一、引言

自20世纪90年代以来，伴随着信息通信技术的进步与扩散，互联网逐渐成为当今社会的时代潮流，对经济社会发展带来了战略性和全局性的影响。近年来，中国顺应互联网发展趋势，积极探索互联网与各个领域的融合发展^①，其中，尤为引入注目的是，互联网在农村地区的发展日新月异，与“三农”领域的融合不断拓展与深化(万宝瑞，2015；周应恒、刘常瑜，2018)。据中国互联网络信息中心(China Internet Network Information Center，简称CNNIC)发布的《2015年农村互联网发展状况研究报告》^②显示，截至2015年底，农村网民规模达到1.95亿，农村地区互联网普及率达到31.6%，互联网正在潜移默化地影响着农村居民的生活方式。除了电子商务导致交易方式的改变之外，对农村居民影响最大的当属休闲娱乐方式的改变。以网络视频为例，CNNIC发布的数据显示，截至2015年12月，农村网民网络视频用户规模为1.31亿，年均增长率超过20%，尤其是以“快手网络”为代表的移动端短视频应用席卷整个农村地区，使农村居民的休闲娱乐生活更加丰富多彩。

①《国务院关于积极推进“互联网+”行动的指导意见》(国发〔2015〕40号)，2015年7月4日。

② http://www.cnnic.net.cn/hlwfzyj/hlwxzbg/ncbg/201608/t20160829_54453.htm，2015年农村互联网发展状况研究报告，2016年8月29日。

众所周知，幸福是绝大多数人生活的终极目标(Frey and Stutzer, 2002)，是个人对生活质量的总体评价与内心状态的主观反馈(曾迪洋、洪岩璧，2016)。那么，互联网能给农村居民带来幸福效应吗？如果会，互联网影响农村居民幸福感的特征是怎样的？互联网又是通过何种途径影响农村居民的幸福感呢？对于这一话题的研究不仅有助于我们加深对互联网的认识，更有助于进一步优化互联网工具，让农村居民共享互联网发展的时代成果，拥有更多的获得感与满足感。

基于上述考虑，本文结合中国社会状况综合调查2015年度数据，旨在系统考察互联网对农村居民幸福感的影响。研究表明，掌握互联网技能的农村居民感到“非常幸福”的概率显著高出2.6%，在结合倾向得分匹配法和内生转换模型纠正潜在的选择性偏误之后，结论依然稳健。进一步来看，互联网技能的幸福效应存在明显的异质性，中西部地区农村居民掌握互联网技能获得的幸福效应要比东部地区农村居民更明显，青年人掌握互联网技能获得的幸福效应要明显强于中老年人。此外, 互联网技能之所以有助于提升农村居民的幸福感，可能是因为互联网技能有助于丰富闲暇生活，尤其是丰富休闲娱乐活动。

本文余下部分的安排如下：第二部分是文献综述；第三部分对数据来源及概况进行说明、对主要变量进行描述性统计并构建计量模型；第四部分展示实证结果并进行分析；第五部分对全文进行总结，并阐述相应的政策启示。

二、文献综述

伴随着第三次科技革命，信息通信技术实现了飞速发展，互联网与各领域的融合展现出广阔前景和无限潜力。已有研究表明，互联网的应用和推广已经成为了经济增长的重要引擎与内生动力(Czernich et al., 2011；黄志军等，2016)。伴随着Freund and Weinhold(2002)开创性的研究，互联网对国际贸易的推动作用也开始广受关注(Fink et al., 2005；施炳展，2016；岳云嵩等，2016)。不仅如此，互联网的普及还有助于催生新的商业模式(Czernich et al., 2011；罗珉、李亮宇，2015)，增强企业的研发能力(Kafouros，2006；李海舰等，2014)，强化企业之间的竞争(卢安文等，2017)。已有研究还表明，互联网有助于扩大就业(Atasoy，2013；Kuhn and Skuterud, 2014)、激发创业(史晋川、王维维，2017)，互联网对金融领域改革与发展的推动作用也十分强劲(谢平、邹传伟，2012)等。除了对经济领域的深刻影响，互联网还“冲击”着人们的行为观念与生活状态。相关研究表明，互联网会影响人们对社会的认同意识(王文彬、吴海琳，2014)，改变人们的政治参与行为(孟天广、季程远，2016)。苏振华、黄外斌(2015)的研究进一步指出互联网会通过“扭转”人们的价值观而弱化政治信任，陈思宇等(2016)的研究也发现，互联网的使用对人们的价值观有显著影响，互联网的使用降低了个人对努力的认可度，却提高了对“关系”的认可程度，且这一影响集中体现在使用互联网进行娱乐的个体当中。

近年来，伴随着“唯GDP论”经济发展战略的反思，幸福感逐渐成为经济学的研究热点。众多学者致力于探讨影响幸福感的因素，收入成为了学者们关注的焦点，从绝对收入到相对收入再到收入不平等，相关研究可谓汗牛充栋(Ferrer-i-Carbonell，2005；Clark et al., 2008；何立新、潘春阳，2011)。除此之外，个体因素方面，诸如年龄、教育程度、婚姻、健康、住房状况、宗教信仰等也得到了众多关注(Blanchflower and Oswald, 2004；Dietz and Haurin, 2003；Brown and Tierney, 2009)。外部因素同样备受瞩目，包括失业、通货膨胀、环境污染、民主发育、政府质量等(Alesina et al., 2004；Mackerron and Mourato, 2009；Stadelmann and Vatter, 2012；陈前恒等，2014)。

实际上，过往已有不少研究关注互联网对幸福感的影响。不过，关注的群体大多是大学生(Gross et al., 2002；Mitchell et al., 2011)、老年人(Dickinson and Gregor, 2006)或是城镇居民(王鹏，2014；周广肃、孙浦阳，2017)，鲜有研究聚焦农村居民。近些年，互联网在农村地区的发展发生了翻天覆地的变化，对于农村居民而言，互联网早已不是当年的“阳春白雪”，农村居民受到互联网的影响也不可同日而语，因此本文考察互联网对农村居民幸福感的影响具有重要的现实意义。

那么，互联网会如何影响农村居民的幸福感呢？就宏观层面而言，已有研究证实，互联网的推广、普及有可能拉动农村就业(周冬，2016；马俊龙、宁光杰，2017)，带动农村家庭创业(周洋、华语音，2017)，进而提升农村居民的收入水平与消费水平(周冬，2016；刘湖、张家平，2016)，而这些因素很可能对农村居民的幸福感产生正面影响。当然，也有研究指出互联网的普及对城市居民的收入回报远高于农村居民。因此，互联网给农村带来的可能不是“信息红利”而是更大的“信息鸿沟”(谭燕芝等，2017)，而这一因素很可能会弱化农村居民的幸福感。从微观层面来讲，互联网对农村居民幸福感的影响包括正反两个方面的效应。从正面效应来看，首先，互联网能够拓展信息获取渠道、加速并强化信息获取能力(张永林，2016)，还能为农村居民提供更为丰富、便捷的休闲娱乐方式，如搜索引擎、网络游戏、网络视频等。其次，互联网作为社会交往媒介，还有助于提高农村居民的社会互动水平，拉近相互间的社会距离(Larose et al., 2001)，如当前盛行的微信、微博、QQ等。再者，互联网提供的电子商务平台，还能使农村居民的消费方式更趋多样化、日常生活更加丰富。从负面效应来讲，互联网的不合理或者过度使用，可能导致网络成瘾，进而减少社交参与度，增加人们的孤独感(Huang，2010)，甚至可能诱发网络犯罪。此外，由于信息传播的匿名性，互联网成为了暴力、色情、赌博、邪教等垃圾信息的“重灾区”，利用互联网进行违法犯罪活动(如网络诈骗等)的行为也日益“猖獗”(王鹏，2014)，而这些都可能给农村居民的身心健康带来负面影响。

综上所述，互联网是否会给农村居民带来幸福效应，取决于上述哪方面逻辑起主导作用，这些问题需要实证检验才能够解答。为此，本文结合中国社会状况综合调查2015年度数据展开严谨的实证分析。

三、数据、变量与模型 (一) 数据来源与说明

本文使用的是中国社会状况综合调查(Chinese Social Survey，简称CSS)2015年度数据^①，该项调查是由中国社会科学院社会学研究所于2005年发起的一项涵盖劳动就业、家庭及社会生活、社会态度等诸多方面内容的纵贯抽样调查项目。目的是通过对全国公众的劳动就业、家庭及社会生活、社会态度等方面的长期纵贯调查，来获取转型时期中国社会变迁的数据资料，从而为社会科学研究和政府决策提供翔实而科学的基础信息(李培林、田丰，2011)。CSS2015年度数据利用第5次人口普查和第6次人口普查分区县市资料设计抽样框，采用多阶段分层概率抽样的入户访问方式，在全国的30个省份、151个县(区)、604个居(村)民委员会展开调查。本文关注的是互联网技能与农村居民幸福感的关系，为此，从数据中选取农业户籍样本，在对变量的缺失值、错误值处理后，最终得到含有7395个观测值的基准样本。

① CSS数据来自中国社会科学院、中国社会科学院-上海市人民政府上海研究院资助的《2015年中国社会状况综合调查》。该调查由中国社会科学院社会学研究所执行，项目主持人为李培林。作者感谢上述机构及其人员提供数据协助，文责自负。

(二) 变量选择

1.幸福感。本文关注的被解释变量是农村居民的幸福感。CSS2015问卷中通过向被访者询问“总的来说，我是一个幸福的人”，被访者的回答分别为“非常不幸福、不太幸福、一般、比较幸福、非常幸福”，文中分别赋值为1-5的整数。如表 1所示，在被访的7389位农村居民当中，回答“比较幸福”的比例最大，为40.61%，回答“一般”的比例次之，为26.96%，而回答“非常不幸福”的比例最小，为4.32%。进一步，通过表 2(描述性统计)我们了解到，被访的农村居民幸福感平均水平为3.521，大致处于“一般”和“比较幸福”之间。

2.互联网技能。本文关注的核心解释变量是农村居民是否掌握互联网技能，CSS2015问卷向被访者询问了“您是否掌握互联网技能”，被访者回答的选项为“是”或“否”。其中回答掌握互联网技能的农村居民有2237人，占比为30.27%，不掌握互联网技能的农村居民5152人，占比为69.73%^①。此外，问卷还询问了“您是否经常使用互联网功能”，被访者回答的选项包括“不使用、时不时使用和经常使用”。数据显示，平时不使用互联网功能的农村居民超过七成，达到5359人；而经常使用互联网的农村居民为1086人，比例为14.69%；时不时使用互联网的农村居民950人，比例为12.85%。图 1中可以看出，掌握互联网技能的农村居民汇报“非常幸福”和“比较幸福”的比例分别达到19.10%和45.84%，远高于不掌握互联网技能的农村居民的14.8%和38.36%；进一步，不掌握互联网技能的农村居民汇报“非常不幸福”和“不太幸福”的比例则远高于掌握互联网技能的农村居民。CSS2015数据还显示，不掌握互联网技能的农村居民幸福感的均值为3.433，而掌握互联网技能的农村居民幸福感的均值为3.729，后者比前者高出0.296。

① CNNIC发布的《2014年农村互联网发展状况研究报告》显示，截至2014年12月，中国农村网民规模达1.78亿人；2015年《中国统计年鉴》显示，截至2014年末，中国农村居民数量为6.19亿人，据此匡算，2014年中国农村网民比例约为28.75%，这一比例与本文测算比例基本吻合。

3.控制变量。依据CSS2015问卷，并参考过往幸福感的相关研究，本文将一系列控制变量纳入后文的实证分析。如表 2所示，所选取的控制变量主要包括年龄、性别、教育年限、婚姻状态、政治面貌、收入水平、相对收入地位、医疗保险、社会评价等。考虑到不同地区(省份)农村居民互联网技能掌握情况可能存在差异，故以虚拟变量形式对地区(省份)效应进行控制。

(三) 模型设定

1.基准模型

幸福感是典型的离散型排序数据，本文遵循国内外文献的通用处理方式，采用有序概率模型(Ordered Logit，简称“Ologit”)进行回归(Clark et al., 2008；卿石松等，2016)。Ologit模型将幸福感视为排序变量看待，需要使用潜变量推导出MLE(极大似然估计)估计量。具体而言，我们估计以下模型：

$ Happines{s_i} = \alpha + \beta Ne{t_i} + \gamma {Z_i} + {\varepsilon _i} $

(1)

Happiness_i表示第i位农村居民的幸福感，Net_i表示第i位农村居民的互联网技能掌握情况；Z_i为控制变量(包括年龄、性别、教育年限、婚姻状态、政治面貌、收入水平、相对收入地位、医疗保险、社会评价等)。Happiness_i^*是潜变量，当Happiness_i^*低于临界值C1时，农村居民感到非常不幸福(Happiness_i=1)，高于C1但低于C2时，感到不太幸福(Happiness_i=2)，以此类推，当Happiness_i^*高于C4时，农村居民感到非常幸福(Happiness_i=5)。如式(2)所示：

$ Happines{s_i} = \left\{ {\begin{array}{*{20}{l}} {1,Happiness_i^* \le C1}&{}\\ {2,C1_i^* < Happiness_i^* \le C2}&{}\\ { \cdots \; \cdots }&{}\\ {5,C4 < Happiness_i^*}&{} \end{array}} \right. $

(2)

假设ε_i服从于逻辑分布，X表示所有解释变量，Λ(·)表示累积分布函数，则Happiness_i可以表示为：

$ \begin{array}{l} P\left( {Happines{s_i} = 1} \right) = \Lambda \left( {C1 - X\beta } \right)\\ P(Happines{s_i} = 2) = \Lambda \left( {C2 - X\beta } \right) - \Lambda \left( {C1 - X\beta } \right)\\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\; \ldots \; \ldots \; \ldots \; \ldots \\ P\left( {Happines{s_i} = 5} \right) = 1 - \Lambda \left( {C4 - X\beta } \right) \end{array} $

(3)

进一步，由于Ologit模型估计出的系数并不直观，只能从显著性和参数符号方面给出有限的信息，因此，我们在实证分析中汇报的是各解释变量对幸福感(Happiness_i=5)影响的边际效应(连玉君等，2015)。

$ \frac{{P\left( {Happines{s_i} = 5} \right)}}{{/\partial X}} = \beta \Lambda (C4 - X\beta ) $

(4)

2.倾向得分匹配法

考虑到农村居民是否掌握互联网技能很可能并不满足随机抽样，而是“自我选择”的结果，即掌握互联网技能的农村居民与不掌握互联网技能的农村居民在自身特征层面存在系统性差异，直接进行回归可能存在选择性偏误。为此，本文利用倾向得分匹配法构造反事实框架，以此来纠正可观测变量引致的潜在的选择性偏误。

倾向得分(Propensity Score)的概念由Rosenbaum and Rubin(1983)首次提出，他们将倾向得分定义为个体在控制可观测到的“混淆”变量后，受到某种解释变量影响的条件概率。利用控制倾向评分得出的现象之间的因果关系可以排除“混淆”变量的影响，获取解释变量与被解释变量之间的“净效应”。具体步骤包括：

第一步，估计倾向得分值，根据一些可以观测到的“混淆”变量，运用Logit模型预测农村居民掌握互联网技能的概率，如下式所示：

$ P\left( {{X_i}} \right) = {\rm{Pr}}({D_i} = 1|{X_i}) $

(5)

第二步，通过使用不同匹配方法(如近邻匹配、核匹配、局部线性匹配、样条匹配等)，根据倾向得分对处理组(掌握互联网技能的农村居民)和控制组(不掌握互联网技能的农村居民)进行匹配，以此消除样本的选择性偏误，起到近似于随机试验的作用。

第三步，基于匹配样本，比较处理组和控制组农村居民幸福感的平均差异，得到互联网技能对农村居民幸福感的因果关系系数，即处理组平均处理效应(Average Treatment Effect on Treated，ATT)，如式(6)所示，其中，D_i指的是包含1和0的“处理变量”，当D_i=1时，个体进入处理组，当D_i=0时，个体进入控制组；P(X_i)表示倾向得分值；Y_1i和Y_0i分别表示处理组和控制组的估计结果。

$ \begin{array}{l} ATT = E\left[ {\left( {{Y_{1i}} - {Y_{0i}}} \right)|{D_i} = 1} \right]\\ \;\;\;\;\;\;\;\; = E\left\{ {E\left[ {\left( {{Y_{1i}} - {Y_{0i}}} \right)|{D_i} = 1} \right],P\left( {{X_i}} \right)} \right\}\\ \;\;\;\;\;\;\;\; = E\{ E\left[ {\left( {{Y_{1i}}|{D_i} = 1,P\left( {{X_i}} \right)} \right] - E} \right[({Y_{0i}}\left| {{D_i} = 0,P\left( {{X_i}} \right)]} \right|{D_i} = 1\} \end{array} $

(6)

3.内生转换模型

倾向得分匹配法依据可观测变量纠正选择性偏误，当变量选取过少或者选取不当时，仍然难以获得一致估计(陈强，2014；赵西亮，2015)。为此，基于Lokshin and Sajaia(2004)等提出的内生转换模型进一步纠正不可观测变量带来的选择性偏误。相比于倾向得分匹配法，这一方法可以同时估计掌握互联网技能和不掌握互联网技能两组模型，并通过全信息最大似然估计将那些不可观测的偏误纳入选择模型中，以纠正选择性偏误。此外，该方法还能够实现反事实分析(李雪松、黄彦彦，2015；史常亮等，2017；刘同山，2017)。

内生转换模型的具体思路是：第一步，使用Logit或Probit模型估计农村居民掌握互联网技能的概率；第二步，基于掌握互联网技能和不掌握互联网技能的两个子样本估计两者幸福感存在的差异。具体而言，内生转换模型包括以下三个模型：

选择方程：

$ Net_{\rm{i}}^* = \alpha + \psi {S_i} + {\mu _i};Net = 1(Net_{\rm{i}}^* > 0) $

(7)

其中，Net_i^*为不可观测的潜变量，当Net_i^*>0时，Net=1，即农村居民掌握互联网技能。S_i为控制变量，除了包括Z_i中的变量外，还包括“家庭是否拥有电脑”这一变量。α、ψ为待估参数，μ_i为随机扰动项。

决定方程(掌握互联网技能和不掌握互联网技能)：

$ Happines{s_{1i}} = {\alpha _1} + {\gamma _1}{Z_{1i}} + {\varepsilon _{1i}}\;\;f\;Ne{t_i} = 1 $

(8)

$ Happines{s_{0i}} = {\alpha _0} + {\gamma _0}{Z_{0i}} + {\varepsilon _{0i}}\;\;\;if\;Ne{t_i} = 0 $

(9)

其中，Happiness_1i和Happiness_0i分别表示掌握互联网技能和不掌握互联网技能的农村居民的幸福感，α₀、α₁、γ₀、γ₁表示待估参数，ε_0i、ε_1i表示随机扰动项。

基于内生转换模型的式(8)和式(9)，掌握互联网技能和不掌握互联网技能的农村居民的幸福感可以表述为式(10)和式(11)，他们的反事实模型则可以表示为式(12)和式(13)。这四个结果变量的条件期望表述如下：

$ E\left( {Happines{s_{1i}}|Ne{t_i} = 1} \right) = {\alpha _1} + {\gamma _1}{Z_{1i}} + {\varepsilon _{1i}} $

(10)

$ E\left( {Happines{s_{0i}}|Ne{t_i} = 0} \right) = {\alpha _0} + {\gamma _0}{Z_{0i}} + {\varepsilon _{0i}} $

(11)

$ E\left( {Happines{s_{0i}}|Ne{t_i} = 1} \right) = {\alpha _0} + {\gamma _0}{Z_{1i}} + {\varepsilon _{1i}} $

(12)

$ E\left( {Happines{s_{1i}}|Ne{t_i} = 0} \right) = {\alpha _1} + {\gamma _1}{Z_{0i}} + {\varepsilon _{0i}} $

(13)

掌握互联网技能的农村居民的幸福感的平均处理效应(ATT)可以表述为式(10)与式(12)之差：

$ ATT = E\left( {Happines{s_{1i}}|Ne{t_i} = 1} \right)-E(Happines{s_{0i}}|Ne{t_i} = 1) $

(14)

类似地，不掌握互联网技能的农村居民的幸福感的平均处理效应(Average Treatment Effect on Untreated，ATU)可以表述为式(13)与式(11)之差：

$ ATU = E\left( {Happines{s_{1i}}|Ne{t_i} = 0} \right) - E(Happines{s_{0i}}|Ne{t_i} = 0) $

(15)

四、实证结果与分析

首先，将互联网技能作为核心解释变量，并运用OLS(普通的最小二乘法)回归^①和Ologit模型进行估计。考虑到掌握互联网技能可能是农村居民“自我选择”的结果，可能存在未知的选择性偏误，为此，通过倾向得分匹配法和内生转换模型构造反事实框架进行纠正。随后，通过模型调整、变量调整等稳健性检验进一步评估实证结果的可信度。就此，探讨互联网使用对农村居民幸福感的影响，并从区域和年龄层面探讨互联网技能对农村居民幸福感产生效应的可能的异质性，剖析互联网技能对农村居民幸福感可能的作用机制。

① Ferrer-i-Carbonell and Frijters(2004)在研究中指出，对于幸福感的研究，OLS回归和排序选择模型显著性和系数的符号具有较高程度的一致性。为此，本文同时汇报了OLS回归和Olgoit模型结果。当然，这样还能形成相互对照，有助于判别回归结果的稳健性。

(一) 基准回归——互联网技能对农村居民的幸福效应

本文的主要实证分析过程运用Stata13.1/MP软件进行处理，考虑到模型可能存在异方差，实证结果均汇报经过Robust命令校准的稳健标准误差。另外，考虑到变量可能存在多重共线性问题，使用方差膨胀因子(Variance Inflation Factor)进行检验，结果表明，除了年龄及年龄平方项的方差膨胀因子超过10之外，其他变量间的方差膨胀因子均小于3，不存在严重的多重共线性问题。

如表 3所示，OLS回归和Ologit模型的第(1)列都是只控制核心解释变量，第(2)列进一步加入控制变量，第(3)列则进一步将地区虚拟变量纳入模型。整体来看，无论是OLS回归还是Ologit模型都运行良好，从第(1)列到第(3)列，R²或Pseudo R²值逐步提高，F值或Wald卡方值均在1%的统计水平上通过了显著性检验。并且，变量的影响方向和显著性水平在各列之间也没有显著变化，表明模型估计结果具有较强的稳健性。最为重要的是，无论是将幸福感视为连续变量的OLS回归，还是考虑幸福感内在排序的Ologit模型，估计结果都显示，掌握互联网技能在1%的统计水平上显著提升了农村居民的幸福感，加入控制变量以及地区虚拟变量后，结论依然成立。进一步来看，依据Ologit模型第(3)列结果来看，相比于不掌握互联网技能的农村居民，掌握互联网技能的农村居民汇报“非常幸福”的概率显著高出2.6%。

控制变量方面，绝大部分变量也会显著影响到幸福感，且结果与以往文献基本一致。根据Ologit模型第(3)列结果来看，年龄对幸福感的影响呈现“U”型分布态势，这一结果与Alesina et al.(2004)等的结论一致。女性比男性幸福感水平更高(陈刚、李树，2012)，受教育年限对幸福感在1%的统计水平上有显著正向影响(Blanchflower and Oswald, 2004)，党员的幸福感比非党员要更高(鲁元平等，2016)，收入水平对农村居民幸福感有显著正向影响、相对收入地位则与农村居民幸福感有显著负向影响(何立新、潘春阳，2011)，医疗保险与农村居民幸福感在1%的统计水平上正相关(秦立建、陈波，2014)，相比于未婚农村居民来讲，在婚农村居民的幸福感更强，而离婚/丧偶农村居民的幸福感则打了“折扣”(Blanchflower and Oswald, 2004)。此外，民族(汉族=1)与幸福感显著正相关；宗教(信教=1)对幸福感有负向影响；社会评价水平越高，农村居民的幸福感越高。当然，需要申明的是，考虑到控制变量可能具有潜在的内生性问题，因此，我们不对这些变量的结果进行过多的讨论与引申。

(二) 内生性讨论

1.倾向得分匹配法

首先对掌握互联网技能的样本和不掌握互联网技能的样本进行倾向值匹配，通过一系列影响幸福感的因素(文中的控制变量全部纳入模型)建立Logit模型，然后根据模型结果估计出农村居民掌握互联网技能的倾向值，并在此基础上进行匹配。如表 4所示，通过测算经过匹配后掌握互联网技能和不掌握互联网技能的两组样本的ATT。无论是最小近邻匹配、核匹配、局部线性匹配、半径匹配还是样条匹配，ATT的结果都显示，在消除了样本间可观测的系统性差异后，掌握互联网技能会给农村居民带来幸福效应。

进一步由表 4可知，最小近邻匹配、核匹配、半径匹配、样条匹配的ATT均在1%的统计水平上显著，而局部线性匹配的ATT则在10%的统计水平上显著；最小近邻匹配的ATT数值最大，为0.2247，核匹配与局部线性匹配的ATT数值比较接近，分别为0.1775和0.1769，而半径匹配和样条匹配的ATT数值略小，分别为0.1442和0.1475。虽然在不同匹配方法之下，ATT的显著性与数值略有差异，但这已经足够证明，对于农村居民而言，掌握互联网技能具有显著的幸福效应。

2.内生转换模型

如表 5所示，选择方程中Wald卡方值在1%的统计水平上显著，说明从整体上看模型具备较强的显著性。进一步来看，rho1和rho2至少在10%的统计水平上显著，表明基准回归结果可能存在选择性偏误，同时表明，内生转换模型的估计结果优于基准回归结果(Lokshin and Sajaia, 2004；史常亮等，2017)。此外，考虑到各控制变量的估计结果可能存在潜在的内生性问题，因此，我们不对这些变量的结果进行过多的解释。

在内生转换模型的基础上，进一步测算了基于内生转换模型的ATT、ATU，并与OLS估计结果及倾向得分匹配结果相比较，其中，OLS估计结果为基准分析中的第(3)列，倾向得分匹配的估计结果为样条匹配下得出的ATT。如表 6所示，内生转换模型所得ATT为0.231，而ATU则为-0.122。相比之下，OLS的估计结果仅为0.125，说明因为存在选择性偏误，导致互联网技能的幸福效应被低估。同样，由于倾向得分匹配法仅纠正可观测变量的选择性偏误，因此也对互联网技能的幸福效应有一定程度的低估。

(三) 稳健性检验

为了进一步验证分析结果的稳健性，进一步对包括将核心解释变量互联网技能替换为电脑技能，将被解释变量幸福感替换为生活满意度，以及将Ologit模型替换为Oprobit模型等展开了一系列稳健性检验。

如表 7所示，第(1)列将核心解释变量替换为电脑技能，分析结果支持电脑技能对农村居民幸福感的显著正向效应；第(2)列将被解释变量替换为生活满意度后，分析结果表明互联网技能对生活满意度的显著正向效应；同样，第(3)列Oprobit模型结果也显示，互联网对农村居民幸福感具有显著正向效应。以上结果进一步证实，互联网技能给农村居民带来的幸福效应是稳健、可信的。

(四) 扩展性分析

1.互联网使用对农村居民幸福感的影响

上文已经通过多种方法证实了互联网技能具有显著的幸福效应。不过，这仅仅回答的是互联网技能对农村居民幸福感的影响，对于互联网使用对农村居民幸福感的影响尚不具备解释力。因此，需要进一步探讨互联网使用对农村居民幸福感的影响。

由表 8可知，以不使用互联网为参照，时不时使用互联网对农村居民幸福感在10%的统计水平上有显著正向影响，同时，经常使用互联网对农村居民幸福感在1%的统计水平上有显著正向影响。进一步来看，相比于不使用互联网的农村居民，时不时使用互联网的农村居民汇报“非常幸福”的概率高1.5%，而经常使用互联网的农村居民汇报“非常幸福”的概率高1.9%。这一结果不仅为互联网技能的幸福效应提供了证据支撑，更进一步表明使用互联网对农村居民幸福感也有显著正向影响。

2.互联网技能对农村居民幸福感影响的异质性

上文虽已得出掌握互联网技能对农村居民幸福感有显著正向效应，但只是获得了全样本的平均效应，并未考虑到互联网技能对农村居民幸福感影响的异质性。为此，将进一步探讨互联网技能对农村居民幸福感影响的区域异质性与年龄异质性^①。

① 区域分组方面，东部地区包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东、广西、海南等12个省级行政单位；中部地区包括山西、内蒙古、吉林、黑龙江、安徽、江西、河南、湖北、湖南等9个省级行政单位；西部地区则包括重庆、四川、贵州、云南、西藏、陕西、甘肃、宁夏、青海等9个省级行政单位。年龄按照青年(40岁以下)、中年(40至60岁)、老年(60岁以上)进行分组。

分区域来看，东部地区农村居民掌握互联网技能对幸福感影响在统计上不显著，中部、西部地区农村居民掌握互联网技能对幸福感则在1%的统计水平上有显著正向效应。进一步从边际效应来看，在中部地区，掌握互联网技能的农村居民比不掌握互联网技能的农村居民汇报“非常幸福”的概率高4.4%，而在西部地区，掌握互联网技能的农村居民比不掌握互联网技能的农村居民汇报“非常幸福”的概率高5.8%。这表明西部地区农村居民掌握互联网技能得到的幸福效应最为明显。

分年龄来看，老年人掌握互联网技能对幸福感的影响在统计上不显著，对于中年人而言，掌握互联网技能对幸福感在5%的统计水平上有显著积极作用，而对于青年人而言，掌握互联网技能对幸福感在1%的统计水平上有显著正向影响。从边际效应来看，掌握互联网技能的青年人感到“非常幸福”的概率比不掌握互联网技能的青年人显著高出6.3%，掌握互联网技能的中年人感到“非常幸福”的概率比不掌握互联网技能的中年人显著高出2.3%。这说明青年人掌握互联网技能获得的幸福效应最为强烈。

(五) 影响机制分析

互联网技能是通过何种机制影响农村居民幸福感呢？已有研究证实，闲暇活动是影响幸福感的重要因素(Andreja et al., 2011；Wang and Wong, 2011；Wei et al., 2015；Schmiedeberg and Schroder, 2017)。正所谓劳逸结合，恰当的闲暇活动有助于缓释压力，使人们身心愉悦、精神得到满足，更好地体验生活、享受生活(罗伯特·斯特宾斯，2012；Wei et al., 2015)。

由于数据所限，问卷中并没有直接衡量农村居民闲暇活动的变量，但问卷询问了农村居民社交生活的满意度(简称“社交满意度”)以及休闲/文化/娱乐活动的满意度(简称“休闲满意度”)。从逻辑上讲，社交活动和休闲活动是农村居民生活中的重要内容，同样，社交满意度和休闲满意度也是农村居民生活满意度(或幸福感)的组成部分之一。因此，本文以社交满意度和休闲满意度为被解释变量，探讨互联网技能是否通过丰富闲暇生活提升农村居民的幸福感。

由表 10可知，第(1)至(3)列结果显示，掌握互联网技能对农村居民社交满意度的影响在统计上不显著，这一结果意味着，互联网技能并不通过改善社交满意度影响农村居民幸福感。相比之下，第(4)至(6)列结果则显示，掌握互联网技能对农村居民休闲满意度的影响在1%的统计水平上有显著正向影响。这一结果表明，互联网技能很可能通过改善农村居民的休闲满意度提升其幸福感。

五、结论与启示

在农村地区，互联网是不可阻挡的“时代洪流”，正在“冲击”着农村居民的行为观念、重塑农村居民的生活状态。在此背景之下，本文结合中国社会状况综合调查2015年度数据，系统考察了互联网对农村居民幸福感的影响。研究表明：第一，掌握互联网技能会显著提升农村居民的幸福感，在加入控制变量、地区虚拟变量后结论依然成立。相比于不掌握互联网技能的农村居民，掌握互联网技能使农村居民感到“非常幸福”的概率显著高出2.6%。第二，考虑到掌握互联网技能很可能是农村居民“自我选择”的结果，结合倾向得分匹配法和内生转换模型构造反事实框架纠正选择性偏误，得到的结果依然支持互联网技能对农村居民幸福感的正向效应。第三，扩展性分析显示，互联网使用同样能够显著提升农村居民的幸福感，相比于不使用互联网的农村居民，偶尔使用互联网使农村居民感到“非常幸福”的概率显著高出1.5%，经常使用互联网使农村居民感到“非常幸福”的概率高1.9%。第四，扩展性分析还显示，中西部地区农村居民掌握互联网技能获得的幸福效应要比东部地区农村居民更明显，尤以西部地区最为明显；相比于老年人，中年人、青年人掌握互联网技能获得的幸福效应更明显，尤以青年人最为明显。最后，影响机制的分析结果显示，互联网技能会通过丰富闲暇生活(尤其是休闲娱乐活动)，提升农村居民的幸福感。

党的十九大明确指出，在现阶段，我国社会的主要矛盾已经转变为人民日益增长的美好生活需要和不平衡不充分发展之间的矛盾。众所周知，互联网是当今社会的“时代洪流”，而幸福就是人民美好生活的终极目标。因此，我们应当充分结合“互联网+”的时代背景，将互联网作为实现人民美好生活向往、减弱不平衡不充分发展矛盾的重要“抓手”。通过多层次、多类型的“互联网+”发展模式，努力为农村居民提供用得上、用得起、用得好的信息服务，让农村居民拥有更多的获得感与满足感。

具体而言，一方面，要将知识带到农村去，加强农村互联网技术培训，可尝试通过电脑下乡等政策培育农村居民的互联网观念，尤其要针对老年人的需求，量身定制培训内容助力其掌握互联网技能，让老年人共享互联网时代的发展成果; 另一方面，要填平地区间的“数字鸿沟”，不仅要加大对中西部地区的财政支持力度，推动其尽快补齐互联网基础设施上的短板。此外，还要推进互联网与农业的深度融合，发挥互联网在脱贫攻坚中的“催化”作用。力求通过“互联网+农业技术”、“互联网+农产品营销”、“互联网+农村金融”、“互联网+乡村旅游”等扶贫新思想、新模式，使精准扶贫工作获得“乘数效应”。当然，在推进互联网大发展的同时，净化网络空间绝对不容忽视，要着力培育积极健康、向上向善的网络文化，营造一个风清气正的网络空间。