Estabelecimentos

Com a realização da análise geodemográfica na área de estudo, faltava obter as áreas onde a população não tem nenhuma oferta comercial ou onde a oferta de serviços comerciais é fraca. Nesta fase, a análise da densidade de Kernel pode identificar as áreas com maiores concentrações de potenciais clientes. A estimativa da densidade de Kernel é uma forma não-paramétrica de estimar a função de densidade de probabilidade de uma variável aleatória (Rosenblatt, 1956, citado por Roig-Tierno et al., 2013).

Conceptualmente, o objetivo da estimativa da densidade de Kernel é calcular a densidade dos pontos numa determinada área usando a distância entre os pontos, se e somente se os pontos tiverem o mesmo peso. No entanto, diferentes pesos podem ser atribuídos a cada ponto para atribuir maior importância aos pontos específicos em relação ao resto. É criada uma superfície suavemente curvada moldada a cada ponto, onde o valor mais elevado da superfície se encontra na localização do ponto e diminui com o aumento da distância ao ponto, atingindo zero na distância do raio de pesquisa do ponto (Silverman, 1986). Embora hajam diferentes tipos de modelos que usam estimativas de Kernel, Härdle (1991), citado por Roig-Tierno, Baviera-Puig, & Buitrago-Vera (2013), afirma que a escolha do modelo é quase irrelevante para a qualidade da estimação e, consequentemente, para o resultado da análise. Assim sendo, a função quadrática de Kernel, descrita por Silverman (1986) é das mais usadas.

Geralmente, e para o caso univariante, o estimador pode ser escrito da seguinte maneira:

( )

1 1 = −   = + _{ }  



n i i x X f x K nh h (4.3)

74

Em que:

( )

f x = função da densidade de kernel

x

= ponto onde a densidade é estimada

i

X

= valor da variável no caso de i=1, …, n.

h representa o raio de pesquisa ou parâmetro de suavização. Este parâmetro limita a influência de cada dado a um campo, definido pelo raio de pesquisa. Quando o raio de pesquisa é maior, este causa um aumento da suavização no mapa resultante.

K

= função Kernel.

Já a função de Kernel baseada na função quadrática do Kernel, descrita em Silverman (1986), é definida por

(

2

)

(

)

3 1 ², para 1, onde /  = −  = − _i K u u u x h h (4.4)

A função quadrática de Kernel, especificamente utilizada para estudos realizados em estrutura matricial, é caracterizada por um ambiente circular que é definido para cada píxel no mapa e, em seguida, é usado como uma linha de base. O centroide de cada píxel é o centro do círculo e os pontos que estão contidos são usados para formar o dividendo. Cada ponto é ponderado de forma diferente, de acordo com sua proximidade com o centroide do píxel: os pixéis mais próximos do centroide têm um peso maior do que aqueles mais distantes. A expressão utilizada é

² 3 1 ² ²     = _ − _  



ij j i Cj d L r r (4.5) Onde: j

L

é a densidade estimada para o píxel;

²

_ij

d

é a distância entre os pontos i e j;

²

75 j

C

=

i |d

_j

r

, de modo a que o conjunto seja formado pelos pontos i cuja distância para o centroide da célula j seja menor que o raio do círculo prescrito.

A densidade de cada célula é calculada adicionando os valores de todas as superfícies de Kernel onde estas se sobrepõem ao centro da célula. O resultado é expresso em unidades de um fenómeno particular por unidade de área superficial.

Tendo em conta o objetivo, tornou-se imperativo conhecer como o mercado se distribuí. É necessário saber onde existem mais estabelecimentos, quer das lojas da insígnia em estudo, quer das lojas da concorrência. Para isso, recorreu-se à análise da densidade de lojas Meu Super, com base no número de vendas brutas efetuadas, e à densidade de lojas da concorrência, de acordo com a área das lojas.

4.3.1.1. Densidade de lojas Meu Super

Já é conhecida a localização de todas as lojas Meu Super, em funcionamento, no entanto, quando se pretende abrir uma nova loja, algumas lojas têm mais impacto que outras na população que abastece. Assim sendo, tornou-se importante conhecer as áreas onde as lojas Meu Super estão mais representadas e têm mais vendas brutas (Figura 4.25). A Figura 4.25 mostra as áreas onde existe maior densidade de lojas com mais vendas brutas. Como se esperava as áreas onde não existem lojas Meu Super ou onde as vendas brutas são mais reduzidas, estão inseridas na primeira classe, até 368 unidades monetárias por km², representando, aproximadamente, 97% do território. A segunda classe, das 309 a 810 unidades monetárias por km², são as áreas com menor representação na área de estudo, representando apenas, aproximadamente 1%, uma vez que apenas são delimitadas estas áreas onde existe forte densidade de lojas com elevadas vendas brutas. Com apenas 2% da área em estudo, estão as áreas onde estão inseridas as lojas Meu Super e onde há mais concentração destas.

Poderá haver duas hipóteses possíveis para a localização das novas lojas: a primeira, em que as novas lojas poderão aproveitar a proximidade das lojas MS com mais vendas brutas por km², podendo assim dividir lucros entre duas lojas; ou, a segunda, onde a localização das novas lojas deverá ser nas áreas com menos vendas por km², podendo abrir novos estabelecimentos que poderão atrair clientes de outras áreas, onde não há

76

presença de lojas MS, e reduzir a probabilidade de canibalização das lojas Meu Super. Para esta dissertação, decidiu-se utilizar a segunda opção para não ocorrer a canibalização das lojas da insígnia.

Figura 4.25: Densidade de lojas MS, por vendas brutas Base cartográfica: CAOP (IGP), BGRI (INE), World Imagery (ESRI)

77

4.3.1.2. Densidade de lojas da concorrência

A concorrência é um dos principais fatores a serem considerados ao determinar a localização de uma nova loja. Por esta razão, é importante realizar uma análise detalhada para determinar a geocompetição na área de estudo de forma quantitativa e visual. Áreas com um maior espaço de retalho (áreas saturadas ou ocupadas), podem, deste modo, ser detetados. Da mesma forma, também são determinadas as áreas com menor espaço comercial ou com baixa oferta comercial. Conforme representado na Figura 4.26, há uma alta saturação em algumas capitais de distrito, pois é onde a maioria das áreas comerciais de diferentes lojas se sobrepõem.

Figura 4.26: Densidade de lojas de insígnias concorrentes, por área de loja Base cartográfica: CAOP (IGP), BGRI (INE), World Imagery (ESRI)

78

As áreas com maior presença de lojas da concorrência, localizam-se, maioritariamente nas grandes cidades no litoral e onde, normalmente, existe mais população, representando, aproximadamente, 6% do território. Existe também, no interior, em Évora, uma grande densidade que poderá ser explicada pela dimensão das lojas aí presentes. Às áreas onde existem lojas muito dispersas foi atribuída a menor classificação, representando cerca de 85% do território.

No documento Modelo geográfico de suporte à localização de estabelecimentos comerciais de proximidade (páginas 91-96)