老齡化、城鎮化與碳排放

李飛越

摘要：基于1995-2012年的分省動態面板數據，通過改造KAYA恒等式，運用系統廣義矩估計（SYSGMM）和DriscollKraay協方差矩陣估計等計量方法對老齡化、城鎮化與碳排放之間的關系進行了考察。研究表明，老齡化和城鎮化均與碳排放存在倒“U”型關系：在老齡化初期由于存量人口紅利的存在碳排放會保持上升趨勢，但是長期來看人口壽命延長導致的老齡化對碳排放會產生明顯的抑制作用；城鎮化起步和加速階段高耗能的生產和生活方式會增加碳排放，但當城鎮化達到一定程度后，生產和消費方式的轉變以及節能技術的發展會抑制碳排放的增加。

關鍵詞：老齡化；城鎮化；碳排放；動態面板

中圖分類號：C92424文獻標識碼：A文章編號：1000-4149（2015）04-0009-10

DOI：103969/jissn1000-4149201504002

一、引言

氣候變暖是21世紀人類發展所面臨的最棘手的環境問題之一，人類活動造成的二氧化碳等溫室氣體的排放是造成這一現象的主要原因。國際能源署數據顯示，從2006年起我國二氧化碳排放量已居世界首位，到2012年碳排放量已達3億噸資料來源：International Energy Agency. CO2 Emissions from Fuel Combustion（2013 Edition）＼[EB/OL＼].http：//www.iea.org/books，但這已經是過去10年最低的數字之一，這一方面顯示出中國在碳減排方面所做的努力，另一方面則反映了中國所面臨的巨大碳減排壓力。在碳排放量不斷增加的同時，中國人口結構也發生著劇變，代表人口年齡結構的老齡化率（65歲及以上年齡人口占總人口比例）從1982年的493%上升到2013年的97%，代表人口城鄉結構的城鎮化率從1982年的2113%上升到2013年的5373%資料來源：對應年份中國統計年鑒。。碳排放量與人口老齡化及城鎮化保持了一致的上升趨勢，顯示出人口結構和碳排放之間可能存在相關關系。

從已有研究碳排放影響因素的文獻來看，涉及到人口方面的因素大多數只考慮了人口規模，多數學者認同人口規模的膨脹會導致碳排放量上升[1-2]，關于人口年齡結構與碳排放關系的討論也是最近幾年才興起的，僅有的一些文獻研究結果分歧較大。道爾頓（Dalton）以家庭層面的微觀數據為主，借助人口-環境-技術模型，研究了未來美國老齡化對碳排放的影響，結果表明，長期來看人口老齡化會顯著降低碳排放水平，在一定條件下老齡化對碳排放的減排作用甚至超過技術進步的碳減排作用[3]。彭希哲和朱勤應用STIRPAT擴展模型考察了人口年齡結構對碳排放的影響，研究表明人口年齡結構對碳排放是一種間接影響，人口老齡化無論從生產領域還是消費領域都將對碳排放產生一定的抑制性影響[4]。李楠和邵凱利用1995-2007年的全國時間序列數據研究了人口結構和碳排放之間的關系，也得出老齡化會抑制碳排放的結論[5]。劉輝煌和李子豪利用全國層面時間序列數據和省級層面的面板數據采用因素分解和動態面板的估計方法研究了老齡化和碳排放之間的關系，全國層面的研究表明老齡化是中國近年來人均碳排放增加的重要原因，分省層面的研究表明老齡化對碳排放存在顯著的倒“U”型影響[6]。王芳和周興利用跨國面板數據的研究表明老齡化對碳排放存在“U”型影響，得出與彭希哲和李子豪相反的結論[7]。托比亞斯（Tobias）和海因茨（Heinz）通過對經濟合作組織（OECD）的研究表明，不管是人口年齡結構的轉變還是人口的代際效應都顯著加劇了碳排放[8]，這個結論區別于大多數研究結果。不同于老齡化，人口城鎮化水平是較早受到研究者關注的人口結構因素，在人口城鎮化和碳排放關系研究方面，大多數研究結果都表明人口城鎮化是影響碳排放量的重要因素之一，不過在人口城鎮化對碳排放的作用路徑上并沒有形成比較一致的結論。多數學者認為中國的人口城鎮化增加了碳排放[9-12]。也有研究認為人口城鎮化有利于我國碳減排[6-7，13]。

