EN中文

South China Geographical Journal >

2023 , Vol. 1 >Issue 2: 71 - 83

DOI: https://doi.org/10.20125/j.2097-2245.202302007

Social & Cultural Geography

Spatial Distribution and Influencing Factors of Community Next-day Delivery Points: A Case Study of “XingShengYouXuan” Community-Group-Buying in Wuhan City

  • LIN Zhe , 1, 2 ,
  • LI Gang , 3 ,
  • DU Mengjia 3 ,
  • XIA Hai 3 ,
  • YANG Zhuo 3
Expand
  • 1. Sino-Danis College, University of Chinese Academy of Sciences, Beijing 100190, China
  • 2. School of Economics and Management, University of Chinese Academy of Sciences, Beijing 100190, China
  • 3. College of Urban and Environmental Sciences, Northwest University, Xi'an 710127, China

Received date: 2022-11-05

  Revised date: 2023-04-20

  Online published: 2023-09-25

Fold

Abstract

Since 2020, waves of COVID-19 have dramatically changed community life. Delivery points in the form of Community-Group-Buying (CGB) have developed in China, challenging the traditional retail industry. Earlier research focused on economics and management, while there was a relative lack of research on the spatial perspective of geography. This paper explored relying targets, operation model, multi-scale spatial distributions, and influencing factors of Community-Group-Buying from the perspective of logistics geography and Community-Life-Circle planning based on 8580 point of interest (POI) data in Wuhan City. Text analysis, spatial analysis, and Geodetector were applied in the study. The results indicated that: the primary relying target of the Community-Group-Buying was community commercial outlets, and multiple types co-existed, with large differences in the operating conditions. The spatial distribution was uneven, with a central-peripheral structure of central concentration and external balance, and a symmetrical distribution in the direction of "northeast-southwest"; in the middle view, it showed "L+O" belt-like clustering; in the micro view, it was as close as possible to the entrances and exits of the community, and basically could be achieved within 5-minute walking distance. The percentage of regional primary industry, gross agricultural output value, road network density, and population density were key influencing factors of the density of CGB self-pickup points, and the explanatory power of regional GDP and population density increased significantly after interacting with other socio-economic factors, over 90%. Finally, suggestions were proposed for the development optimization of Community-Group-Buying in the future and an outlook on further research was provided.

Key words： community-group-buying; spatial distribution; geodetector; point of interests; Wuhan

Cite this article

LIN Zhe , LI Gang , DU Mengjia , XIA Hai , YANG Zhuo . Spatial Distribution and Influencing Factors of Community Next-day Delivery Points: A Case Study of “XingShengYouXuan” Community-Group-Buying in Wuhan City[J]. South China Geographical Journal, 2023 , 1(2) : 71 -83 . DOI: 10.20125/j.2097-2245.202302007

