基于移动通信数据的商场综合体选址高维度动态决策模型

兰海翔， 李卫群， 张涛， 雷厚宇， 杨启帆， 黄纪萍

(贵州力创科技发展有限公司， 贵州 贵阳 550003)

0 引言

20世纪90年代以来，全球经济进入一体化的新时期，各国飞速发展的经济，推动房地产市场的繁荣与发展，提升人们的生活水平。面对日益发展的社会经济，居民的物质欲望与商品需求不断增长，城市对于商场综合体的需求越来越大，因此需要建立一个决策模型，实现对商场综合体选址的决策[1]。

国外关于商场综合体选址方面的研究，起源于20世纪初始阶段，经过不同学派和学者的深入研究，将商场综合体选址理论和城市空间结构相结合，其中美国学者格蒂斯，在1961年重点研究了地价与城市商业活动区位的关系，发现商场销售额，随着离城市商业中心和地价最高处越来越远，且呈递减状态。而在1980年，道森将市场经济与商业地理带上了新的高度，从更宽广的角度探讨商场销售与商业地理的空间关系，这些传统的决策模型或方法，都对当时商场综合体选址做出了巨大贡献。

而国内在20世纪初期和中期，正处于内忧外患的战争阶段，无暇顾及商业经济带来的社会变革，因此对于商场综合体的选址也不甚关心。中华人民共和国成立以后随着国家性质的转变，杨吾扬利用克里斯塔勒理论，对中心城市进行了实证分析，将商业中心区域按照商业吸引力划分等级，以此作为今后商场综合体选址的参考依据[2]。

但随着经济体制不断变化，城市一体化水平不断提升，传统的决策模型已经不适用于现阶段的商场综合体选址决策，因此，需要研究基于移动通信大数据的商场综合体选址决策模型，根据移动通信大数据覆盖范围广、获取便利、数据相互关联程度高等特点，构建一个可以进行高维度动态决策的模型，为城市中商场综合体的建设与发展提供可靠的决策手段，为国家综合国力的提升，提供更完善的技术支持[3]。

1 设计决策模型指标选取架构

构建性能更好的决策模型之前，需要设计一个选址指标体系选取框架，以此作为决策模型的构建思路。在现代城市的飞速发展下，商场综合体选址不应离开人口密集区和城市中心经济圈，因此设计的决策模型指标体系选取架构，要充分考虑4项影响指标[4-5]，该架构如图1所示。

图1 决策指标选取架构示意图

按照上述决策模型架构，结合移动通信大数据的功能特点，以分析商圈附近及周围关联地区、客户流动特征和行为特征为目的，构建商场综合体选址决策模型。

2 基于移动通信大数据的商场综合体选址高维度动态决策模型构建方法

2.1 基于移动通信大数据预测人口流动性

人口流动性作为商场综合体选址的关键性指标，需要利用移动通信大数据对该指标进行预测。而人口流动性的预测，需要从两方面入手，移动通信大数据预测人口流动性的两个方向[6-7]如表1所示。

表1 人口流动性预测方向

利用移动通信大数据，获取表1中人口流动性预测数据，采用信息增益法分析城市中，动态变化的人口流动状态[8]。假设一个随机变量为U，它的可能取值有n种，分别为u1,u2,…,un，变量U对应的概率分布为式(1)。

P(U=ui)=pi

(1)

其中，P表示概率；i=1,2,…,n，表示随机变量n种取值中的任意一种。此时U的熵定义为式(2)。

(2)

式中，S(U)表示U的熵。而信息增益就是进行人口流动性预测前与预测后的熵的差值，即式(3)。

k(U,A)=S(U)-S(U|A)

(3)

式中，S(U|A)表示预测后的熵[9-10]。当k值减少的程度越大时，代表该预测产生的分类结果越好，信息增益值就越大。因此在人口流动性预测时，利用该方法获取移动通信大数据中不同口径的人口流动性，实现模型对商场综合体选址的初步决策。

2.2 高维度分析客户行为特征设置决策变量

根据预测的人口流动性，设计该模型的高维度分析方式，通过该分析获取客户行为特征。统计预测的人口流动性结果，某一城市中，人口流动性最丰富的一组预测结果[11-12]，如图2所示。

图中，A、B两点为最大人口流动线路的起始点和终止点；C、D是这条线路上的两处商业建筑区。图2是高维度分析法，将地图软件与分析软件关联后的分析结果。根据图中的线路可知，人口流动具有一定的规律性，因此按照图2中的数据来源，利用高纬度数据仓库，设计决策模型的预处理流程，实现对客户行为特征的分析，可视化的形式如图3所示[13]。

图2 人口流动性线路图

图3 客户行为特征高维度分析结果

图3是一天中，从早上8点至晚间10点的人口热力分析图，从图中可以看出，受C、D商业建筑区的影响，此条线路中的客户一直按照该线路活动，可见设计的高维度动态决策模型，需要通过高维度分析，获取客户行为特征，实现移动通信大数据下，商场综合体选址的决策参数的设置[14]。假设图3中的所有商业集群用Ai表示，每一商业区为a1,a2,…,an，其中i∈n，表示商业集群中所有商业区域的数量。则该线路对客户的吸引力计算式为式(4)。

(4)

式中，x表示吸引力；α表示商业场所的权重因子；d表示距离；γ表示偏离距离权重因子；Δa表示在城市发展中，增加或减少的商业区。该吸引力指标，即为客户行为特征分析下动态决策模型的决策变量，根据该变量，构建商场综合体选址动态决策模型[15]。

2.3 构建商场综合体选址高维度动态决策模型

依据设置的决策变量，构建商场综合体选址高维度动态决策模型，该模型的构建流程[16]如图4所示。

图4 决策模型构建流程示意图

上述流程中的前4步流程已经实现，因此构建判断矩阵，确定决策系数。假设判断矩阵用W表示，则有W=(Wij)m×n，其中Wij表示影响因素i和影响因素j相对于决策目标而言的重要值；m、n表示维度[17-19]。则该判断矩阵描述如表2所示。

表2 决策模型判断矩阵

表中，k∈m,n，是(Wij)m×n中的任一数据。而决策系数是判断矩阵的相对一致性指标，计算式为式(5)。

(5)

式中，φ表示矩阵判断结果；c表示数量；CI表示一致性指标；RI表示平均随机一致性指标[20]。根据式(5)计算结果确定决策模型的决策系数，通过模糊变换得到最终的选址结果，至此在移动通信大数据作用下，商场综合体选址的高维度动态决策模型构建完毕。

3 案例实证分析

提出仿真实验，分析本次构建的决策模型，在工程化实际应用中的使用效果，为了确保测试结果真实可信，将3种传统商场综合体选址决策模型作为比较对象，分析不同决策模型对商场综合体选址的影响效果。

3.1 构建验证案例

搭建仿真实验环境，使用Spark集群，并在用户端安装Spark-Client，令所有实验测试模型都可以正常运行自己的决策算法。随机选择一个城市作为工程化应用测试对象，该城市的商圈如图5所示。

图5 实验测试商圈示意图

统计该城市中，所有标志性建筑区域的信息，同时调查这些区域周围的城市概况，如表3所示。

以上述参数为依据，利用仿真实验环境构建的4组决策模型，对该地区的商场综合体选址进行决策，并根据决策结果进行实地分析。

3.2 工程化应用结果与分析

实验将本次研究的决策模型作为实验组，将3种传统商场综合体选址决策模型分别作为对照组1、对照组2以及对照组3。结合表3中的数据进行实验，4组选址结果如图6所示。

表3 实验测试对象基本概况

根据上述4组测试结果可知，在同样的城市背景下，4个决策模型得出了全然不同的测试结果，比较商场综合体的选址结果。实验组的选址位置，充分考虑了商圈位置、交通位置和人口密集区，将新的商场综合体选址位置，设置在符合上述要求的区域内。而其他3个对照组，其决策模型忽视了人口流动性和行为特征等因素，对照组1的选址位置虽然有可取之处，但相较于实验组而言，不够接近商圈密集区，能够吸引的客流量少于实验组；对照组2和对照组3，则极度单一，没有考虑商圈内，客流量的流动性和商场的吸引力，致使2个决策模型没有建立起一个高维度的动态决策思维，导致最终的选址位置不是最优。为了令实验结果更加详细，在该实验测试商圈中，随机选择100名群众进行调查，比较商业圈中的流动群众，对4个选址结果的喜爱程度，调查结果如表4所示。

(a) 实验组选址结果

(c) 对照组2的选址结果

表4 实地调查对比结果/人 单位：人

从上述调查结果中可以明显看到，100名调查对象会经常去的商场，是实验组决策模型决策下的选址结果，而其他3个对照组决定的商场综合体选址，大多数调查对象都选择极少去或不会去这一选项。综合上述实验测试结果，可知本次研究的决策模型，得到的决策方案最优，为投资商进行商场综合体选址提供了案例借鉴。

4 总结

研究提出的商场综合体选址高维度动态决策模型，以移动通信大数据多样性、实时性等特点为依托，充分考虑了城市中人口流动的特点，以此鉴别客户行为，增强决策模型的感知与思考能力。在多次试验论证下，证明了此次研究的决策模型得到的商场综合体选址最优，满足商场建设目的的同时，符合真实情况。但该模型只是针对商场综合体选址进行决策的，今后的研究与发展，可以将该模型改进，应用于不同功能或用途的商业建筑选址决策中。