人口老龄化对技术进步的影响

郭瑞东，赵令锐

(1.中国社会科学院 研究生院，北京 102488；2.河北省社会科学院 财贸所，河北 石家庄 050051)

人口老龄化对技术进步的影响

郭瑞东1,2，赵令锐1

(1.中国社会科学院 研究生院，北京 102488；2.河北省社会科学院 财贸所，河北 石家庄 050051)

人口老龄化是影响技术进步的重要因素，然而人口老龄化究竟会产生正向亦或负向影响，学术界并没有达成共识。采用全要素生产率作为衡量技术进步的指标，首先基于DEA-Malmquist指数法对中国31个省份的全要素生产率及其分解因素进行测算，然后基于省级面板数据对人口老龄化对全要素生产率的影响效应进行实证检验。结果发现，人口老龄化对中国全要素生产率产生负向的影响，即人口老龄化会阻碍全要素生产率的提高。最后剖析了人口老龄化阻碍技术进步的可能原因，提出了弱化人口老龄化负效应和促进中国技术进步的对策建议。

人口老龄化；DEA-Malmquist指数法；全要素生产率

一、引 言

新增长理论认为，全要素生产率的提升是推动一国经济可持续增长的动力源泉，而人口老龄化会对人力资本数量和质量产生重要影响，进一步影响技术进步和资源配置，是影响全要素生产率水平的重要因素，关系着国家和地区经济发展的质量和效益。然而，学术界关于人口老龄化会对技术进步或全要素生产率产生什么样的影响并没有达成共识。一种观点认为，人口老龄化会阻碍技术进步，其原因主要是人口老龄化使得全社会思想意识趋向保守，引起经济再分配中的消费资金比例不断上升，对全社会研发创新资金形成挤出效应，最终抑制了全要素生产率的提升；同时，如果资本市场进一步萎缩，会诱发企业技术创新因为缺乏相应的经济利益的激励而处于停滞状态；此外，人口老龄化还会抑制全社会接受新思想、利用新知识的速度，阻碍技术创新能力的提升，进一步诱发对国内劳动力市场的贸易保护，从而使得技术进步和灵活就业对经济增长的长期贡献受到严重影响。另一种观点则认为，人口老龄化有利于促进技术进步，因为伴随着青年劳动力供给的不足，经济发展会面临很大压力，而压力会使人们产生推动技术创新和技术进步的额外动力；此外，伴随经济全球化的广泛渗透使得外商直接投资和国际研发合作成为本国技术创新能力快速提升的重要渠道，并为东道国带来高技能的劳动者和研发人员等。从实践上看，由于中国人口老龄化的发展趋势和特点与日本极为相似，故日本在处理人口老龄化和技术进步之间关系的实践经验，对于我们具有较大的借鉴意义。事实上，人口老龄化并没有对日本技术进步产生抑制或阻碍作用，相反，还在一定程度上促进了技术进步，这主要是因为人口老龄化减少了未成年人口的消费负担，致使国民收入再分配中消费基金所占比例下降，用于积累部分相对增大，扩大再生产投资增多，有利于产业技术改造、发展先进技术[1]。综上所述，由于人口老龄化对全要素生产率的影响是多方面的，且影响方向和作用程度差异性较大，因此，无论从理论上还是从实践上分析，人口老龄化究竟是有利于促进技术进步还是会阻碍抑制技术进步还很难确定。

2015年我国65岁以上人口规模达到1.44亿，占总人口的10.5%，预计到2050年，我国老龄人口将增长到4.83亿，老龄化水平将提高到34.1%。在中国经济步入新常态的背景下，全要素生产率已经成为驱动经济增长的主要动力，正在中国经济发展过程中发挥着越来越重要的作用。然而，随着人口老龄化程度加深，人口红利逐渐消失，已经成为通过提高全要素生产率，实施创新驱动发展战略的重要约束条件。那么，人口老龄化与全要素生产率的关系如何？老龄化程度加深是否会阻碍全要素生产率的提升，让中国陷入“未富先老”的窘境？本文将利用2000-2013年中国31个省市的面板数据进行实证分析，探讨人口老龄化对全要素生产率的影响效应，并以此为基础提出相应的政策建议。

