基于静态博弈模型的网购平台“杀熟”行为研究

摘 要：大数据时代，消费者个人信息极易被平台及商家获取利用，“杀熟”现象由此产生，其中最为显著的是“首单优惠”策略。在此背景下，消费者和商家之间的博弈将影响双方行为的选择，由此构建收益矩阵得出：影响“杀熟”的主要因素有消费者对自身权利重视程度、购买意愿、上期满意度及差异化定价下商家的潜在损失。为此，商家应理性使用大数据，消费者应审慎决策，政府应加强监管。

关键词：“杀熟”现象;不完全信息静态博弈;差异化定价

本文索引：杨贺雯.<变量 2>[J].中国商论，2022（06）：-058.

中图分类号：F276 文献标识码：A 文章编号：2096-0298（2022）03（b）--03

互联网持续深度发展让商家营销重心深入电商平台，消费者购买渠道逐渐向线上转移。据CNNIC数据，截至2021年6月我国网络购物用户81206万人，使用率80.3%，包括实体商品购买、出行及服务支付，在此过程中消费者购买记录、浏览偏好甚至私人相册、通话都被大数据定位搜集，似乎为平台及商家带来“比消费者更了解消费者”的红利。大数据商业化运用具有不可否认的公开性和隐秘性，便于商家捕捉消费者偏好信息却很难被监管系统准确检测。平台及商家追求利润最大化，因此充分获取消费者剩余成为新时代销售的出发点，可以帮助企业设计高度精准的营销策略，“杀熟”应际而生。尽管近年多部法规明令禁止，这一现象仍屡见不鲜，“首单优惠”行为仍是多数平台采取的主要方式，似乎让新用户“尝到甜头”，但究竟是平台真发福利还是消费者受欺骗不可一言蔽之。学者纷纷对“杀熟”定义提出不同见解，但都表明：对于购买同一商品和服务的新老用户实行差异化定价，后者买价显著高于前者。

“杀熟”现象涉及平台、商家、消费者、市场、政府等多主体行为，学界对此从不同主体角度进行探讨。荆坤（2021）认为，平台应承担监督职责，从源头上定价以营造良好的电商交易环境[1]。余敏（2019）通过构建商家与消费者的电子商务逆向选择实证模型分析该现象，从而为消费者提出享受均衡价格的方法[2]。胥雅楠等（2019）以旁观学者角度，从法学、经济学、管理学视角分析该现象产生的原因，进而探究其影响和存在的问题并提出政策性建议[3]。

对于该问题多主体间行为关系的模型构建，一些学者选择了博弈模型。王潺（2021）从商家视角探究市场中两寡頭基于双方均衡价格定价博弈，消费者在其中扮演卡特尔联盟接受者的角色[4]。吴斌等（2021）构建平台与政府部门间的演化博弈模型，并根据其过程提出针对性建议[5]。杨丰梅等（2017）引入电商平台作为第三方信用监管主体，构建演化博弈模型与双价交易模型，分析商家与消费者的长期交易策略[6]。

综上，目前学术界多横向分析同一时间维度不同主体间行为的演化过程，而未有从纵向分析不同时间同一消费者经历的“被杀熟”情况。基于这一思考，可以采用横向、纵向相结合的全新分析视角，通过构建网购平台与消费者群体之间的静态博弈收益矩阵，在差异化定价策略中引入“首单优惠”，综合分析双方行为选择的影响因素。

1 “杀熟”平台与消费者博弈关系分析

1.1 平台及其商家策略

2021年3月，新浪财经发布的大数据“杀熟”调查结果显示，92.57%的网友遇到过大数据“杀熟”;央视财经调查的“杀熟”方式结果显示，消费者认为有“旧用户优惠比新用户少”的情况，占比52.3%。消费者数据的高度集中便于电商平台进行“点对点”销售，即花费较低成本对每一类甚至每一位消费者制定不同营销策略，“差异化定价”以实现对消费者提供最匹配高效的服务，其显著方式是“首单优惠”，即商家对同一消费者不同时期纵向优惠差别，包括但不限于优惠券、打折卡、购物卡，通常情况下，每位消费者新用户特权仅有一次。表1是不同平台首单（新用户）优惠方式对比。

事实上，“杀熟”现象涵盖的企业数量、产品及服务种类繁多，手法也不仅限于上述，而所谓的“首单优惠”不乏先提高商品原价，再进行优惠使新用户支付实际价格与老用户支付的正常价格一致甚至更高。

1.2 消费者行为

消费者浏览平台页面、选择产品及服务本是自主行为，从消费者角度看，“杀熟”的影响因素主要包括：自身消费能力、对价格变化的敏感度、对价格的心理预期，消费能力越强、敏感度越低、心理预期越高，对平台拟定价格的接受程度越高。

“杀熟”现象的负面作用主要针对老用户，即在同一平台二次或多次消费的用户。若用户对平台定价接受程度较高，不能及时发现被“杀熟”，会在短期内陷入营销陷阱。若对同一商品通过不同平台定价或同一平台首单及之后下单价格比较发现被“杀熟”，一部分人会为维护自身消费者权益采取举报措施而不论维权成本;而注重机会、时间成本的人将会采取躲避策略，改变购买渠道或不再交易，这往往是大部分消费者的选择。

2 双方博弈模型构建与求解

2.1 模型假设

假设1：平台及商家是理性经济人，以追求利润最大化为目标;消费者群体包含的是一般消费者，不能获取完全商业信息。

假设2：为简化模型假设市场仅有一种产品，而且各个单位产品之间完全无差异;“杀熟”仅针对差异化定价策略。

假设3：采取比较静态分析，而且不考虑同一消费者不同时期消费能力的变化、商家生产能力的限制。

2.2 模型构建与求解

2.2.1 参数描述

平台及其商家为追求成本一定下利润最大化，对价格拟定的行动集为ɑ1={差异化定价，统一定价};消费者为追求支付价格一定下效用最大化，对平台定价策略采取的行动集为ɑ2={不接受，接受}。平台“差异化定价”和“统一定价”的期望收益为Rb1和Rb2;消费者对平台拟定价格“不接受”和“接受”的期望收益为RC1和RC2（见表2）。

对该产品平台实行统一定价P0，成本C0;差异化定价下平台为大数据收集支付费用C1（C1>0），此时成本，

即使消费者选择不购买平台商品仍需支付数据收集费用。消费者的心理预期价值W（W>0），差异化定价下购买概率λ（0<λ<1），对价格差异的敏感程度y。为在该产品市场占据优势，给予每位消费者均有优惠力度，统一定价时所有消费者支付价格均为p1=P0-ωP0;平台选择差异化定价概率x，为吸引新用户，首单交易提供r（0≤r

对拟定价格不接受的消费者为价格比对支付成本c1。统一定价下，消费者以p1价格购入产品，经对比发现未被“杀熟”会获得W1的心理收益，平台及商家获得I单位潜在收益;差异化定价下，新用户首单低价支付带来W1'的心理收益，若消费者以p1价格支付，经对比发现被“杀熟”产生W2单位的心理损失，则c1<W1<W2且W1'<W2，产生损失基础上，消费者以θ（0≤θ≤1）概率维权，为此支付的机会、时间成本之和为c2，获得心理损失补偿W3，则c2<W3<W2，这一系列行为给平台及其商家带来潜在损失I'。

2.2.2 收益矩阵求解

由假设条件，平台与消费者间的博弈是不完全信息静态博弈，假定这里消费者是消费者群体，差异化定价下纵向区分新老用户，依前文调查结果，分别给新、老用户购买行为赋权值0.2和0.8，建立静态博弈的收益矩阵如表2所示。

2.2.3 重复博弈简单分析

在该博弈模型中假定消费者了解平台“杀熟”策略，如优惠力度ω随消费次数的增加而递减，因此随着博弈的进行，消费者满意度将不断降低，心理损失W2逐渐积累，维权概率θ递增，记满意度σ（0≤σ≤1），则，可得，那么，即消费者维权概率与满意度呈反比关系。假设消费者下期购买意愿的概率λ'，则，即与当期购买意愿和满意度相关，且，即下期购买意愿与当期满意度正相关。

2.3 模型结论

2.3.1 平台是否“杀熟”与用户对自身消费者权益的重视程度有关

由x*结果，W1-c1为平台选择统一定价策略时，消费者经价格对比后获得的心理收益与该行为所需支付的成本之间的差额;为消费者群体选择接受平台定价时，统一定价所获心理收益和差异化定价心理损失之和。均衡时平台选择差异化定价策略的概率是：统一定价下消费者比价总收益与消费者选择比价下心理总收益的比值。因此对于“不接受，差异化定价”组合，消费者总收益损失越大，平台统一定价概率越大，此时重视自身权益的消费者为平衡损失，维权概率θ更大。用户若倾向维权会使平台受负面舆论影响，信誉形象下降，潜在损失扩大，而维权的透明性与商家对相关数据获取的隐蔽性也会影响部分消费者的选择。

2.3.2 消费者是否“接受”定价与自身购买意愿及差异化定价下平台及其商家的潜在损失有关

由y*结果，为平台差异化定价获得的收益与成本的差额，即额外收益;为消费者选择比价策略时平台统一定价获取的潜在收益与差异化定价受到的潜在损失之和。均衡时消费者比价的概率是差异化定价下平台及商家额外收益与消费者不接受定价时平台潜在总收益的比值。

，消费者选择比价策略的概率随其购

买意愿提高而增加。现实情况表现为消费者越想购买某产品越关注其价格对自身满足情况，自然会“货比三家”以实现价格一定的效益最大，或在效益相同下支付最低价格。，消费者不接受定价的概率随其实际收益增

加而减小，表现为首单优惠力度越大，老用户越会选择不接受定价而比对价格，对同一产品横向上与其他消费者比较收益，或纵向上与首单购买价格对比，更能发现自身实际收益大小。

2.3.3 重复交易中当期平台定价策略与上期消费者满意度相关

因为，且，消费者满意度递减带来维权概率递增，直接影响平台及商家潜在损失增量ΔI'>0，若平台不改变销售、补偿方案使消费者损失补偿W3不能与心理损失W2相抵，会导致ΔI'递增。因此平台为了自身生存发展不得不放弃“杀熟”，选取差异化定价概率x将会更小。该结论符合实际，当平台及商家发现体现在用户评价上的消费者满意度显著降低，会采取差价弥补、退换货等措施以挽回口碑，稳定顾客黏性。也表现为在制定营销策略时，对满意度反应较强的用户尽量避免“杀熟”，以在重复博弈中获取长久稳定利益。

3 结语

大数据背景下“杀熟”现象博弈双方的行为相互影响、相互制约：平台及商家盲目“杀熟”会对自身发展产生负作用，消费者对价格的接受程度会影响效益取得。消费者对自身权益重视程度提高、购买意愿变化、差异化定价下潜在损失增加、上期满意度，都对“杀熟”起到制约作用，若能对大数据进行合理运用，有利于实現双方共赢。

3.1 商家应理性使用大数据，背离“杀熟”行为

平台经济是“国内大循环”的重要推动力量，大数据本身具有潜在价值，商家应在保证消费者隐私情况下了解消费者偏好，在纵向上根据不同消费者喜好推荐不同商品，从而改善供给结构、供给质量，使整体消费环境得到优化，越界使用往往适得其反。在公平竞争前提下形成行业内部公约，达到横向规范局面。商家自律行为会树立良好的信用形象，为自身带来潜在收益。

3.2 消费者应增强维权意识，审慎决策

消费者在购物过程中应有意识“货比三家”，了解市场行情，审慎决策购买行为。同时，要增强个人信息保护，提高甄别眼力及对定价的敏感程度，谨防商家非法获取信息。例如，可设置应用程序防御，不轻易开启相册、位置、通讯录等隐私权限;个人合法权益受到侵害时借助法律手段积极维权，防止无良商家持续侵权行为。

3.3 政府应当加强监管，规范平台定价行为

一方面，相关部门应提高大数据获取成本，保证市场公平竞争，要求平台定价公开透明化，破除“杀熟”隐蔽性以减少信息不对称，维护消费者合法权益，实现同行业公平竞争的同时提高商家与消费者双方交易的公平性。另一方面，应制定更加全面细化的相关行业法律法规，加强对平台数据使用、定价策略的监管，对“杀熟”做出严密界定，严厉打击该行为。但在规范过程中也要谨防“一刀切”，从而维护网络交易生态。

參考文献

荆坤.浅析电子商务平台对“大数据杀熟”的监管义务[J].中国商论，2021（13）：31-33.

余敏.“大数据杀熟”可以避免吗：电子商务逆向选择风险规避[J].价格理论与实践，2019（4）：141-144.

胥雅楠，王倩倩，董润，等.“大数据杀熟”的现状、问题与对策分析[J].改革与开放，2019（1）：15-20.

王潺.“大数据杀熟”该如何规制：以新制度经济学和博弈论为视角的分析[J].社会科学文摘，2021（8）：16-18.

吴斌，程晶，宋琰.心理账户视角下电商平台“杀熟”现象演化博弈分析[J].运筹与管理，2020，29（11）：37-44.

杨丰梅，王安瑛，吴军，等.基于博弈论的C2B2C模式下电商信用监管机制研究[J].系统工程理论与实践，2017，37（8）：2102-2110.

Research on Big Data Discriminatory Pricing Behavior of Online Shopping Platforms Based on Static Game Model

—— Taking “First Order Discount” as an Example

Beijing University of Chemical Technology  Beijing  102202

YANG Hewen

Abstract： In the era of big data， consumers’ personal information is easily obtained and utilized by platforms and merchants， resulting in the phenomenon of big data discriminatory pricing， the most notable of which is the strategy of “first order discount”. In this context， the game between consumers and merchants will affect the behavioral choices of both parties. From this， the income matrix is constructed and it is concluded that the main factors affecting big data discriminatory pricing are consumers’ attention to their own rights， purchase willingness， and satisfaction in the previous period. and potential losses for merchants under differentiated pricing. To this end， businesses should use big data rationally， and consumers should make prudent decisions， and the government should strengthen supervision.

Keywords： big data discriminatory pricing; static game with incomplete information; differentiated pricing