目前,中国人均GDP已突破1万美元,根据国际经验,模仿排浪式的消费阶段基本结束,品质化的休闲消费逐步成为居民生活的常态。相应地,加快完善休闲功能也成为经济新常态下城市建设的核心内容。作为城市休闲功能的载体,购物中心对居民生产、生活的重要性不断提升。购物中心建设既能为居民和游客提供多元化的休闲服务,也有助于引导关联产业布局,从而起到提升城市休闲功能、重塑城市形象的作用。同时,城市的经济结构转型及空间重构也对购物中心布局和选址提出了新的要求。因此,准确把握购物中心的时空格局演化特征、培育适合其经营的区位环境受到学界和政府的普遍关注。
围绕这一主题,相关文献的讨论主要集中在两个方面。一是分析购物中心的空间分布格局。早期研究基于中心地理论、区位论的观点,通过计算需求门槛和购物限程,初步解释了购物中心的分布秩序和空间结构,认为服务能力和市场定位决定了购物中心布局的能级体系。具体而言,在“中心—外围”模式下,服务多样性强的大型购物中心具有附加值高、收益性强的特征,通常为获得市场、交通、信息等竞争优势而布局在城市中心地[1]。与之相对,一些仅提供基础服务的小型购物中心则由于中心地的挤出效应,多布局在城市次中心或郊区[2]。随着城市人口增加及城市化的推进,部分学者开始关注购物中心布局与城市空间拓展之间的动态耦合关系[3],在研究方法上,也实现了由定性研究、理论模型向定量研究、空间可视化技术的转变。在地理大数据的支撑下,浩飞龙等利用核密度估计、区位熵指数、Ripley's K函数识别了城市休闲业态分布的热点区域及空间分异特征,并发现在集聚向心力与离散力的共同作用下,购物中心的多中心空间结构愈发明显[4]。进一步地,Kickert等发现,购物中心的集聚发展源于彼此协同所产生的外部性效应,其在改善居民福利水平的同时,有效降低了集聚区内商家退出市场的风险,继而在城市中逐渐形成了专业化的休闲服务功能区块[5]。二是考察不同因素对购物中心布局的影响。这类研究多从厂商区位论出发,认为购物中心布局取决于自身利润最大化,需要在生产成本与预期收益上进行权衡[6]。早期研究通过层次分析法,围绕传统区位因素的影响展开研究[7],并发现人口规模、交通节点、土地租金等是影响开发商区位选择的重要因素[8]。同时,在城市轨道交通体系建设、通勤效率提升的背景下,新的购物中心选址从重点考虑路网形态转向对地铁换乘枢纽的依赖[9]。随着数据可获得性的提升,既有文献尝试通过Huff模型、地理加权回归模型等量化传统区位因素的实际影响,并强调购物中心投资商也应将潜在客户消费偏好、腹地市场半径等纳入到区位选择的评价模型中[10]。进一步地,考虑到空间集聚有助于购物中心间分享客流溢出、均摊成本投入[11],一些学者也开始将空间集聚视为影响购物中心选址的重要因素,并发现不断形成的购物中心集聚区会对其他开发商的区位选择产生较强影响[12],即购物中心的区位选择存在时间序列的现象,新的购物中心往往倾向于布局在商业环境成熟的地区,以获得规模经济效应[13]。
总体而言,上述研究为本文提供了有益借鉴,但也存在一些不足。首先,国内研究大多从静态视角讨论购物中心的空间布局,但基于动态视角的研究较为鲜见,无法准确反映其时空演化规律。其次,既有研究大多认为市场、成本、可达性等传统区位因素是解释购物中心区位选择的原因,但却对集聚因素和政策因素的影响缺乏深入探讨。此外,鉴于城市所处发展阶段的差异,不同区位因素的影响也存在时间异质性,但以往研究对这些问题的关注相对较少,暂未形成理解购物中心布局逻辑的整体框架。最后,早期文献通过社会调查、案例分析等方式展开,样本覆盖性不足的问题难以避免。尽管随着数据挖掘技术的成熟,兴趣点(POI)数据得到广泛应用,但现有成果聚焦于分析一般性休闲设施的分布格局[14],对城市尺度下购物中心时空演化机理缺少必要的关注。事实上,考虑到购物中心的关联性和特殊性,其布局的决策机理可能更为复杂,继而会显示出有别于其它业态的空间表达形式。
鉴于此,本文结合网络数据和地理信息数据,利用空间分析法和条件Logit模型,考察了上海购物中心的时空格局演化特征及形成机理。研究结果不仅为理解购物中心的区位选择逻辑提供了有效的分析框架,也为把握购物中心与城市发展间的互动关系、合理制定休闲空间规划提供了科学依据。
本文试图回答两个问题:其一,伴随着城市发展,上海购物中心在全局和局部上呈现出怎样的时空演化特征?其二,哪些因素影响了购物中心的空间布局,其影响效应在时间维度上是否存在差异?
