Knowledge Management Forum >

2026 , Vol. 11 >Issue 3: 254 - 268

DOI: https://doi.org/10.13266/j.issn.2095-5472.2026.022

Research on the Influencing Factors of High-Quality and Sustainable Development of Digital Content Ecology: Analysis of Evolutionary Game Between Platform and Creator

  • Liu Qiping 1 ,
  • He Guoqing , 2
Expand
  • 1. School of Information Management, Hubei University of Economics, Wuhan 430205
  • 2. School of Economics, Zhongnan University of Economics and Law, Wuhan 430073
He Guoqing, Assistant Professor, PhD, Corresponding Author, E-mail: .

Liu Qiping, Assistant Professor, PhD.

Received date: 2025-11-25

  Online published: 2026-06-25

Supported by

Hubei Provincial Social Science Fund Project titled "Research on the Cracking Path and Collaborative Governance of User 'Information Cocoon' towards Consensus Building"(23ZD195)

Fold

Abstract

[Purpose/Significance] With the growing maturity and proliferation of AIGC, the production and dissemination of a large amount of homogenized content will threaten the quality and diversity of the Internet digital content ecosystem, leaving users trapped in an information cocoon that may cause social disruption. Studying the game relationship between platform incentive policies and creator content production can help solve the problem of homogenization in platform content production. [Method/Process] This article derived the Lotka Volterra Logistic dynamic model through evolutionary game analysis, describing the evolution law of the platform's mixed strategy combination between "traffic incentive" and "quality incentive", and the creator's mixed strategy combination between "high quality" and "low quality". Through simulation, it explored the impact of factors such as creator production cost, platform incentive cost, and content domain homogenization on the platform's content ecology evolution mode. [Result/Conclusion] The evolution of platform content ecology generally follows a periodic oscillation and replacement pattern, and the three modes of sustainable development of platform content ecology are "investment driven", "hotspot driven", and "innovation driven". This article provides a reference framework for the platform's content ecology strategy, pointing out that digital content platforms should choose appropriate development models, promote content ecology metabolism according to cyclical laws, and strive to reduce the production costs of creators and the incentive costs of the platform to eliminate development bottlenecks.

Key words： governance of digital platform's content ecology; evolutionary game theory; Lotka-Volterra model; simulation

Cite this article

Liu Qiping , He Guoqing . Research on the Influencing Factors of High-Quality and Sustainable Development of Digital Content Ecology: Analysis of Evolutionary Game Between Platform and Creator[J]. Knowledge Management Forum, 2026 , 11(3) : 254 -268 . DOI: 10.13266/j.issn.2095-5472.2026.022

随着人工智能生成内容（artificial intelligence generated content, AIGC）日益成熟和泛滥，大量同质化内容在互联网数字内容平台被生产和传播，不仅对平台内容生态的质量和多样性造成了长期的损害，也日益占据用户的注意力并影响其心智，使用户不同程度地陷入能扩大个体间和群体间认知差异的信息茧房，这甚至可能引起社会撕裂[1-2]。相应的，数字内容平台的内容治理策略也从流量争夺转向生态建构[3-4]。因此，数字内容平台的生态治理已经成为当前平台经济持续发展的首要问题之一。
平台内容生态的建设，关键在于平台与内容创作者的关系，后者包括普通用户、专家用户、职业制作团队等。二者之间既分享收益、各取所需，又希望对方为自己带来更多的利益。例如，平台举办创作大赛，利用“生产锦标赛”机制激发创作者生产更多优质内容，但却只给其中排名靠前者支付可观的奖励。又如，创作者跟随热点，用低成本制作了大量内容，利用“搭便车”效应对平台反向“薅羊毛”，平台则出于赚取流量和留住创作者的考虑，不得不为所有同质内容都增加曝光，发放补贴。平台内容生态演化也存在若干可感知的规律性现象，例如“乡村生活”等网络热点以国家政策鼓励（乡村振兴）和社会需求发酵（土特产、农家乐）为背景而产生，伴随一些热门视频、网红、景点、事件等（如网红“张同学”的相关视频和事件）进入公共视野，成为一段时间之内的“流量密码”，引发海量的内容模仿大潮。但随着内容质量的下滑和用户的审美疲劳，该网络热点又会被其他新的热点所取代。平台和创作者之间这种既合作又利用的关系很适合采用博弈论这一模型化、定量化互动决策理论进行分析[5]，尤其是平台内容生态如同万花筒般变化多端而又有迹可循的动态演化模式则更适合运用演化博弈论进行研究。基于演化博弈论及仿真方法，本文将从平台内容生态的周期性演化规律和影响因素两方面解答数字内容平台治理的现实问题。

1 文献综述/Literature Review

现有研究对平台—创作者的互动机制的专门研究不多，具有参考价值的是对平台与企业或其他生产性用户的博弈分析，包括平台数字化赋能与企业创新[6]、科研用户参与学术社交平台协同功能[7]、平台与企业的数据共享[8]、平台与商户的流量价格博弈[9]等。演化博弈论最早被用于进化生物学和种群生态学研究，后被引入社会科学领域，产生了演化稳定策略（evolutionary stable strategy, ESS）的重要概念[10]，并被应用于能源安全[11]、环境保护[12]、企业管理[13-14]、公共政策[15]等实际政策领域，以及与本文相关的知识管理[16]、电子商务[17-18]、电子政务[19]等领域。
基于对数据内容生态治理的整体性视角，对于平台内容生态已有一些研究成果，包括平台公共资源的公平分配[20]、平台会员费和交易费对企业创新的影响[21]、政府与核心企业对供应商合规行为的监管[22]等。然而，基于平台企业内容生态战略的中观视角的研究仍然较为缺乏，多是从管控平台负面行为方面着眼，而没有在平台内容生态建设上提出有效的正面建议，例如政府奖惩机制和用户举报机制对平台企业数据滥用的治理[23]、通过平台和用户的权力博弈实现对AI推荐算法的治理[24]、平台奖惩政策对直播带货各主体行为“价值共毁”的抑制作用[25]、政府监管成本和力度与平台—用户合谋对平台治理的影响[26]等。
总的来说，已有文献对平台经济中平台—内容生产者的互动机制和内容生态治理关注不多，基本只关注平台和用户负面行为的宏观或外部管控问题，缺乏立足于平台的中观视角，也缺乏对平台内容生态演化内在规律的认识，因而无法为相关政策建议提供参考框架。在演化博弈方法的运用方面，现有研究得出的演化稳定均衡点绝大多数是收敛于策略概率为0和1的边角解，只能用于描述非此即彼的静态结果，而难以解释平台内容生态中层出不穷的周期性热点转移和丰富多彩的动态内容演化现象。
本文将演化博弈论与种群生态学在新的领域进行了再一次结合，得出了与种群生态学的Lotka-Volterra模型相似的数学形式和动力学行为[27]。借鉴文献[28-30]中的数学方法，本文还在LV模型中引入了Logistic环境压力项，目前尚未找到运用类似数学方法对平台经济进行研究的文献。尽管文献[25-26]偶然在部分参数取值下得出了符合“类LV模型”的动力学方程，从而得出了“振荡性”或“周期性”的仿真结果，但它们并未认识到其背后的数学逻辑和理论意义，只将其作为一个未经解释的意外结果报告了出来。从中也可看出，周期振荡特性正是本文所定义的“类LV模型”的普遍特征，只要偶然推导出相应数学形式就会涌现出这一独特动力学模式，应该在后续研究中有意识地重视这一现象。

2 平台与创作者的演化博弈模型/Evolutionary game model between platform and creator

平台与创作者的博弈模型基于演化生物学思想中的“种群思维”，具有一定垄断地位的平台相当于执行自然选择的环境主体，创作者相当于努力适应环境的大量生物个体。博弈演化过程改变的不是创作者个体的策略，而是采取两种策略的个体组成比例。本文结合具有周期性振荡演替特征的Lotka-Volterra-Logistic模型，对平台—创作者内容生产进行演化博弈分析和仿真模拟。本文中的“创作者”并非单一的或代表性的“创作者个体”，而是不断通过优胜劣汰改变其组成结构的“创作者种群”。

2.1 策略空间

博弈模型的决策主体由内容推荐平台与内容创作者组成，对于二者的策略选择可做如下分析。

2.1.1 平台的创作者激励策略

平台对创作者生产的内容一般可以采取流量激励和质量激励这两种策略。
（1）流量激励（traffic incentive，T）是一种日常性质的激励，与内容的观看量、点赞量、投币量、转发量等直接挂钩。平台推荐算法一般会根据这些流量数据分配其曝光量。在这种机制下，当一个主题成为舆论热点时，所有同主题内容流量都会出现同步增长，平台就会自动地对这些同质内容进行不区分质量差别的激励。
（2）质量激励（quality incentive，Q）则是平台为了增加某类较为稀缺的优质内容而制定的优惠政策。运营人员根据国家导向和自身定位而主动策划选题方向、挑选激励对象，在一定时间内对特定内容进行大量曝光，使其创作者能获得超额流量收益；或是通过举办主题征稿、比赛等活动，加大对优质内容的激励力度，带动头部创作者的生产积极性。
二者最重要的区别是：流量激励不区分内容质量，质量激励则是针对高质量内容进行激励，其差异如表1所示。
表1 流量激励与质量激励的比较

Table 1 Comparison between traffic incentives and quality incentives

比较维度 流量激励（T） 质量激励（Q）
内容定位 舆论热点 “冷门黑马”
同/异质性 同类主题/同质内容 多元主题/异质内容
选题依据 主题热度 国家导向，自身定位
激励标准

主题热度，内容流量

（不区分质量）

 选题价值，内容质量
激励目标 在窗口期内收割用户流量 制造差异化竞争优势

2.1.2 创作者的内容生产策略

创作者有两种内容生产策略：高质量和低质量。
（1）高质量策略（high quality，HI）：创作者在内容生产上付出更多努力，投入更多成本，就会产出高质量的内容。用户对高质量内容将做出积极的反应，从而为创作者和平台带来更大的回报。
（2）低质量策略（low quality，LO）：与高质量策略相反，如果创作者的投入较少，就会产出低质量的内容，带来用户的消极反应以及创作者和平台的较少回报及声誉损失。
综上所述，平台和用户的策略选择集分别为：{流量激励（T），质量激励（Q）}，{高质量（HI），低质量（LO）}。

2.1.3 现实案例

以国内最大的用户原创视频平台Bilibili（以下简称“B站”）为例。它的商业本质是“内容社区+年轻流量”，通过维持和提升内容多样性、内容质量和创作者生态，满足不同人群的长尾需求，增强用户黏性，实现平台与创作者的双赢。它的激励体系包括3个维度：用户价值——内容是否符合平台用户的兴趣和需求；创作成本——制作该类型视频所需的时间、资金和技术门槛；商业价值——内容能否为平台带来广告收入、会员增长或电商转化。
官方创作激励是UP主的基础流量收入来源，由用户喜爱度、内容流行度、内容垂直度三大维度决定，收益计算公式为：收益=播放量×单价×内容质量系数。其中单价与视频内容分区和账号权重有关：知识/财经区（30—40元/1万播放），游戏/生活区（15—25元/1万播放），动画/音乐区（10—18元/1万播放），老号相比新号会有更稳定的流量扶持。平台用完播率、互动率等指标衡量视频的内容质量，高完播率视频的单价可能是低完播率视频单价的两倍以上。在基础流量收入以外，其他与流量相关的收入还包括：充电计划（粉丝打赏收入，B站抽成30%）、悬赏计划（视频带货分成，例如美妆区1万播放量带货佣金可达200—500元）、商业合作（粉丝10万的UP主单条广告报价可达3 000— 8 000元）[31]。
高制作门槛内容通常能在B站基础激励计算公式中获得更高的“内容质量系数”，例如专业设备拍摄的视频比手机拍摄的视频质量系数高20%—30%，有完整故事线和后期包装的视频比随手拍的视频质量系数高50%以上；高制作门槛内容在B站的平均推荐量是普通内容的2—3倍，完播率和互动率更高的内容会进入平台的“精品内容池”，获得额外流量扶持，例如某科技评测UP主的专业拆解视频，播放量比其日常开箱视频高400%，互动率高250%[32]。B站针对动画短剧、数码评测、纪录片、特效制作、深度科普等高制作门槛内容还提供了一些定向激励政策，例如动画短剧“觉醒计划”（2025年6月）为长周期动画作品在专业软件和团队上的投入提供30%—100%的成本覆盖，最高可获得80%的营收分成[33]；视频播客十亿流量扶持计划（2025年）为有专业录音设备、内容剪辑和内容策划的高质量播客提供10亿流量扶持+最高可达10万元的现金激励[34]；B站的花火平台会优先推荐高制作水平的UP主给品牌商，头部品牌商也更倾向于与制作水平高的UP主合作，单条商单报价可达数十万元，商业变现效率是普通内容的3—5倍[35]。

2.2 收益/成本分析及支付矩阵

在提出博弈的支付矩阵之前，需要先分析平台与创作者的收益和成本。

2.2.1 创作者的收益

（1）用户端收益：创作者生产的内容所获得的用户积极反应的总和，是包括观看量、完播量、点赞量、投币量、收藏量、转发量、正面评论/弹幕量、关注量、打赏（充电）量等的综合指标。为了简单起见，统一设为u（u 0）。假设用户在被动信息接受和主动信息搜寻状态下分别对同质内容和异质内容会产生n倍和n'倍于平时的访问需求（n 1，n' 1），则其所带来的收益或损失也将是平时的n倍或n'倍，分别称其为“同/异质内容的用户流量回报倍率”。
（2）平台端收益：创作者接受平台激励所获得的收益，其中流量激励设为cT，质量激励设为cQ。流量激励与内容质量无关，只与平台当前的推荐策略有关；质量激励则与内容质量相关，获得用户更好反馈的高质量内容将获得较大奖励。
（3）商业收益：创作者接受用户和平台以外的商家给予的广告和市场营销活动的报酬。这类收益与用户端收益高度相关，因为商家对广告投放对象的选择是基于其影响用户态度的能力。因此，为了简化起见，将此类收益归入用户端收益u的范畴。

2.2.2 创作者的成本

（1）生产成本：创作者用于生产内容的各种直接成本，包括自身人力成本、信息资料成本、工具用品成本等。在本文模型中，简单划分为“高成本”和“低成本”两种类型，分别记为cHI 和cLO （显然，cHIcLO 0）。
（2）转型成本：创作者用于生产异质内容的额外成本，包括自身知识技能经验更新成本、新增信息资料和工具用品成本、用户适应成本（旧用户的“脱粉”和新用户的重新吸纳）等。鉴于平台吸引到的新兴异质内容创作者绝大多数都是新人，可以假定转型成本已经完全包含在平台质量激励中，是平台替创作者支付了转型成本。因此，这部分成本并未体现在表2中。
表2 平台和创作者的收益和成本

Table 2 Benefits and costs for platform and creator

模型参数 创作者 平台
收益

u：用户端收益

cT ：流量激励收入

cQ ：质量激励收入

u：用户端收益

d：数据收益

成本

cHI ：高质量下的生产成本

cLO ：低质量下的生产成本

s：低质量下的声誉损失成本

cT ：流量激励费用

cQ ：质量激励费用

s：低质量下的声誉损失成本

其他

n：同质内容的用户流量回报倍率

n'：异质内容的用户流量回报倍率

合成参数*

A 1 = c Q - n - n ' u + s A 2 = c Q + n ' u + s - c H I - c L O

B 1 = c Q + n - n ' u + s ,   B 2 = n c T + ( n - n ' ) s

前提假设*

u 0，d 0，s 0，n 1，n' 1，cHI cLO 0

A 1 A 2 0 ⇔ n u + s c H I - c L O c Q + n ' ( u + s )

B 1 B 2 0 ⇔ n ' - n s n c T c Q + n - n ' u

非平凡解* 当A 1 A 2 0，B 1 B 2 0时有非平凡的局部稳定解： p * = B 2 B 1 q * = A 2 A 1

注：*合成参数、前提假设、非平凡解的含义和推导详见2.3节“局部均衡分析”。本表的参数只涉及“类LV模型”，不涉及LVL模型（详见2.4节）。

（3）声誉损失成本：在创作者所生产的内容质量低下，或不符合用户偏好，或商业活动招致反感等情况下，创作者在用户那里的声誉损失成本，其评价指标包括用户“划走”量、点踩量、举报量、“取关”量、负面评论/弹幕量等。将声誉损失成本记为s（s 0）。

2.2.3 平台的收益

（1）平台的用户端收益u：由于平台能从创作者的商业活动和用户打赏等收入中获得30%—90%不等的抽成，故可假定平台与创作者共享大致相当的用户端收益。
（2）平台的数据收益d：包括从活跃用户数量、用户行为数据、用户画像等数据中获得的收益，只要有内容生产和用户活动就会产生，它们都是平台的重要数据资产或对平台企业的市场估值具有重要参考意义。

2.2.4 平台的成本

平台的成本除了与创作者相同的低质量下的声誉损失成本s外，主要是平台对创作者的激励费用，包括对同质内容的流量激励cT，以及对异质内容的质量激励cQ （因为平台质量激励费用与创作者获得的激励收入相等，所以二者采用了同样的符号）。

2.2.5 双方收益/成本总结

综合以上分析，将创作者和平台的收益和成本总结为表2。

2.2.6 博弈支付矩阵

在对平台与创作者的收益和成本进行分析的基础上，提出双方的博弈支付矩阵，见表3。
表3 平台—创作者内容生产博弈的支付矩阵

Table 3 Payment matrix of platform-creator content production game

创作者策略 平台策略
流量激励T（q） 质量激励Q（1-q）

高质量HI

（p）

Π C = n ( u + c T ) - c H I

Π P = n u - c T + d

Π C = n ' u - c H I + c Q

Π P = n ' u - c Q + d

低质量LO

（1-p）

Π C = n ( - s + c T ) - c L O

Π P = - n s + c T + d

Π C = - n ' s - c L O

Π P = - n ' s + d

注：Π表示博弈支付，下标C表示创作者，下标P表示平台，下同。

2.3 局部均衡分析

2.3.1 创作者的复制动态方程

设创作者选择HI策略的概率为p，平台选择T策略的概率为q，则创作者各策略的预期收益及总的平均预期收益分别为：
E C H I = q Π C H I , T + 1 - q Π C H I , Q
E C L O = q Π C L O , T + 1 - q Π C L O , Q
E C H I - E C L O = q Π C H I , T - Π C L O , T + 1 - q Π C H I , Q - Π C L O , Q
= q n u + s - c H I - c L O +
1 - q n ' ( u + s ) + c Q - c H I - c L O
= q ( n - n ' ) u + s - c Q + n ' ( u + s ) + c Q - c H I - c L O
E ¯ C = p E C H I + ( 1 - p ) E C L O
创作者的复制动态方程为：
F C p = d p d t = p E C H I - E ¯ C = p 1 - p E C H I - E C L O
= p 1 - p - c Q - n - n ' u + s q + c Q + n ' u + s - c H I - c L O
≝   p 1 - p - A 1 q + A 2
其中， A 1 = c Q - n - n ' u + s ,   A 2 = c Q + n ' ( u + s ) - c H I - c L O。由于平台质量激励cQ 加上异质内容最大收益n' (u + s)至少要能够覆盖创作者生产高质量内容的额外成本cHI - cLO，所以必须假设A 20，即 c H I - c L O c Q + n ' ( u + s )。另外，由于n一般不会比n'大出太多， ( n - n ' ) u + s会较小，故可以假设A 1 0，即 c Q ( n - n ' ) u + s。

2.3.2 平台的复制动态方程

平台各策略的预期收益及总的平均预期收益分别为：
E P T = p Π P H I , T + 1 - p Π P L O , T
E P Q = p Π P H I , Q + 1 - p Π P L O , Q
E P T - E P Q = p Π P H I , T - Π P H I , Q + 1 - p Π P L O , T - Π P L O , Q
                         = p n - n ' u - n c T + c Q + 1 - p - n - n ' s - n c T
= p n - n ' ( u + s ) + c Q - n - n ' s - n c T
E ¯ P = q E P T + ( 1 - q ) E P Q
平台的复制动态方程为：
F P q = d q d t = q E P T - E ¯ P = q 1 - q E P T - E P Q
= q 1 - q p c Q + n - n ' u + s - n c T + n - n ' s
≝ q ( 1 - q ) ( B 1 p - B 2 )
其中， B 1 = c Q + n - n ' u + s ,   B 2 = n c T + ( n - n ' ) s。由于一般情况下n≥n'，即使有些情况下n n'，n'也不会比n大出太多，故可以假设B 10，B 20，即 c Q n ' - n u + s ,   n c T n ' - n s。

2.3.3 局部稳定解

令FC (p)=FP (q)=0。显然，除了平凡解p=0或1、q=0或1外，方程的非平凡解是： p * = B 2 B 1， q * = A 2 A 1。因为前面已经假设A 1 0, A 2 0, B 1 0, B 2 0，所以如果要使0 p * 1且0 q * 1，就需要满足A 1 A 2 0，B 1 B 2 0，即 c H I - c L O n u + s, n u - c T n ' u - c Q。这意味着：①用户对内容质量的敏感度相对于内容质量的客观差别来说是有限的，创作者“偷工减料”所能节省的成本cHI - cLO 比所能获得的最大的总用户效用 n u + s（单个用户以－s为零参考点的效用为u + s）还要多一些，所以偷工减料动机将一直存在，使内容质量有长期下降的趋势（Π C (HI, T) Π C (LO, T)）；②平台的同质内容净收益 n u - c T大于异质内容净收益 n ' u - c Q，这使平台没有动力长期维持质量激励政策（Π P (HI, T) Π P (HI, Q)）。上述两点是决定博弈具有振荡型演化路径的关键，也是模型设定上的必需——既契合了模型的运行机制，又是在合理范围内有非平凡的局部稳定解的充分必要条件。
综上，局部稳定解为：
p = 0 q = 0 , p = 0 q = 1 , p = 1 q = 0 , p = 1 q = 1 ,   p * = B 2 B 1 q * = A 2 A 1

2.4 引入Logistic环境压力项的类LV模型

公式（1）和（2）组成了与生态学中的Lotka-Volterra模型类似的数学模型（简称“类LV模型”）：
d p d t = p 1 - p - A 1 q + A 2 d q d t = q ( 1 - q ) ( B 1 p - B 2 )
而原本的LV模式的形式为：
d x d t = x - A 1 y + A 2 d y d t = y ( B 1 x - B 2 )
二者不仅形式相似，其局部稳定解（中心点）也完全相同。由此可见，形如公式（4）的动力学系统是具有普遍性的，只要满足A 1 A 2 0, B 1 B 2 0，就可以预期该系统具有与LV模型相似的行为。
但原始LV模型及类LV模型具有发散性，这是因为它没有考虑环境资源的有限性对种群增长率的抑制作用，所以会在周期性波动的同时不断增长下去。因此，根据文献[30,36-37]的方法，进一步引入Logistic环境压力项得到（以下简称“LVL模型”）：
d p d t = p 1 - p - A 1 q + A 2 - k H I p d q d t = q ( 1 - q ) ( B 1 p - B 2 - k T q )
在公式（5）中，环境压力项来源于对参数cHI 和cT 的扩展。考虑cHI 随内容整体质量的升高（p增大）而增加——用户预期效用增加，效用参考点上升，出现“水涨船高”的心理学“框架效应”，创作者需要花费更多的成本才能满足用户。于是假设cHI 满足预期收益的线性函数（下式中C 1、C 2是非负常数）：
c H I = C 1 + C 2 p u + 1 - p - s        = C 1 - C 2 s + C 2 u + s p        ≝ c H I 0 + k H I p
将其代入公式（1），有：
F C p = d p d t = p 1 - p - c Q - n - n ' u + s q +                    c Q + n ' u + s - c H I 0 - c L O - k H I p
       ≝ p 1 - p - A 1 q + A 2 - k H I p                               
其中，A 1的定义跟原来一样，A 2的定义只是把原定义中的cHI 换成了 c H I 0（在后文的仿真参数中符号仍用cHI ）。
同样，考虑cT 随平台流量激励政策的强化（q增大）而增加——创作者预期流量激励收益增加，参考点上升，平台需要花费更多成本才能激励创作者。
c T = C 1 + C 2 q c T ' + 1 - q ∙ 0 = C 1 + C 2 c T ' q ≝ c T 0 + k T ' q
将其代入公式（2），有（为了简化，将 n k T '进一步换成 k T）：
F P q = d q d t = q 1 - q p c Q + n - n ' u + s - n c T 0 + n - n ' s - n k T ' q
≝ q ( 1 - q ) ( B 1 p - B 2 - k T q )
其中，B 1的定义跟原来一样，B 2的定义只是把原定义中的cT 换成了 c T 0（在后文的仿真参数中符号仍用cT ）。
LVL模型的局部稳定解为（当 k H I A 1 B 1 - k T ≠ 0）：
p = 0 q = 0 , p = 0 q = 1 , p = 1 q = 0 , p = 1 q = 1 ,   p * = A 2 A 1 B 2 - k T k H I A 1 B 1 - k T q * = k H I A 2 B 1 B 2 k H I A 1 B 1 - k T

2.5 稳定性分析

运用D. Friedman[36-37]的方法判断类LV模型和LVL模型的局部均衡点的稳定性。计算公式（4）的雅各比矩阵：
J 1 = d F C ( p ) d p d F C ( p ) d q d F P ( q ) d p d F P ( q ) d q = 1 - 2 p ( - A 1 q + A 2 ) - p 1 - p A 1 q 1 - q B 1 1 - 2 q B 1 p - B 2
当(p, q)依次取公式（3）的5组解时，J 1的形式及相关判定条件见表4。
表4 原模型局部均衡点的稳定性判定

Table 4 Stability determination of local equilibrium points in the original model

(p, q)取值 雅各比矩阵J 1 Det(J 1) Tr(J 1) 稳定性
(0, 0) A 2 0 0 - B 2 -A 2 B 2 0

A 2 - B 2

(符号不确定)

 鞍点
(0, 1) A 2 - A 1 0 0 B 2 - (A 1 – A 2) B 2 0

A 2 – A 1 + B 2

(符号不确定)

 鞍点
(1, 0) - A 2 0 0 B 1 - B 2 - A 2 (B 1 - B 2) 0

- A 2 + B 1 – B 2

(符号不确定)

 鞍点
(1, 1) A 1 - A 2 0 0 B 2 - B 1 - (A 1 – A 2) (B 1 - B 2) 0

(A 1 – A 2) – (B 1 – B 2)

(符号不确定)

 鞍点
(p *, q *) 0 - B 2 B 1 1 - B 2 B 1 A 1 A 2 A 1 1 - A 2 A 1 B 1 0 A 2 B 2 1 - A 2 A 1 1 - B 2 B 1 0 0 中心点
其中，根据文献[37]的判定方法，非平凡解(p*, q*)是一个中心点，按照参数的不同而可能为稳定的“汇点”（sink）或不稳定的“源点”（source），具体情况将在仿真模拟部分展示。
公式（5）的雅各比矩阵为：
J 2 =
1 - 2 p - A 1 q + A 2 - k H I p ( 2 - 3 p ) - p 1 - p A 1 q 1 - q B 1 1 - 2 q B 1 p - B 2 - k T q ( 2 - 3 q )
由于LVL模型解的形式变得复杂，J 2的计算和判定也变得困难，因此本文通过仿真模拟对其稳定性进行了数值计算。事实上，数值计算证明，LVL模型的非平凡解一般来说都是ESS稳定的——本文LVL模型的仿真案例中的非平凡解全部为ESS，因为在(p*, q*)的雅各比行列式Det(J 2)0未受影响的同时，J 2的对角元素不再是0，Tr(J 2)0基本可以保证。

3 “平台—创作者”动态博弈演化路径及其影响因素的仿真分析/Simulation analysis of the evolutionary path of the "platform-creator" dynamic game and its influencing factors

由于本文的博弈模型中演化稳定策略均衡点（ESS）不一定存在，所以其演化路径根据参数的不同而具有多样化的形态。根据上面的求解结果，用R语言进行不同条件下的演化博弈动态路径的数值仿真，由此讨论不同参数所代表的因素对平台—创作者博弈演化模式的影响。各仿真模型的参数设定见表5。
表5 仿真模型参数设定及相关变量

Table 5 Simulation model parameter setting and related variables

仿真

内容

 编号 模型参数设定 合成参数计算 非平凡解 步长 初始点
u s d cHI cLO cT cQ n n' kHI kT A 1 A 2 B 1 B 2 p* q* dt p 0 q 0
类LV模型 1 0.5 4 7.5 0.5 1.5 6 3 3 0 0 6 3.5 6 4.5 0.750 0.583 0.02 0.5 0.5

LVL

模型

 1 0.5 4 7.5 0.5 1.5 6 3 3 1.2 1.2 6 3.5 6 4.5 0.833 0.417 0.02 0.5 0.5
1 0.5 4 7.5 0.5 1.5 6 3 3 0.08 0.08 6 3.5 6 4.5 0.758 0.573 0.02 0.5 0.5

改变

cHI

 1 1 0.5 4 5.5 0.5 1.5 6 3 3 0.08 0.08 6 5.5 6 4.5 0.750 0.917 0.05 0.5 0.5
2 1 0.5 4 9.5 0.5 1.5 6 3 3 0.08 0.08 6 1.5 6 4.5 0.750 0.250 0.02 0.5 0.5

