李三希、姚东旻
一、引言
自1978年改革开放以来到现在，中国经济已经实现了持续三十多年的强势增长，取得了举世瞩目的成就。1978到2011年间，中国的平均经济增速高达9.98%，总GDP排名由1978年的第10位跃居至2010年的第2位，占世界经济的比重由1980年的1.9%上升至2010年的9.4%。伴随经济发展的同时，人民生活水平也日益提高，已经由低收入国家发展为中等偏上收入国家。
然而许多学者也意识到中国现在的发展模式存在自身的问题，因而是不可持续的。尤其是，被现代经济增长理论视为增长源泉的技术进步，在中国三十多年的发展中所做的贡献还远远偏低。陈彦斌、 姚一旻（2009）从经济增长模式角度比较了中国和八国集团（G8）中的部分大国，发现中国的资本贡献率过高，而衡量创新和技术的重要指标TFP的贡献率过低。1978-2007年间，TF P对中国经济增长的贡献率为21.2%。而作为发达国家的美、法、德等国家TFP对经济增长的贡献率在超过60%的年份都大于30%，在超过29%的年份内贡献率都大于50%。中国的出口增长一直依靠利用进口元器件、设备和技术进行加工的低附加值、低劳动成本的制造业。
中国已经意识到这些问题并且正在谋求经济增长方式的改变，试图减少对技术含量低、耗费资源大的制造业的依赖，加大对科学、技术以及创新的投入来拓展中国的相对优势，完成从“中国制造”向“中国创造”的转变。科学技术创新将成为中国未来经济增长的发动机。正因为技术进步在经济发展中是如此之重要，党的十八大强调指出：科技创新是提高社会生产力和综合国力的战略支撑，必须摆在国家发展全局的核心位置。国务院2006年2月9日发布《国家中长期科学和技术发展规划纲要（2006—2020年）》，目标就是要将中国建设成创新型国家。 然而，长期的计划生育政策，使得中国的整体人口结构越来越明显地呈现倒金字塔形：第六次全国人口普查表明我国60岁及以上人口已达13.26％，其中65岁及以上人口总人口的8.87％，这充分表明我国已经步入了老龄化社会。因此，一个自然而重要的问题就是，人口结构的老龄化会不会影响我国进入创新型国家行列这一目标的实现？
学术界对于人口老龄化对创新和经济增长的影响存在两种看法。悲观主义者认为由于精力、认知能力的下降，以及知识结构的陈旧，再加上创新激励的不足，85sss
老年人往往缺乏创新力。因此老年劳动力比例的增加，会成为科技创新的一大阻碍。要保持高的创新力，就必须有足够多的有着前沿专业知识的年轻劳动力。老龄化不仅会严重阻碍中国实现进入创新型国家行列这一目标，而且会通过创新大大降低中国的经济增长。乐观主义者则认为老龄化对创新的负
面影响可能没有想象中的那么大。一方面，老员工可以将自己的丰富经验传授和分享给年轻员工，从而促进年轻员工的创新力。另一方面，人口老龄化会给年轻人留出更多的人力资本投资的机会，从而刺激年轻人的创新，缓解老年人创新不足带来的负效用（Fougère, M. and M., Mérette）。
本报告将探讨人口年龄结构和创新之间的内在联系。第二节将从微观和宏观两个层面上回顾已有的实证证据，总结证据中人口老龄化对创新的影响。第三节着重讨论注老龄化对创新的影响机制，从认知能力、人力资本和创新激励三个方面来阐述老龄化对创新的影响渠道。第四节结合中国人口老龄化状况，针对中国老龄化对创新的影响进行理论和实证分析。 二、发达国家人口老龄化对创新影响的证据与启示
本节主要总结已有文献中研究人口老龄化对创新影响的实证证据。研究基本上都使用发达国家——尤其是美国和德国——的数据进行研究。实证证据来源于两个层面。微观层面的证据主要考察创新者个人年龄和专利之间的关系。2.1节中详细讨论微观层面的证据。宏观层面的证据主要考察劳动力年龄结构对企业、区域和国家层面的全要素生产力（TFP）的影响。2.2节着重讨论宏观层面的证据。 2.3节针对发达国家实证经验的发现提出了老龄化对中国创新的启示。 2.1 创新者年龄和专利之间的关系
本小节总结创新的一个主要指标——专利的数量与质量——和发明者年龄之间的关系。文献主要有两大发现。第一，年龄—发明曲线是一个倒U型曲线。许多重大发明都集中在30-50岁之间。第二，知识密集型的行业内的创新和伟大的创新，更多的是由年轻人来完成的。而在经验依赖型的领域，创新高峰比较晚，并且在职业生涯的晚期也会比较稳定。
2.1.1 倒U型的年龄——发明曲线。
茶细蛾发明者年龄和专利数量之间的关系。 研究发明者年龄和专利数量之间关系的代表性研究是Jones （2005b）。该文章收集了美国1975-1995年间包括每个专利申请者年龄等的相关专利数据。其对年龄和专利数目相关关系的研究表明，发明者的年龄中位数在1975-1995年间都非常稳定的保持在48岁。
布老虎丛书图2-1-1美国1995年专利持有者的年龄分布和美国整个劳动力的年龄分布 （来源：Jones
2005）
从图2-1-1可知：年龄——发明曲线呈现出明显的倒U型特征，发明的高峰期在30-50岁之间。Henseke and Tivig（2008）基于德国相关数据的研究结果也证实了同样的倒U型曲线的结论。他们发现发明者的平均年龄是45.9岁，中位数年龄是44岁。其所用数据来自2003年对410位德国发明家进行的逐个调研。Giuri et al.（2007，p. 1111）以及 Mariani and Romanelli（2007，p.1132）使用一个名为PatVal的调查数据的研究也支持倒U型的结论。PatVal数据库不仅包含每一个专利申请者从1988年-1998年间的所有专利申请情况，还包含了专利申请者的年龄等等个人基本情况信息，因而能够精确地刻画个体创新能力如何随着年龄的变化而变化。
发明者年龄和专利质量之间的关系。Hoisl （2007a）利用PatVal数据库中3，000个德国发明者在欧洲专利局申请的35，210个专利的数据重点研究了发明者年龄与发明质量之间的关系。文章假设高质量的发明更可能能给将来的发明提供基础，且专利质量用一段时间内（比如专利公布的五年内）被引用的次数来度量。研究表明，专利质量遵循著名的倒U型规律。专利质量在50岁之前是增加的，超过50岁后缓慢的下降。
2.1.2 年龄——发明曲线的行业特征
百姓健康舞
文献的另一重大发现是年龄——发明曲线具有明显的行业特征：知识密集型
的行业内的创新和伟大的创新，更多的是由年轻人来完成的。而在经验依赖型的
领域，创新的高峰期来的更晚，并且在职业生涯的晚期也会比较稳定。比如，Henseke and Tivig（2008）基于德国相关数据的研究结果发现，在知识密集型行业中，比如信息、光学和生物行业，年龄-发明曲线严重向左倾斜，其中大多数发明都是50岁前完成，而最好的绩效出现在35-40岁之间。与之形成鲜明对比的是在经验密集型行业中，比如农业和冶金，高峰出现在40岁晚期，而在60岁左右还出现一个小高峰。而Giuri et al.（2007，p. 1111）以及 Mariani and Romanelli（2007，p.1132）利用PatVal的调查数据的研究结果也支持类似的结论。
2.2 年龄结构对TFP的影响
上节详述了个人年龄对创新的影响情况，而公司或者国家层面的研究并不把创新归于某个工人，而是归于一组具有一定年龄结构的工人。这使得我们能够识别个人在专利数目等等这些直接贡献之外的间接贡献。一个年老员工可能通过和年轻员工分享经验使得年轻员工更能够创造新产品( Hetze and Kuhn 2007; Kuhn and Hetze 2007)。同样，年轻员工通过与年老员工分享新思想和新知识也可能会促使年老员工把他们的经验转化为可专利化和可市场化的产品。这样，年老人和年轻人的技能共同转化为创新。这些间接的效果是我们在研究个人层面数据时没法兼顾的。下面将从劳动力年龄结构与
企业、区域和国家层面生产力影响进行细致的分析与总结。
2.2.1 劳动力年龄结构和企业生产力
