中国人口老龄化对碳排放影响的时空异质性研究

崔月彤

（山西财经大学 统计学院，山西 太原 030006）

一、引言

在日益突出的全球变暖趋势下，我国将碳达峰碳中和上升为国家重要战略，成为目前经济社会可持续发展的关键任务，这也是解决资源环境约束突出问题、应对气候变化、构建人类命运共同体的必然要求。

由于经济发展、工业化和城镇化进程、资源禀赋、人口结构的变化，我国碳排放总量呈现不同的变化轨迹，特别是在人口老龄化程度加深的过程中，人口结构和能源系统之间存在着复杂的关系，老龄化对碳排放的影响不容忽视。因此，考虑到我国区域发展的不平衡性，从时空角度深入剖析人口老龄化对碳排放的动态变化关系和区域差异，一方面有助于认识老龄化因素在气候变化中的作用，为制定减排降碳政策提供新的思路，另一方面能为减排降碳政策纵向规划和横向布局提供实证参考，进一步推动我国人口、环境的可持续均衡发展。

二、文献综述

随着全球老龄化进程的加快，探讨老龄化与碳排放的关系成为新的学术视角。

从外文文献看，国外学者最先对人口规模与碳排放的影响展开研究（Knapp和Mookerjee，1996[1]；Albrecht和Francois等，2002[2]；Puliafito和Puliafito等，2008[3]），随后学者将关注点放在了老龄化与碳排放的影响关系上。Dalton和O'neill等（2008）[4]运用PET（人口-环境-技术）模型，从家庭层面分析了美国老龄化对碳排放的影响，结果表明人口老龄化在未来会降低美国的碳排放水平。O'neill和Dalton等（2010）[5]发现老龄化可以减少高达20%的碳排放，特别是工业化国家地区，主要通过对劳动力供应的影响来影响碳排放。Hassan和Salim（2015）[6]的研究表明人口老龄化程度增加1%，人均CO2排放能降低1.55%。Liddle和Lung（2010）[7]通过研究不同年龄组对环境的影响，发现65—70岁年龄组有增加碳排放的作用。Menz和Welsch（2012）[8]对1960—2005年26个OECD国家进行了研究，也得到了相同的结论。Wang和Wang（2021）[9]基于面板阈值回归模型发现，随着老龄化程度的加深，高、中、低收入群体的产业结构和城市化与碳排放之间存在非线性关系。

从中文文献看，老龄化已纳入碳排放影响因素研究中，研究结论主要包括以下三方面：第一种结论是我国人口老龄化对CO2排放量具有负效应（李楠和邵凯等，2011[10]；田成诗和郝艳等，2015[11]）。第二种结论是老龄化是驱动碳排放增长的主要因素（尹向飞，2011[12]；齐欣，2016[13]；吴昊和车国庆，2018[14]；李昌宝和高莉等，2010[15]）。第三种结论是老龄化与碳排放之间存在非线性关系，如刘辉煌和李子豪（2012）[16]引入LMDI因素分解法和GMM方法发现老龄化与碳排放呈现倒U型关系，且目前我国人口老龄化并未跨过倒U型拐点，主要通过生产渠道促进碳排放。李飞越（2015）[17]基于SYS-GMM等计量方法进行研究，发现老龄化与碳排放之间存在倒U型关系。但也有学者认为老龄化与碳排放之间存在U型或N型关系（王芳和周兴，2012[18]；杨恺钧和杨甜甜，2018[19]）。

