技能型共享经济买方个人信息披露、服务商信号释义及响应行为研究

○ 洪志娟 王筱纶

引言

共享经济指拥有闲置资产的机构或个人通过市场有偿让渡资产的短暂使用价值，并获得一定的经济回报。技能型共享经济（技能共享）是指让渡技能、经验、创意等的共享经济类型。[1]国际知名的技能共享平台有Freelancer.com、upwork.com等；国内知名的技能共享平台包括猪八戒网、一品威客网等。平台主要通过买方决定式拍卖（Buyer-deter mined Auctions）达成供需匹配：买方（雇主、需求方）首先发布所需服务招标说明，等待平台闲置的技能服务商进行投标，然后从中挑选最优者。这样的组织方式拓展了服务供需双方的可选择范围，使得具有相同或相似服务需求的雇主可共享服务商的技能，而服务商也不再被限定于服务一家企业，最终闲置的人才技能可以充分发挥，资源配置效率也将得到极大提升。近年来，知识技能型共享经济发展如火如荼，根据《中国共享经济发展年度报告（2018）》，2017年知识技能共享领域市场的交易额增速高达126.6%，已经成为共享经济领域的耀眼“新星”。2018年12月，猪八戒网、一品威客网等作为知识技能共享示范，入选《中国共享经济发展报告》“共享经济典型案例”。

然而，技能共享经济高速扩张的背后依然面临整体交易结果较差、匹配效率较低等问题。[2–4]为解决上述难题，学界已经探讨了信用、[5]加价延期、[6]标书隐藏、[7]偏好披露、[8]要求担保[9]等多种机制。然而，据作者所知，已经在实践中应用的信息披露机制却尚未引起学界关注。事实上，虽然信息披露是传统拍卖设计不可或缺的重要参数，但以其为重点且聚焦于技能共享的买方决定式拍卖的研究却较为鲜见。

信息披露是技能共享平台买方的重要决策之一。直觉上看，买方作为双方互动的先行方，其信息披露策略将对“后行”的服务商行为产生影响，但具体是何种影响、如何产生影响等问题学界尚不清晰。拍卖领域研究已经就信息披露问题做了较为深入的探讨，然而观点莫衷一是，信息披露的优劣争论仍悬而未决。传统拍卖研究多以正向拍卖或事前确定好选标规则的多属性采购拍卖为对象，其结论是否依然适用于互联网技能共享背景下针对服务的买方决定式拍卖值得怀疑；另外，相关的拍卖研究多以数理模型和实验室实验研究为主，缺乏实践大数据的支撑。因此，本研究提出如下研究问题：技能型共享经济中，买方的个人信息披露策略如何影响潜在服务商的行为？通过披露更多的个人信息是否可以激发潜在服务商向着优于需求方利益的方向展开行动，进而提升交易效果？

一、相关研究综述

1.技能型共享经济相关研究

技能型共享经济平台或技能共享平台，在以往的研究中也被称为“众包平台”“在线劳动力市场”“在线服务市场”等。技能共享的展开涉及双边参与者：（1）服务需求方，即买方；（2）服务提供方，即服务商。基于不同的参与方，可将相关研究分为两类。第一类主要探讨买方的发布行为与选标行为。关于买方的发布行为，以往研究主要探讨了发布任务时各类参数（如发包方式、招标时长、任务描述、预算设定、标书隐藏、要求担保）的设置及其对任务绩效的影响作用。Hong等[10]探讨了雇主在发布任务时选择特定定价模式的影响因素。宗永利等[11]实证检验了任务的奖金额度、持续时间及发包方式等对服务商参与人数的影响作用。Ho ng等[7]比较了标书隐藏设定对参与投标者数量及买方收益的影响，发现虽然隐藏标书不利于吸引更多服务商参与，但可以促使服务商提供更优的标书。Hong等[9]的研究表明，设置担保要求会吸引到更少但质量更高的服务商，以及投标工期更短、文字描述更简略的标书。关于买方的选标行为，以往研究主要探索了其影响因素，包括报价、服务商的信誉、[12–15]工作技能、[16]经验、[16–18]所在地区、[16,17]与买方的文化语言差异、[12,19,20]之前是否与买方有过合作等。[19]

