近日，第三届G-Media Summit在浙江宁波举办，国双联席总裁李峰受邀出席，与联合利华、亨氏卡夫、东风日产、欧莱雅、腾讯、知乎等企业，就品牌营销如何回归效果与增长的主题展开深入探讨，并发表题为“大数据与营销，一站式增长探索”的主题演讲。他表示，大数据时代，企业能获得的数据体量更大、来源更广，但只有化繁为简，才能为己所用。作为中国领先的企业级大数据和人工智能解决方案提供商，国双一直致力于帮助企业客户通过大数据助力公司增长，重塑营销新格局。
国双联席总裁 李峰
传统思维是从卖方视角出发，以营销驱动购买，从“认知”到“购买”再到“推荐”，如漏斗，层层转化，却也层层流失。但互联网早已从流量优化时代，转变为存量优化时代，以至增量优化时代，因而注重流量的“广告思维”应及时调整为注重体验的“增长思维”。在买方视角下，从“热爱产品的粉丝”到“整个市场的认知”，如倒漏斗扩大的增长思维将重新定义企业价值，驱动业务。在此基础上，国双做了进一步的简化，将“增长倒漏斗”概括为忠诚度、转化率与客流量三大增长因子，方便企业更有针对性地进行优化布局，从而实现业务增长。为加深与会企业对此理论的理解，李峰风趣地以“吃着锅里的”、“看着盘里的”、“瞄着锅里的”打比喻，生动形象地阐明了买方视角下的增长思维。
在培养忠诚阶段，国双能融合包含官网及活动页面数据、广告互动数据、全网站行为数据、第三方合作数据等在内的全网数据，助力企业完整呈现品牌专属TA画像，并识别其用户与其他品类品牌的关联性与交叉性，形成客户间的跨界合作、联动营销。除了融合线上数据，国双还能帮助企业采集线下数据，通过人脸识别等技术，真正打通线上线下数据，从而融入个性化互动，提供自动化智能服务。
在形成转化阶段，通过借助路径分析、A/B Test、分屏注意力&像素热力图、站内广告位分析、站内搜索意图挖掘等等工具和手段，国双帮助企业有效运营管控自有平台，优化用户体验。站外则可通过大数据驱动归因分析，衡量每一个媒体的每一次传播，通过分辨源头转化、桥梁转化和直接转化的不同作用，精准评估渠道价值。
在扩展流量阶段，国双助力企业对硬广、视频、搜索、social、APP、DSP等进行一站式流量监测，高效收集数据，借助媒体决策沙盘，智能优化跨渠道预算分配，并通过海量筛选国双拥有的丰富媒体资源，实现高效组合。同时，国双也一直致力于帮助企业打赢流量反欺诈之战，通过异常流量的实时监测和快速预警，及时发现异常，挽回预算损失。
李峰在演讲最后表示，国双从品牌安全、用户流转、业态开发等咨询（Consulting）角度入手，聚焦用户忠诚，通过优化（Optimization）提升用户转化，再根据数据追踪（Tracking）甄选优质平台扩展流量，从而助力企业用户洞悉商业本质，驱动增长引擎。国双凭借长久以来深耕数字营销、融媒体及数据智能、电子政务、司法大数据、工业互联网、智能CRM等领域的经验，结合自身大数据处理的领先技术，帮助企业、政府及其他机构快速构建海量数据信息处理系统，对数据信息进行分析、挖掘，使其精细化运作有据可循、有例可鉴，能够充分洞悉数据间的复杂关系，获得全新的商业洞察，从而能助力客户站在市场的全局及高度作出更好的业务决策。
古典经济学派的人力资本观点为。WilliamPetty在《政治算术》一书中探讨了劳动生产率、生产领域的劳动人数和赋税政策对增进一国财富的影响。AdamSmith提出人的能力是资本的观点。
认为人们在社会上学到的有用才能被定义为固定资本，“学习虽然要支付一定费用，但这种费用将来可以得到偿还，并创造出利润”，但是学习导致了劳动者熟练程度的提升、工作转换时间缩短、大量机器的发明便利和简化了劳动、机器的发明和改良等等提高了生产力，这些都是人的能力提升所做出的贡献。
F.List认为古典学派忽视了生产力的发展，他认为要解释经济现象，除了价值理论之外，还需要考虑“生产力理论”，在《政治经济学的国民体系》中对生产力做了具体的阐述，其中蕴含着丰富的人力资本思想，他已经意识到人力资本是决定国家竞争力的关键因素，因此一个国家必须加强对下一代的教育投入，促进和培养国家未来生产力。
