文章快速检索     高级检索
  人文地理  2022, Vol. 37 Issue (5): 53-62  DOI: 10.13959/j.issn.1003-2398.2022.05.007
0

引用本文  

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[J]. 人文地理, 2022, 37(5): 53-62. DOI: 10.13959/j.issn.1003-2398.2022.05.007.
WEI Zong-cai, LIU Yu-fei, PENG Dan-li. CHARACTERISTICS OF RESIDENTS'ONLINE SHOPPING BEHAVIORS IN WEIFANG: COMPARISONS BETWEEN COVID-19 PERIOD AND NORMAL[J]. Human Geography, 2022, 37(5): 53-62. DOI: 10.13959/j.issn.1003-2398.2022.05.007.

基金项目

国家自然科学基金项目(42271206,41801150);广东省自然科学基金项目(2021A1515011073);中央高校基本科研业务费资助项目(2020ZYGXZR040,ZKXM202129)

作者简介

魏宗财(1984—),男,山东潍坊人,博士,副教授,硕士生导师,主要研究方向为智慧城市、住房与社区规划。E-mail: weizongcai@scut.edu.cn

通讯作者

彭丹丽(1993—),女,湖南常德人,硕士生,主要研究方向为智慧城市与时空间行为。E-mail: 1091074471@qq.com

文章历史

收稿日期:2021-08-30
修订日期:2022-03-25
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
魏宗财 , 刘雨飞 , 彭丹丽     
华南理工大学 建筑学院 亚热带建筑科学国家重点实验室, 广州 510641
提   要:智慧城市技术的迅猛发展和全面渗透融入社会生活,变革了传统的人地关系,时间、空间和距离被高度压缩,重塑了居民购物活动及其空间指向。受新冠疫情爆发和居家隔离政策实施的影响,居民在线购物行为呈现出不确定性,其特征及影响因素值得深究。基于对潍坊居民的问卷调查,厘清疫情期居民在线购物行为特征及其与平时的差异,进一步使用结构方程模型诠释疫情期居民在线购物行为的影响因素。结果表明,疫情期居民在线购物频率、费用和时长均高于平时;城市中心区居民的在线购物频率、费用和时长高于郊区,揭示出“创新扩散假说”在疫情期仍然成立。疫情期居民在线购物认知和实体购物行为均对其在线购物行为具有显著的正向影响;高收入、高教育水平、在线购物年限更长、居住区位越佳的居民更倾向于在线购物。研究丰富了居民在线购物行为的学术讨论,能为城乡零售空间的规划提供参考。
关键词在线购物行为    影响因素    疫情期    潍坊    
CHARACTERISTICS OF RESIDENTS'ONLINE SHOPPING BEHAVIORS IN WEIFANG: COMPARISONS BETWEEN COVID-19 PERIOD AND NORMAL
WEI Zong-cai , LIU Yu-fei , PENG Dan-li     
School of Architecture, State Key Laboratory of Subtropical Building Science, South China University of Technology, Guangzhou 510641, China
Abstract: With the rapid development of smart city technology and its full penetration into social life, the traditional human-land relationship has been significantly changed. Owing to the outbreak of COVID-19 and the consequent implementation of lockdown policy, residents' online shopping behaviors have become increasing uncertain, and its characteristics and influencing factors require further study. Based on questionnaire survey data of Weifang city, this study investigated the characteristics of residents' online shopping behaviors during the epidemic period and their differences from usual. Structural equation modeling was further used to explore the influencing factors of residents' online shopping behaviors during the epidemic period. The results showed that residents' online shopping frequency, expense, and duration were higher than the peacetime. Moreover, during the epidemic period, residents' online shopping frequency, expense, and duration all decreased from the central city to the suburbs, which was in line with the technology diffusion hypothesis. Online shopping attitudes during the epidemic period had a significantly positive impact on residents' online shopping behaviors; In-store shopping behaviors during the epidemic period promoted online shopping behaviors; Residents with high income, high education level, longer online shopping years and better living location were more inclined to online shopping.
Key words: online shopping behaviors    influencing factors    epidemic period    Weifang    
1 引言

智慧城市技术的迅猛发展变革了传统的人地关系,时间、空间和距离被高度压缩,人类活动的时空制约降低,引发居民日常活动模式的重塑[1],消费活动及其空间指向表现尤为突出。在线消费市场的持续扩张和用户规模的不断增长,加速了基于传统实体零售空间的消费转向线上与线下消费融合的步伐,为城市地理研究带来新的内容和方向[2]。同时,新冠肺炎疫情的爆发及居家隔离政策的实施,推动居民将部分实体购物转向在线购物。国家统计局数据显示,2020年全国实物商品网上零售额为9.76万亿元,占社会消费品零售总额的比重上升至24.9%,比2019年增长4.2%,揭示出疫情对居民在线购物行为的影响,但影响程度及机理值得深究。