社区团购是一种“线上预订+线下自提”的新兴团购模式。其运营流程具体为：由团长率先发起，以生鲜品为切入口，基于线下实体社区的熟人特性，通过线上社交网络，以低价和便利化服务吸引消费者［1］。消费者线上下单后平台将通知供应链按需配送至指定自提点，消费者次日于自提点进行自提。2020年初“居家隔离”的客观环境加速了传统零售向团模式的转化过程，社区团购快速发展，物流末端发挥重要作用的自提点也因此得到广泛关注。随着购买人数增加，自提点数量爆发式增长，在给社区居民带来便利的同时也造成了资源浪费、流动摊贩利益受损等一系列社会问题。如何调整优化自提点是目前亟需关注和解决的问题。
国外研究集中在社区团购前身：线上团购的服务性质、运营流程和商业模式。Eastman等［2］认为团购的目标客户为精通社交媒体且具有一定购买能力的千禧一代，而Dercourt和Lassus［3］将目标客户统一归纳为价格敏感人群；消费者议价能力的提高和交易时间的有限性被视为线上团购与传统电子商务平台的主要差异［4］。商业模式方面，预售（eWOM，Electronic Word of Mouth）等营销组合策略被认为是团购平台的有效手段［5］。近年来，研究焦点逐渐从线上团购平台的技术分析转向消费者行为研究，已有研究检验了购买偏好、性格特征等消费者因素［5］、文化［6］、社会压力［7］、信任［8］等心理学、社会学因素，客制化［9］、可预测性/不可预测性［10］、网络关系嵌入性［11］等技术因素对消费者行为的影响。常见的研究理论包括交易成本理论、理性消费者理论、社会交换理论［10］等社会心理学理论，以及交易成本［12］和期望确认［13］等经济学理论。可见国外以消费者为导向，从社会学、经济学和心理学角度出发的线上团购研究已较为成熟。但受限于欧美国家独门独户的居住习惯和郊区化的城市发展阶段，以生鲜为主要产品、以社区为服务单元的社区团购仍处于发展初期。反观国内，依托中国特有的邻里文化和较高的电子支付普及率，更适合中国国情的社区团购应运而生。
当前，有关研究以供应链为主线按采购供应、经营维护与消费自提3个环节有序开展。采购供应方面，考虑产地-配送中心-社区的物流网络，部分学者建议采用产地直供［14］、冷链配送［15］等方式，或应用选址模型［16］、路径优化模型［17］整合优化社区团购的供应链系统；经营维护方面，学者多围绕社区团购的营销策略［18］、依托平台［19］和渠道创新［20］开展研究，认为其具有价格灵活、供需平衡和转换效率高等优点。消费自提方面，谭慧林和吴玲［21］等针对消费过程中出现的问题提出解决方案，以帮助消费者获得性价比最高的购物体验；张爱欢［22］认为人际互动、产品特性和服务质量是影响消费者使用意向的主要因素。由此可见，目前国内针对社区团购的研究涵盖生产到消费多个环节，但对最终自提环节的关注不足，而社区团购与线上团购及实体零售业的本质区别之一即为新增自提环节。为此，本文聚焦于线下自提点，以期完善补充社区团购的运营流程，解决物流“最后一公里”服务的瓶颈问题。
研究数据方面，社区团购自提点可被视为兴趣点（POI）。POI数据近年来在城市商业、物流网点布局研究中发挥重要作用。对餐饮业［23］、传统零售业［24］和娱乐设施［25］等传统业态的研究已经相当成熟，李钢等［26-27］、刘玲等［28］进一步对以“菜鸟驿站”为代表的新兴收集交付点开展研究，先后解析了西安、武汉、深圳等市快递自提点的空间格局与集聚模式。
以上研究围绕选址问题开展研究，为自提点等社区服务设施的区位优化提供了相应的理论和实践支持。但仍存在以下不足：（1）研究对象以传统商业网点及菜鸟驿站等新兴交付点为主，对新商业模式下的社区团购关注不足；（2）空间研究以宏观城市尺度为主，中微观重点区域及社区尺度的研究较少；（3）影响因素研究以质性分析为主，少数研究建立回归模型以量化分析，但对空间分层异质性问题的考虑不足。鉴于此，以市场占有率最大的社区团购品牌“兴盛优选”为例，基于POI数据，采用空间统计模型——地理探测器，结合文本分析、数理统计和空间分析，对武汉市社区团购自提点多尺度空间格局及影响因素开展研究，以期进一步丰富便民设施的空间研究内容，为合理规划自提点布局提供参考。

1 研究区、数据与方法

1.1 研究区概况

武汉是中部六省唯一的副省级市，特大城市，中国中部地区的中心城市，全国重要的工业基地、科教基地和综合交通枢纽。全市下辖13个区，江岸区、江汉区、硚口区、汉阳区、青山区、武昌区和洪山区为中心城区；黄陂区、东西湖区、蔡甸区、汉南区、江夏区和新洲区为远城区。
2017年社区团购率先在湖南出现，次年5月向邻省湖北拓展，在武汉已发展5年有余，自提点数量一度达到一万以上，研究数据充足。居家隔离期间，“兴盛优选”作为武汉市抗疫保供企业，在供应模式、资源配置等方面得到充分发展，已进入成熟稳定的发展后期，自提点数量与空间格局在短期内均不会发生明显变化，数据稳定性较强。此外，以武汉市为代表的新一线城市是社区团购企业的目标市场，研究结果对特大城市自提点的选址优化及中小城市首批自提点的设立具有重大的参考价值。

1.2 数据来源

考虑到不同社区团购品牌在空间上具有“多点合一”的特征，即不同社区团购品牌常选择同一商家作为依托对象，为避免数据重复，仅选取创立时间最久、拥有自提点数量最多、市场占有率最大、分布最广泛的“兴盛优选”作为研究对象。以“兴盛优选”APP为数据源，利用Python语言在“选择自提店”模块，基于GeoHash算法进行附近点搜索，爬取武汉市“兴盛优选”旗下自提点的名称、营业状态、地址、负责人姓名、联系电话、经纬度坐标及购买指数与粉丝数。截止至2022年3月中旬，共获数据11 195条。采用电话调研和实地考察相结合的方式，剔除尚未开业、停止服务和属性信息缺失或错误的自提点，得到信息完整的有效数据8 580条。
武汉市社区数据来源于百度地图，包括社区中心点和出入口的经纬度坐标，与武汉市民政局公布的社区信息进行交叉比对（http://mzj.wuhan.gov.cn/bmfw/sqcx/），最终得到属性信息完整的POI数据9 833条。武汉市各辖区的统计数据来源于2021年《武汉市统计年鉴》。河流、路网和行政区划等其他基础数据来源于中华人民共和国1∶400万矢量数据库及OSM地图。

1.3 研究方法

文本分析旨在根据自提点名称和地址检索挖掘研究所需的自提点依托类型和服务对象，空间分析旨在探讨多尺度下武汉市社区团购自提点的空间分布特征；最后应用地理探测器揭示其空间分布的驱动因素。

