焦騰嘯 趙小華 李先國

摘要：外賣配送服務行業(yè)近幾年來到了快速發(fā)展時期，對于提供外賣服務的零售商來說，了解外賣消費者的地理分布規(guī)律對零售商制定選址策略以及廣告促銷策略都具有重要意義。前人研究雖已發(fā)現(xiàn)線上顧客距離分布對外賣訂單量的影響關(guān)系呈現(xiàn)“倒U型”規(guī)律特征，但并未探討不同特征的外賣零售商的線上顧客地理分布規(guī)律有何種差異。立足于餓了么物流配送公司超8萬份訂單數(shù)據(jù)的分析驗證了外賣零售商家的日均訂單距離與日訂單量之間存在“倒U型”關(guān)系，說明與商家的距離處于適中水平時，顧客選擇該商家下單的可能性最大；同時，星級評分較高的外賣零售商線上顧客地理分布的“倒U型”關(guān)系曲線相對于評分低的商家更為陡峭；連鎖經(jīng)營相對于非連鎖經(jīng)營的零售商線上顧客地理分布的“倒U型”關(guān)系曲線更為陡峭且拐點右移；開業(yè)時長較長的商家相對于時長較短的商家“倒U型”關(guān)系曲線更為陡峭且拐點右移。有鑒于此，外賣零售商可在離中心點適中距離的某個位置而非正中心點進行選址，并根據(jù)該適中位置確定促銷策略；而開店時間較長或連鎖品牌經(jīng)營的零售商的選址策略以及廣告促銷策略所依據(jù)的距離可以相對更遠，并適時調(diào)整其顧客拓展及促銷的策略，提高顧客下單率以及在外賣平臺上的流量轉(zhuǎn)化率。

關(guān)鍵詞：外賣；外賣配送服務；顧客地理分布；“倒U型”關(guān)系

中圖分類號：F274文獻標識碼：A文章編號：1007-8266（2020）12-0029-11

一、引言

外賣配送服務行業(yè)近幾年來到了快速發(fā)展時期。Trustdata的統(tǒng)計數(shù)據(jù)顯示，2019年中國外賣行業(yè)市場交易額達6 035億元，截至2020年3月中國線上外賣用戶規(guī)模近4億人。新冠肺炎疫情的暴發(fā)使外賣零售商特別是餐飲零售企業(yè)的到店堂食需求受到明顯影響，外賣業(yè)務就成為該類零售商的重要收入來源。對零售商家而言，了解顧客并洞察消費者的消費習慣是其制定發(fā)展策略的重要依據(jù)。傳統(tǒng)的零售商大都通過效率較低、成本較高的線下現(xiàn)場調(diào)研方式了解顧客需求狀況，而餓了么、美團等外賣平臺通過對商家、物流配送、外賣消費者的資源整合，可以收集到更全面、更準確的商家、物流、顧客等多方數(shù)據(jù)信息，從而為商家了解更全面的外賣消費者信息提供了渠道。

隨著外賣行業(yè)的快速發(fā)展，學術(shù)界開始針對外賣配送服務開展一系列學術(shù)研究。從現(xiàn)有研究成果來看，外賣服務相關(guān)的研究主要包括外賣商業(yè)模式的分析、配送服務優(yōu)化、基于外賣用戶的態(tài)度與行為研究三個方面：外賣商業(yè)模式分析主要包括外賣配送服務的流程、盈利模式以及外賣O2O模式的運作方法等[ 1-3 ]；配送服務優(yōu)化類問題主要涉及物流管理領域，包括基于各類算法的路徑規(guī)劃[ 4-6 ]、配送時長估計等；基于外賣用戶的態(tài)度與行為研究主要是利用調(diào)研的方法對用戶外賣下單的意愿、滿意度以及購買行為的建構(gòu)以及影響因素研究[ 7-9 ]。然而，基于外賣零售商或外賣平臺真實數(shù)據(jù)的實證研究還處于萌芽階段?；谡鎸嵧赓u訂單數(shù)據(jù)的綜合類問題研究覆蓋面更廣，通常會同時涉及商家、物流、消費者等眾多因素，具有更強的實踐意義。但由于學術(shù)界接觸企業(yè)真實數(shù)據(jù)的高門檻和局限性較大，因此這部分研究的成果較少，有待繼續(xù)開發(fā)。

在只考慮零售商線下顧客的情形時，通常距離零售商越近的顧客，與商家的黏性越大，因為距離較遠的顧客要承擔較高的交通成本，然而在線上外賣場景中，顧客分布的規(guī)律需要重新審視。商家可以從訂單中獲取每個外賣消費者的距離信息或位置信息，幫助商家分析線上顧客的地理分布規(guī)律。前人研究表明，外賣商家的線上顧客地理分布規(guī)律為“倒U型”，即顧客在較近位置和較遠位置時選擇某商家下單的概率較低，而在適中距離的位置選擇該商家下單的概率較高[ 10 ]。然而，前人研究并未基于外賣商家的特征探討這種“倒U型”關(guān)系是否在不同特征的商家之間存在差異。

