侯凌霞 鄭蘇峰

摘? 要：每個(gè)汽車品牌在各城市4S店的數(shù)量從一定程度上表達(dá)了該品牌對(duì)該城市汽車銷量的期待，而這二者之間的差距勢(shì)必會(huì)對(duì)該品牌乘用車的銷量產(chǎn)生影響。廣東省21個(gè)地級(jí)市發(fā)展成果不一，居民收入和消費(fèi)水平也存在差距，所以對(duì)乘用車的需求也各不相同。加之疫情對(duì)這些城市的沖擊也存在明顯的不對(duì)稱性，也會(huì)對(duì)乘用車的需求產(chǎn)生相應(yīng)的影響。作者從廣東省汽車行業(yè)發(fā)展角度出發(fā)，結(jié)合疫情的因素建立影響乘用車需求的評(píng)價(jià)指標(biāo)體系，利用SPSS軟件的兩個(gè)聚類功能進(jìn)行分類，對(duì)比目前東風(fēng)日產(chǎn)已有網(wǎng)點(diǎn)布局規(guī)劃，提出合理的意見和建議。

關(guān)鍵詞：SPSS聚類分析;汽車產(chǎn)業(yè);東風(fēng)日產(chǎn);網(wǎng)點(diǎn)布局

中圖分類號(hào)：F253??? 文獻(xiàn)標(biāo)識(shí)碼：A

Abstract： The number of 4S stores of each automobile brand in each city expresses the expectation of the brand on the sales volume of the city， and the gap will certainly have an impact on the sales volume of the brand's passenger cars. The 21 prefecture-level cities in Guangdong province are different in terms of development achievements， residents' income and consumption level， so the demand for passenger cars is also different. And these cities will be affected to varying degrees by the outbreak. Based on the epidemic situation， the author established a passenger car demand index system and classified it by SPSS software. Then compare the current 4S shop layout of Dongfeng Nissan， and then give them some opinions and suggestions.

Key words： SPSS cluster analysis; automotive industry; Dongfeng Nissan; network layout

0? 引? 言

2020年初，一場(chǎng)突如其來的疫情，使我國(guó)汽車銷量銳減，特別是在2020年2月全國(guó)汽車銷量不足22萬輛，這無疑是汽車市場(chǎng)的嚴(yán)冬。但是隨著國(guó)內(nèi)復(fù)工復(fù)產(chǎn)潮的來臨，全國(guó)新車銷量逐漸回溫。2020年7月，全國(guó)汽車總銷售額達(dá)166.5萬輛，汽車總銷售能力恢復(fù)到疫情發(fā)生前的75%，其中東風(fēng)日產(chǎn)旗下車型軒逸單月銷量達(dá)到55 684輛，位居車型銷量排行榜榜首（數(shù)據(jù)來源于“車主之家”網(wǎng)站）。這無論是對(duì)于受疫情影響嚴(yán)重的汽車產(chǎn)業(yè)還是對(duì)東風(fēng)日產(chǎn)公司而言，無疑都是一劑強(qiáng)心針。

東風(fēng)日產(chǎn)乘用車公司成立于2003年6月16日，是東風(fēng)汽車有限公司旗下重要的乘用車板塊，一直以來在我國(guó)汽車品牌銷售排行榜上都穩(wěn)居前五。廣東省作為全國(guó)汽車銷量長(zhǎng)期排名第一的省份，同時(shí)也素有“日系大本營(yíng)”的稱號(hào)。因此其一直是東風(fēng)日產(chǎn)的重點(diǎn)關(guān)注城市，而目前東風(fēng)日產(chǎn)在廣東省共計(jì)有4S店75間，各地市4S店數(shù)量如表1所示。從表1中可以看出21個(gè)市中超過半數(shù)只有一間4S店，而單是廣州就有18個(gè)，加上排名前四的深圳、佛山和東莞，合計(jì)45間4S店，占據(jù)了全省總量的60%。這樣嚴(yán)重不平衡的布局是否合理？文章將利用SPSS的聚類分析來證實(shí)這一問題。

