返回上一页 文章阅读 登录

张季风 邓美薇:人口老龄化、技术创新对经济增长质量的影响

更新时间:2019-03-12 10:58:27
作者: 张季风   邓美薇  
并运用均值化方法进行无量纲化处理。之后, 检验所选取的数据及指标能否进行主成分分析, 中国经济增长质量测算模型的KMO检验值为0.767, 日本为0.769, 检验值均大于0.7, Bartlett球形检验显著性均为0.000, 表明所选择指标及数据合理。对两个测算模型分别提取三个及两个主成分进行分析, 累计贡献率分别为85.748%与89.049%, 均大于85%, 最后, 根据主成分分析结果计算各基础指标权重, 分别合成得到中日两国的经济增长质量指数。

  

   (二) 实证模型的构建

  

   选取2002年至2014年中国30个省份与日本47个都道府县的面板数据进行实证模型构建。首先, 关于变量的选择, 为保障中日两国对比维度的一致性, 被解释变量经济增长质量用上文测算结果表示, 由于《中国经济增长质量报告》 (1) 2发布的中国各省经济增长质量指数具有较高的可信度与权威性, 也将补充利用该指标进行实证检验。模型解释变量为技术创新、人口老龄化以及两者交互项, 交互项实证结果表征技术创新与人口老龄化的综合作用对经济增长质量的影响。选取授权的专利发明存量作为技术创新的替代变量, 采用永续盘存法进行计算, 公式为:

   其中, INVit为地区第年的专利发明存量, Lit为地区i第t年的专利发明数量, ?i为专利发明的折旧率, 3基期存量INVi0根据Hall et al. (2010) [25]的方法计算而得, gi为专利发明的年平均增长率。选取老年人口抚养比作为人口老龄化的替代变量。关于控制变量, 由于投资、消费及对外贸易是拉动经济增长的“三驾马车”, 政府行为、人力资本也影响一国技术创新与经济增长质量水平, 因此引入企业固定资产投资额、民间消费支出、对外贸易额、政府财政预算支出与GDP比值、与大学毕业生数作为控制变量。除经济增长质量指标外, 对其他变量进行对数处理, 各变量说明见表2。

  

表2 实证变量描述及数据来源

  

   其次, 为了直观了解中日两国人口老龄化、技术创新对经济增长质量的影响, 梳理了中国各省、日本各都道府县的相关排名情况进行描述性分析。由表3可知, 对于中国来说, 人口老龄化程度较低、技术创新能力较强的省份经济增长质量较高, 如, 北京、广东、上海、浙江等;尽管部分省份人口老龄化较严峻, 但是技术创新能力较强, 经济增长质量也排在前列, 如, 山东、四川、湖北、湖南等;青海、宁夏、新疆等省份尽管人口老龄化程度较低, 但是技术创新能力差, 经济增长质量排名靠后。对于日本来说, 经济增长质量较高的地区通常是人口老龄化程度低、技术创新能力强的地区, 如, 东京、大阪、爱知、神奈川等;部分地区尽管人口老龄化程度较高, 技术创新能力一般, 但是经济增长质量较高, 如, 秋田、山形、岩手等。整体来看, 对于两国来说, 人口老龄化程度较高、技术创新能力较差的地区, 经济增长质量较低, 反之亦然。

  

表3 人口老龄化、技术创新与经济增长质量的地区排名

注:限于篇幅, 排名中依次汇报2014年中日各地区人口老龄化、技术创新及经济增长质量的排名情况


   最后, 根据理论基础与前文分析, 设定动态面板数据计量模型如下:

   其中, i表示地区, t表示观测年份, Yit-1为经济增长质量指标Yit的滞后一阶项, lnINVit、lnAGEit及lnINV·AGEit为主要解释变量, lnGOVit、lnIit、lnCit、ln Hit及lnTRADit为控制变量, μi表示地区异质性, εit为随机误差项。这里需要注意, 由于加入交互项使得原变量的参数解释具有困难, 因此在实证具体操作中需要将模型重新参数化 (1) 4。为更加明晰人口老龄化背景下技术创新对经济增长质量的影响, 方程 (5) 中不含有交互项, 方程 (6) 中包含交互项。选用广义矩估计 (GMM) 方法进行估计, GMM估计包括水平GMM估计、差分GMM估计与系统GMM估计三种方法。方程 (5) 、 (6) 均为水平GMM估计方程, 将其分别进行差分运算得到:

   方程 (7) 、 (8) 为差分GMM估计方程, Δ为一阶差分运算符, 其他变量涵义与方程 (5) 、 (6) 相同。系统GMM (SYS-GMM) 即是将差分GMM方程与水平GMM方程结合作为一个方程系统进行GMM估计。相较于差分GMM与一步法系统GMM估计, 采用纠偏后的稳健型标准差的两步法系统GMM估计更有效率[26]。采用系统GMM两步法依据方程 (5) 至 (8) 进行估计, 实证结果见表4、5。

  

   (三) 实证结果讨论

  

   表4、表5分别为探究中国与日本的人口老龄化、技术创新对经济增长质量影响的实证模型结果。其中AR检验结果均无法拒绝不存在二阶自相关的假设, Hansen检验结果拒绝原假设, 表明选择的工具变量合理5。表4中, 模型1、6分别为不含交互项及含有交互项的实证结果。模型2至6逐步添加控制变量, 主要解释变量系数的方向及显著性不变, 表明控制变量选择合理, 模型具有稳定性。为保障实证结论的可靠性, 模型7、8中被解释变量用《中国经济增长质量报告》发布的指数进行替换, 主要解释变量的系数方向及显著性未发生明显变化。实证结果表明, 按照测算的经济增长质量指标来看, 对于中国来说, 在其他变量保持不变的情况下, 人口老龄化每增加1%, 经济增长质量降低0.157 0%, 技术创新每增加1%, 经济增长质量提升0.069 9%, 两者交互项系数为正, 即技术创新有可能削弱人口老龄化对经济增长质量的负面效应, 但是交互项系数未能通过显著性检验, 即这种作用并不显著。人力资本、消费与投资均对经济增长质量产生负面作用, 但政府财政支出与对外贸易有助于提升经济增长质量。表5中, 模型9、14分别为不含交互项及含有交互项的实证结果。模型10至14为逐步加入控制变量的实证结果。由实证结果可知, 对于日本来说, 在其他变量保持不变的情况下, 人口老龄化每增加1%, 日本经济增长质量降低0.634 6%, 技术创新每增加1%, 日本经济增长质量提升0.011 4%;而两者交互项每增加1%, 日本经济增长质量提升0.116 6%。不同于中国的情况, 日本的技术创新与人口老龄化交互项系数在5%统计水平下显著, 在一定程度说明日本的技术创新可以削弱人口老龄化对经济增长质量的负面冲击, 可以有效应对人口老龄化挑战。另外, 日本民间消费支出有助于提升经济增长质量, 但是政府财政支出、投资、人力资本与对外贸易对经济增长质量的影响并不显著。

  

表4 中国人口老龄化、技术创新对经济增长质量影响的实证结果

注: (1) ***, **, *分别表示1%、5%、10%的显著性水平, () 内为稳健型标准误; (2) AR (1) 、AR (2) 及Hansen检验中 () 内为P值

表5 日本人口老龄化、技术创新对经济增长质量影响的实证结果

注:同表4

  

   (四) 稳健性检验

  

   进一步讨论模型内生性及稳健性问题, 首先, 采取系统GMM估计方法, 选用稳健型标准误进行估计与经济意义解释, 具有可信性;其次, 由表4、5可知, 逐步添加控制变量过程中, 核心解释变量显著性及方向保持不变, 验证模型具有稳定性;最后, 使用替换解释变量方法及改变估计方法进行重新估计, 结果见表6及表76。所得实证结论与表4、5基本保持一致。综上所述, 实证模型结果具有稳健性。

  

表6 稳健性检验:替换变量     下载原表

注:同表4

(点击此处阅读下一页)


爱思想关键词小程序
本文责编:limei
发信站:爱思想(http://m.aisixiang.com)
本文链接:http://m.aisixiang.com/data/115488.html
文章来源:《日本问题研究》2019年第1期
收藏