EN中文

热带地理 >

2019 , Vol. 39 >Issue 5: 790 - 798

DOI: https://doi.org/10.13284/j.cnki.rddl.003167

论文

C2C服装店铺信用等级的规模分布及其影响因素——以江浙沪地区为例

  • 赵键 ,
  • 王琛
展开
  • 浙江大学 地球科学学院,杭州 310027
王琛（1981—）,女,湖北天门人,教授,博导,唐仲英青年学者,主要从事产业集群、企业创新、电子商务与区域经济发展等研究,（E-mail） 。

赵键（1994—）,男,浙江苍南人,硕士生,主要从事人文地理、城市地理研究,（E-mail）zhaojian721@foxmail.com;

收稿日期: 2019-02-14

  要求修回日期: 2019-07-15

  网络出版日期: 2019-11-08

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Size Distribution of Credit Rating of C2C Clothing Stores and Its Influencing Factors: A Case Study of Jiangsu, Zhejiang, and Shanghai

  • Jian Zhao ,
  • Chen Wang
Expand
  • School of Earth Sciences, Zhejiang University, Hangzhou 310027, China

Received date: 2019-02-14

  Request revised date: 2019-07-15

  Online published: 2019-11-08

Copyright

Copyright reserved © 2019
Fold

摘要

通过搜集与计算得到江浙沪地区各城市淘宝男装、女装、童装及服装店铺整体的信用等级,同时借助集中程度分析、位序—规模法则及回归分析,探讨了该地区淘宝服装店铺信用等级的规模分布特征及其影响因素。结果表明：1）除童装外,江浙沪地区淘宝服装店铺整体及男装、女装店铺,其信用等级的位序—规模分布满足齐夫法则;2）江浙沪地区淘宝服装店铺信用等级的空间分布形态满足对数正态分布模式;3）淘宝服装店铺信用等级的无标度区涵盖了江浙沪地区绝大部分城市,其规模分布结构相对优化;4）淘宝服装店铺的信用等级受信息化水平、物流指数、基础规模实力、文化教育水平、经济发展水平和区位优势度等因素的综合影响,但当地服装产业的工业集中度未能影响淘宝服装店铺的信用等级。

关键词： C2C电子商务; 服装店铺; 信用等级; 规模分布; 江浙沪地区

本文引用格式

赵键 , 王琛 . C2C服装店铺信用等级的规模分布及其影响因素——以江浙沪地区为例[J]. 热带地理, 2019 , 39(5) : 790 -798 . DOI: 10.13284/j.cnki.rddl.003167

Abstract

Presently, the e-commerce industry is one of the most globally competitive industries and China has a huge e-commerce market. It is essential to understand e-commerce to develop the service industry. As a comprehensive online shopping platform mainly based on a customer-to-customer (C2C) model, Taobao is a market leader in China’s C2C market, with garment products being the most traded category. Located in the eastern part of mainland China, the Jiangsu, Zhejiang, and Shanghai region consists of 25 cities, covering the main part of the Yangtze River Delta Urban Agglomerations. The comprehensive strength and the extent of e-commerce in the region has a highly demonstrative effect, and the overall scope of its garment and service industry is relatively high. The scale, grade, and transaction status of Taobao stores are expressed through credit rating, which largely reflects the overall development of Taobao stores. In the literature on e-commerce, to improve the new location theory and optimize the pattern of e-commerce, it is vital to further consider the overall development of e-commerce stores and study the spatial distribution rules with store credit rating as the objective. The present study investigates the city-level size distribution of Taobao C2C clothing stores’ credit rating and its determinants in Jiangsu, Zhejiang, and Shanghai based on the data gathered and measured from online individual Taobao stores. Quantitative methods such as concentration analysis, rank-size rule, and regression analysis were adopted to obtain the following findings. 1) According to the ln-ln graph, due to the production, market characteristics, and consumption patterns of children’s clothing, the credit rating’s rank-size distribution of stores focusing on men’s and women’s clothing obeys the Zipf law, but that of stores focusing on children’s clothing does not. The credit rating’s rank-size distribution of all the surveyed stores also obeys the Zipf law. The government should boost children’s clothing industry and provide the necessary funds and technical support to enhance the balance of the stores’ credit rating. 2) Since the Zipf parameter is less than 1, the rank-size distribution pattern of the credit rating of Taobao clothing stores in this area follows a log normal distribution, which implies that the credit rating of high-order cities is not prominent enough, the number of middle-order cities is large, and the overall scale distribution is relatively balanced. However, the overall credit rating of Taobao clothing stores in this area is distributed in a weak spatial concentration. Therefore, the government should encourage communication and learning of improving credit rating of e-commerce stores. 3) The nonscaling ranges of the credit rating of Taobao clothing stores include most of the cities in Jiangsu, Zhejiang, and Shanghai, which reveals a relatively optimized pattern in terms of the size distribution structure in this area. 4) The credit rating of Taobao clothing stores is affected by factors such as the degree of informatization, logistics, comprehensive strength, and education, as well as economic level and locational advantage. However, the industrial concentration of the local clothing industry has not affected the credit rating of Taobao clothing stores.

