空間眾包環(huán)境下的任務(wù)定價(jià)研究

張宇 朱佳偉 郭珺然

摘要：隨著移動(dòng)互聯(lián)網(wǎng)技術(shù)的發(fā)展，自助式勞務(wù)空間眾包平臺(tái)變得日益盛行。為了解決在空間眾包環(huán)境下任務(wù)位置集中時(shí)的最優(yōu)定價(jià)問題，該文考慮任務(wù)集中時(shí)的打包情況，引入整體自適應(yīng)打包尋優(yōu)模型來(lái)評(píng)估全局任務(wù)完成度，最終給出新項(xiàng)目的任務(wù)定價(jià)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(guān)鍵詞：空間眾包；任務(wù)定價(jià)；自適應(yīng)尋優(yōu)；最優(yōu)匹配模型

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

中圖分類號(hào)：F272.3；TP311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311（2018）20-0074-04

0 引言

近年來(lái)，互聯(lián)網(wǎng)的蓬勃發(fā)展帶動(dòng)眾包應(yīng)用的興起，對(duì)工業(yè)界和學(xué)術(shù)界等各行各業(yè)產(chǎn)生了深遠(yuǎn)影響，同時(shí)，眾包作為共享經(jīng)濟(jì)的代表，可以使發(fā)包方以更短的時(shí)間、更低的成本獲得更高質(zhì)量的產(chǎn)出。根據(jù)經(jīng)驗(yàn)表明，“如何吸引更多用戶參與”是眾包模式當(dāng)下快速發(fā)展的重大挑戰(zhàn)。一方面眾包任務(wù)相比于其他任務(wù)通常需要參與者有更多的精力投入編寫程序，同時(shí)眾包也可以充分利用社會(huì)資源，節(jié)省企業(yè)的成本支出，所謂挑戰(zhàn)與機(jī)遇共存。目前，眾包己得到企業(yè)界的廣泛關(guān)注，越來(lái)越多項(xiàng)目也開始漸漸傾向于采用眾包模式進(jìn)行項(xiàng)目開發(fā)。隨著互聯(lián)網(wǎng)的興起，空間眾包模式已然成為眾包發(fā)展的新標(biāo)桿。

空間眾包模式的發(fā)展合理有效的擴(kuò)大了電商的營(yíng)業(yè)范圍，逐漸形成了一個(gè)全新的“無(wú)形商品”電子商務(wù)運(yùn)營(yíng)模式。這種模式迅速的崛起，但是理論研究明顯落后于社會(huì)實(shí)踐要求導(dǎo)致這種眾包平臺(tái)在進(jìn)一步的發(fā)展中明顯受阻[1，2]，所以建立空間眾包平臺(tái)的出價(jià)是一種新興的服務(wù)標(biāo)價(jià)模型，它的建立大大豐富了服務(wù)標(biāo)價(jià)理論，具有十分強(qiáng)勁的理論實(shí)踐意義。

1 任務(wù)聯(lián)合打包發(fā)布對(duì)任務(wù)完成情況的影響

針對(duì)真實(shí)生活場(chǎng)景，根據(jù)文獻(xiàn)[3]得到廣州和深圳地區(qū)某一任務(wù)的任務(wù)及會(huì)員信息（任務(wù)信息包括：任務(wù)位置（GPS）、任務(wù)標(biāo)價(jià)、任務(wù)執(zhí)行情況。會(huì)員信息包括：會(huì)員位置（GPS）、預(yù)訂任務(wù)限額、預(yù)訂任務(wù)開始時(shí)間、信譽(yù)值）探討改進(jìn)影響空間眾包環(huán)境下的任務(wù)分配方案。實(shí)際情況下，多個(gè)任務(wù)可能因位置比較集中導(dǎo)致用戶爭(zhēng)相選擇，此時(shí)考慮用戶和任務(wù)對(duì)眾包模型的影響。引入眾包模型完成度w來(lái)評(píng)估在特定距離內(nèi)用戶任務(wù)完成度，根據(jù)用戶任務(wù)完成度來(lái)約束任務(wù)眾包的規(guī)模。

1.1 建立整體自適應(yīng)打包尋優(yōu)模型

對(duì)于每個(gè)用戶的主要影響因素為預(yù)定任務(wù)限額、預(yù)定任務(wù)開始時(shí)間、信譽(yù)值。對(duì)于每個(gè)任務(wù)的主要影響因素為確定范圍di內(nèi)用戶數(shù)量（數(shù)量較多情況下構(gòu)成競(jìng)爭(zhēng)關(guān)系）、確定范圍di內(nèi)用戶的預(yù)定任務(wù)限額、預(yù)定任務(wù)開始時(shí)間、信譽(yù)值、確定范圍內(nèi)任務(wù)數(shù)量。

由于任務(wù)定價(jià)有相對(duì)浮動(dòng)[1]，即表現(xiàn)為某些任務(wù)定價(jià)較高、某些任務(wù)定價(jià)較低。因此考慮減少相應(yīng)任務(wù)點(diǎn)值ai，增加相應(yīng)任務(wù)點(diǎn)值bi，即總體轉(zhuǎn)移量為ai-bi。那么打包模型為合并相應(yīng)任務(wù)點(diǎn)，使得任務(wù)點(diǎn)內(nèi)相對(duì)價(jià)格浮動(dòng)量為0。同時(shí)為考慮用戶完成任務(wù)便捷性，打包點(diǎn)內(nèi)任務(wù)點(diǎn)盡可能距離較近。分析得到實(shí)際情況的某些真實(shí)價(jià)格數(shù)據(jù)與預(yù)測(cè)價(jià)格數(shù)據(jù)較為相近，所以忽略此部分點(diǎn)。同時(shí)去除某些稀疏點(diǎn)（即任務(wù)點(diǎn)周圍具有較少任務(wù)點(diǎn)），此時(shí)不構(gòu)成競(jìng)爭(zhēng)關(guān)系，所以不將此類數(shù)據(jù)打包。

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

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

為此便確定在距離最小的范圍內(nèi)確定最大任務(wù)包使之滿足多數(shù)用戶預(yù)定任務(wù)限額量需求。由問題一和問題二模型對(duì)比得到，隨著模型的優(yōu)化任務(wù)價(jià)格點(diǎn)將會(huì)出現(xiàn)動(dòng)蕩變化，以？鄣表示。為進(jìn)一步優(yōu)化模型，要求

同時(shí)我們希望此眾包任務(wù)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(lái)進(jìn)行擴(kuò)展眾包項(xiàng)目集合，？鄣i表示預(yù)定任務(wù)限額。

w？叟80%表示可以繼續(xù)擴(kuò)張，w<80%時(shí)則不能繼續(xù)擴(kuò)張。因不同用戶具有不同預(yù)定任務(wù)限額Vi，因此我們需在滿足多數(shù)用戶預(yù)定任務(wù)限額情況下盡可能擴(kuò)展任務(wù)打包集合，即

1.2 模型求解計(jì)算

1.2.1 篩選數(shù)據(jù)

對(duì)任務(wù)信息數(shù)據(jù)進(jìn)行分析，對(duì)分析位置比較集中的任務(wù)，篩選掉任務(wù)點(diǎn)周圍的個(gè)數(shù)較少的任務(wù)同時(shí)根據(jù)價(jià)格對(duì)比[3]，篩選得到變化除[-1，1]范圍內(nèi)的價(jià)格數(shù)據(jù)變化量。

1.2.2 數(shù)據(jù)分析與求解

篩選得到任務(wù)GPS緯度、任務(wù)GPS經(jīng)度、任務(wù)預(yù)測(cè)價(jià)格、任務(wù)價(jià)格波動(dòng)等影響因素，采用上述所用數(shù)據(jù)分析模型，算法流程如圖1所示。

分析得到每個(gè)任務(wù)被選擇的概率和各分包處理情況，結(jié)果樣例如表1所示。

結(jié)果得到打包數(shù)據(jù)中包含3組數(shù)據(jù)占比較多，且各任務(wù)點(diǎn)之間相互距離較勁，由此得到模型分包情況理想。同時(shí)求得分包后全局概率為78.09%，即每個(gè)任務(wù)點(diǎn)被選擇的概率，模型較文獻(xiàn)[3]完成度72%有很大提高。

2 任務(wù)定價(jià)方案

為得到新任務(wù)定價(jià)方案，更新廣州和深圳地區(qū)新項(xiàng)目任務(wù)點(diǎn)的經(jīng)緯度數(shù)據(jù)。由已知的會(huì)員信息計(jì)算出任務(wù)距用戶距離x1、用戶密度x2、用戶平均信譽(yù)值x3、任務(wù)之間距離x4、會(huì)員搶單時(shí)間x7，然后將新項(xiàng)目任務(wù)點(diǎn)的經(jīng)緯度坐標(biāo)導(dǎo)入在智能式交互地圖中，得到各個(gè)任務(wù)點(diǎn)的具體地區(qū)地址，根據(jù)地區(qū)地址來(lái)進(jìn)一步確定區(qū)域的GDP總值x5、任務(wù)點(diǎn)附近的城市道路網(wǎng)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(gè)任務(wù)點(diǎn)的初始定價(jià)，根據(jù)第二問的任務(wù)打包模型，我們采用Python編程得到各個(gè)打包的價(jià)格、個(gè)數(shù)、位置點(diǎn)，最終將兩者整合在一起。

2.1 影響因素?cái)?shù)值的分析與計(jì)算

2.1.1 用戶距離x1

利用SPSS軟件，將用戶會(huì)員的經(jīng)緯度采用K-means聚類方法進(jìn)行聚類，得到6個(gè)聚類的組員信息和聚類中心的經(jīng)緯度，我們定義任務(wù)點(diǎn)離聚類中心用戶的距離為用戶距離x1，采用Python語(yǔ)言編程得到新項(xiàng)目各個(gè)任務(wù)點(diǎn)離用戶中心的距離。

2.1.2 用戶密度x2

一個(gè)任務(wù)點(diǎn)周圍的用戶過(guò)多，說(shuō)明該任務(wù)相對(duì)被選擇完成的可能性高，如果一個(gè)任務(wù)點(diǎn)周圍的用戶較少，說(shuō)明該任務(wù)相對(duì)被選擇完成的可能性低，所以任務(wù)點(diǎn)周圍的用戶密度會(huì)對(duì)任務(wù)定價(jià)產(chǎn)生一定的影響?；诖讼敕ǎ覀兌x一個(gè)任務(wù)點(diǎn)周圍一定面積內(nèi)的總用戶個(gè)數(shù)為用戶密度因素，根據(jù)用戶密度來(lái)適當(dāng)調(diào)整定價(jià)，采用Python語(yǔ)言編程得到各個(gè)任務(wù)點(diǎn)周圍一定面積內(nèi)會(huì)員的個(gè)數(shù)。

2.1.3 用戶平均信譽(yù)值x3

用戶的信譽(yù)值代表用戶能夠同時(shí)預(yù)定多組任務(wù)的個(gè)數(shù)以及接單的快慢，在任務(wù)點(diǎn)周圍用戶平均值較高的情況下，該任務(wù)點(diǎn)被選擇的可能性會(huì)較其他點(diǎn)高，則相應(yīng)的價(jià)格可以適當(dāng)降低，所以定義任務(wù)點(diǎn)周圍的用戶平均信譽(yù)值來(lái)為用戶質(zhì)量參數(shù)，根據(jù)用戶平均信譽(yù)值來(lái)適當(dāng)調(diào)整定價(jià)，用Python語(yǔ)言編程得到各個(gè)任務(wù)點(diǎn)周圍一定面積內(nèi)用戶平均信譽(yù)值。

2.1.4 任務(wù)距離x4

任務(wù)之間的距離代表了任務(wù)點(diǎn)的密集程度，如果任務(wù)之間距離很小，說(shuō)明該點(diǎn)周圍存在很多任務(wù)點(diǎn)，在用戶選擇上，考慮到利益最大，用戶可能會(huì)同時(shí)預(yù)定多個(gè)任務(wù)來(lái)完成，則相應(yīng)的任務(wù)點(diǎn)定價(jià)需要適當(dāng)調(diào)高來(lái)達(dá)到用戶與任務(wù)的供求平衡。我們基于此思想，由于任務(wù)與任務(wù)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(wù)總體聚成6類，得到6類別的聚類中心。定義各個(gè)任務(wù)離任務(wù)中心的距離為任務(wù)與任務(wù)的距離，通過(guò)任務(wù)距離來(lái)適當(dāng)調(diào)整定價(jià)，采用Python語(yǔ)言編程得到各個(gè)任務(wù)點(diǎn)離中心點(diǎn)的距離。

2.1.5 區(qū)域的GDP總值x5

一個(gè)區(qū)域的GDP值代表了該區(qū)域的經(jīng)濟(jì)發(fā)展程度，經(jīng)濟(jì)發(fā)展程度高的地區(qū)，價(jià)格需要適當(dāng)調(diào)高才能吸引用戶來(lái)完成任務(wù)，由于區(qū)與區(qū)之間的GDP存在差異，所以各個(gè)任務(wù)點(diǎn)所處的區(qū)會(huì)影響該任務(wù)點(diǎn)的定價(jià)。我們把各個(gè)任務(wù)點(diǎn)的地理位置導(dǎo)入Google地圖，利用智能交互軟件定位出每個(gè)位置所屬于的城市及區(qū)域，采集題中所給任務(wù)點(diǎn)經(jīng)緯度數(shù)據(jù)，導(dǎo)出了各個(gè)任務(wù)點(diǎn)所處的地區(qū)，通過(guò)收集這些行政區(qū)域2016年的GDP總量數(shù)據(jù)資料，使任務(wù)點(diǎn)的位置與GDP數(shù)據(jù)一一配對(duì)組合。

2.1.6 任務(wù)點(diǎn)附近的城市道路網(wǎng)密度x6

任務(wù)點(diǎn)附近的城市道路網(wǎng)密度是指任一任務(wù)點(diǎn)周圍一定面積下依道路網(wǎng)內(nèi)的道路中心線長(zhǎng)度與依道路網(wǎng)所服務(wù)的用地面積之比，利用Python編程，結(jié)合Google智能交互軟件對(duì)每一任務(wù)點(diǎn)，及任務(wù)點(diǎn)周邊道路長(zhǎng)度和用地面積的精確定位，任務(wù)標(biāo)價(jià)低區(qū)對(duì)應(yīng)著交通密集區(qū)，把計(jì)算得出的每一個(gè)任務(wù)點(diǎn)道路網(wǎng)密度與該點(diǎn)位置一一匹配組合。

2.1.7 會(huì)員選單時(shí)間x7

根據(jù)附件數(shù)據(jù)可知，每個(gè)會(huì)員由于信譽(yù)值的高低等其他因素影響，會(huì)員預(yù)定任務(wù)的時(shí)間存在差異，如果會(huì)員預(yù)定任務(wù)時(shí)間較前，則說(shuō)明該會(huì)員可以提前選擇多個(gè)任務(wù)來(lái)進(jìn)行，如果任務(wù)點(diǎn)周圍的會(huì)員預(yù)定時(shí)間都較前，該任務(wù)點(diǎn)被用戶選擇完成的概率會(huì)較其他任務(wù)點(diǎn)高。依據(jù)此思想，如果會(huì)員預(yù)定任務(wù)時(shí)間相比全體會(huì)員平均預(yù)定任務(wù)時(shí)間大，則體現(xiàn)了該用戶具有較高的選擇權(quán)。所以我們定義任務(wù)點(diǎn)一定面積內(nèi)的會(huì)員預(yù)定時(shí)間與總體預(yù)定時(shí)間的平均值的差值為該任務(wù)點(diǎn)周圍會(huì)員的選單時(shí)間。用Python語(yǔ)言編程得到各個(gè)任務(wù)點(diǎn)周圍一定面積內(nèi)用戶選單時(shí)間。

利用Python軟件，根據(jù)模型建立過(guò)程中的數(shù)值分析，將對(duì)應(yīng)的數(shù)值帶入影響因素的計(jì)算公式，得到任務(wù)距用戶距離x1、用戶密度x2、用戶平均信譽(yù)值x3、任務(wù)之間距離x4、區(qū)域的GDP總值x5、任務(wù)點(diǎn)附近的城市道路網(wǎng)密度x6、會(huì)員搶單時(shí)間x7具體數(shù)值。

2.2 定價(jià)方案的設(shè)計(jì)

要對(duì)新項(xiàng)目給出任務(wù)定價(jià)方案，結(jié)合上述定價(jià)模型，首先根據(jù)打包定價(jià)模型中的約束，篩選出未被打包的即單獨(dú)發(fā)布的任務(wù)點(diǎn)。

利用優(yōu)化定價(jià)模型來(lái)對(duì)這些單獨(dú)發(fā)布的任務(wù)點(diǎn)進(jìn)行定價(jià)。然后基于給出的新項(xiàng)目數(shù)據(jù)我們采用打包定價(jià)模型，利用打包定價(jià)模型來(lái)進(jìn)行任務(wù)的打包處理，得到任務(wù)打包的個(gè)數(shù)，打包的價(jià)錢以及包內(nèi)的任務(wù)數(shù)，最終完成新項(xiàng)目的整體定價(jià)方案設(shè)計(jì)。

根據(jù)整體自適應(yīng)打包尋優(yōu)定價(jià)模型篩選出未被打包的即單獨(dú)發(fā)布的任務(wù)點(diǎn)如表2。

由文獻(xiàn)[3]，優(yōu)化定價(jià)模型為：

利用優(yōu)化定價(jià)模型來(lái)對(duì)這些單獨(dú)發(fā)布的任務(wù)點(diǎn)進(jìn)行定價(jià)，然后基于給出的新項(xiàng)目數(shù)據(jù)我們采用打包定價(jià)模型，來(lái)進(jìn)行任務(wù)的打包處理，得到任務(wù)打包的個(gè)數(shù)，打包的價(jià)錢以及包內(nèi)的任務(wù)數(shù)，最終完成新項(xiàng)目的整體定價(jià)方案設(shè)計(jì)如表3。

2.3 評(píng)價(jià)該方案的實(shí)施效果

由于需要與與原方案進(jìn)行對(duì)比來(lái)評(píng)價(jià)方案的實(shí)施效果，我們首先根據(jù)任務(wù)點(diǎn)的位置來(lái)將原始的827組數(shù)據(jù)與現(xiàn)有的2000組數(shù)據(jù)進(jìn)行最優(yōu)匹配，是兩組數(shù)據(jù)地理位置盡可能的接近，得到827新項(xiàng)目數(shù)據(jù)，然后將利用打包定價(jià)模型來(lái)求出該任務(wù)點(diǎn)的可能完成概率，定義當(dāng)可能完成概率高于平均值時(shí)，任務(wù)被認(rèn)定完成。通過(guò)比較新項(xiàng)目任務(wù)定價(jià)方案的完成度與原始方案的完成度來(lái)定量的分析新項(xiàng)目任務(wù)定價(jià)方案的實(shí)施效果。

評(píng)價(jià)新項(xiàng)目任務(wù)定價(jià)模型的實(shí)施效果，需要與原來(lái)任務(wù)定價(jià)方案的數(shù)據(jù)做對(duì)比，由于變量存在七個(gè)，我們根據(jù)控制變量法的思想，將任務(wù)點(diǎn)的位置來(lái)將原始的827組數(shù)據(jù)與現(xiàn)有的2000組數(shù)據(jù)進(jìn)行最優(yōu)匹配，是兩組數(shù)據(jù)地理位置盡可能的接近，得到827新項(xiàng)目數(shù)據(jù)。然后將利用打包定價(jià)模型來(lái)求出該任務(wù)點(diǎn)的可能完成概率，定義當(dāng)可能完成概率高于平均值時(shí)，任務(wù)被認(rèn)定完成。

通過(guò)比較新項(xiàng)目任務(wù)定價(jià)方案的完成度與原始方案的完成度來(lái)定量的分析新項(xiàng)目任務(wù)定價(jià)方案的實(shí)施效果，結(jié)果如表4。

最終分析得到新項(xiàng)目任務(wù)完成度相比原任務(wù)完成度提高了3.64%，說(shuō)明新項(xiàng)目任務(wù)定價(jià)方案的實(shí)施效果比較好。

3 模型的推廣

本文研究了空間眾包中的動(dòng)態(tài)任務(wù)定價(jià)問題。由于移動(dòng)互聯(lián)網(wǎng)的自助式勞務(wù)眾包平臺(tái)是目前基于“互聯(lián)網(wǎng)+”平臺(tái)的O2O（offlinc-to-online）經(jīng)營(yíng)模式，因此該平臺(tái)在市場(chǎng)上具有廣泛的應(yīng)用前景。研究成果一方面可以為企業(yè)或項(xiàng)目管理者提供眾包項(xiàng)目風(fēng)險(xiǎn)管理的參照和依據(jù)，另一方面也是對(duì)于眾包與實(shí)際應(yīng)用相結(jié)合的理論拓展，完善對(duì)眾包商業(yè)模式的理論研究。此定價(jià)模型可以廣泛應(yīng)用于社會(huì)經(jīng)濟(jì)的各個(gè)領(lǐng)域內(nèi)，不僅適用于分析不同位置APP定價(jià)高低程度，還可推廣運(yùn)用于出租車資源的“供求匹配”模型，以及國(guó)際油價(jià)行走趨勢(shì)研究等定價(jià)用戶需求關(guān)系的情況中。

參考文獻(xiàn)：

[1]高銘，王毅.眾包項(xiàng)目風(fēng)險(xiǎn)評(píng)估模型研究[J].管理現(xiàn)代化， 2016（03）：105-107.

[2]孫信昕.眾包環(huán)境下的任務(wù)分配技術(shù)研究[D].揚(yáng)州大學(xué)， 2016.

[3]張宇.基于拍照賺錢的任務(wù)定價(jià)研究[J].價(jià)值工程，2018.

[4]宋天舒，童詠昕，王立斌，許可.空間眾包環(huán)境下的3類對(duì)象在線任務(wù)分配[J].軟件學(xué)報(bào)，2017（03）：611-630.