本文来自微信公众号：腾讯研究院（ID：cyberlawrc），作者：陈维宣、吴绪亮，原文标题：《两次人口红利转换与数字经济新优势：七普数据折射的发展趋势|企鹅经济学》，题图来自：视觉中国
一、人口变动三大趋势：抚养比、人力资本存量与劳动迁移
2021年5月11日，国家统计局发布《第七次全国人口普查公报》（以下简称《公报》），披露了2011—2020年十年间中国人口的变化情况。通过与前六次人口普查数据相比较，可以发现中国人口变动呈现出三大重要趋势。
一是人口年龄结构发生重大变化，人口抚养比显著提高。根据《公报》数据，如图1所示，“在年龄构成方面，0~14岁人口为25338万人，占17.95%；15~59岁人口为89438万人，占63.35%；60岁及以上人口为26402万人，占18.70%（其中，65岁及以上人口为19064万人，占13.50%）。与2010年相比，0~14岁、15~59岁、60岁及以上人口的比重分别上升1.35个百分点、下降6.79个百分点、上升5.44个百分点”。
图1 第六次与第七次人口普查人口年龄结构比较，数据来源：根据六普与七普公报整理得到
人口年龄结构的这种变化，揭示出中国人口演变的一个重要特征，即劳动年龄人口大幅减少，少儿抚养比和老年抚养比的同步提高推动了人口总抚养比（总人口中非劳动年龄人口数与劳动年龄人口数之比）的大幅上升。历次普查中人口总抚养比的变动情况，如图2所示，根据国际惯例，一般把15~64岁列为劳动年龄人口，0~14岁与65岁以上为非劳动年龄人口，我国国家统计局在计算总抚养比时也采用这一标准。同时，在国际上衡量老龄化程度时，也通常会采用60岁作为年龄界限，因此本文也考虑这一标准下的人口抚养比变化。
除此之外，根据目前仍然有效的《国务院关于安置老弱病残干部的暂行办法》和《国务院关于工人退休、退职的暂行办法》文件所规定，现行退休年龄是，男性60周岁，女干部55周岁，女工人50周岁。因此，在计算实际劳动年龄人口时，应该考虑法定退休年龄与男女性别差异造成的影响，为便于计算，本文统一将15~59周岁男性与15~49周岁女性视为劳动年龄人口[1]。
由于60岁标准比65岁标准多计算了60~64岁年龄区间的人口，因此，60岁标准下的人口抚养比必然高于65岁标准。而且由于法定退休年龄标准比60岁年龄标准多计算了50~59岁年龄区间的女性人口，因此，法定退休年龄标准下的人口抚养比必然高于60岁标准。由于绝大多数劳动者在退休后将基本丧失收入，对劳动年龄阶段的子女的抚养需求陡然升高，因此，法定退休年龄标准下计算的人口抚养比才是更贴近现实情况的数据，而65岁标准则很有可能低估了劳动年龄人口的抚养负担。
根据图2数据，法定退休年龄标准、60岁年龄标准、65岁年龄标准下的人口抚养比均在二普时达到最高，并持续下降到六普，期间中国收获了显著的“人口红利”，推动中国经济高速增长。但是与六普相比，七普的人口抚养比显著上升，分别从六普的52.5%、42.7%、34.3%上升到七普的79.9%、57.9%、45.9%，全社会的抚养负担迅速提高，尤其是在法定退休年龄标准下计算的实际人口抚养比提升幅度最大。
图2 不同标准下历次人口普查的人口总抚养比变化，数据来源：作者根据历次人口普查数据整理得到
二是人口受教育程度大幅提升，人力资本存量持续增加。根据《公报》数据，“与2010年第六次全国人口普查相比，每10万人中拥有大学文化程度的由8930人上升为15467人；拥有高中文化程度的由14032人上升为15088人；拥有初中文化程度的由38788人下降为34507人；拥有小学文化程度的由26779人下降为24767人”。如图3所示，每10万人中小学和初中文化程度人数已实现稳定下降，而高中和大学文化程度人数则持续稳定上升。以平均受教育年限表示的人力资本存量也在稳步提升，从二普的6.75年提高到七普的9.91年年。
图3 历次人口普查的人口受教育程度，数据来源：根据历次人口普查公报整理得到
三是常住人口空间分布差异明显，人口流动与劳动迁移规模扩大。根据《公报》数据，“分区域看，与2010年第六次全国人口普查相比，东部地区人口所占比重上升2.15个百分点，中部地区人口所占比重下降0.79个百分点，西部地区人口所占比重上升0.22个百分点，东北地区人口所占比重下降1.20个百分点”。根据图4所示，东部地区人口持续保持稳定的线性增长；东北地区人口在六普时达到最大，并在七普时出现负增长，下降到四普前的水平；中部和西部地区的人口增长在一普至六普时大致保持一致，但是两地间的人口增长在七普时明显拉开差距。人口增长正沿“胡焕庸线”向东西两侧分裂，“胡焕庸线”两侧的“中间地带”成为中国人口净迁出不对称的“分水岭”（吴瑞君，朱宝树，2016）。
人口分布的这种变动，既取决于区域的人口自然增长率，同时也受人口跨区域流动的影响。根据《公报》数据，“全国人口中流动人口为375816759人，跨省流动人口为124837153人，省内流动人口为250979606人。与2010年第六次全国人口普查相比，流动人口增加154390107人，增长69.73%”。历次人口普查的流动人口规模如图4所示，由于在一普和二普时，中国处于计划经济时期，严格执行户籍制度，几乎不存在城乡间与区域间的人口流动。改革开放后，户籍制度逐渐开始松动，区域间人口流动也随之逐渐增加，从三普的约657万人增长到七普的3.75亿人，流动人口规模已与中部地区或西部地区的常住人口总量相当。
