EN中文

地球信息科学学报 >

2019 , Vol. 21 >Issue 8: 1240 - 1253

DOI: https://doi.org/10.12082/dqxxkx.2019.190114

地理空间分析综合应用

深圳市快递自提点的空间分布特征与影响因素

  • 刘玲 1, 2 ,
  • 李钢 , 1, 2, * ,
  • 杨兰 1, 2 ,
  • 薛淑艳 1, 2
展开
  • 1. 西北大学城市与环境学院,西安 710127
  • 2. 陕西省地表系统与环境承载力重点实验室,西安 710127
* 李 钢（1979-）,男,四川成都人,教授,博导,主要从事灾害地理、社会地理与旅游地理研究。E-mail:

刘 玲（1996-）,女,四川眉山人,硕士生,主要从事城市地理与犯罪地理研究。E-mail:

收稿日期: 2019-03-12

  要求修回日期: 2019-04-24

  网络出版日期: 2019-08-25

基金资助

西北大学仲英青年学者支持计划（2016）项目资助()

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Spatial Distribution Characteristics and Influencing Factors of the Delivery Sites in Shenzhen

  • LIU Ling 1, 2 ,
  • LI Gang , 1, 2, * ,
  • YANG Lan 1, 2 ,
  • XUE Shuyan 1, 2
Expand
  • 1. College of Urban and Environmental Sciences, Northwest University, Xi'an 710127, China
  • 2. Shaanxi Key Laboratory of Earth Surface System and Environmental Carrying Capacity, Northwest University, Xi'an 710127, China
* LI Gang, E-mail:

Received date: 2019-03-12

  Request revised date: 2019-04-24

  Online published: 2019-08-25

Supported by

Tang Scholar Program of Northwest University (2016)()

Copyright

Copyright reserved © 2019.
Fold

摘要

随着信息技术的发展,电子商务的盛行推动着快递行业的迅猛发展,快递自提点成为人们日常生活的重要场所,从而成为城市地理与物流地理的重要研究对象。本文基于2018年4月深圳市菜鸟驿站和中国邮政速递物流站点的POI数据,综合运用文本分析、数理统计、空间分析方法,解析深圳市快递自提点的空间分布特征和影响因素。研究发现：① 快递自提点依托类型多样：由市场主导的菜鸟驿站主要依托专业的快递公司、便利店等;由政府主导的邮政站点一般设于中国邮政的分支服务网点;② 快递自提点服务对象种类繁多,二者都主要以服务社区为主,企业、工业园、酒店等为辅;③ 快递自提点的区位选择一般靠近服务对象的出入口,80%的快递自提点分布在距其最近出入口200 m范围内,邮政站点更接近服务对象;④ 快递自提点的空间分布不均衡,呈现“中西部多,东部少”的特点,沿“东-西”走向集聚分布,为多核集聚模式;⑤ 快递自提点的空间格局是区域经济发展水平、人口分布、交通便捷程度、土地利用类型等多因素综合作用的结果,最后探索了快递自提点选址与分布的综合影响机制。

关键词： 快递自提点; 空间分布; 影响因素; POI; 深圳市

本文引用格式

刘玲 , 李钢 , 杨兰 , 薛淑艳 . 深圳市快递自提点的空间分布特征与影响因素[J]. 地球信息科学学报, 2019 , 21(8) : 1240 -1253 . DOI: 10.12082/dqxxkx.2019.190114

Abstract

With the advancement of information technology, the prevalence of e-commerce is driving the rapid development of the express delivery industry. To solve the distribution problem of the "last kilometer logistics", delivery sites appeared in most cities of China. The delivery sites, including Cainiao Station and China Post, have become the important places that residents visit frequently in everyday life and become an important research topic of urban geography and logistics geography. Based on the point of interest (POI) data of the Cainiao Station and China Post in 10 municipal districts in Shenzhen, this study used text analysis, mathematical statistics, and spatial analysis to examine the organization form, location choice, spatial distribution, agglomeration mode, and influencing factors of the delivery sites in Shenzhen. Results showed that: (1) The delivery sites depend on different types. The Cainiao station is dominated by sole business and joint venture, which relies on professional express companies and convenience stores, etc. China Post is a state-owned enterprise led by the government, generally located in branch service outlets. (2) The delivery sites have a variety of service objects, and both of Cainiao Station and China Post mainly serve communities, supplemented by companies, industrial parks, and hotels. (3) The location of the delivery sites is as close as possible to the entrances and exits of the service objects. Most of the delivery sites are distributed within 200m from the entrances and exits of facilities, and China Post sites are much closer to the service objects. (4) The spatial distribution of the delivery sites is not balanced, more in the central and western regions yet less in the east. It is distributed in the "east-west" direction, with a multi-core agglomeration mode. (5) The spatial pattern of the delivery sites is a result of the combined effects of multiple factors including the level of regional economic development, population distribution, transportation convenience, land use type, and so on. The delivery sites are distributed on the urban residential land but their number is still small in the marginal residential areas. Their spatial relation presents a geographic-adjacent-based coordinated competition development trend. Our findings help explore the comprehensive impact mechanism of the location choice and distribution pattern of the two types of delivery sites, and indicate future prospects of research, including mining their detection function of urban growth and population distribution.