既有对居民在线购物行为空间特征的研究涉及不同信息通讯技术接入水平的购物可达性特征的比较[3-5],提出了创新扩散假说和效率假说[6]。创新扩散假说提出发达地区的消费者更有可能进行在线购物,一方面是因为该地区拥有完善的网络基础设施和互联网连接技术,另一方面这些地区的消费者更年轻、收入更高、受教育程度更高,能熟练运用互联网,故更易接受在线购物[7]。而效率假说认为实体商业不发达地区的居民能通过在线购物节省出行成本,故倾向于在线购物[7, 8]。有学者认为上述两种假说的成立与否与商品类型相关[9, 10],其中体验型商品和搜索型商品[11]受到广泛关注。既有研究揭示出居民对搜索型和体验型商品的购买方式选择和行为决策方面存在差异[9-12]。搜索型商品的基本性质能用语言和图形准确定义,更适合在网上搜索、购买[10-12];而体验型商品很难单凭网上的信息确定商品的属性、特征,通常有购买前的试用,更适合在实体店体验和购买[9, 11]。此外,互联网的使用时长、频率、偏好以及使用者对接入信息设备和服务的认知与能力差异会产生数字鸿沟[13],这一现象多见于城乡居民的对比中。

既有研究表明,居民在线购物行为与个体社会经济属性[14-16]、在线购物认知和态度[17, 18]、实体购物行为[19, 20]等因素有关。学者们认为在线购物行为受到年龄[14]、教育水平[15]、收入[15, 16]、网购经验[14, 16]等的影响。教育程度高或收入高的群体对移动信息技术的接受和使用程度更高,故更倾向在线购物[15]。同时,在线购物经验越丰富或者有过良好在线购物体验的居民,拥有更高的在线购物频率[14, 16]。在线购物认知方面,认为网上能购买到物美价廉的商品或在线购物省时省力的居民更有可能选择在线购物[17];相反,在线购物由于不能体验商品,且存在潜在的用户隐私泄露、送达时间不确定风险等会抑制在线购物行为[18]。也有学者认为,紧急情况下,长时间的等待不会影响居民对在线购物的满意度[21]。对于实体购物行为的影响,Farag等提出在线购物对实体购物行为有积极影响,而实体购物行为也能对在线购物行为产生积极影响[19];Xi等[20]认为实体购物行为会促进在线购物行为,由于许多传统零售店也经营网店,推动部分在这些店铺的在线购物需求源于之前的实体消费体验。此外,消费者主观消费认知和态度也会影响实体消费行为[22]

新冠肺炎疫情爆发对居民购物行为影响的研究聚焦于疫情下居民消费意愿[23]与消费方式[24]、消费支出[25, 26]等方面。国内研究发现,疫情期居民各类活动的时间分配产生变化,出行和购物活动时间减少[23]。食品类商品销售的在线化态势明显[24]。而居民非食品类商品的消费支出明显减少,主要原因既包括消费者因预期收入减少,恐慌、不安导致的主动抑制,也包括因物流中断、供给不足导致的被动抑制[25]。国外研究成果也指出,因为疫情期外出就餐场所的暂时关闭,消费者在食品杂货上的在线消费支出增加,且与病例增速有关[26]

综上,关于在线购物行为特征及其影响因素已有一定成果,但多针对平时情况,而较少涉及到疫情期居民在线购物行为特征,及与平时的比较。即疫情期居民在线购物行为特征与平时有何差异?疫情因素有何影响仍有待探究。基于对潍坊市居民的问卷调查,构建了在线购物行为指数分析疫情期居民在线购物行为特征及其与平时的差异,进一步使用结构方程模型,探讨个体社会经济属性、疫情期在线购物认知、疫情期实体购物行为等因素对疫情期在线购物行为的影响程度,有助于丰富居民在线购物行为研究的学术讨论,也为城乡零售空间的规划提供参考。

2 研究设计 2.1 研究地区概况及数据来源

潍坊市位于山东省中部,位列福布斯中国“中国大陆最佳地级城市30强”第6名,于2019年入选为山东省新型智慧城市建设试点城市。据第七次人口普查数据,潍坊市2020年常住人口938.67万人,城镇化率64.41%。2019年潍坊市网络零售额共计243.87亿元,位居山东省第5位,网络零售额同比上升14.3%,在线消费发展势头较猛。潍坊市2020年1月23日出现首例新冠肺炎患者,到调研时累计确诊病例44例,除昌乐红河镇张家楼村外,其他地区均为低风险地区,疫情比广州、武汉等城市轻。疫情期间,潍坊市的防疫措施在城乡保持一致,且调研范围均为低风险地区,居民出行不受限制。

研究数据源于2020年2月24日至3月7日对潍坊市居民疫情期购物行为的问卷调查,“疫情期”界定为2020年1月20日至调查当日。调查问卷包括三个部分:第一、二部分为疫情期实体及在线购物行为调查、平时实体及在线购物行为调查;第三部分为个人社会经济属性情况。考虑到不同教育阶段学生的家长年龄存在较显著的差异,故选取小学、初中、高中各10所,在学校教师的协助下,从每所学校随机抽取30名学生家长,进行问卷调查。另外,鉴于城市中心区、郊区、乡村人口密度的差异,从上述三地选择的学校数量分别是15所、10所、5所,以确保受访群体的均衡。共收集到问卷876份,有效问卷703份,有效率为80.25%。