1? 文獻(xiàn)綜述

疫情對(duì)廣東地區(qū)各行各業(yè)的影響可以說是巨大的，國(guó)內(nèi)短時(shí)間也生產(chǎn)了大量相關(guān)的論文分析這些影響。魏建漳、任颋（2021）在文章《新冠肺炎疫情對(duì)粵港澳大灣區(qū)城市群創(chuàng)新網(wǎng)絡(luò)的沖擊路徑及應(yīng)對(duì)策略》中針對(duì)新冠疫情對(duì)粵港澳大灣區(qū)城市群創(chuàng)新網(wǎng)絡(luò)的沖擊進(jìn)行了分析，研究發(fā)現(xiàn)新冠肺炎對(duì)各城市的沖擊具有明顯的不對(duì)稱性[1]。這說明廣東省下屬21個(gè)地市在疫情的沖擊下經(jīng)濟(jì)環(huán)境和消費(fèi)能力會(huì)有不同程度的變化，這也導(dǎo)致各地居民的購車需求發(fā)生改變，針對(duì)后疫情時(shí)代的車輛需求預(yù)測(cè)對(duì)于汽車生產(chǎn)企業(yè)而言顯得尤為重要。

網(wǎng)點(diǎn)布局研究方面的論文無論國(guó)內(nèi)外都有很多，相對(duì)而言方法和手段都日趨成熟。包振山、陳康路（2020）在論文《城市零售網(wǎng)點(diǎn)空間集聚特征與區(qū)域差異研究——以江蘇省為例》中利用最近鄰分析法對(duì)江蘇省各城市零售網(wǎng)點(diǎn)的空間集聚特征進(jìn)行分析，并進(jìn)行回歸計(jì)量論證。分析結(jié)果顯示江蘇省具備城市零售網(wǎng)點(diǎn)集聚于城市中心，并逐步向外分散的共性特征;同時(shí)又得出江蘇省各地市零售網(wǎng)點(diǎn)空間集聚差異明顯;區(qū)域經(jīng)濟(jì)差異是導(dǎo)致江蘇省南北零售網(wǎng)點(diǎn)集聚特征和差異形成的主要原因[2]。孫陽（2019）在論文《基于市場(chǎng)空間分布的農(nóng)村電商物流網(wǎng)點(diǎn)競(jìng)爭(zhēng)合作仿真與優(yōu)化》中提出了利用時(shí)間延遲、形式延遲、地點(diǎn)延遲三種策略將沿途的電子商務(wù)消費(fèi)市場(chǎng)分為靠近鄉(xiāng)鎮(zhèn)（通常是農(nóng)村物流網(wǎng)點(diǎn)所在地）和遠(yuǎn)離中心鄉(xiāng)鎮(zhèn)的市場(chǎng)，并在此基礎(chǔ)上進(jìn)行配送作業(yè)的組織方案[3]。吳曉、王凌瑾、寧昱西等（2019）在論文《南京市快遞企業(yè)網(wǎng)點(diǎn)布局及其影響因素解析——基于民營(yíng)企業(yè)（順豐速遞）和國(guó)營(yíng)企業(yè)（EMS）的比較》中收集了南京市所有順豐和EMS的網(wǎng)點(diǎn)數(shù)據(jù)，從定量和定性兩個(gè)方面對(duì)兩家企業(yè)的網(wǎng)點(diǎn)分布的特征和影響因素進(jìn)行分析。對(duì)比二者發(fā)現(xiàn)，兩家公司的網(wǎng)點(diǎn)布局都受商業(yè)中心體系的影響，而相較于對(duì)方順豐更看重交通可達(dá)程度和居民生活水平，而EMS則依賴經(jīng)濟(jì)發(fā)展水平[4]。以上3篇文章都是國(guó)內(nèi)關(guān)于網(wǎng)點(diǎn)布局研究相對(duì)比較優(yōu)秀的論文，目前關(guān)于粵港澳大灣區(qū)、珠三角或者是廣東省的網(wǎng)點(diǎn)布局的文章尚且沒有。尤其是在乘用車網(wǎng)點(diǎn)布局方面國(guó)內(nèi)沒有相關(guān)的文章。

聚類分析是將對(duì)象按照其特征的相似性或者親疏程度進(jìn)行分類的活動(dòng)，這里的對(duì)象既可以是抽象的概念也可以是實(shí)物。SPSS是一種常見的聚類分析的軟件，在利用SPSS軟件進(jìn)行聚類分析方面我國(guó)學(xué)術(shù)研究界也有眾多優(yōu)秀的論文和學(xué)術(shù)成果。以中國(guó)知網(wǎng)為例，以“SPSS聚類分析”作為關(guān)鍵詞進(jìn)行主題搜索，一共有學(xué)術(shù)論文528篇，學(xué)位論文153篇，其中碩士論文146篇，博士論文7篇，可見利用SPSS進(jìn)行聚類分析已經(jīng)比較成熟。莫艷愷（2012）在其論文《縣域旅游經(jīng)濟(jì)發(fā)展差異的綜合評(píng)價(jià)——以麗水市為例》中利用運(yùn)用SPSS的主成分分析法和聚類分析法等方法，對(duì)麗水市各縣（市、區(qū)）的旅游經(jīng)濟(jì)發(fā)展水平進(jìn)行排序、歸類和評(píng)價(jià)分析，并探討了縣域旅游經(jīng)濟(jì)差異產(chǎn)生的原因，最后提出了協(xié)調(diào)區(qū)域旅游發(fā)展的對(duì)策[5]。石敏（2020）在論文基于主成分分析和聚類分析的山東省糧食可持續(xù)發(fā)展評(píng)價(jià)中利用SPSS聚類分析功能將山東17個(gè)地級(jí)市的糧食可持續(xù)發(fā)展性劃分為四個(gè)等級(jí)，并提出了相應(yīng)的意見和建議[6]。同樣通過論文檢索可以發(fā)現(xiàn)SPSS的聚類分析功能用在網(wǎng)點(diǎn)布局方面目前尚沒有先例。

綜合以上研究可以發(fā)現(xiàn)，利用SPSS軟件的模糊聚類功能對(duì)后疫情時(shí)代的廣東省乘用車網(wǎng)點(diǎn)布局進(jìn)行研究是一個(gè)比較新的研究項(xiàng)目。

2? 評(píng)價(jià)指標(biāo)體系的構(gòu)建與聚類分析

2.1? 選取評(píng)價(jià)指標(biāo)

各個(gè)地區(qū)汽車產(chǎn)業(yè)的發(fā)展和居民乘用車需求受本地經(jīng)濟(jì)發(fā)展水平、居民消費(fèi)能力等多方面因素的影響，而這些因素每一個(gè)又由多個(gè)指標(biāo)聯(lián)合產(chǎn)生作用。所以在進(jìn)行聚類分析之前最重要的是指標(biāo)的選擇，指標(biāo)選擇的正確與否直接影響了后續(xù)結(jié)論的正確性。為了最大范圍的覆蓋汽車產(chǎn)業(yè)發(fā)展的影響因素，作者共選取了13個(gè)具體的指標(biāo)，主要涵蓋了經(jīng)濟(jì)發(fā)展、消費(fèi)能力、交通運(yùn)輸、宏觀環(huán)境四個(gè)方面[7]。具體指標(biāo)體系如表2所示。

（1）經(jīng)濟(jì)發(fā)展指標(biāo)體系綜合反映了各個(gè)市的宏觀經(jīng)濟(jì)情況，主要從法人單位數(shù)、人均GDP、就業(yè)比例、進(jìn)出口總額這四個(gè)具體方面定義。這些值與車輛需求之間都是正相關(guān)性，其值越大反映該地區(qū)經(jīng)濟(jì)越發(fā)達(dá)，車輛需求越大。

（2）消費(fèi)能力指標(biāo)，從居民的可支配收入和消費(fèi)支出意愿等方面進(jìn)行描述，主要包含全體常住居民人均可支配收入、全體常住居民人均消費(fèi)支出、規(guī)模以上服務(wù)業(yè)企業(yè)、消費(fèi)品零售總額4個(gè)指標(biāo)。所謂需求是指市場(chǎng)中愿意購買并且能夠支付的部分，全體常住居民人均可支配收入說明了該地區(qū)居民的支付能力，而另外3個(gè)指標(biāo)則代表該地區(qū)居民的購買意愿。其值越大，說明該地區(qū)居民的消費(fèi)觀念越活躍，消費(fèi)能力越強(qiáng)，對(duì)車輛的需求也就越旺盛。

（3）交通運(yùn)輸指標(biāo)，從各市民用車輛擁有量、客運(yùn)量以及運(yùn)輸線路密度3個(gè)方面來衡量各市交通現(xiàn)狀。運(yùn)輸線路密度和客運(yùn)量越大，居民購買車輛的需求也會(huì)越大，而民用汽車擁有量則可以反映出該市居民以往多年對(duì)車輛的總體需求。

（4）宏觀環(huán)境，包含人口總數(shù)、發(fā)展氛圍與政策導(dǎo)向以及疫情影響3個(gè)指標(biāo)。在經(jīng)濟(jì)發(fā)展相對(duì)一致的情況下，人口總數(shù)與車輛需求大致呈正比。而一個(gè)城市的發(fā)展氛圍包含政策、投入、文化等多方面因素，氛圍越好經(jīng)濟(jì)形勢(shì)也會(huì)在未來的時(shí)間里越蓬勃，例如粵港澳大灣區(qū)的建立對(duì)21個(gè)市的影響均有差別，這也從一定程度決定了城市的發(fā)展氛圍會(huì)不一致，這一指標(biāo)也一定會(huì)對(duì)居民汽車需求產(chǎn)生后續(xù)的影響。政策導(dǎo)向這里主要指車輛購買政策的導(dǎo)向，例如廣州、深圳率先推行限行限購，這也將會(huì)對(duì)車輛的需求產(chǎn)生不同程度影響。由于發(fā)展氛圍和政策導(dǎo)向在相關(guān)資料中沒有具體的數(shù)值，在這里將二者合為一個(gè)指標(biāo)值并采用專家打分法進(jìn)行評(píng)分，所有數(shù)值為0～10之間的常量。數(shù)值越大則表示該地區(qū)的發(fā)展氛圍和政策導(dǎo)向越能夠促進(jìn)車輛的需求。

疫情影響是一個(gè)綜合因素，而目前所獲得的指標(biāo)值均為疫情發(fā)生前的數(shù)據(jù)，不能反映疫情的影響。筆者利用搜集到的2020年第一季度廣東省增速排名作為具體數(shù)值[1]，如表3所示：

2.2? 指標(biāo)數(shù)據(jù)收集

參照《廣東省統(tǒng)計(jì)年鑒》2019年以及廣東省人民政府官網(wǎng)，查得各具體指標(biāo)X1～X12數(shù)值如表4所示，X13、X14兩組數(shù)據(jù)來自表3（注：由于2019部分?jǐn)?shù)值缺失，為了獲得同一年數(shù)值，所有數(shù)據(jù)均選取了2018年數(shù)值。）由于下一步將會(huì)對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，所以表格中并沒有列出各指標(biāo)數(shù)據(jù)的具體單位，但是每個(gè)指標(biāo)的單位是一致的。

2.3? 數(shù)據(jù)標(biāo)準(zhǔn)化處理

由于不同變量之間存在不同量綱，不同數(shù)量級(jí)，為使各個(gè)變量更具有可比性，有必要對(duì)數(shù)據(jù)進(jìn)行轉(zhuǎn)換。為了使最終結(jié)果更接近事實(shí)，筆者研究了多種數(shù)據(jù)標(biāo)準(zhǔn)化處理方法，最后選定了利用EXCEL軟件進(jìn)行數(shù)據(jù)極差法標(biāo)準(zhǔn)化計(jì)算，這樣得到的所有數(shù)據(jù)都是介于0～1之間的正數(shù)。

其具體計(jì)算公式如下：標(biāo)準(zhǔn)化后的值x=，x為原值，x為最大值，x為最小值。處理后的數(shù)據(jù)如表5所示（所有數(shù)據(jù)均為0～1之間，保留小數(shù)點(diǎn)后4位）。

2.4? 主成分分析

由于以上14個(gè)指標(biāo)相互之間可能存在某種線性或非線性的關(guān)系，直接進(jìn)行聚類處理可能會(huì)影響結(jié)果的精確度。為了更準(zhǔn)確地理解數(shù)據(jù)，讀取數(shù)據(jù)信息，需要對(duì)標(biāo)準(zhǔn)化后的數(shù)據(jù)進(jìn)行降維處理，通過加權(quán)的方法，使重要指標(biāo)的影響力增加的同時(shí)弱化個(gè)別不必要的指標(biāo)值。對(duì)數(shù)據(jù)進(jìn)行降維處理的方法有很多，經(jīng)過對(duì)比，筆者最終選用了SPSS的主成分分析法來進(jìn)行處理。同時(shí)，考慮到指標(biāo)X和X指標(biāo)的特殊性，容易影響主成分分析的精確度，所以將其單獨(dú)列出，只針對(duì)前面12個(gè)指標(biāo)進(jìn)行主成分分析，如表6、表7所示。

KMO和巴特利特檢驗(yàn)結(jié)果得到KMO的值為0.792，Bartlett球體檢驗(yàn)的P值為0.000，表示該數(shù)值比較合適做因子分析。成分矩陣如表7，從表中可以看出，一共提取了3個(gè)主因子，第一個(gè)與X，X，X，X（即人均GDP，就業(yè)比例、全體常住居民人均收入和消費(fèi)支出）幾個(gè)指標(biāo)相關(guān)性較強(qiáng)，記為F。第二個(gè)主因子與X，X，X，X（即客運(yùn)量、規(guī)模以上服務(wù)業(yè)企業(yè)、消費(fèi)品零售總額和人口總數(shù)）幾個(gè)指標(biāo)相關(guān)性較強(qiáng)，記為F。第三個(gè)主因子與X和X（即進(jìn)出口總額和運(yùn)輸線路密度）兩個(gè)指標(biāo)相關(guān)性較強(qiáng)，記為F[8]。

從表7成分矩陣可以得到3個(gè)主成分F，F(xiàn)，F(xiàn)的線性組合方程如下所示：

F=0.987*X+0.892*X+0.909*X+0.798*X+0.933*X+0.624*X+0.575*X+0.918*X+0.924*X+0.92*X+0.913*X+0.859*X

F=0.029*X-0.208*X-0.237*X-0.46*X-0.071*X-0.285*X+0.755*X-0.232*X-0.223*X+0.292*X+0.389*X+0.4*X

F=0.119*X+0.319*X-0.287*X-0.328*X+0.106*X+0.697*X-0.256*X-0.287*X-0.283*X+0.054*X-0.006*X+0.25*X

結(jié)合表6總方差解釋中的方差百分比值，綜合得分函數(shù)為：

F=0.7448*F+0.12238*F+0.9135*F

根據(jù)以上4個(gè)公式，結(jié)合表5標(biāo)準(zhǔn)化處理以后的數(shù)據(jù)計(jì)算，最終可以得到表8綜合得分表。

2.5? K-均值聚類與結(jié)果

根據(jù)表8得到的數(shù)據(jù)，結(jié)合主成分分析之前單獨(dú)列出的X和X指標(biāo)的數(shù)值，可以得到一個(gè)有6組指標(biāo)的新數(shù)值。利用SPSS軟件聚類分析功能中的K-均值聚類，選取F～X的所有變量為變量，個(gè)案標(biāo)注依據(jù)選第一列地級(jí)市，聚類數(shù)輸入4，代表把21個(gè)個(gè)案分為4大類。最大迭代次數(shù)選10，收斂準(zhǔn)則為0，保存聚類成員和與聚類中心的距離，運(yùn)行可得到聚類成員表格如表9所示。從表中可以看出，佛山和東莞為一類，廣州和深圳為一類，珠海、惠州和中山3個(gè)地級(jí)市分為一類，其他14個(gè)地級(jí)市分為一類，共計(jì)4大類。

2.6? 利用系統(tǒng)聚類進(jìn)行檢驗(yàn)

從上節(jié)結(jié)果中，可以看出廣東省21個(gè)地級(jí)市的車輛需求呈現(xiàn)比較顯著的差異，21個(gè)地級(jí)市中14個(gè)市劃分一類，相對(duì)于其他7個(gè)市車輛需求明顯不足。而其他7市中，廣州和深圳的車輛需求最高，佛山、東莞次之。其余3市置于中位。這樣的結(jié)果是否受到K-均值聚類的影響而變得不合理，為了驗(yàn)證該結(jié)果的合理性，選取SPSS軟件聚類分析功能中的系統(tǒng)聚類進(jìn)行檢驗(yàn)。同樣選取F1～X13的所有變量為變量，個(gè)案標(biāo)注依據(jù)選第一列地級(jí)市，聚類方法選擇組間聯(lián)接，測(cè)量區(qū)間選擇歐氏距離，生成譜系圖如圖1所示。

從圖1可以看出，當(dāng)標(biāo)尺選擇6，所有個(gè)體可以劃分為4個(gè)大類，而且劃分結(jié)果與K-均值聚類結(jié)果基本一致。檢驗(yàn)結(jié)果證明，K-均值聚類結(jié)果是合理的。

3? 銷售網(wǎng)點(diǎn)布局建議

通過圖1的聚類譜系圖可以看出21個(gè)地級(jí)市聚類組數(shù)劃分可以多也可以少，主要取決于標(biāo)尺的選擇。為了使結(jié)果進(jìn)一步明確，可以選擇標(biāo)尺5，將所有個(gè)體劃分為5個(gè)大類。也可以為了提高效率選擇標(biāo)尺10將所有個(gè)體劃分為3類。綜合多方面因素比較，一般認(rèn)為標(biāo)尺10比較合理，考慮到第三大類15個(gè)地級(jí)市太多，不能體現(xiàn)其差異性，進(jìn)一步將第三大類按照標(biāo)尺3進(jìn)行了第二次劃分，劃分結(jié)果如表10所示。

根據(jù)車主之家網(wǎng)站統(tǒng)計(jì)數(shù)據(jù)顯示，2020年8月東風(fēng)日產(chǎn)全國(guó)總銷量為103 136輛，約為豐田總銷量的87%，根據(jù)近5年的統(tǒng)計(jì)數(shù)據(jù)，日產(chǎn)全國(guó)年銷量在豐田年銷量的85%～94%之間。同樣與本田相比近5年日產(chǎn)全國(guó)年銷量為本田年銷量的76%～85%之間，受疫情影響2020年8月東風(fēng)日產(chǎn)全國(guó)總銷量為本田的70.7%。

而根據(jù)汽車百度上的數(shù)據(jù)顯示目前豐田公司在廣東省共計(jì)有4S店107間，而本田公司共計(jì)110間。由此可見日產(chǎn)的門店數(shù)量75間無論是和豐田還是和本田相比都略顯不足。根據(jù)以上表7劃分結(jié)果再結(jié)合日產(chǎn)門店總數(shù)不足這一特點(diǎn)，可以規(guī)劃各地4S店數(shù)量范圍如表10所示，同時(shí)對(duì)照表1廣東省各市東風(fēng)日產(chǎn)4S店數(shù)量，可以看出目前廣東省21個(gè)地級(jí)市的東風(fēng)日產(chǎn)4S店分布基本合理，有個(gè)別市需要作出適當(dāng)調(diào)整，建議如下：（1）目前湛江和茂名兩地的均只有4S店一間，而根據(jù)分析結(jié)果可以看出兩市屬于三類地區(qū)，門店數(shù)量應(yīng)該在2-4間的范圍內(nèi)，所以增加湛江和茂名兩個(gè)地級(jí)市的4S店各兩間。汕頭和江門同樣作為三類地區(qū)各增加一間。（2）珠海和中山作為二類地區(qū)相比于佛山、東莞以及惠州而言數(shù)量都偏少，可增加至5間，佛山目前9間的4S店數(shù)量可相應(yīng)減少。（3）深圳車輛需求量超過廣州，但是考慮到深圳消費(fèi)水平較高，而日產(chǎn)大部分的車型定位為經(jīng)濟(jì)適用層，同時(shí)由于深圳土地面積限制，可適當(dāng)增加1～2間，不必與廣州持平。

