arcgis chapter04

《arcgis chapter04》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第二部分基本数量方法及其应用11955第四章基于GIS的服务区分析及其在商业地理和区域规划中的应用“仅仅提供优质的商品和服务是不够的，成功的商家还需要考虑三个因素，那就是：区位、区位、再区位”（Taneja,1999:136）。商店选址时，例行的服务区分析十分重要。服务区是指“顾客分布的主要区域，在其范围内该店的商品销售量或服务营业额超过其竞争对手”（GhoshandMcLafferty,1987:62）。对于一家新店，研究服务区可以在现存竞争对手（包括那些属于同一连锁店的商家）背后发掘商机，从而有利于确定最佳选址

2、。对于现有商店，通过服务区分析可以考察市场潜力，评价经营业绩。此外，服务区分析还有助于企业开展下述活动：确定广告覆盖的重点地区，揭示顾客较少的薄弱地段，提出企业扩张计划等等（BermanandEvans,2001:293-294）。划分服务区的方法有类比法、邻域法、重力法等几种。类比法是一种非地理方法，常用的是回归分析法。邻域法和重力法都是地理方法，可以借助GIS技术来实现。类比法和邻域法比较简单，将在第4.1节中介绍。重力法是本章的重点，将在第4.2节详细阐述。因为本书重在GIS应用，所以第4.3和第4.4节将举

3、例说明如何通过GIS来实现两种地理方法（邻域法和重力法）。案例4A从一个新的视角来演示传统的商业地理问题，例子并不是典型的零售店服务区的界定，而是分析芝加哥两支专业棒球队的球迷分布。案例4B演示了服务区分析方法在区域规划中的应用，实例是划分中国东北大城市的腹地范围（影响区）。腹地划分是区域规划中常见的一个重要任务。第4.5节是本章小结。564.1服务区分析的基本方法4.1.1类比法及回归模型类比法最早由阿波巴姆(Applebaum，1966,1968)提出，是第一个基于经验数据系统预测零售服务的模型。该模型基于现有

4、商店营运情况来预测类似商店的销量。阿波巴姆的类比法最初并不包括回归分析，它通过一定样本的问卷调查来获取类比商店的顾客信息：地理分布、人口1919结构特征、消费习惯等。据此，可以确定不同距离范围内的市场容量（例如顾客数量及分布、人均消费额等）。分析的结果可以用于预测在类似环境新增商店的市场潜力。虽然类比法可以用于划分一个商店不同距离的市场容量，但其主要目的是预测销售情况而不是从地理上划分服务区。类比法操作简单，但有一些重大缺陷。类比商店的选择依赖于主观判断（Applebaum,1966:134），也没有考虑很多影响商

5、店经营状况的环境和场地特征。通过引入回归模型可以完善原始的类比法。回归模型考虑到影响商店效益的各种变量(RogersandGreen,1978)，其表达式为这里，Y是商店的销量或利润，xi是各种影响因素（变量），bi是回归系数，i=0,1,2,…n。选择什么样的变量（影响因素），根据各种商店的具体情况确定。例如，奥尔森和罗德(OlsenandLord,1979)分析银行的零售业时采用了反映服务区特征（购买力、家庭收入、自有住房情况）、场地吸引力（雇员水平、银行储蓄所面积）、竞争性（竞争银行数、同类银行服务区的重叠）

6、等几类变量。即使是对同一种零售商店，回归模型也可以根据一定的办法改进，即将商店分成不同的类型分别进行拟合以得到不同的回归模型。例如，戴维斯(Davies,1973)根据服装店是否位于街角将其分为两类，他发现影响这两种服装店销量的变量存在明显差异。对于街角服装店，前五位影响因素分别是商店面积、商店可达性、分支商店数、城市增长速度、到最近停车场的距离；对于街道中央的服装店，前五位影响因素分别是城市总零售消费额、商店可达性、销售区面积、商店面积、分支商店数。4.1.2邻域法57邻域法是一种界定服务区的简单地理方法，它假设

7、消费者遵循就近购物原则（GhoshandMcLafferty,1987:65），这也是经典中心地理论的一个假设（Christaller,1966;Lösch,1954）。邻域法认为消费者购物时只考虑通行距离（或通行时间），从而某个商店服务区内的消费者到该商店的距离比到其他商店的距离都要近。定义了近邻区域之后，通过分析服务区的人口1919特征并考察他们的购物习惯即可预测销量。邻域法的GIS应用可以从两个角度来实现。第一种是顾客导向的方法。首先从一个居民点出发，搜索所有商店中最近的商店。然后，将这个搜索过程应用到所有的

8、居民点。最后，所有共享同一家最近商店的居民点组成该商店的近邻区域。这可以用ArcGIS工具箱里面的near工具来实现，near工具可以通过AnalysisTools>Proximity>Near来调用。第二种是商店导向的方法。首先基于各商店构造泰森多边形，围绕每家商店的多边形即为其近邻区。其次，将泰森多边形与包含消费者信息的图层（例如人口普查小区图层）叠加，