Designing
Inclusive Offerings

设计包容性供给：理论建模、几何算法界与商业实证

Designing Inclusive Offerings

论文元数据维度	详细著录与索引信息
论文原名	Designing Inclusive Offerings
作者信息	Retsef Levi (MIT Sloan), Elisabeth Paulson (Harvard Business School), Georgia Perakis (MIT Sloan)
发表期刊	Management Science, Vol. 72, No. 8, August 2026, pp. 7338–7357
出版时间	Online: Nov 26, 2025; Formal Issue: Aug 2026; Accepted: Jul 3, 2025; Received: Jul 3, 2024
DOI 索引	https://doi.org/10.1287/mnsc.2024.06742
JEL 分类号	M11 (生产与运营管理), M31 (市场营销与产品线设计), C61 (优化技术与数学规划), D63 (社会公平与分配正义测度), L23 (生产与供给组织)
核心关键词	Product Line Design (产品线设计), Assortment Optimization (品类优化), Inclusivity (包容性), Fairness in Service Operations (服务公平性), Geometric Set Covering (几何集合覆盖)

【执行摘要与核心主旨】 【导读与权威全景总结】在美妆、时尚服饰、医疗健康等诸多现代消费与服务行业中，“包容性”（Inclusivity）——即确保具有异质性特征的所有群体均能平等获取并受益于产品与服务——已成为商业战略与社会责任的核心关切。然而，长期以来，主流产品线设计（Product Line Design, PLD）与品类优化（Assortment Optimization）文献均以企业利润最大化为单一目标函数，严重缺乏对“包容性”的公理化数学定义、连续度量衡与最优设计方法论。本研究填补了这一重大理论与实践鸿沟。作者首次建立了从连续多维特征空间设计包容性供给的数学框架，提出了“适切性供给”（Suitable Offering）公理，并构造了“特征覆盖百分比”（PCC）与“人群覆盖百分比”（PPC）两项连续测度。针对包容性导向供给设计问题（I-ODP），证明其在一般情形下为 NP-hard，并基于几何集合覆盖理论提出了高维矩形密铺法、二维最优六边形密铺法与大规模整数规划（ILP）求解算法；针对利润导向供给设计问题（P-ODP/S-ODP），推导了最优供给密度的闭式解，首次揭示出人群异质性/多样性（方差）与商业供给包容性之间存在非单调的倒U型/多峰关系，并严格推导了施加包容性约束时的“包容性代价”（Price of Inclusivity）衰减界限。最后，论文基于 Sephora 平台上 11 家头部美妆品牌的粉底色号数据与 CIELAB 三维颜色感知空间开展实证，证实色号数量与包容性之间不存在统计显著相关性（相关系数仅 0.339），揭示了深肤色与极端底色人群被市场边缘化的系统性现状，并通过优化模型证明仅需 37 个精心设计的色号即可实现 100% 全面覆盖，少于 11 家品牌中 8 家的实际在售色号数。

第一章：全文宏观总结与核心学术贡献

1.1 研究背景与问题提出

在现代服务运营与消费品市场中，定制化（Customization）、个性化（Personalization）与品类多样性（Variety）已成为企业建立差异化竞争优势、吸引新客户、提升满意度与培养品牌忠诚度的核心手段（Huang et al. 2018）。从消费者视角来看，基于个体异质性特征量身定制产品与服务干预（统称为供给，Offerings），能够有效缩短实际产品与消费者“理想点”（Ideal Point）之间的心理或物理距离，从而显著提高消费者剩余与福利水平（Çil and Pangburn 2017, Alptekinoğlu and Örsdemir 2022）。从宏观社会与公共政策视角来看，多样性与个性化的提升更为推进“包容性供给”（Inclusive Offerings）提供了坚实的物理基础。

波士顿咨询集团（Boston Consulting Group, 2023）将包容性产品定义为：“在设计、营销与分销全流程中充分考虑公平性，使不同种族、性别、性别认同及身体能力的用户均能获得同等效用与收益的产品、服务或理念”。在美妆行业，蕾哈娜（Rihanna）创立的 Fenty Beauty 于 2017 年横空出世推出 40 款粉底色号，被《时代》周刊评为年度 25 大最佳发明之一，引发了席卷全球美妆产业的“包容性革命”（Strike Magazines 2023）；Lady Gaga 的 Haus Labs 则将“永远的善意与包容”确立为品牌基石；在时尚服装领域，H&M 等国际快时尚品牌相继推出面向大码人群的“曲线牛仔系列”（Curvy Denim Collection），《Vogue Business》甚至设立了定期的“体型包容性指数报告”（Size Inclusivity Reports）。

然而，尽管“包容性”概念在产业界声浪斐然，但在管理科学、运筹学与营销学的学术殿堂中，却长期存在严重的理论缺位：首先，现有的产品线设计（Product Line Design, PLD）与品类优化（Assortment Optimization）文献几乎全部建立在企业期望利润最大化的单一目标之下，缺乏对“包容性”的公理化数学定义；其次，产业界普遍存在一种简单粗暴的认知误区，即认为“品类越多（SKU越多）就等于越包容”，缺乏评估现有产品组合包容性水平的严谨量化工具；再次，当企业以利润为导向进行自由决策时，市场机制能否自发催生包容性？人群多样性（人口特征分布方差）的扩大会自然诱导更包容的产品线吗？如果政府或企业主动施加包容性约束，企业需要付出多大的利润代价（Price of Inclusivity）？针对上述重大理论与现实课题，本文首次构建了包容性供给设计的数理理论大厦。

1.2 四大核心学术贡献

本文的学术贡献跨越理论建模、运筹算法、机理发现与产业实证四大维度，具体体现为以下四个方面：

【理论首创：包容性供给设计的数学形式化体系】 本文首次在管理科学领域对“包容性供给”给出了严格的公理化数学定义。模型将产品定义为连续多维特征空间 $\mathcal{D} = \lbrack 0,1\rbrack^{d}$ 中的点，消费者异质性偏好由满足平移同质性与拟凸性的响应函数 $y(x|x^{*})$ 刻画，并引入外生适切性阈值 $\tau$。在此基础上，创新性地提出了两大连续包容性度量：依赖于人口空间分布密度的“人群覆盖百分比”（Percentage of Population Covered, PPC）与独立于人口分布的“特征覆盖百分比”（Percentage of Characteristics Covered, PCC），为规范性政策分析与实证审计奠定了测度基石。

【算法突破：品类多样性与几何集合覆盖的理论界限】 论文证明了包容性导向供给设计问题（I-ODP）在一般响应函数下是 NP-hard 的。基于响应函数的拟凸水平集几何性质，作者将该问题与连续几何集合覆盖（Geometric Set Covering）建立深刻映射。构造性地提出了基于超矩形划分的“均匀分段法”（EVEN SEGMENTATION，在一维下证明为严格全局最优，在高维下给出封闭解析上界）、二维空间下的“最优六边形密铺法”（HEXAGONAL TILING），以及结合区域收缩与拉格朗日松弛的大规模整数规划（ILP）精确求解框架。

【机理发现：人群异质性与包容性的非单调规律及包容性代价】 针对纯追求利润最大化的厂商问题（P-ODP/S-ODP），推导了最优连续供给密度 $\psi^{*}(x)$ 的解析解，识别出厂商进入某一细分市场的临界人口密度阈值 $r = \frac{c\psi^{\tau}}{P\overline{y}(\psi^{\tau})}$。在理论上颠覆了传统直觉，首次证明人群特征方差（多样性）的增加与供给包容性之间存在非单调（倒U型或多峰）关系：当方差过大时，人口在空间上过度稀释导致长尾人群密度跌破临界阈值 $r$，反而加剧市场排斥！同时，严格推导了施加包容性约束时的“包容性代价”（Price of Inclusivity）上界，证明其随人口总规模 $P$ 的扩大呈超线性迅速衰减，为政府实施适度包容性补贴提供了强有力的政策理论支撑。

【产业实证：颠覆性重构美妆产业的包容性实践】 论文将理论方法应用于 Sephora 平台 11 家头部美妆品牌粉底色号的实证研究。通过在三维 CIELAB 色彩空间中重构连续肤色特征域，实证揭示出品牌色号数量与包容性之间不存在统计显著相关性（相关系数仅 0.339, p > 0.1）；定量指出了当前美妆市场普遍忽视深肤色（低 $L$）与偏冷/暖极端底色群体的结构性缺陷；更为重要的是，利用本文开发的 ILP 算法，证明仅需 37 个科学规划的色号即可实现 100% 完全特征覆盖，少于市场上大多数在售品牌的色号规模，展示了运筹优化在赋能商业向善与降本增效方面的巨大威力。

第二章：文献综述与理论渊源

本文位于管理科学、运筹优化、市场营销与社会公平的交叉前沿。为了清晰界定本研究的理论坐标，下文对四大密切相关的经典与前沿文献流派进行系统梳理与比较。

2.1 服务运营与资源分配中的公平性理论

公平性（Fairness）与包容性（Inclusivity）在概念上同气连枝，均源于对弱势群体权益保障与分配正义的追求。在运筹学与管理科学中，公平性资源分配理论可追溯至 Rawls（2009）的最大最小公平（Max-Min Fairness）哲学以及 Nash 谈判公理（Yaari and Bar-Hillel 1984, Bansal and Sviridenko 2006）。Bertsimas et al. (2011, 2012) 奠定了“公平性代价”（Price of Fairness）的严谨数学体系，定量刻画了系统在引入公平性约束后相对于纯功利主义（Utilitarian）效率最大化目标的福利损失。在具体服务运营场景中，公平性已被广泛应用于收益管理与动态定价（Eyster et al. 2020, Cohen et al. 2022）、双边平台调度（Nanda et al. 2020）、排队系统优先权设计（Wierman 2011, Sandmann 2013）、医疗放射科与手术室排程（Baum et al. 2014, Mulvany and Randhawa 2021）以及机场时刻分配（Fairbrother et al. 2020）。近期，Chen et al. (2022) 提出了公平品类规划（Fair Assortment Planning），旨在确保各供给方产品在展示位上获得公平曝光。与现有文献的核心差异：上述文献均假定待分配的资源或待展示的产品是外生给定的离散集合，研究重点在于静态或动态分配机制；而本文首次将公平性与包容性内生化于**产品与服务本身的设计源头（Resource/Product Design）**，探讨如何在连续多维空间中创造出具有包容性的供给矩阵。

2.2 水平差异化产品线设计与大规模定制

产品线设计（Product Line Design, PLD）是市场营销与运作管理的核心支柱。自 Green and Krieger (1985) 的开创性研究以来，大量学者致力于在离散属性空间中选择最优产品组合以最大化厂商利润（Dobson and Kalish 1988, 1993; Kohli and Sukumar 1990; Belloni et al. 2008; Wang et al. 2009）。后续拓展进一步融合了联合定价（Kraus and Yano 2003）、库存决策（Ryzin and Mahajan 1999）、绿色环保设计（Chen 2001）、消费者有限理性认知（Guo and Zhang 2012）以及分布鲁棒优化（Bertsimas and Mišić 2017）。在品类多样性（Product Variety）与大规模定制（Mass Customization）领域，Lancaster (1990) 与 Ramdas (2003) 综述了多样性对市场扩张与运营复杂度的双刃剑效应；Mendelson and Parlaktürk (2008)、Çil and Pangburn (2017)、Zhang and Zheng (2021) 以及 Alptekinoğlu and Örsdemir (2022) 在一维 Hotelling 线段上探讨了定制区间与离散产品线的竞争均衡，其消费者效用函数通常简化为负绝对距离 $- |x - x^{*}|$。与现有文献的核心差异：传统 PLD 与定制化文献均以利润为唯一导向，从未考虑过完全覆盖弱势人群的“包容性约束”；在模型结构上，本文突破了一维线段与简单线性距离的局限，建立了支持任意 $d$ 维连续特征域及拟凸响应函数的通用分析框架。

2.3 几何集合覆盖理论与计算复杂性

集合覆盖问题（Set Covering Problem, SCP）是运筹学与理论计算机科学中最经典的 NP-hard 难题之一（Garey and Johnson 1979）。几何集合覆盖（Geometric Set Cover）作为其特例，旨在用给定几何形状（如圆盘、超矩形、凸多边形）的平移或缩放集合覆盖目标连续空间域（Hochbaum and Maass 1985, Agarwal and Pan 2014）。经典的 Kershner (1939) 定理证明了在二维欧氏平面中，正六边形密铺（Hexagonal Tiling）是用圆盘覆盖单位面积的最优构型；Galiev and Karpova (2010) 与 Stoyan et al. (2011) 拓展了多边形与矩形覆盖算法；在离散近似与连续优化算法方面，Brönnimann and Goodrich (1995)、Ceria et al. (1998)、Caprara et al. (2000)、Krieg et al. (2022) 以及 Pelegrín and Xu (2023) 开发了半无限规划松弛与拉格朗日启发式。本文的理论融合：本文巧妙地将包容性产品线设计（I-ODP）在数学本质上转化为连续几何集合覆盖问题，利用响应函数的水平集形状构造出超矩形与六边形几何密铺解析界，实现了管理科学与离散几何学的深度交叉。

2.4 设施选址覆盖模型与k-中心问题

在空间选址理论中，选址集合覆盖问题（Location Set Covering Problem, LSCP；Toregas et al. 1971, Schilling et al. 1979）旨在以最少的设施数量全覆盖给定的离散需求节点，广泛应用于消防站、救护车与应急物资储备库选址（García and Marín 2015, Li et al. 2018）。与之对偶的 $k$-中心问题（$k$-Center Problem；Kariv and Hakimi 1979, Megiddo and Supowit 1984）则是在给定 $k$ 个设施的预算约束下，最小化任意需求点到其最近设施的最大服务距离。与选址理论的本质区别：经典 $k$-中心问题的最大服务距离是由设施数量内生决定的优化目标，而本文的包容性设计中，适切性阈值 $\tau$（即最大允许服务半径）是由行业标准、生理感知极限或监管政策外生给定的硬性红线，企业的目标是在满足该公理化阈值的前提下最小化品类复杂度或最大化经济效益。

第三章：数理模型建立全景解析

本章将系统呈现论文的微观数理模型架构。我们将从产品特征空间、消费者响应效用函数、核心公理化假设、总体分布特征、适切性阈值、包容性的四大陆续定义，直至两类不同属性服务提供商的优化问题进行递进式严格推导。

3.1 特征空间与产品定义

考虑一个服务提供商（如美妆品牌、服装制造商、医疗健康机构或公共政策制定者），需要设计并向目标用户群体提供一组离散供给（Offerings）。供给之间具有水平差异化（Horizontally Differentiated）特征。假定存在 $d$ 个连续特征维度（如颜色深浅、色调饱和度、化学成分比例、服装版型尺寸、药物剂量配比等），用户在这些特征维度上具有异质性偏好。不失一般性，对每个特征维度进行标准化处理，使其取值范围落入单位区间 $\lbrack 0,1\rbrack$。因此，整个特征空间（Feature Domain）定义为 $d$ 维单位超立方体：

$$\mathcal{D \triangleq}\lbrack 0,1\rbrack^{d}$$

单个具体供给定义为特征域 $\mathcal{D}$ 中的一个确定点，记为 $\gamma \in \mathcal{D}$。一个包含 $G$ 个候选供给的产品线集合（Offering Set）记为：

$$\Gamma \triangleq \{\gamma_{1},\gamma_{2},\ldots,\gamma_{G}\},\gamma_{g}\mathcal{\in D,\forall}g \in \lbrack G\rbrack \triangleq \{ 1,\ldots,G\}$$

其中，集合基数 $G = |\Gamma|$ 代表了供给的多样性程度（Variety）。对于完全无差异的大众化单一供给，有 $G = 1$；对于高度细分或定制化供给，有 $G > 1$。

3.2 消费者偏好与响应函数

每个消费者个体拥有一种内在的生理或心理特征，对应于特征空间中的一个“理想供给”（Optimal Offering），记为 $x^{*}\mathcal{\in D}$。当消费者面对任意供给 $x \in \mathcal{D}$ 时，其获得的效用或生理响应值由响应函数（Response Function）决定，记为 $y(x|x^{*}\mathcal{):D}\mathbb{\rightarrow R}$。显然，当供给完全契合其理想特征时，响应值达到全局最大：

$$x^{*} \in arg\max_{x \in \mathcal{D}}y(x|x^{*})$$

为了使连续空间中的数理建模兼具现实普适性与数学可处理性，论文提出了两条核心公理化假设。

3.3 公理化核心假设体系

【假设 1（平移同质性 Shift-Homogeneity）】 对于任意两个理想特征点 $x^{*},x^{*'}\mathcal{\in D}$ 以及任意位移向量 $z \in \mathbb{R}^{d}$，只要满足 $x^{*} + z \in \mathcal{D}$ 且 $x^{*'} + z \in \mathcal{D}$，则必有： $$y(x^{*} + z|x^{*}) = y(x^{*'} + z|x^{*'})$$

【经济学与几何内涵解析】假设 1 表明，尽管不同消费者的理想偏好中心 $x^{*}$ 各不相同，但他们对产品偏离理想点的“敏感度结构”（Sensitivity Profile）是同质的。换言之，响应函数 $y(x|x^{*})$ 的几何形态仅取决于相对位移向量 $x - x^{*}$，而与绝对位置 $x^{*}$ 无关。这保证了所有消费者在特征空间中具有各向同性或一致的距离衰减规律。

【假设 2（连续性与拟凸性 Continuity & Quasi-Convexity）】 对所有 $x^{*}\mathcal{\in D}$，响应函数 $y(x|x^{*})$ 关于供给向量 $x$ 是连续且拟凸（Quasi-Convex）的。

【数学严密性与水平集性质】在微观经济学中，拟凸性（在最大化效用语境下对应拟凹效用函数，此处 $y$ 定义为损失的相反数或效用值，满足拟凹/水平集拟凸）意味着对于任意常数 $\alpha\mathbb{\in R}$，其上水平集（Upper Level Set）是严格凸集（Convex Set）：

$$\mathcal{L}_{\alpha}(x^{*}) \triangleq \{ x \in \mathcal{D:}y(x|x^{*}) \geq \alpha\} 为凸集$$

几何上，这意味着当实际供给远离消费者的理想点 $x^{*}$ 时，响应值 $y(x|x^{*})$ 单调弱递减，且不存在多峰震荡。这是对 Hotelling 线性距离模型 $- |x - x^{*}|$ 及欧氏距离模型 $- \| x - x^{*}\|_{2}$ 的高度抽象与严格推广。

3.4 消费者总体特征分布与感知需求规模

设目标市场中的潜在消费者预期总规模为 $P > 0$。消费者群体的理想特征 $x^{*}$ 在特征域 $\mathcal{D}$ 上服从联合连续概率分布，其概率密度函数（Probability Density Function, PDF）记为 $f(x^{*})$，满足：

$$f(x^{*}) \geq 0,\int_{x^{*}\mathcal{\in D}}^{}{f(x^{*}){dx}^{*}} = 1$$

在服装产业中，$f(x^{*})$ 对应于经典的“尺码曲线”（Size Curve，Gabris 2016）；在美妆行业中，对应于目标市场人群的肤色与底色分布图谱。需要强调的是，$P$ 和 $f(x^{*})$ 代表了服务提供商在规划决策时所持有的感知先验分布。若企业低估了某一长尾边缘区域的人口密度，可能导致供给失衡；若高估则可能带来库存积压。

3.5 适切性阈值与截断效用函数

在现实商业与服务决策中，并非任何微小的效用都能促成消费交易或实现有效干预。例如，如果市场上没有与消费者肤色足够接近的粉底，消费者宁可选择不购买；如果服装尺码偏离过大，穿着极不合身，消费者将放弃选购；在临床医学中，抗凝药物华法林（Warfarin）的国际标准化比值（INR）必须落在 $\lbrack 2.0,3.0\rbrack$ 的临床有效区间内，超出此公差范围的剂量将失效甚至产生严重毒副作用（GlobalRPH 2015）。为此，模型引入外生给定的适切性阈值（Suitability Threshold），记为 $\tau$。

【定义 1（适切性供给与人群覆盖）】 对于理想特征为 $x^{*}$ 的消费者，如果供给 $\gamma \in \mathcal{D}$ 满足 $y(\gamma|x^{*}) \geq \tau$，则称该供给 $\gamma$ 是适切的（Suitable）。若产品线集合 $\Gamma$ 中存在至少一个适切供给使得 $\max_{\gamma \in \Gamma}y(\gamma|x^{*}) \geq \tau$，则称消费者 $x^{*}$ 被集合 $\Gamma$ 所覆盖（Covered）。

消费者面对供给集合 $\Gamma$ 时，其获得的实际感知效用遵循截断效用结构（Truncated Utility）：

$$\left\{ \begin{matrix} \max_{\gamma \in \Gamma}y(\gamma|x^{*}), & 若\ \max_{\gamma \in \Gamma}y(\gamma|x^{*}) \geq \tau \\ 0, & 若\ \max_{\gamma \in \Gamma}y(\gamma|x^{*}) < \tau \end{matrix} \right.\$$

3.6 包容性的四大严格数学定义

基于适切性概念，论文构建了包容性的完整公理化测度体系，涵盖离散（二元）与连续两大维度。

【定义 2（完全包容性供给集 Fully Inclusive Offering Set）】 设 $\gamma(x^{*}) \triangleq arg\max_{\gamma \in \Gamma}y(\gamma|x^{*})$ 为消费者 $x^{*}$ 在产品线 $\Gamma$ 中获得最佳响应的供给。若对特征域中的所有可能个体均满足 $y(\gamma(x^{*})|x^{*}) \geq \tau$，对$x^{*}\mathcal{\in D}$

其中，$\mathcal{C(}\gamma) \triangleq \{ x^{*}\mathcal{\in D:}y(\gamma|x^{*}) \geq \tau\}$ 定义为供给 $\gamma$ 在特征域中所能覆盖的有效适切区域。完全包容性体现了 Rawlsian 哲学中的最大最小正义原则（Max-Min Justice），确保社会中没有任何一个潜在个体因生理或身份特征而被系统性抛弃。

【定义 3（人群覆盖百分比 Percentage of Population Covered, PPC）】 给定供给集合 $\Gamma$，被适切覆盖的消费者占总体人口的期望比例定义为人群覆盖百分比（PPC）： $$PPC(\Gamma) \triangleq \int_{x^{*}\mathcal{\in D}}^{}{f(x^{*}\mathtt{)1\{}y(\gamma(x^{*})|x^{*}) \geq \tau\}{dx}^{*}}$$

【定义 4（特征覆盖百分比 Percentage of Characteristics Covered, PCC）】 给定供给集合 $\Gamma$，被适切覆盖的特征域体积占整个特征空间总体积的比例定义为特征覆盖百分比（PCC）： $$PCC(\Gamma) \triangleq \int_{x^{*}\mathcal{\in D}}^{}{\mathtt{1\{}y(\gamma(x^{*})|x^{*}) \geq \tau\}{dx}^{*}} = Vol\left( {bigcup}_{\gamma \in \Gamma}\mathcal{C(}\gamma) \cap \mathcal{D} \right)$$

【PPC 与 PCC 的深层理论比较与反例分析】为了深刻理解定义 3 与定义 4 的本质差异，考虑一维特征空间 $\mathcal{D} = \lbrack 0,1\rbrack$ 下的阶梯分布反例。设人口密度函数为：

$$\left\{ \begin{matrix} \xi, & 若\ x \in \lbrack 0,1/2\rbrack \\ 2 - \xi, & 若\ x \in \lbrack 1/2,1\rbrack \end{matrix} \right.\$$

设响应函数满足 $y(x|x^{*}) \geq \tau \Longleftrightarrow |x - x^{*}| \leq t$。假设厂商仅在右半区间布局供给 $\Gamma = \{ 1/2 + t,1/2 + 2t,\ldots,1\}$，从而完全覆盖了 $\lbrack 1/2,1\rbrack$，而完全放弃了 $\lbrack 0,1/2)$。根据定义 3，人群覆盖率为：

$PPC = \int_{1/2}^{1}{(2 - \xi)dx} = 1 - \frac{\xi}{2}$，当$\xi \rightarrow 0$时，该表达式趋近于1

而根据定义 4，特征覆盖率恒有：

$$PCC = \int_{1/2}^{1}{1dx} = 50\%(\forall\xi)$$

规范性启示：当主流人群高度聚集时，厂商只需提供极少的多样性即可实现高达 99% 的人群覆盖率（PPC），但此时近半数的少数特征群体被彻底剥夺了获得服务的权利（PCC 仅 50%）。因此，PCC 具有跨越人群分布的不变性（Distribution-Invariant），是衡量社会包容性与人权公平性的严格规范性指标；而 PPC 则反映了特定市场环境下的实际商业服务覆盖广度。

3.7 服务提供商决策目标的形式化构建

生产或维持每个独立 SKU 的固定成本记为 $c > 0$（包含研发模具、库存仓储位占用、上架陈列及供应链管理复杂度等）。根据企业价值导向的不同，论文构建了两类对偶决策模型：

1. 包容性导向供给设计问题（I-ODP）

对于公立医疗机构、政府公共服务部门或以社会包容为终极使命的企业，其首要目标是满足 100% 完全包容性硬约束，同时极小化固定运营成本：

$$I - ODP = \min_{G,\Gamma = \{\gamma_{1},\ldots,\gamma_{G}\}}cG\$$

$$s.t.\max_{g \in \lbrack G\rbrack}y(\gamma_{g}|x^{*}) \geq \tau,\forall x^{*}\mathcal{\in D}$$

2. 利润最大化供给设计问题（P-ODP）

对于纯粹追求商业利润的传统厂商，其目标是在消费者总响应效用与产品线固定成本之间实现最优权衡：

$$P - ODP = \max_{G,\Gamma = \{\gamma_{1},\ldots,\gamma_{G}\}}P\int_{x^{*}\mathcal{\in D}}^{}{f(x^{*})o(x^{*}\mathtt{)1\{}o(x^{*}) \geq \tau\}{dx}^{*}} - cG\$$

$$s.t.\& o(x^{*}) = \max_{g \in \lbrack G\rbrack}y(\gamma_{g}|x^{*}),\forall x^{*}\mathcal{\in D}$$

3. 一维连续平滑化供给设计问题（S-ODP）

为了在数学上解析表征 P-ODP 的结构性质，遵循大规模定制经典文献（Mendelson and Parlaktürk 2008）的处理范式，论文在一维特征空间 $\mathcal{D} = \lbrack 0,1\rbrack$ 下引入连续平滑化近似。厂商不再决策离散点集 $\Gamma$，而是决策一个非负的局部供给强度密度函数 $\psi(x) \geq 0$（单位长度内的产品数量密度）。当局部供给强度为 $\psi(x^{*})$ 时，相当于产品以步长 $1/\psi(x^{*})$ 均匀分布，消费者 $x^{*}$ 获得的平均期望效用定义为：

$$\overline{y}(\psi(x^{*})) \triangleq \psi(x^{*})\int_{\gamma = \gamma_{1}}^{\gamma_{2}}{y(\gamma|x^{*})d\gamma}$$

其中 $\gamma_{2} - \gamma_{1} = 1/\psi(x^{*})$ 且满足等高对称条件 $y(\gamma_{1}|x^{*}) = y(\gamma_{2}|x^{*})$。令 $\psi^{\tau}$ 为使端点响应恰好达到阈值 $y(\gamma_{1}|x^{*}) = y(\gamma_{2}|x^{*}) = \tau$ 的临界强度。平滑化优化问题（S-ODP）表述为：

$$(S - ODP) = \max_{\psi(x) \geq 0}P\int_{x \in \lbrack 0,1\rbrack}^{}{f(x)\overline{y}(\psi(x))\mathtt{1\{}\psi(x) \geq \psi^{\tau}\} dx} - c\int_{x \in \lbrack 0,1\rbrack}^{}{\psi(x)dx}$$

第四章：包容性供给设计问题（I-ODP）的理论分析与算法求解

本章聚焦于以包容性为硬约束的服务提供商优化问题（I-ODP）。我们将首先证明该问题的计算复杂性（NP-hard），随后通过揭示覆盖域的凸几何结构，推导基于超矩形划分的均匀分段法（EVEN SEGMENTATION）与二维最优六边形密铺法（HEXAGONAL TILING）的理论解析界，最后给出针对高维复杂特征空间的大规模整数线性规划（ILP）求解算法与实验对比。

4.1 定理 1（Theorem 1）的数理证明与计算复杂性

【定理 1（I-ODP 的计算复杂性）】 若不满足假设 2（即响应函数 $y(x|x^{*})$ 允许为一般的非拟凸函数），则包容性供给设计问题（I-ODP）是 NP-hard 的。

【定理 1 的严格数理证明】证明采用从经典 NP-hard 问题——最小集合覆盖问题（Minimum Set Cover Problem, SCP）的多项式时间归约（Polynomial-Time Reduction）：

1. 给定一个 SCP 实例：设全集为有限集合 $\mathcal{U = \{}u_{1},u_{2},\ldots,u_{n}\}$，子集族为 $\mathcal{S = \{}S_{1},S_{2},\ldots,S_{m}\}$，其中每个 $S_{j}\mathcal{\subseteq U}$ 且 ${bigcup}_{j = 1}^{m}S_{j}\mathcal{= U}$。SCP 的目标是选出基数最小的子集族 $\mathcal{S}^{*}\mathcal{\subseteq S}$ 使得其并集覆盖 $\mathcal{U}$。

2. 构造 I-ODP 实例：设特征空间为一维线段 $\mathcal{D} = \lbrack 0,1\rbrack$。将全集中的元素 $u_{i}$ 映射为特征域中的 $n$ 个互不重合的离散点 $x_{i}^{*} = i/(n + 1)$ ($i \in \lbrack n\rbrack$)。将候选子集 $S_{j}$ 映射为候选供给点 $\gamma_{j} = j/(m + 1)$ ($j \in \lbrack m\rbrack$)。

3. 构造非拟凸响应函数：令适切性阈值 $\tau = 1$。定义响应函数为：

$$\left\{ \begin{matrix} 1, & 若\ \gamma = \gamma_{j}\ 且\ u_{i} \in S_{j} \\ 0, & 其他情形 \end{matrix} \right.\$$

在其余连续点处通过平滑插值使其连续，但由于 $y$ 可以在空间中反复在 0 与 1 之间跳跃，该响应函数显然不满足拟凸性（其上水平集由离散互不连通的点集组成）。

4. 归约等价性：在上述构造下，选择供给集合 $\Gamma \subseteq \{\gamma_{1},\ldots,\gamma_{m}\}$ 覆盖所有 $x_{i}^{*}$，当且仅当所选供给对应的子集族覆盖了全集 $\mathcal{U}$。因此，求解该 I-ODP 实例的最小供给数量 $G^{I - ODP}$ 严格等价于求解原 SCP 实例的最小集合覆盖。由于 SCP 是经典的 NP-hard 难题，故一般的 I-ODP 问题亦为 NP-hard。证毕。

管理与方法论意义：定理 1 揭示了在任意复杂偏好结构下设计包容性产品的计算内在困难性，表明必须借助假设 2（连续性与拟凸性）所赋予的凸几何结构，才能开发高效的多项式时间近似算法或解析界。

