EN中文

Acta Geographica Sinica >

2024 , Vol. 79 >Issue 8: 2083 - 2096

DOI: https://doi.org/10.11821/dlxb202408011

Regional Development

The impact of Chinese residents' online shopping on the physical shopping behavior

  • WANG Fang , 1 ,
  • HOU Jingyi 1 ,
  • NIU Fangqu , 2
Expand
  • 1. School of Public Management, Inner Mongolia University, Hohhot 010020, China
  • 2. Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China

Received date: 2023-09-26

  Revised date: 2024-06-30

  Online published: 2024-08-06

Supported by

National Natural Science Foundation of China(42071153)

National Natural Science Foundation of China(41801149)

Key Project of Natural Sciences at Inner Mongolia Universities(NJZZ23095)

Fold

Abstract

With the continuous development and application of information technology, online shopping has emerged as a significant force, bringing immense economic potential. The convenience offered by online shopping, such as the ability to shop anytime, anywhere, and access to a vast array of products, is reshaping consumer habits and expectations. Despite the continued growth of online shopping, the role of physical stores remains significant. Physical stores offer tangible benefits that online shopping often struggle to replicate. These include the ability to see, touch, and try products before purchasing, as well as the immediacy of taking items home without having to wait for shipping. The relationship between online shopping and physical shopping remains a hot topic in academia. Although there have been relevant studies in China, most of them are based on the survey data from individual communities or cities, lacking large-scale and long-term systematic research from a national perspective. Furthermore, there is a lack of heterogeneous comparisons between different regions. Drawing on large-scale time utilization survey data of 29 provincial-level regions in 2017 and 2021, this paper analyzes the spatiotemporal evolution of online shopping behavior and physical shopping behavior of China's residents, and examines the influence of online shopping on residents' physical shopping behavior. The results show that: (1) There are significant spatial differences in the characteristics of residents' online and physical shopping behaviors. The standard deviation ellipse of online shopping and physical shopping behavior shows an obvious "northeast-southwest" distribution pattern, with the gravity center gradually shifting northward during the study period. (2) In 2017, online shopping had a significant complementary effect on physical shopping. But in 2021, both complementary and neutral effects coexisted. (3) There are significant differences in the impact of online shopping on physical shopping between urban and rural residents, and residents among different regions. There is also a coexistence of complementary effects and neutral effects. This paper clarifies the relationship between online shopping and physical shopping in China, provides an in-depth understanding of the changes of urban space in the internet era, and helps promote the spatial transformation of physical commerce.

Key words： time use; online shopping; physical shopping; spatial and temporal characteristics; China

Cite this article

WANG Fang , HOU Jingyi , NIU Fangqu . The impact of Chinese residents' online shopping on the physical shopping behavior[J]. Acta Geographica Sinica, 2024 , 79(8) : 2083 -2096 . DOI: 10.11821/dlxb202408011

1 引言

近年来网络购物（简称网购）依托互联网发展迅速，逐渐成为人们生活中不可或缺的一部分。当前中国已成为世界上最大的网络零售市场，根据第52次《中国互联网络发展状况统计报告》，2023年上半年中国国内网上零售额达7.16亿元，同比增长13.1%。网购的蓬勃发展使其逐渐成为对城市经济发展、社会进步、居民生活产生巨大影响的重要行业[1]，特别是给传统的实体零售业造成了巨大冲击和颠覆性影响，同时也重塑着居民的购物行为模式。探明网购对实体购物的影响及居民购物行为模式的演变，对于规划管理零售业及实体店运营选址具有重要意义。
已有研究将网购与实体购物的关系归纳为4类：替代、互补、修正和中立关系[2-3]。① 替代关系认为网购的增加会降低实体购物，减少居民实体购物次数和出行距离[4]。Ferrell[5]基于旧金山居民出行调查发现，网购更频繁的群体实体购物频次更少、时间更短。来自荷兰的证据也证实了这一发现，Weltevreden等的研究表明，超过20%的受访者认为网购导致他们减少了前往市中心商店的实体购物[6]。Irawan[7]在印度尼西亚同样发现类似的情况，网购会降低消费者实体购物的意愿。② 互补关系是指网购会导致更多的实体购物，居民在网上浏览商品信息后会产生购物欲望，进一步激发到实体店体验、购买商品的行为，从而增加了实体购物[8]。Ding等[9]通过北京地区居民活动出行日记发现网购频率与实体购物频率呈正相关。Colaço等[10]在葡萄牙里斯本进行了为期7 d的购物调查，结果与Ding等的结论相似，即网购促进了受访者工作日的实体购物。③ 修正关系指的是网购改变了实体购物的一种或多种属性，如出行时间、交通方式、目的地等[11]。④ 中立关系则认为网购与实体购物之间没有影响[12]。不同研究得出的结果存在矛盾，可能源自样本规模大小、对网购的定义、案例区经济发展水平、社会文化等因素的差异。另外一些学者认为，网购与传统实体购物间的关系不能简单地用一种关系来表述，二者之间存在着混合效应、交叉效应[13-14]。与此同时，伴随着行为地理学的发展，人们意识到地理空间环境在影响居民购物行为中发挥着重要作用，但与居民购物行为之间的复杂关系尚未有一致结论。已有研究表明，居民的居住区位对购物行为有着显著影响[15]。不同国家网购对实体购物的影响不大相同。如Sim等认为是新加坡居民的个人偏好导致网购对实体购物的中立影响[12]。在针对苏格兰的一项研究中，Calderwood等的研究则表明岛上的特定情景会影响网购和实体购物之间的关系[16]。
针对网购与实体购物的关系，国内学者也进行了研究。例如，张永明等[13]以南京为例，研究了居民网购与实体购物的互动模式，得出网购与实体购物是替代、补充、修正和中立4种关系并存的混合效应。Shi等[17]利用对成都710名居民的访谈数据研究得出，针对服装、鞋子、电子产品、化妆品等类型产品的网购减少了实体购物。但与荷兰[18⇓-20]与美国[21⇓-23]等国家相比，研究较为薄弱。关于中国居民网购对实体购物行为的影响，相关研究大多集中在某一个城市、购物中心或者社区内部居民购物行为的相对微观尺度，在国家层面展开的研究较少，忽视了影响因素的空间异质性。且已有研究大多针对某一特定时间点，缺乏长期、系统性的调查研究。这必将成为理解中国居民实体购物转变的掣肘，从而难以形成互联网环境下居民购物研究的有效闭环。
网购和实体购物均为时间利用的一种形式或方式。研究时间利用可揭示居民个人生活习惯及其规律，提高居民时间利用效率，同时有助于政府掌握居民生活习惯与生活需求等相关信息，从而提供更好的公共服务。基于此，本文利用中国各省份2017年、2021年大规模时间利用调查数据，从全国范围内分析居民网购和实体购物行为的时空特征，并探明网购对实体购物的影响及居民购物模式的演变，为规范居民消费行为、实体业态转型发展提供科学参考，从而提升居民生活品质、助力经济高质量发展。

