使用来自手机应用程序的不稳定数据检验零售商业区的恢复轨迹(Using unstable data from mobile phone applications to examine recent trajectories of retail centre recovery)
Patrick Ballantyne, Alex Singleton & Les Dolega
Covid-19改变了我们的购物方式，对零售和消费空间产生了重大影响。然而，关于这些影响的实证证据，特别是在国家层面和后疫情时代，仍然明显缺乏。本研究使用了一个大型的时空流动性数据集（Geolytix），探讨了2021年夏季至2022年夏季零售商业区的恢复情况，关注于商业恢复情况是如何由零售商业区的功能、结构特征、区域地理决定的。研究结果为零售商业区恢复的多维性提供了重要的证据，特别强调了组成、在线购物弹性和区域贫困度在决定该区域商业恢复轨迹方面的重要性。研究也表明了关键的零售商业功能区域比其他商业区域恢复得更快。在控制时间稳定性的情况下，流动性数据集可以为检验零售商业区在一段时间内的经济表现提供一种有效的方法，提供的证据可以指导政策决定和支持对零售业的短期和长期问题的干预。
引用
Ballantyne, P., Singleton, A. & Dolega, L. Using unstable data from mobile phone applications to examine recent trajectories of retail centre recovery. Urban Informatics 1, 21 (2022).
https://doi.org/10.1007/s44212-022-00022-0
研究背景与研究问题
Covid-19的流行对世界各地的社会和经济造成了巨大的破坏，已经改变并将继续改变着我们的购物方式。尤其是对沿街商铺和零售商业区等实体消费空间产生了明显的影响，人们更倾向于在线购物或者去市区外的购物中心。尽管一些研究探讨了公共卫生政策限制对于零售商业的短期和中期影响，但是缺少对于这些影响的直接量化分析，尤其是考虑到区域层面的空间异质性及其功能和结构特征。
现有的研究已经利用空置率和人流量来评估消费空间的经济表现，流动性数据也可以用来评估零售商业的表现并被证明是有效的。作为流动性数据的一种，Geolytix（手机应用中的定位功能）数据集，可以被用于解读后疫情时代的经济表现。在这一背景下，本研究探讨了流动性数据集对于探索零售商业区商业恢复的时空趋势，展示了如何使用零售商业区的定义和新形式的数据作为地理数据工具，以更好地理解疫情期间和后疫情时代中零售商业的反应。
本研究包含了三个目标：
（1）如何使用Geolytix流动性数据集对零售商业区的商业恢复做时空分析。
（2）探讨商业恢复轨迹与零售商业的整体功能和区域地理之间的关联程度。
（3）量化零售商业区的结构特征，以及功能和区域地理等因素，在决定商业恢复轨迹方面的作用。
研究内容
一、数据收集
本研究使用的主要数据集是从消费者数据研究中心获得的Geolytix “手机应用程序的位置数据集”。该数据集包含来自英国各地手机应用程序的活动计数，这些活动被汇总到一个六边形的几何图形中，提供每个50米六边形单元内不同设备的总数。这些数据提供了每小时、每天和每周的计数，横跨2021年8月至2022年7月的365天。Geolytix数据集中的设备数量在整个研究期间并没有保持一致，从2021年8月的约170,000台下降到2022年7月的65,000台，这导致了无法使用该数据集作长时间跨度的研究。但是，研究短时段（如几周）的趋势时，设备的减少并不影响不同区域和零售商业区类型（功能）的代表性。
为了研究零售商业区的功能和结构对零售商业区疫情反应方面的作用，本研究采用了CDRC“零售商业区指标”数据。其中包括关于零售商业区的组成、多样性、区域贫困程度和在线购物的信息。由于零售商业区的指标只适用于英国6423个零售商业区中的一部分，因此在本研究中排除了大量的小型商业区和一些特殊的大型商业区（零售商业公园，购物中心），只使用了同时具备功能和结构指标的1068个零售商业区。
二、数据分析
本研究选取零售商业区的类型（功能）、地理区域、结构属性作为自变量，把零售商业区2021年到2022年的活动变化作为因变量。构建了一个框架来量化不同结构和区域特征对零售商业活动变化的影响，以及考虑零售商业类型（功能）和地区与这些变化趋势的关系。特别是这些自变量与从基线（8月-9月平均数）到2022年夏季（6月-7月平均数）的手机设备数量（即商业活动）的变化之间的关系进行建模。
从图1可以看出，就零售商业区的类型（即功能）而言，虽然设备总数在研究期间急剧下降，但六种类型的零售商业区的设备数量比例基本保持一致。这表明流动性数据并不偏向某些类型的零售商业区，为比较不同功能零售商业区之间的活动变化提供了理由。相比之下，图2清楚地表明，研究期间设备数量的下降有非常明显的地理分布，在伦敦零售商业区的设备数量占据了全国总设备数量的较大份额。它可能与疫情后期人们回到伦敦的移动有关，或者与伦敦某些移动电话供应商的日益普及有关，而我们对此并不了解。因此，本研究将重点关注伦敦以外的所有零售商业区的恢复轨迹，最终的样本是862个零售中心。
图1：2021年8月至2022年8月六种类型的零售商业区的设备数量比例
图2：2021年8月至2022年8月不同地区的零售商业区的设备数量比例
在整个研究期间，不同类型的零售商业区的对于疫情的反应如下图3所示。首先，对于2021年11月底Omicron的到来或其2022年2月和5月的变种，六种类型的零售商业区之间的总设备数量份额基本保持不变。这表明Omicron几乎没有突然改变人们选择的购物场所类型，这与Covid-19大流行的早期阶段所看到的情况形成了直接对比。然而，在整个研究期间，不同零售商业区类型之间的份额变化出现了明显的变化，这对不同商业功能的长期恢复提出了重大质疑。
对于区域中心的零售商业区而言，设备数量在2021年圣诞节前显著增加，这是一个预期的趋势，因为这些中心更好地满足了圣诞购物者的需求。然而，在2021年圣诞节之后，区域中心的设备数量份额从基线上出现了最明显的下降，这表明相对于其他零售商业区，区域中心变得不那么受欢迎。另一方面，城镇中心的零售商业区的设备数量份额在2021年圣诞节之后显著增加，这段时间内为了减少对Omicron的接触，居民更倾向于减少流动而就近购物。
图3：不同区域的零售商业区的设备数量变化比例
在研究不同地区的零售商业区的恢复情况时，也可以看到类似的趋势（图4）。南方的零售中心活动减少最多，特别是东南和西部，西北和苏格兰也有明显的减少。东部、东中部、西中部和威尔士的零售商业区的活动似乎都有了明显的提升。从功能上和区域上看，零售商业区在这段时间内的恢复情况有很大的差异。
图4：不同地区的零售商业区的设备数量变化比例
为了证明以更高的分辨率来评估商业恢复轨迹的重要性，本研究对比了西北地区所有主要城镇中心（图5上）和英格兰东部地区中心（图5下）的设备数量变化，突出了具有相同功能和区域地理的零售商业区商业恢复轨迹的异质性。当我们观察英格兰东部的区域中心零售商业区时，虽然大多数都在经历不同程度的增长，但仍有许多零售商业区在经历衰退，这凸显了零售商业区商业活动恢复的复杂性。
图5：对比两个地区的零售商业区的设备数量变化比例
三、数据建模
然而，就商业恢复程度而言，具有类似特征的各个零售商业区之间显然存在着巨大的差异，这就需要在更高的分辨率下进行分析。此外，虽然功能和区域明显与商业恢复轨迹相关，但零售商业区的内在结构组成及其与区域特征的关系可能也有关系。因此，需要一种能够更有效地量化这些相互关系的方法，特别是能够确定功能、区域和结构与零售商业区的商业恢复轨迹之间的关系，并量化每一种的重要性。
本研究首先评估了零售商业区的结构特征（包含区域的特征）对于2021年夏季和2022年夏季商业恢复程度的影响（图6）。活动变化的一个自变量是区域贫困指标(AvgIMDScore)，位于更贫困地区的零售商业区被认为占据了更多的消费者份额，恢复的速度更快。在Omicron流行的这段时间里，更贫困地区的人们可能不太可能遵循政府的建议（减少流动性），导致附近零售商业区的活动增多。
此外，在线购物弹性（eResilience）被认为对这段时间零售商业区的恢复有积极作用，在线购物弹性的零售商业区在2021年和2022年之间占据了更多的消费者份额。
如图7所示，零售商业区在这段时间内的复苏（∆i）取决于零售商业区的整体结构、功能和区域地理，尽管程度不同，但功能和区域地理的贡献明显较小。零售商业区的结构特征和区域特征仍然是这一时期零售商业区活动变化的更大决定因素。
图6：零售商业区恢复程度与结构特征、区域特征、在线购物弹性的相关度分析
图7：不同地区的零售商业区恢复程度与结构特征、功能特征、区域特征的相关度分析
本研究利用Geolytix流动性数据，探究了英国各地零售商业区在Covid-19 Omicron变体流行时期（后疫情时代）的恢复情况。首次在全英国范围内对零售商业区在该时期的反应进行了概述，表明了商业的恢复由功能、结构和区域特征决定。
零售商业区对于Omicron变体流行时期的反应和恢复情况并不是完全一致的。从功能上分析，处于商业结构顶端的城镇核心区零售商业区在2021年圣诞节期间表现出最明显的复苏，但是这种趋势在2022年发生了逆转呈现出下降趋势。从地域上分析，英国南方地区（不包括伦敦）的零售商业区明显下降，而中部地区、威尔士地区和北部地区的零售商业区呈现复苏态势。最后，我们确定了与更强的复苏相关的具体结构特征；"非必要 "零售商业（如娱乐业）的主导地位较低，在线购物弹性高，以及区域贫困程度高，这些结构特征比零售商业区的整体功能或区域地理环境更能决定商业复苏的情况。
由于数据集的时间稳定性问题，本研究没有直接考虑到季节性、天气和假期等对于商业复苏的影响。但是，正确使用流动性数据做分析与其他经济表现衡量指标相比有很大优势。尽管流动性数据不如传感器数据能够获得某一地点的精确人流数据，但是相比于空置率数据能够提供更大的时间分辨率。采用实际销售数据对零售商业区的表现作评估也是可取的，但是缺少合适的数据集。在当前大数据时代下，构建恰当的“数字孪生”框架以采集数据和进行模拟，非常有助于政策的评估和制定。
Patrick Ballantyne: 利物浦大学博士后研究员，研究聚焦于使用地理数据科学。关注于零售商业空间，探究这类空间在后疫情时代的变化，空间的位置、特点和使用者对于这类空间的影响。https://www.researchgate.net/profile/Patrick-Ballantyne
Alex Singleton: 利物浦大学地理信息科学系教授。研究聚焦于社会科学和计算科学之间，在城市分析中扩展了区域分类的方法。关注于地理人口统计方法（无监督的机器学习）如何被完善以实现有效的使用，以及由人工智能组成的系统如何协助公共资源分配的应用。
https://scholar.google.com/citations?user=JDEfBE8AAAAJ&hl=en&oi=ao
Les Dolega：利物浦大学讲师。研究主要关注于数据量化的人文地理学，零售商业、老龄化的地理分布和分类。
https://www.researchgate.net/profile/Les-Dolega
END
编辑：李舒阳、刘乃瑜
审核/指导：刘信陶、曹瑞