通過梳理文獻可知，雖然有少數學者討論了中國人口年齡結構和城鄉結構與碳排放之間的關系，但是大多數研究都只是假設人口年齡結構和城鄉結構與碳排放存在簡單的線性關系，而邊際理論告訴我們經濟現象很少存在完全的線性關系，因此，從非線性角度去考查兩者之間的關系可能會更接近事實。此外，以往研究大多單獨考慮人口年齡結構或者城鄉結構對碳排放的影響，難以全面窺探人口結構對碳排放的綜合影響，本文同時納入人口年齡結構和城鄉結構指標，以期獲得更為全面的信息。區別于大多數研究只是使用靜態面板，本文利用1995-2012年的中國省級動態面板數據，在控制變量的基礎上，利用多種估計方法詳細考察了人口年齡結構與城鄉結構的變遷對碳排放的影響。

二、模型設定及估計方法

我們從一個簡單的碳排放分解式入手，這個分解式和日本學者卡雅（kaya）[14]提出的KAYA分解式 原式為：C=（C/E）·（E/Y）·（Y/POP），其中POP、E為一次能源消耗總量。結構一致，但在分解層次上略有差別， KAYA分解式使用三個乘號，專門分解出一次能源消耗量對碳排放量的影響，本文略去這一層分解，但保留能源消耗這一變量。本文采用的分解方式并未改變分解式的本質含義，通過壓縮分解層次，分解式的擴展性反而得到極大的提升，每個變量被賦予了更多可解讀的含義。具體分解式如下：Cit=CitYitYitPOPitPOPit（1）

其中C表示碳排放總量，Y表示國內生產總值（GDP），POP表示人口總量，下標i表示省份，t表示年份。通過分解式可以得出碳排放是碳排放強度（C/Y） 《中國應對氣候變化國家方案》將該指標稱為“單位GDP化石燃料燃燒二氧化碳排放”。該指標被納入“十二五”規劃綱要。、人均GDP（Y/POP）以及人口總量共同作用的結果。王芳為了考察人口結構對碳排放的影響，對KAYA分解式進行了改造，其方法是對POP做擴展，把POP變成一個關于人口結構變量的函數[7]，本文贊同此種將變量函數化的方法，但分析的角度和具體采取的手段與之有所不同，具體如下：

設a=C/Y、rgdp=Y/POP，分解式（1）可以寫成更加簡潔的形式：

Cit=aitrgdpitPOPit（2）

兩邊取對數：lnCit=lnait+lnrgdpit+lnPOPit（3）

方程（2）表明在產出的碳排放強度（a）不變的情況下，人均GDP以及人口數量的增加會按一定的分配機制轉化為碳排放量的增加。但是很明顯，碳排放強度并不是一個恒定的量，它可能受多種因素的影響。經典的EKC假說認為人均收入是影響碳排放強度的最主要因素，該假說認為碳排放與人均收入是非線性關系，人均收入對碳排放強度具有倒“U”型影響。能源消耗量（econ）也被認為是影響碳排放強度的重要因素[15]，一切經濟活動最終也是通過消耗能源才造成碳排放，因此，能源消耗是研究碳排放問題不可或缺的因素。除此之外，越來越多的研究傾向于將人口結構作為影響碳排放的重要因素之一，人口結構不僅包括人口絕對量，還包括人口的年齡結構、城鄉結構等，相比單一考慮人口規模，人口結構具有更多探討的空間，碳排放最終是人類活動的產物，人口結構的轉變包含了動態的過程，應當更能解釋碳排放強度的變化。本文選取了老齡化和城鎮化兩個指標分別代表人口年齡結構和城鄉結構，道爾頓[3]、劉輝煌[6]以及王芳[7]等的研究表明，老齡化與碳排放之間可能存在非線性關系，亦有研究表明城鎮化與碳排放之間也存在非線性關系[7]，本文認同邊際效應遞減規律廣泛存在于經濟現象中，人口結構轉變對碳排放的影響也不例外，因此方程中加入老齡化二次方項（aging2）以及城鎮化二次方項（urb2）。此外，就業結構（emp）、消費結構（eng）、出口額度（tra）也能顯著影響碳排放[12，16-17]，以上三個變量作為影響碳排放強度的控制變量。

