ژئومارکتینگ:برخی از ابزارهای آماری برای بازاریابی جغرافیایی

برخی از ابزارهای آماری برای بازاریابی جغرافیایی عنوان پستی که قرار است با شما به اشتراک بگذارم. امیدوارم این پست مورد پسند شما قرار گیرد.بازاریابی از ابزارهای آماری سنتی، مانند سایر رشته های علوم اجتماعی استفاده می کند. بازاریابی فضایی نیز از این قاعده مستثنی نیست، اما این رشته باید مطابق با ویژگی های مطالعه فضایی باشد و ابزارهای آماری خاصی را اتخاذ کند. رشته های دیگر مانند اقتصاد فضایی یا مردم شناسی نیز از این ابزارها استفاده می کنند. از آنجا که این کتاب قصد توسعه روشهای پیچیده ریاضی و آماری را ندارد، با این وجود لازم است چند ابزار را مرور کنیم تا از کار نقشه برداری اغلب خسته کننده بیشترین بهره را ببریم. حیف است برخی از نتایج را به دلیل عدم آگاهی از این ابزارها از دست بدهیم. برای انجام این کار، آشنایی با خود همبستگی فضایی و شاخص های مربوطه مهم است: شاخص موران، شاخص گیر. با این حال، کمتر برای تجزیه و تحلیل فضایی، خود همبستگی بیانگر همبستگی یک متغیر با خود است. این همبستگی را می توان با مقایسه مقادیر پی در پی متغیر (خود همبستگی زمانی) یا با اندازه گیری متغیر در مکان های مختلف (خود همبستگی مکانی) در طول زمان اندازه گیری کرد (Oliveau ،2017).

داده های مکانی با ناهمگونی زیادشان، که سیستماتیک است، مشخص می شود، در حالی که داده های زمانی کمتر با این نوع دشواری مواجه می شوند (Jayet، 2001).

بین ناهمگونی اندازه (موجودات جغرافیایی مانند شهرها، مناطق یا کشورها از نظر اندازه بسیار متنوع هستند)، ناهمگونی شکل (مناطق دارای خطوط یکسان نیستند)، ناهمگونی موقعیت (منطقه شمالی و منطقه جنوبی اندازه و شکل یکسان قابل مقایسه نیست)، ناهمگونی ساختار از نظر صلاحیت، فعالیت اقتصادی یا اندازه موسسات (Jayet،2001). بنابراین مناسب است که از ابزارهای خاصی مانند اندازه گیری خود همبستگی برای اندازه گیری این ناهمگونی استفاده شود.

موران I (موران،1950) و Geary’s C (Geary،1954)، که به عنوان نسبت مجاورت Geary نیز شناخته می شوند، ابزارهای اصلی اندازه گیری همبستگی خودکار و موارد زیر هستند.

فرمول ها بازنویسی شده اند (کلیف و ارد، 1973). در اینجا فهرست I Moran’s I (Oliveau،2017) آمده است:

ܫ = ݊/* Σ௜ Σ௝ ݓ௜௝ሺݖ௜ -ሻ 5ݖ௝ -9

݉

جایی که

Σ௜ሺݖ௜ -ሻ ²

• ziو zj مختصات موجودات جغرافیایی هستند.
• ziمقدار متغیر برای موجودیت i است که میانگین آن ݖ̅ است ؛
• مننهاد جغرافیایی است ؛
• jهمسایه موجودیت i است ؛
• nتعداد کل واحدهای جغرافیایی در نمونه است.
• مترمجموع جفت همسایه است.
• w ماتریس وزنی است که عناصر آن، برای مثال، مقدار 1 برای i، j و 0 همسایه را در غیر این صورت می گیرد.

فرمول I موران تفاوت بین نسبت ارزش یک متغیر مربوط به یک فرد را به میانگین این مقادیر و نسبت ارزش یک متغیر یکسان برای افراد همسایه به میانگین یکسان مقایسه می کند. این شاخص I این مقادیر را بین –1 (خود همبستگی منفی فضایی) و 1+ (خود همبستگی مثبت فضایی) می گیرد. اما مقدار I می تواند از 1 فراتر رود یا از -1 کمتر باشد (Oliveau،2011). اندازه گیری غیر صفر این شاخص یک اثر متقابل بین فضاهای نزدیک را نشان می دهد:

• اگر I> 0 باشد، فضاهای مجاور اندازه های متغیری مشابه دارند.
• اگر I <0 باشد، به معنای عدم وجود تغییرات قابل توجه یا مقادیر متفاوت است.
• اگر من نزدیک به 0 باشم، هیچ همبستگی مکانی منفی یا مثبت وجود ندارد.

اما اندازه گیری این شاخص I بدون انتقاد نیست و ممکن است ساختارهای فضایی را به وضوح منعکس نکند. اندازه گیری موران I (Oliveau،2011) سه محدودیت دارد:

– اندازه گیری خود همبستگی فضایی به دست آمده از موران I برخلاف Geary’s C جهانی است که اندازه گیری محلی خود همبستگی فضایی را ارائه می دهد. این ویژگی جهانی موران I می تواند نه به یک ساختار مکانی دقیق، بلکه به دو پیکربندی فضایی متفاوت منجر شود:

• پیکربندی برجسته قطب مرکزی ؛
• وجود دو قطب محیطی ؛
• موران 1 انحراف از میانگین را بدون نگاه به افراد همسایه، اما با مقادیری نزدیک به میانگین در نظر می گیرد.
• من موران از یک طرف به سطح مشاهده و از سوی دیگر به حالت محله انتخاب شده حساس است.

موران اول انسجام مکانی زنجیره ای از فروشگاه ها را با اندازه ای از پوشش منطقه ای شبکه توسط آنتروپی نسبی اندازه گیری کرد (رولنس 2003). تأثیر زمان بر وابستگی فضایی با داده های مربوط به قیمت ملک برآورد شده است (Devaux و Dubé ،2016).

بار دیگر، مورن 1 این نقص را دارد که وقتی به ساختارهای فضایی در مناطق کوچک نگاه می کنیم بیش از حد جهانی است (Brunet و Dollfus،1990)، که مستلزم استفاده از شاخص C Geary است. شاخص Geary C (Geary 1954) نیز برای اندازه گیری خود همبستگی فضایی مورد استفاده قرار می گیرد و به شرح زیر (Oliveau،2017) پس از بازنویسی (Cliff و Ord ،1973) ارائه می شود:

ܥ =ሺ݊ – 1ሻൗ      * Σ௜ Σ௝ ݓ௜௝ 5ݖ௜ -௝ 9²

2݉     Σ௝ሺݖ௜ -ሻ ²

جایی که

– ziو zj مختصات موجودات جغرافیایی هستند.

– ziمقدار متغیر برای موجودیت i است که میانگین آن ݖ̅ است ؛

– مننهاد جغرافیایی است ؛

– jهمسایه موجودیت i است ؛

– nتعداد کل واحدهای جغرافیایی در نمونه است.

– مترمجموع جفت همسایه است.

– w ماتریس وزنی است که عناصر آن، برای مثال، مقدار 1 برای i، j و 0 همسایه را در غیر این صورت می گیرد.

بر خلاف I موران، مقدار C Geary می تواند یک همبستگی مثبت مثبت را اگر کمتر از 1 (حداقل 0)، یک همبستگی منفی منفی با مقدار بزرگتر از 1 (حداکثر 2) یا عدم وجود همبستگی خودکار در صورت نیاز نشان دهد. ارزش 1. درجه اول موران و جری به عنوان مثال، برای بررسی توزیع فضایی مشاغل در خدمات عمومی در 124 منطقه اروپا (رودریگز و کاماچو،2008). استفاده مکرر از این شاخص ها نشان داده است که Moran’s I قوی تر از Geary’s C است (Jayet،2001) و به همین دلیل بیشترین کاربرد را دارد. با این حال، هدف تحقیق باید در نظر گرفته شود و اگر بیشتر بر کشف ساختارهای فضایی کوچک متمرکز شود، Geary’s C مناسب تر خواهد بود.

این شاخص ها در درجه اول به عنوان آزمایش هایی برای ارزیابی وجود یا عدم وجود همبستگی خودی فضایی مورد استفاده قرار می گیرند، که فقط دارای ارزش مجانبی هستند، به این معنی که تنها با حجم زیادی از داده ها می توان از آنها استفاده کرد (Jayet،2001).

ضریب جینی (Gini،1921) یا شاخص غلظت جینی، توزیع درآمد و ثروت را در یک جمعیت معین اندازه گیری می کند. به طور گسترده ای در کارهای تحقیقاتی مورد استفاده قرار می گیرد و تغییرات زیادی را متحمل شده است (Giorgi and Gigliarano 2017). گاهی اوقات هنگام بررسی جمعیت مورد مطالعه در یک فضای مشخص، به کار اندازه گیری خود همبستگی متصل می شود. ضریب جینی در واقع نابرابری دستمزد را اندازه گیری می کند و از 0 متغیر است، وضعیتی که بین همه دستمزد ها تساوی کامل وجود دارد و 1 وضعیت تا حد ممکن نابرابر است، به عبارت دیگر، در حالی که همه دستمزد به جز یک صفر است. هر چه ضریب جینی بیشتر باشد، نابرابری بیشتری در توزیع دستمزد وجود دارد.

1.4.2.3. سیستم های شبیه سازی

شبیه سازی فضایی بر اساس سیستم های چند عاملی (MAS) یا مدل های مبتنی بر عامل (ABM) (Amblard و Phan،2006؛ Banos وهمکاران،2015) بر اساس هوش مصنوعی (AI) و زندگی مصنوعی است. هوش مصنوعی هوش را با استفاده از ماشین ها و نرم افزار شبیه سازی می کند (مینسکی،1986). زندگی مصنوعی (هئودین،1997) بر اساس زیست تقلیدی است، یعنی بازتولید پدیده های بیولوژیکی با شبکه های عصبی، الگوریتم های ژنتیک، خودکارهای سلولی که توسط شبکه های منظم نمایش داده می شوند و برای تعریف مدل های شبیه سازی فضای شهری استفاده می شود (لانگوئیس و فیپس،1997). سیستمهای چند عاملی (MAS) در ارتباط با فعالیتهای خرده فروشی به طور گسترده در مدیریت لجستیک استفاده شده است (Li وSheng،2011 ؛ He وهمکاران،2013؛ Heppenstall وهمکاران،2013).

برگرفته از کتاب:

ژئومارکتینگ (بازاریابی مکان‌محور)

چطور با فاکتور مکان، سودآوری کسب و کارمان را افزایش دهیم؟

مترجم:دکتر سعید جوی زاده،مهندس زینب زرگری