Key words： delivery sites; spatial distribution; influencing factors; POI; Shenzhen

1 引言

近年来,随着网络信息技术的发展,电子商务与网络购物盛行,推动着快递行业的迅猛发展,当前约70%的网上购物需要依靠快递来承接完成[1]。随着快递行业的崛起,“四通一达”等民营快递企业竞争日趋白热化,在此背景下快递自提点（亦称收集交付点或集散点,Delivery Sites）应运而生,通常包括有人值守式（Attended Delivery Sites）（如菜鸟驿站）和无人值守式（Unattended Delivery Sites）（如各类快递收寄柜）2类,有望成为解决物流“最后一公里”服务瓶颈问题的关键,逐渐受到学界关注。
随着物流配送问题的增多,国内外学者对物流配送和快递自提空间的研究也逐渐深入。国外自提空间研究始于2000年首个快递自提点的出现。例如,Heitz等[2]分析了快递行业的地理位置及其在巴黎地区物流活动空间组织中的地位;Morganti等[3]在法国和德国对比研究中发现利用商店和自动化储物柜网络开发提货点有很多优势;Morganti等[4]通过对电子商务自提点网络的分析,认为人口密度、土地利用类型、居住家庭模式等对自提点的布局有较大影响;Morganti等[4]指出自提点的设立不仅提高了包裹投递率,并优化了配送路线、降低了企业运营成本;Giuliano等[5]指出影响物流产业发展的可能因素包括城市规模、经济发展水平以及地理位置等;Wu等[6]通过大数据分析探索电子商务物流业务模式,揭示了“跨境电商物流”的基本规律;Cárdenas等[7]分析了比利时4个月期间电商配送的空间分布情况,发现城市大部分的问题都与电子商务物流最后一英里有关。
在国内,随着淘宝、京东和苏宁易购等多家电商物流的快速发展,快递自提空间备受关注,其研究内容也呈现多元化趋势。例如,谭如诗等[8]通过调查问卷和实地考察的方式对南京城区的菜鸟驿站进行了空间分析和居民自提行为的探讨,进而解析自提点空间布局的影响因素;黄涛[9]对比分析常见的备选地址选取方向和网点选址模型,确定采用GIS研究快递末端自提网点布局,进而建立基于GIS的快递末端自提网点布局模型;张智等[10]宏观综合分析了深圳市邮政公司、快递公司和电商企业末端配送网点的空间分布和服务能力;黄茜等[11]对菜鸟驿站进行案例研究,利用双边市场的理论,具体分析快递“最后一公里”短板的瓶颈;刘珍等[12]发现电商消费在高校校园拥有庞大、集中的群体,并针对校园物流发展的一系列问题提出解决的途径;李钢等[13]基于POI数据先后解析了西安市快递自提点的空间格局及空间关系,揭示了武汉市快递自提点的空间格局与集聚模式[14]。可见,国内学者对快递自提点的研究主要集中在快递网点的网络布局、自提行为和末端配送等方面,对快递自提点的空间分布和影响因素研究较少。
综上,国内外对于居民快递自提点的研究主要集中在宏观层面,大多是从快递企业、消费者及“最后一公里”交付问题去讨论,很少关注快递自提点自身的区位选址及依存与分布规律,对于城市尺度的自提站点在空间集聚模式及微观距离分布特征等方面的系统研究更少。因此,本文以深圳市作为研究案例城市,基于POI数据重点探讨“互联网+”与共享经济时代下快递自提点（包括菜鸟驿站和邮政站点）的空间分布特征和影响因素,以期进一步丰富快递自提点的空间研究内容,拓宽物流空间的研究视角,为中国物流行业和快递自提点的布局优化提供理论和实践支持。

2 研究区概况、数据来源与研究方法

2.1 研究区概况

研究区为深圳市下辖的8个行政区（福田区、罗湖区、南山区、盐田区、宝安区、龙岗区、坪山区、龙华区）和2个新区（光明新区、大鹏新区）,总面积1996.85 km2。深圳水陆空铁口岸俱全,是中国拥有口岸数量最多、出入境人员最多、车流量最大的口岸城市,同时也是物流业最发达的城市之一,拥有国内领先的物流及供应链企业。截至2016年底,在有效期内的市重点物流企业达90家[15],传统物流服务正加速向综合第三方物流和供应链管理服务转变,供应链管理公司以及大批第三方物流领军企业总部聚集深圳,大多拥有覆盖全国的物流配送网络。因此,基于深圳市鲜明的城市发展态势与领先的物流行业特征,选其作为本文的研究案例城市,进而解析深圳市快递自提点的空间分布特征和影响因素。

