EN中文

Economic geography >

2021 , Vol. 41 >Issue 12: 22 - 32

DOI: https://doi.org/10.15957/j.cnki.jjdl.2021.12.003

Spatial Differentiation and Influencing Factors of Livestreaming Ecommerce Development Level in China：A Case of Douyin

  • MA Fangfang ,
  • DING Zhiwei , ※
Expand
  • The College of Geography and Environmental Science & Key Laboratory of Geospatial Technology for the Middle and Lower Reaches of the Yellow River，Ministry of Education & Research Center of Regional Development and Planning & National Demonstration Center for Environment and Planning，Henan University，Kaifeng 475004，Henan，China

Received date: 2021-03-10

  Revised date: 2021-11-03

  Online published: 2025-03-31

Fold

Abstract

Based on the quantity,sales volume and marketing potential of Douyin ecommerce livestreaming,selecting eight typical types as an example,this study analyzes the spatial characteristics of ecommerce livestreaming marketing level by the means of spatial interpolation,spatial autocorrelation and Gini coefficient,and uses the geographic detector model to explore its influencing factors. The results show that: 1) From the perspective of spatial distribution,it presents that the Yangtze River Delta,the Pearl River Delta and the Beijing-Tianjin-Hebei region maintain a leading position,followed by Chengdu-Chongqing region and Central Plains region,the northwest and southwest regions are relatively lagging behind. 2) From the perspective of spatial correlation pattern,there is a spatial agglomeration phenomenon in the development level of livestreaming ecommerce. Significant HH areas mainly distribute in the core cities of Jiangsu,Zhejiang and Guangdong,and significant LL areas mainly concentrate in Qinghai,Sichuan and Yunnan. 3) From the perspective of uneven development,it presents obvious agglomeration on the number of ecommerce livestreaming host,sales,and marketing potential,and has gradient difference between regions. In terms of specific conditions,a few developed cities,such as Hangzhou,Guangzhou,and Beijing,lead the development of the livestreaming industry,which has a significant radiating and leading role in the surrounding areas. The development level of ecommerce livestreaming is at the inferior level in the underdeveloped areas,and there is a large gap with the leading cities in the east. 4) Ecommerce livestreaming is mainly affected by seven aspects which are ecommerce environment support,information development level,economic strength support,transportation logistics level,government strategy and policy,population quality level and specialized operation.

Key words： livestreaming marketing; ecommerce economic; quantity of anchors; marketing potential; information development level; transportation and logistics; education level

Cite this article

MA Fangfang , DING Zhiwei . Spatial Differentiation and Influencing Factors of Livestreaming Ecommerce Development Level in China：A Case of Douyin[J]. Economic geography, 2021 , 41(12) : 22 -32 . DOI: 10.15957/j.cnki.jjdl.2021.12.003

随着数字技术的革新，淘宝在2016年正式推出直播带货业务，使传统线下销售与线上直播经营相结合，迅速拉动了新型电商的数字化转型。2018年抖音、快手等社交平台抓住变革契机，形成了以电商销售为主体，以生活娱乐为辅助的多元销售模式，促使中国电商体系进一步完善，呈现出全新的业态。2020年受新冠疫情的影响，实体经济发展受到严重打击，直播带货的发展为加快复工复产、促进经济复苏提供了新契机，“直播电商”更是以“2020最强热词”的架势席卷全国。同时，2020年国务院办公厅发布《国务院办公厅关于以新业态新模式引领新型消费加快发展的意见》，提出要推动线上线下融合消费双向提速，鼓励实体商业通过直播电子商务新模式促进品牌消费[1]。由上述的电商经济发展变化可知，直播带货作为新业态新模式，促进了数字技术与实体经济的深度融合，对新一轮的电商经济转型、数字经济高质量发展具有重要的时代意义。
作为目前最具活力的商业形态，国内外学者对于电子商务业的研究逐渐增多。国外学者对于电子商务的研究多基于企业视角，一方面集中在电子商务的经营策略、经营模式、售后服务[2⇓-4]等方面；另一方面则集中在网站安全、产品吸引、网店评价等外在因素对线上购物产生的影响[5⇓-7]。国内学者一方面集中在电子商务发展的特点和趋势[8⇓-10]、发展水平的测度[11]、发展路径及模式[12]等社会学视角的研究；另一方面则基于地理学视角集中于电子商务空间组织的影响[13⇓⇓-16]、企业空间组织集聚与扩散[17-18]，以及区域发展水平差异及影响因素[19⇓⇓⇓-23]等。作为电子商务新业态新模式，直播带货不仅成为政府部门关注的民生产业，而且吸引了学术界对其产生的内在理论逻辑展开研究。通过文献梳理，大致可以从平台视角和消费者视角对直播带货进行电商经济的内在支撑分析。平台视角的研究大多关注直播带货走红的原因、发展现状与发展趋势、存在的问题与对策[24-25]以及带货主播特征[26⇓⇓-29]等；消费者视角的研究则多为消费者参与直播带货的行为动机、购买意愿[30⇓-32]等。关于直播带货的研究虽涉及多个领域，但基于地理视角对直播带货空间集聚的研究较为缺乏，仅发现彭珏从粉丝经济角度出发对抖音直播带货主播的空间分布格局进行了探讨[33]。可见，对于直播带货的研究多侧重于传播学、社会学、经济学的理论分析，缺乏对空间分布差异的地理学分析，也缺乏其背后空间差异的机理性解释。
直播带货作为振兴乡村的新力量，改变了传统的生产、销售、服务环节，使经营者直面消费者的各种需求，促进了电商模式的迭代升级。与传统电商不同的是，直播电商渠道关键在于带货主播，消费者由主动搜索商品改为接受主播推荐选品，带货主播成为新消费场景下的核心角色和流量入口。抖音作为日活量超四亿的流量收割大户，2020年电商直播市场交易规模已占据全国直播带货市场份额的21%[34]，因此在评价中国直播带货发展水平时具有一定代表性。基于此，本研究通过飞瓜大数据网站获取抖音带货主播的属性信息，研究中国抖音带货主播的数量、销售额及营销潜力的空间分布格局，并探索其空间分布格局的背后地理学支撑，以期为直播带货型电商产业的转型发展、高质量发展起到理论支撑和实践引导作用。

