互联网时代苏州餐饮业空间特征及影响因素

汤玉箫，吴祖泉，陈宏胜

（1. 苏州科技大学建筑与城市规划学院，江苏 苏州 215011；2. 同济大学建筑与城市规划学院，上海 200092；3. 深圳大学建筑与城市规划学院，广东 深圳 518060）

互联网信息技术的发展不仅改变了人们的生活和工作方式，还深刻影响着区域、城市、社区的空间形态和经济社会活动的组织方式。其中，面向居民日常生活需要的城市商业空间受互联网信息技术的影响最为显著。国内外学者关于网上购物的实证研究表明，网上购物对城市实体商业空间可能存在替代（Bhat et al., 2003；冒亚龙 等，2009）、促进（Farag et al., 2007）、补充（Weltevreden, 2007；汪明峰等，2010）等多种作用，城市商业空间格局也相应地产生多种变化。不过，也有部分学者认为互联网对城市商业空间的影响效果尚不明显（Sim et al.,2002），如黄莹等（2012）研究发现，连锁酒店空间布局更多地反映地价、交通等因子的影响而非互联网的影响。近年来，大量针对网络团购的研究认为，网络团购的兴起加剧商业中心的集聚现象（路紫等，2013；史坤博等，2016）。此外，还有学者认为互联网影响下的城市生活服务业对传统区位的依赖程度下降，从而在空间上扩散（王宇凡等，2019）。当前，互联网仍在加速向传统行业渗透，互联网对城市商业空间的影响还将进一步扩大。作为城市商业的重要组成部分，餐饮业受互联网信息技术的影响极深，其中以采取O2O模式的互联网餐饮业发展最为迅速。本地生活O2O指同一城市（或地区），为满足居民日常生活需求提供商品或服务的商业模式，同时涉及线上和线下的运营流程。在餐饮业上，根据运营模式不同，O2O餐饮业可以分为到店O2O餐饮业和到家O2O餐饮业2种类型（艾瑞网，2017）。到店O2O 餐饮业主要指以“大众点评”等为代表的互联网餐饮业，运营模式为通过购物券、点评等信息吸引顾客进行线下店铺消费；到家O2O 餐饮业主要指以“饿了么”“美团外卖”等为代表的互联网外卖餐饮，运营模式为“线上下单、线下配送”。

传统餐饮业在城市空间布局上符合“中心地理论”（梁璐，2007；张旭 等，2009；舒舍玉 等，2012），呈现在城市中心集聚以及等级分布的特征，而在互联网影响下的城市餐饮业空间格局则产生新的变化。已有关于互联网餐饮业的研究主要集中在到家O2O 餐饮业上，既有研究认为在互联网时代，餐饮业在一定程度上摆脱对区位的依赖，在空间上呈现“扩散化”和“均质化”的发展格局（晏龙旭，2017）。王宇凡等（2019）的研究发现，在信息技术的扩散力量和传统区位决策因素等集聚力量的共同作用下，网络外卖餐馆最终呈“分散的集中”特征。翟青等（2020）的研究发现，线上餐饮空间集聚特征不显著，呈“水平、多中心”的网络结构，空间分布较为分散。施响等（2019）则认为外卖O2O 餐饮业的空间发展更契合“创新扩散假说”，外卖餐饮业由创新中心向外围逐渐渗透和扩散。在到店O2O餐饮业研究上，王建竹（2014）认为在网络团购的作用下，城市核心商圈餐饮业的集聚程度得到加强，同时又使得城市外围地区的餐饮业形成更为“均匀化”的空间布局态势。总体而言，已有关于互联网餐饮业的研究主要针对单一类型互联网餐饮业，缺乏对同一区域两类互联网餐饮业空间格局及影响因素的比较研究，因此不能全面地理解互联网影响下城市餐饮业空间产生的变化。

互联网餐饮业空间是由互联网影响效应作用于实体餐饮业空间形成的，因此城市互联网餐饮业的空间分布是由互联网产生的空间影响效应和餐饮业所处的城市空间共同决定的。到店O2O餐饮业和到家O2O餐饮业两类互联网餐饮业由于其运营模式的差异，分别迎合了不同功能类型的城市商业空间，从而导致两类互联网餐饮业不同的空间分布偏好。可见，要全面深入地理解互联网信息技术对城市餐饮业空间格局的影响，不仅需要以两类O2O餐饮业为研究对象，还需考察它们在不同功能类型地区的空间分异。因此，本研究选取了城市空间异质性较强的苏州为案例城市，采用核密度估计、多距离空间聚类和多尺度地理加权回归等分析方法，比较其到店O2O 餐饮业和到家O2O 餐饮业的空间特征差异，对互联网场景下的城市餐饮业空间分布特征及其影响因素进行研究，以期对互联网时代下的城市商业空间优化布局提供理论参考。

1 研究区概况、数据与方法

1.1 研究区概况

苏州市是长三角重要的中心城市之一，其经济发展水平和信息化发展水平均较高。据《2019年度江苏省互联网发展状况报告》（江苏省通信管理局，2019），苏州市2019 年度网民规模达到716 万人，互联网普及率达到66.6%，远超全国和江苏省平均水平。因此，选择苏州市作为案例城市，研究互联网影响下餐饮业空间格局具有一定的典型性。

另外，苏州既是国家历史文化名城，也是国家高新技术产业基地，是将历史遗产保护和现代化城市建设有机融合的典范城市。在城市空间构成上，苏州既有保护完整的古城，也有蓬勃发展的新区，其功能和空间异质性十分明显，其中苏州中心城区集中体现这种功能和空间的异质性。苏州中心城区包括古城、高新区和工业园区三大中心板块，古城和新城（后者）在空间上相对分离，承担的城市功能和本身的空间形态差异较大。古城以文化旅游服务为主，由于历史遗产保护的需要，城市肌理和建筑等受到严格管控；新城则更多地承担着现代城市功能，是城市CBD所在。因此，本文选择苏州中心城区作为案例区域，可更好地比较不同类型城市空间中到店O2O 餐饮业和到家O2O 餐饮业的空间特征差异。

1.2 数据来源与处理

采用互联网开放大数据作为数据源，分别以大众点评的餐饮店铺作为到店O2O 餐饮业数据来源，美团外卖店铺作为到家O2O餐饮业的数据来源。其中，大众点评餐饮业店铺数据采集于大众点评网①https://www.dianping.com/，数据截至2019 年10 月。大众点评网是中国最大的第三方消费点评网站，有专业的线下销售人员对店铺信息进行实地确认和更新。为提高点评信息的有效性，以总评价数＞10条的大众点评餐饮业店铺数据作为到店O2O餐饮业的数据。苏州中心城区大众点评店铺共计50 986家，其中总评价数＞10条的共15 791家。美团外卖餐饮店铺数据采集于美团外卖2019 年10 月单月数据，根据《2019 年上半年中国外卖产业调查研究报告》，2019 年上半年美团外卖第一季度、第二季度交易额占比分别为63.4%和65.1%（美团研究院，2019），因此美团外卖数据对于整个外卖行业具有代表性。对数据进行纠偏和去重处理，再剔除月销售＜20单的店铺后，获得苏州中心城区美团外卖店铺共计9 173 家，作为到家O2O餐饮业的数据源。此外，由于餐饮业O2O对传统餐饮店铺的依赖很高，为了更好地揭示两类店铺的空间特征，引入高德餐饮POI作为线下餐饮店铺的数据源进行对比分析，数据采集于2019年10月。经过数据处理，共获得苏州中心城区线下餐饮店铺50 597 家。该类线下店铺既包括仅线下营业的店铺，也包括加入O2O平台的线下店铺。虽然大量的餐饮店铺加入O2O 平台，但还是以线下营业为主，且在本研究中以线下营业为主的店铺数量远高于两类O2O餐饮业数量，因此高德餐饮POI能较好地反映传统线下餐饮业的空间分布特征。苏州各类餐饮店空间分布如图1所示。

图1 苏州中心城区各类餐饮店空间分布Fig.1 Spatial distribution of various restaurants in the central city

