教育推动技术进步的关键路径：扩散效应与创新效应

一、引言

众多国家的实践表明，单纯依靠增加要素投入并不能缓解生产率停滞的困境^[1][2]。通过教育促进全要素生产率（Total Factor Productivity）的提升与技术进步，被视为推动经济可持续发展的重要途径^[3-5]。新质生产力正是“以全要素生产率大幅提升为核心标志”^[6]。当前，我国正处于新旧动能接续转换、经济转型升级的关键时期，如何持续提升全要素生产率以推动经济高质量发展，是亟待深入研究探索的重大现实问题。

全要素生产率是表征在资本、劳动力数量投入保持不变的条件下，由其他非传统要素投入所导致的额外产出增长的一种重要经济指标，因此可以用将传统投入对经济增长率贡献扣除后的剩余（即“索洛余值”）来测度全要素生产率。提升全要素生产率主要依靠技术进步、管理与组织创新和资源配置效率优化^[7]，在无法将“索洛余值”来源剥离干净的条件下，学者们常将全要素生产率作为衡量一个国家技术进步的重要指标，毕竟除劳动力和资本两大传统投入要素之外，技术进步是对国民经济具有重大贡献的“第三要素”^[8][9]。以往许多研究基于罗伯特·默顿·索洛（Robert Merton Solow）构建的增长模型，在假定生产有效（不存在效率损失）的条件下，以全要素生产率增长作为各国生产技术水平变化的代理变量，开展计量分析^[10]。

关于教育与技术进步之间的影响路径与机制，仍有不少尚未明确的地方。首先，教育的对象始终是人的知识和技能，这意味着人口技能必定是一国教育推动技术进步过程中最为重要的中间变量，但过往研究大都忽视这一点，多采用教育数量指标（如人口受教育年限）测度各国教育发展水平或人力资本存量。已有证据表明各国教育的数量与质量发展水平并不完全相称^[11][12]，各国在教育“量—质”维度上采用不同的发展策略完全有可能对国民经济与技术进步造成不同的影响。其次，根据熊彼特的创新驱动型增长理论，伴随着生产效率不断向技术前沿边界逼近，教育推动技术进步的模式将会从以技术模仿为主向以技术创新为主转变^[13-15]。有关这一点，以往研究做了不少验证，但对于教育在经济体向技术前沿逼近过程中的影响变化的刻画较为粗略。

鉴于此，本文以成人受教育年限和认知技能水平分别测度一国教育数量和质量发展水平，形成以下学术贡献：第一，通过构建成人认知技能的国际可比数据库，对比分析教育数量与质量对技术进步的不同影响，对国家人力资本不同测度方法的合理性进行验证；第二，分解教育对技术进步的技术扩散与技术创新两种效应，揭示这两种效应的阶段性变化特征；第三，考察在不同的人口技能层级结构下教育对技术进步的影响变化，凸显人力资本高阶化的重要性。

二、文献综述

（一）教育与技术进步之间的关系及路径机制

有关教育与技术进步间的关系，不同经济学理论流派有不同的诠释^[16][17]。新古典增长理论最初将劳动力视为外生、同质的生产要素，将技术进步的效果等同于增加有效劳动力的数量^[18]。内生增长理论将由教育、培训等形成的人力资本内生化，提出单纯靠传统要素投入并不足以支撑现代经济的持续增长，由教育发展带来的知识累积与技术进步是突破资本与劳动力边际收益递减束缚，提升全要素生产率的关键^[19][20]。创新驱动型增长理论承袭熊彼特的思想学说，强调创造性破坏对于推动经济可持续发展的重要影响，及教育对促成创造性破坏的关键作用^[21][22]。

经济增长理论关于教育对技术进步作用机制的解释大致可分为两大类：一类是积累型路径，强调人力资本通过形成劳动者的有效劳动来推动经济增长；另一类是吸收型路径，关注教育投资与全要素生产率之间关系，突出人力资本对消化吸收技术、促进技术创新发展的积极作用^[23]。当前占据主流地位的是吸收型路径，而其理论理解又可分为两种观点：一种观点认为技术进步主要靠技术创新，由教育投资形成的人力资本又是促进技术创新的重要引擎^[24][25]；另一种观点强调教育与技术扩散之间的关系，认为技术领先国家的创新成果会外溢至其他国家，后者可通过学习与模仿先进技术实现对前者的经济追赶。教育投资可增强本国劳动力对国外先进技术的学习能力，加快对先进技术的吸收速度^[26][27]。可见，教育推动技术进步的路径机制应能分解为促进技术扩散与技术创新两种效应。理查德·R.纳尔逊（Richard R. Nelson）和埃德蒙·S.菲尔普斯（Edmund S. Phelps）的早期研究就表明，发展教育所带来的人力资本累积不仅能提高个人劳动生产率，更能促进技术进步、提升全要素生产率^[28]。对于纳尔逊与菲尔普斯的发现，后续学者做了大量验证与拓展研究，不少研究发现教育对于技术从领先国家向追赶国家的外溢与扩散速度确实有着重要影响，教育不仅直接影响本国创新能力，还有助于提升对他国技术的吸收能力，因此落后国家经济要追赶发达国家，就必须通过教育实现人力资本的充分积累^[29-31]。

过往另一些研究特别关注教育推动技术进步机制的阶段性变化^[32][33]。通常情况下，如果一国技术较落后，距离技术前沿边界较远，其经济增长一般主要依靠资本累积与技术模仿，此时教育的作用主要表现为促进先进技术和经验的学习和扩散；相反，如果一国技术较先进，接近技术前沿边界，其经济增长则更多依赖技术创新，此时教育的作用应以促进技术创新为主^[34]。

（二）人口技能在教育推动技术进步过程中的作用与地位

人口技能是探求教育与技术进步之间关系的极为重要的中间变量。有研究指出，在不同发展阶段技术进步对不同层次劳动力技能有着不同的需求。在远离技术前沿的发展阶段，主要通过技术扩散推动技术进步，此时劳动力对于知识与技术的学习与模仿能力相对重要，因此在这一阶段对于中等技能劳动力有着较高的需求；在接近技术前沿阶段，生产活动越来越依赖复杂技术环境下的知识创造与生产组织优化，技术创新发展成为驱动技术进步的关键力量，此时高技能人口的重要性显著上升^[35][36]。以上论断意味着，在不同的发展阶段发展不同层次的教育与人口技能对于技术进步所产生的作用是动态变化的，因此采用不同的教育发展与人口技能发展战略可能会对一国技术进步与全要素生产率造成明显不同的影响。既然人力资本主要表现为通过教育、培训所形成的人的知识和技能，测量一国教育发展与人力资本存量自然应对该国劳动力知识和技能的积累状况做直接观测。然而，过往绝大多数研究并未采用此种直接测量策略。一部分研究从胜任力角度出发，根据劳动力所从事的岗位任务来区分劳动力的技能水平。譬如，将从事复杂决策和问题解决工作的劳动力定义为高技能者，将从事重复性或基础操作工作的劳动力定义为低技能者^[37][38]。此种测量方法十分盛行，但通常只适用于对个体技能层次的测量，不适用于在国家层面做宏观计量分析。因为根据该方法，一个国家拥有高技能人口的数量直接取决于该国经济和产业发展能为劳动力市场提供的高技能岗位数量，此时并非人力资本存量决定国民生产，而是国民生产决定人力资本存量。另有不少研究是以人口受教育层次或受教育年限等数量指标来测量一国人力资本存量^[39-41]，此种方法严重忽视了各国教育质量的较大差异。各国教育数量与质量发展水平并不如想象中那般相称，有研究发现在不同国家接受相同年限学校教育的学生或成人在认知技能测试得分上存在较大差异^[42]。

近年来，有少量研究尝试采用基础教育阶段学生认知技能测量各国人力资本^[43]。该方法较以往研究有所进步，但仍存在缺陷。如严格依据增长模型设定，人力资本的代理变量应符合两方面要求：首先，它应发生在当期经济之前，如此才能建立起由教育投资引发技术进步或经济增长的因果时序关系；其次，它应是一种能反映各国人力资本积累水平的存量指标。基础教育阶段学生认知技能与这两个要求都不相符，测量一国人力资本应优先采用成人认知技能。有研究显示，用成人认知技能作为各国人力资本的代理变量，要比其他测量方法能更好地解释各国生产率发展的差异性^[44][45]。有鉴于此，本文构建出2011—2018年34个国家和地区16—65岁成人认知技能的国际可比数据库，对各国教育质量和数量进行区分测量，并就二者对于技术进步的作用进行对比分析。

三、研究设计

（一）数据来源与处理

本文以各国人口平均受教育年限作为教育数量的代理变量，以各国成人认知技能均值作为教育质量的代理变量，并依循以往研究的常规做法，以各国全要素生产率作为技术进步水平的代理变量。

1.认知技能与受教育年限数据

各国成人认知技能数据来自国际成人能力评估调查（Programme for the International Assessment of Adult Competencies，以下简称PIAAC）。PIAAC是由经济合作与发展组织（Organisation for Economic Co-operation and Development，以下简称OECD）主导实施的针对16—65岁成年人口认知技能的大型跨国调查。截至目前，PIAAC已发布两轮调查数据，第一轮调查于2011—2018年分三个批次对39个国家展开调查，第二轮的第一批次于2022年开始实施，覆盖31个国家。由于PIAAC第二轮调查尚未完全结束，有许多关键数据尚未公布，还不足以与PIAAC第一轮数据合并，因此本文只采用PIAAC第一轮数据进行分析。

PIAAC主要调查各国成人读写能力、计算能力和问题解决能力。考虑到各国语言和文化差异性较大，读写能力得分的国际可比性较差，本文只采用计算能力和问题解决能力得分数据测量各国成人认知技能。此外，为呈现不同年龄队列认知技能的世代变化及其对技术进步的异质性影响，本文按受访者出生年份，以十年为间隔构建出40后、50后、60后、70后、80后和90后等六个年龄队列。样本中00后队列的样本数量偏少，将其归并至90后队列中（PIAAC数据中有少数国家缺失出生年份数据，本文根据PIAAC提供的年龄段数据对这些国家的年龄队列进行了推算。）经此操作后，本文形成含有国家—年龄队列双重维度的面板数据。

我国未参加过PIAAC测试，为将我国纳入PIAAC数据库，本文采用黄斌等提出的“移民锚点”法进行转换^[46]，具体步骤如下。

首先，将PIAAC数据中在国内完成正式教育后移居至他国的中国移民样本抽取出来。其次，将中国家庭追踪调查（China Family Panel Studies, 以下简称CFPS）数据中与PIAAC中国移民样本具有相同受教育年限的个体随机抽取出来，组建CFPS本土样本。为降低单次抽样误差、提高结果的稳健性，本文基于CFPS数据进行了500次重复随机抽样。再次，在PIAAC中国移民样本与CFPS本土样本具有相同分布特征的假设条件下，利用古斯特（Sarah Gust）等提出的技术构建转换函数^[47]，将CFPS本土样本的成人认知技能测试得分转换为PIAAC可比得分。采用移民样本可能会引发样本选择偏差问题，但本文采用的精确匹配法较好地解决了这一问题。根据检验结果，匹配形成的本土样本与移民样本在移民倾向得分上不再具有显著差异（为检验样本选择性偏差，本文进行了如下检验：首先，基于个体特征计算移民倾向得分，对匹配后的移民与本土样本进行t检验（t=0.2259，不显著）；其次，以认知技能为因变量回归受教育年限、移民及交互项，交互项系数为0.10（p=0.914），不显著，表明两组在受教育年限与认知技能关系上可比。再次，进行500次重复抽样，交互项p值在0.05水平下不显著的占87.4%，显著低于0.05的占12.6%（其中低于0.01仅2.2%），验证了匹配稳健性。详细过程因篇幅未在正文展示。）。

本文计算出各个国家、各年龄队列的认知技能得分均值，并对其做标准化处理。如图1所示，样本各国成人认知技能水平呈现出较大差异。日本得分最高，该国认知技能得分均值比样本国家均值高将近1个标准差；厄瓜多尔得分最低，该国认知技能水平比样本国家均值低将近2.5个标准差。我国成人认知技能得分处于偏低水平，在样本国家中位列倒数第三，这主要是因为成人人口技能属于一种存量指标，它是由多世代人口技能流量不断累积形成的。我国老世代成人认知技能得分表现较差，且在成人人口中占有较大比重。改革开放以来，我国教育发展不断推动新生代人口质量提升，新老世代劳动力不断更迭，这一问题将逐渐得到改善。样本分析显示，我国1970年代及以后出生人口的平均认知技能水平在样本国家中已经上升至第5位。

各国成人认知技能还呈现明显的世代变化。如图2所示，成人认知技能平均水平随年龄增长呈下降趋势，40后、50后和60后的认知技能水平明显低于70后、80后和90后。导致这一现象的原因可能有两方面：一是人力资本折旧，个人在期初通过教育、培训等途径累积的人力资本会像物质资本一样随时间发生损耗折旧^[48]；二是不同时期各国教育发展水平与家庭养育质量存在差别。

为分析各国成人技能层级结构情况，本文将认知技能得分达到PIAAC规定的Level4及以上水平的成人定义为高技能者，将达到Level2和Level3水平的成人定义为中等技能者，将只达到Level1水平的成人定义为低技能者。一个国家的高技能人口占比越大，其人力资本高阶化程度就越高。如图3，样本国家成人技能层级结构大致可归为两类：一是“橄榄型”结构，表现为中技能人口占比较大，通常超过50%，高技能人口次之，而低技能人口占比相对较小，典型如瑞典、芬兰、日本、英国等国家，大多为发达国家与新兴工业化国家；第二类为“金字塔型”结构，表现为低技能人口占比较大，其次是中技能人口占比，高技能人口占比非常小，典型如厄瓜多尔、秘鲁、墨西哥等国，大多为发展中国家。从人力资本高阶化的角度看，“橄榄型”层级结构明显优于“金字塔型”层级结构。

我国成人认知技能层级结构大体为“金字塔型”，但与其他同属“金字塔型”国家差异明显。如图3中的上图，我国成人低技能人口异常庞大，占比超70%，远高于其他国家，同时我国高技能人口占比又比同类国家高不少。在低技能、高技能人口的双重“挤压”下，我国中等技能人口占比仅为20%左右，在所有样本国家中最低。这一技能层级结构在我国新生代人口中得到明显优化。如图3中的下图，我国16—35岁青年人口中低技能人口占比已大幅下降至50%左右，中技能人口占比增加至33%，高技能人口占比也上升8个百分点，超过英国、法国和美国等发达国家。可见，我国人口技能层级结构正处于“金字塔型”向“橄榄型”的转型过程中，人力资本高阶化是推动这一转型的核心动力，而据此前的文献讨论可预判，人力资本高阶化有助于放大教育的技术进步效应。

为保障各国受教育年限数据的口径一致与可比性，本文同样采用PIAAC提供的个体微观数据，计算出各国不同年龄队列的平均受教育年限。中国人口的平均受教育年限也采用“移民样本—本土样本”转换方法计算而得。根据描述统计，样本各国成人平均受教育年限的均值为12.3年，我国为9.1年。

2.全要素生产率及其他数据

全要素生产率数据来自由宾夕法尼亚大学开发的佩恩世界数据表10.01版（Penn World Table version 10.01，以下简称PWT10.01）。该数据库基于“索洛余值”思路构造，提供各国1950—2019年多种全要素生产率指标，包括以本国2017年不变价格度量的全要素生产率、以美国为基准进行购买力平价计算得到的全要素生产率等。本文采用以本国2017年不变价格度量的全要素生产率，如此可避免跨国购买力平价转换过程中价格波动对时间序列分析可能造成的干扰。

为保障成人认知技能与全要素生产率之间“前因后果”的时序关系，本文为每个年龄队列计算出该队列人口达到劳动力年龄（16岁）之后所有数据年份的全要素生产率的均值，并将该均值作为该年龄队列认知技能所作用的结果变量。之所以如此操作，主要考虑到只有个人完成学校教育、进入劳动力市场就业后才会对之后时期的国民经济与生产产生影响。为简化并固定表述，后文统一将经过处理得到的全要素生产率表述为“不同年龄队列所对应的全要素生产率”。

