汪瓊枝，馬永傳

(皖西學(xué)院 金融與數(shù)學(xué)學(xué)院，安徽 六安 237012)

無車承運(yùn)人是由美國track broker(貨車經(jīng)紀(jì)人)這一詞匯演變而來[1]，是無船承運(yùn)人在陸地的延伸，指的是不擁有車輛而從事貨物運(yùn)輸?shù)膫€(gè)人或單位。其一般不從事具體的運(yùn)輸業(yè)務(wù)，只從事運(yùn)輸組織、貨物分撥、運(yùn)輸方式和運(yùn)輸線路的選擇等工作[1]，已經(jīng)有成熟的運(yùn)行模式，具有多項(xiàng)優(yōu)勢[2]。無車承運(yùn)人平臺有三個(gè)參與角色：平臺、貨主、承運(yùn)人。其利用互聯(lián)網(wǎng)平臺連接貨主和承運(yùn)人，通過有效對接貨主與承運(yùn)商的需求并促使其交易，極大改善了物流業(yè)資源閑置率高的狀況[3]。在其運(yùn)行模式中，首先貨主在平臺發(fā)布貨運(yùn)任務(wù)；接著平臺根據(jù)任務(wù)條件，給出貨運(yùn)任務(wù)指導(dǎo)價(jià)格；最后承運(yùn)人瀏覽任務(wù)，根據(jù)任務(wù)線路和價(jià)格自主選擇承運(yùn)任務(wù)。如果平臺指導(dǎo)價(jià)格科學(xué)合理，能夠促進(jìn)貨運(yùn)任務(wù)快速成交，增加貨運(yùn)任務(wù)交易的成功率，貨主、承運(yùn)人、平臺三方均能獲益，從而提高平臺運(yùn)行的整體效率。因此，如何對無車承運(yùn)人平臺貨運(yùn)任務(wù)科學(xué)定價(jià)，具有很強(qiáng)的研究價(jià)值和現(xiàn)實(shí)意義。

隨著我國無車承運(yùn)人平臺的興起，國內(nèi)也出現(xiàn)了一些相關(guān)研究。尤美虹、駱溫平、陶君成通過實(shí)地訪談和網(wǎng)絡(luò)調(diào)查[3]，調(diào)查分析了平臺監(jiān)管問題。董娜綜合分析了平臺的內(nèi)涵、優(yōu)勢，提出了未來發(fā)展的建議[1]。金忠旭和郭躍顯利用物聯(lián)網(wǎng)等新技術(shù)，提出了基于互聯(lián)網(wǎng)+平臺的物流模式[2]。馮淑貞分析了發(fā)展現(xiàn)狀和相關(guān)的政策與制度問題[4]。張樹山課題組研究了平臺績效動(dòng)態(tài)演化的趨勢，構(gòu)建了績效演化的系統(tǒng)動(dòng)力學(xué)模型[5]?；谄胀ü坟涍\(yùn)定價(jià)已經(jīng)有了一些相關(guān)研究。顧敬巖和吳群琪[6]研究了我國公路貨運(yùn)價(jià)格的演化趨勢，并提出了一些政策建議。王燕凌通過數(shù)據(jù)統(tǒng)計(jì)，分析了我國公路貨運(yùn)市場的供求[7]。陳艷靜分析了公路貨運(yùn)價(jià)格的影響因素，并給出了一些的完善運(yùn)價(jià)形成機(jī)制的對策和建議[8]。馮芬玲和李杰潞分析了公路和鐵路的貨運(yùn)價(jià)格和服務(wù)競爭，并建立了鐵路貨運(yùn)和公路貨運(yùn)的Hoteling模型[9]。但是，無車承運(yùn)人平臺貨運(yùn)任務(wù)定價(jià)模型的相關(guān)研究還很少。王聰珊等人給出了一個(gè)多元線性回歸模型，預(yù)測了平臺貨運(yùn)定價(jià)[10]。聶福海和李電生基于信息不對稱理論，從博弈的角度研究了平臺的定價(jià)策略[11]。

決策樹是一種非線性監(jiān)督機(jī)器學(xué)習(xí)，常用于分類和回歸[12]。其原理是通過從訓(xùn)練集數(shù)據(jù)學(xué)習(xí)簡單推測規(guī)則，來預(yù)測目標(biāo)變量的值。決策樹具有諸多優(yōu)點(diǎn)：易于理解和應(yīng)用、需要較少的數(shù)據(jù)預(yù)處理、預(yù)測算法為對數(shù)復(fù)雜度，訓(xùn)練速度快、出色的數(shù)據(jù)分析效率、直觀易懂的結(jié)果展示[12]。決策樹有多個(gè)算法，其中CART(Classification and Regression Trees)決策樹算法由L. Breiman, J. Friedman, R. Olshen, and C. Stone提出[13]，是一種廣泛應(yīng)用于分類和回歸的決策樹算法[14]。CART決策樹的回歸預(yù)測效果很好，已廣泛應(yīng)用于多個(gè)領(lǐng)域，并取得了良好的效果。李曉寧等人利用CART決策樹預(yù)測平原河網(wǎng)區(qū)不透水面覆蓋度[15]。董紅召利用CART決策樹預(yù)測城市交通道路氮氧化物濃度[14]。韓家琪等人利用CART決策樹預(yù)測土壤水分[16]。許安定等人利用CART決策樹預(yù)測烤煙評吸質(zhì)量[17]。探索使用CART決策樹來建立無車承運(yùn)人平臺貨運(yùn)任務(wù)定價(jià)模型，預(yù)測無車承運(yùn)人平臺貨運(yùn)任務(wù)價(jià)格具有良好的理論基礎(chǔ)和實(shí)際應(yīng)用意義。

Pandas 是 Python 的核心數(shù)據(jù)分析支持庫，主要用戶數(shù)據(jù)整理與清洗、數(shù)據(jù)分析與建模、數(shù)據(jù)可視化與制表，具有高效、易用等特點(diǎn)，是目前流行的開源數(shù)據(jù)處理庫。

本文首先利用pandas庫分析了平臺貨運(yùn)任務(wù)價(jià)格的主要影響因素，接著提出了一種基于CART決策樹的定價(jià)模型，預(yù)測平臺新任務(wù)價(jià)格，最后利用某無車承運(yùn)人平臺的實(shí)際運(yùn)行歷史交易數(shù)據(jù)，驗(yàn)證模型的有效性，并與多元線性回歸算法進(jìn)行對比，驗(yàn)證了模型的優(yōu)越性。

1 無車承運(yùn)人平臺貨運(yùn)任務(wù)價(jià)格的影響因素分析

要想準(zhǔn)確的預(yù)測無車承運(yùn)人平臺貨運(yùn)任務(wù)的價(jià)格，首先需要找出影響平臺貨運(yùn)任務(wù)價(jià)格的主要因素。

1.1 無車承運(yùn)人平臺貨運(yùn)任務(wù)價(jià)格的影響因素調(diào)研

通過調(diào)研現(xiàn)有的文獻(xiàn)并結(jié)合某無車承運(yùn)人平臺的實(shí)際運(yùn)行數(shù)據(jù)[6-9]，我們找出了可能對平臺貨運(yùn)任務(wù)價(jià)格有影響的因素如下：

1)線路里程，線路里程是任務(wù)價(jià)格的直接影響因素，路程越長，成本越高，相應(yīng)價(jià)格很可能越高。

2)業(yè)務(wù)類型(速運(yùn)或重貨)，一般來說，重貨的成本要大于速運(yùn)，相應(yīng)價(jià)格可能越高。

3)是否區(qū)域發(fā)運(yùn)，一般來說，區(qū)域發(fā)運(yùn)的成本更低，相應(yīng)價(jià)格可能越低。

4)計(jì)劃還是臨時(shí)，從博弈的角度考慮，臨時(shí)任務(wù)的價(jià)格可能更高。

5)車輛長度，車輛更長的貨車載重更多，相應(yīng)價(jià)格可能越高。

6)車輛噸位，車輛噸位更大的貨車載重更多，相應(yīng)價(jià)格可能越高。

7)運(yùn)輸?shù)燃?，即線路等級，路況不同，收費(fèi)站不同等等，也會影響大價(jià)格。

8)緊急程度，從博弈的角度考慮，越緊急的任務(wù)價(jià)格可能更高。

對平臺以上因素的運(yùn)行數(shù)據(jù)，我們首先需要進(jìn)行量化處理。其中線路里程、車輛長度、車輛噸位數(shù)據(jù)、運(yùn)輸?shù)燃壙梢灾苯邮褂?。業(yè)務(wù)類型，是否區(qū)域發(fā)運(yùn)，計(jì)劃還是臨時(shí)為二元數(shù)據(jù)，我們均將其轉(zhuǎn)化為數(shù)值0、1度量。緊急程度的原始數(shù)據(jù)為常規(guī)、緊急、特急，可將其轉(zhuǎn)化為數(shù)值0、1、2來度量。

接著，我們需要分析以上因素及實(shí)際運(yùn)價(jià)之間的相關(guān)性。利用pandas庫，我們得出各影響因素及實(shí)際運(yùn)價(jià)的相關(guān)系數(shù)如表1所示：

表1 影響因素及實(shí)際運(yùn)價(jià)的相關(guān)系數(shù)

由表1可以得出：

1)車輛長度和車輛噸位相關(guān)性很高(0.99)。直觀上，我們也認(rèn)為貨車越長，其載重量也越大。因此，這兩個(gè)因素，我們?nèi)コ蛢r(jià)格相關(guān)性更低的車輛長度因素，保留車輛噸位因素。

2)車輛噸位和里程數(shù)相關(guān)性很高(0.816)。我們分析認(rèn)為，這兩者缺少因果關(guān)系，因此兩個(gè)因素均保留。

1.2 基于灰色關(guān)聯(lián)度分析的貨運(yùn)任務(wù)價(jià)格的影響因素分析

灰色關(guān)聯(lián)度分析法(Grey Relation Analysis, GRA)基于灰色理論分析系統(tǒng)因素間的相異程度[18]，通常用關(guān)聯(lián)系數(shù)來表示因素間關(guān)聯(lián)程度的大小[19]。方法具有對數(shù)據(jù)要求低、計(jì)算簡單等優(yōu)點(diǎn)。因此，我們利用灰色關(guān)聯(lián)度分析來找出影響平臺貨運(yùn)任務(wù)價(jià)格的主要因素。其具體過程如下：

1)確定自變量和因變量：我們用排除車輛長度后剩余的七個(gè)影響因素作為自變量，平臺貨運(yùn)任務(wù)價(jià)格作為因變量。

2)歸一化處理：由于各數(shù)據(jù)量綱不同，我們采用最大最小化方法進(jìn)行數(shù)據(jù)歸一化處理。

3)計(jì)算灰色關(guān)聯(lián)度：

設(shè)Xi=(xi(1),xi(2),…,xi(n)),i=1,2,…,m為平臺貨運(yùn)任務(wù)價(jià)格的影響因素。Y=(y(1),y(2),…,y(n)) 為對應(yīng)的平臺貨運(yùn)任務(wù)成交價(jià)格。

γ(Y,Xi)為Y與Xi的灰色關(guān)聯(lián)度，則

(1)

其中

(2)

式(2)中ξ∈(0,1)為分辨系數(shù)。

其中灰色關(guān)聯(lián)度的計(jì)算步驟可細(xì)化如下：

Step 1：根據(jù)(3)式對平臺貨運(yùn)任務(wù)價(jià)格的影響因素序列進(jìn)行初始化：

(3)

Step 2：根據(jù)(4)，(5)式，計(jì)算平臺貨運(yùn)任務(wù)價(jià)格的影響因素序列的差：

其中，

(5)

Step 3：根據(jù)(6)，(7)式求Δi(k)中的最大值M與最小值m：

Step 4：根據(jù)(8)式計(jì)算關(guān)聯(lián)系數(shù)：

(8)

Step 5：根據(jù)(9)式計(jì)算灰色關(guān)聯(lián)度：

(9)

根據(jù)灰色關(guān)聯(lián)度算法，計(jì)算得出七個(gè)影響因素的灰色關(guān)聯(lián)度，如表2所示。

表2 貨運(yùn)任務(wù)價(jià)格的灰色關(guān)聯(lián)度

根據(jù)表2的結(jié)果，線路里程、區(qū)域發(fā)運(yùn)、緊急程度、計(jì)劃或臨時(shí)對任務(wù)價(jià)格的影響程度很高，這也符合實(shí)際情況。

1)線路里程直接影響到運(yùn)送的成本，里程數(shù)的增加增大了運(yùn)送的成本，從而增加了最終運(yùn)價(jià)。表1也表明了，里程數(shù)和實(shí)際運(yùn)價(jià)有很強(qiáng)的正相關(guān)性。

2)緊急程度的增加，臨時(shí)的運(yùn)輸任務(wù)，都會減少了愿意接單的承運(yùn)人數(shù)量，從而增加了最終運(yùn)價(jià)。表1也表明了，這兩個(gè)因素與實(shí)際運(yùn)價(jià)的正相關(guān)性。

3)區(qū)域發(fā)運(yùn)，可以降低運(yùn)輸成本，從而降低了最終運(yùn)價(jià)。表1也表明了與實(shí)際運(yùn)價(jià)的負(fù)相關(guān)性。

4)業(yè)務(wù)類型分為速運(yùn)(1)和重貨(0)，其中速運(yùn)的成本要小于重貨，從而減少了最終運(yùn)價(jià)。表1也表明了這種負(fù)相關(guān)性。

5)運(yùn)輸?shù)燃壟c最終運(yùn)價(jià)的關(guān)聯(lián)度不高，此因素可以去除。

最終得出平臺貨運(yùn)任務(wù)價(jià)格的六個(gè)主要影響因素如下：線路里程、是否區(qū)域發(fā)運(yùn)、緊急程度、計(jì)劃或臨時(shí)、車輛噸位、業(yè)務(wù)類型。

2 基于CART決策樹的無車承運(yùn)人平臺貨運(yùn)任務(wù)定價(jià)模型

我們采用CART決策樹，構(gòu)建無車承運(yùn)人平臺貨運(yùn)任務(wù)定價(jià)模型，具體流程如下：

1)特征選取

選取上一章總結(jié)的六個(gè)運(yùn)價(jià)主要影響因素為特征向量。

2)CART決策樹的生成

從根節(jié)點(diǎn)開始，從把所有訓(xùn)練集數(shù)據(jù)放到根節(jié)點(diǎn)開始，通過選擇最佳特征，遞歸的將訓(xùn)練集數(shù)據(jù)劃分到左右子集，即決策樹的左右分枝。

其劃分的過程如下：

Step 1：假設(shè)訓(xùn)練集數(shù)據(jù)的容量是n，輸入變量為x，輸出變量為y。當(dāng)選擇第j個(gè)特征向量x(j)及其取值v作為劃分特征和劃分點(diǎn)時(shí)，其兩個(gè)子集(子樹)定義如下：

式中，Rl(j,v)表示使用第j個(gè)特征變量及其取值v，劃分出的左子樹。Rr(j,v)表示使用第j個(gè)特征變量及其取值v，劃分出的右子樹。

Step 2：按(12)，(13)，(14)式求得最優(yōu)劃分的特征變量j及劃分點(diǎn)v：

式中，yi表示輸入變量xi對應(yīng)的輸出變量，xi∈Rl(j,v)表示使用第j個(gè)特征向量的取值v進(jìn)行劃分，屬于左子樹的輸入變量。通過遍歷所有輸入變量，找到最佳劃分變量j和最佳劃分點(diǎn)v并構(gòu)成一對(j,v)，然后依次將集合劃分至兩個(gè)子集。

Step 3：遞歸的進(jìn)行上述劃分過程，直到滿足停止條件。

按照上述過程，我們實(shí)行了無車承運(yùn)人平臺貨運(yùn)任務(wù)定價(jià)模型，下一步我們將使用某平臺實(shí)際數(shù)據(jù)來訓(xùn)練模型，測試效果。

3 數(shù)據(jù)和模型驗(yàn)證

3.1 實(shí)驗(yàn)數(shù)據(jù)

我們使用了某無車承運(yùn)人平臺歷史運(yùn)行數(shù)據(jù)，共16016條貨運(yùn)任務(wù)來進(jìn)行實(shí)驗(yàn)。這些數(shù)據(jù)包括了任務(wù)id、線路里程、業(yè)務(wù)類型、是否區(qū)域發(fā)運(yùn)、計(jì)劃或臨時(shí)、線路編碼、線路指導(dǎo)價(jià)、線路成交價(jià)、交易時(shí)間、車輛長度、車輛噸位、運(yùn)輸?shù)燃?、緊急程度等數(shù)據(jù)。根據(jù)第二章的研究，我們選取其中主要的六個(gè)影響因素的數(shù)據(jù)，將數(shù)據(jù)按8∶2的比例，采用隨機(jī)分配為訓(xùn)練集和測試集。

3.2 評價(jià)標(biāo)準(zhǔn)

為了檢驗(yàn)定價(jià)模型的效果。我們使用常用的誤差指標(biāo)：均方誤差根(RMSE)和R-平方(R2)，并和傳統(tǒng)的多元線性回歸算法進(jìn)行對比。

均方根誤差，是通過觀測值與真值偏差的平方與觀測次數(shù)n的比值的平方根來度量模型誤差，我們根據(jù)(15)式來進(jìn)行計(jì)算。

(15)

我們根據(jù)(16)式計(jì)算R-平方，用其來判斷模型的擬合程度，R-平方值越接近1說明擬合程度越好。

(16)

3.3 實(shí)驗(yàn)結(jié)果

我們的基于CARTR決策樹的無車承運(yùn)人平臺線路定價(jià)模型，對數(shù)據(jù)集進(jìn)行了5次隨機(jī)劃分，分別進(jìn)行了訓(xùn)練和測試，實(shí)驗(yàn)結(jié)果如表3所示。

表3 基于CARTR決策樹的無車承運(yùn)人平臺線路定價(jià)模型實(shí)驗(yàn)結(jié)果

作為對比，我們使用多元線性回歸算法，以同樣的訓(xùn)練集和測試集劃分，也分別進(jìn)行了訓(xùn)練和測試，實(shí)驗(yàn)結(jié)果如表4所示。

表4 多元線性回歸實(shí)驗(yàn)結(jié)果

從表3和表4可以看出，相對于多元線性回歸算法，我們模型的RMSE值均較小，且R-平方值均較大。結(jié)果驗(yàn)證了模型的有效性和優(yōu)越性。

4 結(jié)論與展望

本文針對無車承運(yùn)人平臺的貨運(yùn)任務(wù)定價(jià)問題，分析了平臺貨運(yùn)任務(wù)價(jià)格的主要影響因素，提出了一種基于CART決策樹的定價(jià)模型，主要工作如下：

1)分析得出了平臺貨運(yùn)任務(wù)運(yùn)價(jià)的主要影響因素。

2)完成了整個(gè)定價(jià)模型的構(gòu)建。

3)通過真實(shí)數(shù)據(jù)實(shí)驗(yàn)驗(yàn)證了模型的有效性，對比實(shí)驗(yàn)結(jié)果表明了該模型優(yōu)于多元線性回歸算法。

本文基于CART決策樹的無車承運(yùn)人平臺的貨運(yùn)任務(wù)運(yùn)價(jià)模型的提出，豐富了運(yùn)價(jià)模型相關(guān)的理論研究。同時(shí)，貨運(yùn)任務(wù)運(yùn)價(jià)模型能夠幫助平臺更為準(zhǔn)確地給出任務(wù)的指導(dǎo)定價(jià)，促進(jìn)了平臺任務(wù)的快速成交，提高了平臺的整體效率，提高了貨主、承運(yùn)人用戶的使用體驗(yàn)，具有良好的現(xiàn)實(shí)意義。

進(jìn)一步的研究包括，尋找更好的定價(jià)因素，以及更優(yōu)的擬合算法，以其獲得更好的定價(jià)預(yù)測。另外，當(dāng)平臺任務(wù)過多后，平臺會面臨信息過載問題，此時(shí)準(zhǔn)確的貨運(yùn)任務(wù)定價(jià)并不能完全解決承運(yùn)人快速尋找合適任務(wù)的問題，未來的研究可以考慮通過個(gè)性化任務(wù)推薦來解決平臺信息過載問題。