EN中文

Tropical Geography >

2020 , Vol. 40 >Issue 1: 88 - 100

DOI: https://doi.org/10.13284/j.cnki.rddl.003164

Spatial Distribution and Format difference of Large-Scale Retail Business Facilities: A Case Study of Guangzhou Based on POI Data

  • Lina Zhou ,
  • Lixun Li
Expand
  • School of Geography and Planning, Sun Yat-Sen University, Guangzhou 510275, China

Received date: 2019-04-19

  Request revised date: 2019-07-04

  Online published: 2020-02-24

Copyright

Copyright reserved © 2020. Office of Acta Agronomica Sinica All articles published represent the opinions of the authors, and do not reflect the official policy of the Chinese Medical Association or the Editorial Board, unless this is clearly specified.
Fold

Abstract

A study on the spatial distribution and the format difference of large-scale retail business facilities is always essential to the optimization of urban business resources, and using POI (Point of Interest) data instead of traditional survey data increases the preciseness and reliability of the results of such a study. Therefore, taking Guangzhou as an example, based on large-scale retail business facilities POI data and using spatial econometric methods, this paper analyzes spatial distribution characteristics and the influencing factors of the overall distribution and the different format distribution of large-scale retail business facilities to improve relative studies of large-scale retail business facilities and to promote the targeted planning of large-scale retail business facilities further. The results of the case study are as follows: 1) Regarding the spatial distribution characteristics, generally, large-scale retail business facilities in Guangzhou form a multi-central agglomeration, and the degree of agglomeration decreases from the downtown area to the periphery. In addition, large-scale retail business facilities are distributed along the main roads, connecting important business areas to each other. Moreover, they are obviously adjacent to the metro stations in the city center but are not so obvious in the whole city because the city metro system is incomplete. There are differences in the distribution of the three different retail formats. Large-scale shopping malls are distributed mainly in the city center and in the sub-centers of the city and are more adjacent to the metro stations than the other two formats are. The distribution of large-scale supermarkets diffuses from the downtown area to the periphery. Large-scale specialty stores are distributed mainly in the periphery of the downtown area and are more adjacent to the main roads than the other two formats are. 2) Regarding the influencing factors, population, economic development, and rent have a significant effect on the overall distribution and the distribution of the three retail formats. The factors influencing the different formats also have differences. Distance to the city center has a positive impact on both the distribution of large-scale supermarkets and large-scale specialty stores, meaning that their distribution prefers farther location from the city center. Rent has a positive effect on the overall distribution and the distribution of large-scale shopping malls. Road density and proximity to life centers have a positive influence on the distribution of large-scale supermarkets, while proximity to industrial parks and specialized wholesale markets has a positive effect on the distribution of large-scale specialty stores. According to these results, the planning of large-scale retail business facilities should make efforts to meet the different demands of the different retail formats. The efforts include building more large-scale shopping malls in the periphery area with a growing population and rich land resource, building more large-scale supermarkets in the neighborhood of new life centers, and building more specialty stores near relative industrial parks and specialized wholesale markets properly. Through these efforts, the planning of large-scale retail business facilities can be promoted in a more detailed and more effective way.

Key words： large-scale retail business facilities; spatial distribution; format difference; POI data; Guangzhou

Cite this article

Lina Zhou , Lixun Li . Spatial Distribution and Format difference of Large-Scale Retail Business Facilities: A Case Study of Guangzhou Based on POI Data[J]. Tropical Geography, 2020 , 40(1) : 88 -100 . DOI: 10.13284/j.cnki.rddl.003164

开放科学（资源服务）标识码（OSID）：
近年来,大数据和空间计量分析技术的发展为零售区位的精准探究提供了可能,同时随着商业设施大型化趋势日益明显,大型零售商业设施在城市商业网点体系的发展中扮演着愈发重要的角色。因此,精准探究大型零售商业设施的空间分布特征及其影响因素,对于推动零售地理学理论发展和引导城市商业网点布局具有重要作用。
从已有文献成果来看,国外学者最早奠定了零售地理学的理论基础。基于建模视角,Hotelling（1929）提出“市场竞争模型”,Reilly（1931）提出“销售引力模型”,Huff（1964）提出“商业零售引力模型”,Christaller（1966）提出中心地理论等,模型大多肯定了人口规模、区位条件和市场竞争等基础因素的影响;基于消费者视角,Jones等（1993）从消费需求、消费者行为和区位分析等方面探讨了零售环境;基于结构主义视角,Dawson（1980）提出零售地理的制度性研究架构,将政府政策、组织形式的影响考虑在内;基于集聚经济效益视角,Buton（1984）归纳了集聚经济效益对商业零售设施布局的影响,包括促进专业化分工和规模效应等;基于级差地租理论,Garner（1966）通过芝加哥的案例分析认为,大型商业中心具有高门槛的商业职能和较高的付租能力,因而能够居于城市内高地价的地位。
国内早期主要基于西方理论开展实证研究。借助中心地理论,以杨吾扬等为代表的一批学者分别研究了北京（杨吾扬,1994）、广州（林耿 等,2003）、上海（宁越敏 等,2005）等大城市的零售空间结构;借助消费者行为视角,周素红等（2008）揭示了商业业态空间及居住空间之间的联系,柴彦威等（2008）研究了零售业态实体空间的形成和演化机制。后期随着地理信息技术的发展,许多学者运用大数据和空间分析技术开展了新的研究。如周素红等（2014）通过对浮动车（FCD）GPS数据的时空挖掘识别深圳市商业中心,验证了多中心化背景下城市商业中心的地理空间衰减规律;胡庆武等（2014）基于位置签到数据热点分析,探究了武汉商圈分布与城市规划商圈的相关性;陈蔚珊等（2016）基于商业零售网点的POI（Point of Interest）数据探究广州市零售网点的热点分布及其影响因素。
对国内大型零售商业设施的系统研究最早始于许学强等（2002）对1998年广州市的分析,奠定了研究的基本框架,随后朱枫等（2003）以上海浦东新区为例探究了大型百货零售商业设施的空间布局、影响因素及中心体系;马晓龙（2007）通过对西安市的研究发现城市空间结构对大型零售商业设施空间分布具有重要影响;近年来,饶传坤等（2016）探究了杭州市大型零售商业设施1995—2015年的空间扩展特征;张小英等（2016）分析了2000、2005和2013年广州市购物中心空间分布的时空演变。总体上看,大型零售商业设施的研究日趋完善,但相关研究仍采用实时性较差的传统调查数据,并且较少涉及其细分业态,不利于推动大型零售商业设施网点的精准布局。因此,亟需结合大数据,开展针对新时期大型零售商业设施的空间布局与业态差异的研究。
鉴于此,本文以广州市为例,基于大型零售商业设施POI数据,采用空间计量方法探究大型零售商业设施总体、不同业态的空间分布及其影响因素,以期完善大型零售商业设施空间布局的业态差异研究,为广州市大型零售商业网点规划的精准布局提供政策依据。

1 研究方法与数据来源

1.1 研究区域概况

选取广州市作为研究区域（图1）,其面积为 7 434.40 km2,包括越秀、荔湾、海珠、天河、白云、黄埔、番禺、花都、南沙、增城和从化共11个区。其中,中心城区包括荔湾、越秀、海珠和天河4区全部,白云区北二环高速公路以南地区,以及黄埔区除九龙镇以外地区。作为千年商都,广州市零售业发展态势良好,1998—2017年社会消费品零售额年均增速高达13.11%,截至2017年底社会消费品零售总额达9 402.59亿元（广州市统计局,2019）,位居全国前列（图2）。广州市大型零售商业设施的发展起步于20世纪末,经过20多年的发展呈现出大型化和多元化的双重特征,同时随着广州市“南拓、北优、东进、西联”多中心发展战略的实施,其空间分布趋势呈现出往外围城区扩张的新变化,是研究多中心城市大型零售商业设施空间布局与业态差异的典型案例。
图1 研究区域

Fig.1 The study area

图2 1998—2017年广州市社会消费品零售总额变化

数据来源：《广州市统计年鉴2018》（广州市统计局,2019）。

Fig. 2 The total retail sales of consumer goods in Guangzhou during 1998-2017

1.2 研究数据

借鉴已有研究的定义,将营业面积超过5 000 m2的独立门市零售商业设施定义为大型零售商业设施（许学强 等,2002）,根据预采集数据所反映的实际情况将大型零售商业设施划分为大型购物中心和商场、大型综合超市和大型专业店三类主要业态,其中大型专业店包含数码家电、家居建材和汽车销售三类业态。据此定义和分类,对百度地图（http://map. baidu.com/）上的POI数据进行抓取,经过定义筛选、去重、纠偏和空间匹配等步骤提取研究区域内大型零售商业设施1 274个POI点,其中,大型购物中心和商场764个、大型专业店365个、大型综合超市145个。各类POI点中包含名称、类别和空间位置等诸多信息,采集时间为2017年10月。
同时,还对广州市地铁站和住宅小区的POI点、58同城（http://gz.58.com/）和房天下（http://shop.gz. fang.com/zu/house/）的商铺租金信息进行抓取,得到151个地铁站POI点、10 375个住宅小区POI点,1 142条和915条有效租金信息。此外,购物中心和商场的营业面积数据来源于赢商大数据（http:// www.winshangdata.com/）以及百度地图（http://map. baidu.com/）。其他影响因素的数据均来源于广州市各区2017年统计年鉴。

1.3 研究方法

1.3.1 GIS空间分析 本文采用的GIS空间分析方法主要包括核密度分析、方向分布分析、近邻分析和空间自相关分析。其中,核密度分析（Kernel Density）是借助一个移动的单元格对点或线格局的密度进行估计,得到其密度连续变化的图示,用以表示该空间要素的集聚和扩散特征（王法辉,2009）。方向分布分析（Direction Distribution）的原理为,以一组空间要素数据的平均中心作为起点,计算X和Y坐标的标准差,从而定义椭圆的轴,该椭圆被称为标准差椭圆,用以表示该组数据离散分布的中心和方向趋势。近邻分析（Near）是指计算指定空间要素与其邻近要素中的最近要素的相互距离。空间自相关是一种依据空间邻近法则度量空间聚集程度的方法,选用全局自相关指标Moran’s I指数检验广州市大型零售商业设施是否具有聚集特征。Moran’s I指数的计算公式为（Moran, 1950）：
$I=\frac{\sum^{n}_{i}\sum^{n}_{j\neq i}w_{ij}(x_{i}-\bar{x})(x_{j}-\bar{x})}{S^{2}\sum^{n}_{i}\sum^{n}_{j\neq i}w_{ij}}\qquad$
式中：$S^{2}=\frac{1}{n}\sum^{n}_{i}(x_{i}-\bar{x})^{2}$;$\bar{x}=\frac{1}{n}\sum^{n}_{i}x_{i}$;xi和xj分别表示第i和第j个镇街的大型零售商业设施数量;wij表示各镇街的空间权重矩阵;n为镇街总数。Moran’s I的取值范围是[-1,1],若Moran’s I>0表明大型零售商业设施分布存在空间正相关现象,Moran’s I<0表明存在空间负相关现象,Moran’s I=0表明其呈独立随机分布状态。正态统计量Z用于检验空间自相关的显著性水平,如Z值显著则表明大型零售商业设施呈现空间集聚的格局,反之亦然。
1.3.2 Geoda空间回归：OLS、SLM和SEM 采用经典的计量模型普通最小二乘（Ordinary Least Squares, OLS）线性回归模型与空间滞后模型（Spatial Lag Model, SLM）、空间误差模型（Spatial Error Model, SEM）进行比较,选择适用性高的模型。
OLS模型的数学表达式为（Haining et al.,2003）：
Y=βX+ε
SLM模型的数学表达式为（Anselin,1988）：
Y=ρWY+βX+ε
SEM模型的数学表达式为（Anselin et al., 1996）：

