加载中...
Chasing Diamonds and Crowns: Consumer Limited Attention and Seller Response
在线平台通常根据卖家的评分是否超过特定阈值来为其分配汇总符号。消费者可能关注这些符号,而对评分本身给予有限注意力。这种偏差导致在阈值处需求出现不连续增长。本文通过一个理论模型说明,由于正向需求冲击,卖家会在评分达到阈值前降低价格,并在达到阈值后提高价格。本文从淘宝收集数据以检验理论预测。利用断点回归方法,本文发现需求侧方面,即使控制同一商品,当卖家通过阈值时每小时销量显著增加。供给侧方面,价格相对于评分确实呈现V型模式。此外,卖家在接近阈值前会提前提高价格,支持了理论预测。
Abstract
Online platforms often assign sellers summary symbols based on whether their ratings pass certain thresholds. Consumers may focus on the symbols and pay limited attention to the ratings. This bias leads to discontinuously increased demand at the thresholds. I use a theoretical model to illustrate that sellers will lower the prices before their ratings reach the thresholds and increase their prices afterward due to the positive demand shock. I collect data from Taobao to test the theoretical predictions. Using regression discontinuity, I find that on the demand side, the hourly sales increase significantly when a seller passes the threshold, even conditional on the same item. On the supply side, the prices indeed exhibit a V-shaped pattern with respect to the ratings. Furthermore, sellers preemptively increase prices shortly before reaching thresholds, supporting the theoretical predictions.
通过评分阈值后,每小时销量显著增加。
以淘宝卖家为样本,使用断点回归识别。结果表明,在控制商品、卖家、价格等变量后,通过阈值使正销售概率提高0.187个百分点,相对于2.2%的基准概率,相当于销量增加8.5%。
通过阈值对销量的影响在关键里程碑级别上更强。
异质性分析显示,级别6(一颗钻石)和级别11(一个皇冠)的效应显著更高,分别为0.0113和0.00261,表明消费者进一步对卖家进行分类,这些里程碑级别具有更大的需求效应。
卖家价格在评分阈值前下降,阈值后上升,呈V型模式。
使用门槛回归,发现价格在阈值前显著下降(斜率-0.0988),阈值后显著上升(斜率0.0919),表明卖家在阈值前使用价格折扣加速评分积累,阈值后利用需求冲击提高价格。
卖家在评分达到阈值前提前提高价格。
门槛回归估计价格转折点位于真实阈值前约5.0%(子样本中为7.3%),表明由于价格调整的粘性,卖家预期未来需求冲击,提前提高价格,支持理论预测。
高交易量商品和低价商品的价格调整更显著。
异质性分析表明,交易量高的商品价格反应更平缓,而低价商品的价格调整更剧烈,因为评分是卖家层面的属性,卖家更倾向于使用低价商品进行动态定价。
核心解释变量
卖家评分分数与最近阈值的百分比距离(以及是否通过阈值的虚拟变量)
被解释变量
商品-模型每小时销量(非零销售概率、对数销量等)和每小时对数价格
样本与数据
淘宝平台2976个卖家的日度面板(2013年11月15日至12月23日),约20万商品和680万条交易记录,并在需求侧分析中限制为价格不变的商品-模型。
识别方法 / 模型设定
断点回归设计(Regression Discontinuity),利用卖家评分恰好超过阈值导致汇总符号变化的外生变异,比较阈值前后的销量和价格变化;控制商品-模型固定效应、时间固定效应和店铺属性。
内生性及稳健性检验
进行了一系列稳健性检验:不同带宽(2.5%、5%、10%)、不同多项式阶数、安慰剂阈值(-10%和10%)、控制店铺属性、改变价格插值方法、使用核回归和负二项/泊松回归等,主要结果保持稳健。
更多相关数据正在补充