Tämän Pro gradu -tutkielman tarkoituksena oli selvittää, onko Euroopan unionin päästökauppajärjestelmä onnistunut luomaan päästöoikeuksista toimivan markkinainstrumentin, jonka kautta kasvihuonepäästöjä voidaan vähentää. Tutkielmassa todetaan että, koska EU ETS toimii ”päästökatto ja -kauppa” -järjestelmän mukaisesti, päästöoikeuden hinnannousun ja korkean hinnan tulisi ohjata yrityksiä sekä laitoksia vähentämään tarvittavien päästölupien määrää suosimalla vähempipäästöisiä energiamuotoja ja investoimalla fossiilisten energialähteiden sijaan vihreämpiin energialähteisiin. Tämän seurauksena fossiilisen energian kysynnän tulisi pienenentyä ja uusiutuvan energian kysynnän kasvaa päästöoikeuden hinnan noustessa. Tällöin tutkielman ekonometrisessä analyysissa tulisi havaita positiivisia kausaalisuuksia päästöjen ja uusiutuvan energian väliltä sekä negatiivisia kausaalisuuksia päästöjen ja uusiutumattomien energiamuotojen väliltä. Granger-kausaalisuuksien lisäksi tutkielman ekonometrisessä osuudessa tutkittiin päästöluvan ja energia-arvopaperien välisiä riippuvuussuhteita tarkastelemalla niiden volatiliteettien heijastusvaikutuksia.
Tutkielman empiirisessä osassa aineistona käytettiin päästö-, Brent-raakaöljy- ja kivihiilifutuurien sekä STOXX Ltd:n uusiutuvan ja uusiutumattoman energian indeksien
44
päivittäisiä aikasarjoja ajanjaksolta 1.4.2008 – 31.12.2019. Empiirisessä osassa suoritettiin ekonometrinen analyysi, missä muuttujien välisiä Granger-kausaalisuuksia ja volatiliteetin heijastusvaikutuksia tutkittiin diagonaalisella VAR-BEKK-mallilla.
Diagonaalisen VAR-BEKK-mallin keskiarvoyhtälön tulokset osoittivat, ettei Euroopan unionin päästökauppajärjestelmä ole saavuttanut tavoitteitaan tarkastellulla ajanjaksolla.
Päästöoikeuksien edellisen päivän tuottoshokit eivät ole vaikuttaneet tutkielmassa käytettyjen muiden energia-arvopaperien seuraavan päivän tuottoihin. Päästöoikeudet eivät siis ole Granger-aiheuttaneet muiden energia-arvopaperien tuottoja. Sen sijaan tutkielmassa havaittiin yksi päinvastainen Granger-kausaalisuus. Euroopan öljy ja kaasu -sektorin indeksi näyttäisi Granger-aiheuttaneen päästöoikeuksien tuottoja. Lisäksi keskiarvoyhtälön tulokset osoittivat, että öljyn tuotto on Granger-aiheuttanut uusiutumattoman energian indeksin tuottoja.
Myös diagonaalisen VAR-BEKK-mallin ehdollisen kovarianssiyhtälön tulokset tukivat aiempaa johtopäätöstä, ettei Euroopan unionin päästökauppajärjestelmä ole täysin onnistunut pyrkimyksissään. Ehdollisen kovarianssiyhtälön tulokset paljastivat, että EU ETS:n päästöoikeuksissa tapahtunut tuottoshokki on vaikuttanut seuraavan päivän päästöoikeuksien yhteisvolatiliteetteihin muiden energia-arvopaperien kanssa. Tämän lisäksi havaittiin päinvastaiset heijastusvaikutukset aineiston muiden energia-arvopaperien tuottoshokeista seuraavan päivän yhteisvolatiliteetteihin EU ETS:n päästöoikeuksien kanssa. Näiden tulosten perusteella ei voida siis sanoa, että päästöoikeuden ja energia-arvopaperien välinen riippuvuussuhde kulkisi nimenomaan päästöoikeuksista muihin energia-arvopapereihin. Ekonometrisen analyysin tuloksiin liittyen mielenkiintoinen havainto on myös, että aineiston muuttujien väliltä havaittiin vain kaksi tilastollisesti merkitsevää Granger-kausaalisuutta, mutta kaikki aineiston muuttujien väliset yhteisvolatiliteetin heijastusvaikutukset olivat kuitenkin tilastollisesti merkitseviä. Toisin sanottuna energia-arvopaperien tuotot eivät riipu toistensa tuotoista, mutta niiden riskit kuitenkin riippuvat.
