一、数字优惠券政策总体刺激效果显著 [page::0][page::1][page::24]

• 政府每投入¥1优惠券补贴，消费者总支出增加约¥3.38，构成显著的消费乘数效应。

- 优惠券增加消费者的下单单价和每单菜品数量，主要通过消费强度（单次订单额）提升驱动，订单频次变化不明显。

• 优惠券刺激消费效果集中在发放期间，发放结束后效果迅速消散，且未发现明显的消费时间或品类替代效应。

二、消费响应的显著异质性及驱动因素 [page::4][page::28][page::29][page::30]

• 消费响应差异显著，约9%高响应人群贡献近半刺激效果，19%用户反应为负，表现为节省消费的“现金转移”效应。

- 财富、历史消费习惯（订单频率、单价）等需求侧因素强正向影响消费响应，而邻近餐厅数量与消费响应呈非单调关系，且大商户占比提振消费响应。

• 需求侧因素对异质性贡献占84%，供应侧因素贡献16%。

三、理性阈值行为与行为经济学双重机制 [page::34][page::35][page::36]

• 明显发现优惠券阈值附近消费“堆积”（bunching），部分消费者为达到折扣门槛调整消费，符合理性模型。

- 但大量基线消费即超阈值用户依然显著增加消费，体现心理账户、显著性和损失厌恶等行为经济学效应，数字券被看作具有“非等值资金”的专用预算。

四、数字优惠券政策对商户的差异化影响及福利评估 [page::37][page::38][page::39][page::40]

• 高响应消费者倾向消费大商户，高响应人群消费分布偏向大商户，导致大商户获得大部分营收增长。

- 政策带来消费和商户利润双重福利，边际公共资金价值(MVPF)达4.88，表明每¥1政府支出带来近¥4.9总福利增长。

• 营商收入增益高度集中于大商户，存在“消费—商户匹配”效应，限制了政策对小微企业的支持效果。

五、基于异质响应的定向发放策略显著提升效率及兼顾公平 [page::41][page::42][page::43][page::44][page::45]

• 利用因果森林预测个体响应进行定向发放，鼠注效率大幅提升，针对前10%高响应群体，刺激效果增至原始6倍以上。

- 单维度简单指标（如财富、历史消费、周边大商户比例）亦能带来明显效率提升，且这些指标间存显著空间集聚效应。

• 当优先支持小微企业时，整体刺激效果下降，存在效率与公平权衡。

- 设计混合方案，将节省预算部分直接补贴小微企业，兼顾效率与公平，刺激总额提升21%。

六、政策设计与未来展望 [page::46][page::47][page::48]

• 数字券作为需求侧刺激，适合短期、目标明确的消费推动，但存在大商户偏向和消费者出资负担分布不平衡问题。

- 建议将需求侧数字券与供应侧企业直接补贴结合，实现效率与公平兼顾。

• 未来研究可聚焦最低消费阈值与过期时间机制拆分效应以及更宏观经济的溢出效应评估。

深度分析报告：消费刺激与数字优惠券研究

一、元数据与报告概览

报告标题： Consumption Stimulus with Digital Coupons
作者： Ying Chen, Mingyi Li, Jiaming Mao, Jingyi Zhou
发布机构及时间： 未明确提及具体发布机构，论文日期为2025年6月
研究主题： 聚焦于数字优惠券作为消费刺激工具的效应与设计，基于中国北京大规模数字优惠券项目的数据，重点分析其对消费行为、商户收益及政策设计的影响。

核心论点总结：
本研究分析了中国北京2022年数字优惠券项目的数据，得出以下主要结论：

1. 数字优惠券项目在短期内极大地刺激了消费，每1元政府补贴带动消费者增加消费3.4元；

2. 消费反应存在显著异质性，既受需求方因素（如财富）也受供给方因素（如本地消费便利程度）驱动；

1. 增加消费最多的是预算本就超过优惠券门槛的消费者，显示存在行为动机，如“心理账户”；

4. 高响应消费者倾向于将支出指向大商户，导致刺激效果向大商户倾斜，存在逆向分配现象；

1. 通过针对高响应消费者的精准分发，可使总刺激效果翻倍；采用精准分配与直接支持小商户相结合的混合策略，可以同时提升效率和公平性。[page::0,1,2,4,5,6]

---

二、逐节深度解读

1. 引言与背景

• 核心内容：

传统财政或货币政策在经济下行期刺激消费效果受限，数字优惠券（mobile platform 发行，有最低消费门槛、短期有效）成为新兴快速刺激消费的工具。本文基于北京2022年7-8月食品外卖数字优惠券项目的数据，利用差分中的差分（DiD）和机器学习技术，评估数字优惠券的有效性和机制。项目规模达1亿元人民币，券满50减15与满100减30两种优惠券连续发放。

• 逻辑与假设：

通过首次到先得的发放机制创造准自然实验环境，估计优惠券对消费的因果影响。同时结合住房交易与本地商户数据，形成丰富的消费者财富和消费便利度画像，探讨需求-供给双重驱动下的异质响应。

• 关键数据点：

- 170+城市数字券项目，2020年中国政府补贴达19亿人民币。
- 本文项目中，每1元补贴推动2.38元消费者自付，乘数3.38。[page::1,2]

---

2. 数据与样本构建

• 数据来源与样本：

核心数据来自Ele.me（中国领先的外卖平台，2024年占市场30%），样本包括5,980名成功领取优惠券的用户（处理组）和5,785名未成功获得优惠券但尝试领取的对照组，采用1:1倾向匹配后最终分析样本为3,787名处理者与3,787名对照，涵盖69天订单数据（含前后观察期）。

• 重要变量：

- 订单相关：每日自付支出、总支出、未使用优惠券支出、订单次数、菜品数等。
- 用户特征：年龄、性别、平台会员状态、手机售价（财富代理）、常用地址坐标。
- 位置特征：通过Lianjia房价数据为用户分配本地房价，构建财富指数。
- 邻里商业便利度：3公里范围内餐馆总数及大商户比例。

• 表1关键洞见：

- 大商户月均营收约为中小商户17倍，占据94%餐饮总营收。
- 用户均为年轻群体（约32岁），半年均55单，人均单价约45元，39%为会员，所在邻里平均餐厅密度较高且中小大商户比例均衡。[page::10,11,12,13]

---

3. 实证策略

• 平均效应估计（DiD）：

利用首次到先得的准实验设计，结合倾向匹配缓解选择偏差，采用两向固定效应模型估计优惠券领取对日度自付支出的平均处理效应。计量式中$Treati$为是否领取优惠券，$Postt$为处理期间虚拟变量，系数$\alpha$即时增效。处理定义为在处理期内任意一天领取优惠券视为处理。

• 效应分解：

分析消费响应的广度（订单频率）和强度（单次消费金额、菜品数），以及三类替代效应：异类替代（餐饮与杂货）、家庭内替代（比如换餐具数）、时间替代（促销期后消费是否减少）。

• 异质效应估计：

利用因果森林方法估计个体水平条件平均处理效应（CATT），结合双重机器学习降低估计偏误，允许非线性及高阶相互作用，观察经济社会和地理变量如何调制处理效果。

• 解释异质性机制：

采用最佳线性投影（BLP）和累计局部效应曲线（ALE）揭示各变量对处理效应的线性与非线性贡献与作用轨迹，特别解决变量间相关带来的混淆识别问题。[page::16,17,18,19,20,21,22,23]

---

4. 结果分析

4.1 优惠券平均效应

• 表2显示，领取优惠券使日均自付支出增加1.8元，约12%的提升；总支出相应大幅增加，未使用优惠券订单支出无显著变化，表明无溢出到非优惠消费。

- 事件研究（图1）支持平行趋势假设，且效果在优惠券期结束后迅速消失，体现短期性质。

• 计算乘数“Coupon MPC”为3.38，即1元政府补贴促发3.38元消费，体现出社会与私人资金的共融资特征。

4.2 消费结构及替代效应

• 费用提升主要来自单次订单的支付金额与菜品增多，订单频率变化微弱，表明主要在密集消费而非增加频次（密集边际效应主导）。

- 截图红利门槛附近消费金额聚集（Bunching），支持消费者为满足门槛调整支出的理性行为。

• 替代效应分析显示无明显跨时间、跨类别、或家庭内替代，说明新增消费为纯新增支出。

4.3 异质性消费响应

• 异质性显著（图3）：个体效应标准差达2.18元，13%人群反应至少是平均的两倍，9%高反应用户推动近半额刺激；而19%人消费自付减少，视优惠券为现金转移。

- 个体MPC在1以下至5以上分布广阔，暗示精准投放具大空间。

• 空间异质性显著（图4）—11%网格贡献50%增长，富裕与高餐饮密度区域效应更大。

4.4 异质性驱动因素

• BLP分析（图5）显示：财富、消费习惯（频率与单价）、大商户比例正向驱动效应，平台会员、更多餐厅数、女性与年龄负向或无显著影响。

- ALE曲线（图6, 图7）展示非线性关系：
- 需求侧财富和消费习惯对效应提升呈显著正相关，且在高端区间攀升更快；
- 供给侧餐厅数对效应呈倒U型，密度过高效应反而减弱；大商户比例明显正相关。

• 方差分解表明，需求侧变量贡献约84%，供给侧16%。

4.5 行为机制与理论模型匹配

• 观察到理性模型预测的消费阈值效应（支出在门槛处聚集），但高消费的富裕群体仍显著增加支出，可能超出纯理性阈值模型解释。

- 行为经济学解释补充：心理账户理论（Thaler, 1999）、显著性效应（Bordalo et al.）与损失厌恶（Tversky and Kahneman, 1991）共同推动消费者将优惠券视作非同质预算及存在强制及时消费动机。

---

5. 商户影响与福利评估

5.1 商户收益分布

• 用户边际消费倾向高的群体主要消费大商户（图8），带动大商户获得更多收益，分配不均斜向大型与高价商户倾斜。

- 研究假设无消费重分配，若存在重分配则实际差距更大。

• 消费者消费偏好与响应能力正相关，消费者偏好匹配导致收入收益集中。

- 简单反事实显示若用户均匀分配支出，商户收益差异可减少50%。

5.2 福利分析（MVPF）

• 按Hendren and Sprung-Keyser (2020)框架，定义公共基金边际价值(MVPF)为受益者得到福利与政府净支出的比率。

- 消费者福利估计为未增加自付者的优惠券价值，增加支出的消费调整带来无一阶福利变化。

• 通过结构模型估算餐饮业利润率，将商户额外收益转换为利润增量。

- 计算得MVPF约4.88，表明每1元政府支出带来4.88元消费者与商户总福利贡献，总福利约4.9亿元人民币。

---

6. 政策设计与反事实分析

6.1 基于响应性最大化的定向投放

• 利用机器学习预测响应度，模拟将优惠券优先投放给高响应个体。

- 结果（图9a）显示，针对前10%高响应者，消费提升可达到12.39元/日，超实际平均6倍；即便使用单一维度也有效果显著。

• 由于财富与大商户分布显著相关，单因素筛选在实操中效率丢失有限（图9b）。

6.2 支持小微企业(SME)的策略

• 存在权衡：高响应消费者多聚焦大商户，支持SME需优先面向低响应消费者。

- 使用Optimal Policy Trees设计权衡权重，探索刺激规模与SME收入占比的前沿效率界限（图10）。

• 结果表明，提高SME权重提升其收入份额同时大幅削弱总刺激规模。

6.3 混合政策建议

• 基于实际预算，通过定向投放减少低效支出，节省资金用于直接补贴SME。

- 模拟表（Table 3）显示：定向投放仅需发放给最响应的826人即可达到实际总刺激水平，节省2.2亿补贴资金，为SME直接注资。该混合方案总体刺激比实际方案提升21%。

---

7. 结论及政策含义

• 数字优惠券作为需求侧刺激工具，设计关键的门槛和时效限制带来了强而短期的消费刺激，但同时刺激效果存在高度异质性，且刺激收益向大商户集中，易造成资源分配不均。

- 针对高响应者精准投放能够大幅提高效率，但可能削弱对小微企业的支持，需兼顾效率与公平。

• 结合针对消费者精准投放与对SME直接补贴的混合策略，是一个可行且效果明显的政策创新。

- 本研究提供了对于数字优惠券及类似消费刺激措施的全面实证评估，对政策制定者管控效率与分配之间的权衡具有重要参考价值。

• 讨论了研究局限及未来方向，包括优惠券设计中门槛与时效的相对贡献、跨行业的宏观替代效应。

---

三、图表深度解读

表1（第15页）

• 展示了分层样本的消费者和商户特征。消费者平均每日无优惠订单支出约15元，处理组显著高于对照组。

- 消费者为32岁左右青年，含39%平台会员，财富指数呈正态分布。

• 商户方面，大商户月均营收是SME的17倍，占近94%总销售，单价和所在地理环境也优于SME。

---

图1（第25页）

• 展现了事件时间窗内每日自付支出轨迹，处理组与对照组趋势高度一致（平行趋势验证）。

- 优惠券期间明显拉开差距，期末迅速归拢，说明刺激效应短暂，不存在持续消费提升。

---

图2（第26页）

• Panel A分解效应，订单频率提升约零，单次订单自付显著升高，菜品数也增加，表明消费者为获得门槛优惠自发加购。

- Panel B检验替代效应，发现短期内无显著跨期、品类及家庭替代，新增消费为净新增，未见挤出其他食品类支出或家庭成员转嫁。

---

图3（第28页）

• Panel a：效应分布呈长尾，约13%用户响应大于2倍平均，19%低于0（净省钱）。

- Panel b：个体MPC分布宽泛，超过23%大于5，反映精准投放潜力巨大。

---

图4（第29页）

• 探讨社区财富和餐厅密度与效果空间相关性，富裕社区和适度餐厅密度区反应更强，体现区域异质。

---

图5（第30页）

• BLP系数图，财富、消费习惯（过去消费频率与金额）和大商户比重显著正向关联，大商户密度则呈负相关，女性及会员等级呈负向。

---

图6（第31页）

• ALE曲线显示财富影响呈单调递增，消费习惯影响在极端（高消费群体）尤为显著，揭示非线性模式。

---

图7（第32页）

• 餐厅密度与响应度关系非单调，先升后降；大商户比例高则显著提升响应。

---

图8（第38页）

• 以收益十等分位展示商户收益增长，排名越高（规模或单价）受益越大，明显向大商户倾斜。

---

图9（第42页）

• Panel a：多维度精准投放顶级10%用户消费增幅超6倍以上，单维度投放同样收益显著，显示简单策略仍具价值。

- Panel b：财富与大商户比例显著空间相关，单一特征投放可覆盖多维度高响应群体。

---

图10（第44页）

• 不同SME界定维度下，增加对SME偏好会提高SME受益份额，但总体刺激规模下降，呈明显权衡曲线。

---

四、估值与风险因素评估

• 估值方法： 本文主要以MVPF（公共资金边际价值）为度量，结合消费者效用视角与结构化商户利润估计，实现统合福利评估。

- 风险因素： 报告未专门列出，但从文中暗示的风险点包括：消费者及商户行为异质性带来的目标失配，现有大商户偏好强化引发公平性问题，优惠券设计对行为响应的依赖导致刺激期限短暂，及政策精准投放技术和数据能力限制。

---

五、批判性视角与细微差别

• 关于效益的衡量： 乘数效应虽显著，但数字优惠券刺激主要为短期内拉动消费，长期消费增量有限，任何潜在的消费转移及跨行业替代效应尚待进一步研究。

- 数据与方法限制： 优惠券门槛和过期时长无法分离识别，导致设计要素贡献不明确；结构模型假定短期无价格与成本调整，实际市场可能存在反应迟滞或互动反馈。

• 行为机制的解释偏好： 行为经济学补充理性模型但需更多微观验证，消费者心理账户等机制的度量指标缺少。

- 混合策略设计的接受度： 经济学模型和模拟虽支持混合策略，但实际政策执行中政治与实施复杂性可能对公平性和效率指标产生冲击。

---

六、结论性综合

本研究基于中国北京大规模数字优惠券项目数据，深入剖析了数字优惠券作为消费刺激工具的实际效果与潜在机制。研究首创性地结合了精细用户财务和地理信息，运用机器学习估计个体异质反应，揭示了显著的消费响应差异及其复杂需求—供给侧驱动力。数字优惠券能够产生超过3倍的消费乘数效应，且刺激主要来自单次订单内的消费加大和物品组合增加；优惠券设计中的最低消费门槛和短期有效性通过行为经济学框架成功解释了超越理性选择模型的消费行为。

然而，效益在用户与地理空间上高度集中，收入和收益主要向财富更高、消费习惯更重以及居住在更优质商业区的用户倾斜，且高响应者消费偏向大商户，导致大型商户获得绝大多数额外收益，弱化了向中小商户的扶持功能。研究进一步定量界定了需求侧因素占异质性的主导作用（84%），辅以供给侧特征的补充影响。

针对实际政策设计，基于机器学习预测的精准定向投放可大幅度提升刺激效率，投入相同预算可使短期消费刺激增效倍数，单一指标的简单筛选也具有明显价值。与此同时，兼顾效率和公平的混合策略——将节省的财政预算直接用于小微企业补贴——被证明是提升整体系统福利和实现双重目标的有效路径。报告最后提出数字优惠券政策设计者需认清效率和公平的权衡，合理配比需求侧和供给侧工具，依据目标调整设计参数，充分发挥数字优惠券在紧急短期刺激中的优势，同时结合精准补贴确保脆弱中小企业获得支持。

本研究兼具创新的实证分析和政策设计启示，不仅丰富了数字优惠券及新型财政刺激工具文献，也为就业、区域经济均衡发展和危机期财政政策提供了重要的实证参考和方法论基础。[page::0,1,2,4,5,6,24-28,29-33,37-40,41-46,47-48]

---

参考文献

报告末尾附有详尽学术文献，涵盖财政刺激消费反应、数字优惠券设计与评估、行为经济学模型等，确保研究基于坚实学术积累。

---

总结

本报告通过全面多维分析、机器学习技术应用及精细策略模拟，详细展示了数字优惠券刺激政策的显著短期成效、个体和空间异质性、行为与经济机制、商户受益分布不均及政策实现的效率公平权衡，提供了指导未来改善数字消费刺激项目设计的关键洞见。

报告