Bu yazı, Alvin Chen, Leandro Sanz ve Michael D. Wittry tarafından hazırlanan “Who Sets the Price? The Vertical Origins of Uniform Pricing” başlıklı çalışma üzerinden hazırlanmıştır. Metin; perakende fiyatlama, üretici-perakendeci ilişkileri, fiyat katılığı, yerel fiyat farklılaşması, yapay zekâ kullanımı ve bilgi işleme maliyetleri üzerine büyük ölçekli ampirik bir ekonomi/finans araştırmasıdır.

Çalışma bir working paper niteliğindedir. Bulgular güçlü bir veri setine ve ayrıntılı ekonometrik tasarıma dayanır; ancak yatırım tavsiyesi, fiyatlama danışmanlığı, rekabet hukuku değerlendirmesi veya şirket stratejisi önerisi olarak okunmamalıdır. Amaç, makalenin ana fikrini Verianla okuyucusu için sade, özgün ve tarafsız Türkçe editoryal içeriğe dönüştürmektir.

Makalenin temel sorusu şudur: ABD perakende zincirlerinde aynı ürün neden farklı şehirlerde, farklı müşteri profillerinde ve farklı rekabet koşullarında çoğu zaman benzer fiyata satılır? Bu tek tip fiyatlama perakendecilerin mağaza düzeyinde fiyat değiştirme maliyetlerinden mi kaynaklanır, yoksa fiyat kararlarının daha yukarıda, yani üretici/marka sahibi tarafında şekillenmesinden mi?

Bir market rafında gördüğümüz fiyat, çoğu zaman perakendecinin kararı gibi görünür. Ürün mağazada satılır, etiketi mağazada durur, müşteri kasada perakendeciye ödeme yapar. Ancak bu çalışma, perakende fiyatlarının sistematik kısmında üretici/marka sahibi tarafının çok daha belirleyici olduğunu gösteriyor.

Yazarlar, NielsenIQ Retail Scanner verisiyle yaklaşık 5 milyar mağaza-ürün-ay gözlemini inceliyor. Ürün barkodları, perakendeciler, ilçeler, üreticiler ve zaman boyutu birleştirilerek fiyat seviyeleri, fiyat değişimleri ve fiyat dağılımı ayrıştırılıyor. Sonuç dikkat çekici: Fiyat seviyelerindeki açıklanan varyansın yaklaşık %91’i, fiyat değişimlerindeki açıklanan varyansın ise yaklaşık %97’si üretici kimliğiyle açıklanıyor.

Bu bulgu, fiyatların yalnızca mağaza içi uygulama maliyetleri nedeniyle tek tip kalmadığını düşündürüyor. Çalışmaya göre asıl kısıt, üreticilerin yerel talep, yerel rekabet ve yerel maliyet sinyallerini toplayıp işleyerek perakendecilere uygulanabilir fiyat yönlendirmesi vermesindeki bilgi maliyetleri olabilir.

Makalenin yapay zekâ bulgusu da bu çerçeveye oturuyor. InstructGPT API’nin Ocak 2022’de firmalar için ölçeklenebilir biçimde kullanıma açılmasından sonra, yapay zekâya daha açık üreticilerin ürünlerinde fiyatlar daha yerel hale geliyor, fiyatlar daha sık değişiyor ve ortalama fiyatlar düşüyor. Etki özellikle talebi daha belirsiz veya daha fiyat duyarlı ürünlerde güçleniyor.

Problem Ne?

Perakende ekonomisinde uzun süredir bilinen bir olgu var: Aynı perakende zincirinin farklı mağazaları, çok farklı müşteri kitlesine ve rekabet koşullarına hizmet verse bile aynı ürüne çoğu zaman çok benzer fiyat koyar. Oysa yerel koşullar farklıdır. Bir bölgede gelir düzeyi yüksek olabilir, başka bir bölgede düşük olabilir. Bir yerde rakip mağaza yakındadır, başka yerde değildir. Bir yerde talep güçlüdür, başka yerde zayıftır.

Bu kadar farklı koşula rağmen fiyatların benzer kalması, “uniform pricing” yani tek tip fiyatlama sorununu doğurur. Önceki literatürde bu durum genellikle perakendeci tarafındaki maliyetlerle açıklanır: Her mağazaya ayrı fiyat etiketi basmak, promosyon takvimlerini mağaza bazında yönetmek, raf sistemlerini güncellemek, çalışanları bilgilendirmek ve müşteri algısını korumak maliyetlidir.

Bu açıklama önemlidir; fakat makale başka bir ihtimali öne çıkarır. Fiyat sadece perakendecinin kararı değildir. Üreticiler ürünleri tasarlar, markayı yönetir, toptan satış koşullarını belirler, promosyonları destekler ve çoğu zaman perakende fiyatlama üzerinde dolaylı veya doğrudan etkili olur. Dolayısıyla market rafındaki fiyat, üretici ile perakendeci arasındaki dikey ilişkinin sonucudur.

Bu noktada kritik soru değişir: Tek tip fiyatlama, perakendecinin fiyatı yerel olarak uygulayamamasından mı kaynaklanıyor, yoksa üreticinin yerel talep sinyallerini yeterince işleyememesinden mi?

Makalenin ana cevabı ikinci yöne yakındır. Üreticiler, binlerce ürün ve binlerce mağaza için yerel talep sinyallerini toplamak, analiz etmek ve perakendeciyle uygulanabilir fiyat önerilerine dönüştürmek zorundadır. Bu bilgi işleme süreci pahalı ve karmaşıktır. Bu nedenle tek tip fiyat, bazen “etiket değiştirmek zor” olduğu için değil, “nerede ne kadar fiyat değişmeli bilmek zor” olduğu için ortaya çıkabilir.

Yöntem Ne Öneriyor?

Çalışma dört aşamalı bir ampirik strateji kullanır.

Birinci aşama, fiyat varyansını üretici, perakendeci ve coğrafya bileşenlerine ayırır. Yazarlar, Shapley değerleriyle fiyat seviyelerinin, fiyat dağılımının ve fiyat değişimlerinin ne kadarının üretici, perakendeci, ilçe ve zaman etkileriyle açıklandığını inceler. Bu yöntem, “fiyatları kim daha çok açıklıyor?” sorusuna sistematik bir yanıt verir.

İkinci aşama, marka satın almalarını kullanır. Bir ürünün sahibi değiştiğinde, fiziksel ürün ve onu satan perakendeci büyük ölçüde aynı kalır; fakat upstream yani üretici/marka sahibi değişir. Eğer fiyatlama davranışı satın alma sonrası yeni sahibin fiyat rutinlerine yaklaşırsa, bu üretici tarafının fiyatlamadaki etkisini güçlendirir.

Üçüncü aşama, özel markalar ile ulusal markaları karşılaştırır. Özel markalarda ürün genellikle perakendecinin kendi markasıdır. Bu durumda perakendeci hem yerel talebi gözlemler hem de fiyat kararını daha doğrudan kontrol eder. Eğer özel markalar ulusal markalara göre daha fazla yerel fiyat farklılaşması gösteriyorsa, üretici-perakendeci bilgi aralığının tek tip fiyatlamada önemli olduğu düşünülebilir.

Dördüncü aşama, yapay zekâ şokunu inceler. Ocak 2022’de InstructGPT API’nin ticari kullanıma açılması, üreticilerin bilgi işleme maliyetlerini azaltabilecek bir teknoloji olayı olarak ele alınır. Yazarlar, yapay zekâya daha açık işgücü yapısına sahip üreticiler ile daha düşük açık üreticileri karşılaştırır ve fiyatların API sonrası nasıl değiştiğini inceler.

Formüller Ne Anlatıyor?

PDF’te birkaç temel denklem yer alır. Bunlar makalenin ampirik tasarımını anlamak için önemlidir.

Bu formül, firma düzeyinde yapay zekâ maruziyetinin nasıl hesaplandığını gösterir. \(S_{iot}\), firma \(i\)’nin \(t\) zamanında \(o\) mesleğindeki çalışan payını; \(X_o\) ise o mesleğin üretken yapay zekâya ne kadar açık olduğunu temsil eder. Yani firma, çalışanlarının görev yapısına göre yapay zekâdan ne kadar etkilenebilir diye ölçülür.

Bu denklem, marka satın almaları etrafında fiyat davranışının değişip değişmediğini test eder. Burada \(u\) ürün barkodunu, \(r\) perakendeciyi, \(s\) satın alma kohortunu ve \(t\) zamanı temsil eder. \(Post_{st}\), satın alma sonrasını gösterir. \(\beta\) katsayısı, aynı ürün-perakendeci çiftinde satın alma sonrasında fiyat davranışının değişip değişmediğini yakalar.

Bu ana farkların-farkı modelidir. \(Y_{ipt}\), fiyat dağılımı, fiyat değişim sıklığı veya ortalama fiyat gibi sonuç değişkenlerinden biridir. \(Treated_i\), yapay zekâya yüksek maruz kalan firmaları; \(Post_t\), InstructGPT API sonrası dönemi gösterir. \(\beta\), yüksek yapay zekâ maruziyetine sahip firmaların ürünlerinde API sonrası fiyat davranışının kontrol grubuna göre nasıl değiştiğini ölçer.

Bu event-study modelidir. Yani etki sadece “önce-sonra” olarak değil, olaydan önceki ve sonraki aylar boyunca ayrı ayrı izlenir. Böylece API öncesinde gruplar arasında zaten farklı bir trend olup olmadığı ve etkinin olaydan sonra ne zaman ortaya çıktığı kontrol edilir.

Bu ifade, fiyat değişim sıklığını ölçmek için kullanılır. Ortalama fiyatın log değişimi mutlak olarak %5 eşiğini aşarsa, bu gözlem büyük fiyat değişimi olarak sayılır. Çalışma, yapay zekâya daha açık üreticilerde bu tür fiyat değişimlerinin API sonrası daha sıklaştığını bulur.

Grafik, Tablo ve Şema Ana Mesajı

PDF’in 10. sayfasındaki özet tahmin tablosu, üretim maliyeti kanalı ile bilgi maliyeti kanalını ayırır. Üretim maliyeti düşerse ortalama fiyat düşebilir; fakat fiyat dağılımı, yeniden fiyatlama sıklığı ve yerel talep duyarlılığı artmak zorunda değildir. Bilgi maliyeti düşerse ise fiyatların coğrafi olarak daha fazla farklılaşması, daha sık değişmesi ve yerel koşullara daha duyarlı hale gelmesi beklenir. Çalışmanın bulguları daha çok ikinci kanala, yani bilgi kanalına uyar.

PDF’in 46. sayfasındaki Figure 4, fiyat dağılımı event-study sonuçlarını gösterir. Grafik, InstructGPT API sonrası yüksek yapay zekâ maruziyetine sahip üreticilerin ürünlerinde mağazalar arası fiyat farklılaşmasının arttığını gösterir. Olay öncesinde belirgin farklı trend görülmemesi, sonuçların yorumunu güçlendirir.

PDF’in 47. sayfasındaki Figure 5, fiyat değişimlerinin zaman içindeki etkisini gösterir. Panel A’da %5’ten büyük mutlak fiyat değişimi olasılığı artar. Panel C’de fiyat düşüşlerinin daha yaygın hale geldiği görülür. Bu bulgu, yapay zekânın yalnızca fiyatları otomatik olarak yükseltmediğini; bazı pazarlarda daha düşük fiyat fırsatlarını görünür hale getirmiş olabileceğini düşündürür.

PDF’in 48. sayfasındaki Figure 6, ortalama fiyat seviyesi event-study grafiğidir. Yüksek yapay zekâ maruziyetine sahip üreticilerin ürünlerinde API sonrası ortalama fiyatlarda düşüş yönlü bir hareket görülür. Metindeki regresyon sonuçları yaklaşık %4,3’lük göreli fiyat düşüşüne işaret eder.

PDF’in 50. sayfasındaki Figure 8, yapay zekâ benimsemesine dair destekleyici kanıt sunar. Yüksek maruziyetli firmalarda API sonrası AI ile ilgili iş ilanları ve 10-K dosyalarındaki AI terimleri artar. Bu, yapay zekâ maruziyeti ölçüsünün yalnızca teorik bir sınıflama değil, gerçek benimseme davranışıyla ilişkili olabileceğini gösterir.

PDF’in 54 ve 55. sayfalarındaki Table 3, çalışmanın temel ayrıştırma bulgusunu verir. Fiyat seviyeleri için üretici payı %91,4; fiyat değişimleri için üretici payı %97,1’dir. Fiyat dağılımında ise üretici payı %56,0, perakendeci payı %36,5 olarak bulunur. Bu tablo, market rafındaki fiyatların sistematik kısmının büyük ölçüde upstream tarafta oluştuğunu açık biçimde gösterir.

Deneyler Nasıl Yapılmış?

Çalışma laboratuvar deneyi değildir; büyük ölçekli doğal veri ve ekonometrik tasarım kullanır. Veri, NielsenIQ Retail Scanner kayıtlarıyla Compustat üretici firmalarının eşleştirilmesine dayanır. Barkod/UPC düzeyinde ürünler, mağazalar, perakendeciler, ilçeler, üreticiler ve aylar boyunca izlenir.

Örneklem, 2010–2023 döneminde yaklaşık 5 milyar mağaza-UPC-ay gözlemini kapsar. Ürünler yalnızca gıda ile sınırlı değildir; giyim, tüketici elektroniği, ev ürünleri, sağlık ve güzellik ürünleri gibi farklı hızlı tüketim ve perakende kategorileri de yer alır.

Fiyat ayrıştırması için Shapley değerlerine dayalı \(R^2\) katkı analizi kullanılır. Bu yaklaşım, üretici, perakendeci ve coğrafya gibi faktörlerin açıklanan varyansa katkısını farklı model sıralamaları üzerinden adil biçimde dağıtmayı amaçlar.

Marka satın alma analizinde 2012–2021 arasında halka açık üreticiler tarafından yapılan 10 marka satın alması incelenir. Ürün aynı kalırken sahiplik değiştiği için, fiyat davranışındaki değişim üretici etkisini anlamak için güçlü bir test sağlar.

Özel marka analizinde perakendeci kontrolündeki store-brand ürünler ile ulusal markalar karşılaştırılır. Özel markalarda yerel bilgi ile fiyat kararı aynı tarafta toplandığı için üretici-perakendeci bilgi aralığı zayıflar. Özel markaların daha fazla yerel fiyat dağılımı göstermesi, bilgi aralığı hipotezini destekler.

Yapay zekâ analizinde Ocak 2022 InstructGPT API tanıtımı doğal teknoloji şoku olarak kullanılır. Firmaların 2020 başındaki meslek dağılımından yapay zekâ maruziyeti hesaplanır; yüksek ve düşük maruziyetli üreticilerin ürün fiyatları API öncesi ve sonrası karşılaştırılır. Model; firma-ürün sabit etkileri, zaman sabit etkileri, satış hacmi, firma özellikleri ve çeşitli makro kontrollerle desteklenir.

Sonuçlar Ne Gösteriyor?

Çalışmanın ilk büyük sonucu, fiyat seviyeleri ve fiyat değişimlerinin sistematik kısmının büyük ölçüde üretici tarafında oluştuğudur. Bu, fiyatın mağazada görünmesine rağmen fiyatlama rutininin çoğu zaman üretici/marka sahibi düzeyinde şekillendiğini gösterir.

İkinci sonuç, fiyat dağılımında perakendecilerin daha belirgin ama yine de ikincil bir rol oynadığıdır. Fiyatların mağazalar arasında ne kadar farklılaştığını açıklarken üretici payı yaklaşık %56, perakendeci payı yaklaşık %37’dir. Yani yerel farklılaşmada perakendeci ilişkileri önemlidir; fakat üretici hâlâ en büyük sistematik kaynak olarak kalır.

Üçüncü sonuç, marka satın almalarının fiyat davranışını değiştirmesidir. Bir ürün başka bir üretici tarafından satın alındığında, fiyatlama davranışı eski rutininden uzaklaşır. Eğer satın alan üretici aynı ürün kategorisinde zaten faaliyet gösteriyorsa, alınan ürün onun mevcut fiyatlama rutinine yaklaşır. Bu, üreticilerin taşınabilir ve kategoriye özgü fiyatlama rutinleri olduğunu düşündürür.

Dördüncü sonuç, özel markaların ulusal markalara göre daha yerel fiyatlama göstermesidir. Özel markalarda fiyat kararı perakendecinin yerel bilgi akışına daha yakın olduğu için, fiyatlar yerel ücret koşullarına daha duyarlı hale gelir. Bu bulgu, üretici-perakendeci bilgi aralığının tek tip fiyatlamada önemli rol oynadığını destekler.

Beşinci sonuç, yapay zekânın fiyatları daha yerel hale getirebileceğidir. InstructGPT API sonrası yapay zekâya daha açık üreticilerde fiyat dağılımı artar, fiyatlar daha sık değişir ve ortalama fiyatlar düşer. Bu etki, özellikle fiyat düşüşleri üzerinden belirgindir.

Altıncı sonuç, yapay zekâ etkisinin otomasyondan çok insan kararını güçlendirme kanalında yoğunlaşmasıdır. Çalışma, etkinin pricing-task yani fiyatlama görevlerine açık mesleklerde ve augmentation exposure’da daha güçlü olduğunu bulur. Bu, yapay zekânın fiyatları kendi başına otomatik belirlemesinden çok, çalışanların talep sinyallerini daha iyi işlemesine yardım ettiğini düşündürür.

Yedinci sonuç, etkiyi açıklayan kanalın veri varlıklarıyla ilişkili olmasıdır. Yapay zekâdan en çok yararlanan firmalar, AI’ın işleyebileceği veri girdilerine daha fazla sahip olan firmalardır. Bu da “AI sihirli düğme değildir; veri ve karar süreciyle birleştiğinde değer üretir” mesajını güçlendirir.

Bu Neden Önemli?

Bu çalışma, perakende fiyatlarının nasıl oluştuğuna dair basit bir varsayımı sorgular. Raf fiyatı perakendecinin tabelasında görünür; fakat sistematik fiyat davranışı çoğu zaman üretici tarafında şekillenebilir. Bu, fiyat katılığı ve enflasyon aktarımı gibi büyük ekonomik konuları anlamak için önemlidir.

Eğer fiyat katılığı yalnızca etiket değiştirme maliyetlerinden kaynaklanıyorsa, dijital raf etiketi gibi perakende teknolojileri fiyatları daha yerel hale getirebilir. Ama asıl sorun üreticinin yerel talep bilgisini işleyememesi ise, raf etiketi tek başına yeterli olmayabilir. Bu durumda asıl değişim, üreticinin bilgi işleme kapasitesini artıran veri altyapısı ve yapay zekâ araçlarından gelebilir.

Makale ayrıca yapay zekâ tartışmasına önemli bir ayrım getirir. Yapay zekâ her zaman otomatik fiyat artırma, algoritmik rekabet veya tüketiciye karşı kişiselleştirilmiş fiyatlama anlamına gelmeyebilir. Bu çalışmada gözlenen kanal, daha çok bilgi işleme maliyetlerinin düşmesi ve fiyatların yerel koşullara daha duyarlı hale gelmesidir. Ortalama fiyat düşüşü bulgusu da bu açıdan dikkat çekicidir.

Verianla okuyucusu için ana ders şudur: Yapay zekânın ekonomik etkisi bazen doğrudan robotların karar vermesiyle değil, insanların daha önce işleyemediği dağınık bilgiyi daha iyi kullanabilmesiyle ortaya çıkar. Bu da fiyatlama, stok yönetimi, talep tahmini ve yerel pazar stratejilerinde büyük fark yaratabilir.

Dikkat Noktaları

Bu çalışmanın bazı önemli sınırlılıkları vardır.

İlk olarak, araştırma büyük, halka açık ve fiziksel tüketici ürünleri üreten şirketlere odaklanır. Hizmet sektörü, e-ticaret, küçük üreticiler veya doğrudan tüketiciye satış yapan dijital firmalar için aynı sonuçlar birebir geçerli olmayabilir.

İkinci olarak, yapay zekâ etkisi InstructGPT API çevresinde ölçülmektedir. Bu, yapay zekâ benimsemesinin erken ve firma odaklı bir dönemidir. Daha sonraki ChatGPT, GPT-4 ve daha gelişmiş modellerin etkileri farklı olabilir.

Üçüncü olarak, fiyatların daha yerel hale gelmesi her zaman tüketici lehine veya aleyhine tek yönlü yorumlanamaz. Bu çalışmada ortalama fiyat düşüşü bulunur; ancak yerelleşmiş fiyatlama bazı bölgelerde fiyat artışı, bazı bölgelerde fiyat düşüşü anlamına gelebilir.

Dördüncü olarak, çalışmanın sonuçları rekabet hukuku veya algoritmik fiyatlama riski açısından doğrudan hüküm üretmez. Makale, otonom algoritmik fiyat belirlemeden çok bilgi işleme kanalını vurgular. Yine de yapay zekâ destekli fiyatlama, ileride rekabet, şeffaflık ve tüketici refahı açısından ayrıca değerlendirilmelidir.

Beşinci olarak, AI exposure ölçüsü gerçek kullanımın dolaylı bir göstergesidir. Yazarlar bunu iş ilanları ve 10-K dosyalarındaki AI terimleriyle doğrulamaya çalışır; fakat her firmanın hangi yapay zekâ aracını hangi departmanda nasıl kullandığı doğrudan gözlenmez.

Altıncı olarak, fiyat düşüşleri tek başına üretim maliyeti düşüşünden mi, bilgi kanalından mı, yoksa ikisinin birleşiminden mi geliyor sorusu dikkatle yorumlanmalıdır. Çalışma, fiyat dağılımı, yeniden fiyatlama ve yerel ücret duyarlılığı gibi bulgularla bilgi kanalını destekler; fakat gerçek dünyada kanallar tamamen ayrışmayabilir.

Sonuç

Who Sets the Price? çalışması, market rafındaki fiyatların arkasındaki dikey yapıyı görünür hale getiriyor. Fiyat mağazada uygulanır; fakat fiyatın sistematik kısmı çoğu zaman üretici/marka sahibi tarafında oluşur. Bu nedenle tek tip fiyatlama sorununu yalnızca perakendeci etiket maliyetiyle açıklamak eksik kalabilir.

Makalenin en güçlü bulgusu, üretici kimliğinin fiyat seviyeleri ve fiyat değişimleri üzerindeki açıklayıcı gücüdür. Marka satın almaları, özel marka karşılaştırmaları ve yapay zekâ analizi bu bulguyu tamamlar. Hepsi aynı yöne işaret eder: fiyat katılığı önemli ölçüde upstream bilgi sürtünmelerinden kaynaklanıyor olabilir.

Yapay zekâ bulgusu ise çalışmayı daha güncel hale getirir. Üretken yapay zekâ araçları, üreticilerin yerel talep sinyallerini daha düşük maliyetle işlemesine yardımcı olduğunda fiyatlar daha sık değişebilir, daha yerel hale gelebilir ve bazı ürünlerde düşebilir. Bu, AI’ın yalnızca üretim otomasyonu değil, pazar bilgisini işleme kapasitesi üzerinden de ekonomik etkiler yaratabileceğini gösterir.

Verianla okuyucusu için ana mesaj şudur: Fiyat etiketini mağaza basar, ama fiyatın gerçek hikâyesi çoğu zaman üretici, perakendeci ve bilgi akışı arasındaki dikey zincirde yazılır. Yapay zekâ bu zincirdeki bilgi maliyetlerini azalttığında, tek tip fiyatların yerini daha yerel ve daha sık güncellenen fiyatlar alabilir.

Kaynak ve Yöntem Notu

Bu yazı, Alvin Chen, Leandro Sanz ve Michael D. Wittry’nin “Who Sets the Price? The Vertical Origins of Uniform Pricing” başlıklı, 1 Haziran 2026 tarihli Dice Center / Fisher College of Business working paper metnine dayalı olarak hazırlanmıştır. İçerik birebir çeviri değildir; çalışmanın ana sorusu, veri yapısı, yöntemleri, formülleri, grafik ve tablo mesajları, sonuçları ve sınırlılıkları Verianla yayın çizgisine uygun şekilde sadeleştirilmiş ve özgün Türkçe editoryal makaleye dönüştürülmüştür.

Metinde perakende fiyatlama, üretici-perakendeci ilişkileri, yapay zekâ, fiyat katılığı, yerel fiyatlama ve tüketici piyasaları ele alınmaktadır. Bu içerik yatırım, rekabet hukuku, fiyatlama stratejisi, perakende danışmanlığı veya şirket yönetimi tavsiyesi değildir. Somut uygulamalar için ilgili sektör verisi, rekabet koşulları, mevzuat ve bağımsız uzman değerlendirmesi dikkate alınmalıdır.

Kısa not: Fiyat katılığı sadece etiket değiştirme maliyeti değil; üreticinin yerel talep bilgisini işleme maliyetiyle de bağlantılı olabilir.