综上所述，现有对人口老龄化与碳排放影响关系的研究存在以下不足：一是多从全国视角研究老龄化对碳排放的影响，较少涉及对两者关系的区域差异研究。二是目前常见的研究方法多为基于大样本对总体进行推断的传统统计和计量方法，对于具有小样本特性和空间自相关特性的空间数据而言具有一定的局限性，模型结果可能存在偏差。因此，本文的贡献可能体现在以下两方面：一是研究视角有所创新，考虑到人口老龄化与碳排放的关系存在时间、空间以及程度上的差别，由此本文在研究老龄化与碳排放的时空演化规律基础上，采用分时段、分区域的方式对两者的关系进行了多方位对比分析。二是研究方法有所创新，本文采用近年来广受关注的贝叶斯时空方法，充分考虑先验信息和时空因素，同时解决了空间数据小样本和自相关的问题，弥补了传统方法的不足。

三、模型构建与数据来源

（一）模型构建

1.STIRPAT模型

Ehrlich和Holdren（1971）[20]提出了经典的IPAT模型，即I=A×P×T，其中A表示财富，P表示人口规模，T表示技术水平。该模型综合反映了人口、财富与环境之间的相互关系，但具有一定的局限性，在实际中很难实现这三个影响因素的弹性为1，而且也无法对参数进行估计和检验。其后，Dietz和Eugene（1997）[21]在此基础上提出了STIRPAT模型：

式（1）中，a为基础截距项，b、c、d分别为财富A、人口P和技术T的影响系数，e为随机误差项。对式（1）两边取对数可得到如下形式：

这种形式更好地反映了各影响变量对环境（碳排放）的弹性大小。STIRPAT模型可以对各个因素进行适当的分解，对相应的STIRPAT模型进行扩展引入老龄化变量及其他控制变量，以此作为实证模型的理论基础。

2.贝叶斯层次时空模型

在STIRPAT理论框架基础上，考虑老龄化与碳排放关系的时空特性，引入贝叶斯层次时空模型进行分析。贝叶斯层次时空模型不仅能加入时空交互效应反映变量的时空演化特征，而且也能加入影响因素反映时空变量间的影响关系（韩秀兰和李俊明，2018[22]）。贝叶斯层次时空模型在贝叶斯层次模型的基础上加入了空间效应变量，对包含空间信息的数据具有良好的解释性，并且贝叶斯模型基于总体、样本和先验信息进行统计推断，以概率分布的形式给出参数估计，在一定程度上克服了传统模型的缺陷。

贝叶斯层次模型包括3部分：数据模型、过程模拟、超参数模型。根据贝叶斯层次模型的构造方法，考虑空间自相关性和不确定性，将反映空间效应的空间解释变量s（i）加入模型，并纳入影响因素，基于STIRPAT理论框架构建碳排放量yit与老龄化率oldit及其他影响变量的贝叶斯层次时空模型，研究老龄化对碳排放的影响。贝叶斯层次时空模型结构如下：

式（3）中，yit表示碳排放量分别为相应似然分布的期望和方差。式（4）表示时空演化过程，式中（b0t*+vt）描述了总体时间变化趋势；b1it*描述了局部变化趋势；s（i）为空间解释变量，描述相对稳定的空间效应，包括了空间非结构效应和结构效应，即s（i）=φi+Si，相应地可以分为热点｛p［exp（si）>1］>0.8｝、温点｛0.2≤p［exp（si）>1］≤0.8｝、冷点｛p［exp（si）>1］<0.2｝三个区域。式（5）表示总体回归函数。式（6）表示分区域回归函数，函数中包括核心变量老龄化率oldit，以及其他影响碳排放量的变量xit2，…，xitj；β1，β2，…，βj为j个变量所对应的影响系数；r（i）代表i省（区、市）所属的区域编号，本文中将我国除港澳台之外的31个省（区、市）按地理位置分为东部、中部、西部三个区域，各影响因素的参数反映了不同区域因素对碳排放的影响程度；εit为高斯噪声随机变量。式（7）—（10）给出了时空参数的先验形式，其中α、βj为无信息先验，S[1…N]是条件自回归模型。由于模型中包含多个参数和超参数，后验分布计算存在高维联合概率密度函数的估计问题，因此本文采用基于Gibbs抽样的MCMC方法进行模型估计。

