ارائه الگویی برای استرتژی تخفیف قیمت در محصولات فاسدشدنی: مطالعه موردی گوجه‌فرنگی تازه

نوع مقاله : مقالات پژوهشی به زبان انگلیسی

نویسندگان

معصومه عسگری ¹

سید مجتبی مجاوریان ¹

فواد عشقی ¹

مائوریتزیو کانواری ²

¹ گروه اقتصاد کشاورزی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران

² گروه علوم کشاورزی و مواد غذایی، دانشگاه بولونیا، ایتالیا

https://doi.org/10.22067/jead.2025.92139.1335

چکیده

بسیاری از محصولات کشاورزی تازه، مانند میوه‌ها و سبزیجات، به‌شدت فسادپذیر هستند و حفظ کیفیت آن‌ها از طریق نگهداری در شرایط سردخانه‌ای یا شرایط بهینه، می‌تواند برای خرده‌فروشان و تولیدکنندگان کوچک از نظر اقتصادی چالش‌برانگیز باشد. گاهی این محصولات در کمتر از 24 ساعت کیفیت و بازار پسندی خود را از دست می دهند. لازم است خرده‌فروش با استفاده از استراتژی تخفیف قیمت متناسب با کاهش کیفیت از هدر رفتن سرمایه خود جلوگیری کند. چالش اصلی در اتخاذ این استراتژی، تعیین زمان و میزان تخفیف قیمت است. برای بهینه‌سازی تنزیل قیمت، چهار تابع باید برآورد شود: الف) تابع کیفیت وابسته به زمان، ب) تابع تغییر قیمت، ج) تابع تقاضا که تابعی از قیمت و کیفیت است، و د) تابع هدف که در اینجا به‌عنوان تابع سود خرده‌فروش در نظر گرفته می‌شود. ما از مدل‌های قیمت‌گذاری پویا استفاده می‌کنیم که عواملی مانند کاهش کیفیت، سطح موجودی، و رفتار مصرف‌کننده را ادغام می‌کند. برای ارائه بینش واقعی، داده‌های تحقیق از سه فروشگاه میوه و تره‌بار در شهر گرگان جمع‌آوری شد. مدت زمان سه ماه و شامل تمام روزهای کاری بود. از هر فروشنده خواسته شد تا قیمت و مقدار فروش را به‌صورت ساعتی از ابتدا تا پایان روز کاری گزارش دهد. به این ترتیب از هر فروشگاه حدود 1000 داده ثبت شد. گوجه‌فرنگی به‌دلیل مصرف گسترده، عرضه مداوم و فسادپذیری سریع به‌عنوان مطالعه موردی انتخاب شد. نتایج نشان می‌دهد که تخفیف‌های قیمت می‌تواند به‌طور قابل‌توجهی سودآوری را افزایش دهد و در عین حال خطر محصولات فروخته نشده و فاسد را کاهش دهد. به‌طور خاص، یافته‌ها نشان می‌دهد که اجرای تخفیف‌های قیمتی هر 3 تا 4 ساعت، بیشترین سودآوری را به همراه داشته است. میانگین تخفیف 35 درصد است که منجر به افزایش 82 درصدی سود ناخالص می‌شود. در مقابل، فواصل تخفیف کوتاه‌تر (هر 1 تا 2 ساعت) با میانگین تخفیف 18 درصد، سود ناخالص را تا 73 درصد بهبود بخشید. از سوی دیگر، فواصل تخفیف‌های طولانی‌تر (هر پنج تا هفت ساعت) با میانگین تخفیف 46 درصد منجر به افزایش 66 درصدی سود ناخالص شد. علاوه بر این، این مطالعه بر اهمیت درک مصرف‌کننده در موفقیت استراتژی‌های قیمت‌گذاری پویا تأکید می‌کند. تخفیف بیش از حد می‌تواند منجر به درک کیفیت پایین محصول شود که ممکن است بر اعتماد مصرف‌کننده و اعتبار طولانی مدت فروشگاه تأثیر منفی بگذارد. پژوهش‌های آینده می‌توانند با افزودن متغیرهای مؤثر بر کیفیت محصول- مانند دما، رطوبت و نوع محصول- چارچوب فعلی را توسعه دهند. همچنین، تحلیل نقش انتظارات قیمتی مصرف‌کنندگان در شکل‌گیری تابع تقاضا، تعمیم مدل به سایر محصولات فسادپذیر از جمله لبنیات و گوشت، و استفاده از فناوری‌های نوین نظیر هوش مصنوعی و بلاک‌چین در بهینه‌سازی قیمت‌گذاری پویا و مدیریت موجودی، می‌تواند در ارتقای اثربخشی راهبردهای فروش محصولات فسادپذیر نقش مهمی ایفا کند.

