互联网平台企业定价策略与用户获取∗———来自中国外卖行业的经验证据李世杰　 　 内容提要：互联网市场的“赢家通吃”特征，依赖于平台定价策略优先推动平台用户规模增长。 本文梳理了互联网平台定价策略的研究文献，考察互联网平台定价水平的分布特征，探讨阶梯式定价策略及其产业实践对平台用户规模的影响机理；结合外卖平台的产业实践数据，采用条件推断树模型等分析策略予以验证，解析阶梯式定价策略本质特征。 研究发现：互联网平台企业阶梯式定价策略将消费者划分在零价格、象征性价格及盈利性价格的不同分组中，以期形成蓄水池式的用户规模梯队结构，进而实现扩大用户规模、培育消费者支付意愿、掠夺消费者剩余等策略性目标联动，既能维持庞大用户规模，又能获取稳定的平台利润。 该定价机制与价格歧视理论的本质差异在于：阶梯式定价策略通过平台定价析出平台用户分组；价格歧视理论通过平台用户分组设置分组定价。关键词：互联网平台企业　 阶梯式定价策略　 平台用户规模　 外卖行业∗　 李世杰，南开大学经济学院，邮政编码：３０００７１，电子信箱：ｌｓｈｉｊｉｅ＠ｆｏｘｍａｉｌ． ｃｏｍ。 本研究是国家自然科学基金地区科学项目（７１９６３０１２）的阶段性成果。 作者感谢蔡祖国、姚丹对本文的贡献，感谢刘鑫、郑程瀚的助研工作，感谢匿名审稿专家的宝贵建议。 当然，文责自负。①　 例如，视频播放平台将视频内容分为三类：一部分免费供消费者观看；一部分需要激活ＶＩＰ会员后方可观看；剩余部分即便消费者激活ＶＩＰ会员，仍需要半价购买后方可观看。②　 需要说明的是，具有市场支配地位的外卖平台企业，其定价策略性行为对社会福利的影响更为显著；后文中“互联网平台企业”一词，均表示具有市场支配地位的互联网平台企业。一、引　 言互联网平台企业依托互联网信息技术，撮合商家和消费者达成商品或服务交易。 在过往几十年的经济高速发展过程中，一批互联网平台企业迅速成长为巨型企业，获取其所在市场的垄断势力，并进行着名目繁多的商业模式创新。 其中，免费向消费者提供使用的定价模式，被视为互联网平台企业商业模式创新的成功典范（孙宝文等，２０１７）。 近年来，部分已获得市场垄断地位的互联网平台企业，悄悄将全部免费策略更换成“一部分平台服务免费，另一部分平台服务收费”的定价策略。①由于后一部分定价由零价格阶梯式向上攀升而来，本文将该定价策略命名为“阶梯式定价策略”。 采用阶梯式定价策略的互联网平台企业，通常以平台亏损为由实施提价行为，迫使消费者接受更高水平的平台定价。 因而，阶梯式定价策略已成为互联网平台企业实施纵深垄断的“隐身符”，协助其规避反垄断规制部门的调查。 相应地，考察具有市场支配地位的互联网平台企业阶梯式定价策略的动因及其实施效果，②不仅有助于厘清阶梯式定价策略锁定并侵蚀消费者剩余的理论机理，也有助于推动反垄断部门针对性地开展互联网行业规制工作，切实维护消费者福利。学界从两方面讨论互联网平台企业采取阶梯式定价策略的动因。 第一，互联网平台企业采取阶梯式定价策略，可降低因向消费者用户全部免费而造成的营业收入损失（范晓明等，２０２１）。 第二，互联网平台企业存在相反方向的交叉网络外部性差异：消费者对商家的交叉网络外部性，要弱于商家对消费者的交叉网络外部性（王节祥等，２０２０）。 消费者对商家所售特殊商品（如知识）的收４ ８李世杰：互联网平台企业定价策略与用户获取益呈现阶梯式分布；相应地，互联网平台企业为消费者服务的边际成本要高于其为商家服务的边际成本，并且消费者端的服务边际成本呈现阶梯式分布，若互联网平台企业采取契合消费者端边际成本的阶梯式定价策略，则可最优地获取消费者端利润（Ｃｏｈｅｎ，２０１８）。 互联网平台企业阶梯式定价策略中，两边用户的特征（即消费者需求强于商家需求）与经典文献所给假设相反，且消费者对特殊商品的需求呈现阶梯式分布。 于是，互联网平台企业敏锐观察到消费者阶梯式分布特征，并加以最优利用；其在采取部分阶梯式定价策略后，取得预期的实施效果；一部分互联网平台企业籍此获得丰厚的营业收入，逐步弥补前期因向消费者免费而造成的收入损失（Ｈａｌｌ ＆Ｋｒｕｅｇｅｒ，２０１８）。既有研究文献考察阶梯式定价策略的实施动因及其效果时，往往跳过平台用户规模的因素影响，直接分析阶梯式定价策略对互联网平台企业收入或利润的影响。实际上，结合互联网平台企业收入或利润的测算规则，①阶梯式定价策略对互联网平台企业收入或利润的影响，是阶梯式定价策略与平台用户规模共同完成。因而，若要进一步打开阶梯式定价策略影响平台收入或利润的“黑箱”，需先考察阶梯式定价策略对平台用户规模的影响机理。通常而言，互联网平台面向消费者的定价水平越高，则消费者接入平台并使用互联网平台的意愿越低，互联网平台的消费者用户规模就越低（Ａｒｍｓｔｒｏｎｇ，２００６）。特别是，就互联网平台企业的成长而言，消费者用户规模在其成长历程中有着决定性作用：当且仅当消费者用户规模达到或接近垄断水平，互联网平台企业才有可能生存下来并长期盈利（Ｖｏｇｅｌｓａｎｇ，２０１０）。但平台定价对消费者用户规模增长的抑制效应，则有可能促使互联网平台企业的消费者用户规模逐步下降，甚至低于临界规模，最终造成互联网平台萎缩的局面，致使互联网平台退出市场（Ｃａｂｒａｌ，２０１１）。由此可知，在互联网平台企业发展历程中，平台用户规模较之平台收入或利润具有更为重要意义。相应地，本文的研究焦点是：阶梯式定价策略如何协助互联网平台企业获取平台用户规模。本文所讨论的阶梯式定价策略可归为双边（多边）市场定价策略的研究主题，既有研究文献关于双边（多边）市场的定价策略的分析大致有两个方面：第一，讨论双边平台或多边平台的定价结构特征，如平台定价同拉姆齐定价、庇古定价及斯宾塞扭曲之间的逻辑关系（Ｒｏｃｈｅｔ ＆Ｔｉｒｏｌｅ，２００３；Ａｒｍｓｔｒｏｎｇ＆Ｗｒｉｇｈｔ，２００７；Ｗｅｙｌ，２０１０）；第二，讨论双边（多边平台）的定价水平，即平台对一边用户所设置的均衡价格的详细特征，如是否存在价格歧视（甄艺凯，２０２２），是否随着外界条件变化而发生本质性变化等（易余胤和李贝贝，２０２０；尹振东等，２０２２；刘诚等，２０２３）。 本文将通过考察阶梯式定价策略的演进过程，探索互联网平台的阶梯式定价策略对其用户规模的影响机理，以及阶梯式定价策略的产业实践基础，进而纵深推进互联网平台定价策略理论，从而提出理论假说；结合外卖行业的产业实践数据进行样本分析，检验理论假说的合理性。相较于既有文献，本文主要存在两点创新。 第一，通过梳理研究文献，本文对阶梯式定价策略机理进行剖析，创造性地将互联网平台阶梯式定价划分为不同层次价格分组。 既有研究仅提及阶梯式定价策略存在平台定价层次性现象，但并未进行有效探索与验证。 本文则通过采集外卖平台企业的产业实践数据，结合新近的机器学习模型，考察平台定价对平台用户规模的非线性影响，将平台定价划分为零价格、象征性价格及盈利性价格三个分组，并探索不同层次价格的具体作用。 第二，结合价格与质量作为消费者决策影响因素的孪生性，本文明确了平台定价与平台服务质量的关系，并通过合理构建新变量，验证两者内在的逻辑关系，厘清阶梯式定价策略的微观消费者决策底层逻辑，即平台服务质量是平台定价策略的实践基础。 进一步地，基于外卖平台企业发展实践，本文提出表征平台服务质量的指标，结合产业数据验证平台服务质量对平台用户规模的影响，着重探索了消费者依据平台服务质量接受平台定价的理论逻辑。５ ８２０２３年第６期① 平台收入等于不同水平平台定价乘以相应的平台用户规模加总而来；平台利润等于平台收入减去平台经营成本，其中平台经营成本主要是平台用户规模引致的边际成本之和构成。二、文献回顾与理论假说（一）定价策略对互联网平台用户规模的影响机理梳理平台定价策略的研究文献，可知其理论研究脉络主要有两条线索，一是平台定价结构，二是平台定价水平。 平台定价结构方面，两个差异化平台通过内生双边用户的外部性，设定相应水平的均衡价格，吸引双边用户接入平台（Ａｒｍｓｔｒｏｎｇ，２００６）。 当一边用户（即商家）视平台企业为同质性商品，另一边用户（即消费者）视平台企业为异质性商品，且两边用户跨边外部性存在差异时，平台企业竞争均衡则是：对跨边外部性较强的商家用户设置接近垄断水平的接入定价，对跨边外部性较弱的消费者用户设置低于成本的接入定价或零价格，乃至补贴消费者用户，进而形成显著的倾斜式接入定价，以单归属的消费者用户吸引多归属的商家用户，从而获取差异化利润（Ａｒｍｓｔｒｏｎｇ ＆Ｗｒｉｇｈｔ，２００７）。 倾斜式定价策略可以推广至拥有异质性多边用户的平台企业（Ｗｅｙｌ，２０１０）。 不难发现，倾斜式定价策略适用于不同边平台用户存在异质性的产业情境。 部分平台企业在创业初期，甚至实施双边补贴，争取多边用户（曲创和刘重阳，２０１９）。 平台定价水平方面，通过大规模记录平台用户的行为数据，平台企业特别是互联网平台企业可以较为清晰知晓诸如商家销售行为、消费者购买行为等平台用户行为特征，进而将同一边平台用户划分为不同的分组，从而进行差异化定价（Ｃｏｈｅｎ，２０１８；Ｋａｔｚ，２０１９）。 进一步地，两个差异化平台企业基于价格歧视策略，通过两阶段博弈，既可实现非对称的价格竞争，也可以获取相当于二级价格歧视的平台利润（Ｃｈｏｅ ｅｔ ａｌ．，２０１８）。 其中，第一阶段平台企业告知平台用户平台定价规则的有限信息，并获取平台用户私人信息；第二阶段平台企业利用平台用户私人信息及其对平台定价规则的未知信息，设置分组价格，可获取较高平台利润；但当平台企业完全利用平台用户私人信息设置个性化定价时，平台企业则仅能获得较低的平台利润。 有趣的是，若平台企业通过多阶段学习形成对平台用户的绝对信息优势，价格歧视定价策略非但不能形成相当于三级价格歧视的平台利润，反而将使得平台企业置于囚徒困境削弱平台利润（甄艺凯，２０２２）。 反之，若平台用户学习了平台定价行为实现信息对称，则价格歧视策略失效且平台企业自身也将陷入囚徒困境（张凯，２０２０）。 因而，平台企业价格歧视策略的理论边界是：平台企业同平台用户存在有条件的信息不对称，即平台用户要掌握一定量信息，但信息优势方仍是平台企业。 那么，可以推断在平台企业同平台用户完全信息不对称的条件下，即平台企业掌握平台定价策略的全部信息及消费者的私人信息，平台用户不掌握定价策略的任何信息，平台企业所用的定价策略不太可能是价格歧视。大数据算法的应用为平台企业营造了一个拥有绝对信息优势的竞争环境（丁晓东，２０２０）。 身处其中的平台企业所用定价策略有几点特征：一是，平台企业定价策略既要保持对平台用户的黏性，锁定平台用户维持平台用户规模，也要维持平台用户的信息优势，不泄露掌握平台用户的私人信息的机密（傅瑜等，２０１４；苏治等，２０１８；肖红军，２０２２）；二是，平台用户仅能依据主观感知评价平台定价策略的效果，实施购买决策（焦腾啸等，２０２０）。 进一步地，拥有绝对信息优势的平台企业，其定价策略可以析出多重功能：部分水平的平台定价可以吸引潜在平台用户接入平台，使得平台用户主观认知平台企业不应当从中获取利润，其中较低水平的平台定价中有一部分就是零价格；另一部分水平的平台定价可以推动平台用户接受平台定价合理性，使得平台用户主观认知平台企业可以从其中获取利润。 本质上看，由于缺乏信息来源，平台用户的决策不可以通过学习而得到改善，处于一种自我参考或参考依赖的状态（邹开亮和陈梦如，２０２１）。 相应地，拥有绝对信息优势的平台企业成为市场的唯一主持者，具有影响其他参与者的权威，决定者平台企业与平台用户之间，及平台用户之间是价值共毁还是价值共创（肖红军，２０２２）。 考虑到此时的定价水平先从零价格攀升至较低水平、再由较低水平攀升至较高水平，具有阶梯形式特征，因此将该情形下的定价策略命名６ ８李世杰：互联网平台企业定价策略与用户获取为“阶梯式定价策略”。 相应地，平台企业阶梯式定价策略适用于平台企业与平台用户间存在完全信息不对称的产业情境，即平台企业掌握全部的信息，平台用户不掌握定价策略的任何信息。总结上述分析，若将平台企业与平台用户间的信息总量设定为１，平台企业拥有的信息量为ＰＩ，平台用户拥有的信息量为ＵＩ，则平台价格歧视策略的边界条件：０＜ＵＩ ＜ＰＩ ＜１；平台阶梯式定价策略的边界条件为ＰＩ＝１且ＵＩ＝０。将阶梯式定价策略应用至互联网平台企业的特定情境，阶梯式定价水平的分布为：一部分平台服务采用零价格，另一部分平台服务采用真实价格。 其中，真实价格又可分为象征性价格和盈利性价格。借此，本文将对不同水平的价格的作用进行详细阐述。 具体地，零价格的作用比较好理解；象征性价格是指互联网平台定价通过不充分攫取消费者剩余，最优地吸引消费者注意力，助推消费者接入并使用平台，维护着相对庞大的用户规模；盈利性价格是指互联网平台定价最优地攫取消费者剩余，既维持消费者对平台的使用偏好，又不会使消费者因被收取盈利性价格而放弃平台。 进一步地，象征性价格可理解为消费者能够支付的平台定价，但互联网平台企业仅要求消费者支付平台定价的一部分，将剩下的部分平台定价作为福利隐蔽地给予消费者。不仅如此，象征性价格还逐步将消费者从以往免费策略的分组中提取出来。盈利性价格可理解为消费者有支付意愿且能够支付的平台定价，反映出互联网平台企业有籍此平台定价实现盈利的意愿与激励。总结上述分析，本文提出以下理论假说。理论假说１：阶梯式定价策略下，零价格、象征性价格及盈利性价格对互联网平台用户规模的影响存在显著差异。理论假说１反映的是阶梯式定价策略下，平台定价同平台用户规模间的非线性关系。 其中，零价格及象征性价格对非线性关系的影响较为显著。在消费者视角下，零价格不攫取任何消费者剩余，象征性价格则不充分掠夺消费者剩余。他们将改变平台定价同平台用户的线性关系，进而在局部定价水平上呈现出“价低量特别高”的强化效应，形成非线性关系；尽管在整体水平上，平台定价与平台用户规模仍呈现线性递减规律。 象征性价格更易推动消费者决策，原因在于：象征性价格既是真实价格，又是没有折扣痕迹的折扣价格。例如，小数点后以数字“９”结尾为标注的象征性价格，不仅能反映价格折扣现象，更能体现商户同消费者的善意互动（Ｊｅｏｎｇ＆Ｃｒｏｍｐｔｏｎ，２０１８）。 相应地，基于上述类型价格结构构筑的阶梯式定价策略，将呈现出异于常见定价策略的特征，即价格需求的非线性关系。本文比较分析平台企业阶梯式定价策略与传经典定价理论、平台经济学其他定价理论。 具体而言，在传统经济学的价格需求弹性理论中，厂商对富有弹性的商品降价，对缺乏弹性的商品提价；其根本依据在价格与需求呈现显著负向关系。 而平台经济学定价理论中的倾斜式定价关注平台企业向不同边用户的异质性定价特征；平台企业价格歧视强调平台企业向将同边用户进行分组定价，乃至个性化定价，获取平台利润。 相比而言，本文提出的平台企业阶梯式定价则更强调平台企业设定不同水平，析出平台定价的多重功能。 为进一步验证平台企业阶梯式定价策略的理论独特性，本文后续将分别考察传统经济学的价格需求弹性理论、平台企业价格歧视理论，与平台企业阶梯式定价策略在理论上的差异性与非兼容性。（二）互联网平台企业实施阶梯式定价策略的实践基础本部分将从消费者购买决策入手，考察互联网平台企业实施阶梯式定价策略的实践基础———平台服务质量。 通常而言，消费者决策的研究文献，假定商品或服务的质量与价格是消费者进行购买决策的一对孪生因素，即消费者效用函数必由价格与质量构成：ｕ＝ｕ（ｑ，ｐ，ｘ），其中，ｐ为价格，ｑ为质量，ｘ为其他因素。 不仅如此，学者们依据价格变量同质量变量的系数差异，将消费者分为价格敏感性与质量敏感性两类（Ｂｏｒｄａｌｏ ｅｔ ａｌ．，２０１６）。 本质上看，如果只有价格变量，而没有质量变量，那么消费者就失去进行决策的经济学基础。 具体到本文的互联网外卖经济领域，外卖平台企业提供的服务是外卖餐品配送服务，外卖平台企业面向消费者制定的配送费则是配送服务的价格ｐ，７ ８２０２３年第６期外卖餐品能否高效送达消费者手中即为服务质量ｑ。 相应地，不论消费者是对平台定价敏感还是对平台服务质量敏感，平台服务质量均是影响消费者决策的两个孪生因素之一。 因而，讨论平台服务配送质量对理解外卖平台企业的定价策略有着重要意义。在此基础上，学界依据真实配送时间是否超过预估配送时间，衡量平台配送服务质量。 具体地，真实配送时间超过预估配送时间是消费者取消外卖订单最常见原因，客观地影响了消费者对外卖平台企业配送服务质量的评价（焦腾啸等，２０２０）。 相应地，消费者对平台服务质量客观评价的计算规则———真实配送时间ｔ２同预估配送时间ｔ１的差值Δｔ：Δｔ ＝ｔ２－ｔ１。 当Δｔ ＜０，则平台服务质量较高，当Δｔ ＝０，则平台服务质量维持正常水平；当Δｔ ＞０，则平台服务质量较低。 其中，真实配送时间在平台配送服务完成后才能得出，此时消费者购买决策已经完成；预估配送时间由外卖平台企业依据算法给出，与消费者购买决策同时产生。依据互联网平台企业与消费者掌握信息的差异，两者在服务质量感知上存在分歧，主要表现有两点。 第一，外卖平台企业在配送路线及配送时间的测算上，需要考虑道路状况、天气因素等客观因素的影响（焦腾啸等，２０２０）；而消费者则是在选定配送距离后，选择性忽略天气、道路状况等因素，籍此估算配送等待时间（邹开亮和陈梦如，２０２１）。 第二，外卖平台企业在测算配送服务质量时，采取的是外卖骑手实际配送时间与平台测算的配送时间差异。 如果实际配送时间高于预估配送时间，则配送服务质量较低，低于预估配送时间则配送服务质量较高（焦腾啸等，２０２０）。 但由于实际配送时间是事后产生，消费者在进行购买决策时，只能依据自身估算的配送时间与外卖平台预估配送时间差异来评价配送服务质量。 由于消费者存在时间参考依赖偏好（吴胜和李延来，２０１７），且大多选择性忽略天气、道路状况因素，因此所估算的配送时间要低于外卖平台预估配送时间；消费者所下外卖订单的配送时间越长，外卖平台预估配送时间超过消费者预估配送时间的可能性越大，则消费者感知的服务质量越低。因而，消费者使用预估配送时间指标评估服务质量的思维逻辑：若预估配送时间越长，则消费者感知的平台服务质量越低，并以较小概率做出购买决策；预估配送时间越短，则消费者感知的平台服务质量越高，并以较高概率做出购买决策。 结合上述逻辑关系，本文将由真实配送时间与预估配送时间的差值测算得到的平台服务质量，称为“客观服务质量”；将依据预估配送时间差异测算得到的平台服务质量称为“主观服务质量”。 相应地，针对主观服务质量影响平台用户规模的机理，本文提出两点理论假说。理论假说２Ａ：主观服务质量对互联网平台用户规模有直接、显著的正向影响。理论假说２Ｂ：主观服务质量在消除平台定价的负向消费者效用后，对互联网平台用户规模仍有显著的正向影响。理论假说２Ａ考虑的是主观的服务质量直接影响效果。 理论假说２Ｂ考虑平台定价影响后的主观的服务质量，依旧能对互联网平台用户规模产生正向影响。 至此，本文将平台价格因素对平台用户规模的影响，与主观服务质量对平台用户规模的影响纳入同一个分析框架。进一步地，考虑后续实证分析中，主观服务质量指标可行性，本文对预估配送时间影响消费者主观服务质量的数理逻辑关系进行剖析，即尽管预估配送时间ｔ１（ｔ１＞０）与消费者感知的平台服务质量ｑ（ｑ＞０）为负向关系，但两者既不可能是线性关系：ｑ≠－ａ１ｔ１＋ｂ１，其中ａ１＞０，ｂ１＞０；也不可能是幂函数的负向关系：ｑ≠－ａ２ｔｎ１＋ｂ２，其中ａ２＞０，ｂ２＞０，ｎ为常数且ｎ＞１。若两者是负向线性关系，则随着预估配送时间增长，消费者感知的平台服务质量匀速降低，即下降速率（一阶导数ｄｑｄｔ１＝－ａ１）为常数。这意味消费者完全理解预估配送时间成因，进而做到“随预估配送时间变长，同步降低自身感知的平台服务质量”。 但是，预估配送时间是由外卖平台企业依据算法测算给出，不可能为消费８ ８李世杰：互联网平台企业定价策略与用户获取者完全理解（熊浩和鄢慧丽，２０２２）。 一方面，外卖平台企业对预估配送时间的算法严格保密；另一方面，即便外卖平台企业公布算法，消费者也较难理清其中的运算逻辑。 若两者是幂函数的负向关系，则随着预估配送时间增长，消费者感知的服务质量下降速率增大，即一阶导数（ｄｑｄｔ１＝－ｎａ２ｔｎ－１１）数值越来越大。 这意味着随着预估配送时间不断增大，消费者对平台服务质量的评价必将出现负值；不符合产业实践———不论预估配送时间多长，消费者均不可能给出负值或零值的服务质量。 如果消费者给出负值的服务质量，则消费者无法购买决策。由此可知，预估配送时间ｔ１与消费者感知的平台服务质量ｑ的关系，更接近于倒数函数，即ｑ＝ａ３ｔｎ１，其中ａ３＞０，ｎ为常数且ｎ＞１。随着预估配送时间增长，消费者感知的平台服务质量下降速率越小，即一阶导数ｄｑｄｔ１＝－ｎａ３ｔｎ－１１■■|■■|的数值无限接近０但不会等于０，继而消费者感知的平台服务质量越来越低，将无限接近０但不会等于０。据此，本文后续实证分析采用预估配送时间的倒数数值表征消费者主观服务质量。三、行业特征、数据来源与实证模型（一）外卖行业的实践特征本文选择外卖行业作为互联网平台企业的行业背景，并对外卖行业的特征进行简要介绍。 通常而言，外卖行业具有向消费中心集聚的特征。 消费者就餐时间集中的特征带来的是外卖餐品配送路线与配送时间的拥挤。 这促使撮合外卖服务的企业———外卖平台企业不断优化外卖服务全过程，提升外卖餐品的下单、生产、配送及取餐等系列过程中市场主体的效率（Ｗａｎｇ，２０１８），即外卖行业发展由行业核心指标———消费者等待时间驱动。 外卖行业中，消费者从下单至用餐的全过程都没有意愿去等待；他们认为外卖的最优状态为：下单后即刻取餐、即刻用餐。 并且，消费者等待时间是外卖平台企业结合配送路径和配送速度等多重因素经过算法测算而来，具有“黑箱”特征。 需要指出的是，外卖平台在优化配送路线时，以接单率或是以消费者等待时间为目标并无本质差异。 外卖配送路线优化研究表明，当以接单率为优化目标时，消费者等待时间的指标数值与最低消费者等待时间指标数值相差无几；当以消费者等待时间为优化目标时，接单率指标数值与最高接单率指标数值相差无几（熊浩与鄢慧丽，２０２２）。 通常而言，外卖平台企业是将接单率与消费者等待时间两个指标混合运用。特别是基于大数据的智能派单系统的广泛应用，让两项指标保持高度关联关系。消费者能直观感受到的外卖配送费，而非外卖配送费用减去外卖骑手接单费用后的残值。 一方面，消费者赖以决策的平台定价是消费者直观感受的外卖配送费。 相应地，消费者将上述服务活动产生的外卖配送费用视为外卖平台企业定价，符合其决策过程。 另一方面，外卖骑手的接单费用是外卖平台企业的内部管理事务，而与消费者接触的外卖配送费用并无直接关联。 消费者在餐品外卖平台的界面实施购买决策时，其所遇见的商家搜寻、订单匹配、外卖派单、外卖骑手配送路线、配送服务所需时间等等服务活动，均由外卖平台企业的后台运用算法统一计算后提供。（二）数据来源依据前述分析，本文选择美团外卖平台作为研究对象并采集样本数据。 选择美团外卖平台的原因有以下几点：第一，美团外卖平台是中国境内活跃用户规模最大的外卖平台企业，其通过搜索引擎的日均消费者浏览点击次数在中国大陆全网排名第６８位、人均浏览时间为２分２８秒，不论排名位次还是人均浏览时间均远高于第二位的外卖平台，具有显著行业垄断特征；第二，美团外卖平台对入驻平台的外卖商家有着比较完善的管理体系，可供消费者对商家餐品进行比较，便于做出订餐决策；第三，包括美团在内的外卖平台均为面向消费者进行接入定价的互联网平台企业。９ ８２０２３年第６期定价特征方面，外卖平台企业向消费者定价进行接入定价的过程：当消费者选好餐品后，外卖平台将实时计算外卖配送费用及配送时间。 其中，外卖配送费用便是消费者使用外卖平台所支付的费用。 需要指出的是，外卖平台要求消费者支付的配送费，是外卖平台向消费者收取的使用平台服务的价格，即产业组织理论研究文献所提及的平台接入定价（Ｒｏｃｈｅｔ ＆Ｔｉｒｏｌｅ，２００３；Ｊｉｎ ＆Ｒｙｓｍａｎ，２０１５）。 不仅如此，外卖配送费用的计算规则采用实时计算方法，即外卖平台会根据餐馆与消费者距离等多种因素进行实时计算。 因而，外卖配送费用具有平台向消费者进行服务定价的特征，反映的是外卖平台面向消费者的定价水平。采集过程方面，通过设置爬虫程序，采集美团外卖平台上商家层面的数据。 为增强数据采集过程的真实性，本文进行几点控制。 首先，为控制餐品、用餐时间及用餐地点的影响，本文选择北京等九座城市的人口高密度的市辖区作为配餐地点，①将餐品统一选择为快食简餐，将用餐时间统一设置为中午。 其次，为匹配商家层面的月销量数据，本文采集了７月末的销量数据并选择中午１１点至１３点的时间段爬取数据，以贴近消费者用餐的真实状态。 经过清洗和剔除残缺值，共采集到１４７０个商家的样本数据。 整体来看，本文所用样本包含多座城市的截面数据。具体地，本文通过模拟真实消费者的搜索、购买行为，设定城市中心区域的商圈位置为配餐地点，构建配餐地点与外卖商家的对应关系。 相应地，配送距离为外卖平台企业依据配餐地点与外卖商家的位置关系，通过算法测算出外卖骑手行驶的路线距离；配送时间为外卖平台企业依据配餐地点与外卖商家的间位置关系，测算从消费者下单拿到餐品的时间；配送费为外卖平台企业依据算法给出。 不仅如此，配送距离、配送时间及配送费均为外卖平台企业依据算法测算而来，且测算规则未向社会公布，即消费者不拥有外卖平台企业定价策略的任何信息。 由此可知，本文抓取的配送距离、配送时间及配送费等三个变量数据为一次性的代表性数据。 这一数据收集方法在学界比较常用，可参见范晓明等（２０２１）的研究设计。 进一步地，参考焦腾啸等（２０２０）的研究结论可知，外卖商家月销量同配送距离存在倒Ｕ型关系，本文对样本数据中，外卖商家月销量同配送距离的内在关系进行检验。 检验结果显示，样本数据中，外卖商家月销量同配送距离确实存在倒Ｕ型关系（具体结果参见表１）。 由此可推定本文的样本数据具有较好的代表性。数据结构方面，因变量月销量为加总指标，即对消费者购买行为统计加总而来，加总数据不具有空间分布特征。 配送时间、配送距离、配送费用等解释变量数据均与所选择的具体定位有着密切关系，具有空间分布特征，即消费者用餐地点到外卖商家所在地点的空间特征决定解释变量的指标数据。 本文选择城市高密度人口地区的特定位置作为消费者用餐地点，结合外卖行业的实践特征不难发现，外卖商家分布密度应当以同心圆方式向外降低，且圆心在用餐地点附近。 并且，该地区的人口密度也将以同心圆方式向外降低。 因而，外卖商家的订单数量随着人口密度与外卖商家数量下降而降低。 以本文所选城市的特定区域为例，７５％以上的外卖订单集中在配送距离为４. ３千米的范围内，即因变量数据变化趋势与解释变量变化趋势存在高度一致性。（三）实证模型设定依据验证效果的需求，本文采用条件推断树模型验证理论假说１，选择线性回归模型验证理论假说２Ａ和２Ｂ。 具体地，在验证理论假说１上，本文设定价格对消费者需求的影响：ｓａｌｅ ＝ｆ（ｐｒｉｃｅ，ｗ，ｘ）。 其中，ｓａｌｅ为消费者需求，ｐｒｉｃｅ 为价格，ｗ为可观测的影响因素，ｘ为不可观测的影响因素。相应地，若要量化估计商品价格对消费者需求的影响，则可设置如下的计量模型：０ ９李世杰：互联网平台企业定价策略与用户获取① 由于篇幅限制，本文的部分研究内容未在正文报告，如有兴趣，可向作者索取。 后文中，包括所有变量的描述性统计结果、阶梯式定价策略价格分布的详细特征结果、平均水平的平台定价对平台用户规模的影响的回归分析结果、单位时间配送费同配送时间的趋势图、单位时间配送费同配送费的趋势图、分位数回归结果、稳健性检验的方法及其结果，均与此情形相同。ｓａｌｅｉ＝α０＋α１ｐｒｉｃｅｉ＋Ｍｗｉ＋εｉ（１）　 　 （１）式能实证检验并分析价格与消费者需求的线性关系，但对两者的非线性的关系却不能进行深入分析与讨论。为解决（１）式的内在局限，本文引入机器学习中的条件推断树模型，拟合价格对消费者需求的非线性影响，进而验证理论假说１。 其中，拟合模型如下：ｓａｌｅｉ～ｐｒｉｃｅｉ＋ｗｉ（２）　 　 （２）式的作用在于分析自变量价格在不同节点下对因变量消费者需求的影响程度的差异，即将自变量切割成不同节点，拟合自变量价格在不同分段下对因变量消费者需求的影响效果，并通过将计算自变量价格对因变量消费者需求最优拟合效果（即各段方差的最小化），推定各节点的最优划分。 不仅如此，可将不同影响因素划分出主干与枝条两部分，通过内部迭代实现剪枝，进而得到具有主干与分支、结合箱线图的统计逻辑关系图（范晓明等，２０２１）。 在本文中，通过拟合平台定价水平对平台用户规模的影响，推定象征性价格与盈利性价格的分界点，进而判断象征性价格的最优上限，从而为考察零价格及象征性价格与盈利性价格差异化影响提供坚实基础。需要指出的是，在（１）式的基础上，通过适度改造，可构建造分位数回归模型或门槛回归模型，亦可以实证考察价格与消费者需求的非线性关系。 但是，这仍不能满足本文的验证理论假说的需要。 第一，由于分位数回归模型是将因变量分成１０％、３０％、５０％、７０％、９０％等不同百分位点，其仅能知晓价格对消费者需求的非线性关系，但不能表明非线性关系的转折分界点处于何处。 第二，门槛虽有单门槛、双门槛及三门槛等不同类型，但潜在的更多节点却也较难做出分析推定。 因而，采用条件推断树模型有利于详细剖析其中的多个节点。 不仅如此，考虑到分位数回归模型的非线性特征，本文将采用分位数模型进行稳健性检验，印证基本实证结果。当然，条件推断树模型也有一定局限，即不能完全剖析出当自变量发生一定数量变化时，因变量所发生数量变化。 另外，从（１）式与（２）式便可以初步判断两者的差异。 其中，（１）式中因变量到自变量所用的符号为“＝”，（２）式中因变量到自变量所用的符号为“～”。 前者重在得到自变量与因变量的等同关系，即自变量变化多少，因变量随之等同变化。 后者重在理解自变量与因变量的变化趋势，即自变量变化做一定趋势的变化，对因变量的影响趋势。在验证理论假说２Ａ和２Ｂ上，本文还将设计２个计量模型，分别如下：ｓａｌｅｉ＝β０＋β１ｓｅｒｖｉｃｅｉ＋Ｘｃｏｎｔｒｏｌｉ＋μｉ（３）ｓａｌｅｉ＝γ０＋γ１ｕｔｉｌｉｔｙｉ＋Ｚｃｏｎｔｒｏｌｉ＋ωｉ（４）　 　 （３）式与（４）式分别用于验证不同的理论假说。 其中，（３）式用于验证理论假说２Ａ。 并且，被解释变量ｓａｌｅ，表示商家的月销量，即商家最近３０天的已完成订单总数，用以表征外卖平台的用户规模。 通常而言，平台用户规模采用的指标是平台注册用户规模。 但这一指标已不能准确地反映平台用户规模的真实情况，特别是，真实地为平台创造收益的用户规模（即活跃用户规模）。 本文采用商家的月销量指标可以较为准确地体现真实用户规模，能够体现为平台创造收益的用户规模。不仅如此，本文在选择该指标时，参考了薛有志和郭勇峰（２０１２）的研究成果，也结合外卖平台的具体产业实践，增强了指标的有效性和可行性。（３）式中，解释变量ｓｅｒｖｉｃｅ表示平台服务质量，反映的是消费者对等待时间的忍耐程度。 所谓等待时间是指从消费者下单起，至消费者拿到餐品的时间长度。 不难发现，等待时间越长，消费者因忍耐产生的焦急感越强烈；等待时间越短，消费者因忍耐产生的焦急感越弱。 也就是说，消费者的焦急感同等待时间成反比关系。 因而，本文采用消费者等待时间倒数作为平台服务质量的指标。需要指出的是，消费者的等待时间是由外卖平台依据多种因素综合测算而来，不是由店铺同消费者的配送距离除以外卖骑手速度得出。 当平台企业后台通过算法压缩等待时间时，消费者便认为平１ ９２０２３年第６期台服务质量越高，实时显示在消费者订餐界面上供消费者参考及决策。 相反，包括优惠券在内的价格折扣优惠并非平台服务，而是平台定价策略的直接体现。 因而，从可算作平台服务质量的指标中，选取消费者等待时间来衡量平台服务质量是较好的选择。控制变量方面，所有控制变量均反映的是商家店铺的特征。 具体地，控制变量ｍｉｎｐｒｉｃｅ表示商家最低起送额，其中，当最低起送额为０时，表示不论消费者订单总额是多少，商家均愿意配送。 控制变量ｑｕａｌｉｔｙ表示商家提供事后服务种类数量，包括“准时宝”等１０种服务；二元变量ｂｒａｎｄ表示商家是否为品牌店；二元变量ｍｔｚｓ表示商家是否采用美团外卖平台的专送服务。 控制变量ｔａｓｔｅ表示商家餐品口味评价；控制变量ｇｒａｄｅ为商家评级；控制变量ｐａｃｋ为商家打包水平的评价。 其中，商家评级、商家餐品口味及商家打包水平三项指标取值范围均在１—５之间。（４）式用于验证理论假说２Ｂ。 并且，（４）式的被解释变量与控制变量同（３）式完全相同。 解释变量消费者效用ｕｔｉｌｉｔｙ，为本文通过不同变量合成而来的新变量。 具体地，本文将消费者感知下主观的服务质量ｓｅｒｖｉｃｅ，减去平台定价ｐｒｉｃｅ，形成新变量消费者效用ｕｔｉｌｉｔｙ。 有所不同的是，效用理论要求消费者实施购买决策的约束条件为消费者效用大于０，但本文构造的新变量消费者效用在数值上可能出现负值。 不过，这并未损害消费者效用变量的有效性。 原因在于，本文可通过增加变量主观服务质量ｓｅｒｖｉｃｅ的权重，或减小变量平台定价ｐｒｉｃｅ 的权重，使得新变量消费者效用在数值上全部大于０。 如此设置相当于对新变量进行线性变化，不影响变量数值分布的主要特征。 特别是，新变量同其他变量（包括被解释变量和控制变量）的内在逻辑关系不会发生改变，故新变量消费者效用部分数值小于０，不会影响实证回归分析结果。 不仅如此，本文采用消费者效用这一新变量，旨在验证以主观的服务质量为消费者效用基础，即便互联网平台实施阶梯式定价策略，其通过提升主观的服务质量，依旧可以契合消费者使用偏好，提升平台用户规模。结合上述分析，本文需对（３）式与（４）式中遗漏变量的问题进行阐释。 第一，外卖餐品的价格是影响消费者决策的因素之一。 参考既有研究文献（范晓明等，２０２１）的处理方法，本文的计量模型选择将外卖商家设置的起送价（即ｍｉｎｐｒｉｃｅ）作为餐品价格的替代变量，作为控制变量，进而剔除价格对消费者购买决策的影响。 本文还将外卖平台企业依据大数据测算而来的外卖商家的人均消费金额（即ｐｅｒｐｒｉｃｅ）作为另一个替代变量，进一步约束餐品价格对消费者的购买决策的影响。 其中，采用起送价（人均消费者金额）作为替代变量的合理性在于：外卖商家的餐品均价越高，则外卖商家设置的起送价也就随之升高，外卖平台企业依据大数据测算而来的人均消费者金额也随之升高。 一方面，较低起送价可能带来无效订单，即消费者只购买餐品辅助用品（如饮料）。 另一方面，外卖消费的主要是餐品价格。 因而，餐品价格与起送价、人均消费金额间存在较为明确的正向关系。 第二，红包或优惠券等优惠政策可能是影响消费者决策的一个因素，但不太可能是显著的影响因素。 原因有几点：一是优惠政策的额度下限不够明确，带有一定的随机性。 二是优惠政策的适用范围比较复杂，不足以显著地支撑消费者购买行为；并非所有外卖商家及所有外卖餐品均可以享受优惠。 三是优惠政策并不会对所有消费者采用同一尺度，并且存在一种常见的情形，即外卖商家确实有红包满减或优惠券，但消费者忘记使用。 基于上述分析，优惠政策不太可能是一个显著影响因素，其对回归模型拟合效果的改善也较难捕捉。参考既有研究文献（范晓明等，２０２１）不考虑间接影响因素的处理方法，本文计量模型中的控制变量也不考虑间接影响因素，仅加入直接影响因素。 进一步地，本文对所有变量进行了描述性统计，并考察互联网平台阶梯式定价策略的详细特征。四、平台企业阶梯式定价理论特殊性讨论（一）样本数据的空间分布特征在进行正式实证分析前，本文考察了样本数据的空间分布特征，验证样本数据是否符合外卖行业２ ９李世杰：互联网平台企业定价策略与用户获取的产业实践。具体地，既有研究文献以外卖平台大样本的消费者层面数据为样本，对平均配送距离与商家的月销量的因果关系进行实证分析，研究发现，平均配送距离与外卖商家的月销量有倒Ｕ型曲线关系（焦腾啸等，２０２０）。相似地，本文通过设置解释变量配送距离的二次项加入回归模型，考察解释变量配送距离二次项的显著性，验证样本数据的可行性与代表性。由此构建如下的实证模型：ｓａｌｅｉ＝α０＋α１ｄｉｓｔａｎｃｅｉ×ｄｉｓｔａｎｃｅｉ＋α２ｄｉｓｔａｎｃｅｉ＋Ｗｃｏｎｔｒｏｌｉ＋εｉ（５）　 　 结合（５）式，本文进行回归分析。 具体的回归结果见表１。 可以发现，本文的样本数据具备产业实践的真实性。 具体地，表１的第（１）列中，解释变量配送距离ｄｉｓｔａｎｃｅ 的回归系数统计显著且为负值，表明整体上空间距离对平台用户规模有着显著抑制效应。 不仅如此，回归系数数值显示配送距离每增加１００米，外卖商家的月销量将减少２５人次。 表１的第（３）与（４）列，解释变量配送距离的二次项ｄｉｓｔａｎｃｅ×ｄｉｓｔａｎｃｅ的回归系数统计显著且为负值，表明配送距离与外卖商家的月销量有着倒Ｕ型关系，即随着配送距离增加，外卖商家的月销量将出现最大值。 并且，配送距离及其二次项的回归系数的数值共同显示，当配送距离处于０. ９３—０. ９８千米（即最优配送距离且数值为－α２͏２α１͏），外卖商家的月销量将达到最大值。 因而，外卖行业的集聚特征使得外卖平台降低消费者等待时间具有实际意义，也使得消费者提高外卖配送费用，以降低等待时间具有实际意义。 另外，通过对变量配送距离的详细描述性统计可知，在商户空间集聚方面，约２５％的商户集聚在消费中心１０００米范围，超过７５％的商户集聚在消费中心４３００米范围。表１ 空间距离对平台用户规模的影响（１） （２） （３） （４）ｓａｌｅ ｓａｌｅ ｓａｌｅ ｓａｌｅｄｉｓｔａｎｃｅ－２５１. ４４４２∗∗∗（３８. ６８７）－８６. １７７２（１０３. ３５６）９２. ０５２７（８７. ７１０）８８. ５２６９（８９. １０５）ｄｉｓｔａｎｃｅ×ｄｉｓｔａｎｃｅ－２５. ８８９９∗（１５. ０１６）－４７. ０１３２∗∗∗（１２. ９１４）－４７. ５５９３∗∗∗（１３. ３６２）是否加入控制变量 是 否 否 是是否控制城市固定效应 是 否 是 是Ｎ １４７０ １４７０ １４７０ １４７０Ｒ２０. ０２８０ ０. ０２９９ ０. ３９９６ ０. ４２２０　 　 注：∗、∗∗、∗∗∗分别表示回归系数在１０％、５％和１％水平下显著。 第（１）至（４）列的回归结果的标准误均聚类到商家层面；城市固定效应是指通过向实证模型加入代表不同城市的二元变量，消除城市间差异对因变量变化趋势的影响。 下表同。（二）经典价格需求弹性理论难以解释平台企业阶梯式定价策略依据价格需求弹性理论，平台定价与平台用户规模呈现显著负向关系。 平台定价对应的商品是平台配送服务且具有同质性。 因而，平台定价应当是以客观事实或准客观事实下的价格水平作为衡量指标，即平台定价水平的求解公式如下：平台定价＝平台配送费配送距离（６）　 　 或者是：平台定价＝平台配送费配送时间（７）　 　 依据（６）式或（７）式，求解真实的外卖平台定价水平，并以此作为自变量，以商家的消费者需求（即商家餐品的销量）作为因变量进行回归分析，考察外卖平台定价行为与传统经济学的价格３ ９２０２３年第６期需求理论的契合性。 回归分析结果显示，配送距离或配送时间等客观事实下的平台定价不足以显著影响平台用户规模，可能的原因有两点。 一方面，消费者更关注外卖平台测算后的配送费（可直接识别），较少考虑单位距离配送费（需间接测算），甚至不会去计算单位距离配送费。 相应地，消费者决定是否给予商家餐品订单时也就不单独测算单位距离配送费。 因而，以单位距离配送费为指标的平台定价水平并不会显著影响平台用户规模。 另一方面，虽然指标单位时间的平台定价微弱地解释平台用户规模的成因，但是由于单位时间价格指标由平台定价除以消费者等待时间得到，其反映的是外卖平台通过降低消费者等待时间，提升平台用户规模。 并且，消费者配送时间是一个复杂算法的结果，单纯地降低并不具有可行性。 总结上述分析，回归分析结果显示消费者不能依赖客观事实进行购买决策，实质上是消费者缺乏平台定价策略的信息来源，不能对平台定价策略进行有效识别。 因而，传统经济学的价格需求弹性理论对平台企业阶梯式定价策略缺乏理论兼容性。（三）价格歧视理论难以兼容平台企业阶梯式定价策略依据平台企业价格歧视理论，平台企业依托定价策略的信息优势，对平台用户进行分组并按照平台用户特征进行差异化定价。 结合外卖平台企业实践特征，可作为分组依据的客观事实有三类：配送距离，反映的是消费者对商家空间分布的偏好；配送时间，反映的是消费者对时间偏好；配送费，反映的是消费者价格敏感性的偏好。 若外卖平台企业采用分组定价，则随着客观事实变化，外卖平台企业的平均定价水平将发生相应或相反趋势的变化（Ｃｈｏｅｅｔ ａｌ．，２０１８）。本文依据（６）式先计算平台价格理论下的平台定价，测算不同配送距离下平台定价的平均水平（即平台分组定价）；结果显示，配送距离、配送费同单位距离配送费无明确的趋势或联系，即随着配送距离增长，单位距离配送费（即专家提及的真实平台定价），并不会随之增加或减少；随着配送费的增长，单位距离配送费并不会随之增加或减少。依据（７）式先计算平台价格理论下的平台定价，再测算不同配送时间下平台定价的平均水平。 结果显示：配送时间同单位时间配送费之间不存在明确的趋势与联系；配送费同单位时间配送费之间仅存在较为微弱的正向关系。 上述研究未发现支持平台分组定价的直接证据，这表明既有平台价格歧视理论不能很好地兼容解释平台企业阶梯式定价策略。五、阶梯式定价策略影响平台用户规模的实证分析（一）平台定价影响平台用户规模的线性回归分析依据（１）式，本文首先对外卖平台企业定价水平同用户规模的递减规律进行实证检验，结果参见表２。表２ 平台定价水平同平台用户规模的递减规律变量（１） （２） （３） （４）ｓａｌｅ ｓａｌｅ ｓａｌｅ ｓａｌｅｐｒｉｃｅ－０. ０７８４∗∗∗（０. ０２８）－０. ０５５８∗（０. ０２９）－０. ０８５４∗∗∗（０. ０２９）－０. ０５３７∗（０. ０３２）是否加入控制变量 否 是 否 是是否控制城市固定效应 否 否 是 是Ｎ １４７０ １４７０ １４７０ １４７０Ｒ２０. ０４７１ ０. ３９５３ ０. ０７３０ ０. ４０９５　 　 表２结果显示，降低平台定价水平对提升平台用户规模具有显著促进作用。 具体地，表３的（１）至（４）列中，解释变量配送费ｐｒｉｃｅ的回归系数统计显著且为负值，显示当外卖平台降低配送费时，商家吸引接受的用户订单量将显著增加。并且回归系数数值也表明，当配送费下降１元后，商家能够获取的用户规模将增加５.４％—７.８％。在商家餐品定价保持不变的情形下，商家收益也将随之增加。尽管如４ ９李世杰：互联网平台企业定价策略与用户获取此，降低平台定价水平提升平台用户规模的策略越来越被包括外卖平台在内的平台企业所忽略。相反，外卖平台的配送费却在节节攀升，每隔一段时间就会上调一次，并且上调行为往往超出消费者的预期。（二）条件推断树模型的拟合结果若要推定梯式定价策略的有效性，关键在于象征性价格的存在性及其上限。 结合描述性统计结果分析可知，互联网平台定价水平呈现明显离散的分布特征；平台定价对用户规模的影响存在主次之分，即一部分定价水平，对互联网平台用户规模有着较为显著影响，另一部分定价水平，则发挥连接不同定价水平的作用。 依据（２）式，本文采用条件推断树模型，拟合价格水平对平台用户规模的影响，考察平台用户规模存在显著差异的价格节点，进而推定主干节点和分支节点的价格水平，从而明确零价格、象征性价格及盈利性价格彼此之间的差异。 具体分析结果见图１。
0 >0图１　 条件推断树模型拟合结果　 　 资料来源：作者运用Ｒ语言的ｐａｒｔｙ包绘制而成。图１中，不同层次的平台定价对平台用户规模确实存在主次之分。 其中，主干节点有１个，分支节点共有４个。并且，有着三点研究发现值得关注。 首先，位于主干节点的平台定价水平数值为１。此定价水平将平台定价对平台用户规模的影响分成两部分，即定价水平ｐｒｉｃｅ≤１的部分和定价水平ｐｒｉｃｅ＞１的部分，显示定价水平是否小于等于１，对平台用户规模的影响有着显著差异。 不仅如此，位于底部的箱线图也表明，当平台定价水平小于或等于１时，平台用户规模要显著高于平台定价水平大于１的情形。由此，可以推定平台定价位于区间段（０，１］的部分，均属于象征性价格，且定价水平１为象征性价格的上限。结合平台定价水平的描述性分析结果，可知，象征性价格有２个层次：０.５元和１元。其次，零价格与象征性价格对平台用户规模的影响有着显著差异。 继续考察决策树左半部分即定价水平ｐｒｉｃｅ≤１的部分，可以发现平台定价对平台用户规模的影响存在分支节点，且节点处的平台定价水平０，表明互联网平台是否向消费者收取使用费，对平台用户有显著差异。 不仅如此，底部箱线图的两点特征为：第一，就模型拟合后的平台用户规模平均数而言，平台定价０＜ｐｒｉｃｅ≤１的分组显著高于平台定价ｐｒｉｃｅ＝０的分组；第二，就模型拟合后平台定价对平台用户规模的覆盖面而言，平台定价ｐｒｉｃｅ＝０的分组要显著宽于平台定价０＜ｐｒｉｃｅ≤１的分组。 特征一反映出象征性价格对消费者购买决策不仅没有抑制作用，反而有一定的促进作用，即象征性价格可增强消费者同互联网平台的互动，推动消费者进行购买决策。 特征二则表明零价格对平台用户规模的扩大功能要强于象征性价格。 两类价格发挥的作用存在梯队性作用：零价格扩大各类型用户规模，象征性价格则初步挖掘不同类型消费者的剩余。 需要指出的是，条件推断树底部的箱线图是模型拟合给出的一定预测结果，并非样本的描述性统计结果。 因而，箱线图所示内容有着明确的含义。５ ９２０２３年第６期此外，盈利性价格对平台用户规模的影响存在显著抑制作用。 继续考察决策树有半部分即平台定价ｐｒｉｃｅ ＞１的部分，可以发现随着平台定价水平上升，平台用户规模呈现出明确的递减规律。不仅如此，底部的箱线图也呈现两点显著特征：第一，在平台用户规模的平均水平上，１＜ｐｒｉｃｅ≤４的分组、４＜ｐｒｉｃｅ≤９的分组、９＜ｐｒｉｃｅ≤１３的分组及ｐｒｉｃｅ＞１３的分组，呈现递减趋势，即箱线图的中部黑线位置逐次下降；第二，在平台用户规模覆盖面宽度上，上述四个分组也呈现递减趋势，特别是最后一个分组，平台用户规模趋近完全相等的水平。 这些特征反映出，若平台定价达到盈利性价格后，其对平台用户规模存在显著抑制作用。 尽管如此，后文实证分析还将表明互联网平台增加平台利润的措施，不在于降价吸引消费者使用，而在于提升平台服务质量来吸引消费者使用。 同时，盈利性价格所表现的作用机理，正好将其同零价格和象征性价格连接起来，构成完整的价格梯队，形成完整链式结构，即从扩大用户规模，到部分挖掘消费者剩余，再到充分挖掘消费者剩余。 因而，上述分析结果明确证实理论假说１。（三）平台定价影响平台用户规模的分位数回归结果鉴于平台定价对平台用户规模的差异化影响，本文采用分位数回归，考察平台定价对平台用户规模的异质性。 回归分析结果表明，随着平台定价水平逐步提高，平台定价对平台用户规模的影响也随之下降，即越高水平的平台定价，其对消费者使用平台进行购物决策的边际影响越弱。 平台用户规模同平台定价的拟合曲线具有两点特征：第一，凹型下降曲线；第二，开始阶段下降速度很快，靠后阶段下降速度相等，接近指数函数曲线。 并且，０价格到盈利性价格下限１. ５元的区间段（但不含盈利性价格）下降速度较快；价格水平则是盈利性价格１. ５向上攀升时，拟合曲线接近指数递减曲线。 因而可以看出，不同水平的平台定价对平台用户规模的影响，呈现明确的异质性。 特别是，象征性价格和盈利价格间的差异转化尤为明显。 简言之，分位数回归结果验证了理论假说１。六、平台服务质量影响平台用户规模的实证分析（一）平台服务质量影响平台用户规模的回归结果本部分通过对实证模型（１）进行回归，考察解释变量主观服务质量对平台用户规模的影响，探索平台提升主观的服务质量的实际效果，分析平台实施梯式定价策略的实践基础（结果见表３）。表３ 实证模型（１）的回归分析结果变量主观服务质量 客观服务质量（１） （２） （３） （４） （５） （６） （７） （８）ｓａｌｅ ｓａｌｅ ｓａｌｅ ｓａｌｅ ｓａｌｅ ｓａｌｅ ｓａｌｅ ｓａｌｅｓｅｒｖｉｃｅ０. ６０９４∗（０. ３１４）０. ６３３５∗∗∗（０. ２３７）０. ６２３４∗（０. ３３４）０. ６２１４∗∗（０. ２５８）ｓｐｅｅｄ－０. ０５７１（０. ０４１）－０. ０５９２（０. ０３６）－０. ０６１８（０. ０４２）－０. ０５４２（０. ０３９）是否加入控制变量 否 是 否 是 否 是 否 是是否控制城市固定效应 否 否 是 是 否 否 是 是Ｎ １４７０ １４７０ １４７０ １４７０ １４７０ １４７０ １４７０ １４７０Ｒ２０. ０３３６ ０. ４１３９ ０. ０５３９ ０. ４２７１ ０. ０１３０ ０. ３９１６ ０. ０３５６ ０. ４０５５　 　 表３中，提升平台服务质量对增大平台用户规模有显著促进作用，即平台服务质量是互联网平台实施阶梯式定价策略的实践基础。 具体地，表３第（１）至（４）列中，解释变量平台服务质量ｓｅｒｖｉｃｅ的回归系数统计显著且为正值，表明当外卖平台通过降低消费者的等待时间而提升主观的服务质量，可相应地增加平台用户规模。 由于平台服务质量指标由消费者等待时间取倒数构建而来，回归系数数值不能直接反映主观的服务质量对提升平台用户规模的定量水平。 这与消费者实际用餐体６ ９李世杰：互联网平台企业定价策略与用户获取验相一致。 原因在于：消费者对等待时间（如餐品口感质变的临界时间）会形成参考依赖效应，若商家降低了消费者等待时间但未低至参考时间以下，消费者可能并不会因商家稍稍降低等待时间而做出给予订单的决策。 相应地，若商家能将等待时间缩短在餐品口感质量临界时间以内，其月销量可能会显著地增加。 因而，若外卖平台企业期望通过提升服务质量增加用户规模，则应该采取较大幅度地降低等待时间的策略性行为。 现实产业实践中，外卖平台也正在通过不断优化外卖配送员的骑行路线，降低消费者等待时间。 上述分析结果证实理论假说２Ａ。相较于对等待时间的忍耐程度，消费者对平台配送速度偏好则更为客观一些。 由此，本文采用平台配送速度作为平台客观服务质量的指标，考察平台服务质量对平台用户规模的影响。 具体结果见表３第（５）至（８）列。 提升配送速度并没有对增加平台用户规模有显著促进作用。 具体地，第（５）至（８）列，配送速度ｓｐｅｅｄ的回归系数统计不显著，回归系数符号也不符合理论预判，表明在其他因素不变的情形下，提升真实配送速度对增加平台用户规模没有明确促进作用。 进一步地，消费者不会认同“配送速度越快，越有可能下餐品订单”的思维逻辑。 实际上，消费者在意的是等待餐品送达的主观感受，而不会站在外卖配送员（即骑手）的角度，思考实际的配送速度。 因而，在消费者视角下，代表平台客观服务质量的指标———配送速度并不能显著影响平台用户规模。（二）消费者效用影响平台用户规模的回归结果本文需对构建的消费者效用这一新变量的有效性进行考察。 首先，通过描述性统计，考察用于构建新变量的两个指标，即主观的服务质量ｓｅｒｖｉｃｅ和取对数处理的平台定价ｐｒｉｃｅ＿ｎｅｗ的数量级差异。 可知两个指标数值分布在区间段［０，３），且均值分别为１. ５９１和１. ０３３，表明两者均值相近，故两者线性组合的新指标ｕｔｉｌｉｔｙ仍在相同数量级内。 其次，对用于构建新变量的两个指标进行皮尔逊相关性检验，考察两项指标分布的趋势差异性。 相关性检验结果显示，当平台定价ｐｒｉｃｅ＞０时，两项指标的相关性系数ρ＝－０. １８５且ｐ值接近０，表明两项指标处于低度相关；当平台定价未施加约束条件时，两项指标相关性系数ρ＝－０. ３８６且ｐ值接近０，表明两项指标仍处于可控范围的低度相关。 因而，两项指标的数值分布未呈现相近或相反的趋势。 相应地，新构建指标ｕｔｉｌｉｔｙ，在数值分布上，不会呈现出与原先两项指标相同或高度相近的趋势。 故而，由新构建指标所表征的新变量消费者效用，具有真实性和有效性。 在此基础上，本文将新构建指标ｕｔｉｌｉｔｙ，同取对数处理的平台用户规模指标ｓａｌｅ，进行皮尔逊相关性检验。 相关性检验结果表明，当平台定价ｐｒｉｃｅ＞０时，两项指标的相关系数为ρ＝－０． ３２２且ｐ值接近０；当平台定价未施加约束条件时，两项指标的相关性系数为ρ＝－０． ２１３且ｐ值接近０。 因此两个变量ｕｔｉｌｉｔｙ和ｓａｌｅ存在处于可控范围的低度相关。 由新指标表征的消费者效用变量，同平台用户规模变量，不存在明确的相同或相反的趋势。 因而，新变量消费者效用可以视为平台用户规模的影响因素。 具体结果参见表４。 其中，第（１）至（４）列是两个子样本同时纳入实证模型的回归结果，第（５）至（８）列为非零价格子样本的回归结果。根据表４不难发现，互联网平台企业通过提升消费者效用，能够促进平台用户规模增长。 特别是，平台定价水平大于０的情形，消费者效用对用户规模的提升作用更为明显。 具体地，表４的第（１）至（４）列中，解释变量消费者效用ｕｔｉｌｉｔｙ的回归系数统计显著且为正值，表明提升消费者效用可提升平台用户规模。 按消费者效用变量构成法则可知，在剔除平台定价对消费者效用的负向影响后，主观的服务质量仍会促进平台用户规模增长。 消费者对平台服务质量的主观感知效果，能弥合平台定价对消费者决策造成的负向影响，继而推动消费者在互联网平台采取购买行为，从而提升平台用户规模。 表４的第（５）至（８）列中，解释变量消费者效用的回归系数统计显著且均为正值，并相较于表４中解释变量的系数数值，有明显增大。 这表明，当互联网平台向消费者收取真实价格后，提升消费者费用对提升用户规模的影响更为有效。 借此，美团等外卖平台一面使用算法极限压缩外卖配送员的送餐时间，另一面则是提高餐品配送等平台定价水平。 因而，可知阶梯式定价策略７ ９２０２３年第６期引致“蓄水池”梯队现象，存在产业实践基础；折射到产业实践中，互联网平台企业将持续提升服务质量，进而吸引消费者接入并使用平台，从而提升平台用户规模。 上述分析结果证实理论假说２Ｂ。表４ 实证模型（２）的回归结果变量全部样本数据 ｐｒｉｃｅ＞０的子样本（１） （２） （３） （４） （５） （６） （７） （８）ｓａｌｅ ｓａｌｅ ｓａｌｅ ｓａｌｅ ｓａｌｅ ｓａｌｅ ｓａｌｅ ｓａｌｅｕｔｉｌｉｔｙ０. ２５０４∗∗（０. １１２）０. ２１１７∗∗（０. ０８７）０. ２６８１∗∗（０. １１５）０. ２０５２∗∗（０. ０９６）０. ４７８３∗∗∗（０. １５８）０. ３７９７∗∗（０. １６５）０. ４７８９∗∗∗（０. １８１）０. ３６２２∗（０. １８８）是否加入控制变量 否 是 否 是 否 是 否 是是否控制城市固定效应 否 否 是 是 否 否 是 是Ｎ １４７０ １４７０ １４７０ １４７０ １０９９ １０９９ １０９９ １０９９Ｒ２０. ０４５２ ０. ４０６６ ０. ０６９６ ０. ４１９６ ０. １０３６ ０. ３０８３ ０. １３１８ ０. ３４１０　 　 总结前述分析结果，可推定阶梯式定价策略的微观机理：互联网平台企业受益于特定的垄断市场结构———消费者市场垄断与商户市场寡头垄断，得以实施局部提价行为，并将消费者分成三组：零价格分组、象征性价格分组及盈利性价格分组；其中，零价格和象征性价格都能实现扩大用户规模及培育支付意愿的策略性目标，且侧重略有不同，盈利性价格则担负起掠夺消费者剩余来获取平台利润的策略性目标。 特别是，互联网平台提升平台服务质量的策略性行为，可使支付真实价格的消费者获取正向效用，弥补真实价格引致的负向效用，从而实施购买决策。 因而，互联网平台企业所处的垄断地位是阶梯式定价策略实施的表象，提升平台服务质量是阶梯式定价策略得以实施的产业实践基础，两者对吸引、培育及维持平台用户规模起到相辅相成的作用。（三）稳健性检验在样本数据来源一节，本文虽详细阐述消费者定位位置选择对样本数据不产生实质性影响，但仍会造成一定偏差。 本部分尝试模拟真实平台用户规模，降低定位位置选择对样本数据真实性的损害，进而考察基本结果的稳健性，从而验证原始样本数据的有效性。 具体地，替换因变量平台用户规模的指标———月订单量的方法分三步完成。 首先，依据前述分析可知核心商家聚集１千米范围内，据此将１千米范围的商家的月订单量视为基准数据，结合月订单量同配送距离的线性关系，测算１千米范围商家的月订单量预期值。 进一步地，推算１千米范围商家的月订单量预期值占月订单量真实值的平均比例。 其次，结合配送距离每增加１千米，配送时间与配送费用均有相应变化的特征，推算配送距离在１千米－２千米范围商家的月订单量真实值中属于１千米范围内的预期值。 继而，测算配送距离在１千米－２千米范围内，商家实际所获取的月订单量的真实值，将测算后的真实值代替原始数据的指标值。 于是，将１千米范围的月订单量真实值与１千米－２千米范围的测算后的月订单量真实值结合起来，构建因变量指标的真实值。 最后，其他配送距离范围内商家的月订单量真实值的测算，循环前两步的逻辑，直至完全部指标值的测算。 依据修正后的样本数据，本文对前述分析的基本实证结果进行稳健性检验，以验证原始样本数据的有效性。 稳健性检验结果显示：平台定价影响平台用户规模的稳健性分析；平台服务质量影响平台用户规模的稳健性分析。稳健性检验结果显示：第一，平台定价对平台用户规模阶梯式影响依旧稳健；第二，平台定价对平台用户规模的线性递减规律依旧稳健。不仅如此，平台服务质量影响平台用户规模的结果同样稳健。七、结论与建议价格需求弹性理论、平台价格歧视理论等既有定价理论，对平台企业与消费者的完全信息不对称下定价策略缺乏解释力。本文在梳理互联网平台企业采用大数据算法进行定价的研究文献基础上，将完全信息不对称下平台定价策略命名为“阶梯式定价策略”并尝试予以理论探讨，结合中国外卖平８ ９李世杰：互联网平台企业定价策略与用户获取台企业的产业实践数据，比较分析价格需求弹性理论、平台价格歧视理论对平台阶梯式定价策略的理论兼容性与解释力，初步确立了平台企业阶梯式定价策略的理论独特性。 研究发现，价格需求弹性理论及平台价格歧视理论，对平台企业阶梯式定价策略均缺乏理论兼容性，不能较好地解释阶梯式定价策略下平台定价水平呈现等距离散分布的特征；平台企业阶梯式定价策略适用边界在于：平台企业与消费者间的完全信息不对称，致使平台用户仅能依据主观感知，识别定价规则的合理性，接受互联网平台设定的离散分布平台定价。在反垄断实践中，应用大数据算法的互联网平台企业，掌握了平台定价策略的全部信息及平台用户私人信息，平台用户不掌握定价规则的任何信息；借此，互联网平台借助平台定价对平台用户进行个性化分组，析出平台定价策略对平台用户规模的维持作用，增强平台利润的长期基础。基于上述研究结论，本文提出如下政策建议：第一，反垄断规制机构应当要求，实施阶梯式定价策略的垄断互联网平台企业公布阶梯式定价策略的基本测算规则，消除互联网平台同消费者在平台定价规则上的信息不对称。２０２１年１０月的美团外卖平台“二选一”垄断行为规制案的公开资料显示，互联网平台企业通过操纵算法调整平台定价水平，转移销售商利润并攫取消费者剩余，且向包括消费者在内的社会公众隐瞒自身干预平台算法的事实。互联网平台企业隐瞒其行为的本质是将消费者注意力转移至算法黑箱，维持自身同消费者在阶梯式定价策略上的信息不对称。本文理论研究显示，互联网平台企业实施阶梯式定价策略的理论基础是互联网平台企业与消费者的完全信息不对称；而阶梯式定价策略是以消费者主观服务质量为产业实践基础，即阶梯式定价策略依据消费者主观服务质量指标数据，制定平台定价规则。 因而，互联网平台企业可以并且应当公布一份消费者能够理解基本运算逻辑的平台定价测算规则，以尽可能消除消费者同互联网平台企业的信息不对称，从而推动消费者在不同平台之间进行购买决策，促进平台竞争。具体到本文探讨的外卖行业案例而言，外卖平台企业需要向社会公众公布零元配送费的基本逻辑以及配送时间倒数的指标、配送距离指标等指标数据同非零元配送费的计算公式，使得社会公众了解外卖平台企业的配送费测算依据，提升购买决策的效率实现效用最大化，从而实现消费者福利最大化。第二，反垄断规制机构应当对垄断互联网平台企业的真实盈利情况，进行反垄断规制调查。 近年来，垄断互联网平台企业均以平台亏损严重为借口频繁实施提价行为，但对企业亏损金额以及亏损原因是否源于定价水平，并未做出实质性解释。 依据本文研究结论，采取以阶梯式定价策略为主的互联网平台企业实际上有足够盈利空间，且长期运营过程中不存在巨额亏损现象。 部分垄断互联网平台企业隐瞒其真实盈利状况，继续侵蚀消费者福利。 有鉴于此，本文建议反垄断规制机构启动调查垄断互联网平台企业的真实盈利情况，在维护企业商业机密的基础上，向社会公布主要互联网平台巨头的实际经营绩效。第三，反垄断规制机构应当要求互联网平台企业，在尚未改善平台服务质量前提下，不得随意提升平台定价水平。随着互联网信息技术的发展，互联网平台企业在提升服务质量方面比传统企业有着更为明确的优势。但信息技术提升作用会遭遇客观环境带来的现实瓶颈。 本文的研究结果明确指出，消费者仅会依据自身对服务质量的主观感知而非客观的服务质量来实施购买决策。倘若互联网平台企业仅以主观的服务质量为考核指标，会给商户和物流服务人员带来强烈负面情绪，积累并诱发社会矛盾。相应地，如果互联网平台过度依赖主观的服务质量实施提价行为，加剧商户及物流服务人员同消费者之间的对立，不利于互联网行业健康发展。因而，本文建议互联网平台企业要思考如何将客观环境变化纳入平台服务质量测度之中，增强消费者对平台服务质量的客观认知，降低从业者的竞争焦虑。当然，本文也存在一定局限。 首先，囿于数据可获得性，本文选择了商家加总层面数据匹配代表性的消费者实时数据，构建样本数据进行回归分析。 后续研究将思考采用完整的消费者层面实时数据进行回归分析，更为准确地考察平台定价策略及配送策略对消费者决策的影响。 其次，由于本文采用的是基于文献分析与实践基础提出的理论假设，未来在大样本数据的支持下，有必要采用９ ９２０２３年第６期“理论模型＋实证检验”的研究范式，提升研究结论的学术价值。 再次，考虑到平台抽成费在互联网平台企业进行双边用户定价时的重要作用，后续研究将考虑平台抽成费对消费者决策的影响，进一步丰富互联网平台企业定价策略的研究内容。参考文献丁晓东，２０２０：《论算法的法律规制》，《中国社会科学》第１２期。范晓明、杨祎、王晓玉，２０２１：《互联网平台多属策略、经营模式与商家绩效》，《中国管理科学》第２期。傅瑜、隋广军、赵子乐，２０１４：《单寡头竞争性垄断：新型市场结构理论构建———基于互联网平台企业的考察》，《中国工业经济》第１期。焦腾啸、李先国、孟陆，２０２０：《线上客户地理分布对外卖零售商经营决策的影响———基于饿了么外卖订单数据的实证研究》，《中国软科学》第３期。吴胜、李延来，２０１７：《基于消费者时间偏好和决策者风险偏好的定价与订货策略》，《计算机应用研究》第１０期。刘诚、王世强、叶光亮，２０２３：《平台接入、线上声誉与市场竞争格局》，《经济研究》第３期。曲创、刘重阳，２０１９：《平台竞争一定能提高信息匹配效率吗？ ———基于中国搜索引擎市场的分析》，《经济研究》第８期。苏治、荆文君、孙宝文，２０１８：《分层式垄断竞争：互联网行业市场结构特征研究———基于互联网平台类企业的分析》，《管理世界》第４期。孙宝文、荆文君、何毅，２０１７：《互联网行业反垄断管制必要性的再判断》，《经济学动态》第７期。王节祥、高金莎、盛亚、陈弘泽，２０２０：《知识付费平台跨边网络效应衰减机制与治理》，《中国工业经济》第６期。肖红军，２０２２：《算法责任：理论证成、全景画像与治理范式》，《管理世界》第４期。熊浩、鄢慧丽，２０２２：《数据驱动外卖平台智能派单的实现机理研究》，《南开管理评论》第２期。薛有志、郭勇峰，２０１２：《Ｃ２Ｃ电子商务卖家的竞争战略研究：基于淘宝网的分析》，《南开管理评论》第５期。易余胤、李贝贝，２０２０：《考虑交叉网络外部性的视频平台商业模式研究》，《管理科学学报》第１１期。尹振东、龚雅娴、石明明，２０２２：《数字化转型与线上线下动态竞争：消费者信息的视角》，《经济研究》第９期。张凯，２０２０：《学习型消费者情景下企业ＢＢＰＤ策略研究》，《管理科学学报》第３期。甄艺凯，２０２２：《转移成本视角下的大数据“杀熟”》，《管理世界》第５期。邹开亮、陈梦如，２０２１：《算法控制下“网约工”权益保护的困境与出路》，《价格理论与实践》第６期。Ａｒｍｓｔｒｏｎｇ，Ｍ．，２００６，“ＣｏｍｐｅｔｉｔｉｏｎｉｎＴｗｏ⁃ｓｉｄｅｄＭａｒｋｅｔｓ”，ＲａｎｄＪｏｕｒｎａｌ ｏｆ Ｅｃｏｎｏｍｉｃｓ，３７（３），６６８—６９１．Ａｒｍｓｔｒｏｎｇ，Ｍ．，ａｎｄＪ． Ｗｒｉｇｈｔ，２００７，“Ｔｗｏ⁃ｓｉｄｅｄＭａｒｋｅｔｓ，ＣｏｍｐｅｔｉｔｉｖｅＢｏｔｔｌｅｎｅｃｋｓａｎｄＥｘｃｌｕｓｉｖｅＣｏｎｔｒａｃｔｓ”，ＥｃｏｎｏｍｉｃＴｈｅｏｒｙ，３２，３５３—３８０．Ｂｏｒｄａｌｏ，Ｐ．，Ｎ． Ｇｅｎｎａｉｏｌｉ，ａｎｄＡ． Ｓｈｌｅｉｆｅｒ，２０１６，“Ｃｏｍｐｅｔｉｔｉｏｎｆｏｒ Ａｔｔｅｎｔｉｏｎ”，Ｒｅｖｉｅｗｏｆ ＥｃｏｎｏｍｉｃＳｔｕｄｉｅｓ，８３（２），４８１—５１３．Ｃａｂｒａｌ，Ｌ．，２０１１，“ＤｙｎａｍｉｃＰｒｉｃｅＣｏｍｐｅｔｉｔｉｏｎｗｉｔｈＮｅｔｗｏｒｋＥｆｆｅｃｔｓ”，Ｒｅｖｉｅｗｏｆ ＥｃｏｎｏｍｉｃＳｔｕｄｉｅｓ，７８（１），８３—１１１．Ｃｈｏｅ， Ｃ．， Ｓ． Ｋｉｎｇ， ａｎｄ Ｎ． Ｍａｔｓｕｓｈｉｍａ， ２０１８， “Ｐｒｉｃｉｎｇ ｗｉｔｈ Ｃｏｏｋｉｅｓ： Ｂｅｈａｖｉｏｒ⁃Ｂａｓｅｄ Ｐｒｉｃｅ Ｄｉｓｃｒｉｍｉｎａｔｉｏｎ ａｎｄ ＳｐａｔｉａｌＣｏｍｐｅｔｉｔｉｏｎ”，Ｍａｎａｇｅｍｅｎｔ Ｓｃｉｅｎｃｅ，６４（１２），５６６９—５６８７．Ｃｏｈｅｎ，Ｍ． Ｃ．，２０１８，“ＢｉｇＤａｔａａｎｄＳｅｒｖｉｃｅＯｐｅｒａｔｉｏｎｓ”，ＰｒｏｄｕｃｔｉｏｎａｎｄＯｐｅｒａｔｉｏｎｓ Ｍａｎａｇｅｍｅｎｔ，２７（９），１７０９—１７２３．Ｈａｌｌ，Ｊ． Ｖ．，ａｎｄＡ． Ｂ． Ｋｒｕｅｇｅｒ，２０１８，“ＡｎＡｎａｌｙｓｉｓｏｆ ｔｈｅＬａｂｏｒ Ｍａｒｋｅｔ ｆｏｒ Ｕｂｅｒ'ｓＤｒｉｖｅｒ⁃ｐａｒｔｎｅｒｓｉｎｔｈｅＵｎｉｔｅｄＳｔａｔｅｓ”，ＩｎｄｕｓｔｒｙａｎｄＬａｂｏｒ ＲｅｌａｔｉｏｎＲｅｖｉｅｗ，７１（３），７０５—７３２．Ｊｅｏｎｇ，Ｊ． Ｙ．，ａｎｄＪ． Ｌ． Ｃｒｏｍｐｔｏｎ，２０１８，“ＤｏＳｕｂｊｅｃｔｓｆｒｏｍＨｉｇｈａｎｄＬｏｗＣｏｎｔｅｘｔ ＣｕｌｔｕｒｅｓＡｔｔｒｉｂｕｔｅＤｉｆｆｅｒｅｎｔ ＭｅａｎｉｎｇｓｔｏＴｏｕｒｉｓｍＳｅｒｖｉｃｅｓｗｉｔｈ９⁃ｅｎｄｉｎｇＰｒｉｃｅｓ”，ＴｏｕｒｉｓｍＭａｎａｇｅｍｅｎｔ，６４（Ｃ），１１０—１１８．Ｊｉｎ， Ｇ．， ａｎｄ Ｍ． Ｒｙｓｍａｎ， ２０１５， “ＰｌａｔｆｏｒｍＰｒｉｃｉｎｇ ａｔ Ｓｐｏｒｔｓ Ｃａｒｄｓ Ｃｏｎｖｅｎｔｉｏｎｓ”， Ｊｏｕｒｎａｌ ｏｆ Ｉｎｄｕｓｔｒｉａｌ Ｅｃｏｎｏｍｉｃｓ， ６３（４），３０３—３５３．Ｋａｔｚ，Ｍ． Ｌ．，２０１９， “Ｍｕｌｔｉｓｉｄｅｄ Ｐｌａｔｆｏｒｍｓ， Ｂｉｇ Ｄａｔａ， ａｎｄ ａ Ｌｉｔｔｌｅ Ａｎｔｉｔｒｕｓｔ Ｐｏｌｉｃｙ”， Ｒｅｖｉｅｗｏｆ Ｉｎｄｕｓｔｒｉａｌ Ｏｒｇａｎｉｚａｔｉｏｎ，５４（４），６９５—７１６．Ｒｏｃｈｅｔ，Ｊ． Ｃ．，ａｎｄＪ． Ｔｉｒｏｌｅ，２００３， “ＰｌａｔｆｏｒｍＣｏｍｐｅｔｉｔｉｏｎ ｉｎ Ｔｗｏ⁃ｓｉｄｅｄ Ｍａｒｋｅｔｓ”， Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ｅｕｒｏｐｅａｎ Ｅｃｏｎｏｍｉｃ Ａｓｓｏｃｉａｔｉｏｎ，１（４），９９０—１０２９．Ｖｏｇｅｌｓａｎｇ，Ｍ．，２０１０，“Ｄｙｎａｍｉｃｓｏｆ Ｔｗｏ⁃ｓｉｄｅｄＩｎｔｅｒｎｅｔ Ｍａｒｋｅｔｓ”，Ｉｎｔｅｒｎｅｔ Ｅｃｏｎｏｍｉｃｓ ａｎｄＥｃｏｎｏｍｉｃＰｏｌｉｃｙ，（７），１２９—１４５．Ｗａｎｇ，Ｚ．，２０１８，“ＤｅｌｉｖｅｒｉｎｇＭｅａｌｓｆｏｒ ＭｕｌｔｉｐｌｅＳｕｐｐｌｉｅｒｓ：Ｅｘｃｌｕｓｉｖｅｏｒ ＳｈａｒｉｎｇＬｏｇｉｓｔｉｃｓＳｅｒｖｉｃｅ”，ＴｒａｎｓｐｏｒｔａｔｉｏｎＲｅｓｅａｒｃｈＰａｒｔ Ｅ：Ｌｏｇｉｓｔｉｃｓ ａｎｄＴｒａｎｓｐｏｒｔａｔｉｏｎＲｅｖｉｅｗ，１１８，４９６—５１２．Ｗｅｙｌ，Ｅ． Ｇ．，２０１０，“ＡＰｒｉｃｅＴｈｅｏｒｙｏｆ Ｍｕｌｔｉ⁃ｓｉｄｅｄＰｌａｔｆｏｒｍｓ”，ＡｍｅｒｉｃａｎＥｃｏｎｏｍｉｃＲｅｖｉｅｗ，１００（４），１６４２—１６７２．０ ０ １李世杰：互联网平台企业定价策略与用户获取ＰｒｉｃｉｎｇＳｔｒａｔｅｇｉｅｓａｎｄＵｓｅｒＡｃｑｕｉｓｉｔｉｏｎｏｆ ｔｈｅＩｎｔｅｒｎｅｔ ＰｌａｔｆｏｒｍＦｉｒｍ：ＡｎＥｍｐｉｒｉｃａｌ ＥｖｉｄｅｎｃｅｆｒｏｍＣｈｉｎａ'ｓＯｎｌｉｎｅＴａｋｅａｗａｙＩｎｄｕｓｔｒｙＬＩ Ｓｈｉｊｉｅ（Ｓｃｈｏｏｌ ｏｆ Ｅｃｏｎｏｍｉｃｓ，Ｎａｎｋａｉ Ｕｎｉｖｅｒｓｉｔｙ）Ｓｕｍｍａｒｙ：Ｄｕｒｉｎｇ ｔｈｅ ｐａｓｔ ｄｅｃａｄｅ， Ｉｎｔｅｒｎｅｔ ｐｌａｔｆｏｒｍｆｉｒｍｓ （ｓｕｃｈ ａｓ ｔａｋｅａｗａｙ ｐｌａｔｆｏｒｍｓ ａｎｄ ｏｎｌｉｎｅ ｖｉｄｅｏ ｐｌａｔｆｏｒｍｓ）ｃｈａｎｇｅ ｔｈｅ ｆｒｅｅ ｐｒｉｃｉｎｇ ｓｔｒａｔｅｇｙ ｔｏ ａ ｓｐｅｃｉａｌ ｐｒｉｃｉｎｇ ｓｔｒａｔｅｇｙ，ｉ． ｅ．，ｆｒｅｅ ｏｆ ｃｈａｒｇｅ ｆｏｒ ｓｏｍｅ ｃｏｎｓｕｍｅｒｓ ａｎｄｃｈａｒｇｉｎｇ ｏｔｈｅｒｓｒｅａｌ ｆｅｅｓ． Ｍｏｒｅｏｖｅｒ，ｒｅａｌ ｆｅｅｓ ｕｐｓｕｒｇｅ ｆｒｏｍｚｅｒｏ ｓｔｅｐｂｙ ｓｔｅｐ． Ｔｈｕｓ，ｗｅ ｎａｍｅ ｔｈｉｓ ｓｐｅｃｉａｌ ｐｒｉｃｉｎｇ ｓｔｒａｔｅｇｙ “ｌａｄｄｅｒ ｐｒｉｃｉｎｇｓｔｒａｔｅｇｙ． ”Ｔｈｅ ｐｒｅｖｉｏｕｓ ｓｔｕｄｉｅｓ ｄｅｌｉｂｅｒａｔｅ ｔｈｅ ｍｏｔｉｖａｔｉｏｎａｎｄｉｍｐａｃｔ ｏｆ ｔｈｅ ｌａｄｄｅｒ ｐｒｉｃｉｎｇ ｓｔｒａｔｅｇｙ ａｎｄｆｉｎｄｔｈａｔ Ｉｎｔｅｒｎｅｔｐｌａｔｆｏｒｍｓ ａｄｏｐｔ ｔｈｅ ｌａｄｄｅｒ ｐｒｉｃｉｎｇ ｓｔｒａｔｅｇｙ ｔｏ ｅｎｈａｎｃｅ ｐｌａｔｆｏｒｍｐｒｏｆｉｔ． Ｈｏｗｅｖｅｒ，ｔｈｅ ｂｌａｃｋｂｏｘ ｏｆ ｌａｄｄｅｒ ｐｒｉｃｉｎｇ ｓｔｒａｔｅｇｙａｆｆｅｃｔｉｎｇ ｐｌａｔｆｏｒｍｐｒｏｆｉｔ ｈａｓ ｎｏｔ ｂｅｅｎｏｐｅｎｅｄｄｕｅ ｔｏ ｔｈｅ ｎｅｇｌｅｃｔ ｏｆ ｔｈｅ ｒｏｌｅ ｏｆ ｐｌａｔｆｏｒｍｕｓｅｒ ｓｃａｌｅ ｉｎｔｈｅ ｐｒｅｖｉｏｕｓ ｗｏｒｋ．Ｃｏｍｂｉｎｅｄｗｉｔｈｔｈｅｃａｌｃｕｌａｔｉｏｎｒｕｌｅｓｏｆ ｐｌａｔｆｏｒｍｐｒｏｆｉｔ，ｉｔ ｃａｎｂｅｋｎｏｗｎｔｈａｔ ｔｈｅｉｍｐａｃｔ ｏｆ ｔｈｅｌａｄｄｅｒ ｐｒｉｃｉｎｇｓｔｒａｔｅｇｙｏｎｐｌａｔｆｏｒｍｐｒｏｆｉｔ ｉｓ ｃｏｍｐｌｅｔｅｄｂｙ ｔｈｅ ｌａｄｄｅｒ ｐｒｉｃｉｎｇ ｓｔｒａｔｅｇｙ ａｎｄｐｌａｔｆｏｒｍｕｓｅｒ ｓｃａｌｅ． Ｂｅｆｏｒｅ ｄｅｌｉｂｅｒａｔｉｎｇ ｔｈｅ ｉｍｐａｃｔ ｏｆ ｔｈｅｌａｄｄｅｒ ｐｒｉｃｉｎｇ ｓｔｒａｔｅｇｙ ｏｎｐｌａｔｆｏｒｍｐｒｏｆｉｔ，ｗｅ ｓｈｏｕｌｄｉｎｖｅｓｔｉｇａｔｅ ｔｈｅ ｉｎｆｌｕｅｎｃｅ ｍｅｃｈａｎｉｓｍｏｆ ｔｈｅ ｌａｄｄｅｒ ｐｒｉｃｉｎｇ ｓｔｒａｔｅｇｙ ｏｎｔｈｅ ｐｌａｔｆｏｒｍｕｓｅｒ ｓｃａｌｅ． Ａｃｃｏｒｄｉｎｇｌｙ，ｏｕｒ ｗｏｒｋｆｏｃｕｓｅｓ ｏｎｈｏｗｔｈｅ ｌａｄｄｅｒ ｐｒｉｃｉｎｇ ｓｔｒａｔｅｇｙ ｈｅｌｐｓ ｔｈｅ Ｉｎｔｅｒｎｅｔ ｐｌａｔｆｏｒｍｔｏｏｂｔａｉｎｐｌａｔｆｏｒｍｕｓｅｒ ｓｃａｌｅ． Ｗｅ ｒｅｖｉｅｗｔｈｅ ｔｈｅｏｒｅｔｉｃａｌ ｅｖｏｌｕｔｉｏｎｏｆ ｔｈｅｌａｄｄｅｒ ｐｒｉｃｉｎｇｓｔｒａｔｅｇｙ，ａｎｄｉｎｖｅｓｔｉｇａｔｅｉｔｓｔｈｅｏｒｅｔｉｃａｌｂｏｕｎｄａｒｉｅｓ ａｎｄｕｎｉｑｕｅｎｅｓｓ． Ｃｏｍｂｉｎｉｎｇ ｔｈｅ ｔｗｏ ｉｎｆｌｕｅｎｃｅ ｆａｃｔｏｒｓ ｏｆ ｃｏｎｓｕｍｅｒ ｐｕｒｃｈａｓｅ ｄｅｃｉｓｉｏｎｓ，ｉ． ｅ．，ｃｏｍｍｏｄｉｔｙ ｐｒｉｃｅａｎｄｑｕａｌｉｔｙ， ｗｅ ｅｘａｍｉｎｅ ｔｈｅ ｉｎｄｕｓｔｒｉａｌ ｐｒａｃｔｉｃｅ ｂａｓｉｓ ｏｆ ｔｈｅ ｌａｄｄｅｒ ｐｒｉｃｉｎｇ ｓｔｒａｔｅｇｙ ａｎｄ ｐｕｔ ｆｏｒｗａｒｄ ｔｈｒｅｅ ｔｈｅｏｒｅｔｉｃａｌｈｙｐｏｔｈｅｓｅｓ． Ｆｕｒｔｈｅｒｍｏｒｅ， ｓｔａｔｉｓｔｉｃａｌ ａｎａｌｙｓｉｓ ｍｏｄｅｌｓ ｓｕｃｈ ａｓ ｔｈｅ ｃｏｎｄｉｔｉｏｎａｌ ｉｎｆｅｒｅｎｃｅ ｔｒｅｅ ｍｏｄｅｌ ａｒｅ ｕｓｅｄ ｔｏ ｔｅｓｔｈｙｐｏｔｈｅｓｅｓ． Ｔｈｅｓａｍｐｌｅｃｏｎｓｉｓｔｓｏｆ ｔｈｅｃｏｎｓｕｍｅｒ⁃ｌｅｖｅｌ ａｇｇｒｅｇａｔｅｄａｔａｃｒａｗｌｅｄｆｒｏｍｔｈｅＭｅｉｔｕａｎＴａｋｅａｗａｙＰｌａｔｆｏｒｍｉｎＣｈｉｎａｗｉｔｈＰｙｔｈｏｎ． Ｗｅ ｄｒａｗｔｈｅ ｆｏｌｌｏｗｉｎｇ ｃｏｎｃｌｕｓｉｏｎｓ．Ｆｉｒｓｔｌｙ，ｔｈｅ ｌａｄｄｅｒ ｐｒｉｃｉｎｇ ｓｔｒａｔｅｇｙ ｈａｓ ｄｉｆｆｅｒｅｎｔ ｔｈｅｏｒｅｔｉｃａｌ ｂｏｕｎｄａｒｉｅｓ ａｎｄ ｕｎｉｑｕｅｎｅｓｓ ｆｒｏｍｔｈｅ ｐｒｅｖｉｏｕｓ ｐｒｉｃｉｎｇｓｔｒａｔｅｇｉｅｓ ｆｏｒ Ｉｎｔｅｒｎｅｔ ｐｌａｔｆｏｒｍｓ． Ｔｈｅ ｅｍｐｉｒｉｃａｌ ｃｏｎｃｌｕｓｉｏｎｓ ｄｉｓｐｌａｙ ｔｈａｔ ｂｏｔｈｔｈｅ ｐｒｉｃｅ ｅｌａｓｔｉｃｉｔｙ ｏｆ ｄｅｍａｎｄｔｈｅｏｒｙ ａｎｄｔｈｅｐｌａｔｆｏｒｍｐｒｉｃｅ ｄｉｓｃｒｉｍｉｎａｔｉｏｎｔｈｅｏｒｙ ｌａｃｋｔｈｅｏｒｅｔｉｃａｌ ｃｏｍｐａｔｉｂｉｌｉｔｙ ｗｉｔｈｔｈｅ ｌａｄｄｅｒ ｐｒｉｃｉｎｇ ｓｔｒａｔｅｇｙ． Ｏｎｔｈｅ ｏｎｅ ｈａｎｄ，ｔｈｅｃｏｎｄｉｔｉｏｎｆｏｒ ｔｈｅ ｉｍｐｌｅｍｅｎｔａｔｉｏｎ ｏｆ ｔｈｅ ｌａｄｄｅｒ ｐｒｉｃｉｎｇ ｓｔｒａｔｅｇｙ ｉｓ ｃｏｍｐｌｅｔｅ ｉｎｆｏｒｍａｔｉｏｎ ａｓｙｍｍｅｔｒｙ ｂｅｔｗｅｅｎ ｔｈｅ Ｉｎｔｅｒｎｅｔｐｌａｔｆｏｒｍａｎｄｃｏｎｓｕｍｅｒｓ， ｗｈｉｃｈ ｉｓ ｄｉｆｆｅｒｅｎｔ ｆｒｏｍｉｎｃｏｍｐｌｅｔｅ ｉｎｆｏｒｍａｔｉｏｎ ａｓｙｍｍｅｔｒｙ ｆｏｒ ｔｈｅ ｐｌａｔｆｏｒｍｐｒｉｃｅ ｄｉｓｃｒｉｍｉｎａｔｉｏｎｔｈｅｏｒｙ ａｎｄｎｏ ｉｎｆｏｒｍａｔｉｏｎａｄｖａｎｔａｇｅ ｆｏｒ ｔｈｅ ｐｒｉｃｅ ｅｌａｓｔｉｃｉｔｙ ｏｆ ｄｅｍａｎｄｔｈｅｏｒｙ． Ｏｎｔｈｅ ｏｔｈｅｒ ｈａｎｄ，ｕｎｄｅｒ ｔｈｅ ｌａｄｄｅｒ ｐｒｉｃｉｎｇｓｔｒａｔｅｇｙ，ｔｈｅｐｒｉｃｅｄｉｓｔｒｉｂｕｔｉｏｎｉｓｈｉｇｈｌｙｄｉｓｃｒｅｔｅａｎｄｔｈｅｐｒｉｃｅｒｉｓｅｓｅｑｕｉｄｉｓｔａｎｔｌｙ，ｗｈｉｃｈａｒｅａｌｓｏｄｉｆｆｅｒｅｎｔ ｆｒｏｍｔｈｅｏｔｈｅｒ ｔｗｏｔｈｅｏｒｉｅｓ．Ｓｅｃｏｎｄｌｙ，ｗｉｔｈｔｈｅ ｉｎｆｏｒｍａｔｉｏｎａｓｙｍｍｅｔｒｙ，ｔｈｅ ｌａｄｄｅｒ ｐｒｉｃｉｎｇ ｓｔｒａｔｅｇｙ ｃａｎｇｒｏｕｐｃｏｎｓｕｍｅｒｓ ｉｎｄｉｖｉｄｕａｌｌｙ，ｗｈｉｃｈｐｌａｙｓａｎｉｍｐｏｒｔａｎｔ ｒｏｌｅ ｉｎｍａｉｎｔａｉｎｉｎｇ ｐｌａｔｆｏｒｍｕｓｅｒ ｓｃａｌｅ ａｎｄｅｎｈａｎｃｅｓ ｔｈｅ ｌｏｎｇ⁃ｔｅｒｍｂａｓｉｓ ｏｆ ｐｌａｔｆｏｒｍｐｒｏｆｉｔ． Ｔａｋｉｎｇ ｔｈｅ ｏｎｌｉｎｅｔａｋｅａｗａｙ ｐｌａｔｆｏｒｍｓ ｆｏｒ ｅｘａｍｐｌｅ， ｔｈｅ ｌａｄｄｅｒ ｐｒｉｃｉｎｇ ｓｔｒａｔｅｇｙ ｄｉｖｉｄｅｓ ｃｏｎｓｕｍｅｒｓ ｉｎｔｏ ｇｒｏｕｐｓ ｏｆ ｐｌａｔｆｏｒｍｕｓｅｒｓ ｗｈｏ ｅｎｊｏｙｄｉｆｆｅｒｅｎｔ ｐｒｉｃｅｓ，ｉ． ｅ．，ｚｅｒｏ ｐｒｉｃｅ ｇｒｏｕｐ，ｓｙｍｂｏｌｉｃ ｐｒｉｃｅ ｇｒｏｕｐ，ａｎｄｐｒｏｆｉｔａｂｌｅ ｐｒｉｃｅ ｇｒｏｕｐ，ｒｅｓｐｅｃｔｉｖｅｌｙ． Ｓｐｅｃｉｆｉｃａｌｌｙ，ｔｈｅｚｅｒｏ ｐｒｉｃｅ ｇｒｏｕｐｉｓ ｔｈｅ ｍｏｓｔ ａｔｔｒａｃｔｉｖｅ ｔｏ ｃｏｎｓｕｍｅｒｓｂｅｃａｕｓｅｃｏｎｓｕｍｅｒｓｅｎｊｏｙｐｌａｔｆｏｒｍｄｅｌｉｖｅｒｙｓｅｒｖｉｃｅｗｉｔｈｏｕｔ ｐａｙｉｎｇｆｅｅｓ．Ｔｈｅ ｓｙｍｂｏｌｉｃ ｐｒｉｃｅ ｇｒｏｕｐｍａｉｎｔａｉｎｓ ｃｏｎｓｕｍｅｒ ｐｒｅｆｅｒｅｎｃｅｓ ｗｉｔｈｏｕｔ ｄｅｅｐｌｙ ｒａｋｉｎｇ ｉｎｃｏｎｓｕｍｅｒ ｓｕｒｐｌｕｓ． Ｔｈｅ ｐｒｏｆｉｔａｂｌｅ ｐｒｉｃｅｇｒｏｕｐｗｉｌｌ ｒａｋｅ ｉｎｃｏｎｓｕｍｅｒ ｓｕｒｐｌｕｓ ｔｏ ｔｈｅ ｍａｘｉｍｕｍｅｘｔｅｎｔ ａｎｄｅｎａｂｌｅ Ｉｎｔｅｒｎｅｔ ｐｌａｔｆｏｒｍｓ ｔｏ ｏｂｔａｉｎｐｌａｔｆｏｒｍｐｒｏｆｉｔ．Ｔｈｉｒｄｌｙ，ｔｈｅ ｌａｄｄｅｒ ｐｒｉｃｉｎｇ ｓｔｒａｔｅｇｙ ｉｓ ｓｅｔ ｏｎｔｈｅ ｐｌａｔｆｏｒｍｓｅｒｖｉｃｅ ｑｕａｌｉｔｙ，ｅｓｐｅｃｉａｌｌｙ ｔｈｅ ｓｕｂｊｅｃｔｉｖｅ ｓｅｒｖｉｃｅ ｑｕａｌｉｔｙ ｏｆｃｏｎｓｕｍｅｒｓ． Ｉｎｏｔｈｅｒ ｗｏｒｄｓ，ｔｈｅ ｉｎｄｕｓｔｒｉａｌ ｐｒａｃｔｉｃｅ ｂａｓｉｓ ｏｆ ｔｈｅ ｌａｄｄｅｒ ｐｒｉｃｉｎｇ ｓｔｒａｔｅｇｙ ｉｓ ｔｈｅ ｓｕｂｊｅｃｔｉｖｅ ｓｅｒｖｉｃｅ ｑｕａｌｉｔｙ ｏｆｃｏｎｓｕｍｅｒｓ． Ｍｏｒｅｏｖｅｒ，ｔｈｅ ｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎｔｈｅ ｌａｄｄｅｒ ｐｒｉｃｉｎｇ ｓｔｒａｔｅｇｙ ａｎｄｐｌａｔｆｏｒｍｓｅｒｖｉｃｅ ｑｕａｌｉｔｙ ｉｓ ｃｌａｒｉｆｉｅｄ． Ａｎｄｔｈｅｎｏｕｒ ｗｏｒｋｖｅｒｉｆｉｅｓ ｔｈｉｓ ｌｏｇｉｃａｌ ｒｅｌａｔｉｏｎｓｈｉｐｂｙ ｃｏｎｓｔｒｕｃｔｉｎｇ ａ ｎｅｗｖａｒｉａｂｌｅ （ｉ． ｅ．，ｃｏｎｓｕｍｅｒ ｕｔｉｌｉｔｙ） ｔｈａｔ ｉｎｄｉｃａｔｅｓ ｔｈｅｕｎｄｅｒｌｙｉｎｇ ｌｏｇｉｃ ｏｆ ｃｏｎｓｕｍｅｒ ｐｕｒｃｈａｓｅｄｅｃｉｓｉｏｎｓ． Ｗｅｆｉｎｄｔｈａｔ （ａ）ｔｈｅｓｕｂｊｅｃｔｉｖｅｓｅｒｖｉｃｅｑｕａｌｉｔｙｏｆ ｃｏｎｓｕｍｅｒｓｃａｎｐｒｏｍｏｔｅｐｏｓｉｔｉｖｅｌｙｐｌａｔｆｏｒｍｕｓｅｒ ｓｃａｌｅ；（ｂ）ｔｈｅｃｏｎｓｕｍｅｒ ｕｔｉｌｉｔｙａｌｓｏａｓｓｉｓｔｓｔｈｅＩｎｔｅｒｎｅｔ ｐｌａｔｆｏｒｍｉｎｏｂｔａｉｎｉｎｇｐｌａｔｆｏｒｍｕｓｅｒ ｓｃａｌｅｉｎｔｈｅ ｓａｍｅ ｄｉｒｅｃｔｉｏｎ．Ｋｅｙｗｏｒｄｓ：Ｉｎｔｅｒｎｅｔ ＰｌａｔｆｏｒｍＦｉｒｍ；Ｌａｄｄｅｒ Ｐｒｉｃｉｎｇ Ｓｔｒａｔｅｇｙ；ＰｌａｔｆｏｒｍＵｓｅｒ Ｓｃａｌｅ；Ｏｎｌｉｎｅ Ｔａｋｅａｗａｙ ＩｎｄｕｓｔｒｙＪＥＬＣｌａｓｓｉｆｉｃａｔｉｏｎ：Ｄ２２，Ｋ２１，Ｌ４３，Ｌ５１（责任编辑：陈小亮）（校对：曹　 帅）１ ０ １２０２３年第６期