陳詠暉，胡矗明

(暨南大學管理學院，廣東廣州 510632)

最早于2005 年，劉鋒提出的“威客”，是從計算機信息技術(shù)方面來詮釋“眾包”的商業(yè)模式。［1］2006 年，Howe 正式提出“眾包”的概念，指的是一個公司或機構(gòu)把過去由員工執(zhí)行的工作任務(wù)，以自由自愿的形式外包給非特定的大眾網(wǎng)絡(luò)的做法［2］。通過梳理文獻綜合得出，眾包是以網(wǎng)絡(luò)技術(shù)為基礎(chǔ)［3］，圍繞發(fā)包方（企業(yè)）、中介（眾包平臺）、接包方（眾包參與者）［4］，以公開號召的方式進行的互惠互利的商業(yè)活動［5］，一個知識創(chuàng)造、共享、轉(zhuǎn)移的過程［6］。而移動眾包平臺結(jié)合了移動GIS 和眾包技術(shù)的優(yōu)勢［7］，能高效解決基于Web 端的眾包平臺靈活性低、運營成本高以及任務(wù)完成質(zhì)量低的問題。然而，隨之而來的交易信用、知識產(chǎn)權(quán)、人力資源及定價等關(guān)鍵因素都制約著眾包平臺的運行效能［8］。

本文主要解決移動眾包平臺的核心問題之一——任務(wù)定價。對于移動眾包平臺，如果任務(wù)定價過高，就會導(dǎo)致任務(wù)發(fā)布方成本支出高、收益低，反之，定價過低則會降低會員積極性以及任務(wù)完成度。國內(nèi)外對移動眾包平臺的定價策略進行了相關(guān)研究，許多學者建立了如基于企業(yè)與會員雙方的在線定價機制［9］、基于重復(fù)博弈的新型模型［10］、基于社會規(guī)范的激勵協(xié)議［11］以及聲譽機制［12］、基于高信譽會員優(yōu)先制［13］的多指標Logistics 回歸定價模型等進行定價優(yōu)化，但仍受限于較強的假設(shè)條件以及靜態(tài)定價模型；為提高任務(wù)接包方的參與積極性，也有學者探究接包方的內(nèi)在和外在動機［14］、基于執(zhí)行者意愿和任務(wù)時效［15］的定價模型等，但在效益均衡上仍存在一定的局限性。

基于此，本文從任務(wù)完成度出發(fā)，結(jié)合移動眾包平臺的任務(wù)定價流程，構(gòu)建基于位置定位的初始定價模型，再以真實的移動眾包平臺為實驗對象，分析影響任務(wù)完成度的影響因素，作為后續(xù)調(diào)整定價模型的參考因素。本文主要解決以下兩個問題：一是影響移動眾包平臺任務(wù)完成度的影響因素有哪些？二是如何制定既能保證任務(wù)完成度的同時還能提高會員積極性和優(yōu)化任務(wù)資源分配的定價策略？

本文的研究思路為：首先通過真實的移動眾包平臺數(shù)據(jù)，采用BP 神經(jīng)網(wǎng)絡(luò)建立基于定位的初始定價模型，分析及提取影響任務(wù)完成度的關(guān)鍵因素，根據(jù)關(guān)鍵因素，引入獎勵函數(shù)和搶任務(wù)的概率分布函數(shù)以提高會員積極性及改進人力資源匹配，同時采用PID 負反饋網(wǎng)絡(luò)進行完成度優(yōu)化，最終實現(xiàn)眾包雙方效益平衡的目標，為移動眾包平臺的定價策略提供參考。

1 相關(guān)研究綜述

眾包平臺一般是懸賞制和招標制［16］，任務(wù)定價標準并不統(tǒng)一，導(dǎo)致任務(wù)酬金差異大，對中標率、完成度都有極大的影響，如果任務(wù)定價過高，就會導(dǎo)致任務(wù)發(fā)布方成本支出高、收益低，反之，定價過低則會降低會員積極性以及任務(wù)完成度。

因此，針對任務(wù)定價問題，國內(nèi)外學者進行了大量研究，如Mason 等［9］通過分析任務(wù)發(fā)布方和用戶之間的利益關(guān)系，認為需要綜合考慮用戶、平臺和任務(wù)發(fā)布方來設(shè)計定價模型；Singer 等［10］提出基于企業(yè)與會員雙方的在線定價機制，但增加了任務(wù)選擇與分配時間，影響了任務(wù)完成效率；王文杰等［17］從理論上分析平臺收益、任務(wù)定價等因素的影響，建立基于隨機需求的眾包物流服務(wù)動態(tài)定價模型；浦東平等［18］通過綜合分析用戶信譽度和任務(wù)密集程度，建立多目標規(guī)劃的定價模型，較好地平衡用戶收益和服務(wù)成本；蔣師賢等［19］采用BP 神經(jīng)網(wǎng)絡(luò)算法，對定價規(guī)律進行學習和定價調(diào)整，突破傳統(tǒng)的多元擬合定價模型，但推廣度受到數(shù)據(jù)私密性的局限；馮云喬等［13］則建立基于高信譽會員優(yōu)先制的多指標Logistics 回歸定價模型，采用聚類分析進行改進，但仍受制于靜態(tài)特性；李超民等［8］對此提出兩種有效的分別按照任務(wù)性質(zhì)以及交易方式而確定的定價方法。上述研究均綜合考慮了不同的定價影響因素，系統(tǒng)地探索了移動眾包平臺任務(wù)定價的研究思路，但鮮有定價模型能綜合多個因素，在均衡發(fā)包方和接包方利益的前提下保證任務(wù)完成度。

通過梳理文獻，本文發(fā)現(xiàn)有學者曾探究發(fā)包方、接包方特征與任務(wù)完成度的關(guān)系，如Yang 等［11］在激勵任務(wù)接受方層面上提出基于重復(fù)博弈的新型博弈論模型，在激勵任務(wù)發(fā)布方層面則提出基于社會規(guī)范的激勵協(xié)議以及聲譽機制，有效地平衡眾包雙方的利益；王瑩潔等［12］結(jié)合Wright-Fisher 模型和演化博弈理論，提出基于聲譽的移動眾包系統(tǒng)的激勵機制以及信譽更新方法，實驗驗證了其對任務(wù)完成率的有效提高；而芮蘭蘭等［20］則加入懲罰機制，促使任務(wù)的高質(zhì)量完成；沈怡璇等［21］借助緩沖區(qū)概念，提出基于打包策略的任務(wù)酬金定價模型，實驗證明模型在任務(wù)完成率和單任務(wù)平均酬金價格上結(jié)果表現(xiàn)較好；梁玉秀等［22］考慮接包方的參與意愿，提出了基于時效和接包意愿的眾包物流平臺定價模型；仲秋雁等［23］提供了基于接包方信譽度的眾包質(zhì)量評估方法；嚴杰等［24］則發(fā)現(xiàn)個體有限理性水平與眾包質(zhì)量呈顯著的正向關(guān)系。

綜上所述，盡管國內(nèi)外對移動眾包平臺的定價策略已有一定的研究成果，尤其是在定價的制約因素的考慮上不斷完善，以及采取不同的分析技術(shù)、理論思想、獎懲制度等進行優(yōu)化，但在效益均衡上仍存在一定的局限和挑戰(zhàn)，尤其是如何保證任務(wù)完成度，綜合多個因素，建立能均衡眾包雙方利益的定價優(yōu)化策略方面?；诖?，本文通過真實的移動眾包平臺數(shù)據(jù)，模擬移動眾包平臺一般的定價流程，采用BP 神經(jīng)網(wǎng)絡(luò)建立基于任務(wù)定位的初始定價模型，分析及提取影響任務(wù)完成度的關(guān)鍵因素，根據(jù)關(guān)鍵因素，引入獎勵函數(shù)和搶任務(wù)的概率分布函數(shù)以提高會員積極性及改進人力資源匹配，同時采用PID 負反饋網(wǎng)絡(luò)進行完成度優(yōu)化，最終實現(xiàn)眾包雙方效益平衡的目標，為移動眾包平臺的定價策略提供參考。

2 研究流程與方法

2.1 定價優(yōu)化流程

已有的移動眾包平臺的定價模型一直致力于均衡眾包雙方的效益，基于此，本文定價優(yōu)化流程為：首先，對移動眾包平臺的會員編號、信譽度、任務(wù)內(nèi)容、任務(wù)時間、任務(wù)位置等信息進行數(shù)據(jù)采集和處理，構(gòu)成任務(wù)數(shù)據(jù)集；采用BP 神經(jīng)網(wǎng)絡(luò)進行初次的基于位置的定價模型構(gòu)建；提取任務(wù)完成度的關(guān)鍵影響因素，根據(jù)關(guān)鍵因素，針對性引入獎勵函數(shù)和搶任務(wù)的概率分布函數(shù)，并采用PID 負反饋網(wǎng)絡(luò)優(yōu)化完成度，最終形成定價優(yōu)化模型，輸出針對性的定價調(diào)整方案。

