经济增长的劳动力效应分解.docVIP

经济增长的劳动力效应分解 　　内容摘要：本文通过岭估计法分析劳动力各大效应的产出弹性及其对经济增长的贡献，并得出相关结果。此外，通过Granger因果检验还发现，教育效应、非农业配置以及非公有经济就业与人均产出之间存在双向因果关系。对此，本文提出了一些政策建议。 　　关键词：劳动力 经济增长 劳动力效应 抚养比 　　经济增长的劳动力效应 　　从亚当·斯密（A·Smith）和大卫·李嘉图（D·Ricardo）提出劳动力是决定经济增长的三大要素之一开始，各种研究就从劳动力要素的不同方面探讨其对经济增长的作用。在新古典经济增长模型中，R·索洛（R·M·Solow）、T·W·斯旺（T·W·Swan）和J·E·米德（J·E·Meade）都认为劳动和资本是经济增长的两个基本内生变量。但这一阶段的认识停留在劳动力投入或就业数量上面。以新古典经济增长理论为基础，西奥多·舒尔茨（T·W·Schultz）、卢卡斯（Robert Lucas）、加里·S·贝克尔（Becker）则认为促进经济增长的重要原因是劳动者的知识和技能。这时提出的“人力资本”概念实际上将劳动力质量与劳动力数量分离开来，将劳动力质量作为经济增长的一种投入要素。事实上，劳动力对经济增长的影响不仅仅体现在数量和质量二个方面，劳动力配置以及劳动力负担也起着至关重要的作用。在二元经济结构比较显著的中国，农业劳动力流向非农部门意味着劳动力在不同产业间的优化配置。这种配置促进劳动力生产率的提高，从而促进经济增长（王菲，2008；胡兵，2005）。此外，劳动力抚养比（少儿抚养负担和老年赡养负担）对经济增长也有影响，劳动力抚养比越高，意味着劳动力负担越重，越不利于经济增长（王德文等，2004；Modigliani，1970；Kelly，1973）。世界银行（1998）对中国经济增长的劳动力效应进行研究后得出，劳动力数量增长和质量提高可以解释17%的GDP增长，劳动力部门转移可以解释约16%。蔡 、王德文（1999）对1982～1997年的中国经济增长分解后发现，劳动力对经济增长率的贡献份额达到23.71%，人力资本贡献23.70%，劳动力配置贡献20.23%。因此现有研究已经逐渐意识到，仅仅研究劳动力投入对经济增长的贡献很不全面，并开始对经济增长进行劳动力效应分解，如从总量、质量出发的“二分解”或总量、质量、配置的“三分解”等方面进行了分析。在前述研究的基础上，本文尝试将劳动力的经济增长效应分解为四个部分进行分析，即劳动力投入效应、劳动力质量效应、劳动力配置效应和劳动力负担效应。 　　在模型设计上，现有研究大都采用生产函数（主要是Cobb-Douglas函数）来解释经济发展过程中各种要素对经济增长的作用。但是在分析中，一般测算的是资本投入和劳动力投入（一般是指劳动力数量投入或就业量）的贡献，而将劳动力质量（素质的提高、健康水平的提升）、劳动力配置（劳动力非农转移和非农转移）、劳动力负担等因素全部归在残差中，缺乏对残差的进一步分解。这实际上是将劳动力作为一个同质的静态的变量处理，没有考虑到劳动力本身会发生质量的变化或空间的移动从而对经济增长发生影响。本文的工作在于将劳动力的的四个效应同时纳入生产函数，并从“残差”中分离出它们对经济增长的影响和贡献。 　　在探讨劳动力效应对经济增长的影响时，一些学者采用最小二乘法估计模型中的参数，但当法方程系数矩阵X′X偏离单位矩阵较大时，未知参数的最小二乘估值很不可靠。岭估计方法的原理是在其法方程系数矩阵X′X的对角线上加了一个很小岭参数k（0k1）。这个参数能大大加强法方程系数矩阵的正交性，降低复共线特征向量的影响，从而保证参数估计更接近真实情况（Hoerl A E. et al，1970）。当然，岭估计是以放弃最小二乘的无偏性来换取精确度稍差但更加符合实际的回归结果。本文通过构建（k）=（X′X+kL）-1X′Y进行岭估计。其中X′X是标准化后的设计阵，L是元素均为1的列向量，k为岭参数。显然，当k=0时，（0）=（X′X）-1X′Y就是β的最小二乘估计。岭回归的关键在于岭参数的确定。常用的岭参数确定方法有岭轨法、GCV法（Generalized Cross-Validation）以及L-曲线法三种。本文通过观察岭轨迹图，选取趋于稳定态势时的岭参数对应的各自变量的回归系数，作为最终结果。 　　模型的构建及数据处理 　　（一）模型构建 　　根据Lau et al.（1989），蔡 、王德文（1999）的实证模型，描述经济增长的函数可以建立如下： （1） 　　（1）式中，K为资本，E为劳动力投入数量，H为人力资本水平。这里，假设规模报酬不变，即有，α、β、γ均∈（0，1）且α+β+γ=1。以上公式左右两边除以总人口数量N，可得到如下变换：