虽然教育会花费现有价值，但是却有助于促进和培养未来的生产力。现代国家之所以比古代在财力、权力等各方面强盛数倍，单单从体力劳动作为财富的原因是无法解释这一现象的，而是应该从现代人类的精神资本：即在智力培养、生产效能方面来进一步加以考虑。List认为资本不单单指“物质资本”，还应该包括“精神资本”，并且“精神资本”才是国家生产力最重要的源泉。
（一）新古典学派增长理论与人力资本
新古典经济增长理论中普遍将非技术的劳动要素作为产出积累的决定性变量。经典的Harrod-Domar模型等作为二战以来，新古典学派的引导性理论，假定在劳动力充分就业且按照一定比例稳定变化的前提下，产出函数逐渐趋向一个稳定的，基本是由储蓄率和投资率之比所决定的，并且有保证的平均增长速度。
此后Solow-Swan模型重新建构了依靠储蓄率所决定的长期稳态产出函数，Solow模型最大贡献在于加入了物质资本的折旧率，认为在长期折旧呈线性的前提下，人均产出和人均资本占有皆会呈现一个向右上方倾斜且斜率逐渐递减的图像。最初的Solow-Swan模型是满足稻田条件的。
Solow又修正了Harrod-Domar模型中的一个假设，即人口增长不是按照一定的比例稳步变化，进而加入了人口增长速度n，因此经济处于稳态时，人均产出按照n+g的速度趋向均衡增长路径。
具有一定知识和能力特征的人力资本在Solow模型中起初未作为要素加以考量，但很快由于在一九六〇年代以来美国的高产出增长率使得“Solow余值”更加凸显，而对Solow余值的解释变得迫切起来，这催生了外生化技术要素在模型中的分量。一九八〇年代以来又加入了通过知识性教育所形成的人力资本存量要素，使得新古典模型重新焕发出勃勃生机，一度与内生性增长理论形成了并驾齐驱的局面。
（二）新凯恩斯学派理论与人力资本
历史上经典的Solow-Swan模型及其改进一般将储蓄、固定资本的折旧及技术都作为外生的，但是这种假设无法解释一九七〇年代以来某些发展中国家在资本积累没有明显改善的情形下，消费却出现了持续的、明显的改善，印度也属于其中一例。因此需要寻找另外的视角来解释上述现象。
新古典和新凯恩斯学派在研究经济增长时，都存在着一个事实前提，那就是经济落后国家和不发达经济体或区域，往往趋向更快的短期产出增长路径。在融入外生技术进步和人力资本形成作为重要的推动要素之后，这一假设未有实质性改变。
二十世纪七十年代中叶之前的世界经济大致遵从这一事实，但七十年代经过短期调整之后，不同收入俱乐部之间出现了增长速度悬殊逐渐拉大的情形，这一特点在21世纪更为突出，只有采取了正确路径的东亚部分国家、中国、印度等原先的发展中经济体，逐渐走出了困境，但多数也陷入了新的二元经济结构难题，尤其是印度。
（一）AmartyaSen的人力资本思想
印度经济学家AmartyaSen因其在福利经济学领域的突出贡献而荣获一九九八年诺贝尔经济学奖。他曾任印度经济学会会长和美国经济学会会长，尽管他长期在西方国家从事教学和研究工作，但仍然保留印度国籍，并十分关注印度经济社会发展问题。Sen认为人力资本有三方面的意义：
1. 健康、教育和其他高品质生活条件有其自身价值；
2. 在多数情况下，它们也非常有助于促进商品生产；
3. 它们还有其他的重要个人和社会作用。
上述前两方面分别是指人力资本的内在性价值和工具性价值。Sen将人力资本的价值划分为内在性价值和工具性价值两类：内在性价值表示形成人力资本的群体要有生存能力的价值，由平均预期寿命等指标衡量，这也是人力资本区别于物质资本的特点。
好的社会制度和政府的公共政策是维持较高的内在性价值的先决条件，因此摆脱贫困、避免内乱和战争、防止瘟疫是增强人力资本内在性价值的有效途径。工具性价值是指形成人力资本的群体要有知识积累形成的竞争能力。当这些人通过教育、培训等知识积累，人力资本的工具性价值将会得到提升和递增，从而促进生产率提高，成为一国经济增长的持续动力。
对于第三方面，Sen专门提出人有正常生命期的自由（不因夭折而衰减）、读写的自由（不受文盲的局限）等，他提出人们往往忽视贫困是缺乏选择其它方式的机会，需要注意不要剥夺弱势群体的基本能力并提供给他们机会，因为这是提高一国人力资本内在性价值和工具性价值的正确途径。
Sen认为人力资本构成人类生活的一部分，能够因为自身的原因而被重视——超过它们作为生产要素的工具性价值之外的原因。教育和健康不仅对个人自由有显著的价值，扩大的健康和教育对社会的影响甚至超过对个人的影响，即有很强的正外部效应，两者在经济发展过程中能起重要战略变量作用。
教育和健康对一个人有内在的重要性，是追求自由必须要具备的基本素质；当人们因为良好的身体素质和所受教育找到工作并获得一定经济收入之后，随之而来的机会可以帮助他们获得更多自由。良好的教育基础促使他们更深入地思考，促进以社会为导向的公共讨论。
针对印度人力资本问题，Sen指出推广学校教育能扩宽年轻人的视野并减轻印度社会童工的现象。Sen强调印度应该从他国学习先进的经验，人的力量才是经济发展的源泉，要重视人力资本的作用，重视学校教育、边干边学、技术进步等方面。然而印度教育不平等现象十分严重，对高等教育的倚重与对初等教育的忽视反映了印度社会原本的不公平。
一直以来，印度对基础教育的忽视有以下三个思想观念的原因：第一，部分激进地区相信现有教育体系是殖民时期的残留，可把它作为压迫下层阶级的工具；第二，保守的高种姓认为低种姓不应该接受教育。这种观念阻碍了低种姓人群受教育的机会和权利；
第三，对“圣雄”甘地“识字本身不是教育”这一观点的曲解。实际上甘地认为教育应当超越识字，他坚持学校财政自给自足，甘地这一观点在一定程度上造成了印度独立后教育政策上的某些混乱。
作为第二大人口国，印度大部分人口仍生活在教育设施不足的农村地区，而物资资本匮乏也会导致人力资本的低吸收率，因此有必要向落后地区提供教育设施。尽管普及初等教育有助于解决印度传统种姓、阶级和性别之间的不平等问题，也有利于改进社会公共政策，提供社会福利。
然而，印度基础教育覆盖率低、基础差，政府、商会等对基础教育的普遍漠视限制了一般大众享受经济进步的成果，也阻碍了印度制造业的发展。由此，基础教育的不平等转化为更深层次利用新经济机会的不平等和低效率。教育的落后和分配失灵限制了现代科技生产的整体规模。应该把更多的资源用于基础教育，才能推进制造业发展，使普通大众分享工业化的成果，真正解决结构性失业和贫困问题，使社会更加公平。
用户增长基本上会涉及生意场上的各行各业，你开个店面希望有更多的客户光顾，你做了个APP希望有更多的用户经常使用，你搭建了个电商平台希望有更多的人下单买东西。
用户增长，即以提升用户LTV为目的（含获取、激活、留存、变现、推荐等环节）所进行的一切增长活动。受互联网红利退潮影响，越来越多的企业感到获客不易，所以用户增长是确保产品健康发展下去的永恒话题。但是我们不能单纯地把增长看作是「新用户数量的堆积」，因为这只是数量上去了，但无法为产品产生任何效益，更别提企业获利。
下面是一个用户增长的全流程，分别是用户获取、激活用户、提高留存和增加收入
#02 LTV
LTV(Life Time Value)指客户终身价值，也被称为客户生命周期价值。LTV用于衡量你的业务从任何特定客户那里获得的收入，它是对客户在流失之前将产生的平均总收入。
LTV=LT*ARPU
用户生命周期价值=用户的平均生命周期*单个用户的平均收益
LT=1+次日留存率+3日留存率+...+n日留存率 =（新用户+次日留存用户+3日留存用户+...）/新用户
ARPU（Average Revenue Per User）= 某期间内点总收入/该期间内的用户数，这个用户可以是付费用户，可以是活跃用户等，用户在平均生命周期中的平均收入，一般采取日均值即可。
那怎么衡量用户增长的投入产出比呢，有一个指标：ROI一般指投资回报率，
CAC：Customer Acquisition Cost，指用户获取成本。
用户增长ROI=LTV/CAC。通常LTV/CAC>3是健康的状态
下面几种模型就是想办法提高用户LTV，降低CAC, 然后帮助企业获得更好的ROI。
AARRR用户增长模型”是由该模型五个环节的首字母缩写组成，即Acquisition（获取）、Activation（激活）、Retention（留存）、Revenue（变现）和Referral（推荐）。
AARRR模型因其掠夺式的增长方式也被称为海盗模型、海盗指标，也叫增长黑客理论模型、增长模型、2A3R模型、决策模型。是硅谷著名风险投资人戴夫·麦克卢尔（Dave McClure ）2007提出的，核心就是AARRR漏斗模型。
AARRR模型很受欢迎，因为它很简单，突出了增长的所有重要元素。
最主要的是：AARRR模型是围绕着每个营销人员最喜欢的增长部分而建立的——拉新获客。
获客和营销是相当的同义词——由于大多数黑客增长人员都是营销人员，因此获客已成为创业公司最倚重的重要指标
AARRR模型指出了两个核心点：
#04 RARRA 模型
2017年，Gabor Papp 等在“Why Focusing Too Much on Acquisition Will Kill Your Mobile Startup”文章中正式提出 RARRA 模型，只是 RARRA 模型更强调留存。
随着流量红利的结束。对现在的大多数应用而言，获取新用户已经变得毫无意义。现在平均每个APP在安装后的流失情况都是非常严峻的，前3天内会流失掉77%的DAU，30天内90%的DAU会流失掉，而90的流失率会跃升到95%以上。
RARRA模型通过最重要指标用户留存来关注增长。在留存率低的情况下花钱拉新用户，其实就像是在租用流量，算不上真正意义的获客。最终都是毫无意义的竹篮打水一场空，因为用户不会再回来了。而留存是反映用户真正价值的指标。
#05 Growth Loops 模型
在上面模型中提高留存的优先级还是不够的，Growth Loops，增长循环，又叫增长飞轮，是一套自循环的系统，这套系统的输入经过一系列的流程产生了一些输出，这些输出又可以直接带来新的输入。最大的价值是可以带来更迅猛的复合增长，复合增长相对于线性增长，最大的区别是每一份投入是否可以换来成倍回报。Growth Loops是2018年由四个知名的硅谷互联网公司的高管/创投提出了一个全新增长框架。
常见的几个Growth Loops：病毒式裂变（Viral loop）、补贴增长（Paid loop）、UGC内容循环（User-generated content loop ）。Growth Loops的步骤组成主要有三个：输入Input (拉新/激活)、行动/步骤Action/Step、输出Output (转化/收益)。
以病毒式裂变为例：使用产品->推荐给好友>好友使用产品>推荐给另一个好友->如此循环往复。（例：邀请好友使用某APP，双方均获得10元体验券）
Amazon飞轮理论(flywheel model)，其实也是Growth Loop的概念。Amazon能够发展到今天这么成功，归功于他所做的事情能够推动飞轮持续不断的滚动。
#06 6R模型
6R模型是全新的用户增长模型，用于增能智慧化运营。该模型由数据智能A股上市公司每日互动创始人、CEO方毅提出。
6R分别是Recruitment（拉）、Reproduction（推）、Retargeting（回）、Retention（忆）、Revenue（收）、Reservation（留），用三个词来概括，即“拉推”“回忆”“收留”，共同构成从获客到激活再到变现的App用户全生命周期管理闭环。
6R模型的精髓在于它将数据全面、深度地应用于用户全生命周期管理的各个阶段，真正让用户增长数据化、智能化。
基于对实时数据的研判和归因分析，将各个环节的运营场景串联打通，真正形成了贯穿用户全生命周期的运营闭环。
蔡昉 中国社会科学院
一、 引言
在1978年以来的40余年中，中国创造了史无前例的发展奇迹，即实现了在最长的时间里、在日益增大的经济总量基础上，使最大规模人口参与和共享成果的高速增长。中国经济发展显现出的这种特征，无疑与中国庞大的人口规模有关。因此，一种着眼于阐述和检验人口与经济增长关系的理论和研究范式，必然宜于解释中国经济发展奇迹；同时，按照逻辑延申，该理论和范式也应该有助于揭示中国经济增长面临的挑战。
也正是由于中国人口规模庞大这个国情特征，人口与经济增长关系的各种理论一直对中国经验予以关注，中国学者也受到相应理论的影响。然而，对于这类理论脉络的了解，研究者和决策者很长时间以来都局限在相对狭小的文献范围。Bloom et al.（2002）将之分别概括为，认为人口增长抑制经济增长的悲观说、认为人口增长有利于经济增长的乐观说以及认为人口增长对经济增长没有显著影响的中性说。所谓“悲观说”，显然是以马尔萨斯为代表，是以工业革命之前的经验为依据得出的结论。从马尔萨斯理论渊源衍生出来的早期发展经济学，则把不发达状态视为一种“贫困恶性循环”，其特征是人口增长产生对资源和产出的稀释作用（Bass, 2009）。此外，学术界特别是经济学界，始终不乏尝试修正或者摒弃马尔萨斯及其追随者的理论的研究努力（Simon, 1997）。
20世纪90年代出现并在人口—经济关系研究领域逐渐引人注目的人口红利理论，在应用于改革开放时期中国经济的高速增长时，表现出不凡的理论和经验说服力。这个研究范式突破了人口—经济关系研究中主要关注人口规模和增长率的传统，转而把关注点放在人口转变过程中随着生育率和死亡率变化而变化的人口年龄结构特征。在劳动年龄人口增长快并且占比高的情况下，这种年龄结构有利于经济增长，由此形成独特的增长源泉，这种情形被称为人口红利（Bloom et al., 2002）。此类研究最适宜的经验检验场所，是经济史上和当代的后起经济体对早期工业化国家的赶超过程。相应的经验研究表明，在人口转变的一定阶段上发生的劳动年龄人口比重提高和抚养比降低，产生了支撑经济增长的额外源泉或人口红利，使经济增长在更高的速度上、在较长时间里得以持续，因而成为赶超成功的关键因素（Bloom & Williamson, 1997; Williamson, 1997）。
应该说，人口红利的研究并没有成为经济增长理论探讨的主流。然而，如果将其研究结论与从新古典增长理论主流假设出发的一些结论进行认真比较，人口红利理论实际上破解了传统理论中存在的一些不必要的疑惑和误判。例如，Young（1992）和Krugman（1994）曾经尖锐地批评“亚洲四小龙”的增长方式，认为这些国家和地区的经济增长，因单纯依靠资本的积累和劳动的投入，缺乏生产率的实质性进步，终究会遭到边际报酬递减规律的报复而不可持续。这正是因为他们没有考虑到人口红利的作用，只是从新古典增长理论的假设出发进行的判断。然而，在存在人口红利和劳动力无限供给特征的后起经济体，依据发达国家经验做出的劳动力短缺从而资本边际报酬递减的假设，就难以做出令人信服的解释。虽然人口红利理论并没有直接挑战新古典增长理论的意图，但是，受这种研究范式启发，以中国实践为对象进行更为深入的研究，便可以揭示出新古典增长理论假说的局限性（蔡昉，2010）。
本文以改革开放时期中国经济发展过程为背景，简述经济学界对于人口—经济关系的认识的变化，以过程和文献回顾相结合的方式，概述人口红利对于中国高速经济增长的贡献，阐释人口红利理论在中国语境下的有效性和解释力，特别是解释人口红利理论在中国的丰富和发展。需要指出的是，把人口转变与经济增长结合起来的对中国经验的研究，与国外经济学界形成的人口红利理论并不是完全等同的。一方面，正如无数案例所表明的那样，打开认识中国经济发展的大门，永远不可能指望获得一把万能钥匙，而要求以中国的特殊经验为依托，在理论上批判性地兼收并蓄；另一方面，秉持开放态度并深入研究中国经验，还有助于修正人口红利理论的一些不足，丰富和发展这一研究范式。
二、 在中国语境下认识人口—经济关系
在中国的理论和实践中，把规模庞大和快速增长的人口看作经济增长的负面因素，具有长期的传统。例如，早在20世纪50年代，马寅初就论证了人口过快增长对资金积累、工业原料供给、劳动生产率提高以及粮食保障的负面影响，并提出实行计划生育的政策建议。在20世纪80年代开始实行严格计划生育政策后，人口学科在中国得到恢复和发展，学术研究和政策讨论十分活跃。但是，人口研究在很长时间里主要围绕论证计划生育政策进行。在经济社会发展和政策实施的共同作用下，人口转变逐渐显现出突出的效果，甚至出现了一些过犹不及的表现，人口学家对生育率过低及其带来的老龄化等问题提出警示，逐渐探讨计划生育政策退出的必要性，人口理论和统计问题的讨论也越来越得到包容，呈现观点和方法的多样化（邬沧萍等，2007）。不过，总体来说，人口学研究还是局限在描述生育、死亡、迁移、性别比等人口特征范围内，政策建议也主要以人口变化本身为着眼点（郭志刚等，2014）。
中国的人口转变及其与经济增长的关系，为人口红利研究提供了难得的素材。首先是由于中国用了大约30年的时间，完成了发达国家用一倍以上的时间，甚至上百年才完成的从高生育水平到低生育水平的转变过程。经济社会快速发展，使中国的生育率不仅在20世纪90年代初降到更替水平之下，而且在那之后继续显著下降，人口快速增长的势头得到了控制。就此而言，中国遵循了人口转变的一般规律。其次是由于中国的丰富实践可以使这个理论更加充实。在改革开放时期，中国经历了两次堪称人类历史上最大规模的人口变化过程，分别是以生育率下降为主要内容的人口转变，以及劳动力的产业转移和区域流动。最后，人口转变的一般趋势和具体表现，均与同样高速的经济增长和产业结构变化相伴发生，因而人口转变与经济发展的关系得以更清晰地展现出来，为研究者拓展这个领域的研究提供了广阔的用武之地。
相应地，一般性与特殊性相统一的人口转变，也就成为破解中国经济发展之谜的一把钥匙。人口红利理论及其研究范式因此成为一个值得借鉴，并且可以带来令人信服结论的工具。国内外研究者开始从获取人口红利的角度，认识中国改革开放时期的经济增长表现，并从经验上估算了人口红利对经济增长的贡献。例如，Wang & Mason（2008）以人口抚养比作为人口红利的代理指标，估计出在1982—2000年期间，人口红利对中国经济增长的贡献为15%。Cai & Wang（2005）的估计显示，同一时期抚养比下降对人均GDP增长的贡献高达26.8%。
人口红利估算中的典型做法是，选择一个与人口转变相关的统计指标——通常是人口抚养比（即非劳动年龄人口与劳动年龄人口的比率），作为人口红利的代理变量并纳入增长核算或增长回归模型，估计其对经济增长的贡献。诚然，这样做可以更加直观地观察并宣称，在特定人口转变阶段上形成的人口年龄结构特征，实至名归地对经济增长具有显著的积极贡献。与此同时，这种做法也把人口红利狭义化了，造成对人口红利实际贡献的低估。这是因为，伴随着劳动年龄人口的增长以及人口抚养比的降低，通常其他经济增长变量也变得有利于经济增长。
从中国的经验来看，人力资本改善速度、储蓄率和资本回报率、资源重新配置效率进而劳动生产率和全要素生产率等，都因特定的人口结构特征而有利于经济增长，因而成为人口红利的表现（Cai, 2019; Cai & Zhao, 2012）。从这个认识出发，诸多对改革开放时期中国经济增长进行计量分析的文献，都可以作为人口红利存在及其贡献的经验证据。首先，处在低位并且持续下降的人口抚养比有利于实现高储蓄率，而劳动力无限供给特征则延缓资本边际报酬递减现象，从而使资本积累成为经济增长的主要引擎（World Bank, 1998; Cai & Zhao, 2012）。同时，在二元经济发展阶段上，劳动力无限供给特征的存在，被证明的确在一定时期延缓了资本边际报酬递减现象（Bai et al., 2006）。其次，有利的人口因素不仅保障劳动力供给，还确保了劳动力质量不断提高，使人力资本对经济增长作出显著贡献（Whalley & Zhao, 2010）。再次，新成长劳动力和城乡富余劳动力在产业、行业和地区之间流动，创造出资源重新配置效率，成为全要素生产率从而劳动生产率的主要组成部分（World Bank, 1998；蔡昉，2017）。最后，上述因素从要素供给和资源配置效率角度，显著提高了这一时期中国经济的潜在增长率。例如，在1979—1995年间为年平均9.7%，在1997—2010年间为10.4%（Cai & Lu, 2013）。这奠定了高速增长的基础，从理论和经验上都可以提供人口红利作用的最可信服的证据。
三、 人口红利产生、消失及经济影响
马寅初并不了解人口转变理论的发展，因此也未能预期生育率和人口增长率的下降。在当代中国，无论是总和生育率（妇女平均终身生育的孩子数），还是人口出生率及人口自然增长率（出生率减去死亡率），从20世纪60年代中期均开始持续下降。改革开放以来的经济社会发展和计划生育政策实施，推动了生育率的进一步下降。在20世纪90年代初，总和生育率就已经降到2.1这一维持人口不变所需要的更替水平之下。生育率和人口增长率的这种变化趋势，依次推动形成人口转变的不同阶段，也带来若干关键性的转折点，每一个阶段和转折点都对经济增长产生显著的影响。
