老齡化趨勢下年齡依賴型要素對比較優勢的影響
——來自中國的經驗研究

武康平 張永亮

0 引言

人口年齡結構的變動正成為解釋比較優勢的新維度，對于中國而言這一因素對國際貿易的影響更加值得關注。古典貿易理論中的傳統要素稟賦理論認為給定技術情況下，國家間總量上的要素稟賦豐裕度決定著產品的生產成本，進而帶來同一產品的價格差異，形成比較優勢。但是，隨著社會經濟發展，國家間的要素稟賦差異逐漸縮小，呈現出一致的變化趨勢，所以總量上要素差異對具有相似國情的國家間依然存在大量貿易現象的解釋力度逐漸減小。細分要素結構上的差異，逐漸成為研究比較優勢來源的又一渠道。近三十年尤其是2001年入世以來，中國的人口結構和貿易結構都正在經歷著劇烈的轉變過程。2001年入世后，中國貿易開放程度大大提高，目前已成為世界第一貿易大國。同時，2001年也是中國人口結構轉型的重要時間點，此時起65歲及以上人口占比、老年撫養比以及年齡中位數等各方面指標都標志著中國正式進入“老年型”社會。人口結構變動改變著原有發展模式中的資源配置格局，影響著一個社會的生產結構和消費結構，進而對中國在國際貿易中的比較優勢產生作用。然而由于傳統老齡化研究中，主要關注總人口中不參與生產的非勞動力老齡化問題，難以直接引入比較優勢，造成探討老齡化與出口貿易結構關系的研究十分稀少。因此，如何在理論和實證中識別老齡化趨勢下人口年齡結構對中國比較優勢的影響，正是本文關注的核心問題。

本文著重從包含勞動力老齡化的廣義人口老齡化視角提供解釋邏輯。由于一國總人口可分為勞動力和非勞動力，人口年齡結構老齡化趨勢不僅包括已退休的非勞動力人口老齡化問題，理應包括勞動力人口老齡化問題。從數據上，本文發現中國15～64歲的勞動力人口與總人口相一致，同樣出現快速老齡化趨勢。例如，根據聯合國數據，2000—2030年，50～64歲高齡勞動者在總勞動人口中的占比持續大幅增加，平均每年增長0.549個百分點，比總人口老齡化率年均增長速度高0.198個百分點。可見，在總人口老齡化的同時，勞動力老齡化現象同樣不容忽視，是值得深入研究的重要課題。

理論上，異質性勞動者模型為研究勞動力老齡化問題提供了重要方法論。許多關于認知能力和老齡化的研究都發現，不同的認知能力可以隨著個人年齡的增加而發生改變，并且存在不同的變化趨勢。例如，大量文獻研究發現，表達和語言能力會隨著年齡的提高而提高，而記憶能力、信息加工速度、多重任務處理能力則和體力一樣，會隨著年齡提高而下降。可見，這些“年齡依賴型技能”(age-dependent skill)可區分為“年齡升值型技能”(age-appreciating skill)和“年齡貶值型技能”(age-depreciating skill)；前者可包含寫作或者口頭表達能力等，后者可包含注意力，協調能力，反應速度等(Cai and Stoyanov, 2016)。此外，行業層面上，不同行業使用的年齡依賴型要素密集度并不相同。依據群分模型(sorting model)[注]文獻中“sorting”指均衡結果是類型相似或相同的人聚集在一起，而不同類型的人隔離的狀態。我們主要遵從陸銘和張爽(2007)的提法，將其翻譯為“群分”，取“人以群分”之意。，均衡時行業總產出是行業中所有任務(task)的加總，因此若行業中包含諸多需要年齡貶值型技能完成的工作，那么此行業將密集使用年齡貶值型技能要素，而包含諸多需要年齡升值型要素來完成相應工作的行業，則年齡升值型要素密集度更高。

基于年齡依賴型技能，人口年齡結構老齡化對國際貿易的作用機制可從數量和質量兩個途徑展開探討。一方面，基于赫俄理論，如果一國老齡化程度越高，那么年齡升值型技能要素則更充裕，該國密集使用年齡升值型要素的行業傾向于擴大生產并出口，而進口密集使用年齡貶值型要素的行業產品。另一方面，基于李嘉圖比較優勢理論，人口老齡化程度更高的國家，多數工作要求年齡貶值型技能的產業會出現生產率的下降，而多數工作為年齡升值型的產業，其相對生產率則逐漸提高，在生產和出口貿易中顯露比較優勢。然而從現有研究看，老齡化趨勢下人口年齡結構問題在國際貿易領域的研究還處于起始階段，基于年齡依賴型要素角度的相關論證更是少之又少，本文研究將是對這一問題的有益補充。

本文余下部分安排是： 第1部分綜述相關研究；第2部分基于異型性勞動者模型與群分模型，從理論上對老齡化趨勢下年齡依賴型要素對比較優勢的影響機制給出解釋邏輯；第3部分中，介紹了回歸模型、相關數據的來源處理以及變量的選取，進而對中國老齡化趨勢事實和相應的年齡依賴型要素密集度不同的行業的出口情況進行了描述；第4部分中報告了回歸結果并進行穩健性檢驗；第5部分為總結與政策啟示。

1 文獻綜述

關于老齡化問題的研究雖已有較長時間，但整體上看研究范圍主要集中在以下四個方面：老齡化與經濟增長的關系、老齡化與收入不平等的關系、養老保障制度建設方面以及老齡化與其他經濟變量的關系方面。同時，認知能力和勞動力老齡化問題也受到了國內學者的關注。周洋和劉雪瑾(2017)利用中國家庭追蹤調查(CFPS)數據，以字詞識記能力和數學能力為認知能力的代理變量，研究證實了認知能力與創業意愿和創業收入均呈現正相關關系，并且這種影響雖然不存在顯著的區域差異，但是數學能力卻在不同年齡群體間存在著異質性，再次證明了認知能力對投資決策的影響對40歲及以上的人群影響更大(Christelis et al，2010)。孫一菡等(2017)研究發現，綜合考慮學歷和年齡兩方面因素時，勞動人口老齡化程度加劇并不必然阻礙經濟持續增長。

