城镇化视角下人口因素对碳排放的影响
——基于改进STIRPAT模型的实证研究

徐 政 魏景赋 田文举

（上海理工大学管理学院，上海 200093）

一、引言

气候变化，特别是温室效应，已成为国际社会面临的最大挑战之一［1］。全球约75%的温室气体排放是由二氧化碳引起的，为发展低碳经济，减少碳排放，很多国家制定了相应的减排目标［2］。在2009年的哥本哈根气候峰会上，中国政府启动了一项自愿行动，承诺在2005－2020年间将单位国内生产总值的碳排放量减少40%～45%［3］。而中国作为碳排放大国，2013年碳排放量接近世界碳排放总量的三分之一，人均碳排放量也首次超过欧盟［4］。在这种背景下，中国既要保持社会经济的平稳发展，又需兑现约束性的碳减排承诺，这就进一步凸显了碳减排研究的重要性与紧迫性［5］。

由于学术界对影响碳排放的机理还没有达成共识，研究碳排放的影响因素依然是学者关注的热点话题。目前的研究集中于探索经济水平、金融发展、产业结构、能源消耗量、技术水平等要素与碳排放的关系［6－12］，而人口作为人地关系中最具能动性的要素，对碳排放的影响不容忽视。19世纪以来，全球人口增长了近6倍，经济总产出增长了70多倍，碳排放增长了20多倍［13］。联合国人口基金会（UNFPA）发布的《世界人口状况2009》指出：温室气体排放量与人口增长速度、家庭规模、年龄构成、城乡人口比例、人口性别和地理分布以及人均收入等因素存在内在联系，这些因素对气候变化会产生长远的影响［14］。因此，研究人口因素和碳排放之间的关系有着重要的理论和现实意义。

以往学者对人口规模与碳排放之间的关系多侧重于研究其正负效应。一些学者认为，人口规模与碳排放存在正相关效应，如胡春春［15］、童玉芬等［16］、万里洋等［17］认为，人口总量的增加会直接推动碳排放量的增长；另一些学者认为，人口规模与碳排放存在负相关效应，金瑞庭［18］，宋祺佼等［19］认为随着城市人口规模的上升以及城市居民从第二产业转移到第三产业，导致制造业部门萎缩、服务业部门扩张，长期来看碳排量会呈现下降的趋势。此外，人口规模与碳排放之间的关系是复杂的，Paul A.Murtaugh 等［20］通过建立数学模型的方式，认为每个人不但自身经济活动会产生碳排放，而且还会通过生育行为对碳排放量产生间接影响。上述文献只是单一地从人口规模角度出发，仅考虑了人口及其他宏观因素对碳排放的影响，未能将人口因素细分，从而忽视了人口因素其他方面对碳排放的影响。

当然，也有些学者对这方面的不足做了弥补性尝试。如曲如晓等［21］对山东省人口进行研究，发现劳动年龄人口比重越大，碳排放越多；Liddle等［22］将人口年龄进一步细分成四个年龄段，结论表明35～49岁年龄组有减少碳排放的作用，而65～79岁年龄组有增加碳排放的作用。由此可以看出，多数文献是从年龄结构这个角度出发进行研究，而人口就业情况、人口素质等因素也有可能对碳排放产生影响，但这方面的文献还相对较少。其次，目前人口因素的多个方面对碳排放影响的强弱关系尚没有明确定论。此外，从研究对象层面来看，以往的研究对象大致有两种，一是以单个省份作为研究对象［23－25］，研究的范围比较小；二是将中国的省份划分为东、中、西三个区域［26］［27］，由于每个区域内部的发展情况不一样，这样划分得出的研究结论针对性并不是很强。

针对以上研究不足之处，本文不仅将人口因素做了进一步的细分，而且从城镇化视角避免了研究对象的单一性与传统分类方式的缺陷。随着中国城镇化进程的加快，城镇化率从1990年的26.4%急剧上升到 2016 年的 57.4%［28］。城镇化发展不仅意味着城市人口比重的提高，而且通过带动基础设施建设、产业结构调整和升级、消费市场扩大等多方面的深刻变化，从而对碳排放产生影响［29］。Qin Zhu［30］认为城镇化是推动中国温室气体排放的关键因素。因此，除人口因素外，城镇化也是导致碳排放量增加的重要因素之一［31－33］。

随着中国城镇化步伐的加快，要科学准确理解人口与碳排放之间的关系，城镇化视角非常必要。为此，本文将中国各省份以城镇化程度和碳排放水平进行分类，采用改进的STIRPAT模型研究2000－2014年人口因素与碳排放之间的关系。

