EN中文

经济地理 >

2020 , Vol. 40 >Issue 8: 18 - 26

DOI: https://doi.org/10.15957/j.cnki.jjdl.2020.08.003

区域经济与理论方法

空间因素在网络购物中的作用——基于广州市大学生网络购物的实证分析

  • 宋周莺 , 1, 2, 3 ,
  • 肖童 4
展开
  • 1.中国科学院 地理科学与资源研究所，中国 北京 100101
  • 2.中国科学院 区域可持续发展分析与模拟重点实验室，中国 北京 100101
  • 3.中国科学院大学 资源与环境学院，中国 北京 100049
  • 4.中山大学 地理科学与规划学院，中国广东 广州 510275

宋周莺（1983—），女，浙江缙云人，博士，副研究员，硕士生导师。主要研究方向为信息化与区域贸易等。E-mail：。

收稿日期: 2019-09-11

  修回日期: 2020-05-21

  网络出版日期: 2025-04-18

基金资助

国家自然科学基金项目(41371006)

国家自然科学基金项目(41671127)

收起

Dose Spatial Distance Factor Still Matter in Online Shopping Behavior：A Study of Undergraduates’ Online Shopping in Guangzhou

  • SONG Zhouying , 1, 2, 3 ,
  • XIAO Tong 4
Expand
  • 1. Institute of Geographic Sciences and Natural Resources Research，CAS，Beijing 100101, China
  • 2. Key Laboratory of Regional Sustainable Development Modeling，CAS，Beijing 100101, China
  • 3. College of Resources and Environment，University of Chinese Academy of Sciences，Beijing 100049, China
  • 4. School of Geographical and Planning，Sun Yat-Sen University，Guangzhou 510275，Guangdong, China

Received date: 2019-09-11

  Revised date: 2020-05-21

  Online published: 2025-04-18

Fold

摘要

空间距离是传统商业区位的关键影响因子。但随着电子商务的迅猛发展，空间因素在网络购物中的作用仍有待商榷，现有研究结论也因研究区域、研究对象不同而不同。大学生作为网络购物的主要群体之一，其年龄、教育、收入等个体因素方面差距较小，更有利于深入探析空间因素对网络购物的影响。文章基于广州市618份大学生调研问卷，运用多元线性回归、交叉表分析等方法分析大学生网络购物行为及其影响因素。结果表明：①广州市大学生网购指数为2.57，中心城区的网购指数较高，番禺区、黄埔区的网购指数较低。②大学城内外、距实体店距离等空间因素对大学生网购指数有较大影响，月支出、性别、交通可达性等因素对网购指数具有一定影响。③大学城内的生活空间与消费空间存在较高程度的重叠，导致大学城内外的学生对饰品、日用百货和图书等商品的网购偏向差异较大。④实体店分布对大学生网购的影响相对比较复杂，呈倒“U”型关系，因实体店分布密度不同分别呈抑制、替代、补充、促进等关系。

关键词： 网购行为; 空间因素; 大学城; 实体店分布; 大学生; 交通可达性

本文引用格式

宋周莺 , 肖童 . 空间因素在网络购物中的作用——基于广州市大学生网络购物的实证分析[J]. 经济地理, 2020 , 40(8) : 18 -26 . DOI: 10.15957/j.cnki.jjdl.2020.08.003

Abstract

Physical distance is one of the most important factors that decide the location of traditional business. Since the 1990s,with the rapid development of internet technology,mobile phone,express delivery system,online shopping have entered into people's daily life in China and became an important business form. Existing geographical literature has focused on the role of spatial distance in online shopping,but the results vary according to different research areas and research objects. This paper tries to answer this question,by a case study of undergraduates' online shopping in Guangzhou,China. As one of the main groups of online shopping,undergraduates have a tiny gap in age,education,income and other individual factors,who are more conducive to an in-depth analysis of the impact of spatial factors in online shopping. Based on 618 questionnaires of undergraduates of 16 universities in Guangzhou,this paper applies to correlation analysis and spatial analysis method to analyze the impact of spatial factors on undergraduates' online shopping. The results show that:1) The online shopping index of undergraduate (UOSI) in Guangzhou is 2.57,which is higher in Yuexiu District and Haizhu District,and lower in Panyu District and Huangpu District. 2) The two spatial factors,inside or outside the university town(X1) and the distance from physical stores(X2),have an observable influence on UOSI. Monthly expenditure(X5),transport accessibility(X3),and gender(X4) have certain impact on the UOSI,while other factors have almost none influence. 3) There is an inevitable consumption space overlap inside the university town. Undergraduates outside the university town tend to purchase online,especially daily department stores,cosmetics/toiletries,digital products,etc.,and their proportion of online shopping expenditure is relatively high. While undergraduates inside the university town tend to purchase physical goods,mostly daily department stores,digital products,books,etc.,and their proportion of online shopping expenditure is relatively low. 4) The impact of the distribution of physical stores on UOSI is relatively complex,showing an inverted "U" type relationship. Due to the different distribution density of physical stores,the relationships between physical stores and online shopping would be restraint,substitution,supplement,promotion,and stability.

Key words： online shopping behavior; spatial factor; university town; distribution of physical stores; undergraduates; traffic accessibility

21世纪以来，随着信息技术、互联网、电子支付的快速发展，中国电子商务发展迅猛。2017年，中国电子商务交易规模达29.16万亿元，占全国社会消费品零售总额的79.63%①。近年来，随着智能手机及移动互联网的迅速普及，中国电子商务发展呈现出消费模式共享化、设备智能化和场景多元化的特征。同时，也为B2C、C2C等网络购物型电子商务的迅速发展创造了良好条件。在此态势下，B2C、C2C等以消费者为主的网络购物逐渐成为电子商务发展最迅猛的方向之一。2018年底，中国网络购物用户规模达6.10亿，手机网络购物用户规模达5.92亿，网络购物市场规模超8万亿②。2014—2018年，天猫“双11”交易额从751亿元增长到2 135亿元，年均增速达39.06%。
网络购物逐渐成为学术界关注的热点话题之一，经济学、管理学、地理学等领域均有所涉及。管理学和经济学领域主要关注网络购物行为及社会经济因素对网络购物的影响。研究认为性别、收入、年龄、教育等个人特征对网络购物影响较大，而购物动机、产品特征、购物模式也是影响网络购物的主要因素[1⇓⇓⇓⇓⇓⇓⇓-9]。在这个过程中，学者们开始关注不同社会群体的网络购物特征，其中，大学生群体也逐渐引起学者们的注意。例如，Cherrett等研究认为大学生更倾向于网络购买[10]；杨梅等指出服装是大学生网络购物的主要商品，安全因素、消费成本、服务因素是主要影响因素[11-12]。而地理学关于网络购物的研究主要围绕空间因素展开，特别是网络购物的空间分异及其影响因素。部分研究从网络购物的空间分异角度入手，认为地理位置在网络购物中仍起重要作用[13⇓⇓-16]；其他研究关注空间因素对网络购物的影响，认为商品配送成本、个人特征、交通出行方式、实体店分布等因素对网络购物有较大影响[15,17⇓-19]。

1 理论框架与研究方法

1.1 调查问卷与样本统计

研究组对广州市16所大学的大学生进行调研，样本选择主要考虑选择不同类型的大学和空间分布的均匀性，采用随机调查的方式。本次问卷调查共回收问卷751份，筛选出全日制学生并排除本科学历以下问卷及无效问卷，得到有效问卷618份。在有效问卷中，331个样本分布在大学城外，287个样本分布在大学城内；男、女比例分别为51.26%和48.73%。

1.2 理论框架构建

1.2.1 网购指数

为了比较综合地衡量大学生的网络购物行为特征，本文基于已有文献的研究成果[2,9-10]，选取网购支出占每月总购物支出的比重、平均网络购物频率及网络购物各类商品偏向度3个指标，构建大学生网络购物指数（UOSI）。3个指标根据调研问卷结果进行赋值0~5（表1）；在此基础上，取3个指标的平均值构建大学生网购指数。
表1 各因变量选项赋值情况

