高彥彥　蘇　煒

?

二手產品B2C在線拍賣的價格影響因素分析
——以京東拍賣為例

高彥彥蘇煒

[摘要]與C2C在線拍賣相比，B2C在線拍賣因賣方較少且都已建立一定的聲譽而降低了二手產品在線拍賣對聲譽機制的依賴，強化了賣方的信號發(fā)送和買方的競標行為對拍賣成交價的影響?；诰〇|在線拍賣數(shù)據(jù)，對B2C二手產品拍賣成交價格的實證研究發(fā)現(xiàn)，相較于競標者行為，賣方的信號發(fā)送行為對拍賣成交價格的影響更大。基于分位數(shù)回歸進一步發(fā)現(xiàn)，盡管發(fā)布同款新品價格和拍賣品新舊程度是最有效的信號發(fā)送行為，但是其對成交價格的影響隨著拍賣品價值的提高而遞減；競標者數(shù)量及其競價對拍賣成交價格的影響雖然較小，但是它隨著拍賣品價值的提高而遞增。

[關鍵詞]二手產品； B2C； 在線拍賣； 成交價； 分位數(shù)回歸

一引言

近年來，隨著互聯(lián)網的普及，各種形式的在線拍賣蓬勃發(fā)展。這一方面改造了傳統(tǒng)拍賣行業(yè)，提高其“線上化”程度，另一方面開辟了新的拍賣市場。相對于傳統(tǒng)的現(xiàn)場拍賣，在線拍賣具有如下3個方面的顯著特征：(1)消除了拍賣的空間限制，使全世界各國的人們都可以參與到拍賣中來；(2)降低了時間約束，一場拍賣可以持續(xù)幾天乃至一周；(3)降低拍賣的運營成本，包括更低的傭金和吸引更多的買賣方(Ariely和Simonson，2003)[1]?；谶@些優(yōu)勢，在線拍賣成為一種日益重要的交易形式和企業(yè)競爭手段。

根據(jù)賣方數(shù)量及其性質的差異，已有的在線拍賣平臺可以分為兩類：C2C形式的在線拍賣平臺和B2C形式的在線拍賣平臺。前者如eBay、淘寶拍賣、孔夫子舊書網，后者如京東商城的奪寶島、嘉德拍賣公司開發(fā)的嘉德在線。這兩類拍賣平臺的賣方存在顯著差異：在B2C拍賣平臺上平臺方往往也是賣方，或者是賣方的代理方，而在C2C拍賣平臺上有大量不同類型的賣方，且拍賣平臺僅僅為聯(lián)結交易雙方的中間商。由于僅存單一(或者較少)賣方，B2C在線拍賣可以比C2C在線拍賣更好地控制交易風險，排除了賣方聲譽差異對拍賣成交價格的影響，有助于集中分析拍賣雙方的行為對成交價格的影響。

本文利用京東商城的在線拍賣數(shù)據(jù)來研究B2C二手產品在線拍賣價格的主要影響因素。目前，國內已有的在線拍賣實證研究主要基于C2C在線拍賣平臺數(shù)據(jù)，如eBay和淘寶等，強調賣方聲譽對競標者行為和拍賣價格的影響(褚榮偉和拱曉波，2007[2]；孫麗麗等，2010[3]；周黎安等，2006[4])。類似地，盡管國外文獻對在線拍賣的價格形成機制問題進行了十分豐富的實證研究，充分檢驗了在線拍賣中聲譽機制的有效性(Lucking-Reiley et al., 2007[5]; Resnick et al., 2006[6]; Przepiorka, 2013[7]; Jin和Kato, 2006[8]; Livingston, 2005[9]; Dewally和Ederington, 2006[10])，賣方的信號發(fā)送行為(如圖片、第三方認證、拍賣時間和保留價的設定和安排等)對競標者估價的參考作用、對成交價的影響(Dewally和Ederington, 2006[10]; Lewis, 2011[11]; Goes et al., 2013[12]; Gonzalez et al., 2009[13]; Trautmann和Traxler, 2010[14]; Popkowski Leszczyc et al., 2009[15]; Simonsohn和Ariely, 2008[16])，以及競標者的競標策略(如競標人數(shù)、出價時機的選擇、學習行為、估價參考策略等)對競標者的出價和最終成交價格的影響(Bajari和Horta?su,2003[17];Onur和Velamuri,2014[18];Roth和Ockenfels,2002[19];Hossain,2008[20];Anwar et al.,2006[21];Pownall和Wolk,2013[22];Garratt et al.,2011[23])，但是對B2C形式拍賣的研究較少。盡管Bapna等(2003)[24]的研究涉及到B2C拍賣，但其研究重點在多物品在線拍賣中的加價設計問題，而不在B2C拍賣和C2C拍賣的信息環(huán)境差異，以及由此導致的最終價格決定機制的差異。因此，本文的實證分析可部分彌補已有文獻的不足，有助于理解B2C在線拍賣中拍賣價格的形成機制及其與C2C在線拍賣的不同。

接下來的內容安排：第二部分簡述京東拍賣的機制及其與C2C形式拍賣的差異；第三部分對已有相關文獻進行簡要回顧，析出本文與其它文獻的不同；第四部分介紹變量選取、研究方法和數(shù)據(jù)來源；第五部分報告實證分析結果；第六部分總結全文。

二二手產品B2C在線拍賣：以京東拍賣為例

京東拍賣是京東商城網站(www.JD.com)上專門拍賣二手產品的電子商務平臺，又稱“奪寶島”，屬于京東商城網站的一部分。京東商城成立于2004年，目前是中國最大的自營式(B2C)電商企業(yè)，2014年第2季度在中國自營式電商市場的占有率為54.3%。這樣一個超級B2C電子商務平臺必然會產生大量的退換貨問題。通過其平臺，京東把各種二手產品通過在線拍賣或者一口價的方式再度銷售。京東拍賣采取英式拍賣，即在固定的拍賣時間內，競標者進行公開競價，出價最高者獲得產品并按該價格進行支付。每天有數(shù)千件二手產品在該平臺上進行拍賣。截止2014年11月份，有207余萬件二手產品被成功拍賣。在確保產品功能完備的條件下，二手產品拍賣給京東和消費者帶來雙贏的結果：京東商城以盡可能高的價格再次銷售用戶退回的產品，而消費者則有機會以較低價格獲得與新品具有等同功能的二手產品。

京東商城把拍賣品按新舊程度分為三類：未使用的產品；使用過的產品，即短期被使用過，或者略有瑕疵，但功能完好的產品；維修過的產品，即返修過但功能完好的產品。因此，在線拍賣的二手產品均為功能完好的產品，具有與新品基本相同的使用價值。這些產品包括六大類：家用電器、手機數(shù)碼、電腦辦公、運動健康、禮品箱包鐘表和其它產品。90%以上的拍賣品為手機數(shù)碼和電腦辦公用品，其中又以手機、電腦及其配件為主。由于電子產品的模塊化生產特征，這些二手產品在功能上與新產品并無實質差別，因而消費者愿意以稍低的價格去購買二手產品。拍賣進度不同的拍賣品根據(jù)一定的規(guī)律擺放在網頁不同位置，例如：快要結束的拍賣品被置于網頁的醒目位置。

舉個例子，在一項對蘋果牌15.4寸寬屏筆記本電腦的拍賣網頁上，可以觀察到產品基本信息、奪寶編號、產品存放地、當前價格(出價者)、新產品在京東的價格、剩余拍賣時間、使用狀態(tài)、包裝外觀情況、附件清單、參與資格、出價輸入口以及拍賣剩余時間*參見：http://auction.jd.com/detail/8996540，值得注意的是該頁面已經被刪除。京東拍賣平臺保留的最老拍賣紀錄發(fā)生在本文截取數(shù)據(jù)的時間之后，即2015年4月15日。參見：http://dbitem.jd.com/10011200。此后，拍賣頁面也有所變化，最明顯的一點是不再直接顯示該拍賣品在商城的銷售好評率。除了這點，新拍賣頁面所提供的信息與本文截取數(shù)據(jù)時的拍賣頁面基本一致。。拍賣規(guī)則設定了起拍價、最低和最高加價幅度。拍賣頁面還提供了出價次數(shù)、每個出價者的用戶名、出價水平以及出價時間。此外，每個產品的拍賣網頁還會展示拍賣交易流程、詳細商品信息、產品的口碑、奪寶攻略以及方便用戶比較的“去商城查看商品”的點擊鏈接。

如果把京東拍賣與eBay和淘寶網等國內外在線拍賣平臺進行比較，可以發(fā)現(xiàn)它這種B2C形式的二手產品拍賣平臺存在一些典型的差別：

首先，京東拍賣的賣方僅有一個，即京東商城，而eBay和淘寶拍賣具有大量賣方。換言之，它不像eBay和淘寶拍賣那樣是一個開放的拍賣平臺。由于只有單一賣方，且以京東商城的信譽為擔保，京東拍賣相對于淘寶和eBay在線拍賣具有更低的信息不對稱。單一賣方通過格式化的拍賣設定也緩解了由遺漏不同賣方在經驗和語言表述能力等方面的差異而導致的競拍者人數(shù)的內生性問題(Lucking-Reiley et al., 2007)[5]。

其次，拍賣規(guī)則存在差異。由于更大的信息不對稱，為了保護賣方的利益，eBay和淘寶拍賣的賣方可以設定保留價，發(fā)布第三方的價格評估信息，而淘寶更是要求競拍者提交保證金；為了保護買方利益，eBay允許贏標者事后對交易進行評價或采取第三方支付制度。京東拍賣則沒有采用上述規(guī)則來保護自己和競標者的利益，但是中標者如不付款，將損失2000個京豆，其價值相當于20元的現(xiàn)金抵用券。

第三，拍賣品均為二手產品。這些二手產品的同款新品構成了對應拍賣品的價格上限。淘寶和eBay上的拍賣品種繁多，許多拍賣品并不存在一個明顯的價格上限。因此，京東拍賣方給競標者出價設定了一個理性上限，新品價格具有重要的價值參考作用。

第四，拍賣無流標情況。相比于淘寶和eBay上賣方設立的較高保留價格，京東拍賣平臺上所有拍賣品的起拍價為1元，且沒有保留價。由此，京東拍賣不存在流標情況。這就避免了諸如eBay拍賣數(shù)據(jù)中由拍賣不成功所導致的樣本選擇問題(Bajari和Horta?su,2003)[17]。

三文獻回顧

與傳統(tǒng)的現(xiàn)場拍賣相比，在線拍賣固然降低了拍賣的參與和組織成本，但交易雙方時空的分散化也帶來了更大程度的信息不對稱，從而為機會主義行為提供了更大的空間。正如Akerlof (1970)[25]和Stiglitz(1983)[26]分別對二手產品市場和保險市場分析后認為，信息不對稱將導致兩類機會主義行為：事先的逆向選擇和事后的道德風險。特別是在C2C形式的在線拍賣平臺上，賣方的分散化導致難以對其進行有效的信用監(jiān)督。對此，拍賣平臺通過構建聲譽機制，賣方通過積極發(fā)送產品質量信號，來緩解信息不對稱帶來的問題。買方則根據(jù)拍賣平臺上的諸種信息對賣方信用進行甄別，對拍賣品價值和其他人的估價進行推測，進而做出出價選擇。大量文獻利用在線拍賣數(shù)據(jù)檢驗了不對稱信息環(huán)境下各方行為對拍賣成交價格的影響。

(一)在線拍賣平臺的聲譽機制

作為對接拍賣雙方的中間商，網上拍賣平臺解決信息不對稱的一個核心機制是交易反饋機制：雙方可以在交易結束后對對方信譽進行評價?；诓钤u將損害未來收益的考慮，賣方會避免采取機會主義行為。因此，賣方良好的聲譽可以吸引競標者參與競標，提高其支付意愿，并最終提高拍賣成交價格，而聲譽溢價則進一步促進賣方對聲譽進行投資，遵守誠信。

基于eBay拍賣數(shù)據(jù)的一些實證文獻檢驗了聲譽機制能否提高拍賣成交價格及其影響機制。Lucking-Reiley等(2007)[5]發(fā)現(xiàn)賣家聲譽可以顯著提高成交價格。Resnick等(2006)[6]在eBay通過拍賣舊明信片進行聲譽控制實驗，結果發(fā)現(xiàn)具有良好聲譽賣家的成交價格比新的賣家要高出8.1%。周黎安等(2006)[4]和Przepiorka(2013)[7]則分別利用易趣和eBay的大樣本拍賣數(shù)據(jù)發(fā)現(xiàn)，賣方信譽提高了成交價格和成交概率。

但是，也有文獻認為交易評價系統(tǒng)不足以抑制在線拍賣中的機會主義行為。Jin和Kato(2006)[8]從eBay上購買棒球卡，并對其進行專家評級，結果發(fā)現(xiàn)花了更高的價格買入棒球卡；聲譽良好的賣方并沒有提供更高質量的棒球卡，且買方容易被賣方的不實信息所誤導。研究還表明，聲譽僅增加買方的競標意愿和提高成交概率，但是對成交價的影響并不顯著。Dewally和Ederington(2006)[10]對eBay上漫畫書拍賣進行分析發(fā)現(xiàn)，聲譽在提高拍賣價格上的重要性不及第三方認證。

盡管上述實證研究對在線拍賣中聲譽機制的重要性和有效性的認識存在一定分歧，但總體而言，聲譽機制有助于抑制賣方信息優(yōu)勢下的機會主義行為，從而提高拍賣的成交價格和效率。因此，國內外在線交易平臺均鼓勵雙方進行交易互評。

(二)賣方的產品信號發(fā)送行為

Spence(1973)[27]在其經典文獻中分析了非對稱信息勞動力市場下的求職者通過投資教育來發(fā)送其能力信號。類似地，在存在非對稱信息的在線拍賣市場上，源自對經濟利潤的追逐，具有信息優(yōu)勢的賣方積極發(fā)送產品質量信號，其中包括：詳細的信息披露、積極的聲譽投資和充分利用拍賣規(guī)則。實證文獻表明賣方的信號發(fā)送有助于提高拍賣價格。

首先，通過提供產品照片，詳細描述產品細節(jié)等方式，賣方可以緩解信息不對稱，降低交易摩擦，提高拍賣品成交價格。一些利用eBay拍賣數(shù)據(jù)進行的實證分析支持了賣方詳細的信息披露對于成交價格的促進作用(Lewis, 2011)[11]。有經驗的賣方總是充分利用在線拍賣系統(tǒng)展示產品信息，發(fā)布產品價值信號，如產品書面價值、一口價、第三方評估等，來吸引競標者，提高拍賣成交價格和概率(Lucking-Reiley et al.,2007[5];Dewally和Ederington,2006[10];Goes et al.,2013[12];Popkowski Leszczyc et al.,2009[15])。

其次，賣方總是愿意通過發(fā)送產品質量信號來降低拍賣中由信息不對稱導致的逆向選擇，或者投資于這些信號。Przepiorka(2013)[7]的實證分析表明，賣方會積極通過一口價交易對聲譽進行投資，并憑借好聲譽從更高拍賣成交價中獲得回報。缺乏信譽記錄的賣家則可以訴諸于其它途徑，如第三方認證和評估信息，來增強競標者對其信任程度(Dewally和Ederington,2006)[10]。

第三，賣方還可以通過設定拍賣時間、保留價與加價幅度來提高拍賣效率和成交價格。大量基于在線拍賣數(shù)據(jù)進行的實證研究表明(Ariely和Simonson,2003[1];Lucking-Reiley et al.,2007[5];Dewally和Ederington,2006[10])，時間較長的拍賣可以吸引更多的競標者，產生更高的成交價格和增加賣方收益。但也有不同的研究結果：Gonzalez等(2009)[13]對eBay上計算機顯示器拍賣的分析發(fā)現(xiàn)，拍賣時間與最終成交價格以及競標者人數(shù)之間關系微弱，聲譽好的賣方無需通過延長時間來吸引更多的競標者。

保留價的設定與拍賣價格和效率之間的關系更加復雜。已有文獻把保留價分為兩種：一種為公開保留價，又稱起拍價；另一種是秘密保留價，即通常所說的保留價。拍賣理論認為，賣方設立保留價可以增加其收益(Myerson，1981)[28]。如果競標者的估價不是相互獨立的，保留價則可以提高競標者對拍賣品價格的估計(Milgrom和Weber,1982)[29]。實證研究支持了保留價與拍賣成交價格之間正向關系的條件性：當只有一個競拍者時，保留價可以保證賣方收益不低于保留價，因而有助于提高拍賣成交價格(Lucking-Reiley et al.,2007[5]; Gonzalez et al., 2009[13])；當拍賣品書面價值更高時，通過設定秘密保留價和較低的起拍價，既可以吸引更多競拍者，也可以防止成交價過低，從而降低拍賣風險(Bajari和Horta?su,2003)[17]；在不存在替代品時，保留價具有價值參考作用，也可以提高拍賣成交價格(Ariely和Simonson,2003)[1]。

(三)競標者的估價參考和出價策略

根據(jù)拍賣理論，競標者的出價受競標者人數(shù)影響。競標人數(shù)是競標者估價和出價的基礎。當競標者很少時，如只有一人，競標者的估價和出價很簡單，盡可能地出低價。隨著競標者數(shù)量不斷增加，競標者的估價和出價變得復雜。當競標者不確定拍賣品價值時，他們需要通過一些參照點來估價；當競標者對其他競標者估價不清楚時，他們需要采取一些策略來出價。多人競拍時估價和出價影響著最終的成交價格。

競標人數(shù)通過擴大估價空間、增強競爭以及誘發(fā)羊群效應來影響拍賣價格(Popkowski Leszczyc et al., 2009[15];Hossain,2008[20])。競標人數(shù)是內生的，它往往與影響拍賣成交價格的遺漏變量之間存在很強的相關性。為了克服競標人數(shù)的內生性，實證研究采取工具變量法來估計競標人數(shù)與成交價格之間的關系。這些研究選擇的工具變量包括：起始出價與面值之比(Livingston,2005)[9]、好評率(Livingston,2005[9]; Onur和Velamuri,2014[18])、拍賣持續(xù)時間(Gonzalez et al.,2009[13]; Adams,2007[30])、拍賣月份(Adams,2007)[30]、相連拍賣結束的時間間隔和周末虛擬變量(Onur和Velamuri,2014)[18]。

當競標者不確定拍賣品價值時，競標者會充分參考拍賣中賣方發(fā)送的各種信號來估價。這些估價參照包括：書面價值和第三方評估價值(Lucking-Reiley et al.,2007[5]; Dewally和Ederington,2006[10])、一口價(Buy-Now Prices)(Leszczyc et al., 2009)[15]、英式在線拍賣中的已有出價、起拍價或者保留價(Ariely和Simonson,2003)[1]。

當拍賣結束時間是固定時，競標者為了降低競爭程度，免受其它競標者的影響，從而防止過度競標和“贏者的詛咒”，他們的最優(yōu)出價策略往往是“狙擊”出價。例如，研究發(fā)現(xiàn)，在采用固定拍賣時間的eBay拍賣中2/3的出價發(fā)生在拍賣結束前的半個小時內，而在采用彈性結束時間的亞馬遜在線拍賣中僅有1/4的出價發(fā)生這半個小時(Roth和Ockenfels,2002)[19]。

競標者的出價時機差異還被認為是競標者在獨立私人價值下的學習行為。不確定拍賣品價值的競標者利用多次出價和起拍價等信息或者提前出價策略來獲取或調整對產品價值的估計，而知道價值的競標者則采用狙擊策略，限制其它競標者的學習行為(Hossain,2008)[20]。當存在多種產品同時拍賣時，競標者通過交叉參考以一個較低的成交價競得拍賣品(Anwar et al.,2006)[21]。

那么，策略性競價能否降低在線拍賣成交價格？Pownall和Wolk(2013)[22]的研究發(fā)現(xiàn)，由于競標者的學習行為，10次以上的競拍經驗會降低26%的競標價格。Garratt等(2011)[23]的拍賣實驗表明，富有經驗的競標者過度競標的傾向更低，導致更低的拍賣效率。Simonsohn和Ariely(2008)[31]運用eBay上的同質產品拍賣數(shù)據(jù)發(fā)現(xiàn)，經驗豐富的競標者會避開羊群效應，以一個較低的平均價格購得同質產品。

綜上，已有文獻認為，賣方聲譽、賣方發(fā)送的產品質量和價值信號以及買方人數(shù)、估價和競標策略對于不對稱信息環(huán)境下的在線拍賣價格具有重要影響*關于在線拍賣價格問題的更詳細分析，可以進一步參考Hasker和Sickles(2010)[32]以及高彥彥和孫軍(2015)[33]的綜述。關于經典拍賣理論對拍賣價格的影響分析，請參見Klemperer(1999)[34]的綜述。。但是，這些研究并沒有關注B2C和C2C在線拍賣在信息結構上的差異。正如前文述，B2C在線拍賣因賣方數(shù)量較少且已經建立一定聲譽而降低了聲譽機制在拍賣成交價格上的作用。在只有唯一賣方的極端情況下，賣方的聲譽對于所有競標者一樣，此時，拍賣價格僅取決于賣方的信號發(fā)送和買方的競標行為。就京東拍賣而言，由于存在大量的競標者，此時賣方能否有效發(fā)送其產品價值信號供競爭性的買方估價參考對成交價格的影響更為重要。對于二手產品拍賣而言，商場銷售的同款新品價格作為競標者的估價參照點將對拍賣品的最終成交價格產生十分重要的影響。另外，賣方的信號發(fā)送和買方的競標行為對成交價格的影響可能隨著產品價值而變化。產品價值越高，一方面競標者獲得不滿意二手產品的成本更大，另一方面拍賣品的市場需求相對更少，由此可能降低賣方信號發(fā)送對成交價格的影響，增加買方競標行為的作用。但已有文獻缺乏對這方面關系的實證分析。

四變量、方法與數(shù)據(jù)

基于已有實證文獻、京東在線拍賣特征與網頁上所提供的信息，本文構建如下計量模型來研究B2C在線拍賣中賣方的信號發(fā)送行為和競標者的估價和出價對成交價格的影響：

wi=c+Siβ+Biα+εi

(1)

其中，w為最高價格，即成交價*實際上，由于存在中標者不付款的情況，成交價格與最高出價可能不同。但由于我們無法知道中標者最終是否付款交易，我們假設其等同。；S為賣方發(fā)送的各種產品信號，為1×k維向量，其中k為信號發(fā)送變量的個數(shù)；B為競標者及其出價行為指標，為1×m維向量，其中m為競標者及其行為變量個數(shù)；c為常數(shù)項，β和α分別為一個k×1和m×1維的待估系數(shù)向量；i=1, …,n，為拍賣產品；εi為隨機擾動項，且εi～N(0,σ2)。各變量的選取與含義如下：

最高價格(w)，即某二手產品在線拍賣中競標者的最高出價。盡管不少實證研究(Lucking-Reiley et al., 2007[5]；Dewally和Ederington, 2006[10])在估計在線拍賣成交價時采用同類產品的最高價，但是也有不少研究將因變量設為不同產品的成交價(周黎安等，2006[4]；Przepiorka，2013[7])。關鍵在于，如果能夠控制足夠的影響不同類二手產品成交價格的解釋變量，那么，采用具有不同價值的不同產品樣本不會產生統(tǒng)計推斷問題。另外，如果選擇相同二手產品的拍賣數(shù)據(jù)，我們將無法有效觀測其新品價格的估價參考作用，因為對于相同產品的拍賣而言，其新品價格是不變的。

拍賣方的信號發(fā)送行為S采用如下指標來度量：

(1)新品價格。同款全新產品的價格衡量了二手產品的最大內在價值，構成了二手產品拍賣的價格上限。給定其它因素，新品價格越高的產品，其拍賣的絕對成交價越高。

(2)產品聲譽。與大量基于eBay數(shù)據(jù)的實證研究不同，這里的聲譽為拍賣品聲譽，而非賣方京東商城聲譽。該指標采用好評率來計算，度量了用戶對該產品質量的評價。競標者更愿意對好評率較高產品的二手產品出高價。

(3)產品使用程度。該指標為一個三維虛擬變量，反映拍賣品的三種使用程度：“使用過”、“維修過”和“未使用過”。另外，我們還運用產品包裝外觀情況來反映使用程度：包裝和外觀均良好記為1，否則為0。

(4)產品拍賣時間，包括：是否處于上網高峰時段，即如果最后出價人的出價時間發(fā)生在晚上18點至22點之間，則表示拍賣處于網絡峰值時期，記為1，否則記為0；拍賣持續(xù)時間，即每次拍賣的持續(xù)時間，我們采用第一次出價和最后一次出價之間的時間長度來度量。

(5)產品描述和附件。這里采用拍賣品標題的字符長度和附件字符長度來度量。

競標者的行為B包含拍賣競爭程度和競標者特征。其中，拍賣競爭程度采用競拍人數(shù)，即拍賣期間參與競拍的人數(shù)來度量。參與競標的人越多，競標越激烈。

競拍者特征包括：(1)由競標者異質性度量的競標風險。競標者偏好的多元化會使競標充滿著不確定性，更有可能存在對拍賣品評價更高的競標者。考慮到不同偏好的人會采取不同的出價策略，我們采用每次加價的標準差來度量競標風險。(2)競標者的最多競價次數(shù)，即在同一項拍賣中出價次數(shù)最多的競標者的競價次數(shù)，用以度量競拍中是否存在需求很強的競拍者。(3)贏標者競價次數(shù)，用以反映贏標者的非理性程度。一般而言，比較冷靜的競標者往往會靜觀競標價格，適時出價，從而贏得標的。當然，也有競拍者采取恐嚇策略，通過大幅加價來阻退其他競拍者出價。

此外，考慮到不同類型二手產品在使用價值和內在價值上的差異、產品存放地對競拍者獲取產品費用的影響，以及由此對競拍者支付意愿的影響，本文控制了產品類型和產品存放地等變量。由于京東奪寶島拍賣中只有一個賣方，所有拍賣品的起拍價為1元，無保留價，且對加價幅度的限制很小，因而本文無需控制保留價、加價幅度等變量。1元起拍價和無保留價也使京東拍賣沒有流標問題，從而避免了此類樣本選擇問題。

考慮到計量模型中存在異方差問題，我們在對式(1)進行OLS估計時借鑒Mackinnon和White(1985)[35]提出的方法解決。采用OLS方法對式(1)進行回歸面臨的另一個問題是競標者人數(shù)的內生性。一些同時影響著競標者數(shù)量和成交價格的不可見因素將會導致競標者數(shù)量的內生性。例如，在線拍賣所存在的進入成本既影響到競標者的參與選擇，也會影響到拍賣的成交價格(Popkowski Leszczyc et al., 2009)[15]。對內生性的處理，已有文獻提供了兩種思路。第一種是Lucking-Reiley等(2007)[5]提供的方法，即直接在成交價格估計模型中剔除競標者數(shù)量。他們認為，在盡可能控制那些影響競標者選擇的因素的情況下，剔除競標者數(shù)量不會導致錯誤的推斷。第二種是被已有實證文獻廣泛采用的工具變量法?；谝延形墨I(Livingston, 2005[9]; Bajari和Horta?su,2003[17];Onur和Velamuri,2014[18];Adams,2007[30])對工具變量的探討，以及京東拍賣平臺數(shù)據(jù)的可得性，我們選取產品好評率、上網高峰期和拍賣持續(xù)時間作為競標者數(shù)量的工具變量。理由是：產品好評率為用戶對商場銷售產品的好評率，它不受拍賣方和競標者影響；上網高峰期和拍賣持續(xù)時間也不受競標者控制，但是都會影響到競標者的進入選擇。

為了進一步考察賣方的信號發(fā)送和買方的競標行為對成交價格的影響如何隨著拍賣品價值而變化，我們首先采用分位數(shù)回歸來估計式(1)。相對于OLS回歸，基于最小絕對值偏差方法的分位數(shù)回歸的優(yōu)點是不要求誤差項滿足特定的分布，對異常值更穩(wěn)健，且可以觀察到因變量不同分位上各自變量的估計系數(shù)大小(Davino et al.,2014)[36]。在本文的研究中，因變量更高的分位也意味著更高的產品價值，因而不同分位數(shù)的回歸估計結果反映了自變量對因變量的影響與拍賣品價值之間的關系。因此，本文構建了如下線性分位數(shù)回歸模型：

Qlog(wi)(τ|Bi,Si)=c(τ)+Biβ(τ)+Siα(τ)+εi(τ)

(2)

其中，wi、Bi和Si的含義與式(1)相同，τ為分位數(shù)，且Qτ(εi(τ)|Bi,Si)=0?？紤]到競標者人數(shù)的內生性，本文采用與表2中模型(5)相同的工具變量，基于Lee(2007)[37]提出的不存在數(shù)據(jù)截取的(uncensored)分位數(shù)工具變量法來估計式(2)。該方法類似于兩階段最小二乘法，先采用一個簡化模型來估計內生變量的殘差，然后運用估計出來的殘差以及其它解釋變量來估計式(2)。該方法不需要對估計出來的殘差和式(2)中隨機擾動項之間的隨機關系施加函數(shù)形式限制。

除了分位數(shù)回歸，本文還運用另外兩個因變量，采用最高價與新品價之比度量的拍賣效率，和新品價與最高價之差來估計式(1)，從而進一步觀測新品價格的估價參考作用是否隨著產品價值而變化，以及賣方的信號發(fā)送和買方的競標行為對這兩種拍賣價格度量的影響大小。

本文采用從京東奪寶島搜集的858個在線拍賣數(shù)據(jù)估計B2C二手產品在線拍賣的價格影響因素*最初的862個原始拍賣數(shù)據(jù)手動抓取自2014年5月25日、27日和28日結束的在線拍賣。我們剔除了其中4個最高價高于新品價格的樣本。由于以下原因，這些數(shù)據(jù)并不是采取抽樣的方式獲取：首先，京東奪寶島在不同時點投放的在線拍賣品類型基本一致，即以電腦、手機及其配件為主，因此集中在特定時點截取數(shù)據(jù)基本可以反映奪寶島拍賣品的類型特征。其次，就本文的研究目的而言，關鍵在于能否找到足夠數(shù)量的二手產品B2C在線拍賣數(shù)據(jù)，而不在于該數(shù)據(jù)是否對某個平臺拍賣總體拍賣情況的代表性。第三，由于追蹤在線拍賣數(shù)據(jù)的成本限制，我們只能集中一段時間來搜集部分在線拍賣數(shù)據(jù)。。拍賣的二手產品中，手機和電腦及其配件的比重為72.4%，這與該平臺以拍賣二手手機和電腦及其配件為主的事實基本一致。這些產品存放于北京、廣州、成都、上海和武漢，分別為215、240、185、128和90個。表1報告了除產品存放地和產品類型之外的所有變量的描述性統(tǒng)計結果。從中可知，858項拍賣的成交價均值為1136.191元，而新品價格均值為1638.048元。商城銷售新品的好評率為91.84%。未使用過的產品僅占16.9%，而維修過的產品占61.9%。90.2%的拍賣品的包裝盒外觀良好。在線拍賣的平均持續(xù)時間接近1個小時，其中約40%發(fā)生在上網高峰期，平均有11.23個競標者競價。平均競標風險為5.661。單次拍賣中競價次數(shù)最多的競標者平均競價3.057次，而贏標者平均出價1.379次，這說明贏標者更理性，或者更有經驗，往往采取 “狙擊”出價策略。平均而言，二手拍賣品最高價相當于新品價格的61.254%?？紤]到拍賣品中使用過的和維修過的產品占83%，京東二手產品在線拍賣取得了不錯的拍賣效率。最高價與新品價格平均差距為501.857元。

表1　變量的描述性統(tǒng)計

五實證結果分析

(一)賣方信號發(fā)送與拍賣最高價

式(1)的估計結果如表2所示。根據(jù)模型(1)可知，在賣方發(fā)送的關于二手拍賣品價值和質量的各種信號中，新品售價、外觀和包裝良好、拍賣持續(xù)時間、標題長度等變量均在5%以上的顯著水平與拍賣最高價正相關。其中，新品價格對拍賣最高價的影響最為顯著，新品價格提高1個百分點，最高價將會提高0.963個百分點。與已有實證研究(Trautmann和Traxler, 2010)[14]一致，這意味著新品價格對二手拍賣品價值具有最重要的參考作用。另一方面，由于價格上限的存在，這也意味著B2C在線拍賣并不是純粹的私人價值拍賣，而是兼具共同價值拍賣特征。為了進一步觀察新品價格在二手產品拍賣估價中的重要性，在模型(2)中，我們剔除了新品價格變量。結果發(fā)現(xiàn)，剔除該變量會使其它變量估計系數(shù)的顯著水平或大小發(fā)生顯著變化：一方面使大部分變量的估計系數(shù)和顯著水平被高估，另一方面使維修過和未使用過產品的估計系數(shù)變得不合理。

維修過產品的最高價并沒有顯著高于使用過產品，但是未使用過產品的最高價顯著高于使用過產品6.1個百分點。外觀和包裝良好的產品也會導致一個顯著更高的拍賣價格，其最高價比外觀或包裝破損的產品要高15.2個百分點。這說明競標者更在乎產品的外觀和產品是否被使用過，但是不在乎產品是使用過，還是維修過。正如前文所述，電子產品的模塊化生產特征使得維修過的產品在功能上與使用過的產品并無實質差異，而且維修過的產品肯定被使用過。因此，這兩類產品的最高價格并沒有顯著差別。相反，未使用過的產品和一個外觀良好的產品，都會給人一種全新品感覺，帶來更高的效用，因此，競標者愿意對此支付更高的價格。

拍賣持續(xù)時間雖然與拍賣最高價成顯著的正向關系，但是實際影響并不大。拍賣時間延長1分鐘，拍賣最高價將提高0.1個百分點。樣本平均1個小時的拍賣時間對最高價的貢獻僅為6個百分點。這反映了一個問題，即拍賣時間本身并不影響拍賣價格，而是通過影響競標者人數(shù)來影響價格。正如Gonzalez等(2009)[13]對eBay上計算機顯示器拍賣的分析所示，拍賣時間與最終成交價格以及競標者人數(shù)之間關系微弱，聲譽好的賣方往往會縮短拍賣時間，因為他們無需通過延長時間來吸引更多的競標者。對于具有眾多用戶和良好聲譽的京東拍賣而言，縮短時間反而可以降低競標者的參與成本，吸引更多競標者和出價，以改善拍賣效率。

類似地，上網高峰期變量沒有對在線拍賣價格產生顯著的影響。其背后的可能原因是，賣方在高峰期投放更多的拍賣品抵消了潛在的需求擴張效應，而且上網高峰期對在線拍賣的影響更可能表現(xiàn)為對競標者進入的影響。

標題長度具有披露拍賣品信息的作用，如產品商標、參數(shù)、型號等，也反映了產品的價值，從而對拍賣最終價格具有促進作用。但是附件長度并沒有顯著提高拍賣成交價，這一方面由于標題長度與附件長度之間在披露產品信號上具有替代作用，另一方面也可能是由于字符長度并不能真正反映附件的實際多少。

值得注意的是，商城同款產品銷售的好評率與最終成交價格之間并不存在一個較高顯著水平的聯(lián)系。作為聲譽指標的好評率在已有研究中被廣泛證明為具有顯著的拍賣溢價效應(Lucking-Reiley et al., 2007[5]; Resnick et al., 2006[6]; Przepiorka, 2013[7]; Jin和Kato, 2006[8]; Livingston, 2005[9]; Dewally和Ederington, 2006[10])，但在這里，好評率對最高價的促進作用并不大。原因是：首先，在B2C拍賣中，京東商城作為唯一賣方對產品質量的保證與作為產品聲譽的好評率之間存在替代效應；其次，這里好評率為產品的好評率，而不是已有研究中賣方的歷史交易好評率，且產品聲譽已經內化在新品價格之中。正如我們在模型(2)中看到的，一旦剔除了新品價格變量，好評率則顯著促進了拍賣成交價。這意味著產品質量狀況已經反映在產品價格上。

(二)競標者行為與拍賣最高價

競拍人數(shù)對最高價的影響與拍賣理論的預測一致。更多的競標者，意味著更大的估價空間和更激烈的競標，從而推高拍賣價格。根據(jù)模型(1)可知，每增加1個競標者，最高價提高1.5個百分點。顯然，在平均11個競標者的奪寶島在線拍賣中，競標者對最高出價貢獻了16.5個百分點。忽視競標者數(shù)量會高估新品價格的價值參考效應、好評率以及拍賣持續(xù)時間對最高價的影響(見模型(3))。因此，正如拍賣理論的預測，競標者人數(shù)是決定成交價格的重要變量之一。

同樣，度量競標者異質程度的指標——競標風險，與最高價成顯著正相關系，估計系數(shù)為0.03，即競標風險提高1個單位，最高出價提高3個百分點。單人最多競價次數(shù)也與最高出價正相關，估計系數(shù)為0.015，換言之，強烈需求的競標者對最高出價有顯著影響?？紤]到多次出價具有價值披露作用，在關聯(lián)估價時，多次出價可以提高競標者對拍賣品的估價，從而推高最高價格。贏標者的出價次數(shù)與最高出價沒有顯著關系，這說明贏標者往往是有經驗者，對拍賣品價值有自己的判斷，并不會單純靠出價來贏標，而是采取多樣化的競標策略。

(三)競標者人數(shù)的內生性

先采用Lucking-Reiley等(2007)[5]的方法來處理競標者人數(shù)的內生性問題，即直接在成交價格估計模型中剔除競標者數(shù)量。結果如模型(3)所示，所有變量的符號并沒有變化，但是大小和顯著性發(fā)生了變化：新品價格、好評率、拍賣持續(xù)時間和最多競價次數(shù)等指標的影響變大，而未使用過產品和競標風險的影響變小。

由于不能控制所有影響競標者進入的因素，且直接剔除競標者人數(shù)導致新品價格的估計系數(shù)增至不合理的1.003，因而進一步采用工具變量法來解決內生性問題。根據(jù)此前的回歸可知，產品好評率為用戶對商場銷售產品的好評率，它不由拍賣方和競標者決定；上網高峰期和拍賣持續(xù)時間對最高價格的影響要么不顯著，要么影響很小(見模型(1)和模型(2))，也不受競標者控制。但這些變量無疑都會影響到競標者的進入選擇，而剔除這些工具變量對其它變量以及整個模型的解釋能力影響又很小(如模型(4)所示)。因此，這3個變量是合適的競標者人數(shù)的工具變量。正如表2注釋中的內生性檢驗所示，競標人數(shù)是內生的，且這3個工具變量是有效的。

模型(5)報告了基于上述工具變量的2SLS估計結果。與Onur和Velamuri(2014)[18]的實證研究一致，控制內生性之后，競標者數(shù)量對最高價格的影響變大，估計系數(shù)為0.043，是模型(1)的近3倍、模型(4)的2.5倍。增加一個競標者，將會使最高出價提高4.3個百分點；新品價格的價值參考作用則降為0.888；未使用過產品的最高價比使用過產品顯著高7個百分點；競標風險對最高價的影響增至0.054，而單人最多競價次數(shù)則不顯著。這些變化反映了上述變量對最高價格的影響會通過競標者數(shù)量發(fā)揮作用。當控制內生性，剝離這些變量通過競標者數(shù)量對最高價格的影響，其估計系數(shù)的大小和顯著性會發(fā)生變化。

表2中模型(6)和模型(7)結果顯示新品價格與拍賣效率成顯著的負向關系，與新品價格和最高價之差成顯著的正向關系。這說明，產品價值越高，拍賣效率越低。在賣方的其它信號發(fā)送變量中，產品是否未使用過以及產品外觀包裝良好對拍賣效率具有統(tǒng)計意義和經濟意義上的顯著影響。而在買方因素中，競標者人數(shù)、競標風險和最多競價次數(shù)均有助于顯著提高拍賣效率，但是這些變量的估計系數(shù)大小總體上小于賣方的信號發(fā)送變量。將模型(6)和模型(7)的估計結果與模型(1)進行比較可知，從拍賣效率的角度看，賣方變量估計系數(shù)與買方變量估計系數(shù)之間的差距在縮小，說明買方因素對提高拍賣效率的作用在增強，與分位數(shù)回歸結果相一致。

表2　二手品B2C在線拍賣的最高價估計

(續(xù)上表)

變量最高價(1)OLS(2)OLS(3)OLS(4)OLS(5)2SLS拍賣效率(6)OLS新品價-最高價(7)OLS外觀包裝良好0.152***0.305***0.152***0.154***0.153***5.455***-0.100**(0.048)(0.096)(0.049)(0.048)(0.031)(1.761)(0.050)上網高峰期-0.0100.035-0.006-0.3200.015(0.017)(0.046)(0.018)(0.882)(0.033)拍賣持續(xù)時間0.001***0.008***0.002***0.078***-0.004**(0.000)(0.002)(0.000)(0.024)(0.002)標題長度 0.003** 0.017*** 0.003** 0.003** 0.002***0.074***-0.002**(0.001)(0.002)(0.001)(0.001)(0.001)(0.024)(0.001)附件長度0.0000.002**0.0000.0000.0000.004-0.000(0.000)(0.001)(0.000)(0.000)(0.000)(0.011)(0.000)競拍人數(shù)0.015***0.084***0.017***0.043***0.745***-0.024***(0.003)(0.007)(0.003)(0.008)(0.172)(0.007)競標風險0.030***0.182***0.017***0.031***0.054***1.807***-0.067***(0.008)(0.024)(0.005)(0.007)(0.007)(0.466)(0.020)單人最多競價次數(shù)0.015***0.076***0.020***0.018***0.0070.963***-0.031***(0.005)(0.014)(0.005)(0.005)(0.007)(0.262)(0.011)贏標者競價次數(shù)0.002-0.010-0.0030.0010.0100.226-0.007(0.006)(0.025)(0.006)(0.006)(0.009)(0.371)(0.013)常數(shù)項-2.038***1.106*-2.225***-1.589***-1.340***-18.6871.124***(0.293)(0.568)(0.301)(0.295)(0.129)(12.523)(0.388)樣本數(shù)853853853859853850850擬合優(yōu)度0.9790.8810.9780.9790.9760.5050.902

注：模型(1)～(4)和(6)～(7)括號中的值為穩(wěn)健性HC3標準誤，模型(5)括號中的值為標準誤；*、**、***分別表示10%、5%和1%的顯著水平；最高出價、新品價格以及新品價與最高價之差均取對數(shù)；模型(5)中的工具變量為好評率、拍賣持續(xù)時間和上網高峰期；內生性檢驗表明競標者人數(shù)是內生的(Durbin (score) chi2(1) =11.993 (p=0.0005); Wu-Hausman F(1,826) =11.779 (p = 0.0006))；過度識別約束檢驗表明工具變量是有效的(Sargan (score) chi2(2) =3.981(p=0.137); Basmann chi2(2)=3.868 (p=0.145))；所有模型均控制了產品存放地和產品類型虛擬變量。

(四)拍賣價格影響因素的產品價值效應

為了估計交易雙方行為對拍賣價格的影響如何隨著產品價值變化，本文基于式(2)估計了賣方的信號發(fā)送和競標者行為在每10個分位上的系數(shù)大小，并將其與2SLS結果進行比較。為了直觀，我們將其繪成圖1。從中可知，新品價格對二手產品拍賣成交價的價值參考作用隨著成交價分位數(shù)的提高而不斷下降，在90%的高分位上，其估計系數(shù)大約為0.8。這說明新品價格的價值參考作用具有遞減效應。類似地，外觀和包裝均良好的二手產品拍賣價格對成交價格的影響也隨著因變量分位數(shù)的提高而具有遞減效應：在10%的分位上，外觀和包裝均良好的產品的成交價格比其它產品成交價格平均高出近50%，而在高分位上，其大小僅為10%。維修過的產品和使用過的產品成交價上的差異主要表現(xiàn)在成交價的低分位上，而在高分位上兩者成交價之間的差別在縮小。未使用過的產品與使用過的產品成交價的差異在不同分位上差別不大。從競標者行為方面來看，競標者人數(shù)和風險對成交價格的影響具有遞增效應：在高分位上競標者人數(shù)和競標風險對成交價格的影響高于低分位。單人最多競價次數(shù)對成交價格的影響在低分位和高分位高于中間分位，且不同分位上的估計系數(shù)均高于2SLS回歸下的結果。贏標者競價次數(shù)對成交價的影響僅在低分位上較大，這也說明贏標者更可能采取相機抉擇的出價策略，具有更豐富的競拍經驗。

注：這里的結果由不存在數(shù)據(jù)截取的(uncensored)分位數(shù)工具變量法得到，該方法采用二階段最小二乘法進行估計，其中第一階段為OLS回歸，第二階段為分位數(shù)回歸；內生變量的選擇與表2中模型(5)一致。

鑒于成交價格與產品內在價值之間的正向關系，分位數(shù)回歸的結果具有更直接的對策含義。首先，從賣方而言，對于更高價值的二手產品拍賣，由于新品價格和產品新舊程度能夠發(fā)揮的信號發(fā)送和估價參考作用在下降，而競標者之間的競標具有更大的提高成交價格的作用，提高拍賣效率則需要吸引更多的競標者。其次，對于競標者而言，想要從拍賣中獲取更大的收益，則需要避開競標者過多、價值太低和存在強烈需求者的拍賣，采取相機抉擇的出價策略。

六研究結論

運用京東奪寶島二手產品在線拍賣數(shù)據(jù)，本文檢驗了信息不對稱時賣方的信號發(fā)送和競標者行為對最高出價的影響。以賣方已建立的信譽為保證，B2C形式的二手產品在線拍賣極大地降低了交易互評聲譽機制對拍賣品價格的影響，而新品價格則發(fā)揮著最重要的二手產品價值參考作用，是決定拍賣成交價的最重要變量。產品外觀和包裝也會顯著影響二手產品拍賣的最高出價。但是，賣方的其它信號發(fā)送行為，如產品好評率、拍賣時間，對成交價格的影響十分有限。這反映了單一賣方的有效質量保證降低了在線拍賣對賣方發(fā)送產品質量信號的需要。在需求方面，競標者的數(shù)量、競標風險以及競標者最多競價次數(shù)均對最高出價產生顯著影響。但是，這些因素的影響遠遠小于賣方信號發(fā)送行為的影響。贏標者的競價次數(shù)與最高出價沒有顯著關系。對競標者數(shù)量內生性的考慮會顯著提高該變量對最高出價的影響。分位數(shù)回歸結果則進一步表明，新品價格和產品外觀包裝的價值參考作用隨著最高出價分位數(shù)的提高具有顯著的遞減效應，而競標者人數(shù)、競標風險和同一競標者的最多競價次數(shù)則隨著分位數(shù)的上升具有顯著的遞增效應。

本文的研究表明，京東商城成功地發(fā)送了二手產品的諸種信號，并吸引了競標者的積極競價，從而實現(xiàn)了較高的拍賣效率。通過把全新品價格和拍賣品新舊程度列于拍賣頁面，賣方可以有效地向競標者發(fā)送產品價值信號；同時在奪寶島拍賣首頁對高價值二手產品進行展示，增加競標人數(shù)和競價激烈程度，以彌補全新品價格不斷遞減的估價參考作用，提高拍賣效率。值得注意的是，京東拍賣的成功還得益于其它類似B2C拍賣平臺所不具備的兩大優(yōu)勢：作為全國最大的B2C電子商務平臺，以京東商城為依托的奪寶島擁有規(guī)模龐大的用戶基礎；消費者對平臺及其拍賣品質量的充分信任。這些基礎性優(yōu)勢極大地提高了京東商城B2C在線拍賣平臺的拍賣效率。

本文的研究對B2C在線拍賣平臺上的買方意味著，避開競標者過多、競標激烈的拍賣，同時采取相機抉擇的出價策略，才有可能以一個較低的價格獲得產品。但總體而言，在諸如京東奪寶島這種用戶眾多的在線拍賣平臺，競標者以巨大的價格折扣獲取產品的可能性并不大。考慮到目前奪寶島并沒有代理出價的設置，競標時間成本的存在，以及贏標的不確定性，商城新品相對于二手產品而言可能是一個更好的選擇。參與競標者的用戶應該警惕以稍低新品價格競得二手產品帶來的虛幻效用，避免“贏者的詛咒”。

[參考文獻]

[1] Ariely, D., Simonson, I.. Buying, Bidding, Playing, or Competing? Value Assessment and Decision Dynamics in Online Auctions[J].JournalofConsumerPsychology, 2003, 13(1-2): 113-123.

[2] 褚榮偉, 拱曉波. 網絡拍賣市場中成交價格的決定因素研究——賣家評級真的重要嗎?[J]. 中大管理研究, 2007, 2(1): 76-96.

[3] 孫麗麗, 葛虹, 馮玉強. 在線拍賣成交價格影響因素的實證研究——以淘寶網現(xiàn)代翡翠手鐲拍賣數(shù)據(jù)為例[J]. 信息系統(tǒng)學報, 2010, 4(1): 34-42.

[4] 周黎安, 張維迎, 顧全林等. 信譽的價值: 以網上拍賣交易為例[J]. 經濟研究, 2006, (12): 81-91.

[5] Lucking-Reiley, D., Bryan, D., Prasad, N., et al.. Pennies from eBay: The Determinants of Price in Online Auctions[J].JournalofIndustrialEconomics, 2007, 55(2): 223-233.

[6] Resnick, P., Zeckhauser, R., Swanson, J., et al.. The Value of Reputation on eBay: A Controlled Experiment[J].ExperimentalEconomics, 2006, 9(2): 79-101.

[7] Przepiorka, W.. Buyers Pay for and Sellers Invest in a Good Reputation: More Evidence from eBay[J].TheJournalofSocio-Economics, 2013, 42: 31-42.

[8] Jin, G. Z., Kato, A.. Price, Quality, and Reputation: Evidence from an Online Field Experiment[J].TheRANDJournalofEconomics, 2006, 37(4): 983-1005.

[9] Livingston, J. A.. How Valuable is a Good Reputation? A Sample Selection Model of Internet Auctions[J].ReviewofEconomicsandStatistics, 2005, 87(3): 453-465.

[10] Dewally, M., Ederington, L.. Reputation, Certification, Warranties, and Information as Remedies for Seller-Buyer Information Asymmetries: Lessons from the Online Comic Book Market[J].TheJournalofBusiness, 2006, 79(2): 693-729.

[11] Lewis, G.. Asymmetric Information, Adverse Selection and Online Disclosure: The Case of eBay Motors[J].AmericanEconomicReview, 2011, 101(4): 1535-1546.

[12] Goes, P., Tu, Y., Tung, Y. A.. Seller Heterogeneity in Electronic Marketplaces: A Study of New and Experienced Sellers in eBay[J].DecisionSupportSystems, 2013, 56(1): 247-258.

[13] Gonzalez, R., Hasker, K., Sickles, R. C.. An Analysis of Strategic Behavior in eBay Auctions[J].TheSingaporeEconomicReview, 2009, 54(3): 441-472.

[14] Trautmann, S. T., Traxler, C.. Reserve Prices as Reference Points——Evidence from Auctions for Football Players at Hattrick.org[J].JournalofEconomicPsychology, 2010, 31(2): 230-240.

[15] Popkowski Leszczyc, P. T. L., Qiu, C., He, Y.. Empirical Testing of the Reference-price Effect of Buy-now Prices in Internet Auctions[J].JournalofRetailing, 2009, 85(2): 211-221.

[16] Simonsohn, U., Ariely, D.. When Rational Sellers Face Nonrational Buyers: Evidence from Herding on eBay[J].ManagementScience, 2008, 54(9): 1624-1637.

[17] Bajari, P., Horta?su, A.. The Winner’s Curse, Reserve Prices, and Endogenous Entry: Empirical Insights from eBay Auctions[J].TheRANDJournalofEconomics, 2003, 34(2): 329-355.

[18] Onur, I., Velamuri, M.. Competition, Endogeneity and the Winning Bid: An Empirical Analysis of eBay Auctions[J].InformationEconomicsandPolicy, 2014, 26(1): 68-74.

[19] Roth, A. E., Ockenfels, A.. Last-minute Bidding and the Rules for Ending Second-price Auctions: Evidence from eBay and Amazon Auctions on the Internet[J].AmericanEconomicReview, 2002, 92(4): 1093-1103.

[20] Hossain, T.. Learning by Bidding[J].TheRANDJournalofEconomics, 2008, 39(2): 509-529.

[21] Anwar, S., McMillan, R., Zheng, M.. Bidding Behavior in Competing Auctions: Evidence from eBay[J].EuropeanEconomicReview, 2006, 50(2): 307-322.

[22] Pownall, R. A. J., Wolk, L.. Bidding Behavior and Experience in Internet Auctions[J].EuropeanEconomicReview, 2013, 61(3): 14-27.

[23] Garratt, R. J., Walker, M., Wooders, J.. Behavior in Second-price Auctions by Highly Experienced eBay Buyers and Sellers[J].ExperimentalEconomics, 2011, 15(1): 44-57.

[24] Bapna, R., Goes, P., Gupta, A.. Analysis and Design of Business-to-Consumer Online Auctions[J].ManagementScience, 2003, 49 (1): 85-101.

[25] Akerlof, G. A.. The Market for “Lemons”: Quality Uncertainty and the Market Mechanism[J].TheQuarterlyJournalofEconomics, 1970, 84(3): 488-500.

[26] Stiglitz, J. E.. Risk, Incentives and Insurance: The Pure Theory of Moral Hazard[J].GenevaPapersonRiskandInsurance, 1983, 8(26): 4-33.

[27] Spence, M.. Job Market Signaling[J].TheQuarterlyJournalofEconomics, 1973, 87(3): 355-74.

[28] Myerson, R. B.. Optimal Auction Design[J].MathematicsofOperationsResearch, 1981, 6(1): 58-73.

[29] Milgrom, P. R., Weber, R. J.. A Theory of Auctions and Competitive Bidding[J].Econometrica, 1982, 50(5): 1089-1122.

[30] Adams, C. P.. Estimating Demand from eBay Prices[J].InternationalJournalofIndustrialOrganization, 2007, 25(6): 1213-1232.

[31] Simonsohn, U., Ariely, D.. When Rational Sellers Face Nonrational Buyers: Evidence from Herding on eBay[J].ManagementScience, 2008, 54(9): 1624-1637.

[32] Hasker, K., Sickles, R.. eBay in the Economic Literature: Analysis of an Auction Marketplace[J].ReviewofIndustrialOrganization, 2010, 37(1): 3-42.

[33] 高彥彥, 孫軍. 在線拍賣價格的影響因素: 對實證文獻的一個分析[J]. 產業(yè)組織評論, 2015, 9(4).

[34] Klemperer, P.. Auction Theory: A Guide to the Literature[J].JournalofEconomicSurveys, 1999, 13(3): 227-286.

[35] MacKinnon, J. G., White, H.. Some Heteroskedasticity-consistent Covariance Matrix Estimators with Improved Finite Sample Properties[J].JournalofEconometrics, 1985, 29(3): 305-325.

[36] Davino, C., Furno, M., Vistocco, D..QuantileRegression:TheoryandApplications[M]. John Wiley & Sons, Ltd., 2014.

[37] Lee, S.. Endogeneity in Quantile Regression Models: A Control Function Approach[J].JournalofEconometrics, 2007, 141(2): 1131-1158.

[責任編輯：鄭筱婷]

[DOI]10.14007/j.cnki.cjpl.2016.03.004

[引用方式]高彥彥, 蘇煒. 二手產品B2C在線拍賣的價格影響因素分析——以京東拍賣為例[J]. 產經評論, 2016, 7(3): 45-59.

The Determinants of Price in Second-hand Products B2C Online Auction——Evidences from Auction on JD.com

GAO Yan-yanSU Wei

Abstract:Comparing to C2C online auction, B2C online auction, which has less sellers but a higher established reputation, reduces the importance of reputation mechanism in asymmetric second-hand online auctions and strengthens the role of seller’s signaling and buyer’s bidding strategies in determining the final price. This study investigates the data from the JD.com auction platform and finds that the seller’s signaling is much more important in determining the final price than the biddings of buyers. Further study with quantile regression indicates that the price effect of the seller’s most effective signaling, such as listing the price of the new product sold on JD.com and the conditions of second-hand products, decreases with the value of second-hand product, while the price effect of the number and the competition of bidders, despite small, increase with the value of second-hand product.

Key words:second-hand product; B2C; online auction; final price; quantile regression

[收稿日期]2016-01-04

[基金項目]國家社會基金青年項目“網絡經濟視角的中國產業(yè)結構優(yōu)化升級機制及其實現(xiàn)路徑研究”(項目編號：12CJY040，項目主持人：高彥彥)；中央高?；緲I(yè)務科研費基金項目“互聯(lián)網金融的信用甄別和風險控制機制研究”(項目編號：2242016S20013，項目主持人：高彥彥)；教育部人文社科基金項目“以互聯(lián)網經濟驅動產業(yè)結構調整：機制與政策建議”(項目編號：14YJC790107，項目主持人：孫軍)。

[作者簡介]高彥彥，經濟學博士，東南大學經濟與管理學院講師，主要研究方向：產業(yè)經濟；蘇煒，管理學博士，南京旅游職業(yè)學院講師，主要研究方向：企業(yè)管理。

[中圖分類號]F062.5

[文獻標識碼]A

[文章編號]1674-8298(2016)03-0045-15

感謝王玄玄同學提供的原始數(shù)據(jù)抓取工作。本文曾在南京財經大學舉辦的第二屆香樟經濟論壇上報告過，感謝與會者的評論。感謝審稿人的建設性修改意見。當然，文責自負。