基于需求学习的数字化鲜活品拍卖平台批量优化策略研究

doi:10.16381/j.cnki.issn1003-207x.2022.1410

摘要/Abstract

摘要：

由于鲜活品市场具有供需波动大、交易量大和时效性强等特点，导致不同参拍批量与顺序下的拍品成交价格相差较大，拍卖平台收益难以从整体上达到最优。实践中，拍卖平台采用基于拍卖师个人经验的固化参拍计划决策，难以适应需求信息未知且动态变化的复杂情形。本文从拍卖平台视角，探究如何动态调整拍卖批量从而提升拍卖平台的长期总收益。首先，分析竞拍者之间博弈对均衡竞价的影响，得出给定拍卖批量下的竞拍者均衡竞价策略；随后，基于特定竞拍者估价分布和需求分布，建立拍卖平台的单阶段收益函数；最后，基于需求信息逐步揭示学习，建立基于贝叶斯-马尔科夫决策过程的多阶段收益优化模型，应用滚动时域在线优化方法求解该模型。通过大量数值实验，获得的管理启示为：（1）基于需求信息的不断更新学习，通过动态设定合适的拍卖批量，可以有效提升拍卖收益，尤其在供过于求和需求季节性波动的时期。（2）在初始信念与真实分布差距相同时，需求被低估下进行信息学习的收益提升比例高于需求被高估下进行信息学习的收益提升比例。因此，当拍卖平台难以预测需求时，低估需求下的决策要优于高估需求下的决策。（3）拍卖平台可以通过同时动态调节最优拍卖总阶段、最优保留价、最优拍卖批量来提升总收益。

关键词: 多物品序贯拍卖, 拍卖变量决策, 需求学习, 贝叶斯-马尔科夫决策过程

Abstract:

Due to the characteristics of large fluctuations in supply and demand， large transaction volume and strong timeliness in the fresh product market， the transaction prices of the auction items under different auction batches and sequences are quite different， and it is difficult for the auction platform to achieve the optimal revenue. In practice， the auction platform adopts a solidified auction plan decision based on the auctioneer's personal experience， which is difficult to adapt to complex situations where demand information is unknown and dynamically changing. From the perspective of the auction platform， this article explores how to dynamically adjust the auction batch to improve the long-term total revenue of the auction platform. Firstly， the influence of the game between bidders on the equilibrium bidding is analyzed， and the equilibrium bidding strategy of the bidders under the given auction batch is obtained； secondly， based on the price distribution and demand distribution of specific bidders， the single-stage revenue function of the auction platform is established； finally， a multi-stage revenue optimization model based on Bayesian-Markov decision process is built while dynamically learning demand signal. The online rolling horizon optimization method is applied to solve the model. Through a large number of numerical experiments， the management inspirations are obtained as follows：（1） Based on the continuous updating and learning of demand information， the auction revenue can be effectively improved by dynamically setting the appropriate auction batch， especially in the period of oversupply and seasonal fluctuation of demand；（2） When the gap between the initial belief and the true distribution is the same， the benefit of information learning under underestimated demand is higher than that of information learning under overestimated demand. Therefore， when it is difficult to predict the demand， the decision made by auction platform under the underestimated demand is better than the overestimated demand；（3） The auction platform can dynamically configure the optimal total auction stage， the optimal reserve price， and the optimal auction batch simultaneously to increase total revenue of auction platform.

Key words: multi-item sequential auction, auction variable decision, demand learning, Bayesian-Markov decision process

中图分类号:

F713.359

孔祥天瑞, 龙艳红, 于凯泽, 弋泽龙, 晏鹏宇. 基于需求学习的数字化鲜活品拍卖平台批量优化策略研究[J]. 中国管理科学, 2025, 33(6): 222-232.

Xiangtianrui Kong, Yanhong Long, Kaize Yu, Zelong Yi, Pengyu Yan. Optimal Lot-sizing for Digital Perishable Auction Platform with Demand Learning[J]. Chinese Journal of Management Science, 2025, 33(6): 222-232.

图/表 8

图1

表1

参数及决策变量"

符号	说明
t	拍卖场次，t=1,2,…,T
$N t$	t场次拍卖开始前商品剩余量
$v ¯$	起拍价
$v ̲$	保留价
$v j$	竞拍者 $j$ 对商品的估价
$F (∙)$	竞拍者的估价累积分布
$f (∙)$	竞拍者的估价概率分布
$k t$	即t场次拍卖的参拍人数，服从参泊松分布
$λ t$	t场次拍卖开始前拍卖平台对竞拍者到达人数所服从泊松分布参数的估计
$b j t$	竞拍者 $j$ 在 $t$ 场次的意愿竞价
$b (x t, k t)$	$t$ 场次在 $k t$ 个竞价中第 $x t$ 大的意愿竞价
$v (x t, k t)$	$t$ 场次在 $k t$ 个竞价中第 $x t$ 大的估价
决策变量
$x t$	t场次供应的拍卖批量

表1

图2

图3

图4

图5

图6

图7

参考文献 29

1	Amorim P， Meyr H， Almeder C， et al. Managing perishability in production distribution planning： A discussion and review［J］. Flexible Services and Manufacturing Journal， 2013， 25（11）：389-413.
2	王晓华，尤阳阳. 美国，荷兰和日本鲜活农产品供应链管理及其启示［J］. 世界农业， 2015， 433（5）：38-43.
	Wang X H， You Y Y. The supply chain management for fresh produce in the United States， Netherlands and Japan and its insights［J］. World Agriculture， 2015， 433（5）：38-43.
3	高荣梅. 从昆明花拍看鲜切花产业变化与趋势［J］. 中国花卉园艺， 2020（11）：10-13.
	Gao R M. Changes and trends in the fresh cut flower industry from the Kunming flower auction［J］. China Flowers and Horticulture， 2020（11）：10-13.
4	李志鹏，黄河. 考虑再谈判的网上服务采购多属性拍卖研究［J］. 中国管理科学， 2020， 28（12）：184-195.
	Li Z P， Huang H. Multi-attribute auctions for online services procurement considering renegotiation［J］. Chinese Journal of Management Science， 2020， 28（12）：184-195.
5	Klemperer P. Auctions： Theory and practice［M］. Princeton： Princeton University Press， 2004.
6	黄河，陈剑，徐鸿雁. 多因素采购组合拍卖动态机制设计研究［J］. 中国管理科学， 2008， 16（1）：104-110.
	Huang H， Chen J， Xu H Y. Research on multi-attribute procurement combinatorial auction dynamic mechanism design［J］. Chinese Journal of Management Science， 2008， 16（1）：104-110.
7	Lu Y X， Gupta A， Ketter W， et al. Dynamic decision making in sequential business-to-business auctions： A structural econometric approach［J］. Management Science， 2019， 65（8）：3853-3876.
8	Said M. Auctions with dynamic populations： Efficiency and revenue maximization［J］. Journal of Economic Theory， 2012， 147（6）：2419-2438.
9	Pinker E J， Seidmann A， Vakrat Y. Managing online auctions： Current business and research issues［J］. Management Science， 2003， 49（11）：1457-1484.
10	Katok E， Alvin E. Auctions of homogeneous goods with increasing returns： Experimental comparison of alternative “Dutch” auctions［J］. Management Science， 2004， 50（8）：1044-1063.
11	冉茂盛，张世广，陈雪娥. 基于信号博弈的卖方欺诈行为分析［J］. 中国管理科学， 2021， 29（8）：195-205.
	Ran M S， Zhang S G， Chen X E. Analysis of vendor fraud based on single game［J］. Chinese Journal of Management Science， 2021， 29（8）：195-205.
12	Asker J， Fershtman C， Jeon J， et al. A computational framework for analyzing dynamic auctions： The market impact of information sharing［J］. The RAND Journal of Economics， 2020， 51（3）：805-839.
13	周正龙，马本江，胡凤英.随机需求条件下的P2P网络借贷拍卖机制［J］.中国管理科学，2018，26（5）：21-30.
	Zhou Z L， Ma B J， Hu F Y. Auctions for online Peer-to-Peer lending under stochastic demand［J］. Chinese Journal of Management Science， 2018， 26（5）：21-30.
14	Buchanan J A， Gjerstad S， Porter D. Information effects in multi-unit Dutch auctions［J］. Southern Economic Journal， 2016， 83（1）：126-145.
15	赵勇，陈阳，饶从军. 一种信息优势的比较和拍卖机制研究［J］. 管理科学学报， 2009， 12（6）：90-99.
	Zhao Y， Chen Y， Rao C J. Research on information superiority and auction mechanism［J］. Journal of Management Sciences in China， 2009， 12（6）：90-99.
16	刘树人，胡奇英. 库存／定价系统下的最优拍卖与订购［J］. 系统工程， 2007， 25（3）：123-126.
	Liu S R， Hu Q Y. Optimal auctioning and ordering in an inventory-pricing system［J］. Systems Engineering， 2007， 25（3）：123-126.
17	胡二琴，赵勇，陈莹. 序贯拍卖中报价排序信息披露的研究［J］. 系统工程学报， 2016， 31（3）：317-327.
	Hu E Q， Zhao Y， Chen Y. Study of bids’ ordinal ranks information disclosure in sequential auctions［J］. Journal of Systems Engineering， 2016， 31（3）：317-327.
18	Fluvia M， Garriga A， Rigall-I-Torrent R， et al. Buyer and seller behavior in fish markets organized as Dutch auctions： Evidence from a wholesale fish market in Southern Europe［J］. Fisheries Research， 2012， 127（9）：18-25.
19	Qiu H M， Zhu K， Luong N C， et al. Applications of auction and mechanism design in edge computing： A survey［J］. IEEE Transactions on Cognitive Communications and Networking， 2022， 8（2）：1034-1058.
20	Bapna R， Goes P， Gupta A， et al. Predicting bidders' willingness to pay in online multiunit ascending auctions： Analytical and empirical insights［J］. INFORMS Journal on Computing， 2008， 20（3）：345-355.
21	Tripathi A K， Nair S K， Karuga G G. Optimal lot sizing policies for sequential online auctions［J］. IEEE Transactions on Knowledge and Data Engineering， 2008， 21（4）：554-567.
22	Pinker E， Seidmann A， Vakrat Y. Using bid data for the management of sequential， multi-unit， online auctions with uniformly distributed bidder valuations［J］. European Journal of Operational Research， 2010， 202（2）：574-583.
23	Chen X， Ghate A， Tripathi A. Dynamic lot-sizing in sequential online retail auctions［J］. European Journal of Operational Research， 2011， 215（1）： 257-267.
24	Guerci E， Kirman A， Moulet S. Learning to bid in sequential Dutch auctions［J］. Journal of Economic Dynamics and Control， 2014， 48： 374-393.
25	Macchiavello R， Morjaria A. The value of relationships： Evidence from a supply shock to Kenyan rose exports［J］. American Economic Review， 2015， 105（9）： 2911-2945.
26	Gupta A， Ketter W， Van E H， et al. Real-time support for auctioneers to determine optimal clock start for multi-unit sequential Dutch auctions［C］//Proceedings of 8th Workshop on eBusiness， Phoenix， Arizona， USA， December 15， 2009.
27	Salant D J， Cabral L. Sequential auctions and auction revenue［J］. Economics Letters， 2019， 176（3）：1-4.
28	Athey S， Haile P A. Identification of standard auction models［J］. Econometrica， 2002， 70（6）： 2107-2140.
29	White D J， Yu P L. Mean， variance， and probabilistic criteria in finite Markov decision processes： A review［J］. Journal of Optimization Theory and Applications， 1988， 56（1）：1-2.