互联网时代城市隐形消费空间格局与影响因子——以长沙市为例

梁怡欣，叶 强，赵 垚，杜卓阳，万裕瑄

（1.湖南大学 建筑与规划学院，长沙 410082；2.丘陵地区城乡人居环境科学湖南省重点实验室，长沙 410082；3.湖南省地方建筑科学与技术国际科技创新合作基地，长沙 410082）

随着社会信息化发展步伐逐渐加快，基于数字化、网络化构建的城市活动空间衍化为城市的隐性活力空间（王建国，2019），互联网对城市居民消费、日常生活产生了更加深刻的影响（席广亮 等，2014），对社会生产、服务消费等方面的渗透逐渐趋于多样化。网络平台化展示（Mokhtatian, 2004；朱辉煌 等，2020）、消费评价（Chris et al., 2008）、直播购物（Epie et al., 2023）、外卖服务（施响 等，2021）、团购优惠（卢益清 等，2013）等均体现互联网对线下消费空间的多元渗透形式，互联网影响的城市消费空间逐渐发展为城市空间资源的重要组成部分，呈现新的空间组织特征。针对互联网消费空间组织形式的影响因素，既有文献从不同视角展开研究，如传媒信息地理表现（周恺 等，2021）、城市区位特征（张逸姬 等，2019；林玥希 等，2020）、行为选择偏好（马璐 等，2020）等。在研究对象方面，O2O 酒店（Zhou et al., 2023）、体验性团购空间（史坤博 等，2016）、外卖餐饮空间（翟青 等，2020）、“新零售”商店（张英浩 等，2021）、强调视觉消费的“网红空间”（项婧怡 等，2021）等基于不同商业模式的互联网消费空间受到不少学者关注并探讨。

在中国进入存量发展的转型背景下，城市隐形消费空间作为互联网激活城市消费的空间表现（杨继瑞 等，2015），同时也作为互联网消费空间与存量空间资源的联系纽带值得深入探究。隐形消费空间指的是与城市公共空间（如街道、商场、公园广场等）视线联系性弱的实体消费空间（孙世界 等，2021），其一般通过垂直交通或建筑内部通道、狭窄巷道，与城市公共空间进行非直接性连接；相比传统沿街商铺，其多存在于楼宇、巷道中，具有人流量小、可视性弱、通达性弱、租金较低等特点；作为弱消费可达性空间，其依赖邻里口碑和互联网（Zhen et al., 2018）得以生存。

隐形消费空间与互联网商业模式及消费行为密切相关：生鲜电商发展而催生传统零售朝社区零售转型，零售场所向社区、写字楼内部延伸（刘学等，2015），呈现空间隐形化趋势；伴随O2O兴起，休闲餐饮、美容健身等高附加值的新型业态推动楼宇商业发展（路紫 等，2013），由此隐形消费空间业态向体验型消费演变；从而更易获得消费者较高的出行成本意愿（Shi et al., 2020），进一步促进隐形消费空间向街区内部渗透；同时隐形消费空间临近社区，形成市场集聚的正反馈，依托O2O强化推广、优化服务的商业模式，占领短距离体验消费的市场发展先机（马鹏 等，2016）。在城市隐形消费空间与互联网联系的定性探讨中，部分针对特殊地区隐形消费空间与互联网的互动表现研究认为：高校周边的隐形消费空间通过互联网平台弱化空间劣势、增强供需互动（王竟凯 等，2017）；老城区O2O隐形消费空间受物业、建筑类型等微观因子影响（孙世界 等，2021）。由此可见，既有研究对城市隐形消费空间分布的影响因子开展初步实证研究，但仍缺乏大数据支撑的相关分析。

因此，为优化城市消费空间格局，促进线上线下城市商业融合健康发展，推动城市空间资源新一轮高效利用。本文以“网红城市”长沙为例，运用POI数据、高德开放平台商业信息数据，在识别城市隐形消费空间的基础上，将研究对象划分为互联网渗透隐形消费空间和传统隐形消费空间，对比两者空间格局异同，以明确互联网时代隐形消费空间消费特征及其分布特征。并分析城市交通、商业规模、市场需求、租金等影响因子对两者空间格局的影响差异，从而深入辨析互联网时代隐形消费空间相关因子的影响程度。以期为城市商业规划及城市更新改造提供科学的数据支持。

1 数据来源与方法

1.1 区域概况

长沙市是湖南省省会城市，国家中心城市、区域性国际消费中心。其以特色消费空间及传媒为优势，成为典型的“网红城市”。根据城市的开发建设情况，将研究区域限定为长沙市绕城高速以内。

1.2 数据来源与处理

采用2021 年5—7 月长沙市POI 数据，其采集自高德地图。采集的数据经过清洗、去重、纠偏，获得有效信息数量约81万条。从采集的POI数据中分别提取住宅、公寓、公交车站、地铁站、写字楼等位置信息，使用ArcGIS 10.6 建立空间数据库。通过实地调研以及在百度地图进行抽样检测，验证数据的精确性。写字楼租金和商铺租金信息采集自安居客网站①https://xm.anjuke.com/。城市道路数据下载自Open Street Map网站②https://www.openstreetmap.org/。

城市隐形消费空间依照其POI 的空间类型特征、与城市公共空间非直接性连接的地址特征进行提取，识别步骤见图1所示。互联网渗透、传统隐形消费空间的提取通过Python编写程序，针对每个隐形消费空间对应的POIID，检索其在高德地图开放平台的商业消费信息采集和识别，采集时间为2022年1月。将具有网络评分，同时推荐商品、特色服务、人均消费等其他商业信息字段不全为空的POI筛选为互联网渗透的隐形消费空间，商业信息不满足以上标准的POI 筛选为传统隐形消费空间。高德地图开放平台的商业信息与大众点评网、口碑网、飞猪网等多个电子商务平台相连接，能较全面地展示城市消费空间的商业消费信息。参考《城市用地分类与规划建设用地标准（GB50137-2011）》（住房和城乡建设部，2011）和高德开放平台POI分类编码（高德地图开放平台，2021），将城市消费空间划分为餐饮服务、购物服务、生活服务、体育休闲、酒店住宿、科教文化、医疗保健7个大类。

图1 隐形消费空间的POI识别流程Fig.1 Identification process in invisible consumption space

1.3 研究方法

1.3.1 全局Moran'sI和Getis-Ord 指数 全局Mo‐ran'sI可用于度量空间自相关的全局指标，反映相邻或相近空间单元属性值的相似程度。莫兰指数一般取值为-1～1，＜0表示负相关，＝0表示空间非相关，＞0表示空间正相关（苏世亮 等，2019）。Get‐is-Ord 指数又称Gi*指数，能检验局部空间自相关性。其基于距离权重矩阵的局部空间自相关指标，探测低值集聚和高值集聚（薛冰 等，2018）。通过这2 种方法，剔除大部分被水体覆盖的样本，以500 m×500 m 的网格作为统计单元，探究城市隐形消费空间的全局和局部的空间相关性。

1.3.2 地理加权回归 地理加权回归（Geographi‐cally Weighted Regression, GWR）是基于局部平滑的方法，将数据的空间位置嵌入回归参数，利用局部加权最小二乘方法进行逐点参数估计（Brunsdon et al., 1996）。地理加权回归能有效解决变量间的非平稳性，反映空间异质性。利用Arc GIS 10.6 软件的地理加权回归模型，准确展示空间异质性及其空间分布特征。地理加权回归模型（汤庆园 等，2012）为：

式中：yi为第i个观察点的城市隐形消费空间个数；xik表示在观察点i处第k个解释变量的值；（ui,vi）为第i个观察点的空间投影坐标；βk（ui,vi）为观察点i处第k个解释变量的回归系数；n为解释变量的数量；β0（ui,vi）为常数项；εi表示观察点i处的随机误差，满足零均值、同方差、相互独立等基本假设。

