EN中文

经济地理 >

2021 , Vol. 41 >Issue 9: 125 - 134

DOI: https://doi.org/10.15957/j.cnki.jjdl.2021.09.013

产业经济与创新发展

深圳市零售业空间格局及影响因素

  • 王娜 , 1, 2 ,
  • 吴健生 , 1, 3, ※ ,
  • 彭子凤 2
展开
  • 1.北京大学深圳研究生院 城市规划与设计学院/城市人居环境科学与技术重点实验室，中国广东 深圳 518055
  • 2.深圳市规划国土房产信息中心，中国广东 深圳 518040
  • 3.北京大学 城市与环境学院/地表过程与模拟教育部重点实验室，中国 北京 100871
※吴健生（1965—），男，湖南新化人，教授，博士生导师，研究方向为遥感与地理信息系统、景观生态学与土地利用。E-mail：

王娜（1989—），女，山东东营人，博士，研究方向为遥感与地理信息系统、城市地理与地理大数据应用。E-mail：

收稿日期: 2020-11-27

  修回日期: 2021-05-05

  网络出版日期: 2025-04-01

基金资助

国家重点研发计划项目(2019YFB2102000)

广东省基础与应用基础研究基金(2019A1515110896)

收起

Spatial Pattern and Influencing Factors of Retailing in Shenzhen

  • WANG Na , 1, 2 ,
  • WU Jiansheng , 1, 3, ※ ,
  • PENG Zifeng 2
Expand
  • 1. Key Laboratory for Urban Habitat Environmental Science and Technology / School of Urban Planning and Design，Peking University Shenzhen Graduate School，Shenzhen 518055，Guangdong，China
  • 2. Shenzhen Municipal Planning and Land Real Estate Information Center，Shenzhen 518040，Guangdong，China
  • 3. Laboratory for Earth Surface Processes，Ministry of Education / College of Urban and Environmental Sciences，Peking University，Beijing 100871，China

Received date: 2020-11-27

  Revised date: 2021-05-05

  Online published: 2025-04-01

Fold

摘要

零售业空间布局和发展趋势对于指导城市近期建设、统筹城市远期发展具有重要意义。文章基于深圳市零售业POI（Point of Interest）数据，运用核密度分析、最邻近指数、空间自相关分析方法，研究深圳市总体及不同类型零售业POI的空间分布特征；结合深圳市网格办实际管理人口数据、路网数据、地铁站点数据及商业地价数据，采用双变量Moran's I分析法，进一步探讨深圳市零售业空间格局的影响因素。 结果显示：①深圳市零售业总体空间分布模式呈现出“两核—三带—零星”式空间分布形态。“两核—三带”区域呈现以交通干线为轴线的带状分布空间格局特征，“零星”区域呈现小范围零星集聚分布的点状分布形态；②深圳市总体零售业表现出多层次的等级体系，空间分布不均衡，呈现原关内地区密集、原关外地区零散，中西部密集、东部零散的特点；③各类别零售业大都集中在深圳市中部和西部地区，空间分布具有集聚特征并存在明显差异；④总体及各类别零售业受人口密度影响最大，受路网密度的影响次之，受商业地价和地铁可达性的影响较小。

关键词： 零售业; 空间格局; 人口密度; 路网; 地铁站点; 商圈; 商业地价

本文引用格式

王娜 , 吴健生 , 彭子凤 . 深圳市零售业空间格局及影响因素[J]. 经济地理, 2021 , 41(9) : 125 -134 . DOI: 10.15957/j.cnki.jjdl.2021.09.013

Abstract

The spatial layout and development trends of the retailing are of great significance to guide the city's recent construction and coordinate the city's long-term development. Based on the retailing POI (Point of Interest) data, this research uses kernel density analysis, nearest neighbor index, and Global Moran's I to analyse the spatial distribution characteristics of overall and different types of retailing in Shenzhen. Combining the actual statistical population data, road data, metro station data and commercial land price data, this study further explores the influencing factors of the spatial pattern of retailing in Shenzhen by using Bivariate Moran's I method. The results show: 1) The overall spatial distribution of retailing in Shenzhen can be described as two cores, three belts and scatters. The areas of two cores and three belts show the characteristics of a belt-like spatial distribution pattern with the main traffic line as the axis. The scattered areas present small-scale sporadic agglomerations and dot-like distribution patterns. 2) The overall retailing in Shenzhen exhibits a multi-level structure. Its spatial distribution is unbalanced, presenting the characteristics of concentrated in Guannei area, scattered in Guanwai area, concentrated in the central and western regions, and scattered in the east region. 3) The spatial distribution of various types of retailing are concentrated in the central and western regions of Shenzhen. There are obvious differences in spatial distribution among various types of retailing. 4) The spatial distributions of overall and various types of retailing are most affected by population density, followed by road density, and less affected by commercial land price and metro station accessibility.