为探究成人认知技能对处于不同发展阶段国家的异质性影响，本文借鉴国际货币基金组织（International Monetary Fund，IMF）的划分方法^[49]，以样本国家全要素生产率的25%和75%分位数为界，将样本国家分为低技术、中技术和高技术三类。根据分样本描述性统计结果，这三类国家的受教育年限均值分别为12.16、12.17和12.5年，差值较小且不显著；相比之下，三类国家的成人认知技能得分存在显著的较大差异。低技术国家成人认知技能得分均值比样本均值低0.48个标准差，中技术与高技术国家成人认知技能得分均值则分别比样本均值高0.09与0.14个标准差。这表明处于不同技术发展阶段国家的人力资本差异主要体现为教育质量差异，而非教育数量差异。

除上述变量外，本文还使用其他一些控制变量，包括各国人均GDP、投资率、政府消费率、进口与出口总额占GDP比重、劳动力人口占比等。为保证口径一致，这些控制变量数据也主要取自PWT10.01。

（二）计量模型

本文构建增值型的双向固定效应模型：

各变量下标i表示国家，t表示年龄队列。Y_it表示各国不同年龄队列进入劳动力市场之后所有数据年份的全要素生产率均值，Cog_it表示各国不同年龄队列的认知技能得分均值，Schl_it表示各国不同年龄队列的平均受教育年限。ω_t和τ_i分别表示年龄队列固定效应与国家固定效应，由于不同国家有着不同的历史文化传统、制度体制与社会结构，不同年代出生的人口亦经历了不同的制度改革、社会变迁及其他外生冲击，控制年龄队列与国家固定效应可以很好地控制各国长期不变的特质与不同时代外生冲击对估计结果的混淆效应。PriorTFP_it表示各国不同年龄队列所对应的期初全要素生产率，即每个年龄队列达到劳动力年龄（16岁）之前年份的全要素生产率均值。在为每个年龄队列控制其期初全要素生产率后，模型估计得到的认知技能与受教育年限变量的估计系数便可表示某一年龄队列人口所受教育质量和数量对其进入劳动力市场、参与国民生产之后全要素生产率变化量的影响。这是增值型模型常用设定方法，可在一定程度上解决由不可观测的遗漏变量造成的估计偏差问题。PriorGDP_it表示各国不同年龄队列所对应的期初人均GDP，即各年龄队列达到劳动力年龄（16岁）之前数据年份的人均GDP自然对数值的均值，该变量同样承担“增值控制”的角色。

本文还借鉴罗伯特·J.巴罗（Robert J. Barro）和夏威尔·萨拉—伊—马丁（Xavier Sala-i-Martin）^[50]、罗伯特·默顿·索洛（Robert M. Solow）的经典分析框架^[51]，并参考过往研究的模型设定，选择了一系列控制变量x_it，包括：（1）投资占GDP的比重与劳动力人口占比，根据增长理论，物质资本与劳动力投入对生产效率和技术进步具有重要影响，需加以控制；（2）进出口总额占GDP的比重，该变量用于反映一国经济开放度，对外经济开放程度与国内外技术信息的交流和扩散速度密切相关^[52]；（3）政府消费率，用政府消费占GDP的比重表示，该变量用于反映一国政府与市场调控力量在其经济体中的相对地位，实证研究已表明政府支出对企业研发与创新成果具有重要的影响^[53]；（4）劳动力人口占比，用劳动人口占总人口的比重来表示，一国创新发生速率受制于研发部门的劳动力投入规模。

如前文所述，一国教育发展对技术进步的影响可分解为技术扩散与技术创新两种效应。为分解这两种技术效应，本文采用杰斯·本哈比卜（Jess Benhabib）和马克·M.斯皮格尔（Mark M. Spiegel）^[54]提出的分解模型，并对其进行了拓展，模型如下：

其中，Δa_it表示各国不同年龄队列所对应的全要素生产率对数值的变化率。h_it表示各国不同年龄队列的认知技能均值。A_it/A_mt表示各国不同年龄队列所对应的全要素生产率与技术前沿国家全要素生产率之间的差距，变量名设为CTFP。按照以往研究惯常做法，本文假设美国达到技术前沿水平，即设定美国的CTFP=1，其他国家CTFP取值越接近1，表示其生产效率越接近技术前沿国家水平，相反越接近0，表示其生产效率与技术前沿国家的差距越大。

对式（2）回归，同样控制年龄队列和国家双向固定效应、各国不同年龄队列的平均受教育年限、不同年龄队列所对应的期初全要素生产率的变化率以及其它与式（1）相同的变量。

通过对式（2）的回归，可估计得到系数(g+c)，该系数表示成人认知技能对全要素生产率的总效应，它进一步可分解为技术创新效应g和技术扩散效应c，其中技术扩散效应c可直接通过式（2）回归估计得到，将总效应(g+c)减去技术扩散效应c，便可得到技术创新效应g。根据理论推理，如果一个国家生产技术与效率水平较低，与技术前沿国家有着较大差距，此时技术进步主要依靠知识和技术的学习与模仿，教育对技术进步的推动力主要来自劳动力的技术扩散效应。伴随着经济发展，该国生产技术与效率水平不断提升，与技术前沿国家技术差距不断缩小，此时技术扩散效应不断衰减，教育对技术进步的推动力将转变为主要依靠劳动力的技术创新。后文将通过式（2）回归对上述理论推论进行验证。

四、教育对技术进步的影响路径及其分解

（一）教育数量与质量对技术进步的不同影响

表3呈现在不同模型控制条件下各国成人平均受教育年限与认知技能均值对全要素生产率影响的估计结果。在控制双向固定效应条件下，平均受教育年限对全要素生产率具有显著的负向影响，并且在纳入期初全要素生产率与人均GDP并加入其他控制变量后，该变量估计系数依然保持显著为负。

对于这一异常结果，兰特·普里切特（Lant Pritchett）给出了三种可能的解释^[55]：一是现行制度不利于教育对国民生产效率与经济增长产生效力；二是过度教育造成人力资本供给过剩与教育边际收益严重下滑；三是受教育年限这一指标并不适合用于测度一国人力资本存量水平，人力资本误测造成估计结果不稳健。上述第一种和第二种解释一般只适用于对某个国家的经验结果的解释，涉及众多国家的国际比较分析结果无法套用此两种解释，样本中不太可能所有或绝大部分国家都存在制度治理不善或过度教育的问题。此外，本文采用增值型的双向固定效应模型已经在很大程度上控制了制度性、市场性冲击对估计结果的混淆效应。为验证第三种解释，本文在第（4）列回归中将各国成人平均受教育年限与认知技能均值同时放入模型中进行回归，结果显示成人认知技能的估计系数显著为正，而受教育年限变量的估计系数依然显著为负。这一结果验证了以成人认知技能作为代理变量来测度各国人力资本存量水平的合理性。

根据教育生产函数理论模型，受教育年限仅能反映个体接受学校教育的时间长度，是个体最终获取知识与技能的过程性投入要素^[56-58]。因此从理论上看，回归模型仅需纳入成人认知技能这一个变量即可充分体现各国人力资本差异对技术进步的影响。此外，样本国家的教育数量发展水平十分相近，不同技术发展水平国家的成人受教育年限差异较小。在此情形下，若仅将成人受教育年限放入模型进行回归（如表3中第1和第2列），其估计结果无法反映各国人力资本差异对技术进步的真实影响。如果同时放入各国成人受教育年限与认知技能，受教育年限对技术进步的影响将被分解为两部分：一部分是通过有效学习转化为个体知识和技能的“有效时长”，此部分时长产生的影响被完全“吸收”到认知技能变量的估计系数之中；另一部分是未转化为个体知识和技能的“无效时长”，此部分时长不具备任何生产性功能与经济价值，属于教育资源浪费，其估计系数显著为负亦符合预期。

（二）教育对技术进步的影响路径及阶段性变化

为探究教育对技术进步的影响路径，本文采用式（2）对教育的技术扩散效应与技术创新效应进行分解。表4报告了教育对技术进步的两种效应分解结果，表5报告了总效应减去技术扩散效应得到技术创新效应的线性组合显著性检验结果。如表3第（1）列，成人认知技能对技术进步的总效应（即(g+c)）估计值为0.052，在5%水平上显著。成人认知技能的技术扩散效应（即c）估计值为0.037，同样在5%水平上显著。根据分解公式，技术创新效应为0.016（= 0.052-0.037），此效应值远低于技术扩散效应，且根据表5，技术创新效应并不显著。这表明从整体看，教育推动技术进步是以扩散效应为主导，促进劳动力新知识学习和新技术模仿是教育推动技术进步的最主要路径。

如前所述，在不同发展阶段教育在推动技术进步过程中所扮演的角色很可能会发生变化。为验证这一点，本文对低技术国家、中等技术国家与高技术国家进行分样本回归。如表4第（2）—（4）列回归，在低技术国家中，成人认知技能对技术进步的总效应和技术扩散效应都不显著。这意味着在低技术发展阶段，教育尚未成为推动技术进步的重要力量，增加资本与劳动力数量等传统要素投入仍是此类国家驱动技术进步与经济增长的主要途径；在中等技术国家中，成人认知技能对技术进步的总效应和技术扩散效应分别为0.148和0.111，都在1%的水平上显著，技术创新效应为0.038，在10%的水平上显著。这表明在中等技术发展阶段，教育对于推动技术进步有重要影响，但教育主要通过技术扩散效应推动技术进步，教育的技术创新效应较弱；在高技术国家中，成人认知技能对技术进步的总效应为0.143，在10%的水平上显著，技术扩散效应的点估计值大幅度下降，接近于0，且不显著，而技术创新效应大幅度提升至0.140，在1%的水平上显著。这表明在高技术发展阶段，教育推动技术进步的路径机制发生了根本性改变，教育的技术创新效应成为主导力量。因此，教育对技术进步的路径机制确实存在阶段性变化规律，随着技术水平提高，教育对技术进步的影响从无到有、由不显著到显著，其路径机制从以技术扩散效应为主导转变为以技术创新效应为主导，与理论预判一致。

（三）人力资本高阶化对技术进步的重要影响

如前所述，不同国家成人认知技能呈现出“金字塔型”与“橄榄型”两种层级结构。为验证这一层级结构对技术进步的影响，本文以“金字塔型”国家为参照组，并加入“橄榄型”国家与其成人认知技能均值的交互项进行回归。根据表6第（1）列的估计结果，该交互项的估计系数显著为正，这表明在成人技能层级结构呈“橄榄型”的国家中教育对于技术进步的影响更大。与“金字塔型”国家相比，“橄榄型”国家人口是以中技能和高技能者为主体，人口技能分布更偏向于高位均衡状态，因此对于技术进步形成更强的推动作用。这一结果表明，教育对于经济效率与技术进步的边际贡献会随着人口技能层级结构由“低位分化”向“高位均衡”转变而显著增强。

高技能人口所形成的高阶人力资本是决定国家核心竞争力、驱动经济创新发展的核心因素^[59]。如前文所述，我国人口技能层级结构正从“金字塔型”转向“橄榄型”，在这一转变过程中，最典型的表现就是“两增一减”，即低技能人口占比减少、中等技能与高技能人口占比增大。为呈现这一转型对于技术进步的影响作用，本文在回归中加入各国中等技能与高技能人口占比这两个变量。如表6第（2）列，在不区分技术发展阶段的情况下，中等技能与高技能人口占比对全要素生产率变化率的估计系数分别为0.161与0.243，且均显著。若仅从点估计值看，高技能人口对技术进步的推动作用似乎超过了中等技能人口，但根据F检验，二者估计系数值并无显著差异。由此可见，提升中等与高技能人口占比对技术进步确实存在显著的推动作用。

