摘 要：
科技创新是提高社会生产力和综合国力的战略支撑, 亦是保持经济高质量增长的有效途径。当前, 中国人口老龄化和资源依赖日益凸显对科技创新的影响尤为突出。文章选取2006-2015年中国30个省际数据为研究样本, 考察了人口老龄化、资源依赖对科技创新的影响及传导机制。研究结果表明:人口老龄化与科技创新并非保持单一线性关系, 而是呈现显著先促进、后阻碍的“倒U型”趋势;资源依赖与科技创新同样呈现非单调线性关系, 而是显现先阻碍、后促进的"微笑"型趋势;进一步来看, 上述效应通过人口老龄化和资源依赖对人力资本的影响而传导。基于此中国未来应增强老龄人人力资本投资意愿和降低投资成本, 同时进一步加快优化资源型产业内部结构, 有效降低老龄化及资源依赖对科技创新的直接和间接影响。
关键词：
Aging Population Problem, Resources Dependence and Scientific & Technological Innovation——based on the empirical study of China's provincial panel data from 2006 to 2015
Abstract：
Scientific &technological innovation provides the strategic support to improving social productivity and overall national strength, as well as the effective way to maintain high quality economic growth.At present, the ever-increasing seriousness of the problems of aging population and resources dependence is exerting a significant impact on scientific &technological innovation in China.This paper, by using China's provincial data from 2006 to 2015, attempts to analyze the influence and transmission mechanism of the problem.The conclusion shows that the relationship between aging population and scientific &technological innovation and that between resource dependence and scientific &technological innovation are respectively inverted U-shaped and'smile'-shaped.As the direct effects of the above are transmitted through indirect effects on human capital, both effects need to be reduced for scientific &technological innovation by trying to increase willingness but decrease cost for aging people to invest in human capital, as well as accelerating the optimization of the internal structure for the resource-based industries.
Keyword：
Aging Population Problem; Resources Dependence; Scientific & Technological Innovation; Human Capital; Non-linearity;
一、引言
当前, 人口结构问题日益凸显, “未富先老”已经成为困扰中国经济持续稳定增长的难题。同时, 丰裕的自然资源本应在一定程度上能够促进经济增长, 但现实却不尽如人意, “资源诅咒”在发展中国家 (尤其是资源型经济体) 屡见不鲜。发展中国家若想要跨越“中等收入陷阱”成为发达国家, 缩小与发达经济体的差距, 科技创新是实现上述目标不可或缺的有效因素。对于刚刚进入“新时代”的中国, 政府明确提出“科技创新是提高社会生产力和综合国力的战略支撑, 必须摆在国家发展全局的核心位置”, 要实现从经济大国向经济强国的战略转型, 必须坚定不移地实施创新驱动发展战略。然而, 中国实施创新驱动发展战略的同时也仍然面临老龄化、资源依赖这两个既有事实。因此, 老龄化和资源依赖如何以及在多大程度上影响科技创新成为当前中国实施科技创新战略进程中亟需回答的关键问题。
一方面, 在实施创新驱动发展战略的同时, 中国不得不面对人口结构趋于老龄化这样一个事实。这主要基于以下两个方面的考虑:其一, 长期的计划生育政策使中国生育率大幅下降并保持较低水平, “二孩”政策虽已逐步放开, 效果却不理想, 同时在短期也无法降低老龄化速度;其二, 医疗卫生环境的大幅改善使人口预期寿命持续稳定延长, 这将进一步加速老龄化进程。人口是经济增长中的重要变量, 而人口结构则会影响经济体、企业以及个人的创新能力, 这种影响如何产生、结果如何以及在中国老龄化趋势短期不可逆转的背景下, 如何激发创新活力将是本研究的研究重点之一。
另一方面, 拉美与加勒比地区资源依赖对其ICT产业的影响, 即“资源诅咒”中的“挤出”效应仍然存在于拉美经济发展中 (郑猛、高元元, 2016) 。如果将中国资源依赖程度 (以自然资源租金占GDP比重衡量) 与拉美与加勒比地区比较可以发现, 两者发展趋势极为相似 (如图1所示) , 上世纪90年代至今尤为突出。既然两者资源依赖程度如此相似, 中国是否会像拉美与加勒比地区一样面临“资源诅咒”困境, 或者说中国在科技创新进程中是否也存在“挤出”效应?这将是本研究重点研究的另一个关键问题。
图1 1970-2014年中国、拉美与加勒比地区自然资源租金占GDP比重 (%) 下载原图
数据来源:世界银行数据库。
基于以上事实, 本研究着重从宏观层面探析老龄化和资源依赖影响科技创新的影响机制, 并验证老龄化和资源依赖如何通过影响人力资本从而影响科技创新。故本研究将从理论和实证两个方面展开阐述和分析。其中, 理论部分主要对老龄化、资源依赖———人力资本———科技创新这一传导途径进行分析;实证部分基于中国2006-2015年省际数据对上述假说进行验证。
二、文献回顾及研究框架
本研究分析老龄化和资源依赖对科技创新的影响, 本节将分为以下两部分:老龄化对科技创新的影响、资源依赖对科技创新的影响。
(一) 老龄化对科技创新的影响
老龄化对科技创新的影响并无一致性结论, 并且其影响传导机制也鲜有文献支持 (Barron et al., 1994;Hannan, 1998;韩振秋, 2017) 。国内外针对老龄化如何影响科技创新的研究普遍认为老龄化将不断加重社会负担, 降低劳动生产率, 进而阻碍技术创新, 老龄化对“治理库”形成反作用 (张晶, 1996) , 但针对老龄化影响整体创新水平仍未达成统一, 这需要对老龄化通过何种机制影响科技创新进行进一步分析 (姚东旻等, 2017) 。基于此, 本文试图对老龄化对科技创新的影响及传导机制进行探究, 旨在对此问题进行更为深入的探讨。
既有研究针对老龄化对科技创新影响存在三种观点:积极影响———随着年龄增加, 人的知识和经验会越来越丰富, 有助于开展创新活动, 并且能够将自身知识和经验传授给年轻人, 进而提高全社会创新能力;消极影响———随着老龄化程度不断加重, 人的认知能力下降、知识结构过时、创新激励不足, 导致创新能力缺失, 老龄化会抑制个人及经济体的科技创新;“驼峰型”影响 (或称“倒U型”) ———老龄化水平上升初期促进了科技创新, 当老龄化达到一定水平后, 将对科技创新产生阻碍作用。
积极影响。老龄化作为一种社会现象, 多数学者认为对科技创新影响深远。Skirbekk (2004) 认为, 在一定条件下, 高龄员工效率更高, 当工作侧重经验、语言技能型时, 高龄员工的创新能力比年轻人更高。Froscb and Tivig (2009) 等认为, 不论年龄高低, 对发明创新、对专利影响都是正面的, 他们研究发现, 高龄员工与年轻员工都对专利数目有正向影响。Lee and Mason (2010) 等认为, 老龄化促进劳动力类型的转向, 会促进经济发展、科技创新, 因老龄化带来的劳动力下降和缺乏, 而转向高技能的劳动力需求增加有可能对最终的经济增长产生积极影响。Bloom (2010) 发现, 劳动力年龄结构老化反而对创新具有积极影响, 其中一种影响途径就是“干中学”效应。近期Ang and Madsen (2015) 的研究指出, 通过对21个经济合作组织 (OECD) 经济体的数据分析发现, 老龄化未必带来创新水平的下降, 在比较不同的教育水平之后发现, 高教育水平的人群即使年老后对经济增长的贡献率仍然超过年轻人。
消极影响。Verhaegen and Salthouse (1997) 通过总结分析91份关于智力能力生命周期变化的相关文献研究, 发现人的认知能力、思维、反应能力和情景记忆能力等在50岁左右都会显著地下降。随着年龄老化, 人在获得新的知识、适应新的环境、采用新的技术等方面都会存在较大的障碍。Skirbekk (2004) 认为, 加速的技术进步使工作经验的重要性边缘化, 这意味着老年人在技术学习和运用方面处于劣势。姚东旻等 (2015) 通过研究老龄化对创新、智力库的影响指出, 老龄化势必影响全社会的科技总产出。老年人创新精神远不及年轻人, 老龄化对科技进步及其成果中的应用不利。
倒“U”型关系。Rossman (1935) 、Lehman (1966) 以及Henseke和Tivig (2008) 通过对发明者的研究指出, 发明家普遍在25岁前就开始有创新活动, 而这些创新活动在职业生涯的初期很低, 到30-40岁年龄段则显著增加并达到最大, 随着年龄的增长, 其创新活动慢慢减少。上述关系表明就微观个体而言, 随着年龄的增长对科技创新影响存在动态变化。Jone (2010) 通过分析20世纪伟大发明对上述观点进行了佐证, 近一个世纪以来, 发明者的平均年龄有向后移动的趋势。Schneider (2008) 、Meyer (2011) 在对企业的研究中发现, 知识密集型 (或者称为高科技) 企业的创立和地区的年龄结构高度相关。Prskawet等 (2006) 对瑞典矿业和制造业的研究显示, 生产力的年龄效应呈现“驼峰型”, 且峰顶大约出现在50岁左右。Feyrer (2008) 对87个国家1960-1990年面板数据的研究表明, 劳动力人口结构的变化和全要素生产率有很强且显著的相关性。40-49岁的员工对全要素生产率的贡献最大, 而其他年龄段人口对TFP的贡献相对较小或几乎没有。姚东旻等 (2015) 从人力资本积累角度分析了老龄化科技创新的影响, 在综合个人与宏观层面的实证分析后认为年龄结构与创新能力存在“倒U型”关系, 国家层面的创新能力也与此一致。无独有偶, 高越 (2017) 基于我国省级宏观数据, 分析了人口老龄化是否影响了科技创新。研究结果同样表明, 人口老龄化对科技创新产生的影响呈现“倒U型”趋势, 即随着老龄化程度加深, 对科技创新的影响经历先上升后下降的过程。杨校美 (2018) 基于1985-2016年G20的研究发现, 人口老龄化与技术创新呈现出显著的“倒U型”关系, 其临界值为人口老龄化程度达到14.61左右, 当人口老龄化程度低于该临界值时, 它能促进技术创新;反之会抑制技术创新。
年龄结构影响创新已成为不争事实, 但老龄化如何影响、通过什么传导机制影响则需要进一步探讨, 其中, 人力资本是不可忽视的重要因素。虽然老年人可以通过增加人力资本投资来增加产出, 但对这种投资仍显得动力不足。其原因在于:首先, 个人的学习能力会随着年龄增长而降低;其次, 老龄人口积累人力资本的学习动机更弱 (Verhaeghen and Salthouse, 1997) 。对于低成本或者无成本的“干中学”而言, 老年人自身不佳的学习状态以及所处的非前沿技术岗位, 均使其在“干中学”中的人力资本积累效率不高 (Friedberg, 2001) 。因此, 不论是正式的教育和培训, 还是“干中学”积累起来的新知识, 老年人相比于年轻人更缺乏动力去进行投资。随着老龄人口比重不断增加, 整个社会的人力资本存量也会相应减少。Ashworth (2006) 以美国的电能行业为研究样本, 认为退休的高龄员工的增多会给企业带来短期甚至长期的知识流失。因此, 人口老龄化可能通过影响技能培训、经验传导以及造成知识流失等途径对科研领域的人力资本水平产生消极影响。田雪原等 (1990) 也认为国家付出的养老保障支出增多, 会挤占政府的科研经费投入, 上述做法将对人力资本投资和积累产生负面影响。但Manton等 (2007) 则认为教育水平的提高使得人群的身体素质和认知能力大幅度增加, 老龄人口的劳动参与率也将提高, 进一步提升人力资本存量水平。
综上所述, 人口老龄化对人力资本投资和积累的影响是多维度的, 但既有研究并未对老龄化影响效应提供确切证据。故本研究将在后文中引入经济增长和教育支出影响因子, 试图探讨老龄化是否以及如何对人力资本产生作用, 进而对老龄化-人力资本-科技创新这一影响机制进行阐述。
(二) 资源依赖对科技创新的影响
内生经济增长理论强调了人力资本在经济增长中的作用, 人力资本是有利于实现长期稳定增长的, 而资源依赖对人力资本的挤出必然导致资源型区域长期经济增长缓慢, 引发“资源诅咒”。
Auty (1993) 在研究产矿国经济体经济发展时首次提出“资源诅咒” (Resource Curse) 这个概念, 即丰富的自然资源并不是经济发展的必要条件, 相反还会成为一种束缚。对于“资源诅咒”产生的原因, 学者们从不同的角度进行了解释, 但与科技创新的关系主要涉及人力资本与创新“挤出”效应。Gylfason (2000) 发现在资源型区域中学毛入学率逆转、受教育年限下降等, 这种对人力资本的挤出效应阻碍了科技创新进而降低经济增长的速度。Sachs and Warner (2001) 指出自然资源丰富的国家或地区资源产业部门本身不注重对高素质、高技术的人力资本需求, 忽视对人力资本的投资, 并且自然资源开发部门的高利润率诱使更多的人力资本从制造业部门和其他创造性部门转移出来, 削弱了制造业部门“干中学”效应以及创造性部门的技术溢出效应, 从而阻碍了整个经济的技术进步。
资源型区域人力资本形成不足挤出科技创新。资源型区域对人力资本产生了挤出, 通过人力资本的传导作用进而对科技创新也产生了挤出。Matsuyama (1992) 指出, 由于采掘业的不断繁荣, 制造业向其转变的趋势越来越大, 使制造业中的技术溢出和“干中学”效应逐渐被削弱。徐康宁和王剑 (2006) 认为, “荷兰病” (Dutch disease) 效应十分明显, 主要通过采掘业等资源型产业从制造业和技术产业中吸收劳动、资本等生产要素, 使制造业和技术产业技术创新能力降低, 影响自身发展。邵帅、齐中英 (2008) 指出, 能源开发对西部经济的阻碍作用主要通过对人力资本投入和科技创新产生“挤出作用”以及导致寻租和腐败等制度弱化的途径来实现, 其中对人力资本投入的挤出是阻碍经济增长最重要的因素。马宇、杜萌 (2013) 由于政府控制一国几乎所有的自然资源, 决定着谁将会得到最终的开采权。私人部门为了获得开采权将精力放在如何贿赂官员而不是如何提高生产力水平上;当社会制度完善时, 所有的企业家都会把精力投入在生产上, 成为生产者, 当社会制度不完善时, 在高额利润的诱惑下, 丰富的资源会促使企业家进行寻租等非生产性活动, 这使企业家用于生产和技术创新的时间减少, 降低生产效率。
综上可见, 人口老龄化 (资源依赖) 对科技创新的产出存在不同结果:如果人口老龄化 (资源依赖) 阻碍人力资本投资和积累, 降低人力资本存量, 那么人口老龄化 (资源依赖) 将对科技创新产生负向作用;反之如果人口老龄化 (资源依赖) 并未对人力资本投资和积累产生消极作用, 那么人口老龄化 (资源依赖) 有可能与人力资本存量存在正相关关系或并无关系, 即人口老龄化 (资源依赖) 不一定是减弱科技创新能力的影响因素。据此, 本研究将研究框架绘制如下 (如图2所示) :首先对人口老龄化和资源诅咒对科技创新的直接效应进行分析, 力求得到上述两者是否对科技创新存在影响;此外, 在此基础上通过进一步分析人口老龄化和资源依赖对人力资本的影响, 探寻两者对科技创新的影响机制。
图2 研究框架 下载原图
三、实证分析
(一) 初步统计观察
在深入研究上述命题之前, 有必要利用经验数据来进行初步的统计观察, 以便于了解人口老龄化、资源依赖与科技创新之间的基本关系。首先, 本研究选取2006-2015年中国30个省际地区为研究样本 (除西藏) , 借鉴既有文献指标选取方法 (1) , 同时也为了消除异方差, 以各期专利申请授权数的对数来衡量科技创新水平 (lnInnov) (姚东旻等, 2017) ;绝大多数文献采取老年人口占总人口的比重作为衡量人口老龄化的指标, 但笔者认为, 老龄化程度的确可通过老年人口占总人口的比重来测算, 但由于分母中包括0-14岁非劳动人口, 因此上述算法可能会低估老龄化的程度, 鉴此, 本研究以各期老年人口抚养比 (老年人口数与劳动年龄人口数之比, 以反映每100名劳动年龄人口要负担多少名老年人) 来衡量老龄化程度 (Old) ;以各期采掘业就业人员工资总收入占地区所有就业人员工资收入的比重来衡量资源依赖程度, 以反映资源依赖程度 (NR) (丁菊红、邓可斌, 2007) , 分别绘制出老年抚养比、资源依赖与科技创新对应关系图 (如图3所示) 。从整体上来看, 老年抚养比与科技创新并未呈现出前文所述的负相关关系, 反而呈现正相关关系, 这使笔者不得不思考:既然指标选取方法合理, 数据来源可靠, 为何此处观察与既有文献存在明显出入?是否两者间存在非线性关系?因此, 本研究进一步将两者非线性关系描绘出来, 结果呈现出明显的开口向下的抛物线型。
图3 人口老龄化与科技创新 下载原图
数据来源:国家统计局网站。
而对于资源依赖与科技创新的关系同样借鉴上述做法, 同时将两者线性关系和非线性关系都描绘出来, 结果显示, 两者间存在明显的负相关关系, 同时, 两者间非线性关系呈现开口向上的抛物线型。以上发现为本研究基准模型的设定提供了非常重要的证据, 同时也为分析老年抚养比、资源依赖与科技创新的关系提供了初步的经验支持, 但仍需要严格的计量回归分析进行检验。
图4 资源依赖与科技创新 下载原图
数据来源:同图3。
(二) 模型设定与变量说明
基于第一部分的分析, 老年抚养比、资源依赖与科技创新的关系并非呈现线性关系, 而是分别呈现出各具特点的非线性关系。因此, 对于计量模型的设定也必须遵循上述结论, 不能简单设定成为多元一次模型 (既有文献仅设定线性关系, 这在一定程度上说明本研究与既有文献的不同, 即可能存在创新点) , 故本研究将模型设定如下:
其中, Innov、Old以及NR是本研究研究的核心变量, 其衡量方法前文已论述, 在此不再赘述, 下标i表示行业、t表示年份 (下同) , εit表示随机扰动项。变量Controlit为除核心变量外一系列影响科技创新的控制变量, 主要包括:A.经济增长 (lnperGDP) , 以各地区当年人均GDP衡量, 其原因在于索罗模型刻画了经济增长和科技创新的关系, 即科技创新将促进经济增长, 同时经济增长也为科技创新带来更多资金支持, 预期符号为正;B.城市化率 (Urban) , 以城镇人口占总人口比重衡量, 其原因在于城市化率高的地区更加容易吸引知识型人才, 从而为企业进行科技创新提供更加充足的人力资本, 同时城市化率高的地区往往是经济和金融比较发达的地区, 企业在此将有更好的融资渠道, 这为科技创新行为提供了充足资金, 预期符号为正;C.教育投入 (Edu) , 以各地区教育经费支出占GDP比重衡量, 其原因在于教育是提升人力资本的有效途径, 也是实现个人人力资本存量增加最直接的方式, 教育经费占比越高, 说明地区对教育重视程度越大, 劳动者接受的教育资源也将随着增加, 这对科技创新的推动效应是直接的, 预期符号为正;D.技术市场活跃度 (Tech) , 以科技市场成交量占GDP比重衡量, 其原因在于技术市场活跃度将显著影响科技创新的活跃程度。成熟、活跃的技术市场能够使公司更容易将自己的科技创新卖出而获得收益, 并为未来科技创新提供扩大再创新的资金支持, 激励公司继续进行科技创新, 同时, 活跃的科技创新是技术交易市场的供给增加, 增加了技术市场的活跃程度 (Bettencourt et al., 2007) , 预期符号为正;E.人才规模 (lnGraduate) , 以高等学校毕业生人数取对数衡量, 其原因在于创新行为的主体归根到底是人的行为, 而相比于其他人, 高校毕业生刚刚踏出校门, 具备丰富的理论知识, 同时在入职后也充满工作热情, 其创新能力会充分发挥, 这将对企业创新提供强劲动力, 预期符号为正, 下表罗列了所涉及变量的初步统计分析。以上数据来源为历年《中国统计年鉴》、各省统计年鉴以及国家统计局网站。此外, 本研究还选取各地区区域虚拟变量fi和时间虚拟变量ft来控制地区效应和时间效应。
表1 统计性描述 下载原表
数据来源:历年《中国统计年鉴》、各省统计年鉴以及国家统计局网站。
(三) 回归分析
本部分研究思路为首先对面板数据分别进行混合、固定以及随机效应的回归, 然后根据相关统计检验进行选择更为合理的模型方法, 进而得到初步回归结果;进一步考虑可能存在的计算偏误或遗漏变量产生的内生性问题, 因此引入合适工具变量对样本进行2SLS估计, 在解决内生性问题的前提下得出更为合理的估计结果。
本研究通过面板设定的F检验结果对混合最小二乘模型和固定效应模型进行选择, 然后通过Breusch-Pagan LM检验判断选择采用混合最小二乘回归还是随机效应模型。需要特别指出的是, 对于固定效应和随机效应的选择, 一般通过传统Hausman检验来确定, 但是传统Hausman检验要求在RE模型是完全有效估计量的前提下, 对于这一前提条件本研究并不能保证, 因此检验结果可能存在偏误 (1) , 所以采用Bootstrap执行稳健性Hausman检验, 这一方法能够在上述前提不满足的情况下执行 (Cameron A.C., 2009) 。此外, 由于面板数据往往容易存在异方差问题, 所以在进行回归时都通过White异方差修正, 从而使回归结果更稳健, 具体结果如表2所示。
表2 回归结果 下载原表
注: () 内数值为考虑异方差的稳健标准误;[]内数值表示相应统计量的P值;{}中数值为Stock-Yogo检验10%水平上的临界值;*、**、***分别表示在10%、5%、1%的显著水平;面板设定F检验的原假设是个体效应不显著;稳健型Hausman检验原假设为“FE和RE估计系数没有显著差异”, 其中设定Bootstrap的次数为500, Seed值选取135 (1) ;Durbin-Wu-Hausman内生性检验内生性检验的原假设是回归元外生, 拒绝则表示回归元为内生;Kleibergen-Paap rk LM检验的零假设是“工具变量识别不足”, 若拒绝零假设则说明工具变量是合理的;Kleibergen-Paap rk Wald F检验的零假设是“工具变量为弱识别”, 若拒绝零假设则说明工具变量是合理的。
表2 回归结果 下载原表
注: () 内数值为考虑异方差的稳健标准误;[]内数值表示相应统计量的P值;{}中数值为Stock-Yogo检验10%水平上的临界值;*、**、***分别表示在10%、5%、1%的显著水平;面板设定F检验的原假设是个体效应不显著;稳健型Hausman检验原假设为“FE和RE估计系数没有显著差异”, 其中设定Bootstrap的次数为500, Seed值选取135 (1) ;Durbin-Wu-Hausman内生性检验内生性检验的原假设是回归元外生, 拒绝则表示回归元为内生;Kleibergen-Paap rk LM检验的零假设是“工具变量识别不足”, 若拒绝零假设则说明工具变量是合理的;Kleibergen-Paap rk Wald F检验的零假设是“工具变量为弱识别”, 若拒绝零假设则说明工具变量是合理的。
对于上表中显示的结果, 从以下三个方面进行分析:
(1) 回归模型设定方面, 首先根据面板设定F检验的结果, 本研究认为应拒绝个体效应不显著的原假设, 因此相对混合面板回归, 固定效应模型更为合适;其次稳健型Hausman检验结果显示应拒绝随机效应与固定效应没有显著差异的原假设, 即应选择固定效应模型;最后Breusch-Pagan LM检验结果显示应选取的模型设定形式为随机效应模型。综上所述, 本研究最终将回归模型设定为固定效应模型。
接下来, 以固定效应模型为基础进行回归结果分析。老年抚养比的平方对科技创新具有负向的影响, 并在10%水平上显著;同时老年抚养比的系数为正, 并在1%水平上显著。这与图3显示的关系是相吻合的, 因此支持了老年抚养比对科技创新存在非线性影响, 且呈现出开口向下抛物线状。资源依赖的一次项和平方项的系数分别为-0.083和0.0017, 并且均在1%水平下显著, 这与图4显示的关系也是相符的, 即资源依赖对科技创新并非始终产生阻碍作用, 而是呈现先阻碍、后促进的U型关系, 与老年抚养比正好相反。
在控制变量中, 经济增长、城市化率、教育投入、技术市场活跃度以及人才规模对科技创新都具有正向的影响, 且上述控制变量均通过显著性检验, 这与预期相符, 这说明本研究选取的控制变量合理有效。
