外卖零售商特征对线上顾客地理分布规律的影响

焦腾啸 赵小华 李先国

摘要：外卖配送服务行业近几年来到了快速发展时期，对于提供外卖服务的零售商来说，了解外卖消费者的地理分布规律对零售商制定选址策略以及广告促销策略都具有重要意义。前人研究虽已发现线上顾客距离分布对外卖订单量的影响关系呈现“倒U型”规律特征，但并未探讨不同特征的外卖零售商的线上顾客地理分布规律有何种差异。立足于饿了么物流配送公司超8万份订单数据的分析验证了外卖零售商家的日均订单距离与日订单量之间存在“倒U型”关系，说明与商家的距离处于适中水平时，顾客选择该商家下单的可能性最大；同时，星级评分较高的外卖零售商线上顾客地理分布的“倒U型”关系曲线相对于评分低的商家更为陡峭；连锁经营相对于非连锁经营的零售商线上顾客地理分布的“倒U型”关系曲线更为陡峭且拐点右移；开业时长较长的商家相对于时长较短的商家“倒U型”关系曲线更为陡峭且拐点右移。有鉴于此，外卖零售商可在离中心点适中距离的某个位置而非正中心点进行选址，并根据该适中位置确定促销策略；而开店时间较长或连锁品牌经营的零售商的选址策略以及广告促销策略所依据的距离可以相对更远，并适时调整其顾客拓展及促销的策略，提高顾客下单率以及在外卖平台上的流量转化率。

关键词：外卖；外卖配送服务；顾客地理分布；“倒U型”关系

中图分类号：F274文献标识码：A文章编号：1007-8266（2020）12-0029-11

一、引言

外卖配送服务行业近几年来到了快速发展时期。Trustdata的统计数据显示，2019年中国外卖行业市场交易额达6 035亿元，截至2020年3月中国线上外卖用户规模近4亿人。新冠肺炎疫情的暴发使外卖零售商特别是餐饮零售企业的到店堂食需求受到明显影响，外卖业务就成为该类零售商的重要收入来源。对零售商家而言，了解顾客并洞察消费者的消费习惯是其制定发展策略的重要依据。传统的零售商大都通过效率较低、成本较高的线下现场调研方式了解顾客需求状况，而饿了么、美团等外卖平台通过对商家、物流配送、外卖消费者的资源整合，可以收集到更全面、更准确的商家、物流、顾客等多方数据信息，从而为商家了解更全面的外卖消费者信息提供了渠道。

随着外卖行业的快速发展，学术界开始针对外卖配送服务开展一系列学术研究。从现有研究成果来看，外卖服务相关的研究主要包括外卖商业模式的分析、配送服务优化、基于外卖用户的态度与行为研究三个方面：外卖商业模式分析主要包括外卖配送服务的流程、盈利模式以及外卖O2O模式的运作方法等[ 1-3 ]；配送服务优化类问题主要涉及物流管理领域，包括基于各类算法的路径规划[ 4-6 ]、配送时长估计等；基于外卖用户的态度与行为研究主要是利用调研的方法对用户外卖下单的意愿、满意度以及购买行为的建构以及影响因素研究[ 7-9 ]。然而，基于外卖零售商或外卖平台真实数据的实证研究还处于萌芽阶段。基于真实外卖订单数据的综合类问题研究覆盖面更广，通常会同时涉及商家、物流、消费者等众多因素，具有更强的实践意义。但由于学术界接触企业真实数据的高门槛和局限性较大，因此这部分研究的成果较少，有待继续开发。

在只考虑零售商线下顾客的情形时，通常距离零售商越近的顾客，与商家的黏性越大，因为距离较远的顾客要承担较高的交通成本，然而在线上外卖场景中，顾客分布的规律需要重新审视。商家可以从订单中获取每个外卖消费者的距离信息或位置信息，帮助商家分析线上顾客的地理分布规律。前人研究表明，外卖商家的线上顾客地理分布规律为“倒U型”，即顾客在较近位置和较远位置时选择某商家下单的概率较低，而在适中距离的位置选择该商家下单的概率较高[ 10 ]。然而，前人研究并未基于外卖商家的特征探讨这种“倒U型”关系是否在不同特征的商家之间存在差异。

