数字经济发展的人口红利效应——来自中国的经验证据.pdf

2023 年第 4 期(总第 259 期)人 口 与 经 济POPULATION&ECONOMICSNo.4,2023(Tot.No.259)学习二十大会议精神,阐述中国式现代化理论专栏 收稿日期:2022-09-09;修订日期:2023-01-06基金项目:国家社会科学基金重大项目“二元经济转型视角下中国新型城乡关系的构建研究”(21ZDA053)。作者简介:周健,辽宁大学经济学院教授,博士生导师;邓晶晶(通讯作者),辽宁大学经济学院博士研究生。数字经济发展的人口红利效应 来自中国的经验证据 周 健,邓晶晶(辽宁大学 经济学院,辽宁 沈阳 110036)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红利衰退的理论基础上,基于 20132020 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)04-0001-21DOI:10.3969/j.issn.1000-4149.2023.00.0251人口与经济 2023 年第 4 期 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。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,20122021 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%。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 20132020 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。2 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:/ 参见 回眸 2022,十组数据看亮点,http:/ 健,等: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,发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,占总人口的 14.20%,可见老龄化加深速度之快。伴随着老龄3 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”(1564 岁的劳动适龄人口规模大,两头小是指 014 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。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:/ 2023 年第 4 期化程度的不断加深,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。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。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,20192021 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。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4http:/ 健,等:数字经济发展的人口红利效应的促进作用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。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。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)。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(+=1),满足稻田条件,具体模型为:5 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。人口与经济 2023 年第 4 期Y(t)=A(t)K(t)H(t)(1)其中,Y(t)为经济总产出,A(t)为技术进步,K(t)为物质资本投入,H(t)为人力资本(H(t)=L(t)G(E)=L(t)eE,L(t)为劳动力,G(E)、eE为人均人力资本,E为平均受教育年限,为外生给定系数即教育回报率),为物质资本的产出弹性,为劳动力、人力资本的产出弹性,模型扩展为:Y(t)=A(t)K(t)L(t)eE=A(t)K(t)L(t)eE(2)将公式(2)两端同时除以 L(t)可得:y(t)=A(t)k(t)eE(3)其中,y(t)为劳均经济产出,k(t)为劳均物质资本,假设人均经济产出为 gdp(t)、人均物质资本为 capital(t),则 y(t)和 gdp(t)、k(t)和 capital(t)之间存在如下关系:y(t)=N(t)L(t)gdp(t)=N(t)W(t)W(t)P(t)P(t)L(t)gdp(t)(4)k(t)=N(t)L(t)capital(t)=N(t)W(t)W(t)P(t)P(t)L(t)capital(t)(5)其中,N(t)为总人口,W(t)为劳动年龄人口,P(t)为经济活动人口。将公式(4)和(5)带入公式(3)可得:gdp(t)=W(t)N(t)P(t)W(t)L(t)P(t)A(t)N(t)W(t)W(t)P(t)P(t)L(t)capital(t)eE=W(t)N(t)P(t)W(t)L(t)P(t)A(t)capital(t)eE(6)其中,W(t)N(t)劳动年龄人口占总人口的比重,是人口年龄结构的代理变量(简写为wap(t);P(t)W(t)表示劳动参与率即经济活动人口占劳动年龄人口的比重(简写为 lp(t),L(t)P(t)表示劳动就业率即就业人口占经济活动人口的比重(简写为 ep(t),=1-。进一步假设:总体技术产出弹性中,数字经济发展所引起的产出弹性为 ,数字经济发展对人口年龄结构、劳动参与率、人均物质资本、人均人力资本等贡献率的影响与数字经济发展所引起的产出弹性 相关。进一步将模型扩展为:gdp(t)=wap(t)1+()lp(t)1+()ep(t)1+()A(t)(1+)capital(t)1+()eE1+()(7)其中,dk=为物质资本产出弹性随数字经济产出弹性变化而变化的比率,dwap=dlp=dep=6 经济活动人口既包括劳动年龄人口中的就业人员和失业人员,也包括非劳动年龄人口中的就业人员和失业人员,本文在构建模型时增加的一个重要假设是经济活动人口是劳动年龄人口中的就业人员和失业人员的综合,忽略了非劳动年龄人口中经济活动人口的影响。周 健,等:数字经济发展的人口红利效应de=为人口年龄结构、劳动参与率、劳动就业率、人力资本产出弹性随数字经济产出弹性变化而变化的比率,大于零。聚焦公式(7)两边变量,取对数可得:lngdp(t)=(1+dwap)lnwap(t)+(1+dlp)lnlp(t)+(1+dep)lnep(t)+(1+)lnA(t)+(1+dk)lncapital(t)+E(1+de)(8)进一步对公式(8)两边求 t 的导数可得:gdp(t).gdp(t)=(1+dwap)wap(t).wap(t)+(1+dlp)lp(t).lp(t)+(1+dep)ep(t).ep(t)+(1+)A(t).A(t)+(1+dk)capital(t).capital(t)+(1+de)EEE(9)其中,gdp(t).gdp(t)为人均经济产出增长率,wap(t).wap(t)为人口年龄结构变化率,lp(t).lp(t)为劳动参与率变化,ep(t).ep(t)为劳动就业率变化,A(t)A(t)为技术贡献率,capital(t).capital(t)为人均资本贡献率,EE为人均人力资本贡献率。基于以上分析,本文提出如下假设:数字经济可以通过提高劳动参与率、劳动就业率、人力资本以及资本深化来减缓人口红利的衰退。三、研究设计与数据处理1.研究设计依据本文的理论机理和研究假设,劳动参与率、劳动就业率、人力资本和资本深化可以缓解人口红利的衰退,与此同时,数字经济的发展可以通过调节以上中介变量对人口红利的影响来间接影响人口红利。参考李广子等的研究47将引入三变量交互项的基准模型设计如下:gdpit=0wapit+1lpit+2epit+3capitalit+4Eit+5digit+4m=1mwapitZit+0wapitdigit+4n=1ndigitZit+4z=1zdigitwapitZit+nk=1kXit+t+t+it(10)其中,gdpit为经济发展水平,wapit为人口年龄结构,lpit为劳动参与率,epit为劳动就业率,capitalit为资本深化,Eit为人力资本,digit为数字经济发展水平,Zit为劳动参与率、劳动就业率、人力资本以及资本深化程度,Xit为本文所选一系列控制变量,i为个体效应,t为时点效应,it为随机扰动项,0、1、2、3、4、5、m、0、n、z、k为模型的待估参数。将公式(10)两边同时对 wapit(人口年龄结构)求偏导,可得人口年龄结构对经济增长的边际影响为:7人口与经济 2023 年第 4 期gdpitwapit=0+4m=1mZit+0digit+4z=1zdigitZit(11)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,参考柏培文和张云的指标选取方法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。表 1 数字经济发展指标体系(观测值=240)一级指标二级指标均值属性数字产业活跃度信息传输、软件和信息技术服务业城镇单位就业人员占比0.6082+软件业务收入对数2.5680+通信设备、计算机及其他电子设备制造业总产值对数2.9437+数字创新活跃度规模以上工业企业 R&D 经费支出对数6.2641+规模以上工业企业 R&D 项目(课题)数对数3.8121+专利申请授权数对数4.4615+数字用户活跃度移动电话普及率(部/人)1.0373+电信业务总量对数2.9838+人均互联网宽带接入用户数0.2315+数字平台活跃度互联网域名数对数1.6952+网民数对数3.3075+企业拥有网站数对数4.0299+注:本文所有与价格有关指数均以 2013 年为基期剔除价格影响。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。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。8 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。周 健,等:数字经济发展的人口红利效应控制变量: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 表 2 各变量描述性统计(N=240)变量均值标准差最小值最大值 gdp3.8962.2061.24312.704 wap0.7250.0360.6340.815 dig0.0000.762-1.9231.740 lp0.8020.1040.0111.043 ep0.9680.0060.9540.988 edu9.3240.9247.47412.782 capital16.0466.0525.17542.697 fin25.47710.33611.88164.301 trade1.7231.1430.4466.444 er8.3246.3582.57634.072 tec24.04724.6530.716127.145 str6.7390.2886.2357.657 ifdi1.8251.4290.0107.959 ofdi0.6821.0480.00610.383 land16.00516.0050.27168.973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 20132020 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9人口与经济 2023 年第 4 期 表 3 基准回归结果变量模型(1)模型(2)模型(3)模型(4)模型(5)模型(6)模型(7)wap3.981 4.216 4.731 5.127 5.404 5.826 5.918 (3.315)(6.653)(5.252)(9.880)(3.684)(4.324)(3.793)lp0.7120.742 0.7960.7610.806 0.7310.697(1.754)(2.063)(1.855)(1.720)(2.373)(1.682)(1.721)ep0.9811.0321.1272.132 2.175 2.3342.509 (1.722)(1.774)(1.825)(8.586)(3.743)(1.822)(3.064)edu1.2361.521 1.593 1.659 1.692 1.806 2.032 (1.923)(2.436)(3.892)(3.943)(4.145)(3.156)(2.645)capital0.1090.1420.139 0.1210.1530.1620.183(1.953)(1.812)(2.422)(1.781)(1.925)(1.773)(2.392)dig4.875 4.940 5.395 12.246 12.467 12.831 13.044 (6.024)(8.235)(4.041)(2.752)(2.624)(3.056)(4.258)waplp-0.021-0.025-0.028-0.044-0.051(-1.535)(-1.045)(-0.626)(-1.322)(-0.987)wapep-0.043 -0.054 -0.068 -0.076 -0.078(-10.182)(-8.162)(-5.581)(-3.215)(-1.814)wapedu-0.125 -0.138-0.159 -0.168 -0.236 (-5.367)(-1.708)(-3.069)(-3.842)(-4.924)wapcapital-0.054 -0.062 -0.068-0.073-0.084(-7.316)(-6.632)(-1.945)(-2.467)(-1.684)wapdig0.0030.0020.0000.0010.005(0.545)(0.562)(0.821)(0.795)(1.499)lpdig0.4990.5030.4670.5830.568(0.645)(0.190)(0.791)(0.257)(1.321)epdig1.767 1.307 1.909 2.033 2.309 (3.632)(3.543)(5.392)(3.891)(4.358)edudig1.767 1.307 1.909 2.033 2.309 (3.632)(3.543)(5.392)(3.891)(4.358)capitaldig0.450 0.3310.3870.1210.612(2.381)(1.722)(1.866)(1.725)(2.080)digwaplp-0.128-0.138-0.142-0.135(-1.173)(-1.264)(-0.865)(-1.376)digwapep-0.042 -0.051-0.054(-3.471)(-2.519)(1.682)digwapedu-0.234-0.252(-1.727)(-2.156)digwapcapital-0.162(-1.812)fin0.014 0.0150.0170.0160.0180.021(2.061)(1.732)(0.076)(1.828)(0.843)(1.785)trade0.245 0.320 0.346 0.351 0.364 0.371 (4.322)(3.896)(4.325)(5.023)(3.472)(6.144)er0.0640.0720.0940.0830.0920.087(0.785)(0.656)(0.782)(1.213)(1.196)(1.380)tec0.981 0.947 0.865 1.028 1.125 1.286 (6.398)(3.962)(3.173)(4.784)(7.324)(3.885)str0.657 0.724 0.7320.644 0.763 0.635 (3.811)(3.063)(1.815)(3.324)(2.523)(2.697)ifdi0.035 0.037 0.034 0.0480.0410.038 (3.464)(2.722)(2.324)(1.724)(1.763)(3.492)01周 健,等:数字经济发展的人口红利效应续表3变量模型(1)模型(2)模型(3)模型(4)模型(5)模型(6)模型(7)ofdi0.1520.132 0.1470.1360.1430.139(1.791)(2.027)(1.325)(1.834)(1.612)(1.861)land0.0530.0540.0520.0560.0620.054(0.942)(0.783)(1.026)(1.133)(0.466)(0.823)cons 3.730-2.1012.3053.2592.198-1.3272.326(1.954)(-0.992)(1.212)(1.365)(0.964)(-1.186)(0.825)R-sq0.2870.3250.3400.3900.5240.5980.625省份固定效应是是是是是是是年份固定效应是是是是是是是豪斯曼 x2 值3.462.8122.7312.6621.5831.2641.79P 值0.0000.0000.0000.0000.0000.0000.000 注:、分别表示在 10%、5%、1%水平上显著,括号内为 t 值。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决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11人口与经济 2023 年第 4 期 表 4 DIF-GMM 参数估计结果变量模型(8)模型(9)模型(10)模型(11)模型(12)L.gdp0.372 0.370 0.375 0.387 0.397 (5.505)(5.634)(3.532)(4.385)(3.762)wap4.234 5.447 5.869 5.6866.021 (4.374)(3.282)(3.152)(1.821)(2.855)waplp-0.029-0.055-0.054-0.058-0.063(-0.978)(-0.782)(-0.923)(-1.156)(-1.322)wapep-0.033 -0.063 -0.045 -0.065 -0.079(-8.129)(-4.599)(-3.874)(-2.735)(-1.761)wapedu-0.698 -0.676-0.449 -0.566 -0.731 (-3.520)(-1.688)(-3.063)(-4.953)(-3.055)wapcapital-0.046 -0.051 -0.044-0.058-0.055(-5.931)(-4.214)(-1.783)(-2.316)(-1.731)wapdig0.0070.0030.0000.001(0.562)(0.821)(0.795)(