کلیدواژه‌ها

استراتژی‌ قیمت‌گذاری پویا

بازارهای خرده‌فروشی

تخفیف‌های قیمتی

کاهش کیفیت

گوجه‌فرنگی

موضوعات

• بازاریابی و تجارت محصولات کشاورزی

---

عنوان مقاله English

Presenting a Model for Price Discount Strategy in Perishable Products: A Case Study of Fresh Tomatoes

نویسندگان English

M. Asgari ¹

S.M. Mojaverian ¹

F. Eshghi ¹

M. Canavari ²

¹ Agricultural Economics Department, Faculty of Agricultural Engineering, Sari Agricultural Sciences and Natural Resources University, Sari, Iran

² Department of Agri-Food Sciences and Technologies, Alma Mater Studiorum, Università di Bologna, Bologna, Italy

چکیده English

Agricultural products, are mostly perishable, and ensuring their quality through methods like cold storage or optimal conditions can present significant economic challenges for retailers and small-scale producers. In some cases, these products lose their quality and marketability within a span of less than 24 hours. The main challenge in adopting this strategy is determining the timing and amount of the price discount. To optimize price discounting, four functions need to be estimated: a) a time-dependent quality function, b) a price change function, c) a demand function that is a function of price and quality, and d) an objective function, which is considered here as the retailer's profit function. We employ dynamic pricing models that integrate factors such as quality degradation, inventory levels, and consumer behavior. The research data was collected from three fruit and vegetable stores in Gorgan city. The time period was three months, comprising all working days. Each seller was asked to report the price and quantity of sales on an hourly basis from the beginning to the end of the working day. In this way, about 1000 data were recorded from each store. Tomato was selected as case study due to their widespread consumption, continuous supply, and rapid perishability. The results show that price discounts can significantly enhance profitability while reducing the risk of unsold and wasted products. Specifically, the findings indicate that implementing price discounts every 3 to 4 hours yielded the highest profitability. The average discount is 35%, leading to an 82% increase in gross profit. In contrast, shorter discount intervals (every 1 to 2 hours) with an average discount of 18% improved gross profit by 73%. On the other hand, longer discount intervals (every five to seven hours) with an average discount of 46% resulted in a 66% increase in gross profit. Furthermore, this study further emphasizes how crucial consumer perception is to the effectiveness of dynamic pricing methods. The perception of lower product quality brought on by excessive discounting may have a detrimental effect on long-term store credit and customer trust. Perishable product waste can be reduced through the implementation of price reduction strategies. However, the results indicate that sellers’ profits increase in the absence of price reductions. Future research could enhance this framework by incorporating additional factors that influence product quality, such as temperature, humidity, and product variety; examining the effects of consumer price expectations on demand; extending the model to other perishable products, including meat and dairy; and leveraging advanced technologies, such as blockchain and artificial intelligence, to improve dynamic pricing and inventory management.

کلیدواژه‌ها English

Discounts timing

Dynamic pricing

Quality function

Retail markets

Tomato

Authors retain the copyright. This is an open access article distributed under Creative Commons Attribution 4.0 International License (CC BY 4.0)

مراجع

1. Aschemann-Witzel, J., de Hooge, I.E., Amani, P., Bech-Larsen, T., & Oostindjer, M. (2015). Consumer-related food waste: Causes and potential for action. Sustainability, 7(6), 6457–6477. https://doi.org/10.3390/su7066457
2. Blackburn, J.D., & Scudder, G.D. (2009). Supply chain strategies for perishable products: The case of fresh produce. Production and Operations Management, 18(2), 129–137. https://doi.org/10.1111/j. 1937-5956.2009.01016.x
3. Elmaghraby, W., & Keskinocak, P. (2003). Dynamic pricing in the presence of inventory considerations: Research overview, current practices, and future directions. Management Science, 49(10), 1287-1309. https://doi.org/10.1287/mnsc.49.10.1287.17315
4. Eze, J., Duan, Y., Eze, E., Ramanathan, R., & Ajmal, T. (2024). Machine learning-based optimal temperature management model for safety and quality control of perishable food supply chain. Scientific Reports, 14(1), 27228. https://doi.org/10.1038/s41598-024-70638-6
5. Ferguson, M., & Ketzenberg, M.E. (2006). Information sharing to improve retail product freshness of perishables. Production and Operations Management, 15(1), 57-73. https://doi.org/10.1111/j.1937-5956.2006.tb00231.x
6. Hasiloglu-Ciftciler, M., & Kaya, O. (2025). Dynamic inventory control and pricing strategies for perishable products considering both profit and waste. Computers & Operations Research, 181(3), 107103. https://doi.org/10.1016/j.cor.2025.107103
7. Herbon, A., Levner, E., & Cheng, T.C.E. (2014). Perishable inventory management with dynamic pricing using time–temperature indicators linked to automatic detecting devices. International Journal of Production Economics, 147(Part C), 605–613. https://doi.org/10.1016/j.ijpe.2013.07.021
8. Hua, J., Yan, L., Xu, H., & Yang, C. (2021). Markdowns in e-commerce fresh retail: A counterfactual prediction and multi-period optimization approach. ArXiv preprint arXiv: 2105.08313. https://doi.org/10.1145/3447548.3467083
9. Kayikci, Y., Demir, S., Mangla, S.K., Subramanian, N., & Koc, B. (2022). Data-driven optimal dynamic pricing strategy for reducing perishable food waste at retailers. Journal of Cleaner Production, 344, 131068. https://doi.org/10.1016/j.jclepro.2022.131068
10. Kayikci, Y., Demir, S., Mangla, S.K., Subramanian, N., & Koc, B. (2023). Data-driven optimal dynamic pricing strategy for reducing perishable food waste at retailers. Journal of Cleaner Production, 407, 137125. https://doi.org/10.1016/j.jclepro.2022.131068
11. Liu, S., Wang, J., Wang, R., Zhang, Y., Song, Y., & Xing, L. (2023). Data-driven dynamic pricing and inventory management of an omni-channel retailer in an uncertain demand environment. Expert Systems with Applications, 244,https://doi.org/10.1016/j.eswa.2023.122948
12. Khazaeli, S., Kalvandi, R., & Sahebi, H. (2024). A multi-level multi-product supply chain network design of vegetables products considering costs of quality: A case study. PloS One, 19(9), e0303054. https://doi.org/10.1371/journal.pone.0303054
13. Macías-López, A., Cárdenas-Barrón, L.E., Peimbert-García, R.E., & Mandal, B. (2021). An inventory model for perishable items with price-, stock-, and time-dependent demand rate considering shelf-life and nonlinear holding costs. Mathematical Problems in Engineering, 2021, 6630938. https://doi.org/10.1155/2021/6630938
14. Mamidala, S. (2023). The SLED (shelf life expiration date) tracking system: Using machine learning algorithms to combat food waste and food-borne illnesses. ArXiv preprint arXiv: 2309.02598. https://arxiv.org/abs/2309.02598
15. Nomura, Y., Liu, Z., & Nishi, T. (2025). Deep reinforcement learning for dynamic pricing and ordering policies in perishable inventory management. Applied Sciences, 15(5), 2421. https://doi.org/10.3390/app15052421
16. Rashvand, M., Ren, Y., Sun, D.-W., Senge, J., Krupitzer, C., Fadiji, T., Miró, M. S., Shenfield, A., Watson, N.J., & Zhang, H. (2025). Artificial intelligence for prediction of shelf-life of various food products: Recent advances and ongoing challenges. Trends in Food Science & Technology, 159, https://doi.org/10.1016/j.tifs.2024.104989
17. Reid, H. (2025). A comprehensive guide to smart inventory management: The role of FEFO in reducing waste and improving quality. DCL Logistics Blog. Retrieved from https://dclcorp.com/blog/inventory/fefo-first-expired-first-out/
18. Salmasnia, A., & Talesh-Kazemi, A. (2022). Integrating inventory planning, pricing and maintenance for perishable products in a two-component parallel manufacturing system with common cause failures. Operational Research, 22(2), 1235–1265. https://doi.org/10.1007/s12351-020-00590-6
19. Santos, V., & Mendes Bacalhau, L. (2023). Digital transformation of the retail point of sale in the artificial intelligence Era. In Digital Transformation in the Retail Industry(pp. 200–215) IGI Global. https://doi.org/10.4018/978-1-6684-8574-3.ch010
20. Sasanuma, K., Hibiki, A., & Sexton, T. (2021). An opaque selling scheme to reduce shortage and wastage in perishable inventory systems. ArXiv preprint arXiv: 2112.02660. https://doi.org/10.1016/j.orp.2021.100220
21. Scholz, M., & Kulko, R.-D. (2022). Dynamic pricing of perishable food as a sustainable business model. British Food Journal, 124(5), 1609–1621. https://doi.org/10.1108/BFJ-03-2021-0294
22. Sun, J., Li, Y., Zhang, Q., & Wang, T. (2023). Effects of storage conditions and packaging materials on the postharvest quality of fresh Chinese tomatoes and the optimization of the tomatoes' physicochemical properties using machine learning techniques. [Preprint] published on ResearchGate. https://doi.org/10.1016/j.lwt.2024.116280
23. Syed, T.A., Aslam, H., Bhatti, Z.A., Mehmood, F., & Pahuja, A. (2024). Dynamic pricing for perishable goods: A data-driven digital transformation approach. International Journal of Production Economics, 277(1), 109405. https://doi.org/10.1016/j.ijpe.2024.109405
24. Wang, J., Huo, Y., Guo, X., & Xu, Y. (2022). The pricing strategy of the agricultural product supply chain with farmer cooperatives as the core enterprise. Agriculture, 12(5), 732. https://doi.org/10.3390/agriculture12050732
25. Wang, Y., Li, X., & Zhao, H. (2024). Deep reinforcement learning algorithms for dynamic pricing and inventory management of perishable products. Applied Soft Computing, 147, 111864. https://doi.org/10.1016/j.asoc.2024.111864
26. Yang, N., & Zhang, R. (2014). Dynamic pricing and inventory management under inventory-dependent demand. Operations Research, 62(5), 1077–1094. https://doi.org/10.1287/opre.2014.1306
27. Zheng, D., Chen, Y., Zhang, Z., & Che, H. (2022). Retail price discount depth and perceived quality uncertainty. Journal of Retailing, 98(3), 542–557. https://doi.org/10.1016/j.jretai.2021.12.001
28. Zhou, H., Chen, K., & Wang, S. (2023). Two-period pricing and inventory decisions of perishable products with partial lost sales. European Journal of Operational Research, 310(2), 611–626. https://doi.org/10.1016/j.ejor.2023.03.010

 

29.