【案例】：浅谈人力资本对经济发展的影响一.引言人力资本概念起源可以追溯到Theodore Schultand Gary Becker1960年代的工作。
随着新增长理论的出现,为了解释经济增长率差异,人力资本积累及其对经济增长的作用逐渐成为宏观经济学研究的重要领域。
索洛的新古典增长模型将人力资本作为与物质资本和劳动力一起的解释变量,但是,它的缺陷是将技术变化看作是外生的。
新增长理论将技术看作是生的,强调人力资本和知识积累在经济发展中的重要作用。
人力资本集中于个人的经济行为,尤其是关其知识和技能的积累方式。
由于人力资本在创新过程中是一个关键的因子,所以社会思想的开放、有技能的人力资本的吸引就会不断增强。
在国家背景下,区域人力资本越高,就能支持更多的公司,而且从其它区域吸引公司的能力也越强。
Becker 认为个人积累的技能和能力等人力资本是收入分配的重要决定性因素,Rauch 则认为人力资本平均水平较高的城市,居民工资也相应较高。
Coulombe S 考察了加拿大各省之间人力资本指数和人均收入的条件收敛。
Ali Youssef 等指出,发展中国家会通过提高当地技术和加强人力资本来吸引FDI,较高的人力资本能够吸引更多的FDI,而FDI 的流入又给本地劳动力市场带来了外溢效应,进而促进了人力资本水平的提高。
改革开放以后,中国由于经济的快速增长吸引了众多国际学者的关注。
James J. Heckman 认为中国现在的投资政策是物质投资高于教育投资,城市人力资本投资高于农村人力资本投资。
国学者也围绕人力资本、与经济增长关系进行了大量研究。
近年来,中国经济在进入快速发展阶段的同时,人力资本对经济的增长的作用不断提高尤其是人力资本因素在加速区域经济增长方面发挥着重要的作用。
另一方面,中国未来几年人口总量仍将保持增长态势,劳动就业压力越来越大。
如此一来,作为创新主体和新技术应用主体的人力资本,对于经济发展的贡献也将日益凸现。
因此,对人力资本、经济增长之间关系进行实证研究具有重要意义。
二、模型构建与分析(一)模型构建影响经济增长的主要因素有物质资本投入量、人力资本投入量。
为了估计人力资本投资对经济增长的作用,本文将考察有效劳动投入对国生产总值的影响和作用,这里将人力资本投入量与劳动力投入量之积作为有效劳动投入的代表量。
根据柯布-道格拉斯的生产函数给出了人力资本投入与物质资本投入对产量的贡献比例关系生产函数式如下:()t t t t t t Y A K L H e αβ=其中, t Y 为t 年的GDP,t K 为t 年的固定资产投资, t L 为t 年的劳动力数量,t H 为t 年三个层次学校的学生在校人数,α和β为方程的参数。
三个层次的学生在校率分别为:小学学生在校人数(1t H ),中等学校学生在校人数(2t H ),大专及以上学校学生在校人数(3t H )。
这就是说,有三个模型需要估计检验。
估计下列线性模型。
为了消除异方差,对上式两边分别取自然对数后,得到:0123log log log log t t t t t Y a a K a L a H e =++++ (1)将方程(1)中的t H 分别用1t H 、2t H 、3t H 代入,可得到相应如下的三个模型:012310123201233log log log log log log log log log log log log t t t t tt t t t t t t t t tY a a K a L a H e Y a a K a L a H e Y a a K a L a H e =++++=++++=++++ (2) (二)数据来源文章使用的主要数据来源于中国国家统计局官方1985~2006年的数据资料(见表1)。
其中: 1. 反映经济增长的指标有很多,从地区的经济发展规模和经济发展水平的角度,本文选择国生产总值(GDP)指标;2.物质资本投入量本文用全社会固定资产投资来表示,包括国有经济固定资产和非国有经济固定资产的投入;3.人力资本投入量的的测算方法有很多,但我国人力资本投入的测算又是一个较为困难的问题,这与我国统计资料缺乏和统计口径不一致有关,所以测算结果往往各异。
本文利用小学,中学,高等学校(包括大专)在校学生人数来衡量人力资本投入量,劳动力数量用经济活动人口数量代替。
表1 单位:亿元、万(人数)资料来源:中国统计局官方www ·stats ·gov ·cn上机步骤一、输入数据 新建工作文件二、录入数据在命令窗口依次键入以下命令即可：输入数据三、回归分析：输入命令：ls log(y) log(K) log(L) log(H1) cls log(y) log(K) log(L) log(H2) cls log(y) log(K) log(L) log(H3) c得到如下三个估计结果及有关信息：Dependent Variable: LOG(Y)Method: Least SquaresDate: 02/13/11 Time: 22:00Sample: 1985 2006Included observations: 22Variable Coefficient Std. Error t-Statistic Prob.LOG(K) 0.736911 0.032533 22.65085 0.0000LOG(L) 1.278896 0.260794 3.903863 0.0001LOG(H1) 0.710962 0.212046 3.352864 0.0035C -17.27427 3.229430 -5.349015 0.0000R-squared 0.996407 Mean dependent var 10.79925 Adjusted R-squared 0.995809 S.D. dependent var 1.004443 S.E. of regression 0.065028 Akaike info criterion -2.465024 Sum squared resid 0.076116 Schwarz criterion -2.266653 Log likelihood 31.11527 F-statistic 1663.109Durbin-Watson stat 1.086935 Prob(F-statistic) 0.000000Dependent Variable: LOG(Y)Method: Least SquaresDate: 02/13/11 Time: 22:01Sample: 1985 2006Included observations: 22Variable Coefficient Std. Error t-Statistic Prob.LOG(K) 0.645069 0.067487 9.558419 0.0000LOG(L) 1.499269 0.347348 3.316334 0.0004LOG(H2) 0.243396 0.199011 1.223029 0.2371C -13.25472 3.211127 -3.385014 0.0033R-squared 0.994611 Mean dependent var 10.79925 Adjusted R-squared 0.993713 S.D. dependent var 1.004443 S.E. of regression 0.079640 Akaike info criterion -2.059627 Sum squared resid 0.114166 Schwarz criterion -1.861256 Log likelihood 26.65590 F-statistic 1107.482 Durbin-Watson stat 0.791718 Prob(F-statistic) 0.000000Dependent Variable: LOG(Y)Method: Least SquaresDate: 02/13/11 Time: 22:01Sample: 1985 2006Included observations: 22Variable Coefficient Std. Error t-Statistic Prob.LOG(K) 0.777740 0.066237 11.74183 0.0000LOG(L) 1.157185 0.349507 3.310909 0.0039LOG(H3) -0.075981 0.062538 -1.214961 0.2401C -9.155597 3.508666 -2.609423 0.0177 R-squared 0.994606 Mean dependent var 10.79925Adjusted R-squared 0.993707 S.D. dependent var 1.004443 S.E. of regression 0.079681 Akaike info criterion -2.058618 Sum squared resid 0.114282 Schwarz criterion -1.860247 Log likelihood 26.64480 F-statistic 1106.358 Durbin-Watson stat0.804952 Prob(F-statistic) 0.000000三个模型进行计量分析得到以下三个方程：1log 17.060570.705596log 1.460132log 0.505764log t t t t Y K L H =-+++ (3)-3.71123 15.7456 3.01574 1.7038120.99285R = F= 1663.1092log 18.44520.56298log 1.74331log 0.50195log t t t t Y K L H =-+++ (4)-4.56374 8.99784 5.03373 2.6768120.99406R = F=1107.4823log 12.896720.66554log 1.53243log 0.03274log t t t t Y K L H =-+++ (5)-3.13692 9.17382 3.74531 0.4703620.99179R = F=1106.3582.结果分析.小括号的数值为对应变量的t —检验值,对这3个方程参数进行估计和检验，结果发现： <1>拟合优度检验:三个方程的R=0.99 ，说明总离差平方和的99％被样本回归直线解释，仅有1％未被解释，因此，样本回归直线对样本点的拟和优度是很好的。