王宁+宋嘉莹+杨学成

摘要：通过建立C2C电商平台规则下的买卖双方不对称信息博弈模型，刻画不正当竞争策略中买家的评价行为，得出在线评论偏离真实性的原因：采取“好评返现”策略的卖家，获得高质量好评带来的销售量增益的同时增加了买家的当前收益，导致好评数偏高；买家遭受“差评威胁”时的妥协，激励了卖家采取“差评威胁”策略，导致差评数减少。应对策略：制定规则或法律，保护买家的人身安全，从而减少妥协率，增加卖家的威胁成本，遏制“差评威胁”的发生；制定标准化的评价内容，减少高、低质量好评造成的销售量差额；取消默认好评机制，且“好评返现”的奖励应由平台给出，禁止卖家返现，从而减少虚假好评数量。

关键词：在线商品评论；委托代理理论；不对称信息博弈；不正当竞争；虚假评论

DOI：10.13956/j.ss.1001-8409.2017.04.22

中图分类号：F713.36 文献标识码：A 文章编号：1001-8409（2017）04-0100-04

Abstract： This paper analyzes the incentive to deviate from the authenticity of online reviews in C2C ecommerce by establishing the asymmetric information game model between buyers and sellers in the rules of the C2C ecommerce platform and characterizing the evaluating behavior of the buyers in the unfair competition strategy. Results show that， with the high quality praise， the seller who took the strategy of ‘Praise Reward obtained sales increasing， as well as， it exacerbated the benefit of the buyer， which leads to high number of praise. When suffering from ‘Criticism Threat， the buyer often comes to terms. While such behavior inspires the seller to take the ‘Criticism Threat strategy， resulting in a decrease in the number of negative comments. The countermeasures are as follows， to protect the personal safety of the buyer by making the rules or laws， thus can reduce the buyer compromise rate， increase the threat costs of the seller， as a result， curb the ‘Criticism Threat. To make the content of comment standard， the buyer can give the standardizing comment. It can reduce the sales imbalance which caused by high and low quality praise. The default praise system should be canceled and ‘Praise Reward award should be given by the platform. At the same time， prohibit the sellers ‘Praise Reward strategy， so as to reduce the number of fake praise.

Key words：online reviews； principalagent theory； asymmetric information game； unfair competition； fake reviews

引言

在線商品评论是网络口碑中的一种[1]，是其中最典型和有效的形式[2]。但用户偏好[3]各异、对产品特征的敏感度[4]不同、追求个体利益[5]，卖家利用电商平台信用评价规则的不完备[6]进行不正当竞争等原因，使在线评论的内容偏离商品真实情况。

对于在线商品评论的偏差性研究，Dellarocas首先怀疑在线商品评论的真实性和有效性[7]，提出通过用户对评论内容进行满意度打分，纠正偏差的方法[8]。Chen和Tseng发现网络中存在大量评论文本直接复制、文不对题、垃圾评论、虚假评论等现象[9]。孟美任将虚假评论分为“虚”和“假”两种类型，“虚”指垃圾评论等无意义评论，可通过垃圾评论过滤规则进行识别，例如Jindal等人通过亚马逊的评论语库检测垃圾评论[10]。“假”指不包含真实内容的评论[11]，这类评论很难通过自然语言挖掘算法辨识。在没有虚假评论时，在线商品评论呈正态分布[5]，在虚假评论下，Hu等人基于亚马逊的评论数据进行实证研究，发现在线商品评论数据呈“J”形的双峰分布，评论得分的均值被推高，不能真实地反映商品质量[12]，李雨洁对淘宝网的评论数据进行分析后，发现线上商品评论的分布呈非正态的近似于反“L”型分布[13]。

从评价机制分析淘宝网的评价规则，引起在线商品评论偏离真实性的原因，可归结为“默认好评”、退货无评价及评价分级等规则[14]，Alexei N.Nikitkov等人分析ebay的评价系统，梳理出每次规则变更下产生的评论偏差[15，16]。从评价者分析，消费者的自我选择偏差和较强的群体意识会引起评论偏向好评。此外，由于撰写评论需要花费买家的额外精力，只有买家对商品有强烈的情感极性[17]和存在期望的利益刺激时[18]，才会主动撰写评价。孟美任等人从评价者的性格出发，认为即使没有受到诱惑进行虚假评价，买家也会分为“过度宽容者”和“过度完美者”，使评论偏离客观性[11]。从商家角度分析，其通过小礼物、“好评返现”等方式诱使买家好评，通过威胁方式让买家删差评、购买中介的刷好评服务等行为，使好评率偏高。但商家之间的不正当竞争也带来大量诋毁和恶意差评[19]。本文列出引起在线商品评论偏离真实值的原因（见表1）。

对在线商品评论偏离真实性研究的梳理，已有前人做了大量工作：（1）证明在线评论偏离真实性的存在；（2）通过实证研究，给出在线评论的实际分布特征；（3）分析了各角色引起虚假评论的原因。但目前的研究还没有从角色之间的相互作用展开讨论，即买家和卖家是如何在电商系统的评价规则中进行博弈，导致在线商品评论偏离真实值。因此本文应用委托代理理论，分析在C2C电商平台的评价规则中，买卖双方在行动与信息不对称下，通过追求个人效用最大化的博弈行为，引起商品评价偏离真实值的过程。

1 模型的构建与行为分析

C2C电商平台通过建立公平有效的信用评价规则，实现买卖双方的效用最大化[20]。本研究基于淘宝网的信用评价规则[21]，建立买卖双方在不对称信息下的委托代理模型。

1.1 模型的分析与假设

假设买卖双方是理性的经济人，市场行为决定双方都会最大化自己的支付函数。对于卖家，高质量好评数记为g，较为中性的[22]或未达到卖家“好评返现”要求的低质量好评数记为m，差评数记为b，并记F（g）、G（m）、T（b）分别为g、m、b对销售量的影响函数。高质量好评的有用性大于低质量好评[23，24]，而差评对买家行为的影响更显著，即g、m、b相等时，T（b）>F（g）>G（m），改差评需要成本，设t是卖家对差评买家威胁的成本。c是卖家提供的返现金额，由于部分賣家已将返现算入产品成本，因此用函数W（c）表示c对于卖家的成本函数。威胁成本往往大于返现成本，即t>W（c），其中F（g）、G（m）、T（b）、W（c）分别是g、m、b、c的单调增函数，且有g≥0、F（g）>0、m≥0、G（m）>0、b≥0、T（b）>0、c≥0、W（c）>0。

对于买家，用函数Q（c）表示返现金额c的效用。函数Y（t）表示买家给予差评，受到卖家威胁依然保持差评的担心和恐惧心理效用。买家需要耗费精力撰写评论，当买家对商品有强烈的情感极性，才会主动评价[17]，其抒发情感的心理效用记为s，买家因威胁而违心将差评改好评产生的自责心理效用，记为p，买家为编写符合卖家返现要求的好评，花费的时间精力，记为h，其中Q（c）、Y（t）分别是c、t的单调增函数，且有s≥0、p≥0、h≥0、Q（c）>0、Y（t）>0。

不确定行为用概率表示，α是买家好评概率，β是卖家提供好评返现概率，γ是卖家威胁买家将差评改好评概率，δ是买家收到威胁后将差评改成好评概率，其中0≤α，β，γ，δ≤1。

1.2 在线商品评价中买卖双方的委托代理模型

影响评论的因素有买家对商品的满意程度，商家“好评返现”或“差评威胁”的激励程度，默认好评机制。根据事件发生的顺序，有以下5种情形：

（1）买家给予好评，卖家返现。买家与卖家的支付函数分别是：s+Q（c）-h、F（g）-W（c）。（2）买家给予好评，卖家不返现。支付函数分别是：s、G（m）。（3）买家给予差评，卖家威胁，买家改成好评。支付函数分别是：-p、F（g）-t。（4）买家给予差评，卖家威胁，买家保持差评。支付函数分别是：-Y（t）+s、-T（b）-t。（5）买家给予差评，卖家不威胁。支付函数分别是：s、-T（b）。建立博弈树模型，如图1所示。

2 模型的求解与结论

模型采用博弈的扩展式，在博弈过程中，每一个子博弈的历史结果和双方的支付函数对参与人买家A和卖家S都是共同知识，求解过程属于完全且完美信息的动态博弈，采用逆推归纳法进行推演。

2.1 卖家行为分析

命题1：买家给予“差评”后，如果卖家的威胁成本与好评数量和差评数量带来的销售量变动之和的比大于买家好评概率，则卖家的策略是“不威胁”；反之则采取“威胁”策略。

证明：当买家和卖家的策略分别是“差评”和“威胁”，卖家的期望支付ES=δ[F（g）+T（b）]-T（b）-t，由ESδ=F（g）+T（b）≥0，ES是δ的增函数，说明卖家采取威胁策略时，买家改好评概率越大，卖家收益越大。卖家预期买家会因威胁改好评时，就会采取威胁策略。当买家和卖家的策略分别是“差评”和“不威胁”，卖家期望支付ES=-T（b），当卖家采取“不威胁”策略的期望支付大于采取“威胁”策略的期望支付时，ES（γ=0）≥ES（γ=1），得到tF（g）+T（b）≥δ。说明卖家认为威胁的成本较高，或认为偶尔的差评不足以对销售量产生影响，或好评呈现边际递减的趋势，多一个好评并不会带来销售量的大量增加，因此不采取威胁的方式。

命题2：买家的策略是“改成好评”，如果卖家对买家威胁的成本等于好评和差评数量引起的销售量变化之和，则无论卖家选择“威胁”与否都不能改变卖家的收益，-T（b）或F（g）-t；如果卖家威胁的成本大于好评和差评数量引起的销售量变化之和时，卖家的收益随着采取威胁概率的增大而增大，此时卖家会选择“威胁”，最大收益F（g）-t；反之卖家的收益随着采取威胁概率的增大而减小，此时卖家会选择“不威胁”，最大收益-T（b）。

证明：买家的策略“改成好评”需要满足-p>-Y（t）+s，卖家期望效用ES=γT（b）+F（g）-t-T（b），其中ESγ=T（b）+F（g）-t，当T（b）+F（g）=t时，ES与γ无关，T（b）+F（g）>t时，ES是γ的增函数，反之ES是γ的减函数。

命题3：如果买家的策略是“保持差评”，则卖家的策略是“不威胁”。

证明：买家的策略是“保持差评”需要满足条件-p<-Y（t）+s，卖家的期望效用ES=-T（b）-γt，其中ESγ=-t，-t<0，ES是γ的减函数，γ越小卖家的期望效用越大，因此卖家选择“不威胁”是最优策略。“威胁，保持差评”是弱贯序均衡，不会出现在博弈的均衡结果集中。

2.2 买家行为分析

命题4：如果买家感到返现金额的效用大于写高质量好评耗费的精力和时间时，则会受到“好评返现”的激励，写出高质量好评；反之，则不会受到“好评返现”的影响。

证明：在卖家行为不确定时买家选择好评，买家期望收益EA=β[Q（c）-h]+s，由EAβ=Q（c）-h，当Q（c）>h，EA是β的增函数，买家期望卖家“好评返现”，并会写高质量好评获得返现，即β=1时得到最大收益Q（c）-h+s。当Q（c）=h时，EA与β无关，卖家提供好评返现与否都不影响买家收益，买家会给予客观的评价。同时存在部分买家不评价，系统默认好评。当Q（c）

命题5：卖家的策略集是“返现”和“威胁”，买家的策略集是“改成好评”时，如果买家认为写高质量好评所花费的精力和时间小于对产品情绪的自然抒发产生的快乐、卖家返现的效用、受到威胁后违心修改差评的自责之和时，则给予好评的概率α越大，自身的收益越大，此时，就会给予好评，使α=1；同时，买家给予好评的概率α越大，卖家的收益越大。

3 “好评返现”和“差评威胁”策略产生的效用

“好评返现”策略实施的前提：一是高质量好评产生的销售量增益大于卖家的返现成本，即F（g）-G（m）>W（c）；二是保证买家参与，要求Q（c）>h，卖家给予返现的效用大于买家撰写高质量评论所花费的精力。变量关系如图2所示。对于相同的返现金额，卖家的成本小于买家的效用，即W（c）

“差评威胁”策略实施的前提：一是买家改好评的效用大于保持差评的效用，即-p>-Y（t）+s；二是卖家“威胁”的效用比“不威胁”大，即F（g）-t>-T（b）。此时，卖家的收益是F（g）-t+T（b）>0，买家的收益是-p-s<0，二者的总收益是F（g）+T（b）-p-s-t，变量关系如图3所示。“差评威胁”活动使买家效用为负，卖家效用为正，随着威胁的成本t逐渐增大，卖家效用也会减小，导致“差评威胁”逐渐消失。说明加强对“差评威胁”的惩罚力度，提高卖家“差评威胁”的成本，就能遏制这种现象的发生。

4 结论与建议

通过分析C2C平台中买卖双方的博弈行为，得出在线评论偏离真实性的诱因：（1）高质量好评产生的销售量增益较高，而换取高质量好评的返现成本通常较低，卖家为最大化自身效用会采取“好评返现”策略。同时对于时间和精力充沛，违心改好评后自责较少的买家，较低的返现金额就可以使其给出高质量好评。“好评返现”的出现，同时增加了买卖双方的当前收益，因此在网店中“好评返现”出现的频率很高，导致在线评论整体打分偏高。（2）买家遭受威胁时，有很大概率选择妥协，而妥协的概率越大，卖家采取“威胁”的概率就越大。而差评对卖家的销售量有很大影响，一些卖家宁愿冒风险也会采取“威胁”策略。同时买家估计到卖家采取“威胁”策略的概率越大，给出差评的概率就越小，因此“差评威胁”策略使得差评数量明显减少。

减少“好评返现”和“差评威胁”现象，能够在一定程度上纠正评论偏差，给出建议如下：（1）电商平台应给予买家举报威胁的权利，或国家出台相关法律，使买家不害怕威胁，坚持自己的评价原则，同时应对采用威胁手段改好评的卖家进行严厉惩罚，使卖家的威胁成本增加。（2）平台将评价的内容标准化，给定规范的描述指标，使高、低质量好评对销售量的影响差别减小，增加写高质量评论的时间和精力，使卖家进行“好评返现”的收益减小。（3）取消系统默认好评，禁止卖家的“好评返现”活动，同时应由平台将奖励给予高质量评论的买家。

参考文献：

[1]Chevalier J A M D. The Effect of Word of Mouth on Sales： Online Book Reviews [J]. Journal of Marketing Research，2006， 43（3）： 345-354.

[2]Picazo-Vela S C S Y M. Why Provide an Online Review？ An Extended Theory of Planned Behavior and the Role of Big-Five Personality Traits [J]. Computers in Human Behavior， 2010， 26（4）： 685-696.

[3]王洪伟，王伟. 特征观点对购买意愿的影响：在线评论的情感分析方法[J]. 系统工程理论与实践，2015. 35（1）：1-14.

[4]王伟，王洪伟，孟园. 协同过滤推荐算法研究：考虑在线评论情感倾向[J]. 系统工程理论与实践，2014（12）： 3238-3249.

[5]Li X， Hitt L M. Self-Selection and Information Role of Online Product Reviews [J]. Information Systems Research，2008， 19（4）： 456-474.

[6]彭惠，王永瑞. C2C電子商务市场整体卖家信用分布研究[J]. 情报杂志，2012（5）： 122-127.

[7]Dellarocas C. The Digitization of Word of Mouth： Promise and Challenges of Online Feedback Mechanisms [J]. Management Science，2003， 49（10）： 1407-1424.

[8]Dellarocas C， Wood C A. The Sound of Silence in Online Feedback： Estimating Trading Risks in the Presence of Reporting Bias [J]. Management Science，2008， 54（3）： 460-476.

[9]Chen C C T Y. Quality Evaluation of Product Reviews Using an Information Quality Framework [J]. Decision Support Systems，2011， 50（4）： 755-768.

[10]Jindal N L B. Review Spam Detection[C]. Proceedings of the 16th International Conference on World Wide Web. New York， NY， USA： ACM， 2007.

[11]孟美任，丁晟春. 虚假商品评论信息发布者行为动机分析[J].情报科学， 2013（10）： 100-104.

[12]Hu N， Zhang J， Pavlou P A. Overcoming the J-Shaped Distribution of Product Reviews [J]. Communications of the ACM，2009， 52（10）： 144.

[13]李雨洁，廖成林，于辉. 线上商品评论反“L”型分布的偏差与纠正[J]. 统计研究， 2013（4）： 46-51.

[14]李雨洁，廖成林，李忆. 消费者个体行为偏好对在线评论真实性的影响机理研究[J]. 软科学， 2015（1） ： 105-109.

[15]Nikitkov A N， Stone D N， Miller T C. Internal Controls， Routine Activity Theory （RAT）， and Sustained Online Auction Deception： A Longitudinal Analysis[J]. Journal of Information Systems， 2014， 28（1）： 311-337.

[16]Bauerly R J. Online Auction Fraud and Ebay [J]. Marketing Management Journal， 2009（Spring）： 133-143.

[17]张晓飞，董大海. 网络口碑传播机制研究述评[J]. 管理评论， 2011（2）： 88-92.

[18]Hennig-Thurau T G K P W. Electronic Word-of-Mouth via Consumer-Opinion Platforms： What Motivates Consumers to Articulate Themselves on the Internet？[J]. Journal of Interactive Marketing， 2004， 18（1）： 38-52.

[19]陈燕方，娄策群. 在线商品虚假评论形成路径研究[J]. 现代情报， 2015（1）： 49-53.

[20]周梅华，李佩镅，牟宇鹏. 在线评论对消费者购买意愿的影响——心理距离的中介作用[J]. 软科学， 2015（1） ： 101-104.

[21]苗苗，李晴雯. C2C电子商务中交易双方的博弈模型分析[J]. 统计与决策， 2012（8）： 182-185.

[22]陆海霞，吴小丁，蘇立勋. 差评真的那么可怕吗？——负面线上评论对消费者购买行为的影响研究[J]. 北京社会科学， 2014（5）： 106-114.

[23]李琪，梁妮. 在线评论中产品评论和服务评论的感知有用性差异研究[J]. 软科学， 2015（10） ： 101-104.

[24]闫强，孟跃. 在线评论的感知有用性影响因素——基于在线影评的实证研究[J].中国管理科学， 2013（S1）：126-131.

（责任编辑：秦 颖）