مدل انتخاب گسسته (Discrete Choice Pricing Model)، در ریاضیات (Mathematics)

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

مدل انتخاب گسسته (Discrete Choice Pricing Model) :

مدل انتخاب گسسته (Discrete Choice Model) چارچوبی اقتصادسنجی برای تحلیل تصمیم گیری مصرف کنندگان زمانی است که با مجموعه ای از گزینه های مجزا (مانند انتخاب بین چند برند یا محصول) مواجه هستند. این مدل ها بر اساس تئوری مطلوبیت تصادفی (Random Utility Theory) بنا شده اند و در قیمت گذاری برای پیش بینی تقاضا، تخمین کشش قیمتی، و شبیه سازی اثر تغییرات قیمت بر سهم بازار استفاده می شوند. مدل های لوجیت و پروبیت از معروف ترین انواع مدل های انتخاب گسسته هستند.

تئوری مطلوبیت تصادفی:

مطلوبیت مصرف کننده i از انتخاب گزینه j به صورت زیر است:

\[ U_{ij} = V_{ij} + \varepsilon_{ij} \]

که

\[ V_{ij} \]

بخش قطعی مطلوبیت (تابعی از ویژگی های گزینه و مصرف کننده) و

\[ \varepsilon_{ij} \]

بخش تصادفی (خطا) است. مصرف کننده گزینه ای را انتخاب می کند که مطلوبیت آن بیش تر باشد:

\[ P_{ij} = \Pr(U_{ij} > U_{ik} \ \forall k \neq j) \]

.

انواع مدل های انتخاب گسسته بر اساس توزیع خطا:

مدل لوجیت (Logit): اگر

\[ \varepsilon_{ij} \]

ها مستقل و از توزیع مقدار حدی نوع اول (Gumbel) پیروی کنند، احتمال انتخاب به فرم بسته زیر در می آید:

\[ P_{ij} = \frac{e^{V_{ij}}}{\sum_{k} e^{V_{ik}}} \]

مدل پروبیت (Probit): اگر

\[ \varepsilon_{ij} \]

ها دارای توزیع نرمال چندمتغیره باشند. این مدل انعطاف پذیرتر است اما فرم بسته ندارد و محاسبات پیچیده تر است.

مدل لوجیت آشیانه ای (Nested Logit): برای ساختارهای سلسله مراتبی انتخاب (مثلا ابتدا برند، سپس مدل).

مدل لوجیت آمیخته (Mixed Logit): برای در نظر گرفتن ناهمگنی در ترجیحات مصرف کنندگان.

🔑 فرم خطی برای بخش قطعی مطلوبیت:

معمولا

\[ V_{ij} = \beta' x_{ij} \]

که

\[ x_{ij} \]

شامل ویژگی های گزینه (مانند قیمت، کیفیت) و ویژگی های مصرف کننده است. ضریب قیمت

\[ \beta_p \]

معمولا منفی است (مطلوبیت با افزایش قیمت کاهش می یابد).

مراحل استفاده از مدل انتخاب گسسته برای قیمت گذاری:

گام ۱: جمع آوری داده های انتخاب مصرف کنندگان (داده های ترجیحات بیان شده یا ترجیحات آشکار شده).

گام ۲: تعریف مجموعه گزینه ها و ویژگی های مؤثر.

گام ۳: انتخاب نوع مدل (لوجیت، پروبیت، ...).

گام ۴: تخمین پارامترها با روش حداکثر درستنمایی (Maximum Likelihood).

گام ۵: تفسیر ضرایب (اهمیت ویژگی ها، کشش ها).

گام ۶: شبیه سازی سهم بازار برای سناریوهای مختلف قیمتی و تعیین قیمت بهینه.

مثال: مدل لوجیت برای انتخاب خودرو:

📘 مثال:

سه مدل خودرو در بازار وجود دارد: A، B، C. داده های انتخاب ۵۰۰ مصرف کننده جمع آوری شده است. متغیرهای توضیحی: قیمت (میلیون تومان)، مصرف سوخت (لیتر در ۱۰۰ کیلومتر)، قدرت موتور (اسب بخار). نتایج تخمین مدل لوجیت (ضرایب):

\[ \beta_{price} = -0.05 \]

(با افزایش 1 میلیون تومان قیمت، مطلوبیت 0.05 کاهش می یابد)

\[ \beta_{fuel} = -0.3 \]

(با افزایش 1 لیتر مصرف، مطلوبیت 0.3 کاهش)

\[ \beta_{power} = 0.02 \]

(با افزایش 1 اسب بخار، مطلوبیت 0.02 افزایش)

مشخصات خودروها:

A: قیمت ۱۰۰، مصرف ۸، قدرت ۱۱۰

B: قیمت ۱۲۰، مصرف ۷، قدرت ۱۳۰

C: قیمت ۹۰، مصرف ۹، قدرت ۱۰۰

محاسبه مطلوبیت قطعی برای هر خودرو:

\[ V_A = -0.05\times100 -0.3\times8 + 0.02\times110 = -5 -2.4 + 2.2 = -5.2 \] \[ V_B = -0.05\times120 -0.3\times7 + 0.02\times130 = -6 -2.1 + 2.6 = -5.5 \] \[ V_C = -0.05\times90 -0.3\times9 + 0.02\times100 = -4.5 -2.7 + 2 = -5.2 \]

احتمال انتخاب:

\[ P_A = \frac{e^{-5.2}}{e^{-5.2}+e^{-5.5}+e^{-5.2}} = \frac{0.0055}{0.0055+0.0041+0.0055} = \frac{0.0055}{0.0151} = 0.364 \] \[ P_B = 0.271 \]

،

\[ P_C = 0.364 \]

کشش قیمتی خودرو A: با افزایش 1٪ قیمت (1 میلیون)، مطلوبیت 0.05 کاهش می یابد. با استفاده از فرمول کشش لوجیت می توان اثر دقیق را محاسبه کرد.

مزایای مدل های انتخاب گسسته:

پایه های نظری قوی (تئوری مطلوبیت تصادفی)

قابلیت پیش بینی تقاضا و سهم بازار

مدل سازی ناهمگنی مصرف کنندگان (با مدل های آمیخته)

تخمین کشش های قیمتی مستقیم و متقاطع

معایب و محدودیت ها:

وابستگی به فرضیات توزیعی (مانند استقلال از گزینه های نامرتبط در لوجیت)

نیاز به داده های با کیفیت و حجم کافی

پیچیدگی محاسباتی در مدل های پیشرفته

حساسیت به تعریف مجموعه گزینه ها

کاربردها:

پیش بینی تقاضا برای محصولات جدید

تحلیل اثر تغییرات قیمت بر سهم بازار برندها

تعیین قیمت بهینه در بازارهای با رقابت انحصاری

ارزیابی اثرات سیاست های مالیاتی و تعرفه ای