Knowledge Management Forum >

2025 , Vol. 10 >Issue 6: 516 - 534

DOI: https://doi.org/10.13266/j.issn.2095-5472.2025.035

Information Transparency and Consumer Education: Governance Strategies to Counter "Big Data Price Discrimination"

  • Chen Jinghao 1, 2 ,
  • Deng Zhiyuan 1 ,
  • Chen Yide , 1
Expand
  • 1. School of Public Policy and Management, Guangxi University, Nanning 530004
  • 2. Research Center of Regional Social Governance and Innovation, Guangxi University, Nanning 530004
Chen Yide, Master's Candidate, E-mail: .

Chen Jinghao, Associate Professor, Master's Supervisor;

Deng Zhiyuan, Bachelor's Degree.

Received date: 2025-09-05

  Online published: 2025-12-01

Fold

Abstract

[Purpose/Significance] Addressing the issue of "big data price discrimination" in the digital economy, which severely undermines consumer rights and market fairness, this study focuses on two key governance strategies: information transparency and consumer education. It explores their synergistic efficacy in countering this phenomenon to foster a fair digital market with multi-stakeholder participation. [Method/Process] Based on information asymmetry theory, equity theory, and information processing theory, the research had employed two 2×2 scenario-based experiments (food package ordering and hotel booking) to examine the interactive effect of information transparency and consumer education on perceived price discrimination, and had analyzed the mediating effect of perceived price fairness. [Result/Conclusion] The results indicate that the interaction between information transparency and consumer education significantly enhances consumers' perception of price discrimination. While enhancing either strategy individually improves recognition ability, their combined effect yields more pronounced results. Perceived price fairness partially mediates this interactive influence: improvements in information transparency and consumer education enhance consumers' understanding of pricing procedures, thereby increasing their perception of fairness and indirectly mitigating their ultimately negative judgments.

Key words： information transparency; consumer education; big data price discrimination

Cite this article

Chen Jinghao , Deng Zhiyuan , Chen Yide . Information Transparency and Consumer Education: Governance Strategies to Counter "Big Data Price Discrimination"[J]. Knowledge Management Forum, 2025 , 10(6) : 516 -534 . DOI: 10.13266/j.issn.2095-5472.2025.035

1 引言/Introduction

数字经济的迅猛发展与算法技术的深度应用，催生了以个性化、智能化为核心的新型商业模式，极大地提升了消费体验与市场效率[1-2]。然而，算法驱动的个性化服务在释放巨大潜力的同时，其不透明的运作机制与潜在的偏见风险也引发了广泛的伦理关切与治理挑战[3-4]。其中，“大数据杀熟”，即平台利用算法对不同消费者实施歧视性定价的行为[5]，因其直接侵害消费者权益、破坏市场公平而备受诟病[6]。此类行为的核心在于平台利用与消费者之间的严重信息不对称[7]，通过隐蔽的算法操作对消费者进行“精准宰割”[8]，其表现形式多样且难以被察觉[2]。
“大数据杀熟”的多重危害已得到学界的广泛确认。在消费者层面，它不仅直接导致经济损失，更侵犯了消费者的知情权、公平交易权与个人信息权益[5,9-10]，并可能引发消费者的不公平感、被剥削感乃至背叛感[11]，进而损害平台信任与用户忠诚。在市场层面，此类行为可能扭曲竞争秩序，形成数据与算法霸权，阻碍创新[8]。在社会层面，则可能加剧数字鸿沟与社会不公，尤其对于信息弱势群体而言，这种由算法认知差异所导致的新型数字鸿沟问题正日益凸显[12]。面对上述挑战，现有治理手段在行为定性、法律适用、监管技术以及消费者维权等方面均面临显著困境[2,6]，单一的法律规制或市场自律已难以有效应对，探索综合、多元的治理新策略成为必然趋势[13]。
在此背景下，提升平台信息透明度与实施有效的消费者教育，被认为是破解“大数据杀熟”困境、赋能消费者的两条关键治理策略。信息透明度，即平台向消费者充分、清晰地披露其定价逻辑、数据使用规则及潜在的价格差异信息，有助于缓解消费者与平台之间的信息不对称，保障消费者的知情权与选择权，从而促进交易公平[14-15]。而消费者教育，特别是针对数字时代“大数据杀熟”等特定风险的教育干预，旨在直接提升消费者对相关现象的认知理解、风险识别能力和权利维护意识，是增强其在复杂数字环境中自我保护能力的重要途径[16-18]。
尽管信息透明与消费者教育的重要性已获得普遍认可，但现有研究多将两者作为独立的治理路径进行探讨，缺乏对两者协同效应的系统性实证检验。此外，这些治理策略影响消费者感知的内在心理机制仍是一个“黑箱”，特别是消费者对价格公平的感知在其中扮演何种角色尚未得到充分揭示。这一研究空白限制了我们对如何有效赋能消费者、构建综合治理体系的深刻理解。
为弥补此空白，本研究旨在通过严谨的情景实验，深入探究信息透明与消费者教育的交互作用及其对“大数据杀熟”感知的内在影响机制。本研究的理论创新首先在于，构建并检验了一个整合模型，揭示了外部信息环境（信息透明度）与消费者内在认知能力（消费者教育）的交互作用，拓展了信息处理理论在算法歧视认知领域的应用；其次，通过引入价格公平感知作为中介变量，打开了治理策略影响消费者最终判断的心理“黑箱”，深化了公平理论在数字消费情境下的解释力。在实践层面，本研究超越了单一治理措施的局限性，为解决“大数据杀熟”问题提供了“内外兼修”的双轨治理思路的实证依据。研究结论能够为政府监管部门、平台企业及消费者权益保护组织提供更精准、更具操作性的策略启示，即推动平台侧的“信息透明”与消费者侧的“教育赋能”相结合，是构建公平、健康数字市场秩序的关键路径。
基于上述背景与研究缺口的分析，本研究拟探讨并回答以下核心问题：①信息透明度与消费者教育的交互作用如何影响消费者对“大数据杀熟”行为的感知？②价格公平感知是否在信息透明度与消费者教育的交互作用影响消费者感知“大数据杀熟”行为的过程中扮演中介角色？

2 研究假设/Research hypotheses

2.1 信息透明与消费者教育对价格歧视感知的交互影响

“大数据杀熟”作为一种算法赋能下的价格歧视行为，其核心在于平台利用与消费者之间的严重信息不对称[7]，实施个性化定价，使消费者易感知到不公平与歧视[5]。针对此信息鸿沟，提升信息透明度（即平台公开其定价机制、算法逻辑与数据使用规则等[15]）和实施有效的消费者教育（即通过针对性信息干预提升消费者识别风险、维护权益的认知与能力[16,18]）被认为是重要的应对策略。
信息处理理论[19]为理解信息透明度与消费者教育如何共同影响消费者对价格歧视的感知提供了关键视角。该理论指出，消费者的选择与判断行为受其信息处理能力、动机和外部信息获取机会的共同制约。信息透明度的提升为消费者提供了更充分的“机会”和更清晰的信息线索来评估交易的潜在不公；而消费者教育则主要增强其处理复杂信息的“能力”和进行审慎思考的“动机”。我们预测，这两者并非简单独立地发挥作用，而是存在协同增强的交互效应。具体而言，只有当信息透明所提供的“外部信息支持”与消费者教育所强化的“内部处理能力与动机”相结合时，消费者才最有条件和动力对价格信息进行系统化、深层次的加工，从而更敏锐地识别和感知“大数据杀熟”行为。已有研究也初步证实，算法透明度与消费者教育的结合能更有效地增强消费者对算法价格歧视的感知[11]。基于此，本研究提出：
H1：消费者教育与信息透明度的交互作用正向影响价格歧视感知。
H1a：在不同消费者教育水平下，信息透明度均正向影响价格歧视感知；且当消费者教育水平较高时，信息透明度对价格歧视感知的提升作用更为显著。
H1b：在不同信息透明度水平下，消费者教育均正向影响价格歧视感知；且当信息透明度水平较高时，消费者教育对价格歧视感知的提升作用更为显著。

2.2 价格公平感知在交互影响中的中介作用

消费者对“大数据杀熟”的反应，不仅取决于其能否察觉价格差异，更深受其对价格公平性主观判断的影响。公平理论[20]认为，个体通过比较自身投入产出与参照对象来评估公平性。在“大数据杀熟”情境下，消费者可能因感知到分配不公或程序不公而产生不公平感。价格公平感知，即消费者对价格合理性与公正性的主观评价[21]，是影响其对价格歧视反应的核心心理变量，较高的价格公平感知能显著降低消费者感知到的歧视程度[11,22]。
信息透明度与消费者教育的协同作用，除了直接影响消费者对价格歧视的感知外，还可能通过改变其价格公平感知来间接发挥作用。一方面，提升信息透明度，特别是关于定价逻辑和价格差异原因的清晰披露[15]，有助于增强消费者对交易程序的公正性观感，从而可能提升其价格公平感知。另一方面，消费者教育通过提升其相关知识与判断能力，可能使其对价格差异的合理性形成更为理性的评估，进而影响其公平感知。当信息透明与消费者教育的结合使得消费者更理解定价的合理性或程序时，其价格公平感知可能增强，即使察觉到价格差异，也可能不全将其归因为恶意歧视。因此，价格公平感知可能在信息透明与消费者教育影响价格歧视感知的过程中扮演重要的中介角色。基于此，本研究提出：
H2：价格公平感知在消费者教育与信息透明度的交互作用对价格歧视感知的影响中起中介作用。
综合上述理论分析与假设，本研究构建了如图1所示的理论模型。
图1 研究模型

Figure 1 Research model

3 研究设计与分析/Research design and analysis

3.1 实验一：信息透明与消费者教育的交互效应

3.1.1 参与者与实验设计

本实验通过在线情景实验方式收集数据，运用G-power对所需样本量进行初步估算，随后通过在线渠道招募了180名具有在线购物经验的消费者，在剔除填写时间过短或有明显规律性作答的无效问卷后，获得140份有效问卷。描述性统计分析显示，参与者年龄主要集中在26至35岁之间，多为上班族，且平均每周网购频率为1至3次。这些特征表明样本对于研究“大数据杀熟”现象具有较好的代表性。
实验采用2（有教育干预vs无教育干预）×2（高信息透明度vs低信息透明度）的完全随机组间实验设计。140名参与者被随机分配到4个实验组别中，确保每组参与者数量为35人。

3.1.2 变量测量和刺激物材料

本实验的核心测量变量包括自变量消费者教育、信息透明度，以及因变量价格歧视感知。所有量表题项均采用李克特7点量表（1=非常不同意，7=非常同意）进行测量，如表1所示。
表1 量表来源及具体测项（实验一）

Table 1 Source and specific items of the scale (experiment 1)

变量 参考来源 题项

消费者

教育干预

 邓湘雪，2015[23]

（1）我能够获得其他消费者在该平台商家订购套餐的评论

（2）该平台提供的订餐信息是不清楚的（反向）

（3）该平台与商家提供的信息是容易理解的

（4）与竞争品牌相比，该平台的商家主动提供自身产品的优缺点

信息

透明度

 Y. Liu，2013[24]

（1）我能和其他人探讨“大数据杀熟”的相关内容

（2）材料让我了解了“大数据杀熟”的定义、表现形式、应对方法

（3）材料向我介绍了“大数据杀熟”的示例

（4）只要我需要，我可以在材料启发之下自主去得到更多有关“大数据杀熟”的信息

价格歧视感知 吴志艳等，2022[11]

（1）我认为此次订餐是存在价格差异的

（2）我认为这种不同顾客面临的价格差异是平台利用人工智能的算法进行大数据杀熟

（3）我觉得这种价格差异严重影响到了我的个人权利和利益

（4）我觉得这是平台和商家对某类顾客的价格歧视

其中，消费者教育的操纵有效性通过询问被试对所阅读材料内容的理解程度和相关知识的掌握程度来检验[23]；信息透明度的操纵有效性通过询问被试对平台所提供信息的清晰度、充分性和易理解性的感知来检验[24]。价格歧视感知的测量参照了吴志艳等学者的研究成果[11]，包含4个题项。
实验材料主要包括刺激物产品、消费者教育刺激材料和信息透明刺激材料。为选取合适的刺激物产品，本研究基于前期文献筛选出5类常涉及“大数据杀熟”的产品（如机票、外卖、酒店等）[6,25]。随后，针对这5类产品，对30名受邀者进行了一项专门的问卷调查，评估各类产品作为实验刺激物的适宜性。为确保预调研人群的代表性，这30名受邀者在核心特征上与后续主实验的参与者群体保持一致：他们均为青年消费者（年龄集中在26—35岁），且拥有较高的网络购物频率（平均每周2—3次）。这些特征上的共性保证了产品筛选结果对于主实验样本的有效性。该问卷围绕被试感知的产品遭遇“大数据杀熟”的可能性、对产品的日常熟悉程度等核心维度进行提问，所有问题均采用李克特7点量表进行测量。各项产品的具体评分结果如图2所示。基于该调研结果，最终选定“美食套餐/外卖”作为本实验的刺激物产品。实验情景据此设计为在某聚合型生活服务平台订购该“美食套餐/外卖”。
图2 产品筛选

Figure 2 Product filter

消费者教育刺激材料用于操纵消费者教育干预（具体材料详见表2）。教育干预组的被试会阅读一份详细介绍“大数据杀熟”的材料，涵盖该现象的定义、主要特征等内容。而无教育干预组的被试则阅读一份内容中性的“订餐指南”，仅介绍平台订餐的一般流程。
表2 消费者教育材料（实验一）

Table 2 Consumer education materials (experiment 1)