赵东林企业是生产力推动力的微观个体，且提升生产力的投资决策均是企业层面决策。因此有大量的文献从企业生产力层面来研究其与员工年龄结构之间的关系（Skirbekk 2004; Schneider 2006)。和上一节类似，这类文献的两个主要发现也是年龄对生产力的效用遵循典型的倒U型关系以及具有明显的行业特征。此外，该类文献的另一个重要发现是年龄对不同性质的创新具有显著不同的影响：有年轻雇员的企业更能产生根本性创新，渐进性创新则不太依赖于员工的年龄结构。
劳动力年龄结构和企业生产力的倒U型关系
对劳动力年龄结构和企业生产力之间关系的研究分为两类。 第一类研究着重刻画企业的生产函数，认为企业的产出是企业的资本和物质投入，以及各种不同类型的劳动力投入的函数。多数研究得出年龄对生产力的效应是典型的倒U 型关系，工人在三十或四十多岁时对公司的生产力贡献最大。和青壮年工人相比，老年工人对公司生产力的贡献相对较小（Skirbekk 2004; Schneider 2006）。第二类研究刻画企业的全要素生产力和企业员工年龄结构的关系。Ilmakunnas et al. (2004, p. 262) 对芬兰的公司研究表明生产力先上升，到40岁左右达
到最大值，然后缓慢下降。同样的研究结果也见于Malmberg et al. (2008)和 Daveri and Maliranta(2007)等。
劳动力年龄结构对企业生产力影响的行业特性
易手网
有大量的证据显示高科技企业——也就是生产技术密集型产品的企业——的生产力和劳动力的年龄结构高度相关，而其他传统类型的企业的生产力则和劳动力的年龄结构无关。Daveri and Maliranta (2007)从员工工龄的角度出发，得出以下结论：在芬兰的高科技行业（比如电子行业）中，生产力先是随着工人进入此行业时间的增加而增长；当工人进入此行业的时间超过一定年限后，生产力开始下降。相比之下，在传统的行业，比如林业和机器制造业，并没有发现生产力在工人的工龄超过一定时间后下降的趋势。Ilmakunnas and Maliranta (2007)的研究发现，在信息和通讯技术行业（ICT行业），解雇49岁以上的年老工人会提高生产力，而解雇青壮年劳动力则会降低生产力。并且，这一效应在ICT行业尤其突出，是其他传统行业的两倍。
劳动力年龄结构对不同性质的创新的影响
企业的创新一般来说分为两类，一类是根本性创新，比如推出全新产品或者进行全新的市场创新；另一类是渐进性创新，即对已有的产品进行改善。Schneider (2008)利用2004年德国1,000家企业的数据对雇员平均年龄的增加与企业推出新产品的概率进行了深入研究。结果表明：根本性创新发生的概率
在员工平均年龄为40岁时达到最大，而后会逐渐降低。而渐进性创新发生的概率则在30岁到50岁之间保持为一个常数。这表明，有年轻雇员的企业更能产生根本性创新，，而渐进性创新则不太依赖于员工的年龄结构。
2.2.3劳动力/人口的年龄结构和国家及区域的技术进步
以上企业层面的研究将焦点放在年龄结构和企业生产力上。 从国家层面研究劳动力结构对全要素生产率影响的经典文章是Feyrer(2008)。文章对87个国家1960 -1990年大面板数据的研究表明，劳动力人口结构的变化和全要素生产率有很强且显著的相关性。40-49岁的员工对全要素生产力的贡献最大，而其他年龄段的人口对TFP的贡献则相对较小或者几乎没有。如果现在30-39岁的人口比40-49岁的人口多5%，那么十年以后，40-49的人口比例就会增加5%，而这会导致平均每个工人的人均年产出增加16%。，Werding（2008）对OECD 国家经济和人口数据的分析再次证明了各年龄段劳动力与其对全要素生产力贡献之间存在倒U 形结构，且40～49 岁年龄段劳动力对全要素生产力贡献最大（见图2-2-3）。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议