Als wichtigste Wettbewerbsparameter im Lebensmitteleinzelhandel identifizieren Toporowski und Lademann (2014: 132) die Sortiments‑, Preis- und Standortpolitik, weshalb sich die vorliegende Darstellung auf diese drei Erklärungsgrößen beschränkt. Der empirische Zugang zu den Determinanten des räumlichen Einkaufsverhaltens erfolgt in der Regel durch den Einsatz von quantitativen Modellen der Einkaufsstättenwahl, mit denen der Einfluss bestimmter Erklärungsgrößen auf das reale Einkaufsverhalten untersucht wird. Diesen Modellen liegen entweder empirische Marktgebiete von Standorten oder individuelle Kaufentscheidungen zugrunde, die mithilfe ökonometrischer Methoden (insbesondere Regressionsanalyse) den Erklärungsgrößen gegenübergestellt werden (Wieland 2015: 61-64).

Als theoretische und konzeptionelle Grundlage fungiert hier regelmäßig das von Huff (1962) entwickelte Marktgebietsmodell. Der Nutzen einer Einkaufsstätte für die Nachfrager wird darin durch zwei Variablen definiert: Einerseits wird ein überproportional negativer Einfluss der Wegezeit zwischen dem Kundenwohnort und dem Angebotsstandort auf den Kundenzufluss angenommen, was mit den Opportunitätskosten längerer Einkaufsfahrten begründet wird. Als zweite Determinante wird die Sortimentsbreite und -tiefe von Angebotsstandorten angenommen, die im Modell durch deren Verkaufsfläche operationalisiert wird und der ein degressiv-positiver Einfluss auf die Einkaufsstättenwahl zugeschrieben wird. Der positive Effekt wird damit begründet, dass die Einkaufsentscheidung unter unvollständiger Marktübersicht getroffen wird und die potenziellen Kundinnen und Kunden nicht wissen, ob sämtliche gewünschten Produkte am jeweiligen Standort verfügbar sind; je größer allerdings das Sortiment, desto höher sei die Wahrscheinlichkeit eines ‚erfolgreichen‘ Einkaufs. Gleichzeitig steigen aber mit dem Angebot auch Such- und Entscheidungskosten der Nachfrager, weswegen von abnehmendem Grenznutzen ausgegangen wird, was den degressiv-positiven Effekt erklärt (Huff 1962: 16-19).

Tatsächlich wurde regelmäßig die Erreichbarkeit von Lebensmittelmärkten als zentrale oder gar wichtigste Erklärungsgröße der Einkaufsstättenwahl identifiziert: Die entweder als Entfernung oder als Fahrtzeit ausgedrückte Variable zeigt in modellgestützten Analysen stets einen (i.d.R. überproportional) negativen Einfluss auf die Kundenzuflüsse (Popkowski Leszczyc/Sinha/Sahgal 2004: 92-95; Lademann 2007: 155-156; Briesch/Chintagunta/Fox 2009: 183-187; Reutterer/Teller 2009: 704-706; Tihi/Oruc 2012: 44; Hillier/Smith/Whiteman et al. 2017: 6‑8; Suárez-Vega/Gutiérrez-Acuña/Rodríguez-Díaz 2015: 225-227; Wieland 2015: 173-177; Anders 2018: 303-304; Wieland 2018: 382-385). Die hohe Relevanz der Erreichbarkeit zeigt eine Marktgebietsanalyse von Wieland (2015: 175-176), in der die Hälfte der Varianz empirischer regionaler Marktanteile in einem Regressionsmodell (MCI-Modell) allein über die Pkw-Fahrtzeit erklärt wird und eine Standardisierung der Koeffizienten aufzeigt, dass diese das höchste Bedeutungsgewicht von allen untersuchten Erklärungsgrößen hat. Durch die Ermittlung von Elastizitäten zeigen Briesch, Chintagunta und Fox (2009: 186), dass beim Lebensmittelkauf die (negative) Konsumentenreaktion auf eine steigende Distanz zum Geschäft höher ist als bei den anderen untersuchten Wettbewerbsparametern. Ein ähnliches Ergebnis zeigt eine Modellanalyse zur individuellen Einkaufsstättenwahl von Wieland (2018: 384-385). In mehreren modellgestützten Studien wird nachgewiesen, dass der Erreichbarkeitseffekt zwischen Betriebsformen des Lebensmitteleinzelhandels (Briesch/Chintagunta/Fox 2009: 186; Anders 2018: 303-304), aber auch zwischen Kundentypen variiert (Popkowski Leszczyc/Sinha/Sahgal 2004: 92-95).

Gemäß der Annahme im Huff-Modell ist regelmäßig auch ein (degressiv-)positiver Effekt der Verkaufsflächengröße festgestellt worden (Lademann 2007: 155-156; Tihi/Oruc 2012: 44; Suárez-Vega/Gutiérrez-Acuña/Rodríguez-Díaz 2015: 225-227; Wieland 2015: 173-177; Hillier/Smith/Whiteman et al. 2017: 6‑8; Wieland 2018: 382-385). Auch dieser Effekt zeigt sich als betriebsformenabhängig (Lademann 2007: 155-156; Wieland 2015: 180-182). Briesch, Chintagunta und Fox (2009: 186) verwenden in ihrem Modell der Einkaufsstättenwahl statt eines Proxys den tatsächlichen Sortimentsumfang von Verkaufsstellen des Lebensmitteleinzelhandels und kommen zum selben Ergebnis.

Sehr uneinheitlich sind demgegenüber die Erkenntnisse zu Agglomerations- bzw. Wettbewerbseffekten durch die räumliche Nähe zu Mitbewerben derselben (intraformaler Wettbewerb) oder einer anderen Betriebsform (interformaler Wettbewerb). Ausgehend von der Annahme, dass hierdurch die Möglichkeit für Kopplungs- und Vergleichskäufe eröffnet wird, zeigt Wieland (2015: 180-182), dass die Nähe zu branchengleichen Anbietern unterschiedlicher Betriebsform (z. B. Verbrauchermarkt und Lebensmitteldiscounter) die Kundenzuflüsse des jeweiligen Marktes signifikant erhöht. Die räumliche Nähe zu Wettbewerbern derselben Betriebsform wird aber als reiner Konkurrenzeffekt, das heißt mit einer negativen Wirkung auf den eigenen Kundenzufluss, identifiziert (Tihi/Oruc 2012: 44-45; Wieland 2015: 180-182). Wird nicht zwischen Betriebsformen differenziert, finden Popkowski Leszczyc, Sinha und Sahgal (2004: 92-95) einen positiven Effekt nur für eine bestimmte Kundengruppe: service seeker.

Der Einfluss der Preispolitik ist schwerer zu quantifizieren: Sowohl Stated-choice-Befragungsexperimente als auch die Analyse realer Einkaufsentscheidungen zeigen, dass das durchschnittliche Preisniveau von Lebensmittelmärkten (Preis eines standardisierten Warenkorbs) eine negative Wirkung auf den Kundenzufluss hat (Lademann 2007: 153-155; Briesch/Chintagunta/Fox 2009: 183-186; Wieland 2015: 214-219). Allerdings ist die Berücksichtigung von Preisniveaus nicht trivial: Einerseits reagieren die Lebensmitteleinzelhandels-Filialisten schnell auf Preisanpassungen ihrer Mitbewerber, wobei sich deren Preiskonzepte deutlich angenähert haben, sodass der Unterschied zwischen den vormals sehr unterschiedlichen Ketten zumindest hinsichtlich des Preiseinstiegsbereiches schwindet (Lademann 2013: 16-17). Andererseits liegen nur in Ausnahmefällen aktuelle Daten zu standardisierten Warenkörben vor, die allerdings nie alle marktrelevanten Ketten umfassen und aufgrund o. g. Preisanpassungen nur eine Momentaufnahme darstellen können. Um kettenspezifische Einflüsse zu erfassen, können in modellgestützten Studien stattdessen Dummyvariablen für die jeweiligen Filialunternehmen als erklärende Variablen integriert werden. Wieland (2015: 214-219) zeigt, dass die Aussagekraft (Varianzaufklärung) eines solchen Modells deutlich höher ist als die eines Modells mit einem Preisindex als unabhängiger Variable.

