17 平台、网络效应与双边市场

这一讲要回答五个问题：

1. 网络效应是什么？为什么它让"需求"变得很奇怪，出现"临界规模"？
2. 为什么这类市场常出现赢家通吃？历史的偶然会把市场锁定在一个选择上吗？
3. 平台撮合两边的人，价格为什么不对称？为什么常常一边免费、甚至倒贴？
4. 平台的竞争有什么特别之处？（多归属、转换成本）
5. 平台的力量该怎么管？

前面几讲，我们把需求看成每个人的需求"简单相加"（第 5 讲），并且每个人愿意付多少，只取决于他自己。有一类商品不是这样：你愿意付多少，取决于别人用不用。 第 5 讲、第 10 讲、第 14 讲、第 15 讲，都提到过这个问题，说"第 17 讲会讲"。现在来讲。

一、你换不掉的聊天软件

假设今天有一个新的聊天软件。它界面更清爽，功能更好用，免费，没有广告。你的朋友们都在用现在这个软件。

先停一下：你会换吗？

大多数人不会。不是因为新软件不好，而是因为：你的朋友都不在那边。 一个聊天软件，如果只有你一个人用，对你一点价值也没有，不管功能多好。

这就是网络效应（network effect）：

一样东西的价值，取决于有多少别人也在用它。

网络效应有几种形式：

• 直接网络效应：同一类用户越多，对每个人越有价值。电话、聊天软件、共享文档格式。
• 间接（交叉）网络效应：一边的用户越多，另一边的人越愿意来。游戏机上的游戏越多，玩家越愿意买主机；玩家越多，开发者越愿意做游戏。打车软件上，乘客越多，司机越愿意来；司机越多，乘客越容易叫到车。
• 负的网络效应：人多了反而更糟，比如拥堵、嘈杂。（外卖高峰期，送餐变慢。）

这一讲主要讲前两种。

二、需求曲线怎么变：临界规模

2.1 一个模型

第 5 讲，你的愿付价只取决于你自己。现在假设：每个人"单独用这个软件"的价值不同（平均 0.5，差别用标准差 0.15 衡量），而且用的人占全体的比例是 n 时，每个人再多得 0.9 × n 的价值。价格是 p。你愿意用，当且仅当：

你自己的价值 + 0.9 × n ≥ 价格 p

注意：愿意用的人占多少，取决于 n（现在在用的人占多少）；而 n 本身，又是由愿意用的人决定的。每个人的选择，取决于别人的选择。

我们用代码，看一轮一轮的变化：每一轮，大家按上一轮的使用比例决定用不用。

from math import erf, sqrt

# 一个社交软件。每个人单独用它的价值 v 不同（平均 0.5，差别用标准差 0.15 衡量）；
# 用的人占全部人的比例是 n 时，每个人再多得到 0.9 × n 的价值；价格 p。价值 + 网络价值 >= 价格，就会用。
MEAN, SD, BETA = 0.5, 0.15, 0.9
Phi = lambda x: 0.5 * (1 + erf(x / sqrt(2)))                    # 标准正态分布的累积概率

def join_share(n, p):
    """如果别人用的比例是 n，价格是 p，愿意用的人占多少"""
    return 1 - Phi((p - BETA * n - MEAN) / SD)

p = 0.9
print(f"价格 {p}：别人用的比例 n -> 愿意用的人占多少")
for n in (0.1, 0.2, 0.3, 0.4, 0.5, 0.7, 0.9):
    s = join_share(n, p)
    print(f"  n = {n:.1f} -> {s:.3f}（{'比 n 大，会涨' if s > n else '比 n 小，会跌'}）")

def settle(n0, price_path):
    """每一轮，大家按上一轮的比例决定用不用；price_path 是每一轮的价格"""
    n = n0
    for price in price_path:
        n = join_share(n, price)
    return n

print(f"\n从不同的起点出发，价格一直是 {p}，走 60 轮以后：")
for n0 in (0.05, 0.2, 0.35, 0.45, 0.6, 0.9):
    print(f"  起点 {n0:.2f} -> 最后 {settle(n0, [p] * 60):.3f}")

# 临界点在哪：愿意用的人恰好等于 n 的那个点
lo, hi = 0.2, 0.7
for _ in range(60):
    mid = (lo + hi) / 2
    if join_share(mid, p) > mid: hi = mid
    else: lo = mid
print(f"\n临界规模：约 {lo:.3f}（低于它会一路萎缩到几乎没人，高于它会一路涨到几乎所有人）")

# 补贴启动：只有第 1 轮降价（拉新），之后恢复 0.9。起点是 5% 的人在用
print("\n只在第 1 轮降价拉新，之后恢复原价：")
for first in (0.8, 0.7, 0.6, 0.5, 0.0):
    path = [first] + [p] * 60
    print(f"  第 1 轮价格 {first:.1f}：第 1 轮后有 {settle(0.05, path[:1]):.2f} 的人在用 -> 最后 {settle(0.05, path):.3f}")

输出：

价格 0.9：别人用的比例 n -> 愿意用的人占多少
  n = 0.1 -> 0.019（比 n 小，会跌）
  n = 0.2 -> 0.071（比 n 小，会跌）
  n = 0.3 -> 0.193（比 n 小，会跌）
  n = 0.4 -> 0.395（比 n 小，会跌）
  n = 0.5 -> 0.631（比 n 大，会涨）
  n = 0.7 -> 0.937（比 n 大，会涨）
  n = 0.9 -> 0.997（比 n 大，会涨）

从不同的起点出发，价格一直是 0.9，走 60 轮以后：
  起点 0.05 -> 最后 0.004
  起点 0.20 -> 最后 0.004
  起点 0.35 -> 最后 0.004
  起点 0.45 -> 最后 1.000
  起点 0.60 -> 最后 1.000
  起点 0.90 -> 最后 1.000

临界规模：约 0.404（低于它会一路萎缩到几乎没人，高于它会一路涨到几乎所有人）

只在第 1 轮降价拉新，之后恢复原价：
  第 1 轮价格 0.8：第 1 轮后有 0.04 的人在用 -> 最后 0.004
  第 1 轮价格 0.7：第 1 轮后有 0.15 的人在用 -> 最后 0.004
  第 1 轮价格 0.6：第 1 轮后有 0.36 的人在用 -> 最后 0.004
  第 1 轮价格 0.5：第 1 轮后有 0.62 的人在用 -> 最后 1.000
  第 1 轮价格 0.0：第 1 轮后有 1.00 的人在用 -> 最后 1.000

2.2 读结果：三个"不动点"和一个临界点

• n 很小时（比如 0.1、0.2、0.3），愿意用的人比现在用的人更少：用的人越少，越没人想用，一路萎缩。
• n 较大时（比如 0.5、0.7），愿意用的人比现在更多：越多人用，越多人想用，一路上涨，直到几乎所有人。
• 中间有一个临界规模，约 0.40。低于它，软件会死掉；高于它，软件会火起来。 从 0.35 出发会萎缩到几乎没人，从 0.45 出发会涨到几乎所有人，只差 0.1。

图里蓝色曲线和灰色对角线有三个交点：两个稳定的（几乎没人用，几乎人人用）和一个不稳定的（临界规模）。同样的人，同样的偏好，同样的价格，可能有两种完全不同的结局：要看大家预期别人用不用。第 5 讲讲过的"需求曲线向下"，这里被打破了：价格没变，用的人越多，愿意用的人越多。

2.3 鸡与蛋：怎么越过临界规模

新平台的难题就在这里：没人用的时候，没人想用。 这叫"鸡与蛋"问题（先有鸡还是先有蛋）。

代码的最后一段，演示了补贴怎么帮忙：起点是 5% 的人在用，只在第 1 轮降价拉新，之后恢复 0.9：

• 第 1 轮价格 0.8、0.7、0.6：拉进来的人是 4%、15%、36%，都没到 40% 的临界规模，之后又回落到几乎没人。
• 第 1 轮价格 0.5：拉进来 62%，越过了临界规模，之后虽然恢复原价，用户比例还是一路涨到几乎所有人。

