数据驱动定价在含单单位与多单位购买者的市场中的应用：赢家与输家

《Journal of Business Research》：Data-driven pricing in markets with single and multi-unit buyers: Winners and losers

　　

数字技术日益使企业超越统一价格（uniform pricing, UP），转向群体定价（group pricing, GP，如数量折扣）及完全个性化定价（personalized pricing, PP）。本文考察在数据驱动定价如何影响竞争性市场中企业的盈利能力与消费者福利，其中消费者在购买量上存在差异，且转换成本或交通成本（transport or switching costs）随购买数量成比例变化。研究表明，群体定价往往优于统一定价与个性化定价——它利用需求异质性进行细分，却不会引发完全个性化定价所伴随的激烈价格竞争。相反，个性化定价仅在特定条件下优于统一定价：即需求异质性较高、低需求消费者占比较大、且高购买量买家因交通成本随数量增长较慢而保持相对较高的流动性。在此类环境之外，个性化定价常加剧竞争并侵蚀利润边际。当采用个性化定价涉及固定实施成本时，企业仍可能出于防御性动机采纳之——即便其降低利润——从而产生"个性化困境"（personalization dilemma）。

论文解读：《Data-driven pricing in markets with single and multi-unit buyers: Winners and losers》

该文由Rosa-Branca Esteves与Francisco Carballo-Cruz撰写，发表于Journal of Business Research。随着数字技术与大数据分析的发展，企业逐渐从传统统一定价（Uniform Pricing, UP）转向群体定价（Group Pricing, GP，如按购买量分组的折扣定价）和个性化定价（Personalized Pricing, PP，基于个体数据的完全价格歧视）。然而现有理论模型多假设消费者购买量相同，忽略了现实中单单位与多单位购买者并存、且交通或转换成本随购买量变化的事实。监管层亦关注个性化定价对公平与消费者福利的影响。本文在此基础上构建含异质购买量与数量依存交通成本的Hotelling竞争模型，比较三种定价制度下的企业利润与社会福利再分配，并内生化企业是否采纳需固定成本的PP技术，旨在厘清数据驱动定价何时创造"赢家与输家"，为管理者与政策制定者提供理论依据。

研究方法概述：

研究人员构建双寡头Hotelling线性城市模型，引入两类消费者——低需求（单单位购买者L）与高需求（多单位购买者H，购买量为q>1），并设定交通/不匹配成本（transport or mismatch cost）随购买量线性缩放（t·x·q，t为交通成本系数，x为位置）。分别求解均衡下UP（单一价格）、GP（依可观测购买量分两组定价p_i^L、p_i^H）与PP（企业掌握消费者横向位置x与纵向类型，实现个人化定价）三种制度的企业利润、消费者剩余与社会总福利。进一步建立2×2博弈内生化PP技术的采纳决策（含固定实施成本F），分析是否存在占优策略与囚徒困境式防御性采纳。模型参数包括低需求消费者比例α、高需求购买量q（反映需求异质性）、交通成本随数量的敏感度t。

研究结果

The model（模型）

研究人员扩展标准Hotelling框架，允许消费者异质购买量（L买1单位，H买q>1单位）且交通/不匹配成本为t·x·q，使高购买量消费者在t较大时更易被"锁定"。此设置统一分析UP、GP与PP。

Uniform pricing（统一定价，UP）

在UP基准中，两企业设定单一价格p^UP，低需求与高需求消费者无差别对待。均衡利润与消费者剩余取决于α与q，作为后续比较基线。

Group pricing（群体定价，GP）

企业依可观测购买量将消费者分为L与H两组并分别定价p^L、p^H（常表现为数量折扣）。研究发现GP使企业在不触发PP式激烈价格战的前提下从高需求消费者处榨取更多剩余，均衡企业利润π^GP> π^UP，且通常π^GP> π^PP。

Personalized pricing（个性化定价，PP）

企业利用丰富纵向（购买量）与横向（位置x，如实时地理定位）数据对个人定制价格。结果显示PP仅在以下条件同时满足时利润高于UP：需求异质性（q）足够大、低需求消费者占比α足够大、且高需求买家较流动——即交通成本随数量增长慢（t较小，使H型仍愿切换供应商）；否则PP激化价格竞争致利润低于UP。

Data-driven pricing versus uniform pricing（数据驱动定价 vs 统一定价）

三种制度在社会总福利（Total Welfare, W）上相等（完全市场覆盖假定下W^UP=W^GP=W^PP），差异仅在于剩余在厂商与消费者间的分割。GP向厂商转移剩余多于UP；PP若需求条件适宜可进一步向厂商转移剩余，但若条件不符则PP压低价格使消费者获益而厂商受损。

Endogenous pricing choice: Uniform or personalized?（内生化定价选择：统一还是个性化？）

引入PP的固定实施成本F后构造同时定价技术选择博弈。当单方采纳PP可掠夺对手UP客户时，即便PP降低（或不及GP高）利润，双方仍有动机防御性采纳PP以避免劣势——形成典型的"个性化困境"（personalization dilemma），即纳什均衡为(采纳PP, 采纳PP)，利润均低于均不采纳情形。

讨论与结论（Discussion and final remarks）

研究人员总结三项核心结论：①群体定价（如数量折扣）通常为最盈利策略，因其利用需求异质性而不引发PP式竞争激化，对政策端也较透明；②个性化定价非普适更优，仅在高需求异质、低需求段比重大、高购买量买家保持流动性（t小）时提升利润，否则侵蚀边际；③存在固定成本时竞争压力可致企业防御性采纳PP，产生"个性化困境"。管理启示为：更细粒度数据与价格歧视不自动转化为高利润，须匹配市场需求异质性与交通成本对购买量的弹性。政策层面建议通过提高PP有效成本（如隐私规制）抑制低效定价军备竞赛，而非全面禁止技术本身。本文通过纳入单/多单位购买者与数量依存交通成本，在一个统一竞争框架下调和了此前理论分歧，明确数据驱动定价在不同市场特征下的赢家（高异质低t时PP可使企业获益、GP常使企业获益；PP在不利条件时使消费者获益）与输家（UP时常使厂商让渡剩余；PP在不利条件时使企业利润受损；GP时消费者剩余通常低于UP）。

---

注：原文中数学模型的具体均衡解析式、命题编号及附录证明细节依要求未予展开，仅浓缩研究框架与结论要点。