吳志艷 羅繼鋒

（1. 上海對外經(jīng)貿(mào)大學(xué)工商管理學(xué)院, 上海 201620; 2. 上海交通大學(xué)安泰經(jīng)濟(jì)與管理學(xué)院，上海 200030）

一、引言

“人工智能是引領(lǐng)這一輪科技革命和產(chǎn)業(yè)變革的戰(zhàn)略性技術(shù)”已成共識。隨著人工智能技術(shù)的發(fā)展，數(shù)據(jù)支撐越來越重要。相應(yīng)的，信息泄露、算法歧視和數(shù)字鴻溝等問題也隨之而來。例如，早在2000年，美國亞馬遜公司根據(jù)潛在用戶的人口統(tǒng)計(jì)資料、購物歷史、上網(wǎng)行為等對DVD光盤進(jìn)行差別定價(jià)。通過這一定價(jià)策略，DVD的銷售毛利率得到了有效提升。可就在實(shí)驗(yàn)進(jìn)行還不到一個(gè)月的時(shí)候，一名亞馬遜的老用戶在DVDTalk社區(qū)和網(wǎng)友討論面臨的價(jià)格歧視。最后亞馬遜被迫停止此實(shí)驗(yàn)。2014年，亞馬遜公司開發(fā)了一套“算法篩選系統(tǒng)”幫助亞馬遜在招聘的時(shí)候篩選簡歷，開發(fā)團(tuán)隊(duì)發(fā)現(xiàn)算法對男性應(yīng)聘者有著明顯的偏好，當(dāng)算法識別出“女性”相關(guān)詞匯的時(shí)候，便會給簡歷相對較低的分?jǐn)?shù)。這種算法歧視最后被路透社曝光，亞馬遜公司也停止了算法的開發(fā)和使用（Fernandez，2019; Vincent，2019）。

算法歧視是指在某一特定群體或類別中，基于成員的身份和特征而給予不一樣的待遇。突出表現(xiàn)為三類：其一，算法的統(tǒng)計(jì)性價(jià)格歧視，即通過算法計(jì)算用戶支付意愿，形成同一產(chǎn)品或服務(wù)在同一時(shí)間內(nèi)不同用戶所面臨的價(jià)格不一樣（Bar-Gill，2020），即大數(shù)據(jù)殺熟。其二，性別歧視，即算法對男女不同的待遇（包括價(jià)格）。其三，種族歧視，即通過算法對不同種族的成員給予不同的待遇。我國涉及算法的種族與性別歧視的現(xiàn)象并不突出，但是，算法價(jià)格歧視卻屢屢出現(xiàn)。據(jù)中國青年報(bào)對2008名受訪者調(diào)查，51.3%的人遇到過大數(shù)據(jù)“殺熟”的情況（陳全，2018）。這說明此類現(xiàn)象非常嚴(yán)重，正成為一個(gè)社會性的問題。我國法律法規(guī)也開始對此現(xiàn)象進(jìn)行規(guī)制。例如2020年10月頒布的《在線旅游經(jīng)營服務(wù)管理暫行規(guī)定》對“大數(shù)據(jù)殺熟”作了禁止性規(guī)定。但是，大數(shù)據(jù)殺熟事件還是被屢屢報(bào)道。2020年12月，《我被美團(tuán)會員割了韭菜》的網(wǎng)絡(luò)文章引起包括央視網(wǎng)、《科技日報(bào)》《財(cái)經(jīng)》等眾多媒體的關(guān)注。目前有不少研究探討算法歧視的規(guī)制與規(guī)制后的效果。但是，鮮有研究從營銷管理的角度探討算法歧視影響消費(fèi)者態(tài)度的內(nèi)在機(jī)理。

從營銷管理角度而言，同一產(chǎn)品在同一時(shí)間進(jìn)行購買時(shí)，當(dāng)老顧客比新顧客支付更高的價(jià)格時(shí)，老顧客會覺得企業(yè)違背公正，導(dǎo)致他們產(chǎn)生背叛感，即感知背叛。背叛一直是組織管理學(xué)的主要研究議題。在營銷管理中，頗多學(xué)者研究消費(fèi)者感知背叛對其他因素的影響機(jī)制和感知背叛導(dǎo)致的行為結(jié)果（Baghi & Gabrielli，2021；Gregoire & Fisher，2008; Gregoire et al.，2010）。但整體看，探討算法價(jià)格歧視與感知背叛關(guān)系，并了解其背后作用機(jī)理的研究較少。因此，本文基于消費(fèi)者的視角，構(gòu)建算法價(jià)格歧視對消費(fèi)者感知背叛影響的研究模型。運(yùn)用實(shí)地實(shí)驗(yàn)方法收集數(shù)據(jù)，通過方差分析和Process分析，檢驗(yàn)不同強(qiáng)度算法價(jià)格歧視對顧客感知背叛的影響機(jī)理，揭示蓄意性歸因的中介變量作用，以及關(guān)系質(zhì)量和價(jià)格敏感度的調(diào)節(jié)變量作用，希望為其他學(xué)者解釋消費(fèi)者對算法價(jià)格歧視的反應(yīng)提供借鑒，并為網(wǎng)絡(luò)平臺企業(yè)的營銷溝通和服務(wù)質(zhì)量管理提供借鑒。

二、文獻(xiàn)綜述

算法價(jià)格歧視一直是法學(xué)、經(jīng)濟(jì)學(xué)、管理學(xué)等領(lǐng)域的熱點(diǎn)研究問題。解決算法價(jià)格歧視是全球人工智能行業(yè)市場規(guī)范的一項(xiàng)急迫任務(wù)。

Hindermann（2018）指出算法價(jià)格歧視包括基于用戶特征的算法價(jià)格歧視、基于技術(shù)特征的算法價(jià)格歧視和基于位置特征的算法價(jià)格歧視?；谟脩籼卣鞯乃惴▋r(jià)格歧視是指網(wǎng)絡(luò)平臺根據(jù)用戶的登錄時(shí)間和時(shí)長、用戶的賬戶信息、用戶使用語言及使用語境、用戶的瀏覽時(shí)長和瀏覽歷史等給予用戶不同的價(jià)格；基于技術(shù)特征的算法價(jià)格歧視是指網(wǎng)絡(luò)平臺根據(jù)用戶使用的操作系統(tǒng)、使用的手機(jī)或電腦的品牌和瀏覽器的差異性給予不同的價(jià)格差異；基于位置特征的算法價(jià)格歧視是指網(wǎng)絡(luò)平臺根據(jù)用戶IP地址或送達(dá)地址的不同給予不同的價(jià)格。最近國內(nèi)外相關(guān)研究中，還在經(jīng)典價(jià)格歧視理論基礎(chǔ)上，引入了消費(fèi)者損失厭惡、過度樂觀和雙邊平臺，分析價(jià)格歧視對效率和消費(fèi)者剩余的影響。蔣傳海等（2016）從消費(fèi)者角度分析跨期價(jià)格歧視與轉(zhuǎn)售價(jià)格維持。

綜合看，現(xiàn)有算法價(jià)格歧視研究主要分為三類。第一類集中在數(shù)學(xué)建模導(dǎo)致算法價(jià)格歧視對社會福利形成正面的影響。Bar-Gill（2020）從經(jīng)濟(jì)學(xué)角度探討算法價(jià)格歧視的社會福利，其研究結(jié)果顯示當(dāng)算法價(jià)格歧視把消費(fèi)者的偏好作為目標(biāo)時(shí)，算法價(jià)格歧視增加市場效率，提高社會福利；而當(dāng)算法價(jià)格歧視把消費(fèi)者的錯(cuò)誤感知（即需求膨脹的錯(cuò)誤感知）作為目標(biāo)時(shí)，算法價(jià)格歧視將會傷害消費(fèi)者，縮減市場效率，降低社會福利。Borgesius & Poort（2017）研究表明算法中個(gè)性化定價(jià)存在價(jià)格歧視行為。如果企業(yè)按照歐盟數(shù)據(jù)保護(hù)條例執(zhí)行，即在使用消費(fèi)者個(gè)體數(shù)據(jù)進(jìn)行個(gè)性化定價(jià)時(shí)，都只會并得到個(gè)體的同意后，再進(jìn)行個(gè)性化定價(jià)，這種行為消除算法價(jià)格歧視。Steppe(2017)研究歐盟《一般數(shù)據(jù)保護(hù)條例》對企業(yè)使用個(gè)人數(shù)據(jù)和數(shù)據(jù)自動(dòng)算法程序要征得數(shù)據(jù)個(gè)體的同意才可以開展個(gè)性化定價(jià)的實(shí)施效果。第二類集中在數(shù)學(xué)建模導(dǎo)致算法價(jià)格歧視對社會福利形成負(fù)面的影響。Goldfarb &Tucker（2011）估算了歐盟數(shù)據(jù)隱私法律對網(wǎng)絡(luò)廣告推廣效果的負(fù)面影響。Campbell et al.（2015）發(fā)現(xiàn)該法律雖然消除算法歧視，卻抑制數(shù)據(jù)行業(yè)的競爭態(tài)勢。時(shí)建中（2020）指出共同市場支配地位制度可拓展適用于算法默示共謀。第三類多采用實(shí)證方法，集中在研究歧視現(xiàn)象本身。Ge et al.（2016）基于美國知名打車平臺Uber和Lyft旅客打車數(shù)據(jù)，指出美國的出行平臺中，黑人比白人需等侯更長的時(shí)間，支付更高的價(jià)格，并且女性比男性需等候更長的時(shí)間，支付更高的價(jià)格。Ferrell et al.（2016）基于性別算法的價(jià)格歧視研究發(fā)現(xiàn)，對于不同性別不同價(jià)格的期望，男性比女性高。此外，基于推薦的算法價(jià)格歧視也受到學(xué)者的關(guān)注?；陔娚叹W(wǎng)站的推薦內(nèi)容，Hannak et al.（2014）對美國300家電商網(wǎng)站展開監(jiān)測，發(fā)現(xiàn)9家網(wǎng)站涉嫌價(jià)格操縱和價(jià)格歧視。

整體而言，現(xiàn)有算法價(jià)格歧視研究集中在通過數(shù)學(xué)建模討論歧視對社會福利的影響，或者集中在研究歧視現(xiàn)象本身，較少研究在個(gè)體層面上算法價(jià)格歧視對消費(fèi)者感知和行為的影響。本文借鑒營銷領(lǐng)域中的感知背叛相關(guān)研究，分析算法價(jià)格歧視與消費(fèi)者感知背叛，并探討其影響機(jī)理在不同情景下的異質(zhì)性。

三、研究假設(shè)

（一）算法價(jià)格歧視對消費(fèi)者感知背叛的影響

在算法價(jià)格歧視中，企業(yè)往往通過算法分析顧客的支付意愿，對同一產(chǎn)品不同顧客收取不同價(jià)格。老顧客的價(jià)格彈性較低，算法收取老顧客的價(jià)格比新顧客的價(jià)格高。但是，網(wǎng)絡(luò)平臺的老顧客們往往認(rèn)為自己作為老顧客應(yīng)該享受更多的優(yōu)惠，所以當(dāng)老顧客知道自己比新顧客需要支付更高的價(jià)格時(shí)，老顧客會覺得網(wǎng)絡(luò)平臺違背了他們的期望，進(jìn)而感到背叛。Elangovan & Shapiro（1998）指出當(dāng)被信任方有意違背信任方的期望時(shí)，致使信任方產(chǎn)生背叛。因此，網(wǎng)絡(luò)平臺通過算法違背老顧客的期望（即相較于新顧客，老顧客應(yīng)該支付更低的價(jià)格），收取老顧客比新顧客更高的價(jià)格時(shí)，使老顧客產(chǎn)生背叛感。

以往研究表明背叛感是個(gè)體面對與自身有互動(dòng)關(guān)系的其他人做出違背其期望的不當(dāng)行為而產(chǎn)生的心理反應(yīng)（Bohnet et al.，2008；Caldwell et al.，2009；周懿瑾等，2021），是消費(fèi)者與企業(yè)的互動(dòng)關(guān)系中某些互動(dòng)規(guī)范遭受到企業(yè)有意違背時(shí)的信念程度，是對被信任方的故意行為而產(chǎn)生的感受（Holloway et al.，2009；Liang，2009；李亞林和景奉杰，2016）。當(dāng)互動(dòng)的雙方感受到蓄意開展不當(dāng)行為的一方可能會增加其福利時(shí)，便會導(dǎo)致另一方產(chǎn)生被對方背叛的感覺，這使感到背叛的一方對另一方失去信任，而且違背公正的程度越強(qiáng)，感知背叛程度越強(qiáng)烈。算法價(jià)格歧視是企業(yè)違背與消費(fèi)者間互動(dòng)規(guī)范的表現(xiàn)，是企業(yè)違背價(jià)格公平性的體現(xiàn)。消費(fèi)者（老顧客）面對企業(yè)的算法價(jià)格歧視容易產(chǎn)生背叛感，并且，算法價(jià)格歧視的程度越高，消費(fèi)者認(rèn)為企業(yè)違背公正的程度越強(qiáng)，消費(fèi)者由此產(chǎn)生的背叛感越高，即算法價(jià)格歧視的程度越高，消費(fèi)者感知背叛越強(qiáng)烈（Bougie et al.，2003；Gregoire & Fisher，2008）。基于此，本文提出假設(shè)1。

H1：算法價(jià)格歧視強(qiáng)度會正面影響消費(fèi)者感知背叛。

（二）蓄意性歸因的中介作用

蓄意性歸因是人們認(rèn)為個(gè)體或組織是否故意導(dǎo)致一種結(jié)果發(fā)生的一種歸因（Malle & Knobe，1997；嚴(yán)瑜和何亞男，2016）。判斷個(gè)體或組織的行為是否存在蓄意性需要5條依據(jù)，即欲望（為得到某種結(jié)果的欲望）、信念（相信這種行為導(dǎo)致某種結(jié)果）、意圖（實(shí)施這種行為的意圖）、意識（有意識地執(zhí)行這種行為）和技能（具有施行這種行為的技能）。欲望和信念是意圖的必要條件，技能和意識是蓄意歸因的必要條件（Malle & Knobe，1997）。Ames & Fiske（2013）的研究表明，雖然蓄意傷害與無意傷害在客觀上對受害者的傷害程度一樣，但是，受害者認(rèn)為蓄意傷害在主觀上對受害者的傷害程度比無意傷害造成的傷害程度要更加強(qiáng)烈。相較于無意傷害，蓄意傷害導(dǎo)致更強(qiáng)烈的指責(zé)、譴責(zé)和更重的懲罰，并且，相較于無意傷害，蓄意傷害導(dǎo)致這種指責(zé)、譴責(zé)和懲罰延續(xù)的時(shí)間會更長，范圍會更廣，強(qiáng)度會更大。危機(jī)公關(guān)領(lǐng)域研究表明，與過失型傷害危機(jī)相比，蓄意型傷害危機(jī)激發(fā)的消費(fèi)者負(fù)面情感更強(qiáng)，并且，蓄意型傷害危機(jī)引發(fā)的負(fù)面情感更強(qiáng)，對主品牌評價(jià)變動(dòng)更大(趙寶春等，2016）。服務(wù)營銷研究也指出，與無意服務(wù)失敗相比，蓄意服務(wù)失敗更加無法得到消費(fèi)者的諒解 (Weiner，1985；劉鳳軍等，2019）。本文認(rèn)為蓄意歸因能夠解釋算法價(jià)格歧視對消費(fèi)者感知背叛的作用機(jī)理。當(dāng)算法價(jià)格歧視的程度較低時(shí)，消費(fèi)者會認(rèn)為網(wǎng)絡(luò)平臺自我生成的主觀意圖和主觀動(dòng)機(jī)不那么強(qiáng)，網(wǎng)絡(luò)平臺也不愿意為這么低的價(jià)格差異做出價(jià)格歧視的非理性行為。因此，消費(fèi)者會更加愿意相信較低的算法價(jià)格歧視可能是算法帶來誤差的歸因，而不是企業(yè)蓄意謀取利潤，進(jìn)而帶來較低的感知背叛。基于此，本文提出假設(shè)2。

