人口老龄化对技术创新的影响研究

昌忠泽 姜 珂 魏诗谣

(1.中央财经大学，北京100081；2.山东大学，山东 济南 250100)

一、引言和相关文献综述

自我国经济进入新常态以来，经济增长方式发生了质的改变，过去依靠资源消耗和规模优势的粗放型生产方式正被以创新为核心竞争力的集约型生产方式所取代。依据熊彼特的创新理论，技术创新是创新的主要内容，是经济发展和经济增长的源泉。在经济全球化的潮流中，技术创新离不开人力资本的有力支撑，尤其是受过高等教育的高层次人才。然而，受计划生育政策等的影响，我国人口出生率显著下降并自2000年起开始步入老龄化社会，在2019年老年人口抚养比更是达到17.8%(1)数据来源：《中国统计年鉴》。根据国际通行划分标准，一个国家65岁及以上人口中比超过7%，就认为进入老龄化社会。我国2000年65岁及以上人口占比达到7%，此后逐年上涨，标志着开始步入老龄化社会。。这意味着我国“人口红利”已经难以为继，“未富先老”成为制约未来经济高质量发展的重大难题之一，这也引发了社会对我国未来技术创新能力的担忧。2019年11月，中共中央、国务院印发的《国家积极应对人口老龄化中长期规划》明确指出，应对我国老龄化问题已正式上升为国家战略，并提出要强化科技创新能力，把技术创新能力作为第一动力和战略支撑。因此在我国经济转型的关键阶段，有必要对人口老龄化与技术创新的关系进行研究，并结合时代背景提出具有针对性的政策建议。

目前国内外学术界围绕人口老龄化与技术创新的关系进行了一系列研究，主要可以归纳为三种观点。第一种观点认为人口老龄化会对技术创新产生抑制作用。Levin et al.(1991)发现年龄与创新的预期回报率呈反比，因此会对私人投资活动造成挤出。部分学者认为人口老龄化会降低技术创新型劳动力的数量和质量(Czaja et al.，2007)，技术创新容易受老年群体的负面影响(Aksoy et al.，2019)。还有学者研究了年龄和创新动机之间的关系。Kanfer et al.(2000)发现随着年龄的增加，个体的创新激情和创新动机呈现下降趋势。除此之外，我国学者的研究也佐证了该观点。闫钟(2000)认为养老保障财政支出投入会对科研资金财政投入产生挤出，对科技创新产生负面影响。还有学者认为老龄化会通过降低人力资本积累和人力资本存量对技术创新产生负面影响(姚东旻 等，2017；杨校美，2018)。邵汉华等(2019)也使用跨国面板数据证实了人口老龄化与技术创新之间的负向关系，并认为通过优化创新条件能够显著降低负向影响程度。

第二种观点认为人口老龄化会对技术创新产生促进作用。Ang et al.(2015)利用1870—2009年21个经合组织国家数据估计了不同年龄组教育程度对生产率的增长作用，发现随着受教育水平的提高，高龄组员工具有更强的创新动机和创新能力，高龄员工较高的人力资本积累可以促进企业和社会创新，从而提高社会创新水平和生产力(Cai et al.，2016)。蔡昉(2004)认为人口老龄化通过诱发资本投资转变为人力资本投资，提高了劳动力的资源利用效率和社会生产率。袁传攀等(2011)指出人口老龄化为企业转型升级带来了新的发展机遇，促使企业的发展模式向创新要素密集型转变。还有学者从生产和消费视角构建空间计量SEM模型，发现人口老龄化通过改变企业的资本-劳动要素禀赋结构从而“倒逼”企业增加技术和资本投入比，引导企业产业结构升级(楚永生 等，2017)。

第三种观点认为人口老龄化对技术创新具有混合作用。韩振秋(2017)认为人口老龄化与科技创新具有双重、双向的作用和辩证的关系：一方面，人口老龄化对科技和研发产生挤出效应，尤其对高新技术行业会产生较大的负面冲击；另一方面，老年群体的扩大又影响了国家的结构转型，倒逼企业、研发机构和高等院校增强技术创新的动机，为技术创新提供新的发展契机。楼永等(2020)利用2006—2016年省级面板数据，运用双向固定效应模型和工具变量模型分析人口老龄化对科技创新的影响，发现人口老龄化与科技创新水平存在显著的倒“U”形关系，并对“人力资本水平”和“资本-劳动力禀赋”的中介作用机制进行了识别。黄乾等(2018)采用动态面板模型对我国省级行政区和微观企业的面板数据进行分析，也证实了人口老龄化与技术创新呈现倒“U”形关系，且我国大多数省份位于人口老龄化对技术创新的负向影响阶段，负向影响程度随老龄化水平的提高而不断加深。

总体来看，国外关于人口老龄化对技术创新影响的研究视角和研究成果颇为丰富，研究结论也不尽相同。现有研究大多从个人创新能力、企业劳动生产率以及国家的科研投入方面深入浅出地讨论人口老龄化对技术创新的影响，其研究方法和所依据的理论也越来越全面。但是，当前国内关于人口老龄化对技术创新的研究仍处于起步阶段，有关两者内在机理的研究较为匮乏，在实证分析过程中也缺乏对数据的深入挖掘。

相对于现有研究，本文的贡献在于：第一，在理论机制层面，立足现有文献，梳理了人口老龄化影响技术创新的理论机制，并分析了人口老龄化通过需求结构和基本公共服务水平对技术创新产生影响的作用机理；第二，在实证方面，利用我国2010—2019年30个省份的面板数据，在采用固定效应模型进行分析的同时，还采用系统GMM模型进行对比，以期解决模型的内生性问题，增强结果的可靠性；第三，实证分析人口老龄化究竟通过何种机制对技术创新产生影响，并分别对东部、中部和西部的影响机制进行异质性分析，从而有利于提出相应对策。

二、理论分析

基于已有关于人口老龄化对技术创新影响机制的理论研究，本文从微观、中观和宏观三个视角分析人口老龄化影响技术创新的作用机制。

(一)微观层面

在微观层面，人口老龄化对技术创新的影响主要体现为“年龄效应”的消极影响和“经验积累效应”的积极影响。

“年龄效应”是指老年人口因劳动力质量下降而对技术创新产生消极影响。一方面，随着年龄的增加，人们的身体机能和主观激励均会发生改变，个体的健康条件和认知能力会有所下降。技术创新所需要的知识存量庞大且更新频率快，尤其在“互联网+”时代，更需要具备一定的身体素质和学习能力以适应高强度和高压力状态的创新知识学习，而老年人口的适应能力和学习能力远远不如年轻人口(姚东旻 等，2015)。同时，个体的创新激励主要来自于工资水平的提高，但是在老年阶段，个体对收入水平的预期和期望均有所下降，因此创新的动机减弱。另一方面，对于年轻人口而言，老年人口增加意味着老年人口抚养比增加，年轻人口的消费开支增加，照顾老人花费的时间增多，因此会对技术创新所需的资金和时间产生挤出，难以达到预期的技术创新水平。因此，在老年人口与年轻人口比例不断增加的社会环境中，这意味着社会总人力资本存量减少，从而抑制了技术创新。

“经验积累效应”是指老年人口通过加速人力资本积累对技术创新产生积极作用。相对于年轻人口，老年人口的优势在于知识和经验的积累量较大，这种人力资本积累主要来源于教育阶段和工作期间的教育培训以及实际工作中“干中学”的直接经验积累。而人力资本积累是促进技术创新的知识基础，如果能够合理地将老年人口的知识经验积累与年轻人口的学习和应用能力相结合，则会大大提升社会技术创新水平。尤其是高技能老年人口拥有丰富的工作经验，可以在企业研发、学校教育等方面发挥重要作用。合理利用高技能老年人口的人力资本积累，能够提高全社会的技术创新能力。孙旭等(2009)研究发现虽然我国人力资本质量逐年提升，但是仍存在地区差异和城乡差异。蔡昉(2018)也认为提升人力资本质量是当前人口老龄化背景下实现经济高质量发展的关键。因此，在我国劳动力占比降低、劳动力质量仍需提升且老年人口知识积累效应尚未充分发挥的社会背景下，更需要通过人力资本水平的提高来增强技术创新水平。

(二)中观层面

在中观层面，人口老龄化对技术创新的影响主要体现为“要素倒逼效应”与“产业转型效应”的积极影响。

“要素倒逼效应”是指人口老龄化会通过改变企业的资本-劳动要素禀赋结构倒逼企业进行技术创新。一方面，从资本和劳动要素相对数量而言，人口老龄化程度越高，意味着劳动人口比例越低，这会倒逼企业利用资本和技术要素替代劳动力要素，从劳动要素密集型产业转变为资本和技术密集型产业。Acemoglu et al.(2022)认为劳动力和资本要素之间存在替代效应，当劳动力要素短缺时，企业会使用相对数量较多的资本要素对劳动力要素进行替代，以追求最大利润和提高市场竞争力。另一方面，从资本和劳动要素相对质量而言，人口老龄化会导致劳动力市场供需不匹配，企业更倾向于引进高素质劳动者，同时加大教育和培训投入以提高整体劳动力素质，弥补劳动力数量缺口，提高企业的劳动生产率(Mason et al.，2016)。综上所述，人口老龄化从资本和劳动要素内部结构的数量和质量两个层面对企业技术创新产生积极影响。当所有企业开展研发活动和新技术应用时，将带动全行业的技术进步和劳动生产率的提升，从而对全社会的技术创新产生积极影响。

“产业转型效应”是指人口老龄化会通过培育养老行业新兴市场促使企业进行转型方面的技术创新。当前，老年人作为新兴消费群体受到越来越多的重视，其在健康、养老、照料和精神层次方面的社会需求和个性化需求也日益增多，这为我国老年产业发展提出更高的要求，有助于加快相关产业的转型升级(赵西亮 等，2016)。然而，目前我国的养老行业和与之相关的产业链条并不健全，存在较大的市场缺口和拓展空间，这对于企业来说也是不可多得的市场契机。养老产业的发展与新技术的应用息息相关，如5G技术在家庭养老服务行业的应用、大数据技术在健康追踪和精准服务定位方面的应用等，其增强了企业转型和新技术应用的动机，从而进一步促进新一轮技术创新的到来。

(三)宏观层面

在宏观层面，人口老龄化对技术创新的影响主要体现为“政府投资挤出效应”的消极影响和“环境效应”的积极影响。

“政府投资挤出效应”是指人口老龄化会通过挤占政府科研资金减少社会技术创新投入。随着人口老龄化程度的加深，我国政府承担的养老金给付和社会保障转移支付压力也增大。目前我国实施“统账结合”的养老金给付制度，社会统筹账户实行现收现付制。随着老年人口增多，劳动人口与老年人口的比例将缩小，这使得养老金给付压力逐渐加剧。个人账户几近空账运行，账户资金有相当一部分用作弥补社会统筹账户的资金缺口，而这种暂时性的弥补不利于我国养老金制度的可持续给付，可能带来养老金入不敷出、养老金缺口逐步扩大等问题。具有公信力的政府为了兑现养老承诺势必会调用其他领域的资金填补空缺，因此可能会产生对科研投入资源的挤出效应，从而抑制全社会的技术创新。龚锋等(2015)和金昊等(2019)研究发现老年人口比重的提高会加重政府的养老负担，而政府较高的养老支出会对科技创新投入和教育公共支出产生挤出效应，从而阻碍技术创新。

“环境效应”是指人口老龄化会通过提高政府公共服务建设营造社会技术创新的良好发展环境。随着我国经济水平的提高和老年人数量的增加，人们对基本公共服务水平的要求也随之提高，这不仅体现为对交通、互联网等基础设施的需求，也体现为对科技、教育、医疗、文化及环境等基础公共服务的需求。因此，政府增加在公共服务领域的资金投入会为技术创新营造良好的发展环境，激发社会技术创新的积极性和万众创新的参与度。

三、研究设计与数据初步分析

在现有文献中，多数学者采用面板数据模型研究人口老龄化对技术创新的作用，本文的实证分析也借鉴了这一做法。由于人口老龄化对技术创新的影响在不同地区和不同时间可能产生恰好相反结论，因此采用面板数据可以有效地固定地区和时间差异对两者关系的影响，从而得出更加确切的结论。事实上，面板数据模型因其可以同时对比静态和动态变化而被广泛使用，如静态模型中的固定效应模型和随机效应模型以及动态模型中的差分GMM模型和系统GMM模型等。利用综合面板数据模型研究人口老龄化和技术创新的关系在经济学文献中也不乏先例，比如通过对比混合OLS模型、固定效应模型和系统GMM模型等的实证结果，分析两者之间的关系(姚东旻 等，2017；刘淑兰，2019)。

(一)模型设定

本文在借鉴现有实证方法的基础上，考虑到不同时期人口老龄化对技术创新的影响可能存在差异，人口老龄化和技术创新之间可能存在非线性关系，故引入人口老龄化的二次项进行分析。同时本文依据相关理论，引入公共服务指标，兼顾了人口老龄化对技术创新在环境方面的影响。参考姚东旻等(2017)以及金昊等(2019)的研究，本文的计量模型设计如下：

ln TECH=β0+β1ln OLD+β2(ln OLD)2+β3R&D+β4ln EDUC+β5GDPR+

β6ln OPEN+β7ln IDS+β8ln NET+β9ln TAL+β10ln GDP+θt+δi+εit

(1)

其中：TECH为国内专利申请受理数；OLD代表老年人口抚养比，即退休年龄及以上人口数占劳动年龄人口数的比例，用以衡量人口老龄化程度；R&D为R&D经费投入指标；EDUC为人力资本水平指标；GDPR为经济实际增长率；OPEN为对外贸易依存度指标；IDS为产业结构高级化指标；NET为互联网普及率指标；TAL为科技人才规模指标；GDP为经济总量规模指标；θt代表年份效应；δi代表省份固定效应；εit为误差项；β0为常数项。

(二)数据来源及变量说明

1.数据来源

受数据可得性的限制，本文选取我国2010—2019年除香港、澳门、台湾、西藏外30个省份的面板数据，数据均来自《中国统计年鉴》。

2.变量说明

(1)被解释变量：技术创新(TECH)。本文选取文献中常用的国内专利申请受理数来测度技术创新程度，而不是选用科研投入方面的指标，这样处理的合理性在于技术创新更加注重产出成果而非投入数量。

(2)核心解释变量：人口老龄化(OLD)。本文选取老年人口抚养比来衡量人口老龄化。

(3)控制变量。一是R&D经费投入(R&D)，为R&D经费投入占地区生产总值的比重。技术创新容易受到科研经费投入的正向影响，加入该指标可以控制科研投入对技术创新的影响。二是人力资本水平(EDUC)，为高等教育人数占总人口的比重。一般来说，人力资本水平越高，技术创新能力也会越强，加入该变量可以控制高端人才对技术创新的影响。三是经济实际增长率(GDPR)，采用剔除价格因素波动后的实际增长率进行测度。内生增长理论认为技术创新与经济增长存在一定的内生关系，因此需要控制经济实际增长率对技术创新的影响。四是对外贸易依存度(OPEN)，由境内目的地和货源地进出口总额与地区生产总值的比值计算得出。若一个地区的对外贸易依存度较高，意味着该地区产品贸易因国际竞争力不足而易受国外贸易的冲击，这不利于企业资金积累以及技术研发，因此会对技术创新产生不利影响，据此要控制对外开放程度对技术创新的影响。五是产业结构高级化(IDS)，为第三产业增加值占地区生产总值的比重。一般来说，产业结构越先进，越容易形成较高的技术创新水平，所以要控制产业结构对技术创新的影响。六是互联网普及率(NET)，用以控制公共服务水平差异对技术创新的影响。七是科技人才规模(TAL)，由规模以上工业企业R&D人员全时当量进行测度。科技人才规模作为技术创新的重要人力来源，会直接促进技术创新水平的提高。八是经济总量规模(GDP)，采用不变价处理后的各省份GDP进行测度。经济实力较强的地区容易为技术创新提供更好的经济环境，据此要控制经济总量对技术创新的影响。

上述数据均以2010年为基期，剔除了价格因素对数据的影响。为了消除数值上的异常波动，本文对数据中有负数的经济实际增长率和取对数后有负数的R&D经费投入指标外的所有变量均取对数处理。针对部分数据存在的数值缺失问题，本文利用移动平均法进行插值。本文所有结果均由Stata软件回归分析得出。

(三)核心变量社会总体现状及趋势分析

图1和图2分别为我国2009—2019年专利申请受理量和老年人口抚养比趋势图。由图1可知，2009—2019年国内专利申请受理量呈现波动上涨趋势，从2009年的877611项上升至2019年的4172000项，且近几年的增长幅度有所放缓。图2显示我国2009—2019年老年人口抚养比呈现平稳上涨趋势，从2009年的11.6%上升至2019年的17.8%，近几年的增长幅度有所提升。

图1 我国2009—2019年国内专利受理量(项)

图2 我国2009—2019年老年人口抚养比(%)

(四)描述性统计

表1为各变量的描述性统计结果，除R&D经费投入和经济实际增长率外，其余数据均进行了取对数处理。

表1 变量的描述性统计

(五)平稳性检验

本文以通过5%的显著性水平为判断标准，选用LLC检验和Fisher-PP检验对原序列进行平稳性检验。表2结果显示，所有变量均通过了LLC检验和Fisher-PP检验，证明了序列的平稳性。

表2 变量的平稳性检验

四、实证分析

(一)模型估计与检验

本文首先构建了混合OLS模型(如表3列(1)和列(2)所示)，其中列(1)仅包含核心变量，列(2)既包含核心变量也包含控制变量。由于混合OLS模型没有控制省份和时间的固定效应，可能导致结果有偏，因而本文同时进行了BP检验和辅助检验，结果显示应当选择面板数据模型。此外，本文进行了豪斯曼检验，结果显示应当采用固定效应模型，与此同时修正了模型的异方差和自相关问题(如表3列(3)和列(4)所示)，其中列(3)仅包含核心变量，列(4)既包含核心变量也包含控制变量。考虑到模型可能存在的内生性问题，本文选择两步系统GMM模型(如表3列(5)和列(6)所示)进行对比分析。根据已有文献，本文选择技术创新水平的滞后项作为工具变量，其余变量为外生变量。结果显示，模型通过了Hansen-J检验和Arellano-Bond自相关检验，因而认为模型不存在过度识别问题，所选择的工具变量集有效。

表3 人口老龄化对技术创新影响实证分析结果

(二)实证结果分析

1.核心变量

由表3可知除列(1)外，人口老龄化对技术创新均呈现出一次项回归系数为正、二次项回归系数为负的显著的倒“U”形影响，即随着人口老龄化程度的提高，人口老龄化最初对技术创新具有积极影响，但在到达拐点之后，人口老龄化对技术创新的影响转为负向。模型结果显示，列(2)至列(6)达到拐点的老年人口抚养比分别为20.18%、11.44%、12.32%、12.79%、13.37%，整体来看拐点的取值范围为11.44%～20.18%。为了能够综合多变量因素的影响结果，本文以列(4)固定效应模型的结果进行分析。对2019年各省份老年人口抚养比的数据进行分类发现，除新疆(11.9%)、青海(11.8%)和广东(11.4%)外，其余省份均达到或超过12.32%的拐点临界值，这意味着人口老龄化已经对我国绝大多数省份的技术创新造成负面影响，不利于提高地区的技术创新水平。

由列(5)、(6)可知，滞后一期的技术创新水平对当期技术创新水平具有显著的正向影响，且系数在0.91～0.93之间，这意味着技术创新的投入和研发是一个较为长期的过程。这一实证结果与本文第二部分的作用机理分析一致，表明人口老龄化对技术创新的影响是非线性的，是由积极因素和消极因素共同博弈的结果。在拐点之前的阶段，人口老龄化的“经验积累效应”“要素倒逼效应”“产业转型效应”和“环境效应”对技术创新产生的积极影响大于消极影响；在拐点处技术创新水平达到最大峰值；在拐点之后的阶段，人口老龄化通过“年龄效应”和“政府投资挤出效应”对技术创新产生的消极影响大于积极影响，因此呈现出倒“U”形趋势。

2.控制变量

R&D经费投入占GDP的比重越高，意味着对技术创新的资金投入越高，因此对技术创新越能产生正向影响。但是这一结果仅在列(2)中显著，这可能是由于技术创新资金投入与产出的差异较大，需要进一步研究论证。人力资本积累量越高，意味着能够从事技术创新研究的高层次人才越多，从而对技术创新产生越大的促进作用。列(4)结果与理论分析相符，人力资本积累每增加1%，技术创新水平将增加0.820%，并在10%的水平上显著。经济实际增长率越高，说明经济发展能够为技术创新提供的资金积累量越多，越容易对技术创新产生正向影响，这一结果在三个模型中均得到证实。在列(4)中，经济实际增长率每增加1个百分点，技术创新水平将增加0.0305%，并在1%的水平上显著。对外贸易依存度越高，表明我国产品贸易因国际竞争力不足而越易受国外贸易的冲击，从而不利于企业资金积累以及技术研发，对技术创新产生抑制作用，但该观点未得到实证佐证。产业结构高级化水平越高，越能为技术创新提供良好的产业基础和资金支持，从而促进技术创新水平的提高。列(4)结果证实了上述观点，产业结构高级化水平每增加1%，技术创新水平将增加0.958%，且在5%的水平上显著。互联网普及率较高时，意味着全社会的公共服务水平较高，基础设施建设较为完善，能够促进创新要素的产生和流动，对技术创新产生正向影响。除此之外，科技人才规模和经济总量规模虽然会对技术创新产生正向影响，但均未通过显著性检验。

综上所述，人口老龄化对技术创新呈现出显著的倒“U”形影响，即先正向影响后负向影响，拐点处的老年人口抚养比为12.32%。目前除新疆、青海和广东外，其他省份均已步入人口老龄化对技术创新的负向影响阶段。同时，人力资本、经济实际增长率、产业结构高级化和互联网普及率对技术创新具有正向影响，对外贸易依存度对技术创新具有负向影响。

(三)稳健性检验

为了进一步证实结果的稳健性，本文采用两种方法进行检验：一是变量替代法，使用老年人口占比(OLDRAT)作为老年抚养比(OLD)的替代变量；二是剔除特殊样本即北京、上海、重庆、新疆，增强研究结论的可靠性。相关检验结果如表4和表5所示(2)限于篇幅，表4和表5略去了控制变量的回归结果，留存备索。。

表4 稳健性检验结果：变量替代法

表5 稳健性检验结果：剔除特殊样本

由表4可知，在使用替代变量后，人口老龄化对技术创新仍呈现出显著的倒“U”形影响，列(1)至列(6)拐点处的老年人口抚养比分别为18.51%、13.69%、10.07%、10.41%、9.06%和8.23%。其中，列(4)固定效应模型的结果为10.41%，与表3的结果相近，说明我国绝大部分地区的人口老龄化已经对技术创新造成负面影响，上文实证结果具有一定的稳健性。

表5为剔除特殊样本后的实证结果。可以看出，人口老龄化对技术创新仍呈现出显著的倒“U”形影响。列(4)固定效应模型的结果为12.41%，与表3的结果相近。列(5)、(6)结果表明，滞后一期的技术创新水平对当期的技术创新水平具有显著的正向影响且系数在0.75～0.96之间，证实了上文实证结果的稳健性。

五、影响机制及异质性分析

(一)模型设定

为了考察人口老龄化影响技术创新的具体机制，建立下列模型对各影响机制进行实证检验：

ln TECH=β0+β1ln OLD+β2(ln OLD)2+β3OLDEXP+β4X+θt+δi+εit

(2)

ln TECH=β0+β1ln OLD+β2(ln OLD)2+β3OLDREV+β4X+θt+δi+εit

(3)

ln TECH=β0+β1ln OLD+β2(ln OLD)2+β3OLDTRA+β4X+θt+δi+εit

(4)

ln TECH=β0+β1ln OLD+β2(ln OLD)2+β3OLDSQU+β4X+θt+δi+εit

(5)

ln TECH=β0+β1ln OLD+β2(ln OLD)2+β3OLDENV+β4X+θt+δi+εit

(6)

其中，X为影响技术创新水平的控制变量，其他变量选取与模型(1)相同。为了检验人口老龄化对技术创新的“经验积累效应”机制、“要素倒逼效应”机制、“产业转型效应”机制、“政府投资挤出效应”机制及“环境效应”机制，本文在模型(2)至模型(5)中依次加入了五个交互项，分别为老年人口抚养比和人力资本存量的交互项OLDEXP、和固定资产投资占从业人数比重的交互项OLDREV、和医养服务行业从业人数占从业人口总数比重的交互项OLDTRA、和养老保险支出占财政支出比重的交互项OLDSQU和地方财政一般公共服务支出占地方财政一般预算支出比重的交互项OLDENV。

测试结果(仿lucene打分算法取最相关的5条记录；向量空间模型和归一化算法的相关度阈值为0.9，检索结果取高于此值的记录；问题和检索结果的相似度由算法计算，指的是问题和检索结果的标题的相似程度。问题1：为什么柑橘贮藏期果实容易浮皮？问题2：如何选择柑橘无病毒容器育苗的场地？问题3：怎样贮藏柑橘？测试结果如图2所示。

(二)相关影响机制分析

该部分使用固定效应模型(FE)和两步系统GMM模型(GMM)检验人口老龄化对技术创新的五种影响机制。根据豪斯曼检验结果选择固定效应模型进行分析。考虑到内生性问题，依然选择两步系统GMM模型进行对比分析，并选择技术创新水平的滞后项作为工具变量，其余变量为外生变量。模型通过了Hansen-J检验和Arellano-Bond自相关检验，因而可以认为模型不存在过度识别问题，该模型所选的工具变量集有效。相关回归结果如表6和表7所示(3)限于篇幅，表6和表7略去了控制变量的回归结果，留存备索。。

表6 人口老龄化对技术创新的影响机制分析(FE)

