原文信息：
Hao Fe, Viviane Sanfelice, How bad is crime for business? Evidence from consumer behavior, Journal of Urban Economics, Volume 129, 2022, 103448, ISSN 0094-1190
01引言
理论和实证研究均表明，对犯罪受害的恐惧迫使消费者、工人和企业家改变他们的日常活动。犯罪及其导致的行为变化，增加了在当地进行商业活动的成本，并最终影响了整个地区的发展轨迹。然而，经济学文献很少关注犯罪是否以及如何通过改变消费者的行为来影响商业活动。本文旨在通过直接评估消费者对犯罪活动的敏感性来填补相关领域的空白。
理解消费者对当地犯罪的敏感性对于企业、城市规划者和政策制定者来说具有重要意义。对于企业而言，消费者的重要性是不言而喻的，通过吸引更多的消费者，企业保证了收入来源，持续性经营的可能性得以提升。对于城市规划者和政策制定者而言，评估消费者对当地犯罪的响应能够帮助他们更好地理解犯罪如何影响经济发展，以及控制犯罪是否能够成为可行的经济发展工具。此外，本文的研究结果也可能有助于解决关于城市分区规划和地方公共财政之间的争议。如果犯罪活动造成企业的潜在消费者大量流失，公共管理部门可能会创建税收抵免项目，如“机会特区”（Opportunity Zones），也可能会设立商业改善区（Business Improvement Districts，BID），而BID内的企业会被要求支付额外的税款，用以资助地区改善和公共安全项目。
作者以芝加哥为例，利用了特定点犯罪数据和消费者访问数据，研究了不同犯罪对消费者随后访问餐馆、娱乐和零售场所的影响。本文的研究结果表明，消费者会对财产犯罪和街头犯罪做出反应。需要说明的是，该反应仅针对以访问次数和消费者数量衡量的广延边际（extensive margin），而不是根据在某商业场所停留时间衡量的集约边际（intensive margin）。
02数据来源及处理
2.1 数据来源
本文主要数据的来源有二：一是来自芝加哥警察局的事件级犯罪数据，二是从SafeGraph获取的兴趣点访问数据。值得一提的是，SafeGraph是一家通过移动设备收集并提供人们在公共场地中运动轨迹数据的公司，并已为诸多学术研究提供了数据服务。本文将两大数据整合在一起，最终构建了从2017年1月1日至2019年12月30日的芝加哥城市内14893个地点的追踪数据集。
具体而言，犯罪信息来源于芝加哥警察局提供的公民执法分析和报告（Citizen Law Enforcement Analysis and Reporting）中的犯罪事件，能够在芝加哥数据门户网站公开获取。数据包括犯罪事件发生的地理坐标、所属类型和场所类别（如人行道、公寓和零售商店）等信息。作者还从门户网站上获取了营业执照和建筑许可信息，用以作为私人投资的代理变量。
消费者访问数据由SafeGraph公司提供，该公司从美国4500万个移动设备上搜集了360万个商业兴趣点（points-of-interest）的客流模式数据。作者从中获取了消费者访问餐饮业和娱乐业场所（venue）的日度数据，这些商业场所是根据北美行业分类系统（NAICS）行业代码选择的。本文进一步剔除了那些出现较晚（在2017年1月1日后首次出现）或消失较早（在2019年9月30日前最后出现）的商业场所，共910个场所被删除。由于SafeGraph覆盖的商业场所是通过综合使用网络爬虫、开源API和第三方许可等技术手段获取的，为论证这些场所数据具有良好的代表性，作者比较了从SafeGraph获取的样本数据与有效商业许可证的空间分布，如Fig.1所示，结果表明两者具有高度的空间相关性。
2.2数据处理
（1）按照事件性质，将犯罪事件划分为暴力犯罪、财产犯罪和轻型犯罪；按照发生地点，将犯罪事件划分为街头犯罪、住宅犯罪、停车场或公共交通区域犯罪、商业场所犯罪、车辆犯罪和加油站犯罪。
（2）考虑到犯罪的影响可能波及到犯罪地点的邻近街区，作者将街区组（block group）作为基本地理分析单元。芝加哥城市的一个街区组大约包含20个人口普查街区，平均人口在2010年为1200人。为便于读者理解，下面将补充介绍美国的人口普查数据。在美国，人口普查的地理单元从小到大依次为街区（block）、街区组（block groups）和区域（tracts）等。
感兴趣的读者可详细参考：
https://blog.csdn.net/qq_35732147/article/details/85242296
（3）考虑到犯罪影响的时间范围，作者将样本的观测时间设定为1个月，换言之，是将原始日度数据汇总处理为月度数据。
主要变量的描述性统计如Table 1所示。
03实证策略
本文的目标是识别不同犯罪活动对消费者访问的平均效应，记为向量图片。图片中的各个分量代表了特定犯罪活动（如财产犯罪）的效应大小。为识别本文所感兴趣的参数，实证模型设定如下：
其中，被解释变量图片表示在给定的月份 t 内，消费者访问商业场所 k 的总次数。商业场所 k 位于街区组 j . 图片捕捉了类型为 w 的犯罪活动对消费者访问的影响。如果总共有 W 种犯罪类型，那么本文所关注的参数则可以记作图片. 图片代表固定效应 。图片表示随机冲击和其他不可观察的因素。
本文解决潜在的内生性问题的识别策略出于这样一种直觉：犯罪的影响发生在精细的时间和地理级别，而大多数混杂因素（confounder）仅在精细的时间或地理级别上有所不同，但两种情况不会同时出现。
鉴于此，作者设定了在不同时间和地理水平上变化的固定效应，具体包括街区组-年份固定效应（block group by year）、以及区域-月份固定效应（tracts by month）。前者用以吸收比犯罪变化速度慢的区域层面混杂因素，并控制一个地区的商业构成。后者用以捕捉在一个更大的区域中随时间变化的不可观测变量，同时吸收了在执法、公共干预等方面的所有区域水平趋势。图片控制了街区组水平的历史访问数量。商业场所固定效应图片解释了一个场所不随时间变化的特征（如规模、行业分类等）。
04数据来源及处理
4.1基准结果
Table 2 展示了不同性质的犯罪对消费者访问次数影响的估计结果。列（1）仅加入了财产犯罪、暴力犯罪和轻型犯罪三个核心解释变量。其中，财产犯罪和轻型犯罪的系数显著为正，这是由于遗漏当地客流变量而产生的偏误问题。列（2）加入了滞后一期的街区组消费者访问数量，该变量将不同水平的商业活动考虑在内，控制了当地客流所带来的正向偏误以及不同地区的异质性，最终翻转了财产犯罪和轻型犯罪系数的符号，大大提高了模型的解释力。列（3）到列（5）依次加入了街区组-年份固定效应、区域-月份固定效应和商业场所固定效应，财产犯罪的系数均显著为负，而暴力犯罪和轻型犯罪均不显著。列（6）进一步加入若干街区组-年份水平下的控制变量，目的是控制与犯罪变量在相同时间和地理水平下变化的混杂因素，控制变量包括反映私人投资的月度建筑许可证和有效营业执照数量、反映商业场所吸引力的旅行距离和商业场所停留时间的中位数以及各类型犯罪的滞后项，在加入控制变量后本文的结果依然稳健。
延续Table 2 的设定，进一步考察不同地点的犯罪对消费者访问的影响，结果如Table 3 所示。列（1）仅加入核心解释变量，列（2）到列（6）依次加入各种固定效应和控制变量。总体来看，街头犯罪对消费者访问具有显著负向影响，而其余地点的犯罪对消费者并无显著影响。
4.2有效性检验
作者采用外生性检验和安慰剂检验两个检验方法，进一步确认了本文识别策略的有效性。
（1）外生性检验
由于本文具有多个解释变量，采用传统的工具变量法处理内生性问题显然缺乏可操作性。为此，本文尽可能地通过控制多种形式的固定效应来解决模型中潜在的内生性问题。为检验模型的外生性，作者使用了由Caetano（2015）发明的外生性检验方法。该检验要求不可观测值在我们所感兴趣的解释变量的已知阈值处不连续变化，这通常发生在观测值聚集在该阈值时。在本文的背景下，这种不连续性存在于犯罪数等于0处。举例而言，暴力犯罪率为0的区域往往是非常富裕、安全或者有警察密集巡逻，即使它们略微贫穷、稍加危险或者安保稍加放松，这些区域的暴力犯罪也会保持为零。进一步，因为暴力犯罪数量不可能为负值，这些不可观测的区域特征趋向于累积在0值处。如果本文的模型设定遗漏了某些不连续的不可观测变量，被解释变量则会在0值处不连续，这就意味着模型存在内生性问题。
为进行该检验，作者构造出一个指示变量图片，当图片的值为0时，该变量取1. 接着，我们将这一变量代入公式（1）的右侧。指示变量的系数反映了在值图片处不连续性的大小。最后，作者对所有指示变量的系数是否整体为0进行F检验。对于这一外生性检验的原理和做法感兴趣的读者，可详细参考Caetano（2015）。外生性检验的结果如Table 4 所示，检验表明，本文在10%的显著性水平下不能拒绝原假设，即可以认为模型的设定具有外生性。根据Table 4 ，作者认为Table 2 和Table 3 的列（5）的模型设定较优，因此将使用列（5）的模型设定做进一步分析。
（2）安慰剂检验
为进一步验证本文设定的有效性，作者对住宅中的家庭暴力事件进行安慰剂检验。事实上，住宅中的家庭暴力事件与地区中不可观测的趋势相关，但这类事件并不直接影响消费者对商业场所的访问次数。安慰剂检验的结果进一步增强了本文实证策略没有捕捉到虚伪相关性的可信度。
4.3进一步分析
作者进一步研究了犯罪对消费者行为的影响。首先，作者考虑了其他四种被解释变量：消费者数量、商业场所的夜间人气、商业场所的日间人气和消费者的逗留时间。实证结果如Table 5 所示。结果表明，财产犯罪对消费者数量、商业场所的夜间和日间人气具有显著的负向影响，而消费者在商场的逗留时间则不受犯罪的显著影响。
Table 6 展示了不同性质和不同地点的犯罪对消费者访问住宿业、餐饮业、娱乐业、零售业和美容业这五类行业的影响。主要发现如下：财产犯罪和街头犯罪对餐饮业和零售业无显著影响。有趣的是，暴力犯罪对住宿业和美容业具有显著的负面影响。停车场或公共交通区域犯罪对零售业有不利影响。
为探究犯罪对不同初始犯罪水平街区组的商业的影响，作者根据区域普查数据中犯罪率的中位数，构建了一个虚拟变量，并与各核心解释变量进行交互。相关结果如Table 7 前两列所示。结果表明，暴力犯罪（如抢劫和杀人）在高犯罪率地区中的影响作用更大。户外犯罪，包括在街道、停车场或交通区以及加油站发生的大多数财产犯罪（如盗窃）的犯罪，对低犯罪率地区的消费者具有显著的负面影响。商业场所犯罪会影响高犯罪率地区的消费者访问。Table 7 的后两列报告了犯罪对犯罪趋势下降地区和犯罪地区上升地区的异质性影响，结果表明，在犯罪趋势下降的地区，商业场所犯罪对消费者具有显著负向影响；在犯罪趋势上升的地区，财产犯罪、街头犯罪和停车场或公共交通区域犯罪对消费者具有显著负向影响。
05总结
本文通过提供强有力的证据，证明了短期犯罪变化能够影响消费者访问美国大城市商业场所，填补了相关领域的研究空白。消费者对犯罪的敏感性取决于犯罪类型和发生地点是本文分析的核心。
本文的主要结果表明：财产犯罪的影响比暴力犯罪的影响更强，公共场所犯罪对消费者的行为具有显著影响，而住宅犯罪对消费者的影响并不显著。本文进一步发现，犯罪主要影响消费者的广延边际，对消费者的集约边际无明显影响。此外，犯罪对消费者行为的影响表现出明显的地区异质性。相关结论有助于决策者和地方机构规划社区复兴和经济发展。
推文作者简介：
张齐林，北京交通大学经济管理学院，Email：amineus@163.com。
Abstract
Understanding how consumers respond to crime offers evidence of how safety perception impacts individuals daily choices and has important implications for economic development of communities. This paper investigates the impact of local crime on subsequent consumer visits to food and entertainment retails using a novel longitudinal dataset with point-specific crime and consumer visit data. We leverage the richness of our data to account for unobserved heterogeneity and time variant confounders through temporal and geographical variation. Our results show that consumers respond more strongly to property and street crimes. The response concentrates on the venue visit decision rather than the intensity of consumption (i.e. duration) in the venue.
来源：香樟经济学术圈
如有侵权，请联系本站删除！