1 评价指标与数据来源

1.1 评价指标

从已有的直播带货表征指标看，主要通过带货量、销售额、粉丝粘性等指标进行反映，因此本研究主要采取各城市带货主播的数量总和、总销售额以及营销潜力三个方面的指标进行表征。带货主播的数量不仅能反映出各城市直播带货的密集分布特征，也能表征城市内部直播带货行业发展的活跃程度；总销售额是地区主播带货能力的体现，能直接反映出城市的直播带货销售水平；城市内部各个抖音带货主播的粉丝量、销售额、点赞量三项指标是反映潜在销售水平的核心指标，也能反映出带货主播的自身营销力。因此营销潜力选择这三项指标进行运算处理。营销潜力的具体计算方法如下：
F = ∑ i = 1 m X i
式中：F代表营销潜力； X i=（粉丝量指数+销售额指数+点赞量指数）/3；m为抖音带货主播数量。
城市抖音带货主播的营销潜力属于传统电子商务发展水平与互联网直播深度结合的产物，本研究基于文献综述[14,17⇓⇓⇓⇓⇓-23,33]的成果，对相关研究中影响因子进行频数统计，结果如图1。
图1 影响因素频数统计

Fig.1 Frequency statistics of driving factors

根据频数排名可知，信息发展水平发挥着决定性影响，主要表现在为主播和消费者提供及时、便捷、通畅的买卖服务；经济实力支撑起着强大的推动作用，在经济总量高、现代服务业发展水平高的地区，直播带货行业起步早且潜能高；交通物流水平起着基础性影响，优良的交通物流条件为商品的线下运输提供保障；电商环境通过影响各类人员对于电子商务新模式的态度，从而吸引更多的人力与资本参与到直播带货行业。因此，选取频数排名靠前的信息发展水平、经济实力支撑、交通物流水平、电商环境支撑4个方面作为影响因素定性分析的准则层指标，同时考虑到数据的可获取性、时效性、科学性等原则，从这4个方面选取12个指标，构建影响因素指标体系（表1），分析其空间分异的影响机理。
表1 影响因素指标体系

Tab.1 Index system of driving factors

准则层 指标层 单位 指标解释
电商环境支撑 电商指数X1 电子商务发展水平
专利授权数X2 个 创新水平
内资企业个数X3 个 企业发展水平
信息发展水平 移动电话年末用户数X4 万人 移动电话数
互联网宽带接入用户数X5 万户 网络化水平
计算机服务和软件业从业人员X6 人 信息产业人力资源状况
经济实力支撑 GDP X7 万元 地区经济实力
社会消费品零售总额X8 万元 地区消费水平
二三产业占GDP比重X9 % 产业高级化水平
交通物流水平 快递公司数量X10 个 物流业发展水平
公路货运量X11 万t 公路货物运输规模
邮政业务收入X12 万元 快递业务收入水平

1.2 数据来源

数据分为两方面：一方面为抖音带货主播的数量、销售额等属性数据；另一方面为影响因素指标数据。抖音带货大数据网站主要包括抖音短视频平台、飞瓜数据、蝉妈妈、抖查查等。抖音短视频官网虽然有带货的具体指标，但缺乏持续、细化的分行业数据获取渠道，因此多数研究是基于其他大数据带货平台获取。飞瓜数据（https://www.feigua.cn）是一款短视频及直播数据查询的专业工具，相比其他大数据网站有更全面的用户画像以及更精准的带货商品标签分类，基于此，本研究利用该网站来获取抖音带货主播属性数据。具体流程如下：①打开飞瓜数据官网，选择“抖音版”，点击左侧工作台“直播分析”并选择“带货主播榜”。②点击“月榜”，设置查询时间，逐个导出每个商品品类销售额排名前1 000的带货主播属性信息。③依次点击上述带货主播的详情信息页面，查看主播位置信息并依次记录。④将带货主播信息进行汇总，若主播出现在多个热卖品类榜单上，则选择销售额最多的一个商品品类数据。为避免“双十一”这一规模较大的促销期的影响，本研究设置的查询时间为2020年10月，确保了数据的稳定性。筛选完的数据涵盖7 036名带货主播属性信息，其中彩妆类451名、宠物用品类714名、护肤类650名、花鸟绿植类701名、美食饮品类803名、母婴用品类722名、男装女装类914名、日用百货类648名、书籍类709名、珠宝配饰类724名。由于彩妆类与护肤类均属于美妆类商品，因而将其归为一类；考虑到母婴用品本质上属于日用百货，也将其归为一类进行分析。
影响因素数据主要来源于2019年《中国城市统计年鉴》以及各省统计年鉴。值得说明的是本研究采用的电商指数数据来源于阿里研究院（http://www.aliresearch.com）；快递公司数量数据来源于企查查官网（https://www.qcc.com）。