綜上所述，產出的碳排放強度方程可被表述成如下形式：ait=f（rgdpit，econit，POPit，agingit，agingit2，urbit，urbit2，CONTROLSit）（4）

其中CONTROLS=（emp，eng，tra）

對方程（4）采用雙對數模型，增加對數人均GDP的二次方項以反映環境庫茲涅茲效應。此外，增加時間虛擬變量γt，省份虛擬變數δi和隨機誤差項εit，通過定義時間和省份虛擬變量，我們的估計模型允許了外生變量例如地理、氣候條件以及能源價格、技術變化等因素對碳排放強度的影響。具體方程如下所示：

lnait=α+（β1-1）lnrgdpit+β2（lnrgdpit）2+（β3-1）lnPOPit+β4lneconit+β5agingit

+β6agingit2+β7urbit+β8urbit2+β9CONTROLS+γt+δi+εit（5）

把方程（5）代入方程（3），結果如下：

lnCit=α+β1lnrgdpit+β2（lnrgdpit）2+β3lnPOPit+β4lneconit+β5agingit+

β6agingit2+β7urbit+β8urbit2+β9CONTROLS+γt+δi+εit（6）

方程（6）即為我們最終確定的碳排放量與人口結構之間的關系式，因變量為對數碳排放量，解釋變量從左至右依次為對數人均GDP、對數人均GDP的平方項、對數人口、對數能源消耗總量、老齡化率、老齡化率平方項、城鎮化率、城鎮化率平方項，控制變量包括第三產業從業人員比重、城鄉加權恩格爾系數、出口額占GDP比重等。本文將對方程（6）進行固定效應和隨機效應估計，并給出相應的Hausman檢驗值，作為取舍兩種檢驗結果的依據。

奧夫哈默（Auffhammer）和卡爾森（Carson）對中國碳排放的研究表明，中國碳排放強度的變動存在較強的路徑依賴，即本期碳排放強度可能受到滯后期的影響[18]，因此，我們在模型（6）的基礎上加入因變量的滯后一期項，可以得到方程（7）

lnCit=α+lnCit-1+β1lnrgdpit+β2（lnrgdpit）2+β3lnPOPit+β4lneconit+

β5agingit+β6agingit2+β7urbit+β8urbit2+β9CONTROLS+γt+δi+εit

（7）

方程（7）加入了因變量的滯后一期項，這將造成解釋變量和誤差項之間存在相關性，從而導致一系列內生性問題，如果采用普通OLS估計，結果可能存在偏誤。采用廣義矩估計（GMM）可以在一定程度上解決其內生性問題，GMM估計分為差分廣義矩估計（DIFGMM）和系統廣義矩估計（SYSGMM），差分廣義矩估計采用水平值的滯后項作為差分變量的工具變量，系統廣義矩估計在前者基礎上進一步采用差分變量的滯后項作為水平值的工具變量，通過綜合利用差分方程和水平方程的估計，進一步增加了可用的工具變量，從而使估計結果更加穩健。本文同時給出DIFGMM和SYSGMM估計結果，用一階差分轉換方程的一階和二階序列相關檢驗AR（1）、AR（2）的結果作為檢驗隨機擾動項是否序列相關的依據，并采用Sargan檢驗值作為工具變量可靠性的依據。為了使估計結果更加穩健，我們選取各解釋變量的滯后一期項替代當期項，再次對方程（6）做固定效應和隨機效應估計，估計結果將與GMM估計結果一起作為驗證方程穩健性的依據。

由于模型包含人口總量和人口結構因素，誤差項之間可能存在序列相關和截面依賴問題，為消除可能由此產生的估計偏誤，我們采用德里斯科爾（Driscoll）和克雷（Kraay）發展的協方差矩陣估計方法＼[19＼]再次對面板數據進行檢驗，檢驗結果將和GMM估計結果以及滯后期固定效應估計結果進行比較，以期得出更為可靠的結論。

