互聯網使用對個人收入的提升作用及分化效應研究

□李夢凡

[河海大學 南京 211100]

引言

從農耕時代到工業時代再到信息時代，技術不斷推動人類社會發展。進入新世紀以來，互聯網正以不可逆轉的力量，在全球范圍掀起一場涉及諸多層面的深刻變革，不斷刷新生產、流通、分配和消費的模式。人類正經歷所謂的“互聯網時代”，互聯網技術的大眾化應用，日漸成為人們社會生產以及日常生活的重要組成部分。2002年，黨的十六大報告中首次出現“互聯網”相關內容。2017年，黨的十九大報告多處提及互聯網，涵蓋網絡文化、網絡安全、網絡管理等多個方面。2020年，黨的十九屆五中全會又特別強調發展數字經濟。近年來，中國的網絡建設持續加速、應用環境全方位優化、基礎資源保有量不斷攀升，不僅在成功應對突發公共衛生、安全等事件上提供了關鍵技術支撐，也逐步成長為推動經濟邁向高質量發展的新引擎之一。2021年，中國互聯網絡信息中心（CNNIC）正式發布的第47次《中國互聯網絡發展狀況統計報告》指出，截至2020年12月，中國網民規模達9.9億，互聯網普及率達70%。其中，農村網民規模達3.1億（城鎮6.8億），占網民群體的31%；受教育程度在初中及以下的網民群體占比近60%；有收入但月收入在1 000元以下的網民群體占比超過15%①。這些數據表明，中國互聯網行業和相關基礎設施建設發展迅速，惠及人群愈加廣泛。但在互聯網普及率與互聯網應用能力等方面，還有一定程度的發展不平衡、不充分問題。正像歷次技術變革存在的多方面伴生現象一樣，隨著互聯網技術的深化和擴散，“數字鴻溝”“數字貧困”等現象也在頻頻進入世界范圍內的公眾視野。已有研究指出[1]，“數字鴻溝”會經歷兩個發展階段：首先是接入可及性差異階段，這曾是數字鴻溝的基本形態；其次是互聯網應用差異階段，這個階段會觸發互聯網紅利差異。也就是說，隨著數字鴻溝的發展，收入分配格局也將產生重要的動態變化。那么，在當前系列復雜綜合因素的作用背景下，互聯網使用對居民個人收入的影響如何，其作用有無分化趨勢，是本文嘗試研究的主要問題。

一、文獻回顧

（一）互聯網使用與勞動者收入提升

2019年中國社會科學院發布的《人口與勞動綠皮書：中國人口與勞動問題報告No.19》中提及，互聯網使用行為可使個體年收入增加46.5%，而且這對中低收入、中高技能勞動群體影響顯著②。陳玉宇和吳玉立較早地研究了個人電腦的使用與工資之間的關系。該研究利用2005年全國家庭普查數據，采用虛擬變量和趨勢得分模型估計使用個人電腦的工資回報率。在控制性別、年齡、教育水平、職業以及工資黏性等因素的情況下，回報率高達20%[2]。以農業領域的勞動者為例，許竹青等研究了信息的有效供給對農民跨越“數字鴻溝”“享受信息紅利”的影響。這項研究通過對農業信息短信服務與農產品的售價的因果關系以及內在作用機制進行分析，發現信息有效供給能顯著提高易腐產品（豆角）售價，從而提高農業從業者的收入[3]。曾億武等研究了電子商務與農戶農業收入的關系，發現前者顯著地促進了后者，而增收差異可以追溯到物質、人力和社會資本在內的資本稟賦差異[4]。程名望、張家平研究了信息與通訊技術與城鄉收入差距之間的關系。該項研究先基于理論分析假設二者間的非線性關系，然后采用2003～2016年中國省級面板數據進行驗證。發現互聯網普及對城鄉收入差距呈現先增后降的“倒U型”影響，并確認時間拐點在2009年，這意味著互聯網技術給中國城鄉融合發展帶來了重要機遇。最后，還利用中國社會狀況調查數據（CGSS2015），發現現階段互聯網普及能夠縮小城鄉居民收入差距的直接原因是其對農村居民收入的提升效應相比城鎮居民更大[5]。趙羚雅、向運華基于CFPS2016數據，考察互聯網使用和社會資本對非農就業的影響，發現互聯網使用使得農村居民非農就業概率提高了49.3%，社會資本是互聯網使用影響農民非農就業的重要途徑[6]。邱子迅和周亞虹通過匹配“中國電子商務發展指數”與CFPS2016和CFPS2018數據，從供需有效對接的角度，研究了電子商務與農村家庭增收的關系以及異質性[7]。劉生龍等研究了農村居民使用互聯網的收入回報。該研究利用CFPS2010、CFPS2014和CFPS2018的個人調查數據，采用廣義隨機森林模型、工具變量法發現互聯網使用對農村人口收入增加有顯著因果效應，發現該效應在青年和較高教育程度人群中尤為明顯，提出并驗證了互聯網影響農村居民收入的路徑機制，如更多的就業機會、更靈活的就業形式等[8]。羅楚亮和梁曉慧采用CMDS2016數據研究也發現，借助互聯網找工作，可以降低信息不對稱，產生工資溢價效應，而且該效應在教育程度高、累計流動時間長的群體中更強[9]。

（二）提升效應論爭與異質性

但是同時還有學者（如劉生龍等）指出，互聯網對個人收入的影響，學術界仍有爭論[8]。盡管該研究領域較有影響的克魯格很早就利用美國人口普查數據實證分析得出，電腦使用對個人收入具有10%～15%的提升作用[10]。然而后續許多研究者質疑了克魯格的研究與結論。漢德爾指出，該研究利用截面數據做回歸，有可能存在遺漏變量導致的偏誤，從而使得估計結果不具備說服力。貝爾的研究支持了這種質疑，他利用固定效應控制不可觀測的個體差異之后，發現互聯網使用對工資的影響不顯著[11]。類似的，皮施克做了一項很有意思的研究。他考慮辦公工具的選擇性，利用德國的截面數據，發現白領工人在工作中使用的工具，無論是電腦還是普通鉛筆，都會與高收入有很強的相關性。借此他指出，在不控制個體不可觀測特征的情況下，簡單的回歸結果難以保證可靠的因果推斷[12]。趙建國、周德水利用2016年中國流動人口動態監測調查數據，研究了互聯網使用與大學畢業生工資的關系?；谛畔⑺褜だ碚?、運用傾向值匹配法和分位數回歸法，發現前者對后者提高有顯著作用，但隨著分位點的提高，互聯網使用的影響程度不斷減弱，呈倒U形趨勢。此外，影響效應存在區域差異性、戶籍差異性[13]。譚燕芝等考察了信息化與個人收入的影響以及城鄉差異。該研究基于CFPS2014數據，發現在控制個人異質性特征的情況下，互聯網使用能夠對個人收入提升14%，城市樣本中約為20%，但是農村樣本并不顯著。值得關注的是，這個研究還發現城鄉互聯網重視程度并無顯著差異，回報率差異根源可能在互聯網應用能力差異上[14]。蔣琪等基于CFPS2010、CFPS2014的面板數據，運用FE和PSM-DID模型，估計互聯網使用對居民個人收入的影響，發現互聯網對中年人、農村戶籍群體、高等教育群體的影響相對較大，而認知能力和互聯網用的學習用途，是可能的作用機制[15]。迪馬吉奧和豪爾吉陶伊基于美國綜合社會調查發現教育、認知能力和收入高的群體更多利用互聯網“積累資本”，而非單純娛樂[16]。這一觀點，在邦法德利的研究中得到再次驗證，后者利用瑞士數據發現，高教育、高收入者一般利用互聯網獲取經濟利益，社會經濟地位低的用戶娛樂居多[17]。郝大海和王磊應用中國的數據（CFPS）獲得了與上述研究類似的結論。該研究通過多層次回歸模型，區分地區和個體因素，發現地區因素影響互聯網接入可及性，而接入網絡后地區因素的影響下降，網絡應用目的差異更多地與個人社會結構性因素有關[18]。申廣軍、劉超使用企業層面微觀數據（中國工業企業數據庫）發現，使用信息技術的企業其勞動收入份額更高，也就是說信息技術存在分配效應，且具有異質性[19]。這說明就業機會、形式和類別很可能會影響互聯網使用的收入提高效果。王元超基于互聯網對個人收入提高具有的技術效應和資本效應，探討兩種效應的階層異質性，通過CFPS2014數據實證發現“倒U型”的效應–階層關系[20]。葉明睿和蔣文茜基于信息鴻溝和相對貧困視角，通過田野調查，對信息增收行為路徑做出感知、籌劃、行動和評估的階段式劃分，研究發現，擬態環境構建、結構系統性認知、社會資本現實轉化等方面的信息能力困境是制約貧困群體信息增收的重要表現[21]。馮喜良等利用CLDS2014和CLDS2016數據定量研究互聯網使用的性別工資收入差距，發現農民工整體的工資溢價效應明顯，且互聯網使用可以縮小性別工資收入差距?；ヂ摼W使用技能進行精準化培訓，尤其是提高女性農民工互聯網的使用能力，是縮小農民工的性別工資收入差距的關鍵步驟[22]。

（三）文獻啟示與本文思路

梳理文獻發現，盡管大部分研究支持互聯網使用對個人收入的正向影響，但仍有存疑之處，如影響的不確定性、影響的群體差異性。對于識別互聯網使用的收入處理效應，多數研究在“直接利用OLS回歸結果很可能存在偏誤”上能達成共識，但是究竟應使用什么識別方法，看法及做法并不統一。相當一部分研究采用傾向得分匹配（PSM）方法。另有研究盡管使用PSM方法，也意識到該方法并不能很好解決內生性問題，因為不可觀測因素的干擾。但是只進行了平衡性檢驗、共同支撐區間檢驗和多種匹配方法的穩健性檢驗，這些檢驗措施仍然不能或不能很好地解決不可觀測因素干擾問題。除了直接測算的經驗研究，一些文獻還探究了更深層次的因素，如互聯網應用能力、互聯網資本等。如邱澤奇等基于互聯網資本視角指出，因接入機會差異導致的數字鴻溝，這是信息富有和信息貧窮之間的差異，可以由基礎設施的發展建設來填平。這種“改善”同時觸發了互聯網紅利差異，關乎人們互聯網運用上的差別而產生的數字不平等[1]。

這些深層因素可否作為分析不可觀測干擾的切入口呢？正是在上述文獻的啟發下，本文使用傾向得分匹配思考設計互聯網使用的收入處理效應估計，考察互聯網使用能力（數字能力）因素，并通過敏感性檢驗來確定模型是否恰當，直到找到對不可觀測干擾不敏感的模型為止，從而較為準確地識別出互聯網使用的收入提升效應，然后在此基礎上展開穩健性檢驗、異質性分析與相關討論。本文的邊際工作主要體現在：首先，考慮并測算了不可直接觀測的潛變量—數字能力；其次，在因果效應識別方法傾向得分匹配分析中加入了敏感性分析與檢驗；最后，在因果效應識別的基礎上的異質性分析，突出強調新階段互聯網使用的紅利分化效應。希冀對相關領域的治理政策設計提供一些經驗依據。

二、互聯網使用的收入提升與分化效應

（一）理論分析

一般認為，影響微觀個人收入主要有其掌握的物質資本、人力資本和社會資本等因素。隨著新工具、新基礎設施、新科學知識、新經濟空間秩序等產生和發展，物質資本、人力資本和社會資本的外延也得到拓展和豐富。然而在大多數情況下，這些發展并沒有從根本上改變上述三個維度資本的根本內涵。因此，長期以來傳統的三維資本理論，是解釋個人收入、收入變化及其差異的基礎。如果計算機和互聯網的應用對個人收入帶來了影響，那么我們不禁會問：在解釋個人收入時，它應當歸為上述哪個類別呢？