2 研究方法

2.1 空间分布格局——Kriging插值法

Kriging插值方法是一个涵盖多部运算的过程，包括数据的探索性统计分析、变异函数的构建、表面的创建等过程，会根据数据之间的相关程度、方向偏差确定拟合面，是运用最广泛的一种空间插值法。较其他空间插值方法，Kriging插值法可以根据样本点位置的不同、样本点属性数据的相关程度不同，对每个样本点的属性数据赋予不同的权重，进行滑动平均后获取估测点的属性数据[35]，因此在进行空间差异化分类格局分析时多数研究采用该方法进行分析。中国地级市带货主播数量多，样本点之间存在较强的空间自相关与差异化特征，因而采用Kriging方法对地区带货主播营销潜力进行空间格局特征分析，可以更加形象地看出不同地域的空间分布情况，

2.2 空间自相关格局——探索性空间数据分析方法

探索性数据分析是根据样本点属性数据在空间上的自相关程度来分析某种属性、现象之间的空间关联特征的一种方法[36]。

2.3 不均衡分布——区位基尼系数、集中度指数

为分析不同城市内带货主播数量、销售额、营销潜力的分布模式以及不同商品行业下的集聚模式，本研究引入区位基尼系数、集中度指数进行定量分析。区位基尼系数用于测定带货主播数量、销售额以及营销潜力在区域间分配的均衡程度，其系数越大则表示区域间分布集中程度越高，空间分布越不均衡[37]。具体计算公式如下：
G = 1 2 N 2 S ¯ ∑ j N ∑ i N S i - S j
式中：G表示区位基尼系数；N表示地区总数； S ¯表示各地区的平均值；i和j分别表示两个不同的地区； S i和 S j分别表示地区i和地区j的带货主播数量、销售额、营销潜力占所研究区域该总和的比重。
集中度指数同样可反映地区的集聚程度，但其最大的特点在于可以直接指出规模最大的一个或几个地区所占比重，将抖音带货主播数量、销售额、营销潜力集中指向具体区域。其计算公式为：
C R n = ∑ i = 1 n S i / ∑ i = 1 N S i
式中： C R n表示前n个地区的集中度；n表示规模最大的前几个地区； S i表示地区i的规模大小。

3 结果分析

3.1 空间分布格局

3.1.1 带货主播数量、销售额、营销潜力空间分异格局

考虑到研究区内市域单元众多，格局特征复杂，为更清楚地分析带货主播数量、销售额与营销潜力的空间分布情况，采用Manual划分方法，将三者所占比例按照2%、1%、0.5%、0.25%等特征值进行等级分类，结果如图2。
图2 带货主播数量、销售额、营销潜力的空间分布

Fig.2 The spatial distribution of quantity，sales volume and marketing potential of ecommerce livestreaming

从带货主播数量分布状况来看，整体呈集聚分布模式，且由东部沿海向西部内陆锐减趋势明显。沿海三大城市群集聚了全国54.5%的带货主播，其中又以长三角地区的集聚最为典型，占据了全国29.1%的主播数量，反映出东部电商经济核心区的引领优势。长江中上游的成渝地区、中原地区的发达城市也是带货主播的主要分布地带，是引领中西部电商经济发展的重要领地。带货主播销售额的空间分布整体上形成了以长三角城市群、珠三角城市群为核心，以京津冀都市圈、成渝都市圈为主体的“两核两圈”分布格局。两个核心城市群销售额占比高达62.2%，其中长三角地区占比42.1%。中部地区各省会城市也形成了销售额的集聚中心，散落在集聚区外围，反映出中西部核心区局部的中心—外围新特征。带货主播的营销潜力分布状况与销售额相似，呈现出以沿海三大城市群为主要核心，以成渝地区、东北地区为次级核心，以中部高水平省会城市零星分布的空间结构特征。
地区、中原地区紧跟其后，西北西南地区相对落后的格局。从现实情况亦可知，作为中国电子商务行业发展的引领者，长三角、珠三角与京津冀地区无论在经济实力、信息化水平、人才集聚还是交通物流等方面均处于领先地位，这为直播带货行业的高水平发展奠定了坚实的基础。成渝地区、中部地区省会城市虽然经济实力较高，但由于电子商务发展水平、数字经济的支撑相对一般，因此整体直播带货型电商经济并不突出。西北、西南地区经济综合水平、交通便利性以及技术人才都相对欠缺，因此直播带货水平的发展程度较低。

3.1.2 整体及各商品行业营销潜力空间分异格局

由于营销潜力反映了直播带货的未来成长趋势，也能反映电商经济的潜在发展空间，因此基于该指标进行测算更能反映直播电商的时空分布规律，基于此，根据Kriging插值法，对中国抖音带货主播整体及8个商品行业营销潜力的空间分异格局进行分析，结果如图3。从整体营销潜力看，高水平区整体呈现出“一个核心高水平集聚区+两个较高水平集聚区”的分布特征。“一个核心高水平集聚区”是以上海、杭州、湖州为核心的长江三角洲城市群范围内的一个团状集聚区；“两个较高水平集聚区”中，一个是以中山、东莞为核心向四周延伸形成的高值区，另一个是以北京、天津为核心在京津冀城市群范围内形成的高值集聚区。综合来看，整体营销潜力除珠三角、长三角、京津冀处于高水平区外，其他区域的发展水平普遍不高。
图3 带货主播整体及各商品行业营销潜力空间分异格局

