跳至主要内容

需求曲线:如何理解价格与销量之间的关系

学习如何用需求曲线揭示价格与销量之间的关系,并利用这份认知在竞争性市场中做出更明智的决策。探索寻找使总体收入最大化的最优价格的方法。
· 14分钟 阅读

使用 AI 探索

需求曲线是理解消费者行为与定价策略最有趣且最有用的工具之一。它通常用于分析某种商品或服务的价格与销量之间的关系,在其他情境下也可用于分析市场动态或预测收入结果。

在本文中,我们将全面了解需求曲线。我们会探讨其定义特征及相关术语。随后,我还会展示如何扩展需求曲线以找到使利润最大化的最优价格——这是一段实用的代数应用,能构建一种入门级优化技巧,我在自己的工作中也发现它非常有用。

通过遵循这些方法,我保证您不仅能做出定价策略方面的决策,还能清晰阐述这些方法,为未来项目提供框架。尽管我将在本文中使用 R 和 SQL,但请知悉,您也可以用其他主流工具(如 Excel、Python、Tableau 和 Power BI)实现同样的方法。最后,我想说,要真正成为定价专家,我强烈推荐我们的课程Forecasting Product Demand in R。

什么是需求曲线?

需求曲线是定价策略乃至更广泛经济学中的基础概念。它以一种直观的可视化方式呈现商品或服务的价格与消费者需求量之间的关系。需求曲线的主要组成包括一条坐标轴上的价格和另一条坐标轴上的需求量。下面是一个示例:

basic demand curve example

一种基础的需求曲线形状。图片来自作者。

需求曲线的组成部分

在上图中,您会注意到一个乍看之下显而易见的现象:价格与销量呈反向关系。更正式地说,我们可以认为需求曲线与需求法则密切相关,即在其他条件不变的情况下,产品价格降低时,需求量增加。有时,这一思想也被称为价格与数量关系,意思是产品价格直接影响消费者愿意购买的数量。

不过,这张图还包含一个不那么明显的点:当价格较低时,销量下降更为陡峭;当价格较高时,曲线变得平缓。这种弯曲性与其他概念相关,如弹性变化和边际效用递减,我会在下一节讲到。

需求的价格弹性

从价格与需求量的反向关系中引申出的一个关键概念是需求的价格弹性,它衡量需求量对价格变化的敏感程度。形式上,弹性常被计算为:

elasticity equation

如果价格发生相对较小的变化就会引发需求量的大幅变化,我们称该产品具有富有弹性的需求。例如,高端电子产品或设计师手袋的价格即便略有上涨,也可能导致需求急剧下降,因为消费者可以找到替代品。

如果价格发生较大变化而需求量仅有相对较小的变化,我们称该产品具有缺乏弹性的需求。如汽油或药品等必需品是典型例子。即使价格上涨,消费者仍被迫购买接近相同的数量,因为没有替代品。

需求曲线的类型

虽然我展示了一个需求曲线的例子,但请知悉,需求曲线会根据市场、产品和消费者偏好的潜在特征呈现出多种不同形式。尽管始终向右下倾斜,但这种关系并不必然遵循某一种数学形状。

线性需求曲线

线性需求曲线表示价格与数量之间的变化率恒定。这在简单的市场情景中较为常见,表现为一条直线。

非线性需求曲线

正如我们所见,需求曲线并不总是画成完美的直线,因为价格与数量之间的关系并不总能用简单的一对一线性函数很好地刻画。原因有多种,我先前已略有提及:

  • 弹性变化:需求弹性(即需求对价格变化的敏感度)往往在曲线的不同点上有所不同。例如,当价格非常高时,即便轻微降价,买家的反应也可能很强烈。 
  • 边际效用递减:在许多经济模型中,每多消费一单位商品所带来的效用比上一单位略低。因此,当价格从高位降至中等水平时,消费者可能愿意购买更多;但一旦达到某个区间,进一步降价并不会引发同等幅度的需求量增长。 

在实践中,非线性需求曲线往往更为现实,因为它更擅长刻画变化率不恒定的情况。毕竟,真实世界数据是杂乱的,消费者行为也很复杂。话虽如此,通常也有方法将非线性曲线线性化,我会在后文展示。

