EN中文

Economic geography >

2019 , Vol. 39 >Issue 10: 123 - 129

DOI: https://doi.org/10.15957/j.cnki.jjdl.2019.10.016

Influencing Factors and Spatial Pattern of Electronic Commerce Development Level in China at the Prefecture-Level City

  • GU Guofeng ,
  • XU Yinghang
Expand
  • School of Geographical Sciences，Northeast Normal University，Changchun 130024，Jilin，China

Received date: 2018-12-21

  Revised date: 2019-07-15

  Online published: 2025-04-18

Fold

Abstract

Based on the measurable data of e-commerce development level in 2016, the paper uses the methods of exploratory spatial data analysis and geographic weighted regression to explore the spatial differentiation pattern of Alibaba's e-commerce development level in 285 prefecture-level cities and analyze the influencing factors. The results show that: 1) Alibaba's e-commerce development level which is generally low and shows relatively obvious spatial difference, presents the decreasing characteristics from the eastern coastal region to the middle and western inland regions; 2) E-commerce has strong spatial autocorrelation and shows the diffusion characteristics of "big gathering and small dispersion". The characteristics of spatial agglomeration are obvious. the northwest and southwest regions are characterized by low-value agglomeration, and the east and south regions are characterized by high-value agglomeration; 3) Alibaba's e-commerce development level is affected by various aspects (economic development level, informatization degree, information infrastructure and so on) which are obvious spatial differences in the degree of influence. The population size has a certain negative restraining effect on the development level of e-commerce. The remaining influencing factors have positive effects on the development level of e-commerce. The influence degree ranking from the largest to the smallest is Internet popularization, transportation and logistics environment, urban human capital level, economic development level and information infrastructure.

Key words： Alibaba; e-commerce; ESDA-GWR; online shopping; online shop; transportation and logistics environment

Cite this article

GU Guofeng , XU Yinghang . Influencing Factors and Spatial Pattern of Electronic Commerce Development Level in China at the Prefecture-Level City[J]. Economic geography, 2019 , 39(10) : 123 -129 . DOI: 10.15957/j.cnki.jjdl.2019.10.016

在信息全球化和经济全球化的形势下，随着电子信息产业的快速发展和信息网络技术的不断创新升级，电子商务逐渐成为一种新兴的商业贸易形式，并以其强大的竞争优势，迅速蔓延到国际商务的各个领域。电子商务以“乘数效应”的形式深远影响着经济发展，使中国的传统经济领域有很大突破，为实现中国经济的持续稳定提升起到推动作用。2017年第39次中国互联网络发展情况统计报告显示，截至2016年末，中国有约7.31亿网民，互联网普及率为53.2%，比世界平均水平高3.1个百分点，比亚洲平均水平高7.6个百分点 ① 。2016年共增加网民约4 299万人，增长率超过6个百分点，中国网民数量约与欧洲总人口数相同。中国网络购物用户规模达到4.67亿，较2015年增长12.9%，占网民总体的63.8%。同时，中国电子商务呈现快速发展态势，交易规模持续扩大，交易总额从2011年的6.09万亿元达到2016年的26.1万亿元，6年间增长3倍多，年均复合增长率达到27.4%，电子商务发展直接和间接带动的就业人数已超过3 700万。在此背景下，2018年国家倡导电子商务快速发展的同时，落实“互联网+流通”新发展思路，促进电子商务和快递行业共同进步。
目前国内外在电子商务领域的研究大多针对电子商务的物流管理和信任机制[1-2]、电子商务的发展盈利模式[3⇓-5]、电子商务与文化、物流、环境和经济的相互影响[6-7]等方面。基于地理学视角对电子商务的地理空间分析研究，主要包括以下方面：电子商铺的区域分布特征方面，王贤文等对中国C2C淘宝网络店铺的地理分布的研究[8-9]，马海涛等对中国淘宝镇的空间格局特征的研究[10]，路紫等以四城市为例基于邻域设施的中国大城市网络店铺的区位取向的研究[11]；电子商务对企业空间组织的影响方面，汪明峰等以“当当网”为例对网上零售企业的空间组织的研究[12]，余金艳等以位于北京的淘宝网化妆品零售为例的基于时间距离的C2C电子商务虚拟商圈分析[13]，席广亮等以京东商城为例对网络消费时空演变及区域联系特征的研究[14]；电子商务发展水平的区域差异方面，浩飞龙等分别对中国和东北地区县域的电子商务发展水平的空间差异的研究[15,20]，汤英汉对中国电子商务发展水平及空间分异的研究[16]；电子商务对消费者行为的空间特征的影响机制[17⇓-19]等方面的研究等。目前国内关于电子商务发展水平的测度研究，多数集中于从某一类型电子商铺数量空间分布或基于信息化水平测量的相关指标进行研究[20]，在大数据背景下，具有一定的局限性。因此，本文选择全球最大的电子商务平台——阿里巴巴作为研究对象，以中国285个地级市作为基本研究单元，运用空间自相关、冷热点分析和地理加权回归模型等方法，基于全国电子商务发展水平的空间格局特征，对其影响机理进行深入分析，以期为如今“互联网+”大环境中区域与城市电子商务的推进和战略的部署提供政策参考。

