кандидат психологических наук;
candidate of psychological sciences;
кандидат экономических наук;
candidate of economic sciences;
В статье рассмотрены две проблемы: дифференциация оборота розничной торговли в регионах Российской Федерации и построение цепи поставок для реализации потенциала. Первый раздел посвящен определению розничного потенциала регионов России. На основе корреляционного анализа были выявлены ключевые структурные факторы, оказывающие влияние на оборот розничной торговли на душу населения. На следующем этапе были отобраны два фактора – количество потребительских наборов на душу и доля городского населения – как признаки кластеризации регионов. Кластеризация выполнена алгоритмом k-means с помощью библиотеки scikit-learn языка Python. Полученные кластеры затем были использованы для «умного» бенчмаркинга субъектов Российской Федерации, который позволил выявить розничный потенциал. Во втором разделе раскрывается процесс построения сети распределительных центров для удовлетворения выявленного ранее потенциала. Была применена авторская методика по переводу денежных единиц в тоннаж по данным из открытых источников. Моделирование проводилось в специальном программном обеспечении HORIZON, учитывающем реальную дорожную сеть и региональные тарифы. Также проведен расчет основных параметров цифровой модели: плотности хранения, стоимости оборудования, затрат на строительство 1 квадратного метра, фиксированных затрат (управленческие расходы, WMS, охрана) и оборачиваемости запасов. В результате исследования выявлен розничный потенциал регионов в размере 2,3 трлн руб., определены 68 приоритетных городов и 43 оптимальные локации складов. Результаты служат методологическим инструментом стратегического планирования для ритейлеров и других организаций, ведущих свою деятельность в масштабах страны.
The article considers two problems: differentiation of retail trade turnover in the regions of the Russian Federation and building a supply chain to realize the potential. The first section is devoted to determining the retail potential of Russian regions. Based on the correlation analysis, the key structural factors influencing the retail trade turnover per capita have been identified. At the next stage, two factors were selected – the number of consumer kits per capita and the proportion of the urban population – as signs of regional clustering. Clustering is performed by the k-means algorithm using the Python scikit-learn library. The resulting clusters were then used for "smart" benchmarking of the subjects of the Russian Federation, which made it possible to identify the retail potential. The second section describes the process of building a network of distribution centers to meet the previously identified potential. The author's methodology for converting monetary units into tonnage was applied based on data from open sources. The simulation was carried out using special HORIZON software, which takes into account the real road network and regional tariffs. The calculation of the main parameters of the digital model was also carried out: storage density, cost of equipment, construction costs of 1 square meter, fixed costs (management costs, WMS, security) and inventory turnover. As a result of the study, the retail potential of the regions in the amount of 2.3 trillion rubles was revealed, 68 priority cities and 43 optimal warehouse locations were identified. The results serve as a methodological strategic planning tool for retailers and other organizations operating nationwide.