共享單車后期維護方案設計及優(yōu)化路徑思考

徐勇

摘 要：本文研究共享單車的回收任務定價及優(yōu)化設計，提出在此過程中所需研究的主要問題。通過分析用戶分布、回收對象分布等多方面信息素確定理想的回收任務定價模型的構成方式，從而發(fā)動用戶在酬勞的激勵下實現(xiàn)快速回收對象。通過合理的、動態(tài)的酬勞設計使投放方的經(jīng)營行為更為高效，優(yōu)化資源配置。

1、引言

在共享交通工具（共享單車、共享汽車）日益興起的今天，由此所衍生的問題也層出不窮。一個突出的問題便是投放方對上述工具的快速回收問題。受到諸多因素的影響，這些交通工具往往流落在城郊各處處于閑置或無法正常使用狀態(tài)。這些因素包括：（1）使用人的使用過程中該交通工具發(fā)生故障臨時遺棄以至不便繼續(xù)使用；（2）使用人為滿足一己之私擅自通過加鎖等方式據(jù)為己有，無法供他人使用；（3）使用人目的地過于偏僻，周邊潛在客戶源密度過低；（4）因配置不合理，投放點車輛過量較嚴重，部分車輛長期閑置而無法被有需要的投放點使用。

這些現(xiàn)象的存在降低了共享行為的效能，造成了資源配置的不合理及浪費。這些無法正常運行的交通工具長期不管理很有可能會造成遺失。由此給投放方所帶來的損失不僅僅是工具本身的價值還包括了因閑置而帶來的經(jīng)營上的損失。在APP日益普及的今天，一種思路是針對回收任務定價及優(yōu)化設計，旨在通過分析用戶分布、回收對象分布以及用戶信用度等多方面信息素確定理想的回收任務定價模型，并由投放方將具體任務通過APP發(fā)布，從而發(fā)動遍布于城郊各處的用戶在任務酬勞的激勵下替投放方快速回收對象。通過合理的、動態(tài)的酬勞設計使投放方的經(jīng)營行為更為高效，解決上述因素所帶來的閑置及調配問題。本文正是對如何實現(xiàn)上述設計提出路徑及所需解決的問題。

2、整體思路

問題可以分為兩大階段。第一階段提出共享單車回收的酬勞的初始定價模型。第二階段則是當初始模型運行一段時期后，從任務個體完成率以及回收任務的集群定價兩方面對初始定價模型進行優(yōu)化。其新意在于：（1）不同于目前對于共享單車的應用研究主要著眼于 “前期推廣”方面，本項目則著眼于“后期維護”，強調如何通過高效回收異常對象促進資源的優(yōu)化配置，并給出了多個定價模型；（2）本項目采用數(shù)據(jù)挖掘思想提出的基于數(shù)據(jù)的打包定價的模型，既讓回收任務的分發(fā)更為快速高效，又提高了用戶的收益率。（3）本項目的優(yōu)化方案是實時動態(tài)的。每當模型運行一段時期就可在之前優(yōu)化結果的基礎上再進一步優(yōu)化。

3、具體研究內(nèi)容、目標，以及需解決的關鍵問題

所要研究的內(nèi)容、對應的研究目標以及研究中擬解決的關鍵問題如表一所示。為便于說明，我們以目前如火如荼的共享單車為說明對象。

表一：本項目研究內(nèi)容、目標及擬解決問題總覽

對于遍布于城郊各處的閑置或損壞的共享單車而言，考慮影響其回收任務是否能被完成的因素很重要。在回收對象附近的會員密集程度（X1），回收對象自身的密集程度（X2），與投放方最近的回收點之間的距離（X3）都是需要考慮的因素。顯然，回收對象附近的會員越密集，那么該回收任務也許不需要太高的定價就有會員接單。反之若回收任務附近會員稀少，則需要用更高的價格吸引為數(shù)不多的會員接單；另一方面，若回收任務附近有多個其它回收任務，形成了規(guī)模效應，有可能帶動會員完成任務的意愿，從而影響任務價格。而邏輯上講，接受任務的會員都會將回收對象交到最近的投放方回收點，故任務點與投放方最近的投放點的距離也是一個因素。除了上述三個主要因素之外，還應考察回收對象造價（X4）以及因閑置會損壞而帶來的經(jīng)營上的損失（X5）。隨著共享單車的熱度越來越大，投放方必定會進一步豐富共享市場，即為用戶提供更多元化更有層次的選擇。既然現(xiàn)有的單車經(jīng)常陷入質量、做工等問題，今后必然會出現(xiàn)更多制作更精良、配置更豪華、騎行更舒適的車型。相比起現(xiàn)有車型，造價越昂貴的車型，其對應的回收任務應定價更高。另外，對于不同品牌的共享單車計價方式不同，因各種原因閑置導致無法被用戶正常使用的回收對象所損失的經(jīng)營收益也必須考慮。以摩拜單車為例，其計價為2元每小時。若其被惡意加鎖而導致長時間無人使用，由此帶來的便是經(jīng)營損失。經(jīng)營損失越大的回收對象應有著更高的回收酬勞。這樣一來共有上述5個因素影響回收任務的酬勞。

