电子商务平台
前言：本站为你精心整理了电子商务平台范文，希望能为你的创作提供参考价值，我们的客服老师可以帮助你提供个性化的参考范文，欢迎咨询。
【摘要】：C2C是电子商务中发展较为迅速也比较有前景的一种发展模式，但信用问题是阻碍其发展的最大瓶颈，本文运用博弈论方法探讨C2C电子商务中失信产生的原因，通过一次博弈和重复博弈情况下的分析，得出C2C电子商务平台的第三方中介作用。
关键词：C2C，诚信，纳什均衡，博弈论
Abstract
C2Cmodeldevelopingfastinelectroniccommerce,andthismodelhasagreatforeground,butthereis
abigholdbackfordevelopingofC2Cmodel.TheauthorsanalyzetheproblemofcreditinC2Cmodel.
Atlast,thepaperwillfindtheThirdPartyMediationinC2Celectroniccommerce.
Keywords:C2C;credit;Nashequilibrium;gametheory
1.C2C电子商务中的博弈论模型
1.1模型假设
C2C电子商务的交易是一个较为复杂的过程，但这里我们先做一此简单的假设，以便于更好地分析事件[1]。
①这个博弈只包括两个参与人，一个为买家，一个为卖家。买家只有两种策略，要么购买商品，要么不买。卖家也有两种策略，要么诚信而出售货真价实的商品，要么不守信而卖劣质商品甚至是纯粹的骗钱。
②假设在交易过程中，所有参与人都是完全理性的经济人，完全根据各自支付的多少来决定自己的策略。参与人同时做出决策，且各自支付的信息为各局中人的共同信息。每次博弈都是独立的，上一次的交易信息并不传递到下一次的交易。
③存在政府的监督。如政府制定相关法律对行骗者进行惩罚，以至于卖家如果不诚信，他都将得到一定惩罚。
1.2模型的建立与分析
根据前面的假设，我们可以把这个博弈看作是一次的完全信息静态博弈。设计的支付矩阵如表1。
表1C2C电子商务中交易双方的纯策略博弈支付矩阵
a1、a2、b1、b2、C都是大于0的正数，a1、a2分别代表买家购买商品和卖家诚信时各自的支付，-b1、b2-c代表买家选择购买商品而卖家却欺骗买家时各自的支付，C代表卖家实施欺骗而要承担的成本，如法律的惩罚、名誉的丧失、内心的不安等等。考虑到一般的现实情况，我们认为卖家不诚信带来的支付要比诚信带来的支付多，所以有b2-c>a2。当买家不购买商品，而卖家一自保持诚信时，局中人的支付都为0，而当卖家实施行骗时，他是要付出一定的被揭发被惩罚的风险，这个成本我们用C表示。当卖家选择诚信时，买家选择购买商品，这时他的支付达到最大。当卖家选择欺骗，买家选择不购买商品，博弈结果是矩阵的右下方的格子。而当买家选定不答怎么样都购买商品时，卖家的最优决策是选择欺骗，这时他可以获得最大的支付b2-c，当买家不论怎么样都不会考虑C2C的电子商务购物方式时，卖家的选择保持他的诚信。从这个纯策略的博弈分析我们可以看到，以上买家与卖家的博弈不存在纳什均衡。不论怎么选择，双方的利益始终不能达到一致，任何一个纯策略组合都可以通过一个参与人的单独改变自己的策略而获得更大的支付。所以我们必须将这一模型扩展，它不是一纯策略博弈，而是一个完全信息下的混合策略博弈。它存在一个混合策略纳什均衡。现在我们假设买家按照一定的比率，随机的从两种纯策略选择一种作为他的实际行动，卖家同样按照一定的比率随机的选择自己的纯策略是诚信或者欺骗。比率及支付如表2。
表2C2C电子商务中交易双方的混合策略博弈支付矩阵
根据反应函数法[2]，我们可以计算出这个博弈的纳什均衡。设U1为买家的期望支付，
U2为卖家的期望支付。我们有U1=p1p2a1-p1(1-p2)b1=p1[p2(a1+b1)-b1]买家的目标是U1越大越
好，因为卖家的混合策略已经设定为(p2,l-p2)，所以买家的最佳反应函数是:U2=p1p2a2+p1(1-p2)(b2-c)-(1-p2)(b2-c)c=p2[p1-a2-p1b2+c]+p1b2-c
同理考虑[p1a2-p1b2+c]的情况，我们可以作出卖家的最佳反应函数
现在我们可以作出卖家的现在我们在以p1为纵轴，p2为横轴的直角坐标系中，把买家和卖家的最佳反应函数都画出来，两个反应函数重合的地方就是这个混合策略的纳什均衡，由此，我们得出了C2C电子商务中买家与卖家混合策略博弈的纳什均衡点。它是p1=c/(b2-a2),p2=b1/(a1+b1)。也就是说纳什均衡是买家以}c/(b2-a2)的概率选择参与C2C电子商务、购买商品，卖家以b1/(a1+b1)的概率选择诚信对待顾客。我们可以看到参与人的策略都是对方支付的函数，譬如当C越大，也就是当卖家选择不诚信时，法律、国家对他的惩罚越大，买家了解到这个信J急，就可以认为卖家要选择不诚信的几率较小，从而买家更愿意选择购买商品。同样我们可以假设b1远远大于a1时，买家会认为他选择买的期望支付会远远小于不买的期望支付0，所以他会选择不购买商品，而卖家在买家不太可能购买商品时他最好的策略就是诚信，这与我们计算出的纳什均衡点相符，p2=b1/(a1+b1),当b1增大时，p2增大，说明卖家随着b1增大更愿意选择诚信。
