ဖောက်သည်ပမာဏခန့်မှန်းခြင်း (Huff Gravity Model)

Huff Gravity Model ဘယ်လို အလုပ်လုပ်သလဲ?

အကယ်၍ သင်ဟာ ကိုယ်ပိုင် လက်လီစတိုးဆိုင် တစ်ခုဖွင့်မည်ဆိုလျှင် ပုံမှန် အားပေးဝယ်ယူမည့်သူ ဘယ်နှစ်ယောက်ရရှိနိုင်သလဲ ဆိုတာကို ဦးစွာ နားလည်ထားရပါမည်။ ဝေးလေသက်ရောက်မှုနည်းလေ သဘောတရား (distance decay) အရ လက်လီစတိုးဆိုင်နှစ်ခု ကြား ဝေးလေလေ သူတို့ နှစ်ခုကြားက ယှက်နွယ်မှုတွေနည်းလေလေဖြစ်သည်။

အဆိုပါအခြေအနေမျိုးတွင် Huff Gravity Model အားအသုံးပြု၍ မိမိဆိုင်နှင့် အခြား ပြိုင်ဘက်လက်လီစတိုးဆိုင်များကြား ဈေးဝယ်သူများ၏ ဖြစ်နိုင်ဖွယ်ရာ အပြုအမူ အလားအလာ ကို ခန့်မှန်းနိုင်ပါသည်။

အခုချိန်ထိတော့ ရှုပ်ထွေးနေသလိုပါပဲ ဒါပေမယ့် အဲဒီလောက်တော့ မဆိုးပါဘူး။ ဒီ Huff Gravity Model မော်ဒယ်ကို  ဘယ်လိုတွက်ချက်ရမလဲဆိုတာ တစ်ဆင့်ချင်း ရှင်းပြသွားမှာဖြစ်တဲ့အတွက် ပိုမိုသဘောပေါက်လာမှာပါ။

Huff Gravity Model အသုံးပြုရန် လိုအပ်သည့် ဒေတာများ

ဒီမော်ဒယ်က စတိုးဆိုင်တစ်ခု၏ ဆွဲဆောင်နိုင်စွမ်းသည် စတိုးဆိုင်၏ အရွယ်အစား နှင့် အကွာအဝေးပေါ် အခြေခံသည် ဟု ယူဆသောကြောင့် ဤတွက်ချက်မှုအတွက် မရှိမဖြစ် အရေးကြီးသော ဒေတာ ၂ခု လိုအပ်ပါသည်။

• ရှိပြီးသား လက်လီစတိုးဆိုင်များ နှင့် ၎င်းတို့၏ အရွယ်အစား
• ဆိုင်ဖွင့်မည်နေရာ ပတ်ဝန်းကျင်ရှိ လူဦးရေ သန်းခေါင်စာရင်း (ရနိုင်သမျှ အသေးစိတ် အချက်အလက်)

နောက်ဆုံးအနေနဲ့ မြေပုံပေါ်တွင် အကွာအဝေးတွက်ချက်ရန် နှင့် မော်ဒယ်ကို ဖော်ပြပေးမည့် GIS ဆော့်ဝဲလ် လိုအပ်မည် ဖြစ်သည်။နမူနာ အနေဖြင့် သန်းခေါင်စာရင်းအချက်အလက်ပေါ်မူတည်၍ လက်လီ စတိုးဆိုင် ၅ ဆိုင်၏ တည်နေရာကို  မြေပုံမှာ ဖော်ပြထားပါသည်။

Huff Gravity Model လုပ်ဆောင်ရာတွင် ပါဝင်သည့် အဆင့်များကို ကြည့်ရအောင်

အဆင့် (၁) သန်းခေါင်စာရင်းအကွက်များ နှင့် လက်လီစတိုးဆိုင်များ၏ အကွာအဝေး အား တွက်ချက်ခြင်း

