तकनीकी सारांश: गलत तरीके से निर्दिष्ट 'एक्सप्लोर-देन-एक्सप्लोइट' (Explore-then-Exploit) से अति-प्रतिस्पर्धी कीमतें (Supra-Competitive Prices) उत्पन्न होना

1. समस्या विवरण (Problem Statement)

यह शोध पत्र इस बात की जांच करता है कि क्या सरल, मॉडल-आधारित एल्गोरिद्मिक मूल्य निर्धारण प्रणालियाँ बहु-फर्म बाजारों में व्यवस्थित रूप से अति-प्रतिस्पर्धी कीमतें (नैश इक्विलिब्रियम से ऊपर की कीमतें) उत्पन्न कर सकती हैं, जो बिना किसी स्पष्ट संचार या जटिल सुदृढीकरण शिक्षण (reinforcement learning) रणनीतियों के मिलीभगत (collusion) की नकल कर सकती हैं।

जबकि मौजूदा साहित्य (जैसे, Calvano et al., 2020) यह प्रदर्शित करता है कि जटिल Q-learning एजेंट रिवॉर्ड-एंड-पनिशमेंट डायनेमिक्स के माध्यम से मिलीभगत को बनाए रख सकते हैं, ये तंत्र अक्सर गणनात्मक रूप से गहन होते हैं और हाइपरपैरामीटर ट्यूनिंग के प्रति संवेदनशील होते हैं। इसके विपरीत, कई फर्में सरल "एस्टीमेट-देन-ऑप्टिमाइज़" (estimate-then-optimize) पाइपलाइन का उपयोग करती हैं: वे ऐतिहासिक डेटा से मांग वक्र (demand curve) का अनुमान लगाती हैं और अनुमानित राजस्व को अधिकतम करने के लिए अल्पकालिक रूप से कीमतें निर्धारित करती हैं। इन व्यावहारिक प्रणालियों की एक महत्वपूर्ण विशेषता मिसस्पेसिफिकेशन (misspecification) है: फर्में आमतौर पर केवल अपने स्वयं के मूल्य और बिक्री इतिहास का उपयोग करके एक एकाधिकार-शैली (monopoly-style) का मांग वक्र अनुमानित करती हैं, जिसमें प्रतिस्पर्धियों के मूल्यों को छोड़ दिया जाता है।

मुख्य प्रश्न यह है कि क्या एक्सप्लोर-देन-एक्सप्लोइट (explore-then-exploit) नीति और एक गलत तरीके से निर्दिष्ट मांग मॉडल (misspecified demand model) का यह विशिष्ट संयोजन मजबूती से अति-प्रतिस्पर्धी परिणामों की ओर ले जा सकता है। पिछले कार्य (Cooper et al., 2015) ने सुझाव दिया था कि शुद्ध शोषण (pure exploitation) के तहत मिसस्पेसिफाइड मॉडल्स के साथ, सीमित कीमतें अत्यधिक पथ-निर्भर (path-dependent) और अप्रत्याशित होती हैं, जो पूरी तरह से प्रारंभिक स्थितियों पर निर्भर करती हैं। यह शोध पत्र तर्क देता है कि स्वतंत्र यादृच्छिक कीमतों के साथ एक प्रारंभिक एक्सप्लोरेशन चरण (exploration phase) पेश करने से यह अनिश्चितता दूर हो जाती है, जिससे अच्छी तरह से परिभाषित स्थितियों के तहत व्यवस्थित रूपगत अति-प्रतिस्पर्धी अभिसरण (convergence) होता है।

2. कार्यप्रणाली (Methodology)

मॉडल सेटअप (Model Setup)

लेखक एक रैखिक मांग मॉडल (linear demand model) और विशिष्ट झटकों (idiosyncratic shocks) के तहत $T$ समय अवधियों में $N$ सममित फर्मों वाले प्रतिस्पर्धी बाजार का विश्लेषण करते हैं। फर्में दो चरणों वाली नीति का पालन करती हैं:

1. एक्सप्लोरेशन चरण ($t \le K$): फर्में $\mu_i$ और सहप्रसरण $\Sigma_{exp}$ के वितरण से स्वतंत्र रूप से खींची गई कीमतों को पोस्ट करती हैं।
2. एक्सप्लोइटेशन चरण ($t > K$): फर्में एक अल्पकालिक एस्टीमेट-देन-ऑप्टिमाइज़ नियम का उपयोग करती हैं। प्रत्येक अवधि में, फर्म $i$ अपने स्वयं के ऐतिहासिक मूल्य-मात्रा डेटा पर ऑर्डिनरी लीस्ट स्क्वायर्स (OLS) का उपयोग करके एक रैखिक मांग वक्र $q(p) = \alpha + \beta p$ फिट करती है। महत्वपूर्ण रूप से, यह मॉडल प्रतिस्पर्धियों के मूल्यों को छोड़ देता है। फर्म फिर इस फिट किए गए वक्र के आधार पर अनुमानित लाभ को अधिकतम करने के लिए अगला मूल्य निर्धारित करती है।

विश्लेणात्मक ढांचा: फ्लूइड लिमिट और ODE (Analytical Framework: Fluid Limit and ODE)

दीर्घकालिक व्यवहार का विश्लेषण करने के लिए, लेखक एक फ्लूइड स्केलिंग रिजीम (fluid scaling regime) पर विचार करते हैं जहाँ एक्सप्लोरेशन क्षितिज $K$ और एक्सप्लोइटेशन क्षितिज $T$ दोनों बड़े होते जा रहे हैं, और उनका अनुपात $(K+T)/K \to \alpha$ है।

• अभिसरण (Convergence): यह दिखाया गया है कि स्टोकेस्टिक प्राइसिंग प्रक्रिया एक नियतात्मक सीमा (deterministic limit) की ओर अभिसरित होती है जिसे एक प्राइस-मोमेंट्स ऑर्डिनरी डिफरेंशियल इक्वेशन (ODE) द्वारा वर्णित किया जाता है।
• स्टेट वेरिएबल्स (State Variables): ODE सभी फर्मों के रनिंग प्राइस मीन्स $U(t)$ और संचित प्राइस कोवेरियन्स $V(t)$ को ट्रैक करता है।
• तंत्र (Mechanism): ODE प्रकट करता है कि मिसस्पेसिफिकेशन एक पूर्वाग्रह (bias) पेश करता है। जब फर्मों के ऐतिहासिक मूल्य प्रतिस्पर्धियों के मूल्यों के साथ सकारात्मक रूप से सह-संबंधित होते हैं (जो $V(t)$ के ऑफ-डायगोनल टर्म्स द्वारा कैप्चर किया जाता है), तो OLS एस्टीमेटर एक ओमिटेड-वेरिएबल बायस (omitted-variable bias) से ग्रस्त होता है, जिससे फर्में वास्तविक बेस्ट रिस्पॉन्स की तुलना में उच्च कीमतें निर्धारित करती हैं।

सैद्धांतिक उपकरण (Theoretical Tools)

• बेस्ट-रिस्पॉन्स कोन्स (Best-Response Cones): लेखक एक्सप्लोरेशन मीन्स ($\mu$) के स्पेस में "बेस्ट-रिस्पॉन्स कोन्स" ($C^+$ और $C^-$) को परिभाषित करते हैं। ये क्षेत्र उन एक्सप्लोरेशन प्रोफाइल्स को दर्शाते जहाँ, यदि फर्में प्रतिस्पर्धियों के औसत एक्सप्लोरेशन प्राइस के प्रति बेस्ट-रिस्पोंड करतीं, तो सभी फर्में एक ही दिशा में कीमतें समायोजित करतीं।
• इनवेरिएंट एनालिसिस (Invariant Analysis): प्रमाण यह स्थापित करने पर निर्भर करता है कि एक बार जब सिस्टम एक कोन (cone) में प्रवेश कर जाता है, तो पोस्ट की गई कीमतों और ऐतिहासिक मीन्स के बीच का अंतर एक सुसंगत संकेत (sign) बनाए रखता है (उदाहरण के लिए, कीमतें ऐतिहासिक मीन्स से ऊपर रहती हैं), जो निरंतर सकारात्मक क्रॉस-कोवेरियन्स और अपवर्ड प्राइस बायस को संचालित करता है।

3. मुख्य योगदान और परिणाम (Key Contributions and Results)

1. अति-प्रतिस्पर्धी अभिसरण का लक्षण वर्णन (Characterization of Supra-Competitive Convergence)

प्राथमिक सैद्धांतिक परिणाम (Theorem 3.2) स्थापित करता है कि यदि फर्मों के एक्सप्लोरेशन मीन्स $\mu$ बेस्ट-रिस्पॉन्स कोन्स के भीतर आते हैं, तो कीमतें स्पष्ट रूप से अति-प्रतिस्पर्धी होती हैं।

• अपर कोन ($C^+$): यदि फर्में अपने बेस्ट रिस्पॉन्स से ऊपर की कीमतों पर एक्सप्लोर करती हैं, तो अति-स्पर्धी कीमतें तुरंत उत्पन्न होती हैं।
• लोअर कोन ($C^-$): यदि फर्में अपने बेस्ट रिस्पॉन्स से नीचे एक्सप्लोर करती हैं, तो कीमतें एक सीमित प्रतीक्षा अवधि के बाद अति-प्रतिस्पर्धी स्तर तक बढ़ जाती हैं।
• महत्व: यह Cooper et al. (2015) के विपरीत है, जहाँ परिणाम अप्रत्याशित थे। यहाँ, एक्सप्लोरेशन का समावेश उच्च कीमतों के लिए एक "बेसिन ऑफ अट्रैक्शन" (basin of attraction) बनाता है।

2. मूल्य अंतराल का परिमाणीकरण (Quantification of Price Gaps)

सममित एक्सप्लोरेशन (सभी फर्में समान माध्य मूल्य $s$ के साथ एक्सप्लोर करती हैं) के तहत, लेखक अंतिम मूल्य का सटीक लक्षण वर्णन प्रदान करते हैं (Theorem 3.3):

• यदि $s$, नैश प्राइस ($p_{NE}$) और मोनोपली प्राइस ($p_{MNP}$) के बीच है, तो सीमित मूल्य $s$ पर अभिसरित होता है।
• यदि $s$, $p_{NE}$ या $p_{MNP}$ से नीचे या ऊपर है, तो सीमित मूल्य मोनोपली प्राइस (या कैप की गई मोनोपली प्राइस) पर अभिसरित होता है।
• परिणाम: यह प्रदर्शित करता है कि नैश के ऊपर मूल्य अंतराल काफी बड़ा हो सकता है, जो संभावित रूप से मोनोपली स्तर तक पहुँच सकता है, जो एक्सप्लोरेशन रणनीति पर निर्भर करता है।

3. "कोल्यूसिव" क्षेत्र में प्रवेश करने की संभावना (Probability of Entering the "Collusive" Region)

यह शोध पत्र इस बात की संभावना को संबोधित करता है कि फर्में स्वाभाविक रूप से इन अति-प्रतिस्पर्धी व्यवस्थाओं में कैसे गिरती हैं:

• डुओपोली ($N=2$): बेस्ट-रिस्पॉन्स कोन्स व्यवहार्य प्राइस स्पेस के कम से कम एक-चौथाई हिस्से को कवर करते हैं। इसके अलावा, डायनेमिक्स ऐसे हैं कि लिमिट पॉइंट्स स्वाभाविक रूप से इन कोन्स में गिरते हैं (Proposition 3.1)।
• सामान्य $N$: एक "रैंडम इंटरवल प्रायर" (जहाँ फर्मों के एक्सप्लोरेशन मीन्स एक सामान्य स्थानीय बैंड के आसपास क्लस्टर होते हैं) के तहत, एक अति-प्रतिस्पर्धी कोन में लैंड करने की संभावना कम से कम $1/4$ है और फर्मों की संख्या $N$ के साथ बढ़ती है (Proposition 3.2)। यह सुझाव देता है कि क्लस्टर्ड एक्सप्लोरेशन, जो वास्तविक बाजारों में आम है, अति-प्रतिस्पर्धी परिणामों को मजबूती से संभावित बनाता है।

4. सिमुलेशन के माध्यम से अनुभवजन्य सत्यापन (Empirical Validation via Simulation)