Tab.1 Assignment of each dependent variable

赋值 0 1 2 3 4 5
网购支出占比（%） - 0~20 20~40 40~60 60~80 80~100
网购频率 从不购物 较少购物 每年5~10次 每月1~3次 每周1~3次 几乎每天
各类商品购物偏向 没买过 完全实体 偏向实体 均等 偏向网购 完全网购

1.2.2 影响因素

由于大学生群体本身的知识文化水平、收入水平等方面的特殊性，其网络购物的影响因素必定与其他群体存在差异。已有研究表明，性别、收入、支出、年龄、教育等个体因素是影响网络购物的重要因素。我国大学生的年龄、教育水平基本相当，因此，不考虑年龄、教育两个因素。另外，大学生普遍为无收入人群，其消费支出主要来自父母，因此大学生群体的网络购物行为主要是受其家庭收入的影响。基于此，本文主要考虑性别（X4）、家庭收入（X5）、月支出（X6）3个个体因素（图2）。
图1 广州市案例区示意图

Fig.1 Case study area in Guangzhou City

图2 大学生网络购物的理论模型

Fig.2 Conceptual model of undergraduates' online shopping and its impact factors

基于网络购物发生的两种假设，技术扩散与效率优先，实体店分布、交通可达性对网络购物具有较强影响[14,22]。大学城是中国近年来城市建设中比较特殊的一种空间现象，大规模的大学生集聚在城市郊区某一空间范围内。广州大学城建设时期不长，其主要商业零售集中在大学城中心偏北处，其他配套设施尚不完善。因此，本文选择大学城内外（X1）、实体店分布（X2）、交通可达性（X3）3个因素作为影响大学生网络购物的空间因素（图2）。
商品特征也是影响网络购物的主要因素之一[2,4]。本文在构建网购指数时选取网络购物商品偏向度这个指标，以分析大学生网络购物的各类商品偏向，因此不考虑商品类型这个因素。在网络购物中，商品的物流配送是影响网络购物的重要因素[20]，本文重点考虑商品运输时长（X7）、商品运输费用（X8）、商品发货地（X9）等3个因素作为影响大学生网络购物的商品因素（图2）。

1.3 数据处理

空间因素中，大学城内外（X1）通过赋值法进行量化，大学城外赋值0，大学城内赋值1。实体店分布（X2）运用广州市商业业态的POI数据进行核密度分析；将大学作为点数据导入ArcGIS（为了与下面保持一致）进行点距离计算，得到大学到各类商业实体店铺的距离；然后再计算1~5 km不同圈层范围内的实体店分布。交通可达性（X3）是基于广州市路网数据，采用最短路径法计算不同大学点数据的可达性[26]。
性别（X4）、月支出（X5）、家庭收入（X6）等消费者个人因素均通过赋值法进行量化。其中，性别（X4）因素根据男性、女性分别记为1、2；月支出（X5）按照月支出≤800元、800~1 250元、1 250~1 750元、1 750~2 500元、2 500~4 000元分成5个等级，赋值1~5；家庭收入（X6）按照家庭年收入≤1万元、1~5万元、5~10万元、10~20万元、≥20万元分成5个等级，赋值1~5。
图3 大学生网购指数的空间差异

Fig.3 Spatial characteristics of UOSI in Guangzhou

商品因素中，商品运输时长（X7）、运费（X8）因素是基于调研问卷结果，通过赋值法进行量化。其中，商品运输时长按7天以上、5~7天、3~5天、2~3天、1天以内分别赋值1~5；运费按20元以上、10~20元、5~10元、1~5元、0元分别赋值1~5。商品发货地（X9）运用核密度分析进行量化处理。具体将广州市作为点数据代入ArcGIS，测算商品发货地与广州市的点距离。

1.4 研究方法

1.4.1 多元线性回归

本文采用多元线性回归模型分析大学生网购行为的影响因素，模型为：
Y = a 0 + a 1 X 1 + a 2 X 2 + … + a i X i + b
式中：a0为常数项；a1、a2、…、ai为回归系数；b为误差项。本文分别以网购指数（Y）、网购支出占比（Y1）、网购频率（Y2）、网购商品偏向度（Y3）为因变量，9个影响因素（X1，X2、…、X9）为自变量。

1.4.2 交叉表分析法

本文采用交叉表解析广州大学生群体网络购物指数（Y）与影响因素之间是否存在关系。交叉表分析法是利用统计表使各变量值成为不同变量的结点，从而分析变量的相关关系。

2 大学生网络购物行为特征

测算结果显示，广州市大学生网购指数为2.57。从空间特征看，越秀区、海珠区的大学生网购指数最高，分别为2.88、2.80；天河区、白云区的大学生网购指数其次，分别为2.71、2.60；番禺区、黄埔区的大学生网购指数相对较低，均低于广州市平均水平2.57。主要因为越秀区、海珠区、天河区是广州市中心区域，实体店数量较多，更易刺激大学生的购物消费。而白云区、番禺区、黄埔区不是城市中心区域，实体店分布相对密度较小，会在一定程度上减小对购物消费的刺激，从而影响网络购物指数。

2.1 网购支出占比

大学生网购支出占比指标值为2.88。从空间看，越秀区、海珠区的网购支出占比值较高，分别为2.47、2.45；番禺区、黄埔区的网购支出占比值较低，分别为1.89、1.67。从受访者看，整体网购支出占比约为40%。其中，43.85%的受访者网购支出占比低于20%；41.26%的大学生网购支出占比超过40%，其中，32.85%大学生的网购支出占比为40%~60%。

2.2 网购频率

大学生网购频率指标值为2.08。从空间看，越秀区、天河区的网购频率指标值较高，分别为3.06、2.95；白云区、番禺区、黄埔区的网购频率指标值较低，分别为2.70、2.66、2.56。问卷结果显示，所有受访大学生均有网络购物经验，77%以上的大学生每周至少进行一次网购，55.34%的每月3~5次购物，21.20%的每周2~3次购物，20.71%的较少购物。
表2 大学生每月网购支出占比

Tab.2 Share of online shopping expenditure for undergraduates in Guangzhou

0~20% 20%~40% 40%~60% 60%~80% 80%~100% 合计
人数（人） 271 92 203 10 42 618
占比（%） 43.85 14.89 32.85 1.62 6.80 100.00
表3 大学生购物频率

Tab.3 Frequency of online shopping for undergraduates in Guangzhou

几乎每天 每周2~3次 每月3~5次 每月1~2次 较少购物 从不购物 合计
人数（人） 3 131 342 14 128 0 618
占比（%） 0.48 21.20 55.34 2.27 20.71 0.00 100.00

2.3 网购商品偏向

大学生网购商品偏向指标值为2.76。越秀区、海珠区的网购商品偏向度指标值较高，分别为3.12、3.10；番禺区、黄浦区的网购商品偏向度指标值较低，分别为2.76、2.69。在大学生日常购物较多的7类商品中，办公设备/图书/音像制品、服饰/鞋靴/箱包两类商品倾向于网购，其网购偏向度指数分别为3.46、3.36；食品/零食/生鲜、饰品/眼镜/手表两类商品相对偏向于实体购物，其网购偏向度指数分别为2.52、2.48（图4）。
图4 学生的商品购物偏向

Fig.4 Commodity bias of online shopping for undergraduates in Guangzhou

3 大学生网络购物行为的影响因素

回归分析结果显示（表4），大学城内外（X1）、距实体店距离（X2）2个空间因素对大学生网购指数均有较大影响，月支出（X5）、交通可达性（X3）、性别（X4）3个因素对网购指数具有一定影响，其他因子对大学生网购指数的影响均不显著。
表4 回归分析结果

Tab.4 Regression results for dependent variables

自变量 因变量
网购指数（Y） 网购支出
占比（Y1）		 网购频率（Y2） 网购
偏向度（Y3）
大学城内外（X1） 0.412** 0.327* 0.326 0.402**
距实体店距离（X2） 0.349* 0.351** 0.301
交通可达性（X3） 0.215* 0.174 0.206
性别（X4） -0.182** -0.112 -0.192*
月支出（X5） 0.304 0.328** 0.103***
家庭收入（X6） 0.121*
商品运输时间（X7） 0.173**
运费（X8） 0.133* 0.146 0.201
商品发货地（X9） 0.101 -0.053** 0.116***

注：*、**、***分别表示显著性水平<0.05、<0.01、<0.001。

3.1 大学城内外

大学城内外因子（X1）对网购偏向度（Y3）影响较大，对网购支出占比（Y1）、网购频率（Y2）的影响均相对较小。主要因为广州市大学城建设时期不长，其主要商业零售集中在大学城中心偏北处，其他配套设施尚不完善。相较于市区大学，大学城的实体店铺距离较远、种类较少、分布密度较低，对大学城内学生网购的刺激能力不强；同时，由于大学城在实体空间上消费和生活的高度一体化，大学城内大学生更偏向于网购日用品、办公用品等。
表5 大学城内外网购指数

Tab.5 The difference of UOSI inside and outside the university town

大学城内 大学城外 总和
网购支出占比 1.8905 2.2407 2.0776
网购频率 2.6619 2.8465 2.7605
网购商品偏向度 2.7755 2.9739 2.8815
服饰/鞋靴/箱包 3.3238 3.3983 3.3636
美妆/洗护用品 2.6714 2.8714 2.7783
饰品/眼镜/手表 2.3238 2.6307 2.4878
数码产品（手机相机等） 2.7000 2.9336 2.8248
食品/零食/生鲜 2.5048 2.5519 2.5299
日用百货（毛巾衣架等） 2.5857 2.8548 2.7295
办公设备/图书/音像制品 3.3190 3.5768 3.4568

3.1.1 大学城内外对大学生网购商品偏向的影响较大

大学城内外的网络购物商品偏向存在较明显的空间差异，特别是饰品、日用百货和图书三类商品的网购偏向度差异较大。如图5所示，大学城内学生购买饰品、日用百货、图书类的偏向度为2.63、2.85、3.58，而大学城外学生的购买偏向度分别为2.32、2.59、3.32。而在服饰和食品的购买偏向上，大学城内外差异不大。可见，大学城内存在一定的空间叠加现象，也就是大学城内大学生的生活空间与消费空间存在较高程度的重叠。这与大学城实体空间中生活消费高度一体化相关，因此大学城内部学生更倾向于在大学城内的实体店铺购买日用百货、图书等。
图5 大学城消费者各类商品购物偏向

Fig.5 Commodity bias of online shopping for undergraduates inside and outside the university city

3.1.2 大学城外学生网购频率、网购支出占比更高

大学城内外（X1）对网购支出占比（Y1）、网购频率（Y2）均有一定影响，影响因子分别为0.327、0.326。从网购支出占比看，大学城外学生各种商品的网络购买频次比大学城内高，而实体购买频次则比大学城内低。大学城外网购支出占比约为44%，大学城内支出占比约为37%。大学城外学生网购支出占比超过40%的学生占比为45.6%，大学城内学生则为32.9%。从网购频率看，大学城外学生网购频率指数为2.85，高于大学城内2.66。大学城外每周网购的人数占比为78.9%，较少购物的人数占比为17.4%；大学城内每周网购的人数占比为72.4%，较少购物的人数占比为25.7%。

3.2 实体店分布

实体店分布（X2）对大学生网购指数也有较大影响，影响因子达0.349。如图6所示，越秀区、海珠区、天河区、白云区的大学周边商业集聚明显，番禺区、黄埔区商业分布较少。其中，天河区金融商务等生产型服务业集聚明显，商业业态集中；越秀区消费型服务业发达，商业业态较集聚；海珠区超市、商场等商业业态分布较完善；白云区、番禺区、黄埔区发展相对较晚，商业业态集聚相对较低。另外，大学城内商业业态集聚明显较低。
图6 广州市各类实体店空间分布的核密度分析图

Fig.6 Kernel density figures of spatial distribution of various physical stores in Guangzhou

