l连锁超市布点的数学模型最终版.doc

本 科 生 毕 业 论 文（或设计） （申请学士学位）论文题目 连锁超市布点的数学模型 作者姓名 孙玉龙 专业名称 信息与计算科学 指导教师 李庆宏 2012年12月17日学 生： （签字）学 号：2009211925论文答辩日期：2013 年 6 月 10 日指 导 教 师： （签字）目 录摘要1Abstract11 绪 论21.1研究现状21.2 研究内容21.3 研究方法31.4 研究意义32 连锁超市布点的影响因素分析及问卷调查设计32.1连锁超市布点考虑因素的问卷调查32.2数据分析53 连锁超市布点主要影响因素的模型分析103.1模型选取的变量定义103.2研究假设113.3线性回归分析114 总结和建议154.1研究总结154.2连锁超市布点的建议16参考文献16致 谢18滁州学院本科毕业论文连锁超市布点的数学模型摘要：本文建立综合评价指标，依据线性回归模型建立了连锁超市布点的数学模型。首先统计得到22个影响因素，将22个因素通过主成分分析法提取主成分因子。然后进行解释主因子的构成，并以此作为连锁超市布点模型的解释变量。据此建立了线性回归模型，基于线性回归分析，我们对模型进行探讨和研究，最终得到分析结果和线性回归模型。最后我们对分析结果进行了合理的解释，并提出了影响连锁超市布点的总结和建议。关键词： 因子分析；SPSS软件；线性回归模型 Mathematical Model of the Distribution of the Chain Supermarket Abstract: The article sets up a comprehensive evaluation index, then builds the mathematical model about the chain supermarket. First, I calculate 22 factors and then I get the principal component factors of the 22 factors by principal component analysis. Then I am going to explain the components of the principal divisor which can be used as layout model explaining variable for the chain supermarket. Accordingly, I established a linear regression model, which is based on linear regression analysis. Due to exploring and studying the model we get the results and the linear regression model at the end. Finally, we not only make a reasonable explanation for the analyzed results, but also advise suggestions and conclusions for the chain supermarket.Keywords：Factor analysis;SPSS Software;Linear regression model1 绪 论连锁超市作为一种先进的零售业态，连锁超市的发展过程中也必不可免的出现了许多问题，如网点布局不合理、超市内部运作不规范等等。另外，在连锁超市越来越扩大规模的同时，人们也越来越迫切的需求连锁超市在发展战略上能有一个整体规划。本文探讨的是连锁超市布点的模型，利用SPSS软件1分析，借此说明连锁超市布点对于连锁超市发展的重要性。1.1研究现状线性回归模型是自21世纪初引入到连锁超市布点中以来，已得到了广泛的应用与发展。如李俊阳于2006年发表的上海连锁超市的发展与运作研究2一文中提出利用回归分析相关因素建立的连锁超市布点模型有利于政府的宏观调控，同时有利于社会进步与发展。再如纪雯于2010年发表的中国连锁超市发展现状及其对策3一文中提出连锁超市在迅速的发展经营过程中也暴露出很多问题,应通过针对连锁超市布点进行合理调控，以促进中国连锁超市的快速发展。由此我们可以知道，针对连锁超市的合理布点是相当重要以及必要的。但是由于回归分析本身存在的局限性使得通过理论研究指导实践的连锁超市布点存在一定的难点，在应用中也存在局限性。关于连锁超市布点的研究方面，国内对连锁超市单方面的介绍过多，理论研究过多但综合性的阐述较少，尤其是实际性的分析更少。