样本的描述性统计数据如表 1所示。从总体来看,样本年龄集中在19—50岁,占比92.04%,覆盖了在线购物的主要群体[27]。样本拥有较高的教育水平,本科及以上学历占38.41%,月收入水平集中在2001—6000元,占56.47%。进一步从居住区位分布来看,城市中心区和郊区居民的社会经济属性特征相仿,均优于乡村居民。城市中心区和郊区月收入在4000元以上的样本比重均高于60%,远高于乡村(29.91%);城市中心区、郊区和乡村的样本年龄相差不大,50岁以下人群的比重均在90% 左右,反映出样本的年龄结构较为均衡;城市中心区和郊区样本的受教育水平亦相当,两者大专及以上学历占比均在60% 左右,远高于乡村(13.67%);城市中心区居民在线购物年限多于3年的样本占比79.60%,与郊区(74.37%)类似,亦远高于乡村(49.57%)。

表 1 调研样本社会经济属性特征 Tab.1 Socioeconomic Characteristics of Samples
2.2 指数构建

为了更直观地比较潍坊居民的在线购物行为特征及其在疫情期与平时的差异,探讨形成差异的原因,构建了人均在线购物行为指数Ij

式中,人均在线购物行为指数Ij包括在线购物费用指数I1、在线购物频率指数I2和在线购物时长指数I3三项。x1i为每月在线购物费用(< 500、500—1000、1001—2000、2001—3000、>3000)对应选项区间的最小端点值,y1i指上述区间对应的样本数量;x2i为每周在线购物频率(0、1—2、3—5、6—10、>10)对应选项区间的最小端点值,y2i同上;x3i为每周在线购物时长(< 1、1—5、6—10、11—30、>30)对应选项区间的最小端点值,y3i同上。N为总样本量。

2.3 模型构建与指标选取

基于对在线购物行为影响因素文献的梳理,结合新冠肺炎疫情的影响,构建了概念模型(图 1),提出如下假设:

图 1 研究假设概念模型 Fig.1 Conceptual Model

H1:疫情期居民实体购物行为对其在线购物行为具有显著正向影响;

H2:疫情期居民在线购物认知对其在线购物行为具有显著正向影响(H2a);对其实体购物行为具有显著负向影响(H2b);

H3:居民的个体社会经济属性对其疫情期在线购物行为具有显著正向影响(H3a);对其疫情期实体购物行为具有显著正向影响(H3b);对其疫情期在线购物认知具有显著正向影响(H3c)。

使用AMOS软件构建结构方程模型对上述假设进行验证,具体模型变量表设计如表 2所示,其中指标的赋值结合了设计问卷中问题的选项量表。

表 2 结构方程模型的量表选取表 Tab.2 The Variables Selected in the Structural Equation Modeling
3 潍坊市居民在线购物行为时空间特征 3.1 居民在线购物行为的时间特征 3.1.1 疫情期居民在线购物行为指数总体变化

与平时相比,疫情期潍坊市居民在线购物的频率、费用及时长均有所上升。疫情期居民在线购物频率指数为2.94(表 3),比平时(2.38)增加23.53%,且体验型商品在线购物频率的增幅明显大于搜索型商品,表明疫情的爆发极大促进了居民在线购买各类商品的频率,体验型商品尤为突出,这与Hao等对疫情期国内一线城市居民在线购买食品行为的研究结果一致[24]。此外,疫情期居民每月在线购物费用指数(376.25)比平时(334.99)增加了12.32%,而实体购物费用指数(399.00)比平时(451.64)下降了11.66%。实体购物频率指数由平时的3.85降至3.32,这主要是由于实体店暂停营业或缩短营业时长以及实体购物会接触较多人群,增加感染风险,推动居民将部分线下购物活动转向线上。而疫情期购物费用指数总体略微下降(1.47%),购物频率指数稍有上升(0.48%),这可能是因为疫情造成居民收入的不稳定导致其减少了开支。疫情期居民在线购物时长指数(1.55)仅比平时(1.44)增加7.64%,远低于频率的增幅,这可能由于疫情期居民在线购物目的明确,在网上搜索和筛选商品的时间比平时短。

表 3 不同区位居民在线购物行为指数差异比较 Tab.3 Comparison on Indexes of Online Shopping Frequency, Cost and Time of Different Locations
3.1.2 疫情期不同类型居民在线购物行为变化

与平时相比,疫情期月收入较低、乡村的居民在线购物频率增幅较大。具体来说,在疫情期,月收入2000元及以下的居民在线购物频率指数比平时增长了52.38%,远高于其他收入居民的增长率(15—30%之间)(表 4);乡村居民在线购物频率指数比平时增长了31.11%,略高于城市中心区(23.28%)及郊区(23.90%)(表 3)。这可能由于该类型居民平时较少在线购物,故频率指数的基数较小,受疫情影响,部分生活必需品的购买转向线上后,使得在线购物频率增幅较大。此外,与平时相比,疫情期月收入中等、位于城市中心区的居民在线购物费用增幅较大(表 3表 4)。

