Главная    Интернет-библиотека    Маркетинг    Конкурентоспособность    Методы выбора местоположения торговой точки

Методы выбора местоположения торговой точки

Методы выбора местоположения торговой точки

Опубликовано в журнале "Маркетинг в России и за рубежом" №6 год - 2005

Угаров А.С.

Выбор местоположения торговой точки является одним из самых важных решений, которое должна принять фирма, работающая в сфере розничной торговли. С одной стороны, местоположение магазина определяет потенциальное количество клиентов и оборот. С другой стороны, в зависимости от места стоимость получения прав на строительство и аренду земли может различаться в несколько раз. Наконец, размещение магазина влияет на его имидж и имидж марки всей торговой сети. Но если арендная плата и стоимость получения прав на строительство известны заранее, то оборот можно только прогнозировать. Поэтому прогнозирование оборота является центральной и наиболее сложной процедурой при выборе местоположения.

Логика мышления зачастую основывается на том факте, что спрос на услуги данной торговой точки имеет очевидную географическую направленность. Возникает соблазн определить максимальное расстояние, которое сможет проехать потребитель магазина, и рассчитать численность населения, проживающего в пределах круга с данным радиусом. Полученное число затем можно использовать как основу для прогноза оборота новой торговой точки.

Однако такой подход имеет множество недостатков. Во-первых, не только географический фактор определяет спрос на услуги магазина, так как зона охвата значительно уже в районах с более интенсивной конкуренцией.

Во-вторых, даже при достаточно ровных границах участков прогноз, основанный на специально оцененных размерах торговой зоны, будет иметь очень низкую достоверность. Дело в том, что площадь и, соответственно, численность населения в круге (при равномерной плотности) возрастают пропорционально квадрату радиуса. Показатель времени, необходимого для достижения точки на автомобиле, примерно пропорционален расстоянию. Поэтому если мы можем оценить время с точностью в +/–15% с доверительной вероятностью в 0,95, то с той же доверительной вероятностью точность прогноза оборота будет примерно +/–30%.

Учитывая, что методы измерения торговой зоны (в том числе основанные на полевых исследованиях и статистике) также имеют серьезные слабости и подвержены непрогнозируемым смещениям, то результирующая точность прогноза будет довольно низкой. Цена ошибки в случае создания крупного торгового центра может составлять несколько миллионов долларов.

Ввиду важности местоположения для розничного предприятия и наличия методологических сложностей с прогнозированием оборота, возникает необходимость применения специальных методов для решения этой задачи. Всего известно четыре основных подхода к прогнозированию оборота торговой точки, но только два из них достаточно активно применяются в России. В данной статье мы кратко опишем все методы, уделяя особое внимание тем двум, что менее всего известны в нашей стране, но обладают наибольшей мощностью.

Метод контрольного списка

Первый метод можно назвать рейтинговой методикой или методом контрольного списка. Он предполагает оценку каждого варианта размещения магазина по фиксированному набору параметров. Значение параметров для всех вариантов оценивается экспертом. Шкала (но не ее вид) неявно определяется самим экспертом по каждому параметру.

Набор параметров может быть разноплановым и обычно относится к ноу-хау компании или эксперта, использующего методику. Зачастую в набор входят данные о социально-демографической структуре населения в районе, индекс насыщенности<1>, проходимость по автомобилям и пешеходам, удобство подъезда и парковки, близость к другим крупным торговым точкам, предполагаемую видимость [2, 7, 13].

<1> Индекс насыщенности равен потребительскому потенциалу территории по некоторой категории товаров/услуг, деленному на суммарную торговую или общую площадь розничных предприятий района по данной категории.

Метод контрольного списка дает исследователю некоторую систему, однако стороннему специалисту достаточно сложно оценить качество оценок. Даже при заданных весах за счет варьирования шкал по каждому параметру могут быть получены самые разные ранжирования объектов. К примеру, у одного эксперта оценки удобства подъезда могут варьироваться от 4 до 6 по десятибалльной шкале, а у другого — от 1 до 10. За счет большей вариации данный параметр принесет более значительный вклад в итоговый индекс.

Обычный путь состоит в нормировании значений оценок. Но нормирование может искажать результат, так как при выставлении весов сложно ориентироваться на равную вариацию оценок. Естественный путь избежать этого эффекта — использовать некоторую количественную шкалу, которая затем может нормироваться.

Метод контрольного списка стал, пожалуй, самым распространенным методом для принятия решений по местоположению как в России, так в США и Западной Европе. Очевидным преимуществом является его простота и дешевизна. Кроме того, в некоторых случаях высококвалифицированный и опытный эксперт может дать оценку более точную, чем любой существующий статистический метод. Фактически наличие эксперта, умеющего хорошо оценивать площадки, является необходимым условием для применения данного метода. Это же является и основным недостатком. Возникает и менее важная проблема эффектов взаимодействия между характеристиками различных точек, которую нельзя учесть в контрольном списке. Можно сделать вывод, что в наибольшей мере технология контрольного списка подходит для предварительного отбора приемлемых площадок квалифицированным экспертом.

Аналоговый подход

Как можно догадаться из названия, аналоговый подход основан на использовании значений некоторых характеристик существующих торговых точек в качестве основы прогноза для новых. Затем оптимальное на основе максимизации оборота или ожидаемой прибыли точки выбирается место.

В аналоговом подходе используются характеристики торговых точек, предположительно не изменяющиеся между объектами одного типа. По мнению приверженцев методики основная стабильная характеристика — это способность привлекать посетителей, характеризуемая или расстоянием, в пределах которого будет жить определенный процент клиентов магазина, или временем, необходимым для того, чтобы добраться от места проживания клиента до торговой точки [3].

На первом шаге применения аналогового подхода необходимо отобрать ряд действующих торговых точек, схожих по всем основным характеристикам, за исключением, возможно, плотности населения в районе. Сходство определяется как минимум по параметрам формата, товарных категорий в ассортименте и торговой площади.

На втором шаге оценивается способность торговых точек привлекать клиентов. Обычно в этих целях в качестве достаточно точного и дешевого метода используется опрос клиентов в торговых залах. Кроме того, исследование торговой зоны может быть совмещено с иными опросами в торговом зале. В США также использовался метод сбора информации по автомобильным номерам автомашин на стоянках торговых точек, сверявшейся затем с базой данных по регистрации автомобилей.

Для оценки оборота в новой торговой точке в анкету необходимо включить следующие вопросы о:

-

местожительстве респондента;

-

времени, которое он затрачивает на дорогу до магазина;

-

используемом транспорте;

-

частоте посещения магазина;

-

обычных обстоятельствах визитов (после работы по дороге домой; когда бывает в этом районе и т.д.);

-

целях визитов.

 

На третьем, заключительном шаге расчетов аналитик должен вычислить оборот новой торговой точки. В простейшем случае это можно сделать путем подсчета численности целевого сегмента в предполагаемой зоне охвата новой торговой точки. Таким образом, прогноз оборота для новой торговой точки в той мере будет отличаться от текущего значения оборота, в какой различаются плотности заселения торговых зон представителями целевого сегмента.

В более сложных вариантах отдельно учитываются пешеходы, автомобилисты, клиенты, для которых офис находится на пути с работы домой. Кроме того, возможно составление модели потребления услуг в зависимости от социально-демографических характеристик потребителей (например, дохода) и ее учет при составлении прогноза. Однако все усложненные модели потребуют значительно большего объема исходной информации, как минимум, базы данных, содержащей пространственную информацию.

Аналоговый подход очевиднее метода контрольного списка. В методе контрольного списка вычисляется лишь некоторая функция, коррелированная с потенциальным оборотом, тогда как первый метод ориентирован на прямое вычисление прогноза оборота при некоторых упрощающих предпосылках.

Однако это преимущество носит скорее теоретический характер, чем практический. Оба метода не имеют в своей основе алгоритма, который давал бы точный результат любому аналитику, беспрекословно ему следующему. Свобода эксперта снижается во втором случае, но даже в случае аналогового подхода эксперт сможет получить на выходе практически любой разумный результат. Кроме того, к аналоговому подходу можно прямо отнести все проблемы, связанные с измерением торговой зоны магазина.

Регрессионный анализ

Зачастую используют еще более очевидный и строгий подход, основанный на построении регрессии оборота от основных характеристик размещения магазина. Выбирается место, обеспечивающее максимально ожидаемое значение оборота. Выборка формируется так же, как и во втором случае: эксперт отбирает группу сходных предприятий. Однако это сходство не должно быть уже столь близким, как в аналоговом подходе. Достаточно лишь, чтобы все магазины относились к одному типу предприятий (гипермаркет, супермаркет и т.д.).

Переменные, описывающие расположение каждого магазина, могут быть получены из стандартных контрольных листов. Кроме того, в число регрессоров включаются переменные, описывающие рынок в зоне размещения, характеристики торговых точек, потребителей, цены и уровень конкуренции. Принципиально важно, чтобы значения каждой переменной по всем точкам выборки оценивались одним экспертом.

В целом метод достаточно часто применялся в случаях сетевых розничных компаний. Регрессионный анализ использовался для выбора местоположения продовольственных магазинов [4], отделений банков [9; 14], винных магазинов [10], отелей. Мы приводим ссылки только на академические исследования, так как исследования, предпринятые с исключительно прикладной целью, редко разглашаются. Известно, что метод достаточно популярен и у практиков в силу его простоты и объективности результата.

Проблемы, связанные с использованием регрессионного анализа, имеют в основном статистический характер и хорошо известны специалистам в области эконометрики. Однако отсюда не следует, что все эти проблемы легко решаемы и что регрессионный анализ дает всегда хороший результат. Во многих случаях нелинейность зависимостей и большая ошибка измерения ключевых переменных не позволяют построить хорошую зависимость с высоким коэффициентом детерминации.

Для всех регрессионных моделей прогнозирования оборота и доли рынка возникает проблема измерения переменных-регрессоров. Безусловно, переменные должны входить в уравнение регрессии с такими значениями, какими они представляются потребителям. Однако эти данные приходится заменять некоторыми условными конструкциями. Например, площадь магазина заменяет по сути показатель широты и глубины ассортимента. Приходится искусственно оценивать уровень конкуренции и покупательский потенциал населения. Кроме того, эксперты зачастую оценивают характеристики торговых точек совсем не так, как это делают потребители. Нарушаются не только пропорции между оценками, но и их порядок.

Во многих же случаях эксперту не представляется возможности испытать подобные проблемы на практике: для построения уравнения регрессии ему просто не хватает данных. Найти в полном объеме информацию о десяти и более однотипных торговых точках можно, пожалуй, только в том случае, когда анализ выполняется специалистами крупной торговой сети.

Модели выявленных предпочтений

Модели выявленных предпочтений являются развитием пространственных моделей, таких, как модель Рейли [15]. Смысл состоит в том, чтобы на основе фактических пространственных данных о выборе магазинов респондентами оценить параметры модели для прогноза рыночной доли. Если в модели Рейли значения параметров фиксированы, то здесь они оцениваются эконометрическим путем. На основе доли предприятия можно оценить оборот, прибыль и привлекательность той или иной точки. Кроме того, данный метод позволяет вместе с местом выбрать и оптимальную концепцию предприятия для каждого варианта размещения.

В соответствии с аксиомой Люса [11] полагается, что вероятность выбора Pij потребителем i определенной торговой точки j равна доле, которую составляет полезность использования этой точки Uij в сумме полезностей всех n возможных магазинов. Каждый потребитель может выбрать только одну торговую точку и не меньше, чем одну. Формула выглядит следующим образом:


(1)

Индекс i соответствует потребителю или, в общем случае, некоторой ситуации выбора. При использовании этой модели в розничной торговле под ситуацией чаще всего понимается район проживания потребителя, хотя можно учитывать также его социально-демографические характеристики и наличие автомобиля.

Данная модель, наряду с логит- и пробит-моделями<2> для вероятностей выбора, достаточно часто используется для прогнозирования долей рынка различных потребительских товаров и услуг. Если мы подставим в эту формулу функцию полезности мультипликативного вида, то получим формулу модели мультипликативного взаимодействия (MCI). Ее частным случаем является известная модель Хаффа [6], включающая только два параметра — площадь торговой точки и ее удаленность от потребителя в ситуации i:


(2)

где

Tij

удаленность торговой точки j от потребителя в ситуации i;

 

Sj

площадь торговой точки j;

 

некоторый положительный параметр, требующий статистической оценки (обычно принимает значения от единицы до трех);

 

n

число торговых точек.

 

<2> Регрессионные модели, включающие в простейшем случае или логистическое преобразование (логит-модель), или преобразование по формуле стандартного закона нормального распределения (пробит-модель) по отношению к линейной функции от регрессоров. Оцениваются методом максимального правдоподобия.

В общем же случае выражение для вероятности выбора потребителем определенной точки в MCI выглядит следующим образом [12]:


(3)

где

xkij

k-я переменная, описывающая точку j в ситуации выбора i;

 

Bk

показатель чувствительности функции полезности к k-й переменной (или уровень эластичности по этой переменной);

 

q

число переменных, участвующих в функции полезности.

 

Кроме того, используется функция полезности мультиномиального вида (MNL):


(4)

Выбор функции определяется характером зависимости маркетингового эффекта (доли рынка) от значений факторов. Модель MCI применяется в тех случаях, когда эластичность доли по значениям переменных убывает (например, площадь торговой точки), тогда как MNL предполагает наличие точки максимальной эластичности при ненулевых значениях переменной (расходы на рекламу).

Для оценки коэффициентов bk необходимо знание факторов xkij и вероятностей выбора Pij. Значения этих переменных привязаны к определенным «ситуациям выбора», то есть к ситуациям, для которых предполагаются одинаковые условия выбора (значения переменных не меняются от случая к случаю). Аналитик свободен в определении факторов, участвующих в выделении ситуаций выбора и в уравнении регрессии. Как правило, факторы, разграничивающие огромное множество всех ситуаций на искусственные группы или «ситуации выбора», одновременно входят в уравнения (3—4) в качестве регрессоров.

Каждую ситуацию выбора мы должны ассоциировать с соответствующими вероятностями Pij и переменными xkij. Так как истинные значения вероятностей нам не известны, то они заменяются усредненными по каждой ситуации оценками распределения предпочтений потребителей pij. В другом случае, когда множество ситуаций выбора совпадает с множеством респондентов, вероятности оцениваются через распределение числа визитов, совершенных данным потребителем.

В число факторов включаются переменные, описывающие торговую точку, и переменные, описывающие потребителя (расстояние до точки, наличие автомобиля). Например, перечень, предложенный [8], включает семь атрибутов для торгового центра: ассортимент, время пути до центра, дизайн, время работы, уровень цен, атмосферу и информативность. Значение этих переменных оценивается потребителями самостоятельно. Возможен и подход, в котором эти характеристики оцениваются экспертно. Например, в перечень переменных, оцененных экспертным путем, могут войти следующие: время в пути, площадь торговой точки (как приближение для ассортимента), наличие парковки, уровень цен, дизайн. Следует отметить, что в модель MCI мы можем включить только переменные, от которых доля предприятия на локальном рынке и эластичность доли должны зависеть монотонно (только возрастать или только убывать). В частности, мы не можем использовать переменные сегментирования и переменные, заведомо имеющие оптимальный уровень для доли (уровень освещенности, доля сопутствующих товаров).

Данные, необходимые для калибровки модели, почти всегда собираются путем полевого исследования<3>. Специалист должен выбрать территорию исследования. В случае небольшого или среднего города территория будет равна территории всего города. Если же исследуется рынок города-миллионера, то возможно ограничить исследование только территорией вблизи предполагаемого места (но с радиусом не менее двух километров).

<3> В некоторых случаях можно обойтись геоинформационной системой (ГИС) — комплексом из программы и данных, предназначенных для отображения и анализа пространственных данных.

Разбиение выборки на ситуации может производиться уже после полевого этапа, хотя обычно необходима хотя бы территориальная стратификация. Таким образом, вся территория исследования разбивается на ряд небольших районов. В каждом районе опрашивается определенное количество домохозяйств с целью выяснения их предпочтений.

Здесь следует отметить два тонких момента: выбор числа районов и выбор способа измерения предпочтений потребителей.

Модель (3—4) оставляет достаточно много свободы для описания предпочтений, а именно, для интерпретации P. Схема не запрещает использование в качестве усредненной оценки распределения расходов, что должно дать на выходе модели прогнозы оборота. Часто же под P понимается распределение визитов или распределение торговых точек по критерию максимальной важности для потребителя. В последнем случае выборка искусственно ограничивается теми домохозяйствами, которые совершают основную часть покупок данной категории только в одной торговой точке. Проблема измерения предпочтений сводится к проблеме постановке основных вопросов.

Эффективность способов описания предпочтений определяется типом предприятия, для которого производится исследование. Для торгового центра возможны следующие варианты основного вопроса:


1.

Назвать центр, в котором совершается подавляющая часть покупок [17].

2.

Назвать центр, в который потребитель скорее всего пойдет за покупками в следующий раз [16].

3.

Указать распределение числа визитов за покупками по торговым центрам [5].

4.

Указать распределение расходов на одежду по торговым центрам [16].

 

Для специализированных магазинов наиболее подходящим кажется вопрос о распределении расходов.

После получения массива подготовленных для анализа данных проводится расчет оценок долей P и параметров потребителей. С этими данными аналитик оценивает модель (3) методами наименьших квадратов или максимального правдоподобия. Второй метод в силу характера вычислений не гарантирует получения действительной величины оценки, поэтому лучше использовать метод наименьших квадратов. Путем несложных алгебраических операций выражение (3) удается привести к линейному виду относительно коэффициентов. В наиболее распространенном варианте уравнение регрессии для MCI будет выглядеть следующим образом:


(5)

Для MNL используется иное уравнение:


(6)

В уравнениях (5—6) обозначает геометрическое среднее вероятностей выбора различных объектов в ситуации i; Xki — геометрическое среднее значений k-й переменной для всех торговых точек в ситуации i, и — арифметическое среднее ошибки по всем объектам для ситуации i.

Для этой модели требуется измерение всех переменных в относительной шкале, то есть переменные, полученные на основе методов сокращения размерности, здесь неприемлемы. Тем не менее, существуют варианты записи модели, для которых может быть использована интервальная шкала.

К сожалению, для ошибок модели характерна гетероскедастичность4 [12]. Выражения для вариации и ковариации ошибок в модели зависят от формы основного вопроса, и обсуждение этого вопроса выходит за рамки обзорной статьи. Отметим, что для повышения качества оценок используется обобщенный метод наименьших квадратов. Возможно использование и стандартного метода, но в таком случае точность оценки коэффициентов будет ниже. Применение обобщенного метода наименьших квадратов для калибровки моделей дискретного выбора подробно описано в [12]. Кроме того, общие принципы можно узнать из [1].

Модели выявленных предпочтений имеют минимум два важных преимущества. Первое состоит в возможности получения количественного результата с максимальной точностью. Отметим, что точность моделей может быть повышена за счет учета взаимодействия между факторами, которое вводится в модель (3—4) ценой некоторого усложнения. Точность прогнозов из модели выявленных предпочтений немного выше, чем у регрессионных моделей и аналоговых методов. Большее значение имеет второе преимущество, заключающееся в лучшей интерпретируемости результатов. Из модели MCI или MNL мы можем легко вычислить эластичность доли рынка по любой переменной и выбрать оптимальную концепцию центра, исходя из максимизации прибыли девелопера. Преимущества данной методики особенно очевидны, когда ставится задача выбора местоположения для более чем одной торговой точки.

Применение модели ограничивается случаями исследования рынков, находящихся в состоянии относительной стабильности. Если в развитии розничной торговли города в ближайшее время предполагаются значительные изменения (в том числе, за счет реализации рассматриваемого проекта), то модель, откалиброванная на текущих данных, будет неверна для будущего (context dependency problem). В частности, параметр чувствительности к расстоянию существенно меняется вместе с пространственной структурой розничной торговли города. Кроме того, чувствительность к параметрам, по которым существующие торговые точки различаются мало, будет очень низка или статистически незначима.

Эта проблема особенно актуальна для России. В настоящее время в большинстве региональных столиц крупные торговые центры проектируются в условиях отсутствия фактической конкуренции. Вместе с тем ожидается достаточно высокий уровень конкуренции после завершения строительства, поэтому как выбор местоположения, так и концепции объекта являются для девелопера очень важными решениями. Использование в данном случае модели выявленных предпочтений в ее базовом варианте, несмотря на высокую мощность метода, приведет к некорректным результатам.

В данный момент мы считаем возможным применение методики для торговых центров в Москве, Санкт-Петербурге, Екатеринбурге. Для супермаркетов территория возможного применения методики значительно шире и распространяется на большинство региональных столиц.

Очевидный недостаток метода выявленных предпочтений заключается в необходимости проведения полевого исследования с довольно сложным вопросником. В случае, если в качестве основного вопроса используется вопрос о последнем месте совершения покупок, размер выборки, по нашим оценкам, должен составлять не менее 2000 респондентов целевого сегмента. В таком случае мы используем приемлемый размер выборки для построения регрессии (около 30 наблюдений) и ошибку оценки доли +/–10 процентных пунктов с доверительной вероятностью 0,9. Но для вопроса о распределении числа визитов приемлем значительно меньший размер выборки (от 300—400 респондентов).

С другой стороны, полевое исследование является весьма желательным этапом процесса выбора местоположения торговой точки (которое часто происходит одновременно с выбором концепции). Поэтому ценой использования метода выявленных предпочтений в данном случае будет лишь включение 7—10 закрытых вопросов в анкету.

Заключение

Мы рассмотрели основные модели, применяемые для выбора местоположения торговой точки. При этом метод выявленных предпочтений был рассмотрен более подробно ввиду его новизны для российской практики и большей сложности. Вместе с тем, нам не хотелось бы рекомендовать применение во всех случаях только одного метода. Каждый из перечисленных вариантов решения проблемы может быть назван наилучшим для определенных ситуаций. Мы постарались дать характеристику случаев, в которых использование данной модели оптимально.

Но главным выводом из нашей статьи мы хотели бы сделать вывод о многообразии и достаточно высокой мощности методов, существующих в маркетинговой науке для обеспечения принятия решения по выбору местоположения торговой точки. В России активно применяются только два метода из четырех (метод контрольного списка и аналоговый метод). Вместе с тем, с развитием розничной торговли применение более точных методов становится все более оправданным. Надеемся, что эта статья позволит несколько повысить качество принятия решений в области размещения торговых предприятий.

 

ЛИТЕРАТУРА

1. Айвазян С.А., Мхитарян В.С. Прикладная статистика и основы эконометрики. — М.: ЮНИТИ, 1998.

2. Applebaum W. Can Store Location Be A Science? // Economic Geography. — 1965. — №41. — Рр. 234—237.

3. Cohen S. and Applebaum W. Evaluating Store Sites and Determining Store Rents // Economic Geography. — 1960. — №36. — Рр. 1—35.

4. Cottrel J. An Environmental Model of Performance Measurement in a Chain of Supermarkets // Journal of Retailing. — 1973. — №39 (Fall) . — Рр. 51—63.

5. Gautschi P.A. Specification of Patronage Models of Retail Center Choice // Journal of Marketing Research. — 1981. — №18. — Рр. 162—174.

6. Huff D.L. Defining and Estimating a Trade Area // Journal of Marketing. — 1964. — №28. — Рр. 34—38.

7. Kane B.J. A Systematic Guide to Supermarket Location Analysis // New York: Fanchild Publications, 1966.

8. Lindquist J. The Meanings of Image // Journal of Retailing, 1974 (Winter). — Рр. 29—37.

9. Linge M., and Shin T. Factors Affecting Rural Bank Market Share // Akron Business and Economic review. — 1981. — №10. — Рр. 35—39.

10. Lord J., and Lynds C. The Use of Regression Models in Store Location research: A Review and Case Study // Akron Business an Economic Review. — 1981. — №10. —Рр. 13—19.

11. Luce R. Individual Choice Behavior // New-York: John Wiley & Sons, 1959.

12. Nakanishi M. and Cooper L.G. Parameter Estimate for Multiplicative Interaction Choice Model: Least Squares Approach // Journal of Marketing Research. — 1974. — №11. — Рр. 303—311.

13. Nelson R. The Selection of Retail Locations // New York: F.W.Dodge Corp, 1958.

14. Olsen, L., and Lord J. Market Area Characteristics and Branch Bank Performance // Journal of Bank Research. — 1979. — №10. — Рр. 102—110.

15. Reilly W. J. The Law of Retail Gravitation // New York: Knickerbrocker Press, 1931.

16. Severin V., Louviere J. and Finn A. The stability of retail shopping choices over time and across countries // Journal of Retailing. — 2001. — №77. — Рр. 185—202.

17. Stanley T. and Sewall M.A. Image Inputs to a Probabilistic Model: Predicting Retail Potential // Journal of Marketing. — 1976. — №40 (July). — Рр. 48—53.

Также по этой теме: