مدل رگرسیون خطی برای کشش قیمت (Linear Regression for Price Elasticity)، در ریاضیات (Mathematics)

انواع مدل های قیمت گذاری (Pricing Models) را در آموزش زیر شرح دادیم :

مدل رگرسیون خطی برای کشش قیمت (Linear Regression for Price Elasticity) :

مدل رگرسیون خطی برای کشش قیمت یک روش اقتصادسنجی است که برای اندازه گیری حساسیت تقاضا به تغییرات قیمت (کشش قیمتی تقاضا) استفاده می شود. این مدل به کسب وکارها کمک می کند تا رابطه بین قیمت و مقدار فروش را کمی کرده و تصمیمات بهتری در مورد قیمت گذاری بگیرند. کشش قیمتی تقاضا یکی از مهم ترین مفاهیم در علم اقتصاد و بازاریابی است.

تعریف کشش قیمتی تقاضا:

\[ E_p = \frac{\% \Delta Q}{\% \Delta P} = \frac{\Delta Q / Q}{\Delta P / P} \]

که در آن:

\[ E_p \]

: کشش قیمتی تقاضا

\[ \% \Delta Q \]

: درصد تغییر در مقدار تقاضا

\[ \% \Delta P \]

: درصد تغییر در قیمت

اگر

\[ |E_p| > 1 \]

، تقاضا کشش پذیر (Elastic) و اگر

\[ |E_p| < 1 \]

، تقاضا کشش ناپذیر (Inelastic) است.

مدل رگرسیون خطی ساده برای تخمین رابطه قیمت و تقاضا:

\[ Q = \beta_0 + \beta_1 P + \varepsilon \]

که در آن:

\[ Q \]

: مقدار فروش (متغیر وابسته)

\[ P \]

: قیمت (متغیر مستقل)

\[ \beta_0 \]

: عرض از مبدأ (تقاضا در قیمت صفر)

\[ \beta_1 \]

: شیب خط (نشان دهنده تغییر فروش به ازای یک واحد تغییر قیمت)

\[ \varepsilon \]

: خطا (عوامل دیگر مؤثر بر تقاضا)

🔑 محاسبه کشش از روی ضرایب رگرسیون:

کشش قیمتی در یک نقطه خاص از رابطه زیر به دست می آید:

\[ E_p = \beta_1 \times \frac{P}{Q} \]

که

\[ P \]

و

\[ Q \]

مقادیر متوسط یا نقطه خاص هستند. در مدل لگاریتمی (Log-Log)، کشش مستقیما برابر با ضریب متغیر قیمت است.

مراحل انجام تحلیل رگرسیون برای کشش قیمت:

گام ۱: جمع آوری داده های تاریخی قیمت و مقدار فروش (ترجیحا داده های سری زمانی یا مقطعی)

گام ۲: بررسی رابطه خطی با رسم نمودار پراکندگی

گام ۳: برآورد مدل رگرسیون (با نرم افزارهایی مانند Excel، SPSS، R یا Python)

گام ۴: بررسی معناداری آماری ضرایب (p-value) و کیفیت مدل (R-squared)

گام ۵: محاسبه کشش قیمتی با استفاده از ضرایب و مقادیر متوسط

گام ۶: استفاده از کشش به دست آمده برای پیش بینی تأثیر تغییر قیمت بر فروش

مثال: تخمین کشش قیمتی برای یک محصول:

📘 مثال عددی:

یک فروشگاه زنجیره ای داده های فروش هفتگی یک محصول را به همراه قیمت آن به مدت ۲۰ هفته جمع آوری کرده است. پس از برآورد رگرسیون خطی، نتایج زیر به دست آمده است:

\[ Q = 1,200 - 80 P \]

ضریب

\[ P \]

(شیب) = -۸۰ (معنادار از نظر آماری، p-value < 0.05)

میانگین قیمت در دوره = ۱۰ هزار تومان

میانگین فروش در دوره = ۴۰۰ واحد

کشش قیمتی در نقطه میانگین:

\[ E_p = -80 \times \frac{10}{400} = -80 \times 0.025 = -2 \]

تفسیر: به ازای ۱٪ افزایش قیمت، مقدار فروش ۲٪ کاهش می یابد (کشش پذیر).

اگر قیمت را ۵٪ افزایش دهیم، پیش بینی کاهش فروش:

\[ 5\% \times 2 = 10\% \]

، یعنی فروش از ۴۰۰ به ۳۶۰ واحد کاهش می یابد.

مدل های پیشرفته تر برای تخمین کشش:

مدل لگاریتمی (Log-Log Model):

\[ \ln(Q) = \alpha + \beta \ln(P) + \varepsilon \]

در این مدل،

\[ \beta \]

مستقیما کشش قیمتی را نشان می دهد.

مدل رگرسیون چندمتغیره: شامل متغیرهای کنترلی مانند درآمد مصرف کننده، قیمت کالاهای جانشین، فصل، تبلیغات و ...

مدل های داده های تابلویی (Panel Data): ترکیب داده های مقطعی و سری زمانی برای کنترل اثرات فردی.

مثال مدل لگاریتمی:

نتایج تخمین مدل لگاریتمی:

\[ \ln(Q) = 4.5 - 1.8 \ln(P) \]

کشش قیمتی = -1.8. یعنی ۱٪ افزایش قیمت، فروش را ۱.۸٪ کاهش می دهد.

مزایای استفاده از رگرسیون برای کشش قیمت:

کمی و عینی بودن نتایج

قابلیت آزمون فرضیه ها و معناداری آماری

امکان پیش بینی اثر تغییرات قیمت

شناسایی عوامل دیگر مؤثر بر فروش

بهبود تصمیم گیری در قیمت گذاری بهینه

چالش ها و محدودیت ها:

نیاز به داده های کافی و با کیفیت

مشکل همخطی (Collinearity) بین متغیرها

تغییرات ساختاری در طول زمان (ناپایداری ضرایب)

مشکل درون زایی (Endogeneity) (قیمت ممکن است تحت تأثیر تقاضا نیز باشد)

فرض رابطه خطی ممکن است درست نباشد

عوامل کیفی (برند، تبلیغات) ممکن است در مدل لحاظ نشوند

راه های مقابله با درون زایی: استفاده از متغیرهای ابزاری (Instrumental Variables) یا مدل های هم زمان (Simultaneous Equations).

کاربردها:

تعیین قیمت بهینه برای حداکثر کردن سود

ارزیابی تأثیر تخفیف ها و کمپین های فروش

بخش بندی بازار بر اساس کشش قیمتی

پیش بینی فروش در سناریوهای مختلف قیمتی

تحلیل اثر قیمت گذاری رقبا بر فروش