人口红利、技术进步与中等收入陷阱—来自中国经验的实证

肖 营

（广州商学院 广州 511363）

引言

美国经济学家Geoffrey在2004年论证了在高收入国家技术前沿优势与低收入国家劳动力成本优势的夹缝间， 中等收入国家比较优势缺失会给其带来高失业与经济增长缓慢的影响。Gill和Kharas在2007年的《东亚复兴：关于经济增长的观点》报告中正式提出“中等收入陷阱”概念（周建锋，2019）。此后中等收入陷阱受到了多个国家（地区）的重视，特别是我国进入经济新常态后，经济增长速度下滑，居民收入水平增长速度也下降，因此很多学者认为我国进入了中等收入陷阱（张云亮等，2019）。2013年我国国家统计局提出，我国劳动年龄人口出现下降，劳动年龄人口已经远远低于2012年，但人口红利减弱是否加快了我国进入中等收入陷阱的速度仍需要进一步的验证。而伴随着劳动力密集型产业向技术密集型产业的转变，我国政府扩大了在技术研发方面的投资力度，以促进我国技术水平提升（王燕等，2019）。在此背景下，本文探究人口红利、技术进步与中等收入陷阱之间的关联性，就具有一定的必要性和重要性了。本文基于我国28个省市区面板数据，构建空间滞后模型（SAR）、空间误差模型（SEM），探究人口红利、技术进步与中等收入陷阱之间的关联性。

文献综述

已有关于人口红利、技术进步与中等收入陷阱的研究文献并不多见。王晖等（2017）从技术进步、产业结构升级、人口红利的角度探究如何跨越中等收入陷阱，他认为人是财富积累的最终动力和源泉，所以人口规模的扩大，带动人口红利增加能够帮助我国跨越中等收入陷阱，此外他认为技术进步、产业结构升级对提升地区居民收入水平具有显著的作用，因而也能够在一定程度上缩小地区间收入差距，从而帮助我国跨越中等收入陷阱。郭丹丹（2017）基于我国1997-2016年的时间序列数据，选择技术创新、人口规模、居民收入水平构建了VAR模型探究技术进步、人口红利对中等收入陷阱的影响，结果表明技术进步、人口红利扩大能够降低我国落于中等收入陷阱的风险。李红（2018）利用我国2000-2017年的时间序列数据，对人口红利与中等收入陷阱的关联性进行理论与实证分析，认为我国开放二胎政策能够促进人口红利规模扩大，进而帮助我国走出中等收入陷阱。王燕等（2019）从人口红利和技术进步视角探究我国是否存在中等收入陷阱以及二者对中等收入陷阱的影响，结果表明人口红利能够抑制中等收入陷阱的出现，而技术进步对中等收入陷阱并没有显著的影响。

已有研究多采用时间序列数据探究人口红利、技术进步对中等收入陷阱的影响，忽略了地区间的差异并且没有考虑到居民收入的空间关联性。基于此，本文构建空间面板数据模型探究三者之间的关联性。

表1 全局莫兰指数测算结果

关联性实证分析

（一）变量选取与数据来源

本文的研究主题是人口红利、技术进步与中等收入陷阱之间的关联性。中等收入陷阱是指一个国家（地区）发展到中等收入阶段（人均国内生产总值3000美元左右）后，可能出现两种结果：持续发展，逐渐成为发达国家；出现贫富悬殊、环境恶化甚至社会动荡等问题，导致经济发展徘徊不前，后一种结果称走入了中等收入陷阱。基尼系数是国际上最常用的衡量国家（地区）收入差距的变量，基尼系数最大为“1”，最小等于“0”，基尼系数越接近0表明收入分配越是趋向平均。国际惯例把0.2以下视为收入绝对平均，0.2-0.3视为收入比较平均；0.3-0.4视为收入相对合理；0.4-0.5视为收入差距较大，当基尼系数达到0.5以上时，则表示收入悬殊（晏月平等，2018）。基于此，本文使用基尼系数作为被解释变量，1997-2017年我国28个省市（西藏、内蒙古、青海、香港、澳门、台湾等地除外）的基尼系数使用jn表示。人口红利表示人口规模扩大到一定程度，能够带动地区消费、产业结构发展，进而促进地区经济发展水平提升（郑绪涛，2017），因此本文使用地区常住人口数量表示，用peo表示，为避免可能存在的异方差性，本文进行了取对数处理，结果用lnpeo表示。技术进步表示地区科技研发水平，本文使用地区研发投入（R&D经费投资）占地区生产总值的比重表示，用rd表示。此外，考虑到基尼系数可能会受到地区产业结构、商贸流通产业发展水平、城镇化水平以及教育水平（本科以上入学率）影响，分别使用cy、lnsm、cz、jy表示。以上数据均来源于国家统计局、wind数据库。