2.2数据来源

POI即“Point of Interest”（兴趣点）,是一种代表真实地理实体的点状数据,在地理信息系统中,一个POI可以是一家银行、一家超市、一个药店、一个公交站等[16]。POI数据来源广泛,以高德、腾讯、百度等为代表的在线地图服务平台均可以获得POI数据。本文以百度地图作为数据源,利用“脉策数据（MetroData Tech）”提供的“POI查询”工具,分别输入关键词“深圳市+菜鸟驿站”和“深圳市+中国邮政”筛选获取深圳市菜鸟驿站和中国邮政速递物流站点的POI网点。截止至2018年4月中旬,获取深圳市菜鸟驿站717个,中国邮政站点（下文简称邮政站点）493个。获取的POI数据信息包括站点名称、经纬度坐标、具体地址信息等。
考虑初步获取的空间经纬度信息及具体位置信息可能存在位置偏差、信息不全或属性信息不完整等问题,对POI数据进行了后期处理,包括坐标纠偏和地址信息纠正补全,其中坐标纠偏由百度地图坐标系转为火星坐标系;地址信息纠正补全主要通过百度地图坐标拾取系统和经纬度坐标查询系统反查快递自提点的街道位置信息,以纠正或补全区县街道详细信息。最后,建立深圳市快递自提点POI数据库。

2.3 研究方法

研究方法主要包括文本分析、数理统计分析和空间分析。其中,文本分析旨在根据自提点地址信息进一步检索挖掘提取研究所需的其他信息,如依托类型、服务对象等。空间分析方法包括核密度估计（Kernel Density Estimation, KDE）、Moran's I指数、近邻分析、标准差椭圆（Standard Deviation Ellipse, SDE）、缓冲区分析5种,旨在分别从分布形态、集聚和邻域特征等方面对深圳市快递自提点的空间格局和分布特征展开测度和探讨。
2.3.1 核密度估计
核密度估计（KDE）方法认为区域内任意位置都有一个可测度的事件密度（也称强度）,该位置的事件密度可以通过其周围单位面积区域内的事件点数量来估计[17,18]。核密度估计将状态空间连续化和无穷化,通过核密度估计横截面的分布,考察随机变量随时间变化的分布形态[19]。基于此,本文以核密度估计法来研究深圳市快递自提点的空间分布特征,具体计算公式如下：
f x = 1 n h n ∑ i = 1 n k x - x i h n
式中：n为样本数;hn为带宽,即搜索半径; k x - x i h n 为核函数。
2.3.2 空间自相关分析
空间自相关是指同一个变量在不同空间位置上的相关性,是空间单元属性值聚集程度的一种度量[20,21]。本文引入全局空间自相关Moran's I指数对研究区快递自提点的空间分布进行测度,分析快递自提点的分布模式,探寻其集聚程度[22]。其运算公式为：
I = n ∑ i = 1 n ∑ j = 1 n w ij z i z j ∑ i = 1 n ∑ j = 1 n w ij ∑ i = 1 n z i 2
式中：zi是要素i的属性与其平均值 x i - x ̅ 的偏差,wij为空间权重,n等于要素总数。Moran's I指数取值一般存在于-1与1之间。在显著水平下,当Moran's I<0时,表示存在空间负相关关系,表明区域内快递自提点为离散分布;而Moran's I >0时,表示存在正空间相关性,代表区域内快递自提点在空间分布上呈现显著的集聚性,I指数越大,空间集聚性则愈强[22]。
对于全局Moran指数,可以用标准化统计量 Z(I)来检验空间自相关的显著水平[23]。Z(I)的计算公式如下：
Z I = I - E I Var I
2.3.3 平均最近邻分析
平均最近邻工具可测量每个要素的质心与其最近邻要素的质心位置之间的距离,然后计算所有这些最近邻距离的平均值。平均最近邻分析生成5个值：平均观测距离、预期平均距离、最近邻指数、z得分和p值。平均最近邻指数通过观测的平均距离除以期望的平均距离计算得出。如果指数小于1,所表现的模式为聚类;如果指数大于1,则所表现的模式趋向于分散。近邻分析在空间上也表示相同或不同要素之间的聚合程度,用来表达要素之间的邻近距离分布规律,本文利用平均最近邻分析进一步讨论深圳市快递自提点的集聚或离散程度。
2.3.4 标准差椭圆
离散数据在空间上往往存在分布的方向性,Lefever在1926年提出了利用标准差椭圆（SDE）来分析空间离散数据集的分布方向特征,其中曾国军等[24]用椭圆的长轴方向来代表数据集在空间上的主要分布方向,椭圆的面积表征离散点集中分布的分散/紧凑程度。椭圆的长短半轴的值差距越大（扁率越大）,表示快递自提点空间分布的方向性越明显。本文运用标准差椭圆来研究深圳市快递自提点空间分布的方向趋势,标准差椭圆计算公式如下：
SD E X = ∑ i = 1 n x i - X ̅ 2 n
SD E y = ∑ i = 1 n y i - Y ̅ 2 n
式中：xi和yi是要素i的坐标; X ̅ , Y ̅ 表示要素的平均中心;n等于要素总数。
2.3.5 缓冲区分析
缓冲区分析是针对点、线、面实体,自动建立其周围一定宽度范围内的缓冲区多边形。缓冲区的产生有3种情况：① 基于点要素的缓冲区,通常以点为圆心、以一定距离为半径的圆;② 基于线要素的缓冲区,通常是以线为中心轴线,距中心轴线一定距离的平行条带多边形;③ 基于面要素多边形边界的缓冲区,向外或向内扩展一定距离生成新的多边形[25]。本文利用ArcGIS缓冲区分析构建基于快递自提点的点要素的缓冲区,叠加上深圳市行政区划图分析快递自提点的空间覆盖范围。

