← マーケティングサイエンス 一覧

🎓 レベル：標準　|　重要度：A（必須）

📎 関連：顧客獲得コスト（CAC）とLTV/CAC　|　前提：需要曲線と価格弾力性

要点（BLUF）

• 価格最適化は、利益 $\pi(P)=(P-c)\,Q(P)$ を最大にする価格を選ぶ問題です。収入最大化とは別物——限界費用 $c$ があるぶん、利益最大価格は収入最大価格より高くなります。
• 一階条件 $d\pi/dP=0$ を整理すると、ラーナー指数 $\dfrac{P-c}{P}=\dfrac{1}{|\varepsilon|}$。価格に占めるマージンの割合は弾力性の逆数で、弾力的な市場ほどマークアップは小さい。線形需要では $P^{*}=\dfrac{a+bc}{2b}$。
• 例（$a=1000,b=2,c=100$）では、利益最大 $P^{*}=300$（収入最大 250 より高い）、$Q^{*}=400$、$\pi^{*}=80{,}000$。ラーナー指数 $0.667=1/1.5$ が成立します。

1. 利益最大化問題：収入最大化との違い

価格を上げると、1単位あたりのマージンは増えますが、売れる数量は減ります。この綱引きの最適点を探すのが価格最適化です。利益は「マージン × 数量」で、

ここで $c$ は限界費用（1単位を追加で売るのにかかる変動費）、$P-c$ が1単位あたりの粗利（マージン）です。$Q(P)$ は 需要曲線と価格弾力性 の需要曲線。

よくある取り違えが収入最大化との混同です。収入最大化は $R=PQ$ を最大にし、コスト $c$ を完全に無視します。利益最大化は $(P-c)Q$ を最大にする。$c>0$ なら、1単位売るたびに $c$ かかるので、収入最大化ほど数量を追いません——価格を高めにして数量を抑えるのが得。したがって一般に

です。「値下げして売上を伸ばす」発想は、コストを忘れると利益を削ります。

2. 一階条件とラーナー公式（数式）

最適価格は $\pi(P)=(P-c)Q(P)$ を $P$ で微分して 0 とおくことで求まります（積の微分）。

両辺を $Q\,(>0)$ で割り、$\dfrac{dQ}{dP}\cdot\dfrac{1}{Q}=\dfrac{\varepsilon}{P}$（弾力性の定義 $\varepsilon=\dfrac{dQ}{dP}\dfrac{P}{Q}$ より）を使うと、

これを $\dfrac{P-c}{P}$ について解くと、ラーナー公式が出ます。

左辺 $\dfrac{P-c}{P}$ はラーナー指数（価格に占めるマージンの割合＝マークアップ率）。これが弾力性の逆数に等しい、という美しい結果です。弾力的な市場（$|\varepsilon|$ 大）ほどマークアップは薄く、非弾力的なら厚い。ただし内点で最適が存在するには $|\varepsilon|>1$ が必要です（$|\varepsilon|\le1$ だと価格を上げるほど利益が増え、最適が定まらない）。

flowchart LR
  D["需要の価格弾力性（絶対値）"] --> L["ラーナー指数 (P-c)/P = 1/弾力性"]
  L --> M["最適マークアップが決まる"]
  M --> Ps["最適価格 P*"]

線形需要での具体解。$Q=a-bP$ を入れて一階条件を解くと、

最適数量は $Q^{*}=a-bP^{*}=\dfrac{a-bc}{2}$、最大利益は $\pi^{*}=(P^{*}-c)\,Q^{*}$ です。

定弾力性需要での具体解。$\varepsilon=-e$（一定）なら、ラーナー公式 $\dfrac{P-c}{P}=\dfrac{1}{e}$ を解いて、

これは独占企業の古典的マークアップ公式です（$e>1$ が必要。$e\le1$ だと最適価格が発散）。コストに $\dfrac{e}{e-1}$ という、弾力性で決まる倍率を掛けるのであって、単純なコストプラス（固定％の上乗せ）ではない点が重要です。

3. 解析解と数値解の一致を確かめる（コード）

$a=1000,b=2,c=100$ で利益 $\pi(P)=(P-c)(a-bP)$ を最大化します。解析解 $P^{*}=(a+bc)/(2b)=300$ と、scipy.optimize.minimize_scalar による数値解（$-\pi$ を最小化）が一致すること、そして最適点でラーナー指数 $(P^{*}-c)/P^{*}$ と $1/|\varepsilon(P^{*})|$ が一致することを確かめます。あわせて収入最大価格 250 と並べて対比します。

import numpy as np
from scipy.optimize import minimize_scalar

# 線形需要 Q(P)=a-bP、限界費用（変動費）c。利益 π(P)=(P-c)(a-bP)
a, b, c = 1000.0, 2.0, 100.0

def demand(P):  return a - b * P
def profit(P):  return (P - c) * demand(P)     # 利益
def revenue(P): return P * demand(P)           # 収入

# (a) 解析解：一階条件 dπ/dP=0 より P* = (a+bc)/(2b)
P_star = (a + b * c) / (2 * b)
Q_star = demand(P_star)
pi_star = profit(P_star)

# (b) 数値解：-π を最小化（=π を最大化）。価格は [0,500] に制限
res = minimize_scalar(lambda P: -profit(P), bounds=(0, 500), method="bounded")
P_num = res.x

print("=== 利益最大化（a=1000, b=2, c=100）===")
print(f"解析解 P* = (a+bc)/(2b) = {P_star:.4f}")
print(f"数値解 minimize_scalar  = {P_num:.4f}")
print(f"最適数量 Q* = {Q_star:.1f}, 最大利益 π* = {pi_star:,.0f}")

# (c) ラーナー指数 (P*-c)/P* と 1/|弾力性(P*)| が一致
eps_star = -b * P_star / Q_star          # 点弾力性 ε(P*)
lerner = (P_star - c) / P_star           # マークアップ率
print(f"\n点弾力性 ε(P*) = {eps_star:+.4f}（絶対値 {abs(eps_star):.4f}）")
print(f"ラーナー指数 (P*-c)/P* = {lerner:.4f}")
print(f"1/|弾力性|            = {1/abs(eps_star):.4f}")
print(f"一致するか           : {np.isclose(lerner, 1/abs(eps_star))}")

# (d) 収入最大価格 250 と利益最大価格 300 を対比
P_rev = a / (2 * b)
print(f"\n収入最大価格 a/(2b) = {P_rev:.0f}（利益={profit(P_rev):,.0f}, 収入={revenue(P_rev):,.0f}）")
print(f"利益最大価格 P*     = {P_star:.0f}（利益={profit(P_star):,.0f}, 収入={revenue(P_star):,.0f}）")
print("→ 限界費用 c>0 があるぶん、利益最大価格(300) は収入最大価格(250) より高い。")

出力：

=== 利益最大化（a=1000, b=2, c=100）===
解析解 P* = (a+bc)/(2b) = 300.0000
数値解 minimize_scalar  = 300.0000
最適数量 Q* = 400.0, 最大利益 π* = 80,000

点弾力性 ε(P*) = -1.5000（絶対値 1.5000）
ラーナー指数 (P*-c)/P* = 0.6667
1/|弾力性|            = 0.6667
一致するか           : True

収入最大価格 a/(2b) = 250（利益=75,000, 収入=125,000）
利益最大価格 P*     = 300（利益=80,000, 収入=120,000）
→ 限界費用 c>0 があるぶん、利益最大価格(300) は収入最大価格(250) より高い。

出力の意味：まず解析解と数値解がともに 300.0000で一致しました——閉形式 $P^{*}=(a+bc)/(2b)$ と汎用最適化（minimize_scalar）が同じ答えを返す、という相互検証です。最適数量 $Q^{*}=400$、最大利益 $\pi^{*}=80{,}000$。次に、最適点でのラーナー指数 $0.6667$ が $1/|\varepsilon|=1/1.5=0.6667$ と一致（True）。§2 の一階条件が「マークアップ率＝弾力性の逆数」を意味することの、数値での裏取りです。最後の対比が実務的に効きます。収入最大価格 250 は収入こそ最大（125,000）ですが利益は 75,000 にとどまり、利益最大価格 300 は収入が 120,000 に下がっても利益は 80,000 と大きい。限界費用 $c>0$ があるぶん、最適価格は収入最大点より上にずれる——「売上を最大化すれば利益も最大」ではないことが、はっきり数字に出ました。

