城鎮(zhèn)居民餐飲消費(fèi)偏好空間及菜系差異的PSM 分析

■俞越 馬佳欣 周睿玲（北京工商大學(xué)經(jīng)濟(jì)學(xué)院）

一、引言

自古以來(lái)，中國(guó)人民重視一日三餐，中國(guó)菜更是以獨(dú)具特色和種類之豐富而名揚(yáng)海外。隨著經(jīng)濟(jì)進(jìn)步，人民的消費(fèi)水平也日漸增高，在餐飲方面的消費(fèi)投入更多，對(duì)于餐飲服務(wù)的要求也更為精細(xì)。中國(guó)餐飲服務(wù)市場(chǎng)穩(wěn)步快速增長(zhǎng)是有目共睹的，行業(yè)總規(guī)模從2013 到2018 年提升1.32 萬(wàn)億，到2022 年將還將保持高速增長(zhǎng)，且細(xì)分市場(chǎng)不斷地增加。同時(shí)餐飲業(yè)的O2O 市場(chǎng)也有較好前景。影響對(duì)于一家店鋪的評(píng)分的項(xiàng)目很多，例如不同的經(jīng)營(yíng)時(shí)長(zhǎng)，不同的菜系分類，不同地理位置，這些都對(duì)顧客的評(píng)價(jià)都會(huì)產(chǎn)生影響。

通過(guò)對(duì)于相關(guān)論文的閱讀，陳燕（2016）[1]利用層次分析法,得到影響餐飲消費(fèi)者購(gòu)買行為的四大因素：個(gè)人、商家、網(wǎng)絡(luò)、其它。進(jìn)而細(xì)分為14 個(gè)子因素,得出結(jié)論即企業(yè)選址應(yīng)該確定餐飲企業(yè)城市定位，環(huán)境定位如周邊居民收入定位，注重維護(hù)企業(yè)聲譽(yù)，注重特色，注重和消費(fèi)者間網(wǎng)絡(luò)溝通；關(guān)于餐飲消費(fèi)行為特征分析，岳子靜[2]基于美團(tuán)網(wǎng)數(shù)據(jù)，探究用戶的菜系偏好以及各菜系的傳播與發(fā)展情況；吳麗云[3]以大眾點(diǎn)評(píng)網(wǎng)為例，分析了餐飲消費(fèi)者的網(wǎng)絡(luò)評(píng)論內(nèi)容，發(fā)現(xiàn)不同消費(fèi)水平的消費(fèi)者消費(fèi)偏好有明顯差異，餐飲消費(fèi)者最關(guān)注的前五位要素是：食物、環(huán)境、服務(wù)、價(jià)格和便利性；任彬[4]從性別、地區(qū)、時(shí)間三個(gè)維度對(duì)微博用戶的飲食習(xí)慣特色進(jìn)行了交叉分析，展示了飲食表達(dá)特色的分析結(jié)果。在消費(fèi)行為的研究方面，莊巖[5]從農(nóng)村居民旅游消費(fèi)行為和旅游消費(fèi)結(jié)構(gòu)對(duì)農(nóng)村居民的旅游消費(fèi)進(jìn)行了研究；蔡曉梅[6]從飲食消費(fèi)頻率、時(shí)段分布和消費(fèi)持續(xù)時(shí)長(zhǎng)三方面分析了廣州居民在外飲食消費(fèi)行為的時(shí)間特征;在飲食消費(fèi)行為的空間分布上, 提出了不同類型飲食消費(fèi)行為的圈層分布圖和高低檔次飲食消費(fèi)行為的空間帶狀圖。

這些研究從城市差異、消費(fèi)者飲食偏好差異、餐飲店鋪環(huán)境差異做了分析，還對(duì)飲食消費(fèi)時(shí)段分布等做了分析，給予讀者分析問(wèn)題的多種視角，對(duì)于一些干擾情況，比如確定是否是因?yàn)槟骋粋€(gè)變量造成了被解釋變量有一定差距，還未非常明白地確認(rèn)，對(duì)這些因素進(jìn)行排除相互干擾的工作也還未做，本文意在通過(guò)PSM 模型減少干擾度，進(jìn)一步探索不同菜系之間、不同消費(fèi)水平之間的打分差異，并利用半徑匹配法、最近鄰匹配法、核匹配法三種方法檢驗(yàn)匹配效果，發(fā)現(xiàn)顧客的菜系偏好，為店鋪決策帶來(lái)更多結(jié)論。

二、傾向性得分匹配方法（PSM）

本文將繁華地區(qū)樣本作為處理組、非繁華地區(qū)樣本作為對(duì)照組，并運(yùn)用PSM 方法展開分析，具體方法如下。

（一）匹配變量的篩選

匹配變量用logit 模型來(lái)回歸以確定，根據(jù)AUC 的值可以判斷出是否具有較好的擬合程度。一般而言，當(dāng)我們利用Logit 模型求出選擇的匹配變量，AUC 大于等于0.8 代表有較好的匹配效果。

（二）平均處理效應(yīng)的衡量

在考察是否為老店、是否繁華以及什么菜系這些不同的角度帶來(lái)店鋪評(píng)價(jià)打分差異時(shí)的一個(gè)關(guān)鍵性問(wèn)題是，對(duì)一個(gè)店鋪而言只能分析其中一種變量，即為典型的反事實(shí)因果推斷分析框架。Rosenbaum & Rubin（1983）[8]提出了傾向性得分匹配（Propensity Score）方法，通過(guò)找到與處理組（Treated Group）主要特征盡可能相似的控制組（Comparison Group），比較兩者之間的差異效應(yīng)，從而更加客觀的評(píng)價(jià)不同身份帶來(lái)的影響差異與效果。傾向性得分被定義為：

其中，X為自變量的多維向量，是一系列可能影響店鋪評(píng)價(jià)打分的變量；D是指標(biāo)變量，取值1 表示為處理組店鋪，取值0 表示對(duì)照組店鋪。理論上，如果我們可以獲得傾向性得分的估計(jì)量（average treatment effect on the treated）則為處理組受到的平均處理效應(yīng) (Becker & Ichino, 2002)，如下：

其中，Y1i和Y0i分別為處理組與對(duì)照組店鋪潛在的被顧客評(píng)價(jià)打分所具有的潛在偏好因素。

三、變量與描述統(tǒng)計(jì)

本文的數(shù)據(jù)主要來(lái)源于北京大學(xué)開放研究數(shù)據(jù)平臺(tái)的“大眾點(diǎn)評(píng)網(wǎng)餐廳口碑?dāng)?shù)據(jù)”[17]，其中包含3124 條大眾點(diǎn)評(píng)網(wǎng)廣州站美食分類下多種類型餐飲店店家評(píng)價(jià)和評(píng)論信息。

（一）變量選擇

餐廳的口碑得分是本研究的目標(biāo)變量，主要包括等4 種口碑得分。分類變量主要包括是否老店（營(yíng)業(yè)時(shí)長(zhǎng)大于1000 天的被定義為老店，小于1000 天的為非老店）及各種菜系（包括川菜、粵菜、粥粉面、西餐、日本料理）。相關(guān)的匹配變量包括區(qū)域類別（分為白云區(qū)、海珠區(qū)、天河區(qū)、越秀區(qū)等4 個(gè)區(qū)域）、星級(jí)店鋪評(píng)價(jià)人數(shù)，高質(zhì)量店鋪評(píng)價(jià)人數(shù)、推薦率、照片數(shù)、是否可團(tuán)購(gòu)等變量。

（二）描述性統(tǒng)計(jì)