个体需求曲线 vs. 市场需求曲线

我们还可以比较消费者层面与市场层面的需求差异。个体需求曲线表示单个消费者针对某产品的价格与其需求量之间的关系,反映其个人偏好与支付意愿。

市场需求曲线则汇总了一个市场中所有消费者的需求。它将个体需求曲线聚合,展示每一价格点上的总需求量。由于其构建方式,市场需求曲线常被企业用于评估市场潜力。

需求曲线 vs. 供给曲线

如果您在研究需求曲线,可能也听说过供给曲线。本质上,供给曲线与需求曲线是一枚硬币的两面。需求曲线展示消费者在不同价格下愿意购买的数量,而供给曲线表示生产者在相同价格下愿意出售的数量。

如果将需求曲线与供给曲线绘于同一图上,您会看到它们相交的一点。两条曲线的交点称为均衡点,被认为决定市场价格与数量。因此,当需求超过供给时,价格往往上升,从而激励生产者增加产量;而当供给超过需求时,价格下跌,从而鼓励更多购买。

demand curve vs. supply curve

需求曲线 vs. 供给曲线。图片来自作者。

在数据科学中使用需求曲线

利用需求曲线进行业务决策的方法有很多。这里,我将带您通过一种具体方式使需求曲线变得有用:我们将使用数据,通过二次回归技术同时创建需求曲线与需求模型。我会展示如何在 R 和 SQL 中使用这一技术,并将其用于交互式Power BI或Tableau仪表板。

在继续之前,我想说,如果您读到这里,认为可能需要同时提升整个团队(例如一组业务分析师或数据科学家)的技能,DataCamp for Business可以提供帮助。我们会帮助您的团队构建适用于您特定业务情境的技能与技术。很多大型数据分析项目都需要多方协作——欢迎联系 DataCamp 团队了解更多信息。

使用需求曲线在 R 中分析价格

让我们用 R 创建并分析一条需求曲线。为模拟数据集,我创建了一条带有随机噪声的指数衰减型曲线。其设想是:每个数据点代表一家汽车经销商的一周销量,经销商通过不同的促销活动与不同的定价水平来提升同款车型的销售。

# Load necessary library
library(tidyverse)

# Define parameters for the exponential decay
a <- 100  # Initial value
b <- 0.5  # Decay rate

# Define a realistic price range
price <- seq(10000, 40000, length.out = 200)  # Price from $10,000 to $40,000

# Calculate the exponential decay
y <- a * exp(-b * (price / 10000))  # Adjust decay rate to match price scaling

# Add mixed noise (additive + slight proportional)
set.seed(42)  # For reproducibility

additive_noise <- rnorm(length(y), mean = 0, sd = 1)  # Constant additive noise
proportional_noise <- rnorm(length(y), mean = 0, sd = 0.05 * y)  # Small proportional noise

y_noisy <- y + additive_noise + proportional_noise

# Ensure no negative values (optional, as sales can't be negative)
y_noisy[y_noisy < 0] <- 0.01

# Combine price and noisy y into a data frame
demand_curve_data <- data.frame(
  price = price,
  quantity_sold = y_noisy
)

# Clean and prepare the data
demand_curve_data <- demand_curve_data %>%
  mutate(quantity_sold = round(quantity_sold, 0)) %>%
  filter(quantity_sold != 0)

# Plot the noisy exponential decay
ggplot(demand_curve_data, aes(x = price, y = quantity_sold)) +
  geom_point(color = '#203147', alpha = 0.6) +
  geom_line(
    aes(y = a * exp(-b * (price / 10000))),
    color = '#01ef63',
    size = 1.2,
    linetype = "dashed"
  ) +
  labs(
    title = "Cars Sold",
    subtitle = "Demand Curve (Cars Sold)",
    x = "Price ($)",
    y = "Quantity Sold"
  ) +
  scale_x_continuous(labels = scales::dollar_format())  # Format x-axis as dollars

demand curve with noise带噪声的需求曲线。图片来自作者

这里,我绘制了价格与销量之间的关系,用散点来表示自然波动,这可能由多种原因导致。 

读图可知,随着价格上升,销量下降,且这种关系在某些价格区间更为敏感。但是,取决于您对数据的用途,这一总体洞见可能不足以支撑务实的业务决策。以我的经验,上级往往希望看到能给出更紧迫业务问题明确答案的规范性洞见。比如一个问题是:什么样的车价能够真正使总体收入最大化? 

