引言

数字基础设施通过降低信息成本、拓展市场边界并改变企业与居民的交易方式，已成为数字经济运行的重要条件。已有研究发现，宽带互联网与地区就业、工资和市场联通存在紧密关系；电子商务、移动电商和在线产品多样性则会影响消费选择与消费者福利。随着网络接入、平台服务、线上支付和物流配送不断扩展，居民消费决策的空间边界和履约方式均发生变化。

现有文献为理解数字技术的经济效应提供了重要基础，但仍有两个问题需要进一步讨论。第一，相关研究更多关注就业、工资、电子商务扩张或消费者福利，对地级市层面数字基础设施与消费活力的统计关系讨论相对有限。第二，城市消费活力既可以用消费规模衡量，也可以用消费相对于地区生产总值的比重衡量；当数字基础设施同时推动生产效率和经济总量扩张时，两类指标可能给出不同判断。因此，经验分析需要区分消费指标口径，并谨慎处理相关关系与因果效应之间的边界。

基于2003—2020年中国地级市面板数据，本文采用城市固定效应和线性年份趋势模型考察数字基础设施与城市消费活力之间的关系。本文的边际贡献主要体现在三方面：一是从地级市层面提供数字基础设施与消费相对水平的经验事实；二是同时报告比例型消费指标与消费规模指标的估计结果，避免把单一口径等同于居民消费福利；三是通过均衡面板和分组估计检验结果的稳定性，并将结论严格限定为条件相关关系。

一、文献综述、理论分析与研究假设

从既有研究看，数字技术的经济效应主要通过信息成本、市场匹配和交易方式变化实现。宽带网络能够改变地区就业和工资表现，电子商务与移动电商则通过扩大商品可得性、提高匹配效率和增加产品多样性影响交易规模与消费者剩余。这些研究共同表明，数字基础设施具备影响城市消费活动的理论基础，但具体方向仍取决于结果变量口径和城市经济结构。

（一）数字基础设施与消费渠道扩展

数字基础设施不仅是网络接入意义上的技术变量，也是消费渠道重构的制度性条件。对于地级市而言，互联网普及率提高意味着居民和企业进入平台市场的门槛下降，消费信息扩散速度加快，线上线下融合的空间增大。基础设施水平提高还可能通过交通、通信和公共服务等条件改善消费履约能力，使消费需求更容易转化为实际交易。因此，在无其他约束的情况下，数字基础设施改善具有促进消费活力的理论基础。

（二）城市结构差异与统计关系复杂性

但需要注意，本文使用的消费活力指标为社会消费水平，即社会消费品零售总额与地区生产总值的相对关系。该指标能够反映消费相对于经济总量的活跃程度，却也可能受到城市产业结构和经济规模扩张的影响。当部分数字基础设施较好的城市同时具有较强的生产性服务业、高端制造业或固定资产投资扩张时，地区生产总值增长可能快于零售消费增长，从而使社会消费水平出现相对下降。由此，数字基础设施与消费活力之间可能并非无条件正相关，而是在城市固定效应和控制变量下呈现更复杂的条件相关关系。

H1a：数字基础设施通过降低搜索与交易成本、扩大商品和服务可得性，提高城市消费活力。

H1b：当数字基础设施带来的经济总量扩张快于零售消费增长，或基础设施指标存在补短板式选择时，数字基础设施与社会消费水平可能呈负相关。

二、研究设计

（一）样本来源与变量说明

本文选取2003—2020年中国地级市面板数据作为研究样本。核心指标包括互联网普及率、基础设施、社会消费品零售总额、地区生产总值、金融发展程度、城镇化率、人力资本水平和财政投资力度。数据经城市代码与年份匹配后，初始描述性样本包含4926个城市—年份观测值，覆盖284个城市；由于人力资本变量存在缺失，纳入全部控制变量的基准回归有效样本为4874个观测值，均衡面板样本为4626个观测值。为降低极端值影响，连续变量在1%和99%分位进行缩尾处理。

变量类型	变量符号	变量说明
被解释变量	Consume	城市消费活力，以社会消费水平衡量，即社会消费品零售总额与地区生产总值的相对水平。
核心解释变量	Digital	数字基础设施水平，由互联网普及率和基础设施指标标准化后取均值构造。
稳健性变量	lnRetail	社会消费品零售总额加1后取自然对数，用于替换被解释变量。
控制变量	Fin	金融发展程度，以金融机构存贷款余额与地区生产总值的相对关系衡量。
控制变量	Urban	城镇化率，常住城镇人口占常住人口比重。
控制变量	Human	人力资本水平，以普通本专科在校生与人口规模的相对关系衡量。
控制变量	Fiscal	财政投资力度，以固定资产投资与一般公共预算支出相对关系衡量。
控制变量	lnGDP	地区生产总值取自然对数，用于控制城市经济规模。

注：所有连续变量均在1%和99%分位进行缩尾处理。

被解释变量为城市消费活力，使用社会消费水平衡量。稳健性检验中，本文使用社会消费品零售总额加1后取自然对数作为替代被解释变量。核心解释变量为数字基础设施水平，由互联网普及率和基础设施指标标准化后取均值构造。控制变量包括金融发展程度、城镇化率、人力资本水平、财政投资力度和地区生产总值自然对数。

（二）模型设定

为控制城市不随时间变化的地理、历史和制度差异，本文采用城市固定效应模型，并加入线性年份趋势。基准模型的具体形式见式（2）。本文关注数字基础设施系数的符号与显著性，并使用异方差稳健标准误。由于研究未采用外生政策冲击或准自然实验，估计结果仅解释为控制可观测因素后的条件相关关系。

本文首先对数字基础设施核心解释变量进行标准化合成，具体构造如下：

其中，Internetᵢₜ表示城市i在年份t的互联网普及率，Infraᵢₜ表示基础设施水平，Z(·)表示对原始变量进行标准化处理。采用标准化均值可以降低不同量纲对合成指标的影响，使Digitalᵢₜ更适合进入回归模型。

在基准检验中，本文采用城市固定效应模型，具体设定如下：

式（2）中，Consumeᵢₜ表示城市消费活力，Xᵢₜ为控制变量向量，包括金融发展程度、城镇化率、人力资本水平、财政投资力度和地区生产总值自然对数；μᵢ表示城市固定效应，用以控制城市不随时间变化的区位、历史和制度特征；λt表示线性年份趋势；εᵢₜ为随机扰动项。本文关注的核心参数为β，其符号和显著性反映在控制城市固定效应和可观测变量后，数字基础设施与消费活力之间的条件相关关系。

为检验结果是否依赖于被解释变量口径，本文进一步将社会消费品零售总额自然对数作为替代变量，估计稳健性模型：

此外，为考察城市金融发展环境差异，本文按城市金融发展程度均值的中位数划分高金融发展城市和低金融发展城市，并分别估计分组模型：

式（4）中，g表示按金融发展程度划分的城市组别。分组估计用于考察系数方向和数量级是否稳定；由于本文未报告组间系数差异检验，不能仅依据分组内显著性判断存在异质性。上述模型均为面板固定效应关联模型，不能直接解释为严格因果效应。

三、实证结果分析

（一）描述性统计与图示证据

描述性统计显示，样本城市社会消费水平均值为0.360，中位数为0.350，说明多数城市消费相对于经济总量的比重处于相对接近的区间，但最大值和最小值之间仍存在明显差异。数字基础设施指标经过标准化合成后均值接近零，标准差为0.312，反映不同城市之间数字基础设施条件存在差异。金融发展、城镇化率、人力资本和财政投资力度的离散程度也较大，说明仅用单一变量解释消费活力可能遗漏重要城市特征。

变量	N	均值	标准差	最小值	中位数	最大值
Consume	4926	0.36	0.1	0.128	0.35	0.654
Digital	4926	-0.029	0.312	-0.196	-0.127	1.904
lnRetail	4926	15.06	1.204	12.34	15.075	17.937
Fin	4926	2.229	1.07	0.899	1.922	6.54
Urban	4926	51.802	16.581	19.526	49.965	94.857
Human	4874	0.02	0.027	0	0.01	0.125
Fiscal	4926	4.615	1.92	0.878	4.374	10.107
lnGDP	4926	6.918	1.082	4.505	6.92	9.692

注：Human变量存在52个缺失观测，故其样本量为4874。

图1（a）展示了城市消费活力的年度变化。2003—2013年样本城市社会消费水平整体波动上升；2013年后，高数字基础设施组和低数字基础设施组均出现较明显提升，2020年则有所回落。两组城市之间未形成持续稳定的单向差距，说明数字基础设施条件较好并不必然对应更高的社会消费水平。

图1（b）报告固定效应关联估计及95%置信区间。加入控制变量后，Digital系数为−0.018，并在1%水平上显著；替换因变量和使用均衡面板后，系数仍为负，高、低金融发展城市的分组估计方向也保持一致。由于本文未报告正式的组间系数差异检验，分组结果仅用于说明估计方向的稳定性。

（二）固定效应估计、稳健性与分组检验

主要估计结果表明，在控制城市固定效应、线性年份趋势和一系列城市特征后，数字基础设施水平与社会消费水平显著负相关。该结果不宜被直接解释为数字基础设施抑制居民消费。社会消费水平是零售消费相对于地区生产总值的比例指标，系数可能受到分子和分母相对变化的影响；同时，数字基础设施建设也可能具有面向基础薄弱地区的补短板特征。由于替换为社会消费品零售总额自然对数后系数仍为负，比例指标的分母效应不能作为唯一解释，指标测量、反向选择和随时间变化的遗漏因素仍需进一步检验。

检验类型	样本或设定	核心系数	t值	观察值	R²
基准估计	加入控制变量	-0.018***	-10.672	4874	0.79
稳健性检验	替换因变量	-0.047***	-10.097	4874	0.982
稳健性检验	均衡面板	-0.018***	-10.284	4626	0.782
分组检验	高金融发展城市	-0.018***	-8.629	2473	0.759
分组检验	低金融发展城市	-0.018***	-6.402	2401	0.81

注：***、**、*分别表示在1%、5%和10%水平上显著；各模型均控制城市固定效应、线性年份趋势及表1所列控制变量，t值基于异方差稳健标准误。

稳健性检验中，使用社会消费品零售总额自然对数替代被解释变量后，核心系数仍为负且显著；均衡面板估计也保持负向显著，说明结果并非完全由样本缺失造成。高、低金融发展城市的分组系数均为负，数量级在三位小数下相同。鉴于本文未报告正式的组间系数差异检验，这一结果更适合解释为不同组别中方向较为稳定，而不能据此认定存在显著异质性。

四、进一步讨论

本文结果的主要价值在于提示，数字基础设施与城市消费活力之间并非必然呈现单向正相关。地区生产总值增长、产业结构升级、人口流动和公共投资扩张都会改变消费规模及其相对比重。如果数字基础设施改善首先推动生产效率、平台企业发展和产业数字化，消费比重可能在短期内下降；但替代消费规模指标同样呈负相关，也表明结构效应并不足以解释全部结果。

因此，本文不对负向系数作单一机制断言。更稳妥的理解是，在现有变量构造、样本和固定效应设定下，数字基础设施指标与城市消费指标存在稳定的负向条件相关关系。该关系可能同时包含测量误差、建设时序、城市发展阶段和遗漏变量等影响，后续研究需要借助更细分的数字基础设施指标与更具外生性的识别策略加以区分。

五、政策建议

基于上述结果，本文认为数字基础设施建设应从“有没有”转向“能否转化为消费活动”。首先，应把数字基础设施建设与本地商业生态建设结合起来。网络覆盖、通信条件和基础设施水平改善只是基础，真正影响居民消费的是商品供给、服务便利、物流履约和售后保障。如果城市仅提升网络接入能力，却没有推动本地商贸企业、生活服务业和中小商户完成数字化改造，基础设施优势就难以转化为消费活力。地方政府在推进数字经济政策时，应鼓励传统商业街区、社区服务网点、县域商贸中心和农产品流通主体接入数字平台，提升线上展示、订单管理、支付结算和配送协同能力。

其次，应重视消费结构而非只看消费总量。社会消费品零售总额主要反映商品零售活动，对服务消费、数字内容消费、跨区域平台消费和体验式消费的覆盖并不充分。随着数字基础设施改善，居民可能增加线上服务、教育培训、文旅体验、即时配送和跨区域购物，这些消费并不一定完全体现在本地零售统计中。若仍以单一社会消费水平衡量消费活力，可能低估数字基础设施对消费福利和消费便利的影响。因此，后续政策评估应引入线上零售额、服务消费占比、平台交易活跃度、物流订单密度和居民消费满意度等指标。

再次，应关注数字基础设施的包容性效应。数字基础设施建设可能优先在经济基础较好、人口密度较高、财政能力较强的城市推进，这会导致数字消费机会在城市之间进一步分化。若低基础城市缺乏商业主体数字化能力，即使基础设施有所改善，也难以形成消费活力提升。地方政府应通过数字技能培训、商户上云补贴、公共物流节点建设和平台规则辅导，降低中小商户和居民使用数字服务的门槛，使数字基础设施更充分地服务日常消费。

总体而言，本文的政策含义在于提升数字基础设施向消费场景转化的效率。政策评价既要关注网络覆盖和通信条件，也要同步考察本地商业数字化、服务便利、物流履约和消费结构升级。通过完善商业主体接入平台、数字服务应用和配套制度，可以推动数字基础设施由支撑经济运行进一步转化为促进居民消费便利和生活质量提升的现实能力。

六、研究展望

本文基于地级市面板数据构建数字基础设施指标，并从比例型消费指标、消费规模指标、均衡面板和金融发展分组等角度开展系统检验，为理解数字基础设施与城市消费活力的关系提供了经验基础。未来研究可在此基础上进一步丰富数字基础设施和消费活力的多维指标，结合平台交易、数字支付、服务消费等数据，并引入政策试点、网络建设批次等识别信息，以拓展对作用路径和城市差异的分析。

七、结语

本文基于2003—2020年中国284个地级市面板数据，构建由互联网普及率和基础设施指标标准化合成的数字基础设施指标，采用城市固定效应和线性年份趋势模型，系统考察数字基础设施与城市消费活力之间的关系。研究发现，在控制城市固定效应和一系列城市特征后，数字基础设施指标与社会消费水平显著负相关；替换消费指标、使用均衡面板并开展金融发展分组估计后，系数方向保持一致，表明结论具有较好的跨指标、跨样本和跨组别稳定性。本文的主要贡献在于提供地级市层面的经验事实，比较消费相对水平与消费规模两类口径，并从城市发展阶段和消费场景转化角度解释估计结果。政策上，应在持续完善数字基础设施的同时，强化其与本地商业生态、服务消费、物流履约和中小商户数字化的衔接，推动数字条件更充分地转化为消费便利、消费结构升级和城市消费活力。

参考文献：

1. [1] Goldfarb A, Tucker C. Digital economics[J]. Journal of economic literature, 2019, 57(01): 3-43.
2. [2] Hjort J, Poulsen J. The arrival of fast internet and employment in Africa[J]. American economic review, 2019, 109(03): 1032-1079.
3. [3] Forman C, Goldfarb A, Greenstein S. The internet and local wages: A puzzle[J]. American economic review, 2012, 102(01): 556-575.
4. [4] Couture V, Faber B, Gu Y, et al. Connecting the countryside via e-commerce: evidence from China[J]. American economic review: Insights, 2021, 3(01): 35-50.
5. [5] Dolfen P, Einav L, Klenow P J, et al. Assessing the gains from e-commerce[J]. American economic journal: Macroeconomics, 2023, 15(01): 342-370.
6. [6] Einav L, Levin J, Popov I, et al. Growth, adoption, and use of mobile e-commerce[J]. American economic review, 2014, 104(05): 489-494.
7. [7] Brynjolfsson E, Hu Y J, Smith M D. Consumer surplus in the digital economy: Estimating the value of increased product variety at online booksellers[J]. Management science, 2003, 49(11): 1580-1596.
8. [8] Goolsbee A, Klenow P J. Valuing consumer products by the time spent using them: An application to the internet[J]. American economic review, 2006, 96(02): 108-113.