EN中文

地理科学 >

2022 , Vol. 42 >Issue 9: 1555 - 1565

DOI: https://doi.org/10.13249/j.cnki.sgs.2022.09.005

中国直播电商发展的空间差异与影响机理研究

  • 张英浩 , 1, 2, 3 ,
  • 汪明峰 , 1, 2, 3 ,
  • 汪凡 1, 2, 3 ,
  • 刘婷婷 1, 2, 3, 4
展开
  • 1.华东师范大学中国现代城市研究中心，上海 200062
  • 2.华东师范大学城市与区域科学学院，上海 200241
  • 3.崇明生态研究院，上海 202162
  • 4.乌特勒支大学人文地理与空间规划系，荷兰 乌特勒支 3584CB
汪明峰。E-mail:

张英浩（1993–），男，山东淄博人，博士研究生，研究方向为城市地理与城市经济。E-mail:

收稿日期: 2021-03-12

  修回日期: 2021-07-21

  网络出版日期: 2022-09-20

基金资助

国家社会科学基金项目(19AZD007)

国家自然科学基金项目(42171207)

上海市教育委员会科研创新计划重大项目(2021-01-07-00-08-E00130)

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 Differences in the Development of Livestreaming E-commerce and Influence in China

  • Zhang Yinghao , 1, 2, 3 ,
  • Wang Mingfeng , 1, 2, 3 ,
  • Wang Fan 1, 2, 3 ,
  • Liu Tingting 1, 2, 3, 4
Expand
  • 1. Center for Modern Chinese City Studies, East China Normal University, Shanghai 200062, China
  • 2. School of Urban and Regional Science, East China Normal University, Shanghai 200241, China
  • 3. Institute of Eco-Chongming, Shanghai 202162, China
  • 4. Department of Human Geography and Spatial Planning, Utrecht University, 3584CB, Utrecht, the Netherlands

Received date: 2021-03-12

  Revised date: 2021-07-21

  Online published: 2022-09-20

Supported by

National Social Science Foundation of China(19AZD007)

National Natural Science Foundation of China(42171207)

Innovation Program of Shanghai Municipal Education Commission(2021-01-07-00-08-E00130)

Copyright

Copyright reserved © 2022.
Fold

摘要

直播电商作为一种赋能地区发展的新型技术形式与商业模式，改变着传统购物模式、产业链与供应链结构，逐渐成为经济发展的新引擎。基于抖音平台直播带货等多元开源数据，运用演化经济地理学中相关概念，实证分析了中国292个地级及以上城市的直播电商空间分布格局与影响因素。结果表明：直播带货主播数量与粉丝数量的空间格局表现出一定的相似性，但后者空间分布更加分散；直播带货销售额的地区差异性最大，并且在长三角和珠三角核心地区出现显著高高集聚区。地区产业与供应链基础是发展直播电商的重要保障，Multi-Channel Network（MCN）和直播带货主播发挥着整合、链接区域内外相关资源的重要角色。此外，政府行为和空间邻近效应对直播电商发展也有积极的影响。

关键词： 直播电商; 演化经济地理学; 能动性; 空间计量模型

本文引用格式

张英浩 , 汪明峰 , 汪凡 , 刘婷婷 . 中国直播电商发展的空间差异与影响机理研究[J]. 地理科学, 2022 , 42(9) : 1555 -1565 . DOI: 10.13249/j.cnki.sgs.2022.09.005

Abstract

In this paper, the theories and concepts of path dependence, path creation and agency in evolutionary economic geography are used to analyze the development mechanism of livestreaming e-commerce. Then, based on multiple open-source data such as DouYin platform, the regional differences, spatial distribution patterns and influencing factors of livestreaming e-commerce in 292 cities above prefecture level in China are empirically analyzed by Cartogram method, exploratory spatial data analysis tools, coefficient of variation, theil index and spatial econometric model. The results show that the spatial pattern of the number of streamers and the number of followers shows some similarity but with some spatially divergent characteristics. The most significant regional variability and spatial unevenness in the sales of livestreaming e-commerce are found in the core regions of the Yangtze River Delta and the Pearl River Delta, with significantly high and high clustering areas. In addition, the empirical measurement results show that the number of Taobao villages, the index of online e-commerce, the number of head streamers with goods, the number of other streamers with goods, the number of MCN and the level of express logistics services are the significant factors affecting the regional differences in the development level of livestreaming e-commerce. We found that the development of livestreaming e-commerce results from a combination of mechanisms and factors. Specifically, at first, the regional industry and the supply chain base are necessary guarantees for the development of livestreaming e-commerce. Secondly, MCN and streamers with goods play an essential role in integrating and linking relevant resources within and outside the region. In addition, government encouragement and support actions and the spatial effect of neighbouring regions positively impact the development of livestreaming e-commerce. In the future, the exploration of the interactions and relationships between supply and industry chains, actors, institutions and government actions in typical cities where livestreaming e-commerce is well developed will also be a key focus of EEG and Internet geography.

