COVID给我们带来的关于数字平台和小企业生存的启示

作者: 周晓兰 泽田康行 马修·沈 伊莱恩·S·陈 摘要 新冠疫情大流行期间及之后，在不同的封锁政策下，数字平台对联合国（UN）可持续发展目标（SDG）的实施，尤其是对微型、小型和中型企业（MSME）的业务可持续性的影响尚未得到详细研究。利用阿里巴巴集团在线点餐外卖平台的海量行政数据，我们发现该数字平台在疫情期间及之后，为MSME的粮食安全、福祉、就业和业务可持续性做出了贡献。我们揭示了中国不同封锁政策实施期间及之后，商家对新冠疫情大流行的异质性反应。在广度上，完全封锁期对在线商家造成了长期创伤，减少了进入者数量，尤其是在熟食行业。相比之下，在深度上，连锁店，尤其是那些拥有大型连锁网络或多平台店铺的连锁店，在封锁期间及之后比其他店铺表现出更强的韧性。因此，专业化（在门店层面）和更广泛的覆盖（在网络层面）成为在严峻经济条件下实现业务可持续性的关键因素。 引言 过去十年，全球经济呈现出前所未有的数字化特征。数字平台不仅改变了我们互动、沟通和交易商品与服务的方式，而且还在帮助经济从意想不到的负面冲击中复苏。电子商务的日益增长和经济的广泛数字化因全球新冠疫情大流行而加速（ADB 2021a, b；Du et al. 2022）。2020年1月下旬，中国政府在中国多个城市实施了严格的封锁政策，以阻止该疾病的快速传播（Fang et al. 2020；Qiu et al. 2020），这大大降低了新冠病毒的传播率和蔓延（Alekseev et al. 2022；Bartik et al. 2020），并延长了其对微型、小型和中型企业（MSME）生态系统的影响（Bartik et al. 2020；Bloom et al. 2020；Mathijs de et al. 2021；Cong et al. 2022；Dai et al. 2021a, b；Guo et al. 2022；Kong et al. 2021；Wang et al. 2020）；同时也促进了中国MSME的数字化。然而，数字平台在支持联合国（UN）可持续发展目标（SDG）方面所扮演的角色、不同封锁政策对数字商家业务可持续性的影响以及不同商业策略对MSME可持续韧性的有效性仍有待深入研究。为了至少部分弥合这一文献空白，本研究采用了来自中国阿里巴巴集团“饿了么”（Ele.me）的海量行政数据。“饿了么”是一个在线点餐外卖服务平台，提供食品和非食品杂货；“饿了么”上的大部分店铺都是MSME。本文对不同封锁政策对“饿了么”上所有选定店铺、不同产品类别（例如熟食、生食、药房）的店铺以及个体店铺的影响进行了定量评估。我们讨论了数字外卖平台在疫情期间及之后在实现SDG方面所发挥的作用，然后提出了对政策制定者和商家的政策建议。本研究表明，数字外卖平台不仅在疫情期间及之后为MSME的粮食安全、福祉、就业和业务可持续性做出了贡献，而且还支持了SDG。 本研究的贡献如下。首先，它从MSME的角度考察了可持续发展（SD）。由于MSME在中国所有企业中的就业比例在2018年为79.4%（NBS 2019），因此MSME的可持续发展对中国经济的可持续发展至关重要。此外，MSME的可持续发展与SDG目标8.3相关。本文使用的数据通常难以获得，为定量和全面地检验不同新冠封锁政策对MSME业务可持续性，以及对整体可持续发展的长期影响，提供了一个独特的机会。除了通常研究的订单数量或销售额之外，我们还构建了产品多样性和价格折扣的代理变量。我们使用二次时间趋势来追踪政策效应的潜在非线性，而许多以往的研究只采用不同封锁政策的二元变量来估计平均政策“处理”效应（Raj et al. 2023；Han et al. 2022；Guo et al. 2022）。其次，我们的案例研究涉及食品和制药行业，这些行业通过商家使用在线外卖平台实现了数字化；研究结果可以为数字化在危机期间的粮食安全和医疗保健问题中的作用提供启示，这些问题分别与SDG目标2.c和3.8相关。我们独特的数据库使我们能够得出由新冠疫情驱动的数字化程度的一个衡量标准，即中国食品行业进入某个数字外卖平台的MSME数量，这与SDG目标8.3相关。虽然这一衡量标准仅限于一个平台，但它可以提供关于封锁政策对数字化影响的见解。我们的发现是，这些政策对不同产品类别具有异质性结果，并且在研究更长的时间段时有所不同；因此，疫情期与数字化并非直接相关，而是受到不同封锁政策的调节。第三，我们考察了两种商业策略，即连锁店和多平台店铺，对可持续MSME韧性的影响。对于进入平台的MSME（即实现数字化的MSME），我们发现封锁政策的效果因商家类型而异。连锁店的表现优于非连锁店，这表明即使两种店铺类型都实现了数字化，更大的供应链网络也能为数字化带来更大的收益。同样，多平台店铺（表明比没有多个应用程序的店铺具有更高的数字化水平）的表现也更好。 本文的其余部分安排如下。首先，我们提供了一篇关于通过数字化应对联合国SDG以及新冠疫情对MSME可持续性和韧性影响的文献综述。其次，我们阐述了使用的材料和方法，包括中国新冠疫情的演变、数据、非模型事实和实证模型。第三，我们展示了关于各种封锁政策和两种商业策略影响的实证结果。第四，我们总结了我们的发现，并讨论了对政策制定者和商家的启示。第五，最后，我们提出了通过数字外卖平台实现联合国SDG的建议，以及本研究的局限性和未来研究方向。 文献 通过数字化应对联合国可持续发展目标 2015年，联合国大会通过了《2030年可持续发展议程》，其中制定了17个可持续发展目标和169个具体目标（UN 2015a, b）。可持续发展目标的实施面临诸多挑战，例如在地化和纳入治理。数字化被认为是实现可持续发展目标最有希望的转型之一（Gouvea et al. 2018；Sachs et al. 2019；Seele and Lock 2017；Walker et al. 2019）。数字化转型和网络化有助于实现可持续发展目标的地化（ElMassah and Mohieldin 2020；Reuter 2023），并加强实现可持续发展的治理（Athey 2017；Lowman 2017）。随着大数据和信息通信（ICT）技术在生活各个领域的普及，数字化在许多场景下得到了极大的发展，例如居家办公、在线教育、数字健康（Novillo-Ortiz et al. 2018；Asi and Williams 2020）、智慧城市（Jain et al. 2023）、机器人技术以及减排和其他促进环境的解决方案（He et al. 2023），所有这些都有助于实现可持续发展目标，尤其是在新冠疫情期间及之后（Pan and Zhang 2020；Zhao et al. 2022）。然而，数字化与可持续性之间的关系仍然存在争议（Castro et al. 2021；Vinuesa et al. 2020）。数字化可能会损害人们的隐私权，导致数据滥用和政治监视（Seele and Lock 2017），破坏自然生态系统（Bekaroo et al. 2016），并对环境和健康产生负面影响（LaPointe 2018）。数字化可以缓解收入不平等（Yin and Choi 2022）；然而，数字化是否减少不平等也取决于其塑造方式（Asongu and Odhiambo 2019）。大多数现有研究采用定性方法来分析数字化对实现可持续发展目标的影响，而采用定量方法的研究很少。大多数关于可持续发展目标的定量研究在国家层面考察可持续发展目标指数（SDGI）（Zhao et al. 2022）。据我们所知，没有研究集中于数字外卖平台在疫情期间及之后帮助实现可持续发展目标的机制。 新冠疫情对MSME可持续性和韧性的影响 韧性是指经济系统在面临社会经济变化时吸收冲击和重新组织的能力。可持续性是一个比韧性更广泛的概念，代表着一个长期目标，即融合社会、环境和经济绩效，造福当代和子孙后代（Geissdoerfer et al. 2017；Ranjbar et al. 2021；Elkington 1998）。