网络平台销售模式中的需求信息分享策略研究

罗春林，毛小兵，田 歆

(1. 中国科学院大学经济与管理学院, 北京 100190；2. 江西财经大学信息管理学院，江西 南昌 330013；3. 中国科学院虚拟经济与数据科学研究中心，北京 100190)

网络平台销售模式中的需求信息分享策略研究

罗春林1,2，毛小兵2，田 歆1,3

(1. 中国科学院大学经济与管理学院, 北京 100190；2. 江西财经大学信息管理学院，江西 南昌 330013；3. 中国科学院虚拟经济与数据科学研究中心，北京 100190)

研究了两竞争制造商通过同一网络平台销售产品的需求信息分享问题。已往研究表明，信息分享一定会为参与企业带来更多的利润，然而研究发现，在网络平台销售模式下，当平台提成比例过高而产品生产的规模经济比较明显时，分享需求信息却不一定会为平台带来更多的期望利润。在规模经济的时候，不获取信息的制造商可以从竞争制造商获取信息行为中收获搭便车效应，而在规模不经济的时候，不获取信息的制造商却须为此付出代价。当平台的需求信息越准确时，获取信息带来的利润就越多。

信息分享；网络平台；竞争；贝叶斯均衡

1 引言

供应链管理的一个重要特征是让参与企业专注于自己的核心业务，充分发挥比较优势原理的作用，进而提高运营效率。但另一方面，企业之间由于隐私与信任的顾虑、竞争等方面的原因常会保留一些私有信息，造成供应链企业之间的信息不对称，从而降低供应链的运行效率。解决企业之间信息不对称的重要途径显然是信息共享，如Lee等[1]研究了二阶供应链中信息分享的价值，Rached等[2]分析了信息共享的价值及对供应链中合作伙伴企业绩效的影响，而Khan等[3]和Sabitha等[4]分别在供应链可持续发展与需求为一阶自回归情形下研究了信息共享的价值。由于供应链的最终目标是服务于客户的需求，因而需求信息共享无疑是非常重要的，不对称的需求信息难以实现供给与需求的匹配，给供应链企业的生产量选择与定价造成困难。因此，关于需求信息的分享策略是一个非常值得深入研究的现实问题。

目前，关于需求信息的分享策略研究主要集中在两个方面：一个是下游的零售商拥有比上游企业更准确的需求预测信息，另一个是上游制造商比零售商有更准确的需求预测信息问题。由于零售商直接面向市场、面向消费者，在销售的过程中积累了大量的用户数据，因此，在很多时候，下游零售商比上游企业拥有更多的需求信息，这也是近二十年来的一个热点研究问题。如Li等[5-6]研究了多个零售商之间存在水平竞争的需求信息共享策略，Ha等[7-8]和Guo Liang等[9]研究了供应链与供应链之间竞争模式下的信息共享问题，Babich等[10]在非对称需求信息背景下研究了供应商的契约设计，而Li Tian等[11]研究表明在按库存生产情形下，当需求的不确定性程度适中时，零售商是乐意自愿分享信息的，Shang Weixin等[12]研究了两个制造商共用一个零售商销售模式下的信息分享策略。

另一方面，对很多时尚类商品和季节性产品，市场需求信息非常不明确，这时制造商都会投资成熟的需求预测系统并做大量的市场调研，从而获得更准确的需求预测信息[13-14]，另外在分销渠道中，制造商(如品牌企业)也往往拥有比零售商更好的需求预测信息[15]。Guo Liang等[14]研究了分销渠道中制造商分享信息对供应链运营决策的影响，Jiang Baojun等[15]研究了分销渠道中的需求信息分享与否问题，并探讨了制造商的信息准确度和零售商的风险厌恶对信息共享策略的影响。Bian Wenliang等[16]研究了制造商与零售商都拥有部分需求信息的信息分享问题，结果表明供应链能否从信息分享中获益依赖于竞争强度和预测的误差程度。国内许多学者也分别在不同情形下研究了信息分享的策略与价值[17-20]。

