carto-site-selection

选址与蚕食分析

构建 CARTO 工作流，通过组合空间条件，识别新设施（商店、车站、办公室）的最佳位置，并量化重叠商圈带来的蚕食风险。还涵盖双生区域和相似位置发现。

前提条件：加载 carto-create-workflow，了解开发流程、JSON 结构和验证方式。该指南涵盖两种访问路径：连接 MCP 服务时，使用 MCP 服务的工作流工具（create_workflow、validate_workflow、run_workflow）；否则使用 carto workflows CLI。路由提示：carto-basics/references/access-paths.md。如果工作流涉及等时圈、缓冲区或商圈丰富化，请加载 carto-trade-area-analysis，其中详细介绍了商圈处理流程。

---

决策树

用户意图	模式
“我应该在哪里开一家新店？”	选址（评分 + 排名）
“开一家新店会影响现有门店吗？”	蚕食分析
“找到与表现最佳门店相似的位置”	双生区域 / 相似位置

---

说明

模式 A：选址（评分 + 排名）

Existing locations + Target area -> Spatial indexing -> Enrich with demographics/POIs -> Score/Rank -> Filter top candidates -> Save

步骤 1：加载数据

使用 native.gettablebyname 加载两个数据集：

• 现有位置（当前门店 / 设施）
• 目标区域（例如城市边界、区级多边形，或覆盖研究区域的网格）

当候选位置和现有网络位于同一张表时进行拆分。 如果用户的数据源是单张表，且通过数值阈值定义“候选位置”（例如 revenue ≥ X、size ≥ Y），则使用一个 native.where 应用该条件，并将其 match 输出连接到候选位置处理流程，将 unmatch 输出连接到现有网络处理流程。从一个节点分出两条数据流——这比 orderby + limit + customsql NOT IN 简洁得多，而且完全不需要 customsql。该阈值近似于“前 N 个”；如果用户明确要求“恰好排名前 25”，仍应使用 orderby + limit，但要清楚这会增加节点数。

成功标准：两张表均已加载，包含几何列和唯一标识符。

步骤 2：构建候选网格

使用 native.h3polyfill 或 native.quadbinpolyfill 将目标区域填充为 H3 或 Quadbin 单元格。每个单元格都是一个候选微观位置。

成功标准：生成覆盖研究区域的连续单元格网格。

步骤 3：丰富候选位置

使用 native.h3enrich、native.joinv2 或 Data Observatory，为每个单元格添加需求信号，例如人口、收入、人流量和 POI 密度。

如果候选区域是连续多边形（商圈 / 区域）而非网格，那么选择 native.enrichpolygons 还是 native.spatialjoin + native.groupby 会很重要——有关取舍（AT 依赖、节点数、谓词 / 连接控制），请参阅 carto-spatial-enrichment 的步骤 4。

成功标准：每个网格单元格都包含表示需求 / 适宜性因素的数值列。

第 4 步：按与现有位置的距离筛选

使用 native.h3distance 计算每个候选网格单元到最近现有位置的跳数距离。筛除距离过近（存在蚕食风险）或过远（物流成本过高）的网格单元。输出的是跳数，而非度量距离——请根据分辨率的边长换算（参见注意事项）。

距离语义——应根据服务范围多边形，而非候选点来衡量蚕食。 当候选位置是带有生成的服务区域（等值线／缓冲区——参见 carto-trade-area-analysis）的点时，应计算候选位置的服务范围多边形到现有竞争对手点的 native.distance，而不是从候选点本身计算。原因：只要竞争对手位于服务区域内，ST_DISTANCE(polygon, point) = 0——这正是你需要的蚕食信号。点到点距离只会显示“最近的竞争对手有多远”，却掩盖了重叠情况。选择与服务区域大小相符的 radius（例如，10 分钟步行服务范围可设为约 5 公里）；半径过大会稀释信号。这种多边形到点的模式介于模式 A 的 H3 跳数筛选和模式 B 的完整网格重叠分析之间——只要候选位置已有连续的服务区域几何形状，就应使用它。