图4 历次人口普查的各省人口变化情况，数据来源：根据历次人口普查公报和王海龙（2016）整理得到
二、人口变化对经济增长的潜在影响：“生产效应”“消费效应”“行为效应”与“对冲效应”
人口抚养比的上升、人力资本质量的积累叠加人口分布结构的变动，将会对中国潜在经济增长率与长期经济增长产生深远影响。
1. 人口年龄结构变化对经济增长的影响
人口老龄化与人口抚养比上升将从供给侧和需求侧对经济高质量发展产生制约，其作用机制可以归纳为三个“递减现象”，即劳动参与率递减、人力资本递减、消费力递减（蔡昉，2020）。在供给侧方面，新古典增长理论从生产函数的角度，揭示出因劳动年龄人口的减少导致劳动投入要素的下降，将直接对经济增长产生负面影响；内生增长理论则进一步指出，劳动年龄人口减少将阻碍创新和技术进步，从而不利于长期经济增长。已有文献证实，人口快速老龄化导致的人口抚养比加速上升，将抑制劳动市场市场规模扩张，降低劳动参与率与全要素生产率（王婷，李科宏，2017；都阳，封永刚，2021）。Maestas et al.（2016）利用美国的数据发现，老龄化速度每增加10%，将使人均GDP增速下降5.5%，其中1/3来源于劳动力增长放缓，2/3来源于劳动生产率的下降。都阳和封永刚（2021）利用中国数据预测，仅仅由于人口快速老龄化，中国在2020—2025年间的经济增长速度平均每年将会放缓1.07个百分点。
在需求侧方面，生命周期理论强调，消费者会基于福利最大化来安排一生的收入与消费，在退休之前将收入进行消费和储蓄，退休后丧失收入只消费不储蓄。少年儿童与老年群体作为“负储蓄”人口，当其占总人口的比重升高时，就将会导致储蓄率的降低。低储蓄率将会进一步通过减少投资与资本积累，从而阻碍经济增长。Kwack and SunLee（2005）的研究证实，少儿抚养比和老年抚养比均对储蓄率有负面影响，王颖和邓博文（2017）的研究指出，老年抚养比与储蓄率之间存在显著的负向关系，但是少儿抚养比与储蓄率之间的关系并不明确。与少儿抚养比相比，老年抚养比或人口老龄化对储蓄率的影响受到更多学者的关注，如Leff（1969）、Bilsborrow（1979）、YujiHoriokaand Terada-Hagiwarac（2012）、陈彦斌等（2014）、王沫凝（2016）、王颖和邓博文（2017）等众多学者的研究均支持人口老龄化与储蓄率之间的这种负向关系。
但是也有学者从预防性储蓄的角度指出，随着人口老龄化带来老年抚养比的上升，导致养老负担的增加，从而引致养老需求的预防性储蓄增加与储蓄率的提高，学者们将此成为老龄化的“行为效应”（Mason，2008；李超，罗润东，2018；王树，2020）。人口老龄化或老年抚养比之间的这一正向关系也得到来自Horioka and Terada-Hagiwara（2012）、刘生龙等（2012）、李超和罗润东（2018）、孟令国等（2019）、王树等（2019）、王树（2020）等大量研究文献的支持。
如果将因人口抚养比或人口老龄化上升导致的储蓄率下降称为“消费效应”，那么抚养比和老龄化对储蓄率的净效应将取决于消费效应和行为效应的强弱对比。但是同时需要重视的是，根据凯恩斯消费理论，储蓄率与消费率为伴生现象，储蓄率提高的同时将会伴随消费率的同步降低。考虑到当前国家扩大内需战略与建设新发展格局，消费率的降低将直接对扩大内需和新发展格局产生负面影响。
2. 人力资本积累对经济增长的影响
来自人口数量变化的人口抚养比上升对经济增长的负面影响，将有可能被来自人口质量的人力资本积累所弱化甚至抵消，这种作用被学者称之为“对冲效应”。根据内生经济增长模型，人力资本积累将会促进劳动力素质和劳动能力的提高，进而带来社会劳动生产率的提高，从而提高产出水平；同时，随着人力资本的积累，社会创新能力也会加强，进一步驱动经济加速增长（毛雁冰，李丹慧，2021）。人力资本存量与经济增长之间的这种正向关系得到普遍证实，如Denison（1985）和Yamarik（2011）发现，美国人均收入增长的20~25%来自受教育年限的延长；张勇（2002）也发现人力资本对中国经济增长的贡献率为10.8%。当经济增长进入中等收入阶段后，人力资本结构高级化对中国经济增长具有显著的促进作用（刘智勇等，2018），以高等教育为核心的人力资本积累成为经济发展新引擎（郭东杰，魏熙晔，2020）。