二、文献回顾

关于人口老龄化影响效应的研究，目前很多成果都集中在老龄化对经济增长影响的层面。相对来说，关于人口老龄化对全要素生产率的影响效应方面的文献较少。Groezen et al.通过分析人口老龄化对经济生产结构的影响，认为人口老龄化会降低经济生产率，但会提高资本积累数量从而促进经济增长[2]。张鹏基于1990-2010年的省级面板数据对中国人口老龄化的实证分析发现，老年人口比重以及老年抚养比的上升能够促进全要素生产率增长，但分区域来看，老龄化的上升能促进东部地区要素生产率增长，会降低中部地区的全要素生产率增长，对西部地区的影响不显著[3]。匡远配和陈梅美基于1990-2012年的时间数据，分析中国农村人口老龄化对农村全要素生产率的影响，发现农村人口老龄化率对农村全要素生产率的增长没有影响[4]。

此外，多数文献还是从人口年龄结构角度分析人口老龄化对全要素生产率的影响。Lindh &Malmberg基于1950-1990年OECD国家的面板数据分析发现，人口年龄结构与生产率之间呈驼峰形状关系[5]。部分学者通过对劳动力的年龄结构与全要素生产率的关系研究发现：青年劳动力对生产率的影响为负，中年劳动力增加有利于生产率的增长，而老年劳动者对生产率的影响为负，即人口老龄化不利于全要素生产率的提高[6-8]。对于两者呈驼峰形状关系的解释，Feyrer从人口年龄结构变化带来的外溢效应角度进行解答：一是人口年龄结构转变可能通过创新活动对全要素生产率产生影响，二是人口年龄结构转变还可能通过新思想吸收来影响生产率的增长[9]。Oster & Hamermesh认为年老经济学家发表在顶尖期刊上的论文数量不如年轻经济学家，其他研究也证实了这种观点：年龄或教学时长与科技产出存在着负相关关系[10-12]。Andersson et al.使用滞后的年龄结构估计对当前劳动生产率的影响，验证了对于创新性工作，年老劳动力不如年轻劳动力的生产率，第三产业的非技术劳动者却会随着年龄的增长而提高生产率[13]。

综上所述，人口老龄化对全要素生产率的影响效应是不确定的，并没有一致的结论说明人口老龄化不利于全要素生产率的提高。虽然人口老龄化会降低劳动力的供给，但随着劳动力的年龄增长，他们的经验、技能、判断能力也相应地得到提高，劳动生产率明显会提高。所以如果从劳动力数量和质量的角度，年轻劳动力为经济增长提供了要素投入基础，而中老年劳动力却能提高全要素生产率，促进了经济的长期增长。因此，人口老龄化对全要素生产率影响效应的研究还有待深入，确定其具体的效应。相对于先前的研究，本文的创新点主要有：(1)采用最新的省级面板数据，基于DEA-Malmquist指数法，测算了中国省际全要素增长率并对其因素进行分解。(2) 区别于传统文献探讨人口年龄结构对经济增长的影响，本文重点探讨人口老龄化对中国省际全要素生产率的影响。(3)在引入多个控制变量的基础上，通过实证分析发现，人口老龄化会阻碍全要素生产率的提高，结论可信。(4)提出应对人口老龄化、提高全要素生产率的对策措施，具有很强的实践指导意义。

三、实证模型、变量与数据

(一)实证模型与变量

人口老龄化对全要素生产率的影响机制是复杂的，人口老龄化通过生产和需求两个维度对全要素生产率产生影响，导致最后两方面影响的最终关系难以确定。因此，在参考相关文献的基础上，本文设计了一个实证模型，利用省级面板数据分析人口老龄化与全要素生产率之间的关系。实证模型的形式如下：

(1)

其中i代表各省市，t代表年份，fi代表地区固定效应，vt代表时间固定效应，eit代表随机误差项。TFP是全要素生产率，下文会用DEA-Malmquist指数来测算。为了检验人口老龄化对技术进步和技术效率的影响，下文也会将技术进步TP和技术效率TEC作为被解释变量代入。

