“雙十一”與日常網(wǎng)絡(luò)購物關(guān)注度耦合協(xié)調(diào)的空間格局及驅(qū)動(dòng)研究

陳 曦，閆廣華，王 碩

（1.長春師范大學(xué) 地理科學(xué)學(xué)院，吉林 長春 130032；2.中國科學(xué)院 南京地理與湖泊研究所 流域地理學(xué)重點(diǎn)實(shí)驗(yàn)室，江蘇 南京 210008）

電子商務(wù)不僅為新經(jīng)濟(jì)體和新商業(yè)模式的誕生創(chuàng)造了條件［1］，還間接推動(dòng)了農(nóng)業(yè)、工業(yè)、服務(wù)業(yè)等行業(yè)的再次發(fā)展［2］。在中國，淘寶網(wǎng)對(duì)電子商務(wù)的發(fā)展產(chǎn)生了深遠(yuǎn)的影響，農(nóng)村電子商務(wù)賣家集聚地——淘寶村也因此而得名［3］?！半p十一”這一普通的日子也因始于淘寶網(wǎng)的促銷活動(dòng)而得到特殊的內(nèi)涵。在互聯(lián)網(wǎng)快速普及背景下，網(wǎng)絡(luò)用戶的數(shù)量大大提升［4］，這也促進(jìn)了“雙十一”乃至電子商務(wù)的進(jìn)一步發(fā)展?？梢哉f，“雙十一”的成功除了得益于淘寶網(wǎng)等強(qiáng)大的電子商務(wù)平臺(tái)及其獨(dú)特的促銷策略與營銷模式［5］，還得益于網(wǎng)絡(luò)空間中促銷信息的傳播。因此，以網(wǎng)絡(luò)空間作為探測(cè)關(guān)注行為的切入點(diǎn)，挖掘“雙十一”這類短期事件與日常事件之間的耦合關(guān)系，對(duì)探尋網(wǎng)絡(luò)用戶的消費(fèi)偏好及后續(xù)的運(yùn)輸資源調(diào)配具有重要的意義。

在公共大數(shù)據(jù)時(shí)代，網(wǎng)絡(luò)空間中用戶足跡的搜集和分析成為了可能，這些用戶足跡和行為數(shù)據(jù)為測(cè)度公共關(guān)注度提供了一條有效可行的路徑［6］。Newig強(qiáng)調(diào)，公眾關(guān)注事關(guān)人們想什么，并且愿意為之付諸時(shí)間和注意力［7］。因此，通過網(wǎng)絡(luò)用戶關(guān)注度可在一定程度上預(yù)測(cè)公眾的行為模式。大量的研究也定量證明了網(wǎng)絡(luò)用戶的關(guān)注度與未來將要發(fā)生、現(xiàn)在正在發(fā)生和過去已經(jīng)發(fā)生的事件之間的聯(lián)系［8，9］。這主要得益于近年來許多開放的、權(quán)威的網(wǎng)絡(luò)用戶行為大數(shù)據(jù)產(chǎn)品陸續(xù)問世，如微指數(shù)、微信指數(shù)和百度指數(shù)等，這些產(chǎn)品主要根據(jù)搜索行為分析網(wǎng)絡(luò)用戶的關(guān)注特征，多樣化的關(guān)注度數(shù)據(jù)和關(guān)注度角度為網(wǎng)絡(luò)空間中網(wǎng)絡(luò)用戶的關(guān)注行為研究提供了有力支撐。百度作為我國應(yīng)用最廣泛的搜索引擎，旗下的百度指數(shù)也被大量應(yīng)用于國內(nèi)研究。部分地理學(xué)者早已基于百度指數(shù)大數(shù)據(jù)，將網(wǎng)絡(luò)空間與現(xiàn)實(shí)的地理空間相連結(jié)，探尋它們之間的相互作用［10-12］。然而，整理國內(nèi)外相關(guān)文獻(xiàn)發(fā)現(xiàn)，地理學(xué)家更加關(guān)心旅游者行為與旅游地的聯(lián)系或者城市網(wǎng)絡(luò)結(jié)構(gòu)和空間的聯(lián)系，而對(duì)于短期網(wǎng)絡(luò)事件中網(wǎng)絡(luò)用戶行為模式的地理空間差異研究則較少。網(wǎng)絡(luò)關(guān)注度這一概念尚未廣泛應(yīng)用于“雙十一”這類網(wǎng)絡(luò)事件中，在這方面的研究仍有很大的空白。目前，對(duì)于“雙 十 一”的 研 究 主 要 集 中 于 經(jīng) 濟(jì) 學(xué)［13，14］和 傳 播學(xué)［15，16］等相關(guān)領(lǐng)域，且都局限于對(duì)個(gè)體對(duì)象或者微觀視角的研究，缺乏將網(wǎng)絡(luò)空間映射到地理空間中。這種多領(lǐng)域的視角缺失，使得這類短期電子商務(wù)事件難以把控，導(dǎo)致營銷策略制定和運(yùn)輸資源調(diào)配的效率降低。

基于此，本文從地理學(xué)的宏觀視角，利用網(wǎng)絡(luò)關(guān)注度數(shù)據(jù)挖掘“雙十一”這類短期網(wǎng)絡(luò)事件的關(guān)注行為，有助于把握短期的、全民性的消費(fèi)行為，同時(shí)也能夠?yàn)榻?jīng)營策略、資源調(diào)配提供宏觀的指導(dǎo)。綜合以上背景，本文基于百度指數(shù)大數(shù)據(jù)，運(yùn)用耦合協(xié)調(diào)度模型、熱點(diǎn)分析和地理加權(quán)回歸探尋地理空間中“雙十一”與日常網(wǎng)絡(luò)購物關(guān)注行為之間的耦合協(xié)調(diào)關(guān)系及其空間格局，并探索其驅(qū)動(dòng)機(jī)制，以期為營銷策略制定和運(yùn)輸資源調(diào)配提供科學(xué)的參考。

1 數(shù)據(jù)來源與研究方法

1.1 數(shù)據(jù)來源與處理

百度指數(shù)（index.baidu.com）是統(tǒng)計(jì)網(wǎng)絡(luò)用戶關(guān)注行為的開放數(shù)據(jù)平臺(tái)，包括搜索指數(shù)、資訊指數(shù)與媒體指數(shù)，這3 種指數(shù)均以關(guān)鍵詞作為統(tǒng)計(jì)對(duì)象。本文采用的搜索指數(shù)表征網(wǎng)絡(luò)用戶在百度搜索引擎中的搜索數(shù)量。搜索指數(shù)可從側(cè)面反映出網(wǎng)絡(luò)用戶對(duì)某個(gè)詞條的關(guān)注度，因此疊加同一事件相關(guān)的關(guān)鍵詞的搜索指數(shù)可以得到網(wǎng)絡(luò)用戶對(duì)該事件的關(guān)注度。本文中，以“雙十一”作為關(guān)鍵詞，時(shí)間段選取“雙十一”前后一個(gè)月，即2019 年10 月11 日—12 月11日各行政單元的日平均搜索指數(shù)作為“雙十一”關(guān)注度的測(cè)算參考指標(biāo)；以“網(wǎng)絡(luò)購物”“網(wǎng)購”“淘寶”“天貓”“京東”“拼多多”“蘇寧易購”為關(guān)鍵詞，時(shí)間段選取2019 年全年，即2019 年1 月1 日—12 月31 日各行政單元的日平均搜索指數(shù)作為日常網(wǎng)絡(luò)購物關(guān)注度的測(cè)算參考指標(biāo)。對(duì)上述數(shù)據(jù)進(jìn)行排序、篩選和去重處理，共獲得347 個(gè)城市樣本數(shù)據(jù)。

驅(qū)動(dòng)機(jī)制分析的數(shù)據(jù)主要來源于《2019 年中國城市統(tǒng)計(jì)年鑒》和各省市統(tǒng)計(jì)年鑒與公報(bào)，缺失數(shù)據(jù)采用插值法補(bǔ)齊。對(duì)上述數(shù)據(jù)進(jìn)行處理，共獲得295個(gè)城市樣本數(shù)據(jù)。其中，由于海南省有大量的省直管縣，行政級(jí)別的差異使得這些省直管縣的數(shù)據(jù)存在缺失和不準(zhǔn)確等情況，因此本文中將海南省除海口市和三亞市的其他地區(qū)進(jìn)行了合并處理，并命名為“海南省其他地區(qū)”。

以2019 年為研究時(shí)間主要基于兩方面考慮：對(duì)于“雙十一”本身而言，2019 年是“雙十一”活動(dòng)舉辦的第11 年，阿里巴巴首次邀請(qǐng)了華為、海爾、可口可樂等國內(nèi)外知名商家入駐阿里巴巴杭州園區(qū)；同時(shí)，阿里巴巴為了保障高流量的系統(tǒng)穩(wěn)定，將核心系統(tǒng)轉(zhuǎn)移到了阿里云上，這一年是“雙十一”變革的一年。對(duì)于研究而言，2019 年的數(shù)據(jù)是目前能夠獲取到的較為全面完整的數(shù)據(jù)。

1.2 耦合協(xié)調(diào)度模型

耦合度是對(duì)多個(gè)系統(tǒng)的相互作用和影響進(jìn)行評(píng)價(jià)的定量指標(biāo)。本文中，參與耦合度測(cè)度的兩個(gè)系統(tǒng)分別是“雙十一”關(guān)注度與日常網(wǎng)絡(luò)購物關(guān)注度。首先對(duì)兩個(gè)系統(tǒng)的數(shù)據(jù)進(jìn)行極差標(biāo)準(zhǔn)化處理，再進(jìn)行“雙十一”關(guān)注度與日常網(wǎng)絡(luò)購物關(guān)注度的耦合度算，計(jì)算公式為［17］：

