老龄化对技术创新的结构性影响——总效应、异质性与时间上的结构性特征

时间：2024-04-24

豆建春，王运昌

(陕西师范大学西北历史环境与经济社会发展研究院，陕西西安 710119)

一、引言

人口老龄化已经成为中国经济发展面临的主要挑战之一。第七次全国人口普查数据显示，截至2020年，中国65岁及以上人口占总人口的比重已经达到了13.5%，即将进入中度老龄化社会。相对于其他国家的发展历程，中国的老龄化不仅来得早，而且来得快。有研究发现，在过去的十年中，中国的老龄化速度已经超过了日本，预计到2035年左右，中国劳动力人口的老龄化水平将达到45%。老龄化会引起要素数量及其结构的变化，对经济增长产生巨大冲击。如果应对不当，老龄化很有可能会在未来引起中国经济增速出现断崖式下跌。最新的研究表明，2020—2025年，人口老龄化会引起中国经济增长速度平均每年下降1.07个百分点。事实上，在此之前已有大量研究探讨了老龄化的要素效应及其对中国经济增长的潜在影响。但是，在经济新常态下，传统要素数量的变化对中国经济增长的影响已远不如此前那样大，技术创新将成为驱动中国经济增长的主要力量。因此，老龄化对未来中国经济增长的影响很大程度上将来源于其对技术创新的效应。这一点在都阳和封永刚的研究中已有明确体现。他们的研究发现，对全要素生产率增长的减缓将是老龄化影响中国经济增长的一个最为重要的机制。

虽然学者对老龄化的经济增长效应已经有了比较多的讨论，并且已经注意到了老龄化通过技术创新影响经济增长的可能性，但对老龄化技术创新效应的研究还非常有限，目前，关于老龄化对技术创新的效应也没有一致性的结论，且对老龄化技术创新效应的结构性特征关注也比较少。特别是由于老龄化对不同产业需求侧的影响有明显差异，许多研究都将医疗、养老等产业作为老龄化社会的经济增长点，却忽略了这些产业的研发投入对其他技术领域的挤出效应以及老龄化对研发供给侧的整体性冲击，因此老龄化对技术创新的总效应可能具有不确定性，对不同技术领域的影响也可能具有异质性。同时，受研发供给侧和需求侧效应的共同影响，老龄化对技术创新的影响可能在时间上具有结构性特征。

因此，鉴于技术创新在中国未来经济增长中的基础性作用，搜集更多的数据，特别是较早进入老龄化社会的发达国家的数据，仔细分析老龄化对技术创新的影响，从而为中国未来经济发展提供借鉴，具有非常重要的意义。本文搜集了世界银行和OECD提供的两种专利数据，研究了老龄化对技术创新的总效应及其对不同领域技术创新的异质性影响。特别地，本文探讨了老龄化技术创新效应在时间上可能具有的结构性特征。

二、文献综述

一些研究已经关注到了老龄化的技术创新效应，其中很大一部分来源于心理学和老年学的研究。例如，查亚(Czaja)和李(Lee)注意到，随着年龄的增长，人们认知能力和身体机能的下降会带来个体创新能力的下降；坎弗(Kanfer)和阿克曼(Ackermana)发现，年龄的上升也会弱化人们的创新意识。除了心理学家和老年学家，经济学家也针对老龄化的技术创新效应做了相关研究。如莱文(Levin)和斯蒂芬(Stephan)认为年龄增长会削弱创新对人们的激励，他们使用美国科研人员的数据检验了这一假说并得到了实证分析结果的支持。野田(Noda)指出，老龄化会减少人力资源供给，推高要素成本和研发成本，进而阻碍技术创新。姚东旻、宁静和韦诗言利用中国省级面板数据的分析表明老龄化通过抑制人力资本投资对技术创新产生了不利作用。此外，研究者也注意到，老龄化会改变社会结构，并通过公共政策妨碍新技术的开发和应用。加顿(Canton)等人，以及兰吉雅(Lancia)和普拉诺罗(Prarolo)都强调了创新成本和创新收益在不同年龄群体之间分布不一致所带来的后果，他们的研究发现老年人口占比较大的社会很难形成支持技术创新的公共政策。虽然研究视角和提出的机制各有差异，但这些研究都指向了创新的供给侧，且结论都比较悲观。

