网约车是互联网信息技术与传统交通行业融合的新发展业态^[1]。2010年以来，我国网约车从无到有并快速发展。2016年7月，交通部颁布了《网络预约出租汽车经营服务管理暂行办法》 ^[2]，首次从国家层面出台法律法规明确网约车的合法地位并规范网约车管理和发展的文件，为网约车市场良性发展提供了政策支持^[3]。

作为交通运输新业态，网约车在提高交通服务质量、给乘客带来便利的同时，也带来了隐私安全问题。中国消费者协会报告显示，信息泄露问题排在消费者最为关心的网约车行业问题的第二位^[4]；2016年，Uber发生用户数据泄露事件，泄露客户和驾驶员的姓名、电子邮箱和电话号码^[5]；2021年7月4日，国家互联网信息办公室发布通报，“滴滴出行”APP严重违法违规收集使用个人信息，从各大应用商店下架^[6]。因此隐私保护问题日益重要，引起人们重视。

文献分析发现，国内外学者对网约车的研究主要集中在平台监管和个人隐私保护等方面。在平台监管方面，2015年Posen^[7]回顾了出租车行业发展历程和相关监管政策，探讨了优步(Uber) 所面临的监管挑战。2020年付淑换等^[8]构建网约车平台与政府监管机构的演化博弈模型，研究媒体报道对网约车行业参与主体行为偏好和策略选择的影响。2020年冯骅等^[9]认为传统监管模式对于网约车这样的新业态有诸多不适，提出“政府监管网约车平台，网约车平台监管市场”的双重监管体系。2020年雷丽彩等^[10]建立了平台和司机间的演化博弈模型，并对其博弈行为演化过程及演化稳定策略进行探讨。2021年张茂元等^[11]提出平台监管创新需要结合互联网平台的技术特性，才能更好地降低平台治理成本、提高治理效果。

对于个人隐私保护，学者们研究了各类组织保护用户隐私的动机。2019年Al-Jabri等^[12]收集了沙特阿拉伯253名在线客户数据，研究影响电商网站顾客披露个人信息意愿的因素。2021年朱侯等^[13]基于保护动机理论与社会认知理论，研究了移动APP用户隐私信息设置行为影响因素。2021年周林兴等^[14]采用问卷调查法，研究如何实现大数据为民服务与防止个人信息泄露、保护隐私的动态平衡，创新性地提出多元治理、技术治理、企业治理和个人治理四个治理维度。进而在网约车领域，人们开始给出改进乘客隐私保护的建议。2018年Li等^[15]认为目前的法律制度和行业自治制度不够健全，无法有效保护个人数据的安全。因此提出了建立行业自治协会、制定行业对个人信息使用的具体规则等建议。2019年毛俊响等^[16]认为网约车的个人信息存在敏感信息共享的不对等性、共享信息未征得个人同意、平台自我监管与政府监管之间未能实现良好衔接等问题，提出完善网约车个人信息保护的立法和行业规范、加强政府监管、严格行业自律等建议。2021年Cheng等^[17]对507名网约车用户进行问卷调查，研究了网约车背景下的乘客隐私保护问题。

综上，国内外学者已经对政府监管和隐私保护问题展开了相关研究，但对于政府监管研究中已经出现的演化博弈方法尚未应用于隐私保护问题中。为此，本文基于政府和平台互相博弈的视角，考虑二者认知不够充分和需要在不断演化中寻找各自均衡策略的现实，针对网约车乘客隐私保护问题，利用演化博弈方法构建政府和网约车平台的演化博弈模型，研究双方博弈的演化机制。第1节将构建演化博弈模型；第2节将运用动态方程求出均衡点，并运用Friedman提出的判定方法判定各均衡点的演化稳定性；第3节将采用数值模拟演示不同情形下的演化趋势，并验证政府监管带来声誉提升程度 $ {W}_{\rm{g}} $ 等参数对演化路径的影响。

1 政府与平台演化博弈模型构建 1.1 博弈主体策略选择

政府策略集S₁={监管，不监管}。监管指政府投入大量精力对平台的乘客隐私保护行为进行监管，采取奖励或惩罚措施；不监管指政府放松对平台监管，无奖惩措施。政府选择监管和不监管策略的概率分别为 $ x $ 和 $ 1-x(0\le x\le 1) $ 。

平台策略集S₂={自律，不自律}。自律策略指平台企业自觉履行企业社会责任，通过改善服务协议内容、优化平台算法等积极保护乘客隐私；不自律策略指平台以利益最大化为目标，利用乘客隐私获取额外利益。平台选择自律和不自律策略的概率分别为 $ y $ 和 $ 1-y(0\le y\le 1) $ 。

1.2 博弈假设

(1) 政府监管：如制定相关监管法律法规、投入监管资源进行市场检查等，将会产生成本 $ {C}_{{\rm{g}}} $ ，带来政府声誉提升 $ {W}_{{\rm{g}}} $ 。当平台选择自律策略时，政府对平台给予奖励 $ {R}_{{\rm{g}}} $ ；当平台不自律时，政府发现网约车不自律行为的概率为 $ \alpha $ ，并对平台采取惩罚 $ {F}_{{\rm{g}}} $ ；政府有 $ 1-\alpha $ 的概率不能发现平台不自律，仍将给予平台奖励 $ {R}_{{\rm{g}}} $ 。

(2) 政府采取不监管策略将无需付出成本，但是公众会对政府工作产生不满，带来声誉损失 $ {L}_{{\rm{g}}} $ 。

(3) 平台自律：平台具有较强的信息安全意识，在软件、硬件、人力等方面持续投入，需要投入成本 $ {C}_{{\rm{r}}} $ 。同时，平台保护乘客隐私，会带来良好社会声誉 $ {H}_{{\rm{s}}} $ 。

(4) 平台不自律策略将获得额外收益 $ P $ ，如平台与其他公司私下合作共享乘客信息获得收益，无需付出成本。同时，平台还将承担来自社会的负向收益 $ {H}_{{\rm{n}}} $ 。负向收益一是指平台对乘客隐私保护不力而受损的社会声誉；二是指民众在选择出行方式时，会倾向于规避不自律的平台，从而造成平台乘客流失，损失运营收益。

根据假设，得出收益矩阵如表1所示。为了便于理解，这里整理所有参数，见表2。

2 演化博弈分析 2.1 局部均衡点求解

由收益矩阵可知，政府监管期望收益为

$ {E}_{{x}}=y({W}_{\rm{g}}-{C}_{\rm{g}}-{R}_{\rm{g}}) +(1-y) [{W}_{\rm{g}}+\alpha {F}_{\rm{g}}-(1-\alpha ) {R}_{\rm{g}}-{C}_{\rm{g}}] $

不监管期望收益为 $ {E}_{1-x}=(1-y) (-{L}_{{\rm{g}}}) $ ，混合策略期望收益为 $ \overline{E}=x{E}_{x}+{(1-x) E}_{1-x} $ 。因此，政府选择监管策略的复制动态方程为^[18]

$ \begin{split} F\left(x\right) =& \frac{{\rm{d}}x}{{\rm{d}}t}=x({E}_{\rm{x}}-\overline{E}) =x\left(1-x\right) \left({E}_{{x}}-{E}_{1-x}\right) =\\ &x\left(1-x\right) [{W}_{\rm{g}}+\alpha {F}_{\rm{g}}+{L}_{\rm{g}}-(1-\alpha ) {R}_{\rm{g}}-{C}_{\rm{g}}-\\ &y(\alpha {F}_{\rm{g}}+\alpha {R}_{\rm{g}}+{L}_{\rm{g}}\left) \right] \end{split} $

同理，平台自律期望收益 $ {U}_{{y}}=x\left({R}_{\rm{g}}+{H}_{\rm{s}}-{C}_{\rm{r}}\right) + (1-x) ({H}_{\rm{s}}-{C}_{\rm{r}}) $ ，不自律期望收益 $ {U}_{1-{{y}}}=x[P+\left(1-\alpha \right) \times {R}_{\rm{g}}- \alpha {F}_{\rm{g}}-{H}_{\rm{n}}]+(1-x) (P-{H}_{\rm{n}}) $ ，混合策略期望收益 $ \overline{U}=y{U}_{{y}}+(1-y) {U}_{1-{{y}}} $ 。因此，平台选择自律策略的复制动态方程为

$ \begin{split} F\left(y\right) =&\frac{{\rm{d}}y}{{\rm{d}}t}=y({U}_{{{y}}}-\overline{U}) =y\left(1-y\right) \left({U}_{{{y}}}-{U}_{1-{{y}}}\right) =\\ &y\left(1-y\right) [{H}_{{\rm{s}}}+{H}_{{\rm{n}}}-{C}_{{\rm{r}}}-P+x\alpha ({R}_{{\rm{g}}}+{F}_{{\rm{g}}}\left) \right] \end{split} $