成功标准：候选网格单元与现有位置的距离处于合理范围内；若存在服务范围多边形，则从该多边形衡量蚕食信号。

第 5 步：评分与排序

使用 trade-area-analysis 中的评分模式：

1. 使用 native.normalize 将每个变量归一化至 [0,1]
2. 使用 native.selectexpression 和用户定义的权重计算综合得分
3. 使用 native.orderby（降序）和 native.limit（前 N 个）进行排序

成功标准：得到按综合得分和贡献变量排序的候选网格单元清单。

第 6 步：保存

使用 native.saveastable。H3／Quadbin 列可直接在 CARTO Builder 中可视化。

成功标准：已验证且可上传的工作流。

---

模式 B：蚕食分析

Existing + Proposed locations -> Trade areas (isoline/buffer) -> Polyfill to grid -> Intersect/Join -> Measure overlap -> Save

第 1 步：加载数据

加载现有位置和拟议位置（或加载带有标志列、用于区分两者的单个表）。如果两组数据位于同一个表中，且通过数值阈值（例如 revenue ≥ X）定义划分方式，请参见模式 A 第 1 步中的 native.where 匹配／不匹配划分——它可以从一个节点生成两条数据流，避免使用 customsql。

成功标准：两组数据均已加载，并包含几何信息和唯一标识符。

第 2 步：生成服务区域

使用 native.isolines（真实路网）或 native.buffer（简单缓冲区），为现有位置和拟议位置生成服务区域。两组位置使用相同参数，以确保结果可比。

成功标准：每个位置都有一个参数一致的服务范围多边形。

第 3 步：填充空间索引

使用 native.h3polyfill 将所有服务范围多边形转换为 H3 或 Quadbin 网格单元。保留位置标识符和 is_proposed 标志。

成功标准：每个位置的每个网格单元各占一行，并包含位置 ID 和类型标志。

第 4 步：查找重叠

在现有位置网格单元和拟议位置网格单元之间，使用 native.joinv2 基于空间索引列执行内连接。结果包含至少同时属于一个现有位置和一个拟议位置的网格单元。

成功标准：输出仅包含同时落入现有位置和拟议位置服务范围内的网格单元。

第 5 步：衡量影响

使用 native.groupby 汇总重叠情况：

• 按现有位置统计：重叠网格单元数量／该位置服务范围内的网格单元总数 = 重叠百分比
• 为重叠网格单元添加数据：关联人口或收入数据，以量化共享需求

使用 native.selectexpression 计算重叠率。

成功标准：每个现有位置都有一个重叠指标，显示其服务范围中与拟议位置共享的比例。

第 6 步：保存

使用 native.saveastable。

成功标准：已验证的工作流，并包含各位置的蚕食指标。

---

模式 C：孪生区域／相似位置

Top-performing locations -> Trade areas -> Enrich -> Build similarity model -> Score all candidate areas -> Rank -> Save

步骤 1：确定参考位置

加载完整的位置数据集。使用 native.wheresimplified 或 native.orderby + native.limit，筛选表现最佳的位置（例如，按收入排名位于前四分位数的位置）。

成功标准：筛选出一组表现出色的位置，作为参考集。

步骤 2：生成并丰富商圈

在参考位置周围创建等时圈或缓冲区商圈。填充到 H3/Quadbin。使用人口统计数据、POI 和任何相关变量进行丰富。

成功标准：每个参考位置都有丰富的人口统计资料。

步骤 3：构建孪生区域模型

使用 native.buildtwinareasmodel（BUILD_TWIN_AREAS_MODEL），根据经过丰富的参考位置创建基于 PCA 的相似度模型。

• 输入：带有数值特征列的经过丰富的参考位置
• 模型捕捉表现出色位置的多变量“特征”

成功标准：生成一个编码了表现出色位置人口统计特征的模型产物。

步骤 4：查找相似位置

使用 native.findsimilarlocations（FIND_SIMILAR_LOCATIONS），根据孪生区域模型为所有候选区域评分。

• 输入：使用与构建模型时相同变量进行丰富的候选区域
• 输出：每个候选区域的相似度分数

成功标准：每个候选区域都有相对于参考集的相似度分数。

步骤 5：排序并保存

按相似度分数降序排序。保存排名靠前的候选区域。

成功标准：生成一份排名列表，其中包含与表现出色位置最相似的区域。

---

商业热点变体

对于由需求驱动的选址（例如“未满足需求最高的地方在哪里？”），请使用 native.commercialhotspots：

1. 在研究区域上构建 H3 网格
2. 使用目标需求变量丰富网格（例如 15-34 岁人口）
3. 使用 variablecolumns 和 weights 运行 native.commercialhotspots
4. 按显著性筛选结果（p_value < 0.05）
5. 可选择使用 native.h3distance 筛选与现有位置的距离，聚焦服务不足的区域

注意：variablecolumns 使用 Python 风格的列表语法（['col1', 'col2']），而 weights 使用逗号分隔；详情请参阅 trade-area-analysis 中的注意事项。

---

注意事项

• 提供商的大小写规则和 SQL 方言。 此技能使用小写列名（h3、is_proposed、population 等），符合 BigQuery / Databricks / Postgres / Redshift 的惯例。在 Snowflake 上，未加引号的标识符会显示为大写；请使用 H3、IS_PROPOSED、POPULATION 引用。有关大小写规则和 SQL 方言等效项，请参阅 carto-create-workflow/references/providers/<provider>.md。
• native.commercialhotspots 需要 Analytics Toolbox 的 Retail 模块。使用 --connection 验证是否可用。
• 孪生区域和相似位置在内部使用 PCA；结果对变量选择和缩放方式很敏感。仅包含相关且不冗余的变量。如果输入的尺度差异很大，请先进行归一化。
• 侵蚀重叠高度依赖于商圈定义（缓冲半径、等时线时间）。参数的微小变化就可能导致结果反转。请记录所选参数及其理由。
• native.h3distance 返回的是跳数，而不是物理距离。将跳数乘以对应分辨率下的近似网格边长，可得粗略的公制距离（例如，分辨率 8 时每跳约为 460m，分辨率 9 时每跳约为 174m）。
• 比较不同规模的区域时，请将人口统计数据归一化为人均值或单位面积值，以避免规模偏差（例如，使用人口密度而非总人口）。
• “最佳”位置完全取决于所选的标准和权重；不存在客观正确的答案。请务必记录假设，并允许用户调整权重。
• 对于孪生区域模型，参考位置和候选位置必须使用相同的一组丰富变量。变量不匹配会导致模型失败或生成毫无意义的分数。

---

参考模板

Academy 教程

教程	提供方	URL
夏威夷檀香山 Pizza Hut — 使用商业热点进行选址	BigQuery	链接
夏威夷檀香山 Pizza Hut — 使用商业热点进行选址	Snowflake	链接
门店蚕食 — 量化新门店的影响	BigQuery	链接
Starbucks 蚕食 — H3 网格重叠分析	BigQuery	链接
门店蚕食 — Quadkey 网格重叠	Snowflake	链接
查找业绩最佳门店的孪生区域	BigQuery	链接
根据商圈查找相似地点	BigQuery	链接
电动汽车充电站选址	Workflows	链接

---

常见变体

变体	方法
零售扩张	等时圈 -> 使用人口统计数据和竞争对手密度进行丰富 -> 综合评分 -> 选取前 N 个
特许经营区域规划	采用蚕食模式，在授予经营区域前确保服务范围互不重叠
电动汽车充电／公共服务	基于网格的需求（人口、交通）+ 筛除距现有设施过近的区域 -> 对服务不足的网格单元排序
广告牌／户外广告投放	缓冲区 -> 受众数据丰富 -> 归一化并加权 -> 选取前 N 个（参见 trade-area-analysis）
银行网点优化	根据业绩最佳网点查找孪生区域 -> 查找相似的服务不足区域 -> 提议新网点
竞争对手邻近度分析	计算与竞争对手位置的 H3 距离 -> 筛选出远离竞争对手但靠近需求区域的网格单元