樊雙蛟, 王旭坪
(1. 大連理工大學系統(tǒng)工程研究所, 遼寧 大連 116023;2. 大連工業(yè)大學機械工程與自動化學院, 遼寧 大連 116034;3.大連理工大學商學院, 遼寧 盤錦 124221)
在線零售區(qū)別于傳統(tǒng)實體店面經營的一個顯著特點是存在大量非質量原因產生的退貨。在線購物環(huán)境下, 消費者無法接觸產品實物, 僅能通過瀏覽頁面的文字、圖片、視頻介紹和商品評價形成初始感知價值, 從而決定是否購買。而在收到實物后, 由于進一步獲取了商品的真實信息, 以及材質、做工、使用感受等購買前缺少的信息, 往往與最初評價產生一定的感知差異, 可能導致對商品最終價值評價降低, 產生退貨需求。因此, 商家為了擴大銷售、增加利潤, 一方面需要對產品信息進行推廣并結合有效促銷方式促進消費者購買, 另一方面需要制定合理的“無理由退貨”政策, 允許顧客退回不滿意商品, 并對無缺陷商品進行二次銷售。對電子商務環(huán)境下退貨的研究和恰當表述是進行庫存和定價優(yōu)化以及制定有效產品信息發(fā)布策略的關鍵問題。
在傳統(tǒng)的供應鏈庫存和定價優(yōu)化問題中, 由于退貨所占比例小, 研究者往往不關注退貨的產生原因和影響因素, 僅用一個固定退貨率將退貨量表示為需求量的線性函數(shù)。如基于這一假設, Kiesmuller和Lean[1]建立了考慮提前期且允許缺貨情形下的有限期庫存控制模型。Mostard和Teunter[2]研究了包含退貨的報童問題, 計算了該條件下的最優(yōu)訂貨量。李新軍和達慶利[3]建立了隨機需求條件下基于退貨的單周期供應鏈模型, 分別推導出集中決策條件下和分散決策條件下的最優(yōu)性條件以及利潤分配機制。李群霞等[4]建立了缺陷品可完全退貨的庫存控制模型, 假設缺陷率服從均勻分布,確定了使銷售利潤最大化的最優(yōu)訂貨量和合理缺貨量。Chen和Bell[5]對于由一個制造商和一個零售商組成的供應鏈, 提出一種制造商對于最終顧客的退貨商品和零售商未銷售商品以不同價格進行回購的契約。當研究對象從傳統(tǒng)供應鏈環(huán)境轉移到電子商務環(huán)境時, 部分研究仍是延續(xù)了退貨率固定的這一假設。如汪峻萍等[6]針對在線銷售易逝品的無缺陷退貨現(xiàn)象, 建立了兩階段動態(tài)規(guī)劃以描述動態(tài)市場環(huán)境下網上銷售商的兩次訂購行為, 分別在集中和分散決策條件下, 考慮了供應鏈的最優(yōu)訂購協(xié)調問題。張霖霖和姚忠[7]研究了乘法模式需求條件下的在線零售定價和訂貨策略。孫軍等[8]研究產品生產成本信息對稱和不對稱時在線零售商的最優(yōu)采購量問題, 研究表明成本信息不對稱時在線零售商的采購量比信息對稱時的采購量有所下降, 提出在線零售商可以通過契約菜單對制造商形成有利約束。李建斌和李赟[9]建立了對于一個由壟斷制造商和異質偏好消費者組成的在線零售模型, 研究了無理由退貨政策盈利能力的影響因素, 提出對低質量水平商品提供策略性補償?shù)膬?yōu)化策略。
隨著在線購物的普及以及網購退貨問題的日益突出, 一些學者開始從實證的角度, 分析探討在線購物退貨的產生原因和影響因素。Hess和Mayhew[10]發(fā)現(xiàn)顧客退貨跟商品價格有關, 價格越高越容易被退貨. Lee和Tan[11]研究證明影響消費者感知的因素既來源于產品本身, 也來源于對購物環(huán)境及風險的判斷。Vohs和Faber[12]提出退貨與沖動購買有關, 網絡購物的便捷性以及誘發(fā)因素的增多使得消費者更易于沖動購物。Lawton[13]的統(tǒng)計分析揭示在美國每年95%以上的退貨產品是由消費者自身原因產生。