人口結構的老齡化趨勢給社會和經濟發展帶來全面而深刻的變化，這些影響必然傳導到貿易領域。伴隨著出生率下降和預期壽命的提高、人口老齡化的不斷深化，人口結構必然隨之發生變動，進而影響一個社會的生產結構和消費結構，改變原有發展模式中的資源配置格局，對中國經濟造成多方位的潛在沖擊。學術界都比較關注人口結構變動對貿易收支的影響，而忽視對貿易基礎和貿易模式的研究。實際上，老齡化趨勢可以改變各人群分布比重，不僅使社會消費偏好和儲蓄習慣發生變化，而且可以改變一國資本和勞動力的相對要素稟賦結構，進而促進貿易結構和出口比較優勢發生演變。此時，即使兩國勞動數量、技術條件相同，只要人口年齡結構存在差異，依然會存在貿易基礎。所以，人口年齡結構同樣是構成比較優勢、影響貿易方式的重要原因。雖然只有少數幾位學者對此進行了理論初探，但都發現人口年齡結構對國際貿易有著重要影響，尤其是人口老齡化必然會對勞動密集型商品的出口模式帶來巨大沖擊(Chinn and Prasad, 2003；Kim and Lee, 2008)。姚洋和余淼杰(2009)認為人口特征是中國形成出口導向型增長模式的重要原因，并根據人口轉型和城市化發展預測得出，中國的出口導向型模式將持續至2025年左右。從更加細致的勞動力年齡分組上看，王有鑫和趙雅婧(2013)利用2001—2010年28個制造業行業數據，指出45～64歲大齡勞動力分布比重與行業出口貿易負相關，勞動力人口老齡化趨勢對出口貿易不利。這些研究都從實證角度證明了人口年齡結構對國際貿易的重要影響。

傳統研究老齡化問題時，主要是基于總人口老齡化，即主要考察已退休的非勞動力人口占總人口的比重。由于非勞動力不直接參與生產環節，所以其影響大多經過消費途徑或者其他方面間接影響實體經濟，這也大大限制了老年經濟尤其是老齡化問題在國際貿易領域的研究角度。本文認為，老齡化趨勢下的人口年齡結構問題不僅包含已退休非勞動力的老齡化問題，而且理應包含勞動力老齡化問題。勞動者同時具備多種技能稟賦，考慮老齡化趨勢下的勞動力多維異質性模型，便可以拓展人口年齡結構在國際貿易領域的研究。Roy(1951), Heckman and Sedlacek(1985)等研究均表明，二維異質性對收入分布和產業結構有重要影響。Ohnsorge and Trefler(2007)通過擴展Heckman and Sedlacek(1985)的模型，證明了勞動者技能為二維異質性時，勞動者在產業間的群分行為(sorting behavior)將取決于李嘉圖比較優勢，再次證明了在多維技能稟賦條件下，技能稟賦間高階矩關系的重要性(Grossman and Maggi, 2000；Grossman, 2004)。國內研究中，李可愛(2013)認為勞動技能分布的差異，是解釋中國和印度、美國和日本等國家間貿易額迅速增長的重要原因，通過借鑒Chang and Huang(2010)模型，研究發現雖然中國和印度勞動力數量資源都較為豐富，但中國的勞動技能分布更加集中的特征使得在產業鏈較長、更強調勞動間互補與合作的制造業細分行業上更具有比較優勢。不過，同多數研究勞動技能分布的文獻相類似，勞動技能分布通過不同受教育程度人口比重加以刻畫，實際上反映的是人力資本結構(Castello and Domenech, 2002；Asuyama, 2012)。

細分要素結構上的差異已日益成為解釋比較優勢來源的重要渠道，勞動者在認知技能上的不同便是其中的關注點之一。例如，Wolff(2003)利用1947—1996年美國投入產出表對貿易中的勞動技能進行了測算，具體運用了第四版《職業名稱詞典》(Dictionary of Occupational Titles, DOT)和人口普查數據，構建了267個職業中不同的工作技能要求的衡量指標，其研究指出美國在認知技能和人際交往能力(interactive skill)這兩種技能密集型產品的出口中具有比較優勢，雖然美國進出口貿易中產品的技術含量都在提高，但是由于貿易結構的變化，美國進出口貿易中認知技能和勞動技能(motor skills)的差異卻在隨時間增大，從進口和出口對比方面闡明了研究中考慮認知技能的重要性。其中人際交往能力是指進行指導、分工、談判、說服等活動時所需要的能力。同樣基于美國的研究，Capatina(2014)在研究勞動者技能與工資回報不平等之間的關系時，進一步指出認知型技能和體力型技能(physical skills)的回報變動趨勢不同，并且不同水平的認知型技能之間其回報的變動程度也存在差異，據此強調了認知型技能不同水平的差異性。通過拓展Wolff(2003)的研究，Kiyota(2013)對1980—2005年日本的情況進行了分析，結果發現雖然日本是技能密集型產品的凈出口國，但是進出口貿易間的技能差異卻在減小，指出在出口技能密集型產品方面日本的比較優勢逐漸減弱。這些研究都無一例外強調了考慮勞動者認知技能的重要作用，為我們展開研究提供了重要的啟示。從具體不同類型的認知技能的角度，Cai and Stoyanov(2016)利用2000年235個出口國家的貿易數據，集中探討了不同老齡化程度國家之間認知技能對出口的影響，研究發現在老齡化程度更高的國家中，年齡貶值型要素密集度越高的行業出口份額越少，而年齡升值型要素密集度越高的行業出口越多，直接證明了年齡依賴型要素的重要作用，為本文提供了重要的文獻基礎。

總覽上述國內外研究可以發現，在國際貿易領域，人口老齡化的影響機制和作用程度，都有待進一步深入研究。究其原因，本文認為主要在于兩方面：一是比較優勢是國際貿易理論的基石，但是無論是李嘉圖比較優勢理論、H-O理論還是新貿易理論下的壟斷競爭模型以及最近發展的EK模型(Eaton and Kortum, 2002)、Melitz模型，模型中生產技術都是至關重要的變量，尤其是作為國際貿易理論基石的比較優勢更主要以勞動生產率做指標。但是傳統意義上，老齡人口屬于非勞動力，不直接參與生產活動，因此通常也就無法直接與傳統貿易理論相聯系。二是現實中，發達國家的勞動人口比變動一般很小，持續幾十年的人口結構都會相對穩定。例如聯合國數據顯示，美國人口年齡的中位數從1980年的30歲，到2015年的38歲僅增長了8歲，而中國增長了15.3歲；同時1980年美國15～64歲人口占比為65.9%，2015年為66.3%，僅增長了0.4%，65歲以上老齡人口占比只增長了3.4%，而同時期中國則分別增長了13.9%和5.1%。所以人口年齡結構在國外研究中相對稀少，相關的前沿理論突破十分有限。這也導致了雖然存在一些相關研究，但是大多數從實證角度進行定量分析，或從儲蓄角度分析人口結構對國際資本流動的影響。

本文的邊際貢獻主要包括： 第一，本研究指出研究“廣義人口老齡化”可以在一定程度上解決老齡化問題通常難以與國際貿易尤其是比較優勢建立直接聯系的難題。傳統研究中人口老齡化問題主要關注作為非勞動力的老年人口“比例擴張”問題，往往很難直接融入國際經濟學領域，相關分析和研究角度也十分有限。本研究從包含人口整體“增齡過程”的廣義人口老齡化角度，強調了考慮勞動力老齡化的重要性。第二，對年齡依賴型要素對比較優勢的影響，提供來自中國的經驗證據。以往此類研究主要聚焦在美國、日本等發達國家，本文則關注中國情況，而這對于中國這樣正同時經歷人口老齡化和貿易開放的國家而言十分重要。第三，從時間維度上，我們發現隨著老齡化進程推進，不同技能異質性要素密集型行業的出口模式將發生轉變。在前人研究較多關注的老齡化進程導致一國整體勞動力要素稟賦變動的基礎上，我們進一步分析了勞動者就業時的群分型選擇，指出當勞動者同時具備兩種不同的年齡依賴型要素時，生產中由于存在生產率效應和技能選擇效應之間的權衡取舍，最終將使得在一國人口老齡化的不同階段，不同年齡依賴型要素對密集度不同的行業的影響發生轉變。這些都直接肯定了人口年齡結構同樣是構成比較優勢、影響貿易模式的重要因素。

2 老齡化趨勢下年齡依賴型要素對貿易模式的影響機制

年齡依賴型技能包括年齡升值型與年齡貶值型，二者是不同于人力資本的屬于認知能力范圍的技能。人口年齡結構老齡化可以從數量和質量兩方面對年齡依賴型技能產生影響，進而影響一國的貿易。一方面，人口老齡化程度更高的國家，年齡升值型技能要素稟賦更高，勞動力市場上年齡貶值型技能因相對稀缺而相對價格較高，從而該國傾向于密集使用年齡升值型技能。這與傳統H-O理論下要素稟賦理論對生產分工的解釋相一致。另一方面，當各產業間勞動力并不能充分及時流動時，若一國老齡化程度越高，那么每個產業內的年齡分布也會存在高齡人口比例不斷增加的趨勢。對多數工作要求年齡貶值型技能的產業，會由于出現老齡化趨勢而帶來生產率的下降，而多數工作為年齡升值型的產業的相對生產率則逐漸提高，顯露比較優勢。所以老齡化會改變所有部門的相對勞動生產率。這與李嘉圖比較優勢理論相一致。總之，老齡化趨勢使勞動力年齡結構發生變動，進而影響年齡依賴型技能相對供給，要素稟賦的改變進一步對國家之間的貿易方式產生深遠的影響(Cai and Stoyanov, 2016)。

此外，老齡化趨勢下，當勞動者同時具備兩種不同的年齡依賴型要素時，各行業生產中勞動者就業時的群分型選擇，也會進一步影響產業結構。具體而言，年齡貶值型要素對密集使用年齡貶值型要素的行業生產的邊際影響為正，年齡升值型要素對密集使用年齡貶值型要素的行業生產的邊際影響為負，在人口老齡化水平較低時，密集使用年齡貶值型要素的行業，年齡貶值型要素對該行業生產的正向影響占主導，所以此時密集使用年齡貶值型要素的行業生產份額較高，開放條件下市場均衡，使得該行業出口份額高于密集使用年齡升值型要素的行業。但是，隨著人口老齡化水平不斷提升，年齡升值型要素密集度更高的行業越來越呈現比較優勢，逐漸替代年齡貶值型要素密集度更高的行業，在總出口中所占的份額也越來越高。其背后的影響機制是：每個勞動者都同時具有年齡升值型和年齡貶值型兩種技能，基于Ohnsorge and Trefler(2007)推導的二維勞動力異質性模型可知，給定兩種技能，每個勞動者選擇能帶來最高收入的行業進行工作，假設一國兩種年齡依賴型要素稟賦符合二元正態分布(Roy, 1950,1951)，在勞動力不能充分流動的情況下，每個行業內部的年齡依賴型要素稟賦將同樣符合該二元正態分布，同時具備的兩種技能將一起決定著勞動者的收入分布。此時，一方面存在生產率效應(productivity effect)，即取決于年齡依賴型技能對工作的邊際貢獻[注]例如，密集使用年齡升值型技能的行業中年齡升值型要素存在正向的生產率效應，密集使用年齡貶值型技能的行業中，年齡貶值型技能發揮正向的生產率效應。，另一方面存在兩技能選擇效應(two-attribute selection effect)，也就是說即使年齡升值要素稟賦較高的工人在年齡升值型要素密集度更高的行業具有更高的邊際生產率，但是如果勞動者同時具備的兩種年齡依賴型技能的相關系數足夠小，將導致年齡貶值型要素稟賦非常低，那么也會拉低預期收入水平[注]具體理論基礎可參考附錄1。。此時，由勞動者“自選擇”將產生就業行為的群分，進而導致行業層面產出份額出現如上所述的相對變動。

從時間維度上看，由于勞動者同時具備兩種年齡依賴型技能，所以生產率效應和技能選擇效應間的權衡取舍使得兩種不同行業的出口呈現出不同的變化趨勢。例如年齡貶值型要素密集度更高的行業，年齡貶值型要素體現為正向的生產率效應，而年齡升值型要素表現為負向的技能間選擇效應。所以中國人口結構較年輕時，雖然存在老齡化逐年遞增的趨勢，但是在年齡貶值型要素密集度更高的行業，年齡貶值型要素的正向的生產率效應占主導，足以克服老齡化帶來的技能間選擇引起的負效應，所以體現為年齡貶值型要素密集度更高的行業在總出口中占有更高份額。同時，也正是由于老齡化進程持續推進，給定其他條件下，人口老齡化會帶來年齡升值型要素相對稟賦增加，并且隨著醫療條件的改善、預期壽命的提高，年齡貶值型要素和年齡升值型要素的相關系數持續增加，導致這種生產效率效應對出口額增加的相對影響持續減小，直至負向作用的技能間選擇效應占主導，使得年齡貶值型要素密集度越高的行業出口越少。同樣邏輯適用于年齡要素密集度較高的行業，但該行業由于人口老齡化則呈現出出口越來越多的傾向，在總出口中所占份額也越來越大。

表1 年齡依賴型要素對不同行業出口貿易的影響

3 回歸模型、數據與特征性事實

3.1 回歸模型

借鑒Cai and Stoyanov(2016)的研究方法，將人口結構與不同行業的年齡依賴型要素密集度引入回歸方程：

(1)