本研究力圖彌補這一空缺。首先通過真實的外賣商家訂單數(shù)據(jù)驗證這種“倒U型”關(guān)系的存在，后通過加入商家特征變量探討商家特征變量對這種“倒U型”關(guān)系的調(diào)節(jié)作用，探討“倒U型”關(guān)系的變化規(guī)律。本研究選取連鎖經(jīng)營特征、星級評分、開業(yè)時長作為商家的三個代表性特征，這三個特征短時間內(nèi)保持穩(wěn)定，對各行業(yè)、各類型的零售商家均具有普適性。

二、文獻回顧與研究假設

（一）零售選址、商圈理論與顧客地理分布特征

對零售商家來說，選址決策是未來一切發(fā)展的開端。開店選址首先需要確定目標區(qū)域的商圈特征，同時考慮人口、交通、市場、消費力等綜合因素，最終選擇合適的地點[ 11 ]。選址的重要性推動了選址理論、商圈理論的產(chǎn)生和發(fā)展。在不考慮零售商家本身因素的情況下，在以商家地理位置為中心的商圈范圍內(nèi)，不同位置分布的顧客、不同行為模式特征的顧客與商家的黏性不同?，F(xiàn)有的零售商家選址理論主要考慮的因素包括業(yè)態(tài)[ 12 ]、產(chǎn)品與服務定位[ 13 ]、顧客特征[ 14-15 ]以及地理環(huán)境因素[ 11，16 ]等多方面，其中顧客特征是零售商家選址的重要考慮因素之一。

顧客地理分布特征是商圈理論的基礎[ 17 ]。商圈通常是指地圖上以零售商店鋪所在地點為中心的圓形區(qū)域空間范圍，按范圍由近及遠分為核心商圈、次級商圈、邊緣商圈三個層級，每個層級中的顧客特征有顯著差異[ 18-19 ]。在這個空間范圍內(nèi)的顧客都可能被該零售商店鋪吸引，所以商圈也可以理解為可能到店光顧并購買產(chǎn)品或服務的所有顧客居住的空間區(qū)域，具有明顯的三層次性特征[ 19-20 ]：以零售商為中心的0～8公里內(nèi)的圓形區(qū)域稱為核心商圈（Primary Trading Area），該區(qū)域的顧客密度最高，占總顧客量的60%～80%，且銷售額60%～70%均來自核心商圈區(qū)域的顧客；離零售商8～12公里內(nèi)的環(huán)形區(qū)域稱為次級商圈（Secondary Trading Area），該區(qū)域顧客密度和數(shù)量相對稀疏，僅有15%～25%的客源分布在該區(qū)域內(nèi)，銷售額大約占總體的20%；離零售商12～25公里內(nèi)的環(huán)形區(qū)域稱為邊緣商圈（Fringe Trading Area），該區(qū)域的顧客分布最為稀疏，知曉該零售商的人非常少，僅有5%～20%的客源且銷售額一般不足10%，對于小規(guī)模的零售商來說，該區(qū)域幾乎沒有潛在顧客。

H2b：當外賣零售商家的星級評分提高時，顧客距離分布與外賣銷售量關(guān)系的“倒U型”曲線更加陡峭。

零售商的開業(yè)時長特征與生命周期理論的聯(lián)系最為直接。根據(jù)企業(yè)生命周期理論，開業(yè)時間較長的零售商家通常已經(jīng)步入成長期甚至成熟期。從客戶分布角度來看，引入期的商家由于未獲得較高的知名度，客戶數(shù)量較少且主要集中在距離商家較近或最容易接觸到商家的地方，隨著商家規(guī)模的發(fā)展，顧客數(shù)量也隨著口碑傳播和宣傳而逐漸擴大，顧客的分布范圍也逐步拓寬[22-25]，商家的發(fā)展離不開顧客數(shù)量和群體范圍的增長與擴大。

對零售商家來說，外賣服務使商家可以通過與平臺合作享受外賣平臺上的客戶資源，是商家拓展新顧客、挖掘新利潤增長點的重要手段。開業(yè)時間較長的企業(yè)一般對應于成長期或成熟期，通常已經(jīng)積累了相當一部分線下以堂食為主的顧客，這部分顧客距離商家較近，而外賣服務使商家能夠擴展新顧客，使更多顧客通過外賣App或網(wǎng)站了解該商家，新顧客通常距離商家較遠。因此，開業(yè)時間較長的商家外賣銷售收入來源客戶的距離更遠，在顧客距離分布與外賣銷量的“倒U型”關(guān)系曲線中表現(xiàn)為拐點的右移（距離更大）。另外，相對于新開業(yè)的零售商，開業(yè)時間較長零售商的顧客量、顧客覆蓋范圍以及銷售量都有明顯的提升，其外賣銷量也更大，且外賣消費者主要分布在更遠的區(qū)域。由此可提出假設3：