3 快递自提点的基本特征

3.1 依托类型

菜鸟驿站的出现主要是市场行为所致,可分为独营和合营2类。在合营中,菜鸟只是作为其附加收入的来源,有其独特的依托类型。通过对深圳市菜鸟驿站的街道地址文本信息进行词频分析,明确其主要依托类型和占比（图1）。
图1 2018年深圳市菜鸟驿站依托类型

Fig. 1 Affiliation types of the Cainiao Stations in Shenzhen in 2018

深圳市的菜鸟驿站26.93%为独营,依托独立的快递物流公司;其余为合营,为其依托场所带来客流,增加额外收入,其中依托便利店的占比最大,为51.93%,其次为依托超市的占4.01%,余下为商铺、商店、商场、家电数码店、文具店等。值得注意的是,一些菜鸟驿站同时也是邮政自提点,说明菜鸟驿站在网点布局中与同类型物流企业存在共生合作关系。
相较菜鸟驿站而言,邮政站点的依托类型比较单一。中国邮政是国有企业,其邮政自提点为国营性质,属于行政主导,一般设于自营中国邮政的分支服务网点,如邮政所、营业所、邮政支局、便民服务站等,极少数依托超市、副食店等其他商业存在。

3.2 服务对象类型

快递自提点往往伴随着居民的需求而出现,且不同职能的区域对快递自提点的需求也不同。快递自提点的服务对象种类繁多,一般主要以社区、学校、商业中心、景区等为主,且社区首位度明显（图2）。菜鸟驿站和邮政站点的服务对象类型虽然有一定差异,但都是主要以社区为主,公司、工业园、酒店为等为辅。
图2 2018年深圳市快递自提点的服务对象

Fig. 2 Service objects of the delivery sites in Shenzhen in 2018

3.3 区位选择特征

地理事物的存在均有其特殊的区位选择特征,适宜的选址有利于节约成本和长期发展。快递自提点旨在解决“物流最后一公里”瓶颈,一般会临近其服务对象而分布,因此从街区尺度对深圳市快递自提点的区位选择特征进行分析。以快递自提点为中心,500 m为半径确定周边邻近设施（社区、公司、工业园、商场等）,并依据距离最小原则对快递自提点与其服务对象最近出入口的直线距离进行统计。得到的数据信息有自提点名称和距最近出入口的直线距离,通过地图判识剔除了部分不符合居民自取选择的设施点出入口以及中小学、菜市场、广场等人群密集但停留时间短的设施点出入口,得到快递自提点距设施点最近出入口的平均距离为72.5 m（菜鸟驿站距设施点最近出入口的平均距离为75 m、邮政站点距设施点最近出入口的平均距离为70 m）,并通过Excel函数计算得到相关的结果,绘制快递自提点区位距离选择趋势线拟合图（图3）,发现以下特征：
图3 2018年深圳市快递自提点区位距离选择趋势线拟合

Fig. 3 Location distance selection trend fitting line of the delivery sites in Shenzhen in 2018

（1）快递自提点包括菜鸟和邮政距设施点最近出入口100 m距离范围内分别有556个和405个,且密集度最高;其次为在200 m、300 m距离范围内依次递减。因此,以100 m作为分位距离（图3）,得到菜鸟驿站指数趋势线y =280.58e-0.014x,拟合度R2 =0.8536;邮政站点指数趋势线y =404.07e-0.019x,拟合度R2=0.8874,二者拟合关系都很显著;可见快递自提点的区位选择尽量靠近社区、公司、工业园、商场等设施的出入口。
（2）总体来看,快递自提点的区位距离选择整体呈现递减趋势,在距设施点最近出入口60 m范围内的直线距离处达到峰值,此后持续下降（图4）。90%的菜鸟驿站和邮政站点均分布在距设施点最近出入口150 m范围内,利于居民自提取行为产生。通过快递自提点数量累积百分比的统计分析,80%的菜鸟驿站分布在距设施点最近出入口110 m范围内,80%的邮政站点分布在距设施点最近出入口100 m范围内,邮政站点更接近服务对象。这表明随着快递自提点与设施点出入口距离的增加,居民自提行为便捷性程度递减,快递自提点的设点区位选择优势削减。
图4 2018年深圳市快递自提点距离分布

Fig. 4 Distance distribution of the delivery sites in Shenzhen in 2018

4 快递自提点的空间分布与影响因素

4.1 空间分布

4.1.1 总体分布特征
根据获取的快递自提点POI的经纬度坐标,借助于ArcGIS软件,将对应的坐标转换成相应的空间网点Point数据,得到可视化的空间分布图（图5）。由图可知,深圳市快递自提点空间分布呈现明显差异性,表现为中西部密集、东部分散的特征。由于中西部宝安区等区开发早,经济发展迅速,城市建设快,社区与人口密度大,吸引快递自提点在此布局;而西部大鹏新区等区,虽然面积宽广,但属于远郊区,经济发展相对较慢,城镇对人口吸引力较弱,社区和人口密度相对较低,使得菜鸟驿站和邮政站点的市场和布局发展受限。
图5 2018年深圳市居民快递自提点空间分布