式中，C為耦合度；U1為“雙十一”關(guān)注度標(biāo)準(zhǔn)化值；U2為日常網(wǎng)絡(luò)購物關(guān)注度標(biāo)準(zhǔn)化值。由于耦合度僅反映系統(tǒng)之間的相互作用程度，難以體現(xiàn)它們之間協(xié)同發(fā)展?fàn)顟B(tài)，因此引入耦合協(xié)調(diào)度模型。耦合度協(xié)調(diào)度是衡量多個(gè)系統(tǒng)之間協(xié)同發(fā)展?fàn)顩r的定量指標(biāo)，可規(guī)避單純依靠耦合度產(chǎn)生的誤差［18］，計(jì)算公式為：

式中，D為耦合協(xié)調(diào)度；α和β為待定系數(shù)，本文中兩系統(tǒng)具有同樣的參考價(jià)值，設(shè)定α=β=0.5。通常情況下D∈［0，1］，當(dāng)D=1 時(shí)，表示耦合協(xié)調(diào)度達(dá)到最大；當(dāng)D=0 時(shí)，表示耦合協(xié)調(diào)度最小。借鑒相關(guān)研究成果［19，20］，對(duì)耦合協(xié)調(diào)度進(jìn)行詳細(xì)的等級(jí)劃分（表1）。

表1 耦合協(xié)調(diào)等級(jí)劃分Table 1 Division of coupling coordination grades

1.3 探索性空間數(shù)據(jù)分析

1.4 地理加權(quán)回歸模型

傳統(tǒng)線性回歸模型不能反映變量在空間上的影響作用強(qiáng)弱，當(dāng)變量存在較強(qiáng)的空間自相關(guān)性時(shí)，傳統(tǒng)的線性回歸模型參考價(jià)值有限。地理加權(quán)回歸（Geographically Weighted Regression，GWR）模型是基于地理空間的非平穩(wěn)性特征而提出的空間線性回歸模型，它在傳統(tǒng)線性回歸模型上進(jìn)行拓展，引入數(shù)據(jù)的空間位置信息，允許回歸系數(shù)在空間上平滑變化，其結(jié)果更符合客觀情況［22］。GWR模型如下：

式中，yi表示因變量向量；xi表示自變量矩陣；（ui，vi）為第i 個(gè)樣本的空間位置信息；βk為估計(jì)的相鄰空間單元觀測(cè)值；εi為獨(dú)立隨機(jī)分布的誤差項(xiàng)。

1.5 k均值聚類法

k均值聚類法是將數(shù)據(jù)根據(jù)某種既定特征與空間位置信息劃分為k組，并且使得組內(nèi)差距較小、組間差距最大的一種聚類分組方法。其原理是：系統(tǒng)隨機(jī)選擇k個(gè)元素作為每個(gè)分組的種子元素，根據(jù)距離依次把剩余的元素劃分至各個(gè)分組，以均值作為中心不斷調(diào)整分組中心至分組穩(wěn)定為止［23］。k 均值聚類法常用偽F 統(tǒng)計(jì)量來選擇最佳分組個(gè)數(shù)，一般情況下k擁有的偽F 統(tǒng)計(jì)量越高分組效果越好，分類結(jié)果也較為可信。本文在地理加權(quán)回歸系數(shù)的基礎(chǔ)上進(jìn)行k均值聚類分組，用于識(shí)別和劃分具有相似驅(qū)動(dòng)因素的分區(qū)。

2 耦合協(xié)調(diào)度結(jié)果及分析

2.1 耦合協(xié)調(diào)度統(tǒng)計(jì)

根據(jù)耦合協(xié)調(diào)度公式（1）計(jì)算出347 個(gè)城市的“雙十一”關(guān)注度與日常網(wǎng)絡(luò)購物關(guān)注度的耦合協(xié)調(diào)度，具體如表2 所示（限于篇幅，僅列出前10 位和后10位城市）。從表2 可見，耦合協(xié)調(diào)度排名前10 位的城市中有5 座城市位于我國東部沿海，7 座城市位于三大城市群，僅成都市、武漢市和鄭州市位于中西部地區(qū)，并且排名前4 位的城市是傳統(tǒng)意義上的一線城市，即北京市、上海市、廣州市、深圳市。而排名后10 位的城市中有9 座城市位于西部地區(qū)，僅神農(nóng)架林區(qū)位于中部的湖北省，且9 座西部地區(qū)的城市中青海省擁有其中的5 座?？偟膩碚f，耦合協(xié)調(diào)度較大的城市主要分布在東部地區(qū)，而較小的城市則主要分布在西部地區(qū)。

表2 耦合協(xié)調(diào)度計(jì)算結(jié)果Table 2 Calculation results of coupling coordination degrees

按照所劃分的耦合協(xié)調(diào)等級(jí)，對(duì)347 個(gè)樣本城市的耦合協(xié)調(diào)等級(jí)分布進(jìn)行統(tǒng)計(jì)計(jì)算得到圖1。

圖1 耦合協(xié)調(diào)等級(jí)頻率分布Figure 1 Frequency distribution of coupling coordination grades

由圖1 可見，大多數(shù)城市的關(guān)注耦合協(xié)調(diào)度較低，有336 座城市處于失調(diào)狀態(tài)，占總數(shù)的96.83%，其中嚴(yán)重失調(diào)等級(jí)的城市數(shù)量最多，達(dá)到171 座，占總數(shù)的49.28%；中度失調(diào)等級(jí)次之，有96 座城市，占總數(shù)的27.67%。需要說明的是，由于關(guān)注度的標(biāo)準(zhǔn)化結(jié)果對(duì)耦合協(xié)調(diào)度有著較大的影響，因此結(jié)合極差標(biāo)準(zhǔn)化的原理和耦合協(xié)調(diào)度結(jié)果可以推斷個(gè)別城市的關(guān)注度遠(yuǎn)遠(yuǎn)高于其他大部分城市。為了驗(yàn)證這一推斷，對(duì)關(guān)注度數(shù)據(jù)進(jìn)行排序檢驗(yàn)。檢驗(yàn)發(fā)現(xiàn)，北京市、上海市、廣州市和深圳市的“雙十一”關(guān)注度分別為1177、1198、924 和923，均遠(yuǎn)高于平均值112.798和最小值 0，全部樣本數(shù)據(jù)標(biāo)準(zhǔn)差為144.876；日常網(wǎng)絡(luò)購物關(guān)注度分別為67319、50764、37415和39698，均遠(yuǎn)高于平均值3086.014 和最小值208，全部樣本數(shù)據(jù)標(biāo)準(zhǔn)差為6035.767。樣本城市的關(guān)注度存在嚴(yán)重的首位度現(xiàn)象，導(dǎo)致在耦合協(xié)調(diào)度計(jì)算過程中大部分城市處于相對(duì)失調(diào)狀態(tài)。

為了探索耦合協(xié)調(diào)度在空間上的分布形態(tài)，本文對(duì)347 座樣本城市的耦合協(xié)調(diào)度進(jìn)行了空間可視化處理（圖2）。

圖2 耦合協(xié)調(diào)度空間分布Figure 2 Spatial distribution of coupling coordination degrees

圖2 的結(jié)果可以充分印證前文結(jié)論，即大部分城市處于失調(diào)狀態(tài)，僅少部分城市達(dá)到協(xié)調(diào)，且高耦合協(xié)調(diào)度的城市集中于東部沿海地區(qū)尤其是三大城市群。除表2 所列出的前10 位城市之外，這些高耦合協(xié)調(diào)度的城市包括青島市（D=0.499607）、天津市（D = 0. 49082）、濟(jì) 南 市（D = 0. 46928）、東 莞 市（D=0.45971）、佛 山 市（D = 0. 45700）、寧 波 市（D=0.43725）、福 州 市（D = 0. 43062）、沈 陽 市（D=0.42922）、石 家 莊 市（D = 0. 41398）、廈 門 市（D=0.41007）等，或是中西部地區(qū)的中心性城市，如重慶市（D=0.55135）、西安市（D=0.49961）、長沙市（D=0.49608）、合肥市（D = 0.45755）。這些城市發(fā)展?fàn)顩r良好、人口數(shù)量多、城鎮(zhèn)化水平較高、消費(fèi)能力較強(qiáng)，在面對(duì)網(wǎng)絡(luò)購物時(shí)居民有更強(qiáng)的接受能力，平日和“雙十一”時(shí)期對(duì)于網(wǎng)絡(luò)購物的關(guān)注也不會(huì)產(chǎn)生較大的波動(dòng)。

2.2 耦合協(xié)調(diào)度空間特征

本文對(duì)所得的耦合協(xié)調(diào)度D進(jìn)行了全局空間自相關(guān)分析，得到Moran's I=0.173，Z-score=12.572 ＞2.58，P- value=0.000 ＜0.01。結(jié)果說明，耦合協(xié)調(diào)度在空間上的分布具有強(qiáng)烈的正相關(guān)性，即高值與高值聚集，低值與低值聚集。

圖3 耦合協(xié)調(diào)度熱點(diǎn)分析Figure 3 Hotspot analysis of coupling coordination degrees

由圖3 可以看出，熱點(diǎn)區(qū)與冷點(diǎn)區(qū)分列于東西兩側(cè)，并且明顯地以107°E 和113°E 兩條經(jīng)線為界。熱點(diǎn)區(qū)大致分布在113°E以東、山海關(guān)以南地區(qū)，主要以華東六省一市為核心熱點(diǎn)區(qū)，以珠三角、環(huán)渤海等地區(qū)為次核心熱點(diǎn)區(qū)，以冀北、遼東、粵西等地區(qū)為邊緣核心熱點(diǎn)區(qū)；冷點(diǎn)區(qū)大致分布在107°E 以西地區(qū)，主要以青海省、甘肅省中部和北部、西藏自治區(qū)東部與四川省西部地區(qū)為核心冷點(diǎn)區(qū)，以云南省西部和南部、四川省東部、甘肅省南部、西藏自治區(qū)西部和新疆維吾爾自治區(qū)大部分地區(qū)為次核心冷點(diǎn)區(qū)，以云南省中部、四川省南部、貴州省西部等地區(qū)為邊緣冷點(diǎn)區(qū)。圖3 充分體現(xiàn)了耦合協(xié)調(diào)度的東西部差異，有力地展示了我國東西部地區(qū)耦合協(xié)調(diào)度嚴(yán)重的兩極分化現(xiàn)象。一方面，由于人口數(shù)量自東向西遞減，導(dǎo)致東部地區(qū)的關(guān)注度遠(yuǎn)高于西部地區(qū)，從而分別形成熱點(diǎn)區(qū)和冷點(diǎn)區(qū)；另一方面，我國三大城市群皆位于東部地區(qū)，東部地區(qū)的居民擁有更高的消費(fèi)條件，面對(duì)網(wǎng)絡(luò)購物及其相關(guān)活動(dòng)長期擁有更良好的“嗅覺”。

3 耦合協(xié)調(diào)驅(qū)動(dòng)機(jī)制及分析

3.1 驅(qū)動(dòng)因素選取與GWR模型構(gòu)建

基于網(wǎng)絡(luò)關(guān)注與網(wǎng)絡(luò)購物行為的內(nèi)在關(guān)系，考慮人口、消費(fèi)、生產(chǎn)、運(yùn)輸?shù)确矫鎸?duì)于網(wǎng)絡(luò)關(guān)注與網(wǎng)絡(luò)購物行為的影響，本文將“雙十一”與日常網(wǎng)絡(luò)購物耦合協(xié)調(diào)度的驅(qū)動(dòng)因素歸結(jié)為人口規(guī)模、經(jīng)濟(jì)發(fā)展、消費(fèi)潛力、生產(chǎn)能力、運(yùn)輸效率、互聯(lián)網(wǎng)普及率等方面，遵循數(shù)據(jù)的可獲得性與典型性原則，選取10個(gè)驅(qū)動(dòng)因素（表3）。

表3 驅(qū)動(dòng)因素選取Table 3 Selection of influencing factors

本文基于ArcGIS10.6 軟件的空間建模模塊構(gòu)建了GWR模型。GWR模型中，AICc= -1142.4686，R2= 0.9397，adjusted R2= 0.9308。參數(shù)顯示，GWR模型的解釋力更強(qiáng)，能夠解釋93.08%的耦合協(xié)調(diào)度變化。GWR 模型對(duì)每個(gè)研究樣本進(jìn)行了局部回歸分析，每個(gè)樣本單元均擁有一個(gè)獨(dú)立的標(biāo)準(zhǔn)化殘差值，且在每個(gè)自變量下?lián)碛幸粋€(gè)回歸系數(shù)。GWR模型的標(biāo)準(zhǔn)化殘差值范圍在［- 2.91256，3.93182］，295個(gè)樣本中，只有10 個(gè)樣本的標(biāo)準(zhǔn)化殘差值在［-2.58，2.58］范圍外未通過殘差檢驗(yàn)，占總數(shù)的3.39%，大部分?jǐn)?shù)據(jù)顯著可靠。進(jìn)一步對(duì)標(biāo)準(zhǔn)化殘差值進(jìn)行空間自相關(guān)分析，得到Moran's I= 0.016，Z- score=1.245 ＜1.65，P-value=0.213 ＞0.1，說明殘差在空間上完全隨機(jī)分布，GWR 模型較為理想，符合本文研究需要。

對(duì)GWR模型所有樣本的回歸系數(shù)進(jìn)行統(tǒng)計(jì)，結(jié)果如表4 所示。從表4 結(jié)果可見：住戶存款余額X3的回歸系數(shù)的平均值最大，其后依次是互聯(lián)網(wǎng)寬帶接入用戶數(shù)X10、郵政業(yè)務(wù)收入X8、電信業(yè)務(wù)收入X9和地區(qū)生產(chǎn)總值X2，這5 個(gè)驅(qū)動(dòng)因素的平均回歸系數(shù)均表現(xiàn)出較高的水平，且都為正值，表明這5 個(gè)驅(qū)動(dòng)因素對(duì)耦合協(xié)調(diào)度起到了較大的正向驅(qū)動(dòng)作用。住戶存款余額X3的回歸系數(shù)的最大值最大，表明該驅(qū)動(dòng)因素對(duì)于耦合協(xié)調(diào)度的空間分布具有較大的驅(qū)動(dòng)作用；電信業(yè)務(wù)收入X9和住戶存款余額X3的標(biāo)準(zhǔn)差較大，表明這兩個(gè)驅(qū)動(dòng)因素在不同的樣本中表現(xiàn)出差距較大，存在較強(qiáng)的地域性。

表4 GWR模型回歸系數(shù)統(tǒng)計(jì)Table 4 Statistics of GWR model regression coefficients

3.2 驅(qū)動(dòng)因素分析

通過GWR模型回歸系數(shù)統(tǒng)計(jì)結(jié)果的分析可以發(fā)現(xiàn)，地區(qū)生產(chǎn)總值X2、住戶存款余額X3、郵政業(yè)務(wù)收入X8、電信業(yè)務(wù)收入X9、互聯(lián)網(wǎng)寬帶接入用戶數(shù)X10這5 個(gè)驅(qū)動(dòng)因素的平均值較大，由于篇幅原因，并且充分考慮驅(qū)動(dòng)因素統(tǒng)計(jì)特征的典型性，本文選取以上5 個(gè)驅(qū)動(dòng)因素進(jìn)行可視化分析（圖4）。

地區(qū)生產(chǎn)總值在一定程度上可以反映一個(gè)地區(qū)的經(jīng)濟(jì)發(fā)展水平。從圖4a可見，地區(qū)生產(chǎn)總值對(duì)耦合協(xié)調(diào)度的驅(qū)動(dòng)影響有正有負(fù)，生產(chǎn)總值對(duì)耦合協(xié)調(diào)度的敏感區(qū)主要集中在新疆北部地區(qū)和以四川、重慶、貴州、湖北、湖南、廣西等省區(qū)為核心的西南地區(qū)，其中回歸系數(shù)最大的是克拉瑪依市（0.48929），其次是烏魯木齊市（0.23668）；西南地區(qū)回歸系數(shù)最大的是遵義市（0.22080），其次是貴陽市（0.21908），說明在這些地區(qū)內(nèi)地區(qū)生產(chǎn)總值的增加可以帶來較大的耦合協(xié)調(diào)度的提升。地區(qū)生產(chǎn)總值的低敏感區(qū)集中在西藏和東北地區(qū)的中部與南部。其中回歸系數(shù)最低的是日喀則市（-0.48654）；東北地區(qū)回歸系數(shù)最低的城市是丹東市（-0.03344），說明在這些地區(qū)內(nèi)地區(qū)生產(chǎn)總值的增加對(duì)耦合協(xié)調(diào)度的提升收效甚微。

圖4 GWR模型回歸系數(shù)空間分布Figure 4 Spatial distribution of GWR model regression coefficient

住戶存款余額能夠反映一個(gè)地區(qū)的消費(fèi)能力與潛在市場。從圖4b可見，住戶存款余額對(duì)耦合協(xié)調(diào)度起到了較強(qiáng)的正向作用，是耦合協(xié)調(diào)度形成的主導(dǎo)因素，其平均回歸系數(shù)高達(dá)0.42066，從側(cè)面說明了消費(fèi)行為與消費(fèi)能力對(duì)網(wǎng)絡(luò)購物的關(guān)注起著絕對(duì)的主導(dǎo)作用。住戶存款余額的敏感區(qū)主要位于西部、北部和東北地區(qū)，其中回歸系數(shù)最大的是日喀則市（1.26308），其次是那曲市（1.19945），再次是吐魯番市（1.10495），說明這些地區(qū)主要對(duì)網(wǎng)絡(luò)購物的關(guān)注主要源于消費(fèi)行為主導(dǎo)；住戶存款余額的低敏感區(qū)主要集中在東南沿海，以福建省、浙江省、江西省和粵東地區(qū)為核心，其中回歸系數(shù)最小的是福州市（0.08678），其次是寧德市（0.08891），再次是莆田市（0.09032），這些地區(qū)擁有較為密集的“淘寶村”，通常以“賣家”身份參與進(jìn)網(wǎng)絡(luò)購物中，在這些地區(qū)中消費(fèi)行為與消費(fèi)能力對(duì)網(wǎng)絡(luò)購物關(guān)注的驅(qū)動(dòng)力較小。

郵政業(yè)務(wù)收入是郵政部門為社會(huì)提供郵政服務(wù)產(chǎn)品的貨幣表現(xiàn)。從圖4c可見，郵政業(yè)務(wù)收入對(duì)耦合協(xié)調(diào)度的驅(qū)動(dòng)作用較為復(fù)雜，有正有負(fù)。其回歸系數(shù)主要從中北部及環(huán)渤海地區(qū)向外遞減，在西部區(qū)達(dá)到最低值。郵政業(yè)務(wù)收入回歸系數(shù)的最大值在銀 川 市 （0. 32376），最 小 值 在 克 拉 瑪 依 市（-0.88338）?？梢园l(fā)現(xiàn)，中北部和環(huán)渤海地區(qū)對(duì)郵政服務(wù)的依賴性較強(qiáng)，而西部地區(qū)，尤其是新疆、西藏等地區(qū)對(duì)郵政服務(wù)的依賴性較弱，這可能是由于其交通通達(dá)性較低所導(dǎo)致。

電信業(yè)務(wù)主要有電話業(yè)務(wù)和數(shù)據(jù)業(yè)務(wù)等，可為網(wǎng)絡(luò)用戶對(duì)網(wǎng)絡(luò)購物的關(guān)注提供保障。從圖4d 可見，電信業(yè)務(wù)收入對(duì)耦合協(xié)調(diào)度的驅(qū)動(dòng)作用較為復(fù)雜，敏感區(qū)主要集中在南方地區(qū)，向北遞減。回歸系數(shù)最大的是紅河州（0.88960），最小的是佳木斯市（-0.42459），在一定程度上說明南方地區(qū)主要通過電信相關(guān)業(yè)務(wù)參與對(duì)網(wǎng)絡(luò)購物的關(guān)注。

