《人力资本构成(共13页).doc》由会员分享，可在线阅读，更多相关《人力资本构成(共13页).doc（13页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、精选优质文档-倾情为你奉上宏观经济学我国地区全要素生产率与人力资本构成彭国华中山大学岭南学院致 谢：作者感谢王则柯教授的指导和帮助，本文在数据资料方面得到了2004年经济研究第10期文章中国省际物质资本存量估算：1952-2000的作者张军教授等提供的便利与帮助。作者文责自负。宏观经济学我国地区全要素生产率与人力资本构成摘 要 基于Nelson and Phelps (1966)，本文研究了全要素生产率(TFP) 与人力资本构成的关系，并运用Dynamic Panel Data 一阶差分GMM估计方法对1982-2002年我国28个省区的面板数据进行了实证检验。实证结果表明，只有接受过高等教育
2、的人力资本部分对TFP才有显著的促进作用。把人力资本分解为不同的组成部分有助于进一步深化我们对TFP和人力资本的理解，还可以使我们对国外现有文献中人力资本与产出的一些争议提供解释。关键词 全要素生产率，人力资本构成，技术扩散Total Factor Productivity and Composition of Human Capitalin Chinese ProvincesAbstract In the spirit of Nelson and Phelps (1966), we analyze the relationship between total factor productiv
3、ity (TFP) and composition of human capital. Using dynamic panel data first-differenced GMM method for a sample of 28 provinces in China during 1982-2002, we find that only the tertiary educated human capital can enhance the level of TFP. Our result can explain why there is a mix in the previous empi
4、rical research on the relationship between human capital and output growth in the world.JEL Classification J24, O30, O47我国地区全要素生产率与人力资本构成一、引 言目前，很多学者对我国全要素生产率（TFP）作了分析，但现有的大部分文献主要集中于对TFP的测算及其对增长的贡献上，如Young（2003）等。测算TFP并不是目的，而应该只是我们研究的起点。也有很多文献研究了人力资本对我国经济增长的作用，如Wang and Yao（2003）等，但研究人力资本构成的文献则很少。而且
5、，我们看到现有文献对人力资本和TFP的研究是分开进行的，还没有文献研究人力资本构成与TFP这二者之间的关系。本文重点研究我国各地区人力资本构成与TFP的关系 与大多数文献一样，我们用正规教育表示人力资本。，这种分析有助于我们对TFP和人力资本理解的进一步深化，也可以对当前人力资本与产出的争议作出一些解释。TFP是经济增长研究中的核心问题之一，TFP传统上被称为“索罗残差”，代表要素投入以外的部分。实证研究表明，是TFP而不是要素投入决定着不同国家和地区之间巨大的收入差距，如Easterly and Levin(2001)、Klenow and Rodriguez-Clare(1997)和Hal
6、l and Jones(1999)等。Prescott(1998)认为，我们需要建立一个TFP理论，来打破它仅仅作为残差的传统看法。因此，对TFP内在机制的研究越来越受到人们的重视，其中很大一部分是根据Nelson and Phelps (1966)的假设来研究人力资本对TFP的影响作用。Nelson and Phelps (1966)提出了两个技术进步与教育的模型，受到广泛关注的是第二个模型，它假定技术进步速度取决于两个因素：劳动力受教育程度、潜在技术与实际技术之间的差距。国外一些学者开始沿着这个方向作出了有益的探讨，如Aiyar and Feyrer（2002）、Benhabib and
