疫情前后北京中心城區(qū)早餐點分布對比研究

盛強，武靜芬，榮毅龍

1 研究背景

城市生活的快節(jié)奏使早餐成為日常生活的剛需，在新冠疫情的沖擊下，其存續(xù)狀況也為評價城市經(jīng)濟的韌性提供了晴雨表。而從學(xué)術(shù)層面研究城市中早餐點的空間分布和變化具有以下價值：首先，從空間分布規(guī)律來看，早餐經(jīng)營成本低且形式多樣，既包括連鎖餐廳和飯館等正式商業(yè)，也包括大量分租和攤販等非正式商業(yè)。因此，其空間分布更能體現(xiàn)城市居民日常生活需求驅(qū)動下的自組織規(guī)律，有助于研究社區(qū)生活服務(wù)設(shè)施分布的合理模式。其次，從行為模式發(fā)展來看，早餐的經(jīng)營時間高度集中，且非常依賴顧客實際到店。而近年來信息技術(shù)的發(fā)展強化了購物出行選擇的目的性，弱化了其過程性。早餐的使用模式恰恰要求高度貼近職住通勤的兩端，這為研究數(shù)字經(jīng)濟時代的實體商業(yè)分布提供了理想的案例。

從實證研究積累來看，現(xiàn)有文獻往往基于問卷分析使用狀況：如北京大學(xué)郭雯等近期對北京老人的調(diào)研顯示，新城區(qū)比郊區(qū)戶外早餐使用率高[1]；上海質(zhì)協(xié)用戶評價中心對早餐來源調(diào)查發(fā)現(xiàn)，街邊小店和便利店為主要的戶外早餐來源，外賣平臺僅占12.7%[2]。由于相當(dāng)比例的早餐采用非正式商業(yè)形式，難以通過街景、點評等數(shù)據(jù)源獲取其空間分布，對早餐點大范圍高精度的空間分布規(guī)律研究極少。

現(xiàn)有文獻多將其作為社區(qū)商業(yè)的一種，評價社區(qū)生活服務(wù)設(shè)施的覆蓋情況，其多采用兩步移動法和重力模型等以距離為基礎(chǔ)的分析方法。如丁秋賢等對武漢[3]、吳丹賢等對廣州[4]、王丹等對揚州的研究[5]均發(fā)現(xiàn)居住—服務(wù)業(yè)關(guān)聯(lián)規(guī)律受不同區(qū)位、居民消費水平、小區(qū)建成年代等因素影響。王德等基于手機信令數(shù)據(jù)研究上海的生活圈，指出其與15 分鐘生活圈要求的差距，發(fā)現(xiàn)中心—郊區(qū)的區(qū)位特征和居住密度對設(shè)施密度有直接的影響[6]。張希煜等分析了問卷調(diào)研指向的22 種社區(qū)業(yè)態(tài)數(shù)量與房價的相關(guān)性，其中工商注冊的早餐點數(shù)量不受房價影響[7]。大量文獻普遍發(fā)現(xiàn)了社區(qū)商業(yè)供需比的區(qū)位差異（如中心高、周邊低），并指出了部分地區(qū)供給偏低的現(xiàn)實問題，但缺乏對造成此問題深層機制的挖掘。具體來說，現(xiàn)有的空間分析尺度（如15min 生活圈）能夠量化描述居民的需求，但難以解釋這些需求如何轉(zhuǎn)化為商販盈利潛力，即忽略了大量個體居民時空軌跡在各個街道段上疊加的分布狀況。

空間句法為街道尺度的數(shù)據(jù)空間分析提供了有效的理論和方法，近年來在商業(yè)分布研究中有廣泛的應(yīng)用[8-9]。在采用沿街加總數(shù)據(jù)處理的前提下[10]，現(xiàn)有的空間句法模型在分析商業(yè)總體分布（不細分業(yè)態(tài)）時效果比較穩(wěn)定[11]。而在分析特定業(yè)態(tài)（特別是如自行車維修點[12]等社區(qū)服務(wù)商業(yè)）時其效果受限?？傮w來看，該領(lǐng)域的實證研究多發(fā)現(xiàn)商業(yè)分布受多個尺度拓撲可達性的綜合影響。近年來簽到點評等新數(shù)據(jù)為深入挖掘時空行為提供了可能。沈堯基于上海微博簽到數(shù)據(jù)計算一天各個時段城市各街道的時空共現(xiàn)潛力，提出引入時間要素，建立高頻城市分析的動態(tài)空間句法的框架[13]。從這個視角來看，早餐點的自組織分布應(yīng)受到早間通勤軌跡分布的影響，此方向的研究有助于深入探索時空共現(xiàn)的“潛力”能否并如何轉(zhuǎn)化為城市中真實的功能。