H2：算法價(jià)格歧視強(qiáng)度越大會使消費(fèi)者產(chǎn)生更高的蓄意性歸因，并進(jìn)而產(chǎn)生更高的感知背叛。

（三）關(guān)系質(zhì)量的調(diào)節(jié)作用

顧客經(jīng)歷產(chǎn)品或服務(wù)失敗后，關(guān)系質(zhì)量會影響到顧客對企業(yè)的評價(jià)。Gregoire &Fisher（2008）的研究發(fā)現(xiàn)，經(jīng)歷失敗的產(chǎn)品或服務(wù)后，與企業(yè)關(guān)系質(zhì)量越高的顧客，產(chǎn)生背叛感就越高，越容易對企業(yè)產(chǎn)生報(bào)復(fù)和要求補(bǔ)償?shù)男袨?。關(guān)系質(zhì)量維度包括信任、關(guān)系滿意度和關(guān)系承諾。其中信任是指顧客對企業(yè)的信賴；關(guān)系滿意度是指顧客從各個(gè)方面對企業(yè)產(chǎn)生的情感上的信任；關(guān)系承諾是指顧客愿意與企業(yè)繼續(xù)保持關(guān)系的承諾。根據(jù)公平違背理論，當(dāng)企業(yè)違背公正時(shí)，高關(guān)系質(zhì)量顧客會產(chǎn)生很低的感知公平（分配公平和過程公平），從而產(chǎn)生更高的感知背叛。相較于低關(guān)系質(zhì)量顧客，高關(guān)系質(zhì)量顧客如果遭受企業(yè)更高的不公平待遇，他們會認(rèn)為這種不公平待遇是企業(yè)的蓄意性冒犯，進(jìn)而會產(chǎn)生更強(qiáng)烈的背叛感（Goldsmith et al.，2005）。因此，本文提出假設(shè)3。

H3：當(dāng)消費(fèi)者與企業(yè)的關(guān)系為高關(guān)系質(zhì)量時(shí)，高算法價(jià)格歧視對消費(fèi)者感知背叛的影響更強(qiáng)烈。

（四）消費(fèi)者價(jià)格敏感度的調(diào)節(jié)作用

價(jià)格敏感度是消費(fèi)者個(gè)體對產(chǎn)品或者服務(wù)的價(jià)格變化產(chǎn)生的感知和反應(yīng)程度，其主要影響因素包括消費(fèi)者個(gè)體特征差異、產(chǎn)品差異和消費(fèi)者卷入度差異（Chu，2005；Fullerton，2008）。Fullerton的研究表明，高價(jià)格敏感度的顧客容易基于實(shí)際利益而做出對企業(yè)維持關(guān)系的承諾；低價(jià)格敏感度的顧客容易基于情感而對企業(yè)做出維持關(guān)系的承諾。Hoch et al.（1995）的研究表明，價(jià)格越不敏感的消費(fèi)者對品牌的忠誠度越高。曹麗等人（2016）的研究指出，面對高價(jià)格敏感度的消費(fèi)者，積分方式對積分聯(lián)盟感知價(jià)值的影響更明顯?；谇楦兄艺\的低價(jià)格敏感度的消費(fèi)者對算法價(jià)格歧視的感受沒有那么強(qiáng)烈，也不會形成強(qiáng)烈的背叛感。反之，基于實(shí)際利益的高價(jià)格敏感消費(fèi)者會更關(guān)注價(jià)格差異，從而就價(jià)格歧視產(chǎn)生較強(qiáng)烈的背叛感。因此，本文認(rèn)為，當(dāng)面對價(jià)格很敏感的消費(fèi)者時(shí)，高算法價(jià)格歧視對消費(fèi)者感知背叛的影響會增強(qiáng)，而面對價(jià)格不敏感的消費(fèi)者時(shí)，算法價(jià)格歧視對其感知背叛的影響會減弱。因此，本文做出假設(shè)4。

H4：當(dāng)消費(fèi)者的價(jià)格敏感度越高時(shí)，算法價(jià)格歧視對該消費(fèi)者感知背叛的影響會越強(qiáng)烈。

通過以上分析，本文建立算法價(jià)格歧視理論框架如圖1。

圖1 算法價(jià)格歧視理論框架圖

四、研究設(shè)計(jì)與結(jié)果分析

（一）算法價(jià)格歧視對消費(fèi)者感知背叛的影響機(jī)理檢驗(yàn)

本部分通過實(shí)驗(yàn)檢驗(yàn)算法價(jià)格歧視對消費(fèi)者感知背叛影響的主效應(yīng)(H1)，以及蓄意性歸因的中介變量效應(yīng)(H2)。

1.實(shí)驗(yàn)方法

前測1：主要目的在于檢驗(yàn)消費(fèi)者在哪些app經(jīng)常遭遇大數(shù)據(jù)殺熟的算法價(jià)格歧視現(xiàn)象。實(shí)驗(yàn)問卷調(diào)研時(shí)間為2020年12月7日。共有30名被試參與了此項(xiàng)測試,測試的核心任務(wù)是讓被試寫下在哪些網(wǎng)絡(luò)平臺經(jīng)歷過被殺熟（算法價(jià)格歧視）。資料分析結(jié)果顯示最常見的8個(gè)app有：美團(tuán)、滴滴、攜程、淘寶、京東、飛豬、去哪兒、拼多多，其中美團(tuán)平臺排名第一（11/30），滴滴平臺排名第二（10/30）。為此，本文的3個(gè)實(shí)驗(yàn)主要針對美團(tuán)和滴滴。實(shí)驗(yàn)1采用美團(tuán)app中的酒店預(yù)定做為實(shí)驗(yàn)對象。選擇美團(tuán)的原因也在于該品牌旗下?lián)碛斜姸喾?wù)，同時(shí)，該品牌經(jīng)常被曝具有大數(shù)據(jù)殺熟的行為。在美團(tuán)平臺上有外賣、酒店、演出/電影、旅游、機(jī)票、打車、健身/運(yùn)動(dòng)，其中在酒店預(yù)定和外賣上最容易遭受殺熟。此外，調(diào)研中，選擇“在美團(tuán)app上同一時(shí)間購買同一產(chǎn)品，作為老顧客，我比新顧客多付錢。這種價(jià)格差異是美團(tuán)平臺進(jìn)行大數(shù)據(jù)殺熟，并嚴(yán)重影響了我的利益。我覺得這就是美團(tuán)平臺利用算法對老顧客進(jìn)行價(jià)格歧視”的經(jīng)歷描述者最多。

前測2：用于檢驗(yàn)算法價(jià)格歧視的存在及其強(qiáng)度的衡量。實(shí)驗(yàn)問卷調(diào)研時(shí)間為2020年12月7日。基于Hindermann（2018）的價(jià)格歧視量表，本文將被試對美團(tuán)算法價(jià)格差異進(jìn)行衡量，即您認(rèn)為，在美團(tuán)平臺上，1）老顧客比新顧客多付錢是存在價(jià)格差異的（M=5.60）；2）老顧客比新顧客多付錢的價(jià)格差異是美團(tuán)平臺利用人工智能的算法進(jìn)行大數(shù)據(jù)殺熟（M=5.54）；3）這種價(jià)格差異嚴(yán)重影響到了您的個(gè)人權(quán)利和利益（M=5.69）；4）這是美團(tuán)平臺對老顧客的價(jià)格歧視（M=5.60）。采用Likert 7點(diǎn)評分法，1是非常不同意，7為非常同意。算法價(jià)格歧視的信度系數(shù)為0.844，效度分析中KMO值為0.811，表明信度和效度都較好。

