你喜欢京东的物流服务吗？你会因为它的物流服务而选择在京东平台上购物吗？一般来说，送货上门会被外包给第三方物流公司，京东最初也是如此。然而，当时大多数第三方物流供应商都不可靠，包裹经常在运输过程中损坏或被第三方供应商替换。因此，刘强东（京东集团创始人兼CEO）做出了一个艰难的决定——建立自营物流配送服务（Own delivery service, ODS）。2010年4月，京东在九个城市推出了ODS。快递员都是京东的员工，他们穿着印有京东标志的红色polo衫，送货的车上也印有京东标志。
为什么说这是一个艰难的决定？因为在2009年底，京东的市场份额只有3.2%，远低于淘宝的71.7%，而刘强东考虑将ODS作为一种差异化战略。向ODS的转变如何影响顾客的行为和在线零售商的销售业绩？目前尚未有研究调查ODS对客户购买的影响及其对在线零售商的价值。因此，本文主要探讨了这个问题：ODS是否能获得更多消费者的青睐、是否能为京东获得更高的收入？
样本包括25万随机选择的用户，这些用户在2010年之前注册为京东客户。本文获取了客户的id数据，京东自营还是第三方卖家购买，交易日期，居住城市等。最终样本包括26,199个使用ODS的客户和223,856个未使用ODS的客户。城市层面的数据分为两组：ODS城市和第三方配送城市。
内生性与自选择：
ODS城市和第三方配送城市的客户预处理购买行为存在差异。因此，直接比较不能得出因果关系结论。应用倾向匹配得分法（PSM）来构建第三方配送城市的客户群体，这些客户群体与ODS城市的客户群体相似。使用可观察的特征包括客户层面（月支出的对数、购买频率、购买的物品数、购买经历、自营/第三方、上一次购买的时间、关系长度、最大订单规模和总支出）、城市层面（手机用户数量、平均收入和人口密度）以及公司层面（客户数量和京东在每个城市的总销售额）。
距离京东总部的距离作为工具变量。市场与总部之间的距离与经济指标无关。此外，该工具变量对ODS城市具有显著的负向影响。随着距离京东总部的距离增加，被选为ODS地点的城市的概率降低。从Probit回归中计算逆米尔斯比(IMR)，然后将IMR作为第二阶段回归中的附加协变量来控制未观察到的因素。
首先使用model-free结果检验前期处理的数据是否有平行趋势。因变量为月支出的对数、月购买频率以及月购买商品的数量。如果顾客i在给定月份没有购买，顾客的值为0。
DID模型如式2所示，通过比较ODS推出前后两组的控制和处理，来估计ODS对顾客行为的销售影响。
式3考察了处理后ODS效应的持续时间。
ODS对销售的影响：顾客层面
在控制顾客、城市、公司层级效应和时间效应后，β1的估计值在统计上不显著。因此，ODS城市和第三方配送城市之间没有不同的趋势。结果表明，在ODS推出后，ODS城市的客户每月的支出增加了7.8%；购买频率增加了0.045，购买百分比增加了4.2%；购买的物品数量增加0.16，购买的物品数量百分比增加5.1%。
为了检验ODS的销售效应是否会随着时间的推移而持续，本文使用四个时间窗口来估计公式3。结果表明，ODS对客户支出和购买频率的立即影响不显著，对购买的商品数量的影响显著，但在推出大约6个月后，它对所有购买行为的影响开始变得显著。更重要的是，处理效应会随着时间的推移而持续，其强度也会随着时间的推移而增加。
主要思想是通过确定第三方配送城市的最佳加权组合来创建一个“合成城市”，作为反事实(即合成)对照组，然后将每个ODS城市的实际销售额与其合成控制组的销售额进行比较。结果显示，在7个城市中，ODS效应显著且积极，ODS的推出导致平均销售额增长11.9%。
为什么不同城市的ODS的影响不同？本文将处理效应与城市特征相关联，在等式（4）中探索了ODS效应在城市或地理市场中的异质性。
结果表明，信任水平高的省份对ODS的响应低于信任水平低的省份。可能的解释是，在信任度较低的省份，消费者对网购的担忧更多。
四个特大城市(北京、上海、广州和深圳)比其他城市更大、更发达，对企业的信任度可能更高。因此，合成控制法不能在其他城市凸组合的基础上构建一个“合成”特大城市作为控制。此外，京东还在四个特大城市都推出了ODS。因此，本文将客户层面的数据分为特大ODS城市和非特大ODS城市，并对这两组进行了DID分析。结果显示，特大ODS城市的效应规模小于非特大ODS城市。这一结果表明了四个特大城市的一致模式：它们更发达，消费者对它们的信任度高于其他城市。
ODS对销售的影响是否因不同的客户、产品类别和销售商而异？本文将处理效应与三个调节变量之间的交互项纳入公式5。结果显示，对于交易的累积数量较少的客户，ODS的价值更高；昂贵的产品类别ODS的价值更高；从京东自营购买的产品的ODS效应比从第三方卖家购买的产品更高。
因果中介分析：
本文使用了6,714,949条产品评论，根据客户ID、购买日期和产品名称查看客户的交易记录匹配。进行基于文本的分析，识别和构建与快递服务相关的两个新度量：包含与快递质量相关的关键字的评论数量(delivery quality, M1)和包含与信任相关的关键字的评论数量(trust, M2)。使用 (TF-IDF)算法捕获每个词(术语)频率的缩放矩阵来定义相似度。结果表明，快递质量和信任共同推动了销售。
How Own Delivery Services Influence Customer Behavior and Sales in Online Retail? Building Trust and Improving Delivery Quality in Digital Economy
