基于演化博弈的電商平臺(tái)“殺熟”與政府監(jiān)管行為分析

張志鵬，段 賀

（天津職業(yè)技術(shù)師范大學(xué)經(jīng)濟(jì)與管理學(xué)院，天津 300222）

隨著企業(yè)間競(jìng)爭(zhēng)的加劇，電商平臺(tái)越來越重視對(duì)消費(fèi)者購(gòu)物行為的分析。當(dāng)前，電商平臺(tái)借大數(shù)據(jù)時(shí)代的東風(fēng)，普遍利用大數(shù)據(jù)深入挖掘消費(fèi)者的購(gòu)物記錄和搜索記錄等內(nèi)容，從而為消費(fèi)者推送有針對(duì)性的商品信息或制定不同的產(chǎn)品價(jià)格及優(yōu)惠政策。其中，對(duì)新老顧客進(jìn)行市場(chǎng)劃分，同一產(chǎn)品或服務(wù)收取不同的費(fèi)用，以資謀求更大利益的現(xiàn)象被稱為“大數(shù)據(jù)殺熟”[1]。如2020年雙十一期間，某女子通過電商平臺(tái)購(gòu)買一商品，卻意外發(fā)現(xiàn)，非會(huì)員賬號(hào)的價(jià)格比自己的會(huì)員賬戶要低很多，通過仔細(xì)比對(duì)發(fā)現(xiàn)，非會(huì)員賬號(hào)中有一張滿減券①。另外，根據(jù)2019年一項(xiàng)針對(duì)北京地區(qū)的調(diào)查顯示，超過八成的被調(diào)查者認(rèn)為企業(yè)“殺熟”現(xiàn)象普遍存在，超過五成的被調(diào)查者認(rèn)為自己被“殺熟”過。同時(shí)，網(wǎng)購(gòu)平臺(tái)、在線旅游和網(wǎng)約車等企業(yè)是“殺熟”問題最為泛濫的領(lǐng)域[2]?？梢姡跀?shù)字經(jīng)濟(jì)時(shí)代，“殺熟”問題普遍存在，對(duì)于消費(fèi)者的日常生活影響巨大，已成為數(shù)字經(jīng)濟(jì)領(lǐng)域亟待解決的重要問題之一[3]。鑒于此，本文依據(jù)演化博弈理論，綜合考慮電商平臺(tái)大數(shù)據(jù)“殺熟”、政府監(jiān)管和消費(fèi)者維權(quán)的影響因素，建立政府與電商平臺(tái)間的博弈模型，探討不同條件下的演化路徑及均衡狀態(tài)，并通過數(shù)值模擬觀察各因素對(duì)系統(tǒng)演化的影響規(guī)律，針對(duì)電商平臺(tái)大數(shù)據(jù)“殺熟”問題提出對(duì)策建議。

1 文獻(xiàn)綜述

目前，大數(shù)據(jù)“殺熟”尚未有一個(gè)統(tǒng)一的定性，是否逾越法律法規(guī)仍存在爭(zhēng)議。這就使得某些掌握大數(shù)據(jù)的電商平臺(tái)，通過數(shù)據(jù)的采集、分析和加工等，在沒有“對(duì)口”法律的約束下，對(duì)客戶定制服務(wù)，消費(fèi)者剩余被完全剝奪[4]。加之互聯(lián)網(wǎng)下的信息不對(duì)稱，使得大數(shù)據(jù)“殺熟”更加隱蔽，消費(fèi)者處于弱勢(shì)，引起市場(chǎng)失靈，威脅到電子商務(wù)良性發(fā)展[5]。為有效遏制電商平臺(tái)的“殺熟”行為，學(xué)者開展了一系列的研究，通過調(diào)研文獻(xiàn)發(fā)現(xiàn)，現(xiàn)有文獻(xiàn)主要是從電商平臺(tái)、政府和消費(fèi)者之間的博弈關(guān)系展開研究。

