Tabla 1. Ejemplo de datos para aplicación de modelos gravitacionales

“La probabilité fournie par le modèle de Huff est indifféremment interprétée comme la part des individus du lieu j qui feront leurs achats en i, comme la part des achats qu'un individu fera au point d'offre (zapping) ou comme la part des achats que les individus du lieu j feront en i.”

Para dejar en claro la forma de aplicación de este modelo se considera el siguiente ejemplo, en donde se tiene tres locales (h = 1, 2, 3). En la Tabla 1 se ha consignado valores no reales para efectos de clarificar la aplicación del modelo que servirán tanto para el modelo Huff como el modelo MCI.

Tabla 1. Ejemplo de datos para aplicación de modelos gravitacionales

LOCALES AREA DEL LOCAL NIVEL DE PRECIOS CALIDAD DEL SERVICVIO

(h) (en metros cuadrados)

1 1,200 2 800

(valores más altos indican precios comparativos mayores)

7 10

(valores más altos indican un mejor servicio)

10 7

DISTANCIA AL CLIENTE POTENCIAL j

(en metros)

500 300

3 500 5 Elaboración propia 6 100

Con los datos de la Tabla 1 el modelo Huff arroja el siguiente resultado para el local 1 (tener presente que el modelo Huff toma en cuenta solamente el área del local como atracción):

��1�� = 1,200 5002

1,200 5002 + 800 3002 + 500 1002

��1�� =0.0754=7.54%

2.1.3. MCI

El Modelo de Interacción Competitiva MCI es una variación del modelo de Huff en el sentido que permite considerar más variables que la atracción y la distancia para estimar la decisión de un cliente potencial “j” por un local comercial de oferta “i”. Lo interesante es que dichas variables pueden ser de diferente tipo (Retailer, MKT, 2019).

“La fórmula permite añadir todas las variables, tanto objetivas como subjetivas que se pretenda estudiar, además de las ya conocidas de superficie de venta y distancia hasta el establecimiento.”

Así, el Modelo de Interacción Competitiva incorpora lo que se conoce como el cociente de utilidades u ofertas que es el producto de las variables que intervienen en el modelo y que definen el nivel de atracción de un local, como indica su expresión matemática que se la expone para el presente estudio con base en lo planteado por Retailer (2019):

∏�� ��=1������ �� ������

1

∑�� ℎ=1[(∏ ���� ��=1 ������ �� ℎ�� �� )]

������: Potencial de Atracción que ejerce un local “i” sobre un cliente potencial “j”.

: Operador producto. En este caso se aplica a todas las variables intrínsecas “k” que definen la atracción de los locales comerciales.

��: Cantidad de variables intrínsecas que definen la atracción de los locales comerciales. Deben ser las mismas variables para todos los locales. Por ejemplo, para el caso de centros comerciales las variables pueden ser el área de cines, el área de patio de comida, cantidad de locales; mientras que para

un local fuera de un centro comercial (como el presente caso de estudio) puede ser el área total del local, parqueaderos, variedad de productos, etc.

������: Atracción que aporta cada variable intrínseca “k” al local “i”. Es importante utilizar valores numéricos enteros positivos, ya que éstos son afectados por el valor del parámetro “s”, que se lo define a continuación. Algo muy importante también, es que estos valores deben estar normalizados para todas las variables, es decir, deben estar expresados en un mismo rango.

��: Parámetro que define cómo aporta cada variable intrínseca “k” en la Atracción o Rechazo del local “i”. Es importante comprender la aplicación de este parámetro, lo que se puede definir de la siguiente manera:

“s” positivo y grade: Aporte muy grande. Aumenta la atracción de forma considerable. “s” positivo y pequeño: Aporte pequeño. Aumenta la atracción, aunque de forma muy pequeña. “s” negativo y pequeño: Disminución pequeña. Se utiliza para variables que son contraproducentes a la atracción, como zonas de alto riesgo. “s” negativo y grande: Disminución muy grande, lo que quiere decir que con un valor “s” negativo y muy grande la variable, en lugar de aumentar la atracción, disminuye lo atractivo que es el local.

Nota: Valores “s” negativos se los utiliza en casos muy especiales para considerar el “rechazo” de los potenciales clientes a acudir al local. Por ejemplo, el caso de un centro comercial que está en un área de la ciudad que se ha trasformado en un sector de alto nivel de criminalidad.

������: Distancia desde el cliente “j” hasta el local de estudio “i”. En términos de variables espacializadas, el cliente “j” viene a ser el soporte (manzana para el presente caso).

��: Parámetro que define la influencia que tiene la distancia desde el local “i” hasta el cliente “j”. Mientras mayor es el valor de “q” menor Potencial de Atracción ejerce el local sobre el cliente. Como MCI también pertenece a la categoría de modelos gravitacionales, muchos investigadores utilizan el valor de 2 para este parámetro.

: Operador sumatoria. En este caso se aplica a todos los locales “h” que compiten en el mercado, incluido el local de estudio.

��: Cantidad de todos los locales comerciales que compiten en el mercado, incluido el local de estudio.

Al igual que en el modelo anterior, para ejemplificar la aplicación del modelo MCI se utiliza los datos de la Tabla 1 para el caso del local 1. El resultado es el siguiente:

1,2001 ∗7−1 ∗101 ��1�� =[ 5002 ] [1,2001 ∗7−1 5002 ∗101 +

1 8001 ∗10−1 3002 ∗71 ∗ 5001 ∗5−1 ∗61 1002 ]

��1�� =0.0931 =9.38%

Para ejemplificar, se ha aplicado tanto el Modelo Huff como el Modelo MCI a los tres locales cuyos datos se encuentran en la Tabla 1. Los resultados comparativos se encuentran expuestos en la Tabla 2, a continuación, en donde se puede observar que el Modelo MCI genera ciertos cambios respecto al Modelo Huff. Esto se debe a que Huff considera solamente el área del local y la distancia, mientras que MCI considera otras variables adicionales como, en este ejemplo, el precio y la calidad del servicio.