Y=βX+Φ,Φ=λWΦ+ε

式中：Y为因变量向量;X为自变量矩阵;W为空间邻接矩阵;β是自变量系数;ε为正态分布的误差向量;ρ和λ分别为空间自回归系数和空间自相关系数。对于回归模型的选择,通过拉格朗日乘子（Lagrange multiplier, LM）检验及其稳健性（Robust）、拟合优度、自然对数似然函数值（LogL）、赤池信息准则（AIC）、施瓦茨准则（SC）等来判断,能通过LM检验并且稳健性越好,LogL值越高,AIC和SC值越低,则模型适用性越高。采用一阶Rook原则,建立广州市各镇街单元的空间关系。

2 广州市大型零售商业设施的空间分布

2.1 广州市大型零售商业设施的总体空间分布

2.1.1 由内向外扩散的多中心圈层式空间结构特征 广州市大型零售商业设施的Moran’s I值显著,为0.45,表明其分布呈现较强的空间集聚特征,大型零售商业设施主要集聚在中心城区,外围城区分布零散,呈现出由内向外扩散的多中心圈层式空间结构（图3）。在中心城区,集聚了全市逾60%的大型零售商业设施（表1）,形成了诸多大型商圈,双核集聚分布特征明显,即以上下九—北京路传统商圈为中心的老城商业区和以天河路—体育西路新兴商圈为中心的新城商业区。在外围城区,一方面在临近中心城区的区域有连片式集聚分布,形成了机场路—三元里商圈、车陂路商圈等中小型商圈;另一方面在远离中心城区的区级行政中心附近有分散式集聚 分布,在新华街道、市桥街道、荔城街道等形成了诸多区域性商圈,即次级集聚中心。
图3 广州市大型零售商业设施POI热点（a）、核密度分析（b）

Fig.3 The distribution (a) and kernel density (b) of large-scale retail business facilities in Guangzhou

表1 广州市大型零售商业设施分区分类型数量统计

Tab.1 Distribution of three kinds of large-scale retail business facilities in Guangzhou

区名 大型零售
商业设施		 大型购物中
心和商场		 大型综合
超市		 大型专业店
荔湾区 48 35 2 11
越秀区 109 92 13 4
海珠区 125 73 19 33
天河区 234 145 26 63
白云区 259 141 28 90
番禺区 195 114 20 61
花都区 99 56 13 30
黄埔区 65 40 6 19
增城区 81 34 11 36
南沙区 32 24 4 4
从化区 27 10 3 14
中心城区 840 530 91 219
全市 1 274 764 145 365
2.1.2 沿交通干道生长和连片蔓延的空间发展特征 由近邻分析可知,74.07%的广州市大型零售商业设施落在临近城市干道100 m的范围内（表2）,表明设施总体临近道路交通分布指向性显著,结合方向分析可知,其空间分布向北和东南方向延展明显（见图3）,沿交通干道发展明显。其中,南北向主要沿机场路—三元里大道—解放中路—东晓南路—市广路分布,依次串联机场路—三元里、上下九—北京路、昌岗—江南西、市桥商圈;东西向主要沿中山路—天河路—中山大道分布,依次串联上下九—北京路、天河路—体育西路、车陂路商圈。由于沿交通干道生长,大型零售商业设施向北和向东连片蔓延现象明显,向北为上下九—北京路商圈与机场路—三元里商圈的连接加强,向东为上下九—北京路商圈与天河路—体育西路商圈的连接加强,反映了多元商圈融合发展的趋势。
2.1.3 中心城区设施临近轨道交通分布显著的空间指向性特征 由近邻分析可知,全市仅有48.29%的设施落在临近地铁站700 m①（王慧（2013）和杨林川（2016）等的研究认为15 min为步行时间阈值,对应的步行路径距离阈值为900 m,本文以直线距离代替路径距离,取道路非直线系数为1.2~1.4,换算得出适宜步行直线距离约为700 m,因此选取700 m为地铁站点缓冲区。）的适宜步行距离范围内,设施到站点最邻近距离均值为1 002.68 m,但中心城区有60.79%的设施落在适宜步行距离范围内,到站点最邻近距离均值为748.39 m,（见表2）（王慧（2013）;杨林川（2016））,表明大型零售商业设施临近轨道交通分布指向性在全市范围内显著性差异较大,这与广州市轨道交通体系仍处于完善之中,对商业设施的带动作用存在区域不平衡有关。中心城区设施临近轨道交通分布比较显著,因为中心城区内轨道网络体系建设完善,换乘方便、通达性高,人流集聚作用明显,对大型零售商业设施的吸引力强,而外围城区如花都、南沙、增城等区的轨道网络还不完善,站点人流集聚作用和商业吸引力相对较弱。
表2 大型零售商业设施总体与3种业态的交通空间分布指向性分析

Tab.2 Traffic direction analysis of spatial distribution of large-scale retail business facilities

指向性 区域 指标 大型零售商业设施总体 大型购物中心和商场 大型综合超市 大型专业店
道路交通
指向性
（100 m
缓冲区）		 全市 缓冲区内设施数量占比/% 74.07 73.09 61.54 81.10
设施到干道最邻近距离/m 94.41 91.63 144.95 80.57
中心城区 缓冲区内设施数量占比/% 76.79 77.17 63.74 81.28
设施到干道最邻近距离/m 84.83 80.98 125.86 77.09
轨道交通
指向性
（700 m
缓冲区）		 全市 缓冲区内设施数量占比/% 48.29 53.22 43.56 38.46
设施到站点最邻近距离/m 1 002.68 968.98 1 137.54 1 028.03
中心城区 缓冲区内设施数量占比/% 60.79 65.79 56.96 56.96
设施到站点最邻近距离/m 748.39 740.06 654.20 833.81