2 数据与研究方法

2.1 数据

本文数据来源于内蒙古大学与西南财经大学中国家庭金融调查与研究中心开展的中国时间利用调查（CTUS），覆盖中国各省、自治区、直辖市（西藏自治区、新疆维吾尔自治区、香港特别行政区、澳门特别行政区、台湾省数据暂未含），测度中国人在各类活动中时间资源的分配状况。CTUS的整体抽样方案采用了分层、三阶段与规模度量成比例（PPS）的抽样设计。第一阶段在全国范围内抽取区县；第二阶段从区县中抽取居委会/村委会；第三阶段在居委会/村委会中抽取家庭。在此基础上，通过调查员走访入户、填写日志的形式调查记录了受访者于调查前一日凌晨4点至当日凌晨4点的24 h内，每间隔10 min的时间利用行为，并将居民日常时间利用活动划分为娱乐社交、教育培训、日常工作、饮食活动等11个类。在此基础上根据居民的时间安排分为典型日与非典型日。对于工作人员，典型日指的是春节、国庆节等法定节假日之外的时间；对于学生，典型日是指寒暑假以外的时间。
CTUS第一轮调查于2017年进行，采集了12484户家庭、年龄在3岁及以上的30715个家庭成员的时间利用信息。第二轮调查于2021年进行，采集8073户家庭的16820个家庭成员的时间利用信息①(① 2021年调查的家庭样本中有1000户为2017年追访的家庭，其余均为新访家庭。)。居民的实体购物活动指的是在超市、书店、专卖店、菜市场、二手市场、夜市、各种代售点等批发、零售机构购买个人或家庭所需商品的活动。2017年、2021年非典型日在整体样本中所占比例均不足3%，样本量少，缺乏代表性，不能客观反映居民非典型日的时间利用状况，故将2017年、2021年的非典型日剔除。剔除存在缺失值的数据后，2017年整理得到29955份有效数据，2021年整理得到15682份有效数据。相关变量的描述性统计如表1所示。
表1 样本属性统计

Tab. 1 Sample attribute statistics

变量 2017年 2021年
数量(人) 百分比(%) 数量(人) 百分比(%)
是否实体购物(受访日当天) 是 2273 7.59 936 5.97
否 27682 92.41 14746 94.03
实体购物时间/总出行时间
(受访日当天)		 0 27682 92.41 14746 94.03
0.01~0.20 410 1.37 245 1.56
0.21~0.40 523 1.75 257 1.64
0.41~0.60 341 1.14 155 0.99
0.61~0.80 147 0.49 61 0.39
0.81~1.00 852 2.84 218 1.39
是否有网购经历(受访当年) 是 13258 44.26 7262 46.31
否 16697 55.74 8420 53.69
家庭网购金额(受访当年)(元) ≤ 500 21411 71.48 9957 63.49
501~1000 1806 6.03 1339 8.54
1001~1500 439 1.47 266 1.70
1501~2000 1374 4.59 959 6.12
≥ 2001 4925 16.44 3161 20.16
性别 男 14615 48.79 7721 49.23
女 15340 51.21 7961 50.77
年龄(岁) ≤ 17 4229 14.12 1542 9.83
18~35 4664 15.57 1754 11.18
36~45 3759 12.55 1656 10.56
46~55 5858 19.56 2999 19.12
56~65 5366 17.91 3430 21.87
≥ 66 6079 20.29 4301 27.43
婚姻状况 有配偶 21250 70.94 11793 75.20
无配偶 8705 29.06 3889 24.8
受教育程度 小学及以下 12356 41.25 6345 40.46
初中 8574 28.62 4721 30.1
高中 5093 17 2545 16.23
大学及以上 3932 13.13 2071 13.2
职业类型 机关事单位、企业 12797 42.72 5948 37.93
个体工商户 4259 14.22 2875 18.33
务农 2724 9.09 650 4.14
退休 5519 18.42 2917 18.6
其他 4656 15.54 3292 20.99
家庭总收入(元) ≤ 25000 7834 26.15 4846 30.90
25001~50000 5730 19.13 2862 18.25
50001~100000 8375 27.96 4029 25.69
≥ 100001 8016 26.76 3945 25.16