7、Spiegel(2002)等。但是，国外关于人力资本与TFP的实证研究并没有取得一致的结论。一方面，一些研究认为人力资本与TFP有显著的正相关关系，如Benhabib and Spiegel(1994)的跨国实证研究表明，TFP的增长依赖于人力资本的水平；Aiyar and Feyrer（2002）的跨国实证认为人力资本对TFP有很强的促进作用。另一方面，有些研究认为这二者之间没有相关关系，即使有也是负的，如Miller and Upadhyay(2000)显示人力资本对TFP没有显著的独立决定作用，Pritchett(2001)认为，TFP的增长与教育增长存在显著的负相关关系。与人力资本和T
8、FP的争议相似的是，国外一些学者对于人力资本与产出关系的看法也发生了变化，有些实证研究否定了以前认为的教育对增长的显著促进作用 这也与教育回报的微观实证相矛盾，因而被称为“教育之谜”，参见Temple（1999）。以前的研究表明人均产出的增长速度与初始人力资本存在显著的正相关关系，如Barro（1991）等。但是Benhabib and Spiegel(1994)的跨国实证研究表明，人力资本与产出的增长没有显著的关系，只是TFP的增长依赖于人力资本的水平。Bils and Klenow(2000)认为，教育对产出增长的作用很微弱，因而，人力资本对产出并没有直接的促进作用。Pritchett(2
9、001)的跨国实证表明，劳动力受教育程度的增加与人均产出增长没有关系。Krueger and Lindahl(2001)发现人力资本与产出增长之间的正相关关系仅仅发生在低收入国家。Temple(2001)认为，教育与增长的关系仍然是不确定的，应该避免作出一般性的结论。上述文献的一个共同局限性是，把人力资本作为一个整体，没有区分人力资本的不同组成部分对TFP可能会起不同的作用。分析人力资本构成有助于我们透视人力资本对TFP的深层作用，也有助于理解人力资本与产出的不确定关系。Vandenbussche, Aghion and Meghir(2004)是这方面的最新探讨，他们研究了19个OECD国家
10、1960-2000年人力资本的组成部分的不同作用，发现对TFP有显著促进作用的是受过高等教育的人力资本部分而不是人力资本整体。 本文主要分析我国各省区TFP与人力资本构成的关系，以对现有文献作出扩展和补充。我们首先在Aiyar and Feyrer（2002）的基础上，提出一个修正的人力资本与TFP的模型，即TFP的增长率和实际TFP与潜在TFP之间的差距正相关，而潜在TFP的大小则取决于人力资本各构成部分的作用。与Aiyar and Feyrer（2002）的主要不同之处是我们允许人力资本的不同组成部分可以对潜在TFP起到不同的作用。然后我们运用Dynamic Panel Data 一阶差分
11、GMM估计方法，对1982-2002年28个省区的面板数据进行实证检验。检验结果表明：我国人力资本构成中，受过高等教育的人力资本与TFP存在显著的正相关关系，而中学教育程度的人力资本与TFP是显著负相关的，小学教育程度的人力资本与TFP没有显著的关系。平均人力资本作为一个整体与TFP显著负相关。本文的结论与Vandenbussche, Aghion and Meghir(2004)的分析结论是一致的，即只有受过高等教育的人力资本部分对TFP才有显著的正效应。我们的结论还可以对国外文献中人力资本与产出的争议提供一些解释。本文结构安排如下，第二部分是模型的简要推导，第三部分是对数据和TFP核算的说
12、明，第四部分是实证检验和讨论，第五部分是简要结论。二、模 型 本文的实证模型是对Aiyar and Feyrer（2002）的一个改进。基于Nelson and Phelps (1966)，我们假定实际TFP的增长速度由实际TFP与潜在TFP的差距和外生技术进步速度来决定，（为简洁起见，暂时省略了省区下标i），即：(1)A(t)表示实际TFP水平，A*(t)表示潜在TFP水平。表示外生技术进步速度，如果实际TFP水平达到了潜在水平，实际TFP的增长速度就完全取决于外生技术进步速度。把TFP看作是技术，忽略掉其他因素对TFP的影响，这是很多文献的通常作法，如Jones(1995)、Benhabi
13、b and Spiegel(2002)、Vandenbussche, Aghion and Meghir(2004)等。是实际TFP向潜在TFP调整的系数，如果把潜在TFP水平理解为稳态水平，调整系数也可以理解为TFP的收敛系数，理论上应该大于零。 潜在TFP水平A*(t)由下式决定：(2)这里，F表示各地区的固定效应，H（t）、S(t)、P(t)分别表示劳动力中受过高等教育、中等教育、小学教育的人力资本部分，、分别表示这三个部分的人力资本对潜在TFP的弹性系数。T(t)是外生技术水平，外生技术进步速度为。模型设定表明，实际TFP与潜在TFP的差距越大，实际TFP的增长速度就越快。这实际上体现
14、了技术扩散的思想，我们可以把外生技术水平T(t)理解为世界技术前沿(World Technology Frontier)，非技术前沿经济的潜在TFP水平由经济中人力资本各组成部分对世界前沿技术的吸收程度来决定，即人力资本决定了一个非技术前沿经济对世界前沿技术能够吸收和模仿的最大程度，这个最大程度就是潜在TFP水平A*(t)。在这个水平之外，就超出了非技术前沿经济的模仿能力和范围；在这个程度范围内，非技术前沿经济可以通过技术模仿把潜在的技术变为实际应用的技术。潜在TFP与实际TFP的差距越大，实际能够模仿的技术越多，由于技术模仿的成本相对技术创新来说比较低，因而实际技术进步速度越快，即上述（1）
15、和（2）式的涵义。Romer(1990)和Aghion and Howitt(1992)等内生技术进步模型描述了世界技术前沿国家人力资本和创新对经济增长的推动作用。我们这里只是一种技术模仿和吸收模型，因而世界前沿技术对非技术前沿经济来说仍然是外生的。Barro and Sala-i-Martin(1997)提出了一个技术创新和技术模仿的内生技术模型。他们假定北方国家是技术创新国家，南方是技术模仿国家，北方的技术对南方来说是外生的。由于模仿的成本低于创新成本，南方国家的技术向世界技术前沿的北方国家收敛。本文模型的收敛不是向世界技术前沿收敛，而是向自己潜在水平的收敛，是不同于Barro and S
16、ala-i-Martin(1997)的条件收敛概念。本文对Aiyar and Feyrer（2002）的改进之处主要在于，允许人力资本的不同组成部分对潜在TFP起不同的作用，即（2）式里高等教育、中等教育、小学教育人力资本部分的弹性系数、可以不一样，使我们能够揭开平均人力资本对各组成部分的掩盖作用，从而描述人力资本各组成部分的实际影响。另一个改进是在（1）式里加入了外生技术进步速度，使实际TFP变化速度更加合理，因为假如实际TFP达到潜在TFP水平时，此时二者的差距为零，但实际TFP不应停止变化，而是以外生技术进步速度在增长，我们这个改进更接近于Benhabib and Spiegel(200
17、2)。现在，我们与Aiyar and Feyrer（2002）一样对（1）和（2）式进行转换。把（2）式代入（1）式后移项得到下式，注意到：(3)对（3）式两边同乘以et，取积分号得到（4）式：(4)这里假定在t1到t2的时间段内人力资本水平不变（下文实证部分中取各时间段内人力资本的平均值），对（4）式进行积分运算，然后两边同乘以，令，得到（5）式：(5)对（5）式的符号稍作变换后我们会看到它是一个含固定效应和时间趋势的Dynamic Panel Data模型：令 和，加入扰动项it后，（5）式可写为：(6)（6）式是我们下文中所用到实证计量模型，其中表示各地区的固定效应，t表示所有地区的共同
