網(wǎng)絡(luò)購物小數(shù)定律在大數(shù)據(jù)和EWA學(xué)習(xí)模型下的修正

龔誼承，徐一娉

（武漢科技大學(xué)a.理學(xué)院；b.冶金工業(yè)過程系統(tǒng)科學(xué)湖北省重點(diǎn)實(shí)驗(yàn)室，武漢430065）

0 引言

隨著網(wǎng)絡(luò)的發(fā)展，數(shù)據(jù)流集合的規(guī)模已從GB到PB甚至以ZB(1021)等單位來計(jì)數(shù)。學(xué)者們敏銳地注意到其規(guī)模性、即時(shí)性、非線性性和可獲得性符合大數(shù)據(jù)的特征，并開始利用大數(shù)據(jù)展開對(duì)網(wǎng)絡(luò)經(jīng)濟(jì)的探討。但是，探討如何利用大數(shù)據(jù)減少消費(fèi)者可能受到虛假評(píng)價(jià)誤導(dǎo)而犯下小數(shù)定律錯(cuò)誤的文獻(xiàn)尚有待發(fā)展。本文以網(wǎng)絡(luò)大數(shù)據(jù)的出現(xiàn)為契機(jī)，將網(wǎng)絡(luò)用戶評(píng)價(jià)視為帶噪音的大數(shù)據(jù)，將網(wǎng)購視為消費(fèi)者和商家的一種群體博弈，利用EWA學(xué)習(xí)模型分析消費(fèi)者在瀏覽帶噪評(píng)價(jià)數(shù)據(jù)時(shí)從小數(shù)定律向大數(shù)定律對(duì)應(yīng)的理性策略修正的過程。以期減少消費(fèi)者網(wǎng)上購物的風(fēng)險(xiǎn)，或有助于政府充分利用網(wǎng)絡(luò)經(jīng)濟(jì)大數(shù)據(jù)成立市場監(jiān)管機(jī)構(gòu)，引導(dǎo)消費(fèi)者遠(yuǎn)離“小數(shù)定律”陷阱而靠近理性決策有利于大數(shù)據(jù)時(shí)代網(wǎng)絡(luò)經(jīng)濟(jì)市場的更好運(yùn)行。

1 用戶評(píng)價(jià)誤導(dǎo)網(wǎng)絡(luò)消費(fèi)者的小數(shù)定律視角

小數(shù)定律[1]是Amos Tversky和Daniel Kahneman總結(jié)出來的一種行為經(jīng)濟(jì)學(xué)規(guī)律，用以說明人們?cè)诿媾R不確定環(huán)境時(shí)，往往會(huì)違背基本的大數(shù)定律而不由自主地濫用“典型事件”導(dǎo)致忘記“基本概率”。在網(wǎng)絡(luò)購物行為中，消費(fèi)者面臨產(chǎn)品質(zhì)量、賣家信譽(yù)等諸多不確定因素，此時(shí)他們?yōu)g覽到的一些典型用戶評(píng)價(jià)可能給他們深刻印象，進(jìn)而使他們忘記正確評(píng)價(jià)賣家的信譽(yù)和產(chǎn)品的質(zhì)量需要大量的評(píng)價(jià)數(shù)據(jù)才能得到穩(wěn)定的均值，于是他們很可能受到這些典型評(píng)價(jià)數(shù)據(jù)的誤導(dǎo)而犯下“小數(shù)定律”的錯(cuò)誤。具體地講，本文注意到評(píng)價(jià)數(shù)據(jù)量過小或者評(píng)價(jià)數(shù)據(jù)被篩選過是當(dāng)今的網(wǎng)購環(huán)境下誘發(fā)“小數(shù)定律”錯(cuò)誤的兩大因素。

1.1 數(shù)據(jù)量過小容易導(dǎo)致網(wǎng)購中的小數(shù)定律錯(cuò)誤

大數(shù)定律強(qiáng)調(diào)樣本的數(shù)目要盡可能大，這樣其樣本均值就會(huì)收斂于真實(shí)的期望。事實(shí)上，樣本數(shù)目過小會(huì)導(dǎo)致樣本平均值更加不穩(wěn)定。

在網(wǎng)購前,消費(fèi)者經(jīng)常難以確定網(wǎng)上商品的質(zhì)量與如商家所描述的那么好，此時(shí)購物評(píng)價(jià)對(duì)消費(fèi)者的決策起到了重要的作用。筆者對(duì)某款手機(jī)在淘寶網(wǎng)上選取紅心、藍(lán)鉆、藍(lán)冠和皇冠四個(gè)等級(jí)各10家網(wǎng)店來收集數(shù)據(jù)，其中淘寶網(wǎng)商家由紅心到皇冠的信用等級(jí)是由低到高的。信用評(píng)價(jià)由每一次交易成功后的買家作出，按照5顆星為好評(píng)滿分值，0顆星為最差評(píng)，超過3顆星的評(píng)價(jià)視為好評(píng)，其基本的統(tǒng)計(jì)結(jié)果見表1。

從表1可見：信用等級(jí)高的商家，其成交量基本上會(huì)更高。但并非信用等級(jí)高的商家獲得的好評(píng)率就更有優(yōu)勢：比如藍(lán)鉆網(wǎng)店評(píng)價(jià)一個(gè)月的均值為4.8，而藍(lán)冠的僅為4.75。可見，消費(fèi)者依據(jù)寥寥數(shù)百條評(píng)價(jià)所呈現(xiàn)的高達(dá)97%以上的好評(píng)率而相信商品本身具有與評(píng)分相符的品質(zhì)，進(jìn)而做出的購買決策可能已掉入小數(shù)定律錯(cuò)誤中。因?yàn)樵跉v史成交量小的商鋪中，其評(píng)價(jià)數(shù)據(jù)是小樣本，但消費(fèi)者錯(cuò)誤地運(yùn)用了大數(shù)定律的結(jié)論：商品的歷史性評(píng)價(jià)代表了商品的實(shí)際品質(zhì)的平均水平。由此可見當(dāng)網(wǎng)購質(zhì)量不確定時(shí),消費(fèi)者容易將從大樣本中的結(jié)論錯(cuò)誤地移植到小樣本中的原因是：受到了自身所能了解的評(píng)價(jià)數(shù)據(jù)之?dāng)?shù)目的限制。

表1 淘寶網(wǎng)四種信用類型商家所獲評(píng)價(jià)的統(tǒng)計(jì)結(jié)果

1.2 被篩選的數(shù)據(jù)容易導(dǎo)致小數(shù)定律錯(cuò)誤的產(chǎn)生

為避免小數(shù)定律誤區(qū)，網(wǎng)購消費(fèi)者做決策前一般會(huì)盡可能多地搜尋相關(guān)評(píng)價(jià)信息。但如果這些大量的評(píng)價(jià)信息是被篩選過的，他依然會(huì)被誤導(dǎo)而陷入小數(shù)定律的錯(cuò)誤、偏離理性。

這個(gè)道理可以通過一位股票投資者的經(jīng)歷來說明。假設(shè)通過親身經(jīng)歷，該股票投資者發(fā)現(xiàn)一位基金經(jīng)理在過去兩年中的投資業(yè)績好于平均情況，于是他就傾向于得出這位經(jīng)理要比一般經(jīng)理優(yōu)秀的結(jié)論。然而事實(shí)可能是：他所搜集的親身經(jīng)歷的數(shù)據(jù)是他人精心篩選的，其實(shí)與基金經(jīng)理的水平無關(guān)。情況可能是這樣的：基金經(jīng)理選定某支股票，第一周發(fā)10000條短信預(yù)言其漲跌，其中5000條說該股票漲另外5000條說跌；第二周向其中說對(duì)的5000人再發(fā)一短信，其中2500條說該股票漲而另2500條說該股票跌；第三周他再向說對(duì)的2500人發(fā)短信，其中1250條說該股票會(huì)漲，另1250條說該股票會(huì)跌。最后有1250人會(huì)發(fā)現(xiàn)這位股神大哥連續(xù)3次說對(duì)該股票的漲跌，于是會(huì)得出這位經(jīng)理對(duì)該股票的漲跌預(yù)測是要比一般經(jīng)理優(yōu)秀的結(jié)論。然而仔細(xì)回顧這起事例會(huì)發(fā)現(xiàn)：他得出的結(jié)論其實(shí)與該經(jīng)理的預(yù)測股票價(jià)格漲跌的真實(shí)能力無關(guān)，根本原因是其所觀測到數(shù)據(jù)是被精心篩選之后呈現(xiàn)出來的。

類似地，網(wǎng)購的消費(fèi)者如果參考的消費(fèi)者評(píng)價(jià)數(shù)據(jù)也是經(jīng)過商家以某種手段篩選而來的，那么即使樣本數(shù)據(jù)的規(guī)模夠大，其得到的關(guān)于商品質(zhì)量的結(jié)論依然可能是受到誤導(dǎo)的。

2 基于網(wǎng)絡(luò)評(píng)價(jià)大數(shù)據(jù)的小數(shù)定律修正思路

評(píng)價(jià)數(shù)據(jù)可能導(dǎo)致的小數(shù)定律成為影響網(wǎng)購進(jìn)一步發(fā)展的阻力，因此改善這種經(jīng)濟(jì)誤區(qū)的途徑令人期待。筆者嘗試將客觀上快速發(fā)展的網(wǎng)絡(luò)大數(shù)據(jù)與主觀上調(diào)整博弈策略的EWA學(xué)習(xí)模型相結(jié)合，以期為消費(fèi)者避開小數(shù)定律提供一種參考途徑。

2.1 大數(shù)據(jù)使可獲得的評(píng)價(jià)數(shù)據(jù)的樣本量和可信度同時(shí)提升

關(guān)于大數(shù)據(jù)的熱烈討論由此在學(xué)術(shù)界和商業(yè)界備受關(guān)注。雖然目前還沒有一個(gè)明確的關(guān)于大數(shù)據(jù)的定義，但是對(duì)于大數(shù)據(jù)的特征描述已經(jīng)有了一些共識(shí)，筆者采用周濤（2013）所描述的四個(gè)特點(diǎn)[2]：其一，數(shù)據(jù)規(guī)模巨大且持續(xù)保持高速增長；其二，數(shù)據(jù)價(jià)值的增長與規(guī)模的增長正相關(guān)；其三，數(shù)據(jù)能充分發(fā)揮其外部性并通過與某些相關(guān)數(shù)據(jù)交叉融合產(chǎn)生遠(yuǎn)大于簡單加和的巨大價(jià)值；其四，一般研究人員和開發(fā)人員可以自如獲取數(shù)據(jù)的邏輯片段并進(jìn)行分析處理。

從單個(gè)消費(fèi)者的角度看，由于網(wǎng)絡(luò)消費(fèi)者最初掌握的數(shù)據(jù)一般比較少，而且他們一般是單次與某個(gè)商家進(jìn)行交易，所以基本屬于小樣本認(rèn)識(shí)。但是他們可以通過其他人的交易經(jīng)歷來能獲得更多的評(píng)價(jià)數(shù)據(jù)，以擺脫典型事件的影響。隨著網(wǎng)絡(luò)競爭的發(fā)展，網(wǎng)絡(luò)評(píng)價(jià)數(shù)據(jù)不再是某幾個(gè)大型數(shù)據(jù)門戶網(wǎng)站的專利，一般的用戶不僅是數(shù)據(jù)的生產(chǎn)者也同時(shí)可以稱為數(shù)據(jù)的利用者，比如CNNIC就提供了一種免費(fèi)獲得網(wǎng)絡(luò)經(jīng)濟(jì)大數(shù)據(jù)的途徑。因此，網(wǎng)絡(luò)大數(shù)據(jù)使得消費(fèi)者可以獲得的評(píng)價(jià)數(shù)據(jù)的樣本量極大地提升了。注意到在大數(shù)據(jù)時(shí)代，我們面對(duì)的數(shù)據(jù)樣本就是過去資料的總和，樣本就是總體，所以需要合適的數(shù)據(jù)分析技術(shù)[3]。為了充分挖掘出評(píng)價(jià)大數(shù)據(jù)的價(jià)值，筆者以為可以采用交叉驗(yàn)證的思想，將線上評(píng)價(jià)數(shù)據(jù)集作為基礎(chǔ)數(shù)據(jù)集按照一定的比例來細(xì)分為訓(xùn)練集和測試集，將線下評(píng)價(jià)數(shù)據(jù)集作為驗(yàn)證數(shù)據(jù)集，實(shí)行線上與線下評(píng)價(jià)數(shù)據(jù)的交叉驗(yàn)證。由于線下評(píng)價(jià)基本來源于消費(fèi)者3度以內(nèi)的真實(shí)的社會(huì)網(wǎng)絡(luò)，其評(píng)價(jià)的可信度比較高，所以線上與線下評(píng)價(jià)數(shù)據(jù)的交叉驗(yàn)證有助于提高網(wǎng)絡(luò)評(píng)價(jià)數(shù)據(jù)的可信度，從而有利于消費(fèi)者對(duì)商品質(zhì)量做出更正確的判斷。

然而，在網(wǎng)絡(luò)大數(shù)據(jù)可以獲得的前提下，消費(fèi)者利用其來規(guī)避小數(shù)定律誤區(qū)的過程中仍有兩個(gè)問題需要解決：其一，對(duì)賣家宣稱的同等質(zhì)量價(jià)格最低這類消息，消費(fèi)者應(yīng)該最少瀏覽多少相應(yīng)的評(píng)價(jià)信息才能保證其作出的決策已經(jīng)走出小數(shù)定律誤區(qū)？其二，消費(fèi)者從非理性決策到理性決策的演化過程如何？本文擬從博弈論的角度構(gòu)建網(wǎng)絡(luò)經(jīng)濟(jì)系統(tǒng)中經(jīng)濟(jì)主體之間的網(wǎng)絡(luò)演化博弈模型，得到其演化均衡路徑。

2.2 消費(fèi)者評(píng)價(jià)導(dǎo)致的小數(shù)定律的演化博弈分析視角

網(wǎng)購過程中，某個(gè)特定的消費(fèi)者購買某個(gè)特定商家產(chǎn)品的行為可以視為一次合作博弈。

消費(fèi)者考慮的是商品的質(zhì)量、價(jià)格、物流速度以及商品對(duì)自己效用的大小；而商家考慮的則是成本和收益。網(wǎng)購成功意味著合作博弈形成了合作，其對(duì)應(yīng)價(jià)格下各自的收益就是一種雙方認(rèn)可的分配方案。因此，消費(fèi)者和某商家之間的一次交易本質(zhì)上是一次合作博弈。

考慮初始狀態(tài)下某消費(fèi)者與商家之間的一次網(wǎng)購博弈。假設(shè)消費(fèi)者有三種可能的策略，而商家有四種可能的策略，見表2。假設(shè)該商家當(dāng)前擁有的評(píng)價(jià)數(shù)據(jù)有n條，其中好評(píng)m條，意向交易價(jià)格為p，商家刷信用的成本為c1，提供貨真價(jià)實(shí)商品的成本為c2，提供假劣商品的成本為c3(c3＜c2)。類似地，假設(shè)消費(fèi)者享用貨真價(jià)實(shí)商品的主觀效用為u2，享受假劣商品的效用為u3(u3＜u2)。設(shè)消費(fèi)評(píng)價(jià)對(duì)消費(fèi)者主觀感受的積極影響系數(shù)為u1(0＜u1＜1)，當(dāng)消費(fèi)者不相信評(píng)價(jià)而選擇不購買該商品時(shí)，其感受半信半疑中挽救了1-u1補(bǔ)償系數(shù)的一大半，假設(shè)為九成。一次靜態(tài)博弈模型如表2所示，在此理論上可計(jì)算其Nash均衡策略和收益結(jié)果。

表2 初期代表性消費(fèi)者與商家的一次評(píng)價(jià)接觸博弈

2.3 EWA算法的基本思想和原理

由于對(duì)商品質(zhì)量的不確定，每次博弈前消費(fèi)者會(huì)參考前期消費(fèi)者的評(píng)價(jià)信息來調(diào)整本次的策略，所以一次網(wǎng)購博弈是建立在局中人對(duì)網(wǎng)購群體歷史博弈結(jié)果的學(xué)習(xí)和觀察基礎(chǔ)上的，因此一次網(wǎng)購博弈本質(zhì)上是群體博弈演化過程中的某個(gè)狀態(tài)。消費(fèi)者和商家都會(huì)通過學(xué)習(xí)來改善自己的策略，從而達(dá)到演化均衡，其學(xué)習(xí)的效果依賴于具體的策略學(xué)習(xí)機(jī)理。

目前常用到的演化決策機(jī)制有四種[4]：最優(yōu)反應(yīng)動(dòng)態(tài)機(jī)制、復(fù)制動(dòng)態(tài)決策機(jī)制，基于隨機(jī)過程或群智能優(yōu)化算法的決策機(jī)制，以及基于神經(jīng)網(wǎng)絡(luò)或強(qiáng)化學(xué)習(xí)[5]的決策機(jī)制。其中，強(qiáng)化學(xué)習(xí)模型是最常用的兩種動(dòng)態(tài)決策機(jī)制之一，它使成功的策略被加強(qiáng)，但沒有考慮未選擇策略的收益信息和對(duì)手的可能信念。信念學(xué)習(xí)模型[6]試圖使博弈參與者根據(jù)其他參與者先前行動(dòng)的歷史事件形成對(duì)別人會(huì)如何行動(dòng)的信念，根據(jù)這些信念計(jì)算各種策略的期望收益，并以較高的頻率選擇能獲得較高期望支付的策略，但沒有考慮到過去選擇成功策略對(duì)后來選擇的影響。本文采用1999年由Camerer和Chong提出的經(jīng)驗(yàn)權(quán)重魅力值EWA（experience-weighted attraction）學(xué)習(xí)算法[7]，該學(xué)習(xí)機(jī)理綜合了強(qiáng)化學(xué)習(xí)和信念學(xué)習(xí)的優(yōu)點(diǎn)，能更好地融合大數(shù)據(jù)評(píng)價(jià)信息，同時(shí)考慮成功策略的積極評(píng)價(jià)和不成功策略的消極評(píng)價(jià)的信念調(diào)整，比強(qiáng)化學(xué)習(xí)和信念學(xué)習(xí)有更好的解釋能力。

EWA學(xué)習(xí)模型的基本模型如公式（1）、（2）和（3）所示的模型。

3 模擬算例分析

3.1 基于大數(shù)據(jù)和EWA學(xué)習(xí)的仿真流程

結(jié)合能掌握的評(píng)價(jià)信息，可以按照如下7個(gè)步驟來展開EWA的網(wǎng)上購物仿真。

步驟1：依據(jù)當(dāng)前掌握的歷史交易評(píng)價(jià)信息，估算表2所示的博弈模型中的個(gè)參數(shù)取值，并將各種策略的初始魅力值理解為表2中的收益值，即商家利潤或消費(fèi)者的效用大小；

步驟2：根據(jù)每一個(gè)策略的初始魅力值，利用（3）式計(jì)算其選擇概率；

步驟3：利用Matlab產(chǎn)生一個(gè)(0,1)之間的隨機(jī)數(shù)，根據(jù)該隨機(jī)數(shù)，選擇賣家和買家的策略；

步驟4：根據(jù)網(wǎng)上購物供需關(guān)系進(jìn)行出清；

步驟5：賣家與買家根據(jù)出清結(jié)果計(jì)算其利潤；

步驟6：按照式（1）修改策略集合中各個(gè)策略的魅力值；

步驟7：若還沒有達(dá)到結(jié)束的條件，則返回步驟1，結(jié)合即時(shí)產(chǎn)生的評(píng)價(jià)數(shù)據(jù)，更新表2中的參數(shù)一收益值，開始下一輪學(xué)習(xí)，當(dāng)達(dá)到終止條件時(shí)結(jié)束，或者當(dāng)樣本數(shù)據(jù)用盡時(shí)結(jié)束。

3.2 消費(fèi)者與商家的靜態(tài)評(píng)價(jià)博弈案例的Nash均衡及EWA演化

選擇某款手機(jī)的銷售為研究案例，將筆者手動(dòng)搜集的某一品牌手機(jī)三個(gè)月累計(jì)的四個(gè)信用等級(jí)商鋪的評(píng)價(jià)數(shù)據(jù)視為小數(shù)據(jù)樣本。由表1可得到四個(gè)等級(jí)的商家對(duì)應(yīng)于博弈模型表2中的評(píng)價(jià)總數(shù)n和好評(píng)總數(shù)m。由于評(píng)價(jià)對(duì)消費(fèi)者的積極影響與其好評(píng)率成正相關(guān)，但是好評(píng)數(shù)太低時(shí)的積極影響可以忽略，所以為簡單起見假設(shè)積極影響系數(shù)為u1=Max{m/n-1/2,0}。所有店鋪的手機(jī)交易價(jià)格均為p=1320元，假設(shè)消費(fèi)者對(duì)正品手機(jī)和假劣產(chǎn)品的效用分別貨幣化為u2=2000和u3=320元。商家提供正品和假劣產(chǎn)品的成本分別為c2=1000元和c3=500元，刷信用的成本c1=min{0.5m,100}.分別算出四種類型商家與消費(fèi)者的參數(shù)列于表3。

表3 四種類型消費(fèi)者與商家的一次評(píng)價(jià)博弈的參數(shù)值及Nash均衡策略

由表3可以得四種類型商家與消費(fèi)者對(duì)應(yīng)于表2所示博弈模型的收益值，可以發(fā)現(xiàn)前種類型的博弈中均不存在占優(yōu)均衡策略。但是皇冠類型的商家，其占優(yōu)策略均衡是不刷信用且貨真價(jià)實(shí)地供貨，然而其消費(fèi)者卻依然不存在占優(yōu)策略均衡。

3.3 基于大數(shù)據(jù)和EWA學(xué)習(xí)的仿真結(jié)果

考慮到網(wǎng)購消費(fèi)者對(duì)過去經(jīng)驗(yàn)學(xué)習(xí)的能力比較強(qiáng)，我們?cè)O(shè)式(2)中的魅力值增長系數(shù)ρ為0.6，但是考慮到魅力值的敏感度不太高，設(shè)式(3)中的魅力值反應(yīng)敏感度λ為0.4。然后，按照上述七個(gè)步驟逐步更新每一個(gè)策略的魅力值，計(jì)算其選擇概率。結(jié)束的條件為魅力的代際更新值差別不超過0.05。

首先直接利用小樣本集進(jìn)行EWA學(xué)習(xí)的仿真結(jié)果。以R軟件模擬該案例的EWA更新博弈結(jié)果，發(fā)現(xiàn)紅心、藍(lán)鉆和藍(lán)冠類型的商家與消費(fèi)者的評(píng)價(jià)博弈的演化情形如圖1所示，藍(lán)冠類型的商家與消費(fèi)者的評(píng)價(jià)博弈如圖2所示，其結(jié)果一直沒有穩(wěn)定的趨勢。而皇冠類型的商家與消費(fèi)者的評(píng)價(jià)博弈的演化情形如圖3所示，當(dāng)評(píng)價(jià)數(shù)據(jù)更新至5千次時(shí)，其選擇策略基本穩(wěn)定。生產(chǎn)者選擇不刷信用的比例約為65%，消費(fèi)者選擇相信評(píng)價(jià)并做出理性決策的穩(wěn)定比例約為52%。

圖1 紅心與藍(lán)鉆商家與消費(fèi)者的評(píng)價(jià)博弈策略演化

圖2 藍(lán)冠商家與消費(fèi)者的評(píng)價(jià)博弈策略演化

圖3 皇冠商家與消費(fèi)者的評(píng)價(jià)博弈策略演化

將網(wǎng)絡(luò)可抓取的即時(shí)更新的數(shù)據(jù)視為大數(shù)據(jù)，2014年3月24日到3月30日，淘寶網(wǎng)的總訪問次數(shù)達(dá)到了597824.2萬次。當(dāng)前CNNIC尚未開通購物評(píng)價(jià)統(tǒng)計(jì)，其中某時(shí)間段提供某款手機(jī)的商家達(dá)到529家。利用該評(píng)價(jià)數(shù)據(jù)，以R軟件模擬該案例的EWA博弈策略的演化，結(jié)果表明：藍(lán)冠類型的商家與消費(fèi)者的評(píng)價(jià)博弈的演化情形如圖4所示，在數(shù)據(jù)更新至約7千次時(shí)，其選擇策略基本處于穩(wěn)定值：生產(chǎn)者選擇不刷信用的比例約為69%，消費(fèi)者選擇相信評(píng)價(jià)并做出理性決策的穩(wěn)定比例約為76%。而且皇冠類型的商家和消費(fèi)者的依然處于穩(wěn)定如圖4所示：生產(chǎn)者選擇不刷信用的比例約為84%，消費(fèi)者選擇相信評(píng)價(jià)并做出理性決策的穩(wěn)定比例約為81%。

圖4 大數(shù)據(jù)下藍(lán)冠商家與消費(fèi)者的評(píng)價(jià)博弈策略演化

圖5 大數(shù)據(jù)下皇冠商家與消費(fèi)者的評(píng)價(jià)博弈策略演化

4 結(jié)論

本文利用大數(shù)據(jù)規(guī)模巨大的優(yōu)勢、結(jié)合消費(fèi)者在瀏覽帶噪音的評(píng)級(jí)信息時(shí)對(duì)于商品質(zhì)量的學(xué)習(xí)行為，從博弈策略進(jìn)化學(xué)習(xí)的角度討論了消費(fèi)者避開小數(shù)定律誤區(qū)的途徑。模擬結(jié)果顯示：大數(shù)據(jù)使得藍(lán)冠類型的商家與消費(fèi)者的評(píng)價(jià)演化博弈由不穩(wěn)定轉(zhuǎn)化為穩(wěn)定，其臨界博弈次數(shù)約為7千次；而對(duì)于皇冠類型的商家與消費(fèi)者的評(píng)價(jià)博弈，大數(shù)據(jù)下的EWA演化可以提高其良性發(fā)展的網(wǎng)購環(huán)境，其中生產(chǎn)者選擇不刷信用的比例由約65%提升為約84%，表征著商家評(píng)價(jià)的真實(shí)性提高了約19%；而消費(fèi)者相信評(píng)價(jià)的穩(wěn)定比例由約52%提升為約81%，表征著消費(fèi)者信任商家的提高了約29%。

然而，大數(shù)據(jù)來源的多樣性和異構(gòu)性的優(yōu)勢在本文中沒有得到充分發(fā)揮。如果能充分量化評(píng)價(jià)中的文本、語音和圖像，就能夠從多維度交叉展示產(chǎn)品特征，評(píng)價(jià)的真實(shí)性將進(jìn)一步大幅度得到提高，消費(fèi)者因?yàn)樵u(píng)價(jià)信息不真實(shí)而誤入小數(shù)定律陷阱的可能將一步減少。為了使網(wǎng)購環(huán)境的進(jìn)一步優(yōu)化，筆者期待著再此方面的進(jìn)一步深入探討的出現(xiàn)。

[1]K.Busche,P.Kennedy.On Economists'Belief in the Law of Small Numbers[J].Economic Inquiry,1984,22(4).

[2]周濤.什么是大數(shù)據(jù)[EB/OL].http://blog.sciencenet.cn，2012-08-18

[3]朱建平,章貴軍,劉曉葳等.大數(shù)據(jù)時(shí)代下數(shù)據(jù)分析理念的辨析[J].統(tǒng)計(jì)研究,2014,31(2).

[4]龔誼承，王先甲，李壽貴.校企實(shí)習(xí)聯(lián)盟模式變遷的進(jìn)化博弈模型與演化路徑[J].系統(tǒng)工程理論與實(shí)踐，2012，32（93）.

[5]Roth,A E Erev,I.Learning in Extensive-form Games:Experimental Data and Simple Dynamic Models in the Intermediate Term[J].Games and Economic Behavior,1995,8.

[6]Crawford V.P.Adaptive Dynamicsin Coordination Games[J].Econometrica,1995,63.

[7]Camerer C F.Ho T H.Experience-Weighted Attraction Learning in Normal-form Games[J].Econometrica,1999,67.