组别 材料类型 具体内容

有教育干预组

（实验组）

 文字材料

“大数据杀熟”本质是依托算法实施的价格歧视行为。企业通过采集用户消费记录、设备信息、浏览轨迹等数据，构建差异化定价体系，其核心特征表现为：

（一）数据驱动定价。平台深度分析用户订单频率、设备型号、搜索偏好等行为特征，划分消费者画像。

（二）动态价格机制。价格随供需实时波动，如高峰时段抬价、针对沉默用户降价刺激消费。

（三）规则隐蔽性强。定价逻辑缺乏透明度，用户难以追溯价格差异根源。

具体呈现四大典型场景：①新老用户价差，常见于外卖/网约车领域，如新用户享30元套餐而老用户需支付49元；②设备渠道区别，苹果用户视频会员费高于安卓用户，APP端酒店价格普遍高于网页端；③行为轨迹调价，频繁搜索商品后价格攀升，久未消费推送“专属折扣”；④优惠定向排斥，餐饮平台向低频用户发放20元新客券却屏蔽高消费群体。

应对策略可循四重路径：首先交叉核价，通过新注册账号、亲友设备（iOS/Android交替使用）、无痕浏览模式多维度验证价格；其次善用工具，安装比价插件监控历史价格走势，跨平台对比携程/飞猪、美团/饿了么等渠道差价；再者关注条款，重点查阅隐私政策中“数据使用”条款，警惕“动态定价”等模糊表述；最后理性辨惠，审慎对待“限时特惠”“专属福利”等营销话术，建立消费预警机制。

图片材料

无教育干预组

（控制组）

 文字材料

这是一份平台订餐指南，具体说明如下：

（一）精准搜索。在首页搜索栏输入菜品关键词（如“轻食沙拉”），可精准匹配商家。进阶筛选技巧：点击“排序”优先查看4.8分以上高口碑店铺，叠加“30—50元”价格区间过滤，实现品质与性价比双重把控。需快速获取周边商户时，切换“距离最近”排序可缩短配送时长。

（二）优惠攻略。每日签到：登录后点击首页右下角签到图标，连续3日领5元通用券，建议设置定时提醒防止中断。社交裂变：进入“我的钱包”→“分享红包”，选择微信/QQ社群传播，每次成功分享可获1—10元随机红包（与好友共享权益），活跃社群领取率更高。

（三）订单管理。问题反馈路径：进入“我的订单”→选定问题订单→点击“投诉反馈”。操作要点：①明确选择投诉类型（配送超时/餐品不符）；②简明描述细节（如“迟到25分钟”）；③上传餐品照片或聊天截图佐证。投诉提交后可在“投诉记录”中实时跟踪进度，平台承诺24小时内通过站内信/电话协商补偿方案（退款/补券）。

图片材料
信息透明刺激材料用于操纵信息透明度的水平（具体材料详见表3）。在高信息透明度组中，被试在美食套餐订购页面除了能看到基础的产品信息外，还会接触到一系列详尽的补充信息，包括该套餐的详细优缺点分析、近期的价格波动范围示意等。而在低信息透明度组中，被试看到的订购页面仅包含套餐的图片、当前价格、销量和评分等基本要素，缺乏关于价格如何形成的详细说明及完整的用户评论信息。
表3 信息透明度材料（实验一）

Table 3 Information transparency materials (experiment 1)

组别 材料类型 具体内容

高信息透明度组

（实验组）

 文字材料

该平台为聚合型生活服务平台，覆盖餐饮外卖、酒店旅游、票务预订等多元消费场景。您现在打算用该平台订购一份美食套餐。在首页，您看见“今日推荐”模块上主推的川菜“2—3人超值套餐”，随后，您点进套餐详情页，阅读了包含套餐图片、优缺点、价格、销量、评论、评分（统一设定为4.8分，2 000+人购买）的一系列内容，优缺点如“色味俱佳”“人流量大”等。此外，您还注意到其中一条评论：“用餐很愉快，菜品量足，味道很好，不过我朋友是新用户，他那边显示的价格比我的要更划算一些，就用他的号订餐了”。

与此同时，您在套餐价格旁看到了如下标注：“本价格根据您的历史订单数据生成，不同用户可能看到不同价格。点击[查看价格差异原因]了解详情。”您点击之后，页面显示新用户价格（¥260）与老用户价格（¥380）的对比，标注解释差异原因为“基于用户活跃度优化定价”。此外，页面底部标注“我们承诺透明使用您的数据”，并链接至简化版隐私政策。

最后，在结算页面，您可以看到平台提供给您的最终支付价格与“确认订单”按钮，无真实支付环节。

图片材料

低信息透明度组

（控制组）

 文字材料

该平台为聚合型生活服务平台，覆盖餐饮外卖、酒店旅游、票务预订等多元消费场景。您现在打算用该平台订购一份美食套餐。在首页，您看见“今日推荐”模块上主推的川菜“2—3人超值套餐”，随后，您点进套餐详情页，阅读了包含套餐图片、价格、销量、评分（统一设定为4.8分，2 000+人购买）的一系列内容。套餐价格仅显示“¥380”，无附加说明，也无“查看价格差异”按钮。不过，您在详情页底部看到了如下的标注：“价格可能因活动调整，最终以结算页为准。”

最后，在结算页面，您可以看到平台提供给您的最终支付价格与“确认订单”按钮，无真实支付环节。

图片材料

3.1.3 预实验

为确保主实验中刺激材料的有效性和问卷的可理解性，本研究于2025年4月招募了100名在校大学生作为参与者进行了一项预实验，参与者被随机分配阅读4组实验材料中的一种，并完成与主实验相同的测量问卷。
预实验结果显示，消费者教育的操纵是有效的：接受教育干预的参与者对“大数据杀熟”相关知识的理解程度显著高于未接受干预的参与者（M有教育 = 5.78, SD = 0.73 vs M无教育= 2.91, SD = 1.22; t(98) = 8.79, p <0.001）。同样，信息透明度的操纵也达到了预期效果：高信息透明度组的参与者感知到的信息透明度显著高于低信息透明度组（M高透明度= 4.48, SD = 0.65 vs M低透明度= 2.85, SD = 0.88; t(98) = 6.85, p <0.001）。此外，各测量量表的初步信度分析显示Cronbach's α系数均大于0.7。这些结果表明实验材料的设计和测量工具基本合理，可用于主实验。

3.1.4 主实验流程

首先，参与者被告知将参与一项关于在线消费体验的模拟研究，并确保其匿名性。在同意参与后，他们会根据随机分配的结果，接触到相应的消费者教育材料：教育干预组的参与者阅读关于“大数据杀熟”的详细介绍材料；无教育干预组的参与者则阅读一份中性的订餐指南。完成阅读后，所有参与者都进入模拟的在线订购“美食套餐/外卖”的场景。在此场景中，他们会接触到对应其所在组别的信息透明度材料：高信息透明度组会看到包含详细定价说明、价格波动范围等信息的订购页面；低信息透明度组则只看到包含基本产品信息和价格的页面。在仔细浏览完所有实验情境信息后，参与者需要完成一份在线问卷，该问卷包括对价格歧视感知的测量、对消费者教育和信息透明度操纵效果的检验题项，以及基本的人口统计学信息。