（二）空间权重矩阵的构建

1.邻接空间权重矩阵。该矩阵的构造原理在于区域i与区域j之间是否有公共边界或顶点，若存在公共边界或顶点则取值为1，无边界或顶点取值为0（李豫新等，2017）。空间权重矩阵如下所示：

考虑到本文研究环境质量的实际情况，本文在邻接空间权重矩阵中将海南省设为与广东省相邻。

2.经济距离权重矩阵。本文以1997-2017年我国28个省市（西藏、内蒙古、青海、香港、澳门、台湾等地除外）的GDP总额，以1997年为基期进行了平减，随后构建经济距离矩阵（王辉，2017）。构建方法如下所示：

其中，rji为基于球面距离的地理距离矩阵，GDP为1997-2017年28个省市折算成现值后的平均值。

（三）空间自相关性检验

空间计量模型不同于普通面板数据模型，它要求数据呈现出一定的空间特征，因此在进行空间计量分析之前必须对数据的空间集聚性进行测度，也就是说要进行空间自相关性检验（张鑫，2015）。当前主要的空间自相关性检验方法是莫兰指数，其原理如方程（3）所示：

为了对28个省市居民收入水平的空间集聚特征进行检验，本文分别使用地理邻接权重矩阵和经济距离权重矩阵进行全局莫兰指数测算，结果如表1所示。

如表1所示，1997-2017年的地理邻接权重矩阵的全局莫兰指数的P值均低于0.1，说明28个省市的基尼系数水平呈现出显著的空间集聚特征；而经济距离权重矩阵的全局莫兰指数的P值也均低于0.1，再次说明了28个省市的基尼系数水平呈现出显著的空间集聚特征。考虑到地区基尼系数水平受到经济发展水平的影响，因此本文以经济距离权重矩阵为主，地理邻接权重矩阵仅为对比。1997年全局莫兰指数为0.545，1998-2010年全局莫兰指数呈现波动上升趋势，2011-2017全局莫兰指数呈现稳步上升趋势，说明1997年以来我国28个地区基尼系数水平的空间集聚特征呈现明显的增强趋势。

全局莫兰指数仅能够说明变量存在空间自相关性，并不能明显表示出具体地区的空间集聚特征，因此本文以经济距离矩阵为基础测算了我国28个省市的局域莫兰指数并制作成局域莫兰LISA图（图略，可向作者索取）。

局域莫兰指数分为四种特征：其一是位于第一象限，表示高观测值地区被高观测值地区所包围；其二位于第二象限，表示低观测值地区被高观测值地区所包围；其三是位于第三象限，表示低观测值地区被低观测值地区所包围；其四是位于第四象限，表示高观测值地区被低观测值地区所包围。本文所制作的1997、2012、2017年局域莫兰LISA图中High-High表示高观测值地区被高观测值地区所包围，而High-High（significant）表示其中显著的地区；Low-High表示低观测值地区被高观测值地区所包围，而Low-High（significant）表示其中显著的地区；Low-Low表示低观测值地区被低观测值地区所包围，Low-Low（significant）表示其中显著的地区；High-Low表示高观测值地区被低观测值地区所包围，High-Low（significant）表示其中显著的地区。

我国的28个省市中High-High地区多位于东部地区，其中北京、天津、浙江、江苏、广东等地区为局域莫兰指数显著的地区；Low-High型地区主要为黑龙江、河北、辽宁等地区，其中河北、辽宁等地区为显著的地区；Low-Low型地区主要为山西、河南、河北、云南等中部省市，其中山西、河南等地区为显著地区；High-Low型地区主为四川、重庆、贵州，其中四川、贵州等地为显著型地区。