လူဦးရေသန်းခေါင်စာရင်း အချက်အလက်ကို အသုံးပြု၍ လက်လီစတိုးဆိုင် တည်နေရာနှင့် သန်းခေါင်စာရင်းအကွက် တစ်ခုချင်းအကွာအဝေးကို တွက်ချက်ပါမည်။ ဤ ဥပမာတွင် လက်လီစတိုးဆိုင် ၅ ဆိုင်နှင့် သန်းခေါင်စာရင်းအကွက် ၇၃၈ ခုကို အသုံးပြုထားပါသည်။

• သန်းခေါင်စာရင်းအကွက် attribute ဇယားထဲတွင် အကွာအဝေးများ အတွက် ကော်လံ (၅) ခု ထည့်သွင်း ပါသည်။ (dist1, dist2, dist3, dist4, and dist5)

• သန်းခေါင်စာရင်းကွက်တစ်ခုချင်းစီ မှ လက်လီစတိုးဆိုင် တစ်ဆိုင်ချင်းစီ သို့ အကွာအဝေးများ ကိုတွက်ချက်ပါ။ ArcGIS ဆော့ဖ်ဝဲလ်၌ Near Tool အား အသုံးပြု၍ လက်လီစတိုးဆိုင် တစ်ခုချင်းကို ရွေးချယ်ပြီး တည်နေရာ အကွာအဝေးကို တွက်ချက်နိုင်သည်။

အခုဆိုရင် သန်းခေါင်စာရင်း အကွက် တိုင်းမှာ လက်လီစတိုးဆိုင်တစ်ခုစီ သို့ အကွာအဝေးများ ရရှိလာပြီဖြစ်သည်။ ဥပမာ – စတိုးဆိုင်အမှတ် (၁) သို့ အကွာအဝေးများသည် dist1 ကော်လံ ထဲတွင်ရှိနေမည် ဖြစ်သည်။

အဆင့် (၂) စတိုးဆိုင်၏ ဆွဲဆောင်မှု (အရွယ်အစား နှင့် အနီးအဝေး) ကိုထည့်သွင်းတွက်ချက်ခြင်း

ဒီအဆင့်မှာတော့ လက်လီစတိုးဆိုင် တစ်ခုစီ ရဲ့ ဆွဲဆောင်မှုကိုဘယ်လိုပေါင်းစပ်ရမလဲ ဆိုတာ ရှင်းပြသွားပါမယ်။ ဆွဲဆောင်မှုသည် စတိုးဆိုင်အရွယ်အစား (ကြမ်းခင်းစတုရန်းပေ) နှင့်တိုက်ရိုက်ဆက်စပ်နေပြီး၊ အကွာအဝေးဖြင့် ပြောင်းပြန်ဆက်စပ်သည်။
သန်းခေါင်စာရင်းအကွက် ဇယားတွင် လက်လီစတိုးဆိုင် တစ်ခုစီ၏ ဆွဲဆောင်နိုင်မှု အမှတ်ဇယား ကော်လံ (၅) ခုနှင့် စုစုပေါင်းအမှတ် ဖြည့်သွင်းရန် ကော်လံ (၁)ခု၊ စုစုပေါင်း ကော်လံ (၆) ခု ထည့်သွင်းပါမည်။

ဆွဲဆောင်မှု သည် ဆိုင်၏ တည်နေရာနှင့် အကွာအဝေး တို့ဖြစ်သည်။

ဆိုင်အရွယ်အစား ကို ဆိုင်သို့လာရန် ကြာချိန် (သို့မဟုတ် အကွာအဝေး၏နှစ်ထပ်) ဖြင့် စားခြင်း ဖြင့် ရနိုင်သည်။

ဥပမာ – ဆွဲဆောင်နိုင်မှု attract1ကော်လံ သည် လက်လီစတိုးဆိုင် အမှတ်(၁) ၏ကြမ်းခင်းအကျယ် ၂၀၀,၀၀၀ စတုရန်းပေ ကို အကွာအဝေးနှစ်ထပ် dist1^2 နှင့် စားထားခြင်း ဖြစ်သည်။

attract1 = 200000 / ( [dist1]  x   [dist1]  )

စုစုပေါင်း ဆွဲဆောင်နိုင်မှု ကော်လံ တွင် ဆွဲဆောင်နိုင်မှု ကော်လံ (၅) ခုလုံးပေါင်း၏ အမှတ်စာရင်း ရရှိမည် ဖြစ်သည်။

( attract1 + attract2 + attract3 + attract4 + attract5 )

ဆန်းစစ်ထားသော အချက်အလက်များ အား မြေပုံပေါ်တွင် ပုံဖေ်နေရာချကြည့်ပါက လက်လီစတိုးဆိုင် အမှတ် (၃) သည် အကွာအဝေးနှင့် စတိုးဆိုင် အရွယ်အစား အပေါ်အခြေခံသည့် ဆွဲဆောင်မှုအချက်အရ ဤ ဧရိယာတွင် အများဆုံး ဆွဲဆောင်နိုင်နေသည်ကိုတွေ့ရမည် ဖြစ်သည်။

အဆင့် (၃) လက်လီစတိုးဆိုင် တစ်ခုစီ၏ ဈေးကွက်ဝေစုအတွက် ဖြစ်နိုင်ခြေများကို တိုင်းတာခြင်း

စတိုးဆိုင်များ၏ ဆွဲဆောင်နိုင်မှု အမှတ်စာရင်းများ ရရှိထားပြီး နောက် သန်းခေါင်စာရင်းအကွက် တစ်ခုစီအတွက် ဈေးဝယ်သူအများစု သွားမည့် ဖြစ်နိုင်ခြေများကို ဆက်လက်တွက်ချက်ပါမည်။

• စတိုးဆိုင်တစ်ခုစီအတွက် ရာခိုင်နှုန်းဖြင့် ဖော်ပြမည့် ကော်လံ(၅) ခုကိုထည့်ပါသည်။ (‘marketshare1’, ‘marketshare2’, ‘marketshare3’, ‘marketshare4’ and ‘marketshare5’)
• လက်လီစတိုးဆိုင် တစ်ခုစီ၏ ဆွဲဆောင်နိုင်မှု အမှတ်ကို တည်၍ စုစုပေါင်း ဆွဲဆောင်နိုင်မှု အမှတ်ဖြင့် စားပါမည်။ ဥပမာ ‘marketshare1’ အတွက် (‘attract1’ / ‘totattract’) ဟုတွက်ချက်ပါမည်)

လက်လီစတိုးဆိုင်နှင့် နီးသည်နှင့်အမျှ ဈေးကွက်ဝေစုအများစုကို ရရှိမည်ဖြစ်သောကြောင့် ကိန်းဂဏန်းအကြီးများကို အနီရောင်ဖြင့် ဖော်ပြထားသည်။ အခြားစတိုးဆိုင်များ ရှိမည်ဆိုပါက ၎င်းတို့ကလည်းဈေးကွက်ဝေစုကိုဖဲ့ယူမည်ဖြစ်သည်။ အဝါရောင်ပြထားသော နေရာများသည် အခြားပြိုင်ဘက် စတိုးများကို ဈေးကွက်ဝေစုခွဲပေးရရှိနိုင်ခြေအများဆုံးရှိသော နေရာများ ဖြစ်သည်။

လက်လီစတိုးဆိုင် ၂ ဆိုင် ကနေ အကွာအဝေးတူနေသည့် အကွက်များအတွက်ဆိုရင်ရော ဘယ်လိုဖြစ်မလဲ?

အဆိုပါ ၂ ဆိုင်အတွက်ဆိုလျှင် ဈေးကွက် ဝေစုသည် ယူနိုင်သူ-ရ ပိုဆန်နေသည့်အတွက် တစ်ဖက်ဖက်သို့ပါသွားနိုင်သည့်အလားအလာဖြစ်သည်။ နောက်ထပ် အဓိပ္ပာယ် တစ်မျိုးဖြင့် ထပ်ဖွင့်ရလျှင် ဈေးကွက်ဝေစု ၅၀ ရာခိုင််နှုန်းရနိုင်သည့်အခြေအနေ ဟုဆိုနိုင်သည်။

Huff Gravity Model Formula

(ဖော်မြူလာကို အလွတ်မှတ်မိရန်မကြိုးစားပါနှင့်) ဖော်မြူလာကတော့ 

Pij: အမှတ် i ရှိ စားသုံးက စတိုးဆိုင်တည်နေရာ j ကိုသွားမည့် ဖြစ်တန်စွမ်းj
Sj: j နေရာရှိ စတိုးဆိုင်အရွယ်အစား
Tij: i မှ j သို့သွားရန်ခရီးကြာချိန် (သို့မဟုတ်အကွာအဝေး)

စတိုးဆိုင်အရွယ်ကြီးလာသည်နှင့်အမျှ ၎င်းဆိုင်ကိုဖောက်သည်ဖြစ်လာမည့် ဖြစ်တန်စွမ်းလည်းတိုးလာမည်။ အလားတူပင် အကွာအဝေးများလာလျှျှ ၎င်းစတိုးဆိုင်ကို အဆိုပါဖောက်သည်ကလာရောက်သည့် အကြိမ်အရေအတွက်ကျသွားမည်ဖြစ်သည်။

Sigma သင်္ကေတသည် စုစုပေါင်းခြင်းကိုဆိုလိုသည်။ အထက်တွင်ပြခဲ့သည့်အတိုင်း အဆင့် (၃) တွင်ကြည့်၊ ဒီဖော်မြူလာကတွက်ချက်ပုံက ဆွဲဆောင်မှုတန်ဖိုး ကို စတိုးဆိုင်အားလုံး၏ စုစုပေါင်း ဆွဲဆောင်မှုဖြင့်စားခြင်း ဖြစ်သည်။ စုစုပေါင်းလိုက်ပါက ၁၀၀ ရာခိုင်နှုန်းနှင့်ညီမည်။

ဈေးဝယ်ဘယ်လောက်များများ လာမလဲ

သင့်ရဲ့ အချိန်နှင့်ငွေကိုရင်းနှီးပြီး စတိုးဆိုင်ဖွင့်မည်ဆိုပါက, Huff Gravity Model. အသုံးပြုတွက်ချက်ကြည့်သင့်ပါတယ်။
ခင်ဗျားလိုမှာတွေကတော့ GIS data အချို့ နဲ့ စတင်တွက်ချက်ဖို့အတွက် ဆော့ဝဲ ပါ။ လူဦးရေအချက်အလက်တွေကိုထည့်သွင်းအသုံးပြုဖို့လည်းမမေ့ပါနဲ့။

ပြခဲ့တဲ့အတိုင်းပါပဲ၊ အသေးစိတ်လိုအပ်တဲ့အရာနှစ်ခုကတော့ စတိုးဆိုင်အရွယ်အစားအချက်အလက် နှင့် အကွာအဝေး တွေဖြစ်ပြီး ၎င်းတို့ကို သန်းခေါင်စာရင်းအကွက်ရှိလူဦးရေနဲ့ ပေါင်းစပ်အသုံးပြုရမှာဖြစ်ပါတယ်။ ၎င်းအချက်အလက်တွေသုံးပြီး စားသုံးသူအပြုအမူ နဲ့ သူတို့ ခင်ဗျားရဲ့စတိုးဆိုင်ကိုလာရောက်ဝယ်ယူနိုင်ခြေ ဖြစ်တန်စွမ်း ကို ပိုကောင်းအောင်ခန့်မှန်းနိုင်မှာဖြစ်ပါတယ်။
စတိုးဆိုင်ဖွင့်ဖို့နေရာကိုဆုံးဖြတ်ရာမှာအသေးစိတ်တိကျချင်တယ်ဆိုရင်တော့ နေရာခွဲ‌ဝေသတ်မှတ်ခြင်း (location allocation) တွက်ချက်မှုအကြောင်းကို ပိုမိုဖတ်ရှုဖို့လိုပါမယ်။

မူရင်း – Location-Allocation in ArcGIS (Site Selection) – GIS Geography ကိုဘာသာပြန်ဆိုထားပါသည်။