1.3 研究方法

1.3.1 O2O 渗透率 加入O2O 平台的餐饮商家在城市（地区）所有实体商家中占有的比例可以深刻反映一个城市（地区）餐饮行业受互联网发展的影响程度，参考相关研究（艾瑞网，2017；史坤博等，2018；张逸姬 等，2019），称之为O2O 渗透率。本研究含有两类O2O餐饮业店铺，其渗透率分别为：

式中：Pa为到店O2O 渗透率，Pb为到家O2O 渗透率；Sa、Sb、Sc分别代表到店O2O 餐饮店铺数量、到家O2O餐饮店铺数量和实体餐饮店铺数量。需要说明的是，这两类互联网餐饮业的渗透率并不能直接进行比较，但可以考察各自的分布情况，进而分析出各自受互联网影响的程度。

1.3.2 空间分析方法

1）核密度估计

采用核密度估计法分析苏州市互联网餐饮业和实体餐饮业的空间分布及集聚情况。核密度分析能较为直观地展现空间点数据集的集聚或离散的分布特征，较好地反映地理要素空间分布的距离衰减效应（禹文豪等，2016）。根据本研究区域和餐饮业空间的地理特征，在中心城区层面和微观层面分别采用800和300 m为搜索半径。

2）多距离空间聚类

多距离空间聚类即Ripley'sK函数，是一种点数据模式的分析方法，对空间点数据集进行不同距离的聚类程度分析，最终可以得到空间点数据集在不同观测尺度下的集聚或离散的分布特征。计算公式为（王远等，2007）：

式中：A为研究区面积；dij为研究区范围内空间对象i到空间对象j的距离；d为空间尺度大小；δ（dij）为指示函数；n为研究区内空间对象的数量；π 为圆周率；L（d）为K（d）的开平方的线性变换。

1.3.3 多尺度地理加权回归模型 采用全局OLS模型分析影响互联网餐饮业分布的因素，并使用多尺度地理加权回归（MGWR）模型进行局部拟合，从而更精确地揭示影响因素对不同地理位置互联网餐饮业产生的效应。相较于传统地理加权回归模型（GWR），MGWR 增加了一个空间平稳变量，能更精确地识别因不同区域位置差异带来的局部影响效应变化。全局线性回归计算公式为：

式中：β0为常数项，β1和β2等为系数；y为自变量；x1和x2等为因变量；ε为残差。

MGWR计算公式为（沈体雁等，2020）：

式中：（ui,vi）为第一个样本点的空间坐标；j为自变量个数；xij表示第j个自变量在第i个点的观测值；bwj表示第j个变量回归系数使用的带宽，βbwj为局部回归得到的回归系数；εi为残差。

2 苏州市互联网餐饮业的空间特征

2.1 互联网餐饮业总体空间特征

2.1.1 互联网餐饮业对传统餐饮业空间的依赖性较强 采用核密度估计法对中心城区互联网餐饮业的空间分布特征进行分析，搜索半径设置为800 m，计算并绘制实体餐饮业的核密度（图2）。到店O2O餐饮业呈现明显的中心集聚特征，形成“一主四副多点”的多中心空间结构（图2-a）。其中，观前地区形成集聚密度最大、分布范围最广的到店O2O餐饮业主中心；在石路、湖西、湖东和狮山地区形成集聚密度和分布范围较高的次中心；平江新城、越溪、沧浪新城等地区也形成一定集聚密度的到店O2O餐饮业集聚区；而在娄葑、吴中、元和、木渎等地区到店O2O餐饮业分布面积较广，但集聚密度较低。总体而言，到店O2O餐饮业与实体餐饮业的空间分布基本一致，与所处商圈等级有密切联系。

图2 中心城区各类餐饮业核密度Fig.2 Kernel density of various catering industries in the central city

相比之下，到家O2O餐饮业形成更为均质的空间格局，城市餐饮业中心之间的差异变小（图2-b）。观前地区餐饮业集聚密度与石路、湖西等次中心相当，优势不再明显。主要餐饮业中心周边形成的次级集聚中心也均得到一定程度的增强，平江新城、沧浪新城、吴中和娄葑等地区到家O2O餐饮业发展水平均较高，娄葑地区的到家O2O餐饮业集聚密度甚至已不低于周边两大高等级餐饮业中心观前和石路。可见，互联网影响下到家O2O餐饮业正由高等级商圈向低等级商圈扩散。虽然到家O2O空间扩散趋势较为明显，但归根结底到家O2O餐饮业的集聚中心仍是在实体餐饮业的基础上形成的（图2-c）；因此，无论是到店O2O餐饮业还是到家O2O餐饮业，对已有实体餐饮业依赖度均较高，即传统餐饮业空间是两类互联网餐饮业空间形成的基础。

2.1.2 到店O2O 餐饮业集聚度增强，到家O2O 餐饮业分布更为均衡 采用多距离空间聚类分析不同尺度下互联网餐饮业的空间分布模式，同样将实体餐饮业空间分布一同纳入观测，在此基础上采用多项式方法拟合餐饮业集聚强度曲线（图3）。结果显示，各类餐饮业的L（d）值均＞0，表明中心城区各类餐饮业均呈现集聚分布状态。互联网餐饮业均在7.7 km处达到最大集聚强度，而实体餐饮业则在8.64 km 处才达到最大集聚强度。显然，互联网餐饮业更偏向于在城市中心区范围内集聚。到店O2O餐饮业在7.35 km 范围内集聚强度均高于实体餐饮业，可见相较于实体餐饮业，到店O2O餐饮业在城市空间集聚程度得到增强。到家O2O餐饮业在0.52 km 范围内集聚强度也高于实体餐饮业，可见微观尺度的到家O2O餐饮业集聚度也较高。而随着观测尺度逐渐变大，到家O2O餐饮业集聚强度逐渐低于实体餐饮业，且差距越来越大，可见到家O2O餐饮业的空间分布更为均衡。总体而言，互联网到家餐饮业扩散作用明显，互联网到店餐饮业则趋于中心集聚。

图3 中心城区各类餐饮业多距离空间聚类分析结果Fig.3 Multi-distance spatial cluster analysis of various catering industries in the central city

2.2 三大城市中心互联网餐饮业空间特征

互联网餐饮业的渗透率能反映一个城市（地区）的餐饮行业受互联网发展的影响程度，本文统计三大城市中心所属的行政区中各类餐饮业的分布密度和两类互联网餐饮业的渗透率（表1）。其中，姑苏区到店O2O餐饮业渗透率与高新区和工业园区相当，但到家O2O餐饮业的渗透率仅为另外2个行政区的一半。由此可见，到店O2O餐饮业在三大城市中心的发展水平相对均衡，而到家O2O餐饮业的发展水平表现出明显的空间偏好。为了全面理解互联网对城市餐饮业空间产生的影响，以三大城市中心为例，从微观尺度对互联网餐饮业空间进行更为深入的分析。

表1 苏州中心城区互联网餐饮业渗透率Table 1 Statistics on the penetration rate of Internet catering industry in the central city

2.2.1 古城城市中心：到店O2O餐饮业中心集聚，到家O2O 餐饮业中心外移 古城中心地区的实体餐饮业以观前和石路为核心向周边地区扩散（图4-a），在平江路、临顿路、凤凰街、学士街、王天井巷和山塘街等地区形成多个线性集聚区，而在永捷广场、桐泾北路、劳动路等地区则形成密度相对较低的集聚区。比较到店O2O餐饮业与实体餐饮业的空间分布，显而易见，到店O2O餐饮业具有明显的中心集聚现象（图4-a），主要表现在2 个方面。其一，观前和石路地区餐饮业高密度集聚区面积大幅减少，出现向核心地区收缩的现象，如石路地区的到店O2O 餐饮业更加集中于靠南的石路国际商城。其二，位于次级中心的到店O2O餐饮业受到明显的削弱，如平江路、临顿路、王天井巷等均受到不同程度的影响。可见，由于高等级中心的强吸聚力，低等级中心到店O2O服务功能受到较大制约。

