城市电商规模对城乡收入差距的影响研究

Research on the Impact of Urban E-Commerce Scale on Urban-Rural Income Gap

摘要: 互联网技术飞速发展时期，电子商务成为带动中国经济增长的重要力量，城市电商规模是社会关注的重点话题，而缩小城乡收入差距问题是保持我国经济稳定协调可持续发展的重要条件。本文选择2010年到2020年全国259个城市的数据作为样本，使用固定效应模型和动态面板模型评估了城市电商规模对城乡收入差距的影响。研究发现，城市电商规模增大会显著缩小城乡收入差距，这一结论经过一系列稳健性检验后依然成立。异质性分析显示，在中东部地区，城市电商规模增大会显著缩小城乡收入差距；而在西部地区，城市电商规模增大会显著扩大城乡收入差距。最后根据我国实际，提出推动电商深度发展和精准化的区域发展建议，着力缩小城乡收入差距，促进社会公平。

Abstract: During the period of rapid internet technology development, e-commerce has emerged as a crucial force driving China’s economic growth. The scale of urban e-commerce is a key focus of societal attention, while addressing the urban-rural income gap is essential for maintaining stable, coordinated, and sustainable economic development in China. This study utilizes data from 259 cities across China spanning 2010 to 2020, employing fixed-effects models and dynamic panel models to evaluate the impact of urban e-commerce scale on the urban-rural income disparity. The research finds that an increase in urban e-commerce scale significantly narrows the urban-rural income gap, a conclusion that holds after a series of robustness tests. Heterogeneity analysis reveals that in the central and eastern regions, an expansion of urban e-commerce scale significantly reduces the urban-rural income gap. Conversely, in the western region, an increase in urban e-commerce scale significantly widens the gap. Finally, based on China’s specific context, the study proposes region-specific recommendations to promote the in-depth and targeted development of e-commerce, aiming to narrow the urban-rural income gap and foster social equity.

1. 引言

互联网技术的快速发展，促使全球电子商务迅速崛起，极大地改变着人们的生产方式、生活方式和消费方式。在中国，电子商务行业呈现增长态势，逐渐成为拉动经济增长的重要引擎[1]。城乡差距近年来受到社会各界的广泛关注，城乡收入差距不断扩大[2]，这不仅影响社会公平，还可能限制经济可持续发展。电子商务属于数字经济的关键部分，它凭借规模效应、创新动力以及增长速度，在缩小城乡收入分配差异上有着明显潜力。仔细探究这个话题，有益于找出数字经济环境下的城乡经济互动新特点，并给政策制定给予理论根据和实际指引[3]。

目前的研究对于电商规模与城乡收入差距的关系存在争议，一些学者认为电子商务降低交易成本、优化资源配置效率，有助于缩小城乡发展差异；但也有一些研究认为由于区域基础设施与资源禀赋的巨大差异，电商发展反而会进一步加剧地区间不平衡。韩雷、张磊(2016)发现电商经济显著提高了城乡居民的经济活动参与度，城镇和农村居民人均可支配收入增加，但城镇受益更大，因此会导致城乡收入差距的扩大[4]。汤龙等(2024)提出农村电商需要深度结合数字普惠金融才能缩小城乡收入差距，并且这种效果在基础设施完善、金融服务发达的地区更为明显[5]。杨仁发等(2023)研究显示，电商发展有效地改善了县域经济发展中出现的区域不平衡状况[6]，陈华帅和谢可琴(2024)也表明，农村电商凭借自身就业创造以及信息传递的功能，在提高农户收入水平的同时，明显减小了城乡之间以及区域之间的收入差距，并且表现出正向溢出效应[7]。王奇等(2021)认为，农村电商是落实乡村振兴战略的重要路径，特别在激活欠发达地区的经济活力上有着重要的作用[8]。

本研究选用2010~2020年全国259个地级市的面板数据作为样本，着重关注以下问题：城市电子商务规模拓展，是否缩小了城乡收入差距？这种影响在东部地区，中部地区以及西部地区表现出何种差异性？本研究不仅可以加深对数字经济环境下城乡收入差距关系发展的认识，而且给地方政府制定区别化，精细化的区域电商发展策略给予实证支持，从而更好地推动电子商务在助力城乡融合发展及助力共同富裕目标达成当中发挥作用。