2 研究设计 2.1 案例地选择上海不仅是我国最早引进购物中心的城市,也是购物中心数量最多的城市。截止2018年底,上海拥有2万m2以上购物中心258家,总建筑面积为1960.54万m2。与此同时,根据《2019年上海购物中心发展报告》的数据显示,2018年上海购物中心经营总额达到1820亿元,占全市消费品零售总额的14.36%。在打造“上海购物”城市品牌的背景下,购物中心发挥了引领消费潮流、推动消费升级的关键作用。因此,以上海为例,探究购物中心的时空格局演化特征及影响因素,对于其它大城市优化休闲空间具有一定的借鉴意义。
2.2 数据来源本文选择“大众点评”网站采集数据。需要说明的是,由于该平台未准确界定购物中心,导致采集数据时难免会将百货商店、零售店、大卖场等其他业态样本纳入其中。为此,本文的数据采集过程如下:①访问大众点评“综合商场”栏目采集数据,共得到745个商场点的基本信息,包括名称、服务业态、地址等。②根据《零售业分类》中对购物中心的界定,逐个排查样本,剔除不属于购物中心的样本点。同时,为避免基准单一的偏差,以上海购物中心协会公布的信息作为补充,并开展实地调研,考察购物中心的服务业态、管理模式,以期规避遗漏样本的影响。截止2018年12月31日,通过采集、排查和整理得到购物中心点276家。③利用“赢家大数据”网站(www.winshangdata.com)补充不同购物中心开业时间信息,并根据地理位置构建空间数据库。所用地图数据沿用上海2018年的土地调查区划,共包含214个邮区单元,并引入城市路网、街道人口、地铁站、休闲设施等位置信息数据。其中路网数据根据电子地图数据绘制而得,人口数据来源于人口普查资料,地铁站数据通过“上海地铁”官方网站获得,其他休闲设施数据均来自大众点评及百度地图开放平台。
2.3 研究方法 2.3.1 标准差椭圆标准差椭圆以重心、转角、长短半轴为参数,可以从中心趋势、移动方向、集聚程度等角度展现上海购物中心空间格局的整体演化特征。计算公式为:
(1) |
其中,xi和yi为购物中心点的地理坐标,X和Y表示购物中心布局的平均中心,n为购物中心数量。
2.3.2 空间差异指数本文使用基尼系数、变异系数和不均衡指数分析区县和街道尺度下购物中心的分布差异。其中,基尼系数的值介于0和1之间,越接近0表示购物中心的集中程度越低。变异系数和不均衡指数的统计值越小,表示空间单元内购物中心的分布越均衡。
2.3.3 核密度分析核密度分析是以每个待计算的网格点为中心,进行圆形区域搜索,估计离散点在周边领域内的密度,进而反映上海购物中心的空间集聚特征,具体计算公式如下:
(2) |
其中,n为阈值范围内的购物中心数,h为带宽,φ为核密度函数,x-xi为估计点x到样本xi处的距离。为提升准确性,本文参照已有研究[15],以3 km为搜索半径,采用自然断裂准则法进行分类。
2.3.4 条件Logit模型购物中心开发商会通过比较各区位的预期利润,做出合理的布局选择。借鉴既有研究,构建购物中心在街道r经营的利润函数[16]:
(3) |
其中,Ar为全要素生产率,可被视为产业集聚的函数;MDr表示不同街道的市场需求;vr表示地租成本;Xr代表不同区位的异质性特征;σ、α、β为响应变量影响系数的待估参数,εr表示随机误差项。根据理论模型,当Uij > Uik,即j街道给第i个购物中心带来的预期利润大于其他地区时,购物中心i会倾向布局在j街道。在这种形式下,购物中心布局在j街道的条件概率可表示为:
(4) |
其中,Chosenij为被解释变量,当购物中心布局在j街道,则Chosenij的值为1,否则为0,
根据入驻时间与市场扩张速度,上海购物中心的发展可分为4个阶段(见图 1),包括:试探进入期(1998年前)。1994年上海购物中心发展正式起步,其空间布局主要集中在市中心地区。平稳增长期(1999—2004年)。随着居民向郊区有序分流,中环以外地区购物中心迅速发展,并在2004年末数量超过50家。规模扩张期(2005—2009年)。购物中心布局继续向城市外围延伸的同时,一些具备写字楼功能的购物中心也不断向成熟的商圈集聚。这一时期,购物中心年均增长8.2家。爆发增长期(2010年后)。浦东新区、闵行区、嘉定区的购物中心数量不断增长,并最终呈现出全域分散化与局域集聚化并存的空间布局特征。
进一步地,采用标准差椭圆揭示上海购物中心的整体演化过程。第一,不同时期的椭圆旋转率分别为49.62°、74.35°、56.49°、32.65°,说明平稳增长期内东南方向上购物中心增长速度相对较快,而在规模扩张期和爆发增长期内则呈现西北方向购物中心快速增长的趋势。第二,椭圆面积不断扩大,长轴与短轴之比却有所减小,整体形状也越来越接近正圆,反映出购物中心建设的空间格局趋向均衡。