在1980—2010年期间，中国15—59岁劳动年龄人口以年均1.8%的速度增长，而非劳动年龄人口的增长则基本停滞，同期年均增长率为-0.2%。这两个年龄组的人口增长形成张开的剪刀差形状，即意味着人口抚养比的下降，推动形成了“生之者众、食之者寡”的人口结构，打开了人口机会窗口。随后，劳动年龄人口于2010年达到峰值之后，从2011年开始进入负增长轨道，人口抚养比同时开始升高。相应地，劳动力短缺、人力资本改善减缓、资本回报率下降以及资源配置效率提高空间缩小，共同导致潜在增长率下降。根据当时的估算，中国GDP潜在增长率从2010年之前的10%左右，降低到“十二五”期间的7.6%和“十三五”期间的6.2%，预计“十四五”期间进一步下降到5.5%左右（Cai & Lu, 2013），并且减速还将继续下去（谢伏瞻，2020）。潜在增长率的这个规律性下降，反映在2012年以来实际增长率呈现逐年下行的趋势，标志着人口红利的消失。
由此可见，人口红利是人口转变和经济发展两个过程的特定阶段上的现象，在一定条件下便会产生，在关键条件发生变化时也便消失。因此，认识这些人口转变的阶段和转折点，以及与之相应的经济发展的阶段和转折点，是认识人口红利的关键。同样地，在对人口转变阶段做出准确判断的基础上，提前预判或及早认识到人口红利的消失，具有重要的学术价值和政策含义。一方面，通过对决策者和社会各界提出警示，有助于推动政策的相应调整，提示市场和社会对变化了的情形做出恰当的反应；另一方面，有助于找到真正的问题和解决方案的关键所在，提高应对政策的针对性和有效性。
在很长一段时间里，对于研究者做出的人口红利即将消失的判断，学术界和政策研究领域都没有给予足够的重视。相反，倒是出现了一些研究，否认人口红利消失对经济增长具有不利影响，或者更一般而言，否认人口老龄化具有对经济增长的不利影响。在论证方法上，这类研究往往标志性地具有以下共同点。其一，面对劳动年龄人口负增长这个事实，通常会论证劳动年龄人口总规模将保持庞大，以此否认人口抚养比提高可能产生的不利影响。其二，针对人口总量达到峰值进而转入负增长的预期，通常会以人口总规模仍将庞大的说辞，拒绝任何不利的警示。其三，对于劳动力短缺从而制造业比较优势减弱的事实，通常以劳动者质量提高可以弥补数量不足作为理由，否定人口红利消失带来的冲击。
我们可以举出一个例子予以说明。一项颇有代表性的最新研究（Marois et al., 2021）认为，在老龄化的条件下，中国仍然可以通过提高人力资本、劳动参与率和生产率促进经济增长。这样的结论看似并无不妥，然而，这类研究因其方法论的缺陷，往往是建立在对他人研究结论的误解基础上，因而自身的结论也就不可避免产生误导。当人们揭示诸如人口红利消失这样的不利变化倾向时，一个基础性的方法论前提，是假设在其他条件不变的情况下，仅人口结构变化使经济增长遭受冲击。老龄化与劳动力短缺相联系，是不争的事实和已经可以观察到的现象，同时，老龄化却并不注定是与人力资本改善以及劳动参与率和生产率提高相伴随。所以，指出人口红利消失的挑战，无非是提示以往推动经济高速增长的因素正在或已经丧失，同时并不否定，反而恰恰是强调探寻其他更可持续增长源泉的必要性和紧迫性。
事实上，恰恰是在人口红利消失的条件下，其他诸多经济增长因素也随之发生逆转，从而在宏观生产函数的意义上，揭示出中国经济不再能够保持以往的增长速度这一事实。例如，随着受教育程度更高的新成长劳动力减少，劳动力存量的人力资本改善速度显著减慢；老年人口和大龄劳动力比重提高，天然地具有降低劳动参与率的效果；随着传统比较优势的弱化和丧失，低生产率企业如果不能退出经营，便会导致资源配置的僵化；制造业比重早熟型降低，劳动力出现过快过早向生产率更低的服务业转移，造成资源配置的退化。这些都使生产率提高遭遇更大的困难（蔡昉，2021）。
四、 问题导向的理论创新机会
至少对于发展中国家或赶超型国家的发展实践，人口红利理论是迄今人口经济学诸学说中理论解释力最强，也最贴近经济发展特征化事实的一个，也为我们认识中国经济发展提供了有益的研究范式。然而，正如在特定时期、针对特定问题、具有特定解释力的任何经济学理论一样，人口红利理论终究不可能在所有的时点上均具有放之四海而皆准的效力。实际上，该理论由于本身存在着先天的缺陷，一方面，在解释中国经济发展经验时，必须结合特殊国情进行必要的修正，或者说我们所使用的人口红利研究范式，已经在中国语境中得到了改造；另一方面，面对人口转变新阶段上出现的新问题，传统的人口红利理论已经在一定程度上捉襟见肘，难以提出令人满意的理论解释和政策建议。
