《Frontiers in Big Data》：From crisis to new routine: shifts in urban shopping mobility and socioeconomic inequality during and after the COVID-19 shock
编辑推荐：
引言：本研究考察了COVID-19疫情对显现购物区位模式（revealed shopping-location patterns）的影响及其在早期恢复期间的持续性。研究聚焦于纽约市的城市购物流动性，并调查到2021年，不同社会经济社区中的观察到的商店选择模式是
引言：本研究考察了COVID-19疫情对显现购物区位模式（revealed shopping-location patterns）的影响及其在早期恢复期间的持续性。研究聚焦于纽约市的城市购物流动性，并调查到2021年，不同社会经济社区中的观察到的商店选择模式是恢复到疫情前基线，还是仍与之存在差异。方法：研究人员使用大规模流动性和地点数据集，结合人口普查信息，分析纽约市综合商品与百货商店（general merchandise and department stores）的访问情况。采用修正的Huff引力模型（Huff gravity model）和元启发式校准方法（metaheuristic calibration method）来量化商店选择模式的时间变化。研究人员还使用无监督学习技术（unsupervised learning）和统计推断模型（statistical inference models）考察社会经济社区间的异质性，并评估COVID-19冲击之前、期间和之后的变化。结果：所提出的模型捕获了疫情时代约束变化下购物区位决策和访问时间模式的动态。结果表明，在COVID-19冲击期间，纽约市民显现的商店选择模式发生了显著变化，对商店面积、连锁忠诚度和附近兴趣点（points of interest, POI）的重视程度增加，而对顾客与商店距离的敏感性降低。到2021年，这些模式并未完全恢复到2019年的基线，尽管2021年被解释为早期恢复和重新开放时期，而非完全的后疫情均衡。讨论：研究结果凸显了危机期间城市购物流动性干扰的社会维度，并表明基于流动性的商店选择模式在不同社会经济社区之间存在差异。研究结果可帮助城市规划者、管理者和营销人员更好地理解购物流动性的异质性变化，并在危机和恢复条件下调整策略。
本研究由Xu、Bahrami和Pentland合作开展，旨在系统量化COVID-19冲击对城市居民购物区位选择的影响及其在早期恢复期的持续性。研究背景方面，COVID-19作为全球公共卫生紧急事件，迫使城市居民大幅调整日常活动，政府实施的社交距离、居家令和非必要商业关闭等措施，叠加个体对感染风险的担忧，共同改变了原有购物行为。已有研究表明，不同社会经济群体在此次危机中受到的影响并不均衡，且部分行为变化可能具有长期性，催生所谓的“新常态”。然而，现有文献大多依赖宏观层面的单维度描述性统计，难以同时考虑多个吸引力因素并模拟消费者面对多个实体商店时的决策过程。针对这一缺口，研究人员提出一种基于修正的Huff引力模型（Huff gravity model）的新方法，用以量化2018至2021年间纽约市居民在综合商品与百货商店选择中显现的区位模式变化，并探究不同社会经济社区间的异质性。
在研究设计上，研究人员使用SafeGraph COVID-19数据联盟提供的纽约市大规模移动和地点数据集，覆盖2018年1月至2021年12月，共6,493个人口普查区组（census block groups, CBG）和42,130个兴趣点（points of interest, POI），并结合美国人口普查局的CBG级人口统计估计。经过数据预处理后，最终保留5,502个具有连续访问记录和完整人口信息的CBG。模型采用了Huff引力模型的乘法竞争交互（multiplicative competitive interaction, MCI）扩展形式，纳入六个吸引力因素：顾客与商店距离、商店面积、邻近POI数量、邻近POI多样性、顾客与商店所在社区的人口统计相似性，以及顾客的连锁忠诚度（即某CBG居民在给定时期内访问某连锁品牌门店的比例）。为校准模型参数，研究人员采用粒子群优化（particle swarm optimization, PSO）估计各CBG逐年的一组“显现商店选择权重”，并使用模拟退火（simulated annealing, SA）确定归一化区间上界和PSO搜索空间边界。此外，还应用了Kolmogorov–Smirnov检验、K-means聚类和双重差分（difference-in-differences, DID）等统计与机器学习方法。上述技术方法在原文中均有明确描述，且所有数据来源已注明。
研究结果部分可概括为以下几个标题与核心结论。
5.1 COVID-19疫情对显现购物区位模式的总体影响：通过逐年以CBG为单位拟合模型，研究人员发现2018至2019年间六项参数的分布无显著变化，证实了模型在无外部冲击时具有稳定性。然而，2019至2020年间所有六项参数分布均发生显著改变，其中商店面积、连锁忠诚度、POI数量和POI多样性的显现权重上升，而CBG-商店距离的权重下降。2020至2021年间，多数参数分布仍与2020年相似，并未回归2019年水平，说明早期恢复期仍未实现完全逆转。
5.2 社会经济与人口群体间的异质性：研究人员分别按某一社会经济属性排名前5%的CBG以及基于全部七项属性进行K-means聚类得到的五个社区组，分析了不同人群的反应差异。总体而言，各群体在疫情期间均降低了对距离的重视，但其他因素的变化方向与幅度存在差异。例如，亚裔居民比例较高的社区体现出更强的连锁忠诚度集中；教育、收入和年龄较高社区在2021年仍持续强调商店面积；非裔和西语裔居民比例较高的社区则更重视周边POI多样性和丰富度；而白裔居民比例较高的社区在2021年表现出对POI数量的更多关注。聚类分析进一步验证了异质性结论的稳健性。
5.3 验证与稳健性检验：研究人员通过同连锁品牌的“商店对”匹配分析，观察到更大面积门店在疫情期间获得更高访问份额，与模型结果一致。随后进行了多项敏感性检验，包括剔除模型拟合最差的CBG、按NAICS格式分类重新校准、采用滞后连锁忠诚度、更换随机种子检验PSO估计器稳定性、剔除采样偏差最大的CBG、评估K-means聚类稳定性以及检验参数变化的空间自相关性。结果表明，疫情冲击和未恢复的模式并非由低拟合CBG或采样偏差驱动；不过，2020至2021年部分参数幅度的点估计存在一定不确定性，应谨慎解读。
讨论与结论方面，研究人员认为，COVID-19危机显著改变了纽约居民选择综合商品与百货商店的显现区位模式，且这些变化在2021年早期恢复期尚未完全消失。不同社会经济社区的异质性反应凸显了零售可达性在危机中的不平等影响。对于零售商和城市规划者而言，理解这些变化有助于在健康风险和流动性约束并存的环境中调整店铺规模、周边配套和连锁布局等策略。该研究的局限性包括：仅纳入六个吸引力因素，移动数据可能存在采样偏差，2020至2021年模型拟合度下降，且研究期止于2021年，无法判断长期均衡状态。研究结论的翻译为：总之，研究结果强调了理解城市购物流动性变化模式的重要性，以便企业和政策制定者在重大干扰期间及之后有效调整其策略和产品供给，以满足不断变化的消费者需求。结果表明，COVID-19冲击改变了纽约市的显现购物区位模式，且这些模式在2021年早期恢复期尚未完全回归2019年基线。
