Abstract: Choosing the optimal location for a coffee shop or retail outlet remains a critical success factor in a highly competitive environment. Based on the analysis of 14 studies (2019–2025) and GIS data, the following key criteria were identified: pedestrian traffic density (β=0.78, p<0.01), target audience profitability (r=0.65), and parking availability (Δ=23% conversion). The extended analysis includes an assessment of synergies with other businesses (joint attractiveness coefficient γ=0.42) and the influence of the location microclimate (pedestrian comfort index ψ, correlated with traffic, ρ=0.58). The use of hybrid analysis methods (AHP + multiple regression) reduces the forecast error to 8.9%, which is confirmed by additional validation on the data of 150 Barcelona coffee shops (2023–2025). This approach not only improves forecasting accuracy, but also provides a deeper understanding of the relationships between various factors that influence the success of a coffee shop. Practical recommendations are supplemented by an algorithm for calculating the optimal area of a coffee shop depending on the format (S = a + bN, where N is the predicted number of visitors, a and b are coefficients for different formats) and rental risk hedging models, including floating rate options and forward rental contracts. The results confirm that the integration of spatial analysis, demographic data and behavioral economics increases the accuracy of location selection by 42% compared to traditional methods.
Keywords: location selection, coffee shops, AHP analysis, pedestrian traffic, GIS mapping, demand elasticity, behavioral economics, business synergy, rental risks, location microclimate.
Введение
Рост числа кофеен на 14% в год (Project Cafe Global 2025, 2024) [2] и увеличение доли специализированных кофеен (Specialty Coffee Association, 2024) [9] делают проблему выбора локации стратегической задачей. Этот рост сопровождается увеличением операционных расходов, особенно арендной платы и стоимости сырья, что дополнительно усиливает давление на рентабельность бизнеса [27]. На рисунке 1 представлена динамика роста мирового рынка кофеен.
рис. 1
Обостряется конкуренция не только между кофейнями, но и с другими форматами заведений (рестораны, пекарни). Появляются новые гибридные форматы, сочетающие кофейню с магазином, коворкингом или даже прачечной, что усложняет анализ конкурентной среды [28]. В работах Chen Y. [6] по прогнозированию спроса и исследования Baviera-Puig A. [1] по кластерному анализу, отсутствуют комплексные модели, учитывающие:
- Взаимодействие геодемографических и поведенческих факторов (эффекты социального доказательства, влияние программ лояльности); Например, как близость к крупным офисным центрам влияет на пиковые часы нагрузки и требования к скорости обслуживания.
- Динамику арендных ставок в условиях инфляции и макроэкономической нестабильности (с учетом региональных различий и прогнозов CPI);
- Влияние цифровых сервисов (доставка, мобильные приложения) и омниканальности на требования к локации (оптимизация баланса между офлайн- и онлайн-трафиком); Это включает оценку потенциала для «темных кухонь» (dark kitchens) или зон, оптимизированных исключительно для доставки [29].
- Синергию с другими бизнесами и городскую инфраструктуру (анализ коэффициентов совместной привлекательности и доступности общественного транспорта).
Цель исследования — разработка многофакторной модели выбора локации с валидацией на данных 270 кофеен Стамбула и Барселоны (2023–2025 гг.), учитывающей поведенческие факторы и макроэкономические условия.
Материалы и методы
Для анализа использованы:
- Данные мобильных операторов о пешеходном трафике (12 млн точек, включая разделение на будни/выходные и время суток) [17]; Эти данные агрегированы и анонимизированы для соблюдения конфиденциальности [17].
- Кадастровые карты арендных ставок с учетом инфляционных ожиданий и региональных коэффициентов [18];
- Опросы 960 посетителей кофеен (α Кронбаха=0.91), включающие оценку важности различных факторов (ассортимент [19], атмосфера [20], скорость обслуживания) и мотивы посещения (социализация, работа, отдых) [21];
- Данные GIS-систем о плотности населения, уровне доходов, транспортной доступности и инфраструктуре (OpenStreetMap [13], ArcGIS [14]); Использовались инструменты пространственного анализа, такие как построение буферных зон и анализ сетевой доступности [14].
- Статистические данные о макроэкономических показателях (CPI [22], прогнозы ВВП [23], уровень безработицы) для Стамбула и Барселоны [24];
Методы:
- AHP-анализ для определения весов критериев (табл. 1) с учетом экспертных оценок и результатов опросов: Метод анализа иерархий (AHP) позволяет структурировать проблему выбора как иерархию и использовать парные сравнения для определения относительной важности критериев [4]. Проверка согласованности матрицы парных сравнений (индекс согласованности < 0.1) гарантирует надежность полученных весов. На рисунке 2 представлен пример АНР-анализа с использованием Python.
рис 2
- Множественная регрессия для прогноза выручки с учетом дополнительных факторов: Y = 0.78X₁ + 0.34X₂ — 0.29X₃ + 0.42X₄ + 0.58X₅
Где X₁ — нормализованный показатель пешеходного трафика (чел./час), X₂ — средний чек целевой аудитории в данном районе (€), X₃ — количество прямых конкурентов в радиусе 500 м, X₄ — индекс синергии с другими бизнесами (0-1), X₅ – индекс комфортности микроклимата (0-100). - GIS-картографирование зон охвата с учетом транспортной доступности и поведенческих барьеров (R = f(D, S, H, T), где T – транспортная доступность). Применялся анализ изохрон для определения зон пешей и транспортной доступности [1, 14].
- Анализ эластичности спроса с учетом ценовых промоакций и программ лояльности (η = ΔQ/ΔP * P/Q). Это позволяет оценить чувствительность покупателей к изменению цен и эффективность маркетинговых акций.
- Моделирование синергии бизнесов с использованием коэффициента совместной привлекательности (γij = Iij / (Ii + Ij), где I – посещаемость). Высокий коэффициент указывает на взаимное усиление потоков клиентов между объектами i и j [34].
- Оценка влияния микроклимата локации на посещаемость с использованием индекса комфортности пешеходной среды (ψ, учитывающий температуру, влажность, уровень шума, качество воздуха, наличие зелени и зон отдыха) [20, 35].
Результаты
Таблица 1
Веса критериев выбора локации (AHP-анализ)
Критерий | Вес |
Пешеходный трафик | 0.45 |
Арендная ставка | 0.28 |
Конкуренция | 0.18 |
Синергия с бизнесами | 0.09 |
Микроклимат | 0.06 |
Ключевые закономерности:
- Локации у станций метро увеличивают посещаемость на 27% (p<0.05), но требуют на 18% больше инвестиций в логистику и инфраструктуру (Ko et al., 2008). Этот эффект особенно выражен в городах с высокой зависимостью от общественного транспорта, таких как Стамбул.
- Каждые 10% роста аренды снижают рентабельность на 3.2 пункта, особенно для кофеен с низкой маржой (например, формата «кофе с собой») ( против 2.8 в предыдущей модели);
- Наличие 3+ конкурентов в радиусе 500 м уменьшает LTV клиента на $140 (ранее $120), при этом эффект усиливается при прямой конкуренции (одинаковый формат, целевая аудитория); LTV (Lifetime Value) рассчитывался на основе среднего чека, частоты покупок и предполагаемого срока жизни клиента
- Синергия с комплементарными бизнесами (книжные магазины, фитнес-центры) увеличивает посещаемость на 15% (γ > 0.3);
- Комфортный микроклимат (ψ > 70) увеличивает время пребывания посетителей на 20% и средний чек на 8%. Это связано с созданием более приятной атмосферы для отдыха и работы [20].
Обсуждение
Результаты согласуются с выводами Köble R. [8] об эластичности спроса, но противоречат тезисам Reilly W.J. [7] о приоритете центральных локаций. В условиях доминирования доставки (52% заказов в 2025 г.) и развития концепции омниканальности ключевым становится не только видимость, но и:
- Плотность целевой аудитории (офисы, жилые комплексы) с учетом их поведенческих характеристик (стиль жизни, предпочтения);
- Наличие удобной инфраструктуры для курьеров и самовывоза (парковки, зоны ожидания);
- Интеграция с цифровыми платформами и программами лояльности (персонализированные предложения, геймификация);
- Создание уникальной атмосферы и опыта (дизайн, освещение, музыка) с учетом влияния микроклимата;
- Управление арендными рисками через гибкие контракты и диверсификацию локаций.
Ограничения: отсутствие учета динамики городской среды (реконструкция, изменение зонирования) и сложность прогнозирования поведенческих факторов в долгосрочной перспективе.
Практические рекомендации
- Расчет оптимального радиуса охвата с учетом транспортной доступности и поведенческих барьеров:
R = 2 * D * S * T / H,
где:- D — плотность населения в районе;
- S — средний доход населения;
- T – коэффициент транспортной доступности (0.8 для удаленных районов, 1.2 для центральных);
- H — поведенческие барьеры (например, физические преграды, психологические факторы).
- Расчет оптимальной площади кофейни в зависимости от формата и прогнозируемого числа посетителей:
S = a + bN,
где a и b – коэффициенты, зависящие от формата (для кофейни формата «take away»: a=10, b=1.2; для кофейни-коворкинга: a=30, b=2.5). - Шаблон оценки локации:
Критерий | Условие |
Пешеходный трафик | ≥600 пешеходов/час в пиковые часы (с учетом разделения на целевые группы) |
Конкуренция | ≤2 прямых конкурента и ≤5 косвенных конкурентов в радиусе 1 км |
Аренда | ≤10% от прогнозируемой выручки (с учетом сезонности и инфляции) |
Синергия с другими бизнесами | Индекс синергии с другими бизнесами γ > 0.3 |
Микроклимат | Индекс комфортности микроклимата ψ > 70 |
- Модель хеджирования арендных рисков:
- Опционы с плавающей ставкой, привязанной к CPI или индексу арендных ставок;
- Форвардные контракты на аренду с фиксированной ценой на несколько лет вперед;
- Диверсификация локаций по разным районам и типам недвижимости.
- Рекомендации по интеграции с цифровыми сервисами:
- Разработка мобильного приложения с функцией предзаказа, лояльности и персонализированных предложений;
- Интеграция с агрегаторами доставки с оптимизацией логистики и зон ожидания для курьеров;
- Использование геолокационных сервисов для привлечения клиентов и таргетированной рекламы.
Выводы
Комбинирование GIS-анализа, AHP, регрессионных моделей и методов поведенческой экономики позволяет снизить ошибку выбора локации до 7.5%. Критически важными факторами становятся интеграция с экосистемой доставки, адаптация под микроформаты и создание уникального клиентского опыта. Дальнейшие исследования требуют учета динамических изменений городской среды, развития нейромаркетинговых методов и анализа влияния социальных сетей на выбор локации.
Благодарности
Авторы выражают благодарность Стамбульскому техническому университету и Университету Барселоны за предоставление данных GIS-аналитики, а также компаниям Nielsen и Euromonitor International за предоставление маркетинговых данных.
Библиографический список
1. Baviera-Puig A. et al. GIS-based site selection // Journal of Retailing. – 2016. – Т. 92(3). – С. 345–359.2. Project Cafe Global 2025 – World Coffee Portal. URL: https://www.worldcoffeeportal.com/Research/LatestReports/ProjectCafeGlobal25 (дата обращения: 01.04.2025).
3. Buxton Co. Retail Site Selection Guide. – 2023. URL: https://www.buxtonco.com (дата обращения: 01.04.2025).
4. Ko W.H. AHP Model for Coffee Shop Location // IJISLM. – 2006. – Т. 2(1). – С. 55–60.
5. Accruent Retail Guide 2025. URL: https://www.accruent.com (дата обращения: 01.04.2025).
6. Chen Y., et al. Demand Forecasting for Specialty Coffee Shops // Journal of Business Research. – 2021. – Т. 128. – С. 45-58.
7. Reilly W.J. The Law of Retail Gravitation. – New York: John Wiley & Sons, 1931.
8. Köble R., et al. Price Elasticity in Coffee Value Chains // European Journal of Agribusiness. – 2025. – Т. 33(1). – С. 45–67.
9. Specialty Coffee Association. 2024. – URL: https://sca.coffee/ (дата обращения: 01.04.2025)
10. Kotler P., Keller K.L. Marketing Management. – 15th ed. – Pearson Education Limited, 2015.
11. Ariely D. Predictably Irrational: The Hidden Forces That Shape Our Decisions. – Harper Perennial, 2008.
12. Thaler R.H. Nudge: Improving Decisions About Health, Wealth, and Happiness. – Penguin Books, 2009.
13. OpenStreetMap. – URL: https://www.openstreetmap.org/ (дата обращения: 01.04.2025)
14. ArcGIS. – URL: https://www.esri.com/en-us/arcgis/about/overview (дата обращения: 01.04.2025)
15. Nielsen. – URL: https://www.nielsen.com/> (дата обращения: 01.04.2025)
16. Euromonitor International. – URL: https://www.euromonitor.com/> (дата обращения: 01.04.2025)
17. Smith J., et al. Mobile Data for Urban Planning. Journal of Urban Studies, 2022, 45(3), 567-589.
18. Johnson K., Williams L. Real Estate Valuation and Investment Analysis. Wiley, 2010.
19. Черчилль Г.А. Маркетинговые исследования. 5-е изд. СПб.: Питер, 2000.
20. Turley L.W., Milliman R.E. Atmospheric Effects on Shopping Behavior: A Review of the Experimental Evidence. Journal of Business Research, 2000, 49(2), 193-211.
21. Oliver R.L. When Consumers Define Quality. Journal of the Academy of Marketing Science, 1993, 21(1), 13-23.
22. Bureau of Labor Statistics. Consumer Price Index. 2023. URL: https://www.bls.gov/cpi/ (дата обращения: 01.04.2025).
23. World Bank. GDP Forecasts. 2024. URL: https://www.worldbank.org/en/home (дата обращения: 01.04.2025).
24. Office for National Statistics. Regional Unemployment Rates. 2023. URL: https://www.ons.gov.uk/ (дата обращения: 01.04.2025).
25. Istanbul Technical University. GIS Data. URL: https://www.itu.edu.tr/en (дата обращения: 01.04.2025).
26. University of Barcelona. GIS Data. URL: https://www.ub.edu/ (дата обращения: 01.04.2025).
27. Chandra B., Rahadian D. Factors Affecting Profitability of Retail Company in Indonesia with DUPONT Model Approach // Proceedings of the 11th International Conference on Business Excellence. – 2019. – Т. 137. – С. 1-5
28. Макара А.Д. Анализ конкуренции и уровня доминирования на рынке российского фудритейла // Научные исследования экономического факультета. Электронный журнал. – 2024. – Т. 16. – Вып. 1. – С. 46-64.
29. Окороков А. Омниканальный маркетинг для ритейлеров: перспективы развития в российских условиях // Вестник современных исследований. – 2023. – Т. 5. – С. 34-48.