人口老齡化對技術創新的影響研究

昌忠澤 姜 珂 魏詩謠

(1.中央財經大學，北京100081；2.山東大學，山東 濟南 250100)

一、引言和相關文獻綜述

自我國經濟進入新常態以來，經濟增長方式發生了質的改變，過去依靠資源消耗和規模優勢的粗放型生產方式正被以創新為核心競爭力的集約型生產方式所取代。依據熊彼特的創新理論，技術創新是創新的主要內容，是經濟發展和經濟增長的源泉。在經濟全球化的潮流中，技術創新離不開人力資本的有力支撐，尤其是受過高等教育的高層次人才。然而，受計劃生育政策等的影響，我國人口出生率顯著下降并自2000年起開始步入老齡化社會，在2019年老年人口撫養比更是達到17.8%(1)數據來源：《中國統計年鑒》。根據國際通行劃分標準，一個國家65歲及以上人口中比超過7%，就認為進入老齡化社會。我國2000年65歲及以上人口占比達到7%，此后逐年上漲，標志著開始步入老齡化社會。。這意味著我國“人口紅利”已經難以為繼，“未富先老”成為制約未來經濟高質量發展的重大難題之一，這也引發了社會對我國未來技術創新能力的擔憂。2019年11月，中共中央、國務院印發的《國家積極應對人口老齡化中長期規劃》明確指出，應對我國老齡化問題已正式上升為國家戰略，并提出要強化科技創新能力，把技術創新能力作為第一動力和戰略支撐。因此在我國經濟轉型的關鍵階段，有必要對人口老齡化與技術創新的關系進行研究，并結合時代背景提出具有針對性的政策建議。

目前國內外學術界圍繞人口老齡化與技術創新的關系進行了一系列研究，主要可以歸納為三種觀點。第一種觀點認為人口老齡化會對技術創新產生抑制作用。Levin et al.(1991)發現年齡與創新的預期回報率呈反比，因此會對私人投資活動造成擠出。部分學者認為人口老齡化會降低技術創新型勞動力的數量和質量(Czaja et al.，2007)，技術創新容易受老年群體的負面影響(Aksoy et al.，2019)。還有學者研究了年齡和創新動機之間的關系。Kanfer et al.(2000)發現隨著年齡的增加，個體的創新激情和創新動機呈現下降趨勢。除此之外，我國學者的研究也佐證了該觀點。閆鐘(2000)認為養老保障財政支出投入會對科研資金財政投入產生擠出，對科技創新產生負面影響。還有學者認為老齡化會通過降低人力資本積累和人力資本存量對技術創新產生負面影響(姚東旻 等，2017；楊校美，2018)。邵漢華等(2019)也使用跨國面板數據證實了人口老齡化與技術創新之間的負向關系，并認為通過優化創新條件能夠顯著降低負向影響程度。

第二種觀點認為人口老齡化會對技術創新產生促進作用。Ang et al.(2015)利用1870—2009年21個經合組織國家數據估計了不同年齡組教育程度對生產率的增長作用，發現隨著受教育水平的提高，高齡組員工具有更強的創新動機和創新能力，高齡員工較高的人力資本積累可以促進企業和社會創新，從而提高社會創新水平和生產力(Cai et al.，2016)。蔡昉(2004)認為人口老齡化通過誘發資本投資轉變為人力資本投資，提高了勞動力的資源利用效率和社會生產率。袁傳攀等(2011)指出人口老齡化為企業轉型升級帶來了新的發展機遇，促使企業的發展模式向創新要素密集型轉變。還有學者從生產和消費視角構建空間計量SEM模型，發現人口老齡化通過改變企業的資本-勞動要素稟賦結構從而“倒逼”企業增加技術和資本投入比，引導企業產業結構升級(楚永生 等，2017)。

第三種觀點認為人口老齡化對技術創新具有混合作用。韓振秋(2017)認為人口老齡化與科技創新具有雙重、雙向的作用和辯證的關系：一方面，人口老齡化對科技和研發產生擠出效應，尤其對高新技術行業會產生較大的負面沖擊；另一方面，老年群體的擴大又影響了國家的結構轉型，倒逼企業、研發機構和高等院校增強技術創新的動機，為技術創新提供新的發展契機。樓永等(2020)利用2006—2016年省級面板數據，運用雙向固定效應模型和工具變量模型分析人口老齡化對科技創新的影響，發現人口老齡化與科技創新水平存在顯著的倒“U”形關系，并對“人力資本水平”和“資本-勞動力稟賦”的中介作用機制進行了識別。黃乾等(2018)采用動態面板模型對我國省級行政區和微觀企業的面板數據進行分析，也證實了人口老齡化與技術創新呈現倒“U”形關系，且我國大多數省份位于人口老齡化對技術創新的負向影響階段，負向影響程度隨老齡化水平的提高而不斷加深。

總體來看，國外關于人口老齡化對技術創新影響的研究視角和研究成果頗為豐富，研究結論也不盡相同。現有研究大多從個人創新能力、企業勞動生產率以及國家的科研投入方面深入淺出地討論人口老齡化對技術創新的影響，其研究方法和所依據的理論也越來越全面。但是，當前國內關于人口老齡化對技術創新的研究仍處于起步階段，有關兩者內在機理的研究較為匱乏，在實證分析過程中也缺乏對數據的深入挖掘。

相對于現有研究，本文的貢獻在于：第一，在理論機制層面，立足現有文獻，梳理了人口老齡化影響技術創新的理論機制，并分析了人口老齡化通過需求結構和基本公共服務水平對技術創新產生影響的作用機理；第二，在實證方面，利用我國2010—2019年30個省份的面板數據，在采用固定效應模型進行分析的同時，還采用系統GMM模型進行對比，以期解決模型的內生性問題，增強結果的可靠性；第三，實證分析人口老齡化究竟通過何種機制對技術創新產生影響，并分別對東部、中部和西部的影響機制進行異質性分析，從而有利于提出相應對策。

二、理論分析

基于已有關于人口老齡化對技術創新影響機制的理論研究，本文從微觀、中觀和宏觀三個視角分析人口老齡化影響技術創新的作用機制。

(一)微觀層面

在微觀層面，人口老齡化對技術創新的影響主要體現為“年齡效應”的消極影響和“經驗積累效應”的積極影響。

“年齡效應”是指老年人口因勞動力質量下降而對技術創新產生消極影響。一方面，隨著年齡的增加，人們的身體機能和主觀激勵均會發生改變，個體的健康條件和認知能力會有所下降。技術創新所需要的知識存量龐大且更新頻率快，尤其在“互聯網+”時代，更需要具備一定的身體素質和學習能力以適應高強度和高壓力狀態的創新知識學習，而老年人口的適應能力和學習能力遠遠不如年輕人口(姚東旻 等，2015)。同時，個體的創新激勵主要來自于工資水平的提高，但是在老年階段，個體對收入水平的預期和期望均有所下降，因此創新的動機減弱。另一方面，對于年輕人口而言，老年人口增加意味著老年人口撫養比增加，年輕人口的消費開支增加，照顧老人花費的時間增多，因此會對技術創新所需的資金和時間產生擠出，難以達到預期的技術創新水平。因此，在老年人口與年輕人口比例不斷增加的社會環境中，這意味著社會總人力資本存量減少，從而抑制了技術創新。

“經驗積累效應”是指老年人口通過加速人力資本積累對技術創新產生積極作用。相對于年輕人口，老年人口的優勢在于知識和經驗的積累量較大，這種人力資本積累主要來源于教育階段和工作期間的教育培訓以及實際工作中“干中學”的直接經驗積累。而人力資本積累是促進技術創新的知識基礎，如果能夠合理地將老年人口的知識經驗積累與年輕人口的學習和應用能力相結合，則會大大提升社會技術創新水平。尤其是高技能老年人口擁有豐富的工作經驗，可以在企業研發、學校教育等方面發揮重要作用。合理利用高技能老年人口的人力資本積累，能夠提高全社會的技術創新能力。孫旭等(2009)研究發現雖然我國人力資本質量逐年提升，但是仍存在地區差異和城鄉差異。蔡昉(2018)也認為提升人力資本質量是當前人口老齡化背景下實現經濟高質量發展的關鍵。因此，在我國勞動力占比降低、勞動力質量仍需提升且老年人口知識積累效應尚未充分發揮的社會背景下，更需要通過人力資本水平的提高來增強技術創新水平。

(二)中觀層面

在中觀層面，人口老齡化對技術創新的影響主要體現為“要素倒逼效應”與“產業轉型效應”的積極影響。

“要素倒逼效應”是指人口老齡化會通過改變企業的資本-勞動要素稟賦結構倒逼企業進行技術創新。一方面，從資本和勞動要素相對數量而言，人口老齡化程度越高，意味著勞動人口比例越低，這會倒逼企業利用資本和技術要素替代勞動力要素，從勞動要素密集型產業轉變為資本和技術密集型產業。Acemoglu et al.(2022)認為勞動力和資本要素之間存在替代效應，當勞動力要素短缺時，企業會使用相對數量較多的資本要素對勞動力要素進行替代，以追求最大利潤和提高市場競爭力。另一方面，從資本和勞動要素相對質量而言，人口老齡化會導致勞動力市場供需不匹配，企業更傾向于引進高素質勞動者，同時加大教育和培訓投入以提高整體勞動力素質，彌補勞動力數量缺口，提高企業的勞動生產率(Mason et al.，2016)。綜上所述，人口老齡化從資本和勞動要素內部結構的數量和質量兩個層面對企業技術創新產生積極影響。當所有企業開展研發活動和新技術應用時，將帶動全行業的技術進步和勞動生產率的提升，從而對全社會的技術創新產生積極影響。

“產業轉型效應”是指人口老齡化會通過培育養老行業新興市場促使企業進行轉型方面的技術創新。當前，老年人作為新興消費群體受到越來越多的重視，其在健康、養老、照料和精神層次方面的社會需求和個性化需求也日益增多，這為我國老年產業發展提出更高的要求，有助于加快相關產業的轉型升級(趙西亮 等，2016)。然而，目前我國的養老行業和與之相關的產業鏈條并不健全，存在較大的市場缺口和拓展空間，這對于企業來說也是不可多得的市場契機。養老產業的發展與新技術的應用息息相關，如5G技術在家庭養老服務行業的應用、大數據技術在健康追蹤和精準服務定位方面的應用等，其增強了企業轉型和新技術應用的動機，從而進一步促進新一輪技術創新的到來。

(三)宏觀層面

在宏觀層面，人口老齡化對技術創新的影響主要體現為“政府投資擠出效應”的消極影響和“環境效應”的積極影響。

“政府投資擠出效應”是指人口老齡化會通過擠占政府科研資金減少社會技術創新投入。隨著人口老齡化程度的加深，我國政府承擔的養老金給付和社會保障轉移支付壓力也增大。目前我國實施“統賬結合”的養老金給付制度，社會統籌賬戶實行現收現付制。隨著老年人口增多，勞動人口與老年人口的比例將縮小，這使得養老金給付壓力逐漸加劇。個人賬戶幾近空賬運行，賬戶資金有相當一部分用作彌補社會統籌賬戶的資金缺口，而這種暫時性的彌補不利于我國養老金制度的可持續給付，可能帶來養老金入不敷出、養老金缺口逐步擴大等問題。具有公信力的政府為了兌現養老承諾勢必會調用其他領域的資金填補空缺，因此可能會產生對科研投入資源的擠出效應，從而抑制全社會的技術創新。龔鋒等(2015)和金昊等(2019)研究發現老年人口比重的提高會加重政府的養老負擔，而政府較高的養老支出會對科技創新投入和教育公共支出產生擠出效應，從而阻礙技術創新。

“環境效應”是指人口老齡化會通過提高政府公共服務建設營造社會技術創新的良好發展環境。隨著我國經濟水平的提高和老年人數量的增加，人們對基本公共服務水平的要求也隨之提高，這不僅體現為對交通、互聯網等基礎設施的需求，也體現為對科技、教育、醫療、文化及環境等基礎公共服務的需求。因此，政府增加在公共服務領域的資金投入會為技術創新營造良好的發展環境，激發社會技術創新的積極性和萬眾創新的參與度。

三、研究設計與數據初步分析

在現有文獻中，多數學者采用面板數據模型研究人口老齡化對技術創新的作用，本文的實證分析也借鑒了這一做法。由于人口老齡化對技術創新的影響在不同地區和不同時間可能產生恰好相反結論，因此采用面板數據可以有效地固定地區和時間差異對兩者關系的影響，從而得出更加確切的結論。事實上，面板數據模型因其可以同時對比靜態和動態變化而被廣泛使用，如靜態模型中的固定效應模型和隨機效應模型以及動態模型中的差分GMM模型和系統GMM模型等。利用綜合面板數據模型研究人口老齡化和技術創新的關系在經濟學文獻中也不乏先例，比如通過對比混合OLS模型、固定效應模型和系統GMM模型等的實證結果，分析兩者之間的關系(姚東旻 等，2017；劉淑蘭，2019)。

(一)模型設定

本文在借鑒現有實證方法的基礎上，考慮到不同時期人口老齡化對技術創新的影響可能存在差異，人口老齡化和技術創新之間可能存在非線性關系，故引入人口老齡化的二次項進行分析。同時本文依據相關理論，引入公共服務指標，兼顧了人口老齡化對技術創新在環境方面的影響。參考姚東旻等(2017)以及金昊等(2019)的研究，本文的計量模型設計如下：

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為國內專利申請受理數；OLD代表老年人口撫養比，即退休年齡及以上人口數占勞動年齡人口數的比例，用以衡量人口老齡化程度；R&D為R&D經費投入指標；EDUC為人力資本水平指標；GDPR為經濟實際增長率；OPEN為對外貿易依存度指標；IDS為產業結構高級化指標；NET為互聯網普及率指標；TAL為科技人才規模指標；GDP為經濟總量規模指標；θt代表年份效應；δi代表省份固定效應；εit為誤差項；β0為常數項。

(二)數據來源及變量說明

1.數據來源

受數據可得性的限制，本文選取我國2010—2019年除香港、澳門、臺灣、西藏外30個省份的面板數據，數據均來自《中國統計年鑒》。

2.變量說明

(1)被解釋變量：技術創新(TECH)。本文選取文獻中常用的國內專利申請受理數來測度技術創新程度，而不是選用科研投入方面的指標，這樣處理的合理性在于技術創新更加注重產出成果而非投入數量。

(2)核心解釋變量：人口老齡化(OLD)。本文選取老年人口撫養比來衡量人口老齡化。

(3)控制變量。一是R&D經費投入(R&D)，為R&D經費投入占地區生產總值的比重。技術創新容易受到科研經費投入的正向影響，加入該指標可以控制科研投入對技術創新的影響。二是人力資本水平(EDUC)，為高等教育人數占總人口的比重。一般來說，人力資本水平越高，技術創新能力也會越強，加入該變量可以控制高端人才對技術創新的影響。三是經濟實際增長率(GDPR)，采用剔除價格因素波動后的實際增長率進行測度。內生增長理論認為技術創新與經濟增長存在一定的內生關系，因此需要控制經濟實際增長率對技術創新的影響。四是對外貿易依存度(OPEN)，由境內目的地和貨源地進出口總額與地區生產總值的比值計算得出。若一個地區的對外貿易依存度較高，意味著該地區產品貿易因國際競爭力不足而易受國外貿易的沖擊，這不利于企業資金積累以及技術研發，因此會對技術創新產生不利影響，據此要控制對外開放程度對技術創新的影響。五是產業結構高級化(IDS)，為第三產業增加值占地區生產總值的比重。一般來說，產業結構越先進，越容易形成較高的技術創新水平，所以要控制產業結構對技術創新的影響。六是互聯網普及率(NET)，用以控制公共服務水平差異對技術創新的影響。七是科技人才規模(TAL)，由規模以上工業企業R&D人員全時當量進行測度。科技人才規模作為技術創新的重要人力來源，會直接促進技術創新水平的提高。八是經濟總量規模(GDP)，采用不變價處理后的各省份GDP進行測度。經濟實力較強的地區容易為技術創新提供更好的經濟環境，據此要控制經濟總量對技術創新的影響。

上述數據均以2010年為基期，剔除了價格因素對數據的影響。為了消除數值上的異常波動，本文對數據中有負數的經濟實際增長率和取對數后有負數的R&D經費投入指標外的所有變量均取對數處理。針對部分數據存在的數值缺失問題，本文利用移動平均法進行插值。本文所有結果均由Stata軟件回歸分析得出。

(三)核心變量社會總體現狀及趨勢分析

圖1和圖2分別為我國2009—2019年專利申請受理量和老年人口撫養比趨勢圖。由圖1可知，2009—2019年國內專利申請受理量呈現波動上漲趨勢，從2009年的877611項上升至2019年的4172000項，且近幾年的增長幅度有所放緩。圖2顯示我國2009—2019年老年人口撫養比呈現平穩上漲趨勢，從2009年的11.6%上升至2019年的17.8%，近幾年的增長幅度有所提升。

圖1 我國2009—2019年國內專利受理量(項)

圖2 我國2009—2019年老年人口撫養比(%)

(四)描述性統計

表1為各變量的描述性統計結果，除R&D經費投入和經濟實際增長率外，其余數據均進行了取對數處理。

表1 變量的描述性統計

(五)平穩性檢驗

本文以通過5%的顯著性水平為判斷標準，選用LLC檢驗和Fisher-PP檢驗對原序列進行平穩性檢驗。表2結果顯示，所有變量均通過了LLC檢驗和Fisher-PP檢驗，證明了序列的平穩性。

表2 變量的平穩性檢驗

四、實證分析

(一)模型估計與檢驗

本文首先構建了混合OLS模型(如表3列(1)和列(2)所示)，其中列(1)僅包含核心變量，列(2)既包含核心變量也包含控制變量。由于混合OLS模型沒有控制省份和時間的固定效應，可能導致結果有偏，因而本文同時進行了BP檢驗和輔助檢驗，結果顯示應當選擇面板數據模型。此外，本文進行了豪斯曼檢驗，結果顯示應當采用固定效應模型，與此同時修正了模型的異方差和自相關問題(如表3列(3)和列(4)所示)，其中列(3)僅包含核心變量，列(4)既包含核心變量也包含控制變量。考慮到模型可能存在的內生性問題，本文選擇兩步系統GMM模型(如表3列(5)和列(6)所示)進行對比分析。根據已有文獻，本文選擇技術創新水平的滯后項作為工具變量，其余變量為外生變量。結果顯示，模型通過了Hansen-J檢驗和Arellano-Bond自相關檢驗，因而認為模型不存在過度識別問題，所選擇的工具變量集有效。

表3 人口老齡化對技術創新影響實證分析結果

(二)實證結果分析

1.核心變量

由表3可知除列(1)外，人口老齡化對技術創新均呈現出一次項回歸系數為正、二次項回歸系數為負的顯著的倒“U”形影響，即隨著人口老齡化程度的提高，人口老齡化最初對技術創新具有積極影響，但在到達拐點之后，人口老齡化對技術創新的影響轉為負向。模型結果顯示，列(2)至列(6)達到拐點的老年人口撫養比分別為20.18%、11.44%、12.32%、12.79%、13.37%，整體來看拐點的取值范圍為11.44%～20.18%。為了能夠綜合多變量因素的影響結果，本文以列(4)固定效應模型的結果進行分析。對2019年各省份老年人口撫養比的數據進行分類發現，除新疆(11.9%)、青海(11.8%)和廣東(11.4%)外，其余省份均達到或超過12.32%的拐點臨界值，這意味著人口老齡化已經對我國絕大多數省份的技術創新造成負面影響，不利于提高地區的技術創新水平。

由列(5)、(6)可知，滯后一期的技術創新水平對當期技術創新水平具有顯著的正向影響，且系數在0.91～0.93之間，這意味著技術創新的投入和研發是一個較為長期的過程。這一實證結果與本文第二部分的作用機理分析一致，表明人口老齡化對技術創新的影響是非線性的，是由積極因素和消極因素共同博弈的結果。在拐點之前的階段，人口老齡化的“經驗積累效應”“要素倒逼效應”“產業轉型效應”和“環境效應”對技術創新產生的積極影響大于消極影響；在拐點處技術創新水平達到最大峰值；在拐點之后的階段，人口老齡化通過“年齡效應”和“政府投資擠出效應”對技術創新產生的消極影響大于積極影響，因此呈現出倒“U”形趨勢。

2.控制變量

R&D經費投入占GDP的比重越高，意味著對技術創新的資金投入越高，因此對技術創新越能產生正向影響。但是這一結果僅在列(2)中顯著，這可能是由于技術創新資金投入與產出的差異較大，需要進一步研究論證。人力資本積累量越高，意味著能夠從事技術創新研究的高層次人才越多，從而對技術創新產生越大的促進作用。列(4)結果與理論分析相符，人力資本積累每增加1%，技術創新水平將增加0.820%，并在10%的水平上顯著。經濟實際增長率越高，說明經濟發展能夠為技術創新提供的資金積累量越多，越容易對技術創新產生正向影響，這一結果在三個模型中均得到證實。在列(4)中，經濟實際增長率每增加1個百分點，技術創新水平將增加0.0305%，并在1%的水平上顯著。對外貿易依存度越高，表明我國產品貿易因國際競爭力不足而越易受國外貿易的沖擊，從而不利于企業資金積累以及技術研發，對技術創新產生抑制作用，但該觀點未得到實證佐證。產業結構高級化水平越高，越能為技術創新提供良好的產業基礎和資金支持，從而促進技術創新水平的提高。列(4)結果證實了上述觀點，產業結構高級化水平每增加1%，技術創新水平將增加0.958%，且在5%的水平上顯著。互聯網普及率較高時，意味著全社會的公共服務水平較高，基礎設施建設較為完善，能夠促進創新要素的產生和流動，對技術創新產生正向影響。除此之外，科技人才規模和經濟總量規模雖然會對技術創新產生正向影響，但均未通過顯著性檢驗。

綜上所述，人口老齡化對技術創新呈現出顯著的倒“U”形影響，即先正向影響后負向影響，拐點處的老年人口撫養比為12.32%。目前除新疆、青海和廣東外，其他省份均已步入人口老齡化對技術創新的負向影響階段。同時，人力資本、經濟實際增長率、產業結構高級化和互聯網普及率對技術創新具有正向影響，對外貿易依存度對技術創新具有負向影響。

(三)穩健性檢驗

為了進一步證實結果的穩健性，本文采用兩種方法進行檢驗：一是變量替代法，使用老年人口占比(OLDRAT)作為老年撫養比(OLD)的替代變量；二是剔除特殊樣本即北京、上海、重慶、新疆，增強研究結論的可靠性。相關檢驗結果如表4和表5所示(2)限于篇幅，表4和表5略去了控制變量的回歸結果，留存備索。。

表4 穩健性檢驗結果：變量替代法

表5 穩健性檢驗結果：剔除特殊樣本

由表4可知，在使用替代變量后，人口老齡化對技術創新仍呈現出顯著的倒“U”形影響，列(1)至列(6)拐點處的老年人口撫養比分別為18.51%、13.69%、10.07%、10.41%、9.06%和8.23%。其中，列(4)固定效應模型的結果為10.41%，與表3的結果相近，說明我國絕大部分地區的人口老齡化已經對技術創新造成負面影響，上文實證結果具有一定的穩健性。

表5為剔除特殊樣本后的實證結果。可以看出，人口老齡化對技術創新仍呈現出顯著的倒“U”形影響。列(4)固定效應模型的結果為12.41%，與表3的結果相近。列(5)、(6)結果表明，滯后一期的技術創新水平對當期的技術創新水平具有顯著的正向影響且系數在0.75～0.96之間，證實了上文實證結果的穩健性。

五、影響機制及異質性分析

(一)模型設定

為了考察人口老齡化影響技術創新的具體機制，建立下列模型對各影響機制進行實證檢驗：

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為影響技術創新水平的控制變量，其他變量選取與模型(1)相同。為了檢驗人口老齡化對技術創新的“經驗積累效應”機制、“要素倒逼效應”機制、“產業轉型效應”機制、“政府投資擠出效應”機制及“環境效應”機制，本文在模型(2)至模型(5)中依次加入了五個交互項，分別為老年人口撫養比和人力資本存量的交互項OLDEXP、和固定資產投資占從業人數比重的交互項OLDREV、和醫養服務行業從業人數占從業人口總數比重的交互項OLDTRA、和養老保險支出占財政支出比重的交互項OLDSQU和地方財政一般公共服務支出占地方財政一般預算支出比重的交互項OLDENV。

測試結果(仿lucene打分算法取最相關的5條記錄；向量空間模型和歸一化算法的相關度閾值為0.9，檢索結果取高于此值的記錄；問題和檢索結果的相似度由算法計算，指的是問題和檢索結果的標題的相似程度。問題1：為什么柑橘貯藏期果實容易浮皮？問題2：如何選擇柑橘無病毒容器育苗的場地？問題3：怎樣貯藏柑橘？測試結果如圖2所示。

(二)相關影響機制分析

該部分使用固定效應模型(FE)和兩步系統GMM模型(GMM)檢驗人口老齡化對技術創新的五種影響機制。根據豪斯曼檢驗結果選擇固定效應模型進行分析。考慮到內生性問題，依然選擇兩步系統GMM模型進行對比分析，并選擇技術創新水平的滯后項作為工具變量，其余變量為外生變量。模型通過了Hansen-J檢驗和Arellano-Bond自相關檢驗，因而可以認為模型不存在過度識別問題，該模型所選的工具變量集有效。相關回歸結果如表6和表7所示(3)限于篇幅，表6和表7略去了控制變量的回歸結果，留存備索。。

表6 人口老齡化對技術創新的影響機制分析(FE)

表7 人口老齡化對技術創新的影響機制分析(GMM)

“年齡效應”可以通過表6和表7中人口老齡化及其二次項的系數進行分析。結果顯示，隨著人口老齡化程度的提高，人口老齡化最初對技術創新具有積極影響，但是在到達拐點之后，人口老齡化對技術創新具有消極影響。且根據固定效應模型得出列(1)至列(5)的拐點均在12%左右，2019年我國絕大多數省份的老齡化程度均超過了該水平，表明人口老齡化對我國大部分地區技術創新均展現出了消極影響，說明老齡化通過降低勞動者的身體素質、創新意識和知識創新投入對技術創新發生了負向沖擊，與理論分析部分的“年齡效應”相吻合。

表6和表7的列(1)給出了“經驗積累效應”機制的實證結果。在加入老年人口撫養比和人力資本存量的交互項后，人口老齡化對技術創新仍呈現出顯著的倒“U”形影響，但交互項ln OLDEXP的系數在表6和表7中均不顯著，表明人口老齡化沒有通過“經驗積累效應”對技術創新產生積極影響，說明高齡勞動者的知識積累產生的積極影響仍需加強，要多學習新技術。

列(2)給出了“要素倒逼效應”機制的實證結果。在加入老年人口撫養和固定資產投資占從業人口總數的比重的交互項后，人口老齡化對技術創新仍呈現出顯著的倒“U”形影響，但交互項ln OLDREV的系數在表6和表7中均不顯著，表明人口老齡化沒有通過“要素倒逼效應”對技術創新產生積極影響，仍然需要進一步增加資本和研發投入進行技術創新以提高勞動生產率。

列(3)給出了“產業轉型效應”機制的實證結果。在加入老年人口撫養比和醫養服務業從業人數占比的交互項后，人口老齡化對技術創新仍呈現出顯著的倒“U”形影響，且交互項ln OLDTRA的系數在表6和表7中均顯著為正，表明人口老齡化通過促進企業的產業轉型升級對技術創新產生正向影響，這與前文理論部分的分析相吻合。

列(4)給出了“政府投資擠出效應”機制的實證結果。在加入老年人口撫養比和養老保險支出占地方財政支出的比重的交互項后，人口老齡化對技術創新仍呈現出顯著的倒“U”形影響，但交互項ln OLDSQU的系數在表6和表7中均不顯著，表明人口老齡化沒有通過“政府投資擠出效應”對技術創新產生消極影響，人口老齡化并沒有對政府科研資金產生顯著的擠出作用。

列(5)給出了“環境效應”機制的實證結果。在加入老年人口撫養比和地方財政一般公共服務支出占地方財政一般預算支出比例的交互項后，人口老齡化對技術創新仍呈現出顯著的倒“U”形影響，且交互項ln OLDENV的系數在表6和表7均在10%的水平上顯著為正，表明人口老齡化會通過優化政府公共服務建設營造社會技術創新的良好發展環境。

(三)異質性分析

為了分析人口老齡化影響技術創新的機制在不同地區之間是否存在差異，該部分將樣本省份分為東部、中部和西區三個地區(4)東部地區包括東部地區包括北京、天津、河北、遼寧、上海、江蘇、浙江、福建、山東、廣東和海南等11個省份；中部地區包括山西、內蒙古、吉林、黑龍江、安徽、江西、河南、湖北和湖南等9個省份；西部地區包括廣西、重慶、四川、貴州、云南、陜西、甘肅、青海、寧夏、新疆等10個省份。，比較每個地區影響機制的異同，結果如表8所示。該部分使用固定效應模型(FE)和兩步系統GMM模型(GMM)檢驗人口老齡化對技術創新的五種影響機制(5)為節約篇幅，本部分略去了GMM的回歸結果，留存備索。。

表8 異質性分析

其他效應在不同地區表現出不盡相同的特征。第一，對于東部地區來說，列(2)、(3)、(5)交互項的回歸系數顯著為正，表明該地區人口老齡化會通過“要素倒逼效應”“產業轉型效應”和“環境效應”對技術創新產生積極影響，說明東部地區資本和研發投入水平相對較高，技術創新的發展環境也相對完善，這均會促進技術創新水平的提高。第二，對于中部地區來說，列(2)交互項的回歸系數顯著為負，表明該地區人口老齡化會通過“要素倒逼效應”對技術創新產生消極影響。由此可以看出，中部地區資本和研發投入水平較低，不足以促進企業持續開展研發活動并提高新技術應用水平。第三，對于西部地區來說，列(2)交互項的回歸系數顯著為正，表明該地區人口老齡化會通過“要素倒逼效應”對技術創新產生積極影響。由此可以看出，人口老齡化在一定程度上促進了該地區資本和研發投入的提高，但其他渠道的作用仍不明顯。

六、結論和討論

(一)研究結論

本文利用我國2011—2019年省級面板數據，采用混合OLS模型、固定效應模型和系統GMM模型實證研究了人口老齡化對技術創新的影響。研究結果表明，人口老齡化對技術創新的影響呈現出顯著的倒“U”形關系。樣本省份中，除新疆、青海和廣東外，其他省份均已步入人口老齡化對技術創新的負向影響階段。對影響機制的分析表明，人口老齡化會通過“年齡效應”對技術創新產生負向影響，通過“產業轉型效應”和“環境效應”對技術創新產生積極影響。本文還對東部、中部和西部地區的影響機制進行了異質性分析，發現人口老齡化對技術創新的影響機制在各地區表現出不盡相同的特征。

(二)政策建議

第一，為降低“年齡效應”對技術創新的負向影響，要適度放開和實行積極的人口政策。本文發現我國絕大多數省份已經進入人口老齡化對技術創新的負向影響階段，而適度調整和放開人口政策可以增加年輕勞動力在總人口的比重，從而弱化人口老齡化的負向影響。雖然我國在2016年已經實施“全面放開二孩”政策，但是由于生活壓力的加大和現代思想意識的轉變，年輕人往往不愿意生育二孩，這需要政府采取一定的宣傳措施和補貼政策鼓勵年輕人生育二孩，減輕年輕人撫養和教育孩子的負擔，從而降低人口老齡化程度或使人口老齡化的增速放緩。

第二，“經驗積累效應”的分析表明，樣本總體及各地區人口老齡化均無法通過“經驗積累效應”對技術創新產生顯著的促進作用，據此要加大人力資本投資，提高人力資本利用率。我國存在勞動力整體素質偏低的問題，需要對教育事業尤其是高等教育事業增加資金和物質投入，培養國際視野和本土情懷兼具的創新型人才。同時政府也需通過政策引導、減稅降費和補貼支持等手段鼓勵企業和個人加強職業教育，在“干中學”中不斷增強人力資本積累，在全社會形成“產—學—研”的良性循環系統，增強技術研發的針對性。在提高人力資本利用率方面，可以對高端層次的老齡人口資源進行整合，將其人力資本積累優勢充分轉化為寶貴的工作經驗和對未來技術創新的方向引領，比如實施“返聘”計劃以及成立專業領域的研究部門等，充分利用高端層次的老齡人口資源，并與社會中有需求的部門精準匹配，從而最大限度地調動全社會的技術創新。

第三，針對“要素倒逼效應”在樣本總體以及中部地區正向影響不顯著的事實，要增強資本和技術要素替代勞動要素的力度。人口老齡化程度的提高意味著勞動人口比重的降低，在這樣的背景下，要想實現技術創新水平的提高，就要采取措施促進資本和技術對勞動力的替代，促進相關產業從勞動要素密集型產業轉變為資本和技術密集型產業。同時，要加大高素質勞動者的引進力度，增強教育和培訓投入，提高整體勞動力素質，彌補勞動力數量的缺口，提高企業的勞動生產率。

第四，針對“產業轉型效應”和“環境效應”在中部和西部地區不顯著的事實，要加大這些地區養老行業新興市場的培育力度，促使企業進行轉型，同時營造利于技術創新要素培育和流動的發展環境。要促進產業結構高級化進程，由“大水漫灌”式的粗放型發展模式向“精準滴灌”的高效型發展模式轉變，重點發展戰略性新興產業。應重點發展養老產業，滿足老齡人口的健康服務需求和精神文化需求。新冠肺炎疫情期間激發了多種業態創新，如數字經濟產業、社區醫療、以云辦公和云課堂為代表的云服務產業等，這為技術創新的更新升級提供了拓展空間。同時還要注重提升全社會的公共服務水平，通過優質高效的公共服務供給，創造利于社會技術創新的外部環境。

(三)研究局限和未來展望

本文揭示了人口老齡化對技術創新不同階段的影響，豐富了人口老齡化背景下技術創新領域的研究成果，對我國具有一定的理論價值和現實意義。但同時也應看到，由于數據可得性的影響，本文研究的時間跨度較短，因而實證結果可能存在一定偏差。未來可以考慮使用企業的微觀數據分析人口老齡化對技術創新的影響，并對數據進行區域和產業類別的細分，同時允許進行較長時間的調查以跟蹤變量之間的關系變化。