توسعه سریع اقتصاد چین تقاضای مصرف کننده را تحریک کرده و فرصت های بزرگی را برای صنعت خرده فروشی به ارمغان آورده است. مطالعات قبلی بر اهمیت تخمین پتانسیل مصرف منطقه ای تاکید کرده اند. با این حال، عوامل تعیین کننده خرده فروشی هنوز به طور سیستماتیک مورد مطالعه قرار نگرفته اند، به ویژه در سطح خرد. در نتیجه، تحقق اهداف توسعه پایدار در صنعت خرده فروشی محدود می شود. در این مقاله، ما عوامل تعیین‌کننده خرده‌فروشی را از دو جنبه بررسی کردیم – عوامل اجتماعی-اقتصادی مبتنی بر مکان و رقابت فضایی بین مغازه‌ها. با استفاده از ۱۲۵۰۰ فروشگاه خرده‌فروشی به‌عنوان نمونه و با اتخاذ استراتژی تقسیم شبکه، دریافتیم که خرده‌فروشی منطقه‌ای می‌تواند به طور مثبت تحت تأثیر جمعیت اطراف، طول جاده، و بیشتر نقاط مورد علاقه غیرتجاری (POI) باشد. در مقابل، تعداد سایر تسهیلات تجاری، مانند امکانات پذیرایی و مراکز خرید، و مساحت موانع جغرافیایی اغلب بر فروش خرده‌فروشی تأثیر منفی می‌گذارد. در مورد اثرات رقابت، ما دریافتیم که انزوا و غیرمتمرکز شدن مغازه‌ها در یک منطقه تأثیر مثبتی بر عملکرد فروش در فاصله آستانه 226.19 متر برای شبکه مرکزی و فاصله آستانه 514.85 متر برای شبکه‌های اطراف دارد. این مطالعه عوامل تعیین‌کننده فروش خرده‌فروشی در سطح خرد را بررسی می‌کند و رویکردهای عملی و واقع‌بینانه را برای انتخاب سایت و استراتژی‌های بازاریابی بهتر به تصمیم‌گیرندگان ارائه می‌دهد، بنابراین اهداف توسعه پایدار صنعت خرده‌فروشی را محقق می‌کند. و محدوده موانع جغرافیایی اغلب باعث تأثیرات منفی بر فروش خرده فروشی می شود. در مورد اثرات رقابت، ما دریافتیم که انزوا و غیرمتمرکز شدن مغازه‌ها در یک منطقه تأثیر مثبتی بر عملکرد فروش در فاصله آستانه 226.19 متر برای شبکه مرکزی و فاصله آستانه 514.85 متر برای شبکه‌های اطراف دارد. این مطالعه عوامل تعیین‌کننده فروش خرده‌فروشی در سطح خرد را بررسی می‌کند و رویکردهای عملی و واقع‌بینانه را برای انتخاب سایت و استراتژی‌های بازاریابی بهتر به تصمیم‌گیرندگان ارائه می‌دهد، بنابراین اهداف توسعه پایدار صنعت خرده‌فروشی را محقق می‌کند. و محدوده موانع جغرافیایی اغلب باعث تأثیرات منفی بر فروش خرده فروشی می شود. در مورد اثرات رقابت، ما دریافتیم که انزوا و غیرمتمرکز شدن مغازه‌ها در یک منطقه تأثیر مثبتی بر عملکرد فروش در فاصله آستانه 226.19 متر برای شبکه مرکزی و فاصله آستانه 514.85 متر برای شبکه‌های اطراف دارد. این مطالعه عوامل تعیین‌کننده فروش خرده‌فروشی در سطح خرد را بررسی می‌کند و رویکردهای عملی و واقع‌بینانه را برای انتخاب سایت و استراتژی‌های بازاریابی بهتر به تصمیم‌گیرندگان ارائه می‌دهد، بنابراین اهداف توسعه پایدار صنعت خرده‌فروشی را محقق می‌کند. ما دریافتیم که انزوا و تمرکززدایی مغازه‌ها در یک منطقه تأثیر مثبتی بر عملکرد فروش به ترتیب در فاصله آستانه 226.19 متر برای شبکه مرکزی و فاصله آستانه 514.85 متر برای شبکه‌های اطراف دارد. این مطالعه عوامل تعیین‌کننده فروش خرده‌فروشی در سطح خرد را بررسی می‌کند و رویکردهای عملی و واقع‌بینانه را برای انتخاب سایت و استراتژی‌های بازاریابی بهتر به تصمیم‌گیرندگان ارائه می‌دهد، بنابراین اهداف توسعه پایدار صنعت خرده‌فروشی را محقق می‌کند. ما دریافتیم که انزوا و تمرکززدایی مغازه‌ها در یک منطقه تأثیر مثبتی بر عملکرد فروش به ترتیب در فاصله آستانه 226.19 متر برای شبکه مرکزی و فاصله آستانه 514.85 متر برای شبکه‌های اطراف دارد. این مطالعه عوامل تعیین‌کننده فروش خرده‌فروشی در سطح خرد را بررسی می‌کند و رویکردهای عملی و واقع‌بینانه را برای انتخاب سایت و استراتژی‌های بازاریابی بهتر به تصمیم‌گیرندگان ارائه می‌دهد، بنابراین اهداف توسعه پایدار صنعت خرده‌فروشی را محقق می‌کند.

کلید واژه ها:

