To Each Their Own: Personalized Product Offerings in Competition

第一章 研究背景、现实动机与核心理论贡献

1.1 现实商业背景与问题提出

随着大数据采集、机器学习与人工智能推荐算法的爆发式发展，现代电商与数字营销的商业范式正经历着深刻的结构性转变。在传统的零售模式中，企业通常向全市场展示完全同质的'标准货架'，所有消费者面对相同的展示商品集合。然而在当今的数字生态中，企业通过收集用户的浏览轨迹、点击行为、搜索历史与人口统计学特征，能够为每一位特定消费者动态生成量身定制的'个性化产品供给（Personalized Product Offerings）'。

现实商业实践中，此类个性化供给广泛渗透于多触点营销场景：

1. 营销邮件（Marketing Emails）：例如美妆零售巨头丝芙兰（Sephora）在向会员发送促销邮件时，受限于邮件篇幅与用户注意力跨度，无法展示数以万计的全量目录，而是依赖算法为不同肤质、审美偏好的用户推送专属精选产品单品，并附带各自的明码标价。

2. 电商网站千人千面（Personalized E-Commerce Storefronts）：消费者访问 Adidas 或 Nike 官网时，首页展示的焦点 Banner、功能鞋款及推荐流因人而异，精准匹配其偏好的运动场景（如马拉松、篮球、日常潮鞋）。

3. 动态展示广告（Dynamic Online Ads）：第三方展示广告网络根据跨站 Cookie 与实时行为预测用户偏好，在 Banner 栏中直接渲染最可能引发点击与转化的特定商品。

4. 盲盒与订阅制时尚电商（Curated Subscription Services）：如 Stitch Fix 与 Wantable，算法与造型师直接为消费者打包一组个性化服饰盲盒，消费者在收到实物后根据单件价格决定是否购买。

图1：电商与数字营销实践中多触点个性化产品供给架构图

1.2 个性化产品供给与现有理论文献的本质区别

为了清晰界定本文的理论边界与学术增量，必须将'个性化产品供给'与五支高度相关的既有经济学与管理学文献进行严格甄别与对比：

1. 区别于平台搜索推荐与排序中介文献（Search Ranking & Recommendation Intermediaries）：既有关于推荐系统战略分析的文献（如 Hagiu & Jullien 2011, 2014; Inderst & Ottaviani 2012; Ke et al. 2022; Teh & Wright 2022; Zhong 2023; Zhou & Zou 2023; Zou & Zhou 2025）核心关注亚马逊、淘宝等第三方中介平台的设计。中介平台自身不生产商品也不拥有商品定价权，其核心权衡在于如何在平台佣金收益、赞助广告排名与消费者搜索摩擦之间取得平衡。而本文研究的是具有自主产品线与独立定价权的品牌商（如 Adidas vs. Nike, Sephora vs. Ulta），企业在直面竞争对手的同时，同时内生决策向消费者呈现何种产品定位以及制定何种价格。

2. 区别于传统空间定位博弈（Spatial Competition & Hotelling Games）：自 Hotelling (1929) 与 d'Aspremont et al. (1979) 以来，传统横向差异化模型均假定产品定位是长期不可逆的资本投资，博弈时序为两阶段：第一阶段企业公开选择产品定位，第二阶段在观测到对手定位后进行价格竞争。但在个性化产品供给场景下，算法能够在毫秒级动态切换呈现的商品，且最关键的是：企业无法实时观测到竞争对手向特定消费者展示了什么个性化页面。这种双向不可观测性将博弈结构彻底转化为'定位与定价的同时行动博弈（Simultaneous Moves）'。

3. 区别于基于行为的价格歧视与个性化定价（Personalized Pricing & Behavior-Based Price Discrimination）：传统个性化定价文献（如 Thisse & Vives 1988; Shaffer & Zhang 1995; Chen et al. 2001; Choe et al. 2018; Li et al. 2023）假定产品物理属性固定，企业仅基于消费者身份或忠诚度对同一产品实施差异化定价。本文严格禁止对同一产品实施个性化歧视定价（即每款产品在全网只有一个公开价格 $p_{i}(y_{i})$），企业实施的是'产品线定价（Product Line Pricing）'。然而，由于不同偏好的消费者被匹配到了不同定位的产品上，产品线定价在均衡中内生诱导出了跨细分市场的隐性价格歧视。

4. 区别于产品定制理论（Product Customization）：在定制文献中（如 Dewan et al. 2003; Syam et al. 2005, 2006; Arora et al. 2008），企业向所有消费者提供相同范围的可定制菜单，由消费者主动选择配置；而在本文的个性化供给中，是由企业算法主导决策向消费者推送哪一款单品。

5. 区别于多阶段客户识别文献（Customer Recognition & Poaching）：如 Zhang (2011), Pazgal & Soberman (2008), Li (2021) 均基于两阶段历史购买记录将用户粗糙划分为'本品牌老客'与'竞品老客'两类群体。本文则允许企业基于连续的私有噪声信号，对连续谱上的每一个个体实施微观颗粒度的个性化匹配。

1.3 本文的核心理论贡献

本文在理论与实践层面取得了多项颠覆传统直觉的重大突破：

第一，构建了全新的'双向不可观测'个性化空间竞争理论范式。证明了在无法观测对手即时供给的情境下，企业的最优定位策略完全褪去了战略性博弈色彩，退化为纯粹的贝叶斯后验均值拟合。

第二，发现并解析了'小众偏好溢价与隐性价格歧视机制'。证明了只要企业的预测能力不显著劣于对手，企业就会对小众产品索取更高的价格，从小众消费者群体中获取更高利润，揭示了小众市场在数字经济中的超额盈利本质。

第三，揭示了行业预测技术进步对市场竞争的'非单调倒U型影响'。当整个行业的技术精度 $\alpha$ 提升时，市场预期差异化程度与企业均衡利润均呈现先升后降的倒U型轨迹，打破了'数据越精准、竞争必然越激烈或企业利润必然单调变化'的传统认知。

第四，揭示了主流偏好消费者的'福利受损悖论'。证明了预测技术的初步提升反而可能导致最主流消费者（$x = 1/2$）的期望效用下降，因为企业在低精度下的盲目个性化增加了匹配失误率并伴随价格上涨。

第五，为数字反垄断与数据隐私监管提供了颠覆性的政策洞见。证明了企业在算法投资博弈中深陷囚徒困境，限制数据获取的隐私法规或行业自律组织设定的数据精度上限，本质上构成了反竞争的'软性价格共谋'。

第二章 数理模型建立过程与微观基础

2.1 市场环境与消费者效用函数设定

考虑市场上存在两家对称的寡头品牌企业（记为企业 $i \in \{ 1,2\}$）以及单位质量（Mass = 1）的消费者群体。消费者在水平产品特征空间上的理想偏好位置 $x$ 均匀分布在经典 Hotelling 线段上：

$$x \sim \mathcal{U}\lbrack 0,1\rbrack$$

线段的中点 $x = 1/2$ 代表市场上最为主流（Mainstream）的大众偏好，而靠近两端 $x \rightarrow 0$ 与 $x \rightarrow 1$ 的位置则代表极端小众（Niche）偏好。

当消费者 $x$ 购买企业 $i$ 提供的定位为 $y_{i} \in \lbrack 0,1\rbrack$、价格为 $p_{i}$ 的个性化产品时，其获得的拟线性效用函数定义为：

$$U_{1} = v - p_{1} - t(y_{1} - x)^{2}$$

$$U_{2} = v - p_{2} - t(y_{2} - x)^{2} + \Delta\varepsilon$$

其中各项经济学含义如下：

1. $v > 0$ 表示产品带来的基础效用（Base Utility），假定 $v$ 充分大以确保市场在任何均衡下均实现完全覆盖（Full Market Coverage），即每位消费者必购买且仅购买一件商品。

2. $t > 0$ 为单位距离的二次错配成本系数（Mismatch / Transportation Cost Parameter），反映了消费者对产品特征偏离其理想偏好时的心理敏感度。二次错配成本形式确保了效用函数的严格凹性与分析的严谨性。

3. $\Delta\varepsilon \equiv \varepsilon_{2} - \varepsilon_{1}$ 表示消费者对两家企业的不可观测特质偏好冲击之差（Idiosyncratic Brand Preference Shock）。假定 $\Delta\varepsilon$ 独立于产品空间位置 $x$，且服从对称均匀分布：

$$\Delta\varepsilon \sim \mathcal{U}\lbrack - \theta,\theta\rbrack,\theta > 0$$

引入扰动项 $\Delta\varepsilon$ 具有深厚的微观计量经济学与博弈论基础：在同时行动的 Hotelling 定位-定价博弈中，若缺乏平滑离散选择概率的异质性冲击，纯策略纳什均衡将不复存在（de Palma et al. 1985）。参数 $\theta$ 衡量了品牌间外生异质性与市场竞争的平缓程度。为确保内点解的存在性，引入如下技术性假定：

2.2 私有噪声信号结构与信息不对称

在向目标消费者展示产品之前，两家企业均通过自身的行为跟踪算法与机器学习模型获得关于该消费者真实偏好 $x$ 的私有、非完美预测信号 $S_{i} \in \lbrack 0,1\rbrack$。

定义企业 $i$ 的预测精度为 $\alpha_{i} \in \lbrack 0,1\rbrack$。信号生成机制服从如下经典信息结构：

$$Pr(\{ S_{i} = x\}) = \alpha_{i}$$

$$Pr(\{ S_{i}\bot x\}) = 1 - \alpha_{i},其中\ S_{i}\bot x \sim \mathcal{U}\lbrack 0,1\rbrack$$

信息结构的经济学解释为：以概率 $\alpha_{i}$，企业 $i$ 精确捕捉到了消费者的真实偏好位置；以概率 $1 - \alpha_{i}$，算法遭遇噪声干扰，生成的信号与真实偏好完全独立并在 $\lbrack 0,1\rbrack$ 上均匀随机分布。

信息不对称特征表现为：

1. 预测精度 $\alpha_{1},\alpha_{2}$ 为全市场公开信息（Common Knowledge），代表双方技术能力的宏观水平；

2. 针对特定消费者，企业 $i$ 仅私下观测到自身的信号实现值 $s_{i}$，但无法确知该信号是否准确，亦无法观测对手的信号实现值 $s_{j}$；

3. 假定两家企业算法产生噪声的随机误差相互独立（在第 5.3 节进一步拓展至相关公共信号）。

2.3 博弈时序与策略空间松弛法

博弈的时序进程严格界定如下：

阶段 0（自然行动）：自然决定消费者的真实偏好位置 $x \sim \mathcal{U}\lbrack 0,1\rbrack$ 与品牌特质偏好差 $\Delta\varepsilon \sim \mathcal{U}\lbrack - \theta,\theta\rbrack$。

阶段 1（信息生成）：两家企业独立获得私有信号 $s_{1},s_{2}$。

阶段 2（同时决策）：两家企业同时决定各自的个性化产品供给策略 $y_{i}(s_{i}):\lbrack 0,1\rbrack \rightarrow \lbrack 0,1\rbrack$ 与产品线定价策略 $p_{i}(y_{i}):\lbrack 0,1\rbrack \rightarrow \lbrack\underline{p},\overline{p}\rbrack$。

阶段 3（消费者购买）：消费者私下观测到自身的 $x$ 和 $\Delta\varepsilon$，并看到两家企业推送的具体供给对 $(y_{1},p_{1})$ 与 $(y_{2},p_{2})$，随后选择效用最大化的企业完成购买（无差异时购买企业 1）。

【策略空间松弛求解法（Strategy Space Relaxation）】

在原博弈中，定价策略定义在产品定位上 $p_{i}(y_{i})$。寻找四元组函数 $\{ y_{1}^{*}(s_{1}),p_{1}^{*}(y_{1}),y_{2}^{*}(s_{2}),p_{2}^{*}(y_{2})\}$ 的不动点极为复杂。为此，作者采用两步松弛求解技术：

第 1 步：严格扩大策略空间，允许企业制定直接依赖于私有信号的定价策略 $p_{i}(s_{i})$；

第 2 步：求解松弛博弈的纯策略纳什均衡。若在均衡中定位映射 $y_{i}^{*}(s_{i})$ 是一对一的单射函数（Bijective Mapping），则存在反函数 $s_{i} = (y_{i}^{*})^{( - 1)}(y_{i})$，使得 $p_{i}^{*}(y_{i}) = p_{i}^{*}((y_{i}^{*})^{( - 1)}(y_{i}))$ 在原博弈策略集中完全可行。因此，该解必然是原博弈的合法纳什均衡。

2.4 贝叶斯需求分解与四状态期望需求方程

根据消费者购买规则，消费者选择企业 1 当且仅当 $U_{1} \geq U_{2}$，即：

$$\Delta\varepsilon \leq p_{2} - p_{1} + t\left\lbrack (y_{2} - x)^{2} - (y_{1} - x)^{2} \right\rbrack$$

利用 $\Delta\varepsilon \sim \mathcal{U}\lbrack - \theta,\theta\rbrack$ 的均匀分布性质，在给定实际供给 $(y_{1},y_{2},p_{1},p_{2})$ 及消费者真实位置 $x$ 的条件下，企业 $i$ 的即时需求概率为：

$$Q_{i}(y_{i},y_{j},x) + \frac{p_{j} - p_{i}}{2\theta}$$

其中非价格需求项定义为：

$$Q_{i}(y_{i},y_{j},x) \equiv \frac{1}{2} + \frac{t}{2\theta}\left\lbrack (y_{j} - x)^{2} - (y_{i} - x)^{2} \right\rbrack$$

在给定私有信号 $s_{i}$ 与对手策略 $(y_{j}(s_{j}),p_{j}(s_{j}))$ 的条件下，企业 $i$ 面临四种互斥的贝叶斯状态事件：

事件 1（双准，概率 $\alpha_{i}\alpha_{j}$）：$s_{i} = s_{j} = x$。期望需求为：

$$Q_{i}(y_{i},y_{j}(s_{i}),s_{i}) + \frac{p_{j}(s_{i}) - p_{i}}{2\theta}$$

事件 2（我准敌错，概率 $\alpha_{i}(1 - \alpha_{j})$）：$s_{i} = x,s_{j}\bot x$。对手信号 $s_{j} \sim \mathcal{U}\lbrack 0,1\rbrack$，期望需求为：

$$\int_{0}^{1}{}Q_{i}(y_{i},y_{j}(s_{j}),s_{i})ds_{j} + \frac{Ep_{j} - p_{i}}{2\theta}$$

事件 3（我错敌准，概率 $(1 - \alpha_{i})\alpha_{j}$）：$s_{i}\bot x,s_{j} = x$。真实偏好 $x = s_{j} \sim \mathcal{U}\lbrack 0,1\rbrack$，期望需求为：

$$\int_{0}^{1}{}Q_{i}(y_{i},y_{j}(s_{j}),s_{j})ds_{j} + \frac{Ep_{j} - p_{i}}{2\theta}$$

事件 4（双错，概率 $(1 - \alpha_{i})(1 - \alpha_{j})$）：$s_{i}\bot x,s_{j}\bot x$。$x$ 与 $s_{j}$ 均独立均匀分布，期望需求为：

$$\int_{0}^{1}{}\int_{0}^{1}{}Q_{i}(y_{i},y_{j}(s_{j}),x)ds_{j}dx + \frac{Ep_{j} - p_{i}}{2\theta}$$

将上述四类事件按概率加权求和，整理得到企业 $i$ 的总期望需求函数：

$$D_{i}(y_{i},p_{i}|s_{i},y_{j}( \cdot ),p_{j}( \cdot )) = D_{i}^{np}(y_{i}|s_{i},y_{j}( \cdot )) + \frac{1}{2\theta}\left\lbrack \alpha_{i}\alpha_{j}(p_{j}(s_{i}) - p_{i}) + (1 - \alpha_{i}\alpha_{j})(Ep_{j} - p_{i}) \right\rbrack$$

其中非价格需求核心项 $D_{i}^{np}(y_{i}|s_{i},y_{j}( \cdot ))$ 聚合了所有与物理产品错配相关的期望效用项。

第三章 均衡特征与数理推导全景剖析

3.1 个性化定位策略与引理 1（Lemma 1）

由于产品定位 $y_{i}$ 仅出现在非价格需求项 $D_{i}^{np}(y_{i}|s_{i},y_{j}( \cdot ))$ 中，企业期望利润 $\Pi_{i} = p_{i} \cdot D_{i}$ 关于 $y_{i}$ 的最大化等价于独立最大化非价格需求项。

【引理 1 的严格数理推导】

对于二次错配成本 $d(x,y_{i}) = (x - y_{i})^{2}$，展开条件期望：

$${\mathbb{E}}\left\lbrack (x - y_{i})^{2}|s_{i} \right\rbrack = y_{i}^{2} - 2y_{i}{\mathbb{E}}\lbrack x|s_{i}\rbrack + {\mathbb{E}}\lbrack x^{2}|s_{i}\rbrack$$

该式关于 $y_{i}$ 严格凸，取一阶导数并置零：

$$\frac{\partial{\mathbb{E}}\left\lbrack (x - y_{i})^{2}|s_{i} \right\rbrack}{\partial y_{i}} = 2y_{i} - 2{\mathbb{E}}\lbrack x|s_{i}\rbrack = 0 \Longrightarrow y_{i}^{*}(s_{i}) = {\mathbb{E}}\lbrack x|s_{i}\rbrack$$

计算贝叶斯后验期望：

$${\mathbb{E}}\lbrack x|s_{i}\rbrack = \alpha_{i} \cdot s_{i} + (1 - \alpha_{i}) \cdot \int_{0}^{1}{}xdx = \alpha_{i}s_{i} + (1 - \alpha_{i})\frac{1}{2}$$

【一般性距离函数的严格证明】对于任意距离函数 $d(x,y)$，将消费者效用差写为：

$$U_{1} - U_{2} = t \cdot d(x,y_{2}) - t \cdot d(x,y_{1}) + p_{2} - p_{1} - \Delta\varepsilon$$

由于定价 $p_{1},p_{2}$ 无法实时针对对手的产品定位做出响应，企业 $i$ 无论对手采取何种策略、无论自身制定何种价格，最大化自身市场份额与期望利润的充要条件均是最小化 ${\mathbb{E}}\lbrack d(x,y_{i})|s_{i}\rbrack$。证毕。

【引理 1 的经济学与管理学涵义】

1. 战略性脱敏（Non-Strategic Nature）：传统 Hotelling 模型中企业为规避激烈的伯川德价格战会策略性远离对手（最大化差异化原理）。但在个性化供给中，由于无法观测对手即时供给，企业无法通过移动位置来操纵对手的价格反应，战略效应完全消失。

2. 向大众均值的保守对冲（Hedging Towards Mainstream）：企业供给是私有信号 $s_{i}$ 与无信息先验均值 $1/2$ 的加权平均。当算法精度 $\alpha_{i}$ 较低时，企业大幅向中心保守回缩；只有当 $\alpha_{i} \rightarrow 1$ 时，企业才完全跟随信号 $y_{i} \rightarrow s_{i}$。

3. 产品线宽度的内生收缩：企业实际供给的产品线区间为 $\lbrack\frac{1 - \alpha_{i}}{2},\frac{1 + \alpha_{i}}{2}\rbrack$，总跨度恰好为 $\alpha_{i}$。精度越低，产品线越收缩于主流区间。

3.2 预期产品差异化程度与命题 1（Proposition 1）

在个性化供给下，两家企业产品定位之间的差异化程度具有内生随机性。计算二次距离期望值：

【命题 1 的数理推导】

分别计算四类状态下的期望差异度：

1. 双准（概率 $\alpha_{i}\alpha_{j}$）：$y_{i} = (1 - \alpha_{i})/2 + \alpha_{i}x,y_{j} = (1 - \alpha_{j})/2 + \alpha_{j}x$，距离平方积分为 $\frac{(\alpha_{i} - \alpha_{j})^{2}}{12}$；

2. 我准敌错（概率 $\alpha_{i}(1 - \alpha_{j})$）：距离平方积分为 $\frac{\alpha_{i}^{2} + \alpha_{j}^{2}}{12}$；

3. 我错敌准（概率 $(1 - \alpha_{i})\alpha_{j}$）：距离平方积分为 $\frac{\alpha_{i}^{2} + \alpha_{j}^{2}}{12}$；

4. 双错（概率 $(1 - \alpha_{i})(1 - \alpha_{j})$）：距离平方积分为 $\frac{\alpha_{i}^{2} + \alpha_{j}^{2}}{12}$。

加权汇总即得方程 (12)。在对称情形下，对 $\alpha$ 求导：

$$\frac{\partial{\mathbb{E}}\left\lbrack (y_{i} - y_{j})^{2} \right\rbrack}{\partial\alpha} = \frac{\alpha(1 - 2\alpha^{2})}{3}$$

一阶导数在 $\alpha = 1/\sqrt{2}$ 处穿过零点，命题 1 得证。

3.3 均衡定价函数、平均价格与命题 2、3（Propositions 2 & 3）

将引理 1 得到的均衡定位代入企业利润函数，对价格 $p_{i}(s)$ 求一阶导数，得到反应函数联立方程组：

$$2\theta A_{i}(s) + \alpha_{i}\alpha_{j}p_{j}^{*}(s) + (1 - \alpha_{i}\alpha_{j})Ep_{j}^{*} - 2p_{i}^{*}(s) = 0$$

其中 $A_{i}(s) \equiv D_{i}^{np}(y_{i}^{*}(s)|s_{i} = s,y_{j}^{*}( \cdot ))$。解该方程组可得：

推论 1 展示了惊人的反直觉特性：尽管命题 1 表明对称市场的预期产品差异化程度显著依赖于 $\alpha$，但全市场的平均价格水平却对 $\alpha$ 毫不起伏。要理解价格竞争的真实烈度，必须深入到不同信号与产品的微观价格分布结构。

图2：非对称精度下企业 i 的均衡产品线定价曲线（θ=2, t=1, α_j=0.7）

图3：极值精度（α_H=1, α_L≈0）下 Hotelling 空间中的净定位优势机制示意图

图4：对称情形下企业均衡产品线定价曲线的微笑形态（θ=2, t=1）

【定位优势推导（Online Appendix OA2）与命题 3 微观机理】

为什么对称企业或高精度企业会向小众消费者收取更高价格？核心在于'条件净定位优势（Expected Net Positioning Advantage）'。在附录 OA2 中，严格推导了企业 $i$ 在观测到 $s_{i}$ 时相对对手 $j$ 的预期定位优势：

$${\mathbb{E}}\left\lbrack (y_{j} - x)^{2} - (y_{i} - x)^{2}|s_{i} \right\rbrack = \frac{\alpha^{2}(1 - \alpha)^{2}}{6}(1 - 6s_{i} + 6s_{i}^{2})$$

分析二次项 $1 - 6s_{i} + 6s_{i}^{2}$：

1. 当 $s_{i} = 0$ 或 $1$（小众极端）：该项取最大正值 $+ 1$。高精度企业 $H$ 准确捕获了小众位置，而低精度或对称对手 $L$ 因缺乏把握仍向中心 $1/2$ 保守靠拢（如图 3(a) 所示），导致对手错配极大，企业 $H$ 获得垄断级的定位护城河，定价压力骤减，因而制定高价。

2. 当 $s_{i} = 1/2$（主流中心）：该项取最小负值 $- 1/2$。此时无论对手是否掌握精确信号，对手均有极大概率在中心 $1/2$ 附近供给产品（如图 3(b) 所示），导致中心区域供给高度同质化，价格竞争最为残酷，迫使企业大幅降价。

【产品级价格闭式解（Online Appendix OA1）】

在附录 OA1 中，将对称信号价格转化为具体物理产品 $y$ 的定价闭式解：

$$p^{*}(y) = \theta - \frac{t(1 - \alpha)^{2}\left( \alpha^{2} - 3(1 - 2y)^{2} \right)}{12(2 - \alpha^{2})}$$

由于 $y \in \lbrack\frac{1 - \alpha}{2},\frac{1 + \alpha}{2}\rbrack$，当 $\alpha > 0.6$ 时，极端小众产品（如 $y = 1/5$ 和 $y = 4/5$）开始被纳入生产目录。

图B1：行业预测精度对具体产品 y 均衡价格的影响（OA1 附录扩展图）

3.4 精度提升对定价的非单调冲击与命题 4、5（Propositions 4 & 5）

直觉上，单方面提升自身算法精度应使企业所有产品全线上涨。然而，命题 4 揭示了反常的间接竞争效应。

图5：企业 i 主流产品 y=0.5 定价随自身精度 α_i 的非单调响应（θ=2, t=1, α_j=0.4）

【命题 4 机制解析】企业提价面临两种力量抗衡：(1) 直接效应：自身精度提升带来定位优势，推动提价；(2) 间接竞争效应：处于信息劣势的对手由于失去差异化优势，全面调低价格发起价格战，迫使企业 $i$ 在主流产品上降价迎战。当对手精度较低（如 $\alpha_{j} = 0.4$）时，对手商品过度拥挤在中心，使得间接降价效应压倒直接提价效应（图 5 中 $\alpha_{i} > 0.417$ 时价格持续下滑）。

图6：行业技术精度 α 对不同信号均衡价格的影响轨迹（θ=2, t=1）

3.5 利润结构、倒U型行业利润与命题 6、7（Propositions 6 & 7）

【命题 7 的严格数理证明】

对事前利润 $\Pi^{*sym}$ 关于 $\alpha$ 求一阶导数：

$$\frac{\partial\Pi^{*sym}}{\partial\alpha} = \frac{t^{2}(1 - \alpha)^{3}\alpha^{3}(2 - 4\alpha + \alpha^{3})}{90(2 - \alpha^{2})^{3}\theta}$$

分析符号项 $H(\alpha) \equiv 2 - 4\alpha + \alpha^{3}$：在 $\lbrack 0,1\rbrack$ 区间内，$H(0) = 2 > 0$，$H(1) = - 1 < 0$，导数 $H'(\alpha) = - 4 + 3\alpha^{2} < 0$ 严格单调递减。因此存在唯一根 $\alpha_{0} \approx 0.539$。当 $\alpha < \alpha_{0}$ 时导数为正，当 $\alpha > \alpha_{0}$ 时导数为负。命题 7 证毕。

【利润倒U型与平均价格恒定的理论综合】

将命题 5 与命题 7 综合对比可发现深层机理：尽管平均价格 $Ep^{*} = \theta$ 保持不变，但由于小众消费者贡献了绝大部分利润份额，当 $\alpha < \alpha_{0}$ 时小众价格上涨带来的利润增量显著超越了主流降价带来的损失，因而行业总利润上升；而在 $\alpha > \alpha_{0}$ 时，过度竞争打压了高价值的小众市场价格，导致行业总利润滑坡。

3.6 社会福利与主流消费者受损悖论（Welfare Analysis & Remark 1）

在对称情形下，计算全社会期望总福利（Social Surplus = 产出效用 - 错配成本）：

$$SS = v - \frac{t(1 - \alpha)}{12} - \frac{t(1 - \alpha)\alpha^{2}(20 + 36\alpha - 35\alpha^{2} - 23\alpha^{3} + 9\alpha^{4} + 5\alpha^{5})}{360(2 - \alpha^{2})^{2}\theta}$$

求导易证 $\frac{\partial SS}{\partial\alpha} > 0$ 恒成立。技术进步使商品在物理上更贴近消费者，社会总剩余单调增加。

然而，考察特定位置消费者的期望效用 $U(x)$ 时，出现了引人注目的结构性分化：

图7：主流消费者（x=0.5）期望效用随行业技术精度 α 的 U 型受损轨迹（θ=2, t=1）

【主流消费者福利受损机制】当 $\alpha = 0$ 时，企业不做个性化，全量推送 $y = 1/2$，主流消费者获得零错配完美匹配且价格为 $\theta$。当 $\alpha$ 刚开始提升时，企业基于粗糙噪声频繁将主流消费者误判为小众用户并推送偏离中心的高价小众商品，匹配恶化与价格畸高双重挤压，导致主流群体效用显著下跌。

第四章 理论扩展与机制深入验证

4.1 算法精度内生投资与反垄断规制悖论（Corollary 4）

拓展基础模型，引入第一阶段的算法精度内生研发投资博弈。两家企业在阶段 1 同时选择精度 $\alpha_{i},\alpha_{j} \in \lbrack 0,1\rbrack$，投资成本为 $K(\alpha_{i})$（满足 $K'(0) = 0,K'' \geq 0$ 及二阶充分条件）。

【推论 4 的数理证明与反垄断政策含义】

企业单边投资的一阶条件为 $\frac{\partial\Pi_{i}^{*}(\alpha^{*},\alpha^{*})}{\partial\alpha_{i}} = K'(\alpha^{*})$。而行业合谋最优精度满足：

$$\frac{\partial\Pi_{i}^{*}(\alpha_{coll},\alpha_{coll})}{\partial\alpha_{i}} + \frac{\partial\Pi_{j}^{*}(\alpha_{coll},\alpha_{coll})}{\partial\alpha_{i}} = K^{\prime}(\alpha_{coll})$$

根据命题 7，投资对竞品存在严格负外部性 $\frac{\partial\Pi_{j}^{*}}{\partial\alpha_{i}} < 0$。因此在合谋点边际收益更低，必有 $\alpha^{*} > \alpha_{coll}$。

【反垄断重大启示】传统反垄断法严厉打击价格卡特尔，但对行业协会出台的'保护隐私、限制数据采集精度'的行业自律准则（如限制地理围栏精度、限制 Cookie 追踪深度）往往持鼓励态度。本推论表明，限制预测精度能够有效遏制过度投资，帮助企业达成降本提价的合谋效果，从而损害消费者福利。监管机构必须从反垄断视角审视所谓的'数据隐私自律'。

4.2 消费者主动搜寻扩展（Consumer Search）

在基础模型中消费者被动接受个性化推荐。本节将消费者划分为两类：高搜寻成本群体（仅在推送商品中选择）与低搜寻成本群体（可免费遍历全量目录并主动挑选最优商品），各占 50%。构建三点离散偏好模型 $x \in \{ 0,1/2,1\}$。

图B2：消费者搜寻扩展模型下的有效参数空间（OA4 附录图）

在图 B2 所示的参数空间内，低搜寻成本消费者产生自选择激励相容，所有命题（定位对冲、小众高价、倒U型利润等）在考虑主动搜寻后依然保持高度稳健。

第五章 模型边界条件与三大对比模型剖析

为了精准识别驱动本文核心结论的微观经济学机制，作者构建了三个关键基准对照模型进行横向对比（见表 2 总结）。

5.1 统一定价/订阅制商业模式（Uniform Pricing & Subscriptions）

在长视频平台（如 Netflix, Hulu）中，用户先支付固定订阅费 $p_{i}$，随后系统进行个性化内容推送 $y_{i}(s_{i})$。由于无法针对单部个性化内容实行差别定价，企业实行统一定价。

求解结果显示：$y_{i}^{*}(s_{i}) = \alpha_{i}s_{i} + (1 - \alpha_{i})\frac{1}{2}$，$p_{i}^{*} = \theta + \frac{t}{36}(\alpha_{i}^{2} - \alpha_{j}^{2})$。在对称情形下，企业均衡利润 $\Pi^{*sym} = \theta/2$，完全独立于预测精度 $\alpha$。这证明：缺乏产品线隐性价格歧视时，技术进步的倒U型利润效应彻底消失。

5.2 Salop 圆周空间模型（Salop Circular City）

将偏好空间由有界线段替换为周长为 1 的圆周。圆周上任意两点完全对称，消除了'主流'与'小众'的拓扑异质性。

求解结果表明：企业无须向中心对冲，直接采取 $y_{i}^{*}(s_{i}) = s_{i}$。由于不存在主流/小众之分，产品价格恒定 $p_{i}^{*} = \theta$，对称利润恒为 $\theta/2$。这表明：主流与小众偏好分布的客观存在，是诱导差异化定价与倒U型利润的核心前提。

5.3 关联公共信号模型（Common Signals）

若两家企业采购同一家数据供应商（如同一数据中介或第三方征信库）并采用相同算法，其信号完全相关（$s_{1} = s_{2} = s$）。

由于信号一致且无法观测定价，两家企业推送完全相同的产品 $y_{1}^{*}(s) = y_{2}^{*}(s)$，导致产品差异化瞬间归零，价格坍塌为 $p^{*} = \theta$，利润降至最低基准 $\theta/2$。这表明数据共享会加剧产品同质化与恶性价格竞争，解释了企业为何极力保护私有数据源。

第六章 全文结论、管理启示与反垄断政策建议

6.1 核心理论结论总结

本文建立了寡头竞争下个性化产品供给与产品线定价的数理理论框架。研究表明：

1. 企业个性化供给呈现'向主流保守对冲'特征，产品线长度内生受限于算法精度；

2. 市场竞争在小众与主流细分领域呈现深刻的结构性失衡，小众产品享有定价溢价并构成企业利润的核心支柱；

3. 行业级预测技术进步对企业利润呈现倒U型冲击，技术适度不完美反而最有利于缓解价格战；

4. 主流消费者在技术演进初期面临福利受损，而企业在算法投资博弈中陷入过度投资的囚徒困境。

6.2 企业管理决策启示

1. 差异化产品线与动态定价协同：企业应认识到个性化推荐不仅仅是'促转化'的运营工具，更是实施产品线价格歧视的战略杠杆。针对算法识别出的小众偏好用户，应果断推介高附加值、高溢价的定制化单品；而针对主流偏好用户，则应以性价比与防御性定价为主。

2. 警惕'数据军备竞赛'陷阱：管理层不应盲目追求算法精度的极致提升。过度精准的预测不仅需要高昂的算力与数据采购成本，更会因剥夺产品差异化而引发恶性价格战。在适度精度的水平下维持良性差异化，往往能实现更高的全周期商业利润。

3. 避免数据源同质化：企业应积极构建具有私域壁垒的独立第一方数据资产，避免过度依赖通用的第三方公共数据池，防止因供给完全同质化而丧失定价权。

6.3 政策制定与反垄断规制建议

1. 穿透审查以'隐私保护'为名的行业共谋：监管部门应当警惕行业协会以'数据脱敏'、'限制追踪精度'为幌子达成的隐性合谋协议。此类协议通过人为压低 $\alpha$ 缓解了价格竞争，实质上是以牺牲消费者剩余为代价转移给企业垄断利润。

2. 差异化评估隐私法规的市场效应：GDPR、CCPA 等隐私法案将数据控制权赋予消费者。当消费者对隐私成本极度敏感时，自发的隐私保护能够有效约束企业过度追踪；但若监管直接以行政指令限制产业通用精度，则需综合权衡隐私收益与价格竞争被削弱带来的消费者福利损失。

第七章 参考文献

Ansari A, Mela CF (2003) E-customization. Journal of Marketing Research 40(2):131–145.

Arora N, Dreze X, Ghose A, Hess JD, Iyengar R, Jing B, Joshi Y, et al. (2008) Putting one-to-one marketing to work: Personalization, customization, and choice. Marketing Letters 19:305–321.

Chen Y, Iyer G (2002) Research note: Consumer addressability and customized pricing. Marketing Science 21(2):197–208.

Chen Y, Narasimhan C, Zhang ZJ (2001) Individual marketing with imperfect targetability. Marketing Science 20(1):23–41.

Choe C, King S, Matsushima N (2018) Pricing with cookies: Behavior-based price discrimination and spatial competition. Management Science 64(12):5669–5687.

d'Aspremont C, Gabszewicz JJ, Thisse JF (1979) On Hotelling's stability in competition. Econometrica 47(5):1145–1150.

De Palma A, Ginsburgh V, Papageorgiou YY, Thisse JF (1985) The principle of minimum differentiation holds under sufficient heterogeneity. Econometrica 53(4):767–781.

Dewan R, Jing B, Seidmann A (2003) Product customization and price competition on the internet. Management Science 49(8):1055–1070.

Du J, Ning ZE (2026) To each their own: Personalized product offerings in competition. Management Science 72(6):4737–4759.

Fudenberg D, Tirole J (2000) Customer poaching and brand switching. RAND Journal of Economics 31(4):634–657.

Gardete PM, Bart Y (2018) Tailored cheap talk: The effects of privacy policy on ad content and market outcomes. Marketing Science 37(5):733–752.

Hagiu A, Jullien B (2011) Why do intermediaries divert search? RAND Journal of Economics 42(2):337–362.

Hagiu A, Jullien B (2014) Search diversion and platform competition. International Journal of Industrial Organization 33:48–60.

Hauser JR (1988) Competitive price and positioning strategies. Marketing Science 7(1):76–91.

Hotelling H (1929) Stability in competition. The Economic Journal 39(153):41–57.

Inderst R, Ottaviani M (2012) Competition through commissions and kickbacks. American Economic Review 102(2):780–809.

Iyer G, Soberman D, Villas-Boas JM (2005) The targeting of advertising. Marketing Science 24(3):461–476.

Ke TT, Lin S, Lu MY (2022) Information design of online platforms. Working paper, Chinese University of Hong Kong, Hong Kong.

Lambrecht A, Tucker C (2013) When does retargeting work? Information specificity in online advertising. Journal of Marketing Research 50(5):561–576.

Li KJ (2021) Behavior-based quality discrimination. Manufacturing & Service Operations Management 23(2):425–436.

Li L, Chen J, Raghunathan S (2018) Recommender system rethink: Implications for an electronic marketplace with competing manufacturers. Information Systems Research 29(4):1003–1023.

Li X, Wang XS, Nault BR (2023) Is personalized pricing profitable when firms can differentiate? Management Science 70(7):4184–4199.

Ning ZE, Shin J, Yu J (2023) Targeted advertising: Strategic mistargeting and personal data opt-out. Working paper, University of British Columbia, Vancouver, BC.

Pazgal A, Soberman D (2008) Behavior-based discrimination: Is it a winning play, and if so, when? Marketing Science 27(6):977–994.

Sahni NS, Wheeler SC, Chintagunta P (2018) Personalization in email marketing: The role of noninformative advertising content. Marketing Science 37(2):236–258.

Salop SC (1979) Monopolistic competition with outside goods. The Bell Journal of Economics 10(1):141–156.

Shaffer G, Zhang ZJ (1995) Competitive coupon targeting. Marketing Science 14(4):395–416.

Syam NB, Kumar N (2006) On customized goods, standard goods, and competition. Marketing Science 25(5):525–537.

Syam NB, Ruan R, Hess JD (2005) Customized products: A competitive analysis. Marketing Science 24(4):569–584.

Teh TH, Wright J (2022) Intermediation and steering: Competition in prices and commissions. American Economic Journal: Microeconomics 14(2):281–321.

Thisse JF, Vives X (1988) On the strategic choice of spatial price policy. The American Economic Review 78(1):122–137.

Villas-Boas JM (1999) Dynamic competition with customer recognition. RAND Journal of Economics 30(4):604–631.

Villas-Boas JM (2004) Price cycles in markets with customer recognition. RAND Journal of Economics 35(3):486–501.

Yang H (2013) Targeted search and the long tail effect. RAND Journal of Economics 44(4):733–756.

Yoganarasimhan H (2020) Search personalization using machine learning. Management Science 66(3):1045–1070.

Zhang J (2011) The perils of behavior-based personalization. Marketing Science 30(1):170–186.

Zhong Z (2023) Platform search design: The roles of precision and price. Marketing Science 42(2):293–313.

Zhou B, Zou T (2023) Competing for recommendations: The strategic impact of personalized product recommendations in online marketplaces. Marketing Science 42(2):360–376.

Zou T, Zhou B (2025) Self-preferencing and search neutrality in online retail platforms. Management Science 71(5):4087–4107.