则政府和平台的复制动态方程组成一个二维动力系统，见式(1)。

$\left\{ {\begin{array}{*{20}{l}} \begin{array}{l} F(x) = x(1 - x)[{W_{\rm{g}}} + \alpha {F_{\rm{g}}} + {L_{\rm{g}}} - (1 - \alpha ){R_{\rm{g}}} - {C_{\rm{g}}} - \\ \;\;\;\;\;\;\;\;\;\;\;\;\;y(\alpha {F_{\rm{g}}} + \alpha {R_{\rm{g}}} + {L_{\rm{g}}})] \end{array}\\ {F(y) = y(1 - y)[{H_{\rm{s}}} + {H_{\rm{n}}} - {C_{\rm{r}}} - P + x\alpha ({F_{\rm{g}}} + {R_{\rm{g}}})]} \end{array}} \right.$

(1)

令式(1) 中两个函数同时等于零，可得到平台与政府间演化博弈5个均衡点 $ \left(0,\;0\right) \mathrm{、}\left(0,\;1\right) \mathrm{、}\left(1,\;0\right) \mathrm{、} \left(1,\;1\right) \mathrm{、}\left({x}^{\mathrm{*}},\;{y}^{\mathrm{*}}\right) ，$ 其中 ${x}^{\mathrm{*}}=\dfrac{{{C}_{\rm{r}}+P-H}_{\rm{s}}-{H}_{\rm{n}}}{\alpha ({R}_{\rm{g}}+{F}_{\rm{g}}) }，{y}^{\mathrm{*}}=1- \dfrac{{R}_{\rm{g}}+{C}_{\mathrm{g}}-{W}_{\rm{g}}}{\alpha \left({R}_{\rm{g}}+{F}_{\rm{g}}\right) +{L}_{\rm{g}}}$ 。当且仅当 $ 0\le {x}^{\mathrm{*}}\le 1\mathrm{且}0\le {y}^{\mathrm{*}}\le 1 $ 时， $ \left({x}^{\mathrm{*}},{y}^{\mathrm{*}}\right) $ 为系统均衡点。

2.2 计算雅可比矩阵

由于复制动态方程得到的均衡点不一定是演化稳定策略点(Evolutionarily Stable Strategy, ESS)，因此Friedman提出通过演化博弈系统的雅可比矩阵判断局部均衡点的演化稳定性^[19]。该系统的雅可比矩阵 $ {\boldsymbol{J}} $ 为

$ {\boldsymbol{J}}=\left[\begin{array}{cc}\dfrac{\partial F\left(x\right) }{\partial x}& \dfrac{\partial F\left(x\right) }{\partial y}\\ \dfrac{\partial F\left(y\right) }{\partial x}& \dfrac{\partial F\left(y\right) }{\partial y}\end{array}\right]=\left[\begin{array}{cc}{a}_{11}& {a}_{12}\\ {a}_{21}& {a}_{22}\end{array}\right] $

式中：

$ \begin{split} {a}_{11}=& \left(1-2x\right) [{W}_{\rm{g}}+\alpha {F}_{\rm{g}}+{L}_{\rm{g}}-(1-\alpha ) {R}_{\rm{g}}-{C}_{\rm{g}}-\\ & y(\alpha {F}_{\rm{g}}+\alpha {R}_{\rm{g}}+{L}_{\rm{g}}\left) \right] \end{split} $

$ {a}_{12}=-x\left(1-x\right) (\alpha {F}_{\rm{g}}+\alpha {R}_{\rm{g}}+{L}_{\rm{g}}) \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\; $

$ {a}_{21}=\alpha y\left(1-y\right) \left({R}_{\rm{g}}+{F}_{\rm{g}}\right) \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\; $

$ {a}_{22}=\left(1-2y\right) [{H}_{\rm{s}}+{H}_{\rm{n}}-{C}_{\rm{r}}-P+x\alpha ({R}_{\rm{g}}+{F}_{\rm{g}}\left) \right] $

因此5个均衡点在 $ {a}_{11}\mathrm{、}{a}_{12}\mathrm{、}{a}_{21}\mathrm{、}{a}_{22} $ 处取值如表3所示。

表3中： $ {D}_{1}={W}_{\rm{g}}-{C}_{\rm{g}}-{R}_{\rm{g}}+\alpha ({R}_{\rm{g}}+{F}_{\rm{g}}) +{L}_{\rm{g}} $ ， $ {D}_{2}= {W}_{\rm{g}}- {C}_{\mathrm{g}}-{R}_{\rm{g}},\;{D}_{3} = {H}_{\rm{s}}+{H}_{\rm{n}}-{C}_{\rm{r}}-P,\;{D}_{4} = {D}_{3}+\alpha ({R}_{\rm{g}}+{F}_{\rm{g}}) $ ，

