第 6 章 平台设计

提示🎧 本章配套播客

前几章我们讨论了平台如何通过价格策略管理用户参与。但价格只是平台工具箱中的一部分。现实中，平台还要决定：允许多少卖家入驻？如何设计推荐算法？是否公开价格信息？允许卖家进行个性化定价吗？这些非价格决策与价格策略相互交织，共同塑造着平台上的市场结构和竞争格局。

本章的核心观点是：平台不是被动的撮合者，而是市场的设计师。平台通过设计决策，内生地决定了网络效应的强度和方向。一个设计精良的推荐系统可以增强买家从卖家多样性中获得的收益；一个限制信息透明度的策略可以软化卖家竞争，提高平台利润。理解这些设计决策的经济逻辑，是把握平台商业模式的关键。

重要学习目标
  1. 理解 卖家竞争对平台定价和产品多样性的影响
  2. 掌握 Cournot 模型和 CES 垄断竞争模型分析卖家竞争的方法
  3. 分析 平台如何通过推荐系统、价格透明度等设计决策影响跨组网络效应
  4. 辨析 代理模式与批发模式的激励差异及 MFN 条款的竞争效应
  5. 评价 平台设计决策的社会福利含义

第6章思维导图

6.1 价格策略与网络收益

平台上的卖家之间存在竞争关系。更多的卖家意味着更丰富的产品选择，这对买家有利；但更多的卖家也意味着更激烈的竞争，这会压低每个卖家的利润。平台在决定让多少卖家入驻时，必须权衡这两种效应。

6.1.1 产品多样性与价格水平

卖家竞争的双重效应

基本框架

考虑一个连接 \(n_b\) 个买家和 \(n_s\) 个卖家的平台。每个买家对每个卖家有一单位的需求，但买家会在卖家之间进行比较和选择。

平台上的每笔交易都发生在一个买家和一个卖家之间。如果我们假设：（1）买家和卖家是匿名的、可替代的（对称性）；（2）每个卖家与每个买家的交易收益相互独立，那么，卖家的预期利润和买家的预期效用都可以分解为乘积形式：

\[ \pi(n_b, n_s) = n_b \tilde{\pi}(n_s) \tag{6.1} \]

\[ u(n_b, n_s) = n_s \tilde{u}(n_s) \tag{6.2} \]

其中，\(\tilde{\pi}(n_s)\) 是卖家从每个买家处获得的预期利润，\(\tilde{u}(n_s)\) 是买家从每个卖家处获得的预期效用。这个分解的关键在于：卖家的总利润正比于买家数量，而单位买家利润取决于卖家竞争强度（由 \(n_s\) 决定）。

这个分解揭示了卖家竞争的双重效应：

  1. 多样性效应：\(n_s \tilde{u}(n_s)\) 的第一项 \(n_s\) 表明，卖家数量本身就是买家的价值来源——更多选择意味着更高效用
  2. 竞争效应：\(\tilde{u}(n_s)\) 和 \(\tilde{\pi}(n_s)\) 通常随 \(n_s\) 递减——竞争越激烈，每笔交易创造的价值越低

卖家间的负向组内网络效应

从卖家角度看，更多同行意味着更激烈的竞争、更低的价格、更少的市场份额。这是典型的负向组内网络效应（Negative Within-Group Network Effects）。用数学语言表达：

\[ \frac{\partial \tilde{\pi}(n_s)}{\partial n_s} < 0 \]

平台必须把这种负向效应内化到决策中。如果平台向卖家收费，卖家数量减少会降低卖家侧的收入；但如果平台能从买家侧获取多样性带来的价值，减少卖家数量反而可能是有利的。

注记多样性权衡

经典产业组织理论告诉我们，自由进入市场中的产品多样性可能过度，因为新进入者只关心自己的利润，不考虑对现有厂商的负外部性。但在平台情境下，垄断平台会将这种负外部性内部化，反而可能导致多样性不足。这个反转是双边市场分析的重要洞见。

6.1.2 卖家竞争与平台定价

为了更精确地刻画卖家竞争的效应，我们分析两个经典模型。

差异化产品竞争模型

假设 \(n_s\) 个卖家在平台上销售差异化产品，采用价格竞争（Bertrand 竞争）。每个卖家 \(i\) 面对的需求函数为：

\[ q_i = 1 - p_i + \gamma \sum_{j \neq i} (p_j - p_i) \]

其中 \(\gamma \in [0, 1]\) 衡量产品之间的替代程度：\(\gamma = 0\) 时产品完全独立（垄断），\(\gamma = 1\) 时产品完全同质（Bertrand 悖论）。参数 \(\gamma\) 越大，卖家 \(i\) 的需求对其他卖家价格的敏感度越高，竞争越激烈。

在对称均衡中，每个卖家的利润为：

\[ \tilde{\pi}(n_s) = \frac{1}{[2 + \gamma(n_s - 1)]^2} \]

每个买家从每个卖家处获得的效用为：

\[ \tilde{u}(n_s) = \frac{1 + \gamma(n_s - 1)}{[2 + \gamma(n_s - 1)]^2} \]

买卖双方从每笔交易中获得的总价值为：

\[ \tilde{u}(n_s) + \tilde{\pi}(n_s) = \frac{2 + \gamma(n_s - 1)}{[2 + \gamma(n_s - 1)]^2} \]

关键观察是：当产品替代性更强（\(\gamma\) 更大）时，竞争更激烈，每笔交易的总价值更低。平台利润随之下降。

重要核心结论 1

如果买卖交易产生的总价值随卖家竞争强度递减，则平台的最大利润也随之递减。平台会选择吸引更少的卖家和买家，以避免过度竞争稀释交易价值。

CES 垄断竞争模型

另一个经典框架是 Dixit-Stiglitz 垄断竞争模型。假设买家对差异化产品有 CES（Constant Elasticity of Substitution, 常替代弹性）偏好，产品 \(j\) 的需求为：

\[ q(j) = \frac{p(j)^{-\frac{1}{1-\rho}} E}{\int_0^{n_s} p(i)^{-\frac{\rho}{1-\rho}} di} \]

其中 \(E\) 是买家的支出，\(\rho \in (0, 1)\) 决定产品间的替代弹性：\(\rho\) 越大，产品越相似，竞争越激烈。

在对称均衡中，每个卖家定价 \(p^* = 1/\rho\)，每个卖家的利润为：

\[ \tilde{\pi}(n_s) = \frac{1 - \rho}{\rho n_s} \]

每个买家从每个卖家处获得的效用为：

\[ \tilde{u}(n_s) = \frac{\rho^{\frac{\rho}{1-\rho}}}{n_s^{1-\rho}} \]

一个有趣的特殊情形是 \(\rho = 1/2\)：此时 \(\tilde{u}(n_s)\) 与 \(n_s\) 无关！买家从每个卖家处获得的效用不随卖家数量变化。这意味着增加卖家只有多样性的好处，没有竞争稀释的坏处。

第一步：从 CES 效用到需求函数

买家对 \(n_s\) 种差异化产品的 CES 效用函数为： \[U = \left[\int_0^{n_s} q(i)^{\rho} di\right]^{1/\rho}, \quad \rho \in (0,1)\]

在预算约束 \(\int_0^{n_s} p(i)q(i)di = E\) 下最优化，得到产品 \(j\) 的需求： \[q(j) = \frac{p(j)^{-\frac{1}{1-\rho}} E}{\int_0^{n_s} p(i)^{-\frac{\rho}{1-\rho}} di}\]

第二步：对称均衡定价

假设边际成本为 0，卖家 \(j\) 最大化利润 \(\pi(j) = p(j) \cdot q(j)\)。一阶条件给出： \[p^* = \frac{1}{\rho}\]

第三步：均衡下的利润和效用

将 \(p^* = 1/\rho\) 代入需求函数和利润函数，整理后得到每个卖家的利润： \[\tilde{\pi}(n_s) = \frac{1 - \rho}{\rho n_s}\]

买家从每个卖家处获得的效用（消费者剩余）为： \[\tilde{u}(n_s) = \frac{\rho^{\frac{\rho}{1-\rho}}}{n_s^{1-\rho}}\]

买卖双方从每笔交易获得的总价值为：

\[ \tilde{u}(n_s) + \tilde{\pi}(n_s) = \frac{\rho^{\frac{\rho}{1-\rho}}}{n_s^{1-\rho}} + \frac{1 - \rho}{\rho n_s} \]

当 \(\rho \geq 1/2\) 时，\(\tilde{u}'(n_s) + \tilde{\pi}'(n_s) < 0\)，即总价值随卖家数量递减。当 \(\rho < 1/2\) 时，这个导数可能为正，意味着增加卖家可以同时提高买家效用和卖家利润。

单边定价的局限

如果平台只能向卖家收费（无法向买家收费），会出现什么结果？

分析表明：平台会限制卖家进入，导致产品多样性低于社会最优。直觉是：平台无法从买家处提取多样性创造的价值，因此没有动力让更多卖家进入。

重要核心结论 2

只能向卖家收费的垄断平台会限制卖家进入，导致产品多样性低于社会计划者选择的水平。

现实中的例子是团购平台 Groupon：它只接受约 1/8 的商家申请，因为过多商家会稀释每个商家的曝光率和交易量，降低平台从商家处能收取的费用。

6.1.3 价格分散与信息披露

比价平台的悖论

互联网的一个承诺是消除信息不对称、降低价格分散。但实证研究发现，即使在比价网站上，同质商品的价格分散依然显著。

注记案例：Shopper.com 的价格分散

研究者分析了比价网站 Shopper.com 上的价格数据。对于标准化产品（如 CPU、显卡），当只有 2 个卖家时，最低价和次低价的差距可达 22%；当有 17 个卖家时，这个差距缩小到 3.5%。价格分散持续存在，尽管消费者可以一键比价。

Baye 和 Morgan（2001）提出了一个解释这种现象的模型。核心设定是：

  • 每个卖家在本地市场有一批忠诚顾客（不使用比价平台）
  • 部分消费者会使用比价平台，看到所有卖家的价格
  • 卖家需要支付费用才能在平台上展示价格

均衡分析

在这个环境下，纯策略均衡不存在。如果所有卖家都定低价，利润归零，有人会偏离去收割本地顾客；如果所有卖家都定高价，有人会偏离去抢平台上的比价消费者。均衡必然是混合策略——卖家在高价和低价之间随机化。

在 Baye-Morgan 模型中，均衡价格服从如下分布：

\[ F(p) = \left(\frac{p - c}{p}\right)^{1/(n_s - 1)} \]

其中 \(c\) 是边际成本，\(n_s\) 是平台上的卖家数量。价格分散的程度随卖家数量增加而减小，符合实证观察。

这解释了为什么价格分散持续存在：它不是市场失灵，而是均衡特征。卖家的随机化策略使得即使在比价平台上，消费者也无法预期所有卖家都定最低价。

比价平台一定有利于消费者吗？

一个反直觉的结果是：比价平台的存在可能损害消费者利益。

Ronayne（2015）的分析表明：如果在没有比价平台时，消费者已经可以方便地跨网站比价，那么引入比价平台反而会让消费者更差。原因是：

  1. 比价平台向卖家收费
  2. 这些费用会转嫁到零售价格中
  3. 如果消费者本来就能比价，平台增加的只是中介成本
警告何时比价平台有价值？

比价平台的价值来源于降低搜索成本。如果产品复杂、信息分散（如旅行产品），比价平台可以显著降低消费者的搜索成本，这时平台的价值为正。但如果产品标准化、信息容易获取，比价平台可能只是增加了一层不必要的中介。

实践中，消费者可以对比携程等平台价格与酒店官网价格，往往会发现直接预订更便宜——这正是比价平台作为中介增加成本的体现。

6.2 影响跨组网络效应的设计决策

平台的许多设计决策会影响跨组网络效应的强度。推荐系统决定了买家能否有效地找到匹配的卖家；价格透明度政策影响买家的搜索成本和卖家的定价空间；准入门槛决定了平台上的产品质量分布。这些决策本质上是在设计 \(\beta_b\) 和 \(\beta_s\) 的大小。

6.2.1 评级与推荐系统设计

信息认证的 Lizzeri 模型

平台控制着信息流动。它可以选择向买家披露多少关于卖家的信息。Lizzeri（1999）的经典分析揭示了一个令人意外的结论：

重要核心结论 3

Lizzeri（1999）证明：当平台向卖家收取认证费用、卖家质量类型连续分布且买家估值随质量单调递增时，追求利润最大化的垄断平台只会披露卖家是否达到最低质量门槛，而不会披露更精细的质量信息。

直觉是：完全披露质量信息会帮助高质量卖家脱颖而出，中低质量卖家失去市场。而平台为了最大化收费基础，宁愿用粗糙的认证（通过/不通过）来保护中低质量卖家——正是这些卖家愿意为平台背书支付费用。如果没有平台的信息遮蔽，他们根本卖不出去。

这解释了为什么很多平台的评级系统存在膨胀现象：Airbnb、Uber、外卖平台上的评分普遍偏高，低于 4 星的商家几乎无法生存。这不完全是用户评价习惯的问题，也是平台有意为之——精细区分高质量和中等质量对平台不利。

推荐系统偏见的三个来源

推荐系统偏见的三个来源

搜索和推荐是平台影响用户选择的核心工具。研究识别出推荐系统可能有偏的三个原因：

1. 利润差异

不同卖家给平台的佣金不同。如果卖家 A 支付 15% 佣金，卖家 B 支付 10%，平台有动力优先推荐 A，即使 B 对用户更合适。

2. 垂直整合

平台自己也卖东西时，有动力推自己的产品。这是欧盟对 Google Shopping 案的核心指控——Google 在搜索结果中系统性地偏袒自己的购物比价服务。

3. 软化竞争

这是最微妙的一个。如果推荐太精准，消费者能快速找到最匹配的产品，卖家之间的竞争就会非常激烈。平台可能故意降低推荐精度，让消费者看到更多不太相关的选项，从而软化卖家竞争、维持较高的价格水平。

重要核心结论 4

追求利润最大化的平台可能降低推荐系统的质量或提供有偏的推荐。这会减弱买家从卖家多样性中获得的收益，即降低跨组网络效应的强度。

部分整合的双刃剑

de Corniere 和 Taylor（2014）分析了垂直整合（平台收购某个卖家）对推荐偏见的影响。结论是：效果不确定。

如果整合前平台就已经偏向某个卖家（比如因为该卖家的广告与平台广告互补而非竞争），整合后偏见可能反而减少——因为平台现在关心整体用户体验，而非仅仅是搜索广告收入。

但如果整合前没有偏见，整合后就会产生偏见。

这个分析的政策含义是：不能简单地用整合来推定偏见。需要具体分析整合前的激励结构。

6.2.2 价格透明度

附加定价（Add-on Pricing）与行为偏误

卖家常常采用附加定价（Add-on Pricing）策略：基础产品标低价吸引顾客，再通过高价附加服务赚取利润。航空公司的选座费、行李费，电商的运费、保险，都是例子。

这种策略能够奏效，依赖于消费者的行为偏误：

  • 注意力有限：消费者比较基础价格时，可能忽略附加费用
  • 承诺问题：一旦投入时间选择了产品，消费者不愿因为附加费用而放弃
  • 低估使用率：消费者可能低估自己需要附加服务的概率

平台应该强制卖家公开附加费用吗？从消费者保护角度，答案似乎是肯定的。但平台的激励可能与此相反：

重要核心结论 5

平台保护买家免受卖家 Add-on 费用剥削的激励可能很弱。卖家能从行为偏误的消费者处赚取更多利润，平台可以从中分一杯羹。

Johnen 和 Somogyi（2019）的分析表明：垄断平台推动透明化的激励弱于非中介化的直接交易。平台是卖家和消费者之间的中间人，它分享卖家的收益但不直接承担消费者的怨气。

乐天的免运费政策

日本电商平台乐天（Rakuten）的案例提供了一个反例。2020 年，乐天强制推行满 3980 日元免运费政策，要求所有商家遵守。商家强烈反对，认为这侵犯了定价自主权。

乐天的理由是：统一的免运费门槛增加价格透明度，让消费者更容易比较，提升平台整体竞争力。这表明，当混淆策略损害平台声誉、降低长期用户参与时，平台有动力清理市场。

两个案例的差异在于：乐天面临亚马逊等竞争对手的压力，需要用透明度作为差异化策略；而垄断平台没有这种竞争压力，更可能容忍或纵容混淆策略。

6.2.3 产品多样性管理

准入门槛的权衡

平台需要决定让多少卖家、什么质量的卖家进入。严格的准入门槛可以保证质量，但会牺牲多样性和数量；宽松的门槛增加选择，但可能引入低质量卖家，损害平台声誉。

Apple App Store 是严格准入的代表：所有应用必须经过人工审核，审核周期可达数周。这确保了应用的基本质量和安全性，但也被批评为阻碍创新、偏袒大开发商。

Android Play Store 则相对宽松：自动化审核为主，上架速度快。代价是更多的低质量应用和安全隐患。

两种策略没有绝对的优劣。选择取决于平台的定位、用户群体的偏好、竞争环境等因素。

质量标准与卖家筛选

Hermalin（2016）分析了平台设定质量标准的激励。即使买家能在加入平台后观察卖家质量，平台仍有动力设定最低质量门槛。原因是：

  • 质量标准提高了平台对买家的吸引力
  • 被筛选掉的低质量卖家会外溢到其他渠道，间接帮助平台与这些渠道竞争
  • 向卖家收费的平台可以将质量标准作为价值提取的工具——达到门槛的卖家愿意为平台背书支付更高费用

6.3 管理卖家定价策略

平台不仅设计市场规则，还可能介入卖家的定价决策。平台应该允许卖家进行个性化定价吗？应该与卖家共享消费者数据吗？平台是作为中介收取佣金，还是自己买断商品再转售？这些决策塑造着平台上的价格形成机制。

6.3.1 个性化定价

数据与差异化定价

数字平台积累了海量用户数据：浏览历史、购买记录、搜索关键词、位置信息、设备型号……这些数据使个性化定价成为可能。

个性化定价的极端形式是完美价格歧视：对每个消费者收取其最高支付意愿。从效率角度，完美价格歧视消除了无谓损失——所有愿意支付高于边际成本的消费者都能成交。但从分配角度，所有消费者剩余都被卖家攫取。

平台在这个过程中扮演什么角色？

重要核心结论 6

垄断平台有动力收集和处理买家数据，提升卖家的价格歧视能力，因为这增加了交易的总价值。平台可以通过调整费用结构，在买卖双方之间重新分配这些价值。

在线性模型中，重要的是 \(\beta_b + \beta_s\)（买卖双方从交易中获得的总收益）的总和，而非其分配。价格歧视增加了总和，平台可以通过降低买家费用来补偿买家剩余的减少。

行为定价的承诺问题

但事情没那么简单。当消费者预期到自己的行为会被追踪和利用时，他们会策略性地改变行为。

考虑一个简单例子：卖家可以追踪消费者是否曾经购买过，对老客户和新客户定不同价格。

数值设定：假设消费者有两个购买时刻（\(t=1\) 和 \(t=2\)），每期估值独立地在 \([0, 100]\) 上均匀分布，卖家边际成本为 0。

  • 如果消费者是近视的（不预期未来影响），卖家可以对老客户收高价、对新客户收低价，两期总利润为 5,625
  • 如果消费者是前瞻的（预期到追踪和差异化定价），他们在首次购买时会更谨慎，卖家两期总利润降为 4,500

卖家可能宁愿承诺不追踪。但这是个承诺问题——一旦有了追踪能力，事后总有动力去用。

重要核心结论 7

即使卖家是产品类别的垄断者，有能力追踪消费者并做针对性报价，一旦消费者理性预期到这一点，卖家未必能获得更高利润。

平台可以在这里发挥作用：通过隐私政策提供承诺设备。如果平台禁止追踪，卖家被迫采用统一定价，反而可能对卖家和消费者都更好。Apple 的 App Tracking Transparency 政策就是一个例子——它表面上是保护用户隐私，实际上也帮助卖家避开了行为定价的承诺问题陷阱。

6.3.2 数据共享

平台数据向卖家开放

平台积累的数据对卖家有巨大价值。亚马逊向第三方卖家提供销售分析工具，淘宝的生意参谋让商家可以看到流量来源和转化漏斗，美团向餐厅提供经营诊断报告。

数据共享的好处是：帮助卖家更好地理解市场、优化产品和定价，提高整体交易效率。

但也有风险：

  1. 隐私问题：消费者可能不希望自己的数据被用于针对性营销
  2. 竞争问题：平台自己也卖东西时，数据共享可能不公平——平台可能利用第三方卖家数据开发自有品牌竞品
  3. 集体行动问题：如果所有卖家都获得相同数据，竞争加剧，可能抵消数据带来的好处
警告亚马逊的自有品牌争议

2020 年《华尔街日报》报道，亚马逊员工使用第三方卖家的销售数据来开发亚马逊自有品牌产品。这引发了关于平台中立性的激烈争论：平台既当裁判员又当运动员，如何保证公平竞争？

欧盟《数字市场法》（DMA）明确禁止守门人平台将第三方卖家数据用于与其竞争。

6.3.3 平台中介角色

代理模式 vs 批发模式

代理模式 vs 批发模式

平台可以选择两种不同的商业模式：

代理模式（Agency Model）：平台作为中介，卖家自主定价，平台按交易额收取佣金。淘宝、亚马逊第三方市场、Uber 都采用这种模式。

批发模式（Wholesale Model）：平台从卖家处批量采购商品，再以自己设定的价格转售给消费者。亚马逊自营、京东自营采用这种模式。

两种模式的核心差异在于定价权归属：

维度 代理模式 批发模式
定价权 卖家 平台
库存风险 卖家 平台
价格竞争 卖家之间 平台与其他渠道
平台收入 佣金（销售额百分比） 买卖差价

代理模式下，平台的激励是最大化交易量（因为佣金与交易额挂钩）；批发模式下，平台的激励是最大化利润率（因为收入来自差价）。

苹果和亚马逊在电子书市场的竞争提供了一个经典案例。亚马逊最初采用批发模式，以 $9.99 的低价销售电子书，意图用低价扩大 Kindle 的装机量。出版商担心这会侵蚀纸质书定价权，转而与苹果合作，采用代理模式——出版商自主定价，苹果收取 30% 佣金。这导致电子书价格普遍上涨，引发了美国司法部的反垄断调查。

MFN 条款的竞争效应

MFN 条款的竞争效应

MFN（Most-Favored-Customer，最惠客户）条款，有时也称价格平价条款（Price Parity Clause），是平台常用的合同工具，要求卖家不在其他渠道提供更低价格。这个术语借用了国际贸易中的「最惠国待遇」（Most Favored Nation）概念，但在平台经济中指的是对消费者的价格承诺。

MFN 条款有两种形式：

  1. 宽口径 MFN：卖家在任何渠道（包括其他平台和自有网站）的价格都不能低于在本平台的价格
  2. 窄口径 MFN：只要求卖家自有网站的价格不低于在本平台的价格

MFN 条款的竞争效应是复杂的：

支持者认为：MFN 防止搭便车——消费者在平台上搜索比较，然后跑到卖家官网以更低价格购买。没有 MFN，平台的搜索和比较服务就无法获得合理回报，长期会减少这类服务的供给。

批评者认为：MFN 阻止了价格竞争。如果卖家在 A 平台和 B 平台都受 MFN 约束，那么它在任何平台降价都会触发在其他平台的降价义务，削弱了降价激励。这等于是平台之间的隐性价格共谋。

警告MFN 条款的监管实践

欧洲多国已对平台 MFN 条款采取行动：

  • 英国：竞争与市场管理局要求 Booking.com 取消宽口径 MFN
  • 德国：联邦卡特尔局裁定亚马逊的 MFN 条款违法
  • 法国：立法禁止酒店预订平台的价格平价条款

但美国的态度相对宽松，认为 MFN 可能有促进效率的一面。这种监管差异反映了对平台竞争效应的不同判断。

6.4 案例分析

中国平台设计案例

案例 1：抖音算法推荐——从流量分配到价值筛选

抖音是全球最成功的短视频平台之一。其推荐算法是平台设计的核心，决定了内容如何被分发、创作者如何被激励、用户如何被留存。

算法设计的核心逻辑

2025 年，抖音首次公开了运行多年的推荐算法机制。核心逻辑包括：

  1. 多目标推荐机制：综合考虑完播率、收藏率、互动率等多维指标，避免单一指标导致的极端优化

  2. 实时赛马机制：内容发布后进入流量池，通过同层级 PK 获取更多推荐。这是一种动态筛选机制，让优质内容能够突围

  3. 搜推联动：搜索关键词数据反哺内容推荐，形成发现-搜索-转化的闭环

  4. 动态权重调整：平台根据战略目标调整不同行为的价值权重，如提升知识类内容的权重、打击搬运内容

理论映射

抖音的算法设计体现了我们讨论的多个原理：

  • 推荐系统偏见：算法可能偏向高转化内容（有利于广告变现）而非高质量内容（有利于用户长期满意度）
  • 质量降级风险：为追求完播率，创作者被迫采用标题党、情绪化表达等策略，可能降低内容质量
  • 数据网络效应：用户行为数据不断提升推荐精准度，形成正向循环

争议与反思

算法透明度是核心争议点。尽管 2025 年公开了部分算法逻辑，但具体权重仍是黑箱。创作者反映需要养系统，通过特定行为模式获取算法信任。这种不确定性导致创作者焦虑，部分人称被算法绑架。

从平台设计角度，抖音面临一个根本性权衡：算法越精准，内容匹配越好，用户越满意；但精准也意味着用户快速找到想要的内容后就离开，平台希望的黏性反而下降。这与我们讨论的搜索质量降级逻辑一致——平台可能有意保持一定程度的不精准，以延长用户停留时间。

案例 2：淘宝搜索排名与竞价广告

淘宝是中国最大的电商平台，其核心商业模式是广告——搜索排名和竞价推广。理解淘宝的平台设计，关键是理解它如何在撮合效率和广告收入之间取得平衡。

搜索排名的核心要素

淘宝的搜索排名由多个因素决定（以下为示意性公式，实际算法更为复杂）：

\[ \text{排名分} = f(\text{出价}, \text{点击率}, \text{转化率}, \text{店铺评分}, \text{商品质量分}) \]

这是一个综合评分机制。纯粹的价高者得会导致消费者体验下降（出价高不等于商品好），纯粹的质量排序又无法变现流量价值。淘宝的设计试图在两者之间找到平衡。

二价拍卖机制

淘宝采用广义二价拍卖（Generalized Second-Price Auction）：广告主按下一位的出价加 0.01 元付费，而非自己的出价。这个机制有良好的理论性质：

  • 鼓励广告主报出真实估值（接近激励相容）
  • 避免恶性竞价（不会因为多报一分钱就多付很多）
  • 实现相对高效的分配

负向组内网络效应的体现

淘宝商家面临典型的囚徒困境：只要广告 ROI 为正，商家就有动力提高出价；但当所有人都提高出价时，单位流量成本上升，所有人的利润都下降。

这正是我们讨论的卖家间负向组内网络效应。淘宝作为平台是这场竞价博弈的受益者——商家之间竞争越激烈，平台的广告收入越高。

2025 年淘宝推出惠商措施，鼓励商家建立长期竞争力而非盲目低价内卷，这反映了平台意识到过度竞争可能损害生态健康。

案例 3：美团骑手配送算法

2020 年，《人物》杂志的报道《外卖骑手，困在系统里》引发全社会对算法伦理的关注。美团配送算法是平台设计影响劳动者权益的典型案例。

配送算法的设计逻辑

美团外卖是一个三边市场：消费者、商家、骑手。配送算法需要解决的核心问题是：如何在给定的骑手运力下，最大化订单完成率和用户满意度。

算法的核心要素包括：

  1. 时间预估：综合历史数据、城市通行状态、出餐时间、配送距离，预测每单的合理送达时间
  2. 订单分配：将订单分配给最合适的骑手，考虑位置、负载、技能等因素
  3. 路径规划：为骑手规划最优配送路线
  4. 动态考核：超时、差评直接影响骑手收入和评级

算法设计的矛盾

算法追求极致效率，但骑手面临的是复杂的物理世界：电梯等待、小区禁入、商家出餐慢、交通拥堵……这些因素难以被算法完全捕捉。

研究显示，骑手超速违规率与配送时长成反比，事故率与订单密度成正比。算法的效率追求被部分转化为骑手的安全风险和社会的交通成本——这是负外部性的典型案例。

平台设计的调整

舆情压力下，美团做出了多项调整：

  • 取消骑手超时罚款
  • 公开配送时间计算规则，增加 8 分钟弹性时间
  • 2025 年 Q2 起骑手社保逐步覆盖

据美团公开数据，算法优化后，骑手因超时、差评等问题导致的异常情况减少 52%，用户差评率下降 67%。

这个案例表明：平台设计不仅要考虑效率，还要考虑社会契约。当设计决策的负外部性足够大、引发足够多的公众关注时，监管压力会迫使平台调整。

案例 4：阿里巴巴二选一——排他性设计的边界

2021 年，国家市场监管总局对阿里巴巴处以 182.28 亿元人民币罚款，认定其实施「二选一」垄断行为。这是中国平台经济反垄断执法的标志性案件。

二选一的具体设计

阿里巴巴的二选一策略包括：

  1. 排他性条款：要求平台内商家不得在其他竞争性平台开店
  2. 促销独家：禁止商家参加其他平台的双 11、618 等促销活动
  3. 奖惩机制：对遵守二选一的商家给予流量倾斜；对违规商家实施搜索降权、限制活动报名

经济学分析

从平台设计角度，二选一是强制商家单栖（Single-homing）的策略。其经济逻辑是：

  • 锁定优质商家资源，提高对消费者的吸引力
  • 阻止竞争对手获取关键供给侧参与者
  • 利用市场支配地位，将谈判劣势转化为合同条款

但这种策略损害了：

  • 商家：丧失多栖选择权，无法根据市场情况灵活调整渠道策略
  • 竞争者：无法获取部分品牌商家入驻，市场竞争机制受损
  • 消费者：商品选择范围受限，价格竞争减弱
注记排他性的合理边界在哪里？

平台投入资源培育商家后，是否有权要求一定程度的独家合作？这个问题没有简单答案。

一方面，没有任何排他性保护，平台的投资可能被搭便车，削弱平台建设基础设施的激励。另一方面，过度排他性限制了竞争，损害消费者长期利益。

监管的任务是在两者之间找到平衡点。中国的反垄断执法选择了相对严格的立场：即使是平台自己培育的商家，也不能强制其放弃在其他平台经营的权利。

案例 5：微信生态的开放与封闭

微信通过小程序构建了一个围墙花园（Walled Garden）生态系统。它的平台设计哲学是在开放与封闭之间寻找平衡。

封闭设计的核心要素

  1. 私有开发框架：小程序使用特定的开发语言（WXML/WXSS），与 Web 标准不兼容
  2. 严格审核机制：所有小程序需经过平台审核才能上线
  3. 封闭分发渠道：只能通过微信内部渠道获取用户
  4. 外链管控：历史上限制淘宝、抖音等竞争平台链接

封闭设计的经济逻辑

微信的封闭策略可以用锁定效应（Lock-In Effects）来理解：

  • 开发者一旦用微信特定框架开发，迁移成本很高
  • 用户习惯了微信内的服务体验，切换到其他平台有学习成本
  • 生态内的网络效应形成良性循环，强化微信的超级 App 地位

数据显示：微信小程序日活用户达 6.5 亿（2024 年），交易额超 1.5 万亿元（2023 年）。封闭生态确实帮助微信建立了强大的护城河。

开放的压力与调整

2021 年起，工信部推动互联互通，要求平台开放外部链接。微信逐步放开限制：

  • 2024 年淘宝接入微信支付
  • 点对点聊天支持直接打开淘宝、抖音链接

这反映了监管对平台封闭策略的制约。当封闭程度过高、损害竞争和消费者利益时，监管会介入推动开放。

平台设计的自主权与公共利益之间的边界，是数字经济治理的核心议题之一。

本章小结

  1. 卖家竞争是双刃剑：多样性有利于买家，但过度竞争会稀释每笔交易的价值。平台通过准入控制和流量分配来管理这种权衡。

  2. 平台是市场设计师：通过推荐系统、价格透明度、质量标准等非价格策略，平台内生地决定了网络效应的强度和方向。

  3. 推荐系统有偏是常态：利润差异、垂直整合、软化竞争都可能导致推荐偏离消费者最优。平台的私人激励与社会最优往往不一致。

  4. 价格透明不总是好事：当平台增加的中介成本超过信息价值时，比价平台可能损害消费者利益。平台保护消费者免受 Add-on 剥削的激励可能很弱。

  5. 个性化定价的效果取决于消费者预期：如果消费者理性预期到追踪和差异化定价，卖家未必能获得更高利润。平台可以通过隐私政策提供承诺设备。

  6. 代理模式与批发模式有不同激励：定价权归属影响价格水平和竞争格局。MFN 条款的竞争效应是复杂的，需要具体分析。

思考题

  1. 概念理解：为什么说只能向卖家收费的平台会导致产品多样性不足？请用 Cournot 竞争模型说明。

  2. 模型应用：假设一个比价平台面临两类消费者：一类已经能方便地跨网站比价，另一类搜索成本很高。平台应该如何设计收费策略？这两类消费者的福利会如何变化？

  3. 案例分析：抖音算法从流量分配转向价值筛选，这对创作者激励机制有何影响？平台公开算法规则是否会导致应试化创作？

  4. 政策评价：MFN 条款对消费者是有利还是有害？欧洲多国禁止的是宽口径 MFN（禁止卖家在任何渠道提供更低价格），而非所有形式的 MFN。为什么做这种区分？美国为何相对宽容？

  5. 开放讨论：从平台经济学角度，二选一行为为何能够提升平台短期利益但损害长期福利？如果你是阿里巴巴的战略顾问，如何在合规前提下设计既能保持竞争力又不违反反垄断法的商家政策？

延伸阅读

  • Belleflamme, P., & Peitz, M. (2021). The Economics of Platforms: Concepts and Strategy. Cambridge University Press. Chapter 6.
  • Hagiu, A. (2009). Multi-Sided Platforms: From Microfoundations to Design and Expansion Strategies. Harvard Business School Working Paper.
  • Lizzeri, A. (1999). Information Revelation and Certification Intermediaries. RAND Journal of Economics, 30(2), 214-231.
  • Baye, M. R., & Morgan, J. (2001). Information Gatekeepers on the Internet and the Competitiveness of Homogeneous Product Markets. American Economic Review, 91(3), 454-474.
  • de Cornière, A., & Taylor, G. (2014). Integration and Search Engine Bias. RAND Journal of Economics, 45(3), 576-597.