张志鹏,段 贺
(天津职业技术师范大学经济与管理学院,天津 300222)
随着企业间竞争的加剧,电商平台越来越重视对消费者购物行为的分析。当前,电商平台借大数据时代的东风,普遍利用大数据深入挖掘消费者的购物记录和搜索记录等内容,从而为消费者推送有针对性的商品信息或制定不同的产品价格及优惠政策。其中,对新老顾客进行市场划分,同一产品或服务收取不同的费用,以资谋求更大利益的现象被称为“大数据杀熟”[1]。如2020年双十一期间,某女子通过电商平台购买一商品,却意外发现,非会员账号的价格比自己的会员账户要低很多,通过仔细比对发现,非会员账号中有一张满减券①。另外,根据2019年一项针对北京地区的调查显示,超过八成的被调查者认为企业“杀熟”现象普遍存在,超过五成的被调查者认为自己被“杀熟”过。同时,网购平台、在线旅游和网约车等企业是“杀熟”问题最为泛滥的领域[2]。可见,在数字经济时代,“杀熟”问题普遍存在,对于消费者的日常生活影响巨大,已成为数字经济领域亟待解决的重要问题之一[3]。鉴于此,本文依据演化博弈理论,综合考虑电商平台大数据“杀熟”、政府监管和消费者维权的影响因素,建立政府与电商平台间的博弈模型,探讨不同条件下的演化路径及均衡状态,并通过数值模拟观察各因素对系统演化的影响规律,针对电商平台大数据“杀熟”问题提出对策建议。
目前,大数据“杀熟”尚未有一个统一的定性,是否逾越法律法规仍存在争议。这就使得某些掌握大数据的电商平台,通过数据的采集、分析和加工等,在没有“对口”法律的约束下,对客户定制服务,消费者剩余被完全剥夺[4]。加之互联网下的信息不对称,使得大数据“杀熟”更加隐蔽,消费者处于弱势,引起市场失灵,威胁到电子商务良性发展[5]。为有效遏制电商平台的“杀熟”行为,学者开展了一系列的研究,通过调研文献发现,现有文献主要是从电商平台、政府和消费者之间的博弈关系展开研究。
一方面是电商平台与消费者间的博弈。该情形下,学者主要考虑消费者某些特定行为对演化稳定性的影响。有学者研究了在消费者存在损失厌恶心理下的电商平台产品“杀熟”定价问题。结果表明,消费者虽然对电商平台企业的“杀熟”行为表现出了极大的不满,但这并没有使商家放弃“杀熟”这一获得超额利润的“利器”[6]。为有效遏制“杀熟”行为,部分学者提出赋予消费者数据可携权,利用演化博弈模型分析了电商平台与消费者行为的演化。结果显示,数据可携权在一定条件下可有效遏制大数据“杀熟”,但使用该权力也有弊端,某些情况下会阻碍电商平台提升产品质量或服务品质的积极性[7]。在此基础上,学者丰富了博弈主体类型,构建了电商平台、网络营销企业和消费者间的三方演化模型,分析了电商平台分配流量、企业发放优惠券和消费者购买决策行为[8]。另外,还有学者考虑以产品提价作为“杀熟”的方式,综合考虑了精神损失、罚款、时间成本和机会成本等因素,在这种情况下,商家一旦选择提价策略,消费者就会选择不购买商品[9]。
另一方面是政府与电商平台之间的博弈。目前,政府监管的方式主要有传统监管与数据监管[10]。其中,数据监管是近年来数字经济快速发展中出现的一种新兴的监管模式。主要是指运用大数据建立现代化、智能化、信息化的企业信用监管机制,加强信息共享和部门之间的协同管理机制[11]。一般地,学者均假定政府的策略集为{大数据监管,传统监管},电商平台的策略集为{大数据“杀熟”,不“杀熟”},通过演化博弈模型,重点研究政府和电商平台的策略选择及其影响因素,所得结论基本为纯策略纳什均衡[12]。但也有学者提出,在监管中,政府可以采用策略组合的方式,将传统监管与数据监管相结合,提高监管效益[13]。在此基础上,学者针对大数据监管这一问题进行了深入研究,分析了严格大数据监管和宽松大数据监管对电商企业大数据“杀熟”行为的影响[14]。此外,有学者将心理账户与前景理论引入到电商平台与政府的演化博弈模型中,充分研究了心理因素对政府和电商平台行为的影响。研究表明,提高成本参照点和降低效价参照点可以快速降低“杀熟”定价和不监管行为的发生[15-16]。
通过文献回顾可发现,多数学者采用演化博弈理论对“杀熟”行为及其监管进行研究,结合博弈主体特征,分析了大量影响因素对演化稳定策略的影响。但迄今为止,鲜有文献同时考虑电商平台、政府和消费者3个主体的行为;在博弈主体实施某些行动时,忽略了行动成功的可能性;缺少对电商平台发券行为的深入分析。本文在已有文献基础上,根据电商平台发放优惠券、政府惩罚、消费者报复等客观事实,采用演化博弈的方法,研究电商平台给予消费者的优惠力度、政府监管惩罚力度、消费者的报复、曝光行为以及各主体活动成功概率对主体行为选择的影响。
电商平台利用大数据技术深度挖掘用户消费行为,并根据消费者的消费记录、活跃程度、所属群体等信息制定针对性的商品价格和优惠券,这种“杀熟”行为为电商平台带来了超额利润,同时也成为破坏电商市场良性发展的突出问题。政府为维护市场公平,精准识别大数据“杀熟”行为,也逐渐由传统监管向大数据监管过渡,但由于大数据监管成本问题,政府监管部门仍旧未能充分利用大数据监管。此外,随着消费者维权意识的提高,一部分消费者面对大数据“杀熟”行为,会通过社交平台或媒体曝光这种行为,维护自身权益。目前,同时考虑以上包含政府、电商平台和消费者行为的动态演化的研究屈指可数,这为本文的研究提供了良好的现实背景与研究空间。
因消费者处于被动接受平台产品和服务的地位,本文将其行为作为影响因素嵌入至模型中,只考虑电商平台和政府2个博弈主体,且均为有限理性。为有效构建模型与分析主体行为,现提出如下假设:
假设1政府在监管电商平台“杀熟”时,有2种策略可以选择,分别是大数据监管和传统监管,选择大数据监管策略的概率为y,选择传统监管的概率为(1-y);电商平台的在日常经营过程中,可以采取“杀熟”或者不“杀熟”策略,若选择“杀熟”策略的概率为x,则不“杀熟”的概率为(1-x)。
假设2由于部分用户习惯了某些电商平台的运营方式,一般不会再选择其他平台来获得同质化需求,平台利用老顾客的这一心理,往往会“弃熟爱生”,通过大数据筛选出这一部分用户进行“杀熟”,不发放或者发放更低价值的优惠券,平台对这一部分顾客“杀熟”的比例为φ(0≤φ≤1),而向其余(1-φ)比例的用户发放优惠券的优惠力度为Δ;对商品定价为P;平台利用大数据识别要“杀熟”的顾客与发放优惠券的服务成本、时间成本等和为C;当平台选择不“杀熟”策略时,为加大销量,获取更多利润,也会采用发放优惠券的方式,因此引入系数B(B>1),用BC表示平台不采取“杀熟”策略时发放优惠券的成本。无论电商平台采取哪种策略,商品的生产成本、物流成本等都相同,因此在本模型中忽略该成本。
假设3政府为维护电子商务中消费者的权益,消除电商平台与消费者间的信息不对称(消费者往往处于弱势),保证电子商务市场海晏河清,需要对电商平台进行监管,遏制电商平台大数据“杀熟”行为。当政府成功监管,发现电商平台“杀熟”行为时,会对其收取一定罚金F;政府采取大数据监管时的单位成本为C1,成功发现电商平台“杀熟”的概率为γ;采取传统监管时的单位成本为C2,成功发现电商平台“杀熟”的概率为β。依据现实调研,政府采取大数据监管的成功率要高于传统方式监管的成功率,因此有0≤β<γ≤1。
假设4在被“杀熟”的老顾客中,不乏有维权意识强的顾客,当他们发现自己被电商平台“割韭菜”时,部分会向有关部门检举甚至向媒体披露,曝光电商平台的行为,选择曝光的这一部分消费者的比例为ω;同时还会有一部分顾客会对电商平台“杀熟”行为进行报复,如果消费者选择曝光,那么对电商平台造成的损失为R;如果消费者只是本身对平台的好感降低,没有向媒体披露,此时对电商平台造成的损失相对较小,因此引入系数A(0≤A≤1),用AR表示未曝光情况下,消费者对电商平台“杀熟”的报复。
以上假设中的参数含义如表1所示。
