MétaCan
Menu
Retour à la cohorte
Enregistrement W4295346218 · doi:10.1287/msom.2022.1146

Price Discrimination and Inventory Allocation in Bertrand Competition

2022· article· en· W4295346218 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueManufacturing & Service Operations Management · 2022
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueConsumer Market Behavior and Pricing
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésPrice discriminationMicroeconomicsPricing strategiesCompetition (biology)Market segmentationEconomicsQuality (philosophy)Nash equilibriumLimit priceIndustrial organizationMarketingBusinessPrice level

Résumé

récupéré en direct d'OpenAlex

Problem definition: It is common practice for firms to deploy strategies based on customer segmentation (by clustering customers into different segments) and price discrimination (by offering different prices to different customer segments). Price discrimination, although seemingly beneficial, can hurt firms in competitive environments. Academic/practical relevance: It is thus critical for firms to understand when to engage in price discrimination and how to support discriminatory pricing practices with appropriate inventory management strategies. This paper tackles this overarching question through operational lenses by studying the joint impact of price discrimination and the allocation of limited inventory across customer segments. Methodology: We develop a Bertrand competition game featuring capacity restrictions, quality differentiation, and customer heterogeneity. Results: We characterize (pure- or mixed-strategy) Nash equilibria for a single-stage game reflecting uniform pricing and for a two-stage inventory-price game reflecting discriminatory pricing along with endogenous inventory allocation. Managerial implications: We identify three sources of market friction in price competition enabling firms to earn higher profits: capacity limitations, quality differentiation, and customer heterogeneity. Price discrimination eliminates the market frictions from customer heterogeneity, but strategic inventory allocation restores (or strengthens) the market frictions from capacity limitations. As such, price discrimination is only beneficial when combined with optimal inventory allocation across segments. We discuss relevant real-world examples featuring regional price discrimination along with strategic inventory allocation, including fast fashion and vaccines. Otherwise, uniform pricing may outperform discriminatory pricing. Our results thus underscore the critical role of inventory allocation in the design of competitive pricing strategies. Funding: This research was partially supported by the National Natural Science Foundation of China [Grant 71821002]. Supplemental Material: The online appendix is available at https://doi.org/10.1287/msom.2022.1146 .

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,691
Score d'incertitude au seuil0,699

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,016
Tête enseignante GPT0,222
Écart entre enseignants0,206 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle