数字经济发展的人口红利效应

周健 邓晶晶

摘 要：“人口红利”是解释中国等东亚国家经济增长奇迹的核心概念和关键要素，但一些国家的人口红利在创造经济奇迹之后已开始逐渐衰退。当前全球数字经济蓬勃发展，其能够减缓人口红利的衰退，形成数字经济发展的人口红利效应吗？在数字经济发展通过提高劳动参与率、劳动就业率、人力资本以及资本深化水平缓解人口紅利衰退的理论基础上，基于2013—2020年省级面板数据，采用引入三变量交互项的双向固定效应模型、动态面板DIF-GMM和SYS-GMM模型进行实证检验。结果表明：第一，数字经济发展对人口红利的衰退具有显著的减缓作用。该减缓作用是通过提高劳动就业率、人力资本以及资本深化水平间接实现的，数字经济发展通过提高劳动参与率影响人口红利的传导路径不具显著性。

第二，在利用工具变量法处理内生性问题后，结论依然具有稳健性。

第三，异质性分析表明，以“胡焕庸线”为界的东南部地区劳动年龄人口比重下降对经济增长的影响较西北部地区明显，同时数字经济发展对人口红利衰退的减缓作用较西北部地区突出。以秦岭—淮河一线为界的南方地区劳动年龄人口比重的下降对经济增长的影响较北方地区明显，较为特别的是北方地区数字经济发展通过人力资本影响人口红利的系数较南方地区大一些。以国家统计局三大地带为划分标准的东中西部地区异质性显示，数字经济发展通过劳动就业率、资本深化缓解人口红利衰退的能力从强到弱依次为东部、中部、西部，而西部地区通过人力资本缓解人口红利衰退的边际能力却强于东部、中部地区。

关键词：数字经济；人口红利；劳动力就业；人力资本；经济增长

中图分类号： F241

文献标识码： A

文章编号：1000-4149（2023）04-0001-21

DOI：10.3969/j.issn.1000-4149.2023.00.025

一、引言

人口问题始终是世界各国关注的全局性、战略性问题。“人口红利”是解释中国等东亚国家经济增长奇迹的核心概念和关键要素，但人口红利并不能无限期地持续下去，只是提供了一个有限的机会窗口，以中国为代表的一些国家的人口红利在创造经济奇迹之后已开始逐渐衰退［1］。那么，作为人口红利收获典范的中国，人口红利消失了吗？答案是否定的。2021年中国国家统计局作出了“劳动力资源依然丰富，人口红利依然存在，同时劳动年龄人口逐年缓慢减少”的官方判断【

见国家统计局网站“第七次全国人口普查主要数据结果新闻发布会答记者问”，http：//www.stats.gov.cn/tjsj/zxfb/202105/t20210511_1817274.html】。

在“一带一路”倡议

背景下，基于中国的经验证据探索如何减缓人口红利的衰退、在有限的人口机会窗口内收获更多的人口红利，不仅有利于讲好中国人口与经济发展故事，也有利于世界经济的可持续发展。

当前全球数字经济蓬勃发展，其改变着企业、居民和政府的行为方式以及产业和宏观经济的运行方式，为推动经济增长作出了重大贡献［2-3］。据测算，2012—2021年，数字经济规模在当年国内生产总值的占比由21.6%提升至39.8%【 参见《回眸2022，十组数据看亮点》，http：//news.china.com.cn/2022-12/29/content_85032500.htm】。那么，其作为引领新一轮技术革命与产业革命的新型战略性组织形态［4］，能够减缓人口红利的衰退、形成数字经济发展的人口红利效应吗？学界对此已有少量讨论，虽然都得到了数字经济对人口红利具有积极影响的结论，但鲜有关于数字经济影响人口红利理论的系统分析。有研究认为，数字化是推动人口结构转型的重要经济因素［5］，人口红利和数字鸿沟之间存在着强烈的逆向关系，解决数字鸿沟所产生的数字红利可以极大地促进人口红利［6］。还有研究认为，数字化可以影响劳动年龄人口和劳动力市场，人口红利将对数字时代的整体经济表现产生积极影响，由此需要关注如何在数字经济中实现这一机遇，通过最大限度地发挥所有经济部门的人口红利潜力，促进经济可持续增长［7］。

综上可见，学者们对于数字经济影响人口红利的研究虽取得了一些极有借鉴意义的成果，但直接研究数字经济发展对人口红利影响的文献较少，在理论和实证层面仍然存在改进的余地：首先，数字经济影响人口红利的理论框架有待完善。一是数字经济发展背景与人口红利之间的关系有待深入剖析；二是数字经济对人口红利的影响错综复杂，鲜有文献对此进行深入研究。其次，关于数字经济的测度有待改进。现有文献多根据研究需要选取少数代表性指标对数字经济进行测度，指标的涵盖面不足；

或使用二手数据合成指标，这些会影响数字经济测度结果的合理性以及结论的可信性。基于此，本文在分析数字经济影响人口红利理论机制的基础上，使用内生经济增长模型构建数字经济影响人口红利的研究框架，并利用2013—2020年间中国省域面板数据，采用引入三变量交互项的双向固定效应、动态面板等模型分析数字经济对人口红利的影响，旨在阐明数字经济发展能够减缓人口红利的衰退，形成数字经济发展的人口红利效应。

二、理论分析及研究假定

1.人口红利概念的界定

自梅森（Mason）1997年在《亚洲—太平洋人口与政策》中首次提出人口红利以来［8］，人口红利的概念在不断的争论中得到了丰富与完善。部分学者从劳动年龄人口增长速度角度界定了人口红利的概念：布鲁姆和威廉姆森（Bloom & Williamson）指出，死亡率和生育率从高到低的转变会使得劳动年龄人口的增长率超过人口增长率，而此时经济增长将更加迅速，人口结构转型也就形成了人口红利［9］。梅森和李（Lee）认为当劳动年龄人口的增长速度超过被抚养人口增长速度时，有利于经济增长和社会福利的增加，便产生了人口红利［10］。也有部分学者从劳动年龄人口占比角度理解人口红利：一种见解是人口红利是伴随着劳动年龄人口占总人口比重的持续上升和人口抚养比的持续下降而存在的［11-12］；另一种则认为人口红利是在人口转变过程中形成的“中间大、两头小”的人口年龄结构，这一人口条件对经济发展具有积极作用［13-15］。如果劳动年龄人口在总人口中的比重较大，伴随着劳动生产率的提升便可以产生促进经济增长的人口红利［16］。此外，也有学者认为人口红利是人口年龄结构对经济增长的影响［17-18］。总的来说，虽然学术界对人口红利概念的界定千差万别，但都认同人口红利的核心是为经济增长提供充足的劳动力。

此外，人口红利的类型也得到了扩展。主要包括第一人口红利（传统人口红利）、第二人口红利、质量型人口红利

、配置型人口红利等［19-21］。同时，对人口红利的研究也逐步从本源的数量概念扩展为关于老年人口储蓄、教育和人力资本、产业结构升级和人口迁移流动等因素对经济增长的影响，但这些扩展的人口红利类型，很可能会混淆人口因素与人口以外因素对经济增长的作用。正如国家统计局所作出的“人口红利依然存在”的判断，本文旨在探究数字经济发展是否能够减缓人口红利的衰退，因此分析时将人口红利的概念锁定在传统的人口红利上面。

由此，与原新和刘厚莲对于人口红利的界定类似［17］，本文将人口红利界定为人口年龄结构对经济增长的影响，其在人口机会窗口【 人口机会窗口是指在人口转变过程中形成的“中间大、两头小”（15—64岁的劳动适龄人口规模大，两头小是指0—14岁的少儿人口和65岁及以上的老年人口规模小）的有利于经济发展的人口年龄结构。】内通过促进劳动参与率、劳动就业率、人力资本、资本深化等途径充分利用人口机会，促进经济增长。

2.数字经济的人口红利效应理论

自美国学者泰普斯科特（Tapscott）提出“数字经济”一词以来［22］，国内外专家学者纷纷致力于数字经济的相关研究，对数字经济的认识也越来越深刻，但鲜有学者探究数字经济的产生背景与人口红利之间的关系。追根溯源，我们可以发现数字经济的产生与应对人口老龄化对经济增长的冲击具有很强的关联性。随着工业化、现代化和城市化的发展，發达国家率先完成了人口再生产类型的转变，人口年龄结构已转为老年型，纷纷步入老龄化社会。作为发展中国家的中国，也于2000年迈进老龄化社会的门槛，截至2021年，中国65岁及以上老年人口规模已达2.0056亿【 数据来源为国家统计局《中国统计年鉴（2022）》中“2-4人口年龄结构和抚养比部分”：

http：//www.stats.gov.cn/sj/ndsj/2022/indexch.htm】，占总人口的 14.20%，可见老龄化加深速度之快。伴随着老龄化程度的不断加深，劳动年龄人口逐年减少，从供给的角度来看会产生劳动力供给短缺以及成本上涨等一系列经济社会问题。由此，一系列应对人口老龄化的策略相伴而生，如研究通过人工智能的发展来应对老龄化对经济增长的冲击［23-24］、在数字经济中推进积极老龄化。换言之，数字经济是伴随着积极应对人口老龄化的需求、劳动年龄人口的逐渐减少而出现的。当前，学术界更多地致力于数字经济对经济增长的影响研究，却很少关注数字经济对人口红利的影响。那么，数字经济可以减缓人口红利的衰退吗？其将通过什么途径减缓人口红利的衰退呢？

一个国家或地区的人口转变过程中形成一个“中间大、两头小”的有利于经济发展的人口年龄结构即人口机会窗口，但其只是收获人口红利的人口基础，并不会自动地转化为人口红利［10，25-28］。一般来说，将人口年龄结构优势转化为切实的经济增长成果，实现人口红利主要取决于人口年龄结构优势是否能够转化为更多的劳动投入、是否能够伴随着劳动效率的提升。当人口年龄结构优势能够通过提高劳动参与率、劳动就业率转化为更多劳动投入；能够通过劳动力人力资本水平的提升和资本的深化提升劳动效率，进而更充分地转化为经济增长成果时，则相当于其减缓了人口红利的衰退。与此同时，数字经济发展可以促进劳动参与率和劳动就业率的提高，也可以促进人力资本水平的提升和资本的深化，由此间接地减缓人口红利的衰退，具体影响机理如下。

第一，促进人口年龄结构优势转化为更多的劳动投入。劳动年龄人口只有劳动参与率较高，就业较充分时，才能真正成为促进经济增长的源泉。

①数字经济发展可以提高劳动参与率。劳动年龄人口除了包括经济活动人口外，还包括残障人士、家庭生产者等群体。数字经济的发展可以为残障人群提供更多就业机会［29］，吸引丧失部分劳动能力的残疾人参与到经济活动之中［30］，在提高残障人群生计能力的同时促进了经济的发展；也可以通过灵活就业、家务劳动社会化等方式促进从事家庭生产的适龄非劳动力向劳动力的转变，提高劳动参与率。

②④③⑤⑥⑦⑧⑨⑩

数字经济

可以通过提供更多的就业机会提高劳动就业率。数字经济的本质是技术进步，其对就业市场的影响存在就业创造效应的机遇，也存在就业替代效应的挑战，但从总效应来看，数字经济带来的正面效应要大于负面效应。首先是就业创造效应。一方面，数字经济有利于降低传统产业的生产、流通、交换等成本，促进效率的提升和产品价格的下降，进而拉动产品需求的上升，增加对劳动要素投入需求。另一方面，数字经济可以通过催生新业态和激发消费者的产品需求创造就业机会

［31-33］。据统计，2019—2021年人社部发布的4批56个新职业中，约60%的职业与数字经济有关【http：//www.sipac.gov.cn/ldhshbzj/tzgg/202105/9a5f774b821e4289a66aa9e992c3f0cb.shtml】。其次是就业替代效应。基于数字技术物化而形成的资本要素会直接对劳动力产生替代［34］。较为特别的是，数字经济的替代效应存在着异质性：从劳动力个体特点角度来看，有研究发现男性、低技能、从事对横向和社交技能需求较低常规工作的群体面临被替代的风险较大［35］。

也有研究指出女性、55岁以上、教育水平较低、生活困难和从不使用互联网的人是有些欧盟国家数字化时代最脆弱的群体［36］；从产业结构角度来看，数字经济发展对农业类工作产生了负向影响，但是对非农就业，特别是非正规就业具有显著的促进作用［37］；从劳动力市场分类角度来看，与高端劳动力市场的抽象性工作和低端劳动力市场的个性化服务相比，中端劳动力市场的工作内容更为流程化，更具重复性，更容易被替代［38］。最后，从总效应角度来看，数字经济对就业机会的影响应该是正向的。数字化不会广泛取代人类劳动，只有过时的、不再有用的就业形式才会被更适合数字技术发展的新形式所取代［39-40］。也有学者研究发现，数字化只能替代某个职业中的某些任务，而不是整个职业，与此同时，新的数字技术也会创造新的工作和职业，2013年只有15%的德国员工面临被自动化取代的风险［41］。没有任何迹象表明数字化将会导致德国

出现大规模失业［42］。戚聿东等对于中国的研究发现，数字经济发展促进了就业环境持续改善、就业能力不断增强，也带动了就业结构优化和就业质量提升［43］。

第二，促进劳动效率的提升。参与经济活动的劳动年龄人口多少只是单纯的数量型生产要素，其对经济增长的贡献还要取决于其是否具有和能否提升劳动效率。

①劳动力人力资本水平的提升，可以使其更有效地运用技术，提高其劳动生产率和物质要素的使用效率，进而推动经济持续高质量增长。在人口红利逐渐衰退国家的有限机会窗口内，数字化可以通过促进劳动力人力资本水平的提升，使其收获更多的人口红利。数字经济发展可以降低人力资本投资成本，足不出户便可以享有各种学习机会，使得终生学习成为可能，也能够为偏远落后地区普及发达地区的优质教学内容，促进人力资本投资的机会公平，缩小区域间人力资本差距，提升人均人力资本水平。相关研究表明，数字化可以提高一个国家或地区工作年龄人口的知识、技能和效率［7］，特别是会对一个国家的年轻人口产生重大影响，为大量年轻人口提供优质的教育、适当的医疗保健

以及其他可能提高其生产力和就业机会的经济因素［5］，使其在技术上更为先进、更有能力［44］。李梦娜和周云波研究发现，数字经济发展显著提高了中国人力资本结构高级化水平，尤其是显著提高低级和高级人力资本水平［45］。

②随着

资本深化，劳动力与更多更有科技含量、更有效率的机器设备结合可以提高劳动生产率，以此推动经济增长。在劳动年龄人口不断减少的情况下，数字经济可以通过对资本与劳动的技术扩展以及两者之间的再配置提升生产效率［4］。对于数字技术投资而言，其生产信息和通信产品及服务的活动可以直接促进生产率的增长，进而推动GDP的增长，而作为一种资本投入，当数字技术与劳动力相结合时，会导致资本深化，提高其他经济部门的劳动生产率［3］。

3.理论模型与研究假设

基于以上分析，为进一步探究数字经济如何通过提高劳动参与率、劳动就业率、人力资本水平以及资本深化来促进人口红利的实现，减缓人口红利的衰退，采用带有时变参数的内生经济增长模型进行分析，与新古典增长模型（将技术进步视为影响经济增长的外生因素，而将储蓄和资本积累视为经济增长的驱动力）相比，内生增长模型将技术进步作为影响经济增长的核心关键因素（内生因素）【 内生增长理论表明，对人力资本、创新和知识的投资具有技术经济的正外部性和溢出效应，这将促进经济发展［46］。】。

生产函数设定为一般的CD函数，劳动力蕴含于人力资本中，且为产出增加型（希克斯中性），假设规模报酬不变（α+β=1），满足稻田条件，具体模型为：

Y（t）=A（t）K（t）αH（t）β（1）

2.数据处理

（1）变量定义。

被解释变量：经济增长水平（gdp），用各省人均实际GDP值来衡量，为保持与大多数变量数量级一致，单位换算为万元。

解释变量：人口年龄结构（wap），参考钟水映等的研究［18］

使用劳动年龄人口占总人口的比重作为代理变量。

调节变量：数字经济发展水平（dig），学界对数字经济的测度主要包括直接法和对比法两种方法，其中直接法是根据数字经济的界定范围估计数字经济的规模，但由于其对数据可得性要求甚高，且各国关于数字经济的统计制度尚不健全［48］，学者们更多地采用对比法即通过构建数字经济指标体系综合计算得到数字经济发展水平［49］。鉴于数据的可获得性，参考柏培文和張云的指标选取方法［4］，从数字产业、数字创新、数字用户以及数字平台活跃度

四个维度对数字经济发展水平进行测度。选择这四个维度的理由是：数字产业活跃度反映了数字经济产业的发展程度，是数字经济发展的核心支撑；数字创新活跃度反映了数字经济发展的创新环境，是数字经济发展的内生动力；数字用户活跃度体现了用户的数字化水平，是数字经济发展的用户基础；数字平台活跃度反映了网络平台的数字化水平，是数字经济

快速发展的设施基础。具体指标选取见表1。

在对以上指标进行标准化处理的基础上采用主成分分析法测度数字经济发展指标【 KMO检验结果显示，KMO值为0.874（大于0.8），Bartlett检验结果显示指标变量之间存在显著的相关性，说明采用主成分分析法测度数字经济发展情况具有合理性。】。

中介变量：劳动参与率（lp），使用经济活动人口占劳动年龄人口的比重来衡量；劳动就业率（ep），使用就业人口占经济活动人口比重来衡量；人力资本（edu），使用人均受教育年限来衡量；资本深化（capital），使用人均资本存量来衡量，其中资本存量计算方法参考张军等的研究［50］

采用永续盘存法来测算，单位换算为万亿元。

控制变量：考虑影响经济增长的因素，以及数据的完整性与可得性，本文选用的控制变量包括财政支出（fin），使用地方财政支出占地区生产总值百分比来衡量；外贸依存度（trade），使用进出口贸易总额与地区生产总值的百分比来测度；环境规制（er），参考李虹等的研究［51］

通过综合指数法测算包含工业烟（粉）尘去除率、工业二氧化硫去除率、一般工业固体废物综合利用率、生活垃圾无害化处理率、污水处理厂集中处理率五个指标的环境规制综合指数；科技进步（tec），使用科研经费占地区生产总值百分比来衡量；产业结构高级化（str），参考付凌晖的研究［52］将 GDP 分为三个部分（三次产业），并将三次产业增加值占 GDP的比重作为空间向量中的分量来衡量产业结构高级化指标；外商直接投资（ifdi），使用外商投资额占地区生产总值百分比来衡量；对外直接投资（ofdi），使用对外投资额占地区生产总值百分比来衡量；土地流转（land），使用土地流转面积来衡量，单位换算为百万亩。

各变量描述性统计见表2。

（2）数据来源。

本文使用2013—2020 年中国大陆30个省份的面板数据进行研究（西藏地区由于数据缺失予以剔除）。数据来源为《中国统计年鉴》、《中国城市统计年鉴》、《中国科技统计年鉴》、《中国人口和就业统计年鉴》、《中国教育统计年鉴》、《中国环境统计年鉴》、《中国农村经营管理统计年报》、CSMAR数据库以及各省统计年鉴。

四、实证结果与分析

1.基准回归参数估计

豪斯曼检验结果显示固定效应优于随机效应，固定效应可以在一定程度上减轻省略变量误差带来的内生性，本文基准回归模型选择双向固定效应。

表3报告了数字经济发展影响人口红利的基准回归结果。其中模型（1）考察了数字经济发展、人口年龄结构、劳动参与率、劳动就业率、人力资本以及资本深化对经济增长的影响，结果显示各变量对经济增长的影响系数均显著为正。

模型（2）为在模型（1）的基础上增加了控制变量的回归结果，从控制变量参数估计结果来看，环境规制（er）与土地流转（land）的系数均未通过显著性检验。

从环境规制角度来看，可能的原因是，一方面各区域地方政府对环境规制政策的制定和实施存在“模仿”行为，引发了对环境规制政策的博弈，进而会产生“搭便车”行为，通过“挤出”效应减少本地的环保投入，不利于绿色低碳发展，对经济增长产生负向影响；另一方面可以通过“示范”效应增加邻近省区的环保投入，提升环境质量，促进经济增长可持续，两种相反方向的影响相抵消，导致该系数的不显著；从土地流转角度来看，土地经营权流转对区域经济增长的影响十分有限，其可能的原因是，2013年习近平总书记提出农地产权的“三权分置”政策，该政策实施虽已有一定时间，但相关配

套性制度安排的不断完善具有长期性，加之农地小规模经营依然存在，最终导致了土地流转的系数不具显著性。其他控制变量对经济增长的影响均通过了显著性检验。

模型（3）是在模型（2）的基础上增加了人口年龄结构与中介变量（劳动参与率、劳动就业率、人力资本以及资本深化）的交互项、人口年龄结构与数字经济发展交互项以及数字经济发展与中介变量的交互项，因本文所要分析的重点在于数字经济对人口红利的影响，因此增加此组交互项时并没有依次列出，而是一同列出了回归结果。其中，除劳动参与率外，其他中介变量与人口年龄结构的交互项系数均显著为负，表明劳动就业率、人力资本以及物质资本积累水平的提升可以缓解因人口年龄结构老化、劳动年龄人口比重下降对经济增长的负向影响，即能够减缓人口红利的衰退；人口年龄结构与数字经济发展的交互项系数虽然为正，但影响大小微弱且不具显著性，一定程度上表明数字经济发展对人口红利的直接影响微弱，更多的是通过中介变量影响人口红利。除劳动参与率外，其他中介变量与数字经济发展的交互项系数均显著为正，表明数字经济发展可以增强各中介变量对经济增长的影响。较为特别的是，包含劳动参与率的交互项系数均不具显著性。

模型（4）、模型（5）、模型（6）、模型（7）为在模型（3）的基础上依次增加数字经济、人口年龄结构、劳动参与率交互项，数字经济、人口年龄结构、劳动就业率交互项，数字经济、人口年龄结构、人力资本交互项，以及数字经济、人口年龄结构、资本深化交互项的回归结果。从回归结果可见，除包含劳动参与率的交互项系数不显著，与理论分析存在差异外，其他各交互项系数均显著为负，表明数字经济可以通过影响劳动就业率、人力资本和资本深化水平缓解因劳动年龄人口比重下降所引起的人口红利的衰退，验证了本文的理论假设。