改变

cQ

 3 1 0.5 4 7.5 0.5 1.5 5 3 3 0.08 0.08 5 2.5 5 4.5 0.900 0.500 0.05 0.5 0.5
4 1 0.5 4 7.5 0.5 1.5 9 3 3 0.08 0.08 9 6.5 9 4.5 0.500 0.722 0.02 0.5 0.5

改变

n/n'

 5 1 0.5 4 7.5 0.5 1.5 6 3 2 0.08 0.08 4.5 2 7.5 5 0.667 0.444 0.02 0.5 0.5
6 1 0.5 4 7.5 0.5 1.5 6 2 3 0.08 0.08 7.5 3.5 4.5 2.5 0.556 0.467 0.02 0.5 0.5

cHI

越界

 7 1 0.5 4 5 0.5 1.5 6 3 3 0.08 0.08 6 6 6 4.5 -- -- 0.02 0.5 0.5
8 1 0.5 4 12 0.5 1.5 6 3 3 0.08 0.08 6 -1 6 4.5 -- -- 0.02 0.5 0.5

cQ

越界

 9 1 0.5 4 7.5 0.5 1.5 4 3 3 0.08 0.08 4 1.5 4 4.5 -- -- 0.02 0.5 0.5
10 1 0.5 4 7.5 0.5 1.5 15 3 3 0.08 0.08 15 12.5 15 4.5 0.300 0.833 0.02 0.5 0.5

n/n'

越界

 11 1 0.5 4 7.5 0.5 1.5 6 3 5 0.08 0.08 9 6.5 3 3.5 -- -- 0.02 0.5 0.5
12 1 0.5 4 7.5 0.5 1.5 6 5 3 0.08 0.08 3 3.5 9 8.5 -- -- 0.02 0.5 0.5

3.1 类LV模型与LVL模型

上文已经说明，类LV模型一般是轻微发散的，而LVL模型视参数kHI 和kT 的不同，可能发散、收敛于一点或收敛于一个环（图1）。在现实中，可能在不同的内容领域同时存在这3种情况，有的领域内容质量在较长周期内呈现越来越大的波动，有的领域则趋向于在一个小范围内保持稳定，介于二者之间的情况是波动较大但幅度较为稳定。在后文中，将采用收敛于环的LVL模型作为各个仿真的参照物，通过改变这一基准LVL模型的参数值来观察参数对演化动态的影响。
图1 双边策略演化的相轨线图和相位图

Figure 1 Phase trajectory diagram and phase diagram of bilateral strategy evolution

3.2 高质量生产成本的影响

如图2所示，以闭环的LVL模型作为基准，创作者的高质量生产成本cHI 如果低于基准模型，则中心点会向q*更大的左边偏移，这表明平台此时只需总体上采取较小的质量激励策略概率就能维持较高的创作者内容生产质量；如果cHI 高于基准模型，则中心点向右偏移，表明平台需要采取更大的质量激励成本才能维持生产质量。例如，短视频平台的高质量内容生产成本远低于长视频平台，其所采用的质量激励策略概率也会低于后者，往往以流量为先，而非像长视频平台那样试图推出少数精品。但这导致生产成本较低的短视频平台减少质量激励的频率，内容质量的波动幅度反而大于生产成本较高的长视频平台。
图2 高质量生产成本cHI对演化动态的影响

Figure 2 The impact of high-quality production cost cHI on evolutionary dynamics

3.3 质量激励成本的影响

如图3，质量激励成本cQ 的影响的仿真结果说明，质量激励成本cQ 与流量激励频率q呈正相关关系，而与高质量策略频率p呈负相关关系。当质量激励较低时（cQ = 5），中心点的p值高于LVL模型的基准情况，达到0.908。如果质量激励成本进一步低至超出参数的假设边界，演化路径将收敛于（p=1, q=0）点，平台将持续采取质量激励政策，而创作者将保持高质量，3.5（3）节将讨论这一情况。这说明，质量激励对创作者固然是一种激励，但对平台则是一种负担。如果能让每次的质量激励成本降低一点，对平台更多采取质量激励策略是有利的。例如，短视频平台对高质量内容的激励无非是增加其曝光率，平台付出的只是一点机会成本，所以能不断推出各种吸引眼球的小规模营销活动；而长视频平台为了激励高质量内容的创作，需要更高的制作成本和市场营销成本，所以必须开发如“偶像养成”综艺节目那样前期投入更高、但更有盈利前景的长线商业模式，这就使质量激励的周期相对更长。
图3 质量激励强度cQ对演化动态的影响

Figure 3 The impact of quality incentive intensity cQ on evolutionary dynamics

3.4 内容同质性和异质性的影响

图4反映了内容领域同质性和异质性的用户流量回报倍率n和n'对演化动态的影响是不对称的。当n不变，n'减小时（即制造了一个n n' 的情况），演化路径振荡幅度有所缩小，但没有n' n的情况缩小得多。换言之，异质内容扰动程度的相对降低对系统的影响，没有同质内容扰动程度的相对降低的影响大。如果同质内容影响力明显减小，那么“流量密码”效应就会减弱，内容质量更容易稳定在小范围内。而且，n和n'的改变，并没有影响演化路径的收敛性。
图4 用户流量回报倍率n和n'对演化动态的影响

Figure 4 The impact of user traffic return multiples n and n' on evolutionary dynamics

3.5 参数越界的情况

前面的讨论都是在参数满足一定的取值范围假设的前提下进行的，其目的是保证非平凡的局部稳定解的存在性。如果参数取值越界，可能会导致中心点的不存在和周期振荡路径的消失，演化路径将趋向收敛于边角解。如图5所示，除(b)为LVL基准模型之外，其他各图都是参数越界的结果展示。
图5 参数越界情况下的演化动态

Figure 5 Evolutionary dynamics under parameter out-of-bounds conditions

（1）当高质量生产成本很低（cHI = 5）和同质内容流量回报倍率很高（n=5）时，演化路径收敛于(1, 1)点（图5(a)(g)）。这对应于新闻、娱乐等高质量同质领域，由于这些领域热点更新速度较快、用户信息倦怠感较轻，也不存在题材和灵感的问题，创作者能够以较低的成本源源不断地创作高质量内容，而平台无需过多激励。
（2）当高质量生产成本很高（cHI = 12）时，演化路径收敛于(0, 0)点（图5(c)）。这种领域由于生产成本过高，即使平台坚持进行质量激励，也无法实现高质量内容的稳定产出。从理论上来说，这类平台终将走向失败，例如一些处于竞争劣势的长、短视频平台，尽管用大量奖励“挖角”了不少网红博主，但还是没有实现流量的爆发和市场地位的提升。
（3）当质量激励成本很低（cQ = 4）和异质内容流量回报倍率很高（n'=5）时，演化路径收敛于(1, 0)点（图5(d)(f)）。这符合知识类、科技类领域的特征，它们跟新闻、娱乐领域一样新陈代谢较为活跃，但作为异质内容领域，新题材的挖掘需要创作者的投入和平台的激励。幸而这一激励的成本不高，使得系统整体上保持平台高激励、创作者高投入的活跃状态。
（4）质量激励成本cQ 的取值范围只有下界，没有上界。即使取值很大，也不会导致中心点消失和向边角解收敛。但从图5(e)中仍能看出，如果质量激励费用高到使平台难以承受，那么中心点会趋近于(0, 1)点，也就是创作者和平台皆“放弃努力”的状态。围绕此中心点作幅度越来越大的周期振荡，意味着内容生态趋于大起大落的剧烈波动，平台有限的努力无法挽回质量的下滑趋势。例如近期关闭的天涯论坛，它曾经贡献了现象级的作品和大量网红作者，但一直受困于徘徊不前的商业化水平，难以持续地刺激优秀内容的产生。尽管它也曾尝试孵化旅游、游戏、文学等内容领域，但因项目成本居高不下而屡战屡败。

4 演化周期模式分析和对策建议/Evolutionary cycle pattern analysis and countermeasure suggestions

基于上述研究结果，在此从定性的角度对博弈演化路径的周期性规律进行分析和解释，并对平台内容生态治理提出对策和建议。

4.1 演化路径周期模式分析

本文的仿真结果呈现出一种周期性演化模式：双方策略不会迅速到达纳什均衡并稳定不变，而是因对方策略的转移而不断转移。当平台减少质量激励时，创作者就会为了降低生产成本而降低质量，使平台不得不再次增加质量激励；另一方面，当创作者在平台质量激励下提高质量时，平台又会为了降低激励成本而减少质量激励，使创作者再次降低质量。下面将对这一演化模式中的各个转移阶段进行更详细的分析，如表6所示。
表6 平台—创作者内容生产博弈演化路径模式

Table 6 Analysis of the evolutionary path of the game between platforms and creators in content production

创作者策略 平台策略
流量激励T（q） 质量激励Q（1-q）

高质量HI

（p）

“流量密码”阶段开始

ΠC(HI, T) ΠC(LO, T)

EC(HI) EC(LO)

q增大

EC(HI)减小

EC(LO)增大

“一夜爆红”阶段开始

ΠP(HI, T) ΠP(HI, Q)

EP(T) EP(Q)

p减小 EP(T)减小

EP(Q)增大

EP(T)增大 p增大

EP(Q)减小

低质量LO

（1-p）

“信息倦怠”阶段开始

ΠP(LO, T) ΠP(LO, Q)

EP(T) EP(Q)

EC(HI)增大

EC(LO)减小

q减小

“内容培育”阶段开始

ΠC(HI, Q) ΠC(LO, Q)

EC(HI) EC(LO)

注：1. ΠW(X, Y)表示W主体（W=平台P或创作者C）在(X, Y)策略组合下的支付（收益减去成本）；2. EW(X)表示W主体的X策略在对手所有策略下的总的预期支付；3. p和q分别表示创作者C采取HI策略和平台P采取T策略的概率。

4.1.1 “流量密码”阶段

如果创作者的高质量策略的净利润低于低质量策略（ΠC(HI, T) = rHI - cHI rLO - cLO = ΠC(LO, T)，即rHI - rLO cHI - cLO ），那么创作者选择低质量策略的概率就会上升（p减小），导致平台的流量激励策略的整体预期收益下降（EP (T)减小）。
这种现象在内容推荐领域被形象地称为“流量密码”或“财富密码”，即只要作品包含某个关键词，无论质量好坏，都能得到巨大的流量收益，例如“外国人夸中国”就曾经成为“流量密码”。良莠不分自然导致泥沙俱下，“流量密码”阶段的终点也就是所谓的“劣币驱逐良币”，创作者的“搭便车效应”会拖垮这个不能识别质量的“柠檬市场”。

4.1.2 “信息倦怠”阶段

物极必反，内容质量的下降导致用户体验变差，创作者失去创作激情，演化路径进入“信息倦怠”阶段。此时平台策略逐渐转向质量激励型——EP (Q)增大，直到EP (T)EP (Q)；同时由于异质内容的流量较小，暂时可以忽略不计，所以声誉损失也较小，Π P (LO, T) Π P (LO, Q)。

4.1.3 “内容培育”阶段

当平台策略完全转向质量激励后，创作者受到激励（Π C (LO, Q) Π C (HI, Q)，EC (LO)EC (HI)），开始转向高质量策略（p增大），但质量激励策略的预期支付EP (Q)将随着这一过程而不断减少，预示着此后质量激励策略不断“钝化”的趋势。

4.1.4 “一夜爆红”阶段

在质量激励策略奏效的初期，最早的异质内容开创者群体会获得巨大的流量回报。随着异质内容的预热孵化，蜂拥而来的模仿者都有可能程度不等地复制“一夜爆红”奇迹，被平台批量塑造为该领域的“头部网红”群体。但福祸相依，异质内容的新鲜感褪去，逐渐向同质内容转化，平台从质量激励转向流量激励（EP (T)EP (Q)）。创作者的竞争环境更加“内卷”，优质内容越来越不容易成为“顶流”，而劣质内容的流水线式复制日益成为主流。这就实现了演化路径的闭环，再次来到了“流量密码”的阶段。
相比迅速落入稳定边角解的演化博弈模型，这种有着周期性振荡演化路径的模型更加符合平台内容生态演化的客观现实，反映了平台内容生态“热点变动不居、内容不断更替”的特性。在此理论基础之上，才能探讨平台内容生态演化的影响因素及其治理的对策建议。

4.2 平台内容生态治理对策建议

4.2.1 针对内容领域特点，选择合适的发展模式

从仿真结果可见，在不同的内容领域，至少有3种可推广的发展模式。
（1）投资驱动模式：生产成本高、质量激励频率高（cHI 高，q低）。通过平台和创作者共同的高投入产生高质量、高回报，以支撑平台内容生态良性循环，这对应高成本大制作的长视频平台，如Netflix。
（2）热点驱动模式：生产成本低或同质性强、质量激励频率低（cHI 低或n高，q高）。由于该领域生产成本低或同质性强，所以自我更新能力极强，平台只需构建好庞大的创作者和用户群体即可，无需多加激励。这对应新闻、娱乐等自带热点创造能力的领域。
（3）创新驱动模式：质量激励费用低或异质性强、质量激励频率高（cQ 低或n'高，q低）。得益于较低的质量激励费用或内容的异质性，该领域也具有较强的自我更新能力，但仍需保持较高的质量激励频率，使异质内容持续创新输出，呈现较为稳定的高质量内容生态。这对应知识、科技等领域。
此外，也有一些演化方向是内容平台应该避免的：①创作者生产成本太高，导致无论平台如何激励，高质量内容依然难产；②平台质量激励费用太高，导致激励政策难以持续，内容生态呈现大起大落的局面而一发不可收拾。上述3种内容平台可持续发展模式和2种应避免的模式总结于表7中。
表7 不同内容领域的发展模式

Table 7 Development models in different content domains

名称 cHI cQ n/n' 中心点q * 中心点p * 收敛/发散性 仿真结果图
投资驱动模式 高 0.5 0.5 收敛于环 图2(c)
热点驱动模式 低 nn' 0.5或1 0.5或1 发散或收敛于左上角 图2(a)、图5(a)(g)
创新驱动模式 低 nn' 0.5或0 0.5或1 轻微发散、收敛于环或右上角 图3(a)、图4(c)、图5(d)(f)
不良模式1 极高 0 0 收敛于右下角 图5(c)
不良模式2 极高 接近1 接近0 发散且中心点趋于左下角 图5(e)

4.2.2 顺应内容周期规律，实现内容生态的新陈代谢

从种群生态学的视角看，平台内容生态的演化发展遵循着周期性振荡、新老内容不断更替的规律。这种规律很难人为改变，最好的应对策略是因势利导，借助周期的力量，用最小的成本促进内容生态的新陈代谢，规避可能出现的投资风险。例如，围绕主题A及其相关竞争性主题，统计A所在领域的同/异质性，并统计A与主要竞争性主题B的平均质量指标和平台曝光率指标，作为p和q的代理变量；通过监测A和B的热度变化趋势，就能测算出该领域的周期时间和当前所处位置等。
在此基础上，平台可在有优势的领域（创作者生态强大、商业价值高、社会关注度高、国家战略重点等）主动引领热点的形成，在内容策划和创作者培养等方面预先布局，不断打造爆款和网红。此外，平台还可以合理搭配长、中、短周期领域的内容更新和热点轮替节奏，使其能保持总体热度的合理涨落，既能持续吃到流量红利，又能分散平台的技术服务压力，降低运营成本，提高用户体验。
总的来说，平台不能只关注短期内的流量收益，而应重视对内容生态的长期投资和热点引导，从而保持内容生态的高质量和多样性。

4.2.3 降低创作和激励成本，消除发展瓶颈

从上面的仿真结果可以看出，平台演化路径未能形成良性循环的主要原因就是创作者和平台的成本太高。因此，采取切实可行的措施降低cHI 和cQ，就是平台需要长期努力的关键基础性战略。首先，从规模经济的角度来看，降低cHI 和cQ 就要提升用户规模，使创作者能投资于长期固定成本（如专业知识技能、专用设备道具等），也使每个用户的平均注意力成本被摊薄（这决定了平台每次推送内容的机会成本）。其次，平台需要主动下沉到创作者身边，通过线上和线下的交流和培训，倾听他们的诉求，解决他们的困难，排除他们在提升内容生产能力方面的技术和视野上的障碍，主动出击打造一支符合平台发展战略的内容生产大军。最后，平台需要从技术、管理和运营等方面入手，提升大数据分析识别能力、内容选题策划能力和舆论热点制造引导能力，从而能时刻把握互联网用户和经济社会发展的脉搏，踩准热点节奏，与内容周期共舞。

5 总结与展望/Conclusion and prospect

构建良好内容生态是促进平台经济健康发展的关键。例如，抖音和快手都曾靠音乐舞蹈模仿秀内容起家，但此后快手止步于用户生成内容（user generated content, UGC）泛娱乐领域，而抖音陆续向知识、生活、电商、三农等领域扩张，使其市场地位和发展速度远超前者。近年来，国家对网络信息内容生态治理十分重视，国家网信办发布的《网络信息内容生态治理规定》就明确规范了鼓励、禁止和限制网络信息内容生产者及服务平台制作、复制和发布的信息内容范围，并列举了平台可以采取的治理措施。这些规章划定了底线和边界，但要实现更高标准的治理效果，还需要提升平台的内容生态治理能力，培育其内容生产创作的竞争力。
本文运用类LV模型和LVL模型分析了平台—创作者内容生产博弈的演化动态路径，并运用R语言进行了仿真模拟，探讨了内容生产成本、平台质量激励成本、内容领域同质化程度等因素对创作者生产策略和平台激励策略的协同演化路径的影响。本文的理论贡献包括：①归纳了数字内容平台的内容生态演化发展的周期性振荡更替规律；②拓展了演化博弈分析方法的应用领域和解释能力，推导了蕴含螺旋发散、中心点收敛、周期性振荡等多种动力学系统的Lotka-Volterra-Logistic模型；③分析了内容生产成本、平台质量激励成本、同/异质内容流量回报率等参数对平台内容生态演化路径的政策影响。本文的应用价值在于：①提出了平台内容生态的3种可行演化模式和2种不利演化模式的战略参考框架；②提出了利用周期性规律促进平台内容生态新陈代谢的政策措施；③指出了降低创作者生产成本和平台质量激励成本的重要性及政策建议。
未来可以根据本文的理论框架对内容平台热点转移和激励策略进行典型案例分析。此外，当前新兴的AIGC技术对创作者和平台的成本、收益和策略组合有何种影响，也是未来值得关注的研究视角。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
张省, 蔡永涛. 算法时代“信息茧房”生成机制研究[J]. 情报理论与实践, 2023, 46(4): 67-73.

ZHANG X, CAI Y T. Research on the generation mechanism of "information cocoon" in the algorithm era[J]. Information studies: theory application, 2023, 46(4): 67-73.

[2]
孙晋, 冯涛. 数字时代平台内容治理的挑战与应对——从平台分类分级和主体责任展开[J]. 学术界, 2026(1): 145-155.

SUN J, FENG T. Challenges and responses to content governance on platforms in the digital age: exploring from platform classification and grading and subject responsibility[J]. Academics, 2026(1): 145-155.

[3]
年度网络内容治理研究课题组. 边界挑战与生态治理：2025年中国网络内容治理报告[J]. 新闻记者, 2026(1): 72-85.

Research Group on Annual Internet Content Governance. Boundary challenges and ecological governance: report on internet content governance in China 2025[J]. Shanghai journalism review, 2026(1): 72-85.

[4]
赵燕珊. 平台激励计划重塑内容创业的路径研究——以快手、B站等网络平台为例[J]. 科技创业月刊, 2026, 39(1): 165-172.

ZHAO Y S. Research on the remodeling of content entrepreneurship paths by platform incentive programs: a case study of online platforms such as Kuaishou and Bilibili[J]. Journal of entrepreneurship in science technology, 2026, 39(1): 165-172.

[5]
侯经川, 张晨旭. 博弈论在竞争情报中的应用[J]. 情报学报, 2022, 41(12): 1305-1313.

HOU J C, ZHANG C X. Application of game theory in competitive intelligence[J]. Journal of the China Society for Scientific and Technical Information, 2022, 41(12): 1305-1313.

[6]
赵晓敏, 翟礼滢, 蒋茵. 基于数字化赋能的平台供应链演化博弈决策[J]. 管理学报, 2023, 20(6): 925- 935.

ZHAO X M, ZHAI L Y, JIANG Y. Evolutionary game decision in a platform supply chain with digital empowerment[J]. Chinese journal of management, 2023, 20(6): 925-935.

[7]
张耀坤, 吴瑞, 宗金星. 基于SD的学术社交网络科研协同行为演化博弈分析[J]. 现代情报, 2022, 42(7): 68-80.

ZHANG Y K, WU R, ZONG J X. Evolutionary game analysis of scientific research collaborative behavior in academic social networks using system dynamics[J]. Journal of modern information, 2022, 42(7): 68-80.

[8]
盛志云, 邵记友, 徐榕桦. 平台所有者和参与企业数据共享行为的微分博弈研究[J]. 现代情报, 2023, 43(3): 83-95.

SHENG Z Y, SHAO J Y, XU R H. Data sharing behavior in digital platform ecosystem based on differential game[J]. Journal of modern information, 2023, 43(3): 83-95.

[9]
王勇, 刘乐易, 迟熙, 等. 流量博弈与流量数据的最优定价——基于电子商务平台的视角[J]. 管理世界, 2022, 38(8): 116-132.

WANG Y, LIU L Y, CHI X, et al. Traffic game and the optimal pricing of traffic data: based on the perspective of e-commerce platform[J]. Journal of management world, 2022, 38(8): 116-132.

[10]
SMITH J M, PRICE G R. The logic of animal conflict[J]. Nature, 1973, 246(5427): 15-18.

[11]
宋美慧, 王维才. 能源安全背景下企业与政府间双方演化博弈行为研究[J]. 中国软科学, 2022(9): 152-160.

SONG M H, WANG W C. Research onevolutionary game behavior between enterprise and government on the background of energy security[J]. China soft science, 2022(9): 152-160.

[12]
卢方元. 环境污染问题的演化博弈分析[J]. 系统工程理论与实践, 2007(9): 148-152.

LU F Y. Evolutionary game analysis on environmental pollution problem[J]. Systems engineering-theory practice, 2007(9): 148-152.

[13]
杨广青. Bertrand竞争下融资策略与产品差异化策略的博弈分析[J]. 中国管理科学, 2006(4): 88-94.

YANG G Q. The game analysis on financing strategy and product differentiation strategy in the frame of Bertrand competition[J]. Chinese journal of management science, 2006(4): 88-94.

[14]
胡明礼. 企业集群演进的进化博弈链模型研究[J]. 科技进步与对策, 2006(11): 34-37.

HU M L. Study on chain model of evolutionary game of clusters' evolution[J]. Science technology progress and policy, 2006(11): 34-37.

[15]
徐松鹤, 胡少龙, 韩传峰. 基于改进复制动态方程的邻避事件随机演化博弈模型[J]. 数学的实践与认识, 2021, 51(15): 1-12.

XU S H, HU S L, HAN C F. Stochastic evolutionary game model of NIMBY events based on improved repetitive dynamic equations[J]. Mathematics in practice and theory, 2021, 51(15): 1-12.

[16]
商淑秀, 张再生. 虚拟企业知识共享演化博弈分析[J]. 中国软科学, 2015(3): 150-157.

SHANG S X, ZHANG Z S. The knowledge sharing of virtual enterprise based on evolutionary game[J]. China soft science, 2015(3): 150-157.

[17]
王先甲, 何奇龙, 全吉. 基于复制动态的消费者众筹策略演化动态[J]. 系统工程理论与实践, 2017, 37(11): 2812-2820.

WANG X J, HE Q L, QUAN J. Evolutionary dynamics of consumers' crowdfunding strategies based on replicator dynamics[J]. Systems engineering-theory practice, 2017, 37(11): 2812-2820.

[18]
刘雅姝, 张海涛, 任亮, 等. 商务网络信息生态链价值协同创造的演化博弈研究[J]. 情报学报, 2019, 38(9): 932-942.

LIU Y S, ZHANG H T, REN L, et al. Research on the evolutionary game of the business network information ecological chain co-creation of value[J]. Journal of the China Society for Scientific and Technical Information, 2019, 38(9): 932-942.

[19]
常永华, 李春玲. 基于演化博弈的电子政务信息服务模型分析研究[J]. 情报学报, 2013, 32(7): 733-741.

CHANG Y H, LI C L. Research on model for e-government information services based on evolutionary game theory[J]. Journal of the China Society for Scientific and Technical Information, 2013, 32(7): 733-741.

[20]
杨奇光. 平台方与出版商：数字视听产业的平台化实践与生态治理[J]. 编辑之友, 2023(1): 45-51.

YANG Q. Platform and publisher: platformization practice and ecological governance of the digital audiovisual industry[J]. Editorial friend, 2023(1): 45-51.

[21]
欧阳耀福. 互联网平台化组织模式对企业创新的影响研究[J]. 经济研究, 2023, 58(4): 190-208.

OUYANG Y F. Research on the impact of internet platforms on enterprise innovation[J]. Economic research journal, 2023, 58(4): 190-208.

[22]
赵连霞, 刘佳, 张小峰, 等.三方博弈视角下供应商社会责任审查策略研究[J]. 管理学报, 2023, 20(9): 1380-1388.

ZHAO L X, LIU J, ZHANG X F, et al. Research on the audit strategies of the supplier social responsibility from the perspective of tripartite game[J]. Chinese journal of management, 2023, 20(9): 1380-1388.

[23]
卢超, 王璇璇, 周迪, 等.平台企业数据滥用行为的治理机制研究——基于多主体演化博弈视角[J]. 工程管理科技前沿, 2023, 42(2): 16-24.

LU C, WANG X X, ZHOU D, et al. The governance mechanism for platforms' data abuse behavior: a multi-agent evolutionary game perspective[J]. Frontiers of science and technology of engineering management, 2023, 42(2): 16-24.

[24]
赵璐. 算法实践的社会建构——以某信息分发平台为例[J]. 社会学研究, 2022, 37(4): 23-44. 226-227.

ZHAO L. The social construction of algorithmic practice: take an information distribution platform as an example[J]. Socialogical studies, 2022, 37(4): 23-44, 226-227.

[25]
刘建刚, 吴倩, 张美娟.直播带货平台生态体系价值共毁的演化博弈[J]. 中国管理科学, 2023, 31(3): 143-154.

LIU J G, WU Q, ZHANG M J. Evolutionary game of value co-destruction of the ecosystem of live commerce platform[J]. Chinese journal of management science, 2023, 31(3): 143-154.

[26]
王克, 秦江涛.考虑合谋行为下的短视频平台监管策略演化博弈研究[J]. 经济研究导刊, 2021(36): 90-94, 116.

WANG K, QIN J T. Research on the evolutionary game theory of regulatory strategies for short video platforms considering collusion behavior[J]. Economic research guide, 2021(36): 90-94, 116.

[27]
WANGERSKY P J. Lotka-Volterra Population Models[J]. Annual review of ecology and systematics, 1978, 9(1): 189-218.

[28]
PEREZ J, FÜZFA A, CARLETTI T, et al. The Jungle Universe: coupled cosmological models in a Lotka-Volterra framework[J]. General relativity gravitation, 2014, 46(6): 1753.

[29]
MAY R M, LEONARD W J. Nonlinear aspects of competition between three species[J]. Siam journal on applied mathematics, 1975, 29(2): 243-253.

[30]
BLANCO J M. Relationship between the logistic equation and the Lotka-Volterra models[J]. Ecological modelling, 1993, 66(3/4): 301-303.

[31]
教育行业黑板报.B站1w播放量能赚多少钱？揭秘UP主真实收入内幕[EB/OL]. [2026-03-08].

EDUCATIONAL INDUSTRY BLACKBOARD POSTER. How much can you earn with 10, 000 views on Bilibili? unveiling the real income secrets of content creators[EB/OL]. [2026-03-08].

[32]
瓴麟科技, 浦软学院.何同学与科技叙事:从“5G 测评”到“人文科技博主”, 技术内容的情感化破圈[EB/OL]. [2026-03-08].

LINGLIN TECH, PUDONG SOFTWARE PARK. "Student He" and technology narrative: from "5G evaluation" to "humanities and technology blogger", breaking through the original circle with emotionalization of technical content[EB/OL]. [2026-03-08].

[33]
罗茂林.动画短剧月流水破千万元 B站推出扶持政策“觉醒计划”[EB/OL]. [2026-03-08].

LUO M. The monthly revenue of animated short dramas has surpassed 10 million yuan, and Bilibili has launched a support policy named "Awakening Plan"[EB/OL]. [2026-03-08].

[34]
韦英姿.十亿流量激励, B站切入视频播客市场[EB/OL]. [2026-03-08].

WEI Y. With a billion-traffic incentive, Bilibili enters the video podcast market[EB/OL]. [2026-03-08].

[35]
廖尔摩斯|设计大侦探.1.4 万字产品拆解！3.15亿Z时代用户为何热爱哔哩哔哩？[EB/OL]. [2026-03-08].

LIAO ER MO SI|DESIGN DETECTIVE.14, 000-word product disassembly! Why do 315 million Z-generation users love Bilibili?[EB/OL]. [2026-03-08].

[36]
FRIEDMAN D. Evolutionary games in economics[J]. Econometrica, 1991, 59(3): 637-666.

[37]
FRIEDMAN D. On economic applications of evolutionary game theory[J]. Journal of evolutionary economics, 1998(8): 15-43.

Options
Outlines

/

〈 〉