プラットフォーム戦略と二面市場

🎓 レベル：応用　|　重要度：A（必須）

📎 前提：ネットワーク効果（メトカーフとクリティカルマス）（臨界質量・正のフィードバック）

要点（BLUF）

プラットフォームは、二つの利用者グループ（例：利用者と出店者、乗客とドライバー）を仲介し、交差ネットワーク効果——相手側が増えると自分側の価値も増える——を組織します。
価格は両側を別々に設定できます。最適な価格構造を全探索すると、片側を補助（無料・赤字）し、もう片側で回収するのが利潤最大になります。
補助すべきは、もう一方の側が強く惹かれる側（磁石になる側）。クレジットカードが加盟店から取り会員を優遇する、ゲーム機を安く売りソフトで稼ぐ、といった現実の価格構造の数理的根拠です。

1. 交差ネットワーク効果のモデル

利用者数 $n_A$ と出店者数 $n_B$ が、互いの規模に依存して決まるとします。

n_A = a_A - b_A p_A + \gamma_A\, n_B, \qquad n_B = a_B - b_B p_B + \gamma_B\, n_A

$p_A, p_B$ は各側への課金、 $\gamma_A, \gamma_B$ は交差ネットワーク効果の強さです。ここでは利用者が出店者を強く好む（ $\gamma_A$ 大）が、出店者は利用者にそこそこ（ $\gamma_B$ 小）という非対称を置きます。価格を所与に連立を解いて均衡参加者数を求め、利潤 $p_A n_A + p_B n_B$ を全価格グリッドで最大化します。

import numpy as np

# 二面市場：A=利用者, B=出店者。相手側が増えると自分側も増える（交差ネットワーク効果）
aA, bA, gA = 100.0, 1.0, 0.8   # 利用者：基礎需要・価格感応度・出店者からの便益（大）
aB, bB, gB = 20.0,  1.0, 0.2   # 出店者：基礎需要・価格感応度・利用者からの便益（小）

def equilibrium_n(pA, pB):
    # 連立 n_A = aA - bA pA + gA n_B,  n_B = aB - bB pB + gB n_A を解く
    M   = np.array([[1, -gA], [-gB, 1]])
    rhs = np.array([aA - bA * pA, aB - bB * pB])
    nA, nB = np.linalg.solve(M, rhs)
    return max(nA, 0), max(nB, 0)

# 価格グリッドで総利潤を最大化（片側マイナス＝補助も許す）
best = None
for pA in np.arange(-60, 121, 1.0):
    for pB in np.arange(-60, 121, 1.0):
        nA, nB = equilibrium_n(pA, pB)
        profit = pA * nA + pB * nB
        if best is None or profit > best[0]:
            best = (profit, pA, pB, nA, nB)

print(f"最適価格：利用者 pA={best[1]:.0f}, 出店者 pB={best[2]:.0f}")
print(f"参加者数：利用者 nA={best[3]:.0f}, 出店者 nB={best[4]:.0f}")
print(f"総利潤：{best[0]:.0f}")

出力：

最適価格：利用者 pA=64, 出店者 pB=-12
参加者数：利用者 nA=73, 出店者 nB=47
総利潤：4133

出力の意味：最適解は利用者から 64 を取り、出店者には −12（＝逆に払って呼び込む補助）。利用者は出店者を強く好む（ $\gamma_A=0.8$ ）ので、出店者を磁石として補助で集めると、利用者が増えて高い課金（64）でも73人が参加し、トータルで儲かります。「赤字の側」は損ではなく、もう片側の需要を生む投資なのです。片側だけ見れば不合理な無料・赤字が、二面市場では最適になります。

2. なぜ片側だけ見ると間違うか：価格構造の自由の価値

「両側に同じ価格を課す」と縛った場合と比べると、価格構造を自由にできることの価値が分かります。

import numpy as np

aA, bA, gA = 100.0, 1.0, 0.8
aB, bB, gB = 20.0,  1.0, 0.2

def equilibrium_n(pA, pB):
    M   = np.array([[1, -gA], [-gB, 1]])
    rhs = np.array([aA - bA * pA, aB - bB * pB])
    nA, nB = np.linalg.solve(M, rhs)
    return max(nA, 0), max(nB, 0)

# 左右に同じ価格しか付けられない場合の最善
best_sym = None
for p in np.arange(-60, 121, 1.0):
    nA, nB = equilibrium_n(p, p)
    profit = p * nA + p * nB
    if best_sym is None or profit > best_sym[0]:
        best_sym = (profit, p)
print(f"左右同一価格に縛ると：最適 p={best_sym[1]:.0f}, 総利潤 {best_sym[0]:.0f}")
print(f"（参考）片側補助を許す最適利潤：4133")
print(f"価格構造の自由がもたらす利潤増：{4133 / best_sym[0]:.2f} 倍")

出力：

左右同一価格に縛ると：最適 p=26, 総利潤 2414
（参考）片側補助を許す最適利潤：4133
価格構造の自由がもたらす利潤増：1.71 倍

出力の意味：両側に同じ価格（26）しか付けられないと利潤は 2414 止まり。片側を補助できると 4133 と約1.71倍になります。プラットフォーム戦略の核心は「総額をいくら取るか」より「どちら側からいくら取るか（価格構造）」にある、という Rochet–Tirole 以来の洞察が、数値で確認できました。だからプラットフォーム間の競争では、どちらが正しい側を補助して臨界質量（ネットワーク効果（メトカーフとクリティカルマス））を先に超えるかが勝敗を分けます。

⚠️ よくある誤解

「無料・赤字の側は損」ではない：その側はもう片側の需要を生む投資。総利潤で評価します。
「高く惹きつける側＝多く課金できる側」ではない：逆です。もう片側が強く惹かれる側を補助して集め、惹かれている側から回収します。
「片側を取れれば勝ち」ではない：両側が揃って初めて価値が出ます（鶏と卵問題）。臨界質量を超える点火が要ります（ネットワーク効果（メトカーフとクリティカルマス））。
モデルは線形の説明用：実際は混雑・マルチホーミング・差別化が絡みます。要点は「価格構造そのものが戦略変数」という構造です。

要点（BLUF）

1. 交差ネットワーク効果のモデル

2. なぜ片側だけ見ると間違うか：価格構造の自由の価値

⚠️ よくある誤解

関連ノート