Key words： livestreaming e-commerce; Evolutionary Economic Geography; agency; Spatial Econometric models

近几年，“电商+直播”逐渐成为一种新型的网络经济发展模式。直播电商具体是指主播（明星、网红、创作者等）借助短视频直播形式推荐卖货并实现“品效合一”的新兴电商形式[1]。其中，直播带货就是直播电商的主要表现形式。2016年以来，直播平台、MCN（Multi-Channel Network，通常指通过平台实现商业的稳定变现的组织或机构）和主播等产业链各环节快速成长，至2019年，直播带货进入全面爆发期。2020年，受新冠疫情影响，实体经济发展受到严重冲击，但直播电商发展势头迅猛。为鼓励有条件地区发展直播电商这一新业态，国家发改委等部门发布了《关于支持新业态新模式健康发展激活消费市场带动扩大就业的意见》（ http://www.gov.cn/zhengce/zhengceku/2020-07/16/content_5527449.htm），支持微商电商、网络直播等多样化的自主就业、分时就业。北京、上海、杭州、广州、重庆等许多地方政府为抓住直播电商红利，也出台了相应政策支持直播电商的发展。
现阶段对于直播电商的研究多集中在以下几个方面：消费者行为与购买意愿[2]；互联网名人直播的营销策略[3]与移动实时媒体下企业品牌营销策略[4]；产业链的组成和不同平台的利益分配机制。但是，从地理学视角对于这一影响地方经济的新兴商业模式的研究还很少见。直播电商是互联网发展的新产物，互联网对经济空间与地方经济发展的影响是人文与经济地理学关注的重点议题[5~7]。已有研究发现互联网可以通过影响知识传播与溢出、数字企业家的行为以及企业空间组织对地理空间与地方发展产生影响[8]。在中国语境下，互联网可以通过技术扩散赋能传统零售，影响创新要素、结构与组织模式以及线上与线下空间组织方式等途径，进而对数字创新与创业、电商发展产生积极影响[6, 9~11]。直播电商作为电商发展的一种新的产物，是互联网影响地方发展的新形式与新模式。直播电商的发展不仅受到物流、信息与通信基础设施等硬件条件的影响，还会受到第三方平台、地方产业基础等因素的影响。事实上，直播电商这一新的商业模式具有很强的社会经济带动作用，不仅可以赋能传统产业、带动地区产业升级、助力具有农业产品优势的乡村地区发展，还可以催生新的就业形态，创造更多的就业岗位。因此，哪些地区可以发展这一新模式不仅是地理学者所关注的问题，也受到相关政策制定者的关注。基于此，本文从地理学视角对中国直播电商的空间格局、影响机制与因素进行探究，以期为地方经济创新转型发展提供参考依据。

1 理论基础与机理分析

直播电商作为互联网与数字经济的新产物，是经济发展中一种新的发展模式与赋能方式。演化经济地理学（Evolutionary Economic Geography, EEG）中的路径依赖、路径创造与能动性（Agency）等概念常常被用来解释空间中新的经济活动与新路径兴起的缘由与动态过程[12~14]。EEG关注经济活动在空间上的出现、趋同、分异的动态演化过程，能够将时间与空间要素联系起来，从历史视角探究经济活动的空间分布与演化机制[15,16]。直播电商的发展不仅有产业功能联系上的地方依赖性特征，也具有因自身发展特性和物流系统发达而呈现的空间上的多元扩散等外部性与开放性特征。因此，本文在路径依赖与路径创造理论基础上，借鉴能动性概念分析直播电商这一新经济活动出现与发展的影响机制。
路径依赖与路径创造理论强调新的经济活动的兴起与发展依托地区已有的经济基础结构与资源条件等因素[17]。直播电商能够发展起来与地区已有的经济与产业结构相关，因为新经济活动的产生和发展依赖于地区已有的人力资本、技术能力等有形与无形的资本[18]；一个区域很难跨越式发展到与其知识技术储备不相关的产业与经济领域，而大多是依托现有区域内资产基础积累循环发展[17,18]。如果新的经济活动在某种程度上与本地区现有活动有关，则可能会激发知识转移机制，并且更有可能有效地将新产业嵌入到区域生产结构中[19]。直播电商发展的重要基础就是“货”，尽管互联网技术在一定程度上使许多经济活动摆脱空间距离的束缚，但是许多研究已表明现实中的电子商务的发展仍然建立在地域根植性上[20]，因此地区传统零售业、网商等相关产业基础是直播电商发展的重要基底。与此同时，根植于地区内部的通信基础设施与物流快递服务也是地区发展直播电商的重要保障，其可以放大地方产业基础的优势，有利于地区产业的数字化升级与产品的向外扩散。此外，从需求角度来看，消费需求与地区经济发展水平也是影响直播电商发展的重要因素。
路径依赖与路径创造概念倾向于将区域分叉与地区新产业的发展视为企业在本地区进入相关行业的一个内生过程，这忽视了一些中介机构和关键行动者的能动性在地区新产业、新发展路径创造中的作用。一些区域的能动性可以将战略耦合的概念与演化经济地理学中路径创造的关键机制相联系，并且区域的能动性可以通过一类知识渊博的行动者或中介机构，在多标量制度环境中运作，通过整合地区内和地区外资源到路径创建机制和相关市场的战略耦合来创建地区发展路径[14,21]。特别是在新路径形成的早期阶段，这类能动性可以整合与链接本地资源与外源性因素，激发地区创造活力，推动地区新经济活动的兴起与发展[14]。直播电商的发展需要通过中介机构和关键行动者的能动性将新知识与新组织模式引入到地区发展模式中。其中，MCN机构作为链接直播平台、品牌商、直播带货主播等多边关系的枢纽，不仅会为直播电商的发展提供相应的“人”与“场”，还为地区植入新的商业模式、知识网络与组织结构，在一定程度上影响并改变本地区原有的商业组织模式，打通新的供应链，整合区域内外资源，带动地区直播电商发展。另一方面，企业家作为关键行动者在拓展地区经济发展模式、创造新发展路径中扮演重要角色[22]。并且，企业家的创业和创新精神对地区经济具有显著的正效应[23]。对直播电商来说，优质的直播带货主播，特别是部分优质头部主播可以起到类似企业家的组织与带动作用，在进行创业的同时，发挥粉丝经济效应和规模经济效应。此外，此类主播可以从专业的视角为消费者推荐价廉、可信赖的商品，带来巨大的流量资源以及带货变现的机会，还可以通过直接培养潜在直播带货主播，带来一定的范围经济。
此外，对目标产业的风险投资也会在一定程度上促进关联和目标产业发展，会对新经济活动的融资约束机制、技术创新机制和资源整合机制产生积极影响[24]。对于直播电商方面的投资有利于为不同企业搭建交流渠道，促进产业链的联动以及带动对主播的培养，进而共同作用于直播电商的发展。政府相关鼓励性政策可能会对直播电商的发展起到关键作用。已有研究表明，政府引导和支持对产业的兴起与发展起到巨大的作用，政府主导的电子商务产业园建设和相关扶持政策的出台都有效推动了电商发展[9]。直播电商作为一种新兴事物，相关扶持性补贴政策与措施为其兴起与初期发展创造了优良营商环境与必要保障。

