数字金融对居民电商平台网购消费的影响研究——基于CHFS的实证分析

Research on the Impact of Digital Finance on Residents’ Online Shopping Consumption on E-Commerce Platforms—Empirical Based on CHFS

摘要: 本文采用中国家庭金融调查数据(CHFS)和北京大学数字普惠金融指数为研究基础，通过机理分析和变量构建，实证分析数字金融对家庭网购消费的影响效应及作用机制。研究发现：首先，数字金融可以显著促进家庭网购消费水平的提升，且经过内生性和稳健性检验后依然成立；其次，从中介效应检验结果来看，数字金融可以通过提升信用支付便利性，进而对家庭网购消费起到显著的促进作用；进一步研究发现，数字金融对家庭网购消费的影响中部地区最大，西部地区次之，东部地区相对较低。

Abstract: This paper uses China Household Finance Survey Data (CHFS) and Peking University Digital Inclusive Finance Index as the research basis, and constructs mechanisms and variables to demonstrate the impact and mechanism of digital finance on household online shopping consumption. The research finds that: First, digital finance can significantly promote the improvement of household online shopping consumption level, and it is still valid after endogenous and robustness tests; Secondly, judging from the results of the intermediary effect test, digital finance can significantly promote household online shopping consumption by improving the convenience of credit payment; Further research found that the impact of digital finance on household online shopping consumption is the greatest in the central region, followed by the western region, and relatively low in the eastern region.

1. 引言及文献梳理

在当今数字化时代，数字金融的蓬勃发展为居民家庭消费带来了前所未有的变革。它不仅拓宽了消费渠道，还通过降低交易成本、提高支付便利性和增强金融服务的可及性，极大地促进了居民家庭消费的增长，成为推动消费升级的关键力量。数字金融通过提供便捷的支付手段、多样化的金融产品和高效的服务，极大地提升了居民家庭的消费便利性和消费意愿。数字金融的普及也为家庭消费带来了新的机遇。随着互联网基础设施的不断完善和智能手机的普及，居民消费模式逐渐从传统的线下消费向线上消费转变，电商平台网购消费成为居民家庭消费的重要组成部分。然而，尽管数字金融的应用逐渐广泛，但其对居民家庭网购消费的影响及其作用机制、区域差异等尚未得到充分研究。因此，本研究以“数字金融对居民家庭网购消费的影响研究”为主题，利用中国家庭金融调查数据(CHFS)和北京大学数字普惠金融指数，通过机理分析和变量构建，实证检验数字金融对家庭网购消费的影响效应及其作用机制。研究旨在揭示数字金融如何通过提升信用支付便利性进而促进家庭网购消费，并分析这种影响在不同区域和城市层级中的差异性，为推动数字金融有效应用、释放家庭消费潜力、优化家庭消费结构提供科学依据和政策建议。

随着互联网技术的迅猛发展，数字金融作为一种新兴的金融模式，深刻改变了居民的生活方式和消费模式。郭峰，王靖一(2020)指出随着互联网技术的迅猛发展，数字金融作为一种新兴的金融模式，深刻改变了农村居民的生活方式和消费模式[1]。首先，郭婷玉(2024)指出互联网技术的快速发展推动了农村电子商务的兴起，显著改善了农村的消费环境。网络购物不仅提供了性价比更高的商品，还丰富了农村消费的物品种类。虚拟现实技术的发展进一步打破了时空限制，使农村居民能够足不出户地高效购物，并在线上体验与线下购物相同的服务，提升了其满足感和幸福感。这种消费方式的变革为农村家庭提供了更多选择，促进了消费结构的多元化[2]。岳中刚，叶茂坤(2022)指出技术进步和自身魅力让网络购物与大众生活的联系日渐紧密，电商平台网络购物打破了时间、空间限制，丰富了消费选择，拉近了消费者和商品的距离，深刻影响家庭居民的消费方式，间接推动着我国居民生活质量的提高[3]。在消费观念方面，杨南(2020)指出，随着经济的发展和收入的提高，“先消费、后还款”的观念逐渐被国人接受，人们对透支消费的接受程度也越来越高，而信用卡作为透支消费的关键金融产品，其使用对居民家庭消费支出有显著的正向影响[4]。王欣欣(2023)提出，随着数字化、智能化的进一步深化，线上支付成为当代人消费的主流支付方式，信用卡作为一种具有较高渗透率的支付工具，在实体消费和在线消费的交易过程中都具有优势[5]。赵俊，崔宝玉等(2021)的研究也表明，信用卡使用主要通过缓解居民家庭的流动性约束来发挥“消费刺激”作用，同时也存在节约购物成本、提升居民持卡边际消费倾向的机制[6]。

