人口年龄结构变动对碳排放的影响——基于生育率和预期寿命的跨国面板数据

删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

本站小编 Free考研考试/2021-12-29

刘丰^,¹, 王维国²

1.上海社会科学院经济研究所,上海 200020

2.东北财经大学经济学院,大连 116025

The impact of age structure on carbon emissions: Based on a cross-country panel data of fertility rate and life expectancy

LIU Feng^,¹, WANG Weiguo²

1. Institute of Economics, Shanghai Academy of Social Sciences, Shanghai 200020, China

2. School of Economics, Dongbei University of Finance and Economics, Dalian 116025, China

收稿日期:2020-12-10修回日期:2021-03-8

基金资助:

国家社会科学基金后期资助优秀博士论文出版项目(21FYB026)
国家自然科学基金面上项目(71773012)
上海市哲学社会科学规划青年课题(2020EJB004)

Received:2020-12-10Revised:2021-03-8
作者简介 About authors
刘丰,男,浙江苍南人,助理研究员,研究方向为人口、资源与环境经济学,经济计量分析。E-mail: liuf22@163.com

摘要
在即将进入深度老龄化社会的大背景下,中国完成碳排放目标需要重点关注人口年龄结构变化的影响。归纳世界人口年龄结构对碳排放作用的普遍规律,有助于更好地了解人口年龄结构对碳排放的作用机制。鉴于此,本文选取全球有代表性的55个经济体,从生育率和预期寿命两个维度出发,运用面板数据分析方法,实证研究并对比分析年龄结构对各经济体碳排放的差异化影响和作用路径。研究表明：①生育率和预期寿命对碳排放增长存在着非线性作用,生育率下降促进了碳排放的增长,而预期寿命延长对碳排放具有先减后增的作用;②随着老龄化的加剧,预期寿命在人口年龄结构对碳排放作用中的贡献越来越高;③生育率和预期寿命作用于碳排放的主导路径在发展中国家和发达国家之间存在着差异,前者以规模变化路径为主,而后者由效率技术变化路径主导。本文结论丰富了人口年龄结构对碳排放影响机制的研究,也为探索中国老龄化背景下碳减排路径提供政策上的启示。
关键词： 年龄结构;人口老龄化;生育率;预期寿命;碳排放;非线性关系;面板数据分析

Abstract

In the context of an emerging deeply aged society, China needs to focus on the impact of demographic change on achieving carbon emissions goals. In fact, to summarize the universal rules of the effect of world’s population age structure on carbon emission can help to better understand the mechanism of population age structure to carbon emission. Thus, based on the panel data of 55 representative global economies, this study empirically and comparatively examines the differential impact of age structure on carbon emissions growth of economies as well as its mechanism from the perspective of fertility rate and life expectancy by using panel data analysis method. The results show that both fertility rate and life expectancy have nonlinear effect on carbon emissions growth. The carbon emissions growth increases with the decline in fertility rate, but decreases with the extension of life expectancy at first and then increased. With the aggravation of population aging, life expectancy plays an increasingly important role in the impact of age structure on carbon emissions. In terms of the main mode of action of fertility rate and life expectancy, the leading mechanism differs between the developing and developed countries. The developing and developed countries are mainly driven by the change of scale and change of efficiency, respectively. This study enriches the research of the relationship between population age structure and carbon emissions growth. Furthermore, the results have policy implications for the path of carbon emissions reduction during the time of population aging.

Keywords：age structure;population aging;fertility rate;life expectancy;carbon emissions;nonlinearity;panel data analysis

PDF (3506KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex 收藏本文
本文引用格式
刘丰, 王维国. 人口年龄结构变动对碳排放的影响——基于生育率和预期寿命的跨国面板数据[J]. 资源科学, 2021, 43(10): 2105-2118 doi:10.18402/resci.2021.10.14
LIU Feng, WANG Weiguo. The impact of age structure on carbon emissions: Based on a cross-country panel data of fertility rate and life expectancy[J]. RESOURCES SCIENCE, 2021, 43(10): 2105-2118 doi:10.18402/resci.2021.10.14

1 引言

人口老龄化已成为全球性的变化趋势。生育率的下降和预期寿命的延长导致人口年龄结构不断地老化。中国已将积极应对人口老龄化上升至国家战略的高度。在人口老龄化大背景下,碳减排需要关注人口年龄结构变动带来的影响。现有的气候和碳排放模型一般仅将人口规模变量作为人口方面的唯一影响因子,其背后的一个隐含假定是生产与消费方式不随人口年龄结构而发生变化^[1,2,3]。事实上,人口年龄结构在人口对碳排放的影响中占据越来越重要的位置^[4]。在全生命周期中,人均碳排放是非均衡的,其与年龄呈倒“U”型的关系。当个体进入成年期后,消费随着个体财富的积累而增加,进而碳排放随年龄的上升而增加;当个体进入老年退休期后,碳排放量随着消费的下降而减少^[5]。除在消费数量上的差异,年龄还会导致消费结构发生变化。年老家庭消费更多的健康服务和能源、更少的交通和教育,进而碳排放在年龄结构上呈现差异^{[6,7,8,9,10,11]}。此外,年龄结构还会改变特定消费的内部结构,例如Ota等^[12]研究发现人口年龄结构变动对能源消费具有结构性影响,一方面减少了电力需求,另一方面增加了天然气的消费。人口年龄结构不仅通过消费端影响碳排放,还会通过生产端影响碳排放^[13]。人口年龄结构变动对生产端碳排放的影响主要是通过影响生产要素劳动力的供求,进而影响整个生产。人口年龄结构变动对生产端碳排放的影响有时并不亚于消费端碳排放^[14]。

为了在2030年前实现碳排放峰值和2060年前实现碳中和目标,出台相关的碳减排政策必不可少。但未来碳减排政策的制定需要考虑人口老龄化的影响。因此,有必要先厘清人口年龄结构对碳排放的影响。目前,学术界已经围绕人口年龄结构对碳排放的影响做了大量的工作。但遗憾的是,至今未形成统一的结论。①大部分研究认为老龄人口占比的增加会抑制碳排放,如：Dalton等^[15]、李楠等^[16]、Kim等^[17]的研究直接支持了此观点;Li等^[18]研究发现,总抚养比的上升降低了碳排放量;Okon^[19]用少儿人口占比研究发现,14岁及以下人口占比越高,碳排放反而越多,反映了底部老龄占比降低时的情况。②部分研究认为老龄人口占比的增加不会对碳排放产生抑制。如：Cole等^[20]的研究认为,人口年龄结构的变动对碳排放并未产生显著的影响;而Zhang等^[21]、Yu等^[22]的研究表明老龄化会促进碳排放。事实上,现有研究结论的不一致性亦反映了人口年龄结构对碳排放影响的复杂性。除样本选择和研究方法等主观选择会对研究结论产生影响外,各国经济发展水平等客观条件的差异亦是造成研究结论不同的原因之一^[23]。对于发展水平高的国家,两者一般呈现负向相关关系;而对于其他国家,两者一般呈现正向相关关系^[24,25]。此外,人口年龄结构对碳排放还存在着非线性的作用关系^[26,27]。

人口年龄结构是各个年龄组人口在全部人口中的比重或百分比。现有文献主要从结果的视角来反映人口年龄结构的变化,例如采用0~14岁人口比重、15~64岁人口比重、65岁及以上人口比重、少儿抚养比（0~14岁人口与劳动年龄人口的比值）和老人抚养比（65岁及以上人口与劳动年龄人口的比值）等指标^[28]。此外,田成诗等^[29]进一步地将劳动年龄人口结构细化成15~29岁、30~44岁和45~59岁3个年龄组的人口比重。上述指标是从结果上直接反映人口年龄结构,优点是直观,不足的是无法识别人口年龄结构的内在机理。事实上,从成因来看,人口年龄结构变动是生育和死亡两个维度变化的综合结果。其中,对于生育维度,一般用生育率指标来反映;对于死亡维度,一般用预期寿命来反映。事实上,生育率和预期寿命对碳排放的作用机制是不尽相同的,而人口年龄结构对碳排放的作用效应是生育率和预期寿命的叠加结果。从政策制定的视角,只从人口年龄结构的结果性指标出发来分析其对碳排放的影响是不够的,更要知其所以然。有必要从人口年龄结构的成因视角出发,来分析人口年龄结构对碳排放的作用机制及其效应。不仅生育率和预期寿命的作用机制有差异,而且各国在生育率和预期寿命水平上也存在着很大的差异,这种差异的叠加结果往往造成不同国家得出不一致的结论。因此,从成因视角出发,基于生育率和预期寿命维度,来分析人口年龄结构对碳排放的影响,不仅能看到结论的表象,还能了解其内在的机理,进而有助于政策的制定。诚然,人口年龄结构对碳排放的影响是系统性的,不仅包括生育率和预期寿命等直接作用的维度,还包括人口年龄结构引发医疗健康行为、社会保障内容、产业结构以及消费方式等维度的变化而间接作用于碳排放^[30,31]。本文主要聚焦在生育和预期寿命维度来分析人口年龄结构对碳排放的影响。

2 理论机制分析

碳排放可以分解为以下4个部分：

（1）

CAR = POP \times \frac{EMP}{POP} \times \frac{GDP}{EMP} \times \frac{CAR}{GDP}

式中：CAR表示碳排放量,POP表示人口规模,EMP表示就业人数,GDP表示国内生产总值,EMP/POP、GDP/EMP和CAR/GDP分别表示总人口就业率、人均有效产出和碳排放强度。从碳排放分解看,人口年龄结构两个维度（生育率和预期寿命）对碳排放的影响可以通过分别作用于人口规模、总人口就业率、人均有效产出和碳排放强度4个部分。对式（1）两边取对数,可得：

（2）

\ln CAR = \ln POP + \ln \frac{EMP}{POP} + \ln \frac{GDP}{EMP} + \ln \frac{CAR}{GDP}

2.1 人口年龄结构与人口规模

人口生育与死亡之间的相对变化,引起一定空间内人口规模的动态调整。在不考虑人口机械迁移的情况下,人口规模的调整是生育率与预期寿命变动的直接反映。从人口年龄结构两个维度来看,生育水平的下降会降低人口的增速,而预期寿命的延长会提高人口规模的增速。但这并不是绝对的,当人口处于由马尔萨斯（高生育率和高死亡率）均衡向现代人口增长（低生育率、低死亡率）均衡转变的阶段时是不成立的^[32]。

当人口处于转变阶段,生育率与死亡率均下降,但死亡率下降的速度会快且先于生育率,人口规模增速反而提高。此时,生育率与人口增速呈现反向的关系,生育率下降,人口规模增速上升。此时,生育率下降通过人口规模作用路径促进碳排放增长。

在一定的生育水平下,死亡率下降（或预期寿命的延长）,会提高人口的增速,且生育率水平越高,单位死亡率下降带来的人口增速亦更高。预期寿命通过人口规模作用路径正向作用于碳排放增长。

综上所述,生育率通过人口规模作用路径可能会反向作用于碳排放增长,这取决于死亡率的相对下降程度,而预期寿命的延长通过人口规模路径促进碳排放增长。

2.2 人口年龄结构与总人口就业率

人口年龄结构作用碳排放增速的第二个路径是总人口就业率,总人口就业率越高,碳排放增速越高。人口年龄结构变动引起人口规模增速变化的同时,会引起劳动力市场供给需求的相对变化,进而引起总人口就业率的变化^[33,34]。

人口转变阶段的生育率下降伴随着劳动力供给的增加,劳动力人口占比上升,提升总人口就业率,进而促进碳排放增长。此外,预期寿命越长,老年人口占比越高,相同生育率变动所产生的劳动力变化量对总人口就业率的贡献趋于下降。

预期寿命延长,会促进老年人口占比的上升,总人口就业率趋于下降,进而降低碳排放的增长;当预期寿命延长到一定程度后,会出现劳动力供给不足,老年人口参与就业的人数因此增加,进而促进了总人口就业率,提高了碳排放的增长。因此,预期寿命的延长对碳排放增长存在着正“U”型的作用。

2.3 人口年龄结构与人均有效产出

人口年龄结构作用于人均有效产出的方式主要有物质资本作用方式和人力资本作用方式。从物质资本视角看,生育率与预期寿命会改变消费与储蓄之间的配置,进而影响储蓄的变化,最终通过物质资本积累作用于产出。从人力资本视角看,生育率与预期寿命会影响代表性个体在教育和其他方面的消费比例,进而影响人力资本投资,最终通过人力资本积累内生作用于产出。

已有研究表明^[35],生育率和预期寿命对产出存在收入和替代两种效应。其中收入效应是人口年龄结构因素在不改变人力资本投资比例前提下,通过影响收入水平,进而作用于人力资本积累和产出的效应;替代效应是人口年龄结构因素在不影响收入水平的前提下,通过影响人力资本投资比例,进而作用于人力资本积累和产出的效应。

对于经济发展水平较高的发达国家而言,生育率的收入效应大于替代效应,预期寿命的替代效应大于收入效应,生育率的提高和预期寿命的延长分别会促进和抑制其产出,进而分别提高和减弱其碳排放增速。对于多数发展中国家而言,生育率的收入效应小于替代效应,预期寿命的替代效应小于收入效应。生育率的减少和预期寿命的延长均促进产出的增加,进而提高碳排放的增速。

2.4 人口年龄结构与碳排放强度

人口转变阶段的生育率下降,一方面,增加人口规模,形成劳动力要素优势,间接对低碳技术创新产生负向影响;另一方面,促进生育数量向生育质量的转变,人们对健康、环境的认知与重视程度在加深,产品消费向低碳转变,生产向低碳转型,有助于低碳技术创新和低碳技术效率提升。

预期寿命延长,一方面,与生育率作用类似,健康水平的提高,消费向低碳转变,生产向低碳转型。另一方面,预期寿命延长,人口年龄结构老化,有可能阻碍低碳技术创新,从而在一定程度上抑制了碳排放强度的下降。

总结生育率和预期寿命对碳排放影响的4个部分,可以发现生育率和预期寿命对碳排放4个部分作用的方向存在着差异,其综合效应取决于各部分效应的强弱,这需要通过计量实证进行分析。

3 模型、变量与数据

3.1 计量回归模型

根据前文的分析,本文构建以下基础计量模型：

（3）

\ln CA R_{it} = α_{1} tf r_{it} + α_{2} tl e_{it} + β_{0}^{'} x_{it} + μ_{i} + λ_{t} + ε_{it}

式中：lnCAR_it表示第i国家在t年的碳排放的对数,tfr_it表示第i国家在t年的生育率,tle_it表示第i国家在t年的预期寿命,列向量x_it表示第i国家在t年的其他控制变量的水平,

α_{1}

、

α_{2}

分别表示生育率和预期寿命的回归系数,

β_{0}^{'}

表示控制变量的回归系数向量,

μ_{i}

、

λ_{t}

和

ε_{it}

分别表示个体效应、时间效应和随机扰动项。

由于生育率与预期寿命可能存在着潜在的非线性关系,包括二次项和交互项,本文进一步地构建以下计量模型来进行实证检验：

（4）

\begin{array}{l} \ln CA R_{it} = α_{1} tf r_{it} + α_{2} tl e_{it} + α_{3} tf r_{it} \times tl e_{it} + \\ α_{4} tf r_{it}^{2} + α_{5} tl e_{it}^{2} + β_{0}^{'} x_{it} + μ_{i} + λ_{t} + ε_{it} \end{array}