互聯(lián)網(wǎng)寬帶接入用戶數(shù)可在一定程度上反映一個(gè)地區(qū)的網(wǎng)絡(luò)普及度。從圖4e可見，所有樣本城市中互聯(lián)網(wǎng)寬帶接入用戶數(shù)對(duì)耦合協(xié)調(diào)度的影響皆起到了正向作用，平均回歸系數(shù)為0.28317，僅次于住戶存款余額，是耦合協(xié)調(diào)度的副主導(dǎo)因素，主要因?yàn)榛ヂ?lián)網(wǎng)是網(wǎng)絡(luò)用戶參與進(jìn)網(wǎng)絡(luò)購物的重要途徑?；ヂ?lián)網(wǎng)寬帶接入用戶數(shù)的敏感區(qū)主要集中在新疆北部、環(huán)渤海和黃海沿岸地區(qū)，回歸系數(shù)最大的是克拉瑪依市（0.52225），其次是赤峰市（0.36619），最小的是山南市（0.15542），其次是拉薩市（0.16037）。

3.3 驅(qū)動(dòng)因素影響區(qū)域

以表3 中10 個(gè)驅(qū)動(dòng)因素的回歸系數(shù)作為輸入進(jìn)行k均值聚類分組，考慮到在GWR 模型下僅有6個(gè)驅(qū)動(dòng)因素?fù)碛休^大平均回歸系數(shù)，為了使結(jié)果有意義，分組不宜大于等于6?；诖?，本文分別設(shè)定k=2、3、4、5，共4種分組模式，計(jì)算得各分組模式的偽F統(tǒng)計(jì)量分別為95.578、120.156、112.331、117.469。結(jié)果顯示，當(dāng)k = 3 時(shí)，偽F 統(tǒng)計(jì)量最大，因此設(shè)定k=3進(jìn)行k均值聚類分析。

k 均值聚類結(jié)果如圖5 所示。Ⅰ類區(qū)包含65座城市，這些城市都位于包括西北地區(qū)和西南地區(qū)。該分區(qū)擁有地區(qū)生產(chǎn)總值X2、住戶存款余額X3、交通運(yùn)輸、倉儲(chǔ)和郵政業(yè)從業(yè)人員占比X5、貨運(yùn)量X7的最大回歸系數(shù)，受消費(fèi)和運(yùn)輸主導(dǎo)，因此可以判定為消費(fèi)主導(dǎo)區(qū)。Ⅱ類區(qū)包含117 座城市，這些城市主要位于華南地區(qū)，部分位于華中和華東地區(qū)。該分區(qū)擁有批發(fā)和零售業(yè)從業(yè)人員占比X4和電信業(yè)務(wù)收入X9的最大回歸系數(shù)。此外，貨運(yùn)量X7的回歸系數(shù)也較大，受批發(fā)和零售等因素作用較大，因此該區(qū)域?yàn)樯a(chǎn)主導(dǎo)區(qū)。Ⅲ類區(qū)包含113 座城市，這些城市主要位于華北地區(qū)和東北地區(qū)，部分位于華中、華東和西北地區(qū)。該分區(qū)擁有人口數(shù)X1、在崗職工平均工資X6、郵政業(yè)務(wù)收入X8和互聯(lián)網(wǎng)寬帶接入用戶數(shù)X10的最大回歸系數(shù)，無論從消費(fèi)者基數(shù)還是消費(fèi)能力來看該區(qū)域都表現(xiàn)出明顯的優(yōu)勢(shì)，因此將該區(qū)域判定為消費(fèi)主導(dǎo)區(qū)。對(duì)于Ⅰ類區(qū)和Ⅲ類區(qū)而言，雖然均為消費(fèi)主導(dǎo)區(qū)，但是由于Ⅰ類區(qū)人口數(shù)量較少，人口數(shù)X1和互聯(lián)網(wǎng)寬帶接入用戶數(shù)X10的回歸系數(shù)較小，因此對(duì)分區(qū)的判定進(jìn)行調(diào)整，將Ⅰ類區(qū)判定為次消費(fèi)主導(dǎo)區(qū)?；贕WR 模型的結(jié)果，通過聚類的方法進(jìn)行分區(qū)，可以劃分出受相似驅(qū)動(dòng)因素影響的區(qū)域，使得GWR 模型的結(jié)果更加直觀，從而為網(wǎng)絡(luò)購物和電子商務(wù)的發(fā)展與資源的調(diào)配提供清晰明朗的導(dǎo)向。

圖5 消費(fèi)—生產(chǎn)影響因素區(qū)域劃分Figure 5 Regional division of consumption- production influencing factors

