零售商價格決策與學習行為-供應商價格競爭行為

國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

58

消費者購買產生需求 零售商決定利潤

零售商與供應商學習

是否達到總模擬時間(t^*)?

結束 初始環境設定

是否達到一季(r^*)?

是

是

供應商決定批發價

消費者學習

圖 3-2 動態流程

第二節 零售商價格決策與學習行為-供應商價格競爭行為

決策與學習行為模式是嘗試描述個體在陎對重複決策問題時所使用到的決 策與調整法則。在零售商與供應商價格決策與學習行為設計上，本研究採用模糊 -基因行為模式，可比擬為演譯-歸納行為模式。其中演譯表示廠商制定價格決策 時的推理方式，設計以模糊邏輯法則作為價格制定時的決策方式，歸納代表決策 法則如何經過學習逐漸修正的方式，以基因演算法適者生存的概念，作為學習方

‧

(fitness function)

（fuzzy inference）

解模糊化

（Defuzzification）

決定本身價格 達到終止條件?

是

否

演譯 Deductive Reasoning Fuzzy Logic

歸納 Inductive Reasoning Genetic Algorithm

模糊規則

（fuzzy rules）

調整

圖 3-3 價格決策與學習模式

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

60

一、模糊邏輯

步驟一、輸入變數

針對零售商而言，其價格決策為觀察供應商訂定之批發價，及其他零售商之 利潤，進而決定本身利潤。因而其輸入語意變數（Linguistic Variables）為市場中 上一期供應商批發價價格與對手零售商利潤價格，其輸出語意變數為此期本身利 潤價格。針對供應商為同為呈現競爭行為下，考量供應商與供應商，供應商與零 售商之間的皆有價格競爭關係，因此供應商價格決策將考量對手供應商及下游零 售商之價格，思考其本身價格。其輸入語意變數為上一期其他競爭供應商之批發 價格及零售商之利潤價格，其輸出語意變數為本身價格。另外頇注意在觀察對象 超過一家情況下，我們利用簡單加權帄均做計算，其方法為依據廠商市佔率決定 其權重，符合直覺的假設，市佔率愈高之品牌作價格變動時，對市場價格影響愈 大。

步驟二、模糊化（Fuzzification）

此階段之作業為上一步驟之語意變數及語意值分別定義其模糊集合 （Fuzzy sets）並形成隸屬函數(Membership Function)，讓其外部輸入之明確值可經由隸屬 函數的轉換形成相對應的模糊值。我們定義輸入變數語意值一致為價格的﹛低、

中低、中高、高﹜四個語意值，而定義輸出變數語意值一致為價格的﹛非常低、

低、中低、帄均偏低、帄均偏高、中高、高、非常高﹜八個語意值。“產品批發 價格” 之隸屬函數如圖 3-4 所示，公式 3-1 分別定義﹛低、中低、中高、高﹜四 個集合之隸屬函數。而圖 3-5 所示，為“產品利潤” 之隸屬函數，公式 3-2 分別定 義﹛低、中低、中高、高﹜四個集合之隸屬函數，而圖 3-6 所示，為“本身利潤”

之隸屬函數。本研究選用最基本的三角形隸屬函數，原因在於基本之隸屬函數為 簡單的線性函數，能滿足大多數的系統設計、且容易理解以及減少數學運算的時 間。

‧

Supplier price

Degree of membership

Low Medium Low Medium High High

‧

Opponent price

Degree of membership

Low Medium Low Medium High High

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

63

圖 3-6 輸出利潤隸屬函數

步驟三、 模糊法則與推論（Fuzzy inference）

此步驟之作業為規則庫建立（Fuzzy Rules）及選擇模糊推論方法，零售商之 推論邏輯為觀察外部環境，決定本身的價格。在條件規則設計上，設定〝條件規 則〞涵蓋外部環境之所有情況，因為輸入變數為兩個，且每一個變數有四個狀態，

因此共 16 個規則形成一個規則庫

如下列所示

，且每個個體皆有 10 個規則庫。

1. If (opponent price is low) and (Chain price is low) then (own price is very low) 2. If (opponent price is low) and (Chain price is medium) then (own price is very low) 3. If (opponent price is low) and (Chain price is high) then (own price is very low) 4. If (opponent price is low) and (Chain price is very high) then (own price is very low)

5. If (opponent price is medium) and (Chain price is low) then (own price is very low) 6. If (opponent price is medium) and (Chain price is medium) then (own price is very low) 7. If (opponent price is medium) and (Chain price is high) then (own price is very low) 8. If (opponent price is medium) and (Chain price is very high) then (own price is very low) 9. If (opponent price is high) and (Chain price is low) then (own price is very low) 10. If (opponent price is high) and (Chain price is medium) then (own price is very low)

6 6.5 7 7.5 8 8.5 9 9.5 10

0 0.2 0.4 0.6 0.8 1

own price

Degree of membership

very low low medium low medium medium medium high high very high

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

64

11. If (opponent price is high) and (Chain price is high) then (own price is very low) 12. If (opponent price is high) and (Chain price is very high) then (own price is very low) 13. If (opponent price is very high) and (Chain price is low) then (own price is very low) 14. If (opponent price is very high) and (Chain price is medium) then (own price is very low) 15. If (opponent price is very high) and (Chain price is high) then (own price is very low) 16. If (opponent price is very high) and (Chain price is very high) then (own price is very low)

並將輸入變數編碼為﹛低=1、中低=2、中高=3、高=4﹜，而將輸出價格變 數編碼為﹛非常低=1、低=2、中低=3、帄均=4、中高=5、高=6、非常高=7﹜因 此描述環境之所有狀況如圖 3-7 說明之模糊規則，規則庫第一條規則表示：若對 手（其他零售商）將產品 mj利潤設定為低，供應商將 wi設定為低的水準下，決 定本身產品 mj為中低。此處對手利潤為觀察上一交手對手所設定的零售價，減 去上一交手供應商所設定的批發價。

針對供應商具有競爭行為下，輸入變數為市場中「零售商所定的利潤」及「對 手供應商所定的批發價格」，如圖 3-8 所示，在模糊規則庫的設計上，同樣設定 供應商之模糊規則具有涵蓋外部環境所有情況之 16 個規則， 規則一說明”若對 手將產品批發價格設定為低，及零售商設定產品利潤為低的水準下，則本身產品 之批發價格為中低”。建立模糊規則後，需選擇模糊推論方法，本研究選擇一般 常採用的 Mamdani 的 Min.-Max.模糊推論法。

‧

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

66

步驟四、解模糊化（Defuzzification）

透過解模糊化，將上一階段推論出之模糊數量化為一個最適合代表模糊推論 結果的明確數值。本研究選擇重心法做為解模糊方法求出輸出值。最後模糊推論 之輸出值為供應商對該產品批發價之明確值，零售商為對該類產品之利潤。

二、基因演算法

此階段是仿效人類常依賴在不斷試誤過程中學習的行為模式，應用經驗逐漸 整理出有用的法則，日後同樣狀況發生時便應用該法則行動，並評估使用後之報 酬，如此繼續修正該法則。即所謂有限理性，而非完全理性。在設計的模式中零 售商成員各成員無法獲得對手的價格策略績效，及不完全資訊下進行價格決策，

因此不會對對手的價格策略進行模仿，亦無法預期對手當期的價格，也無法預期 當期消費者的需求資訊。每個成員皆是由本身的經驗經由學習而歸納出有用的價 格決策。針對零售商（供應商）之價格決策法則學習行為，應用基因演算法的自 然演化的過程來呈現期的學習模式，一個決策使用後有較佳的報酬，則該行為模 式下次有較高的機率使用或部份使用，且具有透過認知的重組及了解背後因果結 構的推理能力。

針對每個零售商（供應商），考量任一廠商其背後擁有多個決策者進行磋商 決定當期之價格決策，研究設計每個零售商（供應商）同時具有

n

_rule個規則庫，

規則之初始化可由決策者制定、專家訪談或隨機產生，之後依時間動態推進後，

依據每次在市場中規則的測試下，對規則庫之規則進行修正，使獲利（適應能力）

較高之規則存留下來，如此不斷進行規則的演化。

零售商以銷售總額最大化為目標，基因演算法適應函數即為零售商銷售函數，

主要為銷售數量與單位利潤組成。針對零售商 j 於時間點 t 之適應函數為

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

67

*

Max 

^_=1

m

^_j

 q

^_j

公式 3-3

ε：一回合 r 中競爭交手之次數ε^*。

m

^j：此次交手ε中，零售商 j 所所訂之商品利潤。

q

^j：零售商 j 此次交手ε中商品銷售之數量。

供應商以同樣以銷售總額最大化為目標，基因演算法適應函數即為供應商銷 售函數，主要為銷售數量與單位批發價組成。針對供應商 i 於時間點 t 之適應函 數為

* *

1 ^j=1 _{i j}

j

w q

Max  

^_{ } ^



^ 公式 3-4

w

i^ ：供應商 i 於此次交手ε之批發價格。

q

^j：供應商 i 於此次交手ε在零售商 j 之銷售數量。

最後提醒讀者，在供應商與零售商之適應函數計算中我們忽略製造成本或營運成 本，原因在於計算這些成本將可能導致適應函數值為負數，而發生程式執行的問 題。

編碼：本研究採用二進制編碼。交配機制上，本研究採雙點交配方式 (Two-point Crossover)，如圖 3-9 所示，隨機在挑兩個切割點，將規則庫 1 染色體 中介於兩個切割點之間的基因與規則庫 2 染色體中相同切割位置間的染色體基 因交換。突變機制上，本研究採取隨機選取突變點作為突變的方式。

‧

IF Conditions Decision

1 1 4 IF Conditions Decision

1 1 6

在文檔中 考量消費者行為與供應商價格競爭之零售商價格競爭模式之研究 - 政大學術集成 (頁 68-78)