但是，学者们同时指出，如果人力资本分布不平等，将会带经济增长产生抑制作用，而人力资本分布的均等化将有利于人力资本的溢出，并促进经济增长（Galor，Tsiddon，1997；Birdsall，Londono，1997；于雁洁，2014）。进一步的研究则发现，人力资本分布不平等阻碍经济增长的作用机制主要抑制人力资本积累（Castelló，Doménech，2002，黄维海，张晓可，2021）与降低全要素生产率（李晶莹，齐中英，2008；魏下海等，2011；巩崇一，柴时军，2017；马宏，2021）。不仅如此，人力资本不平等还与区域经济差距存在强劲的负向关系，人力资本不平等的变化将在更大程度上引起区域经济差距的扩大（李亚玲，汪戎，2006）。人力资本分布不平等的主要愿意可能是来自教育不平等，而教育扩张政策则将通过缓解区域间教育不平等政策，改善人力资本分布不平等的局面（杨俊，李雪松，2007；魏下海等，2011）。
3. 人口分布和流动对经济增长的影响
资源错配理论在人口的空间分布和经济增长之间构建起理论桥梁。虽然我国人口分布持续向东部地区偏移，但是研究发现，至少截至2015年，中西部及东北地区的劳动要素投入相对过度，仍相对存在50%的过多劳动投入，而东南及环渤海地区的劳动要素却相对不足，存在着40%的缺口（靳来群，2018）。
根据资源错配理论，人口或劳动要素的空间错配将会抑制地区经济增长，而人口流动则会缓解区域间劳动要素错配的负面影响，促进区域经济增长并缩小区域间的经济差距。既有研究表明，要素错配会显著降低经济发展质量，其主要作用机制包括抑制创新并降低全要素生产率，延缓产业结构升级，扩大区域间经济差距等等（董嘉昌等，2020）。在全要素生产率方面，靳来群（2018）研究发现，省际资源错配导致全要素生产率年均损失9.71%，其中劳动错配导致全要素生产率损失8.62%，资本错配导致全要素生产率损失0.86%，劳动错配程度远高于资本错配。董旭等（2021）也指出，通过重置资本和劳动，使其达到最优配置状态，中国省际工业全要素生产率将有大约46%的提升潜力。在产业结构升级方面，叶文辉和楼东玮（2014）测算发现，如果资本和劳动要素的错配水平减少1个单位，将使第二产业的产出比重提高4.32%，同时提升第三产业的产出比重约2.16%。在区域经济差距方面，要素错配能够解释全国各省份间收入差距的15.7%（杨志才，柏培文，2017），或者解释区域非平衡发展的30.7%，如果要素完全有效配置将使得人均真实收入年均增加31.4%（刘贯春等，2017）。
根据历次人口普查数据，如图4所示，流动人口迁移作为人口空间变化的主要因素，呈现出规模增长快且空间集聚的趋势（王海龙，2016）。区域间的这种人口流动和劳动迁移能够显著促进劳动力配置效应的释放，而且随着劳动力流动的增强，带来的促进效应更加明显（王婷等，2020），因此，能够在一定程度上缓解和对冲劳动资源错配对经济增长的阻碍作用。实证研究表明，人口流动显著促进了区域经济增长，在2000—2005年和2006—2011年间对中国经济增长的整体推动率分别为0.84%和0.12%（樊士德，2014）；而且省际人口净迁移对区域增长收敛起到了促进作用（毛新雅，翟振武，2013）。以2008年为时间节点，西部大开发政策的实施加速了西部地区经济增长（侯燕飞，陈仲常，2016），这与中部地区和西部地区人口规模拉开差距的时间基本一致。除此之外，研究还发现人口流动对人力资本存量具有较大影响，在东部省份，人口流入对其人力资本存量贡献比较大；而在中部和西部省份，人口流出对其人力资本积累的负面影响较大（陈向武，刘雯，2020）。
人口流动管制政策则会加剧劳动要素的空间错配，对经济增长和结构升级具有显著的负向作用。如赵恢林（2019）发现，人口流动冲击能解释产出波动的7.83%和投资波动的5.60%，而且随着经济中高技能比重加大，单位人口流动负冲击对社会福利损失越大。钟粤俊等（2020）也指出，劳动力流动障碍削弱了人口密度对服务业发展的促进作用，城市人口密度下降和劳动力流动障碍导致中国城市服务业发展偏低约3~5个百分点。但是，人口流动与经济增长之间并非简单的线性关系。曾永明和张利国（2017）分别利用跨国数据和省际数据实证表明，人口密度与经济增长之间既有集聚效应，又有拥挤效应，两者之间存在着“倒U型”关系。甘行琼和李玉姣（2017）也发现，当城市人口密度低于812（人/平方公里）时，人口流入对地区经济增长有显著促进作用；当城市人口密度高于812（人/平方公里）时，人口流入对地区经济增长的促进作用就会受阻。
三、数字经济开启第二次人口红利：从数量型到质量型和配置型人口红利
人口抚养比上升导致以数量型人口红利为主的第一次人口红利逐渐消失，但是同时人力资本积累和劳动力流动迁移推动的质量型和配置型人口红利为主的第二次人口红利正在兴起，逐步成为经济增长的新动力来源（张同斌，2016；原新，金牛，2021）。据测算，数量型人口红利对中国经济增长的平均贡献率为12.86%，并在2010年之后开始明显下降；质量型人口红利对中国经济增长的平均贡献率为8.39%，并在2010年左右明显超越数量型人口红利的贡献率（杨成钢，闫东东，2017）。当前，中国正处于两次人口红利转换和数字化浪潮深入发展的历史交汇期。《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》明确提出要 “迎接数字时代，激活数据要素潜能，推进网络强国建设，加快建设数字经济、数字社会、数字政府，以数字化转型整体驱动生产方式、生活方式和治理方式变革”，并藉此“打造数字经济新优势”。如何充分发掘数字经济的潜力，顺应人口转型和红利交织的历史趋势，顺利开启第二次人口红利，从而实现经济高质量发展，是亟待研究和回答的问题。