خرده فروشی ; عوامل اجتماعی و اقتصادی رقابت فضایی ؛ اهداف توسعه پایدار

1. مقدمه

با توسعه اقتصاد چین، مصرف اجتماعی کالاهای مصرفی روند افزایش چشمگیری را نشان می دهد [ 1 ، 2 ]. بر اساس گزارش سالانه اقتصادی چین در سال 2021 که توسط اداره ملی آمار در 17 ژانویه 2022 منتشر شد [ 3 ]، کل فروش کالاهای مصرفی در سال 2021 به 44.1 تریلیون یوان رسید که نشان دهنده افزایش 12.5 درصدی نسبت به سال 2020 و سهم 65.4 درصدی در رشد اقتصادی کل. این سناریو فرصت‌های عظیمی را برای بهبود و توسعه صنعت خرده‌فروشی ارائه می‌کند و ایجاد فروشگاه‌های خرده‌فروشی جدید را تحریک می‌کند، که انتخاب سایت و استراتژی‌های بازاریابی آنها باید پس از تجربه دوره تعطیلی انبوه در سال 2020 با دقت بیشتری برنامه‌ریزی شود [ 4 ]. .5 ، 6 ]. بنابراین، مطالعه عوامل تعیین‌کننده فروش فروشگاه‌های خرده‌فروشی از منظری جدید – سطح خرد جغرافیایی – می‌تواند برای صنعت خرده‌فروشی در تطبیق استراتژی‌های بازاریابی خود در طول دوره پس از اپیدمی مفید باشد.
مطالعات قبلی اثرات عوامل تعیین کننده در مقیاس کلان را بر فروش خرده فروشی مستند کرده اند. عوامل تعیین کننده در مقیاس کلان عمدتاً معیارهای آماری اجتماعی-اقتصادی هستند، مانند تولید ناخالص داخلی (GDP) و جمعیت، که از سالنامه های آماری در مقیاس استانی یا ملی به دست می آیند. بر اساس داده های آماری از صنعت خرده فروشی در غنا، روونا [ 7 ] اشاره کرد که سه متغیر مستقل اصلی، یعنی اندازه جمعیت، درآمد سرانه و کشش درآمدی تقاضا، با تقاضای کل مصرف همبستگی مثبت دارند. با استفاده از داده های آماری رایج، Joacim [ 8] دریافت که افزایش آگاهی زیست محیطی با تأثیر بر نگرش مصرف کنندگان نسبت به مصرف بیش از حد، نقش کلیدی در خرده فروشی نیز دارد. این یافته با یافته پلاوینی [ 9 ] مطابقت داشت. یورگنسن با استفاده از داده های سرشماری در ایالات متحده دریافت که تقریباً 22 درصد از جمعیت آمریکا تا سال 2030 60 سال و بالاتر خواهند بود و اشاره کرد که نسبت جمعیت سالخورده باعث روندهای مختلف خرده فروشی در بین ایالت ها می شود [ 10 ]. Mavis با مشاهده عملکرد فروش فروشگاه‌ها در بریتانیا در طول رکود اقتصادی در دهه 1990 دریافت که حجم خرده‌فروشی با رونق اقتصادی همبستگی مثبت دارد و فروشگاه‌های مواد غذایی نسبت به فروشگاه‌های غیرغذایی از نوسانات اقتصادی در مقیاس بزرگ‌تری متحمل تأثیر می‌شوند. [ 11]. یافته های به دست آمده از طریق این داده های آماری می تواند قواعد اساسی توسعه اقتصادی را آشکار کند که می تواند در پیش بینی پتانسیل مصرف ملی و استانی در چند سال آینده مفید باشد [ 12 ، 13 ]. با این حال، کاربرد یافته‌ها در مطالعات در مقیاس خرد محدودیت‌هایی را نشان می‌دهد: (1) داده‌های آماری فاقد اطلاعاتی هستند که پیکربندی شهری نزدیک مغازه‌های خرده‌فروشی را توصیف می‌کند، که نقش کلیدی در تأثیرگذاری بر فروش آنها دارد. داده های آماری در مقیاس بزرگ برای تخمین بسیار دقیق پتانسیل تجاری در مقیاس های کوچکتر مشکل ایجاد می کند. (2) داده های آماری نمی تواند رابطه جغرافیایی و رقابت بین خرده فروشی ها را که یکی از عوامل کلیدی تأثیرگذار بر خرده فروشی است، منعکس کند.
عوامل تعیین کننده پتانسیل مصرف در مقیاس خرد باید بررسی شوند و عوامل جغرافیایی باید در نظر گرفته شوند تا راهنمایی عملی برای صنعت خرده فروشی ارائه شود. اگرچه مطالعات قبلی اشاره کرده اند که خرده فروشی از نظر جغرافیایی با عوامل اجتماعی-اقتصادی مجاور همبستگی دارد، مکانیسم آن نامشخص است [ 14 ، 15 ]. بررسی عوامل تعیین‌کننده اجتماعی-اقتصادی مبتنی بر مکان در مصرف خرده‌فروشی، موضوعی ضروری برای ارائه راهنمایی برای دولت‌ها در سراسر جهان برای تدوین اقدامات محرک مصرف و کمک به خرده‌فروشان برای دستیابی به بهبود سریع در دوران پس از همه‌گیری است.
مطالعات اخیر به اهمیت عوامل اجتماعی-اقتصادی در سطح خرد و مجاورت فضایی بین مغازه‌های خرده‌فروشی پی برده‌اند و چندین مدل را برای توصیف تعامل بالقوه بین این عوامل و مصرف منطقه‌ای پیشنهاد کرده‌اند. مارتین [ 16 ] مدل تعامل فضایی را برای توصیف جذابیت مصرف کننده یک منطقه تجاری پیشنهاد کرد، که تصور می شد با اندازه جمعیت در اطراف منطقه همبستگی مثبت دارد، اما با فاصله بین مصرف کنندگان و منطقه همبستگی منفی داشت. بر این اساس، Convers [ 17] مدل نقطه شکست را برای تعیین مقدار آستانه فاصله برای جاذبه خرده فروشی بین دو مرکز تجاری پیشنهاد کرد. علاوه بر داده‌های جمعیت‌شناختی، مجموعه‌ای از مجموعه‌های داده برای اندازه‌گیری جذابیت در سطح خرد تسهیلات خرده‌فروشی به کار گرفته شد. جیانگ [ 18 ] و وانگ [ 19 ] با استفاده از داده‌های اعلام حضور Sina Weibo – نوعی از داده‌های رسانه‌های اجتماعی مبتنی بر مکان – یک مدل رقابت خرده‌فروشی را برای اندازه‌گیری کمی رقابت‌پذیری هر فروشگاه با در نظر گرفتن فاصله و تعداد ورود ارائه کردند. سوابق واقع در مناطق مجاور بر اساس داده های حمل و نقل، کوهن و اپلبام [ 20 ] ثابت کردند که فروش خرده فروشی می تواند تحت تأثیر زمان رانندگی ماشین و همچنین منطقه فروشگاه قرار گیرد. با استفاده از داده های نور شبانه مجموعه رادیومتر تصویربرداری مادون قرمز مرئی، وانگ [21 ] یک مدل فعالیت انسانی برای توصیف تحرک جمعیت در مناطق تجاری مختلف پیشنهاد کرد و سپس پتانسیل مصرف را با انجام رگرسیون وزن‌دار جغرافیایی پیش‌بینی کرد. با این حال، تلاش‌های فوق عمدتاً از طریق روش‌های جعبه سیاه انجام شد، به این معنی که رابطه اقتصادی بین این عوامل جغرافیایی و خرده‌فروشی هنوز به طور سیستماتیک ثابت شده است.
عوامل تعیین کننده مصرف محلی در مقیاس خرد یک مسئله حل نشده اما فوری هم در علم بازاریابی و هم در علم جغرافیا بوده است. از این رو، این مطالعه با هدف بررسی رابطه بین انواع عوامل مبتنی بر مکان، از جمله عوامل اجتماعی-اقتصادی و عوامل مجاورت فضایی، و مصرف منطقه‌ای، با هدف تحقیق برای ارائه راهنمایی جهانی برای صنعت خرده‌فروشی انجام می‌شود. برای دستیابی به این هدف، آزمایش جدیدی را با استفاده از داده‌های فروش واقعی و مکان‌های فروشگاه‌های خرده‌فروشی در Qiannan، چین طراحی کردیم. ابتدا، شاخص‌های اجتماعی-اقتصادی، شامل POI، داده‌های جمعیت و شبکه‌های جاده‌ای، به همراه 12500 داده خرده‌فروشی، استخراج و با استفاده از استراتژی پردازش تقسیم شبکه‌ای در مقیاس شبکه‌ای شکل گرفتند. دومین، ما یک مدل رقابت طراحی کردیم و دو شاخص رقابت مبتنی بر مکان، از جمله شاخص رقابت مبتنی بر عدد و شاخص رقابت مبتنی بر فاصله را با توجه به مجاورت فضایی بین مغازه‌ها محاسبه کردیم. سوم، تمام متغیرهای اجتماعی-اقتصادی و معیارهای رقابت فضایی در یک مدل رگرسیون حداقل مربعات معمولی (OLS) گنجانده شدند. نتایج نشان داد که خرده‌فروشی منطقه‌ای می‌تواند به طور مثبت تحت تأثیر جمعیت نزدیک، طول جاده و بیشتر POI‌های غیرتجاری باشد. ما همچنین دریافتیم که انزوا و غیرمتمرکز شدن مغازه‌ها در یک منطقه تأثیر مثبتی بر عملکرد فروش به ترتیب در فاصله آستانه 226.19 متر برای شبکه مرکزی و فاصله آستانه 514.85 متر برای شبکه‌های اطراف دارد. با توجه به مجاورت فضایی بین مغازه ها. سوم، تمام متغیرهای اجتماعی-اقتصادی و معیارهای رقابت فضایی در یک مدل رگرسیون حداقل مربعات معمولی (OLS) گنجانده شدند. نتایج نشان داد که خرده‌فروشی منطقه‌ای می‌تواند به طور مثبت تحت تأثیر جمعیت نزدیک، طول جاده و بیشتر POI‌های غیرتجاری باشد. ما همچنین دریافتیم که انزوا و غیرمتمرکز شدن مغازه‌ها در یک منطقه تأثیر مثبتی بر عملکرد فروش به ترتیب در فاصله آستانه 226.19 متر برای شبکه مرکزی و فاصله آستانه 514.85 متر برای شبکه‌های اطراف دارد. با توجه به مجاورت فضایی بین مغازه ها. سوم، تمام متغیرهای اجتماعی-اقتصادی و معیارهای رقابت فضایی در یک مدل رگرسیون حداقل مربعات معمولی (OLS) گنجانده شدند. نتایج نشان داد که خرده‌فروشی منطقه‌ای می‌تواند به طور مثبت تحت تأثیر جمعیت نزدیک، طول جاده و بیشتر POI‌های غیرتجاری باشد. ما همچنین دریافتیم که انزوا و غیرمتمرکز شدن مغازه‌ها در یک منطقه تأثیر مثبتی بر عملکرد فروش به ترتیب در فاصله آستانه 226.19 متر برای شبکه مرکزی و فاصله آستانه 514.85 متر برای شبکه‌های اطراف دارد. نتایج نشان داد که خرده‌فروشی منطقه‌ای می‌تواند به طور مثبت تحت تأثیر جمعیت نزدیک، طول جاده و بیشتر POI‌های غیرتجاری باشد. ما همچنین دریافتیم که انزوا و غیرمتمرکز شدن مغازه‌ها در یک منطقه تأثیر مثبتی بر عملکرد فروش به ترتیب در فاصله آستانه 226.19 متر برای شبکه مرکزی و فاصله آستانه 514.85 متر برای شبکه‌های اطراف دارد. نتایج نشان داد که خرده‌فروشی منطقه‌ای می‌تواند به طور مثبت تحت تأثیر جمعیت نزدیک، طول جاده و بیشتر POI‌های غیرتجاری باشد. ما همچنین دریافتیم که انزوا و غیرمتمرکز شدن مغازه‌ها در یک منطقه تأثیر مثبتی بر عملکرد فروش به ترتیب در فاصله آستانه 226.19 متر برای شبکه مرکزی و فاصله آستانه 514.85 متر برای شبکه‌های اطراف دارد.
سهم این اثر به شرح زیر است. در جنبه نظری، ابتدا، ما یک چارچوب جامع را برای مطالعه سیستماتیک عوامل تعیین‌کننده خرده‌فروشی در سطح خرد از دو جنبه – عوامل اجتماعی-اقتصادی مبتنی بر مکان و رقابت فضایی بین مغازه‌ها – پیشنهاد کردیم که ممکن است دیدگاه تحقیقاتی سطح کلان قبلی را افزایش دهد. دوم، ما رویکردهای جدیدی را برای اندازه‌گیری رقابت فضایی بین مغازه‌ها بر اساس نسبت و توزیع‌های مبتنی بر فاصله مغازه‌ها پیشنهاد کردیم، که در مقایسه با در نظر گرفتن تعداد مغازه‌های خرده‌فروشی، می‌توانند توانایی رقابتی را در هر شبکه بهتر منعکس کنند. بنابراین، روش پیشنهادی می تواند توسط محققان آینده مورد استفاده قرار گیرد. سوم، ما دریافتیم که اگرچه تمرکززدایی فضایی مکان مغازه ها ممکن است به فروش منطقه ای کمک کند، این بدان معنا نیست که هر چه مغازه ها دورتر باشند، بهتر است. فواصل مغازه ها در منطقه و اطراف مغازه ها اثرات U شکل معکوس بر فروش منطقه ای داشته است و آستانه تأثیرات مثبت را به دست آوردیم. در بعد عملی، روش‌شناسی و نتایج تجربی اثر مکان ارائه‌شده می‌تواند برای متخصصان بازاریابی و برنامه‌ریزان شهری آموزنده باشد تا با بهره‌گیری از داده‌های فضایی اجتماعی-اقتصادی و فروشگاهی، برای تحقق بخشیدن به مزایای اقتصادی پایدار صنعت مصرف آفلاین، تصمیم‌گیری بهتری برای انتخاب سایت بگیرند. ساخت شهر هوشمند
بقیه این مقاله به شرح زیر سازماندهی شده است: بخش 2 منطقه مورد مطالعه و مجموعه داده مورد استفاده در این مطالعه را توصیف می کند. بخش 3 و بخش 4 به ترتیب روش ها و نتایج تجربی را نشان می دهد. بخش 5 بررسی استحکام نتایج ما و محدودیت‌های کار فعلی را مورد بحث قرار می‌دهد. بخش 6 مقاله را به پایان می رساند.

2. مواد

2.1. منطقه مطالعه

استان خودمختار Qiannan Buyei و Miao (Qiannan)، واقع در ناحیه مرکزی جنوب استان Guizhou در چین و نزدیک مرکز استان Guiyang ( شکل 1 a)، به عنوان منطقه مورد مطالعه تعیین شده است. Qiannan متعلق به منطقه شیب از فلات Guizhou تا Guangxi Hills است. از این رو، زمین آن در غرب بالاتر و در شرق کمتر است، با حداکثر اختلاف ارتفاع به 1719 متر ( شکل 1 ج). میانگین ارتفاع کیان‌نان 997 متر است که از میانگین ارتفاع 1107 متری استان کمتر است. 22 ].]. زمین های کم ارتفاع، همراه با آب و هوای نیمه گرمسیری موسمی آن، باعث ایجاد سطح زمین پیچیده و متنوعی می شود که با جنگل های قله، خوشه های قله، دره های فرورفتگی، فرورفتگی ها و چاله های آب مشخص می شود. Qiannan یک آب و هوای نیمه گرمسیری مرطوب موسمی را نشان می‌دهد که میانگین دمای سالانه آن از 19.6- تا 13.6 درجه سانتی‌گراد و بارندگی سالانه به 1200 میلی‌متر می‌رسد. این ویژگی ها، کیان نان را به یکی از مناطق با بیشترین بارش تبدیل می کند. با مساحت کل 26200 کیلومتر مربع ، کیانان شامل 12 واحد اداری در سطح شهرستان (دو شهر در سطح شهرستان، نه شهرستان و یک شهرستان خودمختار)، همانطور که در نشان داده شده است. شکل 1 نشان داده شده است.ب طبق سرشماری هفتم چین، کیانان تا نوامبر 2021 تقریباً 3.49 میلیون ساکن طولانی مدت دارد و جمعیت اقلیت قومی حدود 59٪ از کل جمعیت را تشکیل می دهد ( شکل 1 د).
موقعیت جغرافیایی و فرهنگ خاص تا حد زیادی بر ساختار اقتصادی کیانان تأثیر می گذارد که به شدت به صنعت اولیه آن متکی است. بر اساس داده های آماری، سهم صنعت اولیه در کیان نان در سال 2020 به 15.97 درصد رسید که به مراتب بیشتر از سطح متوسط ​​کل کشور (7.7 درصد) بود. با بهره مندی از برنامه “یک کمربند و یک جاده” در چین، اقتصاد اجتماعی کیانان دستخوش توسعه برجسته ای شده است، به طوری که کل تولید ناخالص داخلی به 23.35 میلیارد دلار در سال 2019 و رشد سالانه 7.9٪ رسیده است. 23 ].]. با این حال، تولید ناخالص داخلی سرانه آن (7300 دلار آمریکا) تنها 64 درصد از سطح متوسط ​​کل کشور است و حتی در سال 2020 روند کاهشی را نشان می دهد، زیرا نرخ رشد جمعیت آن بیشتر از رشد تولید ناخالص داخلی آن است. این امر Qiannan را از محیط شهرهای بزرگ توسعه یافته متفاوت می کند و اهمیت مطالعه خرده فروشی منطقه ای آن را افزایش می دهد.
بر اساس گزارش اداره ملی آمار، کل خرده فروشی کالاهای مصرفی در سال 2019 به 4.56 میلیارد دلار رسید که نسبت به سال قبل 3.3 درصد افزایش یافته است. خرده فروشی مناطق شهری با افزایش سالانه 3.2% به 4.30 میلیارد دلار رسید. خرده فروشی مناطق روستایی با افزایش سالانه 4.4 درصدی به 0.26 میلیارد دلار رسید. الگوی مصرف نشان می دهد که درآمد خدمات پذیرایی با 11.5 درصد افزایش سالانه 0.87 میلیارد دلار و درآمد کالاهای مصرفی 36.7 میلیارد دلار با 1.5 درصد افزایش سالانه بوده است. اقتصاد به سرعت در حال توسعه سرمایه‌گذاری‌های خارجی زیادی را جذب کرده است. در سال 2019، کل سرمایه گذاری خارجی به 9.4 میلیون دلار رسید که نسبت به سال قبل 103 درصد افزایش یافته است.

2.2. داده ها

2.2.1. داده های فروشگاه های خرده فروشی

داده‌های خرده‌فروشی‌ها شامل داده‌های فروش ماهانه 12500 فروشگاه خرده‌فروشی واقع در کیان‌نان از ژانویه 2015 تا دسامبر 2016، به همراه اطلاعات موقعیت مکانی (طول و عرض جغرافیایی) هر مغازه است. این فروشگاه‌های خرده‌فروشی انواع اصلی تسهیلات تجاری را پوشش می‌دهند که FMCG را به مصرف‌کنندگان می‌فروشند، از جمله فروشگاه‌های مواد غذایی، فروشگاه‌های رفاه، سوپرمارکت‌ها و مراکز خرید. یک سوپرمارکت یا مرکز خرید بزرگ که چندین فروشگاه در آن یافت می‌شود به عنوان یک خرده‌فروشی در مجموعه داده به حساب می‌آید که فروش آن با کل فروش این فروشگاه‌ها برابری می‌کند.
2.2.2. نقاط مورد علاقه (POI)
داده‌های POI یکی از مهم‌ترین انواع اطلاعات برای محیط شهری هستند و توزیع فضایی انواع مختلف امکانات را در اطراف خرده‌فروشی‌ها توصیف می‌کنند [ 24 ]. برای تعیین اینکه آیا پتانسیل مصرف تحت تأثیر تأسیسات مجاور است یا خیر، از داده‌های POI Qiannan استفاده کردیم. این داده ها از نقشه بایدو که یکی از بزرگترین پلتفرم های خدمات نقشه در سال 2015 بود. 521790 تسهیلات. با توجه به استانداردهای طبقه بندی نقشه بایدو، داده های POI به دست آمده از نقشه را می توان به 21 دسته از طریق انواع عملکردی مختلف طبقه بندی کرد [ 25 ]]: پذیرایی، هتل، مرکز خرید، خدمات زندگی، خدمات زیبایی، جاذبه توریستی، سرگرمی، ورزشگاه، آموزش، فرهنگ و رسانه، مراقبت های پزشکی، خدمات خودرو، حمل و نقل، خدمات مالی، املاک، شرکت ها، موسسه دولتی، ورودی و خروجی ، ویژگی طبیعی، نقطه عطف، و آدرس در.
2.2.3. شبکه های جاده ای
تصور می شود که دسترسی فضایی بر فعالیت های انسانی تأثیر می گذارد [ 26 ]. بنابراین، شبکه‌های جاده‌ای که از داده‌های OpenStreetMap (OSM، www.openstreetmap.org ، دسترسی به ۲۵ جولای ۲۰۱۶) در جولای ۲۰۱۶ مشتق شده‌اند، در این مطالعه استفاده شدند. OSM بزرگترین پلتفرم آنلاین اطلاعات جغرافیایی داوطلبانه است که داده های فضایی جهانی را در دسترس عموم قرار می دهد و به میلیون ها ویرایشگر نقشه داوطلب اجازه می دهد تا داده ها را به روز کنند. بسیاری از مطالعات ثابت کرده اند که پوشش شبکه خیابانی OSM در شهرهای سراسر جهان کامل است [ 27 ، 28 ].
2.2.4. جمعیت
داده های جمعیت بازتاب مستقیمی از توزیع انسانی است که عامل مهمی در تعیین اقتصاد محلی است [ 29 ]. بنابراین، اطلاعات توزیع جمعیت در اطراف هر خرده فروشی ممکن است بر عملکرد فروش آن تأثیر بگذارد. برای بررسی رابطه بالقوه آنها، ما از مجموعه داده WorldPop در سال 2016 استفاده کردیم که اطلاعات توزیع جمعیت در سطح میکرو را با وضوح بالا ارائه می کند. ). پروژه WorldPop در سال 2013 با هدف ارائه داده‌های توزیع جمعیت با وضوح بالا و آزادانه از طریق ترکیب مجموعه‌ای از مجموعه داده‌های مکانی باز برای کل آمریکای مرکزی و جنوبی، آفریقا و آسیا [ 30 ] آغاز شد.
2.2.5. موانع جغرافیایی
با توجه به زمین های پیچیده در استان گوئیژو، موانع جغرافیایی، از جمله تپه های کوچک و بدنه های آبی، به طور گسترده در شهرهای گوئیژو توزیع شده است. در این مطالعه، ما اثرات بالقوه این موانع جغرافیایی را در نظر گرفتیم و اطلاعات توزیع آنها را از مجموعه داده‌های پوشش جهانی پوشش زمین در سال 2017 با وضوح دقیق‌تر استخراج کردیم، که اطلاعات طبقه‌بندی دقیق زمین را در وضوح 10 متر ارائه می‌دهد [ 31 ].

3. روش ها

3.1. فلوچارت

شکل 2فلوچارت روش را شرح می دهد که شامل سه مرحله اصلی است: (1) آماده سازی و پیش پردازش داده ها. در این مرحله، داده های جمعیت شهر گویانگ از مجموعه داده WordPop استخراج شد. داده های POI هر دسته به طور جداگانه از مجموعه داده POI استخراج شد. اطلاعات جاده برای شهر گویانگ به دست آمد. داده های مکان و داده های فروش برای مغازه های خرده فروشی با عملکرد فروش “پایدار” به دست آمد. ارجاع جغرافیایی مجموعه داده فوق به عنوان WGS-84 یکپارچه شد. (2) ساخت شاخص مبتنی بر شبکه. در این مرحله، یک استراتژی تبدیل شبکه برای سازماندهی همه متغیرها در یک سطح شبکه انجام شد و یک شاخص رقابت مبتنی بر مکان با توجه به رابطه فضایی این فروشگاه‌ها ساخته شد. (3) تجزیه و تحلیل همبستگی از طریق رگرسیون OLS. در این مرحله، همه متغیرهای اجتماعی-اقتصادی و معیارهای رقابت فضایی به عنوان متغیرهای ورودی و فروش در سطح شبکه به عنوان متغیر خروجی تنظیم شدند. از طریق رگرسیون می توان تأثیر این متغیرها را بر پتانسیل مصرف تعیین و تبیین کرد.

3.2. ساخت شاخص های اجتماعی و اقتصادی

3.2.1. پردازش شبکه ای از فروشگاه های خرده فروشی

برای دریافت پتانسیل مصرف پایدار منطقه گویانگ برای اجرای استراتژی‌های تجاری بلندمدت، فروشگاه‌های خرده‌فروشی «موقت» با داده‌های فروش کمتر از 12 ماه را در طول دوره 24 ماهه حذف کردیم:

جایی که نشان دهنده مغازه های انتخاب شده و تعداد ماه هایی را نشان می دهد که فروشگاه i فروش موثری داشته است (بزرگتر از 0). در مجموع 12500 مغازه خرده فروشی در نهایت به عنوان اهداف اصلی مطالعه ما انتخاب شدند. برای این فروشگاه‌های خرده‌فروشی منتخب، میانگین فروش ماهانه آن‌ها را برای نشان دادن عملکرد فروش عادی انتخاب کردیم:

جایی که به معنای فروش مغازه است در ماه ; میانگین فروش مغازه را نشان می دهد در ماه ها با فروش موثر. شکل 3 توزیع فضایی این فروشگاه های خرده فروشی انتخاب شده را نشان می دهد. ما دو منطقه نمونه A و B را انتخاب می کنیم که به ترتیب در شهرستان گایدینگ و شهرستان دویون قرار دارند تا جزئیات توزیع مغازه را نشان دهیم. یک روند تجمعی از مغازه های خرده فروشی را می توان در مرکز این دو شهرستان یافت.

کار قبلی نشان داده است که پتانسیل مصرف مغازه‌های خرده‌فروشی می‌تواند به شدت تحت‌تاثیر فعالیت‌های انسانی در فاصله قابل پیاده‌روی قرار گیرد (مثلاً 500 متر در گوئیژو). علاوه بر این، کارهای قبلی یک استراتژی تقسیم شبکه ای را برای تجمیع عملکرد فروش خرده فروشی ها و فعالیت های انسانی پیشنهاد کرده اند. ما همچنین این استراتژی را در این مطالعه اتخاذ می کنیم و داده های خود را در یک سطح شبکه ای شکل می دهیم. شکل 3 توزیع شبکه ها را نشان می دهد، جایی که شبکه های بدون خرده فروشی حذف شدند. ما خرده فروشی ها را در هر شبکه جمع می کنیم:

جایی که نشان می دهد توری؛ تعداد مغازه های واقع در شبکه را نشان می دهد ; میانگین فروش مغازه را نشان می دهد ، که در شبکه است ; و نشان دهنده فروش خرده فروشی در سطح شبکه در شبکه است .

