社会资本对农民工工资水平的影响：基于四省农村调查数据的实证剖析

社会资本对农民工工资水平的影响：基于四省农村调查数据的实证剖析一、引言1.1研究背景与意义农民工，作为中国改革开放和工业化、城镇化进程中涌现的一支新型劳动大军，在我国经济社会发展中发挥着举足轻重的作用。据国家统计局数据显示，截至2024年，我国农民工总量已达2.9973亿人，如此庞大的群体，已然成为我国产业工人的重要组成部分，为城市的建设与发展贡献了不可或缺的力量。从城市拔地而起的高楼大厦，到日常运转的各类服务行业，从工厂车间的流水线作业，到大街小巷的快递配送，都能看到农民工忙碌的身影。他们不仅推动了我国工业化和城镇化的快速发展，也为农村地区带来了可观的收入，成为农民增收的重要渠道。然而，在我国城乡二元结构的背景下，农民工在就业、生活等方面仍面临诸多困境，其中工资水平较低且增长缓慢的问题尤为突出。长期以来，农民工从事着高强度、长时间的工作，却难以获得与付出相匹配的薪酬回报。与城镇职工相比，他们的工资差距显著，这种差距不仅体现在当下的收入水平上，还对农民工及其家庭的生活质量、子女教育、未来发展等产生了深远的影响。据国务院发展研究中心调查，20世纪90年代，扣除物价因素后农民工的实际工资收入基本没有增长；2004-2007年农民工实际工资年均增长7%左右，增幅比同期城镇职工实际工资增长率低3个百分点，两者之间的工资差距持续拉大。提高农民工工资水平，不仅关系到农民工自身的福祉和家庭的脱贫致富，更关乎社会的公平正义与和谐稳定，是实现经济可持续发展和全面建设社会主义现代化国家的必然要求。在众多影响农民工工资水平的因素中，社会资本逐渐受到学界和政策制定者的关注。社会资本作为一种基于社会关系网络形成的资源，涵盖了信任、规范、网络等多个维度，能够为个体提供信息、支持和机会等多方面的帮助。对于身处城市却又面临诸多制度性和社会性排斥的农民工而言，社会资本可能成为他们获取就业信息、寻找工作机会、提升工作待遇的重要途径。例如，农民工可以通过老乡、亲友等社会关系网络了解到更多的就业岗位信息，或者在工作中得到他人的帮助和支持，从而提高工作效率和工作质量，进而有可能获得更高的工资收入。一些研究表明，社会资本丰富的农民工在就业市场上往往具有更强的竞争力，能够更容易地进入收入较高的行业和企业。然而，目前关于社会资本与农民工工资水平之间关系的研究仍存在诸多不足，不同研究的结论也存在一定的差异。有的研究侧重于分析社会资本的某一个维度对农民工工资的影响，而忽视了其他维度的作用；有的研究在样本选择、变量测量等方面存在局限性，导致研究结果的可靠性和普适性受到质疑。因此，深入探究社会资本对农民工工资水平的影响机制和效应大小，具有重要的理论和现实意义。从理论层面来看，进一步深入研究社会资本与农民工工资水平的关系，有助于丰富和完善劳动经济学、社会学等相关学科的理论体系。现有的研究虽然已经认识到社会资本在劳动力市场中的重要作用，但对于社会资本如何具体影响农民工工资决定的内在机制，尚未形成全面、系统的理论解释。通过本研究，有望揭示社会资本在农民工工资决定过程中的作用路径，为后续研究提供更为坚实的理论基础，推动相关学科理论的发展与创新。从现实层面来讲，本研究成果对政府制定合理的政策以提高农民工工资水平具有重要的参考价值。政府可以依据研究结论，制定针对性的政策措施，促进农民工社会资本的积累与优化。例如，加强农民工职业培训与教育，不仅提升他们的人力资本，还能帮助他们拓展社会网络，积累更丰富的社会资本；推动农民工融入城市社区，鼓励他们参与社区活动，增强与城市居民的互动与交流，从而构建更加多元化的社会关系网络；完善劳动力市场信息服务平台，提高就业信息的透明度和传播效率，减少农民工获取就业信息的成本和难度，使他们能够更充分地利用社会资本获取优质的就业机会。通过这些政策的实施，有望提高农民工的工资水平，改善他们的生活状况，促进社会的公平与和谐发展。1.2问题的提出在农民工工资水平提升面临诸多困境的背景下，社会资本作为一个潜在的影响因素，其与农民工工资水平之间的关系亟待深入探究。本研究基于中国四省农村调查数据，旨在解答以下关键问题：社会资本究竟如何影响农民工的工资水平？不同维度的社会资本，如网络规模、网络顶端、网络差异等，对农民工工资的影响是否存在差异？在控制其他可能影响农民工工资的因素，如人力资本（教育程度、培训经历、工作经验等）、就业特征（行业、职业、企业规模等）以及个人特征（性别、年龄、健康状况等）后，社会资本对农民工工资水平的影响是否依然显著？具体而言，本研究使用的数据来自对中国四个省份（[具体省份1]、[具体省份2]、[具体省份3]、[具体省份4]）农村地区的调查。调查采用多阶段抽样方法，确保样本能够代表不同地区、不同特征的农民工群体。通过面对面访谈的方式，收集了农民工的个人基本信息、家庭背景、社会关系网络、就业状况以及工资收入等详细数据。在数据收集过程中，严格遵循科学的调查方法和质量控制流程，以确保数据的准确性和可靠性。基于这些数据，本研究将运用计量经济学方法，构建严谨的实证模型，深入分析社会资本对农民工工资水平的影响。通过精确的数据分析和模型估计，力求揭示社会资本与农民工工资水平之间的内在联系和作用机制，为解决农民工工资问题提供有针对性的政策建议和实践指导。1.3研究方法与创新点本研究主要采用实证分析方法，通过构建计量经济学模型，深入探究社会资本对农民工工资水平的影响。具体而言，以农民工工资水平为被解释变量，社会资本相关指标为核心解释变量，并控制人力资本、就业特征以及个人特征等一系列可能影响工资的因素，运用最小二乘法（OLS）进行回归估计。同时，为了检验结果的稳健性，还将采用工具变量法、分位数回归等方法进行进一步分析。在数据运用方面，本研究使用的中国四省农村调查数据具有独特性和全面性。以往研究大多采用局部地区或特定群体的调查数据，样本的代表性存在一定局限，而本研究的数据涵盖了多个省份的农村地区，通过科学的抽样方法，能够更广泛、更真实地反映不同地区、不同特征农民工的实际情况，使研究结果更具普适性和可靠性。从研究视角来看，本研究从社会资本这一独特视角出发，全面深入地剖析其对农民工工资水平的影响机制和效应大小。相较于传统研究主要聚焦于人力资本、劳动力市场结构等因素，本研究将社会资本纳入分析框架，拓展了农民工工资研究的维度，为理解农民工工资决定因素提供了新的思路和视角。并且，本研究不仅关注社会资本整体对农民工工资的影响，还进一步细分社会资本的不同维度，如网络规模、网络顶端、网络差异等，详细探究各维度对工资的具体影响，使研究更加深入和细致。二、文献综述2.1社会资本的概念与理论发展社会资本作为一个重要的理论概念，自提出以来在多个学科领域引发了广泛关注与深入探讨。其理论的发展经历了从萌芽到逐步完善的过程，不同学者从各自的研究视角出发，赋予了社会资本丰富多样的内涵。社会资本理论的起源可以追溯到20世纪初期，当时社会学家马克斯・韦伯和埃米尔・涂尔干等人开始关注社会关系网络对个体行为以及社会秩序的影响，他们的研究为社会资本理论的形成奠定了基石。例如，韦伯在对社会行动的研究中，强调了社会关系中的信任、权威等因素对个体行动选择的重要影响，这些因素后来成为社会资本理论的重要组成部分；涂尔干则从社会团结的角度，探讨了社会成员之间的联系和互动对社会整合的作用，为理解社会资本在社会结构中的功能提供了早期的思考。20世纪70年代，法国社会学家皮埃尔・布迪厄（PierreBourdieu）正式提出“社会资本”这一概念，他在《社会资本随笔》中指出，社会资本是实际或潜在的资源集合体，这些资源与拥有或多或少制度化的共同熟识和认可的关系网络有关。在布迪厄看来，社会资本由社会关系本身以及个体通过这些关系所能获取的资源两部分构成，个体可以通过参与群体活动、构建社会网络来积累社会资本，进而获得经济、文化等方面的资源。比如，一个人通过加入某个行业协会，拓展了自己的人脉关系网络，从而有机会获取更多的行业信息、业务合作机会等，这些都是社会资本的体现。布迪厄对社会资本的定义强调了社会关系网络的重要性，以及社会资本与其他资本形式（如经济资本、文化资本）之间的相互转化关系，为后续研究提供了重要的理论框架。美国社会学家詹姆斯・科尔曼（JamesColeman）从功能的角度对社会资本进行了定义。他认为社会资本不是单一的实体，而是具有多种形式，其共同特征是包含社会结构的某些方面，且有利于处于该结构中的行动者（个人或集体）的行动。科尔曼指出，社会资本如同物质资本和人力资本一样具有生产性，能够促进个体或集体目标的实现。例如，在一个社区中，居民之间的相互信任和合作规范构成了社区的社会资本，这种社会资本有助于解决社区公共事务中的协调问题，提高社区的整体福利水平。科尔曼的理论强调了社会资本在促进集体行动和解决问题方面的功能，进一步丰富了社会资本的内涵。20世纪80年代，美国社会学家罗伯特・普特南（RobertD.Putnam）进一步发展了社会资本理论。他提出“社会资本存量”的概念，将社会网络中的信任、规范和合作等因素的总和视为社会资本存量。普特南通过对意大利中北部地区的研究发现，那些社会资本存量较高的地区，人们之间的合作更加顺畅，能够更有效地实现集体目标，促进经济发展和社会稳定。例如，在一些具有浓厚合作传统和高度信任氛围的社区，居民们能够共同参与基础设施建设、环境保护等公共事务，推动社区的繁荣发展。普特南的研究将社会资本与宏观的社会发展联系起来，拓展了社会资本理论的应用范围。林南（LinNan）从社会资源的角度对社会资本进行了阐释，他认为社会资本是在目的性行动中获取的和/或被动员的、嵌入在社会结构中的资源。林南强调社会资本的获取和动员过程，个体通过社会网络关系能够接触到并利用这些嵌入在社会结构中的资源，从而实现自身的目标。比如，一个求职者通过朋友的介绍，获得了一家知名企业的面试机会，进而成功入职，这就是利用社会资本获取资源实现个人目标的过程。进入21世纪，随着互联网和社交媒体的普及，社会资本理论的研究逐渐向数字时代拓展，数字社会资本成为新的研究热点。数字社会资本关注数字网络中的信任、规范和合作等因素对个体行为和社会发展的影响。例如，在网络社交平台上，用户之间基于共同兴趣、价值观形成的虚拟社交网络，以及由此产生的信任、互助等行为，构成了数字社会资本的重要组成部分。这种新型的社会资本为个体提供了更多获取信息、资源和支持的渠道，同时也对传统社会资本的结构和功能产生了冲击和变革。2.2农民工工资水平的影响因素研究农民工工资水平的影响因素是多方面的，众多学者从不同角度展开了深入研究。人力资本理论认为，教育、技能和工作经验是影响工资水平的关键因素。在教育方面，大量研究表明，农民工受教育程度与其工资水平呈正相关。例如，学者[学者姓名1]通过对[具体地区]农民工的调查数据进行分析，发现每增加一年受教育年限，农民工的小时工资平均提高[X]%。这是因为教育能够提升农民工的认知能力、学习能力和适应能力，使其更容易掌握复杂的工作技能，从而在劳动力市场上获得更高的回报。如接受过高中及以上教育的农民工，相较于初中及以下教育水平的农民工，更有可能进入技术含量较高的行业，如电子制造业、机械加工业等，这些行业往往能够提供更高的工资待遇。培训对农民工工资水平的提升作用也不容忽视。[学者姓名2]的研究指出，参加过职业技能培训的农民工，其工资比未参加培训的农民工高出[X]元/月。培训能够使农民工获得特定的专业技能，增强他们在就业市场上的竞争力。以建筑行业为例，经过专业的建筑技能培训的农民工，能够熟练掌握砌墙、钢筋绑扎、水电安装等技能，他们不仅能够提高工作效率，还能保证工程质量，因此更容易获得高薪工作机会。工作经验同样是影响农民工工资的重要因素。随着工作年限的增加，农民工在工作中积累了丰富的实践经验，对工作流程更加熟悉，能够更高效地完成工作任务，从而获得更高的工资。[学者姓名3]对[具体行业]农民工的研究显示，工作经验每增加一年，农民工的工资增长[X]%。例如，在餐饮服务行业，经验丰富的厨师能够根据顾客的口味需求，灵活调整菜品的烹饪方式和调料搭配，做出更美味的菜肴，从而赢得顾客的认可和好评，他们的工资水平也会相应提高。除了人力资本因素，就业特征也对农民工工资水平产生重要影响。不同行业和职业的工资水平存在显著差异。一般来说，制造业、建筑业等行业的工资水平相对较高，而服务业中的一些低端岗位，如家政服务、保洁等，工资水平则相对较低。[学者姓名4]对不同行业农民工工资的研究发现，制造业农民工的平均月工资比服务业农民工高出[X]元。这主要是由于制造业和建筑业的工作强度较大，工作环境相对艰苦，且对劳动者的体力和技能要求较高，因此需要支付较高的工资来吸引劳动力。而在职业方面，技术工人、管理人员等职业的工资明显高于普通工人。以建筑行业为例，项目经理、技术总工等管理人员的工资往往是普通建筑工人的数倍，这是因为他们承担着更大的责任和风险，需要具备更丰富的管理经验和专业知识。企业规模和所有制性质也与农民工工资水平密切相关。规模较大的企业通常具有更完善的薪酬体系和较高的盈利能力，能够为农民工提供更高的工资和更好的福利待遇。[学者姓名5]对不同规模企业农民工工资的研究表明，大型企业农民工的平均工资比小型企业高出[X]%。在所有制性质方面，国有企业和外资企业的农民工工资水平普遍高于民营企业。国有企业和外资企业在资金、技术、管理等方面具有优势，能够提供更稳定的就业岗位和更高的工资待遇。个人特征方面，性别和年龄对农民工工资水平也有一定影响。从性别来看，男性农民工的工资水平通常高于女性农民工。这可能是由于男性在体力和耐力方面相对较强，更适合从事一些高强度的工作，如建筑施工、物流搬运等，而这些工作往往工资较高。[学者姓名6]的研究显示，男性农民工的平均月工资比女性高出[X]元。年龄方面，年轻农民工的工资增长速度相对较快，随着年龄的增长，工资增长速度逐渐放缓。年轻农民工具有更强的学习能力和适应能力，能够更快地掌握新技术和新技能，从而获得工资提升的机会。然而，随着年龄的增长，农民工的体力和精力逐渐下降，学习能力也会减弱，对新技术的接受程度降低，这在一定程度上限制了他们的工资增长空间。2.3社会资本与农民工工资关系的研究现状社会资本对农民工工资水平的影响是近年来学术界关注的热点问题，众多学者围绕这一主题展开了丰富的研究，取得了一系列有价值的成果，但也存在一些分歧。部分学者的研究表明，社会资本对农民工工资具有显著的正向影响。张学志和才国伟利用中山大学2008年在珠三角地区的调查数据进行实证研究，发现“职业网”社会资本对农民工收入有显著的正向影响，拥有较高社会资本的农民工的收入会明显高于低社会资本的农民工。这是因为“职业网”中的社会关系能够为农民工提供更多的就业信息和机会，帮助他们进入收入更高的行业和企业。例如，在珠三角地区的制造业中，一些农民工通过在行业内的朋友、同事等社会关系，获得了技术含量较高的工作岗位，从而提高了工资收入。然而，也有学者的研究结果显示社会资本对农民工工资的影响并不显著。叶静怡和衣光春的研究发现，在控制了人力资本等因素后，社会资本对农民工工资水平的影响不明显。他们认为，农民工的社会资本主要以亲缘、地缘关系为主，这种同质性较高的社会资本在提供就业信息和资源方面存在一定的局限性，难以对工资产生实质性的提升作用。比如，一些农民工主要依靠老乡、亲戚介绍工作，这些工作往往集中在劳动密集型产业，工资水平相对较低，社会资本未能有效帮助他们突破这种低工资的就业困境。还有学者从社会资本的不同维度进行研究，发现不同维度的社会资本对农民工工资的影响存在差异。刘林平和张春泥在对农民工社会网络与工资收入关系的研究中，区分了网络规模、网络顶端、网络差异等维度。他们发现网络规模对农民工工资有显著的正向影响，网络规模越大，农民工能够接触到的信息和资源就越多，从而增加了获得高工资工作的机会。而网络顶端对工资的影响则不显著，这可能是因为农民工社会网络中的顶端人物与他们的联系不够紧密，难以将优势资源传递给农民工。网络差异对工资有一定的正向影响，但影响程度相对较小，这表明农民工社会网络中不同类型关系的丰富度虽然能带来一定的资源，但对工资的提升作用有限。例如，在一些建筑工地上，农民工通过扩大自己的社交圈子，认识了更多不同工种的工友和包工头，从而获得了更多的工作机会和更高的工资；然而，即使他们的社会网络中有一些地位较高的人物，如建筑公司的高层管理人员，但由于缺乏直接的联系和互动，这些人物对他们工资的提升作用并不明显。总体来看，现有研究在社会资本与农民工工资关系的研究方面取得了一定的进展，但仍存在一些不足之处。一方面，研究结果存在较大差异，这可能与研究样本、变量选取、研究方法等因素有关。不同地区、不同行业的农民工社会资本结构和工资水平存在差异，研究样本的局限性可能导致结果的偏差；变量选取的不同也会影响研究结论，如对社会资本的测量指标不一致，有的研究采用网络规模，有的研究采用网络顶端等；研究方法的选择也会对结果产生影响，如计量模型的设定、数据处理方法等。另一方面，对社会资本影响农民工工资的内在机制研究还不够深入，大多研究只是简单地验证了两者之间的相关性，未能深入剖析社会资本如何通过具体的途径影响农民工工资。例如，社会资本如何影响农民工的就业选择、工作晋升以及与雇主的谈判能力等，这些问题都有待进一步深入探讨。本文将基于中国四省农村调查数据，在控制多种因素的基础上，深入研究社会资本对农民工工资水平的影响，并进一步探讨其内在机制，以期为相关研究提供新的视角和实证依据。三、理论分析3.1社会资本影响农民工工资的理论基础社会资本对农民工工资水平的影响蕴含着深厚的理论基础，主要涉及社会网络理论和信息不对称理论。社会网络理论认为，个体处于复杂的社会关系网络之中，这些网络关系能够为个体提供各种资源和支持。对于农民工而言，他们的社会网络主要由亲缘、地缘关系构成，如老乡、亲戚、朋友等。这种基于乡土社会的社会网络在农民工的就业过程中发挥着关键作用。在求职阶段，农民工往往依赖这些社会关系获取就业信息。以建筑行业为例，许多农民工通过老乡介绍，得知某个建筑工地正在招聘工人，从而获得了工作机会。这种信息传递方式相较于通过正规招聘渠道，具有更高的可信度和便捷性，能够帮助农民工更快地找到工作。在工作过程中，社会网络也为农民工提供了支持和帮助。当农民工在工作中遇到技术难题时，他们可以向有经验的老乡或工友请教；在生活中遇到困难时，也能得到亲戚朋友的帮助和支持，从而更好地适应工作环境，提高工作效率，进而有可能获得更高的工资收入。信息不对称理论指出，在劳动力市场中，雇主和求职者之间存在信息不对称的情况。雇主难以全面了解求职者的能力、工作态度等信息，而求职者也无法完全掌握雇主的招聘需求、工资待遇等信息。这种信息不对称会导致劳动力市场的效率降低，影响工资水平的合理确定。社会资本在一定程度上能够缓解信息不对称问题。农民工的社会关系网络可以作为信息传播的渠道，将雇主的招聘信息和求职者的个人信息进行传递和匹配。例如，一位农民工通过朋友了解到某企业的招聘要求和工资待遇，同时这位朋友也向企业推荐了该农民工，使得企业对农民工有了初步的了解，减少了双方的信息不对称。这样一来，农民工更有可能获得与自身能力相匹配的工作岗位，从而获得相应的工资待遇。而且，社会资本中的信任因素也有助于解决信息不对称带来的问题。在农民工的社会网络中，信任关系使得信息的传递更加可靠。雇主更倾向于相信通过熟人推荐的农民工，因为他们认为熟人的推荐是对农民工能力和人品的一种担保，从而降低了招聘风险，也使得农民工在工资谈判中更有优势。3.2社会资本影响农民工工资的作用路径社会资本对农民工工资水平的影响主要通过就业信息获取、就业机会增加以及工作条件改善等路径来实现。在就业信息获取方面，农民工的社会关系网络是其获取就业信息的重要渠道。由于农民工群体在劳动力市场中往往处于信息劣势地位，正规的就业信息渠道如人才市场、招聘网站等对他们的覆盖和服务相对不足。而基于亲缘、地缘关系形成的社会网络，能够为农民工提供更贴近他们实际需求的就业信息。例如，许多农民工通过老乡、亲戚的介绍，得知某些企业或工地的招聘信息，这些信息往往具有较高的可信度和针对性，因为提供信息的人对农民工的技能和工作能力有一定的了解，也熟悉工作岗位的实际情况。据对[具体地区]农民工的调查显示，超过[X]%的农民工是通过社会关系网络获取到目前的工作信息。这种信息获取方式不仅降低了农民工的求职成本，还提高了他们与工作岗位的匹配度，从而有可能获得更高的工资收入。因为更匹配的工作岗位能够让农民工充分发挥自己的技能和优势，提高工作效率，进而为获得更高工资奠定基础。从就业机会增加的角度来看，社会资本能够帮助农民工突破就业中的制度性和社会性障碍，获得更多的就业机会。在城市劳动力市场中，农民工面临着户籍制度、行业准入限制等多种障碍，这些障碍使得他们在就业竞争中处于不利地位。然而，社会资本中的关系网络可以为农民工提供“弱关系”优势。格兰诺维特的“弱关系力量假设”指出，弱关系能够提供更广泛的信息和资源，帮助个体接触到不同的社会群体和机会。农民工通过参加行业协会、社区活动等方式，结识了一些与自己工作领域相关但关系相对较弱的人，这些人可能为他们提供新的就业机会。比如，一位从事建筑行业的农民工，通过参加建筑工人技能交流活动，认识了一位建筑公司的项目经理，后来在这位项目经理的推荐下，获得了进入一家大型建筑企业工作的机会，收入水平得到了显著提高。此外，社会资本中的信任关系也有助于增加农民工的就业机会。雇主往往更愿意招聘通过熟人推荐的农民工，因为他们认为熟人的推荐是对农民工工作能力和人品的一种担保，降低了招聘风险。在一些地区的制造业企业中，雇主更倾向于招聘由老员工推荐的农民工，这些农民工在入职后也更容易获得培训和晋升的机会，从而提高工资水平。社会资本还有助于农民工改善工作条件，进而对工资水平产生积极影响。在工作过程中，农民工可以通过社会关系网络获得同事、上级的支持和帮助，改善工作环境和工作氛围。当农民工在工作中遇到技术难题时，他们可以向有经验的工友请教，共同解决问题，提高工作效率。良好的工作氛围和团队合作能够减少工作中的冲突和压力，提高农民工的工作满意度和忠诚度。雇主为了留住这些满意度较高的员工，可能会提供更好的工资待遇和福利。在一些电子制造企业中，农民工通过与同事建立良好的合作关系，形成了高效的工作团队，团队成员之间相互协作、互相支持，使得整个团队的工作效率大幅提高。企业为了激励团队成员，给予了他们更高的绩效奖金和工资涨幅。此外，社会资本丰富的农民工还可能通过参与工会组织、行业协会等，增强自身的权益保护意识和谈判能力，为争取更好的工作条件和工资待遇提供支持。他们可以通过这些组织与雇主进行沟通和协商，推动企业改善工作环境、提高工资水平。例如，在某些地区的建筑行业，农民工通过加入建筑行业工会，在工会的组织下与雇主进行集体谈判，成功争取到了提高工资、缩短工作时间、改善劳动安全条件等权益。四、研究设计4.1数据来源本研究的数据来源于对中国[具体省份1]、[具体省份2]、[具体省份3]、[具体省份4]四个省份农村地区的调查。这四个省份涵盖了我国东部、中部、西部不同经济发展水平的区域，具有广泛的代表性，能够较好地反映我国农民工群体的整体特征和差异。其中，[具体省份1]位于东部沿海地区，经济发达，工业化和城镇化水平较高，吸引了大量农民工就业；[具体省份2]地处中部地区，是我国重要的农业产区和劳动力输出地，农民工数量众多；[具体省份3]和[具体省份4]位于西部地区，经济发展相对滞后，但近年来随着国家西部大开发战略的推进，基础设施建设和产业发展为农民工提供了一定的就业机会。调查采用多阶段抽样方法，以确保样本的代表性和随机性。在第一阶段，根据经济发展水平、人口规模等因素，从每个省份中随机抽取[X]个地级市；在第二阶段，从每个抽中的地级市中随机抽取[X]个县（区）；在第三阶段，从每个抽中的县（区）中随机抽取[X]个乡镇；在第四阶段，从每个抽中的乡镇中随机抽取[X]个行政村；最后，在每个抽中的行政村中随机抽取[X]名农民工作为调查对象。通过这种多阶段抽样方法，最终共获得有效样本[X]个，涵盖了不同年龄、性别、教育程度、就业行业等特征的农民工。调查采用面对面访谈的方式，由经过专业培训的调查员深入农村地区，与农民工进行一对一的交流，收集相关信息。访谈过程严格遵循调查规范和流程，确保数据的准确性和可靠性。在访谈前，调查员向农民工详细介绍调查的目的、内容和保密性原则，获得他们的同意和配合。访谈过程中，调查员认真记录农民工的回答，对于模糊或不清楚的问题，及时进行追问和核实。访谈结束后，调查员对问卷进行初步审核，确保数据的完整性和一致性。调查内容涵盖了农民工的个人基本信息，包括姓名、性别、年龄、身份证号码、婚姻状况等；家庭背景信息，如家庭人口数、家庭收入来源、家庭资产状况等；社会关系网络信息，涉及社交圈子成员的职业、职位、与农民工的熟悉程度等，以全面衡量社会资本的各个维度；就业状况信息，包括就业行业、职业、工作单位性质、工作年限、每周工作天数、每天工作小时数等；以及工资收入信息，如月工资、年收入、工资发放方式、是否有加班工资等。这些丰富而详细的调查内容，为深入研究社会资本与农民工工资水平之间的关系提供了坚实的数据基础。4.2变量选取与测量本研究选取农民工月工资作为被解释变量，用以衡量农民工的工资水平。在调查中，我们直接询问农民工“您目前每月的工资收入是多少（不包括奖金、补贴等）？”得到的数据即为农民工的月工资。这一变量以实际货币收入的形式呈现，能够直观地反映农民工在劳动力市场中获得的经济回报，是衡量其工资水平的核心指标。核心解释变量为社会资本，借鉴林南的社会资本理论以及相关研究，从网络规模、网络顶端和网络差异三个维度对其进行测量。网络规模通过询问农民工“您平时经常联系（每月至少联系一次）的亲戚、朋友、老乡等有多少人？”来衡量，该变量反映了农民工社会关系网络的成员数量，体现了社会资本的数量规模。网络顶端则通过询问“在您经常联系的人中，职位最高的是什么职位？”，并对不同职位进行赋值来衡量，如普通员工赋值为1，基层管理人员赋值为2，中层管理人员赋值为3，高层管理人员赋值为4等。网络顶端体现了农民工社会关系网络中地位最高的节点，反映了社会资本的质量和层次。网络差异通过计算农民工经常联系的人中不同职业的数量来衡量，职业种类越多，网络差异越大。网络差异反映了农民工社会关系网络的多元化程度，体现了社会资本的异质性。在控制变量方面，选取了人力资本、就业特征和个人特征等多个维度的变量。人力资本方面，受教育程度通过询问农民工“您的最高学历是？”，并将小学及以下赋值为1，初中赋值为2，高中/中专/技校赋值为3，大专赋值为4，本科及以上赋值为5来衡量。培训经历为虚拟变量，参加过职业技能培训赋值为1，未参加过赋值为0。工作经验以农民工从事当前工作的年限来衡量，反映了他们在工作实践中积累的知识和技能。就业特征方面，行业变量根据农民工所从事的行业进行分类，如制造业、建筑业、服务业等，并采用虚拟变量形式纳入模型。职业同样采用虚拟变量，根据农民工的具体职业进行分类，如技术工人、普通工人、管理人员等。企业规模通过询问农民工所在企业的员工人数来衡量，反映了企业的规模大小对工资的影响。个人特征方面，性别为虚拟变量，男性赋值为1，女性赋值为0。年龄以农民工的实际年龄来衡量，健康状况通过询问农民工“您的身体健康状况如何？”，并将非常好赋值为5，较好赋值为4，一般赋值为3，较差赋值为2，非常差赋值为1来衡量。这些控制变量涵盖了可能影响农民工工资水平的多个重要因素，能够在模型中有效控制其他因素的干扰，更准确地揭示社会资本对农民工工资水平的影响。4.3模型设定为了深入探究社会资本对农民工工资水平的影响，本研究构建如下计量模型：\lnwage_{i}=\beta_{0}+\beta_{1}network_{i}+\beta_{2}human_{i}+\beta_{3}job_{i}+\beta_{4}personal_{i}+\varepsilon_{i}其中，i表示第i个农民工个体；\lnwage_{i}为被解释变量，表示第i个农民工的月工资的自然对数，对工资进行对数化处理，一方面可以使数据更加平稳，减少异方差问题的影响，另一方面，在回归结果中，解释变量的系数可以近似解释为该变量对工资的弹性，便于理解和解释结果。network_{i}为核心解释变量，代表社会资本，包括网络规模（scale_{i}）、网络顶端（top_{i}）和网络差异（difference_{i}）三个维度，分别用以考察不同维度的社会资本对农民工工资的影响。human_{i}代表人力资本变量，涵盖受教育程度（edu_{i}）、培训经历（training_{i}）和工作经验（experience_{i}），用于控制人力资本因素对工资的影响。job_{i}表示就业特征变量，包括行业（industry_{i}）、职业（occupation_{i}）和企业规模（size_{i}），用以控制就业方面的因素对工资的作用。personal_{i}为个人特征变量，包含性别（gender_{i}）、年龄（age_{i}）和健康状况（health_{i}），用于控制个人属性对工资水平的影响。\beta_{0}为常数项，\beta_{1}、\beta_{2}、\beta_{3}、\beta_{4}分别为各变量的回归系数，\varepsilon_{i}为随机误差项，代表模型中未考虑到的其他随机因素对农民工工资的影响。选择该模型的主要依据在于，它能够全面综合地考虑影响农民工工资水平的多方面因素，将社会资本、人力资本、就业特征和个人特征纳入同一个分析框架中。这种设定符合经济学和社会学中关于工资决定因素的理论基础，能够更准确地揭示社会资本与农民工工资之间的关系。同时，在已有研究中，类似的多元线性回归模型被广泛应用于分析各类因素对工资的影响，并取得了良好的效果，为本研究的模型设定提供了经验参考。通过该模型的估计和分析，可以清晰地了解每个解释变量对农民工工资水平的具体影响方向和程度，为研究目的的实现提供有力的实证支持。五、实证结果与分析5.1描述性统计分析对本研究涉及的主要变量进行描述性统计分析，结果如表1所示。从表中可以清晰地了解各变量的基本特征和分布情况。表1：主要变量的描述性统计变量观测值均值标准差最小值最大值lnwage（月工资对数）[X][X][X][X][X]networkscale（网络规模）[X][X][X][X][X]networktop（网络顶端）[X][X][X][X][X]networkdifference（网络差异）[X][X][X][X][X]education（受教育程度）[X][X][X][X][X]training（培训经历）[X][X][X][X][X]experience（工作经验）[X][X][X][X][X]industry（行业）[X][X][X][X][X]occupation（职业）[X][X][X][X][X]size（企业规模）[X][X][X][X][X]gender（性别）[X][X][X][X][X]age（年龄）[X][X][X][X][X]health（健康状况）[X][X][X][X][X]被解释变量农民工月工资对数（lnwage）的均值为[X]，标准差为[X]，表明不同农民工之间的工资水平存在一定差异。从最小值[X]到最大值[X]的跨度较大，反映出农民工工资分布的离散程度较高，可能受到多种因素的影响。在核心解释变量社会资本方面，网络规模（networkscale）的均值为[X]人，说明农民工平均经常联系的亲戚、朋友、老乡等人数为[X]人，但标准差为[X]，表明不同农民工的社会关系网络规模存在明显差异。网络顶端（networktop）的均值为[X]，处于[具体职位层次]，体现出农民工社会关系网络中职位最高者的平均层次，标准差[X]则反映了网络顶端职位层次的离散程度。网络差异（networkdifference）的均值为[X]，意味着农民工经常联系的人中平均不同职业数量为[X]个，标准差[X]表明网络差异在不同农民工之间也存在较大变化。控制变量中，受教育程度（education）的均值为[X]，处于[具体教育层次]，说明样本中农民工的整体受教育水平处于[该教育层次]水平，标准差[X]显示出受教育程度在农民工群体中的分布差异。培训经历（training）的均值为[X]，表明样本中有[X]%的农民工参加过职业技能培训。工作经验（experience）的均值为[X]年，标准差为[X]，反映出农民工的工作经验参差不齐。行业（industry）和职业（occupation）作为虚拟变量，其均值体现了各行业和职业在样本中的分布比例。企业规模（size）的均值为[X]人，标准差为[X]，说明农民工所在企业规模大小不一。性别（gender）均值为[X]，表示男性农民工占比为[X]%。年龄（age）的均值为[X]岁，标准差为[X]，反映出样本农民工的年龄分布情况。健康状况（health）的均值为[X]，处于[具体健康评价等级]，标准差[X]体现了农民工健康状况的差异。通过对这些变量的描述性统计分析，初步揭示了样本数据的基本特征，为后续进一步深入分析社会资本与农民工工资水平之间的关系奠定了基础，同时也有助于了解各控制变量在样本中的分布情况，以便在回归分析中更好地控制其对工资水平的影响。5.2相关性分析在进行回归分析之前，对主要变量进行相关性分析，以初步了解变量之间的关系，结果如表2所示。表2：主要变量的相关性分析变量lnwagenetworkscalenetworktopnetworkdifferenceeducationtrainingexperienceindustryoccupationsizegenderagehealthlnwage1networkscale[X]1networktop[X][X]1networkdifference[X][X][X]1education[X][X][X][X]1training[X][X][X][X][X]1experience[X][X][X][X][X][X]1industry[X][X][X][X][X][X][X]1occupation[X][X][X][X][X][X][X][X]1size[X][X][X][X][X][X][X][X][X]1gender[X][X][X][X][X][X][X][X][X][X]1age[X][X][X][X][X][X][X][X][X][X][X]1health[X][X][X][X][X][X][X][X][X][X][X][X]1从表中可以看出，农民工月工资对数（lnwage）与社会资本各维度变量之间存在一定的相关性。其中，网络规模（networkscale）与lnwage的相关系数为[X]，呈显著正相关关系，这初步表明农民工的社会关系网络规模越大，其工资水平可能越高。较大的社会关系网络可以为农民工提供更多的就业信息和资源，从而增加他们获得高工资工作的机会。网络顶端（networktop）与lnwage的相关系数为[X]，也呈现出正相关趋势，说明社会关系网络中职位较高的人脉对农民工工资水平有一定的积极影响。这些职位较高的人脉可能拥有更丰富的资源和更广泛的信息渠道，能够为农民工提供更优质的就业机会和职业发展建议，进而有助于提高他们的工资水平。网络差异（networkdifference）与lnwage的相关系数为[X]，同样显示出正相关关系，表明社会关系网络中职业的多元化程度越高，农民工的工资水平可能越高。多元化的社会关系网络可以使农民工接触到不同行业和领域的信息和资源，拓宽他们的就业选择范围，从而有可能获得更高收入的工作。在控制变量方面，受教育程度（education）与lnwage的相关系数为[X]，呈现显著正相关。这与人力资本理论的预期一致，即受教育程度越高，农民工的知识和技能水平越高，在劳动力市场上的竞争力越强，从而工资水平也越高。培训经历（training）与lnwage的相关系数为[X]，表明参加过职业技能培训的农民工，其工资水平相对较高。职业技能培训能够提升农民工的专业技能，使他们更符合企业的岗位需求，进而获得更高的工资回报。工作经验（experience）与lnwage的相关系数为[X]，说明工作经验对农民工工资有积极影响。随着工作经验的积累，农民工在工作中逐渐熟悉业务流程，掌握更多的工作技巧，工作效率和质量得到提高，工资水平也相应提升。行业（industry）、职业（occupation）与lnwage的相关性较为显著，不同行业和职业的工资水平存在明显差异。例如，制造业、建筑业等行业的工资水平通常高于服务业，技术工人、管理人员等职业的工资也明显高于普通工人。企业规模（size）与lnwage的相关系数为[X]，表明企业规模越大，农民工的工资水平可能越高。大型企业通常具有更完善的薪酬体系和更高的盈利能力，能够为农民工提供更好的工资待遇和福利。性别（gender）与lnwage的相关系数为[X]，男性农民工的工资水平相对较高，这可能与男性在体力、工作强度等方面的优势以及行业和职业分布有关。年龄（age）与lnwage的相关系数为[X]，在一定程度上反映了年龄与工资水平之间的关系，年轻农民工的工资增长速度相对较快，但随着年龄的增长，工资增长速度可能会逐渐放缓。健康状况（health）与lnwage的相关系数为[X]，健康状况较好的农民工，其工资水平相对较高。良好的健康状况是农民工能够正常工作、提高工作效率的基础，因此对工资水平有积极影响。通过相关性分析，我们对各变量之间的关系有了初步的了解，为后续的回归分析提供了基础。然而，相关性分析只能反映变量之间的线性相关关系，不能确定因果关系，因此需要进一步通过回归分析来深入探究社会资本对农民工工资水平的影响。同时，从相关性系数的大小来看，部分变量之间的相关性较强，这可能会导致多重共线性问题，在回归分析中需要进一步进行检验和处理，以确保估计结果的准确性和可靠性。5.3回归结果分析运用最小二乘法（OLS）对构建的计量模型进行回归估计，结果如表3所示。表3：回归结果变量系数标准误t值P值[95%置信区间]networkscale（网络规模）[X][X][X][X][X]，[X]networktop（网络顶端）[X][X][X][X][X]，[X]networkdifference（网络差异）[X][X][X][X][X]，[X]education（受教育程度）[X][X][X][X][X]，[X]training（培训经历）[X][X][X][X][X]，[X]experience（工作经验）[X][X][X][X][X]，[X]industry（行业）[X][X][X][X][X]，[X]occupation（职业）[X][X][X][X][X]，[X]size（企业规模）[X][X][X][X][X]，[X]gender（性别）[X][X][X][X][X]，[X]age（年龄）[X][X][X][X][X]，[X]health（健康状况）[X][X][X][X][X]，[X]cons（常数项）[X][X][X][X][X]，[X]R-squared[X]AdjustedR-squared[X]F-statistic[X]从回归结果来看，社会资本的三个维度对农民工工资水平的影响存在差异，验证了假设H1。网络规模的系数为[X]，在[具体显著性水平]上显著为正，表明网络规模每增加1个单位，农民工月工资对数将增加[X]，即工资水平会有一定程度的提高。这与理论预期一致，较大的社会关系网络能够为农民工提供更多的就业信息和资源。以制造业农民工为例，他们通过扩大自己的社交圈子，结识了更多同行、上下游企业员工以及行业相关人士，这些人可能会分享一些高收入工作岗位的招聘信息，或者在工作中提供合作机会，帮助农民工提升工作绩效，从而获得更高的工资。网络顶端的系数为[X]，在[具体显著性水平]上显著为正，意味着社会关系网络中职位最高者的职位层次每提升1个等级，农民工月工资对数增加[X]。这说明社会关系网络中高端人脉资源对农民工工资有积极影响。例如，一位农民工的社会关系网络中若有企业高层管理人员，这些人可能会凭借自身的资源和影响力，为农民工提供进入高收入企业或获得晋升机会的推荐，从而提高农民工的工资水平。网络差异的系数为[X]，在[具体显著性水平]上显著为正，即网络差异每增加1个单位，农民工月工资对数增加[X]。社会关系网络中职业的多元化能够拓宽农民工的就业选择范围，使他们接触到不同行业的信息和资源，进而有可能获得更高收入的工作。如一位原本从事建筑行业的农民工，通过结识从事物流、电商等行业的朋友，了解到这些行业的发展机遇和高薪岗位信息，从而成功转行，实现了工资的提升。在控制变量方面，人力资本变量的回归结果符合理论预期。受教育程度的系数为[X]，在[具体显著性水平]上显著为正，表明受教育程度每提高1个等级，农民工月工资对数增加[X]，体现了教育对工资水平的提升作用。培训经历的系数为[X]，在[具体显著性水平]上显著为正，说明参加过职业技能培训的农民工比未参加培训的农民工工资水平更高，这是因为培训能够提升农民工的专业技能，增强其在劳动力市场上的竞争力。工作经验的系数为[X]，在[具体显著性水平]上显著为正，意味着工作经验每增加1年，农民工月工资对数增加[X]，反映了工作经验的积累有助于提高工资水平。就业特征变量也对农民工工资水平产生了显著影响。不同行业和职业的系数在[具体显著性水平]上显著，表明行业和职业差异是导致农民工工资差异的重要因素。例如，制造业、建筑业等行业的工资水平普遍高于服务业，这是由于这些行业的工作强度、技能要求和市场需求不同所致。技术工人、管理人员等职业的工资明显高于普通工人，这是因为他们具备更高的专业技能和承担更多的责任。企业规模的系数为[X]，在[具体显著性水平]上显著为正，说明企业规模越大，农民工的工资水平越高，大型企业通常具有更完善的薪酬体系和更高的盈利能力，能够为农民工提供更好的工资待遇和福利。个人特征变量中，性别系数为[X]，在[具体显著性水平]上显著为正，表明男性农民工的工资水平相对较高，这可能与男性在体力、工作强度等方面的优势以及行业和职业分布有关。年龄的系数为[X]，在[具体显著性水平]上显著，反映了年龄与工资水平之间的关系，年轻农民工的工资增长速度相对较快，但随着年龄的增长，工资增长速度可能会逐渐放缓。健康状况的系数为[X]，在[具体显著性水平]上显著为正，说明健康状况较好的农民工，其工资水平相对较高，良好的健康状况是农民工能够正常工作、提高工作效率的基础，因此对工资水平有积极影响。调整后的R-squared为[X]，说明模型整体的拟合优度较好，能够解释农民工工资水平[X]%的变异。F-statistic的值为[X]，在[具体显著性水平]上显著，表明模型中所有解释变量对被解释变量的联合影响是显著的，即社会资本、人力资本、就业特征和个人特征等因素能够有效解释农民工工资水平的差异。5.4稳健性检验为确保回归结果的可靠性和稳定性，从多个方面进行稳健性检验。首先采用变量替换法，用农民工年收入替代月工资作为被解释变量，重新进行回归分析。年收入更全面地反映了农民工一年的劳动所得，能从更长期的视角考察社会资本对工资水平的影响。回归结果显示，社会资本各维度变量的系数符号和显著性水平与以月工资为被解释变量时基本一致。网络规模的系数依然在[具体显著性水平]上显著为正，系数值为[X]，表明网络规模每增加1个单位，农民工年收入对数将增加[X]；网络顶端和网络差异的系数也同样在相应的显著性水平上为正，分别为[X]和[X]，这说明即使更换了被解释变量，社会资本对农民工工资水平仍具有显著的正向影响，结果具有一定的稳健性。接着运用分样本回归的方法，根据农民工就业地区的经济发展水平，将总样本分为东部地区和中西部地区两个子样本分别进行回归。不同地区的经济发展水平、产业结构和劳动力市场状况存在差异，这可能会对社会资本与农民工工资之间的关系产生影响。在东部地区子样本中，网络规模、网络顶端和网络差异对农民工工资的影响均在[具体显著性水平]上显著为正，系数分别为[X]、[X]和[X]。东部地区经济发达，就业机会丰富，社会资本在帮助农民工获取优质就业机会和提高工资方面发挥了积极作用。在中西部地区子样本中，虽然各变量系数的绝对值与东部地区有所不同，但社会资本各维度变量的系数符号和显著性方向与东部地区一致，依然呈现出显著的正向影响。这表明社会资本对农民工工资水平的影响在不同经济发展水平地区具有一定的普遍性，回归结果较为稳健。最后采用改变计量方法的方式，运用分位数回归方法对模型进行估计。分位数回归可以考察自变量在因变量不同分位点上的影响，能更全面地了解社会资本对不同工资水平农民工的影响差异。从分位数回归结果来看，在低工资分位点（如第25分位数），网络规模、网络顶端和网络差异的系数分别为[X]、[X]和[X]，均在[具体显著性水平]上显著为正，说明社会资本对低工资水平的农民工工资提升作用明显。在中等工资分位点（如第50分位数）和高工资分位点（如第75分位数），社会资本各维度变量的系数同样显著为正，虽然系数值在不同分位点上有所变化，但整体上依然表明社会资本对不同工资水平的农民工工资都具有积极影响。这进一步验证了社会资本对农民工工资水平影响的稳健性，即无论农民工处于何种工资水平，社会资本都能在一定程度上促进其工资的提高。通过上述三种稳健性检验方法，结果均表明社会资本对农民工工资水平的影响是稳健可靠的。在不同的检验方法下，社会资本各维度变量的系数符号和显著性水平基本保持一致，说明前文的回归结果不是由于特定的数据处理方式或模型设定所导致的，而是真实反映了社会资本与农民工工资水平之间的内在关系。这为研究结论的可靠性提供了有力的支持，也增强了研究结果的说服力和应用价值。六、异质性分析6.1不同地区农民工的异质性为深入探究社会资本对农民工工资水平影响的地区差异，将样本按照东部、中部和西部三个地区进行划分，分别对各地区样本进行回归分析，结果如表4所示。表4：不同地区社会资本对农民工工资影响的回归结果变量东部地区中部地区西部地区networkscale（网络规模）[X1][X2][X3]networktop（网络顶端）[X4][X5][X6]networkdifference（网络差异）[X7][X8][X9]控制变量是是是cons（常数项）[X10][X11][X12]R-squared[X13][X14][X15]AdjustedR-squared[X16][X17][X18]F-statistic[X19][X20][X21]从回归结果可以看出，社会资本对不同地区农民工工资水平的影响存在显著差异，验证了假设H2。在东部地区，网络规模的系数为[X1]，在[具体显著性水平1]上显著为正，表明网络规模每增加1个单位，东部地区农民工月工资对数将增加[X1]。东部地区经济发达，产业结构多元化，就业机会丰富，社会关系网络规模的扩大能为农民工提供更多接触优质就业信息和资源的机会。例如，在长三角地区的制造业和服务业中，农民工通过拓展社交圈子，结识了来自不同行业和企业的人脉，这些人脉可以分享各类高薪岗位的招聘信息，或者提供项目合作机会，帮助农民工进入收入更高的企业或岗位，从而显著提高工资水平。网络顶端的系数为[X4]，在[具体显著性水平2]上显著为正，说明社会关系网络中职位最高者的职位层次每提升1个等级，东部地区农民工月工资对数增加[X4]。东部地区企业众多，市场竞争激烈，社会关系网络中的高端人脉凭借其丰富的资源和广泛的影响力，能够为农民工提供进入高收入行业或获得晋升的推荐，使农民工有更多机会进入管理岗位或技术含量高的岗位，进而获得更高的工资回报。网络差异的系数为[X7]，在[具体显著性水平3]上显著为正，意味着网络差异每增加1个单位，东部地区农民工月工资对数增加[X7]。多元化的社会关系网络使东部地区的农民工能够接触到不同行业和领域的信息和资源，拓宽就业选择范围。比如，一位原本从事电子制造的农民工，通过结识从事金融、互联网等行业的朋友，了解到这些行业的发展机遇和高薪岗位信息，成功转行后实现了工资的大幅提升。在中部地区，网络规模的系数为[X2]，在[具体显著性水平4]上显著为正，表明网络规模的扩大对中部地区农民工工资有积极影响，但系数值[X2]小于东部地区的[X1]。中部地区经济发展水平相对东部地区较低，产业结构相对单一，就业机会相对有限，虽然社会关系网络规模的增加能为农民工提供一定的就业信息和资源，但对工资的提升作用相对较弱。以中部地区的一些传统制造业和农业相关产业为例，农民工的社会关系网络主要集中在本地同行业或相关行业，信息和资源的多样性和质量相对东部地区有所不足，导致网络规模对工资的提升幅度较小。网络顶端的系数为[X5]，在[具体显著性水平5]上显著为正，说明网络顶端对中部地区农民工工资有正向影响，但系数[X5]小于东部地区的[X4]。中部地区企业的规模和发展水平相对东部地区存在差距，社会关系网络中高端人脉的资源和影响力相对有限，为农民工提供的高收入就业机会和晋升空间相对较少，因此网络顶端对工资的提升作用不如东部地区明显。网络差异的系数为[X8]，在[具体显著性水平6]上显著为正，显示网络差异对中部地区农民工工资有积极作用，但系数[X8]小于东部地区的[X7]。中部地区社会经济发展的多元化程度相对较低，农民工社会关系网络中职业的多元化程度有限，所能提供的不同行业信息和资源相对较少，限制了网络差异对工资的提升效果。在西部地区，网络规模的系数为[X3]，在[具体显著性水平7]上显著为正，说明网络规模对西部地区农民工工资有正向影响，但系数值[X3]小于东部和中部地区。西部地区经济发展相对滞后，产业基础薄弱，就业机会相对匮乏，社会关系网络规模的扩大虽然能为农民工提供一定的帮助，但由于整体经济环境的限制，对工资的提升作用相对较小。例如，在西部地区的一些资源型产业和劳动密集型产业中，农民工的社会关系网络主要围绕本地产业展开，信息和资源的获取渠道有限，导致网络规模对工资的提升效果不明显。网络顶端的系数为[X6]，在[具体显著性水平8]上显著为正，表明网络顶端对西部地区农民工工资有正向影响，但系数[X6]小于东部和中部地区。西部地区企业的发展水平和市场活力相对较低，社会关系网络中高端人脉的数量和质量相对不足，为农民工提供的高收入就业机会和职业发展支持相对有限，使得网络顶端对工资的提升作用较弱。网络差异的系数为[X9]，在[具体显著性水平9]上显著为正，说明网络差异对西部地区农民工工资有积极作用，但系数[X9]小于东部和中部地区。西部地区社会经济发展的多元化程度较低，农民工社会关系网络中不同职业的丰富度不足，所能提供的多元化信息和资源有限，限制了网络差异对工资的提升作用。综上所述，社会资本对不同地区农民工工资水平均有显著的正向影响，但影响程度存在差异，东部地区的影响程度大于中部地区，中部地区大于西部地区。这主要是由于不同地区的经济发展水平、产业结构和劳动力市场状况不同，导致社会资本在不同地区发挥作用的空间和效果存在差异。东部地区发达的经济和丰富的就业机会，为社会资本的作用发挥提供了更广阔的平台和更多的可能性；而中西部地区相对滞后的经济发展和有限的就业资源，限制了社会资本对农民工工资的提升作用。6.2不同行业农民工的异质性不同行业的农民工在就业环境、工作技能要求、市场需求等方面存在显著差异，这些差异可能导致社会资本对其工资水平的影响呈现出异质性。为深入探究这一问题，将样本按照制造业、建筑业、服务业和其他行业进行分类，分别对各行业样本进行回归分析，结果如表5所示。表5：不同行业社会资本对农民工工资影响的回归结果变量制造业建筑业服务业其他行业networkscale（网络规模）[X11][X12][X13][X14]networktop（网络顶端）[X15][X16][X17][X18]networkdifference（网络差异）[X19][X20][X21][X22]控制变量是是是是cons（常数项）[X23][X24][X25][X26]R-squared[X27][X28][X29][X30]AdjustedR-squared[X31][X32][X33][X34]F-statistic[X35][X36][X37][X38]从回归结果可以看出，社会资本对不同行业农民工工资水平的影响存在显著差异，验证了假设H3。在制造业中，网络规模的系数为[X11]，在[具体显著性水平10]上显著为正，表明网络规模每增加1个单位，制造业农民工月工资对数将增加[X11]。制造业产业链较长，分工精细，社会关系网络规模的扩大能为农民工提供更多接触上下游企业和行业相关资源的机会。例如，在汽车制造业中，农民工通过拓展社交圈子，结识了零部件供应商、物流企业员工以及行业专家等，这些人脉可以分享零部件供应信息、物流配送合作机会以及行业最新技术动态，帮助农民工提升工作绩效，进入收入更高的岗位，从而显著提高工资水平。网络顶端的系数为[X15]，在[具体显著性水平11]上显著为正，说明社会关系网络中职位最高者的职位层次每提升1个等级，制造业农民工月工资对数增加[X15]。制造业企业通常规模较大，组织架构复杂，社会关系网络中的高端人脉凭借其丰富的资源和广泛的影响力，能够为农民工提供进入高收入部门或获得晋升的推荐，使农民工有更多机会进入技术研发、生产管理等岗位，进而获得更高的工资回报。网络差异的系数为[X19]，在[具体显著性水平12]上显著为正，意味着网络差异每增加1个单位，制造业农民工月工资对数增加[X19]。多元化的社会关系网络使制造业的农民工能够接触到不同行业和领域的信息和资源，拓宽就业选择范围。比如，一位原本从事电子产品制造的农民工，通过结识从事金融、市场营销等行业的朋友，了解到这些行业的发展机遇和高薪岗位信息，成功转行到企业的市场销售部门后实现了工资的大幅提升。在建筑业中，网络规模的系数为[X12]，在[具体显著性水平13]上显著为正，表明网络规模的扩大对建筑业农民工工资有积极影响，但系数值[X12]小于制造业的[X11]。建筑业工作具有项目性、流动性强的特点，虽然社会关系网络规模的增加能为农民工提供一定的就业信息和资源，但行业竞争激烈，工作稳定性相对较差，导致网络规模对工资的提升作用相对制造业较弱。以建筑施工项目为例，农民工的社会关系网络主要围绕项目工地展开，信息和资源的获取相对局限，网络规模的扩大对工资的提升幅度有限。网络顶端的系数为[X16]，在[具体显著性水平14]上显著为正，说明网络顶端对建筑业农民工工资有正向影响，但系数[X16]小于制造业的[X15]。建筑业的项目承包模式使得社会关系网络中高端人脉的资源和影响力在分配工作机会和提升工资方面受到一定限制，为农民工提供的高收入就业机会和晋升空间相对制造业较少，因此网络顶端对工资的提升作用不如制造业明显。网络差异的系数为[X20]，在[具体显著性水平15]上显著为正，显示网络差异对建筑业农民工工资有积极作用，但系数[X20]小于制造业的[X19]。建筑业的职业种类相对集中，农民工社会关系网络中职业的多元化程度有限，所能提供的不同行业信息和资源相对较少，限制了网络差异对工资的提升效果。在服务业中，网络规模的系数为[X13]，在[具体显著性水平16]上显著为正，说明网络规模对服务业农民工工资有正向影响，但系数值[X13]小于制造业和建筑业。服务业涵盖范围广泛，但大部分岗位技术门槛相对较低，竞争激烈，社会关系网络规模的扩大虽然能为农民工提供一定的帮助，但由于行业整体工资水平相对较低，对工资的提升作用相对较小。例如，在餐饮服务业中，农民工的社会关系网络主要集中在同行业从业者之间，信息和资源的获取渠道有限，网络规模对工资的提升效果不明显。网络顶端的系数为[X17]，在[具体显著性水平17]上显著为正，表明网络顶端对服务业农民工工资有正向影响，但系数[X17]小于制造业和建筑业。服务业企业规模和发展水平参差不齐，社会关系网络中高端人脉的数量和质量相对不足，为农民工提供的高收入就业机会和职业发展支持相对有限，使得网络顶端对工资的提升作用较弱。网络差异的系数为[X21]，在[具体显著性水平18]上显著为正，说明网络差异对服务业农民工工资有积极作用，但系数[X21]小于制造业和建筑业。服务业的工作性质使得农民工社会关系网络中不同职业的丰富度不足，所能提供的多元化信息和资源有限，限制了网络差异对工资的提升作用。在其他行业中，网络规模的系数为[X14]，在[具体显著性水平19]上显著为正，表明网络规模对其他行业农民工工资有正向影响，但系数值[X14]因行业特点而异，与制造业、建筑业和服务业相比，其大小取决于具体行业的市场环境和就业特征。例如，在一些新兴行业，如电商直播行业，网络规模的扩大可能对农民工工资有较大的提升作用，因为该行业注重社交关系和人脉资源的运用；而在一些传统的资源型行业，网络规模的影响可能相对较小。网络顶端的系数为[X18]，在[具体显著性水平20]上显著为正，说明网络顶端对其他行业农民工工资有正向影响，但系数[X18]同样因行业而异。在一些技术密集型的其他行业，社会关系网络中高端人脉的技术资源和行业影响力可能对农民工工资提升作用较大；而在一些劳动密集型的其他行业，网络顶端的影响相对较小。网络差异的系数为[X22]，在[具体显著性水平21]上显著为正，表明网络差异对其他行业农民工工资有积极作用，但系数[X22]也因行业不同而有所差异。在一些多元化发展的其他行业，网络差异能为农民工提供更多的就业选择和资源，对工资提升作用明显；而在一些行业结构相对单一的其他行业，网络差异的影响则相对有限。综上所述，社会资本对不同行业农民工工资水平均有显著的正向影响，但影响程度存在差异。制造业中社会资本对工资的提升作用相对较大，建筑业次之，服务业相对较小，其他行业则因行业特点而异。这主要是由于不同行业的产业结构、市场需求、就业环境和职业特点不同，导致社会资本在不同行业发挥作用的空间和效果存在差异。制造业发达的产业链和较高的技术要求，为社会资本的作用发挥提供了更广阔的平台和更多的可能性；而服务业相对较低的技术门槛和激烈的竞争，限制了社会资本对农民工工资的提升作用。6.3不同社会资本类型的异质性社会资本可划分为强关系和弱关系两种类型，它们在农民工的就业与工资决定中发挥着不同的作用，对农民工工资水平的影响也存在异质性。强关系主要基于血缘、地缘和业缘等紧密的社会联系，如亲戚、老乡和长期共事的同事等关系；弱关系则是相对松散的社会联系，例如偶然结识的朋友、行业交流活动中认识的同行等。强关系在农民工的就业过程中扮演着重要的角色，对工资水平有着独特的影响。在就业信息获取方面，强关系能够为农民工提供高度可靠的信息。由于强关系中的双方彼此熟悉、信任度高，所传递的就业信息往往真实且针对性强。例如，一位农民工的亲戚在某建筑公司工作，当该公司有招聘需求时，这位亲戚会第一时间将信息告知农民工，并且会详细介绍工作岗位的具体要求、工作环境以及工资待遇等情况。这种基于强关系的信息传递，使得农民工能够快速准确地了解就业机会，减少了信息搜寻成本和风险。在就业机会获取上，强关系提供的帮助更为直接。在一些行业中，雇主更倾向于招聘熟人推荐的农民工，认为他们知根知底，工作态度和能力更有保障。以制造业为例，很多工厂的生产线岗位招聘，老员工推荐的农民工更容易获得面试和录用机会。这些通过强关系进入企业的农民工，在工作中也能得到更多的照顾和指导，如老员工会传授工作经验和技巧，帮助他们更快地适应工作环境，提高工作效率。然而，强关系也存在一定的局限性。由于强关系往往处于相对封闭的社会网络中，所提供的信息和资源具有同质性。农民工通过强关系获取的就业机会可能集中在某几个特定的行业或企业，限制了他们的职业发展空间，进而对工资水平的提升产生一定的制约。例如，一些以同乡为主要强关系网络的农民工，可能大多集中在建筑、餐饮等特定行业，难以接触到其他高薪行业的就业机会，导致工资增长受限。弱关系在农民工就业与工资提升方面则有着不同的作用机制。格兰诺维特的“弱关系力量假设”指出，弱关系能够跨越不同的社会群体，为个体提供更广泛的信息和资源。在就业信息获取上，弱关系使农民工能够接触到来自不同领域、不同层次的信息，拓宽了他们的就业视野。例如，一位从事餐饮行业的农民工，在参加行业展会时结识了一位从事电商行业的人士，通过与他的交流，了解到电商行业的发展趋势和就业机会，为自己的职业转型提供了可能。在就业机会获取方面，弱关系能够帮助农民工突破原有社会网络的局限，获得新的就业渠道和发展机会。一些农民工通过参加行业协会、职业培训等活动，结识了新的人脉资源，这些弱关系为他们提供了进入新兴行业或高收入企业的机会。比如，一些农民工通过参加互联网营销培训课程，结识了行业内的专家和企业负责人，在他们的推荐下，进入了电商企业从事运营工作，实现了工资水平的大幅提升。然而，弱关系的稳定性相对较差，信息传递的可靠性也相对较低。由于弱关系双方的联系不够紧密，在信息传递过程中可能存在信息不准确或不及时的情况，增加了农民工获取有效就业信息和机会的难度。为了深入探究强关系和弱关系对农民工工资水平影响的异质性，本研究将社会资本中的网络规模按照关系强度进行细分，分为强关系网络规模和弱关系网络规模，分别考察它们对农民工工资的影响。回归结果显示，强关系网络规模的系数为[X]，在[具体显著性水平]上显著为正，表明强关系网络规模每增加1个单位，农民工月工资对数将增加[X]，这体现了强关系在一定程度上对农民工工资的提升作用。弱关系网络规模的系数为[X]，同样在[具体显著性水平]上显著为正，且系数值大于强关系网络规模的系数，表明弱关系网络规模的扩大对农民工工资水平的提升作用更为明显，每增加1个单位，农民工月工资对数增加[X]。这进一步验证了假设H4，即不同类型的社会资本对农民工工资水平的影响存在显著差异，弱关系在促进农民工工资提升方面具有更大的潜力。综上所述，强关系和弱关系在农民工就业和工资决定中各有优劣。强关系提供的信息和帮助可靠、直接，但可能限制农民工的职业发展空间；弱关系能为农民工带来更广泛的信息和新的就业机会，但稳定性和信息可靠性相对较低。在提升农民工工资水平的过程中，应充分发挥强关系和弱关系的优势，促进农民工社会资本的多元化发展。一方面，农民工可以利用强关系的信任基础，获取稳定的就业信息和支持；另一方面，积极拓展弱关系网络，突破自身社会网络的局限，获取更多优质的就业机会和资源，从而实现工资水平的有效提升。七、进一步讨论7.1社会资本与其他因素的交互作用社会资本并非孤立地影响农民工工资水平，它与教育、技能等因素之间存在复杂的交互作用，共同塑造着农民工在劳动力市场中的工资收益。从社会资本与教育的交互作用来看，教育程度较高的农民工，其社会资本对工资的提升作用更为显著。教育不仅提升了农民工的知识和技能水平，还拓宽了他们的