2. 理论分析

陶艳萍(2025)基于2008~2020年全国县级面板数据，通过DID模型研究后指出，中国电商支持政策通过完善电商基础设施，推进电商规模化、专业化发展，有利促进了农民增收和城乡居民收入缩小[9]。电子商务发展给城乡收入差距带来的影响机制存在明显复杂的特征，有资源优化配置的正面效应，也有数字鸿沟加大和区域发展不均衡的负面可能性。从积极层面来讲，电子商务冲破传统地域空间束缚，促使农村地区全面参与到全国甚至全世界市场体系之中，依照新经济地理学理论分析，这样的市场融合进程能有效地降低交易成本并且加强资源配置效能，有利于推动农村经济活力的释放，而且电子商务还孕育出物流配送、线上营销服务等新就业形态，创造出许多非农岗位，可以给劳动力由传统农业向现代服务业转型赋予支撑作用，从而解决就业结构固定化的问题，进而削减城乡就业差别。此进程中，收入来源多样化和收入水准提升会明显改善农村居民的生活品质，逐渐减小城乡收入差距[2]。

王军(2023)的研究表明，电商发展对城乡收入差距的影响具有非线性特征，当电商发展水平超过一定门槛值时，其缩小城乡收入差距的效果更为显著[10]。电子商务的迅猛发展受到数字鸿沟和区域发展不平衡的双重限制，从空间经济学角度出发，它很大程度上依靠物流网络、数字基础设施以及专业技术人才等关键因素，而这些资源在城乡，区域之间的分配表现出明显的非均衡性特点，如果没有有效的调控手段，电商资源可能会大量流向城市和经济发达地区，进而加深“数字鸿沟”。在此情况下，城市凭借规模效应快速扩张，农村地区由于基础设施薄弱、人力资源短缺等问题，很难有效地融入电子商务体系当中，于是城乡发展差距进一步拉大[11]。经济欠发达的西部地区由于复杂的地理环境造成物流成本高企，且互联网普及率低，农村居民数字化技能水平较低，这些因素相互影响，导致电商资源向城市聚集，加剧农村青壮年劳动力外流，削弱乡村产业发展内生动力，拉大城乡居民收入差距[12]。由此提出以下假设：

H1：电商规模对城乡收入差距的总体效应为负。

H2：在基础设施和人力资源水平较高的东部和中部地区，电商规模扩大将缩小城乡收入差距；在基础设施和人力资源水平较低的西部地区，电商规模的发展可能扩大城乡收入差距。

3. 研究设计

3.1. 数据来源

由于关键控制变量城市市场化水平数据的可得性以及控制在大规模公共卫生事件期间经济发展停滞、产业链重组所产生的影响[13]，为增加实验结果的可靠性，本文选取2010~2020年中国城市层面数据作为研究对象。由于部分城市数据缺失严重，因此将深圳市、三沙市和那曲市等城市剔除，最终将剩余的259个城市作为研究电商发展规模对城乡收入差距影响的样本。本文使用数据包括城乡收入比、电商规模、产业结构、城镇化水平、市场化水平即教育支出占比，其中电商规模数据主要来源于《中国电子商务报告》、阿里研究院、各省份统计年鉴和统计公报；城乡收入数据和控制变量产业结构、城镇化水平、市场化水平即教育支出占比来自《中国城市统计年鉴》、各城市统计年鉴和统计公报、EPS数据库，对于个别缺失值采用线性插值法补齐。

3.2. 变量选取

被解释变量：在基准回归中采用城乡收入比(URID)衡量城乡收入差距，具体的计算方法为使用城镇人均可支配收入占农村人均可支配收入比[14]，因此该值越大，则代表城乡收入差距越大；在稳健性检验中采用城乡泰尔指数(Theil)来衡量城乡收入差距。