在以上这个完全信息静态博弈的分析中，我们了解到买家仍有不购买商品的可能，卖家仍有欺骗顾客的可能。这不是我们希望得到的结果，怎样解决这种结局，需要我们进一步分析买家与卖家重复博弈的情况。
1.3模型的扩展一重复博弈解决C2C电子商务的信用问题
实际C2C的电子商务交易中，买家和卖家未必就是一辈子只做这一次交易的，就算对
于同一虑拟店铺不同的买家，我们仍可假设卖家所有的以往信息是公开的，所有不同的潜在
买家都知道这此信息，所以我们可以设定这此不同的买家仍为这个博弈模型中的同一个参与人。对于扩展的重复博弈模型，我们新增以下的假设:①同一卖家虽然可能有不同的潜在顾客，但我们仍然把这此顾客看成一个买家；②买家采取“冷酷策略”，即只要在重复博弈中，卖家有一次的欺骗行为，将触发买家在以后的策略中水远选择“不买”的策略。
根据表1，我们可以得出卖家的期望支付，当卖家一直保持诚信的期望支付要大于他一次不诚信而获得的支付时，他将会在每次交易中都保持诚信的策略，设r是卖家的投资期望收益率，我们把它当作一个贴现因子。则当卖家选择不诚信经营时的期望支付为:UA=b2一C，当卖家选择一直保持诚信策略，买家就一定会一直和他交易，他将获得的支付是:UB=a2+a2
/(1+r)+a2/(1+r)2+=a2(1+r)/r。当UA<UB，即b2一c<a2(1+r)/r时，卖家会一直采取诚信策略，合作的博弈就产生了，博弈的双方最后的策略都将是买家购买商品，卖家一直保持诚信，
这就是重复博弈产生的信用机制，重复博弈解决了买家与卖家之间的“囚徒困境”，促进C2C
电子商务的推广[3]。
2.分析C2C电子商务平台的第三方中介作用
以上我们用一次和重复博弈模型分析了C2C电子商务平台中买家与卖家的策略选择，由于现实生话中信息的不对称，理性人的投机心理和对不诚信行为的惩罚力度不够等等因素，使得现实中的电子商务交易总是出现卖家欺骗顾客，买家不愿参与C2C电子商务的这种“囚徒困境”。C2C带来的种种优点不能真正体现出来，例如C2C的方式可以给买家带来便利，节省交易成本，价格便宜，给卖家降低了个人创业的门槛和广阔的潜在市场。C2C电子商务平台给买卖双方提供了诚信交易的平台，促进了电子商务的发展。
同样，我们可以从博弈分析中找到解决C2C电子商务发展缓慢的方法，在一次博弈中，双方选择的策略由各自的支付决定，而支付又和政府对不诚信的惩罚、我国法律完善程度以及法律的执行等有关，当政府重视维护诚信，有完善的电子商务方而的法律，那么当卖家欺骗顾客时他受到的惩罚越大，而当买家了解这个信息后他参与C2C电子商务模式的几率也越大。例如C2C电子商务平台中采用的支付宝等支付方式，对卖家的欺骗行为有惩罚措施，例如买家支付给卖家的货款，并不直接支付到卖家的帐号上，而是通过C2C电子商务平台等第三方或是支付宝等第四方中介单位，一旦卖家的有欺骗行为发生，买家对卖家进行投诉，卖家的货款就将被冻结。知道买卖双方达成进一步的交易协议，包括退货，换货，退还部分货款等。有效的制约了卖家的欺骗行为。
3.结论
重复博弈的意识是我们解决问题的关键，首先要保持每次交易信息的公开性，让每一个参与人都了解上一次交易双方的情况和支付，信息的公开可以让全部潜在的买家了解某个卖家的以往的诚信度。譬如C2C电子商务平台上提供的买卖双方的信誉好评评价体系。将买卖双方在C2C电子商务平台上的所有交易评价公开，使买卖双方都可以查询到对方的以往交易评价，增加了公众对没个卖家的了解。同时，要让卖家意识到长远利益的重要，改变多次交易的观念，信息的共享已使得卖家企图欺骗某个买家后改变交易对象再次行骗已没有可能，多次的交易实际是一个重复博弈的过程，由于信息的完全共享使得每个买家实际是可以看成一个参与人，卖家的每一次诚信都将影响到下一次交易双方的策略。
从以上的分析中看出，C2C电子商务平台充分发挥了第三方中介作用，为买卖双方搭
建了一个信息公开的交易平台，对促进C2C电子商务的发展起到了很好的作用。
参考文献
[1]张维迎.博弈论与信息经济学[M]，上海：上海三联书店，上海人民出版社，1996。
[2]王则柯，李杰，博弈论教程[M]，北京：中国人民人学出版社，2004。
[3]何建春，诚信缺失的博弈论分析[J]，郑州轻工业学院学报，2004（04）。
AnalysistheThirdPartyMediationinC2Celectronic
commercewithGameTheory