Anders als in der o.g. explizit raumbezogenen Perspektive, deren Zielgröße die Wahl des Einkaufsstandortes ist, erfolgt die Untersuchung des Einkaufsverhaltens im Multi-Channel-Kontext in der Regel auf der Ebene der Kanalwahl; das heißt es wird geprüft, welche angebots- und/oder nachfrageseitigen Attribute die Auswahl oder Nutzungsintensität eines spezifischen Kaufkanals (z. B. Onlinehandel) in Relation zu einem anderen Kaufkanal (z. B. stationärer Einzelhandel) erklären. Als methodischer Zugang fungieren hierbei quantitative Kanalwahlmodelle (z. B. binäres Logit-Modell für die Entscheidung für oder gegen einen Onlinekauf).

Viele verkehrswissenschaftliche Arbeiten erklären diese Wahl mit kanalspezifischen Transaktionskosten, die sich auf die Raumüberwindung entweder der zu erwerbenden Güter oder der Konsumentinnen/Konsumenten selbst beziehen: In einem Stated-choice-Befragungsexperiment analysiert Hsiao (2009: 90-93) die Rolle von Fahrtkosten, Fahrtzeit und Versandzeit bei der Auswahl des Kaufkanals (stationärer Handel vs. Onlineshop). Im Ergebnis senken Fahrtkosten und Fahrtzeit zum Laden die Wahrscheinlichkeit eines dortigen Kaufs, während eine steigende Versandzeit die Kunden tendenziell von einem Onlinekauf abhält. Anhand von Echtdaten der Kundschaft eines Multi-Channel-Lebensmittelhändlers untersuchen Chintagunta, Chu und Cebollada (2012: 103-111) die Einflüsse verschiedener Transaktionskostenformen auf die Wahrscheinlichkeit des Onlinekaufs. Hierbei zeigt sich, dass diese mit zunehmender Entfernung zum stationären Angebot und längerer Einkaufszeit steigt. Unsicherheitskosten durch eine mangelnde vorherige Produktbegutachtung senken aber die Wahrscheinlichkeit eines Onlinekaufs. Diese Ansätze erklären das Einkaufsverhalten im Wesentlichen anhand der konsumentenseitigen Abwägung verschiedener Formen von Transaktionskosten des Einkaufs unter der (impliziten) Annahme, dass die Kanalwahl als kostenminimierende Entscheidung erfolgt, wobei der zugrunde gelegte ‚Kosten‘-Begriff keinesfalls nur monetäre Aufwände umfasst. Prinzipiell sind diese Überlegungen anschlussfähig an die traditionellen Standorttheorien des Einzelhandels, in denen den Transportkosten der Nachfrager eine entscheidende Rolle zukommt (Mensing/Neiberger 2018: 4‑5).

Häufig werden objektive Attribute von Konsumentinnen und Konsumenten zur Erklärung der Kanalwahl herangezogen, z. B. demographische und ökonomische Eigenschaften sowie der Wohnort(typ). Im Hinblick auf räumliche Unterschiede im Einkaufsverhalten ist die Literaturlage nicht eindeutig: Viele Studien betrachten Onlinekäufe im Allgemeinen (das heißt unter Einschluss aller oder mehrerer Warengruppen) und finden diesbezüglich eine höhere Online-Affinität in urbanen Gebieten (z. B. Cao/Chen/Choo 2013: 23-24; Mensing/Neiberger 2016: 117-122; Beckers/Cárdenas/Verhetsel 2018: 36-38). Zhen, Du, Cao et al. (2018: 296-297) betrachten Buch- und Bekleidungskäufe separat und bestätigen dieses Ergebnis, während Clarke, Thompson und Birkin (2015: 383-386) für Lebensmittelkäufe den umgekehrten Effekt finden. Allerdings überdeckt die Differenzierung nach ‚städtischen‘ und ‚ländlichen‘ Gebieten die Einflüsse soziodemographischer und ökonomischer Konfigurationen: Als besonders ‚online-affin‘ wurden beispielsweise immer wieder jüngere (und männliche) Konsumenten sowie solche mit einem höheren Bildungsgrad bzw. Einkommen identifiziert. Diese Tendenz erweist sich als unabhängig vom Raumtyp, jedoch sind besagte Gruppen (mit Ausnahme des Geschlechterunterschiedes) in urbanen Räumen stärker repräsentiert (Clarke/Thompson/Birkin 2015: 377-386; Mensing/Neiberger 2016: 122-123; Beckers/Cárdenas/Verhetsel 2018: 35-39; Wiegandt/Baumgart/Hangebruch et al. 2018: 257-258). Zudem wird häufig die Erreichbarkeit des stationären Einzelhandels als Determinante der Kanalwahl identifiziert: In vielen Studien wird bestätigt, dass die Wahrscheinlichkeit des Onlinekaufs mit steigender Entfernung vom Kundenwohnort zum Geschäft steigt, z. B. bei Lebensmittelkäufen (Clarke/Thompson/Birkin 2015: 386-387) und auch in Bezug auf generelles Online-Kaufverhalten (Ren/Kwan 2009: 270-275). Zhen, Du, Cao et al. (2018: 296-297) finden diesen Zusammenhang für Buchkäufe, jedoch nicht für Bekleidungskäufe. Demnach scheint der Raumtyp nicht die kausale Erklärungsgröße zu sein, sondern die Nähe zum stationären Einzelhandelsangebot, die im städtischen Raum tendenziell (aber nicht notwendigerweise) besser ausgeprägt ist. Die bisherigen Ergebnisse sprechen dafür, dass es im Hinblick auf den Aspekt der Erreichbarkeit deutliche Unterschiede zwischen den Warengruppen gibt. Beim Lebensmitteleinkauf im Multi-Channel-Kontext scheint, wie Clarke, Thompson und Birkin (2015: 386-387) zeigen, ein diesbezüglicher Zusammenhang zu bestehen.

