# Гленн Эллисон о ценовой дискриминации: от бензоколонок до Big Data Источник: https://www.youtube.com/watch?v=k8X3NuOvkXg Канал: MIT OpenCourseWare Опубликовано: 27.09.2024 --- ## Эмпирические исследования ценовой дискриминации: от бензоколонок до Big Data [[JUMP:0:32]] Экономический факультет Массачусетского технологического института (MIT) в лице профессора Гленна Эллисона проанализировал современные методы эмпирического изучения ценовой дискриминации. В ходе лекции были рассмотрены ключевые исследования, показывающие, как компании используют данные — от истории посещения веб-сайтов до демографических признаков — для максимизации прибыли. Эллисон подчеркивает, что с развитием онлайн-инструментов возможности для сегментации потребителей существенно расширились, однако реальный прирост прибыли от таких стратегий часто оказывается ниже ожиданий, а социальные последствия могут быть неоднозначными. ### ⛽ Ранние исследования: бензин и расовая дискриминация [[JUMP:2:08]] Одной из первых задач исследователей было отделение ценовой дискриминации от разницы в издержках. * **Бензин и доход:** В работе Северина Боренштейна анализировался переход от этилированного бензина к неэтилированному. Поскольку последний использовали более обеспеченные владельцы новых авто, цена была выше. Автор доказал, что разрыв в цене был слишком велик для покрытия только издержек, что указывает на дискриминацию. * **Полное обслуживание:** Андреа Шепард изучила заправки в Массачусетсе, предлагающие как самообслуживание, так и полное обслуживание. Исследовательница аргументировала, что разница в марже между этими типами станций — это наглядный пример дискриминации второй степени. Вопрос дискриминации по расовому и гендерному признакам долгое время оставался предметом дебатов. Ранние «аудит-исследования» (например, Эйрса и Сигельмана), где студентов просили торговаться за покупку авто, фиксировали огромные переплаты для женщин и меньшинств (до 10%). Однако более поздние работы, например, Пенни Голдберг, использовавшие данные потребительских расходов, таких различий не обнаружили. Эллисон отмечает, что современные наборы данных (транзакционного уровня) позволяют получать гораздо более точные и менее «шумные» результаты. ### 🛒 Интернет как уравнитель или инструмент сегментации [[JUMP:10:00]] Исследование Скотта Мортона, Зеттельмайера и Силва-Риссо, использующее данные сервиса Autobytel (начало 2000-х) и JD Power, позволило взглянуть на ситуацию масштабнее. * **Масштаб:** Было проанализировано 671 000 покупок автомобилей в США. * **Результаты:** Авторы подтвердили наличие дискриминации, но она оказалась значительно меньше, чем предполагали ранние работы. Жители «черных» районов переплачивали в среднем 1,5%, «испаноязычных» — 1,1%, при этом азиаты платили меньше. * **Интернет-эффект:** Покупатели, использовавшие Autobytel, платили меньше, а влияние расовых и гендерных факторов в онлайн-сделках практически нивелировалось. Основной вывод заключается в том, что дискриминация часто является следствием «эксплуатации» менее подкованных покупателей с высокими поисковыми издержками, а не только личной предвзятости продавцов. ### 🎬 Кейс Netflix: веб-серфинг против демографии [[JUMP:26:23]] Бен Шиллер (тогда еще аспирант) использовал данные ComScore, чтобы оценить влияние ценовой дискриминации на спрос Netflix. Его подход уникален: он применил Lasso-модель к 4600 переменным, описывающим историю посещения сайтов пользователями. * **Демография vs Поведение:** Шиллер обнаружил, что стандартные демографические признаки (раса, доход) практически бесполезны для ценообразования. Зато данные о посещении сайтов (например, Gamefly.com как сильный предиктор подписки) позволяют увеличить прибыль Netflix на 13%. * **Эффект для потребителя:** По мнению Шиллера, в его модели социальное благосостояние растет, так как прибыль компании растет существенно (13%), а потребительский излишек снижается незначительно (0,5%). ### 💼 Оптимизация цен в ZipRecruiter [[JUMP:55:20]] Работа Дюбе и Мисры демонстрирует пример сотрудничества исследователей с реальным бизнесом. В ходе рандомизированного эксперимента ZipRecruiter тестировал цены от $19 до $399 в месяц. * **Упущенная прибыль:** Выяснилось, что сервис сильно занижал цены. Оптимальный уровень, по расчетам модели, составлял $327 (в то время как компания брала $99). * **Влияние на welfare:** Исследователи пришли к выводу, что при внедрении максимально агрессивной персонализации цен потребительский излишек может упасть на 25%, что ведет к снижению общего социального благосостояния. * **Реакция бизнеса:** ZipRecruiter поднял цену до $249, но отказался от полной персонализации (динамического ценообразования), опасаясь «политического» давления и репутационных рисков.