博弈论——霍特林博弈(Hotelling Game)

news2024/11/26 23:21:41

0 引言

前一篇文章在特殊的伯特兰德博弈模型的基础上,解释了伯特兰德悖论,我们先简单回顾一下:
三个假设:
(1)各寡头厂商通过选择价格进行竞争;
(2)各寡头厂商生产的产品是同质的(完全可替代的);
(3)寡头厂商之间也没有正式或非正式的串谋行为 。

内容和结论:
(1)伯特兰德模型是一个价格竞争模型;
(2)根据伯特兰德模型,谁的价格低谁就将赢得整个市场,而谁的价格高谁就将失去整个市场,因此寡头之间会相互削价,直至价格等于各自边际成本为止;
(3)根据伯特兰德均衡可以得到两个结论:a.寡头市场的均衡价格为:P=MC;b.寡头的长期经济利润为0。

博弈论——伯特兰德悖论(Bertrand Paradox)

当然,我们也在文章的末尾讨论了出现该悖论的三个原因就是因为三个假设,其中一个便是各寡头厂商生产的产品是同质的(完全可替代的)。如果企业生产的产品不完全相同,存在差异,则企业就可以通过产品的差异化进行竞争,避免直接的价格竞争。

也就是说解决这个悖论的方法之一就是引入产品的差异性,如果不同企业生产的产品是有差异的,替代弹性就不会是无限的,此时消费者对不同企业的产品有着不同的偏好,价格不是他们感兴趣的唯一变量,在这种情况下,均衡价格就不会是边际成本。

产品的差异性可以存在很多,比如包装、品牌、质量等等,这篇文章我们考虑一种特殊的差异——空间差异(Spatial differences),这便是霍特林模型(Hotelling model)

当然,空间差异也是有不同的,可能两家店在同一条直线街道上,也能在不是直线的街道上;可能两家店在街道的头尾,也可能都在街道中,所以根据空间差异不同,我们又可以进一步介绍霍特林模型的三种情况。

1 霍特林模型

在霍特林模型中,产品是同质的,但是在空间位置上有差异,因为不同位置上的消费者需要支付不同的运输成本,所以此时,顾客考虑的因素就有两点:价格、运输成本(旅行成本)。

很好理解,假设你家位于一条街道上,街头和街尾都有一家味道一样的冰淇淋店,这时候你要买冰淇淋的话,就会考虑这两家店的价格以及走到两家店的时间(路程),那如果这条街道上从头到尾都有人家,那么其他人会考虑去哪里买呢?现在我们把这个问题抽象成一个数学问题,进一步讨论。

假设有一个长度为1的线性城市,消费者均匀地分布在[0,1]区间内。假定有两个商店出售同质的产品,商品同质表示就商品本身而言,能够带给消费者的效用(utility)是相同的。我们假设商店1、2出售的产品的效用均为U,并且效用U>旅行成本+价格
每个商店单位产品的成本为c,消费者购买商品的旅行成本为t

(1)case1:两家商店分别位于街道两端

在这里插入图片描述

假设两个商店分别位于街道的两端,商店1位于最左端,商店2位于最右端即商店1在x=0处,商店2在x=1处。住在x处的消费者,如果要去商店1消费,要花费 t x tx tx的旅行成本;在商店2消费,要花费 t ( 1 − x ) t(1-x) t(1x)的旅行成本。假设所有消费者均购买一单位的产品,商店1的价格为 p 1 p_1 p1,商店2的价格为 p 2 p_2 p2 D i ( p 1 , p 2 ) , i = 1 , 2 D_i (p_1,p_2 ),i=1,2 Di(p1,p2),i=1,2为两个商店的需求函数。
所以消费者们从商品上获得的最终效用为商品效用-旅行成本-价格
U f i n a l = U − t r a v e l c o s t − p r i c e U_{final}=U-travel cost-price Ufinal=Utravelcostprice
因此,消费者选择商店1或者商店2的临界位置为消费者去两家店最终获得的效用相同即:
U f i n a l 1 = U f i n a l 2 U_{final}^1=U_{final}^2 Ufinal1=Ufinal2
U − t x − p 1 = U − t ( 1 − x ) − p 2 U-tx-p_1=U-t(1-x)-p_2 Utxp1=Ut(1x)p2
解得:
x ∗ = p 2 − p 1 + t 2 t x^*=\frac{p_2-p_1+t}{2t} x=2tp2p1+t
所以,位于 x ∗ x^* x左边的( x ∈ [ 0 , x ∗ ) x∈[0,x^*) x[0,x))的消费者都会去商店1购买;位于 x ∗ x^* x右边的( x ∈ ( x ∗ , 1 ] x∈(x^*,1] x(x,1])的消费者都会去商店2购买;位于 x ∗ x^* x处的消费者不论去哪个店最终效用都一样,称为无差别消费者位置
在这里插入图片描述

也就是说双方的需求函数为(消费者服从[0,1]的均匀分布):
D 1 ( p 1 , p 2 ) = ∫ 0 x ∗ 1 d x = x ∗ = p 2 − p 1 + t 2 t D_1 (p_1,p_2 )=∫_0^{x^*}1dx=x^*=\frac{p_2-p_1+t}{2t} D1(p1,p2)=0x1dx=x=2tp2p1+t
D 2 ( p 1 , p 2 ) = ∫ x ∗ 0 1 d x = 1 − x ∗ = p 1 − p 2 + t 2 t D_2 (p_1,p_2 )=∫_{x^*}^01dx=1-x^*=\frac{p_1-p_2+t}{2t} D2(p1,p2)=x01dx=1x=2tp1p2+t

解读:
(1) D 1 ( p 1 , p 2 ) D_1 (p_1,p_2) D1(p1,p2)关于p1递减,关于p2递增,也就是说当商店1的价格变高时,商店1的需求量就下降;当商店2的价格变高时,商店1的需求量就上升。
D 2 ( p 1 , p 2 ) D_2 (p_1,p_2) D2(p1,p2)是关于p2递减,关于p1递增的,解释也是类似。
(2)当p1=p2时,无差别消费者位置位于中间(x=1/2)处,此时商店1、2平分整个市场份额;
当p1>p2时,无差别消费者位置位于x=1/2的左边;
当p1<p2时,无差别消费者位置位于x=1/2的右边。

则两个商店的利润函数为
π 1 ( p 1 , p 2 ) = ( p 1 − c ) D 1 ( p 1 , p 2 ) = 1 2 t ( p 1 − c ) ( p 2 − p 1 + t ) π_1 (p_1,p_2 )=(p_1-c) D_1 (p_1,p_2 )=\frac{1}{2t}(p_1-c)(p_2-p_1+t) π1(p1,p2)=(p1c)D1(p1,p2)=2t1(p1c)(p2p1+t)
π 2 ( p 1 , p 2 ) = ( p 2 − c ) D 2 ( p 1 , p 2 ) = 1 2 t ( p 2 − c ) ( p 1 − p 2 + t ) π_2 (p_1,p_2 )=(p_2-c) D_2 (p_1,p_2 )=\frac{1}{2t}(p_2-c)(p_1-p_2+t) π2(p1,p2)=(p2c)D2(p1,p2)=2t1(p2c)(p1p2+t)
对利润函数求导为0:
∂ π 1 ( p 1 , p 2 ) ∂ p 1 = 1 2 t ( p 2 − 2 p 1 + t + c ) = 0 \frac{∂π_1 (p_1,p_2 )}{∂p_1}=\frac{1}{2t}(p_2-2p_1+t+c)=0 p1π1(p1,p2)=2t1(p22p1+t+c)=0
∂ π 2 ( p 1 , p 2 ) ∂ p 2 = 1 2 t ( p 1 − 2 p 2 + t + c ) = 0 \frac{∂π_2 (p_1,p_2 )}{∂p_2}=\frac{1}{2t}(p_1-2p_2+t+c)=0 p2π2(p1,p2)=2t1(p12p2+t+c)=0
解得博弈的均衡价格为:
p 1 ∗ = p 2 ∗ = c + t p_1^*=p_2^*=c+t p1=p2=c+t
两家店的均衡利润为:
π 1 ∗ = π 2 ∗ = t 2 π_1^*=π_2^*=\frac{t}{2} π1=π2=2t
我们将消费者的位置差异解释为产品差异,这个差异进一步可解释为消费者购买产品的旅行成本。旅行成本越高,产品的差异就越大,均衡价格就越大从而均衡利润也就越高。原因在于,随着旅行成本的上升,不同商店出售的产品之间的替代性下降,每个商店对附近的消费者的垄断力加强,商店之间的竞争越来越弱,消费者对价格的敏感度下降,从而每个商店的最优价格更接近于垄断价格