Fig.3 The spatial distribution of livestreaming marketing potential of the various commodity industries

从8个商品行业营销潜力来看，美妆类与整体的空间分异格局类似但局部级别略有变动，珠三角与京津冀的高水平集聚进一步凸显，而长三角地区稍有弱化。宠物用品类核心区在全国分布较为分散，三大城市群核心城市依旧是高水平集聚核心，但等级有所提升，同时在东北部伊春、哈尔滨以及南部铜仁、九江、益阳、威海出现“斑点式”高水平空间分布形态。花鸟绿植类的空间分异格局与整体差异较大，其核心高水平区向西南部转移，在云南省内形成大范围团状集聚，次级核心区向北扩散，分布在广东、江西以及山东发达地区。美食饮品类在京津冀的核心高水平区进一步凸显，且沿海地区的连云港、金华、广州及西南地区的成都为主要辐射中心，向四周扩散形成组团状较高水平集聚。而日用百货、书籍、男装女装以及珠宝配饰类的高水平区分布与整体相差不大。总体来看，男装女装类、珠宝配饰类以及美妆类的高水平区相比其他类型集聚特征更加明显，反映出抖音热门带货产品的发育环境、带货保障、营销水平更高一些。值得一说的是，四川、云南以及贵州、湖南等省份内经济实力较强的城市在具有地方特色的商品种类上营销潜力也较高，反映出特色产品在局部省份的领先地位非常明显，也反映出聚焦特色产业是中西部地区直播带货电商经济未来发展重点。
为分析直播带货这一新型电商发展水平与传统电子商务发展空间格局的异同，将已有研究成果中市域层次电子商务发展指数空间分布特征与带货主播营销潜力空间分异格局进行对比[38]，传统电商空间格局由沿海向内陆递减的等级分布更加明显，高值区在东部地区的空间分布格局变化较大，长三角地区的团状高值集聚更加凸显，形成涵盖浙江、江苏、福建三省大部分城市的高值连绵分布区；低值区在西部的连绵态势没有变，但分布的地区、所处的水平有明显改变。究其原因，不难发现，直播带货这一新型电商模式尚处于发展阶段，少数城市控制着整个行业的发展，电商经济高度发达的杭州、上海、广州、北京等地区，更易抓住时代潮流，且其创新能力极高，还具有人才集聚优势和浓厚的商业文化传统，因此直播带货这一新型电商模式产生带动各种优势始终领先于其他地区。

3.2 空间关联特征分析

3.2.1 带货主播数量、销售额、营销潜力空间关联特征分析

基于带货主播数量、销售额以及营销潜力进行Moran's I值计算，其值分别为0.176、0.262、0.069，表明中国各地区直播带货水平存在空间集聚现象。也就是说，直播带货水平较高地区对临近地区有正向影响，反之则反。从Moran's I散点图4个象限分布个数来看，HH区、LL区占绝对主导，反映出低值集聚和高值集聚的效应明显。进一步地，基于市域单元的带货主播数量、销售额以及营销潜力，通过Geo-Da软件中Univariate LISA模块分析空间格局的局部关联特征，并在Z检验的基础上（p≤0.05）绘制LISA集聚分布图（图4）。
图4 带货主播数量、销售额、营销潜力LISA分布图

Fig.4 LISA agglomeration map of the quantity，sales volume and marketing potential of ecommerce livestreaming

从数量局部空间关联来看，显著HH区均位于中国东部沿海地区，主要是以东莞、金华为核心的两处高值团状集聚区，表现出“近朱者赤”的空间关联效应；显著LH区在显著HH区附近分布的特征明显，大部分集中在广东、浙江的高值区周围，形成东部高水平区包围的“凹陷区”；显著HL区数量较少，主要在云南、四川呈零星状分布，形成高值区被低值区包围的“极化区”，体现出中西部核心区的极化效应；显著LL区分布范围较广，多数在青海、四川以及陕西北部形成片状或团状集聚，另有小部分在集聚区外围呈零星状分布，形成“发展滞后区”。销售额的局部空间关联格局与数量类似，显著HH区主要在长三角、京津冀内集聚分布；显著LH区在显著HH区周围三两成团或独自散落分布；显著HL区数量较少，在云南、四川、湖北呈离散分布特征；显著LL区分布范围较广，在四川、云南以及广西形成多个团状集聚，“近墨者黑”的效应明显。营销潜力的空间关联分布整体上与数量、销售额差别不大，显著HH区在沿海三大城市群内呈组团或独立分布，且以长三角地区的集聚效应最为明显；显著LH区与显著HL区数量较少，并未形成集聚分布；显著LL区与销售额分布基本一致，反映出中西部地区的营销潜力普遍不高且发育环境较差。
珠三角、京津冀的核心城市，其中以苏州、湖州、嘉兴、上海、东莞这几个城市表现最为突出，反映出高水平内部亦产生分化和内卷，正向关联之间亦存在碰撞。不难发现，这些地区电子商务发展起步较早，电商销售行业已具备了完善的基础设施和成熟的销售体系，这给直播带货这一新型电商形式的发展奠定了基础，使该行业快速发展并走在了中国前列。同时，这些区域又对周围地区的发展起到了辐射带动作用，形成“快速增长区”。显著LL区集中分布在青海、四川、云南等西部地区，这些地区电子商务行业发展落后，同时受经济基础、市场环境以及配套产业等条件的制约，使之难以在短时间内迅速提升其整体水平，也难以迅速加入直播带货这一互联网浪潮，因此形成“发展滞后区”。
为分析直播带货水平与传统电子商务发展水平空间关联的异同，将市域尺度下的电子商务发展水平与带货主播数量、销售额、营销潜力的分布LISA分布特征进行对比发现[38]，显著HH区主要在东部长三角地区、京津冀地区集聚分布，显著LL区集中分布在中西部地区。不同的是，直播带货水平的显著HH区相比传统电商经济在东部沿海地区的空间分布范围锐减明显，但广东内部、北京南部城市的高水平集聚区进一步凸显；显著LL区的集聚范围在中西部地区的分布也明显弱化，破碎化分布明显未形成连绵分布态势。

