首页 >  期刊文章 >  

数字可及性赋能内需释放:国家大数据综合试验区政策与居民消费变迁
2026-10-23   来源:朱小怡  孟顺杰   

摘 要:文章以国家大数据综合试验区政策作为准自然实验, 基于2010—2022年中国家庭追踪调查(CFPS)微观家庭面板数据, 运用双重差分法系统考察数据可及性对居民家庭消费的总体影响、结构效应与异质性特征。研究结果表明, 国家大数据综合试验区政策显著提升了居民家庭消费水平, 且该结论在一系列稳健性检验后依然成立。机制分析结果显示, 国家大数据综合试验区政策主要通过收入增长效应、消费网络扩张效应以及消费习惯转变效应影响居民家庭消费福利。异质性分析进一步表明, 该政策对城镇家庭、互联网普及程度较高地区的家庭、受教育程度较高家庭以及大城市家庭的消费促进作用更为显著。此外, 国家大数据综合试验区政策显著降低居民家庭生存型消费支出, 同时明显促进发展型消费与享受型消费支出增长, 从而推动居民家庭消费结构升级。文章为数据可及性赋能内需扩大、促进消费升级提供了微观层面的经验证据, 同时也为优化试验区布局、释放消费红利以及推进消费公平提供了政策启示。
关键词:数据可及性;国家大数据综合试验区政策;居民家庭消费;消费结构升级
中图分类号:F281
文献标识码:A

文章编号:1005-3492(2026)04-0111-21



一

引言


当前,数字经济已深度融入生产、分配、流通、消费和社会服务管理等各个环节。数据作为一种新型生产要素,其合规高效流通与利用,已成为激活经济增长新动能、增进民生福祉的重要支撑。居民家庭消费福利的提升,不仅表现为消费总量的增加,还体现为消费结构的优化、消费品质升级以及消费成本的降低。因此,居民家庭消费水平是衡量居民生活质量和社会发展水平的重要指标。在数字化转型浪潮中,数据可及性作为衡量数据要素连接居民家庭行为的重点形式,其发展水平直接影响家庭消费决策、消费选择以及消费体验,进而深刻影响居民家庭消费福利提升。概言之,提升数据可及性已成为破解消费市场信息不对称、释放居民消费潜力的重要突破口。

随着数字基础设施的持续完善,数据资源规模稳步扩大,数据类型日益丰富。然而,数据壁垒、数据不对称以及数据使用门槛过高等问题仍然普遍存在,制约了数据要素对居民家庭消费福利的赋能效应。一方面,居民家庭在消费过程中面临信息搜寻成本高、产品质量识别难等问题,难以基于充分信息作出最优消费决策,进而影响消费满意度和福利水平。另一方面,数据获取不足,企业难以精准匹配居民家庭消费需求,导致供给与需求脱节,进一步限制了居民家庭消费潜力的释放。在此背景下,如何通过政策引导提升数据可及性,推动数据要素向消费领域渗透,并提升居民家庭消费福利,已成为亟待回应的重要现实问题。

为破解数据流通与利用中的突出难题、释放数据要素潜能,中国逐步推进数据基础制度建设。2015年国务院印发《促进大数据发展行动纲要》,国家级大数据综合试验区先后获批设立,覆盖贵州、京津冀、珠三角、上海等多个区域。与一般性政策不同,国家大数据综合试验区政策以破除数据壁垒、打通数据流通堵点为核心,统筹推进公共数据开放、企业数据共享以及个人信息合规使用,搭建数据流通交易平台、完善数据服务体系,着力降低居民家庭与企业的数据获取门槛,提升数据可及性水平。例如,贵州作为中国首个国家级大数据综合试验区,通过优化数字消费基础设施与数字消费环境,推动数据资源转化为改善民众生活质量的实际成效,从而有效激发了居民家庭数字消费潜力。这种区域性、系统性的政策试点,为考察数据可及性与居民家庭消费福利之间的关系提供了天然的准自然实验情境,也使国家大数据综合试验区政策成为本文的核心研究对象。基于此,本文以国家大数据综合试验区政策为切入点,系统考察其通过提升数据可及性、缓解消费领域信息不对称进而影响居民家庭消费福利的内在机制与实际效应。

基于上述现实需求,本文基于2010—2022年中国家庭追踪调查(CFPS)微观家庭面板数据,将国家大数据综合试验区政策视为一项准自然实验,并运用双重差分模型识别政策对居民家庭消费的净效应。在控制家庭固定效应与年份固定效应后,实证结果表明,国家大数据综合试验区对居民家庭消费具有显著正向影响,基准回归系数为0.552,且在1%的统计水平上显著。进一步地,在剔除疫情时期样本、倾向得分匹配、控制同期其他政策、更换被解释变量以及处理内生性问题等一系列检验后,该结论依然成立。

在识别核心效应的基础上,本文发现政策通过三条机制路径对消费产生驱动作用。第一,收入效应。国家大数据综合试验区政策通过创造新型就业形态、提高工资性收入与经营性收入,增强居民家庭消费能力。第二,消费网络效应。数字社交互动的普及强化了社会交往与亲属之间的消费联动,从而扩大居民消费需求。第三,消费习惯效应。数字设备、网络购物与信用支付的普及降低了消费摩擦,提高了居民消费倾向。与此同时,政策效应呈现出明显的异质性。国家大数据综合试验区政策对城镇家庭、互联网覆盖率较高地区的家庭、受教育程度较高家庭以及较大城市家庭的消费促进作用更强,而对农村家庭、低互联网地区群体以及受教育程度较低群体的影响相对较弱。这一发现为理解数字鸿沟与消费公平问题提供了直接的经验证据。

更具现实价值的是,本文进一步证实,国家大数据综合试验区政策不仅能够推动居民家庭消费总量扩张,而且能够促进居民家庭消费结构升级。具体而言,该政策显著降低了生存型消费占比,同时显著提高了发展型消费和享受型消费支出,推动居民家庭消费由满足基本生存需要逐步转向注重人力资本积累和生活品质提升。这一结论表明,从顶层政策设计层面看,以大数据为代表的数字经济政策并非仅是刺激短期经济增长的工具,更是推动消费模式转型、优化内需结构、支撑高质量发展的长期动力。因此,国家大数据综合试验区政策对于破解内需不足、实现消费持续升级具有重要现实意义。

与既有文献相比,本文的边际贡献主要体现在三个方面。第一,拓展了研究视角与数据维度。现有关于国家大数据综合试验区政策的评估研究主要集中于宏观经济增长、产业结构、企业创新以及区域生产率等方面,而以居民家庭消费为切入点的微观经验证据仍相对不足。本文聚焦居民家庭消费,将国家大数据综合试验区政策视为一项准自然实验,不仅为数字经济政策研究提供了重要补充,也为理解数字制度创新所释放的内需红利提供了新的研究视角。同时,本文基于CFPS微观数据库,使用超过15万个家庭观测值的大规模面板数据,采用双重差分模型进行因果识别。此类家庭层面数据具有样本规模大、时间跨度长、颗粒度高等特征,能够有效控制个体异质性,并对户主特征、家庭结构、收入资产状况以及养老负担等细分维度进行精准识别,从而显著提升估计结果的可靠性与外部有效性。第二,推进了机制分析的系统性与完整性。本文突破单一机制分析的局限,构建并检验了涵盖收入效应、消费网络效应和消费习惯效应的综合性传导框架,系统揭示了国家大数据综合试验区政策影响居民家庭消费的完整路径。同时,本文重点开展多维度异质性检验,清晰刻画了政策效应在城乡差异、互联网发展水平、受教育程度以及城市规模等维度上的差异化表现,为理解数字红利的结构性分布提供了可验证的经验证据。第三,丰富了研究内容并强化了政策指向。本文明确引入消费升级分析框架,将居民家庭消费划分为生存型消费、发展型消费和享受型消费三类,不仅考察政策对消费总量的影响,而且进一步识别其对消费结构优化的作用。本文从顶层政策设计视角证实,数字经济创新能够推动居民家庭消费由基本生存型消费向发展型和享受型消费升级,从而为扩大内需战略提供一条长期、可持续的数字化路径。


二

文献综述与机制分析


(一)国外文献综述

1. 居民家庭消费行为的影响因素

西方消费理论已围绕居民家庭消费形成较为成熟的分析框架。Friedman提出持久收入假说,认为家庭消费取决于长期持久收入而非短期暂时性收入,收入稳定性直接决定居民消费倾向。Ando and Modigliani提出的生命周期假说强调,家庭会根据年龄、财富水平和家庭负担进行跨期消费配置,因而人口结构与资产状况会显著影响消费支出。此后,学者进一步从经济因素、心理因素、人口特征和数字因素等多个维度构建了居民家庭消费行为的综合分析框架。 例如,Martínez and Camara利用西班牙2005—2015年的投入产出表,考察2008年金融危机对居民家庭消费的影响,研究发现,经济危机及相关封锁措施对家庭收入、储蓄、消费和贫困状况产生了显著冲击。以旧金山湾区为例,在缺乏社会保障的情况下,贫困率显著上升,低收入群体的消费受到最为严重的冲击。Jiang et al.则将2017年和2019年中国家庭调查的省级数据与数字普惠金融指数相结合,实证考察数字普惠金融对居民家庭消费的影响及其微观作用机制。研究结果表明,数字普惠金融能够显著促进居民家庭消费增长,且这一效应在不同地区、不同消费层次以及不同人口群体之间存在差异。

上述研究共同表明,现代经济条件下居民消费的影响因素具有动态性和多维性。总体来看,既有文献已较为充分地识别了影响消费的经典因素,但对于数字技术、数字政策等新兴变量如何重塑居民消费行为的关注仍相对不足。

2. 数据可及性的经济效应

数据可及性以数据要素的流通与利用为基础,对宏观经济增长、产业效率、市场运行以及微观主体行为产生系统性影响。Goldfarb and Tucker认为,数据扩张从根本上降低了搜索、复制、运输、追踪和验证五类经济成本,进而重塑资源配置方式与经济运行模式。在宏观层面,数据能够提升全要素生产率,促进产业结构升级,成为推动经济增长的重要引擎。在中观层面,数据推动制造业与服务业数字化转型,提高供需匹配效率,降低市场摩擦。在微观层面,数字经济改变了传统就业形态,催生平台就业、灵活就业等新型就业模式,拓宽了居民家庭收入渠道。已有大量研究表明,数据可及性提升能够通过提高效率、优化资源配置和稳定市场预期,对居民收入、就业和消费产生正向溢出效应。然而,现有文献对国家层面大数据政策的针对性评估仍相对不足,尤其缺乏从数据可及性视角出发,系统考察其对居民家庭消费福利影响的微观经验证据。

3. 数据可及性与居民家庭消费行为

随着数据可及性的不断提升,越来越多研究开始关注其对居民家庭消费行为的影响。首先,数字化发展能够降低信息不对称和交易成本,扩大居民消费选择机会,提升消费便利性,并直接促进消费增长。其次,移动支付、消费信贷等数字金融工具能够缓解流动性约束,降低支付摩擦,提高居民即时消费和非计划性消费倾向。再次,社交网络与社群互动能够形成消费示范效应,推动消费观念扩散与消费行为趋同,进而扩大服务型消费和品质型消费。近年来,相关研究进一步发现,数据可及性不仅影响居民消费总量,也会推动消费结构升级。然而,既有文献主要聚焦于电子商务、支付系统和数字平台等微观工具,对国家大数据综合试验区政策这类制度创新如何从顶层政策设计层面影响居民家庭消费,以及其因果效应和传导机制,关注仍相对不足。本文试图弥补这一研究缺口。

(二)机制分析

作为提升数据可及性的核心政策载体,国家大数据综合试验区政策通过政策引导、技术赋能和产业培育,从收入、消费网络和消费习惯三个维度构建起影响居民家庭消费的完整传导机制。上述效应相互支撑、协同发力,共同推动居民家庭消费规模扩大、结构优化和质量提升。

