1、 1 电商发达时代新兴服务行业的定价探讨 -以“拍照赚钱”为例的定量研究 摘要 任务 定价是一个平台的核心，在一定 程度 上影响 着 商品的检查 和 预定，本文 主要 通过对附件中的数据 进行 分析 和处理 ，并且 建立相应的定价模型和方案。 对于问题一 ， 本文采用 SPSS 软件中的多元线性回归 对 附件一进行数据处理并作任务定价规律分析，同时用整体测验对所选取的影响因素进行 科学性的检验，得出任务标价规律。接着 利用奥维地图得出各个任务的具体位置，并对这些任务进行聚类分析，得到广州、佛山、深圳、东莞这几个城市任务完成率差异很大，通过对每个地区任务完成与未完成的任务 分类，进行差异性分析，
2、得出任务的标价、地理位置、地区收入、会员距任务 的远近是任务未完成的原因。 对于问题二 ， 针对定价方案 ， 影响因素 确定为收入水平、会员 离 任务的距离 、交通状况 和会员 的 信誉值。 我们 采用层次分析法， 先 确定 判断矩阵 ，然后 解得各个影响因素的权重， 对其进行一致性检验 得到 ： 影响因素 信誉 交通 距离 收入水平 权重 0.0760 0.1325 0.2780 0.5135 因此在新的定价方案中， 应当 主 要考虑当地收入水平的高低，其次再根据会员离任务 的远近 、交通状况 的好坏 和会员信誉值的高低来进行调整。 对于问题三 ， 多个任务联合打包发布， 从会员分布 的 位
3、置进行考虑， 确立意愿半径 ， 把与会员相邻距离小于一定数值的任务 打包 ，在同一意愿半径内的任务 ，优先给信誉度高的会员分配。与模型二相比，该模型的优点在于 不需要考虑会员距任务的远近对任务完成率的影响。 对于问题四 ，在给出的 GPS 数据中，需要给每一个任务进行定价，合理的定价在一定程度上会影响任务的完成率。本文采用 BP 神经网络， 筛取附件一中所有已完成 的 任务作为训练数据，其中经纬度为输入数据，任务的价格为目标数据进行训练。训练结束后将附件三中所提供的 GPS 信息导入，进行仿真模拟，可以 得出每个任务点对应的预测价格。 关键词 ： 多元 线性回归；层次分析； 意愿半径； BP
4、神经网络2 一、 问题 的背景与困境 1.1引言 商品、服务行业的定价问题事关每个人的切身利益，是大众非常关心的问题，在事关国计民生的重要商品、服务行业的定价问题上，听证会等对于人们并不陌生。马克思主义经济学原理告诉我们，价格是对商品的内在价值的外在体现。在现代社会的日常应用之中，价格一般指进行交易时，买方所需要付出 的代价或付款。对于提供商品或者服务的劳动者而言，价格是社会对于其 付出劳动的认可度。对于部分商 品，由于耐储存等特性，在大范围、长时间内的定价问题可以比较统一。 但是部分商品，例如蔬菜的价格，受地域、事件影响比较大。对于服务行业，受到消费群体规模、当 地经济发展水平等因素的影响，
5、受地域、时间等的影响就会比较大。但是对于购买商品、接受服务的个体来讲，期望的价格自然是越低越好。因此，定价问题对于涉及的诸多个体之间，是存在矛盾的，合理的定价是双方博弈的结果。 在 物流高度发达、电商无处不在的今天 ，产生了许多与传统服务行业有显著差异的职业。例如之前企业调研不同地区商品价格、产品覆盖情况等，是比较复杂的，需要花费很大人力物力（例如调研所需差旅费用等），但由于能够顾及的地域有限，往往收获的信息非常有限。但是在移动互联网高度发达的今天，这一问题有了转机，例如“拍照赚钱” 。但是，这一模式，同时也包括许多新兴服务业，面向的群体地域分布、经济状况差异较大，如何确定合理的价格并非易事。
6、许多企业主要是凭借经验进行定价，缺乏一些科学的定量分析，经常导致定价不合理。 1.2“拍照赚钱”模式介绍及问题 我们计划通过对“拍照赚钱”这一模式进行一些 定性 分析，探讨其中的定价引发的其他问题。首先，介绍一下这一模式，它是企业自己开发 APP 或者委托别的平台，将需要调研的信息发布，并公布获取信息付出的报酬。感兴趣的用户下载 APP 并注册成为会员，然后从 APP 上领取需要拍照的任务（例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。 从企业的角度，当然希望报酬（定价）越低越好，但是会 员期望自然是越高越好。当价格较高时，企业负担较重而任务完成较好； 价格较低时，
7、会出现所需信息收集偏少的情况。当价格在双方之间相对平衡时，所需信息就能够比较好的满足企业需求，同时企业的支出又在可以接受范围内。 近期，某 APP 针对珠三角的广州、东莞、深圳和佛山四地进行了一场调研。虽然该 APP 拥有的注册会员人数远远超过任务数，但是这一任务的完成率非常低，而且不同地域的完成率差异非常显著。特别是在市场巨大的两个城市，获取的信息非常少，从而导致获取的数据无法对于进一步的企业行为进行指导。 同时，在任务完成不好的地区，又拥有非常多的注册会员。因此，一个比较3 明显的问题就是任务支付的报酬偏低。但是，对于企业，如果通过提高这些地区的服务报酬，就增加了企业的负担。如何通过价格调