Key words： C2C e-commerce; clothing store; credit rating; size distribution; Jiangsu; Zhejiang; and Shanghai

开放科学（资源服务）标识码（OSID）：
电子商务产业是目前最具发展潜力及国际竞争力的产业之一,中国的电子商务市场已极具规模。其中C2C模式（Consumer to Consumer）是中国目前最活跃的电子商务模式,其参与人数占交易用户数的近60%（洪琼 等,2008）。作为以C2C模式为主的综合类网上购物平台,淘宝网在国内C2C市场中占据绝对优势。在网购商品交易类别上,iReseach的咨询调研数据显示：服装鞋帽类商品自2007年开始,超过手机、笔记本等数码类产品,成为淘宝网交易量最大的商品品类（周章伟 等,2011）。淘宝服装店铺发展至今,规模体系已相对完善。电商时代下,电子商务对服务业发展具有正向拉动作用（陈迪,2019）。目前国内外学者关于电子商务的研究已取得一定成果,虽然其中对电子商务空间分布的相关研究起步较晚,但其随电子商务发展而逐渐受到学者们的关注。中国电子商铺分布存在明显的空间集聚特征,密集程度由沿海向内陆递减（俞金国 等,2010;钟海东 等,2014）;电子商务发展水平亦呈沿海向内陆递减趋势,长三角城市群为电子商务核心区域之一（浩飞龙 等,2016;刘晓阳 等,2018）。研究发现,电子商务改变了传统零售商销售环境（Currah, 2002）、改变消费者消费模式及社交行为（Adjei et al., 2010; Lu et al., 2016; Lv et al., 2018; Tian, 2018）,其虚拟网络消费空间形态在一定程度上区别于传统区位理论（余金艳 等,2013;张敏 等,2015）。互联网时代下,电子商务新区位理论正在逐步形成与完善。在应用层面上,针对目前电子商务网站信用评价模型的真实性、合理性问题,已有学者们提出相应改进措施（洪琼 等,2008;杨韵,2010;Yu et al., 2016）。总之,电子商务研究正逐渐受到学者们的关注,研究内容也逐渐丰富,但关于电子商铺信用等级的空间分布研究尚显不足。
淘宝店铺的规模、等级、交易状况以信用等级表示,该值在一定程度上反映了淘宝店铺的整体发展水平。在现有电子商务空间分布研究中,学者们主要基于电子商铺数量探究网络店铺的空间分布特征,如周章伟等（2011）通过基尼系数、集中度指数等方法分析不同类型网络店铺的集聚特征,其中女装/女士精品类店铺倾向于分布在东部沿海地区;王贤文等（2011）对中国C2C电子商铺的空间关联性特征进行实证分析,发现经济发展程度、物流业水平与C2C电子商务发展高度相关。在此基础上,丁志伟等（2016）开始关注电子商铺服务质量的空间分布特征,通过构建综合服务质量指标,分析了中国中部C2C店铺服务质量的空间分异现象和空间网络联系特征,并得出电子商铺服务质量受基础规模实力、城镇化质量、文化教育水平、信息化水平、物流环境和区位优势等因素的综合影响。此外,董国芳等（2017）还提出工业集中度亦影响电子商铺的空间分布。在电子商务研究体系中,进一步综合考虑电子商铺整体发展水平,以店铺信用等级为对象研究其空间分布规律,对于丰富电子商务新区位理论、优化电子商务格局具有重要意义。
整体来看,目前针对电子商务特别是淘宝店铺空间分布的研究多以店铺数量为对象,而与电子商铺信用等级相关的研究很少,且缺少对其空间分布结构模式及其优化程度的探讨。此外,淘宝店铺空间分布研究虽涵盖不同店铺类型,但淘宝服装类店铺作为淘宝高成交量的店铺类型之一,其研究深入程度尚显不足。鉴于此,本文以江浙沪地区25个城市淘宝男装、女装、童装店铺及服装店铺综合为研究对象,统计其信用等级相关信息,借助集中程度分析、位序—规模法则及回归分析,探讨以下问题：1）江浙沪地区C2C淘宝服装店铺信用等级的空间分布及规模分布如何?2）男装、女装、童装店铺信用等级的分布规律有何差异?3）影响江浙沪地区C2C淘宝服装店铺信用等级的影响因素有哪些?以期在理论上探究C2C店铺信用等级的规模分布特征,丰富电子商务新区位理论,在实际应用中优化江浙沪地区乃至全国电子商铺信用等级格局,促进地区第三产业发展。

1 研究区概况与研究方法

1.1 研究区概况

江浙沪地区位于中国大陆东部,其范围涉及江苏全省13个地级市、浙江全省11个地级市及上海市,共计25个城市。该地区覆盖长三角城市群的核心部分,是中国经济重要增长极之一,其地区综合实力、电子商务发展水平极具示范效应,且其服装产业及服务业整体水平较高。因此,本文以该地区25个城市为对象研究C2C服装店铺信用等级的规模分布。

1.2 数据来源与处理

淘宝店铺满意程度的评分标准包括描述相符程度（实际商品与卖家描述是否一致,即卖家信誉水平）、卖家服务态度（商品售前与售后服务中的消息回复速度、态度与准确度）、物流服务水平（运费设置、卖家发货速度与包裹保护程度、物流配送速度与态度）。信用度计算方式为：在综合考虑3种店铺满意程度的评分标准下,按交易次数对商品进行评价,卖家方面每获得1个“好评”加1分,“中评”不得分,“差评”扣1分,并采取累积制,不同分值段对应不同图标（≥10 000 001分皆为5金冠店铺）。该信用等级评价依据“好中差”成交质量的交易数量,体现了淘宝店铺的规模、等级、交易状况等情况。
利用淘宝自带的店铺搜索功能,分别按男装、女装、童装3个关键词及店铺所在地和店铺类型2个筛选条件搜集江浙沪地区25市的服装店铺信息,记录不同图标的店铺数量（如杭州男装5皇冠店铺有130家）。所有淘宝数据于2017-08-21—09-07采集完成。在保证数据科学性的基础上对淘宝信用等级表的每1个图标分值段取中间值（表1）,将其与对应等级的店铺数量相乘,再将各相乘值相加,得到综合信用度。由于5金冠店铺数量极少,以20 000 000作为5金冠店铺信用度最高值进行计算。平均指标因能反映各数值的集中趋势而更有利于体现每个城市的真实水平与综合特征,故在得到综合信用度后根据相应店铺总数计算其平均值,作为各城市的店铺信用等级。
表1 信用等级

Tab.1 Credit rating table

店铺等级 最低分值 最高分值 量化中值
1心 4 10 7.0
2心 11 40 25.5
3心 41 90 65.5
4心 91 150 120.5
5心 151 250 200.5
1钻石 251 500 375.5
2钻石 501 1 000 750.5
3钻石 1 001 2 000 1 500.5
4钻石 2 001 5 000 3 500.5
5钻石 5 001 10 000 7 500.5
1皇冠 10 001 20 000 15 000.5
2皇冠 20 001 50 000 35 000.5
3皇冠 50 001 100 000 7 5000.5
4皇冠 100 001 200 000 150 000.5
5皇冠 200 001 500 000 350 000.5
1金冠 500 001 1 000 000 750 000.5
2金冠 1 000 001 2 000 000 1 500 000.5
3金冠 2 000 001 5 000 000 3 500 000.5
4金冠 5 000 001 10 000 000 7 500 000.5
5金冠 10 000 001 20 000 000 15 000 000.5
物流网点数据来源于快递网点查询网站（http://www.kuaidi100.com/network/）,其他经济指标数据分别来源于《江苏统计年鉴2017》《浙江统计年鉴2017》《上海统计年鉴2017》。

1.3 研究方法

1.3.1 地理集中度指数 使用地理集中度指数（王通 等,2015）反映江浙沪地区淘宝服装店铺信用等级的集中程度,表达式为：
$G\text{=}100\sqrt{\sum\limits_{i=1}^{n}{{{\left( \frac{{{x}_{i}}}{T} \right)}^{2}}}}$
式中：G为淘宝服装店铺信用等级的地理集中度指数;xi为第i个城市的信用等级;T为信用等级总值;n为城市总数。其中,G的取值范围为0~100,G值越大分布越集中,反之分布则越分散。
1.3.2 位序—规模法则 位序—规模法可用于进一步了解江浙沪地区淘宝服装店铺信用等级的空间分布结构模式及其优化程度。将按大小排序后的信用等级与其对应位序绘在双对数坐标图上以观察拟合态势,若存在回归拟合函数且判定系数>0.9,则两者的位序—规模分布满足齐夫法则,此时的位序—规模分布存在无标度区间;落在无标度区间范围之外的城市,其实际规模与理论规模有一定差距。公式为（谈明洪 等,2003;叶浩 等,2017）：
P（K）=P1·K-q
式中：P(K)是位序为K的淘宝服装店铺信用等级;P1为首位城市淘宝服装店铺信用等级;K为城市位序;q为zipf维数（齐夫参数）。将上式两边取对数,可得：
lnP（K）=lnP1–qlnK
齐夫认为,当q=1时,区域城市体系处于自然状态下的最优分布;当q<1时,城市规模分布相对均衡,中间位序城市较多;当q>1时,城市规模分布差异较大,首位城市垄断地位较强（王颖 等,2011;程开明 等,2012）。对应的空间分布形态为,q≥1,规模等级结构呈帕雷托分布模式;q<1,规模等级结构呈对数正态分布模式（杨国良 等,2007;赵媛 等,2010）。一般而言,q<1且无标度区间范围涵盖大部分城市,该规模分布结构优化程度较高。

2 结果与分析

2.1 研究区域信用等级概况

将计算所得的江浙沪地区25市淘宝男装、女装、童装及服装店铺整体信用等级导入ArcGIS 10.2软件进行分类（图1）。
图1 江浙沪地区淘宝服装店铺信用等级的空间分布

Fig.1 Spatial distribution of credit rating of Taobao clothing stores in Jiangsu, Zhejiang, and Shanghai

男装店铺信用等级的高值区主要包括上海、江苏省南部、浙江省杭金绍地区;低值区主要包括江苏省中西部及浙江省北部（图1-a）。城市层面上,男装店铺信用等级前3名依次为上海（55 567.03）、杭州（48 395.66）、金华（45 123.89）,其值远大于后序位城市;泰州（7 526.72）、舟山（6 566.57）与前序位城市差距较大。女装店铺高信用等级城市在空间分布上更为集中,主要聚集在江浙沪地区的中部;江苏省中北部、浙江省南部低值城市集中（图1-b）。城市层面上,女装店铺信用等级前3名依次为杭州（65 885.53）、上海（40 662.83）、苏州（33 199.98）;淮安（5 537.81）、宿迁（5 532.20）在各城市中排名末尾。女装店铺中等级偏低的心级、钻级店铺数量较多,导致其信用等级在整体上落后于男装和童装。童装店铺高信用等级区范围较广,涵盖了上海、江苏省中南部及浙江省大部分地区（图1-c）;低值城市零散分布且数量较少。城市层面上,金华（107 403.68）、上海（66 459.64）、杭州（44 287.04）的童装店铺信用等级排名靠前;宿迁（6 750.89）、舟山（4 867.38）排名末尾,其值与前序位城市有较大差距。由于金华童装店铺中金冠店数量较多（表2）,其童装店铺信用等级远高于后序位城市。
表2 金华淘宝童装金冠店数量情况

Tab.2 The amount of Taobao children’s golden clothing stores in Jinhua city

店铺类别 店铺数量/家 占童装同类店铺数量的比例/%
1金冠 51 21.43
2金冠 39 34.82
3金冠 18 26.47
4金冠 6 46.15
5金冠 12 63.16
从服装店铺综合的信用等级空间分异格局来看（图1-d）,上海、江苏省东南部、浙江省杭金地区高值城市集中;低值城市在浙江省零散分布,在江苏省主要聚集在中北部。省域层面上,浙江省服装店铺综合信用等级（22 019.47）优于江苏省（16 595.63）。城市层面上,金华（58 006.47）、上海（54 248.94）、杭州（53 117.62）3市服装店铺综合信用等级远高于后序位城市;在25市中排名末位的2座城市分别为宿迁（7 364.61）和舟山（7 006.00）。
在服装店铺综合的排名中,金华、上海、杭州位居前三,并且分别属于童装、男装、女装店铺信用等级的首位城市。江苏省内南通、苏州、常州、无锡、南京综合的排名为第4—8,其男装、女装、童装店铺均发展良好。浙江省内台州、绍兴、宁波、衢州排名为第9—12,其分类店铺发展各有侧重。其中,台州、衢州的童装店铺信用等级较好,绍兴的男装店铺排名靠前,宁波女装店铺信用等级较好。位列第13—17的城市依次为扬州、温州、湖州、连云港、徐州,其中,温州、连云港各类服装排名都比较稳定,湖州男装店铺表现相对较差,扬州、徐州女装店铺表现相对较差。盐城、嘉兴、丽水、泰 州、镇江、淮安排名为第18—23,其服装店铺整体发展较差,除盐城男装店铺、嘉兴女装店铺、泰州童装店铺的排名相对靠前外,其余各类排名都接近末尾。宿迁、舟山的服装店铺综合位列最末,其分类店铺（男装、女装、童装）信用等级也与其他城市有较大差距。

2.2 信用等级的集中程度分析

根据公式（1）,计算得到江浙沪地区淘宝服装店铺信用等级的地理集中度指数。为进一步判断其集中程度,比较求得的各实际地理集中度指数与均质状态下该数值的差距（王通 等,2015）,假设25个城市的店铺信用等级皆相等,此均质状态下的地理集中度指数为20.00。由表3可知,男装、女装、童装、服装综合店铺信用等级的地理集中度指数皆>20.00,结合图1可知,在城市层面上,江浙沪地区淘宝服装店铺信用等级的分布趋于集中,但集中程度一般。在分类店铺中,女装和童装店铺信用等级的集中程度相对高于男装店铺。女装店铺中,高信用等级城市主要集中在江浙沪地区的中部,低信用等级城市主要集中在江苏省北部与浙江省南部;童装店铺中,高信用等级城市主要集中在浙江省中北部,低信用等级城市主要集中在江苏省北部;男装店铺中,高、低信用等级城市相对分散。服装店铺综合中,高信用等级城市主要集中在上海、江苏省东南部及浙江省大部分地区,低信用等级城市主要集中在江苏省北部。整体而言,江浙沪地区淘宝服装店铺信用等级呈弱集中分布。
表3 江浙沪地区淘宝服装店铺信用等级的地理集中度指数

Tab.3 The geographic concentration index of Taobao clothing stores’ credit rating in Jiangsu, Zhejiang, and Shanghai

店铺类别 地理集中度指数
男装 23.39
女装 26.45
童装 26.04
服装综合 24.21

2.3 信用等级的位序-规模分布

根据公式（3）,将计算所得的淘宝服装店铺信用等级与对应位序绘在双对数坐标图上。由图2可知,模型具有统计学意义,且4幅图中都存在1段无标度区间。男装、女装以及服装综合店铺拟合直线的判定系数都>0.9,说明其位序-规模分布满足齐夫法则;童装店铺拟合直线的判定系数只有0.894 8,拟合程度相对较差,其位序-规模分布不完全满足齐夫法则。在服装市场中,女装市场内部品类众多、更新快、易受时尚潮流冲击,且因性别间购物行为差异,网上消费群体较大,女装店铺数量多、市场体系较完善。男装店铺数量与市场更新速度虽不如女装,但交易成功率较高,市场体系发育良好。而童装生产相对复杂,对色彩、布料要求更高,购物消费模式也区别于男女装。相较于发展趋于平衡的男女装市场,童装店铺数量最少,市场体系尚未定型,因此江浙沪地区淘宝童装店铺信用等级的位序-规模分布不完全满足齐夫法则。但童装具有不易过时、不易囤积等特点,是目前市场的主攻方向,且随国家生育政策的推进与国内生活水平的日渐提高,童装产业发展潜力巨大,童装店铺信用等级的规模分布会更趋合理,空间分布结构会更趋完善。
图2 江浙沪地区淘宝服装店铺信用等级的位序-规模分布双对数

Fig.2 The ln-ln graph of credit rating of Taobao clothing stores in Jiangsu, Zhejiang, and Shanghai

服装店铺信用等级的位序-规模分布各项参数见表4。在空间分布形态上,男装、女装、服装综合店铺的齐夫参数（q值）都<1,其规模等级结构呈对数正态分布模式,高位序城市的信用等级不够突出,中间位序城市数较多,分布相对均衡。由表4可知,男装、女装、服装综合店铺首位城市的店铺信用等级理论值皆大于实际数值,表明江浙沪地区淘宝服装店铺首位城市的信用等级不够突出,仍存在发展空间。另外,男装店铺的无标度区范围为上海到宿迁,泰州和舟山落在无标度区范围之外;女装店铺的无标度区范围为杭州到扬州,徐州、淮安、宿迁落在无标度区范围之外;服装综合的无标度区范围为金华到淮安,宿迁和舟山落在无标度区范围之外。各类服装店铺及服装综合店铺中都存在2~3个落在无标度区范围之外的城市,这些城市与其他城市在淘宝服装店铺信用等级上存在一定差距。但在整体上,服装综合店铺齐夫参数（q值）<1且无标度区范围涵盖绝大部分城市,表明江浙沪地区淘宝服装店铺信用等级的规模分布结构优化程度较高。
表4 江浙沪地区淘宝服装店铺信用等级位序-规模分布的无标度区范围及齐夫参数

Tab.4 The non-scaling range and zipf parameter of the rank-size distribution of Taobao clothing stores’ credit rating in Jiangsu, Zhejiang, and Shanghai

店铺
类别		 无标度
区间		 拟合方程 齐夫
参数		 结构
容量		 首位城市信用
等级理论值		 判定
系数
男装 K1~K23 y=-0.643 1x+11.282 0.643 1 11.282 0 79 379.863 0 0.926 9
女装 K1~K22 y=-0.770 2x+11.207 0.770 2 11.207 0 73 644.150 8 0.987 1
童装 K1~K23 y=-0.734 7x+11.613 0.734 7 11.613 0 110 525.329 5 0.894 8
服装综合 K1~K23 y=-0.661 1x+11.288 0.661 1 11.288 0 79 857.573 8 0.943 4

2.4 信用等级的影响因素分析

淘宝店铺信用等级与店铺满意程度相关,即受描述相符程度、卖家服务态度、物流服务水平影响。信用等级计算结果显示,店铺高发展区主要为基础实力强劲、经济水平较高、区位优势明显的核心城市。结合计算结果与参考文献（王贤文 等,2011;丁志伟 等,2016;董国芳 等,2017）,假设：淘宝店铺信用等级受工业集中度、基础规模实力、信息化水平、文化教育水平、物流指数、经济发展水平、区位优势度影响。
鉴于数据可获得性,选取7个自变量来探讨江浙沪地区淘宝服装店铺信用等级的影响因素：以纺织服装及服饰业工业总产值（X1）衡量工业集中度,以社会消费品零售总额（X2）衡量基础规模实力,以移动电话用户数（X3）衡量信息化水平,以高等学校数量（X4）衡量文化教育水平,以物流网点数量（X5）衡量物流指数,以城镇居民人均可支配收入（X6）衡量经济发展水平,以城市等级（X7）衡量区位优势度。其中,城市等级的计算方式为把直辖市、副省级城市和省会城市赋值为1,其余地级市赋值为0（浩飞龙 等,2016）。利用SPSS 18.0软件进行相关分析、回归分析,结果见表5。
表5 信用等级影响因素分析

Tab.5 The analysis of influencing factors of credit rating

自变量Xi 回归系数β 相关系数ρ t P值
X1 14.446 0.203 0.996 0.330
X2 4.299 0.679 4.433 <0.001
X3 16.720 0.740 5.278 <0.001
X4 625.196 0.656 4.168 <0.001
X5 10.974 0.685 4.511 <0.001
X6 0.810 0.529 2.992 0.007
X7 18 839.342 0.494 2.725 0.012
由表5可知,模型具有统计学意义,以下6个自变量均与信用等级存在较强的正相关关系,相关系数由大到小依次为移动电话用户数、物流网点数量、社会消费品零售总额、高等学校数量、城镇居民人均可支配收入、城市等级;纺织服装及服饰业工业总产值未能通过显著性水平检验。
在6个主要影响因素中,信息化水平对于提升电子商铺信用等级起关键作用。移动电话用户数在一定程度上反映了当地网络用户的数量,庞大的网络用户群体加快了信息传播速度,淘宝商户更易了解市场态势与先进服务理念、服务方法,使其与客户沟通体验更好,更易获得满意评价,进而提升店铺信用等级。物流指数为电子商铺信用等级提升提供支撑。物流配送是网络购物的必要环节,物流网点数量在一定程度上反映了城市物流业发展水平。高物流服务水平城市,其物流种类丰富程度与网点密集程度更高,物流配送速度、态度与包裹安全程度更优,店铺更易获得满意评价,提升店铺信用等级。基础规模实力是提升电子商铺信用等级的基础。社会消费品零售总额在一定程度上反映了城市网络消费情况,地区网络消费购买力强,淘宝商户更具市场意识,所售商品描述相符程度更高,对促进店铺信用等级的提升有一定作用。文化教育水平为电子商铺信用等级提升提供保障。高等学校数量在一定程度上反映了地区文化教育水平,良好文教环境下,淘宝商户整体学历水平更高,具有更强烈的服务意识和更高效的服务技能,善于创意营销,故客户与卖家沟通体验更好、淘宝店铺信用等级更高。经济发展水平在电子商铺信用等级影响因素中占主导地位。较高的城镇居民人均可支配收入意味着较大的消费潜力及服务要求,城市商品经济发达,交通运输及服务行业发展水平高,物流服务水平更有保障,淘宝店铺更易获得满意评价,信用等级更高。区位优势度在提升电子商铺信用等级上具有重要作用。城市等级在一定程度上反映了城市的政策环境及区位优势,优越的区位有利于吸引人口、投资,增加城市对外开放程度、提高物流通达水平,这些都有利于店铺信用等级的提升。纺织服装及服饰业工业总产值与电子商铺信用等级无明显相关性。尽管工业集中能促进电子商铺集聚,增加线上店铺的竞争压力,且商家更熟悉货源、了解商品,增加商品描述相符程度,从而促使其提升店铺信用等级,但是,在江浙沪地区,服装产业集聚与当地专业市场相辅相成（陆立军 等,2011）,很多淘宝店铺同时也利用专业市场平台进行线下销售。由于仍有其他销售渠道,线上竞争带来的压力得到缓解,因此,工业集中度并未推动淘宝店铺信用等级提升。
综上,信息化水平、物流指数、基础规模实力、文化教育水平、经济发展水平、区位优势度等因素共同推进江浙沪地区电子商务发展及电子商铺信用等级提升。该地区覆盖长三角城市群的核心部分,其中大部分城市基础实力较强、极具区位优势,且具有较高的经济发展水平、信息化水平与文化教育水平,同时物流网点种类丰富、分布密集,整体电子商务环境良好、电子商铺发展水平高,各城市间店铺信用等级均衡发展,故该地区淘宝服装店铺信用等级的规模分布呈结构优化程度较高、分布相对均衡的对数正态分布模式。其中,金华、上海、杭州虽为童装、男装、女装店铺信用等级的首位城市,但由于该地区电子商铺整体呈高水平的均衡发展状态,各首位城市的淘宝服装店铺信用等级不够突出,仍存在发展空间。落在无标度区范围之外的城市如宿迁、舟山等,其城市体量较小、规模实力相对较弱,经济发展水平、信息化水平、文化教育水平相比其他城市存在一定差距,物流网点密集程度、对外联系程度亦相对较差,因而店铺信用等级弱于其他城市。

3 结论与讨论

借助集中程度分析、位序—规模法则及回归分析探索江浙沪地区C2C服装店铺信用等级的规模分布规律及其影响因素,所得结论为：
1）根据位序—规模双对数图可得,江浙沪地区淘宝服装店铺整体及男装、女装店铺,其信用等级的位序—规模分布满足齐夫法则;童装由于自身制作、市场特性、消费模式等问题,其位序—规模分布不完全满足齐夫法则。
2）江浙沪地区淘宝服装店铺信用等级的规模分布齐夫参数（q值）<1,其空间分布形态满足对数正态分布模式,高位序城市信用等级不够突出,中间位序城市数较多,整体规模分布比较均衡。
3）淘宝服装店铺信用等级的无标度区范围涵盖了江浙沪地区的绝大部分城市,表明该地区服装店铺信用等级的规模分布结构相对优化。
4）淘宝服装店铺的信用等级受信息化水平、物流指数、基础规模实力、文化教育水平、经济发展水平、区位优势度等因素的综合影响,但当地服装产业的工业集中度未能影响淘宝服装店铺的信用等级。
在已有电子商务研究的基础上,本文以电子商铺信用等级为切入点,探讨其规模分布特征及其影响因素。结果发现,江浙沪地区整体淘宝服装店铺的信用等级虽满足结构优化程度较高的对数正态分布模式,但呈弱空间集中分布状态。这一结论与丁志伟等（2016）关于中国中部地区的研究结果相似,表明在电子商铺信用等级上,城市间的示范带动效应较弱,极化效应不显著,政府应积极推动城市间电子商铺信用等级提升的交流学习。江浙沪地区淘宝童装店铺信用等级的规模分布不完全满足齐夫法则、均衡性相对较差,表明童装市场体系尚存发展空间,政府应积极推进童装产业发展,提供必要的资金与技术支持,增强其店铺信用等级均衡性。董国芳等（2017）指出,工业集中地区产生的外部经济效应（公用公共设施、知识溢出效应等）有利于电子商铺的发展。但本文分析发现,淘宝服装店铺信用等级与纺织服装及服饰业工业总产值表征的工业集中度无明显相关性。在探讨工业集中度与淘宝服装店铺信用等级的关系中未能考虑到当地专业市场对其关系的影响,是导致出现不同结果的重要原因。江浙沪地区淘宝服装店铺的信用等级不仅与线上店铺数量相关,更与线下店铺数量与销售模式存在重大关系,有效的线下销售渠道极大缓解了线上竞争压力而不利于淘宝店铺信用等级提升。工业集中度、淘宝店铺信用等级、当地专业市场之间的关系仍需要更多的经验研究进行论证。
由于数据的局限性,本文没有探讨地域文化对店铺信用等级的影响,这可作为进一步的研究方向。另外,由于选取的时间断面单一,难以探讨该规模分布模式的形成与演化机理,后续将从长时间的动态角度研究淘宝店铺信用等级的演化规律。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
1
Adjei M T, Noble S M and Noble C H . 2010. The Influence of C2C Communications in Online Brand Communities on Customer Purchase Behavior. Journal of the Academy of Marketing Science, 38(5):634-653.

2
陈迪 . 2019. 电子商务发展推动现代服务业进步的实证分析. 商业经济研究,( 8):77-79.

[ Chen Di . 2019. The Empirical Analysis of the Development of E-commerce Promoting the Progress of Modern Service Industry. Journal of Commercial Economics, ( 8):77-79. ]

3
程开明, 庄燕杰 . 2012. 城市体系位序-规模特征的空间计量分析——以中部地区地级以上城市为例. 地理科学, 32(8):905-912.

[ Cheng Kaiming and Zhuang Yanjie . 2012. Spatial Econometric Analysis of the Rank-size Rule for Urban System: A Case of Prefectural-level Cities in China’ s Middle Area. Scientia Geographica Sinica, 32(8):905-912. ]

4
Currah A . 2002. Behind the Web Store: the Organisational and Spatial Evolution of Multichannel Retailing in Toronto. Environment and Planning A, 34(8):1411-1442.

5
丁志伟, 周凯月, 康江江, 王发曾, 张改素 . 2016. 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. 地理研究, 35(6):1074-1094.

[ Ding Zhiwei, Zhou Kaiyue, Kang Jiangjiang, Wang Fazeng and Zhang Gaisu . 2016. The Spatial Differentiation and Influencing Factors of the Service Quality of C2C Stores in Central China: A Case Study of Five Types of Taobao Online Stores. Geographical Research, 35(6):1074-1094. ]

6
董国芳, 张晓芳 . 2017. 我国电子商铺空间分布的影响因素——基于淘宝网电子商铺的研究. 中国流通经济, 31(1):107-113.

[ Dong Guofang and Zhang Xiaofang . 2017. Research on the Influence Factors of Spatia Distribution of China’s E-shops. China Business and Market, 31(1):107-113. ]

7
浩飞龙, 关皓明, 王士君 . 2016. 中国城市电子商务发展水平空间分布特征及影响因素. 经济地理, 36(2):1-10.

[ Hao Feilong, Guan Haoming and Wang Shijun . 2016. Study on the Influencing Factors and Spatial Distribution of Electronic Commerce Development Level in China’s Cities. Economic Geography, 36(2):1-10. ]

8
洪琼, 何刚 . 2008. C2C电子商务网站信用评价模型的分析与研究. 中国管理信息化, 11(11):96-98.

[ Hong Qiong and He Gang . 2008. Analysis and Research on Credit Evaluation Model of C2C E-commerce Websites. China Management Informationization, 11(11):96-98. ]

9
刘晓阳, 丁志伟, 黄晓东, 王敏, 王发曾 . 2018. 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. 经济地理, 38(11):11-21.

[ Liu Xiaoyang, Ding Zhiwei, Huang Xiaodong, Wang Min and Wang Fazeng . 2018. Spatial Distribution Characteristics and Influence Factors of E-Commerce Development Level in China: Based on EDI of 1915 Counties. Economic Geography, 38(11):11-21. ]

10
Lu B, Fan W and Zhou M . 2016. Social Presence, Trust, and Social Commerce Purchase Intention: An Empirical Research. Computers in Human Behavior, 56:225-237.

11
陆立军, 郑小碧 . 2011. 基于共同演化的专业市场与产业集群互动机理研究:理论与实证. 中国软科学,( 6):117-129.

[ Lu Lijun and Zheng Xiaobi . 2011. Study on Mechanism of the Interaction between Specialized Market and Industrial Clusters Based on Co-evolution: Theory and Evidence. China Soft Science, ( 6):117-129. ]

12
Lv Z, Jin Y and Huang J . 2018. How do Sellers Use Live Chat to Influence Consumer Purchase Decision in China?. Electronic Commerce Research and Applications, 28:102-113.

13
谈明洪, 吕昌河 . 2003. 以建成区面积表征的中国城市规模分布. 地理学报, 58(2):285-293.

[ Tan Minghong and Lv Changhe . 2003. Distribution of China City Size Expressed by Urban Built-up Area. Acta Geographica Sinica, 58(2):285-293. ]

14
Tian X . 2018. Escaping the Interpersonal Power Game: Online Shopping in China. Qualitative Sociology, 41:545-568.

15
王通, 刘春玲, 马晓倩, 张书理, 刘琳 . 2015. 河北省A级旅游景区时空分布特征分析. 水土保持研究, 22(5):223-233.

[ Wang Tong, Liu Chunling, Ma Xiaoqian, Zhang Shuli and Liu Lin . 2015. Analysis on Spatial and Temporal Distribution Features of Level-A Scenic Spots in Hebei Province. Research of Soil and Water Conservation, 22(5):223-233. ]

16
王贤文, 徐申萌 . 2011. 中国C2C淘宝网络店铺的地理分布. 地理科学进展, 30(12):1564-1569.

[ Wang Xianwen and Xu Shenmeng . 2011. Geographical Distribution of C2C Taobao Online Stores in China. Progress in Geography, 30(12):1564-1569. ]

17
王颖, 张婧, 李诚固, 张雪娜 . 2011. 东北地区城市规模分布演变及其空间特征. 经济地理, 31(1):55-59.

[ Wang Ying, Zhang Jing, Li Chenggu and Zhang Xuena . 2011. Evolution and Spatial Characteristics of City Scale Distribution in Northeast China. Economic Geography, 31(1):55-59. ]

18
杨国良, 张捷, 刘波, 李敏, 万全友 . 2007. 旅游流流量位序—规模分布变化及其机理——以四川省为例. 地理研究, 26(4):662-672.

[ Yang Guoliang, Zhang Jie, Liu Bo, Li Min and Wang Quanyou . 2007. Study on Tourists Flow Rank-size Distribution Variation and the Mechanism: Taking Sichuan Province as an Example. Geographical Research, 26(4):662-672. ]

19
杨韵 . 2010. C2C交易中的动态信用评价模型. 情报科学, 28(4):563-566.

[ Yang Yun . 2010. A Dynamic Trust Evaluation Model on C2C Marketplaces. Information Science, 28(4):563-566. ]

20
叶浩, 庄大昌 . 2017. 城市体系规模结构研究的新方法——位序累积规模模型. 地理科学, 37(6):825-832.

[ Ye Hao and Zhuang Dachang . 2017. A New Method for Analyzing the Size Structure of Urban System: Rank Cumulative Size Model. Scientia Geographica Sinica, 37(6):825-832. ]

21
俞金国, 王丽华, 连显淼 . 2010. 电子商铺空间分布规律及其影响因素探究——来自淘宝网的实证. 地域研究与开发, 29(6):34-39.

[ Yu Jinguo, Wang Lihua and Lian Xianmiao . 2010. E-shops Spatial Distribution Law and Its Influencing Factors: A Case Study of Taobao Net. Areal Research and Development, 29(6):34-39. ]

22
余金艳, 刘卫东, 王亮 . 2013. 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. 地理学报, 68(10):1380-1388.

[ Yu Jinyan, Liu Weidong and Wang Liang . 2013. 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. Acta Geographica Sinica, 68(10):1380-1388. ]

23
Yu Z, Zhang H, Zhao Z and Wang L . 2016. Prediction of E-commerce Credit Rating Based on PCA-SVR. Journal of Electronic Commerce in Organizations, 14(2):74-86.

24
张敏, 张翔, 申峻霞 . 2015. 网络消费空间的性质与生产——以淘宝网原创女装店为例. 地理科学, 35(8):960-968.

[ Zhang Min, Zhang Xiang and Shen Junxia . 2015. Natureand Production of Online Consuming Spaces: Cases of Designer Women Costumes Stores on “Taobao”. Scientia Geographica Sinica, 35(8):960-968. ]

25
赵媛, 牛海玲, 杨足膺 . 2010. 我国石油资源流流量位序-规模分布特征变化. 地理研究, 29(12):2121-2131.

[ Zhao Yuan, Niu Hailing and Yang Zuying . 2010. Study on the Rank-size Distribution and Variation of Crude Oil Flow in China. Geographical Research, 29(12):2121-2131. ]

26
钟海东, 张少中, 华灵玲, 乜瑛 . 2014. 中国C2C电子商务卖家空间分布模式. 经济地理, 34(4):91-96.

[ Zhong Haidong, Zhang Shaozhong, Hua Lingling and Nie Ying . 2014. Spatial Pattern of C2C E-commerce Online Shops in China. Economic Geography, 34(4):91-96. ]

27
周章伟, 张虹鸥, 陈伟莲 . 2011. C2C电子商务模式下的网络店铺区域分布特征. 热带地理, 31(1):65-70.

[ Zhou Zhangwei, Zhang Hong’ou and Chen Weilian . 2011. Characteristics of Regional Distribution of Online Shops under C2C E-business Models. Tropical Geography, 31(1):65-70. ]

Options
文章导航

/

〈 〉