空間眾包環境下的任務定價模型研究

鄭軍 林蔓佳 胡蓉

摘 要 在綜合考慮平臺、商家和會員三方相互作用的基礎上，通過建立包含任務動態分配機制的動態規劃模型，結合金融定價思想刻畫任務定價問題，并通過空間可視化對珠三角地區勞務眾包平臺數據進行實證研究.為提高模型的實用性，利用K-means聚類分析對任務打包并引入激勵規則對動態定價模型進行了改進.最后，通過模擬仿真得出改進后模型的任務完成率為88.10%，相比平臺現有定價模型（62.50%）和改進前的動態定價模型（85.20%）任務完成情況有較大幅度的提升.為基于地理位置的服務平臺的商品定價、以及地理位置信息與平臺會員的關系等實證和應用研究提供了理論與實踐參考.

關鍵詞 運籌學與控制論;動態任務定價;激勵規則;動態規劃

中圖分類號 F224.3 ? ? ? ? ? 文獻標識碼 A

Abstract Through conducting spatial visualization on the data from Crowdsourcing platform of the PRD region and applying financial pricing philosophy into Crowdsourcing mission scenarios， this paper established a dynamic programming pricing model with task automatic allocation scheme after comprehensive consideration among the task releasing entrepreneur， the receiver and the Crowdsourcing platform. In order to hone the model for actual application， the mission packing by K-means clustering and motivation rules improved on the dynamic programming pricing model. After solving the model and analog simulation， the latest dynamic model proved its effectiveness at the mission completion rate of 88.10%， while the rate of the present model at the platform was 62.50% and the pricing model before improvement was 85.20%. In conclusion， it provides much mentality for the location based service （LBS） platforms like express errands service， DiDi and Meituan takeout on quantifying the relation among service pricing， space location and members for both empirical study and application in reality.

Key words operational research and cybernetics; dynamic task pricing; incentive rules; dynamic programming

1 引 言

眾包（Crowdsourcing）是一種基于位置的服務，它利用手機中的GPS模塊捕捉用戶所處的位置并將位置信號傳送到定位后臺來實現空間定位.在雙重定位核對系統下，其定位信息具有較高的精確度.它可以滿足消費端的各種需求，也可以為廠商提供各種宣傳、營銷服務.現階段國內外空間眾包平臺已經日益成熟，如美團外賣、跑腿服務和滴滴出行等.

目前，國內外對眾包定價方法進行了研究，并取得了一些研究成果.張月蕾等（2018）[1]基于K-means聚類分析了影響任務定價的主要因素（任務經度、緯度、會員密度和會員信譽度），并以這些因素為自變量建立了線性定價模型.但該模型未考慮不同城市的物價水平等地域性影響因素，并且靜態的定價機制存在一定的缺陷.Singer和Mittal（2013）[2]提出了一種基于企業與會員雙方面的在線定價機制，這種定價策略雖然相對合理但需要多次調整任務定價，增加了任務選擇與分配的時間，因此會對任務的完成效率產生一定的影響.聶篤憲等（2018）[3]在研究移動互聯網下的APP眾包平臺任務定價問題上得出任務的地理位置離中心點越遠其標價越高的定價規律，并構建了基于整點與區域規劃的任務打包模型.劉凱等（2018）[4]對任務密集程度、會員密集程度和任務的難易程度等3個影響任務定價的因素進行量化，建立了線性定價函數.徐哲揚和柴靖軒（2018）[5]以隨機選取圓心和一定的范圍半徑為打包原則，運用貪婪算法和動態規劃對任務進行打包并引入基于會員信譽度的風險指標α對線性定價模型進行優化.蔣師賢和楊亮（2018）[6]采用BP神經網絡算法，將已完成的任務定價視為合理的定價并對該定價規律進行學習，最后利用訓練好的網絡對于其他任務重新定價，這是對于傳統多元擬合定價的一大突破，但受限于內部數據的非公開性，難以推廣.吳凱莉和高駿豪（2018）[7]基于會員就近選擇任務原則與配額量大優先原則，提出了集合覆蓋模型以確定任務的“打包”定價方案.唐境遙（2018）[8]將數據按任務完成情況分為二組，并利用K-means聚類算法進一步對各組數據進行分區，研究數據的相似性來推斷任務定價規律，但缺少定量分析指標.李琴（2018）[9]綜合考慮了影響任務定價的五大影響因素（任務點位置、任務分布面積、任務數量、會員任務限額、信譽值等），建立了基于貪心算法的靜態定價模型，并在此基礎上從會員角度出發，利用目標規劃引入打包分配模型構建動態定價模型，但缺乏實證分析，未能證明該動態定價模型的有效性.李自然等（2018）[10]利用ArcGis在線軟件將空間數據處理成熱點圖并以此劃分區域，建立了基于地區因素和任務密集程度的對數定價模型.馮云喬和嚴靈毓（2018）[11]采用距離模型對經緯度數據進行處理，建立了基于高信譽會員優先制的多指標logistics回歸模型對任務進行定價，并通過采用聚類分析的任務打包算法對指數型多元回歸定價模型進行改進，最后以模擬仿真結果說明定價模型的有效性，比較系統地提出了眾包平臺任務定價的研究思路，但仍受限于較強的假設條件以及靜態回歸定價模型.

基于上述的研究成果，考慮通過空間可視化分析進行數據挖掘，從平臺、商家和會員三方面綜合考慮，建立包含任務動態分配機制的動態定價模型.然后，為提高模型的實用性進一步放松假設條件，利用K-means聚類分析對任務打包并引入激勵機制對動態定價模型進行求解.最后，運用模擬仿真驗證了模型的有效性.

2 眾包平臺的空間可視化數據挖掘

眾包平臺的任務定價機制一般是通過商家提供初始任務酬金，平臺再通過定價系統分析影響任務完成的有關因素，從而對初始價格進行調整并將原始任務酬金發布到移動眾包平臺上.根據現有的眾包平臺進行分析，初始任務酬金一般是發布商愿意給予任務完成者報酬的范圍，包括最高價與最低價.平臺的定價規律一般會根據影響任務完成的一些因素進行分析，不斷采用新的任務數據對定價機制進行完善，提高模型的定價性能.

根據微觀經濟學中商品均衡價格的形成機制，均衡商品價格是市場上需求和供給共同作用的結果.供給和需求相互作用形成價格，價格又可以自動調節供給與需求關系.因此在對任務進行定價時，首先應該考慮到需求與供給，可將平臺發布任務看成需要市場去完成任務的需求，而會員接受任務并完成任務可視為市場提供勞動力的行為.當會員的供給量越多，遠遠超出周邊平臺發布的任務時，這就會造成市場供給大于需求，直接導致平臺發布的任務價格下降的現象.

由以上分析可得，考慮任務的定價不能單單考慮到任務的位置，還應需考慮任務所處位置周邊會員的數量與完成任務所需要付出的努力，即會員的供給量和會員完成任務的成本.如果能得到任務地理位置以及對應的接受這個任務的會員的地理位置，那么可以在某一區域接受某一任務的會員供給量為任務定價指標之一.從經濟學視角考慮，可能影響任務定價的指標有5個，分別是區域內的會員數即會員的需求量、完成任務的成本、區域內任務完成率、區域內發布的任務總數、區域內會員的信譽，其中完成任務的成本以區域內會員與任務的平均總距離來衡量，區域會員信譽以區域內會員信譽值的平均值來衡量.

由此給出以下假設：

1）會員坐標和任務點坐標兩點間均存在直線最短距離的通路;

2）會員的信譽度越高，任務完成率越高;

3）優先級越高的會員能越好完成任務，距離任務越近的會員完成任務越快;

4）一個任務只能分配給一個會員，每個會員最多以預定限額預定并接受任務;

5）會員每預定一個任務，他/她的預定任務配額就少了一個;

6）會員選擇任務的偏好是收益高和距離近，而且只預定與他距離小于30公里的任務.

2.1 基于“拍拍賺”平臺的數據挖掘

“拍拍賺”平臺中珠三角地區項目點與會員位置信息都是以經緯度形式給出的.首先對原始數據進行預處理.通過區域分析，發現任務與會員之間緯度差距在1.39度之內（數據集中在北緯22.49308312～23.87839806度），經度差距1.81度左右（112.6832583～114.4936096度）.由于經緯度差距過小，為避免利用角度差表現距離造成較大誤差，利用地球表面曲面性的特質，通過GPS導航軟件將各個任務點的地理位置信息轉化為數值型的直線距離數據[3].

接著，利用R軟件將任務的位置、完成度以及會員位置繪圖，發現任務點和會員點大多密集在深圳、廣州、佛山和東莞這四個城市，其他城市如湛江、汕頭以及江門等零星分布1個點左右（見圖1），故將其剔除.為進一步研究各城市的任務完成情況與會員數量的關系，對各個城市的會員數量進行統計并以柱形圖標注，如圖2所示.

為了細分各個城市的不同區域，按中國城市劃分標準將廣州、深圳、佛山和東莞這四個城市劃分為24個城市區域，以下將基于這24個城市區域進行任務定價模型的構建.

3 模型構建

首先，假設優先級越高的會員能越好完成任務;距離任務越近的會員完成任務的時間越少;會員選擇任務的偏好為距離小于30 km，即只會預定與他距離小于30 km的任務.為了描述任務與會員的匹配情況，分別構建了3個權重矩陣用來描述會員是否選擇預定任務、會員是否能夠成功預定到任務以及會員完成任務的成本.此外，還需構建一個動態的優先級矩陣作為任務的動態分配機制.會員信譽越高，越優先挑選任務，其任務配額也越大.最后，對會員與平臺進行雙目標動態規劃，在實現會員收益最大化的同時，又好又快地完成目標任務.

3.1 構建三個權重矩陣

構造第一個權重矩陣A，aij表示第j位會員是否預定第i件任務，aij=1表示第j位會員預定第i件任務，aij=0表示第j位會員不預定第i件任務.

構造第二個權重矩陣W，wij表示第j位會員是否成功預定第i件任務，wij=1表示第j位會員成功預定第i件任務，wij=0表示第j位會員預定第i件任務失敗.

構造第三個權重矩陣C，cij表示以會員j完成任務i的成本，dij表示以會員j與任務i的距離，cij=dij.當cij>30km，會員不會預定任務，即aij=0.

3.2 構建優先級矩陣

會員領取任務的優先級與任務預定時間、會員信譽和該會員的預定任務配額有關.每個會員都有一個預定任務配額Zij，會員每預定一個任務，他/她的任務配額就減一.預定配額占比bij為第i個任務第j個會員剩余的任務限額與預定第i個任務所有會員剩余任務限額的總數之比.

對任務預定時間、會員信譽和會員的預定任務配額三個指標進行歸一化處理后生成時間優先級矩陣T、信譽優先級矩陣G和預定配額優先級矩陣B.此外，設定在第二次任務分配時降低第一次已分配任務的會員優先級.由此，領取任務優先級矩陣S=-T+G+B-W，其中Sij表示第i個任務的第j個會員的優先級.

4 基于打包和激勵策略的定價模型改進

實際情況下，有一些任務可能因為位置比較集中導致用戶爭相選擇.如果距離很近的任務因為系統原因沒能分配給同一個人會造成勞動資源的非均衡分配，由此會降低任務完成的效率.可以將距離相近的任務聯合在一起打包發布.為了激勵平臺會員接受并完成任務的積極性，可適當推出激勵方案來吸引消費者.根據消費心理學研究者楊海瑩（2010）[12]研究成果：消費者對商品的價格期望區間是固定的并且是基于自身經濟狀況和商品屬性的考慮.當產品比較成熟時，市場環境也比較成熟，信息不對稱的現象將極大程度地被消除.商家一旦推出激勵方案吸引消費者時，消費者會由于對產品的熟悉度敏感性增加，能提高商家同其他對手競爭的競爭優勢.經驗表明，激勵幅度低于10%時，激勵效果極低接近為0.激勵幅度至少要10%～30%以上才會產生明顯的激勵效果.將眾包平臺上打包任務的激勵幅度設置為10%～30%.

4.1 任務的打包

假設采用距離作為任務打包的依據，即認為兩個任務點的距離越靠近，它們的相似度就越大.可通過聚類分析，將任務分為緊湊且獨立的任務包.采用SPSS軟件對所有任務點進行K-means聚類，設置聚類數量為600，按照一個類的數量達到3個或3個以上為打包的原則對任務點進行打包，總共打包為48個.任務包的分布如圖3所示.

5 結 論

基于數據可視化和定性數據的定量化分析，對珠三角地區的眾包任務定價方法進行研究.首先，將GPS經緯度轉換成數值型數據并使之在Google Map上呈現，直觀地將2712個樣本點壓縮成4個城市的24個區.接著設計了包含基于偏好的會員自發預定任務模型，綜合任務預定時間、會員信譽、會員預定配額等因素構建了任務動態分配模型和會員收益最大化的動態定價模型.在此基礎上通過 K-means聚類把所有任務點分成600個類，按照一個類的任務數量不低于3的打包原則對任務點進行打包，并考慮消費者心理確定了激勵規則，改進了任務定價模型.最后對模型進行了檢驗，通過模擬仿真，驗證了該任務定價方案的合理性、科學性和實用性.

參考文獻

[1] 張月蕾，崔連標，朱家明.基于貪婪算法的眾包平臺定價規律的研究[J].延邊大學學報：自然科學版，2018，44（2）： 164-169.

[2] SINGER Y， MITTAL M. Pricing mechanisms for crowdsourcing markets[C]∥International Conference on World Wide Web Seoul： ACM， 2013：1157-1166.

[3] 聶篤憲，廖奕超，華偉，等.APP平臺中的任務定價模型構建與分析[J].東莞理工學院學報，2018，25（3）： 1-9.

[4] 劉凱，牛心舒，郭祥瑩.基于聚類分析的勞務眾包平臺任務定價模型[J].河南工程學院學報：自然科學版，2018，30（2）： 62-66.

[5] 徐哲揚，柴靖軒.基于貪心算法的眾包平臺定價模型[J].經貿實踐，2018（13）： 306.

[6] 蔣師賢，楊亮.基于BP神經網絡的移動眾包平臺任務定價研究[J].現代計算機（專業版），2018， 619（19）： 23-25.

[7] 吳凱莉，高駿豪.移動眾包平臺模式思考與任務定價研究——以“拍拍賺”APP為例[J].現代商業，2018（22）： 36-38.

[8] 唐境遙.基于統計分析的任務定價分析研究[J].經貿實踐，2018（15）： 94.

[9] 李琴.基于移動眾包模式的任務定價機制研究——以調研平臺為例[J].經貿實踐，2018（15）： 209-211.

[10]李自然，張悅，李妍.“互聯網+”眾包平臺中的任務定價研究[J].現代商業，2018（24）： 27-28.

[11]馮云喬，嚴靈毓.眾包平臺任務定價的一類新方法[J].工業工程與管理，2018，23（4）：145-149.

[12]楊海瑩，楊潔，李占軍.消費心理學[M].北京：高等教育出版社，2010.