二、研究方法与模型

（一）区域分类方法

城镇化生态现代化理论将城镇化作为经济现代化和社会转型的指标。为了避免地理位置划分出现内部不一致性，以便让各地区之间表现出类似规律性，本文以城镇化程度和碳排放水平为标准，将中国30个省份（香港、澳门、台湾、西藏因数据不完整，不在考察范围之内）划分为六类地区。

首先，根据人口城镇化、产业结构和人口生活方式变化反映的技术城镇化综合指标［34］，以2016年城镇化发展水平为标准，将中国30个省份分为高度城镇化地区、中度城镇化地区和低度城镇化地区。其次，以2014年中国各省份碳排放的平均值为界限［35］，将省份划分为高碳排放地区和低碳排放地区。

根据城镇化程度和碳排放水平，可将样本划分为以下I－VI六类地区，如表1所示。

（二）模型设定及数据来源

Ehrlich和Holdren［36］首先提出了IPAT模型，该模型用于表示人口（P）、富裕（A）和技术（T）因素对环境的影响，公式如下：

表1 全国按城镇化程度和碳排放水平划分表

IPAT模型有其自身的局限性，该模型仅能得到自变量对因变量的等比例影响关系［37］。为了克服这些缺点，Dietz和Rosa［38］改进了原始的IPAT模型，并得到了随机模型（STIRPAT）。新模型可以统计评估人为因素对环境的非单调或非比例影响。之后，Richard York等［39］对模型做了进一步改进，并纳入了其他研究因素。STIRPAT模型是一种用于分析人为因素对各种环境指标影响的成熟模型。原始STIRPAT模型可以用以下公式表示：

取对数后，该模型可以转换为以下等式：

其中，i和t分别指截面单元和年份，P代表人口规模，A是人均GDP，T反映技术，I反映了对环境的影响，ε是误差项，a是常数项；b，c和d分别是P，A和T的系数。

STIRPAT模型提供了将其他代理变量添加到模型中以探索其对环境影响的方法［40］。为了更深入地探究人口因素对碳排放的影响，本文将从人口规模、年龄结构、就业状况、人口素质四方面进行综合分析，分别用总人口、老龄化、城镇登记失业率、高等教育人口比例来表示；用人均GDP表示富裕程度；用能源强度（单位GDP所消耗的能源）表示技术水平。改进的STIRPAT模型如下所示：

各变量的详细描述见表2，各省碳排放数据来源于中国碳排放数据库（http：／／www.ceads.net／），其他数据来源于《中国统计年鉴》《中国能源统计年鉴》《中国能源统计年鉴》及各省统计年鉴。

表2 各变量描述性统计量

三、实证分析

（一）单位根检验

本文采用了ADF－Fisher和PP－Fisher两种面板单位根检验法来观察变量的平稳性，单位根的检验结果如表3所示。

表3的检验结果表明，所有变量的一阶差分序列都在5%及5%以内的显著性水平上拒绝了“存在单位根”的零假设，表明一阶差分序列是平稳的。然而，人口因素和碳排放的时间序列之间是否存在长期均衡关系，还需进一步验证。

（二）协整关系检验

本文采用Kao检验法判定面板数据是否具有协整关系。六类地区面板的Kao协整关系检验结果如表4所示。

从检验结果可知，Kao协整检验均通过了5%的显著水平，表明人口因素与碳排放之间存在着长期均衡关系。

（三）最小二乘估计

首先，需要采用Hausman检验法判断回归模型的具体形式，是采用随机效应模型还是固定效应模型。Hausman检验的统计值拒绝了随机效应模型的零假设，所以本文采用固定效应模型进行最小二乘法估计。确定选取含有固定效应的变截距模型之后，从总体上对人口因素与碳排放之间的关系进行了回归，得出面板模型回归结果，如表5所示。调整的R2较接近于1，表明方程的拟合度较好，F统计量检验均通过1%的显著性检验，表明各解释变量对被解释变量的联合解释能力较强。

表3 单位根检验结果

由表5可以看出，人口规模、老龄化、城镇登记失业率、人口素质、人均GDP、能源强度与碳排放之间存在长期均衡关系。六类地区的人均GDP、能源强度都和碳排放成正相关关系。这表明，居民收入水平越高、每单位GDP消耗的能源越多，碳排放量将会越大。

