摘 要： 本文針對直播帶貨中頻頻出現(xiàn)的主播“翻車”問題，從“政府-平臺”雙重監(jiān)管視角，構(gòu)建政府監(jiān)管部門、平臺企業(yè)和帶貨主播三方參與的演化博弈模型，并對靜態(tài)獎懲和三種動態(tài)獎懲機(jī)制下三方主體的策略選擇與系統(tǒng)穩(wěn)定性進(jìn)行比較分析。研究結(jié)果表明：動態(tài)獎勵和動態(tài)懲罰機(jī)制下的監(jiān)管效果最佳；動態(tài)獎懲機(jī)制下，提高懲罰力度比提高獎勵力度更有效；政府預(yù)算有限的情形下，優(yōu)先補(bǔ)貼平臺比補(bǔ)貼主播的效果更好；持續(xù)推進(jìn)政府和平臺聯(lián)合懲戒，實現(xiàn)獎懲機(jī)制與聲譽(yù)機(jī)制的復(fù)合牽引，能有效提高主播合規(guī)帶貨意愿，促進(jìn)直播電商規(guī)范可持續(xù)發(fā)展，僅供參考。

關(guān)鍵詞：直播帶貨；雙重監(jiān)管；演化博弈；動態(tài)獎懲；電商

中圖分類號：F724.6；F713.36 文獻(xiàn)標(biāo)識碼：A 文章編號：2096-0298（2025）04（b）--05

1 引言

目前，直播電商迅猛發(fā)展，在帶動居民消費、促進(jìn)靈活就業(yè)、助力脫貧攻堅等方面發(fā)揮了重要作用。星圖數(shù)據(jù)顯示，2024年“雙十一”購物期間，直播電商平臺銷售額高達(dá)3325億元，同比增長54.6。鑒于直播過程具有即興、隨機(jī)的特點，以及帶貨主播和消費者之間存在嚴(yán)重的信息不對稱，以次充好、虛假宣傳、數(shù)據(jù)造假等問題凸出[1]，知名網(wǎng)紅“翻車”事件頻發(fā)。截止到9月25日，2024年黑貓投訴平臺已累計收到直播帶貨投訴4萬件，同比增長34%。因此，在發(fā)揮直播電商對經(jīng)濟(jì)發(fā)展的優(yōu)勢的同時，構(gòu)建合理高效的直播帶貨監(jiān)管機(jī)制，成為亟須解決的問題。

已有直播帶貨“翻車”治理研究主要集中在兩個方面。一方面，直播帶貨“翻車”的表現(xiàn)及治理模式。Wu等（2023）[2]以淘寶和Tiktok為例，系統(tǒng)分析了帶貨主播的16種惡意營銷策略。Gu（2021）[3]研究了中國政府在2016—2018年對低俗直播行為的監(jiān)管實踐。另一方面，直播帶貨“翻車”的影響因素及監(jiān)管策略。直播帶貨監(jiān)管本質(zhì)是大群體反復(fù)配對的博弈問題[4]，已有文獻(xiàn)主要采用演化博弈分析主體行為動機(jī)和影響因素。劉建剛等（2023）[5]基于演化博弈理論，研究發(fā)現(xiàn)平臺的懲罰和激勵力度會影響帶貨“翻車”發(fā)生。胡春華等（2023）[6]和何鵬等（2023）[7]研究發(fā)現(xiàn)，聲譽(yù)機(jī)制有助于提升主播誠信水平。

從上述研究可知，演化博弈是厘清復(fù)雜博弈關(guān)系及策略演化路徑的有效工具，適用于直播帶貨治理研究。然而，已有研究大多基于平臺治理視角。事實上，平臺通常存在包庇賣家的行為。汪旭暉等（2020）[4]和王勇等（2020）[8]提出“政府-平臺”雙重監(jiān)管范式并論證其有效性。但政府對平臺的監(jiān)管激勵和對主播的誠信帶貨激勵，以及政府和平臺的懲罰機(jī)制如何影響主播帶貨行為，在現(xiàn)有文獻(xiàn)中鮮有涉及。此外，已有研究通常假定平臺的獎懲力度是固定的。而在實踐中，動態(tài)獎懲機(jī)制已逐步引起重視，平臺（如淘寶直播）通常根據(jù)主播違規(guī)頻次或程度動態(tài)調(diào)整保證金繳存比例，《深圳市推進(jìn)直播電商高質(zhì)量發(fā)展行動方案（2023—2025年）》亦強(qiáng)調(diào)根據(jù)主播信用水平進(jìn)行分類分級監(jiān)管。但目前只有少數(shù)學(xué)者在其他領(lǐng)域，如港航系統(tǒng)減排[9]、疫情防控[10]等方面研究了動態(tài)獎懲機(jī)制。

基于以上分析，本文將“政府+平臺”雙重監(jiān)管模式引入直播帶貨“翻車”治理，構(gòu)建政府監(jiān)管部門、平臺企業(yè)和帶貨主播三方參與的演化博弈模型。創(chuàng)新性地引入動態(tài)獎懲機(jī)制，對比分析不同獎懲組合策略下的演化穩(wěn)定性，為設(shè)置合理的獎懲機(jī)制以激勵帶貨主播誠信行為提供參考和建議。

2 直播帶貨“翻車”治理的演化博弈模型構(gòu)建

2.1 問題描述和模型假設(shè)

政府通過政策手段約束平臺和主播行為 [4]，策略選擇有強(qiáng)監(jiān)管和弱監(jiān)管，概率分別為x和1-x（x[0，1]）。平臺向主播收取保證金和傭金，對主播帶貨行為進(jìn)行監(jiān)管，同時需配合政府監(jiān)管和公眾監(jiān)督，策略選擇有積極監(jiān)管和消極監(jiān)管，概率分別為y和1-y（y[0，1]）。主播帶貨時需對產(chǎn)品門類和質(zhì)量進(jìn)行選擇，在利益的驅(qū)使下可能存在以次充好、虛假宣傳等行為[5]，策略選擇有誠信帶貨和違規(guī)帶貨，概率分別為z和1-z（z[0，1]）。

政府實施強(qiáng)監(jiān)管策略時，投入更多監(jiān)管成本Cg（如增加抽檢頻次的成本），能夠以更高概率β發(fā)現(xiàn)主播違規(guī)行為，φ表示弱監(jiān)管時發(fā)現(xiàn)主播違規(guī)的概率，βgt;φ；相應(yīng)地，強(qiáng)監(jiān)管也帶來更高的社會效益Rg（如市場秩序規(guī)范等），弱監(jiān)管的社會效益為Rt，則Rggt;Rt；強(qiáng)監(jiān)管時政府對違規(guī)主播處以罰款Fg，同時通過激勵機(jī)制（包括資金、場地扶持等）對誠信帶貨主播和積極監(jiān)管的平臺進(jìn)行補(bǔ)貼，記為I1和I2。

平臺積極監(jiān)管時投入成本CP，和政府形成共治監(jiān)管格局，以α（政府強(qiáng)監(jiān)管時）或γ（政府弱監(jiān)管時）的概率發(fā)現(xiàn)主播違規(guī)行為，并扣除違規(guī)主播保證金Fp，給予誠信帶貨主播技術(shù)支持P（如流量支持），獲得聲譽(yù)收益Rp。當(dāng)平臺消極監(jiān)管時，縱容主播違規(guī)行為，以獲取更多超額收益分成，但也因為主播違規(guī)行為承擔(dān)連帶責(zé)任，被政府處以罰金kFg（kgt;1），遭受聲譽(yù)損失Lp。

對主播而言，選擇違規(guī)帶貨策略（以次充好、虛假宣傳）時，獲得超額收益W，其中向平臺支付傭金（1-θ）W；違規(guī)行為使得主播口碑下降，帶來消費者流失損失Ls；違規(guī)行為若被政府和平臺發(fā)現(xiàn)時，還將受到相應(yīng)處罰。主播誠信帶貨時，更嚴(yán)格地把控產(chǎn)品質(zhì)量，核對宣傳文案，相應(yīng)地投入成本更多，記為Cs；在平臺和政府的監(jiān)管下，主播誠信帶貨獲得政府補(bǔ)貼I1和平臺支持P。

2.2 收益支付矩陣

基于上述問題描述和模型假設(shè)，政府、平臺和主播的博弈策略組合和收益支付矩陣，如表1所示。

2.3 復(fù)制動態(tài)方程

政府強(qiáng)監(jiān)管和弱監(jiān)管的期望收益分別用U11和U12表示。

政府強(qiáng)監(jiān)管的復(fù)制動態(tài)方程地F（x）為：

同理，可得平臺積極監(jiān)管的復(fù)制動態(tài)方程F（y）和主播誠信帶貨的復(fù)制動態(tài)方程F（z）：

3 模型分析

3.1 靜態(tài)獎懲下的演化穩(wěn)定性分析

令復(fù)制動態(tài)方程式（3）、（4）和（5）的三個方程，，，可以得到政府、平臺和主播的演化博弈均衡點。對于非對稱博弈模型，只需分析純策略均衡點即可，即E1（0，0，0），E2（1，0，0），E3（0，1，0），E4（0，0，1），E5（0，1，1），E6（1，0，1），E7（1，1，0），E8（1，1，1）。對于這8個純策略均衡點，根據(jù)李雅普諾夫第一法，滿足雅可比矩陣所有特征值實部非正的均衡點為系統(tǒng)的漸進(jìn)穩(wěn)定點[7]。因此，構(gòu)建雅克比矩陣。

將均衡點代入雅克比矩陣中，可得到均衡點對應(yīng)的矩陣特征值，如表2所示。

根據(jù)汪旭暉和任曉雪（2020）[4]的研究，政府強(qiáng)監(jiān)管時平臺積極監(jiān)管收益大于消極監(jiān)管，即滿足I2+Rpgt;Cp和αFp+I2+Rp-Cpgt;kβFg-Lp，根據(jù)特征值為負(fù)這一條件可知，E2、E6不是演化穩(wěn)定點。此外，本文主要研究政府和平臺如何采取合理的獎懲機(jī)制使主播采取誠信帶貨策略，E1、E4不是本文分析的重點，因此，參考李曉東等（2023）[9]的研究，選取均衡點E3（0，1，0），E5（0，1，1），E7（1，1，0），E8（1，1，1）進(jìn)行討論。

對于主播，誠信帶貨收益（取決于I1、P）是否大于違規(guī)帶貨收益（取決于W、Fg、Fp、Ls）是決定主播策略選擇的關(guān)鍵。可見，提高獎懲力度、完善聲譽(yù)機(jī)制能夠促進(jìn)主播選擇誠信帶貨策略，且同時影響政府和平臺的策略選擇。根據(jù)表2可知，獎勵力度過高會導(dǎo)致政府獎勵支出過大，監(jiān)管意愿降低，因此有必要進(jìn)一步分析并優(yōu)化獎懲措施。

3.2 不同獎懲機(jī)制下的演化穩(wěn)定性分析

動態(tài)獎勵（懲罰）機(jī)制是指政府和平臺所設(shè)定的獎勵（懲罰）上限值與平臺、主播策略選擇相關(guān)[10]。在動態(tài)獎懲機(jī)制下，政府部門給予誠信帶貨主播獎勵I(lǐng)1（z）=（1-z）I*1，給予積極監(jiān)管平臺獎勵I(lǐng)2（y）=（1-y）I*2，I*1和I*2表示獎勵上限值。動態(tài)懲罰機(jī)制下，政府部門對違規(guī)帶貨主播的懲罰為Fg（z）=（1-z）F*g，平臺對于違規(guī)帶貨的主播扣除保證金為Fp（z）=（1-z）F*p，F(xiàn)*g和F*p分別表示政府和平臺罰金的上限值。當(dāng)平臺消極監(jiān)管的概率或主播違規(guī)帶貨的概率增加時，獎懲力度增加，以發(fā)揮更強(qiáng)的激勵與震懾作用；反之，獎懲力度減小，避免因獎懲政策靈活性不夠所導(dǎo)致的獎懲失效或支出消耗等情況[9]。

此時，系統(tǒng)復(fù)制動態(tài)方程為：

進(jìn)一步，將動態(tài)獎懲組合政策分為動態(tài)獎勵（靜態(tài)懲罰）、動態(tài)懲罰（靜態(tài)獎勵）、動態(tài)獎勵與動態(tài)懲罰三種情況。與上文類似，依然重點考慮均衡點E3（0，1，0），E5（0，1，1），E7（1，1，0）和E8（1，1，1），不同獎懲組合政策下的均衡點穩(wěn)定性分析如表3所示。

動態(tài)獎勵機(jī)制下，隨著主播誠信帶貨概率上升，政府下調(diào)獎勵力度控制獎勵支出，即政府因為獎勵支出降低而更傾向于選擇強(qiáng)監(jiān)管策略。動態(tài)懲罰機(jī)制下，主播違規(guī)成本增加，政府和主播更傾向于采取強(qiáng)監(jiān)管和誠信帶貨策略?？梢娖胶恻cE3（0，1，0）和E7（1，1，0）在三種動態(tài)獎懲組合政策下均難以成為演化穩(wěn)定點。而對于均衡點E8（1，1，1），條件Rg-Cggt;Rt相比Rg-I*1-I*2-Cggt;Rt顯然更容易實現(xiàn)，即E8（1，1，1）在動態(tài)獎懲下穩(wěn)定性增強(qiáng)。

4 數(shù)值分析

由上文可知，通過雅可比矩陣可判斷演化系統(tǒng)在均衡點的穩(wěn)定性，但難以詳細(xì)刻畫不同獎懲政策下各參數(shù)對演化系統(tǒng)的影響程度。因此，本文將采用數(shù)值分析方法對理論分析結(jié)果進(jìn)行進(jìn)一步驗證與討論。參數(shù)取值依據(jù)如下：（1）根據(jù)汪旭輝等[4]對聲譽(yù)的設(shè)定，假定平臺和主播存在聲譽(yù)共享，令Rp=10，Lp=10，Ls=10。王勇等（2020）[8]認(rèn)為平臺的連帶責(zé)任強(qiáng)度為kgt;1，設(shè)定k=1.2。結(jié)合胡春華等（2023）[6]和何鵬等（2023）[7]的參數(shù)設(shè)置，設(shè)定θ=0.7，W=60，F(xiàn)g=25，F(xiàn)p=25，設(shè)定x、y、z的初始概率分別為0.5、0.4和0.3。（2）結(jié)合現(xiàn)實情形來看，強(qiáng)監(jiān)管下和共治監(jiān)管下的監(jiān)管成功概率顯然更高，設(shè)定α=0.7，β=0.4，φ=0.1，γ=0.5。政府強(qiáng)監(jiān)管時的社會效益和平臺積極監(jiān)管收益均大于弱監(jiān)管，設(shè)定Rg=80，Rt=30，Cg=30，I1=10，I2=10，P=8。

4.1 不同獎懲政策下的系統(tǒng)演化路徑

不同獎懲組合政策下的系統(tǒng)演化如圖1所示，從圖1（a）可以看出，和靜態(tài)獎懲機(jī)制相比，動態(tài)獎勵和動態(tài)獎懲機(jī)制下政府強(qiáng)監(jiān)管概率x的收斂速度加快，說明動態(tài)獎勵能夠促進(jìn)政府的強(qiáng)監(jiān)管策略選擇。主要原因是，動態(tài)獎勵機(jī)制在激勵平臺和主播的同時減輕了政府監(jiān)管補(bǔ)貼壓力，提高了政府的強(qiáng)監(jiān)管積極性

從圖1（b）和圖1（c）可以看出，靜態(tài)獎懲機(jī)制下，平臺積極監(jiān)管概率y和主播誠信帶貨概率z均呈規(guī)律性的上下震蕩，不存在收斂趨勢。動態(tài)獎勵機(jī)制下，波動頻率降低，但波動幅度變大，說明靜態(tài)獎懲和動態(tài)獎勵機(jī)制均難以實現(xiàn)有效監(jiān)管。動態(tài)懲罰機(jī)制和動態(tài)獎懲機(jī)制下，平臺積極監(jiān)管概率y和主播誠信帶貨概率z在經(jīng)過短暫波動后均呈現(xiàn)明顯的收斂趨勢，且動態(tài)獎懲機(jī)制下的穩(wěn)定性更好，平臺的收斂概率也更高。實驗結(jié)果說明，動態(tài)懲罰機(jī)制的引入對平臺和主播有顯著正向影響。主要原因是，動態(tài)懲罰機(jī)制能夠增加主播違規(guī)帶貨成本，同時間接增加平臺消極監(jiān)管成本。

綜上，動態(tài)獎勵有利于政府的強(qiáng)監(jiān)管策略選擇，動態(tài)懲罰則對平臺和主播的正向影響更顯著，而動態(tài)獎勵和動態(tài)懲罰的聯(lián)合使用使得系統(tǒng)更穩(wěn)定，平臺積極監(jiān)管意愿和主播誠信帶貨意愿更高。在現(xiàn)實中，地方政府和平臺在推動直播經(jīng)濟(jì)高質(zhì)量發(fā)展的實踐中，嘗試采用更靈活的獎懲機(jī)制，如臨沂對直播帶貨實施分級分類監(jiān)管，對于信用風(fēng)險不同的企業(yè)采用不同的監(jiān)管方式；淘寶直播平臺根據(jù)主播違規(guī)程度的不同，采取限播、罰扣保證金等差異化懲罰策略。

4.2 動態(tài)獎懲機(jī)制的參數(shù)敏感度分析

為進(jìn)一步探究獎勵機(jī)制、懲罰機(jī)制和聲譽(yù)效應(yīng)的影響，在動態(tài)（最優(yōu)）獎懲機(jī)制下，保持其他參數(shù)不變，仿真分析參數(shù)I*1、I*2、F*g、F*p、Rp和Ls取值改變對系統(tǒng)演化路徑的影響。

（1）獎勵力度的影響：優(yōu)先補(bǔ)貼平臺VS優(yōu)先補(bǔ)貼主播

圖2是獎勵力度變化時系統(tǒng)的演化曲線，可以看出，I*1增加時系統(tǒng)演化曲線變化不明顯，但隨著I*2增加，系統(tǒng)演化速度明顯加快，主播誠信帶貨策略收斂概率更高。這說明政府加大對平臺的補(bǔ)貼力度更有利于實現(xiàn)有效監(jiān)管。究其原因，通過補(bǔ)貼提高平臺積極監(jiān)管意愿，和政府形成監(jiān)管合力，監(jiān)管效率更高。此外，當(dāng)I*1和I*2都取值20時，政府強(qiáng)監(jiān)管概率下降，說明過高的獎勵力度會增加政府的監(jiān)管壓力，而政府監(jiān)管強(qiáng)度的降低使主播誠信帶貨概率隨之減小，說明應(yīng)在合理范圍內(nèi)增加獎勵力度，預(yù)算有限時可通過優(yōu)先補(bǔ)貼平臺提升監(jiān)管效果。

（2）懲罰力度的影響：政府懲罰為主VS平臺懲罰為主

圖3是懲罰力度變化時的系統(tǒng)演化曲線，可以看出，隨著政府或平臺懲罰力度加大，主播誠信帶貨意愿逐漸增加，驗證了懲罰機(jī)制的有效性。F*g和F*p單獨增加時，主播誠信帶貨概率z的增加幅度相似。此外，F(xiàn)*g和F*p同時增加時主播收斂速度變化最明顯，說明政府和平臺的懲罰對主播影響相近，兩者共同實施時監(jiān)管效果最好。究其原因，政府因為信息劣勢，監(jiān)管成功率相對平臺較低，但政府能夠同時對主播的違規(guī)行為和平臺的失職行為（消極監(jiān)管）進(jìn)行監(jiān)管，因此依然能夠取得較好的監(jiān)管效果，而兩者共同監(jiān)督時可形成監(jiān)管合力，監(jiān)管成功率更高，監(jiān)管效果更好。

（3）監(jiān)管方式的影響：獎勵為主VS懲罰為主

根據(jù)前文，提高懲罰力度或獎勵力度均能提高主播誠信帶貨意愿，為進(jìn)一步對比分析獎勵機(jī)制和懲罰機(jī)制的影響程度，考慮低獎勵低懲罰（I*1，I*2=10，F(xiàn)*g，F(xiàn)*p=10）、高獎勵低懲罰（I*1，I*2=20，F(xiàn)*g，F(xiàn)*p=10）、低獎勵高懲罰（I*1，I*2=10，F(xiàn)*g，F(xiàn)*p=20）、高獎勵高懲罰（I*1，I*2=20，F(xiàn)*g，F(xiàn)*p=20）四種情形，如圖4所示。可以發(fā)現(xiàn)，高獎勵與低懲罰機(jī)制的監(jiān)管效果不如低獎勵與高懲罰的組合，懲罰力度較小時，增加獎勵力度難以取得較好的監(jiān)管效果，實驗結(jié)果表明懲罰機(jī)制的監(jiān)管效果相對更好，是實現(xiàn)有效監(jiān)管的關(guān)鍵。究其原因，政府通過獎勵機(jī)制提高平臺積極監(jiān)管意愿和主播誠信帶貨意愿，但政府監(jiān)管成本也隨之增加，最終影響政府強(qiáng)監(jiān)管政策的穩(wěn)定性。而懲罰機(jī)制可同時增加監(jiān)管主體監(jiān)管收益和被監(jiān)管對象違規(guī)成本，有利于實現(xiàn)監(jiān)管目標(biāo)。

（4）獎懲機(jī)制和聲譽(yù)機(jī)制復(fù)合牽引的影響

根據(jù)前文，聲譽(yù)機(jī)制，尤其是平臺聲譽(yù)收益Rp和主播消費者流失損失Ls，影響博弈主體策略選擇和系統(tǒng)穩(wěn)定性?？紤]到平臺和主播存在一定程度的聲譽(yù)共享，假定Rp和Ls同步變化，考慮獎懲力度較低（I*1，I*2=5，F(xiàn)*g，F(xiàn)*p=15）和獎懲力度較高（I*1，I*2=12，F(xiàn)*g，F(xiàn)*p=30）兩種情形，不同獎懲力度下Rp和Ls變化對系統(tǒng)演化的影響如圖5所示，可以看出，當(dāng)獎懲力度較低時，隨著Rp和Ls的增加，主播誠信帶貨意愿雖然逐漸增加，但增加程度有限。當(dāng)獎懲力度較高時，Rp和Ls增加影響更顯著。這說明聲譽(yù)機(jī)制的完善雖然有利于對主播的監(jiān)管，但僅通過聲譽(yù)機(jī)制依然難以實現(xiàn)監(jiān)管目標(biāo)，需通過聲譽(yù)機(jī)制和動態(tài)獎懲機(jī)制的復(fù)合牽引實現(xiàn)對直播帶貨的有效治理。

5 結(jié)語

本文采用演化博弈方法對“政府-平臺”雙重監(jiān)管下帶貨主播的行為策略進(jìn)行研究，并且對靜態(tài)和三種動態(tài)獎懲機(jī)制下博弈主體的演化策略進(jìn)行分析。研究發(fā)現(xiàn)：（1）政府和平臺實施動態(tài)獎懲機(jī)制效果更佳。實際監(jiān)管中應(yīng)采取分類分級治理策略，根據(jù)平臺和主播行為動態(tài)調(diào)整獎懲上限，以更充分地發(fā)揮獎懲機(jī)制的激勵和約束作用。（2）政府在一定范圍內(nèi)加大獎勵力度，可有效提高平臺積極監(jiān)管概率和主播誠信帶貨概率，獎勵平臺比獎勵主播效果更有效。（3）懲罰機(jī)制是實現(xiàn)有效監(jiān)管的關(guān)鍵，提高懲罰力度比提高獎勵力度更有效，且政府和平臺聯(lián)合懲戒時效果最好。（4）完善的信用評價體系是動態(tài)獎懲機(jī)制的重要依據(jù)和補(bǔ)充，通過建立健全的信用評價體系，可以增強(qiáng)系統(tǒng)穩(wěn)定性，提升監(jiān)管效果。

參考文獻(xiàn)

郭延祿， 羅公利， 侯貴生， 等.“種草”與“翻車”：網(wǎng)紅直播帶貨的產(chǎn)品質(zhì)量問題與治理研究[J].中國管理科學(xué)，2023，31（10）：162-174.

Wu Q， Sang Y， Wang D， etal. Malicious Selling Strategies in Livestream E-commerce：. Case Study of Alibaba’s Taobao and ByteDance’s TikTok[J]. ACM Transactions on Computer-Human Interaction， 2023，30（3）： 1-29. doi：10.1145/3577199

Gu J. Regulating Obscenity in Chinese Livestreaming： An Ongoing Mediation between the Private and the Public， the Nation and the Market. Asiascape： Digital Asia， 2021（8）：70-91.

汪旭暉， 任曉雪. 基于演化博弈的平臺電商信用監(jiān)管機(jī)制研究[J].系統(tǒng)工程理論與實踐，2020，40（10）：2617-2630.

劉建剛， 吳倩， 張美娟. 直播帶貨平臺生態(tài)體系價值共毀的演化博弈[J].中國管理科學(xué)，2023，31（3）：143-154.

胡春華， 陳皖， 周艷菊， 等. 基于演化博弈的直播電商監(jiān)管機(jī)制研究[J].管理科學(xué)學(xué)報，2023，26（6）：126-141.

何鵬， 尚琦， 王先甲， 等.“直播+”背景下考慮平臺監(jiān)管的電商供應(yīng)鏈演化博弈分析[J].系統(tǒng)工程理論與實踐，2023，43（8）：2366-2379.

王勇， 劉航， 馮驊. 平臺市場的公共監(jiān)管、私人監(jiān)管與協(xié)同監(jiān)管：一個對比研究[J]. 經(jīng)濟(jì)研究， 2020（3）：148-162

李曉東， 匡海波， 何鴻宇. 政府環(huán)境規(guī)制下港航系統(tǒng)減排演化博弈研究[J].交通運輸系統(tǒng)工程與信息，2023，23（1）：17-29.

梁喜， 陳清卿. 政府動態(tài)獎懲機(jī)制下重大疫情防控演化博弈研究[J].中國管理科學(xué)，2023，31（3）：277-286.