本研究力图弥补这一空缺。首先通过真实的外卖商家订单数据验证这种“倒U型”关系的存在，后通过加入商家特征变量探讨商家特征变量对这种“倒U型”关系的调节作用，探讨“倒U型”关系的变化规律。本研究选取连锁经营特征、星级评分、开业时长作为商家的三个代表性特征，这三个特征短时间内保持稳定，对各行业、各类型的零售商家均具有普适性。

二、文献回顾与研究假设

（一）零售选址、商圈理论与顾客地理分布特征

对零售商家来说，选址决策是未来一切发展的开端。开店选址首先需要确定目标区域的商圈特征，同时考虑人口、交通、市场、消费力等综合因素，最终选择合适的地点[ 11 ]。选址的重要性推动了选址理论、商圈理论的产生和发展。在不考虑零售商家本身因素的情况下，在以商家地理位置为中心的商圈范围内，不同位置分布的顾客、不同行为模式特征的顾客与商家的黏性不同。现有的零售商家选址理论主要考虑的因素包括业态[ 12 ]、产品与服务定位[ 13 ]、顾客特征[ 14-15 ]以及地理环境因素[ 11，16 ]等多方面，其中顾客特征是零售商家选址的重要考虑因素之一。

顾客地理分布特征是商圈理论的基础[ 17 ]。商圈通常是指地图上以零售商店铺所在地点为中心的圆形区域空间范围，按范围由近及远分为核心商圈、次级商圈、边缘商圈三个层级，每个层级中的顾客特征有显著差异[ 18-19 ]。在这个空间范围内的顾客都可能被该零售商店铺吸引，所以商圈也可以理解为可能到店光顾并购买产品或服务的所有顾客居住的空间区域，具有明显的三层次性特征[ 19-20 ]：以零售商为中心的0～8公里内的圆形区域称为核心商圈（Primary Trading Area），该区域的顾客密度最高，占总顾客量的60%～80%，且销售额60%～70%均来自核心商圈区域的顾客；离零售商8～12公里内的环形区域称为次级商圈（Secondary Trading Area），該区域顾客密度和数量相对稀疏，仅有15%～25%的客源分布在该区域内，销售额大约占总体的20%；离零售商12～25公里内的环形区域称为边缘商圈（Fringe Trading Area），该区域的顾客分布最为稀疏，知晓该零售商的人非常少，仅有5%～20%的客源且销售额一般不足10%，对于小规模的零售商来说，该区域几乎没有潜在顾客。

H2b：当外卖零售商家的星级评分提高时，顾客距离分布与外卖销售量关系的“倒U型”曲线更加陡峭。

零售商的开业时长特征与生命周期理论的联系最为直接。根据企业生命周期理论，开业时间较长的零售商家通常已经步入成长期甚至成熟期。从客户分布角度来看，引入期的商家由于未获得较高的知名度，客户数量较少且主要集中在距离商家较近或最容易接触到商家的地方，随着商家规模的发展，顾客数量也随着口碑传播和宣传而逐渐扩大，顾客的分布范围也逐步拓宽[22-25]，商家的发展离不开顾客数量和群体范围的增长与扩大。

对零售商家来说，外卖服务使商家可以通过与平台合作享受外卖平台上的客户资源，是商家拓展新顾客、挖掘新利润增长点的重要手段。开业时间较长的企业一般对应于成长期或成熟期，通常已经积累了相当一部分线下以堂食为主的顾客，这部分顾客距离商家较近，而外卖服务使商家能够扩展新顾客，使更多顾客通过外卖App或网站了解该商家，新顾客通常距离商家较远。因此，开业时间较长的商家外卖销售收入来源客户的距离更远，在顾客距离分布与外卖销量的“倒U型”关系曲线中表现为拐点的右移（距离更大）。另外，相对于新开业的零售商，开业时间较长零售商的顾客量、顾客覆盖范围以及销售量都有明显的提升，其外卖销量也更大，且外卖消费者主要分布在更远的区域。由此可提出假设3：