3.2.2. پردازش شبکه تقسیم داده های POI
در مجموعه داده اصلی ما، داده های POI را می توان با توجه به انواع عملکردی آنها به 21 دسته تقسیم کرد. در منطقه مورد مطالعه، حجم داده‌های چند نوع داده POI می‌تواند کوچک باشد و دور از خرده‌فروشی‌ها توزیع شود. برای این POI ها، تأثیر آنها بر عملکرد فروش خرده فروشی ها می تواند محدود باشد. کار قبلی ما نشان داده است که پتانسیل مصرف مغازه‌های خرده‌فروشی را می‌توان به شدت تحت‌تاثیر تأسیسات مجاور در حدود 500 متر قرار داد [ 19 ، 32 ]. بنابراین، ما 500 متر (فاصله مبتنی بر کروی) را به عنوان آستانه برای یافتن POIهایی که دور از مغازه‌های خرده‌فروشی قرار دارند، انتخاب کردیم. ما فاصله هر POI را تا نزدیکترین فروشگاه خرده فروشی آن محاسبه کردیم و اطلاعات را بر اساس انواع آنها گروه بندی کردیم. میز 1نتایج را نشان می دهد.
POI ها که می توانند به 15 نوع تقسیم شوند، در 500 متری مغازه های خرده فروشی یافت می شوند. با این حال، تعداد 6 نوع POI بسیار کم است و از 20 تا 109 متغیر است که بسیار کمتر از تعداد POI است. با توجه به اینکه این فروشگاه‌ها نمی‌توانند تأثیر زیادی بر اکثر فروشگاه‌های خرده‌فروشی داشته باشند، ما این POI را از مجموعه داده‌های خود حذف کردیم. در نهایت، ما 9 نوع POI را با تعداد کل 76562 به عنوان متغیرهای کاندید انتخاب کردیم که بیشتر مورد استفاده قرار گرفتند. جدول 1 انواع خرده فروشی 9 دسته POI را نشان می دهد.

POI های انتخاب شده از طریق تطبیق فضایی با شبکه ها در یک سطح شبکه خلاصه شدند:

جایی که نشان دهنده دسته POI است. نشان می دهد شبکه ام؛ نشان می دهد POI امین دسته واقع در شبکه ; تعداد POI های دسته را نشان می دهد واقع در شبکه ; و تعداد کل POI های دسته را نشان می دهد واقع در شبکه .

3.2.3. پردازش شبکه‌ای از سایر شاخص‌ها

برای به دست آوردن اطلاعات توزیع جمعیت در سطح شبکه، مجموعه داده WorldPop 2015 و مجموعه داده WorldPop 2016 در قطعنامه مجدداً نمونه برداری شد وضوح. سپس این مجموعه داده ها با شبکه های ایجاد شده در بخش های بالا تطبیق داده شدند. سپس، داده های میانگین جمعیت هر شبکه را محاسبه کردیم:

جایی که نشان دهنده جمعیت شبکه‌ای که از مجموعه داده‌های WorldPop 2015 نمونه‌برداری شده است. نشان دهنده جمعیت شبکه‌ای که از مجموعه داده‌های WorldPop-2016 نمونه‌برداری مجدد شده است. و نشان دهنده میانگین جمعیت در سطح شبکه است شبکه ام

ما تطبیق فضایی داده‌های جاده‌ای را که از مجموعه داده OSM به دست آمده بود با شبکه‌ها انجام دادیم و داده‌های جاده را با استفاده از مرز شبکه‌ها برش دادیم. سپس تمام قسمت های جاده واقع در هر شبکه خلاصه شد:

جایی که نشان می دهد قسمت هفتم جاده واقع در شبکه ام؛ نشان دهنده طول جاده است ، که کاملاً در شبکه قرار دارد ; و نشان دهنده طول کل جاده های واقع در شبکه است .

ما مساحت کل موانع جغرافیایی در هر شبکه را خلاصه کردیم:

جایی که نشان می دهد قسمت چهارم موانع جغرافیایی واقع در شبکه ام؛ مساحت مانع را نشان می دهد ، که کاملاً در شبکه قرار دارد ; و بیانگر مساحت کل موانع جغرافیایی واقع در شبکه است .

3.3. ساخت شاخص های رقابت

علاوه بر عوامل اجتماعی-اقتصادی، توزیع فضایی مغازه‌های خرده‌فروشی بر پتانسیل مصرف تأثیر می‌گذارد. طبق تحقیقات قبلی، عملکرد فروش مغازه‌های خرده‌فروشی در یک منطقه می‌تواند از خرده‌فروشی‌های واقع در مناطق مجاور تأثیر بگذارد. اویانگ [ 33 ] با اتخاذ یک روش مبتنی بر شبکه اشاره کرد که رقابت بین خرده فروشی ها در یک شبکه و سایر خرده فروشی های توزیع شده در شبکه های مجاور وجود دارد و رقابت با فاصله این خرده فروشی ها از شبکه مرکزی همبستگی منفی دارد.
برای اثبات ایده ارائه شده در مطالعات قبلی، شاخص های متعددی را بر اساس تعداد و مجاورت فضایی این مغازه ها پیشنهاد کردیم. ما دو نوع شاخص ایجاد کردیم: (1) نسبت فروشگاه مبتنی بر شبکه (2) نزدیکی فروشگاه مبتنی بر شبکه.

3.3.1. شاخص نسبت فروشگاه مبتنی بر عدد

با توجه به اینکه تعداد مغازه‌های خرده‌فروشی با عوامل اجتماعی و اقتصادی در هر شبکه ارتباط زیادی دارد و نمی‌تواند توانایی رقابت در هر شبکه را منعکس کند، ما اعداد مغازه‌ها را مستقیماً اتخاذ نکردیم. در عوض، ما یک شاخص با توجه به تعداد فروشگاه‌های خرده‌فروشی توزیع شده در هر شبکه و شبکه‌های مجاور ایجاد کردیم تا بررسی کنیم که آیا فروشگاه‌های خرده‌فروشی در شبکه‌های مجاور تأثیری بر پتانسیل مصرف شبکه مرکزی دارند یا خیر.

ابتدا تعداد خرده فروشی ها را در شبکه مرکزی محاسبه کردیم. دوم، همانطور که در شکل 4 نشان داده شده است، تعداد خرده فروشی های توزیع شده در هشت شبکه مجاور را محاسبه کردیم و سپس این مقادیر را خلاصه کردیم. در نهایت، شاخص رقابت مبتنی بر عدد با نسبت فروشگاه‌های خرده‌فروشی مرکز شبکه به فروشگاه‌های خرده‌فروشی نزدیک شبکه نشان داده شد:

جایی که نشان دهنده تعداد کل مغازه های خرده فروشی واقع در شبکه ام؛ یکی از هشت شبکه نزدیک به شبکه را نشان می دهد ; و نشان دهنده شاخص رقابت مبتنی بر عدد در شبکه ام این شاخص اطلاعاتی در مورد اهمیت فروشگاه های خرده فروشی در هر منطقه ارائه می دهد.

3.3.2. شاخص نزدیکی مغازه بر اساس فاصله
علاوه بر تعداد مغازه‌های خرده‌فروشی، تحقیقات قبلی مستند کردند که مجاورت فضایی مغازه‌های خرده‌فروشی مجاور، که می‌تواند با فاصله اندازه‌گیری شود، می‌تواند بر عملکرد فروش مغازه‌ها در شبکه مرکزی تأثیر بگذارد. در تحقیق [ 19 ]، فاصله بین مغازه های خرده فروشی با رقابت همبستگی مثبت پیدا کرد. به طور خاص، هر چه این مغازه ها به شبکه مرکزی نزدیکتر باشند، به دلیل رقابت شدید، عملکرد فروش مغازه های نزدیک به شبکه مرکزی کاهش می یابد. با این حال، این تفکر به طور کامل مورد بحث قرار نگرفته است، به ویژه زمانی که عوامل اجتماعی-اقتصادی کنترل می شوند.
بنابراین، ما یک شاخص مبتنی بر فاصله برای اندازه‌گیری مجاورت فضایی مغازه‌های خرده‌فروشی در شبکه‌های مجاور به شبکه مرکزی طراحی کردیم. برخلاف روش پیشنهادی در مطالعات قبلی که فاصله بین دو خرده فروشی را محاسبه می کرد، ما شاخص خود را با توجه به فاصله بین هر خرده فروشی و نقطه مرکزی شبکه مطالعه ایجاد کردیم. این رویکرد نه تنها پیچیدگی محاسبات را کاهش نمی دهد، بلکه وضعیت زمانی را که تنها یک خرده فروشی در آن حضور دارد را بهتر توصیف می کند.

ابتدا نقطه مرکزی هر شبکه مشخص شد. سپس میانگین فاصله از نقطه مرکزی تا مغازه های خرده فروشی واقع در شبکه و در هشت شبکه مجاور محاسبه شد که به صورت زیر فرموله می شود:

جایی که نشان دهنده فاصله نقطه مرکزی تا فروشگاه است ، که در شبکه است ; تعداد کل مغازه های خرده فروشی در شبکه را نشان می دهد ; نشان دهنده میانگین فاصله از نقطه مرکزی تا تمام مغازه های واقع در شبکه است . به طور مشابه، ما میانگین فاصله از نقطه مرکزی تا مغازه‌های واقع در هشت شبکه مجاور را محاسبه کردیم:

جایی که نشان دهنده فاصله نقطه مرکزی تا فروشگاه است ، که در یکی از شبکه های مجاور قرار دارد ; تعداد کل مغازه های خرده فروشی در شبکه را نشان می دهد ; و میانگین فاصله از نقطه مرکزی تا مغازه های خرده فروشی واقع در هشت شبکه مجاور را نشان می دهد.