表1 各参数的含义
基于上述假设,可构建出政府和电商平台博弈模型的支付矩阵,包含(“杀熟”,大数据监管)、(不“杀熟”,大数据监管)、(“杀熟”,传统监管)和(不“杀熟”,传统监管)4种情况,具体如表2所示。
表2 政府和电商平台博弈模型的支付矩阵
由表2可知,电商平台选择“杀熟”策略的期望收益Ux为
电商平台选择不“杀熟”策略的期望收益U1-x为
根据电商平台选择不同策略的期望收益,得到电商平台的复制动态方程
式中:t为微分方程中的时间项,为和其他变量保持一致,数值模拟中时间项不设置单位。
政府选择数据监管策略的期望收益Uy为
政府选择传统监管策略的期望收益U1-y为
根据政府选择不同策略的期望收益,政府的复制动态方程为
因此,可得到如下二维复制动力系统为
令Fx=0,Gy=0,表明2个主体学习速度为0,联立方程可得系统演化博弈的4个纯策略纳什均衡点:(0,0);(0,1);(1,0);(1,1),其他非渐进稳定状态不再过多描述。
对2个复制动态方程中的x、y分别求偏导,得到雅可比矩阵
其中:a11=[(2x-1)(C-BC+Fyβ+Ryβ-Δφ+Rω-Ryω+Fγω-Fyγω-AR(yβ+ω-yω-1));a12=(2x-1)((1-A)R(β-ω)+F(β-γω));a21=F(1-y)y(β-γω);a22=-F(-1+2y)(β-γω)。
计算雅可比矩阵的迹TrJ与行列式的值DetJ
根据雅可比矩阵的特性,演化稳定策略要求TrJ>0和DetJ>0。均衡点稳定性分析如表3所示。
表3 稳定性分析
(1)当C1>C2且(B-1)C+γφ(R-AR+Fγ)ω+AR时,政府采用大数据监管的单位成本大于采用传统监管的单位成本,此时(0,0)点为电商平台和政府双方博弈的稳定点,即政府为了节约监管成本,趋于选择传统监管的方式。对于电商平台而言,采用“杀熟”策略并不是最优选择,不会获得更多的利益,因此趋于选择不“杀熟”策略。
(2)当C1<C2且(1-B)C-γφ>(AR-F-R)β-AR时,政府采用大数据监管的单位成本小于采用传统监管的单位成本,此时(0,1)点为电商平台和政府双方博弈的稳定点,即政府趋于选择大数据监管的方式,而电商平台由于“杀熟”行为下的利益已不再有诱惑力,平台更趋于选择不“杀熟”策略。
(3)当F(β-γω)<C1-C2且(1-B)C-γφ<(ARFγ-R)ω-AR时,(1,0)点为电商平台和政府双方博弈的稳定点。电商平台为谋取更大的利益,会选择“杀熟”策略,此时政府采用传统监管的方式是一种低效率的监管,不仅浪费了资源成本,而且对电商平台“杀熟”行为,也没有实现有效的监管。
(4)当F(β-γω)>C1-C2且(B-1)C+γφ>(R+F-AR)β+AR时,(1,1)点为电商平台和政府双方博弈的稳定点。电商平台趋于选择“杀熟”行为,政府趋于选择大数据监管。双方博弈朝着这2个方向演化,最终会使电商市场处于失灵状态。
为更加直观地分析电商平台和政府的策略选择,剖析演化过程,利用Matlab 2013对上述二维动力系统(1)进行数值仿真。
对于稳定状态(0,0),各变量取值须满足C1>C2和(B-1)C+γφ<(R-AR+Fγ)ω+AR。为满足以上条件,初始变量赋值如下:Δ=1,F=2,φ=0.3,γ=0.4,β=0.3,A=0.2,φ=0.6,R=2,C=1,C1=1.2,C2=1,B=1.1,其仿真结果如图1所示。
图1 稳定状态(0,0)数值演化仿真结果
系统演化稳定状态为(0,0),即电商平台趋于选择不“杀熟”策略,政府趋于选择传统监管策略。对于电商平台来说,“杀熟”策略的诱惑力已不足以使之选择“杀熟”,因此不论初始比例的高低,都会在较短时间内选择不“杀熟”策略;而对于政府而言,选择大数据监管的比例越高,则达到稳定状态需要的时间越长,此时对于政府来说,不仅会花费更多的非必要成本,而且监管效率很低,因此政府应在大数据监管方面慎重投入,以防造成不必要的成本投入。
对于稳定状态(0,1),各变量取值须满足C1<C2和(1-B)C-Δφ>(AR-F-R)β-AR。为满足以上条件,初始变量赋值如下:Δ=1,F=2,φ=0.3,γ=0.4,β=0.3,A=0.2,φ=0.6,R=2,C=1,C1=0.5,C2=1,B=1.1,其仿真结果如图2所示。
图2 稳定状态(0,1)数值演化仿真结果
系统演化稳定状态为(0,1),即电商平台趋于选择不“杀熟”策略,政府趋于选择大数据监管策略。对于电商平台而言,随着初始比例的下降,趋于稳定策略所需要的时间变短,且斜率较大,因此趋于稳定的效率较高;对于政府而言,采用大数据监管的初始比例越大,就会越快地趋于稳定点。换言之,政府采取数据监管的比例越高,监管的效率就越高。此时的市场不论对于电商平台还是政府,抑或是消费者来说,都是一个良性市场,较大程度上保证了市场的公平。
对于稳定状态(1,0),各变量取值须满足F(βγω)<C1-C2和(1-B)C-Δφ<(AR-Fγ-R)ω-AR。为满足以上条件,初始变量赋值如下:Δ=2,F=0.5,φ=0.3,γ=0.4,β=0.3,A=0.2,φ=0.6,R=0.5,C=1,C1=1.8,C2=1,B=1.1,其仿真结果如图3所示。
图3 稳定状态(1,0)数值演化仿真结果
系统演化稳定状态为(1,0),即电商平台趋于选择“杀熟”策略,政府趋于选择传统监管策略。对于电商平台来说,初始比例越大,选择趋于稳定策略的时间越短,越快地选择“杀熟”策略,以资攫取更大的利益;而对于政府来说,不论初始比例的大小,选择传统监管的速度都较快,此时政府监管接近于无效监管。这种情况下,对于电商平台而言,可以较大程度地谋求更大的利益,采用大数据“杀熟”策略的诱惑力达了顶峰,而政府的低效率监管会导致市场混乱,对于广大消费者而言,更应理性消费,维护自身的合法权益,积极披露、举报电商平台的“杀熟行为”,借助媒体等各方力量,打破信息孤岛。
对于稳定状态(1,1),各变量取值须满足F(βγω)>C1-C2和(B-1)C+Δφ>(R+F-AR)β+AR。为满足以上条件,初始变量赋值如下:Δ=3,F=2,φ=0.3,γ=0.4,β=0.3,A=0.1,φ=0.6,R=0.5,C=1,C1=1.1,C2=1,B=3.1,其仿真结果如图4所示。
图4 稳定状态(1,1)数值演化仿真结果
系统演化稳定状态为(1,1),即电商平台趋于选择“杀熟”策略,政府趋于选择数据监管策略。显然,不管初始比例如何,电商平台都会迅速收敛到大数据“杀熟”这一状态。然而,作为监管部门的政府,跟进的速度明显慢了很多。但即使政府选择大数据监管,仍旧不能抑制电商平台的“杀熟”选择,此时政府应在提高罚金金额、加强消费者维权意识等方面着手,调整市场的演进方向。
从图1至图4可知,政府选择大数据监管时,达到稳态的时间总是滞后于电商平台达到稳态的时间,这说明不论电商平台“杀熟”与否,如果单纯依靠市场系统的自发演进,政府的治理都会滞后于问题的蔓延,因此需要监管部门设计好市场运行机制,充分发挥部门职能,以保证电商市场的有效运行,具体着手点可参考下文结果。
由于(0,1)稳定状态较大程度地维护了市场的公平公正,体现了市场功能,最有利于市场的发展。因此,基于该情形(参数设置见上节),对部分重要影响因素进行数值仿真,以期为抑制大数据“杀熟”现象提供管理思路。不同参数对演化轨迹的影响如图5所示。由图5可知,当电商平台给予新顾客和不活跃顾客更大优惠时,即Δ越大,电商平台趋于不“杀熟”稳定策略所用的时间就会越长。究其原因,是因为电商平台通过优惠券的形式将更多的利益让渡给消费者,导致当前策略对于电商平台吸引力降低,从而出现下降速度降低的结果。而当电商平台使用大数据筛选顾客以及发券的成本增大时,即C增大,平台不采取“杀熟”策略时发放优惠券的成本BC也随之增大,且后者比前者更大(B>1),在当前的参数设置下,不“杀熟”策略所对应的收益减少量大于“杀熟”策略对应的收益减少量,因此图5(b)中即使C增大,电商平台也总是向着不“杀熟”演进,只是在时间上有所区别。
图5 不同参数对演化轨迹的影响
类似地,当电商平台采取不“杀熟”策略时的成本系数B变大时,会造成其选择“杀熟”与不“杀熟”的收益差增大,也会延长电商平台选择不“杀熟”的时间,B对演化轨迹的影响如图5(c)所示。显然,以上3个因素对{不“杀熟”,大数据监管}这一演化稳定状态的影响效果一致。就政府而言,C1、C2、F对演化轨迹的影响如图6所示。
当采取大数据监管的单位成本较大,即C1越大时,政府就需要更加充分的准备,因此需要转换时间也会越长;而当政府采用传统监管的单位成本越大,即C2越大时,政府则更趋于选择大数据监管,C2对演化轨迹的影响如图6(b)所示。
因此,政府可考虑多部门共享大数据设备使用权,降低使用成本。最后,F对演化轨迹的影响如图6(c)所示。当收取的罚金越多,即F越大时,电商平台会更快地趋于博弈稳定点,即越快地选择不“杀熟”策略。
图6 C1、C2、F对演化轨迹的影响
就消费者(这里的消费者主要指被“杀熟”的老顾客)而言,无论是消费者对电商平台“杀熟”行为的报复R,还是报复系数A,抑或是曝光率ω,任意一项增加,都会很有效地加速电商平台采用不“杀熟”策略,演化过程如图7所示。
图7 R、A、ω对演化轨迹的影响
由图7可知,R、A、ω此3项的提高都会使电商平台在“杀熟”过程中遭受到更多的损失,其他条件相同的情况下,电商平台放弃“杀熟”的时间会更短。因此,消费者学会运用合理的手段维护自己合法的权益,不仅能保证自身利益不受损害,同时也有助于市场的和谐发展。
本文基于演化博弈理论,构建了以电商平台和政府为研究对象的演化博弈模型,研究了双方达到不同演化稳定策略的条件。通过数值仿真分析了初始状态对4种演化稳定状态的影响及{不“杀熟”,大数据监管}这一情形的具体情况,得出以下结论:
(1)电商平台对于策略的选择更加灵活,而政府则相对迟缓。根据数值仿真结果可以明显看出,在4种不同的稳定策略组合下,电商平台能在较短的时间内达到稳定状态;而政府要达到稳定状态需要的时间相对较长。
(2)政府的惩罚力度能够降低电商平台“杀熟”的概率。当罚金较高时,电商平台会快速地放弃“杀熟”,因此政府应针对“杀熟”行为制定专门法规。
(3)消费者维权意识能够有效遏制“杀熟”行为。不论是报复强度、报复系数,还是曝光率都会让电商平台更加谨慎,使用“杀熟”的概率也会降低。
根据上述研究结论,本文在技术、法律和消费者层面提出如下建议:第一,共享大数据设备使用权。已安装大数据设备的监管部门,在现有设备基础上,为其他监管部门开通设备访问接口,各部门共享设备使用权、共担设备维护成本,这既提高了设备的使用效率,又使监管部门以较低成本获得了大数据监管的精准性,进而更高效地维护电商市场的秩序。第二,细化法律规范体系。我国已经出台了规范电商平台的法律规范体系,但是对价格欺诈行为界定不明确,某些法律条款实施具有一定难度。应在现有法律基础上,细化法律规范体系,使电商平台合法、合理地借用大数据工具以促进行业发展。第三,加强消费者维权意识的宣传力度。消费者维权既可以使电商平台为其违法行为付出代价,又可以引起监管部门的关注,从而加强对电商平台的监管,使电商平台朝规范化经营的方向发展。
为促进我国数字经济有序发展,本文分析了电商平台、政府和消费者三类主体相关因素在大数据“杀熟”问题中的作用,并提出针对性的管理建议,对三类主体均具有借鉴意义。但是,模型中未将消费者作为博弈主体来进行建模,忽略了消费者、电商平台和政府间的部门作用关系,在后续的工作中可进一步建立三方演化博弈模型,探讨消费者、电商平台和政府间更加复杂的关系。
注释:
①https://www.sohu.com/a/429699402_120698168.