此外，如表6第（2）—（4）列，中等与高技能人口占比对于技术进步的作用同样呈现出明显的阶段性变化特征。在低技术国家样本中，中等与高技能人口占比的估计系数均不显著，这说明对于早期阶段的技术发展来说，人力资本高阶化的作用并不明显，这可能是因为这些国家的技术进步更多体现为基础生产能力的改善，而非技能驱动型的效率提升。诚然，这一非显著结果也可能是因为低技术国家的样本量过少、统计功效不足。在中等技术国家样本中，中等技能和高技能人口占比的估计系数分别为0.282和0.382，均显著。这表明在中等技术发展阶段，人力资本高阶化已凸显其对于技术进步的重要影响。在高技术发展阶段，高阶人力资本的重要性达到顶峰，高技能人口占比成为推动技术进步的关键变量，其估计系数增大为0.86，且持续保持显著。相比之下，中等技能人口占比的估计系数虽也有所增加，但显著性减弱，变为非显著。当技术发展已逼近前沿时，原有外来技术已几乎被完全吸收和利用，经济增长越来越依赖原创性技术创新^[60]，经济增长的重心已完全从“吸收扩散”转向“创新驱动”，由此导致更高层级人力资本的重要性不断上升。

五、政策建议

本文基于PIAAC数据，运用可比转换技术构建2011—2018年34个国家和地区16—65岁成人认知技能面板数据，分别测度各国教育数量与质量发展水平，就教育推动技术进步的关键路径开展计量分析。研究发现，在采用增值模型形式并控制国家与年龄队列固定效应的条件下，提升成人认知技能水平对技术进步具有显著且稳健的正向影响，而增加成人受教育年限对技术进步的影响显著为负。这一发现验证了以成人认知技能测度国家人力资本存量的合理性。效应分解的估计结果显示，教育通过技术扩散与技术创新双重路径推动技术进步。从样本国家的整体表现来看，教育的技术扩散效应明显强于技术创新效应，但这两种路径效应的主导地位并非一成不变。一方面，两种路径效应的主导地位会随技术发展阶段发生变化。低技术发展阶段，技术进步主要依靠传统要素投入，教育尚未成为推动技术进步的核心力量；中等技术发展阶段，教育对技术进步的推动以技术扩散效应为主导，仅存在微弱的技术创新效应；高技术发展阶段，教育的技术创新效应超过技术扩散效应，成为推动技术进步的主导动力，技术扩散效应则趋于减弱。另一方面，两种路径效应的主导地位会随人口技能层级结构改变而发生变化。样本国家的人口技能层级结构呈现“金字塔型”与“橄榄型”两种形态，与“金字塔型”国家相比，“橄榄型”国家的教育对技术进步具有更强的推动作用。此外，本文还发现提升高技能人口占比对于推动技术进步有着至关重要的作用，并且这一作用会随着生产效率向技术前沿边界逼近而不断加强。根据以上研究发现，本文提出以下政策建议。

（一）聚焦教育重点改革领域，推动人口技能结构向“橄榄型”转变

当前，我国人口技能发展水平滞后于经济发展水平，人力资本供需存在结构性错配问题。从供给端看，我国人口技能层级结构呈“金字塔型”——低技能人口基数庞大，中等与高技能人口占比严重不足，这决定了当前我国人口推动技术进步的作用是以技术扩散效应为主，对技术创新的促进作用十分有限；从需求端看，我国正处于从中高收入国家迈向高收入国家的关键阶段，传统要素投入的边际收益持续递减，单纯依赖要素规模投入的发展模式已难以为继。与此同时，生产效率不断逼近技术前沿边界，加上国际竞争环境的日趋紧张，通过消化吸收外来技术推动经济增长的空间愈发狭促，亟需通过教育改革创新加速人口技能“升级换代”，推动人口技能结构由“金字塔型”向“橄榄型”转变，以释放出更多的技术创新效应，支撑经济转型升级与高质量发展。

为解决这一结构性错配问题，需要以增加优质高等教育供给为重要突破口。一国高等教育质量对提升人口“技能密集度”、推动人力资本高阶化有重要影响^[61]。为扩大优质高等教育供给，短期内可加大对已有高水平大学的投入，快速提升其办学承载能力，放大办学效益。从长期看，还需依靠高质量高等教育体系建设，破除思想观念束缚和体制机制弊端，通过全方位的体制机制改革创新，激发高校间良性竞争，彻底扭转分层管理的行政思维惯性，实现真正的高校分类发展与评价，塑造良好的高等教育办学生态，推动不同类型高校多样化发展。

（二）聚焦人力资本高阶化，释放教育的技术创新效应

随着我国科技快速发展，越来越多的领域正迈入“无人区”探索阶段，对跨学科、跨领域创新人才的培养需求日益迫切。为此，应营造更有利于创新型人才成长的制度生态环境，通过培养更多具备跨学科视野、系统性思维与工程转化能力的高层次人才，释放出更强的技术创新效应。