根據(jù)調(diào)整后的4S店數(shù)量表11的數(shù)據(jù)求和可以得到，全省建議4S店總數(shù)為81間，在原有基礎(chǔ)上增加了6間。廣東省21個(gè)地級(jí)市的東風(fēng)日產(chǎn)4S店分布建議圖如圖2所示。

4? 結(jié)束語

從圖2中可以看出，一二類地區(qū)主要集中在粵港澳大灣區(qū)附近，由于車輛的需求與地區(qū)經(jīng)濟(jì)發(fā)展水平存在比較強(qiáng)的相關(guān)性，可見廣東省各市的發(fā)展存在比較嚴(yán)重的不平衡，這也造成了各市4S店數(shù)量的差距比較明顯，這一點(diǎn)也證明了東風(fēng)日產(chǎn)目前的4S店分布相對(duì)比較合理。在這樣的大環(huán)境下，東風(fēng)日產(chǎn)也可以根據(jù)以上四類地區(qū)的劃分結(jié)果，在不同的地區(qū)主推不同的車型。例如深圳廣州可以主推高端系列，比如樓蘭，而其他地區(qū)則可以他主推經(jīng)濟(jì)型，比如逍客、軒逸、騏達(dá)等。

參考文獻(xiàn)：

[1] 魏建漳，任颋. 新冠肺炎疫情對(duì)粵港澳大灣區(qū)城市群創(chuàng)新網(wǎng)絡(luò)的沖擊路徑及應(yīng)對(duì)策略[J]. 企業(yè)經(jīng)濟(jì)，2021（1）：110-120.

[2] 包振山，陳康路. 城市零售網(wǎng)點(diǎn)空間集聚特征與區(qū)域差異研究——以江蘇省為例[J]. 商業(yè)經(jīng)濟(jì)研究，2020（8）：151-153.

[3] 孫陽. 基于市場(chǎng)空間分布的農(nóng)村電商物流網(wǎng)點(diǎn)競(jìng)爭(zhēng)合作仿真與優(yōu)化[J]. 商業(yè)經(jīng)濟(jì)研究，2019（18）：104-107.

[4] 吳曉，王凌瑾，寧昱西，等. 南京市快遞企業(yè)網(wǎng)點(diǎn)布局及其影響因素解析——基于民營(yíng)企業(yè)（順豐速遞）和國(guó)營(yíng)企業(yè)（EMS）的比較[J]. 地域研究與開發(fā)，2019，38（4）：52-59.

[5] 莫艷愷. 縣域旅游經(jīng)濟(jì)發(fā)展差異的綜合評(píng)價(jià)——以麗水市為例[J]. 企業(yè)經(jīng)濟(jì)，2012（3）：133-136.

[6] 石敏. 基于主成分分析和聚類分析的山東省糧食可持續(xù)發(fā)展評(píng)價(jià)[J]. 南方農(nóng)業(yè)，2020（4）：124-126.

[7] 侯凌霞，楊揚(yáng)，李坤穎. 基于模糊聚類的云南省物流發(fā)展評(píng)價(jià)分析[J]. 物流工程與管理，2009，31（4）：19-21.

[8] 詹榮富，吳軍，黃立軍. 交通資源稟賦優(yōu)勢(shì)對(duì)粵港澳大灣區(qū)產(chǎn)業(yè)鏈的協(xié)整影響分析——基于2012、2017年廣東省域投入產(chǎn)出表的面板數(shù)據(jù)[J]. 企業(yè)經(jīng)濟(jì)，2020（5）：62-68.