式中：a₃、a₄和a₅分别表示生育率与预期寿命交互项、生育率二次项和预期寿命二次项的回归系数,其他变量含义与公式（3）中一致。进一步地,构造以下计量模型来检验生育率和预期寿命作用碳排放的4个路径：

（5）

\begin{array}{l} \ln Z_{kit} = α_{1 k} tf r_{it} + α_{2 k} tl e_{it} + α_{3 k} tf r_{it} \times tl e_{it} + \\ α_{4 k} tf r_{it}^{2} + α_{5 k} tl e_{it}^{2} + β_{0 k}^{'} x_{kit} + μ_{ki} + λ_{kt} + ε_{kit} \end{array}

式中：Z_kit（k=1,2,3,4）分别表示人口规模、总人口就业率、人均有效产出和碳排放强度,a₁_k、a₂_k、a₃_k、a₄_k、a₅_k和行向量

β_{0 k}^{'}

分别表示相应解释变量的回归系数。

生育率和预期寿命对碳排放增长率的边际效应通过以下公式计算：

（6）

\frac{\partial \ln CAR}{\partial tfr} = α_{1} + α_{3} \times tle + 2 \times α_{4} \times tfr

（7）

\frac{\partial \ln CAR}{\partial tle} = α_{2} + α_{3} \times tfr + 2 \times α_{5} \times tle

式中：

\frac{\partial \ln CAR}{\partial tfr}

和

\frac{\partial \ln CAR}{\partial tle}

分别表示生育率和预期寿命对碳排放增速的边际效应。

3.2 变量选取及数据来源

（1）被解释变量。本文选取碳排放量的对数（lnCAR）作为被解释变量。碳排放数据由美国田纳西州橡树岭国家实验室环境科学部CO₂信息分析中心提供。该数据为各国化石燃料1960—2016年CO₂排放量数据,包括固体燃料、气体燃料、液体燃料、水泥生产和废气燃烧所排放的CO₂。

（2）核心解释变量。本文的核心解释变量为总和生育率（tfr）和出生时预期寿命（tle）。其中,总和生育率表示国家或地区的每名妇女在育龄15~49岁期间平均的生育子女数。该指标能够很好地反映妇女生育子女数量的情况,是衡量生育水平最常用的指标之一。出生时预期寿命指在当前分年龄死亡率不变下,同一时期出生的人预期能继续生存的平均年数。该指标能够反映整体的死亡率水平,作为反映人口死亡维度的常用指标。

（3）机制变量。本文的机制变量包括人口总规模的对数（lnpop）、总人口就业率的对数（lnl）、人均有效产出的对数（lnye）和碳排放强度的对数（lnci）。其中,总人口就业率用就业人数与总人口数的比值;人均有效产出为实际GDP除以就业人数。

（4）控制变量。结合已有研究^[36,37],本文的控制变量主要包括：①城市化率（ur）。本文用城市化率来控制人口空间结构变动对碳排放的影响。人口由农村向城镇转移的过程会伴随着能源消费的快速增长,城镇化进程中的大规模城镇基础设施和住房建设需要大量一次性能源消耗,城市居民人均能源消费量也多倍于农村居民。②产业结构（inds）。本文用此变量来控制产业结构变动对碳排放的影响。产业结构由农业主导向工业主导,再向服务业主导的转变过程伴随着碳排放强度的变化。工业发展需要消耗大量的能源,且碳排放强度比农业和服务业要相对更高。此外,工业主导型产业结构内部也会发生转型升级,由资源能源密集型产业向高技术产业转变,这势必引起碳排放强度的变化,进而影响碳排放量。③外贸依存度（ftd）。外贸依存度是进出口贸易总和与GDP的比值,用来控制贸易开放程度对碳排放的影响。从国际发展经验来看,国际贸易与碳排放密切相关。发展中国家在贸易开放的同时,会承接来自于发达国家的资源密集型产业,容易成为“污染避难所”。④人均GDP（gdppc）及其平方项。根据库兹涅茨曲线,碳排放规模与收入水平存在着倒“U”型关系。在不同收入阶段,人们的消费水平和消费结构均会发生变化,进而从需求端影响碳排放;此外,随着收入水平的提高,企业从要素驱动型向创新驱动型转变,进而从供给端影响碳排放。⑤资本劳动比（kl）。要素结构能够反映出是劳动密集型产业占主导,还是资本密集型产业占主导。不同的要素结构所对应的碳排放结构存在着较大的差异,要素结构的变化会直接影响碳排放。本文用资本劳动比来反映要素结构,由资本存量除以就业人数得出,其中,资本存量数据来源于佩恩表PWT9.1（https://www.rug.nl/ggdc/productivity/pwt/）。⑥滞后一期的碳排放量（lagc）。用来反映碳排放规模对其增速的影响。

根据样本可得性和代表性,本文选取55个国家1960—2016年的面板数据^①(^①包括中国（未包含港澳台地区）、丹麦、俄罗斯、保加利亚、克罗地亚、加拿大、匈牙利、南非、卢森堡、印度、印度尼西亚、土耳其、埃及、塞浦路斯、墨西哥、奥地利、孟加拉国、尼日利亚、巴基斯坦、巴西、希腊、德国、意大利、拉脱维亚、挪威、捷克、斯洛伐克、斯洛文尼亚、新加坡、日本、智利、比利时、沙特阿拉伯、法国、波兰、泰国、澳大利亚、爱尔兰、爱沙尼亚、瑞典、瑞士、立陶宛、罗马尼亚、美国、芬兰、英国、荷兰、菲律宾、葡萄牙、西班牙、越南、阿根廷、韩国、马来西亚、马耳他。),实际变量以2010年美元不变价计算;GDP、人均GDP、就业人数变量数据来源于佩恩表PWT9.1^[38]。其他变量数据来源于世界银行数据库（https://databank.worldbank.org）。

3.3 变量描述

图1a和1b分别给出了各国1960—2016年间碳排放增长率对生育率和预期寿命的相关分布图。从图中可以发现,碳排放增长率与生育率呈负向相关关系,而与预期寿命呈现正向相关关系。根据OLS拟合曲线,可以初步地判断生育率的下降和预期寿命的延长提高了碳排放的增速。但由于存在着个体效应、时间效应及控制变量等多方面因素,需要通过计量实证来进一步地确定人口年龄结构两维度因素对碳排放的因果关系。

图1

新窗口打开|下载原图ZIP|生成PPT
图11960—2016年各国人口年龄结构与碳排放增长

注：部分国家名称因圆点密集未显示。
Figure 1Population age structure among countries and carbon emissions growth, 1960-2016

图2给出了各国生育率和预期寿命在1960年和2018年的水平。从图2中可知,各国的生育率和预期寿命相差甚远。在1960年,发展中国家的生育率水平基本在6上下浮动,例如,中国（5.756）、印度（5.906）和尼日利亚（6.354）;发展中国家的预期寿命低于60岁,且多数发展中国家的预期寿命维持在40~50岁间,例如,中国（43.725岁）、印度（41.422岁）,尼日利亚的预期寿命甚至低于40岁（36.976岁）。与发展中国家相比,发达国家的生育率在1960年已经在3上下徘徊,仅为发展中国家的一半,而他们的预期寿命大多已经突破60岁,平均水平超过65岁,与发展中国家存在着20岁以上的差距。随着时间的推移,无论是发达国家还是发展中国家,他们的生育率趋于下降,而预期寿命持续延长,但发达国家与发展中国家在生育率和预期寿命水平上仍存在着一定的差距,特别是预期寿命。值得一提的是,中国经过几十年的经济高速发展,其生育率水平已经与发达国家类似,且预期寿命在发展中国家处于前列,与发达国家间的差距日渐缩小。此外,原本为发展中国家的新加坡,经过20世纪60、70年代的经济高速发展,成功挤入发达国家行列,其生育水平也从原来的5.760跌至1.140。各国生育率和预期寿命存在的差异,主要原因在于各国的经济发展阶段不同,生产力水平和人力资本水平差异甚大^[39,40]。大多数发达国家的生产力水平极高,在20世纪60、70年代便已经从马尔萨斯均衡向现代人口增长均衡过渡,而多数发展中国家在当时仍处于马尔萨斯均衡中。除经济发展水平外,还有人口流动、医疗体制等多方面因素的影响。例如美国,其生育率在发达国家中属于较高水平,这主要源于全球的年轻劳动力流入美国,使得其生育率水平高于其他发达国家;例如日本的前沿医疗技术和较为完善的医疗体制使得其预期寿命在发达国家中名列前茅。表1给出了各变量的统计性描述。

