时空供求因素对OTO企业交易成功率的影响*——基于打车软件的实证研究

李 季 张 帅 许 可 江明华



时空供求因素对OTO企业交易成功率的影响*——基于打车软件的实证研究

李 季1张 帅1许 可2江明华2

（1．中央财经大学商学院 北京 100086）（2．北京大学光华管理学院 北京 100781）

本文利用OTO行业中某打车软件的订单成交记录，从OTO行业自身的特点出发，结合时间和空间因素，对OTO商户供给和用户需求进行深入的分析，探索基于时空特征的OTO企业供求关系对于交易成功率的影响。实证研究发现OTO企业交易过程中，订单时空供求因素、订单特征以及促销因素影响着交易成功率。OTO企业不同于传统行业，有效的供给和需求量需要基于一定的时间和空间特征来计算。OTO平台上的商户供给量越大，交易的成功率越大；用户需求量越大，交易的成功率越小。本文的研究结果为OTO企业提高交易成功率提供理论指导。

OTO 企业订单 特征时空 供求交易成功率

一、引 言

互联网技术的发展推动了线下传统行业与互联网的结合，创造了一种全新的互联网商业模式——OTO（Online to Offline）商务。OTO是指通过互联网向用户提供商家信息，消费者在线预订线下商品或服务，再到线下去享受服务的一种商务模式。它将线下商务机会与互联网结合，让互联网成为线下交易的前台。OTO模式能够将线上虚拟经济与线下实体经济进行全面融合，使得生活中的商业行为特别是服务类商品购买都可以在网上完成，扩展了电子商务的业务范围，是继B2C、C2C之后电子商务的又一浪潮。

OTO 作为电子商务的新模式在近几年有了快速的发展。《中国企业互联网应用状况调查报告》显示，2015年上半年，OTO市场规模已达3049.4亿元人民币，同比增长近80%。过去几年时间里，国内资本市场对于OTO行业的期望甚高，上亿的资金不断从投资机构注入各个新兴OTO市场，造成了国内OTO“遍地开花、补贴不断”的“大繁荣”景象。但随着近期投资市场“寒冬论”的频繁出现，对OTO现有模式是否适合任何传统行业的质疑开始出现。OTO的价值究竟何在？在商家和客户两端，OTO平台能给他们带来什么价值以及OTO平台如何从商家和客户两端获得利润都是值得研究的问题。

从业务模式来看，目前OTO平台的主要任务是连接C端（Customer）需求和B端（Business）服务。这一过程的理想结果是：C端用户获得相同品质的服务且所付费用降低，B端商户客流量增加且利润率不变（售价可能降低），OTO平台在为这两端提供信息或其他服务（比如快递送餐）时可以从其中一端甚至两端获得利润。这种模式获取成功的关键是如何有效地将C端的需求与B端的供给相匹配，提高交易的成功率，因为只有这样OTO平台才可以帮助交易双方降低搜寻、联系、契约签订等交易成本（Dervojeda等，2013），进而创造利润。因此，OTO的本质不仅是将线下的传统产业搬到线上，而且是以互联网作为工具，通过降低B、C两端间的交易成本来实现自身价值。OTO企业的持久发展必须依靠商户和客户形成有效交易，保证交易的成功率，进而才能产生现金流和利润，企业才能持久发展。OTO 概念被提出后，在业界引起了广泛的讨论和实践，学者们也从商业模式、数据分析、行业应用与案例分析等方面进行了探讨。目前学术界对于OTO行业的研究主要集中在OTO模式的发展动力和OTO消费者行为的影响因素。Rampell（2010）通过Groupon、OpenTable、Restaurant.com和SpaFinder四家公司案例分析总结OTO企业运营的共同点。Bravo（2012）指出线上和线下结合是电子商务发展的新方向。Lieber（2011）的研究显示OTO模式不仅能够提高消费者购买的便捷性，同时线下消费又能有效地避免网上的欺诈行为。彭惠和吴利（2014）从消费者和电商企业的角度分析了OTO电子商务模式发展的动力所在，并根据OTO的特点总结出适合采用OTO 模式的商品类型。Dumrongsiri（2008）发现零售企业通过线上和线下的双渠道供应链可以提高企业的整体利润。Ji等（2014）分析了OTO商务模式的流程和核心关键点，提出了OTO零售企业核心竞争力的椎体模型。另一方面，在针对OTO消费者行为的研究中，Chen（2013）分析了OTO模式下线上服务和线下服务的差异，并且分析了线下和线上顾客忠诚度的差异。Wu和Heish（2014）提出为了满足不同顾客的需求，有效地加速网上订单的产生，OTO企业应当利用推荐系统，并且根据位置、时间和预算满足OTO顾客的需求。Chen（2012）研究发现OTO服务兼容性与易用性是影响消费者使用的主要因素。李普聪和钟元生（2014）的研究发现感知有用性、可试用性、可观察性、兼容性及感知风险等对OTO模式采纳行为有显著影响。于本海、杨永清（2015）系统地分析了用户线下体验和商户线下存在两个OTO特征对消费者接受意向的影响。这些研究一方面侧重于对OTO整体模式的探索，分析OTO模式的形成和发展前景；另一方面针对消费者在OTO模式下的主观认知和消费行为进行研究。对于OTO企业如何提高B端和C端的交易量和交易成功率的研究并没有涉及。

传统的经济学理论告诉我们交易是供给和需求两种力量共同作用的结果。OTO模式是市场经济中的新形式，不同于传统行业，它的供给和需求受到时间和空间因素的影响。OTO是将线下商务机会与互联网相结合，消费者在线预订线下商品或服务，再到线下去享受服务的一种商务模式。因此，OTO服务的效率极大地受到时间和空间的影响，OTO企业通过分析用户产生需求的时间和地理位置，进而提供符合需求的商户信息，是提高交易成功率的关键所在。学术界有很多学者研究了时空因素对消费者的影响。虽然，有学者认为强调个体时空数据的获取是制约行为研究的重要瓶颈之一（柴彦威，2010），但是随着手机的普及，移动定位服务为个体时空数据的获取提供了新的技术支持。移动定位服务是指通过移动设备的地理位置分析、发掘潜在有用信息而向消费者提供服务的新型技术，它已成为一个基于移动定位信息的新型研究领域（O'Hanlon，2007）。基于移动定位的时空行为数据信息真实，定位精度高，且适合大规模采集。Ratti（2006）通过232个通讯基站的数据研究了城市手机使用者的时空分布特征，由此得出城市人群空间活动的特点。Hoadley（2010）和Zhou（2013）提到通过移动定位服务技术建立的信息服务平台可以提高信息的准确性，为用户提供更优质的服务。Zou（2015）通过实证研究提出LBS可以向消费者提供精确的个性化信息，优化消费者在商场购物时的决策；而且LBS不仅影响着即时的消费决策，从长期来看也会对消费者的忠诚度有影响。

OTO平台是一种基于移动定位的商业模式，基于时空特征的供求因素如何影响OTO企业的交易成功率是值得研究的问题。因此，本文从OTO自身的特点出发，结合时间和空间因素，对OTO行业的商户供给和用户需求进行深入的分析，探索基于时空特征的OTO供求关系对于交易成功率的影响，为OTO企业提升服务效率和创造平台利润提供理论指导。

二、研究方法

（一）数据来源

打车软件是一种基于地理位置服务的智能手机应用。打车软件行业经过4年多的发展，已经形成一定的市场规模，竞争重点已经从获取新客户转向维系现有用户和实现持续盈利。打车软件基于移动端提供的地理信息，实现线上预定和线下消费，是一类典型的OTO企业。

本文所使用的数据来源于某打车软件公司在北京市场的出租车订单成交记录。企业从其数据库中随机抽取2015年上半年某一工作日的交易数据，共包含237,635条订单，其中未完成交易的订单有104,682条，交易成功率为56%，还有待于进一步提高。在这一阶段，企业给予消费者和司机的补贴大幅减少，订单代表了消费者的正常需求和司机提供的相应服务，因此更能反映OTO企业日常营业情况。数据包括订单ID，出发地的经纬度，目的地的经纬度，出发时间，用户给予出租车的小费金额，打车软件提供的补贴金额，目的地与出发地的有效距离，订单呼叫次数和订单状态等变量。

（二）研究模型

在本文中，我们主要关注对于交易成功率的影响因素。除了常见的促销因素和订单特征外，我们还在模型中加入了OTO订单的时空特征和时空供求因素，分析其对OTO企业交易成功率的影响，研究框架如图1所示：

根据框架，我们构建了Logistic模型：

其中，

X为影响交易成功率的变量。为待估计系数。0为截距项。为随机误差项，满足等基本假定。结合本文所涉及的影响因素，我们假定：

其中，bonus为OTO平台的补贴金额；tips为用户提供的小费金额；callcount为订单的呼叫次数；length为订单的承载距离；drivernum和ordernum为基于时空的供给量和需求量；circle_o、circle_d、ringway_o、ringway_d、house_o和house_d为服务的出发地和目的地的地理特征；time为服务的时间特征。

图1 研究框架

（三）变量计算

对于因变量，我们通过汇总观测期内打车订单的状态，将完成的订单设为“1”，而将没有司机接单或者中途取消的订单设为“0”。对样本数据的交易完成状态进行简单描述分析，我们发现，打车软件的用户端共产生237635条订单，但最终只有132953条订单完成，104682条交易没完成，未完成率高达44%。可以看出，OTO企业通过互联网产生交易的同时，交易完成度并不高。企业增加知名度，提高交易量的同时，还得提高整体的交易完成率，才能保证平台的利润。研究影响OTO企业的交易完成率的因素尤为重要。

正如前面所讨论，OTO企业为了提高用户和商户交易的完成度，提供平台补贴吸引双方，考虑到补贴形式并不能增加顾客的忠诚度，带来长久利润，因此我们在传统促销模型中引入订单产生的时间、基于位置服务（LBS）的空间因素以及结合时空因素计算出的订单时空需求量和订单时空供给量等因素作为自变量。他们分别是：

1、促销因素

平台补贴金额：为了吸引B端和C端更多的使用OTO软件进行交易，企业会提供少量的不同金额进行促销。

小费金额：C端用户为了更加有效地完成订单，会在正常价格上给予B端用户少量的金钱作为小费，我们定义为：小费金额=用户价格—正常价格

通过分析可以看到，随着OTO市场的成熟和逐步完善，补贴金额和小费金额的力度越来越小，平台提供补贴的订单仅占12%，用户提供小费的订单仅有8%，因此我们更加需要研究促销以外的因素对于订单成功率的影响。

2、订单特征

订单呼叫次数：消费者提出服务需求后，由于长时间没有司机接受订单，尝试再次刷新订单吸引司机注意，即产生订单的呼叫次数。我们认为，呼叫次数越多，说明订单的质量越差，因此交易成功率越小。

交易承载距离：交易过程中，订单的出发地和目的地的距离影响着商户和用户的交易成功率。距离越远，交易订单的质量越高，商户通过此订单获得的收入越高。因此，承载距离对于交易成功率有着正向影响。我们发现，订单的距离标准差为6329.91，说明承载距离差异较大。

3、交易的时空特征

OTO企业的交易受到时间的影响，在不同的时间段内，交易的成功率有很大差异。通过图2可以看出，以每小时为准，最大的成功率（0.83）和最小的成功率（0.35）之间竟然相差0.48。因此，我们以时间作为变量进行研究，每3个小时为一个时间段，共有8个时间段，分析时间对交易成功率的影响。

图2 每小时的交易成功率

考虑到在打车过程中，人们出行的地理因素，如是否在商圈或住宅圈，也可能对交易成功率产生影响。因此，我们定义了几个虚拟变量circle_o（1=出发地为商圈，0=出发地不在商圈）；circle_d（1=目的地为商圈，0=目的地不在商圈）；house_o（1=出发地为住宅圈，0=出发地不在住宅圈）；house_d（1=目的地地为住宅圈，0=目的地不在住宅圈）；我们将地理位置根据城市环线进行细分，定义环线的分类变量ringway_o（出发地在北京二环以内，出发地在北京二环和三环之间，出发地在北京三环和四环之间，出发地在北京四环和五环之间，出发地在北京五环和六环之间，出发地在北京六环以外）和ringway_d（目的地在北京二环以内，目的地在北京二环和三环之间，目的地在北京三环和四环之间，目的地在北京四环和五环之间，目的地在北京五环和六环之间，目的地在北京六环以外）。通过描述性分析可以初步看到，订单在商圈和非商圈的分布比较平均，在住宅圈和非住宅圈的分布不均。根据环线区域的统计，在北京四环至六环的订单数量较多。

图3 不同特征的出发地交易成功率分析

图4 不同特征的目的地交易成功率分析

从图3和图4可以看出，消费者的出发地理位置在商圈、住宅圈或距离市中心的位置越近，其交易的成功率越小。考虑到这些位置的人口密度较大，订单需求较多，从而订单完成的可能性较小。间接说明，OTO企业的交易受到B端商户和C端用户的供给和需求影响。

（四）交易的时空供求因素

对于交易的时空供求因素，我们根据订单呼叫时间前后及所在位置周边的其他订单数量，计算出交易的时空需求量（drivernum）；根据订单被打车平台发送给的周边司机的数量，计算出交易的时空供给量（ordernum）。时空供给量平均为31个，而时空需求量平均65个，C端用户的服务需求量大于B端商户的服务供给量。图5是一天之内不同时段时空供求量的比较。我们发现，在一天内，打车行业的司机的供给普遍要比顾客需求多，高峰时间段，二者匹配程度较好。我们进一步的计算供给与需求的比率，并且与交易成功率比较（参见图6），发现供给与需求的比率越大，交易成功率越高，比率越小，交易成功率越低。

图5 不同时段时空供给和时空需求比较

图6 供给与需求指标与交易成功率的比较

三、数据分析结果

在初步的描述性分析之后，我们利用logistic模型对上述四大类影响因素进行了分析。我们将数据随机分为拟合样本和验证样本，其中拟合样本共有166344条数据进行回归分析，验证样本有71292条数据根据回归结果进行预测，并将预测值与真实值进行比较，观察预测有效性。分析结果如表1所示，模型1是传统的促销因素和订单因素对于交易成功率的影响，自变量包含平台补贴金额、用户提供的小费金额、订单呼叫次数、交易承载距离；模型2在模型1的基础上根据移动定位服务（LBS），加入交易订单的空间和时间因素，主要包括出发地和目的地的时间段、是否在商圈、是否在住宅圈和环线位置的因素；模型3、模型4和模型5是在模型2的基础上，加入了结合时空因素的供给量和需求量，时空需求量为每个订单1公里以内、5分钟前后的相关订单数量，时空供给量是听到每个订单的司机数量；①模型4加入的是供给与需求之差，模型5加入了每个订单的时空供给量和需求量的比值。

表1 各模型的回归分析与结果

续表1

注：***代表P<0.01。

从回归结果可以看出，传统的促销因素，即用户小费和平台补贴都会显著影响交易的成功率：顾客在考虑到打车难的情况下，增加些小费进而希望有商户提供服务，但因为订单本身的质量不高，增加消费的效应并不显著，反而会降低交易成功率。另外，平台补贴会提高交易的发生率，反映了OTO企业通过补贴形式促进交易的有效性。

我们通过承载距离和订单呼叫次数来考察订单质量对于交易的影响。承载距离越大，说明订单质量越高，订单呼叫次数越多，说明订单质量越低。回归结果中，承载距离对于交易成功有正向影响，呼叫次数对于交易成功有负向影响，因此，总的来说订单质量越好，交易成功率越高，订单特征对交易成功率有正向的影响作用。

在时间因素方面，对比凌晨的3个小时，其他时间段的交易成功率都低于凌晨时段，并且在6点-9点的交易成功率最低。

地理因素方面，出发地为商圈的交易成功率比非商圈的低，而出发地为住宅圈的交易成功率比非住宅圈高。目的地的地理特征对于交易成功率的影响并不显著。从环线变量来看，其他环线位置的交易成功率都显著高于二环之内（北京市中心位置）。

最后，从时空供求因素来看，周边司机越多，交易成功率越大，时空供给对于交易成功率有正向影响。周边订单越多，交易成功率越小，说明时空需求量对于交易成功率有负向影响。同样，将时空供求两个因素结合到一起看，无论是供给与需求之差还是供给与需求之比都会正向影响交易成功率。进一步说明供给大于需求对交易成功的重要作用。

另外，我们利用五个模型的系数，对预测组进行预测，检测模型的有效性。各项指标如下：

表2 模型有效性结果

续表2

从结果中我们可以看出，在传统模型的基础上，结合时空供求因素的模型3的AIC值最小，R2值最大，组内预测和组外预测率都是最大，说明模型3在所有模型中是最优的。

我们进一步分析了不同时间和位置的订单的供求因素（时空供给与需求之差）对成功率的影响是否存在差异，分析结果如图7-9所示。从图中可以看出，订单的出发地或目的地如果位于商圈或住宅圈，那么时空供求对订单成功率的影响要大于非商圈或非住宅圈；从三环内出发的订单，供求因素对成功率的影响最大，从五环以外出发的订单，供求因素影响最小，订单目的地的差别较小；从时间来看，早晚上班高峰（早晚6点到9点之间）以及晚上9点到12点之间，供求因素对订单成功率的影响较大，其他时间影响较小。

图7 订单的位置特征对时空供求变量参数估计的影响

四、结 论

（一）结果讨论

对于促销因素和订单特征的考察结果，充分说明平台促销以及订单质量对于交易成功率的正向影响。随着平台补贴金额的增加，B端商户提供服务的积极性就会增加，因此交易完成率也会不断提高。承载距离是打车订单质量高低的一个直接的衡量指标，距离越远说明司机能够赚到的钱越多，所以承载距离越长的订单越容易交易成功。用户提供的小费以及订单的呼叫次数是两个间接衡量订单质量的指标，对于质量不高的订单用户才愿意提供小费或者需要呼叫多次，因此，小费金额和呼叫次数都对交易成功率产生了负面影响。这两个方面均没有考虑到时空因素的影响，并不是我们研究的重点。另外，从交易的时间和空间方面考虑，高峰时段的交易完成率相比其他时段更低；相对于市中心（北京市二环以内），其他环线位置的交易成功率更高。在商圈内的订单完成率会显著优于不在商圈内的订单。这些时空因素的分析结果，只是从表面上区分了不同时间段和地理位置上交易成功率的差异，并没有解释这些差异存在的原因。而对时空供求因素的考察恰好可以进一步说明交易成功率在不同时空下的差异。

从我们的研究结果来看，在同一时间段和地区内，用户产生的服务需求量越多，商户提供的供给量越少，交易完成的可能性就越低。这是因为时空供给和需求实际上决定了在某一时空下市场的竞争态势。如果需求多、供给少，则需求方之间存在竞争，订单完成的可能性就低。如果需求少，供给多，则供给方之间存在竞争，为了不浪费自己的供给资源，他们对订单的接受程度就高，所以交易达成的可能性较高。因此，OTO企业要想更好地完成对于C端用户和B端商户的匹配，从而降低交易成本，提高交易成功率，就必须时刻关注不同时空下的供给量和需求量，利用自己的数据和技术优势，要么引导交易双方调整自己的需求量和供给量，要么调整供给或需求的时间和空间，这样才能达到供需平衡，真正实现OTO平台的价值。此外，在不同的时空特征下，供求因素对于订单的成功率也有不同的影响。总的来说，在商圈或住宅圈内以及市中心的位置（三环以内）供求对订单成功率的影响较大。从一天的不同时段来看，早晚高峰和晚上，供求因素对订单成功率的影响较大。因此，OTO企业在运营中应重点关注这些位置和时间段，最小化自己的运营成本。

（二）管理意义

健康的OTO商业模式至少要保证解决三个问题，即：“为商户带来利益、为用户解决问题、为自己创造利润”，本文为OTO企业提供了一个全新的视角来考虑OTO平台中B端商户和C端用户交易过程中，时空供求因素对于交易成功率的影响，分析OTO平台利润创新的突破点。本文所建模型和研究结论对于OTO模式的企业来说具有较高的应用价值。

第一，OTO服务的效率极大地受到时间和空间的影响。OTO企业可以根据时空供求对比特定时间特定地理范围内用户和商户的供求关系，为两端用户提供即时有效的推荐。OTO企业可以通过平台建立弹性推荐制度，结合时空因素对供求量进行分析，为消费者和商户提供及时有效的服务。当OTO平台交易订单的用户需求量小于商户供给量时，可以推荐商户调整服务范围，扩大接单区域，也可以推荐消费者更多关联服务，提高消费者的关联购买和消费；当OTO平台交易订单的用户需求量大于商户供给量时，可以向周边商户推荐此范围内的订单信息、增加商户供给，也可以提示消费者等候时间，推荐相似商户，提高消费者的交易效率。OTO企业应当将平台的大数据有效利用研究，通过互联网技术分析制定及时有效的营销策略。企业通过数据应用和互联网技术在不同时间、不同空间配备不同的服务力量，全面地服务用户和商户，提高两端用户的交易成功率，保证交易过程的完成，进而平台才能创造利润。另外，OTO企业从每日订单中积累了大量信息，包括消费者行为、习惯、特殊需求等，还有城市交通状况信息。利用移动信息和技术可以做到提前预测需求，然后确保供应量与将要达到的需求量相匹配。

第二，对商户和用户进行补贴目前是国内各OTO平台所采用的主要推广手段，从目前市场上的结果来说，OTO平台前期通过对用户进行补贴确实是一种可以快速聚集用户的有效战术，但补贴并不能成为其商业模式的全部，如果不能对用户群体进行筛选并为其中具有高付费潜力的用户提供具有高附加值的服务，那么过度依赖补贴策略只会不断增大自身融资压力，进而可能导致企业资金链断裂而灭亡。我们的研究也表明，通过补贴的营销策略对于OTO企业来说不是主要因素。依靠补贴带来的快速繁荣背后是以商户利益或自身利润作为代价的。OTO企业应当分析交易订单的差异性特征，差异化对待各个交易订单，不同质量的订单采取有效的营销手段，促进各交易订单的完成，提高订单交易率，为OTO平台创造利润。

第三，中国经过30多年的要素投入，经济模式需由粗放型向集约型转变。降低交易成本、提高供需匹配效率的经济模式符合当前经济的发展趋势，值得在供给侧结构性改革中进行借鉴。目前产能过剩本质上是供给大于需求。供给大于需求有很多方面，有一种情况是并非没有需求，但因为交易成本过高，供给无法触及需求。在没有增加新资源的情况下，通过移动互联网、大数据和云计算，创造了就业，降低了服务交易成本，有利于解决供给侧的问题。

（三）研究局限与未来研究方向

通过本文构建的时空供求模型，OTO行业能够通过服务的时空特征和时空供求因素评估交易的完成，从而可以更加合理地预估OTO平台交易，分析企业利润和行业前景，为OTO的战略发展进行科学合理的营销规划和策略制定。

当然，本研究也存在一定的不足。例如，本研究的数据是来自北京OTO企业的订单交易数据，针对北京地区进行分析，研究没有涵盖二三线城市的OTO行业发展，今后的研究可以尝试分析二三线城市中的OTO发展及不同城市下的发展差异。再如，OTO是新型行业模式，由于目前的市场渗透率较低，会有大量的企业涉足，今后可以从市场竞争者角度出发，考虑同行业竞争对交易的影响，使得研究更加全面有效。

1. 柴彦威、赵莹、马修军：《基于移动定位的行为数据采集与地理应用研究》[J]，《地域研究与开发》2010年第6期。

2. 李普聪、钟元生：《移动OTO商务线下商家采纳行为研究》[J]，《当代财经》2014年第9期。

3. 彭惠、吴利：《OTO电子商务：动力、模式与前景分析》[J]，《华南理工大学学报（社会科学版）》2014年第6期。

4. 王俊辉、韩丹：《OTO结合LBS的电子商务模式研究》[J]，《电子世界》2014年第7期。

5. 于本海、杨永清：《顾客体验与商户线下存在对社区OTO电商接受意向的影响研究》[J]，《管理学报》2015年第12期。.

6. 中国互联网络信息中心互联网发展研究部：《2014年下半年中国企业互联网应用状况分析》[J]，《互联网天地》2015年第7期。

7. Bravo,R., Hem,E.,and Pina,L.M.,2012,"From Online to Offline Through Brand Extensions and Alliances" [J],Vol.8,No.1:17-34.

8. Chen,L.D.,Gillenson,M.L.,and Sherrell,D.L.,2012,"Enticing O2O Consumers: An Extended Technology Acceptance Perspective"[J],, Vol.39,No.8:705-719.

9. Chen,Y.,Jeon,Y.J.,and Kim,Y.M.,2013,"A Day without a Search Engine: An Experimental Study of Online and Offline Searches"[J],, Vol.17,No.4:1-25.

10. Dumrongsiri, A., Fan, M., and Jain, A.,2008,"A Supply Chain Model with Direct and Retail Channels" [J],, Vol.187,No.3: 691–718.

11. Dervojeda, K., Verzijl, D., and Nagtegaal, F., 2013, "The Sharing Economy: Accessibility Based Business Models for Peer-to-peer Markets"[J],, Vol.9.

12. Hoadley, C. M., Xu, H., and Lee, J.J., 2010,"Privacy as Information Access and Illusory Control: The Case of the Facebook News Feed Privacy Outcry"[J],, Vol.9,No.1: 50-60.

13. Ji, S. W., and Sun,X.Y.,2014, "Research on Core Competitiveness of Chinese Retail Industry Based on O2O" [J],, Vol.834: 2017-2020.

14. Lieber,E., and Syverson, C., 2011,"Online vs. Offline Competition"[J],, Vol.189.

15. Ratti, C., Frenchman, D., and Pulselli,R.M.,2006, "Mobile Landscapes: Using Location Data from Cell Phones for Urban Analysis"[J],, Vol.33,No.5:727-748.

16. O'Hanlon,C.,2007," Where on Earth? "[J],, Vol.20,No.3:7.

17. Rampell, A., Campbell,A., Angelo,T., 2010," Methods and Systems for an Alternative Payment Platform: WO, US7788139"[P], 2010.

18. Wu, C.H., Heish, T., and Ma,T.G.,2014,"Novel Decoupling Network for Two-element Array Using Even-odd-mode Impedance Transformer"[C].

19. Zhou,T.,2013,"An Empirical Examination of User Adoption of Location-based Services"[J],, Vol.13,No.1: 25-39.

20. Zou, X., and Huang, K.W., 2015, "Leveraging Location-based Services for Couponing and Info Mediation" [J],,Vol.7No.C:93-103.

（H）

①对于时空需求量，我们同时也做了1公里以内、10分钟前后的相关订单数量以及3公里以内、10分钟前后的相关订单数量，回归结果虽然显著，但系数明显小于1公里内、5分钟前后的时空需求，因此模型中采用此方法计算。

*本文获得国家自然科学基金项目（批准号：71102127和71172030）的资助。感谢匿名审稿人的宝贵意见。