表 4 不同月收入居民的在线购物行为特征比较表 Tab.4 Characteristics of Online Shopping Behavior of Residents with Different Incomes
3.1.3 疫情期居民购物地点变化及其人群特征

在疫情期,居民更倾向于兼顾线上和线下两种购物方式,而非偏向某单一方式。对购物地点选择比较发现(图 2),疫情期与平时选择线上线下两种购物方式的居民占比分别为45.09%和57.60%,均高于同时期选择单一购物方式的占比。进一步地,居民选择在线和大型超市两类购物地点的比例下降10.10%,选择在线与大型超市及社区店购物的比例亦下降10.38%,下降的这部分人群多数转向在线购物或在线和社区店购物。具体来说,在选择实体购物地点时,疫情期仅选择社区店购物的居民比重较平时多15.37%,而仅选择大型超市购物的居民比重下降了2.84%,选择大型超市和社区店两者购物的居民比重下降了9.97%(图 2)。这表明由于大型超市拥有较大的服务范围,出行距离和接触人群较多,会加大感染风险,故居民在疫情期更青睐社区店购物或在线购物。

图 2 疫情期和平时常用购物地点选择差异桑基图 Fig.2 Comparisons on Residents' Shopping Places Between COVID-19 and Peacetime

与平时相比,疫情期仅选择在线购物的居民比例显著上升,月收入和受教育程度较高、位于郊区的居民较多转向在线购物方式。许多居民转向仅在线购物,比例上升至17.07%(图 2)。17.48% 的月收入在6001—10000元的居民转向在线购物,高于其他收入居民的比例(4%—13% 之间);24.14%的硕士及以上学历居民转向在线购物,远高于其他受教育程度居民的比例(15%以下)。13.45%的郊区居民主要购物方式转向在线购物,略高于城市中心区(11.78%)及乡村(9.40%)(表 5)。调研发现,转向在线购物的居民中,35.08% 认为疫情时不便出行,29.32% 担心去实体店增加感染风险,故选择在线购物。

表 5 疫情期购物方式转在线/实体购物人群社会属性 Tab.5 Socioeconomic Characteristics of Online/In-store Consumers Changed Their Shopping Way During COVID-19

与平时相比,疫情期仅选择实体购物的居民比例略有增加,其中月收入较低、位于乡村的居民较多转向实体购物方式。疫情期仅选择实体购物的居民比例仅上升2.55%(图 2)。19.14% 的月收入在2001—4000元的居民转向实体购物,略高于其他收入居民的比例(9%—18% 之间);18.80% 的乡村居民转向实体购物,远高于城市中心区(13.51%)和郊区(9.66%)(表 5)。这可能由于乡村线下的物流配送能力弱于城区,疫情期的防控政策加剧了乡村在线购物阻力,促使部分乡村居民转向实体购物。调研亦发现,28.89% 的转向实体购物的居民认为在线购物送达时间不确定,20.89% 担心快递员或者商品携带病毒因而选择实体购物。

上述结果揭示出疫情期居民购物行为选择的变化趋向复杂,有居民担心在线购物存在携带病毒的可能而选择实体店,亦有居民更关注本地疫情对实体购物的影响而选择在线购物。

3.2 居民在线购物行为的空间特征 3.2.1 疫情期城市中心区居民在线购物行为指数高于郊区

疫情期潍坊市中心区居民在线购物的频率、费用和时长均高于郊区,揭示了“创新扩散假说”在疫情期仍然成立,这与张永明等关于南京不同区位居民在线购物行为的研究结论相符[4]。如表 3所示,疫情期城市中心区居民的在线购物费用指数为466.95,明显高于郊区居民(359.24);进一步地,疫情加剧了中心区和郊区的在线购物费用差距,费用指数差距由平时的47.59扩大至疫情期的107.71,揭示出受疫情期实行的防控政策、技术创新及购买商品类型交叉作用的影响,城郊间的在线购物差距加剧,也显示出信息通讯技术并未能发挥出地理平衡器的预期效果[28]

疫情期潍坊城市中心区居民的在线购物频率稍高于郊区居民,且不同类型商品的在线购物频率亦呈现显著的差异(表 3)。其中体验型商品的在线购物频率表现为城市中心区高于郊区,搜索型商品则相反。这主要由于中心区的信息通讯基础设施和物流配送系统比郊区更为完善,加之多数的体验型商品(如蔬果生鲜)不易长时间储存,本地超市或社区团购提供的在线预定服务易被居民接受[29]。另外,城市中心区和郊区居民的社会经济属性特征相仿,对其在线购物行为差异作用较有限。