主實(shí)驗(yàn)：實(shí)驗(yàn)問卷調(diào)研的起止時(shí)間為2020年12月15日至16日。通過招募啟事獲得最近有計(jì)劃使用美團(tuán)平臺出去旅游的學(xué)生，并從中隨機(jī)抽取386名被試進(jìn)行集中實(shí)驗(yàn)，對他們發(fā)放問卷，并以每人10元為報(bào)酬來完成問卷(40.61%為男性，平均年齡20.73歲)。利用實(shí)地實(shí)驗(yàn)操控定價(jià)主體。

2.實(shí)驗(yàn)問卷和變量測量

首先，被試先打開美團(tuán)app回答自己以往在美團(tuán)酒店的消費(fèi)次數(shù)及金額。接著，被培訓(xùn)過的4名實(shí)驗(yàn)員（包括作者）用新手機(jī)號碼現(xiàn)場注冊美團(tuán)賬號，實(shí)驗(yàn)員和被試同時(shí)登錄隨機(jī)選用的“北京國賓酒店”（三星酒店），查詢2020年12月21～25日高級大床房價(jià)格，實(shí)驗(yàn)員作為新用戶宣布自己需要支付的價(jià)格是1,863元。選擇圣誕期間是希望能夠最大化操縱不同用戶的價(jià)格差異。然后，被試先填寫實(shí)驗(yàn)員作為新用戶的支付價(jià)格，再填寫自己的價(jià)格，最后比較自己支付的價(jià)格比新用戶的價(jià)格高多少。實(shí)驗(yàn)員在黑板上寫上最高價(jià)格、中間價(jià)格、最低價(jià)格，這讓被試了解自己多付金額在這個(gè)群體的程度，但要求被試不要與其他被試討論價(jià)格。

其次，請被試回答前測2的4個(gè)問題測量他們感知算法價(jià)格歧視的高低程度：1)這是存在價(jià)格差異的；2)您認(rèn)為這種老顧客比新顧客多付 元的價(jià)格差異是美團(tuán)平臺利用人工智能的算法進(jìn)行大數(shù)據(jù)殺熟；3)您覺得這種價(jià)格差異嚴(yán)重影響到了您的個(gè)人權(quán)利和利益；4)您覺得這是美團(tuán)平臺對老顧客的價(jià)格歧視。采用Likert 7點(diǎn)評分法，1是非常不同意，7為非常同意，算法價(jià)格歧視的a值為0.796。

然后，請被試回答算法價(jià)格歧視后個(gè)人感受一系列問題。其中，借鑒Gregoire& Fisher（2008）的感知背叛量表，測量顧客“您作為老顧客比新顧客多付，這種價(jià)格差異行為，讓您覺得：1)美團(tuán)平臺對您說了謊；2)美團(tuán)平臺欺騙了您；3)美團(tuán)平臺背叛了您；4)美團(tuán)平臺企圖利用您的數(shù)據(jù)信息；5)美團(tuán)平臺濫用您的數(shù)據(jù)信息”。通過上面5個(gè)問題測量被試的感知背叛。感知背叛的a值為0.920。參考Vaidyanathan& Aggarwal（2003）研究中蓄意歸因的兩個(gè)測量題項(xiàng)，總結(jié)本研究蓄意歸因的兩個(gè)題項(xiàng)：1)這種價(jià)格差異是美團(tuán)平臺的故意行為；2)從主觀上來說，美團(tuán)平臺是有意通過差別定價(jià)來追求自己的利潤。采用Likert 7點(diǎn)評分法，1為非常不同意，7為非常同意。蓄意歸因的a值為0.790。

最后，測量本研究中其他可能的解釋變量。Bar-Gill（2019）認(rèn)為如果部分消費(fèi)者覺得算法價(jià)格歧視中存在個(gè)性化定制，會較容易接受算法價(jià)格歧視。此外，消費(fèi)者的情緒更會影響其效果。例如，某消費(fèi)者今天的心情不好，遇到算法價(jià)格歧視時(shí)，可能感到更加氣憤，認(rèn)為自己遭受嚴(yán)重的背叛。綜上所述，本實(shí)驗(yàn)過程同時(shí)測量了個(gè)性化定制和消費(fèi)者的情緒狀態(tài)以排除這兩個(gè)因素的混淆影響。首先，測量“您認(rèn)為這種老顧客比新顧客多付 元的價(jià)格差異是美團(tuán)平臺對您進(jìn)行個(gè)性化定制的結(jié)果”；采用Likert 7點(diǎn)評分法。然后，采用Lee & Sternthal（1999）研究中的6個(gè)題項(xiàng)來測量被試在完成調(diào)查問卷過程中的情緒狀態(tài)，是“快樂的、高興的、激動(dòng)的、沮喪的、失望的、憤怒的”。采用Likert 7點(diǎn)評分法，1為一點(diǎn)也不同意，7為非常同意。情緒狀態(tài)的a值為0.809。同時(shí)，對被試的性別、年齡、收入等人口統(tǒng)計(jì)變量進(jìn)行測量。

3.研究結(jié)果

首先，本部分研究共收到有效問卷386份。經(jīng)計(jì)算得到被試價(jià)格與實(shí)驗(yàn)員公布的價(jià)格（1,863）差價(jià)的平均值為238.55，對問卷進(jìn)行分組，將高于均值的問卷（共176份）歸為高價(jià)格差異組，低于均值的問卷（共210份）歸為低價(jià)格差異組。單因素方差分析結(jié)果表明，高價(jià)格差異組被試對算法價(jià)格歧視的評分顯著高于低強(qiáng)度組被試，其中，低價(jià)格差異組的均值為4.83，高價(jià)格差異組的均值為5.98，兩組被試得分的均方比值F（1,384）=47.63，顯著性系數(shù)p<0.001，表明本研究對算法價(jià)格歧視的操控成功。

其次，檢驗(yàn)算法價(jià)格歧視的強(qiáng)度高低對感知背叛影響的主效應(yīng)。圖2給出了不同算法價(jià)格歧視強(qiáng)度下被試對感知背叛和蓄意歸因評分均值的結(jié)果。圖2（a）為算法價(jià)格歧視對感知背叛的影響，圖2（b）為算法價(jià)格歧視對蓄意歸因的影響。由圖2（a）可知，兩組被試都感受到了背叛，但是低價(jià)格差異組被試產(chǎn)生的感知背叛程度顯著低于高強(qiáng)度組，低強(qiáng)度組的均值為4.12，高強(qiáng)度組的均值為5.38，F(xiàn)（1,384）=38.367，p<0.001。這表明與低強(qiáng)度的算法價(jià)格歧視對感知背叛的影響程度相比，高強(qiáng)度的算法價(jià)格對消費(fèi)者的感知背叛影響程度更大。因此，假說H1得到驗(yàn)證。

圖2 算法價(jià)格歧視對消費(fèi)者感知背叛的影響以及蓄意歸因的中介作用

然后，驗(yàn)證不同強(qiáng)度的算法價(jià)格歧視對于蓄意性歸因和其他可能解釋變量的影響。由圖2（b）可知，低強(qiáng)度價(jià)格差異組被試的蓄意性歸因顯著低于高強(qiáng)度價(jià)格差異組的被試，即低強(qiáng)度組均值為4.63，高強(qiáng)度組均值為5.60，F(xiàn)（1,384）=36.420，p<0.001。這表明，與低強(qiáng)度的算法價(jià)格歧視相比，高強(qiáng)度算法歧視的消費(fèi)者更愿意相信這種算法價(jià)格歧視是企業(yè)蓄意性行為。

