中國電子商務空間格局研究
——以某大型電商為例

龍 瀛 劉 曦 王 晟

中國電子商務空間格局研究
——以某大型電商為例

龍 瀛 劉 曦 王 晟

電子商務在中國迅速發展，成為了居民生活的重要組成部分。利用某大型電商平臺的宏觀銷售統計數據和微觀用戶訂單數據，對居民網絡消費時空格局、城市在線銷售潛力、渠道電商物流策略等多個議題進行了分析與探討。研究表明（：1）電商用戶數、銷售額和訂單量的高值多集中在東部地區，且受到人口、經濟、互聯網滲透率等多種因素的影響（。2）城市的經濟水平與電商銷售額有很高的相關性，而城市的產業結構特征則能夠體現出城市的在線銷售潛力（。3）對訂單配送信息進行的分析則表明，渠道電商的物流體系具有清晰的層次結構。從數據量到研究尺度都與以往研究不同，對于了解電商發展現狀具有十分重要的意義，同時可為電商制定發展策略提供參考。

電子商務 | 銷售地理 | 城市特征 | 潛力分析 | 物流體系

0 引言

中國互聯網絡信息中心《第35次中國互聯網絡發展狀況統計報告》指出，2014年底，中國網民規模已達6.49億，互聯網普及率達到47.9%。隨著信息通訊技術（ICT, Information and Communications Technology）和物流業的蓬勃發展，電子商務在中國發展迅速，涌現出了多個電商平臺，如淘寶、京東、一號店等，甚至有了淘寶村、淘寶鎮等業態模式。而各電商平臺也以實惠的價格、多元化的商品、方便的購物途徑和快捷的物流配送等優勢吸引了大量用戶。艾瑞咨詢的數據指出，2014年中國網絡購物市場交易規模達到2.8萬億，占社會消費品零售總額的10.7%。國家也對電商發展給予了額外重視，除了《商務部關于促進電子商務應用的實施意見》等綜合政策之外，在“互聯網+”等概念的引導下，電子商務將進一步融入百姓生活。因此，深入了解我國電商的發展模式及其時空演變的一般規律，不僅對于電商認清自身特征，也對于國家零售業等產業的發展具有重要意義。

電商平臺所處的賽博空間（Cyber Space）與地理實體空間有著緊密的聯系[1-2]，網絡消費對人們在實體空間的購物行為產生了替代影響、促進影響、改變影響或中性影響等復雜的作用[3]，因此電商平臺的空間布局和用戶網絡購物的時空特征引起了很多相關領域學者的關注。由于數據的限制，在已有研究中，針對大型電商詳細銷售地理的研究多體現在電商自身研究機構發布的報告中，如阿里研究院發布的基于2014年“雙十一”銷售情況的《網絡零售新增長點報告》等，而少有學者利用詳細的宏觀整體銷售數據或微觀城市層面訂單數據進行深入的探討。在已有研究中，地理、規劃等領域的學者多通過問卷調查得到用戶網絡購物相關的數據，從以下幾個方面進行研究：

（1）居民網上購物行為的空間特征

網上購物影響著經濟活動的空間分布[4]，因此吸引了地理和規劃界的學者進一步研究居民網上購物行為的空間特征。在國外的代表性研究中，Farag等著重分析了荷蘭居住環境和實體店鋪可達性對居民網購行為的影響，指出網購行為傾向于從城市中心區域向郊區擴散[5]，并在另一研究中指出市區的居民由于網絡設施便利，比郊區的居民更傾向于網購[6]。在國內的主要研究中，孫志群等[7]發現臨近和遠離商業中心的居民網上購物頻率相對較高，而處于其過渡帶上居民卻相對較低；席廣亮等[8]指出南京內城、外城和郊區的居民網絡消費特征具有差異性；汪明峰等[9]則以網上購書為例，指出市區的網上購物強度大于郊區。這些研究受數據所限，多以一個城市的某種網絡消費行為進行分析，研究結果是否能夠進行推廣還值得商榷。

（2）網上購物行為對實體購物行為的影響

居民的網上購物行為與實體購物行為關系復雜，除了單純的替代和增強關系外，還出現了復雜的混合關系，如在網上查詢商品信息而在實體店購買商品等[10]。Farag等[6]發現網上購物會促進荷蘭4個城市的居民在實體空間的購物出行行為；而Ferrell[11]則通過舊金山灣區的數據發現人們的網上購物削減了實體購物的次數和出行距離；汪明峰等[12]也通過大學生網上購書習慣的調查，指出網購與實體購物的關系并非簡單的替代或者補充。由于網上購物改變了時空條件對人們購物行為的限制[13]，網購行為對出行和交通的影響也引發了學者的關注。Mokhtarian[14]早在2004年即從購物模式、購物量、消費量和人口統計特征等4個角度討論了網上購物對交通的影響。這些研究由于數據的限制和城市的不同，往往會得出不同的結論，體現出采用大量客觀的電商數據進行大尺度研究，以獲得更為普適性結論的重要性。

