建立在讨价还价结果基础上的旅游市场大数据策略博弈分析及启示

汪 舟， 汪明林

（乐山师范学院 旅游学院，四川 乐山 614000）

建立在讨价还价结果基础上的旅游市场大数据策略博弈分析及启示

汪 舟， 汪明林

（乐山师范学院 旅游学院，四川 乐山 614000）

讨价还价模型是博弈论中一个常见的博弈模型。但无论是三回合讨价还价还是无限回合讨价还价，都是建立在假设双方不知道对方心里价位的基础上。然而，随着近年来互联网经济的发展以及“大数据”的广泛运用，买卖双方对彼此的了解会更加深入，在此情况下进行如果再进行一次大数据策略博弈，其交易价格将和原有的讨价还价博弈结果将有所不同。而在广泛运用大数据的旅游市场中，企业应该如何更好地利用这类变化来完善市场策略、提高企业收益，本文希望就此问题进行探讨并给出相应建议。

大数据；讨价还价模型；旅游市场策略

讨价还价模型是市场经济中很常见的一种博弈形式。博弈双方为买家和卖家。假设某一商品价格为P，价值为V，剩余价值（V-P）即为博弈对象。全部归卖方所有则为生产者剩余，全部归买方所有则为消费者剩余。卖方希望能尽量提高卖价增加生产者剩余，买方希望尽量压低价格增加消费者剩余，双方都希望将自己利益最大化，并据此期望进行讨价还价博弈。

在双方并不了解彼此的价格底线的情况下，进行无限回合讨价还价，策略选择为由卖方先提出一个价格，买方选择接受与否，若不接受，则另报一价格，若卖方接受则成交，若不接受则继续报价，一直循环到有一方接受对方报价为止。此时若剩余价值总额为100，根据夏克德(Shaked)和萨顿（Sutton）提出的解决思路，最后的均衡收益为，卖方得100/（1+a），买方得100a/（1+a），其中a为博弈过程中的消耗系数[1]。

然而在大数据时代，受益于搜索引擎技术的进步，情况有所变化。买卖双方都可以通过网络了解彼此过去的一些交易情况，对彼此的心理价位进行分析判断。此时的均衡收益是否落在自己的期望期间内，是否还是一个可接受的结果，都会影响到最终交易能否成立。如果双方在此基础上再进行一个是否采取大数据策略博弈，是否还会按照之前的均衡结果成交，本文正是基于这样的考虑而对这类情况进行了分析。

1 旅游市场的大数据策略博弈模型

1.1 条件假设

假设在旅游市场中，买卖双方对一项剩余价值为100的旅游产品进行讨价还价博弈。由旅游批发商（以下简称卖家）先出价，游客（以下简称买家）选择接受与否，如不接受，买家再还价，转而由卖家决定是否接受。双方都清楚在此基础上博弈最后的均衡收益为卖家得100/（1+a），买家得100a/（1+a）。但在最终交易前，再进行一次是否采取大数据策略来了解对方可接受价值区间的博弈，并以此决定是否按照之前的均衡结果交易。此次博弈对象仍然是剩余价值v-p，博弈方仍然是买卖双方，策略集合为（不做大数据，采纳大数据）。

在下面的这个博弈中需要再引入四个前提条件：

（1）只有经过多重数据分析，并根据过往同类产品的交易记录或其他相关性产品的消费情况，卖方才能推算出买方对于剩余价值的接受区间为[B1，B2]（0＜B1＜B2＜100），买方也才可以预估到卖方可接受的价值区间为[C1，C2]（0＜C1＜C2＜100）。如果不采取大数据策略进行分析，双方只清楚己方的接受区间，无法了解对方的接受区间。

（2）[B1，B2]、[C1，C2]区间内除B2、C2外任意两数相加都小于等于100、B2+C2＞100。即不能同时满足买卖双方的最大期望值，但至少可以满足一方的最大期望值。

