Quién establece los precios y cómo se negocian en el mercado del agua embotellada en Chile

Abstract

El mercado de agua embotellada ha visto un enorme crecimiento durante las últimas décadas y todo indica que podría seguir creciendo. El año 2007 uno de los grandes competidores como lo es Coca Cola adquirió Benedictino, creando un mercado en donde actualmente dos grandes marcas se disputan casi su totalidad. En este trabajo de tesis se estudia el efecto que tuvo dicha adquisición en el mercado, estudiando cómo se comporta la demanda en este mercado y evaluando dos modelos de negociación alternativos para determinar en qué escenario se encuentra. Siendo dos escenarios propuestos en dos modelos RSP (Retailer Sets Prices) y MSP (Manufacturer Sets Prices). El método de estimación de demanda depende de una estimación de Mixed Logit no paramétrico, en donde se realiza una modificación estimando usando como base una grilla de parámetros y determinando la ponderación de cada uno de los puntos de dicha grilla con el fin de determinar distribuciones para los factores que afectan la demanda. Para la estimación de los modelos de negociación se resuelven las distintas etapas dadas por una negociación a la Nash y por una optimización de utilidades. Posteriormente se procede a considerar una grilla para los parámetros de poder de negociación, y para cada uno de estos puntos estimar los costos marginales usando GMM (Método Generalizado de Momentos) definiendo así con la función objetivo de GMM qué modelo posee un mejor ajuste a los datos y determinando en qué escenario se encuentra el mercado. Los resultados fueron evaluados en dos segmentos distintos, uno para contenido menor o igual a 1 litro, y otro entre 1 y 3 litros. En ambos segmentos los resultados son similares, siendo CCU en general el productor con un mayor poder de negociación y Benedictino con el menor (excepto en un caso). Los costos marginales estimados se comportan similar, en donde RSP posee estimaciones mayores a las de MSP (exepto por un caso). Además, como resultado final, en ambos segmentos el escenario que mejor ajusta corresponde a RSP, cuyas evaluaciones óptimas para la función GMM son menores a las de MSP, siendo estas últimas 6 veces mayores. En el trabajo desarrollado se encuentran ciertos elementos que podrían afectar los resultados, tales como una diferente estimación de demanda (ya que los modelos son muy sensibles a ella) o distintas variables que podrían agregarse en su estimación. Además de un cambio en el método de estimación final con el uso de una grilla mas fina para mayor precisión en los intervalos de confianza.