Fig. 5 Spatial distribution of the delivery sites in Shenzhen in 2018

对比深圳市下辖各区菜鸟驿站和邮政站点的数量和占比（图6）可知,菜鸟驿站和邮政站点在各区（市）县分布不均,除大鹏新区外,其他各区菜鸟驿站的数量要大于邮政站点,占绝对优势;大鹏新区邮政站点的数量要大于菜鸟驿站,但优势不明显。中西部地区的快递自提点数量远大于东部地区,这与东中西部地区城市发展和人口分布状况相适应。
图6 2018年深圳各市辖区菜鸟驿站和邮政站点数量和占比示意

Fig. 6 Numbers and proportions of Cainiao Station and China Post in each municipal district of Shenzhen

4.1.2 空间分布集聚特征
为了分析快递自提点的整体分布状态和彼此之间的关联度,利用AcrGIS空间自相关分析工具,得到全局自相关系数Moran's I的计算结果。菜鸟驿站和邮政站点的Moran's I指数分别为0.706和0.747,均大于0,说明二者的空间分布模式均呈空间正相关,且都呈现显著的集聚性。
对深圳市辖区快递自提点进行核密度分析,发现其集聚趋势明显,存在着明显的分布热点;其空间聚集特征表现为“向中西部集聚”,整个城市空间上菜鸟驿站的分布聚集程度比邮政站点的分布聚集程度高,空间分布不均衡性突出（图7）。菜鸟驿站和邮政站点的集聚模式均为“多核集聚模式”,集聚中心不一,而菜鸟驿站的集聚中心较邮政站点突出,都集聚在中西部城区;菜鸟驿站的分布核心主要在龙华街道、福田街道、布吉街道,邮政站点则在南湖街道、福田街道、沙井街道,这些区域开发早、经济发展水平高、人口密度大、人均GDP高、对网上购物的需求大,由此产生的快递数量多,吸引快递自提点在此集聚。
图7 2018年深圳市快递自提点的核密度分析

Fig. 7 Kernel Density of the delivery sites in Shenzhen in 2018

4.1.3 空间分布方向特征
快递自提点的区位分布往往还存在方向性,即每个方向的离散程度是不一样的[24]。本文运用ArcGIS度量地理分布分析工具,用标准差椭圆分析方法来描述深圳市快递自提点在空间分布方向上离散程度的差异。由图8可知,标准差椭圆的长轴与短轴长度相差较大,说明快递自提点的空间分布方向性显著,分布向中西部集聚,东部分散。总体来看,深圳市快递自提点在空间上大致呈“东-西”走向分布,这是深圳市呈“东-西”走向的区域形态和“西联东拓、南北贯通,中心极化、两翼伸展”的城市空间规划综合影响的体现。
图8 2018年深圳市快递自提点标准差椭圆分布

Fig. 8 Standard Deviation Ellipse of the delivery sites in Shenzhen in 2018

4.1.4 服务覆盖范围特征
考虑到当前快递自提点增长趋于稳定,本文利用AcrGIS缓冲区分析计算深圳市快递自提点1 km范围内覆盖区域（图9）。由图9可知,菜鸟驿站和中国邮政覆盖深圳市中西部地区的大部分区域,而东部地区的区域覆盖范围小,说明快递自提点的主要服务范围为深圳市的中西部地区。主要是由于中西部地区经济发展迅速,城市建设较快,社区与人口密度较大,具有强大的人流、物流,吸引快递自提点在此广泛分布,因此服务范围广。
图9 2018年深圳市快递自提点一公里覆盖区域

Fig. 9 One-kilometer coverage areas of the delivery sites in Shenzhen in 2018

4.2 快递自提点分布选址的影响因素

快递自提点整体上布局向大城市中心集聚的特征明显,因此本文选取跟跟城市发展相关的4个因素：地区经济发展水平、人口密度与规模、土地利用类型、交通便捷程度,并分析其对快递自提点分布选址的影响。
4.2.1 地区经济发展水平
快递自提点的空间区位选择深受地区经济发展水平的影响,地区经济发展水平实力强,会产生更多的生产和生活物流需求,加速快递自提点向此类地区集聚;反之亦然。深圳市各区域快递自提点数量与其2018年GDP大致呈正相关关系（图10）,区域经济发展水平越高,快递自提点的分布越多,快递自提站点的数量与该区域经济发展水平相适应。
图10 2018年深圳市快递自提点与区域经济水平关系

Fig. 10 Relationship between delivery site number and district economic level in Shenzhen in 2018