（二）变量说明与数据来源

1.被解释变量

表1 碳排放系数和折标煤系数

2.核心解释变量

核心解释变量为老龄化率（old）。使用65岁及以上人口占总人口的比重代表我国人口老龄化水平。在老龄化程度逐渐加深的过程中，人们的消费水平、生活消费模式会发生改变，对能源的需求也有所变化，而且人口年龄结构变化可能导致我国劳动力发生改变，进而影响生产，对碳排放产生影响。

3.控制变量

本文选取以下变量作为控制变量，数据均来自历年《中国统计年鉴》。

（1）人均GDP（pgdp）：通过一个地区核算期内实现的国内生产总值与该地区常住人口相比进行计算，衡量了人们的生活水平，也代表了该地区的经济发展水平，所有数据定基在2000年，采用GDP平减指数消除通货膨胀因素。

（2）人口总量（pop）：该地区的常住人口数量。

（3）城镇化率（urb）：城镇人口数占总人口数的比重，是衡量一个地区经济社会水平的重要标志。

（4）第二产业比重（ind）：第二产业增加值占GDP的比重，代表了该地区的工业化程度，也反映了一个地区的产业结构。

四、实证结果与分析

（一）老龄化、碳排放的时空差异

由于我国区域发展的非均衡性，老龄化与碳排放均存在明显的时空差异特征。根据贝叶斯层次时空模型中的时空演化过程，可清晰地描述我国人口老龄化与碳排放的变化趋势与演化过程。图1描绘了2000—2019年我国老龄化与碳排放的总体变化趋势，可以看出，我国老龄化率与碳排放量均呈上升趋势，但表现出不同的阶段特征。2000—2010年，我国碳排放量增长较快，2011年后碳排放量增速虽然开始放缓，但未出现拐点，说明目前我国碳减排压力仍然很大，老龄化率在这两个阶段均保持快速增长态势。

图1 2000—2019年老龄化率、碳排放量总体变化趋势

进一步观察老龄化与碳排放的空间差异与局部变化趋势，详见表2。

表2 2000—2019年我国老龄化、碳排放的时空格局与局部变化趋势

我国人口老龄化呈现“东高西低”的区域发展特征。从省域角度看，老龄化热点区域集中在东部经济发达地区和中部及西南省（区、市），温点区域以热点区域为中心向周边扩散，冷点区域分布在中国北部和西部偏远地区。东部沿海高老龄化地区增速开始放缓，中部及西南高老龄化区域局部增速加快，热点区域逐步向内陆地区转移，区域差异进一步缩小。

我国碳排放大致形成“东高西低、北高南低”的空间特征。从省域角度看，碳排放热点区域集中在东北能源大省和东部沿海地区，温点和冷点区域成片聚集在中西部。大部分省（区、市）碳排放量局部增速趋于平缓，碳排放强增长区分散在北部和华东地区部分省市，具有温点和热点地区弱增加、冷点地区强增加趋势。

综合看，东部地区老龄化和碳排放热点区域多、增速低，中部地区老龄化和碳排放温点和热点区域多，但老龄化局部增速高、碳排放增速低，西部地区老龄化冷点区域多、增速高，而碳排放温点区域多，增速低。因此，老龄化与碳排放均存在一定的空间聚集特征，且具有明显的区域差异。

（二）时间视角：人口老龄化对碳排放的阶段影响

通过老龄化与碳排放时空特征分析，发现老龄化与碳排放之间具有一定的联系和差异。本文将老龄化率、人均GDP、人口总量、城镇化率、第二产业比重这5个变量作为影响因子，应用贝叶斯层次时空模型探究老龄化对碳排放的影响。如前文所述，老龄化与碳排放在时间上的趋势特征是不同的，分阶段研究更能凸显两者的动态关系，因此将2000—2019年划分为2000—2005年、2006—2011年和2012—2019年3个时间段进行研究，最终模型回归结果见表3。

