新型数字基础设施、零工就业与空间溢出效应

张 艺，李秀敏

（广东工业大学经济与贸易学院，广东 广州 510520）

一、引言

新型数字基础设施，又被称为新型基础设施。2018年12月，中央经济工作会议把5G、人工智能、工业互联网、物联网定义为“新型基础设施建设”，随后“加强新型基础设施建设”被列入2019年国务院政府工作报告中的重点工作任务[1]。2020年3月4日，中共中央政治局常务委员会会议要求加快在5G、大数据中心、人工智能、工业互联网等新型基础设施领域的相关项目投资[2]。2022年4月15日，国家发展和改革委员会强调，要为民企参与新型基础设施建设创造更多有利条件[3]。2022年1月，国务院印发《“十四五”数字经济发展规划》指出，为促进传统产业数字化、智能化升级，需要加快建设智能敏捷、安全可控的新型数字基础设施。新型数字基础设施为平台经济提供了发展引擎，平台经济依托于云、网、端等数字基础设施，利用新型数字基础设施提供的人工智能、大数据分析、区块链等技术匹配供求、传输信息，创造出大量的零工就业岗位。

新型数字基础设施为平台经济提供了技术平台，平台企业关联上下游众多的产业，创造了大量的就业机会，包括商业营销、商业培训、物流、支付等相关行业，促使就业模式发生从线下到线上、从固定到灵活的转变，创造出大量的新型零工就业岗位。零工就业是基于数字平台匹配的新型工作模式[4-5]，具有进入门槛低、工作方式和地点灵活、职业种类丰富、按任务付费等特征。国家统计局2021年的数据显示，我国灵活就业人员规模已超两亿人[6]。以4G 和5G 网络基站为代表的新型数字基础设施极大地降低了信息传播和获取的成本。受益于新型数字基础设施所带来的技术进步[7]，平台经济的发展催生出大量的零工就业岗位。如图1所示，新型数字基础设施提供三种层次的基础设施：融合应用层、存储计算层和网络通信层。这些新型数字基础设施提供的工业互联网、人工智能、大数据分析、云计算、区块链等数字技术成为平台经济的发展基础，创造出各种新型零工就业岗位。例如，电商平台、支付平台、网约车平台、外卖平台等平台企业均催生出大量的零工需求，包括网约车司机、外卖骑手和快递员等新岗位。从是否应用数字技术的角度，零工就业岗位可以分为与数字技术相关的研发岗位、数字技术应用岗位、数字内容创作岗位，以及不涉及数字技术的传统岗位数字化。

图1 新型数字基础设施对零工就业的影响

已有研究比较了不同基础设施对就业的影响。吉瓦塔纳库派萨（Jiwattanakulpaisarn）等[8]对1984年至1997年美国48个州的研究发现，交通基础设施对就业具有促进作用，增加公路里程数可以促进当地服务业的就业增长。佩雷拉（Pereira）等[9]比较了12种不同基础设施对就业的影响，发现信息通信基础设施对就业的促进作用仅次于交通基础设施（港口和机场、公路）。但信息通信基础设施对就业的影响机制与交通基础设施不完全相同，交通基础设施通过提高交通的可达性吸引企业投资、增加企业数量，从而提高就业需求和劳动生产率[10]，而信息通信基础设施通过降低企业的生产成本和销售价格[11]，并促使企业以资本替代劳动，从而将劳动力转移出制造业，提高服务业的相对就业需求[12]。

已有研究主要集中在交通基础设施和信息通信基础设施等传统基础设施，对于日益重要的新型数字基础设施研究存在明显不足。福希（Ndubuisi）等[13]探讨了1996—2017年撒哈拉以南非洲45个国家的信息通信基础设施对当地服务业就业的影响，他们使用固定宽带使用人数、固定电话使用人数、移动电话使用人数作为信息通信基础设施指标，发现信息通信基础设施指数每提高1个百分点，服务业就业比重就上升0.08%。洪邦农（Houngbonon）等[14]发现，法国乡镇高速宽带网络的接入可以显著提高当地的工资水平，并且降低收入不平等程度。这一结论与已有关于信息通信技术（ICT）能显著提高收入水平的研究结论一致[15]。孙伟增等[16]使用我国4G 通信基站数量来研究信息通信基础设施对企业就业需求和就业结构的影响，发现信息通信基础设施可以增加企业对劳动力的需求。

数字基础设施可以提高当地的工资水平。而新型数字基础设施可以促进数字技术的提高，并与传统业务结合，产生新的就业需求，这部分新型就业需求很大一部分与新兴的零工就业岗位相关。新型数字基础设施是数字技术得以应用的基础，数字技术催生的平台经济创造了大量的零工就业需求，包括高技能的数字技术研发与应用、数字内容创作等岗位，以及低技能的传统岗位，如家政、快递等，这两种零工就业岗位的相对需求和工资都将上升。米歇尔（Michaels）等[17]利用1980年至2004年美国、日本和9个欧洲国家的数据，发现对信息通信技术投资更多的行业对高技能劳动力的需求更高。