H3：外賣零售商家的開業(yè)時長對顧客距離分布與外賣銷售量的“倒U型”關(guān)系具有調(diào)節(jié)作用。

H3a：當外賣零售商家的開業(yè)時長增長時，顧客距離分布與外賣銷售量關(guān)系的“倒U型”曲線的拐點右移；

H3b：當外賣零售商家的開業(yè)時長增長時，顧客距離分布與外賣銷售量關(guān)系的“倒U型”曲線更加陡峭。

三、研究設計

（一）數(shù)據(jù)來源與數(shù)據(jù)收集

本研究的數(shù)據(jù)來源包括兩部分。首先，我們從餓了么蜂鳥配送物流公司收集訂單數(shù)據(jù)。通過合作溝通，本研究從2020年7月1日始，連續(xù)收集北京市三個商圈區(qū)域、8個配送站點、持續(xù)時長為31天，共計超過8萬條配送訂單數(shù)據(jù)。為保證結(jié)果的穩(wěn)健性，本研究刪除了配送信息缺失、因故中途取消、配送失敗以及其他異常信息的訂單數(shù)據(jù)，以保證分析結(jié)果的有效性，最終共得到76 852份有效訂單數(shù)據(jù)。其次，本研究從餓了么App以及互聯(lián)網(wǎng)上收集商家信息，通過App上的商家頁面收集開業(yè)時長信息與星級評分信息，通過App與互聯(lián)網(wǎng)搜索確定商家是否為連鎖經(jīng)營。

本研究需要以外賣商家為對象研究商家顧客的地理分布特征，因此需要將訂單數(shù)據(jù)整合成以商家、日期為樣本單位的合并數(shù)據(jù)。具體步驟如下：第一，以商家為個體單位N，以日期為時間單位T，對每個商家每天的訂單數(shù)量和訂單金額進行加總，得到商家每日訂單總量和每日外賣金額；第二，對商家每日全部有效訂單以日期為單位，計算日均訂單金額、日均訂單配送距離與標準差、日平均訂單配送時長（以秒為單位）；第三，為控制天氣、空氣質(zhì)量因素的可能影響，從天氣后報網(wǎng)（http：//www.tianqihoubao. com）收集了2020年7月共31天的天氣信息，并從中國空氣質(zhì)量在線監(jiān)測分析平臺（https：//www.aqistudy.cn/ historydata）收集了31天的當日空氣質(zhì)量信息。經(jīng)整合后，得到的數(shù)據(jù)中包含459個商家，樣本量為8 089個。

（二）變量說明與描述性統(tǒng)計

基于整合后的數(shù)據(jù)，本研究的變量包括商家的日均訂單距離（Distance）、日訂單距離標準差（Distance_Sd）、日訂單量（Day_Bills）、日均訂單配送時間（Delivery_Time）、周末（Weekend）、天氣（Weather）、空氣質(zhì)量（AQI）、是否連鎖經(jīng)營（Chain_Store）、星級評分（Star_Grade）、開業(yè)時長（Operation_Days）。

日均訂單距離（Distance）是指商家在某日的所有訂單中各訂單配送距離的平均值。為保證外賣訂單的按時送達，顧客在App或網(wǎng)站上點外賣時通常只能在商家選擇界面上看到5公里以內(nèi)所有提供外賣服務的商家，因此日均訂單距離通常為0～ 5km中的某個值。日訂單距離標準差（Dis？ tance_Sd）是與日均訂單距離相對應的概念，對商家某日所有訂單而言，求出平均距離的同時就會得到標準差。當標準差較大時，說明當日選擇該商家外賣App或網(wǎng)站顧客的地理分布較為分散；當標準差較小時，則說明較為集中。

日訂單量（Day_Bills）是指商家在某日所有的訂單數(shù)量。需要說明的是，并不是每個商家在每天都有顧客下單點外賣，當某個商家在某日無外賣訂單時，雖然日訂單量為零，但其他變量如日均訂單配送時間、日均訂單距離不可視為零。因此，整合后的訂單數(shù)據(jù)就呈現(xiàn)為以商家為個體單位、以日期為時間單位的非平衡面板數(shù)據(jù)。在整合后的數(shù)據(jù)樣本中，日訂單量的最小值即為1。

日均訂單配送時間（Delivery_Time）是商家某日所有訂單配送時間的平均值。訂單配送時間以秒為單位，從顧客在App或網(wǎng)站下單并付款成功后開始至顧客收到外賣為止的時間間隔，包括平臺響應、指派騎手、商家備貨、騎手取貨送貨等一系列環(huán)節(jié)。

是否連鎖經(jīng)營（Chain_Store）在本研究中屬于虛擬二分變量。確定零售商家是否為連鎖經(jīng)營的條件為：在餓了么App上有五家相同品牌名稱且不同地點的外賣商家同處在營業(yè)中的狀態(tài)，或該商家在除北京外的其他城市同樣具有營業(yè)中的連鎖店。滿足其中一個條件即標定為連鎖經(jīng)營。如果商家屬于連鎖經(jīng)營，則該變量值為1，否則為0。

星級評分（Star_Grade）變量取值在本研究中為位于1和5之間的一個數(shù)字，保留小數(shù)點后1位。星級評分反映了顧客對該商家的總體評價，最高評價為5.0。本研究的星級評分統(tǒng)一采用2020年7月31日商家頁面上顯示的評分。由于該評分為所有參與打分的顧客所給出分數(shù)的平均值，因此在短時間內(nèi)不會改變。