Growth是经济增长变量，本文用每年的实际GDP增长率来表示(2000=100)。内生经济增长理论认为技术进步是促进经济增长的重要源泉。然而，技术进步和经济增长之间的逆向因果关系也可能存在，比如经济增长率的提高会通过增加科技投入水平进而对全要素生产率产生影响。

Factors是要素投入比，用实际资本存量与平均从业人员数比来表示。索洛经济增长理论认为，基于经济增长率不变的假设，要素投入和技术进步对经济增长的贡献是此消彼长的，因此要素投入与全要素生产率之间的关系为负，已有文献的研究也支持了该结论。但是陈心颖的研究结果却发现增加要素投入比会极大地提高劳动生产率。

Aging是人口老龄化变量，本文用老年人口(65及以上人口)占总人口比来表示。本文通过老年人口比来检验人口老龄化对全要素生产率的影响，这是本文最核心的解释变量。

X是反映其他一些影响全要素生产率的控制变量向量。本文中这些控制变量主要包括3个，分别是R&D投入(RD)、产业结构(IS)和对外开放(OP)。

R&D投入(RD)用R&D经费内部支出占GDP比来表示。经济增长理论和世界各国的发展实践充分证明，增加R&D投入、积极开展科研创新活动肯定能够促进技术进步、提高全要素生产率。

产业结构(IS)用第三产业占GDP比表示。按照发达国家的发展经验，随着经济的发展，第一产业占GDP比单调下降，第二产业占GDP比先上升后下降，第三产业占GDP比单调上升。只有大量劳动力从第一产业解放出来，进入到第二、第三产业中去才会促进经济的快速发展。此外，不同的产业部门需要的资本和技术也各不相同。因此，产业结构的变化也必然影响全要素生产率的提高。

对外开放(OP)用货物进出口总额占GDP比来表示。随着对外开放水平的提高，外商直接投资能够带来先进的技术、管理思想和方法，提高国内市场的竞争程度，促进国内技术进步，从而提高全要素生产率。同时，国内企业可以在国际市场上直接参与竞争，市场的激烈竞争能够促使企业增加研发投入、提高技术水平。

(二)数据来源与处理

本文收集了中国31个省、直辖市、自治区2000-2013年的数据，所有数据均来源于各年的《中国统计年鉴》《中国科技统计年鉴》和各省市历年的统计年鉴。测算全要素生产率时，投入量选取各省市的实际资本存量和平均从业人员数，产出量选取不变价GDP(2000=100)。由于当年全要素生产率的测算需要用到前一年的数据，故这3个投入产出量是自1999年起。实际资本存量用永续盘存法来进行测算，初始资本存量等于1999年的固定资本形成总额除以资本折旧率作为初始资本存量，资本折旧率取10%，每年的投资量为不变价固定资本形成总额。平均从业人员数等于上一年的从业人员数与本年的从业人员数的平均值。选取2000年作为起始年份，主要原因是中国2000年才开始进入老龄化社会。所有变量的统计描述如表1所示。

表1 变量的描述性统计

注：TFP的数值由下文经过计算得出。

四、全要素生产率(TFP)测算

在测算全要素生产率(TFP)的多种方法中，本文采用DEA-Malmquist指数法通过计算Malmquist生产率指数测算全要素生产率。与其他方法相比，该生产率指数具有无需提供要素价格信息、无需对生产无效率项的分布进行假设、无需事先设定生产函数形式等优点，而且可以通过对TFP增长进行因素分解来进一步揭示效率的来源，适合用面板数据[14]。利用1999-2013年31个省份的投入产出数据，并基于DEAP2.1软件进行Malmquist指数测算，可得出中国整体TFP增长率及其因素分解，结果如表2所示。

表2 2000-2013年中国整体TFP增长率及其因素分解

从表2中可以看出，第一，2000-2009年中国整体全要素生产率(TFP)总体上呈现持续增长的趋势，2010年后出现下降的趋势，主要原因是受国际金融危机的影响，2009年中国政府开始加大政府支出、扩大投资的力度，对技术进步产生挤出效应从而导致TFP的下降。第二，2000-2013年平均TFP指数为1.025，即年均增长率为2.5%，这一数据高于郭庆旺和贾俊雪的0.89%，与Wang&Yao的2.32%、张建华和王鹏的2.48%持平，低于张宇的4.43%，说明本文的测算结果在合理区间内。第三，TFP增长中技术进步指数和技术效率指数的平均值分别为1.031和0.993，说明中国出现了技术进步增强和技术效率降低的情况。在技术效率中，纯技术效率指数和规模效率指数的平均值分别为0.998和0.995，两个技术效率都在降低，规模效率降低的程度大于纯技术效率降低的程度。第四，2000年以来，中国TFP的提高主要是由技术进步导致的，技术进步指数的提高超过了技术效率指数的下降并对TFP的增长起核心作用，说明中国TFP的增长主要是生产前沿面的“外移”而不是向生产前沿面的“追赶”。第五，2000-2013年中国GDP的年均增长率为11.83%，TFP的年均增长率为2.5%，TFP增长率对中国GDP增长率的贡献度为21.13%。

由于资源禀赋、地理环境和政府政策等方面的不同，本文给出了中国31个省份TFP增长率及其因素分解，结果如表3所示。

表3 2000-2013年中国31个省份TFP增长率及其因素分解

续表3

从表3中可以看出，第一，31个省份中，除了河南、广西和西藏外，其余28个省份的TFP增长率均大于1，说明中国绝大多数省份的全要素生产率每年都在逐渐稳步增长。第二，31个省份的技术进步指数都大于1，说明中国所有省份的技术进步指数均在提高；而31个省份的技术效率指数中有14个省份大于1，17个省份小于1，纯技术效率指数与规模技术效率指数也是如此，说明中国大多数省份的技术效率指数在降低。由此可知，中国31个省份TFP增长的核心因素是由技术进步导致的，技术效率指数及其两个分解因素对TFP增长的作用较小。第三，各个省份的TFP增长率及其分解因素都具有显著的差异，TFP增长率最大的是上海1.064，最小的是西藏0.964；技术进步指数最大的是上海1.064，最小的是11个省份的1.020；技术效率指数最大的是江苏1.009，最小的是西藏0.939，说明中国各省份的技术进步差距明显，而西藏是技术进步最差的省份。

五、实证结果及分析

(一)回归结果分析

通过F检验和豪斯曼检验发现，本研究实证模型应该选择固定效应模型。表4给出了人口老龄化影响全要素生产率的实证结果。

模型(1)中仅包含了人口老龄化和GDP增长率两个变量，可以看到，人口老龄化对全要素生产率有着显著的负向影响，与理论分析结果一致。GDP增长率对全要素生产率也产生负向影响，但并没有通过显著性检验。

模型(2)仅包含了人口老龄化和要素投入比两个变量，发现人口老龄化仍然对全要素生产率有着显著的负向影响，但相对于模型(1)而言，显著性水平降低了，人口老龄化前面的系数绝对值有所下降。要素投入比对全要素生产率也产生负向影响，且通过了1%的显著性水平检验。此外，换成要素投入比之后R2从0.070 9迅速提高到了0.359 0，说明要素投入比的加入能够解释大部分数据变动。

模型(3)在模型(2)的基础上重新引入GDP增长率变量，发现人口老龄化对全要素生产率的影响转为正向，与其他5个模型的回归结果——负向效应都不同，且没有通过显著性检验，说明GDP增长率的引入不大正确导致该模型的结果不可信。同模型(1)一样，GDP增长率对全要素生产率仍产生负向影响，但这次通过了1%的显著性水平检验。要素投入比对全要素生产率也产生显著的负向影响。

模型(4)在模型(2)的基础上加入了另外一个全要素生产率重要的影响因素——R&D投入。在控制了R&D投入水平对全要素生产率的影响之后，人口老龄化对全要素生产率的影响仍然显著为负。与模型(2)相比，人口老龄化前面的系数几乎是一样，也都通过10%的显著性水平检验。要素投入比对全要素生产率的影响仍然是负向的，通过了1%的显著性水平检验。R&D投入对全要素生产率的影响也为负且通过了1%的显著性水平检验。此外，当引入R&D投入这一变量后，模型的解释力也增加了，R2达到了37.45%，说明人口老龄化、要素投入比和R&D投入这3个变量可以在一定程度上解释中国全要素生产率的变动。

表4 基于固定效应模型估计的人口老龄化对全要素生产率影响的实证结果

注：括号内的数字为标准误，***、**和*分别表示在1%、5%和10%的水平上变量显著。所有回归模型中均仅包含地区虚拟变量，不包含时间虚拟变量。

模型(5)在模型(4)的基础上进一步引入产业结构变量。当引入了产业结构这一变量后，发现人口老龄化对全要素生产率的影响仍然是负向的，但是没有通过显著性检验。而产业结构对全要素生产率的影响为正，且通过了1%的显著性水平检验，要素投入比和R&D投入对全要素生产率仍然产生显著的负向影响。

模型(6)在模型(4)的基础上进一步引入对外开放变量。在控制了R&D投入和对外开放对全要素生产率的影响后，人口老龄化对全要素生产率的影响仍然是负向的，但是没有通过显著性检验。而对外开放对全要素生产率产生负向的影响，且通过了5%的显著性水平检验。而要素投入比和R&D投入对全要素生产率仍然产生显著的负向影响。

(二)稳健性分析

为验证结论的稳健性，本文引入滞后效应和动态面板估计进行稳健性分析。

第一，考虑滞后效应。由于人口老龄化对全要素生产率的影响可能存在一定的滞后效应，故本文在实证模型的基础上，考虑将人口老龄化、GDP增长率、要素投入比和控制变量的滞后项作为各自变量的工具变量，这样既降低了当期变量的内生性问题，也使寻找工具变量的难度降低。

第二，动态面板估计。由于当期全要素生产率可能受到前期全要素生产率的影响，因此除了考虑自变量的滞后效应，本文还引入全要素生产率的一阶滞后项，将其扩展为动态面板数据模型，采用差分GMM方法进行估计。

进行差分GMM方法估计时，分别使用TFP的2-3阶滞后作为GMM式工具变量，使用自变量的1-2阶滞后作为GMM式工具变量，同时对所有模型进行残差序列相关性检验和Hansen检验，估计结果如表5所示。残差序列相关性检验表明，除了模型(1)外，其他5个模型的随机误差项的差分都只存在一阶序列相关但不存在二阶序列相关性，故其随机误差项无序列相关性。Hansen检验表明，在5%的显著性水平上，模型的所有工具变量均有效。

表5 稳健性分析结果

注：括号内的数字为p值，***、**和*分别表示在1%、5%和10%的水平上变量显著。

表5中的所有模型都与表4中的一一对应，对表4中的模型进行稳健性检验。模型(1)由于AR(2)的p值为0.000，拒绝随机误差项无相关性的假设，故该模型估计的结果不可信。与表4中的模型相比，表5中其他5个模型的结果基本一致，通过显著性检验的变量对全要素生产率影响的方向不变，仅变量前的系数有一定变化。人口老龄化对全要素生产率的影响仍产生显著的负向效应，只是人口老龄化前的系数有所变化，说明本文的回归结果是比较稳健的。要素投入比依然是影响全要素生产率的重要因素，对全要素生产率产生显著的负向影响。3个控制变量与表4中的回归结果并无太大差异，基本上就是系数变化和通过的显著性水平有一定的改变，故对全要素生产率的影响效应也一致。

六、结论与对策建议

本文基于2000-2013年中国31个省市的面板数据，考察了中国省际全要素生产率的变化和人口老龄化对中国全要素生产率的影响。通过样本检验得出如下结论：中国2000-2013年全要素生产率的年均增长率为2.5%，技术进步是引致中国全要素生产率变动的主要动力，技术效率的作用极其有限。要素投入比对全要素生产率产生负向影响，与理论分析的结论一致，说明中国依赖要素投入增加这种经济增长方式，会导致技术进步的减缓，弱化内部效率的改善。R&D投入对全要素生产率产生负向影响，导致实证分析与理论分析结果相悖，一个可能的原因是不完善的市场环境(国有资本仍占较大比重)导致各地区R&D投入的使用没有得到合理配置，出现扭曲。对外开放对全要素生产率的影响为负，这与理论分析不一致，一个可能的原因是中国产品处于微笑曲线的最低端，国外市场看中的是中国的廉价劳动力，中国出口的商品技术含量比较低。产业结构对全要素生产率的影响为正，这与理论分析相符，说明第三产业占GDP比重的增加有利于促进技术进步、提高全要素生产率。总的来说，人口老龄化对全要素生产率产生显著负向影响，结果稳健。这可能与以下原因有关：一是人口老龄化导致我国人口出生率下降，引起我国中青年人口比重日益缩小，老年人口比重增加，而中青年时期特别是20～40岁时期又是产生重大科技创新的黄金期，创新人口基数的减少和劳动力队伍的大龄化引起的劳动力素质下降，在一定程度上成为制约中国全要素生产率提高的重要原因。二是受计划生育政策的影响以及受教育程度的提高，中国进入劳动年龄人口的初始年龄不断提高，同时，单位抚养老年人口的劳动年龄人口基数不断下降，使得他们承受了很重的负担，对科技人才发明创造和劳动者技术熟练程度的提高产生不利影响，从而阻碍了全社会的技术进步。三是人口老龄化带来劳动力供给的相对减少引起工资上涨，导致企业劳动力成本和企业社会保障缴费的提高，进而增加企业经营成本，对企业加大研发投入、推动科技创新形成掣肘。然而，人口老龄化是一把双刃剑，除了会给社会带来沉重的养老负担、阻碍经济发展速度与质量等影响外，还会促进老龄产业的兴起和发展，创造新的就业机会，推动技术进步和全要素生产率的提高。从发达国家的实践特别是日本的实践经验来看，只要政策措施得当(如完善基本养老、医疗制度，拓宽养老金融资渠道，重视老龄产业的发展等)，人口老龄化所带来的问题解决得好，对技术进步不仅不会构成严重威胁，甚至还会起到某种促进作用。在中国人口老龄化日益严重的形势下，本文认为，通过广泛普及教育，促进城乡和跨区域人口流动，同时健全完善的医疗、退休等社保政策，不断提高对外开放的水平和质量，优化产业结构等来实现资源的优化配置，是促进全要生产率可持续发展的重要保障。

为此，本文提出以下对策建议：一是各级政府要高度重视人口老龄化对经济社会的影响，将其作为经济决策的重要基础和前提，通过强化教育、完善科技创新体制机制、激发大众创业万众创新活力，提高全要素生产率，实现经济发展方式从依靠要素投入转向依靠创新驱动经济增长之路。二是充分考虑我国人口老龄化特征，适时调整产业结构，大力发展高龄社会所需的老龄产业。老龄产业涉及老龄用品、老龄服务等产业，是一二三产业高度融合的综合性产业。人口老龄化产生的海量人口决定了我国人口老龄化产业的巨大发展潜力，而且老龄产业还可以通过提供低成本和高技术的老龄产品和服务带动生物、医疗、信息等高技术产业的飞速发展，从而促使全社会全要素生产率的提高。三是根据各类教育适龄人口的变化趋势与特征，加快教育结构调整，开展职业教育和终身教育，通过提升教育人力资本，来实现人口质量的提高对人口数量减少之间的相互替代。四是建立健全更加灵活、更具弹性的延迟退休制度，加大对卫生医疗的财政投入，提高老年人的生活质量和健康水平，在全社会树立“老骥伏枥”的观念，出台相应政策措施，引导和激励有工作能力的老年人继续在工作岗位上发挥余热，从而实现老年人力资源的健康有序开发。五是深化户籍制度和社会养老制度改革，扩大社会养老覆盖面，建立城乡更加均等化的社会保障体系，破除阻碍城乡和跨区域劳动力迁徙流动的体制机制，实现农村剩余劳动力向城镇的转移。

[1]田雪原, 胡伟略, 杨永超.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[J]. 中国人口科学, 1990(6):59-62.

[2]GROEZEN B, MEIJDAM L, VERBON H. Serving the Old: Aging and Economic Growth [J]. Oxford Economic Papers, 2005 (57): 647-663.

[3]张鹏.中国人口年龄结构转变对经济增长的影响研究[D]. 天津：南开大学, 2013.

[4]匡远配, 陈梅美. 农村人口老龄化对农业全要素生产率影响的实证分析[J]. 燕山大学学报(哲学社会科学版), 2015, 16(1):15-21.

[5]LINDH T, BO M. Age Structure Effects and Growth in the OECD, 1950-1990[J]. Journal of Population Economics, 2008, 12(3):431-449.

[6]FEYRER J. Demographics and Productivity[J]. The Review of Economics and Statistics, 2007, 89(1): 100-109.

[7]于学军.中国人口老化对经济发展的影响:是积极的?还是消极的?[J]. 人口研究, 1995(4):1-6.

[8]张晓青.人口年龄结构对区域经济增长的影响研究[J]. 中国人口·资源与环境, 2009, 19(5):100-103.

[9]FEYRER J. Aggregate Evidence on the Link between Age Structure and Productivity[J]. Population and Development Review, 2008, 34: 78-99.

[10]OSTER S M, HAMERMESH D S. Aging and Productivity among Economists [J]. Review of Economics and Statistics, 1998, 80(1): 154-156.

[11]BAYER A E, DUTTON J E. Career Age and Research-Professional Activities of Academic Scientists: Tests of Alternative Nonlinear Models and Some Implications for Higher Education Faculty Policies[J]. The Journal of Higher Education, 1977，48(3):259-282.

[12]BRATSBERG B, RAGAN JR J F, WARREN J T. Negative Returns to Seniority: New Evidence in Academic Markets [J].Industrial and Labor Relations Review, 2003，56(2): 306-323.

[13]ANDERSSON B, HOLMLUND B, LINDH T. Labor Productivity, Age and Education in Swedish Mining and Manufacturing 1985-1996[DB/OL].[2008-05-01].http://web combem se/thomas lindh/ageduccaed.pdf.

[14]陈心颖.人口集聚对区域劳动生产率的异质性影响[J]. 人口研究, 2015, 39(1):85-95.

【责任编辑 郭 玲】

Empirical Analysis of the Impact of Population Aging on Technology Progress

GUO Rui-dong1,2, ZHAO Ling-rui1

(1.Graduate School,Chinese Academy of Social Sciences, Beijing 102488;2.Institute of Finance and Trade Economics, Hebei Academy of Social Sciences, Shijiazhuang,Hebei 050051, China)

In this paper, total factor productivity and its factors of China’s 31 provinces were firstly calculated by using DEA-Malmquist index approach. Then China’s provincial data was used to empirically research for the impact of population aging on total factor productivity. The calculation of total factor productivity showed that annual growth rate of China’s total factor productivity from 2000 to 2013 was 2.5%, and technological progress was the main drive improving total factor productivity while the effect of technological efficiency was limited. The results of empirical research found that population aging had a negative effect on total factor productivity, namely, population aging would restrict the improvement of total factor productivity. In addition, the results of empirical research indicated that GDP growth rate, factor inputs ratio, R&D inputs and openness had negative effects on total factor productivity, while industrial structure had a positive effect on total factor productivity.

population aging; DEA-Malmquist; total factor productivity

2016-12-25

国家软科学项目“推进创新驱动发展的关键问题”(2014GXS1B003)；河北省软科学项目“河北创新驱动发展影响因素的计量分析与路径选择”(164576183D)

郭瑞东(1981—)，男，河北石家庄人，中国社会科学院研究生院技术经济及管理专业博士研究生，河北省社会科学院财贸所助理研究员，主要研究方向：技术经济学。

F069.9

A

1005-6378(2017)03-0126-10

10.3969/j.issn.1005-6378.2017.03.018