已有研究的不足之处主要体现在三方面：一是研究对象主要集中于正规就业，缺乏对零工就业的研究。新型数字基础设施通过平台经济创造了大量的零工就业岗位，其对零工就业的影响愈发重要；二是主要采用固定电话、互联网、通信技术和4G 基站等指标来衡量信息通信基础设施，缺乏包括大数据、云计算、人工智能等新型数字技术的综合指标；三是未关注数字基础设施的空间溢出效应，新型数字基础设施具有公共品属性，其对零工就业的影响不仅限于本地，且对周边地区具有空间溢出效应。

本文的边际贡献在于：在理论上，从数字技术促进就业需求的视角揭示新型数字基础设施对零工就业工资的溢价机制，而已有关于工资溢价的研究大多基于城市规模所带来集聚经济的角度。在数据上，将2020年至2021年中国城市的网络零工招聘大数据与城市特征数据进行匹配，采用多维度指标构建了新型数字基础设施指数。在实证上，构建决定零工工资的空间计量模型，检验了新型数字基础设施对零工就业工资的直接效应和间接效应。在政策上，定量测算新型数字基础设施的空间溢出效应，为政府科学评估新型数字基础设施建设的成本与收益提供理论参考。

二、理论分析与研究假设

新型数字基础设施可以大幅度降低数字技术的使用成本，数字技术的推广可以大量替代常规业务（Routine Tasks）或“可编码”业务，导致非常规业务（Non-routine Tasks）的相对需求增加[18]。当数字信息传输、储存与运算的成本下降时，完成非常规业务的就业需求会增加[19]。根据奥托（Autor）等[20]的分类，数字技术可以替代常规业务但无法替代非常规业务，非常规业务分为两类：抽象业务和体力业务。抽象业务需要劳动者具有对问题的洞察和思考能力、说服力以及创造力。抽象业务与零工就业中的数字技术研发与应用、数字内容创作等岗位相关。体力业务是指需要情境适应性、视觉和语言识别以及面对面互动的体力活动，在城市复杂交通环境中驾驶车辆和行走、准备饭菜、投送货物、保洁与照顾他人的活动都是非常规体力业务。正如奥托等[20]强调的，非常规体力业务尤其适用于餐饮、快递、清洁和保姆等岗位，因为这些岗位需要劳动者具有人际和环境适应能力，这些能力是目前数字技术无法替代的。

新型数字基础设施建设促进数字技术发展，增加对非常规业务的需求，刺激零工就业岗位（如快递员、外卖员、网络主播、自媒体从业者等）的兴起。快递员和外卖员需要具备与人沟通以及与环境相适应的非常规体力要求，网络主播及其他自媒体从业者则需要语言表达和分析问题的非常规抽象能力。新型数字基础设施所提供的网络平台为零工就业需求和劳动力的匹配提供了便利，既促进了对零工就业需求的增长，又降低了零工就业的搜寻和匹配成本。据此，本文提出以下研究假设：

H1：新型数字基础设施通过提高零工就业需求提升工资水平。

新型数字基础设施对零工工资存在空间溢出效应。新型数字基础设施可以降低信息传输成本，促进知识和信息的传播，提高不同区域知识和信息的可达性，实现区域间的技术外溢[21-22]。新型数字基础设施的空间溢出效应本质上反映的是数字技术与信息服务的空间溢出效应，意味着邻近区域只要可以接入当地的数字信息网络，就可以享受新型数字基础设施所创造的基础设施溢出效应。这与交通基础设施和研发要素投入的空间溢出效应相似。张光南等[23]发现，交通基础设施的空间溢出效应能够降低周边地区制造业的平均生产成本和边际成本，且对周边地区的空间溢出效应比本地区的直接效应更大。白俊红等[24]研究了研发要素的空间流动，发现研发要素的空间流动会导致知识的创新与扩散，对周边地区的收入增长产生空间溢出效应。

新型数字基础设施对零工工资的空间溢出效应随着距离增加而减弱。已有研究发现，基础设施的空间溢出效应普遍存在随距离衰减的现象[25]。索比拉尔斯基（Sobieralski）[26]考察了1990年至2018年美国11 个大都市统计区域的不同交通基础设施投资对就业的影响，发现公路基础设施对就业数量和工资有正向作用，且对邻近地区的空间溢出效应存在随距离衰减现象。覃成林等[27]研究先富地区对周边地区经济增长的空间溢出效应，发现先富地区对周边地区的溢出效应随着距离而减弱，溢出效应仅限于先富地区周边390公里内。而新型数字基础设施虽然不同于传统基础设施，但数字信息服务质量也会随距离而衰减，距离城市新型数字基础服务设施越远的地区，所能享受的数字技术服务就越差。如果城市不发展本地新型数字基础设施，仅依赖其他地区新型数字基础设施的空间溢出效应，其所获取的数字技术服务质量必然随着距离的增大而下降。这与传统基础设施的溢出效应特征没有本质区别。例如，吉布森（Gibson）等[28]发现，印度尼西亚的基础设施对农户就业和收入的溢出效应取决于当地道路和电力基础设施的质量，如果当地基础设施很差，则其溢出效应并不显著。因此，新型数字基础设施所创造的零工就业需求受地理距离的约束，地理距离增大会降低对相关零工就业的需求，因为就业人员的流动必然产生迁移成本，距离越大，成本越高。而且，零工就业主要属于服务业，无法远距离运输。据此，本文提出以下研究假设：

H2：新型数字基础设施对零工工资产生空间溢出效应，并且溢出效应随着距离增大而衰减。

三、研究设计

（一）计量模型的设定

本文使用网络零工招聘大数据考察新型数字基础设施对零工工资的影响。被解释变量是零工招聘的工资，核心解释变量是零工所在城市的新型数字基础设施水平。在明瑟（Mincer）工资决定模型基础上，增加新型数字基础设施变量，参考梁文泉等[29]的回归模型，模型（1）设定如下：

其中，i表示零工招聘信息所在的城市，j表示该城市的某条零工招聘信息，t表示发布零工招聘的日期。被解释变量ln（Eijt）代表零工工资水平；Digitalit表示所在i城市的新型数字基础设施指数，反映城市新型数字基础设施的综合发展水平；系数β1反映新型数字基础设施对零工工资的影响。控制变量是与新型数字基础设施相关且影响零工工资的城市特征变量（Cityit），具体包括在岗职工平均工资水平、市辖区平均人口、市辖区第三产业与第二产业比重，以及地方一般公共预算收支比。为缓解零工工资对城市层面指标的反向因果影响导致的内生性问题，采用滞后一年的城市特征变量。

为减少遗漏变量偏误问题，以φst来代表省份固定效应乘以年份固定效应的交互项，用以控制省份固定效应以及其随年份变化的固定效应。同时，由于零工工资受不同月份的用工需求影响，模型（1）中加入月份的固定效应γt。对于误差项的选择，考虑到在同一省份内不同城市的零工工资与新型数字基础设施之间存在相关性，因此将标准误εijt设为省份层面的聚类标准误。

在模型（1）的基础上，考虑新型数字基础设施具有空间溢出效应，本文建立空间计量模型考察新型数字基础设施的空间溢出效应。空间计量模型的建立过程为从普通最小二乘回归方程（OLS）出发，通过添加不同的空间滞后项形成更一般的空间计量模型。目前，学者普遍采用这种从简单到复杂的建模思路，弗洛科思（Florax）等[30]和埃洛斯特（Elhorst）[31]认为这种方法可以有效避免过度拟合的问题。

本文采用从简单到复杂的空间建模思路，首先将OLS 模型扩展成三种简单的空间计量模型，即空间自回归模型（Spatial Autoregressive Model，SAR）、空间误差模型（Spatial Error Model，SEM）和广义空间自回归模型（Spatial Autocorrelation Model，SAC），但这三个模型忽略了自变量的空间滞后项，易造成模型设定偏误问题。因此，本文进一步加入自变量的空间滞后项，将空间滞后模型和空间误差模型扩展成空间杜宾模型（SDM）和空间杜宾误差模型（SDEM）。莱萨（LeSage）等[32]认为，空间杜宾模型与空间杜宾误差模型比其他模型更有优势，不易出现严重的遗漏变量偏误问题，即使数据生成过程是一般嵌套空间模型（GNS），空间杜宾模型和空间杜宾误差模型也可以得到一致的估计。空间杜宾模型和空间杜宾误差模型可以更好地刻画本研究问题中的空间相关性来源。在本研究中，空间相关性主要来源于两方面：一是零工在区域劳动力市场流动形成的工资均衡，二是新型数字基础设施对邻近地区零工工资的空间溢出效应。因此，空间杜宾模型和空间杜宾误差模型比较适合描述本文的研究问题。

空间计量模型的具体建模过程如下：首先，将城市层面的零工平均工资作为因变量、新型数字基础设施指数作为核心自变量，加入影响零工就业的其他控制变量，构建模型（2）所示的未加空间滞后项的OLS回归方程：

其中，ln（Ei）代表i城市的零工平均工资，零工平均工资为城市的零工工资均值。在机制讨论部分，将因变量替换成零工岗位需求量，以城市中所有企业发布的零工招聘岗位总数代表。Digitali是指所在i城市的新型数字基础设施指数，系数β1反映了核心解释变量新型数字基础设施对零工就业工资影响。Cityi代表一系列影响零工就业的城市特征变量，包括城市在岗职工平均工资、城市平均人口、城市产业结构和城市一般公共预算收支比。考虑到不同城市工资水平存在异方差，将标准误εi设为异方差稳健标准误。

模型（2）没有考虑变量存在的空间依赖性，如果模型（2）的误差值存在空间依赖性，就会导致估计的不一致。因此，需要检查误差值是否存在空间相关性。安塞林（Anselin）等[33]认为，基于OLS模型残差项而构建的拉格朗日乘子检验方法（Lagrange Multiplier Test）（以下简称“LM检验”），可用于判断误差项的空间依赖性来源。

表1显示了针对零工工资和零工岗位作为因变量的模型（2）误差项的LM 检验结果，分别采用LM-Error、LM-Lag、Robust LM-Error、Robust LMLag4个统计量检验OLS的误差项。如果误差项与因变量存在空间相关，则LM-Lag与Robust LM-lag的检验结果是显著的，应选择空间滞后模型；如果误差项自身存在空间相关，则LM-Error和Robust LM-Error的检验结果是显著的，应采用空间误差模型。

表1 空间模型的LM检验结果

在LM检验中，无论是对零工工资还是对零工岗位，LM-Error和LM-Lag的检验结果均显著，说明需要在模型（2）基础上加入因变量的空间滞后项，构成模型（3）空间自回归模型；或者在模型（2）误差项加入空间滞后项，构成空间误差模型，即模型（4）；或者在模型（2）中同时加入因变量和误差项的空间滞后项，构成广义空间自回归模型，如模型（5）所示。这三个模型中，Wln（Ei）代表因变量的空间滞后项，Wεi代表误差项的空间滞后项，vi代表误差项εi对其空间滞后项Wεi回归产生的新误差值。这三个模型中控制变量的设定与OLS模型（1）一致。W表示空间权重矩阵，该矩阵的选择对空间计量模型的估计至关重要，但其设定不存在最优方法[33-34]。本文基准回归使用逆距离地理空间权重矩阵。为保证检验结果的稳健性，在后面的稳健性检验中，将使用地理空间权重矩阵、经济空间权重矩阵、地理与经济结合的空间权重矩阵分析回归结果对不同空间权重矩阵的敏感程度。ρ是因变量的空间滞后项估计参数，λ是误差项的空间滞后项的估计参数。

由于所有LM检验都拒绝原假设，无法判断是使用空间自回归模型还是空间误差模型。埃洛斯特[34]认为，这种情况下的空间自回归模型和空间误差模型可能存在遗漏变量偏误问题，曼斯基（Manski）[35]进一步指出空间自回归模型和空间误差模型存在偏误原因是遗漏了自变量的空间滞后项。因此，需要在广义空间自回归模型和空间误差模型中加入自变量的空间滞后项WDigitaliθ，分别构成模型（6）空间杜宾模型和模型（7）空间杜宾误差模型。其中θ是自变量的空间滞后项的估计参数。本文采用空间杜宾模型和空间杜宾误差模型作为基准空间计量模型。

（二）数据来源与变量测度

模型中的核心变量零工工资和新型数字基础设施需要构建测量指标。零工就业工资数据获取存在困难，目前国内没有专门针对零工就业的微观调查数据①，国外相关研究广泛使用互联网招聘数据[36]，本研究以互联网兼职招聘平台的大数据构建零工就业指标。零工招聘大数据来源于58同城招聘网的兼职招聘数据。该数据覆盖了全国所有地级市，代表性强且数据量大，可以真实反映零工就业的特征。数据整理的过程为：首先，根据中国城市统计年鉴中地级市的城市名，匹配对应城市的兼职招聘网址，收集该城市的兼职招聘数据，包括兼职的职位、工作内容、地点、公司、工资、结算方式、职位发布时间。兼职信息的发布时间为2020年3月5日至2021年3月5日。零工招聘的工资结算方式包括日工资、小时工资、次工资、面议工资四种形式。由于零工的工作时间灵活，无法用固定工作时间的标准将不同结算方式的工资水平进行转化，为避免测量误差，仅使用出现频率最高的日工资作为零工工资。

为衡量不同城市的新型数字基础设施水平，本文构建了新型数字基础设施指数。该指数主要借鉴两方面的文献：第一，在构建方法上，借鉴赵涛等[37]的城市数字经济指数的构建方法；第二，在指标选取方面，参考2014年建立的欧盟数字经济与社会指数（DESI）和2017年经济合作与发展组织（OECD）发布的投资智能化基础设施指标体系[38]。本文以互联网宽带接入用户数、计算机服务和软件业从业人员占城镇单位从业人员比重、人均电信业务总量、每百人移动电话用户数、数字中国指数共5 项指标来衡量城市新型数字基础设施，前4项数据可从中国城市统计年鉴中获得，数字中国指数采用腾讯研究院《数字中国指数报告》中的数据。数字中国指数被已有研究广泛采用[39]，它综合了各城市云计算、大数据储存与计算能力、移动支付、数字产业、物联网与数字政务等相关数据，能够反映城市总体数字基础设施水平。该指数通过主成分分析方法获得。

最后，根据招聘城市名称匹配零工就业工资和新型数字基础设施指数，再从《中国城市统计年鉴—2020》中匹配相应城市的统计指标，包括经济发展、产业结构、就业信息、基础设施、人口增长和其他城市特征指标。在考虑统计年鉴数据中的缺失数值后，最终保留262 座城市的561 056 个有效样本。关于变量的具体说明如表2所示。

表2 变量说明

（三）内生性问题与工具变量

本文考察新型数字基础设施对零工就业工资的影响，在回归模型中加入影响零工工资水平的城市控制变量和一系列不可观测的固定效应，但仍不能完全解决内生性问题。新型数字基础设施对零工就业工资的回归还可能存在以下内生性来源：第一，遗漏变量。尽管零工就业对城市新型数字基础设施投资的反向因果效应可能较小，但在遗漏变量中可能包含与城市新型数字基础设施和零工就业工资相关的变量，导致反向因果问题。第二，测量误差。新型数字基础设施指数是由多个指标采用主成分法综合而成，这些指标中可能存在测量误差，导致估计偏误。为解决这两种内生性来源产生的估计偏误，参考孙伟增等[16]、黄群慧等[40]使用工具变量的方法，本文使用1984年各城市每百人固定电话数作为该城市新型数字基础设施指数的工具变量，该数据来源于《中国城市统计年鉴—1985》②。

（四）描述性统计与空间相关性检验

新型数字基础设施对零工就业工资和岗位需求的影响可以从图2看出，随着新型数字基础设施水平的提高，零工就业的平均工资和岗位需求均呈上升趋势，两者间的正相关关系符合理论预期，但从图2无法看出新型数字基础设施对零工就业是否存在空间溢出效应，需进一步检验变量间的空间相关关系。

图2 新型数字基础设施与零工就业工资和就业岗位的关系

变量是否存在空间相关性常使用全局莫兰指数来检验[30]。全局莫兰指数的计算方式为：

表3 变量的描述性统计

本文的核心变量新型数字基础设施指数的莫兰指数为0.031，在1%的水平上显著，说明新型数字基础设施不仅能使本地零工就业受益，也能惠及周边地区的零工就业，即存在空间溢出效应。城市零工工资与零工岗位数量的莫兰指数均显著为正，这是由于劳动力在区域间的劳动力市场可以自由流动，导致本地工资水平和岗位需求会对周边劳动力市场产生溢出效应。莫兰指数的检验结果进一步确认了前述对空间相关性来源的讨论，说明使用空间计量模型来解释变量间空间依赖性的合理性。

四、实证结果与分析

（一）新型数字基础设施对零工工资的影响

表4显示了新型数字基础设施对零工工资影响的回归结果。列（1）是普通线性回归模型的结果，在模型中加入了城市层面的特征变量、月份固定效应、省份×年份固定效应作为控制变量。新型数字基础设施指数的回归系数在1%的水平上显著，新型数字基础设施指数每增加1 个单位，零工工资将增加13.2%，表明城市新型数字基础设施可以提高零工工资。列（2）和列（3）分别对应使用工具变量法的两阶段最小二乘法（2SLS）的第一和第二阶段回归结果。从列（2）的结果看，第一阶段回归中使用1984年每百人固定电话数量作为工具变量，与新型数字基础设施指数呈正相关的关系，Kleibergen-Paap WaldF统计量（KP-F test）大于10，说明不存在弱工具变量问题。列（3）是第二阶段回归的结果，在考虑内生性问题后，新型数字基础设施指数的回归系数在5%的水平上显著，且系数值增大至0.235。列（4）采用对弱工具变量更不敏感的有限信息最大似然估计法（LIML），LIML的估计结果与列（3）估计结果完全一致。

工具变量的选择还必须满足排他性约束的条件，参考阿西莫格鲁（Acemoglu）等[41]的检验方法，在表4列（5）中使用简约式（Reduced Form，RF）估计工具变量对被解释变量零工工资的影响，结果表明工具变量对零工工资有显著的正向作用。列（6）进一步加入解释变量新型数字基础设施指数到简约式中，工具变量变得不再显著，说明工具变量对零工工资的正向影响可以完全被新型数字基础设施解释。这意味着工具变量仅能通过新型数字基础设施对零工工资产生影响，因此，工具变量满足排他性约束的条件。

表4 城市新型数字基础设施对零工工资的影响

综上，使用2SLS 方法的回归结果与OLS 回归结果是一致的，但系数值由原来的0.132增加到0.235，说明OLS的回归低估了新型数字基础设施对零工工资的影响。在考虑内生性问题后，本研究发现新型数字基础设施对零工工资具有正向作用。

（二）新型数字基础设施对零工工资的空间溢出效应

如果新型数字基础设施对零工工资的影响存在空间溢出效应，那么忽略邻近地区的空间相关性可能会对估计产生偏误。根据空间计量模型（3）、模型（4）、模型（5）、模型（6）和模型（7）等的设定，表5显示了新型数字基础设施对零工工资的空间计量模型回归结果，列（1）至列（5）分别显示了空间自回归模型、空间误差模型、广义空间自回归模型、空间杜宾模型和空间杜宾误差模型的回归结果，其中空间杜宾模型和空间杜宾误差模型考虑了所有自变量的空间滞后项。从表5可以看出，无论选择哪种空间计量模型，新型数字基础设施指数的系数均显著为正，带有空间滞后项部分的系数也显著为正，说明新型数字基础设施对零工工资的作用不仅存在直接效应，还存在空间溢出效应。

表5 新型数字基础设施对零工工资的空间计量模型回归结果

在表5中，因变量空间滞后项的系数值ρ在空间自回归模型、广义空间自回归模型和空间杜宾模型中均显著为正，说明零工工资存在空间溢出效应，考虑到零工劳动者在城市间可以自由流动，这意味着区域间劳动力市场的工资会相互影响。误差项的空间滞后项系数值λ在空间误差模型、广义空间自回归模型和空间杜宾误差模型中均显著为正，说明零工工资在空间上还存在无法被自变量完全解释的因素，例如区域内零工就业需求受宏观因素的影响等。

（三）空间计量模型的选择

空间计量模型的选择可以从以下方面考虑：第一，从模型拟合效果（R2）的角度，比较不同空间计量模型对数似然值的大小。空间杜宾模型和空间杜宾误差模型较之空间自回归模型、空间误差模型和广义空间自回归模型的对数似然值更大，说明空间杜宾模型和空间杜宾误差模型比其他空间计量模型更优。第二，对直接效应和间接效应（LL）施加约束的角度，数字基础设施对零工就业的直接效应和间接效应在空间杜宾模型和空间杜宾误差模型中没有事前约束，意味着不同解释变量的直接效应和间接效应的比例可能发生变化，空间杜宾模型和空间杜宾误差模型比空间自回归模型与广义空间自回归模型更符合现实。第三，以LR 检验不同模型间的嵌套关系，空间杜宾模型嵌套了空间误差模型和广义空间自回归模型，LR检验的结果说明空间杜宾模型更优；空间杜宾误差模型嵌套了空间杜宾模型，LR 检验的结果说明空间杜宾误差模型更优。综上所述，从R2、LL 和LR 检验结果看，空间杜宾模型与空间杜宾误差模型的效果显著优于其他三种空间模型，但这两个模型的结果比较接近，判断使用哪个模型比较困难[34]。

安塞林[42]建议进一步使用赤池信息准则（AIC）和施瓦茨信息准则（SC）的统计量进行模型比较，结果发现空间杜宾模型和空间杜宾误差模型的信息准则值是所有模型中最小的，且两者的差距微弱，难以判断哪一种模型更有优势。因此，空间杜宾模型与空间杜宾误差模型都是可以接受的模型。但从回归系数显著性的角度看，新型数字基础设施对零工就业的溢出效应在空间杜宾误差模型中的显著性水平更高。空间杜宾误差模型回归系数的估计结果优于空间杜宾模型的估计结果，因此，本文选择空间杜宾误差模型作为空间基准模型结果。

空间杜宾误差模型的直接效应是解释变量的估计系数，间接效应为其空间滞后项的估计系数。从表5中列（5）空间杜宾误差模型估计结果可以看出，新型数字基础设施指数对零工工资的直接效应和间接效应均显著，新型数字基础设施指数对零工就业工资的直接效应为0.038，间接效应为0.339，是直接效应的8.9倍。这一结果与张光南等[23]研究交通、仓储和邮电基础设施对制造业生产成本的溢出效应接近（他们发现基础设施的间接效应是直接效应的8.5 倍）。因此，新型数字基础设施对零工工资会产生空间溢出效应。新型数字基础设施对零工就业的间接效应比直接效应大的原因是空间权重矩阵的设置，由于基准回归中使用逆距离权重矩阵作为基准回归的空间权重矩阵，其衡量的间接效应是指本地城市新型数字基础设施对所有其他城市零工就业的影响加权求和，这导致间接效应可能被高估。在本文稳健性讨论中将采用不同的空间权重矩阵进行回归。

五、稳健性讨论

（一）采用不同空间权重矩阵的回归结果

空间权重矩阵是空间计量模型中最重要的影响参数，选择不同的空间权重矩阵直接影响估计结果，但对空间权重矩阵的选择并没有经济学理论或者统计理论可以作为标准。检验空间回归结果是否稳健的主要方法是选取不同的空间权重矩阵进行空间计量模型回归。埃洛斯特[34]等建议首选基于外生地理信息的空间权重矩阵，在此基础上，再考虑使用经济指标构建的空间权重矩阵。本文比较了6种空间权重矩阵，其中4种是地理空间权重矩阵，包括逆距离空间权重矩阵、地理邻近空间权重矩阵（分别将相距100公里和150公里以内的城市划定为相邻城市）、K 近邻空间权重矩阵（最近的15 座城市）；2 种是与经济相关的空间权重矩阵，包括以人均生产总值对数的差值来衡量两城市间的经济距离空间权重矩阵，以及使用人均生产总值对数的差值再乘以距离倒数构建的经济地理空间权重矩阵。

表6显示了使用不同空间权重矩阵检验新型数字基础设施指数对零工就业工资的空间杜宾误差模型结果。无论使用哪种空间权重矩阵，新型数字基础设施指数对零工就业的工资都有显著的正向作用，且除150公里以内地理邻近空间权重矩阵的溢出效应不显著外，所有空间权重矩阵都存在显著的溢出效应。

从表6可以看出，不同的空间权重矩阵导致的间接效应差别很大，逆距离空间权重矩阵和经济地理空间权重矩阵构造的空间滞后项反映的是对所有城市的空间溢出效应，更合理的做法是将溢出效应的影响限定在一定范围，如地理邻近空间权重矩阵和K 近邻空间权重矩阵，分别将溢出效应限定在一定距离。从结果看，当城市距离100 公里时，新型数字基础设施指数对零工工资的直接效应为0.036，间接效应降为0.031，两者的作用效果相当。因此，使用限定范围的空间权重矩阵后，间接效应也变小了。

表6 不同空间权重矩阵下新型数字基础设施对零工工资的影响

（二）采用广义空间两阶段最小二乘估计方法

基准回归采用的极大似然法（ML），是目前使用最广泛的空间计量模型估计方法。但当模型包含内生解释变量时，德鲁克（Drukker）等[43]建议使用解释变量空间滞后项作为工具变量的广义矩估计方法（IV-GMM），但对包含自变量与误差项的空间滞后项的空间杜宾误差模型进行广义矩阵估计较为困难。科勒津（Kelejian）等[44]建议使用广义空间两阶段最小二乘估计法（Generalized Spatial Two Stage Least Squares，GS2SLS）估计空间杜宾误差模型更为合适。表7显示了广义空间两阶段最小二乘估计法的回归结果，新型数字基础设施指数对零工工资的影响与基准回归结果在系数大小与显著性水平上均一致。

表7 采用GL2SLS新型数字基础设施对零工工资的影响

（三）将工资中位数作为因变量

基准回归采用各城市零工就业的工资均值作为因变量，但工资均值容易受工资分布的影响，出于稳健性的考虑，可以使用中位数来反映工资的平均水平。表8显示了使用零工工资中位数作为因变量的回归结果。与使用零工平均工资作为因变量的结果相比，两者的系数大小与显著性水平是一致的。在考虑了工资分布中存在更多极端值情况时，新型数字基础设施指数对工资中位数的直接效应和空间溢出效应均显著。

表8 新型数字基础设施对零工工资中位数的影响

六、对结果的进一步讨论

（一）影响机制的讨论

新型数字基础设施可以通过增加零工需求提高零工工资水平。新型数字基础设施提供的是数据和信息的传输服务，具有资产轻、边际效用高的特征，可以与许多传统产业融合，催生新的消费需求，降低劳动者和企业间的搜索与匹配成本[16]、企业生产成本和销售价格，提升企业的专业化水平[45]，提高企业的生产规模，扩大企业的经营范围，提高企业对就业岗位的需求。为检验这一影响机制，根据空间计量模型（3）、模型（4）、模型（5）、模型（6）等的设定，将模型的因变量换成零工岗位数量，并以所在城市招聘信息数据中零工发布岗位总量代表。表9显示了新型数字基础设施指数对零工岗位的空间计量模型回归结果。

表9显示了空间自回归模型、空间误差模型、广义空间自回归模型、空间杜宾模型和空间杜宾误差模型的回归结果。在所有模型中，新型数字基础设施指数对零工就业岗位需求的影响均为正，且其空间滞后项的系数也是正值，说明新型数字基础设施可以增加零工需求，且对零工需求具有正向的空间溢出效应。因此，新型数字基础设施可以通过提高零工就业需求来提高零工工资。

表9 新型数字基础设施对零工岗位的空间计量模型回归结果

为检验空间权重矩阵对空间计量模型结果的稳健性，表10显示了使用不同空间权重矩阵检验新型数字基础设施对零工就业岗位的空间杜宾误差模型结果。无论使用哪种空间权重矩阵，新型数字基础设施指数对零工就业岗位的直接效应均显著，且对前4种基于地理空间权重矩阵的间接效应也是显著的。在列（5）和列（6）中，基于经济指标和经济地理指标的空间权重矩阵的间接效应不显著，埃洛斯特[31]认为这种情况是正常的，主要是由于使用经济空间权重矩阵引入了内生性，导致估计结果不显著。

表10还反映出新型数字基础设施指数对零工就业岗位的溢出效应随着距离的增加而衰减的特征。列（2）使用100公里以内地理邻近空间权重矩阵时，新型数字基础设施指数对零工就业岗位的直接效应为0.105，间接效应为0.064，间接效应约为直接效应的60%左右。而在列（3）中使用150公里以内地理邻近空间权重矩阵时，新型数字基础设施指数对零工就业岗位的直接效应为0.100，间接效应为0.037，间接效应下降为直接效应的37%。

表10 不同空间权重矩阵下新型数字基础设施对零工岗位的影响

（二）溢出效应的影响范围

空间溢出效应的影响范围是评价新型数字基础设施经济外部性的重要指标，新型数字基础设施建设的成本高，准确界定其溢出效应的影响范围有助于评估新型数字基础设施的成本与收益。新型数字基础设施对零工工资的影响主要通过提供高效的数字化连接降低知识和信息的获取成本，增加企业的岗位需求。同时，数字技术和智能终端的普及也会催生出新的企业，产生更多适应用户需求的新业态和新模式，从而创造出更多的就业岗位。但溢出效应会随着距离而衰减，一方面，数字信息服务的提供质量不仅仅是接入互联网，还取决于数据的下载速度、存储能力和计算能力，如果本地没有任何新型数字基础设施，仅依靠接入其他城市数字基础设施提供的服务，数字信息服务的质量必然下降。另一方面，新型数字基础设施所创造的零工需求无法摆脱地理距离的约束，因为零工就业人员的流动必然产生迁移成本，而且零工就业岗位大多属于服务业，是不可贸易品，无法完全数字化。因此，随着地理距离的增加，新型数字基础设施的溢出效应会逐渐减弱。

借鉴覃成林等[27]的做法，通过设定地理邻近空间权重矩阵中的距离阈值分析空间溢出效应的影响范围。由于地理距离相差50 公里的城市很少，因此距离阈值从地理距离相差60公里开始，每次增加10 公里，直至140 公里。图3反映了地理距离与新型数字基础设施对零工工资溢出效应之间的关系。随着距离的增加，溢出效应逐渐下降，且在110 公里处，新型数字基础设施对零工工资间接效应不再显著。所以，新型数字基础设施对零工工资的溢出效应存在有效范围，超出有效范围，溢出效应不再存在。这进一步证实了新型数字基础设施的空间溢出效应随着距离而衰减的研究假设。

图3 新型数字基础设施对零工工资的溢出效应影响范围

为从影响机制上证实新型数字基础设施对零工就业溢出效应存在衰减过程，本文进一步分析新型数字基础设施对零工就业岗位需求的影响范围。图4反映了新型数字基础设施对零工就业岗位数量溢出效应的影响范围，表明新型数字基础设施对零工就业岗位的影响随着距离的增加而衰减，在60 公里处，其影响数值为0.18，在临界点110 公里处衰减到0.05。当距离增至110公里时，新型数字基础设施提高零工就业岗位数量的作用虽然没有完全消失，但非常微弱，已无法产生零工工资溢价的效果。图4从机制上说明新型数字基础设施对零工就业需求的溢出效应随着距离而衰减的现象。

图4 新型数字基础设施对零工岗位需求的溢出效应影响范围

七、结论与政策建议

新型数字基础设施的建设加快了城市数字产业化与产业数字化的步伐，催生了零工经济的蓬勃发展。零工就业是平台经济衍生出的新就业形态，平台经济对互联网和数字技术的依赖程度很高。因此，零工就业的发展与城市新型数字基础设施建设紧密相关。本文探究新型数字基础设施对零工工资的影响及其空间溢出效应，将2020—2021年中国互联网零工招聘平台大数据与中国城市统计年鉴数据相匹配，构建基于城市新型数字基础设施的综合指数，采用空间计量模型分析我国新型数字基础设施对零工就业的影响及空间溢出效应。

（一）结论

本研究发现，新型数字基础设施对本地零工工资具有显著的提升作用，并对周边城市的零工工资具有空间溢出效应，溢出效应随着距离的增大而衰减。在考虑了模型内生性问题并经过各种稳健性检验后，结果依然稳健。新型数字基础设施对零工工资的影响机制主要通过提供高效的数字化连接降低知识和信息的获取成本，增加企业的岗位需求。同时，数字技术和智能终端的普及催生出新的就业形态，创造出更多的就业岗位，因此，新型数字基础设施可以通过增加就业需求提高工资水平。新型数字基础设施所创造的零工就业需求受到地理距离的约束，地理距离增大会降低就业需求，因为就业人员的流动必然产生迁移成本，距离越大，成本越高。而且，零工就业的行业主要是服务业，大部分是不可贸易品，无法远距离运输。因此，随着地理距离的增加，新型数字基础设施的溢出效应会逐渐减弱。

（二）政策建议

本研究结论可为政府统筹推进区域间新型数字基础设施的开发与利用、促进零工经济的发展提供理论参考。基于本研究结论，提出如下政策建议：

第一，由于新型数字基础设施对就业存在空间溢出效应，因此邻近地区间的政府需要加强合作，制定共担成本与共享收益的新型数字基础设施投资方案。这有利于拓展投资来源、分担投资成本、加快新型数字基础设施建设。《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》强调加快推进新型数字基础设施建设，主要包括5G 基站建设、大数据中心、人工智能、工业互联网等，这些项目的投资额巨大，地方政府的财政负担很重。地方政府需要积极拓展投资主体，挖掘与其他城市的合作潜力，构建多元化投资体系，鼓励私有企业和私有资本进入相关投资领域。

第二，新型数字基础设施支撑下的数字技术会创造大量的零工就业岗位。随着新型数字基础设施建设的广泛覆盖，个人可以通过手机设备连接互联网，实现信息和数据的分享，更多的消费需求能够被创造出来，催生出如外卖骑手、直播卖货、网络主播、专车司机等新就业形态。发展以零工经济为代表的新业态是稳经济、保就业的重要支撑，政府应为零工经济的发展提供更多的政策支持，给予企业相应的税收优惠和资金补贴，帮助企业度过数字化转型的初期阶段。另外，现有法律体系对零工就业者的权益保障不足，政府应出台专项法律法规政策，满足零工就业人员在劳动和社会保障方面的需求。

注释：

①少数家庭调查可以筛选出零工就业者的样本，如2018年的中国家庭追踪调查（China Family Panel Studies，CFPS）和中国劳动力动态调查（China Labor-force Dynamic Survey，CLDS），但多数调查的样本较少，不足以覆盖全国主要城市。

②1985年，国家统计局出版了第一期中国城市统计年鉴，每百人固定电话最早数据为1984年，故本文选取1984年每百人固定电话数为工具变量。