推动研究生教育高质量发展是实现人力资本高阶化的重要途径。近年来，我国研究生教育规模持续扩大，研究生招生人数由2019年的91.65万人增长至2025年的143.85万人，增长约57%；其中，博士生招生人数由10.52万人增加至20.16万人，研究生教育规模扩张的同时，高层次人才培养的重要性进一步凸显。在研究生教育规模持续扩大的背景下，未来政策重点不宜仅停留于扩大培养规模，而应更加注重人才培养质量与劳动力市场需求的有效衔接。一方面，需加大对复合型、交叉型的高层次人才培养规模与支持力度，重点围绕人工智能、集成电路、生物医药、网络安全等战略急需领域，优先布局交叉学科方向与高层次人才培养，提升人才培养与产业技术变革及市场需求之间的契合度；另一方面，应鼓励高校联合科研院所、央企及领军企业共建卓越工程师学院，完善以创新价值、实践贡献为导向的人才多元评价机制，推动科研范式向“创新导向”与“问题驱动”深度转型。在规模扩张基础上进一步提升培养质量、优化人才培养结构和增强供需适配，更好发挥高层次人力资本对技术进步的作用。

（三）构建国民技能培养体系，加速国民终身技能迭代升级

人口技能发展与人才红利开发不能只依靠学校教育。在新一轮科技革命冲击下，传统职业边界日益模糊，几乎所有职业与岗位的技能需求都发生颠覆性变化。这使得劳动者通过学校教育形成的初始人力资本贬值速度持续加快，职后技能的持续积累与迭代升级愈发重要。为延缓劳动力技能折旧、增强国家人力资本韧性，亟需加快构建覆盖全生命周期的国民技能培养与更新体系。

一方面，政府应对各主要职业岗位的人机替代风险开展跟踪式动态评估，公开发布评估报告，并加强与吸纳就业规模较大的行业企业合作，针对行业内各类岗位技能的替代风险实施专项研判，精准预判未来岗位需求与技能结构演变趋势，为劳动者职业规划、培训机构课程设置及企业人员培训提供清晰指引。另一方面，围绕人机共生能力培育，搭建区域性、行业化的线上线下融合实训平台，针对高替代风险岗位劳动者提供多元化的技能提升与职业转换培训项目。鼓励企业结合生产实际开展模块化的跨岗位技能培训，让劳动者在真实生产场景中积累人机协作经验，提升适应智能化生产环境的职业能力。

由于数据所限等原因，本文还存在一些不足。首先，受限于数据可获性，本文样本国家只涵盖34个国家和地区，并以中高收入和高收入国家为主，存在全球代表性不足问题；其次，为提高估计结果的因果效力，本文构建了增值型的双向固定效应模型，比较好地化解了各国特有且长期稳定存在的历史文化与制度安排、外部冲击所形成的混淆性影响，但毕竟是在一个较长的时期内对众多国家的不同年龄队列进行对比分析，模型难免存在其他未能得到很好控制的因素。当前，全球经济格局发生深刻变化，新科技革命与产业变革加速演进，教育与技术进步之间的关系与作用路径正变得更不确定，并呈现出更复杂的变化特征，其背后的深层机制有待更细致的理论与实证探索。

参考文献

［1］Eichengreen, B., Park, D., & Shin, K. (2017). The global productivity slump: Common and country-specific factors. Asian Economic Papers, 16(3), 1-41.

［2］Fernald, J., Inklaar, R., & Ruzic, D. (2025). The productivity slowdown in advanced economies: Common shocks or common trends? Review of Income and Wealth, 71(1),e12690.

［3］［52］台航, 崔小勇. 人力资本结构与技术进步——异质性影响分析及其跨国经验证据［J］. 南开经济研究, 2019(4): 143-166.

［4］Hanushek, E. A., & Woessmann, L. (2021). Education and economic growth. Oxford Research Encyclopedia of Economics and Finance. Oxford University Press.

［5］OECD. (2024). OECD compendium of productivity indicators 2024. OECD Publishing.

［6］习近平. 因地制宜发展新质生产力［J］.  求是，2025，（22）：4-10.

［7］［51］Solow R. M. (1957). Technical change and the aggregate production function. The Review of Economics and Statistics, 39(3), 312-320. 

［8］岳书敬, 刘朝明. 人力资本与区域全要素生产率分析［J］. 经济研究, 2006(4): 90-96, 127.

［9］郭庆旺,贾俊雪. 中国全要素生产率的估算:1979—2004［J］. 经济研究, 2005(6): 51-60.

［10］Ten Raa, T., & Shestalova, V. (2011). The solow residual, domar aggregation, and inefficiency: A synthesis of TFP measures. Journal of Productivity Analysis, 36(1), 71-77.

［11］［42］黄斌, 云如先. 教育发展何以强国——基于1960—2020年认知技能国际可比数据的实证分析［J］. 教育研究, 2023, 44(10): 125-136.

［12］黄斌, 云如先, 吴凯霖. 认知技能分布对国民经济增长的影响：教育强国的新证据［J］. 华东师范大学学报（教育科学版）, 2024, 42(9): 13-32. 

［13］［34］Acemoglu, D., Aghion, P., & Zilibotti, F. (2006). Distance to Frontier, Selection, and Economic Growth. Journal of the European Economic Association, 4(1), 37-74. 

［14］［21］Aghion, P., Akcigit, U., & Howitt, P. (2014). What do we learn from Schumpeterian growth theory? In P. Aghion & S. N. Durlauf (Eds.), Handbook of economic growth (Vol. 2, pp. 515-563). Elsevier.

［15］［39］Vandenbussche, J., Aghion, P., & Meghir, C. (2006). Growth, distance to frontier and composition of human capital. Journal of Economic Growth, 11(2), 97-127.

［16］［22］Aghion, P., & Howitt, P. (1992). A model of growth through creative destruction. Econometrica, 60(2), 323-351.

