Pricing decisions are often made when market information is still poor. In turn, existing theoretical models often reason about the response of optimal prices to changing market characteristics without exploiting all available information about the demand distribution. Our aim is to develop a theory for the optimization and systematic comparison of prices between different instances of the same market under various forms of knowledge about the corresponding demand distributions. We revisit the classic problem of monopoly pricing under demand uncertainty in a vertical market with an upstream supplier and multiple forms of downstream competition between arbitrary symmetric retailers. In all cases, demand uncertainty falls to the supplier who acts first and sets a uniform price before the retailers observe the realized demand and place their orders. Our main methodological contribution is that we express the price elasticity of expected demand in terms of the mean residual demand (MRD) function of the demand distribution. This leads to a closed form characterization of the points of unitary elasticity that maximize the supplier's profits and the derivation of a mild unimodality condition for the supplier's objective function that generalizes the widely used increasing generalized failure rate (IGFR) condition. A direct implication is that optimal prices between different markets can be ordered if the markets can be stochastically ordered according to their MRD functions or equivalently, their elasticities. Using the above, we develop a systematic framework to compare optimal prices between different market instances via the rich theory of stochastic orders. This leads to comparative statics that challenge previously established economic insights about the effects of market size, demand transformations and demand variability on monopolistic prices.


翻译:反过来,现有的理论模型往往说明最佳价格对市场特点变化的反应,而没有利用关于需求分配的所有现有信息。我们的主要方法贡献是,根据对相应需求分配的各种形式知识,发展一个理论,对同一市场不同情况的价格进行优化和系统比较,根据对相应需求分配的各种形式知识,我们的目的是发展一个理论,根据对相应需求分配的不同情况,对同一市场不同情况进行价格优化和系统比较。我们重新审视纵向市场需求不确定性下的垄断定价的典型问题,由上游供应商和任意对称零售商进行多种形式的下游竞争。在所有情况下,在零售商观察已实现的需求和定购定订单之前首先采取行动并确定统一价格的供应商,需求不确定性都落在供应方身上。我们的主要方法贡献是,根据需求分配的平均剩余需求(MRD)功能来表达预期需求的价格弹性。这导致一种封闭式的单一弹性点的特点,即供应商的利润最大化,而供应商的具体目标则具有轻微的不稳定性条件,即普遍使用普遍失标率(IGFR)的供应商的客观功能。这种直接影响是,在需求中,通过以往的市场汇率对市场进行最优的比较,如果通过市场进行排序,则采用不同的市场,则采用不同的市场,那么,则采用不同的市场结构,则可以对市场进行最优的比较。

0
下载
关闭预览

相关内容

专知会员服务
56+阅读 · 2021年4月12日
专知会员服务
50+阅读 · 2020年12月14日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
知识图谱推理,50页ppt,Salesforce首席科学家Richard Socher
专知会员服务
105+阅读 · 2020年6月10日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
计算机 | 入门级EI会议ICVRIS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年6月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
中信图书译者招募
遇见数学
12+阅读 · 2019年4月2日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【SIGIR2018】五篇对抗训练文章
专知
12+阅读 · 2018年7月9日
已删除
将门创投
12+阅读 · 2018年6月25日
【推荐】免费书(草稿):数据科学的数学基础
机器学习研究会
20+阅读 · 2017年10月1日
【推荐】SLAM相关资源大列表
机器学习研究会
10+阅读 · 2017年8月18日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2021年9月16日
Arxiv
4+阅读 · 2018年1月15日
VIP会员
相关VIP内容
专知会员服务
56+阅读 · 2021年4月12日
专知会员服务
50+阅读 · 2020年12月14日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
知识图谱推理,50页ppt,Salesforce首席科学家Richard Socher
专知会员服务
105+阅读 · 2020年6月10日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
相关资讯
计算机 | 入门级EI会议ICVRIS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年6月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
中信图书译者招募
遇见数学
12+阅读 · 2019年4月2日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【SIGIR2018】五篇对抗训练文章
专知
12+阅读 · 2018年7月9日
已删除
将门创投
12+阅读 · 2018年6月25日
【推荐】免费书(草稿):数据科学的数学基础
机器学习研究会
20+阅读 · 2017年10月1日
【推荐】SLAM相关资源大列表
机器学习研究会
10+阅读 · 2017年8月18日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员