研究目標：共享單車回收的酬勞的初始定價模型

以任務酬勞作為因變量（Y），以上述5個因素作為自變量構建線性模型（1）：

（1）

這里的 代表每個因素對應的權重系數(shù)。也就是說我們期望得到一個依5因素線性變化的定價模式。

需要解決的關鍵問題：定價模型中各因素的權重系數(shù)如何求解由于上述5個因素從不同角度影響定價，故很難直接通過觀測得到各自在定價問題中所占的權重多大。這就需要進一步挖掘數(shù)據(jù)并采用決策類的方法來分配各因素的權重。

模型中任務完成率的優(yōu)化任務的完成率即完成的任務量占發(fā)布的回收任務總量的百分比。因各種原因，可能一部分任務無人接單。原因一：價格偏低。此任務對應的價格過低，即使周邊會員眾多也無人接單。原因二：會員信譽度不夠。原因三：距離太遠。此任務因地處偏僻，附近無會員出現(xiàn)，遠處會員又因距離過遠無接單意愿。基于上述三個以及其它存在但這里未能談及的原因，初始的價格模型需要從模型變量的變更以及各變量在定價問題中權重的調整等方面優(yōu)化，從而改善任務完成率。

具體研究目標：調整并制定新的定價模型，提高任務完成率。以模型運行一段時間后任務完成的情況為基礎，提取變量建立新的定價模型。此模型中包含初始模型中未曾出現(xiàn)的某些變量，如會員的信譽度等。記模型（2）形如：

（2）

即新定價模型所包含的的因素（自變量）為個m（m>5） ，即除了初始的5個自變量外，根據(jù)模型運行后的會員及任務的變化情況加入新的變量，如會員的信譽度等。至于加入哪些自變量，需要結合原模型運行后所有任務的分配情況及會員分布等來決定。另外， 代表每個被考慮的因素的相關系數(shù)。對于模型的優(yōu)化而言，目標顯然是讓更多的任務得以完成，故各相關系數(shù)的調整應建立在已完成任務的基礎上進行。換句話說，通過對已完成的任務的定價Y和其對應的 尋找對應關系，建立新的定價模型。

需解決的關鍵問題：導致任務無法完成的原因分析。新的定價模型需要對已完成的任務提取其價格以及所有可能影響它的因素，實際上是在原定價模型運行后根據(jù)任務的總體完成情況，會員的分布變化等等再提取更多影響任務完成率的因素，例如前面所提到的信譽度。那么提取哪些新的因素就非常關鍵了，這直接影響了新的定價模型的可靠性。倘若漏掉了某些因素，會導致新的定價模型出現(xiàn)偏誤；倘若錯誤地加入某些無關因素，則會導致無法得到新定價模型的可行解析式。這就要求我們必須對模型運行后的任務完成情況、會員分布變化等諸多數(shù)據(jù)進行統(tǒng)計分析，提煉出真正與新定價模型相關的因素。

回收任務的集群定價優(yōu)化。隨著共享單車的使用情況以及會員的流動情況不斷變化，可能會出現(xiàn)回收任務的聚集效應，即某個地理坐標附近范圍內(nèi)回收任務高度聚集，這時會產(chǎn)生兩個方向的需求。一方面，投放方希望回收任務盡快高效地完成；另一方面，有的會員希望能一次性接單多個相距不遠的任務一起完成提高收益。如何才能形成雙贏的結果？任務打包再定價是個理想的選擇。打包定價前提是對任務打包。打包的原則必須確定，是按照地理位置打包還是將價格相近的打包又或者是按任務發(fā)布的時間打包，當然也可以是綜合這些指標考慮打包的方案；然后是對打包的任務尋求哪些因素決定其價格。確定打包的原則后，就要確定以任務包為研究對象，如何整合包內(nèi)所有任務影響其定價的因素。

為實現(xiàn)回收任務的打包定價模型這里我們的目標可以理解為兩個部分：

第一是確定任務打包的算法。無論是按照單一的原則（比如任務間的距離）還是綜合性（比如考慮任務距離、任務價格、發(fā)布時間等）的原則，都必須結合對應的數(shù)據(jù)按照一定算法規(guī)則得到打包的模式。不同的打包模式得到的任務包數(shù)不同，包中所含的任務對象也不同。

第二是對任務包構建定價模型。按照前面定價模型的思想，會有任務密度、會員密度、任務與回收點的距離、會員信譽密度等多個因素影響任務的定價。那么針對任務包，如何處理多個任務的這些指標，是平均化還是加權？另外，是否需要加入某些基于任務包特性的指標作為因素來影響定價模型？這些都需要在模型中表現(xiàn)出來。針對任務包的定價模型（3）應該形如：

（3）

這里的 表示的是任務包的定價，而 代表被考慮的因素在任務包中的綜合值。比如若 代表的是會員密度，則應是包內(nèi)每個任務對應的會員密度的綜合值，這個綜合值最簡單的算法就是會員密度的均值，當然也可以根據(jù)某個標準對各會員密度進行加權平均。注意，這里的n不一定等于之前的m，因為在任務包的環(huán)境下，可能會多些被考慮的因素。

是這些因素的權重，一旦權重均被確定，則該任務包定價模型就被確定了。

這里需解決的關鍵問題：任務打包的算法以及打包后指標的整合機制。

其一，任務打包的算法。對任務打包相當于要人為地將任務與任務聚集在一起，之前談到過，必須確定按照什么規(guī)則打包，也就是把什么數(shù)據(jù)作為打包依據(jù)。前面提到過的會員密度、任務密度等都可以作為任務打包的指標，那么怎么利用這些指標進行任務的聚集呢？是否可以采納數(shù)據(jù)分析中常用的聚類思想？又或者是如今被廣泛應用的機器學習支持向量機的做法？當然也可以是別的算法。總而言之，模型的建立中必須敲定按照那種算法將任務打包。

其二，打包后指標的整合機制。假若以及確定了每個任務包中具體的成員（任務），每個成員（任務）都會有對應的會員密度、任務密度等指標。比如說對于該任務包而言，會員密度又該如何計算？顯然把每個任務的對應的會員密度加起來平均是最簡單的，但這未必是合適的做法。準確地說，那些距離任務包中心更近的任務對應的會員密度和距離任務包中心較遠的任務對應的會員密度在確定該任務包會員密度時所占的權重應該是由差異的。如何量化這種差異，從而得到任務包會員密度這一指標的整合后的值，這是需解決的問題。

參考文獻：

[1] 韓藝，陳露.共享單車難題及其治理研究[J].四川理工學院學報（社會科學版）.2019年1期， pp：40-60.

[2] 楊鴻麟，曹小曙等.城市居民使用共享單車的行為意愿及影響因素分析—以西安市為例[J].干旱區(qū)資源與環(huán)境，2019年6期，pp：78-83.

[3] 魏靜，唐闖.“互聯(lián)網(wǎng)+”模式下共享單年車盈利模式探析[J].中國集體經(jīng)濟.2019年9期，pp：77-79.

[4] 王珊，孫帥，李安冉.居住區(qū)附近地鐵口周邊共享單車的策略研究[J].現(xiàn)代園藝.2019年5期，pp：115.

[5] 鄭雨蕃.新形勢下共享單車現(xiàn)象分析與發(fā)展路徑探索[J].中國集體經(jīng)濟.2019年7期，pp：15-16.

注：本文受到湖北省教育廳指導性項目“面向APP的共享單車回收酬勞定價方案設計及優(yōu)化”（項目號：B2018125）以及湖北省教育科學規(guī)劃一般課題“高校經(jīng)管類專業(yè)高等數(shù)學板塊式教學模式的定量研究及方案設計”（項目號：2017GB124）的資助