供需模型在众包平台定价中的应用

付宇婷 陈凌峰 余盈 李祥凤

摘 要 以众包平台为对象，基于已有数据，考虑供求关系，通过因子分析法对原始数据加以处理，建立任务的定价模型.在实际应用中，可以对分布密集的任务进行打包，并给出针对这种情况的定价模型.结果表明：提出的模型不仅考虑了会员人数与任务数量的关系，还考虑了个人需求的差异，提高了任务的完成度，对众包平台定价的发展与完善有着重要的意义.

关键词 众包;供需关系;因子分析法;多层感知器神经网络

中图分类号 F49   文献标识码 A

Abstract Taking the crowdsourcing platform as an object and considering the relationship between supply and demand， the factor analysis was used to deal with the original data and the task pricing model was establish based on the existing data， use. The results show that the proposed model not only considers the relationship between the number of members and the number of tasks， but also considers the differences of individual needs， improving the degree of completion of tasks， which is of great significance to the development and improvement of the pricing of crowdsourcing platform.

Key words crowdsourcing; supply and demand relationship; factor analysis; multilayer perceptron neural networks

1 引 言

众包并不是一个新的现象.类似众包的形式，最早可以追溯到1714年，当时英国政府为了找到定位海洋中船只位置的方法，发起了一个提供现金奖励的众包活动[1].然而，近年来，新兴互联网企业商业模式的巨大成功，又引起了实业界和学术界对众包的关注[2].2005 年中国学者刘锋就提出“威客”一词，侧重从计算机（ 信息） 技术方面来阐释“众包”商业模式[3].这种商业模式符合市场激烈竞争节约运作成本的需要，同时也能满足网络时代客户参与产品设计和服务规划的需求，把设计、生产和销售等环节联系起来，更大程度上避免了产品设计生产和客户需求的脱节，节约了社会资源，使企业的生产和服务更加高效.另外，企业外部大众成为取之不尽、用之不竭的创新源，这是企业在市场竞争中立于不败之地的重要因素[4].近年来，Enrique Estellees-Arolas[5]、Bayus[6]、Vuculescu[7]等学者多从管理或技术角度对众包模式、众包任务、众包网络平台等方面研究众包，鲜有从供需关系角度对众包及其特殊性进行剖析.

在实际应用中，众包平台还不够成熟，存在许多问题，而这是理论知识解决不了的，需要基于实际应用的数据进行研究.基于实际的数据可知，众包模式下存在的问题主要是悬赏金较低、分配制度不公、交易作弊等.而造成这些问题的根本原因还是供求关系的不匹配.从供需关系角度进行剖析，可以解决实际应用中所存在的许多问题，既能降低每个项目的成本，还能提高任务的完成度.而这是学者们很少涉及的方向.

传统的市场调查方式成本大、周期长且效率低，基于移动互联网的自助式劳动众包平台利用互联网技术，创新了市场调查方式.“拍照赚钱”是完成众包平台任务的一种自助式服务模式.用户下载APP，填写注册信息，注册成为APP的会员，然后以会员身份从APP上领取需要拍照的任务（比如上超市去检查某种商品的上架情况），赚取APP对任务所标定的酬金.因此APP成为该平台运行的核心，而APP中的任务定价（APP后台程序中的任务定价模型与定价算法）又是其核心要素.如果定价不合理，有的任务就会无人问津，而导致商品检查的失败.因此，建立一个合理的任务定价模型，并设计其高效的算法，让APP定价更合理、提高任务完成度，对APP有重要作用.已知APP原定价模型为：P=75.17-0.05N[8].在此定价模型下制定的价格，只是简单考虑了供需关系中会员人数与任务数量的关系，没有考虑到每個人的信誉，以及由信誉决定的会员的任务预定限额和预订时间.必然而然会致使部分地区供需关系与实际相差较大.实际上，每个会员由于信誉、限额与预定任务开始时间的不同，每个人的任务完成能力是不同的，同时对任务的需求也不一样，不能简单地把每个人当成了同等接单能力的人.下面，将完整考虑这些因素，建立新的合理的定价模型.

2 模型的建立

原有的定价模型是根据供需度来计算价格，也有其一定的合理性.他设置了一个对于供需度来说合适的价格模型，即APP原来设置的定价参数k.k描述的是一个在供需度确定情况下合理的定价参数.所以在供需度正确的情况下，k这个定价参数是合理的.

在基于这个参数k是合适的情况下，用信誉、限额、预定任务开始时间对不同的人的接单能力加权，得到实际的供需状况，来对定价模型进行改进.

2.1 模型假设

1）假设会员都是理性人，只在一定范围内完成任务;2）假设同一个项目中的不同任务是同等重要的，防止人趋向某一个重要的任务，导致其他任务无人完成;3）假设是一个平面，不考虑地形因素的影响.

2.2 會员信誉各因素的因子分析

由于信誉、限额明显呈正相关，为了得到一个合理的加权权重，采用了因子分析法，得到了一个最终的因子得分 （得分即代表了一个会员的接单能力），结果见表1～4.

由表2所示，因子F1对3个变量的因子载荷分别是0.74，0.44和0.22，说明因子F1主要可由信誉度和预定任务限额解释.因子F2对3变量的因子载荷分别是0.29，-0.22，0.92，说明因子F2主要由预定任务开始时间解释.由于F2由开始时间表示，说明，因子得分越大则表示接单的时间越晚;因子得分越小则表示接单的时间越早.即F2越小说明会员的能力越高.所以可知最终因子得分的公式为：

2.3 加权定价规则

用最终因子得分作为一个人接单能力的权重，代入原定价模型P=75.17-0.05N，计算N2.

得到新的的定价模型：

3 模型的应用

在某些地方，例如城市的中心，任务的分布非常的密集，如果还是按照之前的定价模式，可以发现在任务分布密集的地方经常存在着任务无人接单的情况.基于这种情况，考虑到可以用打包这种方法进行解决.打包，减少了选择任务分散的情况，促使人们趋向于往同一块地点去接任务，减少盲目性和竞争性.所以，在这种情况下，包内任务的价格可以根据任务数量的上升而单价适当减小.之前已经基于供需关系求出每个任务的单价，现在仅仅只对“打包”现象进行分析，改善之前的定价模型.

3.1 折扣定价

在原有价格的基础上，考虑一个折扣因素f，包内任务的价格可以根据任务数量r的上升而折扣越大（表现为f越小），但最终任务单价F降低到一个阈值不再下降，表现为会员不再愿意为这个低价格接单.

p′为打包后的单价，p为未打包的单价.

包内任务单价的减小多少和r的数量有关，但价格是由供需度决定的，而供需度又是由会员分布和任务分布决定的，所以价格不会很大幅度的下降.

原始数据中，[8]任务最高价为85，最低价为65，所以可以认为降价的阈值为65. 通过计算可知，若k定为0.01，则价格从85降到65所需的次数为23次，是较为合理的.所以定k=0.01.

3.2 打包情况下对于任务完成度影响的分析

由于把多个比较集中的任务打包一起发布，一个人所完成的任务数量增加了，任务密集处未被完成的订单数会相对应的减少.所以，在打包的情况下，任务的完成度会提高.针对任务分布密集区域的模型改进是有意义的.

4 结 论

新建立的模型与原模型相比除了考虑了供需关系中会员人数与任务数量的关系，还考虑到了每个人的信誉，以及由信誉决定的会员的任务预定限额和预订时间等.通过BP神经网络进行评分可知，原模型的得分为522，新模型的得分为654，新模型的分数比原模型高很多，由此可知新模型确实比原模型要合理许多，不但降低了每个项目的成本，还提高了任务的完成度，同时还解决了实际应用中所存在的悬赏金较低、分配制度不公、交易作弊等问题.[9]

在未来对众包平台的研究中，可以多从供需关系的角度基于理论应用实际中的数据来进行研究.供需模型在众包平台中的应用也是众包研究未来的发展方向之一.

参考文献

[1]WEXLER M N. Reconfiguring the sociology of the crowd： exploring crowdsourcing[J].International Journal of Sociology and Social Policy，2011（31） ： 6-20.

[2] 严杰，刘人境，刘晗. 国内外众包研究综述[J].中国科技论坛，2017 （8）：59-68.

[3] 林素芬，林峰. 众包定义、模式研究发展及展望[J].科技管理研究，2015（4）：212-217.

[4] 林素芬. 众包商业模式特殊性的理论诠释[J].长春大学学报，2013（5）：544-546.

[5] ESTELL S，GONZ L NDEGUEVARA F. Towards an integrated crowdsourcing definition[J]. Journal of Information Science，2012（2） ： 189-200.

[6] BAYUS B L. Crowdsourcing new product ideas over time： an analysis of the Dell IdeaStorm community[J]. Management Science， 2013（1） ： 226-244.

[7] VUCULESCU O，BERGENHOLTZ C. How to solve problems with crowds： a computer-based simulation model[J].  Creativity and Innovation Management，2014（2） ： 121-136.

[8] 中国工业与应用数学学会.B题.高教社杯全国大学生数学建模竞赛[Z].北京：高教社杯全国大学数学建模竞赛，2017.

[9] Matlab 数据可视化（5）：二维数据可视化[EB/OL]（2013-11-15）[2017-09-17]. http：//www.360doc.com/content/13/1115/11/13613100_329372030.shtml.