[论文解读] Instrument-Free Demand Estimation Using Relative Prices Variation, with an Application to Railway Transportation

Xavier D’Haultfœuille, Ao Wang+2 more|arXiv (Cornell University)|Jun 9, 2022

Aviation Industry Analysis and Trends被引用 5

一句话总结

本文提出了一种无需工具变量的识别策略，用于在收益管理中进行需求估计，利用相对价格的时间变化、消费者理性以及企业定价行为的弱最优性条件。将该方法应用于法国高速铁路数据，发现iDTGV的实际收益管理表现与最优统一定价相当，但与理论上的最优动态定价策略相比，最高存在16.7%的损失，凸显了在不确定性环境下通过收益管理进行需求学习的价值。

ABSTRACT

We develop a new identification strategy for demand estimation when cost shifters may not be available and there are substantial variations in demand over time. This approaches relies on a kind of nonlinear difference-in-differences, in which price elasticities are identified by relating changes over time in relative purchases between two goods to changes in their relative prices. We apply this strategy to the context of French railway transportation and estimate price elasticities in line with those obtained on airlines, but more negative than those generally obtained on railway transportation. We then use our demand estimation to compare the current pricing with several counterfactual pricing strategies. Our results suggest similar or better performance of the actual revenue management compared to optimal uniform pricing, but also substantial losses compared to the optimal pricing strategy. Finally, we highlight the key role of revenue management in acquiring information when demand is uncertain.

研究动机与目标

• 量化现实环境中收益管理策略相较于统一定价和最优动态定价的收益增益与损失。
• 解决在缺乏外生价格变动和右删失（censoring）情况下的需求估计挑战，特别是在基于数量的收益管理系统中。
• 提出一种新颖的识别策略，依赖于时间上的相对价格变动、消费者理性以及企业定价行为的弱最优性条件。
• 评估收益管理在需求不确定且数据受限、定价规则复杂的情境下，对需求学习的作用。
• 为法国高速铁路市场中实际收益管理实践相对于理论基准的表现提供实证证据。

提出的方法

• 为运输路线构建一个随机需求模型，允许需求和不同交通方式（如铁路与低成本航空公司）之间的竞争随时间变化。
• 利用不同票价等级之间相对价格的时间变化作为外生变异来源以实现识别，避免对外部工具变量的依赖。
• 对企业的定价决策施加理性与弱最优性条件，以在无法完全观测需求动态的情况下识别结构参数。
• 采用矩不等式方法，在存在右删失和未观测异质性的情况下估计需求价格弹性与平均需求参数。
• 通过递归动态规划和β函数近似，推导出不同定价策略下的反事实收益的闭式表达式。
• 将模型应用于iDTGV 2004–2017年的历史数据，其中票价等级在不改变内部价格的前提下动态开放，从而通过时间上的相对价格变动实现识别。

实验结果

研究问题

• RQ1 iDTGV的实际收益管理实践在收益表现上与最优统一定价相比如何？
• RQ2 iDTGV的收益管理策略相较于理论上的最优动态定价策略，其可量化的收益增益或损失是多少？
• RQ3 当需求不确定且数据被删失时，收益管理在多大程度上促进了需求学习？
• RQ4 是否可以在不使用外部工具变量的情况下，仅通过相对价格变动和行为假设，一致地估计需求参数？
• RQ5 不同票价等级之间的时序价格变动在识别需求价格弹性和反事实收益方面发挥了什么作用？

主要发现

• iDTGV的实际收益管理策略在收益表现上与最优统一定价相当或更优，表明动态票价等级管理确实带来了显著的收益提升。
• 与理论上的最优动态定价策略相比，iDTGV的实际做法导致高达16.7%的收益损失，表明其在实施方面仍有改进空间。
• 模型表明，仅凭需求价格弹性和平均需求参数即可恢复反事实收益，即使在未观测到预订期间完整需求路径的情况下亦成立。
• 收益管理在不确定性环境下获取需求信息方面发挥着关键作用，尤其当企业对潜在需求分布缺乏完整认知时。
• 该识别策略成功地仅通过相对价格变动和行为一致性估计了需求参数，无需外生工具变量或对需求动态的完全可观测性。
• 理论与实证结果均表明，企业的定价决策与弱最优性条件一致，验证了结构模型假设的合理性。