［17］［24］Romer, P. M. (1990). Endogenous technological change. Journal of Political Economy, 98(5), S71-S102.

［18］Solow, R. M. (1956). A contribution to the theory of economic growth. The Quarterly Journal of Economics, 70(1), 65-94. 

［19］Lucas, R. E. (1988). On the mechanics of economic development. Journal of Monetary Economics, 22(1), 3-42. 

［20］Romer, P. M. (1986). Increasing returns and long-run growth. Journal of Political Economy, 94(5), 1002-1037.

［23］Nelson, R. R. (2005). Technology, institutions, and economic growth. Harvard University Press.

［25］Howitt, P., & Aghion, P. (1998). Capital accumulation and innovation as complementary factors in long-run growth. Journal of Economic Growth, 3(2), 111-130.

［26］Falvey, R., Foster, N., & Greenaway, D. (2007). Relative backwardness, absorptive capacity and knowledge spillovers. Economics Letters, 97(3), 231-234.

［27］Wolff, E. N. (2001). The role of education in the postwar productivity convergence among OECD countries. Industrial and Corporate Change, 10(3), 735-759.

［28］Nelson, R. R., & Phelps, E. S. (1966). Investment in humans, technological diffusion, and economic growth. The American Economic Review, 56(1/2), 69-75.

［29］Dowrick, S., & Rogers, M. (2002). Classical and technological convergence: Beyond the Solow-Swan growth model. Oxford Economic Papers, 54(3), 369-385.

［30］［54］Benhabib, J., & Spiegel, M. M. (2005). Human capital and technology diffusion. In P. Aghion & S. N. Durlauf (Eds.), Handbook of economic growth (Vol. 1A, pp. 935-966). Elsevier.

［31］Akhvlediani, T., & Cie'slik, A. (2020). Human capital, technological progress and technology diffusion across Europe: Education matters. Empirica, 47(3), 475-493.

［32］Durlauf, S. N., & Johnson, P. A. (1995). Multiple regimes and cross-country growth behaviour. Journal of Applied Econometrics, 10(4), 365-384.

［33］Krueger, A. B., & Lindahl, M. (2001). Education for growth: Why and for whom? Journal of Economic Literature, 39(4), 1101-1136.

［35］Ang, J. B., Madsen, J. B., & Islam, M. R. (2011). The effects of human capital composition on technological convergence. Journal of Macroeconomics, 33(3), 465-476.

［36］Ciccone, A., & Papaioannou, E. (2009). Human capital, the structure of production, and growth. The Review of Economics and Statistics, 91(1), 66-82.

［37］Acemoglu, D., & Autor, D. (2011). Skills, tasks and technologies: Implications for employment and earnings. In D. Card & O. Ashenfelter (Eds.), Handbook of labor economics (Vol. 4, pp. 1043-1171). Elsevier.

［38］Goos, M., Manning, A., & Salomons, A. (2014). Explaining job polarization: Routine-biased technological change and offshoring. American Economic Review, 104(8), 2509-2526.

［40］Barro, R. J., & Lee, J. W. (1993). International comparisons of educational attainment. Journal of Monetary Economics, 32(3), 363-394.

［41］Barro, R. J., & Lee, J. W. (2013). A new data set of educational attainment in the world, 1950—2010. Journal of Development Economics, 104, 184-198.

［43］Hanushek, E. A., & Woessmann, L. (2012). Do better schools lead to more growth? Cognitive skills, economic outcomes, and causation. Journal of Economic Growth, 17(4), 267-321.

［44］［57］云如先, 黄斌, 祝雅汶. 一国教育人力资本究竟应如何测量？——一个相关前沿测量方法与转换技术的系统评述［J］. 华东师范大学学报（教育科学版）, 2025, 43(10): 10-32.

［45］Sasso, S., & Ritzen, J. (2019). Sectoral cognitive skills, R&D, and productivity: A cross-country cross-sector analysis. Education Economics, 27(1), 35-51.

［46］［58］［61］黄斌, 吴凯霖, 云如先. 教育何以缩小收入差距——基于认知技能最新国际可比数据的实证分析［J］. 教育研究, 2026, 47(1): 109-122.

［47］Gust, S., Hanushek, E. A., & Woessmann, L. (2024). Global universal basic skills: Current deficits and implications for world development. Journal of Development Economics, 166, 103205.

［48］Becker, G. S. (1964). Human capital: A theoretical and empirical analysis with special reference to education. National Bureau of Economic Research.

［49］International Monetary Fund. (2015). World Economic Outlook: Uneven Growth—Short- and Long-Term Factors. Washington, DC: International Monetary Fund.

［50］Barro, R. J., & Sala-i-Martin, X. (1995). Economic growth. New York: McGraw-Hill. 

［53］Liu, Z. Q., Tong, Z. F., & Zhang, Z. H. (2024). Government expenditure structure, technological progress and economic growth. International Journal of Emerging Markets, 19(11), 3729-3767.

［55］Pritchett, L. (2001). Where has all the education gone? The World Bank Economic Review, 15(3), 367-391.

［56］Hanushek, E. A., & Woessmann, L. (2012). Schooling, educational achievement, and the Latin American growth puzzle. Journal of Development Economics, 99(2), 497-512.

［59］Hanushek, E. A., & Kimko, D. D. (2000). Schooling, labor-force quality, and the growth of nations. American Economic Review, 90(5), 1184-1208.

［60］Santacreu, A. M., & Zhu, H. (2018). Domestic innovation and international technology diffusion as sources of comparative advantage. Federal Reserve Bank of St. Louis Review, 100(4), 317-336.

（责任编辑    范皑皑）

欢迎长按识别二维码 关注我们