局部风险，而低碳转型风险是全局风险。事实上，澳大利亚、巴西和俄罗斯等国家，或者美国的得克萨斯、佛罗里达和西弗吉尼亚这样经常经历大规模气候灾害的州，并没有发生关闭煤矿和其他化石能源依赖型经济活动的政治运动。不知为何，这些国家（和美国这些州）的政治进程似乎与物理风险并不相关。

　　4.2.6投资者认识的变化

　　到目前为止，我们分析了影响碳溢价的现金流不确定性机制。另一个可能影响碳溢价的机制是投资者对气候变化和低碳转型风险的看法发生变化，从而导致贴现率变化。我们之前的研究（2021a）发现了贴现率机制的证据，其中投资者对低碳转型风险的看法随时间而改变，但是这些证据完全基于美国的企业，这就提出了证据的外部有效性问题。更重要的是，这些证据几乎没有说明投资者看法的变化改变了哪些方面的转型风险。虽然本文的分析涵盖了77个国家，但由于我们将2005—2018年的所有观测值汇总在一起，所以无法清晰地分离出这一机制的影响。不过，我们可以考察那些改变了公众对气候变化看法的重大事件对碳溢价的影响。2015年12月在巴黎举行的第21届联合国气候变化大会上达成了《巴黎协定》就是这样的重大事件。这一事件提高了气候争论在全球的关注度，并强调了未来可能发生的低碳转型风险。因此可以预见的是，该事件可能在多个方面改变了投资者对低碳转型风险的看法，包括未来的能源成本、社会偏好或政策变化。我们对这一事件的实证分析包含了上述所有的可能性，描述了投资者对这一事件的反应带来的影响。

　　具体来说，我们定义了指标变量Paris，在《巴黎协定》达成之前的两年（2014—2015年）为0，在《巴黎协定》达成之后的两年（2016—2017年）为1。然后在模型中增加Paris与碳排放的交互项，对股票收益进行回归分析，结果见表14。需要注意的是，在《巴黎协定》之前，范围1的碳排放量没有产生显著的碳溢价（即使考虑行业固定效应），在《巴黎协定》之后有显著为正的碳溢价。我们还发现，范围3的碳排放量会导致更高的溢价。另外，在《巴黎协定》之前，关于排放量变化率的回归结果是显著的，且与《巴黎协定》之后并无显著差异。对这些不同结果的一个解释是，由于第21届联合国气候变化大会，投资者显著更新了他们对长期转型风险的看法。与我们之前的研究发现一致，这些结果也表明，《巴黎协定》在改变投资者对未来气候政策的看法方面有十分重要的作用。事实上，这已成为业内和政策制定者的流行叙事。

　　《巴黎协定》对全球哪些地区的影响最大？为了回答这个问题，我们针对每个大洲估计了表14中的模型。表15给出了与碳排放量相关的估计结果。有趣的是，北美地区并无显著变化。无论是在《巴黎协定》之前还是之后，北美地区的碳排放量都没有导致明显的碳溢价。在欧洲，《巴黎协定》之前和之后都存在显著的碳溢价（《巴黎协定》之后排放范围1的碳溢价变得不显著是个例外）。因此，在《巴黎协定》前后，欧洲的碳溢价并没有显著变化。亚洲地区的变化最大且统计上显著。在《巴黎协定》之前，亚洲的碳溢价并不显著，但在之后变得非常显著；无论是否剔除中国，都是如此。最后，其他地区（非洲、澳大利亚和南美洲）在《巴黎协定》前后的碳溢价均发生显著为正的变化，尽管这一变化基于的样本规模较小。

　　另一个重要的分类是G20国家和其他国家，结果见附表A9。同样，在《巴黎协定》前后，G20国家的碳溢价有很大差异。无论是否考虑行业固定效应，在《巴黎协定》之前碳溢价并不显著，但在之后出现了显著为正的碳溢价。相比之下，其他国家的变化要小得多，主要是排放范围3下的碳溢价变化较为显著。

