1. 引言
2023年，我国网络零售额达15.4万亿元，连续11年稳居全球第一1。在我国推进扩大内需战略的过程中，网络消费对经济的促进作用愈发显著，已成为拉动经济增长的重要力量[1]。与此同时，我国农村居民的网购消费规模逐渐扩大。截至2023年6月，我国农村地区互联网普及率为60.5%，农村网民规模为3.01亿人[2]，农村网络零售额达1.12万亿元，同比增长12.5% [3]。此外，与城镇居民相比，我国农村居民的消费潜力较大。一方面，我国农村居民的平均消费水平低于全国平均水平[4]，其边际消费倾向、消费需求的收入弹性也低于城市居民[5]；另一方面，农村居民会受到城镇居民示范效应的影响，消费模式也会趋近于城镇居民[6]。
消费建立于收入的基础之上，而就业则是获取收入的主要途径。我国农村居民外出务工人数庞大，但多数就业于非正规的劳动力市场，被动离职和主动跳槽的现象较为普遍，就业具有不稳定的特点[7]。农村居民就业不稳定，失业风险增加。Hendren认为，当居民家庭面对失业冲击时，会显著降低各类消费[8]。
因此，就业稳定性是否会对农村家庭网购消费产生影响呢？研究此项议题不仅对促进农村市场的有效开发和实现乡村全面振兴具有重要作用，而且对提振国家内需与促进经济转型升级有重要意义。本文的边际贡献主要体现在以下两个方面。一是关注就业稳定性与农村家庭网购消费之间的联系，并对其内在的传导机制和调节效应进行了详细的论证。二是使用倾向得分匹配法(PSM)进行实证分析，缓解了因选择性偏误导致的内生性问题，使回归结果更加真实可信。
2. 研究方法与变量设置
2.1. 数据来源
本研究的数据来源于2019年中国家庭金融调查(简称CHFS)。该数据库旨在收集家庭微观层面的相关信息，调查内容全面，覆盖范围广，同时在城乡人口结构、性别、年龄等多个方面与国家统计局数据相一致，从而确保了数据的准确性和可信度。其丰富的样本与信息有助于对本文主题做出更加准确与深入的数据分析。
本文剔除了城市户口的样本和关键变量缺失的样本，并对一些变量进行对数转换处理以消除极端值带来的影响。通过上述筛选，本文最终获得了5120份家庭数据样本。
2.2. 变量设置
在中国家庭金融调查数据库中，农村居民的网购消费是以家庭为单位进行统计的。因此，本文的被解释变量为农村家庭在一年之内的网购消费总额，并对该变量进行对数转换处理。
本文的解释变量为就业稳定性。签订劳动合同对农村居民就业稳定具有较大的保障作用[9]。参考李中建和袁璐璐的研究[10]，本文以“签订工作合同的类型”为标准衡量就业稳定性。中国家庭金融调查(CHFS)数据库中将工作合同分为四类：1. 固定职工(包括公务员、事业单位在编人员)；2. 长期合同(1年以上)；3. 短期或临时合同(1年及以下)；4. 没有合同。将上述四种类型的工作合同分别赋值，分为4个等级，等级越高则代表就业稳定性越强。此外，借鉴骆永民等的研究设计[11]，以过去一年内农村家庭主要劳动力的工作合同类型代指家庭就业稳定情况。一般而言，户主是家庭的主要劳动力与收入来源[12]。为此，若户主工作稳定则确认其家庭就业稳定性较好。从而使网购消费与就业稳定性均以家庭层面为计量单位，使变量分析处于同一分析层次。
本文的控制变量主要包括户主特征和家庭特征两个方面。户主特征包括性别、年龄、婚姻、健康状况、智能手机使用情况五个方面，家庭特征包括家庭平均教育程度、家庭总人数、家庭总资产、家庭总负债、家庭重大事故五个方面。变量赋值与数量大小如表1所示。其中，家庭平均教育程度是将家庭各
Table 1. Descriptive statistics of variables
表1. 变量描述性统计表
变量名称 |
变量赋值 |
均值 |
标准差 |
最小值 |
最大值 |
就业稳定性 |
分类变量1~4，数值越大越稳定 |
1.660 |
0.963 |
1 |
4 |
网购消费 |
网购消费支出总额，并取对数 |
3.402 |
3.839 |
0 |
11.918 |
户主特征 |
|
|
|
|
|
性别 |
男 = 1，女 = 0 |
0.872 |
0.334 |
0 |
1 |
年龄 |
>18岁 |
48.560 |
11.058 |
18 |
94 |
婚姻 |
已婚 = 1，未婚 = 0 |
0.896 |
0.306 |
0 |
1 |
健康状况 |
分类变量1~5；数值越大越健康 |
3.479 |
0.928 |
1 |
5 |
智能手机使用 |
使用智能手机 = 1；非智能手机 = 0 |
0.808 |
0.394 |
0 |
1 |
家庭特征 |
|
|
|
|
|
家庭平均教育程度 |
分类变量；数值越大，学历越高 |
2.813 |
1.205 |
0.4 |
8.5 |
家庭总人数 |
家庭人口总数 |
1.796 |
2.043 |
0 |
11 |
家庭总资产 |
流动资产与固定资产的总额，并进行对数转换处理 |
7.199 |
4.021 |
0 |
14.793 |
家庭总负债 |
各类负债总额，并取对数 |
1.423 |
3.508 |
0 |
14.152 |
家庭重大事故 |
有 = 1，没有 = 0 |
0.149 |
0.356 |
0 |
1 |
个成员的学历水平先赋值再相加求和，最后求取平均值。家庭重大事故是指样本家庭是否发生过有重大影响的事件，既包含遭受自然灾害或重大疾病等有害事件，也包含彩票中奖或继承意外遗产等有益事件，但不包括嫁娶生子这类事项。
2.3. 模型设定
最小二乘法模型因具有建立简单、计算速度快、可预测性较强等优点而被广泛采用。此外，最小二乘法无需先验模型，且能够适用于多种拟合问题，应用范围广。因此，为研究就业稳定性对农村家庭网购消费的影响，本文通过最小二乘法(OLS)模型进行回归分析。模型设定如下：
其中，ln(netcons)为家庭网购消费总额的对数形式；jobsty代表就业稳定性或就业稳定程度；X为控制变量，包括户主特征(性别、年龄、婚姻、健康状况、智能手机使用情况)和家庭特征(家庭平均教育程度、家庭总人数、家庭总资产、家庭总负债、家庭重大事故)；u是均值为0的随机扰动项；a、b和c为待估参数，主要关注b的大小、方向及显著性。
3. 实证分析与检验
3.1. 回归结果分析
本文使用最小二乘法(OLS)估计就业稳定性对农村家庭网购消费的影响，实证结果见表2。由此可知，就业稳定性对农村家庭网购消费具有显著的正向影响，加入户主与家庭控制变量后，结果仍然正向显著。综合来看，农户就业稳定性每提高一个等级，则会促进家庭网购消费提升44.1%。
Table 2. Empirical results of the impact of employment stability on rural household online shopping consumption
表2. 就业稳定性对农村家庭网购消费影响的实证结果
变量 |
(1) 网购消费 |
(2) 网购消费 |
就业稳定性 |
1.132*** (0.056) |
0.441*** (0.053) |
性别 |
|
−0.406*** (0.148) |
年龄 |
|
−0.109*** (0.005) |
婚姻 |
|
0.635*** (0.163) |
健康状况 |
|
0.214*** (0.054) |
智能手机使用 |
|
1.243*** (0.134) |
家庭平均教育程度 |
|
0.482*** (0.043) |
家庭总人数 |
|
0.088*** (0.0242) |
家庭总资产 |
|
0.096*** (0.013) |
家庭总负债 |
|
0.037*** (0.014) |
家庭重大事故 |
|
−0.071 (0.137) |
常数项 |
1.526*** (0.107) |
3.762*** (0.413) |
是否控制变量 |
否 |
是 |
观测值 |
4712 |
4632 |
R2 |
0.081 |
0.303 |
F统计量 |
414.07 |
182.25 |
注：***、**、*分别表示在1%、5%、10%的水平上显著，括号内为标准误差。下表同。
3.2. 稳健性检验
就业稳定性与个人能力、学历水平和社会资源等方面相关。因此，农村居民能否获得一个较为稳定的工作是根据个人的实际情况做出的选择，即就业稳定性受自选择行为的影响，而不是完全随机产生的。如果只用最小二乘法(OLS)进行回归分析，就可能出现样本自选择导致的偏误[13]。倾向得分匹配法的优点在于可以在一定程度上克服由“自选择”引起的内生性问题，最大程度上缓解不可观测和可观测异质性产生的选择偏误。因此，本文采用倾向得分匹配法(PSM)进行稳健性检验[14]。
倾向得分匹配法(PSM)的基本思想是：依据可观测的特征变量，计算每个样本进入实验组的倾向得分。之后，在控制组中为实验组中的每个个体单独寻找一个或多个与之匹配或特征相近的个体，从而对样本的选择性偏误进行控制，构建起近似随机的反事实框架。最后，基于匹配的样本数据计算实验组的平均处理效应(ATT)，分析实验组与对照组之间的差异情况。为了更好地实现倾向得分匹配法，本文将就业稳定性重新定义为0~1变量。将工作合同类型中属于固定职工和长期合同的作为实验组，代表就业稳定性高的农户家庭，并赋值为1；将工作合同类型中属于短期或临时合同以及没有合同的作为控制组，代表就业稳定性低的农户家庭，赋值为0。
本文通过半径匹配法、带卡尺的近邻匹配法和核匹配法三种匹配方法进行稳健性检验。检验结果如表3所示。基于这三种匹配方法的估计结果可知：相对于就业稳定性低的农户家庭，就业稳定性高的农户家庭会显著促进家庭网购消费提升90%左右。这与基于最小二乘法的估计结果大体一致。以上结论
Table 3. PSM robustness test
表3. PSM稳健性检验
|
匹配方法 |
样本 |
网购消费 |
(1) |
半径匹配 |
控制组 |
4.373 |
实验组 |
5.298 |
Diff |
0.924*** |
(2) |
带卡尺的 近邻匹配 |
控制组 |
4.348 |
实验组 |
5.298 |
Diff |
0.949*** |
(3) |
核匹配 |
控制组 |
4.407 |
实验组 |
5.315 |
Diff |
0.908*** |
说明，就业稳定性会显著提高农户家庭网购消费，而且该结论具有较好的稳健性。
4. 机制分析
4.1. 家庭总收入的中介效应
从长期来看，就业稳定会提高农村居民家庭总收入，家庭总收入的增加又会促进家庭消费的增长。因此，本文认为就业稳定性是通过提升家庭总收入这一途径来影响家庭网购消费的。
为了检验家庭总收入的中间机制，借鉴温忠麟和叶宝娟[15]的做法，使用中介效应模型进行检验。同样使用最小二乘法(OLS)，首先估计就业稳定性对家庭总收入的影响，其次估计家庭总收入对网购消费的影响，最后观察这两组回归的结果是否显著。如果这两组回归结果均显著，则说明该变量通过了中介效应模型的检验。
根据表4和表5可知，就业稳定性对家庭总收入具有显著的正向影响，而家庭总收入也会对网购消费产生显著的正向作用。此外，加入家庭总收入变量后，降低了农户就业稳定性对家庭网购消费的影响(由0.441降低为0.302)，说明家庭总收入在就业稳定性对农村家庭网购消费的影响过程中起部分中介作用。
Table 4. Influence of employment stability on total household income
表4. 就业稳定性对家庭总收入的影响
变量 |
(1) 家庭总收入 |
(2) 家庭总收入 |
就业稳定性 |
0.242*** (0.012) |
0.115*** (0.012) |
常数项 |
10.305*** (0.023) |
9.526*** (0.092) |
是否控制变量 |
否 |
是 |
观测值 |
4742 |
4668 |
R2 |
0.078 |
0.255 |
F统计量 |
401.41 |
145.10 |
Table 5. Influence of total household income on online shopping consumption
表5. 家庭总收入对网购消费的影响
变量 |
(1) 网购消费 |
(2) 网购消费 |
就业稳定性 |
0.672*** (0.054) |
0.302*** (0.053) |
家庭总收入 |
1.893*** (0.063) |
1.274*** (0.07) |
常数项 |
−17.909*** (0.651) |
−8.196*** (0.743) |
是否控制变量 |
否 |
是 |
观测值 |
4490 |
4420 |
R2 |
0.237 |
0.358 |
F统计量 |
697.17 |
204.77 |
4.2. 从众行为的调节作用
从众行为是指经常在一起生活或工作的人们，其行为和思想更容易表现出相似性和一致性[16] [17]。习明明和吴志军基于贝叶斯Probit模型，认为网购消费会产生同伴效应与从众行为，诱导其他人参与其中[18]。因此，本文认为从众行为在就业稳定性对农村家庭网购消费的影响过程中起调节作用。检验过程如下：
首先，计算样本家庭所在社区的家庭平均网购消费水平。其次，将就业稳定性与社区平均网购消费相乘产生交互项变量，并对交互项变量做去中心化处理，使回归的结果更具有和科学性和稳定性。最后，在原有的回归模型中加入该交互项变量，分析从众行为的调节作用。
由表6的回归结果可知，交互项系数为0.064且显著为正，说明从众行为会显著的正向调节就业稳定性对农村家庭网购消费的影响。在家庭平均网购消费水平较高的社区中，就业稳定性对农村家庭网购消费的促进作用会进一步增强。
5. 异质性分析
考虑到不同年龄段的人口在消费能力或消费习惯等方面会存在显著差异，本文根据不同年龄段分析就业稳定性对农村家庭网购消费的影响。根据世界卫生组织的划分标准，将样本分为青年人群、中年人群和老年人群，并分别进行回归分析。回归结果如表7所示。可以看出，就业稳定性对青年人群家庭网
Table 6. The regulating effect of average online shopping consumption level in communities
表6. 社区平均网购消费水平的调节作用
变量 |
(1) |
(2) |
就业稳定性 |
0.865*** (0.055) |
0.374*** (0.053) |
社区平均网购消费 |
0.561*** (0.031) |
0.325*** (0.029) |
交互项 |
0.202*** (0.031) |
0.064** (0.029) |
常数项 |
−1.731*** (0.210) |
1.585*** (0.451) |
是否控制变量 |
否 |
是 |
观测值 |
4712 |
4632 |
R2 |
0.150 |
0.322 |
F统计量 |
277.14 |
168.38 |
Table 7. Analysis of the effects of age differences
表7. 年龄差异的影响分析
变量 |
(1) |
(2) |
(3) |
就业稳定性 |
0.499*** (0.068) |
0.230** (0.105) |
0.311*** (0.093) |
常数项 |
1.952*** (0.541) |
2.842*** 0.944 |
2.759*** (0.846) |
是否控制变量 |
是 |
是 |
是 |
观测值 |
3081 |
1047 |
504 |
R2 |
0.231 |
0.145 |
0.175 |
F统计量 |
83.77 |
15.89 |
9.46 |
注：表中(1)~(3)分别代表青年人(40岁以下)、中年人(40岁至60岁)和老年人(60岁以上)。
购消费提升效果最明显，消费量显著增加49.9%；而就业稳定性对中老年人家庭网购消费的提升效果相对较少，分别增加为23%和31.1%。
出现这样的结果可能是由两种因素导致的。一是老年人的消费特征更为保守、务实和谨慎，从而使其消费潜力与实际消费之间存在显著差异[19]，但青年人与此不同。二是老年人群对电子设备和网络购物的使用经验和接受程度较低，进一步抑制网购消费的增长。
6. 研究结论与政策启示
综上所述，本文认为就业稳定性会对农村家庭网购消费产生显著的正向促进作用。就业稳定会提高家庭总收入，进而推动家庭网购消费水平的提升。基于从众行为理论，社区家庭平均网购消费水平也会对居民家庭的网购消费产生影响。此外，就业稳定性对青年人群家庭网购消费提升效果最为明显，但对中老年人的提升效果相对较少。
推动经济增长是实现共同富裕的关键环节，而网购消费对经济增长的贡献日益突出。为此，本文提出以下几点政策建议：收入是消费的基础和前提。首先，要改善农村居民就业环境，建立健全农民工就业服务体系，提高就业保障，促进农户工资性收入稳步增长。其次，青年人群是消费的主力军，要在提高青年人群可支配收入的前提下，促进其消费能力和消费水平的提升。最后，进一步完善农村网络、道路等基础设施建设，提高快递服务质量，开发农村网购消费潜力。
NOTES
1数据来源于第53次《中国互联网络发展状况统计报告》。