Обзор методов геомаркетинга для выбора оптимального местоположения в розничной торговле

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

В статье представлен комплексный анализ современных геомаркетинговых подходов к решению задачи выбора оптимального местоположения для предприятий розничной торговли. Проведен систематический обзор и сравнительный анализ эволюции моделей и методов: от классических теорий размещения (теория центральных мест, гравитационный закон, принцип минимальной дифференциации) до передовых алгоритмов на основе машинного обучения. В работе анализируются традиционные модели (модель Хаффа), роль геоинформационных систем (ГИС), методы многокритериального принятия решений и их ограничения. Особое внимание уделяется применению регрессионных моделей, ансамблевых методов (случайный лес, градиентный бустинг) и нейронных сетей в геомаркетинге. Проведен анализ ключевых типов геопространственных данных, источников их получения и метрик оценки эффективности моделей. Авторы систематизирует накопленные знания и демонстрирует устойчивый тренд к использованию сложных, основанных на методах для принятия стратегических решений в ритейле.

Об авторах

Иван Дмитриевич Иванов

ООО «БСТ Диджитал»; Российская академия народного хозяйства и государственной службы при Президенте Российской Федерации

Автор, ответственный за переписку.
Email: ivanzivanov@yandex.ru
ORCID iD: 0009-0007-7496-3212

руководитель ООО «БСТ Диджитал»; аспирант; Российская академия народного хозяйства и государственной службы при Президенте Российской Федерации

Россия, г. Москва; г. Москва

Наталья Владимировна Гринева

Финансовый университет при Правительстве Российской Федерации

Email: ngrineva@fa.ru
ORCID iD: 0000-0001-7647-5967
SPIN-код: 1140-9636

кандидат экономических наук, доцент, доцент кафедры информационных технологий

Россия, г. Москва

Список литературы

  1. Герасименко О.А., Тхориков Б.А., Титова И.Н. Геомаркетинговое моделирование — аналитический инструмент планирования бизнеса // Экономика. Информатика. 2020. Т. 47, № 4. С. 710–717. https://doi.org/10.18413/2687-0932-2020-47-4-710-717.
  2. Пустовалова Е.А., Чернов В.П. Сравнительный анализ методов размещения точки розничной торговли //Современная экономика: проблемы и решения. 2015. Т. 2. С. 29–44. https://doi.org/10.17308/meps.2015.2/1091.
  3. Aksoy S., Ozbuk M.Y. Multiple criteria decision making in hotel location: does it relate to postpurchase consumer evaluations? Tourism Management Perspectives. 2017. V. 22. Pp. 73–81. https://doi.org/10.17308/meps.2015.2/1091.
  4. Al-Yadumi S. et al. Review on integrating geospatial big datasets and open research issues. IEEE Access. 2021. V. 9. Pp. 10604–10620. https://doi.org/10.1109/ACCESS.2021.3051084.
  5. Applebaum W. Methods for determining store trade areas, market penetration, and potential sales. Journal of Marketing Research. 1966. V. 3, No. 2. Pp. 127–141. https://doi.org/10.1177/002224376600300202.
  6. d'Aspremont C., Gabszewicz J.J., Thisse J.F. On Hotelling's "Stability in competition".Econometrica: Journal of the Econometric Society. 1979. Pp. 1145–1150. http://www.jstor.org/stable/1911955.
  7. Dewi P.S.T., Susanti A., Putra I. W.Y.A. The transformation of coffee shops into coworking spaces during the pandemic // 4th International Conference on Innovation in Engineering and Vocational Education (ICIEVE 2021). Atlantis Press. 2022. Pp. 272–278. https://doi.org/10.2991/assehr.k.220305.055.
  8. Dušek R., Štumpf P., Vojtko V. Geomarketing: Tool for consumer spending estimation in the Czech tourism & hospitality market. Global Business & Finance Review (GBFR). 2019. V. 24, No. 1. Pp. 14–26. https://doi.org/10.17549/gbfr.2019.24.1.14%0A.
  9. Ferreira J., Ferreira C., Bos E. Spaces of consumption, connection, and community: Exploring the role of the coffee shop in urban lives. Geoforum. 2021. V. 119. Pp. 21–29. https://doi.org/10.1016/j.geoforum.2020.12.024.
  10. Fotheringham A.S. A new set of spatial-interaction models: the theory of competing destinations. Environment and Planning A: Economy and Space. 1983. V. 15, No. 1. Pp. 15–36. https://doi.org/10.1177/0308518X8301500103.
  11. Han S., Jia X., Chen X., Gupta S., Kumar A., Lin Z. (2022). Search well and be wise: A machine learning approach to search for a profitable location. Journal of Business Research. https://doi.org/10.1016/j.jbusres.2022.01.049
  12. Huff D. L. Defining and Estimating a Trading Area. Journal of Marketing. 1964. V. 28, No. 3. Pp. 34–38. https://doi.org/10.2307/1249154.
  13. Jensen P. Network-based predictions of retail store commercial categories and optimal locations. Physical Review E. 2006. V. 74, No. 3. Pp. 035101-1-035101-4. https://doi.org/10.1103/PhysRevE.74.035101.
  14. Jin A., Li G., Wang J., Mehmood M.S., Yu Y., Lin Z. Location choice and optimization of development of community-oriented new retail stores: A case study of Freshippo stores in Nanjing City. Progress in Geography. 2020. No. 39. Pp. 2013–2027. https://doi.org/10.18306/dlkxjz.2020.12.005.
  15. Kalnins A., Mayer K. J. Franchising, ownership, and experience: A study of pizza restaurant survival. Management Science. 2004. V. 50, No. 12. Pp. 1716–1728. https://doi.org/10.1287/mnsc.1040.0220.
  16. Lakshmanan J.R., Walter G. Hansen A RETAIL MARKET potential model. Journal of the American Institute of Planners. 1965. V. 31, No. 2. Pp. 134–143. https://doi.org/10.1080/01944366508978155.
  17. Li S. et al. Geospatial big data handling theory and methods: A review and research challenges. ISPRS journal of Photogrammetry and Remote Sensing. 2016. V. 115. Pp. 119–133. https://doi.org/10.1016/j.isprsjprs.2015.10.012.
  18. Li Y., Liu L. Assessing the impact of retail location on store performance: A comparison of Wal-Mart and Kmart stores in Cincinnati. Applied Geography. 2012. V. 32, No. 2. Pp. 591–600.
  19. Liang Y. et al. Calibrating the dynamic Huff model for business analysis using location big data Transactions in GIS. 2020. V. 24, No. 3. Pp. 681–703. https://doi.org/10.48550/arXiv.2003.10857.
  20. Limna P. et al. The antecedent attributes of customer satisfaction and loyalty in the coffee shop business domain. Journal of Production, Operations Management and Economics. 2023. V. 3, No. 4. Pp. 15–25. https://doi.org/10.55529/jpome.34.15.25.
