陳延展，陳少偉，胡 浩，任紫暢

(1.湖南大學(xué) 機械與運載工程學(xué)院，湖南 長沙 410082；2. 湖大艾盛汽車技術(shù)開發(fā)有限公司，湖南 長沙 410205 )

1 概述

無車承運人平臺是基于大數(shù)據(jù)、人工智能和互聯(lián)網(wǎng)等技術(shù)構(gòu)建的新型物流平臺，是促進物流行業(yè)轉(zhuǎn)型升級的重要利器。無車承運人平臺在2016年投入試點后，交通運輸部門公布的統(tǒng)計數(shù)據(jù)顯示，與傳統(tǒng)物流模式相較，無車承運試點企業(yè)的車輛里程利用率提高50%，交易成本降低6%～8%，司機月收入增加30%～40%，等貨時間由2～3 d降低至8～10 h[1]。由此可見，擁有發(fā)達信息化網(wǎng)絡(luò)的無車承運人平臺，能夠?qū)ι鐣系牧闵①Y源進行系統(tǒng)地整合并集成，從而提高我國貨運市場的整體運作效率。無車承運人平臺有3個參與角色：平臺、貨主、承運人。其利用互聯(lián)網(wǎng)平臺連接貨主和承運人;通過有效對接貨主與承運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。如果平臺指導(dǎo)價格科學(xué)合理，則能夠促進貨運任務(wù)快速成交，增加貨運任務(wù)交易的成功率，貨主、承運人、平臺三方均能獲益，從而提高平臺運行的整體效率。因此，如何科學(xué)地對無車承運人平臺貨運任務(wù)定價，具有很強的研究價值和現(xiàn)實意義。

定價策略和定價方法是市場營銷組合中一個十分關(guān)鍵的組成部分，在金融、食品、物流等各個領(lǐng)域都具有廣泛的應(yīng)用。劉秋華[2]等基于貝葉斯博弈理論，提出一種不完全信息市場交易下多個售電商博弈的定價模型，將售電商定價下用戶的最優(yōu)購電策略與選擇決策信息反饋給售電商。石永強[3]等基于博弈論的思想，針對現(xiàn)實中制造商委托零售商回收廢舊產(chǎn)品以再次加工的逆向供應(yīng)鏈定價問題展開研究，構(gòu)建了制造商主導(dǎo)的Stackelberg博弈分散式定價模型與合作博弈的集中定價模型，從理論上證明了合作博弈能夠給供應(yīng)鏈帶來更多利潤，同時也能讓消費者獲益。陳斐然[4]等基于多邊市場理論構(gòu)建了消費者、自媒體(內(nèi)容提供方)和廣告商三邊用戶的壟斷自媒體平臺廣告定價模型，并考慮投資預(yù)算約束下平臺分別對各邊用戶的最優(yōu)定價策略與服務(wù)投資策略，從而分析平臺決策者在不同情況的最優(yōu)投資對象選擇策略。隨著大數(shù)據(jù)和人工智能技術(shù)的飛速發(fā)展，基于數(shù)據(jù)驅(qū)動的定價方法受到越來越多的關(guān)注。寧克南[5]等基于lightGBM機器學(xué)習(xí)算法，利用二手商品的歷史成交價格數(shù)據(jù)給出新生個人商家在出售其二手商品時的推薦價格，為二手市場的定價提供指導(dǎo)和借鑒。石言[6]等針對國內(nèi)商業(yè)銀行在系統(tǒng)性風險約束下的風險定價問題，提出了一種使用蒙特卡洛方法的深度強化學(xué)習(xí)框架模型，實證結(jié)果表明，由深度強化學(xué)習(xí)智能體所運營的銀行在面對不同金融事件所帶來的系統(tǒng)性風險與人類專家對手時，能夠做出合理決策，使該模擬銀行能夠在風險中生存并獲得更好的綜合收益。