三、變量描述與數據處理

因變量C表示CO2排放量，統計年鑒中沒有關于各地區碳排放量的統計，相關文獻中的計算方法也不盡相同，本文采用杜立民的碳排放量計算方法＼[20＼]，根據IPCC和國家氣候變化對策協調小組辦公室、國家發展和改革委員會能源研究所采用的方法＼[21＼]，把終端能源消費細分為煤炭、焦炭、汽油、煤油、柴油、燃料油和天然氣7種，并加上水泥生產所排放的二氧化碳，計算公式如下：CO2=∑7i=1ECi=∑7i=1Ei×CFi×CCi×COFi×3.67（6）

式中i表示7種能源，E表示能源消費量，CF表示發熱值，CC表示碳含量，COF表示氧化因子。

水泥生產CO2排放量計算公式為：CC=Q×EFcement（7）

式中CC表示水泥CO2排放量，Q為水泥生產量，EFcement為生產水泥的CO2排放系數。

通過以上公式，本文計算了2008-2012年29省市的碳排放量數據（西藏數據缺失嚴重，未納入考慮；重慶與四川采用合并數據），1995-2007年的碳排放量資料采用杜立民公布的資料＼[20＼]。其中化石能源消費量資料來源于《中國能源統計年鑒》，水泥生產量資料來源于《中國統計年鑒》。

自變量POP表示常住人口，碳排放最終還是來源于人類活動，每個人都能通過各種方式制造出一定量的碳排放，因此，人口絕對數量的增加會導致碳排放量隨之增加，我們預期人口總量對碳排放的影響為正。常住人口數據來源于各省市統計年鑒。

自變量econ表示能源消耗總量（萬噸標準煤），能源消耗是碳排放的直接影響因素之一，研究表明能源消耗與碳排放之間存在單向格蘭杰因果關系[22]，我們預期能源消耗對碳排放的影響為正。能源消耗總量數據來源于《中國能源統計年鑒》。

自變量rgdp表示以1995年為基期調整后的不變價格人均GDP。經濟發展水平被認為是影響碳排放的重要因素之一，每增加一單位GDP都意味著更多資源的消耗，也就意味著可能存在更多的碳排放，因此，象征經濟發展水平的人均GDP是探討碳排放問題不可或缺的影響因素，根據EKC假說，我們預期人均GDP對碳排放存在倒“U”型影響。GDP、GDP折算指數均來源于各省市統計年鑒。

自變量aging代表老齡化率（65歲及以上年齡人口占常住人口的比重），目前大多數涉及這方面的研究都采用這個指標衡量老齡化狀況，本文借鑒前面研究者的思路，亦采用這一指標。2000-2013年中國老齡化率從696%上升至97%，同期碳排放量從308500萬噸飆升到1099435萬噸，13年間增長了256%，老齡化和碳排放保持了一致的上升趨勢，因此我們認為在人口年齡結構轉變的初期階段，老齡化是可能導致碳排放量增加的，主要原因在于初期的老齡化并未造成生產結構和消費結構的根本性轉變，老齡產業鏈尚未形成，而人口紅利也并未消失，經濟依舊依賴勞動密集型產業保持高速增長。并且初期的老齡化主要是生育率下降和人口壽命延長引起的，特別是計劃生育政策導致增量人口的減少是老齡化的主要原因，我國目前仍然處于人口數量較大階段，顯然在短期內不會出現勞動年齡人口減少的情況，但是長遠來看，人口增長不會一直持續，一旦人口總量保持在一個穩定的狀態，這時候由壽命延長導致的老齡化就會造成勞動力的減少，經濟發展無法繼續依賴高耗能的勞動力密集型產業，產業結構開始轉向服務業或高端制造業等低碳產業，并且這個時候的老齡化會造成消費結構的改變，不同年齡人群具有不同消費偏好，例如老齡人口對私家車或者家用電器的需求量會低于年輕人，因此老齡化最終會通過改變消費結構來影響碳排放。綜上所述，我們認為初期老齡化會增加碳排放，但是長期來看老齡化可能會抑制碳排放，因此我們預期老齡化對碳排放具有倒“U”型影響。老齡化數據來源于各省市統計年鑒、統計公報以及國家統計局等。