Key words： retailing; spatial pattern; population density; road network; subway station; business district; commercial land price

零售业是现代社会生活不可或缺的组成主体之一，其与人民生产生活息息相关。城市居民生活质量的提高有赖于各类零售商店的发展和变革。同时，零售业是第三产业重要的组成部分，是GDP的主要贡献因素之一，是持续推动生产、消费和就业的重要力量。零售业的繁盛有助于促进区域经济的持续增长。零售业作为现代社会城市功能的重要组成部分，其空间布局和发展对于城市各区域近期建设、城市总体远期发展具有重要意义。城市零售业空间布局是商业地理、城市地理的重点研究内容。国外关于城市商业空间布局和零售区位选择的经典理论包括中心地理论[1]、商圈理论[2]、集聚理论[3]、地价理论、消费者行为理论[4]和零售业态演变理论[5]等。国内关于零售业的研究起步较晚，研究内容主要集中在零售业空间发展特征[6]、零售业态分布特征与布局规律[7⇓-9]、消费者购物行为与零售业演化[10]、零售设施空间扩展及演变[11]等方面。
传统的商业布局研究需要人工实地调研店铺的详细信息，数据采集工作量大。随着互联网技术的发展，具有数据量大、易获取、记录信息全面、包含空间属性等特点的兴趣点（Point of Interest，POI）大数据逐渐被运用到城市地理空间的研究中[12⇓-14]。POI数据详细记录各个行业层级分类，为分析城市各行业空间结构并挖掘其分布特征提供了数据基础。近年来，运用网络POI数据进行城市空间实证的研究逐渐增多，城市POI被用于城市功能区定量识别[15⇓-17]、城市中心识别[18⇓⇓-21]、各行业的空间格局及行业分布[14,22⇓-24]的研究中。目前已有运用POI数据分析城市商业及零售业空间格局的研究。浩飞龙等以长春市中心城区商业类城市POI数据为基础，分析研究城市商业空间的行业分布及集聚特征，发现长春市商业网点空间上呈现多中心的分布形态，不同商业中心表现出不同的等级规模差异[25]。陈蔚珊等以广州市POI数据为研究对象，通过识别城市商业中心与零售业态集聚区的方法，分析商业活动的热点地区以及零售业态集聚区的空间分布特征，发现不同零售业对商业集聚的区位选择具有显著差异性[9]。
深圳市是我国改革开放的重要窗口，是粤港澳大湾区的重要城市。深圳市场开放，零售业充满活力，这为深圳零售业在市场竞争中不断发展壮大提供了优渥的条件。研究深圳市零售业的空间分布和集聚特征，有利于城市发展规划过程中进行合理的商业建设布局。深圳市行政区划受限、土地资源稀缺、外来人口庞大，其城市空间呈现高密度、超高密度发展的趋势。在零售业空间分布影响因素的分析中，已有研究多以社区、街道或区为基础统计单元，以高精度网格为统计单元的研究尚不多见。这种以行政区划为统计单元的空间地理数据因精度较低而不能精细化地反映城市零售业的详细空间格局，不能很好满足深圳市这类高密度发展的城市研究的需要。此外，在影响因素研究中，人口因素是一个关键因子，已有研究的数据大多来源于人口普查数据，对于深圳市这类人口流动极大的城市，统计年鉴的人口与实际管理人口口径相差极大，若不使用城市高精度的实际居住人口数据，会造成研究结果严重失真。
在上述背景下，本文基于深圳市零售业POI数据，运用核密度分析、最邻近指数、空间自相关分析方法，研究深圳市总体及不同类型零售业POI的空间分布特征；结合深圳市网格办实际管理人口数据、路网数据、地铁站点数据及商业地价数据，采用双变量Moran's I分析法，进一步探讨深圳市零售业空间格局的影响因素。

1 数据来源与研究方法

1.1 研究区域概况

深圳市是全国经济中心城市、科技创新中心、区域金融中心、商贸物流中心，是我国最早实施改革开放、影响最大、建设最好的经济特区。深圳市在中国的制度创新、扩大开放等方面肩负着试验和示范的重要使命。深圳全市面积1 997.47 km2，包括9个行政区和1个新区：福田区、罗湖区、盐田区、南山区、宝安区、龙岗区、龙华区、坪山区、光明区、大鹏新区。2018年深圳市GDP突破2.4万亿元、同比增长7.6%，经济总量居亚洲城市前五。2018全年社会消费品零售总额6 168.87亿元，比上年增长7.6%（《深圳统计年鉴2019》）。2000—2018年深圳市国民经济和社会发展统计公报显示，深圳市全年社会消费品零售总额从2000年的538.17亿元增长至2018年的6 168.87亿元，增长倍数高达10.46倍。消费品零售市场显示出极强活力。

1.2 研究数据

本研究采用2018年高德地图的深圳市POI数据作为零售商业网点数据源，数据包含各网点名称、类别、联系方式、详细地址、坐标等信息。本文参照《国民经济行业分类（GB/T4754-2017）》标准对零售业分类（表1）。经过筛选、去重、纠偏和空间匹配等操作，提取出研究区域内零售业POI点共计146 347个。本文所用的人口数据来源于2018年深圳市网格办采集的建筑物内实际居住人口，经统计，全市实际管理人口达1 987.6万人。深圳市路网和地铁站数据来自深圳市空间地理信息中心，深圳市商业地价数据来自《深圳市2018年度标定地价成果》。
表1 深圳市零售业类型划分及数量统计

Tab.1 Retailing classification and POI statistics in Shenzhen

一级分类 二级分类 总数（个） 比例（%）
综合零售类 百货、超级市场、便利店、其他综合零售等 19 859 13.6
食品、饮料及烟草制品类 粮油、糕点、面包、蔬菜、果品、肉禽、水产品、保健品、烟酒、茶叶等 9 963 6.8
纺织、服装及日用品类 纺织品、服装、鞋帽、化妆品、饰品、皮具、眼镜、其他日用品等 34 630 23.7
文化、体育用品及器材类 文具用品、体育用品、图书报刊、音像制品、珠宝首饰、工艺品、乐器、摄影器材等 16 814 11.5
医药及医疗器材类 中药零售、西药零售、医疗用品及保健辅助治疗器材零售等 10 584 7.2
汽车、摩托车、零配件和燃料及其他动力销售 汽车、摩托车、机动车零配件、燃油、燃气零售等 13 121 9.0
家用电器及电子产品类专门零售 家电、电器、手机、电脑、其他数码等 11 224 7.7
五金、家具及室内装饰材料类 五金、灯具、家具、装饰材料等 30 152 20.6

1.3 主要研究方法

1.3.1 核密度分析

核密度估计法是一种非参数估计方法，是地理空间数据挖掘的重要工具。核密度估计法以特定要素点的位置为中心，将该点的属性值分布在搜索半径内，其中该点所在位置处数值最高，随点的距离变大数值减小[26-27]。计算公式如下：
f n x = 1 n h 2 π ∑ i = 1 n K 1 - x - x i 2 + y - y i 2 h 2 2
式中： f n x为研究区域内某点x的核密度值；K为空间权重函数；h为搜索半径； x - x i 2 + y - y i 2是点 x i , y i和 x , y之间距离的平方；n为与点x的距离小于或等于h的要素点数。

1.3.2 最邻近指数

最邻近指数表示地理空间中点元素的相互接近程度，是各点元素的空间分布情况的真实反映。该方法是通过离散程度或集中程度指数方法进行测算，对其空间分布特征进行描述，判断空间分布模式[25,28-29]。其空间分布类型可能有均匀型、集中型、随机型3种。最近邻距离具体的计算公式为：
R = d ¯ m i n E d ¯ m i n = 2 d ¯ m i n n / A
式中：R为最邻近指数； d ¯ m i n表示最邻近距离的实测平均值； E d ¯ m i n表示最邻近距离的理论平均值；n为研究区点区域要素的数量；A为研究区域面积。若指数 R < 1，说明点要素趋于聚集；若指数 R > 1，说明点要素趋于离散。

1.3.3 单变量全局Moran's I

空间自相关是研究空间中某位置的观察值与其相邻位置的观察值是否相关以及相关程度的一种空间数据分析方法[30]。正相关表明某单元的属性值变化与其邻近空间单元具有相同变化趋势，负相关则相反。空间自相关是研究空间分异规律和空间格局的有效方法。
M o r a n ' s   I = n ∑ i = 1 n ∑ j = 1 n W i j x i - x ¯ x j - x ¯ ∑ i = 1 n ∑ j = 1 n W i j ∑ i = 1 n x i - x ¯ 2 , i ≠ j
式中： x i、 x j是空间单元i和j的观察值； W i j表示空间单元i和j的空间权重系数，当i和j为空间邻近时， W i j = 1，否则 W i j = 0；n为空间单元的个数。全局Moran's I的取值范围为[-1，1]，其中-1表示极强的负空间相关，1表示极强的正空间自相关。为了消除指标之间的量纲影响，在对数据进行空间自相关处理之前，对自变量和因变量进行对数计算处理。

1.3.4 双变量局部Moran's I

双变量空间自相关用来描述两个地理要素的空间关联和依赖特征。利用双变量局部空间自相关可以探索两者的空间关联特征，计算结果为区域i的自变量与区域j的因变量之间的局部关联性[31]。双变量局部Moran's I计算公式如下：
I k l ' = x k i - x ¯ k S k 2 ∑ j = 1 n W i j x l j - x ¯ l S l 2
式中： x k i是空间单元i的属性k的值； x l j是空间单元j的属性l的值； x ¯ k、 x ¯ l为属性k、l数值的平均值； W i j为权重系数矩阵； S k 2、 S l 2为属性k、l的方差；n为地理空间格网单元个数。根据双变量局部Moran's I的计算结果，可分为高—高、低—低、高—低和低—高四种集聚类型。高—高型、低—低型表示单元i的自变量值与单元j的因变量值同时较高或较低，两者呈正相关关系。高—低型集聚表示单元i的自变量值较高，而其邻近单元j的因变量值较低。低—高型含义与高—低型相反，高—低型与低—高型表示自变量、因变量呈负相关关系。

