一、引言

气候变暖是21世纪人类发展所面临的最棘手的环境问题之一,人类活动造成的二氧化碳等温室气体的排放是造成这一现象的主要原因。国际能源署数据显示，从2006年起我国二氧化碳排放量已居世界首位，到2012年碳排放量已达3亿吨^①，但这已经是过去10年最低的数字之一，这一方面显示出中国在碳减排方面所做的努力，另一方面则反映了中国所面临的巨大碳减排压力。在碳排放量不断增加的同时，中国人口结构也发生着剧变，代表人口年龄结构的老龄化率(65岁及以上年龄人口占总人口比例)从1982年的4.93%上升到2013年的9.7%，代表人口城乡结构的城镇化率从1982年的21.13%上升到2013年的53.73%^②。碳排放量与人口老龄化及城镇化保持了一致的上升趋势，显示出人口结构和碳排放之间可能存在相关关系。

①资料来源：International Energy Agency. CO₂ Emissions from Fuel Combustion(2013 Edition)[EB/OL].http://www.iea.org/books

②资料来源：对应年份中国统计年鉴。

从已有研究碳排放影响因素的文献来看，涉及到人口方面的因素大多数只考虑了人口规模，多数学者认同人口规模的膨胀会导致碳排放量上升^{[1, 2]}，关于人口年龄结构与碳排放关系的讨论也是最近几年才兴起的，仅有的一些文献研究结果分歧较大。道尔顿(Dalton)以家庭层面的微观数据为主，借助人口-环境-技术模型，研究了未来美国老龄化对碳排放的影响，结果表明，长期来看人口老龄化会显著降低碳排放水平，在一定条件下老龄化对碳排放的减排作用甚至超过技术进步的碳减排作用^[3]。彭希哲和朱勤应用STIRPAT扩展模型考察了人口年龄结构对碳排放的影响，研究表明人口年龄结构对碳排放是一种间接影响，人口老龄化无论从生产领域还是消费领域都将对碳排放产生一定的抑制性影响^[4]。李楠和邵凯利用1995-2007年的全国时间序列数据研究了人口结构和碳排放之间的关系，也得出老龄化会抑制碳排放的结论^[5]。刘辉煌和李子豪利用全国层面时间序列数据和省级层面的面板数据采用因素分解和动态面板的估计方法研究了老龄化和碳排放之间的关系，全国层面的研究表明老龄化是中国近年来人均碳排放增加的重要原因，分省层面的研究表明老龄化对碳排放存在显著的倒“U”型影响^[6]。王芳和周兴利用跨国面板数据的研究表明老龄化对碳排放存在“U”型影响，得出与彭希哲和李子豪相反的结论^[7]。托比亚斯(Tobias)和海因茨(Heinz)通过对经济合作组织(OECD)的研究表明，不管是人口年龄结构的转变还是人口的代际效应都显著加剧了碳排放^[8]，这个结论区别于大多数研究结果。不同于老龄化，人口城镇化水平是较早受到研究者关注的人口结构因素，在人口城镇化和碳排放关系研究方面，大多数研究结果都表明人口城镇化是影响碳排放量的重要因素之一，不过在人口城镇化对碳排放的作用路径上并没有形成比较一致的结论。多数学者认为中国的人口城镇化增加了碳排放^{[9, 10, 11, 12]}。也有研究认为人口城镇化有利于我国碳减排^{[6, 7, 13]}。

通过梳理文献可知，虽然有少数学者讨论了中国人口年龄结构和城乡结构与碳排放之间的关系，但是大多数研究都只是假设人口年龄结构和城乡结构与碳排放存在简单的线性关系，而边际理论告诉我们经济现象很少存在完全的线性关系，因此，从非线性角度去考查两者之间的关系可能会更接近事实。此外，以往研究大多单独考虑人口年龄结构或者城乡结构对碳排放的影响，难以全面窥探人口结构对碳排放的综合影响，本文同时纳入人口年龄结构和城乡结构指标，以期获得更为全面的信息。区别于大多数研究只是使用静态面板，本文利用1995-2012年的中国省级动态面板数据，在控制变量的基础上，利用多种估计方法详细考察了人口年龄结构与城乡结构的变迁对碳排放的影响。

