曹 泽,汪永春

(安徽建筑大学 经济与管理学院,安徽 合肥 230022)

产业结构升级是中国经济在新发展格局下迫切需要解决的重大问题之一。曾经的“人口红利”催生了劳动密集型产业的发展,推动经济规模扩大和绩效增长,使中国成为世界第二大经济体。然而,随着人民生活水平提升和预期寿命延长,老龄化问题逐渐凸显。根据第七次人口普查数据,65岁以上人口所占比例已从第五次普查的6.96%增加到第七次普查的13.5%,中国成为全球老龄化人口最多的国家之一。同时,人口老龄化也带来了一系列社会和经济问题,如劳动力供给的收缩、储蓄率的下降等[1-3]。其中,最突出的问题是经济增长动力的放缓。伴随着不断降低的劳动年龄人口比重,劳动力供需关系正从过剩转向短缺,农业领域的多余劳动力逐渐流向工业部门,带来城乡一体化局面。面对这一局势,寻找新的经济增长动能成为迫切课题。快速发展人工智能成为解决方案之一。人工智能凭借其高效的信息处理能力和批处理任务优势,成为重要的生产力工具。未来,人工智能将渗透到民众生活的方方面面,其规模效应有望推动产业结构迈向更高水平。人口老龄化趋势已经不可逆转,推动产业结构升级势在必行。因此,有必要深入研究人口老龄化对产业结构升级的影响,以及人工智能在这一进程中的潜在作用。研究采用理论分析和基于普通面板模型、门限模型以及空间杜宾模型的实证分析,深入探讨人口老龄化和人工智能对产业结构升级的影响效应,同时研究人工智能在这一过程中的调节作用,并基于研究结果,提出在新发展格局下积极应对人口老龄化和加大人工智能研究投入的建议,对纾解我国产业结构升级问题具有重要意义。

一、文献综述

从上升趋势看,老龄化是我国不可回避的课题。老龄化加剧导致适龄劳动人口减少,老年抚养比增高,劳动力供给短缺,对国民经济产生一定影响,阻碍产业结构的升级[4]。老年抚养比的上升,意味着需要削减其他投资支出以支付养老金,或将导致经济发展步伐减缓[5]。王希元等通过省际面板数据研究发现,人口老龄化显著抑制产业结构升级,只有通过加大高等教育投入才能弱化老龄化的负效应[6];马子红等研究表明,老龄化的负效应会阻滞三次产业之间结构变动,并且不利于服务业内部生产率的提升[7]。另外,劳动者逐渐趋于老龄,其体能、反应速度、学习能力以及创新能力逐渐减弱,无法满足产业结构升级对人力资本的要求,进而可能引发结构性失业现象,阻碍产业结构升级的进程[8]。人工智能随着技术进步不断发展,可以在一定程度上解决生产中劳动力短缺、生产率不高等问题,从而缓解人口老龄化对经济所带来的负面影响[9-10]。另外,老龄人口数量的上升或将促进养老医疗相关产业的兴起,而人工智能的广泛应用有望促进智能化养老产业的发展[11]。

二、理论分析与研究假设

西方国家的经验显示,老年人口比例的增加可能抑制储蓄率的增长,削弱经济增长的势头。同时,老龄化趋势将使老年人群成为巨大的消费力量,市场需要根据他们的消费偏好进行结构性调整,然而目前我国尚未形成规模化的配套老年消费市场体系。另外,随着劳动者年龄增长,由于体力和注意力下降,难以适应快节奏和高强度的工作;尽管他们拥有丰富的工作经验,但在新兴技术创新产业中可能难以找到适合的用武之地。

假设1:人口老龄化的加剧会对产业结构升级产生负面影响。

人工智能的兴起可以填补许多人工岗位,可以部分解决人口老龄化带来的劳动力短缺问题,提升生产效率。此外,人工智能不仅解决了传统岗位劳动力不足的问题,还催生了新的业态和工作职位,促进了产业的调整与优化[12]。总体而言,人工智能的出现可以在很大程度上对冲人口老龄化对产业结构升级所带来的不利影响。

