关于加成定价的研究综述.doc

1、1关于加成定价的研究综述摘要：对产品不同定价方式（单位加成定价和百分比加成定价）的研究进行综述，分别从假设确定性需求和随机性需求两个方面对学者构建的问题进行总结。从历年研究来看，对加成定价的问题构建考虑的因素越来越多，提出的模型更具有广泛性。在总结前人研究的基础上，提出了可以进一步研究的几个方向。 关键词：供应链协调；加成定价；确定性需求；随机性需求 中图分类号：F031.4 文献标识码：A 文章编号：1001-828X（2014）05-0-02 一、前言 加成定价是指，零售商为了确定产品的价格而把一个百分比或绝对的数量加到所估计的产品平均（或边际）成本上。 在一个包含了供应商和零售商的二级供

2、应链中，供应商以批发价 w向零售商提供产品，零售商制定零售价 p 向消费者销售产品。p 的制定方式一般是百分比加成（p=（1+u）w）或单位加成（p= u+w） ，不同定价方式对零售价的影响不同，而消费者需求量与产品零售价是息息相关的，所以加价方式的选择会间接影响产品的销量，最终影响供应链中制造商和零售商的利润。 那么制造商或者零售商更偏好哪种定价方式？哪种方式可以使整条供应链的利润增加？很多学者对此做了研究，但很多都只考虑了单一的2加成方式，没有对不同的定价方式做一个对比分析来观察它们对供应链成员利润以及产品价格和需求量的不同影响，只有少数人做出了尝试。根据这些研究对市场需求的假定，把它们分

3、为确定性和随机性市场需求的情况。 二、确定性市场需求下的研究 Irmen（1997）最早开始探究百分比加成和绝对加成（等同单位加成）两种定价方式的区别。他研究的是含有一个制造商和一个零售商的供应链，考虑两种需求函数：D（p）=1-p 和，零售商和供应商进行纳什博弈得到均衡结果。Irmen 发现，在百分比加成情况下，零售价更低，零售商的利润更高。 Von Ungern-Sternberg（1999）对等弹性需求函数下的百分比加成和单位加成方式的差别做了进一步研究。他发现采用百分比加成定价时，不仅零售价更低，零售商利润更高，并且供应链整体利润也增加。 Tyagi（2005）分析了制造商和零售商之间

4、三种不同的博弈方式：（1）制造商作为斯塔克伯格（Stackelberg）博弈的领导者；（2）零售商作为斯塔克伯格博弈的领导者；（3）制造商和零售商进行伯特兰纳什（Bertrand-Nash）竞争。在不同博弈结构下，作者探讨了绝对价格、绝对利润、百分比利润三种定价方式对均衡价格和供应链成员利润的影响。 研究发现，不同定价方式对均衡价格和供应链成员利润没有影响；当零售商是斯塔克伯格博弈的领导者或者是伯特兰纳什博弈的竞争者时，零售商更倾向百分比加成定价，这种情况下，零售价较低，零售商3利润较高。 Hsun Jung Choand Hon Kit Mak（2009）分析的是含有一个主导零售商和多个制造

5、商的供应链。数值分析表明，居于主导地位的零售商无论何时选择百分比加成定价，都将会使零售价更低，商品需求量增加，零售商利润也增加。而处于跟随者地位的制造商只能接受更低的批发价和利润。 上述研究都从某种不同的角度比较了单位加成和百分比加成定价方式对商品零售价和供应链成员利润的影响。但是他们都只考虑了确定性需求函数，而现实生活中消费者对产品的需求常常是不确定的，这就需要引入随机变量，使模型更贴合实际情况。 三、随机性市场需求下的研究 早期关于供应链的研究大多假设上游企业（供应商或者制造商）主导供应链。近年来，由于下游企业更加接近消费者，对市场需求和消费者信息更为了解，自身的规模也不断变大，所以零售商

6、在供应链中的地位日益增强，逐渐开始扮演领导者的角色。 Jian-Cai Wang， Amy Hing-Ling Lau， Hon-Shiang Lau（2012）文章研究有一个制造商和一个主导零售商的供应链。他考虑了两种形式的需求函数：（1） ；（2）=。另外，考虑三种需求形态： （1）确定性需求，需求函数即为上述两种形式； （2）随机性需求，有两种形式：（2a） ；（2b） 。 因此一共有六种情况，文章有如下结论：从单位加成转向百分比加成时，批发价、零售价总是降低，制造商的利润减少，而零售商和供应4链的总体利润增加。一种特殊情况是，在随机性需求和非线性需求函数（2）时，尽管从单位加成转向百分

7、比加成会使批发价降低，供应链总体利润上升，但零售价也升高了。 Jian-Cai Wang 随后做了进一步研究，在上一篇文章的基础上考虑供应链中有多个制造商竞争的情况。 Jian-Cai Wang， Ai-Min Wang， Yao-Yu Wang（2012）研究了有两个竞争性制造商和一个主导零售商的供应链。主要结论是：从单位加成转向百分比加成时，无论哪种需求形式，批发价、零售价总是降低，制造商利润减少，而零售商和供应链总体利润都增加。另外，在确定性需求下，百分比加成能带来更多订货量和更高的渠道利润。在随机性需求下，当制造商之间的差别越小或零售商更有效率时，订货量和渠道利润会减少。 一般来说，市

8、场需求不仅受到产品零售价的影响，也与其他因素有关，针对实际情况，有学者将其他变量引入需求函数来进一步观察加价方式的影响。 Yaoyu Wang（2012）研究包含一个供应商和一个主导零售商的供应链。市场需求受零售价和零售商销售努力（sales effort）的影响，销售努力包括广告、售后服务、货架空间等方面，零售商可以在制造商制定批发价之前或之后来决定销售努力水平。作者分析了四种情形：（1）单位加成和事前努力；（2）单位加成和事后努力；（3）百分比加成和事前努力；（4）百分比加成和事后努力。 文章主要结论有：（1）做出的努力决策相同时，百分比加成情况下的零售商和供应链的利5润都更高，制造商利润

9、更低；（2）定价方式相同时，零售商更愿意在制造商给出批发价格后做出销售努力决策；（3）零售商总是倾向百分比加成和事后做出努力决策，而制造商倾向单位加成和零售商事先做出努力决策。 四、总结 根据以上的研究结果，我认为主要有以下结论： 对零售商，百分比加成定价总是优于单位加成定价，零售价更低但销售量增加，零售商利润也增加。 对制造商，他们更偏向单位加成定价。当制造商在供应链中属于跟随者，零售商采取百分比加成定价会使他们不得不制定较低批发价，使自身的利润减少。 目前国内外关于比较单位加成定价和百分比加成定价方式的文献并不多，说明这个问题还值得深入挖掘。我认为可从以下几点进行拓展研究： 首先，之前的文

10、献大多关注二级供应链，实际的供应链可能远远不止两级。可尝试在三级供应链的框架下来比较定价方式的影响。 其次，上述文献都只考虑供应链中仅有一个零售商，我们可以考虑这样一种供应链，零售商仍居于主导地位，有多个零售商互相进行纳什博弈，零售商和制造商之间是主从博弈。 另外，需求函数有很多形式，有文章同时考虑了几种线性和非线性的需求函数，发现函数形式对均衡结果也有影响。如果要得到最具有概括性的结论，可以尝试将需求函数一般化，不给出具体的形式，只假定6一些基本性质，然后再分析不同加价方式的影响，最后得到的结论更具有代表性。 最后，根据 Yaoyu Wang（2012）的研究思路，我们可以根据实际情况给需求

11、函数引入其他的变量，比如制造商对产品质量的投入会影响到消费者的需求，货架上的产品存货量也会对消费者做出购买决定起到一定作用，这样需求函数会更复杂，但更切合实际消费情况。 参考文献： 1Irmen，A，1997. Mark-up pricing and bilateral monopoly.Economic Letters， 54（2） ，179?184. 2Von Ungern-Sternberg， T， 1999. Percentage retail mark-ups.Swiss Journal of Economics and Statistics， 35（4） ， 539?557 3Ty

12、agi， R.K，2005.Do strategic conclusions depend on how price is defined in models of distribution channels？ Journal of Marketing Research， 42 （2） ， 228?232 4Hsun Jung Choet al.2009.Price Strategies between a Dominant Retailer and Manufacturers.ComputationalMethock in Science and Engineering， 148（2） ，4

13、93-496 5JianCai Wang et al，2012.Dollar vs. percentage markup pricing schemes under a dominant retailer. European Journal of Operational Research， 227（3） ，471-482 6JianCai Wang et al，2012.Markup pricing strategies 7between a dominant retailer and competitive manufacturers.Computers& Industrial Engineering， 64（1） ，235-246 7Yaoyu Wang et al，2013. Pricing and Effort Investment for a Newsvendor-Type Product.European Journal of Operational Research， 229（2） ， 422-432