选取理由：使用城乡收入比计算简便且被广泛采用，泰尔指数不仅能够反映收入比值，还能体现城乡人口结构对差距的影响。

解释变量：采用城市每年电子商务交易额(ES)衡量。由于地级市电子商务数据统计较为困难，因此采用地级市快递业务量占本省快递业务的比重作为权重，对省级电商数据进行线性插值分解处理得到近似城市电子商务交易额。电子商务交易依托于快递业务，因此使用该权重分解得到的数据能一定程度上表征城市电商发展水平。

选取理由：地级市层面电商数据统计不完善，而快递业务量与电商交易高度相关。用“城市快递占比”对省级数据，能够合理近似模拟城市电商规模。

控制变量：涵盖产业结构(IS)、城镇化水平(UR)、市场化水平(ML)和教育支出占比(EDU)四个维度。产业结构由第三产业增加值占地区生产总值衡量地区经济结构特征；城镇化水平用城镇人口与总人口的比重度量人口迁移与城市经济发展效应；市场化水平通过非国有经济增加值占GDP比重反映市场资源配置效率；教育支出结构用教育支出占一般财政支出的比重衡量[12]。

选取理由：第三产业更集中于城镇，附加值较高，占比提升可能会扩大城乡收入差距；城镇化人口能够反映城乡人口比例，可能会影响收入差距；市场化程度越高，资源配置效率可能更高，从而对城乡收入差距构成影响；教育支出占比可能会反映出当前教育资源分配对收入差距的间接影响。

3.3. 模型构建

为了探究电商规模对城乡收入差距的影响，构建如下基准回归模型：

${\text{URID}}_{it}={\alpha }_0+{\alpha }_1{\text{ES}}_{it}+{\displaystyle {\sum }_{j-1}^4{\alpha }_{1+j}{\text{Control}}_{jit}+u_i+v_t+{\epsilon }_{it}}$ (1)

其中，i表示省份，t表示年份；$\text{URID}$ 表示第i个城市在第t年的城乡收入差距；${\text{ES}}_{it}$ 表示第i个城市在第t年的电商规模；${\text{Control}}_{jit}$ 表示第i个城市在第t年的第j个控制变量，分别包括产业结构(IS)、城镇化水平(UR)、市场化水平(ML)和教育支出水平(EDU)；${\alpha }_0$ 为常数项，${\alpha }_1$ 、${\alpha }_{1+j}$ 为各变量的回归系数；$u_i$ 表示城市固定效应，用于控制不随时间变化的地区异质性因素，如地理位置、历史文化等；$v_t$ 表示时间固定效应，用于控制随时间变化的宏观经济因素，如宏观经济政策调整、技术进步等；${\epsilon }_{it}$ 为随机误差项，代表模型中未考虑到的其他随机因素对城乡收入差距的影响。

4. 实证结果与分析

4.1. 描述性统计

表1显示了2010~2020年全国259个城市合计共2849个观测样本的描述性统计。城乡收入差距(URID)均值是2.35，城镇人均可支配收入比农村大约高2.35倍，最低为1.22，最高达4.47，表现出了区域发展并不平衡的特征；城镇化水平(UR)均值是38.69%，处在最低的为10.02%以及最高的为100%，城市化的差距十分明显；产业结构(IS)中第三产业占比的均值为58.92%，波动范围在31.12%~78.31%，说明各地产业结构转型的方向存在着差异。市场化程度(ML)的均值为1.28，最小值只有0.05，最大值达到17.14，表现出各个地方市场化改革进程有巨大的差异。教育支出占比(EDU)均值为17.65% (标准差为3.98%)，最低值4.36%，最高值35.62%，说明地方政府教育资源分配的效率在不同的地区有着很大的差异。

Table 1. Descriptive statistics of variables

表1. 变量描述性统计

变量	观测值	均值	标准差	最小值	最大值
URID	2849	2.353 811	0.462 476 2	1.223 406	4.465 082
UR	2849	0.386 907 3	0.198 949 5	0.100 213 8	1
IS	2849	0.589 190 1	0.095 302 3	0.3112	0.7831
ML	2849	1.277 271	0.904 833 3	0.051 850 1	17.141 15
EDU	2849	0.176 497 7	0.039 757 6	0.043 627 8	0.356 207 3

