[摘要]近年来，人口老龄化和环境污染成为全球性的两大热议话题，如何正确理解人口老龄化、经济增长与环境污染之间的逻辑关系成为老龄化背景下环境经济政策选择的关键。以1992—2010年全球106个国家的跨国面板数据为样本，从理论和实证两个角度分析老龄化与环境污染的关系，以及老龄化对环境污染的影响路径。研究发现：(1)从理论模型看，老龄化对环境污染的影响通过生产效应和生活效应两个路径实现，前者是指人口老龄化通过影响当期消费而减少污染，后者是指人口老龄化通过影响下期投资而增加污染。(2)从实证检验看，人口老龄化对环境污染的影响主要通过生活效应实现，生产效应的影响并不显著。从分组回归看，在低收入国家，人口老龄化对环境污染的影响主要通过生产效应实现，在中等收入国家和高收入国家，人口老龄化对环境污染的影响则主要通过生活效应实现。上述结论意味着：以中国为代表的发展中国家，在从低收入迈向高收入的进程中，即将来到老龄化与环境污染U型关系的拐点，即当人口老龄化水平高于13.3%时，人口老龄化会加重环境污染。这样，如果不能实现经济发展新旧动能的接续转换，不能实现经济结构的转型升级，就有可能面临中等收入陷阱、人口老龄化和环境污染的三重问题叠加，因此，需要加快推动高质量发展和绿色发展，争取更大的时间窗口，推迟人口老龄化与环境污染U型关系拐点的到来。
[关键词]老龄化；环境污染；OLG模型；中介效应模型
一、引言
老龄化，正在成为全球性挑战：发达国家的老龄化程度仍在继续，发展中国家的老龄化也在加剧。美国人口普查局(U.S. Bureau of Labor Statistics)2016年发布的《老龄化世界：2015年全球人口报告》指出，在美国，二战后“婴儿潮”出生的人开始步入老年，而欧洲国家早已是老龄化社会，亚洲与拉美国家俨然是“后起之秀”，老龄人群正在快速增长。数据显示，1960年，世界发达国家65岁以上人口比重在11%左右，发展中国家65岁以上人口比重不足4%；2016年，美国、英国、法国、德国、日本65岁以上人口比重分别为15%、18%、19%、21%、27%，中国、印度、巴西65岁以上人口比重分别为10%、6%、8%。也就是说，半个世纪之后，全球人口老龄化水平近乎翻了一番，尤其是发展中国家，其老龄化速度更是十分惊人。与此同时，环境污染也冲击着这些发展中国家，如中国、印度、尼日利亚。可以认为，发展中国家既面临着经济发展和环境污染的挑战，也面临着人口老龄化及其加速的挑战。因此，如何正确理解人口老龄化、经济增长与环境污染之间的逻辑关系成为人口老龄化背景下环境经济政策选择的关键。
在总结国内外建筑防火设计经验和消防科研成果以及开展大量科学研究的基础上，公安部组织编制了《建筑设计防火规范》GB 50016-2014（以下简称《建规》），新增了对建筑保温系统的防火要求，于2015年5月1日实施，并于2018年进行了局部修订。《建规》第6.7节建筑保温和外墙装饰对外墙保温作了具体规定，整体上体现了“材料防火”与“构造防火”的理念，以条文规定的形式将这两个理念予以明确，可以认为该规范可用于解决外保温使用阶段的火灾问题。
人口老龄化和环境污染这两个挑战的叠加，自然推动了实证研究的发展，关于人口老龄化和环境污染的实证研究越来越多，但尚未达成一致(见表1)。有些研究则认为人口老龄化减少了劳动适龄人口，减缓了污染排放(York et al.，2003; Shi，2003; Dalton et al.，2008; Hassan and Salim，2015; 彭希哲、朱勤，2010；李楠等，2010；范洪敏、穆怀中，2017)；有些研究则认为老龄化增加了社会抚养，加剧了污染排放(Menz and Welsch，2012; Yang et al.，2015; Zhou and Liu，2016; 付云鹏，2015；穆怀中、张梦遥，2016)；有些研究认为两者关系并不明显(Cole and Neumayer，2004; 朱勤等，2010；刘玉萍等，2012)；还有些研究认为两者之间呈U型(王芳、周兴，2012)或倒U型(Okada，2012; 王钦池，2011；李飞越，2015)的非线性关系。这些针对人口老龄化与环境污染关系的实证研究，绝大多数是基于STIRPAT(Stochastic Impacts by Regression on Population，Affluence，and Technology)模型，讨论的是人口等因素对环境的影响，显然，进一步的深入研究需要理论模型的解释与支撑，还需要厘清人口老龄化对环境污染的影响路径。
表1相关研究汇总(按时间顺序排列)
文献样本结论York et al. (2003)1996年146个国家的跨国截面数据线性(减少污染)Shi (2003)1975—1996年93个国家的跨国面板数据线性(减少污染)Cole and Neumayer (2004)1975—1998年86个国家、1971—1990年54个国家的跨国面板数据影响不明显Dalton et al. (2008)2000—2100年美国时间序列的预测数据线性(减少污染)Menz and Welsch (2012)1960—2005年26个OECD国家的跨国面板数据线性(增加污染)Okada (2012)1978—2008年25个OECD国家的跨国面板数据倒U型关系Hassan and Salim (2015)1980—2009年25个OECD国家的跨国面板数据线性(减少污染)Yang et al. (2015)1984—2012年中国北京市时间序列数据线性(增加污染)Zhou and Liu (2016)1990—2012年中国省级面板数据线性(增加污染)Wang et al. (2017)1997—2012年中国省级面板数据东部地区增加污染,中西部地区减少污染彭希哲、朱勤(2010)1980—2008年中国时间序列线性(减少污染)李楠等(2010)1995—2007年中国时间序列线性(减少污染)朱勤等(2010)1980—2007年中国时间序列影响不明显王钦池(2011)1970—2005年62个国家的跨国面板数据倒U型关系王芳、周兴(2012)1961—2010年9个国家的跨国面板数据U型关系刘玉萍等(2012)1995—2009年中国省级面板数据影响不明显王芳、周兴(2013)2003—2011年中国省级面板数据倒U型关系付云鹏(2015)2000—2010年中国省级面板数据线性(增加污染)李飞越(2015)1995—2012年中国省级面板数据倒U型关系穆怀中、张梦遥(2016)1990—2012年31个OECD国家的跨国面板数据线性(增加污染)范洪敏、穆怀中(2017)1990—2012年27个国家的跨国面板数据线性(减少污染)
资料来源：作者自行整理得到。
本研究构建包含污染的世代交叠模型(Overlapping generations，OLG)，从理论角度分析人口老龄化与环境污染的逻辑关系，并利用1992—2010年全球106个国家的跨国面板数据检验人口老龄化与环境污染的数量关系，进而讨论人口老龄化对环境污染的作用路径，以期为人口老龄化背景下中国环境经济政策提供借鉴。文章对现有研究的可能贡献包括：第一，现有研究多从实证角度验证人口老龄化与环境污染的数量关系，本研究构建包含污染的OLG模型，尝试从生产效应与生活效应两个角度分析人口老龄化对环境污染的影响，从而给人口老龄化与环境污染一个合理的理论解释。第二，利用中介效应模型实证检验生产和生活效应两种路径对环境污染的贡献。第三，现有实证研究由于样本选择差异，使得其关于人口老龄化与环境污染关系的回归结果并不一致。事实上，不同经济水平、经济增速、人口规模条件下，人口老龄化与环境污染的数量关系可能会发生变化。本研究讨论不同样本组合的人口老龄化与环境污染关系，以期得到更加细致的回归结果，从而为处于不同发展阶段的我国各地区制定人口与经济政策提供参考。
根据干涉式光纤陀螺在开环状态下的方波相位调制系统，其结构如图3，分析光纤陀螺的输出特性.在如图2所示的顺逆时针光束传输路径情况下，若用表示在B处发生串扰输出的一次环行波∥→A(∥)→R(⊥)→B(∥)→E(∥)→F(∥)→∥，那么，以此类推，5τ、6τ、7τ、8τ时隙CW的输出光场强度表示为
其中，rt+1表示t+1期的名义收益率。代表性家庭正是在这样的预算约束下，通过选择自己的消费和储蓄行为，来实现效用水平的最大化。
二、理论模型
人口对环境污染的影响主要是通过其生产行为与消费行为体现出来的(彭希哲、朱勤，2010)，同样，人口老龄化对环境污染的影响也是通过生产和消费两种路径产生的。从生产角度看，大部分研究认为人口老龄化会阻碍经济增长，也有少数研究认为人口老龄化会促进经济增长。具体而言，一方面，部分研究认为人口老龄化直接减少了劳动适龄人口(Bloom and Williamson，1998；周祝平、刘海斌，2016)，降低储蓄(胡鞍钢等，2012；毛中根等，2013；付波航等，2013)，降低生产效率(Ilmakunnas and Miyakosh，2013)，不利于经济增长(Braun et al.，2009；Ilmakunnas and Ilmakunnas，2010；Thiébaut et al.，2013；刘穷志、何奇，2012)，从而有助于治污减排。另一方面，也有部分研究认为人口老龄化会提高社会储蓄率(Fougère and Mérette，1999；Modigliani and Cao，2004；汪伟，2009；胡翠、许召元，2014；汪伟、艾春荣，2015)，促进经济增长(Groezen et al.，2005)，进而恶化环境质量。从生活角度看，一部分研究认为人口老龄化会增加生活消费支出，还有一部分研究认为人口老龄化会降低生活消费支出。具体而言，一方面，部分研究认为人口老龄化会增加社会抚养负担，提高城镇居民平均的消费倾向(王宇鹏，2011)，增加公共支出(Eiras and Niepelt，2012)，进一步加剧环境污染。另一方面，部分研究认为人口老龄化也会减少对教育、高端消费品等特定产品的消费需求(Walder and Döring，2012)，进而减少由消费引起的环境污染。
本文立足人口老龄化，从生产、生活两个角度考虑其对环境污染的影响，并将可持续发展中的代际公平纳入考虑。为此，基于代际资源配置的OLG模型，考虑一个由两期的代表性家庭和完全竞争厂商组成的封闭经济，代表性家庭在第一期(即年轻时)提供劳动，获得工资收入来进行消费和储蓄，同时储蓄及其收益成为第二期(即年老时)的消费来源。假定代表性家庭的两期效用函数(U)由年轻时的消费水平、年老时的消费水平和年老时的环境质量决定，具体形式见式(1)：
U(C1t,C2t+1,Et+1)=U(C1t)+U(C2t+1)+Φ(Et+1)=lnC1t+lnC2t+1+lnEt+1
式(1)
在John等(1995)的模型中，环境污染来源于人口消费带来的生活污染，即人口老龄化通过生活影响环境污染；在洪树林、邵宜航(2006)的模型中，环境污染来源于厂商活动带来的生产污染，即人口老龄化通过生产影响环境污染。事实上，人口老龄化对环境污染的影响有两个途径，既来自与人口关系密切的生活污染，又来自与厂商关系密切的生产污染。因此，本研究的模型设定不同于John等(1995)和洪树林、邵宜航(2006)，而是认为人口老龄化对环境污染的影响路径既来自生活，又来自生产。因此，将环境质量表示为上期环境质量、生产污染和生活污染的函数，形式如下：
互联网大数据支持下的“共享经济模式”，同时影响着现代城市的建设与发展，使智慧城市建设步入以大数据中心为背景的“共享时代”，同时也为智慧城市在我国的建设与发展开创了新局面，智慧城市在大数据平台的支撑下，会得到更好的发展[1]。
假定代表性家庭在t期时将劳动力提供给厂商，并获得工资收入(wt)，同时将这些收入用于消费(C1t)和储蓄(St)，年老时再将年轻时的储蓄及其利息收益用于消费(C2t+1)。因此，得到代表性家庭的预算约束：
C1t+St=wt