一方面是電商平臺(tái)與消費(fèi)者間的博弈。該情形下，學(xué)者主要考慮消費(fèi)者某些特定行為對(duì)演化穩(wěn)定性的影響。有學(xué)者研究了在消費(fèi)者存在損失厭惡心理下的電商平臺(tái)產(chǎn)品“殺熟”定價(jià)問題。結(jié)果表明，消費(fèi)者雖然對(duì)電商平臺(tái)企業(yè)的“殺熟”行為表現(xiàn)出了極大的不滿，但這并沒有使商家放棄“殺熟”這一獲得超額利潤(rùn)的“利器”[6]。為有效遏制“殺熟”行為，部分學(xué)者提出賦予消費(fèi)者數(shù)據(jù)可攜權(quán)，利用演化博弈模型分析了電商平臺(tái)與消費(fèi)者行為的演化。結(jié)果顯示，數(shù)據(jù)可攜權(quán)在一定條件下可有效遏制大數(shù)據(jù)“殺熟”，但使用該權(quán)力也有弊端，某些情況下會(huì)阻礙電商平臺(tái)提升產(chǎn)品質(zhì)量或服務(wù)品質(zhì)的積極性[7]。在此基礎(chǔ)上，學(xué)者豐富了博弈主體類型，構(gòu)建了電商平臺(tái)、網(wǎng)絡(luò)營(yíng)銷企業(yè)和消費(fèi)者間的三方演化模型，分析了電商平臺(tái)分配流量、企業(yè)發(fā)放優(yōu)惠券和消費(fèi)者購(gòu)買決策行為[8]。另外，還有學(xué)者考慮以產(chǎn)品提價(jià)作為“殺熟”的方式，綜合考慮了精神損失、罰款、時(shí)間成本和機(jī)會(huì)成本等因素，在這種情況下，商家一旦選擇提價(jià)策略，消費(fèi)者就會(huì)選擇不購(gòu)買商品[9]。

另一方面是政府與電商平臺(tái)之間的博弈。目前，政府監(jiān)管的方式主要有傳統(tǒng)監(jiān)管與數(shù)據(jù)監(jiān)管[10]。其中，數(shù)據(jù)監(jiān)管是近年來數(shù)字經(jīng)濟(jì)快速發(fā)展中出現(xiàn)的一種新興的監(jiān)管模式。主要是指運(yùn)用大數(shù)據(jù)建立現(xiàn)代化、智能化、信息化的企業(yè)信用監(jiān)管機(jī)制，加強(qiáng)信息共享和部門之間的協(xié)同管理機(jī)制[11]。一般地，學(xué)者均假定政府的策略集為{大數(shù)據(jù)監(jiān)管，傳統(tǒng)監(jiān)管}，電商平臺(tái)的策略集為{大數(shù)據(jù)“殺熟”，不“殺熟”}，通過演化博弈模型，重點(diǎn)研究政府和電商平臺(tái)的策略選擇及其影響因素，所得結(jié)論基本為純策略納什均衡[12]。但也有學(xué)者提出，在監(jiān)管中，政府可以采用策略組合的方式，將傳統(tǒng)監(jiān)管與數(shù)據(jù)監(jiān)管相結(jié)合，提高監(jiān)管效益[13]。在此基礎(chǔ)上，學(xué)者針對(duì)大數(shù)據(jù)監(jiān)管這一問題進(jìn)行了深入研究，分析了嚴(yán)格大數(shù)據(jù)監(jiān)管和寬松大數(shù)據(jù)監(jiān)管對(duì)電商企業(yè)大數(shù)據(jù)“殺熟”行為的影響[14]。此外，有學(xué)者將心理賬戶與前景理論引入到電商平臺(tái)與政府的演化博弈模型中，充分研究了心理因素對(duì)政府和電商平臺(tái)行為的影響。研究表明，提高成本參照點(diǎn)和降低效價(jià)參照點(diǎn)可以快速降低“殺熟”定價(jià)和不監(jiān)管行為的發(fā)生[15-16]。

通過文獻(xiàn)回顧可發(fā)現(xiàn)，多數(shù)學(xué)者采用演化博弈理論對(duì)“殺熟”行為及其監(jiān)管進(jìn)行研究，結(jié)合博弈主體特征，分析了大量影響因素對(duì)演化穩(wěn)定策略的影響。但迄今為止，鮮有文獻(xiàn)同時(shí)考慮電商平臺(tái)、政府和消費(fèi)者3個(gè)主體的行為；在博弈主體實(shí)施某些行動(dòng)時(shí)，忽略了行動(dòng)成功的可能性；缺少對(duì)電商平臺(tái)發(fā)券行為的深入分析。本文在已有文獻(xiàn)基礎(chǔ)上，根據(jù)電商平臺(tái)發(fā)放優(yōu)惠券、政府懲罰、消費(fèi)者報(bào)復(fù)等客觀事實(shí)，采用演化博弈的方法，研究電商平臺(tái)給予消費(fèi)者的優(yōu)惠力度、政府監(jiān)管懲罰力度、消費(fèi)者的報(bào)復(fù)、曝光行為以及各主體活動(dòng)成功概率對(duì)主體行為選擇的影響。

2 演化博弈模型

電商平臺(tái)利用大數(shù)據(jù)技術(shù)深度挖掘用戶消費(fèi)行為，并根據(jù)消費(fèi)者的消費(fèi)記錄、活躍程度、所屬群體等信息制定針對(duì)性的商品價(jià)格和優(yōu)惠券，這種“殺熟”行為為電商平臺(tái)帶來了超額利潤(rùn)，同時(shí)也成為破壞電商市場(chǎng)良性發(fā)展的突出問題。政府為維護(hù)市場(chǎng)公平，精準(zhǔn)識(shí)別大數(shù)據(jù)“殺熟”行為，也逐漸由傳統(tǒng)監(jiān)管向大數(shù)據(jù)監(jiān)管過渡，但由于大數(shù)據(jù)監(jiān)管成本問題，政府監(jiān)管部門仍舊未能充分利用大數(shù)據(jù)監(jiān)管。此外，隨著消費(fèi)者維權(quán)意識(shí)的提高，一部分消費(fèi)者面對(duì)大數(shù)據(jù)“殺熟”行為，會(huì)通過社交平臺(tái)或媒體曝光這種行為，維護(hù)自身權(quán)益。目前，同時(shí)考慮以上包含政府、電商平臺(tái)和消費(fèi)者行為的動(dòng)態(tài)演化的研究屈指可數(shù)，這為本文的研究提供了良好的現(xiàn)實(shí)背景與研究空間。

2.1 研究假設(shè)

因消費(fèi)者處于被動(dòng)接受平臺(tái)產(chǎn)品和服務(wù)的地位，本文將其行為作為影響因素嵌入至模型中，只考慮電商平臺(tái)和政府2個(gè)博弈主體，且均為有限理性。為有效構(gòu)建模型與分析主體行為，現(xiàn)提出如下假設(shè)：

假設(shè)1政府在監(jiān)管電商平臺(tái)“殺熟”時(shí)，有2種策略可以選擇，分別是大數(shù)據(jù)監(jiān)管和傳統(tǒng)監(jiān)管，選擇大數(shù)據(jù)監(jiān)管策略的概率為y，選擇傳統(tǒng)監(jiān)管的概率為（1-y）；電商平臺(tái)的在日常經(jīng)營(yíng)過程中，可以采取“殺熟”或者不“殺熟”策略，若選擇“殺熟”策略的概率為x，則不“殺熟”的概率為（1-x）。

假設(shè)2由于部分用戶習(xí)慣了某些電商平臺(tái)的運(yùn)營(yíng)方式，一般不會(huì)再選擇其他平臺(tái)來獲得同質(zhì)化需求，平臺(tái)利用老顧客的這一心理，往往會(huì)“棄熟愛生”，通過大數(shù)據(jù)篩選出這一部分用戶進(jìn)行“殺熟”，不發(fā)放或者發(fā)放更低價(jià)值的優(yōu)惠券，平臺(tái)對(duì)這一部分顧客“殺熟”的比例為φ（0≤φ≤1），而向其余（1-φ）比例的用戶發(fā)放優(yōu)惠券的優(yōu)惠力度為Δ；對(duì)商品定價(jià)為P；平臺(tái)利用大數(shù)據(jù)識(shí)別要“殺熟”的顧客與發(fā)放優(yōu)惠券的服務(wù)成本、時(shí)間成本等和為C；當(dāng)平臺(tái)選擇不“殺熟”策略時(shí)，為加大銷量，獲取更多利潤(rùn)，也會(huì)采用發(fā)放優(yōu)惠券的方式，因此引入系數(shù)B（B＞1），用BC表示平臺(tái)不采取“殺熟”策略時(shí)發(fā)放優(yōu)惠券的成本。無論電商平臺(tái)采取哪種策略，商品的生產(chǎn)成本、物流成本等都相同，因此在本模型中忽略該成本。

假設(shè)3政府為維護(hù)電子商務(wù)中消費(fèi)者的權(quán)益，消除電商平臺(tái)與消費(fèi)者間的信息不對(duì)稱（消費(fèi)者往往處于弱勢(shì)），保證電子商務(wù)市場(chǎng)海晏河清，需要對(duì)電商平臺(tái)進(jìn)行監(jiān)管，遏制電商平臺(tái)大數(shù)據(jù)“殺熟”行為。當(dāng)政府成功監(jiān)管，發(fā)現(xiàn)電商平臺(tái)“殺熟”行為時(shí)，會(huì)對(duì)其收取一定罰金F；政府采取大數(shù)據(jù)監(jiān)管時(shí)的單位成本為C1，成功發(fā)現(xiàn)電商平臺(tái)“殺熟”的概率為γ；采取傳統(tǒng)監(jiān)管時(shí)的單位成本為C2，成功發(fā)現(xiàn)電商平臺(tái)“殺熟”的概率為β。依據(jù)現(xiàn)實(shí)調(diào)研，政府采取大數(shù)據(jù)監(jiān)管的成功率要高于傳統(tǒng)方式監(jiān)管的成功率，因此有0≤β＜γ≤1。

假設(shè)4在被“殺熟”的老顧客中，不乏有維權(quán)意識(shí)強(qiáng)的顧客，當(dāng)他們發(fā)現(xiàn)自己被電商平臺(tái)“割韭菜”時(shí)，部分會(huì)向有關(guān)部門檢舉甚至向媒體披露，曝光電商平臺(tái)的行為，選擇曝光的這一部分消費(fèi)者的比例為ω；同時(shí)還會(huì)有一部分顧客會(huì)對(duì)電商平臺(tái)“殺熟”行為進(jìn)行報(bào)復(fù)，如果消費(fèi)者選擇曝光，那么對(duì)電商平臺(tái)造成的損失為R；如果消費(fèi)者只是本身對(duì)平臺(tái)的好感降低，沒有向媒體披露，此時(shí)對(duì)電商平臺(tái)造成的損失相對(duì)較小，因此引入系數(shù)A（0≤A≤1），用AR表示未曝光情況下，消費(fèi)者對(duì)電商平臺(tái)“殺熟”的報(bào)復(fù)。

以上假設(shè)中的參數(shù)含義如表1所示。

表1 各參數(shù)的含義

2.2 收益支付矩陣

基于上述假設(shè)，可構(gòu)建出政府和電商平臺(tái)博弈模型的支付矩陣，包含（“殺熟”，大數(shù)據(jù)監(jiān)管）、（不“殺熟”，大數(shù)據(jù)監(jiān)管）、（“殺熟”，傳統(tǒng)監(jiān)管）和（不“殺熟”，傳統(tǒng)監(jiān)管）4種情況，具體如表2所示。

表2 政府和電商平臺(tái)博弈模型的支付矩陣

2.3 復(fù)制動(dòng)態(tài)方程

由表2可知，電商平臺(tái)選擇“殺熟”策略的期望收益Ux為

電商平臺(tái)選擇不“殺熟”策略的期望收益U1-x為

根據(jù)電商平臺(tái)選擇不同策略的期望收益，得到電商平臺(tái)的復(fù)制動(dòng)態(tài)方程

式中：t為微分方程中的時(shí)間項(xiàng)，為和其他變量保持一致，數(shù)值模擬中時(shí)間項(xiàng)不設(shè)置單位。

政府選擇數(shù)據(jù)監(jiān)管策略的期望收益Uy為

政府選擇傳統(tǒng)監(jiān)管策略的期望收益U1-y為

根據(jù)政府選擇不同策略的期望收益，政府的復(fù)制動(dòng)態(tài)方程為

因此，可得到如下二維復(fù)制動(dòng)力系統(tǒng)為

2.4 演化博弈分析

令Fx=0，Gy=0，表明2個(gè)主體學(xué)習(xí)速度為0，聯(lián)立方程可得系統(tǒng)演化博弈的4個(gè)純策略納什均衡點(diǎn)：（0，0）；（0，1）；（1，0）；（1，1），其他非漸進(jìn)穩(wěn)定狀態(tài)不再過多描述。

對(duì)2個(gè)復(fù)制動(dòng)態(tài)方程中的x、y分別求偏導(dǎo)，得到雅可比矩陣

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）。

計(jì)算雅可比矩陣的跡TrJ與行列式的值DetJ

根據(jù)雅可比矩陣的特性，演化穩(wěn)定策略要求TrJ＞0和DetJ＞0。均衡點(diǎn)穩(wěn)定性分析如表3所示。

表3 穩(wěn)定性分析

（1）當(dāng)C1＞C2且（B-1）C+γφ（R-AR+Fγ）ω+AR時(shí)，政府采用大數(shù)據(jù)監(jiān)管的單位成本大于采用傳統(tǒng)監(jiān)管的單位成本，此時(shí)（0，0）點(diǎn)為電商平臺(tái)和政府雙方博弈的穩(wěn)定點(diǎn)，即政府為了節(jié)約監(jiān)管成本，趨于選擇傳統(tǒng)監(jiān)管的方式。對(duì)于電商平臺(tái)而言，采用“殺熟”策略并不是最優(yōu)選擇，不會(huì)獲得更多的利益，因此趨于選擇不“殺熟”策略。

（2）當(dāng)C1＜C2且（1-B）C-γφ＞（AR-F-R）β-AR時(shí)，政府采用大數(shù)據(jù)監(jiān)管的單位成本小于采用傳統(tǒng)監(jiān)管的單位成本，此時(shí)（0，1）點(diǎn)為電商平臺(tái)和政府雙方博弈的穩(wěn)定點(diǎn)，即政府趨于選擇大數(shù)據(jù)監(jiān)管的方式，而電商平臺(tái)由于“殺熟”行為下的利益已不再有誘惑力，平臺(tái)更趨于選擇不“殺熟”策略。

（3）當(dāng)F（β-γω）＜C1-C2且（1-B）C-γφ＜（ARFγ-R）ω-AR時(shí)，（1，0）點(diǎn)為電商平臺(tái)和政府雙方博弈的穩(wěn)定點(diǎn)。電商平臺(tái)為謀取更大的利益，會(huì)選擇“殺熟”策略，此時(shí)政府采用傳統(tǒng)監(jiān)管的方式是一種低效率的監(jiān)管，不僅浪費(fèi)了資源成本，而且對(duì)電商平臺(tái)“殺熟”行為，也沒有實(shí)現(xiàn)有效的監(jiān)管。

（4）當(dāng)F（β-γω）＞C1-C2且（B-1）C+γφ＞（R+F-AR）β+AR時(shí)，（1，1）點(diǎn)為電商平臺(tái)和政府雙方博弈的穩(wěn)定點(diǎn)。電商平臺(tái)趨于選擇“殺熟”行為，政府趨于選擇大數(shù)據(jù)監(jiān)管。雙方博弈朝著這2個(gè)方向演化，最終會(huì)使電商市場(chǎng)處于失靈狀態(tài)。

3 數(shù)值仿真分析

3.1 初始值對(duì)演化博弈的影響

為更加直觀地分析電商平臺(tái)和政府的策略選擇，剖析演化過程，利用Matlab 2013對(duì)上述二維動(dòng)力系統(tǒng)（1）進(jìn)行數(shù)值仿真。

對(duì)于穩(wěn)定狀態(tài)（0，0），各變量取值須滿足C1＞C2和（B-1）C+γφ＜（R-AR+Fγ）ω+AR。為滿足以上條件，初始變量賦值如下：Δ=1，F(xiàn)=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，其仿真結(jié)果如圖1所示。

圖1 穩(wěn)定狀態(tài)（0，0）數(shù)值演化仿真結(jié)果

系統(tǒng)演化穩(wěn)定狀態(tài)為（0，0），即電商平臺(tái)趨于選擇不“殺熟”策略，政府趨于選擇傳統(tǒng)監(jiān)管策略。對(duì)于電商平臺(tái)來說，“殺熟”策略的誘惑力已不足以使之選擇“殺熟”，因此不論初始比例的高低，都會(huì)在較短時(shí)間內(nèi)選擇不“殺熟”策略；而對(duì)于政府而言，選擇大數(shù)據(jù)監(jiān)管的比例越高，則達(dá)到穩(wěn)定狀態(tài)需要的時(shí)間越長(zhǎng)，此時(shí)對(duì)于政府來說，不僅會(huì)花費(fèi)更多的非必要成本，而且監(jiān)管效率很低，因此政府應(yīng)在大數(shù)據(jù)監(jiān)管方面慎重投入，以防造成不必要的成本投入。

對(duì)于穩(wěn)定狀態(tài)（0，1），各變量取值須滿足C1＜C2和（1-B）C-Δφ＞（AR-F-R）β-AR。為滿足以上條件，初始變量賦值如下：Δ=1，F(xiàn)=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，其仿真結(jié)果如圖2所示。

圖2 穩(wěn)定狀態(tài)（0，1）數(shù)值演化仿真結(jié)果

系統(tǒng)演化穩(wěn)定狀態(tài)為（0，1），即電商平臺(tái)趨于選擇不“殺熟”策略，政府趨于選擇大數(shù)據(jù)監(jiān)管策略。對(duì)于電商平臺(tái)而言，隨著初始比例的下降，趨于穩(wěn)定策略所需要的時(shí)間變短，且斜率較大，因此趨于穩(wěn)定的效率較高；對(duì)于政府而言，采用大數(shù)據(jù)監(jiān)管的初始比例越大，就會(huì)越快地趨于穩(wěn)定點(diǎn)。換言之，政府采取數(shù)據(jù)監(jiān)管的比例越高，監(jiān)管的效率就越高。此時(shí)的市場(chǎng)不論對(duì)于電商平臺(tái)還是政府，抑或是消費(fèi)者來說，都是一個(gè)良性市場(chǎng)，較大程度上保證了市場(chǎng)的公平。

對(duì)于穩(wěn)定狀態(tài)（1，0），各變量取值須滿足F（βγω）＜C1-C2和（1-B）C-Δφ＜（AR-Fγ-R）ω-AR。為滿足以上條件，初始變量賦值如下：Δ=2，F(xiàn)=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，其仿真結(jié)果如圖3所示。

圖3 穩(wěn)定狀態(tài)（1，0）數(shù)值演化仿真結(jié)果

系統(tǒng)演化穩(wěn)定狀態(tài)為（1，0），即電商平臺(tái)趨于選擇“殺熟”策略，政府趨于選擇傳統(tǒng)監(jiān)管策略。對(duì)于電商平臺(tái)來說，初始比例越大，選擇趨于穩(wěn)定策略的時(shí)間越短，越快地選擇“殺熟”策略，以資攫取更大的利益；而對(duì)于政府來說，不論初始比例的大小，選擇傳統(tǒng)監(jiān)管的速度都較快，此時(shí)政府監(jiān)管接近于無效監(jiān)管。這種情況下，對(duì)于電商平臺(tái)而言，可以較大程度地謀求更大的利益，采用大數(shù)據(jù)“殺熟”策略的誘惑力達(dá)了頂峰，而政府的低效率監(jiān)管會(huì)導(dǎo)致市場(chǎng)混亂，對(duì)于廣大消費(fèi)者而言，更應(yīng)理性消費(fèi)，維護(hù)自身的合法權(quán)益，積極披露、舉報(bào)電商平臺(tái)的“殺熟行為”，借助媒體等各方力量，打破信息孤島。

對(duì)于穩(wěn)定狀態(tài)（1，1），各變量取值須滿足F（βγω）＞C1-C2和（B-1）C+Δφ＞（R+F-AR）β+AR。為滿足以上條件，初始變量賦值如下：Δ=3，F(xiàn)=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，其仿真結(jié)果如圖4所示。

圖4 穩(wěn)定狀態(tài)（1，1）數(shù)值演化仿真結(jié)果

系統(tǒng)演化穩(wěn)定狀態(tài)為（1，1），即電商平臺(tái)趨于選擇“殺熟”策略，政府趨于選擇數(shù)據(jù)監(jiān)管策略。顯然，不管初始比例如何，電商平臺(tái)都會(huì)迅速收斂到大數(shù)據(jù)“殺熟”這一狀態(tài)。然而，作為監(jiān)管部門的政府，跟進(jìn)的速度明顯慢了很多。但即使政府選擇大數(shù)據(jù)監(jiān)管，仍舊不能抑制電商平臺(tái)的“殺熟”選擇，此時(shí)政府應(yīng)在提高罰金金額、加強(qiáng)消費(fèi)者維權(quán)意識(shí)等方面著手，調(diào)整市場(chǎng)的演進(jìn)方向。

從圖1至圖4可知，政府選擇大數(shù)據(jù)監(jiān)管時(shí)，達(dá)到穩(wěn)態(tài)的時(shí)間總是滯后于電商平臺(tái)達(dá)到穩(wěn)態(tài)的時(shí)間，這說明不論電商平臺(tái)“殺熟”與否，如果單純依靠市場(chǎng)系統(tǒng)的自發(fā)演進(jìn)，政府的治理都會(huì)滯后于問題的蔓延，因此需要監(jiān)管部門設(shè)計(jì)好市場(chǎng)運(yùn)行機(jī)制，充分發(fā)揮部門職能，以保證電商市場(chǎng)的有效運(yùn)行，具體著手點(diǎn)可參考下文結(jié)果。

3.2 演化博弈影響因素分析

由于（0，1）穩(wěn)定狀態(tài)較大程度地維護(hù)了市場(chǎng)的公平公正，體現(xiàn)了市場(chǎng)功能，最有利于市場(chǎng)的發(fā)展。因此，基于該情形（參數(shù)設(shè)置見上節(jié)），對(duì)部分重要影響因素進(jìn)行數(shù)值仿真，以期為抑制大數(shù)據(jù)“殺熟”現(xiàn)象提供管理思路。不同參數(shù)對(duì)演化軌跡的影響如圖5所示。由圖5可知，當(dāng)電商平臺(tái)給予新顧客和不活躍顧客更大優(yōu)惠時(shí)，即Δ越大，電商平臺(tái)趨于不“殺熟”穩(wěn)定策略所用的時(shí)間就會(huì)越長(zhǎng)。究其原因，是因?yàn)殡娚唐脚_(tái)通過優(yōu)惠券的形式將更多的利益讓渡給消費(fèi)者，導(dǎo)致當(dāng)前策略對(duì)于電商平臺(tái)吸引力降低，從而出現(xiàn)下降速度降低的結(jié)果。而當(dāng)電商平臺(tái)使用大數(shù)據(jù)篩選顧客以及發(fā)券的成本增大時(shí)，即C增大，平臺(tái)不采取“殺熟”策略時(shí)發(fā)放優(yōu)惠券的成本BC也隨之增大，且后者比前者更大（B＞1），在當(dāng)前的參數(shù)設(shè)置下，不“殺熟”策略所對(duì)應(yīng)的收益減少量大于“殺熟”策略對(duì)應(yīng)的收益減少量，因此圖5（b）中即使C增大，電商平臺(tái)也總是向著不“殺熟”演進(jìn)，只是在時(shí)間上有所區(qū)別。

圖5 不同參數(shù)對(duì)演化軌跡的影響

類似地，當(dāng)電商平臺(tái)采取不“殺熟”策略時(shí)的成本系數(shù)B變大時(shí)，會(huì)造成其選擇“殺熟”與不“殺熟”的收益差增大，也會(huì)延長(zhǎng)電商平臺(tái)選擇不“殺熟”的時(shí)間，B對(duì)演化軌跡的影響如圖5（c）所示。顯然，以上3個(gè)因素對(duì){不“殺熟”，大數(shù)據(jù)監(jiān)管}這一演化穩(wěn)定狀態(tài)的影響效果一致。就政府而言，C1、C2、F對(duì)演化軌跡的影響如圖6所示。

當(dāng)采取大數(shù)據(jù)監(jiān)管的單位成本較大，即C1越大時(shí)，政府就需要更加充分的準(zhǔn)備，因此需要轉(zhuǎn)換時(shí)間也會(huì)越長(zhǎng)；而當(dāng)政府采用傳統(tǒng)監(jiān)管的單位成本越大，即C2越大時(shí)，政府則更趨于選擇大數(shù)據(jù)監(jiān)管，C2對(duì)演化軌跡的影響如圖6（b）所示。

因此，政府可考慮多部門共享大數(shù)據(jù)設(shè)備使用權(quán)，降低使用成本。最后，F(xiàn)對(duì)演化軌跡的影響如圖6（c）所示。當(dāng)收取的罰金越多，即F越大時(shí)，電商平臺(tái)會(huì)更快地趨于博弈穩(wěn)定點(diǎn)，即越快地選擇不“殺熟”策略。

圖6 C1、C2、F對(duì)演化軌跡的影響

就消費(fèi)者（這里的消費(fèi)者主要指被“殺熟”的老顧客）而言，無論是消費(fèi)者對(duì)電商平臺(tái)“殺熟”行為的報(bào)復(fù)R，還是報(bào)復(fù)系數(shù)A，抑或是曝光率ω，任意一項(xiàng)增加，都會(huì)很有效地加速電商平臺(tái)采用不“殺熟”策略，演化過程如圖7所示。

圖7 R、A、ω對(duì)演化軌跡的影響

由圖7可知，R、A、ω此3項(xiàng)的提高都會(huì)使電商平臺(tái)在“殺熟”過程中遭受到更多的損失，其他條件相同的情況下，電商平臺(tái)放棄“殺熟”的時(shí)間會(huì)更短。因此，消費(fèi)者學(xué)會(huì)運(yùn)用合理的手段維護(hù)自己合法的權(quán)益，不僅能保證自身利益不受損害，同時(shí)也有助于市場(chǎng)的和諧發(fā)展。

4 結(jié)論及建議

本文基于演化博弈理論，構(gòu)建了以電商平臺(tái)和政府為研究對(duì)象的演化博弈模型，研究了雙方達(dá)到不同演化穩(wěn)定策略的條件。通過數(shù)值仿真分析了初始狀態(tài)對(duì)4種演化穩(wěn)定狀態(tài)的影響及{不“殺熟”，大數(shù)據(jù)監(jiān)管}這一情形的具體情況，得出以下結(jié)論：

（1）電商平臺(tái)對(duì)于策略的選擇更加靈活，而政府則相對(duì)遲緩。根據(jù)數(shù)值仿真結(jié)果可以明顯看出，在4種不同的穩(wěn)定策略組合下，電商平臺(tái)能在較短的時(shí)間內(nèi)達(dá)到穩(wěn)定狀態(tài)；而政府要達(dá)到穩(wěn)定狀態(tài)需要的時(shí)間相對(duì)較長(zhǎng)。

（2）政府的懲罰力度能夠降低電商平臺(tái)“殺熟”的概率。當(dāng)罰金較高時(shí)，電商平臺(tái)會(huì)快速地放棄“殺熟”，因此政府應(yīng)針對(duì)“殺熟”行為制定專門法規(guī)。

（3）消費(fèi)者維權(quán)意識(shí)能夠有效遏制“殺熟”行為。不論是報(bào)復(fù)強(qiáng)度、報(bào)復(fù)系數(shù)，還是曝光率都會(huì)讓電商平臺(tái)更加謹(jǐn)慎，使用“殺熟”的概率也會(huì)降低。

根據(jù)上述研究結(jié)論，本文在技術(shù)、法律和消費(fèi)者層面提出如下建議：第一，共享大數(shù)據(jù)設(shè)備使用權(quán)。已安裝大數(shù)據(jù)設(shè)備的監(jiān)管部門，在現(xiàn)有設(shè)備基礎(chǔ)上，為其他監(jiān)管部門開通設(shè)備訪問接口，各部門共享設(shè)備使用權(quán)、共擔(dān)設(shè)備維護(hù)成本，這既提高了設(shè)備的使用效率，又使監(jiān)管部門以較低成本獲得了大數(shù)據(jù)監(jiān)管的精準(zhǔn)性，進(jìn)而更高效地維護(hù)電商市場(chǎng)的秩序。第二，細(xì)化法律規(guī)范體系。我國(guó)已經(jīng)出臺(tái)了規(guī)范電商平臺(tái)的法律規(guī)范體系，但是對(duì)價(jià)格欺詐行為界定不明確，某些法律條款實(shí)施具有一定難度。應(yīng)在現(xiàn)有法律基礎(chǔ)上，細(xì)化法律規(guī)范體系，使電商平臺(tái)合法、合理地借用大數(shù)據(jù)工具以促進(jìn)行業(yè)發(fā)展。第三，加強(qiáng)消費(fèi)者維權(quán)意識(shí)的宣傳力度。消費(fèi)者維權(quán)既可以使電商平臺(tái)為其違法行為付出代價(jià)，又可以引起監(jiān)管部門的關(guān)注，從而加強(qiáng)對(duì)電商平臺(tái)的監(jiān)管，使電商平臺(tái)朝規(guī)范化經(jīng)營(yíng)的方向發(fā)展。

5 結(jié)語

為促進(jìn)我國(guó)數(shù)字經(jīng)濟(jì)有序發(fā)展，本文分析了電商平臺(tái)、政府和消費(fèi)者三類主體相關(guān)因素在大數(shù)據(jù)“殺熟”問題中的作用，并提出針對(duì)性的管理建議，對(duì)三類主體均具有借鑒意義。但是，模型中未將消費(fèi)者作為博弈主體來進(jìn)行建模，忽略了消費(fèi)者、電商平臺(tái)和政府間的部門作用關(guān)系，在后續(xù)的工作中可進(jìn)一步建立三方演化博弈模型，探討消費(fèi)者、電商平臺(tái)和政府間更加復(fù)雜的關(guān)系。

注釋：

①https://www.sohu.com/a/429699402_120698168.