Tutkielman tuloksia tarkastellessa huomioitavaa on, että käytetty diagonaalinen VAR-BEKK-malli salli ainoastaan yhteisvolatiliteetin heijastusvaikutusten tutkimisen. Tämän seurauksena tutkielmassa ei pystytty tutkimaan täysiä volatiliteetin heijastusvaikutuksia yhdestä arvopaperista toiseen. Mahdollinen jatkotutkimuksen aihe voisikin olla päästöluvan ja energiasektorin välisten volatiliteettien heijastusvaikutusten tutkiminen
45
ekonometrisella menetelmällä, joka sallisi päästöoikeuden ja energia-arvopapereiden välisten täysien volatiliteetin heijastusvaikutusten tarkastelun. Tällainen lähestymistapa sallisi yksisuuntaisen volatiliteetin heijastumisen tarkastelun, joka palvelisi mahdollisesti paremmin tutkielman tarkoitusta. Täysien volatiliteetin heijastusvaikutusten tutkiminen saattaisi siis tarjota hyödyllistä lisäinformaatiota EU:n päästökauppajärjestelmän toiminnasta.
Toinen olennainen tutkielman tuloksiin liittyvä seikka on empiirisessä osassa käytetyn aineiston ajanjakson pituus. Tässä tutkielmassa käytetty aineisto ulottuu vuodesta 2008 vuoden 2019 loppuun, minkä takia siinä on havaintoja päästökauppajärjestelmän toisesta (2008 - 2012) ja kolmannesta vaiheesta (2013 - 2020). Näin ollen huonommin menneen päästökaupan toisen vaiheen ajalle sijoittuvat muuttujien arvot saattoivat johtaa tulokseen, ettei EU ETS ole päässyt tavoitteisiinsa. On siis mahdollista, että päästökauppa on kuitenkin ollut toimivaa esimerkiksi kolmannen vaiheen lopussa. Ekonometrisessä analyysissä käytetty pitkä ajanjakso ei välttämättä anna tarkkaa tietoa EU:n päästökauppajärjestelmän nykytilasta. Toinen jatkotutkimuksen aihe voisikin siis olla päästöluvan ja energiasektorin välisten volatiliteettien heijastusvaikutusten tarkastelu lyhyemmällä aineiston ajanjaksolla.
Tämän tutkielman lopuksi todetaan, että tutkielman tulokset saattavat olla hyödyksi energia-arvopapereista kiinnostuneille sijoittajille, jotka pyrkivät optimoimaan sijoitussalkun riskin ja tuoton suhteen. Lisäksi tutkielman tulokset antavat tietoa EU:n päästökauppajärjestelmän toimivuudesta tarkastellulla aikavälillä, minkä pohjalta päästökauppajärjestelmää voidaan mahdollisesti kehittää.
46
Lähteet
Aatola, P., Ollikainen, M. & Toppinen, A. (2013). Price determination in the EU ETS market: Theory and econometric analysis with market fundamentals. Energy Economics, 36, 380–395
Akaike, H. (1973). Information theory and an extension of the maximum likelihood principle. Second International Symposium on Information Theory, 267–281.
Allen, D. & McAleer, M. (2018). Theoretical and empirical differences between diagonal and full BEKK for risk management. Energies, 11(7), 1627.
Benz, E. & Trück, S. (2009). Modeling the price dynamics of CO 2 emission allowances. Energy Economics, 31(1), 4–15.
Bollerslev, T. (1986). Generalized Autoregressive Conditional Heteroskedasticity.
Journal of Econometrics, 31(3), 307–327.
Carnero, M., Olmo, J. & Pascual, L. (2018). Modelling the dynamics of fuel and EU allowance prices during phase 3 of the EU ETS. Energies, 11(11)
Chang, C., Ilomäki, J., Laurila, H. & McAleer, M. (2020). Modelling Returns and Volatility Spillovers in European Energy Assets.Sustainable Energy Reviews.
Chang, C., Li, Y. & McAleer, M. (2018). Volatility Spillovers Between Energy and Agricultural Markets: A Critical Appraisal of Theory and Practice. Energies, 11(6), 1595–.
Chang, C., McAleer, M. & Wang, Y. (2018). Latent Volatility Granger Causality and Spillovers in Renewable Energy and Crude Oil ETFs. SSRN Electronic Journal.
47
Chang, C., McAleer, M. & Zuo, G. (2017). Volatility Spillovers and Causality of Carbon Emissions, Oil and Coal Spot and Futures for the EU and USA. Sustainability, 9(10), 1789–.
Chevallier, J. (2012). Time-varying correlations in oil, gas and CO2 prices: an application using BEKK, CCC and DCC-MGARCH models. Applied Economics, 44(32), 4257–
4274.
Crocker, T. (1966). The Structuring of Atmospheric Pollution Control Systems. The Economics of Air Pollution, 61–86.
Danielsson, J. (2011). Financial risk forecasting: The theory and practice of forecasting market risk with implementation in r and matlab. Hoboken: John Wiley & Sons.
Dickey, D. & Fuller, W. (1979). Distribution of the Estimators for Autoregressive Time Series With a Unit Root. Journal of the American Statistical Association, 366, 427–431.
Engle, R. (1982). Autoregressive Conditional Heteroscedasticity With Estimates Of The Variance Of United Kingdom Inflation. Econometrica (Pre-1986), 50(4), 987.
Engle, R. & Kroner, K. (1995). Multivariate Simultaneous Generalized Arch. Econometric Theory, 11(1), 122-150.
Euroopan komissio. (2016). EU ETS Phases 1 and 2 (2005-2012). Haettu osoitteesta:
https://ec.europa.eu/clima/policies/ets/pre2013_en
Euroopan komissio. (2016). The EU Emissions Trading System (EU ETS). Luxembourg:
European Union Publications Office.
Foxscully xf englanninkielisessä Wikipediassa. (2020). The Emissions Trading Economics of Two Participating Countries. Haettu osoitteesta:
https://en.wikipedia.org/w/index.php?title=File:Emissions.Trading.jpeg
Granger, C. (1980). Testing for causality: A personal viewpoint. Journal of Economic Dynamics & Control, 2(1), 329–352.
48
Ibe, O. (2013). Elements of Random Walk and Diffusion Processes. Somerset: John Wiley
& Sons, Incorporated.
Jong, T., Couwenberg, O. & Woerdman, E. (2014). Does EU emissions trading bite? An event study. Energy Policy, 69, 510–519.
Keppler, J. & Mansanet-Bataller, M. (2010). Causalities between CO2, electricity, and other energy variables during phase I and phase II of the EU ETS. Energy Policy, 38(7), 3329–3341.
Koch, N., Fuss, S., Grosjean, G. & Edenhofer, O. (2014). Causes of the EU ETS price drop: Recession, CDM, renewable policies or a bit of everything?—New evidence. Energy Policy, 73, 676–685.
Mandelbrot, B. (1963). The Variation of Certain Speculative Prices, The Journal of Business 36(4), 394-419.
Markowitz, H. (1952). Portfolio Selection. The Journal of Finance. 7 (1): 77–91.
Pigou, A. (1920). The Economics of Welfare. London: Macmillan.
Schwarz, G. (1978), "Estimating the dimension of a model", Annals of Statistics, 6 (2):
461–464.