3.2.2 疫情加剧了城乡居民在线购物行为的差异

疫情加剧了城乡居民在线购物行为的差异,以在线购物费用最为明显。具体来看,疫情期城乡居民的在线购物费用指数差距(282.17)明显增加,约为平时(201.93)的1.40倍,城乡居民的在线购物频率指数差距(1.41)也比平时(1.23)增加了14.63%,其在线购物时长指数差距也有所扩大(表 3)。乡村聚落规模较小、布局分散,快递配送成本高[30],较薄弱的信息通讯基础设施和物流配送系统成为乡村居民在线购物行为少于城市居民的重要原因。学习成本障碍也是加剧城乡居民在线购物行为差距的重要因素,与城市居民相比,村民受教育程度较低,53.85% 的乡村居民学历在初中或以下,在线购物年限也更短,50.43% 的乡村居民在线购物年限少于2年(表 1),在学习和使用智能手机方面的困难阻碍了其在线购物,因而倾向于传统的消费方式[31]。同时,城市居民月收入水平远高于乡村,购物需求更多且抗经济风险能力更强,使得疫情期城乡居民在线购物行为存在比平时更大的差异。此外,疫情期实施的防控政策,使得乡村地区的线下配送越发受阻,也是城乡居民在线购物行为差异凸显的原因。

4 疫情期居民在线购物行为影响因素 4.1 模型修正与拟合

首先,使用SPSS 23.0对数据进行信效度检验,量表整体的Cronbach's α信度系数为0.73,各潜变量在0.68—0.80之间,均大于0.6,说明整体信度良好,量表整体KMO值达0.73,巴特利特球型检验值显著,表明量表总体效度较高。其次,对各潜变量进行因子分析,其中“年龄”和“实体购物费用”两观测变量的标准化因素负荷量均小于0.5,故剔除。最终,四组潜变量的组合信度值在0.68—0.81之间,均符合大于0.6的标准,平均方差提取值为0.36—0.59,均可接受,表明各个潜变量组合信度和收敛效度较好[32]。进而使用AMOS 24.0构建初始结构方程模型,采用极大似然法对数据进行估算,通过删除不显著的路径H1c、H2b,对模型进行修正。修正后模型(图 3)的各项拟合度指标较为理想(表 6),整体拟合程度较好。

图 3 疫情期在线购物行为修正模型标准化参数路径图 Fig.3 The Path Diagram of Modified Online Shopping Behaviors during COVID-19's Standardized Parameter Estimation
表 6 模型拟合度指标 Tab.6 Test Results of Goodness-of-fit Indices
4.2 疫情期居民实体购物行为对其在线购物行为有显著影响

疫情期居民的实体购物行为对其在线购物行为具有促进效应(表 7),假设H1成立。这与Xi等[20]对南京成年网民实体和在线购物行为关系的研究结论一致,但也发现政府的组织推动是新的重要原因。疫情期,潍坊市组织商贸流通企业、农民合作社与经营网点(商店、超市)等搭建了农产品市场在线销售平台,组织社区开展“线上下单、线下配送”的“无接触”配送服务。政府的组织保障,在上述零售网点实体购物的体验和经历,让居民对在线平台的信任度和接受度较高,促进了其线上购物行为的发生。再者,多元的购物方式能增加居民获取必需品的稳定性,使得惯于实体购物的居民也使用在线购物。此外,移动信息通讯技术弱化了购物的时间限制[33],在线购物活动的进程可在多个时间片段完成[34],从而增加了在线购物频率。

表 7 各变量的总效应、直接效应和间接效应 Tab.7 Total Effects, Direct Effects, and Indirect Effects Between Variables
4.3 疫情期居民在线购物认知对其在线购物行为有显著影响

疫情期居民在线购物认知对其在线购物行为具有显著的促进效应(表 7),假设H2a成立。疫情期较多居民“去实体店担心感染”(27.24%),而在线购物提供了一种相对安全的购物方式,降低了与人接触感染病毒的风险,故对在线购物持积极认知的居民更倾向于在线购物,与Cao等对美国互联网用户网购态度与在线购物行为关系的发现一致[17]。另外,居民认为“疫情期在线购物商品送达时间能保证”的程度越高,越倾向在线购物,表明在疫情特殊时期,长时间的等待仍会影响居民对在线购物的满意度,反映出线下及时配送的重要性。此外,疫情期在线购物认知对实体购物行为的影响并不显著,假设H2b不成立。

4.4 居民个人社会经济属性对其在线购物行为具有显著影响

居民的个体社会经济属性既对其在线购物行为有直接正向影响,又通过实体购物行为产生间接正向影响(表 7),假设H3a和H3b成立。具体来说,月收入、受教育水平、在线购物年限与居住区位对在线购物行为有显著正向影响。疫情期月收入和受教育水平越高的居民更倾向于在线购物,这与Farag等[15]对荷兰和美国在线购物居民社会经济属性特征的研究结论一致,也与龚亚男等对保障房居民个体社会经济属性与网购行为特征关系的研究结论相一致[16],但原因不尽相同。受教育水平较高的居民拥有较稳定的工作和可支配收入,受疫情的冲击较小,能担负起更高费用额度的在线购物,故该类居民较少主动抑制消费需求,与袁晓玲等关于全国居民消费动态变化的研究结论相似[25]。在线购物年限越长的居民,越清楚和擅长利用在线购物服务的优势为疫情期自身生活带来便利,故越倾向于在线购物。据问卷调查,在线购物年限10年及以上的样本有37.82%的比重月均在线购物费用在2000元以上(占月均可支配收入[35]的73.18%),而在线购物年限3—5年的样本在该费用区间的占比仅为13.33%,佐证了上述观点。该发现也和Enrique等[14]对西班牙互联网用户在线购物经验和在线购物行为关系的结论相符。此外,居住区位对在线购物行为也有正向影响,如表 3所示,居民使用在线购物的频率、费用和时长从城市中心区、郊区到乡村依次降低。这是因为潍坊城市中心区的信息通讯基础设施和物流配送系统比郊区和乡村地区更完善,故该区位的居民更倾向在线购物,与席广亮等[8]对南京市民在线购物的空间特征研究和张逸姬等[10]对居民使用O2O平台消费行为与社区O2O零售业空间特征关系研究的结论一致。居民的个体社会经济属性对疫情期在线购物认知的影响并不显著,假设H3c不成立,折射出疫情期居民都关心在线购物的安全等问题,对在线购物的认知与其社会经济属性关系不显著。

