Resumen de Consumer choice in competitive location models
- español
Esta tesis doctoral tiene como objetivo la incorporación de los modelos de preferencia revelada de elección del consumidor en los modelos de localización competitiva en entorno discreto que tienen como objetivo maximizar la captura.
Para ello, después de la introducción y de la revisión de la literatura, el capítulo 3 analiza la importancia que tiene reflejar la conducta real del consumidor respecto a cómo éste considera la distancia, y cómo esto afecta a la optimalidad de las localizaciones que se obtienen en estos modelos.
Una vez analizada la característica distancia, el capítulo 4 presenta una nueva metodología para determinar que otras características (además de la distancia) se deben introducir en los modelos de Máxima Captura y cómo se tienen que representar éstas utilizando el modelo MCI (Multiplicative Competitive Interaction model) como modelo de elección del consumidor. La metodología se aplica a dos entornos reales: Barcelona y Milton Keynes.
El capitulo 5 presenta el New Chance Constrained Maximum Capture Location Problem. Este modelo de máxima captura, además de introducir las teorías de elección del consumidor, introduce una nueva restricción estocástica de umbral de rentabilidad.
Finalmente en el capítulo 6 se presentan los algoritmos desarrollados para resolver los modelos presentados en los capítulos 3 y 5. Concretamente, se desarrollan y testean dos metaheurísticas basadas en las metaheurísticas GRASP, Ant System y TABU Search.
- català
Lobjectiu bàsic daquesta tesis doctoral és la incorporació dels models de preferència revelada delecció del consumidor en els models de localització competitiva en entorns discrets que tenen com a objectiu maximitzar la captura.
Després de la introducció i de la revisió de la literatura, el capítol 3 analitza la importància que té reflectir la conducta real del consumidor respecte a com aquest té en compte la distancia, i com això afecta a la optimalitat de les localitzacions que sobtenen en aquests models.
Després danalitzar la característica distancia, el capítol 4 presenta una nova metodologia per determinar quines altres característiques (a més de la distancia) shan dintroduir en els models de Màxima Captura i com shan de representar fent servir el model MCI (Multiplicative Competitive Interaction model) com a model delecció del consumidor. La metodologia saplica a dos entorns reals: Barcelona i Milton Keynes.
El capítol 5 presenta el New Chance Constrained Maximum Capture Location Problem. Aquest model de màxima captura, a més dintroduir les teories delecció del consumidor, introdueixen una nova restricció estocàstica de llindar de rendibilitat.
Finalment en el capítol 6 es presenten els algoritmes desenvolupats per a resoldre els models presentats en els capítols 3 i 5. Concretament, es desenvolupen i testejen dues metaheurístiques basades en les metaheurístiques GRASP, Ant System i TABU Search.
- English
The main aim of this thesis is the introduction of consumer store choice theories in the discrete competitive location models that have a maximum captured objective function.
After the introduction and the literature review, chapter 3 analyses the importance of consumer behaviour with respect to distance in the optimality of locations obtained by a traditional discrete competitive location models.
Once the distance attribute has been analysed, chapter 4 presents a methodology for determining which store attributes (other than distance) should be included in a new version of the Maximum Capture Discrete Competitive Location models to the retail sector, as well as how these parameters ought to be reflected. The revealed preference store choice model use to define this methodology is the Multiplicative Competitive Interaction model. The methodology is tested to the supermarket sector in two different scenarios: Barcelona and Milton Keynes .
Chapter 5 presents the New Chance Constrained Maximum Capture Location Problem. , which is a maximum capture model that takes into account the store-choice theories and has an stochastic threshold constraint.
Finally, chapter 6 presents the algorithms developed to solved the models presented in this thesis (chapter 3 and chapter 5). Basically, this chapter presents the formulation development and the computational experience, for a two metaheuristics. These are based in three metaheuristics: GRASP, Ant System and TABU Search.