2 互联网时代城市隐形消费空间格局

2.1 隐形消费空间的类型与数量特征

长沙市绕城高速内城市隐形消费空间总计14 939 个，如学生街附近无门面的私房菜馆、临近景区位于麓山大酒店所在街区深处居民楼内的青旅，隐形消费空间类型主要为生活服务、科教文化、购物服务（表1），其中非购物消费占比近8成；且购物消费店铺也多呈现设计、定制等体验特征，说明隐形消费空间以体验型服务消费为主导。相较于可见消费空间，城市隐形消费空间消费产品的核心价值之一是提供更加个性化的服务。互联网渗透的隐形消费空间数量为6 125 个。其中，餐饮服务、体育休闲和酒店住宿类别的城市隐形消费空间互联网渗透程度较大，其对应类别互联网渗透与传统的隐形消费空间比值均高于总体水平。

表1 长沙城市隐形消费空间代表店铺、数量与占比Table 1 The representative shops, quantity and proportion of urban invisible consumption space in Changsha

2.2 隐形消费空间结构特征

2.2.1 互联网渗透的隐形消费空间空间结构特征互联网渗透的隐形消费空间经空间自相关分析，满足1%的显著性检验，全局Moran'sI指数为0.54，说明研究区域内互联网渗透的隐形消费空间分布具有明显的空间集聚性。进行Gi*指数分析，将Z得分绝对值＞2.58的数据采用自然间断点分类显示。图2-a 显示，互联网渗透的隐形消费空间呈现为主副核心的双核集聚态势，表现为“一主一副一带多中心”的空间结构形态：“一主”为五一广场商圈，与城市隐形消费空间的核心区分布位置一致，是辐射范围较大的高值集聚区。五一商圈作为长沙市自古以来的城市中心（叶强 等，2015），其周边聚集大量的购物中心、商务中心、名胜古迹。“一副”指第二高值集聚区为红星商圈，Z得分10.89仅次于主要核心区，红星商圈为长沙市现有的区域性商业中心（叶强 等，2021），具有相对成熟的商业发展基础，商业氛围良好。“一带”指沿芙蓉中路自侯家塘向北延伸5.0 km 至湘雅医院的南北向带状分布，取值范围为3.03～17.30。“多中心”指长沙火车南站（9.4）、雨花亭（6.4）、雨花区政府（5.7）、万家丽（5.7）、北辰三角洲（5.3）、星沙（5.2）、长沙火车站（5.2）、黄土岭（4.9）、东塘（4.9）、湘雅二医院（4.2）等。

图2 长沙市互联网渗透（a）和传统（b）的隐形消费空间指数Fig.2 score of online (a) and traditional (b) invisible consumption space in Changsha

2.2.2 互联网渗透与传统隐形消费空间结构异同通过分析不同互联网影响程度下的隐形消费空间分布，观察其空间结构的异同（如图2-a、b）。两者的相同点：1）整体分布呈现明显的空间正相关性，空间自相关分析皆通过1%的显著性检验。2）空间结构形态均与城市干道、商业中心等地理因素分布形态相重合，具有核心区、带、多中心的特征，存在五一广场为中心辐射范围大、集聚性强的核心区；沿芙蓉中路的南北向带状分布；长沙火车南站、东塘、万家丽等集聚中心。3）Getis-Ord 指数不存在冷点区，二者的低值空间都具有均匀或随机分布的特征。

相比传统隐形消费空间，互联网渗透的隐形消费空间分布具有以下特点：1）其空间分布的结构与城市干道的重合度较低、延续性较弱；不存在沿解放路、五一大道延伸的东西向带状分布，且南北向带的长度较短。2）其空间集聚程度在主副核心区都更强，而在其他集聚中心表现较弱。3）其空间集聚中心数量较少，缺少河西王府井、银盆岭、林科大等集聚中心，且在湘江以西无主要集聚中心分布。

3 互联网时代城市隐形消费空间影响因子

3.1 影响因子选取与指标计算

互联网时代城市隐形消费空间属于城市商业空间的一部分，结合已有相关研究和上文隐形消费空间特征，将影响因素划分为城市交通、商业规模、市场需求、租金4个类型：1）城市交通类型，优质的城市交通系统能提升消费者的出行便利度，因此消费空间常集聚于城市交通可达性强的位置（吴康敏 等，2020）。城市干道密度、地铁站密度、公交站密度可以反映城市交通的便利性，宜作为影响因子。2）商业规模类型，邻近的商业实体保持着空间吸引与竞争的关系（Barry et al., 2004），形成不同商业中心的微区位价值差异，进而影响消费空间分布。选取总体消费空间密度，以及互联网渗透程度最高的隐形消费空间业态——酒店住宿和体育休闲2个类别的空间密度作为影响因子。3）市场需求类型，消费主体的分布密度决定市场需求的分布，因此消费空间重心临近生活居住空间重心（谭怡恬，2017），选取城市居民通勤的端点即住宅区、写字楼的空间密度作为影响因子。4）租金类型，租金不仅决定商家的运营成本，也反映城市商业活力和地段商业价值（谷跃 等，2021），选取写字楼租金、商铺租金作为影响因子。各类影响因子指标的详细计算方式如表2所示。

表2 影响因子分类及其计算方式Table 2 The classification and calculation method of influencing factors

3.2 OLS与GWR模型检验

为进一步探究城市隐形消费空间的影响因子，以及分析互联网的影响作用，选取互联网渗透的隐形消费空间、传统隐形消费空间分别作为因变量，选取上文所述的影响因子作为解释变量，构建最小二乘线性回归（OLS）模型和GWR 模型。为减少统计量纲差异造成的影响，对所有指标采用极差标准化的方式进行无量化操作。

OLS模型的联合卡方统计量均通过0.01水平的显著性检验，模型解释度（校正后R2）分别为70.6%和69.4%。模型不存在因子冗余和多重共线性的问题，大部分解释变量通过稳健概率＜0.1 显著性检验（表3）。OLS模型的标准化残差呈现空间自相关关系，因此有必要构建地理加权回归分析模型。GWR模型的标准化残差通过空间自相关检验，说明标准化残差在空间上呈现随机分布，模型运行结果良好。GWR 模型比OLS 模型效果更好，其模型解释度（校正后R2）有明显提升，且模型的AICc值和Sigma 都较小，因此GWR 模型更适合解释互联网影响下的城市隐形消费空间集聚规律。

表3 最小二乘线性模型结果Table 3 Ordinary least squares model results

3.3 影响因子分析

GWR 模型显示每个样本解释变量的局部回归系数（表4）。首先，观察影响类型特征，保留显著因子，通过分析因子类型相关变量的回归系数，发现互联网渗透的隐形消费空间影响因子类型的贡献程度排序为：商业规模＞市场需求＞城市交通＞租金成本；传统的隐形消费空间影响因子类型的贡献程度排序为：市场需求＞商业规模＞城市交通＞租金成本。其次，进一步分析影响因子的特征，发现正向影响因子包括城市干道、地铁站、总体消费空间、体育休闲空间、酒店住宿空间、住宅区、商铺租金，负向影响因子包括公交站、写字楼、写字楼租金。通过分析GWR 模型解释变量回归系数平均值的绝对值，剔除OLS模型中不显著因子，发现互联网渗透的隐形消费空间影响因子的贡献程度排序为：酒店住宿空间＞体育休闲空间＞住宅区＞城市干道＞商铺租金＞写字楼＞公交站；传统隐形消费空间影响因子的贡献程度排序为：住宅区＞体育休闲空间＞总体消费空间＞城市干道＞酒店住宿空间＞地铁站＞公交站＞写字楼租金＞写字楼。