1. 智慧教育促进教育均等化与人力资本积累
少儿抚养比的上升，增加了对教育资源的需求，但是，我们的教育资源在省际、城乡以及不同收入群体之间的分配仍不均衡。通过发展智慧教育，一方面，能够推动正式教育的内容与形式创新，促进教育教学从线下向线上转移，提高教学效率与质量；另一方面，能够通过非正式教育，更高效地满足不同受教育群体的个性化教育需求，使其作为正式教育的补充。如杨钋和徐颖（2017，2020）指出，家庭互联网使用通过降低交易成本和解决信息不对称，提高了家庭教育投资，尤其是选择性投资与校外补习投资。
不仅如此，智慧教育还能够推动发达地区和城市的正式教育资源向欠发达地区和农村流动，降低欠发达地区、农村地区及低收入家庭的受教育门槛，从而推动教育机会与资源的均衡化，加快人力资本积累进程。
此外，大量智慧教育资源具有免费特征，这一点与免费义务教育政策极为相似。研究发现，免费义务教育政策在农村的教育、健康和认知人力资本积累上具有显著的促进作用，并通过互联网学习工作偏好效应，促进农村个体认知能力的提升（贾婧，柯睿，2020）。这一结论也得到郑磊等（2021）的支持，他们认为城乡初中生在认知能力和家庭互联网接入率上均存在明显差距，家庭互联网接入这一因素可以解释城乡学生认知差距的57%左右，并且这种影响主要来自两者在互联网使用回报率上的差异，通过教育信息化促进教育公平。进一步研究还发现，互联网学习偏好对学生数学、阅读和科学素养都有显著的正向影响，如果家庭处境不利的学生养成互联网学习偏好，则互联网可以缩小家庭背景导致的成绩差距，缩小教育结果不平等（陈纯槿，顾小清，2017）。
2. 智慧康养医疗提高老年人健康水平，数字接入促进老年人就业参与
人口老龄化与老年抚养比的上升，增加了对健康、医疗与养老的需求。通过发展智慧医疗，降低老年人获取医疗服务的门槛，如远程问诊不仅有效地降低了老年人出行过程中带来的伴生风险，而且极大地压缩了医院排队产生的等待时间；通过发展智能终端，实时监测老年人的身体健康状况，如血压、心跳等，预测老年人的身体健康状况，并定期为老年人出具健康报告；通过发展智慧康养产业，满足老年人对健康养老的个性化需求。智慧健康、智慧医疗与智慧养老等产业的发展，还将通过结构效应，对经济增长产生正向影响。
既有研究一致发现，数字技术对居民和老年人健康具有显著的正向影响。如杨克文与何欢（2020）发现，与不使用互联网相比，使用互联网将使居民自评非常健康的可能性上升3.9%，没有身体疼痛的可能性上升2.7%，情绪改善约0.75，遭遇伤病和住院的可能性分别下降1.3%和1.1%。或者，从另一个角度可以认为，在自评健康、健康影响工作和生活频繁程度以及心情抑郁或沮丧频繁程度三个方面，使用互联网居民的健康水平比不使用互联网的居民分别高出1.370倍、1.420倍和1.200倍（陈亮，李莹，2020）。
具体到老年人群体而言，老年人使用智能手机对心理健康的提升作用高于生理健康，而且在受教育水平高、60~69岁低龄老年群体和城镇户籍老年人群体中更加明显（王宇，2020；赵建国，刘子琼，2020）。
在创造第二次人口红利过程中，提高劳动者的就业能力和老年人的劳动参与率将起到重要作用（蔡昉，2020）。因此，可以通过为老年劳动者提供相关的再就业培训，发展零工经济、平台经济、知识经济、共享经济等新型商业模式，鼓励已退休的老年人以灵活就业的方式实现再就业。相关的实证研究也表明，互联网使用通过增强老年人社会融入意愿，改善老年人老化态度，并且通过增加社会互动、改善健康状况等机制，显著地促进老年人的就业参与（吕明阳等，2020）。
3. 数字化促进创业就业与非劳动投入，降低劳动年龄人口减少的负面影响
劳动年龄人口的减少并不必然意味着劳动要素投入的减少，积极的数字化将至少通过三种途径改变劳动年龄人口与劳动要素投入之间的必然联系，这对于人口净流出和人口负增长区域而言至关重要。
一是数字经济促进创业与就业。从创业的角度来看，数字技术通过促进创新、提升人力资本和社会资本水平、增强创业示范效应等促进了机会型创业率的增长，而且对女性的作用大于男性（刘斌，辛伟涛，2020）。互联网的接入率每增加1个百分点，返乡农民工的创业概率提升0.036%（袁方，史清华，2019）。从就业的角度来看，数字技术通过增强社交关系与减少家务时间，促进农村劳动力的非农就业，使农村劳动力由自雇型就业向受雇型就业转变，降低非正规就业比例（马俊龙，宁光杰，2017；宋林，何洋，2020；马继迁等，2021；戚聿东，褚席，2021），对女性劳动参与率的提高通常大于男性（毛宇飞，曾湘泉，2017，宁光杰，马俊龙，2018），为农村劳动力带来41.2%~51.1%的非农收入回报（杨柠泽，周静，2019）。