（3）虛擬商業空間特征及其對城市商業空間的影響

電商平臺的發展形成了基于網絡的虛擬商業空間[15]，地理空間要素在其中是否仍具有重要作用是值得探討的議題。余金艷[16]等指出地理空間因素仍以物流派送消耗的“時間距離”等方式影響著虛擬商圈的結構；史坤博等[17]發現不同類型的網絡團購在城市商圈的集中程度也不同。由于虛擬空間對地理空間的滲透，虛擬商業空間也對城市商業空間產生了多種影響[18]。雖然電商的發展對實體低端零售業造成了很大的沖擊，但是Weltevreden等[19-20]的研究表明居民感知到的城市中心商業空間吸引力越高，可達性越好，則該商業空間受到電商平臺的影響越小。虛擬商業空間也促使多種實體商業空間進行轉型，對新模式進行探索[21-22]。可見，相關研究多集中于單個城市空間，對全國尺度城市實體空間與電商的聯系缺乏討論。

（4）電商的物流策略

不同于平臺電商，對于京東、1號店等渠道電商而言，其物流策略很大程度上影響了其電商平臺的競爭力。除了優化物流體系之外，各渠道電商更提供了自提點、便利店等多種取貨方式，探索和解決“最后一公里”問題。現有研究[23-24]主要著眼于各電商平臺公開的物流體系信息等進行定性分析，缺少從實際訂單配送數據出發，自下而上地分析電商物流體系結構的相關研究。

綜上所述，已有的關于中國電子商務銷售情況的研究，多基于小規模調查數據的分析，少有針對全國尺度總體銷售情況的宏觀地理分析，本文致力于填補這一研究空白。席廣亮等[25]近期基于京東用戶的商品評論數據和社會經濟統計數據從宏觀層面分析了中國網絡消費的時空演變趨勢等，但由于數據的代表性問題等局限性，網絡消費的宏觀地理特征研究仍有更為廣闊的探索空間。本文著眼于城市層面，通過對中國電子商務的銷售地理的數據探索性分析，著重解釋和回答如下問題：（1）電子商務的總體格局、相關因素及其時空演化特征；（2）從城市經濟特征探討各城市的電商銷售潛力；（3）從訂單配送的視角探討電商地理格局及其物流策略。

1 數據

1.1 某電商2008與2014年連續3個月不同城市的銷售總量

本研究的數據來源為中國著名的B2C電商之一。在宏觀層面，本研究采用了該電商2008年不同城市全年銷售額和實體訂單量數據集，以及該電商2014年不同城市連續3個月銷售額和訂單量數據集。需要說明的是，訂單量為15個商品大類各自包含的實體訂單量，即一個實體訂單可能在不同的商品大類中均被統計，因此訂單量的和會高于總實體訂單量。15個商品大類的具體類別及編號如表1所示。本研究的原始數據以地級行政區劃為基本單元，包括地級及以上城市338個，其中中國大陸地級行政區劃333個，直轄市4個，神農架林區1個，不含香港、澳門和臺灣地區。需要注明的是，“城市”在本文中均指代地級市的市域范圍。該銷售總量數據將主要用于電商總體空間格局分析和城市銷售潛力分析（表1）。

1.2 某電商2014年9月連續6天的銷售日志

在微觀層面，本研究采用了該電商連續6天的實體訂單數據，時間跨度為2014年9月2日至2014年9月7日。經過數據預處理，刪去了少量不完整或者有問題的數據，實際研究中使用數據記錄共計約1 600萬條，數據記錄包含匿名用戶的實體訂單金額、下單時間和物流信息等多種相關屬性。每日實體訂單總量如表2所示。該銷售日志數據將主要用于電商物流體系的空間格局分析。

表1 15大類商品類別編號及其銷售額和訂單量占比

1.3 其他輔助性數據

為了研究城市經濟社會屬性與該電商用戶量、銷售額以及訂單量之間的關系，本研究還使用了城市屬性數據、微博數據、POI（Point of Interest，興趣點）數據、大眾點評數據和軌道交通數據。城市屬性數據包括第六次人口普查的人口數據、GDP數據，以及《中國城市統計年鑒（2011年）》中285個城市的第一、第二、第三產業占GDP比重等多種城市屬性。微博數據為2014年半年內各個地級行政區劃包含地理位置的微博數量，用來表征城市的互聯網普及情況。POI數據為全國范圍零售行業POI，包含約113萬條記錄，用來表征城市傳統商業模式的強度。