In der Marketingforschung wird das Kanalwahlverhalten (auch) durch psychographische Charakteristika der Konsumentinnen und Konsumenten erklärt; hierzu zählen individuelle Einstellungen sowie Lebensstile. Diese Attribute werden in der Regel erst durch einzelne Befragungs-Items erfasst und später zu latenten Variablen aggregiert (z. B. durch Faktoranalyse); in einigen Fällen erfolgt auch eine Kundentypisierung (z. B. durch Clusteranalyse). Typische Einstellungsmuster, die mit einer größeren individuellen Neigung zum Onlinekauf einhergehen, sind unter anderem Offenheit gegenüber Technologie im Allgemeinen, Preissensibilität sowie eine Bequemlichkeits- oder Unabhängigkeitsorientierung (Ganesh/Reynolds/Luckett et al. 2010: 109-113; Schröder/Witek 2010: 92-97; Burkolter/Kluge 2011: 24-26; Zaharia/Hackstetter 2017: 49-64; Zhai/Cao/Mokhtarian et al. 2017: 889-901). Einstellungen, die gegen die Wahl des Onlinekanals sprechen, sind unter anderem eine generelle Ablehnung des Kanals als solches, Serviceorientierung sowie Risikoaversion, z. B. hinsichtlich Datenschutz, Internetbetrug oder dem Risiko, das falsche Produkt geliefert zu bekommen (Schröder/Witek 2010: 92-97; Bezes 2016: 285-293; Zaharia/Hackstetter 2017: 49-64). In der Untersuchung von Wiegandt, Baumgart, Hangebruch et al. (2018: 259) werden Lebensstilgruppen berücksichtigt. Hierbei zeigt sich, dass Hedonisten und Unterhaltungssuchende signifikant mehr online einkaufen, wohingegen konservativ- bzw. liberal-gehobene Milieus eher dem stationären Handel zugewandt sind.

Eine besondere Rolle kommt der experimentellen Studie von Schmid und Axhausen (2019) zu, da hier alle oben genannten Aspekte in einem Kanalwahlmodell für zwei Sortimentsbereiche (Lebensmittel und Elektronik) berücksichtigt wurden. In ihrem Modell stellt eine latente Variable die individuelle ‚Online-Affinität‘ der Befragten dar, die multidimensional aus verschiedenen Einstellungs-Items gebildet wurde (unter anderem hinsichtlich Risikoaversion). Diese hat einen starken, positiven Einfluss auf die Auswahlwahrscheinlichkeit des Online-Kaufkanals. Gleichzeitig zeigt sich, dass online-affine Kunden deutlich preissensibler sind. Weiterhin werden drei Formen von kanalspezifischen Transaktionskosten ins Modell aufgenommen (Fahrtzeit zum stationären Anbieter, Lieferkosten und Lieferzeit bei der Online-Alternative), die alle einen negativen Effekt auf die Auswahl des jeweiligen Kaufkanals zeigen (Schmid/Axhausen 2019: 163-169). Es muss aber bedacht werden, dass diesen Ergebnissen ein Stated-choice-Befragungsexperiment (das sind Entscheidungen zwischen fiktiven Alternativen) zugrunde liegt, das zudem unter der gedanklichen Prämisse erfolgte, dass keine Pkw zur privaten Nutzung zur Verfügung stehen. Eine Übertragbarkeit auf reales raumrelevantes Verhalten erscheint daher zumindest fraglich.