1.3.1 核密度估计

核密度估计（KDE）法认为区域内任意位置都有一个可测度的事件密度。本文利用核密度估计法初步探索武汉市社区团购自提点的宏观分布格局。计算公式如下：
f x = 1 n h n ∑ i = 1 n k x - x i h n，
其中， n为样本数； h n为带宽，即搜索半径； k x - x i h n为核函数。

1.3.2 空间自相关分析

空间自相关是指同一个变量在不同空间位置上的相关性［29］。本文引入Moran's I指数探究以行政区为单元的社区团购集聚特征。其计算公式为：
I = n ∑ i = 1 n ∑ i = 1 n w i j z i z j ∑ i = 1 n ∑ i = 1 n w i j ∑ i = 1 n z i 2，
其中， z i为要素 i的属性与其平均值（ x i- x ¯）的偏差， w i j为基于临近关系的空间权重矩阵，若行政区 i与行政区 j相邻则 w i j=1，否则 w i j=0， n等于要素总数。显著水平下，Moran's I<0表示自提点离散分布；Moran's I>0表示自提点在区级水平下显著集聚，I指数越大，空间集聚性愈强。

1.3.3 标准差椭圆

标准差椭圆主要应用于离散数据集的空间分布特征研究，长轴方向代表数据主要分布方向，面积表征离散点集中程度。本文运用标准差椭圆研究自提点空间分布的方向趋势特征。首先，利用算数平均中心确定标准差椭圆的圆心：
S D E x = ∑ i = 1 n ( x i - X ¯ ) 2 n ，
S D E y = ∑ i = 1 n ( y i - Y ¯ ) 2 n ，
其中， x i和 y i为要素 i的坐标；｛ X ¯， Y ¯｝为要素的平均中心； n为要素总数。 S D E x和 S D E y分别椭圆的长轴和短轴。为确定椭圆的方向，将标准差椭圆自 X轴正北方向顺时针旋转，旋转角的计算公式以下：
t a n   θ = ( ∑ i = 1 n x i ̃ 2 - ∑ i = 1 n y i ̃ 2 ) + ∑ i = 1 n x i ̃ 2 - ∑ i = 1 n y i ̃ 2 ) 2 + 4 ( ∑ i = 1 n x i ̃ y i ̃ ) 2 2 ∑ i = 1 n x i ̃ y i ̃，
其中， x i ̃和 y i ̃为平均中心和 x y坐标的差。最后确定 X Y轴的标准差，计算公式如下：
σ x = 2 ∑ i = 1 n ( x i ̃ c o s   θ - y i ̃ s i n   θ ) 2 n ，
σ y = 2 ∑ i = 1 n ( x i ̃ s i n   θ - y i ̃ c o s   θ ) 2 n 。
一般标准差椭圆的方程如下：
x σ x 2 + y σ y 2 = s，
其中s为置信度的值。本研究采用第一级的标准差范围即要求标准差椭圆包含68%的输入要素的质心。

1.3.4 局域Getis-Ord G i *指数法

局域Getis-Ord G i *指数是一种基于距离权矩阵的局部空间自相关指标，能探测高值聚集和低值聚集［30］，即识别研究区域的冷热点。公式如下：
Z G i * = G i * - E G i * V a r   G i * ，
其中， E   ( G i * )  为数学期望值； V a r (   G i *   )为变异系数。 Z   ( G i * )正显著表示空间单元   i  周围的值相对较大，为热点区； Z   ( G i * )负显著表示空间单元 i  低值空间集聚，为冷点区。
本文利用武汉市社区中心点的POI数据构建Voronoi多边形，得到一组由连接两相邻社区直线的垂直平分线组成的连续多边形，根据路网、行政区边界、河流等实际情况进行适当合并，得到社区居民的日常活动范围作为研究单元，克服了传统以街道为单元的统计数据时效性和精确性的不足问题。计算各单元的自提点密度以探寻自提点在居民活动空间尺度上的冷热点分布：
δ j   =   m j p j，
其中， δ j为第 j个社区单元的POI密度指标； m j为第 j个单元中自提点的数量； p是第j个多边形的面积。

1.3.5 地理探测器

地理探测器是一种用于空间数据分析的统计模型［31］，其基本理论是通过空间分层异质性视角来判断2个变量的空间分布的相似性。本文采用因子探测和交互探测功能，以行政区为单位探寻影响社区团购自提点空间分布的潜在因子。具体的表达式为：
q = 1 - 1 n σ 2 ∑ h = 1 L n h σ h 2，
其中， q为影响因子对自提点空间分布的决定力探测指标； n=13； h=1，2，…，L表示次级区域的个数，也可以称之为分类； n h为次一级区域样本数； σ h 2和 σ 2分别是层 h和全区 Y值的方差。 q的取值区间为［0，1］， q值越大表明所选因子对自提点空间格局的解释力越大。
交互作用探测用来检验不同因子进行交互之后的效果。将任意2个因子 X i和 X j交互后，判别其对因变量 Y的因子解释力是增强还是减弱，以及增强多少或者减弱多少，或者两者对 Y的影响是否相互独立等问题［32］。即计算两个图层叠加相切后形成的新多边形分布的 q值： q ( X i ⋂ X j )与 q ( X i )、 q ( X j )进行比较。

2 社区团购自提点的依托类型与经营状况

为降低运营成本，社区团购自提点多以合营的形式出现（93.7%）。按依托类型划分（图1），40%以上的自提点依托于下沉市场中与社区居民互动最频繁的百货商店与便利店，其次是烟酒粮油超市与副食商店（25.32%），表明社区商业网点是社区团购自提点的主要依托对象。两者主要服务对象均为社区，区位选址条件基本一致；且社区商业网点主要消费者为社区居民，经营者由此建立的社区内部人际关系网络为社区团购提供了大量的潜在客户。此外，便民商业网点以出售生活必需品为主，商品需求弹性较小，非计划性购物较常发生，新增自提功能将贡献额外客流量，对营业额的提高效果显著。综上，商业网点的经营者常主动成为“团长”或优先被选择为代理商。
图1 武汉市社区团购自提点依托类型

Fig.1 Supporting types of community group purchase self-pickup sites in Wuhan

11.37%的社区团购与菜鸟驿站、中国邮政等同样具备自提功能的收发点合作，5.36%依托于商品性质类似的生鲜超市，功能重合及资源共享可降低自提点的建设运营成本。少数自提点依托于餐饮店、住户和物业、棋牌活动室等，极少数自提点依附于酒店宾馆、彩票店和母婴店等特殊业态。
将自提点的购买指数（门店销售总单数）和粉丝数（门店消费过的人数）作为运营评价指标进行描述性统计（表1），购买指数和粉丝数越大表明自提点的运营状况越好。商超、烟酒粮油或副食店、驿站邮政和生鲜超市的购买指数和粉丝数的平均值和中位数远高于其他类型，运营状况最优。餐饮店在数量相近的依托类型中运营状况较差，可能与营业周期有关。晚餐用餐高峰时段与顾客取货时间冲突，人力资源分配不均导致自提业务服务质量下降，消费者满意度降低，进而引发社区团购销售额下滑。手机营业厅、文具文体店、服装鞋店和母婴店虽数量占比较小但表现突出，购买指数达到一万以上；酒店宾馆表现不佳，尤其是粉丝数，远少于其他依托类型，可能由住宿功能的私密性和安全性需求与社区团购的便捷性和社交性需求矛盾导致。
表1 各类自提点购买指数与粉丝数的描述性统计

Tab.1 Descriptive statistics of the purchase index and the number of fans

依托类型 数量/个 购买指数 粉丝数/人
平均值 中位数 最大值 平均值 中位数 最大值
商超 2 565 14 116.86 8 033 253 221 230.41 159 2 946
烟酒粮油与副食 1 601 14 329.16 8 832 352 222 187.91 131 2 272
驿站与邮政 719 13 951.85 5 611 216 197 246.12 160 2 074
生鲜超市 356 12 612.61 5 354 119 012 197.70 120 1 497
餐厅 314 5 281.22 918 135 203 104.54 28 2 946
物业住户 310 10 173.04 2 280.5 249 321 169.73 87 1 831
棋牌室活动室与工作室 82 5 741.24 2 392.5 54 787 107.49 67.5 728
饮品店与茶室 73 8 608.30 2 573 135 732 124.60 73 1 299
手机营业厅（移动、联通、电信） 67 11 547.45 5 079 59 748 205.12 120 1 031
文具文体店 58 14 838.38 6 621 315 783 196.76 127 2 432
服装鞋店 47 13 880.40 3 087 126 259 189.40 104 1 305
美容美发 38 8 510.68 3 648.5 45 574 147.16 61 1 684
酒店宾馆 34 5 413.09 495.5 50 729 61.82 12.5 343
彩票 29 7 721.38 4 661 44 616 127.41 86 747
母婴店 29 12 268.28 9 202 46 829 206.17 168 632
综上所述，社区团购的依托对象呈现“社区商业网点为主、多类型共存”的特点。运营状况良好的依托对象应至少具备以下特征之一：（1）与社区居民线下互动频繁，便于发展潜在的客户群体；（2）销售商品以刚需品为主，非计划性购物较易发生；（3）日营业高峰时段避开16点以后社区团购集中配送、自提的时段，以避免资源分配不均造成的服务质量下降；（4）商品性质或功能与社区团购相近，便于实现资源共享，降低建设运营成本。

3 社区团购自提点的空间分布格局

地理事物的存在均有其特殊的区位选择特征，适宜的选址有利于可持续发展。本研究分别从宏观尺度（市域层面）、中观尺度（重点区域即中心城区层面）、微观尺度（社区层面）对社区团购自提点的空间分布开展研究。

3.1 宏观尺度

武汉市社区团购的全局Moran's I指数为0.356大于0，结果可信，说明自提点存在显著的空间正相关，宏观上呈空间集聚趋势。利用核密度估计法进一步探寻自提点的集聚模式（图2）。结果表明，自提点呈“中心集聚、外部均衡”的“中心-外围”结构，即向江岸区、江汉区、硚口区等7个中心城区集聚，形成大面积集中连片的中心热点区；核密度向外围逐级递减，至黄陂区、东西湖区、蔡甸区等远城区达到低密度均衡状态。但在黄陂区、新洲区、江夏区的区域中心及毗邻中心城区的区域出现规模较小且分散，具有独立分布态势的“次热点区”，主要因为城市化进程加快，经济技术开发区、高新技术开发区和临空港开发区的建设吸引产业、人口郊迁扩散，城市多中心化发展，在远城区形成新的聚居点，为满足居民生活需求，社区团购随之入驻。
图2 武汉市核密度估计图

Fig.2 Kernel Density of the self-pickup sites in Wuhan

以居民日常活动空间为单元将武汉市全域划分为社区团购的热点区、次热点区、不显著区，次冷点区和冷点区（图3）。发现热点区集中于江汉区、汉阳区和武昌区，以临江大道为轴线呈蝴蝶状分布。次热点区位于硚口区、江岸区、青山区和洪山区西南部。中心城区建城较早，历史悠久，交通发达，人口密集，社区广布，构成主要的热点和次热点区域。冷点区和次冷点区主要分布在武汉市东南部的江夏区、洪山区和新洲区与黄石市、鄂州市交界处，主要由离中心城区较远、交通欠发达且以生态用地为主、人口稀少所致。
图3 基于冷热点分析的武汉市自提点集聚特征

Fig.3 Agglomeration characteristics of self-pickup sites based on hotspot analysis

运用标准差椭圆描述武汉市社区团购自提点的空间分布方向（图4）。标准差椭圆的长轴与短轴长度相差较大，说明社区团购的空间方向性显著，分布向中心集聚，四周分散。受限于长江走向，武汉市长期采用“纵重横轻”的城市规划理念，地表形态、路网形态和人口分布均表现为沿长江对称、南北延伸［33］。因此，受用地条件、运输状况和可达性、消费者分布影响，武汉市社区团购自提点亦呈现以长江为中轴线、“东北—西南”延伸的对称分布格局。
图4 武汉市社区团购自提点标准差椭圆分布图

sites in Wuhan

Fig.4 Standard deviation ellipse of the self-pickup

3.2 中观尺度

上述研究表明，自提点在宏观市域尺度向中心城区集聚，但中心城区内部自提点的空间分布尚不明晰；而中心城区是城市的政治、经济、文化中心，也是人口高密度地区，是发展社区团购的重点区域。因此，调整核密度估计模型的搜索半径及像元大小，对武汉市7个中心城区自提点的集聚模式单独开展研究。
社区团购自提点在中心城区呈现“L+O”的带状集聚特征（图5）。长江西岸（江岸区、江汉区、硚口区、汉阳区）自提点集聚在汉西路、二环线、香港路和解放路组成的“O”型环状区域，以江汉区和硚口区交界处的武广商圈为核心。该商圈是武汉最繁华的商圈之一，实现了城市商业、办公、居住、酒店、展览、餐饮、会议、文化、娱乐及交通的空间融合，可提供大量供社区团购依托的对象。长江东岸（武昌区、青山区、洪山区）自提点在以团结大道为长轴、二环线—雄楚大道为短轴的“L”型带状区域集聚，区域内含有3个人口密集且交通便捷的高密度核心，分别是沙湖公园东北侧的社区密集带、武昌火车站周边以及南湖大学城。
图5 部分中心城区核密度估计图

Fig.5 Kernel Density of the self-pickup sites in central city

3.3 微观尺度

自提点旨在解决“物流最后一公里”的瓶颈问题，一般邻近其主要服务对象即社区分布，因此从社区尺度分析社区团购自提点的区位选址特征。采用GIS网络分析中最近设施查询功能，依据距离最小原则统计自提点与最近社区出入口的实际路网距离。平均自提点距最近出入口335.2 m。绘制社区团购自提点距离选择的趋势线拟合图（图6），发现随着距社区出入口距离的增加，自提点数量单调递减，指数趋势拟合线为y=2 640x -0.92，拟合度R²=0.908 7，拟合关系显著，表明距社区出入口越远，自提点的便捷程度越低，区位吸引力越小；也与社区出入口附近客流量较大，可供自提点依托的便民商业设施较多有关。
图6 社区团购自提点距离选择的趋势线拟合

Fig. 6 Location distance selection trend fitting line of the self-pickup sites

从累积百分比来看（图7），约35%的自提点距社区出入口小于30 m，80%以上的自提点距出入口小于420 m，基本实现5分钟步行可达。可见社区团购自提点的微观选址特征为：靠近社区出入口、方便社区居民5分钟步行可达。
图7 社区团购自提点的距离分布

Fig.7 Distance distribution of the self-pickup sites

4 社区团购自提点空间分布的影响因素

4.1 潜在影响因素及其代理指标

社区团购供应链的3个主要环节（采购供应、经营维护与消费自提）均影响自提点最终的区位选择。采购供应方面，已有研究表明农产品种类繁多且时效性较强，缩短运输距离和时间是保证农产品质量、降低农产品损耗的关键［34］。社区团购商品以生鲜食品为主，通过公路运输到自提点后交由到团长手中，主要货源地为城市周边的村镇。因此，选择农业产值和车辆可通行道路密度分别代表运输距离和运输时间。高农业产值地区具备“自产自销”条件的概率较大，空间距离较小；高路网密度表示运输条件良好，可缩短运输时间。经营维护方面，地区经济水平、产业结构和城市化水平被视为影响地区电子商务交易额的重要因素［35］。社区团购作为一种特殊的电商平台，在经济发达尤其是第三产业发达的高城镇化率地区更易被接受。消费自提方面，自提点的依托对象以商业服务设施为主，故其空间布局受传统零售业影响，倾向于在人口规模较大［36］、居民消费水平较高［37］及未来发展潜力较大［38］的地区布局。其中地区发展潜力较难评估，房地产作为固定资产投资额大小最能反应各方对该地未来发展的信心［39］，可间接反映该指标。

4.2 因子探测结果

选择自然断点分类法将10个指标分为7类依次进行地理探测。因子探测分析结果（表2）显示：第一产业占地区生产总值的比重、农业总产值、路网密度和人口密度4个自变量通过了5%的显著性检验。换言之，这4个变量是社区团购自提点空间分布的重要驱动因素。
表2 因子探测分析结果

Tab.2 Factor detection analysis results

供应链环节 探测因素 指标 作用效果 q P
采购供应 运输距离 农业产值 负 0.89 0.02**
运输时间 车辆可通行路网密度 正 0.96 0.00**
经营维护 地区经济水平 地区生产总值 正 0.20 0.97
产业结构 第一产业占比 负 0.88 0.02**
第二产业占比 正 0.81 0.16
第三产业占比 正 0.81 0.16
城镇化率 常住人口城镇化率 正 0.64 0.28
消费自提 人口规模 人口密度 正 0.97 0.00**
居民消费水平 社区消费品零售额 正 0.66 0.47
未来发展潜力 房地产可开发投资 正 0.59 0.76

注：**表示在5%水平上显著

结合散点图发现，采购供应方面，农业产值的因子解释力（ q=0.89）小于路网密度（ q=0.96），且两者作用方向相反，前者呈负相关而后者呈正相关；说明与自产自销相比，社区团购更倾向采用产销分离的模式，完善便利的公路运输系统可弥补产销地距离较远的不足，成为自提点选址时的主要考虑因素。经营维护方面，自提点密度与第一产业在生产总值中所占比重呈负相关，解释力高达89%。一般来说，第一产业占GDP的比重越高，地区工业化现代化程度越低［40］，说明比起城市外围农业发达的远城区或乡镇，自提点更倾向布局在高现代化水平的城市核心区域。消费自提方面，因子解释力最大的人口密度（ q=0.97）揭示了社区团购与传统零售业的共同点：直接面向消费者。社区团购不提供上门配送服务，消费者对自提点的邻近性和可达性要求较高，为达到需求门槛，社区团购倾向于布局在人口密集的社区之中。

4.3 交互作用探测

10个因子的交互作用结果共45对。各自变量交互后解释力均大于原单个因子，其中地区生产总值与常住人口的城镇化率、第二、第三产业比重和房地产开发投资额交互后实现非线性增强，即达到“1+1>2”的效果。
地区生产总值单独对自提点密度的解释力很小（ q=0.2），且结果不显著。但与一、二、三产业比重或房地产开发投资额交互后，在98%以上水平解释了自提点的空间格局，表明经济体量较大的地区若同时具备合理的产业结构或较大的发展潜力，自提点将迅速向该地区聚集。主要由于社区团购不仅受限于地区经济发展水平，还受销售渠道和运输成本制约，产业结构不合理或地区发展动力不足易造成基础设施落后、地区性生产过剩等问题，前者增加了社区团购的运输成本，后者则可能挤压社区团购的生鲜市场，增加运营风险；此外，一二产业比重偏大、第三产业比重偏小的地区消费观念较为保守［41］，社区团购的新商业模式较难开展。
地区人口密度与其他影响因子交互后解释力均在90%以上，其中与第二产业占比交互后解释力大于98%。这进一步说明了社区团购自提点的空间分布本质上由各地区人口密度即潜在消费者的分布决定，在此基础上受到产业结构、交通条件和农业生产等社会经济条件制约。换言之，人口密度较大的地区已经具备自提点布局的基本条件，但只有满足交通配套设施完善、经济状况良好、产业结构合理和发展潜力巨大中的一项或多项时，社区团购才能实现长期可持续发展。
图8 地理探测器交互探测结果

Fig.8 Results of interaction detector

5 结论与讨论

5.1 结论

本文基于社区团购自提点的POI数据，借助多种空间分析方法和地理探测器，较为系统地揭示了不同尺度下武汉市社区团购自提点的空间分布规律及其影响因素，旨在为未来自提点的空间选址规划提供参考，主要结论如下：
（1）社区团购的依托对象以社区商业网点为主、多类型共存，商超、烟酒粮油或副食店、驿站邮政和生鲜超市是最常见的4种依托类型，占比80%以上，购买指数和粉丝数均远高于平均水平，经营状况最佳。受营业周期影响，餐饮店作为自提点运营状况较差。手机营业厅、文具文体店、服装鞋店和母婴店占比较小但表现突出；出于安全性和私密性的考虑，酒店宾馆极少作为依托对象且业绩最不理想。
（2）宏观市域尺度上，自提点具有明显的空间集聚趋势，表现为“内集聚、外均衡”的“中心-外围”结构，在中心城区集聚，形成“中心热点区”；在远城区边缘地带离散，形成“边缘冷点区”。此外，自提点“东北-西南”方向指向性明显，以长江为中轴线在空间上呈对称分布。中观尺度上，自提点在中心城区呈“L+O”的带状集聚特征。其微观选址尽量靠近社区出入口，平均距最近出入口335.2 m，80%以上的自提点距出入口小于420 m，基本实现5分钟步行可达。
（3）行政区层面上，自提点密度与地区第一产业占生产总值的比重和农业总产值呈负相关，与路网密度和人口密度呈正相关，表明社区团购选址主要考虑需求端，采用产销分离的模式，布局在现代化程度高、客流量大的城市核心区域。地区生产总值和人口密度与其他社会经济因子交互后解释力大幅提高，可在90%以上解释社区团购自提点的空间分布差异。

5.2 讨论

未来，随着互联网的继续普及，网络购物用户规模将进一步扩大；同时，随城市扩张、大量人口涌入城市，社区团购自提点的数量将持续增加。为合理规划自提点布局，助力打造社区生活圈，提出以下4点政策建议：
（1）对城市现存的自提点进行优化整合。目前，社区团购企业未限制旗下自提点的依托类型，导致餐厅、酒店、工作室等不具备自提功能，以服务性质为主的设施也纷纷加入社区团购热潮，引发资源分配倾斜、主副业冲突等一系列降低消费者体验的问题。因此，建议设立团长和自提点的准入门槛，在保证不影响依托对象原功能的前提下加入自提功能。
（2）目前社区团购自提点的空间分布不平衡，仅占城市面积10%的中心城区聚集了34%以上的自提点。自提点在一定程度上可被视为满足居民基本生活需求的社会公共资源。因此，其规划选址需考虑区际公平性。未来，在远城区或乡镇，可将村委会或镇政府前台作为社区团购的依托对象，至少保障“一镇一点”以满足全市居民的基本需求，进一步缩小城乡差异。
（3）人口密度、路网密度和现代化水平是自提点选址的主要驱动因素。地方政府可通过优化产业结构，完善交通网络，吸引外来人口，提高互联网普及率，引导老年人正确使用线上购买平台等措施吸引社区团购前来布局，增加社区团购供给以实现供求均衡。
（4）由互联网巨头主导的社区团购可能会在一定程度上损害个体经营者的权益。因此，企业应思考如何将个体商贩以团长或供应商的身份纳入社区团购体系，平衡好企业、居民和商贩3个利益主体之间的关系，在为居民提供便利的同时创造更多的就业机会。
未来可针对物流资源优化整合问题，探讨如何将社区团购供应链对接以盒马鲜生为代表的新零售的物流系统，以缩短配送时间；或对多团（平台）合一问题或利益相关者的协作发展模式问题开展进一步讨论。

References

Publishing order | Descend order by publishing year | Descend order by cited within
1
Freeman C. Networks of invators: A synthesis of research issues[J]. North-Holland,1991,20(5):499-514.

2
Eastman S T, Ferguson D A. Media programming: Strategies and practices[M]. 9th ed. Wadsworth: Cengage Learning, 2012: 78-83.

3
Silhouette-Dercourt V, de Lassus C. Shopping for kids’ luxury brands: young mothers’ identity quest in retail spaces[J]. International Journal of Retail & Distribution Management, 2016, 44(11): 1084-1099.

4
Tran T, Desiraju R. Group-buying and channel coordination under asymmetric information[J]. European Journal of Operational Research, 2017, 256(1): 68-75.

5
Lim W M, Ahmed P K, Ali M Y. Giving electronic word of mouth (eWOM) as a prepurchase behavior: The case of online group buying[J]. Journal of Business Research, 2022, 146: 582-604.

6
Hossain M A, Rahman S. Investigating the success of OGB in China: the influence of personality traits[J]. Information Systems Frontiers, 2021, 23(3): 543-559.

7
Han B, Kim M. Hofstede’s collectivistic values and sustainable growth of online group buying[J]. Sustainability, 2019, 11(4): 1016-1028.

8
Kukar-Kinney M, Scheinbaum A C, Schaefers T. Compulsive buying in online daily deal settings: An investigation of motivations and contextual elements[J]. Journal of business research, 2016, 69(2): 691-699.

9
Torre Andre, Rallet Alain. Proximity and Localization[J]. Regional Studies, 2005(1): 39.

10
Cairncross F. The death of distance[M]. Boston:Harvard Business School, 1997.

11
Zhang R, Li G, Wang Z, et al. Relationship value based on customer equity influences on online group-buying customer loyalty[J]. Journal of Business Research, 2016, 69(9): 3820-3826.

12
Shukla P. Impact of interpersonal influences, brand origin and brand image on luxury purchase intentions: Measuring interfunctional interactions and a cross-national comparison[J]. Journal of world business, 2011, 46(2): 242-252.

13
Sirdeshmukh D, Singh J, Sabol B. Consumer trust, value, and loyalty in relational exchanges[J]. Journal of marketing, 2002, 66(1): 15-37.

14
曹艳丽. 社区团购背景下考虑产地直供的生鲜物流网络优化研究[D]. 北京: 北京交通大学, 2021.

15
刘茜. 生鲜农产品社区团购定价与车辆配送路径协同优化 [D]. 昆明: 昆明理工大学, 2020.

16
易海燕, 章圳琰. 基于新鲜度损耗的社区团购电商配送中心选址研究[J]. 交通运输工程与信息学报, 2020, 18(2): 59-67.

17
刘天雨. 时间窗口约束下社区团购生鲜第三方平台仓配模式优化问题研究 [D]. 郑州: 郑州大学, 2019.

18
郑少华, 刘婷. 社区团购营销模式的现状与发展对策[J]. 北方经贸, 2020(11): 56-58.

19
Thaler R. Mental accounting and consumer choice[J]. Marketing Science, 1985, 4(3): 199-214.

20
Wang J J, Zhao X, Li J J. Group buying: A strategic form of consumer collective[J]. Journal of Retailing, 2013, 89(3): 338-351.

21
谭慧林, 吴玲. 消费者选择社区团购的动机和优化机制研究[J]. 营销界, 2019(33): 137-138.

22
张爱欢. 虚拟社区网络团购的消费者使用意向影响因素研究[D]. 北京: 北京邮电大学, 2014.

23
Deborah Li Ting Ng, HarrisM Anne, OiamoTor H, YoungIan. Spatial distribution and characteristics of restaurant inspection results in Toronto, Ontario, 2017–2018[J]. Food Protection Trends, 2020, 40(4): 232-240.

24
WilliamApplebaum. Guidelines for a store-location strategy study[J]. Journal of Marketing, 1966, 30(4):42-45.

25
唐梦鸽, 罗明良, 魏兰, 等. 基于POI数据的成都市休闲娱乐热点识别[J]. 资源开发与市场, 2018, 34(9): 1191-1195.

26
李钢, 陈未雨, 杨兰, 等. 武汉市快递自提点的空间格局与集聚模式研究[J]. 地理科学进展, 2019, 38(3): 407-416.

27
李钢, 杨兰, 贺建雄, 等. 基于POI数据的西安市快递自提点空间格局及空间关系研究——以菜鸟驿站为例[J]. 地理科学, 2018, 38(12): 2024-2030.

28
刘玲, 李钢, 杨兰, 等. 深圳市快递自提点的空间分布特征与影响因素[J]. 地球信息科学学报, 2019, 21(8): 1240-1253.

29
Ord J K, Getis A. Local spatial autocorrelation statistics: Distributional issues and an application[J]. Geographical Analysis, 1995, 27(4): 286-306.

30
Getis A, Ord J K. The analysis of spatial association by the use of distance statistics[J]. Geographical Analysis, 1992, 24(3): 189-206.

31
王劲峰, 徐成东. 地理探测器:原理与展望[J]. 地理学报, 2017, 72(1): 116-134.

32
姜磊, 陈星宇, 朱竑. 中国城市养老院的空间分布特征及其分异成因[J]. 地理学报, 2021, 76(8): 1951-1964.

33
李钢, 陈未雨, 杨兰, 等. 武汉市快递自提点的空间格局与集聚模式研究[J]. 地理科学进展, 2019, 38(3): 407-416.

34
王滢. 吉林省农产品冷链物流需求影响因素及预测研究[D]. 长春: 吉林农业大学, 2022.

35
章佳元. 传统零售企业线上线下协同发展的商业模式研究[D]. 杭州: 浙江工业大学, 2013.

36
张喜才. 电子商务进农村的现状、问题及对策[J]. 农业经济与管理, 2015(3): 71-80.

37
阎实, 王爽, 李宝岩. 影响现代零售业选址决策的因素分析[J]. 商场现代化, 2006(19): 78-79.

38
姜亚莉, 蔡心田, 丁振兴. 基于空间分析方法的商业选址研究——以珠海市香洲区为例[J]. 测绘与空间地理信息, 2014, 37(12): 131-133.

39
才元. 中国房地产业波动对国民经济的影响研究[D]. 长春: 吉林大学, 2007.

40
陈佳贵, 黄群慧, 钟宏武. 中国地区工业化进程的综合评价和特征分析[J]. 经济研究, 2006(6): 4-15.

41
项俊波. 中国经济结构失衡的测度与分析[J]. 管理世界, 2008(9): 1-11.

Options
Outlines

/

〈 〉