吳志艷 羅繼鋒

（1. 上海對(duì)外經(jīng)貿(mào)大學(xué)工商管理學(xué)院, 上海 201620; 2. 上海交通大學(xué)安泰經(jīng)濟(jì)與管理學(xué)院，上海 200030）

一、引言

“人工智能是引領(lǐng)這一輪科技革命和產(chǎn)業(yè)變革的戰(zhàn)略性技術(shù)”已成共識(shí)。隨著人工智能技術(shù)的發(fā)展，數(shù)據(jù)支撐越來(lái)越重要。相應(yīng)的，信息泄露、算法歧視和數(shù)字鴻溝等問(wèn)題也隨之而來(lái)。例如，早在2000年，美國(guó)亞馬遜公司根據(jù)潛在用戶的人口統(tǒng)計(jì)資料、購(gòu)物歷史、上網(wǎng)行為等對(duì)DVD光盤(pán)進(jìn)行差別定價(jià)。通過(guò)這一定價(jià)策略，DVD的銷售毛利率得到了有效提升。可就在實(shí)驗(yàn)進(jìn)行還不到一個(gè)月的時(shí)候，一名亞馬遜的老用戶在DVDTalk社區(qū)和網(wǎng)友討論面臨的價(jià)格歧視。最后亞馬遜被迫停止此實(shí)驗(yàn)。2014年，亞馬遜公司開(kāi)發(fā)了一套“算法篩選系統(tǒng)”幫助亞馬遜在招聘的時(shí)候篩選簡(jiǎn)歷，開(kāi)發(fā)團(tuán)隊(duì)發(fā)現(xiàn)算法對(duì)男性應(yīng)聘者有著明顯的偏好，當(dāng)算法識(shí)別出“女性”相關(guān)詞匯的時(shí)候，便會(huì)給簡(jiǎn)歷相對(duì)較低的分?jǐn)?shù)。這種算法歧視最后被路透社曝光，亞馬遜公司也停止了算法的開(kāi)發(fā)和使用（Fernandez，2019; Vincent，2019）。

算法歧視是指在某一特定群體或類別中，基于成員的身份和特征而給予不一樣的待遇。突出表現(xiàn)為三類：其一，算法的統(tǒng)計(jì)性價(jià)格歧視，即通過(guò)算法計(jì)算用戶支付意愿，形成同一產(chǎn)品或服務(wù)在同一時(shí)間內(nèi)不同用戶所面臨的價(jià)格不一樣（Bar-Gill，2020），即大數(shù)據(jù)殺熟。其二，性別歧視，即算法對(duì)男女不同的待遇（包括價(jià)格）。其三，種族歧視，即通過(guò)算法對(duì)不同種族的成員給予不同的待遇。我國(guó)涉及算法的種族與性別歧視的現(xiàn)象并不突出，但是，算法價(jià)格歧視卻屢屢出現(xiàn)。據(jù)中國(guó)青年報(bào)對(duì)2008名受訪者調(diào)查，51.3%的人遇到過(guò)大數(shù)據(jù)“殺熟”的情況（陳全，2018）。這說(shuō)明此類現(xiàn)象非常嚴(yán)重，正成為一個(gè)社會(huì)性的問(wèn)題。我國(guó)法律法規(guī)也開(kāi)始對(duì)此現(xiàn)象進(jìn)行規(guī)制。例如2020年10月頒布的《在線旅游經(jīng)營(yíng)服務(wù)管理暫行規(guī)定》對(duì)“大數(shù)據(jù)殺熟”作了禁止性規(guī)定。但是，大數(shù)據(jù)殺熟事件還是被屢屢報(bào)道。2020年12月，《我被美團(tuán)會(huì)員割了韭菜》的網(wǎng)絡(luò)文章引起包括央視網(wǎng)、《科技日?qǐng)?bào)》《財(cái)經(jīng)》等眾多媒體的關(guān)注。目前有不少研究探討算法歧視的規(guī)制與規(guī)制后的效果。但是，鮮有研究從營(yíng)銷管理的角度探討算法歧視影響消費(fèi)者態(tài)度的內(nèi)在機(jī)理。

從營(yíng)銷管理角度而言，同一產(chǎn)品在同一時(shí)間進(jìn)行購(gòu)買(mǎi)時(shí)，當(dāng)老顧客比新顧客支付更高的價(jià)格時(shí)，老顧客會(huì)覺(jué)得企業(yè)違背公正，導(dǎo)致他們產(chǎn)生背叛感，即感知背叛。背叛一直是組織管理學(xué)的主要研究議題。在營(yíng)銷管理中，頗多學(xué)者研究消費(fèi)者感知背叛對(duì)其他因素的影響機(jī)制和感知背叛導(dǎo)致的行為結(jié)果（Baghi & Gabrielli，2021；Gregoire & Fisher，2008; Gregoire et al.，2010）。但整體看，探討算法價(jià)格歧視與感知背叛關(guān)系，并了解其背后作用機(jī)理的研究較少。因此，本文基于消費(fèi)者的視角，構(gòu)建算法價(jià)格歧視對(duì)消費(fèi)者感知背叛影響的研究模型。運(yùn)用實(shí)地實(shí)驗(yàn)方法收集數(shù)據(jù)，通過(guò)方差分析和Process分析，檢驗(yàn)不同強(qiáng)度算法價(jià)格歧視對(duì)顧客感知背叛的影響機(jī)理，揭示蓄意性歸因的中介變量作用，以及關(guān)系質(zhì)量和價(jià)格敏感度的調(diào)節(jié)變量作用，希望為其他學(xué)者解釋消費(fèi)者對(duì)算法價(jià)格歧視的反應(yīng)提供借鑒，并為網(wǎng)絡(luò)平臺(tái)企業(yè)的營(yíng)銷溝通和服務(wù)質(zhì)量管理提供借鑒。

二、文獻(xiàn)綜述

算法價(jià)格歧視一直是法學(xué)、經(jīng)濟(jì)學(xué)、管理學(xué)等領(lǐng)域的熱點(diǎn)研究問(wèn)題。解決算法價(jià)格歧視是全球人工智能行業(yè)市場(chǎng)規(guī)范的一項(xiàng)急迫任務(wù)。

Hindermann（2018）指出算法價(jià)格歧視包括基于用戶特征的算法價(jià)格歧視、基于技術(shù)特征的算法價(jià)格歧視和基于位置特征的算法價(jià)格歧視?；谟脩籼卣鞯乃惴▋r(jià)格歧視是指網(wǎng)絡(luò)平臺(tái)根據(jù)用戶的登錄時(shí)間和時(shí)長(zhǎng)、用戶的賬戶信息、用戶使用語(yǔ)言及使用語(yǔ)境、用戶的瀏覽時(shí)長(zhǎng)和瀏覽歷史等給予用戶不同的價(jià)格；基于技術(shù)特征的算法價(jià)格歧視是指網(wǎng)絡(luò)平臺(tái)根據(jù)用戶使用的操作系統(tǒng)、使用的手機(jī)或電腦的品牌和瀏覽器的差異性給予不同的價(jià)格差異；基于位置特征的算法價(jià)格歧視是指網(wǎng)絡(luò)平臺(tái)根據(jù)用戶IP地址或送達(dá)地址的不同給予不同的價(jià)格。最近國(guó)內(nèi)外相關(guān)研究中，還在經(jīng)典價(jià)格歧視理論基礎(chǔ)上，引入了消費(fèi)者損失厭惡、過(guò)度樂(lè)觀和雙邊平臺(tái)，分析價(jià)格歧視對(duì)效率和消費(fèi)者剩余的影響。蔣傳海等（2016）從消費(fèi)者角度分析跨期價(jià)格歧視與轉(zhuǎn)售價(jià)格維持。

綜合看，現(xiàn)有算法價(jià)格歧視研究主要分為三類。第一類集中在數(shù)學(xué)建模導(dǎo)致算法價(jià)格歧視對(duì)社會(huì)福利形成正面的影響。Bar-Gill（2020）從經(jīng)濟(jì)學(xué)角度探討算法價(jià)格歧視的社會(huì)福利，其研究結(jié)果顯示當(dāng)算法價(jià)格歧視把消費(fèi)者的偏好作為目標(biāo)時(shí)，算法價(jià)格歧視增加市場(chǎng)效率，提高社會(huì)福利；而當(dāng)算法價(jià)格歧視把消費(fèi)者的錯(cuò)誤感知（即需求膨脹的錯(cuò)誤感知）作為目標(biāo)時(shí)，算法價(jià)格歧視將會(huì)傷害消費(fèi)者，縮減市場(chǎng)效率，降低社會(huì)福利。Borgesius & Poort（2017）研究表明算法中個(gè)性化定價(jià)存在價(jià)格歧視行為。如果企業(yè)按照歐盟數(shù)據(jù)保護(hù)條例執(zhí)行，即在使用消費(fèi)者個(gè)體數(shù)據(jù)進(jìn)行個(gè)性化定價(jià)時(shí)，都只會(huì)并得到個(gè)體的同意后，再進(jìn)行個(gè)性化定價(jià)，這種行為消除算法價(jià)格歧視。Steppe(2017)研究歐盟《一般數(shù)據(jù)保護(hù)條例》對(duì)企業(yè)使用個(gè)人數(shù)據(jù)和數(shù)據(jù)自動(dòng)算法程序要征得數(shù)據(jù)個(gè)體的同意才可以開(kāi)展個(gè)性化定價(jià)的實(shí)施效果。第二類集中在數(shù)學(xué)建模導(dǎo)致算法價(jià)格歧視對(duì)社會(huì)福利形成負(fù)面的影響。Goldfarb &Tucker（2011）估算了歐盟數(shù)據(jù)隱私法律對(duì)網(wǎng)絡(luò)廣告推廣效果的負(fù)面影響。Campbell et al.（2015）發(fā)現(xiàn)該法律雖然消除算法歧視，卻抑制數(shù)據(jù)行業(yè)的競(jìng)爭(zhēng)態(tài)勢(shì)。時(shí)建中（2020）指出共同市場(chǎng)支配地位制度可拓展適用于算法默示共謀。第三類多采用實(shí)證方法，集中在研究歧視現(xiàn)象本身。Ge et al.（2016）基于美國(guó)知名打車(chē)平臺(tái)Uber和Lyft旅客打車(chē)數(shù)據(jù)，指出美國(guó)的出行平臺(tái)中，黑人比白人需等侯更長(zhǎng)的時(shí)間，支付更高的價(jià)格，并且女性比男性需等候更長(zhǎng)的時(shí)間，支付更高的價(jià)格。Ferrell et al.（2016）基于性別算法的價(jià)格歧視研究發(fā)現(xiàn)，對(duì)于不同性別不同價(jià)格的期望，男性比女性高。此外，基于推薦的算法價(jià)格歧視也受到學(xué)者的關(guān)注?；陔娚叹W(wǎng)站的推薦內(nèi)容，Hannak et al.（2014）對(duì)美國(guó)300家電商網(wǎng)站展開(kāi)監(jiān)測(cè)，發(fā)現(xiàn)9家網(wǎng)站涉嫌價(jià)格操縱和價(jià)格歧視。

整體而言，現(xiàn)有算法價(jià)格歧視研究集中在通過(guò)數(shù)學(xué)建模討論歧視對(duì)社會(huì)福利的影響，或者集中在研究歧視現(xiàn)象本身，較少研究在個(gè)體層面上算法價(jià)格歧視對(duì)消費(fèi)者感知和行為的影響。本文借鑒營(yíng)銷領(lǐng)域中的感知背叛相關(guān)研究，分析算法價(jià)格歧視與消費(fèi)者感知背叛，并探討其影響機(jī)理在不同情景下的異質(zhì)性。

三、研究假設(shè)

（一）算法價(jià)格歧視對(duì)消費(fèi)者感知背叛的影響

在算法價(jià)格歧視中，企業(yè)往往通過(guò)算法分析顧客的支付意愿，對(duì)同一產(chǎn)品不同顧客收取不同價(jià)格。老顧客的價(jià)格彈性較低，算法收取老顧客的價(jià)格比新顧客的價(jià)格高。但是，網(wǎng)絡(luò)平臺(tái)的老顧客們往往認(rèn)為自己作為老顧客應(yīng)該享受更多的優(yōu)惠，所以當(dāng)老顧客知道自己比新顧客需要支付更高的價(jià)格時(shí)，老顧客會(huì)覺(jué)得網(wǎng)絡(luò)平臺(tái)違背了他們的期望，進(jìn)而感到背叛。Elangovan & Shapiro（1998）指出當(dāng)被信任方有意違背信任方的期望時(shí)，致使信任方產(chǎn)生背叛。因此，網(wǎng)絡(luò)平臺(tái)通過(guò)算法違背老顧客的期望（即相較于新顧客，老顧客應(yīng)該支付更低的價(jià)格），收取老顧客比新顧客更高的價(jià)格時(shí)，使老顧客產(chǎn)生背叛感。

以往研究表明背叛感是個(gè)體面對(duì)與自身有互動(dòng)關(guān)系的其他人做出違背其期望的不當(dāng)行為而產(chǎn)生的心理反應(yīng)（Bohnet et al.，2008；Caldwell et al.，2009；周懿瑾等，2021），是消費(fèi)者與企業(yè)的互動(dòng)關(guān)系中某些互動(dòng)規(guī)范遭受到企業(yè)有意違背時(shí)的信念程度，是對(duì)被信任方的故意行為而產(chǎn)生的感受（Holloway et al.，2009；Liang，2009；李亞林和景奉杰，2016）。當(dāng)互動(dòng)的雙方感受到蓄意開(kāi)展不當(dāng)行為的一方可能會(huì)增加其福利時(shí)，便會(huì)導(dǎo)致另一方產(chǎn)生被對(duì)方背叛的感覺(jué)，這使感到背叛的一方對(duì)另一方失去信任，而且違背公正的程度越強(qiáng)，感知背叛程度越強(qiáng)烈。算法價(jià)格歧視是企業(yè)違背與消費(fèi)者間互動(dòng)規(guī)范的表現(xiàn)，是企業(yè)違背價(jià)格公平性的體現(xiàn)。消費(fèi)者（老顧客）面對(duì)企業(yè)的算法價(jià)格歧視容易產(chǎn)生背叛感，并且，算法價(jià)格歧視的程度越高，消費(fèi)者認(rèn)為企業(yè)違背公正的程度越強(qiáng)，消費(fèi)者由此產(chǎn)生的背叛感越高，即算法價(jià)格歧視的程度越高，消費(fèi)者感知背叛越強(qiáng)烈（Bougie et al.，2003；Gregoire & Fisher，2008）?；诖?，本文提出假設(shè)1。

H1：算法價(jià)格歧視強(qiáng)度會(huì)正面影響消費(fèi)者感知背叛。

（二）蓄意性歸因的中介作用

蓄意性歸因是人們認(rèn)為個(gè)體或組織是否故意導(dǎo)致一種結(jié)果發(fā)生的一種歸因（Malle & Knobe，1997；嚴(yán)瑜和何亞男，2016）。判斷個(gè)體或組織的行為是否存在蓄意性需要5條依據(jù)，即欲望（為得到某種結(jié)果的欲望）、信念（相信這種行為導(dǎo)致某種結(jié)果）、意圖（實(shí)施這種行為的意圖）、意識(shí)（有意識(shí)地執(zhí)行這種行為）和技能（具有施行這種行為的技能）。欲望和信念是意圖的必要條件，技能和意識(shí)是蓄意歸因的必要條件（Malle & Knobe，1997）。Ames & Fiske（2013）的研究表明，雖然蓄意傷害與無(wú)意傷害在客觀上對(duì)受害者的傷害程度一樣，但是，受害者認(rèn)為蓄意傷害在主觀上對(duì)受害者的傷害程度比無(wú)意傷害造成的傷害程度要更加強(qiáng)烈。相較于無(wú)意傷害，蓄意傷害導(dǎo)致更強(qiáng)烈的指責(zé)、譴責(zé)和更重的懲罰，并且，相較于無(wú)意傷害，蓄意傷害導(dǎo)致這種指責(zé)、譴責(zé)和懲罰延續(xù)的時(shí)間會(huì)更長(zhǎng)，范圍會(huì)更廣，強(qiáng)度會(huì)更大。危機(jī)公關(guān)領(lǐng)域研究表明，與過(guò)失型傷害危機(jī)相比，蓄意型傷害危機(jī)激發(fā)的消費(fèi)者負(fù)面情感更強(qiáng)，并且，蓄意型傷害危機(jī)引發(fā)的負(fù)面情感更強(qiáng)，對(duì)主品牌評(píng)價(jià)變動(dòng)更大(趙寶春等，2016）。服務(wù)營(yíng)銷研究也指出，與無(wú)意服務(wù)失敗相比，蓄意服務(wù)失敗更加無(wú)法得到消費(fèi)者的諒解 (Weiner，1985；劉鳳軍等，2019）。本文認(rèn)為蓄意歸因能夠解釋算法價(jià)格歧視對(duì)消費(fèi)者感知背叛的作用機(jī)理。當(dāng)算法價(jià)格歧視的程度較低時(shí)，消費(fèi)者會(huì)認(rèn)為網(wǎng)絡(luò)平臺(tái)自我生成的主觀意圖和主觀動(dòng)機(jī)不那么強(qiáng)，網(wǎng)絡(luò)平臺(tái)也不愿意為這么低的價(jià)格差異做出價(jià)格歧視的非理性行為。因此，消費(fèi)者會(huì)更加愿意相信較低的算法價(jià)格歧視可能是算法帶來(lái)誤差的歸因，而不是企業(yè)蓄意謀取利潤(rùn)，進(jìn)而帶來(lái)較低的感知背叛。基于此，本文提出假設(shè)2。

H2：算法價(jià)格歧視強(qiáng)度越大會(huì)使消費(fèi)者產(chǎn)生更高的蓄意性歸因，并進(jìn)而產(chǎn)生更高的感知背叛。

（三）關(guān)系質(zhì)量的調(diào)節(jié)作用

顧客經(jīng)歷產(chǎn)品或服務(wù)失敗后，關(guān)系質(zhì)量會(huì)影響到顧客對(duì)企業(yè)的評(píng)價(jià)。Gregoire &Fisher（2008）的研究發(fā)現(xiàn)，經(jīng)歷失敗的產(chǎn)品或服務(wù)后，與企業(yè)關(guān)系質(zhì)量越高的顧客，產(chǎn)生背叛感就越高，越容易對(duì)企業(yè)產(chǎn)生報(bào)復(fù)和要求補(bǔ)償?shù)男袨?。關(guān)系質(zhì)量維度包括信任、關(guān)系滿意度和關(guān)系承諾。其中信任是指顧客對(duì)企業(yè)的信賴；關(guān)系滿意度是指顧客從各個(gè)方面對(duì)企業(yè)產(chǎn)生的情感上的信任；關(guān)系承諾是指顧客愿意與企業(yè)繼續(xù)保持關(guān)系的承諾。根據(jù)公平違背理論，當(dāng)企業(yè)違背公正時(shí)，高關(guān)系質(zhì)量顧客會(huì)產(chǎn)生很低的感知公平（分配公平和過(guò)程公平），從而產(chǎn)生更高的感知背叛。相較于低關(guān)系質(zhì)量顧客，高關(guān)系質(zhì)量顧客如果遭受企業(yè)更高的不公平待遇，他們會(huì)認(rèn)為這種不公平待遇是企業(yè)的蓄意性冒犯，進(jìn)而會(huì)產(chǎn)生更強(qiáng)烈的背叛感（Goldsmith et al.，2005）。因此，本文提出假設(shè)3。

H3：當(dāng)消費(fèi)者與企業(yè)的關(guān)系為高關(guān)系質(zhì)量時(shí)，高算法價(jià)格歧視對(duì)消費(fèi)者感知背叛的影響更強(qiáng)烈。

（四）消費(fèi)者價(jià)格敏感度的調(diào)節(jié)作用

價(jià)格敏感度是消費(fèi)者個(gè)體對(duì)產(chǎn)品或者服務(wù)的價(jià)格變化產(chǎn)生的感知和反應(yīng)程度，其主要影響因素包括消費(fèi)者個(gè)體特征差異、產(chǎn)品差異和消費(fèi)者卷入度差異（Chu，2005；Fullerton，2008）。Fullerton的研究表明，高價(jià)格敏感度的顧客容易基于實(shí)際利益而做出對(duì)企業(yè)維持關(guān)系的承諾；低價(jià)格敏感度的顧客容易基于情感而對(duì)企業(yè)做出維持關(guān)系的承諾。Hoch et al.（1995）的研究表明，價(jià)格越不敏感的消費(fèi)者對(duì)品牌的忠誠(chéng)度越高。曹麗等人（2016）的研究指出，面對(duì)高價(jià)格敏感度的消費(fèi)者，積分方式對(duì)積分聯(lián)盟感知價(jià)值的影響更明顯?；谇楦兄艺\(chéng)的低價(jià)格敏感度的消費(fèi)者對(duì)算法價(jià)格歧視的感受沒(méi)有那么強(qiáng)烈，也不會(huì)形成強(qiáng)烈的背叛感。反之，基于實(shí)際利益的高價(jià)格敏感消費(fèi)者會(huì)更關(guān)注價(jià)格差異，從而就價(jià)格歧視產(chǎn)生較強(qiáng)烈的背叛感。因此，本文認(rèn)為，當(dāng)面對(duì)價(jià)格很敏感的消費(fèi)者時(shí)，高算法價(jià)格歧視對(duì)消費(fèi)者感知背叛的影響會(huì)增強(qiáng)，而面對(duì)價(jià)格不敏感的消費(fèi)者時(shí)，算法價(jià)格歧視對(duì)其感知背叛的影響會(huì)減弱。因此，本文做出假設(shè)4。

H4：當(dāng)消費(fèi)者的價(jià)格敏感度越高時(shí)，算法價(jià)格歧視對(duì)該消費(fèi)者感知背叛的影響會(huì)越強(qiáng)烈。

通過(guò)以上分析，本文建立算法價(jià)格歧視理論框架如圖1。

圖1 算法價(jià)格歧視理論框架圖

四、研究設(shè)計(jì)與結(jié)果分析

（一）算法價(jià)格歧視對(duì)消費(fèi)者感知背叛的影響機(jī)理檢驗(yàn)

本部分通過(guò)實(shí)驗(yàn)檢驗(yàn)算法價(jià)格歧視對(duì)消費(fèi)者感知背叛影響的主效應(yīng)(H1)，以及蓄意性歸因的中介變量效應(yīng)(H2)。

1.實(shí)驗(yàn)方法

前測(cè)1：主要目的在于檢驗(yàn)消費(fèi)者在哪些app經(jīng)常遭遇大數(shù)據(jù)殺熟的算法價(jià)格歧視現(xiàn)象。實(shí)驗(yàn)問(wèn)卷調(diào)研時(shí)間為2020年12月7日。共有30名被試參與了此項(xiàng)測(cè)試,測(cè)試的核心任務(wù)是讓被試寫(xiě)下在哪些網(wǎng)絡(luò)平臺(tái)經(jīng)歷過(guò)被殺熟（算法價(jià)格歧視）。資料分析結(jié)果顯示最常見(jiàn)的8個(gè)app有：美團(tuán)、滴滴、攜程、淘寶、京東、飛豬、去哪兒、拼多多，其中美團(tuán)平臺(tái)排名第一（11/30），滴滴平臺(tái)排名第二（10/30）。為此，本文的3個(gè)實(shí)驗(yàn)主要針對(duì)美團(tuán)和滴滴。實(shí)驗(yàn)1采用美團(tuán)app中的酒店預(yù)定做為實(shí)驗(yàn)對(duì)象。選擇美團(tuán)的原因也在于該品牌旗下?lián)碛斜姸喾?wù)，同時(shí)，該品牌經(jīng)常被曝具有大數(shù)據(jù)殺熟的行為。在美團(tuán)平臺(tái)上有外賣(mài)、酒店、演出/電影、旅游、機(jī)票、打車(chē)、健身/運(yùn)動(dòng)，其中在酒店預(yù)定和外賣(mài)上最容易遭受殺熟。此外，調(diào)研中，選擇“在美團(tuán)app上同一時(shí)間購(gòu)買(mǎi)同一產(chǎn)品，作為老顧客，我比新顧客多付錢(qián)。這種價(jià)格差異是美團(tuán)平臺(tái)進(jìn)行大數(shù)據(jù)殺熟，并嚴(yán)重影響了我的利益。我覺(jué)得這就是美團(tuán)平臺(tái)利用算法對(duì)老顧客進(jìn)行價(jià)格歧視”的經(jīng)歷描述者最多。

前測(cè)2：用于檢驗(yàn)算法價(jià)格歧視的存在及其強(qiáng)度的衡量。實(shí)驗(yàn)問(wèn)卷調(diào)研時(shí)間為2020年12月7日。基于Hindermann（2018）的價(jià)格歧視量表，本文將被試對(duì)美團(tuán)算法價(jià)格差異進(jìn)行衡量，即您認(rèn)為，在美團(tuán)平臺(tái)上，1）老顧客比新顧客多付錢(qián)是存在價(jià)格差異的（M=5.60）；2）老顧客比新顧客多付錢(qián)的價(jià)格差異是美團(tuán)平臺(tái)利用人工智能的算法進(jìn)行大數(shù)據(jù)殺熟（M=5.54）；3）這種價(jià)格差異嚴(yán)重影響到了您的個(gè)人權(quán)利和利益（M=5.69）；4）這是美團(tuán)平臺(tái)對(duì)老顧客的價(jià)格歧視（M=5.60）。采用Likert 7點(diǎn)評(píng)分法，1是非常不同意，7為非常同意。算法價(jià)格歧視的信度系數(shù)為0.844，效度分析中KMO值為0.811，表明信度和效度都較好。

主實(shí)驗(yàn)：實(shí)驗(yàn)問(wèn)卷調(diào)研的起止時(shí)間為2020年12月15日至16日。通過(guò)招募啟事獲得最近有計(jì)劃使用美團(tuán)平臺(tái)出去旅游的學(xué)生，并從中隨機(jī)抽取386名被試進(jìn)行集中實(shí)驗(yàn)，對(duì)他們發(fā)放問(wèn)卷，并以每人10元為報(bào)酬來(lái)完成問(wèn)卷(40.61%為男性，平均年齡20.73歲)。利用實(shí)地實(shí)驗(yàn)操控定價(jià)主體。

2.實(shí)驗(yàn)問(wèn)卷和變量測(cè)量

首先，被試先打開(kāi)美團(tuán)app回答自己以往在美團(tuán)酒店的消費(fèi)次數(shù)及金額。接著，被培訓(xùn)過(guò)的4名實(shí)驗(yàn)員（包括作者）用新手機(jī)號(hào)碼現(xiàn)場(chǎng)注冊(cè)美團(tuán)賬號(hào)，實(shí)驗(yàn)員和被試同時(shí)登錄隨機(jī)選用的“北京國(guó)賓酒店”（三星酒店），查詢2020年12月21～25日高級(jí)大床房?jī)r(jià)格，實(shí)驗(yàn)員作為新用戶宣布自己需要支付的價(jià)格是1,863元。選擇圣誕期間是希望能夠最大化操縱不同用戶的價(jià)格差異。然后，被試先填寫(xiě)實(shí)驗(yàn)員作為新用戶的支付價(jià)格，再填寫(xiě)自己的價(jià)格，最后比較自己支付的價(jià)格比新用戶的價(jià)格高多少。實(shí)驗(yàn)員在黑板上寫(xiě)上最高價(jià)格、中間價(jià)格、最低價(jià)格，這讓被試了解自己多付金額在這個(gè)群體的程度，但要求被試不要與其他被試討論價(jià)格。

其次，請(qǐng)被試回答前測(cè)2的4個(gè)問(wèn)題測(cè)量他們感知算法價(jià)格歧視的高低程度：1)這是存在價(jià)格差異的；2)您認(rèn)為這種老顧客比新顧客多付 元的價(jià)格差異是美團(tuán)平臺(tái)利用人工智能的算法進(jìn)行大數(shù)據(jù)殺熟；3)您覺(jué)得這種價(jià)格差異嚴(yán)重影響到了您的個(gè)人權(quán)利和利益；4)您覺(jué)得這是美團(tuán)平臺(tái)對(duì)老顧客的價(jià)格歧視。采用Likert 7點(diǎn)評(píng)分法，1是非常不同意，7為非常同意，算法價(jià)格歧視的a值為0.796。

然后，請(qǐng)被試回答算法價(jià)格歧視后個(gè)人感受一系列問(wèn)題。其中，借鑒Gregoire& Fisher（2008）的感知背叛量表，測(cè)量顧客“您作為老顧客比新顧客多付，這種價(jià)格差異行為，讓您覺(jué)得：1)美團(tuán)平臺(tái)對(duì)您說(shuō)了謊；2)美團(tuán)平臺(tái)欺騙了您；3)美團(tuán)平臺(tái)背叛了您；4)美團(tuán)平臺(tái)企圖利用您的數(shù)據(jù)信息；5)美團(tuán)平臺(tái)濫用您的數(shù)據(jù)信息”。通過(guò)上面5個(gè)問(wèn)題測(cè)量被試的感知背叛。感知背叛的a值為0.920。參考Vaidyanathan& Aggarwal（2003）研究中蓄意歸因的兩個(gè)測(cè)量題項(xiàng)，總結(jié)本研究蓄意歸因的兩個(gè)題項(xiàng)：1)這種價(jià)格差異是美團(tuán)平臺(tái)的故意行為；2)從主觀上來(lái)說(shuō)，美團(tuán)平臺(tái)是有意通過(guò)差別定價(jià)來(lái)追求自己的利潤(rùn)。采用Likert 7點(diǎn)評(píng)分法，1為非常不同意，7為非常同意。蓄意歸因的a值為0.790。

最后，測(cè)量本研究中其他可能的解釋變量。Bar-Gill（2019）認(rèn)為如果部分消費(fèi)者覺(jué)得算法價(jià)格歧視中存在個(gè)性化定制，會(huì)較容易接受算法價(jià)格歧視。此外，消費(fèi)者的情緒更會(huì)影響其效果。例如，某消費(fèi)者今天的心情不好，遇到算法價(jià)格歧視時(shí)，可能感到更加氣憤，認(rèn)為自己遭受?chē)?yán)重的背叛。綜上所述，本實(shí)驗(yàn)過(guò)程同時(shí)測(cè)量了個(gè)性化定制和消費(fèi)者的情緒狀態(tài)以排除這兩個(gè)因素的混淆影響。首先，測(cè)量“您認(rèn)為這種老顧客比新顧客多付 元的價(jià)格差異是美團(tuán)平臺(tái)對(duì)您進(jìn)行個(gè)性化定制的結(jié)果”；采用Likert 7點(diǎn)評(píng)分法。然后，采用Lee & Sternthal（1999）研究中的6個(gè)題項(xiàng)來(lái)測(cè)量被試在完成調(diào)查問(wèn)卷過(guò)程中的情緒狀態(tài)，是“快樂(lè)的、高興的、激動(dòng)的、沮喪的、失望的、憤怒的”。采用Likert 7點(diǎn)評(píng)分法，1為一點(diǎn)也不同意，7為非常同意。情緒狀態(tài)的a值為0.809。同時(shí)，對(duì)被試的性別、年齡、收入等人口統(tǒng)計(jì)變量進(jìn)行測(cè)量。

3.研究結(jié)果

首先，本部分研究共收到有效問(wèn)卷386份。經(jīng)計(jì)算得到被試價(jià)格與實(shí)驗(yàn)員公布的價(jià)格（1,863）差價(jià)的平均值為238.55，對(duì)問(wèn)卷進(jìn)行分組，將高于均值的問(wèn)卷（共176份）歸為高價(jià)格差異組，低于均值的問(wèn)卷（共210份）歸為低價(jià)格差異組。單因素方差分析結(jié)果表明，高價(jià)格差異組被試對(duì)算法價(jià)格歧視的評(píng)分顯著高于低強(qiáng)度組被試，其中，低價(jià)格差異組的均值為4.83，高價(jià)格差異組的均值為5.98，兩組被試得分的均方比值F（1,384）=47.63，顯著性系數(shù)p<0.001，表明本研究對(duì)算法價(jià)格歧視的操控成功。

其次，檢驗(yàn)算法價(jià)格歧視的強(qiáng)度高低對(duì)感知背叛影響的主效應(yīng)。圖2給出了不同算法價(jià)格歧視強(qiáng)度下被試對(duì)感知背叛和蓄意歸因評(píng)分均值的結(jié)果。圖2（a）為算法價(jià)格歧視對(duì)感知背叛的影響，圖2（b）為算法價(jià)格歧視對(duì)蓄意歸因的影響。由圖2（a）可知，兩組被試都感受到了背叛，但是低價(jià)格差異組被試產(chǎn)生的感知背叛程度顯著低于高強(qiáng)度組，低強(qiáng)度組的均值為4.12，高強(qiáng)度組的均值為5.38，F(xiàn)（1,384）=38.367，p<0.001。這表明與低強(qiáng)度的算法價(jià)格歧視對(duì)感知背叛的影響程度相比，高強(qiáng)度的算法價(jià)格對(duì)消費(fèi)者的感知背叛影響程度更大。因此，假說(shuō)H1得到驗(yàn)證。

圖2 算法價(jià)格歧視對(duì)消費(fèi)者感知背叛的影響以及蓄意歸因的中介作用

然后，驗(yàn)證不同強(qiáng)度的算法價(jià)格歧視對(duì)于蓄意性歸因和其他可能解釋變量的影響。由圖2（b）可知，低強(qiáng)度價(jià)格差異組被試的蓄意性歸因顯著低于高強(qiáng)度價(jià)格差異組的被試，即低強(qiáng)度組均值為4.63，高強(qiáng)度組均值為5.60，F(xiàn)（1,384）=36.420，p<0.001。這表明，與低強(qiáng)度的算法價(jià)格歧視相比，高強(qiáng)度算法歧視的消費(fèi)者更愿意相信這種算法價(jià)格歧視是企業(yè)蓄意性行為。

在控制變量上，高價(jià)格差異組的個(gè)性化定價(jià)均值為1.102，低強(qiáng)度組的均值為1.234，F(xiàn)（1,384）=0.921，p=0.217。在情緒狀態(tài)上，高強(qiáng)度的算法價(jià)格歧視組的均值為4.066，低強(qiáng)度組的均值為4.012，F(xiàn)（1,384）=0.207，p=0.325。因此，這兩個(gè)其他可能解釋的變量在高價(jià)格差異組和低價(jià)格差異組的被試評(píng)價(jià)上并不存在顯著差異，表明它們無(wú)法解釋算法價(jià)格歧視對(duì)感知背叛影響的主效應(yīng)。并且，個(gè)性化定價(jià)兩個(gè)組的均值遠(yuǎn)小于4，表明個(gè)性化定價(jià)不可能是中介變量。同時(shí)，兩組被試在情緒狀態(tài)的均值接近4，說(shuō)明被試的情緒狀態(tài)平穩(wěn)。因此，可以排除這兩個(gè)可能因素的潛在混淆影響，接下來(lái)的中介作用檢驗(yàn)不包括這兩個(gè)變量。

最后，利用Process分析中的Model 4（Hayes, 2017）檢驗(yàn)蓄意歸因的中介作用，以感知背叛為因變量，以算法價(jià)格歧視為自變量，以蓄意歸因?yàn)橹薪樽兞?。分析結(jié)果顯示，蓄意性歸因在算法價(jià)格歧視對(duì)感知背叛的影響中起部分中介作用，95%置信區(qū)間為[0.6523，1.2827]。相較于低強(qiáng)度的算法價(jià)格歧視，遭受高強(qiáng)度算法價(jià)格歧視的消費(fèi)者產(chǎn)生更高的蓄意性歸因，并產(chǎn)生更高的感知背叛。因此，假說(shuō)H2得到驗(yàn)證。

綜上所述，本部分研究利用組間實(shí)驗(yàn)的方法驗(yàn)證消費(fèi)者在遭受高強(qiáng)度算法價(jià)格歧視對(duì)感知背叛的主效應(yīng)，同時(shí)還驗(yàn)證了蓄意性歸因的中介作用。本部分研究揭示了算法價(jià)格歧視對(duì)消費(fèi)者感知背叛的作用機(jī)理，后續(xù)將檢驗(yàn)在什么條件下算法價(jià)格歧視對(duì)感知背叛的影響可能還會(huì)減弱。

（二）關(guān)系質(zhì)量的調(diào)節(jié)作用檢驗(yàn)

1.研究設(shè)計(jì)

前測(cè)1顯示，滴滴出行平臺(tái)是消費(fèi)者認(rèn)為的第二大最容易遭受殺熟的平臺(tái)，旗下的快車(chē)服務(wù)是最容易遭遇大數(shù)據(jù)殺手的服務(wù)。因此，本部分選用滴滴出行作為研究平臺(tái)。

前測(cè)3：第一個(gè)目的是檢測(cè)滴滴平臺(tái)的快車(chē)服務(wù)是不是去浦東國(guó)際機(jī)場(chǎng)最經(jīng)常使用的車(chē)型和服務(wù)。實(shí)驗(yàn)問(wèn)卷調(diào)研時(shí)間為2020年12月17日。主要對(duì)10名被試就其經(jīng)常使用滴滴出行去哪里進(jìn)行訪談?wù){(diào)研，其中，被試最經(jīng)常使用滴滴出行去浦東國(guó)際機(jī)場(chǎng)（30%）。第二個(gè)目的是檢驗(yàn)滴滴出行去浦東國(guó)際機(jī)場(chǎng)作為本研究所關(guān)注的服務(wù)產(chǎn)品是否有效，并檢驗(yàn)算法價(jià)格歧視的存在和強(qiáng)度。共有30名被試參與了此項(xiàng)測(cè)試。采用Likert 7點(diǎn)評(píng)分法，1是非常不同意，7為非常同意。前側(cè)3的結(jié)果顯示，“經(jīng)常使用滴滴去浦東國(guó)際機(jī)場(chǎng)”的問(wèn)項(xiàng)值為M=5.2；“老顧客比新顧客多付錢(qián)是存在價(jià)格差異”的問(wèn)項(xiàng)值M=5.50；“您認(rèn)為這種老顧客比新顧客多付錢(qián)的價(jià)格差異是滴滴平臺(tái)利用人工智能的算法進(jìn)行大數(shù)據(jù)殺熟”的問(wèn)項(xiàng)值為M=5.50；“您覺(jué)得這種價(jià)格差異嚴(yán)重影響到了您的個(gè)人權(quán)利和利益”的問(wèn)項(xiàng)值為M=5.36；“您覺(jué)得這是滴滴平臺(tái)對(duì)老顧客的價(jià)格歧視”的問(wèn)項(xiàng)值為M=5.43；“您認(rèn)為這種老顧客比新顧客付錢(qián)越多，滴滴對(duì)老顧客的價(jià)格歧視越嚴(yán)重”的問(wèn)項(xiàng)值為M=5.81。算法價(jià)格歧視的信度系數(shù)為0.801，KMO值為0.776，表明信度和效度良好。

主實(shí)驗(yàn)：主要目的是驗(yàn)證關(guān)系質(zhì)量的調(diào)節(jié)作用（H3）。實(shí)驗(yàn)問(wèn)卷調(diào)研的起止時(shí)間為2020年12月18日至19日。通過(guò)招募方式對(duì)321名使用滴滴出行去浦東國(guó)際機(jī)場(chǎng)的學(xué)生進(jìn)行集中實(shí)驗(yàn)，并以每人10元作為報(bào)酬來(lái)完成問(wèn)卷，有效問(wèn)卷321 (41.8%為男性，平均年齡21.23歲)。本研究對(duì)算法價(jià)格歧視的操控方法同樣采用現(xiàn)實(shí)場(chǎng)景的方法，只是把實(shí)驗(yàn)產(chǎn)品替換為滴滴出行。對(duì)關(guān)系質(zhì)量的操縱方法主要參考Gregoire & Fisher（2008）研究中采用的13個(gè)題項(xiàng)。

本部分研究的另一個(gè)目的是檢驗(yàn)蓄意歸因的調(diào)節(jié)中介作用，在高關(guān)系質(zhì)量條件下算法價(jià)格歧視將導(dǎo)致更高的蓄意歸因，進(jìn)而產(chǎn)生更高的感知背叛(H2)。

2.實(shí)驗(yàn)問(wèn)卷和變量測(cè)量

首先，被試先打開(kāi)滴滴app回答自己過(guò)去消費(fèi)滴滴的次數(shù)及金額。接著，要求被試完成Gregoire & Fisher（2008）的關(guān)系質(zhì)量測(cè)量的10個(gè)題項(xiàng)，關(guān)系質(zhì)量的a值為0.908。

其次，4名實(shí)驗(yàn)員（包括作者）用新手機(jī)號(hào)碼現(xiàn)場(chǎng)注冊(cè)滴滴賬號(hào)，實(shí)驗(yàn)員和被試同時(shí)登錄滴滴出行搜索從“上海對(duì)外經(jīng)貿(mào)大學(xué)松江校區(qū)北二門(mén)”去“浦東國(guó)際機(jī)場(chǎng)T2航站樓”快車(chē)的價(jià)格。實(shí)驗(yàn)員作為新用戶宣布自己需要支付的價(jià)格是160.3。然后，被試先填寫(xiě)實(shí)驗(yàn)員作為新用戶的支付價(jià)格，再填寫(xiě)自己的價(jià)格，最后比較自己支付的價(jià)格比新用戶的價(jià)格高多少。要求大家匯報(bào)自己付多少錢(qián)。實(shí)驗(yàn)員告知最高價(jià)格、中間價(jià)格、最低價(jià)格，要求被試之間不要討論價(jià)格。

最后，被試想象正處于上述支付價(jià)格存在差異的購(gòu)買(mǎi)實(shí)際場(chǎng)景中。請(qǐng)他們回答情緒狀態(tài)，其a值為0.836。利用與前述研究1相同的5個(gè)題項(xiàng)測(cè)量感知背叛，感知背叛的a值為0.917；利用與前述研究1相同的2個(gè)題項(xiàng)測(cè)量蓄意歸因，蓄意歸因的a值為0.870。此外，本研究還對(duì)被試的性別、年齡、收入等人口統(tǒng)計(jì)變量進(jìn)行測(cè)量。

3.研究結(jié)果

首先，從問(wèn)卷進(jìn)行分析。共收到有效問(wèn)卷321份，經(jīng)計(jì)算得到被試價(jià)格與實(shí)驗(yàn)員公布的價(jià)格（160.3元）差價(jià)的平均值為15.36，對(duì)問(wèn)卷進(jìn)行分組，將高于均值的問(wèn)卷（共157份）歸為高價(jià)格差異組，低于均值的問(wèn)卷（共164份）歸為低價(jià)格差異組。同時(shí)，將每份問(wèn)卷關(guān)系質(zhì)量均值高于4的視為高關(guān)系質(zhì)量，低于4的視為低關(guān)系質(zhì)量。對(duì)321份問(wèn)卷進(jìn)行歸類，其中，低算法歧視低質(zhì)量關(guān)系組問(wèn)卷為91份，低算法歧視高關(guān)系質(zhì)量組問(wèn)卷為73份，高算法歧視低關(guān)系質(zhì)量組的問(wèn)卷共95份，高算法歧視高關(guān)系質(zhì)量組的問(wèn)卷共62份。

其次，操縱檢驗(yàn)。以感知算法價(jià)格歧視為因變量的單因素方差分析結(jié)果表明，高價(jià)格差異組的被試對(duì)算法價(jià)格歧視的評(píng)分顯著高于低強(qiáng)度組被試，低價(jià)格差異組的均值為4.05，高價(jià)格差異組的均值為5.70，兩組被試得分的均方比值F（1,317）=78.54，p<0.001。因此，本研究的算法價(jià)格歧視操控是成功的。

然后，檢驗(yàn)關(guān)系質(zhì)量的調(diào)節(jié)作用，以感知背叛為因變量的雙因素方差分析結(jié)果表明，算法價(jià)格歧視與關(guān)系質(zhì)量的交互對(duì)感知背叛有顯著影響，F(xiàn)(1,317) = 7.616,p<0.001。圖3（a）給出了算法價(jià)格歧視與關(guān)系質(zhì)量的交互對(duì)感知背叛的影響。由圖3（a）可知，當(dāng)關(guān)系質(zhì)量較低時(shí)，低強(qiáng)度算法價(jià)格歧視的被試比高強(qiáng)度算法價(jià)格歧視的被試表示更低的感知背叛，低強(qiáng)度算法價(jià)格歧視組均值為4.62，高強(qiáng)度的算法價(jià)格歧視組均值5.32，F(xiàn)（1,317）=13.763，p<0.001。在出行領(lǐng)域中H1再次得到驗(yàn)證。同時(shí)，在高關(guān)系質(zhì)量時(shí)，兩組被試的感知背叛都提高了（低算法歧視組的均值為5.15，高算法歧視組的均值為5.61）。在高強(qiáng)度的算法價(jià)格歧視時(shí)，高關(guān)系質(zhì)量組被試在感知背叛上的評(píng)分顯著高于低關(guān)系質(zhì)量組被試，高關(guān)系質(zhì)量組的均值為5.61，低關(guān)系質(zhì)量組的均值為5.32。結(jié)果表明，關(guān)系質(zhì)量能夠增強(qiáng)算法價(jià)格歧視對(duì)感知背叛影響的方向，特別是對(duì)于低算法歧視組。因此，關(guān)系質(zhì)量在算法價(jià)格歧視對(duì)感知背叛的影響中起調(diào)節(jié)作用，H3得到驗(yàn)證。

圖3 算法價(jià)格歧視對(duì)消費(fèi)者感知背叛的影響以及蓄意歸因的中介作用和關(guān)系質(zhì)量的調(diào)節(jié)作用

接著，檢驗(yàn)算法價(jià)格歧視和關(guān)系質(zhì)量對(duì)蓄意性歸因的影響。以蓄意歸因?yàn)橐蜃兞康碾p因素方差分析結(jié)果表明，算法價(jià)格歧視與關(guān)系質(zhì)量的交互對(duì)蓄意性歸因產(chǎn)生顯著影響，F(xiàn)(1,317)=18.97, p<0.001。圖3（b）給出了算法價(jià)格歧視與關(guān)系質(zhì)量的交互對(duì)蓄意歸因的影響。由圖3（b）可知，當(dāng)高強(qiáng)度的算法價(jià)格歧視時(shí)，高關(guān)系質(zhì)量組被試在蓄意歸因上的評(píng)分顯著高于低關(guān)系質(zhì)量組被試，高關(guān)系質(zhì)量組的均值為6.10，低關(guān)系質(zhì)量組的均值為5.38。F(1,317)=16.37, p<0.001。低強(qiáng)度的算法價(jià)格歧視時(shí)，高關(guān)系質(zhì)量組被試在蓄意歸因上的評(píng)分顯著高于低關(guān)系質(zhì)量組被試，高關(guān)系質(zhì)量組的均值為5.28，低關(guān)系質(zhì)量組的均值為4.66，F(xiàn)(1,317)=11.08, p<0.01。結(jié)果表明，關(guān)系質(zhì)量能夠增強(qiáng)算法價(jià)格歧視對(duì)蓄意歸因影響的方向。上述結(jié)果為檢驗(yàn)蓄意性歸因的可調(diào)節(jié)中介作用提供了佐證。

最后，利用 Process分析中的Model 8（Hayes, 2017）檢驗(yàn)蓄意性歸因的可調(diào)節(jié)中介作用。以感知背叛為因變量，以算法價(jià)格歧視為自變量，以蓄意性歸因?yàn)橹薪樽兞?，以關(guān)系質(zhì)量為調(diào)節(jié)變量的分析結(jié)果表明，當(dāng)關(guān)系質(zhì)量較低時(shí)，蓄意性歸因顯著中介了高強(qiáng)度算法價(jià)格歧視對(duì)感知背叛的影響(95%置信區(qū)間為[0.1980, 0.4496])。當(dāng)關(guān)系質(zhì)量較高時(shí)，蓄意性歸因仍然是兩者之間關(guān)系的顯著中介變量(95%置信區(qū)間為[0.3087, 0.5561]。更加重要的是蓄意性歸因的可調(diào)節(jié)中介作用是顯著的(95%置信區(qū)間為[0.3442, 0.6582])，這表明蓄意性歸因在本研究中是顯著的可調(diào)節(jié)中介變量。

（三）消費(fèi)者價(jià)格敏感度的調(diào)節(jié)作用檢驗(yàn)

1.研究設(shè)計(jì)

前測(cè)4：第一個(gè)目的是檢測(cè)美團(tuán)平臺(tái)的外賣(mài)服務(wù)和“香茵波克現(xiàn)烤漢堡”松江大學(xué)城店是否為松江大學(xué)城最受歡迎的外賣(mài)選擇。實(shí)驗(yàn)問(wèn)卷調(diào)研時(shí)間為2020年12月20日。就美團(tuán)外賣(mài)的店家和其產(chǎn)品的選用，本研究對(duì)20名被試就其經(jīng)常光顧和喜歡的店家及其產(chǎn)品進(jìn)行訪談?wù){(diào)研，其中，“香茵波克現(xiàn)烤漢堡”松江大學(xué)城店的排名第一（35%），該店提供的“香in套餐二”（92.7%）、“香in套餐四”（83.3%）、“香in套餐六”（81.5%）和“香in套餐七”（75.4%）產(chǎn)品最受被試歡迎，排名分別為第一、第二、第三和第四。

前測(cè)4還檢驗(yàn)了選擇美團(tuán)外賣(mài)“香茵波克現(xiàn)烤漢堡”松江大學(xué)城店及其產(chǎn)品“香in套餐二”“香in套餐四”“香in套餐六”和“香in套餐七”合在一起作為本研究所關(guān)注的服務(wù)產(chǎn)品是否有效，并對(duì)算法價(jià)格歧視的存在和強(qiáng)度進(jìn)行衡量。共有40名被試參與了此項(xiàng)測(cè)試。采用Likert7點(diǎn)評(píng)分法，1是非常不同意，7是非常同意，被試首先認(rèn)為會(huì)經(jīng)常選擇美團(tuán)外賣(mài)來(lái)訂購(gòu)“香茵波克現(xiàn)烤漢堡”松江大學(xué)城店的產(chǎn)品（M=5.43）；同時(shí)，前測(cè)4的結(jié)果還顯示，1）“老顧客比新顧客多付錢(qián)是存在價(jià)格差異”的問(wèn)項(xiàng)值為M=5.66；2）“老顧客比新顧客多付錢(qián)的價(jià)格差異是美團(tuán)平臺(tái)利用人工智能的算法進(jìn)行大數(shù)據(jù)殺熟”的問(wèn)項(xiàng)值為M=6.03；3）“這種價(jià)格差異嚴(yán)重影響到了您的個(gè)人權(quán)利和利益”的問(wèn)項(xiàng)值為M=5.45；4）“這是美團(tuán)平臺(tái)對(duì)老顧客的價(jià)格歧視”的問(wèn)項(xiàng)值為M=5.79；5）“這種老顧客比新顧客付錢(qián)越多，美團(tuán)外賣(mài)對(duì)老顧客的價(jià)格歧視越嚴(yán)重”的問(wèn)項(xiàng)值為M=5.85。算法價(jià)格歧視信度的前沿系數(shù)為0.810，KMO值為0.780，表明信度和效度良好。

主實(shí)驗(yàn)：主要目的是驗(yàn)證消費(fèi)者價(jià)格敏感度的調(diào)節(jié)作用(H4)。實(shí)驗(yàn)問(wèn)卷調(diào)研的起止時(shí)間為2020年12月20日至21日。采用雙因素2（算法價(jià)格歧視：高 vs. 低）×2（價(jià)格敏感度：高 vs. 低）的組間實(shí)驗(yàn)設(shè)計(jì)。隨機(jī)對(duì)468名最近使用過(guò)美團(tuán)外賣(mài)的學(xué)生發(fā)放問(wèn)卷(其中43.36%為男性，平均年齡23.75歲)，并以每人10元作為報(bào)酬來(lái)完成問(wèn)卷。本研究對(duì)算法價(jià)格歧視的操控方法與研究1類似，同樣采用現(xiàn)實(shí)場(chǎng)景的方法，只是把實(shí)驗(yàn)產(chǎn)品替換為外賣(mài)（低價(jià)格的服務(wù)產(chǎn)品）?；谇皽y(cè)4的結(jié)果將美團(tuán)外賣(mài)中的“香茵波克現(xiàn)烤漢堡”松江大學(xué)城店及其產(chǎn)品4個(gè)套餐作為本研究的實(shí)驗(yàn)素材。對(duì)消費(fèi)者價(jià)格敏感度的操縱方法主要借鑒Goldsmith（2005）研究中采用的3個(gè)題項(xiàng)。

2.實(shí)驗(yàn)問(wèn)卷和變量測(cè)量

實(shí)驗(yàn)問(wèn)卷共分成兩個(gè)部分。首先，被試打開(kāi)美團(tuán)app回答完成自己在美團(tuán)外賣(mài)的次數(shù)及金額。接著，4名實(shí)驗(yàn)員（包括作者）用新手機(jī)號(hào)碼現(xiàn)場(chǎng)注冊(cè)美團(tuán)賬號(hào)，實(shí)驗(yàn)員和被試同時(shí)在外賣(mài)服務(wù)中選擇“香茵波克現(xiàn)烤漢堡”松江大學(xué)城店和點(diǎn)擊購(gòu)買(mǎi)其店中的“香in套餐二”“香in套餐四”“香in套餐六”“香in套餐七”共4個(gè)套餐，實(shí)驗(yàn)員作為新用戶宣布自己需要支付的價(jià)格總共為78元。然后，各位被試先填寫(xiě)實(shí)驗(yàn)員作為新用戶的支付價(jià)格，再填寫(xiě)自己的價(jià)格，最后比較自己支付的價(jià)格比新用戶的價(jià)格高多少。要求大家匯報(bào)自己多付多少錢(qián)。實(shí)驗(yàn)員告知最高價(jià)格、中間價(jià)格、最低價(jià)格，不允許被試間討論價(jià)格。

被試想象正處于上述支付價(jià)格存在差異的購(gòu)買(mǎi)實(shí)際場(chǎng)景中，請(qǐng)他們回答內(nèi)心感受的問(wèn)題。采用和前面實(shí)驗(yàn)相類似的4個(gè)題項(xiàng)測(cè)量算法價(jià)格歧視的強(qiáng)度，算法價(jià)格歧視的α值為0.817。采用和研究1相同的5個(gè)題項(xiàng)測(cè)量感知背叛，感知背叛的α值為0.870；

借鑒Goldsmith（2005）的研究，采用3個(gè)題項(xiàng)對(duì)被試的價(jià)格敏感度進(jìn)行測(cè)量，如“如果我感覺(jué)該平臺(tái)的外賣(mài)價(jià)格很高的話，我就不愿意購(gòu)買(mǎi)”等，采用Likert7點(diǎn)評(píng)法，1為非常不同意，7為非常同意，價(jià)格敏感度的α值為0.833。此外，請(qǐng)被試填寫(xiě)性別、年齡、收入等人口統(tǒng)計(jì)變量。

3.研究結(jié)果

首先，進(jìn)行直接問(wèn)卷結(jié)果分析。共收到有效問(wèn)卷468份，經(jīng)計(jì)算得到被試價(jià)格與實(shí)驗(yàn)員公布價(jià)格（78元）差價(jià)的平均值為6.05，對(duì)問(wèn)卷進(jìn)行分組，將高于均值的問(wèn)卷（共172份）歸為高價(jià)格差異組，低于均值的問(wèn)卷（共296份）歸為低價(jià)格差異組。同時(shí)，將每份問(wèn)卷價(jià)格敏感度均值高于4的定為高價(jià)格敏感度，低于4的定為低價(jià)格敏感度。對(duì)468份問(wèn)卷進(jìn)行歸類，其中，低算法歧視低價(jià)格敏感度組問(wèn)卷為146份，低算法歧視高價(jià)格敏感度組問(wèn)卷為150份，高算法歧視低價(jià)格敏感度組的問(wèn)卷共84份，高算法歧視高價(jià)格敏感度組的問(wèn)卷共88份。各組被試在性別和年齡上不存在顯著差異。

其次，對(duì)算法價(jià)格歧視強(qiáng)度進(jìn)行操控檢驗(yàn)。單因素方差分析結(jié)果表明，高價(jià)格差異組被試在算法價(jià)格歧視的感知上打分顯著高于低價(jià)格差異組被試；低價(jià)格差異組均值為4.643，高價(jià)格差異組均值為5.308，F(xiàn)(1,466)=11.531，p<0.001)，說(shuō)明對(duì)算法價(jià)格歧視的操控成功。

然后，利用Process分析中的Model 1方法（Hayes, 2017）檢驗(yàn)消費(fèi)者價(jià)格敏感度的調(diào)節(jié)作用。以感知背叛為因變量，以算法價(jià)格歧視為自變量，以價(jià)格敏感度為調(diào)節(jié)變量的分析結(jié)果表明，算法價(jià)格歧視對(duì)感知背叛影響顯著，t(464)=2.317，p=0.021，H1再次得到驗(yàn)證。算法價(jià)格歧視與價(jià)格敏感度的交互對(duì)感知背叛的影響呈現(xiàn)顯著，t(464)=2.353, p=0.018。圖4為算法價(jià)格歧視與價(jià)格敏感度交互后對(duì)感知背叛的影響。由圖4可知，高價(jià)格敏感度的被試對(duì)高強(qiáng)度算法價(jià)格歧視的感知背叛顯著高于低算法價(jià)格歧視組被試：低價(jià)格差異組的均值為4.60，高價(jià)格差異組的均值為5.22，t(464)=3.315, p=0.011。在低價(jià)格敏感度消費(fèi)者中，這兩種算法價(jià)格歧視導(dǎo)致的感知背叛存在的差異性明顯小于高價(jià)格敏感度組：低強(qiáng)度算法價(jià)格歧視組的均值為4.32，高算法價(jià)格歧視組的均值為4.64,t(464)=0.221, p=0.033。上述結(jié)果表明，消費(fèi)者的價(jià)格高敏感度在算法價(jià)格歧視對(duì)感知背叛的影響中起調(diào)節(jié)作用，在高價(jià)格敏感度的消費(fèi)者中高強(qiáng)度算法價(jià)格歧視所帶來(lái)的負(fù)面效應(yīng)更加顯著。因此，假說(shuō)H4得到驗(yàn)證。

圖4 算法價(jià)格歧視對(duì)消費(fèi)者感知背叛的影響以及價(jià)格敏感度的調(diào)節(jié)作用

綜上所述，本部分研究在外賣(mài)產(chǎn)品類別中再次驗(yàn)證了高強(qiáng)度算法價(jià)格歧視對(duì)消費(fèi)者感知背叛影響的主效應(yīng)，更加重要的是檢驗(yàn)了價(jià)格敏感度的調(diào)節(jié)變量作用，發(fā)現(xiàn)在高價(jià)格敏感度的消費(fèi)者中，算法價(jià)格歧視的影響更加顯著，因此價(jià)格敏感度是發(fā)揮高強(qiáng)度算法價(jià)格歧視積極作用的邊界條件。

五、研究結(jié)論與啟示

（一）研究結(jié)論、理論貢獻(xiàn)與不足

隨著人工智能技術(shù)的發(fā)展，數(shù)據(jù)支撐越來(lái)越重要。相應(yīng)地，信息隱私、算法歧視和消費(fèi)者信任等問(wèn)題也隨之而來(lái)。但是，消費(fèi)者如果發(fā)現(xiàn)自己作為老顧客在同一時(shí)間內(nèi)購(gòu)買(mǎi)同一產(chǎn)品的價(jià)格高于其他新顧客時(shí)，通常會(huì)產(chǎn)生感知背叛。在不同的價(jià)格歧視程度下，消費(fèi)者形成感知背叛的程度和中間機(jī)理，以及對(duì)感知背叛影響的邊界條件這些問(wèn)題還沒(méi)有得到解答。本文巧妙地運(yùn)用實(shí)驗(yàn)方法在三個(gè)不同的產(chǎn)品種類中通過(guò)操縱算法價(jià)格歧視，探討算法價(jià)格歧視對(duì)消費(fèi)者感知背叛影響的作用機(jī)理和邊界條件。結(jié)果表明，遭受較高程度的算法價(jià)格歧視消費(fèi)者比遭受較低程度算法價(jià)格歧視的消費(fèi)者產(chǎn)生更高蓄意歸因，由此產(chǎn)生更高的感知背叛。關(guān)系質(zhì)量和價(jià)格敏感度是改變算法價(jià)格歧視對(duì)感知背叛影響強(qiáng)弱的調(diào)節(jié)變量，當(dāng)消費(fèi)者與企業(yè)的關(guān)系質(zhì)量較高時(shí)，哪怕是低的價(jià)格歧視，也會(huì)給消費(fèi)者帶來(lái)更強(qiáng)的感知背叛。當(dāng)面對(duì)價(jià)格敏感度較高的消費(fèi)者時(shí)，其對(duì)感知背叛的影響也會(huì)增強(qiáng)。

本文包含三點(diǎn)理論貢獻(xiàn)。首先，從消費(fèi)者視角發(fā)現(xiàn)感知背叛是大數(shù)據(jù)殺熟式算法價(jià)格歧視的負(fù)面效果，這是感知背叛在人工智能領(lǐng)域的進(jìn)一步延伸應(yīng)用，為其他學(xué)者解釋消費(fèi)者對(duì)算法價(jià)格歧視的反應(yīng)提供借鑒，有助于更好地理解當(dāng)代消費(fèi)者面對(duì)不同程度的算法價(jià)格歧視時(shí)產(chǎn)生的不同心理認(rèn)知和行為反應(yīng)。其次，從歸因理論視角揭示了算法價(jià)格歧視對(duì)消費(fèi)者感知背叛影響的作用機(jī)理。不同于以往研究總結(jié)的責(zé)任人歸因、控制力歸因和穩(wěn)定性歸因，本文提出并論證了蓄意性歸因的中介作用，這是智能算法背景下歸因理論在營(yíng)銷領(lǐng)域的進(jìn)一步拓展應(yīng)用。最后，本文提出了關(guān)系質(zhì)量和價(jià)格敏感度是算法價(jià)格歧視的邊界條件，并論證了兩者的調(diào)節(jié)作用，這種在不同情景下的權(quán)變研究進(jìn)一步擴(kuò)大了本研究的外部效度，有助于人們更加全面系統(tǒng)地理解智能算法背景下消費(fèi)者感知背叛的形成機(jī)理。

本文也存在三點(diǎn)不足，可以在未來(lái)研究中進(jìn)一步探討。首先，在研究方法的選擇方面，本文采用的是實(shí)地實(shí)驗(yàn)的研究方法，通過(guò)現(xiàn)實(shí)場(chǎng)景數(shù)據(jù)讓被試回答實(shí)驗(yàn)問(wèn)卷對(duì)相關(guān)變量進(jìn)行測(cè)量。這可能會(huì)影響本文研究的外部效度與對(duì)企業(yè)實(shí)踐指導(dǎo)的針對(duì)性，類似于隱私悖論，顧客可能在態(tài)度上反對(duì)算法價(jià)格歧視，另一方面卻很可能因?yàn)樾《餍』菥洼p易向平臺(tái)出讓自己的個(gè)人數(shù)據(jù)，在行為上接受算法歧視。未來(lái)的研究可以采用二手?jǐn)?shù)據(jù)分析的方法檢驗(yàn)本研究的各項(xiàng)假設(shè)，比如可以利用爬蟲(chóng)軟件抓取用戶產(chǎn)品評(píng)論中與價(jià)格有關(guān)的信息，通過(guò)內(nèi)容分析的方法檢驗(yàn)關(guān)于算法價(jià)格歧視對(duì)消費(fèi)者感知背叛的影響。其次，在因變量的拓展方面，本文研究重點(diǎn)關(guān)注了算法價(jià)格歧視對(duì)感知背叛的影響，除此之外還應(yīng)該進(jìn)一步研究算法價(jià)格歧視對(duì)感知背叛影響后的后續(xù)行為，以及如何在維持企業(yè)利潤(rùn)的情況下，減低算法價(jià)格歧視行為。最后，還可以進(jìn)一步探討其他調(diào)節(jié)變量的作用，本文的研究只檢驗(yàn)了關(guān)系質(zhì)量和價(jià)格敏感度的調(diào)節(jié)作用，但是企業(yè)如何測(cè)量消費(fèi)者價(jià)格敏感度也是很難操控的變量，這也使得本文研究結(jié)果的應(yīng)用價(jià)值具有很大局限性。

（二）管理啟示

首先，為網(wǎng)絡(luò)平臺(tái)企業(yè)的營(yíng)銷溝通提供借鑒。本文研究表明，消費(fèi)者認(rèn)為高程度的算法價(jià)格歧視會(huì)讓他們產(chǎn)生更強(qiáng)烈感知背叛的負(fù)面效果。因此，企業(yè)在營(yíng)銷中應(yīng)盡可能地減少大數(shù)據(jù)殺熟式的價(jià)格歧視，并把算法細(xì)節(jié)公布于眾，這樣可以增強(qiáng)消費(fèi)者對(duì)企業(yè)的信任感。同時(shí)，企業(yè)應(yīng)該采用其他算法或助推的方式來(lái)進(jìn)行定價(jià)。由于動(dòng)態(tài)定價(jià)不針對(duì)老用戶等用戶群體，是根據(jù)需求關(guān)系而變動(dòng)價(jià)格，因此這不僅在一定程度上能消除顧客被“殺熟”的體驗(yàn)，而且會(huì)常常讓顧客覺(jué)得性價(jià)比高。其次，采用人工智能算法進(jìn)行定價(jià)的企業(yè)應(yīng)該更加注重企業(yè)與消費(fèi)者關(guān)系質(zhì)量的維護(hù)，避免算法價(jià)格歧視的產(chǎn)生。本文結(jié)果顯示，相較于低關(guān)系質(zhì)量，消費(fèi)者與企業(yè)的關(guān)系質(zhì)量越高時(shí)，算法價(jià)格歧視對(duì)感知背叛的影響越強(qiáng)烈。這要求算法平臺(tái)企業(yè)管理者嚴(yán)格管理定價(jià)，維護(hù)消費(fèi)者權(quán)益，以預(yù)防算法價(jià)格歧視的發(fā)生。對(duì)于并不了解算法價(jià)格歧視為何對(duì)企業(yè)帶來(lái)負(fù)面影響的平臺(tái)企業(yè)，需要更加關(guān)注蓄意歸因在算法價(jià)格歧視對(duì)感知背叛中的中介作用。因?yàn)殛P(guān)注蓄意歸因的中介作用也就等于真正了解算法價(jià)格歧視為何帶來(lái)嚴(yán)重負(fù)面影響的原因。此外，算法價(jià)格歧視為何會(huì)對(duì)一些消費(fèi)者帶來(lái)義憤填膺的后果，這不僅是蓄意歸因的原因，而且也是價(jià)格敏感的消費(fèi)者，其背叛感更高一些的原因。因此，了解消費(fèi)者價(jià)格敏感度的高低有助于算法價(jià)格歧視企業(yè)如何分類管理消費(fèi)者，以達(dá)到更好的管理成效。