EssayAI
Блог
Блог
Гуманитарные науки

Модель Хаффа: формула и пример расчёта

8 ноября 2026Время чтения: 8 минут
#модель хаффа#торговая зона#геомаркетинг#пространственная конкуренция#вероятность выбора
Модель Хаффа: формула и пример расчёта

Модель Хаффа - способ оценить вероятность того, что покупатель из определённого района выберет конкретный магазин среди конкурирующих точек. Она сопоставляет привлекательность каждого магазина с затратами на поездку: крупный торговый центр может притянуть людей издалека, но близость небольшого магазина тоже имеет значение. Результат зависит от всех включённых альтернатив. В калькуляторе ниже можно изменить расстояние до одного из двух магазинов и посмотреть, как перераспределяются вероятности.

Как работает модель Хаффа

Представим район, жители которого выбирают между несколькими торговыми центрами. Модель сначала присваивает каждому центру вес привлекательности с учётом расстояния, а затем делит этот вес на сумму весов всех доступных центров. Вероятность выбора - относительная величина: одна и та же точка может получить меньшую долю после появления сильного конкурента, даже если её собственные характеристики не изменились.

В отличие от жёсткой схемы «каждый идёт в ближайший магазин», модель допускает пересечение торговых зон. Один житель может предпочесть близкую точку, другой - более крупную и далёкую. Дэвид Хафф исследовал вероятностное определение торговой зоны в статье 1964 года. Это модель пространственного взаимодействия, а не закон, который гарантирует поведение каждого человека.

Расстояние до магазина А увеличивается с 2 до 4 км и возвращается обратно: его расчётная доля падает с 50 до 20 %, а доля магазина Б растёт.

Формула и смысл показателей

Для района ii и магазина jj распространённая форма модели записывается так:

Pij=Sjα/dijβ∑k=1nSkα/dikβ.P_{ij}=\frac{S_j^{\alpha}/d_{ij}^{\beta}}{\sum_{k=1}^{n}S_k^{\alpha}/d_{ik}^{\beta}}.

Здесь PijP_{ij} - вероятность выбора магазина jj покупателем из района ii среди nn включённых вариантов; SjS_j - показатель привлекательности магазина; dijd_{ij} - расстояние или время поездки. Параметр α\alpha задаёт влияние привлекательности, а β\beta при положительном значении - силу уменьшения веса с расстоянием. Знаменатель складывает веса всех рассматриваемых магазинов. Такая запись используется, например, в описании пространственной модели Esri.

При α=1\alpha=1 и β=2\beta=2 вес равен Sj/dij2S_j/d_{ij}^2. Если расстояние до одного магазина удвоится, его вес уменьшится в четыре раза; вероятность при этом уменьшится не обязательно в четыре раза, потому что изменится и общий знаменатель. При β=0\beta=0 расстояние в этой форме на результат не влияет. При положительном β\beta нулевое расстояние недопустимо: деление на ноль требует отдельного решения, например обоснованного минимального времени поездки.

Модель выдаёт числа от нуля до единицы, которые в пределах заданного набора альтернатив складываются в единицу. По смыслу это условная вероятность: выбор рассматривается при заданном наборе магазинов, характеристик и параметров. Если часть покупателей заказывает товары онлайн или не совершает покупку, эти варианты нужно отдельно учесть либо явно ограничить интерпретацию результата.

Пример расчёта для двух магазинов

Пусть привлекательность измеряется торговой площадью. У магазина А она равна 4 000 м², у магазина Б - 9 000 м². От рассматриваемого района до них соответственно 2 и 3 км. Возьмём α=1\alpha=1, β=2\beta=2 и вычислим веса:

WA=400022=1000,WB=900032=1000.W_A=\frac{4000}{2^2}=1000, \qquad W_B=\frac{9000}{3^2}=1000.

Сумма весов - 2 000. Значит, PA=1000/2000=0,5P_A=1000/2000=0{,}5, а PB=1000/2000=0,5P_B=1000/2000=0{,}5. Несмотря на большую площадь Б, его дополнительное расстояние в этом примере уравновешивает преимущество: каждому магазину соответствует 50 %. Это искусственные учебные данные, а не наблюдения реальных покупателей.

Два магазина имеют одинаковый вес 1000 и получают по 50 процентов вероятности выбора
Два магазина имеют одинаковый вес 1000 и получают по 50 процентов вероятности выбора

Теперь увеличим только расстояние до А до 4 км. Его вес станет 4000/42=2504000/4^2=250, вес Б останется 1 000. В новой сумме 1 250 доля А составит 250/1250=20%250/1250=20\%, а доля Б - 1000/1250=80%1000/1250=80\%. Для проверки полезно сложить доли: сумма должна быть 100 % с точностью до округления. Если нужно перевести их в углы диаграммы, пригодится разбор задач на круговую диаграмму.

От вероятностей к торговой зоне и продажам

Одного района недостаточно для карты. Территорию разбивают на районы или ячейки, для каждого находят расстояние до всех конкурентов и рассчитывают вероятности. Затем на карту наносят линии равных вероятностей или сравнивают доли по ячейкам. Торговая зона в таком представлении не обязана иметь одну естественную границу: например, исследователь может показать районы с вероятностью выбора выше 50 % и отдельно районы с более низкой вероятностью. Порог следует назвать явно.

Чтобы получить условный потенциал продаж магазина, вероятность из каждого района умножают на годовые расходы его жителей в нужной товарной категории и складывают результаты:

Rj=∑iEiPij,R_j=\sum_i E_i P_{ij},

где EiE_i - расходы района, а RjR_j - оценка потенциальных расходов в магазине. Если в одном районе расходы составляют 10 млн рублей в год и вероятность выбора А равна 50 %, вклад района в оценку - 5 млн рублей в год. Это не прибыль: здесь нет затрат, налогов и других статей. Даже как оценка выручки результат требует проверки, в частности охвата конкурентов и доли расходов вне рассматриваемой сети точек. Документация Esri о модели Хаффа описывает использование вероятностей для оценки рыночного потенциала.

Какие данные нужны для применения

Привлекательность не обязана равняться площади: в зависимости от задачи используют ассортимент, число парковочных мест, цены и другие признаки. Важно выбрать измеряемые показатели, соответствующие товарной категории, и не смешивать их без объяснения. Площадь может быть хорошим приближением для одних центров и плохим для специализированных магазинов. Несколько факторов можно включить в расширенную мультипликативную модель, но тогда каждый параметр потребует обоснования.

Расстояние по прямой удобно для учебного примера, однако реальная поездка проходит по сети дорог и зависит от мостов, транспорта и пробок. Время в пути иногда лучше отражает усилие покупателя. Все точки в одном расчёте следует сравнивать в одинаковых единицах и по одной методике. При одинаковом положительном масштабировании всех расстояний вероятности не изменятся, но смешение километров и минут для разных магазинов делает сравнение бессмысленным.

Не менее важен список альтернатив. Исключение заметного конкурента искусственно перераспределит его долю между оставшимися магазинами. Данные о населении и расходах тоже должны относиться к нужной территории, периоду и категории товаров; общий доход района нельзя автоматически считать бюджетом на конкретный товар.

Калибровка и проверка результата

Показатели α\alpha и β\beta не универсальны. Для покупки повседневных продуктов и редкой поездки за мебелью чувствительность к дороге может различаться. Калибровка подбирает параметры по наблюдаемым данным о посещениях или покупках, характеристикам точек и поездкам. В документации по калибровке Esri описан такой подбор показателей по существующим объектам и клиентам.

Чтобы оценить качество, параметры подбирают на одной части данных, а прогноз сравнивают с независимыми наблюдениями. Сравнивайте ошибки по районам, а не только общую сумму: хороший итог может скрывать сильные локальные промахи. Проверьте несколько наборов конкурентов и сценариев поездки. Методы отбора факторов в регрессии помогают продумать выбор признаков, хотя сама форма оценки зависит от имеющихся данных и модели. Для понимания работы с нелинейными зависимостями полезен разбор линеаризации регрессии: преобразование формулы само по себе ещё не доказывает, что модель подходит данным.

Даже откалиброванная модель не доказывает причинность. Сеть могла открыть магазин там, где спрос уже был высок; площадь также может сопровождаться лучшим ассортиментом или рекламой. Расчёт полезен для сравнения сценариев, но решение о площадке стоит сопоставить с наблюдениями, экономикой проекта и проверкой чувствительности к допущениям.

Частые ошибки

  • Делить вес только на собственный показатель. В знаменателе нужны веса всех рассматриваемых альтернатив для одного района.
  • Считать вероятность гарантией. Доля описывает модельное распределение выбора, а не действия конкретного человека.
  • Забывать конкурентов и покупки вне модели. Тогда проценты относятся лишь к оставшемуся набору вариантов.
  • Подставлять нулевое расстояние в степенную формулу. Нужно заранее определить обоснованный способ обработки такой точки.
  • Принимать условные параметры за измеренные. Учебное β=2\beta=2 не заменяет калибровку на данных.

FAQ

Что показывает модель Хаффа?

Она оценивает вероятность выбора каждой точки из заданного набора с учётом её привлекательности, расстояния и характеристик конкурентов. Результат применим к конкретному району и выбранным предпосылкам.

Может ли более далёкий магазин получить большую долю?

Да. Его преимущество по привлекательности может перевесить дополнительное расстояние. Насколько именно, зависит от показателей α\alpha и β\beta и от других альтернатив.

Равна ли вероятность доле рынка?

В простом агрегированном расчёте её используют как ожидаемую долю соответствующих расходов района при принятых допущениях. Фактическая доля продаж может отличаться: люди покупают в нескольких местах, а часть каналов и факторов может отсутствовать в модели.

Коротко

Модель Хаффа нормирует веса магазинов, зависящие от привлекательности и расстояния, и позволяет оценивать перекрывающиеся торговые зоны. В примере с площадями 4 000 и 9 000 м² и расстояниями 2 и 3 км веса равны, поэтому доли составляют по 50 %. Для практического прогноза нужны полный набор альтернатив, подходящие данные и проверка откалиброванных параметров.

Доверьте текст нейросети EssayAI

Открыть EssayAI

Бесплатно, на русском языке и без VPN

Читайте также

Модель Хотеллинга: линейный город и конкуренция

Модель Хотеллинга: линейный город и конкуренция

Модель Хотеллинга объясняет конкуренцию через расположение и цену. Разбираем линейный город, границу спроса, равновесие цен и ограничения модели на примере.

8 ноября 20268 минут
ABC-анализ запасов: расчёт и пример

ABC-анализ запасов: расчёт и пример

ABC-анализ запасов по стоимости годового расхода: формулы, пример с накопленными долями, правило границ групп A, B и C и применение результатов на складе.

8 ноября 20268 минут
Абсолютное преимущество Смита: пример и расчёт

Абсолютное преимущество Смита: пример и расчёт

Абсолютное преимущество Смита простыми словами: как сравнить затраты труда, рассчитать выигрыш от специализации и отличить его от сравнительного преимущества Рикардо.

8 ноября 20268 минут
Аддитивная факторная модель: формула и пример расчёта

Аддитивная факторная модель: формула и пример расчёта

Аддитивная факторная модель в экономике: как разложить показатель на слагаемые, рассчитать вклад каждого изменения и проверить результат на примере прибыли.

8 ноября 20269 минут
Аналитическое выравнивание ряда по прямой: пример

Аналитическое выравнивание ряда по прямой: пример

Как выровнять динамический ряд по прямой методом наименьших квадратов: кодировка времени, расчёт коэффициентов, таблица уровней, проверка остатков и пример прогноза на следующий период.

8 ноября 20269 минут
Анализ чувствительности инвестиционного проекта

Анализ чувствительности инвестиционного проекта

Как провести анализ чувствительности инвестиционного проекта: расчёт NPV, сравнение факторов, порог выручки и ограничения однофакторной модели на числовом примере.

8 ноября 20268 минут