نقش محیط شهری و ادراک انسانی در رقابت مکانی خرده‌فروشی‌های سنتی: تحلیل غیرخطی فرمت‌های سبک‌دارایی و سرمایه‌بر در شنژن

خلاصه سریع برای خواننده

• یک مطالعه مشاهده‌ای در شنژن (چین) نشان می‌دهد که فرمت‌های سبک‌دارایی (مثلاً فروشگاه‌های زنجیره‌ای کوچک یا convenience stores) و فرمت‌های سرمایه‌بر (مثلاً سوپرمارکت‌های بزرگ و مراکز خرید) از الگوهای مکانی متفاوتی پیروی می‌کنند.
• پژوهش با ترکیب داده‌های مکانی چندمنبع و روش‌های یادگیری ماشین (XGBoost) و تفسیر (SHAP، PDP) الگوهای غیرخطی و تعاملات بین ویژگی‌های شهری و ادراک انسانی را کمّی‌سازی کرد.
• ادراک انسانی (شاخص‌های سطح خیابان) نقش محوری دارد و تا حدود 28.95% از اهمیت توضیحی را به خود اختصاص می‌دهد؛ اثرات آن اغلب آستانه‌ای (threshold-dependent) است.
• فرمت‌های سرمایه‌بر به هاب‌های با بازدهی بالا و شرایط زیباشناختی و دسترسی بهتر تکیه دارند، در حالی که فرمت‌های سبک‌دارایی گسترده‌تر پخش می‌شوند و به مجاورت خدمات و تراکم رقابت حساس‌ترند.
• نتایج برای برنامه‌ریزان شهری و مدیریت تجاری نشان‌دهنده لزوم رویکردهای متناسب با فرمت و توجه به آستانه‌های محیطی و ادراکی است؛ اما تعمیم‌پذیری و علیت محدود است.

مقدمه

در اقتصاد شهری معاصر، موقعیت جغرافیایی فروشگاه‌ها و مراکز تجاری عامل کلیدی برای بقا و رقابت است. با تغییر الگوهای مصرف و بازآفرینی شهری، تفاوت میان فرمت‌های سبک‌دارایی (light‑asset مثل فروشگاه‌های کوچک با سرمایه محدود در ملک) و فرمت‌های سرمایه‌بر (capital‑intensive مثل مراکز خرید بزرگ) برجسته‌تر شده است. مطالعه‌ای که در سال ۲۰۲۶ در PLOS One منتشر شد، با تمرکز بر شهر شنژن در چین، تلاش کرده است تا از طریق مجموعه‌ای از روش‌های پیشرفتهٔ تحلیل مکانی و یادگیری ماشین، تعاملات پیچیده بین ویژگی‌های عینی محیط شهری و ادراک انسانی را در تعیین چگالی مکانی این دو گروه خرده‌فروشی بررسی کند.

چرا این پرسش مهم است؟

شناخت «منطق مکانی» هر فرمت خرده‌فروشی برای برنامه‌ریزان شهری، سرمایه‌گذاران و زنجیره‌های خرده‌فروشی اهمیت دارد. این شناخت به تعیین مکان‌های مناسب برای توسعه، حمایت از تنوع کاربری‌ها و تنظیم سیاست‌های کاربری زمین کمک می‌کند. علاوه بر این، ادغام شاخص‌های ادراکی خیابان (مثل کیفیت منظر، فعالیت پیاده‌روی) با شاخص‌های عینی (دسترسی، تراکم تجهیزات) می‌تواند تصویر کامل‌تری از عوامل جذب‌کننده یا دفع‌کننده مشتریان ارائه دهد.

منابع داده و روش‌ها

پژوهش از داده‌های مکانی چندمنبع بهره برد: نقشه‌های کاربری زمین، شبکهٔ حمل‌ونقل، موقعیت فروشگاه‌ها، شاخص‌های خدماتی و داده‌های برداشت سطح خیابان برای سنجش ادراک انسانی. برای تحلیل، محققان از یک چارچوب یکپارچه استفاده کردند که شامل:

• XGBoost برای مدل‌سازی پیش‌بینی و شناسایی اهمیت ویژگی‌ها با ظرفیتِ ضبط روابط غیرخطی و تعامل‌ها.
• SHAP (SHapley Additive exPlanations) برای تجزیه و تبیین نقش هر ویژگی در پیش‌بینی مدل و درک جهت و اندازهٔ اثرات.
• Partial Dependence Plots (PDP) برای نمایش اثرات میانگین هر متغیر بر پیش‌بینی‌ها و شناسایی نقاط آستانه.
• Interpretive Structural Modeling (ISM) و Bayesian Networks (BN) برای بررسی مسیرهای ساختاری و احتمال‌های ترتیبی-شرطی که به سمت خوشه‌بندی مکانی منجر می‌شوند.

این ترکیب روش‌ها امکان بررسی هم‌زمان اثرات غیرخطی، تعاملات پیچیده و مسیرهای احتمالی را فراهم آورد.

یافته‌های کلیدی

الگوهای متفاوت بین دو فرمت

نتایج نشان داد که:

• فرمت‌های سبک‌دارایی (مثلاً فروشگاه‌های کوچک) در مناطق گسترده‌تری پراکنده‌اند و به عوامل مانند شدت رقابت محله‌ای، نزدیکی به خدمات روزمره و ترکیب ادراکی محیط پاسخ می‌دهند. این فرمت‌ها معمولاً از شبکه‌های محلی و ترافیک پیاده بهره می‌برند.
• فرمت‌های سرمایه‌بر (مراکز بزرگ) در هاب‌های متمرکز و با بازدهی بالا تجمع پیدا می‌کنند. عوامل تعیین‌کننده برای این فرمت شامل دسترسی حمل‌ونقل (ایستگاه‌های مترو، راه‌های اصلی)، شبکهٔ امکانات و کیفیت زیباشناختی محیط بالاتر از حد آستانه مشخص است.

نقش ادراک انسانی

شاخص‌های ادراکی که از تصاویر سطح خیابان و ارزیابی‌های انسانی استخراج شده بودند، تا حدود 28.95% از اهمیت توضیحی برای چگالی فروشگاه‌ها را شامل می‌شدند. افزون بر این، اثر ادراک اغلب آستانه‌ای بود؛ به این معنی که تنها پس از عبور از یک سطح معینِ کیفیت ادراکی، احتمال جذب فرمت سرمایه‌بر به‌طور ملموسی افزایش می‌یافت.

اثرات غیرخطی و تعاملات

مدل XGBoost و تحلیل‌های SHAP و PDP نشان دادند که بسیاری از متغیرها اثرات خطی ندارند: برای مثال افزایش تراکم امکانات تا حدی باعث جذب فروشگاه‌های کوچک می‌شود، اما پس از آستانه‌ای، رقابت محلی کاهش‌دهندهٔ جذابیت برای فروشگاه‌های جدید است. همچنین، تعامل بین دسترسی حمل‌ونقل و کیفیت ادراکی محیط نشان‌دهندهٔ شرایط مکمل برای استقرار فرمت‌های سرمایه‌بر بود.

مسیرهای تجمع مکانی (ISM–BN)

تحلیل ISM و شبکه‌های بیزی مسیرهای چندورودی و متوالی را آشکار کرد: برای فرمت‌های سبک‌تر، مسیرهای چندگانه (multi-entry) وجود داشت—یعنی ترکیب‌های متفاوتی از عوامل می‌توانست به تجمع منجر شود. برای فرمت‌های سرمایه‌بر، مسیرها اغلب ترتیبی و وابسته به شاخص‌های زیرساختی و آستانه‌ای بودند.

این یافته برای بیمار چه معنایی دارد؟

اگرچه موضوع مطالعه مرتبط با خرده‌فروشی و محیط شهری است و نه مستقیم با پزشکی، اما برای مخاطبان عمومی و «بیماران شهری»—یعنی ساکنان و مصرف‌کنندگان—چند پیام عملی وجود دارد:

• کیفیت ادراکی محیط شهری (مثل ایمنی، تمیزی، جذابیت بصری) می‌تواند تعیین‌کنندهٔ حضور یا نبود فروشگاه‌های بزرگ باشد؛ بنابراین ارتقای منظر شهری می‌تواند بر دسترسی به خدمات تأثیر بگذارد.
• پراکنده شدن فروشگاه‌های کوچک در محلات می‌تواند دسترسی به مایحتاج روزمره را برای ساکنان افزایش دهد و نیاز به سفرهای طولانی برای خرید را کاهش دهد که این خود احتمالا روی سلامت و رفاه تأثیر می‌گذارد.
• نوسازی شهری یا توسعهٔ مراکز بزرگ ممکن است توزیع خدمات محلی را تغییر دهد؛ برای ساکنان کم‌درآمد یا گروه‌های کمتحرک، کاهش فروشگاه‌های محلی می‌تواند پیامدهای منفی داشته باشد.

این نکات کاربردی‌اند اما نباید به‌عنوان مشاوره پزشکی یا درمانی در نظر گرفته شوند؛ هدف ارتقای درک رابطهٔ محیط شهری و دسترسی مردم به خدمات روزمره است.

تفسیر نتایج و پیامدهای سیاست‌گذاری

یافته‌ها نشان می‌دهد که سیاست‌گذاران و برنامه‌ریزان شهری نباید از یک نسخهٔ واحد برای تمام فرمت‌های خرده‌فروشی استفاده کنند. به‌عنوان راهبردهای کلیدی:

• برای جذب فرمت‌های سرمایه‌بر، بهبود دسترسی حمل‌ونقل»، شبکهٔ تجهیزات و کیفیت منظر شهری تا سطوح آستانه‌ای اهمیت دارد.
• برای حمایت از فرمت‌های سبک‌دارایی و سرویس‌های محلی، باید شرایط رقابتی محله‌ای، تراکم خدمات و راهکارهای ادغام با حمل‌ونقل پیاده و محلی مورد توجه قرار گیرد.
• برنامه‌ها باید آستانه‌محور باشند: سرمایه‌گذاری‌های زیباشناختی یا زیرساختی وقتی تأثیرگذارند که از سطحی مشخص فراتر روند.

محدودیت‌ها و نکاتی که باید با احتیاط خواند

• نوع مطالعه: این بررسی یک مطالعهٔ مشاهده‌ای و توصیفی-تحلیلی بر اساس داده‌های مکانی است؛ بنابراین رابطهٔ علت و معلولی قطعی را اثبات نمی‌کند، بلکه الگوها و همبستگی‌ها را نشان می‌دهد.
• محدوده جغرافیایی: داده‌ها از شهر شنژن (یک شهر چینی با ویژگی‌های اقتصادی و کالبدی ویژه) به‌دست آمده‌اند؛ تعمیم مستقیم نتایج به شهرهای دیگر با ساختار متفاوت باید با احتیاط انجام شود.
• دقت و منابع داده: شاخص‌های ادراکی مبتنی بر داده‌های سطح خیابان و برداشت‌های احتمالی هستند؛ خطای اندازه‌گیری یا سوگیری در جمع‌آوری این داده‌ها ممکن است وجود داشته باشد.
• فصل و تحولات زمانی: مطالعه اطلاعات مقطعی را تحلیل کرده است؛ تغییرات زمانی بازار، بازآفرینی شهری یا شوک‌های اقتصادی ممکن است الگوها را دگرگون کند.
• محدودیت مدل‌ها: با وجود قابلیت‌های XGBoost و BN در کشف الگوها، مدل‌ها می‌توانند تحت تأثیر متغیرهای حذف‌شده یا هم‌خطی پنهان قرار گیرند؛ همچنین تفسیر SHAP نیازمند دقت است تا از استنتاج‌های بیش‌ازحد جلوگیری شود.

نظر تحریریه پزشک سایت

این پژوهش نمونه‌ای خوب از ادغام دادهٔ مکانی، یادگیری ماشین و تحلیل ساختاری برای فهم پیچیدگی‌های شهری است. نکتهٔ برجسته، تاکید بر نقش ادراک انسانی و آستانه‌های محیطی در جهت‌دهی به الگوهای مکانی خرده‌فروشی است. با این حال، لازم است نتایج را به عنوان شواهدی از همبستگی‌ها و مسیرهای احتمالی تلقی کنیم نه شواهد قطعی علی. برنامه‌ریزان و سرمایه‌گذاران باید پیش از اتخاذ سیاست‌های ساختاری یا تغییرات بزرگ در تخصیص زمین، مطالعات محلی تکمیلی و ارزیابی‌های بلندمدت را در دستور کار قرار دهند.

کاربردهای عملی برای ذینفعان شهری

برای برنامه‌ریزان شهری

• از شاخص‌های ادراکی در ارزیابی محلات استفاده کنید و پروژه‌های بهبود منظر شهری را با آستانه‌های مشخص اولویت‌بندی نمایید.
• برای پشتیبانی از خدمات محلی، سیاست‌های تشویقی (مثلاً اجارهٔ ترجیحی، همکاری با زنجیره‌های محلی) را در مناطق با تراکم مناسب مدنظر قرار دهید.

برای سرمایه‌گذاران و زنجیره‌های خرده‌فروشی

• تصمیمات مکان‌یابی را بر اساس ترکیبی از معیارهای عینی (دسترسی، شبکه امکانات) و ادراکی (کیفیت خیابان، ایمنی) بگیرید—به‌ویژه برای فرمت‌های سرمایه‌بر.
• به اثرات آستانه‌ای توجه کنید؛ سرمایه‌گذاری‌های کوچک در بهبود منظر ممکن است تا پیش از رسیدن به یک سطح خاص بازدهی ملموسی نداشته باشند.

چه زمانی باید با پزشک مشورت کرد؟

این مطالعه دربارهٔ خرده‌فروشی و برنامه‌ریزی شهری است و به‌طور مستقیم به درمان یا سلامت پزشکی مربوط نیست. با این حال، اگر تغییرات شهری یا دسترسی به خدمات روی وضعیت سلامت شما تأثیر می‌گذارد (مثلاً دسترسی محدود به غذا در دوران بارداری، یا تأثیرات بر سلامت روان ناشی از تغییرات محیطی)، باید با پزشک یا مسئول مراقبت‌های بهداشتی مشورت کنید. به‌طور مشخص در موارد زیر به پزشک مراجعه کنید:

• اگر دسترسی محدود به مواد غذایی یا داروها دارید که سلامت شما یا کودکتان را تهدید می‌کند.
• در صورت بارداری و نگرانی دربارهٔ تأمین غذای کافی یا دسترسی به خدمات بهداشتی محلی.
• اگر تغییرات محیطی در محله (مثل آلودگی، سر و صدا) باعث مشکلات تنفسی یا اضطراب شده باشد.

پرسش‌های رایج

۱. آیا این مطالعه نشان می‌دهد که بهبود زیبایی شهری همیشه باعث جذب فروشگاه‌های بزرگ می‌شود؟

خیر. مطالعه نشان می‌دهد که کیفیت ادراکی باید از یک آستانه عبور کند تا جذب فرمت‌های سرمایه‌بر رخ دهد؛ به‌عبارت دیگر، بهبودهای کوچک لزوماً کافی نیستند مگر اینکه به سطح معینی برسند.

۲. آیا نتایج قابل تعمیم به شهرهای کوچک یا کشورهای دیگر است؟

نتایج در زمینه شنژن به‌دست آمده‌اند؛ تعمیم به شهرهای با ساختار اقتصادی، شبکهٔ حمل‌ونقل یا فرهنگ مصرف متفاوت نیازمند تحلیل‌های تکمیلی است.

۳. آیا مدل‌های یادگیری ماشین می‌توانند علت را ثابت کنند؟

خیر. مدل‌ها می‌توانند روابط پیچیده و همبستگی‌ها را نشان دهند ولی برای اثبات علیت نیاز به طراحی‌های تجربی یا داده‌های زمانی-پیش‌رونده است.

۴. ادراک انسانی چگونه اندازه‌گیری شده و آیا قابل اعتماد است؟

ادراک از طریق شاخص‌های سطح خیابان و احتمالا ارزیابی‌های انسانی استخراج شده است که مفید ولی ممکن است دچار سوگیری یا خطای اندازه‌گیری باشد؛ اعتبارسنجی و تکرار در مناطق مختلف توصیه می‌شود.

جمع‌بندی کاربردی

این مطالعه نشان می‌دهد که برای فهم و مدیریت رقابت مکانی خرده‌فروشی لازم است عوامل عینی شهری و ادراکی را به‌صورت توأم بررسی کنیم. فرمت‌های سبک‌دارایی و سرمایه‌بر الگوهای استقرار متفاوتی دارند: اولی بیشتر به تراکم و رقابت محلی حساس است و دومی به هاب‌های با دسترسی بالا و کیفیت محیطی آستانه‌ای وابسته است. برای سیاست‌گذاری هوشمند و پشتیبانی از دسترسی محلی به خدمات، برنامه‌ریزان باید رویکردهایی متناسب با نوع فرمت و مبتنی بر شواهد محلی اتخاذ کنند. با وجود این، هر توصیه‌ای نیازمند مطالعات محلی تکمیلی و توجه به محدودیت‌های داده و روش است.

منبع

PLOS One, 2026. Uncovering traditional retail location competition with machine learning: The role of urban environments in light-asset and capital-intensive formats. DOI: https://doi.org/10.1371/journal.pone.0358597

مطالب این مقاله فقط برای افزایش آگاهی عمومی است و جایگزین تشخیص یا درمان پزشکی نیست. برای اطلاعات بیشتر، صفحه سیاست پزشکی و سلب مسئولیت پزشک سایت را بخوانید.