表3 分阶段模型影响系数估计结果

（续表）

从模型结果看，在2000—2019年整个研究期内，我国人口老龄化对碳排放的影响具有阶段性特征，随着时间的推移，老龄化对碳排放的影响呈由正效应转为负效应的倒U型趋势。具体看，在2000—2005年这一阶段，2000年我国刚刚迈入老龄化社会，老龄化对碳排放的促进作用较强，影响系数为0.467［95%CI：（0.282，0.652）］。在2006—2011年这一阶段，随着老龄化程度的持续加深，对碳排放的正向效应逐步弱化且变得不显著，影响系数变为0.059［95%CI：（-0.114，0.231）］。在2012—2019年这一阶段，影响系数开始由正转负，变为-0.393［95%CI：（-0.571，-0.216）］，老龄化对碳排放的作用发生变化，促进效应转为抑制效应。究其原因，在老龄化初期，人口增长和人口结构变动带来的人口红利会带动经济快速增长，虽然在老龄化趋势下我国劳动人口比例有所下降，但劳动群体仍是我国主要消费主体，并不会对社会的生产和消费产生抑制作用，而且家庭规模逐渐小型化，会增加人均生活用能，生活质量的提高带动老年人外出概率的增加，交通能源消耗也相应增加，对碳排放产生促进效应。随着老龄化程度的不断加深，人口红利正在逐步消失，社会发展更加关注劳动生产效率的提高，传统劳动密集型产业逐步向资本和技术集约型产业发展，老龄化推动了产业结构的转型升级和技术水平的进步，从而减少了对化石能源的需求，对碳排放的促进效应缩小。同时随着低碳理念的普及，老年群体的消费模式更倾向于低碳化，老龄化的抑制作用开始逐渐凸显。

从控制变量看，人均GDP对碳排放始终存在显著的正相关关系，其对碳排放的影响程度越来越大，逐渐成为影响碳排放增长的主要因素；人口规模的扩大必然带动消费的增加，同时也会消耗更多的能源来满足电力、工业、交通等需求，从而产生更多的碳排放量，对碳排放具有促进效应；城镇化水平对碳排放的正效应却在逐渐弱化，这说明城镇化初期基础设施建设带来了更多的碳排放，随后城镇化进程带来的集聚效应对碳排放开始发挥抑制作用，正向促进作用明显减小；第二产业比重对碳排放的正向效应先减小后增大，成为仅次于人均GDP的第二大影响因素，这说明目前我国工业化水平的提高仍会带来较大高污染、高耗能的资源环境代价。

（三）空间视角：人口老龄化对碳排放的分区域影响

我国东、中、西部地区社会经济发展不均衡，不同区域老龄化水平与碳排放程度存在的关系也会有所不同，因此，分区域探讨老龄化对碳排放的影响是有必要的。分区域贝叶斯层次时空模型考虑了不同区域之间的差异性和相关性，更加客观地解释了老龄化对碳排放影响的区域差异。分区域模型回归结果见表4。

表4 分区域模型影响系数估计结果

（续表）

模型估计结果显示，老龄化对碳排放的影响存在明显的区域异质性。东部地区老龄化对碳排放具有抑制效应，中西部地区与之相反，老龄化对碳排放具有促进效应，且不同地区影响程度不同。

在东部地区，老龄化对碳排放的影响系数为-0.065［95%CI：（-0.233，0.105）］，老龄化已表现出碳减排效应，但作用力度较小。究其原因，东部地区老龄化程度相比中西部地区严重，老年人受教育水平普遍较高，自身素质较高，在增加生活能源消耗的同时更加注重低碳消费；此外，东部地区经济发展较快，产业结构较为合理，在老龄化发展趋势下老龄产业迅速发展，所带来的产业结构优化效应减少了对能源消费的需求，加之人才集聚以及老年劳动力素质的提升促进了技术升级，最终会减少碳排放。