18、时间趋势，假定每个地区都面临同样的世界前沿技术。三、数据说明和TFP核算（一）数据来源说明本文的样本是1982-2002年全国28个省区（省、自治区、直辖市，简称为省区），1982年第三次全国人口普查首次提供了各省区的劳动力受教育情况，这是我们研究的起始时间。由于海南和西藏的部分数据缺失，这两个省区被排除，重庆和四川合并计算。因此一共是28个样本省区。劳动力平均受教育程度数据来源于各年中国人口统计年鉴和中国劳动统计年鉴，其中包括1982年、1990年、2000年三次人口普查，和其他年份的千分之一人口抽样调查。部分年份数据缺失，用移动平均法弥补。1987年、1993年、1995年用总人口中15岁
19、及以上平均受教育程度计算。其他年份直接用上述年鉴中的从业人员接受教育程度计算。劳动力平均受教育程度分为文盲半文盲、小学、初中、高中、大专及以上，我们把平均受教育年数分别定为1.5、6、3、3、3.5年，计算出各省区劳动力平均接受教育年数，和接受小学教育P、中学教育S（包括初中和高中）、高等教育H（即大专及以上）这三个阶段的人力资本组成部分。表1提供了三个阶段人力资本的简单统计描述，其中高等教育阶段人力资本占劳动力总数的百分比最小，中等教育阶段人力资本在劳动力总数中的比重超过了高等教育和基础教育人力资本之和。劳动力为各省区全社会从业人员，1982-1998年来源于新中国五十年统计资料汇编，199
20、9年-2002年来源于中国统计年鉴相应年份。名义GDP数据1982年-1998年来源于新中国五十年统计资料汇编，1999年-2002年数据来源于中国国内生产总值核算历史资料：19962002，名义值用各省区GDP平减指数折算，采用1978年不变价格。各省区实际资本存量数据来自于张军、吴桂英和张吉鹏（2004），为1978年不变价格。根据Wang and Yao(2003)，资本收入份额设定为0.5 我们把设定为0.4时，实证结果没有受到影响。表1 28个省区劳动力受教育程度百分比的统计描述(部分年份)年份均值标准差最大值最小值基础教育程度（P）198232.47.044.720.9199034
21、.88.549.015.1200228.68.344.66.8中等教育程度（S）198238.812.264.419.6199045.212.069.323.5200256.09.970.033.3高等教育程度（H）19821.21.26.10.519902.62.412.01.120027.24.423.12.7注：受教育程度百分比是指小学文化程度（P）、中学文化程度（S）（包括初中和高中）、大学及以上文化程度（H）的劳动力人数占该省区劳动力总数的百分比。（二）TFP的核算我们采用传统的水平核算方法（Level Accounting）来测算TFP，与Hall and Jones(1999)
22、和Bils and Klenow (2000) 一样，假定总量生产函数为Cobb-Douglas形式，(7)总产出Y，用物质资本存量K、人力资本增强型劳动力和实际使用的技术A来进行生产 即这里即上文中各省区的平均人力资本存量，我们在计算TFP时，没有区分人力资本的构成。Hall and Jones(1999) 和Bils and Klenow (2000)等测算TFP时也是用的平均人力资本存量。A即是我们所要计算的TFP。假定劳动力平均受到E年的教育，人力资本增强型劳动力表示如下：(8)是明塞工资回归估计的教育回报率，指多接受一年教育使劳动力的生产效率提高的比例是。，如果，则，即没有受到学校教
23、育的劳动力只能提供一单位简单劳动。用上述（8）式把教育年数转换成人力资本存量时，需要知道教育回报率，由于目前在我国并没有一个公认的分阶段的教育回报率数据，我们与Hall and Jones(1999)一样采用Psacharopoulos（1994）的估计数据。被广为引用的Psacharopoulos（1994）及最新的Psacharopoulos and Patrinos (2004)提供的数据表明，中国教育回报率在小学教育阶段为0.18，中学教育阶段为0.134，高等教育阶段为0.151，它与亚洲国家和地区的平均水平比较接近。设为分段线性函数，教育年数在0-6年之间的系数确定为0.18，6-