1 数据来源与研究方法

1.1 数据来源

本文数据主要来自两个方面：一是基于阿里巴巴平台海量数据，由阿里研究院提供的地级及以上城市的电子商务发展指数（aEDI），该指数可以直观反映出区域电子商务发展水平，取值范围为0~100，数值越大，表明当地的电子商务发展水平越高。该评价指数由2个一级指标〔包括网购指数（OSI）和网商指数（OEI）〕和4个二级指标（包括网上交易水平指数、网购消费水平指数、网商密度指数、网购密度指数）构成。网购指数（OSI）和网商指数（OEI）可以反映个人和企业的电子商务普及程度，计算公式：阿里巴巴电子商务发展指数（aEDI）=网商指数（OEI）×0.5+网购指数（OSI）×0.5=（网商密度指数×0.6+网商交易水平指数×0.4）×0.5+（网购密度指数×0.6+网购消费水平指数×0.4）×0.5。二是从《2017年中国统计年鉴》和2017年各地级市统计年鉴等获得经济发展等各项指标。

1.2 研究方法

1.2.1 探索性空间数据分析（ESDA）

探索性空间数据分析主要用来探测空间分布的非随机性或空间自相关程度，揭示研究对象间的空间相互作用机制，包括全局空间自相关和局部空间自相关[21]。全局自相关用来检验空间相邻或邻近区域单元的属性值在整个研究区区域内空间相关性的总体趋势。局部空间自相关用来检验区域内部局部单元属性与相邻单元相同属性的相关程度[22-23]。
本文选择度量空间自相关的全局指标Moran’s I统计量，计算公式为：
I = ∑ i = 1 n ∑ j = 1 n w i j x i - x - x j - x - / s 2 ∑ i = 1 n ∑ j = 1 n w i j
式中： s 2 = 1 n ∑ i = 1 n x i - x - 2是属性的方差； x - = 1 n ∑ i = 1 n x i 是属性的平均值； n为地区总数； x i 、 x j 为区域 i、 j的属性； w i j 为空间权重矩阵。Moran’s I统计量取值为[-1，1]。
局部空间自相关指标包括LISA集聚图、G统计量、Moran散点图。G系数的计算公式为：
G i * = ∑ j = 1 n w i j x j / ∑ j = 1 n x j
式中： x j 为地区属性值； w i j 为空间权重矩阵； n为地区总数。
将 G i *进行标准化，计算公式为：
Z G i * = G i * - E ( G i * ) / V a r ( G i * )
式中： E G i *为均值； V a r G i *为 G i *的变异数。 Z G i *值为正且显著，则说明区域 i周围的值相对较高或高于均值，属于高值空间集聚区，即热点区，反之，则为冷点区。

1.2.2 地理加权回归分析（GWR）

普通的线性回归模型的回归参数不会因地理位置的变化而不同，忽略了空间位置和距离的变化，没有考虑空间异质性，不能全面客观地反映数据随空间位置的变化规律[24]。地理加权模型将数据的地理位置引入到回归参数中，根据临近数据的观测值估计局部回归，使变量的关系由于空间位置的变化而不同，其结果更符合客观实际，同时也扩展了传统的回归框架，GWR模型结构为：
y i = β 0 u i , v i + ∑ k β k u i , v i x i k + ε i
式中： u i , v i为第 i个样本空间单元的地理坐标； β k为估计相邻的空间观测值，其随区位变化而变化。

2 阿里巴巴电子商务发展水平的空间特征

2.1 电子商务发展水平空间差异显著

利用ArcGIS 10.2对285个地级市的电子商务发展指数、网购指数及网商指数进行自然断裂法分级（图1）。并依据中国七大地理分区，即华东地区、华南地区、华北地区、华中地区、西南地区、西北地区和东北地区，对结果进行描述分析。电子商务发展指数方面，总体表现为阿里巴巴电子商务发展水平整体偏低，电子商务发展水平的空间分布呈现自华东、华南地区向西北、东北地区明显的阶梯状特征降低，区域差异较为明显。其中，长三角、珠三角、海峡西岸的沿海城市群如杭州、广州、惠州、深圳、金华、上海、厦门、泉州、珠海等城市的电子商务发展指数最高；环渤海经济区如北京、天津、大连、济南、青岛等城市的电子商务发展指数较高；华中、华北、西北和西南地区除部分省会城市如西安、成都、武汉、郑州等呈高发展水平外，其他城市发展水平相对较低，而东北地区则多表现出低发展水平的特征。网购指数的区域差异相对较小，在空间上呈现出明显的中心—外围特征，即处于相对偏远地区的城市居民运用电子商务的能力水平较为突出，沿海发达地区的居民网购需求强烈，而其它地区城市网购指数较低，说明地理位置和城市经济发展水平对网购行为有一定影响。网商指数的空间特征为直辖市、华东地区以及华南地区部分城市的网商指数较高，其它地区的网商指数普遍较低，因为华东、华南地区制造业较发达，而西北、东北等地区多为重工业，电子商务企业更加注重货源、技术、投资、运营和消费群体。通过总结电子商务发展指数、网购指数及网商指数的空间特征，得到阿里巴巴电子商务发展水平存在明显的空间差异性。大部分地区的电子商务水平低于全国平均水平，与华东、华南地区形成鲜明对比。阿里巴巴电子商务发展水平较低的地区数量多、范围广，制约着其整体水平，未来电子商务发展的空间巨大。
图1 阿里巴巴电子商务发展水平的地理分布

Fig.1 Geographical distribution of Alibaba's e-commerce development level

2.2 电子商务发展水平空间集聚特征明显

根据各市之间的邻接关系，并基于邻接矩阵分别对电子商务发展指数、网购指数及网商指数计算全局Moran’s I，通过ArcGIS 10.2软件计算得出电子商务发展指数、网购指数及网商指数的Moran’s I分别为0.424，0.496，0.282，且均通过了1%的显著性水平。说明阿里巴巴电子商务发展水平分布呈现明显的空间正相关性。各个城市之间的发展水平在空间上不是完全独立的，表现出一定的空间集聚特征，也为通过GWR模型来解释阿里巴巴电子商务发展水平的影响因素提供了可能。
根据Getis-Ord Gi*指数，观察阿里巴巴电子商务发展水平的空间冷热点集聚区。整体上，阿里巴巴电子商务发展水平的冷热点格局大体相同，呈现华东、华南地区高，西北、西南地区低的态势，但在局部城市各指数的差异较为明显。热点区主要连片集中在长三角、珠三角、海峡西岸等沿海经济区，包括上海、宁波、温州、深圳、广州、揭阳、珠海等城市；冷点区主要出现在西北、西南地区和部分华北、华中地区，包括天水、汉中、西安、广安、洛阳、平顶山、昭通、桂林等城市，其他城市冷热点集聚特征不明显。从网购指数来看，热点区集中在长三角、海峡西岸、珠三角经济区，与电子商务发展指数相比，龙岩市、滁州市集聚特征较低，冷点区呈放射状向四周扩大，包括东北地区部分城市如大庆、白城、抚顺、沈阳、铁岭、本溪，西北、西南地区城市如延安、商洛、重庆、宜宾、乐山、贵阳、南宁、柳州。由此发现，经济发展水平高的城市居民比交通不便的地区的居民更易于进行网络消费。从网商指数来看，热点区集中在长三角和海峡西岸经济区，与电子商务发展指数相比，部分城市集聚程度提高，包括淮安、滁州、安庆、抚州、三明、莆田、郴州、梧州和茂名，部分城市集聚程度降低，包括合肥、龙岩、韶关、清远、肇庆、云浮、广州、佛山、中山、江门、阳江；冷点区域较小，包括遵义、运城、三门峡、郑州、吴中、定西、白银、固原、庆阳、宝鸡、汉中、安康、西安等城市。华东、华南地区由于政府开放支持的政策，再加上有江浙沪和广东两个制造业基地，香港、上海和宁波等重要港口的区位优势，进口税收的政策也优于其它地区，因此电子商务企业更倾向在货源多、交通通达性好、地理位置优越、信息化程度高、人口密集的城市布局。沿海经济区中珠三角经济区集聚程度较低，是由于珠三角地区城市之间电商水平差别较大，导致集聚特征不明显。总体来看，阿里巴巴电子商务发展水平的冷热点集聚特征空间差异明显，空间分布自东南向西北递减，表现为阶梯状分布特征，各地区的空间地理位置、经济发展情况及市场化程度等条件对其有一定的影响。
图2 阿里巴巴电子商务发展水平的空间冷热点集聚格局

Fig.2 Getis-Ord Gi* map of Alibaba's e-commerce development level

3 阿里巴巴电子商务发展指数的影响因素

3.1 影响因素选取与模型构建

本文把电子商务发展指数作因变量，把总人口、人均GDP、社会消费品零售总额、人均生活消费支出、国际互联网用户数、货运总量、交通仓储邮电业从业人员数、邮政业务总量及在校大学生数等9项指标作为解释变量。
为避免多重共线性，通过回归分析方法对标准化后的全部变量进行共线性检验，除去方差膨胀因子（VIF）大于7.5的变量，把人口规模（总人口）、经济发展水平（人均GDP）、互联网普及程度（国际互联网用户数）、交通物流环境（交通仓储邮电业从业人员数）、信息基础设施（邮政业务总量）、城市人力资本水平（在校大学生数）等6个指标作为解释变量。运用ArcGIS对影响因素进行全局回归分析，OLS回归模型得出R2=0.7158，AdjustedR2=0.7097，AICc=1360.8287。通过GWR模型得出R2=0.8068，AdjustedR2=0.7894，AICc=1277.2349。通过R2能够发现，GWR模型的模拟结果较OLS模型的结果更加合理。如果GWR模型和OLS模型的AICc的差大于3，说明GWR模型的拟合性能优于OLS模型[25]，本文二者相差约83，说明GWR模型的拟合性能优于OLS模型。对残差进行空间自相关性检验，Moran’s I=-0.028，P值为0，残差在空间上完全随机分布，模型的效果理想。

3.2 结果分析

由图3可知，人口规模与阿里巴巴电子商务发展存在正、负影响，大部分地区呈负相关关系，表明人口数量越多，电子商务发展水平越低。人口规模的回归系数中，电子商务发展水平最大值出现在内蒙古包头，为0.01431，最小值出现在浙江舟山，为-0.06723。改革开放后，国家政策和资金向沿海地区倾斜，使其高速发展并逐渐成为基础设施好、就业机会多和资金回报较高的地区，吸引大量人才聚集，城市自身的发展能力越来越强，带动经济发展的同时也带动了电子商务的发展。但过多的人口集聚也会给城市的承载能力带来一定的压力，对于已发达地区，人口数量已不是促进城市经济发展的主要因素。
图3 阿里巴巴电子商务发展水平的GWR模型回归系数空间分布

Fig.3 The spatial distribution of regression coefficients of Alibaba's e-commerce development level based on the GWR model

经济发展水平对阿里巴巴电子商务发展的影响较小，存在正、负影响，大部分地区呈正相关关系，表明经济发展水平越高，电子商务发展水平越高。经济发展水平的回归系数中，电子商务发展水平最大值出现在广东汕尾，为0.007295，最小值出现在浙江舟山，为-0.00182。经济发展水平的回归系数大致呈由北向南由递增的趋势，华南、西南地区经济发展水平对电子商务发展的影响较大。主要原因是这些地区经济发展水平高，人均消费水平较高，居民的购物能力较强，对电子商务发展有明显的促进作用。
城市人力资本水平对阿里巴巴电子商务发展的影响大部分地区呈正相关关系，表明城市人力资本水平越高，电子商务发展水平越高。回归系数由西向东呈递减趋势，胡焕庸线上呈现主要影响地区。电子商务发展水平最大值出现在云南普洱，为0.04556，最小值出现在江西九江，为-0.01287，西南、华西、华中和华南地区的城市人力资本水平对电子商务发展的影响较大。大学生等有较高教育水平的群体是电子商务发展的中坚力量，日常消费中很大比例倾向网购，推动电子商务和网购的发展，同时越来越多的大学生创业都加入到电商的队伍中，在一定程度上促进了电子商务的发展。
阿里巴巴电子商务的发展很大程度依赖于交通物流环境，交通物流环境与电子商务发展的关系有正有负，大部分地区呈正相关关系，表明交通物流环境越好，电子商务发展水平越高。交通物流环境的电子商务发展回归系数东北、华北、西北地区为正相关关系，华南、华东地区为负相关关系，相关性由北向南逐渐降低，电子商务发展水平的回归系数最大值出现在内蒙古包头，为0.223516，最小值出现在江西赣州，为-0.158815。对于华东等发达地区而言，整体技术水平和交通状况优势明显，其中长三角和珠三角地区具备完善的海陆空交通系统，众多快递物流企业都集聚于此，运输成本低，因而交通仓储邮电从业人员数量的增加对电子商务发展的促进作用已经不大；而东北等地区的技术水平和交通条件依然是制约电子商务发展的原因之一，电子商务可帮助人们更便捷地购买商品，缩小地区差异，在一定程度上降低了区域经济发展的不平衡。另外，许多发展较好的电商都建立了自身物流体系，如果要提升电子商务发展水平，则需要对物流网络提出更高的要求，有效提高物流的效率，优化处理运输路线、工具以及时间的选择，降低商品供应链中的物流成本。所以，交通物流环境的改善对提升电子商务发展水平有显著的正向促进作用。
信息基础设施对电子商务发展影响最小，呈正相关关系，表明信息基础设施越好，电子商务发展水平越高。电商的发展促进快递服务业的发展，而邮政业务量可以同时体现电商的应用和服务水平。西北、西南和东北地区信息基础设施对电子商务发展影响最大，均为促进作用。电子商务发展水平的回归系数最大值出现在四川南充，为0.0017，最小值出现在河南漯河，为0.0005。当前中国内陆地区电子商务发展水平总体上偏低，且很大程度取决于交通物流设施，西北、西南和东北地区居民在本地购物不便，商品可获得性较差，零售业落后于华东、华南地区，因此导致运用电子商务的比重较大，对电子商务的发展有正向的促进作用。
互联网普及程度与电子商务发展在大部分城市呈正相关关系，表明互联网普及程度越高，电子商务发展水平越高。互联网普及程度的回归系数重电子商务发展水平空间分布由华东、华南地区向西北、东北地区呈递减趋势，电子商务发展水平最大值出现在浙江嘉兴，为0.41104，最小值出现在四川南充，为-0.05228。表明互联网普及程度在华东、华南地区对电子商务发展的影响较大。珠三角和海峡西岸经济区在改革开放后，经济活跃、商业繁荣，激发了创业人才和创新主体的动力，抓住信息化机遇，创建并集聚了大量电子商务企业，促进电子商务快速发展。

4 结论与讨论

4.1 结论

第一，阿里巴巴电子商务发展水平仍处于初级阶段，整体水平偏低。两极化严重，发展不均衡，长三角、珠三角等沿海经济区属于较为发达区域，西北、西南和东北地区为相对落后区域。华东、华南地区的电子商务发展水平、网购及网商指数较为相同，说明企业和居民运用电子商务的水平全都在全国领先，而华北、华中和东北地区的网购指数较高，网商指数较低，说明居民的网络消费水平比较高，电子商务企业发展情况较差。
第二，阿里巴巴电子商务发展水平分布具有显著的空间正相关性，即自身发展水平与周边地区发展水平相似的空间冷热点集聚特征，其中热点区集聚在华东地区、华南地区，西北、西南地区则为冷点区。沿海经济区虽然处于较高水平，但对周边地区的辐射、带动作用难以发挥。
第三，采用纳入了空间效应的空间变系数的GWR模型对影响因素进行分析，一些变量在不同的地区有正或负作用，可能是由于各个地区的经济、交通、信息化水平和地理位置不同的原因使得估计系数具有空间非平稳性。阿里巴巴电子商务发展水平受互联网普及程度、交通物流环境、城市人力资本水平、经济发展水平影响显著，在大部分地区表现为明显的正向影响，而电子商务发展水平受人口规模、信息基础设施则影响不明显。GWR模型估计系数的空间异质性表明各地区在制定发展战略过程中要因地制宜，进行富有区域特色的发展规划。

4.2 讨论

随着《电子商务发展“十一五”规划》的实施，电子商务会在国民经济的各个方面获取更多推广与运用，电子商务交易额将稳步快速提升，电子商务在长三角、珠三角与环渤海等沿海地区迅猛发展，空间溢出效应明显，辐射力不断增强，有助于东北、西北和西南地区之间的协同发展，可以借鉴华东、华南地区电子商务的发展模式，在“互联网＋”和“双创”大环境下，提高信息和物流基础设施水平，将特色产业与电商平台结合起来，推动商业文化浓厚和轻工业基础良好地区优先发展，从而提升地方经济发展水平。
我国电子商务的相关研究起步较晚，基础数据尚不完整，难以做进一步深入细致的探讨；尺度选择方面，本文仅局限于各市级层面，并未对县区尺度的电子商务发展水平进行分析，因此电子商务相关问题的研究空间还很大。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
张滨, 刘小军, 陶章. 中国跨境电子商务物流现状及运作模式[J]. 中国流通经济, 2015(1):51-56.

[2]
Houser D, Wooders J. Reputation in auctions:Theory,and evi-dence from eBay[J]. Journal of Economics & Management Strategy, 2006, 15(2):353-369.

[3]
Clemons E K, Dewan R M, Kauffman R J. Economics and Elec-tronic Commerce[J]. Journal of Economic Perspectives, 2001, 15(1):3-12.

[4]
金虹, 林晓伟. 中国跨境电子商务的发展模式与策略建议[J]. 宏观经济研究, 2015(9):40-49.

[5]
聂林海. “互联网+”时代的电子商务[J]. 中国流通经济, 2015(6):53-57.

[6]
Efendioglu A M, Yip V F. Chinese culture and e-commerce:anexploratory study[J]. Interacting with Computers, 2004, 16(1):45-62.

[7]
Linder J C, Cantrell S. Changing Business Models:Surveyingthe Landscape[D]. Accenture: Institute for Strategic Change, 2001.

[8]
Andreopoulou Z S, Kokkinakis A K, Koutroumanidis T. Assess-ment and optimization of e-commerce websites of fish culture sector[J]. Operational Research, 2009, 9(3):293-309.

[9]
王贤文, 徐申萌. 中国C2C淘宝网络店铺的地理分布[J]. 地理科学进展, 2011, 30(12):1 564-1 569.

[10]
马海涛, 李强, 刘静玉, 等. 中国淘宝镇的空间格局特征及其影响因素[J]. 经济地理, 2017, 37(9):118-124.

[11]
路紫, 李晓楠, 杨丽花, 等. 基于邻域设施的中国大城市网络店铺的区位取向——以上海深圳、天津、北京四城市为例[J]. 地理学报, 2011, 66(6):813-820.

[12]
汪明峰, 卢珊. 网上零售企业的空间组织研究——以“当当网”为例[J]. 地理研究, 2011, 30(6):965-976.

[13]
余金艳, 刘卫东, 王亮. 基于时间距离的C2C电子商务虚拟商圈分析——以位于北京的淘宝网化妆品零售为例[J]. 地理科学, 2013, 68(10):1 380-1 388.

[14]
席广亮, 甄峰, 张敏. 网络消费时空演变及区域联系特征研究——以京东商城为例[J]. 地理科学, 2015, 35(11):1 372-1 380.

[15]
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.

[16]
汤英汉. 中国电子商务发展水平及空间分异[J]. 经济地理, 2015, 35(5):9-14.

[17]
Weltevreden J W J. Substitution or complementarity?How theInternet changes city centre shopping[J]. Journal of Retailing and Consumer Services, 2007, 14(3):192-207.

[18]
Hernández B, Jiménez J, Martín M J. Customer behavior inelectronic commerce:The moderating effect of e-purchasing experience[J]. Journal of Business Research, 2010, 63(9):964-971.

[19]
汪明峰, 卢珊, 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):1 835-1 840.

[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]
Anselin L, Syabri I, Kho Y. Geoda:An Introduction to SpatialData Analysis[J]. Geographical Analysis, 2006, 38(1):5-22.

[22]
孟斌, 张景秋, 王劲峰, 等. 空间分析方法在房地产市场研究中的应用——以北京市为例[J]. 地理研究, 2005, 24(6):956-964.

[23]
张凌云, 李松, 张洁, 等. 基于空间自相关的乌鲁木齐市民族居住格局研究[J]. 干旱区资源与环境, 2014, 28(3):50-56.

[24]
庞瑞秋, 腾飞, 魏冶. 基于地理加权回归的吉林省人口城镇化动力机制分析[J]. 地理科学, 2014, 34(10):1 210-1 217.

[25]
Akaike H. A New Look at the Statistical Model Identification[J]. IEEE Transactions on Automatic Control, 1974, 19(6):716-723.

Options
Outlines

/

〈 〉