劳动力年龄对技术创新的影响研究——基于238 个城市面板数据的实证分析

袁玺葳

（南通大学 经济与管理学院,江苏 南通 226000）

一、引言

随着经济和社会的发展,人口出生率和死亡率下降,中国人口结构发生了显著的变化,老年人口数增速逐渐加快,老年人在总人口中占比越来越大。人口年龄结构是一个动态演变的过程,不断加剧的人口老龄化在一定时间后,不但会导致劳动力人口的比重下降,而且劳动力人口的平均年龄也呈现老龄化趋势。根据全国人口普查和1%人口抽样调查统计资料,我国15～59 岁劳动力比重在2010年达到峰值69.6%,此后逐年回落,至2015 年劳动力人口占比67.3%;同时,2000—2015 年间,劳动力平均年龄已从34 岁上升到37 岁。

随着中国“人口红利”的逐渐消失,创新的驱动作用日益凸显,经济增长对技术创新的倚重加强。但是,劳动人口年龄的变化是否会影响技术创新水平呢? 由于劳动年龄人口数量变化的影响比较直观,相关研究主要落在年龄结构与创新的关系上。目前学者们对于不同年龄阶段的劳动力对创新的贡献程度仍存在争议。一些学者认为,高龄员工具有的人力资本特点使其创新能力难以适应新工作和新领域,创新需要的是年轻劳动力。Prskawetz 等（2006）[1]和Fent 等（2008）[2]研究了欧盟国家同时期的新技术采用情况,发现15～29 岁的人口越多,国家越倾向于采用前沿技术。康建英（2010）[3]的研究进一步佐证了这个观点,认为老年劳动力对技术的吸纳能力和追赶能力不足,不利于技术创新。另一部分学者认为,年龄的增长会让员工积累更多工作经验,提升自身能力,一定范围内有助于创新水平的提高。比如赵昕东和李林（2016）[4]的研究发现,40～49 岁劳动力对全要素生产率的贡献率最大,50～59 岁劳动力比例的持续升高会导致老龄化对全要素生产率产生抑制作用。Bönte 等（2009）[5]对德国人口结构和企业类型的研究综合了上述观点,他们发现高科技企业的创立和所在地区的年龄结构高度相关,20 岁左右及40～50 岁的人口比例越大,该区域新成立的高科技企业数量越多,说明创新既需要年轻人前沿的知识和新思想,也需要中年人丰富的工作经验。

另外还有学者直接从老龄化的角度讨论年龄对创新的影响,采用老年抚养比以及65 岁以上人口占总人口比重等指标来衡量社会人口老龄化程度,探究其对创新的作用,也得出了不同的结论。一些学者认为老龄化抑制了创新水平,如姚东旻等（2017）[6]、金昊和赵青霞（2019）[7]。也有一些学者持积极态度,如王笳旭等（2017）[8]以及吕翠翠（2019）[9]发现老龄化能够通过技术创新抵消对经济增长的不利影响。高越（2017）[10]、黄乾等（2018）[11]的研究结论与上述两种观点又有所区别,他们的研究认为老龄化与创新之间存在“驼峰型”关系。

据上所述,当前针对年龄与创新关系的相关议题研究还比较少,一些文献直接从老龄化角度来讨论这个问题,在针对性上有所欠缺。因为老龄化问题包括社会人口老龄化、劳动力老龄化和老年人口高龄化三个方面,劳动力老龄化和社会人口老龄化在直接原因、老龄化程度、因果关系等方面都有较大区别。劳动力要素是社会生产的基本要素,劳动年龄人口老化会更直接地作用在区域创新和经济增长上。虽然也有少数文献直接从劳动力年龄结构角度展开研究,却得出相悖的结论。其原因可能与相关研究大多采用国家级、省级的宏观数据,研究不够细分有关。据此,本文做了进一步改进,利用主要年份238 个城市的面板数据进行研究,样本更大且更加细分,以期为劳动年龄人口与创新的相关研究做一些补充。

二、劳动力年龄影响技术创新的理论机制

综合文献和资料,人口年龄影响技术创新的路径主要有两条。

第一条,人口年龄变动通过改变资本-劳动要素禀赋结构来影响技术创新。人口老龄的增长会减少市场上的劳动力供给,提高劳动力成本。此时企业倾向于加大资本在要素投入中的比重,加快技术创新,以弥补劳动力成本对利润的挤压,比如用工业机器人替代劳动力来提高劳动生产率等。许多发达国家的经验证明了这种倒逼机制,即劳动力市场的相对稀缺,促使技术的创新速度更快。