24、12年之间为0.134，12年以上为0.151。定义，我们可以把生产函数写为劳均产出形式：(9)TFP可以从下式计算得来：(10)四、实证检验（一）计量方法说明我们实证估计的模型是第二部分推导出来的（6）式，采用一阶差分GMM估计方法，运行的软件是Eviews。Caselli, Esquivel and Lefort(1996)认为对于Dynamic Panel Data模型，Holtz-Eakin, Newey and Rosen (1988)和Arellano and Bond(1991)提出的一阶差分GMM估计量是一个一致估计量。它能够克服单方程回归（Cross-Section Regr
25、essions）和普通面板回归（Panel Regressions）中的估计问题，如个体效应（Individual Effect）与解释变量的相关性，解释变量的内生性等问题。因此一阶差分GMM方法在经济增长文献中应用很广泛，如Forbes(2000) 、Benhabib and Spiegel(2000)等。为了避免商业周期的影响，一般把整个样本期间分为几个较短的时间段。对时间段的划分没有统一的标准，有的分为5年一段 由于跨国人力资本数据是以5年为间隔期的，如Barro and Lee(2001)等，这也是国外很多文献采取5年一段的一个原因。，如Islam(1995)、Caselli, Esq
26、uivel and Lefort(1996)等，有的分为4年一段，如Rivera and Currais (2004)等，也有的直接用1年一段，如Miller and Russek (1997)等。由于我们的样本期间为1982-2002年，总跨度不是很长，因此划分为3年一段，一共7个时间段。即1982-1984，1985-1987，1988-1990，1991-1993，1994-1996，1997-1999，2000-2002，分别对应t=1，2，3，4，5，6，7。根据上文第二部分模型的推导，lnA(t)分别用每个时间段的期初值，人力资本变量lnH(t) 、lnS(t)、 lnP(t)等使
27、用各个时间段的平均值。在估计过程中，我们首先对所有变量去除时间均值，即去掉了（6）式中的t，因而估计中不需要时间效应（Period Effects）虚拟变量。然后用一阶差分消除个体效应（Individual Effects），把（6）式变换为：(11)Dynamic Panel Data 一阶差分GMM估计中使用的工具变量是解释变量所有已知的值，即解释变量的二阶和二阶以上全部滞后值。我们采用Sargan检验来检验过度识别约束的有效性，在过度识别约束有效的原假设下，Sargan统计量服从（n-k）个自由度的2分布，其中n是工具变量的秩（rank），k是估计系数的个数。我们估计了两个方程，一个方程
28、是上文的（6）式，一个方程是下面（12）式，（12）式把各省平均人力资本作为一个变量，平均人力资本弹性系数为。(12)从这两个方程的对比中，我们可以发现平均人力资本和人力资本各组成部分对TFP的不同作用。（二）回归结果和讨论首先我们用人力资本存量来进行回归，然后用人力资本百分比进行了稳健性回归。各省区人力资本存量等于各省区该类别劳动力总数乘以该类别的教育年数。例如小学教育程度的人力资本组成部分P，其存量等于6年乘以劳动力总数再乘以小学文化程度劳动力的百分比，即，中学教育程度和高等教育程度人力资本百分比的计算是类似的。表2报告了用人力资本存量来进行回归的结果。第二列是（12）式的估计结果，我们看
29、到，人力资本作为一个整体（平均人力资本存量)与TFP是显著负相关的。第三列是（6）式的估计结果，显示了人力资本三个组成部分对TFP的不同作用。其中高等教育文化程度的人力资本与TFP在10显著性水平上正相关；中等教育程度人力资本与TFP显著负相关，显著性水平是1；基础教育程度人力资本与TFP没有显著的关系。Sargan检验的是过度识别约束的有效性，p-值分别是14.3和24.0，表明不能拒绝原假设，过度识别约束有效。表2 Dynamic Panel Data 一阶差分GMM（2-step）估计结果：人力资本存量被解释变量：lnA(t)lnA(t-1)0.681*0.557*Implied 0.1