3.3 不均衡分布

根据全国各市抖音带货主播数量、销售额、营销潜力以及不同商品行业营销潜力的统计数据，得到其相对应的区位基尼系数和集中度指数统计图以及集中度CR1、CR4（图5、图6）。
图5 带货主播数量、销售额、营销潜力的区域集聚效应

Fig.5 The regional agglomeration effect of the quantity，sales volume and marketing potential of ecommerce livestreaming

图6 CR1、CR4涵盖城市分布图

Fig.6 Distribution map of CR1 and CR4

根据联合国有关组织将基尼系数“高度不均衡（>0.6）”的标准可以看出，带货主播数量、销售额、营销潜力的区位基尼系数均在0.6以上，表明直播带货行业集聚现象显著，地区之间存在梯度差距，非均衡分布较为严重。具体来看，集聚程度最高的是销售额，区位基尼系数高达0.88，反映出销售能力的地域差异非常之大，也可以看出当下直播带货行业在不同区域的发育程度参差不齐。集中度指数显示排名前四位的城市所占比例达到了48.4%，占据了近一半的份额，反映出杭州、北京、广州、上海在全国的领先地位和空间的“现象级”表现。营销潜力的集聚程度次之，但基尼系数和集中度指数与销售额差距并不明显，且集中度排名前四位城市相同，反映出销售水平与未来发展潜力之间并非正向的比例关系。数量的集聚程度最低，反映出数量并不是决定直播带货行业发展的首要因素，而更取决于主播的影响力、销售力和成长潜力。数量排名前四位的城市占据比例为25.6%，是销售额、营销潜力的一半，反映出杭州、北京、广州等少数发达城市引领和控制着直播带货行业相关产业链的延展，地区之间差距较大。
宝配饰类、男装女装类以及美妆类基尼系数超过0.9，集聚程度相当高，主要集聚于杭州、北京、上海、广州这些发达城市。究其原因，就珠宝、服装、化妆品等产品在款式、种类、价格、技术上而言，东部沿海地区具有明显的领先优势，同时这些商品行业更新周期短，东部经济发达城市能够更及时了解新产品性能、消费者偏好并及时做出反馈、引导消费，故集中程度较高。日用百货、宠物用品及美食饮品行业营销潜力集聚程度相对较低，其营销潜力排名前四的城市在东、中、西部均有分布，反映出不同行业的优势产品分布不一。从现实来看，这类商品生产成本较低，对交通、货源所在地及经济条件要求不高，使得买家在购买前不用亲身感受就能获取商品的主要特性及信息，故行业集中程度不高。从行业营销潜力的集聚地区来看，这八大商品行业的主要集聚地是杭州、北京、上海、广州、深圳、金华等大中型城市，反映出三大城市群的发展潜力一直具有行业优势、地区优势和引领示范效应。花鸟绿植类稍有不同，集聚地区除东部沿海的一些发达城市，还包含昆明、潍坊、新余等城市。从现实来看，这些地区气候条件优越，生态环境良好，利于鲜花绿植的种植；同时交错纵横的海陆空交通为花鸟绿植商品提供了快速的物流网络，由此带动了此商品行业的发展。

4 影响因素分析

地理探测器方法在度量空间分异性、探测器解释因子和分析变量间的交互作用关系等方面有重要作用[39]，本研究引入地理探测器，来研究影响中国直播带货主播营销潜力的单因素以及多因素之间的交互作用，结果如图7、表2。
图7 带货主播营销潜力空间分异影响因子的决定力分布

Fig.7 Determinant distribution of driving factors for spatial differentiation of the marketing potential of ecommerce livestreaming

表2 带货主播营销潜力空间分异的交互作用因子探测结果

Tab.2 Detection of interaction factor for spatial differentiation of the marketing potential of ecommerce livestreaming

X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12
XX1 0.650
XX2 0.720 0.648
XX3 0.703 0.699 0.397
XX4 0.758 0.706 0.680 0.640
XX5 0.747 0.693 0.636 0.665 0.537
XX6 0.724 0.688 0.715 0.708 0.638 0.519
XX7 0.754 0.683 0.685 0.680 0.646 0.673 0.613
XX8 0.757 0.714 0.739 0.697 0.681 0.693 0.672 0.655
XX9 0.657 0.654 0.473 0.675 0.607 0.580 0.627 0.680 0.219
XX10 0.771 0.703 0.671 0.693 0.648 0.667 0.692 0.710 0.619 0.571
XX11 0.735 0.695 0.531 0.653 0.639 0.603 0.660 0.712 0.441 0.632 0.238
XX12 0.767 0.741 0.694 0.742 0.706 0.729 0.711 0.750 0.656 0.715 0.670 0.635
由图7可知，影响中国抖音带货主播营销潜力空间分异格局的因子从大到小依次是X8>X1>X2>X4>X12>X7>X10>X5>X6>X3>X11>X9。从结果可以看出，影响因子主要为社会消费品零售总额、电商指数、专利授权量，决定力均达0.64以上，说明经济实力以及电商环境对地区带货主播营销潜力影响最大。从交互因子探测器的结果来看（表2），各影响因子的交互作用明显高于单因子的影响作用，其中X1∩X4、X1∩X10、X1∩X12交互作用最强，决定力超过0.75。综合地理探测单因子与交互作用结果，本研究从以下几个方面进一步归纳总结。

4.1 电商环境支撑

电商指数、专利授权数、内资企业个数在一定程度上可以反映电子商务发展水平、创新水平以及企业发展水平，因此采用这3项指标来表征直播带货行业的电商环境支撑。地理探测器结果显示，电子商务发展水平对地区直播带货营销潜力的决定力最强，创新水平次之，企业发展水平最弱。作为一种电子商务新模式，直播带货是技术创新、思想创新和机制创新的集合，良好的电商环境有助于激发区域尝试新型行业，因此长三角地区一直是全国电商的引领区，电商的各种平台优势、孕育环境、发展氛围等远领先于其他地区。同时，冒险、拼搏、创新的精神是促进地区直播带货行业发展的人文背景，直播带货行业的聚集正是这种电商环境在空间上的投影，而沿海地区的这种电商环境正好符合“创业一族”的优势，因此使得直播带货经济优于其他区域，吸引着一批又一批创业达人来此圆梦。

4.2 信息发展水平

移动电话年末用户数、互联网宽带接入用户数、计算机服务和软件业从业人员可以反映地区移动电话数、网络化水平以及信息产业人力资源状况，因此选用该影响因子来表征地区信息化水平。由图7可以看出，信息发展水平对地区直播带货营销潜力影响力较强，三个影响因子决定力大小均超过0.51，且移动电话年末用户数、互联网宽带接入用户数与电商指数交互作用高达0.758、0.747，足见信息发展水平与电商发展水平在空间叠加后对地区直播带货营销潜力起到了主导作用。从具体作用机制看，信息化水平一方面通过影响直播间的经营技术、直播运行效率、即时通讯能力等作用于直播带货营销潜力；另一方面通过对通讯设施、直播网络环境的改善，保障了良好的经营秩序以及运行流畅的直播间交易环境，以此提升直播带货效率，从而带动了主播营销潜力的提升。

4.3 经济实力支撑

采用GDP、社会消费品零售总额、二三产业占比直接表征地区经济实力，反映实体经济对电商经济的支撑力度。从地理探测器结果可知，消费品零售总额、GDP的决定力大小分别达到0.655、0.613，解释力较强，客观地反映出实体经济对电商基础环境、创业引领等方面的价值和作用。不难理解，经济实力发达地区互联网消费市场繁荣，易吸引更多的资本和人员涌入直播带货行业，加速具体行业的专业化运作和信息化发展。在专业化经营者的带动下，通过多重利好机制促进了带货主播的集聚并产生规模效益，同时节约了主播的信息成本，因此专业化运营对直播带货业发展水平的提升产生了积极推动作用。此外，从营销能力强的城市群区域看，这些地区产业结构高级化且现代服务业活力很足，为带货主播的经营、销售、服务等环节提供了重要的线下基础设施和优越的线上消费平台，从而为提升直播带货营销潜力提供基础支撑。

4.4 交通物流水平

快递公司数量、公路货运量、邮政业务收入在一定程度上能够反映物流业发展水平、公路货物运输规模以及快递业务收入水平，因此选取这三个影响因子来表征地区交通物流水平。地理探测器结果显示，快递业务收入水平决定力最强，物流发展水平次之，公路货物运输规模最弱；同时，快递业务收入水平、物流发展水平与电商发展水平交互作用高达0.771、0.767，可以看出交通物流水平与电商发展水平相辅相成，对带货主播营销潜力空间分异起重要的决定作用。从当下的物流经济亦可以看出，交通物流水平的发展一方面能提升消费者购物体验、拉动居民消费，及时地反馈产品的质量或者进行退换货服务；另一方面，便利的交通物流条件能够最大限度地节约商品供应链中的运输成本，增加了产品的利润产出。因此交通物流水平的提升对提高地区带货主播营销潜力有正向促进作用。

4.5 其他影响因素

首先，国家和各级行政主管部门对直播带货发展的战略及相关方针政策带动了地方特色产品的开发与新兴经济活力点的出现，“助燃”了民众对于直播带货参与意识的增强与销售技巧的提升，因此政府战略与政策在宏观环境下助推着带货主播营销潜力的拔高。其次，人口受教育程度直接影响主播的销售理念，在具有较高水平人口素质的地区，主播能够更敏锐地捕捉市场动向，产生新的经营理念并不断开拓创新，进而加快直播营销渠道、产品推广等方面的建设，使得电商经济的科技创新附加值不断增强，从而不断提升其营销潜力。最后，专业化的运营团队能够使电商直播过程形成一套完善的产业分工，促使直播带货行业的集聚并产生规模效益，同时也促进了地区行业标准的提升和标准化，从而带动主播营销潜力的进一步提升。
通过上述影响因素分析可知，在电商环境支撑、信息化发展水平、经济实力支撑、交通物流水平等因素的共同作用下，带货主播营销潜力得以实现提升，进而带动整个直播带货行业的健康发展（图8）。
图8 各种影响因素的相互作用

Fig.8 The interactive mechanism of various influencing factors

5 结论与讨论

5.1 结论

以抖音带货主播数量、销售额、营销潜力为测度指标，运用Kriging插值法、探索性数据分析等方法对中国直播带货水平的空间分布特征及影响因素进行分析，主要结论如下：
①从空间分布格局来看，长三角、珠三角、京津冀无论是带货主播数量、销售额还是营销潜力均是高值集聚的核心区域。成渝地区以及中部省会城市也存在小范围高值集聚，发展水平次之。西北、西南地区则相对滞后，低值连绵分布态势明显。8个商品行业营销潜力的高水平区的空间分布同样在沿海三大城市群密集分布，地区引领发展优势明显。此外，四川、云南、贵州、湖南等省份内经济实力较强的城市在个别商品种类上也出现小范围高值集聚，体现中西部特色产品在直播带货营销力的实力较强。
②从空间关联特征来看，主播的数量、销售额以及营销潜力均存在空间集聚现象，反映出直播带货行业在邻近区域的溢出效应。从Moran's I散点图四个象限分布个数来看，HH区、LL区的正向促进效应明显，LH区、HL区小范围存在且异质性规律不强。从局部LISA分布看，显著HH区在沿海三大城市群独立或组团分布，形成“快速增长区”，体现出高水平区之间的正向促进效应；显著LL区分布范围较广，在四川、云南、青海等地形成片状或团状集聚，形成“发展滞后区”，反映出西部整体的电商经济环境不佳和综合实力不强的客观事实。显著HL区与显著LH区的数量相对较少，存在空间离散分布。
③从不均衡发育来看，主播数量、销售额、营销潜力的集聚现象明显，地区之间存在梯度差异。从具体情况看，杭州、广州、北京等少数发达城市引领着直播带货行业的发展，对周边地区的辐射带动作用明显；而西部欠发达地区的城市的发育水平欠佳，与东部领先城市的差距可谓“天渊之别”。八大商品行业营销潜力主要集聚在东部大中型城市，集聚程度相比整体营销潜力更加凸显，更能反映出东部地区的领先地位和强势表现。其中珠宝配饰类、男装女装类以及美妆类基尼系数超过0.9，集聚程度相当高，不均衡发育情况显著；而日用百货、宠物用品、美食饮品类商品行业营销潜力不均衡程度相对较低，体现出不同城市间的差异相对较小。
④从空间分异格局影响机理来看，定量分析结果表明，营销潜力主要受电商环境支撑、信息发展水平、经济实力支撑以及交通物流水平四个方面的影响，其中各因子决定力排名为社会消费品零售总额>电商指数>专利授权数>移动电话年末用户数>邮政业务收入>GDP>快递公司数量>互联网宽带接入用户数>计算机服务和软件业从业人员>内资企业个数>公路货运量>二三产业占GDP比重。从定性分析结果来看，政府战略与政策、人口受教育程度以及专业化运营助力均有较强解释关系。

5.2 讨论

本研究基于抖音带货主播这一新型电商数据，分析了全国抖音带货主播数量、销售额、以及营销潜力的空间分异及影响因素，这对认识我国电子商务行业尤其是当下热门的直播带货行业的发展现状具有重要意义。需要指出的是，经过与飞瓜数据客服详细咨询，抖音带货主播所在地信息为主播本人在资料中自行编辑，若主播未填写，则系统自行定位为当前所在地。若存在主播填写所在地与实际直播地址不相符的情况，飞瓜数据官网则不能及时调整，这一情况可能与实际主播地理空间分布情况有所偏差。同时，由于飞瓜大数据网站仅提供了抖音带货主播所在的地级市，使得研究局限于中宏观层面进行分析，尺度细化后的县域、乡镇尺度了解得不够全面。因此在今后的研究中可进一步尝试其他渠道获取更加细化数据进行对比，从而加强尺度之间关联分析和深层次规律挖掘。此外，在进行空间分析时，受数据限制仅采用了一个时段的截面数据，没有与其他时段进行对比，也是研究的一个遗憾，因此进行多时段的对比分析也是今后需要努力的方向。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
国务院办公厅. 关于以新业态新模式引领新型消费加快发展的意见[EB/OL]. http://www.gov.cn/zhengce/content/2020-09/21/content_5545394.htm,2020-09-21.

[2]
Lim S, Lee B. Loyalty programs and dynamic consumer preference in online markets[J]. Decision Support Systems, 2015, 78(c):104-112.

[3]
Utz S, Kerkhof P, van den Bos J. Consumers rule:How consumer reviews influence perceived trustworthiness of online stores[J]. Electronic Commerce Research and Applications, 2012, 11(1):49-58.

[4]
Benedicktus R L, Brady M K, Darke P R, et al. Conveying trustworthiness to online consumers:reactions to consensus,physical store presence,brand familiarity,and generalized suspicion[J]. Journal of Retailing, 2010, 86(4):322-335.