表4 GWR模型局部回归系数描述性统计Table 4 Descriptive statistics of local regression coefficients of GWR

总体上，互联网渗透的隐形消费空间相比传统隐形消费空间，虽仍具有显著的空间异质性，但异质性较小且具有更弱的空间依赖性。一方面，前者解释变量局部回归系数除酒店住宿空间外，其他的标准差、极值差均小于后者，表现出更强的空间稳定性。另一方面，互联网渗透的隐形消费空间回归系数除酒店住宿空间、商铺租金、写字楼外，其他的平均值的绝对值均低于传统隐形消费空间，表现出弱空间依赖性。

3.3.1 商业规模的影响特征 1）酒店住宿空间对隐形消费空间的影响。模型结果（图3-a、h）显示，酒店住宿空间对城市隐形消费空间呈显著正向作用。互联网渗透的隐形消费空间与酒店住宿空间影响一级正值区分布于长沙火车南站及其南部、东南片区，属于长沙市酒店住宿空间的副中心，而非该行业集聚中心五一商圈。酒店住宿空间影响二级正值区主要分布于研究区南部，主要包括湖南省政府、红星等；以及研究区域北部湘江沿岸，包括汉王陵公园和湘江新城。这说明互联网渗透的隐形消费空间更趋向于选择行业竞争稍弱，但仍有较大商业规模的酒店住宿业副中心。

图3 长沙市互联网渗透（a-g）和传统的隐形消费空间（h-o）集聚影响因子回归系数分布Fig.3 Distribution of regression coefficient of influencing factors of online (a-g) and traditional (h-o) invisible consumption space in Changsha

酒店住宿空间在五一商圈对互联网渗透的隐形消费空间形成促进作用，对传统隐形消费空间形成抑制作用，对两者影响方向相反。五一广场商圈地处市中心，既是隐形消费空间的核心集聚区，也是长沙市酒店住宿空间的最强集聚中心。这说明互联网渗透的隐形消费空间在较高集聚程度的酒店住宿空间区域，表现出更强的竞争优势和空间适应性。

2）体育休闲空间对隐形消费空间的影响。GWR模型结果（图3-b、i）显示，体育休闲空间对城市隐形消费空间呈显著正向作用。无论互联网渗透还是传统的隐形消费空间，体育休闲空间的局部回归系数的标准差和极差较大，表现出强烈的空间异质性。同时对二者的影响范围和形态表现基本一致，一级正值区均分布于长沙市体育休闲业态的商业副中心红星商圈；二级正值中心主要分布于银盆岭、河西王府井，呈现沿芙蓉中路、东二环路方向直至四方坪逐渐向外扩散性递减。负值区主要分布于长沙市二环路以外的区域。这说明互联网在体育休闲空间与隐形消费空间的影响中无突出作用。不同互联网渗透程度的隐形消费空间，均趋向选择行业竞争稍弱，具有商业规模的体育休闲业态次级集聚中心。

3）城市总体消费空间对隐形消费空间的影响。GWR 的模型结果（图3-j）显示，城市总体消费空间对互联网渗透和传统的城市隐形消费空间呈正向作用。互联网渗透和传统隐形消费空间，回归系数正值区主要分布在核心聚集区五一商圈，以及集聚中心银盆岭、东塘商圈等，总体消费空间都呈较强的空间吸引力。这说明隐形消费空间在一定程度上依赖于城市实体商圈。负值区主要分布于以批发、家居零售为主红星商圈，该区消费的核心目标是解决以“货”为中心的基本购物需求，这与隐形消费空间以体验服务为主的消费目标不同，因此该区域的总体消费空间的集聚作用较弱。

互联网渗透的隐形消费空间，相比传统隐形消费空间，一方面，其与城市总体消费空间非显著相关，存在较高的零假设发生概率；另一方面，城市总体消费空间是商业规模类型因子中影响程度最弱的。由此说明，互联网渗透能明显减弱总体消费空间与城市隐形消费空间的地理联系。

3.3.2 市场需求的影响特征 1）住宅区对隐形消费空间的影响。模型结果（图3-c、k）显示，住宅区对互联网渗透和传统的城市隐形消费空间呈显著的正向作用，其影响强度均排名前三，说明依托住宅区汇集的居民消费需求、社区口碑传播成为隐形消费空间运营选址的关键。

住宅区是传统隐形消费空间所有影响因子中回归系数平均值最高的，且该值近乎是互联网渗透的隐形消费空间对应数值的2倍。原因在于，一方面，传统隐形消费空间可视性和可达性较弱，且以服务消费为主，受城市活动、通勤所形成的人流影响较小，因此更依赖于邻里社区形成的口碑宣传。社区口碑与互联网展示形成相互补充替代的宣传作用。另一方面，传统隐形消费空间的最主要业态是生活服务类，具有向生活场所聚集的趋势。

2）写字楼对隐形消费空间的影响。模型结果（图3-d）显示，写字楼对城市隐形消费空间聚集基本呈现显著的负向作用，传统与互联网渗透的隐形消费空间的平均值、中位数皆为负数。负值中心带状分布于长沙市重要商务园区，包括河东中央商务区、河西中央商务区、滨江金融中心以及位于城郊的圭塘街道南片区。少部分正值区域主要位于绕城高速附近的城郊片区。长沙市二环线内写字楼的影响呈现稳定的抑制作用。这说明长沙市城市隐形消费空间与商务办公空间呈现负相关关系。其原因可能在于，隐形消费空间以体验型服务消费为主，其慢节奏、长耗时的消费特征，与商务工作人群快节奏的消费需求不匹配。

3.3.3 城市交通的影响特征 1）城市干道对隐形消费空间的影响。城市干道是城市交通类影响因子中影响程度最大的。模型结果（图3-e、l）显示，城市干道对城市隐形消费空间呈现显著的正向作用，仅在城郊绕城高速附近对城市隐形消费空间呈现负向作用，呈现明显的“中心-外围”模式。互联网渗透和传统的隐形消费空间均表现出局部回归系数正向作用高值区分布在主要核心聚集区五一商圈以及集聚中心星沙、银盆岭、东塘、北辰三角洲、长沙火车站、万家丽等。这表明对于公共服务设施完备的城市中心区，城市隐形消费空间趋向集聚于城市道路设施建设水平高的区域。

城市干道对互联网渗透的隐形消费空间的局部回归系数平均值低于其对传统隐形消费空间的对应数值，说明互联网渗透能减弱城市隐形消费空间对城市干道的地理联系。其原因可能是，一方面，互联网平台提供具有展示性的消费信息，提高消费者信息搜集与筛选的效率，从而增强消费目的性，减少“路过”场景下的即兴消费，减弱消费空间的交通环境约束；另一方面，互联网信息的展示性能弥补隐形消费空间在可见性方面的劣势。

2）公交站对隐形消费空间的影响。模型结果（图3-f、m）显示，公交站对城市隐形消费空间呈现显著的负向作用，城市二环线内公交站密度的影响呈现稳定的抑制作用。其中，负向作用高值区主要分布在核心聚集区五一商圈，该区域是城市最核心商圈，其公共交通需求量大，同时该区域也是长沙地铁站密度最高的区域，该地公交建设水平低于轨道交通建设水平（长沙市的交通体系规划是以轨道交通为骨干，常规公交为基础），因此公交站的影响与隐形消费空间集聚情况不匹配。正向作用区域主要分布于绕城高速附近的城郊区域以及京港澳高速沿线的星沙南片区、隆平高科技园、体育新城、圭塘等区域。该区域多为开发年限较短或开发建设潜力较大的产业园区、城市新城、城郊区域，优先发展高灵活性、易建设的公交网络，因而促进城市隐形消费空间聚集。

