貧困地區農戶互聯網信息技術使用的增收效應

胡倫 陸遷

內容提要：運用貧困地區793份農戶調查數據，考察互聯網信息技術使用對農戶收入影響的異質性及作用機制。結果表明，互聯網信息技術使用對農戶增收效果比較明顯。在消除農戶個體選擇偏誤后，互聯網信息技術使用對農戶總收入、人均純收入、非農總收入和農業總收入效應分別為25.7%、20.O%、23.5%、29.6%;采用OLS回歸和Heckman回歸估計互聯網信息技術使用對不同來源構成的收入也均有顯著正向影響;互聯網信息技術使用對農戶增收效應在不同教育水平和年齡階段具有顯著個體異質性;作用機制顯示互聯網信息技術使用會降低農戶信息搜尋成本、形成較強價格效應、拓展市場參與范圍、提升人力資本，進而達到增收效果。

關鍵詞：互聯網信息技術;農戶增收;精準脫貧

中圖分類號：F323.3

文獻標識碼：A

文章編號：1003-7543 （2019）02-0074-13

我國正處于快速的信息化時期，以手機和互聯網為代表的信息技術在農村日益普及。截至2017年12月，我國網民規模達7.72億，互聯網普及率達到55.8%，其中農村網民規模為2.09億，占比27.0%。國家“十三五”規劃綱要提出，寬帶網絡覆蓋90%以上貧困村的目標要提前完成。為解決小農戶與大市場對接中的信息不對稱問題，各級政府投入極大熱情，推進農村現代信息技術建設，填補城鄉“數字鴻溝”。國家先后組織實施了“互聯網”示范工程、新型農業經營主體信息化應用能力培訓、農民手機應用技能培訓等活動，以此提升農民信息化能力。

那么，手機和互聯網使用是否能夠顯著提高貧困地區農戶收入？對此問題的回答，理論界尚未形成一致性的看法。一些學者認為，互聯網信息技術具有信息傳輸的便捷性、覆蓋廣和滲透性強的特性，能夠減弱和消除市場信息在時空方面的障礙，節約交易成本，分享市場擴張成果，實現農民增收?；ヂ摼W信息技術使用能夠促進個體額外工資收入增加25%～30%[1]，積極促進個體找到合適工作[2]，增加非農就業概率[3]和創業機會[4]，能夠提高農業信息傳播速度和改善農戶收入結構，提升農民工福利水平[5]。但也有學者認為，隨著信息技術的發展，經濟發達地區與農村貧困地區之間、沿襲傳統農業生產的小農與新型農業經營主體之間、城鄉之間形成了一道更加難以逾越的數字鴻溝，且由于農村信息技術設施可接觸的機會欠缺和互聯網信息技術使用能力不足導致大多數生產者尤其是農村貧困地區的農戶未能在信息技術的幫助下分享到數字紅利以及促進其收入增加。Bon-fadelli研究發現，互聯網信息技術使用不利于弱勢群體貧困戶增收[6]。

隨著現代信息技術的發展，手機和互聯網使用的增收效應引起廣泛討論，但以往文獻無論在研究內容還是方法上都有進一步優化的余地。一是一些研究使用宏觀數據研究互聯網信息技術與收入之間的關系，運用微觀數據資料估計分析的尚不多見，專門針對貧困地區農村的實證研究就更加缺乏;二是在使用微觀數據考察互聯網信息技術使用對個體收入的影響研究中，沒有考慮個體互聯網信息技術使用的異質性，無法體現互聯網信息技術使用的增收效應在不同群體間的差異性;三是以往文獻主要集中在互聯網信息技術使用對工資性收入、經營性收入的影響，缺乏對農戶總收入、人均純收入、非農收入和農業收入構成的影響;四是關于互聯網信息技術使用增收效應的研究方法多數采用傳統線性回歸模型，忽略了樣本選擇存在差異性，可能存在高估或低估互聯網信息技術使用的增收效應。

基于此，本文利用2016年陜西省貧困縣793份農戶微觀數據，采用OLS回歸方法、Heckman兩階段回歸及傾向得分匹配方法，討論互聯網信息技術使用對農戶總收入、人均純收入、非農總收入和農業總收入的影響，并深入分析不同教育背景、年齡下互聯網信息技術使用對農戶不同收入結構增長群組的差異性，進而分析互聯網信息技術使用的作用機制。

一、互聯網信息技術使用對農戶收入的影響機制分析

互聯網信息技術使用對農戶增收的影響機制可歸納為四個方面。

第一，互聯網信息技術使用能夠直接降低農戶信息搜尋成本。在傳統的中間商交易方式下，農產品收購、售賣等交易環節眾多，另外中間收購商利用信息壟斷優勢壓制農產品收購價格，提升銷售價格，從而獲取高額利潤，損害農戶利益。而互聯網信息技術通過提供透明化的農產品信息，直接匹配買賣雙方，排斥中間商利潤價格差的盤剝，尤其是對農戶來說，互聯網信息化工具的使用對打破其低水平均衡、改善信息困境、提高信息獲取能力具有重要作用。互聯網信息技術是克服信息壁壘、促進農戶收入增加的有效手段。一方面，與沒有手機或未使用互聯網的農戶相比，使用手機或互聯網可顯著增加農戶在產品銷售和農資采購等方面的信息可得性，即信息化意味著農戶可獲得更為有利的信息，獲得最優的產品價格和經營利潤[7]。另一方面，互聯網信息技術使用能突破賣家和買家的時空限制，形成虛擬交易平臺，交易的信息和過往記錄能夠形成大數據，降低買家和賣家交易農產品的信息搜尋成本。

第二，互聯網信息技術使用具有較強的價格效應?，F代通信工具使用能夠顯著影響農產品價格。Goyal指出，印度在互聯網上提供價格信息和質量測試項目，該項目的推出導致當地大豆價格的上漲[8]。Jensen發現手機覆蓋提高了漁民的銷售價格并規避了漁民損失[9]。也有學者實證研究得出，手機覆蓋的推出降低了農場的價格波動程度[10]。在某種程度上，互聯網信息技術能夠影響農戶產品價格進而提升農戶收入。

第三，互聯網信息技術使用有利于拓展市場參與范圍。與傳統信息技術相比，手機或互聯網信息技術發展對農戶降低信息成本、克服信息壁壘具有明顯成效[11-12]，對農戶拓展市場參與范圍的影響更加顯著。一方面，互聯網信息技術使用作為一種特定的新型媒體，信息技術的擴散功能有助于改變農產品在產業鏈中的劣勢地位。農戶個體處在生產制造鏈的最低端，其通過使用互聯網信息技術實現營銷和售后的內部化，促進農產品由生產低端地位向高端營銷服務地位的延伸，改變農產品產業內部鏈條利潤分布不均衡狀態，增加了參與營銷服務環節的機會。另一方面，互聯網信息技術能夠促進農產品由省內向省外、國內向國際市場拓展，是連接不同市場的有利工具。互聯網使用連接到的市場規模越來越大，農戶連接到其他市場的機會也越來越多。銷售渠道拓展和市場范圍擴大為農戶提供了更多盈利機會。

第四，互聯網信息技術使用能有效提升人力資本。在信息經濟時代，以互聯網和手機為載體的技術創新層出不窮，由此出現了互聯網和手機偏向型技術進步態勢。若把互聯網和手機獲取信息資源以提升人力資本作為一種改進勞動生產率的技能，則意味著擁有更多以互聯網和手機為主要互聯網信息技術的資源渠道代表個體“技能”水平更高。而現實中，農戶使用互聯網信息技術能夠加強自身學習能力和技術水平，有利于提升農戶技能型人力資本。此外，農戶利用互聯網信息技術搜索相關的健康知識，使農戶更加注重鍛煉和保健，有利于保健型人力資本積累。無論哪種人力資本提升，都能提高農戶收入水平。

二、數據來源、描述性統計與研究方法

（一）數據來源

西北農林科技大學課題組于2016年8月組織15名研究生，專項調查陜西省集中連片區陜南片區旬陽縣、丹鳳縣和商南縣3個縣。樣本區貧困發生率為6.3%，貧困程度深，扶貧任務繁重，此地區具有比較典型的代表性。調查內容包括農戶基本情況、農戶是否使用互聯網信息技術及其不同收入支出構成等情況。調研采取隨機抽樣方法，對7個鎮27個村的800農戶進了問卷調查，剔除異常值和無效問卷，最終獲得有效問卷793份，問卷有效率為99.13%。

（二）描述性統計

在變量選擇上，本文使用調研前一年農戶總收入、人均年純收入、非農總收入和農業總收入作為結果變量，以是否使用互聯網信息技術為處理變量，選擇農戶戶主特征、家庭特征、村莊特征作為協變量，具體變量及描述性統計見表1（下頁）。

（三）模型說明

為了分析農戶使用互聯網信息技術對總收入、人均純收入的影響，較多研究采用最小二乘法（OLS）。收入方程如下：

本文同時分析農戶使用互聯網信息技術對家庭非農收入、農業收入的影響。貧困地區農戶不同的生計策略選擇及差異化的兼業行為導致農戶既有農業收入又有非農收入，而農戶獲得農業收入和非農收入行為可視為兩個過程：第一個過程是農戶選擇參與或不參與農業勞動、非農業勞動，即參與農業勞動、非農業勞動的決策過程;第二個過程是選擇參與農業勞動和非農業勞動的農戶進一步獲得的農業收入、非農收入，即參與農業勞動、非農業勞動的收入?？梢?，只有在觀測到農戶選擇參與農業勞動、非農業勞動時，才能進一步觀測到此部分農戶獲得的農業總收入、非農總收入的金額。因此，樣本選擇偏誤問題在本文中是存在的。為了解決這種選擇偏差，采用Heckman兩階段模型來分析互聯網信息技術使用對農戶農業總收入、非農總收入的影響。

Heckman兩階段模型涉及兩個方程.即選擇方程和結果方程，選擇方程采用Logit模型來估計農戶家庭是否參與農業勞動、非農業勞動，第二階段將第一階段通過選擇方程計算逆米爾斯比和是否參與農業勞動、非農業勞動及其他控制變量作為自變量，而農業收入和非農收入為因變量，通過OLS模型估計互聯網信息技術使用對農戶農業總收入和非農總收入的影響，具體公式如下：

貧困地區農戶使用互聯網信息技術不是一個隨機行為，也不是隨機分配的結果，而是農戶根據自身資源稟賦作出的選擇，是自選擇的結果。農戶是否使用互聯網信息技術不是外生變量，而是虛擬變量。因此，采用OLS來估計互聯網信息技術使用對家庭總收入、人均純收入的影響會產生白選擇導致的偏差問題。此外，農戶使用互聯網信息技術可能是由個人特征、家庭特征和村莊特征決定，而這些特征同時也會對農業總收入和非農總收入產生影響，這就導致在估計互聯網信息技術使用對農業總收入和非農總收入產生的影響時存在內生性問題，即農戶使用互聯網信息技術行為與農業總收入和非農總收入相關，也與誤差項相關。

因此，本文采用傾向得分匹配法來解決這種自選擇導致的偏差問題。Rosenbaum&Rubin于1983年提出通過構建反事實框架將非隨機數據近似隨機化[13]，即由于數據缺失在無法觀察到使用互聯網信息技術的農戶如果沒有使用互聯網信息技術的家庭收入，只能觀測到使用信息技術后的家庭收入，由此提出采用傾向得分作為農戶使用互聯網信息技術的概率。一般采用Logit模型根據影響農戶使用互聯網信息技術的特征計算每個家庭的傾向得分，就能在沒有使用互聯網信息技術的家庭中找到與使用互聯網信息技術家庭相似的對照組，構建一個近似隨機化的數據。根據Rosenbaum等的定義，處理者的平均效應為：

傾向得分匹配的匹配方法有多種，大部分不存在適用的絕對好方法，尤其在實證過程中，采用不同的匹配方法比較其匹配結果，如果得到匹配結果相似，說明結論是穩健的。而在本文中主要采用近鄰匹配、半徑匹配、核匹配、局部線性回歸匹配來進行具體匹配。

三、實證分析

（一）OLS回歸模型與Heckman兩階段回歸模型的估計結果

本文分別采用OLS與Heckman兩階段回歸模型估計互聯網信息技術使用對農戶收入效應的影響，結果如表2（下頁）所示。不難發現，OLS回歸結果的P值均通過了1%的顯著性檢驗，Heckman回歸模型中的逆米爾斯比均通過10%的顯著性檢驗?？梢?，本文采用OLS與Heckman兩階段回歸模型是合適的。

基于OLS模型估計互聯網信息技術使用對農戶總收入和人均純收入的收入效應，結果發現，農戶是否使用信息通信技術對其總收入和人均純收入均在1%的顯著性水平上產生正向顯著影響，使用互聯網信息技術的農戶比未使用互聯網信息技術的總收入和人均純收入分別高出23.4%、20.6%。同時，戶主年齡、戶主性別、是否有村干部、撫養系數比對農戶人均純收入產生顯著影響;每年通信總費用、通信技術使用便捷程度、村莊自然災害對農戶總收入產生顯著影響。基于Heckman兩階段回歸模型的估計結果如表2所示。在矯正農戶家庭參與農業勞動和非農業勞動選擇性偏差后，相比未使用互聯網信息技術的農戶，使用互聯網信息技術的農戶的非農總收入和農業總收入分別高22.3%和32%，且在1%的統計水平上顯著。此外，戶主年齡、戶主教育程度、戶主職業、村莊類型是顯著影響農戶參與農業勞動和非農業勞動的共同因素，而戶主性別、戶主職業顯著影響農戶非農收入，戶主性別、村莊類型、村莊地理特征顯著影響農戶農業收入。

（二）傾向得分匹配法的估計結果

采用傾向得分匹配的第一步是估計傾向得分，選擇匹配是關鍵，選擇變量必須同時影響農戶互聯網信息技術使用以及家庭收入，同時選擇變量也不會因為農戶使用互聯網信息技術而受到影響，因此本文選擇戶主年齡、戶主教育程度、戶主性別、戶主職業、是否有村干部、撫養系數比、男性勞動人數、家庭耕地面積、通信總費用、村莊類型、村莊地理特征、村莊自然災害作為匹配變量。本文使用Stata15.0軟件運行模型，方程估計結果如表3所示。表3顯著模型P值在1%水平上顯著，模型擬合度較好。

從表3可以看出，本文選組的協變量對農戶使用互聯網信息技術行為有顯著影響，其中戶主年齡、撫養系數比、村莊自然災害顯著負向影響農戶使用互聯網信息技術，戶主教育程度、男性勞動力人數顯著正向影響農戶使用互聯網信息技術，戶主性別、戶主職業、是否有村干部、家庭耕地面積、通信總費用、村莊類型和村莊地理特征對農戶使用互聯網信息技術不顯著。

（三）農戶使用互聯網信息技術對收入的影響

表4（下頁）給出了互聯網信息技術使用對農戶收入的處理效應估計結果。就農戶總收入而言，使用鄰近匹配法得到的處理組平均處理效應（ATT）為0.261，且在1%的水平上顯著。使用半徑匹配法、核匹配法和局部線性回歸匹配法得到ATT分別是0.262、0.244、0.261，且均在1%的水平上顯著。四種匹配方法結果相似，一定程度上反映了匹配結果的穩定性，同時說明在消除使用互聯網信息技術的家庭以及未使用互聯網信息技術家庭可觀測異質性導致的顯性偏差后，使用互聯網信息技術的家庭總收入比其如果未使用通信技術的家庭總收入高25.7%。相比OLS估計結果，收入效應增加了2.3%，說明傳統線性回歸模型沒有考慮選擇性偏差，低估了互聯網信息技術使用對農戶總收入的處理效應。就人均純收入而言，使用近鄰匹配、半徑匹配、核匹配、局部線性回歸匹配的處理組平均處理效應分別是0.197、0.196、0.206、0.201，且均在1%的統計水平上顯著。四種匹配方法的平均處理效應值和顯著性水平都類似，說明估計結果比較穩定，同時表明使用互聯網信息技術的農戶比其如果未使用互聯網信息技術農戶人均純收入高20%左右，比OLS回歸模型估計結果低0.6%。就非農總收入而言，使用近鄰匹配、半徑匹配、核匹配、局部線性回歸匹配的處理組平均處理效應分別是0.245、0.233、0.231、0.230，且均在1%的統計水平上顯著，四種匹配方法的平均處理效應值和顯著性水平都類似，說明估計結果比較穩定，同時表明使用互聯網信息技術的農戶比其如果未使用互聯網信息技術時農戶非農總收入高23.5%.比Heckman回歸模型估計結果高1.2%。就農業總收入而言，使用近鄰匹配、半徑匹配、核匹配、局部線性回歸匹配的處理組平均處理效應分別是0.314、0.295、0.291、0.284.且均在1%的統計水平上顯著.四種匹配方法的平均處理效應值和顯著性水平都類似.說明估計結果比較穩定，同時表明使用互聯網信息技術的農戶比其如果未使用互聯網信息技術農戶農業總收入高29.6%。

（四）不同方法估計出的互聯網信息技術使用對農戶收入影響的差異分析

從表5可以看出，OLS回歸模型的估計結果表明，使用互聯網信息技術的農戶比其如果未使用互聯網信息技術的農戶總收入、人均純收入高23.4%、20.6%.相比傾向得分匹配估計結果，OLS估計回歸結果總收入增收效應低估2.3%;平均純收入增收效應高估0.6%。

Heckman回歸模型的估計結果表明.使用互聯網信息技術的農戶比其如果未使用互聯網信息技術的農戶非農總收入和農業總收入高22.3%、32.0%。雖然使用Heckman方法修正了不同選擇性偏差，估計的收入效應也不相同，嚴格意義上結果不具有可比性，但使用Heckman方法與傾向得分匹配法的結果表明在修正了選擇性偏差后，使用互聯網信息技術對農戶家庭非農總收入和農業總收入有較高的顯著正向效應。相比傾向得分匹配估計結果，Heckman回歸結果得到的非農總收入增收效應低估1.2%;農業總收入增收效應高估2.4%。

（五）匹配的平衡性檢驗

為了保證傾向得分匹配的估計質量，需要對四種匹配方法作出平衡性檢驗，以檢驗匹配后處理組與控制組農戶之間解釋變量是否存在系統差別，結果如表6（下頁）所示。四種方法匹配后，Pseudo R2的值都幾乎為零，LR ch12似然比檢驗匹配前在1%水平上顯著被拒絕，而匹配后都未被拒絕，標準偏差均值（Mean Bias）和標準偏差中位數（MedBias）都大幅下降，并且四種匹配方法匹配后的B值均小于25%。由此可以推斷，經過傾向得分匹配最大限度降低了處理組與控制組的可觀測變量顯性偏差，通過了平衡性檢驗，表明傾向得分估計和樣本匹配是成功的。

四、拓展性研究

（一）分群估計

上文已經考察互聯網信息技術使用對農戶不同收入構成的影響，并得到了互聯網信息技術使用有助于提升農戶收入的結論。但上述結論只是全樣本層面的平均效應，并沒有考慮不同農戶群體教育程度、年齡之間的差異。為此，此部分考察不同教育程度、不同年齡階段農戶使用互聯網信息技術對其收入影響的異質性，估計結果如表7所示。

分教育樣本來看，教育年限大于6年的樣本使用近鄰匹配法、半徑匹配法、核匹配法和局部線性回歸匹配法，得到農戶總收入效應分別是0.338、0.351、0.360、0.366，分別1%、1%、1%、5%的水平上顯著。同理，農戶人均純收入效應分別是0.250、0.234、0.260、0.252，分別在1%、1%、1%和5%的水平上顯著;農戶非農總收入效應分別是0.329、0.301、0.315、0.288，分別在1%、1%、1%、5%的水平上顯著;農戶農業總收入效應分別是0.372、0.344、0.352、0.366，分別在1%、1%、1%、5%的水平上顯著。教育年限小于6年的樣本使用近鄰匹配法、半徑匹配法、核匹配法和局部線性回歸匹配法得到農戶總收入ATT不顯著。教育年限大于6年的樣本農戶總收入、人均純收入、非農總收入和農業總收入的收入效應均大于教育年限小于6年的樣本農戶收入效應，說明相比受教育程度較低的農戶而言，教育程度較高的農戶使用互聯網信息技術帶來的收入效應更為明顯，可能的解釋是教育程度較高的農戶獲取和利用互聯網信息技術資源的能力較強，且擁有的信息資源的質量也較高，因此能夠獲得更高的互聯網信息技術使用的收入回報。

分年齡樣本來看，年齡小于50歲的樣本使用近鄰匹配法、半徑匹配法、核匹配法和局部線性回歸匹配法得到農戶總收入效應顯著為正，分別為0.346、0.490、0.419、0.464，而相比年齡大于50歲的樣本，農戶總收入效應不顯著，說明使用互聯網信息技術帶來的總收入效應對年齡小的農戶更加顯著。但年齡大于50歲的樣本使用近鄰匹配法、半徑匹配法、核匹配法和局部線性回歸匹配法得到農戶人均純收入、非農總收入、農業總收入的平均處理效應均值分別為0.280、0.323、0.354，均高于年齡小于50歲樣本農戶的收入效應，說明農戶互聯網信息技術使用帶來的人均純收入、非農總收入、農業總收入的平均處理效應對年齡大于50歲的樣本農戶更加顯著。分年齡段的差異分析顯示：互聯網信息技術使用對年齡較小農戶的總收入促進效應顯著高于年齡較大者，但其帶來的人均純收入、非農總收入、農業總收入的正向效應對年齡較大者作用比較明顯，不論如何，互聯網信息技術使用對不同年齡農戶收入構成具有顯著的促進作用。

（二）作用機制分析

實證檢驗發現，互聯網信息技術使用對農戶不同收入構成存在顯著的正向影響，那么促進農戶增收的具體機制是什么呢？互聯網信息技術使用可能從四方面影響農戶收入：一是互聯網信息技術使用能夠豐富信息獲取渠道.幫助農戶及時把握市場動態，增加收入所需的各種技能并且降低交易成本;二是互聯網信息技術使用通過提供市場消費的路徑、促進農產品價格提升，從而促進農戶積極獲取不同收入;三是互聯網信息技術使用能夠維持和提升人力資本，增強農戶體魄;四是互聯網信息技術使用能夠拓展市場范圍，進而增加農戶收入。

本文用使用互聯網信息技術“對信息搜尋的容易度”“對農產品價格的討價還價能力”“對農產品價格波動程度的知曉度”“對買賣雙方交易的滿意程度”作為交易成本指標，用因子分析提取公因子：價格效應用“您使用互聯網信息技術對獲取農產品市場價格信息的容易程度”表征，“非常不容易”取值為1.“不容易”取值為2.“一般”取值為3.“容易”取值為4.“非常容易”取值為5;使用互聯網信息技術對獲取健康知識的容易程度作為家庭人力資本的代理變量;用農產品銷售市場范圍作為市場范圍的代理變量，“省內市場”取值為0，“省外市場”取值為1。

表8（下頁）顯示了互聯網信息技術使用對信息搜尋成本、較強的價格效應、拓展市場參與范圍、提升人力資本的影響。從表8第1列可以看出，互聯網信息技術使用確實降低了農戶交易成本;從表8第2列可以看出，互聯網信息技術使用對農產品價格的影響在1%的水平上顯著為正，說明通信技術使用能正向影響農產品價格;從表8第3列可以看出，互聯網信息技術使用能夠增加農戶人力資本存量;從表8第4列可以看出，通信技術使用能增加市場范圍，可能是互聯網信息技術使用能夠提供較多的市場信息資源，降低市場進入壁壘，從而拓展市場范圍。

五、研究結論與政策建議

本文利用2016年陜西省貧困縣793份農戶微觀數據，采用OLS回歸方法、Heckman兩階段回歸及傾向得分匹配方法（PSM）分析了互聯網信息技術使用對農戶總收入、人均純收入、非農總收入和農業總收入的影響效應及群體異質性和作用機制。

第一，運用傳統的線性回歸方法、Heckman兩階段回歸及傾向得分匹配方法（PSM）的實證結果表明，使用互聯網信息技術對農戶收入來源構成有顯著促進作用，主要對總收入和農業收入的貢獻較大，而對人均純收入、非農總收入的影響有限。其中，戶主年齡、撫養系數比、村莊自然災害顯著負向影響農戶使用互聯網信息技術，戶主教育程度、男性勞動力人數顯著正向影響農戶使用互聯網信息技術。

第二，OLS回歸結果表明，使用互聯網信息技術的農戶總收入和人均純收入比未使用互聯網信息技術的分別高出 23.4%、20.6%。Heckman兩階段回歸模型在矯正農戶家庭參與非農業勞動和農業勞動選擇性偏差后，表明使用互聯網信息技術的農戶的非農業總收入和農業收入比未使用互聯網信息技術的農戶分別高出22.3%和32%。傾向得分匹配考慮農戶使用互聯網信息技術異質性的情形，估計出使用互聯網信息技術的農戶比如果未使用互聯網信息技術農戶的總收入、人均純收入、非農總收入和農業收入效應分別高25.7%、20.0%、23.5%、29.6%。與傾向得分匹配估計方法比較可知，運用OLS回歸低估了互聯網信息技術使用對農戶總收入增收效應的2.3%，而高估了人均純收入增收效應的0.6%;運用Heckman模型則低估了互聯網信息技術使用對非農總收入增收效應的1.2%，但高估了農業總收入增收效應的2.4%。

第三，互聯網信息技術使用對農戶收入增長效應不會是同質、等量狀態，因農戶資本稟賦存在差異性，農戶內部必然出現互聯網信息技術使用增收效應的差異。受教育程度在6年以上的農戶互聯網信息技術使用的增收效應大于受教育程度在6年以下的農戶;互聯網信息技術使用僅對年齡為50歲以下的農戶的總收入更為顯著，但其對年齡在50歲以上的農戶的人均純收入、非農總收入、農業總收入的平均處理效應更為顯著。

第四，互聯網信息技術使用通過降低信息搜尋成本、形成較強的價格效應、拓展市場參與范圍和提升人力資本等四種機制促進農戶增收。

通過上述結論，提出如下建議：

第一，加快農村貧困地區通信技術設施建設，拓寬增收渠道。鑒于互聯網信息技術使用對農戶收入增加具有正向效應，政府需要增加農村互聯網信息技術設施投資，消除農村貧困地區因數字鴻溝造成的“信息落差”“知識分割”“貧富分化”等問題;努力提升互聯網信息技術供給能力，降低以手機、互聯網為代表的互聯網信息技術使用費率，提升上網速度，尤其要加快農村貧困地區光纖寬帶網絡、光纖到戶和無線基站建設，與此同時要為農村貧困地區提供快捷、網絡性能更穩定及優質低價的網絡傳輸存儲服務[14]，以改善農村地區互聯網基礎設施落后的局面。要大力推廣“互聯網+農業”計劃.促進互聯網信息技術使用與農業實體經濟深度融合，構建更加先進、方便、實惠的經營體系和網絡銷售平臺，以拓寬農戶增收渠道。

第二，實施差異化的互聯網信息技術培訓.提升農戶信息獲取能力。我國農戶接受教育水平相對較低且年齡較大，導致其在使用互聯網信息技術等實際操作中有效接受和辨識信息的能力較弱。因此，針對不同年齡和教育水平的農戶，應實施差異化的互聯網信息技術推廣與應用措施。一方面，在互聯網信息技術使用教育分層中，互聯網信息技術使用對學歷在小學以上的農戶的收入帶動作用更大，因此要將互聯網信息技術應用瞄準具有一定教育水平的農戶，針對接受過九年義務教育的農戶，積極引導并培養其獲取優質信息的意識，利用互聯網信息技術更大程度地提升此類農戶收入。另一方面，要重視低文化素質農戶，普及此類農戶九年義務教育，同時政府對此類農戶要實施多樣化的互聯網信息技術培訓模式，并鼓勵具有血緣、地緣關系的農戶之間進行互聯網信息技術交流，以提升此類農戶的信息獲取能力。增加互聯網信息技術資源收入回報率。同時，不同年齡段農戶互聯網信息技術增收效果具有顯著差異性。針對不同年齡群體，要實現多方合力支持互聯網信息技術推廣，以縮小不同年齡群體之間的數字紅利差距。一方面，針對年齡較大且信息接收能力較弱的農戶有必要進行“一對一”專人輔導互聯網信息技術使用的知識和實際操作步驟，提升其互聯網信息技術基本知識及相關的基本技術技能，防止老齡化帶來的收入下降問題。另一方面，年齡較小且信息接收能力較強的農戶可以通過網絡慕課學習等方式積極主動地學習金融基礎知識[15]，了解市場銷售渠道信息。

第三，充分挖掘互聯網信息技術的能動效用機制。為促使農戶有效使用互聯網，有必要完善互聯網基礎設施及其配套設施，通過互聯網信息技術推動農村經濟社會的發展。充分發揮互聯網信息技術對降低農戶市場信息搜尋成本的作用，提升互聯網信息技術“點對點”“面對面”信息平臺的共享程度。農戶應積極利用互聯網信息技術，通過線上線下農產品商品交易、進行支付結算及社會往來等形式融人數字社會[16]，積累自身的互聯網無形信用資產，降低農戶潛在交易成本。鼓勵農戶利用市場公共信息資源，充分發揮微信等新媒體運營商信息終端普及率高的優勢，積極拓展農產品交易市場參與范圍，提高互聯網信息技術的覆蓋率和使用的回收率。與此同時，要充分利用互聯網為貧困地區農村家庭提供的提升人力資本的健康知識，打造農村互聯網健康生態信息平臺。

參考文獻

[1] FELDMAN D C，KLA AS B S.Internet job hunt-ing： a field study of applicant experience withon-line recruiting[J]. Human Resource Man-agement， 2002， 41（2）： 175-192.

[2]馬俊龍，寧光杰.互聯網與中國農村勞動力非農就業[J].財經科學，2017（7）：50-63.

[3]周洋，華語音.互聯網與農村家庭創業：基于CFPS數據的實證分析[J].農業技術經濟，2017（5）：111-119.

[4]黃昊，舒何軍.新媒體、社會資本與農民工的工作搜尋——基于長三角四市的調查分析[J].南京農業大學學報（社會科學版），2018 （1）：161-162.

[5]BONFADELLI H.The internet and knowledgegaps：a theoretical and empirical investigation[J]. European Joumal of Communication，2002，17（1）： 65-84。

[6]侯建昀，霍學喜.信息化能促進農戶的市場參與嗎？——來自中國蘋果主產區的微觀證據[J].財經研究，2017（1）：134-144.

[7]APARAJITA G.Information， direct access tofarmers， and rural market performance incentral India[J].American Economic， Journal：Applied Economics， 2010， 2（3）： 22-45.

[8]ROBERT， J. The digital provide： information（technology）， market performance and welfarein the south India fisheries sector[J]. The Quar-terly Joumal of Economics， 2007， 122 （3）：879-924.

[9]KYEONG H L， BELLEMARE M F. Lookwho's talking： the impacts of the intrahouse-hold allocation of mobile phones on agricul-tural prices [J]. Joumal of Development Studies，2013， 49（5）： 624-640.

[10]jOHN， J， CHARLES M， EMILY O. Transactioncosts and smallholder farmers' participationin banana markets in the Great Lakes Regionof Burundi， Rwanda and the Democratic， Re-public of Congo[J]. Africa Joumal of Agricul-tural Economics， 2010， 6（1）： 302-317.

[11]PAMPHILE K D. Transaction costs in thetrading system of cashew nuts in the northof Benin： a field study[J]. American Journalof Economics and Sociology， 2012， 71 （2）：277-297.

[12]馬奔，溫亞利.生態旅游對農戶家庭收入影響研究——基于傾向得分匹配法的實證分析[J].中國人口·資源與環境，2016 （10）：152-160.

[13]ROSENBAUM P R，RUBIN D B.The centralrole of the propensity score in observationalstudies for causal effects[Jl. Biometrika， 1983，70（1）： 41-55.

[14]杜振華.“互聯網+”背景的信息基礎設施建設愿景[J].改革，2015 （10）：113-120.

[15]胡金焱，李建文.“雙創”背景的新型金融模式：解構P2P網絡借貸[J].改革，2018 （3）：74-89.

[16]來有為，王開前.中國跨境電子商務發展形態、障礙性因素及其下一步[J].改革，2014（5）：68-74.