新冠肺炎疫情对线下微型商户短期冲击的定量估算：兼论数字金融缓解冲击的价值_25页_1mb

北京大学数字金融研究中心工作论文总结：新冠肺炎疫情对线下微型商户短期冲击的定量估算

核心内容

本文基于支付宝旗下“码商”数据和机器学习方法，定量评估了2020年春节期间新冠肺炎疫情对线下微型商户的短期冲击，并探讨了数字金融在缓解这种冲击中的作用。研究发现，疫情对线下微型商户的经营产生了显著影响，特别是在正月初七之后的两周内，活跃商户量和营业额分别下降了约40.4%和52.4%。此外，数字金融的发展在一定程度上缓解了疫情带来的负面影响。

主要观点

• 疫情冲击的严重性：疫情对线下微型商户造成了巨大冲击，尤其是在湖北省，活跃商户量和营业额分别下降了59.3%和69.7%。这种冲击在全国范围内是普遍的，没有地区能够幸免。
• 反事实结果的估算：通过使用2019年的数据和机器学习方法，研究人员构建了一个“反事实结果”，即在没有疫情的情况下，线下微型商户的活跃商户量和营业额应如何变化。这为科学评估疫情的冲击提供了基础。
• 数字金融的作用：数字金融的发展，尤其是基于数字技术的精准贷款发放，能够有效缓解疫情对线下微型商户的冲击。研究发现，数字信贷每增长1%，疫情对营业额的负面影响平均减少2.57%。如果一个地区能将数字信贷发展水平提升至杭州的水平，疫情的负面影响可减少约51%。
• 异质性分析：疫情对不同地区、不同群体的线下微型商户冲击存在差异。例如，核心城区受到的冲击最大，而农村地区的商户受到的冲击相对较小。同时，55岁以上商户、女性商户以及外省人商户受到的冲击更为严重，但数字金融在这些群体中也发挥了不同程度的缓解作用。

关键信息

• 数据来源：支付宝“码商”数据、高德地图兴趣点数据、夜晚灯光亮度数据、人口数据、高程数据、气象数据、空气质量数据，以及“北京大学数字金融普惠指数”的底层指标。
• 数据聚合方法：使用泰森多边形方法，根据银行网点分布进行地理划分，以更准确地反映线下微型商户的分布和活动情况。
• 评估方法：通过构建反事实结果，结合机器学习算法（如GBDT回归）进行因果推断，以更科学地评估疫情对线下微型商户的影响。
• 研究结论：数字金融的发展显著缓解了疫情对线下微型商户的冲击，特别是在数字信贷方面。此外，疫情对不同地区和不同类型的商户影响不一，需要因地制宜地进行政策支持和恢复。

研究方法创新

• 反事实结果构建：通过2019年数据构建反事实模型，以估算疫情发生后的实际影响。
• 机器学习应用：使用GBDT算法进行预测和回归分析，提高了模型的准确性和适应性。
• 泰森多边形划分：以银行网点为中心点，划分出26.7万个泰森多边形，以更精准地反映线下微型商户的分布和密度。

实证结果

• 总体冲击：全国范围内，疫情导致线下微型商户活跃商户量和营业额分别下降40.4%和52.4%。
• 地区差异：疫情对不同地区的线下微型商户冲击存在差异，核心城区受到的冲击最大，农村地区相对较小。
• 数字金融缓解作用：数字信贷对缓解疫情冲击的作用最为显著，其次是信用消费和保险。数字金融的发展水平越高，疫情对商户的影响越小。
• 城乡差异：数字金融在不同城乡区域的作用有所不同。例如，核心城区受益于信贷，郊区与镇区受益于信用消费，农村受益于保险。

研究意义

• 政策借鉴：本文的研究方法和结论对其他国家应对疫情，以及我国未来可能发生的其他突发公共卫生事件，具有重要的借鉴意义。
• 数字金融价值：研究强调了数字金融在支持非正式和半正式经济中的作用，特别是在疫情期间，为线下微型商户提供了重要的金融支持。
• 方法论创新：通过反事实分析和机器学习方法，为评估突发事件对经济的冲击提供了新的视角和方法，具有较强的学术和实践价值。