Ofek等[14]研究發(fā)現(xiàn)零售商提供充分且準確的產品信息, 可以降低消費者對產品價值感知的不確定性, 減小退貨的可能性。王崇等[15]分析了各項成本變量及購物風險對網絡購物環(huán)境下消費者感知效用的影響, 研究結果表明, 商品質量的提高可以增大消費者感知效用, 而商品價格、購物風險的增大將導致消費者感知效用減小。Wood[16]通過對電子商務環(huán)境下的顧客購買行為進行分析發(fā)現(xiàn), 顧客在線購物通常經歷了兩個分離的決策過程: 通過瀏覽網頁介紹形成初始感知價值, 決定是否購買;通過實物感受產生感知差異, 形成最終價值評價, 決定是否退貨。
基于上述實證研究結果, 部分學者在研究網絡購物環(huán)境下的庫存和定價等問題時開始考慮退貨量和退貨價格以及商品價格的關系。如曹細玉和寧宣熙[17]在考慮退貨價格的易逝品供應鏈協(xié)調性研究中, 將退貨率表示為m(r)=lrk, 其中l(wèi)為換算常數(shù),k為退貨價格彈性,r為退貨價格。翟春娟和李勇建[18]在B2C模式下的在線零售商退貨策略研究中, 將退貨量表示為退貨價格的線性函數(shù). Chen和Bell[19]在加法模式需求下包含退貨的定價和庫存研究中, 將退貨量表示為R(p)=αX+βp(0<α<1,β>0), 其中X表示銷量,p表示價格。更多學者則是從感知價值的角度出發(fā)研究了顧客的購買和退貨行為, 將退貨率表示為主觀商品效用低于退貨所得的概率?;陬櫩驮谫徺I前對產品感知價值的不確定, Su Xuanming[20]建立了這一條件下全額退款和部分退款時的最優(yōu)定價和訂購策略。申成霖等[21]研究了單周期供應鏈的協(xié)調決策問題, 建立了有服務水平約束的顧客策略性退貨模型。Swinney[22]研究了當存在戰(zhàn)略顧客時, 快速反應型生產是否有效的問題, 以及退貨政策對這一有效性的影響。李勇建等[23]研究了報童零售商的預售策略和無缺陷退貨問題。Akcay等[24]研究了當零售商提供退貨政策時, 對于退貨可以折價再次出售, 且顧客可以在全新商品和折價商品之間進行選擇時, 零售商的最優(yōu)訂貨量、最優(yōu)定價和最優(yōu)折扣價。Hu等[25]研究了退貨政策對供應商管理庫存有效性的影響。楊光勇和計國君[26]研究了存在戰(zhàn)略顧客時, 不再銷售、正常再銷售與降價再銷售退貨產品策略如何影響銷售商的顧客退貨策略設計。Hsiao和Chen[27]研究了在何種條件下不允許退貨的政策會給零售商和供應鏈帶來更大利益。黃宗盛等[28]研究了同時擁有實體渠道和網絡渠道的雙渠道零售商的退貨保證策略選擇問題, 建立不同策略選擇下的利潤模型, 求解最優(yōu)定價并進行比較。文獻[20]-[28]都只考慮了顧客對產品的感知價值, 假定其值在購買前后沒有變化, 而基于文獻[16]同時考慮感知價值和感知差異的退貨研究還較少見。Chen Yingju[29]初步探討了這一條件下的最優(yōu)銷售策略和退貨政策。陳燦和劉杰[30]建立了購買前后感知價值不同條件下的期望利潤模型, 給出感知價值獨立或線性相關情形下最優(yōu)訂貨量的解析解, 并通過算例分析了當價格內生時, 消費者感知價值特點對最優(yōu)定價、訂貨量和利潤的影響。
由于消費者感知價值的主要依據(jù)來源于通過網頁獲取的產品信息, 一些學者從商家信息發(fā)布的角度開展相關研究。如Chen Yubo和Xie Jinhong[31]研究了商家提供的產品屬性信息與在線評論信息對消費者形成產品感知價值的影響及相互關系, 提出相應的產品評論展示和營銷傳播策略。Shulman等[32]考慮消費者偏好、消費者對產品屬性的不確定性和退貨成本等因素, 建立了零售商利潤模型, 確定了向消費者提供產品適合信息的最佳條件, 分析其影響因素。張濤等[33]考慮產品價值和退貨成本的影響, 從零售商利潤和消費者效用的角度研究了零售商在壟斷和競爭情形下的產品信息發(fā)布決策問題。以上研究均未與訂貨量和定價的聯(lián)合優(yōu)化結合。
基于上述已有研究成果, 本文從顧客購買前形成感知價值和收到實物后產生感知差異的角度出發(fā), 將感知價值和感知差異表示為二維隨機變量, 并考慮顧客在促銷期不同于日常消費期的行為特點, 對退貨率進行解析表述, 構建定價和訂貨聯(lián)合決策模型, 在最優(yōu)定價和訂貨量的基礎上分析了不同美化程度的產品信息發(fā)布策略所取得的效果。主要有兩點區(qū)別于已有研究:
(1)文獻[29]考慮了購買前的感知價值和購買后的感知差異, 但假定二者相互獨立, 且著眼點在于銷售策略和退貨政策, 未涉及庫存和定價優(yōu)化問題, 文獻[30]則是從購買前后感知價值的角度構建模型, 假定二者相互獨立或完全線性相關。本文采用文獻[29]的方式, 從感知價值和感知差異角度構建退貨率模型, 更符合文獻[16]中的退貨產生機理, 將感知價值和感知差異表述為二維隨機變量, 分析相關系數(shù)變化對最優(yōu)策略和不同美化程度的產品信息發(fā)布策略有效性的影響。
(2)上述文獻均未考慮顧客在不同銷售時期的行為特點, 缺少用構建的退貨率模型對實證研究結果和實際現(xiàn)象做出分析解釋。統(tǒng)計數(shù)據(jù)顯示, 商品降價促銷期退貨率可能呈現(xiàn)與日常不同的變化規(guī)律, 如近年來“雙11”過后出現(xiàn)的高退貨率[34], 這與文獻[10]中商品價格越高越容易被退貨的研究結果相悖。本文從感知價值和感知差異的角度分析產生這一現(xiàn)象的原因是: 一方面由于降價產生的機會成本減少了退貨所得, 使顧客在進行退貨決策時更加審慎, 另一方面又可能因為降價刺激而沖動購買, 提高了退貨概率??紤]顧客在促銷期的購買和退貨行為與日常銷售期有所不同, 對促銷期退貨率進行了不同于日常銷售期的表述, 分析表明這一表述與已有實證研究中商品價格越高退貨率越高的結論一致, 同時可較好解釋大幅降價促銷期過后高退貨率的產生原因。
假定零售商在線銷售某種商品, 潛在顧客數(shù)量為x, 概率密度函數(shù)和分布函數(shù)分別為f(x)和F(x)。顧客在購買前通過瀏覽網頁介紹形成的商品感知價值為θ,θ∈(a,b), 顧客在收到商品實物后的感知差異為ε,ε∈(c,d), 則顧客收到產品后的感知價值為v=θ+ε。θ和ε的聯(lián)合概率密度函數(shù)為g(θ,ε)。
商品銷售分為日常銷售期和促銷期, 每個銷售周期的潛在顧客分布和價值感知分布相同, 每一銷售周期開始前零售商進行采購。商品日常售價為p, 促銷期價格折扣為k, 即促銷期售價為kp,k∈(0,1). 若顧客對購買商品不滿意可以按實際購買價退貨, 退貨不再進行銷售. 商品進價為w, 持貨成本系數(shù)h, 缺貨成本系數(shù)g, 未銷售及退回商品殘值為s, 其中,p>w>s。假定所有訂單在銷售期初發(fā)生, 所有退貨在銷售期末發(fā)生, 僅有未銷售商品在銷售期內產生持貨成本。
在日常銷售期, 顧客的購買條件是初始感知價值大于商品售價, 即θ>p, 退貨條件是收到實物后的感知價值小于退貨所得, 即θ+ε
g(θ,ε)=
(1)
為簡化討論, 合理化假設00, 且a 本節(jié)根據(jù)上述假定對退貨率及信息美化程度的影響進行分析。在數(shù)值算例部分, 則將感知價值和感知差異設定為更普遍的二維正態(tài)分布, 對本節(jié)的結論進行驗證, 并進一步分析最優(yōu)解隨信息美化程度和相關系數(shù)的變化情況。 命題1 日常銷售期的購買率隨價格上升而降低, 退貨率隨價格上升而增加。 證明 購買概率為 (2) 由(2)式可見,b1(p)是關于p的減函數(shù), 即隨著價格升高, 購買人數(shù)減少。 購買且退貨的概率為 (3) 由(3)式可見,r1(p)為常值, 與價格p無關. r1(p)是指在所有潛在顧客中, 選擇購買并最終退貨的概率, 而退貨率則是指在選擇購買的人群中最終退貨的概率, 即 (4) 由(4)式知, 退貨率是價格p的增函數(shù), 價格越高退貨率越大, 這與文獻[10]的實證研究結果一致。但通過上述分析能夠看到, 產生這一現(xiàn)象的根本原因并不是由于退貨人數(shù)增加, 而是由于購買人數(shù)減少。在日常銷售期, 當潛在顧客總數(shù)一定時, 選擇購買并最終退貨的人數(shù)是一個與價格無關的常值。 與傳統(tǒng)店面銷售相比, 電商的降價促銷信息傳播速度快, 范圍廣, 且顧客便于對其價格進行橫向和縱向比較, 促銷效應往往更加明顯。不同商家通常會在特定時間段, 如各種節(jié)慶、“雙11”等同時進行打折促銷活動, 促銷期一般持續(xù)時間不長, 促銷期過后商品恢復日常售價。顧客在促銷期由于受商品降價的影響, 其購買和退貨決策與平時相比有所差異。為了更清晰地分析顧客在促銷期的購買和退貨決策行為, 假定顧客在決定是否購買某商品A時, 有另一備選商品B。A與B的日常售價均為p, 促銷價均為kp, 顧客對于A的初始價值感知高于B, 為θ, 則顧客購買商品A的條件是初始感知價值大于商品促銷價, 即θ>kp。在收到實物后, 由于對A的感知差異導致最終價值評價下降, 顧客決定退回A重新購買B。由于促銷期持續(xù)天數(shù)短, 再次購買時商品價格已恢復日常售價, 顧客需要比原來購買多支付p-kp的機會成本, 相當于退貨所得僅為kp-(p-kp), 因此顧客在促銷期的退貨條件為θ+ε 命題2 促銷期的購買率隨價格折扣上升而降低, 且購買率高于日常銷售期。 證明 促銷期購買概率為 (5) 圖1是當p給定時促銷期的購買率隨k的變化情況, 以及與日常銷售期的比較。由式(5)和圖1可見,b2(k)是關于k的減函數(shù), 隨價格折扣降低, 顧客購買率增加。當價格p給定時,b2(k)>b1(p), 即促銷期購買率高于日常銷售期, 更多的顧客因為價格刺激選擇購買。 圖1 購買率分析 命題3 促銷期的退貨率隨價格折扣上升先減后增。當價格折扣低于一定程度時, 退貨率高于平時。 證明 促銷期購買且退貨的概率為 (6) 退貨率為 (7) 以下再對日常銷售期與促銷期退貨率進行比較。 圖2是當b(p+2c)-(p+c)2>0時,p給定的條件下, 促銷期退貨率隨k的變化情況, 以及與日常銷售期的比較。 圖2 退貨率分析 綜合上述分析可以看到, 在降價促銷期間, 價格下降幅度大時, 顧客的沖動購買行為占主導, 當價格折扣低于一定程度時, 退貨率高于平時。這一分析可以較好解釋在大幅降價促銷期過后高退貨率產生的原因。 由于顧客的初始感知價值來源于瀏覽商品頁面獲取的信息, 因此, 商家為了促進銷售, 在對商品信息進行發(fā)布時, 常采取不同程度的美化, 如對產品賣點進行突出宣傳、設置特定場景的圖片和視頻并適當進行調節(jié)以增加美感, 片面列舉大量好評信息等, 這些信息發(fā)布的美化策略可以提高消費者的產品初始感知價值, 增加購買概率。但是過于美化產品信息也可能導致顧客收到實物后的感知差異絕對值增大, 增加退貨概率。以下對日常銷售期和促銷期采取信息美化策略時的最優(yōu)利潤變化情況進行分析比較。用t表示信息發(fā)布美化值, 假定顧客對商品實物的最終感知價值總體均值固定, 那么當商家采取信息美化策略使顧客初始感知價值總體均值增加t時, 顧客收到商品實物后感知差異總體均值的絕對值減少t。用μ和σ分別表示初始感知價值的均值和標準差, 當t=0時, 感知差異均值為0, 標準差為σ。則 (8) (9) (10) (11) 命題4 在日常銷售期, 當潛在顧客數(shù)量確定時, 最大利潤隨信息發(fā)布美化程度的提高先增后降。商品價格和殘值越高, 商品進價越低, 可以采用的信息美化程度越高。 證明 假定潛在顧客數(shù)量為X, 則日常銷售期的最優(yōu)訂貨量為b1(p)X, 退貨量為r1(p)X, 銷售利潤為 Π1=(kp-w)b1(p)X-(kp-s)r1(p)X (12) 將(8)至(11)式代入(2)和(3)式, 再代入(12)式, 求關于t的一階導數(shù)并令其為0, 得 (13) 對(13)式分別求關于p,w,s的偏導數(shù), 得 (14) (15) (16) 可知, 取得最大利潤的t值隨p和s的增大而增大, 隨w的增大而減小. 命題5 在促銷期, 當潛在顧客數(shù)量確定時, 最大利潤隨信息發(fā)布美化程度的提高先增后降, 取得最大利潤的美化值大于日常銷售期. 證明 假定潛在顧客數(shù)量為X, 則促銷期的最優(yōu)訂貨量為b2(k)X, 退貨量為r2(k)X, 銷售利潤為 Π2=(kp-w)b2(k)X-(kp-s)r2(k)X (17) 將(8)至(11)式代入(5)和(6)式, 再代入(17)式, 求關于t的一階導數(shù)并令其為0, 得 (18) 式(18)與式(13)相減得 >0 (19) 由(19)式, 取得最大利潤的信息發(fā)布美化值促銷期大于日常銷售期。 本文第3部分從感知價值和感知差異的角度構建了購買率和退貨率模型, 分析證明這一表述與已有實證研究一致, 并可較好解釋促銷期過后退貨率激增的現(xiàn)象。以下基于這一表述, 并且不限定感知價值和感知差異的具體分布形式, 建立潛在顧客不確定條件下的利潤模型, 對最優(yōu)訂貨量和定價進行聯(lián)合決策。 在日常銷售期, 商家的決策對象是商品售價p和訂貨量q, 決策目標是利潤最大化。 利潤函數(shù)可表示為 Π1(p,q)= (20) 期望利潤為 (21) 命題6 在日常銷售期, 當價格給定時, 存在唯一最優(yōu)訂貨量。 證明 當p給定時, 對(21)式求q的一階導數(shù)得 (22) 令(22)式為0, 得 (23) 再對(21)式求q的二階導數(shù)為 (24) 可知當q滿足(23)式時,E[Π1(p,q)]取得最大值。即 q*= (25) 由于難以從期望利潤的表達式中直接推導出最優(yōu)定價p的解析解, 在數(shù)值算例部分將(25)式代入(21)式, 采用最優(yōu)化算法求得近似的最優(yōu)定價p*。則日常銷售期最大利潤的期望值為E[Π1(p*,q*)]。 在促銷期, 商家的決策對象是商品價格折扣k和訂貨量qk, 決策目標是使促銷期的利潤最大化。 促銷期利潤函數(shù)為 Π2(k,qk)= (26) 期望利潤為 (27) 命題7 在促銷期, 當價格折扣給定時, 存在唯一最優(yōu)訂貨量。 證明 當k給定時, 對(27)式求qk的一階導數(shù)得 (28) 令(28)式為0, 得 (29) 再對(27)式求qk的二階導數(shù)為 (30) 可知當qk滿足(29)式時,E[Π2(k,qk)]取得最大值。即 (31) 在第3部分延續(xù)了已有研究中對商品估值服從均勻分布的假設, 并假定感知價值和感知差異服從二維均勻分布。在數(shù)值算例部分, 為了研究結論和方法的一般適用性, 考慮感知價值和感知差異服從更為一般的二維正態(tài)分布。通過算例達到以下三方面研究目的:(1)在理論分析部分得出最優(yōu)訂貨量的解析解, 對最優(yōu)定價只提出了計算方法, 在算例部分運用這一方法對定價和訂貨量進行聯(lián)合優(yōu)化;(2)在改變感知價值和感知差異為更一般的聯(lián)合分布情況前提下, 驗證理論分析得出的信息發(fā)布美化策略;(3)研究感知價值和感知差異的相關系數(shù)變化對最優(yōu)利潤和信息發(fā)布美化策略的影響。 假定對于5.1中的商品, 商家通過突出產品賣點、美化圖片、片面列舉大量好評信息等信息發(fā)布美化策略提高顧客對商品的初始感知價值, 圖3和圖4是t值從-2到6時, 日常銷售期和促銷期的最優(yōu)策略變化情況, 以及相應的最大期望利潤和退貨率。其中的t值反映了商家通過美化商品介紹使顧客初始感知價值產生的變化。當t=0時, 感知差異均值為0, 表示商家對商品進行了比較客觀和準確的描述。當t>0時, 感知差異均值為負, 表示商家對商品的描述存在一定程度的美化,t值越大表示美化程度越高。t<0則表示由于商家對產品介紹的不夠詳細準確, 顧客在購買前無法獲取到足夠商品信息, 導致初始感知價值偏低。 圖3 感知價值變化對日常銷售期最優(yōu)策略的影響 圖4 感知價值變化對促銷期最優(yōu)策略的影響 由圖3圖4可見, 在日常銷售期, 隨著賣家對商品介紹美化程度的提高, 最大期望利潤呈現(xiàn)出先升后降的變化規(guī)律, 在商家對商品稍作美化時, 最大期望利潤取得最大值, 與命題4一致. 在促銷期, 隨著賣家對商品介紹美化程度的提高, 最大期望利潤同樣呈現(xiàn)出先升后降的變化規(guī)律, 但取得最大利潤的t值大于日常銷售期, 與命題5一致。日常銷售期和促銷期的退貨率均隨初始感知價值提高而上升, 但促銷期與日常銷售期相比, 退貨率變化的敏感程度較低。 以上分析說明, 適當?shù)拿阑梢月晕⑻岣哳櫩统跏几兄獌r值, 刺激購買, 從而獲取更多收益。但對商品介紹的過于美化和夸大則會提高顧客收到實物后的感知差異, 大幅增加商品退貨率, 反而降低預期收益。在促銷期, 由于退貨機會成本的存在, 退貨率隨初始感知價值變化的敏感程度低于日常, 對于商品的宣傳推廣活動能比平時取得更好效果, 但同樣不宜過于夸大。 對于不同種類的商品, 感知價值和感知差異的構成情況可能不同, 存在不同程度的相關性。文獻[29]認為, 初始感知價值主要由通過網頁介紹了解到的商品本質屬性產生, 而感知差異主要來源于通過試用商品實物體會到的適用性, 二者的形成原因不同, 因此可以認為相互獨立。文獻[30]考慮了兩種極端情況, 當消費者購買前獲得的產品相關信息較少時, 其真實感知價值與購買前的感知價值相互獨立, 即相關系數(shù)為0; 而當購買前對產品有一定的了解時, 購買后的真實感知與購買前的感知具有完全線性相關性, 即相關系數(shù)為1。本文認為對于不同商品, 消費者關注的商品信息類別不同, 因此感知價值的構成和感知差異的形成原因也有所不同, 可能存在不同程度的相關性, 用相關系數(shù)ρ表示其線性相關程度。 以下分析相關系數(shù)變化對最大利潤的影響。由于感知價值和感知差異總體反向變化, 分別對相關系數(shù)ρ取-0.1, -0.3, -0.5, -0.7, -0.9, 比較t=0時日常銷售期和促銷期的最大利潤變化情況, 如圖5所示。 圖5 相關系數(shù)對預期最大利潤的影響 由圖5可見, 相關系數(shù)影響最大預期利潤。在日常消費期和促銷期, 最大利潤均在中度負相關時(ρ=-0.5)最低。 對ρ=-0.3,ρ=-0.5和ρ=-0.7時, 日常銷售期和促銷期的預期利潤隨信息發(fā)布美化值t的變化情況做比較, 如圖6和圖7所示。 圖6 日常銷售期相關系數(shù)對最優(yōu)美化值的影響 圖7 促銷期相關系數(shù)對最優(yōu)美化值的影響 由圖6和圖7可見, 各種相關系數(shù)條件下期望利潤隨美化值t的變化情況均滿足命題4和命題5。當相關性加強時, 取得最大預期利潤的t*值隨之升高, 且當t值大于t*時, 預期利潤的下降速率隨相關性的加強而減緩, 這說明信息發(fā)布的美化策略在感知價值和感知差異的相關系數(shù)絕對值較大時能夠取得更好效果。這一結論可能有悖于直觀感覺, 因為通常認為感知價值與感知差異越相關, 則美化產品信息更可能導致由于感知差異引起的退貨傾向。為解釋這一問題, 再對ρ=-0.3,ρ=-0.5和ρ=-0.7時, 日常銷售期和促銷期的退貨率隨信息發(fā)布美化值t的變化情況做比較, 如圖8和圖9所示。 圖8 日常銷售期相關系數(shù)對退貨率的影響 圖9 促銷期相關系數(shù)對退貨率的影響 由圖8和圖9可見, 當相關系數(shù)絕對值增大時, 退貨率下降。因此, 對于這一相悖的合理解釋是:由于相關系數(shù)只反映了變量間的線性相關關系, 其絕對值的增大限制了感知差異的變化范圍, 避免了感知差異在更大范圍內變動從而引起退貨可能性的增加。 顧客的在線購物行為可以分為購買決策和退貨決策兩個階段, 而顧客通過商品介紹形成的感知價值和收到實物后的感知差異則是進行這兩個決策的主要依據(jù)。本文據(jù)此對日常銷售期和促銷期的顧客購買率和退貨率進行了解析表述, 分析表明這一表述與現(xiàn)有的實證研究中商品價格越高退貨率越高的結論一致, 并可較好解釋大幅降價促銷期過后產生高退貨率的原因。在此基礎上分析了潛在顧客數(shù)量確定時, 信息發(fā)布美化程度對最大利潤的影響。分別建立了商家在日常銷售期和促銷期的期望利潤模型, 推導出最優(yōu)訂貨策略的解析解, 并給出最優(yōu)日常售價、最優(yōu)促銷期價格折扣、日常銷售期和促銷期最大期望利潤的計算方法。通過數(shù)值算例驗證了感知價值和感知差異服從更為一般的分布形式且潛在顧客數(shù)量隨機時, 最大利潤隨信息發(fā)布美化程度的變化規(guī)律, 研究了二者相關性對美化策略有效性的影響。 通過理論分析和數(shù)值算例得出以下主要結論和管理建議: (1)顧客在促銷期的退貨同時受到兩種反向作用的影響: 由于降價促銷沖動購買造成的退貨率增加, 由于機會成本導致退貨所得減少造成的退貨率降低。降價折扣決定了哪一種作用的影響占主導。對于日常售價越高的商品, 沖動購買行為占主導的可能性越大。 (2)從感知價值和感知差異的角度構建電子商務環(huán)境下的購買率和退貨率模型, 可以較好解釋已有實證研究結果和實際現(xiàn)象, 以此為基礎進行訂貨和定價的聯(lián)合優(yōu)化更符合實際, 可以為網絡零售商提供更好的決策支持。 (3)當商品售價、進價和殘值滿足一定條件時, 商家采用適當?shù)男畔l(fā)布美化策略可以在一定程度上提高利潤。對價格越高、殘值越高且進價越低的商品, 可進行的信息美化程度越高。 在促銷期應比日常銷售期加強產品信息發(fā)布的美化程度。 (4)在同等條件下, 感知價值和感知差異中度線性相關產品的利潤低于低度和高度線性相關產品;線性相關程度越高的產品, 越適合采用信息發(fā)布美化策略。 本文的局限性在于, 對感知價值和感知差異相關性的探討僅限于不同程度的線性相關, 對于二者更廣泛的相關情形還需進一步探討。只研究了全款退貨以及退貨不再銷售的退貨政策, 對于其他形式的退貨政策還需做更深入的比較研究。3.2 促銷期的退貨率分析
3.3 信息發(fā)布美化程度對最大利潤的影響分析
4 利潤模型的建立與求解
4.1 日常銷售期的利潤模型
4.2 促銷期的利潤模型
5 數(shù)值算例
5.1 定價和訂貨量聯(lián)合優(yōu)化下的最優(yōu)策略
5.2 初始感知價值變化對最優(yōu)策略的影響
5.3 相關系數(shù)變化對最大利潤的影響
6 結語