30、28*0.195*(0.096)(0.099)(0.047)(0.059)ln(t-1)-1.023*Implied-3.205*(0.166)(0.559)lnH(t-1)0.179*Implied 0.403*(0.091)(0.209)lnS(t-1)-0.608*Implied -1.374*(0.129)(0.296)lnP(t-1)0.023Implied 0.051(0.116)(0.259)s.e.e.0.1420.148Sargan test0.1430.240注：括号里是标准误，表右半部分标准误由Delta方法得出，弹性系数分别根据下式计算（3）：；工具变量是解释变量各自的
31、二阶及二阶以上全部滞后值。 Sargan检验的零假设（Null Hypothesis）是工具变量约束有效，报告的是P-值。 *、*、*分别表示10、5、1的显著性水平。运行软件是Eviews。表2右半部分是对收敛系数和弹性系数的还原，括号里的标准误根据Delta方法计算得出。还原结果显示，TFP的收敛系数显著为正，分别是0.128和0.195，说明实际TFP向潜在TFP水平的收敛速度很快，也就是说，对在自己模仿能力范围内的世界前沿技术，各省区能够在3.7-5.6年的时间内吸收和利用其中的一半。平均人力资本存量的弹性系数显著为负，从人力资本组成部分来看，高等教育程度人力资本的弹性系数显著为正，中
32、等教育程度的弹性系数显著为负，基础教育程度的弹性系数是正的符号，但不显著。说明只有高等教育程度人力资本对潜在TFP有显著的促进和提高作用，高等教育程度人力资本的增加能够扩大对世界前沿技术的模仿范围，具体来说，高等教育程度人力资本存量提高1%，将使潜在TFP水平提高0.403。中等教育程度人力资本对潜在TFP的作用是负的，表明相对于高等教育来说，提前结束教育而直接从中学进入劳动力的人数越多，对世界前沿技术的模仿能力越弱。平均人力资本存量负的弹性系数主要是由于受到中等教育程度人力资本的影响，因为这部分的比例和总量相对于其他两个部分都是最大的。我们的结果与Vandenbussche, Aghion
33、and Meghir(2004)对OECD国家的分析结论是一致的，即只有受过高等教育的人力资本对TFP才具有显著的正效应，人力资本总体（平均人力资本）对TFP的效应是负的。他们还认为，由于人力资本组成部分具有不同的作用，因而人力资本总体并不是一个很好的有预测作用的变量。Pritchett(2001)的跨国实证也显示，TFP的增长与平均人力资本增长存在显著的负相关关系。我们对回归结果的一个直觉解释是，在我国这样的非世界技术前沿国家，技术进步主要依赖于对世界前沿技术的吸收和模仿 Jones(2002)认为世界主要的R&D都是在G-5（美国、德国、法国、英国、日本）等国家里进行的。其中美国被许多文献
34、设定为世界技术的前沿，如Vandenbussche, Aghion and Meghir(2004)。，受过高等教育的人力资本是吸收和模仿的主要实行者，由于接受了正规和系统的专业教育，不管是主动还是被动，他们对新技术的模仿能力都要明显强于中等教育和基础教育程度的人力资本。高等教育程度的劳动力对新技术有较强的领悟和适应能力，他们对新技术的排斥性更少 Nelson and Phelps (1966)提供了美国农场的类似证据。中等教育文化程度的人力资本，由于缺乏大学的专业教育，他们对新技术的适应和模仿能力相对较弱，还没有达到技术模仿的 “门槛水平”（Threshold Level），对于技术进步来说
35、，他们过早地中止了教育过程，是一种不成熟的人力资本。Benhabib and Spiegel(2002)的模型也预测了当一个国家人力资本水平低于某个“门槛水平”时，它的TFP水平将落后于技术前沿国家越来越远。受到数据可得性的限制，我们没有区分城镇和农村人力资本所占的比重，由于我国城市化水平较低，甚至明显低于世界同等发展程度国家的水平，因而城乡人力资本的差距在我国是一个更为突出的问题。我国高等教育程度的人力资本主要集中在城镇特别是大中城市，农村的人力资本大部分都没有超过中等教育程度。以中等教育和基础教育为组成部分的农村人力资本，受到经济环境和生产条件的制约，与新技术的距离还相当遥远，他们更多的是
36、作为一种投入要素直接进入生产过程。城镇尤其是大中城市是现代经济的中心和主要聚集地，也是与世界发达经济联系的主要窗口，能够接触到世界前沿技术。因此中等教育程度与高等教育程度的人力资本对潜在TFP的作用显著不同。另外，这也许与我国现有教育体制有关，众所周知，升学率是当前学生和老师在中学教育阶段的一个主要目标，大部分学生的学习压力很大，除了课本几乎无暇他顾，学生的创造力和想象力都受到了很大抑制。大学教育的一个很大不同之处是没有了升学压力，学生的兴趣爱好可以得到较大程度的自由发挥，学生的学习也带有很大程度的主动性和选择性。这种差别对不同教育阶段人力资本的技术模仿能力也会产生一定程度的影响。当然，本文对
37、人力资本与TFP的分析结论，并不能说明人力资本对我国产出增长没有促进作用，恰恰相反，Young(2003)和Wang and Yao(2003)的研究都强调了人力资本作为一种投入要素对我国产出增长带来的显著促进作用。我们的结果也许从一个侧面反映了不同的人力资本进入生产函数的方式有所不同，高等教育程度的人力资本既可以作为直接投入要素也可以通过TFP间接进入生产函数，中等教育和基础教育程度的人力资本主要只能作为投入要素直接进入生产函数，因此高等教育程度的人力资本与中等程度及基础程度的人力资本对TFP具有不同的影响。Nelson and Phelps (1966)、Benhabib and Spie
38、gel(2002)等质疑了把人力资本作为投入要素而直接进入生产函数的设定方式，认为人力资本更应该通过TFP间接进入生产函数。从人力资本组成来看，我们更应该质疑的是高等教育程度的人力资本，这部分人力资本更有可能通过TFP来间接影响生产函数。（三）对人力资本与产出争议的解释如上所述，由于人力资本不同组成部分对TFP具有不同作用，它们进入生产函数的方式也会不同，一种是作为投入要素，一种是作为TFP的影响因素。从这个方面我们可以对国外现有文献中人力资本与产出的争议提供一些解释：人力资本总体应该分解成不同教育程度的组成部分，达到一定“门槛水平”的人力资本既可以通过TFP间接影响生产函数，也可以作为投入要
39、素直接进入生产函数，“门槛水平”以下的人力资本部分则只能作为投入要素直接进入生产函数。世界不同国家和地区之间的教育水平和教育质量都有很大差异，因此人力资本构成中哪些通过TFP影响生产、哪些作为投入要素直接进入生产函数在不同国家和地区之间是各不相同的。低收入国家教育程度和教育质量普遍比较低，大部分人力资本都达不到“门槛水平”而只能直接作为生产投入要素，随着这些国家人力资本的增长，直接投入要素也越多，产出增长也会得到提高。因此，在低收入国家里平均人力资本与产出增长是显著正相关的 Vandenbussche, Aghion and Meghir(2004)也作出了类似的解释。，如Krueger an
40、d Lindahl(2001)。在发达国家，人力资本水平普遍较高，只有很少部分达不到“门槛水平”，大部分都可以通过TFP间接影响产出。如果不从人力资本构成而仅从平均人力资本的角度来看，平均人力资本与产出增长的相关关系就不显著或者带有负号，如Benhabib and Spiegel(1994)和Krueger and Lindahl(2001)。我们需要进一步研究如何确定这个临界值性质的“门槛水平”以及它们在国家之间是否相同。（四）稳健性回归我们在上面用人力资本存量进行了回归，为了检验人力资本解释力的稳健性，我们现在用人力资本百分比来进行回归。人力资本百分比指各省区不同阶段（高等教育、中等教育、
41、基础教育）文化程度的劳动力占该省劳动力总数的百分比，如i省区第t年基础教育程度人力资本的百分比，其中是i省区第t年具有小学文化程度劳动力总数，是i省区第t年劳动力总量。中等教育程度和高等教育程度人力资本百分比的计算是类似的。人力资本总体的百分比等于三种类别百分比之和，即所有受过教育（不论是基础教育、中等教育还是高等教育）的劳动力人数占该省劳动力总数的百分比。Vandenbussche, Aghion and Meghir(2004)也采用了类似的百分比设定。表3报告了估计结果。与表2相对照，我们看到，除了系数估计值的大小以外，人力资本百分比与人力资本存量的显著性水平和符号都非常一致，从而表明我
42、们的回归结果具有稳健性。表3 Dynamic Panel Data 一阶差分GMM（2-step）估计结果：人力资本百分比被解释变量：lnA(t)lnA(t-1)0.520*0.392*Implied 0.218*0.312*(0.101)(0.050)(0.065)(0.042)ln(t-1)-1.645*Implied-3.428*(0.225)(0.539)lnH(t-1)0.086*Implied 0.141*(0.044)(0.077)lnS(t-1)-1.831*Implied -3.014*(0.190)(0.422)lnP(t-1)0.093Implied 0.153(0.14
43、8)(0.245)s.e.e.0.1380.153Sargan test0.1530.265注：同表2。 五、结 语基于Nelson and Phelps (1966)，我们对Aiyar and Feyrer（2002）的模型作出改进，体现了人力资本不同组成部分（高等教育文化程度、中等教育文化程度、基础教育文化程度）对世界前沿技术具有不同的模仿和吸收能力，从而对TFP具有不同的作用。运用Dynamic Panel Data 一阶差分GMM估计方法对1982-2002年我国28个省区面板数据的实证检验表明，只有受过高等教育的人力资本对TFP才有显著的促进作用，人力资本总体（即平均人力资本）和中等
44、教育文化程度人力资本与TFP具有显著的负相关关系，基础教育程度人力资本与TFP没有显著的相关关系。结果也显示我国各省区实际TFP向潜在TFP的收敛速度很快，半程收敛时间大约是4-6年。本文的结论与Vandenbussche, Aghion and Meghir(2004)对OECD国家的分析结论是一致的，即只有受过高等教育的人力资本部分对TFP才具有显著的正效应，而人力资本总体（平均人力资本）对TFP的效应是负的。分析人力资本的构成也有助于我们对人力资本与产出的一些争议作出解释：由于人力资本不同组成部分具有不同的作用，它们进入生产函数的方式也可能不同，一种方式是作为投入要素，一种方式是作为TF
45、P的影响因素。低收入国家人力资本水平和质量大部分比较低，因而只能作为投入要素；高收入国家人力资本水平和质量普遍较高，只有较少的部分达不到“门槛水平”。因此，如果不从人力资本构成而仅从平均人力资本的角度来看，我们就会发现：低收入国家里平均人力资本与产出增长显著正相关，高收入国家里平均人力资本与产出增长的相关关系不显著或者带有负号。这需要未来进一步的研究。我们的实证结论并不表明平均人力资本或者中等教育程度和基础教育程度的人力资本对我国经济增长不重要，这只能说明它们对经济增长的作用途径和方式可能不一样。本文的一个政策含义是：我国应该大力加强对教育的资源投入，不仅要继续推进高等教育的改革和扩招，提高具
46、有高等教育文化程度劳动力的比重；还应该在全国特别是广大农村地区进一步强化普及九年义务教育，甚至推行十二年义务教育 胡鞍钢、熊义志（2001）首先提出了普及十二年教育的发展目标。，为我国未来的劳动力搭建一条通往大学的绿色通道，让更多青少年都能够有机会完成基础教育和中学教育而进入大学学习，避免他们过早地进入劳动力队伍，从而使我国各地区的TFP和技术水平逐渐接近世界前沿水平。参 考 文 献1Aghion, P. and P. Howitt, “A Model of Growth through Creative Destruction”, Econometrica, 1992, 60 (2), 323-351.”2Aiyar, S. and J. Feyrer, “A Contribution to the Empirics of Total Factor Productivity”, Dartmouth College Working Paper No. 02-09, 2002.3Arellano, M. and S. Bond, “Some Tests of Specification for Panel Data: Monte Carlo Evidence and an Application to Employm