D O C U M E N T O D E T R A B A J O

Instituto de EconomíaTESIS d

e MA

GÍSTER

I N S T I T U T O D E E C O N O M Í A

w w w . e c o n o m i a . p u c . c l

��������� � ��D ��� �� ������ � �� ���� �� �� ��� ����������� ��3����� �+���% ������� � D� �*��� ��� �����*���

��$��� ���'�� *������ ������

����

TESIS DE GRADO MAGISTER EN ECONOMIA

Galdames Cerda, Javier Esteban

Agosto 2009

PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE I N S T I T U T O D E E C O N O M I A MAGISTER EN ECONOMIA

Dispersión y Fijación de Precios en el Mercado de los Combustibles Líquidos en Chile: Análisis bajo Información

Imperfecta

Javier Esteban Galdames Cerda

Comisión

Juan Pablo Montero Salvador Valdés

Agosto, 2009

ABSTRACT

El trabajo busca encontrar evidencia para testear la hipótesis de que la dispersión de precios observada en el mercado de los combustibles líquidos en Santiago de Chile, está ligada a modelos de información imperfecta y a diferencias en los costos de búsqueda por parte de los consumidores. Adicionalmente, se buscó mostrar el componente dinámico en la fijación de los precios. Se utilizaron datos de panel de precios de los combustibles y estimaciones de los costos semanales de 54 estaciones repartidas en la Región Metropolitana. Utilizando controles por efectos fijos a lo largo de toda la muestra para descontar la heterogeneidad presente en las estaciones de servicio, se encontró evidencia de que aspectos del pricing de las estaciones de servicio se pueden enlazar a modelos de información imperfecta por parte de los consumidores, y que además, los dos tipos de consumidores presentes en el mercado (informados y no informados) pueden explicar la dispersión respecto a los precios y márgenes de los combustibles que consumen. Se encontró, además, que es muy probable que las estaciones de servicio se muevan a través de los distintos quintiles de precio a lo largo de la muestra, lo que descarta la hipótesis de que las diferencias en la fijación de los precios se explican por diferentes características observables de éstas. Se mostró, además, que existe una inercia de por lo menos un periodo en la fijación del precio de la estación. Finalmente, se realizó un novedoso test para determinar la presencia de la hipótesis de información imperfecta, utilizando los conceptos de grupo de control y tratamiento aplicados a este problema, y se reforzó la hipótesis central del trabajo.

This work seeks for evidence in order to test the hypothesis that the price dispersion observed in Santiago, capital of Chile, is linked with models of imperfect information and mostly, that it’s explained due to differences in consumer search costs. Additionally, the presence of a dynamic component in the pricing behavior was researched in the data. Using data panel of prices of 54 stations in the area, an estimation of the weekly marginal cost and controlling the heterogeneity in the sample by a station fixed effect, evidence was found that supports the idea that some aspects of the pricing behavior could be linked to models of imperfect information by the consumers, and also, that the presence of two types of consumers (informed and uninformed) could explain the price dispersion and the differences in the estimated margin. Movements between the weekly price quartiles in the sample was also found, suggesting that an explanation of the price dispersion based on the differences in observable characteristics of the stations it’s not accurate. The work also shows persistence in the price fixing process by at least, one period. Finally, a novel test was used to determine empirically the presence of the imperfect information hypothesis, using the concepts of control and treatment group, and the result of the test shows that the effect of that framework is statistically significant.

A mi familia, mi padre, mi madre y mi abuela. Gracias por todo el apoyo, los cuidados y la preocupación durante toda mi vida. Esto es para ustedes.

A todos los profesores y funcionarios de la Facultad que marcaron mi vida académica y sobre todo personal: Verónica Gil, Francisco Gallego, Stephen Blackburn, Salvador

Valdés, Juan Pablo Montero, Nadia Becerra, Anita Artigas, Tati, Vero y Carmen Garcés. A mis compañeros del Seminario, Daniela Marshall, Raimundo Atal, Luis Beltrán y

especialmente a Guillermo Marshall, su ayuda durante el proceso fue invaluable.

Dispersión y �jación de precios en el mercado de los

combustibles líquidos en Chile: Análisis bajo información

imperfecta

Javier Esteban Galdames Cerda�

Ponti�cia Universidad Católica de Chile

Instituto de Economía

July 6, 2009

El presente trabajo estudia la presencia de dispersión de los precios del mercado de las bencinas en

Santiago de Chile. Siguiendo la metodología de Lewis (2008) y Hosken et.al (2008), y utilizando datos

de panel de precios de 54 estaciones durante los años 2005 al 2009, se encuentra que los precios y

márgenes muestran una dispersión heterogénea, controlando por costos y por diferencias constantes

entre las distintas estaciones de servicio. Con el ánimo de evaluar la importancia de los costos de

búsqueda como explicación de esta dispersión, se contrastan los mercados de las gasolinas y el diesel,

considerando que en este último son mayores los incentivos a realizar una búsqueda de precios más

bajos. Se encuentra apoyo a esta hipótesis, pues el mercado del diesel presenta menores y menos dis-

persos márgenes. Adicionalmente se estudia el carácter dinámico de la �jación de precios, encontrando

una inercia de un periodo en la determinación del precio corriente. La presencia de cambios en la

posición relativa y en los quintiles en la distribución de precios semanal también apoya a los costos

de búsqueda como una explicación de la dispersión de precios encontrada. Finalmente, mediante un

�jsgaldam@uc.cl. Tesis para obtener el grado de Magíster en Economía de la Ponti�cia Universidad Católicade Chile. Agradezco profundamente a los profesores de mi comisión Sr. Juan Pablo Montero y Sr. SalvadorValdés por todos los comentarios que permitieron enfocar este trabajo. Todos los errores son de mi exclusivaresponsabilidad.

1

novedoso test empírico se determina la relevancia del modelo de información imperfecta, en desmedro

de un modelo de diferenciación de producto, encontrando que el primero es relevante en el mercado

para explicar dicha dispersión.

I. Introducción

Todos los días, miles de consumidores santiaguinos llenan los estanques de gasolina de sus

autos para así poder transportarse. Algunos de estos consumidores eligen la estación más cer-

cana a su hogar, otros realizan esta transacción en las estaciones de servicio que pertenecen

al trayecto que va desde al hogar al trabajo, y también existen conductores que realizan la

búsqueda por el precio más bajo, desviándose de sus rutas directas. Estos últimos son aquellas

personas que poseen mayores incentivos para realizar dicha búsqueda, principalmente debido

a una alta frecuencia de compra o porque este ítem es muy importante en su gasto men-

sual. Stigler (1961) en el trabajo que dio inicio a la literatura de economía de la informa-

ción, declaraba que esta dispersión de precios era una "manifestación de la ignorancia del

mercado" con respecto a los precios exactos, y que por ende, existía siempre, incluso para

bienes homogéneos. Esta ignorancia surge debido a la inestabilidad que persiste en el mercado:

nuevos entrantes, obsolescencia de los conocimientos referentes a los agentes económicos, y

otros movimientos en la oferta y demanda. En este estudio se estudia la presencia de disper-

sión de precios en el mercado de los combustibles líquidos en Santiago de Chile y se busca una

explicación a este fenómeno relacionándolo con los existencia de distintos costos de búsqueda

de los agentes. Los datos utilizados provienen de la Encuesta de Precios del Servicio Nacional

del Consumidor (SERNAC) y de la Comisión Nacional de Energía (CNE), quienes recolectan

una muestra semanal de precios de los cuatro tipos de combustibles líquidos existentes en el

país: gasolinas de 93, 95, 97 octanos y diesel, en cerca de 50 estaciones de la capital, desde el

2001 al presente. En el estudio, se utilizará la metodología basada en Lewis (2008) y Hosken

et.al (2008), en la cual se aprovecha la estructura de panel de los datos para realizar la necesaria

corrección por la heterogeneidad presente entre las estaciones. Especí�camente, se incorpora

un efecto �jo por estación, con el cual se corrigen todos los efectos observables y no observables

por estación que son constantes a través del tiempo. Dichos factores constantes son los que

probablemente explican las grandes diferencias entre las estaciones: ubicación, marca, contrato

con las empresas distribuidoras, etc. Además, se controla por cambios en el principal respon-

sable de la variación agregada de los precios: los cambios en los precios mayoristas que aplica

la Empresa Nacional de Petróleo (ENAP), único proveedor efectivo de todos los combustibles

1

líquidos en Santiago. Para hacer esta corrección, se incluirá una variable de tiempo con el �n

de controlar por los cambios agregados en el nivel de costos para toda la ciudad. El resultado

encontrado es una dispersión de precios sustancial, explicada por la relevancia del paradigma

de información imperfecta y costos de búsqueda heterogéneos que presentan los consumidores.

El efecto �jo anteriormente mencionado explica gran parte de la �jación y dispersión de los

precios, en desmedro de una explicación basada en la heterogeneidad de las estaciones.

Se utilizan algunas de las ideas de Sorensen (2002) y Johnson (2002) para estudiar la teoría

de costos de búsqueda del consumidor como explicación del fenómeno de dispersión de precios.

La principal hipótesis que se desea contrastar con los datos es la diferencia entre los precios y

márgenes de los distintos tipos de combustibles líquidos presentes en el mercado. Se considera

al diesel como un bien donde sus consumidores, principalmente conductores de camiones y

camionetas, presentan altos incentivos para cotizar la estación de servicio que entrega el mejor

precio, debido a la alta frecuencia de compra que presentan, en desmedro de las gasolinas (93,

95 y 97 octanos) que serían consumidores menos sensibles al precio. Entonces, la dispersión de

precios sería un resultado de la diferenciación que hacen las estaciones de servicio entre aquellas

que venden combustible a consumidores informados (los consumidores de diesel) y otras que

realizan su venta a consumidores no informados (los consumidores de gasolinas) (Varian 1980,

Salop y Stiglitz 1977), por lo que tendríamos que observar una menor dispersión de precios

y márgenes en el diesel, controlando por diferencias en los costos y por heterogeneidad de los

vendedores. Esto debido a que los consumidores de diesel, al cotizar y buscar constantemente

los precios más bajos, disminuyen el posible rango de �jación de precios, llevándolos cerca del

costo marginal, y como todas las estaciones comparten un costo marginal similar, la dispersión

de precios y los márgenes son menores en el diesel, en comparación a los otros tipos de bencina

(Sorensen 2000).

Se realizan además, con el �n de evaluar la relevancia de los modelos de costos de búsqueda,

un análisis de ranking relativo con los precios corrientes y los precios controlados por los efectos

�jos de las estaciones, además del estudio de los cambios semanales de las estaciones entre

los quintiles de precios observados y también, un novedoso test que evalúa la presencia de

información imperfecta en desmedro de un modelo basado netamente en la diferenciación en

2

el producto. Finalmente, se estudia el carácter dinámico que presenta la �jación de precios en

este mercado con el ánimo de detectar algún grado de inercia en dicha decisión, es decir, si las

estaciones de servicio mantienen su posición relativa en la distribución de precios, relativas a

la ciudad y a su precio típico, entre el periodo actual y el periodo pasado.

La Sección II del trabajo revisará el marco teórico y algunos de los trabajos sobre la �jación

y dispersión de precios del mercado retail de las bencinas y modelos de costos de búsqueda del

consumidor que se aplican a la presente investigación. Esta sección tambien incluye algunos

hechos relevantes acerca de la industria chilena de los combustibles líquidos. La Sección III

describe los datos utilizados y además se presentan algunas de las limitaciones originadas por

el uso de dichos datos. La Sección IV presenta los resultados principales de los tests empíricos

y la Sección V entrega las conclusiones y los trabajos a realizar a futuro.

3

II. Marco Teórico

II.A. Revisión de la literatura

La literatura referente a la dispersión de precios de equilibrio comienza con el trabajo de

Stigler (1961). Se explicitan claramente los factores que determinan el grado de búsqueda

realizada por los consumidores: la alta frecuencia de compra correlacionada positivamente con

la dispersión y la correlación que existe entre encontrar un precio bajo en t y encontrar en el

mismo lugar un precio bajo en t+1. Stigler señala que es esta correlación positiva lo que llevaría

a los consumidores a realizar fuertes búsquedas al inicio y casi nulas búsquedas posteriormente.

Además, el trabajo presenta diversas fuentes de dispersión de precios, donde se destaca el

carácter dinámico del mercado que origina la llamada distribución de precios de equilibrio. Son

los nuevos entrantes, el cambio en el tamaño del mercado, la obsolescencia de las condiciones

de la industria algunos de los factores relevantes para explicar dicha dispersión. Salop y Stiglitz

(1977) confeccionan un modelo de dispersión de precios "espacial" (en corte transversal), en

el sentido de que en equilibrio, distintas tiendas venden el mismo bien con precios distintos

con consumidores heterogéneos. Nace entonces, la idea de que los compradores inexpertos

(los turistas) pagan precios más altos que los consumidores experimentados (los nativos). Los

consumidores que deciden informarse conocen la distribución completa de precios, en contraste

con los que no deciden informarse. Por ende, los primeros compran siempre en las tiendas

con los precios más bajos y los segundos compran "al azar", entendido esto como comprar

en la primera tienda que encuentren. Este comportamiento implica la existencia de tiendas

que persistentemente van a �jar precios más bajos que otras. Varian (1980), por otro lado,

modela la �jación de precios de un retailer, mostrando que las tiendas podrían encontrar

óptimo elegir precios al azar desde una distribución optimizada, con el �n de evitar que los

consumidores puedan aprender qué tienda tiene consistentemente precios más bajos. Esto

permite que la dispersión de precios persista en el tiempo y esta dispersión de precios temporal

será profundamente estudiada en el presente trabajo con el test de cambios en el ranking de

estaciones vecinas y cercanas, desarrollado por Chandra y Tappata (2008).

Existe bastante evidencia empírica acerca de la existencia de la dispersión de precios en

4

diferentes mercados. Sorensen (2000) realiza un estudio del fenómeno en el mercado de los

remedios en EEUU y, basado en un modelo de búsqueda del consumidor, encuentra que la

dispersión de precios no puede explicarse por diferencias en los costos o en los servicios que las

distintas farmacias entregan. El autor encuentra evidencia empírica de que los remedios para

pacientes crónicos, los cuales se deben comprar con mayor frecuencia para la realización del

tratamiento médico, presentan una menor dispersión de precios y menores márgenes que los

encontrados en los remedios que son comprados con una menor frecuencia. Los pacientes que

deben gastar más en medicamentos tienen mayores bene�cios de cotizar y encontrar el menor

precio. Luego, la principal causa de dicha dispersión son los costos de búsqueda. Dahlby yWest

(1986) estudian la dispersión de los precios del mercado de seguros de automóviles en Alberta,

Canadá. Ocupan un modelo desarrollado anteriormente por Carlson y McAfee (1983). Con-

cluyen que la dispersión de precios existente en el mercado de los seguros automotrices se debe,

principalmente, al costo de búsqueda para el consumidor, aunque reconocen que pueden existir

explicaciones alternativas. Baye y Morgan (2004) estudian la dispersión de precios en Internet,

un mercado en el que se pensaba que, debido a la eliminación de los costos de búsqueda signi-

�cativos, dicha condición de dispersión de equilibrio de los precios iba a dejar de existir. Mas

encuentran que aún en simulaciones confeccionadas en el computador, en la cual, por diseño,

se eliminan los costos de transacción, información imperfecta y diferencias en los costos de los

vendedores, se establece la presencia de dispersión. El mismo medio, Internet, es estudiado por

Brynjolfsson y Smith (2000) y encuentran que en la venta de libros y CD�s, la dispersión de

precios aún existe, sin información imperfecta y sin costos de búsqueda tradicionales. Resaltan

que en este medio, otras pueden ser las fuentes de la dispersión encontrada, como por ejem-

plo, la potencia de marca de la tienda, su grado de reconocimiento entre los compradores y la

con�anza que entrega al consumidor. Borenstein y Rose (1994) confeccionan una metodología

para detectar si la dispersión de precios encontrada en el mercado de las aerolíneas es causada

por discriminación de precios o por diferencias en los costos. Encuentran que la primera de

éstas es la más relevante, y que además las rutas más orientadas a los turistas (que en este caso

serían los individuos que tienen mayor incentivo para plani�car y que por ende estarían más

informados, en desmedro de los hombres de negocios) presentan menor dispersión de precios.

5

La misma metodología es aplicada por Walsh y Whelan (1999) en el mercado irlandés de los

supermercados. Como podemos ver, la dispersión de precios de un bien homogéneo es un hecho

que está presente en múltiples mercados y puede tener múltiples explicaciones.

El mercado retail de los combustibles líquidos ha sido ampliamente estudiado y fuertemente

relacionado con modelos de información imperfecta, el estudio de la dinamica de �jación de

precios, la velocidad de ajuste de los precios con respecto a los costos, etc. Marvel (1976)

comienza, a juicio del autor del presente trabajo, con la literatura empírica relacionada con

los modelos de información y el mercado de las gasolinas. En el trabajo mencionado, el autor

estudia dos aspectos: la dispersión de precios en el tiempo y la dispersión en un mismo periodo.

Encuentra que en estos dos aspectos, la información costosa de los consumidores es lo que

explica su aparición. Livingston y Levitt (1959) realizan un estudio anterior, pero basan más

su análisis en como el grado de competencia entre las distintas marcas de gasolina, y entre los

distintos grupos de consumidores, categorizados por barrios y características viales, afectan los

precios que presentan las estaciones de servicio al público. Marvel (1978) relaciona los niveles

de precios imperantes en el mercado de EEUU entre 1964 y 1971 con los grados de competencia

encontrados en distintas ciudades y además los conecta con algunos resultados relacionados a

estudios de colusión.

En la década de los �90, la investigación económica volvió a �jar sus ojos en el mercado

de las gasolinas, pero bajo perspectivas diferentes a las anteriores. Borenstein y Shepard

(1996) encuentran cierta evidencia, usando datos de panel y diferenciándose así de los estudios

previamente mencionados, de colusión tácita entre los vendedores de gasolina en EEUU. Es

interesante la mención de que incluso en mercados altamente atomizados se puedan encontrar

este tipo de comportamientos colusivos. Shepard (1991), en un enfoque de empresa multipro-

ducto, testea la hipótesis de discriminación de precios en el mercado que nos atañe. Dicha

discriminación es explicada por el grado de poder de mercado que poseen algunas estaciones de

servicio, que es dado por la cercanía de éstas con sus clientes. En cierto sentido, las estaciones

de servicio poseerían un cierto poder monopólico al tener una masa de consumidores cautiva.

Borenstein (1991) rea�rma esta última idea, de que hay grupos de consumidores que presentan

altos costos de cambio hacia alguna estación, y que esta sería la explicación sobre los altos már-

6

genes que presentan ciertos vendedores, en desmedro de diferencias en los costos que podrían

enfrentar. Este concepto potencia la importancia de los costos de búsqueda como explicación

de diferencias en los precios y márgenes dentro del mercado de las bencinas en general.

Otro de los aspectos en los cuales el mercado de las gasolinas ha recibido un alto grado de

interés en el mundo académico, es aquél que estudia la aparente asimetría en la respuesta de los

precios a público frente a cambios en los costos observados en la industria. Es decir, que frente

a aumentos en los costos de la gasolina al por mayor los precios de la gasolina al por menor

aumentan más1 que si ese mismo movimiento fuese a la baja. Este fenómeno se denomina

"rockets and feathers" y es ampliamente estudiado en todo el mundo 2 . Borenstein et.al

(1997) y Bacon (1991) revisan esta teoría y la rea�rman para EEUU y UK, respectivamente.

Deltas (2008) relaciona esta asimetría con la existencia de un cierto grado de poder de mercado

dentro de EEUU. Lewis (2004) desarrolla un modelo para explicar esta asimetría enlazando dos

conceptos: costos de búsqueda del consumidor y un precio de referencia dado por los precios

pasados. En este sentido, el consumidor realizaría una mayor búsqueda de precios si observa

que su precio de referencia histórico va al alza, en desmedro a si dicho precio disminuye,

ya que tiene menos incentivos económicos de continuar con la búsqueda cuando encuentra

un precio conveniente. Hofstetter y Tovar (2008) desarrollan la idea de la asimetría de precios

conectándola con la existencia de un precio de referencia dictado mensualmente por el Gobierno

de Colombia a los distribuidores. Finalmente, Johnson (2002) desarrolla el modelo de respuesta

asimétrica frente a cambios en los costos desde una perspectiva más cercana a la teoría de

rezagos y de sticky prices, y presenta una idea que es muy útil para el presente trabajo: si

los costos de búsqueda son importantes en la determinación de la duración y amplitud de los

rezagos estudiados, entonces deben existir ajustes más cortos en el mercado del diesel que en el

de la bencina. Esta diferencia se explicaría por la existencia de costos de búsqueda menores en

dicho mercado, ya que los consumidores de diesel típicamente compran en mayores cantidades

y con una mayor frecuencia, en comparación a los consumidores de gasolina. En ese sentido, la

dispersión de precios en estos dos mercados tendría que ser diferente: en el mercado del diesel,

la compra repetida y la mayor frecuencia desarrollaría los incentivos para una búsqueda más

1. En términos de velocidad de ajuste y / o en magnitud.2. Ver Tabla 1 en Balmaceda & Soruco (2006) para un detalle de lo realizado hasta la fecha.

7

exhaustiva por parte de los compradores, en comparación al menor incentivo que poseen los

consumidores de gasolinas. Entonces, la dispersión de precios y márgenes en el primer mercado

tendería a ser menor que en el segundo. Esta es una de las principales hipótesis a testear en

este trabajo, aunque desarrollando una metodología distinta.

Dos son los trabajos más similares a la presente investigación, en el sentido de la utilización

de los datos y las preguntas metodológicas a responder: Lewis (2008) y Hosken et.al (2008).

Lewis (2008) ocupa el mercado de las gasolinas en EEUU, con datos de panel, para testear

la presencia de dispersión de precios y luego estudiar la relación entre dicha dispersión y

el grado de competencia local (número de vendedores). El autor encuentra que la relación

entre estas dos variables depende fuertemente de la de�nición de competencia local que se

presenta y del tipo de competidores con los que se cuente. La dispersión es mayor para las

marcas importantes si enfrentan competencia de marcas pequeñas, pero la dispersión es baja si

alrededor de la estación se compite con marcas similares. Barron et.al (2004) realiza un estudio

similar al anterior, pero con datos de corte transversal, buscando enlazar la dispersión de precios

observada, controlada por aspectos observables de las diferentes estaciones de servicio, con el

grado de competitividad que enfrentan en su entorno. Los autores encuentran que un aumento

en el número de competidores disminuye los niveles y la dispersión de precios. Hosken et.al

(2008) por otro lado, ocupando datos de panel, encuentran nuevos hechos relacionados más

con la �jación de precios del retail que con dispersión de precios propiamente tal, pero repiten

muchos aspectos metodológicos con el trabajo anterior. Buscan encontrar una teoría que

explique cómo �jan precios las distintas estaciones de servicio, pero no encuentran ninguna que

se ajuste en su totalidad a los hechos estilizados encontrados. Muchos aspectos metodológicos

de dichos trabajos se repiten en el presente.

En Chile, la industria también ha sido analizada desde el punto de vista académico. En el

año 2006 se publica el libro "La Industria de los Combustibles Líquidos: El Caso de Chile"3 ,

en el cuál se desarrollan trabajos económicos que abordan diversos temas pertenecientes a la

industria. Balmaceda y Soruco (2006) realizan el análisis de asimetría en el mercado chileno,

donde encuentran que la asimetría existe, pero que su magnitud económica no es muy relevante

3. Editado por Soledad Arellano y Salvador Valdés. Ediciones Universidad Católica de Chile.

8

y Gómez-Lobo y Córdova (2006) explican las diferencias en los precios y márgenes encontradas

en las distintas regiones del país debido a la existencia de un efecto escala de mercado que

implica menores márgenes en los mercados más grandes. Otros trabajos son incluidos en dicho

libro, y se recomienda su lectura exhaustiva, pero que se alejan al ámbito de esta investigación.

II.B. Breve descripción de la industria que sirve a Santiago de Chile

La industria chilena de los combustibles líquidos, en Santiago de Chile, presenta una com-

posición altamente concentrada en algunas partes de la cadena productiva, mientras que en

otras, la competencia parece ser mucho más potente. Este estudio se basa en la etapas de

venta minorista (distribución a público). La re�nación del insumo básico, el petróleo, pasa

esencialmente por la Empresa Nacional de Petróleo (ENAP), la cual concentra cerca del 85%

de la producción en Chile4 . Su Re�nería Aconcagua (ex Cón-Cón) abastece, con una capacidad

de 104.000 barriles de crudo diarios, a la Región Metropolitana. Existe, además, la posibil-

idad de importación de petróleo re�nado, por lo que la posición monopólica de ENAP está

limitada. Los combustibles líquidos son transportados desde la re�nería y los puertos cer-

canos, por medio de un oleoducto hasta Maipú, localidad ubicada en la periferia de Santiago,

propiedad de SONACOL (Sociedad Nacional de Oleoductos), empresa cuya propiedad está en

manos de ENAP y los tres principales distribuidores mayoristas del país. La venta del crudo

re�nado por parte de la ENAP se hace por medio de contratos de volumen con cada una de

las distribuidoras.

El precio que pagan las distribuidoras está regido por el precio de la paridad de im-

portación, el cuál está indexado a los movimientos del mercado internacional, especí�camente

los movimientos del precio del petróleo en el Golfo de México. La venta de cada una de las tres

gasolinas se hace a precios distintos al precio al cual se vende el petróleo diesel, ya que desde

el punto de vista técnico, son dos productos diferentes, con distintos grados de re�nación. Es

relevante para el mercado chileno la presencia de un precio de referencia, precio dictado a la

población por la ENAP, el cual establece como van a variar los precios a público la semana

siguiente a su emisión. Este precio de referencia es monitoreado por los distintos grupos de

4. Según datos propios de ENAP en su sitio web. http://www.enap.cl/lineas_de_negocio/rl_capacidades.php

9

consumidores, y en cierto sentido, es practicamente conocido por toda la población relevante.

Esta política de transparencia pública podría ser signi�cativa para determinar el grado de in-

formación sobre los precios que posee cada consumidor, pero afecta a todos los consumidores

por igual, es decir, no hay una diferenciación relevante entre los datos entregados a público del

diesel y de las restantes gasolinas.

El último proceso relevante para el estudio, el de venta a público, se realiza a través de

los grandes distribuidores mencionados anteriormente, más Repsol-YPF, que en el transcurso

del año 2008 vende sus estaciones de servicio a la empresa colombiana Terpel, más la presen-

cia de vendedores independientes, como JLC, ubicado en la zona Poniente de Santiago, que

posee una sola estación que, generalmente, �ja precios más bajos que sus competidores. Las

participaciones de mercado, a nivel nacional y según datos de la CNE 5 son un 56.25% para

Copec, 17,71% para Shell, 12.7 % para Esso, 11.52% para YPF / Terpel y un 1.71% para JLC.

En cada una de estas estaciones se comercializan, entre otros productos ajenos al mercado

de los combustibles líquidos, gasolina de 93, 95 y 97 octanos, más petróleo diesel, consumido

principalmente por vehículos de transporte y carga (camiones y camionetas). Según datos de

Balmaceda y Soruco (2006) cerca del 90% de las estaciones de servicio mantiene un alto grado

de integración vertical por medio de contratos entre éstas y las empresas distribuidoras, lo que

tiene una fuerte implicancia en la política de precios que pueden �jar. A grandes rasgos, si una

estación de servicio tiene un fuerte vínculo con la marca distribuidora6 , es esta última la que

�ja los precios imperantes de la semana.

Los precios que se utilizan en el estudio tienen la siguiente estructura: precio de venta ENAP

(48.6% del precio �nal de las gasolina 93 octanos para Diciembre del 2008, 63.5% del diesel), un

margen bruto de comercialización (6.5% y 7.4%), la aplicación del impuesto al valor agregado

(10.5% y 13.5%), un impuesto especí�co (24.3% y 9.4%) más la corrección por los impuestos y

subsidios por el Fondo de Estabilización del Precio del Petróleo7 (10% y 6.2%); por lo que son

los precios de venta a público, incluyendo todos los impuestos y subsidios pertinentes.

5. http://www.cne.cl/cnewww/opencms/03_Energias/Otros_Niveles/hidrocarburos/mercado/Mercado_Gas_Natural/mercado_petroleo_derivados/participacion_mercado.html

6. Contratos de arriendo, leasing, franquicias, etc7. Para mayor detalle sobre este aspecto, ver "Fondo de estabilización del petróleo: historia y perspectivas"

de Bernardita Piedrabuena, en el libro "La industria de los combustibles líquidos: el caso de Chile".

10

III. Datos

III.A. Datos

Los datos utilizados en el trabajo muestran los precios cobrados por las distintas estaciones

de servicio, en cada una de las cuatro categorías de ventas de combustibles, desde el 5 de enero

del 2005 al 27 de abril del 2009 (226 semanas) con 54 estaciones incluidas en la muestra, de

un total aproximado de 500 estaciones ubicadas en la Región Metropolitana. Las estaciones de

servicio fueron escogidas por el Servicio Nacional del Consumidor (SERNAC) debido al alto

volumen de venta que se estimó éstas transaban. La muestra presenta la siguiente estructura

con respecto a las estaciones y sus distribuidoras:

Distribuidoras N� Estaciones Porcentaje

COPEC 20 37%

SHELL 17 31.5%

ESSO 11 20.4%

YPF / TERPEL 5 9.3%

JLC 1 1.9%

Los precios son recogidos una vez por semana los días lunes, y en algunas semanas, los precios

fueron observados los días miércoles. Se anotaron los precios de las paletas de venta a público.

Además, conocemos la marca de cada estación, su dirección y la comuna en que está ubicada.

Además de los datos de precios, se obtuvieron datos del ingreso promedio de los hogares de

las distintas comunas a partir de la Encuesta de Caracterización Socioeconómica (CASEN) del

año 20068 .

Se incluye además, una estimación del costo marginal semanal que enfrenta cada estación

de servicio. Dicha variable proviene de la estimación del margen promedio semanal que la

CNE calcula y publica en su página web, la cual confecciona considerando la diferencia entre el

precio promedio a público semanal y el precio del combustible en la planta de almacenamiento

de Maipú, que es la planta que entrega el insumo a las empresas distribuidoras. Del margen

8. www.mideplan.cl/casen

11

promedio semanal se extrae el costo promedio semanal que es compartido por todas las esta-

ciones de Santiago y gracias a ello, es posible calcular márgenes propios de cada estación y por

cada tipo de combustible, por cada una de las semanas de la muestra. Los márgenes calculados

son similares a los obtenidos en Balmaceda y Soruco (2006).

III.B. Limitaciones con los datos

Estos datos no permiten realizar algunos de los tests que realiza la literatura actual, en la

que se estima el entorno competitivo que enfrenta cada estación de servicio mediante el número

de estaciones de servicio aledañas a cada una de éstas9 . Por ejemplo, segun Lewis, una estación

que enfrenta un alto número de competidores dentro de un radio euclideano estándar de 1.5

millas (2.4 kms), presenta menores márgenes y menor dispersión de precios entre las distintas

áres estudiadas. Este resultado no puede medirse con los datos de este estudio, debido a que los

únicos datos disponibles en Chile son parte de la muestra confeccionada por el SERNAC, y no es

un censo de todas las estaciones de servicio presentes, por lo que es muy probable que se omita

uno o más de los competidores de cada estación de servicio posición competitiva, sesgando

cualquier resultado entregado. Tampoco se poseen datos de ventas físicas por estación, que

hubieran permitido calcular directamente elasticidades precio y usarlas como explicación de la

dispersión, enlazando dicho concepto con la presencia de importantes costos de cambio, o de

preferencias únicas por una estación determinada.

Con respecto a la existencia de un cambio en la propiedad de las estaciones YPF a Terpel,

todas éstas ocurren en el año 2008. Este cambio no se realiza simultáneamente en todas dichas

estaciones, sino que van ocurriendo a lo largo del año, y su presencia implica un posible cambio

en el modelo de �jación de precios de las estaciones. En este trabajo, las condiciones externas,

como la ubicación, son las relevantes a la hora de �jar los precios, y éstas no presentan algún

cambio relevante al pasar de YPF a Terpel. Un cambio signi�cativo en la �jación de los precios

de las estaciones que cambian de dueño podrían cambiar la demanda residual que enfrenta la

competencia y por ende, ser relevante en términos de que cambia el entorno competitivo de

cada estación, pero como el periodo de cambio no es signi�cativo en comparación al periodo

9. Ver Lewis (2008) y Barron et.al (2004). Los autores identi�can distintos grados de desnsidad competitiva,pero a grandes rasgos la idea es la misma.

12

de tiempo estudiado, el número de estaciones de servicio que cumplen con esa condición es

reducido (menos del 10%) y el foco del estudio está en la dispersión y �jación de precios, y

no en el modelo subyacente de generación de precios seguido por las distintas distribuidoras,

se decide trabajar con el supuesto de que el cambio de dueño es más que nada un cambio de

nombre y que por ende, no se afectan las estimaciones o la metodología.

13

IV. Resultados

IV.A. Precios y márgenes promedios por tipos de combustible

La primera aproximación a la comprobación de la hipótesis de que los distintos costos de

búsqueda de los consumidores explican la dispersión de precios requiere que los márgenes del

diesel sean menores y menos dispersos que los de las demás gasolinas. El carácter más com-

petitvo del diesel, al tener consumidores más informados acerca de la distribución de precios,

llevaría a ese resultado. La Tabla 1 muestra los precios y márgenes promedios por marca

de distribución desagregado por los distintos tipos de combustibles presentes en la Región

Metropolitana:

Distribuidoras G. 93 G. 95 G.97 Diesel Total G. 93 G. 95 G.97 Diesel Total

Copec 577.545 590.343 602.971 472.638 561.039 47.639 47.480 47.309 40.066 45.634Esso 576.721 590.385 603.987 475.253 561.72 45.291 45.760 46.275 38.828 44.047Shell 576.543 589.29 603.455 472.168 560.427 44.930 44.561 45.754 37.538 43.200YPF / Terpel 578.64 593.085 606.382 473.427 562.923 48.925 50.464 50.999 42.097 48.124JLC 561.619 571.768 582.058 456.146 542.898 31.945 29.189 26.720 24.522 28.094Total 576.866 589.928 603.240 472.747 560.807 46.161 46.176 46.584 38.934 44.471Desv. Est 63.653 65.268 67.601 84.531 87.537 14.093 9.993 13.428 9.560 12.361(1) Precio promedio de todas las estaciones de servicio de la marca, por cada tipo de bencina, a través de la muestra

(2) Porcentaje en el número de estaciones de la muestra

Precios Promedio (1) y Márgenes por DistribuidoresPrecios Promedio Márgenes Promedio

Tabla 1. Precios y margenes promedio por marca de distribucion.

Una de las medidas más utilizadas en la literatura de dispersión de precios es la desviación

estándar10 de la variable de estudio. El precio del diesel, entonces, tiene una mayor dispersión

que los restantes combustibles. Pero es en los márgenes donde las predicciones de las teorías

de costos de búsqueda se cumplen, ya que este combustible presenta menores márgenes y una

menor dispersión en comparación a las gasolinas de 93, 95 y 97 octanos. Las Figuras 1.A y 1.B

del anexo muestran las distribuciones según el tipo de combustible, y la Tabla 1.C muestra los

test de desviación estándar realizados para comprobar estadísticamente esta a�rmación. Esta

primera estadística es el primer paso necesario para la continuación del presente trabajo, ya que

10. Otras, como el rango o coe�cientes de Gini son utilizadas para chequear la robustez de los resultados

14

si se hubieran obtenido resultados contrarios, la hipótesis central no se consideraría vigente.

La Figura 1.D del Anexo, muestra como cambian los márgenes promedio de las estaciones

por tipo de combustible. Siguiendo a Hosken et.al (2008), cambios importantes en los márgenes

son relevantes debido a la inelasticidad que presenta en el corto plazo la demanda por com-

bustible. Si los márgenes cambian fuertemente, y la cantidad vendida se mantiene constante,

los ingresos totales de las estaciones de servicio se ven afectadas de gran manera. Se muestra

que los márgenes promedio para el diesel y la gasolina 95 presentan una baja variabilidad, una

tendencia a permanecer más estables que los obtenidos para las gasolinas de 93 y 97. El com-

portamiento encontrado en la gasolina de 95 octanos, distinto a las demas gasolinas y similar

al del diesel, es un comportamiento aparentemente paradojal. Lamentablemente no se poseen

datos cualitativos (diferencias en el comportamiento esperado de los consumidores de gasolinas)

o cuantitativos (cantidades físicas vendidas para calcular elasticidades) que permitan entregar

una conjetura adecuada a esta aparente paradoja. Un trabajo posterior que incluya este tipo

de información ayudaría a despejar esta incógnita.

Finalmente, la Tabla 1.E del anexo muestra la relación existente entre los ingresos de las

comunas, en las cuales estan insertas las estaciones de servicio, con los precios y márgenes

encontrados. Las estaciones con los promedios de precios más altos, están ubicadas en las

comunas de mayores ingresos y viceversa. De hecho, el coe�ciente de correlación entre el

promedio de los precios por comunas y los ingresos reportados es de 0:7. Con los márgenes, el

coe�ciente aumenta a 0:81. Esto muestra la gran heterogeneidad existente entre las distintas

estaciones en la Región Metropolitana, lo que rea�rma la noción de dispersión de precios en la

ciudad y además motiva el siguiente paso en el análisis: el control por la heterogeneidad de las

estaciones de servicio.

15

IV.B. Fijación de precios y dispersión

Con el �n de realizar dicho control, se seguirá la metodología propuesta por Hosken et.al

(2008) y Lewis (2008), quienes aprovechan la estructura de panel de los datos para así corregir

los precios y controlar por todos las condiciones permanentes que afectan el nivel de precios y

que no cambian a traves de la muestra. La corrección por efecto �jo toma en cuenta los factores

observables y no observables de las estaciones, lo que es una ventaja con respecto a lo realizado

anteriormente (ver por ejemplo, Barron et.al 2004), donde la corrección se realiza sólo a nivel

de observables (marca, servicios anexos, presencia de tienda de alimentos, etc). La ecuación

(1) da a entender que la principal variación de precios de los combustibles proviene de los

cambios en los costos mayoristas (precios de venta de ENAP a las empresas distribuidoras) y

por ende, la dispersión de precios bajo esta ecuación se estudia con los residuos de la ecuación,

y se interpreta como desviaciones con respecto al precio promedio en cada semana de la ciudad

como un todo. La ecuación, calculada por separado para los cuatro tipos de combustibles, es:

(1) pit = �+X

�tWeekt + eit

donde pit es el precio de la estación i en el periodo t; y �t son los coe�cientes que identi�can

las semanas. La primera columna de la Tabla 2.A presenta la regresión, para la gasolina de 93

octanos, 2.B para la gasolina de 95 octanos, 2.C para la de 97 octanos y 2.D para el diesel. Se

muestran sólo algunos de los coe�cientes de las variables temporales, debido a la alta cantidad

que se calculan (uno por semana) y solo algunos de los restantes coe�cientes diferentes para

cada estimación. El comportamiento de los coe�cientes es común para todas las estaciones,

por eso se decide reportar este número reducido de parámetros11 . En términos generales, las

primeras dummies de cada semana no son signi�cativas para las gasolinas, pero si lo son para el

diesel. De ahí en adelante, son signi�cativas para todos los tipos de combustibles. El coe�ciente

de los residuos, eit, es la diferencia entre el precio de la estación i y el precio promedio de todas

las estaciones de la muestra en la semana t. Esta es, entonces, la posición relativa del precio

de cada estación dentro de la ciudad. Al tener los resultados de los márgenes en la sección

11. Las tablas completas están disponibles por parte del autor.

16

anterior, el cálculo de esta regresión puede resultar excesivo, ya que lo que se controla con

el coe�ciente de la semana, a grandes rasgos, es el costo promedio semanal que enfrentan las

estaciones y eso ya está estudiado con anterioridad. Se hace entonces esta regresión con el �n

de respetar la metodología presente en la literatura, como un mecanismo de robustez de los

resultados encontrados y sobre todo, para poder llevar adelante la siguiente comprobación del

carácter dinámico de la �jación de precios. La Figura 2.E en el anexo muestra los histogramas

respectivos por los distintos tipos de combustibles.

La ecuación (2) añade al control temporal de la ecuación (1), el efecto �jo propio de cada

estación a lo largo de la muestra. Principalmente, lo que se controla en esta ecuación es

la ubicación, que permanece constante en todo momento. Esta diferenciación espacial es el

principal factor de heterogeneidad entre las estaciones, además de la marca. La ecuación es:

(2) pit = �+X

�iStationi +X

�tWeekt + uit

donde �i es el efecto �jo especí�co de cada estación i. Esta ecuación lleva implícito el

supuesto de que la estación de servicio usa una estrategia de �jación de precios estática con

un margen en función a atributos observados y no observados que no cambian en el tiempo.

Este supuesto se revisará más adelante, con el estudio de la inercia en la �jación de los precios.

Ahora, la interpretación de los residuos cambia, con respecto a la ecuación anterior: son las

desviaciones de la estación i en el periodo t con respecto al promedio de la ciudad, pero

considerando ahora la diferencia constante (el efecto �jo) que existe entre las estaciones a lo

largo de la muestra. Es decir, si se observa persistencia en el residuo de una estación, esto

implica que la estación está sistemáticamente �jando precios más altos o más bajos que su

precio relativo típico. La estimación se muestra en la segunda columna de las Tablas 2.A-

2.D. Los coe�cientes de efectos �jos por estación son signi�cativos para todas las estaciones

y para todos los tipos de combustibles. Los residuos de esta ecuación se muestran en la

Figura 2.F del anexo. La Tabla 2.G muestra los tests de desviaciones estandar de los residuos.

Con respecto a la ecuación (1), se esperaba un comportamiento similar al obtenido en la

Tabla 1.C con los márgenes, pero el resultado sólo se mantuvo con respecto al diesel y la

gasolina de 97 octanos. La explicación a esta disonancia va por el lado de que los costos

17

calculados por los márgenes promedios de la CNE pueden ser distintos a los costos controlados

con esta herramienta econométrica, y esa puede ser la razón de esta divergencia de resultados.

Los residuos de la ecuación (2) muestran una mayor dispersión en los residuos del diesel con

respecto a la gasolina de 93 y 95 octanos, y una menor desviación estándar con respecto a la de

97 octanos. Esto implica que luego de controlar por los efectos �jos especí�cos de cada estación

los residuos son más dispersos en el diesel, y por lo tanto, deben existir otros factores que no

están siendo incluidos en la ecuación, que explican la �jación de precios en el mercado chileno.

La hipótesis no se cumple para todos los tipos de combustibles, sólo para la comparación

entre el diesel y la gasolina de 97 octanos, despues de controlar por la heterogeneidad de las

estaciones.

Con el ánimo de ampliar este último resultado, se estudia a continuación, el carácter

dinámico que presenta la �jación de los precios, entendido como aquél proceso de �jación

que condiciona el precio en el periodo t con el precio en el periodo t � 1. Así, se intenta

averiguar si una estación relativamente "cara" repite ese comportamiento en el periodo sigu-

iente, cambia su precio hacia el promedio de la ciudad o se vuelve "barata". Y luego, si esa

condición desaparece al controlar por los efectos �jos propios de cada estación.

Usando los residuos de las regresiones anteriores, para las dos ecuaciones mencionadas, y

para cada uno de los tipos de combustibles, se redondearon los valores de los residuos hacia

el número entero más cercano, y se construyó una matriz de transición Markoviana donde los

elementos de la matriz muestran la probabilidad de estar y pesos sobre (bajo) la media en el

periodo t condicional a estar x pesos sobre (bajo) la media en el periodo t � 1. La Figura 1

presenta las distribuciones empíricas para el diesel de la ecuación (1), mientras que la Figura 2

lo detalla en la gasolina 93 para la ecuación (2). Los demás tipos de combustibles se encuentran

18

en las Figuras 2.H-2.M en el anexo.0

1020

3040

500

1020

3040

500

1020

3040

500

1020

3040

50

­15 ­10 ­5 0 5 10 15

­15 ­10 ­5 0 5 10 15 ­15 ­10 ­5 0 5 10 15 ­15 ­10 ­5 0 5 10 15 ­15 ­10 ­5 0 5 10 15

1.A: P = ­9 en periodo t­1 1.B: P = ­8 en periodo t­1 1.C: P = ­7 en periodo t­1 1.D: P = ­6 en periodo t­1 1.E: P = ­5 en periodo t­1

1.F: P = ­4 en periodo t­1 1.G: P = ­3 en periodo t­1 1.H: P = ­2 en periodo t­1 1.I: P = ­1 en periodo t­1 1.J: P = 0 en periodo t­1

1.K: P = 1 en periodo t­1 1.L: P = 2 en periodo t­1 1.M: P = 3 en periodo t­1 1.N: P = 4 en periodo t­1 1.O: P = 5 en periodo t­1

1.P: P = 6 en periodo t­1 1.Q: P = 7 en periodo t­1 1.R: P = 8 en periodo t­1 1.S: P = 9 en periodo t­1

Perc

ent

Precio en el periodo actual (t)

Figura 1: Matriz Empírica de Transición Markoviana en un PeriodoEcuación 1 Type=9

Figura 1. Matriz de transicion empirica. Ecuacion 1. Diesel

Estas dos primeras �guras permiten obtener algunas conclusiones interesantes. Primero,

hay una persistencia en la �jación de los precios relativos de un periodo a otro. Lo más común

es mantener el mismo precio relativo de una semana a otra, es decir, si una estación está 9 pesos

bajo el promedio de la ciudad en el periodo t� 1 (Panel 1.D de la Figura 1), es más probable

que �je precios 9 pesos más bajos que el promedio en el periodo t. Segundo, la forma de las

distribuciones cambia según el tipo de combustible que se está vendiendo y según la posición

relativa de la estación. En el anexo se muestran las distribuciones empíricas para los distintos

tipos de combustible. Para el diesel, las estaciones con precios relativos más bajos presentan

una distribución más plana (Panel 1.A-B de la Figura 1) que las demás, lo que signi�ca que

estas estaciones presentan una convergencia más rápida hacia la media o cualquier otro precio,

que las estaciones relativamente más caras (Paneles 1.N-S de la Figura 1). Además, se observa

19

que la inercia en un periodo es mayor en las estaciones más caras. Este comportamiento se

repite en los demas combustibles, salvo en la gasolina de 93 octanos, que presenta persistencia

tanto en las estaciones baratas como en las más caras. Al controlar por la heterogeneidad de

las estaciones mediante el efecto �jo, ocurren dos cosas muy interesantes:

010

2030

4050

010

2030

4050

010

2030

4050

010

2030

4050

­15 ­10 ­5 0 5 10 15

­15 ­10 ­5 0 5 10 15 ­15 ­10 ­5 0 5 10 15 ­15 ­10 ­5 0 5 10 15 ­15 ­10 ­5 0 5 10 15

2.A: P = ­9 en periodo t­1 2.B: P = ­8 en periodo t­1 2.C: P = ­7 en periodo t­1 2.D: P = ­6 en periodo t­1 2.E: P = ­5 en periodo t­1

2.F: P = ­4 en periodo t­1 2.G: P = ­3 en periodo t­1 2.H: P = ­2 en periodo t­1 2.I: P = ­1 en periodo t­1 2.J: P = 0 en periodo t­1

2.K: P = 1 en periodo t­1 2.L: P = 2 en periodo t­1 2.M: P = 3 en periodo t­1 2.N: P = 4 en periodo t­1 2.O: P = 5 en periodo t­1

2.P: P = 6 en periodo t­1 2.Q: P = 7 en periodo t­1 2.R: P = 8 en periodo t­1 2.S: P = 9 en periodo t­1

Perc

ent

Precio en el periodo actual (t)

Figura 2: Matriz Empírica de Transición Markoviana en un PeriodoEcuación 2 Type=6

Figura 2. Matriz de transicion empirica. Ecuacion 2. Gasolina 93

Primero, la inercia de un periodo encontrada anteriormente disminuye fuertemente, pero

está aún presente. Al parecer, controlar por el efecto �jo de las estaciones explica mucho de

la persistencia. Las distribuciones son más planas que las encontradas en la Figura 1 (Paneles

2.A-C y 2.P-S), por lo que los precios convergen más rápidamente hacia su precio relativo

promedio típico. Además, es más probable que la estación vuelva más rápidamente a su precio

promedio relativo, antes que mostrar persistencia en su �jación, en comparación a la �gura

anterior. Mediante este análisis, se puede a�rmar que el proceso de �jación de precios de cada

20

estación tienen un carácter dinámico inherente, por lo menos de un periodo. La Figura 2.M

que representa la matriz de transición del diesel, en el anexo, presenta una mayor inercia que

la encontrada en las gasolinas, por lo que aún despues de controlar por el efecto �jo de la

estación, la inercia tiene un factor no incluido en la especi�cación que podría explicarla. Una

aproximación a la solución de este problema, es realizar una regresión que permita controlar

por cambios en la estrategia de �jación de precios, causado por factores externos y que cambian

a lo largo de la muestra, por ejemplo: la instalación de una estación competidora que no está

en la muestra, la creación de una zona industrial cercana a la estación y que presente una

alta demanda por un tipo especí�co de combustible (diesel), etc. Esto podría disminuir la

inercia encontrada en algunos tipos de combustibles, aún después de controlar por el efecto

�jo constante a través del periodo estudiado. Para controlar este cambio en la estrategia de

precios, se realiza una regresión similar a la anterior, pero incluyendo cambios en los efectos

�jos calculados, es decir:

(3) pit = �+X

�qi (Stationit)(yearq) +X

�tWeekt + uit

donde q = (2005; 2006; 2007; 2008; 2009), son los años incluidos en la muestra. La Figura

3 muestra el análisis de esta ecuación para el diesel, el resto de los tipos de combustibles se

21

encuentra en las Figuras 2.N-P del anexo:0

1020

3040

500

1020

3040

500

1020

3040

500

1020

3040

50

­15 ­10 ­5 0 5 10 15

­15 ­10 ­5 0 5 10 15 ­15 ­10 ­5 0 5 10 15 ­15 ­10 ­5 0 5 10 15 ­15 ­10 ­5 0 5 10 15

3.A: P = ­9 en periodo t­1 3.B: P = ­8 en periodo t­1 3.C: P = ­7 en periodo t­1 3.D: P = ­6 en periodo t­1 3.E: P = ­5 en periodo t­1

3.F: P = ­4 en periodo t­1 3.G: P = ­3 en periodo t­1 3.H: P = ­2 en periodo t­1 3.I: P = ­1 en periodo t­1 3.J: P = 0 en periodo t­1

3.K: P = 1 en periodo t­1 3.L: P = 2 en periodo t­1 3.M: P = 3 en periodo t­1 3.N: P = 4 en periodo t­1 3.O: P = 5 en periodo t­1

3.P: P = 6 en periodo t­1 3.Q: P = 7 en periodo t­1 3.R: P = 8 en periodo t­1 3.S: P = 9 en periodo t­1

Perc

ent

Precio en el periodo actual (t)

Figura 3: Matriz Empírica de Transición Markoviana en un PeriodoEcuación 3 Type=9

Figura 3. Matriz de transicion empirica. Ecuacion 3. Diesel

Los resultados de la regresión ?? se obvservan en la tercera columna de las Tablas 2.A-2.D.

Los coe�cientes que miden el efecto �jo temporal presentan una mayor heterogeneidad en su

signi�cancia que las estimaciones calculadas anteriormente. En la Figura 3, se puede observar

una disminución notable de la inercia encontrada anteriormente, sobre todos en las estaciones

de los extremos, aquellas más baratas o más caras con respecto al promedio. Los efectos �jos

que cambian a través de los años permiten explicar de mejor manera la �jación de los precios,

por lo que la inercia entre periodos disminuye a través de todos los tipos de combustibles. Esta

ecuación denota que el efecto �jo por toda la muestra puede omitir cambios relevantes en el

entorno competitivo. Aún así, las estaciones que �jan precios promedios, tienden a mantener

el mismo precio en el periodo siguiente. Los test de las desviaciones estándar de los residuos

se encuentran en la Tabla 2.P, y muestran resultados similares a los vistos anteriormente, es

22

decir, que el diesel presenta mayor dispersión que las gasolinas de 93 y 95, mas no se puede

rechazar que presenten la misma dispersión el diesel y la gasolina de 97 octanos.

Al detectar la heterogeneidad presente aún despues de controlar por los efectos �jos y la

autocorrelación debido a la inercia en la �jación de precios, se realizó el cálculo de los residuos

bajo GLS, considerando heterocedasticidad entre las estaciones y además, correlación de un

periodo, para así corregir y mejorar la e�ciencia de los resultados con respecto a la inercia

encontrada. La cuarta columna de las Tablas 2.A-2.D muestran dicha regresión. Los resultados

del análisis de las dispersiones de los residuos fueron similares a los obtenidos con la ecuación

(2), por lo que el análisis encontrado se muestra en la Tabla 2.R del anexo y se muestra una

menor dispersión del diesel con respecto a la gasolina de 97 octanos.

Como podemos ver, la hipótesis de menor dispersión no se cumple para todos los tipos de

combustibles al controlar por el efecto �jo constante a través de la muestra. ni controlando por

efectos �jos que cambian en el tiempo y tampoco al considerar el análisis bajo GLS. Se detecta

una inercia relevante en la �jación de precios, éste depende del precio �jado en el periodo

pasado, pero esa persistencia va disminuyendo conforme vamos controlando por las distintas

especi�caciones de efectos �jos realizados. Con el ánimo de encontrar un modelo de dispersión

de precios relevante, se estudiarán las predicciones emanadas de las teorías de los modelos de

búsqueda del consumidor e información imperfecta, para así contrastarlas con los datos.

23

IV.C. Consumer Search Model

Bajo un paradigma de este tipo de modelos, los consumidores enfrentan un costo positivo

en aprender la distribución de precios presente en el mercado, y las estaciones cambian constan-

temente su posición relativa en la distribución de precios de la ciudad, para así evitar que los

consumidores puedan aprender la ubicación relativa de cada estación dentro de la distribución

de precios y así quedarse algunas con los consumidores que deciden no informarse, �jando por

ende, precios más altos que el resto, y otras estaciones con una mezcla de los dos consumidores,

con precios cercanos al costo marginal (ver Lewis 2008, Salop y Stiglitz 1977, Salop 1977). Esta

teoría predice entonces, que si confeccionamos un ranking con la posición relativa del precio

semanal dentro de la ciudad, van a existir cambios signi�cativos en dicho ranking a través

del tiempo, antes y despues de haber controlado por la heterogeneidad de cada estación. El

comportamiento a través de los quintiles de la distribución de precios reportados ayudaría a

reforzar el concepto anterior, por lo que tambien se estudiará.

Si la dispersión de precios fuese causada sólo por la heterogeneidad de las estaciones, las

estaciones "mejor ubicadas" presentarían constantemente precios más altos relativos a la ciu-

dad. Las estaciones que cumplirían esta condición, serían aquellas ubicadas en comunas de

mayores ingresos, por lo que se tendría que esperar que dichas estaciones no cambien su rank-

ing relativo a la ciudad12 . Las Figuras 4 y 5 muestran el ranking obtenido de los residuos de

la Ecuación (1) y el desvío que presenta la misma estación con respecto a su precio promedio

relativo. La estación está ubicada en la comuna de Ñuñoa, considerada en la muestra como

una comuna de altos ingresos13 :

12. La mejor ubicación ciertamente es una condición multifactorial, mas los datos disponibles sólo permitenevaluar el factor del ingreso comunal como una aproximación de dicha condición. Las condiciones de trá�co,por ejemplo, sería una adición relevante, pero los datos disponibles en SECTRA (www.sectra.cl) no presentanel detalle necesario para la correcta inclusión a este trabajo.13. Los rankings para cada una de las estaciones están disponibles a petición del lector por parte del autor

24

010

2030

010

2030

0 100 200 0 100 200

93 95

97 Diesel

Rel

ativ

e ra

nkin

g: p

rice

Semana muestraGraphs by Tipo de Bencina: 93, 95, 97 y Diesel

Figura 4. Ecuacion 1

­20

020

4060

­20

020

4060

0 100 200 0 100 200

93 95

97 Diesel

dmea

n_pr

ice

Semana muestraGraphs by Tipo de Bencina: 93, 95, 97 y Diesel

Figura 5. Desvios en pesos.Ecuacion 2

La Figura 4 presenta cambios signi�cativos de la posición relativa a la ciudad al �nal de la

muestra. Es decir, si la dispersión de precios se explicara sólo por la heterogeneidad presente

en las estaciones, estos cambios de ranking serían menores. Lo mismo ocurre al controlar por

los efectos �jos en la Figura 5, donde se muestra que la estación se desvía constantemente de

su precio promedio relativo típico, sobre todo al �nal de la muestra en el diesel. Se presentan

las mismas Figuras para la estación de la marca JLC, ubicada en Quinta Normal, una comuna

25

de bajos ingresos:

05

1015

05

1015

0 100 200 0 100 200

93 95

97 Diesel

Rel

ativ

e ra

nkin

g: p

rice

Semana muestraGraphs by Tipo de Bencina: 93, 95, 97 y Diesel

Figura 6. Ecuacion 1.

­60

­40

­20

020

­60

­40

­20

020

0 100 200 0 100 200

93 95

97 Diesel

dmea

n_pr

ice

Semana muestraGraphs by Tipo de Bencina: 93, 95, 97 y Diesel

Figura 7. Desvios en pesos.Ecuacion 2

La Figura 6 con�rma que semana a semana, la estación de JLC �ja los precios más bajos de

la ciudad, en cada uno de los tipos de bencina, pero la �gura siguiente, señala que esta estación,

constantemente �ja precios más bajos que su precio relativo típico, es decir, que después de

controlar por el efecto �jo, la estación �ja precios distintos al esperado, lo que muestra que

hay indicios de entregar precios diferentes, descontados por los efectos �jos, cada semana al

consumidor, para que así tenga que incurrir en un gasto y cotizar para obtener el precio más

conveniente. Hay un comportamiento diferente para los distintos tipos de combustibles. Estos

comportamientos se repiten en todas las estaciones presentes en la muestra, por lo que se

rea�rma el movimiento relativo en el ranking de la ciudad y además, que las estaciones tienden

a �jar precios diferentes al precio típico en cada semana.

26

Con el ánimo de ahondar en lo anterior, se confeccionaron tablas de cambios entre los

quintiles de los precios y residuos de la ecuación (2), que controla por efecto �jo de estación.

Dichas tablas se construyeron con una diferencia de una, cuatro y ocho semanas. Es decir, se

estudia el cambio entre quintiles de la semana t con t+1, t+4 y t+8 Las tablas correspondientes

a los precios corrientes y a los residuos de la Ecuación (2) se detallan a continuación para el

diesel14 :

q1 q2 q3 q4 q5q1 81.82 9.09 9.09 0 0q2 18.18 72.73 0 0 9.09q3 0 20 70 10 0q4 0 0 23.08 69.23 7.69q5 0 0 0 0 100

q1 q2 q3 q4 q5q1 86.79 5.66 5.66 1.89 0q2 31.71 51.22 9.76 4.88 2.44q3 11.43 14.29 51.43 22.86 0q4 2.08 2.08 25 60.42 10.42q5 0 0 0 17.14 82.86

q1 q2 q3 q4 q5q1 71.79 17.95 4.27 5.13 0.85q2 28.4 50.62 16.05 2.47 2.47q3 6.45 27.42 43.55 22.58 0q4 8.89 4.44 15.56 61.11 10q5 1.41 0 0 14.08 84.51

Una semana

Cuatro semanas

Ocho semanas

Tabla 2. Cambios en los quintiles

entre semanas de los precios

corrientes.

q1 q2 q3 q4 q5q1 81.82 9.09 9.09 0 0q2 18.18 72.73 0 0 9.09q3 0 20 70 10 0q4 0 0 23.08 69.23 7.69q5 0 0 0 0 100

q1 q2 q3 q4 q5q1 86.79 5.66 5.66 1.89 0q2 31.71 51.22 9.76 4.88 2.44q3 11.43 14.29 51.43 22.86 0q4 2.08 2.08 25 60.42 10.42q5 0 0 0 17.14 82.86

q1 q2 q3 q4 q5q1 71.79 17.95 4.27 5.13 0.85q2 28.4 50.62 16.05 2.47 2.47q3 6.45 27.42 43.55 22.58 0q4 8.89 4.44 15.56 61.11 10q5 1.41 0 0 14.08 84.51

Una semana

Cuatro semanas

Ocho semanas

Tabla 3. Cambios en los quintiles

entre semanas de los residuos de la

Ecuacion 2.

De las tablas anteriores se pueden extraer dos relaciones importantes. Primero, que se

con�rma lo encontrado con las matrices empíricas de transición markoviana, ya que es mucho

más probable que de una semana a otra, las estaciones de servicio se encuentren en el mismo

14. Los demas tipos de combustibles presentan un movimiento similar, por lo que las tablas se omiten, peroquedan a pedido del autor.

27

quintil, antes de estar en uno diferente. La diagonal de las tablas en una semana lo demuestra.

Lo segundo, se muestra que la probabilidad de que una estación se mantenga en el mismo

quintil es menor o muy cercana al 50% cuando extendemos el periodo de una a cuatro y ocho

semanas. Este efecto es más potente al controlar por los efectos �jos de las estaciones. Es

más probable, entonces, que una estación de servicio en el futuro esté en un quintil distinto

al actual, a que se mantenga en la misma posición relativa, lo que rea�rma el concepto del

movimiento a través de la distribución de precios, que sería un fuerte indicio de la presencia

de información imperfecta en el mercado. Pero esta relación podria ser causada tambien por

una diferenciación del producto, sobre todo si consideramos los cambios en el precio corriente

de la Tabla 2. Para poder contrastar esta pregunta, se presenta el siguiente test empírico.

La última disyuntiva presente en el trabajo, es la diferencia entre un modelo de información

imperfecta hacia los consumidores y diferenciación en el producto como explicación a la dis-

persión de precios encontrada y al movimiento de las estaciones entre los quintiles de precios.

Una diferencia crítica entre estos dos modelos es que bajo diferenciación del producto los pre-

cios no cambian si se mantienen constantes las características del producto. Por otro lado, un

modelo de dispersión de precios temporal con información imperfecta (ver Chandra y Tappata

2008) a�rma que los precios relativos cambian para que el consumidor tenga que adivinar y

comprar al azar o cotizar e incurrir en un costo de búsqueda. Una manera novedosa de en-

frentar este problema es construir un grupo de "control y tratamiento", en el que se sepa por

de�nición que uno de los dos elementos (información imperfecta o diferenciación) esté ausente.

Las estaciones que están ubicadas "en la misma esquina" presentan diferencias en los precios

únicamente debido a la diferenciación de productos (marca, accesibilidad, servicios extras). No

compiten entre sí por los consumidores turistas o nativos, pero si lo hacen con respecto a las

otras estaciones "cercanas". Las estaciones vecinas, por lo tanto, eligen los precios para com-

petir por los consumidores informados o no informados, con respecto a las demás estaciones.

Luego, cuando ese consumidor enfrenta a las dos estaciones vecinas, éstas compiten sólo por

diferenciación de producto. Entonces, cambios en el ranking de pares de estaciones deben ser

menores entre las estaciones vecinas, ya que sólo hay diferenciación de producto, y el ranking

no cambia al no cambiar los factores diferenciadores. En las restantes estaciones cercanas, al

28

mecanismo de diferenciación de productos presente en los dos tipos de estaciones, se agrega el

factor de la información imperfecta, por lo tanto los cambios deben ser mayores. Se de�nen

como estaciones "vecinas" , aquellas que poseen una distancia entre sí menor a 100 metros15 y

éstas son las estaciones del grupo de control. Por otro lado, las estaciones "cercanas", de�nidas

como aquellas con una distancia menor a 2 kms y que además estén ubicadas en la misma calle,

como las estaciones del grupo de tratamiento de "información imperfecta". Se detectaron 6

pares de estaciones vecinas y 9 pares de estaciones cercanas en los datos. Una estación vecina

no se incluye como una estación cercana. Un número mayor de estaciones ayudaría a obtener

mejores estimaciones, pero lamentablemente, son pocos los datos en los que se cumplen las

condiciones necesarias y el universo de estaciones disponibles en la muestra es reducido.

