空間眾包環境下的任務定價研究

張宇 朱佳偉 郭珺然

摘要：隨著移動互聯網技術的發展，自助式勞務空間眾包平臺變得日益盛行。為了解決在空間眾包環境下任務位置集中時的最優定價問題，該文考慮任務集中時的打包情況，引入整體自適應打包尋優模型來評估全局任務完成度，最終給出新項目的任務定價方案。

Abstract： With the development of mobile Internet technology， self-service labor crowdsourcing platform has become increasingly prevalent. In order to solve the optimal pricing problem when the task location is centralized in the crowdsourcing environment， this paper considers the packaging situation when the task is centralized， introduces the overall adaptive package optimization model to evaluate the global task completion degree and finally gives the task of new project Pricing program.

關鍵詞：空間眾包；任務定價；自適應尋優；最優匹配模型

Key words： spatial crowdsourcing；task pricing；adaptive optimization；optimal matching model

中圖分類號：F272.3；TP311 文獻標識碼：A 文章編號：1006-4311（2018）20-0074-04

0 引言

近年來，互聯網的蓬勃發展帶動眾包應用的興起，對工業界和學術界等各行各業產生了深遠影響，同時，眾包作為共享經濟的代表，可以使發包方以更短的時間、更低的成本獲得更高質量的產出。根據經驗表明，“如何吸引更多用戶參與”是眾包模式當下快速發展的重大挑戰。一方面眾包任務相比于其他任務通常需要參與者有更多的精力投入編寫程序，同時眾包也可以充分利用社會資源，節省企業的成本支出，所謂挑戰與機遇共存。目前，眾包己得到企業界的廣泛關注，越來越多項目也開始漸漸傾向于采用眾包模式進行項目開發。隨著互聯網的興起，空間眾包模式已然成為眾包發展的新標桿。

空間眾包模式的發展合理有效的擴大了電商的營業范圍，逐漸形成了一個全新的“無形商品”電子商務運營模式。這種模式迅速的崛起，但是理論研究明顯落后于社會實踐要求導致這種眾包平臺在進一步的發展中明顯受阻[1，2]，所以建立空間眾包平臺的出價是一種新興的服務標價模型，它的建立大大豐富了服務標價理論，具有十分強勁的理論實踐意義。

1 任務聯合打包發布對任務完成情況的影響

針對真實生活場景，根據文獻[3]得到廣州和深圳地區某一任務的任務及會員信息（任務信息包括：任務位置（GPS）、任務標價、任務執行情況。會員信息包括：會員位置（GPS）、預訂任務限額、預訂任務開始時間、信譽值）探討改進影響空間眾包環境下的任務分配方案。實際情況下，多個任務可能因位置比較集中導致用戶爭相選擇，此時考慮用戶和任務對眾包模型的影響。引入眾包模型完成度w來評估在特定距離內用戶任務完成度，根據用戶任務完成度來約束任務眾包的規模。

1.1 建立整體自適應打包尋優模型

對于每個用戶的主要影響因素為預定任務限額、預定任務開始時間、信譽值。對于每個任務的主要影響因素為確定范圍di內用戶數量（數量較多情況下構成競爭關系）、確定范圍di內用戶的預定任務限額、預定任務開始時間、信譽值、確定范圍內任務數量。

由于任務定價有相對浮動[1]，即表現為某些任務定價較高、某些任務定價較低。因此考慮減少相應任務點值ai，增加相應任務點值bi，即總體轉移量為ai-bi。那么打包模型為合并相應任務點，使得任務點內相對價格浮動量為0。同時為考慮用戶完成任務便捷性，打包點內任務點盡可能距離較近。分析得到實際情況的某些真實價格數據與預測價格數據較為相近，所以忽略此部分點。同時去除某些稀疏點（即任務點周圍具有較少任務點），此時不構成競爭關系，所以不將此類數據打包。

從任務集合T{T1，T2，T3…Tn}中任意選擇任務Ti，假設Ti未被打包分配，在距離范圍di內尋找未被打包分配的任務Tj，為讓用戶高效完成任務，總是遵守

完成眾包項目完全取決于用戶生活方式，故我們無法為用戶尋找特定min（Di），但了解到用戶活動范圍不超過距離δd，因此我們定義δd為用戶工作范圍，在此范圍內尋找全局任務點集合[4]。

為此便確定在距離最小的范圍內確定最大任務包使之滿足多數用戶預定任務限額量需求。由問題一和問題二模型對比得到，隨著模型的優化任務價格點將會出現動蕩變化，以？鄣表示。為進一步優化模型，要求

同時我們希望此眾包任務被盡可能完成，查閱資料得到眾包完成度在80%以上，因此我們以80%為閾值來進行擴展眾包項目集合，？鄣i表示預定任務限額。

w？叟80%表示可以繼續擴張，w<80%時則不能繼續擴張。因不同用戶具有不同預定任務限額Vi，因此我們需在滿足多數用戶預定任務限額情況下盡可能擴展任務打包集合，即

1.2 模型求解計算

1.2.1 篩選數據

對任務信息數據進行分析，對分析位置比較集中的任務，篩選掉任務點周圍的個數較少的任務同時根據價格對比[3]，篩選得到變化除[-1，1]范圍內的價格數據變化量。

1.2.2 數據分析與求解

篩選得到任務GPS緯度、任務GPS經度、任務預測價格、任務價格波動等影響因素，采用上述所用數據分析模型，算法流程如圖1所示。

分析得到每個任務被選擇的概率和各分包處理情況，結果樣例如表1所示。

結果得到打包數據中包含3組數據占比較多，且各任務點之間相互距離較勁，由此得到模型分包情況理想。同時求得分包后全局概率為78.09%，即每個任務點被選擇的概率，模型較文獻[3]完成度72%有很大提高。

2 任務定價方案

為得到新任務定價方案，更新廣州和深圳地區新項目任務點的經緯度數據。由已知的會員信息計算出任務距用戶距離x1、用戶密度x2、用戶平均信譽值x3、任務之間距離x4、會員搶單時間x7，然后將新項目任務點的經緯度坐標導入在智能式交互地圖中，得到各個任務點的具體地區地址，根據地區地址來進一步確定區域的GDP總值x5、任務點附近的城市道路網密度x6。在得到因素的具體值之后，我們采用第二問模型首先求出各個任務點的初始定價，根據第二問的任務打包模型，我們采用Python編程得到各個打包的價格、個數、位置點，最終將兩者整合在一起。

2.1 影響因素數值的分析與計算

2.1.1 用戶距離x1

利用SPSS軟件，將用戶會員的經緯度采用K-means聚類方法進行聚類，得到6個聚類的組員信息和聚類中心的經緯度，我們定義任務點離聚類中心用戶的距離為用戶距離x1，采用Python語言編程得到新項目各個任務點離用戶中心的距離。

2.1.2 用戶密度x2

一個任務點周圍的用戶過多，說明該任務相對被選擇完成的可能性高，如果一個任務點周圍的用戶較少，說明該任務相對被選擇完成的可能性低，所以任務點周圍的用戶密度會對任務定價產生一定的影響。基于此想法，我們定義一個任務點周圍一定面積內的總用戶個數為用戶密度因素，根據用戶密度來適當調整定價，采用Python語言編程得到各個任務點周圍一定面積內會員的個數。

2.1.3 用戶平均信譽值x3

用戶的信譽值代表用戶能夠同時預定多組任務的個數以及接單的快慢，在任務點周圍用戶平均值較高的情況下，該任務點被選擇的可能性會較其他點高，則相應的價格可以適當降低，所以定義任務點周圍的用戶平均信譽值來為用戶質量參數，根據用戶平均信譽值來適當調整定價，用Python語言編程得到各個任務點周圍一定面積內用戶平均信譽值。

2.1.4 任務距離x4

任務之間的距離代表了任務點的密集程度，如果任務之間距離很小，說明該點周圍存在很多任務點，在用戶選擇上，考慮到利益最大，用戶可能會同時預定多個任務來完成，則相應的任務點定價需要適當調高來達到用戶與任務的供求平衡。我們基于此思想，由于任務與任務之間的距離不能夠直觀的去度量，我們利用SPSS中的K-means聚類方法將任務總體聚成6類，得到6類別的聚類中心。定義各個任務離任務中心的距離為任務與任務的距離，通過任務距離來適當調整定價，采用Python語言編程得到各個任務點離中心點的距離。

2.1.5 區域的GDP總值x5

一個區域的GDP值代表了該區域的經濟發展程度，經濟發展程度高的地區，價格需要適當調高才能吸引用戶來完成任務，由于區與區之間的GDP存在差異，所以各個任務點所處的區會影響該任務點的定價。我們把各個任務點的地理位置導入Google地圖，利用智能交互軟件定位出每個位置所屬于的城市及區域，采集題中所給任務點經緯度數據，導出了各個任務點所處的地區，通過收集這些行政區域2016年的GDP總量數據資料，使任務點的位置與GDP數據一一配對組合。

2.1.6 任務點附近的城市道路網密度x6

任務點附近的城市道路網密度是指任一任務點周圍一定面積下依道路網內的道路中心線長度與依道路網所服務的用地面積之比，利用Python編程，結合Google智能交互軟件對每一任務點，及任務點周邊道路長度和用地面積的精確定位，任務標價低區對應著交通密集區，把計算得出的每一個任務點道路網密度與該點位置一一匹配組合。

2.1.7 會員選單時間x7

根據附件數據可知，每個會員由于信譽值的高低等其他因素影響，會員預定任務的時間存在差異，如果會員預定任務時間較前，則說明該會員可以提前選擇多個任務來進行，如果任務點周圍的會員預定時間都較前，該任務點被用戶選擇完成的概率會較其他任務點高。依據此思想，如果會員預定任務時間相比全體會員平均預定任務時間大，則體現了該用戶具有較高的選擇權。所以我們定義任務點一定面積內的會員預定時間與總體預定時間的平均值的差值為該任務點周圍會員的選單時間。用Python語言編程得到各個任務點周圍一定面積內用戶選單時間。

利用Python軟件，根據模型建立過程中的數值分析，將對應的數值帶入影響因素的計算公式，得到任務距用戶距離x1、用戶密度x2、用戶平均信譽值x3、任務之間距離x4、區域的GDP總值x5、任務點附近的城市道路網密度x6、會員搶單時間x7具體數值。

2.2 定價方案的設計

要對新項目給出任務定價方案，結合上述定價模型，首先根據打包定價模型中的約束，篩選出未被打包的即單獨發布的任務點。

利用優化定價模型來對這些單獨發布的任務點進行定價。然后基于給出的新項目數據我們采用打包定價模型，利用打包定價模型來進行任務的打包處理，得到任務打包的個數，打包的價錢以及包內的任務數，最終完成新項目的整體定價方案設計。

根據整體自適應打包尋優定價模型篩選出未被打包的即單獨發布的任務點如表2。

由文獻[3]，優化定價模型為：

利用優化定價模型來對這些單獨發布的任務點進行定價，然后基于給出的新項目數據我們采用打包定價模型，來進行任務的打包處理，得到任務打包的個數，打包的價錢以及包內的任務數，最終完成新項目的整體定價方案設計如表3。

2.3 評價該方案的實施效果

由于需要與與原方案進行對比來評價方案的實施效果，我們首先根據任務點的位置來將原始的827組數據與現有的2000組數據進行最優匹配，是兩組數據地理位置盡可能的接近，得到827新項目數據，然后將利用打包定價模型來求出該任務點的可能完成概率，定義當可能完成概率高于平均值時，任務被認定完成。通過比較新項目任務定價方案的完成度與原始方案的完成度來定量的分析新項目任務定價方案的實施效果。

評價新項目任務定價模型的實施效果，需要與原來任務定價方案的數據做對比，由于變量存在七個，我們根據控制變量法的思想，將任務點的位置來將原始的827組數據與現有的2000組數據進行最優匹配，是兩組數據地理位置盡可能的接近，得到827新項目數據。然后將利用打包定價模型來求出該任務點的可能完成概率，定義當可能完成概率高于平均值時，任務被認定完成。

通過比較新項目任務定價方案的完成度與原始方案的完成度來定量的分析新項目任務定價方案的實施效果，結果如表4。

最終分析得到新項目任務完成度相比原任務完成度提高了3.64%，說明新項目任務定價方案的實施效果比較好。

3 模型的推廣

本文研究了空間眾包中的動態任務定價問題。由于移動互聯網的自助式勞務眾包平臺是目前基于“互聯網+”平臺的O2O（offlinc-to-online）經營模式，因此該平臺在市場上具有廣泛的應用前景。研究成果一方面可以為企業或項目管理者提供眾包項目風險管理的參照和依據，另一方面也是對于眾包與實際應用相結合的理論拓展，完善對眾包商業模式的理論研究。此定價模型可以廣泛應用于社會經濟的各個領域內，不僅適用于分析不同位置APP定價高低程度，還可推廣運用于出租車資源的“供求匹配”模型，以及國際油價行走趨勢研究等定價用戶需求關系的情況中。

參考文獻：

[1]高銘，王毅.眾包項目風險評估模型研究[J].管理現代化， 2016（03）：105-107.

[2]孫信昕.眾包環境下的任務分配技術研究[D].揚州大學， 2016.

[3]張宇.基于拍照賺錢的任務定價研究[J].價值工程，2018.

[4]宋天舒，童詠昕，王立斌，許可.空間眾包環境下的3類對象在線任務分配[J].軟件學報，2017（03）：611-630.