2.2 广州市不同业态大型零售商业设施的空间分布

2.2.1 大型购物中心和商场 大型购物中心和商场的Moran’s I值显著,为0.03,空间集聚特征明显。其空间分布向北和东南方向延展明显,中心城区呈双核集聚分布特征（图4-a、5-a）,与大型零售商业设施基本相似,表明大型购物中心和商场作为主体,其空间分布奠定了大型零售商业设施空间分布的整体框架。大型购物中心和商场沿道路交通和轨道交通分布指向性比较明显,尤其是轨道交通分布指向性相比其他业态较为突出（见表2）。这与大型购物中心和商场相比其他业态对人流集聚的要求较高密切相关。从不同等级来看,依据《零售业态分类》（GB/ T18106-2004）标准筛选,广州市共有30个市级购物中心②（国家标准《零售业态分类》（GB/T18106-2004）中规定“营业面积达100 000 m2以上的购物中心为市级购物中心”。）。其中,天河区数量最多,超过全市的1/3,番禺和白云区次之（图6）。
图4 广州市大型购物中心和商场（a）、大型综合超市（b）、大型专业店（c）的POI热点

Fig.4 Distribution of large-scale shopping centers (a), supermarkets (b) and specialty stores (c) in Guangzhou

图 5 广州市大型购物中心和商场（a）、大型综合超市（b）、大型专业店（c）的核密度分布

Fig.5 The kernel density of large-scale shopping centers (a), supermarkets (b) and specialty stores (c) in Guangzhou

图6 广州市大型购物中心和商场数量分布

Fig.6 Distribution of large-scale shopping centers in Guangzhou

综上可知,虽然越秀、荔湾区传统商圈发展依然强劲,但更大规模的大型零售商业设施开始倾向于在建设空间更为充裕的天河、番禺、白云区等新兴商圈布局。区级购物中心和商场也主要分布在天河、番禺和白云区,为区域性商圈的发展注入了强劲动力。
2.2.2 大型综合超市 大型综合超市的Moran’s I值显著,为0.02,空间集聚程度稍弱于大型购物中心和商场。其空间分布向南北方向延展明显,集聚范围由中心城区内部向边缘区域扩散趋势明显（图4-b、5-b）。与其他2种业态相比,大型综合超市沿道路交通和轨道交通分布指向性相对一般（见表2）。与大型购物中心和商场类似,大型综合超市在天河、番禺和白云区等新城区的数量分布明显多于荔湾和越秀区等老城区。从不同品牌来看,谋求低成本和低利率的大型仓储式超市品牌如麦德龙、沃尔玛、世纪华联和卜蜂莲花等明显倾向于分布在白云和番禺区,可能与其拥有较多的居住人口和相对较低的经营成本有关;与大型购物中心合作较为紧密的超市品牌如永旺、广百超市等,主要分布在市级购物中心集聚的天河区;其他门店较多的品牌在各区均有分布（表3）。
表3 广州市大型综合超市分品牌分区域数量统计

Tab.3 The brands and distribution of large-scale supermarkets in Guangzhou

区名 总计 麦德龙 沃尔玛 家乐福 永旺 卜蜂莲花 世纪华联 百佳 好又多 华润万家 广百超市 大润发 其他
荔湾区 2 0 0 0 0 1 0 0 0 1 0 0 0
越秀区 13 0 2 1 2 0 1 4 0 2 1 0 0
海珠区 19 0 4 1 0 0 0 7 1 3 0 0 3
天河区 26 1 2 1 7 1 1 4 0 4 3 0 2
白云区 28 2 5 1 3 2 4 1 3 1 0 0 6
番禺区 20 1 2 1 3 0 1 2 1 2 1 1 5
花都区 13 1 0 1 1 0 2 0 1 1 1 1 4
黄埔区 6 0 1 0 0 0 1 1 2 0 0 0 1
增城区 11 0 0 0 0 1 1 1 1 1 2 2 2
南沙区 4 0 0 0 1 0 0 0 1 0 0 2 0
从化区 3 0 1 0 0 0 0 0 1 0 1 0 0
总计 145 5 17 6 17 5 11 20 11 15 9 6 23

注：因内地TESCO已统一更名为华润万家,因此将其并入华润万家统计;同理吉之岛并入永旺统计。

2.2.3 大型专业店 大型专业店的的Moran’s I值为0.07,Z值显著,空间集聚程度在3种业态中最强。其空间分布向东北方向延展,在中心城区的边缘区域集聚特征明显（图4-c、5-c）。大型专业店沿道路交通分布指向性最为明显（见表2）,这也与其在机场路、环城高速和新光快速等交通干道附近呈带状分布的特征相一致,主要与家居建材业和汽车销售服务业的大件商品物流需求密切相关。从不同产业类来看,家居建材类在天河区东部和番禺区北部有明
显集聚,与车陂—鱼珠和大石—南村家居建材市场的分布临近;汽车销售类主要集聚在白云、番禺和天河区东部,与黄石汽配市场、番禺汽车产业基地和黄埔汽车产业园分布临近;家电数码类的空间分布与大型购物中心和商场的空间分布较为吻合,主要集聚在中心城区,二者往往就近分布（图7）。
图7 广州市大型家居建材（a）、数码家电（b）、汽车销售专业店（c）的POI分布

Fig.7 The distribution of furniture stores (a), home appliance stores (b) and car stores (c) in Guangzhou

3 广州市大型零售商业设施空间分布的影响因素

3.1 广州市大型零售商业设施分布影响因素指标选取

根据变量数据的可获得性和质量水平,综合已有研究成果,选取各镇街的大型零售商业设施数量为因变量,从人口、经济、交通、区位和租金5个方面选取6个自变量（表4）,探究广州市大型零售商业设施空间分布的影响因素。
表4 影响因素的变量体系构建及其说明