La manera más directa para analizar la dispersión de precios temporal es observar, entonces,

los cambios en el ranking de precios a través del tiempo. Sea sij el vector de la diferencia de

precios entre dos estaciones (i; j) sobre Tij días, tal que pit � pjt es observado la mayor parte

del tiempo. Se de�ne entonces, como un cambio en el ranking entre las estaciones i y j como

la proporción de observaciones donde pjt > pit:

(4) rij =1

Tij

TijXt=1

Ifpjt>pitg

Se calculó este estadístico para los dos grupos de estaciones: las vecinas y las cercanas.

Las Figuras 8 y 9 muestran los histogramas de los cambios de ranking para ambos grupos, las

Figuras 3.A y 3.B, en el anexo, muestran el mismo análisis considerando la diferencia entre los

tipos de combustibles y la Tabla 4 presenta las estadísticas relevantes:c

15. Lo óptimo sería encontrar aquellas estaciones ubicadas en la misma esquina, pero la poca cantidad dedatos impide realizar el test de esa manera.

29

020

4060

Perc

ent

0 .1 .2 .3 .4(mean) r1

Estaciones vecinas

Figura 8. Distribucion de los cambios

en el ranking de las estaciones vecinas.

010

2030

4050

Perc

ent

0 .2 .4 .6 .8(mean) r1

Estaciones Cercanas

Figura 9. Distribucion de los cambios

en el ranking de las estaciones vecinas.

Estaciones Vecinas Gas.93 Gas.95 Gas.97 Diesel

Cambio de ranking promedio 0.061 0.071 0.089 0.067Diferencia promedio de precios 2.032 2.036 2.655 1.865

Estaciones Cercanas

Cambio de ranking promedio 0.170 0.158 0.202 0.207Diferencia promedio de precios 1.336 1.120 0.785 1.227

Tabla 4. Estadisticas descriptivas de los cambios en el ranking

30

La Tabla 4 muestra la existencia de dispersión de precios temporal: todas las estaciones

presentan un cambio de ranking entre ellas a lo largo del periodo estudiado y dicho cambio de

ranking promedio está cerca de un 7% para las estaciones vecinas y un 18% para las estaciones

cercanas. Esto quiere decir que una estación que cobra un precio más bajo que su vecino,

tambien presenta un 8% de veces precios más altos que su rival. Tambien se observa que la

diferencia de precios entre dos estaciones cambia cuando se cambia el octanaje, lo que sugiere

que la intensidad de la competencia es heterogénea a través de los tipos de combustibles. Aun a

pesar de presentar pocas observaciones, debido al escaso número de estaciones, la comparación

empírica entre los dos grupos (estaciones vecinas y cercanas) es posible. Supongamos que los

cambios en el ranking entre estaciones cercanas son extraídos de una distribution F1(r) y que

los cambios en el ranking de las estaciones cercanas se extrae de F2(r). Si el concepto de

búsqueda del consumidor es relevante en el mercado de los combustibles, entonces tendríamos

que esperar que F1(r) < F2(r). Su usa el test de Kolgomorov-Smirnov (KS) para testear dicha

hipótesis. Este es un test no paramétrico que evalúa la hipótesis alternativa F1 ? F2, contra

la hipótesis nula H0 : F1 = F2: La Tabla 5 presenta el resultado del test para los dos grupos

de estaciones, y la Tabla 3.C, en el anexo, muestra la desagregación entre los distintos tipos de

combustibles:

Grupo más pequeño D p­value

Estaciones vecinas 0.5694 0.0000Estaciones cercanas 0.0000 1.0000

Combinación KS 0.5694 0.0000

Test de Kolgomorov­Smirnov de igualdad de distribuciones

Tabla 5. Analisis de Kolgomorov-Smirnov

La tabla muestra que la hipótesis inicial de este análisis se cumple. La combinación KS

realiza el test de hipótesis de que ambas distribuciones son iguales. Las estaciones vecinas

presentan menores cambios en sus rankings, por lo que el modelo de información imperfecta,

presente solamente en las estaciones cercanas, tiene un efecto relevante y cuantitativo al cambiar

31

el lugar relativo de las estaciones. La dispersión de precios temporal es signi�cativamente menor

para el grupo de control que para el grupo de tratamiento. Además, al observar la tabla 3.C,

en el anexo, no se presentan diferencias signi�cativas entre los distintos tipos de combustibles.

Esto puede ser, básicamente, por el escaso número de observaciones disponibles.

32

V. Conclusiones

Se examinaron los precios de 54 estaciones de servicio de la Región Metropolitana, en San-

tiago de Chile, durante 226 semanas, con el �n de explicar la dispersión de precios y márgenes,

controlando por heterogeneidad en los vendedores, y se encontró que la dispersión puede ser

explicada, principalmente, por la existencia de costos de búsqueda positivos por parte del con-

sumidor. La dispersión de los márgenes es menor en el mercado del diesel que en el de las

bencinas, debido a que los consumidores de este combustible líquido poseen mayor incentivo

a cotizar y buscar la estación con el precio más bajo en cada semana. Este mercado presenta

menores márgenes tambien, tal como se espera bajo un modelo de costos de búsqueda. Además,

se encontró evidencia de que las estaciones de servicio cambian constantemente su posición rel-

ativa en la distribución de precios a lo largo del tiempo, siendo este otro indicio de la relevancia

de información imperfecta y apoya la presencia de costos de búsqueda, ya que al descontar

por efectos �jos de cada estación, homogeneizando entonces la �jación del precio semanal, se

encuentra que la posición relativa del precio ajustado en cada semana varía. Adicionalmente,

es más probable que en el mediano plazo (4 a 8 semanas), la estación de servicio se encuentre

en un quintil de precio distinto al actual, lo que rea�rma la idea de que existen cambios en

los precios relativos, que llevarían al consumidor a tener que hacer una conjetura respecto a

la creencia acerca de que estación de servicio presenta menores precios. Luego se encuentra,

al realizar el test de cambios en el ranking para estaciones cercanas y vecinas, que el para-

digma de información imperfecta está presente en este mercado, al revisar la intuición de que

estaciones vecinas presentan menores cambios de ranking que las estaciones cercanas, debido

a que estas últimas tienen incorporado los factores de información imperfecta y diferenciación

del producto, mientras que las primeras sólo poseen este último factor. Finalmente, la �jación

de precios de las distintas estaciones de servicio responde a un proceso dinámico, de al menos

un periodo. Al controlar por efectos �jos propios de cada estación, la persistencia encontrada

disminuye, asi como tambien al controlar por efectos �jos temporales, lo que indicaría que las

estaciones de servicio pueden seguir estrategias diferentes de �jación de precio a lo largo del

periodo estudiado.

Muchos aspectos que pueden aportar a esta literatura fueron dejados de lado, ya que se

33

escapan del ámbito del presente trabajo, y se espera que en investigaciones posteriores, este

tipo de desafíos puedan ser respondidos. Los modelos de colusión en el mercado retail de

las bencinas, como en Eckert & West (2005) pueden explicar la uniformidad existente entre

las grandes marcas distribuidoras16 , la existencia de la marca de distribución JLC, que puede

actuar como un borde competitivo17 dentro de un posible cartel, el estudio dinámico de los

precios de las distintas estaciones, la presencia (o no) de ciclos de Edgewoth en la �jación de

precios, la búsqueda de una teoría de �jación de precios de retail que permita explicar los

hechos estilizados encontrados, la presencia del precio de referencia entregado por la ENAP a

los consumidores y su efecto en variables de asimetría de precios o en el mismo nivel, etc. Como

se puede apreciar, este mercado permite contestar muchas de las interrogantes planteadas para

trabajo futuro en esta investigación y se espera que este trabajo pueda servir de inicio para los

demás.

16. A pesar de que la sentencia del diez de junio del 2005 del Tribunal de la Libre Competencia, desestimó lapresencia de colusión en el mercado chileno.17. fringe

34

VI. Anexos

Figura 1.A0

.005

.01

0.0

05.0

1

200 400 600 800 200 400 600 800

93 95

97 Diesel

Densitynormal price

Den

sity

Precio

Graphs by Tipo de Bencina: 93, 95, 97 y Diesel

35

Figura 1.B

0.0

50

.05

­50 0 50 100 150 ­50 0 50 100 150

93 95

97 Diesel

Densitynormal margin

Den

sity

Margen por semana y por estación

Graphs by Tipo de Bencina: 93, 95, 97 y Diesel

36

Tabla 1.C

f gdl p­value f gdl p­value f gdl p­valuea 1.7636 [11246, 11302] 1.0000 1.6774 [11246, 11303] 1.0000 1.5636 [11246, 11304] 1.0000

Diesel b 0.0000 0.0000 0.0000sd = 84.53 c 0.0000 0.0000 0.0000

a 0.4602 [11246, 11302] 0.0000 0.9151 [11246, 11303] 0.0000 0.5068 [11246, 11304] 0.0000Diesel b 0.0000 0.0000 0.0000sd=9.56 c 1.0000 1.0000 1.0000Nota: H0: ratio=sd(diesel)/sd(gasolinaXX)=1. a) H1: ratio<1. b) H1: ratio!=1. c) H1: ratio>1.

PrecioGasolina 93 (sd=63.653) Gasolina 95 (sd=65.268) Gasolina 97 (sd=67.601)

MargenGasolina 93 (sd=14.093) Gasolina 95 (sd=9.993) Gasolina 97 (sd=13.428)

37

Figura 1.D

050

100

050

100

0 100 200 0 100 200

93 95

97 Diesel

mar

gin_

wee

k_ty

pe

Semana muestraGraphs by Tipo de Bencina: 93, 95, 97 y Diesel

38

Tabla 1.E

Comunas Ingresos G. 93 G. 95 G.97 Diesel G. 93 G. 95 G.97 DieselLas Condes 2,361,006$ 584.55 599.71 613.09 479.81 56.18 58.49 59.17 50.64Ñuñoa 1,573,063$ 581.11 596.42 609.62 475.10 51.44 53.84 54.28 43.47La Reina 1,452,483$ 583.65 598.22 612.90 480.36 53.97 55.64 57.56 48.73San Miguel 1,224,164$ 579.17 593.54 607.88 467.06 47.30 48.09 49.00 38.41La Florida 907,349$ 580.94 595.69 610.99 478.68 47.94 49.17 51.09 40.48Santiago 869,229$ 575.32 588.03 601.71 471.00 44.88 44.58 45.40 38.29Maipu 831,864$ 576.60 589.31 602.34 471.43 47.02 46.84 47.01 40.11La Cisterna 790,133$ 576.13 590.35 605.15 486.55 39.50 41.18 43.61 36.20Estacion Central 770,349$ 569.44 580.01 592.54 463.31 38.51 36.21 36.01 30.15Independencia 737,144$ 576.30 588.39 601.23 469.08 45.80 44.88 44.85 36.51Pudahuel 701,748$ 568.96 579.35 589.75 461.74 39.48 36.95 34.57 30.69Quinta Normal 625,022$ 569.07 580.25 591.97 467.19 36.35 34.18 32.74 28.30Recoleta 532,966$ 576.35 588.44 601.77 479.24 46.81 46.10 46.78 41.12

Precio Promedio Margen Promedio

39

Tabla 2.A

Ec.1 Ec.2 Ec.3 GLS

VARIABLES

Semana 2 0.5 0.5 0.5 ­0.487­0.852 ­0.854 ­0.86 ­0.524

Semana 3 24.76*** 24.76*** 24.76*** 23.99***­0.789 ­0.791 ­0.797 ­0.658

Semana 4 41.75*** 41.69*** 41.92*** 41.26***­0.731 ­0.762 ­0.722 ­0.727

Semana 5 48.52*** 48.54*** 48.69*** 47.93***­0.702 ­0.726 ­0.686 ­0.761

Estación 2 1.084*** 0 1.05­0.0796 0 ­0.706

Estación 3 ­1.606*** 0 ­1.722**­0.0796 0 ­0.752

Estación 90 (JLC) ­8.274*** 0 ­8.388***­0.0796 0 ­1.305

Estación 2*Año 2006 2.754***­0.322

Estación 2*Año 2007 4.457***­0.322

Estación 2*Año 2008 4.215***­0.322

Estación 2*Año 2009 1.807***­0.322

Constant 461.9*** 455.1*** 461.4*** 455.6***­1.573 ­1.072 ­0.868 ­0.81

Observations 11303 11303 11303 11303R² 0.987 0.995 0.996 ­

Robust standard errors in parentheses*** p<0.01, ** p<0.05, * p<0.1

price

Gasolina 93

40

Tabla 2.B

Ec.1 Ec.2 Ec.3 GLS

VARIABLES

Semana 2 0.0238 0.0238 0.0238 ­0.831­0.756 ­0.757 ­0.763 ­0.537

Semana 3 24.29*** 24.29*** 24.29*** 23.64***­0.695 ­0.697 ­0.702 ­0.684

Semana 4 41.31*** 41.20*** 41.46*** 40.95***­0.638 ­0.688 ­0.627 ­0.765

Semana 5 48.12*** 48.13*** 48.28*** 47.64***­0.604 ­0.647 ­0.586 ­0.809

Estación 2 1.390*** 0 1.375­0.0751 0 ­0.863

Estación 3 ­1.249*** 0 ­1.365­0.0751 0 ­0.896

Estación 90 (JLC) ­8.260*** 0 ­8.368***­0.0751 0 ­1.513

Estación 2*Año 2006 2.831***­0.28

Estación 2*Año 2007 4.714***­0.28

Estación 2*Año 2008 4.014***­0.28

Estación 2*Año 2009 2.031***­0.28

Constant 456.7*** 447.2*** 456.3*** 447.5***­1.419 ­0.866 ­0.735 ­0.944

Observations 11304 11304 11304 11304R² 0.982 0.995 0.996 ­

Robust standard errors in parentheses*** p<0.01, ** p<0.05, * p<0.1

Gasolina 95

price

41

Tabla 2.C

Ec.1 Ec.2 Ec.3 GLS

VARIABLES

Semana 2 ­0.476 ­0.476 ­0.476 ­1.200**­0.684 ­0.686 ­0.691 ­0.581

Semana 3 23.81*** 23.81*** 23.81*** 23.32***­0.624 ­0.625 ­0.63 ­0.759

Semana 4 40.84*** 40.75*** 40.98*** 40.59***­0.606 ­0.646 ­0.595 ­0.869

Semana 5 47.67*** 47.69*** 47.81*** 47.31***­0.541 ­0.577 ­0.525 ­0.937

Estación 2 ­0.317*** 0 ­0.476­0.0772 0 ­1.271

Estación 3 ­1.140*** 0 ­1.346­0.0772 0 ­1.268

Estación 90 (JLC) ­10.21*** 0 ­10.50***­0.0772 0 ­2.047

Estación 2*Año 2006 2.813***­0.249

Estación 2*Año 2007 4.842***­0.249

Estación 2*Año 2008 ­0.11­0.249

Estación 2*Año 2009 ­7.060***­0.249

Constant 451.6*** 441.4*** 451.2*** 441.8***­1.284 ­0.796 ­0.632 ­1.253

Observations 11305 11305 11305 11305R² 0.978 0.992 0.995 ­

Gasolina 97

price

Robust standard errors in parentheses*** p<0.01, ** p<0.05, * p<0.1

42

Tabla 2.D

Ec.1 Ec.2 Ec.3 GLS

VARIABLES

Semana 2 ­18.54*** ­19.96*** ­18.54*** ­19.96***­1.03 ­0.577 ­1.04 ­0.577

Semana 3 ­12.02*** ­13.05*** ­12.02*** ­13.05***­0.689 ­0.745 ­0.695 ­0.745

Semana 4 12.53*** 12.90*** 12.60*** 12.90***­0.739 ­0.841 ­0.729 ­0.841

Semana 5 16.80*** 16.98*** 16.89*** 16.98***­0.468 ­0.899 ­0.471 ­0.899

Estación 2 0.571 0 0.571­1.633 0 ­1.633

Estación 3 ­1.348 0 ­1.348­1.447 0 ­1.447

Estación 90 (JLC) ­6.939*** 0 ­6.939***­2.067 0 ­2.067

Estación 2*Año 2006 1.726***­0.245

Estación 2*Año 2007 4.749***­0.246

Estación 2*Año 2008 0.995***­0.245

Estación 2*Año 2009 1.335***­0.245

Constant 353.2*** 344.3*** 352.2*** 344.3***­0.914 ­1.501 ­0.497 ­1.501

Observations 11247 11247 11247 11247R² 0.989 0.992 0.997 ­

Diesel

price

Robust standard errors in parentheses*** p<0.01, ** p<0.05, * p<0.1

43

Figura 2.E

0.0

2.0

4.0

60

.02

.04

.06

­50 0 50 100 ­50 0 50 100

93 95

97 Diesel

Densitynormal res_w

Den

sity

Residuos Ecuación 1: Week

Graphs by Tipo de Bencina: 93, 95, 97 y Diesel

44

Figura 2.F

0.0

5.1

.15

0.0

5.1

.15

­50 0 50 100 ­50 0 50 100

93 95

97 Diesel

Densitynormal res_ws

Den

sity

Residuos Ecuacion 2: Week & Station con reg

Graphs by Tipo de Bencina: 93, 95, 97 y Diesel

45

Tabla 2.G

f gdl p­value f gdl p­value f gdl p­valuea 1.4887 [11246, 11302] 1.0000 0.9893 [11246, 11303] 0.2838 0.7381 [11246, 11304] 0.0000

Diesel b 0.0000 0.5676 0.0000sd = 8.702748 c 0.0000 0.7162 1.0000

a 1.6716 [11246, 11302] 1.0000 1.3389 [11246, 11303] 1.0000 0.8801 [11246, 11304] 0.0000Diesel b 0.0000 0.0000 0.0000sd= 5.534255 c 0.0000 0.0000 1.0000

Ecuación 2Gasolina 93 (sd= 4.280543) Gasolina 95 (sd= 4.782769) Gasolina 97 (sd= 5.899082)

Ecuación 1Gasolina 93 (sd=7.132645) Gasolina 95 (sd= 8.74972) Gasolina 97 (sd= 10.13005)

46

Figura 2.H0

1020

3040

500

1020

3040

500

1020

3040

500

1020

3040

50

­15 ­10 ­5 0 5 10 15

­15 ­10 ­5 0 5 10 15 ­15 ­10 ­5 0 5 10 15 ­15 ­10 ­5 0 5 10 15 ­15 ­10 ­5 0 5 10 15

1.A: P = ­9 en periodo t­1 1.B: P = ­8 en periodo t­1 1.C: P = ­7 en periodo t­1 1.D: P = ­6 en periodo t­1 1.E: P = ­5 en periodo t­1

1.F: P = ­4 en periodo t­1 1.G: P = ­3 en periodo t­1 1.H: P = ­2 en periodo t­1 1.I: P = ­1 en periodo t­1 1.J: P = 0 en periodo t­1

1.K: P = 1 en periodo t­1 1.L: P = 2 en periodo t­1 1.M: P = 3 en periodo t­1 1.N: P = 4 en periodo t­1 1.O: P = 5 en periodo t­1

1.P: P = 6 en periodo t­1 1.Q: P = 7 en periodo t­1 1.R: P = 8 en periodo t­1 1.S: P = 9 en periodo t­1

Perc

ent

Precio en el periodo actual (t)

Figura 1: Matriz Empírica de Transición Markoviana en un PeriodoEcuación 1 Type=6

47

Figura 2.I0

1020

3040

500

1020

3040

500

1020

3040

500

1020

3040

50

­15 ­10 ­5 0 5 10 15

­15 ­10 ­5 0 5 10 15 ­15 ­10 ­5 0 5 10 15 ­15 ­10 ­5 0 5 10 15 ­15 ­10 ­5 0 5 10 15

1.A: P = ­9 en periodo t­1 1.B: P = ­8 en periodo t­1 1.C: P = ­7 en periodo t­1 1.D: P = ­6 en periodo t­1 1.E: P = ­5 en periodo t­1

1.F: P = ­4 en periodo t­1 1.G: P = ­3 en periodo t­1 1.H: P = ­2 en periodo t­1 1.I: P = ­1 en periodo t­1 1.J: P = 0 en periodo t­1

1.K: P = 1 en periodo t­1 1.L: P = 2 en periodo t­1 1.M: P = 3 en periodo t­1 1.N: P = 4 en periodo t­1 1.O: P = 5 en periodo t­1

1.P: P = 6 en periodo t­1 1.Q: P = 7 en periodo t­1 1.R: P = 8 en periodo t­1 1.S: P = 9 en periodo t­1

Perc

ent

Precio en el periodo actual (t)

Figura 1: Matriz Empírica de Transición Markoviana en un PeriodoEcuación 1 Type=7

48

Figura 2.J0

1020

3040

500

1020

3040

500

1020

3040

500

1020

3040

50

­15 ­10 ­5 0 5 10 15

­15 ­10 ­5 0 5 10 15 ­15 ­10 ­5 0 5 10 15 ­15 ­10 ­5 0 5 10 15 ­15 ­10 ­5 0 5 10 15

1.A: P = ­9 en periodo t­1 1.B: P = ­8 en periodo t­1 1.C: P = ­7 en periodo t­1 1.D: P = ­6 en periodo t­1 1.E: P = ­5 en periodo t­1

1.F: P = ­4 en periodo t­1 1.G: P = ­3 en periodo t­1 1.H: P = ­2 en periodo t­1 1.I: P = ­1 en periodo t­1 1.J: P = 0 en periodo t­1

1.K: P = 1 en periodo t­1 1.L: P = 2 en periodo t­1 1.M: P = 3 en periodo t­1 1.N: P = 4 en periodo t­1 1.O: P = 5 en periodo t­1

1.P: P = 6 en periodo t­1 1.Q: P = 7 en periodo t­1 1.R: P = 8 en periodo t­1 1.S: P = 9 en periodo t­1

Perc

ent

Precio en el periodo actual (t)

Figura 1: Matriz Empírica de Transición Markoviana en un PeriodoEcuación 1 Type=8

49

Figura 2.K0

1020

3040

500

1020

3040

500

1020

3040

500

1020

3040

50

­15 ­10 ­5 0 5 10 15

­15 ­10 ­5 0 5 10 15 ­15 ­10 ­5 0 5 10 15 ­15 ­10 ­5 0 5 10 15 ­15 ­10 ­5 0 5 10 15

2.A: P = ­9 en periodo t­1 2.B: P = ­8 en periodo t­1 2.C: P = ­7 en periodo t­1 2.D: P = ­6 en periodo t­1 2.E: P = ­5 en periodo t­1

2.F: P = ­4 en periodo t­1 2.G: P = ­3 en periodo t­1 2.H: P = ­2 en periodo t­1 2.I: P = ­1 en periodo t­1 2.J: P = 0 en periodo t­1

2.K: P = 1 en periodo t­1 2.L: P = 2 en periodo t­1 2.M: P = 3 en periodo t­1 2.N: P = 4 en periodo t­1 2.O: P = 5 en periodo t­1

2.P: P = 6 en periodo t­1 2.Q: P = 7 en periodo t­1 2.R: P = 8 en periodo t­1 2.S: P = 9 en periodo t­1

Perc

ent

Precio en el periodo actual (t)

Figura 2: Matriz Empírica de Transición Markoviana en un PeriodoEcuación 2 Type=7

50

Figura 2.L0

1020

3040

500

1020

3040

500

1020

3040

500

1020

3040

50

­15 ­10 ­5 0 5 10 15

­15 ­10 ­5 0 5 10 15 ­15 ­10 ­5 0 5 10 15 ­15 ­10 ­5 0 5 10 15 ­15 ­10 ­5 0 5 10 15

2.A: P = ­9 en periodo t­1 2.B: P = ­8 en periodo t­1 2.C: P = ­7 en periodo t­1 2.D: P = ­6 en periodo t­1 2.E: P = ­5 en periodo t­1

2.F: P = ­4 en periodo t­1 2.G: P = ­3 en periodo t­1 2.H: P = ­2 en periodo t­1 2.I: P = ­1 en periodo t­1 2.J: P = 0 en periodo t­1

2.K: P = 1 en periodo t­1 2.L: P = 2 en periodo t­1 2.M: P = 3 en periodo t­1 2.N: P = 4 en periodo t­1 2.O: P = 5 en periodo t­1

2.P: P = 6 en periodo t­1 2.Q: P = 7 en periodo t­1 2.R: P = 8 en periodo t­1 2.S: P = 9 en periodo t­1

Perc

ent

Precio en el periodo actual (t)

Figura 2: Matriz Empírica de Transición Markoviana en un PeriodoEcuación 2 Type=8

51

Figura 2.M0

1020

3040

500

1020

3040

500

1020

3040

500

1020

3040

50

­15 ­10 ­5 0 5 10 15

­15 ­10 ­5 0 5 10 15 ­15 ­10 ­5 0 5 10 15 ­15 ­10 ­5 0 5 10 15 ­15 ­10 ­5 0 5 10 15

2.A: P = ­9 en periodo t­1 2.B: P = ­8 en periodo t­1 2.C: P = ­7 en periodo t­1 2.D: P = ­6 en periodo t­1 2.E: P = ­5 en periodo t­1

2.F: P = ­4 en periodo t­1 2.G: P = ­3 en periodo t­1 2.H: P = ­2 en periodo t­1 2.I: P = ­1 en periodo t­1 2.J: P = 0 en periodo t­1

2.K: P = 1 en periodo t­1 2.L: P = 2 en periodo t­1 2.M: P = 3 en periodo t­1 2.N: P = 4 en periodo t­1 2.O: P = 5 en periodo t­1

2.P: P = 6 en periodo t­1 2.Q: P = 7 en periodo t­1 2.R: P = 8 en periodo t­1 2.S: P = 9 en periodo t­1

Perc

ent

Precio en el periodo actual (t)

Figura 2: Matriz Empírica de Transición Markoviana en un PeriodoEcuación 2 Type=9

52

Figura 2.N0

1020

3040

500

1020

3040

500

1020

3040

500

1020

3040

50

­15 ­10 ­5 0 5 10 15

­15 ­10 ­5 0 5 10 15 ­15 ­10 ­5 0 5 10 15 ­15 ­10 ­5 0 5 10 15 ­15 ­10 ­5 0 5 10 15

3.A: P = ­9 en periodo t­1 3.B: P = ­8 en periodo t­1 3.C: P = ­7 en periodo t­1 3.D: P = ­6 en periodo t­1 3.E: P = ­5 en periodo t­1

3.F: P = ­4 en periodo t­1 3.G: P = ­3 en periodo t­1 3.H: P = ­2 en periodo t­1 3.I: P = ­1 en periodo t­1 3.J: P = 0 en periodo t­1

3.K: P = 1 en periodo t­1 3.L: P = 2 en periodo t­1 3.M: P = 3 en periodo t­1 3.N: P = 4 en periodo t­1 3.O: P = 5 en periodo t­1

3.P: P = 6 en periodo t­1 3.Q: P = 7 en periodo t­1 3.R: P = 8 en periodo t­1 3.S: P = 9 en periodo t­1

Perc

ent

Precio en el periodo actual (t)

Figura 3: Matriz Empírica de Transición Markoviana en un PeriodoEcuación 3 Type=6

53

Figura 2.O0

1020

3040

500

1020

3040

500

1020

3040

500

1020

3040

50

­15 ­10 ­5 0 5 10 15

­15 ­10 ­5 0 5 10 15 ­15 ­10 ­5 0 5 10 15 ­15 ­10 ­5 0 5 10 15 ­15 ­10 ­5 0 5 10 15

3.A: P = ­9 en periodo t­1 3.B: P = ­8 en periodo t­1 3.C: P = ­7 en periodo t­1 3.D: P = ­6 en periodo t­1 3.E: P = ­5 en periodo t­1

3.F: P = ­4 en periodo t­1 3.G: P = ­3 en periodo t­1 3.H: P = ­2 en periodo t­1 3.I: P = ­1 en periodo t­1 3.J: P = 0 en periodo t­1

3.K: P = 1 en periodo t­1 3.L: P = 2 en periodo t­1 3.M: P = 3 en periodo t­1 3.N: P = 4 en periodo t­1 3.O: P = 5 en periodo t­1

3.P: P = 6 en periodo t­1 3.Q: P = 7 en periodo t­1 3.R: P = 8 en periodo t­1 3.S: P = 9 en periodo t­1

Perc

ent

Precio en el periodo actual (t)

Figura 3: Matriz Empírica de Transición Markoviana en un PeriodoEcuación 3 Type=7

54

Figura 2.P0

1020

3040

500

1020

3040

500

1020

3040

500

1020

3040

50

­15 ­10 ­5 0 5 10 15

­15 ­10 ­5 0 5 10 15 ­15 ­10 ­5 0 5 10 15 ­15 ­10 ­5 0 5 10 15 ­15 ­10 ­5 0 5 10 15

3.A: P = ­9 en periodo t­1 3.B: P = ­8 en periodo t­1 3.C: P = ­7 en periodo t­1 3.D: P = ­6 en periodo t­1 3.E: P = ­5 en periodo t­1

3.F: P = ­4 en periodo t­1 3.G: P = ­3 en periodo t­1 3.H: P = ­2 en periodo t­1 3.I: P = ­1 en periodo t­1 3.J: P = 0 en periodo t­1

3.K: P = 1 en periodo t­1 3.L: P = 2 en periodo t­1 3.M: P = 3 en periodo t­1 3.N: P = 4 en periodo t­1 3.O: P = 5 en periodo t­1

3.P: P = 6 en periodo t­1 3.Q: P = 7 en periodo t­1 3.R: P = 8 en periodo t­1 3.S: P = 9 en periodo t­1

Perc

ent

Precio en el periodo actual (t)

Figura 3: Matriz Empírica de Transición Markoviana en un PeriodoEcuación 3 Type=8

55

Tabla 2.P

a 1.5494 [11246, 11302] 1.0000 1.4292 [11246, 11303] 1.0000 1.0258 [11246, 11304] 0.9122Diesel b 0.0000 0.0000 0.1757sd= 4.824441 c 0.0000 0.0000 0.0878Nota: H0: ratio=sd(diesel)/sd(gasolinaXX)=1. a) H1: ratio<1. b) H1: ratio!=1. c) H1: ratio>1.

Ecuación 3Gasolina 93 (sd= 3.875799) Gasolina 95 (sd= 4.035567) Gasolina 97 (sd= 4.763301)

Tabla 2.R

a 1.676 [11246, 11302] 1.0000 1.3414 [11246, 11303] 1.0000 0.8807 [11246, 11304] 0.0000Diesel b 0.0000 0.0000 0.0000sd= 5.573021 c 0.0000 0.0000 1.0000Nota: H0: ratio=sd(diesel)/sd(gasolinaXX)=1. a) H1: ratio<1. b) H1: ratio!=1. c) H1: ratio>1.

Ecuación bajo GLSGasolina 93 (sd= 4.30483) Gasolina 95 (sd= 4.811859) Gasolina 97 (sd= 5.938615)

56

Figura 3.A

020

4060

020

4060

0 .1 .2 .3 .4 0 .1 .2 .3 .4

93 95

97 Diesel

Estaciones Vecinas Estaciones Vecinas

Estaciones Vecinas Estaciones Vecinas

Percentnormal r1

Perc

ent

(mean) r1

Graphs by Tipo de Bencina: 93, 95, 97 y Diesel

57

Figura 3.B

020

4060

020

4060

0 .5 1 0 .5 1

93 95

97 Diesel

Estaciones Cercanas Estaciones Cercanas

Estaciones Cercanas Estaciones Cercanas

Percentnormal r1

Perc

ent

(mean) r1

Graphs by Tipo de Bencina: 93, 95, 97 y Diesel

58

Tabla 3.C

Tipo de Combustible Ha D p­value D p­value

1 0.1667 0.607 0.1111 0.717Gasolina 93 2 ­0.3333 0.135 ­0.148 0.553

KS 0.3333 0.27 0.1481 0.9281 0.1667 0.607 0.1111 0.717

Gasolina 95 2 ­0.1111 0.801 ­0.333 0.05KS 0.1667 0.964 0.3333 0.11 0.1667 0.607 0.2963 0.093

Gasolina 97 2 ­0.1667 0.607 ­0.148 0.553KS 0.1667 0.964 0.2963 0.1871 0.1667 0.607 0.2963 0.093

Diesel 2 ­0.1111 0.801 ­0.111 0.717KS 0.1667 0.964 0.2963 0.187

Ho:F1=F2 donde 1:Estaciones Vecinas y 2:Estaciones Cercanas1) Ha:F1>F2  (2) Ha: F1 < F2 (KS) Ha: F1 != F2

Estaciones vecinas Estaciones cercanas

59

References

Bacon, R. 1991. "Rockets and feathers: the asymmetric speed of adjustment of UK retailgasoline prices to cost changes". Energy Economics. Volume 13, Issue 3, July 1991, Pages211-218

Balmaceda, F y Soruco, P. 2006. "Asimetría en la respuesta de los precios de la gasolina enChile". Cap 3 en "La Industria de los Combustibles Líquidos: El Caso de Chile". Arellanoy Valdés (eds.). Ediciones Universidad Católica de Chile.

Balmaceda, F y Soruco, P. 2008. "Asymmetric dynamic pricing in a local gasoline retail mar-ket". The Journal of Industrial Economics. Vol. LVI. No. 3. September 2008. pp 629-653.

Barron, J. Taylor, B. y Umbeck, J. 2004. "Number of sellers, average prices and price disper-sion". International Journal of Industrial Organization Vol 22. pp. 1041 - 1066.

Baye, M y Morgan, J. 2004. "Price dispersion in the lab and on the internet: theory andevidence ". The RAND Journal of Economics, Vol. 35, No. 3 (Autumn, 2004), pp. 449-466

Borenstein, S. 1991. "Selling costs and switching costs: explaining retail gasoline margins".The RAND Journal of Economics. Vol. 22. No.3 Autumn 1991, pp 354-369.

Borenstein, S. y Rose, N. 1994. "Competition and price dispersion in the US airline industry".The Journal of Political Economy, Vol. 102, No. 4 (Aug., 1994), pp. 653-683

Borenstein, S. y Shepard, A. 1996. "Dynamic pricing in retail gasoline markets". The RANDJournal of Economics, Vol. 27, No. 3. (Autumn, 1996), pp. 429-451.

Borenstein, S. Colin Cameron, A y Gilbert, R. 1997. "Do gasoline prices respond asymmet-rically to crude oli price changes". The Quarterly Journal of Economics, Vol. 112, No. 1(Feb., 1997), pp. 305-339

Brynjolfsson, E. y Smith, M. 2000. "Frictionless commerce? A comparison of internet and con-ventional retailers". Management Science, Vol. 46, No. 4, Information Technology IndustryApril 2000. pp 563-585.

Carlson, J y McAfee, R. 1983. "Discrete equilibrium price dispersion". Journal of PoliticalEconomy. 1983, vol. 91, no. 3, pp 480-493.

Chandra, A. y Tappata, M. 2008. "Consumer search and dynamic price dispersion. An appli-cation to gasoline markets". Mimeo. June 2008.

Dahlby, B. y West, D. 1986. "Price dispersion in an automobile insurance market". Journal ofPolitical Economy, 1986, vol. 94, no.2. pp 418-438.

Deltas, G. 2008. "Retail gasoline price dynamics and local market power". The Journal ofIndustrial Economics. Volume LVI., September 2008. No.3.

Eckert, A y West, D. 2005. "Price uniformity and competition in a retail gasoline market".Journal of Economic Behavior y Organization. Vol. 56. pp. 219-237. 2005.

Gómez-Lobo, A. y Córdova, F. 2006. "Los precios de los combustibles líquidos a lo largo delpaís: posibles explicaciones". Cap 5 en "La Industria de los Combustibles Líquidos: El Casode Chile". Arellano y Valdés (eds.). Ediciones Universidad Católica de Chile.

Hofstetter, M y Tovar, J. 2008. "Ajuste asimétrico de precios bajo costos siempre crecientes:Evidencia del mercado minorista de gasolina en Colombia". Mimeo.

Hosken, Daniel S. y McMillan, Robert S. y Taylor, Christopher T., 2008. "Retail gasolinepricing: What do we know?," International Journal of Industrial Organization, Elsevier,vol. 26(6), pp 1425-1436, November.

Johnson, R. 2002. "Search costs, lags and prices at the pump". Review of Industrial Organi-zation, 20. pp. 33-50, 2002.

Lewis, M. 2008. "Price dispersion and competition with di¤erentiated sellers". The Journal ofIndustrial Economics. Volume LVI, September 2008. No.3.

60

Lewis, M. 2004. "Asymmetric price adjustment and consumer search: an examination of theretail gasoline market". Working paper. September 1, 2004.

Livingstone, M. y Levitt, T. 1957. "Competition and retail gasoline prices". The Review ofEconomics and Statistics, Vol. 41, No. 2, Part 1 (May, 1959), pp. 119-132.

Marvel, H. 1976. "The economics of information and retail gasoline price behavior: An empiricalAnalysis". Journal of Political Economy, 1976, vol. 84, no. 5, pp. 1033-1060.

Marvel, H. 1978. "Competition and price levels in the retail gasoline market". The Review ofEconomics and Statistics, Vol. 60, No. 2. April, 1978. pp 252-258.

Rothschild, M. 1973. "Models of market organization with imperfect information: a survey".The Journal of Political Economy, Vol. 81, No. 6 (Nov. - Dec., 1973), pp. 1283-1308

Salop, S. 1977. "The Noisy Monopolist: Imperfect Information, Price Dispersion and PriceDiscrimination". The Review of Economic Studies, Vol. 44, No. 3 (Oct., 1977), pp. 393-406.

Salop, S. y Stiglitz, J. "Bargains and Ripo¤s: A Model of Monopolistically Competitive PriceDispersion". The Review of Economic Studies, Vol. 44, No. 3 (Oct., 1977), pp. 493-510

Sorensen, A. 2000. "Equilibrium price dispersion in retail markets for prescription drugs," Jour-nal of Political Economy, University of Chicago Press, vol. 108(4), pages 833-862, August.

Stigler, G. 1961. "The economics of information". The Journal of Political Economy, Vol. 69,No. 3 (Jun., 1961), pp. 213-225

Varian, Hal R. 1980. "A model of sales". The American Economic Review, Vol. 70, No. 4 (Sep.,1980), pp. 651-659

Walsh, P. y Whelan, C. 1999. "Modelling price dispersion as an outcome of competition in theirish grocery market". The Journal of Industrial Economics, Vol. XLVII, No. 3, September1999. pp. 325-343

61