2 結果

2.1 總體格局

2.1.1 用戶數分布特征及其與人口、互聯網滲透率的關系

圖1 不同城市用戶數量柱狀圖和互補累積頻率分布圖

圖2a） 用戶空間分布圖

本節基于2014年的宏觀層面數據，分析該電商的用戶總體分布情況。整體來說，多數城市的用戶數較少（圖1），并且其互補累計頻率曲線在雙對數坐標系下尾部呈直線，說明不同城市的用戶數呈重尾分布（Heavy-tailed Distribution），即多數城市用戶數量較少，而少數一些城市集中了較多的用戶。在空間格局上，東部地區的用戶數量遠高于西部地區（圖2a），除了東西部地區的經濟差異等原因外，東部地區的人口基數大于西部地區也是很重要的一個因素。而從用戶在當地常住人口的占比（即用戶數/人口數）來看（圖2b），除了東部沿海地區外，西部地區的一些省會城市，如拉薩、蘭州、烏魯木齊、西寧、昆明等，也具有較高的用戶比例。

不同城市用戶數與人口數呈對數線性相關，即（y—xβ），遵從“標度律”（Scaling Law），且β=1.42（p＜0.001, r-square = 0.69），說明隨著城市人口的增長，用戶數的增長會比線性增長更快，體現出超線性（superlinear）的特性。不同城市用戶數與微博數量同樣呈對數線性相關，且β=1.10（p＜0.001, r-square = 0.88）。用不同城市微博數表征互聯網滲透水平，則說明隨著城市互聯網滲透水平的提高，用戶數的增長速率也變得更快。這些結果表明不同城市電商用戶數不僅僅與城市的人口規模和互聯網滲透水平有關，用戶數的增長更可能受到多種因素的綜合作用。

圖2b） 用戶人口占比空間分布圖

2.1.2 不同城市銷售總額和訂單總量分布情況

本節基于2014年宏觀數據，分析該電商不同城市銷售額、訂單量等總體分布情況。由于不同城市銷售額與訂單量高度相關（相關系數為0.996），空間分布情況也十分相似，下文僅描述銷售額的總體分布情況。不同城市的銷售額統計特征和空間分布與用戶數較為相似。多數城市的銷售額同樣集中在低值區域，且從互補累積頻率分布來看呈現重尾分布（圖3a），即多數城市具有較低的銷售額，而少數一些城市集中了較多的銷售額。從空間格局來看，東部地區的銷售額高于西部地區，一些省會等經濟發達的城市也同樣具有較高的銷售額（圖3b）。

各城市居民消費習慣不同，城市的消費空間特征也不同，所以不同城市該電商用戶的人均銷售額與總銷售額的統計特征差異較大。用戶人均銷售額成對數正態分布（Log-normal Distribution），總體差異性低于總銷售額，多數城市的用戶人均銷售額集中在100—200元的較低的區域內（圖4a）。從空間格局來看，除了經濟發達的城市，內蒙、西藏、新疆和廣西等省份的很多城市也具有較高的用戶人均銷售額（圖4b），表明雖然這些地區電商用戶較少，但都是網購頻繁的活躍用戶。這一現象可能是由于電商平臺商品種類的豐富性對當地實體店鋪起到了較好的補充作用所引起，也可能是由于這些地區人群異質性較高，居民多為非電商用戶或活躍用戶，而非活躍用戶這類過渡性人群較少所引起。

虛擬單是對實體訂單的拆分，每虛擬單的平均價格能夠反映一個城市電商用戶對于網購商品價格的偏好。不同城市每虛擬單的平均價格呈正態分布（圖5a），均值約為264.62元，表明各城市居民在電商平臺購買商品的價值等級較為集中，對購買大件小件商品的偏好比較相似。而從空間格局來看（圖5b），東部沿海的江、浙、滬地區和經濟發達的內陸城市的用戶會在電商平臺購買更多的大件商品，這可能不僅與城市居民的經濟情況有關，也與這些地區的物流設施、售后服務等相對更為完備有關。