结合我国实际，本文期望对此有所贡献。1.2 研究内容连锁超市发展的首要问题就是布点,布点的成功与否直接关系到超市的经营状况。本论文的研究目标主要包括两方面：第一，分析总结前人对连锁超市布点的研究，全面系统的分析我国连锁超市的发展情况及其特点。第二，通过探索性因素分析，对影响超市选址的主要因素进行计量分析。第三，建立合适的回归模型并进行分析。为政府规划和投资者决策提供理论参考和实践指导。1.3 研究方法首先采用定性和定量相结合的方法探讨影响连锁超市销售量的主要因素：人口数、可支配收入、超市地价、交通、集客源、竞争对手、经营面积和资本金等。其次，将对这些因素进行统计分析，建立合适的模型。然后，通过数据统计和模型验算证明选址对于连锁超市销售额的重要性。本文将通过运用经济学、金融学、统计学等有关原理，采取实证与规范相结合，对该模型进行实证研究，并从中得出的结论，然后进行科学的归纳和总结。 1.4 研究意义由于我国连锁超市行业发展的不足，导致某些从业者和创业者在思想上还没有认识到正确的选址策略是连锁超市成功的一半。甚至有些从业者没有意识到店址选择的重要性与内在客观规律性，往往只凭借感觉和经验行事，以致在几个店址选择中徘徊不决。店址选择不好，直接影响到销售量。为了能够更好的为我国连锁超市业提供精确的发展道路提供正确的经验和方式，我们有必要去研究连锁超市布点的模型并进行分析和整理。2 连锁超市布点的影响因素分析及问卷调查设计一般来说，连锁超市布点影响因素的理化指标越合理分析出来的结果也就越具有预测性。在连锁超市布点的评价过程中，如果对影响连锁超市布点的每一个因素进行分析则不仅会增加工作量，也可能对评价结果产生较大的影响。因此必须对所有考虑的众多变量用数学统计方法，经过主成分分析处理，变成一些相互独立为数较少的综合指标，即主导因子。连锁超市布点与超市的销售额有直接的关系。本文建立数学模型期望能够用超市的销售额的理化指标和影响超市布点因素的理化指标来评价布点的合适与否。利用主成分分析法确定各个一级指标的主成分，在贡献率达到统计要求的情况下将不必要的因子剔除以后，保留产生主导因素的因子，把原来较多的评价指标用较少的几个综合指标来代替4。2.1连锁超市布点考虑因素的问卷调查本章节将在前文理论的基础上，通过问卷调查分析连锁超市布点的影响因素，明确连锁超市布点模型的分析框架。（1）调研步骤以及信息搜集通过调查问卷的方式来收集数据，问卷采用梯度打分法分别设为:1为最不重要、2为较不重要、3为一般、4为较重要、5为最重要 。第一步：通过请教式访问研究分析确定并且编制问卷。第二步：利用问卷进行市场调查。第三步：数据分析。（2）请教式访问 在连锁超市行业内，针对具有代表性的人员，比如管理人员、工作人员等进行访问调查，主要目的就是了解在他们看来影响连锁超市布点的主要因素。开放式问题主要有：第一：经营超市的过程中，您认为影响超市销售业绩的最主要因素有哪些？第二：您认为连锁超市布点一般会考虑哪些方面因素？等等。第三：您认为连锁超市的影响因素中哪些比较重要？针对性的请教繁昌县各大连锁超市门店的20位主要管理人员。因为他们的思维和职业特征以及工作经验，所以他们的回答一般可以反映出影响超市选址的几个最重要因素，并对本文的研究提供一定的思路。然后将请教式访问的实录编写到我们要调查的问卷中。调查得到的询问因素有 因子1：超市的面积；因子2：周边公交站点数；因子3：超市的资金运转；因子4：5公里其他超市的数量；因子5：是否位于十字路口；因子6：所属商圈繁荣度；因子7：超市的种类；因子8：1公里内人口数；因子9：停车场的数量；因子10：周边是否有娱乐场所；因子11：主要街道数量；因子12：超市的荷载能力；因子13：与同级超市的最短距离；因子14：周边集客源的数量；因子15：超市的营业时间；因子16：是否有购物班车；因子17：周边有购物中心；因子18：超市地价；因子19：价格水平；因子20：服务人口数；因子21：周边居民的购买力；因子22：3公里的其他超市数量。（3）利用问卷进行市场调查进行市场调查的对象是繁昌县小燕子3家连锁超市的相关人员，包括管理人员、员工等。调查的方式为现场发放并回收。问卷于2012.10月发放,一共50份问卷，回收48份，有效回收率为96%。如表2.1.1所示。表2.1.1 问卷发放及回收基本情况调研超市发放问卷数量（张）有效问卷份数（张）有效回收率（%）小燕子东门店201890%小燕子西门店1515100%小燕子南门店1515100%（4）统计信息表 2.1.2调查结果中提及的因素、假设变量以及问卷评分平均值 影响因素评分均值影响因素评分均值因子14.7因子122.2因子24.7因子133.7因子33.7因子144.6因子43.5因子152.4因子54.7因子162.8因子64.4因子172.7因子74.5因子184.4因子82.7因子193.8因子92.9因子204.7因子102.4因子214.2因子113.3因子223.7注：我们将22各因素设计到问卷中，对因素进行重要程度调查。