二是通过增加机器人投入，提高全要素生产率。对于一些繁重、危险、重复、低价值的工作环节，可以考虑使用智能机器人替代劳动力，并对这部分被释放出来的劳动力进行就业培训，提高劳动要素的配置效率。既有研究相信，工业机器人投入的增加能够促进规模效应，改善技术效率与资本回报率，有效提升全要素生产率并推动经济增长（陈永伟，曾昭睿，2020；韩民春，乔刚，2020），进一步的实证检验则表明，与没有使用机器人的企业相比，使用机器人的企业劳动生产率高出7.45%（李磊，徐大策，2020），全要素生产率是机器人影响经济增长的重要传导机制，其解释力达到总效应的60%，尤其是在人口红利晚期和后人口红利期效果更加显著（杨光，侯钰，2020）。
三是利用数字技术为员工赋能，提高劳动力质量。通过为企业员工提供更好的数字化解决方案，能够有效提高员工的劳动技能与就业能力。随着智能技术不断融入企业内部并被劳动力熟练使用，高技能人才的提高才能更加有效地提高经济增长（魏玮等，2020）。对新生代农民工职业选择的研究也发现，教育人力资本通过显著提高新生代农民工的互联网使用率来增加其选择更高层次职业的机会（赵建国，周德水，2019）。
4. 数字技术促进创新与生产率提升为劳动力流失地区提供新发展思路
通用数字技术作为一项颠覆性创新，在扩散与渗透过程中将会引致大量的渐进性创新与互补性创新，从而促进劳动生产率与全要素生产率的提升，以此来缓解和对冲人口红利消失的影响。既有研究表明，数字技术的快速发展与普及，对我国区域创新效率、创新能力等都具有显著的促进作用（韩先锋等，2019；惠宁等，2020；沈国兵，袁征宇，2020）。数字经济的发展显著促进了全要素生产率的提升，当考虑到区域异质性时，数字经济发展对低生产率地区和中西部地区全要素生产率的提升作用更大（杨慧梅，江璐，2021，邱子迅，周亚虹，2021），同时由于存在显著的网络效应特征，数字技术对中国全要素生产率的促进作用是非线性的，其中网络效应的临界规模为41.43%的网民人口比例（郭家堂，骆品亮，2016）。
当考虑到人口分布和流动的情况时，邱子迅和周亚虹（2021）发现，数字经济对劳动力净流失地区的全要素生产率的促进作用更大，这为劳动力流失地区的经济增长提供了一个新的发展思路。温湖炜和钟启明（2021）也指出，对于人力资本稀缺、劳动使用密集以及经营状态较差的企业，智能化发展的生产率效应更为突出，是缓解用工成本上升、技能人才“脱实向虚”以及实现企业经营脱困的重要手段。
数字经济发展有助于改善东中西各地区的劳动要素配置扭曲状况（马中东，宁朝山，2020），但是改善效应存在着双重门槛，在互联网普及率达到15.685%时，其对劳动力错配的改善效果显现，互联网普及率高于47.901%时，改善效果得到增强（韩长根，张力，2019）。根据中国互联网络信息中心（CNNIC）数据，截至2020年12月，我国网民规模达9.89亿，互联网普及率达70.4%，已远超47.901%的水平，因此数字经济的发展将显著改善区域间的劳动配置扭曲现象，促进劳动要素的区域间流动。
注：由于七普公报中尚未公布详细的人口年龄数据，因此在计算七普的法定退休年龄标准下人口总抚养比时需要进行推算。明确可知，七普时50~59岁区间的人口在六普时处于40~49岁区间；同时假设男女的死亡率相同，即男女人口的性别比例保持相对稳定（实际上六普和七普的性别比例也基本一致，其中六普时男女性别比为51.27:48.73，七普时男女性别比为51.24:48.76）。因此，限于数据可得性，可以认为在七普时50~59岁年龄人口占劳动年龄总人口的比重，与六普时40~49岁总人口占5~49岁年龄总人口比重相同。根据六普数据可知，40~49岁女性占5~49岁年龄总人口比重为12.28%。因此，可以进一步认为在七普时，50~59岁女性占劳动年龄总人口比重为12.28%，从而可得七普时50~59岁女性人口数为894376020*0.1228=109829375，15~60岁的实际劳动年龄人口为894376020*（1-0.1228）=784546645，并进一步得到七普中法定退休年龄标准下的人口总抚养比为（253383928+109829375+264018766）/784546645*100=79.9%。注意，本文对七普法定退休年龄人口抚养比的推算方法与结果仅供参考，不对数据准确性负责，请勿引用。准确数据请等待国家统计局公布更详细的普查数据，并以此为准。
参考资料：
[1] 吴瑞君，朱宝树：《中国人口的非均衡分布与“胡焕庸线”的稳定性》，《中国人口科学》2016年第1期，第14-24+126页。
[2] 蔡昉：《如何开启第二次人口红利？》，《国际经济评论》2020年第2期，第9-24页。
[3] 王婷，李科宏：《老龄化对人口红利的影响研究——基于供给侧视角》，《云南财经大学学报》2017年第3期，第45-55页。
[4] 都阳，封永刚：《人口快速老龄化对经济增长的冲击》，《经济研究》2021年第2期，第71-88页。
[5] Nicole Maestas, Kathleen J. Mullen & David Powell，“The Effect of Population Aging onEconomic Growth，the LaborForce and Productivity”，NBER Working Paper，2016，No.22452.