4.2.2 人口密度与规模
快递自提点邻近服务对象而分布,具有较强的人口依赖性,因此快递自提点与人口分布存在明显的趋同关联,二者集聚是相辅相成的;一定规模或密度的人口是其布局的必要条件。受经济发展水平和城市化水平等因素影响,人口向城市区集聚趋势特征明显[26],特别是城市区域青年群体集聚,带动网络购物的发展,增加了潜在顾客的规模。将深圳市快递自提点与深圳市2018年各区人口密度[27]进行叠加分析（图11）,发现中西部地区人口密度大,快递自提点分布数量多;东部地区面积大,人口密度小,快递自提点分布数量少;特别指出,南部的福田区和罗湖区人口密度大,但其面积小,快递自提点分布较少。总体来看,人口分布尤其是人密度和规模是影响快递自提点布局的重要因素。
图11 2018年深圳市快递自提点与人口密度分布

Fig. 11 Distribution of the delivery sites and population density in Shenzhen in 2018

4.2.3 土地利用类型
自提点作为快递服务业的重要组成部分,与其他服务业具有一定关联,快递自提点一般在信息、物流较为丰富的商业街道布局,公共服务质量的优劣以及绿色空间的可获取性等商圈环境,如便利的停车场、自提点的安全性和可操作性等因素对快递自提点布局具有区位上的吸引作用[28]。随着距城区距离增加,商业街道和经济活动减少,建筑物密度下降以及城市功能区变化,快递自提点密度也随之变小。利用ArcGIS软件对深圳市快递自提点和土地利用规划图（2006-2020年）进行叠加分析（图12）,发现快递自提点主要向城镇用地集聚,其他用地类型分布少。通过统计分析,80%的快递自提点分布在城镇用地,主要由于城镇用地的社区和人口密度大,商贸经济活动繁荣,区域经济发展水平高,居民可支配收入高,对网购的需求大,由此产生的快递量大,促进快递行业的发展,进而吸引快递自提点布局。
图12 2018年深圳市快递自提点与土地利用类型关系

Fig. 12 Relationship between the delivery sites and land use in Shenzhen in 2018

4.2.4 交通便捷程度
道路交通是联系自提点与顾客的通道,道路密度高、连通性良好等便捷的交通条件有助于扩大自提点的服务范围,缩短顾客取件的路程和减少取 件的时间成本,提高了顾客取件的积极性和满意 度[28]。将深圳市所有快递自提点与道路进行叠加分析（图13）,发现在快递自提点一公里缓冲区内,道路密度高,而且在道路网越密集的地方,快递自提点的布局越多。统计深圳市各区的路网密度,并将其与快递自提点数量进行相关性分析（表1）,发现快递自提点数量与路网密度呈现显著正相关。交通通达性和步行性成为快递自提点空间布局的最直接影响因素,快递自提点的分布数量的变化随着交通便捷程度而改变。
图13 2018年深圳市快递自提点与道路关系图

Fig. 13 Relationship between the delivery sites and roads in Shenzhen in 2018

表1 2018年深圳市快递自提点与路网密度的相关性

Tab. 1 Correlation between delivery sites and road density in Shenzhen in 2018

路网密度/（km/km2） 菜鸟驿站/个 邮政站点/个 所有站点/个
路网密度/（km/km2） 皮尔逊相关性 1 0.678* 0.613 0.659*
显著性（双尾） 0 0.031 0.060 0.038
菜鸟驿站/个 皮尔逊相关性 0.678* 1 0.953** 0.993**
显著性（双尾） 0.031 0 0 0
邮政站点/个 皮尔逊相关性 0.613 0.953** 1 0.983**
显著性（双尾） 0.060 0 0 0
所有站点/个 皮尔逊相关性 0.659* 0.993** 0.983** 1
显著性（双尾） 0.038 0 0 0

注：*表示相关性在0.05层上显著（双尾）;**表示相关性在0.01层上显著（双尾）。

4.3 快递自提点选址与分布的综合影响机制

综合考虑菜鸟驿站和邮政站点的异同,探索快递自提点选址与分布的综合影响机制（图14）。影响两类快递自提点布局的因素有相同但也有差异,菜鸟驿站为市场主导,受区域经济发展水平影响较大;而中国邮政是国有企业,是政府主导,受国家政策的影响较大。此外,影响快递自提点空间分布的因素大体一致,主要受交通便捷程度、土地利用类型、人口密度与规模共同影响。区域经济发展水平、交通条件、土地利用类型和人口分布能在一定程度上反映未来城市的发展方向,因此在未来的研究中将进一步利用快递自提点的布局来探测城市的增长与人口的分布。
图14 快递自提点选址与分布的综合影响机制

Fig. 14 Mechanisms of the location selection and distribution of delivery sites

5 结论与讨论

5.1 结论

电子商务和网络信息技术的飞速发展,对社会经济发展和人民生活产生巨大影响和改变,也产生了海量的物流数据,基于大数据的物流地理学研究方兴未艾。本文利用多种分析方法对深圳市快递自提点的POI数据进行研究,通过街道地址文本分析探讨了快递自提点的依托类型及服务对象特征,运用空间分析、空间统计等方法分析了深圳市快递自提点的空间分布、区位选择等特征并分析其主要影响因素,得到结论如下：
（1）快递自提点的依托类型和服务对象：① 菜鸟驿站依托类型多样,主要是独营和合营,独营依托专业的快递物流公司,合营主要依托便利店和超市,为其带来附加收入;中国邮政是国有企业,受行政分配影响,其站点依托类型较单一,一般设于中国邮政的分支服务网点,极少数依托便利店、超市等其他商业存在;② 深圳市快递自提点服务对象种类繁多,菜鸟驿站和邮政站点的服务对象类型虽然有一定差异,但均以服务社区为主,以公司、工业园、酒店、学校为等为辅。
（2）区位选址特征：快递自提点倾向靠近社区、公司、工业园、商场等设施的出入口,90%的菜鸟站点和邮政站点均分布在距设施点最近出入口150 m范围内,80%的菜鸟站点分布在距设施点最近出入口110 m范围内,80%的邮政站点分布在距设施点最近出入口100 m范围内,邮政站点更接近服务对象,快递自提点的区位距离选择整体呈现递减趋势。
（3）空间分布特征：快递自提点总体布局不均衡,呈现“中西部多,东部少”的特点,除大鹏新区外,各区菜鸟驿站占绝对优势;快递自提点分布存在正向的空间相关性,呈现显著集聚性,均为“多核集聚模式”,集聚中心在经济发展水平高、社区人口密度大的中西部地区;快递自提点的空间分布方向性特征明显,呈“东-西”走向;快递自提点的服务范围广,主要集中在中西部地区。
（4）影响因素：菜鸟驿站是市场主导的经济效益型自提点,邮政站点是政府主导的行政分配型自提点。快递自提点尤其是菜鸟驿站的数量和分布主要受区域经济水平、人口分布、交通便捷程度与土地利用类型等的影响。

5.2 讨论

本文从宏观和微观相结合的角度对深圳市快递自提点的空间分布与区位选址特征及影响因素进行分析,对城市快递自提点的布局选址有一定的理论指导与现实借鉴意义,也为今后将中国特色的自提点尤其是菜鸟驿站这一新生空间产物与国际作对比研究提供参考。
此外,由于快递自提点处在发展期,POI数据具有较强的实时性,本文只对深圳市快递自提点的时刻数据进行了研究,仅能反映时刻特征,需要在以后的研究中进一步探讨时空序列演变;今后的研究工作可解析夜间灯光数据与快递自提点的空间匹配与分异关系,探测快递自提点增长与城市人口演变的关系。快递自提点的空间格局是区域经济发展水平、人口分布、交通便捷程度、土地利用类型等多因素综合作用的结果,今后可进一步检验其城市人口分布与城市空间增长的探测器功能。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
姚宇, 杨晓芳 . 电子商务环境下自提网点布局的研究[J]. 物流技术与应用, 2015,20(9):145-148.

[ Yao Y, Yang X F . Research on pattern of pickup points in e-commerce environment[J]. Logistics and Material Handling, 2015,20(9):145-148. ]

[2]
Heitz A, Beziat A . The parcel industry in the spatial organization of logistics activities in the Paris Region: inherited spatial patterns and innovations in urban logistics systems[J]. Transportation Research Procedia, 2016,12:812-824.

[3]
Morganti E, Seidel S, Blanquart C , et al. The impact of e-commerce on final deliveries: alternative parcel delivery services in France and Germany[J]. Transportation Research Procedia, 2014,4(1):178-190.

[4]
Morganti E, Dablanc L, Fortin F . Final deliveries for online shopping: the deployment of pickup point networks in urban and suburban areas[J]. Research in Transportation Business and Management, 2014,11:23-31.

[5]
Giuliano G, Kang S . Spatial dynamics of the logistics industry: evidence from California[J]. Journal of Transport Geography, 2018,66:248-258.

[6]
Wu P J, Lin K C . Unstructured big data analytics for retrieving e-commerce logistics knowledge[J]. Telematics and Informatics, 2018,35(1):237-244.

[7]
Cárdenas I, Beckers J, Vanelslander T . E-commerce last-mile in Belgium: Developing an external cost delivery index[J]. Research in Transportation Business and Management, 2017,24:123-129.

[8]
谭如诗, 徐逸伦, 陈栋 , 等. 城市居民快递自提行为空间研究——以南京市城区菜鸟驿站为例[J]. 世界地理研究, 2016,25(5):111-120.

[ Tan R S, Xu Y L, Chen D , et al. Research on the spatial distribution of pickup points from the perspective of residents' behavior: A case study of Cainiao network pickup points in Nanjing[J]. World Geography Studies, 2016,25(5):111-120. ]

[9]
黄涛 . 基于GIS的快递末端自提网点布局研究[D]. 西安:长安大学, 2017.

[ Huang T . Study on the pattern of express self-pickup network based on GIS[D]. Xi'an: Chang'an University, 2017. ]

[10]
张智, 肖作鹏 . 基于大数据的电商物流末端配送网点空间分布分析——以深圳市为例[J]. 城市观察, 2017,( 1):73-81.

[ Zhang Z, Xiao Z P . Using big data to analyze the spatial distribution of e-tailing-related final delivery facilities: The case of Shenzhen, China[J]. Urban Insight, 2017,( 1):73-81. ]

[11]
黄茜, 刘哲 . 基于双边市场的城市物流共同配送案例研究——以菜鸟驿站为例[J]. 物流科技, 2016,39(6):43-45.

[ Huang Q, Liu Z . The case study on urban logistics joint distribution based on two-markets: A case of rookie station[J]. Logistics Sci-Tech, 2016,39(6):43-45. ]

[12]
刘珍 . 高校校园物流模式探讨——以菜鸟驿站为例[J].现代商贸工业, 2017(29):42-43.

[ Liu Z . Discussion on campus logistics mode in colleges and universities:A case of rookie station[J].Modern Business Trade Industry, 2017(29):42-43. ]

[13]
李钢, 杨兰, 贺建雄 , 等. 基于POI数据的西安市快递自提点空间格局及空间关系研究——以菜鸟驿站为例[J]. 地理科学, 2018,38(12):2024-2030.

[ Li G, Yang L, He J X , et al. The spatial pattern and organization relation of the pickup points based on POI data in Xi'an: Focus on Cainiao stations[J]. Scientia Geographica Sinica, 2018,38(12):2024-2030. ]

[14]
李钢, 陈未雨, 杨兰 , 等. 武汉市快递自提点的空间格局与集聚模式研究[J]. 地理科学进展, 2019,38(3):407-416.

[ Li G, Chen W Y, Yang L , et al. Spatial pattern and agglomeration mode of parcel collection and delivery points in Wuhan City[J]. Progress in Geography, 2019,38(3):407-416. ]

[15]
深圳市人民政府新闻办公室.现代物流[EB/OL]. 2017-08-25.

[ News office of Shenzhen Municipal People's Government. Modern logistics. [EB/OL]. 2017-08-25.]

[16]
许留记, 龙瀛 . 基于兴趣点位置和名称的中国城市网络分析[J].北京规划建设, 2016(6):49-56.

[ Xu L J, Long Y . Analysis of China's urban network based on the location and name of points of interest[J].Beijing Planning Review, 2016(6):49-56. ]

[17]
Xie Z, Yan J . Kernel density estimation of traffic accidents in a network space[J]. Computers, environment and urban systems, 2008,32(5):396-406.

[18]
Xie Z, Yan J . Detecting traffic accidents clusters with network kernel density estimation and local spatial statistics: An integrated approach[J]. Journal of Transport Geography, 2013,31(5):64-71.

[19]
邹玮, 杨羽頔, 孙才志 . 基于分布动态法和空间计量法的环渤海区域经济格局演变研究[J]. 辽宁师范大学学报:自然科学版, 2016,39(1):111-120.

[ Zou W, Yang Y D, Sun C Z . The research of regional economic pattern evolution in Bohai Sea Ring Area based on the methods of dynamic distribution and spatial econometrics[J]. Journal of Liaoning Normal University: Natural Science, 2016,39(1):111-120. ]

[20]
Getis A, Ord J K . The analysis of spatial association by use of distance statistics[J]. Geographical Analysis, 2010,24(3):189-206.

[21]
Goodchild M . Spatial autocorrelation concepts and techniques in modern geography[M]. London: Norwich UK Geo Books, 1986.

[22]
Cliff A, Ord J K . Spatial processes models and application[M]. London: Pion, 1981.

[23]
张松林, 张昆 . 全局空间自相关Moran指数和G系数对比研究[J]. 中山大学学报:自然科学版, 2007,46(4):93-97.

[ Zhang S L, Zhang K . Comparison between general Moran's index and Getis-Ord general G of spatial autocorrelation[J]. Journal of Sun Yat-sen University: Natural Science, 2007,46(4):93-97. ]

[24]
曾国军, 陆汝瑞 . 跨国饮食企业的空间分布及其影响因素——星巴克在广州[J]. 人文地理, 2017,32(6):47-55.

[ Zeng G J, Lu R R . The spatial pattern and influencing factors of multinational retail diet brands: A case study of Starbucks in Guangzhou[J]. Human Geography, 2017,32(6):47-55. ]

[25]
梁贺明, 李琦, 侯俊雄 , 等. 北京市人口密度空间分布及其尺度特性研究[J]. 地理信息世界, 2016,23(6):31-38.

[ Liang H M, Li Q, Hou J X , et al. Study on the spatial distribution of Beijing's population density and its scale characteristics[J]. Geomatics World, 2016,23(6):31-38. ]

[26]
Kedia A, Kusumastuti D, Nicholson A . Acceptability of collection and delivery points from consumers' perspective: A qualitative case study of Christchurch city[J]. Case Studies on Transport Policy, 2017,5(4):587-595.

[27]
深圳市统计局. 深圳统计年鉴(2018)[M]. 北京: 中国统计出版社, 2018.

[ Shenzhen Statistics Bureau. Shenzhen Statistical Yearbook ( 2018)[M]. Beijing: China Statistics Press, 2018. ]

[28]
陈义友, 张锦, 罗建强 . 顾客选择行为对自提点选址的影响研究[J]. 中国管理科学, 2017,25(5):135-144.

[ Chen Y Y, Zhang J, Luo J Q . The impact of customers' choice behavior on pickup point location[J]. Chinese Journal of Management Science, 2017,25(5):135-144. ]

Options
文章导航

/

〈 〉