4 結(jié)論與討論

4.1 結(jié)論

本文基于百度指數(shù)平臺(tái)搜集了“雙十一”關(guān)注度和日常網(wǎng)絡(luò)購物關(guān)注度，利用耦合協(xié)調(diào)度模型分析了“雙十一”關(guān)注度和日常網(wǎng)絡(luò)購物關(guān)注度兩個(gè)系統(tǒng)之間的耦合協(xié)調(diào)度，對(duì)耦合協(xié)調(diào)結(jié)果進(jìn)行了統(tǒng)計(jì)與空間特征分析，并通過地理加權(quán)回歸模型對(duì)空間特征形成的影響因素進(jìn)行了研究，主要結(jié)論如下：①我國大多數(shù)城市的關(guān)注耦合協(xié)調(diào)度較低，有336 座城市處于失調(diào)狀態(tài)，嚴(yán)重失調(diào)等級(jí)中的城市數(shù)量最多，達(dá)到171 座。由于關(guān)注度的標(biāo)準(zhǔn)化結(jié)果對(duì)耦合協(xié)調(diào)度的直接影響，這一現(xiàn)象充分說明少部分城市對(duì)網(wǎng)絡(luò)購物擁有更高的關(guān)注度，其關(guān)注度遠(yuǎn)遠(yuǎn)高于其他大部分城市，對(duì)樣本數(shù)據(jù)的驗(yàn)證也充分證明了這一點(diǎn)。②耦合協(xié)調(diào)度在空間上有著強(qiáng)烈的正相關(guān)性，高耦合協(xié)調(diào)度城市（熱點(diǎn)區(qū)）主要分布在113°E 以東、山海關(guān)以南，低耦合協(xié)調(diào)度城市（冷點(diǎn)區(qū)）主要分布在107°E以西。東、中、西部的耦合協(xié)調(diào)度存在著顯著的地區(qū)性差異，兩極分化現(xiàn)象十分嚴(yán)重。③通過GWR模型分析可得地區(qū)生產(chǎn)總值、住戶存款余額、郵政業(yè)務(wù)收入、電信業(yè)務(wù)收入和互聯(lián)網(wǎng)寬帶接入用戶數(shù)是耦合協(xié)調(diào)度空間格局形成的主要影響因素。住戶存款余額是主導(dǎo)因素，其平均回歸系數(shù)為0.42066，占有絕對(duì)的優(yōu)勢(shì)，其他平均回歸系數(shù)較高的驅(qū)動(dòng)因素也與消費(fèi)息息相關(guān)，這一結(jié)果表明目前我國消費(fèi)行為和消費(fèi)能力對(duì)網(wǎng)絡(luò)購物關(guān)注和潛在消費(fèi)傾向起到了絕對(duì)的主導(dǎo)作用。④根據(jù)各樣本城市的GWR模型的回歸結(jié)果，可將我國295 座城市劃分為3 類分區(qū)。其中，Ⅰ類區(qū)主要包括西北地區(qū)和西南地區(qū)，可判定為次消費(fèi)主導(dǎo)區(qū)；Ⅱ類區(qū)主要包括華南地區(qū)和部分華中、華東地區(qū)，可判定為生產(chǎn)主導(dǎo)區(qū)；Ⅲ類區(qū)主要包括華北、東北地區(qū)和部分華中、華東和西北地區(qū)，可判定為消費(fèi)主導(dǎo)區(qū)。3 類分區(qū)大致呈現(xiàn)出南—北—西格局，其中Ⅱ類區(qū)和Ⅲ類區(qū)大致以秦嶺淮河為分界，這與傳統(tǒng)的南北分界不謀而合。

4.2 討論

本文對(duì)“雙十一”與日常網(wǎng)絡(luò)購物關(guān)注度耦合協(xié)調(diào)的空間格局、驅(qū)動(dòng)因素和分區(qū)劃分進(jìn)行了研究，從宏觀視角對(duì)“雙十一”現(xiàn)象進(jìn)行了解讀與闡釋，為網(wǎng)絡(luò)購物和電子商務(wù)的發(fā)展與資源的調(diào)配提供了一定的參考依據(jù)。但本文僅從空間分異和空間格局的角度進(jìn)行分析和探討，而未利用面板數(shù)據(jù)從時(shí)間變化展開研究，是考慮“雙十一”現(xiàn)象是循環(huán)累積和漸變的。目前來看，“雙十一”舉辦的次數(shù)相對(duì)較少，在不同的時(shí)間點(diǎn)上不同空間的相對(duì)差距并不顯著。更重要的是，本文的目標(biāo)是為營銷策略制定和運(yùn)輸資源調(diào)配提供參考，因此重點(diǎn)落在最新時(shí)間節(jié)點(diǎn)的空間分析中。本文的研究也存在著一定的限制，如網(wǎng)絡(luò)用戶對(duì)網(wǎng)絡(luò)購物的關(guān)注與行為決策受到多方面的共同影響，其本身是個(gè)復(fù)雜的社會(huì)和經(jīng)濟(jì)問題，本文對(duì)關(guān)注度關(guān)鍵詞和影響因素的選取難免片面，未來可在網(wǎng)絡(luò)用戶具體行為模式與社會(huì)經(jīng)濟(jì)背景上進(jìn)行拓展，從多源數(shù)據(jù)入手。