開業(yè)時長（Operation_Days）定義為商家從開業(yè)始，距離本研究時間點為止的時長，以天數(shù)來衡量，計算方法為2020年7月1日與商家開業(yè)日期之間的天數(shù)差值。

周末（Weekend）是與時間趨勢有關(guān)的變量。本研究以日為單位，因此當某日為工作日時，取值為0；當某日屬于周末時，取值為1。天氣（Weather）變量也是影響外賣銷量的一個考慮因素，因為在雨天、下雪天等不方便外出的天氣時，人們點外賣的可能性會增加。北京市的六月至七月為夏季，因此本研究將是否雨天作為區(qū)分標準：當某日為雨天時該變量為1，否則為0。空氣質(zhì)量與天氣一樣也會影響人們的外出活動。在空氣質(zhì)量較差、霧霾較重的情況下，人們的外出活動會減少。本研究采用環(huán)境空氣質(zhì)量指數(shù)（AQI）表示空氣質(zhì)量（參考2012年中國環(huán)境保護部發(fā)布的《環(huán)境空氣質(zhì)量指數(shù)（AQI）技術(shù)規(guī)定（試行）》標準），AQI越高說明霧霾越嚴重。

各變量的描述性統(tǒng)計結(jié)果如表1所示。

（三）模型設定

本研究主要探討外賣商家的顧客地理距離分布對外賣商家銷量的影響，即“倒U型”影響關(guān)系，以及這種關(guān)系受商家特征相關(guān)變量的調(diào)節(jié)作用?！暗筓型”關(guān)系作用的驗證采用漢斯（Haans）等[ 35 ]提出的方法。漢斯對“倒U型”關(guān)系的定義是，當因變量Y先隨自變量X以遞減的速度增大到最大值，然后隨著X的繼續(xù)增大，Y以遞增的速度降低時，就說明X和Y之間存在“倒U型”關(guān)系。在本研究中，我們在回歸模型中加入日均訂單距離的二次方項，通過二次方項回歸系數(shù)的顯著性判斷“倒U型”關(guān)系是否顯著。

同樣根據(jù)漢斯等的方法論，“倒U型”的調(diào)節(jié)作用驗證方法就是在帶有自變量一次方項、二次方項的回歸模型上增加一個第三方調(diào)節(jié)變量（變量Z）的影響。具體來說，帶有調(diào)節(jié)變量的“倒U型”的基礎模型為：

除拐點的左右移動外，另一個需要檢驗的問題為曲線的峰度變化，即曲線隨調(diào)節(jié)變量Z的增大呈現(xiàn)出變平緩還是變陡峭的狀態(tài)。對此，漢斯等提出的方法是通過系數(shù)β4的顯著性以及正負來判斷。當系數(shù)β4顯著時，Z的變化會引起“倒U型”曲線峰度的變化。具體來說，當β4為正時，“倒U型”曲線會隨著調(diào)節(jié)變量Z的增大變平坦；當β4為負時，“倒U型”曲線會隨著Z的增大變陡峭。

在本研究中，基礎回歸模型的X對應于日均訂單配送距離變量，Y對應于商家的外賣日訂單量或外賣日銷量，Z對應于三個調(diào)節(jié)變量——連鎖經(jīng)營、星級評分、開業(yè)時長。因此，本研究建立如下普通最小二乘法（OLS）回歸模型來驗證研究中“倒U型”曲線在不同調(diào)節(jié)變量水平上的差異：

上述三個回歸模型中的lnBill是日訂單量（Day_Bills）取對數(shù)之后的變量值，代表商家的日訂單量；lnDistance為商家日均訂單配送距離，并加入該變量的二次方項來驗證其與訂單量之間的“倒U型”關(guān)系；系數(shù)β3～β5所對應的變量為調(diào)節(jié)變量與日均訂單配送距離的交乘項、二次方交乘項以及調(diào)節(jié)變量本身；其他的變量均為控制變量，包括日訂單距離標準差、日訂單配送時間，以及天氣、周末、空氣質(zhì)量等。我們對除虛擬變量之外的變量均進行取對數(shù)處理，在一定程度上消除量綱的影響。

四、實證分析

（一）回歸分析結(jié)果與假設檢驗

我們以上述三個回歸方程為基礎，對連鎖經(jīng)營特征在“倒U型”關(guān)系中的調(diào)節(jié)作用進行驗證，即對假設H1～H3進行驗證，以最為常用的OLS回歸方法，通過不斷加入新變量來驗證商家日訂單量各影響因素系數(shù)的顯著性。數(shù)據(jù)分析工具采用Stata 14.0軟件，回歸結(jié)果如表2所示：

