众包模式下的定价方案研究

武建辉

摘 要：拍照上传后线上领取酬金是众包平台的一种商业项目。本文旨在分析任务定价及制定优化方案。

以任务的位置和贡献度为指标，构建二元非线性拟合模型。将数据以价格相同划分后输出定价等高图，计算出每个区域的中心点和核心点（22.96，113.42）之间的距离，得到距离-定价矩阵。从而将经纬度转化成距离，再分析贡献度的影响。最后利用进化粒子群优化算法得到定价规律方程。以附件二和问卷数据提出的会员位置、距离等六个因素为基础，通过绘制任务和会员的位置分布散点图，建立影响因素的指标体系。采用主成分分析和因子分析法计算相应得分。分析出未完成的原因主要是距离拍照地点较远以及定价比预期收益低。

关键词：二元非线性拟合模型；进化粒子群优化算法；模糊神经网络模型；改进的人工鱼群算法

1模型建立和求解

1.1问题一的模型建立和求解

求出任务定价规律的实质就是需要求取附件一对应数据的定价回归方程。通过分析，判断出制定该价格的决定性因素是任务位置和任务贡献度。所以搭建二元非线性拟合模型[1][2]并求解来得出定

1.1.2二元非线性曲线拟合模型的求解

使用EPSO算法[3]对模型进行求解，，将待拟合的参数组合看作一个粒子，代表一个最优候选解将待拟合参数的个数定义为粒子的维数。

1.1.3 运用主成分分析来选取影响完成度的因素

首先通过810份调查问卷来调查广东省使用该APP的会员完成任务情况，问卷的有效回收率为98.76%，因此利用800组样本数据来分析。

分别根据公式计算出两个主成分得分，再以各主成分的贡献率为权重对主成分[4]得分进行加权平均，最后得出主成分综合得分，并对50个样本进行排名，综合排名见附录。因此，影响完成度的因素最终确定为距拍照地点的距离和会员的预期收益与实际价格的差值。最后结合附件一以及调查问卷的结果来分析，距离越远，会员的预期收益与实际价格的差值越大，说明完成度越低。距离越近，会员的预期收益与实际价格的差值越小，说明完成度越高。其他条件不变的情况下，距离与完成度成反比；会员的预期收益与实际价格的差值和完成度成反比。

1.2问题四模型建立和求解

1.2.1多目标优化模型的建立

通过上述几个问题的分析，相关变量选取越充分，模型的可靠性和方案的可施行性越高。所以我们在基于上述几个问题分析出的各项因素上，进一步深入考虑。从多角度全方位的切合实际情况分析定价方案。故建立出多目标优化模型[5]。

從任务发布平台来考虑：选取会员数量、竞争性价格、任务贡献度、信誉度作为指标进行优化；对于平台来说总的运营成本一直在追求最低，也近似认为运行成本就是拍照所付出的酬金。从实际问题分析，当一个方案所需的成本越低越容易被公司施行，所当一个地区分布的会员数量较多时价格便可相对放低；当该任务对公司的贡献度越高，也就是此任务完成后能给公司带来的效益越高定价便可升高；周边的同类型的商家竞争越高，为提高竞争，定价自然升高.

分析出这些外部因素对定价方案的影响，从而增加方案的企业可行性。现在从会员心理因素的角度，选取预期收益、预期努力、个人时间宽裕度作为指标，分析出这些内在因素对定价方案的影响，从而增加方案的个人可行性：

通过处理数据后得出个人时间不充裕却依旧去执行任务的仅仅只占6.74%，远远小于50%。所以要完成或者执行任务的前提的需要个人时间足够充裕。所以下面的研究便默认在个人时间均充裕的前提下：

从实际情况出发，只有当定价减去预期收益后的差值 或者预期收益减去定价在 范围时才考虑会去执行任务。考虑数据太多，在此仅举出15个预期收益-定价差值数据如下表：分析预期努力的影响度，通过上面的表格可以看出，当预期努力 时会员绝大多数都会去选择执行任；但是当任务的预期努力 会员肯定不会去执行任务.

1.2.2多目标优化模型的求解

使用改进的人工鱼群算法[6，7]计算出最优解，当人工鱼（此处为变量）的数目越多，该算法跳出局部最优解的能力越强，同时此算法的收敛速度也在不断加快。

2结论

本文在分析总结线上公司对众包的定价规律时，由于定价最初是不合理的，于是先从简单的距离和贡献度2个因素来考虑。得出的定价规律方程体现了一定程度的规律性。再以信誉度、贡献度、会员分布密度、竞争性价格、预期收益、预期努力及个人时间宽裕度作为优化指标分析这些因素对定价的影响。把问题极大的逼近现实化，从实际出发，多方面研究影响定价的因素。改进人工鱼群算法来求解建立出的多目标优化模型，避免局部最优解，得到最佳定价方案。方案切实可行，实际意义较大，可以延伸至网络经济领域的定价问题研究上，有一定的参考价值。

参考文献：

[1]堵秀凤，张剑，张宏民. 数学建模[M].北京航空航天大学出版社，2011.

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

[2]吴孟达. 数学建模教程[M]. 高等教育出版社， 2011.

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

[3]台亚丽，曾建潮，莫思敏. 基于静态有向种群结构的EPSO算法研究[J]. 太原科技大学学报，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.基于主成分分析与因子分析数学模型的应用研究[D].山东理工大学.2016.

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

[5]肖晓伟， 肖迪， 林锦国，等. 多目标优化问题的研究概述[J]. 计算机应用研究， 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]黄美华. 基于人工鱼群算法的多目标背包问题研究[D].广东工业大学 .2016.

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

[7]朱旭辉，倪志伟，程美英. 变步长自适应的改进人工鱼群算法[J]. 计算机科学，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