图2

新窗口打开|下载原图ZIP|生成PPT
图21960年和2018年各国生育率和预期寿命水平

注：仅突出显示了特征明显的几个国家,其他国家名称未显示。
Figure 2Fertility rate and life expectancy among selected countries in 1960 and 2018

Table 1
表1
表1变量统计性描述
Table 1Descriptive statistics of variables

符号	变量	单位	均值	标准差	最小值	最大值
CAR	CO₂排放量	百万t	365.613	963.003	0.293	10291.930
tfr	总和生育率	-	2.626	1.504	0.977	7.313
tle	预期寿命	岁	70.766	8.222	36.976	84.211
ur	城市化率	%	62.263	20.727	5.135	100.000
inds	产业增加值比重	%	28.608	13.502	2.365	84.796
ftd	外贸依存度	-	61.304	82.146	0.275	2750.919
gdppc	人均GDP	美元/人	17008.760	13699.610	131.300	83851.230
pop	人口规模	百万人	81.160	198.972	0.314	1409.517
kl	资本劳动比	-	140308.700	130093.500	895.070	685852.400
l	单位人口就业率	-	0.420	0.086	0.188	0.726
ye	有效人均产出	美元/人	38897.020	27944.880	485.805	173048.000
ci	碳排放强度	t/百万美元	0.468	0.374	0.020	9.614

新窗口打开|下载CSV

4 结果与分析

4.1 计量回归结果

表2给出了计量回归结果。表2中的模型1与模型2列分别给出了假定个体为随机效应与固定效应的回归结果。从生育率与预期寿命的回归系数显著性看,个体效应无论是假定随机效应还是固定效应,均通过了1%的显著性水平检验,生育率的回归系数均显著为负,预期寿命的回归系数均显著为正。进一步地,从回归系数大小看,两模型回归结果基本一致。BP-LM检验计算结果为59224.300,通过1%的显著性水平检验,表明个体效应存在是合理的。Hausman检验计算结果为35.320,通过1%的显著性水平检验,表明个体效应拒绝随机效应,应选择固定效应面板数据模型。从模型2列看,生育率的回归系数为-0.335,表明在控制个体差异下,总和生育率每减少0.10,碳排放将提高3.35个百分点;预期寿命的回归系数为0.050,表明在控制个体差异下,预期寿命每延长1岁,碳排放将提高5个百分点。

Table 2
表2
表2基础回归结果
Table 2Results of the benchmark model

	模型1	模型2	模型3	模型4
tfr	-0.334*** (0.070)	-0.335*** (0.070)	-0.220** (0.088)	-0.275*** (0.072)
tle	0.050*** (0.014)	0.050*** (0.014)	0.053** (0.027)	0.064** (0.028)
控制变量			加	加
时间效应				加
个体效应	RE	FE	FE	FE
R²	0.709	0.709	0.754	0.777

注：RE和FE分别表示随机效应和固定效应。括号内为稳健标准误,***、**与*分别表示通过1%、5%与10%的显著性水平检验。下同。

新窗口打开|下载CSV

模型2反映的是生育率与预期寿命的总效应,包含其他控制变量通过生育率和预期寿命作用于碳排放的间接效应。模型3在加入控制变量后,生育率的回归系数绝对值明显地减小,而预期寿命的回归系数略微增加。这表明,在控制其他变量的间接效应后,生育率对碳排放的净效应比总效应减少超过1/3。

模型4进一步地控制时间效应后,生育率和预期寿命对碳排放的边际效应均增强。这表明若不控制时间效应,将低估生育率和预期寿命对碳排放的作用强度。

由于生育率和预期寿命对碳排放可能存在着潜在的非线性作用效应,本文对式（4）进行计量实证回归,表3为回归结果。在加入生育率和预期寿命的平方项和交互项后,模型结果呈现整体显著增强,但系数不显著,如模型5结果所示,这表明存在着多重共线性问题。在处理该问题后,最终确定的回归结果如模型6所示。

Table 3
表3
表3非线性回归结果
Table 3Results of nonlinear regression

	模型5	模型6
tfr	-1.031 (0.880)	-1.788*** (0.595)
tle	-0.393* (0.211)	-0.523** (0.234)
tfr×tle	0.013 (0.011)	0.022** (0.009)
tfr²	-0.024 (0.032)	-
tle²	0.003** (0.001)	0.004** (0.002)

注：模型均包含控制变量、个体效应与时间效应,下同。

新窗口打开|下载CSV

根据表3模型6回归结果,可得出生育率和预期寿命对碳排放增长率的边际效应。根据前文式（6）可以计算得出,生育率对碳排放的负边际效应随着预期寿命的延长而不断减弱。当预期寿命超过81.3岁后,生育率对碳排放的边际效应由负转向正,且不断增强。这与前面的理论机制分析相吻合。当预期寿命较低时,其延长主要源于婴幼儿死亡率和传染性疾病的下降,且先于生育率下降,进而形成人口红利与经济增长,此时生育率的下降提高碳排放的增速;而当预期寿命较高时,其延长主要源于老年人口死亡率和非传染性疾病的下降,老龄化程度不断加深,此时生育率的进一步下降不仅不能够促进经济增长,反而阻碍经济增长,进而抑制碳排放增速。

根据前文式（7）可以计算得出,当预期寿命超过65岁,预期寿命对碳排放增速的边际效应为正,碳排放增速随着预期寿命的延长而提高。这可能源于预期寿命的延长降低了人均有效产出的增速,亦或阻碍低碳技术创新和低碳技术效率提升。这有待于下面对机制的进一步检验。

4.2 人口年龄结构对碳排放效应分解

基于式（6）和（7）计算中国1960—2016年生育率和预期寿命对碳排放增速的边际效应,如图3所示。从图中的实线走势可以看出,中国生育率对碳排放增速的边际效应一直为负,这表明过去几十年里生育率的下降对碳排放增速具有促进作用,但促进的程度在下降。从图中虚线走势可以看出,改革开放以来,中国预期寿命的延长对碳排放增速具有促进效应,且效应在不断增强。

图3

新窗口打开|下载原图ZIP|生成PPT
图31960—2016年中国人口年龄结构因素的边际效应

Figure 3Marginal effets of population age structure factors in China, 1960-2016

进一步地,图4给出了各国1960—2016年生育率和预期寿命对碳排放增速的平均边际效应。从图中可以发现,全部国家生育率的平均边际效应为负,但其程度存在着较大的差异。日本、欧美等发达国家生育率的边际效应相对较小,而发展中国家的边际效应相对更大,例如,尼日利亚、印度和南非。除尼日利亚外,其他国家预期寿命的平均边际效应均为正,且发达国家的边际效应相对更强。

图4

新窗口打开|下载原图ZIP|生成PPT
图41960—2016年各国人口年龄结构的平均边际效应

注：部分国家名称因圆点密集未显示。
Figure 4Average marginal effets of population age structure among selected countries, 1960-2016

与其他国家相比,中国生育率与预期寿命的平均边际效应处于中间水平,与巴西、泰国较为接近。中国生育率的负边际效应强于欧美发达国家,但要弱于印度、南非等国家;而预期寿命的正边际效应要弱于欧美发达国家,但要强于印度、南非等国家。

基于生育率和预期寿命的边际效应,进一步地计算人口年龄结构两维度因素对碳排放增长率的贡献,表4给出了各国历年人口年龄结构（包括生育率和预期寿命）变动对碳排放增长率的年均贡献。

Table 4
表4
表41960—2016年各经济体人口年龄结构对碳排放效应的分解
Table 4Decomposition of the effect of population age structure among selected economies on carbon emissions, 1960-2016

经济体	生育率效应/%	预期寿命效应/%	人口年龄结构总效应/%	生育率贡献率/%	经济体	生育率效应/%	预期寿命效应/%	人口年龄结构总效应/%	生育率贡献率/%
日本	0.054	2.726	2.780	1.952	墨西哥	2.144	2.788	4.932	43.465
瑞士	0.235	2.263	2.499	9.418	越南	1.955	2.514	4.469	43.747
意大利	0.259	2.370	2.630	9.854	马来西亚	2.112	2.399	4.510	46.819
挪威	0.202	1.832	2.034	9.926	尼日利亚	1.059	-1.085	-0.026	49.397
法国	0.304	2.307	2.611	11.628	中国	2.151	2.108	4.259	50.498
阿根廷	0.211	1.594	1.805	11.716	韩国	3.057	2.942	6.000	50.956
英国	0.268	1.753	2.021	13.273	埃及	2.511	1.974	4.485	55.984
德国	0.363	1.657	2.020	17.969	泰国	2.833	2.130	4.963	57.079
欧盟（其他）^(a)	0.354	1.603	1.956	18.091	巴基斯坦	2.078	1.446	3.524	58.973
澳大利亚	0.507	2.176	2.683	18.894	巴西	2.794	1.877	4.671	59.810
加拿大	0.649	1.893	2.542	25.543	菲律宾	2.549	1.441	3.990	63.882
沙特阿拉伯	1.722	4.217	5.939	28.995	土耳其	3.368	1.857	5.226	64.457
美国	0.663	1.338	2.001	33.148	孟加拉国	3.583	1.308	4.891	73.257
智利	1.479	2.636	4.115	35.943	印度尼西亚	2.649	0.742	3.391	78.124
新加坡	1.908	2.728	4.636	41.161	南非	2.942	0.527	3.469	84.803
俄罗斯	0.470	0.667	1.137	41.301	印度	3.153	-0.150	3.003	95.448

注：（a）本表将欧盟除法国、德国和意大利外的剩余成员国合并为一个经济体列出,称“欧盟（其他）”,下同。

新窗口打开|下载CSV

从生育率对碳排放增速的影响看（见表4生育率效应列）,其对发展中国家的影响更强,例如,中国和印度的生育率变化年均分别提高碳排放增速2.151和3.153个百分点,而日本和美国仅为0.054和0.663个百分点。这主要源于发达国家的生育率基本维持在低水平,且变化幅度小。而发展中国家的生育率在过去几十年里变化幅度较大,且其预期寿命相对短于发达国家,根据边际效应式（6）可知,发展中国家生育率对碳排放作用的边际效应更强。更大幅度的生育率变化和更高强度的边际效应,造成生育率对发展中国家的碳排放作用更强。

从预期寿命对碳排放增速的影响看（见表4预期寿命效应列）,预期寿命对各国碳排放的影响相当。与生育率不同,发展中国家预期寿命尽管在过去以较快的速度延长,但其与发达国家之间的相对差距维持相对稳定。因此,预期寿命在发达国家与发展中国家对碳排放增长率的贡献均保持在一个较高的水平。例如,日本、新加坡和墨西哥预期寿命变化能够提高碳排放增速2.7个百分点以上,而俄罗斯、印度尼西亚和南非均在1个百分点以下,印度与尼日利亚甚至为负增长。

从人口年龄结构对碳排放的总效应来看（见表4人口年龄结构总效应列）,对老牌发达国家碳排放的贡献基本在2个百分点上下,而对发展中国家碳排放的贡献在4个百分点上下。对于发达国家,人口年龄结构对碳排放的总效应基本与预期寿命对碳排放的效应一致;对于发展中国家,人口年龄结构对碳排放的总效应是生育率和预期寿命两个维度对碳排放效应的叠加结果。因此,从效应强度上看,人口年龄结构对碳排放的贡献在发展中国家更高。从变化趋势看,人口年龄结构对碳排放的贡献在下降。

从人口年龄结构对碳排放贡献的结构来看（见表4生育率贡献度列）,可以分为3类：生育率主导型、预期寿命主导型、均衡型。生育率主导型主要集中在印度、南非、印尼及孟加拉国等国,这些国家生育率在人口年龄结构对碳排放贡献中占比高达70~80%,印度甚至高达95%。预期寿命主导型主要集中在日本、欧美等发达国家及阿根廷、智利等较高水平的发展中国家。这些国家预期寿命在人口年龄结构对碳排放贡献中占比亦高达2/3以上,其中日本更是高达98%。均衡型主要集中在中国、韩国、越南、马来西亚及巴西等国家,生育率和预期寿命对碳排放的贡献相当。其中,中韩两国的生育率和预期寿命的贡献程度基本上相等,各占50%。

综上分析,过去人口年龄结构的变动对碳排放具有正向促进效应,对发展中国家的碳排放贡献更高,但发展中国家主要以生育率贡献为主,而发达国家主要以预期寿命贡献为主,存在着结构性的差异。结合人口年龄结构的变化趋势,未来发展中国家人口年龄结构对碳排放的作用总效应将趋于下降,且主要贡献来源向预期寿命为主转变。

进一步地,图5给出了中国人口年龄结构历年变动对碳排放的贡献。从图中可以发现：①中国人口年龄结构对碳排放的总效应趋于下降,这与表4的分析结论相一致;②步入老龄化社会（中国在2000年前后人口老龄化程度达到7%）之前,人口年龄结构对碳排放的贡献主要来源于生育率,而在步入老龄化社会以后,人口年龄结构对碳排放的贡献主要源于预期寿命,作用效应发生了结构性的改变。这再次印证了表4分析结果。

图5

新窗口打开|下载原图ZIP|生成PPT
图51960—2016年中国人口年龄结构对碳排放贡献及其分解

Figure 5Contribution and decomposition of the effect of China’s population age structure on carbon emissions, 1960-2016

4.3 作用机制验证及贡献分解

本文对式（5）所列的机制进行验证,来探究人口年龄结构因素（生育率与预期寿命）对碳排放作用的路径,表5给出了人口年龄结构因素对碳排放4个部分的作用效应。

Table 5
表5
表5作用机制验证结果
Table 5Results of impact mechanism analysis

	lnpop	lnl	lnye	lnci
tfr	-0.358*** (0.082)	-0.664*** (0.219)	-0.299** (0.131)	0.816*** (0.307)
tle		-0.293*** (0.096)	0.565*** (0.101)	0.088*** (0.026)
tfr×tle	0.004*** (0.001)	0.009*** (0.003)		-0.013*** (0.004)
tfr²			0.037* (0.021)
tle²		0.002*** (0.001)	-0.004*** (0.001)

新窗口打开|下载CSV

从人口规模增长率（lnpop）作用路径看,生育率对人口增速的边际效应为-0.358+0.004×tle,生育率下降促进人口增长,且与死亡率相关,预期寿命越长,生育率下降的边际效应减弱。这与前文的理论分析相一致,即人口转变阶段,死亡率的下降先于生育率的下降,进而生育率的下降带来净增长率的提高。预期寿命对人口增速的边际效应为0.004×tfr,表明预期寿命每延长1岁,人口增速将提高0.4×tfr个百分点。从总和就业率增长率（lnl）作用路径看,生育率对总和就业率的边际效应为-0.664+0.009×tle。当预期寿命小于74.6岁时,生育率对总和就业率增速的边际效应为负,生育率的下降有助于总和就业率的提升,这源于劳动力占比的上升;当预期寿命大于74.6岁时,生育率对总和就业率增速的边际效应为正,生育率的提高有助于总和就业率的提升,这源于老龄化加剧导致劳动力供给相对不足。预期寿命对总和就业率增速的边际效应为-0.293+0.009×tfr+0.004×tle。当人口年龄结构处于高生育率低预期寿命阶段时,预期寿命的延长会降低总和就业率,这源于劳动力相对过剩;当人口年龄结构处于低生育率高预期寿命阶段时,预期寿命的延长会提高总和就业率,这源于老年人口参与就业的规模在增加。从人均有效产出增长率（lnye）作用路径看,生育率对人均有效产出增长率的一次项和二次项系数分别为负和正,表明存在着正“U”型的作用效应,其临界值为4.061。当生育率小于4.061时,生育率对产出增长的边际效应为负,即生育率的下降促进了人均有效产出的增长,这源于生育率的下降促进生育质量的提升,人力资本水平的提高,从而内生促进经济增长。预期寿命对人均有效产出增长率的一次项和二次项系数分别为正和负,表明存在着倒“U”型的作用效应,其临界值为67.344。当预期寿命小于临界值时,预期寿命对产出增长的边际效应为正,即预期寿命的延长促进了人均有效产出的增长;当预期寿命大于临界值时,预期寿命对产出增长的边际效应为负,即预期寿命的延长抑制了人均有效产出的增长。从碳排放强度增速（lnci）作用路径看,生育率对碳排放强度增速的边际效应为0.816-0.013×tle,其临界值为63.941。当预期寿命低于该临界值时,生育率的边际效应为正,即生育率降低了碳排放强度的增速;当预期寿命高于该临界值时,生育率的边际效应为负,即生育率的下降反而提高了碳排放强度的增速。预期寿命对碳排放强度增速的边际效应为0.088-0.013×tfr,其临界值为6.891。对于绝大多数国家而言,预期寿命的边际效应为正,即预期寿命的延长提高了碳排放强度的增速。进一步地,根据表5回归结果,本文计算4个作用路径在各国的情况,结果如表6所示。从生育率的作用路径看,发达国家生育率对碳排放的作用路径主要通过影响人均有效产出和碳排放强度,而发展中国家更多地通过人口规模和总人口就业率路径来作用于碳排放。这表明发展中国家生育率对碳排放的影响还是主要依靠规模变化产生,而发达国家生育率对碳排放的影响主要依靠效率与技术。

Table 6
表6
表6各经济体碳排放作用机制分解
Table 6Decomposition of impact mechanism for carbon emissions among selected economies

经济体	总和生育率-各路径贡献百分比				预期寿命年限-各路径贡献百分比
经济体	lnpop	lnl	lnye	lnci	lnpop	lnl	lnye	lnci
日本	15.540	-6.858	49.609	41.710	25.625	108.443	-289.930	255.862
挪威	20.235	-4.077	40.026	43.816	44.188	233.265	-569.848	392.395
意大利	20.885	0.859	43.984	34.271	26.161	118.865	-321.600	276.574
阿根廷	25.640	2.200	32.564	39.596	22.255	34.307	-61.101	104.538
瑞士	21.977	2.268	42.641	33.114	33.235	176.908	-464.491	354.348
英国	23.033	2.983	40.592	33.392	28.802	121.362	-308.630	258.466
加拿大	26.007	4.399	34.117	35.478	29.584	129.796	-331.399	272.019
澳大利亚	26.080	5.397	35.079	33.444	32.845	145.519	-359.136	280.772
法国	25.591	6.348	37.517	30.544	31.384	129.195	-314.606	254.027
欧盟（其他）	24.449	8.674	43.338	23.539	22.378	81.794	-223.685	219.513
美国	28.161	9.037	33.627	29.174	22.954	69.330	-176.509	184.225
德国	26.771	14.371	43.620	15.238	18.981	73.423	-223.158	230.754
新加坡	35.784	16.519	21.513	26.185	23.832	73.969	-185.371	187.570
俄罗斯	28.243	17.109	42.785	11.863	14.600	16.223	-61.166	130.343
沙特阿拉伯	54.648	18.359	-27.846	54.839	26.205	8.626	60.021	5.148
智利	37.077	21.904	24.243	16.776	19.345	16.178	-22.202	86.679
越南	48.442	26.084	-1.925	27.399	26.301	27.531	-4.579	50.748
中国	43.355	28.650	14.943	13.052	17.736	-11.200	59.330	34.133
马来西亚	50.362	28.854	-3.945	24.730	25.447	27.426	-11.195	58.322
墨西哥	53.837	29.669	-12.487	28.981	26.761	23.461	13.257	36.521
韩国	43.900	33.369	18.941	3.789	17.712	14.364	-29.278	97.202
泰国	49.634	38.770	9.566	2.031	18.350	2.953	15.407	63.289
巴西	52.502	43.200	6.887	-2.589	17.834	-1.161	25.413	57.914
菲律宾	70.850	49.864	-35.460	14.746	25.140	19.539	13.574	41.747
印度尼西亚	60.570	59.738	4.080	-24.389	15.110	-19.841	67.741	36.990
土耳其	65.297	64.017	-3.848	-25.466	16.540	-12.277	53.274	42.463
孟加拉国	67.769	65.060	-9.386	-23.444	17.025	-15.511	68.430	30.056
南非	66.598	66.980	-3.955	-29.623	16.824	-19.139	79.331	22.983
印度	65.529	68.817	1.097	-35.444	14.083	-27.223	84.874	28.265
巴基斯坦	85.705	73.431	-48.618	-10.518	19.924	-12.530	81.821	10.786
埃及	88.355	82.611	-45.184	-25.782	20.015	-6.841	62.890	23.936
尼日利亚	201.471	249.588	-159.910	-191.149	14.690	-34.189	113.928	5.570

新窗口打开|下载CSV

预期寿命对碳排放作用的路径可以分为人均有效产出主导型、碳排放强度主导型、均衡型3类。中国、印度、南非及印尼等国家属于人均有效产出主导型;智利、墨西哥、韩国及俄罗斯等国家属于碳排放强度主导型;日本及欧美发达国家属于均衡型,总人口就业率和人均有效产出两作用路径同等重要。人均有效产出主导型与均衡型最大的不同在于,前者预期寿命的人均有效产出路径效应为正,而后者预期寿命的人均有效产出路径效应为负。从趋势上可以判断,预期寿命对碳排放的作用路径由人均有效产出主导型向碳排放强度主导型过渡,进而向均衡型发展。此外,预期寿命对人均有效产出路径的效应由正向负转变,且负效应不断增强。

5 结论与建议

5.1 结论

本文从生育率和预期寿命两个维度来研究人口年龄结构变动对碳排放增长的影响。基于中国等55个国家1960—2016年的样本数据,运用面板数据分析方法,实证分析生育率和预期寿命对碳排放的作用路径、作用效应及其分解。本文主要结论如下：

（1）生育率和预期寿命对碳排放增长存在着非线性作用效应。生育率下降促进了碳排放的增长,但效应随着预期寿命的延长而减弱,甚至发生作用方向的转变。预期寿命对碳排放增长存在着正“U”型的作用。当预期寿命低于临界值时,预期寿命延长对碳排放增长具有抑制作用;而当预期寿命高于临界值时,预期寿命延长对碳排放增长具有正向促进效应。在发达国家中,人口年龄结构变动对碳排放增长的作用效应主要由预期寿命因素驱动,而在发展中国家,人口年龄结构变动对碳排放增长的作用效应由生育率和预期寿命两个维度因素共同驱动。

（2）人口年龄结构对碳排放增长主导作用路径在国家间存在着一定的差异。对于生育率维度而言,其对发展中国家的作用路径主要由人口规模和总人口就业率主导,而其对发达国家的作用路径主要由人均有效产出和碳排放强度主导。对于预期寿命维度而言,其对碳排放的作用路径存在人均有效产出主导型、碳排放强度主导型和均衡型3个类型。从发展趋势看,其主导路径先由人均有效产出主导,进而向碳排放强度主导过渡,最后向均衡型转变。

5.2 政策建议

在老龄化不断加剧的背景下,中国实现2030年碳排放峰值目标和2060年碳中和远景目标仍面临着较大挑战。因此,在碳排放顶层设计中需重视来自人口变量以下方面的影响：

（1）更加重视预期寿命延长对碳排放的影响。尽管中国人口年龄结构对碳排放影响将减弱,有利于减排目标,但这种减少主要源于量上的变化,而非质量效益的提升。预期寿命在人口年龄结构对碳排放作用中的贡献趋于上升,且会阻碍碳排放强度的下降,不利于低碳技术创新和效率提升。因此,在老龄化社会更要强调创新驱动低碳技术的重要性。

（2）要重视人口规模对低碳技术创新成本下降的重要性。生育下降带来的质量提升效应并不足以弥补规模下降带来的成本摊薄效应的损失,进而出现生育率下降反而增加碳排放强度的结果。从碳排放视角看,生育水平的提升能够实现减缓老龄化和促成碳减排的双赢。依法实施三孩生育政策,完善相应生育配套政策,实现生育水平适度提高。

（3）要注意人口年龄结构对碳排放作用路径的结构性变化。在人口变动的不同阶段,其对碳排放作用的主导路径不尽相同,要根据主导路径的阶段性特征,及时地调整应对方案和措施。

参考文献原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1]

潘文卿, 刘婷, 王丰国. 中国区域产业CO₂排放影响因素研究: 不同经济增长阶段的视角
[J]. 统计研究, 2017, 34(3):30-44.

[本文引用: 1]

[ Pan W

, Liu

, Wang F

. A study on factors of regional industrial carbon emission in China: Based on the perspective of different economic growth stages
[J]. Statistical Research, 2017, 34(3):30-44. ]

[本文引用: 1]

[2]

Dodson J

, Dérer

, Cafaro

, et al. Population growth and climate change: Addressing the overlooked threat multiplier
[J]. Science of the Total Environment, 2020, DOI: http://www.resci.cn/article/2021/1007-7588/10.1016/j.scitotenv.2020.141346.

URL [本文引用: 1]

[3]

彭璐璐, 李楠, 郑智远, 等. 中国居民消费碳排放影响因素的时空异质性
[J]. 中国环境科学, 2021, 41(1):463-472.

[本文引用: 1]

[ Peng L

, Li

, Zheng Z

, et al. Spatial-temporal heterogeneity of carbon emissions and influencing factors on household consumption of China
[J]. China Environmental Science, 2021, 41(1):463-472. ]

[本文引用: 1]

[4]

Yu B

, Wei Y

, Kei G

, et al. Future scenarios for energy consumption and carbon emissions due to demographic transitions in Chinese households
[J]. Nature Energy, 2018, 3:109-118.

DOI:10.1038/s41560-017-0053-4 URL [本文引用: 1]

[5]

Zhang Y

, Bian X

, Tan W

, et al. The indirect energy consumption and CO₂ emission caused by household consumption in China: An analysis based on the input-output method
[J]. Journal of Cleaner Production, 2017, 163(10):69-83.

DOI:10.1016/j.jclepro.2015.08.044 URL [本文引用: 1]

[6]

Belaid

, Youssef A

, Omrani

. Investigating the factors shaping residential energy consumption patterns in France: Evidence form quantile regression
[J]. The European Journal of Comparative Economics, 2020, 17(1):127-151.

[本文引用: 1]

[7]

Estiri

, Zagheni

. Age matters: Ageing and household energy demand in the United States
[J]. Energy Research & Social Science, 2019, 55:62-70.

[本文引用: 1]

[8]

沈可, 史倩. 人口结构与家庭规模对生活能源消费的影响: 基于中国省级面板数据的实证研究
[J]. 人口研究, 2018, 42(6):100-110.

[本文引用: 1]

[ Shen

, Shi

. The impacts of population structure and household size on residential energy consumption: Evidences based on provincial-level panel data
[J]. Population Research, 2018, 42(6):100-110. ]

[本文引用: 1]

[9]

史琴琴, 鲁丰先, 陈海, 等. 中原经济区城镇居民消费间接碳排放时空格局及其影响因素
[J]. 资源科学, 2018, 40(6):1297-1306.

[本文引用: 1]

[ Shi Q

, Lu F

, Chen

, et al. Temporal-spatial patterns and factors affecting indirect carbon emissions from urban consumption in the central plains economic region
[J]. Resources Science, 2018, 40(6):1297-1306. ]

[本文引用: 1]

[10]

Almeida A

, Souza

L R S

. Analysis of the consumption patterns in families with and without elderly members between 1987 and 2009 in the metropolitan regions of Brazil
[J]. Journal of Population Ageing, 2019, 12(11):327-357.

DOI:10.1007/s12062-018-9233-7 URL [本文引用: 1]

[11]

Kim

, Jang

, Shin

. Examining the role of population age structure upon residential electricity demand: A case from Korea
[J]. Sustainability, 2019, DOI: http://www.resci.cn/article/2021/1007-7588/10.3390/su11143914.

URL [本文引用: 1]

[12]

Ota

, Kakinaka

, Kotani

. Demographic effects on residential electricity and city gas consumption in the aging society of Japan
[J]. Energy Policy, 2018, 115:503-513.

DOI:10.1016/j.enpol.2018.01.016 URL [本文引用: 1]

[13]

Wei T

, Zhu

, Glomsrød

. How will demographic characteristics of the labor force matter for the global economy and carbon dioxide emissions?
[J]. Ecological Economics, 2018, 147:197-207.

DOI:10.1016/j.ecolecon.2018.01.017 URL [本文引用: 1]

[14]

彭希哲, 朱勤. 我国人口态势与消费模式对碳排放的影响分析
[J]. 人口研究, 2010, 34(1):48-58.

[本文引用: 1]

[ Peng X

, Zhu

. Impacts of population dynamics and consumption pattern on carbon emission in China
[J]. Population Research, 2010, 34(1):48-58.]

[本文引用: 1]

[15]

Dalton

, O’Neill

, Prskawetz

, et al. Population aging and future carbon emissions in the Unites States
[J]. Energy Economics, 2008, 30(2):642-675.

DOI:10.1016/j.eneco.2006.07.002 URL [本文引用: 1]

[16]

李楠, 邵凯, 王前进. 中国人口结构对碳排放量影响研究
[J]. 中国人口·资源与环境, 2011, 21(7):19-23.

[本文引用: 1]

[ Li

, Shao

, Wang Q

. Study on impact from population structure on carbon emissions in China
[J]. China Population, Resources and Environment, 2011, 21(7):19-23. ]

[本文引用: 1]

[17]

Kim

, Lim

, Jo H

. Do aging and low fertility reduce carbon emissions in Korea? Evidence from IPAT augmented EKC analysis
[J]. International Journal of Environmental Research and Public Health, 2020, DOI: http://www.resci.cn/article/2021/1007-7588/10.3390/ijerph17082972.

URL [本文引用: 1]

[18]

Li S

, Zhou C

. What are the impacts of demographic structure on CO₂ emissions? A regional analysis in China via heterogeneous panel estimates
[J]. Science of the Total Environment, 2019, 650:2021-2031.

DOI:10.1016/j.scitotenv.2018.09.304 URL [本文引用: 1]

[19]

Okon E

. Population structure and environmental degradation: Implication for EKC hypojournal
[J]. Bussecon Review of Social Sciences, 2019, 1(2):18-27.

[本文引用: 1]

[20]

Cole

, Neumayer

. Examining the impact of demographic factors on air pollution
[J]. Population and Environment, 2004, DOI: http://www.resci.cn/article/2021/1007-7588/10.1023/B:POEN.0000039950.85422.

URL [本文引用: 1]

[21]

Zhang C

, Tan

. The relationships between population factors and China’s carbon emissions: Does population aging matter?
[J]. Renewable and Sustainable Energy Reviews, 2016, 65:1018-1025.

DOI:10.1016/j.rser.2016.06.083 URL [本文引用: 1]

[22]

, Deng Y

, Chen F

. Impact of population aging and industrial structure on CO₂ emissions and emissions trend prediction in China
[J]. Atmospheric Pollution Research, 2018, 9(5):446-454.

DOI:10.1016/j.apr.2017.11.008 URL [本文引用: 1]

[23]

Saka

. An investigation of the role of population age structure and carbon dioxide emissions in Africa
[J]. Journal of Economics, Management and Trade, 2017, DOI: http://www.resci.cn/article/2021/1007-7588/10.9734/JEMT/2017/27663.

URL [本文引用: 1]

[24]

Fan

, Liu L

, Wu

, et al. Analyzing impact factors of CO₂ emissions using the STIRPAT model
[J]. Environmental Impact Assessment Review, 2006, 26(4):377-395.

DOI:10.1016/j.eiar.2005.11.007 URL [本文引用: 1]

[25]

Liddle

, Lung

. Age-structure, urbanization and climate change in developed countries: Revisiting STIRPAT for disaggregated population and consumption related environmental impacts
[J]. Population and Environment, 2010, 31(5):317-343.

DOI:10.1007/s11111-010-0101-5 URL [本文引用: 1]

[26]

王芳, 周兴. 人口结构、城镇化与碳排放: 基于跨国面板数据的实证研究
[J]. 中国人口科学, 2012, (2):47-56.

[本文引用: 1]

[ Wang

, Zhou

. Population structure, urbanization and CO₂ emission: An empirical study base on cross-country panel data
[J]. Chinese Journal of Population Science, 2012, (2):47-56. ]

[本文引用: 1]

[27]

Yang

, Wang

. The nonlinear effect of population aging on carbon emission: Empirical analysis of ten selected provinces in China
[J]. Science of the Total Environment, 2020, DOI: http://www.resci.cn/article/2021/1007-7588/10.1016/j.scitotenv.2020.140057.

URL [本文引用: 1]

[28]

吴昊, 车国庆. 中国人口年龄结构如何影响了地区碳排放? 基于动态空间STIRPAT模型的分析
[J]. 吉林大学社会科学学报, 2018, 58(3):67-77.

[本文引用: 1]

[ Wu

, Che G

. How does China’s population age structure affect regional carbon emissions? An analysis based on dynamic spatial STIRPAT model
[J]. Jilin University Journal Social Sciences Edition, 2018, 58(3):67-77. ]

[本文引用: 1]

[29]

田成诗, 郝艳, 李文静, 等. 中国人口年龄结构对碳排放的影响
[J]. 资源科学, 2015, 37(12):2309-2318.

[本文引用: 1]

[ Tian C

, Hao

, Li W

, et al. Population age structure effects on carbon emission in China
[J]. Resources Science, 2015, 37(12):2309-2318. ]

[本文引用: 1]

[30]

Yang

, Zhou Y

, Poon

, et al. China’s carbon dioxide emission and driving factors: A spatial analysis
[J]. Journal of Cleaner Production, 2019, 211:640-651.

DOI:10.1016/j.jclepro.2018.11.185 [本文引用: 1]

A burgeoning literature is emerging on China's high levels of carbon dioxide (CO2) emission. Yet policies remain elusive in part because of conflictual empirical findings and insufficient attention to China's complex spatial terrain. This paper conducts a spatial analysis of China's CO2 intensity (CEI) based on six major drivers, and shows that region-targetted strategies may be more effective in tackling CEI. Specifically, results from spatial autoregressive models indicate that drivers vary significantly across regions: changing the energy production mix through alternative sources of energy is likely to have a stronger effect on the Northwest and Middle Yangtze River but it is less effective for the South and East Coasts. Changes in population, urbanization, industrial structure and technology are more likely to lead to CEI reduction for South and East Coasts. Moreover at the regional level, spatial effects are more indirect and widespread spilling over to neighboring regions for the Middle Yellow River and Northeast. But they are more direct and contained affecting residents within the region for the Middle Yangtze River, South, North and East Coasts. (C) 2018 Elsevier Ltd.

[31]

Sun L

, Cao X

, Alharthi M

, et al. Carbon emission transfer strategies in supply chain with lag time of emission reduction technologies and low-carbon preference of consumers
[J]. Journal of Cleaner Production, 2020, DOI: http://www.resci.cn/article/2021/1007-7588/10.1016/j.jclepro.2020.121664.

URL [本文引用: 1]

[32]

Vollset S

, Goren

, Yuan C

, et al. Fertility, mortality, migration, and population scenarios for 195 countries and territories from 2017 to 2100: A forecasting analysis for the global burden of disease study
[J]. The Lancet, 2020, 396(10258):1285-1306.

DOI:10.1016/S0140-6736(20)30677-2 URL [本文引用: 1]

[33]

Acemoglu

, Restrepo

. The race between machine and man: Implications of technology for growth, factor shares and employment
[J]. American Economic Review, 2018, 108(6):1488-1542.

DOI:10.1257/aer.20160696 URL [本文引用: 1]

[34]

Acemoglu

, Restrepo

. The wrong kind of AI? Artificial intelligence and the future of labour demand
[J]. Cambridge Journal of Regions Economy and Society, 2020, 13(1):25-35.

DOI:10.1093/cjres/rsz022 URL [本文引用: 1]

[35]

王维国, 刘丰, 胡春龙. 生育政策、人口年龄结构优化与经济增长
[J]. 经济研究, 2019, 54(1):116-131.

[本文引用: 1]

[ Wang W

, Liu

, Hu C

. Fertility policy, population age structure optimization and economic growth
[J]. Economic Research Journal, 2019, 54(1):116-131. ]

[本文引用: 1]

[36]

徐博, 杨来科, 钱志权. 全球价值链分工地位对于碳排放水平的影响
[J]. 资源科学, 2020, 42(3):527-535.

[本文引用: 1]

[ Xu

, Yang L

, Qian Z

. The impact of global value chain position on carbon emissions
[J]. Resources Science, 2020, 42(3):527-535. ]

[本文引用: 1]

[37]

佘群芝, 吴肖丽, 潘安. 气候资金对受援国碳排放的影响
[J]. 资源科学, 2020, 42(6):1015-1026.

[本文引用: 1]

[ She Q

, Wu X

, Pan

. Effects of climate finance on carbon emissions in recipient countries
[J]. Resources Science, 2020, 42(6):1015-1026. ]

[本文引用: 1]

[38]

Feenstra R

, Inklaar

, Timmer M

. The next generation of the penn world table
[J]. American Economic Review, 2015, 105(10):3150-3182.

DOI:10.1257/aer.20130954 URL [本文引用: 1]

[39]

Choi

, Taiji

, Monden

, et al. Cohort trends in the association between sibship size and educational attainment in 26 low-fertility countries
[J]. Demography, 2020, 57(3):1035-1062.

DOI:10.1007/s13524-020-00885-5 URL [本文引用: 1]

[40]

Ketenci

, Murthy

V N R

. Some determinants of life expectancy in the United States: Results from cointegration tests under structural breaks
[J]. Journal of Economics and Finance, 2018, 42(3):508-525.

DOI:10.1007/s12197-017-9401-2 URL [本文引用: 1]