第一,收入增长效应。首先,国家大数据综合试验区政策改变了居民工作方式与就业选择。传统劳动力市场长期存在用工方与劳动者双向信息不对称问题,岗位搜寻、技能匹配存在较高时间与沟通交易成本,居民就业选择被地域、固定工位严格限制。国家大数据综合试验区政策推动数字技术与各类产业深度融合,催生远程办公、平台就业、灵活就业和数字创业等一系列新型就业形态。与传统固定就业模式相比,新型就业形态更强调劳动者技能适配性与工作自主性,居民可根据自身时间约束和技能特征,选择线上接单、远程服务、数字内容创作等就业形式,这不仅提高了就业灵活性与稳定性,也降低了就业门槛。已有研究指出,就业稳定性提升与收入来源多元化能够显著刺激消费。其次,国家大数据综合试验区政策提高了家庭总收入水平。从数据要素价值理论来看,数据具备非竞争性、高附加值、规模报酬递增的独特要素特征,数字产业本身具有高生产率、高附加值和高成长性的特征。国家大数据综合试验区政策通过集聚数字企业、培育数字产业链,带动上下游相关行业快速发展,而这些行业的整体工资水平显著高于传统劳动密集型行业,从而直接提高劳动收入。更为重要的是,试验区推动数据要素市场化配置,明确数据作为生产要素的分配地位,使居民能够通过数据确权、数据流通和数据服务等方式获得新增收入来源,进而有效提高家庭总收入,为提升消费能力奠定坚实物质基础。再次,国家大数据综合试验区政策优化了收入结构和收入获取渠道。依据持久收入假说,持久收入预期提升会降低家庭预防性储蓄动机,从而增强家庭当期消费能力与消费意愿。在信息不对称中,居民收入单一、收入波动风险高的问题使得单一劳动收入极易受行业周期、地域经济波动冲击。国家大数据试验区政策破除信息茧房,依托数字产业培育、数据要素收益分配双重路径,显著提高居民家庭工资性收入与经营性收入,推动收入来源多元化,有效对冲单一收入渠道带来的波动风险,进而提升居民持久收入水平。基于此,本文提出假说H1。

假说 H1: 国家大数据综合试验区政策通过改善居民就业选择、提高收入水平、拓宽收入渠道产生收入效应, 进而显著促进居民家庭消费增长

第二,消费网络效应。从家庭外部看,国家大数据综合试验区政策扩大了居民消费网络。传统线下社交圈层受地理空间、熟人边界约束,消费信息流通闭塞,存在极强信息阻隔;该政策推动数字社交平台、线上社区和互动型数字社群快速发展,依托全域数据共享打通信息传播渠道,突破地理空间与社会圈层限制,显著拓展居民家庭社会网络和消费信息获取渠道。在数字社交场景中,消费不再是孤立的个体行为,而是成为社会互动的重要载体。依据网络外部性理论,随着数字消费社交网络规模持续扩张,居民通过社交平台分享消费体验、推荐优质商品、交流消费观念,使消费信息和消费潮流能够快速全域传播,并由此形成较强的消费示范效应,拉动群体消费需求扩张。从家庭内部看,线下人情往来存在交通、时间、异地沟通等高额交易成本,跨区域亲属互动频次偏低;在互联网普及的情况下,线上红包、转账和远程礼尚往来依托数字支付与数据信息流转,大幅降低人情支出的综合交易成本,提高了人情往来的频率,进而显著增加家庭人情往来支出。同时,跨区域亲属沟通便利性的提升,依托亲属数字网络形成持续信息联动,强化了亲属网络内部消费行为的相互影响与相互带动,从而推动教育、文化、旅游等发展型和享受型消费协同增长。基于此,本文提出假说H2。

假说 H2: 国家大数据综合试验区政策通过扩大社会互动、增加人情往来支出、强化亲属间消费联动产生消费网络效应, 进而显著促进居民家庭消费增长

第三,消费习惯效应。首先,国家大数据综合试验区政策提高了数字设备使用频率。传统线下消费模式存在极强时空约束,实体店营业时间、地理距离抬高消费参与门槛,消费者获取商品对比信息的搜寻成本较高。计算机、智能手机、智能家电等数字终端依托试验区数字基建普及,使居民家庭消费入口逐步由线下实体店转向线上平台,依托数据实时交互打破了消费的时间和空间限制。居民可随时随地通过数字设备浏览商品、下单购买和享受服务,不再受到实体店营业时间和地理位置的约束。例如,居民可以利用碎片化时间通过手机购物、点餐或预约服务,这极大提升了消费便利性,并进一步刺激消费需求释放。其次,国家大数据综合试验区政策推动线上消费常态化。传统线下市场存在商品供给信息不对称、比价成本高、供需匹配效率低等问题;该政策促进电商平台、直播电商、即时零售和社区团购等数字消费模式快速普及,依托大数据用户画像实现供需精准匹配,丰富了居民消费选择,同时大幅降低商品搜索、议价、线下比价等交易成本。与传统线下购物相比,线上购物具有商品种类丰富、价格透明、比价便捷和配消费向品质化、服务化、数字化转型送高效等优势。直播电商、短视频营销等形式依托实时数据交互增强了消费过程的互动性和趣味性,降低消费决策的信息甄别成本,改善消费体验,推动居民家庭消费加速线上化。最后,国家大数据综合试验区政策促进消费支付数字化。传统信贷市场存在居民信用信息不对称问题,金融机构难以精准识别消费者还款能力,流动性约束长期压制居民消费;试验区依托政务、消费、社交多源数据搭建数字征信体系,信用支付工具的普及能够有效缓解居民家庭流动性约束。居民可通过消费信贷提前满足消费需求,并通过移动支付消除现金、线下转账带来的支付摩擦,从而增强即时消费能力。同时,平台基于用户消费数据精准推送积分、满减、优惠券等促销活动,进一步降低商品实际消费成本、刺激居民消费意愿,尤其促进美妆、数码产品、旅游等非必需品消费增长,丰富消费内容并提升消费层次。基于此,本文提出假说H3。

假说 H3: 国家大数据综合试验区政策通过普及数字设备、推动网络购物、便利信用支付产生消费习惯效应, 进而显著促进居民家庭消费增长

在上述机制作用下,国家大数据综合试验区政策夯实了数字消费“硬设施”,推动城乡网络广泛覆盖,消除城乡数字信息鸿沟,使移动支付、线上消费、即时零售等便捷服务进入普通家庭,从而大幅降低城乡居民整体消费成本并改善消费体验。同时,该政策推动数据赋能消费供给,依托大数据需求识别破除传统市场供需错配的信息不对称难题,催生智慧文旅、智能家电、数字娱乐等新型消费业态,并通过精准用户画像实现个性化服务匹配,丰富居民家庭发展型、享受型消费选择。此外,国家大数据综合试验区政策还通过数字普惠金融拓宽居民增收渠道、数字平台扩大灵活就业规模、政务服务数字化降低居民生活办事成本等配套措施,多渠道提高居民可支配收入,稳定长期消费预期,激活下沉市场和农村地区消费潜力,推动居民家庭消费由生存型模式向品质化、服务化和数字化方向转型。由此,数据红利能够转化为消费升级的实际收益,并助力消费市场保持持续活力。基于此,本文提出假说H4。

假说 H4: 国家大数据综合试验区政策显著改善居民家庭消费结构

图片

图1 国家大数据试验区政策影响居民消费的逻辑与机制


三

数据来源、模型设定与变量定义


(一) 数据来源

本文使用的数据来源于 CFPS 数据库。CFPS 是由北京大学中国社会科学调查中心实施的全国性、大规模、具有代表性的微观家庭面板调查,覆盖中国31个省份(自治区、直辖市),包含个体、家庭和社区三个层面的数据。该数据库详细记录了家庭消费支出、收入状况、人口特征、资产状况、就业状况、社会行为以及数字设备使用等多维信息,为本文研究提供了高质量微观数据支撑。同时,CFPS团队每两年开展一次家庭追踪调查,数据覆盖范围逐步扩大,具有较强的连续性。本文使用2010—2022年多轮调查数据,并按如下步骤进行处理:(1)剔除户主年龄、消费支出、收入等核心变量存在严重缺失的样本;(2)手动收集并整理不同地区国家大数据综合试验区政策实施时间,将其与家庭所在省份及相应政策实施年份进行匹配,从而构建政策虚拟变量。经过上述处理后,最终样本包含156117个观测值,样本规模较为充足,能够满足实证分析需要。

(二) 模型设定

本文采用双重差分模型评估国家大数据综合试验区政策对居民家庭消费的净效应。将政策实施省份的家庭定义为处理组,将未实施政策省份的家庭定义为控制组,通过比较政策实施前后处理组与控制组居民家庭消费差异,识别政策的因果效应。基准回归模型设定如下:

图片

式(1)中,被解释变量 Consumeit 表示第 t 年家庭 i 的总消费支出,用于衡量居民家庭消费水平;核心解释变量 BDPit 为政策虚拟变量,为处理组虚拟变量 Treatc 与时间虚拟变量 Postt 的交互项。其中, Treatc为城市层面处理组虚拟变量,若该城市所属省份获批开展国家大数据综合试验区创建与试点工作,则 Treatc 赋值为 1,否则赋值为 0。 Post_t 为政策时间虚拟变量,若城市所在省份正式获批实施国家大数据综合试验区试点政策,则 Postt 赋值为 1,对应政策实施后的观测时段;在省份尚未开展试点的前期年份则赋值为 0。系数 β1 刻画国家大数据综合试验区政策对居民家庭消费的平均处理效应。 φi 表示家庭固定效应, μt 表示年份固定效应,分别用于控制家庭层面不随时间变化的不可观测因素以及宏观时间趋势冲击; εit 为随机扰动项。 Xit 表示第 t 年家庭 i 的一组控制变量, β2 为相应控制变量系数, α0 为常数项。

(三)变量定义

1. 被解释变量

家庭总消费支出 (Consumeit) : 第 t 年家庭 i 各项消费支出总和的自然对数, 用于衡量家庭总体消费水平。为进一步分析政策的结构性影响, 结合居民消费升级理论与经典消费分类框架, 参考现有文献, 对家庭消费结构进行异质性划分: 其一为生存型消费, 即保障居民基本生存需求的食品、衣着及居住类消费; 其二为发展型消费, 特指教育、技能培训、医疗保健等有助于提升个体人力资本水平的消费项目; 其三为享受型消费, 包括文化休闲、外出旅游、交通通信等改善生活体验、提升生活品质的消费支出。本研究实证分析所使用的微观面板数据, 均来源于中国家庭追踪调查数据库。

2. 核心解释变量

国家大数据试验区政策 (BDPit) 。2015年,中国印发《促进大数据发展行动纲要》,提出建设国家级大数据综合试验区,以加快探索数据资源整合、流通和产业应用,推动数据资源向数据资产转化,并为全国数据要素市场化改革提供可复制经验。随后,2016年2月,中国批准设立首个国家大数据(贵州)综合试验区;2016年10月,第二批试验区获批,包括京津冀、珠三角两个跨区域试验区,上海、河南、重庆、沈阳四个区域示范试验区,以及内蒙古基础设施统筹试验区。基于此,参考陈启斐和田真真,本文构建国家大数据综合试验区政策虚拟变量:若家庭所在省份在某年实施该政策,则该年及以后年份取值为1,否则取值为0。

3. 控制变量

本文参考相关文献,从多个维度选取控制变量:(1)年龄(Age):居民实际年龄,用于控制生命周期消费效应;(2)性别(Gen):男性取值为1,女性取值为0,用于控制性别消费差异;(3)婚姻状况(Mar):已婚取值为1,未婚、离异或丧偶取值为0;(4)受教育程度(Edu):根据受教育水平赋值,用于衡量人力资本水平;(5)收入(Income):家庭总收入除以家庭规模,用于衡量家庭收入水平;(6)家庭规模(FS):家庭成员总数,影响家庭消费规模;(7)资产(Asset):家庭住房资产总值的对数,用于衡量家庭财富水平;(8)老年抚养负担(Eld):家庭65岁及以上成员数与劳动年龄成员数之比,用于衡量家庭养老负担。描述性统计结果见表1。家庭总消费标准差相对较大,表明不同家庭之间消费能力存在较大差异,这也与中国城乡、区域和群体发展不平衡的现实情况相一致。

表1 描述性统计

图片


四

实证结果分析


(一) 相关性分析

为初步考察变量之间的相关关系,本文进行 Pearson 相关性分析,结果见表 2。国家大数据综合试验区政策与居民家庭消费之间的相关系数为 0.046,且在 1% 水平上显著为正,初步表明国家大数据综合试验区政策与居民家庭消费之间存在显著正相关关系,为后续基准回归提供了初步支持。从控制变量看,家庭人均收入、家庭住房资产总值对数与居民家庭消费显著正相关,这与消费理论预期一致:收入越高、财富越多,家庭消费能力越强。相反,户主年龄、家庭规模和家庭老年抚养比与家庭总消费支出显著负相关,这符合生命周期消费理论和家庭负担理论,即年龄较大的个体通常具有较低消费倾向,家庭规模越大、养老负担越重,人均消费和家庭总消费越容易受到稀释。所有变量两两相关系数的绝对值均较小,表明变量之间不存在较强线性相关关系。这为后续回归分析奠定了良好基础,也在初步层面排除了严重多重共线性问题。