最新的一些研究显示老龄化的技术创新效应可能具有结构性特征。如孙倩倩依据中国省级面板数据的研究发现，老龄化对技术创新的影响具有时空上的异质性，特别是在老龄化的不同阶段表现出不同的显著性。同样地，基于省级面板数据，沈可和李雅凝分析了老龄化对不同性质技术创新的影响，其研究也表明老龄化的技术创新效应呈现出了“驼峰”特征，即在早期阶段，老龄化对技术创新具有正向作用，而随着老龄化程度的加深，其对技术创新的抑制效应会越来越明显。

综合以上文献可以发现，已有研究揭示出了老龄化影响技术创新的两个基本途径。从技术创新的供给侧出发，已有研究倾向于老龄化会减少人力资源和其他要素的供给，对技术创新产生阻碍作用；从技术创新的需求侧出发，许多研究发现老龄化会改变要素结构，增加企业对劳动替代性技术的需求，从而对企业技术革新产生促进作用，同时老龄化对终端产品市场需求的影响具有行业异质性，其对技术创新的总效应并不明确。因此，老龄化对技术创新的净效应依赖于其供给侧效应和需求侧效应的相对大小。如果老龄化对技术创新的供给侧效应与需求侧效应的大小与老龄化水平相关，则老龄化的净效应会表现出时间上的结构性特征。同时，由于老龄化对不同产品的市场需求影响不同，老龄化的技术创新效应可能在产业间具有异质性。基于这一预测，本文将采用跨国面板数据对老龄化的技术创新效应进行细致地分析，希望能为上述预测提供经验证据。

三、数据来源与描述性统计

1.数据来源

本文使用专利申请量来衡量技术创新。世界银行WDI(World Development Indicators)数据库提供了各个国家的居民专利申请数。该专利申请数是计数数据，是对专利申请数量的简单加总。由于计数专利数据只提供了对专利申请活动的简单度量，并不能反映专利之间的质量差异，因此也就不能准确度量一个国家或地区的技术创新。为了克服这一缺陷，OECD基于“专利族”概念开发了一套专利计算方法，对各国的专利数据按照质量进行了调整，提供了一套可用于跨国比较的专利数据。由于这套数据反映了更多的专利质量信息，所以我们将这套数据代表的专利称之为“质量型专利”，而将WDI提供的计数专利称之为“数量型专利”。显然，质量型专利的年度变化更能反映创新的质量增长情况，而数量型专利的变化更多地反映了创新的数量增长特征。WDI的专利数据单位为“件”，所有数据都是整数，我们用_来表示。OECD提供的专利数据实际上是一个指数，没有单位，该数据是带小数的。在本文中，OECD的专利申请量被记为_。

OECD不但提供了相关国家的专利申请总数，而且提供了生物技术、纳米技术等14个领域的分类专利数据。参照OECD数据库的指标分类说明，根据各领域技术的相关性以及偏向性，我们将这14类专利数据合并为三大类。第一大类称为“前沿技术领域”(FT)，包括生物技术、纳米技术、人工智能以及信息与通讯技术(Information and Communication Technology，ICT)。第二大类是“制药与医疗技术领域”(PM)，包括制药技术与医疗技术。第三大类是OECD直接提供的一个分类——“与环境相关技术领域”(ERT)，包括与建筑相关的减缓气候变化的技术，与能源生产、传输和配送相关的减缓气候变化的技术，捕获、存储、隔离和处理温室气体的技术，环境管理技术，与运输相关的减缓气候变化的技术，与水相关的应用性技术，在货物生产和加工过程中减缓气候变化的技术，与废水处理和废物管理相关的减缓气候变化的技术。显然，相对于PM领域的技术创新偏向性，FT与ERT领域的技术创新与老龄化的关系更中性一些。

