农村电商发展对城乡收入差距的影响——基于省域面板数据分析

The Impact of Rural E-Commerce Development on Urban-Rural Income Gap—Based on Provincial Panel Data Analysis

摘要: 农村电商发展为农村居民增收和农村经济发展注入活力。本文基于2013~2020年全国31个省份的面板数据，实证研究了农村电商发展对城乡收入差距的影响。研究发现：(1) 农村电商发展能显著缩小城乡收入差距，但政府支持力度提高反而会扩大该差距；(2) 农村电商对城乡收入差距的抑制作用在收入差距较大的地区显著减弱。基于上述结论，本文提出以下建议：政府应在现有基础上，通过开展定向培训、优化农村物流基础设施、支持特色农产品线上销售等手段，改善农村及欠发达地区的电商环境；同时通过平台补贴、信息服务等方式提升中低收入群体参与度，并促进资源公平配置，以更有效发挥电商的增收效应。

Abstract: The development of rural e-commerce has injected vitality into the income increase of rural residents and the development of rural economy. This paper empirically investigates the impact of rural e-commerce development on the urban-rural income gap based on panel data from 31 provinces across China from 2013 to 2020. It is found that (1) the development of rural e-commerce can significantly reduce the urban-rural income gap, but the increase in government support will instead widen the gap; (2) the inhibitory effect of rural e-commerce on the urban-rural income gap is significantly weakened in the areas with larger income gaps. Based on the above conclusions, this paper puts forward the following suggestions: the government should, building on existing efforts, improve the e-commerce environment in rural and underdeveloped areas by implementing targeted training programs, enhancing rural logistics infrastructure, and supporting the online marketing of local specialty agricultural products. At the same time, platform subsidies and information services should be employed to increase the participation of low- and middle-income groups and promote equitable allocation of resources, thereby enabling e-commerce to more effectively contribute to income growth.

1. 引言

随着数字经济的深入发展，农村电商已成为推动城乡融合发展的重要力量。自2005年“电子商务”首次写入中央一号文件以来，我国农村电商生态体系快速完善，淘宝村数量从2013年的3个激增至2021年的4310个，覆盖近3亿人口。尽管农村电商在促进农民增收、改善基础设施方面成效显著，但城乡收入不平等问题依然突出，2020年城乡居民收入比达2.6，绝对收入差距为2.67万元。在共同富裕的战略背景下，探究农村电商对城乡收入差距的影响机制，对实现城乡融合发展具有重要现实意义。

众多学者探讨了农村电商发展对城乡收入差距的影响，集中于两者之间的作用效果及区域异质性方面。张磊和韩雷[1] (2017)基于中国2002~2013年省级动态面板数据持相反观点，认为电商发展显著扩大了中国城乡居民收入差距。李振兴等[2] (2021)基于地级市面板数据研究得出外资进入会显著缩小城乡收入差距。陈享光等[3] (2023)基于地县域面板数据研究得出电商发展有助于缩小城乡居民人均收入差距收入差距，尤其在东部地区和ICT水平较高的区域。贺业红[4] (2020)认为，我国农村电商的迅速发展有助于缩小我国城乡居民收入差距，且中西部地区表现得更为突出。李宏兵等[5] (2021)基于中介效应模型和PSM方法等多种实证模型，研究了农村电子商务发展的收入分配效应研究，发现农村电商对城乡收入差距呈显著倒U型特征。王军和肖华堂[6] (2021)指出，数字经济发展与城乡收入差距呈现U型关系，并且在东部、中部、西部、东北部存在显著的区域异质性，西部和中部存在缩小效应、东部存在略微扩大效应、东北地区效应不明显。

现有研究对农村电商能否缩小城乡收入差距尚未形成一致结论，且多忽视城乡电商发展差异，异质性分析也局限于东中西部划分。为此，本文基于全国层面长时间序列数据，从城乡收入差距程度视角考察农村电商的差异化影响，探讨其是否以及如何发挥调节城乡收入结构的作用，弥补现有研究在作用机制和实证分析上的不足，为政策制定提供更精准的理论依据。并基于2013~2020年全国31个省(自治区、直辖市)面板数据，采用固定效应模型实证分析农村电商发展对城乡收入差距的影响。为处理潜在的内生性偏误，本研究采用工具变量法进行估计，并通过变量替换和子样本回归等方法验证结果的稳健性。进一步运用分位数回归模型，考察农村电商在不同收入差距水平下的异质性影响效应。