$ A = - \frac{{{C_{\rm{r}}} + P - {H_{\rm{s}}} - {H_{\rm{n}}}}}{{\alpha ({R_{\rm{g}}} + {F_{\rm{g}}}) }}\left[ {1 - \frac{{{C_{\rm{r}}} + P - {H_{\rm{s}}} - {H_{\rm{n}}}}}{{\alpha ({R_{\rm{g}}} + {F_{\rm{g}}}) }}} \right]\left[ {\alpha ({R_{\rm{g}}} + {F_{\rm{g}}}) + {L_{\rm{g}}}} \right], $

$ B = \alpha \left[ {\frac{{{R_{\rm{g}}} + {C_{\rm{g}}} - {W_{\rm{g}}}}}{{\alpha ({R_{\rm{g}}} + {F_{\rm{g}}}) + {L_{\rm{g}}}}}} \right]\left[ {1 - \frac{{{R_{\rm{g}}} + {C_{\rm{g}}} - {W_{\rm{g}}}}}{{\alpha ({R_{\rm{g}}} + {F_{\rm{g}}}) + {L_{\rm{g}}}}}} \right]({R_{\rm{g}}} + {F_{\rm{g}}})\;\;\;\;\; $

2.3 稳定性分析

因为 $ {D}_{i} > 0(i=\mathrm{1,2},\mathrm{3,4}) $ 是否成立，将直接影响雅可比矩阵行列式和迹的正负号，进而影响局部均衡点稳定性，因此本文根据 $ {D}_{i} $ 的正负性将问题分为16种情形(见表4)。

根据表4可知，在Case 1( $ {D}_{i} < 0(i=\mathrm{1,2},\mathrm{3,4}) $ )时，对于局部均衡点(0,0)，这里计算雅各比矩阵的行列式 $ {\rm{det}}{\boldsymbol{J}} = {a}_{11}{a}_{22}-{a}_{12}{a}_{21}={D}_{1}{D}_{3} > 0 $ ，迹 $ {\rm{tr}}{\boldsymbol{J}} = {a}_{11}+{a}_{22}= {D}_{1}+ {D}_{3} < 0 $ 。根据Friedman提出的判别方法：当矩阵的行列式大于0且矩阵的迹小于0时，均衡点为演化稳定点^[17]，因此局部均衡点(0,0) 是演化稳定(ESS) 的。对于局部均衡点(0,1)，其雅可比矩阵的行列式 $ {\rm{det}}{\boldsymbol{J}}= -{D}_{2}{D}_{3} < 0 $ 。根据Friedman提出的判别方法：当矩阵的行列式小于0，均衡点为鞍点，因此点(0,1) 是鞍点；同理，(1,0) 也是鞍点。对于局部均衡点(1,1)，其 $ {\rm{det}}{\boldsymbol{J}}={D}_{2}{D}_{4} > 0 $ ， $ {\rm{tr}}{\boldsymbol{J}}={D}_{2}+{D}_{4} > 0 $ 。根据Friedman提出的判别方法：当矩阵的行列式大于0且矩阵的迹大于0时，均衡点为不稳定点，因此点(1,1) 是不稳定点。同理，可以得到Case 2、4、9、10、12、13、14、16的稳定性判定结果。在Case 3( $ {{D}}_{1} $ <0， $ {{D}}_{2} $ <0， $ {{D}}_{3} $ >0， $ {{D}}_{4} $ <0)时，因为 $ {{D}}_{4}={{D}}_{3}+{\alpha }({{R}}_{\mathrm{g}}+{{F}}_{\mathrm{g}}) $ > $ {{D}}_{3} $ ，所以 $ {{D}}_{3} $ >0与 $ {{D}}_{4} $ <0矛盾，即Case 3不可能出现；同理Case 7、11、15也不可能出现。在Case 5( $ {{D}}_{1} $ <0， $ {{D}}_{2} $ >0 $ {{D}}_{3} $ <0， $ {{D}}_{4} $ <0)时， $ {D}_{1}={W}_{\rm{g}}-{C}_{\rm{g}}- {R}_{\rm{g}}+\alpha ({R}_{\rm{g}}+{F}_{\rm{g}}) +{L}_{\rm{g}} =$ $ {D}_{2}+\alpha ({R}_{\rm{g}}+{F}_{\rm{g}}) +{L}_{\rm{g}} $ > $ {D}_{2} $ ，所以 $ {D}_{1} $ <0与 $ {{D}}_{2} $ >0矛盾，即Case 5不可能出现；同理，Case 6、8也不可能出现。

最后，对于 $ \left({x}^{\mathrm{*}},\;{y}^{\mathrm{*}}\right) $ 点，根据Friedman提出的判别方法，其行列式 $ {\rm{det}}{\boldsymbol{J}}=0 $ ，不满足演化均衡点的条件，因此，本文后续对其不再进行分析。

2.4 管理启示 2.4.1 Case 1和Case 2

当 $ {D}_{1} < 0，{D}_{2} < 0，{D}_{3} < 0 $ 时，系统演化稳定状态为(不监管，不自律)。即当政府监管成本( $ {C}_{\mathrm{g}}+{R}_{\rm{g}} $ )高于监管带来收益( $ {W}_{\rm{g}}+\alpha ({R}_{\rm{g}}+{F}_{\rm{g}}) +{L}_{\rm{g}} $ )时， $ {{D}_{2} < D}_{1} < 0 $ ；且平台自律成本( $ {C}_{\rm{r}}+P $ )高于不自律带来损失( $ {H}_{\rm{s}}+{H}_{\rm{n}} $ )时， $ {D}_{3} < 0 $ ，此时政府(平台)会发现监管(自律)不如不监管(不自律)，从而逐步降低监管(自律)概率，最终演化到完全不监管(不自律)(见图1)。在Case 2，当平台考虑到不自律可能带来的惩罚(即不自律减少获得奖励的机会成本)较高，导致 $ {D}_{4} > 0 $ ；此时如果政府监管概率较高且平台自律概率较低时(见图1(b)右下方)，平台自律收益高于不自律收益，从而会逐步提高自律概率；但是政府监管概率越来越低，此时平台自律收益逐步降低，进而失去自律积极性，逐步降低自律概率，最终出现(不监管，不自律)的局面。

2.4.2 Case 4和Case 12

当 $ {D}_{2} < 0,{D}_{3} > 0,{D}_{4} > 0 $ 时，系统演化稳定状态为(不监管，自律) 。即当平台自律成本( $ {C}_{\rm{r}}+P $ )低于不自律带来损失( $ {H}_{\rm{s}}+{H}_{\rm{n}} $ )时， $ {D}_{3} > 0 $ ，平台会发现自律收益高，从而逐渐选择自律策略；当政府监管成本( $ {C}_{\rm{g}}+{R}_{\rm{g}} $ )高于监管带来收益( $ {W}_{\rm{g}} $ )时， $ {D}_{2} < 0 $ ，此时政府会发现监管不如不监管，从而降低监管概率，最终演化到(不监管，自律)(见图2)。在Case 12，当政府考虑到监管可能带来的收益(即监管对平台不自律的惩罚收益)较高，导致 $ {D}_{1} > 0 $ ；此时如果平台(政府)自律(监管)概率较低(见图2(b)左下方)，政府监管收益会大于不监管收益，因而提高监管概率；但是随着平台自律概率越来越高，此时政府监管收益逐步降低，进而失去监管积极性，逐步降低监管概率，最终呈现(不监管，自律)的局面。

2.4.3 Case 9和Case 13

当 $ {D}_{1} > 0,{D}_{3} < 0,{D}_{4} < 0 $ 时，系统演化稳定状态为(监管，不自律)。即当平台自律收益( $ {H}_{\rm{s}}-{C}_{\rm{r}}+\alpha {R}_{\rm{g}} $ )低于不自律带来收益( $ P-{H}_{\rm{n}}-\alpha {F}_{\rm{g}} $ )时， $ {D}_{3} < {D}_{4} < 0 $ ，平台会发现不自律收益高，从而逐渐选择不自律策略；当政府监管成本( $ {C}_{\rm{g}}+{R}_{\rm{g}} $ )低于监管带来收益( $ {W}_{\rm{g}}+\alpha ({R}_{\rm{g}}+{F}_{\rm{g}}) +{L}_{\rm{g}} $ )时， $ {D}_{1} > 0 $ ，此时政府会发现监管收益高，从而增加监管概率，最终演化到(监管，不自律)(见图3)。在Case 9，此时如果政府考虑到监管带来的声誉提升可能较低，会有降低监管的意愿，导致 $ {D}_{2} < 0 $ (见图3(a)右上方)；但随着平台自律积极性一直降低，此时政府监管收益逐步提高，进而增加监管积极性，逐步提高监管概率，最终呈现(监管，不自律)的局面。

2.4.4 Case 14和Case 16

当 $ {D}_{1} > 0,{D}_{2} > 0,{D}_{4} > 0 $ 时，系统演化稳定状态为(监管，自律)。即当政府监管成本( $ {C}_{\mathrm{g}}+{R}_{\rm{g}} $ )低于监管带来收益( $ {W}_{\rm{g}}+\alpha ({R}_{\rm{g}}+{F}_{\rm{g}}) +{L}_{\rm{g}} $ )时， $ {D}_{1} > {D}_{2} > 0 $ ；且平台自律收益( $ {H}_{\rm{s}}-{C}_{\rm{r}}+\alpha {R}_{\rm{g}} $ )高于不自律带来收益( $ P-{H}_{\rm{n}}-\alpha {F}_{\rm{g}} $ )时， $ {D}_{4} > 0 $ ，此时政府(平台)会发现监管(自律)收益高，从而逐步提高监管(自律)概率，最终演化到监管(自律)(见图4)。在Case 14，此时如果平台考虑到不自律可能带来的收益较高，导致 $ {D}_{3} < 0 $ ；此时政府监管概率较低且平台自律概率较高(见图4(a)左上方)，平台将降低自律概率；但是政府监管概率越来越高，此时平台自律收益逐步提高，进而增加自律积极性，逐步提高自律概率，最终呈现(监管，自律)的局面。

3 数值仿真分析 3.1 不同情形数值仿真

为了直观地反映政府和平台的演化趋势，本节采用 Matlab对不同情形下的演化趋势进行模拟，以演示上述结论。其中，横坐标轴代表政府监管概率 $ x $ ，纵坐标轴代表平台自律概率 $ y $ 。

3.1.1 Case 1和Case 2

对于Case 1，令 $ {W}_{\rm{g}}=20,{C}_{\rm{g}}=100,{R}_{\rm{g}}=60,\alpha =0.6, {F}_{\rm{g}}=50, {L}_{\rm{g}}=20,{C}_{\rm{r}}=60,{H}_{\rm{s}}=20,P=50,{H}_{\rm{n}}=20 $ (此时满足Case1 $ {D}_{i} < 0(i=\mathrm{1,2},\mathrm{3,4}) $ )，将参数代入复制动态方程组(式(1))，令政府监管初始概率 $ x=0.1,0.2, \cdots ,     0.9 $ ，同样令平台自律初始概率 $ y=\mathrm{0.1,0.2}, \cdots ,    0.9 $ ，然后运用Matlab仿真得到81条演化路径如图5(a)所示。对于Case 2，将 $ {F}_{\rm{g}}=50 $ 提高到 $ {F}_{\rm{g}}=100 $ (使得 $ {D}_{4} > 0 $ )，仿真得到81条演化路径如图5(b)所示。

由图5可知：无论初始概率如何设置，政府监管概率都逐渐趋近于0，同时平台自律概率也逐渐趋近于0；在Case 2下，虽然当政府监管概率较高、平台自律概率较低时，平台出现过提高自律概率的情形，但是随着政府监管概率降低，很快平台也开始不断降低自律概率；所以在这两种情形下，未来很容易出现政府不监管、平台不自律的糟糕状况，从而乘客隐私难以得到保护，最终制约行业健康发展。

3.1.2 Case 4和Case 12

在Case 4，令 $ {W}_{\rm{g}}=100,{C}_{\rm{g}}=120,{R}_{\rm{g}}=30,\alpha =0.5, {F}_{\rm{g}}=20,{L}_{\rm{g}}=15,{C}_{\rm{r}}=50,{H}_{\rm{s}}=80,P=60,{H}_{\rm{n}}=50 $ (此时满足Case 4 $ {D}_{\mathrm{1,2}} < 0,{D}_{\mathrm{3,4}} > 0 $ )，将参数代入式(1)，令政府监管初始概率 $ x=\mathrm{0.1,0.2}, \cdots ,    0.9 $ ，同样令平台自律初始概率 $ y=\mathrm{0.1,0.2}, \cdots ,    0.9 $ ，然后运用Matlab仿真得到81条演化路径如图6(a)所示。对于Case 12，假设 $ {W}_{\rm{g}}=100,{C}_{\rm{g}}=100,{R}_{\rm{g}}=30,\alpha =0.6,{F}_{\rm{g}}=50,{L}_{\rm{g}}=20, {C}_{\rm{r}} = 50,{H}_{\rm{s}} = 80,P = 60,{H}_{\rm{n}} = 50 $ (此时满足Case 12， $ {D}_{1} > 0, {D}_{2} < 0,{D}_{\mathrm{3,4}} > 0 $ )，仿真得到演化路径如图6(b)所示。

由图6可知：无论初始概率如何设置，政府监管概率都逐渐趋近于0，同时平台自律概率逐渐趋近于1；在Case 12，虽然当政府监管和平台自律概率都较低时，政府监管概率曾经有所提高；但是随着平台自律概率提高，政府监管获得收益越来越小，也会再次不断降低监管概率；所以在这两种Case下，最终政府会不监管，但是平台会自律，这样既降低了政府监管成本，又很好地保护了乘客隐私。

3.1.3 Case 9和Case 13

在Case 9，令 $ {W}_{\rm{g}}=80,{C}_{\rm{g}}=60,{R}_{\rm{g}}=30,\alpha =0.6, {F}_{\rm{g}}=20,{L}_{\rm{g}}=20,{C}_{\rm{r}}=100,{H}_{\rm{s}}=80,P=80,{H}_{\rm{n}}=60 $ (此时满足 $ {{D}}_{1} > 0,{{D}}_{\mathrm{2,3},4} < 0 $ )，将参数值代入式(1)，仿真得到演化路径如图7(a)所示。对于Case 13，在Case 9基础上，将 $ {{W}}_{\mathrm{g}} $ 从80提高到 $ 95 $ (此时满足 $ {{D}}_{\mathrm{1,2}} > 0,{{D}}_{\mathrm{3,4}} < 0 $ )，仿真得到演化路径如图7(b)所示。

由图7可知：无论初始概率如何设置，政府监管概率都逐渐趋近于1，同时平台自律概率逐渐趋近于0；在Case 9，当政府监管和平台自律概率都较高时，政府有降低监管概率的趋势，但是随着平台自律概率下降，政府又将提高监管概率；无论如何，最终政府会监管，但是平台仍然不自律，这样将极大推高政府监管成本，但乘客隐私仍然很难得到保护。

3.1.4 Case 14和Case 16

对于Case 14，假设 $ {W}_{\rm{g}}=90,{C}_{\rm{g}}=40,{R}_{\rm{g}}=30, \alpha = 0.6,{F}_{\rm{g}}=50,{L}_{\rm{g}}=40, {C}_{\rm{r}}=50,{H}_{\rm{s}}=40,P=60,{H}_{\rm{n}}=50 $ (此时满足 $ {{D}}_{\mathrm{1,2},4} > 0,{{D}}_{3} < 0 $ )，将参数值代入复制动态方程组(式(1))，仿真得到演化路径如图8(a)所示。对于Case 16，将 $ {H}_{\rm{n}}=50 $ 调整为 $ 80 $ (此时满足 $ {{D}}_{\mathrm{1,2},\mathrm{3,4}} > 0 $ )，仿真得到演化路径如图8(b)所示。

由图8可知：无论初始概率如何设置，政府监管和平台自律概率都逐渐趋近于1；在Case 14，当政府监管概率较低、平台自律概率较高时，平台有减少自律的可能，但是随着政府监管概率提升，平台也将不断提升自律概率；无论如何，最终将会出现政府监管、平台自律的理想结果，这样在政府的监管下，平台将很好地履行隐私保护的企业主体责任。

3.2 参数对演化路径影响的仿真分析

为了更好地探究 $ {W}_{\rm{g}} $ 、 $ {H}_{\rm{s}} $ 、 $ {C}_{\rm{g}} $ 和 $ {C}_{\rm{r}} $ 等参数对政府与平台策略选择的影响，下面将分别调整上述参数取值，观察参数变化对演化趋势的影响。

3.2.1 $ {\mathit{W}}_{\rm{g}} $ 对演化路径的影响

在3.1.1节中Case 1参数设置基础上，保持其他参数不变，令 $ {W}_{\rm{g}} $ 依次等于20(满足Case 1)、120(满足Case 9)、180(满足Case 13)，且 $ x $ 和 $ y $ 的初始值均为0.6，得到6条演化路径(见图9)。

从图9可以看出，随着 $ {W}_{\rm{g}} $ 的增加，政府监管概率由0转化为1，系统演化稳定点由(0，0)转变为(1，0)；即政府由不监管变为监管；平台自律概率始终为0，即平台选择不自律。

同一时刻，随着 $ {W}_{\rm{g}} $ 增大，x和 $ y $ 都在增加。例如当t=0.04，随着 $ {W}_{\rm{g}} $ 从20提高到120，进而提高到180时，x从0.047提高到0.67，再提高到0.95。说明当公众对政府监管工作重视程度和对政府监管评价提高时，政府会更加倾向于监管；同时，由于政府监管概率提高，平台不自律被罚概率提高，因而 $ y $ 从0.14提高到0.31，再提高到0.44，即平台也会提高自律概率。

3.2.2 $ {\mathit{H}}_{\rm{s}} $ 对演化路径的影响

在3.1.1节Case 1参数设置基础上，令 $ {H}_{\rm{s}} $ 依次为20(满足Case 1)、80(满足Case 2)、120(满足Case 4)，得到6条演化路径(见图10)。

从图10看出，随着 $ {{H}}_{\mathrm{s}} $ 增加，平台自律概率由0转化为1，演化稳定点由(0，0)转变为(0，1)；即平台由不自律转为自律；政府监管概率始终为0，即政府始终选择不监管。

同一时刻，随着 $ {H}_{\rm{s}} $ 增大，x和 $ y $ 都在增加。例如当t=0.03，随着 $ {H}_{\rm{s}} $ 从20提高到80，进而提高到120时，平台自律概率从0.24提高到0.65，进一步提高到0.86，说明当公众对平台自律给出的正反馈强烈，平台会主动承担社会责任，自律积极性不断提高；同时，由于政府需付给平台奖励越来越多，从而监管概率x从0.08下降到0.05，再下降到0.04，即政府监管意愿越来越弱。

3.2.3 $ {\mathit{C}}_{\rm{g}} $ 对演化路径的影响

在3.1.2节Case 12参数设置基础上，令 $ {C}_{\rm{g}} $ 依次等于100(满足Case 12)、80(仍满足Case 12)、50(满足Case 16)，且 $ x $ 和 $ y $ 的初始值均为0.6，得到6条演化路径(见图11)。

从图11可以看出，随着 $ {C}_{\rm{g}} $ 下降，政府监管概率由0转化为1，演化稳定点由(0，1)转化为(1，1)；即政府由不监管变为监管；平台自律概率依然为1，即始终选择自律。

同一时刻内，随着 $ {C}_{\rm{g}} $ 下降，政府监管概率x从0.39提高到0.63，再提高到0.88，说明随着政府监管成本下降，监管意愿不断提高；同时由于政府监管概率增加，平台不自律面临罚款概率越来越高，平台自律概率 $ y $ 不断提高(0.93→0.95→0.96)，平台自律意愿不断增强。

3.2.4 $ {\mathit{C}}_{\rm{r}} $ 对演化路径的影响

在3.1.3节Case 13参数设置基础上，令 $ {C}_{\rm{r}} $ 依次等于100(满足Case 13)、85(Case 14)、70(Case 14)，且 $ x $ 和 $ y $ 的初始值均为0.5，得到6条演化路径(见图12)。

从图12可以看出，随着 $ {C}_{\rm{r}} $ 下降，平台自律概率由0变为1，演化稳定点由(1，0)转化为(1，1)；即平台由不自律变为自律；政府监管概率依然为1，即始终选择监管。

同一时刻内，随着 $ {C}_{\rm{r}} $ 下降，平台自律概率 $ y $ 从0.39提高到0.63，再提高到0.88，说明随着平台自律成本降低，自律意愿增强；同时由于自律意愿提高，监管付出奖励成本增加，所以政府监管意愿降低。最终出现政府不监管，平台主动自律的良性局面。

4 结论与启示

本文以网约车乘客隐私保护领域的政策监管策略设计问题为研究对象，运用演化博弈理论构建了政府和平台演化博弈模型，找到不同情形下的演化稳定策略；并运用 Matlab 软件对不同情形下双方策略随时间变化的演化路径、政府监管带来声誉提升程度 $ {W}_{\rm{g}} $ 等参数对演化路径的影响进行数值模拟。

研究结果显示：(1) 当政府监管收益大于不监管收益，平台自律收益大于不自律时，该博弈将演化为(监管，自律)的均衡状态，这对于保护乘客隐私是好的演化均衡；(2) 当政府监管获得声誉增加时，监管收益可能从小于不监管收益转化为大于不监管收益，从而策略选择由不监管转化为监管；(3) 当平台获得来自社会的正向收益不断增加时，平台策略将从不自律转化为自律；(4) 当政府监管成本不断减小，政府策略会从不监管转化为监管；(5) 当平台自律成本不断减少时，平台会从不自律转化为自律。

为了加强网约车行业乘客隐私保护，政府和平台应努力做到以下两点：(1) 政府不断创新监管方式，降低监管成本，提高监管效率；(2) 平台利用信息技术优势，发挥科技创新在隐私保护方面的作用，降低隐私保护成本。