Segmentation of consumer markets in the US: What do intercity price differences tell us?
Notice bibliographique
Résumé
Abstract We quantify the magnitude of market segmentation in US consumer market and explore the underlying factors behind this segmentation, using a quarterly panel of retail prices for 45 products in 48 US cities from 1985 to 2009. The extent of market segmentation is estimated using city‐pair price differences within the framework of both linear autoregressive (AR) and nonlinear threshold autoregressive (TAR) models. We find that the magnitude of market segmentation varies from one product to another, but even more across city pairs in each product. Contrary to a widespread perception, market segmentation within the US is not necessarily larger for non‐tradable services compared to tradable goods. We identify potential drivers of market segmentation by relating the cross‐city and cross‐product variations of market segmentation to location‐specific and product‐specific characteristics—distance, relative city sizes, differences in wage and rent, type of product and proximity to marketplace. Distance, which captures more than transport costs, turns out to be the most salient factor even after controlling for a range of other potential factors. The effect of distance, however, varies substantially across products, with perishable products and locally produced products showing larger distance effect on market segmentation. We find that the magnitude of market segmentation has been somewhat stable during the sample period, but intercity price differences have become more sensitive to distance over time in many products under study.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».