我失去 vs. 我赚取：消费者对算法（而非人类）价格歧视的价格公平感知

文献标题

I lose vs. I earn: Consumer perceived price fairness toward algorithmic (vs. human) price discrimination

文献信息

• 主题领域: 人机交互 (HCI)，算法定价与消费者行为研究
• 关键词: 算法定价, 价格公平性, 价格歧视, 人机交互, 理论归因, 消费者反应

研究背景与问题

• 问题或挑战:

  • 现代企业越来越倾向于利用算法来制定个性化的价格，但这种价格歧视对消费者价格公平性的感知影响尚未得到全面研究。
  • 欠缺对人类与算法的定价行为如何分别影响消费者对价格歧视反应的深入探讨，以及导致这种影响的心理机制。

• 重要性:

  • 价格公平性是影响消费者购买满意度、品牌忠诚度和传播口碑的重要因素；理解算法与人类定价行为对其影响有助于优化市场策略。
  • 基于算法的定价较传统方法更加广泛应用，其社会公平性和伦理性也日益受到关注。

• 研究动机与相关工作:

  • 人机交互领域已有关于算法与人类决策信任和接受的研究，但多数集中于医疗、人力资源管理和贷款分配等领域，缺乏对算法定价的消费者反应关注。
  • 归因理论指出，个人倾向于为好结果进行内部归因（如运气），为坏结果进行外部归因（如责任推卸），这一理论为消费者反应提供了潜在的解释框架。

解决方案

• 方法与创新:

  • 提出“双向实验设计”以定量研究消费者对算法与人类定价的不同反应，以及心理归因机制。
  • 结合归因理论提出假设：消费者对价格歧视的感知公平性依赖于定价者类型与歧视结果。

• 实施步骤与关键技术:

  1. 实验设计定义: 两项实验采用2 (定价者类型：算法 vs 人类) × 2 (价格歧视类型：不利 vs 有利) 的设计。
  2. 实验过程：
     • 被试者阅读假设场景（如假日预订），体验算法或人类设定的不同类型价格歧视。
     • 测量消费者感知价格公平性、归因机制（例如运气归因与意外性归因）、购买满意度、品牌信任与品牌情感。
  3. 数据分析: 使用ANOVA方差分析与PLS结构方程模型分析消费者反应与归因之间的关系。

研究成果

• 具体成果:

  • 消消费者认为人类进行的不利价格歧视更加不公平，但认为算法进行的有利价格歧视更加不公平。
  • 归因机制解释了这些差异：消费者倾向于将人类的不利定价归因于有意行为，而算法被归因于无意行为；而有利定价更容易被归因于消费者自身运气，尤其是由人类设定时。

• 优势与影响:

  • 实现了对算法与人类价格歧视差异影响的定量研究，为营销策略优化提供了依据。
  • 拓展了人机交互领域对算法公平性与消费者反应的理论探索。

• 实验或评估结果:

  • 两项实验均验证了预测假设：
    • 实验1证明，消费者对不同定价类型反应显著受定价者与价格歧视类型的交互影响。
    • 实验2确认，意外性归因与运气归因分别介导了对不利与有利价格歧视的反应。
  • 归因机制统计学显著性：有利归因通过运气机制间接显著影响价格公平性感知，不利归因通过意外性机制显著影响。

• 局限性与未来方向:

  • 局限性:
    1. 本研究未实证验证算法拟人化元素的作用，但推测这些元素可能影响消费者归因。
    2. 研究未考虑个体差异，如信息敏感性对价格公平性影响。
    3. 关注的仅是个性化定价，没有涉及动态定价等其他广泛使用的定价策略。
  • 未来方向:
    1. 探讨算法拟人化设计如何调节消费者对价格歧视的归因与感知。
    2. 涉及动态定价算法的消费者反应研究。
    3. 考察可能的社会与隐私风险，完善算法定价伦理模型。

管理与伦理启示

• 管理启示:

  1. 在不利价格歧视中引入算法定价可能减少消费者负面反应，而对有利歧视建议采用人类设定。
  2. 设计网站时，根据歧视类型调整定价元素的拟人化呈现（例如模拟人或机器特性）。

• 伦理建议:

  1. 发展负责任的算法：确保公平性、透明性与解释性，减少隐性数据偏差。
  2. 增强消费者信息透明度：主动披露算法的使用方式，同时避免强化社会不平等问题。