第二类主要探讨服务商的行为，包括参与行为（共享行为）、投标行为等。相关研究主要从个人心理动机、任务特征和平台因素三个方面探索了服务商参与行为的影响因素。在个人心理动机上，以信息系统领域经典的接受与使用模型，如信息系统持续使用模型（Postacceptance Model of IS Continuance,PAM-ISC）、[21]技术采纳与整合理论模型（Unified Theory of Acceptance and Use of Technology,UTAUT）[22,23]等为基础，结合动机理论探索服务商参与意图与行为的影响因素。赚钱、[23–26]提升技能、[24,25]工作时间自由、[25]兴趣或享受乐趣、[21,25]获取机遇、[24]自我肯定、[21]对社区的热爱和虚拟社区感[21,24]等已经被证明是服务商参与技能共享行为的重要动机。以往研究也探讨了任务特征对服务商参与行为的影响作用，包括任务的自主性、多样性、简洁性、可分析性、变动性、[27]隐晦性[26]及任务价值[2]等。此外，对平台的信任程度也会影响潜在服务商的参与意愿及行为。[23]李梅芳等[1]从共享视角探索了平台内部因素、用户及交易内容、社会外部因素对潜在服务商共享意愿和共享程度的影响。服务商投标行为方面的研究主要探索了投标价格、投标工期等的影响因素。比如，洪志娟[28]基于收益成本、任务设计、知识管理、风险溢价、信息不确定性与信息不对称等理论，构建了服务商投标行为影响因素模型，并实证分析了参与人数、买方经验、任务预算、任务描述、服务商信用与服务商商铺类型等对服务商投标价格和投标工期的影响作用。Hong等[9]发现，采用买方侧信任机制可促使服务商投标更短的工期和更简略的标书。

综上所述，虽然既有研究已经针对买方的发布行为进行较为广泛的研究，但鲜有研究聚焦于买方在发布任务时的个人信息披露策略所导致的影响。另外，虽然相关研究已经探讨了服务商的参与和投标行为，但对其担保行为的探讨较少。

2.拍卖领域信息披露制度与策略相关研究

技能共享平台的本质是通过买卖双方都积极参与的买方决定式逆向拍卖（Buyer-determined Reverse Auctions）达成供需匹配。因此，对于拍卖领域中的信息披露策略的剖析能为本文提供新的洞见。

信息披露是拍卖设计的重要维度之一。关于信息披露的影响，以往研究主要分为三种观点。第一种观点认为信息披露多少对拍卖者的收益无影响。该观点的代表理论是收益等价定理（Revenue Equivalence Theorem），主要强调在一定的条件约束下，竞争对手信息的披露对最终的竞拍结果绩效无影响，即密封报价拍卖与公开报价拍卖对拍卖方的收益是等价的。[29]后续系列研究表明该原理具有较强的稳定性，即使放松风险偏好[30,31]、投标成本、[32]竞标者数量的信息[33,34]等条件后，该结论依然成立。

第二种观点认为信息披露越多，竞拍结果将越有利于拍卖者。这一观点以关联原理（Linkage Principle）为代表。[35]持该观点的学者认为对拍卖品价值的评估成本是不容忽视的，而该成本源于投标者对拍卖物真实价值评估的不确定性。竞标者的出价总是拍卖品的预估价值减去竞标者获取相关信息的门槛成本。[36]Kagel等[37]通过构建纳什均衡模型表明，当向投标者提供更多信息时，拍卖方将获得更大的剩余价值。Cho等[38]发现，与动态互联网拍卖相比，披露更多信息的英式拍卖可为拍卖者带来更高的收益。Goeree等[39]发现，共有价值信息的披露可以提高拍卖效率。Kagel等[40]的实验表明，正向拍卖中，公共信息的披露会促使竞拍者报价更高。Gwebu等[41]通过实验表明，在多属性逆向拍卖中减少信息不对称有利于激发竞标者提交更利于买方的标书。

第三种观点与第二种观点截然相反，认为信息披露会减少拍卖者的收益。该观点的理论解释是信息不透明加剧了对手之间的竞争程度，进而使参与的投标者报出更有利于拍卖者的标书。正向拍卖背景下，McAfee等[34]的数理分析模型表明，当竞标者的相对风险偏好保持不变或逐渐降低时，向其隐瞒竞标总人数的信息有助于提高拍卖者的收入。一些逆向拍卖（如采购）研究也证实了这一观点，主要采用实验室实验方法，通过设计不同的信息策略结构的拍卖，对信息披露策略与采购者绩效的关系予以研究。[42–44]Mithas等[45]利用一家汽车公司的采购拍卖历史数据研究发现，信息透明与买方剩余价值负相关。

拍卖领域信息披露设计的研究并未形成统一结论：一方面，以往对信息披露的争论多集中在竞争对手信息的披露方面，而对拍卖者（买方）本身相关信息的披露探讨得较少；另一方面，以往研究多以数理模型和实验为主，基于实践数据的实证研究相对匮乏。此外，传统拍卖研究对信息披露策略的研究结论是否适用于互联网技能共享背景下针对服务的买方决定式拍卖，也亟需学界的进一步研究。

二、研究模型与假设

1.研究模型

实践中，技能型共享经济平台为买方披露信息提供了较为宽松的环境。现有的平台机制设计通常允许买方在一定范围内自主选择向平台披露部分个人信息，包括实名、手机、银行卡和邮箱信息等。“向平台披露了何种个人信息”的标识会呈现在买方发布的任务页面并被潜在服务商观测到。

本研究主要探讨技能服务商在竞标过程中涉及的三种策略行为：参与行为、投标行为和担保行为。具体而言，从任务层面探索服务商的参与行为，从标书层面探索投标和担保行为。服务商的参与行为主要指有多少服务商、什么样（能力几何）的服务商选择参与竞标。投标工期与投标价格是技能共享平台招标任务的投标标书的两个重要维度，如若中标，两者将成为买方与中标服务商合同的重要条款。本研究将在控制投标价格的情况下，探讨买方信息披露策略对服务商投标工期的影响。服务商可通过向平台缴纳保证金的方式为雇主提供担保，承诺如果中标则一定按照标书约定完成任务，提供售后服务。如果服务商在任务执行过程中未完成承诺，则之前缴纳的保证金将优先用于赔付雇主损失。是否向买方提供担保是服务商综合既有信息的一个决策选择。研究模型如图1上半部分所示。

图1 研究模型与理论逻辑

为了阐述研究模型内涵的逻辑思路，本文借鉴经济学中的信号理论和交易成本理论，构建技能共享背景下“买方信息披露（信号发送）—服务商信号释义—服务商总成本估算—服务商响应行为”的理论逻辑。信号理论主要探讨信息不对称情况下，如何通过机制设计对对象进行甄别和筛选，主要包括信号传递[46]和信号甄别[47]两类模型。在信号传递模型的设定中，信息优势方先行动，通过某些机制的“信号传递”将信息传递给处于信息劣势的个体，如经典的劳动力市场模型。[46]技能共享背景下，买方或可通过个人信息披露策略以“信息传递”的方式释放信息，而服务商则会对上述信号进行释义。交易成本理论由Coase[48]提出，并经Williamson 的系列研究[49–53]得以系统化。Coase[48]将交易成本理解为获得市场信息、谈判和签约所需的成本。Williamson[50]认为，交易成本理论通常从契约角度理解经济组织问题，将交易成本分为契约签订前的“事前交易成本”和签订后的“事后交易成本”，主要包括搜寻成本、决策成本、监督成本和违约成本等，[49]并将其与古典经济理论中的生产成本做出明显区分。[50]本文认为技能共享背景下交易成本同样存在，并且是服务商进行参与、投标、担保等行为决策时重点考虑的因素。也就是说，服务商对买方个人信息披露信号释义的不同，取决于其对交易成本估算的差异。理论基础与逻辑如图1下半部分所示。

2.服务商的信号释义（信任vs.审核）

技能共享背景下，服务商的行为决策归根结底是预期收益与预期成本的权衡。[28]合同的缔结与履行过程中，服务商面临的总成本由生产成本和交易成本构成。生产成本是服务商提供技能服务本身的成本；交易成本指服务商在交易过程中所花费的除生产成本以外的成本。按照Williamson[49]的分类，本文认为服务商在技能共享任务中面临的主要交易成本包括搜寻成本（搜集商品和交易对象信息所需的成本）、信息成本（与交易对象进行信息交换所需的成本）、决策成本（进行相关决策与签订契约所需的内部成本）和违约成本（对方或己方违约时所需付出的事后成本）等。合同的签订与履行是双方互动的过程，潜在服务商将基于买方的信息和行为对生产和交易成本进行估算，进而选择其后续的参与、投标和担保行为。

技能共享平台允许买方选择是否向平台披露个人真实信息（包括实名、手机号、邮箱及银行卡信息），并将披露情况呈现在任务页面。平台通常会设计一个专有的标志符号；如果雇主已经向平台披露了某项个人信息则显示该专有符号，否则不显示该符号。信号理论的核心设定是：内部人可以通过某些机制将所拥有关于个人的内部信息发布给外部人，以诱发外部人的某些特定行为。[46,54]在线市场中，高质量的商品或服务提供商经常采用信号机制释放关于商品或服务质量的信号，以将自己与低质量的商品和服务区分开来。[5,55,56]在本研究背景下，买方向共享平台披露个人信息的数量会释放出关于其本身特征的信号。直观地看，向平台披露了更多个人信息的买方可传递出其更加信任平台、愿意让平台监督自己的行为、期待未来长期使用平台寻找服务提供商、更加认真对待已发布在平台上的任务（并非抱着试试看的心态）、更希望也更乐于通过平台找到匹配服务商完成服务交易等信号。服务商对接收到的信号进行释义，并在此基础上对期望总成本（生产成本+ 交易成本）进行估算。

上述信号可能会产生两种作用相反的效应。一方面，当潜在服务商以积极合作的态度对信号释义时，更可能看到“愿意让平台监督自己、期待长期利用平台寻找合作方”的买方，进而倾向将买方理解为更加注意声誉的合作方，相信其未来出现违约等失信行为（如中途放弃合作、中途强行增加任务内容）的风险较低，更值得被信赖。因此对于服务商来说，与对方违约行为相关的期望交易成本降低。同时服务商倾向认为，买方更加希望通过平台圆满完成任务的需求暗示着雇主更易于沟通，也更乐于在合同履行过程中为服务商提供力所能及的帮助，协助服务商圆满完成任务，将使潜在的服务商降低对期望生产成本及沟通相关的期望信息成本（交易成本的组成部分）的估计。本研究将以上“服务商因买方披露更多个人信息带来的期望总成本降低”的逻辑过程称为“信任效应”。另一方面，潜在服务商以消极对抗的态度对信号释义时，倾向于将“雇主更加认真地对待已发布的任务”理解为买方将会更严谨地看待项目执行，强化监督，精益求精，不会轻易被服务商的瑕疵糊弄，潜在服务商可能需要尽可能完美地完成任务才会使其满意。进而，服务商的期望生产成本及己方原因造成的违约成本（违约金惩罚等，是交易成本的组成部分）将会上升，以上逻辑过程称为“审核效应”。

总体而言，合作式释义会降低服务商对总成本的预期，产生信任效应。信任理论表明信任是合作交易的基石，会显著促进用户参与网络交易的意愿和行为，[57,58]而对抗式释义会提高服务商的期望总成本，产生审核效应。信任效应与审核效应是相反的作用力。一个服务商可能同时受两个效应的影响：当其所受信任效应强于审核效应时，其将面临较低的期望成本，倾向于参与该任务；反之，当潜在服务商所受审核效应强于信任效应时，其面临更高的期望成本，倾向于放弃参与任务。

3.对服务商群体的筛选与服务商行为

买方个人信息披露主要通过信任效应和审核效应两方面的作用对服务商行为产生影响。信任效应促进参与，审核效应阻碍参与。表现在宏观上即是对潜在服务商群体的筛选效果：真正参与任务的是倾向于以积极合作态度释义信号、受信任效应影响更多的群体，而放弃参与的是倾向于以消极对抗态度释义信号、受审核效应影响更多的群体。

本文认为，能力水平不同的服务商对买方披露个人信息这一信号的释义有所不同。由于低能力服务商提供的服务常在质量底线徘徊，因而经常受到检查和质疑；基于以往的负面经验，其可能更倾向于以对抗式心态理解该信号，受审核效应的影响更大。与之相反，高能力的服务商通常可以提供更高效和高质的任务结果，更可能在以往的经历中获得肯定和信赖，进而更倾向于以合作式心态理解该信号，受信任效应的影响更大。此外，高能力服务商更有信心承受住买方严苛的审核考验，对违约成本的顾虑较小，使其更不易受到审核效应的影响。最终，因更强的信任效应而降低对总成本预估的高能力服务商更乐于参与任务，而因更强的审核效应提高总成本预估的低能力服务商选择放弃参与。这在本质上产生了筛选效果：真正参与任务的服务商总数量下降，且实际参与任务竞标的服务商群体的整体能力水平上升。因此，本文提出如下假设：

H1：买方披露更多个人信息将吸引到更少的服务商

H2：买方披露更多个人信息将吸引到整体能力水平更高的服务商群体

如前所述，不同能力水平的服务商对买方信息披露信号的释义不同，产生不同强度的信任和审核效应，使得买方个人信息披露策略在本质上对潜在服务商进行了筛选，两类服务商群体得以区分：（1）参与群体，该群体更易受信任效应影响；（2）未参与群体，该群体更易受审核效应影响。服务商往往基于预估的期望成本形成具体的投标策略。被筛选出的参与群体受信任效应影响更大，面临更低的期望成本，更可能在低成本的条件下适当让利，以增大胜出的概率，进而提交更符合买方利益的标书（如投标工期更短的标书）。本研究通过考察控制投标价格后的投标工期，探索个人信息披露对服务商投标行为的影响，提出如下假设：

H3：当买方披露更多个人信息时，服务商倾向于投标更短工期

服务商的担保策略本质上是通过增加自己的违约成本以提升对方对自己的信任，进而增强买方与自己进行交易的意愿。[58]买方披露个人信息筛选出的参与群体倾向于以“合作式”态度理解信号，受信任效应影响更大，意味着参与服务商将预估更低的生产、信息和对方违约成本，在此基础上继续增加担保成本(己方违约成本)更易于接受，有更大的概率采取担保策略。因此，本研究提出如下假设：

H4：当买方披露更多个人信息时，服务商倾向于提供担保

4.服务商能力的调节作用

与低能力服务商相比，高能力服务商将倾向于从合作信任的角度理解买方披露个人信息行为，将买方理解为更加注重声誉、更加乐于沟通的合作者，进而降低对未来执行任务过程中所需生产和交易的成本估计。因此，高能力服务商有更多的空间为买方提供更有利的标书以提高自己的中标率。比如，在投标价格固定的情况下，递交投标工期更短的标书。与之相反，低能力服务商更倾向于从对抗审核的角度理解买方个人信息披露行为，将买方视为监督意愿更强且更不容易满意的非合作者，在原有估算成本基础上提高对总成本的预估，向买方让利的空间变得更小。因此，本文提出如下假设：

H5：服务商能力对买方个人信息披露与投标工期之间的关系具有调节作用；服务商能力会强化买方个人信息披露对服务商投标工期的负向影响

与之相似，服务商能力对买方个人信息披露与服务商担保策略之间的关系具有调节作用。一方面，如前所述，随着服务商能力上升，其对买方个人信息披露信号释义由对抗式向合作式转变，由此产生的信任效应将得到加强，审核效应受到削弱，服务商对生产成本、事后的信息成本、对方造成的违约成本等的预估将降低，提供担保的概率上升。另一方面，虽然“买方较难取悦”的对抗式释义会使全体潜在服务商提高对提供担保后因己方原因造成的违约成本预估；但是能力越强的服务商由于更有自信提交出令买方满意的任务结果，因而不会显著提升对该违约成本的估计，更倾向于提供担保。

H6：服务商能力对买方个人信息披露与服务商担保策略之间的关系具有调节作用；服务商能力会强化服务商在买方披露更多个人信息时提供担保的倾向

三、研究设计

1.数据来源与变量定义

本研究利用Python编程抓取网页数据，收集了2016年1月到12月发布于一品威客网（epwk.com）的招标任务数据。数据集共包括20533 项任务和360232个标书。本研究从任务层和标书层两个层次进行数据分析，任务层主要探讨服务商的参与行为，标书层主要探索服务商的投标和担保行为。

（1）因变量。任务层的因变量反映服务商参与的整体情况，包括参与竞标服务商的总数量（totalFrNum）和参与竞标服务商群体的整体能力水平。本研究使用平均值（avgFrCapability）和中位数（medianFrCapability）来测度参与服务商群体的整体能力水平。一品威客网依据服务商以往获取的赏金总额与买方评价计算其能力“品级”。品级分为一到九，共九个级别，其中一级能力最高，九级能力最低。在本研究中，考虑到品级级数与能力方向相反，为方便理解实证结果，在计算了参与一项任务的所有服务商品级的平均数和中位数后，采用（10- 品级均值）或（10- 品级中位数）来测度每项任务吸引到的服务商群体的整体能力水平。标书层的因变量反映服务商的投标和担保行为。投标工期（FrDuration）指当前标书中提交的工期，即服务商在标书中承诺的从开始工作到完成任务的总时长（天数），本研究用该变量测度服务商的投标行为。担保行为（FrGuarantee）是一个二元哑变量，表明了服务商采用担保策略的情况。如果服务商提供担保赋值为“1”，否则赋值为“0”。

（2）自变量。买方可自主选择向平台披露实名、手机号、邮箱与银行卡四项信息。买方的个人信息披露（PersonalInfo）指其在四项信息中向平台披露的具体项数。比如，如果买方向平台披露了实名和手机号信息，则为其赋值“2”。因此，该变量的取值空间为1 到4，数值越大代表买方披露了越多的个人信息。

（3）调节变量。本研究使用每个服务商的（10- 品级）衡量服务商的能力水平（FrCapability）。

（4）控制变量。任务公开招标时间（OpenDuration）指从任务发布到最终招标关闭之间的时间天数。任务预算（TaskBudget）指买方发布任务时设置的任务预算的上限值。任务描述（TaskDesc）指买方发布的任务需求说明的长度或总字数。买方经验（BuyerExp）为买方在平台上已经发布并圆满完成的任务数量。任务种类（Category）为虚拟变量，分为设计、开发、文案、装修、营销、商务和生活七大类。时间（Month）为虚拟变量，从1-12月共12 个月份。前述变量是技能共享经济（众包）平台研究中较常用的控制变量。[4,7,9–11]投标价格（FrPrice）指当前标书中提交的报价。因为投标工期和投标价格是标书的两个重要维度，是同时做出的标书决策，所以本文在服务商投标工期计量模型中同时控制投标价格。主要变量的描述性统计和相关系数见表1和表2。

表1 相关系数表（任务层）

表2 相关系数表（标书层）

2.计量模型

本研究构建如下计量回归模型。其中，模型（1）-（2）基于任务层数据，对服务商参与行为研究；模型（3）基于标书层数据，对服务商投标行为研究；模型（4）基于标书层数据，对服务商担保行为研究。

其中，i 表示任务，j 表示服务商，u 表示买方，t表示时间。所有模型均控制任务特征TaskControls（如Open Duration、Task Budget、Task Desc）、买方特征BuyerControl（如BuyerExp）、任务种类（Category）和月份（Month）。需要注意的是，任务种类本质上属于任务特征，只是为了使后续拟合结果的呈现更易于阅读，本文在计量模型中将其单列作为固定效应。由于工期与价格是标书的两个重要维度，模型（3）同时控制了服务商投标价格（FrPrice）。模型（1）中，由于参与竞标的服务商总人数为计数变量，本研究分别利用泊松回归（Poisson Regression）和负二项回归（Negative Binomial Regression,NB）来估计模型系数。其中，λi,u,t为事件发生强度，亦为因变量在Xi,u,t（包含PersonalInfoi及所有控制变量）条件下的期望值。在泊松回归中，条件期望与条件方差相等，为λi,u,t=φi,u,t，其中，φi,u,t为λi,u,t的确定性函数；在负二项回归中，λi,u,t=φi,u,tνi,u,t，νi,u,t为随机变量，条件方差为φi,u,t+kφi,u,t2，其中k ≥0 为负二项离散参数。模型（2）与模型（3）采用OLS 回归。由于服务商担保策略为二元虚拟变量，模型（4）采用Logistic 回归。其中，P(Fr Guaranteei,j,u,t=1|Xi,j,u,t)为Xi,j,u,t在包含PersonalInfoi、FrCapabilityj,t及所有控制变量的条件下，服务商选择担保的概率。此外，回归分析中对部分变量（如FrPrice、FrDuration、OpenDuration、TaskBudget、TaskDesc）取LOG 值，以缓解非正态分布问题。①在构建交互项时，对交互变量进行标准化处理，以缓解可能存在的多重共线性问题。

四、数据回归结果

1.服务商的参与行为（任务层面）

表3 揭示了买方个人信息披露对参与投标的服务商数量的影响。所有参与行为模型（不含固定效应）的平均VIF 的最大值为1.09（小于临界值10），说明模型不存在严重的多重共线性。列（1）为Poisson回归结果，买方个人信息披露的系数显著为负（β=-0.138,p<0.001），表明买方披露的个人信息越多，吸引到的参与服务商数量越少，假设H1 成立。列（2）为NB 回归结果，与列（1）一致，重复验证了假设H1。

表3 参与服务商数量回归分析

表4 揭示了买方个人信息披露对参与投标的服务商能力（平均值、中位数）的影响。个人信息披露的系数显著为正（β=0.048,p<0.001;β=0.11,p<0.001），假设H2 成立。这表明，买方披露的个人信息越多，参与投标的服务商群体的整体能力越强。

表4 参与服务商能力回归分析

2.服务商的投标行为（标书层面）

表5 展示了买方个人信息披露策略对服务商投标行为（投标工期）的影响。列（1）是仅包括控制变量的基础回归；列（2）在列（1）的基础上加入自变量；列（3）在列（2）的基础上加入买方个人信息披露与服务商能力的交互项。所有投标行为模型（不含固定效应）平均VIF的最大值为2.13，说明不存在多重共线性。列（2）的结果表明，买方个人信息披露显著负向影响服务商的投标工期（β=-0.008,p<0.001），假设H3 成立，表明对于已经参与的服务商群体而言，买方个人信息披露越多，其提交的投标工期越短，信任效应强于审核效应。列（3）个人信息披露与服务商能力交互项系数显著为负（β=-0.009,p<0.001），假设H5 成立，表明服务商能力越强，个人信息披露对其投标工期的负向影响越大，即服务商能力越强，越倾向于从合作信任的角度理解买方披露个人信息的信号，越不惧怕买方的严苛审核。

表5 服务商投标行为的回归分析

3.服务商的担保行为（标书层面）

表6 展示了买方个人信息披露对服务商担保行为的影响。列（1）仅包括控制变量的基础回归；列（2）在列（1）的基础上加入自变量；列（3）在列（2）的基础上加入个人信息披露与服务商能力的交互项。所有担保行为模型（不含固定效应）平均VIF的最大值为1.05，说明模型不存在多重共线性。如列（2）所示，买方向平台披露的个人信息越多，服务商采取担保策略的概率越高（β=0.628,p<0.001），与信任效应导致的期望总成本降低有关，假设H4 成立。列（3）的数据结果表明，个人信息披露与服务商能力交互项的系数显著为正（β=0.028,p<0.05），说明服务商能力水平会强化信任效应、削弱审核效应，假设H6 成立。

表6 服务商担保行为的回归分析

4.内生性问题与稳健性检验

由于是否披露个人信息是买方的自主选择而非随机选择，因此本研究模型或存在内生性问题，所估计的系数可能存在偏差。为缓解这一问题，在有限的数据范围内尽可能控制了与任务特征、买方特征相关的变量（如公开招标时长、任务预算、任务描述、雇主经验），并控制了任务种类和时间（月份）固定效应。为进一步强化因果关系，本研究采用倾向得分匹配（Propensity Score Matching,PSM）方法进行稳健性检验。PSM 是用于解决自选择内生性问题的常见方法之一。[7,59]该方法的基本思路是基于相关的可观测特征，构建一个在统计意义上与处理组对等的控制组。本文构建二元虚拟变量PersonalInfoDummy，如果买方向平台披露了个人信息（实名、手机、邮箱和银行卡中的任一信息）赋值为“1”，未披露任何个人信息则赋值为“0”，并以该变量为处理变量构建处理组和控制组。具体来看，首先通过Probit回归估计每个任务在其他特定变量给定的情况下披露买方个人信息的概率（倾向得分），然后据此将披露了买方个人信息的任务（处理组）样本和未披露买方个人信息的任务（控制组）样本进行匹配，以综合特征最相近的未披露买方个人信息任务的结果作为披露买方个人信息任务的反事实结果。披露买方个人信息策略的因果效应（即平均处理效应Average Treatment Effect on the Treated）为匹配两组的结果变量的均值差。

本研究在任务层面，使用公开招标时长、任务预算、任务描述、雇主经验、任务种类虚拟变量、月份虚拟变量作为匹配协变量，考察标书数量、参与服务商群体能力水平等结果变量；标书层面使用上述任务、雇主特征、任务种类、月份及服务商能力水平作为匹配协变量，考察投标工期、担保策略等结果变量。表7 展示了一对一匹配、k 近邻匹配（k=5、k=10）的倾向得分模型检验结果。匹配后的处理组与控制组样本的匹配协变量无显著性差异，满足平衡性假设。可以看到，结果与主研究一致：（1）任务层面，与未披露买方个人信息的任务相比，披露了买方个人信息的任务的标书数量更少、参与服务商能力水平更高；（2）标书层面，披露了买方个人信息的任务下，服务商倾向于更短工期、提供担保的投标。PSM 结果说明本研究结果具有较高的稳健性（表8）。

表7 任务层倾向得分匹配结果（买方披露个人信息的处理效应）

表8 标书层变量倾向得分匹配结果（买方披露个人信息的处理效应）

5.讨论

本研究的假设检验情况如表9所示。研究结果显示，个人信息披露会吸引到更少（H1）但整体服务能力更强的服务商参与（H2），促使服务商递交更符合买方利益的标书（H3）、提供按期保质担保（H4）。该结果验证了“不同能力水平的服务商对买方披露个人信息行为信号的释义不同”的假设。高能力的服务商（合作式心态理解信号）受信任效应影响更大，而低能力服务商（对抗式心态理解信号）受审核效应影响更大。因此，高能力服务商倾向于参与、低能力服务商倾向于放弃参与任务，促成了整体能力水平更高的服务商群体（H2）；如图2所示，从买方角度看，实质上起到了筛选的作用——能力强的服务商被甄别出来（参与竞标的服务商群体），能力弱的服务商（未参与竞标的服务商群体）被“踢”出“游戏”。事实上，本文对参与、投标和担保行为的考察所面对的服务商群体不同：对参与行为的考察是面向全体潜在服务商的，而对投标和担保行为的考察是面向已经被甄选出参与竞标的服务商群体（见图2）。这部分被甄选出的群体是潜在服务商中能力更强的部分群体，受信任效应的影响更大，因而具备更多的成本空间投标更利于买方的标书（H3）并提供担保（H4）。投标行为模型中，服务商能力与个人信息披露交互项系数显著为负；担保行为模型中，该交互项系数显著为正；表明服务商能力增加了已参与服务商群体受信任与审核效应影响程度的差距，进一步证实了上述信号释义理论。整体来看，披露个人信息可激发更优组合（高服务能力的服务商、更有利的标书、提供担保）的产生，形成“强者更优惠”的良性效应，最终提升交易效果。

表9 假设检验情况

图2 买方个人信息披露的筛选效果示意

五、结论与展望

本研究借鉴交易成本理论和信号理论，构建了技能共享平台买方信息披露策略对服务商响应行为的影响模型，刻画了过程中服务商信息释义及由此产生信任效应和审核效应的作用机理，利用一品威客网站的业务数据，实证分析了买方个人信息披露策略对服务商参与、投标和担保行为的影响。研究发现，买方个人信息的披露对潜在服务商产生信任和审核效应。其中，高能力服务商倾向于从合作信任角度理解买方披露个人信息行为，因而受信任效应的影响高于审核效应；低能力服务商倾向于从对抗审核角度理解买方披露个人信息行为，受审核效应的影响高于信任效应。不同能力的服务商对买方披露个人信息行为信号释义的分化带来显著的筛选效果。整体而言，买方披露更多个人信息将促使潜在服务商做出更有利于买方的行动，包括高能力水平的服务商更倾向于参与而低能力服务商倾向于放弃参与、已参与服务商倾向于递交更符合买方利益的标书并提供担保等；最终产生更优组合，达成更好的交易结果。

本文具有以下理论贡献：第一，以往拍卖研究对信息披露有所涉及，但关于是否披露、披露多少等问题的研究结论莫衷一是。本文是对信息披露相关研究在技能共享经济领域的拓展，也是对以往关注信息披露的拍卖研究的补充。第二，在技能型共享经济的相关研究中，对于买方在发布任务时的信息披露策略的研究较少，亦不清楚其对服务商行为的影响。本文从信息披露这一视角出发，丰富了该领域的研究范畴。第三，本研究提出了服务商信号释义与成本估算的逻辑框架，是对交易成本和信号理论在技能共享领域的新应用。第四，本文提出了信任效应和审核效应两类机制，合理地解释了技能型共享经济平台中买方个人信息披露策略与服务商参与、投标与担保行为之间的关系，可为今后的相关机制研究提供参考。

本文对技能共享经济实践中信息披露相关问题做出了回答，可为技能共享平台信息披露制度的设计、买方信息披露策略的选择等提供实践指导。整体而言，披露优于隐藏个人信息。本文建议技能共享平台的买方在平台机制框架允许的范围内，尽可能多地向平台披露个人信息，将有效吸引到更高能力的服务商及更符合其利益的标书。建议平台深刻理解市场中信号发送、释义及由此产生的信任效应和审核效应，以此为基础设计提供更加丰富的信息披露机制协助平台双方达成更优匹配。

本研究也具有一定的局限性，需要在未来的研究中加以拓展。首先，对买方信息披露信号的释义方式及由此而产生的信任和审核效应是本文的理论基石，但因数据所限未能将其直接纳入实证模型；未来可考虑通过问卷调查、田野实验等方法直接测度两个效应，进行更加深入精确的研究。其次，虽然探讨了买方信息披露策略对服务商行为的影响，却未对任务最终的匹配绩效及匹配后的完成绩效进行探讨，未来研究可对此进行拓展。最后，本文仅探讨了买方个人信息披露对服务商响应行为的影响；在未来的研究中，还可以通过文本分析进一步探索其他方面信息披露（如任务信息）对服务商行为的影响。

注释

①对于包含0 值的变量，本研究为其赋值最低的非零值（+1）后，再进行 LOG 转化。