论文复现：消费券的经济效果评估

发布时间：2023-04-26 阅读 748

Stata连享会主页 || 视频 || 推文 || 知乎 || Bilibili 站

温馨提示： 定期清理浏览器缓存，可以获得最佳浏览体验。

New！ lianxh 命令发布了：
随时搜索推文、Stata 资源。安装：
. ssc install lianxh
详情参见帮助文件 (有惊喜)：
. help lianxh
连享会新命令：cnssc, ihelp, rdbalance, gitee, installpkg

✌ 课程详情： https://gitee.com/lianxh/Course

⛳ 课程主页： https://gitee.com/lianxh/Course

⛳ Stata 系列推文：

全部 | Stata入门 | Stata教程 | Stata资源 | Stata命令
计量专题 | 论文写作 | 数据分享 | 专题课程
结果输出 | Stata绘图 | 数据处理 | Stata程序
回归分析 | 面板数据 | 交乘项-调节 | IV-GMM
内生性-因果推断 | 倍分法DID | 断点回归RDD | PSM-Matching | 合成控制法
Probit-Logit | 时间序列 | 空间计量 | 分位数回归 | 生存分析 | SFA-DEA
文本分析-爬虫 | Python-R-Matlab | 机器学习
Markdown | 工具软件 | 其它

☝ PDF下载 - 推文合集

作者：陈卓然 (中山大学)
邮箱：chenzhr25@mail2.sysu.edu.cn

编者按：本文整理自下文，特此致谢！
Source：Liu Q, Shen Q, Li Z, et al. Stimulating consumption at low budget: Evidence from a large-scale policy experiment amid the COVID-19 pandemic[J]. Management Science, 2021, 67(12): 7291-7307. -PDF-

1. 论文发现

本文通过 DID 的方法探究数字消费券对刺激消费产生的作用，文章发现 1 RMB 的政府补贴能够促进 3.4 到 5.8 RMB 的超额消费，并且这一影响在多轮消费券派发的过程中一直持续。

2. 政策背景

文章选择的政策实施地为浙江省的省会杭州，杭州是全国第一批实施数字消费券的城市之一。

在 2020 年 3 月 26 日，杭州市政府宣布将要在 3 月 27 日到 4 月 30 日分三轮发放价值 5 亿元的数字消费券，所有杭州的居民均有资格领取，每个人每一轮只能领取一次。

第一轮价值 200 万元的数字优惠券大礼包在 3 月 27 日 8:00 发放，每一个优惠券大礼包中包括五张单独的“花四十减十元”的代金券，即每一个优惠券大礼包中政府补贴 50 元，其有效期是从 3 月 27 日到 4 月 2 日，优惠券可以用于杭州几乎全部的实体商家。

第二轮优惠券大礼包是在 4 月 3 日 10:00 中发放，总价值为 150 万元，每个大礼包中包含三种不同的代金券，分别为 100-20、200-35 和 300-45，即每一个优惠券大礼包中政府补贴 100 元。

第三轮优惠券大礼包从 4 月 10 日的 10:00 发放，总价值也是 150 万元，其规则和第一轮的优惠券一致，每一个优惠券大礼包政府补贴 50 元。

3. 实证策略和数据

3.1 实证策略

文章的实证目标是评估短期政府优惠券项目的效果，作者拟采用 DID 的方法来评估获得消费券对于居民消费的影响。

文章面临的识别难题在于消费券并不是随机分配的，那些获得消费券的人可能和那些没有获得消费券的人之间本身便存在着很多消费行为上的差异。为了缓解类似的自选择问题，作者构建了一个控制组：在优惠券发放的当天，那些尝试去获得消费券但是最终失败的人群。

首先对于第一轮消费券发放，作者选取的处理前窗口期为 3 月 20 日至 3 月 26 日，处理后窗口期为 3 月 27 日至 4 月 2 日，其基本的计量模型如下：

y_{i t} = α_{0} + α_{1} {Treat}_{i} + α_{2} {Post}_{t} + α_{3} {Treat}_{i} \times {Post}_{t} + γ X_{i t} + ε_{i t} (1)

被解释变量 $y_{i t}$ 代表消费者 $i$ 在时期 $t$ ( $t = 1$ 表示处理前； $t = 2$ 表示处理后) 中的花费，变量 $T r e a t_{i}$ 是一个指示变量 (等于 1 代表处理组，等于 0 代表控制组)，系数 $α_{1}$ 捕捉到处理组和控制组之间在消费上存在的基准差异， $P o s t_{t}$ 是一个哑变量 (指示是否时期 $t$ 是消费券的兑换期)，系数 $α_{2}$ 捕捉到时期之间花费存在的时间趋势， $X_{i t}$ 表示其他可能影响花费的个体特征，如性别、年龄、2019 年 9 月到 2020 年 2 月之间的平均每月花费，以及在 3 月初 (3 月 1 日到 3 月 19 日) 的总花费，标准误在个体层面进行聚类。

作者们主要感兴趣的参数为 $α_{3}$ ，这一参数估计了在消费券的兑换期中，处理组的消费者相较于控制组的消费者的平均过度花费。为了评估政策有效性，作者定义了一个效率比：

r = \frac{α_{3}}{amount of subsidy}

其中分母表示根据实际真正兑换的消费券来计算的平均每一份优惠券大礼包政府的平均补贴额度，比如说因为在第一轮中平均每人兑换 3.5 张代金券，因而平均补贴额度就是 35 元。从而效率比 $r$ 便捕捉了 1 元的政府补贴在拉动额外消费方面究竟多么有效，也就是这一政策的成本收益比，这一比例非常相似于 MPC (额外的收入中有多大的比例消费者会用于消费)。

作者进一步探究了消费券的跨期影响，具体而言，作者们追踪了一个在第一轮中收到但是在第二轮中没有收到消费券大礼包的人群组成的随机样本，并且作者们将观察期延长到第一轮消费券到期之后的一周 (4 月 3 日到 4 月 9 日)，相应的控制组是那些在 3 月 27 日尝试获得消费券，但是一直到 4 月 9 日都没能获得消费券的人们组成的一个随机样本，回归模型如下所示：

\begin{aligned} y_{i t} = & α_{0} + α_{1} {Treat}_{i} + α_{2} {Post}_{t} + α_{3} {Post2}_{t} + α_{4} {Treat}_{i} \times {Post}_{t} \\ + α_{5} {Treat}_{i} \times {Post2}_{t} + γ X_{i t} + ε_{i t} (2) \end{aligned}

模型 1 和模型 2 中的主要差异在于我们加入一个后兑换期 (4 月 3 日到 4 月 9 日): $P o s t 2_{t}$ 。

这次我们感兴趣的参数为 $α_{5}$ ，这一参数估计了优惠券的滞后效应，如果这一参数是负的，那么意味着相较于控制组而言，处理组会减少他们在消费券到期之后一周的花费。因此优惠券两期的净效应为 $α_{4} + α_{5}$ 。

3.2 数据

个体层面的数据来源于支付宝，但是由于阿里巴巴的数据保密协议，文章的原始数据不能公开，因而我们下面复现的数据来源于作者提供的合成数据(不能复现原文结果)，首先是描述性统计分析：

## Summary Statistic for sample data
ddtsummstat<-stargazer(sample_data[,c(
  'user_gender'
  ,'user_age'
  ,'pay_amt_3up'
  ,'pay_amt6m'
)]
,covariate.labels =
  c('Gender'
    ,'Age'
    ,'Spending in March'
    ,'Average monthly spending'
  )
,median = FALSE
,iqr = FALSE
,title = "Sample data "
,digits=3
,omit.summary.stat = c("min","max","p25","p75")
)

其中 stargazer 各个选项的含义如下：

covariate.labels 表示输出表格中的变量标签；
median 表示变量的中位数是否会显示在描述性统计表格当中；
iqr 表示每一个变量的 25 分位数和 75 分位数是否会显示在描述性统计表格中；
omit.summary.stat 指明哪些描述性统计量会在描述性统计表格中省略。

上表比较了那些至少兑换过一次的代金券的个体和那些成功获得消费券大礼包却没有兑换代金券的个体之间存在的差异：那些兑换优惠券的群体往往更多是女性、过去有着更高的消费、并且年龄要更大一些。作者进一步将第一轮和第二轮消费券中的控制组和处理组进行对比。

作者发现控制组和处理组之间本身就存在较为显著的差异，比如控制组平均而言呈现更低的花费。为解决这一问题，作者采用倾向得分匹配的方法 (PSM) 来创建了一个更为类似的控制组，作者用来匹配的变量有年龄、性别、过去六个月的平均每月购物的商家的种类数，三月早期的总花费以及是否一个人拥有花呗账户。作者基于以上变量的 Logistic 回归计算了倾向得分并采用最近邻匹配的办法：

## psm code
######matching sample
# Wave I 
data_for_0327N_0401N_g = read.csv('data_for_0327N_0401N_g')
psm_0327N_0401N <- matchit(coupon ~ user_age+user_gender+pay_amt6m+off_pay_amt6m+
    pay_amt_3up+off_pay_amt_3up+hb_amt_1m6m+hb_credit_amt6m+avg_class_cnt,
    data = data_for_0327N_0401N_g,method="nearest", ratio = 1,replace = FALSE
    ,caliper=0.0001,discard = 'both')
# ## Wave II
d14_g = read.csv('d14_g.csv')
psm_test4_1_class <- matchit(coupon ~ user_age+user_gender+pay_amt6m+off_pay_amt6m+
    pay_amt_3up+off_pay_amt_3up+hb_amt_1m6m+hb_credit_amt6m+avg_class_cnt,
    data = d14_g,method="nearest", ratio = 1,replace = FALSE
    ,caliper=0.0001,discard = 'both')

作者还进一步将处理组和控制组在两轮处理前后的花费的时序图绘制出来：

daily_series = read.csv('wave1_daily_series.csv')
daily_series$dt  = factor(substr(daily_series$report_date,5,8))
options(repr.plot.width=12, repr.plot.height=4,repr.plot.res=150,
    repr.plot.quality=100,repr.plot.pointsize=14)
ggplot(data=daily_series, mapping=aes(x=dt, y=consum, group=type)) +
    geom_line(aes(linetype=type,color=type),size=1)+
    geom_point(aes(color=type))+
    theme_bw()+
    theme(legend.position="top")+
    theme(title=element_text(size=13),axis.text.x=element_text(size=12),
    axis.text.y=element_text(size=12),legend.text= element_text(size=12))+
    theme(panel.grid=element_blank(),panel.border=element_blank(),
    axis.line=element_line(size=0.1,colour='black'))+
    xlab('Date')+
    ylab('Amount')

daily_series = read.csv('wave2_daily_series.csv')
daily_series$dt  = factor(substr(daily_series$report_date,5,8))
options(repr.plot.width=12, repr.plot.height=4,repr.plot.res=150,
repr.plot.quality=100,repr.plot.pointsize=14)
ggplot(data=daily_series, mapping=aes(x=dt, y=consum, group=type)) +
    geom_line(aes(linetype=type,color=type),size=1)+
    geom_point(aes(color=type))+
    theme_bw()+
    theme(legend.position="top")+
    theme(title=element_text(size=13),axis.text.x=element_text(size=12),
    axis.text.y=element_text(size=12),legend.text= element_text(size=12))+
    theme(panel.grid=element_blank(),panel.border=element_blank(),
    axis.line=element_line(size=0.1,colour='black'))+
    xlab('Date')+
    ylab('Amount')

4. 主要回归结果

4.1 获得消费券的短期影响

y_{i t} = α_{0} + α_{1} {Treat}_{i} + α_{2} {Post}_{t} + α_{3} {Treat}_{i} \times {Post}_{t} + γ X_{i t} + ε_{i t}

# Baseline model Wave I (md1=payment; md2= offline; md3= online)
md1 = felm(pay_amt~coupon+post+coupon:post+user_age+user_age2
+user_gender+pay_amt_3up+pay_amt6m|0|0|user_id,data = d14)
md2 = felm(off_pay_amt~coupon+post+coupon:post+user_age
+user_age2+user_gender+pay_amt_3up+pay_amt6m|0|0|user_id,data = d14)
md3 = felm(on_pay_amt~coupon+post+coupon:post+user_age
+user_age2+user_gender+pay_amt_3up+pay_amt6m|0|0|user_id,data = d14)
table<-stargazer(
  md1,
  md2,
  md3,
  no.space = TRUE,
  title=" The average effect on spending Wave II full sample results ", align=FALSE,
  omit.stat=c("LL","ser","f")
)

## PSM Sample
d_matched = data.table(read.csv('wave2_d_matched.csv'))
md1 = felm(pay_amt~coupon+post+coupon:post+user_age+user_age2
+user_gender+pay_amt_3up+pay_amt6m|0|0|user_id,data = d_matched)
md2 = felm(off_pay_amt~coupon+post+coupon:post+user_age
+user_age2+user_gender+pay_amt_3up+pay_amt6m|0|0|user_id,data = d_matched)
md3 = felm(on_pay_amt~coupon+post+coupon:post+user_age
+user_age2+user_gender+pay_amt_3up+pay_amt6m|0|0|user_id,data = d_matched)

table<-stargazer(
  md1,
  md2,
  md3,
  no.space = TRUE,
  title=" The average effect on spending Wave II PSM sample results ", align=FALSE,
  omit.stat=c("LL","ser","f")
)

交互项 $T r e a t \times P o s t$ 衡量的是在 7 天优惠券兑换期内的处理效应。

第 (1) 列表明处理组中的人们在 7 天优惠券兑换期内平均要比控制组的人们多花费 124.6 元，如果采用匹配样本，结果为 144.1元，这一结果在统计意义和经济意义上都是显著的，作者认为政府在每个优惠券大礼包中补贴的 35 元可以换来消费者额外花费 124.6 元，这意味着效率为 3.5。

第 2 列和第 3 列将总花费分解为线下消费和线上消费，不难看出线下消费替代掉了线上消费，这是因为消费券只能用于线下消费。

下表反映了第二轮的结果：

第二轮的分析和第一轮类似，此处不再赘述。作者通过使用匹配样本进一步将消费细化为五大种类。

通过对消费进行细化分析，不难看出绝大多数消费者会将消费券用于吃喝等小额消费上面，也就是更多的花费在服务业等受到疫情影响较大的部门。

4.2 消费券的动态影响

作者在这一节中重点考虑的问题是消费券所诱导的消费是否会挤出消费者在随后几期的消费，换言之，消费券的处理效应是否存在跨期替代性。

为此作者在那些第一轮中获得消费券但是在第二轮中没能获得消费券的人群中随机抽取 100000 个人作为处理组，然后追踪他们在消费券过期之后一周 (4 月 3 日到 4 月 9 日) 内的消费情况，控制组中包括 100000 个个体，他们在 3 月 27 日到 4 月 9 日尝试获得消费券但是失败了。作者采用的估计方程为：

\begin{aligned} y_{i t} = & α_{0} + α_{1} {Treat}_{i} + α_{2} {Post}_{t} + α_{3} {Post2}_{t} + α_{4} {Treat}_{i} \times {Post}_{t} \\ + α_{5} {Treat}_{i} \times {Post2}_{t} + γ X_{i t} + ε_{i t} \end{aligned}

## table7 code
d14wave1 = read.csv('d14wave1.csv')
model1 = felm(pay_amt~couponE+couponL+post+couponE:post+couponL:post+user_age+
  user_age2+user_gender+pay_amt6m+pay_amt_3up|0|0|user_id,data=d14wave1)
table<-stargazer(
  model1,
  no.space = TRUE,
  title="Early vs. Late split sample ", align=FALSE
  ,omit.stat=c("LL","ser","f")
)
d14w1min10 = read.csv('d14w1min10.csv')
d14w2min3 = read.csv('d14w2min3.csv')
model1 = felm(pay_amt~coupon+post+coupon:post+user_age+user_age2+
user_gender+pay_amt_3up+pay_amt6m|0|0|user_id,data =d14w1min10)
model2 = felm(pay_amt~coupon+post+coupon:post+user_age+user_age2+
user_gender+pay_amt_3up+pay_amt6m|0|0|user_id,data =d14w2min3)
model3 = felm(pay_amt~coupon+post+coupon:post+user_age+user_age2+
user_gender+pay_amt_3up+pay_amt6m|0|0|user_id,
data =data_for_0327N_0401N[pay_amt6m>=10000])

table<-stargazer(
  model1,
  model2,
  model3,
  no.space = TRUE,
  title="robust checks", align=FALSE
  ,omit.stat=c("LL","ser","f")
)

表 7 的第一列的估计结果显示处理组要比控制组在优惠券有效期内平均而言多花费 103.9 元，而在优惠券过期之后的一周内少花费 11.1 元，但是在随后一周内的结果在统计上并不显著。

为了解决另外一个可能存在的替代性问题：跨期替代效应可能存在于更长的时期。作者利用最后一轮消费券(第五轮：4 月 30 日发起，7 天的兑换期) 来进一步检验滞后效应。这一轮消费券提供三张花 40 减 10 元的代金券，在这一轮之后再没有消费券的发放，因此作者随机抽取了 100000 个获得消费券的个体作为处理组以及那些尝试获得但是没能获得消费券的个体作为控制组，并且追踪了他们在消费券兑换期之后 4 周的消费行为。

结果呈现在上表的第二列，由于在处理期之后的四个月中交互项的系数均不显著，因此消费券并没有挤出效应。

4.3 消费者群体的异质性

#### Age
p20 = felm(pay_amt~coupon+post+coupon:post+user_age+
      user_age2+user_gender+pay_amt_3up+pay_amt6m|0|0|user_id,
      data = d_matched[user_age<=30])
p21 = felm(pay_amt~coupon+post+coupon:post+user_age+
    user_age2+user_gender+pay_amt_3up+pay_amt6m|0|0|user_id,
    data = d_matched[user_age>30&user_age<=40])
p22 = felm(pay_amt~coupon+post+coupon:post+user_age+user_age2+
    user_gender+pay_amt_3up+pay_amt6m|0|0|user_id,
    data = d_matched[user_age>=41])

####Huabe Usage
p16 = felm(pay_amt~coupon+post+coupon:post+user_age+user_age2+
    user_gender+pay_amt_3up+pay_amt6m|0|0|user_id,
    data = d_matched1)
p17 = felm(pay_amt~coupon+post+coupon:post+user_age+user_age2+
    user_gender+pay_amt_3up+pay_amt6m|0|0|user_id,
    data = d_matched2)
p18 = felm(pay_amt~coupon+post+coupon:post+user_age+user_age2+
    user_gender+pay_amt_3up+pay_amt6m|0|0|user_id,
    data = d_matched3)
p19 = felm(pay_amt~coupon+post+coupon:post+user_age+user_age2+
    user_gender+pay_amt_3up+pay_amt6m|0|0|user_id,
    data = d_matched4)

####Online Ratio Terciles
p13 = felm(pay_amt~coupon+post+coupon:post+user_age+user_age2+
    user_gender+pay_amt_3up+pay_amt6m|0|0|user_id,
    data = d_matched[on_ratios_rank==1])
p14 = felm(pay_amt~coupon+post+coupon:post+user_age+user_age2+
    user_gender+pay_amt_3up+pay_amt6m|0|0|user_id,
    data = d_matched[on_ratios_rank==2])
p15 = felm(pay_amt~coupon+post+coupon:post+user_age+user_age2+
    user_gender+pay_amt_3up+pay_amt6m|0|0|user_id,
    data = d_matched[on_ratios_rank==3])

####Monthly Spending Terciles
p10 = felm(pay_amt~coupon+post+coupon:post+user_age+user_age2+
    user_gender+pay_amt_3up+pay_amt6m|0|0|user_id,
    data = d_matched[pay_rank==1])
p11 = felm(pay_amt~coupon+post+coupon:post+user_age+user_age2+
    user_gender+pay_amt_3up+pay_amt6m|0|0|user_id,
    data = d_matched[pay_rank==2])
p12 = felm(pay_amt~coupon+post+coupon:post+user_age+user_age2+
    user_gender+pay_amt_3up+pay_amt6m|0|0|user_id,
    data = d_matched[pay_rank==3])

作者根据每月的花费、线上支付的倾向、年龄以及使用是否花呗将全部样本分组进行回归，结果如上图所示。

4.4 稳健性检验

作者进行的稳健性检验为检验消费券申请时间的先后对于后续消费者花费是否有影响，作者将处理组均等分为两份 Early 和 Late。Early 表示在成功申请时间的前半部门时间，Late 表示在成功申请时间的后半部分时间。

model1 = felm(pay_amt~couponE+couponL+post+couponE:post+couponL:post+
user_age+user_age2+user_gender+pay_amt6m+pay_amt_3up|0|0|user_id,data=d14wave1)

上表显示两组处理效应的差别并不大，因此消费券的申请时间并不会对后续消费者花费产生影响。

5. 相关推文

Note：产生如下推文列表的 Stata 命令为：
lianxh 论文复现, m
安装最新版 lianxh 命令：
ssc install lianxh, replace

专题	嘉宾	直播/回看视频
⭐ 最新专题		文本分析、机器学习、效率专题、生存分析等
研究设计	连玉君	我的特斯拉-实证研究设计，-幻灯片-
面板模型	连玉君	动态面板模型，-幻灯片-
面板模型	连玉君	直击面板数据模型 [免费公开课，2小时]

论文复现：消费券的经济效果评估

1. 论文发现

2. 政策背景

3. 实证策略和数据

3.1 实证策略

3.2 数据

4. 主要回归结果

4.1 获得消费券的短期影响

4.2 消费券的动态影响

4.3 消费者群体的异质性

4.4 稳健性检验

5. 相关推文

相关课程

免费公开课

最新课程-直播课

⛳ 课程主页

⛳ 课程主页

关于我们

热门资讯