2. 理论分析与研究假设

现有研究指出，电子商务利用互联网优势蓬勃发展，会显著影响农村和城镇居民增收，但对两者增收作用及效果不一致[1] [7]。根据刘易斯的城乡二元经济理论可知，发展中国家的城镇居民和农村居民在劳动力和资本利用上存在差别，同时由于部分地区数字经济鸿沟的存在，二者从电商发展中所能获得的互联网红利不可能做到同质化和等量化并存[8]。在城乡二元结构背景下，农村长期处于资本回报率低、信息流通效率差的劣势地位，而电商平台能够通过“去中介化”、缩短流通链条、降低交易成本，提高农村要素的边际收益。此外，农村电商还能够通过提供创业平台与就业机会，激励农村青壮年返乡或就地就业，促进劳动力从城市非正规部门向农村新兴产业部门回流，从而改善城乡间要素配置效率。同时，其在扩大农产品及服务的交易市场、拓宽信息传输渠道等方面也具有积极作用，从整体上提升城乡资源流动与配置效率，有助于缓解收入差距[5]。尽管受制于数字基础设施薄弱等现实条件，农村电商的影响存在区域差异，但在优化资源流动与提升农村生产性收入方面仍具有明显的结构性优势。基于上述分析本文提出如下假设：

假设1：农村电子商务的发展对缩小城乡收入差距具有明显的正向作用。

城乡收入差距的程度高低会影响劳动力流动方向。我国东部、中部、西部地区经济发展程度不同，贫富差距不断加大，城乡资源分配不均，对电商平台的使用程度存在差异，这些问题都将导致城乡居民收入差距的扩大。并且，农村电商发展的收入分配效应存在显著的异质性，在我国中西部地区由于农民收入起点相对较低，相对于经济水平发达的东部地区其收入增长潜力更大；除此之外在市场化水平高的地区农村电商会促进农民增收，这是由于市场化导向的要素配置有助于改善当地收入分配和资源流动的公平性[5]。因此农村电商发展水平在城乡收入差距不同的地区的影响作用很可能具有差异性。基于以上分析，提出第二个假设：

假设2：在不同城乡收入差距水平上，农村电商发展会对城乡收入差距的缩小效应产生异质性影响。

3. 研究设计

3.1. 数据来源

本文选取了2013~2020年我国31个省份的面板数据，由于数据可得性原因，不包括港澳台的相关数据。从《中国统计年鉴》中搜集了被解释变量和控制变量相关数据；核心解释变量“淘宝村”数据来源于阿里研究院发布的2013~2020年度《中国淘宝村研究报告》，由于2013年阿里研究院正式发布首批淘宝村名单，电子商务开始大规模进入农村也始于此时，因而选取该样本可以反映农村电商发展的成效；各省份的年平均降水量以《水资源公报》和各地统计年鉴为依据；数字金融覆盖广度指数来源自北京大学数字金融研究中心发布的《数字普惠金融指数》(2011~2020)。

3.2. 变量选取

(1) 被解释变量。目前对我国农村收入差异的实证研究，主要是以城乡居民人均收入比[3]、泰尔指数[1] [4]、基尼系数等作为度量标准。鉴于数据可得性及有效性，本文采取第一种方法，即各省在各年份城镇居民人均可支配收入与农村居民人均可支配收入的比值作为被解释变量dis_inc。

(2) 核心解释变量。由于涉及电子商务的指标数据较难收集，大多数指标无法合理区分城镇地区电商发展水平与农村地区电商发展水平，虽然阿里研究院通过构建“县域电商发展指数”来度量区域内的农村电商发展，但却不能与省级相匹配，且该电商发展水平测度数据仅限于2013~2017年。因此，当前学术界较为常见地采用“淘宝村”这个简单易得的指标用以衡量我国农村电商发展程度。本文为了降低模型异方差影响并使数据具有平稳性，同时考虑到部分省份在某些年份淘宝村数量为0，对其进行对数化处理后得到ln_cun = ln(cun + 1) [4] [9]。

(3) 控制变量。参考研究做法[3] [10]，选取政府财政支持力度ln_finance、对外开放水平ln_opening、人口老龄化程度ln_aging、城镇化水平town、农业发展水平agri、第三产业发展水平tertiary、基础设施建设水平trans。

(4) 工具变量。① 年降雨量(rain)作为不随时间及地区变化的地理性指标，会通过影响居民线下消费进而影响农村电商发展，但不直接影响城乡收入差距。同时年降雨量与模型中其他解释变量不相关，可以作为工具变量使用；② 数字金融覆盖广度(coverage)通过第三方支付账户覆盖率体现，包括每万人拥有的支付宝账户数量、支付宝绑卡用户比例和平均每个支付宝账户绑定银行卡的数量三个子指标。该工具变量不会直接影响被解释变量，但会影响解释变量农村电商发展水平，同样作为工具变量具有较强的权威性[10]。

3.3. 描述性统计

表1和图1报告了主要变量的描述性统计分析。从表中可以得出，2013~2020年全国城乡居民收入比均值为2.565，但最大值达到3.556，说明城乡收入差距分布不均，仍处于较高水平。结合散点图的线性拟合结果来看，我国农村电商发展程度与城乡居民收入差异呈显著负相关，而伴随我国电商发展迅速，又呈现出逐步缩小的趋势。但这只是对二者关系进行初步判断，更为严谨的分析与检验需要通过下文的实证研究得出。

Table 1. Descriptive statistics of variables

表1. 变量描述性统计

变量	观测值	平均值	标准差	最小值	最大值
城乡居民人均收入比(dis_inc)	248	2.565	0.369	1.616	3.556
农村电商发展水平(ln_cun)	248	1.651	2.032	0	7.472
政府财政支持力度(ln_finance)	248	−1.385	0.470	−2.130	0.321
对外开放水平(ln_opening)	248	−1.891	0.993	−4.940	0.287
人口老龄化程度(ln_aging)	248	−1.932	0.258	−2.658	−1.367
城镇化水平(town)	248	0.616	0.379	0.239	6.225
基础设施建设水平(trans)	248	46.63	46.31	5.161	323.1
农业发展水平(agri)	248	0.0950	0.0500	0.00300	0.251
第三产业发展水平(tertiary)	248	0.489	0.0910	0.267	0.839
年降雨量(rain)	248	925.0	528.4	17.70	2433
数字金融覆盖广度(coverage)	248	252.8	68.76	115.1	431.9

Figure 1. Relationship between rural e-commerce development and income gap between urban and rural residents

图1. 农村电商发展与城乡居民收入差距关系

3.4. 模型设定

文章运用固定效应模型探讨了我国农村电商发展对城乡居民收入差异的作用。具体实证模型如(1)所示：

$\text{dis}\_{\text{inc}}_{\text{it}}={\alpha }_0+{\alpha }_1\text{ln}\_{\text{cun}}_{\text{it}}+{\alpha }_2{\text{control}}_{\text{it}}+{\mu }_{\text{i}}+{\epsilon }_{\text{it}}$ (1)

其中，$\text{dis}\_{\text{inc}}_{\text{it}}$ 为被解释变量，表示i ($\text{i}=1,2,3,\cdots ,31$ )省在t ($t=2013,2014,\cdots ,2020$ )期的城乡居民收入差距；${\alpha }_0$ 表示常数项；$\text{ln}\_{\text{cun}}_{\text{it}}$ 为核心解释变量，表示i省在t期的农村电子商务发展程度；${\text{control}}_{\text{it}}$ 为模型的一系列控制变量；${\mu }_{\text{i}}$ 表示个体效应，${\epsilon }_{\text{it}}$ 为随机扰动项；${\alpha }_1$ 为影响效应系数。为了保证模型的可靠性，在使用控制省份效应的固定效应模型前，对面板数据进行了修正的Hausman检验。

4. 实证结果分析

4.1. 相关性分析

从表2的分析结果可以看出，多数指数间没有明显的多重共线关系，但较小的相关性并不能完全排除模型可能具有的多重共线性。所以继续使用方差膨胀因子来进行诊断。结果如表3显示，最大的VIF = 7.23 < 10，可以判断解释变量之间不存在严重的多重共线性和相关性。

Table 2. Variable correlation analysis

表2. 变量相关性分析

变量	dis_inc	ln_cun	ln_finance	ln_opening	ln_aging	town	tertiary	agri	trans
dis_inc	1
ln_cun	−0.455	1
ln_finance	0.558	−0.569	1
ln_opening	−0.583	0.475	−0.644	1
ln_aging	−0.389	0.377	−0.503	0.232	1
town	−0.197	0.119	−0.152	0.178	0.173	1
tertiary	−0.197	0.141	0.0410	0.340	0.195	0.229	1
agri	0.279	−0.386	0.357	−0.433	−0.157	−0.265	−0.432	1
trans	0.437	−0.333	0.823	−0.609	−0.500	−0.190	−0.120	0.186	1

Table 3. Explain variance inflation factors between variables

表3. 解释变量间的方差膨胀因子

变量	VIF	1/VIF
ln_finance	7.23	0.138266
trans	4.68	0.213892
ln_opening	2.55	0.391627
tertiary	2.08	0.481604
ln_cun	1.87	0.535161
agri	1.87	0.535745
ln_aging	1.69	0.591401
town	1.13	0.887074
Mean VIF	2.89

4.2. 基准回归分析

表4结果报告了农村电商发展水平对城乡收入差距的影响，模型(1)使用了固定效应模型，模型(2)表示使用随机效应模型，由Hausman检验结果Prob > chi² = 0.0076可以得出，采用固定效应模型分析数据更为合理。同时考虑到面板数据中可能存在的异方差和自相关问题，模型(3)在省级层面对标准误进行聚类，使用控制个体效应的固定效应模型。

由模型(3)回归结果可得，农村电商发展对城乡居民收入差异的影响因子为负值，并且在5%水平显著。当电商发展水平提高1%时，城乡居民人均可支配收入比会降低1.23%左右，反映出农村电商发展有助于缩小城乡收入差距，这与描述性分析中得到的初步判断结果相吻合，也验证了假说1。本文认为可能的原因是电商平台的成熟发展使交易效率提高，相较于原有线下交易这种单一模式，线上线下同步进行不仅增加交易机会，降低了交易成本，保障了全国各地产业市场的信息匹配度，农民也有更大概率获得相应的市场份额，促进农业产业发展和农民稳定就业。在市场扩大规模的同时，物价也会趋于稳定，农民能持续增收，进而在一定程度上降低城乡居民收入差距。

在控制变量中，政府财政支持力度与城乡收入差距在5%水平显著呈现正相关，出现这一情况的原因可能为政府制定的财政政策对城镇居民的边际效应相对于农村居民来说更大，尤其在互联网经济高速发展的时代，居民收入结构更加多元化，城市居民人均可支配收入能通过得到政府的财政扶持而产生溢出效应；与此同时对外开放程度、第三产业发展水平、农业发展水平、人口老龄化程度均在5%的水平上显著呈现负相关，这表明对外开放程度的扩大和以服务业为代表的第三产业发展水平提高会同时拉动城镇与农村居民收入增长，而与经济发展到一定程度的城镇进行对比，经济的迅速发展使农民的收入得到提高的效用更明显，同时农业发展水平会显著促进农民增收，而人口老龄化程度提高会造成城镇居民人均可支配收入的降低，从而使城乡居民收入差距缩小；同时，在1%水平上城镇化水平和基础设施建设水平显著，说明由于城镇化水平提高，农村富余的青壮年劳动力会逐渐流入到城镇中，农村居民就业率得到提高的同时伴随着基础设施建设的完善，为农村电商发展提供了良好的铺垫，进一步促进城乡收入差距减小。