2.1.3 2008年與2014年電商銷售的宏觀比較

2008年至2014年6年間，該電商的注冊用戶增長了42倍，體現出電子商務領域在近些年的迅速發展。各個城市的用戶增長倍數并不一致，總體來說，二三線城市的增長倍數普遍高于一線城市，用戶數量的高增長主要集中在中原地區和西部地區（圖6a）。這些高增長區域多為人口較多且有一定經濟實力基礎、近期經濟增長幅度較快的城市。增長倍數較低的主要是經濟文化非常發達和經濟文化較為落后的城市，前者早于其他城市積累了較多比例的電商用戶，因此近些年用戶增長量較少，而后者由于經濟水平和互聯網等硬件設施水平仍較為落后，用戶數量仍沒有較大的增長。這一格局說明電商平臺早期用戶多為受教育程度較高、對互聯網較為熟悉的發達地區的居民，而近些年這一新興的購物平臺逐步向其他地區滲透，現在已經廣泛為居民所使用。

圖3a） 不同城市銷售額的柱狀圖和互補累積頻率分布圖

圖3b） 不同城市銷售額空間分布圖

圖4b） 用戶人均銷售額空間分布圖

圖5a） 不同城市每虛擬單平均價格柱狀圖

圖5b） 不同城市每虛擬單平均價格空間分布圖

從訂單量來看，電商平臺從商品銷售數量到商品銷售種類都有大幅的增長。2008年，該電商銷售商品類別較少，主要為家用電器、手機數碼和電腦辦公用品，而2014年除了訂單總量相較2008年增加約24倍外，銷售商品種類也更為豐富。從訂單量的增長倍數空間分布圖（圖6b）上來看，其格局與用戶數的增長趨勢基本一致，也是從對互聯網較為熟悉的、經濟文化較為發達地區逐步向其他地區擴散。其中訂單量增長較為突出的和用戶增長趨勢略有區別的是四川成都地區，這可能與成都建有該電商一級物流中心、用戶具有較高購買需求等多種因素有關。這里需要強調的是，通過數據作者只能對相關性進行判斷，進而對其成因進行猜測。

圖6a） 各城市用戶增長倍數

圖6b） 各城市訂單量增長倍數

2.2 城市在線銷售潛力分析

各城市的電商平臺銷售額與該城市的經濟水平有緊密的聯系，本節通過分析該聯系來探討城市的在線消費潛力。由于各大類商品的銷售額具有很高的相關性，在此著重分析總銷售額與城市經濟特征之間的關系。整體來看，不同城市總銷售額與城市的GDP呈對數線性相關（y—xβ），且β=1.27（p＜0.001, r-square = 0.83）；不同城市總訂單量也與城市的GDP呈對數線性相關，且β=1.24（p＜0.001, r-square = 0.83）。這說明不同城市的總銷售額和總訂單量增速超過GDP增長速度，相對于城市GDP呈超線性增長。經濟越發達的城市，其互聯網普及率和居民受教育水平也會越高，這些相關因素的綜合作用可能導致了用戶在線購物消費水平的超線性增長。

基于城市GDP與用戶在線購物消費水平的高度相關性，可以根據模型y=xβ+b利用GDP對各個城市的在線總銷售額進行推斷和預測，其中y為電商銷售額，x為城市GDP水平，β和b為相應的系數。與利用GDP得到的預測值相比，有些城市的實際總銷售額偏高，有些則偏低。通過分析實際總銷售額與預測總銷售額之間的差異?P，即?P=實際總銷售額－預測總銷售額，能夠發現哪些城市具有提高線上銷售額的潛力，以及哪些因素導致了實際值與預測值的差異。?P在空間上呈現出明顯的區域特征（圖7a）。東部地區、省會城市和省會周邊城市在線銷售額多高于預測值，很可能因為這些地區具有更為發達的物流配送條件；而西部的青海、西藏等地區的城市則可能由于線下商品種類較少，懂得網購的居民的經濟條件又高于當地一般水平，導致在線銷售額會高于基于GDP的預測值。實際銷售額低于預測值的城市主要分布在中部地區、西南地區、東北地區以及新疆和內蒙，電商可以通過在這些區域的城市增加線下自提點、加大宣傳力度、采用合適的營銷手段刺激用戶嘗試線上購物，增加用戶粘性，從而進一步挖掘城市的線上消費潛力。

由于消費結構與產業結構具有密切的關系[26]，本研究利用285個城市（缺失的地級行政區劃多位于西部地區）的城市產業結構數據，即第一、第二、第三產業分別占GDP的比重，來分析產業結構對于網絡消費的影響。通過回歸分析發現，城市的第三產業占GDP的比重與?P成顯著的線性正相關關系（圖7b）（p＜0.001, r-square = 0.27）。信息產業、物流運輸業等均在第三產業中占有重要比重，因此第三產業在GDP的占比體現了城市的網絡普及程度、倉儲物流發達程度等，而這些因素對居民網絡購物行為有著重要影響，這可能是產生此相關性的原因。從第三產業占GDP比重的空間分布（圖7c），也可以較為直觀的看出其與?P的空間格局較為相似：第三產業比重較高的城市多分布在沿海地區以及內陸的經濟發達地區。該數據在西部的一些地區缺失，西部地區實際銷售額高于預測值的原因也可能與其他城市有較大不同。因此，信息產業與倉儲物流業等第三產業越為發達，該城市居民對于電商平臺的接受程度越高。

2.3 基于銷售數據的電商物流體系空間格局分析

物流系統是渠道電商十分重要的一環，健全完善的物流系統不僅能夠覆蓋更大范圍的用戶，還能夠依靠快捷高效的商品配送提高用戶粘性。根據公開資料顯示，該電商的物流系統包括一級物流中心、二級物流中心和物流配送站3個層級，其中5個一級物流中心包括北京、上海、廣州、成都、武漢等城市，8個二級物流中心包括沈陽、濟南、西安、杭州、福州、佛山、深圳等城市。本研究的實體訂單數據中，包含的配送倉庫分別位于39個城市。為了從城市層面體現該電商的物流布局，將位于同一城市的倉庫聚合為一個虛擬倉庫，用以表示該城市在物流體系中的配送能力。

整體來看，一級物流中心所在城市的發貨量最高，通過各倉庫在研究期間段內向各個城市發貨的數量上可以看出，該物流網絡具有明顯的層次結構（圖8a）。城市發貨量大小在一定程度上遵循“位序—規模”法則（Rank-Size Rule）（圖8b），說明少數幾個城市的物流中心擔負了大多數的發貨量。

訂單的收發表征了倉庫與城市之間的聯系強度。令Tij為倉庫i和城市j之間的發貨量，Tijmax=m ax(Tij)則為城市i的最大引力線，對應的倉庫j為與城市i聯系強度最大的倉庫。由于每個倉庫可以向多個城市發貨，每個城市也可以接收來自多個倉庫的貨物，因此找出每個城市對應的最大發貨量物流中心是衡量整個物流體系空間布局的重要途徑。通過分析發現，所有城市對應的最大發貨量物流中心包括7個，除了5個一級物流中心以外，還有西安和沈陽2個二級物流中心。除內蒙古自治區外，其他同省份的地級行政區劃都對應相同的最大發貨量物流中心（圖9a）。該結果一方面表明在此物流體系中，高層級的物流中心具有較好的覆蓋性，并且實際運行也比較符合初期規劃，另一方面也說明西安和沈陽兩個二級物流中心具有很大的潛力升級為一級物流中心。

圖7a） 實際總銷售額減去預測總銷售額的值的空間分布（圖中黃色邊線城市為省會城市和直轄市）

圖7b） 第三產業占GDP比重與關系

圖7c） 285個城市第三產業占GDP比重的空間分布

受倉庫的容量、倉儲產品種類、以及次級倉儲地理布局等因素的影響，除了最大發貨量物流中心外，各城市也有很多訂單由其他倉庫進行發貨。如果一個城市的訂單由很多地理位置較遠的倉庫發貨，則會影響貨物配送效率。這里借用熵H(X)的概念來定量地分析每個城市訂單配送源的復雜程度，其計算公式為H(X)=-∑in=1p(xi)logp(xi)，n為總的倉庫數量，p(xi)為該城市的訂單由倉庫i發貨的概率。熵的值越小，則該城市從最大發貨量物流中心發貨的比例就越大。從圖9b可以看出，一級物流中心對其周邊的城市訂單配送具有很強的主導性，二級物流中心由于和一級物流中心覆蓋區域有所重合，其對周邊城市訂單配送主導性較弱，尤其是西安物流中心，其覆蓋的西北地區城市有相當比例的訂單由其他物流中心配送。加強西安物流中心的建設，對于提高西北地區的物流配送效率應該會有很大的幫助。

圖8a） 各個倉庫所在城市發往各個城市訂單量示意圖

圖8b） 各城市倉庫的發貨量大小與其排名大致遵從“位序—規模”法則（N=39）

圖9a） 每個城市對應的聯系強度最大的倉庫在城市

圖9b） 各城市訂單的發貨倉庫混合程度（熵）

在該物流系統中，除去各個倉庫發送到自己所在城市的訂單量，共有2 514個倉庫/城市對具有發貨和收貨的交互聯系。通過互補累積頻率曲線（圖10a）可以看到倉庫/城市對之間的訂單量呈現重尾分布，大多數倉庫/城市對之間的發貨量較小，但是大發貨量的倉庫/城市對在總發貨量中占有很大的比例。這說明城市多數訂單是由其對應的最大發貨量物流中心發貨，與前文的發現相符。

圖10a） 倉庫/城市對之間的訂單量的互補累積頻率圖

圖10b） 倉庫/城市對的訂單實際值

如前文所述，訂單的收發表征了倉庫與城市之間的空間交互，這里采用重力模型來解釋倉庫與城市之間的訂單量關系。其中，TijGM為倉庫i向城市j的發貨量，mi為第i個倉庫在該模型中的大小，nj為第j個城市在該模型中的大小，dij為城市i和j之間的距離，γ為距離衰減系數。通過最小二乘法擬合得到γ=-2.74，體現了空間交互中的距離衰減效應。R2=0.49，說明該重力模型只能在一定程度上解釋倉庫與城市之間的發貨量。圖10b對比了倉庫/城市對之間的實際發貨量和模型預測出的發貨量，圖中，橫軸為實際訂單量，縱軸為估計的訂單量，灰色小點代表一個倉庫/城市對，藍綠色大點為原始數據在對數下等間距分組后組內預測值的平均值。從圖中可以看出，訂單量少的倉庫/城市對預測的發貨量偏高，這是由于訂單量較少的倉庫/城市對多相距較遠，物流體系內各個倉庫主要負責其覆蓋區內的訂單，即負責離倉庫近、訂單量大的城市，而對超出覆蓋區域的城市，訂單量迅速減少，從而使交互較少的倉庫/城市對的發貨量偏高。

3 討論與結論

信息技術的快速發展推動了互聯網在人們生活中的廣泛應用，也促使電商平臺進入了人們的日常生活，居民的網絡購物行為與其實體空間消費行為相互競爭而又相互補充。由于經濟水平、信息產業水平、物流倉儲業發展水平等多方面的差異，各個城市的居民的網絡購物行為存在多種差異，也體現出了城市的不同特征。本文在國內研究中第一次采用電商平臺用戶的宏觀和微觀消費行為數據，探討了全國尺度地級行政區劃層面的居民網絡購物地理空間分布特征。通過多角度的分析，本研究主要得到以下結論：

（1）電商用戶分布受到城市人口總數、互聯網滲透率、GDP規模、城市實體空間等多種因素的影響。由于城市的聚集效應，隨城市規模和GDP水平等的增長，電商平臺用戶數量、訂單量和銷售額均呈超線性增長。

（2）電商平臺近些年發展迅速，其銷售的商品種類也越發多樣化。電商平臺用戶從經濟文化發達地區向其他地區擴張，次發達地區的用戶數增長最為迅速。重慶成都地區由于具有物流設施上的優勢，近些年訂單量的增長倍數最高。

（3）城市的GDP水平能夠在一定程度上反映城市的電商平臺銷售額，第三產業在GDP中比重較高的城市銷售額普遍高于根據城市GDP水平得到的銷售額預測值；銷售額低于基于GDP預測值的城市有較大的銷售額提升空間，進一步推進信息化產業和物流業的發展同樣能夠對電商平臺的銷售額起到積極的影響。

（4）從訂單物流信息來看，電商的自有物流系統在全國范圍內具有等級層次結構，主要物流倉庫都能夠主導其所覆蓋城市的訂單發送。由于物流體系是人為設計，其發往各個城市的發貨量與重力模型模擬結果具有一定的區別，更多的物流配送集中在近距離的倉庫和城市對之間，以此提高效率，節省成本。

通過在城市層面對全國尺度的電商地理進行研究，本文得到的結論對于了解電商地理格局、設定電商擴張策略、改進電商物流布局等具有參考價值。其中，電商與實體零售業在全國尺度的空間分布異同及相互影響值得在后續研究中進行進一步的討論。本文中，電商的地理分布呈現階梯遞減，與傳統零售業相似[27]，但也有一些差異出現。這主要源于電商與零售業既相互競爭又相互補充的復雜機制，從多年的相關數據中研究兩者的相互作用是一個十分重要的議題。此外，由于渠道電商具有不同的特征，本文的結論具有一定的局限性，根據不同電商數據得到的結論會略有不同。但從整體上來說，利用大數據對電商銷售地理進行分析仍具有十分重要的意義，結合多源數據從不同角度對電商銷售地理進行綜合討論也是未來的研究方向。

References

[1]Schwanen T, Dijst M, Kwan M P. Introduction: the internet, changing mobilities, and urban dynam ics[J]. Urban Geography, 2006, 27(7): 585-589.