首先，模型1先加入環(huán)境因素變量天氣、空氣質(zhì)量、周末/工作日三個變量，發(fā)現(xiàn)三個變量的回歸系數(shù)都不顯著（βweather=-0.006，p>0.1；βAQI<0.000，p> 0.1；βWeekend=-0.033，p>0.1）。模型2中加入反映主效應的自變量lnDistance以及自變量的二次方項，發(fā)現(xiàn)系數(shù)均為顯著，lnDistance的系數(shù)為正值（β1= 0.360，p<0.01），二次方項lnDis？ tance2的系數(shù)為負值（β2=-0.494，p<0.01）。自變量的二次方項系數(shù)為負且顯著，意味著拋物線的開口向下。因此“倒U型”關(guān)系得到驗證，這一點與前人結(jié)果保持一致。模型3中加入控制變量日訂單距離標準差（Distance_sd）與日均訂單配送時間（Delivery_Time），發(fā)現(xiàn)β1與β2的系數(shù)正負向以及顯著性水平均保持一致，證明“倒U型”關(guān)系結(jié)果具有一定的穩(wěn)健性。

模型4用來驗證外賣商家的連鎖經(jīng)營特征變量對“倒U型”關(guān)系的調(diào)節(jié)作用。從結(jié)果可知，自變量一次方項與調(diào)節(jié)變量的交互變量的系數(shù)為正且顯著（β3= 0.452，p<0.01），證明“倒U型”曲線拐點移動的現(xiàn)象。對于移動方向的判斷，需要計算β1β4-β2β3的值。在本數(shù)據(jù)結(jié)果中，β1β4-β2β3的結(jié)果為正值0.164，說明隨著Z值的增加，X*的值增大，對應于拐點向右移。因此，相對于非連鎖商家（Z=0），連鎖商家（Z=1）“倒U型”曲線的拐點右移，拐點所對應的日均訂單距離更遠，意味著H1a得到驗證。另外，日均訂單配送距離二次方項交互變量的系數(shù)為負且顯著（β4=-0.538，p< 0.01），β4為負時，“倒U型”曲線會隨著Z的增大變陡峭。因此，H1b得到驗證。

模型5用來驗證外賣商家的星級評分對“倒U型”關(guān)系的調(diào)節(jié)作用。從結(jié)果可知，自變量一次方項與調(diào)節(jié)變量的交互變量系數(shù)為負但不顯著（β3=-0.539，p>0.1），無法證明“倒U型”曲線的拐點移動現(xiàn)象。因此，H2a未能夠得到驗證。日均訂單配送距離二次方項交互變量的系數(shù)為負且顯著（β4=-2.768，p<0.01）。由此可見，商家的星級評分越高，其日均訂單配送距離與日外賣訂單量的“倒U型”曲線更為陡峭，H2b得到驗證。

模型6用來驗證外賣商家的開業(yè)時長對“倒U型”關(guān)系的調(diào)節(jié)作用。從結(jié)果可知，自變量一次方項與調(diào)節(jié)變量的交互變量的系數(shù)為正且顯著（β3= 0.267，p<0.01），證明“倒U型”曲線拐點移動的現(xiàn)象。β1β4-β2β3的結(jié)果為正值0.123，說明隨著Z值的增加，X*的值增大，對應于拐點向右移。因此，外賣商家的開業(yè)時間越長，其“倒U型”曲線的拐點右移越明顯，拐點所對應的日均訂單距離更遠，意味著H3a得到驗證。另外，自變量二次方項交互變量的系數(shù)為負且顯著（β4=-0.230，p<0.01），說明“倒U型”曲線會隨著Z的增大變陡峭。因此，商家的開業(yè)時間越長，“倒U型”曲線越陡峭。因此，H3b得到驗證。

（二）結(jié)果分析

我們可以通過畫圖的方法對顧客地理距離分布與外賣商家日訂單量的“倒U型”關(guān)系，以及不同調(diào)節(jié)變量對“倒U型”的調(diào)節(jié)作用進行直觀展示，觀察曲線變化。

首先，圖1直觀地展示了連鎖商家的“倒U型”曲線相對于非連鎖商家“倒U型”曲線的變化。在圖1中，橫軸表示日均訂單距離的對數(shù)值，縱軸表示因變量的殘差，此殘差為因變量lnBill對所有控制變量進行回歸之后的剩余殘差，控制變量包括日訂單配送距離標準差、日均訂單配送時間、天氣、周末/工作日、空氣質(zhì)量。需要說明的是，出于對不同特征商家“倒U型”關(guān)系曲線的比較，需要控制其他因素對“倒U型”關(guān)系的影響，因此不可直接對日訂單量以及日均訂單距離做二次項擬合，以免造成偏誤。從圖1可以看到，實線所對應的連鎖商家的“倒U型”曲線相對于虛線更為陡峭，且實線拐點相對于虛線拐點偏右，這與H1a與H1b的結(jié)果相一致。

圖2展示了星級評分較高的外賣服務商家的“倒U型”曲線相對于評分低的外賣服務商家“倒U型”曲線的差異，橫軸與縱軸的尺度及單位與圖1保持一致。在表1的描述性統(tǒng)計結(jié)果中，星級評分的均值為4.661，因此我們將評分在4.7～5.0之間的商家劃分為“高評分商家組”，評分在4.6及以下的評分定義為“低評分商家組”。在圖2中，兩條曲線非常接近，兩條曲線的拐點也非常接近，代表高星級評分外賣商家的實線相對于低星級評分商家對應的虛線更為陡峭，但陡峭程度差別較小。這與H2a未得到驗證、H2b得到驗證的數(shù)據(jù)結(jié)果相一致。

