劉延雪

（天津師范大學(xué)政治與行政學(xué)院，天津 300387）

一、引言

近些年來，隨著互聯(lián)網(wǎng)技術(shù)蓬勃發(fā)展，一些先進(jìn)的互聯(lián)網(wǎng)技術(shù)，如5G、大數(shù)據(jù)等先進(jìn)的數(shù)字技術(shù)已融入人們生活中，互聯(lián)網(wǎng)數(shù)據(jù)逐步發(fā)展成為一種重要的戰(zhàn)略性資源，甚至成了許多企業(yè)的發(fā)展數(shù)字資源。在大數(shù)據(jù)分析、大數(shù)據(jù)挖掘等技術(shù)的支撐下，眾多企業(yè)通過利用網(wǎng)絡(luò)技術(shù)，搜集和分析消費(fèi)者的數(shù)據(jù)，對消費(fèi)者進(jìn)行個(gè)性化需求分析，制定出吸引消費(fèi)者且易于被他們所認(rèn)可的營銷方案，最大程度地促進(jìn)其消費(fèi)，提升企業(yè)的銷售成功率，為企業(yè)創(chuàng)造更多的訂單和利潤。然而，由于商業(yè)的趨利性，部分企業(yè)會選擇對數(shù)據(jù)信息進(jìn)行灰色化分析和使用，將算法價(jià)格歧視當(dāng)作提高銷售額的手段。在此情況下，企業(yè)根據(jù)不同消費(fèi)人群的消費(fèi)心理和消費(fèi)習(xí)慣等，記錄和分析顧客的消費(fèi)心態(tài)和消費(fèi)行為，對相同的商品進(jìn)行差異化定價(jià)，導(dǎo)致部分人群的消費(fèi)開支增大，從而損害消費(fèi)者權(quán)益。在感受到自身遭遇到算法價(jià)格歧視時(shí)，不同的人群對這一行為的感知背叛感也存在差異，進(jìn)而所引發(fā)的連鎖反應(yīng)也存在不同。因此，了解不同群體的感知背叛程度及規(guī)避算法價(jià)格歧視的出現(xiàn)，對電子商務(wù)的發(fā)展具有重要意義。

二、算法價(jià)格歧視的機(jī)理分析

（一）算法價(jià)格歧視的具體實(shí)現(xiàn)步驟

實(shí)施算法價(jià)格歧視的過程在各個(gè)行業(yè)中呈現(xiàn)出不同的特性，但總的來說，可以分為三個(gè)主要階段，即“數(shù)據(jù)匯集階段—算法判定階段—信息推送階段”。

1.數(shù)據(jù)匯集階段

在數(shù)字化的時(shí)代背景下，許多經(jīng)濟(jì)行為都被數(shù)字化記錄下來，同時(shí)網(wǎng)絡(luò)平臺也儲存了大量用戶的設(shè)備信息、服務(wù)記錄、身份信息及行為偏好等數(shù)據(jù)。這些數(shù)字信息通常被稱為用戶的“元數(shù)據(jù)”。要獲得這些“元數(shù)據(jù)”，首要步驟是收集數(shù)據(jù)，將分散在各處的“元數(shù)據(jù)”整合到一個(gè)統(tǒng)一的數(shù)據(jù)集中，通過對這些“元數(shù)據(jù)”進(jìn)行適當(dāng)?shù)霓D(zhuǎn)換，就能得到用戶的特征數(shù)據(jù)。這些特征數(shù)據(jù)通?？梢苑譃橄M(fèi)者屬性數(shù)據(jù)和消費(fèi)者行為數(shù)據(jù)兩大類。消費(fèi)者的主要特征數(shù)據(jù)包括用戶畫像（如性別、年齡、職業(yè)等）、地理畫像（如所在的行政區(qū)域和級別等）、設(shè)備畫像（如登錄的設(shè)備品牌、型號等），而消費(fèi)者的行為數(shù)據(jù)則包括他們常使用的APP、頻繁關(guān)注的頻道及在購物時(shí)的支付方式（如微信、支付寶、銀聯(lián)等）。在過去，個(gè)人隱私信息主要由政府部門統(tǒng)一管理，然而在數(shù)字化的時(shí)代，如網(wǎng)絡(luò)運(yùn)營商、平臺運(yùn)營商、智能設(shè)備制造商等非政府組織，可以方便地獲取全面的樣本數(shù)據(jù)，獲取的用戶數(shù)量、樣本覆蓋面和時(shí)間跨度都大大超越了過去。當(dāng)前，企業(yè)對數(shù)據(jù)元素的競爭已轉(zhuǎn)變?yōu)殛P(guān)鍵資源，因此，大數(shù)據(jù)也被視為21世紀(jì)等同“石油”的重要資源。

2.算法判定階段

根據(jù)石穎（2022）的觀點(diǎn)，在數(shù)字化的信息時(shí)代，許多社會經(jīng)濟(jì)企業(yè)部門已逐漸開始使用算法作為決策的手段。這些算法能夠?qū)Υ笈鷶?shù)據(jù)進(jìn)行融合、排序、分類、培養(yǎng)，然后把問題拆分為若干個(gè)子問題，創(chuàng)建數(shù)據(jù)集，給各種數(shù)據(jù)打上標(biāo)記，最終利用機(jī)器學(xué)習(xí)方法去分析和預(yù)測新的數(shù)據(jù)。

通常，機(jī)器學(xué)習(xí)存在兩種不同的識別方式。一種是監(jiān)控識別方式，利用已標(biāo)記的數(shù)據(jù)樣本來構(gòu)建“輸入”和“輸出”之間的規(guī)則；另一種是無監(jiān)控識別方式，直接識別未標(biāo)記的數(shù)據(jù)并創(chuàng)建相應(yīng)的規(guī)則模式。如今，算法已轉(zhuǎn)變?yōu)槿祟愃季S的一種表現(xiàn)形式，基于已有的知識體系和經(jīng)驗(yàn)判斷，在特定環(huán)境下能夠自我推導(dǎo)出因果關(guān)系。隨著算法決策的普遍應(yīng)用，算法也逐步演變?yōu)橐环N新的社會經(jīng)濟(jì)管理模式，成為人類創(chuàng)造的一種用于規(guī)范并影響個(gè)人行為和社會秩序的工具。盡管算法的運(yùn)行方式可能是完全公正的，但算法編寫、參數(shù)挑選和標(biāo)記都包含了編程人員的個(gè)人決定。特別是對那些由商業(yè)資金支配的互聯(lián)網(wǎng)平臺公司來說，算法的運(yùn)行方式深深地烙上了商業(yè)邏輯的印記，這導(dǎo)致了其獨(dú)立性、客觀性和公正性遭到了普遍的懷疑。

3.信息推送階段

借助消費(fèi)者在平臺所留下的“數(shù)字足跡”，平臺公司運(yùn)用算法技術(shù)為其建立“數(shù)字畫像”，根據(jù)利潤最大化的準(zhǔn)則，針對特定的消費(fèi)人群實(shí)施有針對性的營銷和差異化的定價(jià)。通過運(yùn)用算法，平臺公司能夠篩選出那些對價(jià)格不太敏感的消費(fèi)者作為推銷對象，而這些消費(fèi)者的購買決定往往是由習(xí)慣性的心態(tài)所影響，當(dāng)他們對某個(gè)網(wǎng)絡(luò)平臺有了深入了解之后，就不再愿意花費(fèi)更多的時(shí)間去比較通過各種渠道購買商品的價(jià)格和質(zhì)量。此類消費(fèi)者被稱為對該平臺有依賴或黏性的用戶，同時(shí)他們也是算法價(jià)格偏差的主要受害者。由于這些平臺的忠實(shí)用戶無法立即感知到其商品或服務(wù)的某種程度的變動，因此網(wǎng)站能夠借助消費(fèi)者的習(xí)慣思考，對他們實(shí)施漲價(jià)政策并通過發(fā)布個(gè)性化廣告、精準(zhǔn)推送等手段，使其陷入高額消費(fèi)的陷阱。目前的計(jì)算機(jī)系統(tǒng)能夠根據(jù)每一個(gè)用戶創(chuàng)造獨(dú)特的數(shù)據(jù)模型并持續(xù)追蹤，協(xié)助公司識別出導(dǎo)致用戶不合理消費(fèi)或者易受傷害的主要原因，并借此機(jī)會把消費(fèi)欲望變成了實(shí)際的購買行動。

（二）算法歧視的經(jīng)濟(jì)學(xué)分析

依托經(jīng)濟(jì)學(xué)分析框架，可從福利的角度來分析算法價(jià)格歧視的具體實(shí)現(xiàn)過程及其后續(xù)影響。在這一過程中，需要對經(jīng)濟(jì)學(xué)模型進(jìn)行必要的假設(shè)，并對一些相關(guān)的參數(shù)進(jìn)行界定、說明。通過分析網(wǎng)絡(luò)電商平臺與用戶之間的均衡關(guān)系，假定交易雙方都是理性經(jīng)濟(jì)人，并且在購物的消費(fèi)者中存在一定比例的消費(fèi)者對商品的價(jià)格敏感度較低（即算法價(jià)格歧視中更容易被加價(jià)的對象）。為進(jìn)一步分析福利的變化，還需要假設(shè)參與交易的消費(fèi)者只消費(fèi)兩種不同的商品分別是商品A 和商品B，其中一種商品是從網(wǎng)絡(luò)平臺購買的。而另一種則是通過非網(wǎng)絡(luò)的形式購買，從而可以在一定程度上展現(xiàn)實(shí)際生活中商品交易的多樣性。

基于上述原則設(shè)定，通過效用水平和福利水平變化來對算法價(jià)格歧視的經(jīng)濟(jì)學(xué)影響進(jìn)行分析。與此同時(shí)，進(jìn)一步對部分參數(shù)進(jìn)行核校，其中消費(fèi)者買單一個(gè)商品的價(jià)格是p，所帶來的效用用u表示，市場中所有的消費(fèi)者都有著總收入的約束；在總收入中消費(fèi)者用于網(wǎng)絡(luò)購物的消費(fèi)比例是y，并且存在著一部分對價(jià)格不敏感的消費(fèi)者群體，其比例是λ，在網(wǎng)絡(luò)電商平臺中企業(yè)銷售產(chǎn)品的成本是θ，這一成本也就是網(wǎng)絡(luò)電商平臺商戶可以接受的最低的銷售價(jià)格，而商戶在銷售過程中對平臺價(jià)格不敏感用戶的加價(jià)幅度為c。

1.沒有算法價(jià)格歧視影響下的福利分析。研究中先從不存在價(jià)格歧視角度下分析不同的市場交易主體的福利狀況，在商家不實(shí)現(xiàn)算法價(jià)格歧視的情況下，商家對所有的消費(fèi)者都采用統(tǒng)一的定價(jià)策略，此時(shí)從網(wǎng)絡(luò)上購買商品A的價(jià)格是pA，而非網(wǎng)購的商品B價(jià)格定價(jià)為pB，此時(shí)單個(gè)消費(fèi)者可以獲得的總效用則為：

而就網(wǎng)絡(luò)平臺的銷售商家來說，如果有n個(gè)消費(fèi)者選擇從線上平臺消費(fèi)，則經(jīng)濟(jì)剩余約為：

社會總福利為：

2.存在算法價(jià)格歧視影響下的福利分析。在存在算法價(jià)格歧視時(shí)，如果網(wǎng)絡(luò)平臺商家針對部分價(jià)格不敏感的用戶進(jìn)行算法價(jià)格歧視，那么相比于傳統(tǒng)的定價(jià)策略則會產(chǎn)生相應(yīng)的變化，如果平臺對價(jià)格不敏感的用戶的價(jià)格幅度是ε，在此情況下所有消費(fèi)者的總效用則變化為：

對很多的網(wǎng)絡(luò)電商公司來說，企業(yè)的經(jīng)濟(jì)剩余變化為：

社會總福利為：

3.上述兩種狀況的對比分析

通過對這兩種不同的狀況下的消費(fèi)者總效用及社會總福利的變化情況，分析算法價(jià)格歧視的經(jīng)濟(jì)學(xué)差異。對比公式（2）與公式（5），可以得出網(wǎng)絡(luò)電商平臺在進(jìn)行算法價(jià)格歧視定價(jià)之后，其總體的經(jīng)濟(jì)剩余提高了nθε，但反觀消費(fèi)者的總效用則是出現(xiàn)了明顯下降，而社會總福利的變化無法得出一個(gè)準(zhǔn)確結(jié)果，需要進(jìn)一步分析才可以得出較為精確的結(jié)果。

三、研究設(shè)計(jì)與結(jié)果分析

（一）算法價(jià)格歧視對顧客感知背叛的影響機(jī)理檢測研究

以實(shí)驗(yàn)的方式來分析算法價(jià)格歧視與消費(fèi)者感知背叛之間的關(guān)系。一方面，假定算法價(jià)格歧視的程度越高，消費(fèi)者所感受的背叛程度也越高。另一方面，算法價(jià)格歧視越大，用戶動機(jī)屬性就會越高，因此其對交易行為的認(rèn)知也就越高。

1.實(shí)驗(yàn)法

預(yù)調(diào)查：研究目標(biāo)是在什么樣的應(yīng)用中，用戶最容易遇到“大數(shù)據(jù)殺熟”這一問題。以2022 年12月7 日為研究時(shí)間節(jié)點(diǎn)，進(jìn)行了相關(guān)的調(diào)查研究。選取30個(gè)研究對象，要求他們描述出在哪個(gè)在線平臺上被殺熟（包括算法價(jià)格歧視）。從數(shù)據(jù)統(tǒng)計(jì)看，排名依此分別是美團(tuán)、滴滴、攜程、淘寶、京東、飛豬、去哪兒、拼多多等，美團(tuán)和滴滴分別以11/30 和10/30 的比例排在第一、第二位。因此，將進(jìn)一步以美團(tuán)、滴滴作為研究對象。

實(shí)驗(yàn)一，以美團(tuán)中的酒店預(yù)訂系統(tǒng)為研究樣本，進(jìn)行實(shí)證研究結(jié)合預(yù)調(diào)查實(shí)驗(yàn)。美團(tuán)之前被曝光存在有大數(shù)據(jù)殺熟現(xiàn)象，所以選擇美團(tuán)作為實(shí)驗(yàn)對象，并且調(diào)查發(fā)現(xiàn)在美團(tuán)提供的服務(wù)中，酒店預(yù)訂和外賣是最有可能被“宰”的。另外，在調(diào)查中，如果消費(fèi)者同時(shí)在美團(tuán)上購買了同樣的商品，那么很可能會被美團(tuán)認(rèn)定為一個(gè)忠實(shí)的客戶，而不是一個(gè)新客戶，忠實(shí)客戶在購買相同的商品時(shí)就有可能會出現(xiàn)差價(jià)，這樣的差價(jià)實(shí)際上就是美團(tuán)對其“大數(shù)據(jù)”進(jìn)行了“殺熟”，對消費(fèi)者的權(quán)益可能造成極大損害。

實(shí)驗(yàn)二，測試算法中的價(jià)格歧視是否真實(shí)及強(qiáng)弱。以2022年12月7日為研究時(shí)間節(jié)點(diǎn)，進(jìn)行了調(diào)查研究。使用Hindermann（2018）的算法價(jià)格歧視問卷，測量美團(tuán)的算法價(jià)格歧視。第一，美團(tuán)（M=5.60）熟客較新客多支付；第二，美團(tuán)通過AI算法（M=5.54）對新客戶的“高價(jià)”進(jìn)行了“大數(shù)據(jù)殺熟”；第三，這樣的差價(jià)會對個(gè)人權(quán)益產(chǎn)生重大的影響（M=5.69）；第四，這是美團(tuán)（M=5.60）對熟客進(jìn)行了價(jià)格歧視。使用Likert7 進(jìn)行打分，1 表示很反對，7 表示很贊同。對算法定價(jià)歧視進(jìn)行的信度和效度檢驗(yàn)結(jié)果分別為0.844、0.811，顯示出較好的信效度。

實(shí)驗(yàn)三，以2022 年12 月15 日—16 日為研究時(shí)間節(jié)點(diǎn)，進(jìn)行本次調(diào)查。以使用美團(tuán)的個(gè)體為主要研究對象，采用定向試驗(yàn)方法，收集近期有出游意向的386位大學(xué)生信息，開展定向?qū)嶒?yàn)，填寫相關(guān)調(diào)查表。

2.調(diào)查分析結(jié)果

首先，根據(jù)得到的386位調(diào)查結(jié)果，將這些調(diào)查對象分成高、低差價(jià)兩個(gè)群體。單變項(xiàng)檢驗(yàn)顯示，高價(jià)差群體對算法價(jià)格歧視的分值明顯大于低價(jià)差群體，高、低差價(jià)群體兩者間的均值差為47.63，P＜0.001，表明研究結(jié)果能夠有效地測算出算法的價(jià)格歧視。

其次，研究算法價(jià)格歧視對用戶感知背叛的影響。圖1 展示了調(diào)查對象在不同的運(yùn)算法則下，在感知背叛和蓄意歸因分?jǐn)?shù)上的價(jià)格歧視。圖1（a）是針對感知背叛而產(chǎn)生的算法價(jià)格歧視的影響，圖1（b）則是針對蓄意歸因而產(chǎn)生的算法價(jià)格歧視。從圖1（a）可以看出，兩個(gè)群體都存在價(jià)格背叛行為，而低價(jià)群體所感覺到的價(jià)格背叛明顯比高價(jià)群體要少，結(jié)合圖（16）低價(jià)群體的感知背叛和畜意歸圖平均水平分別為4.11、4.62，P＜0.001。結(jié)果顯示，相對于較弱的算法價(jià)格歧視，較高的算法定價(jià)會對用戶的感知背叛產(chǎn)生更大的作用。

圖1 算法定價(jià)歧視化對顧客忠誠認(rèn)知的影響及其蓄意歸因在其中的調(diào)節(jié)效應(yīng)

圖2 算法價(jià)格歧視對顧客感知背叛的影響及蓄意歸因的中介作用和關(guān)系質(zhì)量的調(diào)節(jié)效應(yīng)

在此基礎(chǔ)上，檢驗(yàn)算法價(jià)格歧視對決策動機(jī)及其他可能的解釋變量的作用。從圖1（b）可以看出，低價(jià)群體對欲望的感知比高價(jià)群體要低，同理高消費(fèi)水平的消費(fèi)者平均水平分別為為5.37、5.6，P＜0.001。研究結(jié)果顯示，相對于較弱的算法價(jià)格歧視，較高程度的算法歧視讓用戶更傾向于認(rèn)為其是廠商故意為之。

其中，高價(jià)群體個(gè)體化定價(jià)均值1.102，低價(jià)群體為1.234、F=0.921、P=0.217。情感狀況方面，高學(xué)歷者平均為4.066，學(xué)歷較低者為4.012，F(xiàn)=0.207，P=0.325。因此，這兩個(gè)因素對算法價(jià)格歧視不大的群體的評估不明顯，不能用來解釋算法價(jià)格歧視對感知背叛的作用。而且高、低價(jià)個(gè)體化定價(jià)平均值都遠(yuǎn)小于4，表明個(gè)體化價(jià)格不會成為一個(gè)中間變量。另外，兩個(gè)實(shí)驗(yàn)對象的平均情感水平都在4左右，表明實(shí)驗(yàn)對象的情感較穩(wěn)定，由此將這兩種可能的干擾因素剔除。

采用過程模型4（Hayes，2017）來檢驗(yàn)蓄意歸因?qū)φJ(rèn)知加工的影響。結(jié)果表明，蓄意特征變量對出賣知覺的預(yù)測存在顯著的干擾作用，95%的置信區(qū)間為[0.6523，1.2827]。對于較弱的算法價(jià)格歧視而言，被算法價(jià)格歧視的用戶具有較高的動機(jī)和較高的感知背叛。由此，用戶受到的算法價(jià)格歧視越大，用戶的動機(jī)屬性及其對交易行為的認(rèn)知都會更高。

總之，通過對比實(shí)驗(yàn)，檢驗(yàn)高強(qiáng)度的算法價(jià)格歧視對感知背叛的主效應(yīng)和檢驗(yàn)動機(jī)的調(diào)節(jié)機(jī)制。這一研究將從理論上闡明算法價(jià)格歧視對用戶感知背叛的機(jī)制，并進(jìn)一步考察在何種情況下這種效應(yīng)仍有可能被削弱。

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

1.實(shí)驗(yàn)設(shè)計(jì)

預(yù)調(diào)查表明，在用戶眼中，滴滴是排名第二的“殺熟”應(yīng)用，而其提供的“快車”服務(wù)則是最有可能成為“大數(shù)據(jù)殺手”的一類。因此，選擇滴滴出行為研究對象。

首先測試滴滴提供的特快車是否適合前往浦東國際機(jī)場。一是以10 位使用滴滴軟件的受訪者為代表，他們常用的“滴滴出行”到浦東機(jī)場的次數(shù)最多（30%）。二是以“滴滴出行”前往浦東國際機(jī)場為例，對其定價(jià)機(jī)制與合理性進(jìn)行實(shí)證分析。實(shí)驗(yàn)對象為30 人。使用Likert7 打分，1表示很反對，7 表示很贊同。在問卷調(diào)查中，第一，“前往浦東國際機(jī)場的常用滴滴服務(wù)”的問題，M=5.20。第二，“新客戶支付的費(fèi)用高于新客戶，是因?yàn)橛卸▋r(jià)歧視”的問題，M=5.50。第三，“你覺得，新客戶和新客戶之間的差價(jià)，是不是因?yàn)榈蔚问褂昧薃I 技術(shù)，導(dǎo)致了這個(gè)問題”“你認(rèn)為這個(gè)差價(jià)對你的權(quán)益造成了很大的損害”的問題，M=5.36 第四，“你認(rèn)為這種行為屬于滴滴對熟客的定價(jià)行為”的問題，M=5.43。計(jì)算結(jié)果顯示，算法定價(jià)歧視的信效度分別為0.801 和0.776，說明該量表具有較好的信效度。

主實(shí)驗(yàn)：檢驗(yàn)關(guān)系質(zhì)量對結(jié)果的影響。以2022 年度12 月18 日—19 日為研究對象，采用隨機(jī)抽樣的方法，選取321位搭乘滴滴出行前往浦東國際機(jī)場的乘客。借鑒真實(shí)情境下的算法價(jià)格歧視行為，并以Gregoire ＆ Fisher（2008）研究結(jié)果為基礎(chǔ)，對關(guān)系質(zhì)量的控制效應(yīng)進(jìn)行研究。

2.調(diào)查分析結(jié)果

首先，對調(diào)查結(jié)果進(jìn)行統(tǒng)計(jì)。共獲得321 個(gè)有效的調(diào)查結(jié)果。將調(diào)查結(jié)果分成兩類，其中，平均水平較高的（157 個(gè)）被納入高算法歧視，而較低的（164 個(gè)）則屬于低算法歧視。在此基礎(chǔ)上，將高、低算法歧視中又分為高、低關(guān)系質(zhì)量兩個(gè)類別。在低算法歧視中，91 個(gè)低關(guān)系質(zhì)量結(jié)果，73 個(gè)關(guān)系高質(zhì)量結(jié)果，在高算法歧視中，95 個(gè)低關(guān)系質(zhì)量結(jié)果，62個(gè)高關(guān)系質(zhì)量結(jié)果。

其次，對實(shí)驗(yàn)操作的有效性進(jìn)行檢查。在考慮了對算法價(jià)格歧視后，發(fā)現(xiàn)高價(jià)歧視群體對算法價(jià)格歧視的評價(jià)分?jǐn)?shù)明顯大于低價(jià)歧視群體，低價(jià)位歧視群體的平均分?jǐn)?shù)為4.05，高價(jià)位歧視群體的平均分?jǐn)?shù)為5.70，兩者之間的平均比率F(1317)=78.54，P＜0.001。所以，筆者所提出的針對算法定價(jià)歧視化操作方法有效。

在此基礎(chǔ)上，采用兩因子變異數(shù)回歸方法，構(gòu)建基于信任度的兩因子變異數(shù)回歸模型，發(fā)現(xiàn)算法價(jià)格歧視和關(guān)系質(zhì)量之間存在著明顯的負(fù)反饋效應(yīng)。在用戶認(rèn)知中，算法價(jià)格歧視和關(guān)系品質(zhì)之間的相互作用，低關(guān)系質(zhì)量下，低算法價(jià)格歧視的被調(diào)查對象表現(xiàn)出了明顯的感知背叛，其中，群體的感知背叛平均水平分別為4.62、5.32。在高關(guān)系質(zhì)量下，其感知背叛水平都有所提升（低算法價(jià)格歧視感知背叛水平5.15，高算法價(jià)格歧視感知背叛水平5.61）。當(dāng)面對強(qiáng)烈的算法價(jià)格歧視時(shí)，高關(guān)系質(zhì)量群體的感知背叛水平明顯提高。結(jié)果也表明，在算法價(jià)格歧視對出賣知覺的影響中，存在著“關(guān)系質(zhì)量”這一中介效應(yīng)。通過這一實(shí)驗(yàn)可以得出，如果企業(yè)與消費(fèi)者之間合作較為融洽，更高的計(jì)算式價(jià)格差別會讓消費(fèi)者心中產(chǎn)生更高的感知背叛。

進(jìn)一步分析，將研究算法價(jià)格歧視、關(guān)系質(zhì)量等因素對決策動機(jī)的作用機(jī)制。通過兩因子變異數(shù)檢驗(yàn)，發(fā)現(xiàn)算法價(jià)格歧視與關(guān)系質(zhì)量間的互動效應(yīng)，均對決策動機(jī)有明顯的正向影響。在算法價(jià)格歧視下，高關(guān)系質(zhì)量組中高算法價(jià)格歧視的主觀動機(jī)顯著高于低算法價(jià)格歧視，蓄意歸因水平分別為6.11、5.38，F(xiàn)(1317)=16.37，P＜0.001。結(jié)果表明，關(guān)系質(zhì)量會提升蓄意歸因的水平。

（三）物價(jià)敏感性在消費(fèi)物價(jià)敏感性中的中介效應(yīng)檢驗(yàn)

1.實(shí)驗(yàn)方法

首先，將美團(tuán)的“塔斯汀中國漢堡”餐廳作為上海電氣學(xué)院周邊地區(qū)最流行的送餐地點(diǎn)，進(jìn)行詳細(xì)分析。以2022年12月21日為研究時(shí)間節(jié)點(diǎn)。在美團(tuán)外賣等多家外賣網(wǎng)站上，對20 名經(jīng)常光顧“塔斯汀中國漢堡”門店的20 名學(xué)生進(jìn)行調(diào)研與訪談，其中“塔斯汀中國漢堡”門店中所提供的自選套餐（92.6%）、板燒鳳梨套餐（83.2%）、香辣雞腿套餐（81.7%）、培根煎蛋漢堡套餐（77.6%）這一系列的產(chǎn)品最受消費(fèi)者的歡迎，排名為第一、第二、第三和第四。

其次，進(jìn)一步圍繞上述4個(gè)套餐對“塔斯汀中國漢堡”店算法價(jià)格歧視的存在情況及強(qiáng)度進(jìn)行了分析。在實(shí)驗(yàn)分析中，一共有40名測試者參加了此次實(shí)驗(yàn)。采用Likert 評分法，評選出最先被視為最經(jīng)常使用美團(tuán)外賣訂購“塔斯汀中國漢堡”（M=5.43）的漢堡；同時(shí)，實(shí)驗(yàn)結(jié)果也表明，第一，當(dāng)熟客比新客戶支付更多的費(fèi)用時(shí)，其算法價(jià)格歧視為M=5.66。第二，由于使用了一種用于大數(shù)據(jù)殺熟的算法來操控定價(jià)，所以老客戶在購物時(shí)要額外支付費(fèi)用的問題數(shù)值為M=6.03。第三，“此報(bào)價(jià)歧視已對你的權(quán)益造成了損害”的問題，其數(shù)值為M=5.45。第四，之所以會有這樣的定價(jià)歧視，是由于美團(tuán)針對長期客戶提供了一個(gè)針對定價(jià)的問題，其價(jià)值為M=5.79。第五，若長期客戶所支付的費(fèi)用高于新客戶，其每日所受的歧視將會進(jìn)一步加深，即M=5.85。該實(shí)驗(yàn)的可靠性和有效性均比較理想，其邊界因子分別為0.81和0.78。

本實(shí)驗(yàn)的重點(diǎn)在于驗(yàn)證消費(fèi)者對價(jià)格敏感度的調(diào)節(jié)效應(yīng)。以2022年12月20日—21日為研究時(shí)間節(jié)點(diǎn)，以兩因子2（算法價(jià)格歧視：高/低）×2（價(jià)格敏感度：高/低）為研究對象，開展實(shí)驗(yàn)研究。選取了487 位最近使用美團(tuán)外賣訂餐的學(xué)生為調(diào)查對象，以快遞替代實(shí)驗(yàn)商品（低價(jià)商品）。另外，將美團(tuán)平臺上的“塔斯汀中國漢堡包”4 種被調(diào)查的商品進(jìn)行了比較。筆者在實(shí)證研究的基礎(chǔ)上，借鑒Goldsmith（2005）所建立的三個(gè)調(diào)查問卷，進(jìn)行實(shí)證研究。

2.調(diào)查分析結(jié)果

對所有搜集到的調(diào)查問卷進(jìn)行統(tǒng)計(jì)，本次調(diào)查共收到483份有效問卷，經(jīng)過測算，得出了被測售價(jià)和實(shí)驗(yàn)者發(fā)布售價(jià)（49 元）的差額為6.03 元，并對這些問題進(jìn)行了分類，將187 份高于平均值的問卷歸為高價(jià)格差異組，296 份問卷歸為低價(jià)格差異組。同時(shí)，將每份調(diào)查問卷中價(jià)格敏感度系數(shù)4 以上的都認(rèn)為是高價(jià)格敏感，4 以下的全部認(rèn)為是低價(jià)格敏感?；诖?，篩選出低算法價(jià)格歧視的低價(jià)格敏感樣本159 份，低算法價(jià)格歧視的高價(jià)格敏感樣本151份，高算法價(jià)格歧視的低價(jià)格敏感樣本79份，高算法價(jià)格歧視的高價(jià)格敏感樣本93 份。在受試者的性別和年齡上，各組別的受試者不存在著顯著差異。對算法價(jià)格歧視的強(qiáng)度進(jìn)行研究。從方差的角度看，對于被判定為算法價(jià)格歧視情形，價(jià)格差越大的群組，其得分就越高；在低價(jià)格差異組中，其均值為4.64，而高價(jià)格差異組的平均值為5.30，F(xiàn)（1483）=11.537，P＜0.001，由此可知，實(shí)驗(yàn)對算法的價(jià)格歧視的處理較為成功。

價(jià)格敏感度在算法價(jià)格歧視對顧客感知背叛起中介效應(yīng)，并對其交互效應(yīng)進(jìn)行了檢驗(yàn)。而在低價(jià)格敏感度的消費(fèi)者分析中，這兩種算法價(jià)格歧視所帶來的消費(fèi)者感知背叛所產(chǎn)生的差異比高價(jià)格敏感組出現(xiàn)明顯下降。通過這一系列的分析顯示，消費(fèi)者的高價(jià)格敏感度在實(shí)際的算法價(jià)格歧視中，對消費(fèi)者的感知背叛中有一個(gè)較為明顯的負(fù)向增強(qiáng)，所以進(jìn)一步驗(yàn)證了隨著顧客對價(jià)格敏感度的提高，其對算法的價(jià)格歧視會產(chǎn)生更明顯的感知背叛。

根據(jù)前文的研究，對外賣產(chǎn)品的類別分析再一次驗(yàn)證了較高的算法價(jià)格歧視會使消費(fèi)者會產(chǎn)生強(qiáng)烈的感知背叛，探討了價(jià)格敏感度對消費(fèi)者情感的影響，發(fā)現(xiàn)高價(jià)格敏感度的消費(fèi)者在遭遇價(jià)格歧視時(shí)會表現(xiàn)得更加激烈，所以價(jià)格敏感度是實(shí)現(xiàn)高強(qiáng)度算法價(jià)格歧視行為的重要約束。

四、算法價(jià)格歧視的應(yīng)對措施

（一）保護(hù)消費(fèi)者應(yīng)享有的知情權(quán)

首先，數(shù)據(jù)管理部門要對電商行業(yè)的運(yùn)營進(jìn)行專門監(jiān)管。有必要完善電商行業(yè)的法律法規(guī)，確定電商行業(yè)的監(jiān)督管理機(jī)構(gòu)，確保經(jīng)營者依法履行相關(guān)責(zé)任，更好地保障消費(fèi)者的知情權(quán)。另外，做好電商領(lǐng)域的數(shù)據(jù)監(jiān)管職責(zé)，對算法的歧視性定價(jià)及其他不合法行為進(jìn)行規(guī)范管理。在管理過程中將承擔(dān)數(shù)據(jù)管理的職責(zé)轉(zhuǎn)移到大數(shù)據(jù)管理部門，實(shí)現(xiàn)對電商經(jīng)營行為的全面監(jiān)督管理。

其次，要進(jìn)一步強(qiáng)化對消費(fèi)者的個(gè)人信息保護(hù)?！吨腥A人民共和國個(gè)人信息保護(hù)法》中規(guī)定了企業(yè)需要在消費(fèi)者完全知情且同意的條件下，才能使用消費(fèi)者的個(gè)人信息，并且對如何使用個(gè)人信息要履行對消費(fèi)者的告知程序。然而在現(xiàn)實(shí)經(jīng)營和對個(gè)人信息的使用過程中，消費(fèi)者明顯處于劣勢地位，在監(jiān)管與執(zhí)法方面都存有難度，對經(jīng)營者使用消費(fèi)者個(gè)人信息的告知義務(wù)履行情況及如果違反這一法律需要如何進(jìn)行處罰，許多管理細(xì)則需要進(jìn)一步細(xì)化，從法理上讓企業(yè)更好地履行對消費(fèi)者個(gè)人信息的規(guī)范使用的義務(wù)。

最后，在算法定價(jià)的過程中要維持好消費(fèi)者與商家之間的利益平衡。算法在發(fā)展過程中已經(jīng)逐漸演變成了一種權(quán)力，掌握大量數(shù)據(jù)的群體與被算法支配的群體之間在權(quán)利義務(wù)方面存在著明顯的不平衡。就算法本身而言，其在運(yùn)用過程中難以被查詢與調(diào)查，消費(fèi)者在面對著算法價(jià)格歧視難以獲得相應(yīng)的救濟(jì)。對于算法的管理整治來說，解決這些問題的一個(gè)重要途徑，就是要增強(qiáng)算法的透明性，推動政府部門和使用者共同監(jiān)督算法的價(jià)格歧視行為。應(yīng)明確禁止經(jīng)營者使用顧客的個(gè)人資料實(shí)施歧視價(jià)格，而且必須將價(jià)格定價(jià)機(jī)制公布出來。在用戶和管理者之間實(shí)現(xiàn)一種相對的平衡，防止因?yàn)橘Y源分配的不同造成的權(quán)利義務(wù)不平衡。

（二）實(shí)現(xiàn)消費(fèi)者面對侵害可以依法求償

首先，要實(shí)現(xiàn)并加強(qiáng)消費(fèi)者線上購物糾紛的線上處理。當(dāng)前中國已經(jīng)在部分地區(qū)開設(shè)了互聯(lián)網(wǎng)法院，需要加強(qiáng)互聯(lián)網(wǎng)法院的宣傳和推廣，讓消費(fèi)者在遇到算法價(jià)格歧視時(shí)，借助這一平臺實(shí)現(xiàn)線上受理線上審判，降低維權(quán)的難度。同時(shí)，互聯(lián)網(wǎng)法院的線上公開庭審，可以讓更多人了解這一維權(quán)途徑，發(fā)揮好教育的作用。另外，鑒于算法價(jià)格歧視的案件往往標(biāo)的額偏小，能夠在線上進(jìn)行仲裁。一是創(chuàng)新電商爭議的在線解決，借助在線立案，進(jìn)行庭前調(diào)解或是做好仲裁；二是引入公共服務(wù)實(shí)現(xiàn)對裁決的輔助，特別是借助于消協(xié)等機(jī)構(gòu)做好消費(fèi)者的投訴調(diào)解及法律咨詢等；三是利用好科技創(chuàng)新實(shí)現(xiàn)爭議的高效解決，如在爭議處理中可以引入人工智能進(jìn)行簡單問題的回復(fù)、法律條文的解釋等。

其次，要將舉證責(zé)任的重點(diǎn)轉(zhuǎn)向企業(yè)。在算法價(jià)格歧視方面的爭議糾紛中，許多企業(yè)是算法數(shù)據(jù)的主動方，對消費(fèi)者個(gè)人信息的收集更占優(yōu)勢，而消費(fèi)者的舉證難度非常大，雙方之間存在著明顯的強(qiáng)弱不平衡。就法律中“誰主張誰舉證”的邏輯對消費(fèi)者而言，存在著很大的不公平，甚至?xí)?dǎo)致維權(quán)困難。當(dāng)前，在定價(jià)問題上，消費(fèi)者和企業(yè)的爭端主動權(quán)通常掌握在企業(yè)的手中，企業(yè)必須保留價(jià)格等相關(guān)的數(shù)據(jù)資料，而且一旦發(fā)生了爭議，企業(yè)必須承擔(dān)起舉證責(zé)任，為定價(jià)的合理性與合法性提供證據(jù)。

最后，完善陪審團(tuán)制度。借助陪審團(tuán)的審判介入制度，有利于充分利用這一群體的專業(yè)知識，有利于法官更好地查明案情。這既能為當(dāng)事人節(jié)約舉證成本，又能提升庭審的效率，讓當(dāng)事人更加認(rèn)可判決的結(jié)論，從而提升法院的公信力。在眾多的算法價(jià)格歧視案例中，很多企業(yè)都不愿將定價(jià)算法公布出來。因此，在這個(gè)過程中，專家陪審員可以利用自身的專業(yè)特長，給法官們提出不同的審判理念和參考意見，以此達(dá)到司法的公正。

五、結(jié)束語

隨著人工智能的發(fā)展，數(shù)據(jù)信息逐漸變得越來越豐富，但同時(shí)也帶來了個(gè)人信息泄露、算法價(jià)格歧視、用戶信任等問題。筆者首先從消費(fèi)者視角，剖析大數(shù)據(jù)殺熟情境下的感知背叛效應(yīng)，并將該理論拓展到人工智能發(fā)展中，更好地剖析消費(fèi)者在面臨不同等級算法價(jià)格歧視時(shí)的心態(tài)與對策。其次基于歸一化的視角，剖析算法價(jià)格歧視對顧客忠誠度的作用機(jī)制，對相關(guān)人員的屬性進(jìn)行了區(qū)分。在多個(gè)情境下，通過情境調(diào)查，擴(kuò)展研究的外在有效性，更加完整地認(rèn)識到，在算法價(jià)格歧視情境下顧客忠誠的產(chǎn)生機(jī)制。再次基于關(guān)系質(zhì)量和價(jià)格敏感度與算法價(jià)格歧視之間的內(nèi)在聯(lián)系，發(fā)現(xiàn)高關(guān)系質(zhì)量引起的消費(fèi)者感知背叛水平較高，價(jià)格敏感度在算法價(jià)格歧視對顧客感知背叛起中介效應(yīng)。最后為保護(hù)消費(fèi)者的相關(guān)權(quán)益，提出了處理算法價(jià)格歧視的應(yīng)對方法。