5 结论与讨论

智慧城市技术的普及和渗透融入居民的日常生活,催动了居民日常消费行为模式的重塑,基于实体空间的消费行为逐步转向在线购物与实体购物行为相融合的模式[36],居民消费的空间选择更为丰富。疫情的爆发加速推动了这一过程。基于疫情期潍坊市居民的在线购物行为问卷调查,厘清了疫情期居民在线购物行为特征及其与平时的差异,使用结构方程模型方法探究了疫情期居民在线购物行为特征的影响因素,得出如下结论:

与平时相比,疫情促进了居民的在线购物行为,也加剧了居民在线购物行为的空间差异。从时间特征来看,疫情期居民在线购物频率、费用、时长均较平时有所上升,且体验型商品在线购物频率增幅明显大于搜索型商品。疫情期居民更倾向于兼顾线上和线下两种购物方式,而非偏向某单一方式;与平时相比,部分居民的购物方式由线下转向线上。从空间特征来看,疫情期城市中心区居民的在线购物行为指数高于郊区,揭示了“创新扩散假说”在疫情期依然成立;疫情也进一步加剧了城乡居民在线购物费用的差距,乡村的信息通讯基础设施和物流配送系统发展不完善及疫情防控政策是重要原因。

疫情期居民实体购物行为对其在线购物行为具有促进效应,一方面由于部分实体店在疫情期新增了线上服务,推动了老顾客开始在线购物,另一方面,多元的购物方式能增加居民获取必需品的稳定性,使得惯于实体购物的居民也使用在线购物;疫情在线购物认知对居民在线购物行为具有显著的正向影响,主要由于在线购物是一种相对能规避感染风险的购物方式;居民的个体社会经济属性对其在线购物行为具有正向效应,高收入、高教育水平、在线购物年限更长、居住区位越佳的居民更倾向于在线购物。

基于上述发现,提出如下建议:第一,完善乡村的信息通讯基础设施,强化线下物流配送能力,以推进村民信息接入能力的提升;进一步对乡村居民普及和培训智能手机的使用知识,熟悉使用app或小程序进行在线购物,以提升村民使用信息技术设备的能力和成效;第二,优化和完善“线上+线下”相融合的新零售网点布局。鼓励未提供线上服务的商铺增加即日配送、社区团购、无接触取货等服务,推进十五分钟社区零售圈的全覆盖,实现零售服务的“在地化”,以及时满足特殊时期居民的消费需求。

此外,本研究虽然探讨了疫情期实体购物地点与购物方式转向线上的情况,但并未涉及到实体购物行为转向线上的规模,这是研究存在的局限,有待后续进一步深化。当下,除极少数城市仍是中高风险地区外,国内已总体处于疫情常态化防控阶段,囊括居民购物行为在内的日常活动受疫情的影响还在持续。故疫情对居民购物行为模式的影响尚需持续的跟踪研究和探讨,以期为疫情防控常态化时期城乡零售空间的优化布局提供更坚实的研究支撑。

注释:

① 来源: 国家统计局.2020年国民经济稳定恢复,主要目标完成好于预期[EB/OL].(2021-01-18)[2021-05-07]. http://www.stats.gov.cn/ztjc/zthd/lhfw/2021/lh_hgjj/202102/t20210219_1813625.html

② 来源: 福布斯中国.中国大陆最佳地级城市30强发布,苏州中山无锡列前三[EB/OL].(2018-12-07) [2021-05-07]. https://www.forbeschina.com/articles/37412

③ 来源: 山东省大数据局. 关于公布2019年山东省新型智慧城市建设试点名单的通知[EB/OL].(2019-11-30)[2021-05-07]. http://bdb.shandong.gov.cn/art/2019/12/4/art_76147_7912139.html

④ 来源: 潍坊市统计局.2020年潍坊市国民经济和社会发展统计公报[EB/OL]. (2021-03-19) [2021-05-07]. http://tjj.weifang.gov.cn/TJYW/TJFX/TJGB/202103/t20210319_5836915.htm

⑤ 来源: 潍坊市商务局.2019年部分电商平台(潍坊)网络零售情况[EB/OL]. (2020-03-06) [2021-05-07]. http://wfswj.weifang.gov.cn/ywks/dzswk/gzdt/202003/t20200309_5570607.html