Ein grundsätzliches Problem aller genannten Ansätze besteht darin, dass sie auf die Kanalwahl abzielen, das heißt, viele zum Teil sehr heterogene Anbieter auf der Ebene der Kaufkanäle aggregieren. Es fehlt jedoch die Betrachtung des Einkaufsverhaltens auf der Ebene einzelner Anbieter in Form eines Modells der Einkaufsstättenwahl (Suel/Polak 2018: 590-591). Die genannten Ansätze beziehen sich zudem allesamt auf die Kanalwahl, wobei Online- und stationärer Handel als Gegensätze wahrgenommen werden. Inwiefern sich die Option von click and collect auf das Einkaufsverhalten auswirkt, ist – trotz der hohen Relevanz von cross-channel shopping (Boniversum 2018: 3‑7) – bisher nicht berücksichtigt worden.

Um die wichtigsten Determinanten des räumlichen Einkaufsverhaltens im Lebensmitteleinzelhandel empirisch zu ermitteln, wird ein mikroökonometrisches Modell der Einkaufsstättenwahl auf der Basis eines Hurdle-Modells verwendet. Dieser Modelltyp besteht aus zwei Gleichungen: Der erste Teil ist ein binäres Wahlmodell, dessen Zielgröße die Wahrscheinlichkeit ist, dass ein Individuum eine Entscheidung (hier: Einkauf bei einem bestimmten Anbieter) trifft (sogenannte participation equation). Die zweite Gleichung (sogenannte intensity equation) berücksichtigt nur die Fälle, in denen die bestimmte Entscheidung getroffen wurde (hier: dass bei einem bestimmten Anbieter eingekauft wird) und hat die daraus folgende Intensität (z. B. Häufigkeit, Menge) als Zielgröße (Cameron/Trivedi 2005: 680-681; Crowley/Eakins/Jordan 2012: 205-206). Der mathematische Zweck des Modellansatzes ist die Berücksichtigung abhängiger Variablen mit einer sehr schiefen Verteilung, z. B. aufgrund einer fest definierten und sehr häufig vorkommenden Untergrenze (Greene 2012: 861-866).

Die Interpretation des Hurdle-Modells als Modell der Einkaufsstättenwahl folgt der Darstellung bei Wieland (2018: 376-378). Wie in einem Logit-Modell zur Einkaufsstättenwahl (Popkowski Leszczyc/Sinha/Sahgal 2004: 89-90) wird der Nutzen der Auswahlalternative j für die Entscheidungsperson i in einer Nutzenfunktion ausgedrückt:

Dabei ist U _ij der Nutzen der Alternative j für Nachfrager i, V _ij der durch das Modell erklärte Teil des Nutzens (sogenannter Repräsentativer Nutzen) und ε _ij der Fehlerterm.

Als abhängige Variable fungieren im vorliegenden Fall empirisch ermittelte Einkaufsausgaben von Individuum i bei Anbieter j, S _ij . Der erste Teil des Hurdle-Modells beinhaltet also die Entscheidung, ob Individuum i bei Anbieter j einkauft, das heißt ob die dort getätigten Ausgaben (S _ij ) größer null sind. Er wird hier als binäres Logit-Modell formuliert, dessen Zielgröße die Wahrscheinlichkeit ist, dass Individuum i bei Anbieter j einkauft in Abhängigkeit des (repräsentativen) Nutzens des Anbieters j für Individuum i:

Der repräsentative Nutzen steht in einem linearen Zusammenhang mit dem Logit (logarithmierte Chance des Eintretens):

In den zweiten Modellteil, der die Wie-Entscheidung beinhaltet, gehen nur die Fälle ein, bei denen tatsächlich ein Einkauf getätigt wurde (S _ij > 0). Im vorliegenden Fall wird dafür ein (zensiertes) Poisson-Zähldatenmodell verwendet, das den Erwartungswert der Ausgaben von Individuum i bei Anbieter j in Abhängigkeit des Nutzens modelliert:

Hierbei ist λ _ij der Erwartungswert der Poisson-Verteilung, dessen natürlicher Logarithmus dem repräsentativen Nutzen entspricht:

Der Erwartungswert des gesamten Hurdle-Modells ist das Produkt der Auswahlwahrscheinlichkeit und des Erwartungswertes der intensity equation:

Es werden zwei Modellvarianten geschätzt. Die erste Variante (I) beinhaltet nur Einkäufe bei Lebensmittelmärkten. Es handelt sich also um eine Anwendung des Hurdle-Modells für das räumliche Einkaufsverhalten im stationären Lebensmitteleinzelhandel. Diese verfolgt den Zweck, einerseits die bereits bekannten Erklärungsgrößen (vgl. Kapitel 2.1) zu überprüfen (und somit gleichzeitig die Plausibilität des Modellansatzes zu testen) und andererseits den Effekt der Click-and-collect-Option auf den Kundenzufluss zu ermitteln. Daher werden folgende erklärende Variablen in die Nutzenfunktion aufgenommen:

Es wird die (Luftlinien‑)Distanz zwischen Anbieter j und allen K (k = 1, …, K) Mitbewerbern der jeweils anderen Betriebsform (Vollsortimenter bzw. Discounter) mit deren jeweiligem Attraktivitätswert (Artikelzahl A _k ) gewichtet und summiert. Die Distanz wird mit einem Exponenten gewichtet, der – wie im Huff-Modell – den Distanzwiderstand bzw. den überlinear hemmenden Effekt von Entfernungen beim Einkauf ausdrückt (Huff 1962: 18-19), hier jedoch beim Weg zwischen den jeweiligen Anbietern. Da für diesen Koeffizienten kein empirischer Wert vorliegt, wird er, analog zu den genannten Arbeiten, auf φ = 2 gesetzt, was einem vergleichsweise hohen Distanzwiderstand entspricht. Direkt benachbarte Anbieter fallen somit stark ins Gewicht, während weiter entfernt liegende Einkaufsstätten den Konzentrationswert nur wenig erhöhen (Wieland 2015: 137).

In Formel (7) zeigt eine Dummyvariable (D _Fjk ) an, ob Anbieter j und k eine unterschiedliche Betriebsform aufweisen (D _Fjk = 1) oder nicht (D _Fjk = 0); hierdurch werden nur Betriebe der jeweils anderen Betriebsform berücksichtigt.

Um einen anzunehmenden nichtlinearen Effekt der stetigen Variablen (vgl. Kapitel 2.1) erfassen und gleichzeitig die Regressionskoeffizienten als Elastizitäten interpretieren zu können (Wooldridge 2002: 647-648; Cameron/Trivedi 2005: 470), werden die Variablen Artikelzahl, Fahrtzeit und Standortkonzentration in der ersten Modellvariante mit dem natürlichen Logarithmus (ln) transformiert. Der repräsentative Nutzen in Modellvariante I hat also folgende Gleichung:

In der zweiten Variante werden auch die relevanten Online-Lebensmittelanbieter berücksichtigt. Dieses Modell beschreibt also das Einkaufsverhalten im Lebensmitteleinzelhandel unter der Bedingung, dass stationäre Anbieter und Onlineshops gleichermaßen zur Verfügung stehen. In dieses Modell werden daher zusätzlich noch folgende Variablen aufgenommen:

Da in der zweiten Modellvariante Online- und stationäre Anbieter berücksichtigt werden, erreichen einige Variablen notwendigerweise Werte gleich null (z. B. Fahrtzeit bei Onlineshops). Daher kann in dieser Variante keine ln-Transformation dieser Variablen vorgenommen werden. Der repräsentative Nutzen in Modellvariante II hat dementsprechend folgende Gleichung:

Tabelle 3 und Abbildung 1 zeigen die Lebensmittelmärkte nach Betriebsformen und Untersuchungsgebieten. Insgesamt sind 533 Lebensmittelmärkte (Südniedersachsen: 197; Mittlerer Oberrhein: 336) für die Analyse relevant; knapp die Hälfte hiervon (49,2 %) sind Lebensmitteldiscounter. Insgesamt boten zum Erhebungszeitpunkt 13 Verbrauchermärkte (Südniedersachsen: 5; Mittlerer Oberrhein: 8) den Click-and-collect-Service an. Im ersten Untersuchungsgebiet waren zum Erhebungszeitpunkt keine regionalen Online-Lieferservices verfügbar und auch sonst wurden – von wenigen Einkäufen bei Spezialanbietern abgesehen – keine Online-Lebensmittelkäufe registriert. Im zweiten Untersuchungsgebiet erwiesen sich der dort verfügbare Rewe-Lieferservice sowie Amazon als relevant.