表7 人口老龄化对技术创新的影响机制分析(GMM)

“年龄效应”可以通过表6和表7中人口老龄化及其二次项的系数进行分析。结果显示，随着人口老龄化程度的提高，人口老龄化最初对技术创新具有积极影响，但是在到达拐点之后，人口老龄化对技术创新具有消极影响。且根据固定效应模型得出列(1)至列(5)的拐点均在12%左右，2019年我国绝大多数省份的老龄化程度均超过了该水平，表明人口老龄化对我国大部分地区技术创新均展现出了消极影响，说明老龄化通过降低劳动者的身体素质、创新意识和知识创新投入对技术创新发生了负向冲击，与理论分析部分的“年龄效应”相吻合。

表6和表7的列(1)给出了“经验积累效应”机制的实证结果。在加入老年人口抚养比和人力资本存量的交互项后，人口老龄化对技术创新仍呈现出显著的倒“U”形影响，但交互项ln OLDEXP的系数在表6和表7中均不显著，表明人口老龄化没有通过“经验积累效应”对技术创新产生积极影响，说明高龄劳动者的知识积累产生的积极影响仍需加强，要多学习新技术。

列(2)给出了“要素倒逼效应”机制的实证结果。在加入老年人口抚养和固定资产投资占从业人口总数的比重的交互项后，人口老龄化对技术创新仍呈现出显著的倒“U”形影响，但交互项ln OLDREV的系数在表6和表7中均不显著，表明人口老龄化没有通过“要素倒逼效应”对技术创新产生积极影响，仍然需要进一步增加资本和研发投入进行技术创新以提高劳动生产率。

列(3)给出了“产业转型效应”机制的实证结果。在加入老年人口抚养比和医养服务业从业人数占比的交互项后，人口老龄化对技术创新仍呈现出显著的倒“U”形影响，且交互项ln OLDTRA的系数在表6和表7中均显著为正，表明人口老龄化通过促进企业的产业转型升级对技术创新产生正向影响，这与前文理论部分的分析相吻合。

列(4)给出了“政府投资挤出效应”机制的实证结果。在加入老年人口抚养比和养老保险支出占地方财政支出的比重的交互项后，人口老龄化对技术创新仍呈现出显著的倒“U”形影响，但交互项ln OLDSQU的系数在表6和表7中均不显著，表明人口老龄化没有通过“政府投资挤出效应”对技术创新产生消极影响，人口老龄化并没有对政府科研资金产生显著的挤出作用。

列(5)给出了“环境效应”机制的实证结果。在加入老年人口抚养比和地方财政一般公共服务支出占地方财政一般预算支出比例的交互项后，人口老龄化对技术创新仍呈现出显著的倒“U”形影响，且交互项ln OLDENV的系数在表6和表7均在10%的水平上显著为正，表明人口老龄化会通过优化政府公共服务建设营造社会技术创新的良好发展环境。

(三)异质性分析

为了分析人口老龄化影响技术创新的机制在不同地区之间是否存在差异，该部分将样本省份分为东部、中部和西区三个地区(4)东部地区包括东部地区包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东和海南等11个省份；中部地区包括山西、内蒙古、吉林、黑龙江、安徽、江西、河南、湖北和湖南等9个省份；西部地区包括广西、重庆、四川、贵州、云南、陕西、甘肃、青海、宁夏、新疆等10个省份。，比较每个地区影响机制的异同，结果如表8所示。该部分使用固定效应模型(FE)和两步系统GMM模型(GMM)检验人口老龄化对技术创新的五种影响机制(5)为节约篇幅，本部分略去了GMM的回归结果，留存备索。。

表8 异质性分析

其他效应在不同地区表现出不尽相同的特征。第一，对于东部地区来说，列(2)、(3)、(5)交互项的回归系数显著为正，表明该地区人口老龄化会通过“要素倒逼效应”“产业转型效应”和“环境效应”对技术创新产生积极影响，说明东部地区资本和研发投入水平相对较高，技术创新的发展环境也相对完善，这均会促进技术创新水平的提高。第二，对于中部地区来说，列(2)交互项的回归系数显著为负，表明该地区人口老龄化会通过“要素倒逼效应”对技术创新产生消极影响。由此可以看出，中部地区资本和研发投入水平较低，不足以促进企业持续开展研发活动并提高新技术应用水平。第三，对于西部地区来说，列(2)交互项的回归系数显著为正，表明该地区人口老龄化会通过“要素倒逼效应”对技术创新产生积极影响。由此可以看出，人口老龄化在一定程度上促进了该地区资本和研发投入的提高，但其他渠道的作用仍不明显。

六、结论和讨论

(一)研究结论

本文利用我国2011—2019年省级面板数据，采用混合OLS模型、固定效应模型和系统GMM模型实证研究了人口老龄化对技术创新的影响。研究结果表明，人口老龄化对技术创新的影响呈现出显著的倒“U”形关系。样本省份中，除新疆、青海和广东外，其他省份均已步入人口老龄化对技术创新的负向影响阶段。对影响机制的分析表明，人口老龄化会通过“年龄效应”对技术创新产生负向影响，通过“产业转型效应”和“环境效应”对技术创新产生积极影响。本文还对东部、中部和西部地区的影响机制进行了异质性分析，发现人口老龄化对技术创新的影响机制在各地区表现出不尽相同的特征。

(二)政策建议

第一，为降低“年龄效应”对技术创新的负向影响，要适度放开和实行积极的人口政策。本文发现我国绝大多数省份已经进入人口老龄化对技术创新的负向影响阶段，而适度调整和放开人口政策可以增加年轻劳动力在总人口的比重，从而弱化人口老龄化的负向影响。虽然我国在2016年已经实施“全面放开二孩”政策，但是由于生活压力的加大和现代思想意识的转变，年轻人往往不愿意生育二孩，这需要政府采取一定的宣传措施和补贴政策鼓励年轻人生育二孩，减轻年轻人抚养和教育孩子的负担，从而降低人口老龄化程度或使人口老龄化的增速放缓。

第二，“经验积累效应”的分析表明，样本总体及各地区人口老龄化均无法通过“经验积累效应”对技术创新产生显著的促进作用，据此要加大人力资本投资，提高人力资本利用率。我国存在劳动力整体素质偏低的问题，需要对教育事业尤其是高等教育事业增加资金和物质投入，培养国际视野和本土情怀兼具的创新型人才。同时政府也需通过政策引导、减税降费和补贴支持等手段鼓励企业和个人加强职业教育，在“干中学”中不断增强人力资本积累，在全社会形成“产—学—研”的良性循环系统，增强技术研发的针对性。在提高人力资本利用率方面，可以对高端层次的老龄人口资源进行整合，将其人力资本积累优势充分转化为宝贵的工作经验和对未来技术创新的方向引领，比如实施“返聘”计划以及成立专业领域的研究部门等，充分利用高端层次的老龄人口资源，并与社会中有需求的部门精准匹配，从而最大限度地调动全社会的技术创新。

第三，针对“要素倒逼效应”在样本总体以及中部地区正向影响不显著的事实，要增强资本和技术要素替代劳动要素的力度。人口老龄化程度的提高意味着劳动人口比重的降低，在这样的背景下，要想实现技术创新水平的提高，就要采取措施促进资本和技术对劳动力的替代，促进相关产业从劳动要素密集型产业转变为资本和技术密集型产业。同时，要加大高素质劳动者的引进力度，增强教育和培训投入，提高整体劳动力素质，弥补劳动力数量的缺口，提高企业的劳动生产率。

第四，针对“产业转型效应”和“环境效应”在中部和西部地区不显著的事实，要加大这些地区养老行业新兴市场的培育力度，促使企业进行转型，同时营造利于技术创新要素培育和流动的发展环境。要促进产业结构高级化进程，由“大水漫灌”式的粗放型发展模式向“精准滴灌”的高效型发展模式转变，重点发展战略性新兴产业。应重点发展养老产业，满足老龄人口的健康服务需求和精神文化需求。新冠肺炎疫情期间激发了多种业态创新，如数字经济产业、社区医疗、以云办公和云课堂为代表的云服务产业等，这为技术创新的更新升级提供了拓展空间。同时还要注重提升全社会的公共服务水平，通过优质高效的公共服务供给，创造利于社会技术创新的外部环境。

(三)研究局限和未来展望

本文揭示了人口老龄化对技术创新不同阶段的影响，丰富了人口老龄化背景下技术创新领域的研究成果，对我国具有一定的理论价值和现实意义。但同时也应看到，由于数据可得性的影响，本文研究的时间跨度较短，因而实证结果可能存在一定偏差。未来可以考虑使用企业的微观数据分析人口老龄化对技术创新的影响，并对数据进行区域和产业类别的细分，同时允许进行较长时间的调查以跟踪变量之间的关系变化。