利益曲線と収入曲線を重ねて描くと、2つの頂点のズレが一目でわかります。

import numpy as np
import matplotlib.pyplot as plt
import japanize_matplotlib

a, b, c = 1000.0, 2.0, 100.0
P = np.linspace(c, a / b, 400)        # 価格は限界費用 c 〜 切片価格 a/b の範囲
Q = a - b * P
profit = (P - c) * Q
revenue = P * Q

P_star = (a + b * c) / (2 * b)        # 利益最大価格 = 300
P_rev = a / (2 * b)                  # 収入最大価格 = 250

fig, ax = plt.subplots(figsize=(7.5, 4.6))
ax.plot(P, profit, color="C3", lw=2.2, label="利益 π(P)=(P-c)(a-bP)")
ax.plot(P, revenue, color="C0", lw=1.6, ls="--", label="収入 R(P)=P·Q")

ax.axvline(P_star, color="C3", ls=":", lw=1.2)
ax.axvline(P_rev, color="C0", ls=":", lw=1.2)
ax.scatter([P_star], [(P_star - c) * (a - b * P_star)], color="C3", zorder=5)
ax.scatter([P_rev], [P_rev * (a - b * P_rev)], color="C0", zorder=5)

ax.annotate("利益最大 P*=300\nπ*=80,000",
            xy=(P_star, 80000), xytext=(330, 55000),
            arrowprops=dict(arrowstyle="->", color="C3"))
ax.annotate("収入最大 P=250",
            xy=(P_rev, 125000), xytext=(150, 100000),
            arrowprops=dict(arrowstyle="->", color="C0"))

ax.set_title("利益最大価格(300) は収入最大価格(250) より高い")
ax.set_xlabel("価格 P")
ax.set_ylabel("金額（円）")
ax.legend(loc="lower center")
fig.tight_layout()
plt.show()

赤の利益カーブは $P^{*}=300$、青破線の収入カーブは $P=250$ で頂点をとり、**利益のピークが収入のピークより右（高価格側）**にあることが見て取れます。

⚠️ よくある誤解

• 収入最大化と利益最大化の混同：「売上を最大にすれば利益も最大」は誤り。コストを無視して値下げしすぎると利益を削ります。最適化するのは $R=PQ$ ではなく $\pi=(P-c)Q$ です。
• $c$ は固定費ではなく変動費（限界費用）：一階条件に入るのは1単位あたりの限界費用 $c$ だけ。固定費は最適価格 $P^{*}$ を動かしません（利益の高さは変えるが、最適点の場所は変えない）。
• コストプラスではなく $1/|\varepsilon|$ マークアップ：適正なマークアップは「原価に一律◯％」ではなく、弾力性で決まる $1/|\varepsilon|$（線形なら $P^{*}=(a+bc)/(2b)$、定弾力性なら $P^{*}=\frac{e}{e-1}c$）。弾力的な財ほど薄く、非弾力的な財ほど厚く取るのが理屈です。
• 需要曲線の推定が外れれば、最適価格も外れる：$P^{*}$ は弾力性（$a,b$ や $e$）に依存します。弾力性の推定には不確実性があり（需要曲線と価格弾力性 の内生性も含む）、点推定の $P^{*}$ を鵜呑みにせず、弾力性のレンジで最適価格の幅を見るべきです。
• 静学モデルの外にあるもの：このモデルは1期・単一企業・単一価格の静的最適化です。競合の価格反応、需要の異時点効果（先食い・後ろ倒し）、在庫制約は含みません。動的価格・バンドル・心理価格は、次の 03-03 価格戦略で扱います。

関連ノート

• 需要曲線と価格弾力性（前提・弾力性とラーナー公式の出発点）
• 第3章 需要と価格 目次
• 顧客獲得コスト（CAC）とLTV/CAC（粗利＝マージン $P-c$ は採算・LTV/CAC とつながる）
• 動的価格・バンドル・心理価格（行動経済学的な値付け）は 03-03 価格戦略で扱う（本章後半）／競合反応を含むゲーム的な価格設定は発展トピック
• マーケティング・サイエンス 全体目次