在此背景下，本團隊于2019 年開始對北京市三環(huán)路以內(nèi)的早餐點進行了地毯式調(diào)研，詳細記錄了6類早餐點的位置并應(yīng)用空間句法和手機信令獲取的職住密度數(shù)據(jù)進行了分析，發(fā)現(xiàn)空間句法整合度在解釋早餐點總體分布密度中有一定的相關(guān)性[14]。由于早餐點經(jīng)營靈活，該規(guī)律的穩(wěn)定性尚有待檢驗，且各類早餐點對可達性的依賴也有待深入。2019 年底爆發(fā)的新冠疫情在短期內(nèi)對城市生活造成了很大的沖擊，但同時也為深入研究上述問題提供了機會。本研究在2020 年對北京中心城區(qū)二次調(diào)研基礎(chǔ)上，結(jié)合相應(yīng)時段的手機信令數(shù)據(jù)，對比評價在疫情影響下各早餐點聚集中心分布規(guī)律的穩(wěn)定性，并深入探索各類早餐點的存續(xù)狀況對步行和機動車可達性的依賴性差異。

2 研究方法

2.1 研究范圍與早餐數(shù)據(jù)獲取

新冠疫情前后的早餐點空間分布數(shù)據(jù)分別于2019 年6-8 月與2020 年9-11 月通過實地調(diào)研的方式獲取，研究范圍包括北京三環(huán)路內(nèi)160km2各街道空間（圖1），選擇9:00 前開業(yè)的能提供早餐服務(wù)的餐飲功能，不包括賓館、單位或?qū)W校等僅對內(nèi)開放的食堂。筆者按照經(jīng)營規(guī)模與種類將其分成6 類：（1）自營或分租外包經(jīng)營并且有座位的飯館；（2）依托餐館或其他商鋪并且具有相對固定的鋪面、無座位的外賣檔口；（3）肯德基快餐、南城香等有固定座位的連鎖快餐餐廳；（4）煎餅、手抓餅等個體經(jīng)營位置可移動的攤位；（5）711、好鄰居、便利蜂等提供早餐的連鎖便利店；（6）好利來、金鳳呈祥、稻香村等中西糕點連鎖店。

2.2 空間句法模型及參數(shù)選取

本研究基于百度地圖建立空間句法線段模型，范圍包括北京六環(huán)路以內(nèi)的所有街道，精度為百度地圖最高精度。在參數(shù)選擇上，整合度（integration）是指某街道段到一定幾何距離可達范圍內(nèi)所有其他街道段的最短拓撲距離，其反應(yīng)某街道段到其他街道段的中心性；選擇度（choice）則是某街道段被一定幾何距離可達范圍內(nèi)其他任意兩條街道的最短拓撲路徑穿過的次數(shù)。在這兩個指標(biāo)基礎(chǔ)上，比爾·希利爾（Bill Hillier）等人提出了標(biāo)準(zhǔn)化角度選擇度（NACH）和標(biāo)準(zhǔn)化角度整合度（NAIN），旨在進一步消除線段數(shù)量對分析的影響，從而實現(xiàn)不同尺度和復(fù)雜程度空間系統(tǒng)的比較[15]。此外，基于2015-2018 年筆者團隊對北京多地實測交通流量的分析結(jié)果，本研究選擇10km 半徑標(biāo)準(zhǔn)化角度選擇度參數(shù)（NACH R10000）和1km 半徑標(biāo)準(zhǔn)化角度選擇度參數(shù)（NACH R1000）作為評價研究區(qū)域內(nèi)機動車尺度可達性和步行尺度可達性的空間參數(shù)（圖2）。

2 反映步行及機動車可達性的空間句法模型參數(shù)

2.3 其他自變量選取與數(shù)據(jù)處理方法

在對精確到街道段上的早餐點分布密度的多元回歸分析部分，為了量化評價其他因素對于其聚集強度的影響，本研究選取了手機信令人口密度（圖3）、公共交通站點便利性等兩類自變量，數(shù)據(jù)來源及處理方式如下：