2 研究方法、指标选择与数据来源

2.1 研究方法

2.1.1 Cartogram方法

Cartogram方法是一种在不改变原图拓扑关系的基础上用某种值对对象形状进行的放大或缩小，以达到强化、直观表达地图中某种属性信息的比较统计地图[25]，因此可以用来展现直播电商的相关指标的空间格局。

2.1.2 探索性空间数据分析

探索性空间数据分析（Exploratory Spatial Data Analysis，ESDA）是一套用于描述和可视化空间分布，识别非典型位置或空间异常值的技术[26]。全局空间自相关和局部空间自相关是两种常用的工具[27]，使用这两种工具来分析中国直播电商发展水平的空间集聚特征与异质性。全局空间和局部空间自相关的指标计算和含义可参见文献[28]。

2.1.3 变异系数与泰尔指数

变异系数和泰尔指数可用于衡量地区之间的相对差异程度，它们的值越大，则说明地区之间相对差距越大。具体公式详见参考文献[29]。

2.1.4 空间计量模型

常用的空间计量模型有两种，包括空间滞后模型（SLM）和空间误差模型（SEM），前者反映空间相邻的因变量之间存在空间扩散或溢出效应，后者反映的是由于忽略某些变量而导致的空间误差之间存在空间自相关，具体公式详见参考文献[28]。为了得到更为稳健的结果，需要对SLM与SEM进行拉格朗日乘数检验以确定最终模型[30]。

2.2 指标选择与数据来源

由于在目前的行业分类和数据统计体系下很难获取到来自官方的直播电商的相关数据，因此本文尝试使用来自第三方权威平台的直播带货数据作为衡量地区直播电商发展水平。蝉妈妈（ http://www.chanmama.com）是一款垂直于全网短视频电商的数据服务平台，该平台涵盖了抖音、快手等平台上达人的直播带货信息以及账号的相关数据。本次研究使用的是来自抖音平台的2020年9月份超过49万场的直播带货数据（筛选条件为直播带货主播粉丝数大于1万），其中每条信息包括帐号名称、粉丝数量、开播时间、商品数、销量和销售额等属性。本文使用销售额衡量地区直播电商发展水平，对中国292个地级以上城市，其中个别没有相关直播电商数据的城市以及港澳台不在本次研究范围内。
解释变量方面，根据指标的可获得性和科学性，从相关产业基础、基础设施、经济发展水平与需求、关键行动者能动性、中介机构能动性、相关投资行为和政府行为等6个视角出发选择13个因素进行实证分析。由于直播电商自2016年才不断兴起与发展，官方统计源并没有此方面的统计数据，因此在进行计量分析时，采用了许多较为权威的第三方统计数据（表1）。其中，使用粉丝数量超过1000万的直播带货主播数量作为衡量头部主播数量的指标，非头部主播用去除头部直播带货主播后的主播数量；中介机构能动性方面，使用所在地区拥有的MCN机构数量和第三产业中经营范围中包含“直播电商”的企业数量作为代理指标；相关投资行为使用近5年对电子商务行业的投资事件数量作为代理指标；使用商务部公示的国家电子商务示范基地数量来表示政府对直播电商的政策支持与扶持行为；粉丝数量是依附于直播带货主播的帐号进行汇总。最后，将直播电商发展水平和13个自变量分别采用取对数方式进行数据标准化处理，避免由于量纲不同对结果带来的影响。
表1 直播电商发展的影响因素指标与描述统计

Table 1 Impact factors and descriptive statistics of livestreaming e-ecommerce development

视角 指标 数据来源 英文 VIF
　　注：粉丝数量没有通过多重共线性检验，因此VIF一栏显示“−”；未含港澳台数据。
经济发展水平与需求 人均GDP 《2019年中国城市统计年鉴》[31] RGDP 1.33
粉丝数量 蝉妈妈 NF −
相关产业基础 淘宝村数量 2019年淘宝村名单（ http://i.aliresearch.com） TBV 1.36
网商指数 阿里巴巴网商指数[32] OSI 1.41
规模以上批发零售贸易企业数 《2019年中国城市统计年鉴》[31] WRE 2.25
相关基础设施 互联网宽带接入用户数 《2019年中国城市统计年鉴》[31] IBS 2.39
提供快递服务的企业数量 天眼查（ https://www.tianyancha.com）、
高德地图（ https://lbs.amap.com） 		CS 1.08
关键行动者能动性 头部直播带货主播数量 蝉妈妈 HA 1.41
非头部直播带货主播数量 蝉妈妈 PA 3.10
中介机构能动性 从事直播电商的企业数量 天眼查 CLE 1.28
MCN机构数量 《2020年中国MCN行业发展研究白皮书》
（ https://www.cbndata.com）、
《2019年MCN机构价值白皮书》（ http://www.199it.com） 		MCN 1.69
相关投资行为 投资事件数量 清科创业中心（ https://space.pedaily.cn）、
锐思数据（ http://www.resset.com） 		IE 1.67
政府行为 国家电子商务示范基地数量 商务部网站（ http://www.mofcom.gov.cn） NEDB 1.94

3 直播电商发展的地区差异与空间格局

为刻画中国292个地级及以上城市直播电商发展地区差异与空间分布情况，本文选择了直播带货主播数量、粉丝数量和直播带货销售额等3个指标进行分析。
图1a反映了中国直播电商中带货主播数量的空间分布，其中，直播带货主播主要集中在东中部地区，西部地区相对匮乏（东西中部和东北地区划分方法 http://www.stats.gov.cn/ztjc/zthd/sjtjr/dejtjkfr/tjkp/201106/t20110613_71947.htm）。此外，环渤海、长三角、珠三角、成渝和哈长城市群等区域的直播带货主播数量明显多于其他地区，体现出核心城市在吸引主播方面的优势。此外，除了省会城市存在吸引主播的优势以外，许多非省会地区，如苏州、金华、深圳、青岛等对直播带货主播也具有较强的吸引力。与图1a反映的绝对规模格局不同，图1b中可以按照各区域单元内直播带货主播数量的区际比例，调整每个区域单元的几何面积，同时保持各个区域单元的空间连接关系，得出反映不同地区直播带货主播的数量差异。图1b中反映最显著的地理特征之一就是直播带货主播数量的南北差异：除了北京一处高值区，其余高值区均集中在南方地区。
图1 中国直播带货主播数量的空间分布及其空间拓扑示意

审图号为GS(2020)4630号，底图无修改；未含港澳台数据

Fig. 1 Spatial distribution of streamers and its cartogram in China

图2a为中国直播粉丝数量的空间分布。它与直播带货主播数量在空间分布特征具有一定相似性；但从粉丝数量前10名（依次为杭州、北京、广州、成都、长沙、深圳、青岛、上海、郑州、沈阳）的城市空间分布可以看出，高值地区分布较为分散，没有形成较为明显的高值集聚区。从图2b的空间拓扑示意图、区域强度排序（表2）、变异系数与泰尔指数可进一步证实，粉丝数量的地区差异性比直播带货主播数量的地区差异性更大，分布更加分散，其中，两者的变异系数和泰尔指数分别为1.98、0.65和0.37、0.08。这也可以从侧面说明直播带货主播可能与其粉丝存在一定的空间差异性特征，即一地直播带货主播的主要粉丝或带货受众可能并非在本地区。
图2 中国直播粉丝数量的空间分布及其空间拓扑示意图

审图号为GS(2020)4630号，底图无修改；未含港澳台数据

Fig. 2 Spatial distribution of the total number of followers and its cartogram in China

表2 中国直播带货主播数量、粉丝数量、直播带货销售额的规模与地区强度排序

Table 2 Scale and regional intensity ranking of streamers, fans and total sales from livestreaming e-ecommerce in China

序号 直播带货主播数量
绝对强度 		直播带货主播数量
区域强度 		区域强
度值 		粉丝数量
绝对强度 		粉丝数量
区域强度 		区域强
度值 		直播带货销
售额绝对强度 		直播带货销
售额区域强度 		区域强
度值
　　注：区域强度表示地图变形比值，即区域强度值=变形后区域面积/变形前区域面积；地图变形比值越大，区域该属性越有优势[18]；未含港澳台数据。
1 杭州市 深圳市 15.03 北京市 深圳市 32.99 杭州市 广州市 64.44
2 广州市 厦门市 11.21 杭州市 厦门市 24.43 广州市 深圳市 62.27
3 苏州市 东莞市 10.80 广州市 广州市 22.98 北京市 杭州市 51.07
4 金华市 中山市 9.61 成都市 东莞市 18.14 深圳市 东莞市 36.18
5 深圳市 广州市 9.13 长沙市 北京市 14.90 长沙市 佛山市 27.21
6 北京市 珠海市 8.20 深圳市 杭州市 14.45 苏州市 嘉兴市 23.33
7 成都市 佛山市 7.76 青岛市 佛山市 12.57 成都市 厦门市 16.21
8 郑州市 苏州市 6.37 郑州市 成都市 12.43 嘉兴市 中山市 16.19
9 长沙市 汕头市 6.09 上海市 郑州市 12.31 上海市 苏州市 16.00
10 重庆市 无锡市 5.96 沈阳市 上海市 11.55 金华市 湖州市 15.66
图3a反映了中国直播带货销售额的空间分布。除了体现出与直播带货主播数量、粉丝数量相一致的南北差异外和局部地区集聚特征外，东部地区的整体水平明显高于中西部地区；直播带货销售额的变异系数和泰尔指数分别为4.25和0.82，与直播带货主播数量与粉丝数量相比，直播带货销售额在地区之间差异十分明显；长三角和珠三角成为明显的直播电商发展高地集聚区，这些地区同样也是传统电商、网商，淘宝村、镇的重要集聚区域[12,32]，这从侧面反映出直播带货具有一定的区域根植性特征。其中，杭州、广州等城市作为直播电商发展高地，其发展态势不仅得益于自身城市消费能力、吸引创业者能力、城市等级，也得益于对直播电商发展与园区规划、相关人才引进政策的制定与执行。此外，从表2强度值也可以看出，直播带货销售额的地图变形程度普遍高于直播带货主播数量和粉丝数量，进一步反映了直播带货销售额的空间不均衡性。
图3 中国直播带货销售额的空间分布及其空间拓扑示意

审图号为GS(2020)4630号，底图无修改；未含港澳台数据

Fig. 3 Spatial distribution of the total sales from livestreaming e-ecommerce and its cartogram in China

进一步探究中国直播电商发展水平的空间集聚特征，本文选择按照边界和邻接法则，对中国292个地级以上城市的直播电商发展水平进行空间全局自相关分析。结果表明，中国直播电商发展水平的Moran’s I指数为0.44，并通过了0.05水平的显著性检验，说明其存在显著的空间正相关特征。然后采用局部空间自相关分析中国直播电商发展水平在局部的集聚程度与异质性。从图4可以看出，中国直播带货发展水平高−高集聚区（H−H）共有11个，均集中在长三角和珠三角地区；低−低（L−L）集聚区共有34个，主要集中在陕甘宁和西南边境地区；高−低异质区共有4个，分别为省会城市西安、武汉和昆明以及直辖市重庆；低−高异质区（L−H）主要分布在高−高集聚区的边缘地带，如浙江西北部和安徽东南部以及广东中北部。通过对前人研究的梳理发现，直播电商发展水平的局部集聚特征与传统电商、网络购物空间集聚特征具有一定的相似性，即在江浙中心地区呈现较为明显的高值集聚区域[32]，这也在一定程度上说明直播电商的发展对传统电商有一定程度的路径依赖，但与此同时又存在一定的差异性特征，即直播电商在东部沿海没有形成类似网络购物一样的大片高值集聚区，反而在陕西、山西等中西部地区形成显著的低低集聚区。
图4 中国直播电商发展水平的局部空间自相关

审图号为GS(2020)4630号，底图无修改；未含港澳台数据

Fig. 4 LISA map of China’s livestreaming e-ecommerce development

4 直播电商发展的影响因素与机理分析

4.1 模型预处理

首先通过多重共线性检验，发现粉丝数量（NF）的VIF值超过了8（表1），即模型存在多重共线性问题。剔除粉丝数量指标后重新计算，所有指标的VIF值均低于3.5，说明模型不存在多重共线性，因此最终带入模型的指标共有12个。鉴于直播带货发展水平可能存在空间效应，故采用空间计量模型进行计算。通过比较OLS、SEM和SLM以及拉格朗日乘数检验的结果发现（表3）SEM具有更好的解释力，因此，后续结果分析基于SEM展开。
表3 中国直播电商发展水平影响因素的回归结果和稳健性检验

Table 3 Regression results of factors influencing of livestreaming e-ecommerce development and robustness test in China

视角 变量 OLS SLM SEM 模型一 模型二
　　注：***、**、*分别表示在0.01、0.05和0.1水平上显著；变量含义见表1；括号内数据为标准差。“–”表示无数据；未含港澳台数据。
经济发展水平 RGDP –0.0341
（0.0663） 		–0.0321
（0.065） 		–0.0466
（0.0622） 		–0.1596
（0.058） 		–
相关产业基础 TBV 0.0841***
（0.016） 		0.0813***
（0.0145） 		0.0736***
（0.0150） 		0.0634***
（0.0191） 		–
OSI 0.0648**
（0.0319） 		0.0579*
（0.0317） 		0.0123*
（0.0316） 		0.209***
（0.0243） 		–
WRE 0.0314
（0.068） 		0.0298
（0.0667） 		0.0479
（0.0654） 		0.0515
（0.0342） 		–
相关基础设施 IBS 0.2047**
（0.095） 		0.1985**
（0.093） 		0.1287
（0.0921） 		0.1099
（0.0216） 		–
CS 0.0477*
（0.0261） 		0.0450
（0.0287） 		0.0403*
（0.0269） 		0.0451*
（0.0288） 		–
关键行动者能动性 HA 0.0571**
（0.023） 		0.0565**
（0.0226） 		0.0540**
（0.0214） 		– 0.0482**
（0.0192）
PA 1.2971***
（0.1538） 		1.2947***
（0.1506） 		1.4993***
（0.1547） 		– 1.2240***
（0.0991）
中介机构能动性 MCN 0.0749***
（0.0251） 		0.0766***
（0.0245） 		0.0786***
（0.0233） 		– 0.1099***
（0.0216）
CLE –0.0077
（0.0158） 		–0.0073
（0.0155） 		–0.0068
（0.0151） 		– 0.0135
（0.0139）
相关投资行为 IE 0.0182
（0.0382） 		0.0175
（0.0372） 		0.0076
（0.0362） 		0.0887
（0.0337） 		0.0150
（0.0138）
行为 NEDB 0.6322*
（0.3726） 		0.5216
（0.3435） 		0.6251*
（0.3637） 		0.9187***
（0.3060） 		0.8729***
（0.2883）
常数项 9.2112***
（1.0534） 		8.8862***
（1.0889） 		8.6186***
（1.0152） 		1.0992*
（0.6579） 		–2.6127***
（0.8058）
空间误差项 − − 0.2979***
（0.0757） 		0.3024***
（0.0755） 		0.2979***
（0.0757）
空间滞后项 − 0.0261
（0.0307） 		− – –
R2 0.7412 0.7419 0.7559 0.6710 0.7559
Log Likelihood –457.1240 –456.7670 –451.5860 – –
AIC 940.2490 941.5340 929.1720 – –
SC 988.0460 993.0090 976.9700 – –
LM − 0.7079 9.3087 – –
P of LM − 0.4001 0.0023 – –
Robust LM − 0.0654 8.6661 – –
P of Robust LM − 0.7982 0.0032 – –

4.2 模型结果与分析

中国直播电商发展水平影响因素的SEM回归结果如表3所示。从结果看，除了人均GDP和直播电商企业数量的系数为负，其余指标的系数均为正，并且淘宝村数量、网商指数、快递服务企业数量、头部主播数量、非头部主播数量、MCN机构数量和国家电子商务示范基地数量等7个指标均对直播电商发展有显著正向影响。
淘宝村数量每增加1%，直播电商发展水平将上升0.0736%。淘宝村往往具有工业制成品和农产品加工功能的商品与产业基础，并且随着技术的迭代与市场化发展，许多淘宝村具备了专业化的生产与网络销售能力，成为许多电商的主要供应链，也逐渐成为直播带货中供应链的重要组成部分。此外，直播带货作为一种新的技术手段与销售模式，可以赋能淘宝村的发展，使某些淘宝村基于自身的竞争优势发展直播电商行业，在推动淘宝村的升级发展、提升生产端与供应链的弹性的同时，带动本地区直播电商更大范围的发展。
网商指数每增加1%，直播电商发展水平将上升0.0123%。网商指数反映的是区域的网络店铺发展水平[32]，实证结果从侧面证实直播电商发展对传统网络购物的路径依赖。传统电商模式已经实现了产业链、供应链与销售端的空间剥离，使产品生产与销售可以在不同的地理空间进行，并且将地理空间中零碎、分散的市场需求集中了起来，形成了传统电商以“人找货”的主动方式进行搜索式的购物模式。这为直播电商的“货找人”的购物模式提供了线上需求与线下供应的发展基础。
头部主播数量和非头部主播数量的指标均为正且通过了1%水平上的显著性检验。直播带货主播作为直播电商价值链上连接供需的重要节点与关键行动者，对推动地区直播电商发展具有重要作用。直播带货的强互动性和强IP属性赋予了直播带货主播对销售量与销售额更多的提升空间，特别是对头部主播来说，其具有一定的粉丝经济效应与马太效应。此外，许多自身拥有产业链与供应链的非头部直播带货主播，也可以作为线上导购推销产品进行销售，体现了直播电商赋能个体经济的模式以及此模式下的集聚效应，并且有利于激发更多个体经济的发展。直播带货主播作为直播电商发展中的关键行动者可以在一定程度上对“人”与“货”进行空间上的链接，将区域内外的相关资源进行整合，推动地区直播电商的发展。
MCN机构数量增加1%，直播电商发展水平将上升0.0786%。MCN机构作为直播带货主播的经济组织与中介机构，不仅能够有效地连接主播、直播电商平台、商家和用户，还可以为直播带货主播提供专业化、个性化与系统化的服务，具有明显的多边网络外部性特征。《2020直播电商生态白皮书》（ http://www.199it.com/archives/1080359.html）指出，在中国直播电商领域，MCN机构承担了孵化网红、内容制作、合作供应链等多项职责，是直播电商经济规模化的重要角色。它的嵌入可以改变地区传统的生产链结构，提供一种连接商业与消费者的新的产业生态链，有效地整合区域内外相关直播带货资源，为地区发展直播电商提供基础中介服务。
国家电子商务示范基地的作用也十分显著。国家电子商务示范基地是充分发挥政策引导与杠杆作用，促进电商快速发展的重要举措，它可以发挥电商产业聚集优势，整合社会服务资源，推动传统电商和直播电商快速发展。与此同时，此类国家引导行为也会带动其他相关扶持性政策，特别是地方性扶持政策，而这类政策往往更具有实践性和针对性。如杭州在2020年7月发布《关于加快杭州市直播电商经济发展的若干意见》（ http://www.hangzhou.gov.cn/art/2020/10/29/art_1229265887_7077.html），其从如何招引头部直播电商企业、做大做强直播电商企业、建设直播电商园、培育和引进头部直播电商MCN机构、推动头部主播落户杭州、培育直播达人等11个方面对杭州直播电商新经济、新业态创新发展进行了谋划，为杭州直播电商高质量发展提供了有力支持。
快递物流服务水平的系数也显著为正。快递物流服务对接消费者，为消费者提供送货到家的购物体验，使拥有完善的物流运输体系地区的消费者更愿意进行网上购物。同时，高效的物流运输水平是保障供应链的重要基础。
互联网基础设施水平代理指标在OLS模型中显著为正，但在SEM中的系数没有通过显著性检验。互联网作为产业信息化、传统电商等发展的重要基础设施，为生产端、销售端以及消费端提供着基本的通信技术支持，但随着通信技术的不断更迭，传统通信设施的作用也在被逐渐削弱。人均GDP的系数为负但不显著可能是因为不仅一些经济发达的地区在积极发展直播带货，许多经济水平相对落后的地区也正在借助直播电商这一新的商业模式赋能传统网商和制造业转型发展。SEM中的空间误差项也显著为正，说明各地区直播电商发展水平不仅受解释变量的影响，还受邻近地区直播电商发展水平和解释变量的影响。最后，结合理论机制分析与实证结果整理出直播电商发展的影响机理分析框架，如图5所示。
图5 直播电商发展的影响机理分析

Fig. 5 Analysis of the impact mechanism for livestreaming e-commerce development

为检验实证结果的稳健性，从变量出发，对经济结构和能动性视角分别单独与其他因素一起代入模型中进行计算，分别记为模型一和模型二。如表3所示，实证结果的个别系数大小有所变化，但系数的显著性没有发生实质性变化，说明本文研究结果是比较稳健的。

5 结论与讨论

5.1 结论

本文基于抖音平台直播带货等多元开源数据，对中国292个地级及以上城市直播电商相关指标进行空间分布格局分析；运用EEG相关概念对直播电商发展机理进行探究，并利用空间计量模型进行实证，得到以下结论：
1）中国直播电商带货主播数量与粉丝数量的空间分布格局具有一定的相似性，但后者的空间分布更加分散；两者与直播带货销售额的空间分布格局呈现明显的差异性。其中，直播带货销售额的地区差异性最大，空间不均衡性最强。
2）空间集聚特征方面，中国直播电商发展水平整体上存在显著的空间正相关性特征；在长三角和珠三角地区出现显著的高高集聚区，并在周围出现显著低高集聚区，与传统电商、网络购物空间集聚特征具有一定的相似性，但同时又存在低值集聚区的差异性特征。
3）直播电商的发展是多种机制与因素综合作用所致，经过影响机制分析与空间计量实证检验后发现，地区产业与供应链基础是发展直播电商的重要保障，MCN机构、直播带货主播等发挥着整合、链接区域内外相关资源的重要角色，与此同时，政府的相关鼓励与扶持行为和邻近地区的空间效应对直播电商发展也有积极的影响。

5.2 讨论

地区新经济活动的兴起与发展是一个复杂、综合的过程。直播电商作为一种创新业态与赋能地方经济的新型商业模式与传统电商的发展一致，均受物流、供应链与产业基础的影响。但直播电商改变了原有的人、场、货之间的关系，在平台经济、粉丝经济和范围经济影响下，直播带货主播和相关中介机构的能动性成为发展直播电商的重要影响因素，强调了地区产业演化路径受外生力量和路径开放性影响的可能性。本文尝试性地利用EEG中相关概念构建直播电商兴起与发展的影响机制分析框架，通过实证检验证明了相关中介机构和关键行动者的能动性在直播电商发展中的重要作用，强调其在挖掘区域内资源潜力、利用区域外优势与路径创造中的关键作用，对现有关于演化经济地理学中能动性的研究有一定的补充。同时本文认为，尽管互联网时代已经在一定程度上将生产、销售与消费空间进行了剥离，但拥有一定量的特色化、专业化产品或靠近专业化产生和加工地仍是电商发展的重要根基。这也在一定程度上说明互联网会产生一定的扩散力量，但又可能会抵消这样的力量并产生更强的集聚，对中国经济地理格局的重塑产生影响。
由于数据限制，本文仅以单一直播电商平台为例，而多平台的横向对比研究也是有必要的，同时，影响直播电商发展的政府政策行为因素的指标选择仍需进一步优化。直播电商发展是一个动态过程，本研究发现是直播电商发展的阶段性特征，接下来的研究仍需要关注直播电商动态发展的过程与演变。此外，关键行动者、中介机构等的能动性与区域产业基础之间的关系与作用机制，以及其在地区新经济活动创造过程中的作用仍需进一步探究。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
魏华, 高劲松, 段菲菲. 电商直播模式下信息交互对用户参与行为的影响[J]. 情报科学, 2021, 39(4) 148-156.

DOI

Wei Hua, Gao Jinsong, Duan Feifei. The impact of information interaction on user engagement behavior in live streaming commerce. Information Science, 2021, 39(4) 148-156.

DOI

[2]
Zhang M, Qin F, Wang G A et al. The impact of live video streaming on online purchase intention[J]. The Service Industries Journal, 2020, 40(9-10) 656-681.

DOI

[3]
Luo M, Sima F. Research on the online marketing strategy and the trend of developing of “Internet celebrity live broadcast” for shoes and clothes enterprises[J]. The Frontiers of Society, Science and Technology, 2020, 2(13) 54-59.

[4]
Liu L, Aremu E O, Yoo D. Brand marketing strategy of live streaming in mobile era: A case study of tmall platform[J]. Journal of East Asia Management, 2020, 1(1) 65-87.

[5]
Graham M, Hale S, Stephens M. Featured graphic: Digital divide: the geography of Internet access[J]. Environment and Planning A, 2012, 44(5) 1009-1010.

DOI

[6]
张英浩, 汪明峰, 计怡村. ICT对城市发展影响的总体特征及其知识图谱——基于人文与经济地理学科视角与CiteSpace计量分析[J]. 中国名城, 2021, 35(3) 27-36.

DOI

Zhang Yinghao, Wang Mingfeng, Ji Yicun. The overall characteristics and knowledge structure of the impact of ICT on urban development: Base on the perspective of human and economic geography and citespace measurement analysis. China Ancient City, 2021, 35(3) 27-36.

DOI

[7]
Graham M. Warped Geographies of Development: The internet and theories of economic development[J]. Geography Compass, 2008, 2(3) 771-789.

DOI

[8]
Wahome M, Graham M. Spatially shaped imaginaries of the digital economy[J]. Information, Communication & Society, 2020, 23(8) 1123-1138.

[9]
汪凡, 汪明峰. 基于格网的淘宝村集聚特征及影响因素分析[J]. 地理科学, 2020, 40(2) 229-237.

DOI

Wang Fan, Wang Mingfeng. Spatial aggregation characteristics and influencing factors of Taobao village based on grid in China. Scientia Geographica Sinica, 2020, 40(2) 229-237.

DOI

[10]
史坤博, 杨永春, 邵蕊, 等. 中国城市居民C2C网络消费的空间特征分析——兼论技术扩散与效率假说的适用性[J]. 地理科学, 2019, 39(1) 107-115.

Shi Kunbo, Yang Yongchun, Shao Rui et al. Spatial pattern of urban resident’s C2C online consumption in China: Feasibility of innovation diffusion hypothesis and efficiency hypothesis. Scientia Geographica Sinica, 2019, 39(1) 107-115.

[11]
姜洪强, 梅林, 杨立青. 中国淘宝店铺服务质量空间分异及影响因素[J]. 地理科学, 2020, 40(3) 428-436.

DOI

Jiang Hongqiang, Mei Lin, Yang Liqing. Spatial differentiation and influencing factors of service quality of electronic shops in China: Taking Taobao stores as an example. Scientia Geographica Sinica, 2020, 40(3) 428-436.

DOI

[12]
Boschma R, Coenen L, Frenken K et al. Towards a theory of regional diversification: Combining insights from Evolutionary Economic Geography and Transition Studies[J]. Regional Studies, 2017, 51(1) 31-45.

DOI

[13]
Isaksen A, Trippl M. Regional industrial path development in different regional innovation systems: A conceptual analysis[M]. Lund: Lund University, 2014.

[14]
Holmen A K T, Fosse J K. Regional agency and constitution of new paths: A study of agency in early formation of new paths on the west coast of Norway[J]. European Planning Studies, 2017, 25(3) 498-515.

DOI

[15]
陈肖飞, 郭建峰, 胡志强, 等. 汽车产业集群网络演化与驱动机制研究——以奇瑞汽车集群为例[J]. 地理科学, 2019, 39(3) 467-476.

Chen Xiaofei, Guo Jianfeng, Hu Zhiqiang et al. The evolution process and driving mechanism of automobile industrial cluster network: Taking Chery cluster as an example. Scientia Geographica Sinica, 2019, 39(3) 467-476.

[16]
Frenken K, Boschma R A. A theoretical framework for evolutionary economic geography: Industrial dynamics and urban growth as a branching process[J]. Journal of Economic Geography, 2007, 7(5) 635-649.

DOI

[17]
俞国军, 贺灿飞, 朱晟君. 企业家精神与南昌众创空间涌现——基于演化经济地理学视角[J]. 经济地理, 2020, 40(3) 141-151.

DOI

Yu Guojun, He Canfei, Zhu Shengjun. The entrepreneurship and the emergence of shared work spaces in Nanchang from the perspective of evolutionary economic geography. Economic Geography, 2020, 40(3) 141-151.

DOI

[18]
Rigby D L. Technological relatedness and knowledge space: Entry and exit of US cities from patent classes[J]. Regional Studies, 2015, 49(11) 1922-1937.

DOI

[19]
Neffke F, Henning M, Boschma R. How do regions diversify over time?Industry relatedness and the development of new growth paths in regions[J]. Economic Geography, 2011, 87(3) 237-265.

DOI

[20]
汪明峰, 卢姗. 网上零售企业的空间组织研究——以“当当网”为例[J]. 地理研究, 2011, 30(6) 965-976.

Wang Mingfeng, Lu Shan. Exploring the spatial organization of online retailing: A case study of Dangdang.com. Geographical Research, 2011, 30(6) 965-976.

[21]
Mackinnon D, Dawley S, Pike A et al. Rethinking path creation: A geographical political economy approach[J]. Economic Geography, 2019, 95(2) 113-135.

DOI

[22]
Grillitsch M. Following or breaking regional development paths: On the role and capability of the innovative entrepreneur[J]. Regional Studies, 2019, 53(5) 681-691.

DOI

[23]
李宏彬, 李杏, 姚先国, 等. 企业家的创业与创新精神对中国经济增长的影响[J]. 经济研究, 2009, 44(10) 99-108.

Li Hongbin, Li Xing, Yao Xianguo, et al. Examining the impact of business entrepreneurship and innovation entrepreneurship on economic growth in China. Economic Research Journal, 2009, 44(10) 99-108.

[24]
钱燕. 风险投资对新兴产业发展的影响研究——新三板生物医药企业的证据[J]. 经济问题, 2020(10) 38-45.

Qian Yan. Research on the impact of venture capital on the development of emerging industries: Evidence from NEEQ-listed biopharmaceutical firms. On Economic Problems, 2020(10) 38-45.

[25]
袁振杰, 郭隽万果, 杨韵莹, 等. 中国优质基础教育资源空间格局形成机制及综合效应[J]. 地理学报, 2020, 75(2) 318-331.

DOI

Yuan Zhenjie, Guo Junwanguo, Yang Yunying et al. Analysis of the spatial structure, mechanism and social-political effects of the high-quality basic educational resources in China. Acta Geographica Sinica, 2020, 75(2) 318-331.

DOI

[26]
Anselin L. Exploratory spatial data analysis in a geocomputational environment[J]. New York:Wiley, 1998: 77-94.

[27]
吴媛媛, 宋玉祥. 中国旅游经济空间格局演变特征及其影响因素分析[J]. 地理科学, 2018, 38(9) 1491-1498.

DOI

Wu Yuanyuan, Song Yuxiang. Spatial pattern evolution and influence factors of tourism economy in China. Scientia Geographica Sinica, 2018, 38(9) 1491-1498.

DOI

[28]
王劲峰, 廖一兰, 刘鑫. 空间数据分析教程(第二版)[M]. 北京: 科学出版社, 2019.

Wang Jinfeng, Liao Yilan, Liu Xin. Spatial data analysis tutorial(2nd edition)[M]. Beijing: Science Press, 2019.

[29]
张英浩, 汪明峰, 刘婷婷. “全球−地方”视角下机器人制造业新建企业空间演变与区位选择[J]. 工业技术经济, 2021, 40(9) 81-90.

DOI

Zhang Yinghao, Wang Mingfeng, Liu Tingting. The spatial evolution characteristics and location selection of newly-built enterprises from the perspective of global-local. Journal of Industrial Technological Economics, 2021, 40(9) 81-90.

DOI

[30]
Anselin L, Bera A K, Florax R et al. Simple diagnostic tests for spatial dependence[J]. Regional Science and Urban Economics, 1996, 26(1) 77-104.

DOI

[31]
国家统计局. 中国城市统计年鉴 2019[M]. 北京: 中国统计出版社, 2020.

National Bureau of Statistics. China city statistical yearbook 2019. Beijing: China Statistics Press, 2020.

[32]
宋周莺, 虞洋, 祝巧玲, 等. 中国县域网络购物空间格局及其影响因素[J]. 地理研究, 2019, 38(12) 2997-3009.

DOI

Song Zhouying, Yu Yang, Zhu Qiaoling et al. Spatial characteristics and influencing factors of E-shopping development in China’s counties. Geographical Research, 2019, 38(12) 2997-3009.

DOI

Options
文章导航

/

〈 〉