2.2 BP 神經(jīng)網(wǎng)絡(luò)

BP 神經(jīng)網(wǎng)絡(luò)屬于一種誤差反向傳播的神經(jīng)網(wǎng)絡(luò)學習算法，由一個輸入層，一個或多個隱含層和一個輸出層構(gòu)成，每一次由一定數(shù)量的神經(jīng)元構(gòu)成。相鄰層之間各神經(jīng)元進行全連接，而每層各神經(jīng)元之間無連接，網(wǎng)絡(luò)按有教師示教的方式進行學習，當一對學習模式提供給網(wǎng)絡(luò)后，各神經(jīng)元獲得網(wǎng)絡(luò)的輸入響應(yīng)產(chǎn)生連接權(quán)值，然后按減小輸出與實際輸出誤差的方向，從輸出層經(jīng)各中間層逐層修正各連接權(quán)值，回到輸入層。此過程反復(fù)交替進行，直至網(wǎng)絡(luò)的全局誤差趨向給定的極小值，即完成學習的過程［25-26］。BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)見圖1。

圖1 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

其中，BP 神經(jīng)網(wǎng)絡(luò)由多個人工神經(jīng)元組成，每個人工神經(jīng)元屬于一個多輸入、單輸出單元，當神經(jīng)元j有多個輸入xi(i=1,2, ,m)和單個輸出yi時，輸入和輸出的關(guān)系表示為：

其中，θj為閾值，wij為從神經(jīng)元i到神經(jīng)元j的連接權(quán)重因子，f(sj)為傳遞函數(shù)，或稱激勵函數(shù)。

2.3 PID 負反饋網(wǎng)絡(luò)

PID 負反饋網(wǎng)絡(luò)屬于過程控制中一種，主要按偏差的（proportional）、積分（integral）、微分（derivative）進行的控制。在PID 負反饋網(wǎng)絡(luò)模型里，比例、積分和微分三個環(huán)節(jié)相互關(guān)聯(lián)，每個環(huán)節(jié)的作用各不相同：（1）比例環(huán)節(jié)：成比例反映控制系統(tǒng)偏差信號，一旦產(chǎn)生偏差，調(diào)節(jié)器立即成比例控制，通過加大比例系數(shù)，可以減小系統(tǒng)穩(wěn)態(tài)誤差；（2）積分環(huán)節(jié)：提高系統(tǒng)無差度以消除穩(wěn)態(tài)誤差，其中，積分時間常數(shù)決定積分作用的強弱，常數(shù)越大，速度越慢，作用越弱；（3）微分環(huán)節(jié)：預(yù)測偏差信號變化趨勢，反映變化速率，通過引入有效的修正信號以加快系統(tǒng)響應(yīng)速度，減小調(diào)節(jié)時間［27］。PID 負反饋網(wǎng)絡(luò)結(jié)構(gòu)見圖2。

圖2 PID 負反饋網(wǎng)絡(luò)結(jié)構(gòu)

PID 負反饋網(wǎng)絡(luò)的控制規(guī)律可表示為：

3 研究結(jié)果與分析

3.1 數(shù)據(jù)采集及處理

本文選取MCM 的數(shù)據(jù)源［28］，研究對象為某移動眾包平臺的任務(wù)數(shù)據(jù)，通過對數(shù)據(jù)進行清洗和處理，刪除缺失記錄，最終形成兩份文檔，分別為：（1）已結(jié)束項目的任務(wù)數(shù)據(jù)，包含每個任務(wù)位置（經(jīng)緯度）、定價和完成情況（“1”表示完成，“0”表示未完成），共835 個任務(wù)；（2）會員信息數(shù)據(jù)，包含會員位置（經(jīng)緯度）、信譽值、任務(wù)開始預(yù)訂時間和預(yù)訂限額，共1 877 名會員。

3.2 基于定位的BP 神經(jīng)網(wǎng)絡(luò)定價模型

根據(jù)移動眾包平臺的一般定價流程，原始的任務(wù)定價主要是由任務(wù)發(fā)布方根據(jù)成本、位置定位等因素而確定價格，本文采用MATLAB R2018a 軟件，根據(jù)已有的任務(wù)位置數(shù)據(jù)，運用BP 神經(jīng)網(wǎng)絡(luò)建立基于位置信息的初始定價模型，對應(yīng)任務(wù)發(fā)布方的初始定價的階段。

以任務(wù)位置的經(jīng)緯度為輸入，任務(wù)價格為輸出，以BP 神經(jīng)網(wǎng)絡(luò)來對數(shù)據(jù)進行預(yù)測，設(shè)置隱層函數(shù)為tansig，輸出函數(shù)為purelin，隱層神經(jīng)元為50，學習速度為0.01，訓練次數(shù)20 000 次，假設(shè)任務(wù)在發(fā)布之后，存在一段時間能給會員進行搶單，得到結(jié)果見圖3 和圖4。由圖可得，對于模型預(yù)測的線性關(guān)系達到了0.750 8，模型訓練較為準確。

圖3 BP 神經(jīng)網(wǎng)絡(luò)模型數(shù)據(jù)預(yù)測結(jié)果

圖4 BP 神經(jīng)網(wǎng)絡(luò)模型線性擬合結(jié)果

3.3 任務(wù)完成度的影響因素分析

根據(jù)移動眾包平臺的一般定價流程，平臺會根據(jù)任務(wù)點相關(guān)因素，例如會員信譽度、所處位置特征等而進行定價調(diào)整。因此，本文基于已結(jié)束項目的任務(wù)數(shù)據(jù)和完成度情況，采用SPSS Statistics 25.0分析和提取任務(wù)完成度的影響因素，為后續(xù)的優(yōu)化定價作基礎(chǔ)。

影響因素一：任務(wù)定價。繪制任務(wù)定價和未完成任務(wù)占比的關(guān)系折線圖發(fā)現(xiàn)，在低定價區(qū)域，價格位于（65 元，67 元）區(qū)間內(nèi)的未完成度超過0.5；而在高定價區(qū)域，位于（73.5 元，74.5 元）區(qū)間內(nèi)未完成度高達0.8；在任務(wù)價格更高的區(qū)域（75 元以上），由于會員能力較高且任務(wù)成功領(lǐng)取的比例較少，因此未完成程度較低。

影響因素二：區(qū)域經(jīng)濟發(fā)展水平。通過結(jié)合百度地圖和任務(wù)的位置定位數(shù)據(jù)標出任務(wù)的實際地區(qū)名，繪制任務(wù)發(fā)布地區(qū)和相應(yīng)的完成度關(guān)系折線圖，分析可得不同的城市的任務(wù)完成情況為：東莞＞佛山＞廣州＞深圳，對應(yīng)的經(jīng)濟發(fā)展水平為：東莞＜佛山＜廣州＜深圳，經(jīng)濟發(fā)展水平強的城市，人均收入相對更高，完成任務(wù)所帶來的經(jīng)濟收益比正常工作相同時間產(chǎn)生的收益更低，任務(wù)獎勵金額也未達到該城市的平均期望，因此完成度相對較低。

影響因素三：會員信譽度。通過篩選高信譽度（信譽度＞1 000）的會員位置和已完成項目的任務(wù)位置，繪制散點圖可見，高信譽度的會員聚集的區(qū)域與已完成任務(wù)的位置區(qū)域重疊區(qū)域為廣州和深圳，會員信譽越高，任務(wù)完成越有保證。

3.4 定價優(yōu)化模型

根據(jù)提取到的三個影響因素：任務(wù)定價、區(qū)域經(jīng)濟發(fā)展水平以及會員信譽度，本文在初始的定價模型里，針對性地引入獎勵函數(shù)、概率分布函數(shù)，通過PID 負反饋網(wǎng)絡(luò)對定價模型進行優(yōu)化，模擬移動眾包平臺的價格調(diào)整過程。

（1）獎勵函數(shù)。

引入獎勵函數(shù)提高會員的積極性和主動性，增加領(lǐng)取任務(wù)的數(shù)量。獎勵函數(shù)表示為：

考慮到獎勵制度與處罰制度需要隨著連續(xù)同種情況（連續(xù)完成，連續(xù)不完成）的發(fā)生而有所加強，為此再引入信譽計算方式：

1）當接受任務(wù)后并完成任務(wù)時：

2）當接受任務(wù)后沒有完成任務(wù)時：

其中，ct為完成任務(wù)后的信譽積分，ct-1為接受任務(wù)前的信譽積分，n為連續(xù)完成任務(wù)的次數(shù)，當出現(xiàn)接受任務(wù)之后沒有完成的情況下，n重新從0開始計算。

（2）概率分布函數(shù)。

引入概率分布函數(shù)，以此提高同一個時間段信譽度高的人搶任務(wù)的成功率，同時不至于讓信譽度低的人不能完全搶不到任務(wù)。以S 型函數(shù)作為搶任務(wù)的概率分布函數(shù)：

（3）PID 負反饋網(wǎng)絡(luò)。

采用PID 負反饋網(wǎng)絡(luò)對定價模型進行調(diào)整，提高任務(wù)完成度。根據(jù)PID 負反饋網(wǎng)絡(luò)控制規(guī)律，假設(shè)當前的任務(wù)定價為，經(jīng)歷一次調(diào)整后的任務(wù)定價為經(jīng)歷了次調(diào)整后的任務(wù)定價為，任務(wù)完成度為。假設(shè)某個地區(qū)的任務(wù)完成情況的理想狀態(tài)為0.8 以上，以現(xiàn)在的任務(wù)定價為基礎(chǔ)開始做一次調(diào)節(jié)（若完成度在［0.8,1)，則不做調(diào)整），若完成度過小則增大任務(wù)定價到，再投入測試，若在當前任務(wù)定價所對應(yīng)的任務(wù)完成度符合條件則停止調(diào)節(jié)，以作為該地區(qū)的平均任務(wù)定價，不斷重復(fù)上述步驟。

由于PID 負反饋網(wǎng)絡(luò)的條件是連續(xù)的，因此本文假設(shè)調(diào)整的最大范圍為10，調(diào)節(jié)關(guān)系為10×d，則有：

客戶的實際平均收入的計算公式為：

經(jīng)過上述優(yōu)化流程，最終形成移動眾包平臺的定價優(yōu)化模型。本文設(shè)定理想的任務(wù)完成度為0.8，假設(shè)會員領(lǐng)取任務(wù)后一定會完成，且會員領(lǐng)取到任務(wù)后會在規(guī)定時間內(nèi)完成。任務(wù)價格修訂后的各地區(qū)單任務(wù)平均價格和完成度預(yù)測見表1。任務(wù)定價優(yōu)化前后單任務(wù)平均價格和完成度對比見圖5 和圖6。

圖5 單任務(wù)平均價格調(diào)整前后結(jié)果對比

圖6 任務(wù)價格調(diào)整前后完成度對比

表1 調(diào)整后的各地區(qū)單任務(wù)平均定價及完成度

形成的定價優(yōu)化策略如下：

1）對于原來完成度為1 的地區(qū)，即東莞市、佛山市高明區(qū)、佛山市三水區(qū)、廣州市從化區(qū)、廣州市增城區(qū)，將適當?shù)亟档推骄蝿?wù)定價，因而原本完成度為1 的地區(qū)，其完成度會有所下降，由于存在獎勵機制，完成度不低于0.98。

2）對于原來完成度較高的地區(qū)（0.8～0.99），即佛山市南海區(qū)、廣州市南沙區(qū)，將不改變現(xiàn)在的平均任務(wù)定價，完成度沒有影響，保持在0.9 以上。

3）對于完成度相對較高的地區(qū)（0.4～0.79），即佛山市順德區(qū)、廣州市番禺區(qū)、廣州市海珠區(qū)、廣州市白云區(qū)、廣州市花都區(qū)、廣州市荔灣區(qū)、廣州市蘿崗區(qū)、深圳市南山區(qū)，將輕微上調(diào)現(xiàn)在的平均任務(wù)定價，完成度都提升到0.8 以上。

4）對于完成度較低的地區(qū)（小于0.4），即佛山市禪城區(qū)，廣州市黃埔區(qū)，廣州市天河區(qū)，廣州市越秀區(qū)，深圳市寶安區(qū)，深圳市福田區(qū)，深圳市龍崗區(qū)，深圳市羅湖區(qū)，深圳市鹽田區(qū)，將大幅度上調(diào)現(xiàn)在的平均任務(wù)定價，任務(wù)完成度也得到極大提升，均在0.8 以上。

3.5 調(diào)整結(jié)果對比

為了檢驗本文提出的定價優(yōu)化模型的有效性，以任務(wù)完成度和各地區(qū)任務(wù)平均定價作為指標進行對比分析，原始模型數(shù)據(jù)采用已結(jié)束項目的任務(wù)數(shù)據(jù)，指標結(jié)果對比見表2。

表2 模型結(jié)果對比

通過結(jié)果對比可以看出，在任務(wù)平均定價上，本文的定價優(yōu)化模型比原始模型降低了0.20 元，表明定價優(yōu)化模型能有效降低任務(wù)發(fā)布者的成本，提升收益；在任務(wù)完成度上，定價優(yōu)化模型相比于原始模型提升了0.343。可見，使用本文的定價優(yōu)化模型，能有效地平衡成本支出以及完成度的關(guān)系。

4 結(jié)論與展望

基于以往的研究成果，本文按照眾包平臺一般的定價流程，提出利用真實眾包數(shù)據(jù)來建立定價模型，將BP 神經(jīng)網(wǎng)絡(luò)、獎勵函數(shù)、概率分布函數(shù)以及PID 負反饋網(wǎng)絡(luò)應(yīng)用于優(yōu)化定價模型，實現(xiàn)保證完成度的前提下，均衡雙方效益。本文首先采用BP 神經(jīng)網(wǎng)絡(luò)建立基于定位的初始定價模型，分析影響任務(wù)完成度的關(guān)鍵因素，根據(jù)關(guān)鍵因素，針對性引入獎勵函數(shù)、概率分布函數(shù)以及PID 負反饋網(wǎng)絡(luò)進行優(yōu)化，提出定價優(yōu)化策略。

定價優(yōu)化模型具有如下優(yōu)點：（1）引入獎勵函數(shù)，根據(jù)會員信譽度確定獎勵金，根據(jù)任務(wù)完成情況調(diào)整會員信譽度，提高會員的積極性和主動性，增加領(lǐng)取任務(wù)的數(shù)量；采用增長速度緩慢的對數(shù)函數(shù)的運算方式，在防止獎勵過于巨大的同時，還可以避免太容易得到最高獎勵使得信譽度區(qū)分不出獎勵的差別；（2）引入概率分布函數(shù)，根據(jù)會員信譽度確定搶任務(wù)的成功率，提高同一個時間段信譽度高的人搶任務(wù)的成功率，同時讓信譽度低的人不至于完全搶不到任務(wù)；（3）引入PID 負反饋網(wǎng)絡(luò)，有效提高整體完成度和減少某些地區(qū)定價不規(guī)范等情況。通過真實數(shù)據(jù)的實證分析，結(jié)果表明：本文設(shè)計的定價優(yōu)化模型整體表現(xiàn)較好，在任務(wù)平均定價上，定價優(yōu)化模型比原始模型降低了0.20 元，有效降低任務(wù)發(fā)布者的成本，提升收益；在任務(wù)完成度上，定價優(yōu)化模型比原始模型提升了0.343，有效提高完成度。

但本文也存在一定的不足：一是BP 神經(jīng)網(wǎng)絡(luò)在節(jié)點過多的情況下容易出現(xiàn)過擬合現(xiàn)象，即使訓練樣本預(yù)測準確，其他樣本預(yù)測誤差也可能較大；二是實證數(shù)據(jù)不夠完整，某些任務(wù)定價會存在不合理的結(jié)果，出現(xiàn)偶然性的概率大大增加；三是可能會存在較大滯后性，由于信息不連續(xù)，基于PID 負反饋網(wǎng)絡(luò)優(yōu)化的定價模型計算和輸出效率會受到限制，考慮未來可以通過實時數(shù)據(jù)傳輸解決。隨著眾包創(chuàng)新的發(fā)展和研究的深入，本文認為眾包平臺在未來可以進一步探究以下問題：（1）探究不同類型的眾包平臺的定價機制，例如科研眾包、品牌創(chuàng)意、醫(yī)療眾包等，從平臺特征、任務(wù)特征、發(fā)包方和接包方的特征等多角度進行綜合考慮［29］；（2）探究眾包平臺的任務(wù)完成度的評估指標，識別影響任務(wù)完成度的風險因素，構(gòu)建眾包平臺的任務(wù)完成風險規(guī)避措施，切實提高任務(wù)完成度。