定价中个人数据的负责任使用

2026 年 4 月

作者

Jameson Spivack

未来隐私论坛人工智能副主任

致谢

作者感谢 Stacey Gray、Jules Polonetsky、Matthew Reisman、Josh Zhao、Jordan Francis、Justine Gluck、Jared Bomberg、Soo Kang、Sean Perryman 以及所有其他审阅者对本报告提供的支持。

FPF 所有公开发布的材料均可在适当署名的前提下自由分享和改编。了解更多。

目录

执行摘要 ...................................................................................................2

I. 数据如何为定价提供依据 ......................................................................3

II. 法律格局与近期立法趋势 ......................................................................6

III. 负责任的数据驱动定价建议 .................................................................9

附录：美国与数据驱动定价相关的立法，2026 年 ....................................11

尾注...........................................................................................................14

执行摘要

价格设定方式正在发生变化：更容易获得的数据、更复杂的算法以及无处不在的线上购物，使零售商能够基于关于市场和消费者的越来越多数据，自动地、实时或近实时地为客户定制报价。若干涉及个人数据、市场数据和高级机器学习的定价策略，本文统称为“数据驱动定价”，近来已成为常见营销实践。虽然数据驱动定价通常被用于吸引、留住或奖励客户，但它也可能让零售商获得可用于个别化定价的洞察，而普通消费者可能认为这些定价方式出乎意料或不公平，或者这些方式可能在不同群体之间造成非预期差异。因此，数据驱动定价在美国正日益受到民间社会、立法者和执法机构的审视。本资源概述数据如何为定价提供依据；将数据驱动定价置于美国既有法律、执法活动和新兴立法的背景下加以说明；并提出若干最佳实践，供零售和电子商务平台在定价受到数据影响时负责任地使用数据。本文提出的实务建议是在咨询正在建设可信定价实践的企业后形成的，并与领先组织基于美国国家标准与技术研究院（NIST）《人工智能风险管理框架》（AI RMF）等框架建立稳健、负责任的 AI 治理项目的方式相一致。

建议包括：

• 对所有影响消费者定价的数据的收集和使用进行映射并持续跟踪，包括数据来源和数据谱系。
• 严格测试所有相关数据集和定价算法是否存在偏见。
• 基于对公平性、情境和消费者预期的分析，围绕哪些数据类型和数据使用方式可以被允许用于影响消费者价格，建立清晰的内部政策。
• 向消费者清楚披露数据如何影响定价，以及个人数据可能如何影响个性化报价。
• 确保个性化折扣是相对于真实的“基准”价格而存在的。
• 对基本产品的数据驱动定价实施更强的保障措施。
• 在与定价算法供应商合作时，确保数据使用政策保持一致。

I. 数据如何为定价提供依据

在零售和商业中，定价策略受多种数据影响，包括供需信息、不同地理区域的生产成本、竞争者价格以及其他市场力量。1 因此，随着条件变化，价格可能随时间变化，也可能在不同消费者之间有所不同。例如，酒店和航空价格会根据季节性、可用房间或座位、燃油价格和预期需求而波动。2 网约车应用和配送服务同样会在需求高企时采用“高峰定价”或“繁忙费”。3 零售商也长期通过市场分析、调查和实验来评估供需状况，并据此决定其提供的价格。

然而，近年来，现代机器学习和 AI 系统的发展，使商业平台和零售商能够使用复杂的定价引擎，基于数量大得多的市场数据或消费者行为数据，实时或近实时地调整定价。随着公众对自动化定价的认知提高，一个问题不可避免地出现：定价在多大程度上可能响应来自个体消费者或关于个体消费者的数据。本节探讨零售商如何同时使用个人数据和非个人数据来设定价格，数据和机器学习在定价中的作用如何演进，以及这给试图维持负责任数据实践的零售商带来了哪些挑战。

1. 零售商使用广泛的非个人数据来影响价格，这一过程越来越多地通过机器学习实现自动化和优化。

零售商基于对市场条件或时间、空间因素的分析，改变某一特定产品的价格，有时是实时或近实时改变，这是一种常见做法，通常被称为“动态定价”（见图 1）。4 在前一种情形中，零售商会根据供给或需求变化，或者随着竞争者价格变化而调整价格。零售商也可能基于地理位置或时间点（例如一天中的时段、一周中的日期或季节）调整价格，以反映跨时间和地点的一般经济趋势。5 例如，零售商可能基于某一地区的天气或生活成本信息，或者基于某一季节消费者对特定产品需求的历史数据来调整价格。6

图 1. 商业航空机票价格是动态定价的常见例子，其价格往往会随需求和其他因素而波动。Google Flights 提供历史价格趋势数据，供消费者比较机票价格随时间的变化。截图日期为 2026 年 2 月 11 日。

在许多情况下，动态定价会根据变化中的条件自动调整。动态定价的常见例子包括网约车应用中的高峰定价、随季节波动的酒店客房租赁价格，以及临近航班时价格上涨的机票。不过，在其他情况下，例如欢乐时光特价、电影院日场优惠、临近保质期的杂货商品降价，以及餐厅中的“时价”标价，这些价格则是“人工”调整的，且调整频率较低。

2. 零售商可获取的个人数据来源不断扩大，并影响多种个性化折扣策略。

零售商长期以来就在某种程度上使用个人数据来影响价格。7 “价格歧视”这一做法，即基于观察到的或推断出的特征，对同一产品向不同消费者收取不同价格，在商业中有着悠久历史。8 例如，为学生、老年人、亲友提供特别折扣，几十年来一直是一种流行做法。无论是在传统市场，还是在汽车经销商等现代场景中，就价格讨价还价、以物易物或谈判也很常见。事实上，对不同客户统一提供商品和服务价格这一概念，是相对现代的现象，据称由美国贵格会教徒在 19 世纪中后期率先开创。9

然而，近几十年来，随着数据更容易获得、算法更加复杂、线上零售更加普遍，更个性化和动态化的定价模式已经增长。10 许多商业平台和零售商现在有能力部署复杂的定价系统，基于大量关于市场或消费者的数据，实时或近实时地调整价格。定向折扣、动态定价和“真实且善意的”忠诚度计划等定价策略，此后已成为常见营销实践。11

一个由收集、分析和传输数据的实体组成的大型生态系统，使现代定价策略成为可能。12 影响价格的数据可以来自一系列第一方和第三方来源，而关于这些数据应如何影响价格的决定，可以由零售商、第三方定价工具、市场平台或广告平台作出。虽然零售商通常会在客户浏览其线上商店时直接从客户处收集数据，但零售商也可能通过跟踪像素、Cookie、软件开发工具包（SDK）以及其他跨会话、应用和设备跟踪用户的方法，从其他来源获得大量数据。13

下列非穷尽表格展示了数据驱动定价中最常用的一些数据来源和数据类型。取决于零售商的具体情况，数据可以是第一方数据或第三方数据，也可以是直接观察到的数据或关于消费者的推断信息。14

基于消费者被观察到或被推断出的个人数据，零售商能够向个体客户提供专门计算出的价格或特别优惠。15 最常见的是，定价以定向折扣或忠诚度计划的形式实现个性化。在定向折扣中，零售商会基于客户的行为或人口统计信息提供促销，例如在消费者首次访问零售网站后向其提供优惠券，或者向某一地理区域内的居民发送直邮优惠券。零售商可能会将消费者放入由具有相似特征的人组成的市场细分群体中；这些细分群体可以很宽泛，例如“教师”或“老年人”，也可以更有针对性，并基于细粒度个人数据（例如“年收入超过 8 万美元、每月至少一次在线购买杂货的新手父母”）。在忠诚度计划中，客户报名参加某一特定公司的计划，以获得奖励、折扣或其他激励，通常作为交换的是重复购买或额外的数据共享。这些计划通常是分层的，根据客户的消费活动水平、参与计划的时长或参与费用提供不同权益。常见的忠诚度计划包括航空常旅客里程计划、酒店奖励计划、零售会员计划和信用卡奖励计划。16 在许多情况下，个性化定价是零售商吸引或留住客户的一种方式。例如，零售商可能向一段时间未购买的流失客户提供折扣，基于其近期购买记录为类似产品提供特别优惠，或者在客户投诉后免除费用或提供未来购买折扣。零售商还可能使用更细粒度的数据，例如用户在未购买情况下停留在网站上的时间，或留在购物车中的商品，来推断客户的兴趣程度，并以特别优惠吸引他们。

3. 在定价中使用个人数据可能符合预期且具有正当性，但在可解释性、透明度和公平性方面带来挑战。

在某些情况下，在更广泛的定价背景中使用个人数据既可能符合预期，也可能具有正当性。例如，设备的地理位置可用于反映价格中真实存在的地理差异。个人数据通常也被用于提供个性化折扣，例如在消费者首次访问零售网站后向其提供优惠券，或者向某一地理区域内的居民定向发送直邮优惠券。这类实践如今通常已经完全自动化，其结果往往对双方都有利：零售商更可能完成销售，消费者则从折扣价格中受益。

与此同时，鉴于零售商能够获得的数据不断扩大，并拥有先进的机器学习模型，它们面临越来越大的压力，需要解释其定价策略，并证明其数据使用是公平的。虽然这些策略中的许多对消费者有利，但零售商也能够获得消费者个人数据，从而有能力以消费者可能认为具有剥削性的方式进行个性化定价。例如，如果零售商愿意，它们可以利用上述既有数据来源，基于消费者被推断出的财富或生活处境进行个别化定价。17 它们还可以基于消费习惯、邮政编码或用于购物的设备等信息，推断某一客户愿意支付的最高价格，并按该金额收费。18 区分正当和不正当的数据使用，是消费者面临的一项重大挑战，因为在其数据如何被使用方面，消费者通常处于信息劣势。19

消费者、执法机构和立法者通常同意一个关键点：在大多数情况下，若基于某一消费者的个人数据向该消费者展示为其专门定制的个体化价格，应当作出清楚披露或取得同意；否则，可能违反长期存在的消费者保护法律，包括防止出乎意料的二次信息使用的保护。20 消费者认为何为公平或符合预期，可能具有细微差异，并取决于具体的消费者交互情境。例如，使用第一方数据进行直邮营销是一项成熟实践，向首次访问者或将商品留在购物车中但未完成购买的客户提供促销折扣也是如此。这些实践已经常规化，在许多情况下可能符合预期，甚至受到欢迎。与此同时，零售商也可能利用同一类型的数据，即浏览过的产品，来推断关于消费者的、不那么符合预期的信息，例如健康状况，并据此提供折扣。在这些情况下，该实践可能让人觉得不公平。21

4. 几乎所有现代定价在某种程度上都是“算法化”的。

一般而言，“算法化”仅指一种结构化决策过程，该过程基于输入数据生成结果。22 因此，许多定价策略都是算法化的，因为它们基于对消费者和市场数据的自动化分析输出一个结果，即价格。23 现代算法定价策略的新颖之处在于，它们能够基于大量数据自动地、实时或近实时地调整价格，以优化销售。24 例如，许多零售商使用定价引擎来设定和管理不同产品与不同客户的价格，并考虑供需、竞争者价格、地理差异、特别优惠和忠诚度计划等因素。25 在许多情况下，定价算法以自主方式运行，几乎没有或完全没有人工监督。不过，一些零售商，尤其是中小企业，仍然会基于对市场数据的分析，以较低频率“人工”更改价格。

II. 法律格局与近期立法趋势

在美国，与消费品和服务定价有关的问题主要由消费者保护、竞争，以及越来越多的隐私和数据保护法律调整。近年来，数据驱动定价也已成为美国的一项重要立法重点，立法者在 2025 年和 2026 年每年都提出了 60 多项法案。

1. 美国的法律与执法格局

在美国，联邦和州消费者保护法与竞争法赋予执法机构广泛裁量权，可以针对其认为有害或误导性的实践进行执法，其中可能包括某些数据驱动定价实践。例如，《联邦贸易委员会法》第 5 条禁止“在商业中或影响商业的不公平或欺骗性行为或做法”（unfair or deceptive acts or practices，UDAP）。26 尽管 FTC 历史上一直不太愿意依据其“不公平”权限提起案件，但它已经明确，该权限适用于“无理制造或利用妨碍消费者自由行使决策能力的障碍”的实践；有人主张，这应适用于未披露的个性化定价。27 2024 年，FTC 启动了一项重要的 6(b) 调查，调查“监控定价”实践，要求提供关于零售商可用于设定价格的各类个人数据，以及促成个体价格定向的行为主体生态系统的信息。28 虽然 2025 年 FTC 新领导层取消了原计划的公众评论期，可能表明该 6(b) 研究已经结束，29 但如下文所述，州级执法机构此后已明确将该问题列为优先事项。

此外，FTC 已发布关于欺骗性定价的法规，就如何避免从“虚构”基准价格提供折扣等实践提供指引，并出台了一项禁止“垃圾费用”和诱饵式价格转换的规则。30 在金融部门，消费者金融保护局（CFPB）执行《消费者金融保护法》（CFPA），并发布监督指引，明确当交易中的重要条款，包括价格或成本，未能清楚传达给消费者，从而干扰消费者理解相关条款或条件的能力时，相关实体构成违法的“滥用行为”。31 其他行业，例如电信和医疗行业，对于组织如何设定和展示价格也有各自的规则。32 FTC 与司法部（DOJ）和州级执法机构还拥有执行联邦竞争法和反垄断法的权限，包括针对通过算法促进价格固定的实体采取行动。例如，2025 年，DOJ 和八名州总检察长起诉了一家物业管理软件提供商，指控该公司基于非公开、具有竞争敏感性的数据，在相互竞争的租赁公司之间协调租金价格，从而实施“算法协调”。33 每个州都有自己的消费者保护法，基本上对应 FTC 法中的“UDAP”禁令，并由州总检察长执行。大多数州还设有价格哄抬法律，禁止在自然灾害等特定情况下收取过高价格，并可能要求对自动化价格调整设置限制。34

A. 消费者隐私法

目前至少已有 19 个州的综合性隐私和数据保护法律生效，这些法律为处理个人数据的组织设定了相关实体性要求，包括影响定价的商业场景。具体而言，关于数据最小化、目的限制和自动化决策的规定，可能为执法机构审查在设定价格时使用个人数据或算法提供法律抓手。几乎所有州隐私法都包含某种形式的数据最小化要求，通常禁止受其规制的实体收集、使用或保留超过实现某一已识别、合法目的所必需范围的个人数据。许多综合性消费者隐私法还包含“目的限制”原则，该原则限制实体将为特定目的收集的数据用于额外的、不相关、不兼容或出乎意料的二次目的。35

马里兰州和加利福尼亚州在数据最小化和目的限制方面，可能以重要方式不同于其他州隐私法。多数州法律允许在披露目的的前提下收集和处理数据，而《马里兰在线数据隐私法》规定，控制者必须“将个人数据的收集限制在为提供或维护与该数据相关消费者所请求的特定产品或服务而合理必要且相称的范围内”（重点为本文所加）。36 与此同时，《加州消费者隐私法》（CCPA）法规要求，“收集或处理个人信息的目的应当与消费者的合理预期一致”，并且收集和处理“应当为实现”所披露目的而“合理必要且相称”（重点为本文所加）。37 2026 年 1 月，加州总检察长 Rob Bonta 开始对零售、杂货和酒店行业的企业开展调查扫荡，以确定是否有企业被指参与“监控定价”，即使用消费者个人数据来设定有针对性的、个体化的价格。38 根据 Bonta 总检察长的说法，如果将消费者个人数据用于定价目的并不符合其合理预期，“监控定价”可能构成对 CCPA 目的限制原则的违反。

一些消费者隐私及相关法律包含关于使用自动化画像技术的要求，特别是在这些技术被用于作出涉及住房、医疗、保险和其他类似服务的重大或重要决策时。加州关于自动化决策技术（ADMT）的法规要求，企业在将 ADMT 用于重大决策时，应在为 ADMT 目的收集或使用个人数据之前向消费者发出通知，允许消费者选择退出 ADMT，并回应消费者关于访问 ADMT 使用方式信息的请求。39 实践中，如果企业在住房、教育或列举的关键部门中从事自动化、个性化定价，可能需要遵守这些义务。

美国的许多综合性隐私保护要求，在欧盟《通用数据保护条例》（GDPR）和其他全球数据保护框架中都有类似规定。具体而言，GDPR 在使用个人数据并产生“法律或类似重大影响”时，包括与公平性（第 5 条）、透明度（第 13-14 条）以及不受完全自动化决策约束的权利（第 22 条）有关的基线要求。40 虽然消费者零售定价中个人数据的许多使用很可能被视为“完全自动化”，但“法律或类似重大影响”的门槛通常只适用于高风险场景，例如住房、医疗、保险费定价或政府福利资格。41 该门槛是否适用于消费者个性化零售定价，仍有争议且尚未解决。此外，欧盟《消费者权利指令》的现代化修订（2019/2161）要求零售商在价格通过自动化决策（ADM）实现个性化时告知消费者。42

B. 算法定价法

截至 2026 年 3 月，各州已经制定了四部专门针对数据驱动定价的法律：纽约州《算法定价披露法》43，要求公司在从事“个性化算法定价”时向消费者提供特定披露；纽约州 S 7882 号法案44，禁止住宅物业所有者通过“算法设备”等方式协调价格；加州 SB 32545，修订该州反垄断法，禁止为在租金价格上串通而使用或分发“共同定价算法”；以及康涅狄格州 HB 8002 号法案46，这是一项更广泛的住房法案，禁止基于非公开竞争者数据使用算法定价来设定租金或入住率。

纽约州《算法定价披露法》曾经受住了全国零售联合会基于第一修正案提出的法律挑战，近来已成为执法审视对象。47 该法要求公司在从事“个性化算法定价”时向消费者提供披露；该概念被宽泛定义为包括“由使用个人数据的算法设定的动态定价”（见下方图 2）。2025 年 11 月，纽约州总检察长 Letitia James 发布消费者警示，鼓励纽约居民报告涉嫌违法行为。48 更近期，在一项公共利益研究发布后，James 总检察长向 Instacart 发送调查函，要求其提供关于该公司如何使用消费者数据和算法来设定价格和折扣的更多信息。49

图 2. Target 网站上的产品在标示价格旁包含一个“信息”图标，点击该图标会触发一个侧滑菜单，显示更多定价信息，包括纽约州《算法定价披露法》要求的法律披露。截图日期为 2026 年 2 月 11 日。

C. 美国立法趋势

截至 2026 年 3 月，州和联邦立法者已在 2026 年提出 70 多项处理一系列数据驱动定价实践的法案。50 许多拟议法案仿效纽约州《算法定价披露法》，要求对个性化和/或算法定价作出特定披露；另一些法案则试图一般性禁止“监控定价”实践，尤其是在食品零售店等基本领域。与以往年份相比，2026 年更大比例的法案现在试图限制整体零售中的“监控定价”，而早期重点更多集中在住房和食品零售。

鉴于个人数据和非个人数据如何用于定价十分复杂，并且大多数现代定价都可以被认为是“算法化”的，立法者在区分哪些商业实践应被视为可接受、哪些应被视为不可接受时，面临真实挑战，尤其是当结论取决于消费者预期或关系中的细微差异时。因此，各项法案在如何为多种常见实践设定日益细致的豁免方面并不一致，这些实践包括忠诚度计划、跨地理区域提供产品时的正当成本差异、具有公开披露资格标准的折扣，以及老年人和教师等通常被理解的社会群体。

III. 负责任的数据驱动定价建议

为了维持用户信任，现代零售商应当主动证明并沟通其对数据的使用，无论是个人数据还是非个人数据，都是正当的、经过审慎执行的，并且在根本上是公平的。一般而言，零售商应避免使用消费者数据的方式出乎意料、可能反映或延续社会偏见，或者可能被认为不公平或具有欺骗性。当出现某些例外情况时，零售商必须能够依靠清晰的内部政策，并能够向消费者、执法机构和公众解释其定价决定。

以下建议是在咨询正在建设可信定价实践的企业后形成的，旨在作为零售和电子商务平台在数据影响定价时负责任使用数据的指南。

1. 对所有影响消费者定价的数据的收集和使用进行映射并持续跟踪，包括数据来源和数据谱系。

与既有数据治理方法一致，零售商应建立数据地图并跟踪数据谱系，以更好地理解其所持有个人数据的来源和沿革。51 特别是，零售商应能够识别所有可能和实际用于设定价格的数据，这有助于确保数据按照与其预期目的相一致的方式处理，并符合零售商关于定价决策中被允许使用方式的政策（见下文）。例如，通过跟踪数据谱系，零售商可以在数据被加入定价引擎之前，过滤掉违反其政策的数据。数据映射也有助于零售商开展或配合对其实践的审计或调查，因为它们将能够提供用于设定价格的数据及其来源记录。

数据驱动定价项目应通过零售商的数据治理或 AI 治理流程进行管理，该流程可以参考 NIST《AI 风险管理框架》（AI RMF）或 ISO/IEC 42001 人工智能管理体系标准等广泛使用的框架。52 负责管理数据驱动定价的从业人员，应记录所有相关数据来源、数据类型、数据地图、组织政策、风险和影响评估、算法训练方法和结果、披露文本以及围绕定价决策的偏见测试结果。记录这些信息不仅有助于应对外部调查，也是一种建立内部问责的方法。

2. 严格测试所有相关数据集和定价算法是否存在非预期偏见。

零售商应在可能范围内评估涉及定价决策的训练数据、算法和微调所用数据，以识别并缓解不公平偏见或违法歧视风险。53 在实施第三方定价算法时，零售商应向开发者寻求关于偏见测试和风险缓解的适当透明度或合同保证。虽然从输入数据中排除受保护特征是防止直接歧视的常见做法，但排除输入数据并不能保证结果公平。54 零售商还应评估其定价策略是否产生非预期歧视性影响，并能够证明任何可能基于受保护特征使消费者处于不利地位的定价差异，均源于正当商业利益，例如更高的生产或分销成本。

一般而言，偏见测试的严格程度和人口统计分析的深度，应与对消费者的潜在影响和产品类别的敏感性相称。例如，基本商品或高价值服务的定价可能需要更深入的审计，而一般消费品零售商则可侧重于更宽泛的结果测试和高层次趋势分析。记录 AI 生命周期中的方法和结果，有助于零售商在稳健的问责框架中审计并证明其实践的正当性。零售商可以将偏见测试和缓解程序整合进现有 AI 治理项目，并参考 NIST AI RMF 或 ISO/IEC 42001 等既有标准提供的指引。

3. 基于对公平性、情境和消费者预期的分析，围绕哪些数据类型和数据使用方式可以被允许用于影响消费者价格，建立清晰的内部政策。

零售商应就哪些数据或数据使用方式在定价中“始终允许”、“有时允许”或“始终禁止”建立清晰的内部政策。这些政策应以零售商的数据保护影响评估为基础；如果定价算法或数据集发生变化，应持续更新；并应通过内部技术和组织控制加以执行。监管指引、新兴执法活动和消费者情绪研究，可以作为判断哪些定价实践可能被认为不公平或具有欺骗性的有益参照。55 “合理消费者”标准也可以作为有益参照，在公平性评估中以消费者预期为中心。56

4. 向消费者清楚披露数据如何影响定价，以及个人数据可能如何影响个性化报价。

在可行情况下，零售商应在多个位置提供有效通知，包括在销售点提供即时通知或分层通知，披露数据何时以及如何被用于影响定价或特别优惠。57 在可能情况下，这些政策也应对外发布，以实现持续透明。个性化折扣应被清楚披露，例如通过划线价格或个体化折扣代码来表明消费者正在相对于某一基准价格获得特别优惠。58 在可能范围内，零售商还应能够就为何以及如何作出个性化报价提供情境性说明；例如，解释某一折扣代码是对近期购买的“感谢”，或是客户忠诚度计划的一部分。在市场平台和第三方广告场景中，零售商需要与其数据合作伙伴协作，确定由谁负责提供披露：是设定价格的实体，还是展示价格的实体。59

有时，零售商使用个人数据作为市场条件或正当、非个体化定价差异的代理变量。例如，运输部门的零售商可能使用消费者地理位置来设定票价，但该价格基于供给、需求或提供产品或服务成本等更一般的市场因素。在这些情况下，零售商应清楚说明，个人数据只是在反映更广泛市场条件的范围内影响价格，而不是针对个人独有的个性化。

在某些情况下，例如设计空间有限的移动应用，有必要将关于定价的更详细信息放入服务条款，而不是放在销售点，以避免用过多信息压倒消费者。对于可能缺乏通用基准价格的动态定价，零售商仍可通过说明不同因素如何影响某一价格，或者价格如何随时间变化，来提供透明度。例如，网约车应用可以解释价格上涨是由于需求更高或司机可用性更低，航空票务网站可以显示某一价格与历史价格的比较。总体而言，对定价决策提供更多透明度，会增强消费者对零售商的信任。60

5. 确保个性化折扣是相对于真实的“基准”价格而存在的。

个性化折扣应当相对于一个真实存在的“基准”价格向消费者提供，也就是说，该价格应是在正常业务过程中，近期以诚信方式向公众提供过、并持续了合理时间的价格。根据 FTC《反欺骗性定价指南》，从“虚构”基准价格提供折扣，例如虚高价格，或零售商从未打算实际提供的价格，被视为欺骗性定价的一种形式。61 这一原则同样适用于动态定价：即使不存在面向所有客户的统一价格，折扣也应相对于一个原始价格作出，而该原始价格应是基于供给、需求或成本等一般市场因素会向某一个体提供的价格。此外，作为客户服务的一部分，例如回应客户投诉时免除费用或提供折扣，也是一种常见且可接受的做法。

6. 对基本产品的数据驱动定价实施更强的保障措施。

在住房、食品、医疗和教育等基本服务场景中，定价具有更大的经济影响，应受到更严格控制。在这些部门从事动态定价的零售商，可能负有更大责任，需要为其实践提供透明度，并设置合理参数，以防止价格哄抬或不稳定，尤其是在危机或安全威胁时期。例如，零售商可以对受自然灾害影响地区的产品设置合理的过高涨价上限。它们还可以设置自动触发人工审查的机制，例如当定价算法在特定时间段内使价格超过某一阈值，或上涨次数超过某一数量时启动人工审查。此外，在高风险情境中发生不利影响时，零售商应实施带有人类监督的升级和补救程序。

7. 在与定价算法供应商合作时，确保数据使用政策保持一致。

在许多情况下，零售商会与第三方定价算法供应商合作，而不是在内部开发工具。62 在这样做时，零售商应要求合同控制措施，约束哪些数据可用于影响价格以及数据的二次使用，并与零售商自身政策保持一致。零售商还应要求供应商在不违反商业秘密或知识产权保护的前提下，提供关于哪些数据被用于设定价格的信息，以便向客户提供适当程度的透明度。在租赁住房等市场中，零售商应避免与算法供应商共享其任何非公开、具有竞争敏感性的数据，以避免任何潜在串通或反竞争实践。63

附录：美国与数据驱动定价相关的立法，2026 年

美国州和联邦立法者在 2025 年提出了 60 多项数据驱动定价法案，并在 2026 年提出了 70 多项法案。大多数立法聚焦三个关键要素之一：是否使用算法来设定价格、是否使用消费者个人数据来设定个体化价格，以及数据驱动定价是否在特别敏感的情境中实施，例如租赁住房或食品零售。总体而言，立法采取四种路径之一，尽管一些法案结合了不同要素：

译者注：原文此处作 “introduced over 60 data-driven pricing bills in 2026, and over 70 in 2026”，疑为年份笔误；此处依上下文校正为 2025 年与 2026 年。下表另对原 PDF 中重复出现的法案编号作了去重整理。

1. 纽约式披露要求：

美国第一部专门针对数据驱动定价的法律是纽约州 S 3008C，它要求从事“个性化算法定价”的主体作出清晰、显著的披露，内容为：“THIS PRICE WAS SET BY AN ALGORITHM USING YOUR PERSONAL DATA.”（即“该价格由使用您的个人数据的算法设定”）。虽然其他一些法案要求逐字使用同样表述，但也有法案对披露中应使用的具体语言规定较少。此类立法中通常排除的定价实践包括已经受其他法律规制的保险公司和金融机构，以及属于消费者与实体之间订阅型协议的一部分的某些定价。

2. 一般性“监控定价”禁令：

数据驱动定价立法模式中最宽泛、也最常见的一种，是全面禁止“监控定价”，或禁止基于“监控数据”设定个体化价格。虽然“监控定价”的定义各不相同，但它们通常适用于全部或部分基于特定消费者个人数据，为其设定定制化价格的行为。这些法案通常豁免一般可获得的折扣和忠诚度计划、个性化折扣、基于成本的价格差异，以及保险公司或金融机构等受监管实体。一些法案还包含其他独特要素，例如在所有情况下禁止使用未成年人数据设定个性化价格（即列举的例外不适用）、禁止使用“监控数据”设定工资，或者禁止使用受保护类别数据设定价格。

3. 食品零售“监控定价”禁令：

鉴于食品是基本商品，一些立法者试图禁止在杂货店等食品零售机构中使用“监控”、算法或动态定价。一些法案还试图禁止在实体食品零售店中使用电子货架标签。常见例外包括个性化折扣、基于成本的价格差异、忠诚度计划，以及保险公司和金融机构。

4. 住房“算法串通”禁令：

立法者试图禁止房东和租赁物业管理者约定使用一种共同定价算法来设定住房租金、入住率或其他租赁条款，而该算法使用非公开、具有竞争敏感性的数据训练。四部既有数据驱动定价法律中的三部，即纽约州 S 7882、加州 SB 325 和康涅狄格州 HB 8002，属于这一类别。这些法案旨在回应一种担忧：住房租赁经营者可能通过约定依赖使用共享非公开数据的定价算法，有意或无意地从事串通性价格固定。在少数情况下，立法者试图在住房以外更一般的零售市场中禁止“算法串通”。

下表列出截至 2026 年 3 月 20 日的 2026 年数据驱动定价立法。64

尾注

1. Jameson Spivack, Data-Driven Pricing: Key Technologies, Business Practices, and Policy Implications, Future of Privacy Forum (Jul. 14, 2025), https://fpf.org/resource/data-driven-pricing-key-technologies-business-practices-and-policy-implications/。
2. Cvent Europe Ltd, Hotel Dynamic Pricing: The Complete Guide for Hoteliers, Hospitality Net (Nov. 7, 2025), https://www.hospitalitynet.org/report/4129687/hotel-dynamic-pricing-the-complete-guide-for-hoteliers。另见 Justin Jander, What Exactly Is Dynamic Pricing in the Airline Industry?, PROS (Jun. 6, 2022), https://pros.com/learn/blog/what-exactly-is-dynamic-pricing-airline-industry/。
3. Jessica Phillips, How Uber’s Dynamic Pricing Model Works, Uber Blog (Jan. 21, 2019), https://www.uber.com/en-GB/blog/uber-dynamic-pricing/。
4. Piyusha Pilania, What Is Dynamic Pricing? How It Works, With Examples, Salesforce (Feb. 19, 2026), https://www.salesforce.com/blog/dynamic-pricing/。
5. Satyam Tripathi, Geographical Pricing Explained: Discover How Location Impacts Online Shopping Globally, Bright Data, https://brightdata.com/blog/proxy-101/location-based-pricing。
6. Yogesh Bhagwani, Seasonal Pricing: Strategies for Retailers and Service Providers, Price2Spy (Sep. 5, 2024), https://www.price2spy.com/blog/seasonal-pricing/。
7. Dylan Walsh, The Perils of Personalized Pricing, Yale Insights (Jul. 12, 2024), https://insights.som.yale.edu/insights/the-perils-of-personalized-pricing。
8. 经济学文献几十年来一直正式记录“价格歧视”，并承认其可能一直在商业中发挥作用。关于价格歧视如何运作及其在美国的法律含义的详细解释，见 Hal R. Varian, Price Discrimination, CREST Working Paper No. 87-26 (Jan. 1987), https://backend.production.deepblue-documents.lib.umich.edu/server/api/core/bitstreams/b6daf384-21a8-4fbc-ad9f-43821f2ada95/content。
9. “宾夕法尼亚贵格会教徒的‘诚实价格’在 1874 年由 John Wanamaker 制度化，当时他在费城开设了以其本人命名的百货商店。Wanamaker 以极高诚信著称，是一位著名创新者，也是第一位提供退款保证的零售商。……在 Wanamaker 的商店出现之前，每一次购买都可以讨价还价。”见 Bill Sanders and Frank Mobus, Creative Conflict: A Practical Guide for Business Negotiators (2021)。
10. Pricing Algorithms: Economic Working Paper on the Use of Algorithms to Facilitate Collusion and Personalised Pricing, UK Competition and Markets Authority (Oct. 8, 2018), https://assets.publishing.service.gov.uk/media/5bbb2384ed915d238f9cc2e7/Algorithms_econ_report.pdf。
11. Personalized Offers and Discounts Based on How You Use Office, Microsoft Support, https://support.microsoft.com/en-us/topic/personalized-offers-and-discounts-based-on-how-you-use-office-2eef9eeb-23e3-4a63-9d72-4f0596a7b349。另见 Kate Gibson, Dynamic Pricing: What It Is & Why It’s Important, Harvard Business School Online (May 10, 2024), https://online.hbs.edu/blog/post/what-is-dynamic-pricing。另见 2025 EY Loyalty Market Study: Evolving Consumer Expectations and Marketer Priorities, EY (Jun. 3, 2025), Ernst & Young LLP, https://www.ey.com/content/dam/ey-unified-site/ey-com/en-us/campaigns/cmo/documents/ey-loyalty-market-study-2025.pdf。
12. FTC Surveillance Pricing 6(b) Study: Research Summaries—A Staff Perspective, Federal Trade Commission (Jan. 2025), https://www.ftc.gov/system/files/ftc_gov/pdf/p246202_surveillancepricing6bstudy_researchsummaries_redacted.pdf。
13. Issue Spotlight: The Rise of Surveillance Pricing, Federal Trade Commission (Jan. 17, 2025), https://www.ftc.gov/system/files/ftc_gov/pdf/sp6b-issue-spotlight.pdf。
14. Algorithmic Pricing and Competition: Discussion Paper, Government of Canada Competition Bureau (Jun. 10, 2025), https://competition-bureau.canada.ca/en/how-we-foster-competition/education-and-outreach/publications/algorithmic-pricing-and-competition-discussion-paper。
15. Personalised Pricing in the Digital Era – Note by the United States, Organisation for Economic Co-operation and Development (Nov. 28, 2018), https://www.ftc.gov/system/files/attachments/us-submissions-oecd-2010-present-other-international-competition-fora/personalized_pricing_note_by_the_united_states.pdf。
16. Kelsea Alderman et al., Members only: Delivering greater value through loyalty and pricing, McKinsey & Company (Apr. 3, 2024), https://www.mckinsey.com/capabilities/growth-marketing-and-sales/our-insights/members-only-delivering-greater-value-through-loyalty-and-pricing。另见 Frequent Flyer Programs, U.S. Department of Transportation (Sept. 11, 2025), https://www.transportation.gov/individuals/aviation-consumer-protection/frequent-flyer-programs。另见 Alexandria White, The 3 kinds of credit card rewards programs and how they work, CNBC Select (Jan. 14, 2026), https://www.cnbc.com/select/how-credit-card-rewards-programs-work/。
17. 例如，假设航空公司推断某客户正在飞往家人葬礼地点，并知道其更愿意支付费用，便可以提高该客户的价格。见 Jay Stanley, “Surveillance Pricing” Hurts Consumers, Incentivizes More Corporate Spying on Them, American Civil Liberties Union (Sep. 12, 2025), https://www.aclu.org/news/privacy-technology/surveillance-pricing。
18. Rafi Mohammed, How Retailers Use Personalized Prices to Test What You’re Willing to Pay, Harvard Business Review (Oct. 20, 2017), https://hbr.org/2017/10/how-retailers-use-personalized-prices-to-test-what-youre-willing-to-pay。另见 Jennifer Valentino-DeVries, Jeremy Singer-Vine, & Ashkan Soltani, Websites Vary Prices, Deals Based on Users’ Information, The Wall Street Journal (Dec. 24, 2012), https://www.wsj.com/articles/SB10001424127887323777204578189391813881534。另见 Dana Mattioli, On Orbitz, Mac Users Steered to Pricier Hotels, The Wall Street Journal (Aug. 23, 2012), https://www.wsj.com/articles/SB10001424052702304458604577488822667325882。
19. 关键在于，关于定价实践的更高透明度，有助于减少零售商与消费者之间在客户情绪和市场趋势方面的信息不对称，确保消费者能够作出知情购买决定。见 Anisha Sircar, How New York’s First-In-Nation AI Pricing Law Affects Your Wallet, Forbes (Dec. 3, 2025), https://www.forbes.com/sites/anishasircar/2025/12/03/new-yorks-algorithmic-pricing-law-what-it-does-and-why-it-matters/。另见 Oren Bar-Gill, Algorithmic Price Discrimination When Demand Is a Function of Both Preferences and (Mis)perceptions, The University of Chicago Law Review (March 2019), https://chicagounbound.uchicago.edu/cgi/viewcontent.cgi?article=6120&context=uclrev。
20. Gartner Marketing Survey Finds 68% of Consumers Report They Feel Taken Advantage of When Brands Use Dynamic Pricing, Gartner Newsroom (Dec. 16, 2024), https://www.gartner.com/en/newsroom/press-releases/2024-12-16-gartner-marketing-survey-finds-68-percent-of-consumers-report-they-feel-taken-advantage-of-when-brands-use-dynamic-pricing。另见 On Data Privacy Day, Attorney General Bonta Focuses on Surveillance Pricing, Compliance with California Consumer Privacy Act, State of California Department of Justice (Jan. 27, 2026), https://oag.ca.gov/news/press-releases/data-privacy-day-attorney-general-bonta-focuses-surveillance-pricing-compliance。另见 Austin Jenkins, States Move to Curb AI-Driven ‘Surveillance Pricing’, Pluribus News (Jan. 23, 2026), https://pluribusnews.com/news-and-events/states-move-to-curb-ai-driven-surveillance-pricing/。另见 Consumer Alert: Attorney General James Warns New Yorkers About Algorithmic Pricing as New Law Takes Effect, Office of the New York State Attorney General (Nov. 5, 2025), https://ag.ny.gov/press-release/2025/attorney-general-james-warns-new-yorkers-about-algorithmic-pricing-new-law-takes。
21. ‘Surveillance Pricing’ Major Turnoff for Majority of Americans, Talker Research (Feb. 12, 2026), https://talkerresearch.com/surveillance-pricing-major-turnoff-for-majority-of-americans/。
22. Michal Gal, Algorithms as Illegal Agreements, Berkeley Tech Law Journal (May 16, 2018), https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3171977。
23. Thomas Kilroy, Ian MacKenzie, & Audrey Manacek, Pricing in Retail: Setting Strategy, McKinsey & Company (Apr. 2015), https://www.mckinsey.com/~/media/McKinsey/Industries/Retail/Our%20Insights/Pricing%20in%20retail%20Setting%20strategy/Pricing_in_retail_setting_strategy.pdf。
24. Algorithmic Pricing and Competition: Discussion Paper, Government of Canada Competition Bureau (Jun. 10, 2025), https://competition-bureau.canada.ca/en/how-we-foster-competition/education-and-outreach/publications/algorithmic-pricing-and-competition-discussion-paper。
25. Mitch Lee, What Is a Pricing Engine?, Vendavo, https://www.vendavo.com/glossary/what-is-pricing-engine/。
26. 15 U.S.C. §§ 41-58, Federal Trade Commisison Act, https://www.ftc.gov/legal-library/browse/statutes/federal-trade-commission-act。另见 Federal Trade Commission Act Section 5: Unfair or Deceptive Acts or Practices, The Federal Reserve Consumer Compliance Handbook, https://www.federalreserve.gov/boarddocs/supmanual/cch/200806/ftca.pdf。
27. FTC Policy Statement on Unfairness, FTC (Dec. 17, 1980), https://www.ftc.gov/legal-library/browse/ftc-policy-statement-unfairness。另见 Comments Before the FTC, Docket No. FTC-2026-0034 (Feb. 23, 2026), https://epic.org/wp-content/uploads/2026/02/Consumer-and-Law-Student-Groups_Personalized-Algorithmic-Pricing-Public-Comment_2-23-26.pdf。
28. FTC Issues Orders to Eight Companies Seeking Information on Surveillance Pricing, FTC (Jul. 23, 2024), https://www.ftc.gov/news-events/news/press-releases/2024/07/ftc-issues-orders-eight-companies-seeking-information-surveillance-pricing。
29. 2026 年 2 月，FTC 和 DOJ 联合征求公众意见，以制定关于商业协作的指引，其中算法定价被列为一个特定咨询领域。见 Justice Department and Federal Trade Commission Seek Public Comment for Guidance on Business Collaborations, Department of Justice (Feb. 23, 2026), https://www.justice.gov/opa/pr/justice-department-and-federal-trade-commission-seek-public-comment-guidance-business。
30. Guides Against Deceptive Pricing, Code of Federal Regulations (Mar. 16, 2026), https://www.ecfr.gov/current/title-16/chapter-I/subchapter-B/part-233。另见 Trade Regulation Rule on Unfair or Deceptive Fees, FTC (Dec. 17, 2024), https://www.ftc.gov/legal-library/browse/federal-register-notices/trade-regulation-rule-unfair-or-deceptive-fees。
31. Dodd-Frank Wall Street Reform and Consumer Protection Act, Titles X and XIV, FTC, https://www.ftc.gov/legal-library/browse/statutes/dodd-frank-wall-street-reform-consumer-protection-act-titles-x-xiv。另见 Policy Statement on Abusive Acts or Practices, CFPB (Apr. 3, 2023), https://www.consumerfinance.gov/compliance/supervisory-guidance/policy-statement-on-abusiveness/。
32. 例如，联邦通信委员会（FCC）要求电信公共承运人设定公正、合理且非歧视性的费率。见 Pricing Policy Division, FCC, https://www.fcc.gov/general/pricing-policy-division。此外，医疗保险和医疗补助服务中心（CMS）要求医院对医院成本保持透明并预先说明。见 Hospital Price Transparency, CMS, https://www.cms.gov/priorities/key-initiatives/hospital-price-transparency。
33. DOJ 和 RealPage 最终就这些指控达成和解。见 Justice Department Sues RealPage for Algorithmic Pricing Scheme that Harms Millions of American Renters, Department of Justice (Aug. 23, 2024), https://www.justice.gov/archives/opa/pr/justice-department-sues-realpage-algorithmic-pricing-scheme-harms-millions-american-renters。另见 Justice Department Requires RealPage to End the Sharing of Competitively Sensitive Information and Alignment of Pricing Among Competitors, Department of Justice (Nov. 24, 2025), https://www.justice.gov/opa/pr/justice-department-requires-realpage-end-sharing-competitively-sensitive-information-and。
34. Price Gouging State Statutes, National Conference of State Legislatures (2025), https://www.ncsl.org/financial-services/price-gouging-state-statutes。
35. Jordan Francis, Data Minimization’s Substantive Turn: Key Questions & Operational Challenges Posed by New State Privacy Legislation, FPF (Jun. 2025), https://fpf.org/wp-content/uploads/2025/06/FPF_Data-Minimization.pdf。
36. Jordan Francis, The Old Line State Does Something New on Privacy, FPF (Apr. 23, 2024), https://fpf.org/blog/the-old-line-state-does-something-new-on-privacy/。
37. California Consumer Privacy Act Regulations (2025), https://cppa.ca.gov/regulations/pdf/cppa_regs.pdf。
38. 同上注 20。
39. 同上注 37。
40. EU General Data Protection Regulation, https://gdpr-info.eu/。关于 GDPR 下 ADM 判例法的更多分析，见 Sebastião Barros Vale & Gabriela Zanfir-Fortuna, Automated Decision-Making Under the GDPR: Practical Cases from Courts and Data Protection Authorities, FPF (May 17, 2022), https://fpf.org/blog/fpf-report-automated-decision-making-under-the-gdpr-a-comprehensive-case-law-analysis/。
41. Article 29 Working Party Guidelines on transparency under Regulation 2016/679 (2017), https://www.edpb.europa.eu/our-work-tools/our-documents/article-29-working-party-guidelines-transparency-under-regulation_en。
42. Directive (EU) 2019/2161 of the European Parliament and of the Council of 27 November 2019 (2019), https://eur-lex.europa.eu/eli/dir/2019/2161/oj。另见 Sebastião Barros Vale, The omnibus directive and online price personalization: a mere duty to inform?, European Journal of Privacy Law & Technologies (2020), https://universitypress.unisob.na.it/ojs/index.php/ejplt/article/view/1263。
43. New York S 3008C (2025), https://www.nysenate.gov/legislation/bills/2025/S3008/amendment/C。
44. New York S 7882 (2025), https://www.nysenate.gov/legislation/bills/2025/S7882。
45. California AB 325 (2025), https://leginfo.legislature.ca.gov/faces/billTextClient.xhtml?bill_id=202520260AB325。
46. Connecticut HB 8002 (2025), https://www.cga.ct.gov/2025/TOB/H/PDF/2025HB-08002-R00-HB.PDF。
47. Jonathan Stempel, Judge dismisses retail group’s challenge to New York surveillance pricing law, Reuters (Oct. 8, 2025), https://www.reuters.com/sustainability/boards-policy-regulation/judge-dismisses-retailing-groups-challenge-new-york-surveillance-pricing-law-2025-10-08/。关于全国零售联合会的诉讼，见 NRF Asks Federal Court to Block New York Algorithmic Pricing Law, NRF (Jul. 2, 2025), https://nrf.com/media-center/press-releases/nrf-asks-federal-court-to-block-new-york-algorithmic-pricing-law。
48. Consumer Alert: Attorney General James Warns New Yorkers About Algorithmic Pricing as New Law Takes Effect, Office of the New York State Attorney General (Nov. 5, 2025), https://ag.ny.gov/press-release/2025/attorney-general-james-warns-new-yorkers-about-algorithmic-pricing-new-law-takes。James 总检察长还撰写了一篇评论文章，呼吁对算法定价设置更强限制，这表明其办公室正以执法和政策倡议双重身份优先处理数据驱动定价问题。见 Letitia James, Commentary: New York must set stronger limits on algorithmic pricing, Times Union (Jan. 16, 2026), https://www.timesunion.com/opinion/article/algorithmic-pricing-new-york-21286819.php。
49. FTC 还向 Instacart 发出民事调查要求，要求其提供更多关于其 Evernote 算法定价工具如何运作的信息。Instacart 主张，其价格实验工具 Eversight 并非基于消费者个人数据，也不会基于市场条件实时改变（动态定价），并且任何价格差异都是短期、随机化的 A/B 价格测试。尽管如此，该公司在报告发布后不久终止了价格实验。见 The Truth About Pricing Tests on Instacart, Instacart (Dec. 18, 2025), https://www.instacart.com/company/updates/the-truth-about-pricing-tests-on-instacart。另见 Ending Item Price Tests on Instacart, Instacart (Dec. 22, 2025), https://www.instacart.com/company/updates/ending-item-price-tests-on-instacart。关于 FTC 的 CID，见 Jody Godoy, Exclusive: FTC probes Instacart’s AI pricing tool, source says; shares drop, Reuters (Dec. 17, 2025), https://www.reuters.com/legal/litigation/ftc-investigating-instacarts-ai-pricing-tool-source-says-2025-12-17/。关于 James 总检察长的调查函，见 Attorney General James Demands Answers from Instacart about Algorithmic Pricing, Office of the New York State Attorney General (Jan. 8, 2026), https://ag.ny.gov/press-release/2026/attorney-general-james-demands-answers-instacart-about-algorithmic-pricing。
50. 关于完整立法清单，见附录。另见 Jameson Spivack, A Price to Pay: U.S. Lawmaker Efforts to Regulate Algorithmic and Data-Driven Pricing, FPF (Aug. 18, 2025), https://fpf.org/blog/a-price-to-pay-u-s-lawmaker-efforts-to-regulate-algorithmic-and-data-driven-pricing/。
51. Effective and Practical Data Mapping and Governance of Data Processing Lifecycles, Resources and Data, SoCal Privacy Consultants (Jun. 2, 2022), https://3afcb0fa-b3e7-46cb-9dba-0023d8346081.filesusr.com/ugd/67a4cd_139f38d67f694afd9078c468ab5d8691.pdf。另见 Tim Mucci, What Is Data Provenance?, IBM, https://www.ibm.com/think/topics/data-provenance。
52. AI Risk Management Framework, NIST (Jan. 26, 2023), https://www.nist.gov/itl/ai-risk-management-framework。另见 ISO/IEC 42001:2023 — Information Technology — Artificial Intelligence — Management System, ISO (2023), https://www.iso.org/standard/42001。
53. 关于衡量人口统计数据并处理 AI 系统偏见的实务指引，见 Miranda Bogen, Navigating Demographic Measurement for Fairness and Equity: AI Governance in Practice Guide, Center for Democracy & Technology (May 2024), https://cdt.org/wp-content/uploads/2024/05/2024-04-29-AI-Gov-Lab-Demographic-Data-report-final.pdf。
54. Julia Angwin, Surya Mattu, & Jeff Larson, The Tiger Mom Tax: Asians Are Nearly Twice as Likely to Get a Higher Price from Princeton Review, ProPublica (Sep. 1, 2015), https://www.propublica.org/article/asians-nearly-twice-as-likely-to-get-higher-price-from-princeton-review。
55. 关于 FTC《反欺骗性定价指南》，见上注 30。关于加州总检察长 Bonta 对零售、杂货和酒店行业的调查扫荡，见上注 20。关于消费者对动态和个性化定价的情绪研究，见上注 20 和 21。关于更多消费者情绪研究，另见 Lindsey Roeschke, Familiarity, Fear and (Un)Fairness: Where Consumers Stand on AI-Driven Dynamic Pricing, Morning Consult (Jan. 12, 2026), https://pro.morningconsult.com/analysis/dynamic-pricing-consumer-research-ai。
56. Anthony J. Anscombe & Darlene K. Alt, Finding Reason In The ‘Reasonable Consumer’, Steptoe (Mar. 1, 2018), https://www.steptoe.com/en/news-publications/finding-reason-in-the-reasonable-consumer.html。
57. Ten steps to develop a multilayered privacy notice, Centre for Information Policy Leadership (Mar. 1, 2007), https://www.informationpolicycentre.com/wp-content/uploads/2007/03/ten_steps_to_develop_a_multilayered_privacy_notice__white_paper_march_2007_.pdf。
58. Strikethrough/markdown pricing, Talon.One, https://www.talon.one/glossary/strikethrough-cross-out-pricing-definition。
59. 设定个性化报价的实体，无论是原始零售商还是平台，最适合提供关于定价决定的相关信息。与此同时，平台最适合向消费者作出披露。因此，作出定价或折扣决定的实体应向所有向消费者展示这些价格的相关实体披露该信息。
60. Bhavya Mohan, Ryan W. Buell, & Leslie K. John, Lifting the Veil: The Benefits of Cost Transparency, Harvard Business School Working Paper (2014), https://www.hbs.edu/ris/Publication%20Files/15-017_f67df7f5-8336-47fc-a0c1-098838aa550d.pdf。
61. 同上注 30。
62. FTC Surveillance Pricing 6(b) Study: Research Summaries—A Staff Perspective, Federal Trade Commission (Jan. 2025), https://www.ftc.gov/system/files/ftc_gov/pdf/p246202_surveillancepricing6bstudy_researchsummaries_redacted.pdf。
63. Chris K. Anderson & Fredrik Ødegaard, The Perils of Algorithmic Pricing, MIT Sloan Management Review (Nov. 4, 2025), https://sloanreview.mit.edu/article/the-perils-of-algorithmic-pricing/。另见 Rebecca Kirk Fair, Alvaro Ziadi & Juan Carvajal, The Rise of Surveillance Pricing, CPI Antitrust Chronicle (Jul. 2025), https://www.analysisgroup.com/globalassets/insights/publishing/2025_the_rise_of_surveillance_pricing.pdf。
64. 关于 2025 年立法，见 Cheyenne Tan, How U.S. States are Tackling Algorithmic Pricing: 2025 Bill Tracker and Analysis, Consumer Reports (Aug. 1, 2025), https://innovation.consumerreports.org/How-U.S.-States-are-Tackling-Algorithmic-Pricing.pdf。

说明：本文件为公众号渲染试稿，建议在浏览器中打开后复制渲染结果，再粘贴到公众号编辑器。