Simkins, B. & Simkins, R. (2013). Energy finance: Analysis and valuation, risk management, and the future of energy. Hoboken (N.J.): Wiley.
Stelzer, R. (2008). On the Relation between the Vec and BEKK Multivariate GARCH Models. Econometric Theory, 24(4), 1131-1136.
Tan, X. & Wang, X. (2017). Dependence changes between the carbon price and its fundamentals: A quantile regression approach. Applied Energy, 190, 306–325.
49 Thomson Reuters. (2020). Aineiston muuttujat.
Tsay, R. S. (2010). Analysis of financial time series. Hoboken: John Wiley & Sons.
Tuomala, M. (2009). Julkistalous. Helsinki: Gaudeamus. Print.
Xekalaki, E. & Degiannakis, S. (2010). Arch models for financial applications. Hoboken:
John Wiley & Sons.
Yhdistyneet kansakunnat. (1997). Kyoto protocol. Haettu osoitteesta:
https://unfccc.int/resource/docs/convkp/kpeng.pdf
Yhdistyneet kansakunnat. (2015). Paris agreement. Haettu osoitteesta:
https://unfccc.int/sites/default/files/english_paris_agreement.pdf
Yu, L., Zha, R., Stafylas, D., He, K. & Liu, J. (2019). Dependences and volatility spillovers between the oil and stock markets: New evidence from the copula and VAR-BEKK-GARCH models. International Review of Financial Analysis, 68, 101280–.
Zhang, Y. & Sun, Y. (2016). The dynamic volatility spillover between European carbon trading market and fossil energy market. Journal of Cleaner Production, 112, 2654–266.
50
Liitteet
Liite 1: Muuttujien kuvailua OxMetrics -ohjelmalla
Liite 1: Normaalisuustestit ja aineiston kuvailua
Päästöt Öljy Kivihiili Uusiutuva
energia Uusiutumaton energia
Observations 3065 3065 3065 3065 3065
Mean 2,76E-05 -0,00013612 -0,00028124 -0,00022257 -4,75E-05 Std.Devn. 0,031115 0,021588 0,015299 0,025922 0,014952 Skewness -0,8549 0,033319 -1,7062 -0,44647 -0,057965 Excess Kurtosis 16,846 3,9767 45,597 7,7485 7,6319
Minimum -0,43474 -0,10946 -0,22859 -0,2054 -0,10037
Maximum 0,24051 0,13639 0,17419 0,18477 0,11859
Median 0 9,26E-05 0 0 0,00025003
Madn 0,022009 0,014808 0,0055632 0,017655 0,010435 Normality test 4670,6
[0.0000]** 906,15
[0.0000]** 12107
[0.0000]** 2011,6
[0.0000]** 2209,1 [0.0000]**
51
Liite 2: Dickey Fuller yksikköjuuritestit aikasarjoille OxMetrics -ohjelmalla
ADF -testi:
∆𝑌𝑡 = 𝛽1+ 𝛿𝑌𝑡−1+ ∑ 𝛼𝑖𝑌𝑡−𝑖+ 𝑢𝑡
𝑚 𝑖=1
H0; 𝜹 = 0, eli aikasarja on epästationaarinen H1; 𝜹 < 0, eli aikasarja on stationaarinen
Liite 2: Yksikköjuuritestit
Päästöt: ADF tests (T=3062, Constant+Trend; 5%=-3.41 1%=-3.97)
D-lag t-adf beta Y_1 sigma t-DY_lag t-prob AIC F-prob 2 -34.36** -0,09666 0,031 1,214 0,2248 -6,946
1 -42.36** -0,07309 0,03101 4,804 0 -6,946 0,2248
0 -54.62** 0,012472 0,03112 -6,939 0
Öljy: ADF tests (T=3062, Constant+Trend; 5%=-3.41 1%=-3.97)
D-lag t-adf beta Y_1 sigma t-DY_lag t-prob AIC F-prob 2 -32.21** -0,05684 0,02155 -1,195 0,2321 -7,673
1 -40.95** -0,08018 0,02155 0,8743 0,382 -7,673 0,2321
0 -58.91** -0,06336 0,02155 -7,674 0,3341
Kivihiili: ADF tests (T=3062, Constant+Trend; 5%=-3.41 1%=-3.97)
D-lag t-adf beta Y_1 sigma t-DY_lag t-prob AIC F-prob 2 -32.36** 0,02717 0,01525 0,8895 0,3738 -8,364
1 -38.94** 0,042555 0,01525 1,784 0,0746 -8,365 0,3738
0 -51.49** 0,072421 0,01526 -8,364 0,1374
Uusiutuva: ADF tests (T=3062, Constant+Trend; 5%=-3.41 1%=-3.97)
D-lag t-adf beta Y_1 sigma t-DY_lag t-prob AIC F-prob 2 -33.47** -0,02146 0,02586 2,36 0,0183 -7,309
1 -39.38** 0,020314 0,02588 1,876 0,0608 -7,308 0,0183
0 -52.49** 0,052432 0,02589 -7,307 0,0107
52
Uusiutumaton: ADF tests (T=3062, Constant+Trend; 5%=-3.41 1%=-3.97)
D-lag t-adf beta Y_1 sigma t-DY_lag t-prob AIC F-prob 2 -34.13** -0,07418 0,01493 2,076 0,038 -8,406
1 -40.89** -0,03535 0,01494 2,929 0,0034 -8,406 0,038
0 -54.40** 0,016656 0,01496 -8,404 0,0016
ADF -testien tulokset:
Kaikkien muuttujien kohdalla H0 hylätään ja H1 hyväksytään 1% merkitsevyystasolla, koska niiden testisuureiden arvot ovat pienempiä kuin 1% kriittinen raja -3.97. Todetaan, että muuttujat ovat stationaarisia.
53
Liite 3: OxMetrics G@RCH -ohjelmalla suoritetun VAR(1) BEKK(1,1,5) -mallin estimoinnin tulokset
Keskiarvoyhtälö:
𝑌𝑡= 𝜇 + 𝜑𝑌𝑡−1+ 𝜀𝑡
Ehdollisen kovarianssimatriisin yhtälö:
𝐻𝑡 = 𝐶𝐶′+ 𝐴𝜀𝑡−1𝜀𝑡−1′ 𝐴′+ 𝐵𝐻𝑡−1𝐵′
*************
AIKASARJAT
*************
#1: Päästöt
#2: Öljy
#3: Kivihiili
#4: Uusiutuva
#5: Uusiutumaton
Liite 3: Diagonaalinen BEKK-malli
Coefficient Std.Error t-value t-prob
Cst1 0,001 0,000 1,365 0,173
Cst2 0,000 0,000 0,931 0,352
Cst3 0,000 0,000 -1,267 0,205
Cst4 0,000 0,000 0,940 0,347
Cst5 0,000 0,000 0,775 0,438
Päästöt_1 (X)-1 0,023 0,021 1,124 0,261
Öljy_1 (X)-1 -0,013 0,022 -0,584 0,559
Kivihiili_1 (X)-1 -0,048 0,037 -1,292 0,196
Uusiutuva_1 (X)-1 0,011 0,021 0,512 0,609
54
55
Liite 4: Diagonaalisen BEKK-mallin tietoja
Liite 4: Diagonaalisen BEKK-mallin tietoja
Diagonaalisen BEKK-mallin tietoja
Havaintojen määrä 3064
Parametrien määrä 55
Aikasarjojen määrä 5
Log Likelihood 40733.154
Käytetyn aineiston ajanjakso 03.04.2008 – 31.12.2019
56
Liite 5: Diagonaalisen BEKK-mallin informaatiokriteerit
Liite 5 :Diagonaalisen BEKK-mallin informaatiokriteerit
Diagonaalisen BEKK-mallin informaatiokriteerit
Akaike -26.552320
Shibata -26.552949
Schwarz -26.444124
Hannan-Quinn -26.513444