Statystyka · Biznes

Gdzie otworzyć sklep – model Huffa i zasięg rynku

Fikcyjna sieć sklepów ogrodniczych, miasto w 30 kratkach, cztery sklepy konkurencji i trzy działki do wyboru. Model Huffa dopasowany do 2400 kart lojalnościowych metodą największej wiarygodności w optim(), mapa udziałów, przychód z kanibalizacją i bootstrapem oraz pułapka „odległość w linii prostej” – sześć rysunków z kodem R, podpisy APA i zdania do pracy.

Strona główna / Blog / Model Huffa – lokalizacja sklepu
W skrócie: Model Huffa przypisuje mieszkańcom każdego osiedla prawdopodobieństwo wyboru każdego sklepu: atrakcyjnośćα × czas dojazdu−β, podzielone przez sumę dla wszystkich sklepów. W przykładzie α = 1.11 [1.02, 1.20] i β = 2.07 [1.95, 2.20] oszacowano metodą największej wiarygodności z 2400 kart lojalnościowych. Najlepsza okazała się działka B: przyrost przychodu sieci 1.93 mln zł rocznie, choć nowy sklep zabrałby naszym 0.95 mln zł. Licz przyrost sieci, a nie przychód nowego sklepu, i mierz czas dojazdu po drogach: odległość w linii prostej zmieniła ranking działek, a błąd był kilkanaście razy większy niż przedział bootstrapowy.

Przykład: sieć sklepów ogrodniczych i trzy działki

Fikcyjna sieć sklepów ogrodniczych ma w mieście dwa sklepy (N1, N2) i chce otworzyć trzeci. Do wyboru są działki: A w gęsto zabudowanej części zachodniej, B za rzeką, wśród domów jednorodzinnych, i C na północno-zachodnim skraju. Działają też cztery sklepy konkurencji (K1–K4), w tym duży market budowlany (K3). Zarząd pyta: w której lokalizacji nowy sklep da sieci najwięcej dodatkowego przychodu – po odjęciu tego, co zabierze naszym własnym sklepom?

Narzędziem jest model Huffa – najprostszy model „przyciągania” klientów przez sklepy. Huff (1964) pytał, czym właściwie jest obszar handlowy sklepu i jak go zdefiniować, żeby dało się to sprawdzić w danych. Model nazwany jego imieniem zamiast linii na mapie podaje prawdopodobieństwa: mieszkaniec każdego osiedla może pojechać do każdego sklepu, tylko z różną szansą. Szansa rośnie z atrakcyjnością sklepu (tu: powierzchnią sprzedaży) i maleje z czasem dojazdu:

Pij = Ajα · tij−β / Σk Akα · tik−β

Słowami: udział sklepu w zakupach osiedla to jego „siła” (powierzchniaα × czas−β) podzielona przez sumę sił wszystkich sklepów. α mówi, jak bardzo liczy się wielkość sklepu, β – jak szybko chęć dojazdu spada z czasem. Obie liczby trzeba oszacować z danych.

Dane są fikcyjne, więc znamy prawdę. Miasto to siatka 6 × 5 osiedli po 1 km: na zachodzie bloki (1200–2600 gospodarstw, ok. 350 zł rocznie na ogród i balkon), na wschodzie domy (450–900 gospodarstw, ok. 900 zł). Rzeka ma jeden most, na południu. Czas dojazdu = 3 min + 2.4 min na kilometr drogi. W danych ukryliśmy α = 1 i β = 2. W aplikacji lojalnościowej sieci klienci rejestrują paragony z dowolnego sklepu ogrodniczego; mamy 2400 gospodarstw z osiedlem i sklepem ostatnich wiosennych zakupów. Parametry miasta i sklepów ustawiliśmy ręcznie, a most przesunęliśmy na południe po pierwszych próbach, żeby pułapka z rysunku 6 była wyraźna. Ziarna 652 nie zmieniano. Dane pobierzesz jako lokalizacja-sklepu-karty-lojalnosciowe.csv (wiersz = gospodarstwo z kartą).

Rysunek 1: miasto w 30 kratkach

Dwie mapy miasta w siatce 6 na 5 kratek. A: zielone kratki potencjału rynku – najciemniejsze na wschodnim brzegu za pionową rzeką i w kilku osiedlach zachodu; niebieskie kwadraty naszych sklepów N1 i N2, pomarańczowo-czerwone trójkąty konkurentów K1–K4, puste romby kandydatów A, B i C oraz most na południu rzeki. B: liczba gospodarstw z kartą w każdej kratce, od 23 do 47 na wschodzie i od 66 do 140 na zachodzie
Rysunek 1. Potencjał rynku i sklepy (A) oraz liczba kart lojalnościowych w osiedlach (B). R, ggplot2 i patchwork (dane symulowane, set.seed(652)).

Co widać. Panel A to potencjał rynku (gospodarstwa × wydatki): razem 45 320 gospodarstw i 19.53 mln zł rocznie, z czego 31.0% na wschodnim brzegu, gdzie mieszka znacznie mniej ludzi i jest tylko mały konkurent K4. Panel B pokazuje, ile kart mamy z każdego osiedla: na wschodzie 23–47, na zachodzie 66–140. W kartach 26.8% ostatnich zakupów przypadło na K1, 28.1% na K3, a nasze dwa sklepy razem miały 31.3%.

Jak może zmylić. Wszyscy mieszkańcy kratki „startują” z jej środka; w prawdziwej analizie jednostkami są rejony statystyczne albo kody pocztowe, a wynik zależy od ich granic. Kolor to potencjał, nie gęstość zaludnienia. To odmiana kartogramu na regularnej siatce.

Podpis do pracy:

Rysunek 1. Roczny potencjał rynku artykułów ogrodniczych w 30 osiedlach miasta wraz z położeniem sklepów sieci, sklepów konkurencji i trzech rozważanych lokalizacji (A) oraz liczba gospodarstw z kartą lojalnościową w osiedlach (B). Uwaga. Potencjał = liczba gospodarstw × przeciętne roczne wydatki na ogród. Dane symulowane.

Rysunek 2: skąd wziąć α i β – wiarygodność wielomianowa

Każde gospodarstwo z kartą wybrało jeden z sześciu sklepów. Model Huffa daje dla jego osiedla sześć prawdopodobieństw, więc wybór ma rozkład wielomianowy. Logarytm wiarygodności to suma po osiedlach i sklepach: liczba kart z osiedla i w sklepie j razy log Pij. Szukamy takich α i β, przy których zaobserwowane wybory są najbardziej prawdopodobne – to metoda największej wiarygodności, którą dla modelu Huffa opisali Haines, Simon i Alexis (1972). W R wystarczy optim() z ujemną log-wiarygodnością; błędy standardowe daje macierz drugich pochodnych (hessian = TRUE). Starsza droga to estymacja metodą najmniejszych kwadratów dla multiplikatywnych modeli tego typu (Nakanishi i Cooper, 1974); przy danych o pojedynczych wyborach wiarygodność wielomianowa korzysta wprost z liczebności, także zerowych.

Model Huffa to wielomianowy model logitowy z cechami sklepów (log powierzchni, log czasu) i wspólnymi współczynnikami – jak warunkowa regresja logistyczna we wpisie o conjoincie wyborczym.

A: mapa dewiancji dla par alfa i beta w odcieniach niebieskiego z pochyloną elipsą obszaru ufności 95%; biały punkt oceny przy alfa 1.11 i beta 2.07, krzyżyk prawdziwych wartości (1, 2) na lewym brzegu elipsy. B: wykres rozrzutu udziału naszej sieci w kartach względem udziału przewidywanego dla 30 osiedli – punkty wokół przekątnej, kółka dla zachodniego i trójkąty dla wschodniego brzegu, wielkość według liczby kart
Rysunek 2. Wiarygodność modelu Huffa (A) i dopasowanie w osiedlach (B). R, funkcja optim(), ggplot2 i patchwork (dane symulowane, set.seed(652)).

Co widać – panel A. Ocena to α = 1.11 (SE = 0.048; 95% CI [1.02, 1.20]) i β = 2.07 (SE = 0.064; 95% CI [1.95, 2.20]). Kolory pokazują dewiancję – o ile gorzej pasuje model przy innej parze (α, β); czarna linia to wspólny obszar ufności 95%. Prawdziwa para (1, 2) leży w nim, choć przedział dla samego α minimalnie ją omija – co dwudziesty przedział 95% tak ma. Elipsa jest pochylona, bo oceny są skorelowane (r = .40).

Co widać – panel B. Przewidywany udział naszej sieci w osiedlach zgadza się z kartami – punkty leżą wokół przekątnej, z większym rozrzutem tam, gdzie kart jest mało. Pseudo-R² McFaddena wynosi .213 – w modelach wyboru ta miara jest zwykle dużo niższa niż R² w regresji liniowej, więc nie porównuj jej z tamtą skalą (zob. pseudo-R²). Sprawdziliśmy też, czy błędy modelu skupiają się w sąsiednich osiedlach: I Morana dla reszt wynosi −0.214 (wartość oczekiwana −0.034; p = .130 w teście permutacyjnym z 999 permutacji). Skupisko reszt jednego znaku sugerowałoby brakujący czynnik (parking, tramwaj), a różny opór odległości w częściach miasta – lokalne parametry, jak w regresji geograficznie ważonej.