無車承運人平臺在我國尚處于起步探索階段，參考文獻較少，但基于普通公路貨運定價已經(jīng)有了一些相關(guān)研究。顧敬巖[7]等研究了我國公路貨運價格的演化趨勢，并提出了一些政策建議。王燕凌[8]通過數(shù)據(jù)統(tǒng)計，分析了我國公路貨運市場的供求。陳艷靜[9]分析了公路貨運價格的影響因素，并給出了一些完善運價形成機制的對策和建議。馮芬玲[10]等分析了公路和鐵路的貨運價格和服務(wù)競爭，并建立了鐵路貨運和公路貨運的Hoteling模型。隨著我國無車承運行業(yè)的逐步興起，一些學(xué)者也開始關(guān)注無車承運人問題，但大多數(shù)研究都是圍繞無車承運模式的現(xiàn)狀分析和業(yè)務(wù)發(fā)展，其中，研究無車承運平臺對托運人和實際承運人用戶定價的文獻較少。王聰珊[11]等給出了一個多元線性回歸模型，預(yù)測了平臺貨運定價。聶福海[12]等基于信息不對稱理論，從博弈角度研究了平臺的定價策略。這些研究均是利用傳統(tǒng)建模方法解決無車承認人平臺定價的問題，考慮到影響平臺定價的因素較少，對于定價決策等基本管理環(huán)節(jié)也沒有進行深入討論。然而作為貨運經(jīng)營者，無車承運人平臺需要介入貨運交易并賺取貨運差價，因此如何科學(xué)指定面向車主的貨物托運價格就顯得尤為重要，線路定價策略直接影響著平臺經(jīng)營績效和貨運市場運行效率。

基于此，本文以某無車承運人平臺提供的歷史訂單數(shù)據(jù)展開分析，以無車承運人視角對貨運線路的定價策略進行研究。該無車承運人平臺面向承運端司機，將需要承運的線路任務(wù)以合理的定價發(fā)布到網(wǎng)絡(luò)平臺上供承運端司機瀏覽并決定是否承運該運輸任務(wù)。本文利用XGBoost模型為無車承運人平臺的訂單進行定價決策，旨在促進無車承運人平臺訂單快速成交和降低相應(yīng)的承運成本，使得無車承運平臺的利潤最大化。

2 數(shù)據(jù)處理與相關(guān)性分析

首先對歷史訂單數(shù)據(jù)集進行數(shù)據(jù)預(yù)處理，并通過定量分析方法分析主要特征與線路定價的相關(guān)性，初步確定影響無車承運人平臺進行貨運線路定價的主要因素。

2.1 數(shù)據(jù)預(yù)處理

本次試驗利用某無車承運人平臺提供的16 005個歷史成功交易訂單數(shù)據(jù)為數(shù)據(jù)集，其中每個訂單包含16個原始特征，具體的特征變量如下：x1為總里程，x2為車輛噸位，x3為車輛長度，x4為線路價格，x5為計劃時間，x6為實際時間，x7為地區(qū)類型，x8為調(diào)價比列，x9為交易時長，x10為目的網(wǎng)點，x11為始發(fā)網(wǎng)點，x12為線路編碼，x13為分撥時間，x14為調(diào)整時間，x15為是否續(xù)簽約，x16為打包類型。由于數(shù)據(jù)集的樣本數(shù)和特征數(shù)過多，所以只在附錄1展示了前20個訂單的樣本數(shù)據(jù)。通過觀察發(fā)現(xiàn)原始數(shù)據(jù)存在數(shù)據(jù)異常，所以采用的數(shù)據(jù)預(yù)處理操作如下：①若特征的值全相同，無法體現(xiàn)不同訂單的差異性，作刪除處理；②針對某一特征中出現(xiàn)少量缺失值的訂單，則采取均值插值補全的措施；③利用原始數(shù)據(jù)進行特征構(gòu)造，包括相對時間和統(tǒng)計量特征的構(gòu)造；④在異常數(shù)據(jù)剔除后，將所有離散數(shù)據(jù)進行one-hot向量編碼處理，所有連續(xù)數(shù)據(jù)作歸一化處理，最終用經(jīng)過數(shù)據(jù)預(yù)處理后的數(shù)據(jù)集作為預(yù)測無車承運人平臺定價的XGBoost模型訓(xùn)練集。

2.2 相關(guān)性分析

為了更準確地描述無車承運人平臺進行貨運線路定價的主要因素，采用相關(guān)系數(shù)來進行相關(guān)性分析。本文采用Spearman秩相關(guān)系數(shù)[13]，通過計算預(yù)處理后得到的16個特征與定價的相關(guān)程度大小來分析影響定價的主要因素。

Spearman秩相關(guān)系數(shù)是衡量2個變量依賴性的非參數(shù)指標。它利用單調(diào)方程評價2個統(tǒng)計變量相關(guān)性。Spearman秩相關(guān)系數(shù)公式如下：

(1)

對2個變量成對的取值分別按照從小到大順序編秩，Ri代表xi的秩，Qi代表yi的秩，Ri-Qi為xi，yi的秩次之差。通過Spearman秩相關(guān)系數(shù)得到16個特征數(shù)與任務(wù)定價的相關(guān)系數(shù)，其中每個特征之間的相關(guān)系數(shù)矩陣如圖1所示。

圖1 各特征相關(guān)系數(shù)矩陣圖

通過統(tǒng)計特征相關(guān)系數(shù)矩陣，做出各個特征與任務(wù)定價相關(guān)性大小的重要度排序表，見表1。根據(jù)表1可以發(fā)現(xiàn)在和任務(wù)定價的相關(guān)系數(shù)中70%以上的因素有總里程、計劃時間、車輛噸位和車輛長度，由此可知這4個特征與無車承運人平臺訂單定價呈現(xiàn)強線性相關(guān)性。由于Spearman秩相關(guān)系數(shù)法只能作為線性相關(guān)度的評價指標，不能捕捉變量之間的非線性關(guān)系，所以更加準確的特征重要度排序需要通過XGBoost模型來實現(xiàn)。

表1 Spearman秩相關(guān)系數(shù)Table 1 Spearman’s rank correlation coefficients特征相關(guān)系數(shù)特征相關(guān)系數(shù)總里程0.991 118 ……計劃時間0.973 576 線路編碼-0.000 017 車輛噸位0.813 863 調(diào)價比例-0.204 449車輛長度0.765 718 打包類型-0.239 713線路價格0.419 636 始發(fā)網(wǎng)點0.102 90目的網(wǎng)點0.409 852 調(diào)整時間-0.106 65

3 模型應(yīng)用與結(jié)果分析

本節(jié)旨在建立無車承運人平臺的線路指導(dǎo)價格與訂單16個特征變量之間的映射函數(shù)，而在訓(xùn)練數(shù)據(jù)中所有樣本數(shù)據(jù)的線路指導(dǎo)價格均為已知，所以此問題是一個經(jīng)典的有監(jiān)督學(xué)習(xí)問題。目標訂單的線路指導(dǎo)價格為連續(xù)變量，故基于機器學(xué)習(xí)的回歸模型可以很好地完成這一任務(wù)。目前傳統(tǒng)的機器學(xué)習(xí)算法例如線性回歸、支持向量機和K近鄰算法等對特征工程的依賴度極高，而且對于非線性程度高、內(nèi)部規(guī)律較為復(fù)雜的映射關(guān)系的擬合能力有限。XGBoost 是一種集成學(xué)習(xí)的機器學(xué)習(xí)算法，通過構(gòu)建多棵決策樹來實現(xiàn)回歸任務(wù)，將多個樹模型組合在一起可以更加高效地學(xué)習(xí)到數(shù)據(jù)中的非線性關(guān)系。本節(jié)首先利用XGBoost預(yù)測出線路訂單的線路指導(dǎo)價(即第1次報價)，然后結(jié)合第1次報價和調(diào)價策略制定出第2次和第3次定價，最終利用數(shù)據(jù)包絡(luò)分析法對3次定價的結(jié)果進行評價，以證明預(yù)測模型和調(diào)價策略的合理性。

3.1 模型與算法介紹

XGBoost(Extreme Gradient Boosting)是由CHEN[14]等提出的一種支持并行計算的梯度提升樹模型，近些年它憑借著突出的效率和較高的預(yù)測精度被廣泛應(yīng)用于Kaggle機器學(xué)習(xí)競賽中。實際上XGBoost是一種改進的GBDT算法[15]，兩者本質(zhì)上均由許多用于回歸和分類的決策樹組成，但是XGBoost在以下方面對GBDT算法進行了改進：①對于損失函數(shù)，GBDT算法只使用了一階泰勒展開，而XGBoost則增加了二階泰勒展開；②XGBoost在目標函數(shù)中構(gòu)造了正則懲罰項[16]以降低模型復(fù)雜度，從而防止模型過擬合。XGBoost模型的結(jié)構(gòu)如圖2所示，模型的細節(jié)如下所示。

圖2 XGBoost算法示意圖

對于一個給定的有n個樣本的數(shù)據(jù)集D={(xi，yi)}，(i=1，2…，n)，則基于數(shù)據(jù)集D訓(xùn)練出的具有K個基學(xué)習(xí)器的XGBoost預(yù)測模型為：

(2)

F={f(x)=ωq(x)}

(3)

其中，f(x)表示模型的基學(xué)習(xí)器，F(xiàn)則表示基學(xué)習(xí)器的假設(shè)空間。在式(2)中q(x)表示第x個樣本的葉子節(jié)點，ωq(x)則表示樣本x的葉子分數(shù)，即模型的預(yù)測值。經(jīng)過t次迭代后的預(yù)測結(jié)果如下：

(4)

在對訓(xùn)練數(shù)據(jù)進行學(xué)習(xí)時，每次在保留原有模型不變的基礎(chǔ)上，加入1個新函數(shù)ft，觀察對應(yīng)的目標函數(shù)，若加入的新函數(shù)能使目標函數(shù)盡可能減到最小， 則把該函數(shù)加到模型中。此時目標函數(shù)表示為：

(5)

(6)

其中，L代表損失函數(shù);Ω(ft)則表示模型的復(fù)雜度；T和ω分別表示葉節(jié)點數(shù)和得分。之后對目標函數(shù)進行二階泰勒展開得到如下近似目標函數(shù)：

(7)

(8)

(9)

綜上所述，最終求得的目標函數(shù)形式如下：

(10)

最后對式(9)中的目標函數(shù)進行優(yōu)化，最優(yōu)解為：

(11)

(12)

3.2 基于XGBoost的無車承運平臺定價預(yù)測

本節(jié)以數(shù)據(jù)預(yù)處理后的貨運線路已成交歷史數(shù)據(jù)為訓(xùn)練集，分別采用多個機器學(xué)習(xí)模型對各個任務(wù)訂單的線路總成本、線路指導(dǎo)價格和調(diào)價類型進行預(yù)測，并在測試集上利用各種評價指標進行模型對比。最后基于訂單緊急程度制定了平臺的調(diào)價策略，從而確定平臺針對每個訂單的3次定價。

3.2.1模型評價指標

(13)

(14)

(15)

3.2.2試驗分析與模型對比

本文基于無車承運人平臺歷史訂單數(shù)據(jù)集上分別訓(xùn)練了XGBoost定價預(yù)測模型和其它機器學(xué)習(xí)模型，如線性回歸模型[17]、K近鄰模型[18]、支持向量機[19]、決策樹[20]和隨機森林[21]等，表2提供了模型的簡要說明。

表2 預(yù)測定價的10種機器學(xué)習(xí)模型Table 2 10 machine learning models for predicting pricing預(yù)測模型說明LR(Linear Regressor)線性回歸模型KNN(K Nearest Neighbor)K近鄰模型Linear-SVM(Linear Support Vector Machine)線性支持向量機Poly-SVM(Polynomial Support Vector Machine)多項式支持向量機RBF-SVM(RBF Support Vector Machine)以徑向基為核函數(shù)的支持向量機DT(Decision Tree Regressor)決策樹模型GB(Gradient Boosting Regressor)梯度提升回歸模型ET(Extra Trees Regressor)極端隨機樹模型RF(Random Forest Regressor)隨機森林模型XGBoost(eXtreme Gradient Boosting)極端梯度提升模型

本次試驗平臺為AMD Ryzen 7 4800H with Radeon Graphics(2.90 GHz)，配置了16.0 GB的RAM內(nèi)存和8 GB的GTX 1070Ti顯卡。其中SVM、DT和RF等模型均在python的第三方庫scikit-learn中實現(xiàn)。表3給出了上述10個機器學(xué)習(xí)模型對于無車承運人平臺定價的預(yù)測精度、訓(xùn)練時間和測試時間。

表3 不同無車承運人平臺定價預(yù)測模型的對比Table 3 Comparison of different pricing prediction models for NVOCC platforms預(yù)測模型R2MAERMSE訓(xùn)練時間/s預(yù)測時間/sLinear-SVM0.949 17.473 820.402 15.901 70.753 9LR0.951 26.920 919.040 70.869 10.012 2DT0.957 45.504 518.510 10.336 20.012KNN0.966 95.072 016.655 50.117 50.125 3Poly-SVM0.973 84.863 416.113 95.860 70.842 5GB0.977 94.222 315.448 81.273 20.101 2ETR0.986 64.188 414.882 40.420 40.020 2RBF-SVM0.989 43.949 614.320 17.356 21.847 5RF0.992 33.642 713.974 22.340 20.051XGBoost0.998 13.581 213.196 71.820 20.015 6

根據(jù)表3繪制出以上機器學(xué)習(xí)模型對于平臺定價預(yù)測的R2、MAE和RMSE分布曲線，見圖3。通過觀察圖3中的曲線可知，后7個模型的R2值均超過0.95而具有很高的預(yù)測精度，并且其中3個模型(RBF-SVM、RF和XGBoost)的R2值均高達0.99左右，遠超其它模型。表現(xiàn)最為突出的XGBoost模型R2值更是高達0.998 1，并且MAE和RMSE值均處在所有模型的最低值。3種線性模型(LR、Poly-SVM和Linear-SVM)的預(yù)測精度都很差，其R2值均處在0.98以下，證明了平臺定價與16個特征之間存在明顯的非線性關(guān)系。其它3個模型(KNN、GB和ET)的預(yù)測精度則處于中等水平。

圖3 不同無車承運人平臺定價預(yù)測模型的評價指標對比圖

為了進一步說明XGBoost模型的擬合效果，圖4繪制了測試集數(shù)據(jù)中訂單定價的真實標簽值與XGBoost模型預(yù)測值之間的散點分布圖。散點越接近直線則表示模型的預(yù)測能力越強。從圖4可以直觀看出該模型具有良好的定價預(yù)測能力。

圖4 XGBoost模型預(yù)測值與真實值的散點圖

綜上所述，XGBoost模型的R2值最高，并且訓(xùn)練時間、預(yù)測時間、MAE值和RMSE值均相對較小。所以XGBoost模型在預(yù)測無車承運人平臺的問題上比其他模型更加有效，本文最終采用XGBoost模型預(yù)測無車承運人平臺定價。為了進一步研究每個特征對平臺定價的影響，基于XGBoost模型計算了16個特征的相對重要度，對影響平臺定價16個特征的重要度進行降序排列,見圖5。

上文2.2節(jié)中的Spearman秩相關(guān)系數(shù)只能用來衡量2個連續(xù)變量之間的線性關(guān)系強弱程度，而XGBoost模型的特征重要度大小則是根據(jù)特征在提升決策樹構(gòu)建中的貢獻度來確定的，由特征在每個分裂點的Gini純度計算得出。因此基于XGBoost的特征重要度排序可以挖掘出定價與特征之間的非線性關(guān)系，其結(jié)果也更加準確可靠。由圖5可知，總里程、車輛噸位和車輛長度的重要度貢獻率較高，而其它特征(交易時常、調(diào)整時間和分撥時間等)則對平臺定價的影響較小?，F(xiàn)實生活中線路總里程是任務(wù)價格的直接影響因素，路程越長，成本越高，相應(yīng)定價也會越高。車輛噸位和車輛長度是車輛型號和載重的衡量指標，噸位和長度越大，貨車的載重越大，相應(yīng)價格也越高。由此可知，總里程、車輛噸位和車輛長度是影響線路定價的最重要的特征變量。

圖5 影響平臺定價的特征重要度排序

3.3 調(diào)價策略

為了保證無車承運人平臺每個訂單任務(wù)都盡可能被承運，平臺采取動態(tài)定價的形式保證總收益最大化。若在給定的時間內(nèi)，該任務(wù)沒有司機接單，則該線路 就可以進行調(diào)價。假設(shè)每條線路任務(wù)最多允許發(fā)布 3 次價格，即首次發(fā)布線路價格后仍可刷新2次線路價格。由于平臺的目標是整體盈利，部分訂單成交價格高于成本價，部分訂單成交價低于成本價，訂單的緊急程度會影響平臺的調(diào)價策略。

首先根據(jù)數(shù)據(jù)集中各訂單的需求緊急程度將訂單分為“常規(guī)訂單”(14 670個)、 “緊急訂單”(330個)和“特急訂單”(1 005個)， 根據(jù)式(5)分別計算3類訂單的平均溢價比，以說明不同緊急程度的訂單調(diào)價的一般水平：

i=1，2，3

(16)

(17)

其中，ai表示第i類訂單的平均溢價比，mi表示第i類訂單下的樣本數(shù)，i=1，2，3 分別表示常規(guī)訂單、緊急訂單和特急訂單。最終確定的定價策略如下：根據(jù)XGBoost模型的預(yù)測結(jié)果，確定各個訂單的調(diào)價類型，針對常規(guī)訂單，第1次報價為訂單的指導(dǎo)價格；針對緊急訂單和特急訂單，平臺急于幫助貨主找到承運司機，因此第1次報價為在訂單指導(dǎo)價格的基礎(chǔ)上，參考成本價、該類訂單的一般調(diào)價水平進行調(diào)整。針對所有訂單，第2次和第3次報價均是綜合考慮指導(dǎo)價格、一般調(diào)價水平、調(diào)價類型(調(diào)高、 調(diào)低、 不調(diào)整)和成本后進行調(diào)整。調(diào)整策略見表4。

(18)

3.4 基于DEA的綜合評價

為了驗證上節(jié)調(diào)價策略的合理性，本節(jié)利用數(shù)據(jù)包絡(luò)法對前1 500個訂單3次定價的綜合效率進行評價。數(shù)據(jù)包絡(luò)分析[22](DEA)是根據(jù)多指標投入和多指標產(chǎn)出對相同類型的單位進行相對有效性或效益評價的一種系統(tǒng)分析方法，多用于處理多目標決策問題。數(shù)據(jù)包絡(luò)法的具體步驟如下。

a.確定輸出指標。

本文站在無車承運平臺的角度，平臺在當前階段較為關(guān)注的目標是快速促進成交和較低的承運成本，因此其希望通過每單成交的時間更短、每單獲得的利潤更大，因此設(shè)“線路價格”為y1、 “線路指導(dǎo)價”為y2， 對變量x9“交易成功時長”按公式(19)計算得到y(tǒng)3“時間倒數(shù)”：

n=1，2，…，15 719

(19)

b.確定輸入指標。

根據(jù)前文特征重要度分析的結(jié)果，“總里程”、“車輛噸位”、“車輛長度”、“線路價格”、 “計劃時間”5個變量是各單定價的主要影響因素。因此假設(shè)僅有x1“總里程”、x2“車輛噸位”、x3“車輛長度”、x4“線路價格”、x5“計劃時間”5 個變量同時會影響初始定價和最終成交價，因此選擇上述5個變量作為輸入變量。

