مدل هاف چگونه کار می کند

مدل هاف یک تئوری مستقر در تجزیه و تحلیل مکانی است. بر اساس این اصل استوار است که احتمال بازدید و خرید مصرف کننده معین در یک سایت معین تابعی از فاصله با آن سایت ، جذابیت آن و فاصله و جذابیت سایتهای رقیب است.

این مدل خاص ، در زمینه تحقیقات تعامل مکانی ، توسط دکتر دیوید هاف از دانشگاه تگزاس تصفیه و عملیاتی شد. ظهور رایانه های دسک تاپ قدرتمند باعث شده است که مدل استفاده شود.

• P_ij= احتمال خرید j مصرف کننده در فروشگاه i.
• W_i= اندازه گیری جذابیت هر فروشگاه یا سایت i.
• D_ij= فاصله از مصرف کننده J تا ذخیره یا سایت i.
• a = یک نماینده اعمال شده برای فاصله ، بنابراین احتمال سایت های دوردست مرطوب می شود. معمولاً بین 1. 5 تا 2 متغیر است.

در عمل ، چند ضلعی های سرشماری - به عنوان مثال ، گروه های بلوک - جایگزین مصرف کنندگان انفرادی می شوند. احتمال محاسبه شده برای هر چند ضلعی توسط یک عنصر داده در پایگاه داده چند ضلعی ضرب می شود - برای مثال ، خانوارها و دلارهای صرف شده برای مواد غذایی. این اندازه گیری را می توان خلاصه کرد تا برآوردی از کل ارائه شود. برخی از اندازه گیری اندازه ، مانند منطقه قابل استفاده ناخالص (GLA) ، اغلب به عنوان جایگزینی برای جذابیت استفاده می شود.

یک سایت دارای ویژگی های بسیاری است که آن را برای مصرف کنندگان جذاب می کند. جذابیت را می توان به عنوان تابعی از بسیاری از ویژگی ها محاسبه کرد. برای یک فروشگاه خرده فروشی ، این فضای کف خرده فروشی آن ، تعداد پارکینگ ها و قیمت گذاری محصول است. جذابیت نمایندگی خودرو ممکن است تابعی از منطقه نمایش ، جبهه و تبلیغات آن باشد. جذابیت یک ساختمان اداری ممکن است تابعی از تعداد دفاتر موجود در آن باشد. جذابیت به عنوان یک شماره بیان می شود که تمام عواملی را که باعث جذابیت یک مرکز می شود ، ترکیب می کند. این تعداد معمولاً به عنوان شاخص گفته می شود. این شاخص همچنین می تواند با شمارش تعداد زیادی از افراد به آن مقصد یا با انجام یک بررسی مصرف کننده بدست آید.

می توانید مسافتی را که مدل هاف گسترش می دهد کنترل کنید. مقداری را وارد کنید که شامل همه رقبای شما خواهد شد. برای تخمین فاصله می توانید از ابزار اندازه گیری استفاده کنید. واحدهای مسافت می توانند مایل یا کیلومتر باشند.

کالیبراسیون مدل هاف

ابزار کالیبراسیون مدل هاف ، مقادیر نمایندگی را برای متغیرهای جذابیت و فاصله محاسبه می کند. که به شما امکان می دهد تنظیمات خود را تنظیم و اصلاح کنید. نتیجه پرونده ای است که برای هر متغیر جذابیت - برای مثال ، فروش و متغیر فاصله ، حاوی مقدار نمایشی است.

هنگام استفاده از ابزار مدل هاف بدون کالیبراسیون ، مقادیر پیش فرض نمایشی به طور خودسرانه در 1 و 1. 5 تنظیم می شوند و ممکن است برای منطقه تجاری که برای آن مدل سازی می کنید اعمال نشود. کالیبراسیون به یک فروشگاه یا لایه تسهیلات موجود ، یک لایه مشتری و یک لایه که فروش بالقوه را تعریف می کند ، نیاز دارد. با استفاده از مقادیر نمایشی تعریف شده توسط کاربر به شما امکان می دهد مقادیر نمایشی یک مدل هاف را تنظیم کنید ، بنابراین یک مدل پیش بینی دقیق تر را ارائه می دهد.

نکته:

عملکرد نمایی به طور معمول برای محاسبه تعامل در فاصله کمی ، مانند درون یک شهر استفاده می شود.

عملکرد دفع فاصله

درک این که یک مقصد چقدر دور است ممکن است یک عملکرد خطی از فاصله نباشد. مردم بیشتر از یک دور از خانه در مکانی نزدیک به خانه خرید می کنند. فاصله به عنوان یک عامل بازدارنده غیرخطی برای حرکت مشاهده می شود. این پدیده را می توان با استفاده از یک تابع از راه دور مدل سازی کرد. استفاده از یک تابع قدرت از راه دور از قانون گرانش نیوتن وام گرفته شده است ، که از آن اصطلاح مدل گرانش حاصل می شود. یک پارامتر از راه دور ، که نمادی از نامه یونانی بتا است ، می تواند برای اغراق در فاصله تا مقصد استفاده شود. برخی از فعالیت ها ، مانند خرید مواد غذایی ، دارای یک نماینده بزرگ هستند و این نشان می دهد که مردم فقط برای چنین مواردی مسافت کوتاهی را طی می کنند. فعالیت های دیگر ، مانند خرید مبلمان ، دارای یک نماینده کوچک است ، زیرا مردم مایل به سفر دورتر برای خرید مبلمان هستند.

تمام ورودی های مدل هاف ، نمایندگان ، اندازه منطقه تجارت و نتایج نیاز به تجزیه و تحلیل دقیق توسط شخصی که در عملکرد چنین مدلی تجربه می کند. برخی از کالیبراسیون همیشه برای پاسخگویی به عوامل دیگری مانند نشت مورد نیاز است. یعنی وقتی مردم تمام مواد غذایی خود را در فروشگاه های مواد غذایی خریداری نمی کنند ، برخی از آن نشت هزینه ها به مناطق تجاری دیگر مانند فروشگاه های راحتی ، بازارهای کشاورز و گزینه های تحویل مواد غذایی آنلاین.

در این موضوع

1. کالیبراسیون مدل هاف
2. عملکرد دفع فاصله