人才紅利對上海經濟產出效率的影響效應研究

□彭 俊

｜背景與目標問題的提出

（一）問題的提出

最新的第七次全國人口普查（下文簡稱“七人普”）數(shù)據(jù)顯示，上海15-59 歲勞動適齡人口比重進一步下降。2012 年起，我國勞動年齡人口的數(shù)量和比重就開始出現(xiàn)“雙降”，至2018 年末全國就業(yè)人口總量也首次出現(xiàn)下降，上海受益于不斷涌入的年輕外來常住人口，勞動年齡人口總量和比重的變化趨勢稍晚于全國，在2010 年達到頂峰的76.3%比重后，開始呈現(xiàn)逐漸下降的趨勢。2020 年，上海15-59 歲勞動適齡人口1662 萬人，仍然比較充沛，但未來的減少趨勢不可避免，依靠人口紅利推動經濟增長的時代逐漸過去，即人口紅利的時間窗口正在逐步關閉，下一步必須向人才素質、勞動力結構優(yōu)勢轉變，即依靠人才紅利推動經濟高質量發(fā)展。

（二）目標

本文的主要目標是研究上海就業(yè)人口中的人才紅利對經濟增長的影響效應，通過建模來挖掘驗證人才紅利對經濟產出效率的影響方式、影響結構與空間效應有何特征，以此為上海更好利用人力資本紅利促進經濟轉型發(fā)展提供政策與建議。因此，我們充分發(fā)揮“七人普”與第四次經濟普查（下文簡稱“四經普”）數(shù)據(jù)作用，為本課題設定了一個相對數(shù)據(jù)可獲得、可復制的“人才”定義：15 周歲及以上的就業(yè)人口①①就業(yè)人口是指“一周內為取得收入而工作了一小時以上”或“在職休假、在職學習培訓、臨時停工（保留工資）”人員。中或者職業(yè)為“黨的機關、國家機關、群眾團體和社會組織、企事業(yè)單位負責人”或“專業(yè)技術人員”，或者受教育程度為大專及以上的人口，將該類“人口占就業(yè)人口的比重”作為本文探索人才對經濟效率影響評價建模的指標基礎。

｜上海市人才現(xiàn)狀分析

（一）就業(yè)人口中的人才比重為53.7%

“七人普”長表抽樣數(shù)據(jù)顯示，就業(yè)人口中的人才比重為53.7%，比2010 年提高了19.5 個百分點，其中，戶籍常住人口的該比重為56.8%，外來常住人口該比重為43.2%。

（二）人才的平均年齡為35.4 歲

人才的平均年齡為35.4 歲，比2010 年提高1.3 歲，比就業(yè)人口的平均年齡低2.7 歲。其中，戶籍人才的平均年齡為38 歲，比外省市來滬人才的平均年齡高6 歲。

（三）金融、科研、教育和信息行業(yè)集聚

分行業(yè)看，人才占就業(yè)人口的比重較高的行業(yè)是金融業(yè)，教育，科學研究和技術服務業(yè)和信息傳輸、軟件和信息技術服務業(yè)，其比重分別為 91.4%，88.2%，88.2% 和86.8%。與2010 年相比，金融業(yè)就業(yè)人口中人才的比重均位居行業(yè)之首，比重略減0.2 個百分點。

（四）人才相對集中于“專業(yè)技術人員”

分職業(yè)看，上海專業(yè)技術人員占人才的比重為38.6%，位居職業(yè)前列，比2010 年下降5.3 個百分點；社會生產服務和生活服務人員所占比重提升最快，從2010 年的15.0%提高到32.8%，提高了17.8個百分點。

｜人才紅利對經濟效率的影響效應測度

相對于勞動力要素，人才要素對經濟效率的影響可能更為復雜，因此本文分別從中介、門限與經濟空間三個維度來測度人才紅利對經濟效率的影響效應。主要使用“七人普”和“四經普”數(shù)據(jù)，包括人才占比、勞動生產率、資產貢獻率、信息化投入強度、綜合技術效率等五項分行業(yè)大類①①“農林牧漁業(yè)”“采礦業(yè)”“煙草制品業(yè)”“公共管理、社會保障和社會組織”“國際組織”暫不納入測算。的統(tǒng)計指標。人才占比=受教育程度為大學及以上或職業(yè)為單位負責人、專業(yè)技術人員/就業(yè)人口總數(shù)，勞動生產率=總產出②為保持二產和三產、“四上”和“四下”測算口徑一致，行業(yè)總產出按營業(yè)收入-營業(yè)成本+稅金及附加進行測算。/從業(yè)人員平均人數(shù)，資產貢獻率=總產出/資產總計，信息化投入強度③由于該指標無“四下”數(shù)據(jù)，故僅測算“四上”部分。=信息化投入/營業(yè)收入，綜合技術效率選擇EBM-超效率模型進行測算，投入指標為勞動力要素和資本要素，產出指標為總產出。（表1）

表1 人才紅利對經濟效率影響的建模指標數(shù)據(jù)示例

（一）人才紅利對經濟效率影響的中介效應測度——影響方式能夠復合、影響程度能夠疊加

1.人才紅利對經濟效率影響的中介效應測度方法。結構方程模型是基于協(xié)方差矩陣分析多個原因和結果間關系的多元統(tǒng)計方法，本部分使用包含中介效應的結構方程模型分析人才紅利對經濟效率的中介效應。

包含中介效應的結構方程模型的表達為:

式中，yt為被解釋變量，xt為解釋變量，mt為中介變量，at′為直接效應，βtγt為間接效應，at為總效應，εit為誤差項。a 代表自變量X作用于中介變量M 的效應，c' 代表考慮或控制中介變量M 后，自變量X 作用于因變量Y 的效應。

2.人才紅利對經濟效率影響的中介效應測度結論。設定模型的被解釋變量為綜合技術效率，解釋變量為人才占比，中介變量為勞動生產率、資產貢獻率、信息化投入強度。求解軟件為AMOS 24，設置1000 次Bootstrap 自抽樣檢驗中介效應，并輸出結果（圖1）。

圖1 結構方程模型參數(shù)估計標準化結果

（1）模型整體擬合效果較為理想。卡方統(tǒng)計量伴隨概率為0.301＞0.05，說明假設模型的變量關系矩陣與實際數(shù)據(jù)的變量關系矩陣不存在顯著差異，假設模型能夠獲得實際數(shù)據(jù)的支持。其他絕對、增值、綜合擬合度指標同樣顯示模型整體擬合較為理想（表2、表3、表4）。

表2 結構方程模型絕對擬合度評價指標

表3 結構方程模型增值擬合度評價指標

表4 結構方程模型綜合擬合度評價指標

（2）人才要素對經濟效率的影響方式具有復合性。影響方式能夠符合是指人才要素對經濟效率既能產生顯著的直接效應，也能產生顯著的間接效應。一方面，“人才占比”對“綜合技術效率”直接效應的標準化有偏校正置信區(qū)間不包括0，顯著性檢驗伴隨概率為0.066，說明具有90%置信水平下顯著的直接影響。另一方面，“人才占比”對“綜合技術效率”間接效應的標準化有偏校正置信區(qū)間不包括0，顯著性檢驗伴隨概率為0.001，說明具有95%置信水平下顯著的間接影響。

（3）人才要素對經濟效率的影響程度具有疊加性。影響程度能夠疊加是指人才要素對經濟效率產生的直接效應和間接效應的系數(shù)估計均為正值，并非一正一負。“人才占比”對“綜合技術效率”總效應的系數(shù)估計為0.808。其中，直接效應（即“人才占比-＞綜合技術效率”）的系數(shù)估計為0.407，間接效應（即“人才占比-＞M”דM-＞綜合技術效率”）的系數(shù)估計為0.401（表5）。結果說明人才要素既能夠直接促進經濟效率的提高，且人才要素的聚集程度越高對經濟效率的直接拉動作用越強，也能夠先提高勞動力、資本、信息化等生產要素的使用效率，再進一步地促進經濟效率的提高，且人才要素的聚集程度越高對經濟效率的間接拉動作用同樣越強。

表5 結構方程模型系數(shù)估計

（二）人才紅利對經濟效率影響的門限效應測度——能夠優(yōu)化生產要素的影響結構

1.人才紅利對經濟效率影響的門限效應測度方法。門限回歸模型用于描述復雜隨機系統(tǒng)，核心思想在于捕獲門限變量可能發(fā)生跳躍的臨界點，在該點處模型系數(shù)發(fā)生改變，從而更能解釋非線性的經濟現(xiàn)象，本部分使用截面門限回歸模型分析人才紅利對經濟效率的門限效應。

門限回歸模型的主要分析流程是，第一步對所有門限值求其殘差平方和，將殘差平方和最小值對應的門限值記為θ，第二步使用門限值θ 估計模型在不同區(qū)間的系數(shù)。單一截面門限回歸模型的表達式為y=β1xI (q ≤γ) +β2xI (q ＞γ) +ε，式中，y 表示被解釋變量，x 表示解釋變量，I (·) 表示定義的指示函數(shù)，當q≤γ 時，門限回歸的系數(shù)為β1，當q＞γ 時，門限回歸的系數(shù)為β2，ε 為誤差項。

2.人才紅利對經濟效率影響的門限效應測度結論。設定模型的被解釋變量為綜合技術效率，解釋變量為勞動生產率、資產貢獻率、信息化投入強度，門限變量為人才占比。求解軟件為Stata 16，設置1000次Bootstrap 自抽樣檢驗門限效應。

（1）模型整體擬合效果較為理想。門限效應的LM 檢驗統(tǒng)計量為4.112，伴隨概率為0.972＞0.05，故拒絕原假設（不存在單一門限）。多元線性回歸模型的R2=0.734，門限回歸模型的Joint R2=0.900，門限變量的臨界點q=0.572，門限回歸模型相對于多元線性回歸模型擬合效果更為良好。

（2）人才要素集聚程度較低的行業(yè)主要依靠傳統(tǒng)生產要素提高經濟效率。模型在門限變量臨界點左側的“勞動生產率”系數(shù)估計為0.00049，“資產貢獻率”為3.437，分別大于臨界點右側的0.00005 和1.811，說明當人才聚集程度較低時，勞動力、資本等傳統(tǒng)生產要素對經濟效率的影響程度相對較大。對于這些行業(yè)而言，政府部門可以側重引導其充分挖掘傳統(tǒng)生產要素的使用潛能來提高經濟效率。

（3）人才要素集聚程度較高的行業(yè)主要依靠新興生產要素提高經濟效率。模型在門限變量臨界點右側的“信息化投入強度”系數(shù)估計為1.176，大于臨界點左側的0.489，說明當人才要素的聚集程度較高時，信息化、數(shù)字化等新興生產要素對經濟效率的影響程度相對較大。對于這些行業(yè)而言，政府部門可以側重引導其充分發(fā)揮新興生產要素的使用潛能來提高經濟效率（表6）。

表6 截面門限回歸模型系數(shù)估計

（三）人才紅利對經濟效率影響的經濟空間效應測度——能夠通過溢出效應擴大影響范圍

1.人才紅利對經濟效率影響的經濟空間效應測度方法。根據(jù)地理學第一定律（Waldo Tobler，1970）“地物之間的相關性與距離有關”可知，同一重大突發(fā)事件對不同區(qū)域企業(yè)要素效率的影響可能存在空間相關性，本部分使用空間計量模型分析人才紅利對經濟效率的經濟空間效應。

通用嵌套空間模型 GNSM（Allers and Elhorst，2005）為y=ρWy+Xβ+WXθ+μ，μ=λWμ+ε。其中，y 表示被解釋變量，X表示解釋變量，W表示空間權重矩陣，μ 表示隨機干擾項，ρ 表示空間自回歸系數(shù)，λ 表示空間自相關系數(shù)，Wy 表示被解釋變量間的內生交互效應，WX 表示解釋變量間的外生交互效應，Wμ表示隨機干擾項間的交互效應。

2.人才紅利對經濟效率影響的經濟空間效應模型選擇

設定模型的被解釋變量為綜合技術效率，解釋變量為勞動生產率、資產貢獻率、信息化投入強度、人才占比。求解軟件為MATLAB 2021b，估計方法選擇兩階段最小二乘法。

第一步，空間權重矩陣設計。第一個候選空間權重矩陣為完全消耗系數(shù)矩陣w1，基于上海市投入產出調查的部門完全消耗系數(shù)構造。第二個候選空間權重矩陣為經濟效率反距離矩陣w2，d 表示樣本i 和j 樣本間綜合技術效率之差的絕對值，k 表示衰減系數(shù)（本文設定為1）。

第二步，全局空間自相關檢驗。分別使用莫蘭指數(shù)I 和吉爾里指數(shù)C 對行標準化后的候選空間權重矩陣進行雙邊全局空間自相關檢驗。由檢驗結果（表7、表8）可知，w2 通過了95%置信水平下的兩項全局空間自相關檢驗，故選擇w2 為模型的空間權重矩陣。

表7 候選空間權重矩陣的莫蘭指數(shù)I 全局空間自相關檢驗

表8 候選空間權重矩陣的吉爾里指數(shù)C 全局空間自相關檢驗

第三步，最優(yōu)空間全局模型選擇。使用w2 為空間權重矩陣，對樣本集依次進行NSM、SAR、SEM和SDM 模型擬合，并進行LM、LR、Wald 檢驗。根據(jù)擬合和檢驗結果，確定選擇SDM 模型為最優(yōu)空間全局模型。

3.人才紅利對經濟效率影響的經濟空間效應測度結論

（1）人才要素對經濟效率具有顯著的經濟空間溢出效應。本行業(yè)“人才占比”對本行業(yè)“綜合技術效率”的系數(shù)估計為0.416，且通過了99%置信水平下的顯著性檢驗。同時，鄰近行業(yè)“人才占比”對本行業(yè)“綜合技術效率”的系數(shù)估計為0.456，且通過了95%置信水平下的顯著性檢驗。結果說明人才要素的聚集程度越高不僅越能拉動本行業(yè)的經濟效率，而且還能將這種影響延伸到經濟效率與其相近的行業(yè)，促進這些行業(yè)經濟效率的提高。

（2）人才要素對經濟效率的經濟空間溢出效應仍存在增強空間。本行業(yè)“人才占比”對本行業(yè)“綜合技術效率”的系數(shù)估計為0.4157，低于“資產貢獻率”的1.3153；鄰近行業(yè)“人才占比”對本行業(yè)“綜合技術效率”的系數(shù)估計為0.4557，同樣低于“資產貢獻率”的2.3722。結果說明，雖然人才要素的聚集程度越高不僅越能拉動本行業(yè)的經濟效率，還能促進鄰近行業(yè)經濟效率的提高，但從兩類效應的影響程度看還均都低于資本要素。也就是說，人才紅利對經濟高質量發(fā)展的助推和驅動作用已較為有力，但仍有進一步增強的空間（表9）。

表9 SDM 參數(shù)β 和θ 估計結果

（四）測度模型小結

本文分別從中介、門限與經濟空間測度了人才紅利對經濟效率的影響效應，主要得到了三方面的研究結論，可用“三個能夠”概括。一是人才要素能夠復合對經濟效率的影響方式、疊加對經濟效率的影響程度，人才聚集程度越高既能夠直接拉動經濟效率，也能夠先改善其他生產要素的使用效率再間接地進一步拉動經濟效率。二是人才要素能夠優(yōu)化生產要素對經濟效率的影響結構，當人才聚集程度較低時勞動力、資本等傳統(tǒng)生產要素對經濟效率的拉動作用較為明顯，當人才聚集程度較高時更能激發(fā)信息化、數(shù)字化等新興生產要素對經濟效率的拉動作用。三是人才要素能夠通過溢出效應擴大對經濟效率的影響范圍，人才聚集程度越高不僅越能夠拉動本行業(yè)的經濟效率，還能夠將這種影響延伸到鄰近行業(yè)，促進鄰近行業(yè)經濟效率的提高。

｜政策建議

（一）創(chuàng)新人才體制機制，積極打造上海人才高地

本文建模結果表明，人才要素既能夠直接促進經濟效率的提高，且人才要素的聚集程度越高對經濟效率的直接拉動作用越強，也能夠通過提高勞動力、資本、信息化等生產要素的使用效率促進經濟效率的提高，且人才要素的聚集程度越高對經濟效率的間接拉動作用同樣越強。因此，上海要進一步創(chuàng)新人才體制機制，著力優(yōu)化人才發(fā)展環(huán)境，加大國際化和創(chuàng)新型人才的培養(yǎng)和引進力度，積極打造上海人才高地，推動經濟高質量發(fā)展。

只有建立合適的人才選拔機制和人才激勵機制，才能更快地釋放人才紅利，讓更多“千里馬”奔騰于新時代，為上海經濟增長提供不竭動力。要打破束縛人才的制度羈絆，優(yōu)化落戶政策，讓創(chuàng)新血液在全社會自由流動，讓創(chuàng)造活動擁有更廣闊空間。積極推廣分類推進人才評價機制改革成果，擴大惠及面。積極推廣集成電路、人工智能和生物醫(yī)藥等戰(zhàn)略性新興產業(yè)領域由領軍企業(yè)等牽頭制定人才評價標準的先進做法。

（二）積極培育數(shù)字化人才，奮力創(chuàng)造新時代上海發(fā)展新奇跡

建模結果表明，當人才要素的聚集程度較低時，勞動力、資本等傳統(tǒng)生產要素對經濟效率的影響程度相對較大。當人才要素的聚集程度較高時，信息化、數(shù)字化等新興生產要素對經濟效率的影響程度相對較大。因此，對于人才集聚程度比較低的行業(yè)，政府部門可以側重引導其充分挖掘傳統(tǒng)生產要素的使用潛能來提高經濟效率；對于人才集聚程度比較高的行業(yè)，政府部門可以側重引導其充分發(fā)揮新興生產要素的使用潛能來提高經濟效率。

（三）抓住關鍵行業(yè)“牛鼻子”，推動上海經濟高質量發(fā)展

建模的結果提示人才要素的聚集程度越高不僅越能夠拉動本行業(yè)的經濟效率，而且還能將這種影響延伸到技術效率與其相近的行業(yè)，促進這些鄰近行業(yè)經濟效率的提高。以“軟件和信息技術服務業(yè)”為例，與其技術效率較為相近的行業(yè)包括“教育”“研究和試驗發(fā)展”“新聞和出版業(yè)”“電信、廣播電視和衛(wèi)星傳輸服務”等。如果“軟件和信息技術服務業(yè)”的人才聚集程度提高，除了會拉動本行業(yè)的經濟效率外，還會促進上述這些鄰近行業(yè)經濟效率的提高。因此，上海要抓住關鍵行業(yè)“牛鼻子”，擴大關鍵行業(yè)的帶動效應，推動經濟高質量發(fā)展。