本研究認為H2a無法得到驗證的可能原因有兩個：第一，星級評分僅代表體驗過該零售商家外賣產(chǎn)品的顧客評價對其他顧客具有借鑒意義。但是，星級評分并非像連鎖經(jīng)營特征一樣直接代表商家品牌的知名度，而是更多地代表顧客的重復購買意愿或忠誠度[ 31-32 ]，所以無法斷定商家的顧客分布是否隨著星級評分增高而改變。第二，樣本數(shù)據(jù)的星級評分變量值的分布可能導致結(jié)果出現(xiàn)偏差。從表3中可以看出，所有樣本的459個商家中，70%商家的星級評分集中在4.6～4.8之間，星級評分小于4.4的商家僅占所有商家的5.85%。因為在商家App頁面進行評價的顧客多為體驗較好的顧客，體驗較差的顧客往往較少進行評分，而評分為4.8的商家與評分4.6的商家在產(chǎn)品和服務質(zhì)量上的差別也通常較小?；谶@兩點原因，才使H2a未得到驗證，而H2b雖然得到驗證，但陡峭程度的變化不明顯。

圖3展示了開業(yè)時間較長的外賣服務商家的“倒U型”曲線相對于開業(yè)時間短的外賣服務商家“倒U型”曲線的差異，橫軸與縱軸與圖1和圖2保持一致。在表1的描述性統(tǒng)計結(jié)果中，開業(yè)時長的均值為2 719.976天，因此我們將開業(yè)日期距2020年7月1日2 720天以上的商家劃分為“長時開業(yè)商家組”，其余的商家劃分為“短時開業(yè)商家組”。從圖3可以看到，代表長時開業(yè)商家的實線的拐點比代表短時開業(yè)商家的虛線的拐點靠右，并且實線相比于虛線更為陡峭。這與H3a、H3b得到驗證的數(shù)據(jù)結(jié)果相一致。

五、結(jié)論與討論

（一）研究結(jié)論

本研究基于真實的外賣訂單數(shù)據(jù)，對外賣零售商的線上外賣客戶的地理分布規(guī)律進行探討，分析商家特征對線上外賣客戶地理分布規(guī)律的影響，驗證連鎖經(jīng)營、星級評分、開業(yè)時長三個外賣商家特征變量對線上客戶地理分布與外賣銷量之間關(guān)系的調(diào)節(jié)作用，具體結(jié)論如下：

1.本研究在前人研究成果基礎上再次驗證了外賣零售商的線上顧客地理分布規(guī)律。基于外賣訂單真實數(shù)據(jù)建立回歸模型發(fā)現(xiàn)，商家的日均訂單距離與商家的日訂單量之間存在“倒U型”關(guān)系，即隨著商家日均訂單距離的增大，商家的日訂單量呈現(xiàn)先增多后減小的趨勢。這說明在與商家的距離處于適中水平時，顧客選擇該商家下單的可能性最大。

2.外賣商家的連鎖經(jīng)營特征、開業(yè)時長特征在顧客地理分布與外賣訂單量的關(guān)系中具有調(diào)節(jié)作用。相對于非連鎖經(jīng)營的外賣商家，連鎖外賣商家的“倒U型”曲線拐點右移且形狀更為陡峭，說明連鎖外賣商家的線上客戶分布在更遠的區(qū)域，且“倒U型”的規(guī)律更為明顯。開業(yè)時長特征同樣在顧客地理分布與外賣訂單量的關(guān)系中具有調(diào)節(jié)作用，且方向與連鎖經(jīng)營特征一致。

3.外賣商家的星級評分特征在顧客地理分布與外賣訂單量的關(guān)系中具有調(diào)節(jié)作用。相對于星級評分低的外賣商家，評分高的商家“倒U型”曲線形狀更為陡峭，但拐點移動的假設沒有得到驗證。可能的原因有兩個。首先，星級評分并非像連鎖經(jīng)營特征、開業(yè)時長特征一樣直接代表商家品牌的知名度，而僅代表現(xiàn)有顧客的評價；其次，樣本數(shù)據(jù)的星級評分變量值的非均勻分布導致結(jié)果出現(xiàn)偏差。

（二）理論意義

本研究首先對外賣零售商的線上顧客地理分布規(guī)律進行探討，驗證外賣消費者與商家的地理距離分布對外賣訂單量的“倒U型”影響關(guān)系。該結(jié)論對傳統(tǒng)的商圈理論形成重要補充和延伸，從線上顧客的角度打破了“距離越近的顧客與商家黏性越高”的理論假設。對于提供外賣服務的零售商家來說，線上顧客的商圈特征與線下顧客有著本質(zhì)差異。同時，本研究對外賣商家線上顧客的“倒U型”分布規(guī)律的理論進行拓展，探討外賣商家的特征對商家“倒U型”分布規(guī)律的影響，即商家特征對線上顧客地理分布與外賣訂單量的“倒U型”關(guān)系的調(diào)節(jié)作用，使外賣零售商的線上顧客地理分布規(guī)律的“倒U型”理論更為全面。

（三）管理啟示

對于提供外賣服務的零售商家來說，本研究可為其在選址策略、廣告促銷策略的決策制定方面提供參考。

首先，對以外賣業(yè)務為主的零售商家來說，首先需要確定線上外賣用戶的大致分布范圍，找出該分布范圍的中心點，在離中心點適中距離的某個位置而非正中心點附近進行選址。對于適中距離的估計，可結(jié)合過往經(jīng)驗、同類商家的銷售訂單數(shù)據(jù)、與商家合作的物流配送公司等多種渠道綜合分析后進行計算。同時，外賣零售商廣告促銷的對象也要根據(jù)該適中距離來確定，如線下廣告或平面廣告應投放到與商家距離適中的區(qū)域，外賣平臺App上的促銷策略、店鋪排名提升策略等應主要針對適中距離的線上外賣用戶群體。

其次，對開店時間較長或連鎖品牌經(jīng)營的零售商來說，選址策略以及廣告促銷策略所依據(jù)的距離應該相對更遠一些。同樣，隨著零售商的經(jīng)營發(fā)展時長越來越長，連鎖分店越來越多，在提供外賣服務時，需要注意其線上外賣消費者的“最優(yōu)距離”分布以及變化特征，適時調(diào)整其顧客拓展及促銷的策略，提高顧客下單率以及在外賣平臺上的流量轉(zhuǎn)化率。

參考文獻：

[1]AVUSOGLU M.Electronic commerce and turkish patterns of online food delivery system[J].Journal of internet applica？ tions and management，2012（1）：45-62.

[2]朱海靜.我國餐飲業(yè)O2O運營模式及存在問題研究[J].商業(yè)經(jīng)濟研究，2015（32）：82-83.

[3]張巧兵.外賣O2O模式下第三方外賣平臺收入確認問題探析[J].財務與會計，2016（5）：28-29.

[4]BALDACCI R，MINGOZZI A，ROBERTI R.New route relax？ ation and pricing strategies for the vehicle routing problem[J].Operations research，2011（5）：1 269-1 283.

[5]XU Z，TANG J.A coordination-based two-stage algorithm for pickup and delivery customers to airport[J].Lecture notes in electrical engineering，2014（242）：815-825.

[6]蔣麗，王靜，梁昌勇，等.基于改進蟻群算法的眾包配送路徑研究[J].計算機工程與應用，2019（8）：244-249.

[7]陳運娟，雷飛飛.基于SEM的外賣O2O平臺顧客忠誠度影響因素研究[J].財會通訊，2017（5）：23-26.

[8]RAY A，DHIR A，BALA P K，et al.Why do people use food delivery apps（FDA）？a uses and gratification theory per？ spective[J].Journal of retailing and consumer services，2019（51）：221-230.

[9]FAUZI A A. Critical factors on SME managers adoption of online delivery service application[J].International journal of business and society，2019（3）：1 130-1 148.

[10]焦騰嘯，李先國，孟陸.線上客戶地理分布對外賣零售商經(jīng)營決策的影響——基于餓了么外賣訂單數(shù)據(jù)的實證研究[J].中國軟科學，2020（3）：127-138.

[11]BENOIT D，CLARKE G P.Assessing GIS for retail loca？ tion planning[J].Journal of retailing and consumer services，1997（4）：235-258.

[12]RAMESH G，PRASAD S，GOYAL S.A pilot study of organ？ ised retail formats and their location strategy in Mumbai：a study covering western suburbs from Bandra to Borivali[J]. Journal of retail & leisure property，2011（5）：476-492.

[13]ROSS A，KHAJEHNEZHAD M，OTIENO W，et al.Integrat？ ed location-inventory modeling under forward and reverse product flows in the used merchandise retail sector：a multi- echelon formulation[J].European journal of opera？ tional research，2017（2）：664-676.

[14]GREWAL D，LEVY M，KUMAR V.Customer experience management in retailing：an organizing framework[J].Jour？ nal of retailing，2009（1）：1-14.

[15]GLAESER C K，F(xiàn)ISHER M，SU X.Optimal retail location：empirical methodology and application to practice：final？ ist-2017 M&SOM practice-based research competition[J]. Manufacturing & service operations management，2019（1）：86-102.

[16]MURAD A A.Using GIS for evaluating retail centres loca？ tion at Jeddah city[J].International journal of services and operations management，2011（10）：255-273.

[17]SONIS M.Central place theory after christaller and further explorations- in memory of August Loesch，15 October 1906- 30 May 1945[C].Ersa conference papers.European regional science association，2005.

[18]崔振華，楊婷.商業(yè)零售店選址分析[J].科技與管理，2008（2）：42-45.

[19]ZENTES J，MORSCHETT D，SCHRAMM-KLEIN H.Stra？ tegic retail management：text and international cases[M].Wi？ esbaden：Springer Gabler Press，2011：229-252.

[20]劉力宇.基于商圈理論的商業(yè)地產(chǎn)定位研究[J].商業(yè)經(jīng)濟研究，2019（7）：183-186.

[21]OWEN S，YAWSON A.Corporate life cycle and M&A ac？ tivity[J].Journal of banking & finance，2010（2）：427-440.

