用Python模拟霍特林博弈：从街头冰淇淋店到互联网产品定价的实战推演

想象一下，炎炎夏日里一条笔直的街道上，两家冰淇淋店分别位于两端。顾客们会根据价格和步行距离决定去哪家购买——这就是1929年Harold Hotelling提出的经典模型。但霍特林博弈的智慧远不止于此，从外卖平台的配送范围优化，到视频会员的差异化定价，再到共享单车的投放策略，这个看似简单的模型能解释无数现实商业现象。

本文将用Python带你亲手搭建霍特林模型的动态模拟系统。不同于静态的理论推导，我们将通过可交互的代码实验，直观观察空间竞争如何影响定价策略。无论你是想理解商业竞争本质的产品经理，还是希望用博弈论优化策略的数据分析师，这些代码都能成为你的决策实验室。

1. 环境搭建与基础模型

首先确保你的Python环境已安装以下库：

1.1 线性城市的基本假设

我们构建一个长度为1的"线性城市"，消费者均匀分布在[0,1]区间。假设两家商店分别位于a=0和b=1的位置，销售同质化产品。消费者选择商店时考虑：

• 商品价格(p1, p2)
• 单位距离旅行成本t（可理解为时间成本或运费）

需求函数推导的关键在于找到"无差异消费者位置"x*，即：

解得x* = (p2 - p1 + t)/(2t)。据此可编写基础需求函数：

1.2 价格均衡的可视化

固定商店2价格p2=1.5，观察商店1价格变化如何影响市场份额：

当p1=p2时，市场份额平分；价格低于竞争者时获得更多客户——这与直觉完全一致。但真正的博弈在于双方会如何动态调整价格？

2. 动态博弈与纳什均衡

2.1 利润函数与最优响应

假设单位成本c=1，利润函数为：

商店1在面对p2时会选择使利润最大化的p1。通过求导可得最优响应函数：

实现代码：

2.2 均衡收敛模拟

通过迭代反应观察价格如何收敛到均衡：

绘制收敛过程：

2.3 旅行成本的影响

旅行成本t越大，产品差异化程度越高。我们观察不同t值下的均衡价格：

代码验证：

3. 商店位置的内生决定

经典模型中商店位置是外生给定的，现实中企业会战略性地选择位置。我们扩展模型，让位置也成为决策变量。

3.1 位置-价格联合博弈

定义利润函数时加入位置参数：

3.2 位置策略模拟

固定一家位置，观察另一家的最优响应：

结果显示中间位置(最小差异化)反而是利润最低的，这与霍特林著名的"主街悖论"一致。

4. 互联网产品的差异化竞争

将空间差异转化为产品特性差异，模型可应用于：

4.1 视频会员定价案例

假设：

• "位置"代表内容偏好（0=电影爱好者，1=剧集爱好者）
• 旅行成本t代表用户对非偏好内容的容忍度

模拟代码：

4.2 可交互模拟器

创建Jupyter交互控件，实时观察参数影响：

5. 模型局限与扩展方向

虽然霍特林模型极具洞察力，但现实更复杂。可以考虑以下扩展：

1. 多维差异化：同时考虑价格、质量、服务等多维度

2. 动态博弈：多期竞争与用户迁移成本

3. 网络效应：用户选择受现有用户规模影响

4. 数据驱动的参数估计：

这些扩展方向都能在原有代码框架上实现，为商业决策提供更精细的模拟工具。