OECD只提供了截止到2017年的专利数据，因此本研究中样本数据的年份上限为2017年。此外，OECD数据库只提供部分国家的数据，并且有些国家的专利数据缺失严重。最终我们选择了42个样本国家，基本包含了世界五大知识产权局成员国和其他新兴市场国家。根据《2018年世界五大知识产权局统计报告》提供的数字，2017年，来自中国、日本、韩国、美国以及欧洲专利局成员国的专利申请量就占到了全球的94%。因此，这42个国家几乎囊括了全球的专利申请。由于样本国家包括波兰、匈牙利、俄罗斯、捷克等转轨国家，受计划经济体制影响，这些国家在转轨之前的技术创新无法通过专利数据反映，且在转轨之初陷入持续的动荡之中，统计数据缺失比较严重，因此我们将样本期选择在1994—2017年。该样本被简称为“样本42c”。此外，剔除掉样本中的转轨国家以及其他新兴市场国家以后，我们还构建了另外一个样本，即“样本27c”。该样本只包括27个发达国家，但数据可得性的增强也使得该样本包含更长的时间序列——从1985年到2017年。作为一个替代性样本，“样本27c”为我们进行稳健性检验提供了一些支持，更重要的是，由于包含了更长的时间序列，该样本将为我们提供更多时间上的信息。

老龄化水平()数据来源于WDI，其含义为65岁及以上人口占总人口的比重。其他的变量还包括人均GDP()、城市化率()、人口()、商品和服务出口占GDP的比重(_)、高科技产品出口占GDP的比重(_)、商标申请数()等。这些变量的数据均来自于WDI。国内研发支出()来源于OECD。基于样本42c，表1对所有变量的含义及其统计特征给予了展示。

表1 样本数据的描述性统计结果

老龄化的技术创新效应主要体现在老龄化对一个经济体创新能力的持续影响上。本文主要考察老龄化对专利增长率的长期作用。在具体的分析过程中，对取绝对数值的变量，如专利数、人均GDP以及人口等都取对数处理，而以比值出现的变量如老龄化水平、城市化率以及出口占比数据等都取原值。在表1中，来自OECD的专利数据最小值为0，这意味着某些国家在某个时间的专利申请数经过OECD调整后被计为0。由于OECD的专利数据可能小于1，在对OECD专利数据取对数前，都统一做了加1处理。

2.老龄化与专利申请量的统计关系

图1描绘了42个国家1994—2017年居民专利申请量的对数与老龄化水平的拟合关系。其中，图(a)中的专利数据来源于WDI，该图报告的ln_对的拟合线显示了二者之间存在微弱的正相关关系。图(b)报告的是OECD专利数据(对数)对老龄化水平的拟合结果。该结果显示，在考虑了专利的质量差异之后，老龄化水平与专利申请量的对数之间呈现出了明显的正相关性。这意味着，老龄化水平越高的国家往往表现出更高的技术创新能力。

图1 老龄化水平与专利申请量(对数)的拟合关系

那么老龄化与技术创新之间的相关性是否在不同领域存在差异呢？分领域来看，由于老龄化为PM领域的技术研发提供了可预期的市场激励，因此老龄化与PM领域技术创新的关系最为直接。图2中的图(b)也的确显示出了二者之间较强的正相关关系。FT领域的三大技术，特别是人工智能和ICT是目前技术研发的热点，在主要国家的创新战略中具有重要地位。老龄化既可能通过诱致性技术变迁机制倒逼FT领域的技术创新，也可能通过推高研发成本以及来自PM领域的资源竞争抑制FT领域的技术研发。从图2中的图(a)展示的信息来看，至少在样本期内(1994—2017年)，老龄化国家在FT领域的技术创新方面并未表现出任何颓势，相反老龄化水平越高的国家在该领域表现出了更加进取的态势。这一特征也存在于老龄化水平与ERT领域技术创新的关系中。图(c)清晰地表明老龄化水平与ERT领域的专利数量(对数)之间表现出了明显的正相关关系。

图2 老龄化与不同领域专利申请量的拟合关系

从图1和图2来看，无论是对数量型专利申请，还是对质量型专利申请，亦或是对不同技术研发领域的专利申请，老龄化都没有表现出明显的抑制作用。相反，与不同性质专利数据的拟合结果显示出，老龄化与技术创新之间具有稳健的正相关性。但是，基于OLS回归的线性拟合遗漏了其他重要变量。因此简单的统计分析呈现出来的这种正相关性不能被解释为老龄化对技术创新的因果效应。在下面的分析中，我们将逐次引入这些重要变量，采用更严格的估计方法来分析老龄化的创新效应。

四、老龄化对技术创新的效应分析：总效应与异质性

1.模型与估计方法

本文采用双固定效应模型来估计老龄化对技术创新的影响。由于专利是技术创新行为的结果，本期的影响因素对本期的专利申请可能没有太大的作用，因此模型中的所有解释变量均滞后一期进入模型。此外，当期的技术创新成果不可能对上一期的经济变量产生影响，解释变量滞后一期进入模型也在一定程度上规避了反向因果带来的内生性问题。基本模型如下：

(1)

其中，下标和分别代表个体(国家)和时间序列，表示截距项，,是残差项。_代表不同的专利数据，={,,,,}。由于专利数据取对数，作为的系数，度量了老龄化水平的变化对专利申请增长率的效应。是第个控制变量的系数。在控制变量中，首先，依次引入人均GDP()和城市化率()这两个变量以控制经济发展水平和资源空间分布差异对创新活动的影响，这在有关技术创新的实证研究中是比较常见的。其次，商品、信息和资源的跨国流动在促进创新方面具有非常重要的意义，我们使用商品和服务出口占GDP的比重(_)来衡量一个国家的对外开放度。再次，国家间产业技术结构的差异对技术创新活动的影响也十分明显。例如依赖于农业或旅游业的发达国家在技术创新方面的表现可能并不比依赖于加工贸易的新兴市场国家好。基于这一考量，在控制变量中引入高科技产品出口占GDP的比重(_)来捕捉产业技术结构差异的影响。最后，技术创新中的规模效应是研发理论和增长理论最重要的议题之一，在已经控制了人均GDP的差异后，引入人口规模()来控制规模效应对结果的影响。在式(1)中，和分别用来控制不随时间变化的个体固定效应与不随个体变化的时间固定效应。

为了消除组间异方差和组内同期相关对估计结果的影响，采用了“OLS+面板校正标准误(PCSE)”的估计策略。在内生性处理方面，式(1)所定义的双固定效应模型可以解决不随时间变化和不随个体变化的遗漏变量问题，但是其他遗漏变量造成的内生性问题则需要通过引入控制变量来解决。此外，需要指出的是，老龄化是技术进步的结果，而专利数量的变化在本文中被用来衡量技术进步，因此，老龄化和专利数量之间可能被认为存在反向因果关系。然而，考虑到老龄化是长期技术积累、经济发展和人口结构演变的结果，某一期或当期专利申请量的变化所代表的技术进步对此前一期的老龄化水平不可能有实质性的影响。所以，式(1)采用滞后一期老龄化水平的方式能够解决反向因果关系产生的内生性问题。

2.对数量型专利申请的效应分析

计数专利虽然不能准确度量技术创新的绩效，但它仍然反映了一个经济体技术研发的动态，特别是当专利数量与质量存在某种程度的正相关时更是如此。使用式(1)所定义的模型，首先使用样本42c估计老龄化对计数专利的效应。

表2报告了ln_对老龄化水平的回归结果。模型(1)显示老龄化对计数专利申请量的增速具有显著的负效应。这一负效应即使是在控制了人均收入(模型(2))、城市化率(模型(3))、商品和服务出口占比(模型(4))、高科技产品出口占比(模型5))以及人口(模型(6))差异后仍然存在。表2报告的老龄化水平的系数估计值在-0.049到-0.084之间，意味着老龄化水平每上升1个百分点，计数专利申请量的增速下降约5到8个百分点。此外，表2也表明，除老龄化水平外，人均收入、城市化率、产业技术结构与规模差异在解释国家间计数专利申请量差异方面均有重要贡献。虽然反映对外开放度的指标_的系数显著性不够稳健，但是在控制了其他解释变量后(模型(6))，该系数也在5%的置信水平下显著为正，因此并不能轻易否认这一控制变量的意义。