表2 空间计量模型回归结果

（四）空间计量模型回归结果

空间自相关检验结果表明，我国28个省市的基尼系数水平呈现出明显的空间自相关性，因此本文使用空间滞后模型（SAR）、空间误差模型（SEM）进行回归分析，结果如表2所示。

如表2所示，本文分别进行了OLS回归、SAR模型的固定和随机效应回归、SEM模型的固定和随机效应回归，由于被解释变量（jn）存在空间自相关性，所以OLS回归存在偏差，因此结果以SAR模型和SEM模型为主。SAR模型的固定效应和随机效应的R2分别为0.558和0.454，并且Log-likelihood值分别为-171.331和-165.708，说明固定效应结果优于随机效应，因此结果以固定效应为主，同理可知SEM模型的结果以固定效应为主；随后对比SAR模型和SEM模型的R2和Log-likelihood值可知，SEM模型的结果优于SAR模型，因此本文的回归结果以SEM模型的固定效应结果为主，其它回归结果仅为对比作用。

lnpeo的回归系数为-0.554且在1%的水平上显著，说明人口规模与基尼系数之间为显著的负相关关系，由此说明人口红利的扩大能够降低基尼系数，通过人口红利的延续可以帮助国家（地区）走出中等收入陷阱。rd的回归系数为-0.763且在5%的显著性水平上显著，说明技术进步与基尼系数之间为显著的负相关关系，技术进步能够缩小地区之间收入差距，进而促进我国各地区走出中等收入陷阱。产业结构（cy）与基尼系数之间的回归系数为-0.503且在1%的水平上显著，说明产业结构升级能够降低基尼系数水平；商贸流通产业发展水平（lnsm）与基尼系数的回归系数为-0.625但不显著，说明商贸流通产业发展水平对基尼系数没有显著的影响；城镇化水平（cz）与基尼系数之间的回归系数为0.090且在10%的水平上显著，说明城镇化水平促进了基尼系数扩大；教育水平（jy）与基尼系数之间的相关系数为-0.008，说明教育水平提升能够降低基尼系数。

结论与政策建议

（一）结论

基于上述实证分析，本文得出以下结论：1997年以来，我国28个省市基尼系数水平的空间集聚特征呈现明显的增强趋势。其中，High-High地区多位于东部地区，其中北京、天津、浙江、江苏、广东等地区为局域莫兰指数显著的地区；Low-High型地区主要为黑龙江、河北、辽宁等地区，其中河北、辽宁等地区为显著的地区；Low-Low型地区主要为山西、河南、河北、云南等中部省市，其中山西、河南等地区为显著地区；High-Low型地区主为四川、重庆、贵州，其中四川、贵州等地为显著型地区；人口规模与基尼系数之间为显著的负相关关系，由此说明人口红利的扩大能够降低基尼系数，通过人口红利的延续可以帮助国家（地区）走出中等收入陷阱；技术进步与基尼系数之间为显著的负相关关系，技术进步能够缩小地区之间收入差距，进而促进我国各地区走出中等收入陷阱；产业结构升级能够降低基尼系数水平、商贸流通产业发展水平对基尼系数没有显著的影响，城镇化水平促进了基尼系数扩大、教育水平提升能够降低基尼系数。

（二）建议

由此，本文提出以下几点政策建议：第一，促进人口增长，维持人口红利。本文实证分析表明人口红利规模扩大能够在一定程度上降低基尼系数水平，为此我国政府应该实行二胎政策，促进地区人口增长，维持地区人口红利水平。第二，扩大投资，促进地区科研水平提升。本文实证分析表明技术进步能够显著地降低基尼系数水平，因此我国各地区政府应该扩大财政收入在科研上的投入力度，进而降低基尼系数水平（张德荣，2013）。第三，调控城镇化进程，避免过度城镇化。本文实证分析表明我国城镇化水平在一定程度上加剧了基尼系数水平上升，为此我国各地区政府应该调控城镇化进程，避免过度城镇化的出现，依靠城镇化水平提升促进地区经济发展，提升居民收入。