人口紅利、投資與區域差異
——基于中國省域數據的實證分析

■周惠民，雷貴優

人口紅利、投資與區域差異
——基于中國省域數據的實證分析

■周惠民，雷貴優

基于2000～2014年中國省域面板數據，本文運用空間探索性數據分析方法對我國人口紅利與投資的時空特征進行深入剖析。研究結果表明，我國正處于由少兒撫養比下降帶來的人口紅利期，而老年撫養比的大幅上升將加劇我國人口紅利消逝。同時，少兒撫養比與總撫養比及投資呈由東至西遞增的態勢，而老年撫養比則呈相反的空間分布格局。進一步的全域莫蘭指數分析顯示人口紅利與投資呈現較為顯著的空間集聚特征，而局域分析則顯示二者存在空間分布的異質性特征。

人口紅利；投資；區域差異；空間探索性數據分析

周惠民（1988-），福建三明人，中國人民大學經濟學院博士研究生，研究方向為人口經濟與區域經濟。（北京100872）；雷貴優（1974-），福建三明人，經濟師，中國人民銀行三明市中心支行。（福建三明365000）

一、引言

改革開放以來，我國依賴高投資的發展模式帶來了經濟的高速增長，而其中人口紅利發揮著重要的作用。在當前我國經濟增長進入“新常態”下，特別是伴隨著人口紅利的逐漸消逝及加速步入人口老齡化階段，舊的粗放式發展模式面臨諸多困境。與此同時隨著我國戶籍管理制度的逐漸松動以及市場化改革的逐步深入，我國人口出現大規模流動，導致區域間人口年齡結構呈現較大的分異特性，對區域投資的有效性也產生一定的影響，成為我國區域間經濟發展差距不斷拉大的重要因素。筆者以為，面對后人口紅利時代，探討我國人口紅利與投資的空間相關性，合理利用我國人口空間分布特點，實現人口資源的有效配置，進而推進人口紅利與投資的互促演進，為我國經濟增長進入新常態下找尋新的發展路徑具有一定意義。

二、文獻綜述

人口紅利期是人口再生產過程中由于“死亡率”與“出生率”非同步變動引起總人口中勞動年齡人口比重上升、人口撫養比下降而形成的人口視窗期（Bloom和Williamson，1998；郭晗等，2014）。人口紅利期通過兩種路徑形成經濟增長的內生作用機制，一是勞動力供給路徑，適齡勞動人口的增加為經濟提供豐富的勞動力資源，延緩資本邊際報酬遞減，推動經濟高速增長（蔡昉，2010）；二是資本供給路徑，較低的社會撫養比為社會提供充足的儲蓄，而這正是形成我國“高投資”經濟發展模式的重要基礎（朱超等，2012）。李揚等（2005、2007）認為人口紅利提升了總人口勞動參與率，并通過“收入效應”與“儲蓄傾向”提升儲蓄率水平，而儲蓄率的上升必然引起投資水平的上升。隨后，殷劍峰（2006）與汪偉（2009）的研究表明，在我國投資與儲蓄無法匹配的背景下，人口紅利帶來的高儲蓄率必然壓低利率水平而直接降低投資的資金成本，這一定程度上促成了投資依賴和投資過度的現狀。李威（2014）則基于1990～2011年中國省際面板數據的分析表明少兒撫養比對投資有負向影響，而老年撫養比對投資有正向影響。另外，部分學者對我國的人口結構進行了反思，認為未來中國的人口老齡化程度將呈現加速趨勢（Zeng等，2008），而當前生育政策的調整短期內也難以改變勞動年齡人口絕對數量遞減和撫養比不斷上升的趨勢（穆光宗，2015），因而當前的“人口紅利”將不具有可持續性。范敘春等（2012）認為，短期來看，少兒撫養比與國民儲蓄率呈負向關系，而老年撫養比與國民儲蓄率成正向關系，但長期來看，隨著我國人口紅利的逐漸消失，國民儲蓄的透支速度會越來越超過存儲速度，國民儲蓄余額最終將會逐步減少，而這將直接影響到未來我國的資本積累率與投資率。

上述已有文獻對人口紅利與投資的關系進行了深入研究，但鮮有文獻基于區域差異的視角對二者空間分布特征及其空間相關性進行探討。基于此，本文將運用空間分位圖及空間探索性數據分析方法對我國人口紅利及投資的區域分布特征與空間關聯性進行深入解析，從而深刻剖析二者的空間作用機制。

三、研究方法與數據說明

（一）研究方法

本文運用空間探索性數據分析方法來研究人口紅利與投資的空間相關性。首先，利用全域莫蘭指數從整體上刻畫區域間人口紅利與投資的空間相關性；其次，利用Moran散點圖從局域視角來揭示局域空間分布的非典型特征（周惠民等，2012）。具體計算公式如下：

其中I為全域莫蘭指數，Xi、Xj為區域i、j的觀測值，n為空間觀測區域總數，Wij為空間權重矩陣①本文選用鄰近規則來定義空間權重。原理為：若區域i與區域j相鄰，則權重為1，否則為0。。若全域莫蘭指數I的值為正且顯著，則表明區域間觀測值存在正空間相關性，顯示集聚特征，即高值與高值、低值與低值相鄰；若I為負值且顯著，則表明區域間觀測值存在負空間相關性，顯示離散特征，即高值與低值相鄰，低值與高值相鄰；若I值為0，則區域間觀測值呈隨機分布（吳玉鳴，2007）。

圖1 Moran散點圖空間分布模式示意圖

進一步計算局域莫蘭指數Ii=（xi-x），并運用Moran散點圖將其進行可視化處理，直觀描繪出區域空間分布中有別于全域空間分布的非典型特征，從而有效展現屬性值的空間作用機制。圖1列出了Moran散點圖各象限的空間分布模式。其中橫、縱坐標分別表示觀測值及相鄰區域觀測值的空間加權平均值，集聚區顯示區域間具有良好的擴散回流機制，形成良性空間互動，而空心區與孤島區則表明空間互動機制欠佳，前者為本區域處于劣勢，周邊地區對其形成強大的空間極化作用，而后者則是本區域對周邊地區形成空間極化作用，惡化周邊地區的屬性值。

（二）數據說明

本文用少兒撫養比、老年撫養比、總撫養比來測度我國人口紅利水平，三者分別為0～14歲人口占總人口的比重、65歲以上人口占總人口的比重、除14～65歲年齡以外的人口占總人口的比重。同時，考慮資本形成率能夠有效衡量投資對經濟增長的貢獻率，真實有效反映我國經濟增長“高投資”的典型特征，用資本形成率來衡量投資水平，其中資本形成率為名義資本形成總額與支出法計算的名義GDP的比值。此外，以2000～2014年為研究時序，構建了中國大陸31個省份（直轄市、自治區）15年的面板數據，并將研究區域劃分為東部、中部及西部等三大區域②中國國家統計局2011年對全國進行的三大區域劃分，東部為北京、天津、河北、山東、上海、江蘇、浙江、福建、廣東、海南和遼寧等11個省（市、自治區）；中部為山西、河南、江西、安徽、湖北、湖南、吉林和黑龍江等8個省；西部為新疆、內蒙古、四川、重慶、貴州、云南、西藏、廣西、陜西、甘肅、青海和寧夏等12個省（自治區）。（唐廣應等，2016），數據源于《中國統計年鑒》、《中經網數據庫》、《中國勞動統計年鑒》。數據的描述性統計特征如表1。

表1 主要變量的描述性統計

四、實證結果及分析

（一）時空特征分析

為直觀展現我國人口紅利及投資的時序特征，圖2～5描繪出2000～2014年15年間少兒、老年及總撫養比與資本形成率的變動趨勢圖。

第一，從少兒撫養比來看，全國及三大區域少兒撫養比呈快速下降態勢（見下圖2）。主要是我國計劃生育政策的強有力實施，使得我國人口出生率及育齡人口生育意愿持續下降。2000年至2014年間全國及東中西三大區域少兒撫養比分別從32.73%、28.84%、34.14%、36.69%下降至22.45%、19.67%、24.00%、25.10%，降幅分別為10.28%、9.17%、10.14%、11.59%。值得關注的是，2011年以來，少兒撫養比較為平穩，這與20世紀80年代出生的人口正處于生育期及我國計劃生育政策逐步調整放寬有關。

圖2 少兒撫養比趨勢圖

第二，從老年撫養比來看，全國及東中西三大區域老年撫養比呈快速上升態勢（見圖3）。15年間，老年撫養比分別從9.95%、10.75%、9.53%、9.29%上升至13.70%、13.35%、13.33%、14.71%，增幅分別為3.75%、2.60%、3.80%、5.42%。具體來看，2000～2003年老年撫養比處于快速上升通道，隨后六年增速趨緩，但至2010后又再次回到快速上升的軌道。合理解釋為我國在20世紀50～60年代“嬰兒潮”出生的人口比較集中地陸續進入老齡人口行列，同時我國平均預期壽命提高較快，使得老年人口快速上升，加重老年人口撫養負擔（謝安，2004）。

圖3 老年撫養比趨勢圖

第三，從總撫養比來看，全國及東中西三大區域總撫養比呈波動下滑的態勢（見圖4）。其中2005～2010年間呈快速下滑的態勢，分別從40.10%、35.49%、40.77%、46.31%下降至34.28%、30.60%、35.56%、38.69%，降幅分別為5.82%、4.89%、5.21%、 7.62%，人口撫養負擔較輕，處于人口紅利的黃金期。而至2011年后，總撫養比均呈觸底回升的態勢，聯系圖2、圖3可以判斷老年撫養比的快速上升是總撫養比上升的主要原因。進一步觀察總撫養比趨勢圖，可以發現2004～2006年間全國及中西部總撫養比出現小幅反彈，合理的解釋為該時期長三角及珠三角出現“民工荒”現象，短期內中西部地區大量勞動力人口向東部地區流動，加重了中西部地區人口撫養負擔，而這一現象亦可以從東部地區的總撫養比長期小于全國平均水平，而中西部地區長期高于全國平均水平這一現象得到合理印證。

圖4 總撫養比趨勢圖

進一步觀察圖2至圖4可知，以2011年為界，前期少兒撫養比的下滑成為總撫養比下滑的主要原因，少兒人口撫養負擔較輕，而至后期隨著少兒撫養比趨于穩定，老年撫養比的快速上升成為總撫養比上升的主要原因，特別是隨著我國人口老齡化加速，人口紅利將逐步消失，社會步入后人口紅利期。

圖5 資本形成率趨勢圖

第四，從資本形成率來看，進入新世紀以來，投資對全國乃至各區域的貢獻率不斷上升，我國經濟“高投資”特征極為顯著（見圖5）。15年間，全國及東、中、西部資本形成率分別從41.82%、43.39%、38.70%、41.01%上升至57.36%、50.40%、62.98%、69.58%，增幅分別為15.54%、7.01%、24.28%、28.57%。源于西部大開發與中部崛起等重大發展戰略及中西部各城市群與新區建設的逐步落地，中西部開啟了大規模投資建設進程，使得投資在中西部地區經濟的貢獻度一直處于較高水平。此外，相較于中西部地區，東部地區資本形成率增幅趨緩。受益于區位及政策優勢，特別是大規模勞動年齡人口向東部遷移，東部地區經濟取得了超高速增長，然而，近年來這一高速增長的經濟模式面臨著結構困境，特別是產能過剩問題嚴重制約東部地區經濟的可持續發展。為此，近年來政府著力轉變經濟發展方式，調整投資結構，擴大內需，減少經濟增長對投資的依賴。

第五，區域比較。對各省區人口撫養比與資本形成率分別求得2000年至2014年的均值，運用ArcGIS軟件描繪各省份二者的空間分布格局，可看出我國各區域人口紅利與投資的空間分布差異（見圖6～圖9）。具體來看，少兒撫養比、總撫養比與資本形成率具有較為一致的分布規律，呈由東至西遞增的態勢，西部形成高值連綿區，東部具有相對較低的人口撫養比與資本形成率，而中部具有較大的分異性。相反，老年撫養比呈由東至西遞減的態勢，特別是東部具有較高的老年撫養比，該區經濟發展水平較高，人口預期壽命大幅提高，使得老年人口大幅上升，提高了老年人口撫養負擔。

圖6 少兒撫養比空間分位圖

圖7 老年撫養比空間分位圖

圖8 總撫養比空間分位圖

圖9 資本形成率空間分位圖

（二）空間相關性分析

上述空間分位圖初步展現了人口紅利與投資的空間分布特征，以下將進一步運用空間探索性數據分析對人口紅利與投資的空間作用機制進行解析。

表22000 ～2014年全域莫蘭指數及P值

1.全域莫蘭指數分析。表2列出了2000～2014年全國人口撫養比與資本形成率全域莫蘭值及P值。從表中可以看出，各年份全域莫蘭值均為正值，且P值除了2001年資本形成率未通過檢驗外，其余均通過顯著性檢驗。這表明全國各省份人口紅利與投資呈相似值之間的空間集聚，即具有較高（較低）人口紅利與投資的省份相對趨向于與具有較高（較低）人口紅利與投資的省份相鄰，呈正空間相關性，空間集聚特征顯著，區域間具有良好的空間互動。另外，從莫蘭指數增長率來看（見表3），除老年撫養比具有明顯的下降趨勢外，總撫養比及少兒撫養比較為平穩，而資本形成率莫蘭值呈快速增長態勢，由此可見，投資的空間關聯性明顯高于人口紅利。分時段增長率來看，2000～2006年總撫養比與少兒撫養比呈快速增長趨勢，而2007～2014年則呈下滑態勢，人口紅利的空間集聚特征有所減弱。資本形成率莫蘭指數值則呈相反變動趨勢，前期增長較緩而后期呈加速態勢，投資的空間集聚特征尤為顯著。

表3 全域莫蘭值增長率

2.Moran散點圖分析。圖10～圖13顯示了人口紅利與投資的Moran散點圖，各省份人口紅利與投資具有明顯的空間分異特性，特別是散點圖顯示出被全域莫蘭指數掩蓋的負空間相關性區域，即人口紅利與投資空間分布的非典型區域，其偏離了總體所呈現的正空間相關性。同時，散點圖內部各點較為集中散布于趨勢線周圍，表明散點圖各象限省份具有較為一致的空間分布規律。

圖10 少兒撫養比散點圖

圖11 老年撫養比散點圖

圖12 總撫養比散點圖

圖13 資本形成率散點圖

表4列出了散點圖內各點的對應省份。少兒撫養比、總撫養比與資本形成率的高值集聚區主要位于西部地區，占比分別高達81.82%、69.23%、77.8%。而低值集聚區主要位于東部地區，占比分別高達70%、60%、58.33%。相反，老年撫養比的高值集聚區主要位于東部地區，而低值集聚區主要位于西部地區。中部地區具有較大的分異特性，其中該區一半省份的少兒撫養比、資本形成率分別位于孤島區與低值集聚區，其余較為均勻分布于各象限。由此可見，東部地區形成典型的高值人口紅利集聚區，而資本形成率卻顯現低值集聚區特征，相反，西部地區人口負擔較為嚴重，而資本形成率卻為高值集聚區，這符合上述時空特征的基本判斷。合理的解釋為受東部地區區位優勢影響，我國勞動年齡人口大規模向東部地區流動，降低了該區的人口撫養比，支撐著以簡單勞動力投入為主的粗放式經濟發展模式，促進經濟高速增長，這進一步提升了其對中西部地區人口的吸引力，形成典型的空間極化作用，加劇西部地區的人口撫養負擔，而我國通過政策強有力的推進，支持西部地區基礎設施投資建設，提升了投資在西部地區經濟發展的貢獻度，“高投資”的經濟增長模式在該區域尤為顯著。同時，面對日益嚴峻的結構問題，東部地區不斷轉變發展方式，調整投資結構，擴大內需，經濟增長對投資的依賴有所減弱。此外，隨著人口平均預期壽命的延長，老齡化程度的不斷提高，老年撫養比呈快速上升趨勢，特別是在東部形成高老年撫養比集聚區，一方面提高了社會的撫養負擔，減少生產性投資，另一方面則提高了人們為滿足老年消費需求而形成的養老儲蓄，增加社會總資本的積累，形成“第二人口紅利”（Lee和Mason，2006；王穎等，2016），因此未來應進一步開發“第二人口紅利”來應對由于老年撫養比上升帶來的總撫養比上升對投資的負面效應。

表4 Moran散點圖對應省份表

五、結論與建議

本文綜合運用少兒撫養比、老年撫養比及總撫養比與資本形成率對我國人口紅利與投資的時空特征進行深入解析，并運用空間探索性數據分析方法對二者的空間相關特征進行了深入剖析，形成如下主要結論：第一，全國及三大區域少兒撫養比與總撫養比處于下滑態勢，我國正處于由少兒撫養比下降帶來的人口紅利期，而老年人口撫養比的大幅上升將是總撫養比上升的關鍵原因，并進一步引致我國人口紅利消散。同時投資對全國乃至各區域的貢獻率不斷上升，我國經濟“高投資”特征極為顯著；第二，總撫養比、少兒撫養比與資本形成率呈由東至西遞增的態勢，東、西部分別形成低值與高值連綿區，而老年撫養比則呈由東至西遞減的態勢；第三，空間探索性數據分析顯示我國人口紅利與投資呈現較為顯著的空間集聚特征，但隨著我國人口紅利的逐步消逝及人口大規模流動的趨緩，人口紅利的空間集聚特征有所減弱，而投資的空間集聚特征卻進一步增強。同時Moran散點圖顯示我國人口紅利與投資空間分布的異質性特征，少兒及總撫養比與資本形成率的高值與低值集聚區分別主要位于西部與東部地區，而老年撫養比形成相反的空間分布格局。

未來我國應充分利用人口的空間分布格局，提升投資的有效性，推動經濟的轉型升級。首先，應加大教育投入力度，提升我國人口素質，將人口數量紅利轉變為人口質量紅利，來應對未來由勞動力規模下降而引發的投資結構困境。其次，進一步破除人口合理流動的制度藩籬，提升人口紅利空間配置效率，并強化區域間教育、醫療衛生等全方位合作，實現區域間教育與醫療衛生資源的合理分配與流動，特別是加大對中西部地區公共醫療衛生等基礎設施的投入力度，緩解中西部地區由人口大規模東移帶來的人口撫養負擔。再次，應當調整投資結構，推進投資與人口紅利的深度融合，特別是東部地區應加大創新投入力度，發展戰略新興產業，充分提升現有人口紅利的創新能力，同時加大養老產業投入，積極開發第二人口紅利，提高投資的層次與水平，而中西部應進一步加大基礎教育投入力度，提升現有勞動力對東部轉移產業的承接能力，提高投資的有效性。

[1]郭晗，任保平.人口紅利變化與中國經濟發展方式轉變[J].當代財經，2014，(3)：5～13．

[2]蔡昉.人口轉變、人口紅利與劉易斯轉折點[J]．經濟研究，2010，45(4)：4～13．

[3]朱超，周曄，張林杰.儲蓄投資行為及外部均衡中的人口結構效應——來自亞洲的經驗證據[J].中國人口科學，2012，(1)：39～50．

[4]李揚，殷劍峰，陳洪波.中國：高儲蓄、高投資和高增長研究[J].財貿經濟，2007，(1)：26～33．

[5]殷劍峰.適應低利率環境推動消費貸款和存款利率的市場化[J].新金融，2006，(1)：27～29．

[6]汪偉.經濟增長、人口結構變化與中國高儲蓄[J].經濟學季刊，2010，(1)：29～52．

[7]李威.高投資背后的人口結構因素——基于省際動態面板數據模型的研究[J].人口與經濟，2014，(1)：47～54．

[8]Zeng Y I，Wang Z，Jiang L，et al．Future trend offamilyhouseholdsandelderlylivingarrang ement in China[J].Genus，2008，64(1)：9～36．

[9]穆光宗.人口優化理論再探——新人口危機和國家安全[J].北京大學學報(哲學社會科學版)，2015，52(4)：111～122．

[10]范敘春，朱保華.預期壽命增長、年齡結構改變與我國國民儲蓄率[J].人口研究，2012，36，(4)：18～28．

[11]周惠民，逯進，朱順杰.人力資本空間特性的ESDA分析——基于山東省的實證研究[J].人口與發展，2012，(6)：40～47．

[12]唐廣應，展凱，賀超.我國壽險需求的影響因素分析——基于不同區域的實證研究[J].金融與經濟，2016，(7)：79～85．

[13]吳玉鳴.中國區域研發、知識溢出與創新的空間計量經濟研究[M].北京：人民大學出版社，2007：64～75．

[14]Lee R，Mason A．What is the demographic dividend?[J]．Finance and Development，2006，43(3)：16～17．

[15]王穎，鄧博文，王建民.第二次人口紅利：概念、產生機制及研究展望[J].經濟與管理研究，2016，37(2)：12～20．

F27

A

1006-169X（2017）02-0035-06