表2 数量型专利申请量对老龄化水平的估计结果

表2显示老龄化对数量型专利申请具有负效应，为了检验该效应的稳健性，假设专利申请量是研发投入的增函数，使用国内研发支出()代替专利申请量，仍然采用式(1)所定义的模型进行估计，得到如表3所示的结果。基于样本42c的回归结果显示，老龄化水平对ln的系数均为负，但在控制了相关变量后，第2、第5以及第6个模型估计的老龄化系数均不显著，结果似乎不够稳健。但使用包含更长时间序列的样本27c所做的估计则表明，老龄化对国内研发支出的增长具有显著的负效应，并且这一结果相当稳健。由于样本27c包含的国家都较早进入了老龄化社会，据此推断，老龄化效应在这些国家可能表现得更为明显。

表3 国内研发支出对老龄化水平的估计结果

即便基于样本42c所做的估计结果并不十分稳健，但是将国内研发支出引入表2所示的6个模型后，的估计系数均不再显著，而ln的系数却全部显著为正(见表4)。这说明，计数专利申请量的确是国内研发支出的增函数，而老龄化很有可能正是通过对国内研发支出增长的负向作用抑制了计数专利申请量的增长。所以，综合以上的分析结果可以得出，从对数量型专利申请量增速的影响来看，老龄化的技术创新效应显著为负，这种负效应可能来源于老龄化对国内研发支出增长的抑制。

表4 数量型专利申请量对老龄化水平和国内研发支出的回归结果

3.对质量型专利申请的效应分析

正如前面所述，WDI提供的计数专利数据更多地反映了一个国家技术创新活动的活跃程度，但是由于不同专利质量的差异很大，该专利数据并不能很好地反映一个国家技术创新的水平。对许多老龄化国家而言，其国内产业基本退出了终端产品的生产，大都处于产业价值链的顶端，其技术水平更接近技术前沿，技术创新的难度较大，但质量较高。因此，仅将计数专利申请量作为评价其技术创新水平的指标存在很大的局限性。为此，我们使用OECD提供的基于“专利族”方法重新计算的专利数据进一步对老龄化的创新效应进行分析。

为了保证结果的可比性，依然使用式(1)所定义的模型以及表2所示的结构，继续采用样本42c以及“OLS+面板校正标准误”的估计策略进行估计。表5集中报告了6个模型的回归结果，其中的被解释变量为ln_。与表2展示的效应正好相反，表5的结果表明老龄化水平对OECD专利申请量衡量的质量型技术创新具有显著的正效应。其中模型(1)到模型(4)估计的对ln_的边际效应在4到5.5个百分点之间，且估计值均在1%的置信水平上显著。模型(5)和模型(6)由于引入了变量_(该变量缺失值比较严重)，致使样本量减少了一半多，其估计值也分别在5%和10%的置信水平上显著，并且样本量的大幅减少以及新变量的引入也未引起系数估计值出现大的变化。所以表5呈现出来的估计结果还是比较稳健的。

表5 质量型专利申请量对老龄化水平的回归结果：基于样本42c的估计

为了进一步检验老龄化对质量型专利申请量正效应的稳健性，我们再次使用样本27c对该效应进行估计。同时，考虑到人均收入水平可能与其他解释变量以及遗漏变量具有较高的相关性，我们尝试使用商标申请量代替人均GDP。商标申请量的变化与人均GDP的变化高度相关，都反映了经济的景气程度，同时商标申请量的变化与城市化率以及其他与经济发展水平相关的遗漏变量的相关性较弱。具体模型和结果如表6所示。表6首先报告了对老龄化单独进行回归(模型(1))以及控制了人均GDP变化后(模型(2))的回归结果，两个结果均显示老龄化的效应显著为正。模型(3)至模型(5)使用商标申请量替换了人均GDP，三个模型估计的系数也是显著为正的。说明样本以及解释变量的变化对估计结果没有实质影响，老龄化对OECD专利申请量增速具有正效应的结论是可靠的。