3.4. رگرسیون پایه

مدل رگرسیون OLS برای تجزیه و تحلیل رابطه بین دو نوع تعیین کننده، از جمله عوامل اجتماعی-اقتصادی و شاخص رقابت، و عملکرد فروش در سطح شبکه به کار گرفته شد. مدل OLS به طور گسترده در مطالعات اجتماعی-اقتصادی، از جمله ارزیابی رشد تولید ناخالص داخلی [ 34 ]، انتشار CO 2 [ 35 ]، مصرف برق [ 36 ] و نرخ واکسیناسیون COVID-19 [ 37 ] استفاده شده است.]. لازم به ذکر است که برخی از مدل‌های رگرسیون فضایی مانند رگرسیون وزن‌دار جغرافیایی (GWR) و مدل‌های خودرگرسیون شرطی (CAM) به طور گسترده برای مدل‌سازی همبستگی فضایی و اثرات همسایگی در مطالعات جغرافیایی مورد استفاده قرار گرفته‌اند و دقت بیشتری نسبت به OLS به اثبات رسانده‌اند. در برآورد یا پیش بینی وظایف [ 38 ]. با این حال، ما امیدواریم که قوانین کلی تری را در توزیع خرده فروشی بررسی کنیم و دریابیم که وقتی برخی از عوامل فضایی تغییر می کنند، خرده فروشی چگونه واکنش نشان می دهد. بنابراین، ما معتقدیم که OLS در این مطالعه مناسب تر از مدل های رگرسیون فضایی است.

در این تحقیق متغیرهای ورودی OLS شامل شاخص‌های رقابت و عوامل اجتماعی-اقتصادی است. متغیر خروجی مدل OLS عملکرد فروش در سطح شبکه هر شبکه است. تجزیه و تحلیل مدل OLS از طریق مراحل زیر انجام می‌شود: (1) محاسبه متغیر خروجی – فروش خرده‌فروشی مبتنی بر شبکه – که از فروش خرده‌فروشی‌های مستقر در هر شبکه مشتق می‌شود. (2) محاسبه متغیرهای کنترلی، از جمله POIهای مبتنی بر شبکه، جمعیت مبتنی بر شبکه، و طول جاده مبتنی بر شبکه. این متغیرها معمولاً متغیرهای اجتماعی-اقتصادی مورد استفاده قرار می گیرند و می توان آنها را از طریق آمار فضایی به دست آورد. (3) محاسبه متغیرهای بهره، از جمله یک شاخص رقابت مبتنی بر نسبت و دو شاخص رقابت مبتنی بر فاصله، مجاورت فضایی مغازه‌های خرده‌فروشی را در شبکه‌ها توصیف می‌کند. (4) تجزیه و تحلیل همبستگی متغیرهای ورودی و متغیرهای خروجی از طریق OLS. ما از یک رگرسیون پایه ساده شده برای توضیح نحوه طراحی مدل OLS استفاده می کنیم:

جایی که GSD نشان دهنده شاخص های اجتماعی-اقتصادی مبتنی بر شبکه، از جمله POI های مبتنی بر شبکه است ( جمعیت مبتنی بر شبکه ( و طول جاده مبتنی بر شبکه ( ). نشان دهنده شاخص های رقابت مبتنی بر شبکه، از جمله شاخص رقابت مبتنی بر نسبت ( ) و شاخص های رقابت مبتنی بر فاصله ( و ). نشان دهنده ضرایب و عبارت ثابت را نشان می دهد.

4. نتایج

4.1. تعداد فروشگاه و عملکرد فروش مبتنی بر شبکه

4.1.1. توزیع فضایی مغازه های خرده فروشی در داخل شبکه

شکل 5توزیع فروشگاه‌های خرده‌فروشی را نشان می‌دهد که در آن از سه رنگ شبکه برای تشخیص تعداد مغازه‌ها در هر شبکه استفاده می‌شود. تعداد مغازه ها از 1 تا 120 متغیر است. شبکه های قرمز (بیش از پنج مغازه خرده فروشی) عمدتاً در شهرستان های شمال غربی کیانان، از جمله شهرستان لونگلی، شهرستان گایدینگ، و شهرستان چانگشون توزیع شده اند. این نتیجه نشان می‌دهد که فروشگاه‌های خرده‌فروشی در این مناطق بیشتر از مغازه‌های جنوب شرقی مانند شهرستان شاندو، شهرستان دوشان و شهرستان لیبو متمرکز هستند. دو منطقه نمونه، A و B، به ترتیب در شهرستان گایدینگ و شهرستان دویون، برای نشان دادن جزئیات توزیع فروشگاه انتخاب شده‌اند. بیشتر شبکه‌های قرمز یک الگوی متمرکز در مرکز شهر نشان می‌دهند، در حالی که شبکه‌های زرد و شبکه‌های نارنجی (تعداد کمی از مغازه‌ها) دور از مرکز شهر پراکنده هستند.
4.1.2. توزیع کل خرده فروشی در سطح شبکه
در مورد خرده فروشی در سطح شبکه، که از و در رنگ‌های مختلف در شکل 6 الف نشان داده شده‌اند، شبکه‌هایی با خرده‌فروشی بالا نیز در شهرستان‌های شمال غربی Qiannan، از جمله Longli County، Guiding County، و Changshun County متمرکز شده‌اند. این الگو نشان می‌دهد که این مناطق متمرکز خرده‌فروشی معمولاً می‌توانند فروش بازاریابی بالایی را جذب کنند، مانند مناطق نمونه A و B.
ما از یک منحنی برای یافتن رابطه بین خرده فروشی در سطح شبکه و تعداد شبکه ها استفاده می کنیم که یک الگوی توزیع نرمال را در شکل 6 ب نشان می دهد. نتایج نشان می دهد که خرده فروشی برای اکثر شبکه ها از توزیع می شود در هر ماه، که نشان دهنده سطح مصرف بیشتر مناطق در شهرستان کیانان است. چند شبکه با فروش خرده فروشی بالا، بزرگتر از در هر ماه، عمدتا در مرکز شهرستان از شهرستان های شمال غرب توزیع شده است.

4.2. عوامل تعیین کننده اجتماعی-اقتصادی مبتنی بر شبکه

4.2.1. توزیع داده های جمعیت در سطح شبکه

شکل 7 توزیع جمعیت در سطح شبکه را نشان می دهد که از 6 تا 13505 متغیر است. شبکه هایی با مقادیر بالا، به ویژه بزرگتر از 5000، عمدتاً در شهرستان های شمالی و شمال غربی، از جمله شهرستان ونگان، شهرستان لونگلی، شهرستان گایدینگ، شهرستان هویشوئی و شهرستان چانگشون توزیع شده اند.
4.2.2. توزیع POI مبتنی بر شبکه
شکل 8 a-h توزیع داده های POI در سطح شبکه و مساحت موانع را نشان می دهد. همانطور که در شکل 8 الف نشان داده شده است، تعداد تاسیسات مسکونی از 0 تا 167 متغیر است، جایی که بیشتر شبکه های با ارزش بالا در شهرستان های شمالی و شمال غربی متمرکز شده اند. این الگو مشابه با توزیع خرده فروشی است. تعداد تسهیلات پذیرایی از 0 تا 164، با شبکه های با ارزش بالا در شهرستان دویون و شهرستان دوشان متمرکز شده است ( شکل 8 ب). مراکز خرید ( شکل 8 ) و تسهیلات مالی ( شکل 8).ح) الگوی مشابهی را نشان دهید. تعداد مغازه های خدمات زندگی از 0 تا 68 متغیر است. تعداد امکانات آموزشی از 0 تا 25 متغیر است. و تعداد امکانات پزشکی از 0 تا 25 متغیر است. این سه نوع POI الگوی مشابهی را نشان می‌دهند، با شبکه‌های با ارزش بالا که در شهرستان دویون، شهرستان لونگلی و شهرستان راهنما متمرکز شده‌اند. تعداد مؤسسات دولتی از 0 تا 19 متغیر است و به طور پراکنده در اکثر مناطق توزیع شده اند. مساحت موانع، که از 0 تا 0.23 متغیر است، الگوی مشابهی را نشان می دهد.

4.3. شاخص رقابت مبتنی بر شبکه

4.3.1. شاخص رقابت مبتنی بر نسبت

شکل 9 a توزیع شاخص رقابت مبتنی بر نسبت را نشان می دهد که از 0 تا 1 متغیر است. شبکه های با ارزش بالا با شاخص های بزرگتر از 0.3 به طور پراکنده در کل شهر کیانان توزیع شده اند. با این حال، ارزش شبکه‌ها در مرکز شهر شهرستان‌های متمرکز خرده‌فروشی، مانند شهرستان گایدینگ، شهرستان لونگلی و شهرستان هویشوی، اندک است (<0.1). نماهای بزرگ شده مناطق نمونه A و B الگو را نشان می دهد. ما بیشتر رابطه بین شاخص رقابت مبتنی بر نسبت و تعداد شبکه‌ها را در یک فرمول، همانطور که در شکل 9 نشان داده شده است، ارائه می‌کنیم.ب نتایج نشان می‌دهد که مقدار بیشتر شبکه‌ها بین 0.1-0.5 و 0.9-1 توزیع شده است، در حالی که تنها چند شبکه در بخش‌های 0.6-0.9 قرار دارند. نتایج به طور بالقوه یک الگوی توزیع را برای صنعت خرده‌فروشی در کیانان نشان می‌دهد: اکثر فروشگاه‌های خرده‌فروشی یا در کنار هم متمرکز هستند یا کاملاً از یکدیگر جدا هستند.
4.3.2. شاخص نزدیکی مغازه بر اساس فاصله
شکل 10 و شکل 11 شاخص های مجاورت مغازه بر اساس فاصله را نشان می دهد، از جمله و ، به ترتیب. که نشان‌دهنده فاصله متوسط ​​از مرکز شبکه تا فروشگاه‌های خرده‌فروشی در هر شبکه است، از 3 تا 347 متر متغیر است، با شبکه‌های با ارزش متمرکز در مرکز شهر شهرستان‌های شمالی و شمال غربی، مانند منطقه A و منطقه B. در شکل 10 ب، رابطه بین را ارائه می کنیم و تعداد شبکه ها با استفاده از یک فرمول. عدد شبکه یک الگوی کاهشی را نشان می دهد، با بین 0 تا 35 متر و بزرگتر از 315 متر، و الگوی افزایشی، با بین 35-315 متر
با توجه به که بین 0 تا 900 متر متغیر است، شبکه هایی با مقادیر بالا در سراسر شهر کیانان پراکنده شده اند ( شکل 11 a). کمی متفاوت از الگوی ، مقادیر شبکه ای از در مرکز شهر شهرستان‌های شمال غربی عمدتاً در محدوده متوسط ​​(400-600 متر) توزیع شده‌اند که ناشی از الگوی متمرکز خرده‌فروشی در کل منطقه است. شکل 11 ب رابطه بین و عدد شبکه، که نشان دهنده یک الگوی افزایشی است، با بین 465-900 متر، و روند کاهشی، با بین 700-900 متر