但这些研究都是基于传统的购销模式，而近年来电子商务迅猛发展，很多企业都考虑通过天猫等网络电商平台销售产品，在这类销售模式中，平台并不从制造商手中购买商品然后再卖给消费者，而只是为制造商与消费者提供一个买卖平台，并提取一定比例的佣金。由于天猫等电商平台积累了大量的销售信息、客户信息等数据，对产品的需求往往有更准确的认识，因此，平台对需求信息就有一个策略性分享问题。当平台对分享信号数据收取一定费用的时候，制造商就面临选择购买与不购买的问题。购买平台的信号数据意味着可以更准确地获悉需求信息，从而帮助更准确地定价。由于同一种产品往往有不同品牌的制造商在生产，并通过相同的平台如天猫网络平台在销售，这种竞争制造商在网络平台销售模式下的信息分享问题普遍存在于现实之中，但目前还没有文献研究。因此本文研究两竞争制造商通过同一网络平台销售产品，网络电商平台拥有更准确需求信息时的信息分享策略问题。另一方面，由于制造商的规模生产可能带来规模经济效应或规模不经济，探讨制造商的成本模式对信息分享策略的影响。

2 模型描述与信息结构

平台销售模式区别于传统的批发零售模式，主要在于产品的价格是由制造商确定，而平台只收取一定比例的平台费用，设平台保留的提成比例为(1-s)。由于同一种产品往往有不同品牌的制造商在生产，并通过相同的平台如天猫在销售，因此本文考虑某产品的两个竞争制造商通过同一网络电商平台销售的运营决策问题。设制造商i选取的产品售价为pi，基本模型如下图1所示。

图1 竞争制造商网络平台销售模式示意图

由于产品竞争，制造商i的产品需求不仅取决于其价格pi，还取决于竞争制造商(3-i)的产品价格p3-i，设其需求函数为

qi=a+θ-(1+φ)pi+φp3-i

(1)

其中φ刻划了两个制造商之间的竞争强度，φ越大表示竞争越激烈。随机变量θ反应了需求的不确定性，记其均值为0，方差为σ2。这种竞争型需求函数广泛地应用于经济学和运营管理领域(如Li等[6]，Shang Weixin等[12]和Shin等[21]等)。

网络电商平台如天猫由于积累了大量的销售与客户数据，对产品的需求有着比制造商更为准确的认识。这些信号数据有着明显的商业价值，因此平台会先公布对获取这些信号数据收取一定的费用，然后制造商再决定是否购买这些信号数据来获取对需要更为准确的认识。

设电商平台拥有关于随机变量θ的信号信息Y，不失一般性，设E[Y|θ]=θ，即Y为θ的无偏估计。进一步假定θ关于Y的条件期望是信号Y的线性函数，这种信息结构广泛地运用于信息分享文献(如Li[5]等)中。记t=1/E[Var(Y|θ)]，则t的大小反映了信号的准确程度，而且E[θ|Y]是先验期望E[θ]和信号Y的加权平均:

(2)

其中β(t,σ)=tσ2/(1+tσ2)为信号Y的权重，显然β(t,σ)为t的递增函数，即信号越准确，权重β(t,σ)越大。根据这样的信息结构可计算得:

E[Y2]=Var(Y)-[E(Y)]2=Var[E(Y|θ)]+E[Var(Y|θ)]=Var(θ)+E[Var(Y|θ)]=σ2+1/t.

