【转】吴永忠：平台的定价优化模型与算法

点击咨询

2021年，“新秀名师”重新启航，融“研究分享、现场讲座、音频课程”于一体，更系统、更完整地呈现青年教师们的研究成果及风采。
本期“新秀名师”活动邀请到我院工业工程系吴永忠副教授，与大家分享他在企业运营优化模型与算法领域的研究心得。
作者介绍
吴永忠
华南理工大学工商管理学院副教授
硕士生导师、博士
主要研究方向：企业运营优化模型与算法、派单与调度优化、最优化定价、物流与供应链管理
主持国家自然科学基金面上项目、教育部人文社科项目、广东省自然科学基金项目等国家级及省部级项目多项。担任《European Journal of Operations Research》、《Journal of Supercomputing》等SCI期刊的常年审稿人。担任多家国内外咨询公司的首席顾问或高级顾问。

基金项目
主持国家自然科学基金项目面上项目(71571071)；广东省自然科学基金项目（x2gsB6110270）；教育部人文社科一般项目青年基金（x2gsY9120120）、教育部高效博士点基金新教师课题（x2gsD1110160）。

研究缘起
随着互联网行业在全球的快速发展，算法、数据与人工智能（ADA）正成为科技巨头获得竞争优势及市场地位的重要资源。
亚马逊、淘宝等公司通过智能算法对目标用户进行更精准的商品及服务推荐，谷歌、百度等搜索引擎通过大数据技术进行高效的个性化广告投放，Uber及滴滴基于大规模优化算法进行高效的需求匹配及路线规划，Airbnb结合供需波动进行最优动态定价……庞大的用户基数、商业模式的创新及服务水平的不断提升，使各行业中的优化问题变得庞大而复杂。
基于此，我们针对外卖配送等平台经济中的定价优化问题展开研究。
平台经济通过线上的运营方式将流量转化为线下的客户，提高线下需求及交易规模，这种模式广泛的应用于不同的行业中。其中在餐饮行业，线上+线下结合的模式使得外卖行业快速发展。

近年来，外卖配送行业发展迅猛，涌现出众多Uber Eat、Grubhub、美团等大型外卖平台公司。其中，中国外卖市场的增长处于领先地位，复合年增长率为7.0%。截至2021年6月，中国网上外卖用户规模达4.69亿，市场规模达6646亿元，外卖配送从业人员达770万人。

外卖平台是连接商家、用户、骑手的网络平台，外卖平台能够将商家提供的商品与大量用户的需求进行高效的匹配、降低交易成本，同时借助平台或第三方的物流配送资源将商品从商家送至用户手中。

在为商家以及用户提供这些服务的同时，平台按照每单向用户收取配送费，同时向商家按照交易订单金额的一定比例收取服务佣金。另一方面，平台需要为自建的配送体系支出大量资金，主要为支付给外卖骑手的工资及奖金。外卖平台会根据很多因素动态调整配送费，包括配送距离、配送时间段、天气情况等。当配送距离增大时，配送费也会随之变高。配送费在一天中不同时间段也会不同，例如在高峰期时配送费会相应的提高，在深夜时段也会有所提高。

外卖平台公司（如美团）依靠算法对大量的订单及骑手进行高效匹配和分单，从而提高配送效率。然后，对于定价优化，由于需求规模较大、用户选择行为复杂、影响因素众多，目前外卖平台配送费定价更多是根据经验来制定，不同外卖企业也正努力进行相关的研究，包括与学术界相关专家进行合作，以实现更加高效合理的动态定价方法。

本研究首先分析外卖用户的选择行为，以用户使用外卖的可能性作为因变量构建了排序选择模型，结合全国范围收集的超过3000份问卷数据，建立基于排序logit回归的用户选择模型，刻画定价对用户选择的影响。同时，以外卖平台利润最大化为目标，构建了基于用户选择的平台利润最大化模型，通过优化算法对不同场景下的配送费定价策略进行优化和应用分析

研究发现
通过所建立的排序logit回归求解最终模型，结果表明年龄、职业、月收入、居住城市等级、使用地点、使用时间段、配送费等因素都会对用户使用外卖的可能性产生影响。
分析发现，其中配送费影响最大。以广州数据为例，每增加1元的配送费，用户选择使用相关外卖服务的概率就会降低（OR：0.435；95% CI：0.415，0.455）。同时对配送费变量的敏感性分析结果表明配送费在2元到5元之间变化时，对用户使用外卖可能性的影响最大。最后对用户在不同场景下的使用外卖概率进行预测，并发现城市等级、城市区域、使用时间段这些因素改变时用户对配送费的敏感度也会发生一定变化
通过相关模型的分析，我们明确了外卖平台行业中特有的网络效应，并对其效应进行量化，即用户数量的增加，配送效率将显著提高，配送费用降低。
平台定价需要考虑网络效应的影响，即降低收费的时候，订单数量增加，从而获得更大的网络效应。多个数值实验的结果表明平台网络效应不仅可以为外卖骑手降低每单平均配送时间，提高配送效率，还能为平台降低每单平均配送成本。
进一步的，研究以外卖平台的利润最大化为目标，构建了考虑外卖用户选择行为的平台利润最大化模型。对模型参数敏感性的分析发现了外卖平均单价、骑手每日工作时间的上升会使平台配送费最优定价下降；外卖商家数量的增大会使平台配送费最优定价上升。最后，我们选取广州市某区域作为实际案例进行模型的应用分析，相关定价模型及算法能使该区域单日的利润总和提高了10%。


理论意义
本研究的外卖平台定价问题与目前现有文献有明显的区别。目前关于外卖平台配送费定价问题的研究很少，本文的配送费定价研究不仅考虑了外卖用户选择行为，还考虑了外卖平台的网络效应对配送费定价问题的影响。这使得研究问题更加贴近实际情况，具有很强的现实意义。同时在定价问题中考虑了用户选择行为及规模效益之后使问题求解变得更加复杂。
本研究将排序选择模型用在外卖平台的用户选择行为研究当中，目前将该模型应用在外卖研究领域中的相关研究很少。使用排序选择模型可以量化用户选择行为的结果，更好的与外卖平台定价模型结合。因此本研究使排序选择模型的应用领域得以拓展。

重要启示
在对配送费定价策略在不同场景下的对比和应用研究中，发现不同城市等级下的配送费定价策略差异不明显，而不同城市区域、不同时间段下的配送费定价策略存在明显差异。
在不同城市区域下，住宅区的最优配送费定价要低于其他城市区域；在不同时间段下，下午茶、夜宵时间段的最优配送费明显高于午餐、晚餐时间段。
通过对不同场景下的外卖服务进行配送费差异化定价之后，能够使得不同场景下的利润都达到最优值，使最终平台的总利润最大。同时，通过总结发现网络效应越大的场景下，配送费最优定价越低。对于外卖平台而言就可以先根据历史数据等预测不同场景下的订单需求，再结合定价方法来调整配送费，从而优化不同场景下的定价，提高平台的利润。

 信息来源*华南理工大学MBA中心