眾包模式下的定價方案研究

武建輝

摘 要：拍照上傳后線上領取酬金是眾包平臺的一種商業項目。本文旨在分析任務定價及制定優化方案。

以任務的位置和貢獻度為指標，構建二元非線性擬合模型。將數據以價格相同劃分后輸出定價等高圖，計算出每個區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。從而將經緯度轉化成距離，再分析貢獻度的影響。最后利用進化粒子群優化算法得到定價規律方程。以附件二和問卷數據提出的會員位置、距離等六個因素為基礎，通過繪制任務和會員的位置分布散點圖，建立影響因素的指標體系。采用主成分分析和因子分析法計算相應得分。分析出未完成的原因主要是距離拍照地點較遠以及定價比預期收益低。

關鍵詞：二元非線性擬合模型；進化粒子群優化算法；模糊神經網絡模型；改進的人工魚群算法

1模型建立和求解

1.1問題一的模型建立和求解

求出任務定價規律的實質就是需要求取附件一對應數據的定價回歸方程。通過分析，判斷出制定該價格的決定性因素是任務位置和任務貢獻度。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]對模型進行求解，，將待擬合的參數組合看作一個粒子，代表一個最優候選解將待擬合參數的個數定義為粒子的維數。

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份調查問卷來調查廣東省使用該APP的會員完成任務情況，問卷的有效回收率為98.76%，因此利用800組樣本數據來分析。

分別根據公式計算出兩個主成分得分，再以各主成分的貢獻率為權重對主成分[4]得分進行加權平均，最后得出主成分綜合得分，并對50個樣本進行排名，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期收益與實際價格的差值。最后結合附件一以及調查問卷的結果來分析，距離越遠，會員的預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多目標優化模型的建立

通過上述幾個問題的分析，相關變量選取越充分，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。故建立出多目標優化模型[5]。

從任務發布平臺來考慮：選取會員數量、競爭性價格、任務貢獻度、信譽度作為指標進行優化；對于平臺來說總的運營成本一直在追求最低，也近似認為運行成本就是拍照所付出的酬金。從實際問題分析，當一個方案所需的成本越低越容易被公司施行，所當一個地區分布的會員數量較多時價格便可相對放低；當該任務對公司的貢獻度越高，也就是此任務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可行性。現在從會員心理因素的角度，選取預期收益、預期努力、個人時間寬裕度作為指標，分析出這些內在因素對定價方案的影響，從而增加方案的個人可行性：

通過處理數據后得出個人時間不充裕卻依舊去執行任務的僅僅只占6.74%，遠遠小于50%。所以要完成或者執行任務的前提的需要個人時間足夠充裕。所以下面的研究便默認在個人時間均充裕的前提下：

從實際情況出發，只有當定價減去預期收益后的差值 或者預期收益減去定價在 范圍時才考慮會去執行任務。考慮數據太多，在此僅舉出15個預期收益-定價差值數據如下表：分析預期努力的影響度，通過上面的表格可以看出，當預期努力 時會員絕大多數都會去選擇執行任；但是當任務的預期努力 會員肯定不會去執行任務.

1.2.2多目標優化模型的求解

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

2結論

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

參考文獻：

[1]堵秀鳳，張劍，張宏民. 數學建模[M].北京航空航天大學出版社，2011.

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

[2]吳孟達. 數學建模教程[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. 基于靜態有向種群結構的EPSO算法研究[J]. 太原科技大學學報，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學模型的應用研究[D].山東理工大學.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. 多目標優化問題的研究概述[J]. 計算機應用研究， 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背包問題研究[D].廣東工業大學 .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. 變步長自適應的改進人工魚群算法[J]. 計算機科學，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