In der Befragung wurden insgesamt 3.011 Einkäufe (Südniedersachsen: 637; Mittlerer Oberrhein: 2.374) in Lebensmittelmärkten bzw. damit vergleichbaren Online-Anbietern im Gesamtwert von 137.826 Euro (Südniedersachsen: 25.069 Euro; Mittlerer Oberrhein: 112.757 Euro) erfasst (vgl. Tabelle 4). Ein Vergleich der jeweiligen (Markt‑)Anteile und der durchschnittlichen Ausgaben je Einkauf zeigt die Unterschiede zwischen den Betriebsformen bzw. Einkaufskanälen des Lebensmitteleinzelhandels auf, die auf betriebsformenabhängigen Einkaufsfrequenzen bzw. Typen von Einkäufen beruhen (HDE/IFH 2018: 15; Reutterer/Teller 2009: 699). So werden beispielsweise Supermärkte unter 1.000 qm Verkaufsfläche (wozu auch vereinzelte Märkte mit dem City-Konzept gehören, z. B. Rewe City, Edeka xpress) tendenziell für kleinere Einkäufe aufgesucht, während große Verbrauchermärkte (ab 2.500 qm Verkaufsfläche, z. B. Real) die höchsten Durchschnittsausgaben aufweisen bzw. ihr Anteil an den Ausgaben deutlich höher liegt als bei den Einkäufen. In diesen Märkten werden tendenziell weniger häufige Großeinkäufe erledigt. Lebensmitteldiscounter werden zwar im zweiten Untersuchungsgebiet häufiger aufgesucht, sind allerdings dort auch im Hinblick auf Anzahl an Verkaufsstellen präsenter (vgl. Tabelle 3), ihr Ausgabenanteil liegt jedoch in beiden Gebieten bei etwa 35 %.

Nur im zweiten Untersuchungsgebiet wurden Online-Lebensmitteleinkäufe im Sinne der hier angesetzten Anbieterdefinition registriert; diese Anbieter (Online-Lieferservice von Rewe sowie Amazon) vereinen 0,55 % der Einkäufe und 0,53 % der zugehörigen Ausgaben. Zwar wird der Online-Anteil im Food-Bereich für 2019 mit 1,4 % angegeben (HDE/IFH 2020: 8), jedoch schließt dieser Anteil auch Spezialanbieter (z. B. Spezialversände für Feinkost) mit ein, die in der hiesigen Betrachtung ausgeschlossen wurden. Insgesamt zeigt die deskriptive Darstellung bereits sehr große Unterschiede in den Einkaufshäufigkeiten und durchschnittlichen Ausgaben zwischen den Betriebsformen bzw. Vertriebskanälen auf, was die Sinnhaftigkeit des hier verwendeten Modellansatzes, der zwischen einer Einkaufsstättenwahl und den zugehörigen Ausgaben differenziert, unterstreicht.

Diese Studie stellt den ersten Ansatz dar, stationäre und Online-Anbieter sowie die Cross-Channel-Integration von Verkaufsstellen in ein quantitatives Modell der Einkaufsstättenwahl zu integrieren. Diese Modellfamilie entstammt dem Kontext der Standorttheorie des Einzelhandels, in der nur stationäre Anbieter berücksichtigt werden. Die Ergebnisse zeigen die Relevanz von Aspekten des Sortiments sowie der Transaktionskosten beim Einkauf auf, wobei deutlich wird, dass die grundsätzliche Logik der traditionellen Standorttheorie bzw. der Modelle der Einkaufsstättenwahl auf das Einkaufsverhalten im Multi‑/Cross-Channel-Kontext übertragbar ist. Derartige Modelle sind von großer Relevanz sowohl in der betrieblichen Standortanalyse als auch in der Verträglichkeitsbeurteilung von Einzelhandelsvorhaben im Rahmen der Bauleitplanung bzw. Raumordnung. Dass mehrere Kaufkanäle hier integrierbar sind, kann die Aussagekraft jener Modelle aufwerten.

Weiterhin stellt diese Arbeit eine direkte Überprüfung von Zusammenhängen dar, die bisher nur in experimentellen Studien (Stated-choice-Befragungsexperimente) aufgearbeitet, hier aber anhand von realen Einkaufsentscheidungen untersucht wurden. In dieser Hinsicht konnte gezeigt werden, dass die Präferenz des Kaufkanals (auch) durch individuelle Einstellungen erklärt wird. ‚Online-Affinität‘ ist somit keine reine Frage des Alters, sondern sowohl demographische als auch psychographische Merkmale leisten voneinander unabhängig einen Erklärungsbeitrag zum tatsächlichen Einkaufsverhalten.

Eine weitere Stärke der Untersuchung liegt in ihrer Repräsentativität. In den meisten Studien zum Kanalwahlverhalten wird eine eingeschränkte Stichprobe verwendet (z. B. nur Internetnutzer/-innen, Multi-Channel-Kunden, Kunden eines spezifischen Unternehmens). Demgegenüber basieren die hiesigen Ergebnisse auf einer Zufallsstichprobe der Gesamtbevölkerung.

Zwar ist die Spaltung des Konsumentenverhaltens in eine grundsätzliche Entscheidung (Einkaufsstättenwahl) und die Intensität der Einkaufsbeziehungen (Ausgaben) eine Stärke des Hurdle-Modellansatzes, jedoch ergeben sich daraus wiederum Schwierigkeiten in der Interpretation. Erstens trifft das Modell keinerlei Aussage darüber, ob diese Entscheidungen tatsächlich – das heißt in der konsumentenseitigen Abwägung der Alternativen – hierarchisch bzw. sukzessiv sind. Zweitens liefern bestehende Theorien und Modelle der Einkaufsstättenwahl keine explizite Erklärung für Unterschiede zwischen den Wirkungen auf die Einkaufsstättenwahl und die Kunden‑/Kaufkraftzuflüsse. Beispielsweise setzt das (aggregierte) Huff-Modell implizit Einkaufsentscheidungen und Marktanteile gleich.

Weiterhin muss berücksichtigt werden, dass sich diese Untersuchung auf bestimmte Deutungen und Operationalisierungen etablierter Konzepte bezieht, die vorherigen, vor allem experimentellen Arbeiten entlehnt sind. Damit geht einher, dass ein Oberbegriff wie ‚Transaktionskosten‘ oder ein Konstrukt wie eine psychographisch definierte ‚Online-Affinität‘ auch nur in diesem Sinne angewendet wird, wobei klargestellt werden muss, dass hier keine vollumfängliche Berücksichtigung aller relevanten Aspekte erfolgte und erfolgen konnte. Beispielsweise ist ‚Online-Affinität‘ bewusst und vorsätzlich aus einer bestehenden Studie abgeleitet worden, wobei Risikoaversion und ethische Fragestellungen in den Vordergrund gerückt wurden, dabei aber andere Aspekte (z. B. Convenience-Orientierung) außer Acht gelassen wurden. Hier sind nachfolgende Studien gefragt, um psychographische Merkmale von Konsumenten breiter zu fassen und deren Einfluss auf das räumliche Einkaufsverhalten zu prüfen.

Die Aussagekraft im Hinblick auf reales Einkaufsverhalten im Lebensmitteleinzelhandel ist außerdem in zwei Punkten eingeschränkt: Abgesehen davon, dass die räumliche Nähe zu konkurrierenden Anbietern anderer Betriebsformen berücksichtigt wurde, wurden keine weiteren möglichen Wegekopplungen in das Modell einbezogen. Insbesondere beim Lebensmittelkauf sind aber Kopplungen beispielsweise mit dem Arbeitsweg als durchaus relevant anzunehmen, was den tatsächlichen, hier berücksichtigten, Effekt der Fahrtzeit zwischen Wohnort und Einkaufsstätte abschwächt. Im Hinblick auf die Berücksichtigung des Cross-Channel-Lebensmitteleinkaufs ist ferner darauf hinzuweisen, dass in der Untersuchung nur die Click-and-collect-Option als (angenommenes) Attraktivitätsmerkmal von Lebensmittelmärkten berücksichtigt wurde. Ob und, wenn ja, bei welchen Einkäufen tatsächlich mittels click and collect eingekauft wurde, ist hingegen nicht erfasst worden.