3.1.5 主实验结果及分析

基于实验一收集的140份有效问卷，对消费者教育、信息透明度和价格歧视感知3个核心变量的测量量表进行了信效度分析。结果显示，各量表的Cronbach's α系数均大于0.86，KMO值均大于0.74，且Bartlett球形度检验均显著（p<0.001），表明所用量表具有良好的信度和结构效度。
操纵检验采用独立样本t检验。结果显示，消费者教育干预组的教育感知得分（M=5.80，SD=0.67）显著高于无干预组（M=2.89，SD=1.17；p<0.001）；高信息透明度组的透明度感知得分（M=4.50，SD=0.68）亦显著高于低透明度组（M=2.90，SD=0.90；p<0.001）。这表明实验对消费者教育和信息透明度的操纵均成功有效。
为检验H1、H1a和H1b，采用双因素方差分析（ANOVA）考察消费者教育和信息透明度对价格歧视感知的交互效应。结果如表4所示，消费者教育与信息透明度的交互效应显著（F(1,136)=8.502，p=0.004，Partial η2=0.059；调整后R2=0.316），这初步支持了H1。
表4 主体间效应检验（实验一）

Table 4 Test of between-subjects effects (experiment 1)

源 III类平方和（SS） 自由度（df） 均方（MS） F检验值（F） 显著性水平（p） 偏Eta平方（Partial η2）
修正模型 80.501a 3 26.834 22.413 ＜0.001 0.331
截距 3 956.486 1 3 956.486 3 304.665 ＜0.001 0.960
消费者教育 48.911 1 48.911 40.853 ＜0.001 0.231
信息透明度 21.411 1 21.411 17.884 ＜0.001 0.116
消费者教育*信息透明度 10.179 1 10.179 8.502 0.004 0.059
误差 162.825 136 1.197
总计 4 199.813 140
修正后总计 243.326 139

注：因变量为价格歧视感知；a.R2=0.331(调整后R2=0.316)。

为确定不同教育水平下不同信息透明度对消费者价格歧视感知的影响，通过实验数据分组的均值效应分析如图3和图4所示，效果显著。在无教育干预组中，高信息透明度组的价格歧视感知得分显著高于低信息透明度组（M高透明＝5.39，SD＝1.00 vs M低透明＝4.06，SD＝1.71）；在有教育干预组中，高信息透明度组的价格歧视感知得分也显著高于低信息透明度组（M高透明＝6.03，SD＝0.55 vs M低透明＝5.79，SD＝0.74），证明了在不同教育水平之下，信息透明度的提高会显著增强消费者对价格歧视的感知。同理，也证明了在不同信息透明度水平之下，教育干预也会显著增强消费者对价格歧视的感知。实验结果验证了假设H1a和H1b，即信息透明度的提高或消费者教育的加强均能增强消费者对“大数据杀熟”的感知能力，且两者存在协同增强效应。
图3 不同消费者教育水平与信息透明度高低的交互作用对价格歧视感知的影响（实验一）

Figure 3 The interaction between consumer education levels and information transparency on price discrimination perception (Experiment 1)

图4 不同信息透明度与消费者教育干预有无的交互作用对价格歧视感知的影响（实验一）

Figure 4 The interaction effect of different levels of information transparency and the presence or absence of consumer education interventions on perceptions of price discrimination (Experiment 1)

3.1.6 小结与讨论

实验一的结果清晰地揭示了消费者教育与信息透明度在提升价格歧视感知上的协同增效关系，而非简单的线性叠加。这一发现为信息处理理论在算法定价治理领域的应用提供了有力的实证支持。根据该理论，消费者的决策质量取决于信息获取的机会、处理信息的能力和动机。在本研究中，提升信息透明度为消费者提供了审查和评估价格的“机会”；而消费者教育则直接增强了其识别复杂定价逻辑的“能力”与主动进行审慎判断的“动机”。结果的深层含义在于，这3个要素相辅相成，缺一不可。仅有透明的信息（机会）而消费者不具备解读能力或缺乏警觉性（能力/动机），信息披露将流于形式；反之，消费者空有辨别能力却无从获取关键的定价信息，亦是无的放矢。因此，当两者结合时，消费者才能最有效地将外部信息线索内化为对歧视行为的精准感知，从而证实了治理策略的交互效应。
这一结论深刻地启示我们，任何单一维度的治理方案，无论是强制平台披露信息，还是单纯面向消费者进行宣传教育，其效果都将是有限的，构建“信息赋权”与“认知赋能”并行的双轨治理框架才是破解“大数据杀熟”困境的关键所在。

3.2 实验二：信息透明与消费者教育的交互效应

3.2.1 参与者与实验设计

实验二与实验一相同，采用在线情景实验方式收集数据。本研究通过在线渠道招募250名被试，在剔除无效问卷后，获得200份有效数据。被试的人口统计学特征与实验一相似，确保了样本的代表性。
实验继续采用2（有教育干预vs无教育干预）×2（高信息透明度vs低信息透明度）的完全随机组间实验设计，200名被试被随机分配至4个实验组，每组50人。

3.2.2 变量测量和刺激物材料

实验二的核心测量变量在实验一的基础上新增了中介变量价格公平感知。所有量表题项均采用李克特7点量表（1=非常不同意，7=非常同意）进行测量（具体测量题项详见表5）。
表5 量表来源及具体测项（实验二）

Table 5 Source and specific items of the scale (experiment 2)

变量 参考来源 题项
价格公平感知

L. Xia等，2004[21]；

W. C. Martin等，2009[22]

（1）我认为该平台呈现给我的酒店价格是公平的

（2）我认为该平台呈现给我的酒店价格是合理的

（3）我认为该平台呈现给我的酒店价格是可以接受的

其中，消费者教育、信息透明度和价格歧视感知的测量量表与实验一相同（具体测量题项详见表1）。价格公平感知作为本实验的关键中介变量，其测量方法借鉴了学者L. Xia等、W. C. Martin等的研究成果[21-22]，并结合在线酒店预订的特定情境进行了适应性修订，共包含3个题项。这些题项旨在评估被试对平台所呈现酒店价格的公平性、合理性和可接受性的主观判断。
实验材料的设计思路与实验一基本一致，但为增强研究结论的外部效度和稳健性，本次实验更换了刺激物产品。基于实验一前的预调研中对5类产品的评分结果，实验二选取了评分排名第二且与实验一餐饮业不同的住宿服务行业产品——“网上预订酒店房间”作为刺激物产品。这有助于拓展研究结论的适用行业范围。实验情景相应设计为在某在线平台预订酒店房间的场景。
消费者教育刺激材料与实验一类似，为操纵消费者教育干预，设计了两种刺激材料。教育干预组的材料与实验一相同（具体材料详见表2）；无教育干预组则提供一份关于平台预订酒店流程的中性操作指南（具体材料详见表6）。信息透明刺激材料为操纵信息透明度水平，围绕酒店预订情景设计了不同版本的信息呈现方式（具体材料详见表7）。高信息透明度组提供详尽的酒店预订信息，低信息透明度组则仅提供房型图片、价格等基本信息。
表6 消费者教育材料（实验二）

Table 6 Consumer education materials (experiment 2)

组别 材料类型 具体内容

无教育干预组

（控制组）

 文字材料

欢迎使用“生活享（LifeJoy）”平台！本指南将详细介绍如何高效完成酒店预订，助您轻松规划行程。

（一）智能筛选。定位检索：首页点击“酒店”→输入城市（如北京）→选择入住/离店日期；条件设置：拖动价格滑块（如300—500元/晚）；勾选酒店类型（经济型/豪华型）；标注设施需求（Wi-Fi/早餐）；排序优化：启用“智能排序”，按评分/距离市中心优先推荐高质酒店。

（二）详情核验。列表页：快速比对酒店缩略图、基础价、评分、评价基数。详情页：房型对比——大床房/双床房价格及设施差异；实景图集——滑动查看客房/周边环境高清图；评价系统——筛选“最新/好评/差评”查看真实体验。

（三）订单支付。信息确认：填写入住人姓名、电话→勾选发票需求→二次核验日期/房型。支付闭环：提交订单后跳转支付宝/微信/银联支付→成功即收确认短信（入住凭证）。

（四）售后管理。状态追踪：“我的订单”页查看待入住/已完成状态，获取酒店地址/联系方式；变更规则：点击修改/取消订单→按政策处理（部分收取手续费）；应急通道：到店无房等异常→“在线客服”或致电400-XXX-XXXX（提供订单号优先处理）。

图片材料
表7 信息透明度材料（实验二）

Table 7 Information transparency materials (experiment 2)

组别 材料类型 具体内容

高信息透明度组

（实验组）

 文字材料

该平台为聚合型生活服务平台，覆盖餐饮外卖、酒店旅游、票务预订等多元消费场景。当您预订某酒店时，页面核心信息呈现如下：

（一）定价信息。房型列表顶部标注实时价1 860元/晚，并注明“价格基于浏览历史、设备类型动态生成”。点击“查看其他用户价格”对比：新用户价760元（首次浏览专属）；老用户价1 860元（依据历史消费数据）。

（二）酒店优缺点介绍。本酒店位于市中心核心商圈，步行可达地铁枢纽及地标景点，客房配备智能温控系统、高端卫浴及全景落地窗，行政酒廊与24小时管家服务彰显品质。需注意：旺季需提前21天预订确保房源；部分增值服务（如SPA护理、专车接送）另行收费。推荐商旅精英及深度度假客群优先选择。

（三）差异说明。活跃用户可享会员权益，长期消费不触发低价策略。

（四）用户评论筛选。评论关键词显示为“新用户优惠”“性价比高”等，例如，其中有一条是：“酒店服务热情，卫生干净整洁，房间宽敞温馨，性价比很高，我朋友是新用户，订房间还优惠了不少。”

（五）数据透明度。底部固定栏声明“设备型号、搜索记录用于优化定价”，链接《数据使用规则》明确采集范围。多次刷新页面时，顶部提示“价格因供需/行为变化已更新至1 860元”。

（六）辅助决策工具。详情页提供的价格趋势图展示了30天内波动节点及原因标注。最后，在结算页面，您可以看到平台提供给您的最终支付价格与“确认订单”按钮，无真实支付环节。

图片材料

低信息透明度组

（控制组）

 文字材料

该平台为聚合型生活服务平台，覆盖餐饮外卖、酒店旅游、票务预订等多元消费场景。当您预订某酒店时，页面核心信息呈现如下：

酒店详情页仅标注统一价1 860元/晚，无新老用户价差提示；详情页未配置价格趋势图，仅保留房型、评分等基础参数，且在您多次刷新、重复浏览后价格仍恒定保持在1 860元；页面底部浮动声明“价格可能因活动/供需调整”，未关联隐私政策及数据使用条款；缺乏比价提示与动态定价依据说明。最后，在结算页面，您可以看到平台提供给您的最终支付价格与“确认订单”按钮，无真实支付环节。

图片材料

3.2.3 预实验

为确保实验二刺激材料的有效性，本研究同样进行了一项预实验，于2025年4月招募了100名在校大学生作为参与者。参与者被随机分配来阅读4组实验材料中的一种，并完成相应的测量问卷。
预实验结果显示，消费者教育的操纵是有效的：接受教育干预的参与者对“大数据杀熟”相关知识的理解程度显著高于未接受干预的参与者（M有教育= 5.97, SD = 0.52 vs M无教育= 3.65, SD = 1.28; t(98) = 11.74, p <0.001）。信息透明度的操纵也达到预期效果，高信息透明度组的参与者感知到的信息透明度显著高于低信息透明度组（M高透明度= 5.49, SD = 0.78 vs M低透明度= 3.40, SD = 1.01; t(98) = 11.18, p <0.001）。此外，新增的价格公平感知量表及其他沿用量表的初步信度分析显示，Cronbach's α系数均大于0.8。这些结果表明实验二的材料设计和测量工具同样合理有效。

3.2.4 主实验流程

实验二的流程与实验一基本一致。参与者在同意参与后，根据随机分配结果，依次接触相应的消费者教育材料和信息透明度材料，然后在模拟的在线预订酒店房间场景下完成包含核心变量测量、操纵检验题项及人口统计学信息的问卷。

3.2.5 主实验结果及分析

实验二共收集200份有效问卷。对消费者教育、信息透明度、价格公平感知及价格歧视感知4个核心变量的测量显示，各量表的Cronbach's α系数均大于0.86，KMO值均大于0.74，且Bartlett球形度检验均显著（p<0.001），表明所用量表具有良好的信度和结构效度。
操纵检验结果再次确认，消费者教育干预效果显著（M有教育＝6.00 vs M无教育＝3.43, p < 0.001）；信息透明度水平的操纵亦成功（M高透明度＝5.49 vs M低透明度＝3.26, p < 0.001）。
双因素方差分析结果如表8所示，消费者教育与信息透明度对价格歧视感知的交互效应显著（调整后R2=0.303；F(1, 196)=6.257，p=0.013，Partial η2=0.031），进一步支持H1。
表8 主体间效应检验（实验二）

Table 8 Test of between-subjects effects (experiment 2)

源 SS df MS F p 偏η2
修正模型 99.406a 3 33.135 29.883 ＜0.001 0.314
截距 5 307.075 1 5 307.075 4 786.181 ＜0.001 0.961
消费者教育 56.978 1 56.978 51.385 ＜0.001 0.208
信息透明度 35.490 1 35.490 32.007 ＜0.001 0.140
消费者教育*信息透明度 6.938 1 6.938 6.257 0.013 0.031
误差 217.331 196 1.109
总计 5 623.813 200
修正后总计 316.737 199