在控制變量上，高價(jià)格差異組的個(gè)性化定價(jià)均值為1.102，低強(qiáng)度組的均值為1.234，F(xiàn)（1,384）=0.921，p=0.217。在情緒狀態(tài)上，高強(qiáng)度的算法價(jià)格歧視組的均值為4.066，低強(qiáng)度組的均值為4.012，F(xiàn)（1,384）=0.207，p=0.325。因此，這兩個(gè)其他可能解釋的變量在高價(jià)格差異組和低價(jià)格差異組的被試評價(jià)上并不存在顯著差異，表明它們無法解釋算法價(jià)格歧視對感知背叛影響的主效應(yīng)。并且，個(gè)性化定價(jià)兩個(gè)組的均值遠(yuǎn)小于4，表明個(gè)性化定價(jià)不可能是中介變量。同時(shí)，兩組被試在情緒狀態(tài)的均值接近4，說明被試的情緒狀態(tài)平穩(wěn)。因此，可以排除這兩個(gè)可能因素的潛在混淆影響，接下來的中介作用檢驗(yàn)不包括這兩個(gè)變量。

最后，利用Process分析中的Model 4（Hayes, 2017）檢驗(yàn)蓄意歸因的中介作用，以感知背叛為因變量，以算法價(jià)格歧視為自變量，以蓄意歸因?yàn)橹薪樽兞?。分析結(jié)果顯示，蓄意性歸因在算法價(jià)格歧視對感知背叛的影響中起部分中介作用，95%置信區(qū)間為[0.6523，1.2827]。相較于低強(qiáng)度的算法價(jià)格歧視，遭受高強(qiáng)度算法價(jià)格歧視的消費(fèi)者產(chǎn)生更高的蓄意性歸因，并產(chǎn)生更高的感知背叛。因此，假說H2得到驗(yàn)證。

綜上所述，本部分研究利用組間實(shí)驗(yàn)的方法驗(yàn)證消費(fèi)者在遭受高強(qiáng)度算法價(jià)格歧視對感知背叛的主效應(yīng)，同時(shí)還驗(yàn)證了蓄意性歸因的中介作用。本部分研究揭示了算法價(jià)格歧視對消費(fèi)者感知背叛的作用機(jī)理，后續(xù)將檢驗(yàn)在什么條件下算法價(jià)格歧視對感知背叛的影響可能還會減弱。

（二）關(guān)系質(zhì)量的調(diào)節(jié)作用檢驗(yàn)

1.研究設(shè)計(jì)

前測1顯示，滴滴出行平臺是消費(fèi)者認(rèn)為的第二大最容易遭受殺熟的平臺，旗下的快車服務(wù)是最容易遭遇大數(shù)據(jù)殺手的服務(wù)。因此，本部分選用滴滴出行作為研究平臺。

前測3：第一個(gè)目的是檢測滴滴平臺的快車服務(wù)是不是去浦東國際機(jī)場最經(jīng)常使用的車型和服務(wù)。實(shí)驗(yàn)問卷調(diào)研時(shí)間為2020年12月17日。主要對10名被試就其經(jīng)常使用滴滴出行去哪里進(jìn)行訪談?wù){(diào)研，其中，被試最經(jīng)常使用滴滴出行去浦東國際機(jī)場（30%）。第二個(gè)目的是檢驗(yàn)滴滴出行去浦東國際機(jī)場作為本研究所關(guān)注的服務(wù)產(chǎn)品是否有效，并檢驗(yàn)算法價(jià)格歧視的存在和強(qiáng)度。共有30名被試參與了此項(xiàng)測試。采用Likert 7點(diǎn)評分法，1是非常不同意，7為非常同意。前側(cè)3的結(jié)果顯示，“經(jīng)常使用滴滴去浦東國際機(jī)場”的問項(xiàng)值為M=5.2；“老顧客比新顧客多付錢是存在價(jià)格差異”的問項(xiàng)值M=5.50；“您認(rèn)為這種老顧客比新顧客多付錢的價(jià)格差異是滴滴平臺利用人工智能的算法進(jìn)行大數(shù)據(jù)殺熟”的問項(xiàng)值為M=5.50；“您覺得這種價(jià)格差異嚴(yán)重影響到了您的個(gè)人權(quán)利和利益”的問項(xiàng)值為M=5.36；“您覺得這是滴滴平臺對老顧客的價(jià)格歧視”的問項(xiàng)值為M=5.43；“您認(rèn)為這種老顧客比新顧客付錢越多，滴滴對老顧客的價(jià)格歧視越嚴(yán)重”的問項(xiàng)值為M=5.81。算法價(jià)格歧視的信度系數(shù)為0.801，KMO值為0.776，表明信度和效度良好。

主實(shí)驗(yàn)：主要目的是驗(yàn)證關(guān)系質(zhì)量的調(diào)節(jié)作用（H3）。實(shí)驗(yàn)問卷調(diào)研的起止時(shí)間為2020年12月18日至19日。通過招募方式對321名使用滴滴出行去浦東國際機(jī)場的學(xué)生進(jìn)行集中實(shí)驗(yàn)，并以每人10元作為報(bào)酬來完成問卷，有效問卷321 (41.8%為男性，平均年齡21.23歲)。本研究對算法價(jià)格歧視的操控方法同樣采用現(xiàn)實(shí)場景的方法，只是把實(shí)驗(yàn)產(chǎn)品替換為滴滴出行。對關(guān)系質(zhì)量的操縱方法主要參考Gregoire & Fisher（2008）研究中采用的13個(gè)題項(xiàng)。

本部分研究的另一個(gè)目的是檢驗(yàn)蓄意歸因的調(diào)節(jié)中介作用，在高關(guān)系質(zhì)量條件下算法價(jià)格歧視將導(dǎo)致更高的蓄意歸因，進(jìn)而產(chǎn)生更高的感知背叛(H2)。

2.實(shí)驗(yàn)問卷和變量測量

首先，被試先打開滴滴app回答自己過去消費(fèi)滴滴的次數(shù)及金額。接著，要求被試完成Gregoire & Fisher（2008）的關(guān)系質(zhì)量測量的10個(gè)題項(xiàng)，關(guān)系質(zhì)量的a值為0.908。

其次，4名實(shí)驗(yàn)員（包括作者）用新手機(jī)號碼現(xiàn)場注冊滴滴賬號，實(shí)驗(yàn)員和被試同時(shí)登錄滴滴出行搜索從“上海對外經(jīng)貿(mào)大學(xué)松江校區(qū)北二門”去“浦東國際機(jī)場T2航站樓”快車的價(jià)格。實(shí)驗(yàn)員作為新用戶宣布自己需要支付的價(jià)格是160.3。然后，被試先填寫實(shí)驗(yàn)員作為新用戶的支付價(jià)格，再填寫自己的價(jià)格，最后比較自己支付的價(jià)格比新用戶的價(jià)格高多少。要求大家匯報(bào)自己付多少錢。實(shí)驗(yàn)員告知最高價(jià)格、中間價(jià)格、最低價(jià)格，要求被試之間不要討論價(jià)格。

最后，被試想象正處于上述支付價(jià)格存在差異的購買實(shí)際場景中。請他們回答情緒狀態(tài)，其a值為0.836。利用與前述研究1相同的5個(gè)題項(xiàng)測量感知背叛，感知背叛的a值為0.917；利用與前述研究1相同的2個(gè)題項(xiàng)測量蓄意歸因，蓄意歸因的a值為0.870。此外，本研究還對被試的性別、年齡、收入等人口統(tǒng)計(jì)變量進(jìn)行測量。

3.研究結(jié)果

首先，從問卷進(jìn)行分析。共收到有效問卷321份，經(jīng)計(jì)算得到被試價(jià)格與實(shí)驗(yàn)員公布的價(jià)格（160.3元）差價(jià)的平均值為15.36，對問卷進(jìn)行分組，將高于均值的問卷（共157份）歸為高價(jià)格差異組，低于均值的問卷（共164份）歸為低價(jià)格差異組。同時(shí)，將每份問卷關(guān)系質(zhì)量均值高于4的視為高關(guān)系質(zhì)量，低于4的視為低關(guān)系質(zhì)量。對321份問卷進(jìn)行歸類，其中，低算法歧視低質(zhì)量關(guān)系組問卷為91份，低算法歧視高關(guān)系質(zhì)量組問卷為73份，高算法歧視低關(guān)系質(zhì)量組的問卷共95份，高算法歧視高關(guān)系質(zhì)量組的問卷共62份。

其次，操縱檢驗(yàn)。以感知算法價(jià)格歧視為因變量的單因素方差分析結(jié)果表明，高價(jià)格差異組的被試對算法價(jià)格歧視的評分顯著高于低強(qiáng)度組被試，低價(jià)格差異組的均值為4.05，高價(jià)格差異組的均值為5.70，兩組被試得分的均方比值F（1,317）=78.54，p<0.001。因此，本研究的算法價(jià)格歧視操控是成功的。

然后，檢驗(yàn)關(guān)系質(zhì)量的調(diào)節(jié)作用，以感知背叛為因變量的雙因素方差分析結(jié)果表明，算法價(jià)格歧視與關(guān)系質(zhì)量的交互對感知背叛有顯著影響，F(xiàn)(1,317) = 7.616,p<0.001。圖3（a）給出了算法價(jià)格歧視與關(guān)系質(zhì)量的交互對感知背叛的影響。由圖3（a）可知，當(dāng)關(guān)系質(zhì)量較低時(shí)，低強(qiáng)度算法價(jià)格歧視的被試比高強(qiáng)度算法價(jià)格歧視的被試表示更低的感知背叛，低強(qiáng)度算法價(jià)格歧視組均值為4.62，高強(qiáng)度的算法價(jià)格歧視組均值5.32，F(xiàn)（1,317）=13.763，p<0.001。在出行領(lǐng)域中H1再次得到驗(yàn)證。同時(shí)，在高關(guān)系質(zhì)量時(shí)，兩組被試的感知背叛都提高了（低算法歧視組的均值為5.15，高算法歧視組的均值為5.61）。在高強(qiáng)度的算法價(jià)格歧視時(shí)，高關(guān)系質(zhì)量組被試在感知背叛上的評分顯著高于低關(guān)系質(zhì)量組被試，高關(guān)系質(zhì)量組的均值為5.61，低關(guān)系質(zhì)量組的均值為5.32。結(jié)果表明，關(guān)系質(zhì)量能夠增強(qiáng)算法價(jià)格歧視對感知背叛影響的方向，特別是對于低算法歧視組。因此，關(guān)系質(zhì)量在算法價(jià)格歧視對感知背叛的影響中起調(diào)節(jié)作用，H3得到驗(yàn)證。

圖3 算法價(jià)格歧視對消費(fèi)者感知背叛的影響以及蓄意歸因的中介作用和關(guān)系質(zhì)量的調(diào)節(jié)作用

接著，檢驗(yàn)算法價(jià)格歧視和關(guān)系質(zhì)量對蓄意性歸因的影響。以蓄意歸因?yàn)橐蜃兞康碾p因素方差分析結(jié)果表明，算法價(jià)格歧視與關(guān)系質(zhì)量的交互對蓄意性歸因產(chǎn)生顯著影響，F(xiàn)(1,317)=18.97, p<0.001。圖3（b）給出了算法價(jià)格歧視與關(guān)系質(zhì)量的交互對蓄意歸因的影響。由圖3（b）可知，當(dāng)高強(qiáng)度的算法價(jià)格歧視時(shí)，高關(guān)系質(zhì)量組被試在蓄意歸因上的評分顯著高于低關(guān)系質(zhì)量組被試，高關(guān)系質(zhì)量組的均值為6.10，低關(guān)系質(zhì)量組的均值為5.38。F(1,317)=16.37, p<0.001。低強(qiáng)度的算法價(jià)格歧視時(shí)，高關(guān)系質(zhì)量組被試在蓄意歸因上的評分顯著高于低關(guān)系質(zhì)量組被試，高關(guān)系質(zhì)量組的均值為5.28，低關(guān)系質(zhì)量組的均值為4.66，F(xiàn)(1,317)=11.08, p<0.01。結(jié)果表明，關(guān)系質(zhì)量能夠增強(qiáng)算法價(jià)格歧視對蓄意歸因影響的方向。上述結(jié)果為檢驗(yàn)蓄意性歸因的可調(diào)節(jié)中介作用提供了佐證。

最后，利用 Process分析中的Model 8（Hayes, 2017）檢驗(yàn)蓄意性歸因的可調(diào)節(jié)中介作用。以感知背叛為因變量，以算法價(jià)格歧視為自變量，以蓄意性歸因?yàn)橹薪樽兞?，以關(guān)系質(zhì)量為調(diào)節(jié)變量的分析結(jié)果表明，當(dāng)關(guān)系質(zhì)量較低時(shí)，蓄意性歸因顯著中介了高強(qiáng)度算法價(jià)格歧視對感知背叛的影響(95%置信區(qū)間為[0.1980, 0.4496])。當(dāng)關(guān)系質(zhì)量較高時(shí)，蓄意性歸因仍然是兩者之間關(guān)系的顯著中介變量(95%置信區(qū)間為[0.3087, 0.5561]。更加重要的是蓄意性歸因的可調(diào)節(jié)中介作用是顯著的(95%置信區(qū)間為[0.3442, 0.6582])，這表明蓄意性歸因在本研究中是顯著的可調(diào)節(jié)中介變量。

（三）消費(fèi)者價(jià)格敏感度的調(diào)節(jié)作用檢驗(yàn)

1.研究設(shè)計(jì)

前測4：第一個(gè)目的是檢測美團(tuán)平臺的外賣服務(wù)和“香茵波克現(xiàn)烤漢堡”松江大學(xué)城店是否為松江大學(xué)城最受歡迎的外賣選擇。實(shí)驗(yàn)問卷調(diào)研時(shí)間為2020年12月20日。就美團(tuán)外賣的店家和其產(chǎn)品的選用，本研究對20名被試就其經(jīng)常光顧和喜歡的店家及其產(chǎn)品進(jìn)行訪談?wù){(diào)研，其中，“香茵波克現(xiàn)烤漢堡”松江大學(xué)城店的排名第一（35%），該店提供的“香in套餐二”（92.7%）、“香in套餐四”（83.3%）、“香in套餐六”（81.5%）和“香in套餐七”（75.4%）產(chǎn)品最受被試歡迎，排名分別為第一、第二、第三和第四。

前測4還檢驗(yàn)了選擇美團(tuán)外賣“香茵波克現(xiàn)烤漢堡”松江大學(xué)城店及其產(chǎn)品“香in套餐二”“香in套餐四”“香in套餐六”和“香in套餐七”合在一起作為本研究所關(guān)注的服務(wù)產(chǎn)品是否有效，并對算法價(jià)格歧視的存在和強(qiáng)度進(jìn)行衡量。共有40名被試參與了此項(xiàng)測試。采用Likert7點(diǎn)評分法，1是非常不同意，7是非常同意，被試首先認(rèn)為會經(jīng)常選擇美團(tuán)外賣來訂購“香茵波克現(xiàn)烤漢堡”松江大學(xué)城店的產(chǎn)品（M=5.43）；同時(shí)，前測4的結(jié)果還顯示，1）“老顧客比新顧客多付錢是存在價(jià)格差異”的問項(xiàng)值為M=5.66；2）“老顧客比新顧客多付錢的價(jià)格差異是美團(tuán)平臺利用人工智能的算法進(jìn)行大數(shù)據(jù)殺熟”的問項(xiàng)值為M=6.03；3）“這種價(jià)格差異嚴(yán)重影響到了您的個(gè)人權(quán)利和利益”的問項(xiàng)值為M=5.45；4）“這是美團(tuán)平臺對老顧客的價(jià)格歧視”的問項(xiàng)值為M=5.79；5）“這種老顧客比新顧客付錢越多，美團(tuán)外賣對老顧客的價(jià)格歧視越嚴(yán)重”的問項(xiàng)值為M=5.85。算法價(jià)格歧視信度的前沿系數(shù)為0.810，KMO值為0.780，表明信度和效度良好。

主實(shí)驗(yàn)：主要目的是驗(yàn)證消費(fèi)者價(jià)格敏感度的調(diào)節(jié)作用(H4)。實(shí)驗(yàn)問卷調(diào)研的起止時(shí)間為2020年12月20日至21日。采用雙因素2（算法價(jià)格歧視：高 vs. 低）×2（價(jià)格敏感度：高 vs. 低）的組間實(shí)驗(yàn)設(shè)計(jì)。隨機(jī)對468名最近使用過美團(tuán)外賣的學(xué)生發(fā)放問卷(其中43.36%為男性，平均年齡23.75歲)，并以每人10元作為報(bào)酬來完成問卷。本研究對算法價(jià)格歧視的操控方法與研究1類似，同樣采用現(xiàn)實(shí)場景的方法，只是把實(shí)驗(yàn)產(chǎn)品替換為外賣（低價(jià)格的服務(wù)產(chǎn)品）?；谇皽y4的結(jié)果將美團(tuán)外賣中的“香茵波克現(xiàn)烤漢堡”松江大學(xué)城店及其產(chǎn)品4個(gè)套餐作為本研究的實(shí)驗(yàn)素材。對消費(fèi)者價(jià)格敏感度的操縱方法主要借鑒Goldsmith（2005）研究中采用的3個(gè)題項(xiàng)。

2.實(shí)驗(yàn)問卷和變量測量

實(shí)驗(yàn)問卷共分成兩個(gè)部分。首先，被試打開美團(tuán)app回答完成自己在美團(tuán)外賣的次數(shù)及金額。接著，4名實(shí)驗(yàn)員（包括作者）用新手機(jī)號碼現(xiàn)場注冊美團(tuán)賬號，實(shí)驗(yàn)員和被試同時(shí)在外賣服務(wù)中選擇“香茵波克現(xiàn)烤漢堡”松江大學(xué)城店和點(diǎn)擊購買其店中的“香in套餐二”“香in套餐四”“香in套餐六”“香in套餐七”共4個(gè)套餐，實(shí)驗(yàn)員作為新用戶宣布自己需要支付的價(jià)格總共為78元。然后，各位被試先填寫實(shí)驗(yàn)員作為新用戶的支付價(jià)格，再填寫自己的價(jià)格，最后比較自己支付的價(jià)格比新用戶的價(jià)格高多少。要求大家匯報(bào)自己多付多少錢。實(shí)驗(yàn)員告知最高價(jià)格、中間價(jià)格、最低價(jià)格，不允許被試間討論價(jià)格。

被試想象正處于上述支付價(jià)格存在差異的購買實(shí)際場景中，請他們回答內(nèi)心感受的問題。采用和前面實(shí)驗(yàn)相類似的4個(gè)題項(xiàng)測量算法價(jià)格歧視的強(qiáng)度，算法價(jià)格歧視的α值為0.817。采用和研究1相同的5個(gè)題項(xiàng)測量感知背叛，感知背叛的α值為0.870；

借鑒Goldsmith（2005）的研究，采用3個(gè)題項(xiàng)對被試的價(jià)格敏感度進(jìn)行測量，如“如果我感覺該平臺的外賣價(jià)格很高的話，我就不愿意購買”等，采用Likert7點(diǎn)評法，1為非常不同意，7為非常同意，價(jià)格敏感度的α值為0.833。此外，請被試填寫性別、年齡、收入等人口統(tǒng)計(jì)變量。

3.研究結(jié)果

首先，進(jìn)行直接問卷結(jié)果分析。共收到有效問卷468份，經(jīng)計(jì)算得到被試價(jià)格與實(shí)驗(yàn)員公布價(jià)格（78元）差價(jià)的平均值為6.05，對問卷進(jìn)行分組，將高于均值的問卷（共172份）歸為高價(jià)格差異組，低于均值的問卷（共296份）歸為低價(jià)格差異組。同時(shí)，將每份問卷價(jià)格敏感度均值高于4的定為高價(jià)格敏感度，低于4的定為低價(jià)格敏感度。對468份問卷進(jìn)行歸類，其中，低算法歧視低價(jià)格敏感度組問卷為146份，低算法歧視高價(jià)格敏感度組問卷為150份，高算法歧視低價(jià)格敏感度組的問卷共84份，高算法歧視高價(jià)格敏感度組的問卷共88份。各組被試在性別和年齡上不存在顯著差異。

其次，對算法價(jià)格歧視強(qiáng)度進(jìn)行操控檢驗(yàn)。單因素方差分析結(jié)果表明，高價(jià)格差異組被試在算法價(jià)格歧視的感知上打分顯著高于低價(jià)格差異組被試；低價(jià)格差異組均值為4.643，高價(jià)格差異組均值為5.308，F(xiàn)(1,466)=11.531，p<0.001)，說明對算法價(jià)格歧視的操控成功。

然后，利用Process分析中的Model 1方法（Hayes, 2017）檢驗(yàn)消費(fèi)者價(jià)格敏感度的調(diào)節(jié)作用。以感知背叛為因變量，以算法價(jià)格歧視為自變量，以價(jià)格敏感度為調(diào)節(jié)變量的分析結(jié)果表明，算法價(jià)格歧視對感知背叛影響顯著，t(464)=2.317，p=0.021，H1再次得到驗(yàn)證。算法價(jià)格歧視與價(jià)格敏感度的交互對感知背叛的影響呈現(xiàn)顯著，t(464)=2.353, p=0.018。圖4為算法價(jià)格歧視與價(jià)格敏感度交互后對感知背叛的影響。由圖4可知，高價(jià)格敏感度的被試對高強(qiáng)度算法價(jià)格歧視的感知背叛顯著高于低算法價(jià)格歧視組被試：低價(jià)格差異組的均值為4.60，高價(jià)格差異組的均值為5.22，t(464)=3.315, p=0.011。在低價(jià)格敏感度消費(fèi)者中，這兩種算法價(jià)格歧視導(dǎo)致的感知背叛存在的差異性明顯小于高價(jià)格敏感度組：低強(qiáng)度算法價(jià)格歧視組的均值為4.32，高算法價(jià)格歧視組的均值為4.64,t(464)=0.221, p=0.033。上述結(jié)果表明，消費(fèi)者的價(jià)格高敏感度在算法價(jià)格歧視對感知背叛的影響中起調(diào)節(jié)作用，在高價(jià)格敏感度的消費(fèi)者中高強(qiáng)度算法價(jià)格歧視所帶來的負(fù)面效應(yīng)更加顯著。因此，假說H4得到驗(yàn)證。

圖4 算法價(jià)格歧視對消費(fèi)者感知背叛的影響以及價(jià)格敏感度的調(diào)節(jié)作用

綜上所述，本部分研究在外賣產(chǎn)品類別中再次驗(yàn)證了高強(qiáng)度算法價(jià)格歧視對消費(fèi)者感知背叛影響的主效應(yīng)，更加重要的是檢驗(yàn)了價(jià)格敏感度的調(diào)節(jié)變量作用，發(fā)現(xiàn)在高價(jià)格敏感度的消費(fèi)者中，算法價(jià)格歧視的影響更加顯著，因此價(jià)格敏感度是發(fā)揮高強(qiáng)度算法價(jià)格歧視積極作用的邊界條件。

五、研究結(jié)論與啟示

（一）研究結(jié)論、理論貢獻(xiàn)與不足

隨著人工智能技術(shù)的發(fā)展，數(shù)據(jù)支撐越來越重要。相應(yīng)地，信息隱私、算法歧視和消費(fèi)者信任等問題也隨之而來。但是，消費(fèi)者如果發(fā)現(xiàn)自己作為老顧客在同一時(shí)間內(nèi)購買同一產(chǎn)品的價(jià)格高于其他新顧客時(shí)，通常會產(chǎn)生感知背叛。在不同的價(jià)格歧視程度下，消費(fèi)者形成感知背叛的程度和中間機(jī)理，以及對感知背叛影響的邊界條件這些問題還沒有得到解答。本文巧妙地運(yùn)用實(shí)驗(yàn)方法在三個(gè)不同的產(chǎn)品種類中通過操縱算法價(jià)格歧視，探討算法價(jià)格歧視對消費(fèi)者感知背叛影響的作用機(jī)理和邊界條件。結(jié)果表明，遭受較高程度的算法價(jià)格歧視消費(fèi)者比遭受較低程度算法價(jià)格歧視的消費(fèi)者產(chǎn)生更高蓄意歸因，由此產(chǎn)生更高的感知背叛。關(guān)系質(zhì)量和價(jià)格敏感度是改變算法價(jià)格歧視對感知背叛影響強(qiáng)弱的調(diào)節(jié)變量，當(dāng)消費(fèi)者與企業(yè)的關(guān)系質(zhì)量較高時(shí)，哪怕是低的價(jià)格歧視，也會給消費(fèi)者帶來更強(qiáng)的感知背叛。當(dāng)面對價(jià)格敏感度較高的消費(fèi)者時(shí)，其對感知背叛的影響也會增強(qiáng)。

本文包含三點(diǎn)理論貢獻(xiàn)。首先，從消費(fèi)者視角發(fā)現(xiàn)感知背叛是大數(shù)據(jù)殺熟式算法價(jià)格歧視的負(fù)面效果，這是感知背叛在人工智能領(lǐng)域的進(jìn)一步延伸應(yīng)用，為其他學(xué)者解釋消費(fèi)者對算法價(jià)格歧視的反應(yīng)提供借鑒，有助于更好地理解當(dāng)代消費(fèi)者面對不同程度的算法價(jià)格歧視時(shí)產(chǎn)生的不同心理認(rèn)知和行為反應(yīng)。其次，從歸因理論視角揭示了算法價(jià)格歧視對消費(fèi)者感知背叛影響的作用機(jī)理。不同于以往研究總結(jié)的責(zé)任人歸因、控制力歸因和穩(wěn)定性歸因，本文提出并論證了蓄意性歸因的中介作用，這是智能算法背景下歸因理論在營銷領(lǐng)域的進(jìn)一步拓展應(yīng)用。最后，本文提出了關(guān)系質(zhì)量和價(jià)格敏感度是算法價(jià)格歧視的邊界條件，并論證了兩者的調(diào)節(jié)作用，這種在不同情景下的權(quán)變研究進(jìn)一步擴(kuò)大了本研究的外部效度，有助于人們更加全面系統(tǒng)地理解智能算法背景下消費(fèi)者感知背叛的形成機(jī)理。

本文也存在三點(diǎn)不足，可以在未來研究中進(jìn)一步探討。首先，在研究方法的選擇方面，本文采用的是實(shí)地實(shí)驗(yàn)的研究方法，通過現(xiàn)實(shí)場景數(shù)據(jù)讓被試回答實(shí)驗(yàn)問卷對相關(guān)變量進(jìn)行測量。這可能會影響本文研究的外部效度與對企業(yè)實(shí)踐指導(dǎo)的針對性，類似于隱私悖論，顧客可能在態(tài)度上反對算法價(jià)格歧視，另一方面卻很可能因?yàn)樾《餍』菥洼p易向平臺出讓自己的個(gè)人數(shù)據(jù)，在行為上接受算法歧視。未來的研究可以采用二手?jǐn)?shù)據(jù)分析的方法檢驗(yàn)本研究的各項(xiàng)假設(shè)，比如可以利用爬蟲軟件抓取用戶產(chǎn)品評論中與價(jià)格有關(guān)的信息，通過內(nèi)容分析的方法檢驗(yàn)關(guān)于算法價(jià)格歧視對消費(fèi)者感知背叛的影響。其次，在因變量的拓展方面，本文研究重點(diǎn)關(guān)注了算法價(jià)格歧視對感知背叛的影響，除此之外還應(yīng)該進(jìn)一步研究算法價(jià)格歧視對感知背叛影響后的后續(xù)行為，以及如何在維持企業(yè)利潤的情況下，減低算法價(jià)格歧視行為。最后，還可以進(jìn)一步探討其他調(diào)節(jié)變量的作用，本文的研究只檢驗(yàn)了關(guān)系質(zhì)量和價(jià)格敏感度的調(diào)節(jié)作用，但是企業(yè)如何測量消費(fèi)者價(jià)格敏感度也是很難操控的變量，這也使得本文研究結(jié)果的應(yīng)用價(jià)值具有很大局限性。

（二）管理啟示

首先，為網(wǎng)絡(luò)平臺企業(yè)的營銷溝通提供借鑒。本文研究表明，消費(fèi)者認(rèn)為高程度的算法價(jià)格歧視會讓他們產(chǎn)生更強(qiáng)烈感知背叛的負(fù)面效果。因此，企業(yè)在營銷中應(yīng)盡可能地減少大數(shù)據(jù)殺熟式的價(jià)格歧視，并把算法細(xì)節(jié)公布于眾，這樣可以增強(qiáng)消費(fèi)者對企業(yè)的信任感。同時(shí)，企業(yè)應(yīng)該采用其他算法或助推的方式來進(jìn)行定價(jià)。由于動(dòng)態(tài)定價(jià)不針對老用戶等用戶群體，是根據(jù)需求關(guān)系而變動(dòng)價(jià)格，因此這不僅在一定程度上能消除顧客被“殺熟”的體驗(yàn)，而且會常常讓顧客覺得性價(jià)比高。其次，采用人工智能算法進(jìn)行定價(jià)的企業(yè)應(yīng)該更加注重企業(yè)與消費(fèi)者關(guān)系質(zhì)量的維護(hù)，避免算法價(jià)格歧視的產(chǎn)生。本文結(jié)果顯示，相較于低關(guān)系質(zhì)量，消費(fèi)者與企業(yè)的關(guān)系質(zhì)量越高時(shí)，算法價(jià)格歧視對感知背叛的影響越強(qiáng)烈。這要求算法平臺企業(yè)管理者嚴(yán)格管理定價(jià)，維護(hù)消費(fèi)者權(quán)益，以預(yù)防算法價(jià)格歧視的發(fā)生。對于并不了解算法價(jià)格歧視為何對企業(yè)帶來負(fù)面影響的平臺企業(yè)，需要更加關(guān)注蓄意歸因在算法價(jià)格歧視對感知背叛中的中介作用。因?yàn)殛P(guān)注蓄意歸因的中介作用也就等于真正了解算法價(jià)格歧視為何帶來嚴(yán)重負(fù)面影響的原因。此外，算法價(jià)格歧視為何會對一些消費(fèi)者帶來義憤填膺的后果，這不僅是蓄意歸因的原因，而且也是價(jià)格敏感的消費(fèi)者，其背叛感更高一些的原因。因此，了解消費(fèi)者價(jià)格敏感度的高低有助于算法價(jià)格歧視企業(yè)如何分類管理消費(fèi)者，以達(dá)到更好的管理成效。