beat365經濟學研究所王勇教授（通訊作者）與中國地質大學經管學院張玮藝老師（第一作者）合作的論文《The Impact of Different Recommendation Algorithms on Consumer Search Behavior and Merchants Competition》已被《International Review of Economics & Finance》接收，将于2025年3月正式發表。

該論文研究的主題是平台不同的推薦算法對消費者搜尋行為和商戶之間競争所産生的影響。研究表明，當平台從中立算法，過渡到傾斜算法時，商家間的價格分散程度會逐漸增加，而價格競争強度則呈現遞減趨勢。傾斜算法可能會增加消費者的搜尋次數或者提高消費者的搜尋成本，中立算法會降低消費者的搜尋成本。在商家交易效用差異較小時，中立算法能夠同步提升平台利潤、消費者剩餘及社會福利；傾斜算法雖可增加消費者剩餘，但會損害平台利潤與社會福利。基于此，研究強調平台需在推薦系統中平衡中立與傾斜算法，促使商家将資源投入産品創新與服務改進，而非過度依賴價格戰或付費推廣。

針對平台推薦算法的優化路徑，該論文提出三點建議：

首先，平台應優先開發基于消費者偏好的中立算法。當前一些平台主要關注消費者的正面反饋（如浏覽時間、點擊、購買曆史），而忽視了負面反饋（如屏蔽産品、“不感興趣”）。這種對正面和負面反饋處理的不平衡會導緻消費者偏好預測不準确，削弱中立算法在減少價格競争方面的優勢。平台可以通過“軟處理”将用戶的負面反饋納入機器學習模型以降低不符合消費者偏好的商品排名，或者采用直接根據負面反饋屏蔽相關内容的“硬處理”。

其次，平台應在指導消費者搜尋時平衡中立算法和傾斜算法。作為追求利潤的企業，平台應限制廣告位置的數量，并設計符合Vickery機制的競價機制，确保分配過程既公平又有效。

最後，在開發推薦算法時，平台應該維持全局探索和本地利用之間的平衡，以創造更好的搜尋環境。對于新用戶，由于他們與平台的交互不足，平台難以預測其偏好并提供精準推薦，因此需要引入更積極的探索算法。在收集到足夠的互動數據後，平台可以轉向利用算法來捕捉用戶的興趣并實現精确的消費者-商品匹配。為了在不影響用戶體驗的前提下提高消費者剩餘，平台可以考慮為粘性較高的用戶提供更多的探索算法，例如基于強化學習的興趣探索機制等。此外，平台還應注意全局探索與本地利用之間的平衡，避免形成信息繭房。

總而言之，該研究通過構建理論模型與數值模拟，揭示了推薦算法對在線市場的深層影響，為平台算法治理與監管部門政策制定提供了兼具學術價值與實踐意義的參考框架。