跨市场竞争中人工智能算法歧视性定价合谋

本文在具有需求差异的两个市场中，以实验方法研究了人工智能Q学习算法的寡头重复价格竞争行为。基准实验结果发现，智能体通过训练能够学会惩罚策略，进而在两个市场实现歧视性定价合谋，且价格歧视水平和平均利润水平会随着智能体“理性”程度的提升而先提高后下降。随着参与竞争的智能体数量的增加，两市场的价格均会下降，价格歧视水平会趋向于0。进一步实验结果表明，当消费者存在不公平定价厌恶时，智能体通过学习能够“理解”这种消费心理，进而降低高需求市场价格、提高低需求市场价格，达到新的价格合谋。随着不公平定价厌恶对需求的影响力提高，两市场的价格差异不断下降并向0收敛。当消费者存在相对低价偏好时，智能体会利用这种消费心理，通过提高低需求市场的定价使高需求市场的相对价格变得更低，从而扩大高需求市场的需求量而提升总利润水平。随着相对低价偏好对需求的影响力提高，两市场的价格歧视程度会随之下降，并维持在较低水平，在此过程中低需求市场的收敛价格会超过高需求市场收敛价格。本文结论在对现有算法价格竞争文献进行拓展的同时，也为相关支持和规制政策的制定提供依据，同时显示当前学界对算法歧视性定价的担忧存在过度倾向。