自變量urb表示城鎮化率，即城鎮人口占常住人口的比率，當前我國正處于城鎮化建設的初期，隨著城鎮化進程的加速，大量建設項目將會開工，有理由相信這會造成更多溫室氣體的排放，不過我國未來城鎮化的方向是更高效的新型城鎮化，所以不會總以犧牲環境為代價，并且降低能耗的新技術和新設備更可能在城市中產生，當城鎮化達到某個階段后，由于先進技術的應用，低碳、環保的新發展模式會逐步取代原本高碳化的發展模式，從而達到抑制碳排放的效果，碳排放與城鎮化之間的非線性關系正是基于以上考慮，我們預期城鎮化對碳排放具有倒“U”型影響。2000-2012年城鎮化率數據來源于各省市統計年鑒、國家統計局以及中經數據庫等。需要說明的是，2000年我國大部分省市重新定義了市轄區等概念，導致以2000年為分界線的前后年份統計口徑的差異，為了平滑這個差異，1995-2000年的數據我們采用周一星修正后的數據[23]。

控制變量emp表示第三產業從業人員占總就業人員的比重，產業結構的高度化是產業結構轉型的必然趨勢，高度化最重要的度量指標是第三產業占比，在農業占比基本穩定的前提下，第三產業比率越高第二產業的空間相應的會被壓縮得越小，而第二產業普遍被認為是高耗能高碳排放的產業，因此第三產業從業人員比率越高碳排放應該越少，我們預期就業結構對碳排放的影響符號為負。就業結構數據來源于各省市統計年鑒。

控制變量eng表示城鄉加權恩格爾系數，本文采用李楠的分析方法＼[5＼]，用恩格爾系數代表消費結構。恩格爾系數表示食品支出占總支出的比重，比例越高說明經濟發展水平越低，并且食品消費占總消費比重越高意味著其他高碳排放的消費品使用的越少，因此我們預期消費結構對碳排放的影響為負。中國是城鄉二元社會，恩格爾系數的統計也沒有統一的口徑，一般是鄉村和城市單獨統計，李楠直接用城鄉恩格爾系數的算術平均數作為各省市總的恩格爾系數，本文根據城鄉人口分別占總人口的比重作為權重，算出城鄉恩格爾系數加權平均數，以此來彌補由于直接算術平均造成的誤差。恩格爾系數數據來源于各省市統計年鑒以及中國統計數據庫。

控制變量tra表示出口額/GDP，喬根森（Jorgenson）[24]和劉輝煌[6]等均采用這個指標衡量出口對碳排放造成的影響，本文借鑒兩位研究者的做法，亦采用這一指標。中國十多年來經濟保持高速增長的原因之一就是出口拉動，由于技術創新的缺乏，中國出口更多的是由廉價勞動力生產的初級產品，這些產品的生產過程可能排放了大量溫室氣體，因此我們預期出口對碳排放的影響為正。出口額數據來源于各省市統計年鑒。

綜上所述，本文以1995-2012為研究區間，以碳排放量為因變量；人口總量、人均GDP及其平方項、老齡化率及其平方項、城鎮化率及其平方項等作為自變量；第三產業從業人員比重、城鄉加權恩格爾系數、出口額/GDP和人均能源消費量作為控制變量建立回歸方程。樣本涵蓋了中國內地29個省市（西藏未納入樣本，重慶并入四川）18個年度的數據。樣本數據的統計描述如表1所示。

從表1可以看出，所有變量在樣本期間內均有明顯變動。比如老齡化率（aging），1995-2012年間29個省市的平均值為00776，最大值為2012年上海的01491，最小值為1995年青海的00358，最大值幾乎是最小值的四倍多；城鎮化率（urb）變動率更是驚人，最大值為2012年上海的08933，最小值為1995年河南的0172，最大值是最小值的五倍多。除了老齡化和城鎮化，碳排放量、人口數、人均GDP以及各控制變量在樣本期間內均有顯著變化，數據的動態變化為研究變量之間的動態關系提供了支持。

四、實證分析及估計結果

表2分別給出了四個方程的固定效應和隨機效應估計結果，并給出Hausman檢驗結果，并在此

基礎上對這兩種方法的估計結果進行選擇。同時方程2中由于因變量一階滯后項的引入，采用普通的OLS估計可能造成結果的有偏和不一致，為了消除內生性問題，本文采用更為合適的差分廣義矩（DIFGMM）和系統廣義矩（SYSGMM）估計方法對方程2進行估計。為了驗證基本估計結果的可靠性，本文用各自變量的一階滯后項替代當期項進行穩健性檢驗，作為對GMM估計的補充。其中，A代表前面描述的計量模型式（6），為面板基本估計；B代表式（7），C的基本結構與A相似，但在A的基礎上用自變量的一階滯后項替代當期項；D亦代表計量模型（6），DK估計方法在FE估計的基礎上糾正了異方差、序列相關和截面相關等問題。

表2中A列以計量模型（4）為基礎，為面板數據基本估計結果，Hausman檢驗的結果顯示應選擇固定效應模型。從估計結果可以看出，不管是固定效應估計還是隨機效應估計，主要變量的系數符號和數值基本一致，一定程度上反映出估計結果的穩健性，而且除了控制變量就業結構（emp）和消費結構（eng）符號與預期不一致外，其他系數符號均在預期之內，并且在各種顯著性水平上通過了檢驗。具體來看，aging系數符號為正，aging2系數符號為負，并且在1%的顯著性水平上顯著，說明老齡化與碳排放之間存在顯著的倒“U”型關系；urb系數符號為正，urb2系數符號為負，并且在1%顯著性水平上顯著，顯示出城鎮化與碳排放之間也存在倒“U”型關系。除此之外，固定效應估計結果顯示人均GDP與碳排放之間亦存在倒“U”型關系，與奧夫哈默、林伯強、許廣月、劉輝煌等人的研究結果＼[6，18，25-26＼]基本一致。人口絕對量（lnPOP）系數符號顯著為正，說明人口規模的膨脹確實導致碳排放量的上升。其他控制變量方面，能源消費量和出口占比（tra）系數符號與預期一致，且均在1%顯著性水平上顯著，驗證了之前的判斷，就業結構（emp）則沒有通過顯著性檢驗，消費結構（eng）雖然通過了檢驗，但符號與預期不符。

B列估計結果以式（7）為基礎，除了基本估計，B列還包括差分廣義矩估計（DIFGMM）和系統廣義矩估計（SYSGMM）結果，四種估計結果中各解釋變量的系數不管是從符號方向還是數值大小亦或是顯著性程度上都高度一致，表明估計結果非常穩健。在基本估計中，Hausman檢驗結果顯示應選擇固定效應估計，從固定效應估計（FE）結果中可以看出，除了控制變量城鄉加權恩格爾系數（eng）符號與預期不一致外，其他所有解釋變量系數符號均與預期一致，并且都通過了顯著性檢驗，B列固定效應估計結果相比A列固定效應估計結果來說并沒有太大變化，唯一變化在于使A列中符號不符預期的控制變量就業結構（emp）變得符合預期，這從經驗上證明了加入碳排放一階滯后項的合理性。一般認為工具變量的加入會導致內生性問題，因此，我們使用了動態面板的估計方法（GMM）來檢驗基本估計結果是否可靠。從B中第5-6列的結果來看，AR（2）檢驗值接受二階序列不相關的原假設，sargan檢驗值說明工具變量選取可靠，差分廣義矩估計（DIFGMM）結果與A、

B中的固定效應估計結果并無太大差別，系統廣義矩（SYSGMM）估計則修正了A、B中固定效應估

計以及差分廣義矩估計中存在的偏差，從第6列可以看出，所有解釋變量系數均符合預期，并且全部通過顯著性檢驗，進一步驗證了理論推斷的合理性。

A、B列中的固定效應估計和GMM估計結果的穩定性表明模型并不存在嚴重的內生性問題，不過為了全面考察變量之間的動態關系，我們把式（6）中所有解釋變量替換為原解釋變量的一階滯后項再進行A中的固定效應和隨機效應回歸， Hausman檢驗值顯示應選擇固定效應估計，從第7列FE估計結果可以看出，主要解釋變量系數符號依舊與預期一致，并且具有很高的統計顯著性，變量的滯后項能有效地避免變量當期項與當期殘差項相關所造成的內生性問題，因此C列中固定效應估計結果可信，從而也更加驗證了A、B列中的估計結果穩健。

D列DK估計結果也相當令人滿意，主要的解釋變量中，除了人均GDP的平方項估計系數符號與預期不符之外，其他變量無論是在系數符號、大小還是顯著性上，都和FE及GMM估計結果相近，一方面表明模型定義良好，不存在嚴重影響結論的偏誤；另一方面也說明了實證結果相對穩健，能夠作為驗證理論預期的可靠解釋。

綜上所述，通過對四個方程進行的8種檢驗，我們得出了穩健的估計結果，并且各解釋變量系數符號與預期一致，這說明正如所推斷的那樣，老齡化與城鎮化對碳排放均具有顯著的倒“U”型影響。在老齡化初期由于存量人口紅利的存在碳排放會保持上升趨勢，但是長期來看人口壽命延長導致的老齡化對碳排放會產生明顯的抑制作用；類似的，城鎮化起步階段高耗能的生產和生活模式會增加碳排放，但當城鎮化達到一定程度后，生產方式的轉變和節能技術的發展會抑制碳排放的增加。

五、結論與啟示

本文利用1995-2012年中國省級面板數據，采用多個方程和多種估計方法對老齡化、城鎮化與碳排放之間的關系進行研究，結果表明：老齡化和城鎮化均對碳排放具有顯著的倒“U”型影響，人口結構對碳排放的影響要遠大于單一的人口規模對碳排放的影響。具體來說，在人口規模仍處于爆發式增長的老齡化初期階段，勞動年齡人口增加的速度要超過老年人口增加的速度，由于人口紅利的存在，經濟發展依舊能依賴于勞動力密集型產業的發展，并且在老齡化初期，與生產結構相匹配的消費結構也傾向于高耗能、高碳排放，因此不管是從生產渠道還是消費渠道，初期老齡化都會造成碳排放量增加。但是隨著老齡化程度逐漸加深，情況就會變得有所不同。老齡化程度的不斷加深和人口規模的逐漸趨于穩定是未來人口結構轉變的方向，在人口規模基本穩定的前提下，壽命延長產生的老齡化會導致勞動年齡人口的減少，這時候由于人口紅利消失，經濟發展無法繼續依靠粗放式的勞動力密集型產業，產業結構會轉向低碳的資本密集型和技術密集型，并且由于老年人口的增多，社會的總體消費偏好開始改變，消費結構會逐漸變得低碳、節能，所以綜合來看老齡化對碳排放的影響應該是一個先上升再下降的倒“U”型過程。與老齡化類似，城鎮化對碳排放的影響也是一個先上升再下降的倒“U”型過程：在城鎮化進程的前期階段，大量農村人口流入城市，會掀起一輪造城運動，由于大量基礎設施建設項目的開工，水泥、化石能源等高耗能材料的使用勢必會增加碳排放，而且我國目前城鎮化率水平相對偏低，可以預見在相當長的時期內城鎮化進程會帶來巨大的碳排放壓力；當城鎮化達到一定程度后，建設項目趨于飽和，新興技術也開始在城市中產生，低碳環保的發展模式會取代高耗能的發展模式，這個時候碳排放會隨著發展模式的轉變逐漸減少。

此外，研究結果顯示人均收入與碳排放之間也存在倒“U”型關系，這與奧夫哈默[18]、林伯強[25]、許廣月[26]、劉輝煌[6]等人的研究結果基本一致，但是系數值表明人均收入對碳排放的作用程度在倒“U”型的兩邊并不一致，左邊的上升階段比右邊的下降階段要陡峭，表明人均收入的提高在經濟發展起步階段會顯著增加碳排放，但是當經濟發展到一定程度，人均收入提高反而會微弱地減少碳排放。其他變量方面，研究表明人口規模的膨脹會顯著地增加碳排放；能源消耗總量、出口的增加也會造成碳排放量上升；第三產業從業人員占比以及城鄉加權恩格爾系數的提高則會減少碳排放。

以上結論表明碳排放并不單純只是經濟發展的產物，它與人口結構也密切相關。面對人口老齡化壓力和正在提速的城鎮化進程，政府在積極調整產業結構、鼓勵發展綠色低碳經濟、制定嚴格的環保法律以及倡導綠色低碳生活方式和消費方式的同時，還應從人口因素入手制定相應的碳減排政策。

參考文獻：

[1] KNAPP T， MIIKERJEE R.Population growth and global CO2 emissions[J].Energy Policy，1996，24：31-37.