实体店分布对网络购物的影响比较复杂，总体呈倒“U”型关系，因实体店分布密度不同分别呈抑制、替代、补充、促进、稳定等关系。研究发现，核心圈层内实体店分布越集中，越容易带动消费者的购物需求，消费者也可以便利地通过实体店直观了解商品信息，但在时间充裕的情况下，消费者可以对比网购价格而最终选择网络购物。商业业态分布较少的地区，其商品价格相对市区较高，不少受访者更愿意前往市区进行购物；但受交通可达性及时间成本的影响，总的购物频率会相应降低。
在回归分析基础上，结合大学生访谈结果及已有文献[21]，可以归纳出下面几种实体购物与网络购物的空间关系。①在实体商业不发达地区，商业消费氛围淡薄，一定程度抑制所在区域大学生的整体购物需求，从而影响大学生网络购物。这种情况下，网购支出占比、网购频率、网购偏向度指数均较低，实体店购物与网络购物是独立、抑制关系。②随着核心圈层内实体店数量增加（50<实体店数量<260），能提高消费者购物欲望，但实体商业并不能满足大学生购物需求，因此网络购物成为大学生的极优选择。同时，随着店铺进一步集聚，消费者选择范围增加，进行信息筛选所需的时间成本增加，在时间有限的情况下，大学生更愿意在网上进行更便捷的信息筛选，网络购物的需求进一步增加。在这种情况下，网购指数有所提高，网络购物对实体购物呈一定的替代。③随着商业实体进一步集聚（260<实体店数量<570），实体商业可以满足大学生的大部分购物需求，而且实体店更具便利性、体验性、可观性、没有配送环节等，学生对于网络购物的依赖出现一定程度的下降。在这种情况下，网购指数逐渐下降，网络购物对实体购物起一定的补充作用。④当实体店高度空间集聚时（实体店数量>570），大量的实体店为消费者提供直接的商品信息，消费者可以通过对比网络与实体店的价格进行选择，可选择范围增加，在“货比三家”的心理下实体购物所需时间增加。访谈发现，大学生希望减少购物花费的时间，促使网购指数再次上升并最终趋于稳定。
表6 大学城内外消费者购物频率

Tab.6 Frequency of online shopping for undergraduates inside and outside the university town

网购频率 几乎每天 每周2~3次 每月3~5次 每月1~2次 较少购物 从不购物 合计
大学城 人数（人） 0 56 152 6 73 0 287
占比（%） 0.00 19.50 52.90 1.90 25.70 0.00 100.00
大学城外 人数（人） 3 70 191 10 57 0 331
占比（%） 0.80 21.20 57.70 2.90 17.40 0.00 100.00
图7 实体店数与网购指数的折线图

Fig.7 Fold line diagram of the relationship between physical stores and UOSI

3.3 月支出

月支出（X4）对大学生网络购物存在较大影响，尤其是对网购支出占比（Y1）。总体来说，月支出越高的学生网购支出占比也越高；但月支出超过2 500元的学生，其网购支出占比呈下降态势。具体来说，月支出在800元以下的学生网购支出20%以上的有46.7%；月支在800~1 250元的学生网购支出占20%以上的有72.4%；月支出1 250~2 500元的学生网购支出占20%以上的有84.6%；月支出在2 500~4 000元的学生网购支出占20%以上的有66.7%。根据理性行为理论，月支出越多的人，其消费的可选择性越高，执行网络购物的行为力更强，也就更有可能进行网络购物[24-25]。

3.4 交通可达性

交通可达性（X3）对大学生网购指数，特别是网购支出占比（Y1）、网购频率（Y2）存在一定影响。从网购频率看，交通可达性越高的大学，学生的网购频率更高。交通可达性达到85以上的大学，大学生每周网购的比例达78.4%；交通可达性低于62的大学，大学生每周网购的比例为70.2%。可见，路网密度越高的中心区域，大学生越倾向于网购。一方面，交通可达性越高的区域，大学生越能通过实体购物满足购物需求，同时也促进大学生通过对比网络与实体店的价格进行选择，促使网购指数上升。另一方面，交通可达性越高的区域，快递服务业发展越完善，提高网络购物的配送环节，从而带动大学生网购。

3.5 性别

性别（X4）对大学生网购商品偏向度（Y3）、网购频率（Y2）存在一定影响。从网购频率看，男大学生总体网购频率比女大学生高，但女大学生高频网购的比例更高，男、女大学生每周网购的比例分别为75%、77.2%。男性大学生中，20%男生较少购物，而16%男生网购频率较高；女性大学生结果相反，22.1%女生较少购物，而23.6%女生网购频率较高（表7）。这与男生更易于接受新事物，并更敢于面对风险有密切联系[7,23]；同时，男性相较于女性对在实体店铺中购物的倾向度更弱，在一定程度上也增加了男性的网购频次。从具体的网购商品类型看，除日常生活用品外，男性更多地购买数码产品、办公设备/图书/音像制品，而女性更倾向于购买美妆/洗护用品、服饰/鞋靴/箱包等[7]。
表7 性别与网购指数的交叉分析结果

Tab.7 Cross analysis of gender and UOSI

行为特征指标 男（性别内%） 女（性别内%） 总计（%）
网购频率 较少购物 20.2 22.1 21.3
每月1~2次 4.8 0.8 2.4
每月3~5次 58.5 53.2 55.4
每周2~3次 16.0 23.6 20.4
几乎每天 0.5 0.4 0.4
网购偏向度 完全实体 3.2 0.8 1.8
偏向实体 23.9 27.8 26.2
均等 52.1 59.3 56.3
偏向网购 19.1 11.8 14.9
完全网购 1.6 0.4 0.9

4 结论与讨论

4.1 结论

进入21世纪，中国网络购物市场逐渐成熟。2013年我国网络零售额超越美国，成为全球第一大网络零售市场。近年来，随着网络购物对社会经济空间组织和居民消费出行的影响逐渐加深，学术界开始逐渐关注网络购物相关研究。地理学者对网络购物的研究主要关注网络购物的空间分异及其影响因素，争论的焦点是地理位置和距离在网络购物中的作用。大学生作为网络购物的重要群体，其年龄、教育、收入等个体因素影响较小，有助于更深入地分析地理因素在网络购物中的影响。在此背景下，本文基于广州市大学生618份问卷，分析广州市大学生的网络购物行为，并从空间因素、消费者个人因素、商品因素等方面深入探析网络购物的影响因素。
研究结果显示：①广州市中心城区越秀区、海珠区的大学生网购指数最高，相对郊区的番禺区、黄埔区的大学生网购指数较低。②大学城内外（X1）、实体店分布（X2）两个空间因素对大学生网购有较大影响，月支出（X5）、交通可达性（X3）、性别（X4）三个因素对网购指数具有一定影响。③大学城内学生的生活空间与消费空间存在较高程度的重叠，导致大学城内外（X1）对大学生网购商品偏向的影响较大，特别是饰品、日用百货和图书三类商品的网购偏向度差异较大。④实体店分布（X2）对于大学生网购行为的影响相对比较复杂，呈倒“U”型关系，实体店与网络购物存在抑制、替代、促进、补充等关系。

4.2 讨论

本文以大学生作为研究对象分析空间因素对网络购物的影响，在一定程度上弱化了经济社会因素对于网络购物的影响，从而可以更好地分析空间因素。研究显示，空间因素对大学生网购指数存在较大影响，其影响甚至超过个人因素、商品因素。同时，基于网络购物与实体店之间的关系，本文归纳出抑制、替代、促进、补充等几种实体购物与网络购物的空间关系，进一步印证了国内外学术界关于空间因素在网购中作用的讨论[14⇓⇓⇓⇓⇓⇓、21]。
当然，本文也存在一些不足。主要是本文的调研问卷样本量较小，可能会使分析结果存在一定的偏差。同时，由于问卷样本范围仅涉及广州市六个城区，研究结果对城市郊区、其他城市的适用性还有待进一步论证。在未来研究中，还需要进一步探讨不同社会群体、不同区域的网络购物特征及其影响因素；同时，也可以进一步研究大学城的空间叠加问题。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Farag S, Dijst M, Lanzendorf M. Exploring the use of e-shop-ping and its impact on personal travel behavior in the Netherlands[J]. Transportation Research Record, 2003, 1858:47-54.

[2]
Lim Y J, Osman A, Salahuddin S N, et al. Factors influencing online shopping behavior:the mediating role of purchase intention[J]. Procedia Economics and Finance, 2016, 35:401-410.

[3]
Díaza A, Gómez M, Molina A. A comparison of online and of-fline consumer behaviour:an empirical study on a cinema shopping context[J]. Journal of Retailing and Consumer Services, 2017, 38:44-50.

[4]
Heng Y, Gao Z F, Jiang Y, et al. Exploring hidden factors be-hind online food shopping from Amazon reviews:a topic mining approach[J]. Journal of Retailing and Consumer Services, 2018, 42:161-168.

[5]
Gefen D. E-Commerce:the role of familiarity and trust[J]. The International Journal of Management Science, 2000, 28:725-737.

[6]
谭江伟, 窦维. 大学生网络购物行为调查研究[J]. 重庆理工大学学报:社会科学版, 2011, 25(9):56-59.

[7]
李芳. 80后网络消费行为性别差异研究[D]. 上海: 上海师范大学, 2013.

[8]
Liao C, Lin H, Luo M M, et al. Factors influencing online shop-pers’ repurchase intentions:The roles of satisfaction and regret[J]. Information & Management, 2017, 54(5):651-668.

[9]
Kawaf F, Tagg S. The construction of online shopping experi-ence:A repertory grid approach[J]. Computers in Human Behavior, 2017, 72:222-232.

[10]
Cherrett T, Dickinson J, McLeod F, et al. Logistics impacts of student online shopping-Evaluating delivery consolidation to halls of residence[J]. Transportation Research, 2017, 78:111-128.

[11]
杨梅, 周正柱. 新媒体背景下大学生网络行为特点及其引导策略[J]. 黑龙江高教研究, 2018, 36(12):118-121.

[12]
徐士莹, 杨加猛. 大学生“双十一”期间网络购物意愿的影响因素分析[J]. 经济研究导刊, 2018(32):160-162.

[13]
Sinai T, Waldfogel J. Geography and the Internet:is the Inter-net a substitute or a complement for cities?[J]. Journal of Urban Economics, 2004, 56:1-24.

[14]
Farag S, Krizek K J, Dijst M. E-shopping and its relationship with in-store shopping:Empirical evidence from the Netherlands and the USA[J]. Transport Reviews, 2006, 26(1):43-61.

[15]
席广亮, 甄峰, 汪侠, 等. 南京市居民网络消费的影响因素及空间特征[J]. 地理研究, 2014, 33(2):284-295.

DOI

[16]
孙智群, 柴彦威, 王冬根. 深圳市民网上购物行为的空间特征[J]. 城市发展研究, 2009, 16(6):106-112.

[17]
韩钰, 杜建会, 郭鹏飞. 基于SPSS的中国网络团购市场发展趋势及其区域差异研究[J]. 经济地理, 2011, 31(10):1660-1665.

[18]
汪明峰, 卢姗. B2C电子商务发展的路径依赖:跨国比较分析[J]. 经济地理, 2009, 29(11):1861-1866.

[19]
黄鹤婷, 赵冬梅. 在线消费者的心理距离及其测度方法研究——基于解释水平理论的视角[J]. 经济研究参考, 2013(14):42-48.

[20]
Shi K, Vos J D, Yang Y, et al. Does e-shopping replace shop-ping trips?Empirical evidence from Chengdu,China[J]. Transportation Research, 2019, 122:21-33.

[21]
汪明峰, 卢姗, 邱娟. 网上购物对城市零售业空间的影响:以书店为例[J]. 经济地理, 2010, 30(11):1835-1840.

[22]
汪明峰, 卢姗. 替代抑或补充:网上购物与传统购物出行的关系研究[J]. 人文地理, 2012, 27(3):44-49.

[23]
周江平, 刘素娜. 大学生网购状况及其性别差异[J]. 辽宁科技大学学报, 2011, 34(3):333-336.

[24]
张辉, 白长虹, 李储凤. 消费者网络购物意向分析——理性行为理论与计划行为理论的比较[J]. 软科学, 2011, 25(9):130-135.

[25]
李先国, 杨晶, 刘雪敬. 时间压力和参照群体对消费者网络团购意愿的影响[J]. 中国软科学, 2012(4):117-124.

[26]
吴旗韬, 张虹鸥, 叶玉瑶, 等. 基于交通可达性的港珠澳大桥时空压缩效应[J]. 地理学报, 2012, 67(6):723-732.

DOI

Options
文章导航

/

〈 〉