Screening and Segmenting: A Consumer Surplus Perspective

1. Il Problema di Ricerca

Il lavoro analizza l'impatto della segmentazione del mercato sul surplus del consumatore in un contesto di monopolio dove il venditore può attuare simultaneamente:

• Discriminazione di prezzo di terzo grado: Tariffe diverse per diversi segmenti di mercato.
• Discriminazione di prezzo di secondo grado: Screening dei consumatori all'interno di ciascun segmento attraverso menu di prodotti differenziati per qualità (prezzi non lineari).

Il problema centrale è determinare quale struttura di segmentazione (partizione della distribuzione aggregata dei valori dei consumatori in sottogruppi) massimizza il surplus aggregato dei consumatori, dato che il monopolista risponde a ogni segmento con un menu di prezzi e qualità che massimizza i propri profitti.

2. Metodologia e Struttura del Modello

Il Modello

• Agenti: Un monopolista offre beni di qualità $q \in \mathbb{R}_+$ con una funzione di costo $c(q)$ strettamente convessa e crescente. Esiste una continuità di acquirenti con valori privati $v \in [v, \bar{v}]$.
• Meccanismo: Il venditore offre un menu di prezzi $p(q)$. I consumatori scelgono la qualità che massimizza l'utilità netta $vq - p(q)$.
• Segmentazione: Il mercato aggregato $m^*$ (distribuzione dei valori) viene partizionato in segmenti $\sigma$. Il venditore osserva il segmento ma non il valore individuale, offrendo un menu ottimale per ogni segmento.
• Obiettivo: Massimizzare il surplus totale dei consumatori rispetto a tutte le possibili segmentazioni che preservano la distribuzione aggregata (spreads che preservano la media).

Strumenti Analitici Chiave

1. Rent Locali (Local Information Rent):
   L'autore introduce una funzione chiave, $u(v, h)$, che rappresenta il contributo di un tipo $v$ al surplus totale dei consumatori in funzione del suo tasso di rischio inverso (inverse hazard rate) $h$.
   $$u(v, h) \equiv h \cdot Q(v - h)$$
   Dove $Q$ è la funzione di offerta (inversa del costo marginale) e $v-h$ è il valore virtuale. Il surplus totale è l'aspettativa di queste rent locali.

2. Riduzione Dimensionale:
   Il problema originale è un'ottimizzazione su uno spazio infinito-dimensionale (distribuzioni di distribuzioni). Gli autori riducono questo problema a una massimizzazione funzionale su una singola funzione $h(v)$ (il tasso di rischio inverso medio), soggetta a vincoli di majorizzazione.

3. Vincolo di Majorizzazione:
   La ridistribuzione dei consumatori tra segmenti non può alterare arbitrariamente i tassi di rischio inverso. È soggetta a un vincolo di majorizzazione:
   $$\int_{\underline{v}}^{v} h^*(t) dF^*(t) \geq \int_{\underline{v}}^{v} h(t) dF^*(t) \quad \forall v$$
   Questo vincolo cattura la possibilità di concentrazione (ridurre $h$ per un tipo raggruppandolo in segmenti con pochi tipi superiori) e diluzione (aumentare $h$ creando gap nei supporti dei segmenti, ma richiedendo concentrazione di tipi superiori).

3. Risultati Principali

Teorema 1: Struttura della Segmentazione Ottimale

Il risultato fondamentale caratterizza la segmentazione che massimizza il surplus dei consumatori:

• Uniformità della Qualità: I consumatori con lo stesso valore $v$ ricevono la stessa qualità in ogni segmento in cui appaiono, anche se i prezzi possono variare.
• Riduzione del Problema: Il problema di massimizzazione del surplus si riduce a:
  $$\max_{h \prec h^*} \int u(v, h(v)) dF^*(v)$$
  dove $h \prec h^*$ indica che $h$ è majorizzato dalla distribuzione aggregata.
• Unicità: Ogni segmentazione ottimale è una "segmentazione uniforme" (uniform segmentation), dove il tasso di rischio inverso è uguale per tutti i segmenti contenenti un dato tipo.

Teorema 2: Segmentazioni Convex e Condizioni di Regolarità

Sotto condizioni di regolarità (domanda e offerta log-concave, che implicano tassi di rischio inverso aggregati decrescenti e tassi di rischio ottimali crescenti):

• La soluzione assume una forma semplice a due regimi. Esiste una soglia $\bar{v}$ tale che:
  • Per $v \geq \bar{v}$: Il tasso di rischio rimane quello del mercato aggregato ($h(v) = h^*(v)$).
  • Per $v < \bar{v}$: Il tasso di rischio viene ridotto al livello che massimizza la rent locale ($h(v) = \hat{h}(v)$).
• Struttura dei Segmenti: I segmenti ottimali sono intervalli nidificati $[v_m, \bar{v}]$ che si restringono dal basso.
• Struttura dei Prezzi: Il menu di qualità è identico in tutti i segmenti; la differenza tra segmenti è solo una tassa fissa (base price) che varia a seconda della concentrazione del segmento.

Corollario 3: Quando la Segmentazione Danneggia i Consumatori

La segmentazione è dannosa (o neutra) per i consumatori se e solo se il tasso di rischio inverso aggregato è già sufficientemente basso (il mercato è sufficientemente elastico) rispetto alla struttura dei costi:
$$h^*(v) \leq \hat{h}(v) \quad \forall v$$
In termini di elasticità: se l'elasticità della domanda è sufficientemente alta rispetto alla convessità dei costi, qualsiasi tentativo di segmentazione riduce il surplus dei consumatori. Questo contrasta con risultati precedenti (es. Haghpanah & Siegel, 2023) che mostravano benefici garantiti in mercati con un numero finito di beni; qui, con un continuo di qualità, i benefici possono annullarsi completamente.

Caso dei Costi Iso-elastici

Per funzioni di costo di potenza $c(q) = q^\gamma/\gamma$, la segmentazione ottimale rende l'elasticità della domanda costante e inferiore (più elastica) nella parte bassa della distribuzione, con un valore determinato esclusivamente dalla struttura dei costi ($\gamma$).

4. Contributi Chiave

1. Unificazione Teorica: Il paper unifica la discriminazione di prezzo di secondo e terzo grado in un quadro coerente, mostrando come interagiscono quando il venditore può adattare sia prezzi che menu di prodotti.
2. Riduzione Metodologica: L'uso della teoria della majorizzazione applicata ai tassi di rischio inverso permette di trasformare un problema di ottimizzazione su distribuzioni di distribuzioni in un problema di controllo ottimo su una funzione scalare.
3. Caratterizzazione della Qualità: Dimostrano che, a differenza di quanto ci si potrebbe aspettare, la segmentazione ottimale per i consumatori non richiede differenziazione della qualità tra segmenti per lo stesso tipo, ma solo differenziazione dei prezzi fissi.
4. Condizioni Necessarie e Sufficienti: Forniscono condizioni precise (basate su elasticità domanda/costo) per determinare quando la segmentazione è benefica o dannosa, offrendo un criterio testabile per le politiche antitrust.

5. Significato e Implicazioni

• Politica Antitrust: I risultati suggeriscono che divieti generalizzati sulla segmentazione dei mercati potrebbero essere dannosi per i consumatori. La segmentazione può migliorare il benessere solo in mercati specifici (dove la domanda è rigida rispetto ai costi). In mercati con domanda sufficientemente elastica, la segmentazione riduce il surplus.
• Pricing Personalizzato e Big Data: Il lavoro offre una lente teorica per valutare l'impatto del "big data" e della personalizzazione estrema. Sebbene la capacità di segmentare aumenti, i benefici per i consumatori non sono automatici; dipendono criticamente dall'interazione tra la struttura dei costi del produttore e l'elasticità della domanda.
• Estensioni: Il framework è stato generalizzato per includere selezione avversa (costi dipendenti dal tipo) e obiettivi di benessere sociale (Pareto-efficienza), mostrando la robustezza del metodo basato sulla rent locale.

In sintesi, il paper dimostra che la segmentazione del mercato non è intrinsecamente buona o cattiva per i consumatori, ma il suo impatto è determinato da una soglia precisa definita dall'elasticità della domanda e dalla convessità dei costi, con una struttura ottimale che mantiene l'omogeneità della qualità attraverso i segmenti.