中国晚婚问题研究①——来自亲友网络视角的解释

欧璟华 鄢宇

（重庆大学 经济与工商管理学院，重庆 400044）

1 引言

随着社会结构的不断转型，我国适婚人群初婚年龄不断提高。第六次人口普查公布的数据显示，男女性公民平均初婚年龄在20年间（1990-2010）均明显推迟，且与人口增长率趋势相反（如图1所示）。1990年至2017年，我国育龄妇女平均初婚年龄从21.4岁提高到25.7岁，推迟超过4岁，并且有持续走高的趋势②国家统计局.《改革开放40年经济社会发展成就系列报告（2018）》。。晚婚现象带来了许多社会问题：结婚年龄过晚，夫妻的离婚风险会大幅上升[1]，带来较低的生育率[2]，对社会犯罪、社会保障和国家长期人口素质都存在较大影响[3-5]；同时，有研究认为，面对人口老龄化和低生育率双重困境，即使生育政策“完全放开”，对于中国人口中长期效果也十分有限[6]，因此，过度晚婚带来的人口结构负面影响是未来我国人口政策和“十四五”规划关注的焦点③《中共中央关于制定国民经济和社会发展第十四个五年规划和二〇三五年远景目标的建议（2021）》。。

图1 1990-2010中国平均初婚年龄及人口增长趋势变化

为什么年轻人结婚普遍晚于从前？亲友网络在其中发挥着重要的作用。在传统的农业社会，婚姻主要依靠地缘、亲缘这样的社会关系网络得以建立，“媒婆”和亲朋好友作为宝贵的媒介资源，提高了适婚男女的匹配效率，逐渐形成“通婚圈”。G.Skinner认为“通婚圈”是理解中国传统农村婚姻的重要基础，亲友网络对婚姻匹配的影响很大。从2010年北京大学公布的家庭追踪调查（CFPS2010）数据来看，与初婚对象是通过“亲朋好友介绍”方式认识的比重高达78.5%，可见，亲友网络为婚姻匹配提供了良好的沟通渠道。

目前，关于亲友网络与初婚年龄之间关系的研究还比较少。相关研究能够以新颖的视角来解释目前社会普遍存在的晚婚现象，为低生育率，劳动力供给不足，人口老龄化提供新的研究角度，加深关于社会文化和非正式制度对人口结构调整的理解，对于相关制度的设立具有重要意义。本文基于CFPS2010的全国微观调查数据，研究亲友网络与初婚年龄之间的关系，与已有文献相比，主要创新点有以下方面：首先，国内大多数晚婚问题的研究，主要集中在教育水平，社会成本和收入等因素上，利用全国性样本数据从亲友网络的视角对社会普遍存在的“晚婚”问题进行讨论，这在国内相关领域的研究中比较少见；其次，在研究结论上，本文不仅验证了亲友网络的“缩短效应”，也验证了其“延长效应”，从而证明了亲友网络对于初婚年龄结构具有的“聚拢”作用，这对于理解亲友网络，这种非正式制度对我国人口结构的有益调整提供了理论与实证上的支持。

2 文献综述和理论假设

2.1 文献综述

与本文有直接关联的研究，一是关于婚姻匹配和晚婚问题研究的相关文献；二是关于社会网络、社会流动对初婚年龄影响的相关研究。

G.Becker是将经济学分析引入婚姻与家庭行为的先驱，他的理论认为当人们通过婚姻所获得的预期效用大于单身时的效用时，人们才会选择结婚[1]，他的模型强调，无论在婚前还是婚后，寻找伴侣的搜索成本都是一个重要的参数，而这种搜寻成本与匹配效率具有密切联系。Oppenheimer的婚姻搜寻理论对Becker的理论进行了补充，着重论述了经济状况确定性对初婚年龄的影响[7]，他认为经济状况的不确定性是低龄未婚青年婚姻推迟的重要原因：稳定的就业和职业发展不仅决定了个体对于匹配对象的保留值，也决定了预期婚姻生活带来的效用。他们的研究为本文提供了一个较为完整的研究框架。以这些理论为框架，大量研究探讨了婚姻市场的匹配（包括年龄、教育、通婚范围、户籍等特征）对婚姻选择和婚姻质量的影响[8-9]；另外，初婚年龄和婚姻稳定性之间的关系在国内外也得到了深入讨论，部分研究认为，初婚年龄的适度提高有利于婚姻稳定，早婚夫妻较晚婚夫妻会有更高的离婚风险[10]，相关学者把这种现象称为“成熟效应”，而也有研究表明当结婚年龄超过一定界限时，夫妻的离婚风险又会上升，个体更可能与“不匹配对象”结婚，产生“不匹配效应”[11]，这种关于初婚年龄与婚姻稳定性的非线性关系在国内外的相关研究中得到了证实[8][12]。因此，过早或者过晚进入婚姻生活对婚姻稳定都是不利的，本文研究发现，亲友网络在对初婚年龄的影响上，具有类似于“弹簧”的“拉伸”和“压缩”作用，有利于把初婚年龄控制在一个相对合理的年龄区间，对初婚年龄结构的调整具有重要意义。

另一方面的文献是关于社会网络、社会流动对初婚年龄和婚姻匹配影响的相关研究；与本文有直接关联的研究是刘利鸽和靳小怡《关于社会网络视角下，农村成年男性初婚风险的研究》[13]，该研究为本文提供了宝贵的研究思路，但该研究只运用了个别县的调查数据对农村成年男性对象进行了分析，在方法上也只利用事件史分析方法，在内生性考虑上可能存在不足。另外，部分研究讨论了人口流动对农村人口初婚年龄的影响[14-15]，他们的研究考虑了婚姻匹配的搜寻属性，但是忽视了亲友网络对初婚年龄的影响。总的来说，在晚婚现象的相关研究中，大多数研究把视角放在教育水平、教育深化和婚姻挤压[16-17]、婚前同居和生育政策上[18-19]，各个研究对本文提供了宝贵的借鉴，但也忽视了亲友网络这种非正式制度在其中的重要作用。

另外，亲友网络作为社会网络重要组成，得到社会学、经济学和心理学等学科研究的广泛关注，它强调一种更加稳定的关系网络[20]，在经济学主流研究中,社会网络常常被视为非正式制度的重要组成部分。家庭的社会网络能够帮助家庭获得更多的外部资源，从而有助于家庭共享信息、降低交易成本，促进交易的达成[21-22]。作为一个重视“关系”传统的国家[23]，社会网络渗透了国人生活各个方面，深刻的影响了我们的各种决策。社会网络因素在个人择偶决策中也具有重要作用，择偶过程可以视为人们利用社会网络寻找社会资源的过程[24]，社会网络往往决定着个人的初婚风险水平[13]。但是，对于新生代，亲友网络的影响可能正在减小，自由恋爱逐渐兴起，新生代农民工的婚恋途径正在从传统转向现代，从“父母之命，媒妁之言”转向“自由恋爱”，自由恋爱比例提高18.9个百分点[25]，高学历群体的择偶方式也更加推崇“自由恋爱”，自由恋爱已经成为年轻人主流交往方式④《当代青年群体婚恋观调查报告（2018）》.团中央网络影视中心。。因此，亲友网络对新生代的影响可能变弱。亲友网络社会角色的变迁，信息匹配渠道的缺失导致了适婚青年相对推迟结婚。

2.2 理论假说

根据Oppenheimer的理论，高低年龄组对婚姻的偏好其实是不同的：在早婚组，（1）低龄青年由于其社会经济状况在一定时间内表现出极大的不确定性，即使把大量时间用在婚姻生活上，完成婚姻匹配的期望值也比较低，预期婚姻效用会很低，此时，他们对于婚姻的偏好一般较低；（2）随着亲友网络的增强，低龄青年可能更倾向于利用亲友网络这种资源，稳定自己的工作，创造更好的经济基础为未来婚姻做准备，提高婚姻匹配的保留值，有研究认为社会网络提高了农民工的工资水平[26]，因此，随着亲友网络的增强，低龄青年往往会推迟择偶。而对于晚婚组，（1）他们中大部分工作已经稳定，亲友网络对于他们在事业上提升的边际效用开始递减，此时，选择把亲友网络资源用在婚姻生活中，能产生更大的效用。（2）在“剩男、剩女”社会舆论和亲友网络“催婚”的压力下，他们对于婚姻会更加偏好，更加追求稳定的生活，从而缩短初婚年龄。

以上两种情况主要出现在亲友网络作用明显的年龄阶层，但是对于新生代（如“80后”），亲友网络的影响可能并不显著，这也间接导致了适婚青年相对推迟结婚。

最后，由于目前我国人口结构的老龄化特征较为明显，故总体应该呈现高年龄组特征，即总体上，亲友网络能够显著缩短人们的初婚年龄。对于把亲友网络这种资源，运用在工作和婚姻生活的相对偏好的差异，是判断“延长效应”和“缩短效应”的关键所在。

综上，本文核心假说为：

H1：总体上，亲友网络负向影响初婚年龄。

H2：亲友网络负向影响中、高年龄群体初婚年龄。

H3：亲友网络负向影响早婚年龄组的初婚年龄。H4：亲友网络正向影响晚婚年龄组的初婚年龄。

3 实证分析

3.1 数据来源

本文利用2010年由北京大学主持的中国家庭追踪调查（CFPS2010）公开数据进行实证分析。CFPS2010样本覆盖25个省、市、自治区，代表了中国95%的人口，因此，CFPS的样本可以视为一个具有全国代表性的样本，该调查采用分层、多阶段、与人口规模成比例的概率抽样方法，具有科学性。本文主要利用CFPS2010中的成人问卷和家庭问卷数据库，在剔除异常值和缺失值之后得到27333个个人样本。CFPS2010相比于更新的CFPS调查问卷优势在于，初婚相关问题设计更加丰富，数据处理相对简单，缺失值较少，被相关研究大量使用[8][18][19]。

3.2 变量测量

3.2.1 被解释变量

本文采用的核心被解释变量为被访者初婚年龄，即已婚个体初婚年份减去出生年份；对于该变量本文做了以下处理：(1)删除初婚年龄小于16岁的个体；(2)删除数据“不适用”个体；(3)在事件分析法Cox风险分析中将未婚个体放入变量，在多元线性回归分析中去除未婚个体的影响⑤CFPS2010中已初婚个体比例为86.1%，虽然在多元线性回归中，只对已初婚个体进行研究，但是对总体样本影响不大。，排除未婚个体单身原因不同带来的对研究结果的干扰。

3.2.2 主要解释变量

本文主要参考类似文献[27-28],利用“去年所赠送出去的礼金”数目对数及其虚拟变量、“春节，亲戚拜访数量”、“春节，朋友拜访数量”四组代理变量，作为亲友网络的代理变量。一方面，家庭的礼金支出可以看作是家庭对亲友网络的投资和维持，是一种家庭较为稳定亲友网络关系的体现。另一方面，春节是中国最重要的传统节日，亲朋好友间的互相拜访是维系家庭社会关系的重要途径，因此，这四个代理变量可以较为客观的描述亲友网络的强度。

3.2.3 控制变量

结合CFPS2010问卷内容和相关研究文献[18][29]，本文最后选取的控制变量主要包括，家庭经济地位变量，个人特征变量和其他控制变量。其中，家庭经济地位变量包括：父母亲最高受教育程度，12岁时的户籍性质；个人特征变量则包括：初婚前是否同居、身高、民族、受教育程度、性别和宗教信仰；其他变量则包括是否连续工作超过6个月，家庭人口规模和省份变量，具体赋值情况见表1。

表1 主要变量的描述性统计

3.2.4 实证设计

在实证设计上，本文主要选用两种对于相关问题研究常用分析方法：事件史分析和多元线性估计，从而得到较为稳健的结论。

(1)事件史分析方法：本文采用学界常用的Cox比例风险模型来分析家庭亲友网络对个人初婚年龄的影响。由于其半参数模型和对参数模型设定较弱等良好统计性质，相比于其他生存模型也更具优势，被医学、人口学研究广泛使用；本文具体设置模型如下：

(2)最小二乘估计结合工具变量法的实证分析方法，也被广泛运用于该问题的研究之中，因为Cox比例风险模型可能无法解决模型的自选择问题[18][29]，因此，多元线性回归可以作为Cox比例风险模型的补充。模型设置如下：

其中，chn为初婚年龄，α0为截距项，SN为社会网络代理变量，分别为去年礼金支出对数lnsclj，去年礼金支出虚拟变量sclj_dum，春节亲戚拜访数量cjqq，春节朋友拜访数量cjpy，Xi为控制变量，b0和Ci分别为变量的系数，εi为误差项，Cox风险模型系数含义与此类似，但它缺少常数项与误差项。

本文利用这两种不同原理的估计方法，使实证结果更加稳健。

图3 不同亲友网络个体初婚年龄

3.3 实证分析结果

3.3.1 描述性统计结果

在描述性统计表1中，可以看到2010年全国平均初婚年龄在23.1岁左右，这与国家统计局公布的全国第六次人口普查数据比较接近，去年有礼金支出的家庭占到总体样本的81%。从总体样本上看，家庭春节亲戚拜访人数要大于朋友拜访人数，且两个指标平均水平都比较高，可以看出，中国确实是典型的“关系”社会，绝大部分家庭都有自己的亲朋好友交际网络。

从图2可以看出，有亲友网络家庭的成员初婚年龄明显要低于没有的家庭；其中“去年礼金支出”变量中，有礼金支出的家庭要比没有礼金支出的短将近半年；“春节亲戚拜访”变量中，有拜访的家庭比没有拜访家庭成员短接近0.7年；“春节朋友拜访”变量差距虽然相对较少，但是总体上来看，家庭亲友网络能够明显缩短成员初婚年龄。

图2 本文的研究框架

3.3.2 K-M生存估计结果

从Kaplan-Meier生存函数结果上看，样本的初婚事件主要发生在20-40岁，且大多数样本在20-30岁年龄段完成初婚，从图4可以看出在21岁之后，亲友网络明显加大了初婚风险。

图4 礼金支出变量的K-P曲线

3.3.3 Cox风险模型与多元线性回归估计结果

表2前半部分为Cox函数模型，模型1-1、1-2、1-3、1-4分别是不同代理指标衡量下的亲友网络的分析结果，其中，所有亲友网络代理变量均与初婚风险成正向关系，以“去年礼金支出对数”指标为例，该系数为0.017且在1%水平下显著，这表示随着亲友网络增强，初婚的风险会增加1.7%（e0.017-1），而以“去年礼金支出”虚拟变量为家庭社会网络的代理变量，有社会网络的家庭成员初婚风险增加9.6%（e0.092-1），其余两个代理变量也支持亲友网络越强，核心假说1得到证实。

表2后半部分为多元线性回归估计结果，同理，模型2-1、2-2、2-3、2-4分别表示不同指标衡量下的亲友网络的分析结果。结果显示，所有亲友网络代理变量都与初婚年龄成负向关系，这个结论与Cox函数模型结果相互支持⑥本文主要采用图示法对Cox比例风险模型PH假定进行检验，且检验通过。。

表2 Cox模型与多元线性模型的主要估计结果

在控制变量部分，Cox模型与多元线性回归模型基本都支持男性、婚前同居、教育程度、非农身份、拥有长时间工作经历、东部地区省份等因素会延长初婚年龄（降低初婚风险），而身高和家庭规模等因素会缩短初婚年龄（增加初婚风险）。本文所讨论的大部分控制变量不仅得到了相关文献的支持[18][29]，也得到了不同计量模型结果的相互佐证。因此，本文认为研究在模型设定、选择和研究结论上，都较为稳定。

3.3.4 不同出生队列的估计结果

从线性模型的实证结果可以看出，对于不同出生队列，亲友网络对个人初婚年龄的影响效果是不同的。从表3中我们可以看到对于“80后”组（16-30岁），亲友网络的缩短作用并不显著，“70后”（30-40岁）和“60后”（40-50岁）影响相对显著，且“60后”的影响最大，“50后”（大于50岁）影响作用稍小也比较显著⑦本文也进行了Cox模型分析，主要变量的结果与多元线性回归方向一致，这里只对多元线性回归结果进行报告。，表3的结果比较直观的印证了本文提出的假说2。

表3 出生队列异质性影响结果

3.3.5 工具变量法

虽然Cox函数模型和多元线性回归模型在实证结论上保持一致，但是两种模型都可能存在内生性问题，这也是初婚问题研究普遍存在的问题[30]。在此情况下，本文采用工具变量法来解决可能存在的内生性问题。对于亲友网络的工具变量的选取，相关研究提供了多种研究视角，部分研究利用改革开放前的“家庭成分”[31]，对于普通话的重视程度[32]，是否为本地大姓等[33]作为亲友的工具变量，为本文提供了重要思路，最后，综合工具变量选择条件和数据可获得性，本文选取个人问卷中“文革时，家庭成份”虚拟变量作为亲友网络的工具变量⑧利用问卷中“请问，文革时期，您的家庭成份是？”对“地主阶级以上”等赋值为1，其它为0。“家庭成分”虚拟变量作为亲友网络的工具变量的思路，主要借鉴了章元和陆铭（2009）的研究，由于部分数据缺失，对于“家庭成分”只做二值分类。。

表4是使用“家庭成分”工具变量后的结果；在此用了三种不同的代理变量作为亲友网络的代理变量，其中模型1、3、5没有控制中东西部地区变量，模型2、4、6则为控制区域变量的结果，利用“家庭成分”虚拟变量作为工具变量后，社会亲友变量系数依然为负且都在1%水平下显著，系数绝对值也都有增大，因此，本文核心假设得到了有力支持。为检验工具变量的有效性，本文也对样本进行工具变量的Cragg-Donald和DWH检验，其中DWH检验结果显示社会网络变量的确存在内生性问题，且都至少在5%水平下显著，C-D F统计量的值，也均大于Stock、Yogo[34]提供的期望最大值为15%的弱工具变量阀值8.96，说明本文存在弱工具变量的可能性较弱，进一步支持了本文的核心假设⑨不同出生队列也作类似处理，绝大部分指标符合预期，这里限于篇幅，暂不报告。。

表4 工具变量实证结果

3.3.6 其他稳健性检验

为了使结论更加可信，本文还做了其他稳健性检验；一是对亲友网络代理变量进行替换，本文利用“春节，亲戚朋友拜访”综合虚拟变量，去年礼金支出占家庭收入的比重作为代理变量，在两类基准回归中，亲友网络的影响方向并没有发生改变；二是利用Tobit、计数模型和负二项回归对文中核心变量进行检验，也得到类似的研究结论。

因此，总体来说，本文认为家庭亲友网络能够显著降低成员的初婚年龄。

3.4 对于晚婚现象的解释

表3所呈现的结果，和现实认识是比较相符的：“80后”组对于亲朋好友的婚恋介绍可能比较反感，他们对婚恋自由更加推崇，所以婚恋选择上可能更倾向于自由选择；“70后”、“60后”对家庭亲友网络的影响都比较显著，这与当时的时代背景密不可分，“70后”、“60后”在他们达到婚姻的适龄时，国家市场化才刚刚起步，各种人员流动、信息交通也不够发达，因此，以“亲朋好友”作为“媒介”为婚姻匹配提供了更加有效的途径；最后“50后”由于时代背景，拥有更加闭塞的婚姻信息交流和匹配方式，如，家庭联姻、村内婚配等方式可能更加普遍[35]，因此，在影响强度上可能不及“70后”、“60后”。“80后”组对于亲友网络影响的不显著，导致了他们比“70后”、“60后”总体上更晚结婚，从而呈现出普遍晚婚的社会现象。

同时，为了加强结论的可靠性，本文还对不同受教育年限的群体进行了分析，结果如表5所示：

表5 教育年限异质性影响结果

如表5所示，对于不同受教育年限的群体，亲友网络对初婚年龄的影响也呈现不同的状态。不管是Cox模型还是多元线性回归，家庭亲友网络都只对低受教育年限群体产生显著的影响，对高受教育年限群体影响并不显著，这比较符合新生代，受教育程度高和崇尚婚恋自由的群体标签。

不同出生队列异质性和教育异质性实证的结果，折射出了亲友资源在不同信息流通程度时代，对初婚影响的变化，也能让我们深刻感受到信息交流方式、文化和亲友网络角色在不同时代中的变迁，这种“七大姑、八大姨”式的亲友网络，在不断的社会变迁中，对于婚姻信息沟通匹配的角色功能弱化，是目前晚婚现象普遍存在的一个重要原因。新生代人群（如“80后”）往往受过更多的教育，更加追求自由恋爱，亲友网络在婚姻信息沟通匹配作用逐渐弱化，同时，更新的有效沟通渠道可能还并没有形成，这导致了晚婚现象的存在。

4 亲友网络的“弹簧效应”

综合相关理论，本文认为亲友网络对早、晚婚组的影响是不同的。那么，亲友网络的“弹簧”作用是否存在？不同性别组是否都存在“弹簧”效应？在本章，本文主要对以上问题进行分析讨论。

4.1 早、晚婚组异质性实证结果

利用（1）和（2）中的模型，剔除了“80后”群体样本，本文对初婚年龄组异质性进行计量分析，表6结果，对前文中的理论模型进行了验证；在初婚年龄全样本中，本文按初婚年龄大小把样本等分为三组（和五组，仅报告三组结果），把较低初婚年龄组视作早婚年龄组，较高初婚年龄组视作晚婚年龄组，分别进行验证；在Cox模型中，亲友网络显著负向影响早婚组初婚年龄，同时显著正向影响晚婚组初婚年龄，而在多元线性回归模型中，亲友网络显著正向影响早婚组初婚年龄，同时显著负向影响晚婚组初婚年龄，这些结果都说明家庭社会网络能使早婚年龄组降低初婚风险（延长初婚年龄），使晚婚年龄组增大初婚风险（缩短初婚年龄）。

表6 早婚组与晚婚组异质性影响结果

表7 分性别的早婚组与晚婚组异质性影响结果

对于不同性别组，与以上处理类似，分性别按初婚年龄大小把样本等分为三组（和五组，仅报告三组结果），分性别把较低初婚年龄组视作早婚年龄组，较高初婚年龄组视作晚婚年龄组，进行类似回归和实证分析，也得到了类似的实证结果⑩同上，本文也采用了4种社会网络代理变量，2种主要计量方法，都得到了类似于“去年礼金支出对数”的结果，同上，本文只对“去年礼金支出对数”和多元线性模型结果进行汇报。，假说3、4得到证实。

4.2 对亲友网络“弹簧”效应的解释

在Oppenheimer的婚姻搜寻理论框架下，不同年龄阶段个人对于婚姻生活的偏好是不同的，作为理性的个人更可能会在事业相对稳定的年龄阶段再认真考虑婚姻大事，住房有无影响了青年的经济社会地位，进而限制了婚姻决策[36]，中国俗语中也有“嫁汉嫁汉，穿衣吃饭”的说法，亲友网络在一定程度上影响了早婚组的婚姻偏好，因此，亲友网络会相对延长低龄青年进入婚姻的时间。

对于晚婚组来说，首先，亲友网络作为信息资源，增大了择偶范围，使婚恋市场的信息更加对称，这极大地促进了婚姻匹配效率和婚姻预期效用；其次，随着结婚的成本增大，家庭社会网络也为结婚资本借贷提供了有效途径[13]；最后，随着年龄的增大，更多的人表现对安定生活的向往，加上家人和亲朋好友网络形成的“催婚压力”，此时，个人对婚姻行为的偏好更加强烈。

亲友网络对初婚年龄具有的“弹簧”效应，表现出了亲友网络，这种非正式文化制度，对“80前”群体初婚年龄结构的有益调整，这“聚拢”了群体的初婚年龄，有利于家庭稳定、生育率的提高和国家人口结构的调整。

5 结论及政策含义

基于婚姻市场搜寻匹配的研究理论，结合中国家庭追踪调查2010年的微观数据，本文采用了学界常用的Cox半参数模型对研究对象进行实证分析，并用多元线性回归和工具变量法作为事件分析方法的补充，最后均得到了一致并且稳健的结果。总体上，亲友网络可以显著缩短初婚年龄，但亲友网络对“80后”组的积极影响不显著，对“70后”、“60后”和“50后”组缩短效应均显著，其中对“60后”组的积极影响最大，这可能与亲友作为婚姻媒介角色的历史变迁、中国区域开放和信息交流程度、乡村文化时代变迁有关。并且相比于高受教育年限的群体，低受教育年限的群体更易受亲友网络的积极影响，这可能与不同受教育年限群组的对婚姻、恋爱观念和在校自由交友时间差别有关，这解释了当今普遍存在的晚婚问题。在对于早、晚婚年龄组的异质性分析中，本文验证了亲友网络在个人初婚年龄影响上的“弹簧”效应，在早婚组，亲友网络对工作和经济地位塑造上的积极作用对个人投入婚姻的时间进行了挤占，这使他们更晚结婚；而在晚婚组，由于他们的工作和经济地位相对稳定，对婚姻的偏好增加，把更多的时间用在婚姻匹配上可以使他们获得更大的效用，同时在家庭和社会的“催婚”压力下，这种偏好会更加凸显，从而使他们更早结婚，亲友网络的“弹簧”效应在男、女群组中均非常显著，这有利于初婚年龄结构的调整。

本研究证明了亲友网络在人口结构调节上所具有的重要意义：亲友网络不仅在总体上缩短适婚人群初婚等待时间，并且对初婚年龄结构调整也存在有益作用。人口动态是社会运行的基础，中国正在经历老龄化和低生育率的双重困境，亲友网络有利于集中适婚公民的初婚时间，这对我国人口转型意义重大。政府在相关人口生育政策的制定过程中，不能忽视亲友网络、文化在其中扮演的重要作用，否则可能会影响其实施效果。以往研究表明亲友网络对社会经济运行具有重要作用，本文研究表明这种积极作用也可能存在于社会人口结构调整上，这不仅为非正式制度相关研究进行了有力补充，同时，为我国人口结构转型思路提供了一个新颖的视角。

尽管本文尽可能的对相关问题进行了深入的讨论，但是还是存在一些不足之处。一是代理变量选择，虽然本文所用的社会网络代理变量与众多文献保持一致，但是由于初婚时间与调查时间的跨度，在社会网络测度上可能会存在偏差，本文在前文也有一定说明，但是这个问题可能依然存在；二是对于一些描述样本初婚时状态的变量，如初婚时的感情状况、身体条件、财产状况等，现有的大型调查问卷无法提供，这也是初婚问题研究中普遍存在的问题，本文也没有找到更加合理的弥补或代替方法。这些问题的解决可能有待于中国家庭追踪调查问卷设计的不断完善，本文也会对相关数据库的更新作进一步追踪。