(2)case2:两家商店在同一个位置
在case1中,假定两个商店分别位于街道的两端,事实上,均衡结果对于商店的位置是很敏感的。考虑一个极端的情况,假定两个商店位于同一个位置x,此时对于所有位置的消费者,他们到两家店的旅行成本都相同,所以对于任意一个消费者,不管他住哪,他去两家店的旅行成本都相同,也就是为两家店的空间差异不存在了(在同一个位置当然空间位置就没差异了)。此时,由于出售的是同质的产品,消费者又变成了只关心价格,该模型的唯一均衡就是伯特兰德均衡,即:
p 1 ∗ = p 2 ∗ = c p_1^*=p_2^*=c p1=p2=c
π 1 ∗ = π 2 ∗ = 0 π_1^*=π_2^*=0 π1=π2=0
再次提醒,这里两家商店位于同一个位置,对于不同位置的消费者而言,旅行成本还是存在的,离商店远的旅行成本就高,离商店近的旅行成本就低。但如果从某一个消费者角度而言,这两家店在同一个位置,没有空间差异,不管去哪家店,该消费者的旅行成本都一样

(3)case3:两家商店可以位于街道任意位置
Case3中,我们讨论商店位于任何位置的情况,这种情况其实是更一般的情况,根据这种情况的结论我们也可以去推得上述两个例子。
假定商店1位于 a ≥ 0 a≥0 a0,商店2位于 1 − b ( b ≥ 0 ) 1-b(b≥0) 1b(b0)。为不失一般性,假定 1 − ( a + b ) ≥ 0 1-(a+b)≥0 1(a+b)0(即商店1位于商店2的左边)。如果旅行成本为二次式,即旅行成本为 t d 2 td^2 td2,这里 d d d是消费者到商店的距离。同样,我们假设无差别消费者位置为x,x左边的消费者都在商店1消费,x右边的消费者都在商店2消费。
在这里插入图片描述

因此我们同样可以根据最终效用来计算x:
U f i n a l 1 = U f i n a l 2 U_{final}^1=U_{final}^2 Ufinal1=Ufinal2
U − t ( x ∗ − a ) 2 − p 1 = U − t [ ( 1 − b ) − x ∗ ] 2 − p 2 U-t(x^*-a)^2-p_1=U-t[(1-b)-x^*]^2-p_2 Ut(xa)2p1=Ut[(1b)x]2p2
解得:
x ∗ = 1 − b + a 2 + p 2 − p 1 2 t ( 1 − a − b ) x^*=\frac{1-b+a}{2}+\frac{p_2-p_1}{2t(1-a-b)} x=21b+a+2t(1ab)p2p1
x < x ∗ x<x^* x<x的消费者都在商店1买, x > x ∗ x>x^* x>x的消费者都在商店2买, x = x ∗ x=x^* x=x处为无差别消费者位置。
因此,可以得到需求函数分别为:
D 1 ( p 1 , p 2 ) = ∫ 0 x ∗ 1 d x = x ∗ = 1 − b + a 2 + p 2 − p 1 2 t ( 1 − a − b ) D_1 (p_1,p_2 )=∫_0^{x^*}1dx=x^*=\frac{1-b+a}{2}+\frac{p_2-p_1}{2t(1-a-b)} D1(p1,p2)=0x1dx=x=21b+a+2t(1ab)p2p1
D 2 ( p 1 , p 2 ) = ∫ x ∗ 1 1 d x = 1 − x ∗ = 1 + b − a 2 + p 1 − p 2 2 t ( 1 − a − b ) D_2 (p_1,p_2 )=∫_{x^*}^11dx=1-x^*=\frac{1+b-a}{2}+\frac{p_1-p_2}{2t(1-a-b)} D2(p1,p2)=x11dx=1x=21+ba+2t(1ab)p1p2
为了让结果有更好地解释性以及方便读者理解,我们进一步将结果改写为:
D 1 ( p 1 , p 2 ) = a + 1 − b − a 2 + p 2 − p 1 2 t ( 1 − a − b ) D_1 (p_1,p_2 )=a+\frac{1-b-a}{2}+\frac{p_2-p_1}{2t(1-a-b)} D1(p1,p2)=a+21ba+2t(1ab)p2p1
D 2 ( p 1 , p 2 ) = b + 1 − b − a 2 + p 1 − p 2 2 t ( 1 − a − b ) D_2 (p_1,p_2 )=b+\frac{1-b-a}{2}+\frac{p_1-p_2}{2t(1-a-b)} D2(p1,p2)=b+21ba+2t(1ab)p1p2
需求函数的第一项是商店自己的“地盘”(a是住在商店1左边的消费者,b是住在商店2右边的消费者);第二项是位于两商店之间的消费者中靠近自己的一半,第三项代表需求对价格差异的敏感度。
在这里插入图片描述

则两个商店的利润函数为
π 1 ( p 1 , p 2 ) = ( p 1 − c ) D 1 ( p 1 , p 2 ) = ( p 1 − c ) [ a + 1 − b − a 2 + p 2 − p 1 2 t ( 1 − a − b ) ] π_1 (p_1,p_2 )=(p_1-c) D_1 (p_1,p_2 )=(p_1-c)[a+\frac{1-b-a}{2}+\frac{p_2-p_1}{2t(1-a-b)}] π1(p1,p2)=(p1c)D1(p1,p2)=(p1c)[a+21ba+2t(1ab)p2p1]
π 2 ( p 1 , p 2 ) = ( p 2 − c ) D 2 ( p 1 , p 2 ) = ( p 2 − c ) [ b + 1 − b − a 2 + p 1 − p 2 2 t ( 1 − a − b ) ] π_2 (p_1,p_2 )=(p_2-c) D_2 (p_1,p_2 )=(p_2-c)[b+\frac{1-b-a}{2}+\frac{p_1-p_2}{2t(1-a-b)}] π2(p1,p2)=(p2c)D2(p1,p2)=(p2c)[b+21ba+2t(1ab)p1p2]
同样,分别对p1、p2求导为0:
∂ π 1 ( p 1 , p 2 ) ∂ p 1 = 0 \frac{∂π_1 (p_1,p_2 )}{∂p_1}=0 p1π1(p1,p2)=0
∂ π 2 ( p 1 , p 2 ) ∂ p 2 = 0 \frac{∂π_2 (p_1,p_2 )}{∂p_2}=0 p2π2(p1,p2)=0
解得:
p 2 − 2 p 1 = − t ( 1 − b + a ) ( 1 − a − b ) − c p_2-2p_1=-t(1-b+a)(1-a-b)-c p22p1=t(1b+a)(1ab)c
p 1 − 2 p 2 = − t ( 1 + b − a ) ( 1 − a − b ) − c p_1-2p_2=-t(1+b-a)(1-a-b)-c p12p2=t(1+ba)(1ab)c
进一步求解关于 p 1 p_1 p1 p 2 p_2 p2的二元一次方程,得:
p 1 ∗ = c + 1 3 t ( 1 − a − b ) ( 3 + a − b ) p_1^*=c+\frac{1}{3}t(1-a-b)(3+a-b) p1=c+31t(1ab)(3+ab)
p 2 ∗ = c + 1 3 t ( 1 − a − b ) ( 3 + b − a ) p_2^*=c+\frac{1}{3}t(1-a-b)(3+b-a) p2=c+31t(1ab)(3+ba)

根据这个一般模型的结论,我们再推导一下前文提到的两种情况。

  • 商店在街道两端,此时a=b=0,则 p 1 ∗ = c + t , p 2 ∗ = c + t p_1^*=c+t,p_2^*=c+t p1=c+tp2=c+t
  • 商店在同一个位置,此时 a=1-b,则 p 1 ∗ = p 2 ∗ = c p_1^*=p_2^*=c p1=p2=c

两种情况的结论与前文推出的结论相同!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1177553.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

Devchat-AI 编程助手:Devchat-AI 尝鲜测评+场景实践

本心、输入输出、结果 文章目录 Devchat-AI 编程助手&#xff1a;Devchat-AI 尝鲜测评场景实践前言DevChat 简介DevChat 是什么DevChat AI 编程助手有哪些优势 DevChat 的申请和使用运行环境要求DevChat 的申请DevChat 激活DevChat 定价DevChat 的安装DevChat 的简单使用 相关图…

【GEE】使用GEE批量查询下载Landsat8数据

刚发了一篇Landsat8地表温度反演的博文&#xff0c;顺便分享一下如何使用GEE批量查询、下载Landsat8数据集。代码比较简单就是查询函数和导出函数&#xff0c;然后还有一个显示函数。网上的教程一大堆&#xff0c;都差不多的代码&#xff0c;在这里要感谢一些前辈们的无私奉献。…

JUC-1-并发编程基础

一 并发编程简介 1 什么是并发编程&#xff1f; 所谓并发编程是指在一台处理器上 “同时” 处理多个任务。并发是在同一实体上的多个事件。多个事件在同一时间间隔发生。 并发编程&#xff0c;从程序设计的角度来说&#xff0c;是希望通过某些机制让计算机可以在一个时间段内…

技术分享 | web自动化测试-PageObject 设计模式

为 UI 页面写测试用例时&#xff08;比如 web 页面&#xff0c;移动端页面&#xff09;&#xff0c;测试用例会存在大量元素和操作细节。当 UI 变化时&#xff0c;测试用例也要跟着变化&#xff0c; PageObject 很好的解决了这个问题。 使用 UI 自动化测试工具时&#xff08;包…

LangChain+LLM实战---Embedding、从入门到生产使用

搜索功能已经深入到我们的日常生活中&#xff0c;我们常说“Google一下就知道了”&#xff0c;用户已经开始期望几乎每个应用程序和网站都提供某种类型的搜索功能。随着有效搜索变得越来越相关(双关语)&#xff0c;寻找新的方法和体系结构来改进搜索结果对于架构师和开发人员来…

Vue-SplitPane可拖拽分隔面板(随意拖动div)

npm install vue-splitpane一、使用 &#xff08;1&#xff09;局部使用&#xff1a; 在vue文件中 import splitPane from vue-splitpane export default {componnets: { splitPane } }&#xff08;2&#xff09;全局使用&#xff1a; 在main.js文件注册 import splitPane…

openGauss学习笔记-116 openGauss 数据库管理-设置数据库审计-审计概述

文章目录 openGauss学习笔记-116 openGauss 数据库管理-设置数据库审计-审计概述116.1 背景信息116.2 操作步骤 openGauss学习笔记-116 openGauss 数据库管理-设置数据库审计-审计概述 116.1 背景信息 数据库安全对数据库系统来说至关重要。openGauss将用户对数据库的所有操作…

放卷开环张力控制(伺服转矩模式应用)

收放卷张力开环闭环控制算法,请参考下面文章链接: PLC张力控制(开环闭环算法分析)_RXXW_Dor的博客-CSDN博客文章浏览阅读4k次,点赞3次,收藏3次。里工业控制张力控制无处不在,也衍生出很多张力控制专用控制器,磁粉制动器等,本篇博客主要讨论PLC的张力控制相关应用和算…

leetcode:2926. 平衡子序列的最大和 【树状数组维护最大前缀和】

题目链接 lc2926 题目描述 题目思路 定义b[i] nums[i] - i 目标是从b中找到一个非降子序列使得元素和最大 # b[i] nums[i] - i # 找到b的一个非降子序列使得元素和最大 # f[i]: 子序列最后一个数下标是i&#xff0c;对应的最大子序列 # f[i] max (max f[j], 0) nums[i] …

【2023Q3_技术考核经验】

单选题&#xff1a; 1.下列有关影刀全局变量的概念说法错误的是&#xff1a;© B.和流程参数一样&#xff0c;只有事先给全局变量赋值&#xff0c;全局变量才可以用到其他流程当中去 C.全局变量适合用在变量值频繁更换的场景 解释&#xff1a;在右下角设置全局变量&#x…

本地电脑监控软件

本地电脑监控软件是一种用于监控计算机使用行为的软件&#xff0c;它可以帮助企业管理者了解员工的工作状态和行为&#xff0c;保护企业的计算机资源。 本地电脑监控软件可以监控员工的计算机使用行为&#xff0c;包括屏幕监控、键盘记录、文件操作等。这些功能可以帮助企业管理…

ansible安装和常见模块

文章目录 ansible的安装1.1 yum install epel-release.noarch1.2配置epel源的baseurl1.3安装ansible1.4安装ansible报错问题1.5 yum卸载 ansible的安装 ansible是由epel源提供的&#xff0c;所以需要配置epel源。要么通过配置好的baseos源直接执行“yum install epel-release.…

LabelImg使用笔记

LabelImg使用笔记 文章目录 LabelImg使用笔记一、LabelImg简介1.1、特性1.2、LabelImg的热键 二、LabelImg安装三、3种格式的使用3.1、VOC格式标注3.2、yolo格式标注3.3、json格式 四、LabelMe 和 LabelImg适用场景 一、LabelImg简介 LabelImg 是一个用于图像标注的开源工具&a…

vuepress 打包后左侧菜单链接 404 问题解决办法

背景 上周看到一本开源书 《深入架构原理与实践》&#xff0c;是基于 vuepress 搭建的&#xff0c;下载了源码&#xff0c;本地部署了一下&#xff0c;本文记录如何打包该源码遇到的路径问题及思考。 结论&#xff1a; vuepress 插件的 sideBar 的菜单路径默认是相对 / 的&am…

Python学习笔记--类的继承

七、类的继承 1、定义类的继承 说到继承&#xff0c;你一定会联想到继承你老爸的家产之类的。 类的继承也是一样。 比如有一个旧类&#xff0c;是可以算平均数的。然后这时候有一个新类&#xff0c;也要用到算平均数&#xff0c;那么这时候我们就可以使用继承的方式。新类继…

牛客出bug(华为机试HJ71)

Hj71&#xff1a;字符串通配符 描述 问题描述&#xff1a;在计算机中&#xff0c;通配符一种特殊语法&#xff0c;广泛应用于文件搜索、数据库、正则表达式等领域。现要求各位实现字符串通配符的算法。 要求&#xff1a; 实现如下2个通配符&#xff1a; *&#xff1a;匹配0个…

318. 最大单词长度乘积

318. 最大单词长度乘积 难度: 中等 来源: 每日一题 2023.11.06 给你一个字符串数组 words &#xff0c;找出并返回 length(words[i]) * length(words[j]) 的最大值&#xff0c;并且这两个单词不含有公共字母。如果不存在这样的两个单词&#xff0c;返回 0 。 示例 1&…

新版Helix QAC 100%覆盖MISRA C++:2023

Helix QAC 2023.3预期将100%覆盖在2023年第四季度发布的新的MISRA C:2023规则。 此外&#xff0c;该版本支持更多的C20语言特性&#xff0c;并改进了Perforce Validate平台和Helix QAC与Validate的集成&#xff0c;以及其他质量改进。 编码标准覆盖率&#xff08;MISRA C:202…

JDK设置编码格式UTF-8

Windows中安装的JDK默认编码格式是GBK 需要修改为UTF-8.在系统中添加系统变量 环境变量 变量名&#xff1a;JAVA_TOOL_OPTIONS 变量值&#xff1a;-Dfile.encodingUTF-8

UE问题盘点

打包后运行时应用程序崩溃 GPU崩溃&#xff08;Timed out waiting for RenderTread after 120.00 secs&#xff09; 分析&解决&#xff1a; 像素流送模式&#xff0c;部署机无显示器无分辨率所致&#xff08;接显示器或显卡欺骗器&#xff09;项目设置Targeted RHIs为Di…