Table 4. Baseline regression results for the total sample

表4. 总样本的基准回归结果

变量	被解释变量：dis_inc
	(1)	(2)	(3)
	Fe	Re	Fe_r
ln_cun	−0.0123	−0.0108	−0.0123^**
	(−1.91)	(−1.69)	(−2.14)
ln_finance	0.153^*	0.237^***	0.153^**
	(2.59)	(4.26)	(2.27)
ln_opening	−0.0442	−0.0495^*	−0.0442^**
	(−1.91)	(−2.23)	(−2.19)
town	−0.0226	−0.0235	−0.0226^***
	(−1.76)	(−1.79)	(−4.51)
tertiary	−0.633^***	−0.683^***	−0.633^**
	(−3.82)	(−4.14)	(−3.03)
agri	−1.549^**	−1.451^**	−1.549^**
	(−3.11)	(−3.03)	(−3.03)
trans	−0.00435^***	−0.00318^***	−0.00435^***
	(−5.14)	(−4.26)	(−7.00)
ln_aging	−0.181^**	−0.221^***	−0.181^**
	(−3.24)	(−4.07)	(−3.35)
_cons	3.038^***	3.025^***	3.038^***
	(13.48)	(13.05)	(12.83)
N	248	248	248
R^2	0.525	0.512	0.525
Hausman test	Prob > chi^2 = 0.0076

注：括号中为t统计量；^*、^**和^***分别表示在10%、5%和1%的水平上显著。下同。

4.3. 内生性讨论

我国农村电商发展水平会受城乡居民收入差距影响的同时也存在着一些遗漏的变量。本文采用工具变量法检验模型内生性。参考李连梦等[10] (2020)选取数字金融覆盖广度指标和各省市年均降雨量作为工具变量。数字金融覆盖广度指标理论上说并不会直接影响被解释变量城乡居民收入差距，但会在一定程度上影响核心解释变量农村电商发展水平。年平均降水量是一种地理性指标，它不会随时间、地域而改变，但降雨会影响到线下市场的消费，从而对线上电子商务平台的发展产生一定的影响：如果消费者生活在降雨量多的地区，则会更多地选择在线上平台消费产品，但降雨量并不会直接影响城乡居民收入差距。回归结果如表5所示，基准模型中确实存在显著内生性，但也验证了选取的两个工具变量是有效的。由于工具变量个数大于内生解释变量个数，在进行过度识别检验后得出p值为0.4443，认为显著接受所有工具变量都是外生的原假设，不存在过度识别，模型通过有效性检验。

Table 5. Endogeneity test results

表5. 内生性检验结果

变量	(4)
	dis_inc
ln_cun	−0.0702^**
	(−3.19)
ln_finance	0.141
	(1.69)
ln_opening	−0.0725^*
	(−2.42)
ln_aging	0.0615
	(0.54)
town	−0.0231^***
	(−4.50)
tertiary	−0.350
	(−1.64)
agri	−2.617^**
	(−3.28)
trans	−0.00591^***
	(−5.12)
_cons	3.568^***
	(8.99)
N	248

4.4. 稳健性检验

4.4.1. 子样本回归

为进一步考察结果的稳健性，本文剔除了在2013~2020年公布的淘宝村名单中从未上榜的省份，即内蒙古自治区、青海省和西藏自治区，建立模型(5)如表6所示。相较于基础回归，城乡居民收入差距在显著性不变的情况下系数仍为负数，且系数绝对值有少许增加，说明在建有淘宝村的28个省域范围内农村电商发展对城乡收入差距的缩小效应相较于总体样本更为明显，同时验证了全样本基准回归的稳健性。

4.4.2. 更换模型

将城乡收入差异(即城乡居民人均可支配收入比)作为被解释变量，明显是具有局限性的，数据在1处存在左归并，而采用面板Tobit固定效应模型进行回归分析可以有效规避估计偏差，作为基准回归的稳健性检验。估计结果如表6显示，分析可知模型(6)中以淘宝村数量为指标的农村电商发展水平与城乡居民人均可支配收入比仍在5%水平上呈现显著负相关，且系数没有明显波动，再次证实了发展农村电商对缩小城乡收入差距的作用，基准模型稳健性较强，具有很强的解释力。

Table 6. Robustness test results

表6. 稳健性检验结果

变量	(5)	变量	(6)
	dis_inc		dis_inc
ln_cun	−0.0125^**	ln_cun	−0.0123^**
	(−2.16)		(−2.17)
ln_finance	0.146^*	ln_finance	0.153^**
	(2.09)		(2.31)
ln_opening	−0.0323	ln_opening	−0.0442^**
	(−1.11)		(−2.23)
town	−0.0249^***	ln_aging	−0.181^***
	(−4.84)		(−3.41)
tertiary	−0.617	town	−0.0226^***
	(−1.79)		(−4.59)
agri	−1.459^*	tertiary	−0.633^**
	(−2.15)		(−3.08)
trans	−0.00804^*	agri	−1.549^**
	(−2.71)		(−3.08)
ln_aging	−0.124^*	trans	−0.00435^***
	(−2.35)		(−7.12)
_cons	3.211^***	_cons	2.898^***
	(10.77)		(13.17)
N	224	var(e.dis_inc)	0.00360^*
R^2	0.502		(2.17)
adj. R^2	0.483	N	248

4.5. 异质性分析

传统的面板估计模型也会出现随机干扰项违背服从正态分布假定，比如数据存在尖峰或厚尾时估计结果可能不再具有无偏性或有效性。在分位数回归理论的基础上，随着研究的不断深入，利用分位数回归模型对面板数据进行参数估算，不但可以很好地控制个体的异质性，还可以揭示在一定的分位点上解释变量对被解释变量的影响情况，进而更全面、更系统地解释和分析被解释变量的总体分布。基于此，本文构建了面板分位数回归模型如(2)所示：

$Q_{\tau }\left(\text{dis}\_{\text{inc}}_{\text{it}}\right)={\alpha }_{\tau }\text{ln}\_{\text{cun}}_{\text{it}}+{\beta }_{\tau }{\text{control}}_{\text{it}}+{\mu }_{\text{i}}+{\epsilon }_{\text{it}}$ (2)

其中，$Q_{\tau }\left(\text{dis}\_{\text{inc}}_{\text{it}}\right)$ 表示城乡收入差距的τ分位数，${\alpha }_{\tau }$ 为农村电商发展程度对城乡收入差距的τ分位数估计系数，${\beta }_{\tau }$ 为控制变量对城乡收入差距的τ分位数估计系数，${\mu }_{\text{i}}$ 为个体固定效应，${\epsilon }_{\text{it}}$ 为随机扰动项。其中，选择τ分别为25%、50%和75%的分位点，构建模型(7)、(8)和(9)。

根据表7回归结果显示，在不同城乡收入差距水平上，农村电商发展对收入差距的边际效应均存在显著差异，0.25和0.75分位点上的估计系数在10%水平上显著，0.5分位点上的估计系数在5%水平上显著。在所有分位数上的农村电商发展均为负值，且系数的绝对值呈现递减趋势，从0.25分位点上的−0.0144到0.75分位点上的−0.0105，负向影响下降了约0.004，说明随着城乡收入差距扩大，农村电商发展对其边际抑制效应逐渐减弱。这一分位异质性反映出，农村电商缩小收入差距的边际效应在相对均衡地区更为显著。根本原因在于：一方面，电商平台更易在经济基础较好、制度环境完善的地区实现快速渗透，农户的接受度与适应能力更高，交易成本较低，从而推动其收入显著提升；另一方面，这种正向激励作用会通过平台效应、信息扩散和产业联动机制，进一步增强城乡协调发展的反馈机制。而在收入差距较大的地区，农村电商发展往往受限于基础设施滞后、数字鸿沟突出和制度支持不足，形成初始条件差、边际效益低、参与门槛高的路径依赖，导致其收入带动效应明显受限。因此，本文假设2得到验证。