二、模型设定及估计方法

我们从一个简单的碳排放分解式入手，这个分解式和日本学者卡雅(kaya)^[14]提出的KAYA分解式^①结构一致，但在分解层次上略有差别，KAYA分解式使用三个乘号，专门分解出一次能源消耗量对碳排放量的影响，本文略去这一层分解，但保留能源消耗这一变量。本文采用的分解方式并未改变分解式的本质含义，通过压缩分解层次，分解式的扩展性反而得到极大的提升，每个变量被赋予了更多可解读的含义。具体分解式如下：

①原式为：C=(C/E)·(E/Y)·(Y/POP)，其中POP、E为一次能源消耗总量。

其中C表示碳排放总量，Y表示国内生产总值(GDP)，POP表示人口总量，下标i表示省份，t表示年份。通过分解式可以得出碳排放是碳排放强度(C/Y)^②、人均GDP(Y/POP)以及人口总量共同作用的结果。王芳为了考察人口结构对碳排放的影响，对KAYA分解式进行了改造，其方法是对POP做扩展，把POP变成一个关于人口结构变量的函数^[7]，本文赞同此种将变量函数化的方法，但分析的角度和具体采取的手段与之有所不同，具体如下：

设a=C/Y、rgdp=Y/POP，分解式(1)可以写成更加简洁的形式：

②《中国应对气候变化国家方案》将该指标称为“单位GDP化石燃料燃烧二氧化碳排放”。该指标被纳入“十二五”规划纲要。 方程(2)表明在产出的碳排放强度(a)不变的情况下，人均GDP以及人口数量的增加会按一定的分配机制转化为碳排放量的增加。但是很明显，碳排放强度并不是一个恒定的量，它可能受多种因素的影响。经典的EKC假说认为人均收入是影响碳排放强度的最主要因素，该假说认为碳排放与人均收入是非线性关系，人均收入对碳排放强度具有倒“U”型影响。能源消耗量(econ)也被认为是影响碳排放强度的重要因素^[15]，一切经济活动最终也是通过消耗能源才造成碳排放，因此，能源消耗是研究碳排放问题不可或缺的因素。除此之外，越来越多的研究倾向于将人口结构作为影响碳排放的重要因素之一，人口结构不仅包括人口绝对量，还包括人口的年龄结构、城乡结构等，相比单一考虑人口规模，人口结构具有更多探讨的空间，碳排放最终是人类活动的产物，人口结构的转变包含了动态的过程，应当更能解释碳排放强度的变化。本文选取了老龄化和城镇化两个指标分别代表人口年龄结构和城乡结构，道尔顿^[3]、刘辉煌^[6]以及王芳^[7]等的研究表明，老龄化与碳排放之间可能存在非线性关系，亦有研究表明城镇化与碳排放之间也存在非线性关系^[7]，本文认同边际效应递减规律广泛存在于经济现象中，人口结构转变对碳排放的影响也不例外，因此方程中加入老龄化二次方项(aging²)以及城镇化二次方项(urb²)。此外，就业结构(emp)、消费结构(eng)、出口额度(tra)也能显著影响碳排放^{[12, 16, 17]}，以上三个变量作为影响碳排放强度的控制变量。

综上所述，产出的碳排放强度方程可被表述成如下形式：

对方程(4)采用双对数模型，增加对数人均GDP的二次方项以反映环境库兹涅兹效应。此外，增加时间虚拟变量γ_t，省份虚拟变数δ_i和随机误差项ε_it，通过定义时间和省份虚拟变量，我们的估计模型允许了外生变量例如地理、气候条件以及能源价格、技术变化等因素对碳排放强度的影响。具体方程如下所示：

把方程(5)代入方程(3)，结果如下：

方程(6)即为我们最终确定的碳排放量与人口结构之间的关系式，因变量为对数碳排放量，解释变量从左至右依次为对数人均GDP、对数人均GDP的平方项、对数人口、对数能源消耗总量、老龄化率、老龄化率平方项、城镇化率、城镇化率平方项，控制变量包括第三产业从业人员比重、城乡加权恩格尔系数、出口额占GDP比重等。本文将对方程(6)进行固定效应和随机效应估计，并给出相应的Hausman检验值，作为取舍两种检验结果的依据。

奥夫哈默(Auffhammer)和卡尔森(Carson)对中国碳排放的研究表明，中国碳排放强度的变动存在较强的路径依赖，即本期碳排放强度可能受到滞后期的影响^[18]，因此，我们在模型(6)的基础上加入因变量的滞后一期项，可以得到方程(7)