H3：外卖零售商家的开业时长对顾客距离分布与外卖销售量的“倒U型”关系具有调节作用。

H3a：当外卖零售商家的开业时长增长时，顾客距离分布与外卖销售量关系的“倒U型”曲线的拐点右移；

H3b：当外卖零售商家的开业时长增长时，顾客距离分布與外卖销售量关系的“倒U型”曲线更加陡峭。

三、研究设计

（一）数据来源与数据收集

本研究的数据来源包括两部分。首先，我们从饿了么蜂鸟配送物流公司收集订单数据。通过合作沟通，本研究从2020年7月1日始，连续收集北京市三个商圈区域、8个配送站点、持续时长为31天，共计超过8万条配送订单数据。为保证结果的稳健性，本研究删除了配送信息缺失、因故中途取消、配送失败以及其他异常信息的订单数据，以保证分析结果的有效性，最终共得到76 852份有效订单数据。其次，本研究从饿了么App以及互联网上收集商家信息，通过App上的商家页面收集开业时长信息与星级评分信息，通过App与互联网搜索确定商家是否为连锁经营。

本研究需要以外卖商家为对象研究商家顾客的地理分布特征，因此需要将订单数据整合成以商家、日期为样本单位的合并数据。具体步骤如下：第一，以商家为个体单位N，以日期为时间单位T，对每个商家每天的订单数量和订单金额进行加总，得到商家每日订单总量和每日外卖金额；第二，对商家每日全部有效订单以日期为单位，计算日均订单金额、日均订单配送距离与标准差、日平均订单配送时长（以秒为单位）；第三，为控制天气、空气质量因素的可能影响，从天气后报网（http：//www.tianqihoubao. com）收集了2020年7月共31天的天气信息，并从中国空气质量在线监测分析平台（https：//www.aqistudy.cn/ historydata）收集了31天的当日空气质量信息。经整合后，得到的数据中包含459个商家，样本量为8 089个。

（二）变量说明与描述性统计

基于整合后的数据，本研究的变量包括商家的日均订单距离（Distance）、日订单距离标准差（Distance_Sd）、日订单量（Day_Bills）、日均订单配送时间（Delivery_Time）、周末（Weekend）、天气（Weather）、空气质量（AQI）、是否连锁经营（Chain_Store）、星级评分（Star_Grade）、开业时长（Operation_Days）。

日均订单距离（Distance）是指商家在某日的所有订单中各订单配送距离的平均值。为保证外卖订单的按时送达，顾客在App或网站上点外卖时通常只能在商家选择界面上看到5公里以内所有提供外卖服务的商家，因此日均订单距离通常为0～ 5km中的某个值。日订单距离标准差（Dis？ tance_Sd）是与日均订单距离相对应的概念，对商家某日所有订单而言，求出平均距离的同时就会得到标准差。当标准差较大时，说明当日选择该商家外卖App或网站顾客的地理分布较为分散；当标准差较小时，则说明较为集中。

日订单量（Day_Bills）是指商家在某日所有的订单数量。需要说明的是，并不是每个商家在每天都有顾客下单点外卖，当某个商家在某日无外卖订单时，虽然日订单量为零，但其他变量如日均订单配送时间、日均订单距离不可视为零。因此，整合后的订单数据就呈现为以商家为个体单位、以日期为时间单位的非平衡面板数据。在整合后的数据样本中，日订单量的最小值即为1。

日均订单配送时间（Delivery_Time）是商家某日所有订单配送时间的平均值。订单配送时间以秒为单位，从顾客在App或网站下单并付款成功后开始至顾客收到外卖为止的时间间隔，包括平台响应、指派骑手、商家备货、骑手取货送货等一系列环节。

是否连锁经营（Chain_Store）在本研究中属于虚拟二分变量。确定零售商家是否为连锁经营的条件为：在饿了么App上有五家相同品牌名称且不同地点的外卖商家同处在营业中的状态，或该商家在除北京外的其他城市同样具有营业中的连锁店。满足其中一个条件即标定为连锁经营。如果商家属于连锁经营，则该变量值为1，否则为0。

星级评分（Star_Grade）变量取值在本研究中为位于1和5之间的一个数字，保留小数点后1位。星级评分反映了顾客对该商家的总体评价，最高评价为5.0。本研究的星级评分统一采用2020年7月31日商家页面上显示的评分。由于该评分为所有参与打分的顾客所给出分数的平均值，因此在短时间内不会改变。

开业时长（Operation_Days）定义为商家从开业始，距离本研究时间点为止的时长，以天数来衡量，计算方法为2020年7月1日与商家开业日期之间的天数差值。

周末（Weekend）是与时间趋势有关的变量。本研究以日为单位，因此当某日为工作日时，取值为0；当某日属于周末时，取值为1。天气（Weather）变量也是影响外卖销量的一个考虑因素，因为在雨天、下雪天等不方便外出的天气时，人们点外卖的可能性会增加。北京市的六月至七月为夏季，因此本研究将是否雨天作为区分标准：当某日为雨天时该变量为1，否则为0。空气质量与天气一样也会影响人们的外出活动。在空气质量较差、雾霾较重的情况下，人们的外出活动会减少。本研究采用环境空气质量指數（AQI）表示空气质量（参考2012年中国环境保护部发布的《环境空气质量指数（AQI）技术规定（试行）》标准），AQI越高说明雾霾越严重。

各变量的描述性统计结果如表1所示。

（三）模型设定

本研究主要探讨外卖商家的顾客地理距离分布对外卖商家销量的影响，即“倒U型”影响关系，以及这种关系受商家特征相关变量的调节作用。“倒U型”关系作用的验证采用汉斯（Haans）等[ 35 ]提出的方法。汉斯对“倒U型”关系的定义是，当因变量Y先随自变量X以递减的速度增大到最大值，然后随着X的继续增大，Y以递增的速度降低时，就说明X和Y之间存在“倒U型”关系。在本研究中，我们在回归模型中加入日均订单距离的二次方项，通过二次方项回归系数的显著性判断“倒U型”关系是否显著。

同样根据汉斯等的方法论，“倒U型”的调节作用验证方法就是在带有自变量一次方项、二次方项的回归模型上增加一个第三方调节变量（变量Z）的影响。具体来说，带有调节变量的“倒U型”的基础模型为：

除拐点的左右移动外，另一个需要检验的问题为曲线的峰度变化，即曲线随调节变量Z的增大呈现出变平缓还是变陡峭的状态。对此，汉斯等提出的方法是通过系数β4的显著性以及正负来判断。当系数β4显著时，Z的变化会引起“倒U型”曲线峰度的变化。具体来说，当β4为正时，“倒U型”曲线会随着调节变量Z的增大变平坦；当β4为负时，“倒U型”曲线会随着Z的增大变陡峭。

在本研究中，基础回归模型的X对应于日均订单配送距离变量，Y对应于商家的外卖日订单量或外卖日销量，Z对应于三个调节变量——连锁经营、星级评分、开业时长。因此，本研究建立如下普通最小二乘法（OLS）回归模型来验证研究中“倒U型”曲线在不同调节变量水平上的差异：

上述三个回归模型中的lnBill是日订单量（Day_Bills）取对数之后的变量值，代表商家的日订单量；lnDistance为商家日均订单配送距离，并加入该变量的二次方项来验证其与订单量之间的“倒U型”关系；系数β3～β5所对应的变量为调节变量与日均订单配送距离的交乘项、二次方交乘项以及调节变量本身；其他的变量均为控制变量，包括日订单距离标准差、日订单配送时间，以及天气、周末、空气质量等。我们对除虚拟变量之外的变量均进行取对数处理，在一定程度上消除量纲的影响。

四、实证分析

（一）回归分析结果与假设检验

我们以上述三个回归方程为基础，对连锁经营特征在“倒U型”关系中的调节作用进行验证，即对假设H1～H3进行验证，以最为常用的OLS回归方法，通过不断加入新变量来验证商家日订单量各影响因素系数的显著性。数据分析工具采用Stata 14.0软件，回归结果如表2所示：

首先，模型1先加入环境因素变量天气、空气质量、周末/工作日三个变量，发现三个变量的回归系数都不显著（βweather=-0.006，p>0.1；βAQI<0.000，p> 0.1；βWeekend=-0.033，p>0.1）。模型2中加入反映主效应的自变量lnDistance以及自变量的二次方项，发现系数均为显著，lnDistance的系数为正值（β1= 0.360，p<0.01），二次方项lnDis？ tance2的系数为负值（β2=-0.494，p<0.01）。自变量的二次方项系数为负且显著，意味着抛物线的开口向下。因此“倒U型”关系得到验证，这一点与前人结果保持一致。模型3中加入控制变量日订单距离标准差（Distance_sd）与日均订单配送时间（Delivery_Time），发现β1与β2的系数正负向以及显著性水平均保持一致，证明“倒U型”关系结果具有一定的稳健性。

模型4用来验证外卖商家的连锁经营特征变量对“倒U型”关系的调节作用。从结果可知，自变量一次方项与调节变量的交互变量的系数为正且显著（β3= 0.452，p<0.01），证明“倒U型”曲线拐点移动的现象。对于移动方向的判断，需要计算β1β4-β2β3的值。在本数据结果中，β1β4-β2β3的结果为正值0.164，说明随着Z值的增加，X*的值增大，对应于拐点向右移。因此，相对于非连锁商家（Z=0），连锁商家（Z=1）“倒U型”曲线的拐点右移，拐点所对应的日均订单距离更远，意味着H1a得到验证。另外，日均订单配送距离二次方项交互变量的系数为负且显著（β4=-0.538，p< 0.01），β4为负时，“倒U型”曲线会随着Z的增大变陡峭。因此，H1b得到验证。

模型5用来验证外卖商家的星级评分对“倒U型”关系的调节作用。从结果可知，自变量一次方项与调节变量的交互变量系数为负但不显著（β3=-0.539，p>0.1），无法证明“倒U型”曲线的拐点移动现象。因此，H2a未能够得到验证。日均订单配送距离二次方项交互变量的系数为负且显著（β4=-2.768，p<0.01）。由此可见，商家的星级评分越高，其日均订单配送距离与日外卖订单量的“倒U型”曲线更为陡峭，H2b得到验证。

模型6用来验证外卖商家的开业时长对“倒U型”关系的调节作用。从结果可知，自变量一次方项与调节变量的交互变量的系数为正且显著（β3= 0.267，p<0.01），证明“倒U型”曲线拐点移动的现象。β1β4-β2β3的结果为正值0.123，说明随着Z值的增加，X*的值增大，对应于拐点向右移。因此，外卖商家的开业时间越长，其“倒U型”曲线的拐点右移越明显，拐点所对应的日均订单距离更远，意味着H3a得到验证。另外，自变量二次方项交互变量的系数为负且显著（β4=-0.230，p<0.01），说明“倒U型”曲线会随着Z的增大变陡峭。因此，商家的开业时间越长，“倒U型”曲线越陡峭。因此，H3b得到验证。

（二）结果分析

我们可以通过画图的方法对顾客地理距离分布与外卖商家日订单量的“倒U型”关系，以及不同调节变量对“倒U型”的调节作用进行直观展示，观察曲线变化。

首先，图1直观地展示了连锁商家的“倒U型”曲线相对于非连锁商家“倒U型”曲线的变化。在图1中，横轴表示日均订单距离的对数值，纵轴表示因变量的残差，此残差为因变量lnBill对所有控制变量进行回归之后的剩余残差，控制变量包括日订单配送距离标准差、日均订单配送时间、天气、周末/工作日、空气质量。需要说明的是，出于对不同特征商家“倒U型”关系曲线的比较，需要控制其他因素对“倒U型”关系的影响，因此不可直接对日订单量以及日均订单距离做二次项拟合，以免造成偏误。从图1可以看到，实线所对应的连锁商家的“倒U型”曲线相对于虚线更为陡峭，且实线拐点相对于虚线拐点偏右，这与H1a与H1b的结果相一致。

图2展示了星级评分较高的外卖服务商家的“倒U型”曲线相对于评分低的外卖服务商家“倒U型”曲线的差异，横轴与纵轴的尺度及单位与图1保持一致。在表1的描述性统计结果中，星级评分的均值为4.661，因此我们将评分在4.7～5.0之间的商家划分为“高评分商家组”，评分在4.6及以下的评分定义为“低评分商家组”。在图2中，两条曲线非常接近，两条曲线的拐点也非常接近，代表高星级评分外卖商家的实线相对于低星级评分商家对应的虚线更为陡峭，但陡峭程度差别较小。这与H2a未得到验证、H2b得到验证的数据结果相一致。

本研究认为H2a无法得到验证的可能原因有两个：第一，星级评分仅代表体验过该零售商家外卖产品的顾客评价对其他顾客具有借鉴意义。但是，星级评分并非像连锁经营特征一样直接代表商家品牌的知名度，而是更多地代表顾客的重复购买意愿或忠诚度[ 31-32 ]，所以无法断定商家的顾客分布是否随着星级评分增高而改变。第二，样本数据的星级评分变量值的分布可能导致结果出现偏差。从表3中可以看出，所有样本的459个商家中，70%商家的星級评分集中在4.6～4.8之间，星级评分小于4.4的商家仅占所有商家的5.85%。因为在商家App页面进行评价的顾客多为体验较好的顾客，体验较差的顾客往往较少进行评分，而评分为4.8的商家与评分4.6的商家在产品和服务质量上的差别也通常较小。基于这两点原因，才使H2a未得到验证，而H2b虽然得到验证，但陡峭程度的变化不明显。

图3展示了开业时间较长的外卖服务商家的“倒U型”曲线相对于开业时间短的外卖服务商家“倒U型”曲线的差异，横轴与纵轴与图1和图2保持一致。在表1的描述性统计结果中，开业时长的均值为2 719.976天，因此我们将开业日期距2020年7月1日2 720天以上的商家划分为“长时开业商家组”，其余的商家划分为“短时开业商家组”。从图3可以看到，代表长时开业商家的实线的拐点比代表短时开业商家的虚线的拐点靠右，并且实线相比于虚线更为陡峭。这与H3a、H3b得到验证的数据结果相一致。

五、结论与讨论

（一）研究结论

本研究基于真实的外卖订单数据，对外卖零售商的线上外卖客户的地理分布规律进行探讨，分析商家特征对线上外卖客户地理分布规律的影响，验证连锁经营、星级评分、开业时长三个外卖商家特征变量对线上客户地理分布与外卖销量之间关系的调节作用，具体结论如下：

1.本研究在前人研究成果基础上再次验证了外卖零售商的线上顾客地理分布规律。基于外卖订单真实数据建立回归模型发现，商家的日均订单距离与商家的日订单量之间存在“倒U型”关系，即随着商家日均订单距离的增大，商家的日订单量呈现先增多后减小的趋势。这说明在与商家的距离处于适中水平时，顾客选择该商家下单的可能性最大。

2.外卖商家的连锁经营特征、开业时长特征在顾客地理分布与外卖订单量的关系中具有调节作用。相对于非连锁经营的外卖商家，连锁外卖商家的“倒U型”曲线拐点右移且形状更为陡峭，说明连锁外卖商家的线上客户分布在更远的区域，且“倒U型”的规律更为明显。开业时长特征同样在顾客地理分布与外卖订单量的关系中具有调节作用，且方向与连锁经营特征一致。

3.外卖商家的星级评分特征在顾客地理分布与外卖订单量的关系中具有调节作用。相对于星级评分低的外卖商家，评分高的商家“倒U型”曲线形状更为陡峭，但拐点移动的假设没有得到验证。可能的原因有两个。首先，星级评分并非像连锁经营特征、开业时长特征一样直接代表商家品牌的知名度，而仅代表现有顾客的评价；其次，样本数据的星级评分变量值的非均匀分布导致结果出现偏差。

（二）理论意义

本研究首先对外卖零售商的线上顾客地理分布规律进行探讨，验证外卖消费者与商家的地理距离分布对外卖订单量的“倒U型”影响关系。该结论对传统的商圈理论形成重要补充和延伸，从线上顾客的角度打破了“距离越近的顾客与商家黏性越高”的理论假设。对于提供外卖服务的零售商家来说，线上顾客的商圈特征与线下顾客有着本质差异。同时，本研究对外卖商家线上顾客的“倒U型”分布规律的理论进行拓展，探讨外卖商家的特征对商家“倒U型”分布规律的影响，即商家特征对线上顾客地理分布与外卖订单量的“倒U型”关系的调节作用，使外卖零售商的线上顾客地理分布规律的“倒U型”理论更为全面。

（三）管理启示

对于提供外卖服务的零售商家来说，本研究可为其在选址策略、广告促销策略的决策制定方面提供参考。

首先，对以外卖业务为主的零售商家来说，首先需要确定线上外卖用户的大致分布范围，找出该分布范围的中心点，在离中心点适中距离的某个位置而非正中心点附近进行选址。对于适中距离的估计，可结合过往经验、同类商家的销售订单数据、与商家合作的物流配送公司等多种渠道综合分析后进行计算。同时，外卖零售商广告促销的对象也要根据该适中距离来确定，如线下广告或平面广告应投放到与商家距离适中的区域，外卖平台App上的促销策略、店铺排名提升策略等应主要针对适中距离的线上外卖用户群体。

其次，对开店时间较长或连锁品牌经营的零售商来说，选址策略以及广告促销策略所依据的距离应该相对更远一些。同样，随着零售商的经营发展时长越来越长，连锁分店越来越多，在提供外卖服务时，需要注意其线上外卖消费者的“最优距离”分布以及变化特征，适时调整其顾客拓展及促销的策略，提高顾客下单率以及在外卖平台上的流量转化率。

参考文献：

[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]朱海静.我国餐饮业O2O运营模式及存在问题研究[J].商业经济研究，2015（32）：82-83.

[3]张巧兵.外卖O2O模式下第三方外卖平台收入确认问题探析[J].财务与会计，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]蒋丽，王静，梁昌勇，等.基于改进蚁群算法的众包配送路径研究[J].计算机工程与应用，2019（8）：244-249.

[7]陳运娟，雷飞飞.基于SEM的外卖O2O平台顾客忠诚度影响因素研究[J].财会通讯，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]焦腾啸，李先国，孟陆.线上客户地理分布对外卖零售商经营决策的影响——基于饿了么外卖订单数据的实证研究[J].中国软科学，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，FISHER 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]崔振华，杨婷.商业零售店选址分析[J].科技与管理，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]刘力宇.基于商圈理论的商业地产定位研究[J].商业经济研究，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，FRIESEN 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]于淑华.发展自由连锁增强中小批发、零售业的竞争力[J].商场现代化，2001（4）：20-22.

[28]夏春玉，张闯.大型零售企业规模扩张的理论解读——兼论流通企业的性质、规模与边界[J].商业经济与管理，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]陈海涛，李同强，宋姗姗.在线外卖平台用户重复购买行为的建模与实证研究[J].软科学，2015（11）：79-82.

[31]張德鹏，陈春峰，张馥丽.在线评价对顾客消费行为的影响——以外卖O2O平台为例[J].企业经济，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.

责任编辑：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：国家社会科学基金重点项目“消费者在线行为模式研究”（19AGL016）

作者简介：焦腾啸（1988—），男，河南省许昌市人，中国人民大学商学院博士研究生，主要研究方向为大数据营销；赵小华（1987—），本文通讯作者，女，河南省郑州市人，中山大学国际金融学院科研博士后，主要研究方向为消费者行为；李先国（1965—），男，湖南省长沙市人，中国人民大学商学院教授，博士生导师，主要研究方向为分销渠道管理、销售管理。