公交站对互联网渗透的隐形消费空间的局部回归系数平均值的绝对值低于对传统隐形消费空间的对应数值，说明互联网渗透能减弱公交站对城市隐形消费空间的负向作用程度。

3）地铁站对隐形消费空间的影响。模型结果（图3-n）显示，地铁站对互联网渗透和传统的隐形消费空间呈正向作用，仅在梅溪湖及其以北区域；星沙、开福区政府、珠江花城及捞刀河沿岸；城郊部分绕城高速附近等区域对城市隐形消费空间呈现负向作用。负值区均为地铁路线首末站以及未覆盖或地铁新投入地区，其客流强度及换乘系数较低，导致地铁站对隐形消费空间难以发挥集聚作用。

互联网渗透能明显减弱地铁站与城市隐形消费空间的地理联系。一方面，根据全局样本统计分析，互联网渗透的隐形消费空间与地铁站呈现非显著正相关关系；另一方面，依据GWR 模型局部空间回归系数的表现，互联网渗透的隐形消费空间与地铁站的影响联系也是城市交通类中最弱的影响因子，低于地铁站对传统隐形消费空间的对应数值。

3.3.4 租金成本的影响特征 1）商铺租金对隐形消费空间的影响是租金成本类影响因子中最大的。模型结果（图3-g），76%样本的局部回归系数为正，这说明商铺租金对城市隐形消费空间基本呈正向作用。一级正值区在红星、莲湖大市场区域；浏阳河西岸的四方坪、东屯渡、马王堆街道以及东岸的马坡岭区域。红星、莲湖大市场区域皆属于长沙市区域性商业中心红星商圈（长沙市自然资源和规划局，2021），商业氛围良好，其商铺租金价格处于城市中游，租金性价比高，更有利于投资成本较小的城市隐形消费空间聚集。浏阳河沿岸正值区的自然风光优美且是该行政区重要人居板块，大量新旧住宅区穿插分布，商铺租金价格适中。

商铺租金对不同隐形消费空间的影响差异。在河西中央商务区以及五一商圈，商铺租金对传统和互联网渗透的隐形消费空间表现分别为负向和正向的相反影响。五一商圈为其商铺租金价格处于长沙最高水平，河西商务中央区租金则处于中游水平，但其地处区域性商业中心边缘，商业氛围较弱。这说明对于商铺租金较高或商业氛围较弱的区域，互联网渗透的隐形消费空间展现出更强适应力，商家拥有更高的付租意愿。

2）写字楼租金对隐形消费空间的影响。模型结果（图3-o）显示，写字楼租金对城市隐形消费空间呈负向作用。负向影响主要表现在一级负值区银盆岭、年嘉湖至雨花亭的南北向带，共同二级负值区在星沙以及一级负值区边缘。写字楼租金反映办公功能方面的区位价值，并直接影响位于写字楼内的隐形消费商家运营成本。写字楼区位价值对于城市隐形消费空间的集聚作用极弱，同时租金提升将增加经营者的运营压力，因此写字楼租金作为城市隐形消费空间集聚的不利因素，表现为负向关系。

写字楼租金对互联网渗透的隐形消费空间，相比于传统隐形消费空间，负向影响范围更小且程度更低。其在长沙市河东中央商务区对传统和互联网渗透的隐形消费空间表现出完全相反的影响方向，分别为负向、正向相关关系，说明体现互联网渗透的隐形消费空间在写字楼租金较高、竞争激烈的地区表现出更强的付租能力，互联网渗透能减弱写字楼租金与城市隐形消费空间的地理联系。