到家O2O餐饮业方面（图4-b），古城区外的石路取代观前地区的餐饮业主中心地位，成为古城城市中心到家O2O 餐饮的核心，即到家O2O 餐饮业发生中心外移。产生此现象的主要原因并非互联网的扩散作用，而是由于观前地区主导功能与到家O2O的运营模式不相适应。观前地区以旅游功能为主，而外来游客旅游的目的是为了获得更加直接、真实的旅游体验，具体到餐饮业，到家O2O餐饮业的线下配送模式显然与此不匹配。石路地区的到家O2O餐饮业则依托周边地区商业办公功能获得更好的发展。总体而言，古城中心互联网的扩散作用并不明显，由于旅游功能影响下到家O2O餐饮业需求不足，平江路、山塘街等地区产生和观前地区相同的现象，即到家O2O餐饮业分布密度较低。

图4 苏州古城城市中心各类餐饮业核密度Fig.4 Kernel density of various catering industries in the city center of the ancient city

更进一步分析可知，到店O2O 餐饮业的点评、推荐功能迎合了地区旅游功能的需求，加强了旅游核心区到店O2O 餐饮业的集聚度。这解释了到店O2O餐饮业高等级中心如观前地区的集聚度显著提高的现象，也解释了位于旅游功能区的次级餐饮业中心如平江路、山塘街等在餐饮服务功能在受到更高等级商圈“争夺”的情形下，依然维持较高水平的到店O2O餐饮业集聚度。由此可见，旅游核心区餐饮业到店消费特征较强而到家消费特征较弱。

2.2.2 新城城市中心：互联网餐饮业呈点状分布，商场成为互联网餐饮业的主要空间载体 与古城区相比，苏州新城区的城市空间更加空旷，面向城市生活的沿街店面相对较少，大量餐饮业设施几乎都集中分布在规模不一的各级各类商场中。以高新区的狮山片区为例（图5），互联网餐饮业呈现点状分布特征，多数集中分布于商场或商业街，如绿宝广场、龙湖天街、金鹰国际、淮海街等地区。相较实体餐饮业，无论是到店O2O 餐饮业还是到家O2O餐饮业均呈现更强的集聚特征。作为高新区最重要的商业服务中心，龙湖天街和绿宝广场地区的到店O2O 餐饮业分布密度远高于其他地区，可见到店O2O餐饮业趋向分布在更高等级的商业区。较为意外的是，到家O2O餐饮业在次级中心集聚度（如北部的港龙商业街、景山路等）相较于实体餐饮业并没有得到加强，餐饮业仍然在向绿宝广场和龙湖天街等高等级商业区集聚。由于政策等原因，两类互联网餐饮业并不能脱离实体店面经营，而新城区商业功能普遍采用集中化方式布局，使得弱区位缺乏承载餐饮业的空间载体，难以形成餐饮业集聚效应，这在很大程度上抑制互联网的扩散作用。此外，到家O2O餐饮业的运营模式更加契合具有商务办公和学校等功能的城市空间，而龙湖天街和绿宝广场距离该地区主要的商务区和高校距离更近，这也解释了到家O2O餐饮业的中心集聚现象。

图5 苏州高新区城市中心各类餐饮业核密度Fig.5 Kernel density of various catering industries in the city center of the high-tech zone

工业园区餐饮业围绕金鸡湖形成以湖西、湖东为核心的餐饮集聚区，与高新区相同，园区餐饮业同样依托各级各类商场呈现点状分布的特征（图6）。到店O2O餐饮业在湖西和湖东地区的集聚度远高于其他地区，可见到店O2O餐饮业存在明显的中心偏好性，且片区等级越高，中心吸聚力越强。这是因为到店O2O餐饮业的点评、推荐功能增强高等级中心餐饮业的品牌效应，同时拓展高等级餐饮业中心的服务范围。而到家O2O餐饮业则在一定程度上受到互联网扩散作用的影响，双湖广场、顺达广场、联丰广场以及翰林邻里中心等地区的到家O2O餐饮业相较于实体餐饮业均得到增强。此外，这些地区周边的高校同样促进到家O2O 餐饮业的集聚。总体而言，互联网餐饮业仍需依托适当的城市功能空间进行布局。

图6 苏州工业园区城市中心各类餐饮业核密度Fig.6 Kernel density of various catering industries in the city center of the industrial park

3 苏州市互联网餐饮业空间特征的影响因素分析

3.1 影响因素选取

互联网餐饮业是在传统餐饮业基础上发展而来的，所以传统餐饮业空间分布的影响因素如商业集聚度、交通区位及人口分布等同样影响着互联网餐饮业的空间分布，因此本研究选取了传统餐饮业空间布局的影响因素（梁璐，2007；张旭等，2009；舒舍玉等，2012）。同时，为了探究不同城市功能对两类互联网餐饮业的影响差异，使用住宅小区密度、写字楼密度、高校密度和旅游资源密度替代常用的人口密度表征餐饮业的市场依赖。因此，综合考虑传统餐饮空间布局影响因素、苏州互联网餐饮业的实地调研情况及空间数据的可获取性，从市场依赖、交通区位、商业集聚和地价水平4 个方面（表2）对影响苏州市互联网餐饮业空间分布的因素进行分析。

表2 互联网餐饮业空间分布影响因素选取及含义Table 2 Index selection and implication of influencing factors of spatial distribution of Internet catering industry

3.2 模型构建与运算结果

在参考相关研究并多次实验的基础上，采用1 km×1 km的网格对中心城区进行划分，去除各类餐饮业均无分布的单元格，最终得到320个空间分析单元，分别统计自变量与因变量。对变量进行共线性检验，所构建的互联网餐饮业模型共线性均＜10，说明各变量之间具有较好的相互独立性。

首先，构建多元线性回归模型（OLS），结果见表3所示。其次，在OLS模型的基础上利用MGWR软件（Fotheringham et al.,2017）建立考虑了地理位置差异的多尺度地理加权回归模型（MGWR）。结果显示，到店O2O 餐饮业R2从0.773 提高到了0.858，AICc 从452.701 下降至392.008（表3、4）；到家O2O 餐饮业R2从0.616 提高到0.713，AICc 从620.609下降至582.68（见表3、4）。互联网餐饮业的MGWR 模型R2大幅提高的同时AICc 大幅降低，可见相较于OLS 模型，MGWR 模型具有更好的解释力。而互联网餐饮业MGWR 模型的回归系数存在变化，某些区域产生的影响效应也有差异，可见影响因素在不同空间单元对互联网餐饮业的作用不平稳。

表3 互联网餐饮业发展影响因素的OLS模型结果Table 3 OLS model results of factors influencing the development of Internet catering industry

表4 到店O2O和到家O2O餐饮业MGWR模型结果Table 4 MGWR model results of O2O in-store and O2O delivery catering industry

3.3 结果分析

3.3.1 影响程度分析 由全局回归结果可知，到店O2O餐饮业除了高校密度置信度较低，其他影响因素均有着较高的置信度。其因素影响力排序为：商场密度（0.518）>写字楼密度（0.248）>旅游资源密度（0.247） >住宅小区密度（0.108） >房价（0.092）>路网密度（0.084）>高校密度（0.044）（见表3）。商场和写字楼多集中于高等级商圈，可见到店O2O 餐饮业存在向高等级地区集聚的趋势。而旅游资源密度影响较高，验证了到店O2O餐饮业倾向于分布在旅游资源周边的空间特征。

到家O2O餐饮业方面，写字楼密度、旅游资源密度和房价的置信度较低。因素影响力排序为：商场密度（0.639）>路网密度（0.151）>住宅小区密度（0.099） >高校密度（0.077） >写字楼密度（0.066）（见表3）。其中，商场密度影响力远高于其他因素，成为到家O2O 餐饮业分布的决定性因素。由于到家O2O餐饮业具有更为灵活的区位选择，地价水平的影响大幅降低，而旅游资源的低影响力，验证了到家O2O 餐饮业倾向于远离旅游区分布的特征。

3.3.2 影响因素的空间置信度分布 为了进一步揭示各功能类型的城市空间与互联网餐饮业分布的关系，根据MGWR 模型的局部置信空间分布探究市场因素对互联网餐饮业影响的空间异质性。