在中部和西部地区，影响系数分别为0.162［95%CI：（-0.179，0.498）］和0.119［95%CI：（-0.130，0.372）］，这表明老龄化程度的加深会促进中西部地区碳排放的增加。可能的原因在于以下两方面：一是中西部地区老龄化程度较低，初期人口红利还未消失，源于人口和经济增长的能源消耗呈上升趋势；二是由于老年人身体机能退化待在家中和空闲的时间增多，导致在家用电器的使用和采暖照明需求上的能源消费更高，由此在生活用能方面的碳排放会增多。从影响程度上看，中部地区老龄化对碳排放的促进作用强于西部地区，这可能是因为中部地区老年人就业率普遍高于西部，一定程度上弥补了老龄化带来的劳动力供给不足，这些劳动力在生产及消费中对经济增长作出贡献的同时，也增加了能源消耗，而西部地区人口外流现象严重，年轻劳动人口相对减少，劳动生产率及经济活力较低，抵消了部分老龄化对碳排放的促进效应，影响程度弱于中部地区。

从控制变量看，人均GDP、人口总量、第二产业比重这3个变量在不同区域均具有正效应，但影响程度不同。经济增长的正向效应呈“西-东-中”依次递减趋势，人口规模的正向效应呈“中-西-东”依次递减趋势，工业化水平的正向效应呈“东-西-中”依次递减趋势。城镇化率对碳排放的影响也存在区域差异，在中部和东部地区具有正效应，在西部地区具有负效应。这说明我国经济的发展、人口规模的扩大以及传统工业的发展产生了高能耗、高排放，城镇化水平较高的中东部地区还没有形成技术先进、低碳环保的发展模式，西部地区城镇化发展缓慢，还没有产生较多的碳排放。

五、结论与建议

本文在探究2000—2019年我国人口老龄化与碳排放时空差异的基础上，采用贝叶斯层次时空模型深入剖析了老龄化与碳排放的影响关系，并进行了分时段、分区域对比分析，研究发现：（1）我国老龄化高速增长的态势仍然存在，碳排放已呈现增速放缓态势，老龄化与碳排放均呈现“东-中-西”依次递减的空间格局。（2）从时间维度看，我国人口老龄化对碳排放的影响具有阶段性特征，随着时间的推移，老龄化对碳排放的促进效应逐渐减弱，随后转变为显著的抑制效应，整体存在倒U型变化趋势。（3）从空间维度看，老龄化对碳排放的影响存在区域异质性，影响程度存在“中-西-东”依次递减的阶梯式特征，与中西部相反，东部地区已呈现出老龄化对碳排放的缓解趋势。

因此，在应对老龄化和气候问题的过程中，应该考虑如下问题：

第一，注重政策的灵活性与差异性，针对各区域精准施策。各区域应结合自身实际，注重老龄化对该区域碳排放的作用，对碳减排政策进行分时段、分区域管理。对于东部地区，进一步扩大老龄化带来的碳减排效应，大力发展新能源、新技术，尤其是在老龄化背景下积极发展养老服务产业，比如针对老年人的医疗护理、休闲养生、生活娱乐等相关服务；对于中西部地区，在城镇化和工业化进程中，应转变传统的经济发展模式和产业结构，向第三产业和高技术密集型产业发展，降低能源消耗和污染，改善气候问题。

第二，积极应对老龄化发展趋势，从人口发展角度制定节能低碳政策。研究表明经济因素仍是影响碳排放的主要因素，但人口老龄化对碳排放具有显著影响，这表明碳减排政策不仅要从经济、能源方面入手，还要重视人口因素对碳排放的影响，转变人们的消费模式和消费理念，提高低碳意识，倡导绿色消费、低碳生活，促进人口结构变化与低碳发展相协调，在应对老龄化问题的同时尽早实现我国碳达峰、碳中和的发展目标。◆