平台如何设计价格规则 - 讲座稿

时长: ~30分钟 | 字数: 6088字 基于: [[源材料：平台经济学第六章下半部分]] 生成时间: 2026-02-07

李教授: 同学们好。今天讲课之前，我先问大家一个问题：你们有没有发现，同一件商品——比如一本书、一瓶洗发水——在淘宝、京东、拼多多上的价格可能不一样？

[停顿]

李教授: 你可能会说，这不是很正常吗，不同平台竞争嘛。但你想想看，如果卖家可以在所有平台上自由定价，为什么不在每个平台都定最低价，吸引最多消费者呢？为什么他要在A平台卖50块，在B平台卖55块？这样不是主动放弃B平台的一些客户吗？

[停顿]

李教授: 这背后其实涉及今天要讲的一个核心概念——MFN条款，也就是最惠客户条款。但我们先不急着说答案，我们先从平台如何管理卖家定价这个更大的问题讲起。今天的内容主要围绕三个议题：第一，平台应该允许卖家做个性化定价吗？第二，平台应该与卖家共享数据吗？第三，平台是作为中介收佣金，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。

李教授: 好，我们先从第一个问题开始。平台应该允许卖家做个性化定价吗？也就是，对不同消费者收取不同价格。这听起来像个简单问题，但其实很复杂。

李教授: 数字平台积累了海量用户数据——你的浏览历史、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叫完美价格歧视：对每个消费者收取他最高的支付意愿。比如说，平台知道你最多愿意付100块买这个东西，那就收你100块。这对卖家来说当然好。所有消费者剩余都被卖家拿走了。

[停顿]

李教授: 但从效率角度看，完美价格歧视其实消除了无谓损失——也就是说，所有愿意买的人都能买到，没有因为价格太高而买不起的人，从总的社会价值来说是最大化的。可是从分配角度看，所有的价值都被卖家拿走了，消费者什么都没剩。

[停顿]

李教授: 这就是个性化定价的双刃剑：效率提高了，但分配极端了。

李教授: 平台在这个过程中扮演什么角色呢？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。在我们前面讲过的线性模型中，平台关心的是买卖双边从交易中获得的总收益之和——买家得到的好处加上卖家赚到的钱——而不是具体怎么分配。价格歧视增加了这个总和，平台可以通过调整费用结构，比如降低买家费用，来补偿买家剩余的减少。

[停顿]

李教授: 但事情没那么简单。现在我要问一个关键问题：追踪消费者行为、针对性定价，听起来卖家应该赚更多，为什么反而可能赚更少？

[停顿]

李教授: 这就涉及行为定价的承诺问题了。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。我们来看一个具体例子。

李教授: 假设你在淘宝买东西，有两次购买机会——第一次可能买个手机壳，第二次可能买根数据线。你每次的支付意愿是随机的，从0到100块均匀分布，卖家的成本是0，这是为了简化计算。现在卖家可以追踪你——他知道你第一次买没买、买了什么价位的东西。

李教授: 如果你是近视的，不考虑未来影响，卖家的最优策略是：对老客户收高价，因为你已经证明了你愿意买；对新客户收低价，吸引你试试。这样算下来，卖家两期总利润是5625块。怎么算的呢？近视消费者不管明天，每期卖家定价75块最优，能卖出75个人，两期就是75乘以75再乘以2，等于5625。

[停顿]

李教授: 但如果你是理性的、前瞻的，你在第一期就会想：如果我现在买了，第二期卖家就知道我是愿意花钱的人，会对我收高价。那我不如第一期不买，保持「新客户」身份。结果呢？卖家的利润降到4500块。

[停顿]

李教授: 你看，追踪能力反而降低了利润。这就是承诺问题：卖家一旦有追踪能力，事后总有动力去用；但事前最好承诺不用。这个矛盾怎么解决？平台可以帮忙。

李教授: Apple的App Tracking Transparency政策，就是一个很好的例子。Apple禁止App追踪用户，表面上是保护隐私，实际上也帮了谁的忙呢？也帮了卖家避开这个承诺问题陷阱。平台通过隐私政策充当承诺设备，强制卖家采用统一定价，反而可能对卖家和消费者都更好。

[停顿]