c.建立 CCR 模型。

設(shè)DMUn表示第n個決策單元(n=1， 2， …， 16 005 )，每個決策單元都有5種投入量和3種產(chǎn)出量，設(shè)xi，n(i=1，2，3，4，5;n=1，2，…，16 005)表示第n個決策單位的第i種投入量，yj，n(j=1，2，3;n=1，2，…，15 719)表示第n個決策單位的第j種產(chǎn)出量，vi(i=1，2，3，4，5 )表示第i種投入的權(quán)重，uj(j=1，2，3 )表示第j種產(chǎn)出的權(quán)重。

向量Xn和Yn分別表示第n個決策單元輸入向量和輸出向量，V和U分別表示 輸入指標的權(quán)重向量和輸出指標的權(quán)重向量，設(shè)Xn=(x1，n，x2，n，x3，n，x4，n，x5，n)T，Yn=(y1，n，y2，n，y3，n)T，V=(v1，v2，v3，v4，v5)T，U=(u1，u2，u3)T。目標是少投入、多產(chǎn)出，決策單元n0率的模型為：

(20)

(21)

maxVn0=μTYn0

(22)

(23)

d.DEA評價結(jié)果。

針對選取的1 500個樣本訂單的1次報價、2次報價和3次報價的預(yù)測值，DEA評價結(jié)果如表5所示。針對1次報價，99.46%的訂單的綜合效率處于 0.8 至 1；針對2次報價，99.07%的訂單的綜合效率處于0.8至1；針對3次報價，78.07%的訂單的綜合效率處于0.8至1。綜上所述，利用XGBoost模型的預(yù)測結(jié)果和定價策略相結(jié)合對訂單3次定價進行預(yù)測，結(jié)果表明，大部分訂單的定價結(jié)果符合平臺現(xiàn)階段目標。

表5 3次報價的DEA評價Table 5 DEA evaluation of the three quotations綜合效率樣本數(shù)(1次)樣本數(shù)(2次)樣本數(shù)(3次)0～0.20000.2～0.40000.4～0.60030.6～0.88143260.8～1.01 4921 4861 171

4 結(jié)論

本文以無車承運人平臺為研究對象，結(jié)合平臺的大量已成交歷史訂單數(shù)據(jù)，構(gòu)建了無車承運人平臺線路定價的XGBoost預(yù)測模型，并且基于訂單的緊急程度制定了無車承運人平臺的調(diào)價策略，隨后利用XGBoost預(yù)測模型和調(diào)價策略相結(jié)合預(yù)測出訂單的3次定價數(shù)值，最后使用數(shù)據(jù)包絡(luò)分析法對訂單預(yù)測出的3次定價進行綜合效率評價，主要得出以下結(jié)論：

a.通過對比XGBoost模型與其它9種機器學(xué)習(xí)模型在人工劃分的測試集上對線路指導(dǎo)價的預(yù)測性能，證明XGBoost模型在無車承運人平臺定價問題上的預(yù)測效果最優(yōu)，并在XGBoost模型的預(yù)測結(jié)果的基礎(chǔ)上制定了基于訂單緊急程度的調(diào)價策略。

b.基于XGBoost模型計算了影響平臺定價的16個特征的相對重要度，結(jié)果表明，“總里程”、“車輛長度”、“車輛噸位”、“線路價格”、 “計劃時間”5個變量是各單定價的主要影響因素。

c.利用數(shù)據(jù)包絡(luò)分析法計算出1次定價、2次定價和3次定價分別有99.46%、99.07%和78.07%的訂單的綜合效率處于0.8～1的區(qū)間，證明了本文XGBoost模型與調(diào)價策略相結(jié)合的定價預(yù)測方法的合理性。

本文研究為無車承運人平臺的定價決策提供了有益借鑒和科學(xué)依據(jù)，但本文僅以無車承運人平臺和承運司機為研究對象，沒有考慮面向貨主的運輸任務(wù)的報價，未來的研究內(nèi)容可以圍繞上述內(nèi)容展開討論。