4.4. نتایج رگرسیون

4.4.1. آزمون همبستگی

جدول 2 همبستگی بین 17 متغیر در این مقاله را نشان می دهد. همانطور که جدول نشان می‌دهد، همه همبستگی‌های بین متغیرهای مستقل و متغیر وابسته مثبت و معنادار است، که نشان می‌دهد این متغیرهای مستقل احتمالاً بر فروش فروشگاه‌های مبتنی بر شبکه تأثیر می‌گذارند.
4.4.2. اثرات شاخص های اجتماعی-اقتصادی و نسبت فروشگاه بر عملکرد فروش
جدول 3 نتایج رگرسیون خطی چندگانه را نشان می دهد که شامل رقابت فضایی مبتنی بر شبکه و عوامل تعیین کننده اجتماعی-اقتصادی و فروش فروشگاهی مبتنی بر شبکه است. نتایج نشان می‌دهد که مدل از نظر رابطه بین متغیرهای مستقل و فروش فروشگاهی مبتنی بر شبکه به خوبی برازش می‌کند. ).
جدول 3 نشان می دهد که با افزایش جمعیت، فروش فروشگاهی مبتنی بر شبکه رشد متوسطی خواهد داشت. ). طول جاده تاثیر مثبتی بر فروش مغازه دارد ) که نشان می دهد دسترسی فضایی تأثیر مثبتی بر پتانسیل مصرف منطقه ای دارد. جدول 3 همچنین نشان می دهد که برخی از POI ها در شبکه اثرات مثبت قابل توجهی بر فروش فروشگاه های مبتنی بر شبکه دارند، از جمله تعداد مدارس، جوامع مسکونی، سازمان های دولتی، خدمات مالی و خدمات زندگی. با این حال، تعداد امکانات مراقبت‌های پزشکی، تعداد امکانات پذیرایی، موقعیت کوه‌ها و تعداد سوپرمارکت‌ها در شبکه تأثیر منفی بر فروش فروشگاه‌های مبتنی بر شبکه دارد. به طور خاص، نتایج مربوط به موقعیت کوه ها نشان می دهد که موانع فضایی تأثیر مخربی بر منافع اقتصادی منطقه دارند، که از یافته های مطالعات قبلی حمایت می کند [ 39 ].
در مورد شاخص رقابت، ما در این بخش عمدتاً بر روی نسبت فروشگاه تمرکز می کنیم. نتایج نشان می‌دهد که نسبت فروشگاه مبتنی بر شبکه تأثیر مثبت معناداری بر فروش فروشگاه‌های مبتنی بر شبکه دارد. ). بنابراین، هر چه تعداد مغازه‌های کمتری در نزدیکی شبکه هدف قرار گیرند، فروش فروشگاه در شبکه هدف بالاتر خواهد بود. این نتیجه از اثر آدم خواری فروشگاه ها در مناطق مجاور، همانطور که توسط گولر [ 40 ] پیشنهاد شده است، پشتیبانی می کند.
4.4.3. اثرات معیارهای فاصله بر عملکرد فروش
اثرات رقابت نه تنها به دلیل تعداد مغازه های اطراف، بلکه به دلیل فاصله آنها با منطقه مورد نظر ایجاد می شود. برای بررسی خوشه‌بندی فضایی در یک منطقه تجاری، دو شاخص مبتنی بر فاصله را در نظر گرفتیم و آنها را همزمان به مدل رگرسیون خود اضافه کردیم. جدول 4 نتایج را نشان می دهد.
تمرکززدایی مغازه‌ها در یک منطقه تأثیر مثبتی بر فروش فروشگاه‌های مبتنی بر شبکه دارد. و تمرکززدایی مغازه ها در مناطق اطراف اثر مثبت معناداری بر متغیر وابسته دارد. ). این یافته‌ها نشان می‌دهد که هر چه خوشه‌بندی مغازه‌ها در منطقه مورد نظر یا اطراف آن کمتر باشد، سود مالی مغازه‌های این منطقه بیشتر است. جدول 4 نشان می دهد که جداسازی توزیع فروشگاهی مبتنی بر شبکه (نسبت فروشگاه) تأثیر مثبتی بر فروش مغازه در یک منطقه دارد. ).
همانطور که در جدول 4 نشان داده شده است ، تأثیر جمعیت، شبکه جاده ها و POI ها بر فروش مغازه ها در مقایسه با نتایج نشان داده شده در جدول 3 نسبتاً پایدار است. نتایج دوباره قابلیت اطمینان یافته های ما را که در بخش 4.1.1 به دست آمده است را نشان داد . از این رو، در این بخش به آنها نمی پردازیم.
4.4.4. اثرات معیارهای فاصله مربعی بر عملکرد فروش
در بخش آخر، یافته ها حاکی از آن است که تمرکززدایی فضایی مکان مغازه ها ممکن است به فروش در این منطقه کمک کند. با این حال، در رابطه با مغازه های دیگر، آیا فاصله بیشتر بهتر است؟ برای پاسخ به این سوال، مجذور فاصله‌های میانگین مغازه‌های این منطقه و مناطق اطراف آن، از محل آنها تا نقطه مرکزی شبکه را به رگرسیون خود اضافه کردیم. جدول 5 نتایج را نشان می دهد.
جدول 5 نشان می دهد که مجذور میانگین فاصله مغازه ها در منطقه ( ) و مناطق اطراف ( ) با فروش منطقه ای همبستگی منفی دارند، که نشان می دهد تأثیر مجاورت فضایی به فروش فروشگاه منطقه ای از یک رابطه U شکل معکوس پیروی می کند. یافته‌ها آستانه‌هایی را برای میانگین فواصل مغازه‌های درون منطقه‌ای و مغازه‌های اطراف نشان می‌دهند. با انجام روش محاسبه مقدار شدید [ 41 ]، آستانه های 226.19 متر و 514.85 متر را به دست آوردیم. یافته های ما یافته های قبلی را در مورد تأثیر مثبت فاصله [ 40 ] غنی کرده است.
الگوهای تأثیر متغیرهای دیگر بر مصرف منطقه‌ای با یافته‌های بخش 4.4.1 و بخش 4.4.2 سازگار است، که همچنین استحکام یافته‌های قبلی ما را نشان می‌دهد.

5. بحث

5.1. بررسی استحکام

علاوه بر پتانسیل مصرف کل در سطح شبکه، فروش سرانه خرده فروشی برای تجارت خرده فروشی مهم است [ 42 ، 43 ]. بنابراین، کل فروش مصرفی را با فروش سرانه نشان دادیم که به صورت زیر محاسبه می شود:

جایی که نشان دهنده فروش سرانه در شبکه ام نتایج رگرسیون جدید با نتایج رگرسیون مقایسه شده است . جدول 6 نتایج را نشان می دهد.

مقایسه ستون 1 و ستون 2 در جدول 6 شباهت بالایی را بین دو نتیجه رگرسیون در شاخص های رقابت نشان می دهد. ستون 2 نشان می دهد که نسبت مغازه با فروش سرانه همبستگی مثبت دارد ( ، نشان می دهد که هر چه تعداد مغازه های واقع در نزدیکی شبکه هدف کمتر باشد، فروش سرانه در شبکه هدف بیشتر است. این پدیده ممکن است به این معنا باشد که انزوای مغازه‌های خرده‌فروشی ممکن است تمایل مصرف‌کنندگان را برای خرج کردن بیشتر در مکان‌های دیگر تحریک کند. عدم تمرکز مغازه ها در هر شبکه با فروش سرانه و همچنین عدم تمرکز مغازه ها در شبکه های اطراف همبستگی مثبت دارد. مجذور فاصله مغازه ها با فروش سرانه همبستگی منفی دارد. یافته های فوق با کل فروش جدول 5 مشابه است.
از نظر عوامل اجتماعی و اقتصادی، تعداد امکانات پذیرایی و مراکز خرید با سرانه فروش همبستگی منفی دارد. علاوه بر این، تعداد تسهیلات آموزشی، خدمات مالی و موسسات دولتی با فروش سرانه همبستگی مثبت دارد که مشابه رابطه با کل خرده فروشی است. با این حال، تعداد تسهیلات خدمات زندگی با فروش سرانه همبستگی منفی دارد و تعداد مراکز درمانی برخلاف رابطه با فروش کل، با سرانه فروش همبستگی مثبت دارد. طول جاده مبتنی بر شبکه و سهم موانع ارتباط قابل توجهی با فروش سرانه ندارد.

5.2. بررسی چند خطی

ما یک بررسی چند خطی بر اساس ضریب تورم واریانس (VIF) این متغیرها انجام دادیم. تصور می شود که چند خطی در بین متغیرهایی با مقادیر VIF بزرگتر از 10 وجود دارد [ 44 ]. جدول 7 VIF متغیرهای اتخاذ شده در این مطالعه را نشان می دهد.
نتایج نشان می‌دهد که چند خطی در بین متغیرهای علاقه ما ( Gshop_ratio ، Gdistance_central ، Gdistance_nearby ، Gdistance_central_square ، و Gdistance_nearby_square ) و سایر متغیرهای کنترلی وجود ندارد، زیرا مقادیر VIF آن‌ها همگی کوچکتر از یک متغیر از 10 استثنا هستند . مسکونی — که VIF در آن 12.402 است. این نتیجه با همبستگی بین GPOI های مسکونی و سایر POI ها مطابقت دارد، همانطور که در جدول 2 نشان داده شده است. ما تصمیم گرفتیم از رگرسیون کمند استفاده کنیم، که معمولاً برای مقابله با مشکلات چند خطی استفاده می شود [ 45 ]]، برای اینکه متوجه شویم GPOI های مسکونی بر نتایج ما تأثیر می گذارند یا خیر. جدول 6 . نتایج رگرسیون کمند را نشان می‌دهد، جایی که می‌توانیم ببینیم که متغیرهای مورد علاقه ما، Gshop_ratio ، Gdistance_central ، و Gdistance_nearby با Gsales همبستگی مثبت دارند . در همین حال، Gdistance_central_square و Gdistance_nearby_square با Gsales همبستگی منفی دارند . نتایج نشان می‌دهد که همبستگی بین متغیرهای علاقه ما و خرده‌فروشی مبتنی بر شبکه هیچ تأثیری از چند خطی بودن GPOI‌های مسکونی ندارد.

5.3. محدودیت ها و کار آینده

مطالعه حاضر دارای محدودیت های متعددی است که باید در مطالعات آتی مورد توجه قرار گیرد.
اول، ویژگی‌های فروشگاه، مانند فضای طبقه، تعداد کارمندان و کیفیت خدمات مشتری، در این مطالعه در نظر گرفته نشدند. این ویژگی ها ممکن است نقش مهمی در پتانسیل مصرف منطقه ای داشته باشند [ 46 ]، اما ما به دلیل کمبود داده قادر به استفاده از آنها در رگرسیون نبودیم. در مطالعات آتی، اطلاعات مربوط به فروشگاه باید جمع آوری و در رگرسیون گنجانده شود.
دوم، اطلاعات مربوط به فعالیت‌های انسانی در مطالعه حاضر مورد استفاده قرار نگرفت. مصرف منطقه ای نه تنها با یک محیط شهری پایدار مرتبط است، بلکه به شدت تحت تأثیر فعالیت های انسانی متغیر در نزدیکی منطقه قرار می گیرد. با توجه به نگرانی های مربوط به حفاظت از حریم خصوصی، به دست آوردن اطلاعات مکان برای مصرف کنندگان ممکن است دشوار باشد. با این حال، ظهور داده های رسانه های اجتماعی مبتنی بر مکان، که در پیش بینی مصرف استفاده شده است، ممکن است راه حلی بالقوه برای این موضوع ارائه دهد. در مطالعات آتی، داده‌های رسانه‌های اجتماعی را می‌توان برای انعکاس ترجیحات مصرف و تحرک مصرف‌کنندگان و ارائه اطلاعات تکمیلی برای فعالیت‌های انسانی مورد استفاده قرار داد. این اطلاعات همچنین از تحقیقات عمیق در مورد تغییرات پویا فروش پشتیبانی می کند.
سوم، تأثیرات مجاورت فضایی مغازه‌های خرده‌فروشی بر عملکرد فروش منطقه‌ای باید با استفاده از روش بهتری برای ایجاد شاخص‌های رقابت بیشتر مورد مطالعه قرار گیرد. اگرچه ما دو شاخص ایجاد کردیم و با موفقیت دریافتیم که توزیع فضایی مغازه‌های خرده‌فروشی تأثیرات زیادی بر فروشگاه‌های خرده‌فروشی دارد، مکانیسم آن نامشخص است. علاوه بر این، همپوشانی هایی بین این دو شاخص وجود دارد. بنابراین، مطالعات آینده ممکن است تلاش های خود را به ایجاد یک شاخص جدید اختصاص دهند که بتواند این دو جنبه را ترکیب کند و نزدیکی فضایی مغازه های خرده فروشی را بهتر توصیف کند. این شاخص جدید می‌تواند به تعیین اینکه چرا ضربه از U-شکل معکوس پیروی می‌کند، کمک می‌کند، که یک پدیده جالب و مهم است که باید بررسی شود.

6. نتیجه گیری

توسعه اقتصاد چین فرصت بزرگی را برای صنعت خرده فروشی به ارمغان آورده است [ 47 ]. در شرایط جدید، مدیران خرده فروشی باید رابطه بین محیط شهری و پتانسیل مصرف منطقه ای را برای دستیابی به اهداف توسعه پایدار درک کنند. این مطالعه یک مدل آماری را برای بررسی رابطه بین مجاورت فضایی مغازه‌های خرده‌فروشی و خرده‌فروشی منطقه‌ای از طریق مطالعه 12500 خرده‌فروشی در Qiannan، چین اتخاذ کرد. چند نتیجه می توان گرفت.
(1)
چندین عامل اجتماعی و اقتصادی در تعیین پتانسیل مصرف منطقه ای مهم هستند. جمعیت منطقه ای، طول جاده، و تعداد POI (به عنوان مثال، امکانات آموزشی، خدمات زندگی، خدمات مالی، مؤسسات دولتی، و تسهیلات مسکونی) به طور قابل توجهی و مثبت با پتانسیل مصرف همبستگی دارند. در مقابل، مساحت موانع جغرافیایی و تعداد سه نوع POI (یعنی امکانات پذیرایی، مراکز خرید، و موسسات مراقبت پزشکی) به طور معناداری و منفی با پتانسیل مصرف همبستگی دارند.
(2)
مجاورت فضایی مغازه‌های خرده‌فروشی باعث رقابت می‌شود که بر مصرف منطقه‌ای تأثیر می‌گذارد. جداسازی توزیع فروشگاهی مبتنی بر شبکه (نسبت مغازه) تأثیر مثبت معناداری بر فروش مغازه در یک منطقه دارد. تمرکززدایی مغازه‌ها در یک منطقه تأثیر مثبت حاشیه‌ای بر فروش فروشگاه‌های مبتنی بر شبکه دارد و تمرکززدایی مغازه‌ها در مناطق اطراف تأثیر مثبت معناداری بر متغیر وابسته دارد.
(3)
تأثیر مجاورت فضایی به فروش فروشگاه های منطقه ای از U شکل معکوس پیروی می کند. یافته ها حاکی از آستانه هایی برای میانگین فواصل مغازه های درون منطقه ای و مغازه های اطراف است که به ترتیب 19/226 متر و 85/514 متر است.
مطالعه ما درک ما را در مورد رابطه بین عوامل اجتماعی-اقتصادی مبتنی بر مکان و خرده فروشی در سطح خرد عمیق تر می کند، که ممکن است اطلاعات قابل اعتماد و راهنمایی عملی برای توسعه پایدار صنعت خرده فروشی ارائه دهد.

