EN中文

Economic geography >

2025 , Vol. 45 >Issue 12: 54 - 64

DOI: https://doi.org/10.15957/j.cnki.jjdl.2025.12.006

Driving Forces of Provincial Residents' Consumption Balanced Development in the Context of Digital Economy

  • WEI Qing , 1 ,
  • WANG Haiying , 2, ※
Expand
  • 1. School of Data Science and E-commerce， Henan University of Economics and Law， Zhengzhou 450046，Henan， China
  • 2. College of Geographic sciences / State Key Laboratory of Spatial Datum / Faculty of Geographical Science and Engineering， Henan University， Zhengzhou 450046，Henan， China

Received date: 2023-06-11

  Revised date: 2025-01-17

  Online published: 2026-02-04

Fold

Abstract

This article is predicated on a comprehensive analysis of panel data encompassing all 31 provinces across China spanning the years 2013 to 2020. Employing advanced methodologies such as Moran's I and Geodetector, it scrutinizes the spatiotemporal evolution of inter-provincial consumption correlations. Additionally, it delves into the determinants behind the spatial disparities in consumption patterns among provincial residents, unraveling the dynamic forces and intricate mechanisms underpinning the harmonized development of consumption spaces in the era of the digital economy. The findings underscore a prevailing positive spatial correlation in provincial residents' consumption behaviors. While there exists some degree of variance in consumption levels among provinces, this difference demonstrates relatively modest fluctuations over the examined period. This dynamic manifest a spatial distribution characterized by heightened consumption rates in the eastern region, juxtaposed with comparatively lower rates in the central and western regions. On the global scale, diverse variables indicative of the digital economy exhibits the potential to propel the equitable development of provincial consumption spaces. Conversely, factors representative of the non-digital economy, when interacting in tandem with other variables, tend to exacerbate spatial disparities in residents' consumption. Notably, parameters such as digital payment adoption, individual digital creditworthiness, per capita postal and telecommunications transactions, mobile phone penetration rates, and other digital economy metrics exhibit consistent and robust contributions to the balanced expansion of consumption across regional boundaries. In contrast to prevailing literature that predominantly examines consumption differentials between urban and rural populations, this article shifts its focus toward consumption expenditure patterns among provincial residents.

Key words： digital economy; provincial territory; resident consumption; temporal and spatial differences; driving factors; geodetector

Cite this article

WEI Qing , WANG Haiying . Driving Forces of Provincial Residents' Consumption Balanced Development in the Context of Digital Economy[J]. Economic geography, 2025 , 45(12) : 54 -64 . DOI: 10.15957/j.cnki.jjdl.2025.12.006

数字经济是一种以网络为载体、以数字信息为要素、以在线服务为模式、以共享经济为方向的经济模式，它是继农业经济和工业经济之后的新型经济形态，并对中国的居民消费产生着重要作用。目前，数字经济已经渗透到社会的各个领域，经济环境和形式发生了重大变化。到2020年，中国数字经济规模达到39.2万亿元，占GDP的比例从2015年的27%跃升到2020年的38.6%。2021上半年，实体商品网上零售额50263亿元，同比增长18.7%，占社会消费品零售总额的23.7%[1]。可以看出，数字经济正在全面重构中国经济的发展模式。
居民消费区域差异是我国长期存在的问题，与G20以及其他“金砖国家”相比，中国居民消费表现出较低的均衡性[2]。目前，我国政府越来越重视促进区域协调发展对增强内需的重要性。中国居民消费具有显著的区域差异特征[3]，东部地区居民消费水平与中、西部地区居民消费水平呈现出发散的趋势，反映了区域间居民消费存在不同程度上的差距[4]。此外，陈志刚等认为居民收入是影响我国居民消费均衡化发展的重要原因[5]。由于产业集聚，劳动力等生产要素持续地流入东部沿海地区，东部地区居民收入增长速度显著高于中、西部地区，这些影响因素导致了区域间居民消费水平的差距和居民消费需求的分层。为了改善这种不均衡现状，虽然国家采取了转移支付等手段来减少收入差距，但区域间差距扩大的趋势依然存在[6]。居民消费区域间不均衡的状况，一方面带来了经济发展不充分的问题，影响我国“共同富裕”战略的实施效果，另一方面导致了居民福利差距扩大、消费侧与供给侧匹配失衡等社会矛盾与经济问题。因此，探讨区域间消费差距的原因，并利用数字经济缩小居民消费区域间差距，进而促进区域居民消费均衡化发展，对于释放消费潜力，解决居民消费区域间不平衡发展引发的矛盾，具有重要意义[7]。
数字经济一词首先在日本被提及，并由Tapscott[8]于1995年提出。目前，一般认为数字经济是一种商品和服务的生产、销售和消费依赖于基于中间信息流的电子手段网络的经济[9]，其本质是商品和服务以数字贸易的形式[10]，是通过数字技术运营的经济体（包括技术设施和电子商务）[11]。同时，数字经济的关键资源是信息，即人们通过互联网和相关技术进行的一系列经济和社会活动[12]。与农业、工业和其他行业相比，数字经济是一个新兴行业[13]，由于其发展时间较短，数字经济体系并不完善[14]。
已有关于数字经济与居民消费关系的研究主要集中在居民消费的影响机制[15-19]、本地效应或溢出效应[20-24]、区域异质性和城乡差距[25-27]、破解效应和缓解作用[28]等方面。例如，一些学者从不同角度研究了数字经济对区域居民消费的影响，但基本上仍处于起步阶段；也有学者利用面板数据和空间计量模型探讨了数字经济和数字金融发展对居民消费的影响机制及空间效应[15-17]。结果表明，数字金融可以提升地区居民的消费水平，并存在正向溢出效应[16]；互联网金融和各个领域的发展也对中国居民消费行为和消费结构产生差异影响[18]；互联网的普及可以通过缓解收入差距和降低消费者价格指数来缩小区域消费差距[25]。同时，数字经济的发展对不同地区的消费不均衡有不同程度的缓解作用[28]；互联网+零售对消费升级具有促进作用，但存在区域差异[26]。研究认为，移动支付可以降低交易成本、缓解流动约束、提高消费意愿，对中国居民的总消费支出具有积极的拉动作用，但其影响在不同地区、收入水平和年龄阶段是异质的[29]；数字经济的发展不仅可以促进当地居民服务消费支出的增长，而且对周边地区居民的服务消费支出也具有正向空间溢出效应[23]。此外，数字经济发展对促进消费升级具有主导作用，不仅能够通过提高居民应对风险的能力、缓解流动性约束和改善基于网络的便捷服务，实现消费升级，而且数字经济的发展对消费升级具有正的空间溢出效应[24]。研究表明，数字经济与消费升级之间存在明显的空间自相关性[22]；空间邻近性、居民可支配收入、城市化水平、消费信贷和消费环境相似性对消费水平的溢出相关性具有显著的驱动作用[1]。
在社会经济的实际运行中，数字经济本身具有跨区域、跨时间的特点，因此能够突破空间的限制对居民消费在深度和广度上施加影响。但是，现有实证研究大多数仅仅强调数字经济影响居民消费的空间效应，而鲜有通过时空演变的分析考察数字经济对区域居民消费均衡化的促进作用方面的文献。鉴于此，本文面向共同富裕和居民区域均衡化发展目标，选取2013—2020年中国31个省份的面板数据，利用GIS时空分析、地理探测器等方法研究数字经济背景下居民消费区域均衡化发展的时空演变特征、驱动力和作用机理，以期为区域居民消费的均衡化发展提供理论支撑和政策建议。

1 变量选取和数据来源

1.1 变量选取

影响居民消费差异的因素众多，一些学者分别论证了人均国内生产总值[15,36]、居民人均可支配收入[37-38]、城镇化水平[19,39]、个人信贷水平[17,40-41]、人均邮电业务量[36]均会对居民消费支出产生重要影响。同时，数字支付水平作为衡量数字支付在消费领域应用水平的核心指标，有一定代表性[16,41]。本文在参考钟若愚、邹新月、马德功等研究[15-17]的基础上，综合数据的易得性、连续性、权威性等特点，首先选取大多数居民消费领域论文采用的变量作为非数字经济变量[36-41]，然后又根据数字经济的特点，将数字经济相关变量纳入变量选择范围，初步筛选出22个变量，其中包括18个数字经济变量和4个非数字经济变量。本文的因变量为省域全体居民人均消费支出（简称“省域居民消费”）。然后，使用地理探测器对这些变量进行预探测，剔除掉绝大多数年份均不显著的变量，最终得到12个与居民消费空间均衡性显著有关的变量，其中包含9个代表数字经济的变量和3个非数字经济的变量（表1）。
表1 省域居民消费的驱动因素及说明

Tab.1 Drivers of provincial residents' consumption expenditure

序号 影响因素 变量描述 单位 计算方法
1 pgdp 人均GDP 元/人 地区GDP（万元）/年末人口总数（万人）
2 ul 城镇化水平 % 年末城镇人口比重=年末城镇人口数/年末总人口
3 pcdi 居民人均可支配收入 元/人 /
4 mpr 移动电话普及率 部/百人 /
5 pcptv 人均邮电业务量 万元/人 邮电业务总量（亿元）/地区年末人口数（万人）
6 dp 数字支付水平 / 使用北京大学数字普惠金融指数支付子指数[41]
7 dicc 数字个人信贷水平 / 使用北京大学数字普惠金融指数信贷子指数[41]
8 ocl 每平方公里光缆长度 km/km2 光缆长度/地区面积
9 ecs 电子商务销售额占GDP比重 % 电子商务销售额/GDP
10 ecps 电子商务采购和销售额 亿元 电子商务采购+电子商务销售额
11 sbi 软件业务收入 亿元 /
12 pn 规模以上工业企业发明专利申请数 件 /

1.2 研究区域与数据来源

为保证分析数据的一致性，本文选取2013—2020年中国31个省份（不包括港澳台地区）的面板数据为研究样本。统计数据来自历年《中国统计年鉴》和各省份统计年鉴，少数缺失数据通过邻近年份推算或插值法进行填补。本文中的变量数据均可以直接使用公开统计数据或进行简单运算获得。

1.3 省域居民消费分布

2013—2019年，中国各省份的居民消费一直保持增长态势，年均增长率为8.5%。然而，受新冠疫情影响，2020年的居民消费经历了下滑，当年全国平均增长率为-1.6%。
本文运用自然断点法将中国省域居民消费数据分为4级，并绘制2014、2016、2018和2020年中国省域居民消费空间分布图（图1）。从空间分布来看，中国居民消费分布大致呈现东部沿海地区高，中西部地区偏低的分布特点。具体来说，2013年分布空间差异相对较小；2014—2018年东部大部分省份保持层级不变，中部的内蒙古、河北、河南、江西、陕西等省份有所下滑，新疆从2018年也开始出现层级降低的情况；到2020年，受新冠疫情的影响，黑龙江、吉林、青海、宁夏的层级也出现降低的态势。
图1 中国省域居民人均消费支出空间分布演变

注：基于自然资源部标准地图服务网站下载的审图号为GS（2023）2767号的标准地图制作，底图边界无修改。图2同。

Fig.1 Distribution of provincial residents' consumption

2 省域居民消费均衡化驱动力模型的构建

本文使用省域居民消费空间差异来表示居民消费省域空间的不均衡性，当区域居民消费空间差异减小时，则空间不均衡性减小，省域居民消费空间均衡化发展水平得到提高。为了能够全方位地描述省域居民消费空间的差异，本节构建区域居民消费全局空间自相关模型、区域居民消费局部空间自相关模型进行分析。

2.1 省域居民消费空间自相关模型

2.1.1 省域居民消费全局空间自相关模型

本文使用Moran's I判定省域居民消费数据是否存在空间自相关，全局空间自相关主要用来测度我国省域居民消费是否存在聚集特性，采用Moran's I指数进行衡量。

2.1.2 省域居民消费局部空间自相关模型

局部空间自相关能测算省域居民消费的相似值（高值或低值）在局部空间上是否存在集聚。Moran散点图可以用来分析居民消费局部的空间不稳定性，分别表示某一省份与其周边省份之间的4种类型局部空间关系。

2.2 省域居民消费空间差异驱动力探测模型

地理探测器（Geodetector）是一组统计学方法，用于探测空间分异性并揭示背后驱动力[30]。其核心思想是基于这样的假设：若某自变量对因变量有重要影响，则自变量与因变量的空间分布应具相似性[31]。相对于顺序量、比值量或间隔量，地理探测器一是更适合分析类型量，并且对于其他类型的数据只需要进行适当的离散化或转换即可进行统计分析[32]；二是其能够探测两因子之间的交互作用，而不仅仅是相乘关系，可以通过比较各单因子q值及两因子叠加后的q值来判断交互作用的存在、强弱、方向和是否为线性类型[33,42]。地理探测器模型不需要线性假设，对多自变量共线性免疫，能精准识别双因子交互作用，并且对样本容量较小的因变量与影响因子的关系判定较之经典线性回归模型更为可靠。
因此，本文采用地理探测器中的因子探测、交互作用探测和生态探测来分析待测变量[34]。

2.2.1 省域居民消费空间差异因子探测

因子探测旨在评估各个驱动因子对区域居民消费支出（Y）空间差异的解释程度，并通过q值对空间差异进行测度[43]。

2.2.2 省域居民消费空间差异生态探测

省域居民空间差异两两因子间的差异利用生态探测来实现，生态探测用于比较两因子X1和X2（例如人均可支配收入和移动电话普及率）对属性Y（居民消费支出）的空间分布的影响是否有显著的差异。

2.2.3 省域居民消费空间差异交互作用探测

通常在回归模型中，识别两因子的交互作用是通过增加两因子的乘积项来进行的，然而两因子交互作用并不一定仅是相乘关系。相比之下，地理探测器可以通过分别计算和比较各单因子q值以及两因子叠加后的q值来识别两因子之间是否存在对居民消费空间差异的交互作用，以及这种交互作用的强度、方向、线性还是非线性等特征。两因子的叠加不仅包括相乘关系，还包括其他类型的关系，只要存在关系，地理探测器就可以检测出来。

3 省域居民消费均衡化的驱动力分析

3.1 空间相关性分析

3.1.1 全局空间自相关分析

为了解消费空间结构动态演化情况，本文从2013—2020年的面板数据中逐年取数据，展现和分析人均居民消费的空间结构演变规律[35]，并使用Stata16对居民人均消费支出进行全局空间自相关分析。
由表2可知，所有年份的Moran's I指数都大于0且通过了显著性检验（Z>1.65，P<0.01），说明我国居民消费支出存在正向空间相关性。在空间上，高消费支出的省份相邻，低消费支出的省份也相邻，即存在高—高（H-H）和低—低（L-L）的空间集聚现象。2013—2020年，虽然Moran's I指数有所波动，但变化幅度较小，这表明我国居民消费支出省域间的差异年际变化不大。
表2 2013—2020年中国省域居民消费的Moran's I指数

Tab.2 Moran's I of provincial residents' consumption expenditure from 2013 to 2020

年份 Moran's I Z值 P值 年份 Moran's I Z值 P值
2013 0.323 3.257 0.001 2017 0.315 3.186 0.001
2014 0.322 3.250 0.001 2018 0.326 3.308 0.000
2015 0.319 3.219 0.001 2019 0.331 3.332 0.000
2016 0.309 3.120 0.001 2020 0.336 3.363 0.000
进一步分析发现，居民消费支出的空间平均自相关系数从2013年开始逐年下降，到2016年触底反弹之后又快速增加，到2020年已经超过2013年，居民消费支出的空间相关性整体上呈现先降低后增加的V型态势。

3.1.2 局部空间自相关分析

表3呈现了局部空间自相关分析的统计结果，图2展示了居民消费LISA聚集图。结果显示，H-H区域表示消费支出高的省份周围以消费支出高的省份为主，这种高—高集聚区主要分布在东部经济发达地区，如北京、天津、上海、江苏、浙江、福建等省份；L-H区域表示消费支出低的省份周围以消费支出高的省份为主，包括中部地区的河北、江西、安徽和东部地区的海南等省份；L-L区域表示消费支出低的省份周围以消费支出低的省份为主，主要包括中西部地区的大部分省份；H-L区域表示消费支出高的省份周围以消费支出低的省份为主，这种空间格局表现为孤立状，主要分布在广东、辽宁、内蒙古、重庆等省份。
表3 2013—2020年中国省域居民消费的Moran散点图统计结果

Tab.3 Moran scatter chart data statistics of provincial residents' consumption expenditures from 2013 to 2020

年份 第一象限
高—高（H-H）		 第二象限
低—高（L-H）		 第三象限
低—低（L-L）		 第四象限
高—低（H-L）
2013 6 6 16 3
2015 6 6 16 3
2017 6 5 17 3
2019 6 5 18 2
2020 6 4 19 2
图2 中国省域居民消费LISA聚集空间分布演变

Fig.2 LISA aggregation chart of resident consumption in various stages of China

整体来看，2013—2020年中国省域居民消费呈现“东部高、中西部低”的空间格局，且变化不大（图2）。具体来说，黑龙江和吉林分别在2016和2019年由低—高（L-H）集聚区转为低—低（L-L）集聚区，内蒙古于2018年由高—低（H-L）集聚区转为低—低（L-L）集聚区，重庆在2020年由低—低（L-L）集聚区转为高—低（H-L）集聚区。近60%的省份聚集在低—低（L-L）集聚区，说明我国居民消费支出有很大的提升空间，并且空间依赖关系主要表现为低—低（L-L）集聚。

3.2 单因子驱动力分析

为了探究省域居民消费空间差异的单因子驱动力，需对自变量进行离散化处理，将样本数据标准化后，利用自然断点法对自变量进行分级，然后对自变量和因变量进行因子探测（表4）。结果显示，2013—2020年，12个驱动因子对居民消费支出空间差异在大部分年份均具有解释力。从研究期间全局平均值来看，因子解释力从强到弱依次为人均可支配收入、软件业务收入、人均GDP、城镇化水平、每平方公里光缆长度、规模以上工业企业发明专利申请数、电子商务销售额占GDP比重、人均邮电业务量、移动电话普及率、电子商务采购与销售额、数字个人消费信贷水平、数字支付水平。
表4 中国省域居民消费驱动因素的单因子驱动分析结果

Tab.4 Single factor driving analysis results of residents' consumption driving factors

序号 变量描述 变量名 p/q 2013 2014 2015 2016 2017 2018 2019 2020
1 每平方公里光缆长度 ocl q 0.4488 0.7256 0.7336 0.5922 0.5769 0.6274 0.7427 0.7480
p 0.4439 0.0060 0.0051 0.1093 0.1415 0.0443 0.0057 0.0080
2 移动电话普及率 mpr q 0.3530 0.6325 0.6187 0.4968 0.4987 0.3990 0.6551 0.7069
p 0.0845 0.0000 0.0651 0.0218 0.0209 0.0523 0.0000 0.0038
3 数字支付水平 dp q 0.3257 0.4862 0.5121 0.4282 0.4243 0.3988 0.4703 0.5680
p 0.3260 0.0114 0.0078 0.0102 0.0108 0.0136 0.0053 0.0000
4 数字信贷水平 dicc q 0.2841 0.5038 0.4789 0.5139 0.5230 0.5120 0.5563 0.5715
p 0.1434 0.0074 0.0079 0.0066 0.0036 0.0035 0.0024 0.000
5 电子商务销售额占GDP比重 ecs q 0.3193 0.7377 0.7208 0.6098 0.6203 0.5626 0.6491 0.6272
p 0.1335 0.0041 0.0188 0.0354 0.0461 0.0652 0.0484 0.0439
6 电子商务采购与销售额 ecps q 0.1951 0.5642 0.5139 0.4975 0.5460 0.6178 0.5175 0.5627
p 0.7967 0.0389 0.0607 0.0231 0.1948 0.0390 0.1216 0.0987
7 人均邮电业务量 pcptv q 0.4533 0.7998 0.7032 0.6380 0.4915 0.4383 0.5069 0.7059
p 0.3599 0.0000 0.0000 0.0000 0.0237 0.0344 0.0206 0.0000
8 软件业务收入 sbi q 0.4216 0.8369 0.8869 0.9249 0.8311 0.7800 0.7910 0.7997
p 0.3546 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
9 规模以上工业企业发明专利申请数 pn q 0.4218 0.7319 0.5539 0.6844 0.5721 0.6241 0.6932 0.7046
p 0.0648 0.000 0.0096 0.0027 0.0417 0.0095 0.0020 0.0021
10 人均GDP pgdp q 0.7612 0.7593 0.7672 0.7218 0.7721 0.8229 0.7787 0.7972
p 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
11 城镇化水平 ul q 0.7388 0.7106 0.7210 0.7412 0.7397 0.7064 0.7513 0.7220
p 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
12 居民人均可支配收入 pcdi q 0.8339 0.8378 0.8411 0.7633 0.8612 0.7857 0.8610 0.8674
p 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
从时间过程上看，8个年份的主导驱动因子具有一致性，解释力最强的因子均为人均可支配收入，历年值均在0.76以上。人均邮电业务量对居民消费支出空间差异的解释力在2016年后基本呈不断降低态势，城市化水平对居民消费支出空间差异的解释力呈先增强后减弱的波动状态，人均GDP总体在上升，数字个人消费信贷水平解释力经历了先平稳后增强再减弱的过程，其他都相对比较平稳。
除了人均可支配收入之外，对居民消费空间差异解释力较大的还有人均GDP、城市化水平、每平方公里光缆长度、软件业务收入、规模以上工业企业发明专利申请数，这些因子都是造成居民消费空间差异增大的因素，其中人均GDP、城市化水平是非数字经济因素，本身的地域性差异就会导致居民消费差异的增大。而软件业务收入、每平方公里光缆长度、规模以上工业企业发明专利申请数虽然属于数字经济变量范畴，但相对来说，其比其他数字经济因子更多具备地域差异性以及经济发达的地区，这些指标就会比较高，与当地经济发展水平关系密切，所以就单因子分析来看，它们对于省域促进居民消费均衡化的作用效果较小。
数字支付水平对居民消费支出空间差异的解释力最小，表明就单一因子而言，数字支付水平最能够做到平抑居民消费的地域差异。数字个人信贷水平、电子商务采购与销售额、移动电话普及率、人均邮电业务量、电子商务销售额占GDP比重的解释力也都较小，说明这几个代表数字经济的指标整体上都对平抑居民消费的地域差异有很强的作用，其原因可能在于这几个代表数字经济的因子比较容易突破地域的限制，导致居民消费的空间差异较小，降低了居民消费空间差异。中国省域居民消费单因子影响力的排序如图3所示。
图3 中国省域居民消费驱动因素的单因子驱动力排序

Fig.3 Ranking of single factor driving forces of residents' consumption

3.3 生态探测分析

由图4可知，基于生态探测的驱动因子对中国省域居民消费空间分异的影响层级呈现三大核特征。具体如下：
图4 中国省域居民消费生态探测结果

Fig.4 Ecological detection results

①传统经济因子在空间差异上的稳定主导地位。非数字经济变量（人均可支配收入、城市化率、人均GDP）在观测期内持续表现出显著空间分异能力。这类因子因直接关联区域经济基础和社会结构，始终构成居民消费空间差异的核心解释变量，其影响强度具有时间刚性，表明非数字经济变量是省域居民消费不均衡性的重要影响因素。
②数字经济因子的动态均衡化演进。2016年前，人均邮电业务量与数字支付、电子商务等数字经济指标存在显著空间分布差异，反映早期数字基建的区域不均。软件业务收入则因产业聚集特性，始终维持独特空间模式。2016年后，人均邮电业务量与数字经济因子的空间分异消失，表明数字基础设施完成全域覆盖，其空间解释力趋近均值化。电子商务渗透率（ecs/ecps）与数字金融指标（dp/dicc）的空间分异在2014—2015年短暂显现后快速趋同，显示数字经济生态的系统性整合。
③数字经济的均衡化效应验证。数字经济因子通过技术扩散和服务普惠，其空间作用从“局部突破”转向“全域协同”。这种演化显著降低了居民消费的空间异质性包括：数字基建成熟（如人均邮电业务量均质化）消除了区域接入鸿沟；电子支付与商务活动的空间耦合（ecs-dp/ecps-dicc趋同）提升了消费可达性；软件产业等特异性因子通过产业辐射形成新的均衡机制
生态探测分析证实，数字经济通过基础设施均质化、服务普惠化和产业协同化3条路径，有效促进了省域居民消费的空间均衡化发展，验证了数字经济赋能省域居民消费协调发展的理论命题。

3.4 交互作用分析

由图5、图6可知，12个驱动因子通过交互作用均呈现q值显著提升的双因子增强效应，未出现独立或负向交互效应。值得注意的是，不同属性因子的交互增益存在显著分异。具体如下：
图5 中国省域居民消费差异驱动因素交互探测结果

Fig.5 Interactive detection results of driving factors for consumption differences among provincial residents in China

图6 中国省域居民消费差异驱动因素增幅交互探测结果

Fig.6 Interactive detection results of driving factors for consumption differences among provincial residents in China

①传统社会经济因子的强解释力维持。非数字经济变量（城镇化水平、人均可支配收入、人均GDP）在交互作用中表现出稳定的强解释力。尽管其q值增幅相对温和，但由于初始解释力基数较高，交互后综合效应仍显著扩大了居民消费的空间不均衡性。这与其地域分布的不均衡性密切相关，反映出传统经济地理格局对消费分异的固化作用。
②数字经济因子的平抑效应凸显。数字经济指标（数字支付水平、个人信贷水平、移动电话普及率等）单独解释力普遍低于0.6（人均邮电业务量最低值仅0.4）。即使交互作用使其q值增幅达数倍，绝对解释力仍维持低位。跨年份分析（2013—2020年）显示，数字支付水平与城镇化/收入类指标的交互组合频繁进入增幅Top5（如“数字支付与人均邮电业务量的交互作用”在2013、2014和2016年均列首位），但整体未突破0.6阈值。这表明数字经济通过技术渗透和普惠金融，有效缓释了区域消费不均衡性，其均衡化作用具有持续性。
③动态交互模式演化。从时间维度观察，交互作用热点呈现从“数字支付与社会经济因子的交互作用”（2013—2016年）向“人均邮电业务量与经济指标的交互作用”（2017—2020年）的转移趋势。这种演变既反映数字经济基础设施的滞后效应，也显示其与传统经济要素的融合深化。尽管交互左右有波动，数字经济变量的低解释力特征始终稳定，验证了其对消费空间均衡性的长效促进作用。
进一步结合图6发现，代表数字经济的“移动电话普及率”“人均邮电业务量”“数字支付水平”和“数字个人信贷水平”等因素与其他变量交互作用后，虽然增幅较大，但对居民消费空间差异的解释力始终保持较低。这进一步验证了数字经济在促进居民消费均衡化方面的稳定性和有效性。

3.5 综合作用与内在机理分析

进一步综合因子探测与生态探测的分析结果，得出关于中国省域居民消费支出空间差异的驱动机制如下：
①人均可支配收入、人均GDP以及城镇化水平这3个非数字经济因素，在多数年份中均扮演了驱动省域居民消费空间差异的核心角色。其影响力稳定且显著，这表明它们制约了省域居民消费均衡化的发展。
②2016年之前，居民可支配收入与人均邮电业务量共同构成了影响居民消费支出空间差异的首要因素。然而，随着邮电业务在全国范围内的快速普及和成熟，其空间差异性显著降低，人均邮电业务量的影响力在2016年后逐渐减弱，退出了首要影响因素的行列。与此同时，人均可支配收入、人均GDP以及城镇化水平继续发挥着主导作用。
③城市化水平与移动电话普及率在早期阶段占据重要地位。而随着时间的推移，人均邮电业务量的影响力逐渐下降，移动电话普及率则逐渐上升，成为新的二级关键影响因素。
④电子商务销售额占GDP比重、电子商务采购与销售额、数字个人信贷水平以及数字支付水平等数字经济变量，在多数年份中均作为三级影响因素存在，它们对于平抑居民消费空间差异、促进区域居民消费均衡化起到了积极作用。
⑤对比数字经济与非数字经济变量的影响力时，可以发现非数字经济变量（如人均可支配收入、人均GDP、城镇化水平）对于空间差异性的平均影响力显著大于数字经济变量。这表明非数字经济因素在推动居民消费不均衡发展方面起了主要作用。然而，与之相反的是，数字经济变量在促进居民消费均衡化发展方面明显具有不可忽视的作用。
⑥进一步分析数字经济变量内部的不同表现，可以发现人均邮电业务量的波动性最大。在数字经济尚未在全国范围内繁荣发展的早期阶段，人均邮电业务量因地区差异显著而具有较强的驱动力。然而，随着邮电业务的全国普及，其空间差异性显著降低，驱动力也随之减弱。与此同时，电子商务销售额占GDP比重、电子商务采购与销售额、移动电话普及率、数字支付水平以及个人数字信用水平等数字经济变量对于省域居民消费均衡化发展则表现出相对稳定的驱动力。
⑦数字经济通过多方面作用促进了中国省域居民消费的均衡化（图7）。其中，移动电话普及率的提升不仅扩大了居民对数字经济的使用广度和深度，还促进了相关产业的发展和经济的增长；数字金融产品如支付宝等的跨区域特性增加了居民的收入来源，进一步缩小了消费差异；数字化支付的便利性使得消费者能够更加方便地进行网络消费，从而增加了消费的频率和金额。此外，数字信贷和快递业等数字经济支撑产业的发展也为居民消费空间差异的降低提供了重要支撑。
图7 数字经济背景下省域居民消费均衡化发展的内在机理

Fig.7 The internal mechanism of balanced development of provincial residents' consumption in the context of the digital economy

综上所述，数字经济在驱动省域居民消费方面有效促进了居民消费的均衡化发展。这一发现为制定和优化居民消费政策提供了新的视角和参考。

4 结论和建议

4.1 结论

本文基于2013—2020年中国31个省份的面板数据，综合运用空间自相关分析和地理探测器模型，系统考察了数字经济对省域居民消费均衡化发展的影响机制。主要结论如下：
①空间自相关检验表明，中国省域居民消费支出存在显著的空间依赖性，呈现明显的“东高西低”梯度分布特征。进一步的空间聚类分析显示，L-L型集聚是主要的空间关联模式。这种空间格局的稳定性反映出非数字经济因素的地理锁定效应是阻碍消费均衡化的重要约束。
②地理探测器结果显示，数字经济单因子解释力虽低于传统经济因素，但其空间穿透性特征显著。具体而言，数字支付、数字信贷等数字金融因素，以及电子商务、人均邮电业务量等数字基础设施表现出较强的空间均衡效应。
③交互分析发现，数字经济与传统因素存在协同增强效应。其中数字支付∩市场化程度、电子商务∩交通基础设施等交互组合的解释力显著提升，且数字经济要素在交互中保持稳定性。
本文通过构建“数字基础—数字应用—数字环境”三维数字经济驱动因素分析框架，揭示了数字经济促进消费均衡化的“空间壁垒突破—交易成本降低—消费可达性提升”作用路径。相较于既有研究聚焦城乡差异[27]，研究结果不仅验证了既有文献关于数字经济缩小区域消费差距的观点[16-17,25-26]，还在研究视角、分析框架和作用机理等方面做出了有益补充，为从省域空间视角理解区域协调发展提供了新的分析维度。

4.2 建议

基于上述研究结果，为有效减少我国居民消费的空间差距，促进区域居民消费均衡化发展，本文提出以下政策建议：
①优化传统要素，夯实均衡发展基础。针对非数字经济因素的区域差异，建议实施“中西部城镇化质量提升工程”，重点增强产业支撑能力和公共服务水平，力争到2030年使中西部地区城镇化率与东部地区差距进一步缩小；完善区域协调发展机制，通过财政转移支付和产业梯度转移，逐步缩小人均GDP和可支配收入的区域差异；建立消费潜力评估体系，对低消费省份实施定向政策扶持。
②赋能数字要素，实施差异化发展策略。基础设施方面，实施“数字鸿沟弥合计划”，重点提升中西部地区数字基础设施；应用场景方面，东部地区可打造数字消费创新中心，培育数字消费新业态，中西部地区可开展“数字便民消费行动”；要素培育方面，设立数字消费信贷专项基金，使中西部地区数字信贷渗透率进一步提升。
③创新协同治理，构建均衡发展新机制。基于要素交互增强效应，建议建立“数字—传统”要素协同发展指数，实施“区域数字结对工程”，推动东部地区数字经济优势省份与中西部地区省份建立对口帮扶机制；在成渝、长江中游、中部地区等城市群设立“数字消费协同发展示范区”，探索跨区域消费数据共享机制；构建“数字经济消费调节基金”，对消费低洼地区给予数字基础设施建设补贴。
综上所述，通过构建“传统要素提质—数字要素赋能—体制机制创新”三位一体的政策体系，系统性地推动形成区域消费均衡发展新格局。建议选择典型区域开展政策试点，待成熟后向全国推广实施。

感谢中国科学院地理科学与资源研究所徐成东研究员给予的修改意见和建议。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
刘导波, 张思麒. 数字经济赋能居民消费:理论机制与微观证据[J]. 消费经济, 2022, 38(1):72-82.

[2]
杨文辉. 利益格局与居民消费[J]. 经济研究, 2012, 47(Suppl):28-37.

[3]
Peng B, Fracasso A. Regional consumption inequality in China:An oaxaca-blinder decomposition at the prefectural level[J]. Growth & Change, 2017, 48(3):459-486.

[4]
邹红, 李奥蕾, 喻开志. 消费不平等的度量、出生组分解和形成机制——兼与收入不平等比较[J]. 经济学(季刊), 2013, 12(4):1231-1254.

[5]
陈志刚, 吕冰洋. 中国城镇居民收入和消费不平等的构成及其关系[J]. 经济理论与经济管理, 2016(12):32-45.

[6]
王小鲁, 樊纲. 中国地区差距的变动趋势和影响因素[J]. 经济研究, 2004(1):33-44.

[7]
陆地, 孙巍. 转型期收入空间分布不平衡与消费结构升级——基于中国家庭追踪调查数据的实证检验[J]. 消费经济, 2019, 35(4):27-37.

[8]
Tapscott D. The Digital Economy:Promise and Peril in the Age of Networked Intelligence[M]. New York: McGraw-Hill Companies, 1995.

[9]
Cheon B Y, Kim H W. Digital Economy and Job Creation[R]. Yeongi-gun: Korea Labor Institute, 2003.

[10]
Teo T S H. Understanding the digital economy:Data,tools,and research[J]. Asia Pacific Journal of Management, 2001(18):553-555.

[11]
OUP. Digital Economy, Oxford Dictionary[D]. Oxford: Oxford University Press, 2017.

[12]
Turcan V, Gribincea A, Birca I. Digital economy-A premise for economic development in the 20th century[J]. Economy and Sociology:Theoretical and Scientifical Journal, 2014(2) 109-115.

[13]
Chen Y, Wang L. Commentary:Marketing and the sharing economy:Digital economy and emerging market challenges[J]. Journal of Marketing, 2019(83):28-31.

[14]
Miao Z. Digital economy value chain:Concept,model structure,and mechanism[J]. Applied Economics, 2021, 53,4342-4357.

DOI

[15]
钟若愚, 曾洁华. 数字经济对居民消费的影响研究——基于空间杜宾模型的实证分析[J]. 经济问题探索, 2022(3):31-43.

[16]
邹新月, 王旺. 数字普惠金融对居民消费的影响研究——基于空间计量模型的实证分析[J]. 金融经济学研究, 2020, 35(4):133-145.

[17]
马德功, 韩喜昆, 赵新. 互联网消费金融对我国城镇居民消费行为的促进作用研究[J]. 现代财经(天津财经大学学报), 2017, 37(9):19-27.

[18]
张李义, 涂奔. 互联网金融信息优势对同业市场利率影响的实证研究——基于商业银行经营决策分析[J]. 财经论丛, 2018(2):47-57.

[19]
毛中根, 武优勐, 谢迟. 长三角城市群消费水平空间格局及其影响机制[J]. 经济地理, 2020, 40(12):56-62.

DOI

[20]
魏勇, 杨刚, 杨孟禹. 城镇居民消费升级特征与动因研判——基于空间溢出视角的实证研究[J]. 经济问题探索, 2017(1):51-63.

[21]
黄彩虹, 张晓青. 创新驱动、空间溢出与居民消费需求[J]. 经济问题探索, 2020(2):11-20.

[22]
王霞. 数字经济引领消费升级的本地效应与空间溢出效应[J]. 商业经济研究, 2022(2):68-71.

[24]
李浩, 黄繁华. 数字经济能否促进服务消费?[J]. 现代经济探讨, 2022(3):14-25,123.

[25]
焦帅涛, 孙秋碧. 数字经济发展与消费升级联动的机理及其实证研究[J]. 工业技术经济, 2021, 40(12):84-93.

DOI

[26]
谭恒鑫, 李欣雨, 朱小明. 数字经济时代的互联网普及与中国消费差异——基于CFPS2010—2018年数据的实证研究[J]. 宏观经济研究, 2022(2):83-106.

[27]
沈中奇. “互联网+零售” 对消费升级的影响——基于长三角区域差异性视角的实证[J]. 商业经济研究, 2020(22):39-42.

[28]
张彤进, 蔡宽宁. 数字普惠金融缩小城乡居民消费差距了吗?——基于中国省级面板数据的经验检验[J]. 经济问题, 2021(9):31-39.

[29]
徐蕾. 数字经济发展对消费不平等的破解效应与作用路径[J]. 商业经济研究, 2021(15):61-64.

[30]
胡月. 移动支付能提高我国居民消费支出吗?[D]. 西安: 陕西师范大学, 2020.

[32]
Wang J F, Li X H, Christakos G, et al. Geographical detectors-based health risk assessment and its application in the neural tube defects study of the Heshun region,China[J]. International Journal of Geographical Information Science, 2010, 24(1):107-127.

DOI

[33]
Wang J F, Hu Y. Environmental health risk detection with GeogDetector[J]. Environmental Modelling & Software, 2012(33):114-115.

[34]
孙道亮, 洪步庭, 任平. 都江堰市农村居民点时空演变与驱动因素研究[J]. 长江流域资源与环境, 2020, 29(10):2167-2176.

[35]
李衡, 韩燕. 黄河流域PM2.5时空演变特征及其影响因素分析[J]. 世界地理研究, 2022, 31(1):130-141.

DOI

[37]
刘海龙, 管志涛. 中国电影产业时空演变特征及驱动因素[J]. 热带地理, 2021, 41(5):943-955.

DOI

[38]
刘宇, 周建新. 我国居民文化消费空间差异及驱动因素研究[J]. 统计与决策, 2020, 36(13):90-93.

[39]
高远. 数字普惠金融视角下我国零售业创新发展研究[J]. 商业经济研究, 2019(13):160-163.

[40]
艾天霞, 张慧芳. 中国省域居民消费升级模式的统计评价[J]. 统计与决策, 2019, 35(22):93-96.

[41]
潘明清, 高文亮. 我国城镇化对居民消费影响效应的检验与分析[J]. 宏观经济研究, 2014(1):118-125.

[42]
李红平. 城镇化水平、消费结构与居民消费升级关系实证分析[J]. 商业经济研究, 2018(11):40-43.

[43]
田长海, 刘锐. 消费金融促进消费升级的理论与实证分析[J]. 消费经济, 2013, 29(6):18-21,26.

[44]
郭峰, 王靖一, 王芳, 等. 测度中国数字普惠金融发展:指数编制与空间特征[J]. 经济学(季刊), 2020, 19(4):1401-1418.

[45]
吴腾. 基于PSO-BP神经网络的交通对城市碳排影响及预测分析[D]. 徐州: 中国矿业大学, 2022.

[46]
张庆华. 中国银行业网点分布、行业结构及影响因素分析[D]. 郑州: 河南大学, 2020.

[47]
何宗樾, 宋旭光. 数字金融发展如何影响居民消费[J]. 财贸经济, 2020, 41(8):65-79.

Options
Outlines

/

〈 〉