　　我们还分析了剔除与化石能源相关的惹眼行业后的影响。请回想我们将所有年份汇总在一起的横截面分析，它表明，即使剔除这些行业，碳溢价也是存在的。附表A10给出的结果在《巴黎协定》这一冲击前后都呈现出相似的稳健性。实际上，在《巴黎协定》之后，其他行业也有非常显著为正的由碳排放量导致的碳溢价。 *16.我们检验了与认识变化相关的这些结果是否受到了Trucost数据库中的新企业样本的影响。附表A11中的结果也显示了对“旧样本”（legacy sample）的相似影响，因此新增的企业样本不可能影响结果。

　　总而言之，这些结果描绘出一幅相当有意思的各国碳转型风险定价的图景。对碳溢价长期显著变化的预期似乎反映在重大事件中，如《巴黎协定》。本文中一个有趣的意外发现是，亚洲对反映在碳溢价中的碳风险的认识变化最大，那里的投资者在《巴黎协定》之后对低碳转型风险的认识迅速提升，而欧洲和北美则基本保持不变。这要么是因为这些地区（如欧洲）对气候变化已经有了更深的认识，要么是因为认识不够或没有改变他们的看法（如北美）。

　　与碳溢价解释相关的一个潜在问题是，我们是在相对短的时期内测算碳溢价的变化。*17.在未在表中展示的检验中，我们还使用2005—2015年的长时段作为对照时段，检验了碳溢价的变化。交互项的结果在量级上相似。另一种解释也许是完全出于运气；我们的发现仅仅是随机抽签的结果。尽管不可能检验这一运气假说，但我们应该牢记《巴黎协定》是特别重大的事件，它的重要影响已经在其他地方得到了证明。而且过去十年也见证了气候事件的显著增加，以及媒体对这些事件的报道也急剧增加，因此任何基于风险变化的解释都得到了这些趋势的坚实支撑。

　　4.3迈向绿色新均衡

　　我们的估计结果大体上与投资者因其面临的低碳转型风险而得到收益溢价作为补偿是一致的。但投资者在哪个点上要求对这种风险进行补偿?基本的逻辑表明，在低碳转型风险得到补偿之前，应该是反映新风险的资产再定价时期。理论上，资产再定价是一个漫长的过程，它与经济从棕色均衡转向绿色均衡的过程并行。此外，资产再定价受投资者对气候变化风险的认识变化的驱动。在这一转型阶段，我们也许可以看到，对低排放资产的需求增加（因而价格上涨），对高排放资产的需求减少（因而价格下降）。虽然这种调节机制很简单，但是检验这种资产价格变化颇具挑战，特别是考虑到全球金融市场的异质性。在这种情况下，不同资产可能在不同的时间以不同的速度转型。

　　由于缺乏一个清晰的大规模实证模型，我们将利用来自烟草行业的提示性证据（suggestive evidence），在这个行业，资产再定价过程伴随着烟草公司被再塑为罪恶股。正如有研究（Hong and kacperzyk，2009）所示，将烟草行业再归类为罪恶资产意味着许多投资者将之列入了撤资名单。这种撤资运动带来了更高的预期回报要求（Merton，1987）。20世纪50年代以前，人们不知道烟草对健康的负面影响；相反，许多人认为烟草具有某种治疗功能。这种看法随着外科医生的报告而改变，这些报告极大地改变了人们对烟草行业的看法。因此，在1950—1970年间，烟草行业出现了大规模的价值重估，烟草公司的估值倍数大大降低。继这一再定价之后，烟草公司在随后的40年里实现了高额收益。

　　我们相信，同样的过程也在能源行业上演，其中绿色能源企业的估值倍数大幅上升，而某些棕色企业的估值倍数已经下降。从我们的某些检验中，可以推断这些再定价效应。正如表13所示，当我们从样本中剔除惹眼行业时，范围1的排放量对股票收益的影响就会更大，其值高于表6中的无条件值，这意味着在我们的样本期间，惹眼行业的表现总体上低于（更低排放的）其他行业。但有趣的是，这一差异仅出现在无行业固定效应的模型中，这表明重新定价的范围是整个行业，而非行业中的某些个别企业。正如烟草行业曾经经历的，重新定价并不是一次性的重新估值。事实上，投资者对碳排放的态度是不断变化的，因此很可能出现多波重新定价，其间伴随着高收益时期。实际上，我们认为，这就是我们的数据刻画的情形。由于低碳转型过程正在进行之中，所以上述结论可能仅仅是猜测性的推断，我们希望未来的低碳转型样本检验能够证实这一推断。