式(2)
C2t+1=St(1+rt+1)
式(3)
论文其余部分安排如下：第二部分理论模型，构建包含污染的OLG模型，分析人口老龄化对环境污染的作用机理；第三部分实证分析，基于STIRPAT模型，运用面板数据的回归方法，检验人口老龄化与环境污染的数量关系；第四部分进一步检验，运用中介效应模型，识别人口老龄化对环境污染的影响路径；第五部分结论与启示。
其中，C1t为t期青年人的消费，C2t+1为t+1期老年人的消费，Et+1为t+1期的环境质量。需要说明的是，代表性家庭的效用函数中并没有包括t期的环境质量，因为t期的环境质量由t-1期的生产和生活决定，并不影响年轻人的决策。
Et+1=(1-b)Et-μNt-1C1t-ϑYt
式(4)
其中，b代表环境自净力，即环境对污染的自身处理能力，(1-b)Et代表t期环境质量对t+1期环境质量的影响。μNt-1C1t代表第t-1期的生活污染，Nt为t期的人口，这些人在t期是年轻人，在t+1期是老年人，且Nt=(n+1)Nt-1，n为人口增长率，在死亡率一定的情况下，n的大小反映了该社会中人口老龄化的程度，n越小说明人口老龄化程度越大。μ为由消费行为引起的环境污染的系数，称作生活污染排放系数。ϑYt代表第t期的生产污染，Yt为t期的总产出，ϑ为由生产行为引起的环境污染的系数，称作生产污染排放系数。
借鉴John等(1995)对生产函数的假定，产出由资本(K)、劳动力(N)决定：
式(5)
其中，α>0，0<β<1，α反映技术进步，β代表资本的产出弹性，1-β代表劳动的产出弹性。人均产出函数可以写成yt=αf(kt)，yt代表人均产出，kt代表人均资本。并且，
厂商的利润函数可以写为：
4.在多元理解有误时诱导。《语文课程标准》指出，阅读教学“应该重视语文的熏陶感染作用，注意教学内容的价值取向，同时也应尊重学生在学习过程中的独特体验”，学生与文本之间的“对话”不是一元的，而是多元的，这种“多元”的理解，有时就出现对文本价值取向的曲解或误解。这时候，教师要进行诱导。
师：看来对AP 2=BP 2=AN·BM这一关系的发现也是制约我们解题和出题的原因，那我们现在会出题了吗？
πt=Yt-rtKt-wtNt
式(6)
根据利润最大化的一阶条件，可以得到：
rt=αf′(kt)
式(7)
wt=α[f(kt)-ktf′(kt)]
式(8)
根据市场出清要求，产品的供给与需求相等，因此得到：
C1t+C2t+1+St=wt+kt+1(1+rt)
式(9)
表3为主要变量的描述性统计结果。由表3可以看出，不同国家的环境污染和人口老龄化水平差距较大。环境污染(Pollu)的最小值出现在1992年的文莱(8.833每立方米微克)，最大值出现在1992年的蒙古(296.894每立方米微克)。按照表3中人口老龄化的均值(8.172%)划分，分别统计人口老龄化低于均值和高于均值两组样本的PM10浓度，结果发现，低人口老龄化样本的PM10浓度均值为71.032微克/立方米，高人口老龄化样本的PM10浓度均值为35.568微克/立方米，前者是后者的近2倍。人口老龄化(Old)的最大值出现在2010年的日本(22.962%)，最小值出现在2010年的阿联酋(0.335%)。
wt+St(1+rt+1)=wt+kt+1(1+rt)
式(10)
因此：
(1) 灌浆材料中的块状渣体含量对化学灌浆固结效果影响明显，块状渣体占比越高(由5%提高至10%)，其孔隙率相对增大，浆液扩散越容易，固结强度越高。
St=kt+1
式(11)
研究样本为1992—2010年全球106个国家的动态面板数据，样本分布见表2。由表2可以看出，在106个样本国家中，两个国家来自北美洲，两个国家来自大洋洲，24个国家来自非洲，17个国家来自南美洲，34个国家来自欧洲，27个国家来自亚洲。这些样本既有经济水平较高的发达国家，又有经济快速增长的新兴经济体国家，还有人均GDP不足1000美元的贫困国家，样本覆盖范围较广。研究使用的所有数据来自世界银行的世界发展指标数据库(World Development Indicators Database，简称WDI)。
C1t=wt-St=wt-kt+1=α[f(kt)-ktf′(kt)]-kt+1
式(12)
C2t+1=(1+rt)St=(1+rt)kt+1=[1+αf′(kt)]kt+1
式(13)
Et+1=(1-b)Et-μNt-1{α[f(kt)-ktf′(kt)]-kt+1}-αϑNtf(kt)
式(14)
据此，一个代表性家庭的最大化问题可以表达成如下形式：
式(15)
式(15)的一阶条件为：
U′(·)(1+αf′(kt)+αf″(kt+1))-Φ′(·)ϑNt=0
式(16)
假定初始的环境质量是常数(E0)，可以得到稳态的资本量：
式(17)
根据式(17)可以得出如下结论：人口老龄化与环境污染的关系是不确定的。由于dk*/dn<0，说明人口增长速度(n)越慢，人口老龄化程度越高，会带来较高的资本量和产出，此时，由厂商行为引起的生产污染(ϑYt)会增加。另一方面，当期资本量的增加意味着上一期储蓄的增加，而减少上一期的消费(C1t)，这样，由家庭消费引起的生活污染(μNt-1C1t)会减少。这样，人口老龄化通过资本和消费引起污染排放的变动，两个影响路径的方向是相反的。人口老龄化会通过影响储蓄和消费减少当期污染，称之为生活效应，还会通过下期投资的提高而增加下期污染，称之为生产效应。至于人口老龄化究竟会对环境污染造成什么影响，则取决于生产效应和生活效应的力量权衡。
而多年至今，在此前本刊相关报道中，记者也了解到，各地不少日间手术开展的医疗机构，支付方式与当地医保报销政策基本未达成一致，各医院手术报销方式不一，但中心始终认为，“合法、合规一定是新项目开展的首要前提。”
三、实证分析
(一)模型、变量与样本
现有大部分实证研究采用STIRPAT模型检验人口老龄化与环境污染的数量关系，这里沿用该模型，设定如下回归方程：
式(18)
环境污染(Pollu)用可吸入颗粒物(PM10)浓度表示，单位微克/立方米，PM10浓度越高，表明环境污染越严重，反之，污染越不严重。人口老龄化(Old)用年龄在65岁以上人口占总人口的比例表示，单位：%。人均GDP(GDP)用国内生产总值(GDP)与总人口的比值表示，单位：美元/人，为了保证各国货币单位的统一性并排除时间因素，采用2005年不变美元作为度量单位。人口规模(Pop)用该国人口总数表示，单位：人。经济结构(Industry)用该国第二产业GDP占GDP的比重表示，单位：%。能耗强度(Energy)用该国创造每1000美元GDP的能源消耗量表示，单位：千克石油当量/千美元。能源结构(Structure)用该国化石能源消耗占全部能源消耗的比例表示，单位：%。i代表国家，t代表年份，ci代表不可观测的国别异质性，uit为随机扰动项。
因变量为环境污染(Pollu)，根据以往研究经验(例如，Okada，2012; 王钦池，2011；王芳、周兴，2012；李飞越，2015)，人口老龄化与环境污染之间的关系可能并不是线性的，因此，自变量包括人口老龄化(Old)和人口老龄化的平方(Old2)。控制变量包括人均GDP(GDP)、人口规模(Pop)、经济结构(Industry)、能耗强度(Energy)和能源结构(Structure)。
式(11)表明，市场出清要求第t+1期的资本完全取决于第t期的储蓄。根据式(11)，可以将C1t、C2t+1、Et+1分别改写成：
(2) 甲同学提出的检验方法，应该是受“____________”实验的启发，利用了____________的特性。
表2样本分布
所属洲样本国家北美洲(2个)加拿大(CAN)美国(USA)大洋洲(2个)澳大利亚(AUS)新西兰(NZL)非洲(24个)阿尔及利亚(DZA)加纳(GHA)科特迪瓦(CIV)安哥拉(AGO)肯尼亚(KEN)塞内加尔(SEN)埃及(EGY)贝宁(BEN)博兹瓦纳(BWA)摩洛哥(MAR)刚果民主共和国(ZAR)加蓬(GAB)喀麦隆(CMR)莫桑比克(MOZ)坦桑尼亚(TZA)突尼斯(TUN)苏丹(SDN)纳米比亚(NAM)埃塞俄比亚(ETH)多哥(TGO)尼日利亚(NGA)刚果(COG)赞比亚(ZMB)南美洲(18个)巴西(BRA)洪都拉斯(HND)特立尼达和多巴哥(TTO)多米尼加(DOM)智利(CHL)哥斯达黎加(CRI)墨西哥(MEX)萨尔瓦多(SLV)古巴(CUB)尼加拉瓜(NIC)秘鲁(PER)委内瑞拉(VEN)玻利维亚(BOL)厄瓜多尔(ECU)哥伦比亚(COL)巴拉圭(PRY)乌拉圭(URY)巴拿马(PAN)欧洲(33个)阿尔巴尼亚(ALB)爱沙尼亚(EST)拉脱维亚(LVA)斯洛伐克(SVK)芬兰(FIN)斯洛文尼亚(SVN)立陶宛(LTU)奥地利(AYT)法国(FRA)马其顿(MKD)西班牙(ESP)白俄罗斯(BLR)德国(DEU)马耳他(MLT)瑞典(SWE)比利时(BEL)匈牙利(HUN)荷兰(NLD)瑞士(CHE)保加利亚(BGR)冰岛(ISL)挪威(NOR)土耳其(TUR)斯洛伐克(CZE)英国(GBR)丹麦(DNK)乌克兰(UKR)罗马尼亚(ROM)俄罗斯(RUS)爱尔兰(IRL)意大利(ITA)葡萄牙(PRT)波兰(POL)亚洲(28个)阿塞拜疆(AZE)韩国(KOR)斯里兰卡(LKA)印度(IND)孟加拉国(BGD)黎巴嫩(LBN)吉尔吉斯斯坦(KGZ)印尼(IDN)文莱(BRN)马来西亚(MYS)土库曼斯坦(TKM)日本(JPN)中国(CHN)蒙古(MNG)乌兹别克斯坦(UZB)约旦(JOR)格鲁吉亚(GEO)阿联酋(ARE)哈萨克斯坦(KAZ)越南(VNM)新加坡(SGP)菲律宾(PHL)巴基斯坦(PAK)尼泊尔(NPL)亚美尼亚(ARM)泰国(THA)塔吉克斯坦(TJK)伊朗(IRN)
注：括号内的数字代表该洲的样本国家数，括号中的字母代表国家名称缩写。
(二)描述性统计
结合式(2)和式(3)可以得到：
再回到农资行业。如果不懂农业、农村，如何去爱农民？如果不懂得当前农业面临的核心问题，不懂得国家绿色生态发展战略，不懂得乡村振兴中生态宜居的重要，不懂得水肥一体化理念，不懂得新型肥料产品与技术，不懂得土壤修复护理，不懂得农民想什么要什么，怎么去帮助农业转型升级？怎么去帮扶农村产业振兴？怎么去引导农民减肥增效，实现持续增产增收？这个懂至少包括了农业技术农地实际、农业政策产业趋势、农民增收瓶颈与发展心愿。只有把这三领域学通弄懂了，才会爱到实处落到关键。
表3主要变量的描述性统计
变量名称样本量均值最小值最大值标准差环境污染(Pollu)201457.1398.833296.89443.843人口老龄化(Old)20148.1720.33522.9625.062人均GDP(GDP)201410482.500111.79067804.55014451.050人口规模(Pop)2014528000002610571340000000162000000经济结构(Industry)201432.2596.42077.41410.577能耗强度(Energy)2014181.14552.1701018.205137.623能源结构(Structure)201466.4682.69710027.812
为了初步判断人口老龄化与环境污染的关系，图1描绘出2010年106个样本国家PM10浓度与人口老龄化水平的散点图。由图1可以初步看出，当人口老龄化水平较低时，PM10浓度较高，这一关系较明显的国家如蒙古(MNG)、博兹瓦纳(BWA)、巴基斯坦(PAK)。随着人口老龄化水平的提高，PM10浓度开始下降，直至人口老龄化水平下降至10%左右，PM10浓度进一步上升。当然，要想判断两者的确切数量关系仍需要严密的实证检验。
图1 2010年106个样本国家PM10浓度与人口老龄化水平的散点图
(三)估计结果
以1992—2010年全球106个国家为样本，以PM10浓度作为衡量环境污染的因变量，采用聚类稳健标准误方法，对实证模型(18)进行检验，结果见表4。第(1)列为混合OLS估计结果，第(2)列为固定效应模型估计结果，第(3)列为随机效应模型估计结果。
表4回归结果
PM10浓度CO2排放强度(1)(2)(3)(1)(2)(3)混合OLSFERE混合OLSFERE人口老龄化(Old)-1.404***-1.423***-1.404***-0.255***-0.256***-0.255***(0.99)(0.92)(0.91)(0.02)(0.02)(0.02)人口老龄化的平方(Old2)0.987***1.011***0.987***0.210***0.211***0.210***(0.04)(0.05)(0.05)(0.00)(0.00)(0.00)人均GDP(GDP)-0.136***-0.138***-0.136***-0.250***-0.250***-0.250***(0.00)(0.00)(0.00)(0.00)(0.00)(0.00)人口规模(Pop)0.169***0.171***0.169***0.056***0.056***0.056***(0.00)(0.00)(0.00)(0.00)(0.00)(0.00)经济结构(Industry)-0.172***-0.172***-0.172***0.039***0.039***0.039***(0.09)(0.09)(0.09)(0.00)(0.00)(0.00)能耗强度(Energy)-0.125***-0.132***-0.125***0.641***0.640***0.641***(0.01)(0.01)(0.01)(0.00)(0.00)(0.00)能源结构(Structure)0.217***0.217***0.217***0.552***0.551***0.552***(0.05)(0.04)(0.04)(0.00)(0.00)(0.00)F值/Wald值202.38112.89798.85552.6572.1572.0Within R20.2850.2840.2840.6720.6680.667样本量201420142014201420142014
注：系数均为标准化系数，括号中为聚类稳健标准误，***代表在1%水平下显著，常数项的估计结果略去。
由表4可以看出，(1)、(2)、(3)列回归的结果基本一致，人口老龄化(Old)的估计系数显著为负，人口老龄化的平方(Old2)的估计系数显著为正，说明人口老龄化与环境污染之间呈U型关系，这与王芳、周兴(2012)的回归结果是一致的，但与王钦池(2011)、李飞越(2015)的研究结论却是相反的。原因有两个：第一，与本研究采用全球数据不同，李飞越(2015)使用的是中国的省级面板数据，尽管上述研究使用的样本跨度都超过十年，但中国经济社会发展仍然处于工业化的初、中期阶段，样本不能涵盖工业化发展的全过程，因此用中国数据得到的回归结果是不完全可信的。第二，王钦池(2011)使用的是全球数据，但只选择了人口规模大于100万的国家，存在一定程度上的样本选择偏差。根据未标准化的估计系数计算，人口老龄化与PM10浓度的U型曲线拐点在13.3%，这与图1的散点分布是一致的。换句话说，当人口老龄化水平低于13.3%时，人口老龄化程度的提高有助于降低PM10浓度，当人口老龄化水平高于13.3%时，人口老龄化程度的进一步提高将恶化环境。
除此之外，控制变量的估计结果也提供了一些有价值的结论。人均GDP(GDP)的估计系数显著为负，表明随着人均GDP的增加，PM10浓度逐渐下降。人口规模(Pop)的估计系数显著为正，说明人口规模越大，环境污染越多，这一方面源自人口增加带来的生活污染，一方面源自劳动力增加带来的生产污染。经济结构(Industry)的估计系数显著为负，说明第二产业比重越高，PM10浓度越低。出现这个结果的原因是，一些非洲国家的二产比重较低，还不到20%，但PM10浓度却很高，这主要是因为非洲国家露天焚烧垃圾、汽车不安装催化转换器、燃油硫含量严重超标等生活污染问题造成的。可见，工业生产并不是大气污染的唯一来源，生活污染也同样应得到重视。能耗强度(Energy)的估计系数显著为负，说明创造每1000美元GDP的能源消耗量越高，PM10浓度越低，这表明较低的能源消耗强度未必能换来好的环境质量，实际的环境质量主要取决于其他因素的影响。能源结构(Structure)的估计系数显著为正，说明化石能源消耗占全部能源消耗的比例越高，能源消费结构越偏重，引起的环境污染越多，PM10浓度越高。
(四)稳健性检验
为了避免由于变量内生性带来的回归偏误，我们对每个解释变量进行Hausman内生性检验，发现解释变量的内生性并不明显，因此，采用面板数据的固定效应模型是合理的。不过，仍然进行了一系列稳健性检验。①为了避免回归中的多重共线性，对主要变量进行相关性检验，结果表明，变量之间的相关系数均低于0.5，说明模型的多重共线性并不严重，可以忽略。另外，模型的膨胀系数(VIF)为1.37，远低于10，也再次说明模型的多重共线性并不严重。由于篇幅有限，这里没有报告。②利用White检验判断模型是否存在异方差，发现P值为0.000，认为模型存在异方差，说明采用聚类稳健标准误方法对模型进行回归是合理的。③用各国CO2排放强度(单位GDP的CO2排放量，单位：千克/元)代替PM10浓度，作为衡量环境污染的指标，重复上述的回归，结果见表4。由表4可以看出，人口老龄化(Old)和人口老龄化的平方(Old2)的估计结果与以PM10浓度作为因变量的估计结果是一致的，结果都表明人口老龄化与环境污染之间呈现U型关系。结果不同的是经济结构(Industry)和能耗强度(Energy)的估计系数，在以CO2排放强度表示环境污染的回归中，经济结构(Industry)的估计系数显著为正，能耗强度(Energy)的估计系数显著为正，说明二产比重越高，能耗强度越大，CO2排放强度越高，这与大多数研究一致。相对而言，CO2排放强度与能耗强度、经济结构高度相关，而PM10浓度还与环境本底相关。
四、影响路径的进一步检验：生产效应还是生活效应？
实证检验表明，人口老龄化与环境污染之间呈现U型关系，同时，理论模型推导出的结论表明，人口老龄化可以通过生产效应和生活效应两个路径对环境污染产生影响。为了验证人口老龄化对环境污染的影响到底是通过哪个路径实现的，我们对生产效应和生活效应在人口老龄化与环境污染之间的中介效应(mediator effect)进行了检验。检验中介效应最常见的方法是Baron和Kenny(1986)的因果逐步回归方法(Causal Step Regression)，但近些年来这一方法受到越来越多文献的批评，原因是逐步回归法存在诸多问题。Sobel检验也是直接检验中介路径的方法(Sobel，1982)，但这一方法又需要假设中介效应的系数乘积服从正态分布。为了同时解决上述问题，本研究结合目前学术界公认的Bootstrap法和Sobel-Goodman检验中介效应的系数乘积。变量方面，用各个国家制造业的增加值代表生产效应(Production)，单位：美元；用各个国家每一千人的机动车保有量代表生活效应(Living)，单位：辆。利用Sobel-Goodman检验生产效应和生活效应是否是人口老龄化影响环境污染的路径，结果见表5。由表5可以看出，对于全体样本，根据Sobel统计量和Goodman统计量的估计结果，生产效应的中介效应不显著，生活效应的中介效应显著成立，这表明总体看来，人口老龄化对环境污染的影响主要通过生活效应实现，这一路径的贡献率约为45.58%。
进一步检验不同收入水平下人口老龄化与环境污染的关系。根据2013年世界银行的划分标准，人均国民收入≤1035美元称为低收入国家，1036美元≤人均国民收入≤4085美元称为中下等收入国家，4086美元≤人均国民收入≤12615美元称为中上等收入国家，人均国民收入≥12616美元称为高收入国家。将样本国家划分为低收入国家、中等收入国家(包括中下等收入国家和中上等收入国家)和高收入国家，分别对不同收入水平的样本国家做回归，结果见表5。由表5可以看出，在低收入国家，生产效应的中介效应显著，生活效应的中介效应不显著，且生产效应的估计系数显著为正，这表明人口老龄化会通过生产效应影响环境污染，结果就是环境的恶化，这与理论模型的演绎结论是一致的。在中等收入国家和高收入国家，生活效应的中介效应显著，生产效应的中介效应不显著，且生活效应的估计系数显著为负，这表明在中等收入国家和高收入国家，人口老龄化会通过生活效应而降低环境污染，其路径贡献分别为32.13%和49.44%。总体来看，低收入国家往往会因为扩大生产而加剧环境压力，因生产效应而导致环境恶化。随着人口的老龄化，会因为消费减少而减缓环境压力，但未来投资也会相应减少，未来的经济增长可能会失速。
表5人口老龄化对环境污染的影响路径检验结果
全部样本低收入国家中等收入国家高收入国家生产效应生活效应生产效应生活效应生产效应生活效应生产效应生活效应人口老龄化(Old)-0.430***-0.280***-0.120**0.121-0.335***-0.182***-0.492***-0.254***(0.20)(0.38)(1.89)(7.62)(0.30)(0.51)(0.22)(0.30)生产效应(Production)-0.0090.174***-0.035-0.020(0.00)(0.00)(0.00)(0.00)生活效应(Living)-0.304***0.004-0.269***-0.448***(0.01)(0.48)(0.02)(0.01)Sobel检验-0.026-1.926***0.917**0.1010.026-1.051***-0.024-1.358***Goodman检验-0.026-1.926***0.917**0.1010.026-1.051***-0.024-1.358***中介效应/总效应0.71%45.58%-23.73%1.16%-0.85%32.13%9.31%49.44%
注：采用Bootstrap反复抽样300次；**、***分别表示估计系数和在0.05、0.01的水平下显著；常数项的估计结果略去；括号中的数字为聚类稳健标准误值。低收入国家包括埃塞俄比亚、莫桑比克、坦桑尼亚、尼泊尔等20个国家，中等收入国家包括蒙古、印尼、埃及、泰国等55个国家，高收入国家包括美国、法国、德国、英国、日本、意大利等31个国家。
五、结论与启示
论文利用包含污染的OLG模型，从理论角度分析人口老龄化对环境污染的两个作用途径：生活效应和生产效应，其中，前者指人口老龄化因影响当期消费而减少污染，后者指人口老龄化因影响下期投资而增加污染。在此基础上，以1992—2010年全球106个国家的跨国面板数据为样本，从实证角度检验人口老龄化与环境污染的数量关系，并检验生活效应和生产效应这两种路径的影响。实证发现，人口老龄化与环境污染呈现U型关系，当65岁以上人口占比低于13.3%时，PM10浓度会随着人口老龄化水平的提高而下降，当65岁以上人口占比超过13.3%时，PM10浓度就会随着人口老龄化水平的提高而上升。从影响路径看，人口老龄化对环境污染的影响路径主要依靠生活效应实现，生产效应并不显著。另外，在低收入国家，人口老龄化会通过生产效应加剧环境污染；而在中等收入和高收入国家，人口老龄化会通过生活效应降低环境污染。
2016年，中国65岁以上人口比重为10.8%，中国已经步入老龄化社会。同时，按照人均国民收入和PM10浓度划分，中国仍然属于中等收入国家，同时还是高污染国家。从全国范围看，中国各省份不同的发展阶段就是全球各国的一个缩影。但我国大陆31个省、市、自治区所处的发展阶段不尽相同，整体正从中等收入国家向高收入国家迈进。在从低收入迈向中等收入、高收入的进程中，生活效应逐渐成为老龄化影响环境污染的主导路径。而且，从低收入向中等收入，再向高收入迈进的过程中，当期消费逐渐增加，从理论上讲未来投资将相对减少，为了维持原有的经济发展速度，就不得不进一步加大投资。然而，这种经济发展模式面临不可持续的巨大挑战。如果不能实现经济发展新旧动能的切换，极有可能陷入环境污染和中等收入陷阱的双重困境，甚至是面临中等收入陷阱、人口老龄化和环境污染的三重问题叠加。
彭伟民无法原谅妻子，被一个陌生男人睡了居然没一点感觉，天底下哪有这样的蠢女人？彭伟民不敢相信，也接受不了。说有应酬仅仅是一个借口，妻子的任何解释都是荒唐的、多余的，彭伟民不愿与妻子理论，尤其不愿与妻子在自己办公室里理论，这样的理论在他看来毫无价值可言，毫无价值的理论于事无补，无异于伤口抹盐，他怕自己控制不住，怕自己发飚——他心里窝着一股无名之火。彭伟民驾车穿行在城市之中，穿行在城市之中的小车如同一匹脱了缰了野马。
目前，我国经济已由高速增长阶段转向高质量发展阶段，正处在转变发展方式、优化经济结构、转换增长动力的攻关期。在能够成功跨越中等收入、人口老龄化和环境污染三重陷阱的关键时点，如何保持相对稳定的经济增长速度，解决人口老龄化对经济增长造成的负面影响，同时打赢污染防治攻坚战？最为关键的是高质量的发展，这就要贯彻新发展理念，通过高质量就业(赖德胜，2017)、高质量制度(张军扩，2018)等各种途径建设现代化经济体系，推动发展方式的转变、经济结构的优化、增长动力的转换，确保经济发展有动力、环境质量有改善、老龄化人口有保障。只有这样，才能在保证经济发展、人均收入提高的同时，尽量减少人口老龄化对环境污染的生产效应，不能因为经济发展而给资源环境造成更大的压力。此外，还要加快建立绿色消费的法律制度和政策导向，倡导简约适度、绿色低碳的生活方式，反对奢侈浪费和不合理消费，只有这样，才能在促进消费的同时，充分发挥人口老龄化对环境污染的生活效应，构建起以绿色消费为主的经济体系，增强绿色消费对经济发展的引导性作用。
[参考文献]
范洪敏、穆怀中，2007：《人口老龄化对环境质量的影响机制研究》，《广东财经大学学报》第2期。
付波航、方齐云、宋德勇，2013：《城镇化、人口年龄结构与居民消费——基于省际动态面板的实证研究》，《中国人口·资源与环境》第11期。
付云鹏、马树才、宋琪，2015：《人口规模、结构对环境的影响效应——基于中国省际面板数据的实证研究》，《生态经济》第3期。
洪树林、邵宜航，2006：《世代交叠模型中的环境政策分析》，《南方经济》第4期。
胡鞍钢、刘生龙，马振国，2012：《人口老龄化、人口增长与经济增长》，《人口研究》第3期。
胡翠、许召元，2014：《人口老龄化对储蓄率影响的实证研究——来自中国家庭的数据》，《经济学(季刊)》第4期。
赖德胜，2017：《高质量就业的逻辑》，《劳动经济研究》第6期。
李飞越，2015：《老龄化、城镇化与碳排放——基于1995—2012年中国省级动态面板的研究》，《人口与经济》第4期。
李楠、邵凯、王前进，2011：《中国人口结构对碳排放量影响研究》，《中国人口·资源与环境》第6期。
刘穷志、何奇，2013：《人口老龄化、经济增长与财政政策》，《经济学(季刊)》第1期。
刘玉萍、郭郡郡、刘成玉，2012：《人口因素对CO2排放的影响——基于面板分位数回归的实证研究》，《人口与经济》第3期。
毛中根、孙武福、洪涛，2013：《中国人口年龄结构与居民消费关系的比较分析》，《人口研究》第3期。
穆怀中、张梦遥，2016：《人口老龄化、经济增长与环境污染关系研究》，《经济问题探索》第9期。
彭希哲、朱勤，2010：《我国人口态势与消费模式对碳排放的影响分析》，《人口研究》第1期。
汪伟，2009：《经济增长、人口结构变化与中国高储蓄》，《经济学(季刊)》第1期。
汪伟、艾春荣，2015：《人口老龄化与中国储蓄率的动态演化》，《管理世界》第6期。
王芳、周兴，2012：《人口结构、城镇化与碳排放——基于跨国面板数据的实证研究》，《中国人口科学》第2期。
王芳、周兴，2013：《影响我国环境污染的人口因素研究——基于省际面板数据的实证分析》，《南方人口》第6期。
王钦池，2011：《基于非线性假设的人口和碳排放关系研究》，《人口研究》第1期。
王宇鹏，2011：《人口老龄化对中国城镇居民消费行为的影响研究》，《中国人口科学》第1期。
张军扩，2018：《加快形成推动高质量发展的制度环境》，《中国发展观察》第1期。
周祝平、刘海斌，2016：《人口老龄化对劳动力参与率的影响》，《人口研究》第3期。
朱勤等，2010：《人口与消费对碳排放影响的分析模型与实证》，《中国人口·资源与环境》第2期。
Baron，R. M. and D. A. Kenny，1987,“The Moderator-mediator Variable Distinction in Social Psychological Research: Conceptual，Strategic，and Statistical Considerations”,JournalofPersonality&SocialPsychology，51(6):1173-1182.
Bloom，D. E. and J. G. Williamson,1998,“Demographic Transitions and Economic Miracles in Emerging Asia”，TheWorldBankEconomicReview，12(3):419-455.
Braun，R. A.，D. Ikeda and D. H. Joines，2009,“The Saving Rate in Japan: Why it Has Fallen and Why it Will Remain Low”,InternationalEconomicReview，50(1):291-321.
Cole，M. A. and E. Neumayer，2004,“Examining the Impact of Demographic Factors on Air Pollution”，Population&Environment，26(1):5-21.
Dalton，M.，et al.，2008,“Population Aging and Future Carbon Emissions in the United States”，EnergyEconomics，30(2):642-675.
Eiras，M. G. and D. Niepelt，2012,“Ageing，Government Budgets，Retirement，and Growth”，EuropeanEconomicReview，56(1): 97-115.
Fougère，M. and M. Mérette，1999,“Population Ageing and Economic Growth in Seven OECD Countries”，EconomicModelling，16(3):411-427.
Groezen，B. V.，L. Meijdam and H. A. A. Verbon，2005,“Serving the Old: Ageing and Economic Growth”，OxfordEconomicPapers，57(4):647-663.
Hassan，K. and R. Salim，2015,“Population Ageing，Income Growth and CO2Emission: Empirical Evidence from High Income OECD Countries”，WorldBusinessInstitute，42(1):54-67.
Ilmakunnas，P. and T. Miyakoshi，2013,“What are the Drivers of TFP in the Aging Economy? Aging Labor and ICT Capital”，JournalofComparativeEconomics，41(1):201-211.
Ilmakunnas，P. and S. Ilmakunnas，2010,“Work Force Ageing and Expanding Service Sector: A Double Burden on Productivity?”，ServiceIndustriesJournal，30(12):2093-2110.
John，A.，et al.，1995,“Short-lived Agents and the Long-lived Environment”，JournalofPublicEconomics，58(1):127-141.
Menz，T. and H. Welsch，2012,“Population Aging and Carbon Emissions in OECD Countries: Accounting for Life-cycle and Cohort Effects”，EnergyEconomics，34(3):842-849.
Modigliani，F. and S. L. Cao，2004,“The Chinese Saving Puzzle and the Life-Cycle Hypothesis”,JournalofEconomicLiterature，42(1):145-170.
Okada，A.，2012,“Is an Increased Elderly Population Related to Decreased CO2Emissions from Road Transportation?”,EnergyPolicy，45(6):286-292.
Thiébaut，S. P.，T. Barnay and B. Ventelou，2013,“Ageing，Chronic Conditions and the Evolution of Future Drugs Expenditure: A Five-year Micro-simulation from 2004 to 2029”，AppliedEconomics，45(13):1663-1672.
Shi，A.，2003,“The Impact of Population Pressure on Global Carbon Dioxide Emissions，1975—1996: Evidence from Pooled Cross-country Data”，EcologicalEconomics，44(1):29-42.
Sobel，M. E.，1982,“Asymptotic Confidence Intervals for Indirect Effects in Structural Equation Models”，SociologicalMethodology，13:290-312.
Walder，B. A. and T. Döring，2012,“The Effects of Population Ageing on Private Consumption-A Simulation for Austria Based on Household Data up to 2050”，EurasianEconomicReview，2(1):63-80.
Wang，Y.，et al.，2017,“Panel Estimation for the Impacts of Population-related Factors on CO2Emissions: A Regional Analysis in China”，EcologicalIndicators，78(7):322-330.
Yang，Y.，et al.，2015,“Research on Impacts of Population-related Factors on Carbon Emissions in Beijing from 1984 to 2012”，EnvironmentalImpactAssessmentReview，55(11):45-53.
York，R.，2003,“Footprints on the Earth: The Environmental Consequences of Modernity”，AmericanSociologicalReview，68(2):279-300.
Zhou，Y. and Y. Liu，2016,“Does Population Have a Larger Impact on Carbon Dioxide Emissions than Income? Evidence from a Cross-regional Panel Analysis in China”,AppliedEnergy，180(10):800-809.
AgingandPollution:ProductionEffectorLivingEffect?
DU Wencui1, ZHANG Pingdan2
(1. School of Economics, CUEB, Beijing 100070; 2. Business School, BNU, Beijing 100875, China)
Abstract:In recent years, aging population and environmental pollution have become crucial problems globally. The logical relationship among aging, economic growth and pollution is critical for formulating environmental economic policy. Based on the panel data of 106 countries from 1992 to 2010, the relationship between aging and pollution as well as the influence path are examined from the theoretical and empirical perspectives. The results of the influence of aging on pollution are listed as follows. Theoretically, the impact is realized through production effect and living effect. The former refers to the pollutant reduction by present consumption and the latter means the pollutant increasing by next period investment. Empirically, the impact of aging on pollution is significant in the living effect, but insignificant in production effect. From group regression data of the impact on pollution by aging, the production effect is significant in low-income countries, but living effect is significant in middle-income and high-income countries. It means that developing countries during the process from low to high income such as China are about to meet the turning point of U relationship between aging and pollution. When the aging population is above 13.3%, it can effectively increase pollution. Thus, if we cannot realize the continuous transformation from the old to new driving force, nor the transformation and upgrading of the economic structure, we will confront with the problems of middle income trap, pollution and aging all together. We should promote the green development with high quality, and strive for a larger time span to postpone the turning point of U relationship.
Keywords:aging population; environmental pollution; OLG model; mediating effect model
[中图分类号]F205
[文献标识码]A
[文章编号]1002-0209(2019)03-0112-12
[收稿日期]2017-12-26
[基金项目]国家社科基金青年项目“新常态下经济增长对环境污染的‘增速红利效应’与‘增长压力效应’研究”(15CJL012)，北京社科基金项目“新常态下京津冀经济增长对环境污染的作用机理与情景模拟研究”(15JDJGC096)。
[通讯作者]张平淡，E-mail: pingdanzhang@bnu.edu.cn
(责任编辑 孟大虎 责任校对 孟大虎 侯珂)
标签：环境污染论文; 人口老龄化论文; 效应论文; 国家论文; 人口论文; 社会科学总论论文; 人口学论文; 世界各国人口调查及其研究论文; 《北京师范大学学报(社会科学版)》2019年第3期论文; 国家社科基金青年项目“新常态下经济增长对环境污染的‘增速红利效应’与‘增长压力效应’研究”(15CJL012)北京社科基金项目“新常态下京津冀经济增长对环境污染的作用机理与情景模拟研究”(15JDJGC096)论文; 首都经济贸易大学经济学院论文; 北京师范大学经济与工商管理学院论文;