表6 质量型专利申请量对老龄化水平的回归结果：基于样本27c的估计

以上分析表明，老龄化水平与经过“质量”调整的专利申请量的增长正相关。这意味着，老龄化尽管会削弱数量型专利申请量的增长，但却对质量型专利申请量的增长具有促进作用。其中的原因可能正如阿西莫格鲁和雷斯特雷所述，老龄化提高了要素成本和研发成本，迫使企业或国家退出了竞争激烈的低端产业及其研发序列，倒逼其转向更有价值的前沿创新，以便重建其竞争优势。这些创新不是在已有技术基础上进行的边际创新，而是旨在提供新的要素替代性技术或创造新的市场。利用莫基尔所提出的“小发明”和“大发明”的概念可以很好地理解这一点。边际上的创新对应于连续的“小发明”，要素替代性技术创新或市场创新属于突破性的“大发明”，“小发明”依赖于“大发明”。从“专利族”的视角来看，基于“大发明”衍生出来的“小发明”尽管数量众多，但其在该“专利族”内的重要性却无法与“大发明”相比。在老龄化背景下，随着要素成本和研发成本的上升，老龄化国家的创新主体从事数量型研发(成果为“小发明”)可能得不偿失，但依赖于其技术和人力资本积累，投资核心技术和前沿技术研发的比较优势会更加凸显，从而推动了质量型专利申请量的增长。这也与随淑敏和何增华的发现相一致，即老龄化推动的技术创新主要发生在资本密集型企业，劳动密集型企业要么无力对老龄化带来的冲击作出反应，要么就是通过结构性的技术革新转型为资本密集型企业。

4.不同技术领域的异质性分析

老龄化对技术创新的影响可能具有结构性。这种结构性很大程度上来源于老龄化对不同产业的需求差异。对一些产业来说，老龄化提供了巨大的市场机会，如养老和医疗产业将受益于这种“老龄化红利”。但是，对另外一些产业来说，老龄化带来的可能是巨大的挑战和不确定性，例如信息产业和环保产业。虽然在细分市场中总能为这些产业找到一些机遇，例如专门为老年人开发信息产品，但老龄化对整个产业技术研发的影响则是不确定的。OECD数据库提供了分领域的专利技术，这为我们分析老龄化在不同技术领域的异质性影响提供了可能。

表7报告了FT、PM与ERT领域专利申请量(对数)对老龄化水平的回归结果。我们对每个技术研发领域都使用了两个样本进行估计。结果显示，老龄化对所有领域技术创新的效应都显著为正，并没有表现出明显的结构性差异。这进一步说明，老龄化对数量型专利申请的正效应是相当稳健的。当然，仔细观察也可以发现，对三个领域而言，基于样本27c估计的系数值要明显小于基于样本42c所做的估计。具体到FT和PM两个领域，基于样本27c(模型(2)和模型(4))估计的值约为样本42c(模型(1)和模型(3))估计值的1/2。而在ERT领域，两个样本估计的老龄化的技术创新效应差距更大。由于样本27c包含更长的时间序列，且其样本国家进入老龄化的时间较早，所以该样本反映了更长的老龄化过程。由此推测，表7透露的定量信息暗示老龄化的技术创新效应可能会随着老龄化进程的加深而衰减。如果这一推测成立，则意味着老龄化的技术创新效应可能不存在横向上的结构性差异，但在时间上或许有一定的结构性特征。这需要更为细致的分析。

表7 分领域专利回归结果

五、老龄化的技术创新效应：时间上的结构性特征

如果老龄化的技术创新效应的确具有如表7所暗示的时间上的结构性特征，那我们不妨假设该效应在时间上的演化模式是倒“U”型的。具体地，在老龄化早期，老龄化对技术创新具有正效应，但随着老龄化程度的加深，这一效应在逐步递减，甚至最终演变为对技术创新的抑制性效应。为了验证这一假说，我们将老龄化的二次项(2)引入式(1)所定义的双固定效应模型，使用包含更长时间序列的样本27c对老龄化的技术创新效应进行估计。估计方法与前面的模型相同，均采用“OLS+面板校正标准误”的估计策略。结果如表8所示。