（3）买卖方可以选择采取大数据策略或不采取大数据策略。

（4）在保证不低于自己最低期望值的前提下，为使交易成立买卖方可以进行让利。

1.2 博弈模型分析

在上述条件下，再根据原均衡值100/（1+a）、100a/（1+a）与买方接受范围[B1，B2]、卖方接受范围[C1，C2]的关系，新的博弈模型一共可分为9种状况，如下图9张图所示：

图1 第一种状况时的双方收益

当100/（1+a）＞C2、100a/（1+a）＞B2时，如双方都不进行大数据分析，对彼此接受范围都不了解，则原有均衡仍然是彼此收益。如卖方进行了数据分析而买方没有，卖方了解到原有均衡结果其实是超出了买方最大期望的，则不会按照原有均衡给买方提供收益，而会降到买方最低期望值B1，自己获得100-B1。同理，如果卖方不进行数据分析而买方进行，买方可以仅给予卖方其最小期望值C1，自己获得100-C1。若双方都进行大数据分析，彼此了解对方期望值，而原有的均衡结果已经超出各自最大期望了，故仍然会采取原有均衡结果，卖方获得100/（1+a），买方获得100a/（1+a）。此博弈的纯策略纳什均衡为（采纳大数据，采纳大数据）。

图2 第二种状况时的双方收益

当100/（1+a）＞C2、B1＜100a/（1+a）＜B2时，此时状况与前面完全相同。如双方都不进行大数据分析，原有均衡收益值都在彼此可期望值范围内或以上，仍然可以接受。当只有一方采纳大数据时，只给与对方其所期望的最小值。若双方都进行大数据分析，仍然会采取原有均衡结果。本博弈的纯策略纳什均衡是（采纳大数据，采纳大数据）。

图3 第三种状况时的双方收益

当100/（1+a）＞C2、100a/（1+a）＜B1时，由于原均衡结果低于买方最低期望值，原本是不可能达成买卖的。但当卖方采取大数据时，在了解买方的期望值区间的基础上发现100-B1＞C1，仍然在自己可接受范围内，故为了达成协议可以做出让步。而当双方都采取大数据时，彼此都了解对方的可接受区间。买方既不可能给予卖方高出其期望上限的利益，卖方也不会为了达成协议，让利到只拿期望值下限的地步。因此（C2，100-C2）和（100-B1，B1）都是可能的收益。如果是前者，纯策略纳什均衡为（采纳大数据，采纳大数据）、（采纳大数据，不做大数据），如果是后者，纯策略纳什均衡为（采纳大数据，采纳大数据）。

图4 第四种状况时的双方收益

当C1＜100/（1+a）＜C2，100a/（1+a）＞B2时，与第一种状况相同，由于都落在或超出了彼此期待值区间，故在双方都采取大数据或者都不采取大数据策略时，收益相同。而当卖方采取大数据时，会只给予买方其所期望值的底线B1，自己获得100-B1。而当只有买方采取大数据时，只会给予卖方其所期望的最小值C1。此时的纯策略纳什均衡为（采纳大数据，采纳大数据）。

图5 第五种状况时的双方收益

当C1＜100/（1+a）＜C2，B1＜100a/（1+a）＜B2时，原均衡收益均落在两者的期望区间内，故在此情况下，无论双方是否采取大数据策略，收益仍不变。而只有一方采取大数据时，会只给予对方其所期望值的下限。此时的纯策略纳什均衡为（采纳大数据，采纳大数据）。

图6 第六种状况时的双方收益

当C1＜100/（1+a）＜C2，100a/（1+a）＜B1时，原本由于均衡结果低于买家最小期望值，也是不能成立的。如只有卖方采取大数据策略，在保证不低于自己最低期望值情况下让步，则双方各得100-B1、B1，交易成便可立。若只有买方采取大数据策略，了解到原均衡收益大于卖方最低值而低于己方最低值，则会只给予卖方其期望最低收益，从而增加自己收益，使其能达到自己的期待收益区间。而如果双方都采取大数据策略，为了使交易成立，仍然需要卖方让利，故仍然是卖方的100-B1、买方的B1。此情况下的纯策略纳什均衡为（采纳大数据，采纳大数据）、（采纳大数据，不做大数据）。

图7 第七种状况时的双方收益

图8 第八种状况时的双方收益

当100/（1+a）＜C1，100a/（1+a）＞B2时，原本由于均衡结果低于卖家最小期望值而不能成立的。但如果卖方采取大数据而买方没有，则卖方可以通过仅给予买方其所希望的最小值B1，自己得（100-B1）来增加收益，使交易成立。若只有买方采取大数据策略，为了达成交易，给予卖方最小期待值C1，自己得100-C1＞B1，也能达成交易。若双方都采取大数据策略，了解各自的期待区间，为使得交易成立，仍然需要达到买卖双方的最小期待值才行。故卖方买方收益可能是{C1，100-C1}和{100-B2，B2}。如果是前者，则纯策略纳什均衡为（不做大数据，采纳大数据）、（采纳大数据，采纳大数据），如果是后者，则纯策略纳什均衡（采纳大数据，采纳大数据）。

当100/（1+a）＜C1，B1＜100a/（1+a）＜B2时，若只有卖方采取大数据则为提高收益，会仅给予买方其所希望值的最小值B1，自己得100-B1，大于其最小期待值C1，故交易能成立。若只有买方采取大数据策略，为了达成交易，给予卖方最小期待值C1，自己得100-C1＞B1，也能达成交易。若双方都采取大数据策略，了解各自的期待区间，为使得交易成立，仍然需要达到卖方的最小期待值才行。故卖方买方收益仍是C1和100-C1。此情况下的纯策略纳什均衡为（采纳大数据，采纳大数据）、（不做大数据，采纳大数据）。

图9 第九种状况时的双方收益

当100/（1+a）＜C1，100a/（1+a）＜B1时，原均衡收益都不能达到买卖双方的最小期望值，故在任何情况下都不会达成交易，因而不做考虑。

1.3 结果分析

上述状况中，除了不能达成交易的第九种状况外，一共有8种状况、14种可能的纯策略纳什均衡，其中（采纳大数据，采纳大数据）出现了10次，说明采取大数据对买卖双方来说都是一个比较好的选择。

同时，观察纳什均衡下的收益，其可能值有一共有5种：出现4次的（100/（1+a），100a/（1+a））、出现2次的（100-B1，B1）、出现1次的（C2，100-C2）和出现1次的（100-B2，B2）、2次（C1，100-C1）。由此可见，采取大数据策略后仍有4/10的机率是维持原来的收益。卖方收益与之前的收益相比，减少的情况有3种结果：当100a/（1+a）＜B1，卖方进行让利后达成的均衡收益的可能值，即2次（100-B1，B1）和1次（C2，100-C2）。增加收益的情况有3种：当100/（1+a）＜C1时从买方处获得让利的1次（100-B2，B2）和2次（C1，100-C1）。同理，对买家来说，收益不变的也是4种情况，增加和减少各有3种。但值得注意的是，买卖双方收益减少的三种情况，都实现了原本不可能达成的交易，从而从整体上增加了收益。而假如只有一方采取大数据，则采取数据一方可以利用信息优势通过降低给对方的利益来增加自己的利益。因此，采取大数据策略不论对于买方还是卖方其实都是一项可以获得更高收益的选择。

2 大数据博弈模型结果分析

在加入大数据策略后，原本只有一种结果的讨价还价模型出现了9种情况共14种可能的结果。尽管情况更加复杂，但通过分析总结这14种结果，我们可以得到如下启示：

2.1 正确看待博弈的对手

在过去信息不对称的情况下，卖方可以通过收集问卷、组织市场调研等方式了解消费者信息，而消费者却只能被动地通过媒体了解关于卖方的碎片化信息。在信息掌握程度上卖方是处于优势地位的。但是在大数据时代，信息共享成为趋势。卖方固然可以通过更多渠道了解买方的消费区间、消费喜好和方式等信息，买方也可以通过大量网络信息和他人提供的消费经验了解卖方。双方的信息差距越小，彼此的期待值区间就越清晰，就越容易达到均衡结果。同时因为买方也开始越来越重视信息搜集，卖方也就不能指望通过信息优势获取高于均衡结果的收益，反而必须加强己方的信息搜集，才能避免因为信息上劣势而失去原本可以获得的收益。

2.2 正确运用大数据

大数据的最大特点就是让买卖双方了解对方的期待值区间。对卖方来说，首先应把重点放在那些原本均衡值已经高过其最高期望值的客户身上，即那些愿意出更高价格的客户。通过大数据，在了解到他们的期望值区间的同时，也应当掌握更多他们的喜好与消费习惯。通过提供更精准更优质的服务，换取更高的收益。其次，可以扩大客户的范围。利用大数据，在保证不低于自己最低期望收益的情况下进行部分让利，满足买方的最低期望，从而使原本不可能达成的交易能够实现，从整体上增加自己收益。

对于买方消费者来说，利用大数据搜索，可以寻找在自己可接受的范围内最物美价廉的产品。同时，对于原本喜欢却因价格差距无法达成一致的产品，通过了解卖家的期望值区间和产品的真实价值，在不低于己方最低期待收益的情况下提高报价，获取产品。对买方来说，仍然是一笔可获得正收益的交易。

2.3 正确制定市场策略

首先在价格上不能采取为占领市场一味降价的策略。虽说通过让利来使交易成立可以从整体上增加企业收益，但是这不应该成为企业的经营的主导思路。因为不论企业把价格降到何处，总有原均衡收益100a/（1+a）＜期待收益最小值B1这个群体的存在。如果为了占领这部分市场而再度降价，只会让企业的价格一降再降，利润空间越来越窄，给企业长期经营带来负面影响。同时也忽视了向上发展的空间，是因小失大的行为。

其次，应当认清买方的期待值不是固定的，而是一个可变化的区间。买方对于产品价值的判断，也是来自其资料的收集，是大数据的一部分。与前面的降价相比，如何通过形象塑造、质量改进、提升买方对产品的价值判断才是更重要、更能使企业健康持续发展的行为。

3 对旅游企业市场营销策略的启示

互联网时代，搜索引擎的发展给了消费者信息上的优势，使其可以用极小的成本在极短的时间内对了解所需产品的价格区间。因此许多中小旅游曾经一度企业因为没有价格优势，受到在线旅游搜索平台的将旅游产品价格明朗化的冲击，收益减少，利润下降。在而在大数据时代，广泛的数据策略应用给了旅游企业弥补甚至重新树立信息优势的机会。信息是一种为企业未来发展奠定基础的工具，而不是对已经发生事件的事后记录[2]。通过运用大数据已经可以做到了解消费者的消费偏好和消费价位，进而预测其的消费习惯以及对某一产品的可接受价格区间。这些将有助于旅游企业在产品价格上重新掌握话语权。同时还有许多旅游企业利用这种机会重新寻找到了商机，比如同程网的旅游产品精准推送、蚂蜂窝对出游人群及偏好的数据分析、就连传统旅行社、酒店也都十分重视自身信息平台的建设。还有一些企业，尤其是一些掌握海量数据的大企业，正在借助其数据量的优势，开展大数据创新[3]，如阿里巴巴集团等。现在，通过阿里商旅，阿里巴巴集团的数据优势已经延伸到旅游业。未来在旅游行业中，对信息优势的争夺将更加激烈，唯有继续坚持深入地实施大数据策略，才能在与消费者和同行的竞争中获得立足与发展。

而除了坚持大数据策略以外，结合上文的博弈模型分析，笔者认为旅游企业在具体实施大数据策略时还可以从以下三方面考虑：

（1）联合共赢策略。在互联网时代，游客可以获取的信息是多方面的，而单凭一个旅游企业所能取得的数据是有限的。因此旅游企业凭一己之力实施大数据策略需要花费较多的人力物力。但如果不同行业的企业之间能做到数据共享，则无疑将增强企业在信息方面的收集能力，弥补单个企业在信息资源上的不足，这将对旅游企业进行市场决策起到至关重要的作用。以酒店行业为例，在百度地图上，不仅有酒店的详细位置，现在还有周边的娱乐设施、餐饮外卖信息，甚至连uber乘车费用都能显示得非常清楚。而游客是如何对这些条件进行搜索、如何最终确定住宿酒店、如何利用周边设施的，如果能获得这些数据，酒店今后将能更加清楚自己所在区域内的客源分布构成，以及他们的消费偏好、消费能力、主要活动时段等信息。这样一来，酒店对住宿客人具体情况会有一个更加精确的了解，这对于酒店确定主力房型、促销价格都会有非常大的帮助。

同时，旅游行业内的数据共享也能使游客的观光活动更加便利，从而促进行业更加健康发展。比如浙江就将“数据共享”融入到全域旅游的建设中。游客进入高速收费站，扫二维码后，不仅可以了解城区各停车场的实时动态，还购票、订餐、找房、导航[4]。另一方面，银行掌握游客持卡消费情况，酒店掌握游客入住房间价格，航企或者铁路掌握游客的出行方式、时间，将这些数据整合后将有助于当地旅游管理部门更好地分析来本地观光的游客构成，为今后更有针对性地宣传、吸引游客起到至关重要的作用。

（2）以客定价策略。长久以来，除了尾单、团客等特殊情况外，一个旅游产品对所有游客几乎是一个价格。但从前文的分析可以看出，游客可以分为三类：原均衡收益值100a/（1+a）＞其最高期望值B2的群体、原均衡收益值100a/（1+a）落在其期望收益区间内[B1，B2]的群体、原均衡收益值100a/（1+a）＜其最低期望B1的群体。如果只与前两类群体交易，可保证旅游企业的收益不低于原均衡收益，如果是第一类人群还有增加的可能性。而与第三类群体交易则会减少企业的收益。因此如果固守传统的“以物定价”，在针对三类群体只有一次且一份报价的情况下，为了提高交易成立的可能性，就只能以出让自己一部分利益的价格进行报价。这就会导致交易越多，利润越薄。对旅游企业来说不是一种长期、健康的发展模式。

因此旅游企业应当改变过去以产品定价的方式，转而以客定价。放弃做大做全的思想，把目标市场锁定在最能贡献利润的那部分消费群体身上，根据他们的需求来设计旅游产品。“提供完全符合顾客要求的定制化商品设计届时将会成为数据营销界的主流”[5]，而这在旅游行业中，私人定制旅游无疑是这方面的探路者。以6人行、途风网为代表的定制游旅行社已经开始为游客量身定做旅游行程。在6人行的主页上甚至没有显示价格。在这种情况下，旅游顾问一方面可以为每一组消费者制定专属的行程规划，另一方面也可以通过有针对性地设计旅

（3）不打价格战和“附加利益”策略。在大数据时代，信息的普及导致价格的明朗。为了给自己带来更多流量和订单，不少旅游企业只能在在价格上一降再降。而价格战虽然会让胜出的一方在短期内赢得更多的消费者，但同时“消费者受价格战的影响，将把价格战中的商品价格作为参考价格，把自己对价格战中的商品的期望价格进行下调”[6]，即进一步提高自己可接受的剩余价值区间，使得原本均衡的博弈结果被打破，这对于企业今后再度期待以正常价格销售产品产生一定负面影响。这方面，酒店和在线旅游服务商的矛盾就是一个显著的例子。2014年9月，华住、如家、锦江之星三大连锁酒店集团就已经联手，不惜以下架威胁，向几家主要OTA施压，要求停止返现[7]。酒店行业，尤其是五星级酒店往往很注重自己的品牌形象。即使将酒店的产品交给在线旅游服务商代销，也要在一定的合理价格范围内，不能影响到酒店自身利益。如果一个原本入住价格也要上千的酒店，在OTA平台上价格被降低到三四百元。那么在消费者心中，对其的认知就会从豪华型酒店变为经济型型。这不仅会影响到酒店形象，同时也会动摇酒店自身的会员体系。

为避免恶性的价格竞争，旅游企业应当转变思维，放弃以往的价格战，强化自己的核心资源优势“数据”，延伸自己的利益链，增加其产品的附加利益。比如在线旅游服务商可以凭借自己的流量及数据信息，积极发挥平台中介作用，将旅游产品与相关地区的航企、酒店、租车等多领域进行有效匹配，为旅游消费者提供多方面的服务，使其得到更多的附加利益。以一个预订了从广州飞银川机票的商务游客人为例，对他而言最合适的酒店是什么，根据航班到达时间，是否需要接送；而如果是观光游客，接下来在银川的行程是否需要租车，租何种车型是在其承受范围内；如果是家庭游客，是否需要包车，根据其过往旅游产品购买记录，是否会在当地参加一日游旅行团……。这类行动是单个的航企、酒店、租车企业无法做到的，而在线旅游服务商却可以通过整合信息实现数据的有效匹配。如果能做到这一点，航企、酒店这些企业也必将围绕在在线旅游服务商平台周围，发挥自己的最大功能。

[1]谢识予.经济博弈论[M].上海：复旦大学出版社，2002：129-130.

[2]王钰.破坏性创新、大数据与图书销售[J].科技与出版，2013（6）：86-87.

[3]吴琼.大数据视野中的价格指数统计[J].统计讲坛，2013（10）：48-49.

[4]白丽媛.浙江全域旅游数据共建共享开启“智旅”时代 [N/OL].浙江日报，2016-11-13[2016-11-15].http：//nb.ifeng.com/a/20161113/ 5143103_0.shtml.

[5]魏伶如.大数据营销的发展现状及其前景展望[J].现代商业，2014（5）：34-35.

[6]郭惠玲.基于博弈论视角的电商价格战分析[J].北京理工大学学报（社会科学版），2014，16（5）：94-102.

[7]陈杰 刘晓雪.华住与OTA的恩怨情仇：详解酒店封杀OTA的三大缘由[N/OL].北京商报，2015-04-30[2016-11-15].http：//tech.ifeng.com/a/20150430/41072333_0.shtml.

Analysis and Enlightenment of Big Data Policy Game in Tourism Market based on Bargaining Results

WANG Zhou，WANG Minɡlin

（School of Tourism，Leshan Normal University，Leshan Sichuan 614000，China）

Bargaining model is a common model in game theory，in which either three-round bargaining or infinite-round bargaining is based on the postulation that both sides have no idea of each other’s accepted price intervals.However，with the development of Internet economy and widely use of big data，both sellers and buyers have opportunities to know more about the opposite’s bottom line.Under such condition，the price will be different if two sides do another game about whether to do big data policy right after bargaining game.And since big data policy is now widely used in tourism market，this article also works on how tourism companies can improve their marketing strategies by making use of such changes.

Big Data；The Bargaining Model；Tourism Marketing Strategy

F590

A

1009-8666(2017)04-0075-07

10.16069/j.cnki.51-1610/g4.2017.04.015

［责任编辑、校对：方忠］

2016-10-13

四川省社会科学重点研究基地——四川旅游发展研究中心立项资助项目（LYC16-11）

汪舟（1983—），女，四川南充人。乐山师范学院讲师，硕士，研究方向：旅游经济、文化旅游；汪明林（1957—），男，四川南充人。乐山师范学院教授，研究方向：旅游经济，旅游规划。