लेखक अपने सैद्धांतिक निष्कर्षों को ग्रेटर बोस्टन मल्टीफैमिली रेंटल मार्केट (Calder-Wang और Kim, 2024 के डेटा का उपयोग करके) के लिए कैलिब्रेट किए गए सिमुलेशन का उपयोग करके मान्य करते हैं।

• मजबूती (Robustness): अति-प्रतिस्पर्धी परिणाम परिमित क्षितिज (finite horizons), विषम उत्पाद, नॉनलीनर लॉजिट डिमांड और उत्पाद-विशिष्ट लागतों सहित यथार्थवादी स्थितियों के तहत बने रहते हैं।
• गति (Speed): सिमुलेशन दिखाते हैं कि अति-प्रतिस्पर्धी रेंट तेजी से उभरते हैं (पहले 50 एक्सप्लोइटेशन अवधियों के भीतर) और उन्हें एसिम्प्टोटिक टाइम हॉरिजन की आवश्यकता नहीं होती है।
• पैटर्न: एक्सप्लोरेशन मीन्स और अंतिम कीमतों के बीच U-आकार का संबंध (जैसा कि Theorem 3.3 द्वारा अनुमानित है) देखा गया है: कीमतें तब बढ़ी हुई होती हैं जब एक्सप्लोरेशन नैश बेंचमार्क के दोनों ओर क्लस्टर होता है।

4. महत्व और दावे (Significance and Claims)

यह शोध पत्र दावा करता है कि अति-प्रतिस्पर्धी मूल्य निर्धारण, सरल और व्यापक रूप से तैनात एल्गोरिद्मिक मूल्य निर्धारण प्रणालियों की एक मजबूत विशेषता है, न कि केवल जटिल सुदृढीकरण शिक्षण या स्पष्ट मिलीभगत का एक आर्टिफैक्ट।

• तंत्र (Mechanism): इस तंत्र के लिए दंड रणनीतियों (punishment strategies), संचार, या सीखे गए खतरों की आवश्यकता नहीं है। इसके बजाय, यह एक्सप्लोरेशन और मिसस्पेसिफिकेशन के बीच की अंतःक्रिया से उत्पन्न होता है। एक्सप्लोरेशन चरण मूल्य इतिहास में एक सहसंबंध संरचना (correlation structure) को इनिशियलाइज़ करता है; मिसस्पेसिफाइड मॉडल इस सहसंबंध को एक मांग सिग्नल के रूप में गलत समझता है, जिससे मूल्य निर्धारण में निरंतर अपवर्ड बायस आता है।
• नीतिगत निहितार्थ (Policy Implication): निष्कर्षों से पता चलता है कि नियामकों और बाजार प्रतिभागियों को उन "नाइव" (naive) एल्गोरिद्मिक प्राइसिंग पाइपलाइनों के बारे में चिंतित होना चाहिए जो प्रतिस्पर्धी डेटा को अनदेखा करती हैं। बिना किसी दुर्भावनापूर्ण इरादे या परिष्कृत AI के भी, मानक "एस्टीमेट-देन-ऑप्टिमाइज़" दृष्टिकोण व्यवस्थित रूप से कीमतों को प्रतिस्पर्धी स्तरों से ऊपर ले जा सकता है।
• सैद्धांतिक योगदान: यह शोध पत्र मिसस्पेसिफाइड लर्निंग (Cooper et al., 2015) की सैद्धांतिक अनिश्चितता और एल्गोरिद्मिक मिलीभगत की अनुभवजन्य वास्तविकता के बीच के अंतर को पाटता है, यह दिखाकर कि एक्सप्लोरेशन चरण को शामिल करने से अति-प्रतिस्पर्धी इक्विलिब्रियम के लिए एक नियतात्मक पथ (deterministic path) बनता है।

लेखक इसके दायरे के संबंध में विनम्र रहते हैं, यह नोट करते हुए कि उनके विश्लेषणात्मक परिणाम रैखिक मांग और सममित फर्मों पर निर्भर करते हैं, लेकिन उनके सिमुलेशन पुष्टि करते हैं कि गुणात्मक प्रभाव अधिक जटिल, यथार्थवादी बाजार वातावरण में भी विस्तारित होते हैं।