我们可以先通过观察图形来做些猜测。 

  • 在低价端,沿着绿色虚线看,价格为 $10,000 时,销量为 60。这意味着总收入为$600,000。 
  • 在高价端,绿色线在 $40,000 时大约落在 10,对应收入$400,000。 
  • 在中间位置,绿色线在价格 $25,000 时落在 30。对应收入为$750,000。

您可能已经开始感觉到,使总体收入最大化的价格应当在中间某处。从概念上讲,这也合理:我们预期超低价格会带来高销量但相对较小的收入,而超高价格会带来很少的销量且同样相对较小的收入。但在中间某处必然存在一个使收入最大化的最优价格。

现在,与其凭眼力估计,不如学习一种更好、更高效且更稳健的方式来最大化总体收入。我们可以通过求解一个基础优化问题来找出最优价格。我们先建立一个线性模型,再将其弯成一条抛物线,并找到最高点。

我们的第一步是将关系线性化。由于我使用指数衰减函数构造了这一切,我知道对销量取对数能很好地线性化。为简洁起见,让我们忽略任何异方差性。 

# Create a linearized version of the data
demand_curve_data$log_quantity_sold <- log(demand_curve_data$quantity_sold)

# Plot the linearized relationship
ggplot(demand_curve_data, aes(x = price, y = log_quantity_sold)) +
  geom_point(color = '#203147', alpha = 0.6) +
  geom_smooth(method = "lm", color = '#01ef63', se = FALSE) +
  labs(
    title = "Cars Sold",
    subtitle = "Demand Curve (Log Quantity Sold)",
    x = "Price ($)",
    y = "Log of Quantity Sold"
  ) +
  scale_x_continuous(labels = scales::dollar_format())  # Format x-axis as dollars

transformed demand curve

变换后的需求曲线。图片来自作者

现在,我们可以创建一个名为revenue的新变量,定义为price乘以log_quantity_sold。需要说明的是,我们使用lm()函数创建线性模型对象,是为了获得与模型系数相关的数值。 

下一步,将线性模型方程代入公式。如果我们没有做对数变换:

  • 这意味着方程 revenue = price * quantity_sold 现在可写为 revenue = price * (b0 + b1 * price)。 

  • 接着,我们会展开项。就像把 x(1-x) 展开为 x - x2 一样,我们将方程重写为 revenue = b0 * Price + b1 * price2。 

注意,现在revenue由一个包含price平方项的方程定义。这正是关键所在:通过将price作为平方项绘图,我们就构造了一个可求最大值的函数。

然而,由于我们做了对数变换,就必须对对数线性模型做指数反变换。

  • 这意味着方程 revenue = price * log_quantity_sold 将写为 revenue = price * eb0 + b1 * price。 

  • 如果我们愿意,现在可以将该方程因式分解为新形式:revenue=price * eb0​ * eb1​⋅price。但该方程并不像线性或多项式方程那样可展开,因为指数函数不允许像上述标准代数项那样分离或分配各项。

无论如何,我们继续:

# Fit a linear model to the log-transformed quantity sold
model <- lm(log_quantity_sold ~ price, data = demand_curve_data)

# Create a revenue model based on the linear model coefficients
revenue_model_data <- demand_curve_data %>%
  mutate(
    revenue_model = price * exp(coef(model)[1] + coef(model)[2] * price)  # Modeled revenue
  )

# Plot the revenue model
ggplot(revenue_model_data, aes(x = price, y = revenue_model)) +
  geom_point(color = '#203147', alpha = 0.6) +  # Actual revenue points
  geom_line(color = '#01ef63', size = 1.2) +    # Revenue model line
  labs(
    title = "Car Sales",
    subtitle = "Revenue Model",
    x = "Price ($)",
    y = "Revenue ($)"
  ) +
  scale_y_continuous(labels = scales::dollar_format()) +  # Format y-axis as dollars
  theme_minimal() +  # Apply a minimal theme for aesthetics
  theme(
    text = element_text(family = "Arial", size = 12),
    plot.title = element_text(face = "bold", size = 16),
    plot.subtitle = element_text(size = 14)
  )

基于需求曲线创建的收入模型。图片来自作者。

有趣的是,尽管原始模型使用了log⁡_quantity_sold,我们创建的图表完全处于price与revenue的原始尺度上。对数变换仅影响底层模型,而我们包含e的反变换让图形回到原始尺度,因此仍然易于解读。

求导数为零的位置

最后一个关键点是:抛物线顶部导数等于零的地方,就是理论上使收入最大化的价格。

我们或许记得,对 3x² + 2x 这样的方程求导,就是与指数相乘得到 6x + 2。同理这里也适用。但再次提醒,在这个例子中,我们必须先将对数后的值反变换回原尺度,再构造收入函数。通过在寻找收入最大值前回到原尺度,我们确保求得的是使实际收入最大化的价格,而非某个变换后的指标。因此,正确的可微分收入函数是:revenue = price * e(b0 + b1 * price)。

我们来算一算。这里我取线性模型系数,定义收入函数,最后计算最优价格并得到对应的期望总收入。

# Model coefficients
b0 <- 4.596 # Intercept
b1 <- -4.974e-05 # Slope for price

# Define the revenue function
revenue <- function(P, b0, b1) {  
  P * exp(b0 + b1 * P)
}

# Calculate the optimal price (analytical solution from dR/dP = 0) - shortcut code here
(optimal_price <- -1 / b1)

# Calculate maximum revenue
(max_revenue <- revenue(optimal_price, b0, b1))
[1] 20104.54
[1] 732853.5

您可能注意到,我用于求最优价格的一行代码在上下文中并未充分解释。我指的是这段代码:(optimal_price <- -1 / b1)。让我花点时间说明我是如何得出最优价格等于 -1 除以斜率的。 

首先,我们要记住微积分中的乘积法则:如果函数 f(x) 等于 u(x) 乘以 v(x),那么其导数 f'(x) 等于第一项的导数乘以第二项,再加上第一项乘以第二项的导数。 

# the product rule in calculus 
f(x) = u(x) * v(x)
f'(x) = u'(x) * v(x) + u(x) * v'(x)

这是我们的方程及其导数:

# our equation:
revenue = price * e^(b0 + b1 * price)

# the derivative of our equation
derivative = 1 * e^(b0 + b1 * price) + price * b1 * e^(b0 + b1 * price)

我知道这里对 price 求导为 1,因为我们就是对它求导。“当价格变化时,价格变化了多少?”这是 1:1 的关系。

另一方面,e(b0 + b1 * price) 的导数不像 2x2 这样简单函数那样整齐(其导数为 4x)。

在我们这里的表达式中,指数是一个多项式。技巧在于仔细观察各个项:首先,

  • b0 只是一个常数,所以其导数为 0

  • price 的导数是 1,我们已处理。

  • b1 是缩放因子,因此我们把这个数放在前面,同时按规则保持多项式指数不变。

因此,e(b0 + b1 * price) 的导数是 b1 * e(b0 + b1 * price)。这被称为链式法则,如下所示:

# the chain rule in calculus 
f(x) = x^g(x)
f'(x) = g'(x) * x^g(x)

最后一步是做一些因式分解。

代数告诉我们如下等价:

A + B * A = A(1+B)

当我仔细看正在处理的导数时,发现它有 A 部分和 B 部分:

“A”为e(b0 + b1 * price),“B”为price * b1。所以我可以把

e^(b0 + b1 * price) + price * b1 * e^(b0 + b1 * price)

化为:

e^(b0 + b1 * price)(1 + price * b1)

最后,我需要令该导数为零,找到斜率由上升转为下降的地方,即抛物线的顶点。

e^(b0 + b1 * price)(1 + price * b1) = 0

最后一个技巧是,我知道当 A * B 等于 0 时,要么 A 要么 B(或二者)等于 0。但很方便的是,我知道e(b0 + b1 * price)不可能为 0,因为它是指数函数。如果指数为正,结果很大;如果指数为 0,结果为 1;如果指数为负,结果为一个很小的分数。所以在求解为零时,这一部分可以忽略。