表2 相关性分析

图片

(二)多重共线性检验

为避免解释变量之间多重共线性导致回归系数偏误,本文采用方差膨胀因子(VIF)进行多重共线性检验。本文采用的判定标准为:VIF值低于10则表明不存在严重多重共线性。表3报告的检验结果显示,所有变量的VIF值均远低于10。其中,户主年龄的VIF最大,为1.37;户主性别的VIF最小,为1.01;所有变量VIF均值仅为1.15,远低于10的临界值。上述结果充分说明,模型中各变量之间信息重叠程度较低,不存在严重多重共线性问题,模型设定具有科学性和合理性。较低的VIF值意味着各变量对被解释变量的解释力相对独立,回归系数不易因共线性问题被高估或扭曲,从而有助于保证后续基准回归、机制检验和异质性分析结果的准确性与稳定性。

表3 共线性检验

图片

(三)基准回归分析

本文采用双重差分模型进行基准回归,并逐步引入控制变量和固定效应,回归结果见表4。通过逐步回归方法,可以清晰观察政策变量和控制变量对消费的边际影响,从而保证结果稳健可信。第(1)列报告未加入控制变量,但控制家庭固定效应和年份固定效应的回归结果。国家大数据综合试验区政策系数为0.872,且在1%水平上显著为正,表明在未控制其他家庭特征的情况下,国家大数据综合试验区政策对居民家庭消费具有显著促进作用。第(2)列报告加入控制变量和家庭固定效应,但未控制年份固定效应的结果。国家大数据综合试验区政策系数下降至0.561,但仍在 1% 水平上显著为正,说明在控制家庭特征后政策效应依然稳健,但部分效应被收入、资产等变量吸收。第(3)列报告加入控制变量和年份固定效应,但未控制家庭固定效应的结果。该设定下国家大数据综合试验区政策系数为0.5615且具有统计显著性,表明家庭偏好、消费习惯、区域文化等不随时间变化的家庭层面不可观测因素会对消费产生重要影响。第(4)列为本文基准回归结果,即同时加入控制变量、家庭固定效应和年份固定效应。国家大数据综合试验区政策系数为0.552,且在 1% 水平上显著为正,表明在其他因素不变的条件下,国家大数据综合试验区政策显著提高居民家庭消费0.552个单位,理论假说由此得到初步经验证据支持。就控制变量而言,家庭人均收入、住房财富和户主受教育程度的系数均显著为正,与理论预期一致;家庭规模和老年抚养比的系数显著为负,说明人口负担会抑制消费,这也符合生命周期理论。总体而言,基准回归结果充分表明,国家大数据综合试验区政策对居民家庭消费的促进作用稳健且可信。

表4 基准回归分析

图片

(四) 平行趋势检验

平行趋势假设是双重差分模型有效性的核心前提,其目的在于检验政策实施前处理组和控制组是否具有相同的时间趋势,从而避免由事前趋势差异导致的估计偏误。为检验共同趋势假设,本文参考 Beck et al.的研究方法,采用事件研究法进行分析:

图片

本文通过引入处理组虚拟变量与政策实施前各年份虚拟变量的交互项进行检验。图 2 结果显示,在政策实施前 1—3 年,上述交互项系数均不显著,说明在大数据试验区设立之前,处理组和控制组家庭消费水平的变化不存在显著差异,平行趋势假设得到满足。政策实施当年及以后年份,相关系数显著为正且持续上升,表明政策实施后处理组家庭消费出现明显增长,政策效应真实、持续且可观测。上述结果从根本上支持双重差分模型设定的有效性,并排除了事前趋势差异的干扰。

图片

图2 面板事件研究估计: 政策对居民家庭消费的影响

(五)安慰剂检验

为排除遗漏变量、不可观测冲击或随机因素导致的伪回归问题,本文基于随机分配方法开展安慰剂检验。具体而言,本文随机生成政策实施省份和实施年份,构造虚拟政策变量,并重复回归500次,以观察虚拟政策系数的分布。图3结果显示,伪政策系数的均值接近于0,且绝大多数不具有统计显著性,而基准回归得到的真实政策系数位于分布尾部。这表明本文识别出的消费促进效应并非由随机因素或遗漏变量驱动,而是确实来源于国家大数据综合试验区政策本身,研究结论具有较强的因果可信度。

图片

图3 500 次安慰剂检验点估计分布

(六)剔除 2020 年疫情样本

2020 年新冠疫情构成全国性外生冲击,可能同时影响政策实施与居民家庭消费行为。为消除疫情冲击带来的估计偏误,本文剔除 2020 年样本后重新估计模型。表 5 第(1)列显示,国家大数据综合试验区政策系数为 0.527,仍在 1% 水平上高度显著,且系数大小与基准回归结果非常接近。这表明,即使剔除疫情这一极端冲击,政策效应仍保持稳定。由此可见,疫情并未改变大数据政策促进消费的基本方向和强度,研究结论对外部冲击具有较强稳健性。

(七)PSM-DID 检验

考虑到大数据试验区设立可能受到地理区位、经济基础等非随机因素影响,从而导致样本自选择偏误,本文进一步采用PSM-DID方法进行检验。具体而言,本文采用1:4最近邻匹配方法,并设定0.05的卡尺值,以确保政策实施前处理组与控制组在可观测特征上具有相似性。表5第(2)列结果显示,国家大数据综合试验区政策对居民家庭消费的回归系数为0.357,且在 1% 水平上显著为正,进一步验证了模型估计结果的稳健性。

(八) 控制同期其他数字政策

考虑到样本期间还存在其他可能促进数据相关经济活动数字化的政策,本文收集了跨境电子商务综合试验区政策、“宽带中国”战略和智慧城市政策等政策信息,构建相应政策虚拟变量,并将其分别纳入回归,以更准确识别国家大数据综合试验区的政策净效应。表5第(3)列结果显示,国家大数据综合试验区政策对居民家庭消费的回归系数为0.539,仍在 1% 水平上显著为正。这表明,国家大数据综合试验区政策能够显著促进居民家庭消费,也进一步说明本文实证结果具有稳健性。同时,2012年是我国数字领域政策集中出台的关键年份,国家围绕数字基建、两化融合、电子政务、智慧城市、网络安全、软件与云计算产业等方面密集发文,重点推进宽带建设、制造业数字化转型与互联网治理,成为数字经济萌芽阶段重要的政策布局节点。基于上述政策演进背景,本文剔除2010年与2012年进行检验,结果显示国家大数据综合试验区政策依然对居民消费升级呈现显著正向驱动效应。

(九)剔除贵州样本

鉴于贵州省是中国首批国家大数据综合试验区之一,在政策选择过程中可能具有一定特殊性,本文在剔除贵州样本后重新估计模型。回归结果显示,国家大数据综合试验区政策对居民家庭消费的回归系数为0.565,仍在 1% 水平上显著为正,且与基准估计结果几乎一致。这表明首批试点地区的特殊性并未影响总体结论,政策效应具有较广泛的全国适用性和代表性。

表5 稳健性检验 1

图片

(十)更换被解释变量

为检验研究结论是否依赖消费指标定义,本文将家庭总消费替换为家庭人均消费。表6第(1)列结果显示,回归系数为0.577,且仍显著为正,政策效应的方向和大小均基本保持不变。这说明,无论从家庭总量层面还是从人均层面衡量消费,国家大数据综合试验区政策均能够显著提高消费水平,研究结论不依赖于被解释变量的具体定义方式。

(十一)样本处理及省份影响

微观调研数据内存在部分高收入、高消费家庭形成的极端观测值,此类异常值可能对回归分析结果造成偏误。为缓解该问题,本文对样本中所有连续变量进行 5% 缩尾处理。表6第(2)列回归结果显示,国家大数据综合试验区政策系数为0.484,且仍显著为正。这表明,极端消费或收入观测值不会改变政策效应的核心结论,估计结果具有较强稳健性。同时,考虑到省际间经济禀赋、数字产业基础、区域制度等固有差异具有时间不变属性,且国家大数据试验区试点选址存在非随机性,为规避非时变遗漏变量与样本自选择问题造成的内生性干扰,本文设置省份固定效应,剔除地区固有特征的混杂影响来保证双重差分估计结果的有效性。表6第(3)列回归结果显示,国家大数据综合试验区政策系数显著为正,进一步表明本文结论的有效性。

(十二)工具变量法

考虑到政策实施可能与地区消费潜力之间存在反向因果关系,本文进一步采用工具变量法,并选取1984年固定电话数与上一年互联网用户数的交互项作为工具变量。第一阶段F统计量远大于10,满足弱工具变量检验要求;第二阶段国家大数据综合试验区政策系数仍显著为正。表6第(4)列和第(5)列结果表明,在严格处理内生性问题后,国家大数据综合试验区政策促进居民家庭消费的结论依然成立,因果识别较为清晰可靠。

表6 稳健性检验 2

图片


五

机制检验与异质性分析


(一)机制检验

第一个机制为收入效应。本文选取以下三个方面指标进行检验:第一,就业性质。若居民为自雇就业,则赋值为1。第二,个人总收入,以家庭收入的自然对数表示。第三,收入渠道,分别以工资性收入、经营性收入和财产性收入的自然对数表示。收入效应检验结果见表7。表7第(1)列系数为0.0762,且在1%水平上显著,说明国家大数据综合试验区政策显著改变居民就业方式,并促进新型就业形态发展。表7第(2)列结果显示,政策系数为0.0837,且在5%水平上显著为正。表7第(3)列和第(4)列中,工资性收入和经营性收入的系数分别为0.3803和0.5283,均在1%水平上显著为正,而财产性收入系数为正但不具有统计显著性。上述结果清晰表明,国家大数据综合试验区政策不仅创造了更多灵活且稳定的就业机会,改变了居民传统就业模式,而且显著提高了家庭工资性收入和经营性收入,拓宽了收入来源。收入水平提高和收入结构优化直接增强了家庭消费能力与消费意愿,共同构成政策促进消费的核心驱动力。

表7 机制检验: 收入效应

图片

第二个机制为消费网络效应。本文选取 CFPS 家庭问卷中的人情往来支出与通讯社交支出作为家庭消费网络代理变量的理由如下: 其一, 人情往来支出是家庭维系亲属、邻里、朋友等线下社交关系的核心载体, 礼金、聚餐、礼品等人情消费行为直接反映家庭社交圈层的广度与互动频率; 其二, 通讯社交支出涵盖手机话费、网络通信等线上社交成本, 体现家庭跨地域信息交流、线上社交联结的紧密程度。总括而言, 两类支出分别对应线下、线上社会交往渠道, 共同表征家庭可获取消费信息、产生消费参照的社交网络, 能够有效刻画居民家庭社会交往网络规模。具体指标而言, 依据家庭消费模块, 本文采用 CFPS 问卷“通讯通信支出”以及“过去 12 个月, 您家用于人情往来、送礼的总支出”来检验消费网络效应, 结果见表 8。国家大数据综合试验区政策对消费网络的回归系数为 0.2704, 且在 1% 水平上显著; 国家大数据综合试验区政策对人情往来支出的回归系数为 0.4575, 同样在 1% 水平上显著。上述结果表明, 政策显著扩大了居民家庭消费网络, 增加了人情往来支出, 强化了社会消费示范效应, 并由此促进消费增长。数据可及性提升降低了社会沟通成本, 使消费相关信息能够在家庭之间更快速传递, 提高社会交往频率, 并强化亲属之间的消费联动。消费网络的扩大与增强, 能够通过示范效应和同群效应诱导家庭增加消费, 尤其是增加服务型和品质型消费, 因此成为政策刺激消费的重要渠道。

第三个机制为消费习惯效应。本文选取 CFPS 问卷中的数字设备使用、网络购物、信用卡使用三项指标作为居民消费习惯的代理变量,指标选取具备清晰的理论与现实依据:第一,数字设备是数字化消费的基础载体,居民是否使用智能手机、电脑上网,直接决定其能否接入线上消费场景,是形成数字化消费习惯的前置条件;第二,网络购物是数字消费行为最直观的外在表现,线上购物行为能够直接反映居民是否形成线上消费偏好,区别于传统线下购物模式;第三,信用卡代表信用型支付方式,其使用与否体现居民是否摆脱“量入为出”的保守消费思维,形成超前、即时的新型消费观念。具体指标为:数字设备使用对应“过去12个月是否使用电脑/智能手机上网”、网络购物对应“过去12个月是否通过网络购买商品或服务”、信用卡使用对应“是否持有并使用信用卡进行消费支付”。表8同时报告了消费习惯效应检验结果。结果显示,国家大数据综合试验区政策对数字设备使用、网络购物和信用卡使用的系数均显著为正。这说明,政策显著提高了数字设备使用率,推动网络购物常态化,并促进信用支付工具使用,从而改变居民消费习惯并提高消费倾向。数字设备普及使消费突破时间和空间限制,网络购物降低消费成本,信用支付缓解流动性约束。三者共同作用,从根本上重塑居民家庭传统消费模式,提高即时消费意愿,并推动潜在消费需求转化为现实支出。

表8 机制检验: 消费网络效应与消费习惯效应

图片

(二) 异质性分析

为更加准确识别国家大数据综合试验区政策对居民家庭消费影响的群体差异与区域差异,本文从户口性质、互联网发展水平、户主受教育程度和城市人口规模四个核心维度开展系统性异质性分析,相关结果全面揭示了政策效应的结构性差异。

1.城乡户口异质性

表9 按户口类型进行分组回归的结果显示,国家大数据综合试验区政策对农村家庭和城镇家庭消费均具有显著促进作用,但两类群体的效应强度存在明显差异。在农村家庭子样本中,回归系数为 0.454,且在 1% 水平上显著为正;而在城镇家庭子样本中,系数达到 0.809,同样在 1% 水平上高度显著。造成这一差异的关键原因在于城乡之间在数字基础设施、数字产业布局和消费场景供给方面存在系统性差距。城镇地区作为大数据试验区布局的核心区域,拥有更加完善的数字新型基础设施,居民能够更便捷地享受网络购物、远程服务和信用消费等数字消费红利。同时,数字产业在城镇地区更为集聚,平台就业、灵活就业和数字创业等新型就业形态更为普遍。相比之下,农村地区数字基础设施建设相对滞后,数字消费场景供给较为有限,居民使用数字设备、参与网络购物以及获取数字金融服务的可得性和便利性相对较低。

2. 互联网发展水平异质性

按照地区互联网发展水平分组后,政策效应呈现出明显的门槛特征。在互联网发展水平较低地区,表9第(3)列中的系数为0.151,且不具有统计显著性;而在互联网发展水平较高地区,系数为0.390,且在5%水平上显著为正。这一结果清楚表明,互联网基础设施是国家大数据综合试验区政策发挥消费促进效应的重要前提和基础载体。究其本质,互联网发展滞后地区存在显著的“接入型数字鸿沟”,由于网络覆盖不足、网速偏低、数字接入成本较高等问题,物理层面的数字鸿沟直接构成政策落地的硬门槛,即便政策推行,居民也难以通过数字渠道获取大数据政策带来的消费便利、数字服务与消费场景,无法有效接入数字经济体系以共享政策红利,进而拉大地区间消费红利获取差距,加剧消费公平的区域失衡。相较而言,在互联网普及率较高、数字技术应用更为广泛的地区,高速、泛在的网络基础设施为数字经济发展提供了良好土壤,使大数据政策能够更快速、更有效地落地见效。

表9 异质性分析: 城乡与互联网普及高低

图片

3. 户主受教育程度异质性

按户主受教育程度分组的异质性结果显示,政策效应存在明显的人力资本门槛。在户主受教育程度较低的家庭中,表10第(1)列系数为0.101,且不具有统计显著性;而在户主受教育程度较高的家庭中,系数达到0.586,且在1%水平上高度显著。这说明,国家大数据综合试验区政策的消费促进效应在很大程度上依赖居民家庭的人力资本水平。低学历群体面临“技能型数字排斥”,受限于数字素养、信息获取与工具使用能力不足,难以跨越大数据应用、数字消费的使用门槛,无法充分理解、对接政策红利,在数字消费参与中处于弱势地位;而受教育程度较高群体更能够捕捉、理解和利用数字政策带来的发展机会与消费便利。由此可见,这一技能鸿沟直接导致政策红利在不同群体间分配不均,成为制约消费公平的关键障碍,也印证了数字包容对实现普惠性消费增长的重要意义。

4.城市人口规模异质性

按城市人口规模分组的结果显示,政策对小城市和大城市居民家庭消费均具有显著促进作用,但对大城市的影响明显更强。在小城市子样本中,表10第(3)列系数为0.213,且在1%水平上显著;在大城市子样本中,系数上升至0.560。相对而言,大城市作为大数据试验区的核心承载区,具有数字产业高度集聚、数字人才集中、消费场景丰富和金融服务完善等特征,因而能够充分发挥规模经济与范围经济优势,快速推动数字技术与消费市场深度融合。同时,大城市居民通常收入水平更高、消费能力更强、消费观念更开放,对新型消费形式的接受度更高。此外,大城市拥有更加完善的物流体系、更丰富的电商供给和更便捷的支付服务,这些因素均为消费增长提供了有力支撑。

表10 异质性分析: 受教育程度与人口密集程度

图片


六

消费升级效应分析


消费升级是衡量居民生活质量、内需结构和经济发展方式的重要指标。为识别国家大数据综合试验区政策对居民家庭消费结构的重塑效应,本文结合CFPS数据库的消费指标统计口径,对家庭消费项目进行明确分类,将居民家庭消费划分为生存型消费、发展型消费和享受型消费三类,具体划分标准如下:生存型消费为保障居民基本生存需求的刚性消费,用CFPS数据库中食品消费支出、衣着消费支出、居住消费支出的总和表示;发展型消费为提升个体人力资本、赋能长远发展的投资性消费,将CFPS数据库中教育支出、医疗保健消费支出的总和作为代理变量;享受型消费为改善生活品质、满足精神与品质需求的提升型消费,用CFPS数据库中文化娱乐消费、旅游消费的总和表示。

根据表 11 的回归结果,国家大数据综合试验区政策不仅显著提高居民家庭消费总量,而且带来了消费结构高级化、消费层次合理化和消费形态品质化的结构性变化,凸显了数字经济政策在促进消费升级方面的重要作用。首先,国家大数据综合试验区政策对生存型消费的估计系数为 0.015,且在 1% 水平上显著为负,表明试验区政策显著降低了居民家庭在食品、衣着、居住等基本生存需要方面的支出。这是消费升级的典型特征,说明家庭基本生活需要已得到稳定满足,消费结构正在逐步摆脱单纯生存型状态。与此同时,政策对发展型消费的回归系数为 0.071,且在 1% 水平上高度显著,是三类消费中效应最强的一项。此外,政策对享受型消费的估计系数为 0.059,且在 5% 水平上显著为正。这一发现表明,居民家庭消费正在由物质需求主导的模式,转向商品消费与服务消费协同发展的模式,是内需结构优化和生活水平提升的重要体现。

表11 消费升级效应

图片

为进一步分析国家大数据综合试验区政策对消费结构的具体影响,本文还将消费细分为食品支出、居住支出、文化娱乐支出等具体指标。表 12 结果显示,国家大数据综合试验区政策导致的生存型消费下降主要来源于中国家庭食品支出和居住支出的减少,而对衣着支出并无显著影响。同时,在发展型消费中,国家大数据综合试验区政策对家庭教育支出具有正向影响。此外,在享受型消费中,国家大数据综合试验区政策显著增加了家庭旅游支出以及文化娱乐支出。

表12 进一步分析

图片


七

结论与政策建议


(一)研究结论

本文基于 2010—2022 年 CFPS 微观家庭面板数据,采用双重差分模型系统评估国家大数据综合试验区政策对居民家庭消费的影响、作用机制、异质性特征和消费升级效应,得出以下四点核心结论。

(1)从总体效应看,国家大数据综合试验区政策对居民家庭总消费具有显著正向影响。基准回归系数为0.552,且在1%水平上显著。经过一系列稳健性检验和内生性处理后,该结论依然高度稳健可靠。(2)从作用机制看,政策通过三条主要渠道促进居民家庭消费。第一是收入效应,即政策优化就业模式、提高家庭总收入,并拓宽工资性收入和经营性收入渠道;第二是消费网络效应,即政策扩大社会消费网络、增加人情往来支出,并强化亲属之间消费联动;第三是消费习惯效应,即政策普及数字设备、推动网络购物,并便利信用支付。(3)从异质性看,政策效应存在明显的群体和区域差异。该政策对城镇家庭、互联网发展水平较高地区的家庭、受教育程度较高家庭以及大城市家庭的消费促进作用更强,而对农村家庭、互联网发展水平较低地区家庭、受教育程度较低家庭以及小城市家庭的作用相对较弱。(4)从消费升级效应看,政策显著抑制生存型消费,同时显著促进发展型消费和享受型消费,推动居民家庭消费结构优化升级,实现由满足基本需求向追求品质与发展的转变。

(二)政策建议

基于本文整体实证结论,本文提出如下系统化、可操作、可落地的政策建议。

(1)深化国家大数据综合试验区政策战略布局,推动数字消费红利全域覆盖。首先,应稳步扩大试验区范围,并更加重视中西部地区和中小城市。鉴于当前政策效应呈现明显区域差异,未来应优先将大数据试点向中西部地区和小城市延伸,通过政策引导数字基础设施和数字产业资源下沉,缩小东西部、城乡以及大小城市之间的数字基础设施差距。其次,应推进数据要素市场化配置,释放消费增长长期动能。要加快建立数据确权、流通和收益分配机制,使普通居民能够更多分享数据要素增值收益,提高其持久收入预期,从根本上增强长期消费倾向。

(2)强化收入效应,稳定就业与收入预期,夯实消费能力基础。首先,应大力支持数字就业、灵活就业和平台就业发展。依托大数据试验区建设,支持直播电商、即时零售、数字文创和远程服务等新业态发展,创造更多高质量、低门槛就业机会。其次,应提高工资性收入和经营性收入占比。完善平台就业劳动保障制度,推动数字经济行业工资合理增长;同时鼓励家庭参与线上经营、农村电商和数字服务,增强经营性收入稳定性。再次,应降低收入不确定性,减少预防性储蓄。通过社会保障、就业扶持和收入支持政策稳定居民预期。

(3)实施精准化、差异化和普惠化政策,促进消费公平并缩小数字鸿沟。首先,应对农村地区实施数字基础设施倾斜政策。加快农村5G网络、光纤宽带、冷链物流和电商服务站建设,打通农村数字消费“最后一公里”。其次,应面向低互联网地区群体、低受教育程度群体以及中老年群体提供专项帮扶。发展社区数字辅导、一对一教学和简化操作流程,使数字红利真正惠及弱势群体。再次,应建立区域协调机制,推动大城市数字资源向中小城市外溢。通过算力协调、数据共享和产业协作,中小城市能够共享试验区政策红利,实现全国范围内消费协同升级。

(三)研究不足与未来展望

尽管本文研究结论为中国促进消费发展提供了重要经验证据,但仍存在若干不足。第一,在数据层面,CFPS数据存在更新时滞,尚未覆盖最新年份,部分消费细分指标也不够精细。未来研究将使用更加细分且更高频的微观消费数据,以提升分析精度。第二,在机制层面,本文尚未考察政策空间溢出效应。大数据试验区可能对周边地区消费产生辐射带动作用。针对这一问题,未来研究将引入空间计量模型,考察国家大数据综合试验区政策的空间溢出效应。第三,本文尚未考察政策的长期动态效应。未来研究将开展长期追踪分析,评估政策的动态效应和持续影响,并结合大数据、人工智能等技术开展消费行为模拟和政策效应预测,为政策优化提供更加精准的决策支持。

相关热词搜索:

上一篇:数字普惠金融与城市财政韧性
下一篇:情绪经济:驱动文旅消费升级与扩大内需的新质动能

期刊简介

主办单位:兰州市社会科学院
刊期:双月刊
主编:杨立岭
副主编:王望
编辑部地址:兰州市金昌北路75号
通讯(投稿)地址:兰州市中央广场邮局《兰州学刊》信箱
电话:8801976
邮编:730030
Email信箱:LZXK@chinajournal.net.cn
Email信箱:LZXK@vip.163.com

window.onload = function() { document.getElementById("popup").style.display = "block"; }; function closePopup() { document.getElementById("popup").style.display = "none"; }