基于ELM算法的智能快遞柜逾期計費模型研究*

□ 林紹丹，謝如鶴，徐釗楷，施宇鴻

(廣州大學 工商管理學院，廣東 廣州 510006)

1 引言

2020年初新冠疫情背景下，快遞柜成為解決最后一百米交付的有效載體，但同時關于逾期收費的問題也逐漸受到公眾的高度關注。一方面，隨著線上電商的快速發展，智能快遞柜因解決了末端交付的時間窗、效率及安全性等問題，而充分享受了物流配送行業成長的紅利，但另一方面，智能快遞柜的初始投入及運營維護投入成本較大，不少快遞柜供應商以逾期收費作為資金回籠的渠道之一。

2019年10月1日起施行的《智能快件箱寄遞服務管理辦法》中明確表示：企業使用智能快件箱投遞快件應征得收件人同意，投遞快件后應及時通知收件人[1]；應提供合理的保管期限，且在保管期限內不應單獨收取服務費用。這在一定程度上將智能快遞柜的選擇權交給消費者，而企業也不得不做出讓步，但《辦法》中也表示，快遞柜服務屬于公共服務領域，在實踐中應發揮其優勢，逐步將智能快遞柜發展為城市快遞末端服務的重要組成部分。從長遠角度來看，快遞柜的布局有一定的戰略意義，因此,剔除逾期收費中的盈利部分，確定逾期邊際成本是快遞柜收費良性發展的關鍵[2-3]。

2 快遞柜收費現狀

快遞柜行業在中國仍處在早期布局階段，普及率并不高，且快遞柜的收益來源較為單一[4]，但在成本端，根據推薦性行業標準《智能快件箱》(YZ/T0133-2013)里對智能快遞柜尺寸以及包括攝像頭和控制區的配套硬件等的規定[5]，快遞柜的生產成本具有一定剛性，而資金回籠的主要面向對象是在配送末端受惠的配送員，而逾期收費模式主要包括定額收費和打賞模式，隨著打賞模式向定額收費模式轉變，用戶對快遞柜收費標準及其合理性的關注度也日益提高[6]。用戶對于逾期取件收費普遍表示理解，但是對使用快遞柜的選擇權、快遞保管期限以及逾期收費標準仍存在爭議。魏文彪認為，多數快遞員未征得用戶同意將快遞放入快遞柜，在已收取快遞員繳納的使用費后再向用戶收費，屬于違法的二次收費[7]；沈玲芳認為，快遞柜收費是必然的趨勢，但應該通過使用獲得的流量與社區居民相關的服務商進行合作來獲得相應收益[8]；楊達卿也提出，快遞柜是消費流量的重要引入口，打通快遞柜和線上平臺才能實現更多元化的服務[9]。這些觀點指出了快遞柜企業的收益來源應通過擴展快遞柜的價值來實現，并主要以此來彌補成本，而逾期費用則應盡可能反映逾期取件帶來的邊際成本，任震宇表示，只有科學合理地確定免費保管期限和收費標準，才有利于形成多方共贏的局面[10]，吳學安則提出，只有讓消費者參與到決策的過程，并給消費者設定能接受的定價范圍，讓消費者滿意，才能讓行業發展壯大起來[11]。

現階段在快遞柜領域暫無快遞柜收費機制相關的研究，而在空間租用計費領域，嚴海等人以總選擇效用最大化為目標構建了浮動式的停車計費模型，且驗證了浮動式計費的調控作用優于道路系統[12]；肖本佳等人從運輸大數據平臺抽樣，以評價定平臺權重，并結合指數編制理論建立了公路運價指數計算模型[13]，據此，本文結合快遞柜的地域特點，讓用戶參與到定價過程，同時按經營效果對定價范圍設置一定的糾偏機制，綜合考慮了用戶反饋信息的特點以及學習方法的泛化性能，本文基于極限學習機算法(Extreme Learning Machine，ELM)構建了綜合考慮消費者反饋信息、管理者經驗、行業限制等因素的浮動式計費模型，以期對相關行業的定價起到一定啟發作用。

3 逾期計費模型構建

3.1 模型假設

在調查現狀的基礎上，為了將快遞柜收費模型簡化，做出如下合理假設：

①假設放入快遞柜的所有快遞都已經獲得用戶的同意才放入的；

②快遞柜有一段時間的免費放置時間，這部分時間的成本由物流企業承擔；

③假設逾期費用是用戶能接受的和能被提前預知的；

④假設快遞柜格口被打開后，必定發生了拿取或放置快遞的行為。

3.2 模型構建

快遞逾期拿取對快遞柜造成的機會成本，即逾期快遞對快遞柜后續存放快遞的影響大小，這個影響隨著快遞柜裝載率、快遞柜使用頻繁程度的變化而變化，而合理的逾期收費不僅要考慮成本，還要在一定程度上為消費者的滿意度做出讓步，故本項目還加入了消費者反饋信息與管理者干預這兩個調整因素。計費模型的計算流程如圖1所示。

圖1 新型自主學習計費策略的計算流程

其中，ELM算法的激活函數選擇“系數+閾值”，將逾期快遞所占用的機會成本用快遞員每次存放快遞時受逾期快遞影響存放的期望成本表示，同時采用系數定向調節的方式體現管理者的干預，具體建立逾期計費模型如下：

(1)

(2)

式中，C 是發生逾期之后的最終計費結果；M 是一個增益系數，表示管理者對定價的干預力量；a 和b 是通過ELM擬合算法得到的參數，它們的值沒有具體的意義；ω 是針對用戶反饋信息加入的縮放因子，用來表示消費者反饋信息的真實貢獻，相比于根據收費效果進行設置的管理者參數，縮放因子是在收費前根據區域消費群體的特征進行設置的；P表示所在地區一個快遞柜格口超時收費平均價格，元/天/格；num表示快遞柜格口的周轉率，個/天/格；demand表示快遞員平均每次投放快遞需要的格口數；N表示快遞柜的格口總數；iin表示快遞柜每次放入快遞后的滿載率；iout表示快遞柜每次拿出快遞之后的滿載率；當快遞開始逾期時，系統記錄逾期到被拿取期間的進出情況，實時生成快遞逾期的動態費用。

3.3 數據處理過程

將用戶的反饋信息劃分為9標度(1…9)，1分表示認為價格太低，以至于不合理；9分表示價格太高，以至于不合理。假設用戶對價格感知的反饋信息存在一個服從正態分布的隨機偏向，根據3σ原則，若將偏向大小范圍界定為[1/5,9/5]，σ≈0.27，即隨機數X1～N(1,0.272)，在用戶通過平臺進行價格感知反饋時對反饋信息進行無偏處理。

其次，設置極限學習機算法的超參數，ELM算法是一類基于前饋神經網絡(Feedforward Neuron Network,FNN)構建的機器學習算法，算法啟動時隨機生成輸入層與隱含層間的連接權值及隱含層神經元的閾值，且這部分參數在處理數據過程中不再調整，相比于傳統的訓練方法，ELM具有學習速度快，泛化性能好等優勢[14]。本項目設置學習周期power=30，即每有30個用戶進行反饋則系統自動調整得到新的參數，令輸入層神經元個數n=30；為了保證預測率，設隱含層神經元個數l=n=30；輸出層神經元個數m=30。

算法輸入集為用戶經無偏處理的反饋信息，期望輸出集為算法對反饋的學習效率，因為各級反饋而對快遞柜的邊際存儲費用的調整比例，由于處理后的用戶反饋是連續且不確定的，故需要對確定數據集進行擬合得到短時間一定內適用的函數，即確定式(1)中的a、b。而對于用戶的反饋需要有個循序漸進的過程，因為用戶的反饋而導致價格的劇烈波動并不可取，故本項目將9標度分別對應到價格波動區間[-0.1,0.1]的各均分位點上。

4 仿真應用結果分析

本項目采用數值仿真實驗來驗證模型效果。初始創建格口總數N=300的快遞柜研究對象，以0-1形式隨機生成格口的裝載情況；令快遞員平均每次投遞快遞的需求格口demand=100，每次的模擬需求則按正態分布X2～N(1,0.1)上下波動；根據實際的調研情況，設置P=1；假設該研究對象的逾期率是10%，快遞柜可免費保管兩天，且超過4天會面臨退回，未逾期快遞存放時長均勻分布在2天內，逾期快遞的存放時長均勻分布在2-4天，可模擬得到格口中快遞存放時長的狀態集，若存放時長為0表示未存放快遞，存放時長超過2則表示逾期，從初始開始，當快遞的存放時長大于2，則開始記錄該快遞的成本，直到快遞被提取；其中周轉率num以當天的存放量和提取量計算，管理者干預是事后糾偏，故在模擬初令M=1。

在用戶未反饋之前，需要通過調研收集潛在消費者的價格感知信息，本項目收集了30份消費者對P=1的定額收費的感知信息，經擬合得到網絡結構中的連接函數，加入縮放因子后的表達式如下：

(3)

通過MATLAB進行數值仿真，對進出快遞記錄并計算逾期快遞的費用，截取一定仿真時間范圍內的訂單逾期收費數據，本項目的仿真時間取50天，對比新型計費策略與傳統定額收費之間的差別，記錄數據如圖2所示。

圖2 逾期的快遞所需要繳納費用

從新型逾期計算費用的仿真數據來看，與傳統的定額收費之間有較明顯的差距，新型計費模型能更好地結合快遞柜的機會成本，而從模擬的收費均值數據來看，新型計費策略下逾期快遞的平均收費為1.1050元，傳統定額收費策略下則為1.4906元，說明新型計費模型能以更靈活的方式將消費者剩余價值返還給消費者，結合一般采取線性連續函數刻畫滿意度的方式[15]，可以說明新型浮動計費模型能更好優化用戶的使用體驗。

5 結論

本項目的研究可以得出更合理反映快遞柜被逾期快遞所占用的成本，該模型應用了ELM擬合算法和加入了管理者干預機制的模式，能高效率且高準確度地適應陌生的數據環境，通過數值模擬驗證了基于ELM算法的新型逾期計費模型的有效性。

未來快遞柜的收費更多是考慮如何使快遞柜用戶形成社區盈利模式，對于本身作為懲罰手段的逾期收費，若把其當作盈利點則有過分懲戒的風險，容易造成消費者滿意度下降和損害消費者權益。隨著用戶導向市場的形成，快遞柜逾期收費剔除其盈利定位的趨勢明顯，通過平衡逾期懲戒費用和消費者滿意度以維護用戶使用習慣的相關舉措，有望成為主流。