(2)

3.2 數據來源及說明

本文主要用到五方面數據：一是中國的出口貿易相關數據。中國1990—2010年SITC版本2下的4分位出口數據來自UN Comtrade數據庫。通過利用Feenstra et al(2002)的對應表，匹配成NACIS4位編碼出口數據。二是中國歷年年齡結構數據(Age)。本文分別選擇了兩個指標，分別是來自WPP2015的年齡中位數數據以及計算的高齡人口(40～65歲)占所有15～64歲勞動力年齡人口的比例數據。由于年齡中位數每五年一報告，所以取連續五年為相同中位數。三是各行業要素密集度數據。兩種年齡依賴型要素和體能要素密集度數據來自Cai and Stoyanov(2016)。技能要素密集度數據是根據2010年US Census Bureau-Annual Survey of Manufactures (ASM)數據計算獲得，以非生產性工人的比例代表。資本密集度用資本存量數據與總勞動力人數的比值計算。四是中國要素稟賦數據。其中，資本要素稟賦數據來自PennWorld Table，人力資本存量數據來自李德煌和夏恩君(2013)。五是其他穩健性檢驗相關數據。雙邊貿易成本變量則為標準引力方程中控制的變量，包括距離、是否有共同邊界、共同官方語言虛擬變量，這三個變量的數據來自CEPII-Gravity數據庫。同時，根據WTO關于區域貿易協定的數據庫，本文構造自由貿易區和關稅同盟兩個變量。gatt_d表示對應進口國是否是GATT/WTO成員國。如果兩國間有區域貿易協定(Regional Trade Agreements)則fta_wto取值為1，否則為0。總樣本量為1009203個[注]由于部分變量不涵蓋全部年份，因此在下一部分具體回歸中進行相應調整并說明，例如包含PSC、FSD、GE、RQ和RL的樣本為711246個。。

表2 變量描述性統計

續表

3.3 特征性事實

圖1 中國各年齡組比重、老年撫養比與年齡中位數注： 歷年老年撫養比數據來自UNPD數據庫，其他數據根據WPP2015計算獲得。三部分年齡組比重采取百分比面積堆積圖形式。2015年以后為預測值(MEDIUM VARIANT)。

按照人口學界公認的國際通行標準衡量，一般認為中國自2000年開始邁入老齡化社會，至今已過10余年。中國人口老齡化具有高速、高齡、老人數量大、老年撫養比大、地區差異大的特點(曾毅，2001)，呈現“未富先老”和“快速老齡化”的特征。根據聯合國數據顯示(圖1)，新中國成立以來，65歲及以上人口占比長期保持在4%以下，老年撫養比基本處于11%以下，變化幅度都較小。1970年后，生育率快速下降、人口預期壽命持續穩定提高等因素的共同作用下，中國開始經歷快速的人口老齡化。2001年入世后，中國貿易開放程度大大提高，至今已經發展成為世界第一貨物貿易大國。同時，2001年也是中國人口結構轉型的重要時間點：0～14歲人口占比首次小于25%，65歲及以上人口占比超過7%，老年撫養比超過了10%，年齡中位數達到了30歲水平，各方面都標志著中國正式進入“老年型”社會。至2015年末，根據《中國統計年鑒(2016)》數據，1996—2015年近20年65歲及以上人口數的年均增長率高達3.5%，超過總人口增長速度的5倍。根據聯合國數據預測，到2035年以后老年人口占比將超過20%，老年撫養比將超過30%，這意味著大約每3個勞動力供養1個老年人，進入深度老齡化社會。預計2040年，中國老年撫養比將上升至39.6%，并將在2075年進一步大幅度提升至60.4%。綜上可見，中國貿易水平高速發展與人口老齡化進程可謂是同步推進的，2000年尤其是2010年后，各項指標都表明：中國人口結構正經歷劇烈轉型，人口老齡化將進入持續半個世紀的大規模快速推進時期。

圖2 中國人口分布(分年齡組)數據來源： 作者根據United Nations-WPP2015數據整理。

根據聯合國《人口老齡化及其社會經濟后果》中的劃分標準：一國或地區65歲以上人口數目在該國或地區的總人口中的占比如果超過7%，即表明進入老齡化社會。因此，人口老齡化通常是指在全部人口中65歲及以上老年人口比例擴張的過程，本研究認為從更廣泛意義上看，人口老齡化也包括人口整體年齡結構的老齡化。從人口(統計)學角度，羅淳(2001)對老齡化的內涵歸納為同時包括“比例擴張”和“增齡過程”兩個角度：前者含義是在總人口中，老年人口數目相對增多，表現為“比例擴張”的過程；后者是從人口整體年齡結構角度，即社會整體人口結構呈現老年狀態或者向老齡化發展趨勢，可表現為“中位年齡”或“平均年齡”的提高，即所謂的“增齡過程”。一國總人口可以分為勞動力和非勞動力。其中勞動力指15～64歲的人口，而未成年人和已退休老人則為非勞動力人口。傳統研究老齡化問題時，主要是基于總人口老齡化，即主要考察已退休的非勞動力人口占總人口的比重。由于非勞動力不直接參與生產環節，所以其影響大多經過消費途徑或者其他方面間接影響實體經濟，這也大大限制了老年經濟的研究角度。從中國人口年齡分布圖2可以看出，中國人口在21世紀40年代以前基本呈現右側拖尾，其后開始逐漸呈現左側拖尾形式分布，這同樣是人口老齡化趨勢的直觀體現。同時，中國人口分布的峰值正在逐漸提高，明顯可以看出中國勞動力人口年齡分布逐漸向高齡化發展的趨勢。因此本文關注的老齡化趨勢更多是指中國人口年齡整體分布的變化，即包含“增齡過程”的廣義人口老齡化。

