平台与商家线索能否改善价格预测?——基于在线外卖平台的机器学习研究
《Journal of Retailing and Consumer Services》:Do platform and seller cues improve price prediction? A study on online food delivery platforms using machine learning
【字体:
大
中
小
】
时间:2026年10月22日
来源:Journal of Retailing and Consumer Services 13.7
编辑推荐:
# 在线外卖平台基于价值的定价研究:平台品牌与餐厅活动时长作为可观测线索的角色
## 摘要
本研究通过考察超越核心服务属性的变量——平台品牌和观察到的餐厅活动时长——作为可观测的平台级和餐厅级线索,探讨在线外卖平台上的基于价值的定价问题。本研究以信号理论为概念视角,采用理
# 在线外卖平台基于价值的定价研究:平台品牌与餐厅活动时长作为可观测线索的角色
## 摘要
本研究通过考察超越核心服务属性的变量——平台品牌和观察到的餐厅活动时长——作为可观测的平台级和餐厅级线索,探讨在线外卖平台上的基于价值的定价问题。本研究以信号理论为概念视角,采用理论引导的预测建模方法,评估这些线索相关变量在不同订单紧急程度下是否能改善对每单最终支付价格的预测。利用越南1536条跨平台交易数据,并采用更广泛的模型基准测试策略(包括随机森林、线性回归、XGBoost及其他机器学习模型),我们发现非线性机器学习模型在样本外预测准确性方面优于传统线性估计方法。XGBoost取得了最强的整体预测性能,因此被作为主要模型用于置换特征重要性和假设分析,而随机森林则作为稳健性基准。平台品牌和餐厅活动时长均被证明是超越核心服务属性的有意义的预测贡献者。重要的是,平台品牌在高紧急程度条件下预测重要性显著增加,而餐厅活动时长在不同紧急程度水平下保持相对稳定。这些发现通过揭示理论上指导的可观测线索如何跨交易条件为价格预测做出贡献,为基于价值的定价和数字平台研究提供了贡献,并为寻求在多平台环境中支持定价决策的餐厅提供了可操作的见解。
## 引言
基于价值的定价被广泛认为是一种具有战略优势但运营要求较高的定价方法(Christen等人,2022;Roll和Geerties,2025)。实施这一策略要求企业准确识别并提供价值,同时理解哪些决定因素最能塑造客户的支付意愿(Murrar等人,2025)。先前的研究表明,数字和酒店相关市场中的定价受到核心服务属性、季节性、产能约束、促销活动和时间条件的影响(Gordan等人,2022;Tuncay等人,2024)。然而,关于超越核心的平台和卖家级线索是否能在跨平台在线外卖环境中改善最终价格预测,目前所知甚少。这一空白很重要,因为餐厅越来越多地在多个外卖应用上列出相似的餐品,但最终客户支付的价格可能因平台和订购情况而异(Oh等人,2026;Zhou等人,2024)。这一问题的实际规模在越南显而易见:2023年在线外卖市场约为14亿美元,2024年增长至18亿美元,年增长率达26%。GrabFood和ShopeeFood分别占市场份额的约48%和47%,而BeFood约占4%(Momentum Works,2025)。
在在线外卖平台中,客户支付的最终价格不仅反映了菜单价值,还包括平台佣金、配送费、服务费、促销折扣以及与紧急需求相关的条件。例如,GrabFood在配送费和小额订单费之外还收取单独的服务费,这说明即使在单一平台内部,客户支付金额也可能与标价食品价格不同(Grab,2021)。这些组成部分代表了不同类型的可观测定价相关线索:核心菜单/服务属性捕捉功能性的订单特征,而平台品牌和餐厅活动时长则捕捉可能与价格预测相关的平台和卖家级信息。因此,餐厅——尤其是中小型餐饮服务卖家——面临一个实际问题:它们必须在不完全了解哪些可观测的订单级、平台级和餐厅级线索有助于跨平台预测最终价格的情况下做出定价决策。
相应地,本研究解决一个具体的空白:平台品牌和餐厅活动时长是否能在核心菜单/服务属性之外增加预测价值,以及它们的预测重要性在订单紧急程度下是否发生变化。因此,本研究被构建为一项由信号理论引导的理论指导型预测定价研究,评估样本外价格预测和特征重要性,而非估计因果性定价效应或直接检验客户信号机制。
外卖平台引入了与传统餐厅定价不同的定价条件,因为相同或相似的产品可以出现在多个平台上,但费用、折扣、配送条件和平台界面各不相同。现有研究已推进了对住宿、酒店相关服务和数字平台定价的知识(Christen等人,2022;Han和Bai,2022;Singh,2025),但它们对跨平台外卖定价从卖家端中小企业视角的研究仍不充分。特别是,先前的工作更多地关注菜单属性、评分、促销或平台级定价条件,而非超越核心的可观测线索(如平台品牌和卖家活动时长)的增量预测价值。这些条件直接影响零售商的成果:定价过低可能会进一步压缩已经受限的利润空间,而定价过高则可能降低订单转化率、平台可见性以及相对于类似餐厅的竞争力。在这种情况下,每单支付的最终价格不仅反映了食品数量或菜单类别,还反映了与交易背景相关的可观测平台和餐厅特征。因此,本研究的焦点线索变量并非任意选择的。核心菜单/服务属性捕捉订单的功能基础,平台品牌捕捉市场级信息,而餐厅活动时长捕捉数据窗口内观察到的餐厅活动持续时间。因此,实证目标是确定这些理论上有意义的预测变量是否改善价格预测准确性,并有助于更好地理解基于平台的定价模式。
基于这一空白,本研究探讨两个研究问题。第一,配送平台品牌和餐厅活动时长是否能在核心菜单和服务属性之外改善每单最终支付价格的预测?第二,订单紧急程度是否调节这些超越核心变量在低、中、高紧急程度条件下的预测贡献?这些研究问题通过关注样本外价格预测和特征重要性,明确了本研究的预测导向。因此,一个预测变量被解释为预测信息的来源,而非因果性定价效应或客户有意识信号解释的证据。
为了回答这些问题,我们以信号理论(Spence,1973)作为识别潜在相关可观测线索的概念视角,而非作为通过客户感知或行为机制直接检验的框架。信号理论表明,在信息不对称的情况下,可观测属性可能成为解释价值、减少不确定性的有用线索。然而,本研究设计并未直接测量接收者解释、感知可信度、信任形成或支付意愿路径。相应地,我们构建了一个概念性定价预测框架,既纳入核心菜单/服务属性,也纳入超越核心的线索相关变量。这些超越核心的变量包括平台品牌和餐厅活动时长。平台品牌捕捉市场级交易背景,而餐厅活动时长则捕捉可用观察窗口内基于数据集的卖家活动连续性。这一框架明确了信号理论在本研究中的作用:它指导特征选择和解释,但实证分析检验的是预测相关性而非信号机制本身。
为在跨平台配送环境中为卖家生成定价见解,我们采用机器学习方法,对多个预测模型进行基准测试,而非仅依赖单一的线性-非线性对比。这种更广泛的基准测试策略使模型选择能够由预测性能和研究目标来指导。与传统的解释性回归模型不同,机器学习模型不需要对数据结构做强假设,支持定价预测变量之间的非线性交互,并能够估计基于置换的特征重要性,这使得它们在卖家历史数据有限时适合对定价复杂性建模(Sarode等人,2024)。
遵循先前的研究(Christen等人,2022;Tang等人,2023),我们采用了一种跨平台价格预测设计,模拟现实世界中中小企业的数据约束,强调预测准确性(RMSE、MAE、相关性)而非方向性系数解释。我们并不声称某一种算法普遍优于其他算法,而是对线性回归、决策树回归、随机森林、支持向量回归、梯度提升、XGBoost和多层感知器神经网络进行基准测试。基准测试结果确定XGBoost为表现最强的模型;因此,XGBoost被保留作为后续置换特征重要性的主要模型,而随机森林被保留作为跨模型稳健性基准。模型评估使用训练-测试划分、替代稳健性分区、交叉验证检查、预测准确性指标和基于置换的特征重要性。订单紧急程度被视为一种代表交易级决策时间压力的操作性预测调节变量,并使用替代截断值进行敏感性检查,以评估基于紧急程度解释的稳健性。
本研究做出三项贡献。第一,它通过证明在线外卖平台上的最终订单价格可以通过纳入超越核心的可观测变量(而不仅仅是菜单和服务属性)来更好地预测,扩展了基于价值的定价研究。第二,它以信号理论作为指导性的概念视角,区分了平台级品牌背景和卖家级观察活动时长,特别是在不同水平的订单紧急程度下。研究还进一步表明,紧急程度作为一种预测边界条件发挥作用,在高紧急程度条件下,平台品牌重要性的增加比餐厅活动时长更为明显。第三,它提供了实证证据,表明平台级和餐厅级线索跨交易背景对最终价格预测的贡献不同,从而澄清了这些超越核心变量何时变得更具有预测相关性或更不具预测相关性。机器学习基准测试和特征重要性分析作为既定的分析工具,支持这些概念和实证目标。这些贡献共同围绕一个更清晰的空白-贡献逻辑定位:先前的研究解释了许多核心和运营定价因素,但本研究展示了超越核心的平台和卖家线索是否在跨平台外卖定价中增加预测价值,以及这种价值在紧急程度下如何变化。
## 章节摘要
### 定价策略
在线平台上的定价是一项复杂的 managerial 任务,尤其对于在数据和费用约束下运营的卖家而言(Cachon等人,2025)。有效的定价需要考量反映订单功能价值的核心服务属性(菜单价值、商品数量、餐厅ID、服务区域)、竞争性价格线索、时间性需求波动(季节、周末、高峰时段)以及买家决策条件(Roy等人,2022)。在以客户为中心的方法中,基于价值的……
### 数据收集
为假设检验,我们选择了在线外卖平台,在这些平台上,餐厅频繁地在多个外卖市场列出相似的餐品。中小企业在这一行业面临的一个关键挑战——也是机遇——是利用可观测的交易特征预测最终客户支付价格,特别是在平台费用和时间性促销波动的情况下(Christen等人,2022;Kim和Krishnan,2019)。这一背景适合本研究,因为它允许我们考察……
### 描述性分析
数据集包含1536条有效的订单级观测值,其中512单(33.3%)在ShopeeFood上下单,498单(32.4%)在BeFood上下单,526单(34.2%)在GrabFood上下单。这一分布反映了所抽样配送市场中平台参与度的相对平衡。如表2 A部分所示,数据还显示了订单规模和配送时间窗口的变化。两件商品的订单是最常见的类别(n=542,35.3%),其次是三件商品的订单(n=318,20.7%)……
### 理论启示
本研究旨在考察超越核心服务属性——具体而言,平台品牌和观察到的餐厅活动时长——作为可观测线索相关变量在在线外卖平台基于价值定价中的作用。我们在不同水平的订单紧急程度下分析这些预测贡献。本研究做出几项理论贡献。首先,它将在线外卖中的基于价值的定价重构为一个理论指导的预测问题。通过开发和实证……
### 局限性与未来研究
本研究存在几个局限,为未来研究提供了机会。首先,本研究采用预测性而非因果性设计。因此,研究结果应被解释为预测重要性的证据,而非平台品牌或餐厅活动时长直接导致最终订单价格变化的证据。相关地,虽然信号理论被作为概念视角来指导平台品牌和餐厅活动……
## CRediT作者贡献声明
**Hai-Dung Do:** 写作-审阅与编辑,写作-初稿,可视化,验证,监督,软件,资源,方法论,调查,正式分析,数据整理,概念化。
**Nam Tien Duong:** 写作-审阅与编辑,写作-初稿,可视化,验证,监督,软件,资源,项目管理,方法论,调查,资金支持获取,正式分析,数据整理,概念化。
## 伦理批准与参与同意
胡志明市经济与金融大学授权作者在本次学术研究中使用该量表。
## 出版同意
作者声明他们同意出版。
## 资金
本研究未获得任何资金支持。
## 利益冲突声明
作者声明他们不存在任何可能影响本文报告工作的已知竞争性财务利益或个人关系。
## 致谢
我们感谢所有参与者对这项工作的支持。
**Hai-Dung Do | Nam Tien Duong**
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号