眾包模式下的定價方案研究

武建輝

摘 要：拍照上傳后線上領(lǐng)取酬金是眾包平臺的一種商業(yè)項目。本文旨在分析任務(wù)定價及制定優(yōu)化方案。

以任務(wù)的位置和貢獻(xiàn)度為指標(biāo)，構(gòu)建二元非線性擬合模型。將數(shù)據(jù)以價格相同劃分后輸出定價等高圖，計算出每個區(qū)域的中心點和核心點（22.96，113.42）之間的距離，得到距離-定價矩陣。從而將經(jīng)緯度轉(zhuǎn)化成距離，再分析貢獻(xiàn)度的影響。最后利用進(jìn)化粒子群優(yōu)化算法得到定價規(guī)律方程。以附件二和問卷數(shù)據(jù)提出的會員位置、距離等六個因素為基礎(chǔ)，通過繪制任務(wù)和會員的位置分布散點圖，建立影響因素的指標(biāo)體系。采用主成分分析和因子分析法計算相應(yīng)得分。分析出未完成的原因主要是距離拍照地點較遠(yuǎn)以及定價比預(yù)期收益低。

關(guān)鍵詞：二元非線性擬合模型；進(jìn)化粒子群優(yōu)化算法；模糊神經(jīng)網(wǎng)絡(luò)模型；改進(jìn)的人工魚群算法

1模型建立和求解

1.1問題一的模型建立和求解

求出任務(wù)定價規(guī)律的實質(zhì)就是需要求取附件一對應(yīng)數(shù)據(jù)的定價回歸方程。通過分析，判斷出制定該價格的決定性因素是任務(wù)位置和任務(wù)貢獻(xiàn)度。所以搭建二元非線性擬合模型[1][2]并求解來得出定

1.1.2二元非線性曲線擬合模型的求解

使用EPSO算法[3]對模型進(jìn)行求解，，將待擬合的參數(shù)組合看作一個粒子，代表一個最優(yōu)候選解將待擬合參數(shù)的個數(shù)定義為粒子的維數(shù)。

1.1.3 運用主成分分析來選取影響完成度的因素

首先通過810份調(diào)查問卷來調(diào)查廣東省使用該APP的會員完成任務(wù)情況，問卷的有效回收率為98.76%，因此利用800組樣本數(shù)據(jù)來分析。

分別根據(jù)公式計算出兩個主成分得分，再以各主成分的貢獻(xiàn)率為權(quán)重對主成分[4]得分進(jìn)行加權(quán)平均，最后得出主成分綜合得分，并對50個樣本進(jìn)行排名，綜合排名見附錄。因此，影響完成度的因素最終確定為距拍照地點的距離和會員的預(yù)期收益與實際價格的差值。最后結(jié)合附件一以及調(diào)查問卷的結(jié)果來分析，距離越遠(yuǎn)，會員的預(yù)期收益與實際價格的差值越大，說明完成度越低。距離越近，會員的預(yù)期收益與實際價格的差值越小，說明完成度越高。其他條件不變的情況下，距離與完成度成反比；會員的預(yù)期收益與實際價格的差值和完成度成反比。

1.2問題四模型建立和求解

1.2.1多目標(biāo)優(yōu)化模型的建立

通過上述幾個問題的分析，相關(guān)變量選取越充分，模型的可靠性和方案的可施行性越高。所以我們在基于上述幾個問題分析出的各項因素上，進(jìn)一步深入考慮。從多角度全方位的切合實際情況分析定價方案。故建立出多目標(biāo)優(yōu)化模型[5]。

從任務(wù)發(fā)布平臺來考慮：選取會員數(shù)量、競爭性價格、任務(wù)貢獻(xiàn)度、信譽(yù)度作為指標(biāo)進(jìn)行優(yōu)化；對于平臺來說總的運營成本一直在追求最低，也近似認(rèn)為運行成本就是拍照所付出的酬金。從實際問題分析，當(dāng)一個方案所需的成本越低越容易被公司施行，所當(dāng)一個地區(qū)分布的會員數(shù)量較多時價格便可相對放低；當(dāng)該任務(wù)對公司的貢獻(xiàn)度越高，也就是此任務(wù)完成后能給公司帶來的效益越高定價便可升高；周邊的同類型的商家競爭越高，為提高競爭，定價自然升高.

