Huff重力模型¶

如果你要开一家零售店，你首先要了解的是 '有多少客户会光顾您的商店'

因为根据 distance decay ，随着两个区域之间的距离增加，它们之间的活动量减少。

为了帮助您解决这个问题，您可以预测与其他竞争零售店的消费者行为概率 Huff重力模型 .

听起来很复杂？但事实上还不错。让我们一步一步地来计算Huff重力模型。

我们开始吧¶

因为Huff重力模型假设商店的吸引力是基于 规模 和 距离 ，您将需要这两个基本数据集进行分析：

• 现有零售地点和商店规模

• 普查范围（尽可能详细）

当然，你需要一些 GIS software 计算距离并在地图中显示模型。

如图所示，这里是我们五家零售店的所在地，以人口普查区为基础地图。

步骤1计算从零售店到普查区的距离¶

首先，您将获取您的人口普查数据并计算距离 每个人口普查区域 到 每个零售点 . 在我们的例子中，我们有5个零售店和738个人口普查区。

• 在普查区域数据集中添加5个距离字段（ 'dist1'、'dist2'、'dist3'、'dist4' 和 '距离5' ）

• 计算的距离 每个零售点 每个人口普查区域。在ArcGIS中，您可以使用Near工具分别选择每个零售商店。

现在，每个人口普查区域将在各自的距离字段中与每个零售店保持一定距离。例如，存储1的距离将在字段中 '距离1' ）

步骤2将吸引力与店铺规模和距离结合起来¶

在这一步中，我们将 吸引力 对于每个零售地点。为了澄清，吸引力与 商店规模 （如平方英尺）与 距离 .

• 在人口普查数据集中，添加6个字段来保存每个零售店的吸引力得分和总得分。（ 'attract1'、'attract2'、'attract3'、'attract4'、'attract5'和'toattract' ）

• 吸引力使用 距离 以及 零售点规模 . 取零售店的大小，除以行驶时间（或距离平方）。例如， '吸引1' 零售店1的20万平方英尺除以 ‘dist1:sup:`2`‘ .

• 最后在 “吸引” 字段，汇总所有吸引力得分。（ 'attract1'+'attract2'+'attract3'+'attract4'+'attract5' ）

当你在地图上绘制这个图时，零售店3将根据距离和商店大小吸引这些人口普查区域。

步骤3衡量每个零售店的市场份额的概率¶

现在我们有了每个零售店的吸引力得分，我们就可以开始计算购物者最有可能进入每个人口普查区域的概率了。

• 为每个零售地点添加字段，这些字段将是百分比。（ 'marketshare1'、'marketshare2'、'marketshare3'、'marketshare4' 和 '市场共享5' ）

• 取每个零售点的吸引力得分，除以总吸引力。 (‘attract1’ / ‘totattract’)

Huff重力模型市场份额

当靠近一家零售店时，它将占据市场的很大份额，因此红色的价值更高。同样重要的是，在其他商店所在的地方，它将占据市场份额。特别是，黄色贴片表明，还有其他零售店更可能抢占这一市场份额。

两个零售店之间距离相等的人口普查区在哪里呢？

对于这些零售店，市场份额更大 “待价而沽” 可能会去任何一家零售店。换言之，这意味着在这些人口普查范围内，概率可能达到50%左右。

Huff重力模型公式¶

Huff重力模型的公式如下：

随着零售店规模的增加，消费者光顾零售店的可能性也随之增加。同样，当距离增加时，顾客经常光顾特定商店的可能性也会降低（因为它在分母中）。

别忘了西格玛符号仅仅意味着 求和值 . 如上面步骤3所示，所有这一公式表示的是取吸引力得分，并将其除以所有零售店的吸引力之和（应等于100%）。

自己测试一下¶

如果你打算投入时间和金钱开一家商店，你应该运行Huff重力模型。

你只需要一点 GIS data 以及启动程序。别忘了把美国人口普查或 Esri’s tapestry market segmentation data .

如今天所示，您需要的两个大细节是商店的大小和距离加上人口普查区人口。有了这些变量，您就可以更好地预测消费者的行为以及他们访问您商店的可能性。

如果要优化商店位置，请阅读有关 location-allocation analysis .