Escolar Documentos
Profissional Documentos
Cultura Documentos
• Principal: Regulador
fi
Introdução
Con guração
• Principal: Regulador
• Agente: Monopolista
fi
Introdução
Con guração
• Principal: Regulador
• Agente: Monopolista
• Contrato: {p, T(p)}
fi
Introdução
Con guração
• Principal: Regulador
• Agente: Monopolista
• Contrato: {p, T(p)}
• Informação Privada:
Demanda, θ, e Custo, c.
fi
Introdução
Inspirações
‣ p*
L
= cL e p*
H
> cH
fi
Introdução
Inspirações
‣ p*
L
= cL e p*
H
> cH
‣ p*
L
= cL e p*
H
> cH
Modelo Contínuo
Modelo Discreto
Aplicação
Modelo Contínuo
Modelo Contínuo
Descrição
Modelo Contínuo
Descrição
∫θ ∫c
max [ω(θ, c) − (1 − α)R(θ, c)]f(θ, c)dcdθ
p,T
Modelo Contínuo
Descrição
∫θ ∫c
max [ω(θ, c) − (1 − α)R(θ, c)]f(θ, c)dcdθ
p,T
∫θ ∫c
max [ω(θ, c) − (1 − α)R(θ, c)]f(θ, c)dcdθ
p,T
s = θ + c; t = θc + ac + c0θ

fi
Modelo Contínuo
Exemplo Linear
∫θ ∫ c
max [w(θ, c, p(s)) − (1 − α)(ϕ(s) − t)]f(θ, c)dcdθ
p

fi
Modelo Contínuo
Exemplo Linear
∫θ ∫ c
max [w(θ, c, p(s)) − (1 − α)(ϕ(s) − t)]f(θ, c)dcdθ
p
∫θ ∫ c
max [w(θ, c, p(s)) − (1 − α)(ϕ(s) − t)]f(θ, c)dcdθ
p
• ϕ tem dois papéis, determinar: preço p(s) = ϕ′(s); formato do conjunto de produção
positiva {(s, t) | t > ϕ(s)}. Isso inviabiliza o uso de métodos variacionais

fi
Modelo Contínuo
Desa os
• ϕ tem dois papéis, determinar: preço p(s) = ϕ′(s); formato do conjunto de produção
positiva {(s, t) | t > ϕ(s)}. Isso inviabiliza o uso de métodos variacionais
• Sendo o mais benevolente com as rmas, α = 1, pode ser ótimo que toda rma produza
dado que a > c0 seja su cientemente grande. Assim o preço seria dado por
1
p(s) = c0 + s
2

fi
fi
fi
fi
Modelo Contínuo
Desa os
• ϕ tem dois papéis, determinar: preço p(s) = ϕ′(s); formato do conjunto de produção
positiva {(s, t) | t > ϕ(s)}. Isso inviabiliza o uso de métodos variacionais
• Sendo o mais benevolente com as rmas, α = 1, pode ser ótimo que toda rma produza
dado que a > c0 seja su cientemente grande. Assim o preço seria dado por
1
p(s) = c0 + s
2
• Se p* = [C′], que é o melhor esforço que o regulador pode fazer, então o preço não é
nem viável, nem ideal, mesmo que a gente assuma que o lucro não tem custo social algum
𝔼