(2) 在上文的初步估计中, FE模型能够剔除非观测的地区特定效应fi, 从而得到参数的一致估计, 有效地解决了混合OLS以及RE模型无法处理的遗漏变量问题。但FE模型估计的一致性要求解释变量与随机误差项无关的假定成立, 即解释变量都是外生的。由于担心在本研究的核心解释变量中, 老年抚养比和资源依赖变量可能存在内生性, 这主要是基于以下考虑:老年抚养比与科技创新之间存在联立性偏误 (simultaneity bias) 问题, 这是因为老年抚养比影响了地区科技创新, 而与此同时, 科技创新行为又会反过来提升全要素生产率促进经济增长, 医疗卫生等领域得到全面发展, 人口健康问题得以解决, 预期寿命随之增加, 这将进一步加速老龄化;此外, 科技创新行为伴随着经济增长的加快, 地区往往会加大对基础设施等相关配套设施的建设投入以及扩大对外业务往来, 这将会进一步提升地区对资源的依赖程度。严重的内生性将导致OLS估计结果有偏或非一致, 因此, 为了降低估计结果的偏误需要对内生性问题进行控制, 而解决内生性问题的一个有效的计量技术就是工具变量 (IV) 估计法。对于工具变量的选择需要满足以下两个条件:与残差项无关以及与内生变量高度相关。因此借鉴伍德里奇 (2015) 对于工具变量常用的做法, 分别选取老年抚养比及平方项、资源依赖及平方项的滞后一期作为工具变量。
上表最后一列分别报告了以滞后一期为工具变量的回归结果。为了检验工具变量的有效性, 采用多种统计检验进行评判:首先, 通过Durbin-Wu-Hansman检验, 得到其检验统计量为18.61, 并且在5%的显著性水平上拒绝老年抚养比和资源依赖是外生的原假设, 这表明老年抚养比和资源依赖存在明显的内生性;其次Kleibergen-Paap rk LM统计量为23.179, 结果在1%显著性水平上拒绝了“工具变量识别不足”的零假设;再次, Kleibergen-Paap Wald rk F检验分别对老年抚养比和资源依赖的统计量分别为12.233和11.236, 均大于Stock-Yogo检验10%水平的临界值 (7.03) , 因此拒绝工具变量是弱识别的假设, 及表明工具变量与内生变量间具有较高的相关性。综上所述, 本研究选取的两个工具变量是合理的, 模型设定可靠。
相比于固定效应模型回归结果, 在采用工具变量有效控制内生性问题以后, 老年抚养比及平方项的回归系数分别从0.171和-0.008改变为0.277和-0.0118, 相比原来的影响发生了明显变化, 并且均通过显著性检验, 这不仅对本研究理论假想提供了有力证据, 而且还充分表明内生性问题使OLS估计产生了明显低估, 也印证了采用2SLS进行估计的必要性。另一方面, 控制变量估计系数均出现一定程度的改变, 其中lnperGDP变量系数增加到1.061且显著, 城市化系数由0.0607降低至0.0517 (显著) , 教育投入系数由0.551增加至0.637 (显著) , 技术市场活跃度系数由0.139降低至0.127 (显著) , 而当期人才规模变量Graduate估计系数依旧不显著。以上发现再一次印证子内生性问题会导致估计结果产生偏误。同时, 也进一步验证当期人才规模对当期科技创新的影响不显著 (这对后文选取滞后项进行动态面板分析提供了依据) 。
值得注意的是, 老年抚养比系数的确发生了显著改变, 但通过对比表中FE回归结果和2SLS回归结果可以发现, 资源依赖及其平方项系数和显著性并未产生明显改变 (一次项系数仅由-0.083变为-0.857;二次项系数并未改变) , 因此怀疑资源依赖变量可能并未存在内生性。因此, 本研究力图进行进一步分析, 主要采取将老年抚养比及平方项变量视为内生变量, 而资源依赖变量则视为外生变量进行2SLS回归, 结果呈现于上表最后一列。通过对比表中后两列回归结果可以发现, 不论资源依赖视为内生变量还是外生变量, 核心变量老年抚养比和资源依赖回归系数均未发生明显改变, 同时控制变量的估计系数也变化不明显。
(3) 基于以上论述, 将上表最后一列2SLS的回归结果作为基准回归。结果显示, 老年抚养比对科技创新的影响系数为0.2831, 并通过5%的显著性水平检验, 其平方项对科技创新的影响为-0.0119, 通过了10%显著水平检验, 与图3显示的关系是一致的, 即老年抚养比对科技创新的影响先上升后下降;其次, 资源依赖和其平方项对科技创新的影响系数分别为-0.077和0.0017, 并均通过1%显著水平检验, 说明资源依赖对科技创新的影响与老年抚养比恰好正相反, 为先下降后上升;控制变量中除当期人才规模影响不显著外, 其余各个变量的影响均与预期相符, 且通过显著性检验。
四、传导机制分析
(一) 老年抚养比、资源依赖与人力资本
上文已经对老年抚养比和资源依赖对科技创新的直接影响进行了全面分析, 接下来, 文章将针对老年抚养比、资源依赖对人力资本的影响进行探讨, 旨在确定老年抚养比和资源依赖是否是影响人力资本的原因, 进而印证“老年抚养比、资源依赖-人力资本-科技创新”这一机制的存在。故在此构建以下模型:
其中lnHcapit表示某年某地区人力资本存量, 其数据来源是中央财经大学中国人力资本与劳动经济研究中心发布的《中国人力资源报告2017》, 计算方法详见报告, 在此不再赘述;老年抚养比和资源依赖变量同上文。Controlit表示一系列可能对人力资本存量存在影响的控制变量, 主要包括:经济增长水平 (lnperGDP) 、城市化率 (Urban) 以及教育投入 (Edu) , 其衡量方法同上文;对外贸易 (Trade) , 此指标通过进出口总额占GDP总额的比重衡量;人口规模 (lnPop) , 通过年末常住人口总数的对数来衡量。以上数据均来源于中国国家统计局的中国经济社会发展统计数据库, 具体统计性描述如表1所示。
根据各种检验结果, 采用固定效应模型进行初步回归, 并通过引入工具变量进行2SLS回归解决内生性问题。具体回归结果如表3所示。