[2]甄峰，翟青，陳剛，等. 信息時代移動社會理論構建與城市地理研究[J]. 地理研究，2012， 31（2）：197-206. ZHEN Feng, ZHAI Qing, CHEN Gang, et al. M obile social theory construction and urban geographic research in the information era[J]. Geographical Research, 2012, 31(2): 197-206.

[3]申悅，柴彥威，王冬根，等. ICT對居民時空行為影響研究進展[J]. 地理科學進展，2011，30（6）：643-651.SHEN Yue, CHA I yanw ei, WANG Donggen, et al. Review s on impacts of information and communication technologies on human spatialtemporal behavior[J]. Progress in Geography, 2011, 30(6): 643-651.

[4]Anderson W P, Chatterjee L, Lakshmanan T R. Ecommerce, transportation, and econom ic geography[J]. Grow th and Change, 2003, 34(4): 415-432.

[5]Farag S, Weltevreden J W, Rietbergen T V, et al. E-shopping in the netherlands: does geography m atter? [J]. Environment and Planning B: Planning and Design, 2006(33): 59-74.

[6]Farag S, Schwanen T, Dijst M, et al. Shopping online and/or in-store: a structural equation model of the relationships between e-shopping and instore shopping[J]. Transportation Research Part A: Policy and Practice, 2007, 41(2): 125-141.

[7]孫智群，柴彥威，王冬根，等. 深圳市民網上購物行為的空間特征[J]. 城市發展研究，2009，16（6）：106-112. SUN Zhiqun, CHAI Yanwei, WANG Donggen, et al. The spatial characteristics of e-shopping behavior o f Shenzhen residents [J]. U rban Studies, 2009, 16(6): 106-112.

[8]席廣亮，甄峰，汪俠，等. 南京市居民網絡消費的影響因素及空間特征[J]. 地理研究，2014，33（2）：284-295. X I Guangliang, ZHEN Feng, WANG Xia, et al. Study on the influencing factors and spatial characteristics of residents' online consumption in Nanjing[J]. Geographical Research, 2014, 33(2): 284-295.

[9]汪明峰，盧姍，袁賀，等. 網上購物對不同區位消費者行為的影響——市區和郊區的比較[J]. 城市規劃，2013，37（11）：84-88. WANG M ingfeng, LU Shan, YUAN He, et al. In fluences o f on line shopping on consumer behaviors at different shopping locations: a comparative study on city center and suburb[J]. City Planning Review, 2013, 37(11): 84-88.

[10]Ward M R, M organow sky M. Consumer acquisition of product information and subsequent purchase channel decisions[J]. The Econom ics of the Internet and E-commerce, 2002(11): 231-255. [11]Ferrell C. Home-based teleshopping and shopping travel: w here do peop le find the tim e? [J]. Transportation Research Record: Journal of the Transportation Research Board, 1926: 212-223.

[12]汪明峰，盧姍. 替代抑或補充: 網上購物與傳統購物出行的關系研究[J]. 人文地理，2012，27（3）：44-49. WANG M ingfeng, LU Shan. Substitution or com p lementarity: online shopping and its relationship w ith traditional shopping behavior[J]. Human Geography, 2012, 27(3): 44-49.

[13]Couclelis H. Pizza over the Internet: e-commerce, the fragmentation of activity and the tyranny of the region[J]. Entrepreneurship & Regional Development, 2004, 16(1): 41-54.

[14]M okhtarian P L. A conceptual analysis of the transportation impacts of B2C e-commerce[J]. Transportation, 2004, 31(3): 257-284.

[15]孫貴珍，陳忠曖. 1920年代以來國內外商業空間研究的回顧、比較和展望[J]. 人文地理，2008，23（5）：78-83. SUN Guizhen, CHEN zhongnuan. The retrospect and prospect on the commercial spatial researches in China and the corresponding compare w ith western countries since the 1920’s[J]. Human Geography, 2008, 23(5): 78-83.

[16]余金艷，劉衛東，王亮，等. 基于時間距離的C2C電子商務虛擬商圈分析——以位于北京的淘寶網化妝品零售為例[J]. 地理學報，2013，68（10）：1380-1388. YU Jinyan, LIU Weidong, WANG Liang, et al. Analysis of virtual trading area of C2C E-commerce based on temporal distance： a case study of 50 cosmetics retail stores on TAOBAO in Beijing[J]. Acta Geographica Sinica, 2013, 68(10): 1380-1388.