8、整，保证后续任务较高的完成率又不增加企业负担，就是 APP 运营商面临的问题。 1.3需要解决的问题 对于运营商而言，重新制定价格并要保证企业以及会员的双赢，仅仅通过一些经验的判断还不够充分。如果能够在历史数据的基础之上，对于价格的调整、任务的发布进行一些定量分析，并提出一些定量的调整策略，那将对于后续任务完成率起到非常大的帮助。 首先，本文要在历史数据的基础上，进一步寻找低任务完成率地区的定价、任务数、会员数与其他数据的关联。其中关联的数据包括当地经济水平、物价指数等，这是因为这些指标对于会员的预期报酬紧密相关。通过对比，判定出不同地区的相对价格高低，并与现有定价方式比较，分析得到一些结论，
9、为进一步的价格 调整提供定量参考并修 正 现有的定价方案。 其次， APP 运营商也有一些其他提高会员个人收益的设想。实际上，有许多会员可同时接受好几个任务并且完成的非常不错，并且已经有一些现成的统计数据。如果几个任务距离很近但同时被一个会员接受，那么他就可以在交通方面花费较少时间完成几个任务，完成单个任务的平均时间就会缩短。这样即使单个任务价格稍低，会员也会乐意同时接受几个邻近地区的任务。如果价格不是太低，该会员的平均收益率还是可以接受的。如何结合地域、会员个数、会员可承担任务最大值、会员信誉度等进行任务打包发送，是本文要解决的 另一重要问题。 最后，对于这些方案的合理性，还将进行数值仿真。
10、一方面，在历史任务中，将调整过后价格分布与任务未完成情况对比，对于预期完成率给出一个直观的刻画。其次，对于新的任务，依据新的定价方案，将任务进行打包发送，并给出相应定价方案。此外，还将深入分析有关不足，为进一步价格调整做好准备。 二、模型假设与符号说明 2.1模型的假设 在问题中，为了简化问题的复杂度，做出以下假设： （ 1） 企业发布任务目的是完成任务，因此假设的题中所以的任务地点均可到达、所以任务都能完成； （ 2） 假设所给数据真实可 靠； （ 3） 假设文中所引用的文献和结论都正确可靠 ； 4 2.2符号说明 符号 符号说明 X 影响因子 Z 成分 CI 一致性指标 CR 一致性比例
11、R 意愿半径 P 价格 max 最大特征根的平均值 ij 影响因子对成分的影响大小 三、问题分析 3.1问题一的分析 针对问题一 :首先通过对附件一进行数据处理， 需要对众多影响因素进行筛选，我们可以采用 SPSS 软件中的多元线性回归拟合作任务定价规律分析，同时用整体测验对所选取的影响因素进行科学性的检验，得出任务标价规律。其中，整体性测验试验，着 重做离散程度、集中程度两方面的统计分析。接着 利用奥维地图得出各个任务的具体位置，初步分析任务的完成与否与地区的关系。对这些任务进行聚类分析，得到广州、佛山、深圳、东莞这几个城市任务完成率差异很大，因此需要对每个城市进行定向分析，对每个地区任务完
12、成与未完成的任务做出分类，并对类的特征进行差异性分析（任务标价、地理位置、地区收入、与会员位置的远近等），分析出任务未完成的原因。 3.2问题二的分析 针对问题二：首先分析影响定价方案的各个因素，初步确定为收入水平、会员距离任务的远近 、交通状况的好坏 和会员的信誉值的高 低。我们可以使用层次分析法，确定判断矩阵，从而解得各个影响因素的权重，之后对其进行一致性检验，检验合格即可认为模型比较理想。 在收入水平、会员距离任务的远近 、交通状况的好坏 和会员的信誉值高低的基础上分析权重，建立层次分析模型，得到权重分配比，并确定各个因素对任务价格的影响。 3.3问题三的分析 针对问题三： “拍照赚钱”
13、将多个任务联合在一起打包发布，最终目的是实现公司经济效益的最大化和效率的最大化，因此问题的关键点是怎样对任务进行5 打包。我们可以从会员分布位置进行考虑，把与会员相邻距离小于一定数值的任务打包在一起 ，并且把任务距离较远但会员数量分布较少的任务也打包在一起。这样打包后，会员就能够在有限的时间逐个完成任务，实现效率的优化。并且任务合并后，每个 会员就可以一次领取多个任务，那么打包的任务标价也应当进行调整， 以实现企业经 济的最大化。此外，分配任务时还应考虑会员的信誉度，在同一区域 ，优先给信誉度高的会员分配打包任务。 3.4问题四的分析 针对问题四：在给出的 GPS 数据中，需要给每一个任务进行
14、定价，合理的定价在一定程度上会影响任务的完成率。 我们可以采用 BP 神经网络 模型， 筛取附件一中的所有已完成任务作为训练数据，其中 经纬度为输入数据，任务的价格为目标数据进行训练。训练结束后将附件三中所提供的 GPS 信息导入，进行仿真模拟，得出每个任务点对应的预测价格。 四 、 现有 定价模式的分析与评价 4.1模型的建立 Step1： 对附件一进行数据处理， 通过多元线性回归拟合曲线可以看出经纬度和完成度与任务定价成多元线性关系，建立线性回归方程 来研究附件一中的任务定价规律，并 通过多元线性回归拟合曲线可以得出经纬度和完成度与任务定价的线性关系，得到回归方程 ， 从而得出 实测值和预
15、测值之间的残值。进而为定价规律提供依据。其中以价格的变化为因变量，纬度为自变量 ，经度为 ， 完成度为 ， 累计的变化量为因变量 Y。具体执行及检验步骤如下。 利用附件一所提供的地理位置、定价和完成情况，借助 SPSS 软件 建立多元线性回归曲线。 由多元线性回归曲线中三元曲线得出模型系数，如图 1 所示 ： 1 2 3Y aX bX cX d 1x2x 3x6 图 1 模型系数图 可出看出： a=1.656 , b=0.115, c=1.735, d=16.873 由多元线性回归曲线中三元曲线方差分析可以得出： 图 2 方差分析图 可知，回归方程的 sig=00，（ ii） aji= 1ai
16、j(i， j=1， ， n) 则称之为正互反矩阵 (易见 (aij = 1， i=1,2， ， n)。 aij的 标度利用数字 19 及其倒数表示。表 1 列出了 19 标度的含义。 9 表 1 各个标度的含义 标度 含 义 1 表示两个因素相比，具有相同重要性。 3 表示两个因素相比，前者比后者稍重要。 5 表示两个因素相比，前者比后者明显重要。 7 表示两个因素相比，前者比后者强烈重要。 9 表示两个因素相比，前者比后者极端重要。 2,4,6,8 表示上述判断的中间值。 倒数 若因素 i 与因素 j 的重要性之比为 aij，那么因素 j 与因素 i重要性之比为 =1 。 对于所得的比较矩阵
17、是否接受，我们对其做一致性检验。 判断矩阵的一致性检验步骤如下： （ 1） 计算一致性指标 CI CI= maxnn1 （ 5） （ 2） 查找相应的平均随机一致性指标 RI。对 n=1， ， 9，给出 RI 的值如表 2所示。 表 2 RI 的值 n 1 2 3 4 5 6 7 8 9 RI 0 0 0.58 0.90 1.12 1.24 1.32 1.41 1.45 利用随机的方法的到 RI 的值，随机构造 500 个样本矩阵：从 19 及其倒数中随机抽取数字构造正互反矩阵，求得最大特征根的平均值 max ,并定义 RI=max nn1 。 （ 6） （ 3）计算一致性比例 CR CR=C
18、IRI （ 7） 当 CRp i=i+1; x(:,i)=A*y(:,i-1); m(i)=max(x(:,i); y(:,i)=x(:,i)/m(i); k=abs(m(i)-m(i-1); end a=sum(y(:,i); w=y(:,i)/a; t=m(i); disp(w); %以下是一致性检验 CI=(t-n)/(n-1);RI=0 0 0.52 0.89 1.12 1.26 1.36 1.41 1.46 1.49 1.52 1.54 17 1.56 1.58 1.59; CR=CI/RI(n); if CR % = NEURAL NETWORK CONSTANTS = % Inp
19、ut 1 x1_step1_xoffset = 22.49308313;112.6832583; x1_step1_gain = 1.44371504030495;1.24794728271335; x1_step1_ymin = -1; % Layer 1 b1 = -3.6117957581132223;-3.3924718651658101;1.7994141464241455;1.0381764958993331;0.18265496228876058;-2.2165570570676816;-0.74597071969385143;0.38172653742295543;7.7384
20、619868273763;2.2790557849669408; IW1_1 = 5.6317104080193667 -2.3472033854408632;2.583651730278492 3.6379805840171278;-3.319113821084092 0.35597049544647053;7.3722183178776195 18 -1.0098154976165223;3.1384970220014119 0.27189179149619597;-3.7373139538715887 -5.3925951846254812;-5.0481720355066368 0.3
21、4717392720203727;-1.8023906895024613 8.1112147906209255;7.5571639797112384 10.129335474237227;3.141475040811827 3.701054421240221; % Layer 2 b2 = 0.64950478369940357; LW2_1 = 1.6197967670416649 0.68619000466332847 2.6872718345764253 3.0272303353923706 3.9360427321570919 1.9071588997999684 5.50601841
22、42852338 0.53511277969292281 -0.95475033340601745 1.9408900257892441; % Output 1 y1_step1_ymin = -1; y1_step1_gain = 0.1; y1_step1_xoffset = 65; % = SIMULATION = % Dimensions Q = size(x1,2); % samples % Input 1 xp1 = mapminmax_apply(x1,x1_step1_gain,x1_step1_xoffset,x1_step1_ymin); % Layer 1 a1 = ta
23、nsig_apply(repmat(b1,1,Q) + IW1_1*xp1); % Layer 2 a2 = repmat(b2,1,Q) + LW2_1*a1; % Output 1 y1 = mapminmax_reverse(a2,y1_step1_gain,y1_step1_xoffset,y1_step1_ymin); end 19 % = MODULE FUNCTIONS = % Map Minimum and Maximum Input Processing Function function y = mapminmax_apply(x,settings_gain,setting
24、s_xoffset,settings_ymin) y = bsxfun(minus,x,settings_xoffset); y = bsxfun(times,y,settings_gain); y = bsxfun(plus,y,settings_ymin); end % Sigmoid Symmetric Transfer Function function a = tansig_apply(n) a = 2 ./ (1 + exp(-2*n) - 1; end % Map Minimum and Maximum Output Reverse-Processing Function fun
25、ction x = mapminmax_reverse(y,settings_gain,settings_xoffset,settings_ymin) x = bsxfun(minus,y,settings_ymin); x = bsxfun(rdivide,x,settings_gain); x = bsxfun(plus,x,settings_xoffset); end function Y,Xf,Af = myNeuralNetworkFunction(X,) %MYNEURALNETWORKFUNCTION neural network simulation function. % %
26、 Generated by Neural Network Toolbox function genFunction, 17-Sep-2017 17:11:15. % % Y = myNeuralNetworkFunction(X,) takes these arguments: % % X = 1xTS cell, 1 inputs over TS timsteps % Each X1,ts = 2xQ matrix, input #1 at timestep ts. % % and returns: % Y = 1xTS cell of 1 outputs over TS timesteps
27、. % Each Y1,ts = 1xQ matrix, output #1 at timestep ts. % % where Q is number of samples (or series) and TS is the number of timesteps. 20 %#ok % = NEURAL NETWORK CONSTANTS = % Input 1 x1_step1_xoffset = 22.49308313;112.6832583; x1_step1_gain = 1.44371504030495;1.24794728271335; x1_step1_ymin = -1; %
28、 Layer 1 b1 = -3.6117957581132223;-3.3924718651658101;1.7994141464241455;1.0381764958993331;0.18265496228876058;-2.2165570570676816;-0.74597071969385143;0.38172653742295543;7.7384619868273763;2.2790557849669408; IW1_1 = 5.6317104080193667 -2.3472033854408632;2.583651730278492 3.6379805840171278;-3.3
29、19113821084092 0.35597049544647053;7.3722183178776195 -1.0098154976165223;3.1384970220014119 0.27189179149619597;-3.7373139538715887 -5.3925951846254812;-5.0481720355066368 0.34717392720203727;-1.8023906895024613 8.1112147906209255;7.5571639797112384 10.129335474237227;3.141475040811827 3.7010544212
30、40221; % Layer 2 b2 = 0.64950478369940357; LW2_1 = 1.6197967670416649 0.68619000466332847 2.6872718345764253 3.0272303353923706 3.9360427321570919 1.9071588997999684 5.5060184142852338 0.53511277969292281 -0.95475033340601745 1.9408900257892441; % Output 1 y1_step1_ymin = -1; y1_step1_gain = 0.1; y1
31、_step1_xoffset = 65; % = SIMULATION = % Format Input Arguments 21 isCellX = iscell(X); if isCellX, X = X; end; % Dimensions TS = size(X,2); % timesteps if isempty(X) Q = size(X1,2); % samples/series else Q = 0; end % Allocate Outputs Y = cell(1,TS); % Time loop for ts=1:TS % Input 1 Xp1 = mapminmax_
32、apply(X1,ts,x1_step1_gain,x1_step1_xoffset,x1_step1_ymin); % Layer 1 a1 = tansig_apply(repmat(b1,1,Q) + IW1_1*Xp1); % Layer 2 a2 = repmat(b2,1,Q) + LW2_1*a1; % Output 1 Y1,ts = mapminmax_reverse(a2,y1_step1_gain,y1_step1_xoffset,y1_step1_ymin); end % Final Delay States Xf = cell(1,0); Af = cell(2,0)
33、; % Format Output Arguments if isCellX, Y = cell2mat(Y); end 22 end % = MODULE FUNCTIONS = % Map Minimum and Maximum Input Processing Function function y = mapminmax_apply(x,settings_gain,settings_xoffset,settings_ymin) y = bsxfun(minus,x,settings_xoffset); y = bsxfun(times,y,settings_gain); y = bsx
34、fun(plus,y,settings_ymin); end % Sigmoid Symmetric Transfer Function function a = tansig_apply(n) a = 2 ./ (1 + exp(-2*n) - 1; end % Map Minimum and Maximum Output Reverse-Processing Function function x = mapminmax_reverse(y,settings_gain,settings_xoffset,settings_ymin) x = bsxfun(minus,y,settings_ymin); x = bsxfun(rdivide,x,settings_gain); x = bsxfun(plus,x,settings_xoffset); end