表3回归结果可知, 在控制经济增长、城市化率、教育投入、人口规模等因素后, 老年抚养比和资源依赖两个核心变量对人力资本存量的影响同前文对科技创新影响一致, 这表明老年抚养比通过对人力资本存量产生先上升、后下降的影响进而引致与科技创新呈现近似倒“U”型关系;资源依赖则通过对人力资本存量先阻碍、后促进进而与科技创新呈现近似倒“U”型关系。上述结果证实了前文理论对老年抚养比、资源依赖-人力资本-科技创新这一传导机制的假想, 即老年抚养比和资源依赖会通过影响人力资本存量来阻碍或促进地区的科技创新能力。
(二) 人力资本与科技创新
上文已经就老年抚养比、资源依赖对科技创新的直接和间接影响进行了详细论述。接下来, 本研究将对传导机制中最后一环节人力资本-科技创新的关系进行简要分析, 力求保证研究的严谨和全面。因此, 本研究同时构建两个相关模型:
LnInnvo和lnHcap同上文一致, 分别表示科技创新和人力资本存量, 控制变量中引入经济增长 (lnperGDP) 、城市化率 (Urban) 、教育投入 (Edu) 、技术市场活跃度 (Tech) 、人才规模 (lnGraduate) 、对外贸易 (Trade) 、人口规模 (lnPop) 。同第 (一) 部分一样, 根据各种检验分别采取固定效应模型作为初步回归, 并引入人力资本存量滞后一期项作为其工具变量进行2SLS回归, 具体结果如表3所示。
表3结论显示, 人力资本存量对科技创新的影响显著为正, 这意味着科技创新能力将随着人力资本存量的增加而提升, 这与现实和既有文献的结论一致。同时在观察相关控制变量的回归系数后发现, 基本均符合现实情况, 因此上述模型及结论合理有效。考虑到此部分并非本研究主要内容, 因此对结果不再赘述。
表3 传导机制分析结果 下载原表
注:同表2。
五、结论
人口老龄化作为一种社会现象, 通过影响人的行为进而对科技创新产生效应;“资源诅咒”普遍存在于发展中国家, 并通过“挤出效应”阻碍相关产业科技创新和发展。可见, 人口、资源作为社会经济发展中不可或缺的生产要素对科技创新影响深远。既有研究主要从个人角度来分析年龄如何导致科技创新行为的改变以及资源依赖如何影响经济增长, 而在宏观层面鲜有涉及人口老龄化和资源依赖是否影响以及如何影响科技创新行为。
本研究首先从理论上提出人口老龄化、资源依赖-人力资本-科技创新的影响机制, 并分别从人口老龄化、资源依赖-科技创新、人口老龄化、资源依赖-人力资本以及人力资本-科技创新三方面进行系统探究。研究发现, 人口老龄化、资源依赖与科技创新并非始终保持单调线性关系, 其中人口老龄化对科技创新的影响呈现先增长、后阻碍的趋势 (如果按照实证结果分析, 其拐点基本处在11.9%, 即当老年人口占劳动人口比重小于等于11.9%时, 其对科技创新的影响为正, 当比重超过11.9%时转为负) (1) 。
同人口老龄化一样, 资源依赖与科技创新也非单调线性关系, 而是呈现先阻碍、后促进的“微笑型”趋势。上述结论意味着在早期资源型经济发展时, 由于其注重数量以及速度等粗放式发展, 通过吸引其他行业劳动力和资源进行非技能型生产, 进而导致其科技创新水平受到阻碍。但随着其规模不断发展壮大, 早期的发展模型势必会影响自身生产和经营效率, 这也将在一定程度上倒逼企业进行必要的科技创新, 如生产技术、管理模式、产品开发等, 以求实现规模经济。同人口老龄化分析一样, 根据前文基准回归结果计算得出其影响曲线拐点为22.65% (2) 。
上述结论对于处在发展中国家、正在经历老龄化的中国具有重要意义。当前, 中国正面临未富先老的巨大挑战, 同时资源型产业在经济欠发达的西部地区的经济社会发展中发挥了积极作用, 而在新形势下正面临与东部地区经济发展差距逐步拉大的困境。中国已经步入“新时代”, 社会主要矛盾也随即更改为人民日益增长的美好生活需要和不平衡不充分的发展之间的矛盾。而这一矛盾的提出, 恰恰对上述提及的难题予以回应, 即要想获得国家长期稳定的发展, 创新驱动成为实现这一目标的有效途径, 故科技创新是必不可少的关键因素。
可惜, 就本研究结论来看, 不论是人口老龄化还是资源依赖均在一定程度上通过降低人力资本存量阻碍我国科技创新行为的产生, 这与十九大报告中提出的“创新是引领发展的第一动力, 是建设现代化经济体系的战略支撑”背向而行。我国已站在新的历史起点上, 正在由发展中大国向现代化强国迈进, 只有从增强人们 (当然也包括老龄人口) 的人力资本投资意愿和降低人力资本投资成本, 加快实现资源型产业内部结构优化、延长价值链、增加产品附加值等减弱两者对科技创新直接和间接的负面影响, 加快建设创新型国家, 才能加速向主要依靠知识积累、技术进步和劳动力素质提升的内涵式发展转变, 以科技强国支撑现代化强国, 为解决社会主要矛盾开拓更广阔空间。
参考文献
[1]丁菊红、邓可斌, 2007, 《政府干预、自然资源与经济增长:基于中国地区层面的研究》, 《中国工业经济》第7期。[Ding Juhong and Deng Kebin, 2007, Government Intervene, Natural Resource and Economy Development:Based on Regional Panel Data Study of China, China Industrial Economy, 7.]