[6] Sung YeungKwack，Young SunLee，“What determines saving rates in Korea?：The role of demography”，Journal of Asian Economics，2005,16（5）：861-873.
[7] 王颖，邓博文：《老龄化国家人口转变与人口红利再生——基于18个老龄化国家的经验证据》，《财经科学》2017年第8期，第67-77页。
[8] Leff N H.，“Dependency Rates ans Savings Rates”，American Economic Review，1069，59（5）：886-896.
[9] Richard E. Bilsborrow，“Age Distribution and Savings Rates in Less Developed Countries”，Economic Development and CulturalChange，1979,28（1）：23-45.
[10] Charles YujiHorioka，AkikoTerada-Hagiwarac，“The determinants and long-term projections of saving rates inDeveloping Asia”，Japan andthe World Economy，2012,24（2）：128-137.
[11] 陈彦斌，郭豫媚，姚一旻：《人口老龄化对中国高储蓄率的影响》，《金融研究》2014年第1期，第71-84页。
[12] 王沫凝：《我国人口结构与质量因素对居民储蓄率影响的研究》，《价格理论与实践》2016年第12期，第139-142页。
[13] Andrew Mason，Tomoko Kinugasa，“East Asian economic development：Two demographic dividends”，Journal of Asian Economics，2008,19（5-6）：389-399.
[14] 李超，罗润东：《老龄化、预防动机与家庭储蓄率——对中国第二次人口红利的实证研究》，《人口与经济》2018年第2期，第104-113页。
[15] 王树：《老龄化、二次人口红利与家庭储蓄率》，《当代经济科学》2020年第42卷第11期，第88-85页。
[16] Charles Yuji Horioka and Akiko Terada-Hagiwara，“The determinants and long-termprojections of saving rates in Developing Asia”，Japan and the World Economy，2012,24（2）：128-137.
[17] 刘生龙，胡鞍钢，郎晓娟：《预期寿命与中国家庭储蓄》，《经济研究》2012年第8期，第107-117页。
[18] 孟令国，卢翠平，吴文洋：《“全面两孩”政策下人口年龄结构、养老保险制度对居民储蓄率的影响研究》，《当代经济科学》2019第41卷第1期，第67-75页。
[19] 王树，朱要龙，魏巍：《人口红利与消费不足——基于动态演化模型的实证分析》，《财经论丛》2019年第7期，第13-22页。
[20] 毛雁冰，李丹慧：《人口老龄化与人力资本提升在经济增长中的对冲效应研究》，《西部论坛》2021年第31卷第1期，第59-68页。
[21] Edward F.Denison，“Trends in American Economic Growth，1929—1982”，Washington DC：The Brookings Institution，1985.
[22] Steven Yamarik，“Human capital and state-level economic growth: what is thecontribution of schooling?”，The Annals of Regional Science，2011,47（1）：195-211.
[23] 张勇：《人力资本贡献与中国经济增长的可持续性》，《世界经济》2020年第4期，第75-99页。
[24] 刘智勇，李海峥，胡永远，李陈华：《人力资本结构高级化与经济增长——兼论东中西部地区差距的形成和缩小》，《经济研究》2018年第3期，第50-63页。
[25] 郭东杰，魏熙晔：《人力资本、收入分配与经济发展》，《中国人口科学》2020年第2期，第97-110+128页。
[26] Oded Galor，Daniel Tsiddon，“The Distribution of Human Capital and Economic Growth”，Journal of Economic Growth，1997,2（1）：93-124.
[27] Nancy Birdsall，Juan Luis Londono，“Asset Inequality Matters: An Assessment of the World Bank's Approachto Poverty Reduction”，The American Economic Review，1997,87（2）：32-37.
[28] 于雁洁：《人力资本分布不平等与地区经济增长的实证研究——基于1992—2011年河南省人力资本基尼系数的数据》，《湖北社会科学》2014年第2期，第57-60页。
[29] Amparo Castelló，Rafael Doménech，“HumanCapital Inequality and Economic Growth：Some New Evidence”，The Economic Journal，2002,112（478）：187-200.
