在线点评场景中考虑消费者损失厌恶的动态定价

doi:10.16381/j.cnki.issn1003-207x.2023.0375

摘要/Abstract

摘要：

消费者普遍存在损失厌恶的心理，往往不愿意购买质量不确定的新商品。在购买商品前，消费者可以通过浏览点评平台展示的商品评分信息，对商品质量形成更明确的认知，从而减轻损失厌恶的影响。消费者在购买及使用后，又可能回到点评平台上给出评分。在考虑消费者损失厌恶的在线点评场景下，本文构建了一个垄断企业多阶段的动态定价模型。企业需要通过动态调整价格，在赚取更高的当期收益与更快积累评分信息之间取得平衡，从而获取最大化收益。在建立原始问题后，基于流体近似方法进行了确定性处理，从中找到了渐进最优的定价策略，并讨论了消费者损失厌恶的引入对定价造成的影响。最后，基于真实数据的数值实验，验证了模型的合理性及算法的有效性。

关键词: 损失厌恶, 在线点评, 动态定价, 流体近似

Abstract:

Consumers are generally loss averse and are often reluctant to purchase emerging goods of uncertain quality. Before purchasing a good， consumers may browse the rating information displayed on the review platform to form a clearer perception of the quality of the good， mitigating the impact of loss aversion. Then， after purchase and use， consumers may return to the review platform to give their ratings. A multi-stage dynamic pricing model is constructed for a monopoly firm under the online review scenario that considers consumers' loss aversion. The firm maximizes its revenue by dynamically adjusting its price to balance earning higher current revenue and accumulating rating information more quickly. Due to the complex inter-period impacts of pricing and the stochastic and non-linear properties of the evolution process of the state variables， the exact optimal strategy for the problem is difficult to find. Therefore， a deterministic treatment based on the fluid approximation method is carried out， from which a pricing strategy with asymptotic optimality is found. Furthermore， the impact of consumer loss aversion on pricing is discussed. Finally， the effectiveness of the policy is verified through numerical experiments based on real data from Amazon. The experimental results find that the dynamic price strategy can enhance revenue by about 10% compared to the fixed price strategy. On the basis of the dynamic price strategy， further adding the portrayal and treatment of consumer loss aversion can further enhance revenue by about 1%. In addition， the dynamic fluid matching strategy proposed in this paper has the form of a semi-closed solution and thus has the advantage of high computational efficiency. It contributes both in theory and application. In theory， it is proved that the pricing strategy based on the fluid approximation method is asymptotically optimal. In terms of application， the results of this paper can provide guiding suggestions on pricing for related firms.

Key words: loss aversion, online reviews, dynamic pricing, fluid approximation

中图分类号:

F274

汪潇,杨超林. 在线点评场景中考虑消费者损失厌恶的动态定价[J]. 中国管理科学, 2025, 33(12): 253-263.

Xiao Wang,Chaolin Yang. Dynamic Pricing with Consumer Loss Aversion and Online Reviews[J]. Chinese Journal of Management Science, 2025, 33(12): 253-263.

图/表 9

表1

参数设置"

参数		情形(a)	情形(b)	情形(c)	情形(d)
是否存在损失厌恶		×	√	×	√
消费者对质量的先验认知		高估	高估	低估	低估
消费者先验认知的均值	$μ 0$	10	10	6	6
消费者损失厌恶系数	$k$	0	2	0	2
评分的均分	$μ$	8
消费者先验认知的标准差	$σ 0$	1
消费者学习速率	$γ$	1
需求函数截距项	$β$	-1
需求函数价格系数项	$α$	0.1
购买后填写评分的概率	$u$	1
消费者总数	$T$	40

表1

图1

表2

参数设置"

参数		情形(a)	情形(b)	情形(c)
消费者对质量的先验认知		无偏	高估	低估
消费者先验认知的均值	$μ 0$	8	10	6

表2

图2

表3

表4

表5

四种算法设定汇总"

算法缩写	价格是否可变	是否将损失厌恶纳入算法
$F N$	固定	否
$D N$	浮动	否
$D Y$	浮动	是

表5

表6

不同算法的收益比较"

算法	$D N$	$D Y$
最小值	0.853	0.871
第一四分位数	1.006	1.007
中位数	1.029	1.057
第三四分位数	1.186	1.225
最大值	2.065	2.068
平均值	1.147	1.156
标准差	0.247	0.233

表6

图3

参考文献 30

[1]	Simonson I， Rosen E. What marketers misunderstand about online reviews［J］. Harvard Business Review， 2014， 92（1-2）： 23-25.
[2]	美团.投资者关系［EB/OL］.（2022-11-25）［2023-03-06］..
	Meituan.Investor relations［EB/OL］.（2022-11-25）［2023-03-06］..
[3]	Jones Q， Ravid G， Rafaeli S. Information overload and the message dynamics of online interaction spaces： A theoretical model and empirical exploration［J］. Information Systems Research， 2004， 15（2）： 194-210.
[4]	Kahneman D， Tversky A. Prospect theory： An analysis of decision under risk［J］. Econometrica， 1979， 47（2）： 263-292.
[5]	Yates J F. Risk-taking behavior［M］. New York： Wiley， 1992.
[6]	刘欢，梁竹苑，李纾. 得失程数的变化：损失规避现象的新视点［J］. 心理学报， 2009， 41（12）： 1123-1132.
	Liu H， Liang Z Y， Li S. Is loss aversion a robust effect an uneven route of seeing that losses loom larger than the same amount of gains［J］. Acta Psychologica Sinica， 2009， 41（12）： 1123-1132.
[7]	Abdellaoui M， Bleichrodt H， Paraschiv C. Loss aversion under prospect theory： A parameter-free measurement［J］. Management Science， 2007， 53（10）： 1659-1674.
[8]	Harrison G W， Moritz S， Pibernik R. How does the risk attitude of a purchasing manager affect the selection of suppliers？［J］. European Business School Research Paper， 2009 （09-10）.
[9]	Zhang J， Li K J. Quality disclosure under consumer loss aversion［J］. Management Science， 2021， 67（8）： 5052-5069.
[10]	扈衷权，冯平平，温浩宇，等. 基于期望损失厌恶的供应链期权契约协调研究［J］. 运筹与管理， 2022， 31（7）： 71-78.
	Hu Z Q， Feng P P， Wen H Y， et al. Supply chain coordination with option contracts based on expectation-based loss-aversion［J］. Operations Research and Management Science， 2022， 31（7）： 71-78.
[11]	Kim S H， Lee J. Firm behavior under consumer loss aversion［J］. Seoul Journal of Economics， 2014， 27： 171-186.
[12]	杨光，刘新旺，秦晋栋. 基于消费者损失效用的概率销售策略研究［J］. 中国管理科学， 2020， 28（7）： 146-155.
	Yang G， Liu X W， Qin J D. Probabilistic selling policy based on consumers’ loss utility［J］. Chinese Journal of Management Science， 2020， 28（7）： 146-155.
[13]	王竟竟，许民利. 考虑消费者损失规避行为的“互联网+”回收平台定价决策研究［J］. 管理工程学报， 2022， 36（6）： 106-116.
	Wang J J， Xu M L. Pricing decision for the ‘Internet +’ recycling platform considering consumer loss aversion［J］. Journal of Industrial Engineering and Engineering Management， 2022， 36（6）： 106-116.
[14]	胡娇，李莉，张华，等. 考虑参照效应和主播影响力的网络直播平台动态定价决策［J］. 系统工程理论与实践， 2022， 42（3）： 755-766.
	Hu J， Li L， Zhang H， et al. Dynamic pricing strategies for live broadcast platform considering reference effect and anchor influence［J］. Systems Engineering-Theory & Practice， 2022， 42（3）： 755-766.
[15]	罗子灿，沈厚才，欧阳建军. 消费者短视和以旧换新情形下设计架构与定价策略研究［J］. 管理工程学报， 2020， 34（2）： 213-223.
	Luo Z C， Shen H C， Ouyang J J. Research on product architecture and pricing strategy with myopic consumers and trade-ins［J］. Journal of Industrial Engineering and Engineering Management， 2020， 34（2）： 213-223.
[16]	刘海英，毕文杰. 考虑消费者参照效应与策略行为的多产品动态定价［J］. 中国管理科学， 2022， 30（1）： 136-142+289.
	Liu H Y， Bi W J. Optimal dynamic pricing for multi-products with consumers’ reference effects and strategic behavior［J］. Chinese Journal of Management Science， 2022， 30（1）： 136-142+289.
[17]	周建亨，李晴晴，徐孝蕾，等. 引入策略型消费者遗憾心理的时尚产品定价策略［J］. 中国管理科学， 2022， 30（11）： 117-126.
	Zhou J H， Li Q Q， Xu X L， et al. Pricing strategy of fashion products by introducing strategic consumer regret psychology［J］. Chinese Journal of Management Science， 2022， 30（11）： 117-126.
[18]	Crapis D， Ifrach B， Maglaras C， et al. Monopoly pricing in the presence of social learning［J］. Management Science， 2017， 63（11）： 3586-3608.
[19]	Papanastasiou Y， Savva N. Dynamic pricing in the presence of social learning and strategic consumers［J］. Management Science， 2017， 63（4）： 919-939.
[20]	He Q C， Chen Y J. Dynamic pricing of electronic products with consumer reviews［J］. Omega， 2018， 80： 123-134.
[21]	刘征驰，马滔，叶宇阳. 隐匿价值、社群学习与知识付费动态定价［J］.中国管理科学，2022，30（6）： 244-253.
	Liu Z C， Ma T， Ye Y Y. Concealed value， community learning and dynamic pricing of knowledge payment［J］. Chinese Journal of Management Science， 2022， 30（6）： 244-253.
[22]	Ma Q， Shou B， Huang J， et al. Dynamic pricing in the presence of participation-dependent social learning［C］//Proceedings of the Eighteenth ACM International Symposium on Mobile Ad Hoc Networking and Computing，Los Angeles， CA， USA，June 26-29， ACM， 2018： 101-110.
[23]	Makhdoumi A， Malekian A， Ozdaglar A. Strategic dynamic pricing with network effects［EB/OL］. （2018-06-26）［2023-03-06］..
[24]	Shin D， Vaccari S， Zeevi A. Dynamic pricing with online reviews［J］. Management Science， 2023， 69（2）： 824-845.
[25]	Gallego G， van Ryzin G. Optimal dynamic pricing of inventories with stochastic demand over finite horizons［J］. Management Science， 1994， 40（8）： 999-1020.
[26]	Cooper W L. Asymptotic behavior of an allocation policy for revenue management［J］. Operations Research， 2002， 50（4）： 720-727.
[27]	Shin D， Vaccari S， Zeevi A. Dynamic pricing with online reviews［EB/OL］.（2021-11-29）［2023-03-06］..
[28]	Schnapp M， Allwine T. Mining of book data from Amazon.com.［EB/OL］.（2001-06-20）［2023-03-06］..
[29]	The ecommerce quarterly benchmark report for Q 3 2016 \| research from monetate［EB/OL］. （2016-10-28）［2023-03-06］. .
[30]	Ferdman R A. Amazon changes its prices more than 2.5 million times a day［EB/OL］.（2022-07-21）［2023-03-06］..

模型序号	转化率(CR)
模型序号	1%	2%	3%	4%	5%
1	0.752	0.765	0.776	0.785	0.798
2	0.420	0.571	0.630	0.673	0.703
3	0.711	0.728	0.731	0.742	0.741
4	0.456	0.579	0.652	0.674	0.68
5	0.440	0.443	0.445	0.448	0.450
6	0.384	0.398	0.388	0.396	0.397