看似都有關聯?？唆敻窨疾煊嬎銠C革命給工資結構帶來的影響時，提出“互聯網工資溢價”現象，并通過經驗數據，在同等條件下工作中是否使用計算機導致的個體工資差異[10]。為什么互聯網使用會帶來工資溢價或收入增加呢？此后一些研究者，將技術效應和資本效應作為重要闡釋視角。技術效應采取典型的新古典分析視角強調互聯網技術應用帶來的直接收益，通過新技術（計算機與互聯網）的應用，一方面將傳統勞動領域中的勞動者解放出來，這部分人從事更具創造性、更高效的工作，工資收入會隨著工作效率的提高而增加。另一方面，隨著互聯網技術的擴散普及、基礎設施的投資建設，會對掌握互聯網使用技術的勞動者產生新增需求，這在勞動力市場上會增加互聯網使用者的工資議價能力。與技術效應相對，資本效應強調互聯網技術應用帶來的間接收益。計算機和互聯網技術發展，與以往技術進步存在明顯差異，它在減少信息獲取的成本、擴展人們獲取信息的能力等方面具有顯著優勢。從勞動力市場上看，無論對于更好工作的求職機會，還是增加市場急需的特定類型的人力資本積累等方面，互聯網的使用者掌握著更多機會，而這會間接實現工資增長。由上述討論就可以看出，這些解釋并沒有跳出三維資本的范圍。新技術的發生天然就與物質資本積累相關，其作用的發揮往往是通過一定的物質基礎設施來實現。計算機和互聯網的應用也不例外，大到公共網絡基礎設施，小到每個人手中的通訊設備。此外，由巴赫等提出過 “數字人力資本”（Digital Human Capital）的概念[23]，也印證了互聯網越來越成為把人的能力轉化為生產、教育以及參與社會的工具，又與人力資本相關?；ヂ摶ネ?，還可能使得互聯網使用者的社會關系網絡得到強化與拓展，降低信息獲取的成本，提高獲取信息的能力，又對應著社會資本理論的部分要義。

但以互聯網為代表的新技術作用又有其獨特性。這里本文借鑒了索托的概念界定與思想觀點，他將“資本”界定為“凝聚以往投入而成、具有市場進入機會、能夠經由市場獲益的資產”，它首先是需要并且可以被積累的生產要素，同時它的作用過程又體現出一定的社會經濟機制[24]。綜合來說，可以將資本看作內含特定社會機制的發展要素。人們不斷積累它，通過它獲取收入、培養社會能力和實現個人發展。本文認為，從發展要素的意義上說，物質資本、人力資本和社會資本等，也可以視為種種具體的內含特定社會機制的發展要素或資產。人們掌握有各式各類、形態各異的資產，從勞動力到物質資產，如房屋、土地、自然資源等。如果這些資產無法進入市場，就是 “僵化”的資本[24]。這些資產獲得進入市場機會，進而得到獲取收益的可能，稱作資產轉化為資本，即資本化。經歷資本化過程，人們就不僅是各類資產占有者，而且是與市場形成有機聯系的參與主體，資產就經歷實際意義上的生產要素“投入”環節、其價值在市場運行中得到評價、完成向“產出”的轉化，進而成為資本。邱澤奇等將索托的邏輯引入互聯網應用中，提出“互聯網資本”的概念：任何因既往投入形成的、具有互聯網市場進入機會并可以通過互聯網市場獲益的資產[1]。如此一來，無論是三維資本中的哪一維度，人們占有的資產都存在一定程度上的“閑置”“僵化”，并未時時刻刻“開足馬力”給其所有者增加收入。失業或工作機會的缺乏，可以視為人力資本的閑置。局部供需失衡、停工停產，可看作物質資本的閑置。地理交通不便、通訊障礙等導致本可共享分享的社會網絡信息滯后或缺失，則體現了社會資本的閑置。不僅如此，產品聲譽、技術能力，甚至零碎時間等都屬于索托所提到的“僵化”資本，就明顯帶著互聯網時代的特征，即發現新發展要素的賦能效應。所以說，互聯網技術的應用，就像市場經濟中的“擴音器”“放大鏡”“探測儀”“傳呼機”等，有利于發現、激活和強化這些“僵化”資產，為其打通投入通道和實現產出過程拓展了機會空間，讓曾經難以轉化為資本的資產轉化為互聯網資本。

互聯網使用需要兩方面的條件：一個互聯網使用的可及性，這需要通過各類互聯網基礎設施的不斷建成、完善、接入來達成的，是一個客觀的條件；另一個是互聯網使用的能力，這是勞動者通過學習或培訓提高互聯網工具的使用能力來達到的，是一個近似主觀能動的因素。本文在此需要加以明確的是，這兩個方面之間并不存在簡單的互補關系，尤其是在基礎設施普及率較高的階段。當互聯網工具作為一種新技術簡單應用到生產生活的推廣階段，往往方便快捷，對使用技術要求不高，這時是否互聯網使用對于勞動者收入差異的影響，表現為接入機會差異導致的“數字鴻溝”。但是，隨著基礎設施的逐步建設和完善，對應用能力的要求不斷提高，即使擁有同等接入機會，互聯網使用能力上的差異開始在個體收入分布上影響力凸顯。而且更為重要的是，隨著生產、生活中互聯網接入場景的增多、深化，數字能力較低的群體甚至會被排斥、隔絕在互聯網賦能效應圈外部，不僅未獲得便利，反而轉變為發展劣勢。例如，一些老年人面臨的“數字貧困”現象就屬此類。當出現這種情況的時候，就不能單靠進一步加大對互聯網基礎設施的投入來解決，該措施有時甚至就是導致階段性“數字貧困”現象的直接原因。所以說，在考察互聯網使用的工資溢價效應的時候，除了考慮傳統三維資本，還需考慮互聯網使用在主、客觀等方面的多重賦能作用。