4 结论与讨论

以长沙市城市隐形消费空间的POI 数据为基础，对总体、互联网渗透、传统的隐形消费空间分布及其影响因子进行分析，得到的主要结论有：

1）互联网影响下的长沙市城市隐形消费空间以体验型服务消费为主，主要为生活服务类、科教文化类、购物服务类消费类别。互联网渗透的隐形消费空间呈现以五一广场和红星商圈为主副核心的双核集聚态势，其空间分布呈现“一主一副一带多中心”的结构形态。相比传统隐形消费空间，其集聚程度在主副核心区强，整体空间结构延续性弱。

2）互联网渗透的隐形消费空间相比传统隐形消费空间，虽仍具有显著空间异质性，但总体表现出弱空间依赖性。其空间分布是由多类型影响因子、多级别复合作用产生。影响因子类型影响强度排序为商业规模＞市场需求＞城市交通＞租金成本。影响因子的贡献度排序为酒店住宿空间＞体育休闲空间＞住宅区＞城市干道＞商铺租金＞写字楼＞公交站。除公交站、写字楼外，其余均对互联网渗透的隐形消费空间聚集产生促进作用。互联网渗透的隐形消费空间趋向聚集于商业氛围成熟且竞争环境良好、道路交通便利、租金性价比高、住宅区集中的区域。酒店住宿空间、体育休闲空间、商铺租金均在因子对应的行业、租金高值副中心表现出最强的促进集聚效果。城市干道呈现“中心-外围”的影响模式。住宅区、写字楼、公交站在绕城高速附近表现显著的空间非稳定性，而在城市二环线内呈现较稳定的抑制作用。

本研究对隐形消费空间格局的刻画、互联网渗透下的隐形消费空间分布的影响等方面取得一定研究成果。在空间结构方面，隐形消费空间在城市内部街区尺度表现出流空间的分布特征，其受交通可达性的地理约束减弱，且通过特色产品建立场所集聚的正反馈，其空间层次朝着非树形演化（晏龙旭，2021）。城市隐形消费空间借助互联网信息流，即使在客流与可视性的劣势下，仍创造商业生命力，打破交通、视线约束带来的场所垄断。原因在于，一方面，对于消费时间更长、消费氛围更优、消费需求更个性化的体验式消费而言，相比可见消费空间，隐形消费空间的经营者通过低场地租金，将有限的资源最大化地用于优化消费体验；另一方面，消费者借助互联网信息高效流通、针对性匹配的作用，精准发现满足个性化需求的商家，并愿意付出更高的消费可达成本。同时，长沙市互联网渗透的隐形消费空间结构与当地商业空间结构具有一定的一致性，且受商业规模和市场需求的主要影响，仍表现出符合中心地理论的基本空间结构（Taylor et al., 2010），呈现“集聚－扩散”的多中心形态，在城市本地商圈、行业中心发生集聚，且向地块内部渗透的同时，朝建筑内部纵向扩散，形成弱区位，而非“无区位”的场所演化。在空间使用方面，隐形消费空间受互联网良性介入，潜在商业价值被开发，减少住宅区、写字楼的空置资源，缓解用地规划与实际建筑使用的错配问题，促进城市空间的存量资源再利用。此外，对于“网红城市”而言，依托于互联网开展的城市商业活动愈发丰富，城市隐形消费空间将成为城市隐性活力感知的重要场所。

本研究也存在一些不足：首先，本研究主要从供给端角度反映隐形消费空间特征，没有充分反映将消费者作为出发点的需求端特征。其次，由于数据可获得性的限制，本研究关注点集中于实体因素的影响作用，而城市隐形消费空间既有明显的实体场所特征，也是互联网“流空间”的产物。因此，本研究对城市隐形消费空间仅进行互联网渗透与传统隐形消费空间两类的划分，未能将其受信息流、资金流等虚拟因素的具体影响清晰刻画。未来可针对以上问题，进一步开展城市隐形消费空间与消费者认知、虚拟影响因素的关联研究，从而明确城市隐形消费空间的形成机制，更精准地发掘互联网激活城市空间资源的潜在价值，促进线上线下商业的融合发展。