随着个人电脑以及互联网的普及，产生了电子
商务这种全新的消费模式，并成为当今世界发展最快、市场潜力最大、前景最诱人的业务之一［1］。中国 互联网络信息中心第31次中国互联网络发展状况 统计报告显示，截至2012年12月底，我国网民规模 已达5.64亿，全年共计新增网民5 090万人，互联网 普及率达42.1%［2］，显示了我国电子商务的巨大发 展潜力。根据不同的交易对象，可以将电子商务分 成四种模式：企业之间的交易模式，简称B2B （Business to Business）；企业与个人之间的交易模 式，简称B2C（Business to Consumer）；个人与个人之 间的交易模式，简称C2C（Consumer to Consumer）； 政府与企业之间的交易模式，简称G2B（Govern⁃ ment to Business）。其中，C2C以其价格透明、方便快 捷等诸多方面的优势赢得了广大消费者的青睐，发 展十分迅速，甚至对传统的零售业造成了冲击［5］。与 C2C电子商务快速发展相对应的经营方式、盈利模 式、网购者的行为以及其对区域经济影响等方面的 中国C2C电子商务卖家空间分布模式 探究正在成为学术界研究热点。研究电子商务 的空间分布特征对区域经济发展的影响，对促进商 家提高经营效益、促进区域经济均衡发展、丰富商 业理论有着十分重要的意义。 从地理学角度出发探索电子商务空间发展规 律及其对区域经济影响的相关研究起步比较晚，研 究成果也相对较少。总体来看，关于电子商务的地 理空间分析的研究主要包括以下几个方面：① 信息技术对电子商务企业空间组织的影响；②电子 商务模式对企业空间组织的聚集与扩散；③电子商 务发展的区域差异及其影响因素。 当前，淘宝网占据了中国C2C电子商务市场总 交易额的95.5%［12］。中国互联网络信息中心报告显 示，2010年淘宝网注册用户达到3.7亿，在线商品数 达到8亿，最高日访问量达6 000万，淘宝网店铺分 布在全国各地，平均每分钟出售4.8万件商品［12-13］。 因此本文选择淘宝网C2C卖家所在位置信息为基 础，研究我国C2C电子商务发展的空间分布特征， 以期为网络店铺商家的经营提供借鉴，为政府的经 济决策提供指导意见，为电子商务发展的相关研究 提供有益参考。
1 数据与方法
1.1 数据来源
本文所涉及的五类数据及其来源如下：截至2012年3月全国各市淘宝网C2C用户数据及其用 户等级等信息，该数据通过淘宝网的高级搜索功能 搜索获得；全国基础地理数据（市级行政区划地图， 省级行政区划地图，市级行政区划地图），来源于国 家基础数据公开和数据共享网站；全国各省（市、区） GDP 数据（人均GDP、GDP 总量），来源于2012 年 《中国经济统计年鉴》；全国各省（市、区）常住人口、 流动人口及人口教育文化程度数据，来源于《2010 年第六次人口普查数据公报》；各省大型物流企业 数据，来源于“中国物流与采购联合会”官方主页。
1.2 研究方法
当前，从地理学的观点出发来研究电子商务空间分布特征的研究较少，尚未形成完善的研究模 式。因此本文借鉴GIS中的相关理论和方法，利用 数据挖掘、基于ArcGIS的空间分析和地理统计分析 等方法，从三个空间层次（区域尺度、省域尺度、城 市尺度）来研究区域C2C电子商务发展水平及其空 间分布特征。具体研究方法包括：空间自相关，聚集 分析，地理加权回归分析和空间发展趋势分析。
1.2.1 空间自相关和聚集分析
Moran’s I方法是进行空间自相关统计的常用方法，用于度量某位置上 的数据与其他位置上的数据间的相互依赖程度。该 方法在ArcGIS 10.0 中得到了实现，通过使用该工 具，可以得到Moran’s I Index值以及Z score值。如 果Z score值小于-1.96或大于1.96，那么返回的统 计结果基本上就是可信值（在0.05置信水平下）。如 果Z score为正且大于1.96，则分布为聚集的。如果z score为负且小于-1.96，则分布为离散的，其他情况 可以看作随机分布。Moran’s I的计算方法如下： I = n S0 Σi =1 n Σj =1 n wi,j zi zj Σi=1 n z2 i
（1）
式中：zi是位置（区域）i 处的观测值（xi）和期望值直
接的离差（xi -X̑ ）；wi,j 是i 和j 的邻近关系；n 是所
有观察位置的总和；S0 是所有邻近关系值的总和，
即S0 =Σi =1
n Σj =1
n
wi,j ；zi 可以通过下列公式计算得到：
zi = I -E[I]
V[I] （2）
式中：E[I]=- 1 n -1 ，V[I]=E[I2]-E[I]2 。
由于Moran指数不能判断空间数据是高值聚集
还是低值聚集，因此引入GetisArthur等人所提出的
全局G系数来判别。G系数的计算公式如下［15-16］：
G =Σi =1
n Σj =1
n
wi,j xi xj
Σi =1
n Σj =1
n
xi xj
，∀j ≠i （3）
式中：xi 和xj 分别表示区域i 和j 处的测量值；wi,j
表示i 和j 之间的邻近权值。与全局Moran指数类
似地，也可以对G 进行标准化，计算方法如下：
zG = G -E[G]
V[G] （4）
式中：E[G]= G -E[G]
V[G] ；V[G]=E[G2]-E[G]2 。
该功能也在ArcGIS 10.0中得到了实现，根据计
算得到的返回值可以判断某个属性在空间上是高
值聚类还是低值聚类的可能性。
1.2.2 地理加权回归分析。根据地理学家Tobler所
提出的地理学第一定律，地球上的任何事物之间都
存在相互关联，而距离相近的事物之间的关联比距
离远的更大［17］。为了解决平稳性假设嵌入到传统回
归模型进行地理推理所存在的问题，英国学者Foth⁃
92 经济地理第34 卷
eringham提出了容许一些不平稳的数据直接被模
拟、容许局部参数估计而不是全局参数估计的地理
加权回归（Geographical Weighted Regression，GWR）
模型，该模型是用于研究空间关系的一种新方法［18］。
在GWR中，特定区位的回归参数不再是从信息上
获得的全部任意参数，而是使用邻近数据的观测值
来估计局部回归，这个变量随着空间位置的变化而
变化，可以用GWR模型表示为［14］：
yi =β0(ui,vi)+Σi =1
k
βi(ui,vi)xik +εi
式中：ui 和vi 是i 处的地理坐标；βi 用来估计它相
邻的空间观测值，随着区位的变化而变化。
1.2.3 空间发展趋势分析。趋势分析图中的每一根
竖棒代表了一个数据点的值（高度）和位置。这些点
被投影到一个东西向的和一个南北向的正交平面
上。通过投影点可以做出一条最佳拟合线，并用它
来模拟特定方向上存在的趋势。如果该线是平直
的，则表明没有趋势存在。趋势分析工具对观察一
个物体的空间分布具有简单、直观的优势，还可以
找出拟合最好的多项式对区域中的散点进行内插，
得到趋势面。
2 研究结果讨论
2.1 大区域层次C2C电子商务卖家空间分布
本研究根据《中国区域协调发展战略》将我国
分为八大经济区域［19-20］：东北经济区、北部沿海经
济区、东部沿海经济区、南部沿海经济区、黄河中游
经济区、长江中游经济区、西南经济区、大西北经济
区。
图1 中国C2C卖家在八大经济区的分布
Fig.1 Spatial distribution of C2C online shops in eight
economy regions
将全国C2C卖家数据按照上述经济区汇总，导
入到ArcGIS10.0进行空间分析，结果如图1所示。图
中南部沿海经济区，东北沿海经济区和北部经济区
C2C 卖家数目分别占总数的33.95%、28.99%和
17.66%，C2C 卖家在这些区域的集聚现象十分明
显。而大西北经济区、黄河中游经济区和东北经济
区C2C卖家数量则相对少了很多（三个经济区卖家
数量之和只占总数的13.3%）。
2.2 省域层次C2C电子商务卖家空间分布
C2C卖家在全国31个省（自治区、直辖市，不含
港澳台）的空间分布如图2，C2C电子商铺排名前10
的依次是广东省、浙江省、江苏省、上海市、北京市、
山东省、福建省、河南省和河北省，其数量之和占到
了全国比重的70.5%。
图2 中国C2C卖家在省域的分布
Fig.2 C2C online shops’distribution in provincial scale
从图2可以看出，C2C卖家在沿海省份聚集的
特征较为明显。为了定量研究分析C2C卖家在省域
范围内的聚集情况及其空间分布特征，我们将C2C
卖家数据导入到ArcGIS 10.0，在省域尺度进行了
Anselin Local Morans I（简称ALMI）聚集分析，结果
如图3。
从图3可以看出，C2C卖家在江苏省和浙江省
成“高—高”聚集的特征。C2C卖家空间的Moran’s I
指数为0.132，Z-Score为2.24，空间上聚集的可能性
大于95%，这些均说明我国C2C电子商务发展过程
中存在明显的空间自相关性，江苏省、浙江省等沿
海地区是C2C卖家聚集地，也是C2C电子商务较为
发达的地区。
从图2可以看出，C2C卖家在省域范围有从东
部沿海到内陆递减的趋势。为了定量研究这种空间
分布模式，我们利用GIS的空间统计工具对各省域
范围的C2C 商户的空间分布趋势进行了分析（图
第4 期钟海东，张少中，华灵玲，等：中国C2C电子商务卖家空间分布模式93
4）。从图中可以看出在省域尺度，我国C2C商户由
西向东有明显的递增趋势，从南到北有明显的递增
趋势。
图3 省域范围内C2C卖家聚集关分析
Fig.3 Clustering analysis of C2C online shops in
provincial scale
图4 C2C卖家在空间上的分布趋势
Fig.4 Trend analysis of C2C online shops
2.3 城市层次C2C卖家空间分布
我国C2C卖家在城市层次的空间分布特征如
图5。从图中可以直观地看出，沿海省会城市、直辖
市C2C卖家数量相对较多，且在省域范围内，向省
会城市聚集的空间特征比较明显。在统计的365个
城市（包含自治州、县级市，但不包括香港特别行政
区、澳门特别行政区和台湾省及其二级城市）中，
C2C卖家排名前十的城市依次是上海、北京、广州、
深圳、杭州、苏州、南京、成都、武汉、金华，这些城市
C2C卖家总数占到了全国的34.75%。其中，上海、北
京、广州和深圳这4个特大城市C2C卖家数量与其
他城市相比，有绝对优势，分别占全国的6.703%、
6.141%、4.957%和4.434%。
城市层次C2C卖家ALMI聚类分析显示（图6），
卖家向北京、天津、苏州、上海、杭州、湖州、福州、泉
州、广州、深圳、东莞等沿海城市成高聚集特征。
图5 中国C2C卖家在城市层次的空间分布
Fig.5 Spatial distribution of C2C online shops in city scale
图6 城市层次C2C卖家聚类分析
Fig.6 Clustering analysis of C2C online shops in city scale
由于这些城市面积和人口数量相差较大，仅
C2C卖家的数量还不足以表明其发达程度。为此，
我们计算了全国365个城市每万人（包括常住人口
和流动人口）拥有C2C商铺的数量，并以此来衡量
一个城市C2C电子商务的发达程度。结果显示，深
圳、杭州、广州这3个城市C2C发达程度是最高的。
其中，深圳每万人拥有C2C店铺高达710个。
3 我国C2C 电子商务的影响因素
C2C电子商务的发展受人口文化教育水平、经济
水平、地区环境、交通物流等多种因素的影响［21-23］，
这些因素都有着显著的区域特征。
为了探索我国C2C电子商务发展的影响因素
及其空间差异性，我们从省域层次出发，选取各省
94 经济地理第34 卷
人口数量、受高等教育人数、物流企业个数、每万人
中开C2C商铺的人数、人均GDP、GDP作为影响因
子，构建如下地理加权回归分析（GWR）模型：
yi =β0(ui,vi)+Σj =1,k
β1(ui,vi)xij (Population)+
Σj =1,k
β2(ui,vi)xij (HighEduPerson)+
Σj =1,k
β3(ui,vi)xij (Logistics)+
Σj =1,k
β4(ui,vi)xij (C2C_avg)+
Σj =1,k
β5(ui,vi)xij (AvgGDP)+Σj =1,k
β6(ui,vi)xij (GDP)
利用ArcGIS 10.0软件的GWR分析模块进行计
算，可以得到GWR和OLS（最小二乘法）对比结果，
见表1。
表1 GWR和OLS分析结果比较
Tab.1 Comparison between GWR and OLS
GWR
OLS
Sigma
0.896378
0.868110
AICc
47.210197
98.558000
R2Adjusted
0.999771
0.677520
P-value
0.00
0.00
Residual Squares
19.287398
57.442712
根据表1中OLS分析结果可以看出，校正的R
平方值（R2 Adjusted）为0.67752，模型能够解释C2C
卖家聚集的67.752%，总体是比较显著的。由OLS残
差图（图7）可以看出，模型空间自相关性较强。
图7 OLS残存图
Fig.7 Residual plot of OLS
从OLS模型各变量系数估计（表2）可以明显看
出，GWR模型在统计上也是非常显著的，它可以解
释C2C卖家空间分布特征的99.9771%。从GWR与
OLS对比结果来看，两者残差均较小，GWR的残差
比OLS更小，前者的Sigma值也比后者有所下降。与
此同时，GWR 和OLS 的赤池信息（AICc）差值为
51.3478。根据Fotheringham 所提出的标准来判断，
只要GWR和OLS的赤池信息值之差大于3，即为最
佳带宽［24］。由此可以判定，GWR模型比OLS模型更
好。图8是GWR的残差空间分布，空间自相关虽然
存在残差，但要比OLS对应的残差小。
图8 GWR残差图
Fig.8 Residual plot of GWR
表2列出了OLS 模型中各变量的估计回归系
数，从所选择的6个影响因子OLS估计来看，每万人
中开C2C店铺的人数、受高等教育人数、物流企业
个数、人均GDP都是显著的，其它两个影响因子，人
口、GDP是不显著的。GWR各变量系数（表略）估计
很好地揭示了，C2C卖家空间分布与各变量之间的
复杂关系。每个变量对C2C卖家在空间上分布数量
的影响是随区位的变化而变化。
表2 OLS模型各变量系数估计
Tab.2 Coefficient estimation for each variable in OLS
model
Variable
常量
Population
High Edu Person
Logistics
C2C_avg
AvgGDP
GDP
B-Coef
-0.690970
0.000272
-0.008600
-0.026637
0.000105
-0.000047
0.000120
t_stat
-1.805317
1.510413
-3.411011
-0.921767
176.847519
-1.546895
3.512686
4 结论
本文运用ArcGIS 10.0，以淘宝网C2C 卖家数
据、第六次人口普查数据、中国各省注册物流企业
数据以及经济统计年鉴数据为基础，定量研究了中
国C2C卖家的空间特征，空间发展趋势及其影响因
第4 期钟海东，张少中，华灵玲，等：中国C2C电子商务卖家空间分布模式95
素，并得出如下结论：
第一，南部沿海经济区、东北沿海经济区和北
部经济区C2C卖家占全国总数的80%以上，在这些
区域聚集特征非常明显。
第二，从省域尺度来看，我国C2C卖家分布由
西向东、从南到北有明显的递增趋势，从沿海向内
陆递减，沿海10个省（直辖市）C2C卖家的数量占到
了全国比重的70%以上。
第三，从城市层次来看，C2C卖家分布最多的3
个城市依次是上海、北京和广州。但是，如果以每万
人拥有C2C商铺的数量来衡量一个城市C2C电子
商务的发达程度，我国C2C电子商务最发达的城市
依次是深圳、杭州和广州。
第四，地理加权回归分析显示，C2C卖家的空
间分布受区域经济水平、人口文化、教育程度、物流
因素的影响比较明显。东部沿海地区交通便利，物
流行业发达，经济基础雄厚，受教育水平普遍高于
中西部地区，优越的区域经济优势不断吸引着大批
技术人才涌入。这些因素从某种程度造成了C2C电
子商务发展“东强西弱”的局面。
参考文献：
［1］ Tianhui Y，Lu L，Bingbing C. Study on Recommended Trust
Evaluation Model in C2C E-commerce Considering Consumer
Purchasing Preference ［C］//Proceedings of the 2010 International
Conference of Information Science and Management Engineering，
Xi’an，China：IEEE，2010：39 - 42.
［2］ 中国互联网络信息中心（CNNIC）. 第31 次中国互联网络发展
状况统计报告［R］. http://www.cnnic.net.cn/hlwfzyj/hlwxzbg/hl
wtjbg/201301/t20130115_38508.htm，2013 - 04 - 15.
［3］ Rayport J F，Jaworski B J. Introduction to E- Commerce［M］.
McGraw-Hill/Irwin marketspaceU，2002.
［4］ Geng T，Hui P，Chao S，et al.Analysis of Reputation Speculation
Behavior in China’s C2C E- commerce Market［J］. Journal of
Computers，2012，7(12)：2 971 - 2 978.
［5］ *德吴**胜，李维安. 集体声誉、可置信承诺与契约执行——以网
上拍卖中的卖家商盟为例［J］. 经济研究，2009(6)：142 - 154.
［6］ Rotem- Mindali O，Salomon I. The impacts of E- retail on the
choice of shopping trips and delivery:Some preliminary findings
［J］. Transportation Research Part A：Policy and Practice，2007，
41(2)：176 - 189.
［7］ 周章伟，张虹鸥，陈伟莲. C2C电子商务模式下的网络店铺区
域分布特征［J］. 热带地理，2011，31(1)：65 - 71.
［8］ 王贤文，徐申萌. 我国C2C 电子商务的地理格局及其演化机
制［J］. 经济地理，2011，31(7)：1 064 - 1 070.
［9］ 刘卫东. 论我国互联网的发展及其潜在空间影响［J］. 地理研
究，2002，21(3)：347 - 356.
［10］ 武前波，宁越敏. 中国制造业企业500 强总部区位特征分析
［J］. 地理学报，2010，65(2)：139 - 152.
［11］ 黄莹，甄峰，汪侠，等. 电子商务影响下的以南京主城区经济
型连锁酒店空间组织与扩张研究［J］. 经济地理，2012，32
(10)：56 - 62.
［12］ 中国互联网络信息中心. 2011 年中国网络购物市场研究报
告［R］. http://www.cnnic.net.cn/hlwfzyj/hlwxzbg/dzswbg/2012
08/t20120827_35323.htm，2012 - 09 - 28.
［13］ 艾瑞咨询集团. 淘宝发布年度数据揭示国内消费趋势［EB/
OL］. http://a.iresearch.cn/29/20110107/131204.shtml，2011 -
01 - 07.
［14］ Mitchell Andy. The ESRI Guide to GIS Analysis［M］. Redlands，
California：ESRI Press，2005.
［15］ GetisArthur，J.K. Ord. The Analysis of Spatial Association by
Use of Distance Statistics［J］. Geographical analysis，1992，24
(3)：189 - 206.
［16］ 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.
［17］ Tobler W. R. A computer movie simulating urban growth in the
Detroit region［J］. Economic geography，1970，46(2)：234 -
240.
［18］ Fotheringham，Stewart A，Chris Brunsdon，et al. Geographically
Weighted Regression：the analysis of spatially varying relationships
［M］. New York，USA：JohnWiley & Sons，2002.
［19］ 曾春水，蔺雪芹，王开泳，等. 中国八大经济区工业竞争力空
间格局及投入产出分析［J］.地理科学进展，2012，31(8)：1 005
- 1 012.
［20］ 李清泉. 中国区域协调发展战略［M］. 福州：福建人民出版
社，2011：10 - 15.
［21］ 王桂森，李向阳，杨立东. 我国电子商务发展的制约因素分
析［J］. 商业研究，2007(4)：200 - 202.
［22］ 中国电子商务研究中心. 影响电子商务发展的三大因素：制
度、物流、数据［EB/OL］. http://b2b.toocle.com/detail--5768807
.html，2013 - 05 - 10.
［23］ 刘兵，李嫄，许刚. 开发区人才聚集与区域经济发展协同机制
研究［J］. 中国软科学，2010(10)：89 - 96.
［24］ 汤庆园，徐伟，艾福利. 基于地理加权回归的上海市房价空间
分异及其影响因子研究［J］. 经济地理，2012，32(2)：52 - 58.
文：钟海东