分析出這些外部因素對定價方案的影響，從而增加方案的企業(yè)可行性?，F(xiàn)在從會員心理因素的角度，選取預(yù)期收益、預(yù)期努力、個人時間寬裕度作為指標(biāo)，分析出這些內(nèi)在因素對定價方案的影響，從而增加方案的個人可行性：

通過處理數(shù)據(jù)后得出個人時間不充裕卻依舊去執(zhí)行任務(wù)的僅僅只占6.74%，遠(yuǎn)遠(yuǎn)小于50%。所以要完成或者執(zhí)行任務(wù)的前提的需要個人時間足夠充裕。所以下面的研究便默認(rèn)在個人時間均充裕的前提下：

從實際情況出發(fā)，只有當(dāng)定價減去預(yù)期收益后的差值 或者預(yù)期收益減去定價在 范圍時才考慮會去執(zhí)行任務(wù)。考慮數(shù)據(jù)太多，在此僅舉出15個預(yù)期收益-定價差值數(shù)據(jù)如下表：分析預(yù)期努力的影響度，通過上面的表格可以看出，當(dāng)預(yù)期努力 時會員絕大多數(shù)都會去選擇執(zhí)行任；但是當(dāng)任務(wù)的預(yù)期努力 會員肯定不會去執(zhí)行任務(wù).

1.2.2多目標(biāo)優(yōu)化模型的求解

使用改進(jìn)的人工魚群算法[6，7]計算出最優(yōu)解，當(dāng)人工魚（此處為變量）的數(shù)目越多，該算法跳出局部最優(yōu)解的能力越強(qiáng)，同時此算法的收斂速度也在不斷加快。

2結(jié)論

本文在分析總結(jié)線上公司對眾包的定價規(guī)律時，由于定價最初是不合理的，于是先從簡單的距離和貢獻(xiàn)度2個因素來考慮。得出的定價規(guī)律方程體現(xiàn)了一定程度的規(guī)律性。再以信譽(yù)度、貢獻(xiàn)度、會員分布密度、競爭性價格、預(yù)期收益、預(yù)期努力及個人時間寬裕度作為優(yōu)化指標(biāo)分析這些因素對定價的影響。把問題極大的逼近現(xiàn)實化，從實際出發(fā)，多方面研究影響定價的因素。改進(jìn)人工魚群算法來求解建立出的多目標(biāo)優(yōu)化模型，避免局部最優(yōu)解，得到最佳定價方案。方案切實可行，實際意義較大，可以延伸至網(wǎng)絡(luò)經(jīng)濟(jì)領(lǐng)域的定價問題研究上，有一定的參考價值。

參考文獻(xiàn)：

[1]堵秀鳳，張劍，張宏民. 數(shù)學(xué)建模[M].北京航空航天大學(xué)出版社，2011.

DU X F， Zhang J， Zhang H M. Mathematical modeling [M]. Beijing University of Aeronautics and Astronautics Press， 2011.

[2]吳孟達(dá). 數(shù)學(xué)建模教程[M]. 高等教育出版社， 2011.

Wu M D. Mathematical modeling tutorial [M]. Higher Education Press， 2011.

[3]臺亞麗，曾建潮，莫思敏. 基于靜態(tài)有向種群結(jié)構(gòu)的EPSO算法研究[J]. 太原科技大學(xué)學(xué)報，2014，35（01）：38-43.

Li Y L，Zeng J C， Mo S M to study. Based on the static Simin [J]. EPSO algorithm the population structure of Journal of Taiyuan University of Science and Technology， 2014，35 （01）： 38-43.

[4]解素雯.基于主成分分析與因子分析數(shù)學(xué)模型的應(yīng)用研究[D].山東理工大學(xué).2016.

Xie S W Principal component analysis and factor analysis model based on.2016. [D]. Application Research of Shandong University of Technology

[5]肖曉偉， 肖迪， 林錦國，等. 多目標(biāo)優(yōu)化問題的研究概述[J]. 計算機(jī)應(yīng)用研究， 2011， 28（03）：805-808. Xiao Xiao W， Xiao D， Lin J G，. Overview of research on multiobjective optimization problems [J]. computer application research， 2011， 28 （03）： 805-808.

[6]黃美華. 基于人工魚群算法的多目標(biāo)背包問題研究[D].廣東工業(yè)大學(xué) .2016.

Huang M H. Research on multi-objective knapsack problem based on artificial fish swarm algorithm [D]..2016. of Guangdong University of Technology.

[7]朱旭輝，倪志偉，程美英. 變步長自適應(yīng)的改進(jìn)人工魚群算法[J]. 計算機(jī)科學(xué)，2015，42（02）：210-216，246.

Zhu X H， Ni Z W， Cheng M Y Variable step size adaptive artificial fish swarm algorithm [J]. computer science， 2015，42 （02）： 210-216246.endprint