外部冲击，如自然灾害，通常通过企业的供应链或供应商-客户网络传播（Brummitt et al. 2017；Inoue and Todo 2019；Carvalho et al. 2021）。专注于新冠疫情对可持续性影响的研究可分为三个方面：环境绩效（Adelodun et al. 2020；Amankwah-Amoah 2020；Freire-González and Vivanco 2020）、社会绩效（Anholon et al. 2020；Christoffel et al. 2020；Sharma et al. 2020；Ryan et al. 2020；Iyengar 2020）和经济绩效（Pan and Zhang 2020）。相当多的研究采用了定性而非定量方法。然而，许多关于新冠疫情对MSME经济影响的研究都基于调查或财务账户交易数据（Bartik et al. 2020；Bloom et al. 2020；Mathijs de et al. 2021；Cong et al. 2022；Dai et al. 2021a, b；Guo et al. 2022；Kong et al. 2021；Wang et al. 2020），它们考察了各种重要主题，如小企业的收入和成本、企业预期、裁员、关闭、进入、企业数量、数字化、金融危机和企业要素生产率。然而，关于MSME的详细行政数据要么很少用于研究，要么在调查中以较低的频率（例如季度）报告（Guo et al. 2022；Kong et al. 2021）。对于餐馆行业，一些研究者间接从手机地理定位数据、网页浏览量和预订量推断餐馆访问量或员工人数（Wang et al. 2022；Glaeser et al. 2021）；只有少数研究使用了在线平台获得的实际订单数量（Raj et al. 2023）。此外，新冠疫情对MSME的影响因企业地点和特征而异，例如该地区收入、餐馆是否为连锁餐馆、餐馆是否位于市中心，或者州是否有不同的政治偏好（Wang et al. 2022；Glaeser et al. 2021）。据我们所知，以往没有研究使用全面的高频商家级别行政数据来量化封锁政策对商家、用户、骑手、产品种类和价格折扣在数字外卖平台上的长期影响。为了弥合这一重要的文献空白，我们研究了食品和制药行业的店铺在封锁期间及之后如何应对不同的封锁政策。 材料和方法 新冠疫情在中国的发展演变 表1显示了自2019年12月在中国武汉发现几例不明原因肺炎病例以来新冠疫情在中国的时间顺序。随后，该病在短时间内传播至整个城市、湖北省及国内其他地区。2020年1月23日，中国采取了关键步骤，完全封锁了武汉的对外交通，随后封锁了湖北省的七个城市，以遏制病毒的传播。其他中国城市实施了部分封锁、检查站和隔离区。到3月中旬，每日新增病例数被控制在个位数，全国疫情预防和控制措施取得了显著成效。武汉的封锁于2020年4月8日解除。2020年12月31日，中国国家卫生健康委员会宣布，新冠疫苗将对所有公民免费，并计划在2021年5月1日前在全国接种3亿剂。截至2021年8月31日，中国已有超过60%的人口获得了全面疫苗保护。 数据 来自阿里巴巴集团“饿了么”和“口碑”的行政数据 “饿了么”提供不同类型的数据：区级周级别上的店铺数量、活跃用户、全职和兼职骑手，商家周级别上的运营数据，以及店铺特征。消费者可以通过“饿了么”应用程序、“饿了么”支付宝门户或“饿了么”网页浏览器查看菜单，并从合作的餐馆或商店订购食品或其他产品进行配送或外卖。“饿了么”从餐馆或商店收取订单佣金，并从客户处收取配送费。与“饿了么”相关的另一个应用程序是“口碑”，它为用户提供本地生活服务的信息和评价。“口碑”上的外卖服务通过“口碑”上的链接导向“饿了么”。“饿了么”与“口碑”于2018年10月合并，成为一家本地生活服务公司，其在中国的主要竞争对手是“美团”，这是一款专注于本地生活服务的应用程序。2020年第二季度，美团和“饿了么”的全国市场份额分别为68.2%和25.4%（Trustdata 2020）。 我们使用了“饿了么”长达104周的详细行政数据，从2019年第5周到2021年第4周，即新冠疫情爆发前一年和爆发后一年。在整个样本期内至少有一个订单的店铺被随机选中。给定周内的“有效”店铺被定义为至少有一个订单的店铺。时间不变的店铺特征包括店铺创建日期以及店铺是否在“口碑”上列出，这表明了店铺在城市-区域级别的线下业务和位置的相对重要性。时间变化的统计数据包括店铺运营数据，如订单数量、商品交易总额（GMV）、店铺或平台提供的补贴、库存单位（SKU）数量、客户给予的店铺评分（0-5）、销售商品类别、店铺是否为连锁店以及独特的连锁品牌识别号。我们使用补贴占GMV的比例作为价格折扣的代理变量。通常，“饿了么”上的名义价格或标价随时间变化不大，GMV是使用名义价格和配送费计算的。因此，补贴占GMV的比例是价格折扣的一个良好代理变量。我们进一步采用SKU数量作为产品多样性的代理变量。 这些店铺被“饿了么”分为204个“狭义”类别。我们将这些“狭义”类别分为四个互斥且穷尽的“广义”类别，如表2所示：熟食、生食、药房和其他。熟食是按净GMV（GMV减去补贴）计算的最大类别。主要类别按份额从大到小排序为：熟食、生食、非食品杂货店商品、药房和其他。 我们还使用关于每周确诊新冠病例数量以及不同严格程度政策的开始和结束日期的公开信息来补充“饿了么”数据（Du et al. 2022）。对于前者，我们从国家卫生健康委员会获取了城市-日级别的新增病例数量，并将其聚合到城市-周级别。 封锁 严格程度分为三种：完全封锁、部分封锁和检查站封锁。在完全封锁下，居民被禁止离开城市，并且只能在有限的时间内为了基本活动而离开家；公共和私人交通都被禁止。部分封锁的严格程度较低，居民可以离开城市。虽然公共交通停止运营，但私人交通被允许。在最不严格的级别，出行限制，如检查站，仅限于局部疫情爆发区域。即使在没有任何封锁政策的城市，在疫情爆发初期或武汉封锁的早期阶段，也强烈鼓励人们遵守居家令。通常，在有封锁政策的城市，所有运送的包裹都留在社区入口处。 我们重点关注所有可获得数据的七个城市：湖北省的武汉和宜昌，浙江省的杭州，黑龙江省的哈尔滨，江苏省的苏州，以及陕西省的重庆和西安。选择这七个城市的原因如下。首先，封锁政策随时间变化，并且严格程度在七个城市之间存在差异。武汉和宜昌从2020年1月24日至2020年4月7日处于完全封锁状态。杭州在2020年2月4日至2020年2月27日期间经历了部分封锁；哈尔滨在2020年2月4日至2020年3月16日期间经历了部分封锁。苏州从2020年1月31日至2020年3月23日期间设置了检查站，重庆从2020年2月6日至2020年2月19日期间设置了检查站。西安在此期间从未经历过封锁政策。其次，除宜昌外，所有城市都是省会或直辖市；宜昌是一个小城市。这六个大城市在经济上具有可比性，无论是在人口还是GDP方面；2021年武汉、宜昌、杭州、哈尔滨、苏州、西安和重庆的地区生产总值分别为2750亿、778亿、2810亿、830亿、3520亿、1660亿和4320亿美元（分别为1.772万亿、0.502万亿、1.811万亿、0.535万亿、2.272万亿、1.069万亿和2.789万亿人民币）。第三，这些城市或直辖市不共享边界，因此潜在的溢出效应较弱。我们利用了疫情造成的外部变化来量化其因果影响。 市场的地理范围被定义为城市中的一个区域，因为大部分订单都在一个区域内。消费者通常从距离他们所在地三公里内的店铺下单。很少有店铺提供全市范围的配送服务；而且，这些订单需要更长的时间，收取更高的配送费，并且在店铺忙碌时经常被拒绝。 非模型事实 新进入者 封锁期间，通过“口碑”（定义为多平台店铺）、连锁店和生食进入者的比例更高（图1）。在供应方面，在“口碑”上列出的店铺（其中大多数在疫情前严重依赖线下服务，并且由于在“口碑”上列出而为消费者所熟知）由于居家令和强制非必需企业停业而暂时关闭了实体店，因此转向了多渠道零售。此外，在“口碑”上列出的店铺已经拥有数字化经验；因此，它们更容易加入同一公司旗下的另一个数字平台，即“饿了么”。在需求方面，疫情期间及之后，更多的消费者在家做饭，不得不在线购买生食。即使是那些不经常在线购物的人也必须适应在线渠道。 、 展示了进入者的数量和比例。虚线代表武汉封锁前、期间和之后的平均值。“2020w5”和“w15”分别指武汉封锁的第5周和第15周。 a b 各城市整体运营表现 封锁期间，生食的整体运营表现（图2）——尤其是净GMV——与熟食的整体运营表现大相径庭。熟食的总周净GMV下降，而生食的总周净GMV上升。即使考虑到春节，我们也观察到人们居家做饭。武汉市药房的总周净GMV在封锁期间有所增加。对于处于完全封锁状态的城市，数字平台成为消费者获取药品的重要渠道，这与其他未处于完全封锁状态的城市的情况大不相同。在封锁期之后，生食和药品的净GMV持续增长，并超过了疫情前水平。每笔订单的平均GMV是每笔订单数量的代理变量，因为零售业的名义价格通常是固定的，而GMV以名义价值衡量。在封锁期间，每笔订单的平均GMV在所有城市中都有所增加，这表明消费者合并了他们的订单。 – 展示了每个城市的每周整体运营表现，包括订单数量、净GMV、每笔订单平均净GMV、熟食净GMV、生食净GMV和药品净GMV。 “2020w5”和“w15”分别指武汉封锁的第5周和第15周。 ( )中的订单数量以千为单位。 ( ), ( – )中的净GMV以千元人民币为单位。 ( – )中的每周整体运营表现仅针对每个城市选定的样本。 a f a b d f a f 平均个体店铺运营表现 在武汉封锁期间，每周平均店铺订单量和每周平均补贴占GMV的比例有所下降（图3）。相比之下，每周平均店铺净GMV、每笔订单平均GMV和每周平均店铺SKU数量有所增加。尽管消费者下的订单数量减少，但他们获得的折扣减少，每笔订单的购买量增加，并且在数字外卖上花费的钱更多。 – 展示了每周平均店铺运营表现，包括订单数量、净GMV、每笔订单平均净GMV、补贴占GMV的比例以及SKU数量。“2020w5”和“w15”分别指武汉封锁的第5周和第15周。 a e 连锁店和多平台店铺的商业策略 图4显示，在订单数量、净GMV和每笔订单平均GMV方面，平均连锁店的表现优于独立店铺；而在订单数量、净GMV和每笔订单平均GMV方面，多平台店铺的表现优于仅在“饿了么”上列出的店铺。连锁店提供了更多的价格折扣（更高的补贴占GMV的比例）和更多的产品种类（更高的SKU数量），而多平台店铺提供的价格折扣较少（较低的补贴占GMV的比例），但产品种类更多（更高的SKU数量），优于仅在“饿了么”上列出的店铺。 – 展示了不同店铺类型的每周平均店铺运营表现，包括订单数量、净GMV、每笔订单平均净GMV、补贴占GMV的比例以及SKU数量。“2020w5”和“w15”分别指武汉封锁的第5周和第15周。“2019w1”和“2021w1”分别指2019年第1周和2021年第1周。 a e 实证模型 新进入者、代理商数量和整体绩效的实证分析 我们提出了方程（1）来估计新冠疫情封锁对不同封锁政策下的店铺进入和平台代理商的影响： 其中下标 和 分别代表城市-区域和周。 是一组平台进入的代理变量，例如进入者数量的对数、某类型进入者（例如，连锁店、独立店、多平台店、仅在“饿了么”上列出的店、提供熟食、提供生食和提供药品的店）的比例、区域 在时间 的代理商数量（例如，店铺、活跃用户和骑手）的对数以及某类型的比例。 m t Ym,t m t Lockdown 是一个虚拟变量，如果城市区域 在时间 处于相应的封锁政策下，则取值为1。 mt m t Time 是从封锁政策生效开始的周数。 mt Post 在封锁期结束后为1。 mt Time_post 是从封锁政策解除开始的周数。 mt NewCase 是城市新增新冠病例数的对数。 