[17]史坤博，楊永春，白碩，等. 成都市體驗性網絡團購市場發展的空間特征[J]. 地理研究， 2016，35（1）：108-122. SHI Kunbo, YANG Yongchun, BAI Shuo, et al. Spatial characteristics of the experiential online group-buying market in Chengdu[J]. Geographical Research, 2016 , 35 (1): 108-122.

[18]Forman C, Goldfarb A, Greenstein S. Geographic location and the diffusion of Internet technology[J]. Electronic Commerce Research and Applications, 2005, 4(1): 1-13.

[19]Weltevreden J W, Rietbergen T V. E-shopping versus city centre shopping: the role of perceived city centre attractiveness[J]. Tijdschrift voor econom ische en sociale geografie, 2007: 98(1): 68-85.

[20]Weltevreden J W, Van Rietbergen T. The implications of e-shopping for in-store shopping at various shopping locations in the Netherlands[J]. Environment and Planning. B, Planning & Design, 2009, 36(2): 279-299.

[21]Parker B, Weber R. Second-hand spaces: restructuring retail geographies in an era of e-commerce[J]. Urban Geography, 2013, 34(8): 1096-1118.

[22]路紫，王文婷，張秋孌等. 體驗性網絡團購對城市商業空間組織的影響[J]. 人文地理，2013， 28（5）：101-104. LU Zi, WANG Wenting, ZHANG Qiuluan, et al. The im pact of experiential online group-buying on the urban commercial spatial organization[J]. Human Geography, 2013, 28(5): 101-104.

[23]任博華，董行. 中國電商企業自建物流問題研究——以京東商城為例[J]. 物流科技，2013，36（1）：104-108. REN Bohua, DONG Xing. The study on self-built logistics system of electronic commerce enterprise: 360buy as a Case[J]. Logistics Management, 2013, 36(1): 104-108.

[24]楊聚平，楊長春，姚宣霞等. 電商物流中“最后一公里”問題研究[J]. 商業經濟與管理，2014（4）：16-22. YANG Juping, YANG Changchun , YAO Xuanxia, et al. Research on the“ Last-M ile” Issue in the E-Commerce Logistics System[J]. Business Economics and Adm inistration, 2014(4):16-22.

[25]席廣亮，甄峰. 中國網絡消費發展時空演變特征及影響因素——以京東商城為例[J]. 地理科學. 2015, 35(11), 1372-1380. X I Guangliang, ZHEN Feng. Spatio-tem poral evo lution and regional connection o f on line consumption: a case study on Jingdong Mall[J]. Scientia Geographica Sinica, 2015, 35(11): 1372-1380.

[26]文啟湘，冉凈斐. 消費結構與產業結構的和諧：和諧性及其測度[J]. 中國工業經濟，2005（8）：14-19，104. WEN Qixiang, RAN Jingfei. The Harmony of consum ption structure and industrial structure: Harmonious character and its estimating[J]. China Industrial Economy, 2005(8): 14-19, 104.

[27]何永達，趙志田.我國零售業空間分布特征及動力機制的實證分析[J].經濟地理，2012，32（10）：77-82. HE Yongda, ZHAO Zhitian. Em pirical study on spatial distribution and dynam ic mechanism of retail industry in China[J]. Econom ic Geography, 2012, 32(10): 77-82.

Spatial Patterns of E-commerce Sales in China: A Case Study of a Large E-commerce Company

E-commerce is developing rapidly in China, and has become an important part of people’s daily life. In this study, macro sales statistics and micro order data of a large e-commerce company are applied to explore topics such as spatiotemporal on-line shopping patterns of residents, on-line shopping potentials of cities, and logistics strategies of the channel e-commerce company. In general, most cities that have high values of e-commercial users, sales, and orders lie on the east part of China, and these values are influenced by various factors such as population, economy, and Internet penetration. Users in different cities also have different goods category preferences for on-line shopping. The distribution of cities that have different preferences shows certain patterns. GDP and sales of each city have high correlation, while the industrial structure of the city could be used to predict its on-line sale potential. The analyses of order delivery information indicate that the logistics system of the company has clear hierarchical structure and is efficient. This study is different from literature in both data quantity and research scale, and can help understand the current status of e-commerce and making strategies for future development.

E-commerce | Sales geography | Characteristics of cities | Sales potential analysis | Logistics System

1673-8985（2016）05-0086-08

TU981

A

龍 瀛

清華大學建筑學院

副研究員，博士

劉 曦

北京大學遙感與地理信息系統研究所碩士研究生

王 晟

創點客（北京）科技有限公司

董事長