分为1-5个重要等级，分别评分为1-5，因此对每一个因素，我们都有22个评分值，也就是说我们通过调查有48组关于22个评分值的取样数据，将这些数值进行均值计算我们就可以得到这些因素的评分均值。这些评分均值可以给我们提供一个参考，同时说明了部分人对影响连锁超市布点因素的看法。2.2数据分析（主成分分析） 通过调查研究我们一共得到22个相关变量，由于收集的变量较多，如果每一个变量都参与数据模型，无疑会增加分析过程中的计算工作量。同时变量之间可能会存在多多少少的相关性。我们通过主成分分析法来进行因子分析。在多元线性回归中，如果众多解释变量间存在较强的相关性，即存在高度的多重共线性，那么会导致回归方程不可用的问题。为了能够解决上述问题，最简单最直接的方法就是消减变量个数，同时能够保证信息的完整性。因子分析正是这一种能够有效降低变量维数的分析方法5。于是我们针对此次调查结果进行因子分析，目的就是为了能够在保证准确反映数据的前提下，将因子简化。（1）因子分析的前提条件 由于因子分析的主要任务之一是对原有变量进行浓缩。对此，它要求原有变量之间存在较强的相关关系。对本文的原始数据进行检验，我们选取48份数据中的20份数据，将数据录入到SPSS软件进行分析，数据见附录1。巴特利特球度检验：以原有变量的相关系数矩阵为出发点，其原假设是：相关系数矩阵是单位阵，即相关系数矩阵为对角阵且主对角元素都为1。巴特利特球度检验的检验统计量根据相关系数矩阵的行列式计算得到，且近似服从卡方分布。如果该统计量的观测值比较大，且对应的概率P-值小于给定的显著性水平，则应拒绝原假设，认为相关系数矩阵的不太可能是单位阵，则原有变量适合作因子分析。反之，如果该统计量的观测值比较小，且对应的概率P-值大于给定的显著性水平，则不能拒绝原假设。则认为原有变量不适合进行因子分析。在出现非正定矩阵的情况下（矩阵变量的个数和数据的个数不统一），可能会得不出KMO检验。但是，非正定矩阵对因子分析的结果并无太多影响，因为往往我们只抽取了部分公因子（累计方差贡献率85%）。第一步：计算相关系数矩阵计算原有变量的简单相关系数矩阵变进行统计检验。为了消除由于单位的不同可能带来的影响，我们常常将各原始变量标准化处理。用SPSS软件即可得到一个矩阵的标准化矩阵。同时有： (1)MSA值越接近1，意味着变量越接近1，意味着变量与其他变量间的相关性越强。值越低，表明越没有相关性。我们借助SPSS软件求解标准化矩阵的相关矩阵。如表2.2.1所示。表2.2.1变量的相关系数矩阵因子1因子2因子3因子20因子21因子22相关性因子11.000-.080-.258.045.379-.222因子2-.0801.000.169-.169.161-.081因子3-.258.1691.000.478-.125.073因子4.233.012.069-.288.200.484因子5.209-.233-.069.506-.200-.053因子6.045-.169.267.156-.091-.073因子7-.382-.382.267-.056-.307.205因子18.440.179.027.231.432-.206因子19-.588-.147.291.000.149.191因子20.045-.169.4781.000-.091-.351因子21.379.161-.125-.0911.000-.262因子22-.222-.081.073-.351-.2621.000其中列指标的因子1因子22，行指标的因子1因子22所代表的因子如前文所述。本数据的意义就在于分析因子与因子之间的相关性关系。相关系数()表示了变量之间相关程度的高低2。通常|大于0.3时，认为两个变量有线性相关性。因此我们可以看出因子1：超市的面积与因子21：周边居民的购买力有相关关系，相关系数为0.379。因子3:超市的资金运转与因子20：服务人口数有相关关系，相关系数为0.478。因子4：5公里其他超市的数量和因子22：3公里的其他超市的数量相关系数为0.484，等等。当|大于0.8时，认为两个变量有很强的线性相关性。比如，因子14：周边集客源的数量和因子17：周边有购物中心相关系数为0.874，等等。通过相关性的强弱我们可以得到因子之间的相关程度，从而进行下一步分析。（2）提取因子 这里首先进行尝试性分析：根据原有变量的相关系数矩阵，采用主成分分析法提取特征值大于1的因子。具体操作为：在SPSS软件中输入数据之后，选择分析-降维-因子分析。以上操作基于SPSS 19.0软件。得到的结果如下表。表2.2.2解释的总方差成份初始特征值提取平方和载入合计方差的 %累积 %合计方差的 %累积 %13.66416.65616.6563.66416.65616.65623.23714.71531.3713.23714.71531.37132.31610.53041.9012.31610.53041.90142.22310.10652.0062.22310.10652.00652.0549.33461.3412.0549.33461.34161.5417.00768.3471.5417.00768.34771.2525.69174.0381.2525.69174.03881.2255.56979.6081.2255.56979.60891.1855.38784.9951.1855.38784.99510.8363.80288.79711.7783.53792.33412.6803.09195.42513.3801.72997.15414.2781.26298.41615.160.72799.14316.086.39199.53517.055.24999.78418.048.216100.000193.497E-161.590E-15100.000201.432E-166.511E-16100.000216.630E-173.014E-16100.000221.570E-177.138E-17100.000提取方法：主成份分析。注：因子的方差贡献率的数学定义为： (2)(2)式表明：因子的方差贡献是因子荷载矩阵A中第j列元素的平方和。因子j的方差贡献率反映了因子对原有变量总方差的解释能力。该值越高，说明相应因子的重要性越高。因此因子的方差贡献率是衡量因子重要性的关键指标7。前9个因子，其方差贡献率分别为16.656%、14.715%、10.530%、10.106%、9.334%、7.007%、5.691%、5.569%、5.387%。其累计方差贡献率达到84.995%。符合统计学标准，累计贡献率达到85%左右。表明这9个主成分能在一定程度上反映原变量的大部分信息。我们根据因素分析法中的主成分分析法，提取特征根大于1的因子，并对因子进行最大方差旋转，得到主成分的旋转成分矩阵。如下表。表2.2.3 9个主成分的旋转成份矩阵成份123456789因子1.491.666因子2.949因子3-.360.490.599因子4.340.331.433.649因子5.611.514因子6.357.519.418因子7-.529-.454.320-.379因子8.930因子9-.532.361.347因子10.484.601因子11.829因子12.836.323因子13-.808因子14.829因子15.492-.444.517因子16-.795因子17-.698.345因子18.389.612因子19-.827因子20.923因子21.849因子22.892提取方法 :主成份。 旋转法 :具有 Kaiser 标准化的正交旋转法。a.旋转在 18 次迭代后收敛。注：旋转成分矩阵是通过对主成分矩阵旋转的来的，相比较而言更具有解释意义，通过系数值的大小可以直接说明每一个主成分主要是由哪些因子构成的，因此借上表我们可以直接解释主成分。为了更好的解释主成分本文中我们直接提取了旋转成分矩阵中系数的绝对值大于0.3的项。（3）解释主成分我们将主要内容进行属性归类，同时根据旋转成分矩阵我们可以知道对每一个主成分起主要影响作用的量。我们参考卢振业所著的连锁超市的规划与选址研究4中所提到的旋转成分矩阵知识可知，系数值越大说明该因子对主成分的解释信息越大。我们在选取时根据系数值的大小对构成的内容进行分析，取具有代表性意义的因子。得到表2.2.4如下。表2.2.4 因子的分类以及方差贡献率因子主要构成方差贡献率分类主成分1因子19：超市的产品价格水平因子1：超市的经营面积16.656%超市内部因素主成分2因子14：集客源的数量因子6：所属商圈繁荣度14.715%互补因素主成分3因子21：周边居民购买力10.530%经济环境主成分4因子20：超市服务人口数10.106%超市实力因素主成分5因子11：主要街道的数量9.334%区域因素主成分6因子3：与同级超市的最短距离7.007%竞争对手因素主成分7因子22： 方圆3公里内的超市数量5.691%潜在竞争因素主成分8因子8：1公里内人口数5.569%消费者因素主成分9因子2：周边公交站点数因子9：主要停车场数量5.387%交通因素根据上表我们发现，主成分2与主成分5可以合并称为区域因素。主成分3、主成分8可以合并称为消费者因素。主成分6、主成分7可以合称为竞争对手因素。而主成分1、主成分4可以合称为自身因素。由于连锁超市布点的理化指标数量过多，处理较复杂，所以接下来我们用连锁超市布点理化指标的主成分代替众多的理化指标8。3 连锁超市布点主要影响因素的模型分析3.1模型选取的变量定义我们使用变量来表示年销售额超市该年度销售额，单位为万元。使用表示经营面积即该超市的经营面积，单位为万平方米。使用表示价格水平即该超市某产品的价格相比较该产品平均价格的水平，单位为百分号。使用表示方圆1公里人口数即该1公里范围内住户人口数，单位为万人。使用表示超市服务人口数即该超市的服务人口数，单位为万人。使用表示周边居民购买力即周边居民收入水平，单位为万元/人。使用表示与同级超市的最短距离即与同级别超市的最短距离，单位为千米。使用表示方圆3公里的超市的数量即该商圈范围内其余超市的经营总数，单位为家。使用表示公交资源即超市百米范围内的公交点的数量，单位为百个。使用表示停车场数量即超市的主要停车场数量，单位为百个。使用表示主要街道数量即超市所处的主要街道的数量，单位为家。使用表示集客源的数量即该商圈范围内集贸、娱乐场所、市民广场的总数，单位为个。使用表示所属商圈的繁荣度即该商圈相对的繁荣度。3.2研究假设（1） 商圈以方圆3公里为基准。（2） 以主成分中的12个因子作为分析指标。（3） 顾客的购买行为因超市因素差异而不同。（4） 连锁超市布点都遵循利润最大化原则。3.3线性回归分析（向后筛选法）在多元回归分析中，模型中引入多少的解释变量是需要重点研究的问题。如果引入的解释变量较少，回归方程将无法很好的解释说明被解释变量的变化。但是也并非越多越好，因为这些变量之间可能存在多重共线性。因此有必要采取一些策略对解释变量引入回归方程加以控制和筛选。我们参考王芳所著超市选址及其影响因素研究11中所提到的影响因素以及模型，因此我们决定将构建连锁超市的理化指标用9个主成分的12个因子来表示。我们假设一个前提就是连锁超市投资商在建立新一个门店时都会遵循利润最大化原则7。即认为销售额越好，同时利润也越高，因此被解释变量选取总销售额来衡量,解释变量为主成分中的12个相关变量。（1） 根据本文的研究内容对模型进行合理的假设分析。假设本论文的总销售额模型表达如下： (3)其中为待估计的参数值，为随机误差。其中是一个随机变量，应当满足两个前提条件，即 (4)这是一个12元的线性模型，其中有12个解释变量。对（3）式两边求期望，则有 (5)我们称（5）式为多元线性回归方程。由于参数估计的工作是基于样本数据的，因此只能得到的是参数真值的估计值，记为，于是有 (6)我们称（6）式为估计的多元线性回归方程，便是通过数据计算可得到的估计方程。（2） 通过SPSS软件进行线性回归分析我们将31组样本数据输入SPSS软件中，选择分析中的回归-线性。选择因变量为，自变量为,选择向后筛选法。我们得到结果如下。第一步：SPSS分析结果一表3.3.1 输入移去的变量b模型输入的变量移去的变量方法1, , , , , , , , , , , .输入2.向后（准则: F-to-remove = .100 的概率）。3.向后（准则: F-to-remove = .100 的概率）。4.向后（准则: F-to-remove = .100 的概率）。5.向后（准则: F-to-remove = .100 的概率）。6.向后（准则: F-to-remove = .100 的概率）。7.向后（准则: F-to-remove = .100 的概率）。8.向后（准则: F-to-remove = .100 的概率）。a. 已输入所有请求的变量。b. 因变量: 注：向后筛选策略是解释变量不断剔除出回归方程的过程。首先，所有解释变量全部引入回归方程，并对回归方程进行各种检验。然后，在回归系数显著性检验不显著的一个或多个变量中，剔除t检验值最小的解释变量，并重新建立回归方程和进行各种检验。如果新建回归方程中所有解释变量的回归系数检验都显著，则回归方程建立结束。第二步：SPSS分析的结果二表3.3.2 模型汇总i模型RR 方调整 R 方标准 估计的误差Durbin-Watson1.944a.891.818.629202.944b.891.827.61244.7.937g.878.847.576508.933h.870.845.581241.866a. 预测变量: (常量), , , , , , , , , , , , 。h. 预测变量: (常量), , , , , 。i. 因变量: 注：分析得到的第八个模型中的调整的R方为0.845，接近于1。说明模型拟合度较高。该模型D-W建议值为1.866，不存在自身相关性。一般D-W值在1.5-2.5之间我们认为自变量不存在自身相关性。由表中可得出，模型8是本文想要得到的模型。第三步：SPSS分析结果三表3.3.3 Anovai模型平方和df均方FSig.1回归58.073124.83912.224.000a残差7.12618.396总计65.199302回归58.073115.27914.075.000b残差7.12719.375总计65.19930回归57.22369.53728.695.000g7残差7.97724.332总计65.199308回归56.753511.35133.598.000h残差8.44625.338总计65.19930a. 因变量: 表中模型8的F值为33.598，其回归显著性检验概率值为.000小于显著性水平。表中模型的回归平方和、df值都保持一致水平。综合表3.3.1、3.3.2和3.3.3分析出来的结果我们可以得到与呈明显的线性回归关系，把这些变量保留在模型中是合理的。下面我们直接给出关于模型8的估计系数分析报告。第四步：SPSS分析结果四表3.3.4 系数a模型非标准化系数标准系数tSig.B标准 误差试用版8(常量)-6.5173.561-1.830.049.804.340.2072.367.0269.1583.452.2102.653.014.244.043.4985.638.000.082.040.1542.023.044.494.099.4275.005.000a. 因变量: 注： T检验值的算法公式为 (7)其中为样本平均数与总体平均数的离差统计量；为样本平均数；为总体平均数；为样本标准差；为样本容量。这里我们通过SPSS软件操作一并得出，下面我们来分析一下数据。通过该分析报告我们可以得出非标准化回归系数，以及对回归系数的一系列检验值。从表3.3.4中可以看出，回归系数的概率值都小于显著性水平0.05。且5个自变量都通过了t检验，说明各指标均是显著的，综上该线性模型是成立的并且是可以解释变量的。因此我们可以将数据带入模型，可以得到线性回归模型如下： (8)第五步：SPSS分析结果五表3.3.5 残差统计量a极小值极大值均值标准 偏差N预测值5.186610.82337.27421.3754231残差-1.025831.18589.00000.5306031标准 预测值-1.5182.580.0001.00031标准 残差-1.7652.040.000.91331a. 因变量: 所谓残差，是在回归时，实际值与回归曲线得到的理论值之间的差值。标准残差，就是各残差的标准方差在回归分析中，测定值与按回归方程预测的值之差。通过31组样本数据得到标准残差的标准偏差为0.913，分布为-1.765到2.040。之前我们预测残差是符合正态分布，因此大部分标准偏差的值应该在-2到2之间。表明分析所得到残差符合了我们之前所设定的标准。标准化残差小于-3或者大于3时，我们将其视为异常值10，数据表明模型中残差没有异常值。综上，根据模型我们所得到实际数据和估计数据之间可能会有差异值，而差异值在-1.765到2.040之间。4 总结和建议4.1研究总结 本文通过问卷调查得出22个相关因素，通过对前人论文的总结和主成分分析法提取了影响超市布点的9个主成分因子的关键因素，据此构建了连锁超市布点的模型。根据SPSS软件进行线性回归分析，简化并得到模型。通过SPSS运算表明所构建的超市布点模型具有可信性和可靠性11。但是通过前面三章分析，我们发现该模型对于布点的研究还是存在着不足，但也有创新的地方，主要表现为：(1) 没有把城市整体规划和未来发展方向考虑进去本文在分析连锁超市布点因素时没有把所在城市整体规划和发展方向的因素考虑进去，没有把城市未来发展与连锁超市布点联系在一起，只是建立在已有的经济成熟区或繁华区上，这就导致了本文的研究结果不支持在政策和未来发展性倾向的布点。(2) 没有进行统一性以及整体性的考虑本文的连锁超市布点研究仅仅只考虑了超市本身与超市外部因素，而没有考虑连锁超市本身与其他各行各业的互补影响，这就直接导致了研究的片面性。(3) 理想化假设太多，无法联系实际真实情况该模型只侧重于分析，理想化条件太多，数据来源简单化同时也具有不确定性。很多实际情况无法用单纯数字描述，所以会导致研究的不严谨。(4) 大大简化解释变量本文在分析连锁超市布点的因素时针对前人的研究结果进行了线性回归分析。这一做法使得在保证数据合理性的前提下大大简化了解释变量的个数，使得模型更易于分析。(5) 可操作性强本文的连锁超市布点研究仅仅只考虑了影响超市布点的关键因素，在可操作性上得到了大大的提高。分析比较简便，比较简单易懂。4.2连锁超市布点的建议连锁超市的布点是在