4.2 命题 1（Proposition 1）与集合分解可行性

记供给 $\gamma$ 的适切覆盖区域为 $\mathcal{C(}\gamma) \triangleq \{ x^{*}\mathcal{\in D:}y(\gamma|x^{*}) \geq \tau\}$。由假设 1（平移同质性）可知，所有不与边界相交的 $\mathcal{C(}\gamma)$ 具有完全相同的几何形状与体积。命题 1 建立了连续几何划分与 I-ODP 可行解之间的判定准则。

【命题 1（几何覆盖可行性定理）】 设 $\{\mathcal{S}_{k}\}_{k = 1}^{K}$ 为一组子集族，满足：(1) $\forall k,\mathcal{S}_{k}\mathcal{\subseteq D}$；(2) ${bigcup}_{k = 1}^{K}\mathcal{S}_{k}\mathcal{= D}$（覆盖整个特征空间）；(3) 对每个 $k$，存在 $\gamma_{k}\mathcal{\in D}$ 使得 $\mathcal{S}_{k}\mathcal{\subseteq C(}\gamma_{k})$。则供给集合 $\Gamma = \{\gamma_{1},\ldots,\gamma_{K}\}$ 是 I-ODP 的一个可行解，且必然有 $G^{I - ODP} \leq K$。

4.3 矩形密铺法（EVEN SEGMENTATION）与推论 1-2

为了寻找满足命题 1 的最简几何子集，考虑在覆盖区域 $\mathcal{C(}\gamma)$ 内部内接一个体积最大的轴对齐超矩形（Axis-Aligned Hyperrectangle）。设该超矩形的最小顶点与最大顶点分别为 $v^{(1)},v^{(2)}\mathcal{\in D}$，其优化求解问题表述为：

$$\max_{\gamma \in \mathcal{D}}\max_{v^{(1)},v^{(2)}}\prod_{j = 1}^{d}{(v_{j}^{(2)} - v_{j}^{(1)})}$$

$$s.t.x \in \mathcal{C(}\gamma),\forall x\ s.t.\ v_{j}^{(1)} \leq x_{j} \leq v_{j}^{(2)},\forall j \in \lbrack d\rbrack$$

设最优超矩形在第 $j$ 维上的边长为 $w_{j} \triangleq v_{j}^{(2)} - v_{j}^{(1)}$。基于超矩形网格密铺，推论 1 建立了 I-ODP 的普适理论上界。

【推论 1（超矩形密铺上界）】 对于任意维度 $d \geq 1$，I-ODP 的最优供给数量 $G^{I - ODP}$ 满足： $$G^{I - ODP} \leq \prod_{j = 1}^{d}\left\lceil \frac{1}{w_{j}} \right\rceil,特别地，当\ d = 1\ 时，G^{I - ODP} = \left\lceil \frac{1}{w_{1}} \right\rceil$$

【方法 1：均匀分段法（EVEN SEGMENTATION）构造算法】设 $\gamma^{+}$ 为最大化内接超矩形的中心，定义单侧向外延伸长度 $\varepsilon_{j} \triangleq v_{j}^{(2)} - \gamma_{j}^{+}$ 以及向内延伸长度 $\delta_{j} \triangleq \gamma_{j}^{+} - v_{j}^{(1)}$。在每个维度 $j \in \lbrack d\rbrack$ 上，将区间 $\lbrack 0,1\rbrack$ 划分为 $\lceil 1/w_{j}\rceil$ 个点：首个供给点设为 $\gamma_{j,1} = \delta_{j}$，随后各点以步长 $w_{j}$ 递推 $\gamma_{j,k} = \gamma_{j,k - 1} + w_{j}$，最后一个供给点修正为 $\gamma_{j,\lceil 1/w_{j}\rceil} = 1 - \varepsilon_{j}$。最终的供给产品线集合由各维度点集的笛卡尔积（Cartesian Product）构成：

$$\Gamma^{ES} \triangleq \gamma_{1} \times \gamma_{2} \times \ldots \times \gamma_{d}$$

【推论 2（一维情形下的最优性定理）】 当特征维度 $d = 1$ 时，均匀分段法（EVEN SEGMENTATION）生成的供给集合 $\Gamma^{ES}$ 是 I-ODP 的严格全局最优解。

【证明思路】在一维特征空间 $\lbrack 0,1\rbrack$ 中，单个供给的最大覆盖区间长度恒为 $w_{1}$。要完全覆盖长度为 1 的单位线段，任何可行解所需的覆盖区间数量至少为 $\lceil 1/w_{1}\rceil$。而均匀分段法恰好构造了基数为 $\lceil 1/w_{1}\rceil$ 的可行解，达到理论下界，故必为全局最优。

4.4 二维六边形密铺法（HEXAGONAL TILING）与推论 3

在二维平面（$d = 2$）中，由于各向同性响应函数的覆盖区域 $\mathcal{C(}\gamma)$ 通常呈现圆形或椭圆形，矩形密铺会在对角线区域产生严重的重叠冗余。根据离散几何中著名的 Kershner (1939) 密铺定理，正六边形是覆盖二维平面单位面积效率最高的多边形。论文将覆盖区域内接多边形推广为轴对齐拉长六边形（Axis-Aligned Elongated Hexagon）。

图 2：二维空间中轴对齐拉长六边形的几何取向与关键参数参数化（$h$ 为垂直高度，$w$ 为中央矩形宽度，$l$ 为两侧三角形底宽）

【推论 3（二维六边形密铺上界）】 当 $d = 2$ 时，利用内接于 $\mathcal{C(}\gamma)$ 的拉长六边形（参数为 $h,w,l$）进行平移密铺，I-ODP 的最优供给数量满足更紧的理论上界： $$G^{I - ODP} \leq min\left\{ 2\left\lceil \frac{1}{2w + 2l} \right\rceil,2\left\lceil \frac{1}{w + 2l} \right\rceil + 1 \right\} \cdot \left( \left\lceil \frac{1}{h} \right\rceil + 1 \right)$$

【方法 2：六边形密铺算法实现（HEXAGONAL TILING）】从原点 $(0,0)$ 出发，采用蜂巢状错位平移模式密铺 $\lbrack 0,1\rbrack^{2}$。相邻两行六边形在水平方向上错开半个周期 $(w + l)$，在垂直方向上平移高度 $h$。对于所有中心超出 $\lbrack 0,1\rbrack^{2}$ 边界的六边形，将其中心坐标投影截断至边界点 $\Gamma^{HT} = \{(min(1,\gamma_{k,1}),min(1,\gamma_{k,2}))\}$。由于拉长六边形比矩形更好地贴合椭圆边界，推论 3 给出的上界在二维下严格优于推论 1 的矩形上界。

4.5 整数线性规划求解法（ILP）与数值对比

对于高维（$d \geq 3$）或复杂不规则覆盖形状，论文提出了基于整数线性规划（ILP）的精确与高精度近似求解框架（Method 3）：1. 特征域精细离散化：将连续域 $\mathcal{D}$ 划分为步长为 $\Delta$ 的网格候选点集 $\mathcal{X}$；2. **边界内缩修剪（Trimming Procedure）**：为了确保离散点覆盖解在连续空间中仍具有 100% 可行性，将网格边界向内收缩 $\delta = \Delta\sqrt{d}/2$；3. 算法加速启发式：引入 Hochbaum and Maass (1985) 的区域收缩分解策略以降低问题规模，并结合 Ceria et al. (1998) 的拉格朗日松弛启发式算法大幅加速超大规模 SCP 求解。

下表展示了在二维特征空间中，当覆盖区域 $\mathcal{C(}\gamma)$ 分别为轴对齐椭圆与 45° 旋转椭圆时，EVEN SEGMENTATION、HEXAGONAL TILING 与 ILP 所需的最优供给数量对比。

表 1：轴对齐椭圆覆盖下三种算法所需供给数量对比（$1 - \sqrt{(x_{1} - \gamma_{1})^{2}/b_{1}^{2} + (x_{2} - \gamma_{2})^{2}/b_{2}^{2}} \geq 0.95$）

算法方法	b2=0.5 (b1=1)	b2=1.0	b2=2.0	b2=3.0	b2=4.0	b2=5.0	b2=0.5 (b1=2)	b2=1.0	b2=2.0	b2=3.0	b2=4.0	b2=5.0
ILP 算法	414	217	103	70	55	43	207	101	57	37	28	22
均匀分段法 (ES)	435	225	120	75	60	45	232	120	64	40	32	24
六边形密铺 (HT)	336	182	98	70	56	42	168	96	49	35	32	21

表 2：45° 旋转椭圆覆盖下三种算法所需供给数量对比

算法方法	b2=0.5 (b1=1)	b2=1.0	b2=2.0	b2=3.0	b2=4.0	b2=5.0	b2=0.5 (b1=2)	b2=1.0	b2=2.0	b2=3.0	b2=4.0	b2=5.0
ILP 算法	444	217	109	73	59	48	228	111	57	37	29	24
均匀分段法 (ES)	841	225	225	225	225	225	841	225	64	64	64	64
六边形密铺 (HT)	513	182	140	126	126	112	448	140	49	48	48	40

【结果分析】如表 1 所示，当椭圆为轴对齐时，HEXAGONAL TILING 始终产生最少的产品数量（甚至略优于离散网格上的 ILP 启发式），这与 Kershner 理论高度契合；然而如表 2 所示，当椭圆发生 45° 旋转后，固定轴向的六边形与矩形几何密铺效率大幅衰减，而 ILP 凭借自由网格覆盖展现出强大的几何适应性与鲁棒性。

第五章：利润最大化下包容性的内生机制与非单调规律

本章转而研究当厂商不承担硬性包容性责任、纯粹追求期望利润最大化（求解 S-ODP）时，市场机制能否自发实现包容性，以及人群多样性（分布方差）对最终供给包容性的冲击规律。

5.1 定理 2（Theorem 2）最优供给强度与临界密度阈值

图 3：平均效用函数 $\overline{y}(\psi)$ 的几何定义示意图（左图 $\psi = 5$ 对应积分区间长度 $1/5$；右图 $\psi = 10$ 对应积分区间长度 $1/10$；红虚线为期望平均响应值）

【定理 2（S-ODP 的全局最优解析解）】 平滑化利润最大化供给设计问题（S-ODP）的全局唯一最优供给强度密度 $\psi^{*}(x)$ 为： $$\left\{ \begin{matrix} (\overline{y}')^{- 1}\left( \frac{c}{Pf(x)} \right), & 若\ x \in \mathcal{R}_{1} \\ \psi^{\tau}, & 若\ x \in \mathcal{R}_{2} \\ 0, & 若\ x \in \lbrack 0,1\rbrack setminus(\mathcal{R}_{1} \cup \mathcal{R}_{2}) \end{matrix} \right.\$$

其中，三大特征区域的严格数学定义为：

$$\mathcal{R}_{1} \triangleq \left\{ x \in \lbrack 0,1\rbrack:f(x) \geq \frac{c}{\overline{y}'(\psi^{\tau})P} \right\}(高密度饱和供给区)$$

$$\mathcal{R}_{2} \triangleq \left\{ x \in \lbrack 0,1\rbrack:\frac{c\psi^{\tau}}{\overline{y}(\psi^{\tau})P} \leq f(x) < \frac{c}{\overline{y}'(\psi^{\tau})P} \right\}(中密度门槛供给区)$$

$$\lbrack 0,1\rbrack setminus(\mathcal{R}_{1} \cup \mathcal{R}_{2}) = \left\{ x \in \lbrack 0,1\rbrack:f(x) < r \triangleq \frac{c\psi^{\tau}}{P\overline{y}(\psi^{\tau})} \right\}(低密度市场放弃区)$$

【定理 2 的深入数理推导与微观经济学机理解析】由于 S-ODP 目标泛函在空间各点 $x$ 上具有完全可分性（Separable），对每个独立的 $x \in \lbrack 0,1\rbrack$，厂商面临如下一维非线性规划：

$$\max_{\psi \geq 0}\Pi(\psi;x) = Pf(x)\overline{y}(\psi)\mathtt{1\{}\psi \geq \psi^{\tau}\} - c\psi$$

由引理 EC.1 可知，平均效用函数 $\overline{y}(\psi)$ 是严格递增且严格凹函数（Strictly Concave），因而其导数 $\overline{y}'(\psi)$ 单调递减，反函数 $(\overline{y}')^{- 1}( \cdot )$ 存在且单调递减。1. 若厂商选择在 $x$ 处提供供给（即 $\psi \geq \psi^{\tau}$），内部一阶最优性条件为 $Pf(x)\overline{y}'(\psi) - c = 0 \Longrightarrow \psi = (\overline{y}')^{- 1}\left( \frac{c}{Pf(x)} \right)$。2. 若该一阶解满足 $\psi \geq \psi^{\tau}$，这等价于 $Pf(x)\overline{y}'(\psi^{\tau}) \geq c \Longleftrightarrow f(x) \geq \frac{c}{\overline{y}'(\psi^{\tau})P}$，此时属于高密度区 $\mathcal{R}_{1}$，边际收益递减规律主导，供给密度随人口密度 $f(x)$ 单调上升；3. 若 $f(x) < \frac{c}{\overline{y}'(\psi^{\tau})P}$，则在 $\lbrack\psi^{\tau},\infty)$ 区间内导数恒负，利润随 $\psi$ 单调递减，故最优候选点必为边界点 $\psi = \psi^{\tau}$。在边界点 $\psi^{\tau}$ 处，厂商获得的总利润为 $Pf(x)\overline{y}(\psi^{\tau}) - c\psi^{\tau}$。厂商愿意提供该临界供给当且仅当利润非负，即：

$$Pf(x)\overline{y}(\psi^{\tau}) - c\psi^{\tau} \geq 0 \Longleftrightarrow f(x) \geq r \triangleq \frac{c\psi^{\tau}}{P\overline{y}(\psi^{\tau})}$$

**核心经济学概念：临界人口密度阈值 $r$**。不等式 $P\overline{y}(\psi^{\tau})f(x) \geq c\psi^{\tau}$ 具有极其优美的经济学直觉：左侧为厂商在密度为 $f(x)$ 的点部署临界供给强度 $\psi^{\tau}$ 所获得的期望边际收益，右侧为所需承担的固定成本投入。$r$ 即为使边际商业收益覆盖固定成本的盈亏平衡人口密度底线。凡人口密度低于 $r$ 的特征区域，在纯利润驱动下将被企业理性放弃。

【推论 4（利润最大化下的包容性闭式测度）】 在利润最大化最优供给强度 $\psi^{*}(x)$ 下：特征覆盖百分比为 $PCC = \int_{x \in \lbrack 0,1\rbrack}^{}{\mathtt{1\{}f(x) \geq r\} dx}$；人群覆盖百分比为 $PPC = \int_{x \in \lbrack 0,1\rbrack}^{}{f(x)\mathtt{1\{}f(x) \geq r\} dx}$。

【推论 5（人口规模效应与渐近完全包容性）】 $\psi^{*}(x)$ 和离散最优解 $\Gamma^{*}$ 下的 PCC 与 PPC 均关于总人口规模 $P$ 严格单调递增；且存在充分大的人口规模 $\overline{P} < \infty$，使得当 $P \geq \overline{P}$ 时，利润最大化供给自发达到 100% 完全包容。

5.2 帐篷型分布下多样性与包容性的非单调关系

直觉上，人们往往推测：更加多元化（特征方差更大）的社会群体会自然激励企业推出更广泛的产品线，从而提升包容性。为了检验这一假设，论文构建了参数化的帐篷型人口分布（Tent-Shaped Distribution）：

图 4：帐篷型概率密度函数 $f(x)$ 的几何结构（$s$ 为两侧平坦尾部厚度，$l$ 为中央三角形底边半宽，$h = (1 - s)/l$ 为三角形峰值高度）

$$\left\{ \begin{matrix} s, & 若\ x \leq 1/2 - l\ 或\ x \geq 1/2 + l \\ s + \frac{h}{l}(l - |x - 1/2|), & 若\ 1/2 - l < x < 1/2 + l \end{matrix} \right.\$$

其中 $s \in \lbrack 0,1\rbrack$ 调控尾部厚度，$l \in \lbrack 0,1/2\rbrack$ 调控分布集中度，全域积分为 1 的充要条件为 $s + lh = 1$，即峰高 $h = (1 - s)/l$。

【引理 1（全覆盖与零覆盖临界条件）】 对于帐篷型分布：若 $r < s$，则 $\psi^{*}(x)$ 实现 100% 完全包容；若 $r > s + h$，则 $\psi^{*}(x) = emptyset$（完全放弃市场）。

【引理 2（方差单调性定理）】 帐篷型分布的方差为 $Var(X) = \frac{1}{12}(2l^{2}(1 - s) + s)$，其关于 $l$ 和 $s$ 均严格单调递增，且在 $l = 0,s = 1$（均匀分布）处取得全局最大方差 $1/12$。

【引理 3（PCC 的非单调演化导数定理）】 当 $s \leq r \leq s + h$ 时：特征覆盖率 PCC 在 $r \leq 1$ 时关于 $s$ 单调递增，在 $r > 1$ 时关于 $s$ 单调递减；PCC 在 $r \leq 1$ 或当 $r > 1$ 且 $l \leq \frac{1 - s}{2(r - s)}$ 时关于 $l$ 单调递增。

【引理 4（PPC 的方差非单调极值定理）】 当 $s \leq r \leq s + h$ 时，人群覆盖率 PPC 在 $l^{*} = s\frac{1 - s}{r^{2} - s^{2}}$（若 $r^{2} \geq 2s - s^{2}$）处取得局部极大值，而在 $r^{2} < 2s - s^{2}$ 时在 $l = 1/2$ 处取得极大值。

图 5：临界阈值 $r = 0.7$ 下帐篷分布未覆盖人群面积示意图（左图 $s = 0.1$ 时 $l$ 从 0.2 增至 0.4 导致未覆盖面积扩大；右图 $s = 0.4$ 时反向缩小）

图 6：不同方差参数组合下 PPC 与 PCC 的散点轨迹图（左图 $r = 0.5$；右图 $r = 1.1$ 展现出人群覆盖率与特征覆盖率之间的剧烈反向权衡）

【“多样性陷阱”机制深度阐释】结合图 5 与图 6，引理 1-4 揭示了一个极其深刻的反直觉机制：人群多样性的增加（方差增大）并不必然带来更包容的市场供给。当固定成本较高（$r > 1$）且社会多元化程度加剧（$l$ 增大或方差增大）时，原本集中在中央的主流人群被“摊薄”分散到更宽的特征区间上。如果尾部密度 $s$ 不足以跨越盈亏门槛 $r$，这种扩散将直接导致大量原本处于主流边缘的人群其局部密度跌破 $r$，进而被追求利润的企业果断剔除出服务名单（如图 5 左侧绿色阴影面积显著大于红色阴影面积）！这一结论有力地解释了为何在许多高度多元化的移民大都市中，少数族裔的细分消费需求反而更难获得传统商业体系有效覆盖的“市场失灵”现象。

5.3 截断正态分布下的数值模拟与离散效应

为了验证上述理论规律在更贴近现实的人口分布下的普适性，论文在 $\lbrack 0,1\rbrack$ 上设定均值为 0.5 的截断正态分布（Truncated Normal Distribution），并对比离散模型 P-ODP 与平滑模型 S-ODP 的包容性指标随标准差 $\sigma$ 的变化趋势。

图 7：截断正态分布下离散解 $\Gamma^{*}$（实线）与平滑解 $\psi^{*}(x)$（虚线）在不同成本阈值 $r$ 下随标准差 $\sigma$ 的包容性演化轨迹

【图 7 的核心发现归纳】1. 低成本环境（$r = 0.5$）：随着人群标准差 $\sigma$ 扩大，PCC 快速单调攀升至 100%，PPC 亦稳定维持在 95% 以上，多样性正向赋能全包容；2. 中等成本环境（$r = 1.0$）：随着 $\sigma$ 增大，PCC 呈上升趋势，但 PPC 却呈现单调持续下降，产生了典型的“覆盖了更多冷门特征，却遗漏了更多绝对人口”的结构性背离；3. 高成本环境（$r = 1.25$）：方差增大直接引发“市场崩塌效应”，当 $\sigma > 0.4$ 时，由于全域没有任何一点的密度能够达到 1.25，商业供给自发收缩为零，PCC 与 PPC 瞬间暴跌归零！

第六章：利润与包容性的权衡及“包容性代价”边界定理

当企业希望在商业可持续性与社会责任之间寻求平衡，或监管机构考虑推行最低包容性标准时，必然面临核心抉择：提升包容性到底会导致多大的利润损失？本章对施加部分与完全包容性约束后的“包容性代价”（Price of Inclusivity）给出严格的数学上界定理。

6.1 强制特征覆盖约束与定理 3（Theorem 3）

考虑在 S-ODP 中引入硬性特征覆盖率下限约束 $\lambda \in \lbrack 0,1\rbrack$，构建受约束优化模型 $S - ODP(\lambda)$：

$$\left( S - ODP(\lambda) \right) = \max_{\psi(x) \geq 0}\& P\int_{x \in \lbrack 0,1\rbrack}^{}{f(x)\overline{y}(\psi(x))\mathtt{1\{}\psi(x) \geq \psi^{\tau}\} dx} - c\int_{x \in \lbrack 0,1\rbrack}^{}{\psi(x)dx}\ s.t.\&\int_{x \in \lbrack 0,1\rbrack}^{}{\mathtt{1\{}\psi(x) \geq \psi^{\tau}\} dx} \geq \lambda$$

设无约束 S-ODP 的最优目标值为 $z^{*}$，其自发实现的自然特征覆盖率为 $L^{*} \triangleq |\mathcal{R}_{1} \cup \mathcal{R}_{2}|$；设约束问题 $S - ODP(\lambda)$ 的最优目标值为 $z^{*}(\lambda)$。当 $\lambda \leq L^{*}$ 时，约束非紧，$z^{*}(\lambda) = z^{*}$；当 $\lambda > L^{*}$ 时，厂商必须扩张供给至低密度亏损区域，导致利润下降。定义最密子集积分函数：

$$\overline{F}(l) \triangleq \max_{\mathcal{A} \subseteq \lbrack 0,1\rbrack:|\mathcal{A| =}l}\int_{x \in \mathcal{A}}^{}{f(x)dx}$$

【定理 3（强制包容性约束下的利润损失上界）】 对于任意目标覆盖率 $\lambda > L^{*}$，约束问题 $S - ODP(\lambda)$ 的相对利润损失（包容性代价）满足封闭上界： $$\frac{z^{*} - z^{*}(\lambda)}{z^{*}} \leq \frac{\lambda - L^{*}}{L^{*}}\left( \frac{c\psi^{\tau} - \frac{\overline{F}(\lambda) - \overline{F}(L^{*})}{\lambda - L^{*}}P\overline{y}(\psi^{\tau})}{\frac{\overline{F}(L^{*})}{L^{*}}P\overline{y}(\psi^{\tau}) - c\psi^{\tau}} \right)$$

【定理 3 的严密数理推导】1. 基准利润下界构造：在无约束最优解 $z^{*}$ 下，由于其在覆盖域 $\mathcal{R}_{1} \cup \mathcal{R}_{2}$（测度为 $L^{*}$）内的供给强度 $\psi^{*}(x) \geq \psi^{\tau}$，故其利润必然高于在该区域内处处采用最低有效强度 $\psi^{\tau}$ 所得利润：

$$z^{*} \geq P\overline{y}(\psi^{\tau})\int_{\mathcal{R}_{1} \cup \mathcal{R}_{2}}^{}{f(x)dx} - c\psi^{\tau}L^{*} = P\overline{y}(\psi^{\tau})\overline{F}(L^{*}) - c\psi^{\tau}L^{*} = L^{*}\left( \frac{\overline{F}(L^{*})}{L^{*}}P\overline{y}(\psi^{\tau}) - c\psi^{\tau} \right)$$

2. 增量亏损上界构造：为了满足覆盖率 $\lambda$，厂商只需在原覆盖域之外选择人口密度最高的测度为 $\lambda - L^{*}$ 的子集，并以临界强度 $\psi^{\tau}$ 进行覆盖。该操作带来的新增成本为 $c\psi^{\tau}(\lambda - L^{*})$，新增收益为 $P\overline{y}(\psi^{\tau})\lbrack\overline{F}(\lambda) - \overline{F}(L^{*})\rbrack$。故最优目标值的最大可能下降量为：

$$z^{*} - z^{*}(\lambda) \leq (\lambda - L^{*})c\psi^{\tau} - (\overline{F}(\lambda) - \overline{F}(L^{*}))P\overline{y}(\psi^{\tau})$$

3. 两式相比：将分子上界与分母下界相除，即严格得到定理 3 的不等式界。证毕。

经济学内涵分析：注意到项 $\frac{\overline{F}(\lambda) - \overline{F}(L^{*})}{\lambda - L^{*}}$ 表示新增覆盖区域内的平均人口密度。由于 $\overline{F}( \cdot )$ 是严格凹函数，该平均密度随 $\lambda$ 的增加而严格单调下降。这意味着随着包容性要求的不断拔高，企业被迫进入越来越稀疏的长尾边缘市场，边际亏损加速扩大，导致包容性代价关于 $\lambda$ 呈现超线性（Superlinear）递增特征。

6.2 保持品类总数不变约束与定理 4（Theorem 4）

在许多运营场景下，受限于货架总长度或固定模具总预算，企业无法追加总供给数量。此时企业面临的问题是：在供给总量保持不变的前提下，通过重新在空间上均匀摊薄产品密度以提升包容性，会带来多大的效率损失？令 $\Psi \triangleq \int_{0}^{1}{\psi^{*}(x)dx}$ 为无约束最优解的总供给量，构建等品类约束问题 $S - ODP(\lambda,\Psi)$：

$$\left( S - ODP(\lambda,\Psi) \right) = \max_{\psi(x) \geq 0}\& P\int_{x \in \lbrack 0,1\rbrack}^{}{f(x)\overline{y}(\psi(x))\mathtt{1\{}\psi(x) \geq \psi^{\tau}\} dx} - c\Psi$$

$$\ s.t.\&\int_{x \in \lbrack 0,1\rbrack}^{}{\mathtt{1\{}\psi(x) \geq \psi^{\tau}\} dx} \geq \lambda,\int_{x \in \lbrack 0,1\rbrack}^{}{\psi(x)dx} = \Psi$$

【定理 4（固定品类规模下的包容性代价上界）】 当满足可行性充要条件 $\frac{(\lambda - L^{*})\psi^{\tau}}{\int_{\mathcal{R}_{1}}^{}(\psi^{*}(x) - \psi^{\tau})dx} \leq 1$ 时，等品类包容性代价满足： $$\frac{z^{*} - z^{*}(\lambda,\Psi)}{z^{*}} \leq \frac{\lambda - L^{*}}{L^{*}}\left( \frac{P\left( \overline{y}(\psi^{\max}) - \overline{y}(\psi^{\tau}) \right)\frac{\overline{F}(L^{*})}{L^{*}} - \frac{\overline{F}(\lambda) - \overline{F}(L^{*})}{\lambda - L^{*}}P\overline{y}(\psi^{\tau})}{\frac{\overline{F}(L^{*})}{L^{*}}P\overline{y}(\psi^{\tau}) - c\psi^{\tau}} \right)$$

【定理 4 的机制剖析】定理 4 中的分子第一项反映了将原本集中在高密度区 $\mathcal{R}_{1}$ 的超额供给“抽调剥离”所引起的中心消费者效用稀释损失（从最高强度 $\psi^{\max}$ 降至临界强度 $\psi^{\tau}$）。该界限表明，通过内部优化产品空间布局，企业可以在不增加任何额外固定资本开支的前提下显著提高包容性。

6.3 数值实验与边界敏感性分析

图 8：定理 3（实线，灵活品类规模）与定理 4（虚线，固定品类规模）在 $\lambda = 1$（实现 100% 完全包容）时的包容性代价上界随人口规模 $P$ 与标准差 $\sigma$ 的衰减曲线

【图 8 的核心政策与管理启示】1. 人口规模对包容成本的极速摊薄：无论人群方差 $\sigma$ 为何值，随着总人口规模 $P$ 从 50 上升到 500，完全包容性的利润损失上限从近 20% 极其迅速地衰减至不足 1%；2. 公共政策的四两拨千斤效应：对于服务大规模人群的现代企业而言，实现从 80% 覆盖跨越至 100% 完全包容所需的实际经济成本微乎其微。政府监管部门仅需提供少量的税收抵免或认证奖励，即可轻松消除企业的亏损顾虑，撬动巨大的社会公平正外部性！

第七章：包容性美妆产业实证案例深度剖析

本章将前文构建的数理模型、包容性指标与优化算法全面应用于现实商业世界中最具代表性的场景——**包容性美妆运动（Inclusive Beauty Movement）**。通过对 Sephora.com 平台上 11 家头部美妆品牌的粉底液（Foundation）全量色号数据进行三维颜色空间建模，回答四个核心实证问题：（1）哪些品牌真正做到了包容？（2）色号越多是否必然越包容？（3）当品牌未实现完全包容时，哪些群体被系统性遗漏？（4）实现完全包容到底最少需要多少款色号？

7.1 现实背景与色号扩张潮

图 1：（左图）Fenty Beauty Pro Filt'r 经典粉底液多臂肤色试色广告图；（右图）11 家主流美妆品牌在售色号数量与特征覆盖率（PCC）散点对比图（相关系数 0.339，无统计显著性）

在传统美妆行业中，绝大多数品牌长期仅提供 5 至 15 款粉底色号，且针对深色皮肤（Darker Skin Tones）通常仅有 2 至 3 款边缘色号（Strike Magazines 2023）。2017 年，Rihanna 创立的 Fenty Beauty 首发即推出打破行业历史记录的 40 款粉底色号，向全球宣告“包容每一种独特肤色”的品牌哲学，引发了全球范围内的色号大扩容。截至目前，Sephora.com 最畅销的 60 款粉底产品中，已有 39 款提供超过 30 种色号。

7.2 颜色度量学理论与 CIELAB 三维感知空间

在美妆应用场景中，消费者的生理响应函数本质上取决于其真实天然肤色与所涂抹粉底色号之间的视觉感知色差。根据国际照明委员会（International Commission on Illumination, CIE）的标准颜色度量学理论，人类对颜色的主观感知差异无法在传统的非均匀 RGB 空间中衡量，而必须投影至CIELAB 颜色空间（Martin 2015）。CIELAB 空间由三个相互正交的连续坐标轴构成：1. **$L$ 轴（明度 Lightness）**：取值 $\lbrack 0,100\rbrack$，代表从绝对纯黑（0）到纯白（100）的明暗程度；2. **$a$ 轴（红-绿通道 Chroma）**：正值代表偏红（暖调暖红），负值代表偏绿（冷调冷绿）；3. **$b$ 轴（黄-蓝通道 Chroma）**：正值代表偏黄（暖调金黄），负值代表偏蓝（冷调青蓝）。

在 CIELAB 空间中，任意两点 $x = (x_{L},x_{a},x_{b})$ 与 $x^{*} = (x_{L}^{*},x_{a}^{*},x_{b}^{*})$ 之间的欧氏几何距离 $\Delta E$ 精确对应于人眼的感知色差。因此，消费者的响应函数严格设定为：

$$y(x|x^{*}) \triangleq - \Delta E(x,x^{*}) = - \sqrt{(x_{L} - x_{L}^{*})^{2} + (x_{a} - x_{a}^{*})^{2} + (x_{b} - x_{b}^{*})^{2}}$$

7.3 数据来源与 3D 人群特征域重构

研究团队从 Sephora.com 抓取了 11 个顶尖美妆品牌的核心粉底线全量色号缩略图（Thumbnails），通过图像色彩提取算法计算出每款色号在 CIELAB 空间中的中位数色彩坐标。

图 9：11 家主流美妆品牌全量在售粉底色号在明度轴 $L$（CIELAB）上的空间分布色块图

为了构建真实人类肤色的连续特征空间域 $\mathcal{D}$，作者聚合了上述 11 家品牌的所有色号，并融合了国际公认的两个大型全球肤色色板（每个包含 180 种标准肤色），构建了包含数百个基准样本的肤色集合 $\mathcal{D}_{raw}$。随后在三维包络网格 $\lbrack L_{\min},L_{\max}\rbrack \times \lbrack a_{\min},a_{\max}\rbrack \times \lbrack b_{\min},b_{\max}\rbrack$ 上进行密集采样，并保留所有与真实肤色数据集欧氏距离在合理生理阈值之内的网格点，从而重构出真实人类肤色的三维连续流形空间 $\mathcal{D}$。

图 10：三维真实人类肤色特征域 $\mathcal{D}$ 的截面可视化（左图为黄色调通道 $b \approx 23$ 时的 $a - L$ 截面；右图为红色调通道 $a \approx 12^{\circ}$ 时的 $b - L$ 截面）

7.4 品牌包容性实证测算与核心发现

在确定三维特征域 $\mathcal{D}$ 后，通过设定色差适切性阈值 $\tau$（基于颜色感知文献与美妆常识，设 $\Delta E \leq 10$ 为适切标准），计算各品牌的特征覆盖百分比（PCC）。

图 11：（左图）11 家美妆品牌的特征覆盖率（PCC）随色差适切性公差阈值 $\tau$ 的演化曲线；（右图）基准阈值 $\tau = 10$ 下各品牌在售色号数量与 PCC 的散点关系

表 3：11 家主流美妆品牌粉底液在售色号数量、包容性指标与布局特征实证对比汇总

品牌名称	在售色号数量	PCC 特征覆盖率 (τ=10)	行业包容性排名	典型色号空间布局特征
Haus Labs	51	79.3%	第 1 名	全明度与各色调均匀展开，长尾边缘覆盖完备
Estée Lauder	56	78.1%	第 2 名	色号基数庞大，深色与浅色两极延伸充分
Fenty Beauty	50	77.6%	第 3 名	行业标杆，冷暖中性色调平衡度极佳
NARS	35	74.9%	第 4 名	色号数量精简但空间跨度极大，效率极高
Too Faced	35	65.8%	第 5 名	主打中浅肤色，中端过渡密集
Urban Decay	40	62.3%	第 6 名	色号适度分散，深色区略显稀疏
ILIA	30	61.7%	第 7 名	极简色号，聚焦主流区间
Rare Beauty	48	61.4%	第 8 名	色号数量较多但在中色调高度扎堆，重叠冗余
Armani	40	55.2%	第 9 名	过度聚焦浅色与经典暖调，深色区明显缺失
Sephora Collection	50	54.6%	第 10 名	多达 50 款色号但大量挤压在狭窄色域，包容性低下
Dior	43	48.2%	第 11 名	43 款色号几乎全部集中于浅白肤色，深色严重断档

【核心实证发现一：色号数量与包容性呈现显著脱节】如图 11（右）及表 3 所示，品牌在售色号数量与特征覆盖率（PCC）的相关系数仅为 **0.339（p > 0.1，统计不显著）**！这一发现彻底打破了美妆行业与社交媒体长期奉行的“色号越多就越包容”的流行神话：典型反例一：NARS 仅提供 35 款色号，但在明度轴 $L$ 上极为分散且富有远见地覆盖了深色极值点，取得了高达 74.9% 的特征覆盖率（名列行业第 4）；典型反例二：Sephora 自有品牌提供了多达 50 款色号，但由于大量色号在中间区域严重堆叠内卷，其实际包容性仅为 54.6%（名列倒数第二）；典型反例三：Dior 拥有 43 款色号，但特征覆盖率仅为 48.2%（全行业垫底），其庞大的色号库几乎完全被白皙与极浅色调占据。

【核心实证发现二：谁被美妆市场系统性边缘化？】为了深入探究未被覆盖的人群特征分布，论文将特征域沿 $L,a,b$ 三个正交维度切片离散化，分别统计各细分区间内的平均覆盖率。

图 12：11 家美妆品牌及全行业平均（粗黑实线）在明度 $L$、红绿底色 $a$ 及黄蓝底色 $b$ 三大正交维度上的特征覆盖率曲线

如图 12 所示，实证分析揭示了触目惊心的结构性偏差：1. **底色维度（$a$ 与 $b$）：全行业覆盖率呈现高度一致的单峰分布**，在中性大众底色区间（$a \approx 12,b \approx 22$）覆盖率高达 75% 以上，而在具有冷粉调（低 $b$）、橄榄调（低 $a$）或极深金黄调（高 $b$）的两侧边缘迅速暴跌至 25% 以下；2. 明度维度（$L$）：全行业覆盖率呈现严格单调递增态势！在浅色皮肤区间（$L \geq 75$），行业平均覆盖率接近 90%；而在深色皮肤区间（$L \leq 25$），行业平均覆盖率骤降至不足 25%！这无可辩驳地证明：在当前商业美妆市场中，深色皮肤群体以及拥有小众冷暖底色的人群正在遭受系统性的市场遗忘与服务排斥。

7.5 优化算法对产业实践的颠覆性重构：37 款色号实现全包容

面对这一市场失灵，论文运用第四章开发的整数线性规划方法（Method 3: ILP），在三维真实人类肤色流形 $\mathcal{D}$ 上求解全局最优的包容性色号矩阵。

【重大实证突破：37 款色号实现 100% 完全包容】 求解结果显示：**仅需 37 款经过严格运筹几何优化的粉底色号，即可对整个人类真实肤色空间实现 100% 的完全适切覆盖（PCC = 100%）！**这一数字具有震撼性的商业与社会价值：37 款色号不仅远远少于 Estée Lauder（56 款）、Haus Labs（51 款）、Fenty Beauty（50 款）和 Sephora（50 款），甚至少于全行业 11 个品牌中 8 个品牌的现有色号规模！

产业启示与供应链降本增效：这一发现揭示了现代商业在追求包容性时的巨大效率空间。企业完全无需盲目扩充产品线至 60 或 80 个 SKU，从而避免剧烈推高供应链复杂度和仓储成本；通过运用本文的运筹优化方法剔除主流区间的同质化冗余色号，将产能精准重新配置到边缘空白特征区，企业完全能够在精简产品线规模的同时达成完美的社会包容性！

第八章：全文结论、管理启示与未来研究方向

8.1 全文核心结论系统提炼

本文是学术界首次将“包容性”（Inclusivity）公理化形式化并引入产品线设计与品类优化领域的奠基性研究。全文的核心结论可凝练为以下五点：1. 包容性可被严密数学建模与双重测度：通过引入适切性阈值 $\tau$ 与水平集几何，构建了不受人口分布影响的特征覆盖率（PCC）与衡量实际商业效益的人群覆盖率（PPC）；2. 品类多样性不等于包容性：在任意特征空间中，产品数量并非包容性的充分条件，空间几何布局的科学性起决定性作用；3. 人群多样性对自发包容性具有非单调冲击：当固定成本较高时，人群特征方差过大会导致局部密度跌破临界门槛 $r$，引发“市场遗弃”效应，自发市场机制存在失灵边界；4. 包容性代价随市场规模超线性衰减：在大规模用户群体中，实现完全包容性的边际利润损失极低，为公共政策干预与企业社会责任战略提供了经济可行性；5. 美妆实证证实优化潜能巨大：仅需 37 款精心规划的粉底色号即可达成全人类肤色 100% 完全包容，为兼顾商业利润与社会包容提供了可行路径。

8.2 企业管理层与品牌方的决策启示

1. **摒弃“SKU 数量军备竞赛”，转向“几何空间精准布局”**：品牌营销与研发部门应摒弃盲目增加色号或尺码数量的粗放扩张思维，运用本文提出的几何集合覆盖与 ILP 优化工具，审查现有产品矩阵的空间重叠度，剔除主流区域过度密集的内卷 SKU，向真正匮乏的长尾特征区战略性转移。

2. 警惕长尾需求测算失误，强化供应链敏捷响应：正如 Old Navy 在 2021 年开展大码包容性实验因严重误判偏僻尺码需求而导致销售额暴跌 19% 的深刻教训所示（Segran 2022），长尾区域的需求波动风险极高。企业在推行包容性产品线时，必须结合鲁棒需求预测，并匹配柔性小批量快反供应链。

3. 积极捕捉包容性带来的品牌美誉度与正外部性：包容性产品设计能够打破传统市场壁垒，为品牌带来无可估量的声誉溢价（Reputational Premium）与高粘性客户群体（如 Fenty Beauty 凭借包容性理念建立起的强大品牌壁垒）。

8.3 行业监管机构与政策制定者的公共启示

1. 实施靶向财政补贴与税收激励，消除边缘市场亏损顾虑：定理 3 与定理 4 证明了在大型市场中完全包容性代价极小。政府监管部门在公共卫生、医疗制药、无障碍设施与基础消费品领域，只需提供适度的边际补贴即可激励商业机构主动提供完全包容性服务。

2. 建立科学规范的包容性审计与认证标准：鉴于实证中发现的大量品牌存在“色号虚高但实际包容性低下”的“伪包容（Inclusive-Washing）”现象，监管部门与行业协会应基于本文提出的 PCC 指标，建立第三方包容性认证标准，规范市场信息披露。

8.4 未来前沿研究方向展望

1. 品类设计与动态库存控制的联合优化：未来研究可将固定成本 $c$ 拓展为随机需求下的报童库存成本与缺货风险，探讨如何平衡主流群体与少数群体的服务水平与缺货率差异；2. **人口分布不确定性下的分布鲁棒包容性设计（Distributionally Robust Inclusivity）**：当人口密度 $f(x)$ 存在模糊集（Ambiguity Set）时，研究基于 Wasserstein 球的鲁棒包容性产品线设计；3. 多寡头市场博弈与竞争均衡演化：探讨在多个异质性企业博弈竞争的环境下，各厂商在特征空间中的定位策略以及市场均衡状态下的总包容性水平。

第九章：参考文献 (References)

以下为本论文及报告所严格引用的管理科学、运筹学与相关领域经典与前沿权威文献：

[1] Agarwal PK, Pan J (2014) Near-linear algorithms for geometric hitting sets and set covers. Discrete Comput. Geometry 63(3):460-482.

[2] Alptekinoğlu A, Örsdemir A (2022) Is adopting mass customization a path to environmentally sustainable fashion? Manufacturing Service Oper. Management 24(6):2982-3000.

[3] Bansal N, Sviridenko M (2006) The Santa Claus problem. Proc. 38th Annual ACM Sympos. Theory Comput. (ACM, New York), 31-40.

[4] Baum R, Bertsimas D, Kallus N (2014) Scheduling, revenue management, and fairness in an academic-hospital radiology division. Acad. Radiology 21(10):1322-1330.

[5] Belloni A, Freund R, Selove M, Simester D (2008) Optimizing product line designs: Efficient methods and comparisons. Management Sci. 54(9):1544-1552.

[6] Bertsimas D, Farias VF, Trichakis N (2011) The price of fairness. Oper. Res. 59(1):17-31.

[7] Bertsimas D, Farias VF, Trichakis N (2012) On the efficiency-fairness trade-off. Management Sci. 58(12):2234-2250.

[8] Bertsimas D, Mišić VV (2017) Robust product line design. Oper. Res. 65(1):19-37.

[9] Boston Consulting Group (2023) Inclusive product design. Accessed November 11, 2025, https://www.bcg.com/capabilities/diversity-inclusion/inclusive-product-design.

[10] Brönnimann H, Goodrich MT (1995) Almost optimal set covers in finite VC-dimension. Discrete Comput. Geometry 14(1):463-479.

[11] Caprara A, Toth P, Fischetti M (2000) Algorithms for the set covering problem. Ann. Oper. Res. 98(1):353-371.

[12] Ceria S, Nobili P, Sassano A (1998) A Lagrangian-based heuristic for large-scale set covering problems. Math. Programming 81(2):215-228.

[13] Chan TM, He Q (2020) Faster approximation algorithms for geometric set cover. Proc. 36th Internat. Sympos. Comput. Geometry, vol. 164, 1-14.

[14] Chen C (2001) Design for the environment: A quality-based model for green product development. Management Sci. 47(2):250-263.

[15] Chen KD, Hausman WH (2000) Mathematical properties of the optimal product line selection problem using choice-based conjoint analysis. Management Sci. 46(2):327-332.

[16] Chen Q, Golrezaei N, Susan F, Baskoro E (2022) Fair assortment planning. Preprint, submitted August 15, https://arxiv.org/abs/2208.07341.

[17] Çil EB, Pangburn MS (2017) Mass customization and guardrails: 'you can not be all things to all people'. Production Oper. Management 26(9):1728-1745.

[18] Cohen MC, Elmachtoub AN, Lei X (2022) Price discrimination with fairness constraints. Management Sci. 68(12):8536-8552.

[19] Cooke Bailey JN, Bush WS, Crawford DC (2020) The importance of diversity in precision medicine research. Frontiers Genetics 11:875.

[20] Dobson G, Kalish S (1988) Positioning and pricing a product line. Marketing Sci. 7(2):107-125.

[21] Dobson G, Kalish S (1993) Heuristics for pricing and positioning a product-line using conjoint and cost data. Management Sci. 39(2):160-175.

[22] Donahue K, Kleinberg J (2020) Fairness and utilization in allocating resources with uncertain demand. Proc. 2020 Conf. Fairness, Accountability, Transparency (ACM, New York), 658-668.

[23] Eyster E, Madarász K, Michaillat P (2020) Pricing under fairness concerns. J. Eur. Econom. Assoc. 19(3):1853-1898.

[24] Fairbrother J, Zografos KG, Glazebrook KD (2020) A slot-scheduling mechanism at congested airports that incorporates efficiency, fairness, and airline preferences. Transportation Sci. 54(1):115-138.

[25] Fenty Beauty by Rihanna (2024) About the brands. Accessed May 24, 2024, https://fentybeauty.com/pages/about-the-brands.

[26] Gabris AJ (2016) Size curve optimization for replenishment products. SM thesis, Massachusetts Institute of Technology, Cambridge.

[27] Galiev SI, Karpova M (2010) Optimization of multiple covering of a bounded set with circles. Comput. Math. Math. Phys. 50:721-732.

[28] García S, Marín A (2015) Covering Location Problems (Springer International Publishing, Cham, Switzerland).

[29] Garey MR, Johnson DS (1979) Computers and Intractability: A Guide to the Theory of NP-Completeness (W. H. Freeman and Company, New York).

[30] GlobalRPH (2015) Warfarin INR targets. Accessed February 16, 2025, https://globalrph.com/warfarin-inr-targets/.

[31] Green PE, Krieger AM (1985) Models and heuristics for product line selection. Marketing Sci. 4(1):1-19.

[32] Guo L, Zhang J (2012) Consumer deliberation and product line design. Marketing Sci. 31(6):995-1007.

[33] Haus Labs by Lady Gaga (2024) About us. Accessed May 24, 2024, https://www.hauslabs.com/pages/about.

[34] Hochbaum DS, Maass W (1985) Approximation schemes for covering and packing problems in image processing and VLSI. J. ACM 32(1):130-136.

[35] Hooker JN, Williams HP (2012) Combining equity and utilitarianism in a mathematical programming model. Management Sci. 58(9):1682-1693.

[36] Huang T, Liang C, Wang J (2018) The value of 'bespoke': Demand learning, preference learning, and customer behavior. Management Sci. 64(7):3129-3145.

[37] Kariv O, Hakimi SL (1979) An algorithmic approach to network location problems. SIAM J. Appl. Math. 37(3):513-538.

[38] Kershner R (1939) The number of circles covering a set. Amer. J. Math. 61(3):665-671.

[39] Kiseleva E, Lozovskaya L, Timoshenko E (2009) Solution of continuous problems of optimal covering with spheres using optimal set-partition theory. Cybernetics Systems Anal. 45:421-437.

[40] Kohli R, Sukumar R (1990) Heuristics for product-line design using conjoint analysis. Management Sci. 36(12):1464-1478.

[41] Kraus UG, Yano CA (2003) Product line selection and pricing under a share-of-surplus choice model. Eur. J. Oper. Res. 150(3):653-671.

[42] Krieg H, Küfer K-H, Stein O (2022) Solving continuous set covering problems by means of semi-infinite optimization. Math. Methods Oper. Res. 96:39-82.

[43] Lancaster K (1990) The economics of product variety: A survey. Marketing Sci. 9(3):189-206.

[44] Levi R, Paulson E, Perakis G (2026) Designing Inclusive Offerings. Management Science 72(8):7338-7357.

[45] Li X, Ramshani M, Huang Y (2018) Cooperative maximal covering models for humanitarian relief chain management. Comput. Indust. Engrg. 119:301-308.

[46] Martin A (2015) Lab colour space and Delta E measurements. Graphic Design and Print Production Fundamentals (BCcampus, Victoria, BC).

[47] Megiddo N, Supowit KJ (1984) On the complexity of some geometric location problems. SIAM J. Comput. 13(1):182-196.

[48] Mendelson H, Parlaktürk AK (2008) Product-line competition: Customization vs. proliferation. Management Sci. 54(12):2039-2053.

[49] Mišić VV, Perakis G (2020) Data analytics in operations management: A review. Manufacturing Service Oper. Management 22(1):158-169.

[50] Mulvany J, Randhawa RS (2021) Fair scheduling of heterogeneous customer populations. SSRN Electronic Journal, 3801824.

[51] Mustafa NH, Ray S (2010) Improved results on geometric hitting set problems. Discrete Comput. Geometry 44:883-895.

[52] Nair SK, Thakur LS, Wen K-W (1995) Near optimal solutions for product line design and selection: Beam search heuristics. Management Sci. 41(5):767-785.

[53] Nanda V, Xu P, Sankararaman KA, Dickerson J, Srinivasan A (2020) Balancing the tradeoff between profit and fairness in rideshare platforms during high-demand hours. Proc. AAAI/ACM Conf. AI, Ethics, Soc., 131.

[54] Pelegrín M, Xu L (2023) Continuous covering on networks: Improved mixed integer programming formulations. Omega 117:102835.

[55] Ramdas K (2003) Managing product variety: An integrative review and research directions. Production Oper. Management 12(1):79-101.

[56] Rawls J (2009) A Theory of Justice (Harvard University Press, Cambridge, MA).

[57] Ryzin GV, Mahajan S (1999) On the relationship between inventory costs and variety benefits in retail assortments. Management Sci. 45(11):1496-1509.

[58] Sandmann W (2013) Quantitative fairness for assessing perceived service quality in queues. Oper. Res. 13(2):153-186.

[59] Santos MC, Luss H, Nace D, Poss M (2019) Proportional and max-min fairness for the sensor location problem with chance constraints. Discrete Appl. Math. 261:316-331.

[60] Schilling DA, Elzinga DJ, Cohon JL, Church R, ReVelle C (1979) The team/fleet models for simultaneous facility and equipment siting. Transportation Sci. 13(2):163-175.

[61] Segran E (2022) Old Navy's plus-size experiment failed. It didn't have to. Fast Company, accessed Nov 21, 2024.

[62] Shi L, Ólafsson S, Chen Q (2001) An optimization framework for product design. Management Sci. 47(12):1681-1692.

[63] Shoaib M (2022) How size-inclusive brands are overcoming manufacturing restrictions. Vogue Business, accessed Feb 26, 2025.

[64] Stoyan YG, Romanova T, Scheithauer G, Krivulya A (2011) Covering a polygonal region by rectangles. Comput. Optim. Appl. 48:675-695.

[65] Strike Magazines (2023) The evolution of foundation shade ranges. Strike Magazines Blog, accessed May 24, 2024.

[66] Toregas C, Swain R, ReVelle C, Bergman L (1971) The location of emergency service facilities. Oper. Res. 19(6):1363-1373.

[67] Vogue Business (2023) The vogue business autumn/winter 2023 size inclusivity report. Vogue Business, accessed May 24, 2024.

[68] Wang X, Camm JD, Curry DJ (2009) A branch-and-price approach to the share-of-choice product line design problem. Management Sci. 55(10):1718-1728.

[69] Wierman A (2011) Fairness and scheduling in single server queues. Surveys Oper. Res. Management Sci. 16(1):39-48.

[70] Yaari ME, Bar-Hillel M (1984) On dividing justly. Soc. Choice Welfare 1(1):1-24.

[71] Zhang C, Zheng X (2021) Customization strategies between online and offline retailers. Omega 100:102230.