4 實證結果

4.1 分年基準回歸

本文利用高齡勞動者占比作為人口年齡結構的指標，對21年數據分別進行了回歸，結果如表3。可以發現：

表3 分年基準回歸結果

續表

首先，考慮人口老齡化的影響。對于不同行業，這21年中隨著中國人口老齡化程度的加深，兩種年齡依賴型要素密集度對不同行業出口額的影響均出現了逆轉。具體而言，隨著我國人口老齡化程度的加深，不同行業間出口額的變化趨勢是：年齡升值型技能要素密集度對出口額的影響從顯著為負，逐漸變為無顯著影響，最終又變為存在顯著正影響，也就是說對于不同行業而言，由開始時隨著年齡升值型要素密集度越高則出口額越少，逐漸轉變為隨著年齡升值型要素密集度越高則出口額越多；同樣對于不同行業而言，由開始時隨著年齡貶值型要素密集度越高則出口額越多，逐漸轉變為隨著年齡貶值型要素密集度越高則出口額越少。如前所述，本文認為，其中的原因主要是由于勞動者同時具備兩種年齡依賴型技能，所以生產率效應和技能選擇效應間的權衡取舍使得兩種不同行業的出口呈現出不同的變化趨勢。例如1995年之前，中國人口結構較年輕，所以雖然存在老齡化逐年遞增的趨勢，但是在年齡貶值型要素密集度更高的行業，年齡貶值型要素的正向的生產率效應占主導，足以克服老齡化帶來的技能間選擇帶來的負效應，所以體現為年齡貶值型要素密集度越高的行業出口越多。但是老齡化進程持續遞增，年齡貶值型要素和年齡升值型要素的相關系數持續增加，導致這種生產效率效應對出口額增加的貢獻度持續減小，直至負向作用的技能間選擇效應占主導，使得年齡貶值型要素密集度越高的行業出口越少。

其次，對于同一個行業，這21年間，密集使用年齡升值型技能要素的行業出口額越來越多，而密集使用年齡貶值型技能要素的行業出口額越來越少。具體而言，1990年給定一個年齡升值型要素密集度較高的行業，如果高齡勞動者占比增加1%，即變量OldShare增加0.01單位，那么精確計算下該行業出口額會相應減少0.991%，而2010年，高齡勞動者占比增加1%的影響是使得這個行業出口額增加0.13%；同樣，給定一個年齡貶值型技能要素密集度較高的行業，高齡勞動者占比增加1%，在1990年該行業出口額相應增加0.832%，而2010年，該行業出口額精確計算下則會相應減少約1.333%。進一步從邊際影響的趨勢上看，每增加一年，人口老齡化對年齡升值型要素密集型行業的邊際影響增加0.053，對年齡貶值型要素密集型行業的邊際影響減少0.1217。這說明中國產業隨著人口結構的改變，已經逐漸向密集使用人口年齡升級型技能要素行業轉變，這類產業在國民經濟的作用越來越大。

第三，各年間，體能要素對各行業出口額的影響均為負值，各年份之間的影響變化不大，相對穩定。對于傳統影響比較優勢的技能要素密集度和資本要素密集度的影響，兩種都比較顯著。說明了以年齡依賴型要素為代表的認知技能，也是解釋比較優勢的另一來源。

最后，年齡貶值型要素對出口額的影響發生轉折的時間為1995—1999年，比年齡升值型技能要素影響發生轉折的時間(2004—2008年)要提前了幾乎10年。這說明中國人口老齡化的負面影響比其正面影響顯現得更早，中國產業結構轉變滯后于人口老齡化進程。

圖3 人口老齡化對兩類年齡依賴型要素密集型行業的逐年邊際影響

4.2 穩健性檢驗

第一，考慮用年齡中位數替換高齡勞動者比例，衡量人口年齡結構。表4中列出了和年齡中位數交互作用的三項的回歸系數。可以得到和基本回歸相一致的結論。例如，同樣可以發現這21年中隨著中國人口老齡化程度的加深，兩種年齡依賴型要素密集度對不同行業出口額的影響均出現了逆轉。1990年，給定一個年齡升值型要素密集度較高的行業，年齡中位數每增加1年，那么精確計算下該行業的出口額就會相應減少1.121%，而2010年，年齡中位數的邊際影響是使得這個行業出口額增加0.165%；同樣，給定一個年齡貶值型技能要素密集度較高的行業，年齡中位數每增加1年，在1990年時該行業出口額就會相應增加大約1.02%，而2010年，該行業出口額則會相應減少大約1.7%。不過考慮到年齡中位數的變異程度較小，因此本文并不以這種度量方法作為基準回歸。

表4 年齡中位數衡量人口結構的回歸結果

注： CapitalInt×lnCapital、SkillInt×lnHumCapit、R2以及adjR2等結果見附錄2。

第二，考慮運用包含所有年份的面板數據進行回歸。表5中第(1)(3)(5)列為用高齡勞動力占比作為年齡結構的代理變量，第(2)(4)(6)列為使用年齡中位數作為年齡結構的度量。第(1)(2)列顯示了面板數據的基本回歸，再次發現：人口老齡化會增加年齡升值型要素密集型行業的出口，不利于年齡貶值型要素密集型行業的出口。第(3)(4)列為去掉進口國為美國的樣本后的子樣本回歸結果。由于使用的要素密集度是基于美國數據進行計算，所以一旦美國貿易模式影響產業間的勞動者構成，那么將存在反向因果問題。這兩列中，去掉美國樣本后發現，其回歸結果與(1)(2)列十分接近，所以本文的結果不存在聯立性偏誤(simultaneity bias)。進一步，第(5)和(6)列中，控制兩國間的固定效應，以此控制不隨時間變化的其他影響中國和對應進口國的貿易成本。此時可以看到老齡化的影響雖有所降低，但影響方向不變。同時，要素稟賦和已有代理貿易成本的變量雖然顯著，但是符號異常。因此，有理由認為：由于本文只考慮中國出口狀況，同時根據理論模型推導結果，控制進口國固定效應已經足夠。所以總體上，本文研究結果依然穩健。Cai and Stoyanov(2016)同樣使用年齡中位數作為人口年齡結構衡量指標的研究結果進行對比，可以發現，本文年齡升值型要素的邊際影響更小，而年齡貶值型要素的邊際影響普遍更大，一方面這與我國長期以勞動密集型產品出口為主的貿易模型相一致，說明了老齡化對我國此類產業的影響更大，對外貿易中傳統勞動密集型行業的比較優勢在老齡化進程中將加速減弱，另一方面也說明年齡升值型要素在生產中的貢獻度有待提高，提示我們相比于一直依靠充裕的勞動力稟賦和依靠人口數量紅利的發展模式，未來應更加重視人口質量紅利。

表5 面板模型回歸結果

續表

注： 部分單點觀測(singleton observations)在回歸時被自動刪除。R2為組內R2。相關列的不同變量和樣本選取，見原文。

4.3 考慮比較優勢的制度決定因素

在回歸模型中，難以觀察的殘差項中一旦包含了和解釋變量相關的因素，“因果圖”中就會存在“后門路徑”(backdoor path)，影響識別“因果路徑”(causal path)，即影響我們識別解釋變量對被解釋變量的直接影響。這里我們主要考慮兩類可能的內生性問題：一是考慮影響一國要素稟賦的制度因素；二是考慮醫療和教育等對年齡依賴型要素起影響作用的因素[注]對于年齡依賴型要素密集度的內生性問題，Cai and Stoyanov(2016)研究中分別利用了1980年、1990年和2000年普查數據中的各行業中職業組成作為年齡依賴型要素密集度的三個工具變量，一方面十分遺憾的是，本文樣本中1990—2010年歷年的這一數據難以獲得，另一方面Cai and Stoyanov(2016)指出當用2000年數據做工具變量的回歸結果與基準回歸結果很相近，也為基準回歸的可靠性提供了佐證。感謝審稿老師提出的寶貴意見。。