討論互聯網使用對個人收入影響，本文主要是通過多種路徑來進行分析的：一是互聯網使用直接影響個人收入，這里稱之為“技術效應”（或接入效應）；二是互聯網通過對經典三維資本（物質、人力和社會資本）“賦能”，從而間接影響個人收入，這即是“資本效應”（或接通效應）；三是考慮互聯網使用能力或數字能力，會影響個人對互聯網使用的概率和效果，這里統稱為“強化效應”。復雜性一方面體現在數字能力難以觀測，可能存在“內生性問題”；另一方面在微觀個體之間數字能力差異會引起互聯網使用紅利的“分化效應”。作為不可觀測因素的數字能力，對于本文的研究主題非常重要，因此被納入到理論分析以及后續的經驗研究中。

（二）實證策略

作為參照標準，本文先估計線性回歸模型。借鑒克魯格“互聯網–工資”方程[10]，構建如下基準模型：

其中，i表示不同個體，被解釋變量yi為小時工資對數，核心解釋變量 tr eati為互聯網使用情況，控制變量Xi為一系列由人口、經濟、社會、家庭、省份等相關特征變量組成的向量。待估參數 α1表示互聯網使用對于個人收入的影響，這是本文關注的估計系數。ui是本模型中的干擾項。簡單線性回歸模型，可能存在由樣本選擇偏誤引起的估計偏差，也即cov(treati,ui)≠0。

為了避免模型設定引起的偏差，本文還使用匹配方法來估計因果效應。傾向得分匹配方法借鑒Rosenbaum和Rubin的分析思路，為解決維數詛咒導致無法匹配難題，從由系列觀測變量Xi進行匹配轉向一維的傾向指數進行匹配。傾向指數是具有特征Xi的個體工作使用互聯網（treat=1）的可能性，也即個體干預分配概率，一般采用限制因變量（如logit、probit）模型估計得到。在此基礎上，分別使用一對一近鄰匹配、卡尺匹配、核匹配、局部線性匹配等方式，估計得到互聯網使用對于個人收入的平均處理效應，并進行相應的檢驗。這是一種非參數方法，但不能規避不可觀測因素的干擾。前面的理論分析指出，在互聯網使用與收入之間，的確存在著不可忽視的不可觀測因素（互聯網使用能力）的影響。

當存在不可觀測的選擇（隱性偏差），為了評估傾向得分匹配估計的可靠性，需要進行相應檢驗。Rosenbaum提出傾向得分匹配相應的敏感性分析思路[25]：當兩個個體接受處理的傾向值不同時，會存在隱藏性偏差，敏感性分析主要是研究這種偏差大到何種地步會改變之前做出的因果效應推斷結論。敏感性越低，表明之前的結論越可靠。否則，應該對傾向得分匹配估計結果保持謹慎，此時就要考慮重新設計匹配模型。本文后面將結合具體實證過程詳細展開分析。

在處理效應對不可觀測因素的干擾敏感性很高時，就要考慮如何應對這種影響。這里本文將采用探索性因子分析的方法，在模型（1）的基礎上，將原本不可觀測的互聯網應用能力（ability）納入模型，進行回歸和匹配分析：

其中， εi是本模型中的干擾項，與模型（1）有所差異，因為控制了（1）中的不可觀測因素，這里假設干擾項與處理變量無關，即cov(treati,εi)=0成立。當然，這種假設是否站得住腳，或者說在多大程度上可被接受，還需后面的敏感性分析來檢驗。我們關注的估計系數是 γ1，除上述對應用能力變量的控制和對干擾項的假定之外，其他方面與模型（1）一樣。通過傾向得分匹配方法估計出處理效應后，考察所得效應是否通過檢驗和敏感性分析。確定可以通過敏感性分析后，將進一步分性別、年齡層、城鄉戶籍、技能高低等進行處理效應異質性分析。

三、互聯網使用對收入影響的實證分析

（一）數據來源、主要變量選取與統計分析

本文使用的是中國綜合社會調查（Chinese General Social Survey，CGSS）2017年的數據。CGSS是中國最早的全國性、綜合性、連續性學術調查項目，由中國人民大學中國調查與數據中心負責執行，旨在系統、全面地收集社會、社區、家庭、個人多個層次的數據，總結社會變遷的趨勢，探討具有重大科學和現實意義的議題，推動國內科學研究的開放與共享，為國際比較研究提供數據資料，充當多學科的經濟與社會數據采集平臺。CGSS2017共完成有效樣本12 582份，問卷由3大模塊構成，分別是A核心模塊、C社會網絡和網絡社會（含I S S P 2 0 1 7）模塊和D家庭問卷（含EASS2016）模塊，公布數據包含783個變量。尤其是A和C模塊中包含居民使用互聯網情況數據，是目前國內罕見的、具有全國代表性的、個體互聯網使用數據，特別是有數字能力（互聯網使用能力）的測量指標，較為符合本文的研究需要。

本文首先關注工作中是否使用互聯網對個人收入的影響。互聯網使用采取“工作中使用互聯網所占的比例”來表示，將其處理為一個二值變量，大于0賦值為1，表示工作中使用互聯網，否則賦值為0，表示工作中沒有使用互聯網③。如表1所示，個人收入采取對數形式，用個人全年總收入的對數（tinc）來表示④。對于被解釋變量和主要解釋變量，在刪除缺失值、無效或異常數據之后，共得到9 990個樣本。為了盡量降低混淆和干擾，研究還控制了可能影響個人收入的其他變量，主要包括人口統計特征變量、社會特征變量、經濟特征變量、家庭特征變量等。首先，個體人口統計學特征包括性別、年齡、受教育年限、健康狀況等。性別（male）采取“是否是男性”來表示⑤；年齡（age）用調查年份（2017年）減去出生年份得到；受教育程度（edu）采用受教育年限來測量⑥；健康狀況（health）是受訪個人的主觀健康水平⑦，分為五個等級，數字越大代表健康水平越高。其次，經濟特征包括擁有房產數量、是不是工會會員、有無金融資產投資、工作類型等。房產（house）記錄包括與他人共有在內的所擁有的房產數量⑧；工會會員（union）不一定與福利掛鉤，但在信息獲取、權益保障等方面具有優勢，會影響到個人收入⑨；工作類型根據問卷問答來分類，每種類型的工作生成0-1二值變量⑩。再次，社會特征包括民族、有無宗教信仰、政治面貌、戶籍狀態、社會福利狀況。民族采用“是否是漢族（han）”來表示?；宗教信仰（religion）是一個二值變量?；政治面貌（party）采用“是否為中共黨員”來表示?；戶籍狀態（hukou）也是一個二值變量，非農戶口賦值為1，否則為0。

表1 主要變量描述性統計表

描述性統計顯示，工作中有互聯網使用的群體占總樣本約15%，相比未使用互聯網群體而言，使用群體個人年收入對數值平均要高出73%左右。他們的受教育程度更高，其母親的受教育程度也明顯更高。這部分人更加年輕，未婚者更多，擁有投資和房產的概率更大，參與工會的比例較高（詳見表1）。我們從現有文獻和研究結論可知，除收入外的這些變量都是直接或間接影響個人收入的重要因素。這個統計顯示出，工作中互聯網使用和互聯網使用者本身之間存在較為明顯的“選擇性”特征。同時也說明，在進行簡單回歸分析時，這些變量都有被納入模型進行控制的必要性。

（二）回歸分析

以便于比較研究，本文先對工作中互聯網使用與個人年收入之間的關系，參照模型（1），進行基于OLS回歸模型的簡單估計。為了更好的分析，還加入協變量、控制區域變量等。如表2所示，列（1）未添加任何控制，列（2）控制了區域互聯網平均應用水平，列（3）控制了省份變量，列（4）控制了個人（如受教育程度、性別、年齡、健康等）特征，列（5）增添社會特征控制變量（如民族、戶籍、政治身份等），列（6）增加控制了經濟與家庭特征（如是否加入工會、投資、住房、婚姻、子女數量等）。需要說明的是，這里本文沒有控制工作類型，主要是考慮到工作類型與互聯網使用之間存在較強的關聯，且互聯網使用會影響工作類型，若控制住則會低估互聯網使用的作用。本部分的估計結果如表2所示。

表2 OLS回歸結果表

回歸結果顯示，在沒有任何協變量的情況下，平均而言，工作中的互聯網使用使得個人年收入增加107%（計算方法為e0.727–1），且非常顯著。但這個影響太大了，由于可能存在選擇性偏差，所以引入協變量進行回歸。在此之前，考慮到工作種類極可能影響個人收入，而且在不同工作或行業互聯網使用的頻率本身有差異，加上區域互聯網應用程度的差異會影響互聯網應用，本文在不產生沖突的情況下又分別控制了區域互聯網使用頻率、省份類別變量（參見表2中第（2）（3）列結果）。控制區域互聯網應用程度和控制省份類別變量的區別不大（系數分別為54.5%與53.1%），所以在隨后的估算分析中，我們統一控制區域互聯網應用程度，不再控制省份類別變量，避免一定程度的共線或過度控制問題出現。本文引入個人特征協變量（教育、性別、年齡、年齡平方項、健康等，參見表2第（4）列結果），現有研究表明，這些變量大多對于個人收入帶著很強的正向影響，本文的結果也證實了這一點，可以看到互聯網使用的收入影響依然非常顯著，但系數大大降低（20.6%）。接著又分別引入與個人相關的社會、經濟、家庭等特征協變量（參見表2第（5）（6）列結果）進行回歸，互聯網使用的收入影響仍然具有很高的顯著性，但影響在進一步降低（系數分別為17.2%、15.2%）。也就是說，系列協變量稀釋了處理變量對收入的影響。本部分通過OLS回歸分析，我們得到初步結論：在盡可能控制影響收入的其他變量的情況下，工作中互聯網使用會使得個人收入提高16.4%（e0.152–1）。下面依據傾向得分匹配方法估計和分析互聯網使用的收入處理效應。

（三）匹配估計、平衡性檢驗與敏感性分析

考慮使用傾向得分匹配方法構造匹配樣本。傾向得分值最接近的控制組個體即為實驗組的配對樣本，通過這種方法可以最大程度減少實驗組與控制組個體存在的系統性差異，從而減少估計偏誤。采用probit模型估計傾向得分指數，從一個最基本的模型出發，將主要協變量均引入模型，利用傾向得分指數的平衡指數特征，檢驗傾向指數模型是否充分。經過多次調整、重設模型和篩選協變量之后，本部分最終得到一個通過平衡指數特征檢驗的模型，協變量包括年齡（age）、母親教育（medu）、工會成員（union）、教育（edu）、房產（house） 、戶籍（hukou）、婚姻（marriage）、子女數量（nchild）、性別（male）、漢族（han）、 投資（invest）、健康（health）、黨員（party）?。

表3上半部分顯示了在估計傾向得分值時的probit回歸結果。表3下半部分顯示，處理效應估計值ATT為18%，即表明工作中互聯網使用會使得個人收入平均增加19.7%（e0.180–1），大于前述添加系列協變量的OLS回歸模型得到的結果16.4%。對應的t值為3.58，遠大于1.96的臨界值，很顯著。這說明傾向得分匹配分析處理效應是有必要的（這里僅針對匹配相對于OLS回歸的必要性而言，該做法對于估計處理效應是否充分，后續還有更進一步的分析），簡單的OLS回歸分析低估了互聯網使用對收入增加的作用，大概低估1/5（（19.7–16.4）/16.4）。

在家政服務領域，對于“到家服務”，家政服務公司門店基本不能做現場展示，其實，他們更適合做“體驗式”的線上營銷。為此，自然正家提出了以口碑為核心的線上傳播作為主要的推廣方式，把實惠留給客戶，減少了大量的廣告宣傳費用。如果客戶體驗的效果不錯，通過“口碑相傳”就能為公司帶來更多的客戶。通過這種方式，自然正家自成立以來，得益于前沿的清潔理念和良好的服務感受，公司業務量快速增長，從“體驗客戶”轉為“長期合同”的客戶達到了客戶總數的近60%。當“單次服務”客戶成為長期客戶后，公司就逐步成為客戶家庭清潔事務的管理者。

