Screening and Segmenting: A Consumer Surplus Perspective

1. Problématique et Contexte

L'article étudie l'impact du segmentation de marché sur le surplus des consommateurs dans un cadre de monopole où l'entreprise peut ajuster simultanément les prix et les qualités des produits. Ce scénario combine deux formes de discrimination par les prix :

• Discrimination de troisième degré : Tarification différente entre des segments de marché distincts.
• Discrimination de deuxième degré : "Screening" (criblage) des consommateurs au sein de chaque segment via des menus de produits de qualités différenciées.

Question centrale : Dans quelles conditions la segmentation du marché (création de sous-marchés avec des distributions de valeurs différentes) améliore-t-elle le surplus agrégé des consommateurs par rapport à un marché unique ?

Le modèle suppose un monopole vendant des produits de qualité $q \in \mathbb{R}_+$ à un coût $c(q)$ (strictement convexe). Les acheteurs ont une valeur privée $v$ (disposée à payer) et une utilité $vq - p$. Le vendeur connaît la distribution agrégée des valeurs mais pas les valeurs individuelles.

2. Méthodologie et Réduction du Problème

La contribution méthodologique majeure de l'article réside dans la simplification d'un problème d'optimisation infiniment dimensionnel.

• L'Objectif Initial : Maximiser le surplus des consommateurs sur l'ensemble des segmentations possibles $\sigma$, où une segmentation est une distribution sur l'espace des distributions de valeurs (un objet infiniment dimensionnel et complexe).

• L'Outil Clé : Le "Loyer d'Information Local" (Local Information Rent).
  Les auteurs montrent que le surplus des consommateurs dans n'importe quel marché peut être exprimé comme l'espérance d'une fonction appelée loyer d'information local, notée $u(v, h)$.
  $$u(v, h) = h \cdot Q(v - h)$$
  Où :

  • $v$ est la valeur du consommateur.
  • $h$ est le taux de hasard inverse (inverse hazard rate) du segment dans lequel se trouve le consommateur.
  • $Q(\cdot)$ est la fonction d'offre (inverse de la dérivée du coût marginal).
  • Le terme $(v-h)$ représente la valeur virtuelle.

• La Contrainte de Majorisation :
  Le problème est réduit à l'optimisation d'une seule fonction $h(v)$ (le taux de hasard inverse moyen) soumise à une contrainte de majorisation (majorization constraint).
  Soit $h^*(v)$ le taux de hasard inverse du marché agrégé. Toute segmentation réalisable doit satisfaire :
  $$\int_{\underline{v}}^{v} h(t) dF^*(t) \leq \int_{\underline{v}}^{v} h^*(t) dF^*(t) \quad \forall v \in V$$
  Cette contrainte capture les limites de la redistribution des acheteurs : on peut "concentrer" certains types (réduire $h$) ou les "diluer" (augmenter $h$ en créant des trous dans le support), mais ces opérations sont liées. La concentration des types inférieurs est nécessaire pour permettre la dilution des types supérieurs.

• Uniformité des Segmentations :
  Les auteurs démontrent qu'il est optimal de se restreindre aux segmentations uniformes. Dans une telle segmentation, tous les acheteurs d'un même type $v$ font face au même taux de hasard inverse $h(v)$ dans tous les segments où ils apparaissent, même si les prix diffèrent.

3. Résultats Principaux

A. Structure de la Segmentation Optimale (Théorème 1)

Le problème de maximisation du surplus des consommateurs se réduit à :
$$\max_{h \prec h^*} \int_{\underline{v}}^{\bar{v}} u(v, h(v)) dF^*(v)$$
où $h \prec h^*$ signifie que $h$ est majoré par $h^*$.

Conséquence structurelle frappante : Dans la segmentation optimale, tous les consommateurs d'un même type $v$ consomment la même qualité dans tous les segments, bien qu'ils paient des prix différents. La segmentation affecte uniquement le niveau des loyers d'information (via les prix de base), mais pas la structure de l'allocation de qualité.

B. Segmentations Convexes et Conditions de Régularité (Théorème 2)

Sous des conditions de régularité standard (demande log-concave et offre log-concave), la solution prend une forme simple :

• Il existe un seuil $\hat{v}$.
• Pour les valeurs $v \geq \hat{v}$, le taux de hasard inverse reste inchangé ($h(v) = h^*(v)$).
• Pour les valeurs $v < \hat{v}$, le taux de hasard inverse est réduit à un niveau optimal $h(v)$ qui maximise le loyer local.
• Structure des segments : Les segments optimaux sont des intervalles convexes emboîtés $[v_m, \bar{v}]$. Les segments concentrent les acheteurs de faible valeur.
• Prix : La tarification diffère d'un segment à l'autre uniquement par un frais fixe (base price) $T_m$, tandis que la structure marginale du menu de qualité reste identique.

C. Quand la Segmentation Nuisible ? (Corollaire 3)

L'article établit une condition nécessaire et suffisante pour qu'aucune segmentation ne puisse améliorer le surplus des consommateurs (segmentation nulle optimale) :
$$h^*(v) \leq h(v) \quad \forall v$$
Cela se produit lorsque la demande agrégée est suffisamment élastique par rapport à la convexité des coûts. Si la demande est très élastique, le monopoleur, dans le marché unique, offre déjà des loyers d'information proches de l'optimum social. Toute redistribution (segmentation) ne fait que dégrader cette situation.

D. Lien entre Élasticités (Cas de Coûts Iso-élastiques)

Pour des coûts de type puissance $c(q) = q^\gamma/\gamma$, les auteurs montrent un lien direct entre l'élasticité de l'offre ($\gamma$) et l'élasticité de la demande optimale dans les segments :

• Une offre plus élastique (faible $\gamma$) amplifie les distorsions du monopoleur.
• Pour contrer cela, la segmentation optimale doit rendre la demande plus élastique en bas de la distribution.
• L'élasticité de la demande dans les segments optimaux est fixée à une constante dépendant uniquement de la structure des coûts : $\eta = \frac{\gamma}{1-\gamma}$.

4. Contributions et Signification

1. Unification Théorique : L'article unifie la discrimination de prix de 2ème et 3ème degrés dans un cadre de produits multiples (qualité continue), comblant un vide laissé par la littérature précédente qui traitait souvent ces mécanismes séparément.
2. Réduction de Complexité : La transformation d'un problème d'optimisation sur l'espace des distributions de distributions en un problème d'optimisation fonctionnelle sous contrainte de majorisation est une avancée méthodologique majeure, rendant le problème analytiquement traitable.
3. Implications Réglementaires :
   • Contrairement à l'intuition selon laquelle la segmentation est toujours bénéfique (ou toujours nuisible), l'article montre que cela dépend crucialement des élasticités de la demande et de la convexité des coûts.
   • Dans les marchés où la demande est très élastique, interdire la segmentation peut être bénéfique pour les consommateurs.
   • À l'inverse, dans les marchés rigides (faible élasticité de la demande ou coûts très convexes), la segmentation peut être un outil puissant pour améliorer le bien-être des consommateurs en augmentant les loyers d'information.
4. Contraste avec la Littérature : L'article nuance les résultats de Haghpanah et Siegel (2023) qui suggéraient que la segmentation améliore toujours le surplus dans des marchés génériques à nombre fini de biens. Les auteurs montrent que lorsque l'espace des qualités devient continu, les gains potentiels peuvent disparaître entièrement si les conditions d'élasticité ne sont pas remplies.

En résumé, ce papier fournit une caractérisation complète et constructive de la segmentation optimale pour les consommateurs, démontrant que la clé réside dans la manipulation des taux de hasard inverse via une concentration sélective des acheteurs de faible valeur, tout en maintenant une uniformité de la qualité offerte.