互联网使用对农民工工资的影响——基于CGSS调查数据的实证分析

李羿枝 ，陈念东，郑逸芳，许佳贤

(1.福建农林大学公共管理学院，福建 福州 350002;2.闽江学院新华都商学院，福建 福州 350108)

一、引言

农民工是推动我国现代化建设和经济社会发展的关键，已有研究指出：1978—2015年间，农村劳动力转移对经济增长的贡献为7.93%[1]。然而，由于劳动力市场的分割与歧视，农民工的工资要显著低于城镇职工[2]，且同工不同酬、就业机会受限等问题又进一步扩大了这一差距。因此，提高农民工的工资水平是当前解决我国收入分配差距过大问题的关键。

互联网对社会发展产生了深刻的影响。对于农民工而言，使用互联网不仅能够促进其自身禀赋的提高[3]，也有利于增加其选择更高层次职业的机会[4]。随着互联网技术的普及以及移动互联网的广泛应用，互联网的使用是否会对农民工工资产生影响？这一影响在不同农民工群体间是否存在差异？影响机制是什么？为此，本文利用CGSS 2015年的数据，通过最小二乘法(OLS)和倾向得分匹配法(PSM)讨论互联网使用对农民工工资的影响，并进一步讨论互联网使用对农民工工资影响的机制。

二、文献综述

(一)农民工工资水平的影响因素

农民工工资水平受其个人素质、劳动力市场供求状况以及制度环境等因素影响。因此，关于农民工增收途径的研究多从以下3个视角出发：一是人力资本视角。教育与培训是当前提升农民工人力资本的一项重要举措。有研究表明，培训的纯收益要高于教育的纯收益[5]，而不论是一般培训还是专门培训，都有助于农民工工资水平的提升[6]。接受在职培训后不仅能够提高个人收入，还能提升企业绩效，有利于降低农民工群体的流动性，促进农民工的城市融入[7]。既有研究也着重强调了“干中学”的重要性，即在劳动中学习能够有效地提升农民工个人人力资本并实现收入的增长[8]。二是社会资本视角。社会资本高的农民工工资水平普遍高于社会资本低的农民工，基于珠三角的调查数据发现，社会资本能够显著提升农民工工资水平[9]。此外，社会关系网络有利于农民工寻得更好的工作，获得更高的收益，例如同乡聚集等[10,11]。以同乡人为代表的新型社会资本对农民工收入有正向影响，但新型社会资本中的工具性社会资本不仅影响着农民工收入，也会扩大农民工的收入差距[12,13]。同时，社会资本在人力资本与农民工收入的关系中起到了调节作用[14]。三是制度因素视角。既有研究表明，公共服务[15]、户籍制度[16]、最低工资标准[17]皆为影响农民工收入的关键因素。当前，农民工的工资水平虽有所提升，但城乡收入的不平衡问题仍旧突出。如何缩小城乡收入差距，促进城乡融合发展是学界高度关注的问题。

(二)互联网对工资水平的影响研究

互联网的普及与发展给经济发展和个人增收带来了新机遇，国内外学界展开了许多有关互联网效用的相关研究。已有研究重点关注互联网对宏观经济、个体收入以及居民收入差距等方面的影响。在对宏观经济的影响方面，研究认为信息技术的进步促进了既有产业发展并带来新的机遇，创造了大量的工作岗位,有利于经济发展，并促进了工资水平的提高[18,19]。但也有研究发现，互联网对整体工资水平的影响方向并不是一致的，而是先正后负呈“倒U型”分布[20]。在对个体收入的影响方面，一类研究认为互联网降低了信息传播的成本，提高了信息传播的效率，使用者能以较低的成本学习知识，扩大社交范围，促进自身人力资本和社会资本的提高，从而有利于个体收入的增长[21-23]。但也有部分研究证实，互联网对个体收入并没有显著影响[24-25]。在对居民收入差距的影响方面，一类研究发现互联网能够缩小收入差距，他们认为，互联网能够促进贫富地区之间劳动要素的流动，推动贫困地区产业升级，使低收入地区的居民拥有更多的就业选择机会，从而缩小贫富差距[26-27]。另一类研究则持相反的态度，他们认为，互联网虽然能够增加个体收入，但是互联网对个体收入的影响受到个体自身条件的制约，资本禀赋较好的人使用互联网带来的收入回报要高于资本禀赋较差的人。因此，互联网在带来个体收入增加的同时也扩大了个体收入的差距[28-30]。

现有国外文献在农民工增收途径方面的研究成果颇丰。国内外学者也曾就互联网增收效用方面展开探讨，但囿于中外制度环境、社会条件、经济水平等方面的差异，结论并不一致，且将互联网使用与农民工工资结合的定量研究还较为少见。鉴于此，本文利用最小二乘法(OLS)以及倾向得分匹配法(PSM)验证了互联网使用对农民工工资的提升作用；第二，通过分样本回归，发现互联网使用对于中东部地区、新生代农民工工资水平的提升作用最为明显，这类差异印证了农民工群体中逐渐显现的“数字鸿沟”现象；第三，发现互联网使用通过影响农民工的社会资本以及人力资本来提升其个人的工资水平。

三、数据来源与计量模型

(一)数据及变量说明

本文使用2015年中国综合社会调查(CGSS)数据，主要有以下两方面的考虑：一方面，该数据调查样本覆盖全国31个省级地区，具有代表性和权威性；另一方面，数据包含个人使用互联网的频率、是否将互联网作为主要信息渠道等相关变量，还包含了个体特征、工作特征、家庭特征及收入等方面的信息，有利于本研究的开展。表1为本文所用变量的描述性统计。

表1 主要变量描述性统计Tab.1 Descriptive statistics of main variables

续表

本研究选择18～65岁的农民工作为研究对象，在剔除不符合要求的样本后得到1 547个合格的农民工样本。本文探讨的因变量为农民工工资，以问卷中 “您个人去年的职业/劳动收入是多少”一题反映农民工工资。在研究样本中，农民工的年平均工资为33 834.32元。本文重点关注的自变量是互联网使用，根据问卷中“过去一年互联网媒体的使用情况”这一问题来反映互联网的总体使用情况，其中有使用过互联网的赋值为1，没有使用过互联网的赋值为0。样本中，使用互联网的农民工数量为1 040人，占总样本的67.2%；未使用互联网的农民工个数为507个，占总数的32.8%。表2对比了使用互联网与未使用互联网两类农民工群体的工资水平，从中可以看出，未使用互联网的农民工年平均工资水平为23 418.05元，而使用过互联网的农民工年平均工资水平为44 250.58元，差距明显，使用过互联网的农民工工资收入比未使用互联网的农民工工资收入高出近一倍。

表2 互联网使用对农民工工资影响的描述性统计Tab.2 Descriptive statistics of the impact of Internet use on migrant workers’ wages

(二)计量模型

1.OLS模型

本文首先运用OLS模型探讨互联网使用对农民工工资水平的影响。设定的模型如下：

Wagei=β1+β2Ii+βnXi+μi。

(1)

式(1)中，Wagei表示受访农民工的工资水平，βi为常数项，Ii是受访者的互联网使用变量，也是本文重点关注的解释变量。β2和βn表示待估参数，Xi为个体特征、人力资本特征以及区域特征等控制变量，μi为随机误差项。

2.倾向得分匹配法(PSM)

农民工是否选择使用互联网并不是自然随机的，而是在政策影响下和自身思考后所做出的选择，会受到一些遗漏变量与不可观测变量的影响，存在着选择性偏差的问题。譬如，经济发达的地区往往有着更好的网络基础建设，因此处于该地区的农民工接触并使用互联网的几率更大。这说明每个农民工使用互联网的概率并不一致，这违背了OLS模型的简单随机原则，若仅使用OLS模型进行回归很难获得自变量与因变量之间的纯净效应。PSM模型目前被学界广泛用于纠正样本的选择性偏误问题，通过PSM模型可以构建反事实框架获得无法被观察的反事实结果，以计算农民工使用互联网后的事实与假设其未使用互联网的反事实的差异，能够更加准确地获得农民工因使用互联网后收入变化的净效应。因此，本文进一步运用PSM进行估算，其具体解释模型为：

Wagei=FiWage1i+(1-F)Wage0i。

其中，Fi为哑变量，Fi=1表示农民工使用互联网，Fi=0则表示农民工未使用互联网，Wagei表示农民工工资。倾向得分匹配法(PSM)基于倾向得分对两类农民工样本进行匹配，随后基于两组之间的平均结果的差值得出互联网使用对农民工工资影响的净效应，即ATT。计算公式如下：

ATT=E(Wage1i|Ii=1)-E(Wage0i|Ii=1)。

四、实证分析与讨论

(一)互联网使用的工资回报：OLS回归分析

表3为互联网使用对农民工工资影响的OLS回归分析，本文将个体特征、工作特征、家庭特征以及区域特征变量逐步加入基准回归模型中。具体来说，模型1显示，使用互联网这一行为在1%水平上显著正向影响农民工的工资水平。模型2～模型5在加入了相关的控制变量后，结果仍然在1%水平上高度显著且正向影响农民工工资。以模型5为例，相对于没有使用互联网的农民工，使用互联网的农民工工资提升了29.7%，这说明互联网使用对农民工工资的提升有着显著的正向作用。

表3 互联网使用对农民工工资影响的计量估计结果Tab.3 The measurement result of the impact of Internet use on the wages of migrantworkers

续表

通过互联网获取信息是互联网使用中的重要部分，这一行为能够反映农民工样本的互联网使用情况，故而以“是否以互联网为主要信息来源”作为“是否使用互联网”的代理变量，以验证上述结果的稳健性。在模型6中，“互联网是否为主要信息来源”变量系数为正且仍在1%水平上显著影响农民工工资，提升作用为24.1%，结果的稳健性得到验证。

从个体特征来看，年龄与工资呈显著的正相关，但年龄的平方项与工资则呈显著的负相关，说明年龄与农民工工资呈现“倒U型”关系。在农民工年轻的时候，身体状况处于巅峰状态，随着经验的积累和资历的提升，农民工的工资也会随之增高。但是当年龄超过一定界线时，年龄越大，工资反而越低，这是因为年龄较大的农民工不仅在体力上处于劣势，对于社会的新发展、新变化、新技术等接受能力也较差，工资自然下降。另外，性别变量显示，男性农民工的工资水平比女性农民工高，这表明当前农民工劳动市场存在性别歧视，产生这种歧视的可能原因是农民工所从事的工作往往对体力要求较高，因此对男性的需求量较大；女性可能更多受到家庭的约束，可提供的劳动力有限，因此在农民工就业市场上，用人单位更倾向于雇佣男性农民工。受教育程度对农民工工资有显著的正向影响，这与过往的研究结果是一致的，即受教育程度越高，农民工的人力资本积累越丰富，能获得的工资就越高。从工作特征来看，每周工作时长、工作性质都显著影响了农民工的工资收入，工作时长与获得的工资成正比。体制内工作的农民工群体可以拥有更高的工资，体制内的工作也降低了农民工“候鸟式流动”的可能性，因此工资水平及其稳定性都显著高于体制外的农民工。

(二)倾向得分匹配(PSM)估计

基准回归表明互联网使用能够显著提高农民工工资水平，但其中可能存在自选择的问题，如收入高、受教育程度高的农民工可能使用互联网的机会更多，进而导致结果有所偏差。倾向得分匹配法(PSM)通过构建反事实框架进行分析，在学界被广泛用于纠正样本自选择问题。本文尝试采用这一方法构建“平行假设”，通过计算互联网使用的平均处理效应(ATT)以测量使用互联网的农民工在使用互联网前后工资变动的期望值，进一步验证互联网使用对农民工工资的影响。

1.平衡性检验

表4为匹配前后变量的平衡性检验结果。从表4可见，PseudoR2由匹配前的0.376下降到0.019～0.200，LR值由匹配前的568.48下降到30.47～32.75，均值偏差由47.6%下降到7.3%～7.8% ，中位数偏差由28.5%下降到4.5～7.4%。可见，匹配后样本偏误显著下降，平衡性检验通过。

表4 平衡性检验表Tab.4 Balance test form

为了更好地显示匹配效果，本文给出了匹配前后干预组和控制组农民工倾向得分的核密度函数。结果显示，在匹配之前，干预组农民工和控制组农民工的核密度函数重叠部分较小(图1),而经过匹配之后，干预组农民工和控制组农民工倾向值的密度曲线几乎重合(图2)，表明模型有较好的拟合。

图1 匹配前倾向得分核密度图Fig.1 Propensity score before matching

图2 匹配后倾向得分核密度图Fig.2 Propensity score after matching

2.互联网使用对农民工工资的效应估计

在估计互联网使用对农民工工资的平均处理效应(ATT)时，为了保证结论的稳定性，文章使用了最近邻匹配法、半径匹配法和核匹配法，匹配结果如表5所示。从表5可见，互联网使用对农民工工资影响的平均处理效应(ATT)均在1%或5%水平上，显著为正，这一结果说明使用互联网后农民工的工资水平得到了显著提升。另外，从系数上看，在纠正样本自选择问题后，互联网使用令农民工工资提升了33.9%～37.7%，OLS模型低估了互联网使用对农民工工资的影响。上述结果进一步验证了互联网对农民工工资存在积极的作用。

表5 互联网使用对农民工工资影响的倾向得分匹配结果Tab.5 Internet use’s propensity score matching effect on migrant workers’ wages

3.代际差异比较

互联网对农民工工资的积极作用已毋庸置疑，但不同年代的农民工对这种新兴信息技术的接受程度以及理解程度存在区别。2010年，中央一号文件首次使用“新生代农民工”一词指代1980年后出生的青壮年农民工群体。本文采用这一定义将样本分为1980年后出生的新生代农民工群体及1980年前出生的老一代农民工群体，考察了互联网使用对农民工工资影响的代际差异。不同年代农民工的倾向得分匹配结果如表6所示。

表6 基于代际差异的互联网使用对农民工工资的倾向得分匹配结果Tab.6 Matching results of Internet use based on intergenerational differences for peasant workers’ wages

从表6可以看出，对新生代农民工而言，互联网的使用能够提升35.6%～38.6%的工资水平，这一影响略高于老一代农民工工资所受到的影响。可能的原因是，比起老一代农民工，新生代农民工更愿意接触和使用互联网这一类新兴事物，能够更快地重塑个人信息接收渠道并形成高效的信息处理方式，在新生代农民工的技能学习、社会交往等方面效用更高，对该群体工资水平的影响也更为积极。

4.地区差异比较

从现实情况来看，我国各个地区的经济社会发展水平存在着较大的差异，不同地区的政策、制度、环境也有所不同。因此，本文分别考察了互联网使用对东部、中部和西部农民工工资的影响，用以明确互联网使用对农民工工资影响的地区差异，具体结果见表7。

表7 基于地区差异的互联网使用对农民工工资影响Tab.7 The impact of Internet use based on regional differences on the wages of migrant workers

从表7可以看出，互联网使用仅对东部的农民工工资有着显著的正向影响，对中、西部地区的农民工工资的影响虽然为正，但并不显著。本文认为，存在区域差异是由于地区之间的市场化程度和就业情况不同所导致。相较于中、西部地区，东部地区的市场化程度较高，就业机会更多，互联网使用能够帮助农民工搜寻到更好的就业机会，存在显著的增收效应；而相对于经济发展水平比较低的中、西部地区来说，在接触互联网之后，农民工会更倾向于去往经济更为发达的东部地区寻找更好的就业机会，因此中、西部地区农民工的就业情况并不会显示出较大的改善，其工资也就不会受到明显的影响。

(三)进一步研究与讨论

互联网能够改善社会资源分配不均的问题，互联网给了农民工这一弱势群体以提高自身能力、拓宽信息渠道的机会，带来增收的可能[19]。为了探究互联网使用是如何影响农民工的工资水平，本文进一步从人力资本和社会资本两个方面，利用双层随机截距模型来探讨互联网提升农民工工资的内在机制。其中，被解释变量由两个部分构成，一是被调查农民工的社会资本。采用问卷中“在过去一年中，您是否经常在空闲时间进行社交/串门”这一项来衡量，赋值1～5反映频率。一般来说，越经常出门社交，获得的社会资本就越高，通过双层Order-Probit随机截距模型分析互联网使用对农民工外出社交/串门频率的影响。二是被调查农民工的人力资本。采用问卷涉及的“在过去一年中，您是否经常在您的空闲时间进行充电学习”来衡量，赋值1～5来反映频率，频率越高，学习时长越长，人力资本就越高。同样使用双层Order-Probit随机截距模型分析互联网使用对农民工外出社交/串门频率的影响。互联网提升农民工工资的内在机制具体如表8所示。

表8 互联网提升农民工工资的内在机制分析Tab.8 Internal mechanism analysis

如表8所示，互联网的使用能够显著提高农民工外出社交的频率，同时也能提高农民工在空闲时间学习充电的概率，表明农民工在使用互联网之后能够提高自身的人力资本和社会资本，进而对农民工工资水平起到提升作用。

五、结论与对策建议

本文基于CGSS 2015的数据，证实了互联网技术的积极影响，主要结论如下：一是互联网的使用能够显著提高农民工33.9%～37.7%的工资水平。进一步开展的异质性分析表明，互联网使用对农民工工资的影响仍存在代际差异性和区域不平衡性。二是为了解互联网使用影响农民工工资的内在机制，本文从人力资本及社会资本的视角探讨了可能的影响途径，发现互联网使用通过促进日常社交以及个人学习显著影响了农民工的工资水平。

综合上述分析可知，互联网技术的应用能够为提升农民工工资水平、缩小城乡收入差距创造契机。因此，一方面，要加强互联网的教育功能，保障农民工的信息获得，降低交易成本。互联网教育工作需有针对性地面向不同年代、区域的农民工群体，使用差异化的教育形式与教学内容。另一方面，要加快推动基本公共服务均等化建设。正如本文研究所发现的，互联网对不同经济水平地区的农民工工资的影响存在较大差异，这需要进一步推进互联网基础设施建设，并且要重点关注中西部地区。