[2]高越, 2017, 《人口老龄化影响了科技创新吗?---基于中国省级面板数据的实证研究》, 《科技进步与对策》第17期。[Gao Yue, 2017, Does Ageing Affect Technological Innovation?---An Empirical Study based on Provincial Panel Data of China, Science&Technology Progress and Policy, 17.]
[3]韩振秋, 2017, 《人口老龄化与科技创新关系研究述评与优化》, 《自然辩证法研究》第10期。[Han Zhenqiu, 2017, Review and Optimization of the Relationship Between Population Aging and Scientific and Technological Innovation, Studies in Dialectics of Nature, 10.]
[4]杰佛里·M·伍德里奇, 2015, 《计量经济学导论---现代观点 (第五版) 》, 中国人民大学出版社。[Jeffrey M.Wooldridge, 2015, Introductory Econometrics:A Morden Approach (Fifth Edition) , China Renmin University Press]
[5]马宇、杜萌, 2013, 《对资源诅咒传导机制的实证研究---基于技术创新的视角》, 《经济学动态》第1期。[Ma Yu and Du Meng, 2013, Empirical Research on the Transmission Mechanism of Resource Curse---Based on the Perspective of Technological Innovation, Economic Perspectives, 1.]
[6]邵帅, 齐中英, 2008, 《西部地区的能源开发与经济增长---基于“资源诅咒”假说的实证分析》, 《经济研究》第4期。[Shao Shuai and Qi Zhongying, 2008, Energy Development and Economic Growth in Western China:An Empirical A-nalysis Based on the Resource Curse Hypothesis, Economic Research Journal, 4.]
[7]田雪原、胡伟略、杨永超, 1990, 《日本人口老龄化与经济技术进步---赴日考察及学术交流报告》, 《中国人口科学》第6期。[Tian Xueyuan, Hu Weilue and Yang Yongchao, 1990, Japan's Aging Population and Economic and Technological Progress---Investigation and Academic Exchange Report in Japan, Population Science of China, 6.]
[8]徐康宁、王剑, 2006, 《自然资源丰裕程度与经济发展水平关系的研究》, 《经济研究》第1期。[Xu Kangning and Wang Jian, 2006, An Empirical Study of A Linkage Between Natural Resource Abundance and Economic Development, Economic Research Journal, 1.]
[9]杨校美, 2018, 《人口老龄化会影响技术创新吗?---来自G20的经验证据》, 《华东经济管理》第6期。[Yang Xiaomei, 2018, Can Population Aging Affect Technological Innovation?---Empirical Evidence from G20, East China Economic Management, 6.]
[10]姚东旻、宁静、韦诗言, 2017, 《老龄化如何影响科技创新》, 《世界经济》第4期。[Yao Dongmin, Ning Jing and Wei Shiyan, 2017, How Does the Population Aging Affect Technology Innovation?, The Journal of World Economy, 4.]
[11]姚东旻、李三希、林思思, 2015, 《老龄化会影响科技创新吗----基于年龄结构与创新能力的文献分析》, 《管理评论》第8期。[Yao Dongmin, Li Sanxi and Lin Sisi, 2015, Aging Affects Innovation?---An Analysis Based on Literature, Management Review, 8.]
[12]张晶, 1996, 《关于中国人口老龄化问题的研究》, 《黑龙江社会科学》第4期。[Zhang Jing, 1996, Research on China's Aging Population, Heilongjiang social science, 4.]
[13]郑猛、高元元, 2016, 《人口红利、资源依赖与ICT产业发展---基于拉美国家的经验研究》, 《拉丁美洲研究》第5期。[Zheng Meng and Gao Yuanyuan, 2016, Demographic Dividend, Resource Dependence and the ICT Industry's Development in Latin America, Journal of Latin American Studies, 5.]
[14]Ang J B.and Madsen J B., 2015, Imitation Versus Innovation in an Aging Society:International Evidence since1870, Journal of Population Economics, 28 (2) :299-327.
[24]Gylfason T., 2000, Natural Resources, Education, and Economic Development, European Economic Review, 45 (4) :847-859.
[27]Jones B F., 2004, Age and Great Invention, Review of Economics&Statistics, 92 (1) :1-14.
[28]Lee R.and Mason A., 2010, Fertility, Human Capital, and Economic Growth over the Demographic Transition, European Journal of Population, 26 (2) :159-182.
[36]Sachs J D.and Warner A M., 2001, The Curse of Natural Resources, European economic review, (45) :827-838.
注释
1 高越 (2017) 指出, 20世纪70年代以来, 随着专利法律逐步完善, 知识产权得到有效保护, 有力促进了自主创新, 专利数量成为衡量科技创新的常用指标;杨校美 (2018) 研究认为, 考虑到人口老龄化对科技创新的影响主要体现在对其产出的影响, 故采用申请专利的申请数量来测度创新水平。
2 本研究通过将传统Hausman和稳健Hausman检验结果进行对比后发现, 东部地区传统Hausman检验结果应选择固定效应;而稳健Hausman检验结果则认为随机效应更加有效。可见, 进行稳健型Hausman检验是合理以及十分必要的。
3 Seed数值的设定作用在于使每次得到的标准误都相同, 并且不同取值仅仅会导致标准误的微小变动, 并不会产生实质性影响。
4 根据表2最后一列估计结果计算而得:-0.2831/ (-0.0019*2) ≈11.9。
5 同人口老龄化拐点计算方法一样:-0.077/ (0.0017*2) ≈22.65。