到店O2O餐饮业除写字楼因素在所有分析单元均显著外，其他3个因素均呈现局部显著状态（图7-a～d）。住宅小区的影响区集中在人口较为稠密的城市中心地区；高校的影响范围则集中在石湖地区和独墅湖高教区，这些区域均是苏州高校的集聚区；旅游资源的影响区集中在古城城市中心，并向四周延伸，高新区和工业园区的到店O2O餐饮业受旅游区影响均较弱。

到家O2O餐饮业方面（图7-e～h），住宅小区置信度在所有分析单元均显著，相较于到店餐饮业，其影响范围从城市中心扩展至城市外围；由表3可知，写字楼密度在中心城区全局并不显著，但在MGWR 模型考虑周边分析单元情况后，写字楼密度在所有分析单元均显著，可见到家O2O餐饮业可以布局在距离写字楼更远的地区；与到店O2O餐饮业类似，到家O2O餐饮业的高校影响区也集中在独墅湖等高校集聚区。

图7 到店O2O（a～d）和到家O2O（e～h）餐饮业影响因素的空间置信分布Fig.7 Spatial confidence distribution of influencing factors of O2O in-store(a-d)and O2O delivery(e-h)catering industry

4 结论与讨论

本文以苏州市为例，比较到店O2O餐饮业和到家O2O餐饮业不同的空间特征，并探讨影响互联网餐饮业空间特征的因素，研究发现，从苏州互联网餐饮业的空间分布看，城市物质空间格局是互联网商业空间布局的基础，互联网对城市空间的影响体现在对已有城市空间功能的优化和放大上。互联网对不同类型的商业服务存在不同的影响，其中到店O2O餐饮业存在显著的中心集聚特征，在互联网信息技术的影响下，传统优质餐饮业的竞争优势被放大；而到店O2O餐饮业则向次级中心扩散，互联网技术的发展使得次级商圈获得较好的发展。由于两类互联网餐饮业运营模式与不同功能类型的城市空间契合度不同，旅游核心区餐饮业呈现较强的到店消费特征，而到家O2O餐饮业更趋向分布在商务办公和高校周边。此外，城市新区商业分级点状分布的空间组织模式推动商业集聚发展，导致城市新区到家O2O餐饮业集聚度显著增强，从而抑制互联网对餐饮业的扩散作用。两类互联网餐饮业受商场密度、写字楼密度和住宅小区密度的影响均较为明显，到店O2O餐饮业的空间分布受到旅游资源的影响较大。

互联网信息技术对同一城市内部不同功能区的商业空间及居民消费行为的影响并不完全相同。如对市区和郊区之间的差异比较（汪明峰等，2013），形成解释互联网技术在空间上扩散规律的两大假说——技术扩散假说和效率假说。相较于市区，郊区的技术较为落后、居民网络技能较差且实体商业欠发达，这些均导致互联网技术在市区和郊区之间的扩散方式不尽相同。然而，城市内部区位差异不仅仅发生在市区和郊区之间，城市空间的组织模式和所承载的功能同样在很大程度上影响互联网餐饮业的空间分布。本文从城市空间和功能异质性视角论证了互联网对城市餐饮业空间的不均衡影响。随着互联网与传统商业的加速融合，可以预见的是，未来不同互联网运营模式与实体商业的结合对城市空间的影响会更加多元且复合，相关研究将具有较好的理论和应用价值。

本文通过对苏州中心城区的实证研究，在一定程度上揭示了互联网影响下的餐饮业空间分布特征和影响因素，但仍存在一些局限性。一是缺乏动态的研究视角。互联网仍在向传统行业加速渗透，互联网餐饮业的空间分布和影响因素仍在变化之中，后续可考虑采用多时间截面进行持续性调查。二是互联网餐饮业空间分布的影响因素有待深化。本文从分析两类O2O餐饮业影响因素差异的角度选取指标，缺乏对店铺声誉、餐饮特色等因素的考虑，未来可选取更加全面的影响因素以开展更为深入的研究。