2 深圳市零售业空间分布格局

2.1 深圳市总体零售业空间分布格局

首先采用最邻近指数法对零售业网点的空间聚集情况进行分析。总体及各类别零售业的最邻近指数均小于1，说明总体及各类别零售业都呈现出显著的空间集聚分布特征。本研究设置1 200 m作为核密度的搜索半径阈值，采用等分法将核密度分为9个等级，对深圳市零售业总体及各类别分别进行核密度分析。
核密度分析结果表明深圳市零售业总体空间分布模式呈现出“两核—三带—零星”式空间分布形态（图1）。其中，零售业核密度最高的“两核”指以东门、城东、嘉北社区为中心的东门商圈，及以华航、荔村、福强社区为中心的华强北商圈，空间上存在明显的集聚特征。两个核心及周边辐射区域沿深南中路及地铁1、2号线在空间上互连成片，结合福田中心区、上下沙等区域，形成了“三带”中集聚最显著的罗湖—福田零售商业带。核密度相对较低的次级商业集聚区域主要集中在南山区的南光、创业路社区，宝安区的宝民、建安社区，这些区域以宝安大道和广深公路为依托形成南山—宝安零售商业带。此外，龙华区的龙园、上芬、民治社区构成以地铁4号线沿线为中心的龙华零售商业带。而龙岗区、盐田区、坪山区、光明区的零售业在区级行政中心附近呈现出小范围零星集聚分布的特点，主要集中在龙岗区的长龙、龙岭、龙园、平南社区，宝安区的松涛社区，以及光明区的公明社区。在空间结构上，由于深圳市基本生态控制线的规划保护，深圳市零售业“两核—三带”主要集聚在交通主干道及轨道线区域，呈现以交通干线为轴线的带状分布空间格局特征。“零星”区域主要集中在“两核—三带”区域以外的区级行政中心附近，呈小范围零星集聚分布的点状分布形态。
图1 深圳市零售业空间分布核密度图

Fig.1 Kernel density of retailing spatial distribution in Shenzhen

从零售业网点的规模和等级来看，深圳市的零售商业展现出多层次的等级体系。罗湖—福田零售商业带集聚了全市约25%的零售业网点，核密度最大值达到2 540个/km2。罗湖区的东门零售商业带是传统的商业街区，福田区的华强北核心区是消费电子国际商贸区，这两个商业区属于国际级商业区和商贸区，是深圳市发展历史悠久、具有独特发展条件的核心区域。南山—宝安零售商业带包括全市约36%的零售业网点，核心处的核密度值约为1 450个/km2，所包括的南山后海商业区、宝安中心商业区为市级商业中心。龙华区零售商业带包括龙华商业区和深圳北站商务区，属于市级商业中心。集聚了全市约12%的零售业网点，核密度高值约为1 059个/km2。零星分布的零售业区域核密度值约为760个/km2，零售业的集聚规模和密度不如“两核”“三带”地区，龙岗区、盐田区、坪山区、光明区的零售业集聚中心多属于区级商业中心。深圳市零售业空间格局经历了从改革开放之初主要集聚在罗湖区深南大道两侧的小规模零售商业区，至上世纪末罗湖区零售商业区发展繁盛，原关内各区零售商业规模逐渐增大，原关外各区小规模商业区逐渐形成，再发展至当今各区零售业呈带状和散点状分布，罗湖区、福田区、南山区的大规模零售业商圈辐射带动作用显著。总体来看，当前深圳市总体零售业空间分布不均衡，主要集聚在罗湖区、福田区、南山区、宝安区、龙华区的“两核”“三带”地区，整体呈现原关内地区密集、原关外地区零散，中西部密集、东部零散的空间分布特点。

2.2 深圳市各类别零售业空间分布格局

通过核密度分析法对各类零售业进行空间分布分析（图2），发现各类零售业的空间分布格局有所不同。综合零售业和纺织、服装及日用品类的零售网点空间分布十分相似，均呈“两核”集聚分布特征，“两核”在空间上相连，沿交通干线呈东西向带状分布，说明综合零售大多和服装日用专门店在服务功能上存在一定重叠现象。这两类零售业主要集聚在罗湖的东门商圈和福田的华强北商圈，南山中心和宝安中心也有小范围集聚。东门商圈是深圳最早发展起来的传统综合型商圈，聚集了各大百货商场和商业中心，商铺密集、客流集中。华强北商圈是深圳最早发展起来的电子市场，也是全国最有影响的电子、珠宝、钟表批发市场，聚集着茂业百货、天虹商场等百货公司，业态组合丰富。医药及医疗器械零售业因与居民日常生活十分密切而在市内分布广泛且均匀。食品、饮料及烟草制品主要集中在罗湖的东门商圈和福田的华强北商圈，南山宝安均有发展，与综合零售和服装日用专门店不同的是，龙华和龙岗区也有明显分布。文化、体育用品及器材类主要集中在东门以及翠锦、水贝区域，华强北区域也有部分分布。家用电子及电子产品类以及五金、家具及室内装饰材料类两个行业分布范围小、集聚度高，家用电子及电子产品类主要集中在华强北区域。五金、家具及室内装饰材料类集中在宝安区以及福田的上下沙区域。
图2 深圳市各类别零售业空间分布核密度图

Fig.2 Kernel density of different types of retailing in Shenzhen

2.3 深圳市总体及各类别零售业空间集聚特征

为了探究深圳市总体及各类别零售业的空间自相关程度，运用单变量全局Moran's I方法，得到总体及各类别零售业单变量全局Moran's I值（表2）。结果显示，总体及各类别零售业的单变量Moran's I均大于0，说明总体及各类别零售业具有明显的空间自相关性。在各类别零售业中，五金、家具及室内装饰材料类的Moran's I最高，说明该类别在深圳市的空间分布中集聚程度最高，五金、家具及室内装饰材料类因受营业场地和租金影响而在郊区集聚。家用电器及电子产品类的Moran's I最低，说明该类零售业在深圳市的空间分布中集聚性相对较弱。
表2 总体及各类别零售业单变量全局Moran's I空间自相关结果

Tab.2 Global Moran's I of overall retail and different types of retail

零售业类别 Moran's I
综合零售类 0.584
食品、饮料及烟草制品类 0.610
纺织、服装及日用品类 0.512
文化、体育用品及器材类 0.594
医药及医疗器材类 0.527
汽车、摩托车、零配件和燃料及其他动力销售 0.580
家用电器及电子产品类 0.479
五金、家具及室内装饰材料类 0.611
零售业总体 0.701
为了探索各类别零售业之间的空间相关性，对深圳市各类别零售业之间进行双变量Moran's I空间自相关分析，计算所得Moran's I值见表3。综合零售类、食品饮料及烟草制品类、纺织服装及日用品类、文化体育用品及器材类两两间的相关系数均高于0.528，呈现出明显的正相关关系，说明这几类零售业在空间上关联紧密，均显示出沿交通干线的带状分布特征和围绕地区中心的点状集聚特征。综合零售类与食品饮料及烟草制品类的双变量Moran's I值最高，表明这两类零售业空间关联较为密切，经常同时出现。这两类零售网点多集中在生活区周围，与居民日常生活息息相关，因而两者在空间上联系紧密。家用电器及电子产品类与其他各类型零售业的相关性系数较低，说明空间上与其他类零售业存在差异，但类别内的空间分布存在集聚现象。汽车、摩托车等专门零售与纺织服装及日用品类的双变量Moran's I值最低，表明两者在空间上的关联较弱。汽车、摩托车等专门零售属于专业类别的商店，相较于其他类零售业，其与居民日常生活的联系较弱。汽车、摩托车等专门零售多以专业性市场或卖场形式集聚于城市郊区，自身在空间上明显聚集，跟相关产业园或专业市场的分布关系较大。
表3 深圳市各类别零售业间的双变量Moran's I空间自相关结果

Tab.3 Spatial correlation results of different types of retail based on the Bivariate Moran's I

综合
零售		 食品
饮料		 纺织
服装		 文体
用品		 医药
医疗		 汽车
摩托		 电器
电子
食品饮料 0.589
纺织服装 0.528 0.545
文体用品 0.551 0.572 0.539
医药医疗 0.549 0.525 0.488 0.502
汽车摩托 0.543 0.550 0.475 0.525 0.510
电器电子 0.511 0.496 0.487 0.483 0.489 0.476
五金家具 0.567 0.541 0.504 0.523 0.545 0.558 0.517
结合总体及各类别零售业的核密度分析以及Moran's I分析结果，发现具有以下特点：各类别零售业大都集中在深圳市中部和西部地区，空间分布具有集聚特征并存在明显差异。除了医药及医疗器械零售业在全市分布广泛且较为平均，其他类型零售多呈现明显的地理集中性，“两核”区域的零售业网点最为集聚，其他区域多围绕各区中心呈点状集聚。与居民日常生活息息相关的零售业类别在空间上相互关联紧密，而专业型、产业型零售业则在空间上形成独特的集聚特点。

3 零售业空间格局影响因素分析

3.1 影响因素指标选取

影响城市零售业空间布局的因素主要包括人口规模、交通可达性、经济环境等，这些因素影响到城市的扩张与发展，进而影响到零售业的空间分布。结合已有研究并考虑到数据的可获得性，本文选取人口密度、路网密度、地铁可达性、商业地价四个因素，分析深圳市总体及各类别零售业空间格局形成的影响因素。
①人口密度。人口密度是零售商业生存和发展的基本条件，是商业空间形成的必然条件。人口的数量和分布影响零售业的总量和布局，人口密度在一定程度上反映了零售市场需求的大小。在本研究中，以500 m*500 m网格统计单位网格内的人口数量来计算人口密度。本文中其他影响因素指标也均使用500 m*500 m网格作为分析影响因素的基本统计单元。
②路网密度。路网密度是零售商选址的重要考虑因素。路网发达的区域能够带来更多的消费者，提升经营利润，进而带动零售业发展，改变零售业的空间分布结构。同时，零售业的发展布局对城市路网的建设也具有指导意义，城市路网的建设会引导零售业空间布局改变，进而吸引更多人口。本研究中的路网密度定义为单位网格内的路网长度总和。
③地铁可达性。地铁站点和沿线布局对城市商业和零售业布局有重要影响。地铁所带来的大量人流为地铁周边的商业空间带来巨大可能性，地铁站距离能够在一定辐射范围内吸附更多的零售业网点。地铁可达性用网格中心点距离地铁站的最近距离指示。
④商业地价。各类零售业网点的位置选择和聚集程度在一定程度上受商业地价及租金影响。由于缺乏商业租金的准确数据，本研究使用2018年深圳市商业标定地价来指示商业租金。将深圳市424个商业标定地价进行空间插值，以网格中心点的数值表征该单元的商业地价水平。
将单位网格内零售业总体和各类别的POI数量作为因变量，人口密度、路网密度、距地铁站距离、商业地价作为自变量，对自变量和因变量进行对数计算后，对自变量和因变量进行双变量Moran's I空间自相关计算，分析各个自变量对零售业整体及各类别网点的影响。

3.2 双变量Moran's I空间自相关结果

深圳市各类零售业空间分布与影响因素的双变量Moran's I空间自相关分析结果显示（表4），深圳市零售业总体受人口密度影响最大，受路网密度的影响次之，受商业地价和地铁可达性的影响较小。零售业总体与人口密度的Moran's I为0.635，在空间上呈现明显的正相关，说明人口密度越大的区域，零售业网点数量也越多。人口密度图显示（图3a），深圳市高人口密度区主要集中在深圳市中部和西部，低人口密度区集中在东部。使用GeoDa软件绘制深圳市人口密度与零售业总体的双变量LISA聚类地图（图3b），对人口密度和零售业在空间上的聚类分布特点进一步探究，发现在罗湖区、福田区、南山区、宝安区、龙华区的“两核—三带”地区，人口密度和零售业总量显示出高—高型聚集形态。在这些区域，人口密度与零售业总体呈现正相关关系，较高的人口密度能为零售业网点提供大量的消费群体，零售商家在高人口密度区集中布局能获得较大的经济收益。而盐田区、坪山区、光明区、大鹏新区的大部分区域，人口密度和零售业总量为低—低聚集模式。人口密度较低，零售业空间发展还有较大空间。
表4 深圳市总体及各类零售业与影响因素的双变量Moran's I空间自相关结果

Tab.4 Spatial correlation results of retailing and influencing factors in Shenzhen based on the bivariate Moran's I

综合零售 食品饮料 纺织服装 文体用品 医药医疗 汽车摩托 电器电子 五金家具 零售总体
人口密度 0.549 0.473 0.444 0.437 0.536 0.509 0.466 0.545 0.635
路网密度 0.424 0.356 0.335 0.326 0.410 0.403 0.354 0.421 0.503
地铁可达性 -0.135 -0.167 -0.128 -0.155 -0.099 -0.147 -0.110 -0.106 -0.144
商业地价 0.136 0.140 0.117 0.134 0.125 0.139 0.110 0.126 0.158
图3 深圳市人口密度与零售业总量的双变量LISA聚类图

Fig.3 The population density, LISA of population density and overall retailing in Shenzhen

深圳市零售POI总量与路网密度的双变量Moran's I为0.503（图4），显示出中等强度的空间正相关关系。路网密度在中西部地区远大于东部（图4a）。路网密度与零售业总体的双变量LISA聚类地图显示（图4b），高—高型集聚模式主要集中在罗湖区、福田区、南山区、宝安区和龙华区，这些区域经济发展迅速，路网等城市基础设施建设较为成熟，有利于减少运输迂回，缩短运输距离，降低运输成本，提高物流效率，也为方便消费者出行带来便利，带来巨大客流量。低—低型集中在龙岗区、盐田区、坪山区、光明区、大鹏新区。这些区域开发较晚，经济发展水平相比原关内地区较为缓慢，路网不够发达，零售业与外界连通度较差。
图4 深圳市路网密度与零售业总量的双变量LISA聚类图

Fig.4 The road density, LISA of road density and overall retailing in Shenzhen

深圳市零售业总量与距地铁站距离的双变量Moran's I为-0.144，说明距离地铁站的距离越远，零售网点的数量越少。商业网点倾向于分布在交通发达的区位。由于深圳郊区大部分区域没有地铁通达，这些地区在计算过程中会因距离太远引入较大偏离值，进而影响到地铁站点与零售业总量的Moran's I数值。为消除距离地铁站过远而带来的影响，本研究以地铁站点为中心，以100 m为间隔建立0~1 000 m范围内的多环缓冲区，并统计落在每环缓冲区内的零售网点数量。同时统计各环缓冲区的面积，计算落在各环缓冲区的零售网点密度。结果显示（图5），距离地铁站的距离越近的缓冲区内，零售网点数量越多，密度越大，地铁站点对1 000 m辐射范围内的商业网点具有显著的集聚效应。
图5 以地铁站为中心的多环缓冲区的零售业网点密度变化

Fig.5 Density changes of retailing in buffer zone of the multiple ring centered on the metro stations

商业地价与零售业总量的双变量Moran's I为0.158，说明零售业网点分布密度与商业地价具有一定相关性，但与其他因素相比影响性较小。一方面，商业地价较高的区域多位于城市中人流量大、交通方便、消费行为频繁、购买力较高的商业黄金地段。在这些区域开设经营店铺，能够获得更高的客流量及商品品牌曝光量，从而获得较高的营业收入。然而，较高的店铺租金和人力开支又会制约店铺经营，带来更高的营收压力。另一方面，深圳市城市发展的自身特点导致了许多商业地价较低的区域也具备人流量大、交通方便等有利因素，如城中村等周边人口密集区域。这些商业地价较低的区域对商业店铺设立经营同样具有较高吸引力，其商业网点密度仍然保持在较高水平。
从不同类型零售业的影响因素来看，各个影响因子对各类型零售业的影响与对零售业总体的影响基本相似。人口密度的影响力明显强于其他影响因子。从各个因子对各类型零售业的影响程度来看，人口密度对综合零售类的影响最强。综合零售类对于人口密度条件最为敏感，这是因为客流量是决定其收益的关键要素。该类别所提供的日常消耗品满足居民日常生活所需，因而更易集中分布在人口密集的区域。在各类中，文化、体育用品及器材类专门零售受人口密度的影响最小。文体用品及器材类零售多分布在学校、文化设施、体育设施周围，消费者往往是具有固定特征的某一类消费群体，不太容易受到总体客流量的影响。路网密度对综合零售类的影响最大，说明综合零售类商店多集中在路网密集区域。路网密度对文化、体育用品及器材类专门零售的影响最小，说明该类零售商店较少集聚在路网周围。该类专营店商品种类较为专一，营业面积相对小，主要面向特定消费者群体，不太依靠于交通所带来的人流量，因而对路网的依赖较低。地铁可达性对食品、饮料及烟草制品类影响最大。该类网点多集聚在地铁站周边，地铁人流带来了大量消费者。医药及医疗器械零售业类因在空间内分布均匀而受到地铁可达性的影响最小。商业地价对食品、饮料及烟草制品类影响最大，说明该类网点对商业地价最为敏感，很容易受到租金影响。而家用电器及电子产品类专门零售对于商业地价的敏感性最弱，说明该类网点承受租金的能力较强，人流量和高利润带来的收益可抵消高地价带来的成本开支。

4 结论

本研究基于深圳市零售业POI数据，运用核密度分析、最邻近指数、空间自相关分析方法，研究深圳市总体及不同类型零售业POI的空间分布特征，结合深圳市网格办实际管理人口数据、路网数据、地铁站点数据及商业地价数据，采用双变量Moran's I分析法，探讨了深圳市零售业空间格局的影响因素。主要得出以下结论：
核密度分析结果表明深圳市零售业总体空间分布模式呈现出“两核—三带—零星”式空间分布形态。“两核—三带”主要集聚在交通主干道及轨道线区域，呈现以交通干线为轴线的带状分布空间格局特征。“零星”区域主要集聚在“两核—三带”以外的区级行政中心附近，呈小范围零星集聚分布的点状分布形态。深圳市总体零售业规模表现出多层次的等级体系。空间分布极不均衡，呈现原关内地区密集、原关外地区零散，中西部密集、东部零散的特点。运用单变量全局Moran's I方法分析各类别零售业的空间自相关性，结果显示，零售业总体及各类别零售业具有明显的空间自相关性。结合各类别零售业的核密度以及双变量Moran's I分析结果，发现各类别零售业大都集中在深圳市中部和西部地区，空间分布具有集聚特征并存在明显差异。除了医药及医疗器械零售业在全市分布广泛且较为平均，其他类型零售多呈现明显的地理集中性，“两核”区域的零售业网点最为集聚，其他区域多围绕各区中心呈点状集聚。与居民日常生活息息相关的零售业类别在空间上相互关联紧密，而专业型、产业型零售业则在空间上形成独特的集聚特点。
深圳市各类零售业空间分布与影响因素的双变量Moran's I空间自相关分析结果显示，深圳市零售业总体受人口密度影响最大，受路网密度的影响次之，受商业地价和地铁可达性的影响较小。从不同类型零售业的影响因素来看，人口密度的影响力明显强于其他影响因子。人口密度、路网密度对综合零售类的影响最强，对文化、体育用品及器材类的影响最小。地铁可达性对食品、饮料及烟草制品类影响最大，对医药及医疗器械零售业类的影响最小。商业地价对食品、饮料及烟草制品类影响最大，对家用电器及电子产品类专门零售影响最小。
得益于地理大数据的发展，运用城市POI的精细化研究数据分析各类零售业的集聚分布与空间格局，进一步挖掘零售业态的影响因素差异，可为深圳市零售业发展和未来城市经济发展规划提供重要的参考依据。本研究仅聚焦深圳市零售业的年度空间格局和影响因素的分析，未来可结合多年份的POI数据进行比对，挖掘零售业的时空演变规律，进一步深化零售业的业态时空格局研究。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Christaller W. Central Places in Southern German[M]. London: Prentice Hall,1966.

[2]
Reilly W J. Methods of the study of retail relationships[R]. University of Texas Bulletin,1929.

[3]
巴顿. 城市经济学[M]. 北京: 北京商务印书馆,1984.

[4]
Huff D L. Defining and estimating a trade area[J]. Journal of Marketing, 1964, 28(3):34-38.

[5]
Brown S. The wheel of retailing:past and future[J]. Journal of Retailing, 1990, 66(2):143-149.

[6]
于伟, 王恩儒, 宋金平. 1984年以来北京零售业空间发展趋势与特征[J]. 地理学报, 2012, 67(8):1098-1108.

DOI

[7]
何永达, 赵志田. 我国零售业空间分布特征及动力机制的实证分析[J]. 经济地理, 2012, 32(10):77-82.

[8]
浩飞龙, 王士君. 长春市零售商业空间分布特征及形成机理[J]. 地理科学, 2016, 36(6):855-862.

DOI

[9]
陈蔚珊, 柳林, 梁育填. 基于POI数据的广州零售商业中心热点识别与业态集聚特征分析[J]. 地理研究, 2016, 35(4):703-716.

DOI

[10]
王娟. 基于消费者行为的零售业态演进研究[D]. 长沙: 中南大学, 2012.

[11]
饶传坤, 蔡异翔. 杭州市大型零售商业设施的空间扩展特征[J]. 经济地理, 2016, 36(2):117-124.

[12]
索超, 张浩. 高铁站点周边商务空间的影响因素与发展建议——基于沪宁沿线POI数据的实证[J]. 城市规划, 2015, 39(7):43-49.

[13]
李国旗, 金凤君, 陈娱, 等. 基于POI的北京物流业区位特征与分异机制[J]. 地理学报, 2017, 72(6):1091-1103.

DOI

[14]
李江苏, 梁燕, 王晓蕊. 基于POI数据的郑东新区服务业空间聚类研究[J]. 地理研究, 2018, 37(1):145-157.

DOI

[15]
郭洁, 吕永强, 沈体雁. 基于点模式分析的城市空间结构研究——以北京都市区为例[J]. 经济地理, 2015, 35(8):68-74,97.

[16]
蒋云良, 董墨萱, 范婧, 等. 基于POI数据的城市功能区识别方法研究[J]. 浙江师范大学学报:自然科学版, 2017, 40(4):398-405.

[17]
谷岩岩, 焦利民, 董婷, 等. 基于多源数据的城市功能区识别及相互作用分析[J]. 武汉大学学报:信息科学版, 2018, 43(7):1113-1121.

[18]
吴康敏, 张虹鸥, 王洋, 等. 广州市多类型商业中心识别与空间模式[J]. 地理科学进展, 2016, 35(8):963-974.

DOI

[19]
浩飞龙, 杨宇欣, 李俊璐, 等. 基于零售行业与消费者行为的城市商圈特征——以长春市重庆路、红旗街、桂林路为例[J]. 经济地理, 2019, 39(12):138-146.

[20]
阮一晨, 刘声, 李王鸣. 基于多源数据的城市公共中心体系识别——以杭州市萧山区为例[J]. 经济地理, 2019, 39(2):103-109.

[21]
陈洪星, 杨德刚, 李江月, 等. 大数据视角下的商业中心和热点区分布特征及其影响因素分析——以乌鲁木齐主城区为例[J]. 地理科学进展, 2020, 39(5):738-750.

DOI

[22]
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.

DOI

[23]
王艳华, 赵建吉, 刘娅娜, 等. 中国金融产业集聚空间格局与影响因素——基于地理探测器模型的研究[J]. 经济地理, 2020, 40(4):125-133.

[24]
薛冰, 肖骁, 李京忠, 等. 基于POI大数据的城市零售业空间热点分析——以辽宁省沈阳市为例[J]. 经济地理, 2018, 38(5):36-43.

[25]
浩飞龙, 王士君, 冯章献, 等. 基于POI数据的长春市商业空间格局及行业分布[J]. 地理研究, 2018, 37(2):366-378.

DOI

[26]
王法辉. 基于 GIS 的数量方法与应用[M]. 北京: 商务印书馆, 2009.

[27]
禹文豪, 艾廷华, 杨敏, 等. 利用核密度与空间自相关进行城市设施兴趣点分布热点探测[J]. 武汉大学学报:信息科学版, 2016, 41(2):221-227.

[28]
王洋, 杨忍, 李强, 等. 广州市银行业的空间布局特征与模式[J]. 地理科学, 2016, 36(5):742-750.

DOI

[29]
刘承良, 薛帅君. 上海市主城区公共服务设施网点分布的空间异质性[J]. 人文地理, 2019, 34(1):122-130,150.

[30]
Moran P A P. Notes on continuous stochastic phenomena[J]. Biometrika, 1950, 37(1/2):17-23.

[31]
杨晴青, 刘倩, 尹莎, 等. 秦巴山区乡村交通环境脆弱性及影响因素——以陕西省洛南县为例[J]. 地理学报, 2019, 74(6):1236-1251.

DOI

Options
文章导航

/

〈 〉