3 2020年手機信令人口數(shù)據(jù)可視化

人口數(shù)據(jù)分別采用2018 年與2020 年6 月聯(lián)通手機信令數(shù)據(jù)，數(shù)據(jù)形式為聯(lián)通已識別的個體出行鏈，其中包括用戶ID、駐留和出行的起訖時間點及位置網(wǎng)格編號、停留類別；處理算法為用戶在某地停留30min 以上即記為一次駐留，以該月日間和夜間連續(xù)駐留超過10 天判定工作或居住地，其中工作人口額外加年齡18～59 歲的限定；此外，同時具有居住地和工作地視為通勤用戶。按此規(guī)則識別居住、工作地后，以居住地為中心，根據(jù)職住地間距0～4km、4～16km、16km 以上3 個區(qū)段定義統(tǒng)計各柵格內(nèi)短、中、長距離通勤人口?？紤]到該數(shù)據(jù)精度為200m 柵格，在用于分析時以各街道段為中心分別進行500m、750m、1000m、1200m、2000m 共5 個街道網(wǎng)絡(luò)可達范圍的加總來計算各類人口密度的影響。

公共交通站點便利性基于到地鐵站距離，通過百度及高德地圖統(tǒng)計研究范圍內(nèi)地鐵出入口分布情況，并錄入depthmap 軟件分別計算其到各街道段的距離。

3 疫情前后早餐點分布變化統(tǒng)計分析

3.1 各類早餐點的數(shù)量變化

對比2019 年與2020 年三環(huán)路內(nèi)早餐點數(shù)量的變化（圖4），受到疫情影響，早餐點數(shù)量由原來的3597 個變化至3230 個，減少了10.2%。從各類型早餐點的數(shù)量統(tǒng)計結(jié)果來看，早餐廳占比最高，外賣檔口次之，移動攤位數(shù)量最少；此外，整體上疫情前后各類早餐點占比保持穩(wěn)定，連鎖餐廳略有增長，這主要歸功于“西四包子鋪”“二友居肉餅”等國產(chǎn)連鎖早餐的擴張。而從中心城區(qū)與二環(huán)、三環(huán)路區(qū)域?qū)Ρ葋砜?，連鎖餐廳受影響較小，新開比例較高且恢復(fù)較快；攤販?zhǔn)芸臻g治理政策和疫情綜合影響，二環(huán)路內(nèi)的中心區(qū)明顯減少。

4 各類早餐點疫情前后恢復(fù)情況統(tǒng)計

通過對比不同片區(qū)的早餐點數(shù)量變化，發(fā)現(xiàn)相對于二環(huán)、三環(huán)路之間，二環(huán)路內(nèi)的中心區(qū)域受影響較大但恢復(fù)較快，整體上兩個區(qū)域受到疫情影響之后變化率較為接近。表1 統(tǒng)計了各早餐點聚集形成的早餐中心數(shù)量變化，按在100m 內(nèi)的早餐點數(shù)量分成了3 個等級，從中可以看出二環(huán)路內(nèi)I、II 級的早餐中心數(shù)量減少明顯，但降級后依然穩(wěn)定存在，但是二環(huán)、三環(huán)路之間的I、III 級早餐中心數(shù)量減少明顯，并且從疫情前后早餐中心分布變化來看低等級早餐中心受到疫情沖擊后容易造成整個早餐中心的消失（圖5），而這對居民便利性影響更大。

表1 疫情前后早餐中心數(shù)量變化統(tǒng)計，武靜芬 繪制

5 疫情前后各類早餐中心與早餐供需比空間分布

為了分析北京早餐供需比平衡情況，本研究參考兩步移動搜索法計算早餐點15min 覆蓋率（圖5），即每條街道周邊1km 內(nèi)早餐點總數(shù)量與該范圍內(nèi)居民人口數(shù)的商。對比疫情前后二環(huán)路以內(nèi)和二環(huán)、三環(huán)路之間區(qū)域的供需比的變異系數(shù)來評價其分布不平衡性，發(fā)現(xiàn)二環(huán)路內(nèi)供需比不平衡情況穩(wěn)中有降，而在二環(huán)、三環(huán)路之間反而更加不均勻。換言之，疫情沖擊并非簡單地抹平了供需不平衡的狀態(tài)，讓早餐點分布更符合居住密度的“剛需”。在一些地區(qū)反而加劇了這種不平衡。

觀察圖5中三環(huán)路內(nèi)總體供需比分布狀況，西南角呈現(xiàn)出明顯的“供不應(yīng)求”問題，且疫情后此問題更加嚴重。如果僅將早餐點分布供需比作為一個診斷評價標(biāo)準(zhǔn)，提出該區(qū)應(yīng)開設(shè)更多的早餐點，這便是一個直接且自然的建議，但真正的問題在于：如果早餐點多是自組織非正式商業(yè)，那為什么“市場之手”沒有讓那些供不應(yīng)求的地區(qū)出現(xiàn)更多的早餐點呢？本研究的核心觀點在于，早餐點分布不均這個現(xiàn)象本身需要從城市空間結(jié)構(gòu)上解釋，而疫情沖擊下早餐點的變化則為發(fā)現(xiàn)這個現(xiàn)象背后的空間機制提供了契機。

3.2 疫情前后各早餐點的拓撲可達性統(tǒng)計

為深入分析這個深層空間機制，本研究應(yīng)用depthmap 計算了各類早餐點所在街道的機動車可達性與步行可達性。圖6以散點圖的方式顯示了2019 年各類早餐點，以及2020 年消失與恢復(fù)的各類早餐點所在街道段兩類可達性的平均值。從統(tǒng)計結(jié)果來看，連鎖餐廳與中西糕點對可達性需求最高，多分布在城市級道路上，其中連鎖餐廳更依賴機動車可達性，移動攤販的需求平均最低（圖6a）。

6 疫情前后消失及新增的各類早餐點可達性變化

從疫情期間消失的早餐點統(tǒng)計來看（圖6b），各類型消失的早餐點所在街道段可達性的平均值普遍小于疫情前該類早餐點的平均值，這意味著在疫情沖擊下，那些位于背街小巷的、拓撲可達性差的街道上的早餐點難以維持，更容易被淘汰。

而從疫情期間新出現(xiàn)的早餐點統(tǒng)計來看，連鎖餐廳多轉(zhuǎn)向步行可達性高的街道，外賣檔口和攤販則多出現(xiàn)于兩類可達性均更高的街道上，進一步體現(xiàn)出早餐點對高可達性街道的依賴。而比較異常的是，新出現(xiàn)的中西糕點、超市和早餐廳則趨多位于可達性低的街道，應(yīng)該是在“補位”這些街道上消失的早餐點（圖6c）。

總體來看，這個此消彼長的變化趨勢表明，疫情對處于可達性劣勢的空間沖擊更大，而可達性占優(yōu)勢的空間則表現(xiàn)出更強的韌性。這種單個早餐點在空間選擇上的趨勢，宏觀上則表現(xiàn)為在一些可達性較差的片區(qū)內(nèi)，現(xiàn)有本就不多的早餐點更容易在疫情沖擊下消失，且更難以恢復(fù)。而三環(huán)路以內(nèi)西南角恰恰存在明顯的可達性劣勢。在下面的分析中，本文將回到城市尺度，綜合分析密度和行為態(tài)類影響因素對早餐點分布的影響。

4 疫情前后早餐點分布變化的回歸分析

4.1 早餐點分布的相關(guān)分析

根據(jù)各類早餐點步行、機動車可達性的差異可分成3 類：A 類為高可達性早餐點，包括連鎖餐廳與中西糕點；B 類為中可達性早餐點，即提供早餐產(chǎn)品售賣的超市；C 類為低可達性早餐點，包括早餐廳、外賣檔口以及移動攤位。本部分將分析這3 類早餐點的分布規(guī)律。

以各街道段為中心按實際網(wǎng)絡(luò)可達范圍加總計算1000m 可達范圍內(nèi)疫情前后3 類早餐點的總數(shù)量，分別與基于手機信令數(shù)據(jù)計算的職住通勤、各半徑整合度和選擇度拓撲可達性參數(shù)以及到地鐵站距離參數(shù)進行一元線性回歸分析。

4.1.1 早餐點分布與職住通勤密度相關(guān)分析

首先，從1000m 范圍職住通勤人口與早餐點總量的關(guān)系來看，居住密度的影響要高于工作密度及各距離通勤密度（圖7），說明在職住通勤的兩端，早餐點分布更受到居住端需求的影響。其次，對比3 類早餐點，B 類中可達性的早餐點受工作密度的影響明顯高于居住密度，說明提供早餐的超市更趨向于服務(wù)就餐時間緊張的上班族。最后，對比疫情前后規(guī)律總體穩(wěn)定，超市早餐的分布與工作和居住密度的相關(guān)性均有提高，其他類型的早餐則有小幅的下降，說明疫情影響下居民和員工到店就餐需求減少，而更依賴外帶早餐。

7 疫情前后早餐點分布與職住通勤密度的相關(guān)分析

4.1.2 早餐點分布與拓撲可達性、地鐵臨近性的相關(guān)分析

與不同半徑的空間句法參數(shù)的相關(guān)性分析顯示（圖8），整合度的相關(guān)性明顯高于選擇度，說明早餐點分布受各街道段目的性空間潛力和街道網(wǎng)絡(luò)密度的影響更強。此外，相關(guān)性峰值在750～1500m 之間，表明其分布與短距出行行為分布更相關(guān)。早餐點總體分布體現(xiàn)出更強的規(guī)律性（R=0.445-0.457），而從各類別分析來看，中、高可達性早餐點的分布與拓撲可達性的相關(guān)性均較弱。究其原因，上述早餐點多位于城市的主要道路，拓撲可達性的差異較小。疫情前后規(guī)律穩(wěn)定，說明街道網(wǎng)絡(luò)拓撲可達性高的街區(qū)能支持更多的早餐點。

8 疫情前后早餐點分布與拓撲空間可達性參數(shù)的相關(guān)分析

從與到地鐵站距離的分析結(jié)果來看（圖9），疫情前后各類早餐點的分布均一定程度呈現(xiàn)趨近地鐵站的規(guī)律（負相關(guān)）。對比疫情前后，除超市早餐點外其他早餐點分布受地鐵臨近性的影響更加顯著。

9 疫情前后早餐點分布與地鐵臨近性參數(shù)的相關(guān)分析

4.2 早餐點分布的多元回歸分析

為分析職住通勤、街道拓撲形態(tài)和地鐵臨近性因素的綜合影響，本研究將各街道段1000m 范圍內(nèi)各類早餐點總量與4 組自變量進行多元回歸分析，其中構(gòu)成較為穩(wěn)定回歸模型（R2 值為0.392）的影響因素分別是：1000m 半徑整合度、到地鐵站距離、1000m 半徑居住密度、1000m 半徑工作密度，且從標(biāo)準(zhǔn)化系數(shù)Beta（表2）來看：居住密度（0.352）的影響高于地鐵站點臨近性（0.253）、1000m 半徑整合度（0.127）以及工作密度（0.133）。其中，回歸模型系數(shù)較低的原因是：一方面從研究對象來看，早餐點作為特定的社區(qū)功能，總數(shù)量較少，進而形成的各類中心規(guī)模差異性小，同時早餐點分布離散，相對于針對各片區(qū)的分析，三環(huán)路大尺度范圍的分析結(jié)果偏低；另一方面是手機信令的精度問題，本研究使用的是200m 柵格的人口數(shù)據(jù)，盡管已進行了不同半徑的范圍加總，但還是存在空間落位偏差。

表2 疫情前后早餐點分布的多元回歸分析，武靜芬 繪制

對比疫情前后變化，整體模型調(diào)整R2 值小幅下降至0.363，各變量影響權(quán)重排序保持一致，體現(xiàn)出該規(guī)律的穩(wěn)定性。而從各變量的權(quán)重變化來看，小尺度半徑整合度的影響有所提高。結(jié)合前文對消失及新增早餐點所在街道段的拓撲可達性的統(tǒng)計，可以得出如下解釋：由于疫情沖擊導(dǎo)致低拓撲可達性街道的早餐點消失，強化了高低可達性街道對早餐點支持作用的差異，因此提升了整合度的分析效果。說明在分析早餐點這種高度趨向居住端的功能分布時，盡管拓撲空間形態(tài)的影響弱于密度類影響因素，但前者的作用更加穩(wěn)定。

具體到對3 類早餐點的分析，A、C 兩類早餐點的回歸模型與早餐點總量模型反映出的規(guī)律具有一致性，不再贅述。B 類即超市早餐則不同：從影響權(quán)重來看，工作密度（0.393）要高于居住密度（0.225）、地鐵站點臨近性（0.068）、1000m 半徑整合度（0.042），而從疫情前后變化來看，工作密度和整合度的影響進一步提升，而和其他類早餐點相比，超市早餐受地鐵臨近性和整合度的影響明顯偏低。這個結(jié)果說明超市早餐分布更趨向于職住通勤的職端。

這些結(jié)果可以從以下角度理解，上述各影響因素可分為兩大類（圖10）：一類是反映“需求量”的職住密度，反映了不同類型的使用者在空間中分布基本情況，體現(xiàn)為對居民或工作者個體出行量的吸引力強弱；另一類是控制“時空行為分布”的空間支持條件，包括街道拓撲可達性和地鐵站點臨近性，反映了這些出行如何分布，臨近地鐵站點、小尺度范圍內(nèi)拓撲可達性高的街道段能夠匯集更多的軌跡，才會有穩(wěn)定可持續(xù)的生意，不論這些軌跡是由居民還是工作者構(gòu)成的。對于早餐點經(jīng)營者來說，周邊有多少居民或工作固然重要，但這些機會在哪些空間中能夠更有效地捕捉到也同樣重要。而從多元回歸模型的分析效果來看：職端的吸引更多地表現(xiàn)為地鐵臨近性，其影響甚至強于工作密度，因此在模型中獲得了更高的權(quán)重；住端的吸引則表現(xiàn)為小尺度的整合度，但其影響不及居住密度，因而在模型中的作用被削弱了?？傮w來看，密度和空間這兩個層次的影響共同決定了城市中哪些區(qū)域適合支持多少以及什么類型的早餐點。

10 4類參數(shù)的空間分布可視化

需要特別指出的是，在各半徑空間句法參數(shù)中僅小尺度半徑的參數(shù)最終能進入模型，除了說明早餐服務(wù)的可能多是周邊居民之外，即便是遠距離通勤人群，到出行的末端也會融入本地的環(huán)境，在附近容易到達的街道就餐。因此，就其行為邏輯來說，在本地附近的時空行為將被凝結(jié)固化到特定街道的空間結(jié)構(gòu)中，而后者也自然成為支持本地是否能承載更多早餐點的條件之一。

5 結(jié)論與討論：過程的消失與本地的強化

早餐點的典型性，體現(xiàn)在與城市日常生活緊密的關(guān)系，也體現(xiàn)在其自組織的空間分布規(guī)律。更為特殊的是，它體現(xiàn)了特定時段的行為如何受密度和空間形態(tài)的影響進而轉(zhuǎn)化為具體的服務(wù)功能。本研究通過對比疫情前后各類早餐點的消失和新增情況，在個體商鋪層面發(fā)現(xiàn)了空間可達性對早餐點存續(xù)的影響，而在城市尺度發(fā)現(xiàn)了人口密度和各空間條件對其早餐點聚集的綜合影響。在各空間條件中，本研究發(fā)現(xiàn)影響早餐點聚集的是地鐵臨近性和小尺度半徑整合度等反映局部小尺度范圍街道拓撲可達性的空間參數(shù)，而現(xiàn)有對不區(qū)分業(yè)態(tài)商業(yè)總體分布的研究則多發(fā)現(xiàn)城市大尺度街道拓撲可達性的影響顯著。由此可見，早餐點分布的特殊性在于它凸顯了本地空間條件的影響，城市尺度的影響僅通過地鐵站的臨近性與密度表達出來。即便是城市尺度延伸的通勤時空軌跡，也需要在最初（住端）和最后（職端）的1km 被匯集到少數(shù)本地拓撲連接好的街道和臨近地鐵的街道上，支持早餐點的經(jīng)營。

如前所述，當(dāng)代信息技術(shù)的發(fā)展強化了購物出行選擇的目的性，弱化了其過程性。網(wǎng)絡(luò)信息平臺讓我們更容易地選擇是否需要出行并獲取目的地周邊的詳細信息，但也削弱了出行的過程體驗。如自動駕駛技術(shù)的普及或?qū)е卵赝救炭词謾C，而快遞甚至消解了大量出行的必要性。相反，職住兩端的臨近性和可達性則直接影響著配送速度和目的性購物的意愿。本地周邊是否有足以匯集出行的街道、是否臨近城市軌道交通站點或變得更加重要。在此背景下，即便沒有疫情沖擊，城市中的商業(yè)空間也將面臨轉(zhuǎn)型和重組，而早餐點分布中體現(xiàn)出對密度和本地空間條件的依賴，或許是數(shù)字經(jīng)濟時代商業(yè)轉(zhuǎn)型的先聲。