表3 傾向得分值與處理效應估計

接著檢驗協變量的平衡性。無論是從簡單統計（見表1）還是從平衡性檢驗（見表4）來看，匹配之前控制組和處理組之間的差異都很顯著，這也說明了直接利用線性回歸得到結果不可信，不足以表達互聯網使用對個人收入的處理效應。

表4 協變量平衡性檢驗

再由表4還可以看出，經過匹配兩組協變量標準化平均值的差異明顯下降，平均降低了84.4%。匹配之后協變量的平衡性變好，除婚姻狀態變量外，t檢驗顯示絕大多數變量基本上沒有顯著差異。表4最后一列顯示的是兩組協變量的方差比，結果顯示方差比基本接近于1，滿足匹配條件，可以進行傾向得分匹配（還可參考圖1（a）所示的結果）。

圖1 平衡性檢驗（左）與傾向得分共同取值范圍（右）

從干預組和控制組的傾向指數分布情況來看，滿足共同區間要求（圖1（b）），大多數觀測值均在共同取值范圍內，在進行傾向得分匹配時損失的樣本數量極少，匹配效果較好。需要指出的是，以往使用傾向得分匹配方法研究互聯網使用與個人收入關系的文獻，大多在此止步。但如本文前面指出，傾向得分匹配方法僅僅對于可觀測變量存在樣本選擇偏誤時有效，但當存在不可觀測的選擇，就無法只依據平衡性檢驗和傾向得分共同取值范圍來得知，為了評估傾向得分匹配估計的可靠性，這里借鑒Rosenbaum提出的敏感性分析，進行相應檢驗，考察隱藏性偏差對因果效應推斷結論的影響程度[25]。

觀察表5中符號秩檢驗結果，當無法觀測到的因素對于兩種處理（treat=0和treat=1）發生比（Gamma）為1時，也即不存在隱藏性偏差時，Wilcoxon符號秩檢驗的上界（sig+）和下界（sig?）都遠小于0.000 1（參考標準是0.05），此時前述估計的處理效應是有效的。但是，當發生比大于1.5時，即考慮隱藏性偏差時，Wilcoxon符號秩檢驗的上界已不滿足0.05的參考標準，也就是說即使存在足夠小的隱藏性偏差，就可能改變之前估計的因果處理效應值。換句話說，我們通過匹配得到的處理效應對于隱藏性偏差的擾動非常敏感。

表5 敏感性分析

再看表5中Hodges-Lehmann點估計（t-hat）和置信區間檢驗（CI），當Gamma=1時，工作中互聯網使用相對于其他人的收入高出15.5%（e0.144–1），與我們之前估計出的結果差距不大，且系數在95%的置信區間[9.1%，21.5%]包含了我們之間的估計結果18%，且不包含0。但是，當Gamma=1.5時，點估計的上下界分別是–6.5%和35.9%，95%的置信區間[–13.0%，43.8%]包含了0，表示這個點估計是統計不顯著的。這樣一來，我們按照Gamma值至少是2的判斷標準，上述處理效應對于隱藏性偏差很敏感，此前估計結果的可信度不足。

綜合上述檢驗過程，沒有充分理由相信原有估計結果，那么我們為了估計出工作中互聯網使用對個人收入的影響大小，就不得不思考如何處理隱藏性偏差的問題。接下來，就按照本文前面尤其是理論分析部分的思路，嘗試以互聯網應用能力（數字能力）為視角，對不可觀測因素的偏差擾動進行探索。

四、基于互聯網使用能力的實證分析

（一）互聯網應用能力測度

由于互聯網應用能力不可以直接觀測，我們使用探索性因子分析（EFA）模型來測度互聯網應用能力。根據CGSS2017問卷中如“我會使用電腦打開網站”“我會使用智能手機下載安裝APP”“在網上查找自己想要的信息并不難”“網上（如微信、微博）看到周圍人轉發的重要消息，我會先驗證再相信”“當我想在網上表達自己的想法時，我知道怎么操作”和“在網上進行支付或交易時，我會觀察使用環境來確定是否使用”等6個問題的回答（“非常不符合”“不符合”“無所謂符合不符合”“符合”和“非常符合”，分別賦值1、2、3、4和5）來進行探索性因子分析。

在因子分析之前，必須對指標變量進行Bartlett檢驗、KMO檢驗、Cronbach信度檢驗、多元正態檢驗等先行檢驗，考察因子分析可行性，如表6所示。

表6 因子分析先行檢驗結果

Bartlett檢驗p值為0.000，非常顯著的拒絕了互聯網應用能力各指標之間不相關的原假設。KMO檢驗值為0.901，屬于非常好的檢驗值，說明本文選擇的6個指標之間具有較高的共同性，能夠用來測量公因子。Cronbach信度檢驗系數為0.899 8，遠超過可接受的臨界值0.7。上述三項檢驗都說明可以使用這些指標變量來進行因子分析。這里的多元正態檢驗都顯著的拒絕了原假設，說明這些指標不滿足聯合正態分布假設。但是在大樣本條件下，按照中心極限定理，對樣本均值統計量的推斷并無影響。從本文使用的樣本量來看，可以進行相關分析。表7是主成分因子分析結果與保留因子的載荷系數。

表7 主成分因子分析結果與保留因子的載荷系數

從圖2（a）可以看到，互聯網應用能力與個人收入之間呈現明顯的正相關關系。這也可以說明，在此前將互聯網應用能力作為一種不可觀測因素加以忽略，確實可能對本文要識別的因果效應帶來干擾偏差。這種偏差僅僅依靠由可觀測變量進行的匹配方法是不可以得到解決的，這一觀點也在前面的敏感性分析得到反映。這里還需要加以交待的是，因為調查問卷中包含“互聯網應用能力”指標變量的樣本只有2 429個，那么后續分析中所涉及的樣本與前面實證所用樣本已經發生改變，所以對前后參數估計值的絕對比較沒有太大意義。然而，這并不影響這里的分析重點—如何消除不可觀測因素的干擾。穩妥起見，本文還比較了測算前后樣本收入分布的特征，圖2（b）顯示的是全部個體和有互聯網應用能力數據的個體的收入分布情況，大致相同。此外，圖2（a）顯示了互聯網應用能力與個人收入之間的統計關系，存在很明顯的正相關關系。