منابع

  1. وانگ، کیو. ژانگ، اف. بهبود اقتصادی چین پس از همه‌گیری کووید-19 چه معنایی برای رشد اقتصادی و مصرف انرژی سایر کشورها دارد؟ جی. پاک. تولید 2021 ، 295 ، 126265. [ Google Scholar ] [ CrossRef ]
  2. جیا، ز. ون، اس. لین، بی. اثرات و واکنش‌های همه‌گیری COVID-19 و قیمت بین‌المللی نفت بر انرژی، اقتصاد و محیط زیست در چین. Appl. Energy 2021 , 302 , 117612. [ Google Scholar ] [ CrossRef ]
  3. آمار، گزارش سالانه اقتصادی NBO چین در سال 2021 ؛ اداره آمار دولتی: پکن، چین، 2022. [ Google Scholar ]
  4. سانگ، اقتصاد غرفه خیابان S. در چین در دوران پس از کووید-۱۹: معضلات و پیشنهادات نظارتی. Res. گلوب. 2020 ، 2 ، 100030. [ Google Scholar ] [ CrossRef ]
  5. گوا، اف. هوانگ، ی. وانگ، جی. وانگ، ایکس. اقتصاد غیررسمی در زمان همه‌گیری COVID-19. اقتصاد چین Rev. 2022 , 71 , 101722. [ Google Scholar ] [ CrossRef ]
  6. چن، اچ. کیان، دبلیو. Wen, Q. تأثیر همه‌گیری COVID-19 بر مصرف: یادگیری از داده‌های تراکنش با فرکانس بالا. در مقالات و مجموعه مقالات AEA ; انجمن اقتصادی آمریکا: نشویل، تی ان، ایالات متحده آمریکا، 2021؛ صص 307-311. [ Google Scholar ]
  7. Lawson، RM پاسخ عرضه خدمات تجارت خرده فروشی به رشد جمعیت شهری در غنا. در توسعه تجارت و بازارهای بومی در غرب آفریقا ؛ Routledge: لندن، بریتانیا، 2018; صص 377-398. [ Google Scholar ]
  8. روزنلوند، جی. نایبلوم، Å. اکهلم، اچ ام. Sörme, L. ظهور ضایعات مواد غذایی به عنوان یک موضوع در خرده فروشی سوئدی. برادر Food J. 2020 , 122 , 3283–3296. [ Google Scholar ] [ CrossRef ]
  9. پونیاتویا، پی. پیوند آگاهی محیطی و سازگاری با محیط زیست برند درک شده به اعتماد برند و قصد خرید. گلوب. اتوبوس. Rev. 2014 , 15 , 279-289. [ Google Scholar ] [ CrossRef ]
  10. Jorgensen Zevenbergen، R. کارگران جوان و تمایلات آنها نسبت به ریاضیات: تنش های یک عادت ریاضی در صنعت خرده فروشی. آموزش. گل میخ. ریاضی. 2011 ، 76 ، 87-100. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  11. آناگبوسو، م. مک لارن، سی. تاثیر رکود بر حجم خرده فروشی. اقتصاد علامت کار Rev. 2009 , 3 , 22-28. [ Google Scholar ] [ CrossRef ]
  12. Noble Jacob، DKK یک مدل موثر برای پیش بینی ریزش مشتری در بخش خرده فروشی بر اساس CRM. دس مهندس 2021 ، 12627-12646. [ Google Scholar ]
  13. کیم، اس.-اس. لی، جی. اچ. چگونه مسئولیت اجتماعی شرکت بر اطلاعات نامتقارن تأثیر می گذارد: شواهدی از صنعت خرده فروشی کره J. Distrib. علمی 2019 ، 17 ، 5–11. [ Google Scholar ]
  14. پلازا، AG; Saulais، L. بلومنتال، دی. دلارو، جی. محل غذا خوردن به عنوان یک نقطه مرجع: تفاوت در ارزیابی لذت جویانه ظروف بر اساس وضعیت مصرف. کیفیت غذا ترجیح می دهند. 2019 ، 78 ، 103738. [ Google Scholar ] [ CrossRef ]
  15. رابرتسون، دی. Lunn، PD تأثیر مکان فضایی اطلاعات کالری بر انتخاب، مصرف و حرکات چشم. Appetite 2020 , 144 , 104446. [ Google Scholar ] [ CrossRef ]
  16. کلارک، ام. بیرکین، ام. مدل‌های تعامل فضایی: از آزمایش‌های عددی تا کاربردهای تجاری. Appl. تف کردن مقعدی سیاست 2018 ، 11 ، 713-729. [ Google Scholar ] [ CrossRef ]
  17. اندرسون، اس جی. Volker، JX; مدل نقطه شکست فیلیپس، دکتر کانورس اصلاح شد. جی. مناگ. علامت. Res. 2010 ، 3 ، 1. [ Google Scholar ]
  18. وانگ، ی. جیانگ، دبلیو. لیو، اس. بله، X. وانگ، تی. ارزیابی مناطق تجاری با استفاده از داده های رسانه های اجتماعی با مدل هاف کالیبره شده. ISPRS Int. J. Geo Inf. 2016 ، 5 ، 112. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  19. لویائو، دبلیو. هونگ، اف. Yankun, W. انتخاب سایت از فروشگاه‌های خرده‌فروشی بر اساس دسترسی فضایی و شبکه عصبی هیبریدی BP. Isprs Int. J. Geo Inf. 2018 ، 7 ، 202. [ Google Scholar ]
  20. اپلبام، دبلیو. کوهن، SB پویایی مناطق تجاری فروشگاه و تعادل بازار. ان دانشیار صبح. Geogr. 1961 ، 51 ، 73-101. [ Google Scholar ] [ CrossRef ]
  21. وانگ، ال. فن، اچ. Wang, Y. برآورد پتانسیل مصرف با استفاده از داده های نور شبانه VIIRS. PLoS ONE 2018 , 13 , e0206230. [ Google Scholar ] [ CrossRef ]
  22. یوسونگ، تی. چائو، دبلیو. مشکلات و اقدامات متقابل توسعه مشخصه شهرهای کوچک در استان کیاننان. در مجموعه مقالات سمپوزیوم بین المللی پیشرفت در مدیریت ساخت و ساز و املاک ; Springer: سنگاپور، 2018; صص 151-158. [ Google Scholar ]
  23. شیانگمی، م. لپینگ، تی. چن، ی. Lifeng، W. پیش بینی مصرف سالانه آب در 31 منطقه چین با در نظر گرفتن تولید ناخالص داخلی و جمعیت. حفظ کنید. تولید مصرف کنید. 2021 ، 27 ، 713-736. [ Google Scholar ] [ CrossRef ]
  24. Xiao, Y. تحقیق در مورد الگوی فضایی و عوامل مؤثر بر سرزندگی مصرف در مناطق میانی بر اساس داده‌های POI – مطالعه موردی شهر هیفی. در مجموعه مقالات کنفرانس بین المللی علوم تصمیم گیری و مدیریت ; اسپرینگر: سنگاپور، 2021؛ ص 481-488. [ Google Scholar ]
  25. هو، جی. Chen, L. شناسایی مرکز تجاری منطقه ای بر اساس داده های بزرگ POI در چین. عرب جی. ژئوشی. 2021 ، 14 ، 1-14. [ Google Scholar ] [ CrossRef ]
  26. ژانگ، ایکس. Xu، Z. درجه جفت عملکردی و شدت فعالیت انسانی فضای تولید-زندگی-اکولوژیک در مناطق توسعه نیافته در چین: مطالعه موردی استان گوئیژو. Land 2021 , 10 , 56. [ Google Scholar ] [ CrossRef ]
  27. الغانیم، ع. جیلانی، م. برتولتو، ام. McArdle، G. استفاده از ویژگی‌های جاده و رفتار مشارکت‌کننده برای ارزیابی کیفیت نوع جاده در OSM. ISPRS Int. J. Geo Inf. 2021 ، 10 ، 436. [ Google Scholar ] [ CrossRef ]
  28. وانگ، اچ. وانگ، جی. آره.؛ چن، ایکس. Wang, Z. الگوریتم استخراج و ساخت مدل شبکه جاده های ترافیکی بر اساس فایل OSM. در مجله فیزیک: مجموعه کنفرانس ; انتشارات IOP: بریستول، انگلستان، 2021; جلد 1848، ص. 012084. [ Google Scholar ]
  29. شما، اچ. یانگ، جی. ژو، بی. شیائو، ایکس. شیا، جی. جین، سی. لی، X. تکامل فضایی تغییر جمعیت در شمال شرقی چین در طول 1992-2018. علمی کل محیط. 2021 ، 776 ، 146023. [ Google Scholar ] [ CrossRef ]
  30. Tatem، AJ WorldPop، داده های باز برای جمعیت شناسی فضایی. علمی داده 2017 ، 4 ، 1-4. [ Google Scholar ] [ CrossRef ]
  31. چن، بی. خو، بی. زو، ز. یوان، سی. سوئن، اچ پی؛ گوا، جی. خو، ن. لی، دبلیو. ژائو، ی. یانگ، جی. طبقه‌بندی پایدار با نمونه محدود: انتقال مجموعه نمونه با وضوح 30 متری جمع‌آوری‌شده در سال 2015 به نقشه‌برداری پوشش زمین با وضوح 10 متری در سال 2017. علمی. گاو نر 2019 ، 64 ، 370-373. [ Google Scholar ]
  32. وانگ، ال. هونگ، اف. Gong, T. برآورد تقاضای مصرف کننده و استراتژی های خرید بهینه سازی خرده فروشان FMCG بر اساس روش های جغرافیایی. Sustainability 2018 , 10 , 466. [ Google Scholar ] [ CrossRef ][ Green Version ]
  33. اویانگ، جی. فن، اچ. وانگ، ال. یانگ، م. Ma, Y. بهبود انتخاب سایت خرده فروشان بر اساس استراتژی رقابت فضایی و شبکه عصبی کانولوشنال دو کاناله. ISPRS Int. J. Geo Inf. 2020 ، 9 ، 357. [ Google Scholar ] [ CrossRef ]
  34. کوارک، N.-S. لی، سی. اثرات نامتقارن شرایط مالی بر رشد تولید ناخالص داخلی در کره: تحلیل رگرسیون چندکی. اقتصاد مدل. 2021 ، 94 ، 351-369. [ Google Scholar ] [ CrossRef ]
  35. محسن، م. نسیم، س. سرفراز، م. اعظم، تی. ارزیابی اثرات مصرف انرژی سوخت، سرمایه گذاری مستقیم خارجی و تولید ناخالص داخلی بر انتشار CO2: شواهد علم داده جدید از اروپا و آسیای مرکزی. Fuel 2022 , 314 , 123098. [ Google Scholar ]
  36. کیم، ام.-جی. درک عوامل تعیین کننده در مصرف برق خانگی در کره: رگرسیون OLS و رگرسیون چندکی برق J. 2020 , 33 , 106802. [ Google Scholar ] [ CrossRef ]
  37. گوا، ی. کانیوکا، آر. گائو، جی. Sims، OT تجزیه و تحلیل اپیدمیولوژیک ارتباط بین درآمد سرانه در سطح شهرستان، نرخ بیکاری، و نرخ واکسیناسیون COVID-19 در ایالات متحده. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2022 ، 19 ، 1755. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  38. وو، سی. کیم، آی. چانگ، اچ. اثرات تغییرات فضایی محیط ساخته شده بر استفاده از دوچرخه به اشتراک گذاری: مطالعه موردی سوژو، چین. Cities 2021 , 110 , 103063. [ Google Scholar ] [ CrossRef ]
  39. Saiz, A. عوامل جغرافیایی تعیین کننده عرضه مسکن. QJ Econ. 2010 ، 125 ، 1253-1296. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  40. گولر، AU استنتاج اقتصاد تراکم فروشگاه از بسته شدن: پرونده استارباکس. علامت. علمی 2018 ، 37 ، 611-630. [ Google Scholar ] [ CrossRef ]
  41. یائو، اف. ون، اچ. اندازه‌گیری Luan، J. CVaR و مدیریت ریسک عملیاتی در بانک‌های تجاری با توجه به روش ارزش اوج نظریه ارزش شدید. ریاضی. محاسبه کنید. مدل. 2013 ، 58 ، 15-27. [ Google Scholar ] [ CrossRef ]
  42. Ingene، CA; Yu، ES محیط زیست تعیین کننده کل فروش سرانه خرده فروشی در SMSAs. J. Reg. مقعدی Policy 1982 ، 12 ، 52-61. [ Google Scholar ]
  43. Myran، DT; اسمیت، بی تی; کانتور، ن. لی، ال. سها، س. پارادیس، سی. جسمن، آر. Tanuseputro، P. Hobin، E. تغییرات در ارزش دلاری سرانه الکل، خرده فروشی ضروری و غیر ضروری در کانادا در طول COVID-19. BMC Public Health 2021 ، 21 ، 1-9. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  44. سالمرون گومز، آر. گارسیا پرز، جی. لوپز مارتین، MD؛ تشخیص گارسیا، CG Colinearity در تخمین پشته از طریق ضریب تورم واریانس به کار گرفته شد. J. Appl. آمار 2015 ، 43 ، 1831-1849. [ Google Scholar ] [ CrossRef ]
  45. شفیعی، س. دروغ گفت، LM; برود، آی. دیزث، جی. Lillemo، M. انتخاب متوالی رو به جلو و رگرسیون بردار پشتیبان در مقایسه با رگرسیون LASSO برای پیش‌بینی عملکرد گندم بهاره بر اساس تصاویر پهپاد. محاسبه کنید. الکترون. کشاورزی 2021 ، 183 ، 106036. [ Google Scholar ] [ CrossRef ]
  46. ویتزل، دبلیو. شوارتزکف، AB; هلو، EB تأثیر ادراک کارکنان از خدمات مشتری بر فروش خرده فروشی. J. خرده فروشی. 1989 ، 65 ، 27-40. [ Google Scholar ]
  47. جین، ایکس. بائو، جی. تانگ، سی. نمایه سازی و ارزیابی مصرف کنندگان چینی در رابطه با سفرهای پس از کووید-19. Curr. تور مسائل. 2021 ، 25 ، 745-763. [ Google Scholar ] [ CrossRef ]
Ijgi 11 00302 g001 550
شکل 1. ( الف ) موقعیت Qiannan در چین. ب ) تقسیم اداری کیان نان. ج ) توپوگرافی کیاننان. ( د ) توزیع جمعیت کیاننان.
Ijgi 11 00302 g002 550
شکل 2. نمودار جریان مطالعه.
Ijgi 11 00302 g003 550
شکل 3. توزیع مغازه های خرده فروشی و شبکه های حاوی مغازه های خرده فروشی. A و B به ترتیب دو منطقه نمونه راهنمای شهرستان و شهرستان دویون را نشان می دهند.
Ijgi 11 00302 g004 550
شکل 4. مجاورت فضایی مغازه های خرده فروشی در شبکه مرکزی و در هشت شبکه مجاور. نقاط قرمز نشان دهنده فروشگاه های خرده فروشی در شبکه مرکزی (پس زمینه خاکستری) است. نقاط آبی نشان دهنده فروشگاه های خرده فروشی در شبکه های مجاور است. نشان دهنده فاصله نقطه مرکزی تا فروشگاه است که در شبکه مرکزی قرار دارد. نشان دهنده فاصله نقطه مرکزی تا فروشگاه است ، که در یکی از شبکه های مجاور قرار دارد .
Ijgi 11 00302 g005 550
شکل 5. تعداد مغازه ها در هر شبکه.
Ijgi 11 00302 g006 550
شکل 6. ( الف ) توزیع فضایی کل خرده فروشی در هر شبکه. ( ب ) منحنی رابطه تعداد مغازه ها و کل خرده فروشی در مقیاس شبکه.
Ijgi 11 00302 g007 550
شکل 7. توزیع داده های جمعیت در سطح شبکه.
Ijgi 11 00302 g008 550
شکل 8. ( a – h ) توزیع داده های POI و ( i ) ناحیه موانع جغرافیایی در مقیاس شبکه.
Ijgi 11 00302 g009 550
شکل 9. ( الف ) توزیع شاخص رقابت مبتنی بر نسبت. ( ب ) منحنی رابطه شاخص رقابت مبتنی بر نسبت و تعداد مغازه ها در مقیاس شبکه.
Ijgi 11 00302 g010 550
شکل 10. ( الف ) توزیع شاخص رقابت مبتنی بر فاصله شبکه مرکزی. ( ب ) منحنی رابطه شاخص رقابت مبتنی بر فاصله شبکه مرکزی و تعداد مغازه ها در مقیاس شبکه.
Ijgi 11 00302 g011 550
شکل 11. ( الف ) توزیع شاخص رقابت مبتنی بر فاصله شبکه های نزدیک. ( ب ) منحنی رابطه شاخص رقابت مبتنی بر فاصله شبکه های نزدیک و تعداد مغازه ها در مقیاس شبکه.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید