老龄化趋势下年龄依赖型要素对比较优势的影响——来自中国的经验研究

武康平 张永亮

0 引言

人口年龄结构的变动正成为解释比较优势的新维度，对于中国而言这一因素对国际贸易的影响更加值得关注。古典贸易理论中的传统要素禀赋理论认为给定技术情况下，国家间总量上的要素禀赋丰裕度决定着产品的生产成本，进而带来同一产品的价格差异，形成比较优势。但是，随着社会经济发展，国家间的要素禀赋差异逐渐缩小，呈现出一致的变化趋势，所以总量上要素差异对具有相似国情的国家间依然存在大量贸易现象的解释力度逐渐减小。细分要素结构上的差异，逐渐成为研究比较优势来源的又一渠道。近三十年尤其是2001年入世以来，中国的人口结构和贸易结构都正在经历着剧烈的转变过程。2001年入世后，中国贸易开放程度大大提高，目前已成为世界第一贸易大国。同时，2001年也是中国人口结构转型的重要时间点，此时起65岁及以上人口占比、老年抚养比以及年龄中位数等各方面指标都标志着中国正式进入“老年型”社会。人口结构变动改变着原有发展模式中的资源配置格局，影响着一个社会的生产结构和消费结构，进而对中国在国际贸易中的比较优势产生作用。然而由于传统老龄化研究中，主要关注总人口中不参与生产的非劳动力老龄化问题，难以直接引入比较优势，造成探讨老龄化与出口贸易结构关系的研究十分稀少。因此，如何在理论和实证中识别老龄化趋势下人口年龄结构对中国比较优势的影响，正是本文关注的核心问题。

本文着重从包含劳动力老龄化的广义人口老龄化视角提供解释逻辑。由于一国总人口可分为劳动力和非劳动力，人口年龄结构老龄化趋势不仅包括已退休的非劳动力人口老龄化问题，理应包括劳动力人口老龄化问题。从数据上，本文发现中国15～64岁的劳动力人口与总人口相一致，同样出现快速老龄化趋势。例如，根据联合国数据，2000—2030年，50～64岁高龄劳动者在总劳动人口中的占比持续大幅增加，平均每年增长0.549个百分点，比总人口老龄化率年均增长速度高0.198个百分点。可见，在总人口老龄化的同时，劳动力老龄化现象同样不容忽视，是值得深入研究的重要课题。

理论上，异质性劳动者模型为研究劳动力老龄化问题提供了重要方法论。许多关于认知能力和老龄化的研究都发现，不同的认知能力可以随着个人年龄的增加而发生改变，并且存在不同的变化趋势。例如，大量文献研究发现，表达和语言能力会随着年龄的提高而提高，而记忆能力、信息加工速度、多重任务处理能力则和体力一样，会随着年龄提高而下降。可见，这些“年龄依赖型技能”(age-dependent skill)可区分为“年龄升值型技能”(age-appreciating skill)和“年龄贬值型技能”(age-depreciating skill)；前者可包含写作或者口头表达能力等，后者可包含注意力，协调能力，反应速度等(Cai and Stoyanov, 2016)。此外，行业层面上，不同行业使用的年龄依赖型要素密集度并不相同。依据群分模型(sorting model)[注]文献中“sorting”指均衡结果是类型相似或相同的人聚集在一起，而不同类型的人隔离的状态。我们主要遵从陆铭和张爽(2007)的提法，将其翻译为“群分”，取“人以群分”之意。，均衡时行业总产出是行业中所有任务(task)的加总，因此若行业中包含诸多需要年龄贬值型技能完成的工作，那么此行业将密集使用年龄贬值型技能要素，而包含诸多需要年龄升值型要素来完成相应工作的行业，则年龄升值型要素密集度更高。

基于年龄依赖型技能，人口年龄结构老龄化对国际贸易的作用机制可从数量和质量两个途径展开探讨。一方面，基于赫俄理论，如果一国老龄化程度越高，那么年龄升值型技能要素则更充裕，该国密集使用年龄升值型要素的行业倾向于扩大生产并出口，而进口密集使用年龄贬值型要素的行业产品。另一方面，基于李嘉图比较优势理论，人口老龄化程度更高的国家，多数工作要求年龄贬值型技能的产业会出现生产率的下降，而多数工作为年龄升值型的产业，其相对生产率则逐渐提高，在生产和出口贸易中显露比较优势。然而从现有研究看，老龄化趋势下人口年龄结构问题在国际贸易领域的研究还处于起始阶段，基于年龄依赖型要素角度的相关论证更是少之又少，本文研究将是对这一问题的有益补充。

本文余下部分安排是： 第1部分综述相关研究；第2部分基于异型性劳动者模型与群分模型，从理论上对老龄化趋势下年龄依赖型要素对比较优势的影响机制给出解释逻辑；第3部分中，介绍了回归模型、相关数据的来源处理以及变量的选取，进而对中国老龄化趋势事实和相应的年龄依赖型要素密集度不同的行业的出口情况进行了描述；第4部分中报告了回归结果并进行稳健性检验；第5部分为总结与政策启示。

1 文献综述

关于老龄化问题的研究虽已有较长时间，但整体上看研究范围主要集中在以下四个方面：老龄化与经济增长的关系、老龄化与收入不平等的关系、养老保障制度建设方面以及老龄化与其他经济变量的关系方面。同时，认知能力和劳动力老龄化问题也受到了国内学者的关注。周洋和刘雪瑾(2017)利用中国家庭追踪调查(CFPS)数据，以字词识记能力和数学能力为认知能力的代理变量，研究证实了认知能力与创业意愿和创业收入均呈现正相关关系，并且这种影响虽然不存在显著的区域差异，但是数学能力却在不同年龄群体间存在着异质性，再次证明了认知能力对投资决策的影响对40岁及以上的人群影响更大(Christelis et al，2010)。孙一菡等(2017)研究发现，综合考虑学历和年龄两方面因素时，劳动人口老龄化程度加剧并不必然阻碍经济持续增长。

人口结构的老龄化趋势给社会和经济发展带来全面而深刻的变化，这些影响必然传导到贸易领域。伴随着出生率下降和预期寿命的提高、人口老龄化的不断深化，人口结构必然随之发生变动，进而影响一个社会的生产结构和消费结构，改变原有发展模式中的资源配置格局，对中国经济造成多方位的潜在冲击。学术界都比较关注人口结构变动对贸易收支的影响，而忽视对贸易基础和贸易模式的研究。实际上，老龄化趋势可以改变各人群分布比重，不仅使社会消费偏好和储蓄习惯发生变化，而且可以改变一国资本和劳动力的相对要素禀赋结构，进而促进贸易结构和出口比较优势发生演变。此时，即使两国劳动数量、技术条件相同，只要人口年龄结构存在差异，依然会存在贸易基础。所以，人口年龄结构同样是构成比较优势、影响贸易方式的重要原因。虽然只有少数几位学者对此进行了理论初探，但都发现人口年龄结构对国际贸易有着重要影响，尤其是人口老龄化必然会对劳动密集型商品的出口模式带来巨大冲击(Chinn and Prasad, 2003；Kim and Lee, 2008)。姚洋和余淼杰(2009)认为人口特征是中国形成出口导向型增长模式的重要原因，并根据人口转型和城市化发展预测得出，中国的出口导向型模式将持续至2025年左右。从更加细致的劳动力年龄分组上看，王有鑫和赵雅婧(2013)利用2001—2010年28个制造业行业数据，指出45～64岁大龄劳动力分布比重与行业出口贸易负相关，劳动力人口老龄化趋势对出口贸易不利。这些研究都从实证角度证明了人口年龄结构对国际贸易的重要影响。

传统研究老龄化问题时，主要是基于总人口老龄化，即主要考察已退休的非劳动力人口占总人口的比重。由于非劳动力不直接参与生产环节，所以其影响大多经过消费途径或者其他方面间接影响实体经济，这也大大限制了老年经济尤其是老龄化问题在国际贸易领域的研究角度。本文认为，老龄化趋势下的人口年龄结构问题不仅包含已退休非劳动力的老龄化问题，而且理应包含劳动力老龄化问题。劳动者同时具备多种技能禀赋，考虑老龄化趋势下的劳动力多维异质性模型，便可以拓展人口年龄结构在国际贸易领域的研究。Roy(1951), Heckman and Sedlacek(1985)等研究均表明，二维异质性对收入分布和产业结构有重要影响。Ohnsorge and Trefler(2007)通过扩展Heckman and Sedlacek(1985)的模型，证明了劳动者技能为二维异质性时，劳动者在产业间的群分行为(sorting behavior)将取决于李嘉图比较优势，再次证明了在多维技能禀赋条件下，技能禀赋间高阶矩关系的重要性(Grossman and Maggi, 2000；Grossman, 2004)。国内研究中，李可爱(2013)认为劳动技能分布的差异，是解释中国和印度、美国和日本等国家间贸易额迅速增长的重要原因，通过借鉴Chang and Huang(2010)模型，研究发现虽然中国和印度劳动力数量资源都较为丰富，但中国的劳动技能分布更加集中的特征使得在产业链较长、更强调劳动间互补与合作的制造业细分行业上更具有比较优势。不过，同多数研究劳动技能分布的文献相类似，劳动技能分布通过不同受教育程度人口比重加以刻画，实际上反映的是人力资本结构(Castello and Domenech, 2002；Asuyama, 2012)。

细分要素结构上的差异已日益成为解释比较优势来源的重要渠道，劳动者在认知技能上的不同便是其中的关注点之一。例如，Wolff(2003)利用1947—1996年美国投入产出表对贸易中的劳动技能进行了测算，具体运用了第四版《职业名称词典》(Dictionary of Occupational Titles, DOT)和人口普查数据，构建了267个职业中不同的工作技能要求的衡量指标，其研究指出美国在认知技能和人际交往能力(interactive skill)这两种技能密集型产品的出口中具有比较优势，虽然美国进出口贸易中产品的技术含量都在提高，但是由于贸易结构的变化，美国进出口贸易中认知技能和劳动技能(motor skills)的差异却在随时间增大，从进口和出口对比方面阐明了研究中考虑认知技能的重要性。其中人际交往能力是指进行指导、分工、谈判、说服等活动时所需要的能力。同样基于美国的研究，Capatina(2014)在研究劳动者技能与工资回报不平等之间的关系时，进一步指出认知型技能和体力型技能(physical skills)的回报变动趋势不同，并且不同水平的认知型技能之间其回报的变动程度也存在差异，据此强调了认知型技能不同水平的差异性。通过拓展Wolff(2003)的研究，Kiyota(2013)对1980—2005年日本的情况进行了分析，结果发现虽然日本是技能密集型产品的净出口国，但是进出口贸易间的技能差异却在减小，指出在出口技能密集型产品方面日本的比较优势逐渐减弱。这些研究都无一例外强调了考虑劳动者认知技能的重要作用，为我们展开研究提供了重要的启示。从具体不同类型的认知技能的角度，Cai and Stoyanov(2016)利用2000年235个出口国家的贸易数据，集中探讨了不同老龄化程度国家之间认知技能对出口的影响，研究发现在老龄化程度更高的国家中，年龄贬值型要素密集度越高的行业出口份额越少，而年龄升值型要素密集度越高的行业出口越多，直接证明了年龄依赖型要素的重要作用，为本文提供了重要的文献基础。

总览上述国内外研究可以发现，在国际贸易领域，人口老龄化的影响机制和作用程度，都有待进一步深入研究。究其原因，本文认为主要在于两方面：一是比较优势是国际贸易理论的基石，但是无论是李嘉图比较优势理论、H-O理论还是新贸易理论下的垄断竞争模型以及最近发展的EK模型(Eaton and Kortum, 2002)、Melitz模型，模型中生产技术都是至关重要的变量，尤其是作为国际贸易理论基石的比较优势更主要以劳动生产率做指标。但是传统意义上，老龄人口属于非劳动力，不直接参与生产活动，因此通常也就无法直接与传统贸易理论相联系。二是现实中，发达国家的劳动人口比变动一般很小，持续几十年的人口结构都会相对稳定。例如联合国数据显示，美国人口年龄的中位数从1980年的30岁，到2015年的38岁仅增长了8岁，而中国增长了15.3岁；同时1980年美国15～64岁人口占比为65.9%，2015年为66.3%，仅增长了0.4%，65岁以上老龄人口占比只增长了3.4%，而同时期中国则分别增长了13.9%和5.1%。所以人口年龄结构在国外研究中相对稀少，相关的前沿理论突破十分有限。这也导致了虽然存在一些相关研究，但是大多数从实证角度进行定量分析，或从储蓄角度分析人口结构对国际资本流动的影响。

本文的边际贡献主要包括： 第一，本研究指出研究“广义人口老龄化”可以在一定程度上解决老龄化问题通常难以与国际贸易尤其是比较优势建立直接联系的难题。传统研究中人口老龄化问题主要关注作为非劳动力的老年人口“比例扩张”问题，往往很难直接融入国际经济学领域，相关分析和研究角度也十分有限。本研究从包含人口整体“增龄过程”的广义人口老龄化角度，强调了考虑劳动力老龄化的重要性。第二，对年龄依赖型要素对比较优势的影响，提供来自中国的经验证据。以往此类研究主要聚焦在美国、日本等发达国家，本文则关注中国情况，而这对于中国这样正同时经历人口老龄化和贸易开放的国家而言十分重要。第三，从时间维度上，我们发现随着老龄化进程推进，不同技能异质性要素密集型行业的出口模式将发生转变。在前人研究较多关注的老龄化进程导致一国整体劳动力要素禀赋变动的基础上，我们进一步分析了劳动者就业时的群分型选择，指出当劳动者同时具备两种不同的年龄依赖型要素时，生产中由于存在生产率效应和技能选择效应之间的权衡取舍，最终将使得在一国人口老龄化的不同阶段，不同年龄依赖型要素对密集度不同的行业的影响发生转变。这些都直接肯定了人口年龄结构同样是构成比较优势、影响贸易模式的重要因素。

2 老龄化趋势下年龄依赖型要素对贸易模式的影响机制

年龄依赖型技能包括年龄升值型与年龄贬值型，二者是不同于人力资本的属于认知能力范围的技能。人口年龄结构老龄化可以从数量和质量两方面对年龄依赖型技能产生影响，进而影响一国的贸易。一方面，人口老龄化程度更高的国家，年龄升值型技能要素禀赋更高，劳动力市场上年龄贬值型技能因相对稀缺而相对价格较高，从而该国倾向于密集使用年龄升值型技能。这与传统H-O理论下要素禀赋理论对生产分工的解释相一致。另一方面，当各产业间劳动力并不能充分及时流动时，若一国老龄化程度越高，那么每个产业内的年龄分布也会存在高龄人口比例不断增加的趋势。对多数工作要求年龄贬值型技能的产业，会由于出现老龄化趋势而带来生产率的下降，而多数工作为年龄升值型的产业的相对生产率则逐渐提高，显露比较优势。所以老龄化会改变所有部门的相对劳动生产率。这与李嘉图比较优势理论相一致。总之，老龄化趋势使劳动力年龄结构发生变动，进而影响年龄依赖型技能相对供给，要素禀赋的改变进一步对国家之间的贸易方式产生深远的影响(Cai and Stoyanov, 2016)。

此外，老龄化趋势下，当劳动者同时具备两种不同的年龄依赖型要素时，各行业生产中劳动者就业时的群分型选择，也会进一步影响产业结构。具体而言，年龄贬值型要素对密集使用年龄贬值型要素的行业生产的边际影响为正，年龄升值型要素对密集使用年龄贬值型要素的行业生产的边际影响为负，在人口老龄化水平较低时，密集使用年龄贬值型要素的行业，年龄贬值型要素对该行业生产的正向影响占主导，所以此时密集使用年龄贬值型要素的行业生产份额较高，开放条件下市场均衡，使得该行业出口份额高于密集使用年龄升值型要素的行业。但是，随着人口老龄化水平不断提升，年龄升值型要素密集度更高的行业越来越呈现比较优势，逐渐替代年龄贬值型要素密集度更高的行业，在总出口中所占的份额也越来越高。其背后的影响机制是：每个劳动者都同时具有年龄升值型和年龄贬值型两种技能，基于Ohnsorge and Trefler(2007)推导的二维劳动力异质性模型可知，给定两种技能，每个劳动者选择能带来最高收入的行业进行工作，假设一国两种年龄依赖型要素禀赋符合二元正态分布(Roy, 1950,1951)，在劳动力不能充分流动的情况下，每个行业内部的年龄依赖型要素禀赋将同样符合该二元正态分布，同时具备的两种技能将一起决定着劳动者的收入分布。此时，一方面存在生产率效应(productivity effect)，即取决于年龄依赖型技能对工作的边际贡献[注]例如，密集使用年龄升值型技能的行业中年龄升值型要素存在正向的生产率效应，密集使用年龄贬值型技能的行业中，年龄贬值型技能发挥正向的生产率效应。，另一方面存在两技能选择效应(two-attribute selection effect)，也就是说即使年龄升值要素禀赋较高的工人在年龄升值型要素密集度更高的行业具有更高的边际生产率，但是如果劳动者同时具备的两种年龄依赖型技能的相关系数足够小，将导致年龄贬值型要素禀赋非常低，那么也会拉低预期收入水平[注]具体理论基础可参考附录1。。此时，由劳动者“自选择”将产生就业行为的群分，进而导致行业层面产出份额出现如上所述的相对变动。

从时间维度上看，由于劳动者同时具备两种年龄依赖型技能，所以生产率效应和技能选择效应间的权衡取舍使得两种不同行业的出口呈现出不同的变化趋势。例如年龄贬值型要素密集度更高的行业，年龄贬值型要素体现为正向的生产率效应，而年龄升值型要素表现为负向的技能间选择效应。所以中国人口结构较年轻时，虽然存在老龄化逐年递增的趋势，但是在年龄贬值型要素密集度更高的行业，年龄贬值型要素的正向的生产率效应占主导，足以克服老龄化带来的技能间选择引起的负效应，所以体现为年龄贬值型要素密集度更高的行业在总出口中占有更高份额。同时，也正是由于老龄化进程持续推进，给定其他条件下，人口老龄化会带来年龄升值型要素相对禀赋增加，并且随着医疗条件的改善、预期寿命的提高，年龄贬值型要素和年龄升值型要素的相关系数持续增加，导致这种生产效率效应对出口额增加的相对影响持续减小，直至负向作用的技能间选择效应占主导，使得年龄贬值型要素密集度越高的行业出口越少。同样逻辑适用于年龄要素密集度较高的行业，但该行业由于人口老龄化则呈现出出口越来越多的倾向，在总出口中所占份额也越来越大。

表1 年龄依赖型要素对不同行业出口贸易的影响

3 回归模型、数据与特征性事实

3.1 回归模型

借鉴Cai and Stoyanov(2016)的研究方法，将人口结构与不同行业的年龄依赖型要素密集度引入回归方程：

(1)

(2)

3.2 数据来源及说明

本文主要用到五方面数据：一是中国的出口贸易相关数据。中国1990—2010年SITC版本2下的4分位出口数据来自UN Comtrade数据库。通过利用Feenstra et al(2002)的对应表，匹配成NACIS4位编码出口数据。二是中国历年年龄结构数据(Age)。本文分别选择了两个指标，分别是来自WPP2015的年龄中位数数据以及计算的高龄人口(40～65岁)占所有15～64岁劳动力年龄人口的比例数据。由于年龄中位数每五年一报告，所以取连续五年为相同中位数。三是各行业要素密集度数据。两种年龄依赖型要素和体能要素密集度数据来自Cai and Stoyanov(2016)。技能要素密集度数据是根据2010年US Census Bureau-Annual Survey of Manufactures (ASM)数据计算获得，以非生产性工人的比例代表。资本密集度用资本存量数据与总劳动力人数的比值计算。四是中国要素禀赋数据。其中，资本要素禀赋数据来自PennWorld Table，人力资本存量数据来自李德煌和夏恩君(2013)。五是其他稳健性检验相关数据。双边贸易成本变量则为标准引力方程中控制的变量，包括距离、是否有共同边界、共同官方语言虚拟变量，这三个变量的数据来自CEPII-Gravity数据库。同时，根据WTO关于区域贸易协定的数据库，本文构造自由贸易区和关税同盟两个变量。gatt_d表示对应进口国是否是GATT/WTO成员国。如果两国间有区域贸易协定(Regional Trade Agreements)则fta_wto取值为1，否则为0。总样本量为1009203个[注]由于部分变量不涵盖全部年份，因此在下一部分具体回归中进行相应调整并说明，例如包含PSC、FSD、GE、RQ和RL的样本为711246个。。

表2 变量描述性统计

续表

3.3 特征性事实

图1 中国各年龄组比重、老年抚养比与年龄中位数注： 历年老年抚养比数据来自UNPD数据库，其他数据根据WPP2015计算获得。三部分年龄组比重采取百分比面积堆积图形式。2015年以后为预测值(MEDIUM VARIANT)。

按照人口学界公认的国际通行标准衡量，一般认为中国自2000年开始迈入老龄化社会，至今已过10余年。中国人口老龄化具有高速、高龄、老人数量大、老年抚养比大、地区差异大的特点(曾毅，2001)，呈现“未富先老”和“快速老龄化”的特征。根据联合国数据显示(图1)，新中国成立以来，65岁及以上人口占比长期保持在4%以下，老年抚养比基本处于11%以下，变化幅度都较小。1970年后，生育率快速下降、人口预期寿命持续稳定提高等因素的共同作用下，中国开始经历快速的人口老龄化。2001年入世后，中国贸易开放程度大大提高，至今已经发展成为世界第一货物贸易大国。同时，2001年也是中国人口结构转型的重要时间点：0～14岁人口占比首次小于25%，65岁及以上人口占比超过7%，老年抚养比超过了10%，年龄中位数达到了30岁水平，各方面都标志着中国正式进入“老年型”社会。至2015年末，根据《中国统计年鉴(2016)》数据，1996—2015年近20年65岁及以上人口数的年均增长率高达3.5%，超过总人口增长速度的5倍。根据联合国数据预测，到2035年以后老年人口占比将超过20%，老年抚养比将超过30%，这意味着大约每3个劳动力供养1个老年人，进入深度老龄化社会。预计2040年，中国老年抚养比将上升至39.6%，并将在2075年进一步大幅度提升至60.4%。综上可见，中国贸易水平高速发展与人口老龄化进程可谓是同步推进的，2000年尤其是2010年后，各项指标都表明：中国人口结构正经历剧烈转型，人口老龄化将进入持续半个世纪的大规模快速推进时期。

图2 中国人口分布(分年龄组)数据来源： 作者根据United Nations-WPP2015数据整理。

根据联合国《人口老龄化及其社会经济后果》中的划分标准：一国或地区65岁以上人口数目在该国或地区的总人口中的占比如果超过7%，即表明进入老龄化社会。因此，人口老龄化通常是指在全部人口中65岁及以上老年人口比例扩张的过程，本研究认为从更广泛意义上看，人口老龄化也包括人口整体年龄结构的老龄化。从人口(统计)学角度，罗淳(2001)对老龄化的内涵归纳为同时包括“比例扩张”和“增龄过程”两个角度：前者含义是在总人口中，老年人口数目相对增多，表现为“比例扩张”的过程；后者是从人口整体年龄结构角度，即社会整体人口结构呈现老年状态或者向老龄化发展趋势，可表现为“中位年龄”或“平均年龄”的提高，即所谓的“增龄过程”。一国总人口可以分为劳动力和非劳动力。其中劳动力指15～64岁的人口，而未成年人和已退休老人则为非劳动力人口。传统研究老龄化问题时，主要是基于总人口老龄化，即主要考察已退休的非劳动力人口占总人口的比重。由于非劳动力不直接参与生产环节，所以其影响大多经过消费途径或者其他方面间接影响实体经济，这也大大限制了老年经济的研究角度。从中国人口年龄分布图2可以看出，中国人口在21世纪40年代以前基本呈现右侧拖尾，其后开始逐渐呈现左侧拖尾形式分布，这同样是人口老龄化趋势的直观体现。同时，中国人口分布的峰值正在逐渐提高，明显可以看出中国劳动力人口年龄分布逐渐向高龄化发展的趋势。因此本文关注的老龄化趋势更多是指中国人口年龄整体分布的变化，即包含“增龄过程”的广义人口老龄化。

4 实证结果

4.1 分年基准回归

本文利用高龄劳动者占比作为人口年龄结构的指标，对21年数据分别进行了回归，结果如表3。可以发现：

表3 分年基准回归结果

续表

首先，考虑人口老龄化的影响。对于不同行业，这21年中随着中国人口老龄化程度的加深，两种年龄依赖型要素密集度对不同行业出口额的影响均出现了逆转。具体而言，随着我国人口老龄化程度的加深，不同行业间出口额的变化趋势是：年龄升值型技能要素密集度对出口额的影响从显著为负，逐渐变为无显著影响，最终又变为存在显著正影响，也就是说对于不同行业而言，由开始时随着年龄升值型要素密集度越高则出口额越少，逐渐转变为随着年龄升值型要素密集度越高则出口额越多；同样对于不同行业而言，由开始时随着年龄贬值型要素密集度越高则出口额越多，逐渐转变为随着年龄贬值型要素密集度越高则出口额越少。如前所述，本文认为，其中的原因主要是由于劳动者同时具备两种年龄依赖型技能，所以生产率效应和技能选择效应间的权衡取舍使得两种不同行业的出口呈现出不同的变化趋势。例如1995年之前，中国人口结构较年轻，所以虽然存在老龄化逐年递增的趋势，但是在年龄贬值型要素密集度更高的行业，年龄贬值型要素的正向的生产率效应占主导，足以克服老龄化带来的技能间选择带来的负效应，所以体现为年龄贬值型要素密集度越高的行业出口越多。但是老龄化进程持续递增，年龄贬值型要素和年龄升值型要素的相关系数持续增加，导致这种生产效率效应对出口额增加的贡献度持续减小，直至负向作用的技能间选择效应占主导，使得年龄贬值型要素密集度越高的行业出口越少。

其次，对于同一个行业，这21年间，密集使用年龄升值型技能要素的行业出口额越来越多，而密集使用年龄贬值型技能要素的行业出口额越来越少。具体而言，1990年给定一个年龄升值型要素密集度较高的行业，如果高龄劳动者占比增加1%，即变量OldShare增加0.01单位，那么精确计算下该行业出口额会相应减少0.991%，而2010年，高龄劳动者占比增加1%的影响是使得这个行业出口额增加0.13%；同样，给定一个年龄贬值型技能要素密集度较高的行业，高龄劳动者占比增加1%，在1990年该行业出口额相应增加0.832%，而2010年，该行业出口额精确计算下则会相应减少约1.333%。进一步从边际影响的趋势上看，每增加一年，人口老龄化对年龄升值型要素密集型行业的边际影响增加0.053，对年龄贬值型要素密集型行业的边际影响减少0.1217。这说明中国产业随着人口结构的改变，已经逐渐向密集使用人口年龄升级型技能要素行业转变，这类产业在国民经济的作用越来越大。

第三，各年间，体能要素对各行业出口额的影响均为负值，各年份之间的影响变化不大，相对稳定。对于传统影响比较优势的技能要素密集度和资本要素密集度的影响，两种都比较显著。说明了以年龄依赖型要素为代表的认知技能，也是解释比较优势的另一来源。

最后，年龄贬值型要素对出口额的影响发生转折的时间为1995—1999年，比年龄升值型技能要素影响发生转折的时间(2004—2008年)要提前了几乎10年。这说明中国人口老龄化的负面影响比其正面影响显现得更早，中国产业结构转变滞后于人口老龄化进程。

图3 人口老龄化对两类年龄依赖型要素密集型行业的逐年边际影响

4.2 稳健性检验

第一，考虑用年龄中位数替换高龄劳动者比例，衡量人口年龄结构。表4中列出了和年龄中位数交互作用的三项的回归系数。可以得到和基本回归相一致的结论。例如，同样可以发现这21年中随着中国人口老龄化程度的加深，两种年龄依赖型要素密集度对不同行业出口额的影响均出现了逆转。1990年，给定一个年龄升值型要素密集度较高的行业，年龄中位数每增加1年，那么精确计算下该行业的出口额就会相应减少1.121%，而2010年，年龄中位数的边际影响是使得这个行业出口额增加0.165%；同样，给定一个年龄贬值型技能要素密集度较高的行业，年龄中位数每增加1年，在1990年时该行业出口额就会相应增加大约1.02%，而2010年，该行业出口额则会相应减少大约1.7%。不过考虑到年龄中位数的变异程度较小，因此本文并不以这种度量方法作为基准回归。

表4 年龄中位数衡量人口结构的回归结果

注： CapitalInt×lnCapital、SkillInt×lnHumCapit、R2以及adjR2等结果见附录2。

第二，考虑运用包含所有年份的面板数据进行回归。表5中第(1)(3)(5)列为用高龄劳动力占比作为年龄结构的代理变量，第(2)(4)(6)列为使用年龄中位数作为年龄结构的度量。第(1)(2)列显示了面板数据的基本回归，再次发现：人口老龄化会增加年龄升值型要素密集型行业的出口，不利于年龄贬值型要素密集型行业的出口。第(3)(4)列为去掉进口国为美国的样本后的子样本回归结果。由于使用的要素密集度是基于美国数据进行计算，所以一旦美国贸易模式影响产业间的劳动者构成，那么将存在反向因果问题。这两列中，去掉美国样本后发现，其回归结果与(1)(2)列十分接近，所以本文的结果不存在联立性偏误(simultaneity bias)。进一步，第(5)和(6)列中，控制两国间的固定效应，以此控制不随时间变化的其他影响中国和对应进口国的贸易成本。此时可以看到老龄化的影响虽有所降低，但影响方向不变。同时，要素禀赋和已有代理贸易成本的变量虽然显著，但是符号异常。因此，有理由认为：由于本文只考虑中国出口状况，同时根据理论模型推导结果，控制进口国固定效应已经足够。所以总体上，本文研究结果依然稳健。Cai and Stoyanov(2016)同样使用年龄中位数作为人口年龄结构衡量指标的研究结果进行对比，可以发现，本文年龄升值型要素的边际影响更小，而年龄贬值型要素的边际影响普遍更大，一方面这与我国长期以劳动密集型产品出口为主的贸易模型相一致，说明了老龄化对我国此类产业的影响更大，对外贸易中传统劳动密集型行业的比较优势在老龄化进程中将加速减弱，另一方面也说明年龄升值型要素在生产中的贡献度有待提高，提示我们相比于一直依靠充裕的劳动力禀赋和依靠人口数量红利的发展模式，未来应更加重视人口质量红利。

表5 面板模型回归结果

续表

注： 部分单点观测(singleton observations)在回归时被自动删除。R2为组内R2。相关列的不同变量和样本选取，见原文。

4.3 考虑比较优势的制度决定因素

在回归模型中，难以观察的残差项中一旦包含了和解释变量相关的因素，“因果图”中就会存在“后门路径”(backdoor path)，影响识别“因果路径”(causal path)，即影响我们识别解释变量对被解释变量的直接影响。这里我们主要考虑两类可能的内生性问题：一是考虑影响一国要素禀赋的制度因素；二是考虑医疗和教育等对年龄依赖型要素起影响作用的因素[注]对于年龄依赖型要素密集度的内生性问题，Cai and Stoyanov(2016)研究中分别利用了1980年、1990年和2000年普查数据中的各行业中职业组成作为年龄依赖型要素密集度的三个工具变量，一方面十分遗憾的是，本文样本中1990—2010年历年的这一数据难以获得，另一方面Cai and Stoyanov(2016)指出当用2000年数据做工具变量的回归结果与基准回归结果很相近，也为基准回归的可靠性提供了佐证。感谢审稿老师提出的宝贵意见。。

最近关于比较优势的相关研究，识别出一些制度方面对于贸易的决定因素。这里本文考虑若干此类因素，证明存在这些因素的干扰后本文的结果依然稳健。首先是中国金融发展水平，选取两个代理变量：一是私营部门的国内信贷占GDP的百分比(PSC，private sector credit)，二是金融系统存款占GDP的百分比(FSD，financial system deposits)，两者均来自世界金融发展水平数据库(the global financial development database)。其次是中国的政府效率变量GE(government effectiveness)，数据用来自the worldwide governance indicators(WGI)，该变量反映了公共服务的质量，政策制定和实施的质量，以及政府承诺的公信度等政府效率因素。最后，是中国法律情况，具体包括RQ(regulatory quality)和RL(rule of law)两个变量，前者反映了监管质量，具体指为了保证和促进部门发展，政府制定和实施健全的政策法规的能力，后者则反映了法律观念，具体反映社会上的个体对社会规则的遵守程度和信心程度，包括对合同执行、产权、治安以及暴力犯罪等事件可能性的认知，数据同样来自WGI数据库[注]WGI数据库：http://www.govindicators.org/。。由于后三个变量最早数据由1996年开始，共包括12个年份，所以和原始数据匹配后，共剩余711246个观测值。同时进一步做三方面处理：首先，由于这五个变量各年份内数值相同，所以分年回归时，本文分别用这五个变量与五种要素密集度和要素禀赋进行互乘，以交互项的形式引入回归模型，以此反映制度因素的影响；其次，由于GE、RQ和RL三个变量存在负值，所以具体回归时利用变量的最小值进行标准化处理，以此避免负值对交互项系数的异常影响；最后为避免共线性问题，对这五个不同变量共做五个不同的回归，所有回归结果见表6。可以发现，各个模型回归中，虽然系数存在差别，但是均和基准回归呈现出相同的变化趋势，两种年龄依赖型要素密集度对不同行业出口额的影响均出现了逆转，而各年间体能要素对各行业出口额的影响均为负值，各年份之间的影响相对稳定。各模型拟合优度位于0.3～0.4之间，且均整体显著。综上可见，考虑制度因素对出口额的影响之后，本文发现的主要结论依然稳健。

4.4 年龄依赖型技能的其他决定因素

由于年龄依赖型技能要素禀赋难以观测，第3部分中本文用国家人口结构作为代理变量，此时即年龄依赖型技能要素只是高龄劳动者占比或者一国年龄中位数的线性函数。然而，年龄依赖型技能要素不仅仅取决于自然的人口老龄化进程，还可以取决于其他因素。第一个因素是一国医疗体系的有效性。诸多文献都发现系统性疾病对认知能力有很重要的影响(Stern and Carstensen, 2000)，随着年龄增加，这些疾病的患病率一般呈现递增趋势。因此，适当的有效的医疗保障体系可以在一定程度上减少由于年龄增长而带来的年龄依赖型技能和体能的下降。所以有效的医疗保障体系可以削弱人口老龄化对认知技能和体能禀赋的作用。第二个因素是教育。大量文献同样发现教育和年长者认知能力的正相关关系，最近一些文献通过利用外生的教育政策变动来识别年幼时期的教育对年老时期认知技能(尤其是记忆力)之间的因果关系(如Glymour et al, 2008；Banks and Mazzonna, 2012)。同时，教育可以减弱年龄增加带来的智力下降(Schaie, 2005)。因此，我们预期教育可获得性的增加可以增加年龄依赖型认知技能的有效存量。

基于这两方面考虑，本文利用健康保障体系(HCS)和教育水平(Educ)，拓展一国年龄依赖型技能要素禀赋的决定因素。健康保障体系数据用公共健康保障支出占GDP的比重衡量，历年教育水平用历年初中以上毕业人数占劳动人的人数比重衡量，数据分别来源于WDI和历年中国统计年鉴。前者数据从1995年开始，和原始数据匹配后，剩余874985个样本。具体各年回归中，为避免共线性问题，分别利用Health和Educ两个变量进行回归。根据回归结果表7可以发现，两个模型回归中，虽然系数存在差别，但是均和基准回归呈现出相同的变化趋势，两种年龄依赖型要素密集度对不同行业出口额的影响均出现了逆转，并且发生转折的年份依然和基准回归保持一致。各年间体能要素对各行业出口额的影响均为负值，各年份之间的影响相对稳定。各模型拟合优度位于0.3～0.4之间，且均整体显著。综上可见，考虑了其他两种决定年龄依赖型要素禀赋的因素之后，本文发现的主要结论依然稳健。

表6 考虑制度因素的回归结果

续表

注： 限于篇幅，只列出PSC、FSD、GE、RQ和RL交互项系数。其中AAI代表变量AgeAppInt，ADI代表变量AgeDeInt，OS代表变量OldShare。其他系数回归结果见附录3。

表7 考虑年龄依赖型技能其他决定因素的回归结果

注： 限于篇幅，只列出HCS和Educ交互项系数。其他系数回归结果见附录4。

5 主要结论与政策启示

本文遵循Cai and Stoyanov(2016)研究方法，基于通过考虑劳动者同时具备两种年龄依赖型技能，利用中国1990—2010年出口贸易数据，实证研究了老龄化趋势对一国比较优势的影响。结果发现，人口年龄结构是构成一国比较优势的重要因素之一,具体体现在以下几个方面。

首先，本文依据Ohnsorge and Trefler(2007)的研究，分析了老龄化趋势下年龄依赖型要素对贸易模式的影响机制。在前人研究多关注老龄化进程导致一国整体劳动力要素禀赋变动的基础上，我们进一步分析了劳动者就业时的群分型选择，指出当劳动者同时具备两种不同的年龄依赖型要素时，生产中由于存在生产率效应和技能选择效应之间的权衡取舍，最终将使得在一国人口老龄化的不同阶段，不同年龄依赖型要素对密集度不同的行业的影响发生转变。

其次，利用中国1990—2010年数据实证研究发现，随着近20年中国老龄化进程推进，两种年龄依赖型要素对出口额的影响均出现了逆转。对于同一个行业，这21年间，密集使用年龄升值型技能要素的行业出口额越来越多，而密集使用年龄贬值型技能要素的行业出口额越来越少。例如，对于年龄升值型要素密集度较高的行业，1990年时高龄劳动者占比增加1%，该行业的出口额就会相应减少0.991%，而2010年则为增加0.13%；同样，对于年龄贬值型要素密集度较高的行业，高龄劳动者占比增加1%，在1990年时该行业出口额就会相应增加0.832%，而2010年则为减少大约1.333%。这说明中国产业随着人口结构的改变，已经逐渐向密集使用人口年龄升级型技能要素行业转变，这类产业在国民经济的作用越来越大。

最后，年龄贬值型要素对出口额的影响发生转折的时间为1995—1999年，比年龄升值型技能要素影响发生转折的时间(2004—2008年)要提前了几乎10年。这说明中国人口老龄化的负面影响比其正面影响显现的更早，中国产业结构转变滞后于人口老龄化进程。

目前，我国正在经历由贸易大国向贸易强国转型的重要阶段。通过以上结论可知，从某种程度上人口老龄化或许并不绝对是一个“亟待解决的问题”，也可以是“转型发展的契机”。本文的政策含义有：首先，未来相关产业政策应注意进一步趋利避害，努力发挥老龄化的正向外部性。不可否认，丰富的劳动力资源使得我国形成了出口劳动密集型产品为主的贸易模式，但是人口年龄结构并不是一成不变，随着老龄化进程的推进，贸易转型不可避免。为了从贸易大国发展为贸易强国，我国需要结合自身的资源禀赋与人口结构探索新的贸易发展模式，抓住人口结构转变为贸易结构调整带来的契机。其次，人口老龄化不仅仅是老年人口比例增加，也是整体人口年龄递增的过程，因此政策考量与制定上，不能仅仅关注已退休的老年人口，对于劳动力的老龄化问题同样要给予充分考虑。年轻劳动力一般具有较高的创新能力，值得重视；而高龄劳动力具有较高的年龄升值型要素禀赋，同样是产业转型升级的关键力量。年轻劳动力如能提高受教育水平，增加职业培训将有利于其年龄依赖型要素的积累，抵消老龄化的不利影响，随着我们产业转移升级而减少结构性失业。对于老年劳动力，“一刀切”的退休年龄制度并不尽然合理，尤其不利于受教育程度较高的劳动者为社会创造更多价值。最后，认知技能是劳动力质量的综合体现，而劳动力数量与劳动力质量都是企业效益的关键决定因素，相关政策必须从长远利益出发制定，要注重劳动力质量的升级，注重开发“人口质量红利”，进一步发挥中国的潜在增长力。

附录1

本部分，遵循Ohnsorge and Trefler(2007)以及Cai and Stoyanov(2016)研究方法，为第3部分所述的影响机制提供一定数理基础并获得本文的回归方程。

首先，消费者层面，每个国家n=1…N有有限的离散产业i=0,1…I，其中0为非贸易产业，其余可贸易产业(i≥1)生产异质性产品，每个产业内的产品呈现连续分布j∈[0,1]。依据Chor(2010)，给定总收入Yn时，每种可贸易产品种类的最优消费数量及面对的产业i的价格指数(the ideal price index)分别为：

其次，生产者层面，在产业为离散形式下，借鉴Ohnsorge and Trefler(2007)模型，同时引入年龄升值型和年龄贬值型两种技能，并引入随时间变化的技能分布函数。具体而言，劳动者同时具有年龄升值型技能H和年龄贬值型技能L。两种技能捆绑(bundling)一起(Roy, 1950,1951；Heckman and Sedlacek, 1985)，雇佣者不能分解，因此只关心任务完成情况。对于(H,L)类型的劳动者，依次设定其承担规模报酬不变的工作任务Ti(H,L)，工资W：

其中，h≡ln(H/L)，l≡lnL，wi≡lnWi，ti(h)≡lnTi(H/L,1)，p≡lnP。给定两种技能，每个劳动者选择最高收入的行业进行工作。依据群分模型(sorting model)根据δi对行业i进行排序的通常做法，此时随着i增大，该行业年龄升值型密集度越高，即h密集度越高。具有更高(H/L)比率的劳动者，在H密集度高的行业具有比较优势。所以当hi-1

因此，给定技术参数Ai及标准正态分布的分布函数Φ(·)和概率密度函数φ(·)，t时期行业i的总产出可表示为：

(10)

最后，开放贸易时，考虑世界上只有两个不同老龄化程度的国家，对应μ1>μ2，ρ1>ρ2，产业i的产出分别为Y1i和Y2i，则产业i的世界总产出Yw i为二者之和。封闭时，根据式(1)和(14)可知，每个国家中产业i的总消费Cn i为本国总产出的固定份额。开放时，市场出清意味着每个产业i的世界总产出Yw i等于世界总消费Cw i，进一步等于所有国家对产业i的消费总和。由式(15)与(16)，C1i/Yw i为定值，等于其总产出的世界份额，而Y1i/Yw i随着h增加而增加，即(Y1i-C1i)/Yw i随着行业的年龄升值型要素密集度的增加而单调增加。所以，贸易均衡时，国家1将净出口Y1i-C1i，即老龄化程度较高的国家会出口年龄依赖型要素密集度较高行业的产品。

附录2

年份CapitalInt×lnCapitalSkillInt×lnHumCapit常数项R2(adj R2)F值(p值)样本量19900.0009***0.02014.3578***0.3150124.1220(0.0002)(0.0134)(0.0987)(0.3092)(0.0000)2082119910.0007***0.0329**4.5438***0.3139121.8650(0.0002)(0.0129)(0.0953)(0.3083)(0.0000)22053