李教授: 好，刚才我们讨论的是平台是否应该开放数据给卖家做个性化定价。现在我们讨论一个相关但不同的问题：平台应该与卖家共享消费者数据吗？

李教授: 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。

李教授: 但也有风险。第一个风险是隐私问题——消费者可能不希望自己的数据被用于针对性营销。第二个风险更有意思，是竞争问题。如果平台自己也卖东西，数据共享可能不公平。想想看，如果平台自己也卖东西，它看到别的卖家什么产品卖得好，会不会抄一个一模一样的产品？

[停顿]

李教授: 这可不是瞎说的，这是真事儿。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》后来明确禁止守门人平台将第三方卖家数据用于与其竞争。

李教授: 第三个风险是集体行动问题。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。这就像大家都站起来看电影，结果谁也没看得更清楚。

李教授: 好，我们继续。刚才讲了平台是否应该开放数据给卖家做个性化定价，是否应该与卖家共享消费者数据。现在我们讨论第三个问题：平台应该让卖家自己定价，还是平台买断商品后自己定价？哪种对消费者更好？

[停顿]

李教授: 这涉及平台的两种商业模式。第一种叫代理模式：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。第二种叫批发模式：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。

李教授: 两种模式的核心差异在哪里？定价权。定价权归属决定了激励结构。代理模式下，卖家定价，平台收佣金，所以平台希望交易量越大越好，因为佣金跟交易额挂钩。批发模式下，平台定价，平台希望利润率越高越好，因为收入来自买卖差价。

[停顿]

李教授: 那你们觉得，哪种模式对消费者更好？

[停顿]

李教授: 我们通过一个案例来看。电子书市场的竞争是一个经典案例。亚马逊最初用批发模式，9.99美元低价卖电子书，目标是扩大Kindle装机量。出版商担心这侵蚀了纸质书定价权，就跟苹果合作，采用代理模式——出版商自己定价，苹果收30%佣金。结果电子书价格普遍上涨，这引发了美国司法部的反垄断调查。

李教授: 你看，不同的平台角色，导致完全不同的价格水平。代理模式和批发模式没有绝对的对错，关键看具体情境。但有一点很清楚：定价权是核心。

[停顿]

李教授: 我们刚才讲了平台让卖家自己定价的代理模式。但即使是代理模式，平台也会对卖家定价施加约束。最常见的约束就是MFN条款——也就是我们开头提到的，为什么卖家不在所有平台都定最低价的原因。

李教授: MFN条款，全称是Most-Favored-Customer条款，有时也叫价格平价条款。这个术语借用了国际贸易中的「最惠国待遇」概念，但在平台经济中指的是对消费者的价格承诺。简单说，就是要求卖家不在其他渠道提供更低价格。

李教授: MFN条款有两种形式。宽口径MFN要求卖家在任何渠道——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。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。

[停顿]

李教授: 现在我要问你们：最惠客户条款，听起来是保护消费者的，为什么反而可能损害消费者利益？

[停顿]

李教授: 我们来推理一下MFN条款的反竞争效应。假设你是一个卖家，在淘宝和京东都开店，两个平台都要求你：你在我这里的价格，不能高于你在其他任何地方的价格。

李教授: 现在你想在淘宝降价，从100块降到90块，吸引更多客户。但等等，如果你在淘宝降到90，京东的MFN条款要求你在京东也降到90。也就是说，你降价的成本翻倍了——你不仅在淘宝少赚10块，在京东也少赚10块。

李教授: 这样一来，你的降价激励就大大削弱了。你可能就不降价了。淘宝和京东都很高兴——它们不用明着串通，但通过MFN条款，实现了隐性的价格共谋。

[停顿]

李教授: 你看，监管者也发现了这个问题。这就是为什么欧洲多个国家禁止或限制MFN条款。英国要求Booking.com取消宽口径MFN，德国裁定亚马逊的MFN条款违法，法国立法禁止酒店预订平台的价格平价条款。

李教授: 但也有另一面。平台投入资源建设搜索比价系统，如果消费者在平台上比完价就跑到卖家官网买——因为官网没有佣金，可以更便宜——那平台的投资就被搭便车了。没有任何保护，平台建设基础设施的激励就会下降。

李教授: 所以MFN条款是双刃剑。监管的任务是找到平衡点。美国的态度相对宽松，认为MFN可能有促进效率的一面。欧洲更严格。这种监管差异反映了对平台竞争效应的不同判断。

[停顿]

李教授: 好，到这里我们讲完了三个核心议题。第一，个性化定价。平台可以帮卖家收集数据、做价格歧视，增加交易总价值。但如果消费者理性预期到这一点，反而可能降低卖家利润。平台可以通过隐私政策充当承诺设备，帮卖家避开这个陷阱。

李教授: 第二，平台角色。代理模式让卖家定价，批发模式让平台定价。两种模式有不同的激励结构，导致不同的价格水平和竞争格局。

李教授: 第三，MFN条款。要求卖家不在其他渠道提供更低价格。这可以防止搭便车，但也可能阻止平台间的价格竞争，形成隐性价格共谋。

[停顿]

李教授: 这三个议题有一个共同主题：平台设计是在效率与分配、开放与封闭之间权衡。没有一刀切的最优解，关键看具体情境。

李教授: 接下来，我们看五个中国案例，看这些理论在实践中是怎么体现的。我们会讲抖音的算法推荐、淘宝的搜索排名、美团的骑手配送、阿里巴巴的二选一、微信的封闭生态。这些案例会让你对平台设计有更具体的感受。

[停顿]

李教授: 第一个案例，抖音。抖音的推荐算法是平台设计的核心，它决定了内容如何被分发、创作者如何被激励。2025年抖音首次公开了运行多年的推荐算法机制。核心逻辑包括多目标优化、实时赛马、搜推联动。

李教授: 多目标优化是什么意思呢？就是算法不只看一个指标，而是综合考虑完播率、收藏率、互动率等多维指标。为什么要多目标？因为单一指标会导致极端优化。如果只看完播率，创作者就会做很短的视频；如果只看点赞数，创作者就会做极端情绪化的内容。多目标优化试图在不同维度之间找到平衡。

李教授: 实时赛马机制是说，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。搜推联动是说，搜索关键词数据反哺内容推荐，形成发现-搜索-转化的闭环。

[停顿]

李教授: 但这里有一个我们前面讲过的问题：推荐系统偏见。抖音的算法到底在优化什么？是用户满意度，还是广告收入？

[停顿]

李教授: 答案是，可能不一致。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。创作者为了追求完播率，被迫采用标题党、情绪化表达，这可能降低内容质量。

李教授: 更有意思的是，算法精准度的悖论。你想想看，如果抖音的算法非常非常精准，你一打开就刷到你最想看的视频，看完这个视频你就满足了，关掉了。

[停顿]

李教授: 平台希望你多刷一会儿，所以它可能故意让算法不那么精准，给你推一些相关但不完全符合的内容，让你一直刷下去。这就是质量降级逻辑。

[停顿]

李教授: 淘宝的搜索排名是第二个案例。淘宝采用广义二价拍卖机制：广告主按下一位的出价加0.01元付费，而非自己的出价。这就像拍卖会上，你出价100块赢了，但只需要按第二名的出价99块付钱。这样你就敢报真实价格，不用担心报高了吃亏。这个机制有良好的理论性质——它鼓励真实报价，避免恶性竞价。

李教授: 但商家还是陷入了囚徒困境。淘宝商家明知道提高出价会让大家都提高出价、大家都不赚钱，为什么还是要提高出价？

[停顿]

李教授: 因为个体理性和集体理性不一致。只要广告ROI为正，单个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。这就是负向组内网络效应——商家之间竞争越激烈，平台广告收入越高。

李教授: 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。

[停顿]

李教授: 好，刚才我们讲的是算法如何影响内容分发和价格形成。接下来两个案例更进一步，涉及算法伦理和平台权力边界。

李教授: 第三个案例，美团骑手。2020年《人物》杂志的报道《外卖骑手，困在系统里》引发全社会关注。美团的配送算法追求极致效率：综合历史数据、城市通行状态、出餐时间，预测每单的合理送达时间，然后分配订单、规划路线。

李教授: 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——这是典型的负外部性。

[停顿]

李教授: 算法追求极致效率，但骑手面临的是复杂的物理世界。这个矛盾怎么解决？

[停顿]

李教授: 舆情压力下，美团做了多项调整：取消超时罚款、增加8分钟弹性时间、逐步覆盖社保。据美团2023年发布的数据，算法优化后，异常情况减少52%、差评率下降67%。

李教授: 这个案例告诉我们：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。

[停顿]

李教授: 第四个案例，阿里巴巴的二选一。2021年，国家市场监管总局对阿里巴巴处以182.28亿元罚款，认定其实施「二选一」垄断行为。

李教授: 阿里的策略包括：要求商家不在其他平台开店、禁止参加其他平台的促销、对违规商家降权限流。从平台设计角度，这是强制商家单栖的策略，目的是锁定优质商家、阻止竞争对手获取供给侧资源。

李教授: 但这损害了商家的多栖选择权、竞争者的市场准入、消费者的商品选择。如果平台投入资源培育商家，是否有权要求一定程度的独家合作？

[停顿]

李教授: 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。监管的判断是：即使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。排他性的边界被划定了。

[停顿]

李教授: 最后一个案例，微信生态。微信通过小程序构建了一个围墙花园生态系统。什么叫围墙花园？想象一个有围墙的花园，你进去了就只能在里面玩，想去外面得翻墙出去，而且墙很高。微信就是这样——你用小程序开发了服务，就很难迁移到其他平台；用户习惯了微信里的服务，也不太愿意换到别的App。

李教授: 微信的封闭设计包括四个要素：第一，小程序使用特定的开发语言，与Web标准不兼容；第二，所有小程序需经过平台审核；第三，只能通过微信内部渠道获取用户；第四，历史上限制淘宝、抖音等竞争平台链接。

李教授: 为什么要封闭？经济逻辑是锁定效应。开发者一旦用微信特定框架开发，迁移成本很高——你不能直接把小程序搬到支付宝或抖音，要重新开发。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。

李教授: 数据显示，微信小程序日活用户达8亿，2024年交易额超2万亿元。封闭生态确实帮助微信建立了强大的护城河。

[停顿]

李教授: 但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。

李教授: 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。

[停顿]

李教授: 好，五个案例讲完了。我们最后做一个总结。今天讲了很多内容，从个性化定价、数据共享、平台角色，到五个中国案例。我们先回答开头的问题：为什么卖家不在所有平台都定最低价？

[停顿]

李教授: 答案是MFN条款。如果A平台和B平台都要求卖家不在其他渠道提供更低价格，那卖家在A平台降价就必须在B平台也降价，降价成本翻倍，降价激励下降。这是平台通过合同条款影响卖家定价的典型方式。

李教授: 更广泛地说，今天的内容围绕三个核心问题。

李教授: 第一，平台设计如何在效率与分配之间权衡？个性化定价可以提高效率——消除无谓损失——但分配极端——所有剩余归卖家。代理模式和批发模式有不同的价格水平和竞争格局。没有绝对的对错，关键看价值观和政策目标。

李教授: 第二，平台的私人激励与社会最优何时一致、何时冲突？抖音算法可能偏向高转化而非高质量内容，淘宝商家竞价陷入囚徒困境，美团算法的效率追求转化为骑手的安全风险。平台作为理性经济主体，追求利润最大化，这不总是与社会福利一致。

李教授: 第三，平台设计自主权的合理边界在哪里？阿里的二选一被认定为垄断行为，微信的封闭生态在互联互通压力下调整。平台有权设计自己的生态规则，但当设计决策损害竞争和消费者利益时，监管会介入。这个边界不是一成不变的，而是在实践中不断摸索的。

[停顿]

李教授: 中国平台有一些共同特征：算法中心、数据驱动、监管约束。抖音、美团的算法，淘宝、微信的数据，反垄断、互联互通、算法透明的监管压力。这些特征塑造了中国平台经济的独特面貌。

李教授: 今天我们主要讨论的是单个平台如何设计内部规则。下一个问题自然是：当多个平台竞争时，会发生什么？为什么有些市场最终只剩一家平台——比如微信在社交领域——而另一些市场可以容纳多个竞争者——比如外卖有美团和饿了么？网络效应如何影响竞争格局？平台竞争与传统企业竞争有什么不同？

李教授: 这些是我们下一讲要回答的问题。我们会介绍Armstrong 2006年的经典竞争模型，分析单栖与多栖、竞争性瓶颈等核心概念，探讨市场的可竞争性。

李教授: 好，今天就到这里。同学们如果有问题，课后可以来找我讨论。下次课见。

讲座信息

时间线

核心要点

1. 个性化定价的双刃剑：提高效率但分配极端，消费者理性预期可能降低卖家利润
2. 平台角色选择：代理模式vs批发模式决定定价权和激励结构
3. MFN条款的反竞争效应：削弱降价激励，形成隐性价格共谋
4. 算法偏见：平台激励可能不利于用户长期利益（抖音、美团案例）
5. 平台设计边界：效率vs分配、开放vs封闭、私人激励vs社会最优

修辞问题清单

Generated by lecture-audio-generator 最终版本 | 已整合审阅意见 | 2026-02-07