  21. Lin G., Chen X., Liang Y. The location of retail stores and street centrality in Guangzhou, China. Applied Geography. 2018. No. 100. Pp. 12–20. https://doi.org/10.1016/j.apgeog.2018.08.007.
  22. Merino M., Ramirez-Nafarrate A. Estimation of retail sales under competitive location in Mexico. Journal of Business Research. 2016. V. 69, No. 2. Pp. 445–451. https://doi.org/10.1016/j.jbusres.2015.06.050.
  23. Mitríková J., Šenková A., Antoliková S. Application of the huff model of shopping probability in the selected stores in Prešov (Prešov, the Slovak Republic). Geographica Pannonica. 2015. V. 19, No. 3. Pp. 110–121. https://doi.org/10.5937/GeoPan1503110M.
  24. Nakaya T., Fotheringham A.S., Hanaoka K., Clarke G., Ballas D., Yano K. Combining microsimulation and spatial interaction models for retail location analysis. Journal of Geographical Systems. 2007. V. 9, No. 4. Pp. 345–369. https://doi.org/10.1007/s10109-007-0052-2.
  25. Piovani D., Zachariadis V., Batty M. Quantifying retail agglomeration using diverse spatial data. Scientific Reports. 2017. V. 7, No. 1. P. 5451. https://doi.org/10.1038/s41598-017-05304-1.
  26. Reinartz W.J., Kumar V. Store-, market-, and consumer-characteristics: The drivers of store performance. Marketing Letters. 1999. V. 10, No. 1. Pp. 5–23. https://doi.org/10.1023/A:1008011622335
  27. Rohani A.M., Chua F.F. (2018, May). Location Analytics for Optimal Business Retail Site Selection. In International Conference on Computational Science and Its Applications (pp. 392–405). Springer, Cham. https://doi.org/10.1007/978-3-319-95162-1_27
  28. Smith S.L. Restaurants and dining out: geography of a tourism business. Annals of Tourism Research. 1983. V. 10, No. 4. Pp. 515–549. https://doi.org/10.1016/0160-7383%2883%2990006-3.
  29. Tayman J., Pol L. Retail site selection and geographic information systems. Journal of Applied Business Research. 1995. V. 11, No. 2. Pp. 46–54. https://doi.org/10.19030/jabr.v11i2.5874.
  30. Ting C.Y., Ho C.C., Yee H.J., Matsah W.R. Geospatial analytics in retail site selection and sales prediction. Big Data. 2018. V. 6, No. 1. Pp. 42–52. https://doi.org/10.1089/big.2017.0085.
  31. Tzeng G.H., Teng M.H., Chen J.J., Opricovic S. Multicriteria selection for a restaurant location in Taipei. International Journal of Hospitality Management.2002. V. 21, No. 2. Pp. 171–187. https://doi.org/10.1016/S0278-4319(02)00005-1.
  32. Wang L., Fan H., Wang Y. Site selection of retail shops based on spatial accessibility and hybrid BP neural network. ISPRS International Journal of Geo-Information. 2018. V. 7, No. 6. P. 202. https://doi.org/10.3390/ijgi7060202.
  33. Waxman L. The coffee shop: Social and physical factors influencing place attachment. Journal of Interior Design. 2006. V. 31, No. 3. Pp. 35–53. https://doi.org/10.1111/j.1939-1668.2006.tb00530.x.
  34. Wright O., Frazer L., Merrilees B. McCafe: The McDonald's co-branding experience. Journal of Brand Management. 2007. V. 14, No. 6. Pp. 442–457. https://doi.org/10.1057/palgrave.bm.2550088.
  35. Xiao Y., Xiao J., Lu F., Wang S. Ensemble ANNs-PSO-GA approach for day-ahead stock e-exchange prices forecasting. International Journal of Computational Intelligence Systems. 2014. V. 7, No. 2. Pp. 272–290. https://doi.org/10.1080/18756891.2013.756227.
  36. Xue C., Ju Y., Li S., Zhou Q., Liu Q. Research on Accurate House Price Analysis by Using GIS Technology and Transport Accessibility: A Case Study of Xi'an, China. Symmetry. 2020. V. 12, No. 8. Pp. 1329–1350. https://doi.org/10.3390/sym12081329.
  37. Yang Y., Roehl W.S., Huang J.H. Understanding and projecting the restaurant scape: The influence of neighborhood sociodemographic characteristics on restaurant location. International Journal of Hospitality Management. 2017. No. 67. Pp. 33–45. https://doi.org/10.1016/j.ijhm.2017.07.005.
  38. Yee H.-J., Ting C.-Y., Ho C.C. Retail Site Selection using Machine Learning Algorithms. International Journal of Recent Technology and Engineering. 2019. No. 8. Pp. 2422–2431. https://doi.org/10.35940/ijrte.D7186.118419.
  39. Zeng J., Tang B. (2019, May). Mining heterogeneous urban data for retail store placement. In Proceedings of the ACM Turing Celebration Conference-China (p. 53). ACM. https://doi.org/10.1145/3321408.3322834.
  40. Zhao J., Zong B., Wu L. Site Selection Prediction for Coffee Shops Based on Multi-Source Space Data Using Machine Learning Techniques. ISPRS International Journal of Geo-Information. 2023. V. 12, No. 8. P. 329. https://doi.org/10.3390/ijgi12080329.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Классификация классических теорий размещения.

Скачать (404KB)
Метаданные
3. Рис. 2. Классификация методов выбора местоположения.

Скачать (227KB)
Метаданные
4. Рис. 3. Классификация методов машинного обучения в выборе местоположения и их применения.

Скачать (429KB)
Метаданные


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».