中国管理科学 | 基于需求学习的数字化鲜活品拍卖平台批量优化策略研究

本文研究了数字化鲜活品拍卖平台中的批量优化策略，针对传统拍卖决策方式难以适应供需关系复杂、市场行为高度不确定等问题，提出了基于贝叶斯学习的马尔科夫决策框架。该框架能够动态更新需求认知并实时优化拍卖批量决策，提升平台收益与资源配置效率。通过模拟实验验证，结果表明该模型在供不应求或需求波动大的环境中表现优越，能够有效降低流拍损失或定价偏差。此外，拍卖批量、保留价与拍卖轮次数的联动调整策略对平台收益具有系统性提升作用。本文的研究为数字化拍卖平台提供了一种具备“边学习边决策”能力的策略工具，但在未来研究中仍需考虑宏观市场波动、平台竞争行为等更高层级的不确定性因素。