注：因变量为价格歧视感知；a.R2=0.314(调整后R2=0.303)。

简单效应分析结果如图5、图6所示，与实验一结论一致，验证了H1a和H1b，再次证实了信息透明度与消费者教育在增强消费者对“大数据杀熟”识别能力上的协同作用，提升了研究结论的稳健性。
图5 不同消费者教育水平与信息透明度高低的交互作用对价格歧视感知的影响（实验二）

Figure 5 The interaction between consumer education levels and information transparency on price discrimination perception (Experiment 2)

图6 不同信息透明度与消费者教育有无的交互作用对价格歧视感知的影响（实验二）

Figure 6 The interaction effect of different levels of information transparency and the presence or absence of consumer education interventions on perceptions of price discrimination (Experiment 2)

为检验价格公平感知的中介作用，本研究采用Bootstrap程序（Process插件Model 4，样本量5000）进行分析[26]。结果如表9显示，价格公平感知在消费者教育与信息透明度的交互作用对价格歧视感知影响中的间接效应显著且为负（Effect=-0.3314，95% BootCI [-0.5666, -0.1255]）。这表明，虽然消费者教育与信息透明度的交互作用直接增强了对价格歧视的感知，但此过程中若消费者的价格公平感知增强，则反而会缓解其对价格歧视的感知。因此，H2得到验证，价格公平感知在交互效应与价格歧视感知之间起部分中介作用，并揭示了消费者在信息更充分时可能通过公平性框架评估价格差异，从而减少负面歧视感知的复杂心理机制[27-28]。
表9 价格公平感知的中介效应检验

Table 9 Test of the mediating effect of perceived price fairness

项 效应 效应值 BootSE Boot95%CI 结论
LLCI ULCI
消费者教育*信息透明度=>价格歧视感知 总效应 0.476 7 0.189 7 0.102 5 0.850 9 中介效应
消费者教育*信息透明度=>价格歧视感知 直接效应 0.808 1 0.166 6 0.479 5 1.136 7
消费者教育*信息透明度=>价格公平感知=>价格歧视感知 间接效应 -0.331 4 0.112 6 -0.566 6 -0.125 5

3.2.6 小结与讨论

实验二在复现交互效应的同时，通过引入价格公平感知，成功揭示了治理策略影响消费者感知的内在双重心理路径，从而深化了研究结论。结果显示，价格公平感知在其中扮演了部分中介角色，且间接效应为负。这一发现看似矛盾，实则深刻。
其深层机理在于，信息透明与消费者教育的协同作用同时激活了两条并行的心理通路：一是直接的“警觉路径”，即增强的知识和信息使消费者能更敏锐地“察觉”到价格差异的存在，从而直接推高了价格歧视感知（H1的直接效应）；二是间接的“理解路径”，即当信息透明时不仅暴露了差异，还提供了对差异原因的解释（如“基于用户活跃度优化定价”），受过教育的消费者更有能力去评估这些解释的合理性。依据公平理论，这种对定价程序的了解和理解，可能提升了消费者对价格的程序公平感知，使其认为价格差异在一定程度上是“可接受的”或“合理的”，这反过来缓冲或削弱了他们对歧视的最终负面判断（H2的负向中介效应）。这与先前研究中关于信息透明和消费者理解力可能促使其从公平性框架评估价格差异，从而减少负面归因的观点相符[27-28]。
这一发现的价值在于，它揭示了消费者在信息充分时的复杂权衡过程：他们并非非黑即白地将所有价格差异都归为恶意“杀熟”，而是会尝试区分合理的、基于规则的动态定价与不公平的、基于身份的歧视定价。因此，治理“大数据杀熟”的启示也更为精细化：监管目标不应是消除所有价格差异，而是推动平台建立公平、透明且可解释的定价机制。对平台而言，这意味着“藏匿”并非上策，以清晰、合理的方式解释定价逻辑，反而可能在提升消费者警觉性的同时，赢得他们对价格公平性的认可，从而构建更可持续的信任关系。

4 结论、启示与展望/Conclusions, implications, and outlook

4.1 研究结论

本研究通过两个情景实验，系统探讨了消费者教育与信息透明度对“大数据杀熟”感知的交互影响及其内在机制，得出以下3点核心结论。
（1）消费者教育与信息透明度对价格歧视的感知存在显著的协同增效作用。研究证实，无论是单独提升平台的信息透明度，还是对消费者进行专项教育，均能有效提升其对“大数据杀熟”的识别能力。而当两种策略结合时，其提升效果并非简单相加，而是表现出“1+1>2”的协同增强效应。
（2）交互效应的具体形式表现为：在高消费者教育水平下，信息透明度对价格歧视感知的提升作用更为显著；反之亦然（支持H1a与H1b）。这说明，消费者提高自身的知识储备与判断能力，是其有效利用外部透明信息的关键前提。只有当消费者具备了解读和审视信息的能力时，平台的信息披露才能使其治理效能最大化。
（3）价格公平感知在上述交互影响中扮演了带有负向效应的部分中介角色，揭示了消费者“警觉”与“理解”并存的复杂心理。研究发现，信息透明与消费者教育的协同作用在直接增强消费者“警觉性”、提升其歧视感知的同时，也可能因提供了定价的合理解释而增强消费者对程序公平的“理解”，进而提升其价格公平感知。这种公平感的增强会反过来部分地、间接地削弱消费者最终的负面歧视感。

4.2 理论贡献

本研究主要具有以下理论贡献。
（1）通过验证消费者教育与信息透明度的交互效应，拓展了信息不对称理论在数字经济和算法定价情境中的应用，指出了克服信息劣势的复合路径。
（2）揭示了价格公平感知在信息透明度与消费者教育影响价格歧视感知过程中的中介机制，增强了公平理论对数字环境下消费者行为决策的解释力，特别是阐明了消费者在理解定价逻辑后公平感提升进而减弱歧视感知的心理路径。
（3）为信息处理理论在算法歧视认知领域的应用提供了实证支持，阐释了信息“机会”、处理“能力”与“动机”的交互匹配如何影响复杂决策。
（4）为消费者行为学研究提供了新视角，阐明了消费者教育和信息透明度如何通过影响价格公平感知来塑造消费者对定价实践的认知。

4.3 实践启示与治理策略建议

本研究通过微观层面的情景实验，揭示了消费者在面对“大数据杀熟”时复杂的心理反应机制，这些发现为宏观层面的治理策略设计提供了坚实的实证基础和富有洞察的实践启示。我们基于研究结论，提出以下4点层层递进的治理策略建议：

4.3.1 推行“双轨并行”治理，破除单一策略局限性

本研究的核心发现是，信息透明度与消费者教育在提升价格歧视感知上存在显著的协同增效作用（H1），即“1+1>2”。这一结论为治理策略的设计提供了直接的实证指引：任何“单兵突进”式的治理方案，无论是单纯强制平台信息公开，还是孤立地开展消费者宣传教育，其效果都将大打折扣。因此，未来的治理框架必须从“单轨”转向“双轨并行”。一方面，监管机构应制定并严格执行强制性的平台信息透明标准，要求平台清晰披露个性化定价的基本逻辑与数据使用规则；另一方面，必须联动教育部门、市场监管部门、消费者协会乃至主流媒体，将数字消费风险（特别是算法定价）纳入国民数字素养教育体系，开展常态化、场景化的消费者赋能活动。尤其需要弥补用户在算法知识与技能、批判性思维等方面的普遍短板[29]。因此，相关教育活动应重点关注这些方面，提升消费者理性看待和有效规制算法的能力。

4.3.2 倡导“可解释性公平”，引导市场良性互动

本研究的另一关键发现是，价格公平感知在治理策略与歧视感知的关系中扮演了带有负向效应的部分中介角色（H2）。这揭示了一个深刻的治理内涵：治理的最终目的不应是激化消费者对一切价格差异的对立情绪，而是要帮助其区分“合理的个性化服务”与“恶意的歧视性定价”。当消费者能够理解价格差异背后的合理逻辑时，其公平感知会提升，反而会缓冲最终的负面判断。因此，我们建议推行一种“可解释性公平”的治理新范式。监管策略不应仅仅停留在要求平台“告知价格不同”，更应鼓励和引导平台建立一套能够向消费者清晰解释其定价合理性的机制。例如，平台可以主动说明“本次价格基于实时供需动态调整”或“您享受了专属的忠诚客户折扣”，这种基于可解释理由的透明化，有助于将企业的定价行为从“黑箱”转变为与消费者沟通的桥梁，从而在保护消费者权益的同时，构建更具韧性和信任的市场关系。

4.3.3 构建“数据驱动”的协同监测体系，实现精准长效治理

本研究的理论模型本身为长效协同治理提供了一个可操作的监测框架。传统的治理模式多为静态的、滞后的，而“大数据杀熟”行为具有动态、隐蔽的特点。为此，建议构建一个由政府监管部门牵头，联合第三方研究机构、消费者组织和平台企业共同参与的数据驱动型协同治理监测平台，进而形成依赖算法生产者、使用者和监管者等多方主体算法素养提升的协同共治路径[30]。该平台可将本研究的核心变量转化为长效监测指标：定期通过技术审计与社会调查，评估市场上主流平台的信息透明度指数和不同消费者群体的数字风险素养水平；同时，持续追踪消费者关于价格歧视的投诉率与满意度。通过分析这些关键指标的动态关联，治理者可以更精准地评估现有政策的效果，预判市场风险，实现从“一刀切”式监管到“精准滴灌”式协同治理的转变。

4.3.4 推动“设计向善”的标准化，变“形式透明”为“实质透明”

最后，本研究的实验设计过程本身也蕴含着重要的治理启示。取得良好实验结果的前提是我们为被试提供了清晰、直观、易懂的“高信息透明度”情景。这警示我们，现实中的治理不能止于要求平台“提供”信息，更要规制其“如何提供”。许多平台利用冗长晦涩的隐私条款或价格协议来敷衍塞责，通过设置推诿责任、一揽子授权等“霸王条款”诱导用户默认同意[31]，这是一种无效的“形式主义透明”。因此，监管机构应牵头制定信息透明的标准化用户界面和用户体验指南，推动“设计向善”的行业实践。例如，可强制要求平台在价格旁设置一个标准的、可点击的“价格说明”图标，点击后以简明图文弹窗解释定价的关键因素。这将我们实验中的“理想情景”转化为所有平台的“最低标准”，真正将选择权与知情权以一种实质性、可用性的方式交还给消费者，杜绝平台利用复杂设计来规避其透明化责任。

4.4 研究局限和未来展望

本研究仍存局限：一是研究样本主要为年轻网购群体，结论向其他年龄段消费者的普适性尚待检验；二是实验室情景与真实、动态的在线市场环境存在差异，未能完全捕捉现实交易的复杂性；三是实验中的教育干预与信息透明度操纵时间较短，可能未能充分展现其长期效应。
未来，建议进一步扩展研究样本的异质性与代表性，并考虑采用实地实验或追踪研究，以考察信息透明与数字素养教育在真实市场环境下的长期效果。此外，深入探究文化背景[32]、平台类型（电商、出行等）以及个体心理特质等因素对核心效应的调节作用，并结合大数据分析评估相关治理措施的成本与效益，将是丰富和深化本领域研究的关键方向。

陈璟浩：提出研究构思，进行正式分析，获取经费资助，设计研究方法，指导研究过程；

邓至媛：管理实验数据，进行正式分析，开展调查工作，完成数据可视化，撰写论文初稿；

陈一德：进行正式分析，验证实验结果，开展调查工作，修改论文并定稿。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
李飞翔. “大数据杀熟”背后的伦理审思、治理与启示[J]. 东北大学学报(社会科学版), 2020, 22(1): 7-15.

LI F X. Ethical reflections, governance and implications under the background of big data price discrimination[J]. Journal of Northeastern University (social science edition), 2020, 22(1): 7-15.

[2]
梁正, 曾雄. “大数据杀熟”的政策应对: 行为定性、监管困境与治理出路[J]. 科技与法律(中英文), 2021(2): 8-14.

LIANG Z, ZENG X. Policies for "using big-data analysis to swindle existing customers": its legal attribute, regulation difficulties and governance approaches[J]. Science technology and law, 2021, (2): 8-14.

[3]
汪庆华. 算法透明的多重维度和算法问责[J]. 比较法研究, 2020(6): 163-173.

WANG Q H. The multiple dimensions of algorithmic transparency and algorithmic accountability[J]. Journal of comparative law, 2020(6): 163-173.

[4]
ZARSKY T. The trouble with algorithmic decisions: an analytic road map to examine efficiency and fairness in automated and opaque decision making[J]. Science, technology & human values, 2016, 41(1): 118-132.

[5]
许明月, 陈小维. “大数据杀熟”行为的法律规制——以消费者权益保护为视角 [J]. 西南石油大学学报(社会科学版), 2021, 23(6): 72-80.

XU M Y, CHEN X W. Legal regulation of "big data discriminatory pricing": a discussion from the perspective of consumer protection[J]. Journal of Southwest Petroleum University (social science edition), 2021, 23(6): 72-80.

[6]
王秋梅. “大数据杀熟”的演变轨迹、治理困境与协同共治[J]. 南京邮电大学学报(社会科学版), 2025, 27(3):72-79, 108.

WANG Q M. The evolution trajectory, governance dilemma and collaborative governance of "big data price discrimination"[J]. Journal of Nanjing University of Posts and Telecommunications (social science edition), 2025, 27(3):72-79, 108.