3.2 空间单元分异分析 3.2.1 圈层分异特征分析各阶段不同环线区间内所增加的购物中心数量如表 1所示。1998年前,内环以内购物中心在总数中的占比超过90%。1999—2004年间,尽管内环以内仍是购物中心布局的集中圈层,但其他环线区间内购物中心的数量均稳步上升。2005—2009年间,中外以外地区增加的购物中心数量占比48.83%。2010年后,入驻上海的购物中心进一步向外环以外的地区拓展,新增购物中心的占比上升至37.91%。
进一步地,基于2009年末和2018年末的样本,以人民广场为城市中心,每隔1 km为半径绘制同心圆,计算各圆环内的购物中心密度,并绘制距离—密度拟合曲线(见图 2)。不同时期,购物中心的分布密度与到市中心距离间呈负相关关系。与2009年相比,2018年距市中心点1 km范围内的购物中心密度保持不变,而中环附近的购物中心密度已从0.30个/km2增长至0.57个/km2,外环附近的购物中心密度也从0.14个/km2增长至0.32个/km2。由此可知,购物中心建设的圈层扩散特征逐渐显现。
各时期区县和街道单元购物中心分布的空间差异指数计算结果见表 2。结果显示,第一,上海购物中心布局的非均衡性显著,但随着时间推移,各指数均有所减小,整体格局趋于均衡。第二,不同时期,街道层面的空间差异指数均大于区县层面。这意味着与区县层面相比,各街道休闲服务供给的均等性仍有待提升。第三,2009年后,街道层面各指数的下降趋势更为明显,说明为占据居民的就近休闲市场,不同开发商开始以街道为单位展开竞争,引致街道层面的空间差异不断缩小。
不同时期购物中心的核密度分析结果见图 3。在市中心及城市不同方向上已初步形成了若干不同等级的购物中心集聚区。①核心集聚区:南京东路—南京西路—淮海中路。凭借着区位优势,该片区自20世纪90年代初便开始吸引大量购物中心入驻。而当几条主干道的购物中心连线成片后,核心集聚区的空间形态得以确立。②东部次级集聚区:陆家嘴—张杨路。随着浦东开发以及陆家嘴的影响力日益增强,第一八佰伴、华润时代广场、金茂时尚生活中心相继开业,并带动了周边地区购物中心的发展。③南部次级集聚区:徐家汇。基于城市副中心建设以及租界商业发展的悠久历史,徐家汇集聚了大量的商业、娱乐要素,并逐渐形成多元化的休闲生态。④西部次级集聚区:中山公园—天山。依托既有的商业基础以及2、3、4号线通车产生的客流红利,该片区实现了对过去传统休闲业态的改造升级,带动了长宁来福士、尚嘉中心等不同类型购物中心的建设和发展。⑤北部次级集聚区:五角场。周边高校园区、高新技术园区的相继运行,催生出大量的休闲消费需求,从而促使购物中心开始在这一片区集聚。2010年后,一批大型项目也相继入驻,使得该片区休闲服务的多样性日益增强。
由模型(4)可知,影响上海购物中心布局的因素包括:①市场需求。在城市尺度的研究中,常采用街道人口密度(pop)来衡量市场需求[18]。本文基于上海三次人口普查数据,得到现行区划下相应街道不同时期的人口密度。②地租成本。道路密度越高,配套设施越完善,地租成本也就越高。故借鉴既有研究,利用各街道的道路密度(road)代理地租成本[19]。③交通可达性。考虑到上海仍具有典型的单中心城市空间形态,即越接近市中心,交通设施的可获得性就越高[20]。同时,在大城市中,以地铁为核心的轨道网络能产生显著的时空压缩效应,促进供需双方的对接。据此,分别以各街道中心到人民广场的距离(distance)及街道内的地铁站点数量(subway)来衡量可达性[21]。④政策规划。上海城市总体规划方案(1999—2020年)中明确提出建设“城市公共活动区和中央商务区”的战略部署,以丰富和完善商务、娱乐和旅游功能。规划的实施会赋予相应地区吸引购物中心的比较优势。据此,分别设置是否位于城市公共活动区(area1、area2)和中央商务区(cbd)的虚拟变量。⑤购物中心集聚。集聚发展有助于购物中心间在竞争与合作中提升专业化水平和经营绩效。本文在整体样本和分时段样本中分别选取各街道购物中心数的平均值和前一阶段末各街道的购物中心数衡量购物中心集聚(cluster)的追随效应。⑥休闲资源集聚。购物中心在布局时会通过自身与周边休闲资源的有机组合,满足消费者的多元化需求[22]。本文在衡量街道休闲资源的集聚程度(leisure)时,参考已有研究对休闲资源的分类[23],通过“大众点评”网站采集数据,将知名景区(如外滩)、演出场馆(如上海大剧院)、展览展馆(如中华艺术宫)等纳入其中。变量定义及预期影响见表 3。
在利用条件Logit模型考察各因素的影响前,需检验其估计结果是否服从无关选项独立性假定(IIA假定)。本文通过Hausman-McFadden检验发现随机剔除1个备选街道后,均不会拒绝IIA原假设。
表 4报告了各因素对购物中心布局的影响结果,就需求、成本及可达性因素的影响而言,首先,市场需求(pop)在第2、3列中显著为正,说明腹地市场需求高的街道对购物中心具有更强的吸引力。其次,地租成本(road)在不同模型中均显著为正,说明购物中心因具有较强的后期盈利能力,往往愿意承受较高的租金,布局在配套设施完善的区域。最后,在第2、3列中,距市中心距离(distance)显著为正,印证了上海购物中心全域分散化的布局特征。同时,地铁站数量(subway)分别在10%和5%水平上显著为正,意味着轨道交通具有拓展市场腹地的作用,购物中心通过与地铁站点对接,能够最大程度地引导客流消费,提升经营效益。
就政策因素的影响而言,第3列中城市中心公共活动区(area1)的影响显著为正,而城市副中心公共活动区(area2)和中央商务区(cbd)的影响并不显著。可能的原因在于,中央商务区内已形成以高端服务业为主的产业体系,缺乏购物中心的发展空间,而城市副中心公共活动区的基础设施、商业活力也不及城市中心公共活动区,对购物中心的整体吸引能力较弱。
就集聚因素的影响而言,购物中心集聚(cluster)在第2、3列中显著为正,表明上海购物中心具有局域集聚化的布局特征。相反,第3列中休闲资源集聚(leisure)的影响则显著为负,与预期并不一致。可能的解释是,为适应居民的多元化需求,购物中心的经营业态不断更新,如K11、环球港等开始将展览馆、游乐场等体验型业态融入其中,以期打造一站式的休闲空间。因此,为提升配套设施的利用效率,部分购物中心表现出远离其他休闲资源布局的趋势。
4.3 分时段样本分析进一步采用逐步条件Logit模型检验不同时期上述各因素的影响差异,结果见表 4第4至6列。需要说明的是,由于试探进入期购物中心数量较少,在估计时会存在样本不足的弊端,故不做分析。
(1)在平稳增长期,第一,距市中心距离(distance)的影响显著为负,表明在城郊区休闲市场尚未发育的背景下,以人民广场为核心的区域具有突出的市场接近优势,无疑对购物中心具有很强的吸引力。第二,购物中心倾向于布局在中央商务区(cbd)和城市副中心公共活动区(area2)。这一阶段购物中心的开发商以外资企业为主,由于对上海经营环境不熟悉,其在选址时主要落地在政府规划的中央商务区、公共活动区内,以期规避经营风险。值得注意的是,中心公共活动区未被引入,这是因为1999年前,上海第一批购物中心大多建设于此,而在此之后,不同开发商为占据新兴休闲市场,而选择布局在其他地区。
(2)在规模扩张期,首先,市场需求(pop)显著为正,距市中心距离(distance)的影响由负值转变为正值,表明人口郊区化进程降低了市中心的消费强度,引致购物中心布局向外扩散。与此同时,逐步完善的轨道交通体系(subway)也增大了沿线地区购物中心的客流规模,为非中心地区的项目落地奠定了基础。其次,城市中心公共活动区(area1)也被引入。由于通勤客流增加,使得中心公共活动区对一些小型购物中心的吸引力增强。这些购物中心通过配置餐馆、便利店、健身房等设施,与周边高端购物中心间形成了互补关系。最后,休闲资源集聚(leisure)的影响显著为正。购物中心通过接近其他休闲资源形成“商娱文”联动的发展模式,进而从整体上提升了片区的市场吸引力。
(3)在爆发增长期,首先,地租成本(road)、距市中心距离(distance)、地铁站数量(subway)均被引入模型,说明该阶段购物中心会选择布局在远离市中心,但地铁可达性高且具备完善基础设施的地区。其次,购物中心集聚(cluster)的影响显著为正,而休闲资源集聚(leisure)的影响转变为负。究其原因,越来越多的购物中心倾向于通过空间集聚获得规模收益,但在这一过程中,其为尽可能地覆盖细分市场、提升自身服务和设施的利用率,从而降低了对其他休闲资源的依赖。最后,仅城市中心公共活动区(area1)被纳入模型中,表明随着营商环境的完善,政策因素对购物中心布局的影响有所减弱。