2.动态面板回归参数估计

动态面板可以更好地解決传统面板数据固定效应模型存在的内生性问题。因此本文采

用DIF-GMM和SYS-GMM模型，进一步缓解模型中存在的内生性，回归结果如表4、表5所示【 限于篇幅，表4至表10中的回归结果汇报均按照公式（11）中能够影响人口红利的因素汇报，其他指标的回归结果作者留存备索。】。

从DIF-GMM和SYS-GMM模型的回归结果可见，引入滞后被解释变量后，数字经济发展通过影响劳动就业率、人力资本和资本深化水平来减缓人口红利衰退的效应依然存在（dig*wap*ep、dig*wap*edu、dig*wap*capital交互项系数显著为负），而通过影响劳动参与率来减缓人口红利衰退的路径依然不具显著性（dig*wap*lp交互项系数没有通过显著性检验），这验证了本文基准回归结果的稳健性。

3.异质性分析

（1）基于“胡焕庸线”的异质性分析。

由于网络效应的存在，人口规模优势对于中国数字经济发展具有重要的作用［53］。“胡焕庸线”是划分我国人口密度的对比线，是中国人口、经济、社会发展特征的真实体现，也是专家学者研究人口、经济、社会发展的重要参考，因我国部分省份（如四川等）被“胡焕庸线”分成了两部分，为研究方便，本文参考尹文耀等的研究在保持省级区域完整性的情况下［54］，以省为单位，依据“胡焕庸线”将中国大陆各省份分为东南和西北两个部分，进而考察数字经济影响人口红利的区域异质性，回归结果如表6所示。

从人口年龄结构对经济增长的影响系数大小来看，东南部地区要大于西北部地区，表明劳动年龄人口比重的下降对东南部地区的影响更为严重，东南部地区的人口红利衰退速度要快于西北部地区。可能的原因，一是西北地区多为少数民族的聚居地，具有更加宽松的计划生育政策，人口年龄结构老化进程较东南部地区滞后；二是东南部地区人口基数庞大，人口年龄结构老化对经济增长的影响更为明显。

从数字经济发展对人口红利的影响角度来看，东南部地区数字经济通过各中介变量影响人口红利的交乘项系数绝对值均较西北部地区大，表明东南部地区数字经济减缓人口红利衰退的能力更为突出，可能的原因是，东南部地区具有良好的经济基础、区位优势、教育资源优越、劳动力优势、资本积累优势等，有利于数字经济的发展，也能够提供更多的劳动力就业机会、更好的人力资本积累途径、更强劲的资本深化动力。

（2）基于南北方地区的异质性分析。

中国数字经济的发展存在较大的南北差异［55］。以秦岭—淮河一线为界，将各省份划分为南方、北方省份后的异质性回归结果如表7所示。

回归结果中较为特别的是，与南方相比，北方地区数字经济发展通过人力资本影响人口红利的系数要大一些，其原因可能是，北方数字经济发展相对落后，对于数字人才的需求更为强烈，通过人力资本缓解人口红利衰退的边际效应更大一些。

（3）基于东、中、西部地区的异质性分析。

国家工业信息安全发展研究中心发布的《全国数字经济发展指数（2021）》报告显示【http：//finance.people.com/cn/n1/2022/0706/c1004-32467789.html】，数字经济发展的不平衡现象依然存在，东部地区数字发展水平较高，而西部地区数字经济发展相对滞后。参考国家统计局三大地带的划分标准，将全国总体样本划分为东部、中部、西部的异质性回归结果如表8所示。

从东、中、西部地区的回归结果可见，数字经济发展通过劳动就业率、资本深化缓解人口红利衰退的能力从强到弱依次为东部、中部、西部，其原因可能是东部地区经济活动更为活跃，数字经济的发展环境较中部、西部更为优越，对企业创新创业行为的促进作用更为明显，工业化、城镇化水平明显高于中西部地区，对劳动参与率、劳动就业率以及资本深化的影响能力更强；中部地区虽然具有广阔的市场潜力、承东启西的区位优势和四通八达的交通条件，但人均资源占有量较少、生态环境较为脆弱、产业体系不够完全；西部地区幅员辽阔、

地形复杂，数字基础设施条件较差，工业化与城镇化水平较低，因此数字经济发展对人口红利衰退的缓解作用不仅落后于东部地区，也落后于中部地区。

然而，西部地区通过人力资本缓解人口红衰退的边际能力却强于东部、中部地区。可能的原因是，与东部、中部地区相比，西部地区的人口年龄结构较为年轻［56］，更有利于人力资本积累，数字经济发展通过人力资本水平缓解人口红利衰退是西部地区主要的中介途径具有一定的合理性。

4.内生性处理

解决内生性是经济学研究中不可忽视的重点问题。虽然本文已通过双向固定效应模型、动态面板模型控制了一部分内生性，但模型依然可能存在内生性问题：一方面，数字经济的发展依赖于人口规模和网民数量［53］，数字经济和人口红利间很可能存在潜在的因果内生性。另一方面，影响人口红利实现的因素颇多，虽然本文已努力控制了重要影响指标，但仍难以防止遗漏变量所产生的内生性。本文将进一步采用工具变量法来缓解模型的内生性问题。

数字经济发展的初期主要是依赖信息处理技术和网络建设，从历史角度考察，中国的互联网接入技术发展应该是源于固定电话的普及，由此历史上固定电话普及率较高的地区很有可能是互联网发展较好的地区，进而可能是数字经济发展较好的地区。就当前而言，固定电话难以影响人口红利的实现。因此选择历史的固定电话数作为工具变量具有一定的合理性。参考李治国和王杰的研究，选取1984年每百人固定电话拥有量与年份哑变量的交互项作为工具变量［57］，回归结果见表9。

从使用工具变量的回归结果可见，LM统计值均通过了显著性检验，说明不存在不可识别问题。从数字经济影响人口红利的交乘项来看，其系数与基准回归相比仅存在大小差异，不存在影响方向的差异，表明在处理了模型内生性后，本文的实证结果依然是可靠的。

5.稳健性分析

基于变量缩尾的稳健性分析。将所有变量进行1%缩尾处理并进行估计，结果如表10所示，可见变量进行缩尾处理后，数字经济发展通过劳动就业率、人力资本、资本深化影响人

口红利的交互项系数均显著为负，通过劳动参与率影响人口红利的路径不显著，与基准回归结果仅存在着数值大小的差异，再一次验证了本文实证结果的稳健性。

此外，从表3—表9的回归结果可见，无论是基于不同的模型还是基于不同的区域，回归结果均显示数字经济发展可以通过提高劳动就业率、人力资本以及资本深化水平等途径缓解劳动年龄人口比重下降对经济增长的负向影响，即可以缓解人口红利的衰退。进一步验证了本文实证结果的稳健性，具有一定的参考意义。

五、研究结论与政策启示

1.研究结论

数字经济和人口红利问题是当前社会各界颇为关注的重点问题。发展数字经济是把握新一轮科技革命和产业变革新机遇的战略选择，那么其能够减缓人口红利的衰退、形成数字经济发展的人口红利效应吗？为回答这一问题，本文在系统分析数字经济影响人口红利理论机理的基础上，搭建了数字经济影响人口红利的数理框架，基于中国2013—2020年省级面板数据，采用引入三变量交互项的双向固定效应模型、动态面板模型进行了实证检验，研究发现：

①数字经济的发展可以通过提高劳动就业率、人力资本水平以及资本深化等途径缓解人口红

利的衰退。较为特别的是通过提高劳动参与率影响人口红利的路径不具显著性。可能的原因，一是数字经济发展对劳动参与率的影响较为微弱;二是统计指标覆盖不够全面，数字经济所衍生出的新型就业形态较为灵活复杂，官方统计指标很难覆盖全面。

②通过工具变量法进行内生性处理后，数字经济发展对人口红利的影响并没有明显的改变。

③基于“胡焕庸线”的异质性分析表明，东南部地区数字经济发展对人口红利衰退的缓解作用较西北部地区突出；

基于南方、北方的异质性分析表明，与南方地区相比，北方地区数字经济发展通过人力资本影响人口红利的边际效应较大，而通过劳动就业率以及资本深化影響人口红利的边际效应较小；基于东、中、西部的异质性分析表明，西部地区通过人力资本缓解人口红利衰退的边际能力较东部、中部地区更明显。

2.政策启示

以上研究結论为大力发展数字经济的政策导向提供了新的证据支持，也引发了我们对如何充分发挥数字经济发展的人口红利效应的深入思考。

（1）大力发展数字经济。建立和完善相关法律、税收、监管制度，优化数字经济发展环境；促进数字要素市场化配置改革，激活数字要素活力；加强数字技术基础研发，完善智能化综合性数字信息基础设施，破解关键核心技术的“卡脖子”问题，提升数字关键核心技术创新能力；制定与数字经济发展相适应的人才培育政策，增强数字经济发展内生动力；鼓励高校积极申报数字经济相关、交叉研究项目，积极为数字经济发展提供智力支持。

（2）充分发挥数字经济发展的人口红利效应。利用数字金融的普惠性，降低企业融资成本，增强市场主体活力，促进企业创新创业，提高就业创造能力；建立与数字经济发展岗位需求相匹配的教育模式，该模式应具有一定的超前性，启用产学研一体化方式为劳动力市场储备适应性劳动力；充分挖掘数字经济的资本深化效应，推动数字产业化发展与产业数字化转型，为中小微企业数字化转型提供技术金融支持，形成企业生产效率提高与资本回报率上升的良性循环。

（3）促进区域间数字经济协调发展。数字经济发展领先地区，应着重提升数字技术的创新水平，破解关键卡脖子技术；数字经济发展较为落后的地区，应针对数字基础设施建设（尤其是新型基础设施如5G、人工智能、区块链等）、实体经济发展、研发投入等方面提供更多的科研资金支持，同时也要加强数字经济相关人才的引进；因地制宜

地实施异质性发展政策，充分发挥数字经济领先地区的发展优势，输出先进数字技术，辐射带动发展较为落后地区的数字经济发展，缩小区域间发展差距。

3.不足与展望

所有事物都与其他事物相关联［58］，以互联网为载体的数字经济具有很强的渗透性和融合性，更能够打破地理距离的限制，使某地区的人口红利很可能会同时受到本地区和其他地区数字经济发展的影响，即存在潜在的空间外溢效应，未来的研究应关注数字经济对人口红利影响的空间效应。

此外，人口老龄化程度的加深、劳动年龄人口比重的逐渐下降是中国未来一段时期不可逆转的趋势。从长远角度来看，为保障经济的健康可持续发展，必须要促进人口红利向人才红利转变，探索如何促进人口红利向人才红利的转变应该是未来

研究的重点。

参考文献：

［1］蔡昉.人口转变、人口红利与刘易斯转折点［J］.经济研究，2010（4）：4-13.

［2］ARENDT L.The digital economy， ICT and economic growth in the CEE countries［J］. Olsztyn Economic Journal， 2015，10（3）， 247-262.

［3］MYOVELLA G， KARACUKA M， HAUCAP J. Digitalization and economic growth： a comparative analysis of Sub-Saharan Africa and OECD economies［J］. Telecommunications Policy， 2019， 44（2）：101856.

［4］柏培文，张云.数字经济、人口红利下降与中低技能劳动者权益［J］.经济研究，2021（5）：91-108.

［5］ZAMAN K， SARKER T. Demographic dividend， digital innovation， and economic growth： Bangladesh experience［R］.  Asian Development Bank Institute， 2021.

［6］RAO S S. Bridging digital divide： efforts in India ［J］.  Telematics and Informatics， 2005， 22（4）： 361-375.

［7］HOSAN S， KARMAKER S C， RAHMAN M M， et al.  Dynamic links among the demographic dividend， digitalization， energy intensity and sustainable economic growth： empirical evidence from emerging economies［J］.  Journal of Cleaner Production， 2022， 330： 129858.

［8］MASON A.  Population and the Asian economic miracle［J］.  Asia-Pacific Population & Policy， 1997， 43： 1-4.

［9］BLOOM D E， WILLIAMSON J G.  Demographic transitions and economic miracles in emerging Asia［J］.  The World Bank Economic Review， 1998， 12（3）： 419-455.

［10］MASON A， LEE R.  Reform and support systems for the elderly in developing countries： capturing the second demographic dividend［J］.  Genus， 2006， 62（2）： 11-35.

［11］蔡昉.中国经济面临的转折及其对发展和改革的挑战［J］. 中国社会科学， 2007（3）： 4-12.

［12］王德文.人口低生育率阶段的劳动力供求变化与中国经济增长［J］.中国人口科学， 2007（1）： 44-52， 96.

［13］于学军.中国人口转变与“战略机遇期”［J］.中国人口科学， 2003（1）： 11-16.

［14］马瀛通.人口红利与日俱增是21世纪中国跨越式发展的动力［J］.中国人口科学， 2007（1）： 2-9， 95.

［15］钟水映，李魁.人口红利、空间外溢与省域经济增长［J］. 管理世界， 2010（4）： 14-23， 186-187.

［16］BLOOM D E， CANNING D， SEVILLA J P.  Economic growth and the demographic transition［R］.    NBER Working Papers， No.8685， 2001.

［17］原新，刘厚莲. 中国人口红利真的结束了吗？［J］. 人口与经济， 2014（6）： 35-43.

［18］钟水映，赵雨，任静儒. “教育红利”对“人口红利”的替代作用研究［J］. 中国人口科学，2016（2）： 26-34.

［19］LEE R， MASON A.  Back to basics： what is the demographic dividend？［J］.  Finance & Development， 2006， 43（3）： 16-17.

［20］杨成钢，闫东东. 质量、数量双重视角下的中国人口红利经济效应变化趋势分析［J］. 人口学刊，

2017（5）： 25-35.

［21］原新，金牛. 新型人口红利是经济高质量发展的动力源［J］. 河北学刊， 2021（6）： 109-116.

［22］TAPSCOTT D.  The digital economy： promise and peril in the age of networked intelligence［M］. New York： McGraw-Hill， 1996： 44-66.

［23］ACEMOGLU D， RESTREPO P.  Secular stagnation？ the effect of aging on economic growth in the age of automation ［J］.  American Economic Review， 2017，107（5）：174-179.

［24］陈彦斌，林晨，陈小亮. 人工智能、老龄化与经济增长［J］. 经济研究，2019（7）： 47-63.

［25］ROSS J.  Understanding the demographic dividend［R］.  Washington DC： Futurces Group，

POLICY Project Note， 2004.

［26］刘元春，孙立. “人口红利说”： 四大误区［J］. 人口研究， 2009（1）： 81-90.

［27］原新，高瑗，李竞博．人口红利概念及对中国人口红利的再认识——聚焦于人口机会的分析［J］．中国人口科学，2017（6）：19-31， 126.

［28］王广州. 中国人口机会窗口与人口红利再认识［J］. 中国人口科学， 2021（3）： 2-16， 126.

［29］YU H， GOGGIN G， FISHER K， et al.  Introduction： disability participation in the digital economy［J］.  Information， Communication & Society， 2019， 22（4）： 467-473.

［30］邱泽奇，乔天宇. 电商技术变革与农户共同发展［J］. 中国社会科学， 2021（10）： 145-166， 207.

［31］BUKHT R， HEEKS R. Defining， conceptualising and measuring the digital economy［J］.  International Organisations Research Journal， 2018， 13（2）：143-172.

［32］EICHHORST W， SPERMANN A.  Sharing economy： mehr chancen als risiken？［J］.  Wirtschaftsdienst， 2016， 96（6）：433-439.

［33］周廣肃，樊纲. 互联网使用与家庭创业选择——来自CFPS数据的验证［J］. 经济评论， 2018（5）： 134-147.

［34］HOLTGREWE U.  New new technologies： the future and the present of work in information and communication technology［J］. New Technology Work & Employment， 2014， 29（1）：9-24.

［35］POULIAKAS K. Determinants of automation risk in the EU labour market： a skills-needs approach［R］. IZA No.11829，2018.

［36］VASILESCU M D， SERBAN A C， DIMIAN G C， et al. Digital divide， skills and perceptions on digitalisation in the European Union： towards a smart labour market［J］.  PLoS ONE， 2020， 15（4）： 1-39.

［37］何宗樾，宋旭光. 数字经济促进就业的机理与启示——疫情发生之后的思考［J］. 经济学家，2020（5）： 58-68.

［38］AUTOR D H， KATZ L F， KEARNEY M S.  Trends in U.S.  wage inequality： revising the revisionists［J］.  Review of Economics and Statistics， 2008， 90（2）：300-323.

［39］EICHHORST W， BUHLMANN F. Die zukunft der arbeit und der wandel der arbeitswelt［J］. Wirtschaftspolitische Bltter， 2015， 62（1）： 131-148.

［40］RINNE U， ZIMMERMANN K F. Die digitale arbeitswelt von heute und morgen［J］.  Aus Politik und Zeitgeschichte， 2016， 66（18-19）： 3-9.

［41］DENGLER K， MATTHES B. The impacts of digital transformation on the labour market： substitution potentials of occupations in Germany［J］. Technological Forecasting and Social Change， 2018， 137（C）： 304-316.

［42］EICHHORST W， HINTE H， RINNE U， et al.  How big is the gig？ assessing the preliminary evidence on the effects of digitalization on the labor market［J］.  IZA Policy Papers， 2016， 28（3）：298-318.

［43］戚聿東，刘翠花，丁述磊. 数字经济发展、就业结构优化与就业质量提升［J］. 经济学动态，2020（11）：17-35.

［44］SAHOO D， NAYAK S， BEHERA J.  Digitization and economic performance of two fast-growing［R］. Asian Development Bank Institute，2021.

［45］李梦娜，周云波. 数字经济发展的人力资本结构效应研究［J］. 经济与管理研究， 2022（1）： 23-38.

［46］ROMER P M.  Endogenous technological change［J］.  Journal of Political Economy， 1990， 98

（5）： S71-S102.

［47］李广子，熊德华，刘力. 中小银行发展如何影响中小企业融资？——兼析产生影响的多重中介效应［J］. 金融研究，2016（12）：78-94.

［48］彭刚，赵乐新. 中国数字经济总量测算问题研究——兼论数字经济与我国经济增长动能转换［J］. 统计学报， 2020（3）： 1-13.

［49］王军，朱杰，罗茜. 中国数字经济发展水平及演变测度［J］. 数量经济技术经济研究，2021（7）： 26-42.

［50］张军，吴桂英，张吉鹏. 中国省际物质资本存量估算：1952—2000［J］. 经济研究， 2004（10）： 35-44.

［51］李虹，邹庆. 环境规制、资源禀赋与城市产业转型研究——基于资源型城市与非资源型城市的对比分析［J］. 经济研究， 2018（11）： 182-198.

［52］付凌晖. 我国产业结构高级化与经济增长关系的实证研究［J］. 统计研究， 2010（8）： 79-81.

［53］李晓华. 数字经济新特征与数字经济新动能的形成机制［J］. 改革， 2019（11）： 40-51.

［54］尹文耀，尹星星，颜卉. 从六十五年发展看胡焕庸线［J］. 中国人口科学， 2016（1）： 25-40，126.

［55］赵放，刘雨佳. 中国数字经济的联系强度、空间结构与发展策略［J］. 山西大学学报（哲学社会科学版）， 2021（4）： 99-108.

［56］晏月平，黄美璇，郑伊然. 中国人口年龄结构变迁及趋势研究［J］. 东岳论丛， 2021（1）： 148-163.

［57］李治国，王杰. 数字经济发展、数据要素配置与制造业生产率提升［J］. 经济学家， 2021（10）： 41-50.

［58］TOBLER W R.  A computer movie simulating urban growth in the Detroit region［J］.  Economic Geography， 1970， 46（S1）： 234-240.

The Demographic Dividend Effect of Digital Economy Development：

Empirical Evidence from China

ZHOU  Jian， DENG  Jingjing

（School of Economics， Liaoning University， Shenyang 110036， China）

Abstract：

“Demographic dividend” is the core concept and key element to explain high economic growth of China and other

East Asian countries， but  the demographic dividend in some countries has gradually declined

after creating the economic miracle.  With the current booming development of the global digital economy， can it slow down the decline of the demographic dividend and form the demographic dividend effect of the development of digital economy？ On the basis of the alleviating effect of  digital economy on the decline of the demographic dividend via improving the labor participation rate， the labor employment rate， the human capital and the material capital accumulation，

this paper employs the two-way fixed effects model， dynamic panel DIF-GMM and SYS-GMM models with three variable interaction terms， to make an empirical analysis  based  on Chinas provincial panel data from 2013 to 2020.  The main findings can be summarized as follows：

Firstly， the development of digital economy has a significant alleviating effect on the decline of  demographic dividend，

where this alleviating effect is indirectly achieved by the improvement of labor employment rate， human capital and material capital accumulation.  The development of digital economy does not have a significant impact on demographic dividend through the improvement of labor force participation rate.

Secondly， after processing endogeneity via instrument variable， the regression results remain robust.

Thirdly， the heterogeneity analysis across regions shows that the decline in the proportion of working-age population in the southeastern region divided by the

“Hu Huanyong Line” has a more significant impact on economic growth than in the northwestern region， while the alleviating effect of digital economic development on the decline of the demographic dividend is more prominent in the northwestern region.  The decline in the proportion of working-age population in the southern region divided by the

“Qinling Mountains and Huaihe River Line” has a more significant impact on economic growth than in the northern region.  In particular，  the coefficient of digital economic development in the northern region affecting  demographic dividend through human capital is larger than that in the southern region.

According to the heterogeneity of the eastern， western and central regions

devided by the National Bureau of Statistics，  the ability of digital economy  to alleviate demographic dividend through labor participation rate， labor employment rate and material capital accumulation is strongest in the eastern region， followed by the central region， and  weakest in the western region.  However， the marginal ability of the western region to alleviate

the demographic dividend recession through human capital is stronger than that of the eastern and central regions.

Keywords：digital economy；demographic dividend；labor force employment；human capital；economic growth

［责任編辑 刘爱华］