表1 對(duì)評(píng)分類指標(biāo)進(jìn)行統(tǒng)計(jì)分析

表1 對(duì)餐廳的觀測(cè)值、均值、標(biāo)準(zhǔn)偏差、最大、最小值進(jìn)行了分析。在3124 個(gè)觀測(cè)值中，餐廳的平均評(píng)分等級(jí)為3.83，其標(biāo)準(zhǔn)偏差小于其余各變量（口味、環(huán)境、服務(wù)），說(shuō)明評(píng)分等級(jí)相對(duì)較為集中。其中餐廳評(píng)級(jí)的最高等級(jí)為5 級(jí)，最小值為2 級(jí)。餐廳口味的評(píng)分均值為7.78，標(biāo)準(zhǔn)差大于餐廳評(píng)級(jí)這一變量。值得一提的是，口味打分、環(huán)境打分、服務(wù)打分的最大值都是9.3。餐廳服務(wù)的平均水平在7.79 分左右，其標(biāo)準(zhǔn)偏差在0.75 左右，數(shù)據(jù)的離散程度在4 個(gè)變量中是最大的，其最小值為5.1 分。餐廳服務(wù)質(zhì)量評(píng)分的均值是7.68 左右，標(biāo)準(zhǔn)差僅次于“服務(wù)”這一變量的標(biāo)準(zhǔn)差，其最小值為5.6，是四個(gè)變量中最大的。

四、實(shí)證分析

（一）匹配變量選擇

我們選取是否為繁華區(qū)為被解釋變量（繁華地區(qū)為實(shí)驗(yàn)組，非繁華地區(qū)為對(duì)照組），區(qū)域類別（分為白云區(qū)、海珠區(qū)、天河區(qū)、越秀區(qū)等4 個(gè)區(qū)域）、星級(jí)店鋪評(píng)價(jià)人數(shù)、高質(zhì)量店鋪評(píng)價(jià)人數(shù)、推薦率、照片數(shù)、是否可團(tuán)購(gòu)等變量做為解釋變量，運(yùn)用logit 模型展開匹配變量的選擇，具體結(jié)果見表2。

表2 匹配變量的篩選

根據(jù)Sturmer,Joshi,Glynn,Avorn,Rothman and Schneeweiss（2006）的研究[9]，當(dāng)AUC 達(dá)到0.8 時(shí)，匹配效果是比較良好的，從表中可見，模型1-3 的AUC 均達(dá)到了0.845 以上，匹配效果良好。另外，在模型1、模型2 中，可團(tuán)購(gòu)、營(yíng)業(yè)時(shí)間為2-3 年均不顯著，為此，本文選擇模型3 作為最終的匹配結(jié)果。

為了檢驗(yàn)?zāi)Ｐ? 的匹配效果，我們還進(jìn)一步做了匹配前后的核密度圖，這里僅用半徑匹配法為例來(lái)展示匹配效果，具體見圖1。

圖1 匹配前后核密度圖對(duì)比

從圖中可以看出，在匹配前對(duì)照組和實(shí)驗(yàn)組的概率分布圖還存在明顯差異，而完成匹配后，對(duì)照組和實(shí)驗(yàn)組的概率分布已經(jīng)很接近了，匹配效果良好。

（二）利用ATT 模型檢驗(yàn)匹配結(jié)果

為了獲取更穩(wěn)健的結(jié)果，本文分別運(yùn)用最近鄰匹、半徑匹配、核匹配等三種匹配方法估計(jì)不同繁華區(qū)域?qū)Σ惋嬈髽I(yè)口碑得分的平均處理效果（ATT），結(jié)果見表3。

首先，我們對(duì)全樣本進(jìn)行分析，從表3 可以看到，三種匹配方法下，處理組（繁華地區(qū)）和控制組（非繁華地區(qū)）的服務(wù)評(píng)分均呈現(xiàn)出顯著的差異，繁華地區(qū)較非繁華地區(qū)高出0.101-0.126 分；而在菜品評(píng)分，環(huán)境打分方面，繁華地區(qū)與非繁華地區(qū)的ATT 不存在顯著差異。