可见,上海购物中心的时空格局演化由传统区位因素、政策因素和集聚因素共同决定。其中,传统区位因素包括市场需求、地租成本与交通可达性。政策因素反映了政府规划的作用。在城市服务化转型的背景下,配套规划能够为购物中心入驻和发展提供有利的条件。集聚因素的影响显著,表明购物中心布局会考虑同行业集聚或不同类型休闲资源集聚所产生的外部效应。进一步分析发现,不同因素的影响存在阶段性差异。首先,随着基础设施完善以及人口布局调整,购物中心自发布局在交通可达性高、市场需求大的核心地区,以此接近市场。其次,政策规划一直会引导购物中心的布局,但由于规划片区市场趋向饱和以及城市营商环境不断完善,其影响程度逐步下降。最后,在规模扩张期,大多数购物中心倾向于布局在休闲资源丰富的地区,以期实现差异化分工。但在爆发增长期,随着自身业态的丰富,购物中心越来越依靠同行业集聚的方式获取收益,进而推动了空间集聚区的形成。
5 结论与讨论 5.1 结论本文以上海为案例地,利用空间分析法和条件Logit模型,探讨了购物中心的时空格局演化特征及影响因素。研究发现:①上海购物中心的空间布局经历了四个发展阶段。观察期内,其空间分布的轴线均呈东北—西南走向,整体布局趋向均衡。②上海购物中心呈现出全域分散化与局域集聚化并存的演化特征。一方面分布点由市中心向外呈圈层式扩散,中环、外环附近的购物中心密度逐步提升,基于空间单元的统计差异不断缩小。另一方面由单核集聚转向多级引领,初步形成了一个核心集聚区、四个次级集聚区的空间结构。③上海购物中心的时空格局演化受到市场需求、地租成本、交通可达性、政策规划、集聚因素的共同作用。在平稳增长期,政策规划及距市中心距离是影响购物中心布局的主要因子。在规模扩张期,购物中心布局受到市场需求、交通可达性、休闲资源集聚等多个因素的影响,并出现郊区化的趋势。在爆发增长期,购物中心倾向于从集聚发展中获益,但对休闲资源和政策规划的依附性有所减弱。
5.2 讨论在充分挖掘内需潜力及加快城市功能转型的背景下,本文的贡献在于:第一,既有研究大多基于静态视角讨论了购物中心的空间格局特征,但却无法反映其空间布局的形成过程。本文从动态视角出发,刻画了购物中心的时空演化规律,有效揭示了购物中心布局与城市发展间的互动关系。第二,区别于已有研究仅关注传统区位因素的影响,本文结合相关理论构建起购物中心区位选择的分析框架。整体而言,上海购物中心布局呈现出全域分散化与局部集聚化并存的演化特征,这与既有关注休闲设施的研究结果相似。与之不同的是,以往研究强调这类设施的时空格局演化主要受到城市建设用地扩张和交通设施建设的影响[24],而本文发现,购物中心虽然也呈现出向城郊区扩散的趋势,但其在区位选择时不仅会考虑成本、可达性等因素的影响,也会受到产业政策和集聚发展的影响,继而表现为由市场与政策共同引导的演化路径。进一步地,与其他仅关注购物中心布局现状影响因素的研究相比[25],本文从时间维度上探讨了各区位因素的影响差异,发现随着城市营商环境的完善,政策因素的影响有所减弱,而集聚因素的影响逐渐显现。同时,随着购物中心业态的转型升级,其与其他休闲资源间的关系也由依附转变为竞争。
基于此,本文得出如下启示:对政府部门而言,与人口布局的空间调整速度相比,购物中心的空间扩散速度仍相对较慢。因此,政府部门一方面应出台相应的激励政策、配套完善的基础设施,为非中心地区招商引资提供支持,有效完善这些地区的休闲功能;另一方面应深化城市规划,监督购物中心的市场进入与退出行为,细致引导购物中心空间布局,实现城市不同区块间的功能互补。对购物中心而言,首先,其在选址时需要考虑道路、轨道交通等对城市空间的改造效应,进而根据市场定位确定合适区位。其次,不同购物中心既可依附其他休闲资源,通过丰富区域内休闲服务的供给类型,形成差异互补的功能区块,也可加强与其他购物中心的合作,通过建立资源共享的集聚区,提升区域的专业化服务能力。最后,开发商还应充分考虑城市不同区块的定位与特征,从而实现购物中心区位选择与城市发展规划的协调统一,获得长期稳定的经营环境。
需要说明的是,本文还有进一步拓展的空间。一是受到数据可获得性限制,本文仅从数量层面分析了集聚因素对购物中心布局的影响。然而,不同街道购物中心的商业规模存在差异,集聚因素产生的影响可能有所不同。未来将结合市场调研,丰富指标构建,进一步检验集聚因素的影响机理。二是购物中心布局可能受到资本来源国文化距离的影响,未来将在完善数据的基础上进一步探讨不同资本来源国购物中心的区位选择诉求,从而为制定差异化的规划政策提供指导。
[1] |
Wang F, Chen C, Xiu C, et al. Location analysis of retail stores in Changchun, China: A street centrality perspective[J]. Cities, 2014, 41: 54-63. DOI:10.1016/j.cities.2014.05.005 |
[2] |
Thomas C J, Bromley R D F. Retail revitalization and small town centres: The contribution of shopping linkages[J]. Applied Geography, 2003, 23(1): 47-71. DOI:10.1016/S0143-6228(02)00068-1 |
[3] |
叶强, 谭怡恬, 谭立力. 大型购物中心对城市商业空间结构的影响研究——以长沙市为例[J]. 经济地理, 2011, 31(3): 426-431. [Ye Qiang, Tan Yitian, Tan Lili. The impact of large-scale shopping centers on urban commercial spatial structure: A case of Changsha city[J]. Economic Geography, 2011, 31(3): 426-431.] |
[4] |
浩飞龙, 王士君, 冯章献, 等. 基于POI数据的长春市商业空间格局及行业分布[J]. 地理研究, 2018, 37(2): 366-378. [Hao Feilong, Wang Shijun, Feng Zhangxian, et al. Spatial pattern and its industrial distribution of commercial space in Changchun based on POI data[J]. Geographical Research, 2018, 37(2): 366-378.] |
[5] |
Kickert C, Vom Hofe R. Critical mass matters: The long-term benefits of retail agglomeration for establishment survival in downtown Detroit and the Hague[J]. Urban Studies, 2018, 55(5): 1033-1055. DOI:10.1177/0042098017694131 |
[6] |
邱灵. 北京市生产性服务业空间结构演化机理研究[J]. 中国软科学, 2013(5): 74-91. [Qiu Ling. The evolution mechanism of producer services' spatial structure in Beijing city[J]. China Soft Science, 2013(5): 74-91.] |
[7] |
Roig-Tierno N, Baviera-Puig A, Buitrago-Vera J, et al. The retail site location decision process using GIS and the analytical hierarchy process[J]. Applied Geography, 2013, 40: 191-198. DOI:10.1016/j.apgeog.2013.03.005 |
[8] |
陈蔚珊, 柳林, 梁育填. 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[J]. 地理研究, 2016, 35(4): 703-716. [Chen Weishan, Liu Lin, Liang Yutian. Retail center recognition and spatial aggregating feature analysis of retail formats in Guangzhou based on POI data[J]. Geographical Research, 2016, 35(4): 703-716.] |
[9] |
Shi Y S, Wu J Y, Wang S Y. Spatio-temporal features and the dynamic mechanism of shopping center expansion in Shanghai[J]. Applied Geography, 2015, 65: 93-108. DOI:10.1016/j.apgeog.2015.11.004 |
[10] |
Suárez-Vega R, Gutiérrez-Acuna J L, Rodríguez-Díaz M. Locating a supermarket using a locally calibrated Huff model[J]. International Journal of Geographical Information Science, 2015, 29(2): 217-233. DOI:10.1080/13658816.2014.958154 |
[11] |
Marianov V, Eiselt H A, Lüer-Villagra A. Effects of multipurpose shopping trips on retail store location in a duopoly[J]. European Journal of Operational Research, 2018, 269(2): 782-792. DOI:10.1016/j.ejor.2018.02.024 |
[12] |
林耿, 宋佩瑾, 李锐文, 等. 消费社会下商业地理研究的新取向[J]. 人文地理, 2019, 34(1): 80-89. [Lin Geng, Song Peijin, Li Ruiwen, et al. The progress and prospect of commercial geography in the context of consumption society[J]. Human Geography, 2019, 34(1): 80-89.] |
[13] |
杨秋彬, 何丹, 高鹏. 上海市体验型商业空间格局及其影响因素[J]. 城市问题, 2018(3): 34-41. [Yang Qiubin, He Dan, Gao Peng. Spatial pattern and influencing factor analysis of experience business in Shanghai[J]. Urban Problem, 2018(3): 34-41.] |
[14] |
李维维, 陈田, 马晓龙. 西安城市旅游休闲业态空间热点特征及形成机制[J]. 地理科学, 2020, 40(3): 437-446. [Li Weiwei, Chen Tian, Ma Xiaolong. Spatial hotspots' characteristics and mechanisms of the urban tourism and leisure industry in Xi'an city[J]. Scientia Geographica Sinica, 2020, 40(3): 437-446.] |
[15] |
朱鹤, 刘家明, 陶慧, 等. 北京城市休闲商务区的时空分布特征与成因[J]. 地理学报, 2015, 70(8): 1215-1228. [Zhu He, Liu Jiaming, Tao Hui, et al. Temporal-spatial pattern and contributing factors of urban RBDs in Beijing[J]. Acta Geographica Sinica, 2015, 70(8): 1215-1228.] |
[16] |
Head K, Mayer T. Market potential and the location of Japanese investment in the European Union[J]. Review of Economics and Statistics, 2004, 86(4): 959-972. |
[17] |
韩会然, 杨成凤, 宋金平. 北京批发企业空间格局演化与区位选择因素[J]. 地理学报, 2018, 73(2): 219-231. [Han Huiran, Yang Chengfeng, Song Jinping. Impact factors of location choice and spatial pattern evolution of wholesale enterprises in Beijing[J]. Acta Geographica Sinica, 2018, 73(2): 219-231.] |
[18] |
孙斌栋, 尹春. 人口密度对居民通勤时耗的影响及条件效应——来自上海证据[J]. 地理科学, 2018, 38(1): 41-48. [Sun Bindong, Yin Chun. Impacts and conditional effects of population density on commuting duration: Evidence from Shanghai[J]. Scientia Geographica Sinica, 2018, 38(1): 41-48.] |
[19] |
何舜辉, 杜德斌, 王俊松. 上海市外资研发机构的空间演化及区位因素[J]. 地理科学进展, 2018, 37(11): 1555-1566. [He Shunhui, Du Debin, Wang Junsong. Spatial pattern evolution and location selection of foreign-affiliated research and development institutions in Shanghai[J]. Progress in Geography, 2018, 37(11): 1555-1566.] |
[20] |
龙飞, 戴学锋, 虞虎. 基于路网形态的上海住宿业空间布局特征[J]. 地理科学, 2021, 41(9): 1569-1577. [Long Fei, Dai Xuefeng, Yu Hu. Spatial layout characteristics of Shanghai accommodation industry based on network form[J]. Scientia Geographica Sinica, 2021, 41(9): 1569-1577.] |
[21] |
王俊松, 潘峰华, 田明茂. 跨国公司总部在城市内部的空间分异及影响因素——以上海为例[J]. 地理研究, 2017, 36(9): 1667-1679. [Wang Junsong, Pan Fenghua, Tian Mingmao. Spatial pattern of headquarters of multinational enterprises in Shanghai[J]. Geographical Research, 2017, 36(9): 1667-1679.] |
[22] |
Moeller K. Culturally clustered or in the cloud? How amenities drive firm location decision in Berlin[J]. Journal of Regional Science, 2018, 58(4): 728-758. |
[23] |
楼嘉军, 徐爱萍. 上海城市休闲功能发展阶段与演变特征研究[J]. 旅游科学, 2011, 25(2): 16-22. [Lou Jiajun, Xu Aiping. On development stages and evolution characteristics of urban recreational functions of Shanghai[J]. Tourism Science, 2011, 25(2): 16-22.] |
[24] |
饶传坤, 蔡异翔. 杭州市大型零售商业设施的空间扩展特征[J]. 经济地理, 2016, 36(2): 117-124. [Rao Chuankun, Cai Yixiang. Spatial development characteristics of large-scale retail business facilities in Hangzhou city[J]. Economic Geography, 2016, 36(2): 117-124.] |
[25] |
王士君, 浩飞龙, 姜丽丽. 长春市大型商业网点的区位特征及其影响因素[J]. 地理学报, 2015, 70(6): 893-905. [Wang Shijun, Hao Feilong, Jiang Lili. Locations and their determinants of large-scale commercial sites in Changchun, China[J]. Acta Geographica Sinica, 2015, 70(6): 893-905.] |