(3)

于是，当制造商i知晓平台的需求信息Y时，其期望利润为

πi=(spi-c){a+E[θ|Y]-(1+φ)pi+φp3-i}-cv{a+E[θ|Y]-(1+φ)pi+φp3-i}2

(4)

而当制造商i不知晓平台的需求信息Y时，其期望利润为

πi=(spi-c){a+E[θ]-(1+φ)pi+φp3-i}-cv{a+E[θ]-(1+φ)pi+φp3-i}2

(5)

3 制造商之间的博弈分析

制造商1与制造商2之间由于竞争的原因，是否获悉需求信息Y并不会让对方知道，因此制造商1与制造商2之间构成了一个非完全信息静态博弈。因而利用不完全信息静态博弈的贝叶斯纳什均衡研究制造商的定价策略与期望收益。

制造商i在做决定之前，会估计制造商j(=3-i)的定价决策(如果制造商j知晓信息Y，则其定价为Y的函数；而如果制造商j不知晓信息Y，则其定价是基于Y的期望，并不依赖于Y的具体值，即为独立于Y的函数)。因而如果制造商i知晓信息，他将准确地知道制造商j所知道的信息Y，因此制造商i的反应函数为pj的函数；而如果制造商i不知晓信息，他将不知道知晓制造商j所获悉的信息Y,因此他的反应函数只能是基于E[pj]，这里期望取遍Y的分布。当制造商j不知晓信息Y，则pj独立于Y，这时E[pj]可以简单地记为pj。因此，结合上面的分析并通过对期望利润的优化可得制造商的最佳反应函数如引理1所示。

引理1： 当制造商i知晓信息时，其最佳反应函数为：

pi(p3-i)=

(6)

而当制造商i不知晓信息时，其最佳反应函数为：

pi(p3-i)=

(7)

证明：引理1及后面命题的证明均见附录。

这里的最佳反应函数都是基于贝叶斯均衡给出的：当制造商i知晓信息时，给定制造商(3-i)的定价策略，制造商i的反应函数是信号Y的线性函数；而当制造商i不知晓信息时，他只能基于制造商(3-i)的定价期望确定自己的反应函数。

3.1 两个制造商都知晓信息

当两个制造商都知晓信息时，则由引理1可知，制造商1与制造商2的最佳反应函数分别为:

通过对他们之间博弈均衡的求解，可得制造商的均衡定价策略如命题1所示。

命题1：当两个制造商都知晓信息时，其均衡定价策略为：

(8)

其中下指标第一个字母2标识两个制造商均知晓信息，标识意义下同。

通过对信号Y求期望，可得制造商的期望利润为:

(9)

而网络电商平台的期望利润为：

(10)

3.2 一个制造商知晓而另一个制造商不知晓信息

和

根据两制造商的最佳反应函数，可以得到他们的定价策略如命题2所示。

命题2：当一个制造商知晓信息另一个制造商不知晓信息时，其均衡定价策略为：

(11)

和

(12)

其中下指标中的I和U分别标识制造商知晓信息(Informed)和不知晓信息(Uninformed)。

对信号求Y求期望，可得制造商的期望利润为：

(13)

(14)

而平台的期望利润为：

(15)

3.3 两个制造商都不知晓信息

当两个制造商都不知晓信息时，则由前面的分析可知，制造商1与制造商2的最佳反应函数分别为：

和

通过对他们之间博弈均衡的求解，可得两制造商的定价策略如命题3所示。

命题3：当两个制造商都不知晓信息时，其均衡定价策略为：

(16)

这时，制造商的期望利润为:

(17)

而平台的期望利润为:

(18)

4 制造商与电商平台之间的博弈分析

由于制造商的规模生产常呈现规模经济效应或规模不经济效应，因此下面分三种情况进行考虑制造商与电商平台之间的博弈，即制造商的生产为固定边际成本(cv=0)，生产呈规模经济效应(cv<0)与规模不经济(cv>0)三种情况。

4.1 产品生产为固定边际成本

当制造商的生产为固定边际成本，即cv=0时，制造商根据知晓信息与否，以及竞争对手是否知晓信息等不同情况下的期望利润为:

而平台在不同情况下相应的期望利润为：

直接比较可得：

命题4表明当制造商的产品生产具有固定边际成本时，制造商知晓信号会给他带来更多的利润，而且“竞争对手”制造商也知晓信息会对他更加有利，体现了信息的价值。而对一个不知晓信息的制造商来说，无论他的“竞争对手”零售商知晓或不知晓信息，都不影响其期望利润。另一方面，从网络销售平台的角度来看，知晓信息的制造商个数越多，其获取的利润越多。

由于网络销售平台拥有的需求数据信息具有明显的信息价值，因此平台一般不会无偿地分享给制造商，制造商需要提供一定的费用才可以获取该信息。设电商平台对购买数据信息的制造商收取价格为T的费用，则制造商之间的博弈支付矩阵如下表1所示。

表1 博弈的支付矩阵

(19)

由于β(t,σ)关于t是递增的，因而自然有，

命题5：T*|cv=0和ΔπM|cv=0都是信息准确度t的递增函数。

命题5表明当信息的准确度越高时，制造商与销售平台都能赚取更多的“信息利润”。

4.2 产品生产呈规模经济效应

当制造商的生产呈规模经济效应，即cv<0时。这里需假设s+cv(1+φ)>0，否则制造商的最佳利润为负，最佳策略就是选择不生产。这是因为当制造商生产有很明显的规模经济效应时，s过小和φ过大，即制造商得到的分成比例过少而竞争又非常激烈，会导致制造商没有盈利而言。

通过直接比较可以得到：

命题6隐含了一个非常有趣的结果，即当制造商的生产呈规模经济效应时，一个制造商不获悉信息，但另一制造商知晓信息，它也能从这一背景下获利，即“搭乘了便车”。造成这种搭便车的原因是，一个制造商知晓信息不仅让自己受益，而且能通过规模经济效应的作用带动另一制造商获利。

另一方面，对正常情况下的网络销售平台来讲，平台需求信息分享会为其带来更多的利润。但当平台提成比例比较高而产品的规模经济比较明显时，分享需求信息却不会为网络销售平台带来更多的期望利润。其原因是在正常情况下，如(6)和(9)所示，制造商都会根据信号同方向地调整自己的定价策略(即利好消息时会提高价格而利差消息时会降低价格)，以获得更多期望利润，但当制造商分享比例过低而规模经济又比较明显，知晓信息的制造商为了保护自己的利益，会反方向地调整自己的定价策略，从而使得网络销售平台不能获取更多的期望利润。

和4.1中固定边际成本同样的分析，可得网络销售平台的最优信号数据定价为：

(20)

而两个制造商都从信息分享中多赚取了期望利润ΔπM|cv<0为：

显然，信息的准确度越高，制造商与销售平台赚取的“信息利润”会越多。

4.3 产品生产为规模不经济

设两制造商的生产呈规模不经济效应，即cv>0时，直接比较在不同情况下制造商的利润和电商平台的利润可得：

命题7表明，在制造商的生产呈规模不经济效应时，制造商不知晓信息而“竞争对手”知晓信息是对其非常不利的。因为竞争对手知晓信息而自己不知晓信息，导致其在选择定价时只能用传统的定价策略，而不能根据信息来调整改变定价策略，另一方面竞争对手知晓信息调整了定价策略。竞争对手知晓而自己不知晓，又由于制造商生产呈规模不经济效应，使得对信息不确定的制造商处于非常不利的位置，需要付出高昂的“信息”代价。而从网络销售平台的角度来讲，知晓信息的制造商越多对其越有利。

利用4.1中同样的分析方法可得网络销售平台的最优信息数据定价为：

(21)

而两个制造商都从信息分享中多赚取了期望利润ΔπM|cv>0为：

s2β2(t,σ)(σ2+1/t)

并且制造商与销售平台赚取的“信息利润”都会随信号准确度的提高而增加。

5 数值算例分析

为了进一步分析制造商之间的竞争强度、电商平台的佣金比例以及制造商的规模经济效应等对电商平台信息数据价值的影响，下面通过数值分析的方法研究不同情形下电商平台的信息数据定价与制造商获取信息数据的期望利润增量。网络电商平台如天猫，根据产品类型的不同，收取的佣金比例也不一样，基本上在2%-8%之间变动，因此在考虑平台佣金比例的影响时，取佣金比例(1-s)从2%变化至8%；而在考虑制造商之间的竞争强度对信息数据价值的影响时，取平台的佣金比例为1-s=5%。另一方面，不失一般性设随机变量θ的均值为0，方差为1。由于像天猫这样的大型网络电商平台收集了大量的数据，对客户的需求信息有比较准确的认识，设平台提供信号对真实需求的预测准确程度为90%，即t=0.9。为了考虑制造商的规模经济效应与规模不经济对信息数据价值的影响，分别取cv=-0.005，cv=0和cv=0.005，在不同竞争强度与不同佣金比例下，可得电商平台的信息数据定价与制造商获取信息的期望利润增量如图2与图3所示。

图2 制造商之间的竞争强度对信息数据价值的影响

图3 电商平台佣金比例对信息数据价值的影响

从图2中可以看出，平台信息数据的最优定价随着制造商之间竞争强度的增加而减少，这是由于平台信息数据的最优定价取决于没有制造商知晓信息时的期望利润到只有一个制造商获悉信息时知晓制造商期望利润的增量，由于竞争强度加剧了，制造商都是通过激烈的竞价模式赢取市场与利润，从而使得即使一个制造商知晓信息其期望利润的增量空间也不大。竞争越激烈，迫于竞争压力该增量空间越小，导致平台的信息数据价格也越小。但另一方面，制造商都获悉信息带来的期望利润增量却随着零售商竞争强度的增加而增加，这主要源于两方面的原因，一是得益于电商平台降低了信息数据价格，另一方面是由于制造商都获悉信息在竞争比较激烈的时候表现得更为重要，能帮助两制造商为产品设置更合适的价格，从而为双方带来更多的利润。

从图3可以看出电商平台的信息数据定价与制造商均知晓信息带来的利润增量都随平台的佣金比例提高而下降，这是由于电商平台提取佣金的比例提高了，实际上是压缩了制造商的利润增量空间。另一方面，图2与图3均显示，制造商生产呈规模经济效应时的信息数据定价都要高于规模不经济效应时的信息数据定价，但制造商的期望利润增量在规模经济时反而低于规模不经济时的增量。这是因为制造商的生产呈规模经济效应时，可赚取的利润空间比较大，而电商平台作为博弈先动者拥有先动优势，从而使得规模经济时信息数据定价高而制造商的期望利润增量低。

6 结语

本文利用不完全信息静态博弈研究了两竞争制造商通过同一网络电商平台销售产品的需求信息分享问题。结果显示，在网络平台销售模式下，信息分享同样能给网络平台和制造商带来更多的期望利润，但当平台提成比例过高而产品生产的规模经济比较明显时，分享需求信息却不一定会为平台带来更多的期望利润。在规模经济的时候，不获取信息的制造商可以从竞争制造商获取信息行为中收获搭便车效应，而在规模不经济的时候，不获取信息的制造商却须为此付出代价。最后基于制造商之间的博弈结果，分析了电商平台提供需求信息数据的定价以及信息分享对企业期望利润的影响，结果发现当平台的需求信息越准确时，获悉信息带来的利润就越多。因此，当平台具有比较准确的需求预测能力并且平台收取的佣金比例不是太高时，制造商应该考虑购买平台的数据信息。另外，当制造商的生产呈规模不经济效应时，制造商购买数据信息带来的利润变化更加明显。

由于本研究只考虑了两个制造商通过同一个网络电商平台销售产品，而在现实中，他们可能会通过多个网络电商平台来销售产品，基于这种网状结构竞争的平台销售模式，需求信息分享策略会有怎样的变化？另一方面，网络电商自己也可能同时会选择自营模式销售产品，如京东有京东自营与平台销售两种渠道，这时信息分享策略又会有怎样的变化？这些问题都值得深入研究。

附录：

引理1的证明：

首先分析知晓制造商i的反应函数。当制造商j不知晓信息Y时，制造商i将准确地知晓制造商j所知道的信息Y，因此制造商i的反应函数为pj的反应函数；当制造商j不知晓信息Y，则pj独立于Y，因此制造商i的反应函数是基于最大化其期望利润，即

将πi对pi求导并令∂πi/∂pi=0，可得

再分析不知晓信息制造商i的反应函数。由于制造商i不知晓信息Y,因此他的反应函数只能是基于E[pj]，这里关于pj的期望取遍信号Y的分布，即基于最优化

利用与上面同样的求导分析，可得制造商的最佳反应函数为：

命题1的证明：直接求两制造商的最佳反应函数方程组

命题2的证明：联立两制造商的反应函数方程组

和

命题3的证明：联立两制造商的反应函数方程组

并注意到这时E[p1]=p1与E[p2]=p2，即可求得两制造商的定价策略：

[1] Lee H L, So K C, Tang C S. The value of information sharing in a two-level supply chain[J]. Management Science, 2000, 46(5): 626-643.

[2] Rached M, Bahroun Z, Campagne J P. Assessing the value of information sharing and its impacts on the performance of the various partners in supply chains[J]. Computers & Industrial Engineering, 2015, 88: 237-253.

[3] Khan M, Hussain M, Saber H M. Information sharing in a sustainable supply chain[J]. International Journal of Production Economics, 2016, 181(part A): 208-214.

[4] Sabitha D, Rajendran C, Kalpakam S, et al. The value of information sharing in a serial supply chain with AR(1) demand and non-zero replenishment lead times[J]. European Journal of Operational Research, 2016, 255(3): 758-777.

[5] Li L. Information sharing in a supply chain with horizontal competition[J]. Management Science, 2002, 48(9): 1196-1212.

[6] Li L, Zhang Hongtao. Confidentiality and information sharing in a supply chain coordination[J]. Management Science, 2008,54(8): 1467-1481.

[7] Ha A Y, Tong Shilu. Contracting and information sharing under supply chain competition[J]. Management Science, 2008, 54(4): 701-715.

[8] Ha A Y, Tong Shilu, Zhang Hongtao. Sharing demand information in competing supply chains with production diseconomies[J]. Management Science, 2011, 57(3): 566-581.

[9] Guo Liang, Li Tian, Zhang Hongtao. Strategic information sharing in competing channels[J]. Production and Operations Management, 2014, 23(10): 1719-1731.

[10] Babich V, Li Hantao, Ritchken P, et al. Contracting with asymmetric demand information in supply chains[J]. European Journal of Operational Research, 2012, 217(2): 333-341.

[11] Li Tian, Zhang Hongtao. Information sharing in a supply chain with a make-to-stock manufacturer[J]. Omega-The International Journal of Management Science, 2015, 50:115-125.

[12] Shang Weixin, Ha A Y, Tong Shilu. Information sharing in a supply chain with a common retailer[J]. Management Science, 2016, 62(1):245-263.

[13] Fisher M L, Hammond J H, Obermeyer W R, et al. Making supply meet demand in an uncertain world[J]. Havard Business Review, 1994, 72: 83-93.

[14] Guo Liang, Iyer G. Information acquisition and sharing in a vertical relationship[J]. Marketing Science, 2010, 29(3): 483-506.

[15] Jiang Baojun,Tian Lin, Xu Yifan,et al. To share or not to share: Demand forecast sharing in a distribution channel[J]. Marketing Science, 2016, 35(5): 800-809.

[16] Bian Wenliang, Shang J, Zhang Juliang. Two-way information sharing under supply chain competition[J]. International Journal of Production Economics, 2016, 178: 82-94.

[17] 张菊亮,章祥荪. 供应商和销售商拥有部分信息的信息分享[J].中国管理科学, 2012,20(1):109-116.

[18] 聂佳佳. 零售商信息分享对闭环供应链回收模式的影响[J]. 管理科学学报, 2013,16(5):69-82.

[19] 李波, 孙鹏, 李庆华. 双渠道供应链中信息共享价值研究[J]. 系统工程学报, 2015, 30(4):530-538.

[20] 但斌, 周茂森, 张旭梅. 存在竞争性制造商的集团采购供应链需求预测信息的共享与激励[J]. 中国管理科学, 2016,24(3): 41-51.

[21] Shin H, Tunca T. Do firms invest in forecasting efficiently? The effect of competition on demand forecast investments and supply chain coordination[J]. Operations Research, 2010, 58(6):1592-1610.

[22] Taylor T, Xiao Wenqiang. Does a manufacturer benefit from selling to a better-forecasting retailer[J]. Management Science, 2010, 56(9): 1584-1598.

Demand Information Sharing Strategies in Online Platform Selling Mode

LUO Chun-lin1,2，MAO Xiao-bing2，TIAN Xin1,3

(1. School of Economics and Management, University of Chinese Academy of Sciences, Beijing 100190，China;2. School of Information Technology, Jiangxi University of Finance & Economics, Nanchang 330013,China；3. Research Center on Fictitious Economy and Data Science, Chinese Academy of Sciences, Beijing 100190,China)

Recent years have witnessed the development of electronic commerce. A large number of manufacturers have transferred the selling mode from the traditional wholesale mode to the online platform selling mode through a platform such as tmall.com. Under the traditional wholesale mode, the retailer buys the products from the manufacturer and then sells them to the consumers. However, under the online platform selling mode, the platform just provides the service for the manufacturers’ selling products and keeps a percentage of the sales revenue. The platform acquires rich market data about sales and consumers, and thus has more accurate demand information than the manufacturers. How to share the demand information strategically in online selling mode is an interesting research question. On the other hand, there often are several competing manufacturers (e.g., different brand manufacturers) that produce the similar products and sell them through a common online platform. In the paper, the information sharing problem is studied based on the approach of game theory with incomplete information, in which the platform firstly offers the information contracting and then the manufacturers determine to accept the offer or not. Our research contributes to the literature in considering the information sharing strategies in online selling mode. The extant researches revealed that sharing information will benefit the firms by earning more profit. However, our analytical results show that when the percentage of commission is large and the economy of scale is high, sharing information may not bring more profits for the platform. When the production is economy of scale, the manufacturer who is uninformed of the demand information, acting as a free rider, may benefit from the behavior that the competing manufacturer acquires the demand information; whereas the production is diseconomy of scale, the uninformed manufacturer will be hurt by such behavior. And the more accurate the information is, the more profit acquiring information will bring.Moreover, our numerical analysis reveals that the pricing of the demand information data decreases in the competing intensity between the manufacturers, whereas the increment of the manufacturer’s expected profit resulting from the knowledge of demand information increases in the intensity. And if the platform keeps more percentage of the sales revenue, the value of the demand information will be reduced.

information sharing; online platform; competition; Bayes equilibrium

1003-207(2017)08-0149-09

10.16381/j.cnki.issn1003-207x.2017.08.016

2016-09-26；

2016-12-17

国家自然科学基金重大项目资助(71390330)；国家自然科学基金资助项目(71461009, 71202114, 71261006)；山东省自主创新及成果转化专项项目(2014ZZCX03302)；江西省自然科学基金项目(20151BAB207061)

田歆(1983-)，男(汉族)，湖南张家界人，中国科学院虚拟经济与数据科学研究中心副研究员，硕士生导师，研究方向：虚拟商务、物流与供应链管理,E-mail:tianx@ucas.ac.cn.

F273.7

A