首先，我们考察了老龄化对技术创新的总效应(表8中的模型(1))。该列展示了ln_对老龄化水平及其二次项的回归结果。结果显示老龄化水平的一次项系数估计值为正，二次项系数估计值为负，且二者均在1%的置信水平上显著。其次，我们对FT、PM与ERT三大领域的老龄化长期创新效应进行了分析(模型(2)到模型(4))。估计结果再次显示了老龄化创新效应的倒“U”型特征：L.以及L.2的系数估计值均在1%置信水平上显著，且一次项系数估计值为正，二次项系数估计值为负。

表8 质量型专利申请量对老龄化水平及其二次项的回归结果

为了检验表8呈现的倒“U”型效应的稳健性，以及更直观地展示老龄化技术创新效应的边际特征，我们采用虚拟变量法对老龄化的年度技术创新效应进行识别。具体做法是，第一步生成年份虚拟变量，第二步将年份虚拟变量与老龄化水平的交互项引入回归模型进行估计。具体模型如下所示：

ln_,=+-1-1-1+∑=1,,-1++,

(2)

图3 老龄化对技术创新的年度效应动态

如何理解老龄化对技术创新的倒“U”型效应模式呢？结合已有文献及前面的分析可以发现，老龄化通过两种机制对技术创新产生作用。第一种机制来自于研发的需求侧，即所谓的“倒逼”机制或诱致性技术变迁机制，通过该机制老龄化对技术创新发挥积极作用。第二种机制是表3显示的研发供给侧机制，即老龄化通过抑制研发支出的增长阻碍创新。在老龄化早期，诱致性技术变迁机制或倒逼机制主导老龄化的技术创新效应，但随着老龄化程度的加深，老龄化对研发支出的抑制效应会日益突出。据此，我们得到两个结论：一是老龄化对技术创新的作用在早期更多地表现为正向的促进作用；二是老龄化对技术创新的净效应为正可能是暂时的，从长期来看，随着老龄化程度的加深，其对技术创新的负效应可能会越来越明显。当然，第二个结论对应的现象在本文使用的样本期内还未得到充分体现。虽然已有研究，如阿西莫格鲁与雷斯特雷开展的研究已经揭示出老龄化对技术革新可能具有正向作用，同时也有大量研究从研发供给侧出发强调了老龄化对技术创新的负效应，但目前仍然缺少将研发的供给侧和需求侧结合起来综合考察老龄化技术创新效应的理论研究，因此我们无法对本研究发现的倒“U”型效应模式作出更有说服力的解释。不过，这一缺憾也为后续的理论研究提供了一些启示。

六、结论

本文使用专利数据衡量技术创新，采用跨国面板数据对老龄化的技术创新效应进行了实证分析。研究发现，老龄化对数量型专利申请具有显著的抑制效应，但却对质量型专利增长具有明显的促进作用。老龄化对质量型创新的正效应不但存在于制药和医疗等这种最有可能受益于“老龄化红利”的领域，也存在于以ICT为代表的前沿技术领域以及与老龄化关系较弱的环境保护领域。进一步分析表明，老龄化对技术创新的正效应在时间上具有倒“U”型特征，即随着老龄化水平的上升，该正效应在递减。通过虚拟变量法识别出来的老龄化对技术创新的年度效应直观展示了这种倒“U”型特征，也显示出在样本期(1985—2016年)内，老龄化对技术创新的效应仍然显著为正。

老龄化对技术创新的正效应可能是暂时的。因为本文的实证分析也确认老龄化对研发支出的增长具有显著的抑制性作用，而样本期内的这种正效应很有可能来源于倒逼机制对老龄化创新效应的暂时性主导。这意味着，随着老龄化程度的加深，老龄化对技术创新的负效应可能会表现得越来越明显。由此引出的政策建议也是非常直观和重要的，即对国家和其他创新主体而言，要重视老龄化的创新效应在时间上可能发生的结构性变化，未雨绸缪，积极应对老龄化对技术创新和经济增长可能产生的长期影响。