王宝来(2022)研究发现数字金融能够通过长期支持农村居民收入增长，进而促进农村居民消费。这种长期的收入支持不仅提升了家庭的消费能力，还增强了其消费信心[7]。王军生，王政民(2022)指出，数字金融通过互联网技术改善了投融资业态模式，构建了方便快捷且不受时空限制的交易支付方式。这种支付方式的变革降低了交易成本，提高了交易效率，使得家庭能够更便捷地参与网购消费。在信用支付便利性方面，信用卡作为数字金融的重要组成部分，对居民家庭网购消费具有显著的促进作用[8]。王亚柯，王一玮(2024)研究发现数字能力和数字金融能力对家庭消费具有显著的促进作用，网购则是数字能力与数字金融能力促进消费水平提升的渠道之一。在网购中，通过互联网搜索可以降低交易成本，带来价格下降，并促进家庭消费的提高。这表明数字金融的发展不仅改变了消费方式，还通过提升消费者的能力和优化消费渠道，进一步推动了消费的增长[9]。然而，数字金融对家庭消费结构的影响并非完全积极。黄祺雨，周云波(2024)的研究发现，数字金融使用对贫困家庭享受型消费具有显著的正向影响，通过缓解信贷约束、提升支付便利性和减少预防性储蓄等渠道，引致“未富先奢”的非理性行为[10]。这表明数字金融在促进家庭消费的同时，也可能带来一些潜在的负面影响，需要引起关注。

综上所述，数字金融对居民家庭网购消费产生了深远影响，其积极作用主要体现在提升消费便利性、降低交易成本、丰富消费选择、促进消费结构多元化以及提升消费能力等方面。然而，数字金融也可能引发一些非理性消费行为，需要在发展过程中加以关注和引导。尽管已有研究从多个角度探讨了数字金融对家庭消费的影响，但大多数研究集中于数字金融对家庭消费的笼统影响，研究发现既有正向影响，也可能带来一些负面后果，如引发“未富先奢”，但数字金融对家庭网购消费的影响及传导机制的相关研究较少。因此，本文边际贡献可能在于在现有研究的基础上，进一步通过实证性分析探究数字金融对居民家庭网购消费的多维度影响，构建更为全面的分析框架，并基于信用支付便利性视角探讨数字金融影响家庭网购消费的传导机制，以期为数字金融的合理应用提供更具针对性的政策建议，推动居民家庭网购消费的可持续发展。

2. 机理分析与研究假设

(一) 直接作用效应分析

在数字金融兴起之前，家庭的购物渠道主要集中在传统线下场所，例如小卖部、农贸市场和超市等。这些购物方式存在诸多局限性，不仅受到时间和空间的严格约束，还面临着商品种类稀缺、价格信息不透明等问题。此外，居民在消费过程中通常需要携带现金或银行卡，支付流程繁琐且存在一定的风险，这些因素综合导致家庭的消费选择较为单一，消费潜力难以充分释放。

数字金融的出现和发展极大地改变了这一局面。数字金融通过支付革新、供应链金融、数据资产化、跨境生态和生态协同五大路径，成为电商平台发展的核心驱动力，通过技术创新与生态重构，显著提升了家庭消费能力与市场活力，为家庭网购消费提供了平台基础和技术支撑。从技术创新视角看，数字金融借助移动支付、智能风控与跨境结算技术，全方位促进家庭网购消费。首先，移动支付与数字钱包(如微信支付、支付宝)通过简化交易流程，实现秒级支付体验，极大地提升了购物的便捷性，让家庭消费者能够更轻松地完成网购操作。其次，基于大数据与人工智能的实时风控系统(如异常交易监测)能够精准识别风险，降低欺诈风险，从而保障资金安全，使消费者在网购时更加放心。最后，区块链技术支持的跨境支付(如稳定币USDC)突破了地域限制，降低了国际网购成本，拓展了消费场景边界，让家庭消费者能够更便捷地购买全球商品，从而在便捷性、安全性和全球化方面得到显著提升。从生态重构视角看，数字金融通过重构消费信贷、场景融合与多边协作生态，有力推动家庭网购消费。一方面，普惠信贷产品(如消费分期)为家庭提供了短期资金支持，缓解了资金约束，刺激了高价值商品的购买意愿，从而提升了家庭的消费能力。另一方面，线上线下融合的沉浸式消费场景(如商旅文体综合体)借助数字化生态，提升了购物体验，增强了消费的吸引力。同时，金融机构、电商平台与监管部门协同构建数据共享机制，推动消费场景创新与政策适配，优化了消费结构，使家庭消费在体验升级和政策协同方面得到显著改善。通过这些多维度的生态重构，数字金融不仅释放了家庭的消费潜力，还促进了消费结构的优化升级。

基于以上分析本文提出研究假设H1：数字金融的发展可以提升居民家庭网购消费水平。

(二) 间接作用机制分析

数字金融通过信用卡这一重要工具，从多个角度显著提升了家庭网购消费水平。首先，信用卡作为数字金融的重要组成部分，利用大数据和人工智能技术，能够精准评估家庭的信用状况，从而提供合理的信贷额度。这种精准的信用评估使得家庭在面临资金不足时，能够通过信用卡的信贷额度迅速填补缺口，缓解流动性约束，进而增强消费能力。信用卡的即时支付功能为家庭提供了强大的资金支持，使得家庭在网购时不再受到短期资金不足的限制，从而提高了消费意愿和消费水平。其次，信用卡支付方式本身具有降低支付痛感的特性。与现金支付相比，信用卡支付的透明度较低，消费者在支付时无法直观感受到资金的减少，从而减轻了支付心理负担。此外，信用卡的无感支付、分期付款等功能进一步优化了支付体验，使得消费者在购物时更加轻松，增加了消费快感。这种支付心理的优化不仅降低了消费者的支付痛感，还刺激了消费行为，使得消费者更愿意进行网购消费。最后，信用卡通过与电商平台的深度合作，优化了消费场景，提升了家庭的消费效率。信用卡支付的便捷性大大节省了消费者的时间和精力，使得消费者在网购过程中能够快速完成支付，有更多的时间用于选择和购买商品。同时，信用卡公司与电商平台合作推出的专属优惠、积分兑换、免息分期等服务，进一步优化了购物体验，激发了消费者的购买欲望。这种消费效率的提升不仅提高了消费者在网购过程中的满意度，还促进了家庭网购消费的增长。

综上所述，信用卡作为数字金融的重要组成部分，在提升农村家庭网购消费水平方面发挥了重要作用。因此，本文提出研究假设H2：数字金融的使用可以通过提升信用支付便利性，进而促进居民家庭网购消费水平的提升。

3. 研究设计

(一) 数据来源：

本文选取2019年北京大学数字普惠金融指数和2019年中国家庭金融调查(CHFS)数据库相关数据进行实证研究。2019年中国家庭金融调查(CHFS)样本涵盖了我国29个省(自治区、直辖市)，共343个区县、1360个社区、34,643个村。本文根据户主是否农村户口类型筛选出居民家庭样本，并按照以下原则对样本数据进行了处理：(1) 剔除核心变量明显缺失和异常的样本数据；(2) 剔除家庭收入和金融资产小于0的样本，并对总收入和金融资产进行上下1%的缩尾处理。最终得到17,973个居民家庭样本。

(二) 变量定义：

(1) 核心解释变量：本文选取2019年北京大学数字普惠金融指数来反映各省份数字金融的发展水平。该指数由北京大学数字金融研究中心编制，综合了数字金融覆盖广度、使用深度和数字化程度等多个维度，能够全面精准地反映数字金融发展实际水平。

(2) 被解释变量：本文的被解释变量为居民家庭网购消费水平，基于2019年中国家庭金融调查(CHFS)数据库中家庭去年网购消费总金额取对数来衡量。这一处理方式能够有效缓解数据的偏态分布问题，使模型估计更为稳健。

(3) 控制变量：为降低遗漏变量对模型估计的影响，本文从个人、家庭和地区三个层面选取控制变量：个人层面选择户主年龄、性别、婚姻状况、健康状况、受教育水平来反映户主的基本特征及其对消费行为的潜在影响。家庭层面选择家庭规模、家庭金融资产和家庭总收入来体现家庭的经济基础和消费能力。地区层面选择不同地区来反映不同地区的发展水平和市场环境对居民家庭网购消费的影响。

(4) 中介变量：本文选择是否持有信用卡作为中介变量来衡量信用支付服务的便利性。这一变量可以反映数字金融工具在家庭中的普及程度及其对网购消费的潜在影响。

(5) 调节变量：本文选择家庭使用智能手机的年限来衡量对网购工具和支付工具的熟练度，并根据取快递的时间来衡量网购快捷性。该变量能够反映户主对数字技术的适应能力和使用习惯，进而影响数字金融对网购消费的作用效果。完整的变量定义见表1。

Table 1. Variable definition

表1. 变量定义

变量名称	定义	赋值说明
总指数	total_index	北京大学数字普惠金融指数
网购消费	TOSC	网购总支出取对数
年龄	lnage	年龄加1取对数
性别	gender	男性赋值为1，女性为0
文化程度	edu	小学及以下为1，初中为2，高中/中专/职高为3，大专/高职/大学本科为4，硕士/博士研究生为5
婚姻状况	marital	已婚为1，未婚为0
健康状况	health	比较差为1，一般为2，比较好为3
家庭规模	familysize	家庭总人口数加总
家庭收入	lnincome	家庭总收入取对数
金融资产	lnfin_asset	家庭金融资产取对数
地区	region	西部为1，中部为2，东部为3

(三) 模型设计

1、基准回归模型。对前文关于数字金融对居民家庭网购消费的理论分析和研究假设，本文建立如下基准效应模型：

$TOS{C}_i={\alpha }_0+{\beta }_{1}total\_inde{x}_i+{\gamma }_1{X}_i+{\epsilon }_i$ (1)

式(1)中TOSC_i表示被解释变量，表示第i个家庭的网购消费水平，用家庭去年网购消费总金额取对数来衡量。

total_index_i为核心解释变量，表示第i个家庭所在省份的数字金融发展水平，用2019年北京大学数字普惠金融指数数据来衡量。

X_i表示控制变量向量，包括第i个家庭的户主年龄、性别、婚姻状况、健康状况、受教育水平、家庭规模、家庭金融资产、家庭总收入、城市等级和地区分类。

α₀表示模型常数项，β₁是核心解释变量的系数，表示数字金融对农村家庭网购消费的直接影响，γ₁是控制变量的系数向量，ε_i是误差项。

2、中介效应模型。为进一步检验数字金融对居民家庭网购消费的影响机制，本文基于前文分析和变量设定，构建中介效应模型如下所示：

$Creditcar{d}_i={\alpha }_1+{\beta }_{2}total\_inde{x}_i+{\gamma }_2{X}_i+{\theta }_i$ (2)

$TOS{C}_i={\alpha }_2+{\beta }_{3}total\_inde{x}_i+{\beta }_{4}Creditcar{d}_i+{\gamma }_3{X}_i+{\mu }_i$ (3)

式(2) (3)中，Creditcard_i表示中介变量即信用支付便利性的体验情况，α₁、α₂表示模型常数项，β₂、β₃是核心解释变量的系数，β₄是中介变量的系数，γ₂、γ₃是控制变量的系数向量，θ_i、μ_i是误差项。

Table 2. Descriptive statistics

表2. 描述性统计

VarName	Obs	Mean	SD	Median	Max	Min
total_index	17,973	3.340	0.365	3.255	4.103	2.826
coverage	17,973	3.164	0.329	3.093	3.847	2.729
usage	17,973	3.275	0.520	3.145	4.399	2.415
digital	17,973	4.037	0.256	4.010	4.622	3.623
TOSC	17,973	8.073	1.372	8.006	11.513	4.787
lnage	17,973	3.872	0.252	3.871	4.554	2.944
gender	17,973	0.703	0.457	1.000	1.000	0.000
edu	17,973	3.158	0.987	3.000	5.000	1.000
marital	17,973	0.949	0.221	1.000	1.000	0.000
health	17,973	2.504	0.607	3.000	3.000	1.000
familysize	17,973	3.593	1.362	3.000	15.000	1.000
lnincome	17,973	11.601	1.008	11.675	13.771	6.841
lnfin_asset	17,973	12.029	1.553	12.283	14.779	5.991
city_level	17,973	2.021	0.911	2.000	3.000	1.000
region	17,973	2.232	0.850	3.000	3.000	1.000

本研究通过对样本数据的描述性统计分析(见表2)，了解了样本数据在多个维度上呈现出多样化的分布特点且涵盖了不同发展水平和地理区域的群体。在社会经济特征方面，样本群体的年龄层次丰富，家庭以中等规模为主，样本家庭的经济状况整体较为稳定，但存在一定范围内的波动。在个体特征方面，样本中男性和已婚占比较高，教育水平上存在较大差异，健康状况整体良好。在行为和消费特征方面，样本群体具有一定的网络消费行为，但个体之间的网购行为存在显著差异，在数字化应用方面整体水平较高且差异较小，上述统计结果有助于进一步探讨各变量之间的关系及其对研究主题的影响。

4. 实证结果分析

(一) 基准回归结果

基准回归分析结果如表3所示，其中列(1)表示在不考虑相关控制变量下，解释变量总指数对家庭网购支出的影响效应。从结果来看，总指数的估计系数为0.9420且在1%水平下显著，初步说明总指数的提升有助于促进家庭网购支出水平的增加。列(2)表示在添加相关控制变量后，总指数的估计系数为0.5737且在1%水平下显著。从经济学角度来看，当总指数每提升一个单位，将带动家庭网购支出水平提升0.5737%，前文假设H1得到验证。此外，控制变量中家庭收入和家庭金融资产对家庭网购支出水平呈显著的促进作用，估计系数分别为0.2921和0.1726，且均在1%水平下显著，其他控制变量如教育水平、健康状况、家庭规模等也对家庭网购支出水平有显著影响。而老年、男性和已婚样本则表现出一定的抑制性作用。

Table 3. Benchmark regression

表3. 基准回归

	(1)	(2)
	TOSC	TOSC
total_index	0.9420^***	0.5737^***
	(0.0272)	(0.0254)
lnage		−1.0961^***
		(0.0394)
gender		−0.1058^***
		(0.0194)
edu		0.1534^***
		(0.0105)
marital		−0.1366^***
		(0.0419)
health		0.0688^***
		(0.0149)
familysize		0.0771^***
		(0.0070)
lnincome		0.2921^***
		(0.0103)
lnfin_asset		0.1726^***
		(0.0067)
_cons	4.9272^***	4.1154^***
	(0.0913)	(0.1916)
N	17,973	17,973
adj. R^2	0.063	0.275
R^2	0.0627	0.2750

注：Standard errors in parentheses。^*p < 0.1，^**p < 0.05，^***p < 0.01。

(二) 稳健性检验

为验证前文结果的有效性，本文借鉴赛娜(2023)和郅曼琳，李杰(2021)的方法分别对解释变量和被解释变量进行了2%的缩尾处理和替换核心解释变量的方式进行稳健性检验(见表4)，将总指数替换为覆盖广度(coverage)、使用深度(usage)、数字化程度(digital)这三个一级指标进行回归分析[11] [12]。稳健性检验结果表明，缩尾处理后依然稳健，覆盖广度、使用深度和数字化程度对家庭网购支出均具有显著的正向影响。在列(1)中，综合指数对家庭网购支出有显著的正向影响，系数为0.5544，且在1%的水平上显著，说明该指数的提升与家庭网购支出的增加显著相关。在列(2)中，覆盖广度的估计系数为0.5971且在1%水平下显著，说明覆盖广度的提升显著促进了家庭网购支出，验证了前文结果的可靠性。在列(3)中，使用深度的估计系数为0.4034且在1%水平下显著，说明使用深度的提升也显著促进了家庭网购支出，这为前文结果提供了额外的支持。在列(4)中，数字化程度的估计系数为0.8060且在1%水平下显著，这表明数字化程度对家庭网购支出也具有正向影响。控制变量如年龄、性别、文化程度、婚姻状况、健康状况、家庭规模、家庭收入和家庭金融资产均表现出预期的显著性，且符号方向与前文一致，进一步验证了前文基准结果的可靠性。

Table 4. Robustness check

表4. 稳健性检验

	(1)	(2)	(3)	(4)
	TOSC	TOSC	TOSC	TOSC
index	0.5544^***
	(0.0248)
lnage	−1.0630^***	−1.0981^***	−1.0895^***	−1.0876^***
	(0.0385)	(0.0395)	(0.0394)	(0.0394)
gender	−0.1024^***	−0.1119^***	−0.1013^***	−0.0971^***
	(0.0189)	(0.0194)	(0.0194)	(0.0194)
edu	0.1519^***	0.1507^***	0.1549^***	0.1578^***
	(0.0103)	(0.0105)	(0.0105)	(0.0105)
marital	−0.1301^***	−0.1425^***	−0.1323^***	−0.1298^***
	(0.0409)	(0.0419)	(0.0419)	(0.0419)
health	0.0661^***	0.0656^***	0.0716^***	0.0717^***
	(0.0145)	(0.0149)	(0.0149)	(0.0149)
familysize	0.0765^***	0.0749^***	0.0775^***	0.0785^***
	(0.0069)	(0.0070)	(0.0070)	(0.0070)
lnincome	0.2829^***	0.2966^***	0.2927^***	0.2930^***
	(0.0100)	(0.0103)	(0.0103)	(0.0103)
lnfin_asset	0.1695^***	0.1754^***	0.1716^***	0.1735^***
	(0.0065)	(0.0067)	(0.0067)	(0.0067)
coverage		0.5971^***
		(0.0281)
usage			0.4034^***
			(0.0178)
digital				0.8060^***
				(0.0361)
_cons	4.2044^***	4.0931^***	4.6765^***	2.6957^***
	(0.1873)	(0.1929)	(0.1871)	(0.2164)
N	17,973	17,973	17,973	17,973
adj. R^2	0.273	0.272	0.275	0.274
R^2	0.2738	0.2728	0.2751	0.2746

注：Standard errors in parentheses。^*p < 0.1，^**p < 0.05，^***p < 0.01。

(三) 内生性检验

为缓解模型设定中可能存在的因果关系导致的内生性问题，本文借鉴郅曼琳，李杰(2021)的方法将核心解释变量滞后一期，同时将三个一级指标——覆盖广度、使用深度和数字化程度均滞后一期进行回归分析(见表5) [12]。结果显示，在控制其他变量的情况下，滞后一期的总指数对网购支出的影响系数为0.6402，且在1%水平下显著，表明总指数的提升对网购支出具有正向影响，进一步验证了前文结果的有效性。此外，覆盖广度、使用深度和数字化程度这三个一级指标在滞后一期后也均对网购支出表现出显著的正向影响，说明即使在考虑了潜在的内生性问题后，这些指标对网购支出的正向作用依然稳健，控制变量也表现出预期的显著性，进一步增强了模型的稳健性。

Table 5. Endogenous analysis

表5. 内生性分析

	(1)	(2)	(3)	(4)
	TOSC	TOSC	TOSC	TOSC
total_index	0.6402^***
	(0.0284)
lnage	−1.0979^***	−1.0976^***	−1.0926^***	−1.0913^***
	(0.0394)	(0.0395)	(0.0394)	(0.0395)
gender	−0.1054^***	−0.1115^***	−0.1005^***	−0.0980^***
	(0.0194)	(0.0194)	(0.0194)	(0.0194)
edu	0.1533^***	0.1502^***	0.1555^***	0.1576^***
	(0.0105)	(0.0105)	(0.0105)	(0.0105)
marital	−0.1347^***	−0.1422^***	−0.1280^***	−0.1300^***
	(0.0419)	(0.0420)	(0.0419)	(0.0419)
health	0.0694^***	0.0660^***	0.0725^***	0.0715^***
	(0.0149)	(0.0149)	(0.0148)	(0.0149)
familysize	0.0768^***	0.0751^***	0.0765^***	0.0783^***
	(0.0070)	(0.0070)	(0.0070)	(0.0071)
lnincome	0.2921^***	0.2967^***	0.2920^***	0.2976^***
	(0.0103)	(0.0103)	(0.0103)	(0.0102)
lnfin_asset	0.1732^***	0.1756^***	0.1726^***	0.1754^***
	(0.0067)	(0.0067)	(0.0067)	(0.0067)
coverage		0.6535^***
		(0.0309)
usage			0.4554^***
			(0.0199)
digital				0.8908^***
				(0.0411)
_cons	4.0481^***	4.0818^***	4.6324^***	2.4289^***
	(0.1924)	(0.1932)	(0.1872)	(0.2251)
N	17,973	17,973	17,973	17,973
adj. R^2	0.275	0.272	0.275	0.273
R^2	0.2750	0.2725	0.2755	0.2734

注：Standard errors in parentheses。^*p < 0.1，^**p < 0.05，^***p < 0.01。

5. 进一步分析

(一) 机制检验

为深入探究信用便利性在总指数与网购支出之间的作用机制，本文选择是否持有“信用卡”作为中介变量进行中介效应分析，更准确地评估总指数对网购支出的影响，如表6所示：首先，列(1)的结果表明，总指数对信用便利性(是否持有信用卡)有显著的正向影响。这意味着数字金融的发展水平越高，家庭持有信用卡的可能性越大，这可能是因为对金融科技有更高接受度的家庭更可能使用信用卡等金融工具。接着，列(2)显示了信用便利性对网购支出的显著正向影响。在控制了其他变量后，持有信用卡的家庭倾向于有更高的网购支出，这进一步证实了信用便利性在总指数与网购支出之间的中介作用。总指数的提升不仅直接促进了网购支出，还通过增加信用卡持有率间接促进了网购支出。

列(3)和列(4)的分析进一步揭示了智能手机使用熟练度和网购快捷性对网购支出的影响。通过将使用手机的年限与总指数交互，发现交互项在列(3)中显著，表明智能手机使用的熟练度调节了总指数对网购支出的影响。随着智能手机使用年限的增加，总指数对网购支出的正向影响得到了增强。这可能是因为消费者对智能手机的熟练度提高，更倾向于使用移动支付等数字金融工具进行网购。同样，列(4)中将取快递的便捷程度与总指数交互，也发现了显著的正向交互效应，表明网购快捷性同样调节了总指数与网购支出之间的关系。这可能是因为快递服务的便捷性提高了消费者的网购体验，从而增加了网购支出。

Table 6. Mechanism test

表6. 机制检验

	(1)	(中介)	(调节)	(调节)
	Creditcard	TOSC	TOSC	TOSC
total_index	0.0299^***	0.5652^***	0.4607^***	0.5086^***
	(0.0103)	(0.0252)	(0.0257)	(0.0327)
lnage	−0.2754^***	−1.0181^***	−0.9777^***	−1.0949^***
	(0.0159)	(0.0395)	(0.0394)	(0.0394)
gender	−0.0276^***	−0.0980^***	−0.1031^***	−0.1060^***
	(0.0078)	(0.0193)	(0.0191)	(0.0194)
edu	0.0724^***	0.1329^***	0.1426^***	0.1531^***
	(0.0043)	(0.0105)	(0.0104)	(0.0105)
marital	0.0073	−0.1387^***	−0.1242^***	−0.1377^***
	(0.0169)	(0.0416)	(0.0414)	(0.0419)
health	0.0099^*	0.0660^***	0.0539^***	0.0694^***
	(0.0060)	(0.0148)	(0.0147)	(0.0148)
familysize	0.0176^***	0.0721^***	0.0742^***	0.0775^***
	(0.0028)	(0.0070)	(0.0070)	(0.0070)
lnincome	0.0639^***	0.2740^***	0.2795^***	0.2915^***
	(0.0041)	(0.0103)	(0.0102)	(0.0103)
lnfin_asset	0.0197^***	0.1670^***	0.1573^***	0.1721^***
	(0.0027)	(0.0066)	(0.0066)	(0.0067)
creditcard		0.2833^***
		(0.0184)
index_phone			0.0134^***
			(0.0007)
indexdelivery				0.0179^***
				(0.0057)
_cons	0.1396^*	4.0758^***	4.1235^***	4.2137^***
	(0.0774)	(0.1904)	(0.1894)	(0.1941)
N	17,973	17,973	17,973	17,973
adj. R^2	0.101	0.284	0.291	0.275
R^2	0.1011	0.2845	0.2916	0.2754

注：Standard errors in parentheses。^*p < 0.1，^**p < 0.05，^***p < 0.01。

(二) 异质性分析

本文参考2021年经济研究中的地区分类方法，对不同地区的群体进行异质性检验(见表7)。回归结果表明，在控制其他变量的情况下，不同地区对网购消费的影响存在显著差异。具体而言，总指数在所有模型中均表现出显著的正向影响，在地区异质性检验中，模型(1)、(2)和(3)分别代表东部、中部和西部地区，系数分别为0.6479、0.8078和0.7374，同样在1%水平下显著，说明数字金融对网购消费的正向作用在不同地区均稳健。可以看出，总指数对网购支出的影响在中部地区最大，西部地区次之，东部地区相对较低。究其原因，中部地区得到政策扶持，数字金融得以快速渗透和发展，收入差距在数字金融影响下缩小，低收入群体获得更多金融服务和机会，消费能力提高；同时数字金融发展降低了消费成本，提供了更多消费渠道和金融产品，使居民更方便地进行网购消费，因此数字金融对中部地区居民家庭网购消费的影响最大。随着国家对西部基础设施建设投入增加，互联网普及程度提高，居民使用数字金融服务更便捷，其促进消费的作用逐渐显现。此外，西部地区居民消费观念逐渐转变，对数字金融接受度提高，愿意通过数字金融渠道消费，推动了网购消费增长，所以数字金融对西部地区居民家庭网购消费的影响次之。而东部地区数字金融发展成熟度高，金融体系完善，居民对数字金融的依赖度较高，故其对消费的边际促进作用逐渐减弱。此外，控制变量也表现出预期的显著性，进一步增强了模型的稳健性。