两点体会：

1. 补贴要够大，才有用。零打碎敲的补贴，一旦停下，用户又流失了。很多平台早期烧钱补贴，逻辑就在这里：不是为了赔钱，而是为了越过临界规模。
2. 补贴可能是一次性的：越过之后，网络效应自己会维持，补贴可以撤掉。这是第 15 讲"免费增值"的另一种解释：免费用户本身对其他用户有价值。

还有一点要提醒：这里"预期"起了很大作用。如果人们预期别人都会来，自己就愿意来，这个预期会自我实现；反过来，如果人们预期别人会走，也会自我实现。这种"预期自我实现"的结构，后面讲银行挤兑（第 35 讲、实验 78）时还会遇到。

小结： 网络效应：你的价值取决于别人用不用。需求会出现临界规模：低于它自我萎缩，高于它自我强化。新平台要越过它，常需要足够大的补贴。同样的偏好和价格，可能有两种稳定的结局，取决于预期。

三、赢家通吃与锁定

3.1 两个一样好的选择

如果市场里有两个一样好的竞争者呢？比如两个聊天软件。网络效应会让用户往人多的那边倒，哪边起初多一点点，哪边就越来越多。

我们模拟一下：2000 个新用户依次到来，每人有自己的偏好；选 A 的满足感 = 自己的偏好 + BETA × 目前 A 的用户占比，选 B 类似。BETA 代表网络效应的强弱。一共跑 1000 次，看最后 A 的份额。

import numpy as np

# 两种一样好的技术 A 和 B（比如两种聊天软件）。2000 个新用户依次到来，每人有自己的偏好 taste（平均 0，各人不同）。
# 选 A 的满足感 = taste + BETA × 目前 A 的用户占比；选 B 的满足感 = -taste + BETA × 目前 B 的用户占比。
# BETA 就是网络效应的强弱；BETA = 0 时，没有网络效应，每人只看自己的偏好。
rng = np.random.default_rng(17)
USERS, RUNS, TASTE_SD = 2000, 1000, 0.3

def one_run(beta):
    a = b = 1                                              # 两边各有 1 个种子用户
    early = None
    for i in range(USERS):
        taste = rng.normal(0, TASTE_SD)
        share_a = a / (a + b)
        if taste + beta * share_a > -taste + beta * (1 - share_a): a += 1
        else: b += 1
        if i == 19: early = a / (a + b)                    # 前 20 个新用户之后，A 的占比
    return a / (a + b), early

print("网络效应的强弱 BETA -> 1000 次模拟：赢家的最终份额 | 赢家份额超过 90% 的比例 | 前 20 人之后领先的一方，最后赢了的比例")
for beta in (0.0, 0.6, 1.5):
    results = [one_run(beta) for _ in range(RUNS)]
    final = np.array([r[0] for r in results]); early = np.array([r[1] for r in results])
    winner_share = np.maximum(final, 1 - final)
    lead_wins = np.mean((early > 0.5) == (final > 0.5))
    print(f"  BETA = {beta:.1f} -> 平均 {winner_share.mean():.2f} | {np.mean(winner_share > 0.9):.0%} | {lead_wins:.0%}"
          f"（A 赢的次数 {np.mean(final > 0.5):.0%}）")

输出：

网络效应的强弱 BETA -> 1000 次模拟：赢家的最终份额 | 赢家份额超过 90% 的比例 | 前 20 人之后领先的一方，最后赢了的比例
  BETA = 0.0 -> 平均 0.51 | 0% | 53%（A 赢的次数 52%）
  BETA = 0.6 -> 平均 0.57 | 0% | 83%（A 赢的次数 47%）
  BETA = 1.5 -> 平均 0.99 | 100% | 99%（A 赢的次数 51%）

• BETA = 0（没有网络效应）：两家各占大约一半，最终份额集中在 0.5 附近。前 20 人之后领先的一方，最后赢了的比例是 53%，等于抛硬币：早期的运气，对结局没影响。这是我们的基准。
• BETA = 0.6（网络效应较弱）：赢家平均份额 0.57，没有一次超过 90%；但前 20 人之后领先的一方，最后赢的比例升到 83%：早期的优势开始起作用。
• BETA = 1.5（网络效应较强）：每一次赢家的份额都超过 90%（平均 0.99），而且前 20 个用户之后领先的一方，99% 会赢。注意：A 赢的次数是 51%，两种技术一样好，哪个赢完全是早期的偶然，一旦赢了，就被"锁定"了。

这就是 Katz 和 Shapiro（1985 年，American Economic Review，75 卷 3 期）、Arthur（1989 年，Economic Journal，99 卷 394 期）讨论的锁定（lock-in）：在有网络效应（或者规模报酬递增）的市场里，历史上的偶然事件，可能把市场固定在某一种技术上，而这种技术不一定是最好的。

3.2 争议：QWERTY 是锁定的好例子吗

最常被引用的例子，是键盘。现在通用的键盘布局叫 QWERTY，据说是为了防止早期打字机的字键卡住而设计的；后来有人设计了据称更快的 Dvorak 布局，但没能取代它。Paul David 1985 年（American Economic Review 论文集，75 卷）用它来说明"路径依赖"：一个次优的标准，因为历史偶然和网络效应，被锁定了。

理论预测什么：有网络效应时，市场可能锁定在次优的标准上，因为没有人愿意第一个换。

证据怎么说：David 的叙述，依据的是一些研究，据说它们表明 Dvorak 打字更快，重新培训打字员的成本很快就能收回。Liebowitz 和 Margolis 1990 年（Journal of Law and Economics，33 卷 1 期，《键盘的寓言》）重新查阅了当时的实验记录、人体工学研究和历史上各种键盘设计的竞争，认为：几乎没有可靠的证据，表明 QWERTY 比 Dvorak 差；支持 Dvorak 的证据常常来自 Dvorak 自己。

分歧在哪：双方对于"当年哪些研究可靠"有不同的判断。我没有读到这些实验的原始数据，所以这里不替你下结论。需要说明的是：这场争论不能证明"锁定从不发生"，也不能证明"锁定很常见"，它只是在争：这一个例子到底是不是。

价值判断：如果锁定很常见，就有理由让政府或行业来协调标准；如果很少见，市场自己的选择就够了。这里的权衡，留给你判断。

3.3 网络效应的另一面：大家都想退出，却都退不出

网络效应还有一种有意思的后果：大家可能都困在一个自己并不喜欢的东西里。 Bursztyn、Handel、Jiménez-Durán 和 Roth 在 2025 年（American Economic Review，115 卷 12 期）的研究，问了美国大学生一个问题：如果你们学校所有人都一起退出 TikTok 或者 Instagram，你愿意为此付钱吗？据二手转述，约 64% 的 TikTok 用户和近一半的 Instagram 用户，愿意付钱让所有人一起退出。他们的解释是：每个人单独退出，会错过朋友之间的信息（“害怕错过”），所以大家都留着，尽管如果所有人一起退出，很多人会更好。

局限：这是美国大学生的样本，问的是一个假想的选择；二手转述的百分比，请以原文为准。但它提供了一个对网络效应的警示：用的人多，不等于用的人都得到了好处。

小结： 有网络效应时，市场常出现"赢家通吃"：早期优势会被放大，市场可能被锁定在某一边，哪一边赢，常常是早期的偶然。锁定是否会选出次优的标准，是有争议的实证问题（QWERTY 之争）。网络效应也可能让所有人困在一个大家都想退出的产品里。

四、平台：撮合两边的人

4.1 什么是双边市场

平台撮合两类人：打车软件撮合乘客和司机，电商撮合买家和卖家，支付卡撮合持卡人和商户，游戏机撮合玩家和游戏开发者，报纸撮合读者和广告商。

Marc Rysman（2009 年，Journal of Economic Perspectives，23 卷 3 期）把双边市场描述为：两组人通过一个中介（平台）互动，每一组人的决定，会影响另一组的结果，常常通过外部性（第 23 讲会讲）。关键是：平台的价值，不是它自己造出来的，而是两边的人一起造出来的。

4.2 价格结构：对谁收钱，收多少

单边市场（比如卖奶茶）里，价格只有一个问题：定多少。平台有两个问题：总共收多少，以及这个钱由两边怎么分。 Rochet 和 Tirole（2003 年，Journal of the European Economic Association，1 卷 4 期）指出：平台的交易量和利润，不只取决于两边价格加起来的总数，还取决于它们怎么分配。

我们用一个玩具模型看：打车平台，乘客和司机两边。每个人"单独用平台"的价值在 0 到 1 之间均匀分布；对方每多一个人（占全体的比例），乘客多得 0.2 的价值，司机多得 0.7 的价值（司机特别在乎有没有乘客，乘客没那么在乎有几个司机）。服务每个人的成本是 0.2。平台对每位乘客、每位司机各收一个价格，应该怎么定？

# 打车平台：乘客和司机两边。每个人单独用平台的价值（乘客"想打车的程度"、司机"想接单的程度"）在 0 到 1 之间均匀分布。
# 对方每多一个人（占全体的比例），乘客多得 ALPHA_P 的价值，司机多得 ALPHA_D 的价值。
# 平台对每位乘客、每位司机各收一个价格；服务每个人的成本都是 COST。
ALPHA_P, ALPHA_D, COST = 0.2, 0.7, 0.2        # 司机特别在乎有没有乘客；乘客没那么在乎有几个司机

def participation(p_pass, p_driver):
    """两边各自的参与比例：每个人"单独的价值 + 对方人数带来的价值 >= 价格"就加入。解联立方程。"""
    n_p = n_d = 0.5
    for _ in range(500):                                    # 反复代入，直到两边的比例稳定下来
        n_p = min(1.0, max(0.0, 1 - p_pass + ALPHA_P * n_d))
        n_d = min(1.0, max(0.0, 1 - p_driver + ALPHA_D * n_p))
    return n_p, n_d

def profit(p_pass, p_driver):
    n_p, n_d = participation(p_pass, p_driver)
    return (p_pass - COST) * n_p + (p_driver - COST) * n_d

grid = [x / 20 for x in range(-20, 41)]                     # 价格从 -1 试到 2，步长 0.05（负的就是倒贴）
p_pass, p_driver = max(((a, b) for a in grid for b in grid), key=lambda pr: profit(*pr))
n_p, n_d = participation(p_pass, p_driver)
print(f"平台最优：乘客价格 {p_pass:.2f}，司机价格 {p_driver:.2f}（每边的成本都是 {COST}）")
print(f"  乘客参与 {n_p:.2f}，司机参与 {n_d:.2f}，利润 {profit(p_pass, p_driver):.3f}")
print(f"  乘客这一边：价格 - 成本 = {p_pass - COST:+.2f}；司机这一边：价格 - 成本 = {p_driver - COST:+.2f}")

# 对比：只看自己这一边的需求、不考虑对另一边的影响，每边各自定价
ps = max(grid, key=lambda p: (p - COST) * (1 - p))
print(f"\n只看自己这一边的需求、不考虑对另一边的影响：每边价格都是 {ps:.2f}，"
      f"乘客参与 {participation(ps, ps)[0]:.2f}，司机参与 {participation(ps, ps)[1]:.2f}，利润 {profit(ps, ps):.3f}")

# 改变两边的重视程度：谁的价格更低？
print("\n改变两边的在乎程度，平台最优价格怎么变（成本都是 0.2）：")
for ap, ad in [(0.2, 0.2), (0.3, 0.1), (0.2, 0.7)]:
    ALPHA_P, ALPHA_D = ap, ad
    pp, pd = max(((a, b) for a in grid for b in grid), key=lambda pr: profit(*pr))
    print(f"  乘客在乎 {ap}、司机在乎 {ad}：乘客价格 {pp:+.2f}，司机价格 {pd:+.2f}")

输出：

平台最优：乘客价格 0.40，司机价格 0.80（每边的成本都是 0.2）
  乘客参与 0.74，司机参与 0.72，利润 0.581
  乘客这一边：价格 - 成本 = +0.20；司机这一边：价格 - 成本 = +0.60

只看自己这一边的需求、不考虑对另一边的影响：每边价格都是 0.60，乘客参与 0.56，司机参与 0.79，利润 0.540

改变两边的在乎程度，平台最优价格怎么变（成本都是 0.2）：
  乘客在乎 0.2、司机在乎 0.2：乘客价格 +0.60，司机价格 +0.60
  乘客在乎 0.3、司机在乎 0.1：乘客价格 +0.65，司机价格 +0.55
  乘客在乎 0.2、司机在乎 0.7：乘客价格 +0.40，司机价格 +0.80

• 平台最优：对乘客收 0.40，对司机收 0.80。乘客价格更低，因为每多一个乘客，对司机的价值更大（司机在乎 0.7），平台愿意在乘客这一边少赚一点，把乘客拉进来，换来司机这一边更高的价格。
• 只看自己这一边的需求（没把对另一边的影响算进去）：每边都收 0.60，利润 0.540，比平台最优的 0.581 低。
• 最后一段：两边一样在乎，两边价格一样；乘客更在乎司机，乘客价格反而更高（0.65 对 0.55）；司机更在乎乘客，乘客价格更低（0.40 对 0.80）。规律是：对能给另一边带来更多好处的那一边，收得少；对从另一边得到更多好处的一边，收得多。

在这个例子里，价格都比成本高（没有谁被倒贴）。现实里，如果一边对另一边的价值特别大，平台可能把价格定得低于成本、甚至免费或补贴。Rochet 和 Tirole 描述过的例子：电子游戏机把主机卖得很便宜（把玩家当作"引流"），主要向游戏开发者收费；PC 操作系统则相反，主要向用户收费。报纸、搜索引擎，读者免费，向广告商收钱。一边免费，不是慈善，是价格结构的选择。

要说明：这是一个玩具模型，没有考虑真实平台里的很多因素（质量、数据、不同用户的差异）。现实里，补贴也常常不是直接降价，而是红包、优惠券、免佣期。

4.3 多归属与竞争

平台之间的竞争，还有一个关键因素：用户是单归属（只用一个平台）还是多归属（multi-homing，同时用好几个）。

• 如果乘客和司机都同时装好几个打车软件（多归属），一个平台就很难靠"独占"某一边来取胜；各平台都要争。
• 如果某一边是单归属的，平台对这一边就有了"瓶颈"的地位：想接触这些用户的人，必须通过它。Rysman 指出：如果一边的用户一次只用一个平台，平台就可以对另一边收垄断价格作为"接入费"。

所以，平台竞争的关键之一，是设法让一边变成单归属，或者设法让自己这一边的用户很难迁移（转换成本，比如好友关系、历史订单、积分）。

小结： 平台撮合两边的人，价格不只是水平问题，还有结构：对能给另一边带来更多好处的一边收得少，甚至补贴；对从另一边得到更多好处的一边收得多。一边免费不是慈善。单归属与多归属，决定了平台的议价地位。

五、平台该不该管：争议与一个案例

5.1 为什么平台容易变大

网络效应、数字产品的低边际成本（第 15 讲）、大量数据，会让大平台越来越大。但是，平台的力量，并不是铁板一块：

• 多归属会削弱它。
• 新技术可能让整个市场被颠覆（“为市场竞争”，第 14 讲 Demsetz 的想法）。
• 转换成本可以人为降低（比如要求平台开放接口、数据可携带）。

5.2 一个案例：二选一

事实：2021 年 4 月 10 日，中国市场监管总局对阿里巴巴作出行政处罚。认定它在中国境内网络零售平台服务市场具有支配地位；自 2015 年以来，它对平台内商家提出"二选一"的要求（不允许商家在其他平台开店或参加促销活动），并借助算法、数据等手段保障执行。依据当时的《反垄断法》（2008 年版），这构成"没有正当理由，限定交易相对人只能与其进行交易"的滥用市场支配地位行为。罚款 182.28 亿元，相当于 2019 年中国境内销售额（4557.12 亿元）的 4%。阿里巴巴表示接受处罚。（以上依据官方公布的决定内容整理，细节请以决定书为准。）

理论预测什么：从竞争的角度看，“二选一"可能是在封堵对手：平台靠网络效应取胜，商家是一边，如果商家被要求只在这里开店，对手拿不到足够的商家，就达不到临界规模。反过来，也有人为"独家"辩护：平台在营销、流量上投入了很多，如果商家可以随意同时去别处，平台的投入就被"搭便车"了。

证据怎么说：监管者的决定书，给出了对事实的认定。但是，对这件事的整体福利影响，据我查到的资料，独立的、公认的量化研究不多。所以，事实的认定（它做了什么）和福利的评价（这件事好不好、罚多少合适），是两个层次。

分歧在哪：关键的分歧在于：（1）“排他"是在保护平台自己的投资，还是在封堵对手？（2）这个平台的"支配地位”，市场怎么划（只看网络零售平台？还是更广的零售渠道？）；（3）处罚的力度，是不是合理。这些问题，不同的经济学家和法学家有不同的看法。

价值判断：怎么权衡大平台带来的规模、便利和创新，与它可能压制小对手和商家的议价能力，留给你判断。

2022 年修正的《反垄断法》，也新增了一条：经营者不得利用数据和算法、技术、资本优势以及平台规则等从事法律禁止的垄断行为。（具体条文请以现行法律文本为准。）

小结： 平台容易变大（网络效应、低边际成本、数据），但多归属、转换成本和技术的颠覆会削弱它。“二选一"是封堵对手，还是保护投资，取决于事实和对市场的划分。对大平台怎么管，是效率、创新与公平之间的权衡。

六、局限与常见的误用

6.1 这一讲模型的局限

• 我们用的是一个很简单的玩具。 现实里，网络效应有多强、用户有多异质，需要实证；模型里"一边的价值与另一边的人数成正比”，只是一种简化。
• 我们没有谈质量和创新。 平台之间的竞争，常常在新功能、新服务上，而不是只在价格上。
• 数据的作用没有展开。 数据本身可能是一种网络效应（用户越多，数据越多，推荐越准）。
• 我们没有讲平台之外的"生态”。 比如平台对第三方开发者、中小商家的规则变化，对他们的影响。

6.2 常见的误用

七、小结

这一讲有六个想法，请带走：

1. 网络效应：一样东西的价值，取决于有多少别人也在用。分直接的（同类用户）、间接的（两边的用户）和负的。
2. 临界规模：有网络效应时，需求会自我强化：低于临界规模自我萎缩，高于它自我强化。新平台要越过它，常需要足够大的补贴；同样的偏好和价格，可以有两种稳定的结局，取决于预期。
3. 赢家通吃与锁定：网络效应越强，市场越容易被一方锁定；哪一边赢，常常是早期的偶然。锁定是否会选出次优标准，是有争议的实证问题。
4. 双边市场与价格结构：平台的价格，不只是水平，还有结构：对能给另一边带来更多好处的一边收得少甚至补贴。一边免费不是慈善。
5. 单归属与多归属，转换成本：决定平台的议价地位和竞争的强度。
6. 平台的监管：是效率、创新与公平的权衡；“二选一"等案例，说明事实认定和福利评价是两个层次。

到这里，Unit 4（市场势力）完整了：垄断（第 14 讲）、价格歧视（第 15 讲）、寡头（第 16 讲）、平台（第 17 讲）。你已经看到，一旦企业"有点能力"影响价格，价格、产量、效率都会偏离完全竞争的基准。

下一个 Unit，我们把一个一直在用的东西，拿到台面上：博弈论。前面几讲，企业"猜对方会怎么做”，用的都是很朴素的"最佳反应"。第 18 讲：博弈论基础：纳什均衡，我们把它讲成一套有名字的工具：策略、收益、均衡，你会看到，囚徒困境并不只出现在企业身上，公共品、军备竞赛、公共卫生，都有它的影子。

思考题

1. 本讲 2.1 节的社交软件（BETA = 0.9，每个人单独的价值平均 0.5、标准差 0.15）。如果价格永久降到 0.8，临界规模会怎么变？从 5% 的用户出发，会怎样？如果永久降到 0.7 呢？

提示：价格 0.8 时，不稳定的临界点约在 0.18，稳定的"低点"约在 0.04：5% 的起点低于 0.18，仍然会回落到约 0.04（几乎没人）；价格 0.7 时，三个不动点消失，只剩下"几乎人人用"（约 1）：从 5% 出发，一路涨到几乎所有人。所以价格降到某个程度，“鸡与蛋"的难题就自动消失，这是永久降价与一次性补贴的区别。

2. 用本讲 3.1 节的模拟结果：BETA = 0 时，前 20 个用户之后"领先的一方最后赢"的比例是 53%，为什么不是 100% 也不是 0%？这个"没有网络效应"的基准，告诉了我们什么？

提示：没有网络效应时，每个新用户只看自己的偏好，早期谁多一点，对后来的人没有影响，所以前 20 人之后谁领先，和最后谁赢几乎无关，比例接近抛硬币的 50%。它是对照：如果没有这个基准，我们看到 BETA = 1.5 时"领先的一方 99% 会赢”，不知道这是不是纯粹的随机现象。

3. 本讲 4.2 节：如果平台对乘客和司机的"成本"是 0.2，乘客在乎司机的程度是 0.3，司机在乎乘客的程度是 0.1，平台的最优价格是多少？哪一边的价格更低？为什么？

提示：代码最后一段给了这个情形（乘客在乎 0.3、司机在乎 0.1）：乘客价格 0.65，司机价格 0.55。司机的价格更低：因为这一次，是乘客更看重司机（0.3 比 0.1），所以多一个司机，对乘客的价值更大，平台愿意在司机这一边少赚，把司机拉进来，换来乘客这一边更高的价格。

4. 同样一款软件，在一个国家成为主流，在另一个国家没人用。这能说明两国的软件质量不同吗？用本讲的想法解释。

提示：不一定。有网络效应时，同样的产品，可能有两种稳定的结局（几乎人人用，或者几乎没人用），取决于早期的偶然和人们的预期（2.2 节）；而且在一个国家，哪一边先越过临界规模，常常是偶然的（3.1 节，A 赢的次数约一半，两种技术一样好）。要判断质量，需要看更多证据（比如它在别的类似国家的表现）。

5. 对平台的"二选一"（要求商家只在自己这里开店），请各写出一条支持和一条反对的经济学理由，并说明：你需要什么证据，才能判断它在某个具体案例里是封堵对手，还是保护投资？

提示：反对（封堵）：对手拿不到足够多的商家，达不到临界规模，平台靠排他而不是靠更好的服务维持地位，长期会推高价格、降低质量。支持（保护投资）：平台在流量、营销上投入了成本，商家同时去别处，会"搭便车"，平台没有动力继续投入。需要的证据：（1）平台的市场地位和市场划分；（2）排他是否真的使对手无法达到临界规模（对手的商家数、增长）；（3）排他之前、之后，商家的成本、价格、选择；（4）有没有更温和、同样能保护投资的办法。答案不唯一，重点是说出理由和证据。

参考与延伸

• Katz, M. L., & Shapiro, C. (1985). Network Externalities, Competition, and Compatibility. American Economic Review, 75(3), 424–440.
• Arthur, W. B. (1989). Competing Technologies, Increasing Returns, and Lock-In by Historical Events. Economic Journal, 99(394), 116–131.
• David, P. A. (1985). Clio and the Economics of QWERTY. American Economic Review (Papers and Proceedings), 75(2), 332–337.
• Liebowitz, S. J., & Margolis, S. E. (1990). The Fable of the Keys. Journal of Law and Economics, 33(1), 1–25.
• Bursztyn, L., Handel, B. R., Jiménez-Durán, R., & Roth, C. (2025). When Product Markets Become Collective Traps: The Case of Social Media. American Economic Review, 115(12), 4105–4136.
• Rochet, J.-C., & Tirole, J. (2003). Platform Competition in Two-Sided Markets. Journal of the European Economic Association, 1(4), 990–1029.
• Rysman, M. (2009). The Economics of Two-Sided Markets. Journal of Economic Perspectives, 23(3), 125–143.
• Evans, D. S., & Schmalensee, R. (2016). Matchmakers: The New Economics of Multisided Platforms. Harvard Business Review Press.
• 国家市场监督管理总局（2021）：对阿里巴巴集团控股有限公司滥用市场支配地位行为的行政处罚决定。
• 《中华人民共和国反垄断法》（2008 年版；2022 年修正）。