接下来只需移项并解出price即可。

(1 + b1 * price) = 0
b1 * price = -1
price = - 1 / b1

这就是我将 -1 / b1 放入我们 R 代码自定义函数中的依据。

现在,延续上面的工作,我们可以绘制最优价格并查看其对应收入。

最优价格为 $20,104.54,对应期望总收入约为 $732,853.50。我说“约”为,因为如果您仔细计算,会发现我们假设售出 36.45 辆车,但现实中不可能卖出半辆车。

ggplot(revenue_model_data, aes(x = price, y = revenue_model)) +
  geom_point() + geom_line(color = '#01ef63') +
  ggtitle("Car Sales") + labs(subtitle = "revenue model") +
  ylab("Revenue") +
  scale_y_continuous(labels = scales::dollar_format())  +
  geom_vline(xintercept = optimal_price, linetype = "dashed", color = '#203147') +
  geom_point(aes(x = optimal_price, y = max_revenue), color = '#203147', size = 3) 

Finding the price that maximizes revenue寻找使收入最大化的价格。图片来自作者。

在另一种流程中,我们甚至可以将这些思路扩展到利润而非收入。我不在此详算,但要做到这一点,您需要知道可以考虑profit = revenue - cost,其中cost可视为quantity * unit cost。如果单位成本为常数,且数量可用类似1 - price的表达式替代,那么我们又会得到一个倒置的抛物线。

如果您想进一步了解微积分与导数在机器学习中的作用,可尝试我们的课程Introduction to Deep Learning with PyTorch,其中在梯度下降与超参数调优的背景下进行了详细探讨。尽管语境不同,但思路相通。正如您所见,优化以不同形式存在,是数据科学中的关键技能,多练习大有裨益。

需求曲线 vs. 拉弗曲线

如果您学过经济学,可能会觉得这条抛物线与拉弗曲线类似。拉弗曲线是一个颇具争议的概念,用于说明税率如何影响政府税收。

虽然我认为拉弗曲线与这里对需求曲线的变换都属于“最大化 vs. 比率”类型问题,但拉弗曲线特指税收:x 轴表示税率(0% 到 100%),y 轴表示政府征收的总税收。概念上,拉弗曲线也是倒 U 形,因为在高端我们会认为,如果税率过高,将不会产生税收,因为个人或企业缺乏从事可征税活动的激励。经济学家可能会对这种“激励”的假设存有分歧。

Laffer curve in Ferris Bueller's Day Off

《春天不是读书天》中的拉弗曲线。来源:YouTube

使用需求曲线在 SQL 中分析价格

既然我们已经讲过了思路,我还想分享一段能完成同样工作的 SQL 脚本。该函数将在quantity_sold与price之间执行回归分析。随后,它会基于回归系数帮助您找到使收入最大化的最优价格,并确定相应的最大收入。 

我认为以下脚本在构建 Power BI 或 Tableau 的动态仪表板时尤其有用,因为您将获得实时数据更新,而无需下线处理任何内容。

您还会看到,我使用了手动方法借助 SQL 聚合函数求回归系数,因为大多数 SQL 方言没有可用的专门回归函数。也许会让您惊讶的是,简单线性回归在 SQL 中能很好地运行,因为简单线性回归的模型系数可以用 x 与 y 之间的相关性、标准差与均值来表达。

-- SQL script to perform linear regression on log(quantity_sold) vs price,
-- calculate the optimal price to maximize revenue, and determine the maximum revenue.
WITH regression_data AS (
  SELECT
    COUNT(*) AS N,
    SUM(price) AS sum_x,
    SUM(LOG(quantity_sold)) AS sum_y,
    SUM(price * LOG(quantity_sold)) AS sum_xy,
    SUM(price * price) AS sum_x2,
    SUM(LOG(quantity_sold) * LOG(quantity_sold)) AS sum_y2
  FROM sales_data
),
regression_coefficients AS (
  SELECT
    N,
    sum_x,
    sum_y,
    sum_xy,
    sum_x2,
    sum_y2,
    (N * sum_xy - sum_x * sum_y) / (N * sum_x2 - sum_x * sum_x) AS slope,
    (sum_y - ((N * sum_xy - sum_x * sum_y) / (N * sum_x2 - sum_x * sum_x)) * sum_x) / N AS intercept
  FROM regression_data
),
optimal_price AS (
  SELECT
    slope,
    intercept,
    (-1 / slope) AS optimal_P
  FROM regression_coefficients
),
max_revenue AS (
  SELECT
    optimal_P,
    slope,
    intercept,
    optimal_P * EXP(intercept + slope * optimal_P) AS max_R
  FROM optimal_price
)
SELECT
  optimal_P AS Optimal_Price,
  max_R AS Maximum_Revenue
FROM max_revenue;
Optimal_Price | Maximum_Revenue
------------- | ----------------
20104.32      | 402082.58