在人口因素与碳排放的关系方面：（1）I类地区的人口规模、老龄化、人口素质与碳排放成正比。其中，人口素质与碳排放的关系最小，即高等教育人口比例每上升1%，碳排放便增加0.18%；而人口规模与碳排放的关系最大，即人口规模每增加1%，碳排放便增加0.98%。城镇化水平高，人口规模大，碳排放也相对较高。（2）II类地区的人口规模、城镇登记失业率与碳排放成正相关，而人口素质与碳排放成负相关，即随着高等教育人口比例的提升，碳排放将会逐渐减少。可能的解释是高学历人口往往更倾向于选择“环境友好型”产品。其中，碳排放与人均GDP关系最大、人口规模次之，与人口老龄化的关系最小。（3）III类地区的城镇登记失业率、人口素质与碳排放成正相关，而人口规模、老龄化与碳排放成负相关关系。其中，碳排放与人口素质的关系最小。（4）IV类地区的人口规模、城镇登记失业率与碳排放成正相关，而人口素质与碳排放成负相关。其中，人口老龄化与碳排放没有明显的相关关系。（5）V类地区的人口规模、人口素质与碳排放成正相关，而人口老龄化与碳排放成负相关。其中，城镇登记失业率与碳排放没有明显的相关关系，人口规模与碳排放的关系最大，即人口规模每增加1%，碳排放便增加 0.89%。（6）VI类地区的人口规模、人口老龄化与碳排放成正相关，而城镇登记失业率与碳排放成负相关。其中，能源强度与碳排放的关系最大，人口规模、人均GDP次之，人口素质与碳排放没有明显的相关关系。总体而言，六类地区中，人口规模、人均GDP与碳排放的关系更大，而其他人口因素，如人口素质和城镇登记失业率与碳排放的关系不大。因此，在碳减排的时候，更应该从人的数量和人的经济水平两方面来考虑，而其次才是从人口年龄结构，人的教育投入以及就业率方面去减少碳排放。

表4 Kao协整关系检验结果

表5 最小二乘回归结果

四、结论与建议

（一）主要结论

本文从城镇化的视角，基于2000－2014年的面板数据，分析了人口因素对碳排放的影响，实证比较研究，得出以下结论：

1.低碳排放高度城镇化地区人口规模最小，近几年的老龄化比例有所下降，城镇登记失业率较低，人口素质较高，是六类区域中最宜居的区域。低碳排放高度城镇化地区吸引了很多高素质的人，工作能力强，失业率降低。素质较高的人也会树立低碳消费理念，提高环保意识。

2.Kao检验表明，人口因素、人均GDP、能源强度与碳排放之间存在着长期均衡关系。说明长期碳排放和人口因素、人均GDP、能源强度几个因素密切相关。

3.人均GDP、能源强度和碳排放成正相关关系。每类地区人口因素对碳排放的影响方向不同，在III类地区，人口规模的增加能减少碳排放，而其他地区与之相反；在III、V类地区，老龄化比例的上升能抑制碳排放的增加，其他地区则促进碳排放的增加；在II、III、IV类地区，城镇登记失业率越高，碳排放量越多，而其他地区反之；在II、IV类地区，随着人口素质的提高，碳排放量会随之减少，而其他地区的碳排放量将会增加。

4.在与人口相关的因素中，III类地区城镇登记失业率与碳排放关系最大，其余地区人口规模与碳排放的关系最大。其表明每类地区各因素对碳排放的影响程度不一样。六类地区碳排放和高素质人才的关系相对较低，表明素质高的人对其碳减排力度并不明显。

（二）政策建议

为了减少碳排放，实现环境的可持续发展，基于以上结论本文提供了以下建议：第一，在III类地区，应该积极引入人才，加强基础设施建设，提高人口集聚度。第二，在 I、II、IV、VI这四类地区，应鼓励生育，并降低普通家庭养育孩子的成本。第三，在II、III、IV这三类地区，重点在于增设就业岗位，提供更多的岗位培训机会，并鼓励人们多渠道创业。第四，在II、IV类地区，应着重加大教育的投入，努力提升人均受教育年限，不断提高人口素质。第五，各地区可以通过优化能源结构，减少化石燃料的消耗，加强绿色能源的开发与使用，调整经济结构，促进产业升级，发展绿色低碳经济，进一步改善环境质量［41］。此外，还应大力鼓励个人绿色出行、节约能源等行为。第六，政府部门应加大鼓励消费者使用低碳产品的力度，对使用环保型产品给予税收优惠或财政补贴。企业应加大社会服务意识，主动承担起低碳社会责任。第七，应借鉴国外成功经验，在城市发展和规划中，密切关注城市人口规模，科学引导产业人口流动，减轻大中城市的人口、环境压力。