方程(7)加入了因变量的滞后一期项，这将造成解释变量和误差项之间存在相关性，从而导致一系列内生性问题，如果采用普通OLS估计，结果可能存在偏误。采用广义矩估计(GMM)可以在一定程度上解决其内生性问题，GMM估计分为差分广义矩估计(DIF-GMM)和系统广义矩估计(SYS-GMM)，差分广义矩估计采用水平值的滞后项作为差分变量的工具变量，系统广义矩估计在前者基础上进一步采用差分变量的滞后项作为水平值的工具变量，通过综合利用差分方程和水平方程的估计，进一步增加了可用的工具变量，从而使估计结果更加稳健。本文同时给出DIF-GMM和SYS-GMM估计结果，用一阶差分转换方程的一阶和二阶序列相关检验AR(1)、AR(2)的结果作为检验随机扰动项是否序列相关的依据，并采用Sargan检验值作为工具变量可靠性的依据。为了使估计结果更加稳健，我们选取各解释变量的滞后一期项替代当期项，再次对方程(6)做固定效应和随机效应估计，估计结果将与GMM估计结果一起作为验证方程稳健性的依据。

由于模型包含人口总量和人口结构因素，误差项之间可能存在序列相关和截面依赖问题，为消除可能由此产生的估计偏误，我们采用德里斯科尔(Driscoll)和克雷(Kraay)发展的协方差矩阵估计方法^[19]再次对面板数据进行检验，检验结果将和GMM估计结果以及滞后期固定效应估计结果进行比较，以期得出更为可靠的结论。 三、变量描述与数据处理

因变量C表示CO₂排放量，统计年鉴中没有关于各地区碳排放量的统计，相关文献中的计算方法也不尽相同，本文采用杜立民的碳排放量计算方法^[20]，根据IPCC和国家气候变化对策协调小组办公室、国家发展和改革委员会能源研究所采用的方法^[21]，把终端能源消费细分为煤炭、焦炭、汽油、煤油、柴油、燃料油和天然气7种，并加上水泥生产所排放的二氧化碳，计算公式如下：

式中i表示7种能源，E表示能源消费量，CF表示发热值，CC表示碳含量，COF表示氧化因子。

水泥生产CO₂排放量计算公式为：

式中CC表示水泥CO₂排放量，Q为水泥生产量，EF_cement为生产水泥的CO₂排放系数。

通过以上公式，本文计算了2008-2012年29省市的碳排放量数据(西藏数据缺失严重，未纳入考虑；重庆与四川采用合并数据)，1995-2007年的碳排放量资料采用杜立民公布的资料^[20]。其中化石能源消费量资料来源于《中国能源统计年鉴》，水泥生产量资料来源于《中国统计年鉴》。

自变量POP表示常住人口，碳排放最终还是来源于人类活动，每个人都能通过各种方式制造出一定量的碳排放，因此，人口绝对数量的增加会导致碳排放量随之增加，我们预期人口总量对碳排放的影响为正。常住人口数据来源于各省市统计年鉴。

自变量econ表示能源消耗总量(万吨标准煤)，能源消耗是碳排放的直接影响因素之一，研究表明能源消耗与碳排放之间存在单向格兰杰因果关系^[22]，我们预期能源消耗对碳排放的影响为正。能源消耗总量数据来源于《中国能源统计年鉴》。

自变量rgdp表示以1995年为基期调整后的不变价格人均GDP。经济发展水平被认为是影响碳排放的重要因素之一，每增加一单位GDP都意味着更多资源的消耗，也就意味着可能存在更多的碳排放，因此，象征经济发展水平的人均GDP是探讨碳排放问题不可或缺的影响因素，根据EKC假说，我们预期人均GDP对碳排放存在倒“U”型影响。GDP、GDP折算指数均来源于各省市统计年鉴。

自变量aging代表老龄化率(65岁及以上年龄人口占常住人口的比重)，目前大多数涉及这方面的研究都采用这个指标衡量老龄化状况，本文借鉴前面研究者的思路，亦采用这一指标。2000-2013年中国老龄化率从6.96%上升至9.7%，同期碳排放量从308500万吨飙升到1099435万吨，13年间增长了256%，老龄化和碳排放保持了一致的上升趋势，因此我们认为在人口年龄结构转变的初期阶段，老龄化是可能导致碳排放量增加的，主要原因在于初期的老龄化并未造成生产结构和消费结构的根本性转变，老龄产业链尚未形成，而人口红利也并未消失，经济依旧依赖劳动密集型产业保持高速增长。并且初期的老龄化主要是生育率下降和人口寿命延长引起的，特别是计划生育政策导致增量人口的减少是老龄化的主要原因，我国目前仍然处于人口数量较大阶段，显然在短期内不会出现劳动年龄人口减少的情况，但是长远来看，人口增长不会一直持续，一旦人口总量保持在一个稳定的状态，这时候由寿命延长导致的老龄化就会造成劳动力的减少，经济发展无法继续依赖高耗能的劳动力密集型产业，产业结构开始转向服务业或高端制造业等低碳产业，并且这个时候的老龄化会造成消费结构的改变，不同年龄人群具有不同消费偏好，例如老龄人口对私家车或者家用电器的需求量会低于年轻人，因此老龄化最终会通过改变消费结构来影响碳排放。综上所述，我们认为初期老龄化会增加碳排放，但是长期来看老龄化可能会抑制碳排放，因此我们预期老龄化对碳排放具有倒“U”型影响。老龄化数据来源于各省市统计年鉴、统计公报以及国家统计局等。

自变量urb表示城镇化率，即城镇人口占常住人口的比率，当前我国正处于城镇化建设的初期，随着城镇化进程的加速，大量建设项目将会开工，有理由相信这会造成更多温室气体的排放，不过我国未来城镇化的方向是更高效的新型城镇化，所以不会总以牺牲环境为代价，并且降低能耗的新技术和新设备更可能在城市中产生，当城镇化达到某个阶段后，由于先进技术的应用，低碳、环保的新发展模式会逐步取代原本高碳化的发展模式，从而达到抑制碳排放的效果，碳排放与城镇化之间的非线性关系正是基于以上考虑，我们预期城镇化对碳排放具有倒“U”型影响。2000-2012年城镇化率数据来源于各省市统计年鉴、国家统计局以及中经数据库等。需要说明的是，2000年我国大部分省市重新定义了市辖区等概念，导致以2000年为分界线的前后年份统计口径的差异，为了平滑这个差异，1995-2000年的数据我们采用周一星修正后的数据^[23]。

控制变量emp表示第三产业从业人员占总就业人员的比重，产业结构的高度化是产业结构转型的必然趋势，高度化最重要的度量指标是第三产业占比，在农业占比基本稳定的前提下，第三产业比率越高第二产业的空间相应的会被压缩得越小，而第二产业普遍被认为是高耗能高碳排放的产业，因此第三产业从业人员比率越高碳排放应该越少，我们预期就业结构对碳排放的影响符号为负。就业结构数据来源于各省市统计年鉴。

控制变量eng表示城乡加权恩格尔系数，本文采用李楠的分析方法^[5]，用恩格尔系数代表消费结构。恩格尔系数表示食品支出占总支出的比重，比例越高说明经济发展水平越低，并且食品消费占总消费比重越高意味着其他高碳排放的消费品使用的越少，因此我们预期消费结构对碳排放的影响为负。中国是城乡二元社会，恩格尔系数的统计也没有统一的口径，一般是乡村和城市单独统计，李楠直接用城乡恩格尔系数的算术平均数作为各省市总的恩格尔系数，本文根据城乡人口分别占总人口的比重作为权重，算出城乡恩格尔系数加权平均数，以此来弥补由于直接算术平均造成的误差。恩格尔系数数据来源于各省市统计年鉴以及中国统计数据库。

控制变量tra表示出口额/GDP，乔根森(Jorgenson)^[24]和刘辉煌^[6]等均采用这个指标衡量出口对碳排放造成的影响，本文借鉴两位研究者的做法，亦采用这一指标。中国十多年来经济保持高速增长的原因之一就是出口拉动，由于技术创新的缺乏，中国出口更多的是由廉价劳动力生产的初级产品，这些产品的生产过程可能排放了大量温室气体，因此我们预期出口对碳排放的影响为正。出口额数据来源于各省市统计年鉴。

综上所述，本文以1995-2012为研究区间，以碳排放量为因变量；人口总量、人均GDP及其平方项、老龄化率及其平方项、城镇化率及其平方项等作为自变量；第三产业从业人员比重、城乡加权恩格尔系数、出口额/GDP和人均能源消费量作为控制变量建立回归方程。样本涵盖了中国内地29个省市(西藏未纳入样本，重庆并入四川)18个年度的数据。样本数据的统计描述如表 1所示。

从表 1可以看出，所有变量在样本期间内均有明显变动。比如老龄化率(aging)，1995-2012年间29个省市的平均值为0.0776，最大值为2012年上海的0.1491，最小值为1995年青海的0.0358，最大值几乎是最小值的四倍多；城镇化率(urb)变动率更是惊人，最大值为2012年上海的0.8933，最小值为1995年河南的0.172，最大值是最小值的五倍多。除了老龄化和城镇化，碳排放量、人口数、人均GDP以及各控制变量在样本期间内均有显著变化，数据的动态变化为研究变量之间的动态关系提供了支持。 四、实证分析及估计结果

表 2分别给出了四个方程的固定效应和随机效应估计结果，并给出Hausman检验结果，并在此基础上对这两种方法的估计结果进行选择。同时方程2中由于因变量一阶滞后项的引入，采用普通的OLS估计可能造成结果的有偏和不一致，为了消除内生性问题，本文采用更为合适的差分广义矩(DIF-GMM)和系统广义矩(SYS-GMM)估计方法对方程2进行估计。为了验证基本估计结果的可靠性，本文用各自变量的一阶滞后项替代当期项进行稳健性检验，作为对GMM估计的补充。其中，A代表前面描述的计量模型式(6)，为面板基本估计；B代表式(7)，C的基本结构与A相似，但在A的基础上用自变量的一阶滞后项替代当期项；D亦代表计量模型(6)，D-K估计方法在FE估计的基础上纠正了异方差、序列相关和截面相关等问题。

表 2中A列以计量模型(4)为基础，为面板数据基本估计结果，Hausman检验的结果显示应选择固定效应模型。从估计结果可以看出，不管是固定效应估计还是随机效应估计，主要变量的系数符号和数值基本一致，一定程度上反映出估计结果的稳健性，而且除了控制变量就业结构(emp)和消费结构(eng)符号与预期不一致外，其他系数符号均在预期之内，并且在各种显著性水平上通过了检验。具体来看，aging系数符号为正，aging²系数符号为负，并且在1%的显著性水平上显著，说明老龄化与碳排放之间存在显著的倒“U”型关系；urb系数符号为正，urb²系数符号为负，并且在1%显著性水平上显著，显示出城镇化与碳排放之间也存在倒“U”型关系。除此之外，固定效应估计结果显示人均GDP与碳排放之间亦存在倒“U”型关系，与奥夫哈默、林伯强、许广月、刘辉煌等人的研究结果^{[6, 18, 25, 26]}基本一致。人口绝对量(lnPOP)系数符号显著为正，说明人口规模的膨胀确实导致碳排放量的上升。其他控制变量方面，能源消费量和出口占比(tra)系数符号与预期一致，且均在1%显著性水平上显著，验证了之前的判断，就业结构(emp)则没有通过显著性检验，消费结构(eng)虽然通过了检验，但符号与预期不符。

B列估计结果以式(7)为基础，除了基本估计，B列还包括差分广义矩估计(DIF-GMM)和系统广义矩估计(SYS-GMM)结果，四种估计结果中各解释变量的系数不管是从符号方向还是数值大小亦或是显著性程度上都高度一致，表明估计结果非常稳健。在基本估计中，Hausman检验结果显示应选择固定效应估计，从固定效应估计(FE)结果中可以看出，除了控制变量城乡加权恩格尔系数(eng)符号与预期不一致外，其他所有解释变量系数符号均与预期一致，并且都通过了显著性检验，B列固定效应估计结果相比A列固定效应估计结果来说并没有太大变化，唯一变化在于使A列中符号不符预期的控制变量就业结构(emp)变得符合预期，这从经验上证明了加入碳排放一阶滞后项的合理性。一般认为工具变量的加入会导致内生性问题，因此，我们使用了动态面板的估计方法(GMM)来检验基本估计结果是否可靠。从B中第5-6列的结果来看，AR(2)检验值接受二阶序列不相关的原假设，sargan检验值说明工具变量选取可靠，差分广义矩估计(DIF-GMM)结果与A、B中的固定效应估计结果并无太大差别，系统广义矩(SYS-GMM)估计则修正了A、B中固定效应估计以及差分广义矩估计中存在的偏差，从第6列可以看出，所有解释变量系数均符合预期，并且全部通过显著性检验，进一步验证了理论推断的合理性。

A、B列中的固定效应估计和GMM估计结果的稳定性表明模型并不存在严重的内生性问题，不过为了全面考察变量之间的动态关系，我们把式(6)中所有解释变量替换为原解释变量的一阶滞后项再进行A中的固定效应和随机效应回归，Hausman检验值显示应选择固定效应估计，从第7列FE估计结果可以看出，主要解释变量系数符号依旧与预期一致，并且具有很高的统计显著性，变量的滞后项能有效地避免变量当期项与当期残差项相关所造成的内生性问题，因此C列中固定效应估计结果可信，从而也更加验证了A、B列中的估计结果稳健。

D列D-K估计结果也相当令人满意，主要的解释变量中，除了人均GDP的平方项估计系数符号与预期不符之外，其他变量无论是在系数符号、大小还是显著性上，都和FE及GMM估计结果相近，一方面表明模型定义良好，不存在严重影响结论的偏误；另一方面也说明了实证结果相对稳健，能够作为验证理论预期的可靠解释。

综上所述，通过对四个方程进行的8种检验，我们得出了稳健的估计结果，并且各解释变量系数符号与预期一致，这说明正如所推断的那样，老龄化与城镇化对碳排放均具有显著的倒“U”型影响。在老龄化初期由于存量人口红利的存在碳排放会保持上升趋势，但是长期来看人口寿命延长导致的老龄化对碳排放会产生明显的抑制作用；类似的，城镇化起步阶段高耗能的生产和生活模式会增加碳排放，但当城镇化达到一定程度后，生产方式的转变和节能技术的发展会抑制碳排放的增加。

五、结论与启示

本文利用1995-2012年中国省级面板数据，采用多个方程和多种估计方法对老龄化、城镇化与碳排放之间的关系进行研究，结果表明：老龄化和城镇化均对碳排放具有显著的倒“U”型影响，人口结构对碳排放的影响要远大于单一的人口规模对碳排放的影响。具体来说，在人口规模仍处于爆发式增长的老龄化初期阶段，劳动年龄人口增加的速度要超过老年人口增加的速度，由于人口红利的存在，经济发展依旧能依赖于劳动力密集型产业的发展，并且在老龄化初期，与生产结构相匹配的消费结构也倾向于高耗能、高碳排放，因此不管是从生产渠道还是消费渠道，初期老龄化都会造成碳排放量增加。但是随着老龄化程度逐渐加深，情况就会变得有所不同。老龄化程度的不断加深和人口规模的逐渐趋于稳定是未来人口结构转变的方向，在人口规模基本稳定的前提下，寿命延长产生的老龄化会导致劳动年龄人口的减少，这时候由于人口红利消失，经济发展无法继续依靠粗放式的劳动力密集型产业，产业结构会转向低碳的资本密集型和技术密集型，并且由于老年人口的增多，社会的总体消费偏好开始改变，消费结构会逐渐变得低碳、节能，所以综合来看老龄化对碳排放的影响应该是一个先上升再下降的倒“U”型过程。与老龄化类似，城镇化对碳排放的影响也是一个先上升再下降的倒“U”型过程：在城镇化进程的前期阶段，大量农村人口流入城市，会掀起一轮造城运动，由于大量基础设施建设项目的开工，水泥、化石能源等高耗能材料的使用势必会增加碳排放，而且我国目前城镇化率水平相对偏低，可以预见在相当长的时期内城镇化进程会带来巨大的碳排放压力；当城镇化达到一定程度后，建设项目趋于饱和，新兴技术也开始在城市中产生，低碳环保的发展模式会取代高耗能的发展模式，这个时候碳排放会随着发展模式的转变逐渐减少。

此外，研究结果显示人均收入与碳排放之间也存在倒“U”型关系，这与奥夫哈默^[18]、林伯强^[25]、许广月^[26]、刘辉煌^[6]等人的研究结果基本一致，但是系数值表明人均收入对碳排放的作用程度在倒“U”型的两边并不一致，左边的上升阶段比右边的下降阶段要陡峭，表明人均收入的提高在经济发展起步阶段会显著增加碳排放，但是当经济发展到一定程度，人均收入提高反而会微弱地减少碳排放。其他变量方面，研究表明人口规模的膨胀会显著地增加碳排放；能源消耗总量、出口的增加也会造成碳排放量上升；第三产业从业人员占比以及城乡加权恩格尔系数的提高则会减少碳排放。

以上结论表明碳排放并不单纯只是经济发展的产物，它与人口结构也密切相关。面对人口老龄化压力和正在提速的城镇化进程，政府在积极调整产业结构、鼓励发展绿色低碳经济、制定严格的环保法律以及倡导绿色低碳生活方式和消费方式的同时，还应从人口因素入手制定相应的碳减排政策。