续表

附录3

变量199619982000200220032004200520062007200820092010CI×Cpt×PSC0.0001**(0.00002)-0.0002***(0.00002)-0.0002***(0.00003)-0.0003***(0.0001)-0.0003***(0.00002)-0.0004***(0.00002)-0.0003***(0.00002)-0.0003***(0.00002)-0.0003***(0.00002)-0.0003***(0.00002)-0.0003***(0.00002)-0.0003***(0.00002)SI×HCP×PSC-0.0231***(0.0022)-0.0304***(0.0021)-0.0332***(0.0021)-0.0334***(0.0019)-0.0366***(0.0018)-0.0407***(0.0018)-0.0453***(0.0017)-0.0468***(0.0017)-0.0486***(0.0017)-0.0527***(0.0017)-0.0486***(0.0016)-0.0478***(0.0015)CI×Cpt×FSD0.0001**(0.00004)-0.0002***(0.00003)-0.0003***(0.00003)-0.0004***(0.0001)-0.0004***(0.00003)-0.0005***(0.00003)-0.0004***(0.00002)-0.0004***(0.00002)-0.0004***(0.00002)-0.0004***(0.00002)-0.0004***(0.00002)-0.0004***(0.00002)SI×HCP×FSD-0.0329***(0.0032)-0.0418***(0.0028)-0.0439***(0.0028)-0.0432***(0.0025)-0.0471***(0.0024)-0.0518***(0.0023)-0.0573***(0.0022)-0.0591***(0.0022)-0.0611***(0.0021)-0.0661***(0.0021)-0.0616***(0.002)-0.0579***(0.0019)CI×Cpt×GE0.0005**(0.0002)0.0001(0.0001)-0.0011***(0.0001)-0.0016***(0.0001)-0.0015***(0.0001)-0.0018***(0.0001)-0.0019***(0.0001)-0.0012***(0.0001)-0.0010***(0.0001)-0.0010***(0.0001)-0.0013***(0.0001)-0.0013***(0.0001)SI×HCP×GE-0.2068***(0.02)-0.1791***(0.0121)-0.1900***(0.0121)-0.1779***(0.0102)-0.1918***(0.0096)-0.1946***(0.0086)-0.2616***(0.0101)-0.1897***(0.0069)-0.1639***(0.0056)-0.1845***(0.0058)-0.1916***(0.0062)-0.1920***(0.0062)CI×Cpt×RQ0.0003**(0.0002)0.0002(0.0002)-0.0026***(0.0003)0.0234***(0.0017)-0.0043***(0.0003)-0.0040***(0.0002)-0.0021***(0.0001)-0.0022***(0.0001)-0.0020***(0.0001)-0.0018***(0.0001)-0.0026***(0.0001)-0.0029***(0.0001)SI×HCP×RQ-0.1427***(0.0138)-0.2986***(0.0203)-0.4537***(0.029)-0.3606***(0.1500)-0.5431***(0.0273)-0.4383***(0.0193)-0.2884***(0.0111)-0.3467***(0.0127)-0.3257***(0.0112)-0.3280***(0.0104)-0.3948***(0.0127)-0.4092***(0.0132)CI×Cpt×RL0.0019**(0.0008)0.0003(0.0003)-0.0265***(0.0035)-0.0084***(0.0006)-0.0214***(0.0015)-0.0134***(0.0007)-0.0538***(0.0031)-0.0133***(0.0008)-0.0139***(0.0008)-0.0039***(0.0002)-0.0044***(0.0002)-0.0047***(0.0002)SI×HCP×RL-0.7596***(0.0736)-0.4856***(0.0329)-4.5864***(0.2932)-0.9364***(0.0539)-2.6815***(0.1348)-1.4759***(0.065)-7.5124***(0.2889)-2.0917***(0.0764)-2.3206***(0.0796)-0.7311***(0.0231)-0.6582***(0.0211)-0.6760***(0.0219)R20.33050.32380.33920.3480.36050.35700.36850.37540.38120.38840.37620.3793F值148.6981221.1166261.8926323.188362.294419.809411.2028431.2761438.181468.4449560.7669542.3395样本数344343940247977528305707560257640866719270083714157247374022

注： 其中，CI代表CapitalInt，Cpt代表lnCapital，SI代表SkillInt，HCP代表lnHumCapit。

附录4

年份CapitalInt×lnCapital×HCSSkillInt×lnHumCapit×HCSCapitalInt×lnCapital×EducSkillInt×lnHumCapit×EducR2(adj R2)F值(p值)样本量19950.00004-0.10224***0.00004-0.10224***0.329165.155(0.00013)(0.01012)(0.00013)(0.01012)(0.325)(0.000)3466219960.00026**-0.10410***0.00026**-0.10410***0.330148.698(0.00011)(0.01008)(0.00011)(0.01008)(0.327)(0.000)3443419970.00035***-0.11792***0.00035***-0.11792***0.331173.330(0.00011)(0.00997)(0.00011)(0.00997)(0.328)(0.000)3640219980.00009-0.14155***0.00009-0.14155***0.324221.117(0.00010)(0.00960)(0.00010)(0.00960)(0.320)(0.000)394021999-0.00010-0.13508***-0.00010-0.13508***0.337238.699(0.00010)(0.00926)(0.00010)(0.00926)(0.334)(0.000)422302000-0.00090***-0.15672***-0.00090***-0.15672***0.339261.893(0.00012)(0.01002)(0.00012)(0.01002)(0.336)(0.000)479772001-0.00126***-0.15828***-0.00126***-0.15828***0.336280.198(0.00011)(0.00973)(0.00011)(0.00973)(0.333)(0.000)504452002-0.00143***-0.15959***-0.00143***-0.15959***0.348323.188(0.00011)(0.00919)(0.00011)(0.00919)(0.345)(0.000)528302003-0.00141***-0.17715***-0.00141***-0.17715***0.360362.294(0.00010)(0.00890)(0.00010)(0.00890)(0.358)(0.000)570752004-0.00177***-0.19466***-0.00177***-0.19466***0.357419.8(0.00010)(0.00858)(0.00010)(0.00858)(0.355)(0.000)602572005-0.00153***-0.21412***-0.00153***-0.21412***0.368411.203(0.00009)(0.00823)(0.00009)(0.00823)(0.366)(0.000)640862006-0.00140***-0.22019***-0.00140***-0.22019***0.375431.276(0.00008)(0.00804)(0.00008)(0.00804)(0.373)(0.000)671922007-0.00136***-0.22682***-0.00136***-0.22682***0.381438.181(0.00008)(0.00778)(0.00008)(0.00778)(0.379)(0.000)700832008-0.00130***-0.24402***-0.00130***-0.24402***0.388468.445(0.00008)(0.00771)(0.00008)(0.00771)(0.387)(0.000)714152009-0.00156***-0.23505***-0.00156***-0.23505***0.376560.767(0.00008)(0.00754)(0.00008)(0.00754)(0.374)(0.000)724732010-0.00162***-0.23161***-0.00162***-0.23161***0.379542.340(0.00008)(0.00749)(0.00008)(0.00749)(0.377)(0.000)74022