[7]
AKERLOF G. The market for "lemons": quality uncertainty and the market mechanism [M]//ESTRIN S, MARIN A. Essential readings in economics. London: Macmillan Education, 1995: 175-188.

[8]
承上. 人工智能时代个性化定价行为的反垄断规制——从大数据杀熟展开[J]. 中国流通经济, 2020, 34(5): 121-8.

CHENG S. Antitrust enforcement against personalized pricing in the artificial intelligence era: starting from the big data-enabled price discrimination[J]. China circulation economy, 2020, 34(5): 121-128.

[9]
胡元聪, 冯一帆. 大数据杀熟中消费者公平交易权保护探究[J]. 陕西师范大学学报(哲学社会科学版), 2022, 51(1): 161-76.

HU Y C, FENG Y F. An explanation as to the protection of the consumer's fair trading right in differential pricing by big data technology[J]. Journal of Shaanxi Normal University (philosophy and social sciences edition), 2022, 51(1): 161-176.

[10]
姚佳. 个人信息主体的权利体系——基于数字时代个体权利的多维观察[J]. 华东政法大学学报, 2022, 25(2): 87-99.

YAO J. The right system of personal information subject: a multi-dimensional observation of individual rights in the digital age[J]. Journal of East China University of Political Science and Law, 2022, 25(2): 87-99.

[11]
吴志艳, 罗继锋. 算法价格歧视和顾客感知背叛[J]. 上海对外经贸大学学报, 2022, 29(5): 108-124.

WU Z Y, LUO J F. Algorithmic price discrimination and customer perceived betrayal[J]. Journal of Shanghai University of International Business and Economics, 2022, 29(5): 108-124.

[12]
张惠舒, 赵宇翔, 宋士杰. 信息弱势群体算法素养的形成机理与影响因素——以短视频平台为例[J]. 图书情报知识, 2024, 41(2): 127-137.

ZHANG H S, ZHAO Y X, SONG S J. The formation mechanism and influencing factors of algorithmic literacy of information vulnerable groups: evidence from short video platforms[J]. Documentation, information & knowledge, 2024, 41(2): 127-137.

[13]
郑鹏程, 龙森. 公共性视角下平台“大数据杀熟”的规制逻辑与路径[J]. 吉首大学学报(社会科学版), 2022, 43(6): 29-40.

ZHENG P C, LONG S. The regulatory logic and path of "big data price discrimination" by platforms from the perspective of publicity[J]. Journal of Jishou University (social sciences edition), 2022, 43(6): 29-40.

[14]
郑海英. 数字经济时代电商平台定价策略选择研究——基于价格透明度的分析[J]. 价格理论与实践, 2019(11): 121-124.

ZHENG H Y. Research on pricing strategy selection of e-commerce platform in the era of digital economy: analysis based on price transparency[J]. Price: theory & practice, 2019(11): 121-124.

[15]
FERGUSON J, ELLEN P. Transparency in pricing and its effect on perceived price fairness [J]. Journal of product and brand management, 2013, 22(5/6): 404-412.

[16]
苏岚岚, 彭艳玲. 数字化教育、数字素养与农民数字生活[J]. 华南农业大学学报(社会科学版), 2021, 20(3): 27-40.

SU L L, PENG Y L. Digital education, digital literacy and farmers' participation in digital life[J]. Journal of South China Agricultural University (social science edition), 2021, 20(3): 27-40.

[17]
NGUYEN T Q, NGOC P T A, PHUONG H A, et al. Digital competence of Vietnamese citizens: an application of digcomp framework and the role of individual factors[J]. Education and information technologies, 2024, 29(15): 19267-19298.

[18]
TINMAZ H, LEE Y-T, FANEA-IVANOVICI M, et al. A systematic review on digital literacy[J]. Smart learning environments, 2022, 9(1): 21.

[19]
BETTMAN J. An information processing theory of choice[M]. Reading: Addison-Wesley, 1979.

[20]
ADAMS J. Toward an understanding of inequity[J]. The journal of abnormal and social psychology, 1963, 67(5): 422-436.

[21]
XIA L, MONROE K, COX J, et al. The price is unfair! a conceptual framework of price fairness perceptions[J]. Journal of marketing, 2004, 68(4): 1-15.

[22]
MARTIN W C, PONDER N, LUEG J E. Price fairness perceptions and customer loyalty in a retail context[J]. Journal of business research, 2009, 62(6): 588-593.

[23]
邓湘雪. 顾客教育对顾客感知质量和顾客承诺关系的调节作用——以理财产品为例[D]. 长春: 东北师范大学, 2015.

DENG X X. The regulatory effect of customer education on the relationship between perceived service quality and customer commitment: a case study of financial products[D]. Changchun: Northeast Normal University, 2015.

[24]
LIU Y. The role of transparency in consumer brand relationships[J]. Imperial college London, 2013.

[25]
游志强. 大数据杀熟对消费者持续使用意愿的影响研究[D]. 泉州: 华侨大学, 2021.

YOU Z Q. The empirical study of the impact of big data-based price discrimination on consumer's continuance intention[D]. Quanzhou: Huaqiao University, 2021.

[26]
ZHAO X, LYNCH J, CHEN Q. Reconsidering Baron and Kenny: myths and truths about mediation analysis[J]. Journal of consumer research, 2010, 37(2): 197-206.

[27]
HAWS K, BEARDEN W. Dynamic pricing and consumer fairness perceptions[J]. Journal of consumer research, 2006, 33(3): 304-311.

[28]
BOLTON L E, WARLOP L, ALBA J W. Consumer perceptions of price (un)fairness[J]. Journal of consumer research, 2003, 29(4): 474-491.

[29]
邓胜利, 许家辉, 夏苏迪. 数字环境下大学生算法素养评价体系及实证研究[J]. 图书情报工作, 2023, 67(2): 23-32.

DENG S L, XU J H, XIA S D. Evaluation system and empirical research on algorithm literacy of college students in digital environment[J]. Library and information service, 2023, 67(2): 23-32.

[30]
夏苏迪, 邓胜利, 付少雄, 等. 数智时代的算法素养: 内涵、范畴及未来展望[J]. 图书情报知识, 2023, 40(1): 23-34.

XIA S D, DENG S L, FU S X, et al. Algorithm literacy in digital and intelligence era: connotation, category and prospect[J]. Documentation, information & knowledge, 2023, 40(1): 23-34.

[31]
张明鑫, 朱侯. 隐私政策“霸王条款”特征及其作用机制的内容分析[J]. 情报学报, 2023, 42(9): 1092-1102.

ZHANG M X, ZHU H. Characteristics of "malicious terms" in privacy policies and their interactive mechanisms based on content analysis[J]. Journal of the China Society for Scientific and Technical Information, 2023, 42(9): 1092-1102.

[32]
HOFSTEDE G. Culture's consequences: international differences in work-related values[M]. Beverly Hills: SAGE Publications, 1984.

Options
Outlines

/

〈 〉