圖2 互聯網應用能力、收入及其分布

（二）回歸分析

參照模型（2），加入個人的互聯網應用能力的回歸結果（詳見表8）顯示，不考慮其他協變量的情況下，工作中的互聯網使用平均會使得個人年收入顯著增加70%（e0.532–1，第（1）列）?？刂茀^域互聯網應用程度和控制省份類別變量的區別不大（系數分別為53.3%與50.1%，第（2）列和第（3）列）。引入個人特征協變量，可以看到互聯網使用的收入影響依然非常顯著，但系數大大降低（39.3%，第（4）列）。接著引入社會特征變量、經濟家庭等特征變量（第（5）、（6）列結果）發現，互聯網使用的收入影響在進一步降低（37.0%、32.9%），但是依然是顯著的。綜合來看，通過OLS回歸分析得到：在盡可能控制影響收入的其他變量的情況下，工作中互聯網使用會使得個人收入提高39%（e0.329–1）。這個回歸結果很顯著，對個人收入提高效應是不考慮個人互聯網使用能力時的2倍多。

（三）PSM估計、敏感性分析與穩健性檢驗

表9的上半部分顯示了在考慮了個人互聯網使用能力時，傾向得分值的probit回歸結果。表9下半部分顯示，處理效應估計值ATT為41.5%，即表明工作中互聯網使用會平均使得個人收入增加51%（e0.415–1），大于前述添加系列協變量的OLS回歸模型得到的結果（39%）。對應的t值為4.85，遠大于1.96的臨界值，很顯著。這說明簡單的OLS回歸分析低估了互聯網使用對收入增加的作用，大概低估31%（（51–39）/39），不容小覷。

表9 傾向得分值與處理效應估計（考慮互聯網應用能力）

接著檢驗協變量的平衡性。從平衡性檢驗（見圖3（a））來看，匹配之前控制組和處理組之間的差異都很顯著，匹配之前控制組和處理組之間的差異變?。◣缀醵荚?0%以內），可以視為兩組無差異。

圖3 平衡性檢驗（左）與傾向得分共同取值范圍（右）

從干預組和控制組的傾向指數分布情況來看，滿足共同區間要求（圖3（b）），大多數觀測值均在共同取值范圍內，在進行傾向得分匹配時損失的樣本數量極少，匹配效果較好。下面進行敏感性分析，考察隱藏性偏差對因果效應推斷結論的影響程度。

表10中的符號秩檢驗結果顯示，當仍可能存在的無法觀測因素對于兩種處理（treat=0和treat=1）發生比（Gamma）為2.5時，Wilcoxon符號秩檢驗的上界仍然滿足0.05的參考標準，同時Hodges-Lehmann 95%的置信區間[9.1%，128.7%]包含了我們之前的估計系數41.5%，且不包含0。這些結果都表明，可以認為上述處理效應對于隱藏性偏差不敏感，此前估計結果可信。也就是說，將互聯網使用能力納入考察模型后，其他不可觀測因素的擾動大概率不會對結果造成顛覆性干擾。

表10 敏感性分析

表11顯示的是除前述近鄰匹配之外，這里采用不同的匹配方法如卡尺匹配、卡尺內近鄰匹配、核匹配、局部線性回歸匹配、自助法樣條匹配、馬氏匹配等得到的處理效應估計結果以及T值。無論是從平均處理效應的估計值還是其顯著性上看，都說明了本部分估計結果的穩健性?？紤]客觀賦能效應和主觀賦能等多重效應，平均而言互聯網使用約提高了勞動者45.7%（e0.376–1）～51%（e0.415–1）的個人收入。從已有文獻的經驗研究來看，本文的結論與中國社會科學院發布的《人口與勞動綠皮書：中國人口與勞動問題報告No.19》中的測算結果（46.5%）較為接近。

表11 基于多種匹配方式的處理效應穩健性檢驗

（四）異質性分析

前面基于傾向值方法，在考慮互聯網使用能力這個不可觀測變量的基礎上，較為穩健一致的估計了互聯網使用對個人收入的處理效應。由于傾向值實質上是個體進入處理組的概率，進一步思考處理效應隨著被處理概率不同而出現差異時，就是在分析處理效應異質性問題。

本部分借助細分–多層次法（stratification multilevel Method）進行分析。主要考察四類異質性，高技能和低技能、城市和農村戶籍、年輕和大齡以及男性和女性之間的處理效應異質性。其中，城鄉與性別的數據本身就是分類數據，適用于分層。技能分層采用互聯網應用能力值4為臨界點，大于等于4分到高技能層、小于4分到低技能層?；年齡分層采取40歲為臨界點，大于等于40歲分到大齡層、小于40歲分至年輕層。

為了節省篇幅，這里省略匯報計算結果，直接以圖形來直觀展示互聯網使用對個人收入的處理效應的異質性。圖4顯示的是總括性結果，在不限制特定群體的情況下，隨著工作中互聯網使用概率的提高（即前面估計出的傾向值得分的提高），處理效應呈現出越來越強的趨勢（基本上在95%的顯著水平上）。一方面，這與本文前面的估計結果相互支撐，即互聯網使用對勞動者收入具有較穩定的提高效應；另一方面，也不難理解，互聯網應用技術像歷史上出現的新技術一樣，出現之初肯定會存在“使用紅利”，其應用場景才會逐步廣泛、應用程度才得以深化。

圖4 互聯網使用概率與處理效應異質性

圖5匯報的是從戶籍（城市=1；農村=0）、性別（男性=1；女性=0）、年齡層（非較年輕=1；較年輕=0）和數字能力（能力較高=1；能力較低=0）等四個維度考察處理效應在不同群體中的異質性。