接著，我們進(jìn)一步按營(yíng)業(yè)天數(shù)分類，探討繁華地區(qū)與非繁華地區(qū)在總評(píng)分、菜品打分、服務(wù)打分和環(huán)境打分等方面的ATT 差異，見表3。對(duì)于營(yíng)業(yè)天數(shù)大于1000 天的店鋪，不存在顯著的差異。對(duì)于營(yíng)業(yè)天數(shù)小于1000 天的店鋪有顯著的差異，尤其是對(duì)于服務(wù)的評(píng)分方面，繁華地區(qū)與非繁華地區(qū)相比高出0.068-0.167 分。

最后，我們還根據(jù)不同菜系分類，探討繁華地區(qū)與非繁華地區(qū)在總評(píng)分、 等方面的ATT 差異，見表4。

由表4，所用方法順序與表4 相同，菜品類型分別是川菜、日式料理、西餐、粵菜、粥粉面。對(duì)于不同菜品來(lái)說(shuō)，是繁華地區(qū)與非繁華地區(qū)對(duì)四項(xiàng)評(píng)分類指標(biāo)的打分沒有顯著影響。處理組（繁華地區(qū)）和控制組（非繁華地區(qū)）的總評(píng)分，以及服務(wù)評(píng)分均在日式料理呈現(xiàn)一定差異，這表明日式料理的服務(wù)評(píng)分可能與店鋪地理位置有關(guān)系。西餐方面，繁華地區(qū)和非繁華地區(qū)在服務(wù)評(píng)分有一定的差異。粵菜的環(huán)境和服務(wù)評(píng)分，粥粉面的環(huán)境評(píng)分，都和店鋪開設(shè)在繁華地區(qū)與否有很大關(guān)系。

五、結(jié)論與啟示

由本文得到如下結(jié)論：（1）日式料理的服務(wù)評(píng)分可能與店鋪地理位置有關(guān)系，開店地理位置需仔細(xì)考慮；（2）繁華地區(qū)和非繁華地區(qū)的服務(wù)評(píng)分均呈現(xiàn)出顯著的差異；營(yíng)業(yè)天數(shù)小于1000 天的店鋪對(duì)于服務(wù)的評(píng)分方面有顯著的差異。參考文獻(xiàn)

表3 全樣本、不同營(yíng)業(yè)天數(shù)類別的ATT估計(jì)值

表4 菜系為分類的ATT檢驗(yàn)

[1]陳燕.餐飲消費(fèi)者購(gòu)買行為影響因素探討[J].商業(yè)經(jīng)濟(jì)研究,2016(1)：36-38.

[2]岳子靜,章成志,周清清.利用在線評(píng)論挖掘用戶飲食偏好——以北京地區(qū)為例[J].圖書館論壇,2017,37(3)：108-115.

[3]吳麗云，陳方英.基于網(wǎng)絡(luò)評(píng)論內(nèi)容分析的餐飲消費(fèi)者行為研究[J].人文地理.2015(5)：147-152.

[4]任彬.基于微博的用戶飲食特色及表達(dá)習(xí)慣分析[D].哈爾濱：哈爾濱工業(yè)大學(xué),2005.

[5]莊巖，毛曉東.中國(guó)農(nóng)村居民旅游消費(fèi)行為與消費(fèi)結(jié)構(gòu)分析.改革與戰(zhàn)略[J].2017(9)：114-116.

[6]蔡曉梅,賴正均.廣州居民在外飲食消費(fèi)行為的時(shí)空間特征研究[J].人文地理,2008,101(3)：79-84.

[7]司倩楠,2018,"大眾點(diǎn)評(píng)網(wǎng)餐廳口碑?dāng)?shù)據(jù)",http：//dx.doi.org/10.18170/DVN/EB6KJ1, 北京大學(xué)開放研究數(shù)據(jù)平臺(tái),V1.

[8]Estimating the impact of antenatal care visits on institutional delivery in India： A propensity score matching analysis.

[9]Sturmer, Joshi, Glynn, Avorn, Rothman and Schneeweiss.2006.10.1016/j.jclinepi.2005.07.004.