というNY連銀論文をMostly Economicsが紹介している。原題は「Estimating Demand Shocks from Foot Traffic: A Big-Data Approach」で、著者はMarina Azzimonti（リッチモンド連銀）、David Wiczer（NY連銀）、Yang Xuan（ルイジアナ州立大学シュリーブポート校）。
以下はその要旨。
This study leverages high-frequency foot-traffic data from SafeGraph to estimate demand shocks in customer-facing establishments across New York City’s retail, service, and health sectors. Recognizing that variations in foot traffic can arise from both unpredictable demand shocks and firm-driven strategies to attract customers, we present a theoretical framework that isolates establishment-level demand fluctuations from firm-level strategic choices. Implementing this empirically, we employ an unsupervised machine learning approach to classify establishments into distinct categories that are largely orthogonal to location and sector. We find important heterogeneity in the persistence of shocks, important heterogeneity in their trends, and that estimation on a pooled sample importantly understates the variance experienced by some establishments.
（拙訳）
本研究は、セーフグラフの高頻度の徒歩交通データを利用して、ニューヨーク市の小売・サービス・医療部門における顧客と対面する店舗の需要ショックを推計した。徒歩交通データのバラツキが予測できない需要ショックと顧客を呼び込む企業戦略の両方から生じ得ることを考慮して我々は、店舗レベルの需要の変動を企業レベルの戦略の選択から分離する理論的枠組みを提示する。その枠組みを実証分析に適用して我々は、教師無し機械学習手法を用いて、地域ならびに部門と概ね直交する独立したカテゴリに店舗を分類した。ショックの持続性の重大な不均一性、そのトレンドの重大な不均一性、およびプールしたサンプルは一部の店舗が経験する変動を大きく過小評価することを我々は見い出した。
セーフグラフのデータを使った研究は本ブログでも何度か取り上げているが（cf. SafeGraph の検索結果 - himaginary’s diary）、論文でも「The COVID-19 pandemic has intensified research using SafeGraph data.」として同データを使った研究を幾つか挙げている。
Wiczerは雇用の回復速度とZMP仮説 - himaginary’s diaryで参照されている論文や労働者はどこへ行った？ コロナ禍からの回復における呼び戻し、離職、および職の再配分 - himaginary’s diaryで紹介した論文で労働市場に関する分析をしている。Azzimontiは政治的制約とソブリン・デフォルト - himaginary’s diaryとECON-EPIネットワークにおけるパンデミックのコントロール - himaginary’s diaryで論文を紹介したことがある。