圖5 戶籍、性別、年齡層、能力維度的處理效應異質性

從圖5（a）上看，盡管不同戶籍的人都在互聯使用中提高了收入，但相較于城市戶籍人口，農村戶籍人群在互聯網使用中的受益更多，而且隨著互聯網使用概率的增加，這種優勢愈發明顯。這與程名望等的研究結論是一致的[5]。但同時要注意，這很可能是因為當前階段農村居民享受到的互聯網使用紅利，主要源自“接入可及性”的改善上，隨著基礎設施建設普及率提高，依照本文前面的理論分析，這種效應可能消失甚至為負。圖5（b）上顯示，男性和女性在互聯網使用獲益上的差異不大，有一個趨勢性的差異是，隨著互聯網使用概率的提高，女性收入提高效應更明顯。圖5（c）對應的是年齡層處理效應異質性。兩個年齡層的人群都在互聯使用中提高了收入，但相較于年輕群體，非較年輕人群在互聯網使用中的收入提高效應較低，而且變化不明顯，隨著互聯網使用概率的增加，年輕群體表現出的優勢特別明顯。圖5（d）是針對技能分層的結果，關于技能分層處理效應異質性，有兩點值得關注：一是較低技能勞動者互聯網使用的收入提高效應，隨著互聯網使用概率的增加而逐步減弱（盡管數據顯示一直為正）；二是在使用概率較大的一側，高低技能分層群體的互聯網使用紅利也表現出了明顯的分化。也就是說，從技能分層的視角來看，較低技能的互聯網使用者很可能隨著互聯網發展而表現出數字相對貧困。

五、主要結論與相關討論

互聯網使用對個人收入存在“多重賦能”如圖6所示：一是接入效應或技術效應；二是接通效應或資本效應。不可觀測因素如數字能力，一方面影響互聯網使用，另一方面也與個人收入相關，給經驗研究帶來內生性難題。相比于已有研究，對不可觀測因素的處理，是本文想突出表達的重點。

實證研究表明：忽略不可觀測的數字能力，互聯網使用的個人收入提升效果顯著（OLS方法測算結果為16.4%； PSM方法測算結果為19.7%），但敏感性檢驗發現存在不可觀測干擾。通過探索性因子分析（EFA）控制數字能力后，處理效應依然顯著（OLS測算結果是39%；多種匹配方法測算結果為45.7%～51%），并通過敏感性檢驗。處理效應異質性分析發現，依戶籍分農村人群在互聯網使用中的受益更多，從性別看女性收入提高效應更顯著，從年齡看年輕群體隨互聯網使用頻率增多而表現出的優勢明顯，按照技能分層考察低技能勞動者互聯網使用的收入提高效應有弱化趨勢，互聯網使用紅利分化特征顯著。

當前，互聯網日漸融入人們的社會生產生活之中。在互聯網對各類型、各層次市場參與主體賦能的同時，對個人及其所掌握的各類資本也在賦能，互聯網接入可及性紅利帶著顯著的普惠性質。然而，當人人可及互聯網的時候，這類紅利不僅會逐漸弱化，而且存在以“數字能力”差異為特征的互聯網使用紅利的分化。而弱化效應與分化效應，必然會給優化收入分配格局帶來不利擾動，如數字相對貧困或成為實施鄉村振興戰略、推進共同富裕改革過程中的新題和難題。本文認為，從目前的科技水平看，互聯網本身尚不具備主觀能動性，它的發展與社會經濟發展之間不存在固定的線性關系，甚至長期看也不應存在既定的非線性關系。其發展過程中所體現出的動態異質性更需引起關注。所以，并不能僅僅依靠單方面科技建設來實現收入分配格局、城鄉發展差距、性別收入差距等社會發展指標的系統性彌合。這還取決于人們對互聯網的總體認知和應用水平、個人認識和應用能力的差異以及領域內關鍵資源在不同微觀主體之間的分布情況等等。加大對互聯網基礎設施的投資建設是一種必要手段，但是還必須更加注重對“傳統弱勢群體”和互聯網時代的“新型弱勢群體”的互聯網使用能力的培訓、分享和幫助。同樣重要的是，防止互聯網平臺、關鍵資源壟斷等造成的實際接入可及和有效接通上的非均衡、非充分發展局面，切實將共享作為互聯網發展的主題之一。

注釋

① 第47次《中國互聯網絡發展狀況統計報告》，https://zndsssp.dangbei.net/2021/20210203.pdf。

② https://www.sohu.com/a/287155035_186085。

③ 對應問卷問題c56，“在您一周的工作中，需要使用互聯網的工作大概占多大比重”。

④ 分別對應問卷問題a8a，“您個人去年全年的總收入是多少”。

⑤ 對應問卷問題a2，男性為1，女性為0。

⑥ 對應問卷問題a7a，參照李濤等（2021）處理方式：“沒有受過任何教育”賦值為0，“私塾、掃盲班”賦值為3，“小學”賦值為6，“初中”賦值為9，“職業高中、普通高中、中專、技校”賦值為12，“大學專科（含成人）”賦值為15，“大學本科（含成人）”賦值為16，研究生及以上賦值為19。

⑦ 對應問卷問題a15，“您覺得您目前的身體健康狀況是”，相應回答為：1.很不健康，2.比較不健康，3.一般，4.比較健康，5.很健康。

⑧ 對應問卷問題a12b，“目前您總共擁有幾處房產（包括與他人共同擁有）”。

⑨ 對應問卷問題a45，“請問您是不是工會會員”，從來都不是賦值為0，否則為1。

⑩ 對應問卷問題a59a，“以下各種情形，哪一種更符合你目前的工作的狀況？”，對于每一類型的工作，符合情況時賦值為1，否則為0。

? 對應問卷問題a4，漢族為1，其他民族為0。

? 對應問卷問題a51，有宗教信仰為1，否則賦值為0。

? 對應問卷問題a10，中共黨員賦值為1，其他為0。

? 本文在這里參考了stata軟件中的psestimate命令給出的模型識別策略。

? 這里參考了互聯網使用能力在勞動者群體中的分布情況，取值為4的地方與之前相比，出現了比較明顯的“跳躍”。