请注意,所提供的 SQL 脚本可能需要根据所用 SQL 方言进行调整,因为语法可能不同。此外,为方便排错,我建议确保销售数据表中 price 与 quantity_sold 都是有效的正值,因为负值或零值可能导致错误。 

另外,如果您想像 R 部分那样加入对数变换,也可以这么做,但根据不同方言,自然对数函数可能名为 LN 或 LOG。在 DuckDB 中,LN 与 LOG 实际上不同:LN 是以 e 为底的自然对数,而 LOG 是以 10 为底。如果您有兴趣在 SQL 中创建需求曲线以分析价格与销量之间的关系,请观看我的Analyzing Product Demand in SQL code-along。最后,我建议想要提升 SQL 能力的分析师探索Associate Data Analyst in SQL 职业路径,以建立完整工具箱。

 

需求曲线的例外情况

在一些显著的例外中,消费者行为可能会违背需求曲线的常规模式:

吉芬品

吉芬品是一类罕见的劣等品,对其需求法则并不成立。当吉芬品的价格上升时,消费者反而可能购买更多而不是更少。这是因为此类商品在消费者预算中占比过大,当其价格上升时,消费者无力购买更理想的替代品,被迫购买更多的吉芬品。一个经典(但存在争议)的历史例子是 19 世纪某些地区(也许是英格兰)的面包价格上涨,人们最终消费了更多面包,因为负担不起其他更昂贵的食物。

韦伯伦品

韦伯伦品是奢侈或身份象征类产品——如设计师手袋、优质葡萄酒或高端手表——其需求会随价格上升而上升。它们的部分吸引力在于更高价格被视为排他性或更高社会地位的信号,因此随着价格变高,商品更具吸引力。您也可以把这看作“炫耀性消费”。

其他特殊情形

  • 从众或网络效应:某些商品随着更多人使用而对每个消费者更有价值(例如社交媒体平台、特定软件生态)。需求上升不仅受价格影响,还受商品日益增长的人气或网络规模影响。
  • 孤芳效应:一些消费者正是因为很少人拥有某商品而购买它。在这些情况下,较低价格会让商品显得“不够独特”,从而降低吸引力。
  • 投机或投资资产:对于某些加密货币或大宗商品等资产,如果市场认为价格将持续上涨,需求可能会随着价格上升而跃升,而非下降。

在所有这些例子中,通常的价格—数量关系会翻转或变得更复杂,因为心理、文化或情境因素凌驾于“消费者仅仅想以更低价格获得更多”这一经典假设之上。 

需求曲线常用术语

我们在本文中讨论了一些不同的术语。下面用一张表来帮助梳理。 

概念描述
需求曲线以图形方式展示商品价格与消费者需求量之间关系的表示。
需求法则指出在其他条件不变时,产品价格下降,需求量增加。
价格—数量关系表示产品价格会直接影响消费者愿意购买的数量。
弹性衡量需求量对价格变化的敏感程度。
边际效用递减指每额外消费一单位产品所获得的满意度或效用比前一单位降低。

结语

我们覆盖了大量内容:从需求曲线与需求模型,到对数与指数变换,再到二次回归技术与优化实践。 

继续在 DataCamp 学习商业分析。考虑报名我先前提到的课程:Forecasting Product Demand in R 与 Data-Driven Decision Making for Business,两者都会教授如何用数据提升您在商业与金融中的决策。拥有一定技术技能并掌握正确方法是不可替代的。 

此外,持续练习数据科学的核心内容。除了核心回归课程(Introduction to Regression with statsmodels in Python 与 Introduction to Regression in R),还可学习 Nonlinear Modeling with Generalized Additive Models (GAMs) in R 或 Statistics Fundamentals in Python。我也推荐完整的Machine Learning Scientist in Python职业路径。选择您最薄弱的环节去学习,收获最大。

Josef Waples

作者

Josef Waples

我是数据科学编辑,曾为科学期刊发表的研究论文撰稿。我的兴趣领域包括线性代数、统计学、R 等相关主题。

主题