假设2:人工智能在人口老龄化与产业结构升级之间起到调节作用。

产业结构升级是一个开放且流动的过程,不同省市之间的相互影响和交流都会对其产生影响。如果某地区的产业结构升级进展缓慢,可能会导致其经济和人力资源受到周边地区的虹吸效应,使其在市场竞争中处于不利地位。尽管人口老龄化直接影响本地产业结构,但随之崛起的老龄产业及其上下游产业也会扩散到周边地区。同时,各地的人工智能水平存在差异,技术相对滞后的地区可能会通过模仿邻近或经济发达地区的技术来实现产业结构升级,逐步提升地区的人工智能水平。

假设3:人口老龄化、人工智能对产业结构升级存在空间溢出效应。

三、研究设计

(一)模型设定

研究以产业结构升级为被解释变量,以人口老龄化为解释变量,同时考虑人工智能的调节效应,建立模型

Indsi,t=β1Agedi,t+β2AIi,t+δXi,t+αi+λt+εi,t,

(1)

Indsi,t=β1Agedi,t+β2AIi,t+β3(Agedi,t×AIi,t)+δXi,t+αi+λt+εi,t.

(2)

式中i和t分别表示省份和年份,Indsi,t表示产业结构升级,Agedi,t表示人口老龄化,Agedi,t×AIi,t表示人口老龄化与人工智能的交互项,Xi,t为各控制变量,αt为个体效应,λt为时点效应,εi,t是随机扰动项。

(二)变量选取

1.被解释变量

(3)

(4)

产业结构合理化(Inds_theil)参考干春晖的做法[14],计算方法为

(5)

2.核心解释变量

人口老龄化(Aged)采用65岁以上人口占总人口的比值表示。

3.调节变量

人工智能(AI)参考Borland等的做法[15],以“信息传输、计算机服务和软件业全社会固定资产投资”表示。

4.控制变量

人力资本水平(Hum)借鉴中央财经大学人力资本与劳动经济研究中心的人力资本指标,用J-F终生收入法来测度人力资本。

城镇化水平(Urban)用各区域城镇人口占总人口的比重为衡量指标。

政府干预(Gov)以财政支出占GDP的比重为衡量指标。

固定资产投资水平(Fixed)以各区域政府固定资产投资额占GDP的比重为衡量指标。

基础设施水平(Infra)以“每平方公里的公路里程”为代理指标。

(三)数据说明

2008年金融危机后,中国正在步入新一轮的产业结构调整之中,产业结构升级的动力较之前阶段有所不同,表现为依靠人力资本和技术创新带来生产率提高。研究采用2009年—2020年中国省域31个省市自治区的平衡面板数据进行实证分析,以期对我国当前阶段社会经济发展提供参考。数据来自《中国统计年鉴(2010—2021)》《中国劳动统计年鉴(2010—2021)》《中国人力资本报告2022》及地方统计局官方网站历年数据,少数缺失的数据采取插值法进行补充。为消除价格因素影响,同时对所有价格型指标进行了以2009年为基期的平减处理。详细的变量描述性统计汇报见表1。

表1 描述性统计

数据来源:作者整理计算。

(四)基准模型与调节效应

在进行Chow检验和Huasman检验后选定个体、时点双固定效应模型进行基准分析和调节效应分析,回归结果见表2。表2中列(1)和列(3)是人口老龄化、人工智能对产业结构高级化与合理化的基准回归结果,列(2)和列(4)考察了人工智能在人口老龄化对产业结构升级(高级化与合理化)影响之间的调节效应。

从列(1)来看,人口老龄化在5%的水平下显著抑制产业结构高级化;从列(3)来看,人口老龄化在10%的水平下显著导致产业结构偏向合理,验证了假设1。老龄化的加剧导致劳动力短缺,传统产业失去竞争优势,阻碍了产业向高级化方向发展,并对产业结构的合理调整产生不利影响。列(2)和列(4)引入了Aged×AI后,交互项系数分别在10%和5%的水平下显著,表明人工智能可以显著调节人口老龄化对产业结构升级的负面影响,验证了假设2。大规模引入人工智能可以有力解决多个产业中劳动力短缺的问题,同时带来新的就业机会,使现有劳动力能够从繁重、重复的任务中解脱,专注于技术改进和创新。

表2 基准回归结果

四、门槛模型

门槛模型自1978年被汤家豪提出后广泛应用于分析变量之间的非线性关系,其相较于传统主观界定结构突变点(门槛值)的方式更具有客观性、合理性,能够在很大程度上避免人为判断结构突变点所导致的偏差。在估计门槛回归模型时,其估计步骤主要是基于汉森提出的2SLS方法。首先,通过不断假设结构突变点(门槛值),将其设定为虚拟变量后与核心解释变量构成交乘项代入回归方程计算残差平方和(RSS),RSS最小值对应的点为真实结构突变点(门槛值)。其次,在对回归系数分析之前,需要使用“靴带法”(Bootstrap)进行门槛效应检验以及“门槛值是否等于真实值”检验。最后,通过确定的门槛值,对回归方程在不同区间的系数进行经济意义上的分析。

(一)门槛模型构建

研究采用汉森发展的面板门槛模型[16]研究在不同人工智能水平下,人口老龄化对产业结构升级的异质性影响。设定基本方程为

(6)

式中待估人工智能水平的门槛值γ1<γ2<γ3,I(·)为示性函数,当满足条件时,I取1;反之,I取0。

(二)门槛效应检验

为确定门槛个数,使用“靴带法”(Bootstrap)重复抽样2000次,得到F统计量和1%、5%、10%临界值,检验结果见表3。

表3 门槛效应检验

根据检验结果,确定被解释变量在产业结构高级化(Inds_high)和产业结构合理化(Inds_theil)下均存在双重门槛。

(三)门槛值的确定

通过观察LR统计量图(囿于篇幅,此处图形略去)可以发现第一个门槛值和第二个门槛值均在5%显著性水平下的临界值以下,表明通过基于“残差平方和最小”准则的搜索门槛值的方法找到的两个门槛值真实可靠。

在人工智能作为门槛变量的情形下,人口老龄化对产业结构高级化(Inds_high)和产业结构合理化(Inds_theil)的双重门槛估计值如表4所示。可以看出,被解释变量为产业结构高级化下人工智能(AI)的双重门槛值为3.947和5.362(实际为52亿元和213亿元);被解释变量为产业结构合理化下人工智能(AI)的双重门槛值为3.640和4.576(实际为38亿元和97亿元)。

表4 门槛估计值

(四)门槛效应分析

表5结果显示,当人工智能水平处于低门槛值(3.947)及以下时,人口老龄化的系数为-3.636,与基准回归一致表现为显著的负向效应,此时人口老龄化每加深一个单位,将会促使产业结构高级化水平衰减3.636个单位,这意味着人工智能水平较低时无法改变人口老龄化抑制产业结构升级的现状。当人工智能水平处于第一门槛值和第二门槛值之间时(即处于对数值3.947到5.362范围),人口老龄化系数为4.639,且在1%水平下显著,此时人口老龄化对产业结构高级化(Inds_high)的影响已经从抑制扭转为促进,且人口老龄化每加深一个单位,将会促使产业结构升级增加4.639个单位。当人工智能水平大于第二个门槛值(5.362)时,人口老龄化系数进一步增大为5.715,且在1%水平下显著,此时人口老龄化每加深一个单位,将会促使产业结构升级增加5.715个单位。

由于产业结构合理化(Inds_theil)是负向指标,当人工智能水平(AI)小于等于第一个门槛值(3.640)时,人口老龄化在5%显著性水平下抑制产业结构偏向合理;AI处于第一个门槛值(3.640)和第二个门槛值(4.576)时,人口老龄化在1%显著性水平下促进产业结构偏向合理;AI大于第二个门槛值(4.576)时,进一步促进产业结构偏向合理。

表5 门槛回归结果

人口老龄化在以上三个区间的变化表明,提升人工智能水平可以有效缓解人口老龄化对产业结构升级的负面影响。人口老龄化的进程难以人为调控,但可以通过积极推进人工智能发展水平,在一定程度上有效避免人口老龄化对产业结构的不利影响进一步加深。

五、空间计量模型

(一)空间权重矩阵

空间计量模型中,权重矩阵对经济结果具有重要影响,常用的包括邻接、地理和经济矩阵。研究综合考虑产业结构升级受地理和经济因素影响,选择经济-地理嵌套矩阵来分析产业结构升级的空间溢出效应。

(7)

(8)

W=W1⊙W2.

(9)

(二)空间自相关检验

1. 全局莫兰指数

为探索变量的空间相关性关系,在模型估计之前,需先对数据的空间相关性进行探究。研究首先使用Moran’s I对产业结构升级进行空间自相关检验,计算结果如表6所示。

表6 Moran’s I检验

根据表6的结果可知,全局Moran’s I指数均为显著性1%水平下的正值,表明产业结构升级存在显著的空间自相关,而且各省份的产业结构升级在空间上具有较强的依赖性。2009年—2020年产业结构高级化Moran’s I指数总体呈逐渐增大的趋势,产业结构合理化Moran’s I指数总体表现为逐年减小的态势,表明我国的产业结构升级存在显著的集聚溢出趋势,产生空间效应。

2.局部莫兰指数

为考察某一特定区域的空间相关程度,研究绘制产业结构高级化和产业结构合理化的局部莫兰图。囿于篇幅,仅展示2009年和2020年的结果,见图1和图2。

由图1可知,2009年各省份之间的产业结构的高级化与合理化的莫兰指数所对应的点大多分布在第一、第三象限,说明各省份在局部空间上具有较多的正向促进效果,与全局莫兰指数的检验结果相同。由图2可知,2020年产业结构合理化的莫兰指数相较于2009年落入第一、第三象限的数量有所减少,反映出产业结构合理化在局部地区的相关性增强。

总体上空间正相关特征显著,应考虑空间因素影响,选择空间计量模型。

图1 产业结构高级化和产业结构合理化2009年莫兰散点图

图2 产业结构高级化和产业结构合理化2020年莫兰散点图

(三)空间计量模型的选择

在空间计量模型的选择中,首先对方程进行LM检验,来判定模型是否选择空间滞后模型(SAR)或空间误差模型(SEM)模型,然后使用似然比和沃尔德统计量来验证空间杜宾模型(SDM)能否退化为SAR或SEM。在拉格朗日乘数检验中,空间滞后检验和空间误差检验的显著性均在1%的显著性水平下显著,可以选择空间杜宾模型。似然比和沃尔德检验中,空间滞后与误差同样通过了1%的显著性检验。从理论检验的角度,选择空间杜宾模型研究人口老龄化、人工智能对产业结构升级的影响。最后根据Hausman检验的结果,构建固定效应空间杜宾模型(SDM)见式(10)。具体模型选择检验情况见表7和表8。

(10)

式中ρ为本地区Indsi,t对周边地区Indsi,t的影响系数,Xi,t为控制变量,wi,t为空间权重矩阵;εi,t为随机干扰项,αi为时间固定效应,λt为地区固定效应。

表7 产业结构高级化空间计量模型选择检验

表8 产业结构合理化空间计量模型选择检验

(四)空间杜宾模型分析

表9为产业结构高级化和产业结构合理化的空间杜宾模型的估计结果,两者的空间自回归系数ρ在1%显著性水平下分别为-0.946和0.363,表明产业结构升级存在明显的空间相关性。

