论文部分内容阅读
摘 要：本文研究共享单车的回收任务定价及优化设计，提出在此过程中所需研究的主要问题。通过分析用户分布、回收对象分布等多方面信息素确定理想的回收任务定价模型的构成方式，从而发动用户在酬劳的激励下实现快速回收对象。通过合理的、动态的酬劳设计使投放方的经营行为更为高效，优化资源配置。
1、引言
在共享交通工具（共享单车、共享汽车）日益兴起的今天，由此所衍生的问题也层出不穷。一个突出的问题便是投放方对上述工具的快速回收问题。受到诸多因素的影响，这些交通工具往往流落在城郊各处处于闲置或无法正常使用状态。这些因素包括：（1）使用人的使用过程中该交通工具发生故障临时遗弃以至不便继续使用；（2）使用人为满足一己之私擅自通过加锁等方式据为己有，无法供他人使用；（3）使用人目的地过于偏僻，周边潜在客户源密度过低；（4）因配置不合理，投放点车辆过量较严重，部分车辆长期闲置而无法被有需要的投放点使用。
这些现象的存在降低了共享行为的效能，造成了资源配置的不合理及浪费。这些无法正常运行的交通工具长期不管理很有可能会造成遗失。由此给投放方所带来的损失不仅仅是工具本身的价值还包括了因闲置而带来的经营上的损失。在APP日益普及的今天，一种思路是针对回收任务定价及优化设计，旨在通过分析用户分布、回收对象分布以及用户信用度等多方面信息素确定理想的回收任务定价模型，并由投放方将具体任务通过APP发布，从而发动遍布于城郊各处的用户在任务酬劳的激励下替投放方快速回收对象。通过合理的、动态的酬劳设计使投放方的经营行为更为高效，解决上述因素所带来的闲置及调配问题。本文正是对如何实现上述设计提出路径及所需解决的问题。
2、整体思路
问题可以分为两大阶段。第一阶段提出共享单车回收的酬劳的初始定价模型。第二阶段则是当初始模型运行一段时期后，从任务个体完成率以及回收任务的集群定价两方面对初始定价模型进行优化。其新意在于：（1）不同于目前对于共享单车的应用研究主要着眼于 “前期推广”方面，本项目则着眼于“后期维护”，强调如何通过高效回收异常对象促进资源的优化配置，并给出了多个定价模型；（2）本项目采用数据挖掘思想提出的基于数据的打包定价的模型，既让回收任务的分发更为快速高效，又提高了用户的收益率。（3）本项目的优化方案是实时动态的。每当模型运行一段时期就可在之前优化结果的基础上再进一步优化。
3、具体研究内容、目标，以及需解决的关键问题
所要研究的内容、对应的研究目标以及研究中拟解决的关键问题如表一所示。为便于说明，我们以目前如火如荼的共享单车为说明对象。
表一：本项目研究内容、目标及拟解决问题总览
对于遍布于城郊各处的闲置或损坏的共享单车而言，考虑影响其回收任务是否能被完成的因素很重要。在回收对象附近的会员密集程度（X1），回收对象自身的密集程度（X2），与投放方最近的回收点之间的距离（X3）都是需要考虑的因素。显然，回收对象附近的会员越密集，那么该回收任务也许不需要太高的定价就有会员接单。反之若回收任务附近会员稀少，则需要用更高的价格吸引为数不多的会员接单；另一方面，若回收任务附近有多个其它回收任务，形成了规模效应，有可能带动会员完成任务的意愿，从而影响任务价格。而逻辑上讲，接受任务的会员都会将回收对象交到最近的投放方回收点，故任务点与投放方最近的投放点的距离也是一个因素。除了上述三个主要因素之外，还应考察回收对象造价（X4）以及因闲置会损坏而带来的经营上的损失（X5）。随着共享单车的热度越来越大，投放方必定会进一步丰富共享市场，即为用户提供更多元化更有层次的选择。既然现有的单车经常陷入质量、做工等问题，今后必然会出现更多制作更精良、配置更豪华、骑行更舒适的车型。相比起现有车型，造价越昂贵的车型，其对应的回收任务应定价更高。另外，对于不同品牌的共享单车计价方式不同，因各种原因闲置导致无法被用户正常使用的回收对象所损失的经营收益也必须考虑。以摩拜单车为例，其计价为2元每小时。若其被恶意加锁而导致长时间无人使用，由此带来的便是经营损失。经营损失越大的回收对象应有着更高的回收酬劳。这样一来共有上述5个因素影响回收任务的酬劳。
研究目标：共享单车回收的酬劳的初始定价模型
以任务酬劳作为因变量（Y），以上述5个因素作为自变量构建线性模型（1）：
（1）
这里的 代表每个因素对应的权重系数。也就是说我们期望得到一个依5因素线性变化的定价模式。
需要解决的关键问题：定价模型中各因素的权重系数如何求解由于上述5个因素从不同角度影响定价，故很难直接通过观测得到各自在定价问题中所占的权重多大。这就需要进一步挖掘数据并采用决策类的方法来分配各因素的权重。
模型中任务完成率的优化任务的完成率即完成的任务量占发布的回收任务总量的百分比。因各种原因，可能一部分任务无人接单。原因一：价格偏低。此任务对应的价格过低，即使周边会员众多也无人接单。原因二：会员信誉度不够。原因三：距离太远。此任务因地处偏僻，附近无会员出现，远处会员又因距离过远无接单意愿。基于上述三个以及其它存在但这里未能谈及的原因，初始的价格模型需要从模型变量的变更以及各变量在定价问题中权重的调整等方面优化，从而改善任务完成率。
具体研究目标：调整并制定新的定价模型，提高任务完成率。以模型运行一段时间后任务完成的情况为基础，提取变量建立新的定价模型。此模型中包含初始模型中未曾出现的某些变量，如会员的信誉度等。记模型（2）形如：
（2）
即新定价模型所包含的的因素（自变量）为个m（m>5） ，即除了初始的5个自变量外，根据模型运行后的会员及任务的变化情况加入新的变量，如会员的信誉度等。至于加入哪些自变量，需要结合原模型运行后所有任务的分配情况及会员分布等来决定。另外， 代表每个被考虑的因素的相关系数。对于模型的优化而言，目标显然是让更多的任务得以完成，故各相关系数的调整应建立在已完成任务的基础上进行。换句话说，通过对已完成的任务的定价Y和其对應的 寻找对应关系，建立新的定价模型。 需解决的关键问题：导致任务无法完成的原因分析。新的定价模型需要对已完成的任务提取其价格以及所有可能影响它的因素，实际上是在原定价模型运行后根据任务的总体完成情况，会员的分布变化等等再提取更多影响任务完成率的因素，例如前面所提到的信誉度。那么提取哪些新的因素就非常关键了，这直接影响了新的定价模型的可靠性。倘若漏掉了某些因素，会导致新的定价模型出现偏误；倘若错误地加入某些无关因素，则会导致无法得到新定价模型的可行解析式。这就要求我们必须对模型运行后的任务完成情况、会员分布变化等诸多数据进行统计分析，提炼出真正与新定价模型相关的因素。
回收任务的集群定价优化。随着共享单车的使用情况以及会员的流动情况不断变化，可能会出现回收任务的聚集效应，即某个地理坐标附近范围内回收任务高度聚集，这时会产生两个方向的需求。一方面，投放方希望回收任务尽快高效地完成；另一方面，有的会员希望能一次性接單多个相距不远的任务一起完成提高收益。如何才能形成双赢的结果？任务打包再定价是个理想的选择。打包定价前提是对任务打包。打包的原则必须确定，是按照地理位置打包还是将价格相近的打包又或者是按任务发布的时间打包，当然也可以是综合这些指标考虑打包的方案；然后是对打包的任务寻求哪些因素决定其价格。确定打包的原则后，就要确定以任务包为研究对象，如何整合包内所有任务影响其定价的因素。
为实现回收任务的打包定价模型这里我们的目标可以理解为两个部分：
第一是确定任务打包的算法。无论是按照单一的原则（比如任务间的距离）还是综合性（比如考虑任务距离、任务价格、发布时间等）的原则，都必须结合对应的数据按照一定算法规则得到打包的模式。不同的打包模式得到的任务包数不同，包中所含的任务对象也不同。
第二是对任务包构建定价模型。按照前面定价模型的思想，会有任务密度、会员密度、任务与回收点的距离、会员信誉密度等多个因素影响任务的定价。那么针对任务包，如何处理多个任务的这些指标，是平均化还是加权？另外，是否需要加入某些基于任务包特性的指标作为因素来影响定价模型？这些都需要在模型中表现出来。针对任务包的定价模型（3）应该形如：
（3）
这里的 表示的是任务包的定价，而 代表被考虑的因素在任务包中的综合值。比如若 代表的是会员密度，则应是包内每个任务对应的会员密度的综合值，这个综合值最简单的算法就是会员密度的均值，当然也可以根据某个标准对各会员密度进行加权平均。注意，这里的n不一定等于之前的m，因为在任务包的环境下，可能会多些被考虑的因素。
是这些因素的权重，一旦权重均被确定，则该任务包定价模型就被确定了。
这里需解决的关键问题：任务打包的算法以及打包后指标的整合机制。
其一，任务打包的算法。对任务打包相当于要人为地将任务与任务聚集在一起，之前谈到过，必须确定按照什么规则打包，也就是把什么数据作为打包依据。前面提到过的会员密度、任务密度等都可以作为任务打包的指标，那么怎么利用这些指标进行任务的聚集呢？是否可以采纳数据分析中常用的聚类思想？又或者是如今被广泛应用的机器学习支持向量机的做法？当然也可以是别的算法。总而言之，模型的建立中必须敲定按照那种算法将任务打包。
其二，打包后指标的整合机制。假若以及确定了每个任务包中具体的成员（任务），每个成员（任务）都会有对应的会员密度、任务密度等指标。比如说对于该任务包而言，会员密度又该如何计算？显然把每个任务的对应的会员密度加起来平均是最简单的，但这未必是合适的做法。准确地说，那些距离任务包中心更近的任务对应的会员密度和距离任务包中心较远的任务对应的会员密度在确定该任务包会员密度时所占的权重应该是由差异的。如何量化这种差异，从而得到任务包会员密度这一指标的整合后的值，这是需解决的问题。
参考文献：
[1] 韩艺，陈露.共享单车难题及其治理研究[J].四川理工学院学报（社会科学版）.2019年1期， pp：40-60.
[2] 杨鸿麟，曹小曙等.城市居民使用共享单车的行为意愿及影响因素分析—以西安市为例[J].干旱区资源与环境，2019年6期，pp：78-83.
[3] 魏静，唐闯.“互联网+”模式下共享单年车盈利模式探析[J].中国集体经济.2019年9期，pp：77-79.
[4] 王珊，孙帅，李安冉.居住区附近地铁口周边共享单车的策略研究[J].现代园艺.2019年5期，pp：115.
[5] 郑雨蕃.新形势下共享单车现象分析与发展路径探索[J].中国集体经济.2019年7期，pp：15-16.
注：本文受到湖北省教育厅指导性项目“面向APP的共享单车回收酬劳定价方案设计及优化”（项目号：B2018125）以及湖北省教育科学规划一般课题“高校经管类专业高等数学板块式教学模式的定量研究及方案设计”（项目号：2017GB124）的资助
1、引言
在共享交通工具（共享单车、共享汽车）日益兴起的今天，由此所衍生的问题也层出不穷。一个突出的问题便是投放方对上述工具的快速回收问题。受到诸多因素的影响，这些交通工具往往流落在城郊各处处于闲置或无法正常使用状态。这些因素包括：（1）使用人的使用过程中该交通工具发生故障临时遗弃以至不便继续使用；（2）使用人为满足一己之私擅自通过加锁等方式据为己有，无法供他人使用；（3）使用人目的地过于偏僻，周边潜在客户源密度过低；（4）因配置不合理，投放点车辆过量较严重，部分车辆长期闲置而无法被有需要的投放点使用。
这些现象的存在降低了共享行为的效能，造成了资源配置的不合理及浪费。这些无法正常运行的交通工具长期不管理很有可能会造成遗失。由此给投放方所带来的损失不仅仅是工具本身的价值还包括了因闲置而带来的经营上的损失。在APP日益普及的今天，一种思路是针对回收任务定价及优化设计，旨在通过分析用户分布、回收对象分布以及用户信用度等多方面信息素确定理想的回收任务定价模型，并由投放方将具体任务通过APP发布，从而发动遍布于城郊各处的用户在任务酬劳的激励下替投放方快速回收对象。通过合理的、动态的酬劳设计使投放方的经营行为更为高效，解决上述因素所带来的闲置及调配问题。本文正是对如何实现上述设计提出路径及所需解决的问题。
2、整体思路
问题可以分为两大阶段。第一阶段提出共享单车回收的酬劳的初始定价模型。第二阶段则是当初始模型运行一段时期后，从任务个体完成率以及回收任务的集群定价两方面对初始定价模型进行优化。其新意在于：（1）不同于目前对于共享单车的应用研究主要着眼于 “前期推广”方面，本项目则着眼于“后期维护”，强调如何通过高效回收异常对象促进资源的优化配置，并给出了多个定价模型；（2）本项目采用数据挖掘思想提出的基于数据的打包定价的模型，既让回收任务的分发更为快速高效，又提高了用户的收益率。（3）本项目的优化方案是实时动态的。每当模型运行一段时期就可在之前优化结果的基础上再进一步优化。
3、具体研究内容、目标，以及需解决的关键问题
所要研究的内容、对应的研究目标以及研究中拟解决的关键问题如表一所示。为便于说明，我们以目前如火如荼的共享单车为说明对象。
表一：本项目研究内容、目标及拟解决问题总览
对于遍布于城郊各处的闲置或损坏的共享单车而言，考虑影响其回收任务是否能被完成的因素很重要。在回收对象附近的会员密集程度（X1），回收对象自身的密集程度（X2），与投放方最近的回收点之间的距离（X3）都是需要考虑的因素。显然，回收对象附近的会员越密集，那么该回收任务也许不需要太高的定价就有会员接单。反之若回收任务附近会员稀少，则需要用更高的价格吸引为数不多的会员接单；另一方面，若回收任务附近有多个其它回收任务，形成了规模效应，有可能带动会员完成任务的意愿，从而影响任务价格。而逻辑上讲，接受任务的会员都会将回收对象交到最近的投放方回收点，故任务点与投放方最近的投放点的距离也是一个因素。除了上述三个主要因素之外，还应考察回收对象造价（X4）以及因闲置会损坏而带来的经营上的损失（X5）。随着共享单车的热度越来越大，投放方必定会进一步丰富共享市场，即为用户提供更多元化更有层次的选择。既然现有的单车经常陷入质量、做工等问题，今后必然会出现更多制作更精良、配置更豪华、骑行更舒适的车型。相比起现有车型，造价越昂贵的车型，其对应的回收任务应定价更高。另外，对于不同品牌的共享单车计价方式不同，因各种原因闲置导致无法被用户正常使用的回收对象所损失的经营收益也必须考虑。以摩拜单车为例，其计价为2元每小时。若其被恶意加锁而导致长时间无人使用，由此带来的便是经营损失。经营损失越大的回收对象应有着更高的回收酬劳。这样一来共有上述5个因素影响回收任务的酬劳。
研究目标：共享单车回收的酬劳的初始定价模型
以任务酬劳作为因变量（Y），以上述5个因素作为自变量构建线性模型（1）：
（1）
这里的 代表每个因素对应的权重系数。也就是说我们期望得到一个依5因素线性变化的定价模式。
需要解决的关键问题：定价模型中各因素的权重系数如何求解由于上述5个因素从不同角度影响定价，故很难直接通过观测得到各自在定价问题中所占的权重多大。这就需要进一步挖掘数据并采用决策类的方法来分配各因素的权重。
模型中任务完成率的优化任务的完成率即完成的任务量占发布的回收任务总量的百分比。因各种原因，可能一部分任务无人接单。原因一：价格偏低。此任务对应的价格过低，即使周边会员众多也无人接单。原因二：会员信誉度不够。原因三：距离太远。此任务因地处偏僻，附近无会员出现，远处会员又因距离过远无接单意愿。基于上述三个以及其它存在但这里未能谈及的原因，初始的价格模型需要从模型变量的变更以及各变量在定价问题中权重的调整等方面优化，从而改善任务完成率。
具体研究目标：调整并制定新的定价模型，提高任务完成率。以模型运行一段时间后任务完成的情况为基础，提取变量建立新的定价模型。此模型中包含初始模型中未曾出现的某些变量，如会员的信誉度等。记模型（2）形如：
（2）
即新定价模型所包含的的因素（自变量）为个m（m>5） ，即除了初始的5个自变量外，根据模型运行后的会员及任务的变化情况加入新的变量，如会员的信誉度等。至于加入哪些自变量，需要结合原模型运行后所有任务的分配情况及会员分布等来决定。另外， 代表每个被考虑的因素的相关系数。对于模型的优化而言，目标显然是让更多的任务得以完成，故各相关系数的调整应建立在已完成任务的基础上进行。换句话说，通过对已完成的任务的定价Y和其对應的 寻找对应关系，建立新的定价模型。 需解决的关键问题：导致任务无法完成的原因分析。新的定价模型需要对已完成的任务提取其价格以及所有可能影响它的因素，实际上是在原定价模型运行后根据任务的总体完成情况，会员的分布变化等等再提取更多影响任务完成率的因素，例如前面所提到的信誉度。那么提取哪些新的因素就非常关键了，这直接影响了新的定价模型的可靠性。倘若漏掉了某些因素，会导致新的定价模型出现偏误；倘若错误地加入某些无关因素，则会导致无法得到新定价模型的可行解析式。这就要求我们必须对模型运行后的任务完成情况、会员分布变化等诸多数据进行统计分析，提炼出真正与新定价模型相关的因素。
回收任务的集群定价优化。随着共享单车的使用情况以及会员的流动情况不断变化，可能会出现回收任务的聚集效应，即某个地理坐标附近范围内回收任务高度聚集，这时会产生两个方向的需求。一方面，投放方希望回收任务尽快高效地完成；另一方面，有的会员希望能一次性接單多个相距不远的任务一起完成提高收益。如何才能形成双赢的结果？任务打包再定价是个理想的选择。打包定价前提是对任务打包。打包的原则必须确定，是按照地理位置打包还是将价格相近的打包又或者是按任务发布的时间打包，当然也可以是综合这些指标考虑打包的方案；然后是对打包的任务寻求哪些因素决定其价格。确定打包的原则后，就要确定以任务包为研究对象，如何整合包内所有任务影响其定价的因素。
为实现回收任务的打包定价模型这里我们的目标可以理解为两个部分：
第一是确定任务打包的算法。无论是按照单一的原则（比如任务间的距离）还是综合性（比如考虑任务距离、任务价格、发布时间等）的原则，都必须结合对应的数据按照一定算法规则得到打包的模式。不同的打包模式得到的任务包数不同，包中所含的任务对象也不同。
第二是对任务包构建定价模型。按照前面定价模型的思想，会有任务密度、会员密度、任务与回收点的距离、会员信誉密度等多个因素影响任务的定价。那么针对任务包，如何处理多个任务的这些指标，是平均化还是加权？另外，是否需要加入某些基于任务包特性的指标作为因素来影响定价模型？这些都需要在模型中表现出来。针对任务包的定价模型（3）应该形如：
（3）
这里的 表示的是任务包的定价，而 代表被考虑的因素在任务包中的综合值。比如若 代表的是会员密度，则应是包内每个任务对应的会员密度的综合值，这个综合值最简单的算法就是会员密度的均值，当然也可以根据某个标准对各会员密度进行加权平均。注意，这里的n不一定等于之前的m，因为在任务包的环境下，可能会多些被考虑的因素。
是这些因素的权重，一旦权重均被确定，则该任务包定价模型就被确定了。
这里需解决的关键问题：任务打包的算法以及打包后指标的整合机制。
其一，任务打包的算法。对任务打包相当于要人为地将任务与任务聚集在一起，之前谈到过，必须确定按照什么规则打包，也就是把什么数据作为打包依据。前面提到过的会员密度、任务密度等都可以作为任务打包的指标，那么怎么利用这些指标进行任务的聚集呢？是否可以采纳数据分析中常用的聚类思想？又或者是如今被广泛应用的机器学习支持向量机的做法？当然也可以是别的算法。总而言之，模型的建立中必须敲定按照那种算法将任务打包。
其二，打包后指标的整合机制。假若以及确定了每个任务包中具体的成员（任务），每个成员（任务）都会有对应的会员密度、任务密度等指标。比如说对于该任务包而言，会员密度又该如何计算？显然把每个任务的对应的会员密度加起来平均是最简单的，但这未必是合适的做法。准确地说，那些距离任务包中心更近的任务对应的会员密度和距离任务包中心较远的任务对应的会员密度在确定该任务包会员密度时所占的权重应该是由差异的。如何量化这种差异，从而得到任务包会员密度这一指标的整合后的值，这是需解决的问题。
参考文献：
[1] 韩艺，陈露.共享单车难题及其治理研究[J].四川理工学院学报（社会科学版）.2019年1期， pp：40-60.
[2] 杨鸿麟，曹小曙等.城市居民使用共享单车的行为意愿及影响因素分析—以西安市为例[J].干旱区资源与环境，2019年6期，pp：78-83.
[3] 魏静，唐闯.“互联网+”模式下共享单年车盈利模式探析[J].中国集体经济.2019年9期，pp：77-79.
[4] 王珊，孙帅，李安冉.居住区附近地铁口周边共享单车的策略研究[J].现代园艺.2019年5期，pp：115.
[5] 郑雨蕃.新形势下共享单车现象分析与发展路径探索[J].中国集体经济.2019年7期，pp：15-16.
注：本文受到湖北省教育厅指导性项目“面向APP的共享单车回收酬劳定价方案设计及优化”（项目号：B2018125）以及湖北省教育科学规划一般课题“高校经管类专业高等数学板块式教学模式的定量研究及方案设计”（项目号：2017GB124）的资助