我接触这个项目的时候，刚读完一篇讲竞争零售商渠道策略的中文论文，模型不复杂，但手推公式花了我整整两天，算完还怀疑自己是不是算错了。后来咬咬牙把整套模型搬进 Mathematica，从需求函数、利润函数到均衡价格、渠道结构比较，全部用符号推导加数值实验跑了一遍，效果意外地好。这篇博文就记录一下我完整的复现思路、核心代码逻辑和踩过的坑，希望给同样在跟博弈论渠道论文搏斗的朋友一点参考。
先交代一下这个复现项目的背景，方便你判断这篇文章对你有没有用。我们要复现的论文，简单说就是研究两个相互竞争的零售商，在传统实体渠道、线上自营渠道、线上线下双渠道这几种策略里，最终会选择哪种渠道结构作为博弈均衡。论文里的核心问题是：渠道竞争强度、消费者对线上渠道的接受度、以及零售商之间互相抢客户的程度，会怎样影响均衡结果。
这个工作适合两类人参考：一类是正在做供应链管理、渠道策略相关课题的研究生，想快速验证文献里的结论；另一类是已经在用 Mathematica 做经济学、管理学模型推导的研究者，想看看符号计算在博弈论里能省多少事。如果你还停留在手推公式、再画图的阶段，这篇文章能帮你把整个流程打通。
1. 复现前的准备：先把论文模型拆成可计算的模块
1.1 论文到底在研究什么：模型背景与问题拆解
很多刚接触渠道策略论文的人，拿到文章就急着找代码，结果发现论文里根本没有代码，只有密密麻麻的公式推导。我在复现前做的第一件事，不是打开 Mathematica，而是把论文的模型假设、变量定义和博弈时序全部拆成一个个可以独立计算的小模块。
具体来说，这篇论文的模型框架大致是这样的：
- 有两个竞争零售商，记为零售商1和零售商2，分别销售同质或近似同质的商品。
- 每个零售商可以选择两种基本渠道：传统线下渠道（记为 R）和线上渠道（记为 E），也可以同时选择两种渠道（双渠道，记为 D）。
- 消费者对线下渠道有既有的购物习惯，对线上渠道有一个“接受程度”参数，一般记为 θ，取值范围在0到1之间。θ 越接近1，说明消费者越愿意在线上购买。
- 渠道之间有替代性，比如消费者本来想去线下店，但如果线上价格便宜，就会转向线上下单，这个替代力度直接影响两个零售商的价格战强度。
- 两个零售商同时决策渠道结构，然后在给定的渠道结构下进行价格竞争，属典型的两阶段博弈：第一阶段是渠道结构选择，第二阶段是定价竞争。
把这个框架拆清楚以后，我意识到整篇论文的计算核心只有两个：一是给定渠道结构组合下的均衡价格和利润，二是四种渠道结构组合（RR、ER、RE、EE 或带双渠道的更多组合）之间的利润比较，从而画出均衡结构的分区图。
1.2 符号体系统一：复现前先给所有变量“对表”
论文复现最头疼的问题之一，就是符号不统一。不同论文里，同一个参数可能叫 α、β、γ，也可能叫 a、b、c。Mathematica 对大小写敏感，一旦你中途改符号，后面的代码全部要跟着改，非常容易出错。
我的做法是先在纸上把整套符号体系列一张表，写进代码注释里。比如我在这个项目里固定了这样一套命名：
| 符号 | 含义 | Mathematica 中写法 |
|---|---|---|
| ( a ) | 市场基础需求量 | a |
| ( b ) | 零售商自身价格敏感系数 | b |
| ( d ) | 渠道间的交叉价格敏感系数 | d |
| ( \theta ) | 消费者对线上渠道的接受度 | theta |
| ( c ) | 单位销售成本（线上线下可不同） | cR, cE |
| ( p_{i,j} ) | 零售商 i 在渠道 j 的价格 | p[i, j] |
| ( q_{i,j} ) | 零售商 i 在渠道 j 的需求量 | q[i, j] |
| ( \pi_i ) | 零售商 i 的总利润 | Pi[i] |
统一符号这一小步，看似花时间，实际为我后面省了大量调试时间。如果你复现的是其他论文，也建议先花半小时把符号表列好，这样不管推导到哪一步，代码和数据都能对得上。
1.3 复现路线图：从符号推导到数值实验的四步走
我在动手写代码之前，给自己定了一个四阶段路线，后面所有工作都严格按这条线走，避免想到哪算哪：
- 搭建需求函数与利润函数的基本框架，用符号变量表示所有参数。
- 对每种渠道结构组合，求解定价阶段的最优反应函数和均衡价格。
- 把均衡价格代回利润函数，得到均衡利润，再比较不同渠道结构下的利润大小。
- 固定不同参数取值，重复求解，画出渠道结构均衡区域图，和论文原图做对比。
这个路线特别适合博弈论论文的复现，因为博弈论模型天然就是“先解后比”：先解出均衡，再比较不同情形下的数值。后面第三大部分我还会展示每一步对应的 Mathematica 代码片段。
2. Mathematica 符号推导：把“手推公式”变成“机器求导”
2.1 需求函数构造：线性需求模型怎么设置才不失真
渠道策略论文里用得最多的是线性需求模型，因为它既能体现价格竞争，又能方便地求解析解。论文里的需求函数一般这样写：
零售商 i 在线下渠道的需求：( q_{i,R} = a - p_{i,R} + d(p_{j,R} + p_{i,E} - 2p_{i,R}) + \theta \cdot (\text{线上替代效应}) )
当然不同论文写法差异很大，有的会把线上渠道接受度放在需求截距项里，有的会放在交叉项里。我在复现时，遵循的是“保留论文核心机制、简化次要项”的原则：需求函数必须包含价格对自身渠道的负向影响，以及竞争渠道价格的正向影响，否则后面的价格竞争就无从谈起。
以我复现的模型为例，我用了一套比较通用的设定：假设每个零售商在某个渠道的需求，等于基础需求减去自身价格影响，再加上竞争渠道和竞争零售商的价格溢出效应。通过一个参数 ( d ) 控制渠道间的替代强度，通过 ( \theta ) 控制线上渠道的吸引力。
把需求函数写成 Mathematica 代码时，有个小技巧：不要直接写成一长串赋值语句，而是定义成函数形式，方便后面重复调用。我在 Notebook 里这样写：
(* 定义需求函数 *) q[i_, j_, s1_, s2_] := a - p[i, j] + d * (Sum[Sum[p[k, l], {l, Channels[k]}], {k, 2}] - p[i, j]) + theta * If[j == "E", 1, 0]; (* 定义每个零售商的可用渠道集合 *) Channels[1] := {R, E}; Channels[2] := {R, E};当然这段代码为了展示逻辑进行了简化，实际运行的时候需要根据论文的渠道组合来调整求和范围。这里的关键是：定义函数时，把所有渠道的价格都显式写出来，不要用全局变量，否则后面的求导和代入特别容易混乱。
2.2 一阶条件与最优反应函数：Solve 还是 NSolve 要分清
价格竞争阶段的核心，就是每个零售商在自己的渠道上选择价格，最大化自己的总利润。利润函数很简单：该零售商所有渠道的（价格-成本）×需求之和。
在给定另一家零售商的渠道策略和价格策略时，每个零售商的最优价格通过一阶条件得到：对自身利润函数关于自身价格求偏导，令导数为零，解出价格表达式。
Mathematica 里这一步几乎是“无脑操作”，但有一个容易踩的坑：一阶条件通常是一个线性方程组，Solve 是可以直接求符号解的。但如果论文的模型带了非线性项（比如含 ( p^2 ) 或者服务水平决策），Solve 可能长时间算不出来，这时候要先检查是不是模型设定太复杂，别急着换数值方法。
我当时写的代码大致是这样的：
(* 零售商1的利润函数 *) Pi1[p1R_, p1E_, p2R_, p2E_] := (p1R - cR) * q[1, R, {p1R, p1E}, {p2R, p2E}] + (p1E - cE) * q[1, E, {p1R, p1E}, {p2R, p2E}]; (* 一阶条件 *) eq1R = D[Pi1[p1R, p1E, p2R, p2E], p1R] == 0; eq1E = D[Pi1[p1R, p1E, p2R, p2E], p1E] == 0; (* 求解零售商1的最优反应函数 *) reaction1 = Solve[{eq1R, eq1E}, {p1R, p1E}] // Simplify;如果你只是想在某个具体参数组合下求数值解，就可以在求解前先把参数赋值，然后用 NSolve。但复现论文解析结论时，最好保留参数符号，因为后面还要做利润比较和参数区间讨论，符号解能直接给出判断条件。
2.3 联立最优反应：均衡价格的形成逻辑
单方面求最优反应是不够的，均衡要求两个零售商的最优反应同时成立，也就是把两家零售商的价格解联立起来。这个“联立”动作背后的经济学直觉是：你定价格的时候，要考虑对方的反应；对方定价格的时候，也要考虑你的反应。最后的结果是大家都选了一个“给定对方价格时自己最优”的价格组合，也就是 Nash 均衡。
代码上实现也不复杂，就是先把两个零售商各自的一阶条件列出来，然后用 Solve 一次性解方程组。不过这里要特别注意：如果零售商可以选择双渠道，那么价格变量会非常多，比如零售商1有线下价和线上价，零售商2也有线下价和线上价，方程组可能会有四五个方程。解出来的表达式会非常冗长。
长表达式是 Mathematica 符号推导中最大的敌人。我的经验是，每解出一个均衡价格，立刻用 Simplify 或者 FullSimplify 化简，然后存成一个规则列表。后面要算利润时，直接把这个规则代入，千万不要把整串表达式复制来复制去，那样子既容易出错，又拖慢计算速度。
(* 联立求解均衡价格 *) eqs = {eq1R, eq1E, eq2R, eq2E}; soln = Solve[eqs, {p1R, p1E, p2R, p2E}] // FullSimplify; (* 保存最终均衡价格规则 *) equilibriumPrice = soln[[1]];这里下标[[1]]也是一门学问：Solve 可能返回多个解，但在线性需求模型下通常只有一个经济上合理的解，即价格为正、利润为正的解。如果出现多解，一定要手动检查哪个解符合价格非负的条件，别直接拿第一个解就用。
3. 实操现场：四种渠道结构组合的计算与比较
3.1 渠道结构场景枚举：RR、RE、ER、EE 还是带 D？
在论文模型里，两个零售商各选一种或两种渠道，组合起来会有多种结构。常见的有：
- 都只开线下：RR
- 零售商1开线下，零售商2开线上：RE
- 两边都开双渠道：DD
- 一方双渠道、另一方单渠道：DR、DE
这里需要特别提醒：组合本身不是越多越好。论文里如果只分析了几种代表性组合，你就没必要把所有可能组合全枚举一遍，否则算力消耗大且展示重点不突出。我当时是把论文里面原有的组合场景逐个实现，然后额外补充了一个“双渠道 vs 双渠道”的场景，作为自己的一点扩展。
对于每一个场景，我写了一个统一的函数，输入是两个零售商各自选择的渠道集合，输出是均衡价格和均衡利润。这样做的好处是代码复用率极高，不需要每个场景都复制粘贴一遍求解逻辑。
(* 通用计算函数：给定渠道集合，返回均衡价格与利润 *) computeEquilibrium[ch1_, ch2_] := Module[ {prices, profits}, prices = solveForPrices[ch1, ch2]; profits = computeProfits[prices, ch1, ch2]; {prices, profits} ];3.2 利润比较与渠道结构选择博弈
有了四个场景下的均衡利润，下一步就是画一个 ( 2 \times 2 ) 的支付矩阵，看看两个零售商在“选线下”还是“选线上”之间，最终会落在哪个均衡。
这步用 Mathematica 做非常直观：把每个零售商在四种组合下的利润列成一个矩阵，再根据利润大小判断最优反应。比如给定零售商2选了线下，零售商1比较自己选线下和选线上的利润，哪个高就选哪个；给定零售商2选了线上，再比较一次。最后找出一组“互为最优反应”的策略，那就是纯策略 Nash 均衡。
代码层面其实不需要复杂的博弈论工具包，用最原始的嵌套判断就能算出来：
(* 四种组合利润 *) profitTable = { {"RR", Pi1RR, Pi2RR}, {"RE", Pi1RE, Pi2RE}, {"ER", Pi1ER, Pi2ER}, {"EE", Pi1EE, Pi2EE} }; (* 判断零售商1基于零售商2策略的最优反应 *) bestResponse1[ch2_] := Which[ profit1[{"R", ch2}] >= profit1[{"E", ch2}], "R", True, "E" ];这个过程就是要解决论文里最核心的问题：竞争零售商最终会走向线上化，还是继续维持线下，还是变成双渠道混战？答案往往取决于参数，比如线上接受度和渠道替代强度。复现到这里，我已经能看懂论文主图的生成逻辑了。
3.3 数值实验：参数扫描与三维图复现
符号推导做完了，论文里很多结论是靠数值实验和图形呈现的，这时候就需要用参数扫描画出均衡区域图。我看过很多新手在这一步犯同一个错误：直接拿循环跑上百组参数，每组都用 Solve 求一次解析解，结果跑得奇慢无比。
正确的做法是分两步：第一步，在符号层面完成所有求解，把均衡价格的表达式存好；第二步，在数值实验阶段，把参数代入表达式中快速计算，而不是每次都重新求解。相当于把“求公式”和“代数字”两件事分离开了。
我在复现“渠道结构均衡区域图”时，写了一个双重循环：横轴是线上渠道接受度 ( \theta )，纵轴是渠道替代强度 ( d )，对每个参数组合判断哪种渠道结构是 Nash 均衡，然后用 RegionPlot 画出分区颜色图。
(* 参数扫描判断均衡 *) equilibriumStruct[thetaVal_, dVal_] := Module[ {payoffs, eq}, payoffs = computeAllPayoffs /. {theta -> thetaVal, d -> dVal}; eq = findPureNash[payoffs]; eq ]; RegionPlot[ equilibriumStruct[theta, d] == "RR", {theta, 0, 1}, {d, 0, 1}, PlotStyle -> Blue, PlotPoints -> 50 ]这张图如果手画，工作量巨大；用 Mathematica 的 RegionPlot，几分钟就能出图。但前提是你已经把符号推导部分做得足够干净，否则参数代入的时候会报一堆 “Power::infy” 或者 “Infinity::indet” 的错误，到时候排查起来非常头疼。
4. 复现过程中的坑与排查技巧
4.1 符号表达式太长：FullSimplify 不是万能的
第一道坎就是表达式太长。当你解出四价格方程组时，输出的表达式可能连续十行都写不完，直接看根本看不出经济含义。这时候你可能会想到 FullSimplify，但 FullSimplify 在变量多的时候，计算时间会急剧上升，有时候一分钟都算不完一个式子。
我的经验是：先尝试 Simplify，等确认结果正确后，再有针对性地用 FullSimplify 处理要用于绘图的式子。还有一种节省时间的办法，是把公共项提取出来，用Collect按某个变量整理，让表达式结构更清晰。实际项目里，按theta和d做 Collect 之后，很多看似混乱的项会突然变得有规律，后面数值代入也快很多。
(* 结构化化简 *) Collect[Simplify[soln[[1, 1, 2]]], {theta, d}]4.2 均衡解出现负价格或负需求：先查参数范围
论文复现中最常见、也最容易让新手懵的现象，就是解出来的均衡价格或者均衡需求是负数。这不一定是你代码错了，很多数理模型在特定参数区域就会产生不合理的“数学解”，但论文中通常只关注有经济意义的参数空间。
我当时遇到负价格的第一反应是检查代码，后来才意识到要先把参数约束加进求解过程。比如 ( 0 < \theta < 1 )、( 0 < d < b ) 这类条件，尤其在数值实验阶段，务必要在参数扫描前用Assumptions声明，或者直接在 RegionPlot 里限定坐标范围。这样不仅避免了无意义的解，也让均衡区域图更贴合论文原图。
另一个容易出问题的地方是交叉价格系数 ( d ) 的取值范围。d 必须小于自身价格系数 b，否则需求函数丧失了“自身价格影响大于交叉影响”的基本性质，会导致荒谬的结果。很多论文的原图能画出来，就是因为参数范围选得对，这一点在复现时一定要留意。
4.3 不同文献符号差异大：不要照搬代码，建立自己的模块
最后想强调一点：复现论文不是把别人的代码拿过来跑一遍，而是理解模型逻辑后用工具重建。我一开始也尝试找原作者是否有公开代码，但大多数渠道策略论文只提供公式和图形，没有代码附录。所以最终还是回到了“读公式—写代码—对图”这个流程上。
不同论文即使模型相似，符号体系和假设也可能不同，比如有的论文假设线上渠道成本为零，有的论文假设线上渠道有额外物流成本。这些微观差异对均衡结果影响很大，照搬别人的代码反而容易出错。所以我会针对每个论文，建立一套自己的符号和函数模块，即使效率低一点，也好过在别人的代码里找哪里该改、哪里不该改。
5. 写在最后的实操心得
这次复现做完，最大的感受是 Mathematica 特别适合这种“符号推导 + 参数扫描 + 区域图”三位一体的博弈论论文复现。它不像手推那样容易出错，也不像纯数值仿真那样看不到公式结构。只要你把需求函数、利润函数、均衡求解和绘图拆成清晰的模块，一篇论文从想法到出图，基本可以压缩在一天内完成。
给你一个直接的建议：不管你复现什么论文，先从复现一两个关键图开始，不要一上来就想把整篇论文所有拓展全部实现。先把主模型跑通，确认你的结果曲线和论文原图长得一致，再逐步加入参数变化、灵敏度分析和扩展场景。这样每一步都有对照，出错也能快速定位。
如果再往前扩展一步，这套代码还很容易改成双渠道加服务竞争的模型，因为核心的博弈求解框架是通用的，只需要增加一个服务变量和对应的成本函数。我现在就是这么做的，后续如果跑出新结果，再来分享更多细节。