[5]
Yoo J, Kim M. The effects of online product presentation on consumer responses:A mental imagery perspective[J]. Journal of Business Research, 2014, 67(11):2464-2472.

[6]
Koo W, Cho E, Kim Y K. Actual and ideal self-congruity affecting consumers' emotional and behavioral responses toward an online store[J]. Computers in Human Behavior, 2014,36:147-153.

[7]
Hostler R E, Yoon V Y, Guo Z, et al. Assessing the impact of recommender agents on on-line consumer unplanned purchase behavior[J]. Information & Management, 2011, 48(8):336-343.

[8]
聂林海. 我国电子商务创新与规范发展[J]. 中国流通经济, 2016, 30(6):52-57.

[9]
聂林海. 我国电子商务发展的特点和趋势[J]. 中国流通经济, 2014, 28(6):97-101.

[10]
王宝义. 中国电子商务网络零售产业演进、竞争态势及发展趋势[J]. 中国流通经济, 2017, 31(4):25-34.

[11]
刘敏. 电子商务发展测度与预测方法[M]. 北京: 经济科学出版社, 2008:93-179.

[12]
许婵, 吕斌, 文天祚. 基于电子商务的县域就地城镇化与农村发展新模式研究[J]. 国际城市规划, 2015, 30(1):14-21.

[13]
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.

[14]
王贤文, 徐申萌. 我国C2C电子商务的地理格局及其演化机制[J]. 经济地理, 2011, 31(7):1064-1069,1106.

[15]
钟海东, 张少中, 华灵玲, 等. 中国C2C电子商务卖家空间分布模式[J]. 经济地理, 2014, 34(4):91-96.

[16]
刘卫东. 论我国互联网的发展及其潜在空间影响[J]. 地理研究, 2002(3):347-356.

[17]
丁志伟, 周凯月, 康江江, 等. 中国中部C2C店铺服务质量的空间分异及其影响因素——以淘宝网5类店铺为例[J]. 地理研究, 2016, 35(6):1074-1094.

DOI

[18]
丁志伟, 韩明珑, 张改素, 等. 县域尺度下中原城市群C2C淘宝店铺服务质量的空间分异及其影响因素[J]. 经济地理, 2019, 39(5):143-154.

[19]
徐智邦, 王中辉, 周亮, 等. 中国“淘宝村”的空间分布特征及驱动因素分析[J]. 经济地理, 2017, 37(1):107-114.

[20]
浩飞龙, 关皓明, 王士君. 中国城市电子商务发展水平空间分布特征及影响因素[J]. 经济地理, 2016, 36(2):1-10.

[21]
千庆兰, 陈颖彪, 刘素娴, 等. 淘宝镇的发展特征与形成机制解析——基于广州新塘镇的实证研究[J]. 地理科学, 2017, 37(7):1040-1048.

[22]
浩飞龙, 王彬燕, 王士君. 东北地区县域电子商务发展水平的空间差异及影响因素[J]. 地域研究与开发, 2016, 35(4):16-21.

[23]
徐杰, 罗震东, 何鹤鸣, 等. 中国县域电子商务发展的空间特征及影响因素研究[J]. 上海城市规划, 2017(2):90-97.

[24]
侯韵佳, 邓香辉. 网络直播火爆原因、存在问题分析及对策建议[J]. 电视研究, 2017(3):30-32.

[25]
张旻. 热闹的“网红”:网络直播平台发展中的问题及对策[J]. 中国记者, 2016(5):64-65.

[26]
Chan K K, Misra S. Characteristics of the opinion leader:A new dimension[J]. Journal of Advertising, 1990(3):53-60.

[27]
Sussman S W, Siegal W S. Informational influence in organizations:An integrated approach to knowledge adoption[J]. Information Systems Research, 2003(1):47-65.

[28]
梦非. 社会化商务环境下意见领袖对购买意愿的影响研究[D]. 南京: 南京大学, 2012.

[29]
张小强, 李双. 网红直播带货:身体、消费与媒介关系在技术平台的多维度重构[J]. 新闻与写作, 2020(6):54-60.

[30]
肖珺, 郭苏南. 算法情感:直播带货中的情绪传播[J]. 新闻与写作, 2020(9):5-12.

[31]
孟闻卓. 使用与满足理论视角下用户观看带货直播动因的实证分析——以淘宝直播平台为例[J]. 中国传媒科技, 2020(4):113-115.

[32]
续蔚一. 网络直播平台受众的心理特征分析[J]. 新闻研究导刊, 2016, 7(18):10,13,18.

[33]
彭珏, 何金廖. 电商粉丝经济的地理格局及其影响因子探析——以抖音直播带货主播为例[J]. 地理科学进展, 2021, 40(7):1098-1112.

DOI

[34]
前瞻产业研究院. 2020年中国直播电商竞争格局分析淘宝直播市场份额或将超50%[R]. 2020.

[35]
张海平, 周星星, 代文. 空间插值方法的适用性分析初探[J]. 地理与地理信息科学, 2017, 33(6):14-18,105.

[36]
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.

[37]
高技. EXCEL下基尼系数的计算研究[J]. 统计科学与实践, 2008(6):41-43.

[38]
刘晓阳, 丁志伟, 黄晓东, 等. 中国电子商务发展水平空间分布特征及其影响因素——基于1915个县(市)的电子商务发展指数[J]. 经济地理, 2018, 38(11):11-21,38.

[39]
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.

DOI

Options
Outlines

/

〈 〉