考慮消費者網(wǎng)絡(luò)特征的零售商競爭績效演化

摘" 要：文章探討了一種包含Q-learning算法的計算實驗?zāi)Ｐ?，該模型包含了競爭性多代理零售?消費者互動網(wǎng)絡(luò)。在網(wǎng)絡(luò)模型中，構(gòu)建包含不同定價與服務(wù)水平組合的零售商去爭奪不同網(wǎng)絡(luò)特征（消費者鄰居節(jié)點、消費者網(wǎng)絡(luò)重聯(lián)概率）下的消費者群體。所有零售商代理在Q-learning機制下調(diào)整他們的產(chǎn)品價格和服務(wù)水平，以使預(yù)期銷量和利潤最大化?；谘芯拷Y(jié)果發(fā)現(xiàn)：（1）增強消費者互動有利于零售商績效增強；（2）最優(yōu)組合由不同情景決定。文章的目的是為復(fù)雜市場環(huán)境下的零售商競爭選擇合適的組合策略提供建議。

關(guān)鍵詞：零售商競爭策略；動態(tài)定價；服務(wù)水平；Q-learning算法

" 中圖分類號：F724.6" " 文獻標志碼：A

DOI：10.13714/j.cnki.1002-3100.2025.01.005

Abstract： This paper explores a computational experimental model that incorporates a Q-learning algorithm for a network of competing multi-agent retailer-consumer interactions. In the network model， retailers containing different combinations of pricing and service levels are constructed to compete for groups of consumers under different network characteristics（consumer neighbor nodes， consumer network reconnection probability）. All retailer agents adjust their product prices and service levels under the Q-learning mechanism to maximize expected sales and profits. Based on our results， we find that：（1）Enhanced consumer interactions are conducive to retailer performance enhancement;（2）The optimal mix is determined by different scenarios. The purpose of this paper is to provide recommendations for retailers competing in complex market environments to select appropriate mix strategies.

Key words： retailer competition strategy; dynamic pricing; service level; Q-learning algorithm

0" 引" 言

" 在目前消費者普遍使用社交媒體平臺的背景下，越來越多的因素會影響消費者的購買行為，導致其偏好和選擇越發(fā)復(fù)雜。例如，價格與服務(wù)在消費者購買決策中扮演著傳統(tǒng)的角色，低價高服務(wù)的產(chǎn)品更能受到消費者的青睞。同時，科學技術(shù)的進步和日益相互連接的全球市場驅(qū)動致使消費者不再是孤立的，其往往嵌入一定的互動網(wǎng)絡(luò)，并受所處的網(wǎng)絡(luò)結(jié)構(gòu)的影響，對消費者的購買決策產(chǎn)生一定的影響，社交互動影響了消費者的購買意愿也影響其他消費者對產(chǎn)品或服務(wù)的估值或決策的行為。

" 相應(yīng)的為了滿足消費者的復(fù)雜偏好，零售商的定價策略也發(fā)生了變革，靜態(tài)定價的時代已經(jīng)過去，動態(tài)定價的實施受到了廣泛關(guān)注。動態(tài)定價是指通常在一段時間內(nèi)多次調(diào)整價格，以優(yōu)化利潤率、平衡供需關(guān)系并響應(yīng)競爭環(huán)境的變化[1]。隨著在電力零售業(yè)、電子零售業(yè)與易腐爛產(chǎn)品零售業(yè)的成功案例實施，動態(tài)定價已經(jīng)成為企業(yè)獲取利潤的重要手段之一。這種定價方式不僅挑戰(zhàn)了傳統(tǒng)靜態(tài)定價模型，還引發(fā)了學者們對消費者行為、市場競爭和整體市場動態(tài)影響的思考。同時越來越多的企業(yè)也意識到了僅僅依靠價格優(yōu)勢，很難保持持久的競爭優(yōu)勢，如沃爾瑪、家樂福、大潤發(fā)等，激烈的市場競爭削弱了消費者品牌忠誠度。同質(zhì)化的產(chǎn)品促使這些企業(yè)還必須為客戶提供更好的服務(wù)，提高消費者滿意度以此保持競爭優(yōu)勢，服務(wù)已成為影響消費者購買行為的第二大重要因素[2]。因此，對于零售商來說，如何選擇自身的定價與服務(wù)策略也是一個挑戰(zhàn)。

" 現(xiàn)實的市場情況是高度動態(tài)、競爭激烈的，存在零售商的動態(tài)決策與消費者的動態(tài)購買決策，由于其涉及到的問題都具有混合整數(shù)和連續(xù)變量，傳統(tǒng)的數(shù)學數(shù)模在解決這種非線性的問題需要過多的計算時間，并且不能精確描述復(fù)雜多變的市場環(huán)境；另外，每個消費者在微觀層面都存在復(fù)雜的行為偏好，用分析的方法處理該問題是不切實際的。因此本文利用計算實驗?zāi)M來分析零售商在消費者互動網(wǎng)絡(luò)中的動態(tài)決策競爭。在模型中，零售商根據(jù)當前的盈利情況調(diào)整競爭決策。采用

Q-learning算法解決零售商不能實時學習感知消費者偏好和分析競爭環(huán)境的問題，Q-learning算法因其能夠為涉及大狀態(tài)空間的動態(tài)環(huán)境的問題創(chuàng)建近乎最優(yōu)的解決方案而聞名[3]。綜上所述，本文在考慮消費者偏好多樣性的前提下，構(gòu)建了消費者互動網(wǎng)絡(luò)，比較不同組合零售商的服務(wù)水平、售價、銷量和利潤的選擇。

1" 模型描述及基本假設(shè)

本文提出一個包括一個供應(yīng)商、多個零售商和眾多消費者的供應(yīng)鏈模型。首先，零售商作為競爭企業(yè)共同在同一個市場銷售產(chǎn)品，零售商agent模擬零售商的進貨和銷售行為，零售商agent會依據(jù)自身績效和競爭環(huán)境調(diào)整自己的行為決策，零售商基于價格與服務(wù)水平兩個屬性展開競爭，仿真模型考慮了N個i∈1，N消費者agent模仿現(xiàn)實消費者依據(jù)社交網(wǎng)絡(luò)分布，因為消費者具有復(fù)雜的消費者偏好，所以消費者agent依據(jù)消費者效用挑選零售商進行消費。

1.1" 消費者agent描述

1.1.1" 消費者效用與購買決策。本文構(gòu)建了大量的消費者代理進入市場以評估不確定需求的市場，消費者采用消費者效用U來選擇零售商，U表示消費者i購買零售商j的商品的動機和意愿大小，消費者的綜合效用函數(shù)U主要受兩方面因素影響，一方面是受價格影響，第二方面受服務(wù)水平影響：U=C*p+γ*s。

" 其中：U是消費者ii=1，…，n購買零售商jj=1，…，n產(chǎn)品的效用；C系數(shù)表示零售商價格對消費者代理購買零售商j產(chǎn)品的態(tài)度的影響。本文用這個產(chǎn)品的實際價格p與期望價格p之差的冪函數(shù)來表示消費者的價格敏感度，是一個負數(shù)，如公式所示：C=-δ+h。其中：δgt;1，h是一個常數(shù)，h主要取決于消費者的收入水平，例如富翁和貧窮者相比，富翁的價格敏感度值要低于貧窮或失業(yè)者，因此用h=1-，income為消費者中收入水平的最大值。此外，產(chǎn)品的期望價格通常用同類產(chǎn)品的平均價格來替代：P=p/m。

" 其中：γ表示消費者i對零售商產(chǎn)品j的服務(wù)水平敏感度參數(shù)。消費者i對零售商產(chǎn)品j的服務(wù)水平敏感度參數(shù)γ為：γ

=β+h。其中，β滿足0lt;βlt;1，h受到消費者收入水平的影響，例如富翁在消費時更加注重商品的服務(wù)水平，因此h

=，q表示消費者對產(chǎn)品的期望服務(wù)水平。消費者對產(chǎn)品的期望水平，用該類產(chǎn)品的平均服務(wù)水平表示：q=q/m。

1.1.2" 消費者交互網(wǎng)絡(luò)。對消費者之間的互動網(wǎng)絡(luò)，本文將采用小世界網(wǎng)絡(luò)來進行刻畫。已有研究表明消費者互動網(wǎng)絡(luò)具有小世界網(wǎng)絡(luò)特性[4]，小世界網(wǎng)絡(luò)是指具有較小的特征路徑長度又具有較大的集聚系數(shù)的網(wǎng)絡(luò)，該網(wǎng)絡(luò)具體從一個包含N個節(jié)點的環(huán)狀規(guī)則網(wǎng)絡(luò)開始，每個節(jié)點向與它最近鄰的L個節(jié)點連出L條邊，并假定N≥L≥lnN≥1，每條邊的一個端點保持不變，另一個端點以概率Pre重新進行連接，通過調(diào)節(jié)Pre值就可以完成從完全規(guī)則網(wǎng)絡(luò)Pre=0向完全隨機網(wǎng)絡(luò)Pre=1的過渡。因此，處于小世界網(wǎng)絡(luò)的消費者i將會受到如鄰居節(jié)點數(shù)量L、重聯(lián)概率Pre等特性影響，鄰居節(jié)點數(shù)量可表示為在消費者i的購買決策過程中，與其存在交互作用的其他消費者的數(shù)量；重聯(lián)概率可表示為消費者i在每次購買決策過程中，其鄰居消費者會以一定的概率變化。

1.2" 零售商agent描述

所有零售商agents進入市場后會進行價格與服務(wù)水平組合的橫向競爭。零售商代理統(tǒng)一從供應(yīng)商代理處進貨，零售商的產(chǎn)品可以用價格和服務(wù)水平兩個參數(shù)來表示。零售商從供應(yīng)商處進貨的單位成本價為c，服務(wù)成本可以假設(shè)為服務(wù)水平的二次函數(shù)，用cq表示，c是零售商銷售產(chǎn)品的服務(wù)水平成本系數(shù)，cgt;0，即零售商售賣的單個產(chǎn)品成本為：c=c+cq。

" 設(shè)參數(shù)gc為消費者i是否購買零售商j的產(chǎn)品的標準。若消費者購買，則gc=1，否則gc=0，則零售商j的產(chǎn)品總銷量可以用sv表示為：sv=gc。

" 零售商利潤是零售商的銷售收益減去零售商的成本，因此零售商的總利潤為：？諄=p-csv=p-cgc。

" 在本文的實驗?zāi)Ｐ椭?，零售商在一定的價格和服務(wù)水平范圍內(nèi)進行競爭，本文設(shè)置一個價格與服務(wù)水平的二維向量區(qū)間，對于零售商進入市場，假設(shè)不同的零售商都會采用不同價格和服務(wù)水平，這樣更符合市場規(guī)律，因此，每個零售商都可以從價格與服務(wù)水平的向量區(qū)間里選取一個價格p與服務(wù)水平q的組合進入市場，并且選取的價格必須高于每件所有成本的總和，所選擇的服務(wù)水平必須保證該零售商的預(yù)期利潤都是正的。

" 本文使用Q-learning算法進行分析。在模型中定義了定價與服務(wù)水平雙決策變量。每個零售商在每個回合從雙決策變量集合中選取行動a，然后會從市場中獲得一個利潤獎勵r作為反饋，并從狀態(tài)集合中選取一種狀態(tài)。在模型狀態(tài)集合中有x和x兩種狀態(tài)。x：回合利潤差為正數(shù)，即Δ？諄=？諄-？諄gt;0；x：回合利潤差為0或負數(shù)，即Δ？諄=？諄-？諄≤0。

" 狀態(tài)集合由回合利潤差Δ？諄表示，Q值基于Q學習模型中的獎勵和狀態(tài)，被視為零售商代理選擇下一步行動的參考。它在每個周期更新如下：Qx，a←Qx，a+ηr+-Qx，q。

" 其中：價格、服務(wù)水平和狀態(tài)集合x的強度值為Qx，a，代表agent執(zhí)行當前行為與狀態(tài)的強度；利潤r是當前操作的反饋獎勵，其中（0lt;ηlt;1，學習率）是更新Q時使用的新信息的權(quán)重，（0lt;κlt;1，折現(xiàn)率）表示未來狀態(tài)的值在評估當前狀態(tài)中的重要性。表示所有動作中Q的最大值。

" 使用上述學習機制，每個零售商代理從q， q中確定產(chǎn)品的服務(wù)水平；并從p， p決定產(chǎn)品的零售價格；每個周期的p不小于c；否則，單位利潤為負數(shù)。周期t的獎勵r由總收入和總成本決定：r=？諄-？諄。

" 從初始狀態(tài)到最終狀態(tài)，都會發(fā)生一個完整的學習過程，這被認為是一個周期。Q-learning過程（見表1）。Q-learning算法包含兩個步驟：基于當前Q值確定動作和通過獎勵函數(shù)評估新動作，此循環(huán)一直持續(xù)到Q值收斂。

2" 實驗情景和模型仿真

本文為分析消費者網(wǎng)絡(luò)特征對零售商競爭績效的影響，假設(shè)零售商以相同的購買成本從同一個供應(yīng)商處進貨，并為相同的消費者群體服務(wù)。本文將零售商的價格與服務(wù)水平的二維向量區(qū)間劃分為四個區(qū)域，分別代表高價高服務(wù)水平、高價低服務(wù)水平、低價高服務(wù)水平、低價低服務(wù)水平四種組合。隨后，通過改變消費者網(wǎng)絡(luò)特征參數(shù)來研究對零售商定價、服務(wù)水平及利潤的影響。

" 針對零售商的動態(tài)定價策略競爭，鄰居節(jié)點數(shù)量、重連概率分別刻畫了與消費者互動的其他消費者數(shù)量、消費者鄰居成員的穩(wěn)定性等互動特征和互動強度，因此本文一共設(shè)置兩個實驗情景進行測試：（1）關(guān)于消費者鄰居節(jié)點差異的實驗；（2）關(guān)于消費者網(wǎng)絡(luò)重聯(lián)概率差異的實驗。對于使用的Q-learning算法，方法主要用于描述零售商的決策行為。算法參數(shù)經(jīng)過精心調(diào)整后幫助零售商將價格與服務(wù)質(zhì)量提高到一個穩(wěn)定的水平。因為本文的工作是研究網(wǎng)絡(luò)特征的參數(shù)影響，而非算法參數(shù)影響，所以沒有討論Q-learning算法的學習率與折扣率參數(shù)對價格、服務(wù)水平、利潤和銷量的影響。為降低實驗過程中的隨機性，提升實驗結(jié)果的統(tǒng)計穩(wěn)定性與有效性，針對每一組數(shù)據(jù)均運行2 000周期且反復(fù)運行10次，實驗參數(shù)賦值如表2所示。

不同情景下的消費者特征賦值變化如表3所示。

2.1" 消費者鄰居節(jié)點情景

在本實驗情景中，探討消費者鄰居節(jié)點變化對零售商的決策，其余數(shù)值不變。消費者鄰居節(jié)點的數(shù)量表明消費者在制定產(chǎn)品購買決策時與其直接互動的消費者數(shù)量。從圖1中可以觀察出，隨著消費者鄰居節(jié)點的增加，所有零售商的價格在下降，而服務(wù)水平都在增加。可以看出在L=10時，因為消費者互動較低，故此四組零售商的服務(wù)水平十分相近，收斂在15，18之間，價格收斂在45.5，47.5，但是消費者鄰居節(jié)點增加到L=18時，零售商的服務(wù)水平和價格發(fā)生了較大的變化，消費者鄰居節(jié)點的增加致使了零售商之間的競爭增強，會提高自己的服務(wù)水平同時降低價格，效果很明顯，所有零售商的銷量都在增長。相較于其他組合，偏好高價高水平的零售商更能滿足消費者需求，因此該組零售商的銷量和利潤占據(jù)優(yōu)勢。偏好低價高質(zhì)量的零售商和偏好高價低服務(wù)水平的零售商在消費者鄰居節(jié)點增加的情況下，銷量與利潤在爭奪第二，而低價低服務(wù)水平的零售商競爭優(yōu)勢較差。

2.2" 重聯(lián)概率影響情景

在本實驗情景中，探討重聯(lián)概率變化對零售商的決策，其余數(shù)值不變。重聯(lián)概率的數(shù)值變化表明消費者網(wǎng)絡(luò)從小世界網(wǎng)絡(luò)向隨機網(wǎng)絡(luò)轉(zhuǎn)換，小世界網(wǎng)絡(luò)相對于同等規(guī)模節(jié)點的隨機網(wǎng)絡(luò)，具有較短的平均路徑長度和較大的聚類系數(shù)特征的網(wǎng)絡(luò)模型，對于消費者來說，具有高聚類系數(shù)特征的網(wǎng)絡(luò)結(jié)構(gòu)表明其可以通過與許多其他消費者一起購買來為零售商帶來更多利潤。因此從圖2中可以觀察出，在向隨機網(wǎng)絡(luò)轉(zhuǎn)換的過程中，稀疏的消費者小世界網(wǎng)絡(luò)降低了四組零售商的銷量和利潤。

" 相較于鄰居節(jié)點數(shù)量差異情景中，四組零售商的價格波動更大，服務(wù)水平下降區(qū)間更大，在銷量和利潤上，四組零售商表現(xiàn)也在變差。偏好高價高服務(wù)水平的零售商在向隨機網(wǎng)絡(luò)轉(zhuǎn)換的過程中逐漸失去競爭優(yōu)勢，即使在提高價格的基礎(chǔ)上保持服務(wù)水平的領(lǐng)先也無法阻擋利潤的大幅下降，而其他三組零售商的銷量與利潤降幅較小，四組零售商的銷量利潤在逐漸收斂靠近。

3" 總結(jié)和建議

盡管研究消費者互動與零售商的績效的論文有所增加，但市場研究尚未推進一個包含消費者網(wǎng)絡(luò)互動特征與不同組合策略的零售商的多代理模型框架。之前的學者都是從營銷學角度分析如何通過社交媒體提高供應(yīng)鏈績效，重點探討社交媒體對供應(yīng)鏈渠道的影響，忽略了消費端的作用。本文重點刻畫了包含消費者鄰居節(jié)點數(shù)量、消費者網(wǎng)絡(luò)重聯(lián)概率網(wǎng)絡(luò)特征研究對零售商競爭績效的影響。

" 在研究中的各消費者互動特征情景下，不同組合零售商在競爭中決策出的價格與服務(wù)水平整體上會產(chǎn)生一定的“趨同性”與“穩(wěn)定性”特征，消費者鄰居節(jié)點數(shù)量、重聯(lián)概率均對各類零售商的價格與服務(wù)水平產(chǎn)生較大影響。當鄰居節(jié)點數(shù)量增大時，各組零售商的價格會下降，服務(wù)水平會提升；當重聯(lián)概率增大時，各組零售商的價格會提升，服務(wù)水平會降低。同時消費者不同互動特征對各企業(yè)的競爭績效演化起著差異性的影響。當鄰居節(jié)點數(shù)量增大時，偏好高價高服務(wù)水平的零售商銷量與利潤占據(jù)優(yōu)勢，其他零售商表現(xiàn)一般，偏好低價低服務(wù)水平的零售商競爭強度最差；當重聯(lián)概率變大時，偏好高價高服務(wù)水平的零售商優(yōu)勢逐漸變差，與消費者鄰居節(jié)點情景剛好相反。

" 從管理意義的角度出發(fā)，本文旨在通過發(fā)現(xiàn)消費者網(wǎng)絡(luò)特征來優(yōu)化零售商競爭策略決策。為了實現(xiàn)這一目標，本文開發(fā)了一種包含強化學習算法的計算實驗的方法。研究結(jié)果顯示了消費者鄰居節(jié)點數(shù)量和消費者網(wǎng)絡(luò)重聯(lián)概率對零售商不同組合策略的影響。

" 本文適用于目前大部分的零售商-消費者互動情景，消費者會使用各種手段相互交流，零售商可以依據(jù)消費者互動特征提高自身的績效。當談及消費者互動網(wǎng)絡(luò)時，網(wǎng)絡(luò)所包含的鄰居節(jié)點數(shù)量、重聯(lián)概率特征，這些都與零售商的定價、服務(wù)水平策略有關(guān)，這些關(guān)于消費者的互動行為可以應(yīng)用于管理策略中。

" 在消費者群體互動中獲取利益是零售商一直關(guān)注的話題。對于零售商來說，消費者網(wǎng)絡(luò)提供了零售商-消費者的同步溝通。因此，零售商可以在消費者互動時能及時滿足消費者更好的需求，增強產(chǎn)品的匹配程度，提高市場競爭力。消費者群體互動越多，零售商的決策會越完善，消費者對零售商的忠誠度就越高，這反過來又為零售商帶來了積極的績效結(jié)果。零售商應(yīng)該積極考慮通過開設(shè)相關(guān)的產(chǎn)品論壇、發(fā)表產(chǎn)品評測報告、邀請產(chǎn)品的使用者分享產(chǎn)品使用經(jīng)歷等多種方式積極引導潮流，拓寬消費者一般僅與固定親友交流的單一渠道，增強消費者的互動作用。

4" 展望與不足

" 本文致力于加強零售商實時性競爭決策，并根據(jù)消費者互動網(wǎng)絡(luò)構(gòu)建互動情景。然而，本文也存在一定的局限性。為了簡化研究，不同零售商的同一自身屬性參數(shù)的取值均予以統(tǒng)一，因此未來的研究中應(yīng)考慮零售商自身屬性的影響，設(shè)置差異性的零售商屬性參數(shù)。其次，消費者屬性還較為單一，實際上的消費者行為會更加復(fù)雜多變。最后，在未來的研究中，可以使用更加復(fù)雜的學習機制來提高零售商的學習能力。這些都是未來零售商競爭決策研究的關(guān)鍵問題。

參考文獻：

[1] 王道平，宋雨情. 考慮消費者行為轉(zhuǎn)化的零售商兩階段動態(tài)定價研究[J]. 運籌與管理，2021，30（9）：152-157.

[2] 肖旦，聶珊珊，周永務(wù)，等. 不同市場準入標準下基于服務(wù)競爭的零售商競合策略選擇[J]. 中國管理科學，2021，29（10）：121-130.

[3] 韓松，李璨. 多代理Nash Q-Learning模型行動選擇策略研究[J/OL]. 中國管理科學，1-12（2023-11-14）[2024-12-17]. https：//doi.org/10.16381/j.cnki.issn1003-207x.2023.0142.

[4] 王建華，高子秋. 基于消費者個體行為特征的網(wǎng)絡(luò)生鮮購買意愿研究——感知風險的中介作用及個體創(chuàng)新性的調(diào)節(jié)作用[J]. 貴州社會科學，2020（9）：119-127.