Jak może zmylić. Wąskie przedziały mówią tylko o losowości próby kart, nie o tym, czy wzór Huffa jest dobry.

Podpis do pracy:

Rysunek 2. Dewiancja modelu Huffa w funkcji parametrów α i β z obszarem ufności 95% (A) oraz udział sieci w osiedlach przewidywany przez model i zaobserwowany w kartach lojalnościowych (B). Uwaga. Estymacja metodą największej wiarygodności (2400 wyborów); krzyżyk – wartości prawdziwe. Dane symulowane.

Zdanie do Wyników:

Wykładnik atrakcyjności (powierzchni sprzedaży) wyniósł α = 1.11, 95% CI [1.02, 1.20], a wykładnik oporu czasu dojazdu β = 2.07, 95% CI [1.95, 2.20]; pseudo-R² McFaddena = .213. Reszty modelu w osiedlach nie wykazywały autokorelacji przestrzennej (I Morana = −0.21, p = .130).

Rysunek 3: jak osiedle dzieli swoje wydatki

Schemat: prostokąt osiedla O14 z wydatkami 511 tys. zł po lewej i sześć strzałek do prostokątów sklepów po prawej; najgrubsza strzałka do K1 (41.3%, 211 tys. zł), dalej K3 20.2%, nasz N1 19.1%, nasz N2 11.3%, K2 7.3% i najcieńsza do K4 0.8%
Rysunek 3. Grafika: podział wydatków osiedla O14 według modelu Huffa. R i ggplot2.

Co widać. Osiedle O14 (1460 gospodarstw × 350 zł = 511 tys. zł rocznie) leży tak samo daleko od naszego N1 i od konkurenta K1 – po 5.4 minuty. K1 ma jednak dwa razy większą powierzchnię (3.0 wobec 1.5 tys. m²), więc przy α = 1.11 przyciąga 41.3% wydatków osiedla (ok. 211 tys. zł), a N1 – 19.1% (98 tys. zł). Duży K3 jest prawie dwa razy dalej (9.5 min), a bierze 20.2%. Przychód sklepu to suma takich kwot ze wszystkich 30 osiedli.

Jak może zmylić. Model zakłada stałe wydatki osiedla – nowy sklep dzieli istniejący „tort”, a nie powiększa go.

Podpis do pracy:

Rysunek 3. Podział rocznych wydatków na artykuły ogrodnicze mieszkańców osiedla O14 między sześć sklepów według modelu Huffa (α = 1.11, β = 2.07). Uwaga. Grubość strzałki – prawdopodobieństwo wyboru sklepu.

Rysunek 4: mapa udziałów przed i po otwarciu

Teraz dokładamy do modelu nowy sklep (2 tys. m²) kolejno w lokalizacjach A, B i C i liczymy udziały od nowa. Dziś według modelu N1 ma 2.39 mln zł przychodu rocznie, a N2 – 3.68 mln zł.

Cztery mapy siatki osiedli w odcieniach niebieskiego. Dziś: udział naszej sieci od 8% przy sklepie K3 do 51% przy N2. Po otwarciu A: przyrosty do 23 punktów w środku zachodniej części. Po otwarciu B: przyrosty od 15 do 35 punktów na całym wschodnim brzegu. Po otwarciu C: przyrosty do 33 punktów na północnym zachodzie
Rysunek 4. Udział naszej sieci w osiedlach dziś i w trzech wariantach lokalizacji. R i ggplot2 (dane symulowane, set.seed(652)).

Co widać. Pierwszy panel to udział naszej sieci dziś: najwyższy wokół N2 (do 51%), najniższy przy K3 na północy (8%). W pozostałych panelach liczby w kratkach to przyrost udziału naszej sieci w punktach procentowych. A dodaje najwięcej w centrum zachodu (do +23 pkt), gdzie już jesteśmy silni; B – na całym wschodnim brzegu (+15 do +35 pkt), gdzie wydaje się najwięcej; C – na północnym zachodzie (do +33 pkt).

Jak może zmylić. Przyrost udziału to nie przyrost przychodu: 10 punktów w osiedlu wydającym 1 mln zł znaczy więcej niż 20 w osiedlu wydającym 300 tys. zł. Mapa nie pokazuje też, ile nowy sklep zabrał naszym sklepom.

Podpis do pracy:

Rysunek 4. Udział sieci w wydatkach na artykuły ogrodnicze w osiedlach według modelu Huffa: stan obecny oraz warianty z nowym sklepem w lokalizacji A, B lub C. Uwaga. W wariantach liczby w polach oznaczają przyrost udziału w punktach procentowych względem stanu obecnego. Dane symulowane.

Rysunek 5: przychód, kanibalizacja i niepewność

Dla każdej lokalizacji liczymy trzy liczby: przychód nowego sklepu, kanibalizację (o ile spadnie przychód N1 i N2) i przyrost przychodu całej sieci = przychód nowego − kanibalizacja. Niepewność parametrów przenosimy na przychody bootstrapem (Efron, 1979): 1000 razy losujemy ze zwracaniem 2400 gospodarstw, szacujemy α i β i liczymy przychody. Przedziały percentylowe parametrów prawie pokrywają się z przedziałami Walda: α [1.02, 1.21], β [1.96, 2.21].

Wykres punktowy z krótkimi odcinkami przedziałów dla lokalizacji A, B i C: przychód nowego sklepu (szare kółka) ok. 2.8, 2.9 i 2.1 mln zł, kanibalizacja (trójkąty) ok. 0.9, 0.95 i 0.7 mln zł, przyrost sieci (niebieskie kwadraty) 1.86, 1.93 i 1.41 mln zł; przedziały bardzo wąskie
Rysunek 5. Przychód, kanibalizacja i przyrost sieci z 95% przedziałami bootstrapowymi. R i ggplot2 (dane symulowane, set.seed(652), 1000 prób).

Co widać. Najwięcej przychodu dałby sklep B: 2.87 mln zł rocznie (95% CI [2.84, 2.91]), ale 0.95 mln zł [0.92, 0.97] z tego zabrałby naszym sklepom, głównie N2 (0.73 mln zł), do którego mieszkańcy wschodu jeżdżą dziś przez most. Przyrost sieci: B 1.93 mln zł [1.92, 1.94], A 1.86 mln zł [1.83, 1.87], C 1.41 mln zł [1.38, 1.43]. We wszystkich trzech wariantach kanibalizacja to ok. jednej trzeciej przychodu nowego sklepu (32.7–33.3%). B wygrał we wszystkich 1000 próbach bootstrapowych, a różnica B − A wynosi 71 tys. zł rocznie (95% CI [43, 104] tys. zł).

Jak może zmylić. Przedziały są wąskie, bo obejmują tylko losowość kart – bez niepewności potencjału rynku, reakcji konkurencji i błędu wzoru. Przyrost sieci jest tu z definicji równy temu, co zabierzemy konkurencji, bo rynek się nie powiększa. Kanibalizację z modelu warto po otwarciu porównać z rzeczywistą – jak to zrobić, pokazuje wpis kanibalizacja po otwarciu nowego lokalu – różnica w różnicach.

Podpis do pracy:

Rysunek 5. Przewidywany roczny przychód nowego sklepu, utrata przychodu istniejących sklepów sieci (kanibalizacja) i przyrost przychodu sieci dla trzech lokalizacji. Uwaga. Odcinki – 95% przedziały percentylowe z 1000 prób bootstrapowych gospodarstw z kartą. Dane symulowane.

Zdanie do Wyników:

Największy przyrost przychodu sieci przewidziano dla lokalizacji B: 1.93 mln zł rocznie, 95% CI [1.92, 1.94], przy przychodzie nowego sklepu 2.87 mln zł i kanibalizacji 0.95 mln zł. Lokalizacja A dawała przyrost 1.86 mln zł [1.83, 1.87], a C – 1.41 mln zł [1.38, 1.43]; przewaga B nad A wynosiła 71 tys. zł [43, 104].

Rysunek 6: pułapka – odległość w linii prostej

Częsty skrót: zamiast czasu dojazdu wziąć odległość w linii prostej ze współrzędnych. Co by się stało, gdyby analityk nie wiedział o rzece?

A: wykres rozrzutu czasu dojazdu do działki B z linii prostej i przez most – punkty wschodniego brzegu na przekątnej, zachodniego nad nią. B: przyrost przychodu sieci dla A, B i C w dwóch modelach; przy czasie przez most B ma 1.93 mln zł i jest najlepsza, przy linii prostej B spada do 1.65 mln zł poniżej A z 1.79 mln zł
Rysunek 6. Czas dojazdu przez most a linia prosta (A) i ranking lokalizacji w obu modelach (B). R, ggplot2 i patchwork (dane symulowane, set.seed(652)).

Co widać. Panel A: z zachodu dojazd do działki B przez most trwa dłużej, niż wynika z linii prostej (to samo dotyczy dojazdu ze wschodu do sklepów zachodu). Model z linią prostą pasuje do kart wyraźnie gorzej (log-wiarygodność −3447.5 wobec −3386.2; AIC 6899.1 wobec 6776.4), a jego parametry (α = 0.97, β = 2.10) wyglądają niewinnie. Groźny jest panel B: według linii prostej najlepsza jest działka A (przyrost 1.79 mln zł), a B spada na drugie miejsce (1.65 mln zł zamiast 1.93). Model „nie widzi”, że wschodni brzeg jest odcięty od konkurencji.

Jak może zmylić. Różnica między metrykami (0.28 mln zł dla B) jest kilkanaście razy większa niż szerokość przedziału bootstrapowego. Źle zmierzona odległość to błąd specyfikacji – żaden bootstrap go nie pokaże.

Podpis do pracy:

Rysunek 6. Czas dojazdu do lokalizacji B liczony z odległości w linii prostej i rzeczywistą drogą przez most (A) oraz przewidywany przyrost przychodu sieci dla trzech lokalizacji w modelu Huffa z obiema miarami odległości (B). Dane symulowane.

Co z tym zrobić w firmie

  • Wybierz B, ale z warunkami. Działka B daje sieci najwięcej (ok. 1.93 mln zł rocznie), mimo że jedna trzecia jej przychodu to klienci przejęci od N2. Obniż z góry plan sprzedaży N2.
  • Licz przyrost sieci, nie przychód nowego sklepu – różnica to 0.7–0.95 mln zł rocznie.
  • Licz czasy dojazdu po drogach (rzeki, tory, korki) – tu ta decyzja zmieniła ranking.
  • Przetestuj założenia. Policz wariant z innym potencjałem wschodu, z ruchem konkurencji (np. K4 się powiększa) i z innym β – to analiza wrażliwości. Przychód wstaw potem do rachunku inwestycji, jak we wpisie symulacja Monte Carlo opłacalności projektu.
  • Po otwarciu porównaj karty z mapą z rysunku 4 i przelicz α i β.

Jak opisać w pracy

W Metodzie podaj jednostki przestrzenne i potencjał, miary atrakcyjności i odległości, źródło danych o wyborach, metodę estymacji i sposób liczenia niepewności. W Wynikach – α i β z przedziałami, dopasowanie, przychody wariantów z kanibalizacją i porównanie miar odległości. Ogólny układ takiej pracy opisuje jak napisać pracę z zarządzania i ekonomii, a inne metody dla tej dziedziny – statystyka w pracy z zarządzania i ekonomii.

Prawdopodobieństwo wyboru sklepu przez mieszkańców osiedla opisano modelem Huffa, w którym atrakcyjnością sklepu była powierzchnia sprzedaży, a oporem – czas dojazdu samochodem uwzględniający sieć dróg. Parametry α i β oszacowano metodą największej wiarygodności (rozkład wielomianowy) na podstawie 2400 gospodarstw z kartą lojalnościową, dla których znano osiedle zamieszkania i sklep ostatnich zakupów; błędy standardowe wyznaczono z macierzy drugich pochodnych. Przychód sklepów obliczono jako sumę potencjału osiedli ważonego prawdopodobieństwem wyboru. Niepewność przychodów oszacowano bootstrapem (1000 prób gospodarstw ze zwracaniem). Obliczenia wykonano w R (funkcja optim).

Pomoc przy takiej analizie: analizy statystyczne dla studentów.

Przykład reprodukowalny

Kod R: model Huffa, optim, bootstrap i mapy

Kod odtwarza wszystkie liczby z tekstu i sześć rysunków. Uruchom przepisy po kolei w jednej sesji R: przepis 1 tworzy paletę, motyw, miasto, karty i funkcje, z których korzystają kolejne. Model Huffa liczymy bez specjalnych pakietów – ujemną log-wiarygodność minimalizuje funkcja optim() z bazowego R. Każdy przepis z rysunkiem kończy się nazwą wykresu (p1–p6), co wyświetla go w oknie R; do zapisu w pliku SVG użyj ggsave() jak w komentarzu. Rysunki na tej stronie powstały z tych samych obiektów p1–p6, którym podmieniono tylko motyw na motyw serwisu (krój i kolor czcionki, siatka) – dane, geometrie i skale są identyczne.

Losują przepisy 1 (osiedla i karty), 2 (test permutacyjny I Morana) i 5 (bootstrap); każdy zaczyna losowanie od własnego set.seed(652). Ziarno 652 ustalono raz i nie zmieniano go. Ręcznie ustalono: siatkę 6 × 5 osiedli po 1 km, liczbę gospodarstw (1200–2600 na zachodzie, 450–900 na wschodzie) i wydatki (350 i 900 zł rocznie, rozrzut SD 0.15 w skali logarytmu), położenie i powierzchnię sześciu sklepów oraz trzech kandydatów (po 2 tys. m²), rzekę na x = 4 km z jednym mostem w punkcie (4, 1) – most przesunęliśmy na południe po pierwszych próbach, żeby pułapka z rysunku 6 była wyraźna – wzór czasu dojazdu (3 min + 2.4 min/km), prawdziwe α = 1 i β = 2, liczbę kart (2400) i liczbę prób bootstrapowych (1000). Całość liczy się w kilka sekund.

1. Miasto, sklepy, czasy dojazdu i karty: Rysunek 1

Dane wejściowe: nic – osiedla i 2400 kart losuje kod (parametry ustalone ręcznie, set.seed(652)). Na początku paleta Okabe–Ito i motyw motyw, a także funkcje czas_dojazdu(), macierz() i huff(), z których korzystają kolejne przepisy. Kod zapisuje plik CSV w katalogu roboczym.

Co odczytać: liczbę gospodarstw, potencjał rynku (mln zł) i udział wschodu, odsetek wyborów każdego sklepu w kartach oraz udział naszej sieci.

R
# Rysunek 1. Fikcyjne miasto w 30 kratkach: osiedla, sklepy ogrodnicze, rzeka i dane z kart lojalnościowych
library(ggplot2)
library(patchwork)

# Paleta Okabe–Ito (rozróżnialna także przy deuteranopii) i prosty motyw
kol <- c(nasz = "#0072B2", konkurent = "#D55E00", kandydat = "#E69F00", rzeka = "#56B4E9",
         zielony = "#009E73", szary = "grey60", ciemny = "grey20")
motyw <- theme_minimal(base_size = 13) +
  theme(plot.title = element_text(face = "bold", colour = "#0f1d3a", size = rel(1.0)),
        plot.subtitle = element_text(colour = "grey30"), panel.grid.minor = element_blank(),
        panel.grid.major = element_line(colour = "grey88", linewidth = 0.4),
        strip.text = element_text(face = "bold", colour = "#0f1d3a"), legend.position = "bottom",
        plot.background = element_rect(fill = "white", colour = NA), plot.margin = margin(10, 14, 10, 10))

# Miasto: siatka 6 × 5 osiedli po 1 km; rzeka płynie z północy na południe na x = 4 km,
# jedyny most stoi na południu, w punkcie (4, 1). Parametry miasta i sklepów ustalone ręcznie.
osiedla <- expand.grid(kol_x = 1:6, rzad_y = 1:5)
osiedla$osiedle <- sprintf("O%02d", seq_len(nrow(osiedla)))
osiedla$x <- osiedla$kol_x - 0.5
osiedla$y <- osiedla$rzad_y - 0.5
osiedla$brzeg <- ifelse(osiedla$x < 4, "zachodni", "wschodni")
set.seed(652)
# zachód: bloki (1200–2600 gospodarstw, ok. 350 zł rocznie na ogród i balkon),
# wschód: domy jednorodzinne (450–900 gospodarstw, ok. 900 zł rocznie)
osiedla$gospodarstwa <- round(ifelse(osiedla$brzeg == "zachodni", runif(30, 1200, 2600), runif(30, 450, 900)), -1)
osiedla$wydatki <- round(ifelse(osiedla$brzeg == "zachodni", 350, 900) * exp(rnorm(30, 0, 0.15)), -1)
osiedla$potencjal <- osiedla$gospodarstwa * osiedla$wydatki            # zł rocznie

sklepy <- data.frame(
  sklep = c("N1", "N2", "K1", "K2", "K3", "K4"),
  typ = c("nasz", "nasz", "konkurent", "konkurent", "konkurent", "konkurent"),
  x = c(1.5, 3.2, 2.5, 0.6, 3.6, 5.3), y = c(3.5, 1.2, 2.5, 0.8, 4.2, 3.8),
  powierzchnia = c(1.5, 2.0, 3.0, 1.2, 4.5, 0.8))                    # tys. m² sprzedaży
kandydaci <- data.frame(sklep = c("A", "B", "C"), typ = "kandydat",
                        x = c(2.0, 5.0, 0.8), y = c(1.8, 1.2, 4.3), powierzchnia = 2.0)

# Czas dojazdu (min): 3 min na start + 2.4 min na każdy km drogi; przez rzekę tylko mostem
most <- c(4, 1)
czas_dojazdu <- function(ox, oy, sx, sy) {
  euk <- function(x1, y1, x2, y2) sqrt((x1 - x2)^2 + (y1 - y2)^2)
  przez_rzeke <- (ox < 4) != (sx < 4)
  droga <- ifelse(przez_rzeke, euk(ox, oy, most[1], most[2]) + euk(most[1], most[2], sx, sy),
                  euk(ox, oy, sx, sy))
  3 + 2.4 * droga
}
macierz <- function(sk, f) outer(seq_len(nrow(osiedla)), seq_len(nrow(sk)),
                                 function(i, j) f(osiedla$x[i], osiedla$y[i], sk$x[j], sk$y[j]))
T_czas <- macierz(sklepy, czas_dojazdu)                               # 30 × 6, minuty
dimnames(T_czas) <- list(osiedla$osiedle, sklepy$sklep)

# Model Huffa: P(osiedle i wybiera sklep j) = A_j^alfa · t_ij^(−beta) / suma po sklepach
huff <- function(alfa, beta, A, Tm) {
  u <- sweep(Tm^(-beta), 2, A^alfa, "*")
  u / rowSums(u)
}
# Prawdziwe parametry ukryte w danych: alfa = 1.0, beta = 2.0 (czas dojazdu w minutach)
P_prawd <- huff(1.0, 2.0, sklepy$powierzchnia, T_czas)

# Karty lojalnościowe: 2400 losowych gospodarstw (aplikacja z rejestracją paragonów
# z dowolnego sklepu ogrodniczego) – osiedle i sklep ostatnich zakupów wiosną
set.seed(652)
n_kart <- 2400
os_karty <- sample(seq_len(nrow(osiedla)), n_kart, replace = TRUE, prob = osiedla$gospodarstwa)
wybor <- vapply(os_karty, function(i) sample(sklepy$sklep, 1, prob = P_prawd[i, ]), character(1))
karty <- data.frame(id = seq_len(n_kart), osiedle = osiedla$osiedle[os_karty], sklep = wybor)
write.csv(merge(karty, osiedla[, c("osiedle", "x", "y", "brzeg", "gospodarstwa", "wydatki")], by = "osiedle")[
  , c("id", "osiedle", "x", "y", "brzeg", "gospodarstwa", "wydatki", "sklep")],
  "lokalizacja-sklepu-karty-lojalnosciowe.csv", row.names = FALSE)

# Przegląd: potencjał rynku, wybory w kartach, nasz udział
c(gospodarstwa = sum(osiedla$gospodarstwa), potencjal_mln_zl = round(sum(osiedla$potencjal) / 1e6, 2),
  potencjal_wschod_proc = round(100 * sum(osiedla$potencjal[osiedla$brzeg == "wschodni"]) / sum(osiedla$potencjal), 1))
round(100 * prop.table(table(factor(karty$sklep, levels = sklepy$sklep))), 1)
c(nasz_udzial_w_kartach_proc = round(100 * mean(karty$sklep %in% c("N1", "N2")), 1))

# Rysunek 1: A – potencjał osiedli i położenie sklepów; B – liczba kart na osiedle
wszystkie <- rbind(sklepy, kandydaci)
wszystkie$rola <- factor(c(nasz = "nasz sklep", konkurent = "konkurent", kandydat = "kandydat")[wszystkie$typ],
                         levels = c("nasz sklep", "konkurent", "kandydat"))
warstwa_rzeki <- list(
  annotate("segment", x = 4, xend = 4, y = 0, yend = 5, colour = kol[["rzeka"]], linewidth = 2.2),
  annotate("point", x = most[1], y = most[2], shape = 22, size = 4, fill = "white", colour = "grey20"),
  annotate("text", x = 4.12, y = 4.85, label = "rzeka", hjust = 0, size = 3.4, colour = "grey25"),
  annotate("text", x = 4.12, y = 0.72, label = "most", hjust = 0, size = 3.4, colour = "grey25"))
p1a <- ggplot(osiedla, aes(x, y)) +
  geom_tile(aes(fill = potencjal / 1e6), colour = "white", linewidth = 0.6) +
  warstwa_rzeki +
  geom_point(data = wszystkie, aes(shape = rola, colour = rola), size = 4.2, stroke = 1.2, fill = "white") +
  geom_text(data = wszystkie, aes(label = sklep), nudge_y = 0.33, size = 3.6, fontface = "bold", colour = "grey10") +
  scale_fill_gradientn(colours = colorspace::sequential_hcl(7, "Greens 3", rev = TRUE), name = "potencjał (mln zł / rok)") +
  scale_shape_manual(values = c("nasz sklep" = 15, "konkurent" = 17, "kandydat" = 23), name = NULL) +
  scale_colour_manual(values = c("nasz sklep" = kol[["nasz"]], "konkurent" = kol[["konkurent"]],
                                 "kandydat" = kol[["kandydat"]]), name = NULL) +
  coord_equal(expand = FALSE) + labs(x = "km", y = "km", title = "A. Wydatki na ogród w osiedlach i sklepy") +
  motyw + theme(legend.box = "vertical")
liczba_kart <- as.data.frame(table(osiedle = karty$osiedle), responseName = "karty")
liczba_kart <- merge(osiedla, liczba_kart, by = "osiedle")
p1b <- ggplot(liczba_kart, aes(x, y)) +
  geom_tile(aes(fill = karty), colour = "white", linewidth = 0.6) +
  geom_text(aes(label = karty), size = 3.4, colour = "grey10") +
  warstwa_rzeki +
  scale_fill_gradientn(colours = colorspace::sequential_hcl(7, "Blues 3", rev = TRUE), name = "liczba kart",
                       breaks = c(40, 80, 120)) +
  coord_equal(expand = FALSE) + labs(x = "km", y = "km", title = "B. Gospodarstwa z kartą (n = 2400)") + motyw
p1 <- p1a / p1b
p1   # zapis: ggsave("lokalizacja-sklepu-mapa-miasta.svg", p1, width = 10, height = 12)
Wynik w R
         gospodarstwa      potencjal_mln_zl potencjal_wschod_proc 
             45320.00                 19.53                 31.00 

  N1   N2   K1   K2   K3   K4 
13.5 17.9 26.8  9.0 28.1  4.8 
nasz_udzial_w_kartach_proc 
                      31.3 

2. Wiarygodność wielomianowa i optim(): Rysunek 2

Dane wejściowe: obiekty z przepisu 1. Losuje tylko test permutacyjny I Morana (set.seed(652)).

Co odczytać: oceny α i β z błędami standardowymi i przedziałami Walda, log-wiarygodność, kod zbieżności (0 = zbieżny), korelację ocen, pseudo-R² McFaddena oraz I Morana reszt z wartością oczekiwaną i p permutacyjnym.

R
# Rysunek 2. Dopasowanie modelu Huffa do kart lojalnościowych: wiarygodność wielomianowa i optim()
library(ggplot2)
library(patchwork)

# Tabela liczebności: osiedle (wiersz) × sklep wybrany przez gospodarstwo z kartą (kolumna)
N <- table(factor(karty$osiedle, levels = osiedla$osiedle), factor(karty$sklep, levels = sklepy$sklep))
N <- unclass(N)

# Ujemna log-wiarygodność wielomianowa: −Σ n_ij · log P_ij(alfa, beta)
ujemna_logL <- function(par, Nm = N, A = sklepy$powierzchnia, Tm = T_czas) {
  -sum(Nm * log(huff(par[1], par[2], A, Tm)))
}
fit <- optim(c(alfa = 0.5, beta = 1), ujemna_logL, method = "BFGS", hessian = TRUE)
se <- sqrt(diag(solve(fit$hessian)))
wyniki <- data.frame(parametr = c("alfa", "beta"), prawda = c(1.0, 2.0), ocena = fit$par, SE = se,
                     dolna_95 = fit$par - 1.96 * se, gorna_95 = fit$par + 1.96 * se)
print(wyniki, digits = 3, row.names = FALSE)
c(logL = round(-fit$value, 1), zbieznosc = fit$convergence,
  korelacja_alfa_beta = round(cov2cor(solve(fit$hessian))[1, 2], 2))
alfa_hat <- fit$par[[1]]; beta_hat <- fit$par[[2]]

# Model zerowy (każdy sklep jednakowo prawdopodobny) – pseudo-R² McFaddena
logL0 <- sum(N) * log(1 / ncol(N))
c(pseudo_R2_McFadden = round(1 - (-fit$value) / logL0, 3))

# Dopasowanie w osiedlach: udział naszej sieci (N1 + N2) w kartach vs przewidywany
P_hat <- huff(alfa_hat, beta_hat, sklepy$powierzchnia, T_czas)
dop <- data.frame(osiedla[, c("osiedle", "x", "y", "brzeg")], n = rowSums(N),
                  obserwowany = rowSums(N[, c("N1", "N2")]) / rowSums(N),
                  przewidywany = rowSums(P_hat[, c("N1", "N2")]))
dop$z <- (dop$obserwowany - dop$przewidywany) / sqrt(dop$przewidywany * (1 - dop$przewidywany) / dop$n)
# I Morana dla reszt z: sąsiedzi przez wspólny bok kratki (wagi standaryzowane wierszami)
W <- outer(seq_len(30), seq_len(30), function(i, j)
  as.numeric(abs(osiedla$x[i] - osiedla$x[j]) + abs(osiedla$y[i] - osiedla$y[j]) == 1))
W <- W / rowSums(W)
moran <- function(v) { v <- v - mean(v); (length(v) / sum(W)) * sum(W * outer(v, v)) / sum(v^2) }
set.seed(652)
I_perm <- replicate(999, moran(sample(dop$z)))
c(I_Morana = round(moran(dop$z), 3), oczekiwane = round(-1 / 29, 3),
  p_permutacyjne = round((1 + sum(abs(I_perm) >= abs(moran(dop$z)))) / 1000, 3))

# Rysunek 2: A – mapa wiarygodności (alfa, beta) z obszarem 95%; B – dopasowanie w osiedlach
siatka <- expand.grid(alfa = seq(0.85, 1.35, length.out = 71), beta = seq(1.8, 2.35, length.out = 71))
siatka$dewiancja <- 2 * (apply(siatka, 1, ujemna_logL) - fit$value)
p2a <- ggplot(siatka, aes(alfa, beta)) +
  geom_contour_filled(aes(z = dewiancja), breaks = c(0, 2.3, 5.99, 11.8, 30, Inf)) +
  geom_contour(aes(z = dewiancja), breaks = 5.99, colour = "grey15", linewidth = 0.7) +
  annotate("point", x = alfa_hat, y = beta_hat, shape = 21, size = 3.5, fill = "white", colour = "grey10", stroke = 1.2) +
  annotate("point", x = 1, y = 2, shape = 4, size = 3.5, colour = kol[["konkurent"]], stroke = 1.6) +
  annotate("label", x = alfa_hat + 0.02, y = beta_hat + 0.04, label = "ocena", hjust = 0, size = 3.5, fill = "white") +
  annotate("label", x = 0.98, y = 1.95, label = "prawda (1, 2)", hjust = 1, size = 3.5, colour = kol[["konkurent"]], fill = "white") +
  scale_fill_manual(values = colorspace::sequential_hcl(5, "Blues 3"),
                    labels = c("< 2.3", "2.3–6", "6–11.8", "11.8–30", "> 30"), name = "dewiancja") +
  coord_cartesian(expand = FALSE) +
  labs(x = expression(alpha ~ "(atrakcyjność: powierzchnia)"), y = expression(beta ~ "(opór: czas dojazdu)"),
       title = "A. Gdzie leżą dobre pary (α, β)?", subtitle = "czarna linia – obszar ufności 95%") + motyw
p2b <- ggplot(dop, aes(100 * przewidywany, 100 * obserwowany)) +
  geom_abline(slope = 1, intercept = 0, colour = "grey50", linetype = "dashed") +
  geom_point(aes(size = n, shape = brzeg, colour = brzeg), alpha = 0.85) +
  scale_colour_manual(values = c(zachodni = kol[["nasz"]], wschodni = kol[["kandydat"]]), name = "brzeg rzeki") +
  scale_shape_manual(values = c(zachodni = 16, wschodni = 17), name = "brzeg rzeki") +
  scale_size_area(max_size = 5, name = "karty w osiedlu") +
  labs(x = "przewidywany udział naszej sieci (%)", y = "udział w kartach (%)",
       title = "B. Model a karty w 30 osiedlach") + motyw + theme(legend.box = "vertical")
p2 <- p2a / p2b
p2   # zapis: ggsave("lokalizacja-sklepu-dopasowanie.svg", p2, width = 10, height = 12)
Wynik w R
 parametr prawda ocena     SE dolna_95 gorna_95
     alfa      1  1.11 0.0478     1.02      1.2
     beta      2  2.07 0.0644     1.95      2.2
               logL           zbieznosc korelacja_alfa_beta 
            -3386.2                 0.0                 0.4 
pseudo_R2_McFadden 
             0.213 
      I_Morana     oczekiwane p_permutacyjne 
        -0.214         -0.034          0.130 

3. Grafika przyciągania dla osiedla O14: Rysunek 3

Dane wejściowe: obiekty z przepisów 1–2. Niczego nie losuje.

Co odczytać: powierzchnię, czas dojazdu, prawdopodobieństwo (%) i kwotę (tys. zł) dla każdego sklepu.

R
# Rysunek 3. Grafika: jak model Huffa dzieli wydatki jednego osiedla (O14) między sklepy
# Korzysta z osiedla, sklepów, czasów dojazdu i ocen alfa, beta z przepisów 1–2. Niczego nie losuje.
library(ggplot2)

i <- "O14"
pot <- osiedla$potencjal[osiedla$osiedle == i]
sila <- sklepy$powierzchnia^alfa_hat * T_czas[i, ]^(-beta_hat)          # „siła przyciągania” sklepu
schemat <- data.frame(sklep = sklepy$sklep, typ = sklepy$typ, A = sklepy$powierzchnia, t = T_czas[i, ],
                      sila = sila, P = sila / sum(sila))
schemat$zl <- pot * schemat$P
schemat <- schemat[order(-schemat$P), ]
schemat$yy <- rev(seq(0.6, by = 1.05, length.out = nrow(schemat)))
print(transform(schemat[, c("sklep", "A", "t", "P", "zl")], t = round(t, 1), P = round(100 * P, 1),
                zl = round(zl / 1000)), row.names = FALSE)

y_os <- mean(schemat$yy)
schemat$etykieta <- sprintf("%s  ·  %.1f tys. m²  ·  %.1f min", schemat$sklep, schemat$A, schemat$t)
schemat$wynik <- sprintf("%.1f%%  ≈  %.0f tys. zł", 100 * schemat$P, schemat$zl / 1000)
p3 <- ggplot(schemat) +
  geom_segment(aes(x = 2.35, y = y_os, xend = 5.55, yend = yy, linewidth = P, colour = typ),
               arrow = arrow(length = unit(0.25, "cm"), type = "closed"), lineend = "butt", alpha = 0.8) +
  annotate("rect", xmin = 0.05, xmax = 2.35, ymin = y_os - 1.3, ymax = y_os + 1.3,
           fill = "#DDEFD9", colour = "grey30", linewidth = 0.4) +
  annotate("text", x = 1.2, y = y_os + 0.75, label = "Osiedle O14", fontface = "bold", size = 4.4, colour = "#0f1d3a") +
  annotate("text", x = 1.2, y = y_os - 0.15, size = 3.6, lineheight = 0.95, colour = "grey15",
           label = sprintf("%d gospodarstw\n× %d zł rocznie\n= %.0f tys. zł", osiedla$gospodarstwa[osiedla$osiedle == i],
                           osiedla$wydatki[osiedla$osiedle == i], pot / 1000)) +
  geom_rect(aes(xmin = 5.6, xmax = 9.9, ymin = yy - 0.44, ymax = yy + 0.44, fill = typ), colour = "grey30", linewidth = 0.4) +
  geom_text(aes(x = 5.75, y = yy + 0.17, label = etykieta), hjust = 0, size = 3.5, fontface = "bold", colour = "grey10") +
  geom_text(aes(x = 5.75, y = yy - 0.2, label = wynik), hjust = 0, size = 3.5, colour = "grey15") +
  annotate("text", x = 0.05, y = max(schemat$yy) + 1.05, hjust = 0, size = 3.9, colour = "grey20",
           label = "Siła sklepu = powierzchnia^α × czas^(−β);  udział = siła / suma sił wszystkich sklepów") +
  scale_linewidth(range = c(0.4, 6), guide = "none") +
  scale_colour_manual(values = c(nasz = kol[["nasz"]], konkurent = kol[["konkurent"]]), guide = "none") +
  scale_fill_manual(values = c(nasz = "#CFE3F2", konkurent = "#F6C9A9"),
                    labels = c(nasz = "nasz sklep", konkurent = "konkurent"), name = NULL) +
  coord_cartesian(xlim = c(0, 10), ylim = c(0, max(schemat$yy) + 1.4), expand = FALSE) +
  labs(title = sprintf("Dokąd jadą po ziemię i sadzonki? (α = %.2f, β = %.2f)", alfa_hat, beta_hat)) +
  theme_void(base_size = 13) +
  theme(plot.title = element_text(face = "bold", colour = "#0f1d3a", margin = margin(b = 6)),
        legend.position = "bottom", plot.background = element_rect(fill = "white", colour = NA),
        plot.margin = margin(10, 14, 10, 10))
p3   # zapis: ggsave("lokalizacja-sklepu-schemat-przyciagania.svg", p3, width = 10, height = 7)
Wynik w R
 sklep   A    t    P  zl
    K1 3.0  5.4 41.3 211
    K3 4.5  9.5 20.2 103
    N1 1.5  5.4 19.1  98
    N2 2.0  8.1 11.3  58
    K2 1.2  7.6  7.3  37
    K4 0.8 17.4  0.8   4

4. Warianty lokalizacji i mapa udziałów: Rysunek 4

Dane wejściowe: obiekty z przepisów 1–2. Niczego nie losuje. Definiuje funkcje scenariusz() i bilans().

Co odczytać: dzisiejsze przychody sklepów, a dla A, B i C: przychód nowego sklepu, kanibalizację, przejęcie od konkurencji i przyrost sieci (mln zł), kanibalizację jako % przychodu nowego sklepu i stratę N1 oraz N2.

R
# Rysunek 4. Mapa udziałów naszej sieci dziś i po otwarciu sklepu w lokalizacji A, B albo C
# Korzysta z obiektów z przepisów 1–2. Niczego nie losuje.
library(ggplot2)

# Przychód roczny sklepów = Σ po osiedlach (potencjał osiedla × udział sklepu); sklep nowy ma 2 tys. m²
scenariusz <- function(alfa, beta, kand = NULL, czas = czas_dojazdu) {
  sk <- if (is.null(kand)) sklepy else rbind(sklepy, kandydaci[kandydaci$sklep == kand, ])
  P <- huff(alfa, beta, sk$powierzchnia, macierz(sk, czas)); colnames(P) <- sk$sklep
  list(P = P, przychod = setNames(colSums(osiedla$potencjal * P), sk$sklep))
}
dzis <- scenariusz(alfa_hat, beta_hat)
bilans <- function(alfa, beta, kand, czas = czas_dojazdu) {
  d0 <- scenariusz(alfa, beta, czas = czas)$przychod
  d1 <- scenariusz(alfa, beta, kand, czas)$przychod
  c(nowy = d1[[kand]], kanibalizacja = (d0[["N1"]] + d0[["N2"]]) - (d1[["N1"]] + d1[["N2"]]),
    od_konkurencji = sum(d0[c("K1", "K2", "K3", "K4")]) - sum(d1[c("K1", "K2", "K3", "K4")]),
    przyrost_sieci = d1[[kand]] - ((d0[["N1"]] + d0[["N2"]]) - (d1[["N1"]] + d1[["N2"]])))
}
round(dzis$przychod / 1e6, 2)                                    # dziś, mln zł rocznie
tab <- sapply(kandydaci$sklep, function(k) bilans(alfa_hat, beta_hat, k))
round(tab / 1e6, 2)                                              # mln zł rocznie
round(100 * tab["kanibalizacja", ] / tab["nowy", ], 1)           # % przychodu nowego sklepu zabrane własnym
# Ile traci każdy z naszych sklepów (mln zł rocznie)?
round(sapply(kandydaci$sklep, function(k) dzis$przychod[c("N1", "N2")] -
               scenariusz(alfa_hat, beta_hat, k)$przychod[c("N1", "N2")]) / 1e6, 2)

# Udział naszej sieci w wydatkach osiedla: dziś i w trzech wariantach
udzial <- function(sc) rowSums(sc$P[, colnames(sc$P) %in% c("N1", "N2", "A", "B", "C"), drop = FALSE])
mapy <- do.call(rbind, lapply(c("dziś", "A", "B", "C"), function(w) {
  sc <- if (w == "dziś") dzis else scenariusz(alfa_hat, beta_hat, w)
  data.frame(osiedla[, c("x", "y")], wariant = w, udzial = 100 * udzial(sc),
             zmiana = 100 * (udzial(sc) - udzial(dzis)))
}))
mapy$panel <- factor(ifelse(mapy$wariant == "dziś", "Dziś: sklepy N1 i N2",
                            paste0("Po otwarciu sklepu ", mapy$wariant)),
                     levels = c("Dziś: sklepy N1 i N2", paste0("Po otwarciu sklepu ", c("A", "B", "C"))))
mapy$tekst <- ifelse(mapy$wariant == "dziś", sprintf("%.0f", mapy$udzial), sprintf("+%.0f", mapy$zmiana))
pkt <- do.call(rbind, lapply(levels(mapy$panel), function(p) {
  k <- sub("Po otwarciu sklepu ", "", p)
  d <- rbind(sklepy, kandydaci[kandydaci$sklep == k, ])
  d$panel <- p; d
}))
pkt$panel <- factor(pkt$panel, levels = levels(mapy$panel))
pkt$rola <- factor(c(nasz = "nasz sklep", konkurent = "konkurent", kandydat = "nowy sklep")[pkt$typ],
                   levels = c("nasz sklep", "konkurent", "nowy sklep"))
p4 <- ggplot(mapy, aes(x, y)) +
  geom_tile(aes(fill = udzial), colour = "white", linewidth = 0.5) +
  geom_text(aes(label = tekst), size = 3, colour = "grey10") +
  annotate("segment", x = 4, xend = 4, y = 0, yend = 5, colour = kol[["rzeka"]], linewidth = 1.6) +
  geom_point(data = pkt, aes(shape = rola, colour = rola), size = 3.2, stroke = 1.1, fill = "white") +
  facet_wrap(~ panel, ncol = 2) +
  scale_fill_gradientn(colours = colorspace::sequential_hcl(7, "Blues 3", rev = TRUE), limits = c(0, 100),
                       name = "udział naszej sieci w wydatkach osiedla (%)") +
  scale_shape_manual(values = c("nasz sklep" = 15, "konkurent" = 17, "nowy sklep" = 23), name = NULL) +
  scale_colour_manual(values = c("nasz sklep" = kol[["nasz"]], "konkurent" = kol[["konkurent"]],
                                 "nowy sklep" = kol[["kandydat"]]), name = NULL) +
  coord_equal(expand = FALSE) +
  labs(x = "km", y = "km", title = "Udział naszej sieci w osiedlach",
       subtitle = "liczby: dziś – udział w %; w wariantach – przyrost w punktach procentowych") +
  motyw + theme(legend.box = "vertical", axis.text = element_text(size = rel(0.8)))
p4   # zapis: ggsave("lokalizacja-sklepu-mapa-udzialow.svg", p4, width = 10, height = 10.5)
Wynik w R
  N1   N2   K1   K2   K3   K4 
2.39 3.68 5.10 1.53 5.19 1.64 
                  A    B    C
nowy           2.76 2.87 2.11
kanibalizacja  0.90 0.95 0.70
od_konkurencji 1.86 1.93 1.41
przyrost_sieci 1.86 1.93 1.41
   A    B    C 
32.7 32.9 33.3 
      A    B    C
N1 0.33 0.22 0.41
N2 0.57 0.73 0.29

5. Bootstrap kart: Rysunek 5

Dane wejściowe: obiekty z przepisów 1–4; losuje własne próby (set.seed(652), 1000 powtórzeń).

Co odczytać: przedziały percentylowe α i β, ocenę i przedział 95% dla trzech miar w trzech lokalizacjach, odsetek prób, w których każda lokalizacja wygrywa, oraz różnicę B − A (tys. zł).

R
# Rysunek 5. Przychód nowego sklepu, kanibalizacja i przyrost sieci z niepewnością (bootstrap kart)
# Korzysta z obiektów z przepisów 1–4. Losuje: własne set.seed(652).
library(ggplot2)

set.seed(652)
B <- 1000
boot <- t(replicate(B, {
  ind <- sample(nrow(karty), replace = TRUE)                     # losowanie gospodarstw ze zwracaniem
  Nb <- unclass(table(factor(karty$osiedle[ind], levels = osiedla$osiedle),
                      factor(karty$sklep[ind], levels = sklepy$sklep)))
  pb <- optim(fit$par, ujemna_logL, Nm = Nb, method = "BFGS")$par
  c(alfa = pb[[1]], beta = pb[[2]], unlist(lapply(kandydaci$sklep, function(k) {
    b <- bilans(pb[[1]], pb[[2]], k); setNames(b, paste(k, names(b), sep = "_")) })))
}))
# Przedziały percentylowe 95% dla parametrów (porównaj z przedziałami Walda z przepisu 2)
round(apply(boot[, c("alfa", "beta")], 2, quantile, c(0.025, 0.975)), 2)
# Przychód roczny (mln zł): ocena punktowa i przedział percentylowy 95%
miary <- c("nowy", "kanibalizacja", "przyrost_sieci")
podsum <- do.call(rbind, lapply(kandydaci$sklep, function(k) do.call(rbind, lapply(miary, function(m) {
  v <- boot[, paste(k, m, sep = "_")]
  data.frame(kandydat = k, miara = m, ocena = tab[m, k] / 1e6,
             dolna = quantile(v, 0.025) / 1e6, gorna = quantile(v, 0.975) / 1e6)
}))))
print(podsum, digits = 3, row.names = FALSE)
# Jak często każda lokalizacja daje największy przyrost sieci? Różnica B − A z przedziałem
najlepsza <- apply(boot[, paste(kandydaci$sklep, "przyrost_sieci", sep = "_")], 1, which.max)
round(100 * prop.table(table(factor(kandydaci$sklep[najlepsza], levels = kandydaci$sklep))), 1)
round(quantile((boot[, "B_przyrost_sieci"] - boot[, "A_przyrost_sieci"]) / 1e3, c(0.025, 0.5, 0.975)), 1)  # tys. zł

# Rysunek 5: ocena i przedział 95% dla trzech miar w trzech lokalizacjach
podsum$miara <- factor(podsum$miara, levels = miary,
                       labels = c("przychód nowego sklepu", "zabrane własnym sklepom (kanibalizacja)",
                                  "przyrost przychodu sieci"))
podsum$kandydat <- factor(podsum$kandydat, levels = rev(kandydaci$sklep))
p5 <- ggplot(podsum, aes(ocena, kandydat, colour = miara, shape = miara)) +
  geom_errorbar(aes(xmin = dolna, xmax = gorna), width = 0.25, linewidth = 0.8, orientation = "y",
                 position = position_dodge(width = 0.6)) +
  geom_point(size = 3.2, position = position_dodge(width = 0.6)) +
  scale_colour_manual(values = c(kol[["szary"]], kol[["konkurent"]], kol[["nasz"]]), name = NULL) +
  scale_shape_manual(values = c(16, 17, 15), name = NULL) +
  scale_x_continuous(limits = c(0, NA)) +
  guides(colour = guide_legend(ncol = 1, reverse = TRUE), shape = guide_legend(ncol = 1, reverse = TRUE)) +
  labs(x = "mln zł rocznie", y = "lokalizacja",
       title = "Ile da nowy sklep – i ile zabierze naszym?",
       subtitle = "punkt – ocena z modelu; odcinek – 95% z 1000 prób bootstrapowych kart") + motyw
p5   # zapis: ggsave("lokalizacja-sklepu-przychod-bootstrap.svg", p5, width = 10, height = 6.6)
Wynik w R
      alfa beta
2.5%  1.02 1.96
97.5% 1.21 2.21
 kandydat          miara ocena dolna gorna
        A           nowy 2.758 2.716 2.796
        A  kanibalizacja 0.902 0.871 0.932
        A przyrost_sieci 1.857 1.834 1.874
        B           nowy 2.874 2.843 2.907
        B  kanibalizacja 0.947 0.919 0.974
        B przyrost_sieci 1.927 1.916 1.939
        C           nowy 2.107 2.063 2.147
        C  kanibalizacja 0.701 0.670 0.731
        C przyrost_sieci 1.406 1.377 1.429

  A   B   C 
  0 100   0 
 2.5%   50% 97.5% 
 43.2  70.9 103.6 

6. Linia prosta zamiast czasu dojazdu: Rysunek 6

Dane wejściowe: obiekty z przepisów 1–5. Niczego nie losuje.

Co odczytać: α, β, log-wiarygodność i AIC obu modeli, przychód nowego sklepu i przyrost sieci w obu modelach oraz udział przychodu sklepu B z zachodniego brzegu (%).

R
# Rysunek 6. Pułapka: odległość w linii prostej zamiast czasu dojazdu (rzeka z jednym mostem)
# Korzysta z obiektów z przepisów 1–5. Niczego nie losuje.
library(ggplot2)
library(patchwork)

# Ten sam wzór na czas (3 min + 2.4 min/km), ale z odległości w linii prostej – jakby rzeki nie było
czas_prosto <- function(ox, oy, sx, sy) 3 + 2.4 * sqrt((ox - sx)^2 + (oy - sy)^2)
T_prosto <- macierz(sklepy, czas_prosto)
fit_p <- optim(c(alfa = 0.5, beta = 1), ujemna_logL, Tm = T_prosto, method = "BFGS", hessian = TRUE)
se_p <- sqrt(diag(solve(fit_p$hessian)))
data.frame(model = c("czas dojazdu (mostem)", "linia prosta"),
           alfa = round(c(alfa_hat, fit_p$par[[1]]), 2), beta = round(c(beta_hat, fit_p$par[[2]]), 2),
           SE_beta = round(c(se[[2]], se_p[[2]]), 3), logL = round(-c(fit$value, fit_p$value), 1),
           AIC = round(2 * c(fit$value, fit_p$value) + 2 * 2, 1))
porown <- data.frame(kandydat = rep(kandydaci$sklep, 2),
                     model = rep(c("czas dojazdu (mostem)", "linia prosta"), each = 3),
                     nowy = c(tab["nowy", ], sapply(kandydaci$sklep, function(k)
                       bilans(fit_p$par[[1]], fit_p$par[[2]], k, czas_prosto)[["nowy"]])),
                     przyrost = c(tab["przyrost_sieci", ], sapply(kandydaci$sklep, function(k)
                       bilans(fit_p$par[[1]], fit_p$par[[2]], k, czas_prosto)[["przyrost_sieci"]])))
transform(porown, nowy = round(nowy / 1e6, 2), przyrost = round(przyrost / 1e6, 2))
# Skąd sklep B (wschodni brzeg) bierze klientów: udział przychodu z zachodniego brzegu
zach <- osiedla$brzeg == "zachodni"
udz_zach <- function(alfa, beta, czas) {
  sc <- scenariusz(alfa, beta, "B", czas)
  100 * sum((osiedla$potencjal * sc$P[, "B"])[zach]) / sc$przychod[["B"]]
}
c(czas_dojazdu = round(udz_zach(alfa_hat, beta_hat, czas_dojazdu), 1),
  linia_prosta = round(udz_zach(fit_p$par[[1]], fit_p$par[[2]], czas_prosto), 1))

# Rysunek 6: A – czas do sklepu B z obu metod; B – przyrost sieci w trzech lokalizacjach
dB <- data.frame(osiedla[, c("osiedle", "brzeg")],
                 prosto = macierz(kandydaci[2, ], czas_prosto)[, 1], mostem = macierz(kandydaci[2, ], czas_dojazdu)[, 1])
p6a <- ggplot(dB, aes(prosto, mostem, colour = brzeg, shape = brzeg)) +
  geom_abline(slope = 1, intercept = 0, colour = "grey50", linetype = "dashed") +
  geom_point(size = 2.8) +
  scale_colour_manual(values = c(zachodni = kol[["nasz"]], wschodni = kol[["kandydat"]]), name = "brzeg rzeki") +
  scale_shape_manual(values = c(zachodni = 16, wschodni = 17), name = "brzeg rzeki") +
  labs(x = "czas z linii prostej (min)", y = "czas przez most (min)", title = "A. Dojazd do sklepu B") + motyw
p6b <- ggplot(porown, aes(przyrost / 1e6, kandydat, colour = model, shape = model)) +
  geom_line(aes(group = kandydat), colour = "grey70", linewidth = 1) +
  geom_point(size = 3.4) +
  scale_colour_manual(values = c("czas dojazdu (mostem)" = kol[["nasz"]], "linia prosta" = kol[["konkurent"]]), name = NULL) +
  scale_shape_manual(values = c("czas dojazdu (mostem)" = 15, "linia prosta" = 17), name = NULL) +
  guides(colour = guide_legend(ncol = 1), shape = guide_legend(ncol = 1)) +
  labs(x = "przyrost przychodu sieci (mln zł / rok)", y = "lokalizacja", title = "B. Którą działkę wybrać?") + motyw
p6 <- p6a + p6b
p6   # zapis: ggsave("lokalizacja-sklepu-odleglosc-prosta.svg", p6, width = 10, height = 5.6)
Wynik w R
                  model alfa beta SE_beta    logL    AIC
1 czas dojazdu (mostem) 1.11 2.07   0.064 -3386.2 6776.4
2          linia prosta 0.97 2.10   0.066 -3447.5 6899.1
  kandydat                 model nowy przyrost
1        A czas dojazdu (mostem) 2.76     1.86
2        B czas dojazdu (mostem) 2.87     1.93
3        C czas dojazdu (mostem) 2.11     1.41
4        A          linia prosta 2.68     1.79
5        B          linia prosta 2.45     1.65
6        C          linia prosta 2.13     1.41
czas_dojazdu linia_prosta 
        28.7         37.5 

7. Sprawdzenie palety (deuteranopia, protanopia)

Dane wejściowe: pary kolorów użyte na rysunkach.

Co odczytać: odległość barw ΔE przy typowym widzeniu i w symulacji zaburzeń; para czerwony–zielony dla porównania. Pomarańczowy i cynober różnią się przy deuteranopii słabiej (ΔE 18.4), dlatego konkurent i kandydat mają też różne kształty (trójkąt i romb).

R
# Czy paleta przetrwa zaburzenia widzenia barw? Symulacja w pakiecie colorspace
library(colorspace)
pary <- list("niebieski – cynober (nasz sklep / konkurent)" = c("#0072B2", "#D55E00"),
             "niebieski – pomarańczowy (nasz / kandydat; zachodni / wschodni brzeg)" = c("#0072B2", "#E69F00"),
             "cynober – pomarańczowy (konkurent / kandydat)" = c("#D55E00", "#E69F00"),
             "szary – cynober (przychód / kanibalizacja)" = c("#999999", "#D55E00"),
             "jasnoniebieski – jasnopomarańczowy (pola schematu)" = c("#CFE3F2", "#F6C9A9"),
             "czerwony – zielony (do unikania)" = c("#E41A1C", "#4DAF4A"))
roznica <- function(k) {           # odległość barw w przestrzeni CIELAB (ΔE)
  lab <- coords(as(hex2RGB(k), "LAB")); sqrt(sum((lab[1, ] - lab[2, ])^2))
}
round(t(sapply(pary, function(k) c(widzenie_typowe = roznica(k), deuteranopia = roznica(deutan(k)),
                                   protanopia = roznica(protan(k))))), 1)
Wynik w R
                                                                      widzenie_typowe
niebieski – cynober (nasz sklep / konkurent)                                    114.6
niebieski – pomarańczowy (nasz / kandydat; zachodni / wschodni brzeg)           120.2
cynober – pomarańczowy (konkurent / kandydat)                                    33.4
szary – cynober (przychód / kanibalizacja)                                       77.2
jasnoniebieski – jasnopomarańczowy (pola schematu)                               35.4
czerwony – zielony (do unikania)                                                121.7
                                                                      deuteranopia
niebieski – cynober (nasz sklep / konkurent)                                 108.3
niebieski – pomarańczowy (nasz / kandydat; zachodni / wschodni brzeg)        121.5
cynober – pomarańczowy (konkurent / kandydat)                                 18.4
szary – cynober (przychód / kanibalizacja)                                    62.9
jasnoniebieski – jasnopomarańczowy (pola schematu)                            34.6
czerwony – zielony (do unikania)                                              21.1
                                                                      protanopia
niebieski – cynober (nasz sklep / konkurent)                                91.9
niebieski – pomarańczowy (nasz / kandydat; zachodni / wschodni brzeg)      109.3
cynober – pomarańczowy (konkurent / kandydat)                               24.9
szary – cynober (przychód / kanibalizacja)                                  56.0
jasnoniebieski – jasnopomarańczowy (pola schematu)                          29.9
czerwony – zielony (do unikania)                                            31.6

Bibliografia oprogramowania

Liczby na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (losowanie, optymalizacja optim() i bootstrap – pakiety base i stats). Rysunki wykonano w ggplot2 i złożono pakietem patchwork; pliki SVG zapisano pakietem svglite, a skale kolorów i paletę sprawdzono pakietem colorspace. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  3. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
  4. colorspace (wersja 2.1.2): Zeileis, A., Fisher, J. C., Hornik, K., Ihaka, R., McWhite, C. D., Murrell, P., Stauffer, R., & Wilke, C. O. (2020). colorspace: A toolbox for manipulating and assessing colors and palettes. Journal of Statistical Software, 96(1). https://doi.org/10.18637/jss.v096.i01
  5. svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An 'SVG' graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite

Pułapki

  • Odległość w linii prostej zamiast czasu dojazdu. Rzeka, tory czy brak zjazdu z drogi szybkiego ruchu potrafią zmienić ranking lokalizacji (rysunek 6).
  • Parametry „z literatury”. Ocena β zależy od przestrzennego układu sklepów (Fotheringham, 1983), a do tego od branży: ziemię ogrodową kupuje się blisko, po meble ogrodowe jedzie się dalej. Szacuj α i β na własnych danych.
  • Założenie IIA. Model Huffa ma postać modelu logitowego, więc w obrębie jednego osiedla nowy sklep zabiera wszystkim sklepom ten sam odsetek udziału. Przy sklepach będących bliskimi substytutami to założenie zawodzi, a testy IIA są mało wiarygodne (Cheng i Long, 2007).
  • Posiadacze kart to nie wszyscy mieszkańcy. Jeśli osoby z kartą wybierają inaczej niż reszta, α i β będą obciążone.
  • Stały rynek. Model nie przewiduje wzrostu wydatków po otwarciu sklepu.
  • Atrakcyjność to nie tylko metry. Parking, asortyment, ceny i godziny otwarcia też się liczą. Można je dodać jako kolejne czynniki z wykładnikami.

Najczęstsze pytania

Na czym polega model Huffa?

Model Huffa podaje prawdopodobieństwo, że mieszkaniec danego obszaru wybierze dany sklep: atrakcyjność sklepu (np. powierzchnia) do potęgi α razy odległość lub czas dojazdu do potęgi −β, podzielone przez sumę takich wartości dla wszystkich sklepów. Przychód sklepu to suma wydatków obszarów pomnożonych przez te prawdopodobieństwa.

Jak oszacować parametry α i β modelu Huffa?

Najlepiej metodą największej wiarygodności z danych o wyborach: dla każdej osoby znasz obszar zamieszkania i wybrany sklep, więc wybory mają rozkład wielomianowy. W R wystarczy funkcja optim() z opcją hessian = TRUE. W przykładzie z 2400 kart wyszło α = 1.11 i β = 2.07, przy wartościach ukrytych w danych 1 i 2 (Haines i in., 1972).

Jak policzyć kanibalizację nowego sklepu?

Policz przychody wszystkich sklepów sieci bez nowego sklepu i z nim. Kanibalizacja to spadek przychodu istniejących sklepów, a przyrost sieci = przychód nowego sklepu − kanibalizacja. W przykładzie sklep B miał 2.87 mln zł przychodu, ale 0.95 mln zł zabrał własnym sklepom. Po otwarciu sprawdź to na danych, np. metodą różnicy w różnicach.

Czy w modelu Huffa można użyć odległości w linii prostej?

Można, ale to ryzykowne tam, gdzie drogę wydłużają rzeki, tory czy brak mostów. W przykładzie model z linią prostą pasował gorzej (AIC 6899.1 wobec 6776.4) i zmienił ranking: działka A wyszła lepsza od B, choć w danych było odwrotnie. Używaj czasu dojazdu po sieci dróg.

Jaką niepewność ma prognoza przychodu z modelu Huffa?

Bootstrap danych o wyborach pokazuje tylko niepewność oszacowania α i β – w przykładzie przedziały były bardzo wąskie (±0.01–0.04 mln zł). Nie obejmuje błędów potencjału rynku, reakcji konkurencji ani złej miary odległości, dlatego dodaj analizę wrażliwości tych założeń.

Powiązane hasła

Przeczytaj też

Analizujesz lokalizację sklepu w pracy dyplomowej?

Pomożemy przygotować dane o osiedlach i wyborach klientów, oszacować model Huffa, policzyć przychody wariantów z kanibalizacją i niepewnością oraz opisać wyniki tak, żebyś umiał(a) je obronić.

Oferta dla studentówWyceń analizę

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Cheng, S., & Long, J. S. (2007). Testing for IIA in the multinomial logit model. Sociological Methods & Research, 35(4), 583–600. https://doi.org/10.1177/0049124106292361
  2. Efron, B. (1979). Bootstrap methods: Another look at the jackknife. The Annals of Statistics, 7(1), 1–26. https://doi.org/10.1214/aos/1176344552 ● Otwarty dostęp
  3. Fotheringham, A. S. (1983). A new set of spatial-interaction models: The theory of competing destinations. Environment and Planning A: Economy and Space, 15(1), 15–36. https://doi.org/10.1177/0308518x8301500103
  4. Haines, G. H., Simon, L. S., & Alexis, M. (1972). Maximum likelihood estimation of central-city food trading areas. Journal of Marketing Research, 9(2), 154–159. https://doi.org/10.1177/002224377200900206
  5. Huff, D. L. (1964). Defining and estimating a trading area. Journal of Marketing, 28(3), 34–38. https://doi.org/10.1177/002224296402800307
  6. Nakanishi, M., & Cooper, L. G. (1974). Parameter estimation for a multiplicative competitive interaction model: Least squares approach. Journal of Marketing Research, 11(3), 303–311. https://doi.org/10.1177/002224377401100309

Cytowania BibTeX

@article{cheng2007testing, author={Cheng, Simon and Long, J. Scott}, title={{Testing for IIA in the multinomial logit model}}, journal={Sociological Methods \& Research}, year={2007}, volume={35}, number={4}, pages={583--600}, doi={10.1177/0049124106292361}}
@article{efron1979bootstrap, author={Efron, Bradley}, title={{Bootstrap methods: Another look at the jackknife}}, journal={The Annals of Statistics}, year={1979}, volume={7}, number={1}, pages={1--26}, doi={10.1214/aos/1176344552}}
@article{fotheringham1983new, author={Fotheringham, A. S.}, title={{A new set of spatial-interaction models: The theory of competing destinations}}, journal={Environment and Planning A: Economy and Space}, year={1983}, volume={15}, number={1}, pages={15--36}, doi={10.1177/0308518x8301500103}}
@article{haines1972maximum, author={Haines, George H. and Simon, Leonard S. and Alexis, Marcus}, title={{Maximum likelihood estimation of central-city food trading areas}}, journal={Journal of Marketing Research}, year={1972}, volume={9}, number={2}, pages={154--159}, doi={10.1177/002224377200900206}}
@article{huff1964defining, author={Huff, David L.}, title={{Defining and estimating a trading area}}, journal={Journal of Marketing}, year={1964}, volume={28}, number={3}, pages={34--38}, doi={10.1177/002224296402800307}}
@article{nakanishi1974parameter, author={Nakanishi, Masao and Cooper, Lee G.}, title={{Parameter estimation for a multiplicative competitive interaction model: Least squares approach}}, journal={Journal of Marketing Research}, year={1974}, volume={11}, number={3}, pages={303--311}, doi={10.1177/002224377401100309}}
R