第二条路径,人口年龄的变动改变人力资本存量从而影响技术创新。劳动者的体力、知识和技能是人力资本存量的主要测算内容,一方面,人的体力会随着生命周期的变化呈现“弱→强→弱”的变化过程;另一方面,人的知识和技能也会经历“投资形成→投入使用→淘汰”的过程。因此人力资本存量表现出随年龄增长,先增后降的特点,也被称为“人力资本存量的生命周期”（向志强,2003）[12]。

据此,人口老龄化会对人力资本造成影响也可以分为两个方面。一方面,教育程度的提高有利于人力资本存量的增加。教育投资增加,受教育程度提高乃至经验技能的增加会促使人力资本结构趋于高级化、人力资本存量增加,从而推动技术创新水平和效率的提升（刘智勇等,2018[13];张治栋和吴迪,2019[14]）。但是另一方面,年龄增长导致的学习效率和意愿降低、知识流失、体力下降等又会造成人力资本的折旧和衰减,抑制技术创新。因此,人口年龄的变化究竟对技术创新有何种影响,取决于以上两种力量的合力。

三、劳动力年龄影响技术创新的实证检验

（一）模型构建

根据上文的推理,本文考虑劳动力年龄与创新的非线性关系,构建如下基本计量分析模型:（ageit）2为劳动力年龄的平方项,Xit为其他控制变

其中,patentit创新水平,ageit为劳动力年龄,量。复合扰动项由（ui+εit） 两部分构成,不可观测的随机变量ui是代表个体异质性的截距项,εit为随个体与时间而改变的扰动项。

（二）变量选取

1.劳动力年龄指标。劳动年龄界限划分标准有两种,一种是 15～64 岁,另一种是 15～59 岁,考虑到数据获取情况,这里应用后者。文章选取2000年、2005 年、2010 年、2015 年全国238 个城市的平均劳动力年龄作为核心解释变量来衡量劳动力年龄（age）。

2.技术创新水平指标。虽然衡量技术创新水平的指标众多,常用的例如专利授权数、全要素生产率（TFP）等,也不乏创新性的指标,例如动态因子分析方法测算的技术创新综合能力指数（汪伟和姜振茂,2017）[15]、以研发资本存量为创新投入变量测算的技术创新效率（董登珍等,2018）[16],但是由于专利在表征区域创新时具有一定的优势:专利包含了大量关于技术、发明及发明者的信息;专利数据较容易获取;各地区专利申请、审查、授权的制度法规在一国范围内基本一致,使得不同区域的专利数据具有可比性,因此这里选择各市年末专利授权数作为衡量被解释变量技术创新水平的标准（patent）。

3.控制变量指标。在影响创新水平的其他因素中,文章选择以下控制变量:受教育程度,经济发展水平,以及产业结构。其中,控制受教育程度是因为人力资本理论提出教育是影响人力资本的主要因素,而人力资本会对创新水平产生影响。受教育程度可以分为未上过学、小学、初中、高中（包括中职）、专科、本科、研究生,分别代表受教育年限0、6、9、12、15、16、19 年,由此计算得到各市平均受教育年限（edu）来代表受教育水平。控制经济发展水平是因为一个地区的经济发展水平是技术创新的基础,技术创新水平受到各地区经济发展水平差异的影响,文献中多用（人均）国内生产总值、（人均）国内生产总值增长率来作为经济发展水平的代理指标。本文选择各市GDP 总值（gdp）作为反映各地区经济发展水平的指标。产业结构也对创新水平具有显著影响（郁培丽和刘锐,2011[17]）,特别是第二、第三产业的升级能有效带动我国自主创新（李伟庆和聂献忠,2015[18]）,因此下文用第二产业生产总值所占比重（si_gdp）和第三产业生产总值所占比重（ti_gdp）来反映我国目前产业结构情况。

（三）数据来源

本文实证研究使用2000 年、2005 年、2010 年、2015 年,中国大陆地区城市面板数据。由于数据缺失或无法获得,没有将西藏自治区、新疆维吾尔自治区、吉林省、湖北省、云南省共计5 个省域自治区纳入研究。经过整合和筛选,共收集到238 个城市的数据,城市级别包含地级市、副省级市和直辖市。其中,劳动力年龄和受教育程度数据来源于全国第五、第六次人口普查,2005 年、2015 年1%人口抽样调查各地区资料,以及各省市统计局;各市年末专利授权数、各市GDP 总值、各产业生产总值数据均来源于各省市统计年鉴、各省市科技统计年鉴、wind 数据库、国泰安数据库等。

四、实证结果与分析

（一）数据描述与分析

变量的描述性统计如表1 所示。全国四年的平均专利授权数为2 322.57 件,东部地区平均专利授权数为4 442.92 件,西部地区为1 120.41 件,中部地区为755.44 件,说明东部地区城市的创新水平高于中西部地区。专利可以分为发明专利、实用新型专利和外观设计专利三种,整体来看,全国实用新专利授权数最多,发明专利授权数最少。

表1 变量的描述性统计

238 个城市劳动力平均年龄为36.38 岁,其中东部地区平均年龄（age_d）为36.29 岁,西部地区平均年龄（age_x）为36.16 岁,中部地区平均年龄（age_z）最高,为36.32 岁。根据图1 中显示的东西中部地区劳动力平均年龄随时间的变化,可以发现2000 年东部地区劳动力平均年龄最高,但增速缓慢,很快就被中西部地区超越。中西部地区劳动力年龄保持在较高的水平,2010 年后,西部劳动力老龄化程度加深。这一现象出现的原因可能是东部沿海的发展使得越来越多的年轻人从西部省份迁出,到东部省份安家落户,致使西部省份老龄人口所占的比例升高。

图1 东西中地区劳动力平均年龄变化趋势

2000 年、2005 年、2010 年、2015 年全国劳动力各年龄段人口占比如图2 所示。横向来看,青壮年劳动力是全国劳动力的主力军,年龄在25～45 之间的劳动力人口占比最大,15～20 岁以及50 岁以上劳动力占比较少,在13%以下。受政策和社会环境等影响,曲线起伏较大,总体来看从2005 年开始双峰型形状愈发明显。从时间角度纵向来看,曲线形状基本不变,呈现向右平移的趋势。在全国劳动力人口中占比最大的年龄人口在2000 年为30～34岁群体,到2005 年变为35～40 岁群体,从2010—2015 年25 岁以下的年轻劳动力占比明显下降,45岁以上劳动力占比显著上升,劳动力年龄趋于老化。

图2 全国劳动力年龄结构

（二）回归结果与分析

1.基本回归结果

由于横截面维度数据（n=238）远多于时间维度（T=4）,且各时期不连续,因此本文选择短面板模型。首先假设不存在个体效应,进行混合OLS 回归。为了对比添加控制变量前后的差异,下文同时展示这两者的结果。使用聚类稳健标准误,得出回归结果如表2 第（1）列、第（2）列所示,第（1）列为不添加控制变量的结果,第（2）列为添加了控制变量的结果。由结果可知,在不添加控制变量的情况下,结果与前文分析不符;增加了控制变量后,劳动力年龄一次项系数为负,二次项系数也为负,但都不显著。

由于每个市情况不同,可能存在不随时间而变的遗漏变量,因此考虑使用固定效应模型（FE）。固定效应的检验结果如表2 第（3）列、第（4）列所示。在未考虑控制变量和考虑控制变量两种情况下,劳动力年龄一次项系数均为正,二次项系数均为负,且都显著。由第（4）列输出F 检验p＜0.0001,强烈拒绝原假设“H0:all ui=0”,即混合回归不可接受,FE明显由于混合回归。由于未使用聚类稳健标准误,进一步通过LSDV 法来考察,发现大多数个体虚拟变量均显著（p＜0.1）,故拒绝“所有个体虚拟变量都为0”的原假设,认为存在个体效应,不应使用混合回归。

以上结果确认了个体效应的存在,但个体效应仍可能以随机效应（RE）的形式存在,因此再次进行随机效应检验。Breusch and Pagan 提供了一个检验个体效应的LM 检验（LM test for individualspecific effects）,其原假设为“H0:0”,备择假设为“H1:≠0”。随机效应检测结果如表2 第（5）列、第（6）列所示,劳动力年龄一次项系数为正,二次项系数为负,添加控制变量后,结果不显著。再使用LM 检验得到p值为0.000 2,因此拒绝原假设,即“随机效应”优于“混合回归”。

2.豪斯曼检验

在固定效应和随机效应模型的选择上,检验原假设“H0:ui与xit,zi不相关”,即随机效应模型为正确模型。进行豪斯曼检验（Hausman -test）,结果如表2 最后一行所示。由于p＜0.0001,故强烈拒绝原假设,随机效应模型RE 不一致,认为应该使用固定效应模型,而非随机效应模型。

综上所述,固定效应明显优于随机效应。由表2 第（4）列的固定效应回归结果显示,劳动力年龄变量一次项系数为正,二次方项系数为负,两者均通过1%显著性检验,表明劳动力老龄化与创新并不是线性关系,而是呈现“倒 U 形”,劳动力平均年龄的增长最初对创新具有积极的影响,但达到一定水平后,劳动力平均年龄的提高将对创新产生负面影响。在控制变量中,受教育程度对技术创新有显著的积极影响。根据固定效应模型的回归结果,拐点是 36.631,即当平均劳动力年龄低于36.631 岁时,年龄对技术创新产生积极影响,当劳动力平均年龄大于 36.631 岁时,劳动力年龄老龄化将对创新产生造成不利影响。在控制变量中,劳动力受教育水平对技术创新有显著的积极影响。

表2 劳动力年龄影响创新的回归结果

根据回归结果得出的拐点,可以发现,在2000年,238 个城市中,只有3 个城市劳动力平均年龄超过36.631 岁,2005 年有122 个,2010 年为99 个,至2015 年,此数量为176 个,全国已有近一半的城市劳动力平均年龄越过拐点,年龄对技术创新产生不利影响。

3.稳健性检验

为了考察基本回归结果的稳健性,本文用各市45～59 岁劳动力人口在劳动力总人口中所占比重（age_p）代替各市平均劳动力年龄,反映劳动力年龄老龄化程度。人口学中,一般认为45 岁及以上为高龄劳动力,高龄劳动力的比重对于反映劳动力年龄老龄化程度也具有代表性。其他变量保持不变。

分别进行OLS,FE,RE 估计,结果如表3 所示。通过豪斯曼检验,可以判断固定效应模型为最佳选择。第（4）列固定效应模型的回归结果表明劳动力年龄的一次项回归系数都显著为正,其二次项回归系数显著为负,劳动力年龄与技术创新存在明显的倒U 形关系。当45～59 岁劳动力人口占总劳动力人口比重低于30.52%时,年龄对创新起正效应,超过30.52%时劳动力年龄老龄化将对技术创新造成负影响。其他控制变量的回归结果与基本回归结果类似。根据基本回归和稳健性检验的结果,可以得出,劳动力年龄对技术创新的影响是一种“倒U 形”关系,并且这个结论是稳健的。

表3 稳定性检验回归结果

4.异质性检验

（1）各地区异质性检验。为了进一步分析全国不同地区劳动力年龄对技术创新的影响,本文在模型设定和变量选择保持不变的基础上,将全国238个城市划分为东部城市、西部城市、中部城市三个组,分别进行回归。其中,东部包含96 个城市,西部有52 个城市,中部有90 个城市。

结果如表4 所示。通过对比可以发现,在东西中三个地区中,只有东部地区结果与上文基本回归一致,劳动力年龄一次项为显著正,二次项为显著负,而西部和中部地区的回归结果都未通过90%显著性检验。由此可计算得出,东部地区平均劳动力年龄对创新的作用拐点为 35.77 岁,而东部地区96个城市中,有60 个城市的劳动力平均年龄已经超过此拐点。因此,劳动力年龄老龄化的加深对东部地区产生显著的负效应,而对西部和中部地区的作用不明显。推测其原因可能是因为经济发展程度高的地区投资更多的资金和资源来提高人力资本,而人力资本积累越高,在年龄老化程度加深时受到的侵蚀也更为严重。

表4 东西中部地区异质性检验

（2）各类型创新异质性检验。创新的形式具有多样性,不同类型的创新具有不同的特征,而在上文的基本回归中,并未考虑到这种异质性。因此,下面继续考察劳动力年龄对不同类型创新的影响。根据我国《专利法》的规定,专利的类别有三种:发明专利、实用新型专利和外观设计专利。这三种专利各有侧重:发明专利侧重于为解决技术问题提出的具有应用可能性的方案或构思,实用新型是指针对实体产品的形状、构造等所提出的适于实用的新技术方案,外观设计专利则侧重于保护美术思想,注重的是设计人对产品的外观作出的同时富于艺术性和工业实用性的创造。

三类专利年末授权数的描述性统计如表1 所示。本文仍然保持模型设定和相应的变量与上文基本回归一致,将这三类专利的年末申请授权数分别作为因变量,进行回归分析。回归结果如表5 所示。从结果中可以发现,在固定效应模型下,平均劳动力年龄对三种专利授权量的影响相似,年龄一次项系数皆显著为正,二次项系数显著为负,与上文结论相符。同时观察发现,经济增长对发明专利授权数和外观设计授权数影响不显著,产业结构对实用新型专利的影响不显著。

表5 各类型创新的异质性检验

五、结论及建议

（一）研究结论

本文首先梳理了劳动力年龄影响创新的两条理论机制,即“劳动力年龄→资本和劳动要素禀赋结构→科技创新”和“劳动力年龄→人力资本→科技创新”。其次利用2000 年、2005 年、2010 年、2015 年全国238 个城市面板数据,构建面板模型,实证研究了劳动力年龄对技术创新的影响。根据回归和检验的结果,得出以下基本结论:

1.劳动力年龄与创新的关系是非线性的,而是呈现“倒U 形”。随着我国平均劳动力年龄的升高,劳动力年龄会给我国技术创新产生非常明显的负面影响。同时,45～59 岁高龄劳动力比重的上升也会抑制技术创新。

2.我国东西中部地区劳动力年龄对技术创新的作用差异明显。受经济发展水平影响,劳动力年龄老龄化的加深对东部地区的不利影响更加明显,当前东部地区大部分城市的劳动力老龄化程度已经对企业创新产生负效应,而在西部和中部地区,这一影响并不明显。

3.我国劳动力年龄对发明、实用新型、外观设计三种不同类型的创新影响相似,都呈“倒U 形”,劳动力老龄化的加剧将三种类型的创新水平起抑制作用。

（二）政策建议

随着老年人口高峰期的到来,我国劳动力将面临更大的老龄化冲击,这不仅涉及中国宏观经济的持续发展问题,也涉及企业竞争力不断提高的问题。如何具体有效地改善劳动力供给、提高科技创新能力,本文的研究结论能够对政策的制定起到一定的启示作用。

1.提高创新领域的人力资本水平,加强产学研协同创新。尽管从人数上来看我国的劳动力规模庞大,但人力资本的水平比较低。根据2010 年中国社会科学院发布的中国国家竞争力报告可知,我国人力资本构成指数值只是美国的1/12 和日本的1/10,高等教育指数值不到欧盟的1/10。而上文研究也表明,教育、经验和技能是提高人力资本水平的关键所在。因此,首先,我国应建立多元化的教育和培训体系。除了加大对高等教育的投资,政府也应采取相应的措施调动个人、企业等多方主体开展学习培训的积极性,提高在岗劳动者的技能水平和创新能力。其次,应积极推动产学研协同合作,将企业、高校、研究机构紧密联系起来,提高创新效率。再次,可以以返聘等途径鼓励已经退休的高级科研人员来担任技术顾问,能够给科研单位提供专业的技术指导,从而更好地发挥老年工作者的“知识溢出”正效应。

2.提高科研工作者的劳动效率,优化资源配置。由上文研究可知,劳动生产率是影响创新的重要因素。首先,政府应该设立关于科研工作者的业绩绩效和薪酬考核的更加完整的制度,以更好地调动研发人员的积极性。其次,应优化科研领域的组织机制建设,减少在研发项目立项、运行以及验收等方面的摩擦和冲突,提高研发项目审批效率。最后,在科研领域建立项目评审制度和项目淘汰制度,保证研发项目的质量,优化资源配置。

3.促进创新要素集聚,建设城市群创新中心。从中东西地区间创新水平的差异和各省市创新水平的差异中可以发现,大城市和城市群是主要的创新地。创新人才的集聚是大城市和城市群创新水平高,经济发展快的重要原因。一方面,政府应加快社会保障、户籍、教育、就业等制度改革,减少劳动力流出,并吸引人才流入。另一方面,我们应加快城市化进程,并逐步形成和扩大城市群,进一步聚集创新人才。

4.加快产业结构调整,转变经济增长方式。在老龄化浪潮的冲击下,劳动力老龄化和“人口红利”的逐渐消失以及成为既定现实,根据上文的研究可以发现,第二产业对创新具有抑制作用,而第三产业对创新具有积极影响。因此,应根据劳动力年龄结构调整现有产业结构,减少劳动密集型产业,增加资本和技术密集型产业;同时,转变经济增长方式,实现经济增长主要依靠科技进步和技术创新拉动,提升我国产业的综合竞争力。