Tab.4 Variables affecting spatial distribution of large-scale retail business facilities in Guangzhou

变量代码 变量名称 变量意义及选取原因
A 人口因素 A1 人口规模 人口规模与零售商业设施潜在的消费者规模具有密切联系。
B 经济因素 B1 国内生产总值 经济发展水平在一定程度上影响居民可支配收入和消费性支出水平,进而影响居民商业消费。
C 交通因素 C1 路网密度 路网密度是衡量区域交通通达性的一项重要指标,在通达性便利的区域往往零售商业设施集聚度高（王珏晗 等,2018）。
C2 地铁站密度 快速轨道交通对提高区域交通通达性具有重要作用,拥有轨道站点的区域交通便利性更高,对人口和商业活动的集聚有促进作用（Bollinger et al., 1997）。
D 区位因素 D1 距市中心的距离* 距离城市中心越近,该区域在城市空间结构中所处的等级往往越高,具有较好的服务设施配套和商业氛围（Christoph et al., 2008）。
E 租金因素 E1 平均商铺租金水平 不同等级、不同类别零售商业设施的布局选择受其不同盈利能力和不同承租能力的影响和制约（王祥利,2011）。

注：鉴于广州市城市发展的双核空间结构,此表中提及的市中心有2处,分别为广州市越秀区与天河区核心商务区的几何中心;D1代表的“距市中心的距离”为各镇街几何中心到最近市中心的距离。

3.2 模型选取与检验

根据3.1小节构建的变量体系,分别用OLS、SLM和SEM 3个模型拟合广州市大型零售商业设施空间分布与各影响因素的关系。在进行模型拟合之前,对自变量和因变量采取自然对数处理,即无量纲化,以减少数据的异方差性,提升模型拟合效果。其中,在广州市总体大型零售商业设施数量与各项自变量因素的拟合中,LM检验结果显著,稳健性较好,因此SLM和SEM模型的解释力高于OLS模型。而在3类细分业态设施数量与各项自变量因素的回归模型拟合中,LM检验结果不显著,稳健性较差,因此采用OLS模型进行解释比较合理（表5、6）。
表5 广州市大型零售商业设施空间分布的影响因素回归结果

Tab.5 Regression result of influencing factors of spatial distribution of large-scale retail business facilities in Guangzhou

变量代码 大型零售商业设施
OLS SLM SEM
A1 0.788*** 0.725*** 0.706***
B1 0.169** 0.165** 0.218***
C1 0.165 0.112 0.140
C2 -0.083 0.046 0.134
D1 0.132 0.135 0.148
E1 0.255** 0. 253** 0.247**
R2 0.464 0.480 0.487
AIC 377.917 375.413 373.714
SC 399.443 400.014 395.240
LogL -181.958 -179.706 -179.857

注：*、**、***分别代表在10%、5%、1%的水平上显著。

表6 广州市分业态大型零售商业设施空间分布的影响因素回归结果

Tab.6 Regression result of influencing factors of spatial distribution of large-scale retail business facilities in different formats in Guangzhou

变量
代码		 OLS
大型购物中心和商场 大型综合超市 大型专业店
A1 0.702*** 0.338*** 0.466***
B1 0.206*** 0.075* -0.001
C1 0.106 0.269*** 0.220
C2 -0.176 0.170 -0.053
D1 -0.019 0.228*** 0.443***
E1 0.177* 0.077 —1）
R2 0.497 0.334 0.280
AIC 337.343 229.425 362.828
SC 358.869 250.951 384.354
LogL -161.671 -107.712 -174.414

注：1）由于大型专业店中数量占比较大的家居建材类和汽车销售类的专业店很多直接在相关产业园或专业市场内部或附近圈地作铺,租金成本水平较低,而在房天下和58同城中发布的此类租金信息较少,导致此租金数据具有一定的局限性,因此不将租金因素列入大型专业店的回归分析中。上文将租金因素列入总体大型零售商业设施的回归分析中,也仅用其来表示广州市各镇街商铺租金水平分布的大致情况。2）*、**、***分别代表在10%、5%、1%的水平上显著。

3.3 模型回归结果分析

3.3.1 广州大型零售商业设施空间分布的影响因素 模型分析结果显示（见表5）,人口规模是最显著的影响因素。较大的人口规模能为大型零售商业设施提供广阔的消费群体,使其盈利足以维持其较高的等级、规模和服务水平而有盈余。荔湾和越秀区以及天河区是广州市主要的人口集聚区,故形成大型零售商业设施在中心城区的“双核分布”特征,大量外来人口来穗务工也使得中心城区边缘区域和外围城区的行政中心成为新兴人口聚集地,如三元里街道、市桥街道、新华街道等,吸引诸多大型零售商业设施落户,形成次级集聚中心。
经济因素对大型零售商业设施空间分布的影响显著为正。由于大型零售商业设施较中小型零售商业设施的消费门槛更高,因此对人口的购买力水平也有更高的要求。荔湾、越秀和天河区作为中心城区的核心区,镇街社会经济发展水平较高,人口购买力水平较高,因此成为大型零售商业设施集聚的两大核心。而外围城区的行政中心经济发展水平也相对较高,因而形成次级集聚中心。
路网密度和地铁站密度的影响不显著,说明大型零售商业设施空间分布跟纯粹的交通密度分布不一定直接相关。但结合近邻分析可知,大型零售商业设施临近道路交通分布的指向性十分明显,临近轨道交通分布的指向性在中心城区也比较明显,这都表明交通因素的影响是正向的。一般而言,交通便捷性水平以城市干道为轴线向外围递减（毛蒋兴 等,2004）,广州市74.07%的大型零售商业设施到最近城市干道的距离均<100 m,表明大型零售商业设施对交通便捷性要求很高,临近城市干道分布能为其大量人流、物流、车流的高效流动提供坚实保障。路网密度和地铁站密度不显著的原因可能为：一是路网密度和地铁站密度仍不能全面反映街道的交通水平;二是空间回归方法有所局限,很难对设施与道路或站点的临近性进行回归,需要结合近邻分析等其他方法才能综合分析交通因素的影响。
租金水平的影响显著为正,表明大型零售商业设施仍然集聚在租金较高的区域。租金较高的区域往往占据城市中条件较好的地段,拥有规模较大、购买力较高的消费群体和便捷的城市交通,能够较好地满足大型零售商业设施的高盈利需求,从而支撑其较高的承租能力,因此其空间分布集聚于租金较高的区域具有合理性。中心城区内荔湾广场、天河城百货、正佳广场等大型零售商业设施所在的北京路、冼村、天河南街道商铺月租均达到了500元/m2以上,外围城区商圈所在地如市桥街道核心地段商铺月租也高达100元/m2,同时商圈的兴旺又会继续抬升所在镇街的租金,从而使大型零售商业设施所在区域的租金不断上涨。
到市中心的距离影响并不显著与广州市城市结构的多中心发展趋势有关,进一步验证了大型零售商业设施并非仅仅只集聚在市中心附近,在外围城区也会形成一定的次中心,如番禺区的市桥街道、花都区的新华街道和增城区的荔城街道等。
3.3.2 广州不同业态大型零售商业设施空间分布的影响因素 进一步分大型购物中心和商场、大型综合超市以及大型专业店三类业态进行分析,模型分析结果表明不同业态大型零售商业设施空间分布的影响因素存在较大差异（见表6）。
作为大型零售商业设施的主体,大型购物中心和商场空间分布的影响因素与大型零售商业设施相似。人口规模和经济因素都是较为显著的影响因素,这是因为大型购物中心和商场所提供的商品和服务更加多样、高端、稀有,如奢侈品消费、高档餐饮、看电影等,主要针对大规模高消费人群。此外,到市中心的距离影响并不显著,但租金水平的影响显著为正,表明随着广州市城市结构多中心发展的趋势显现,优越的城市发展机遇对大型购物中心和商场的拉力大于较高租金水平带来的推力,大型购物中心和商场在租金较高但人气集聚的多个商业中心布局更能满足其日益扩张的市场需求。
对大型综合超市来说,人口规模的影响同样显著,但经济因素不如大型购物中心和商场显著,相关系数较低,其原因是大型综合超市以经营大众化衣、食和日常用品为主,面向大多数中等消费人群。到市中心的距离影响显著为正,表明大型综合超市并非一味集聚在市中心附近,由于市中心的地租、人力等各种经营成本相对较高,除部分大型综合超市与大型购物中心和商场就近经营能提高利率维持生存之外,大多数追求“低成本、低利率”的大卖场被动地往经营成本更低的区域迁移,其中以麦德龙、沃尔玛、卜蜂莲花在白云、番禺以及天河区东部的布局最具代表性。同时,大型综合超市的分布也进一步临近生活中心。住宅小区分布显示,番禺、花都、白云和增城等区都形成了新的生活中心,而这些生活中心明显也是大型综合超市的集聚中心,如此布局对于完善广州市这一多中心城市的商业服务配套具有重要作用（图8）。此外,路网密度也呈显著正相关影响,这是因为较高的路网密度不仅能更好地汇集人流,也能满足大型综合超市对各类商品物流运输的较大需求。
图8 大型综合超市与生活中心的分布关系

Fig.8 Distribution relationship between large-scale supermarkets and living centers

人口规模对大型专业店的空间分布影响显著为正。而经济因素并不显著,因为数量占比较大的家居建材类和汽车销售类虽然面向特定的高端消费群体,但因其占地面积较大,更需要降低经营成本,因此选择低经济发展水平低成本的镇街布局,而在高经济发展水平高成本的镇街常选择开设占地面积较小的品牌展示店。到市中心的距离的影响也显著为正,这与大型专业店主要分布在中心城区的边缘区域特征相一致。此外,其细分业态分布的影响因素也有所差异。由于面向客群特征相似,数码家电类与大型购物中心和商场的影响因素相似（图9）。而家居建材类和汽车销售类则受产业因素影响明显,跟相关产业园或专业市场的分布临近性较大（图10、11）,主要是因为这两类专业店跟其零配件产业配套关联性极强,与其就近分布便于提供完善的售后服务,如黄石街道、车陂街道、大石街道等地的专业店集聚（刘娜,2005;张燕,2010）。这也是大型专业店的分布受人口规模影响为正的原因,由于与相关产业园或专业市场就近分布,所在镇街往往也是大量劳动力人口的主要集聚地。此外,路网密度虽不显著,但由近邻分析可知,由于大件商品的物流运输受道路宽阔性和通达性制约性强,大型专业店尤其是家居建材类和汽车销售类的布局,受道路交通临近性影响显著。
图9 大型数码家电专业店与大型购物中心的分布关系

Fig.9 Distribution relationship between large-scale home appliance stores and shopping centers

图10 大型家居建材专业店与家居建材专业市场集聚地的分布关系

资料来源：百度地图POI数据以及《华南地区家具业发展趋势》（刘娜,2005）。

Fig.10 Distribution relationship between large-scale furniture stores and furniture specialized markets

图11 大型汽车销售专业店与汽车产业基地及批发市场集聚地的分布关系

资料来源：百度地图POI数据以及《广州汽车产业集群发展的实证研究》（张燕,2010）。

Fig.11 Distribution relationship between large-scale car stores and car industrial parks and markets

4 结论与讨论

以广州市大型零售商业设施的POI数据为基础,对广州市大型零售商业设施总体和不同业态的空间分布及其影响因素进行分析,结果表明：
1）在空间分布方面,总体上广州市大型零售商业设施由内向外呈多中心圈层式结构分布,沿交通干道发展且有连片蔓延的趋势,中心城区设施临近轨道交通分布指向性显著。三类业态中,大型购物中心和商场集聚程度最高,主要分布在中心城区及外围城区次中心,其临近轨道交通分布的指向性最为明显,大型综合超市由中心城区向边缘区域扩散明显,大型专业店主要分布在中心城区的边缘区域,并且临近道路交通分布的指向性最为明显。
2）在影响因素方面,人口规模、经济因素和与道路交通的临近性对广州市大型零售商业设施总体及其三类业态的空间分布都具有显著影响。到市中心的距离对总体和大型购物中心和商场的分布影响不显著,而对大型综合超市和大型专业店的分布影响为正。此外,租金水平对总体与大型购物中心和商场的分布影响显著为正;路网密度、与生活中心的临近性对大型综合超市的分布影响较大;与相关产业园或专业市场的临近性对大型专业店的分布影响较大。
总体来看,本文以广州市为例,通过大样本精细化的POI数据分析,相比传统调查数据提供了更为精确的研究成果,并结合多业态比较的分析视角,深化了大型零售商业设施空间布局的业态差异研究,对大型零售商业网点的精准布局具有启示作用。鉴于业态差异,大型零售商业网点规划应根据不同业态需求具体分析,在人口增长较快及建设空间充裕的外围城区加快布局新兴大型购物中心和商场,在生活中心附近充分布局大型综合超市,在相关产业园或专业市场附近做好其与大型专业店的协调性布局,从而达到大型零售商业网点布局的经济效益最大化。后续研究还可搜集长期的大型零售商业设施POI数据,对其时空演变过程进行分析,也可以结合点评数据、微博数据、出租车轨迹数据等其他大数据分析,提升细分业态空间分析的研究效果。

特别感谢中山大学地理科学与规划学院符天蓝博士后对本文所提出的意见和帮助！

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Anselin L . 1988. Spatial Econometrics: Methods and Models. Dordrecht:Kluwer Academic Publishers.

[2]
Anselin L, Anil K B, Raymond F and Mann J Y . 1996. Simple Diagnostic Tests for Spatial Dependence. Regional Science and Urban Economics, 1:77-104.

[3]
Bollinger C R and Ihlanfeldt K R . 1997. The Impact of Rapid Rail Transit on Economic Development: The Case of Atlanta’s MARTA. Journal of Urban Economics, 42(2):179-204.

[4]
Buton K J. 1984. 城市经济学.上海社科院部门经济研究所城市经济研究室. 译. 北京：商务印书馆.

[ Buton K J. 1984. Urban Economics.Urban Economics Department of National Economy Institute of Shanghai Academy of Social Science. Trans. Beijing: The Commercial Press. ]

[5]
Christaller W . 1966. Central Places in Southern German. London:Prentice Hall.

[6]
Christoph T and Thomas R . 2008. The Evolving Concept of Retail Attractiveness: What Makes Retail Agglomerations Attractive When Customers Shop at Them?. Journal of Retailing and Consumer Services, 15(3):127-143.

[7]
柴彦威, 翁桂兰, 沈洁 . 2008. 基于居民购物消费行为的上海城市商业空间结构研究. 地理研究, 17(4):897-906.

[ Chai Yanwei, Weng Guilan and Shen Jie . 2008. A Study on Commercial Structure of Shanghai Based on Residents &Rsquo Shopping Behavior. Geographical Research, 17(4):897-906. ]

[8]
陈蔚珊, 柳林, 梁育填 . 2016. 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. 地理研究, 35(4):703-716.

[ Chen Weishan, Liu Lin and Liang Yutian . 2016. Retail Center Recognition and Spatial Aggregating Feature Analysis of Retail Formats in Guangzhou Based on POI Data. Geographical Research, 35(4):703-716. ]

[9]
Dawson J A and Kirby D A . 1980. Retailing Geography. London:Croom Helm.

[10]
Garner B J . 1966. The Internal Structure of Retail Nucleations. Evanston, Ill:Northwestern University.

[11]
广州市统计局. 2019. 2018广州市统计年鉴. 北京：中国统计出版社.

[ Guangzhou Municipal Bureau of Statistics. 2019. 2018 Guangzhou Statistical Yearbook. Beijing: China Statistics Press. ]

[12]
Haining R and Zhang J . 2003. Spatial Data Analysis:Theory and Practice. Oxford: Cambridge University Press.

[13]
Hotelling H . 1929. Stability in Competition. Economic Journal, 39(153):41-57.

[14]
Huff D L . 1964. Defining and Estimating a Trading Area. The Journal of Marketing, 28(3):34-38.

[15]
胡庆武, 王明, 李清泉 . 2014. 利用位置签到数据探索城市热点与商圈. 测绘学报, 43(3):314-321.

[ Hu Qingwu, Wang Ming and Li Qingquan . 2014. Urban Hotspot and Commercial Area Exploration with Check-in Data. Acta Geodaetica et Cartographica Sinica, 43(3):314-321. ]

[16]
Jones K and Simmons J . 1993. Location, Location, Location: Analyzing the Retailing Environment. Canada:Nelson.

[17]
林耿, 阎小培 . 2003. 广州市商业功能区空间结构研究. 人文地理, 18(3):37-41.

[ Lin Geng and Yan Xiaopei . 2003. Study on the Spatial Structure of Commercial Zone in Guangzhou. Human Geography, 18(3):37-41. ]

[18]
刘娜 . 2005. 华南地区家具业发展趋势. 长沙:中南林业科技大学.

[ Liu Na . 2005. The Research on Development of Furniture Industry in South China: Based on the Aspect of Industrial Cluster. Changsha: Central South University of Forestry and Technology. ]

[19]
马晓龙 . 2007. 西安市大型零售商业空间结构与市场格局研究. 城市规划, 31(2):55-61.

[ Ma Xiaolong . 2007. Spatial Structure and Marketing Pattern of Large Retail Business in Xi’an. City Planning Review, 31(2):55-61. ]

[20]
毛蒋兴, 闫小培 . 2004. 城市交通干道对土地利用的廊道效应研究——以广州大道为例. 地理与地理信息科学, 20(5):58-61.

[ Mao Jiangxing and Yan Xiaopei . 2004. Corridor Effect of the Urban Transport Artery on Land Use: A Case Study of Guangzhou Avenue. Geography and Geo-Information Science, 20(5):58-61. ]

[21]
Moran P A P . 1950. Notes on Continuous Stochastic Phenomena. Biometrika, 37:17-23.

[22]
宁越敏, 黄胜利 . 2005. 上海市区商业中心的等级体系及其变迁特征. 地域研究与开发, 24(2):15-19.

[ Ning Yuemin and Huang Shengli . 2005. The Hierarchical System and Its Changing Characteristic of the Retail Centers in Shanghai. Areal Research and Development, 24(2):15-19. ]

[23]
饶传坤, 蔡异翔 . 2016. 杭州市大型零售商业设施的空间扩展特征. 经济地理, 36(2):117-124.

[ Rao Chuankun and Cai Yixiang . 2016. Spatial Characteristics of Large-Scale Business Facilities in Hangzhou City. Economic Geography, 36(2):117-124. ]

[24]
Reilly W J. 1931. The Lay of Retail Gravitation. New York:Knickers Blocker Press.

[25]
王法辉 . 2009. 基于GIS的数量方法与应用.姜世国,滕骏华. 译． 北京：商务印书馆.

[ Wang Fahui. 2009. Quantitative Methods and Applications in GIS.Jiang Shiguo, Teng Junhua. Trans.. Beijing: The Commercial Press. ]

[26]
王慧, 黄玖菊, 李永玲, 阎欣, 许旺土 . 2013. 厦门城市空间出行便利性及小汽车依赖度分析. 地理学报, 68(4):477-490.

[ Wang Hui, Huang Jiuju, Li Yonglin, Yan Xin and Xu Wangtu . 2013. Evaluating and Mapping the Walking Accessibility, Bus Availability and Car Dependence in Urban Space: A Case Study of Xiamen, China. Acta Geographica Sinica, 68(4):477-490. ]

[27]
王珏晗, 周春山 . 2018. 广州市商业型健身房空间分布及其影响因素. 热带地理, 38(1):120-130.

[ Wang Juehan and Zhou Chunshan . 2018. Spatial Distribution and Its Influential Factors of Commercial Fitness Clubs in Guangzhou. Tropical Geography, 38(1):120-130. ]

[28]
王祥利 . 2011. 长沙市商业网点布局研究. 长沙:湖南大学.

[ Wang Xiangli . 2011. Research on the Distribution of Commercial Network in Changsha. Changsha: Hunan University. ]

[29]
许学强, 周素红, 林耿 . 2002. 广州市大型零售商店布局分析. 城市规划, 26(7):23-28.

[ Xu Xueqiang, Zhou Suhong and Lin Geng . 2002. The Locational Analysis of Guangzhou’s Large Retail Emporia. City Planning Review, 26(7):23-28. ]

[30]
杨林川, 张衔春, 洪世键, 林浩韬, 成庚 . 2016. 公共服务设施步行可达性对住宅价格的影响——基于累积机会的可达性度量方法. 南方经济, 34(1):57– 70.

[ Yang Linchuan, Zhang Xianchun, Hong Shijian, Lin Haotao and Cheng Geng . 2016. The Impact of Walking Accessibility of Public Services on Housing Prices: Based on the Cumulative Opportunities Measure. South China Journal of Economics, 34(1):57-70. ]

[31]
杨吾扬 . 1994. 北京市零售商业与服务业中心和网点的过去、现在和未来. 地理学报, 49(1):9-17.

[ Yang Wuyang . 1994. The Retailing and Services Center and Network of Beijing: Then, Now and Long Before. Acta Geographica Sinica, 49(1):9-17. ]

[32]
张小英, 巫细波 . 2016. 广州购物中心时空演变及对城市商业空间结构的影响研究. 地理科学, 36(2):231-238.

[ Zhang Xiaoying and Wu Xibo . 2016. Spatial-Temporal Evolution of Malls in Guangzhou City and Its Impact on Urban Commercial Spatial Structure. Scientia Geographica Sinica, 36(2):231-238. ]

[33]
张燕 . 2010. 广州汽车产业集群发展的实证研究. 广州:暨南大学.

[ Zhang Yan . 2010. An Empirical Study on Development of Guangzhou Automobile Industrial Cluster. Guangzhou: Jinan University. ]

[34]
周素红, 郝新华, 柳林 . 2014. 多中心化下的城市商业中心空间吸引衰减率验证:深圳市浮动车GPS时空数据挖掘. 地理学报, 69(12):1810-1820.

[ Zhou Suhong, Hao Xinhua and Liu Lin . 2014. Validation of Spatial Decay Law Caused by Urban Commercial Center’s Mutual Attraction in Polycentric City: Spatio-Temporal Data Mining of Floating Cars’ GPS Data in Shenzhen. Acta Geographica Sinica, 69(12):1810-1820. ]

[35]
周素红, 林耿, 闫小培 . 2008. 广州市消费者行为与商业业态空间及居住空间分析. 地理学报, 63(4):395-404.

[ Zhou Suhong, Lin Geng and Yan Xiaopei . 2008. The Relationship among Consumer’s Behavior, Urban Commercial and Residential Spatial Structure in Guangzhou, China. Acta Geographica Sinica, 63(4):395-404. ]

[36]
朱枫, 宋小冬 . 2003. 基于GIS的大型百货零售商业设施布局分析——以浦东新区为例. 武汉大学学报(工学版), 36(3):46-52.

[ Zhu Feng and Song Xiaodong . 2003. Application of GIS in Spatial Location Analysis of Large Retail Stores: A Case Study in Pudong New Area of Shanghai. Engineering Journal of Wuhan University, 36(3):46-52. ]

Options
Outlines

/

〈 〉