基于大数据的人流量需求冲击估算方法（英）

本研究利用SafeGraph提供的高频客流量数据，估计了纽约市零售、服务与健康行业顾客服务机构的需求波动。研究发现，需求动态在机构层面存在显著异质性，主要体现在持续性、趋势和波动性上，且这种异质性无法由行业、地理或品牌层面的策略解释。

核心观点与数据：

• 数据来源：SafeGraph高频客流量数据，覆盖2018年1月至2019年12月纽约市曼哈顿、布鲁克林和布朗克斯的300万家兴趣点（POI）。
• 样本偏差纠正：通过与美国社区调查数据结合，构建了时间序列的普查区群调整因子，纠正了各地区和时间的样本偏差。
• 品牌机构聚焦：研究聚焦于品牌机构（约8.3%的样本，但占据近四分之一的客流量），以分离需求冲击与企业内生因素。

研究结论：

• 需求动态异质性：机构在需求过程的持续性、波动性和增长模式上存在系统性差异，可划分为三类：
  • 快速增长型（25.6%）：高增长和高波动，主要来自零售和服务行业。
  • 低流量型（15.5%）：平均月人流量最低，波动性最高，主要来自零售业。
  • 高流量型（58.8%）：平均月人流量最高，波动性最低，主要来自服务行业和健康行业。
• 需求冲击异质性：高流量场所的冲击持续性最强，低流量场所的冲击波动性最大，快速增长场所介于两者之间。
• 行业和地区差异：需求冲击的异质性并非由行业或地区差异解释，而是由机构层面的因素驱动。
• 模型启示：忽视需求冲击异质性的模型（如单一AR(1)过程）会错误地识别边缘企业和政策响应，导致对投资等结果的预测偏差。

研究意义：

• 需求冲击量化：为理解需求冲击的性质和动态提供了新的视角，填补了相关实证研究的空白。
• 企业级冲击分布：为调整依赖企业级冲击分布的模型提供了数据基础，有助于更准确地预测企业动态和政策影响。
• 异质企业模型：为动态异质企业模型提供了校准依据，有助于改进对投资、退出、产能扩张等结果的分析。