[30] 黄维海，张晓可：《教育人力资本积累、分布与经济增长动能的转换——来自新中国70年的经验证据》，《教育与经济》2021年第37卷第1期，第29-38+49页。
[31] 李晶莹，齐中英：《人力资本不平等对全要素生产力增长的影响研究》，《中国管理科学》2008年第16卷，第532-536页。
[32] 魏下海，张建武，余玲铮：《人力资本不平等与全要素生产率增长关系》，《财经科学》2011年第1期，第66-74页。
[33] 巩崇一，柴时军：《人力资本不平等对全要素生产率的影响研究》，《经济经纬》2017年第34卷第2期，第87-92页。
[34] 马宏：《人力资本分布结构对技术创新的影响——兼论收入差距的中介效应与调节效应》，《华中师范大学学报（人文社会科学版）》2021年第60卷第1期，第34-44页。
[35] 李亚玲，汪戎：《人力资本分布结构与区域经济差距——一项基于中国各地区人力资本基尼系数的实证研究》，《管理世界》2006年第12期，第42-49页。
[36] 杨俊，李雪松：《教育不平等、人力资本积累与经济增长：基于中国的实证研究》，《数量经济技术经济研究》2007年第2期，第37-45页。
[37] 董嘉昌，冯涛，李佳霖：《中国地区间要素错配对经济发展质量的影响——基于链式多重中介效应模型的实证检验》，《财贸研究》2020年第5期，第1-12+51页。
[38] 靳来群：《地区间资源错配程度分析（1992-2015）》，《北京社会科学》2018年第1期，第57-66页。
[39] 董旭，杨亚丽，赵晓梦：《空间效应作用下资源错配与中国工业全要素生产率及其地区差异研究》，《学习与实践》2021年第4期，第45-56页。
[40] 叶文辉，楼东玮：《资源错配的经济影响效应研究》，《经济学动态》2014年第11期，第47-57页。
[41] 杨志才，柏培文：《要素错配及其对产出损失和收入分配的影响研究》，《数量经济技术经济研究》2017年第8期，第21-37页。
[42] 刘贯春，张晓云，邓光耀：《要素重置、经济增长与区域非平衡发展》，《数量经济技术经济研究》2017,年第7期，第35-56页。
[43] 王海龙：《1982年以来中国人口流动对经济的影响研究——基于四次人口普查数据》，《工业经济论坛》2016年第6期，第670-677页。
[44] 王婷，程豪，王科斌：《区域间劳动力流动、人口红利与全要素生产率增长——兼论新时代中国人口红利转型》，《人口研究》2020年第44卷第2期，第18-32页。
[45] 樊士德：《劳动力流动对中国经济增长贡献显著吗——基于区域递归视角的经验验证》，《财经科学》2014年第1期，第61-70页。
[46] 毛新雅，翟振武：《中国人口流迁与区域经济增长收敛性研究》，《中国人口科学》2013年第1期，第46-56+127页。
[47] 侯燕飞，陈仲常：《中国“人口流动-经济增长收敛谜题”——基于新古典内生经济增长模型的分析与检验》，《中国人口·资源与环境》2016年第26卷第9期，第11-19页。
[48] 陈向武，刘雯：《我国人口省际迁移与省级人力资本存量的空间分布变化分析》，《产经评论》2020年第3期，第112-123页。
[49] 赵恢林：《人口流动管制与中国宏观经济波动——基于异质性技能视角分析》，《南方经济》2019年第12期，第118-133页。
[50] 钟粤俊，陆铭，奚锡灿：《集聚与服务业发展——基于人口空间分布的视角》，《管理世界》2020年第11期，第35-49页。
[51] 曾永明，张利国：《新经济地理学框架下人口分布对经济增长的影响效应——全球126个国家空间面板数据的证据：1992—2012》，《经济地理》2017年第37卷第10期，第17-26页。
[52] 曾永明，张利国：《人口分布与经济增长的倒U型关系：理论与检验——中国256个城市空间面板数据实证：2001-2014》，《企业经济》2017第7期，第141-150页。
[53] 甘行琼，李玉姣：《人口流动、城市拥挤与经济增长的非线性关系——基于地级市面板平滑转移模型的实证研究》，《贵州社会科学》2017年第7期，第120-127页。
[54] 张同斌：《从数量型“人口红利”到质量型“人力资本红利”——兼论中国经济增长的动力转换机制》，《经济科学》2016年第5期，第5-17页。
[55] 原新，金牛：《中国人口红利的动态转变——基于人力资源和人力资本视角的解读》，《南开学报（哲学社会科学版）》2021年第2期，第31-40页。
[56] 杨成钢，闫东东：《质量、数量双重视角下的中国人口红利经济效应变化趋势分析》，《人口学刊》2017年第39卷第5期，第25-35页。
[57] 杨钋，徐颖：《数字鸿沟与家庭教育投资不平等》，《北京大学教育评论》2017年第15卷第4期，第126-154+188页。
[58] 贾婧，柯睿：《免费义务教育政策与农村人力资本积累——基于CFPS的实证研究》，《教育与经济》2020年第1期，第19-30页。
[59] 郑磊，祁翔，朱志勇，张鼎权：《家庭互联网接入与城乡初中生的认知能力差距》，《教育发展研究》2021年第41卷第6期，第10-18页。
[60] 陈纯槿，顾小清：《互联网是否扩大了教育结果不平等——基于PISA上海数据的实证研究》，《北京大学教育评论》2017年第15卷第1期，第140-153+191-192页。
[61] 杨克文，何欢：《互联网使用对居民健康的影响——基于2016年中国劳动力动态调查数据的研究》，《南开经济研究》2020年第3期，第182-203页。
[62] 陈亮，李莹：《互联网使用对居民健康的影响路径研究》，《财经问题研究》2020年第7期，第86-93页。
[63] 王宇：《智能手机使用对老年人主观健康的影响研究——基于2016年中国老年社会追踪调查（CLASS）数据》，《人口与发展》2020年第26卷第6期，第65-75+112页。
[64] 赵建国，刘子琼：《互联网使用对老年人健康的影响》，《中国人口科学》2020年第5期，第14-26+126页。
[65] 吕明阳，彭希哲，陆蒙华：《互联网使用对老年人就业参与的影响》，《经济学动态》2020年第10期，第77-91页。
[66] 刘斌，辛伟涛：《互联网是否会激活机会型创业?——基于创业动机视角的实证研究》，《经济评论》2020年第5期，第98-108页。
[67] 袁方，史清华：《从返乡到创业——互联网接入对农民工决策影响的实证分析》，《南方经济》2019年第10期，第61-77页。
[68] 马俊龙，宁光杰：《互联网与中国农村劳动力非农就业》，《财经科学》2017年第7期，第50-63页。
[69] 宋林，何洋：《互联网使用对中国农村劳动力就业选择的影响》，《中国人口科学》2020年第3期，第61-74+127页。
[70] 马继迁，陈虹，王占国：《互联网使用是否促进了农村青年非农就业？——基于2018年CFPS数据的实证分析》，《当代经济管理》2021年第1期。
[71] 戚聿东，褚席：《数字生活的就业效应：内在机制与微观证据》，《财贸经济》2021年第42卷第4期，第98-114页。
[72] 毛宇飞，曾湘泉：《互联网使用是否促进了女性就业——基于CGSS数据的经验分析》，《经济学动态》2017年第6期，第21-31页。
[73] 宁光杰，马俊龙：《互联网使用对女性劳动供给的影响》，《社会科学战线》2018年第2期，第75-83页。
[74] 杨柠泽，周静：《互联网使用能否促进农民非农收入增加?——基于中国社会综合调查（CGSS）2015年数据的实证分析》，《经济经纬》2019年第36卷第5期，第41-48页。
[75] 陈永伟，曾昭睿：《机器人与生产率：基于省级面板数据的分析》，《山东大学学报（哲学社会科学版）》2020年第2期，第82-97页
[76] 韩民春，乔刚：《工业机器人对中国区域经济的异质性影响研究——基于新结构经济学的视角》，《技术经济》2020年第39卷第8期，第85-94页。
[77] 李磊，徐大策：《机器人能否提升企业劳动生产率?——机制与事实》，《产业经济研究》2020年第3期，第127-142页。
[78] 杨光，侯钰：《工业机器人的使用、技术升级与经济增长》，《中国工业经济》2020年第10期，第138-156页。
[79] 魏玮，张万里，宣旸：《劳动力结构、工业智能与全要素生产率——基于我国2004—2016年省级面板数据的分析》，《陕西师范大学学报（哲学社会科学版）》2020年第49卷第4期，第143-155页。
[80] 赵建国，周德水：《教育人力资本、互联网使用与新生代农民工职业选择》，《农业经济问题》2019年第6期，第117-127页。
[81] 韩先锋，宋文飞，李勃昕：《互联网能成为中国区域创新效率提升的新动能吗》，《中国工业经济》2019年第7期，第119-136页。
[82] 惠宁，刘鑫鑫，马微：《互联网发展与我国区域创新能力的提升——基于互联网资源量与普及度双重视角的分析》，《陕西师范大学学报（哲学社会科学版）》2020年第49卷第6期，第68-87页。
[83] 沈国兵，袁征宇：《企业互联网化对中国企业创新及出口的影响》，《经济研究》2020年第1期，第33-48页。
[84] 杨慧梅，江璐：《数字经济、空间效应与全要素生产率》，《统计研究》2021年第38卷第4期，第3-15页。
[85] 邱子迅，周亚虹：《数字经济发展与地区全要素生产率——基于国家级大数据综合试验区的分析》，《财经研究》2021年网络首发版。
[86] 郭家堂，骆品亮：《互联网对中国全要素生产率有促进作用吗?》，《管理世界》2016年第10期，第34-49页。
[87] 马中东，宁朝山：《数字经济、要素配置与制造业质量升级》，《经济体制改革》2020年第3期，第24-30页。
[88] 韩长根，张力：《互联网是否改善了中国的资源错配——基于动态空间杜宾模型与门槛模型的检验》，《经济问题探索》2019年第12期，第43-55页。
[89] 中国互联网络信息中心：《中国互联网络发展状况统计报告（第47次）》，2021年2月3日。
本文来自微信公众号：腾讯研究院（ID：cyberlawrc），作者：陈维宣、吴绪亮