4.2. 相关性分析

本部分使用stata 17.0进行相关性分析，检验变量之间的相关性，以初步了解变量之间的相关关系，检验结果如表2所示。

Table 2. Correlation analysis

表2. 相关性分析

	URID	lnES	lnUR	lnSS	lnML	lnEDU
URID	1.000
ES	−0.280^***	1.000
UR	−0.382^***	0.365^***	1.000
IS	0.205^***	−0.628^***	−0.384^***	1.000
ML	−0.187^***	0.140^***	−0.007	−0.223^***	1.000
EDU	0.171^***	0.062^***	−0.334^***	0.204^***	−0.090^***	1.000

注：^*、^**、^***分别表示在10%、5%、1%的水平上显著。

根据表2，城乡收入差距(URID)与电子商务发展(ES)呈显著负相关关系，表明电子商务发展水平越高的地区，城乡收入差距可能越小；相反，城乡收入差距缩小也可能会促进电商发展，初步支持“电商发展有助于缩小城乡收入差距”的假设。

关于被解释变量与控制变量之间的相关关系：城乡收入差距(URID)与城镇化水平(UR)显著负相关关系，表明城镇化水平提升可能伴随城乡收入差距缩小；城乡收入差距(URID)与产业结构(IS)显著正相关，与市场化水平(ML)显著负相关(−0.187^***)，表明产业结构升级时，城乡收入差距可能会进一步扩大，而市场化程度提高可能通过资源优化配置缩小差距；城乡收入差距(URID)与教育支出占比(EDU)显著正相关(0.171^***)，教育支出占比高的地区城乡收入差距反而更大，可能需结合教育资源分配结构进一步分析。

关于解释变量与控制变量之间的相关关系：电子商务(ES)与产业结构(IS)和市场化水平(ML)呈显著负相关关系，表明电商发展水平高的地区，第三产业占比可能较低；电子商务(ES)与城镇化(UR)显著正相关，表明市场化水平和城镇化水平高的地区电商发展更快，符合电商依托城镇市场的特征。

关于控制变量之间的相关系数：绝对值多数在0.35以下，多重共线性风险较低。

4.3. 豪斯曼检验

豪斯曼检验主要是用来判断固定效应模型和随机效应模型的选择。表3呈现了豪斯曼检验的结果，检验统计量χ² (15) = 83.44，对应的p值为0.000，强烈拒绝原假设，即城市层面的未观测异质性与核心解释变量存在系统性相关，使用随机效应模型会导致估计有偏。因此固定效应模型更适合本研究，建议在基准回归中同时加入城市和年度双重固定效应，以增强模型的稳健性。

4.4. 回归结果分析

表4呈现了基准回归分析结论，并运用逐步增加控制变量的方法，探索电商规模对城乡收入差距的影响。在第(1)列中，电商规模回归系数为−0.015，并在5%水平上显著为负，表明两者有显著的负向关联，随着控制变量逐个增加，该系数逐渐稳定。在第(5)列中，加入城镇化水平(UR)、产业结构(IS)、市场化程度(ML)以及教育支出占比(EDU)这些控制变量之后，电商规模的系数降到了−0.020，而且依然在1%水平上显著。实证研究显示，城市电子商务交易规模增大可以缩减城乡居民收入差距，该结论支持了假设一。控制变量发挥的作用存在明显差别，第三产业比重的增多对缩小城乡收入差距有着积极影响，这可能是因为第三产业对农村剩余劳动力的吸纳能力得到加强；教育支出展现出对城乡三个收入差距的正向影响，这种现象可能与地方政府在教育资源分配时的不均等现象有关，造成农村的人力资本积累受阻，“教育红利”很难真正惠及农村地区[15]。

Table 3. Hausman test

表3. 豪斯曼检验

变量	固定效应	随机效应
	URID	URID
ES	−0.0203^***	−0.0283^***
	(0.006 65)	(0.006 21)
UR	0.166	−0.280^***
	(0.121)	(0.101)
IS	−0.407^***	−0.424^***
	(0.104)	(0.100)
ML	−0.0207	−0.0276^*
	(0.0153)	(0.0152)
EDU	0.988^***	0.979^***
	(0.210)	(0.206)
Observations	2849	2849
检验统计量	χ^2 (15) = 83.44	p = 0.000

注：^*、^**、^***分别表示在10%、5%、1%的水平上显著。

Table 4. Benchmark regression results

表4. 基准回归结果

	(1)	(2)	(3)	(4)	(5)
	URID	URID	URID	URID	URID
ES	−0.015^**	−0.014^**	−0.018^***	−0.018^***	−0.020^***
	(−2.269)	(−2.184)	(−2.666)	(−2.728)	(−3.043)
UR		0.149	0.111	0.108	0.166
		(1.230)	(0.920)	(0.892)	(1.370)
IS			−0.420^***	−0.419^***	−0.407^***
			(−4.042)	(−4.030)	(−3.927)
ML				−0.023	−0.021
				(−1.529)	(−1.355)
EDU					0.988^***
					(4.694)
_cons	2.847^***	2.796^***	3.541^***	3.561^***	3.390^***
	(32.146)	(29.076)	(17.042)	(17.109)	(16.106)
时间固定效应	是	是	是	是	是
城市固定效应	是	是	是	是	是
N	2849	2849	2849	2849	2849
R^2	0.510	0.510	0.513	0.514	0.518

注：括号内为t值，^*、^**、^***分别表示在10%、5%、1%的水平上显著。

4.5. 稳健性检验

本文使用了三种方法对基准回归中的结果进行了检验，表5呈现了稳健性检验的回归结果。列(1)中采用泰尔指数(Theil)替代城乡收入比(URID)作为因变量重新估计，结果显示电商规模(ES)系数保持显著负相关，证实核心结论不受收入差距测度方法的影响。其次，列(2)中为排除极端值干扰，对连续变量进行1%分位数缩尾处理，此时电商规模系数为−0.021，与基准回归的结果高度接近，表明并未有异常值影响电商与收入差距的真实关系。最后针对潜在内生性问题，在列(3)中构建系统GMM动态面板模型，以因变量滞后项作为工具变量，结果显示ES系数扩大至−0.165，依然支持基准回归的检验结果。通过对电商规模对城乡收入差距影响效应的稳健性检验，得到的结果都与初始估计结果类似，这说明电商规模对城乡收入差距的影响效应是可靠的、稳定的。

Table 5. Results of robustness test

表5. 稳健性检验结果

	(1)	(2)	(3)
	Theil	1%缩尾	系统GMM
ES	−0.001^**	−0.021^***	−0.165^***
	(−2.318)	(−3.290)	(−4.293)
UR	−0.002	0.127^*	−0.937^***
	(−0.181)	(1.729)	(−3.466)
IS	−0.018^**	−0.375^***	−1.570^***
	(−2.197)	(−3.819)	(−3.033)
ML	−0.002^**	−0.007	−0.129^**
	(−1.984)	(−1.433)	(−2.192)
EDU	0.069^***	0.915^***	2.241
	(4.047)	(5.196)	(1.299)
_cons	0.142^***	2.967^***	7.374^***
	(8.395)	(24.507)	(7.091)
时间固定效应	是	是	是
城市固定效应	是	是	是
N	2849	2849	2849
R^2	0.602	0.6307
AR (1)			0.007
AR (2)			0.194
Hansen test			0.163

注：列(1)、(2)括号内为t值；列(3)为系统GMM估计结果，括号内为z值；^*、^**、^***分别表示在10%、5%、1%的水平上显著；列(3)中AR (1)和AR (2)检验分别用于判断差分后的残差是否存在一阶自相关和二阶自相关；Hansen test检验用于过度识别检验。

5. 异质性分析

本研究着眼于电商规模对于城乡收入差距存在空间上的差异，将城市划分为3个不同区域——东部、中部、西部，进行分组回归，结果如表6所示，在东部经济较为发达的地区，城市的电商规模(ES)的回归系数是−0.07，在5%水平下显著，这意味着东部地区电商规模的扩大在降低城乡收入间的差距上具有正向的助力效果，这很大程度上得益于该区域完备的交通网络、发达的数字技术以及旺盛的市场需求，带动电商资源流向了更多的乡村地域，推进区域经济向一体化方向发展；中部地区虽然呈现出类似特征但是其回归系数绝对值要明显小于东部的区域特征。从研究数据来看，西部地区ES系数为0.022，在1%的水平显著，这说明电子商务发展与城乡收入差距扩大有明显联系，这个现象可能是由于在西部地区电商的基础设施差、电商人力资源短缺、物流体系不完善等原因。再加上农村居民数字素养偏低，缺乏相应的电商技能，使得电商资源过于集中在城市中心，从而加深了城乡二元结构的特征。上述结论为假说二提供了证据。

Table 6. Heterogeneity analysis results in the eastern, central, and western regions

表6. 东、中、西部异质性分析结果

	(1)	(2)	(3)
	东部	中部	西部
ES	−0.07^**	−0.029^***	0.022^***
	(−2.756)	(−3.255)	(8.297)
UR	−0.152	−0.147	0.296
	(−0.885)	(−0.763)	(1.075)
IS	−0.566^***	−0.205	−0.787^***
	(−3.115)	(−1.186)	(−4.524)
ML	−0.073^***	0.004	0.022
	(−2.979)	(0.161)	(0.835)
EDU	1.199^***	0.360	1.795^***
	(3.349)	(1.060)	(5.129)
_cons	3.290^***	3.316^***	2.560^***
	(8.538)	(10.013)	(6.878)
时间固定效应	是	是	是
城市固定效应	是	是	是
N	1067	1045	737
R^2	0.390	0.571	0.720

注：括号内为t值，^*、^**、^***分别表示在10%、5%、1%的水平上显著。

6. 结论与展望

6.1. 研究结论

本研究基于全国259个城市2010~2020年的数据进行分析，发现城市电子商务规模发展能显著缩小城乡收入差距，这一结论在固定效应模型、动态面板模型及多重稳健性检验中均得到支持。但该种作用在不同区域之间存在显著异质性，在中东部地区，电子商务规模的增加可以显著降低城乡收入差距，可能的原因是这里物流发达、网络普及、产业基础好，电商发展能有效带动农村增收。而在西部，这种作用是相反的，电商规模的扩大会显著拉大城乡收入差距，这可能是由于西部农村交通不便、网络覆盖差、农民数字技能不足等原因，导致电商资源集中到城市，反而可能拉大了城乡差距[13]。

基于以上结论，提出以下建议：

根据异质性检验结果，中东部和西部区域实证结果相反，因此应实施精准化的区域电商发展战略。

1) 东部地区应当进一步深化城乡电商融合，依托枢纽优势布局县域“仓储 + 冷链”中心，推动“村播基地 + 农户”模式，将特色农产品纳入平台直供计划。同时，推动产业升级，建议设立专项基金，支持农村电商开发深加工产品，培育“电商 + 文旅”的新业态。

2) 在中部地区，要构建四级物流网，对农村物流企业按每吨公里0.5元补贴，开通“乡镇直通车”，以降低电商门槛，促进城乡电商和相关产业均衡发展。同时，在农村区域开展电商产业培训，设立县级培训基地，目标人群为农村妇女 + 返乡青年，每个县年培训人数不低于5000人。

3) 在西部地区，根据理论分析和实证结果，城乡发展极为不均衡，应重点攻坚数字基础设施建设。一方面，要努力在2028年前实现90%以上的5G乡村信号全覆盖；另一方面，可以实施东部区域对西部区域培训 + 电商产业扶持结对，一个东部区域市对口援助一个或多个西部区域市。

6.2. 不足与展望

本研究存在一定局限：一是电商规模的衡量依赖快递业务量权重分解省级数据，可能与实际地级市电商发展存在偏差；二是未深入探讨电商影响城乡收入差距的具体路径机制，如数字金融、物流效率等中间变量的作用有待细化。

未来研究可从两方面拓展：一方面，结合更精准的微观电商数据(如农村电商交易额)，增强结论的可靠性；另一方面，引入中介效应模型，剖析电商通过就业创造、技术扩散等路径对城乡收入差距的影响机制，为制定更具针对性的政策提供依据。