2.2 研究方法

2.2.1 标准差椭圆

标准差椭圆（Standard Deviational Ellipse, SDE）可用于揭示地理要素的空间分布中心、离散和方向趋势。本文采用标准差椭圆分析方法的中心坐标、方位角、展布范围、形状等描述中国网购和实体购物行为的空间特征与演化趋势。将二者的平均分布中心作为重心，重心移动方向体现出网购和实体购物行为分布变化的空间轨迹，将网购和实体购物行为的主要趋势作为方位角，长、短半轴则表现其在空间分布中的离散和集聚程度。具体计算公式参考赵媛等[24]的研究。

2.2.2 二元Logistic回归模型

由于居民是否实体购物为二项分类变量，即当日无实体购物为0，有实体购物为1。故采用二元Logistic回归模型分析网购对其的影响，具体公式为：
P = e x p ( β 0 + β 1 x 1 + ∙ ∙ ∙ + β k x k ) 1 + e x p ( β 0 + β 1 x 1 + ∙ ∙ ∙ + β k x k )
式中： P为因变量，表示自变量相对于某一事件的发生概率，取值范围[0,1]； x 1, x 2, …, x k为自变量； k为自变量个数； β 1, β 2, …, β k为偏回归系数，反映自变量对 P影响的大小。

2.2.3 多元线性回归模型

关于探讨网购对居民实体购物时间占总出行时间的影响，本文通过最小二乘法（OLS）进行深入分析，并构建如下模型进行验证。
Y i = β 0 + β 1 I n t e r n e t + β 2 X i + μ i + ε i
式中： Y i表示第 i个居民的被解释变量；核心解释变量 I n t e r n e t代表居民受访当年是否有过网购经历； X i表示一系列的控制变量，其中包括居民性别、年龄及年龄平方/100、婚姻状况、受教育程度、职业类型、对数处理后的家庭总收入。此外，在省份层面加入省份虚拟变量控制不同省份经济发展水平对居民实体购物的影响。 μ i表示省份固定效应； ε i为扰动项。其中，省份固定效应是为每个省份创建虚拟变量并添加到多元线性回归模型中，当作解释变量进行计算。当有n个省份时，就引入（n-1）个虚拟变量，依次作为基准省份，取值为1，其他省份取值为0。

3 中国居民购物行为的时空演变

3.1 中国居民网购行为时空特征及其演变

2017—2021年间中国居民参与网购的比例显著上升，从43%增至46%，并呈现出明显的区域差异。基于网购人数占比对中国各省份进行分级，2017年网购率呈现出自西向东显著上升的态势（图1）。网购人数占比高的城市多集中在北京、上海等东部沿海发达地区，网购人数占比低的城市多位于内蒙古、甘肃、青海等西部内陆地区。但到2021年，四川、青海、内蒙古、吉林等地区网购比率得到显著提升。这些地区电子商务发展较晚，网络通讯、物流配送等相关设施不完善，居民在网上交易的能力和意识相对匮乏。但近年来该类地区不断加强对数字基础设施的建设，为居民网购提供了迅捷的网络通讯环境；物流和配送服务的改善提升，让居民可以享受到高效优质便捷的快递服务；电子商务影响力的扩大以及居民消费观念的转变均提高了居民网购的积极性。
图1 2017年和2021年中国居民网购人数占总人数比例时空演进

注：基于自然资源部标准地图服务网站审图号为GS(2019)1825号的标准地图制作，底图边界无修改。

Fig. 1 The proportion of online shoppers among the total population of Chinese residents in 2017 and 2021

随着各类线上交易平台、非现金支付的快速发展，中国网络零售市场交易规模增长迅速。实物商品网络零售额占社会消费品零售总额的比重已从2011年的4.4%增长至2021年的24.5%，10余年增长了近5倍[25]。在网购金额方面①(① 网购金额指受访者家庭一年的网络购物支出。)，2017年中国居民平均家庭网购金额为1854元，2021年增加至2425元。2017年以北京、上海为代表的东部经济发达地区平均家庭网购金额较高，该类城市在电子商务方面处于领先地位、网购交易规模大[26]；低值区主要分布于以山西、宁夏为代表的中西部地区，平均家庭网购金额分别为664元、797元。由此表明居民网购行为受所处地理位置、经济发展程度等因素的影响。到2021年，北京和上海平均家庭网购金额分别达到9087元和6396元，广东平均家庭网购金额也相对较高，为5452元，均属于高水平阶段；青海和贵州的平均家庭网购金额分别为1012元和664元，属于最低水平（图2）。
图2 2017年和2021年中国居民平均家庭网购金额时空演进
注：基于自然资源部标准地图服务网站审图号为GS(2019)1825号的标准地图制作，底图边界无修改。

Fig. 2 The average household online shopping expenditures of Chinese residents in 2017 and 2021

本文进一步采用标准差椭圆分析方法揭示中国居民网购行为的空间格局演变，结果如图3和表2。研究期内，中国居民网购行为基本空间格局保持“东北—西南”方向分布，重心在不同程度上向北移动，但未发生剧烈偏离，空间格局呈现出均衡发展的态势。与2017年相比，2021年网购行为椭圆面积整体上呈现扩张趋势，长半轴长度有所增长。根据以上分析可知：由于区域发展的不均衡，西部和东北地区电子商务发展缓慢，使得居民网络消费潜力长久以来未得到充分释放。近年来，随着数字基础设施的加速建设和电子商务平台的大力推广，网络消费发展快速，网络零售额增速领先。
图3 中国居民网购行为标准差椭圆及其重心

注：基于自然资源部标准地图服务网站审图号为GS(2019)1825号的标准地图制作，底图边界无修改。

Fig. 3 Standard deviation ellipses and gravity centers of Chinese residents' online shopping

表2 中国居民网购行为标准差椭圆参数

Tab. 2 Standard deviational ellipse parameters of Chinese residents' online shopping

年份 重心经度(°E) 重心纬度(°N) 椭圆面积(万km2) 短半轴(km) 长半轴(km) 旋转角(°)
网购人数占
总人数比例		 2017 113.32 33.18 290.57 800.41 1155.60 26.94
2021 113.19 33.93 315.81 825.58 1217.72 30.31
家庭网购金额 2017 114.60 32.99 262.33 804.00 1038.64 26.46
2021 114.78 33.64 268.04 753.24 1132.78 21.14

3.2 中国居民实体购物行为的时空特征及其演变

梳理已有文献发现，经济发达地区的居民受益于完善购物基础、成熟商业条件、多样购物选择，在购物过程中拥有更加便利的购物条件[27]，但便捷的购物条件是否能激发居民实体购物的欲望，从而增加其购物出行时间尚未有明确定论。此外，居民实体购物时间长的地区是否总出行时间也相应延长，或是二者呈现出互斥或者独立关系，值得进一步去探讨。本文对2017年、2021年中国各省份居民实体购物时间占总出行时间比例进行了分类。其中，“总出行时间”指居民外出活动时间与其相关的交通活动所花费时间（包括往返交通活动）的总和。“实体购物时间/总出行时间”这一指标代表着居民在实体购物上花费的时间在其日常总出行时间中所占的比例，可以揭示出在日常生活中实体购物行为对居民的相对重要性，该值越大，表明居民相对较多的时间用于实体购物，反之，则在实体购物上所花费的时间较少。
研究期内中国居民平均实体购物时间发生显著变化，由2017年的6.66 min下降至2021年的5.95 min。上海以13.35 min的平均实体购物时间在2017年领先，但到2021年，北京的平均实体购物时间最多，为14.90 min。平均实体购物时间低值区为安徽、贵州等中西部地区。同时，与2017年相比，中国居民实体购物时间占总出行时间比例也呈下降趋势，由4%降至3%（图4）。实体购物时间及其占比高值区均多为以上海为代表的东部发达地区，可能是该类地区的居民通常具有较高的消费水平，更倾向于进行包括购买奢侈品及高端商品等在内的休闲购物，且该地区商业的繁荣和多样性使得居民有更多、更丰富的购物选择，在实体商店探索新商品的意愿更加强烈[28]；同时，该类地区以提高顾客体验度为核心的实体商业分布比例较高，吸引居民在实体购物上花费较多时间[29]。
图4 2017年和2021年中国居民实体购物时间占总出行时间比例时空演进

注：基于自然资源部标准地图服务网站审图号为GS(2019)1825号的标准地图制作，底图边界无修改。

Fig. 4 The proportion of physical shopping time to total travel time of Chinese residents in 2017 and 2021

中国居民实体购物人数占总出行人数比例在研究期内呈下降趋势（图5）。由2017年的7.3%降至2021年的6%。2017年实体购物人数占比在整体上呈现出自东南向西北递减的趋势，经济发展水平较低地区实体购物活动活跃度相对较低。这些地区商业基础设施不足、公共交通便捷性差、居民消费观念相对保守，以上因素可能导致居民降低参与实体购物活动的积极性。2021年以广东、福建为代表的东部沿海地区实体购物人数占比下降明显。潜在的原因有：该类地区人口密集，人员流动性大，受到疫情特殊事件的影响可能更深。居民为减少感染风险，除必要外出活动，实体购物活动相应减少；该类地区受互联网影响程度更深，消费观念与消费偏好发生变化，对实体购物的依赖性下降。
图5 2017年和2021年中国居民实体购物人数占总出行人数比例时空演进

注：基于自然资源部标准地图服务网站审图号为GS(2019)1825号的标准地图制作，底图边界无修改。

Fig. 5 The proportion of physical shopping participants to total travel participants among Chinese residents in 2017 and 2021

运用标准差椭圆分析方法进一步探究实体购物行为空间变化与趋势。由图6和表3可知，实体购物行为基本空间格局保持“东北—西南”方向分布，重心向东北方向迁移。与2017年相比，2021年实体购物行为长半轴均有所增加，说明其在东北—西南主轴上趋于离散趋势；椭圆旋转角均有上升趋势，椭圆整体上呈顺时针方向转动。以上分析表明：随着经济动力的转移，整体上西部、东北地区发展迅速，不断推动实体零售企业的壮大，完善公共交通设施的建设，吸引居民前往实体店进行消费。
图6 中国居民实体购物行为标准差椭圆及其重心

注：基于自然资源部标准地图服务网站审图号为GS(2019)1825号的标准地图制作，底图边界无修改。

Fig. 6 Standard deviation ellipses and gravity centers of Chinese residents' physical shopping

表3 中国居民实体购物行为标准差椭圆参数

Tab. 3 Standard deviational ellipse parameters of Chinese residents' physical shopping

年份 重心经度(°E) 重心纬度(°N) 椭圆面积(万km2) 短半轴(km) 长半轴(km) 旋转角(°)
实体购物人数占
总出行人数比例		 2017 114.40 33.36 290.24 780.94 1183.09 24.98
2021 114.90 34.60 283.97 753.15 1200.23 26.23
实体购物时间占
总出行时间比例		 2017 114.28 32.96 288.24 766.37 1197.28 24.69
2021 114.55 34.62 289.31 768.39 1198.56 28.28

4 中国居民网购对实体购物行为的影响机制

4.1 基准回归

表4给出基准回归结果，即网购及其他控制变量对居民实体购物行为的影响。2017年网购对居民是否实体购物及实体购物时间占总出行时间比例均在1%的水平下显著为正。从回归系数上看，实体购物、实体购物时间占总出行时间比例两变量的系数分别为0.202、0.009。表明居民网购对实体购物并未产生挤出效应，反而在不同程度上促进居民的购物出行，即有网购经历的居民，也倾向于选择实体购物。零售业态的升级转型以及线上、线下的融合发展在推动网络消费迅猛增长的同时，赋予整个消费市场更强的活力[30]。2021年只有是否实体购物在1%的水平上通过了显著性检验，回归系数为0.219。由此可知，研究期内网购与实体购物的关系为互补关系与中立关系并存的混合效应。此结论与冯健等[31]基于北京城中村女性居民的研究结论相一致，即网购对实体购物行为发挥的是补充作用而不是替代作用。但与Ferrell[5]针对旧金山居民、Weltevreden[6]针对荷兰居民、Shi等[17]对中国成都710名受访者进行研究得到的网购对实体购物存在一定的挤出效应这一结论存在差异。中国以往的相关研究多为案例研究，缺乏大规模长时间的追踪观察，这可能是与本文结论存在矛盾的原因。
表4 基准回归结果

Tab. 4 Benchmark regression of results

2017年 2021年
是否实体购物 实体购物时间/总出行时间 是否实体购物 实体购物时间/总出行时间
是否网购 0.202***(3.588) 0.009***(3.626) 0.219***(2.619) 0.003(1.125)
性别 0.734***(16.054) 0.031***(15.387) 0.660***(9.577) 0.018***(8.885)
年龄 0.059***(7.128) 0.001***(2.599) 0.070***(4.355) 0.000***(6.780)
年龄平方/100 -0.038***(-4.983) -0.000(-1.219) -0.039***(-2.862) -0.000(-0.962)
婚姻状况 0.161**(2.128) 0.011***(3.323) -0.204**(-1.973) -0.006*(-1.771)
受教育程度 0.208***(7.833) 0.007***(5.061) 0.288***(7.745) 0.008***(6.535)
职业类型 0.111***(6.158) 0.004***(4.677) 0.133***(4.837) 0.004***(4.119)
家庭总收入 0.078***(3.470) 0.003***(4.938) 0.072**(2.269) 0.001(1.447)
常数项 -6.697***(-19.771) -0.075***(-7.082) -6.855***(-11.400) 0.002(0.159)
观测值 29955 29955 15682 15682
省份虚拟变量 YES YES YES YES
Pseudo R2/R2 0.077 0.033 0.116 0.030

注：*、**、***分别表示在10%、5%、1%水平上显著；括号内的值是聚类到家庭层面的稳健标准误；后表同。

此外，对于本文得出结论的可能解释有：① 不同消费者在网购平台上分享的多元化信息，使得频繁进行网购的居民可以更便利快捷地获得全面的商品信息并得到更多信息参考源，从而诱使其产生新的购物出行欲望，延长实体购物时间，比如电影院和餐厅的点评信息，会让消费者前往该地进而产生消费行为[32]。② 居民通过网购节省的时间被重新分配在购买其他物品的实体购物上，如为网上购买的商品购买其他配件；网购所带来的价格优势，提升了消费者的剩余消费水平，在已有消费预算条件下，居民的实际购买能力得到提升，促进其实体消费行为的发展。③ 热衷于购物的消费者会同时使用多种购物模式，不管网购还是实体购物都仅仅是一种方式或手段，该类居民拥有较高的购物需求，网购并不会减少其实体购物的频率和时间。④ 2021年正处于疫情暴发之际，疫情导致居民收入不稳定，使其降低购物支出，同时受物流中断、惶恐心理因素等影响，居民网购和实体购物都在一定程度上被动抑制。魏宗财等[33]的研究指出在疫情期间居民同时兼顾网购和实体购物两种消费模式，并没有对某种消费模式表现出明显的偏向。该发现可在一定程度上为中立效应的存在提供合理解释。
从控制变量的估计结果进行分析。在性别方面，与男性相比，女性更倾向于实体购物。在中国女性通常承担了更多的家庭购物责任，家庭购物负担更重，且大部分女性会将逛街当作紧张生活之余的放松和娱乐活动，由此增加了实体购物以及相应花费的时间。研究期内，年龄对是否实体购物存在着显著的非线性影响，为倒“U”型关系，即随着年龄增长，实体购物时间为先增长后下降趋势，表明较之年轻居民与老年居民，中年居民进行实体购物较多。同时，年龄对实体购物时间占总出行时间比例有正向促进作用，即年龄较大的居民会在实体购物上花费更多时间，这可能是由于购买活动作为一项基本的家庭活动，往往由家中从事无偿劳动的人承担。居民受教育水平对于实体购物具有显著的正向作用，一方面，居民受教育程度越高一般代表着居民预期收入越高，另一方面，教育会对居民的消费理念和消费方式产生一定的影响，从而进一步影响居民实体购物。在家庭总收入方面，家庭收入的增加有利于促进实体购物，延长实体购物时间。收入越高，可供支配的资金越多，居民也就拥有更高的购物欲望和消费能力，其实体购物活动更加活跃。

4.2 网购行为对实体购物行为影响的城乡差异

由于中国各区域之间经济发展程度、自然社会环境不同，发展状况的差异不仅会影响到人们对互联网的使用，还会影响居民实体购物。为对居民实体购物情况的空间异质性进行深入分析，本文进一步探讨城乡之间和不同区域之间居民网购对实体购物情况的影响。
由表5可知，只2017年网购对城镇实体购物行为有正向促进作用，但对其他变量均无显著影响，即网购对于实体购物的影响以中立作用为主，未对实体购物造成明显的影响。可能的原因是：无论对于城镇还是乡村居民，购物活动只是出行链中的一环，如发生在上下班途中的顺便购物行为，这类活动并不会对居民整体的出行次数和出行时间造成很大影响。与此同时，实体购物自身具有不可替代性，一方面，实体购物可满足居民的社交需求，消费者在与商家进行面对面沟通的过程中，获得的关于产品的感性认识和精神愉悦是网购所无法替代的；另一方面，各地都在大规模地进行大型商业综合体建设，将购物、餐饮、休闲娱乐等功能融合在一起，实体店自身功能向多元化、复合化转型，必然会产生集聚效应，刺激消费者对其的接触和使用，减少网购的影响与冲击。
表5 网购对城乡居民实体购物的影响

Tab. 5 The impact of online shopping on physical shopping of urban and rural residents

变量 2017年 2021年
是否实体购物 实体购物时间/
总出行时间		 是否实体购物 实体购物时间/
总出行时间
城镇 乡村 城镇 乡村 城镇 乡村 城镇 乡村
是否网购 0.126**
(2.125)		 0.128
(0.832)		 0.009**
(2.564)		 0.004
(0.991)		 0.105
(1.172)		 0.321
(1.575)		 0.000
(0.063)		 0.002
(0.843)
常数项 -6.122***
(-17.140)		 -7.367***
(-7.889)		 -0.066***
(-5.947)		 -0.031***
(-3.593)		 -6.092***
(-9.194)		 -7.487***
(-6.235)		 -0.033***
(-2.946)		 -0.018***
(-2.628)
控制变量 控制 控制 控制 控制 控制 控制 控制 控制
省份虚拟变量 YES YES YES YES YES YES YES YES
观测值 19702 10253 19702 10253 9042 6284 9042 6284

4.3 网购行为对实体购物行为影响的区域差异

本文根据居民所处区域，将总样本划分为东部地区、中部地区、西部地区后依次进行回归。回归结果如表6所示。2017年西部地区居民网购对实体购物行为影响最显著，在1%水平下显著为正。2021年仅中部地区居民网购对实体购物行为有促进作用。总的来说，不同区域网购与实体购物分为互补关系与中立关系。可能的解释是：东部地区发达的经济导致过快的生活节奏和激烈的竞争，居民将更多的时间投入到了“有酬劳动”中，从而出现“有钱无闲”的状况，网购快捷便利的属性满足了人们节省时间的需求，减弱了网购对实体购物的促进作用。与东部地区相比，长期以来，中国中西部地区通讯网络不完善，市场发育程度低，居民购物需求一直难以得到充分满足。互联网的快速普及和发展，使得居民在网络上浏览商品信息后产生购物欲望，从而激发居民到实体店体验、购买商品的行为，增加其实体购物时间。
表6 网购对不同区域居民实体购物的影响

Tab. 6 The impact of online shopping on physical shopping of residents in different regions of China

变量 2017年 2021年
是否实体购物 实体购物时间/
总出行时间		 是否实体购物 实体购物时间/
总出行时间
东部 中部 西部 东部 中部 西部 东部 中部 西部 东部 中部 西部
是否
网购		 0.187**
(2.524)		 0.045
(0.389)		 0.397***
(3.259)		 0.010*
(2.278)		 0.006
(1.455)		 0.013***
(2.977)		 0.137
(1.275)		 0.453**
(2.254)		 0.195
(1.143)		 0.000
(0.089)		 0.010**
(2.424)		 0.001
(0.313)
常数项 -6.875***
(-14.592)		 -7.499***
(-12.753)		 -6.340***
(-10.578)		 -0.090***
(-6.870)		 -0.066***
(-5.579)		 -0.036***
(-2.607)		 -7.710***
(-9.553)		 -011.350***
(-7.101)		 -5.515***
(-6.804)		 -0.056***
(-4.405)		 -0.037***
(-2.937)		 -0.022*
(-1.948)
控制
变量		 控制 控制 控制 控制 控制 控制 控制 控制 控制 控制 控制 控制
省份虚
拟变量		 YES YES YES YES YES YES YES YES YES YES YES YES
观测值 13374 7980 8601 13374 7980 8601 6740 3637 5305 6740 3637 5305

5 结论与讨论

5.1 结论

本文基于2017年和2021年中国各省份大规模的时间利用调查数据，分析了居民网购和实体购物行为时空特征、网购对实体购物的影响及居民购物行为模式的转变态势，主要结论为：
（1）研究期内，总体上中国居民网购人数、网购金额呈显著递增趋势，实体购物时间占总出行时间比例与实体购物人数占总出行人数比例微弱下降。中国居民网购行为、实体购物行为在空间格局上差异显著。研究期内东部地区网购人数和网购金额均处于较高水平，中西部的部分省份有所提升；2017年实体购物时间占比和实体购物人数占比整体上由东南向西北方向递减，2021年受疫情影响未表征出显著特征。
（2）研究期内，中国居民网购和实体购物行为标准差椭圆均呈明显的“东北—西南”向分布格局，重心逐渐向北移动。近年来随着“振兴东北”“中部崛起”“西部大开发”等国家政策的实施，多地居民消费水平提升迅速、进一步释放消费潜力。
（3）2017年中国居民网购总体上与实体购物呈互补关系。2021年则互补效应和中立效应同时存在。即在研究期内二者关系为互补与中立关系共存。网购对城乡、不同区域居民实体购物情况的影响有明显差异，亦存在着互补效应和中立效应共存的情况。

5.2 讨论

近年来聚焦于网购给传统实体购物空间带来的变化，国内外学者进行了理论和实证的探讨。但是当前的研究结论仍然存在着一系列相互冲突的观点。由此，网购与实体购物二者的关系远比看起来要复杂得多。当前中国作为世界上网络零售额最高的国家，关于网购对实体购物影响的研究却相对薄弱。本文的贡献在于样本规模覆盖了中国大多数地区的居民，采用时间利用调查2017年和2021年的截面数据，在宏观尺度下结合每位居民的微观个体行为视角，展开了居民网购对实体购物影响的理论和实证探索，具有较强典型性与代表性。并采用实体购物时间占总出行时间比例这一指标，更直观地揭示出实体购物在不同居民日常生活中的相对重要性。考虑到样本的社会经济与区位属性，本文还对城乡之间、不同区域之间的居民进行空间异质性分析，揭示了网购在微观个体购物行为中发挥的作用。
本文仍然存在以下不足。① 商品可具体划分为无形商品和有形商品，如以美容美发等为代表的无形商品，以服装、食品、电子产品等为代表的有形商品。网购对于居民购买不同类型商品的实体购物是否存在不同影响目前尚不清楚，仍需进一步探讨。② 中国居民时间利用调查中未将调研日划分为工作日与休息日，因此目前的数据无法就居民工作日与周末休息日在实体购物和网购行为上是否存在异同展开进一步研究。③ 中国居民时间利用调查虽然样本量较大，且在选取受访家庭时尽量保证样本的代表性，但白天入户调查的方式可能会导致退休在家的人员在样本中占比略大，从而使受访者年龄分布呈现出略微不均匀的态势，在未来的研究中需考虑改进采样策略，以更好地涵盖各类人群，确保更全面的代表性。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Chai Yanwei, Liu Tianbao, Ta Na. Individual behavior-based multi-scale spatial reconstruction and its planning application. Areal Research and Development, 2013, 32(4): 1-7, 14.

[柴彦威, 刘天宝, 塔娜. 基于个体行为的多尺度城市空间重构及规划应用研究框架. 地域研究与开发, 2013, 32(4): 1-7, 14.]

[2]
Suel E, Daina N, Polak J W. A hazard-based approach to modelling the effects of online shopping on intershopping duration. Transportation, 2018, 45(2): 415-428.

DOI PMID

[3]
Aldo A L, Andreas B, Martin L. Exploring the associations between e-shopping and the share of shopping trip frequency and travelled time over total daily travel demand. Travel Behaviour and Society, 2023, 31(4): 202-208.

[4]
Zhen Feng, Wei Zongcai, Yang Shan, et al. The impact of information technology on the characteristics of urban resident travel: Case of Nanjing. Geographical Research, 2009, 28(5): 1307-1317.

[甄峰, 魏宗财, 杨山, 等. 信息技术对城市居民出行特征的影响: 以南京为例. 地理研究, 2009, 28(5): 1307-1317.]

[5]
Ferrell C. Home-based teleshopping and shopping travel: Where do people find the time? Transportation Research Record, 2005, 1926(1): 212-223.

[6]
Weltevreden J W J, van Rietbergen T. The implications of e-shopping for in-store shopping at various shopping locations in the Netherlands. Environment and Planning B: Planning and Design, 2009, 36(2): 279-299.

[7]
Irawan M Z, Wirza E. Understanding the effect of online shopping behavior on shopping travel demand through structural equation modeling. Journal of the Eastern Asia Society for Transportation Studies, 2015, 11: 614-625.

[8]
Shah H, Andre L, Carrel, et al. What is your shopping travel style? Heterogeneity in US households' online shopping and travel. Transportation Research Part A: Policy and Practice, 2021, 153: 83-98.

[9]
Ding Y, Lu H P. The interactions between online shopping and personal activity travel behavior: An analysis with a GPS-based activity travel diary. Transportation, 2017, 44(2): 311-324.

[10]
Colaço R, Abreu Silva J. Exploring the interactions between online shopping, in-store shopping, and weekly travel behavior using a 7-day shopping survey in lisbon, portugal. Transportation Research Record, 2021, 2675: 379-390.

[11]
Mokhtarian P L. A conceptual analysis of the transportation impacts of B2C e-commerce. Transportation, 2004, 31(3): 257-284.

[12]
Sim L L, Koi S M. Singapore's Internet shoppers and their impact on traditional shopping patterns. Journal of Retailing and Consumer Services, 2002, 9(2): 115-124.

[13]
Zhang Yongming, Zhen Feng. The interaction mode between online shopping and store shopping of urban resident and spatial differentiation: A case study of Nanjing. Economic Geography, 2017, 37(1): 15-22.

[张永明, 甄峰. 城市居民网络与实体购物互动模式及空间分异: 以南京为例. 经济地理, 2017, 37(1): 15-22.]

[14]
Lin Yuexi, Wang Mingfeng, Ma Tongcui. The impact of online shopping on in-store shopping:An investigation of Nanfang Commercial Center in Shanghai. World Regional Studies, 2020, 29(3): 568-578.

DOI

[林玥希, 汪明峰, 马同翠. 网上购物对实体零售的影响: 基于上海南方商城商业中心的调查. 世界地理研究, 2020, 29(3): 568-578.]

DOI

[15]
Wang Huan, Wang Fang, Guo Mengyao. Spatiotemporal characteristics and determinants of residents' shopping travel behaviors in China: Based on Chinese time use survey. Geographical Research, 2022, 41(10): 2712-2725.

[王欢, 王芳, 郭梦瑶. 居民购物出行时空特征及影响因素研究: 基于中国时间利用调查. 地理研究, 2022, 41(10): 2712-2725.]

DOI

[16]
Calderwood E, Freathy P. Consumer mobility in the Scottish Isles: The impact of internet adoption upon retail travel patterns. Transportation Research Part A: Policy and Practice, 2014, 59(1): 192-203.

[17]
Shi K B, De Vos J, Yang Y C, et al. Does e-shopping replace shopping trips? Empirical evidence from Chengdu, China. Transportation Research Part A: Policy and Practice, 2019, 122(5): 21-33.

[18]
Farag S, Weltevreden J, Rietbergen V T T, et al. E-shopping in the Netherlands: Does geography matter? Environment and Planning B: Urban Analytics and City Science, 2006, 33(1): 59-74.

[19]
Farag S, Schwanen T, Dijst M, et al. Shopping online and/or in-store? A structural equation model of the relationships between e-shopping and in-store shopping. Transportation Research Part A: Policy and Practice, 2007, 41(2): 125-141.

[20]
Maat K, Konings R. Accessibility or innovation? Store shopping trips versus online shopping. Transportation Research Record, 2018, 2672(3): 036119811879404. DOI: 10.1177/0361198118794044.

[21]
Cao X Y, Douma F, Cleaveland F. Influence of e-shopping on shopping travel: evidence from Minnesota's Twin Cities. Transportation Research Record, 2010, 2157(2): 147-154.

[22]
Zhou Y W, Wang X K. Explore the relationship between online shopping and shopping trips: An analysis with the 2009 NHTS data. Transportation Research Part A: Policy and Practice, 2014, 70: 1-9. DOI: 10.1016/j.tra.2014.09.014.

[23]
Lee R J, Sener I N, Mokhtarian P L, et al. Relationships between the online and in-store shopping frequency of Davis, California residents. Transportation Research Part A: Policy and Practice, 2017, 100: 40-52.

[24]
Zhao Yuan, Yang Zuying, Hao Lisha, et al. The evolution of spatial displacement pattern of China's crude oil flow source-sink system. Acta Geographica Sinica, 2012, 67(4): 455-466.

DOI

[赵媛, 杨足膺, 郝丽莎, 等. 中国石油资源流动源—汇系统空间格局特征. 地理学报, 2012, 67(4): 455-466.]

DOI

[25]
Zhang Yina, Zhan Rong. Can online retail narrow the regional economic gap? An empirical analysis based on data from prefecture-level cities in China. Journal of Northwest University (Philosophy and Social Sciences Edition), 2023, 53(6): 83-93.

[张伊娜, 展蓉. 网络零售缩小了区域经济差距吗? 基于中国地级市数据的实证分析. 西北大学学报(哲学社会科学版), 2023, 53(6): 83-93.]

[26]
Lin Kongtuan, Yu Jing. An empirical analysis of the influence of e-commerce on provincial economic growth. Journal of Fujian Normal University (Philosophy and Social Sciences Edition), 2017(3): 23-31.

[林孔团, 于婧. 电子商务对省域经济增长影响的实证分析. 福建师范大学学报(哲学社会科学版), 2017(3): 23-31.]

[27]
Shi Xiang, Wang Shijun, Hao Feilong, et al. Spatial diffusion and penetration about the takeaway O2O e-commerce in China: Feasibility of innovation diffusion hypothesis and efficiency hypothesis. Geographical Research, 2021, 40(5): 1338-1353.

[施响, 王士君, 浩飞龙, 等. 中国外卖O2O电子商务的空间扩散与渗透: 兼论技术扩散假说与效率假说的适用性. 地理研究, 2021, 40(5): 1338-1353.]

DOI

[28]
Han Huiran, Yang Chengfeng, Song Jinping. The evolution of the hierarchy of shopping trip space for residents in Wuhu city and its driving mechanism. Geographical Research, 2014, 33(1): 107-118.

[韩会然, 杨成凤, 宋金平. 芜湖市居民购物出行空间的等级结构演变特征及驱动机制. 地理研究, 2014, 33(1): 107-118.]

DOI

[29]
Niu Xinyi, Kang Ning, Kan Changcheng. Spatial characteristics of urban physical commercial center services from the perspective of consumption travel: A case study based on nine commercial centers in Shanghai. South Architecture, 2023(6): 12-20.

DOI

[钮心毅, 康宁, 阚长城. 消费出行视角下的城市实体商业中心服务空间特征: 对上海9个商业中心的研究. 南方建筑, 2023(6): 12-20.]

[30]
Zhang Junying, Guo Kaige, Tang Hongtao. E-commerce development, spatial spillover and economic growth: Empirical evidence based on Chinese prefecture-level cities. Finance & Economics, 2019(3): 105-118.

[张俊英, 郭凯歌, 唐红涛. 电子商务发展、空间溢出与经济增长: 基于中国地级市的经验证据. 财经科学, 2019(3): 105-118.]

[31]
Feng Jian, Zheng Dai. Research on impacts of ICT on activity space of female residents in urban villages. Human Geography, 2021, 36(5): 73-82.

[冯健, 郑黛. 信息通讯技术对城中村女性居民活动空间的影响研究. 人文地理, 2021, 36(5): 73-82.]

[32]
Zhai Qing, Gao Yujie, Wei Zongcai. Spatial pattern of online and offline catering service in Nanjing: A case study of dianping and eleme. Economic Geography, 2020, 40(12): 119-127.

[翟青, 高玉洁, 魏宗财. 南京市线上—线下餐饮空间分布格局: 以大众点评网和饿了么为例. 经济地理, 2020, 40(12): 119-127.]

[33]
Wei Zongcai, Liu Yufei, Peng Danli. Characteristics of residents' online shopping behaviors in Weifang: Comparisons between Covid-19 period and normal. Human Geography, 2022, 37(5): 53-62.

[魏宗财, 刘雨飞, 彭丹丽. 疫情期潍坊市居民在线购物行为特征研究: 与疫情前的对比. 人文地理, 2022, 37(5): 53-62.]

Options
Outlines

/

〈 〉