表9 固定效应空间杜宾模型回归结果

根据表9的回归结果所示,产业结构高级化为被解释变量时,除基础设施未通过显著性检验外,其余所有变量均在10%的显著性水平下通过了显著性检验。人口老龄化的系数显著为负,与面板回归的结果保持一致,再次表明人口老龄化对产业结构高级化的抑制作用。产业结构合理化为被解释变量时,所有变量均通过显著性检验,表明人口老龄化对产业结构合理化具有显著的溢出效应。在空间滞后项中,人口老龄化和人工智能显著为负,表明本地人口老龄化和人工智能会抑制相邻及经济关联度高的地区产业高级化,验证了假设3。根据表9的回归结果,采用偏导矩的方法[17]得到不同因素的效应分解,见表10。

表10 效应分解

根据表10所示:1)人口老龄化对产业结构高级化的直接效应为-1.1564,表明人口老龄化每加深一个单位,产业结构高级化降低1.1564个单位,再次验证假设1成立。间接效应为-3.454,表明本地人口老龄化加深后,没有较多的人口流向经济发达地区,会对经济较好地区的产业发展产生更加不利的影响。人口老龄化对产业结构合理化的直接效应为-0.397,但未通过显著性检验;间接效应为13.680,通过了显著性检验,表明人口老龄化对邻近地区产业结构趋于合理化造成抑制效果。2)人工智能对产业结构高级化的直接效应为0.026,间接效应为0.254,均通过了显著性检验。反映了人工智能技术的可溢出性和知识的可流动性,相邻区域之间的技术引进与技术模仿有助于促进企业实现技术创新,从而促进产业结构走向高级化。人工智能对产业结构合理化的直接效应为-0.038,间接效应为-0.217,都通过了显著性检验。产业结构合理化反映产业之间的协调性,由于产业结构合理化为负向指标,因而从效应结果看,人工智能对促进产业结构合理化具有积极影响。

六、结论与建议

研究选用2009年—2020年我国31个省份的平衡面板数据,经过实证分析探讨了人工智能的调节效应以及门槛效应,同时运用固定效应空间杜宾模型(SDM)研究了人口老龄化和人工智能对产业结构升级的空间效应,并得出结论。

第一,虽然人口老龄化对产业结构升级产生负向效应,但在人工智能的调节下,产业结构升级会呈现积极态势。这表明在当下充分利用人工智能的规模效应,有助于减轻人口老龄化所带来的不利影响,从而实现产业结构的升级。

第二,人工智能水平的发展推动技术创新,劳动生产率也随之提高。将人工智能水平作为门槛变量,人口老龄化对产业结构高级化和合理化都具有显著的门槛效应。实证结果表明,人工智能水平提高在一定程度上可以稀释老龄化造成的负面影响,使得人口老龄化对产业结构升级的影响由抑制扭转为促进,从而推动国家(区域)产业结构升级。

第三,从空间角度来看,人口老龄化在本区域阻碍产业结构升级,同时也抑制了邻近以及经济发展相似地区产业结构升级的溢出效应。相比之下,人工智能不仅推动本地区的产业结构升级,还在一定程度上带动了相邻地区的升级,并且其正向溢出效应显著。

基于上述实证结论,提出建议。

第一,在人口老龄化背景下,应积极应对,提前规划与老龄消费需求相关的产业,致力于发展“银发经济”。同时,政府在产业结构调整中须因地制宜,避免“一刀切”政策。需要根据不同地区的独特资源和地理特点,实施差异化的产业调整,协调统一,根据产业发展和城市水平制定有针对性的政策,以实现区域间差异化的发展模式。

第二,人口老龄化的进程难以人为调控,应以积极的态度来接受这一趋势。研究发现人工智能的发展有望减轻老龄化所带来的负面影响,因此政府应加大对人工智能及相关技术发展的投资力度,培养更多懂得应用人工智能技术的专业人才,通过提高人工智能发展水平,纾解人口老龄化对我国产业结构升级的不利影响。