fi
fi
fi
fi
Modelo Discreto
Modelo Discreto
Descrição
Modelo Discreto
Descrição
Distribuição Discreta
P(q(p) = qL(p)) = β; P(c = cL) = γ
baixa
alta demanda
demanda
baixo
βγ (1 − β)γ
custo
Distribuição Discreta
P(q(p) = qL(p)) = β; P(c = cL) = γ
baixa
alta demanda
demanda
qH(p) > qL(p); cH > cL
baixo
βγ (1 − β)γ
custo
Distribuição Discreta
P(q(p) = qL(p)) = β; P(c = cL) = γ
baixa
alta demanda
demanda
qH(p) > qL(p); cH > cL
baixo
βγ (1 − β)γ
custo
Lema
Modelo Discreto
Análise
Lema
Lema
• qL(p) = a − p
Aplicação
Variáveis
• qL(p) = a − p
D
• qH(p) = a + δ − p
Aplicação
Variáveis
• qL(p) = a − p
D
• qH(p) = a + δ − p
• cL = c0
Aplicação
Variáveis
• qL(p) = a − p
D
• qH(p) = a + δ − p
• cL = c0
C
• cH = c0 + δ
Aplicação
Variáveis
D
• qL(p) = a − p πHj(p) − πLj(p) = δ (p − cj)
D
• qH(p) = a + δ − p
• cL = c0
C
• cH = c0 + δ
Aplicação
Variáveis
D
• qL(p) = a − p πHj(p) − πLj(p) = δ (p − cj)
D
• qH(p) = a + δ − p
D C
• cL = c0 πHL(p) − πLH(p) = δ (p − c0) − δ (p − a)
C
• cH = c0 + δ
Aplicação
Benchmarking
Aplicação
Benchmarking
• Informação completa: p*
ij
= cj
Aplicação
Benchmarking
• Informação completa: p*
ij
= cj
• Incerteza na demanda: p*
L
= p*
H
= c0
Aplicação
Benchmarking - Incerteza no Custo
Aplicação
Benchmarking - Incerteza no Custo
• p*
L
= cL e p*
H
maximiza
γ
wH(p) + [(1 − α)(πH(p) − πL(p))]
1−γ
Aplicação
Benchmarking - Incerteza no Custo
• p*
L
= cL e p*
H
maximiza
γ
wH(p) + [(1 − α)(πH(p) − πL(p))]
1−γ
• Note que p*
H
> cH
↓ πHL − πLH ↑
Aplicação
↓ πHL − πLH
Aplicação
↓ πHL − πLH
• A partir do Lema que impõe uma ordem aos preços, é natural imaginar uma
ordenação de tipos
LL ≽ HL ≽ LH ≽ HH
Aplicação
↓ πHL − πLH
• A partir do Lema que impõe uma ordem aos preços, é natural imaginar uma
ordenação de tipos
LL ≽ HL ≽ LH ≽ HH
• Um tipo terá o critério de racionalidade ativo. A hipótese natural seria o HH,
mas autor veri cou que só funciona com LH
• Além disso, a condição de primeira ordem não funciona para pHH porque
pHH ≥ pLH forçaria que pLH ≤ cH, cenário que o autor veri cou ser
impossível
fi
Aplicação
↓ πHL − πLH
Aplicação
↓ πHL − πLH
( )
C γ C D C
ρLH = argmaxΦLH(p) = c0 + δ + (1 − α) (δ − δ ) − (1 − β)δ
p 1 − γ
Aplicação
↓ πHL − πLH
Proposição 1
1. Se ρHL
≤ ρLH então os preços ótimos são dados por p*
LL
= cL,
p*
HL
= ρHL > c , p*
L LH = p*
HH
= ρ LH ≥ cH
2.Se ρHL > ρLH e se as equações possuem máximo global, então os preços
ótimos satisfazem p*
LL
= cL e p*
HL
= p*
LH
= p*
HH
≥ cH
Aplicação
↓ πHL − πLH
Aplicação
↓ πHL − πLH
C
• Se α → 1, ρHL → c0 < ρLH → c0 + δ
(1 − γ )
C γ C D C
β D
ρLH = c0 + δ + (1 − α) (δ − δ ) − (1 − β)δ ρHL = c0 + (1 − α) δ
1−β
Aplicação
↓ πHL − πLH
C
• Se α → 1, ρHL → c0 < ρLH → c0 + δ
• Se α = 1, então p*
ij
= cj
(1 − γ )
C γ C D C
β D
ρLH = c0 + δ + (1 − α) (δ − δ ) − (1 − β)δ ρHL = c0 + (1 − α) δ
1−β
Aplicação
↓ πHL − πLH
C
• Se α → 1, ρHL → c0 < ρLH → c0 + δ
• Se α = 1, então p*
ij
= cj
D
• Se δ → 0, novamente ρHL < ρLH
(1 − γ )
C γ C D C
β D
ρLH = c0 + δ + (1 − α) (δ − δ ) − (1 − β)δ ρHL = c0 + (1 − α) δ
1−β
Aplicação
↓ πHL − πLH
C
• Se α → 1, ρHL → c0 < ρLH → c0 + δ
• Se α = 1, então p*
ij
= cj
D
• Se δ → 0, novamente ρHL < ρLH
D
• Se δ = 0, então cai no caso de incerteza da demanda: p*
L
= p*
H
= c0
(1 − γ )
C γ C D C
β D
ρLH = c0 + δ + (1 − α) (δ − δ ) − (1 − β)δ ρHL = c0 + (1 − α) δ
1−β
πHL − πLH ↑
Aplicação
πHL − πLH ↑
Aplicação
πHL − πLH ↑
Proposição 2
• Vimos que modelos com diversas dimensões de informação privada devem tomar cuidado
deliberado em relação à exclusão de otimalidade para variáveis continuamente
distribuídas
Conclusões
• Vimos que modelos com diversas dimensões de informação privada devem tomar cuidado
deliberado em relação à exclusão de otimalidade para variáveis continuamente
distribuídas
• Vimos que modelos com diversas dimensões de informação privada devem tomar cuidado
deliberado em relação à exclusão de otimalidade para variáveis continuamente
distribuídas
• Quando estão alinhados, a análise é direta e os preços marginais estavam sempre acima
do custo marginal
Conclusões
• Vimos que modelos com diversas dimensões de informação privada devem tomar cuidado
deliberado em relação à exclusão de otimalidade para variáveis continuamente
distribuídas
• Quando estão alinhados, a análise é direta e os preços marginais estavam sempre acima
do custo marginal
• Quando não estavam alinhados, a análise é complexa e preço submarginal pode ser ótimo
Conclusões
• Vimos que modelos com diversas dimensões de informação privada devem tomar cuidado
deliberado em relação à exclusão de otimalidade para variáveis continuamente
distribuídas
• Quando estão alinhados, a análise é direta e os preços marginais estavam sempre acima
do custo marginal
• Quando não estavam alinhados, a análise é complexa e preço submarginal pode ser ótimo
• O modelo foi criado para que nem a demanda nem custo sozinhas superassem o custo
marginal, mas em conjunto criasse esse resultado interessante
Você deve estar ciente de que todos aqueles
por quem você espera ser obedecido esperam
também que você tome decisões por eles.
Xenofonte pg 87
Boas Festas