最近關于比較優勢的相關研究，識別出一些制度方面對于貿易的決定因素。這里本文考慮若干此類因素，證明存在這些因素的干擾后本文的結果依然穩健。首先是中國金融發展水平，選取兩個代理變量：一是私營部門的國內信貸占GDP的百分比(PSC，private sector credit)，二是金融系統存款占GDP的百分比(FSD，financial system deposits)，兩者均來自世界金融發展水平數據庫(the global financial development database)。其次是中國的政府效率變量GE(government effectiveness)，數據用來自the worldwide governance indicators(WGI)，該變量反映了公共服務的質量，政策制定和實施的質量，以及政府承諾的公信度等政府效率因素。最后，是中國法律情況，具體包括RQ(regulatory quality)和RL(rule of law)兩個變量，前者反映了監管質量，具體指為了保證和促進部門發展，政府制定和實施健全的政策法規的能力，后者則反映了法律觀念，具體反映社會上的個體對社會規則的遵守程度和信心程度，包括對合同執行、產權、治安以及暴力犯罪等事件可能性的認知，數據同樣來自WGI數據庫[注]WGI數據庫：http://www.govindicators.org/。。由于后三個變量最早數據由1996年開始，共包括12個年份，所以和原始數據匹配后，共剩余711246個觀測值。同時進一步做三方面處理：首先，由于這五個變量各年份內數值相同，所以分年回歸時，本文分別用這五個變量與五種要素密集度和要素稟賦進行互乘，以交互項的形式引入回歸模型，以此反映制度因素的影響；其次，由于GE、RQ和RL三個變量存在負值，所以具體回歸時利用變量的最小值進行標準化處理，以此避免負值對交互項系數的異常影響；最后為避免共線性問題，對這五個不同變量共做五個不同的回歸，所有回歸結果見表6。可以發現，各個模型回歸中，雖然系數存在差別，但是均和基準回歸呈現出相同的變化趨勢，兩種年齡依賴型要素密集度對不同行業出口額的影響均出現了逆轉，而各年間體能要素對各行業出口額的影響均為負值，各年份之間的影響相對穩定。各模型擬合優度位于0.3～0.4之間，且均整體顯著。綜上可見，考慮制度因素對出口額的影響之后，本文發現的主要結論依然穩健。

4.4 年齡依賴型技能的其他決定因素

由于年齡依賴型技能要素稟賦難以觀測，第3部分中本文用國家人口結構作為代理變量，此時即年齡依賴型技能要素只是高齡勞動者占比或者一國年齡中位數的線性函數。然而，年齡依賴型技能要素不僅僅取決于自然的人口老齡化進程，還可以取決于其他因素。第一個因素是一國醫療體系的有效性。諸多文獻都發現系統性疾病對認知能力有很重要的影響(Stern and Carstensen, 2000)，隨著年齡增加，這些疾病的患病率一般呈現遞增趨勢。因此，適當的有效的醫療保障體系可以在一定程度上減少由于年齡增長而帶來的年齡依賴型技能和體能的下降。所以有效的醫療保障體系可以削弱人口老齡化對認知技能和體能稟賦的作用。第二個因素是教育。大量文獻同樣發現教育和年長者認知能力的正相關關系，最近一些文獻通過利用外生的教育政策變動來識別年幼時期的教育對年老時期認知技能(尤其是記憶力)之間的因果關系(如Glymour et al, 2008；Banks and Mazzonna, 2012)。同時，教育可以減弱年齡增加帶來的智力下降(Schaie, 2005)。因此，我們預期教育可獲得性的增加可以增加年齡依賴型認知技能的有效存量。

基于這兩方面考慮，本文利用健康保障體系(HCS)和教育水平(Educ)，拓展一國年齡依賴型技能要素稟賦的決定因素。健康保障體系數據用公共健康保障支出占GDP的比重衡量，歷年教育水平用歷年初中以上畢業人數占勞動人的人數比重衡量，數據分別來源于WDI和歷年中國統計年鑒。前者數據從1995年開始，和原始數據匹配后，剩余874985個樣本。具體各年回歸中，為避免共線性問題，分別利用Health和Educ兩個變量進行回歸。根據回歸結果表7可以發現，兩個模型回歸中，雖然系數存在差別，但是均和基準回歸呈現出相同的變化趨勢，兩種年齡依賴型要素密集度對不同行業出口額的影響均出現了逆轉，并且發生轉折的年份依然和基準回歸保持一致。各年間體能要素對各行業出口額的影響均為負值，各年份之間的影響相對穩定。各模型擬合優度位于0.3～0.4之間，且均整體顯著。綜上可見，考慮了其他兩種決定年齡依賴型要素稟賦的因素之后，本文發現的主要結論依然穩健。

表6 考慮制度因素的回歸結果

續表

注： 限于篇幅，只列出PSC、FSD、GE、RQ和RL交互項系數。其中AAI代表變量AgeAppInt，ADI代表變量AgeDeInt，OS代表變量OldShare。其他系數回歸結果見附錄3。

表7 考慮年齡依賴型技能其他決定因素的回歸結果

注： 限于篇幅，只列出HCS和Educ交互項系數。其他系數回歸結果見附錄4。

5 主要結論與政策啟示

本文遵循Cai and Stoyanov(2016)研究方法，基于通過考慮勞動者同時具備兩種年齡依賴型技能，利用中國1990—2010年出口貿易數據，實證研究了老齡化趨勢對一國比較優勢的影響。結果發現，人口年齡結構是構成一國比較優勢的重要因素之一,具體體現在以下幾個方面。

首先，本文依據Ohnsorge and Trefler(2007)的研究，分析了老齡化趨勢下年齡依賴型要素對貿易模式的影響機制。在前人研究多關注老齡化進程導致一國整體勞動力要素稟賦變動的基礎上，我們進一步分析了勞動者就業時的群分型選擇，指出當勞動者同時具備兩種不同的年齡依賴型要素時，生產中由于存在生產率效應和技能選擇效應之間的權衡取舍，最終將使得在一國人口老齡化的不同階段，不同年齡依賴型要素對密集度不同的行業的影響發生轉變。

其次，利用中國1990—2010年數據實證研究發現，隨著近20年中國老齡化進程推進，兩種年齡依賴型要素對出口額的影響均出現了逆轉。對于同一個行業，這21年間，密集使用年齡升值型技能要素的行業出口額越來越多，而密集使用年齡貶值型技能要素的行業出口額越來越少。例如，對于年齡升值型要素密集度較高的行業，1990年時高齡勞動者占比增加1%，該行業的出口額就會相應減少0.991%，而2010年則為增加0.13%；同樣，對于年齡貶值型要素密集度較高的行業，高齡勞動者占比增加1%，在1990年時該行業出口額就會相應增加0.832%，而2010年則為減少大約1.333%。這說明中國產業隨著人口結構的改變，已經逐漸向密集使用人口年齡升級型技能要素行業轉變，這類產業在國民經濟的作用越來越大。

最后，年齡貶值型要素對出口額的影響發生轉折的時間為1995—1999年，比年齡升值型技能要素影響發生轉折的時間(2004—2008年)要提前了幾乎10年。這說明中國人口老齡化的負面影響比其正面影響顯現的更早，中國產業結構轉變滯后于人口老齡化進程。

目前，我國正在經歷由貿易大國向貿易強國轉型的重要階段。通過以上結論可知，從某種程度上人口老齡化或許并不絕對是一個“亟待解決的問題”，也可以是“轉型發展的契機”。本文的政策含義有：首先，未來相關產業政策應注意進一步趨利避害，努力發揮老齡化的正向外部性。不可否認，豐富的勞動力資源使得我國形成了出口勞動密集型產品為主的貿易模式，但是人口年齡結構并不是一成不變，隨著老齡化進程的推進，貿易轉型不可避免。為了從貿易大國發展為貿易強國，我國需要結合自身的資源稟賦與人口結構探索新的貿易發展模式，抓住人口結構轉變為貿易結構調整帶來的契機。其次，人口老齡化不僅僅是老年人口比例增加，也是整體人口年齡遞增的過程，因此政策考量與制定上，不能僅僅關注已退休的老年人口，對于勞動力的老齡化問題同樣要給予充分考慮。年輕勞動力一般具有較高的創新能力，值得重視；而高齡勞動力具有較高的年齡升值型要素稟賦，同樣是產業轉型升級的關鍵力量。年輕勞動力如能提高受教育水平，增加職業培訓將有利于其年齡依賴型要素的積累，抵消老齡化的不利影響，隨著我們產業轉移升級而減少結構性失業。對于老年勞動力，“一刀切”的退休年齡制度并不盡然合理，尤其不利于受教育程度較高的勞動者為社會創造更多價值。最后，認知技能是勞動力質量的綜合體現，而勞動力數量與勞動力質量都是企業效益的關鍵決定因素，相關政策必須從長遠利益出發制定，要注重勞動力質量的升級，注重開發“人口質量紅利”，進一步發揮中國的潛在增長力。

附錄1

本部分，遵循Ohnsorge and Trefler(2007)以及Cai and Stoyanov(2016)研究方法，為第3部分所述的影響機制提供一定數理基礎并獲得本文的回歸方程。

首先，消費者層面，每個國家n=1…N有有限的離散產業i=0,1…I，其中0為非貿易產業，其余可貿易產業(i≥1)生產異質性產品，每個產業內的產品呈現連續分布j∈[0,1]。依據Chor(2010)，給定總收入Yn時，每種可貿易產品種類的最優消費數量及面對的產業i的價格指數(the ideal price index)分別為：

其次，生產者層面，在產業為離散形式下，借鑒Ohnsorge and Trefler(2007)模型，同時引入年齡升值型和年齡貶值型兩種技能，并引入隨時間變化的技能分布函數。具體而言，勞動者同時具有年齡升值型技能H和年齡貶值型技能L。兩種技能捆綁(bundling)一起(Roy, 1950,1951；Heckman and Sedlacek, 1985)，雇傭者不能分解，因此只關心任務完成情況。對于(H,L)類型的勞動者，依次設定其承擔規模報酬不變的工作任務Ti(H,L)，工資W：

其中，h≡ln(H/L)，l≡lnL，wi≡lnWi，ti(h)≡lnTi(H/L,1)，p≡lnP。給定兩種技能，每個勞動者選擇最高收入的行業進行工作。依據群分模型(sorting model)根據δi對行業i進行排序的通常做法，此時隨著i增大，該行業年齡升值型密集度越高，即h密集度越高。具有更高(H/L)比率的勞動者，在H密集度高的行業具有比較優勢。所以當hi-1

因此，給定技術參數Ai及標準正態分布的分布函數Φ(·)和概率密度函數φ(·)，t時期行業i的總產出可表示為：

(10)

最后，開放貿易時，考慮世界上只有兩個不同老齡化程度的國家，對應μ1>μ2，ρ1>ρ2，產業i的產出分別為Y1i和Y2i，則產業i的世界總產出Yw i為二者之和。封閉時，根據式(1)和(14)可知，每個國家中產業i的總消費Cn i為本國總產出的固定份額。開放時，市場出清意味著每個產業i的世界總產出Yw i等于世界總消費Cw i，進一步等于所有國家對產業i的消費總和。由式(15)與(16)，C1i/Yw i為定值，等于其總產出的世界份額，而Y1i/Yw i隨著h增加而增加，即(Y1i-C1i)/Yw i隨著行業的年齡升值型要素密集度的增加而單調增加。所以，貿易均衡時，國家1將凈出口Y1i-C1i，即老齡化程度較高的國家會出口年齡依賴型要素密集度較高行業的產品。

附錄2

年份CapitalInt×lnCapitalSkillInt×lnHumCapit常數項R2(adj R2)F值(p值)樣本量19900.0009***0.02014.3578***0.3150124.1220(0.0002)(0.0134)(0.0987)(0.3092)(0.0000)2082119910.0007***0.0329**4.5438***0.3139121.8650(0.0002)(0.0129)(0.0953)(0.3083)(0.0000)22053

續表

附錄3

變量199619982000200220032004200520062007200820092010CI×Cpt×PSC0.0001**(0.00002)-0.0002***(0.00002)-0.0002***(0.00003)-0.0003***(0.0001)-0.0003***(0.00002)-0.0004***(0.00002)-0.0003***(0.00002)-0.0003***(0.00002)-0.0003***(0.00002)-0.0003***(0.00002)-0.0003***(0.00002)-0.0003***(0.00002)SI×HCP×PSC-0.0231***(0.0022)-0.0304***(0.0021)-0.0332***(0.0021)-0.0334***(0.0019)-0.0366***(0.0018)-0.0407***(0.0018)-0.0453***(0.0017)-0.0468***(0.0017)-0.0486***(0.0017)-0.0527***(0.0017)-0.0486***(0.0016)-0.0478***(0.0015)CI×Cpt×FSD0.0001**(0.00004)-0.0002***(0.00003)-0.0003***(0.00003)-0.0004***(0.0001)-0.0004***(0.00003)-0.0005***(0.00003)-0.0004***(0.00002)-0.0004***(0.00002)-0.0004***(0.00002)-0.0004***(0.00002)-0.0004***(0.00002)-0.0004***(0.00002)SI×HCP×FSD-0.0329***(0.0032)-0.0418***(0.0028)-0.0439***(0.0028)-0.0432***(0.0025)-0.0471***(0.0024)-0.0518***(0.0023)-0.0573***(0.0022)-0.0591***(0.0022)-0.0611***(0.0021)-0.0661***(0.0021)-0.0616***(0.002)-0.0579***(0.0019)CI×Cpt×GE0.0005**(0.0002)0.0001(0.0001)-0.0011***(0.0001)-0.0016***(0.0001)-0.0015***(0.0001)-0.0018***(0.0001)-0.0019***(0.0001)-0.0012***(0.0001)-0.0010***(0.0001)-0.0010***(0.0001)-0.0013***(0.0001)-0.0013***(0.0001)SI×HCP×GE-0.2068***(0.02)-0.1791***(0.0121)-0.1900***(0.0121)-0.1779***(0.0102)-0.1918***(0.0096)-0.1946***(0.0086)-0.2616***(0.0101)-0.1897***(0.0069)-0.1639***(0.0056)-0.1845***(0.0058)-0.1916***(0.0062)-0.1920***(0.0062)CI×Cpt×RQ0.0003**(0.0002)0.0002(0.0002)-0.0026***(0.0003)0.0234***(0.0017)-0.0043***(0.0003)-0.0040***(0.0002)-0.0021***(0.0001)-0.0022***(0.0001)-0.0020***(0.0001)-0.0018***(0.0001)-0.0026***(0.0001)-0.0029***(0.0001)SI×HCP×RQ-0.1427***(0.0138)-0.2986***(0.0203)-0.4537***(0.029)-0.3606***(0.1500)-0.5431***(0.0273)-0.4383***(0.0193)-0.2884***(0.0111)-0.3467***(0.0127)-0.3257***(0.0112)-0.3280***(0.0104)-0.3948***(0.0127)-0.4092***(0.0132)CI×Cpt×RL0.0019**(0.0008)0.0003(0.0003)-0.0265***(0.0035)-0.0084***(0.0006)-0.0214***(0.0015)-0.0134***(0.0007)-0.0538***(0.0031)-0.0133***(0.0008)-0.0139***(0.0008)-0.0039***(0.0002)-0.0044***(0.0002)-0.0047***(0.0002)SI×HCP×RL-0.7596***(0.0736)-0.4856***(0.0329)-4.5864***(0.2932)-0.9364***(0.0539)-2.6815***(0.1348)-1.4759***(0.065)-7.5124***(0.2889)-2.0917***(0.0764)-2.3206***(0.0796)-0.7311***(0.0231)-0.6582***(0.0211)-0.6760***(0.0219)R20.33050.32380.33920.3480.36050.35700.36850.37540.38120.38840.37620.3793F值148.6981221.1166261.8926323.188362.294419.809411.2028431.2761438.181468.4449560.7669542.3395樣本數344343940247977528305707560257640866719270083714157247374022

注： 其中，CI代表CapitalInt，Cpt代表lnCapital，SI代表SkillInt，HCP代表lnHumCapit。

附錄4

年份CapitalInt×lnCapital×HCSSkillInt×lnHumCapit×HCSCapitalInt×lnCapital×EducSkillInt×lnHumCapit×EducR2(adj R2)F值(p值)樣本量19950.00004-0.10224***0.00004-0.10224***0.329165.155(0.00013)(0.01012)(0.00013)(0.01012)(0.325)(0.000)3466219960.00026**-0.10410***0.00026**-0.10410***0.330148.698(0.00011)(0.01008)(0.00011)(0.01008)(0.327)(0.000)3443419970.00035***-0.11792***0.00035***-0.11792***0.331173.330(0.00011)(0.00997)(0.00011)(0.00997)(0.328)(0.000)3640219980.00009-0.14155***0.00009-0.14155***0.324221.117(0.00010)(0.00960)(0.00010)(0.00960)(0.320)(0.000)394021999-0.00010-0.13508***-0.00010-0.13508***0.337238.699(0.00010)(0.00926)(0.00010)(0.00926)(0.334)(0.000)422302000-0.00090***-0.15672***-0.00090***-0.15672***0.339261.893(0.00012)(0.01002)(0.00012)(0.01002)(0.336)(0.000)479772001-0.00126***-0.15828***-0.00126***-0.15828***0.336280.198(0.00011)(0.00973)(0.00011)(0.00973)(0.333)(0.000)504452002-0.00143***-0.15959***-0.00143***-0.15959***0.348323.188(0.00011)(0.00919)(0.00011)(0.00919)(0.345)(0.000)528302003-0.00141***-0.17715***-0.00141***-0.17715***0.360362.294(0.00010)(0.00890)(0.00010)(0.00890)(0.358)(0.000)570752004-0.00177***-0.19466***-0.00177***-0.19466***0.357419.8(0.00010)(0.00858)(0.00010)(0.00858)(0.355)(0.000)602572005-0.00153***-0.21412***-0.00153***-0.21412***0.368411.203(0.00009)(0.00823)(0.00009)(0.00823)(0.366)(0.000)640862006-0.00140***-0.22019***-0.00140***-0.22019***0.375431.276(0.00008)(0.00804)(0.00008)(0.00804)(0.373)(0.000)671922007-0.00136***-0.22682***-0.00136***-0.22682***0.381438.181(0.00008)(0.00778)(0.00008)(0.00778)(0.379)(0.000)700832008-0.00130***-0.24402***-0.00130***-0.24402***0.388468.445(0.00008)(0.00771)(0.00008)(0.00771)(0.387)(0.000)714152009-0.00156***-0.23505***-0.00156***-0.23505***0.376560.767(0.00008)(0.00754)(0.00008)(0.00754)(0.374)(0.000)724732010-0.00162***-0.23161***-0.00162***-0.23161***0.379542.340(0.00008)(0.00749)(0.00008)(0.00749)(0.377)(0.000)74022