移动众包平台的任务定价模型优化策略研究

陈咏晖，胡矗明

(暨南大学管理学院，广东广州 510632)

最早于2005 年，刘锋提出的“威客”，是从计算机信息技术方面来诠释“众包”的商业模式。［1］2006 年，Howe 正式提出“众包”的概念，指的是一个公司或机构把过去由员工执行的工作任务，以自由自愿的形式外包给非特定的大众网络的做法［2］。通过梳理文献综合得出，众包是以网络技术为基础［3］，围绕发包方（企业）、中介（众包平台）、接包方（众包参与者）［4］，以公开号召的方式进行的互惠互利的商业活动［5］，一个知识创造、共享、转移的过程［6］。而移动众包平台结合了移动GIS 和众包技术的优势［7］，能高效解决基于Web 端的众包平台灵活性低、运营成本高以及任务完成质量低的问题。然而，随之而来的交易信用、知识产权、人力资源及定价等关键因素都制约着众包平台的运行效能［8］。

本文主要解决移动众包平台的核心问题之一——任务定价。对于移动众包平台，如果任务定价过高，就会导致任务发布方成本支出高、收益低，反之，定价过低则会降低会员积极性以及任务完成度。国内外对移动众包平台的定价策略进行了相关研究，许多学者建立了如基于企业与会员双方的在线定价机制［9］、基于重复博弈的新型模型［10］、基于社会规范的激励协议［11］以及声誉机制［12］、基于高信誉会员优先制［13］的多指标Logistics 回归定价模型等进行定价优化，但仍受限于较强的假设条件以及静态定价模型；为提高任务接包方的参与积极性，也有学者探究接包方的内在和外在动机［14］、基于执行者意愿和任务时效［15］的定价模型等，但在效益均衡上仍存在一定的局限性。

基于此，本文从任务完成度出发，结合移动众包平台的任务定价流程，构建基于位置定位的初始定价模型，再以真实的移动众包平台为实验对象，分析影响任务完成度的影响因素，作为后续调整定价模型的参考因素。本文主要解决以下两个问题：一是影响移动众包平台任务完成度的影响因素有哪些？二是如何制定既能保证任务完成度的同时还能提高会员积极性和优化任务资源分配的定价策略？

本文的研究思路为：首先通过真实的移动众包平台数据，采用BP 神经网络建立基于定位的初始定价模型，分析及提取影响任务完成度的关键因素，根据关键因素，引入奖励函数和抢任务的概率分布函数以提高会员积极性及改进人力资源匹配，同时采用PID 负反馈网络进行完成度优化，最终实现众包双方效益平衡的目标，为移动众包平台的定价策略提供参考。

1 相关研究综述

众包平台一般是悬赏制和招标制［16］，任务定价标准并不统一，导致任务酬金差异大，对中标率、完成度都有极大的影响，如果任务定价过高，就会导致任务发布方成本支出高、收益低，反之，定价过低则会降低会员积极性以及任务完成度。

因此，针对任务定价问题，国内外学者进行了大量研究，如Mason 等［9］通过分析任务发布方和用户之间的利益关系，认为需要综合考虑用户、平台和任务发布方来设计定价模型；Singer 等［10］提出基于企业与会员双方的在线定价机制，但增加了任务选择与分配时间，影响了任务完成效率；王文杰等［17］从理论上分析平台收益、任务定价等因素的影响，建立基于随机需求的众包物流服务动态定价模型；浦东平等［18］通过综合分析用户信誉度和任务密集程度，建立多目标规划的定价模型，较好地平衡用户收益和服务成本；蒋师贤等［19］采用BP 神经网络算法，对定价规律进行学习和定价调整，突破传统的多元拟合定价模型，但推广度受到数据私密性的局限；冯云乔等［13］则建立基于高信誉会员优先制的多指标Logistics 回归定价模型，采用聚类分析进行改进，但仍受制于静态特性；李超民等［8］对此提出两种有效的分别按照任务性质以及交易方式而确定的定价方法。上述研究均综合考虑了不同的定价影响因素，系统地探索了移动众包平台任务定价的研究思路，但鲜有定价模型能综合多个因素，在均衡发包方和接包方利益的前提下保证任务完成度。

通过梳理文献，本文发现有学者曾探究发包方、接包方特征与任务完成度的关系，如Yang 等［11］在激励任务接受方层面上提出基于重复博弈的新型博弈论模型，在激励任务发布方层面则提出基于社会规范的激励协议以及声誉机制，有效地平衡众包双方的利益；王莹洁等［12］结合Wright-Fisher 模型和演化博弈理论，提出基于声誉的移动众包系统的激励机制以及信誉更新方法，实验验证了其对任务完成率的有效提高；而芮兰兰等［20］则加入惩罚机制，促使任务的高质量完成；沈怡璇等［21］借助缓冲区概念，提出基于打包策略的任务酬金定价模型，实验证明模型在任务完成率和单任务平均酬金价格上结果表现较好；梁玉秀等［22］考虑接包方的参与意愿，提出了基于时效和接包意愿的众包物流平台定价模型；仲秋雁等［23］提供了基于接包方信誉度的众包质量评估方法；严杰等［24］则发现个体有限理性水平与众包质量呈显著的正向关系。

综上所述，尽管国内外对移动众包平台的定价策略已有一定的研究成果，尤其是在定价的制约因素的考虑上不断完善，以及采取不同的分析技术、理论思想、奖惩制度等进行优化，但在效益均衡上仍存在一定的局限和挑战，尤其是如何保证任务完成度，综合多个因素，建立能均衡众包双方利益的定价优化策略方面。基于此，本文通过真实的移动众包平台数据，模拟移动众包平台一般的定价流程，采用BP 神经网络建立基于任务定位的初始定价模型，分析及提取影响任务完成度的关键因素，根据关键因素，引入奖励函数和抢任务的概率分布函数以提高会员积极性及改进人力资源匹配，同时采用PID 负反馈网络进行完成度优化，最终实现众包双方效益平衡的目标，为移动众包平台的定价策略提供参考。

2 研究流程与方法

2.1 定价优化流程

已有的移动众包平台的定价模型一直致力于均衡众包双方的效益，基于此，本文定价优化流程为：首先，对移动众包平台的会员编号、信誉度、任务内容、任务时间、任务位置等信息进行数据采集和处理，构成任务数据集；采用BP 神经网络进行初次的基于位置的定价模型构建；提取任务完成度的关键影响因素，根据关键因素，针对性引入奖励函数和抢任务的概率分布函数，并采用PID 负反馈网络优化完成度，最终形成定价优化模型，输出针对性的定价调整方案。

2.2 BP 神经网络

BP 神经网络属于一种误差反向传播的神经网络学习算法，由一个输入层，一个或多个隐含层和一个输出层构成，每一次由一定数量的神经元构成。相邻层之间各神经元进行全连接，而每层各神经元之间无连接，网络按有教师示教的方式进行学习，当一对学习模式提供给网络后，各神经元获得网络的输入响应产生连接权值，然后按减小输出与实际输出误差的方向，从输出层经各中间层逐层修正各连接权值，回到输入层。此过程反复交替进行，直至网络的全局误差趋向给定的极小值，即完成学习的过程［25-26］。BP 神经网络结构见图1。

图1 BP 神经网络结构

其中，BP 神经网络由多个人工神经元组成，每个人工神经元属于一个多输入、单输出单元，当神经元j有多个输入xi(i=1,2, ,m)和单个输出yi时，输入和输出的关系表示为：

其中，θj为阈值，wij为从神经元i到神经元j的连接权重因子，f(sj)为传递函数，或称激励函数。

2.3 PID 负反馈网络

PID 负反馈网络属于过程控制中一种，主要按偏差的（proportional）、积分（integral）、微分（derivative）进行的控制。在PID 负反馈网络模型里，比例、积分和微分三个环节相互关联，每个环节的作用各不相同：（1）比例环节：成比例反映控制系统偏差信号，一旦产生偏差，调节器立即成比例控制，通过加大比例系数，可以减小系统稳态误差；（2）积分环节：提高系统无差度以消除稳态误差，其中，积分时间常数决定积分作用的强弱，常数越大，速度越慢，作用越弱；（3）微分环节：预测偏差信号变化趋势，反映变化速率，通过引入有效的修正信号以加快系统响应速度，减小调节时间［27］。PID 负反馈网络结构见图2。

图2 PID 负反馈网络结构

PID 负反馈网络的控制规律可表示为：

3 研究结果与分析

3.1 数据采集及处理

本文选取MCM 的数据源［28］，研究对象为某移动众包平台的任务数据，通过对数据进行清洗和处理，删除缺失记录，最终形成两份文档，分别为：（1）已结束项目的任务数据，包含每个任务位置（经纬度）、定价和完成情况（“1”表示完成，“0”表示未完成），共835 个任务；（2）会员信息数据，包含会员位置（经纬度）、信誉值、任务开始预订时间和预订限额，共1 877 名会员。

3.2 基于定位的BP 神经网络定价模型

根据移动众包平台的一般定价流程，原始的任务定价主要是由任务发布方根据成本、位置定位等因素而确定价格，本文采用MATLAB R2018a 软件，根据已有的任务位置数据，运用BP 神经网络建立基于位置信息的初始定价模型，对应任务发布方的初始定价的阶段。

以任务位置的经纬度为输入，任务价格为输出，以BP 神经网络来对数据进行预测，设置隐层函数为tansig，输出函数为purelin，隐层神经元为50，学习速度为0.01，训练次数20 000 次，假设任务在发布之后，存在一段时间能给会员进行抢单，得到结果见图3 和图4。由图可得，对于模型预测的线性关系达到了0.750 8，模型训练较为准确。

图3 BP 神经网络模型数据预测结果

图4 BP 神经网络模型线性拟合结果

3.3 任务完成度的影响因素分析

根据移动众包平台的一般定价流程，平台会根据任务点相关因素，例如会员信誉度、所处位置特征等而进行定价调整。因此，本文基于已结束项目的任务数据和完成度情况，采用SPSS Statistics 25.0分析和提取任务完成度的影响因素，为后续的优化定价作基础。

影响因素一：任务定价。绘制任务定价和未完成任务占比的关系折线图发现，在低定价区域，价格位于（65 元，67 元）区间内的未完成度超过0.5；而在高定价区域，位于（73.5 元，74.5 元）区间内未完成度高达0.8；在任务价格更高的区域（75 元以上），由于会员能力较高且任务成功领取的比例较少，因此未完成程度较低。

影响因素二：区域经济发展水平。通过结合百度地图和任务的位置定位数据标出任务的实际地区名，绘制任务发布地区和相应的完成度关系折线图，分析可得不同的城市的任务完成情况为：东莞＞佛山＞广州＞深圳，对应的经济发展水平为：东莞＜佛山＜广州＜深圳，经济发展水平强的城市，人均收入相对更高，完成任务所带来的经济收益比正常工作相同时间产生的收益更低，任务奖励金额也未达到该城市的平均期望，因此完成度相对较低。

影响因素三：会员信誉度。通过筛选高信誉度（信誉度＞1 000）的会员位置和已完成项目的任务位置，绘制散点图可见，高信誉度的会员聚集的区域与已完成任务的位置区域重叠区域为广州和深圳，会员信誉越高，任务完成越有保证。

3.4 定价优化模型

根据提取到的三个影响因素：任务定价、区域经济发展水平以及会员信誉度，本文在初始的定价模型里，针对性地引入奖励函数、概率分布函数，通过PID 负反馈网络对定价模型进行优化，模拟移动众包平台的价格调整过程。

（1）奖励函数。

引入奖励函数提高会员的积极性和主动性，增加领取任务的数量。奖励函数表示为：

考虑到奖励制度与处罚制度需要随着连续同种情况（连续完成，连续不完成）的发生而有所加强，为此再引入信誉计算方式：

1）当接受任务后并完成任务时：

2）当接受任务后没有完成任务时：

其中，ct为完成任务后的信誉积分，ct-1为接受任务前的信誉积分，n为连续完成任务的次数，当出现接受任务之后没有完成的情况下，n重新从0开始计算。

（2）概率分布函数。

引入概率分布函数，以此提高同一个时间段信誉度高的人抢任务的成功率，同时不至于让信誉度低的人不能完全抢不到任务。以S 型函数作为抢任务的概率分布函数：

（3）PID 负反馈网络。

采用PID 负反馈网络对定价模型进行调整，提高任务完成度。根据PID 负反馈网络控制规律，假设当前的任务定价为，经历一次调整后的任务定价为经历了次调整后的任务定价为，任务完成度为。假设某个地区的任务完成情况的理想状态为0.8 以上，以现在的任务定价为基础开始做一次调节（若完成度在［0.8,1)，则不做调整），若完成度过小则增大任务定价到，再投入测试，若在当前任务定价所对应的任务完成度符合条件则停止调节，以作为该地区的平均任务定价，不断重复上述步骤。

由于PID 负反馈网络的条件是连续的，因此本文假设调整的最大范围为10，调节关系为10×d，则有：

客户的实际平均收入的计算公式为：

经过上述优化流程，最终形成移动众包平台的定价优化模型。本文设定理想的任务完成度为0.8，假设会员领取任务后一定会完成，且会员领取到任务后会在规定时间内完成。任务价格修订后的各地区单任务平均价格和完成度预测见表1。任务定价优化前后单任务平均价格和完成度对比见图5 和图6。

图5 单任务平均价格调整前后结果对比

图6 任务价格调整前后完成度对比

表1 调整后的各地区单任务平均定价及完成度

形成的定价优化策略如下：

1）对于原来完成度为1 的地区，即东莞市、佛山市高明区、佛山市三水区、广州市从化区、广州市增城区，将适当地降低平均任务定价，因而原本完成度为1 的地区，其完成度会有所下降，由于存在奖励机制，完成度不低于0.98。

2）对于原来完成度较高的地区（0.8～0.99），即佛山市南海区、广州市南沙区，将不改变现在的平均任务定价，完成度没有影响，保持在0.9 以上。

3）对于完成度相对较高的地区（0.4～0.79），即佛山市顺德区、广州市番禺区、广州市海珠区、广州市白云区、广州市花都区、广州市荔湾区、广州市萝岗区、深圳市南山区，将轻微上调现在的平均任务定价，完成度都提升到0.8 以上。

4）对于完成度较低的地区（小于0.4），即佛山市禅城区，广州市黄埔区，广州市天河区，广州市越秀区，深圳市宝安区，深圳市福田区，深圳市龙岗区，深圳市罗湖区，深圳市盐田区，将大幅度上调现在的平均任务定价，任务完成度也得到极大提升，均在0.8 以上。

3.5 调整结果对比

为了检验本文提出的定价优化模型的有效性，以任务完成度和各地区任务平均定价作为指标进行对比分析，原始模型数据采用已结束项目的任务数据，指标结果对比见表2。

表2 模型结果对比

通过结果对比可以看出，在任务平均定价上，本文的定价优化模型比原始模型降低了0.20 元，表明定价优化模型能有效降低任务发布者的成本，提升收益；在任务完成度上，定价优化模型相比于原始模型提升了0.343。可见，使用本文的定价优化模型，能有效地平衡成本支出以及完成度的关系。

4 结论与展望

基于以往的研究成果，本文按照众包平台一般的定价流程，提出利用真实众包数据来建立定价模型，将BP 神经网络、奖励函数、概率分布函数以及PID 负反馈网络应用于优化定价模型，实现保证完成度的前提下，均衡双方效益。本文首先采用BP 神经网络建立基于定位的初始定价模型，分析影响任务完成度的关键因素，根据关键因素，针对性引入奖励函数、概率分布函数以及PID 负反馈网络进行优化，提出定价优化策略。

定价优化模型具有如下优点：（1）引入奖励函数，根据会员信誉度确定奖励金，根据任务完成情况调整会员信誉度，提高会员的积极性和主动性，增加领取任务的数量；采用增长速度缓慢的对数函数的运算方式，在防止奖励过于巨大的同时，还可以避免太容易得到最高奖励使得信誉度区分不出奖励的差别；（2）引入概率分布函数，根据会员信誉度确定抢任务的成功率，提高同一个时间段信誉度高的人抢任务的成功率，同时让信誉度低的人不至于完全抢不到任务；（3）引入PID 负反馈网络，有效提高整体完成度和减少某些地区定价不规范等情况。通过真实数据的实证分析，结果表明：本文设计的定价优化模型整体表现较好，在任务平均定价上，定价优化模型比原始模型降低了0.20 元，有效降低任务发布者的成本，提升收益；在任务完成度上，定价优化模型比原始模型提升了0.343，有效提高完成度。

但本文也存在一定的不足：一是BP 神经网络在节点过多的情况下容易出现过拟合现象，即使训练样本预测准确，其他样本预测误差也可能较大；二是实证数据不够完整，某些任务定价会存在不合理的结果，出现偶然性的概率大大增加；三是可能会存在较大滞后性，由于信息不连续，基于PID 负反馈网络优化的定价模型计算和输出效率会受到限制，考虑未来可以通过实时数据传输解决。随着众包创新的发展和研究的深入，本文认为众包平台在未来可以进一步探究以下问题：（1）探究不同类型的众包平台的定价机制，例如科研众包、品牌创意、医疗众包等，从平台特征、任务特征、发包方和接包方的特征等多角度进行综合考虑［29］；（2）探究众包平台的任务完成度的评估指标，识别影响任务完成度的风险因素，构建众包平台的任务完成风险规避措施，切实提高任务完成度。