服务于三个目的，我们简单概括传统人口红利理论的此类不足。第一，目前采用的人口红利研究范式，已经在尝试对这些不足进行弥补，或者说一个中国风格的人口红利理论已经初具雏形。第二，可以从中获得启示，便于以更加开放的态度，借鉴各种可供互补的分析框架和分析工具，在认识人口与经济的关系中，实现历史逻辑、理论逻辑和现实逻辑的更好衔接，丰富和发展这一理论。第三，更符合实际地为解决当前的问题提出有益和有效的政策建议。
首先，传统人口红利研究范式与主流增长理论之间缺乏良好的衔接，不可避免地降低了自身认识人口与增长关系问题的广度和深度。这方面的表现看似只是在研究中局限于把人口抚养比作为人口红利的代理变量，观察其影响的显著性和程度等技术问题。其实，更重要的是这样进行人口红利研究，便把分析范围做了自我限制，未能看到抚养比这个人口变量之外的变量，甚至很多增长核算和增长回归中采用的传统变量，其实也是与人口因素相关的。由于未能在与新古典增长理论进行衔接的基础上充分理解进而解释清楚人口红利，这种理论范式便失去对前者进行颠覆性修正或革命性发展的良好机会，使人口红利理论在增长理论中始终处于相对边缘的地位。
其次，传统人口红利研究范式仅仅关注人口因素影响经济增长的供给侧效应，而尚未进入研究需求侧效应的层面。诚然，在很长的时期里人们观察的经济发展事实，大多是一些国家和地区通过兑现人口红利，从供给侧因素中获得额外的增长源泉，实现超常规的高速增长。因此，这个领域的理论假设和经验研究主要是论证和检验人口红利提高潜在增长能力，以及揭示人口红利消失后潜在增长率将会降低的事实，从而提出预警式的政策建议。事实上，中国经济学家在这些方面的确做出了有益的理论和经验探讨，也产生了应有的政策建议效果（蔡昉，2010）。
然而，随着全球范围人口日趋老龄化，一些发达经济体也先后进入人口负增长时代，人口因素带来的全新冲击更多表现在需求侧。无论是如日本这样人口转变先行的国家，还是作为未富先老的赶超者的中国，已经呈现出种种经验和趋势，表明在人口转变的两个重要转折点中，第一个转折点即劳动年龄人口峰值，主要从供给方面造成对经济增长的冲击，而第二个转折点即总人口峰值，对经济增长的需求侧冲击效应则更为突出（Cai, 2021）。如果能够把需求侧的因素统一到人口红利理论中，该理论对现实的针对性和解释力可以得到显著的增强。
再次，传统人口红利研究范式具有把人口红利永恒化的倾向。早期研究以抚养比作为人口红利的定量性指标，按照人口转变的逻辑和进程，这个因素终究会逆转到不利于经济增长的方向。于是，这个领域的代表性作者便提出第二次人口红利的概念，相应地脱离了以往的逻辑轨道。他们主要从保持储蓄水平的角度探讨第二次人口红利，认为由更多的大龄劳动者和老年人口组成的社会，将会产生强大的储蓄动机，因而保持高储蓄率从而保持经济增长源泉。在他们看来，随着第一次人口红利的作用发挥殆尽，第二次人口红利随即出现并将永远地存在下去（Lee & Mason, 2006）。
这种所谓第二次人口红利理论，分别在方法论上和现实针对性上存在着缺陷。一方面，他们认为的第二次人口红利源泉，并不是来自于有利的人口因素，这种泛人口红利论实际上会削弱人口红利理论本身。另一方面，从已有的事实观察，老龄化带来的重大挑战并不是储蓄不足，而是作为长期停滞主要特征之一的过度储蓄（Summers, 2018），因而这种以稳定储蓄率为中心的第二次人口红利，其实并不会产生什么所要收获的“红利”。
最后，传统人口红利研究范式没有在如何推动生育率向更替水平回升这个课题上做出必要的努力。鉴于这个理论框架本身就是以生育率单向变化为基础的，希冀其在生育率回升问题上取得突破或许并不现实。但是，生育率确实构成一个重要的课题。生育率因经济社会发展而降低，但是在其降低到一定程度后，却反过来阻碍经济社会发展，这似乎形成一个悖论。迄今，人们对于生育率回升的理解远不如对于生育率下降的认识深刻，这反映了在特定阶段上学术界的一种认识状态，或者说面对一个未解的问题，理应得到包括人口红利理论在内的相关研究范式的更多关注。
（本文发表于《经济研究》2022年第10期）
引用地址:https://www.haoxigou.com/202304/21185.html
tags: