数字技术对中国城乡居民收入差距的影响研究.pdf

文章利用中国 20132019 年城乡居民人均可支配收入及中国数字经济等相关面板数据，研究了经济数字化转型对中国城乡居民人均可支配收入差距的影响。文章采用面板数据固定效应方法以及面板数据工具变量法等，并通过稳健性检验、机制分析发现，数字技术的广泛应用显著地提升了乡村居民收入，对缩小城乡居民人均可支配收入具有明显促进作用。数字技术有效降低了信息的搜寻、处理和运输成本，克服了地理空间上的障碍，使得中国广大偏远地区也能够参与社会化大生产过程中，逐步形成城乡统一大市场，对乡村市场的扩大和提升具有显著推动作用。【关键词】城乡居民收入差距；数字技术；统一市场；城镇居民；农村居民【中图分类号】F126；F124.7；F49【文献标识码】A【文章编号】20966814（2023）02007119数字技术对中国城乡居民收入差距的影响研究赵海益（上海立信会计金融学院财税与公共管理学院，上海201620）一、引言数字技术为人类创造了虚拟空间，极大地拓展了人类活动的范围。理论上，实体空间中的万事万物都可以用虚拟世界中的一串数字表示，从而实现万事万物的互联。数字技术克服了地理空间上的障碍，实现了在虚拟空间上的聚集。Goldfarb 和 Tucker（2019）指出，数字技术降低了人类社会信息的搜寻成本、复制成本、运输成本、追踪成本以及验证成本。而这些成本是构成人类社会交易成本的主要内容（Williamson,1975；Dahlman，1979；Coase，1988）。因此，从某种意义上来说，数字技术降低了人类经济活动的交易成本，扩大了人类市场交易的活动能力。在数字技术的帮助下，世界正向扁平化方向发展，拓展了人类交易的空间范围，实现了地理空间上的“平等”。中国是一个地理空间上的大国，不仅地域辽阔，而且存在城乡“二元发展”的现实，尚未形成全国统一的大市场。由于地理空间分布上的原因，某些农村地区无法融入全国社会化大生产，失去第 35 卷第 2 期2023 年 4 月Vol.35 No.2Apr.202371了经济发展的机会，形成了中国城乡经济发展的差别。那么，在数字经济时代，中国城乡发展的差异能否缩小？本文主要研究在中国经济数字化转型过程中，数字技术的广泛应用对中国城乡居民收入差异的影响。中国城乡之间存在巨大差异，这主要是由于中国城乡二元发展模式导致的（张军涛等，2021）。城市中人口密集，基础设施建设较好，逐步形成了一体化市场，并通过市场化分工提高了生产效率。农村人口较为分散，基础设施投入不足，很难形成统一的大市场，也很难参与到城市大市场之中，导致中国广大农村成为信息孤岛，发展落后于城市，且与城市发展的差距越来越大。数字技术正在改变这一趋势，在数字经济时代，数字技术实现了万事万物的互联互通，打破了地理空间上的藩篱，能够消除信息孤岛。企业可以在全国、甚至全世界范围内配置资源，并完成交易活动，城乡统一的大市场正在逐步形成。数字技术让原本受制于地理空间限制的地区融入了市场体系，并加入了社会化大生产，获得了重新发展的机会。农村地区通过数字技术能够融入城市发展轨道，分享城市建设红利。在城乡统一大市场的背景下，要素价格均等化规律将发挥作用，广大农村地区的生产要素也将被重新定价。市场规律会缩小城乡居民收入差距，实现要素价格均等化。本文的边际贡献是从市场交易成本的角度解释数字技术对中国城乡居民收入差异的影响趋势。数字技术降低了市场交易成本，扩大了市场交易的边界，有助于逐步实现全国统一大市场。在市场力量的作用下，要素价格均等化规律将发挥作用，缩小中国城乡居民收入差异。本文接下来的安排是：第二部分进行相关文献梳理，在此基础上提出研究假说；第三部分是研究设计，介绍本文的研究思路和方法、样本、数据来源、变量和模型设定；第四部分报告实证研究结果；第五部分进行稳健性检验；第六部分进行作用机理检验；第七部分是结论和启示。二、文献回顾及研究假说数字技术应用于传统领域，改变了传统领域的行为方式，形成新的经济模式。数字技术与金融行业的结合催生了“支付革命”，并随之带来了数字金融、金融科技等产业的发展。数字金融通过对大数据的应用和精准分析，实现了对不同个体的精准画像，摆脱了过去只看有形资产的传统方法，推动了个性化金融信贷政策的出台，使不同个体都能够获得一定数量的金融贷款，这对一些农村居民尤其重要。过去由于没有大量资产作为抵押或担保，很多农村居民不能获得银行贷款。数字经济时代，在大数据的精准分析下，农村居民能够获得一定数量的金融贷款，形成了数字经济时代普惠金融的发展。宋晓玲（2017）发现，数字普惠金融能够显著缩小中国城乡居民收入差距。在数字金融背景下，农村居民获得信贷的可能性大大增加，对资本顺利流入农村具有显著推动作用。资本流入农村，在一定程度上增加了农村居民收入，缩小了与城镇居民的收入差距（葛和平和朱卉雯，2018）。易行健和周利（2018）利用中国家庭层面的微观数据研究发现，数字普惠金融的发展对促进居民消费具有显著作用，这一促进效应在农村地区尤 第35卷第2期2023年4月72其是中西部地区以及中低收入阶层家庭最为明显。此外，数字普惠金融对中国实体经济的发展也具有显著促进作用（陈婕，2021）。数字技术与金融行业的融合，造就了科技金融的发展，拓展了金融市场，形成了城乡统一的普惠金融市场，显著缩小了中国城乡居民收入差距。那么，在金融行业中发生的现象是否具有普适性呢？程名望和张家平（2019）利用中国 20032016 年的省级面板数据研究发现，随着互联网的普及，中国城乡居民收入差距呈现“先增加、后缩小”的倒 U 型特征（拐点出现在 2009 年），即随着数字技术的不断发展，数字技术最终能够显著降低中国城乡居民的收入差距。陈文和吴赢（2021）利用中国 20122018 年的省级面板数据研究得出了相反的结论，认为数字经济发展与中国城乡居民收入差异之间存在“先减后增”的 U 型关系，即在数字经济的早期，数字技术能够缩小中国城乡居民收入的差异，但随着数字技术的进一步发展，中国城乡居民的收入差距拉大，并产生数字鸿沟问题。数字鸿沟出现之后，中国城乡居民收入差距会越来越大，因此要防止中国城乡之间出现数字鸿沟。然而，一般认为，数字鸿沟应该是不同劳动力之间的鸿沟，是掌握数字技术的数字型人才和不掌握数字技术的非数字型人才之间的鸿沟。Acemoglu和 Restrepo（2018）发现，人工智能的发展会增加对高技能劳动力的需求，减少对低技能劳动力的需求，造成低技能劳动力失业率上升以及工资水平下降，相应地扩大了高技能劳动力和低技能劳动力的收入差距。由此可见，数字鸿沟存在于劳动力个体之间，而不是地区之间。如果劳动力能够在地区之间、城乡之间自由流动，那么人才要素的流动可以消除地区之间的数字鸿沟，地区之间的数字鸿沟不会轻易产生。利用数字技术，人们可以在虚拟空间上完成各种交易活动，从而形成统一大市场。Leoni 和 Parker（2019）以 Airbnb 公司为例进行研究发现，在新型平台经济模式下，互联网平台企业的经营管理模式，平台、用户和供应商之间的关系等都在发生变化。新型经济平台方便了交易行为，使得用户和企业能够迅速对接，并且使得原本不能形成市场规模的交易达到了市场规模的要求；与此同时，新型平台经济也对传统商业模式提出了挑战，且这种挑战呈指数式增长（Montalban 等，2019）。余文涛和吴士炜（2020）利用20092017 年中国省级面板数据研究互联网平台对市场扭曲的影响，发现互联网平台对金融市场错配和技术市场错配具有显著改善作用。互联网平台一方面显著加剧了区域内市场竞争，另一方面有利于提升区域产业专业化水平。平台经济作为一种新的资源配置方式，既不同于宏观市场也有别于微观企业，其资源配置是通过数字化的网络利益协调机制来完成的。平台经济的实质是运用大数据网络技术来克服传统经济中的信息约束、认知约束，挖掘及整合各种资源，全面提高资源配置效率（易宪容等，2020）。数字技术的广泛应用，对世界范围内产业布局和分工都将产生重大影响（Foster 等，2018；Li 等，2020）。Pouri 和 Hilty（2021）认为，数字共享经济改变了传统经济的交易方式，可以降低交易活动双方的交易成本，并将成为未来经济发展的重要趋势。Acemoglut 和 Ventura（2002）认为，人类贫富差距产生的主要原因是获取信息的能力不同，掌握更多信息的人获取财富的能力要远远高于那些不掌握相关信息甚至没有信息来源的人。很明显，数字技术的运用降低了人们获取信息的成本，有效提高了信息赵海益：数字技术对中国城乡居民收入差距的影响研究73传播和扩散的效率。同时，数字技术也使得人们搜寻信息、处理信息的能力提高。在现代数字技术的帮助下，人类建立了信息高速公路，创立了虚拟空间。信息被存储在虚拟空间中，并通过信息高速公路实现了快速传播。通过互联网，人们可以方便、快捷地将生产和需求信息传播给全世界。从供给和需求角度来看，数字技术拉近了生产者和需求者之间的距离，节省了众多中间环节，降低了社会的协商和契约成本，提高了整个社会经济运行的效率（李海舰和李燕，2020）。当来自全国、全世界的生产者和需求者都聚集在数字技术打造的虚拟空间时，人们可以方便地互通有无并完成交易活动。虚拟空间成为商品和要素的交易场所，实现了全国、甚至全世界范围内统一市场的建立（胡伟等，2017）。一个完善的商品和要素市场在虚拟空间中形成了，这在实体空间中是无法完成的。当世界在虚拟空间实现了市场一体化之后，后发地区将拥有发展机会，在市场经济作用下实现要素价格的均等化，走向共同富裕，缩小社会个体之间的收入差距（陈万钦，2020）。由此，本文提出如下研究假说：假说 H0：数字技术的广泛应用有助于缩小中国城乡居民收入差距。三、研究设计（一）样本及数据来源本文数据来自中国国家统计局网站数据库（http:/ 20132019 年，其原因在于：2013 年起，中国国家统计局改变了城乡居民收入统计口径，2020 年起由于新型冠状病毒感染疫情的爆发，中国经济发展受到了不可抗力的影响，对中国经济发展的既有轨迹形成极大冲击，因此，20132020 年各年度的数据可比性较强。本文的数据以省级为单位进行分组，因为中国各省份之间存在较大差异，而省份内部差异相对较小，以省级为单位能够有效排除部分地区间差异，使省级单位内部城乡居民人均收入差异的计算结果更加稳健和可靠。（二）变量及模型设定本文主要研究数字技术的广泛应用对中国城乡居民收入差距的影响。因此，本文的被解释变量是中国城乡居民收入差距。关于中国城乡居民收入差距的衡量指标，有若干种衡量方法，首先，本文选择以省为单位，计算省级单位内部城乡差异，这样可以排除由于省级单位不同而带来的地区之间差异的影响。其次，本文选择城乡居民人均可支配收入作为衡量指标。可支配收入是居民可支配的真实收入，能够衡量城乡居民实际收入状况，具有一定的可比性和可靠性。本文的核心解释变量是中国数字技术的应用。中国数字技术的应用以各地区互联网销售作为衡量指标，各地区互联网销售额越高，说明该地区数字技术使用程度越高。反之，则较低。为防止其他因素的影响，本文控制了地区 GDP 总量、人均 GDP、地区等级公路里 第35卷第2期2023年4月74程以及城乡教育水平差异等因素。本文采用面板数据固定效应模型进行回归分析，在此基础上逐步进行内生性检验、分组检验、统计指标替换等稳健性检验，并进行机理检验分析。对于被解释变量指标，本文选择两种衡量指标进行替换：（1）城乡居民人均消费支出比；（2）城乡私营企业雇佣人数数量比。从两个不同角度反映城乡居民人均收入差异变化。基于以上研究思路及方法的分析，并参考程名望等（2015）、贺娅萍和徐康宁（2019）、段博等（2020）的做法，本文拟采用以下变量及模型对上述命题进行实证检验：CrdIncomei,t=0+1LnEsalei,t+2LnGdppi,t+3Tert/Gdpi,t+4LnHwayi,t+5LnEdui,t+i+t+i,t(1)其中，i 表示地区，t 表示时间。1.被解释变量CrdIncomei,t，表示 i 地区第 t 年的城乡居民人均收入差距，以城镇居民可支配收入除以农村居民人均可支配收入的比值来衡量。该指标值越高，说明该地区的城乡居民收入差距越大；反之，则说明城乡居民人均收入差距在缩小。2.解释变量LnEsalei,t，用 i 地区第 t 年互联网销售额的对数反映该地区数字技术使用程度。该数据越高，说明该地区数字技术使用程度越高；反之亦然。3.虚拟变量Di=1,i 低比例组=0,i 高比例组，将 31 个省（自治区、直辖市）按照 2019 年该地区有电子商务交易活动的企业数比重排序，比例较高的前 15 名为数字经济较高组（Di=0），后 16 名为数字经济较低组（Di=1），形成处理组和对照组的对比关系，分组情况如表 1 所示。表1样本组别组别地区虚拟变量高比例组（处理组）北京、安徽、海南、山东、重庆、四川、浙江、福建、上海、陕西、广东、云南、西藏、湖南、湖北Di=0低比例组（对照组）广西、江苏、贵州、青海、江西、宁夏、甘肃、天津、河北、河南、山西、内蒙古、新疆、辽宁、吉林、黑龙江Di=1注：按各地区2019年互联网企业占比（按中国国家统计局网站发布的有电子商务交易活动的企业数比重计）进行分组排序，排序靠前的15个地区为高比例组，排序靠后的16个地区为低比例组。4.控制变量LnGdppi,t，代表 i 地区第 t 年人均 GDP 的对数，反映该地区的劳动生产率平均水平。该数值越大，说明该地区的劳动生产率越高。Tert/Gdpi,t，代表 i 地区第 t 年该地区第三产业比重，以第三产业 GDP 除以该地区GDP 后的比重来衡量。该数值越大，说明该地区的经济越发达。LnEporti,t，代表 i 地区第 t 年该地区互联网端口数量的对数，反映该地区互联网基础投资水平。该数值越大，说明该地区互联网基础设施越好。LnHwayi,t，代表 i 地区第 t 年等级公路里程的对数。该数值越大，说明该地区的交赵海益：数字技术对中国城乡居民收入差距的影响研究75通越方便，经济活力较大，人均收入相对较高。LnEdui,t，代表 i 地区第 t 年教育水平，以该地区小学教师人数的对数衡量。该数值越大，说明该地区教育水平较好，劳动力的素质相对较高，劳动力人均收入水平相对较高。四、实证检验（一）统计分析2012 年开始，中国政府明确提出“互联网+”工程。经过十余年的建设和发展，中国各行业的“互联网+”工程建设都取得了长足进展，使得中国跨步走进了数字经济时代。国家统计局 2020 年公布的数据资料显示，20132019 年，中国各行业中有电子商务活动企业的比重均显著增长（见表 2），建筑业增幅最小，但也达到了 37%。全国各行业电子商务销售额从 2013 年的 1.69万亿元增长到 2019 年的 5.67 万亿元，平均增长率 22.35%。数字技术的广泛应用，降低了信息的搜寻成本、处理成本和传播成本，克服了地理空间上的障碍，这对于商品销售和要素市场的信息传播具有极大的帮助。以批发和零售行业为例，商品销售是一个高度依赖信息的行业，数字技术的广泛应用方便了商品和要素供需双方的信息沟通，极大地提高了市场交易的效率，这也使得互联网能够在批发零售行业中最先打开“市场”。20132019 年，批发和零售行业电子商务销售额一直保持增长，且增长的速度远远大于批发和零售行业自身的增长速度，导致电子商务销售额的比重在批发零售行业中的比重越来越高，实现了网络虚拟空间对实体空间的替代。网络成为供需双方交易的场所，只要能够连上网络就能够进入市场。在“网络就是市场”的背景下，网络成为进入社会化大生产的“入口”，社会化大生产也通过数字技术扩表220132019 年各行业有电子商务交易活动的企业占比情况行业有电子商务交易活动的企业占比（%）占比增加（%）2013年2019年采矿业1.13.3200.0电力、热力、燃气及水生产和供应业2.26.1177.3房地产业1.33.1138.5建筑业2.73.737.0交通运输、仓储和邮政业3.26.190.6教育2.67.5188.5居民服务、修理和其他服务业3.28.1153.1科学研究和技术服务业3.68.3130.6批发和零售业4.013.6240.0水利、环境和公共设施管理业7.013.288.6卫生和社会工作3.37.5127.3文化、体育和娱乐业12.720.561.4信息传输、软件和信息技术服务业14.021.452.9制造业7.210.241.7住宿和餐饮业8.932.1260.7租赁和商务服务业4.89.291.7数据来源：由中国国家统计局网站整理而得。第35卷第2期2023年4月76大了自己的边界。在数字技术时代，一个国家被整合成了一个市场，甚至全世界整合为一个市场。通过梳理中国经济数字化转型的历程可以发现，自 2013 年起，中国互联网宽带用户处于增长态势，2019 年互联网宽带用户人数是 2013 年用户的 2 倍之多，且每年的互联网销售额均为正增长。同时，自 2013 年起，中国城乡居民人均收入比呈现逐年下降趋势。由图 1 可以看出，中国互联网宽带用户数量与中国城乡人均居民可支配收入比之间呈负相关关系，即随着中国经济数字化转型，中国城乡居民收入差异也随之下降。经济数字化转型对缩小中国城乡居民收入差异具有显著促进作用。3.53.02.5Crdlncome2.057LnEsale9图1互联网销售额与城乡居民人均可支配收入比散点图数据来源：根据中国国家统计局网站（http:/ 3 报告了本文主要变量之间的 Pearson 线性相关系数和 Spearman 相关系数。Pearson 相关系数和 Spearman 相表3主要变量的 Pearson 相关系数和 Spearman 相关系数变量CrdIncomeLnEsaleLnGdppTert/GdpLnHwayLnEduCrdIncome1.000.47*0.45*0.07*0.040.13*LnEsale0.44*1.000.76*0.21*0.29*0.49*LnGdpp0.50*0.73*1.000.40*0.060.01Tert/Gdp0.110.32*0.60*1.000.38*0.40*LnHway0.17*0.110.35*0.64*1.000.81*LnEdu0.11*0.53*0.040.45*0.78*1.00注：*、*和*分别表示1%、5%和10%的显著性水平，表中左下方是Pearson相关系数，右上方是Spearman相关系数。赵海益：数字技术对中国城乡居民收入差距的影响研究77关系数均表明，主要变量之间存在较为显著的相关关系，说明主要变量之间存在紧密联系，彼此之间可能存在因果关系；Pearson 相关系数都小于 0.80，初步排除主要变量之间可能存在的完全共线性关系，可以带入计量模型进行计量分析。表 4 是本文主要变量的描述性统计结果。可以看出，所有变量的标准差都大于 0，因此，排除了“不动点”变量的存在。此外，由于本文所使用的面板数据为全国 31 个省（自治区、直辖市）20132019 年数据，即 N=31、T=7，属于短面板数据（NT），因此，本文没有进行面板数据平稳性检验。根据表 3 和表 4 的检验结果，可以将变量带入式（1）进行回归分析。表4主要变量的描述性统计变量观测值平均值标准差中位数最小值最大值CrdIncome2172.590.372.551.853.56CrdExpen2172.170.302.121.633.33LnEsale2177.371.427.573.4510.31LnNetpeop2176.511.006.613.008.24LnEport2177.300.987.473.799.05LnGdpp21710.830.4210.7410.0412.01Tert/Gdp2170.500.080.490.350.84LnHway2172.370.812.600.233.46LnEdu2172.660.832.820.634.032.基准回归将上述通过检验的数据带入式（1）进行回归分析，利用面板数据回归分析方法，分别进行个体固定效应、时间趋势固定效应、双向固定效应、随机效应以及混合回归，回归结果如表 5 所示。从统计学角度来看，大部分解释变量系数通过了 5%的显著性水平检验，个别控制变量系数在 10%的水平上显著。式（1）的 F 检验系数在 1%的水平上显著，且 R2值相对较好，说明回归方程设定合理，较好地解释了被解释变量，达到了预期的效果。Hausman 检验结果显示，时间趋势固定效应更为有效，故本文使用时间趋势固定效应模型。根据式（1）的回归分析结果以及 Hausman 检验结果（见表 5），从经济学意义上来讲，可以进一步得出如下结论：中国数字技术的广泛使用对城乡居民人均可支配收入比下降具有显著促进作用。随着中国互联网用户的不断增长，城乡商品市场和要素市场逐渐实现了统一，越来越多的用户在互联网平台上交换需求信息、供给信息，同时也交换生产要素的市场信息，城乡居民通过网络实现了获取信息机会的均衡。对于中国广大的农村地区，由于人口的分散以及地理位置偏远，人们获取信息的能力远不如城市地区。农村和城市的差距在不断地扩大。近年来，数字技术改变了这一趋势，降低了人们搜集信息、处理信息和传播信息的成本。只要能够连接上网络，就可以获取想要的信息。随着中国“互联网+”工程的推广和建设，互联网已经基本上覆盖了中国广大的农村，农村居民也实现了网络化，其获取信息的能力与城市居民的差别正在缩小（金春枝和李伦，2016）。通过互联网数字技术的建设和应用，中国将广大的农村地 第35卷第2期2023年4月78区以及偏远地区也纳入社会化大生产的网络，提高了农村居民的收入，缩小了城乡居民可支配收入的差距。表5基准回归结果变量CrdIncome个体固定时间固定双向固定随机效应混合回归LnEsale0.0050.0480.016*0.0010.045（0.008）（0.042）（0.008）（0.008）（0.041）LnGdpp0.294*0.384*0.314*0.271*0.423*（0.042）（0.108）（0.065）（0.033）（0.101）Tert/Gdp0.0282.281*0.0670.0041.979*（0.119）（0.427）（0.167）（0.121）（0.392）LnHway0.077*0.267*0.0580.074*0.220*（0.046）（0.055）（0.044）（0.038）（0.049）LnEdu0.206*0.1110.221*0.113*0.094（0.068）（0.070）（0.063）（0.048）（0.069）常数项5.393*6.228*（0.254）（0.968）观测值217217217217217R20.6790.3840.2130.6340.381Adj-R20.6170.3510.0280.6260.366F统计量76.508*25.527*9.465*365.853*25.950*Hausman检验15.594*1706.600*45.255*注：*、*和*分别表示1%、5%和10%的显著性水平，括号内为标准差。五、稳健性检验本文拟从两个方面进行稳健性检验，即变量内生性问题检验和被解释变量统计指标设定问题检验。（一）内生性检验本文采用工具变量法解决内生性问题。本文以各地区互联网端口数量作为各地区互联网销售额的工具变量，原因在于：（1）各地区互联网端口数量与各地区互联网销售额之间存在正相关关系。一是，各地区宽带接入用户数量与该地区互联网端口数量之间存在正相关关系，互联网端口数量越多，该地区宽带接入用户的数量也越多。二是，随着互联网用户的增加，互联网销售额一般也随之增长。因此，各地区互联网端口数量与该地区互联网销售额之间存在正相关关系。（2）地区互联网端口数量与城乡居民人均收入比之间没有必然联系，一是，本文计算城乡居民平均收入比采用的是省内数据，并非全国数据；二是，互联网建设是一项国家政府行为，是一项基础建设工程，不能随意改变，不会随着居民收入的变化而变化，因此与居民收入之间的联系并不紧密。综上所述，各地区互联网端口数量可以作为各地区互联网销售额的工具变量，且满足工具变量所要求的两个特征。因此，式（1）转变为以下两阶段形式：LnEsalei,t=0+1LnEporti,t+i+t+i,t(2)赵海益：数字技术对中国城乡居民收入差距的影响研究79LnEporti,t-1LnEsalei,t其中，表示 i 地区第 t 年各地区互联网端口数量的对数，作为的工具变量。CrdIncomei,t=0+1FitLnEsalei,t+2LnGdppi,t+3Tert/gdpi,t+4LnHwayi,t+5LnEdui,t+i+t+i,t(3)FitLnEsalei,tLnEsalei,t其中，表示式（2）中的拟合值。将上述数据带入式（2）进行回归分析，分别采用个体固定效应、时间趋势固定效应、双向固定效应、随机效应以及混合回归方法进行回归分析，结果如表 6 所示。表6互联网销售额对互联网端口回归分析结果（工具变量第一阶段回归）变量LnEsale个体固定时间固定双向固定随机效应混合回归LnEport0.976*1.187*0.1541.005*1.168*（0.061）（0.063）（0.195）（0.057）（0.058）常数项0.0331.156*（0.441）（0.429）观测值217217217217217R20.5790.6290.0030.5900.652Adj-R20.5080.6170.2030.5880.650F统计量254.278*355.085*0.617308.919*402.183*Hausman检验1.81147.410*20.787*注：*、*和*分别表示1%、5%和10%的显著性水平，括号内为标准差。从表 6 的各项统计指标，以及 Hausman 检验结果可以发现，时间趋势固定效应方法更为有利。不仅相关系数的 t 检验值在 1%水平上显著，且 Hausman 检验值也最大。因此，本文选择时间趋势固定效应方法计算结果作为工具变量法第一阶段回归结果，并将时间趋势固定效应方法的拟合值带入式（3）进行回归，结果如表 7 所示。由表 7 可以看出，通过工具变量法修正之后，大部分解释变量都在 1%的水平上显著，且 R2也有显著改善。可见，原模型变量之间存在很大内生性问题。通过工具变量法极大地消除了变量之间的内生性问题。表 7 进一步验证了数字经济对中国城乡居民人均可支配收入差距有显著影响的结论，原结论具有稳健性。（二）统计指标替换为防止统计指标的误差，本文更换被解释变量的统计指标进行稳健性检验，以进一步增强本文结论的稳健性和可信性。1.城乡居民人均消费支出比本文被解释变量采用城乡居民人均可支配收入比来衡量，现实中由于种种原因可能存在灰色收入而没有被统计入城乡居民可支配收入，导致采用城乡居民人均可支配收入来衡量居民收入差异可能并不全面。一般来说，居民消费会随着收入的增长而提高，一定程度上可以通过居民消费支出有效地衡量居民收入，因此，本文采用城乡居民人均消费支出比（CrdExpen）作为替换指标，来衡量城乡居民人均收入比的变化情况。第35卷第2期2023年4月80表 8 报告了被解释变量替换为城乡居民人均消费支出比（CrdExpen）后的计量分析结果。结果显示，数字经济的发展同样对城乡居民人均消费支出差距具有显著的表7互联网销售额对地区收入差异回归分析结果（工具变量法第二阶段回归）变量CrdIncome个体固定时间固定双向固定随机效应混合回归FitLnEsale0.0300.356*0.038*0.052*0.252*（0.021）（0.056）（0.020）（0.020）（0.053）LnGdpp0.292*0.0980.318*0.274*0.279*（0.041）（0.086）（0.065）（0.031）（0.078）Tert/Gdp0.0542.010*0.1220.0851.484*（0.119）（0.361）（0.170）（0.120）（0.351）LnHway0.0400.240*0.0080.0260.160*（0.051）（0.050）（0.048）（0.040）（0.048）LnEdu0.199*0.265*0.210*0.109*0.175*（0.067）（0.080）（0.063）（0.047）（0.080）常数项5.374*4.015*（0.241）（0.869）观测值217217217217217R20.6810.4810.2080.6380.438Adj-R20.6200.4530.0230.6300.425F统计量77.449*37.976*9.217*372.481*32.893*Hausman检验9.548*23.403*13.762*FitLnEsaleLnEsale注：*、*和*分别表示1%、5%和10%的显著性水平，括号内为标准差，表示式（2）中的拟合值。表8替换被解释变量：城乡居民人均消费支出比变量CrdExpen个体固定时间固定双向固定随机效应混合回归FitLnEsale0.0020.257*0.0010.0300.114*（0.049）（0.048）（0.049）（0.037）（0.048）LnGdpp0.459*0.0510.737*0.384*0.299*（0.094）（0.073）（0.164）（0.056）（0.071）Tert/Gdp0.556*2.070*1.114*0.514*1.339*（0.277）（0.306）（0.425）（0.266）（0.318）LnHway0.1770.132*0.1600.191*0.022（0.118）（0.042）（0.121）（0.057）（0.044）LnEdu0.329*0.172*0.371*0.0530.048（0.156）（0.068）（0.158）（0.069）（0.072）常数项6.899*4.555*（0.501）（0.789）观测值217217217217217R20.6180.4180.1590.5570.329Adj-R20.5450.3870.0380.5470.313F统计量58.641*29.498*6.626*265.309*20.662*Hausman检验48.869*177.930*9.131FitLnEsaleLnEsale注：*、*和*分别表示1%、5%和10%的显著性水平，括号内为标准差，表示式（2）中的拟合值。赵海益：数字技术对中国城乡居民收入差距的影响研究81缩小作用。2.城乡就业人数比城乡居民人均收入的变化还可以从城乡人员的流动中反映出来。根据经济学原理，“理性人”总是向收入高的地方流动。如果劳动力逐步向农村回流，则说明农村收入有所增长，且城乡收入的差距正在逐步缩小。因此，本文采用城乡私营企业就业人数比（CrdLabour）替代城乡居民人均可支配收入比来衡量中国城乡居民收入差距的变化。表 9 报告了回归方程的被解释变量替换为城乡私营企业就业人数比（CrdLabour）后的计量分析结果。表9替换被解释变量：城乡私营企业就业人数比变量CrdLabour个体固定时间固定双向固定随机效应混合回归FitLnEsale0.0871.119*0.0490.0050.698（1.224）（0.617）（1.213）（0.699）（0.558）LnGdpp3.1652.120*3.7920.1431.373*（2.344）（0.946）（4.037）（1.069）（0.826）Tert/Gdp4.5952.2503.0410.0123.178（6.866）（3.950）（10.462）（5.248）（3.723）LnHway2.5640.4572.1980.2320.252（2.931）（0.545）（2.989）（0.826）（0.510）LnEdu3.2530.2754.6420.7490.122（3.865）（0.876）（3.886）（1.195）（0.846）常数项6.08910.426（10.217）（9.223）观测值217217217217217R20.0100.0550.0100.0060.044Adj-R20.1810.0040.2210.0170.021F统计量0.3822.377*0.3701.3331.938*Hausman检验2.9503.4043.404FitLnEsaleLnEsale注：*、*和*分别表示1%、5%和10%的显著性水平，括号内为标准差，表示式（2）中的拟合值。由表 9 可以看出，互联网销售额的增长与各地区城乡私营企业吸收劳动力人数比存在显著的负相关关系，即：随着地区互联网销售额的不断增长，该地区城乡私营企业吸收劳动力的人数比在下降，这说明部分进城务工人员返乡就业、原拟进城务工人员留在农村就业了。随着数字技术的发展，部分企业借助数字技术在农村创业，扩大了农村劳动力的就业前景，因此，部分劳动力在农村就能找到满意的工作，不再需要进城务工。六、异质性检验地区之间存在显著差异是中国经济发展的重要特征，对中国进行分区研究能够有效排除由于地区之间巨大差距导致的结果不同。本文按照中国各地区企业电子商务交易活动比重的高低进行排序，并将全国 31 个省级单位分为两组。排名在前的 15 个地 第35卷第2期2023年4月82区组成电子商务交易活动的企业数比重较高组，排名在后的 16 个地区组成电子商务交易活动的企业数比重较低组（见表 1）。对两组分别进行计量分析，分别检验两组内数字经济对本地区城乡居民人居可支配收入差距变化的影响。表 10 和表 11 分别报告了高比例组和低比例组的计量分析结果，从中可以看出，几乎所有变量都在 1%的水平上显著，个别变量在 10%的水平上显著。且 Hausman 检验结果显示，时间趋势固定效应模型更适合。表10高比例组回归分析结果变量CrdIncome个体固定时间固定双向固定随机效应混合回归FitLnEsale0.0360.313*0.044*0.057*0.199*（0.027）（0.084）（0.024）（0.023）（0.067）LnGdpp0.301*0.0730.1070.251*0.316*（0.061）（0.147）（0.117）（0.042）（0.099）Tert/Gdp0.0241.227*0.2700.0731.111*（0.191）（0.362）（0.221）（0.184）（0.357）LnHway0.0220.0770.0250.0220.022（0.068）（0.066）（0.061）（0.050）（0.062）LnEdu0.292*0.334*0.378*0.109*0.227*（0.113）（0.124）（0.110）（0.065）（0.114）常数项5.135*4.829*（0.310）（1.125）观测值105105105105105R20.7620.5090.3030.7290.491Adj-R20.7080.4510.0830.7150.466F统计量54.283*19.302*6.873*265.849*19.130*Hausman检验4.14622.802*9.104FitLnEsaleLnEsale注：*、*和*分别表示1%、5%和10%的显著性水平，括号内为标准差，表示式（2）中的拟合值。比较高比例组和低比例组可以发现，两组都分别验证了数字技术的使用对中国城乡居民人居可支配收入差距的缩小具有显著影响，且对低比例组的影响系数更大。通过这一对比还可发现，高