[2] ALBRECHT J. FRANCOI K，SCHOOR S K.A shapley decomposition of carbon emissions without residuals[J].Energy Policy，2002，21（4）：849-865.

[3] DALTON M， ONEILL B C， PRSKAWETZ A，et al.Population aging and future carbon emissions in the United States[J].Energy Economics，2008，30（2）：642-675.

[4] 彭希哲，朱勤.我國人口態勢與消費模式對碳排放的影響分析[J].人口研究，2010（1）：48-58.

[5] 李楠，邵凱，王前進.中國人口結構對碳排放量影響研究[J].中國人口·資源與環境，2010（6）：19-23.

[6] 劉輝煌，李子豪.中國人口老齡化與碳排放的關系——基于因素分解和動態面板的實證分析[J].山西財經大學學報，2012（1）：1-8.

[7] 王芳，周興.人口結構、城鎮化與碳排放——基于跨國面板數據的實證研究[J].中國人口科學，2012（2）：47-56.

[8] TOBIAS M， HEINZ W.Population aging and carbon emissions in OECD countries：accounting for lifecycle and cohort effects [J].Energy Economics，2012，34：842-849.

[9] 朱勤，彭希哲，陸志明，于娟.人口與消費對碳排放影響的分析模型與實證[J].中國人口·資源與環境，2010（2）：98-102.

[10] 劉夢琴，劉軼俊.中國城市化發展與碳排放關系——基于30個省區數據的實證研究[J].城市發展研究，2011（11）：27-32.

[11] 周五七，聶鳴.中國碳排放強度影響因素的動態計量檢驗[J].管理科學，2012，25（5）：99-107.

[12] 馬曉鈺，李強誼，郭瑩瑩.我國人口因素對二氧化碳排放的影響——基于STIRPAT模型的分析[J].人口與經濟，2013（1）：44-51.

[13] 盧祖丹，趙定濤.西部大開發對工業碳排放的影響解析[J].中國科技論壇，2010（11）：79-85.

[14] KAYA YOICHI. Impact of carbon dioxide emission on GNP growth：interpretation of proposed scenario[R].Presentation to the Energy and Industry Subgroup，Response Strategies Working Group，IPCC，Paris，1990.

[15] LIDDLE B， LUNG S. Agestructure， urbanization， and climate change in developed countries： revisiting STIRPAT for disaggregated population and consumptionrelated environmental impacts [J].Population and Environment，2010（5）：317-343.

[16] SCHIPPER L，BARTLETT S， HAWK D，et al.Linking lifestyles and energy use：a matter of time？ [J].Annual Review of Energy， 1989，14：271-320.

[17] KIM JI HYUN.Changes in consumption patterns and environmental degradation in Korea[J].Structural Change and Economic Dynamics，2002（13）：1-4.

[18] AUFLHAMMER M， CARSON R.Forecasting the path of Chinas CO2 emissions using provincelevel information[J].Journal of Environmental Economics and Management， 2008，55（3） ：229-247.

[19] DRISCOLL J C，KRAAY A C， Consistent covariance matrix estimation with spatially dependent panel data [J]. Review of Econonics and Statistics，1998，80：549-560.

[20] 杜立民.我國二氧化碳排放的影響因素——基于省級面板數據的研究[J].南方經濟，2010（11）：20-33.

[21] 國家氣候變化對策協調組辦公室，國家發改委能源研究所.中國溫室氣體清單研究[M].北京：中國環境科學出版社，2007：127-131.

[22] ZHANG Xingping，CHENG Xiaomei.Energy consumption，carbon emissions，and economic growth in China[J].Ecological Economics，2009，68（10）：2706-2712.

[23] 周一星，田帥.以“五普”數據為基礎對我國分省城市化水平數據修補[J].統計研究，2006（1）：62-65.

[24]JORGENSON A K. Does foreign investment harm the air we breathe and the water we drink[J].Organization Environment， 2007， 20 （2） ：137-156.

[25] 林伯強，蔣竺均.中國二氧化碳的環境庫茲涅茲曲線預測及影響因素分析[J].管理世界，2009（3）：12-23.

[26] 許廣月，宋德勇.中國碳排放環境庫茲涅茲曲線的實證研究——基于省域面板數據[J].中國工業經濟，2010（5）：37-47.

[責任編輯方志]