[22]MILLER D，F(xiàn)RIESEN P H.A longitudinal study of the cor？ porate life cycle[J].Management science，1984（2）：1 161-1 183.

[23]HANKS S H，WATSON C J，JANSEN E，et al.Tightening the life-cycle construct：a taxonomic study of growth stage configurations in high-technology organizations[J].Entrepre？ neurship theory and practice，1993（2）：5-29.

[24]AGARWAL R，SARKAR M.The conditioning effect of time on firm survival：an industry life cycle approach[J].Academy of management journal，2002（5）：971–994.

[25]SIRMON D G，HITT M A，IRELAND R D，et al.Resource orchestration to create competitive advantage：breadth，depth，and life cycle effects[J].Social science electronic publishing，2011（5）：1 390-1 412.

[26]BERMAN B，EVANS J R.Retail management：a strategic approach[M].Upper Saddle River：Pearson Education Press，2013：146-150.

[27]于淑華.發(fā)展自由連鎖增強中小批發(fā)、零售業(yè)的競爭力[J].商場現(xiàn)代化，2001（4）：20-22.

[28]夏春玉，張闖.大型零售企業(yè)規(guī)模擴張的理論解讀——兼論流通企業(yè)的性質(zhì)、規(guī)模與邊界[J].商業(yè)經(jīng)濟與管理，2004（11）：4-9，29.

[29]RABBANEE F K，RAMASESHAN B，WU C，et al.Effects of store loyalty on shopping mall loyalty[J].Journal of retail？ ing and consumer services，2012（3）：271-278.

[30]陳海濤，李同強，宋姍姍.在線外賣平臺用戶重復購買行為的建模與實證研究[J].軟科學，2015（11）：79-82.

[31]張德鵬，陳春峰，張馥麗.在線評價對顧客消費行為的影響——以外賣O2O平臺為例[J].企業(yè)經(jīng)濟，2017（3）：144-149.

[32]BA S，PAVLOU P A.Evidence of the effect of trust build？ ing technology in electronic markets：price premiums and buyer behavior[J].MIS quarterly，2002（3）：243-268.

[33]DELLAROCAS C.The digitization of word of mouth：prom？ ise and challenges of online feedback mechanisms[J].Man？ agement science，2003（10）：1 407-1 424.

[34]LIU Y.Word of mouth for movies：its dynamics and impact on box office revenue[J].Journal of marketing，2006（3）：74-89.

[35]HAANS R F J，PIETERS C，HE Z L.Thinking about U：the？ orizing and testing U- and inverted U-shaped relationships in strategy research[J].Strategic management journal，2016（7）：1 177-1 195.

責任編輯：方程

Effect of Characteristics of Take-out Service Retailers on the Geographical Distribution of Online Customers

JIAO Teng-xiao1，ZHAO Xiao-hua2and LI Xian-guo1

（1.Business School，Renmin University of China，Beijing 100872，China；2.International School of Business and Finance，Sun Yat-sen University，Zhuhai 519082，Guangdong，China）

Abstract：Recently，take-out delivery service industry has achieved a rapid development. For the retailers providing takeout service，it is of great significance for them to understand the geographical distribution rules of take-out service consumers to formulate site selection strategies and advertising promotion strategies. Previous studies have found that the influence of geographical distribution of online take-out service consumers on the order volume presents an "inverted U-shaped" relationship，but they have not explored the variances in the geographical distribution of online customers of different characteristics of takeout service retailers. The authors collect more than 80，000 order data from Elemes logistics company to testify the "inverted Ushaped" relationship between daily average order distance and daily order volume，which shows that when the distance is moderate，the possibility for customers to choose this retailer is the greatest；at the same time，this "inverted U-shaped" curve of online take-out service retailers with high star rating is steeper than that with low star ratings；the "inverted U-shaped" curve of the geographical distribution of online customers in chain retailers is steeper than that in non-chain retailers and the inflection point shifts to the right；and the "inverted U-shaped" relationship curve of stores with a longer opening period is steeper and the inflection point moves to the right compared with those with a shorter opening period. Based on this，take-out retailers should choose the location that with the moderate distance to the central point，but not the central point itself，and they should determine their advertising promotion strategies according to the site with moderate distance；and the site selection and advertising promotion strategies of stores with longer opening period or the chain retailers should be based on the site with longer distance，and they should timely adjust their customer expansion and promoting strategies to increase the ratio of customer ordering and the conversion ratio of flow.

Key words：take-out；take-out service；geographical distribution of consumers；"inverted U-shaped" relationship

收稿日期：2020-11-05

基金項目：國家社會科學基金重點項目“消費者在線行為模式研究”（19AGL016）

作者簡介：焦騰嘯（1988—），男，河南省許昌市人，中國人民大學商學院博士研究生，主要研究方向為大數(shù)據(jù)營銷；趙小華（1987—），本文通訊作者，女，河南省鄭州市人，中山大學國際金融學院科研博士后，主要研究方向為消費者行為；李先國（1965—），男，湖南省長沙市人，中國人民大學商學院教授，博士生導師，主要研究方向為分銷渠道管理、銷售管理。