mt District 是一个城市-区域固定效应向量，控制了时间不变的区域特定因素，例如平均收入或人口较高的区域。 m Week 是一个周固定效应向量，控制了周特定效应，例如节假日，此时消费模式与其他周相比有显著差异。 t 是一个随机误差分量。 εmt 在方程（1）中，β1mLockdownmt þ β2mLockdownmt*Timemt þβ3mLockdownmt*Time2 mt þβ4mPostmt þ β5mPostmt*Time postmt þ β6mPostmt*Time post2 mt 是城市区域m在时间t处于封锁政策的城市的估计封锁政策时间效应。对于从未经历过任何封锁政策的西安，估计的政策时间效应为β1mLockdownmt þ β2mLockdownmt*Timemt þβ3mLockdownmt *Time2 mt，其中Lockdownmt在武汉封锁期间为1。我们使用封锁政策虚拟变量与线性及二次时间趋势的交互项，而不是封锁政策虚拟变量本身，来描述政策效应的动态时间演变。控制变量包括城市新增病例数的对数、城市-区域固定效应和周固定效应。我们采用二次时间趋势作为合理简洁的参数化规范，以追踪变量中潜在的非线性。二次时间趋势可以捕捉时间序列的值可能以非恒定的速率上升或下降。封锁政策的影响并不总是随时间增加或减少。封锁政策的边际影响可能会减弱，特别是随着商家、消费者和平台逐渐适应封锁政策。我们还尝试使用线性或三次时间趋势来估计政策效应。线性时间趋势不足以显示封锁政策随时间的复杂性，而三次时间趋势的结果与二次时间趋势非常接近。 我们使用每个城市的城市-区域-周级别数据估计了回归方程（1），并在图5和图6中展示了估计的政策时间效应及其相应的95%置信区间。我们绘制了估计的政策效应，而不是在表格中呈现估计的参数，因为我们包含了二次时间趋势，这使得读者难以确定特定时间段内政策效应的大小和符号。 – 展示了在区域-周级别上回归估计的政策效应对以下因变量的影响：进入者数量的对数、连锁店进入者比例、多平台（口碑）进入者比例、活跃店铺数量的对数、活跃用户和配送骑手。“2020w5”和“w15”分别指武汉封锁的第5周和第15周。Complete WH和YC表示武汉和宜昌完全封锁的政策效应。Partial HZ和HRB表示杭州和哈尔滨部分封锁的政策效应。Checkpoint SZ和CQ表示苏州和重庆设置检查站的政策效应。No policy XA表示未采取任何封锁政策的西安。请参阅“材料和方法”部分了解政策和控制变量及回归规范。 a f – 展示了在区域-周级别上回归估计的政策效应对相应因变量的影响：订单数量的对数、净GMV（商品交易总额）的对数；每笔订单平均GMV的对数；以及熟食净GMV、生食净GMV和非食品杂货净GMV的对数。“2020w5”和“w15”分别指武汉封锁的第5周和第15周。Complete WH和YC表示武汉和宜昌完全封锁的政策效应。Partial HZ和HRB表示杭州和哈尔滨部分封锁的政策效应。Checkpoint SZ和CQ表示苏州和重庆设置检查站的政策效应。请参阅“材料和方法”部分了解政策和控制变量及回归规范。 a f 个体商家的实证分析 使用方程（2），我们估计了新冠疫情封锁对个体商家的影响，以及这种影响如何随店铺特征（如连锁店、连锁店网络的规模以及多平台店铺）的变化而变化： 其中下标 、 和 分别代表店铺、城市区域和周。 i m t 是一组店铺运营绩效条目的代理变量，如订单数量的对数、净GMV的对数、每笔订单平均净GMV、SKU数量和补贴占GMV的比例。NewCase 是城市新增新冠病例数的对数。ShopCharacteristics 是一个包含时间变化的店铺特征的向量，包括店铺评分（0-5）、店铺上线时间（以店铺上线周数计）、连锁店的连锁网络规模，以及店铺是否为连锁店的虚拟变量。DNE 是与店铺 同城市区域的店铺数量的对数， Yimt mt imt imt i