Screening and Segmenting: A Consumer Surplus Perspective

1. Problemstellung und Motivation

Das Papier untersucht die Wohlfahrtswirkungen von Marktsegmentierung für Konsumenten in einem Monopolmarkt, in dem der Verkäufer sowohl zweitgradige als auch drittgradige Preisdiskriminierung gleichzeitig einsetzen kann.

• Kontext: Ein Monopolist bietet Güter unterschiedlicher Qualität $q$ zu Kosten $c(q)$ an. Die Käufer haben private Bewertungen (Typen) $v$, die einer Verteilung folgen.
• Mechanismus: Der Verkäufer segmentiert den Markt in Submärkte (drittgradige Diskriminierung) und bietet innerhalb jedes Segments einen optimalen Screening-Menü aus Qualität-Preis-Paaren an (zweitgradige Diskriminierung).
• Ziel: Die Autoren charakterisieren die konsumentenoptimale Segmentierung. Das heißt, sie suchen nach der Aufteilung des Gesamtmarktes in Segmente, die den aggregierten Konsumentenüberschuss maximiert, unter der Annahme, dass der Monopolist in jedem Segment profitmaximierend reagiert.
• Herausforderung: Das Optimierungsproblem ist inhärent komplex, da es über den Raum aller möglichen Verteilungen von Verteilungen (Segmentierungen) läuft, was einen unendlich-dimensionalen Suchraum darstellt.

2. Methodik und Analytischer Rahmen

Die zentrale methodische Leistung des Papers ist die Reduktion des hochdimensionalen Optimierungsproblems auf ein handhabbares Problem über eine einzelne Funktion.

A. Lokaler Informationsrente (Local Information Rent)

Die Autoren führen das Konzept der lokalen Informationsrente $u(v, h)$ ein.

• In einem Screening-Modell (z.B. Mussa-Rosen) hängt der Konsumentenüberschuss von der „Informationsrente" ab, die höhere Typen aufgrund der Qualitätserhöhung für niedrigere Typen extrahieren.
• Diese Rente wird als Funktion der inversen Hazard-Rate $h(v)$ ausgedrückt. Für eine gegebene Verteilung $m$ ist die inverse Hazard-Rate definiert als $h_m(v) = \frac{1-F_m(v)}{f_m(v)}$ (für stetige Verteilungen) oder entsprechend für diskrete Lücken.
• Die lokale Informationsrente ist definiert als:
  $$u(v, h) = h \cdot Q(v - h)$$
  wobei $Q(\cdot)$ die inverse Funktion der Grenzkosten ist (das Angebot). $v-h$ repräsentiert den virtuellen Wert.

B. Die Majorisierungsbedingung (Majorization Constraint)

Ein entscheidender Schritt ist die Charakterisierung dessen, was durch Segmentierung überhaupt erreichbar ist.

• Konzentration vs. Verdünnung: Segmentierung kann Typen in bestimmten Segmenten konzentrieren (niedrigere inverse Hazard-Rate) oder verdünnen (höhere inverse Hazard-Rate durch Erzeugen von Lücken im Support).
• Die Bedingung: Es wird gezeigt, dass jede mögliche Segmentierung $\sigma$ eine durchschnittliche inverse Hazard-Rate $h_\sigma(v)$ erzeugt, die die Majorisierungsbedingung erfüllt:
  $$h_\sigma \prec h^*$$
  Das bedeutet: $\int_{\underline{v}}^{v} h_\sigma(t) dF^*(t) \leq \int_{\underline{v}}^{v} h^*(t) dF^*(t)$ für alle $v$.
  Dies ist eine Verallgemeinerung der punktweisen Bedingung $h(v) \leq h^*(v)$, die im binären Fall gilt. Sie erlaubt es, die Hazard-Rate an einigen Stellen zu erhöhen, solange sie an anderen (höheren) Stellen genug gesenkt wird.

C. Uniforme Segmentierungen

Die Autoren beweisen, dass die optimale Segmentierung immer eine uniforme Segmentierung ist.

• In einer solchen Segmentierung haben alle Käufer desselben Typs $v$ in allen Segmenten, in denen sie vorkommen, die gleiche inverse Hazard-Rate.
• Dies impliziert, dass Käufer desselben Typs in jedem Segment die gleiche Qualität erhalten, auch wenn die Preise variieren können.

3. Hauptergebnisse

Theorem 1: Wert der Segmentierung

Das komplexe Problem, den Konsumentenüberschuss über den Raum der Segmentierungen zu maximieren, reduziert sich auf die Maximierung eines Funktionals über eine einzelne Funktion $h(v)$ unter der Majorisierungsbedingung:
$$\max_{\sigma} \int U(m) d\sigma(m) = \max_{h \prec h^*} \int_{\underline{v}}^{\bar{v}} u(v, h(v)) dF^*(v)$$
Dies ist ein Standard-Optimalsteuerungsproblem, das mit KKT-Bedingungen gelöst werden kann.

Theorem 2: Konvexe Segmentierungen (unter Regularitätsbedingungen)

Unter der Annahme von log-konkaver Nachfrage (monotone Hazard-Rate) und log-konkavem Angebot (bedeutet, dass die Grenzkosten nicht zu stark konkav sind), nimmt die konsumentenoptimale Segmentierung eine sehr einfache Struktur an:

1. Struktur: Die Segmente sind konvexe Intervalle $[v_m, \bar{v}]$, die alle das gleiche obere Ende $\bar{v}$ teilen, aber unterschiedliche untere Schwellen $v_m$ haben. Die Segmente sind verschachtelt (nested).
2. Mechanismus: Der Designer konzentriert nur die niedrigsten Typen (senkt $h(v)$ für $v < \hat{v}$), um die Informationsrente zu erhöhen. Es findet keine Verdünnung statt (keine Lücken im Support).
3. Preisstruktur: Die Qualitätsskalen sind über alle Segmente identisch. Der Unterschied zwischen den Segmenten besteht nur in einer fixen Gebühr (Base Price), die mit dem unteren Schwellenwert des Segments variiert.
4. Elastizitäten: Die optimale Segmentierung erhöht die Nachfrageelastizität für niedrigwertige Käufer auf einen durch die Kostenstruktur bestimmten konstanten Wert.

Korollar 3: Wann schadet Segmentierung?

Eine der wichtigsten regulatorischen Implikationen ist die Bedingung, unter der keine Segmentierung (Zero Segmentation) optimal ist.

• Segmentierung schadet den Konsumenten genau dann, wenn die aggregierte inverse Hazard-Rate $h^*(v)$ bereits überall unterhalb des Niveaus liegt, das die lokale Informationsrente maximiert ($h^*(v) \leq \hat{h}(v)$).
• Ökonomisch bedeutet dies: Wenn die aggregierte Nachfrage hinreichend elastisch ist (relativ zu den Kosten), bietet der Monopolist bereits ein Screening an, das den Konsumenten fast optimale Rente bietet. Jede weitere Umverteilung durch Segmentierung verschlechtert die Situation.
• Dies steht im Kontrast zu früheren Ergebnissen (z.B. Haghpanah & Siegel, 2023) für diskrete Gütermengen, wo Segmentierung fast immer vorteilhaft ist. Bei einem Kontinuum von Qualitäten können die Gewinne verschwinden.

4. Wichtige Beiträge und Erkenntnisse

1. Methodische Reduktion: Die Transformation des Problems von einer Optimierung über Verteilungen von Verteilungen zu einer Optimierung über eine Funktion (inverse Hazard-Rate) unter einer Majorisierungsbedingung ist der zentrale methodische Durchbruch.
2. Einheitlichkeit der Qualität: Ein kontraintuitives Ergebnis ist, dass in der konsumentenoptimalen Segmentierung Käufer desselben Typs überall die gleiche Qualität erhalten. Die Diskriminierung erfolgt rein über Preise (fixe Gebühren), nicht über die Produktqualität selbst.
3. Rolle der Elastizitäten: Der Nutzen der Segmentierung hängt kritisch vom Zusammenspiel von Nachfrage- und Angebotselastizitäten ab.
   • Bei elastischer Nachfrage (oder inelastischen Kosten) ist keine Segmentierung optimal.
   • Bei inelastischer Nachfrage (oder elastischen Kosten) kann Segmentierung den Konsumentenüberschuss signifikant steigern.
4. Regulatorische Implikationen: Die Ergebnisse liefern einen klaren Test für Wettbewerbsbehörden. Ein pauschales Verbot von Marktsegmentierung könnte in Märkten mit elastischer Nachfrage schädlich sein, da es wohlfahrtssteigernde Preisdiskriminierung verhindert. In Märkten mit inelastischer Nachfrage könnte Segmentierung jedoch schädlich sein, wenn sie die bereits effiziente Screening-Strategie des Monopolisten stört.

5. Erweiterungen (Abschnitt 6)

Die Autoren zeigen, dass der Rahmen auf andere Szenarien übertragbar ist:

• Adverse Selection: Wenn die Kosten vom Typ des Käufers abhängen (z.B. Versicherungsmärkte), ändert sich die effektive inverse Hazard-Rate, aber die Struktur der Lösung (Uniformität, Majorisierung) bleibt erhalten.
• Pareto-effiziente Segmentierung: Die Analyse kann auf die Maximierung einer gewichteten Summe aus Konsumenten- und Produzentenüberschuss erweitert werden, um die gesamte Pareto-Frontier zu charakterisieren.
• Diskrete Verteilungen: Der Ansatz lässt sich auf endlich viele Typen verallgemeinern, wobei die Lösung dann die konkave Hülle der lokalen Rente verwendet.

Fazit

Das Paper liefert eine vollständige Charakterisierung der konsumentenoptimalen Marktsegmentierung in einem Kontext mit multidimensionaler Preisdiskriminierung. Es zeigt, dass die Vorteile der Segmentierung nicht universell sind, sondern von spezifischen Marktbedingungen (insbesondere Elastizitäten) abhängen, und bietet ein mächtiges analytisches Werkzeug zur Bewertung von Preisdiskriminierungsstrategien und regulatorischen Eingriffen.