Table 7. Heterogeneity analysis

表7. 异质性分析

	(1)	(2)	(3)
	TOSC	TOSC	TOSC
total_index	0.6479^***	0.8078^***	0.7374^**^*
	(0.0401)	(0.1175)	(0.1125)
lnage	−1.2279^***	−1.0927^***	−0.7481^***
	(0.0560)	(0.0833)	(0.0754)
gender	−0.0795^***	−0.1240^***	−0.1424^***
	(0.0278)	(0.0398)	(0.0366)
edu	0.1479^***	0.1276^***	0.1795^***
	(0.0156)	(0.0219)	(0.0188)
marital	−0.1666^***	−0.1141	−0.1238
	(0.0631)	(0.0822)	(0.0756)
health	0.0597^***	0.0863^***	0.0855^***
	(0.0224)	(0.0295)	(0.0265)
familysize	0.1386^***	0.0624^***	−0.0118
	(0.0104)	(0.0159)	(0.0120)
lnincome	0.2631^***	0.2822^***	0.3174^***
	(0.0151)	(0.0231)	(0.0175)
lnfin_asset	0.2190^***	0.1489^***	0.1242^***
	(0.0102)	(0.0133)	(0.0117)
_cons	3.9921^***	3.7608^***	2.7651^***
	(0.2902)	(0.5271)	(0.4797)
N	9053	4036	4884
adj. R^2	0.287	0.205	0.231
R^2	0.2874	0.2071	0.2326

注：Standard errors in parentheses。^*p < 0.1，^**p < 0.05，^***p < 0.01。

6. 政策与建议

(一) 加强数字金融普及与推广

数字金融的普及是促进居民电商平台消费的基础。政府部门应联合金融机构和科技企业，开展数字金融知识普及活动，提升公众的认知度和接受度，特别要加强对信用卡等信用支付工具的宣传，让居民了解其在网购中的便利性和优势。同时，金融机构应根据居民家庭的消费习惯和需求特点，设计多样化、个性化的数字金融产品，不断加快数字金融场景建设，优化电商平台、线上购物等领域的支付体验，提高数字金融的可用性和便捷性。

(二) 完善数字金融安全机制

政府部门一方面需加快建立完善的数字金融安全监管机制，加强对金融机构和数字金融平台的监管，确保用户资金安全。特别是要强化对信用卡支付的安全监管，防止信息泄露和盗刷等问题。另一方面，鼓励金融机构和科技企业进行技术创新，提升数字金融系统的安全性和技术水平，优化信用卡产品和服务，提高授信额度和使用便利性，鼓励居民在网购中使用信用卡支付，促进消费。但也要加强对信用卡使用的教育，让居民了解其正确使用方法和风险防范措施，避免因不当使用而陷入债务困境。

(三) 针对不同区域和城市层级，制定差异化的消费促进政策

考虑到数字金融对不同区域和城市层级居民家庭网购消费影响的差异性，相关政府部门需制定差异化的消费促进政策。对于中部地区，可重点推广数字金融产品和服务，推广个性化消费信贷，如小额信贷和普惠金融产品，满足居民多样化需求；同时，持续优化支付系统，降低交易成本，拓展线上线下融合的消费场景。对于西部地区，电商平台则应注重提升数字金融的可操作性和易用性，降低使用门槛，同时结合其消费特点和偏好，提供适合的消费产品和服务；此外，还需结合西部地区消费特点，推出特色消费信贷和支付优惠活动。对于东部地区，主要通过开发高端金融产品，提升数字金融服务的多样性和高端化，满足其对高品质商品和服务的消费需求；同时完善数字金融监管机制，防范金融风险和欺诈行为。