人口老龄化、科技创新与新型城镇化的关系研究——基于省际面板数据的PVAR实证分析

(中南大学 商学院, 湖南 长沙 410083)

一、引言及文献综述

新型城镇化是综合考虑人口、经济、社会、空间、生态协调发展的城镇化,推进新型城镇化建设是城镇化发展从速度到质量的重要转变。新常态下,科技创新是提高经济发展水平的强大支撑,由要素、投资驱动转变为创新驱动是建设新型城镇化重要推力。另一方面,我国自2000年进入老龄化社会(5)联合国标准:60岁及以上人口占总人口比例达到10%,或65岁及以上人口占总人口比重达到7%,则该国家或地区进入到老龄化社会。,现今已迈向严重老龄化社会。老龄化导致劳动力供给减少、质量下降,影响经济发展和产业结构转变,并进一步影响科技创新和新型城镇化的建设。人口老龄化、科技创新与新型城镇化三者间的关系值得探讨。

已有研究中,国内外学者对人口老龄化、科技创新及城镇化两两间的关系有了初步探讨。人口老龄化与科技创新方面,学者未得出一致结论。姚东旻、宁静等认为,人口老龄化通过影响人力资本而抑制科技创新[1];也有学者认为老龄化能使社会经济增长方式发生转变,引发社会资源重新配置,倒逼科技创新[2-3]。另一些学者则认为,人口老龄化与科技创新呈倒“U”型关系[4-6]。科技创新与城镇化方面,有学者认为,科技创新对城镇化具有正向影响[7-9],但新型城镇化方面的研究较缺乏。每一次科技革命都催生了新的产业和城镇[10],技术创新能促进产业优化升级,进而推动城镇化的发展[11-12],同时,城镇化也能为科技创新提供良好的外部条件[13-15]。人口老龄化与城镇化方面,国内外的研究都较少,一方面,黄晓梅和黄新明[16]认为,人口老龄化通过影响人口自然增长和降低劳动力供给等方面影响了城镇化的发展速度与发展质量;另一方面,乔谷阳[17]通过问卷调查研究发现,城镇化能显著促进人口老龄化,但并未详述其影响机制。

综上可知,对于传统城镇化的研究已有一定进展,但关于人口老龄化、科技创新和新型城镇化之间的研究十分稀少。因此本文把三者结合起来研究具有创新性。本文以中国省际面板数据为基础,构建面板向量自回归模型(Panel VAR),深入探究三者之间的动态影响关系和机制,在一定程度上能弥补已有研究的不足。

二、变量选取与数据说明

(一)变量选取

1.人口老龄化(aging)与科技创新(inno)。老龄人口抚养比能反映老龄化带来的经济负担,这一指标被越众多学者用以衡量人口老龄化程度,因此本文采用老龄人口抚养比表示人口老龄化程度。另外,本文基于数据的可得性,参考宛群超和邓峰[18]、李光明和刘丹玉[2]的研究,选取最具代表性的专利授权数来表示科技创新能力。

2.新型城镇化水平(urb)。新型城镇化是一个多层面、多维度的概念体系,本文参考冯严超[19]、谢锐[20]、李政通[21]的研究思路,从人口、经济、空间、社会、生态等五个维度构建了23个指标体系来衡量新型城镇化水平,指标的权重采用熵值法进行计算,由于篇幅限制,计算过程省略(表1)。

表1 新型城镇化水平测算指标体系

(二)数据说明

基于建模的需要和数据可得性,本文样本时间区间为2005—2017年,取除西藏、港澳台之外中国30个省份13年间的面板数据。其中老龄化数据来自中国统计局官网、科技创新数据来自历年《中国科技统计年鉴》,新型城镇化相关指标数据来自中国统计局官网、历年《中国环境统计年鉴》、《中国人口与就业统计年鉴》、各省份统计年鉴及政府统计公报,部分缺失数据利用插值法补全。

本文所用数据为各个省、自治区、直辖市的2005—2017年的新型城镇化水平、科技创新和人口老龄化的数据,各个变量都有390个观测值。为了消除异方差的影响,首先对科技创新进行对数处理后再进行下面数据分析。其中urb表示新型城镇化水平,lninno表示科技创新能力的对数,aging表示人口老龄化程度。变量统计特征如(表2)。

表2 变量描述性统计

三、实证分析

(一)模型设定与平稳性检验

本文采用PVAR方法研究人口老龄化、科技创新和新型城镇化之间互动关系。PVAR模型最早由Holtz-Eakin[22]提出,该模型综合了VAR方法和面板数据分析的优势,能真实地揭示各变量间的动态影响。PVAR模型的被解释变量为原时间序列变量,解释变量为原始变量的P阶滞后值,即PVAR模型由其原有变量及其滞后阶数决定。假设有一组面板数据变量Y1it,Y2it,…,Ykit,其向量形式为

t=1,2,…,Ti

(1)

在本文中,包含三个时间序列变量,人口老龄化(agingit)、科技创新(lninnoit)和新型城镇化(urbit),因此可构建如下模型:

(2)

其中,Yit=agingit,lninnoit,urb′it为3×1维列向量的系统变量矩阵,i表示样本涉及省份,t表示样本涉及年份,αi和βi分别表示省级层面3×1维的个体固定效应和时间效应列向量,γ0为截距项向量,γj表示滞后第j阶参数矩阵,p表示滞后阶数,滞后阶数根据AIC准则确定,εit为随机误差项。

采用LLC和IPS方法对变量进行平稳性检验，结果显示变量均平稳，即不存在单位根。

(二)PVAR模型估计

首先根据AIC准则,确定模型最佳滞后阶数为2阶,然后进行模型估计。h_urb,h_lninno,h_aging代表采用Helmert变换消除固定效应后的变量,L.h_urb,L2.h_urb 代表h_urb的一阶滞后和二阶滞后,其他变量同理。b_GMM 表示采用广义矩估计得到的估计系数,t_GMM为 t 统计量。估计结果显示如表3。

结果显示,以新型城镇化为被解释变量时,其本身滞后一、二阶对其均有正面影响,科技创新滞后一阶、二阶对新型城镇化影响不显著,说明我国科技创新对新型城镇化的促进作用并不明显,人口老龄化滞后一阶和二阶对新型城镇化均有显著负面影响。以科技创新为被解释变量时,科技创新滞后一阶对其有正面影响,滞后二阶不显著,人口老龄化滞后一阶和滞后二阶对其则均为负面影响。新型城镇化水平滞后一阶结果不显著,滞后二阶对其有显著的正面影响,说明短期来看新型城镇化对科技创新的促进效果不明显,但长期来看,具有促进作用。以老龄人口抚养比为解释变量时,其本身滞后一阶对其有正面影响,而科技创新、新型城镇化水平滞后一阶、二阶对其影响均不显著,因此单从回归结果来看,科技创新与新型城镇化对人口老龄化的作用不明显。

表3 PVAR模型估计结果

注: *** 表示在1%的水平下显著。

图1 科技创新、人口老龄化对新型城镇化的脉冲响应图

(三)脉冲响应

脉冲响应衡量了冲击对某个变量在不同时期的影响程度。每个图中的中间线表示脉冲响应函数的估计曲线,上下两虚线分别表示95% 和 5% 置信区间,横轴表示冲击作用的滞后期数,纵轴表示冲击的大小程度。

图1表示lninno和aging对urb的动态影响,可看出科技创新对新型城镇化水平的影响在2期之前为负,随后转为正,在4期达到最大,之后影响效应下降,在8期以后趋向于零。表明科技创新对新型城镇化的影响存在滞后效应,长期而言,科技创新能促进新型城镇化的发展。人口老龄化对新型城镇化的影响则一直为负,在4到6期达到最大,说明人口老龄化一直对新型城镇化有明显抑制作用。人口老龄化一方面降低人口迁移速度,另一方面降低劳动力供给,阻碍人力资本积累,增加社会成本,影响产业结构升级,给城镇化速度和质量均带来负面影响。

图2表示urb和aging对lninno的动态影响,可看出新型城镇化水平对科技创新的影响一直为正,在2期达到最大。这是由于新型城镇化的建设能带来更多的物质资本和人力资本投入,城镇化水平越高,基础设施越完善,资本及产业的集聚效应越强,从而为科技创新提供更好的条件[23]。人口老龄化对科技创新的影响一直为负,在3到4期达到最大,阻碍作用较为显著。因为人口老龄化一方面减少了劳动力供给,增加了政府财政在人口老龄保障方面的公共支出,使财政负担加重,侵占了科研和教育方面的财政支出。另一方面,老龄人口身体素质下降,脑力和技能都不如年轻人,创新能力和意愿明显下降,这些因素都抑制了科技创新的发展。

图2 新型城镇化、人口老龄化对科技创新的脉冲响应图

图3 新型城镇化、科技创新对人口老龄化影响的脉冲图

图3表示urb和lninno对aging的动态影响,新型城镇化水平对人口老龄化的影响期以由负转正,后趋于稳定。说明新型城镇化在短期能缓解人口老龄化,而长期看会加剧人口老龄化程度。这是由于在新型城镇化推进初期,大量青年劳动力转移到城市,降低了城市人口老龄化程度,而随着新型城镇化的进一步建设和成熟,教育、医疗、经济水平的提高对人口老龄化产生了正向影响。科技创新对人口老龄化的影响在由负转正,并趋近于零。这是由于科技的创新初期提高了人口容量,从而降低老龄化程度。但长期而言,人口老龄化是不可逆转的趋势。尽管如此,发展科技创新依然是应对人口老龄化的重要突破口,通过科技创新实现智慧养老,降低对人力资本的依赖,能够为解决人口老龄化带来的一系列社会问题提供重要贡献。

(四)方差分解分析

方差分解描述了VAR模型中误差自身冲击与其他变量冲击而导致变动的相对比例,本文运用方差分解以直观地看出人口老龄化、科技创新与新型城镇化三者相互影响的贡献程度。本文取10期、20期和30期三个预测期,表4数据表示了列变量对行变量的变动在不同期的影响度。

结果显示,新型城镇化的变化主要来自于其自身和人口老龄化的冲击,在第10期,新型城镇化的自身冲击贡献度达到48.57%,人口老龄化对其贡献度高于其自身贡献,达到51.18%,而科技创新对其贡献很小,只有0.25%。在第20期、30期结果与第10期相近。科技创新的变化受人口老龄化冲击最大。人口老龄化对科技创新变化的贡献超过50%,科技创新受其自身冲击的影响在33%左右,新型城镇化的影响贡献度为12%左右。

表4 预测方差分解结果

可见,人口老龄化是影响科技创新最重要的因素,新型城镇化的正向作用相对人口老龄化的负向作用影响小很多。人口老龄化的变化主要来源于其自身的冲击,超过90%,表明人口老龄化是不可阻挡的趋势,受其他因素的影响很小,如何应对人口老龄化趋势是亟待解决的难题。

四、结论与建议

本文利用PVAR模型对人口老龄化、科技创新与新型城镇化的动态关系进行了分析,发现人口老龄化抑制新型城镇化的发展,不利于新型城镇化的推进,同时人口老龄化通过影响劳动力的数量和质量、制约人力资本积累等各方面阻碍了科技创新的发展,科技创新对新型城镇化的促进作用具有滞后效应,但长期看来科技创新有利于新型城镇化的建设,能缓解人口老龄化对新型城镇化的影响。根据以上结论,提出以下建议。

第一,积极应对人口老龄化趋势,寻求发展新契机。一方面,应积极应对养老问题,发挥科技创新与新型城镇化的优势,可以依靠科技创新提高医疗水平,促进互联网、人工智能、大数据等先进技术在老龄产业中的应用,实现养老方式多元化。利用新型城镇化的契机,为老龄人提供更便捷养老环境。另一方面,人口老龄化形成的“银发经济”带来了经济发展的新机遇,要抓住这一机遇,挖掘老龄人口的消费潜力,形成新的经济增长点,推动社会的发展。

第二,以科技创新为支撑,推进新型城镇化建设。科技创新能够提高资源利用效率、促进产业结构升级,给新型城镇化的发展提供良好的驱动力,推进新型城镇化应以科技创新为重要支撑。一方面,政府应该积极优化科技创新的政策环境,加大教育和科研投入,为其发展提供良好的物质和人力支撑。另一方面,应促进科技创新与新型城镇化的融合,依靠科技创新提高资源利用效率和人们生活质量,建设科技驱动型新型城镇化,打造智慧生态型城市。□