Table 7. Panel quantile regression results

表7. 面板分位数回归结果

	(7)	(8)	(9)
	25%	50%	75%
ln_cun	−0.0144^*	−0.0123^**	−0.0105^*
	(−1.93)	(−2.50)	(−1.74)
ln_finance	0.167^**	0.154^**	0.142^**
	(2.29)	(3.20)	(2.42)
ln_opening	−0.0556^**	−0.0444^**	−0.0345
	(−2.09)	(−2.53)	(−1.62)
ln_aging	−0.221^**	−0.182^***	−0.147^**
	(−2.96)	(−3.68)	(−2.45)
town	−0.0161^**	−0.0225^***	−0.0282^***
	(−2.16)	(−4.53)	(−4.71)
tertiary	−0.636^**	−0.633^***	−0.630^***
	(−2.97)	(−4.50)	(−3.67)
agri	−2.022^**	−1.560^**	−1.148
	(−2.72)	(−3.17)	(−1.93)
trans	−0.00470^***	−0.00435^***	−0.00405^***
	(−5.24)	(−7.36)	(−5.63)
N	248	248	248

5. 结论与政策建议

5.1. 结论

随着互联网时代的蓬勃发展，电商企业在我国经济发展中占据了举足轻重的地位，从一开始在高水平经济发达地区的零星试点，到如今逐渐渗透进农村甚至偏远地区，农村电商正昭示其无限的发展潜力和光明远景。通过本文的实证研究，得出以下几点结论：

第一，农村电子商务发展与城乡居民收入差距的缩小呈现正向关系，尤其是“淘宝村”数量的增加明显促进了城乡收入差距减小，且建立淘宝村的省域的农村电商发展对城乡收入差距的缩小效应更为突出。但由于农村基础设施不足、市场经济落后、人口老龄化加剧、政府制定的财政政策对城乡二元经济体制影响效应不同等问题，导致农村居民在有效利用电子商务方面与城镇居民存在一定差距。

第二，农村电商发展对不同程度的城乡居民收入差距存在着不同的影响效果，地区城乡收入差距越大，农村电商发展对其边际抑制效应越小，因而当地电商发展对本就收入差距较小的地区来说带动作用更强，抑制效应更为显著。

5.2. 政策建议

第一，应完善电商支持体系，改善农村及欠发达地区的电商发展环境。国家应当大力出台相关政策进行鼓励电子商务进农村，例如利用短视频直播平台等简单易懂、成本较低的宣传方式，提升农村居民就业技能和创业意识，帮助中低收入群体足不出户实现个体经济发展；同步推进农村基础设施改造，重点加强物流仓储、宽带网络和冷链运输体系建设；此外，应引入农业类高校或科研基地的创新型人才，设立驻村实践岗位或专项扶持计划，为农村电商发展注入专业活力，缓解人口老龄化带来的创新动力不足等问题。

第二，应分类施策、因地制宜，增强电商对城乡收入差距的缓解效应。为提升电商政策的精准性和实效性，应对不同地区差异化扶持：经济欠发达地区可结合当地市场环境，加大淘宝村及相关电商平台的建设力度，发展直播电商、订单农业等形式，以降低电商发展的参与门槛，并缓解地理区位劣势对农村市场主体的制约；而经济建设已取得成效的地区，应在现有基础上强化农村电商生态建设，推动“电商 + 文旅”“电商 + 服务业”等融合发展模式，打破城乡二元经济结构，带动农村产业升级与劳动力自由流动，从而带动乡村振兴和协调发展。

第三，应构建农民收入持续增长的长效机制，提升电商参与的稳定性与收益性。政策重点可放在推动新型城镇化建设、优化就业环境与农业产业结构方面，鼓励构建“电商 + 合作社 + 农户”联结机制，提升农户在平台经济中的组织化水平与议价能力。同时，应通过健全产权保护制度与创业支持政策，提升农村居民财产性和经营性收入的可持续性，完善社会保障体系与收入风险防控机制，为农村群体持续参与电商经济提供稳定的制度性安全预期，从而更有效地实现城乡收入差距的长期缩小。

NOTES

^*第一作者。

^#第二作者。