⑥ 来源: 潍坊市人民政府. 全市供销社系统发挥流通服务优势架起城乡连接桥梁全力保障疫情期间农产品和农资供[EB/OL]. (2020-02-17) [2021-05-07]http://www.weifang.gov.cn/ywdt/bmdt/202002/t20200217_5564378.html

参考文献
[1]
Wei Z C, Zhen F, Mo H T, et al. Travel behaviours of sharing bicycles in the central urban area based on geographically weighted regression: The case of Guangzhou, China[J]. Chinese Geographical Science, 2021, 31(1): 54-69. DOI:10.1007/s11769-020-1159-3
[2]
冯健, 沈昕. 信息通讯技术(ICT)与城市地理研究综述[J]. 人文地理, 2021, 36(5): 34-43, 91. [Feng Jian, Shen Xin. A review of researches on urban geography under the background of information and communication technology[J]. Human Geography, 2021, 36(5): 34-43, 91.]
[3]
Cao X J, Chen Q, Choo S. Geographic distribution of e-shopping: Application of structural equation models in the Twin cities of Minnesota[J]. Transportation Research Record: Journal of the Transportation Research Board, 2013, 2383(1): 18-26. DOI:10.3141/2383-03
[4]
张永明, 甄峰, 曹新宇, 等. 基于区位和商品类型的居民购物过程分解比较——以南京为例[J]. 人文地理, 2017, 32(1): 109-115. [Zhang Yongming, Zhen Feng, Cao Xinyu, et al. A comparative study on residents' shopping process by differentiating location and types of goods: A case study of Nanjing city[J]. Human Geography, 2017, 32(1): 109-115.]
[5]
汪明峰, 卢姗. 替代抑或补充: 网上购物与传统购物出行的关系研究[J]. 人文地理, 2012, 27(3): 44-49. [Wang Mingfeng, Lu Shan. Substitution or complementarity: Online shopping and its relationship with traditional shopping behavior[J]. Human Geography, 2012, 27(3): 44-49. DOI:10.3969/j.issn.1003-2398.2012.03.009]
[6]
Anderson W P, Chatterjee L, Lakshmanan T R. E-Commerce, transportation, and economic geography[J]. Growth and Change, 2003, 34(4): 415-432. DOI:10.1046/j.0017-4815.2003.00228.x
[7]
Farag S, Weltevreden J, Van Rietbergen T, et al. E-shopping in the Netherlands: Does geography matter?[J]. Environment and Planning B: Planning and Design, 2006, 33(1): 59-74. DOI:10.1068/b31083
[8]
席广亮, 甄峰, 汪侠, 等. 南京市居民网络消费的影响因素及空间特征[J]. 地理研究, 2014, 33(2): 284-295. [Xi Guangliang, Zhen Feng, Wang Xia, et al. Study on the influencing factors and spatial characteristics of residents' online consumption in Nanjing[J]. Geographical Research, 2014, 33(2): 284-295.]
[9]
Zhen F, Du X J, Cao J, et al. The association between spatial attributes and e-shopping in the shopping process for search goods and experience goods: Evidence from Nanjing[J]. Journal of Transport Geography, 2018, 66: 291-299. DOI:10.1016/j.jtrangeo.2017.11.007
[10]
张逸姬, 甄峰, 张逸群. 社区O2O零售业的空间特征及影响因素——以南京市为例[J]. 经济地理, 2019, 39(11): 104-112. [Zhang Yiji, Zhen Feng, Zhang Yiqun. Aadoption of O2O strategies by community retailers in Nanjing[J]. Economic Geography, 2019, 39(11): 104-112.]
[11]
Nelson P. Information and consumer behavior[J]. Journal of Political Economy, 1970, 78(2): 311-329. DOI:10.1086/259630
[12]
Couclelis H. Pizza over the internet: E-commerce, the fragmentation of activity and the tyranny of the region[J]. Entrepreneurship and Regional Development, 2004, 16(1): 41-54. DOI:10.1080/0898562042000205027
[13]
Partridge H L. Developing a human perspective to the digital divide in the 'smart city'[C]//Australian Library and Information Association Biennial Conference. Australian, 2004: 1-7.
[14]
Bigne E, Ruiz C, Sanz S. The impact of internet user shopping patterns and demographics on consumer mobile buying behaviour[J]. Journal of Electronic Commerce Research, 2005, 6(3): 193-209.
[15]
Farag S, Krizek K J, Dijst M. E-shopping and its relationship with in-store shopping: Empirical evidence from the Netherlands and the USA[J]. Transport Reviews, 2007, 26(1): 43-61.
[16]
龚亚男, 魏宗财, 刘玉亭. 广州市保障房住区居民网购行为特征及其影响因素[J]. 经济地理, 2021, 41(4): 74-81. [Gong Yanan, Wei Zongcai, Liu Yuting. Online consumption behavior characteristics of the affordable housing residents and their influencing factors in Guangzhou[J]. Economic Geography, 2021, 41(4): 74-81.]
[17]
Cao X J, Douma F, Cleaveland F. Influence of e-shopping on shopping travel: Evidence from Minnesota's twin cities[J]. Transportation Research Record: Journal of the Transportation Research Board, 2010, 2157(1): 147-154.
[18]
Pavlou P A, Gefen D. Building effective online marketplaces with institution-based trust[J]. Information Systems Research, 2004, 15(1): 37-59.
[19]
Farag S, Schwanen T, Dijst M, et al. Shopping online and/or instore? A structural equation model of the relationships between eshopping and in-store shopping[J]. Transportation Research Part A: Policy and Practice, 2007, 41(2): 125-141.
[20]
Xi G L, Zhen F, Cao X J, et al. The interaction between e-shopping and store shopping: Empirical evidence from Nanjing, China[J]. Transportation Letters, 2020, 12(3): 157-165.
[21]
Mowen J C, Licata J W, Mcphail J. Waiting in the emergency room: How to improve patient satisfaction[J]. Journal of Health Care Marketing, 1993, 13(2): 26.
[22]
傅辰昊, 周素红, 闫小培, 等. 广州市零售商业中心的居民消费时空行为及其机制[J]. 地理学报, 2017, 72(4): 603-617. [Fu Chenhao, Zhou Suhong, Yan Xiaopei, et al. Spatio-temporal characteristics and influencing factors of consumer behavior in retailing centers: A case study of Guangzhou in Guangdong province[J]. Acta Geographica Sinica, 2017, 72(4): 603-617.]
[23]
许伟麟, 李春江, 柴彦威, 等. 新冠肺炎疫情影响下居民时空行为变化及其制约因素分析[J]. 城市发展研究, 2021, 28(3): 3-9, 17. [Xu Weilin, Li Chunjiang, Chai Yanwei, et al. Analyzing the changes in residents' space-time behaviors and constraints factors under the Influences of the COVID-19[J]. Urban Development Studies, 2021, 28(3): 3-9, 17.]
[24]
Hao N, Wang H H, Zhou Q. The impact of online grocery shopping on stockpile behavior in Covid-19[J]. China agricultural Economic Review, 2020, 12(3): 459-470.
[25]
袁晓玲, 李彩娟, 王非. 疫情下居民消费动态变化分析与建议[J]. 北京工业大学学报(社会科学版), 2020, 20(5): 31-39. [Yuan Xiaoling, Li Caijuan, Wang Fei. Analysis and suggestion on the dynamic changes of consumer economy under COVID-19 epidemic[J]. Journal of Beijing University of Technology (Social Sciences Edition), 2020, 20(5): 31-39.]
[26]
Grashuis J, Skevas T, Segovia M S. Grocery shopping preferences during the Covid-19 pandemic[J]. Sustainability, 2020, 12(13): 5369.
[27]
王亚卓. 双渠道顾客消费行为研究[D]. 济南: 山东大学, 2011: 205. [Wang Yazhuo. Research on the Dual-channel Customer Consumer Behavior[D]. Jinan: Shandong University, 2011: 205.]
[28]
Zhen F, Wang B, Wei Z C. The rise of the internet city in China: Production and consumption of internet information[J]. Urban studies, 2015, 52(13): 2313-2329.
[29]
Xi G L, Cao X J, Zhen F. The impacts of same day delivery online shopping on local store shopping in Nanjing, China[J]. Transportation research. Part A, Policy and Practice, 2020, 136: 35-47.
[30]
张磊, 陈红华, 徐芬. 农村消费者网上购买行为及影响因素分析[J]. 中国农业大学学报, 2020, 25(4): 172-180. [Zhang Lei, Chen Honghua, Xu Fen. Analysis of rural consumers' online purchasing behavior and its influencing factors[J]. Journal of China Agricultural University, 2020, 25(4): 172-180.]
[31]
Singh R, Rosengren S. Why do online grocery shoppers switch? An empirical investigation of drivers of switching in online grocery[J/OL]. Journal of retailing and consumer services, 2020, 53: 101962. https://doi.org/10.1016/j.jretconser.2019.101962.
[32]
Fornell C, Larcker D F. Evaluating structural equation models with unobservable variables and measurement error[J]. Journal of Marketing Research, 1981, 18(1): 39-50.
[33]
Schwanen T, Dijst M, Kwan M. Icts and the decoupling of everyday activities, space and time: Introduction[J]. Tijdschrift voor Economische en Sociale Geografie, 2008, 99(5): 519-527.
[34]
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[J]. 经济地理, 2020, 40(12): 119-127. [Zhai Qing, Gao Yujie, Wei Zongcai. Spatial pattern of online and offline catering service in Nanjing: A case study of Dianping and Eleme[J]. Economic Geography, 2020, 40(12): 119-127.]
[35]
潍坊市统计局. 2020潍坊统计年鉴[M]. 北京: 中国统计出版社, 2020: 190. [Weifang Bureau of Statistics. Weifang Statistical Yearbook[M]. Beijing: China Statistics Press, 2020: 190.]
[36]
魏宗财, 魏纾晴, 彭丹丽, 等. 数字经济时代城市零售空间规划策略[J]. 规划师, 2021, 37(14): 5-11. [Wei Zongcai, Wei Shuqing, Peng Danli, et al. Urban retail space planning strategies in the age of digital economy[J]. Planners, 2021, 37(14): 5-11.]