外卖骑手的解困之策

36氪的朋友们 · 2020-10-23
我们从平台设计运营和政府监管两方面为解决外卖骑手困境提供了可能的解决方案。

编者按:本文来自作者:王海(麻省理工学院运筹学博士)孙昊(清华大学管理科学与工程博士),36氪经授权发布。

背景

九月初,一篇“困在系统里的骑手”的文章,展现了外卖行业险象环生的现状。

当前,激烈的竞争环境正推动外卖平台不断改进算法和骑手绩效考核方式。社会在收获良好顾客体验、较低配送成本和极高配送效率的同时,也付出了骑手权益和行人安全降低的代价。

作为致力于大数据,运筹学,以及人工智能方法在智慧城市领域应用的学者和研究者,我们期望,用更科学的运营流程和算法逻辑,构筑健康,温暖,高效,可持续且具有社会责任的外卖生态体系。

篇幅所限,本文仅介绍我们认为最重要且实际可行的方法。方案从平台设计运营和政府监管两方面展开。平台设计运营部分,聚焦运营流程和算法、供需调节机制、以及骑手激励机制等;政府监管部分,聚焦明晰劳资关系、加强资质审核和运营监督、明确平台责任、以及市场竞争与政府干预等。

针对每项内容,【洞察】部分介绍了相关的经济学和管理学原理,或数据科学、人工智能和优化算法的可能技术实现路线,以供业内人士和专家学者等参考,读者跳过该部分不影响理解全文。

平台设计

1. 运营流程和算法

在外卖骑手困境的讨论中,平台的运营流程和算法是焦点之一。算法本身是中性的,其蕴含的思想和流程由平台的商业逻辑和目标决定。平台可让运营流程和算法的目标或逻辑更加兼顾顾客、骑手和平台等多方目标,提升社会整体福利水平。

根据通常外卖配送流程,我们分别提出针对顾客端、骑手端和平台端的运营和算法改进方案,包括餐馆推荐系统、预计送达时间预测算法、派单算法、路径规划算法、算法参数管理、以及基础设施建设等六点建议。

(1) 顾客端-餐馆推荐系统

平台可在实时餐馆推荐系统的设计中采用更多与应用场景相关、反映实时供需情况和骑手空间分布的数据,将餐馆推荐系统打造成调节市场供需平衡的重要工具。例如,针对某商家,如过往一小时骑手等待时间较短、当前周边分布骑手较多、店内正等待取餐的骑手较少、正准备的订单数量较少等,在其它属性相近的条件下,则该商家在推荐排序算法的结果中可被优先推荐。

推荐系统还可根据实时已有订单的餐馆和骑手位置进行拼单推荐,实现外卖“顺风车”。比如,如果一位骑手正在顾客周边商家等待取单,且预估取餐时间较长,那么,即使该商家不是距离顾客最近或价格最低,推荐系统也可一定程度上提高其权重和优先级。

【洞察】在当前实现的推荐系统中,算法输入的应用场景数据至少由三大类组成[44]:一是用户画像,如,性别、常驻地、价格偏好、食物偏好等;二是食物画像,包含商家、外卖、团单(即团购订单),其中,商家特征包含商家价格、商家好评数、商家地理位置等,外卖特征包含平均价格、配送时间和销量等,团单特征包含适用人数和返购率等;三是场景画像,包含用户当前所在地、时间、定位附近商圈、基于用户的上下文场景信息等。

若基于上述方案改进餐馆推荐系统,系统可采用基于在线优化(online optimization)和增强学习(reinforcement learning)的算法,实时更新客户端餐馆推荐结果。

关于实现外卖的“顺风车”,类似思想已在网约车市场实现,通过将目的地相近或顺路的订单整合在一起,提升配送资源的利用率。其中,需同时解决订单与骑手的双边匹配问题、以及针对“顺风车”订单的配送费定价问题[19][17]。

(2) 顾客端-预计送达时间预测算法

预计送达时间预测算法可融合来自骑手的手机GPS实时定位数据、手机运动传感器移动数据、安卓操作系统特定应用程序搜集的活动识别数据等多源异质数据集[28],识别骑手在不同时刻所处的活动状态以及状态改变的时间点。这有助于提升订单交付时间的预测准确性,尤其是和楼层高度、小区配送和顾客交付相关的时间。为明确商家和骑手的责任,并方便顾客对商家和骑手进行公平评分,平台应分别预测、显示和评估“商家出餐时间”和“骑手送餐时间”。

【洞察】外卖配送场景中,预计送达时间(ETA)是用户成功下单时刻到骑手将外卖送达顾客手中的送达时间预测结果。可分解为压单时间(从商家接单到骑手接单)、到店时间(从骑手接单到骑手到店)、取餐时间(从骑手到店到骑手取餐)、送餐时间(从骑手取餐到到达用户)以及交付时间(从到达用户到完成送达),此过程还包含出餐时间(从商家接单到商家出餐)[45]。

关于骑手送餐时间,一个最大的技术性挑战,是预估交付时间,即骑手到达用户附近后多久能送到用户手中:一方面,老旧小区没有电梯、或写字楼难等到电梯等现实情况给骑手快速交付订单带来困难;另一方面,在进行交付时间预估时,算法输入字段较少,重要维度特征仅包括交付地址(文本数据)、交付点的经纬度、区域及城市[48]。

基于手机GPS实时定位数据、手机运动传感器移动数据(motion sensor data)以及安卓操作系统ActivityRecognitionClient API搜集的活动识别数据(activity recognition data)等改进ETA预测算法,平台将更清晰地识别骑手运动状态,例如,电动车骑行中、步行中、奔跑中或原地等待中等,并采用深度学习方法进行序列建模(sequence modeling),实现对ETA尤其是交付时间的更准确地预测。

(3) 骑手端-派单算法

派单算法应考虑骑手之间的订单负载均衡,分配到不同骑手的订单数量应相对平均,避免出现个别骑手承载过重的配送任务、而有些骑手被闲置的局面。同时,算法还应考虑骑手对区域的熟悉程度和配送经验等。

【洞察】实时派单算法是智能配送系统中的重要组成部分。当前实时派单问题被描述为以离散马尔可夫决策过程(Markov Decision Process)为核心的动态随机优化问题,目标是一段时间内的顾客体验(如,准时率)和骑手效率(如,单均行驶距离或单均消耗时间)等指标最优,算法需计算动态到达的订单分配给骑手的策略以及每个骑手后续的节点访问顺序(即路径规划, routing optimization)[49]。

对此进行合理建模和算法优化之后,派单算法可实现骑手订单负载均衡(workload balance)和融合骑手当地区域知识和配送经验。建模人员可通过在目标函数中引入“最大化所有骑手的最小订单负载”(maxmin)或“最小化所有骑手的最大订单负载”(minmax)的方式调整。

另外,派单算法引入骑手对当地区域的熟悉程度和配送经验等,不仅意味着ETA预测算法需纳入相应重要指标,也意味着派单算法需考虑骑手之间在这两个维度上的差异。综合以上因素,由多目标优化算法(multi-objective optimization)给出满足多个目标的最佳派单结果[21]。

(4) 骑手端-路径规划算法

与派单算法紧密关联的是路径规划算法,算法应引入与实际路况更贴近的特征,如,单行道、限行、机动车道和非机动车道,及交通管制和拥堵等,并根据实时信息调整。

【洞察】针对骑手路径规划,平台需建立基于有向图的实时动态路径规划模型,输入该模型的可行路径集合(set of feasible routes)需根据离线信息缩小[33],如,许多单行道、限行路线和过街天桥不允许电动车经过的路线,应作为强约束从集合中剔除;另外,该集合还需根据实时信息进行调整,例如,出现严重交通拥堵或临时交通管制的路线也应被剔除。

面对随机的订单需求和配送时长,可考虑借鉴离线-在线近似动态规划算法[30](offline-online approximate dynamic programming)或在线再优化策略[5](online re-optimization strategy)的思想求解。

(5) 平台端-算法参数管理

平台端对算法参数及时审核并合理设置,是解决骑手困境的关键,应重点关注。

这个问题源于平台在预测订单“预计送达时间”(ETA)探索实践中的模型迭代过程:在实际ETA预估场景下,算法的损失函数设计是以“整体的预估结果能够尽量前倾”为目的,且对于迟到部分会增加数值惩罚[47],这意味着算法在不断“逼迫”骑手缩短实际送达时间,而骑手每次成功避免超时的历史记录都会让算法“学习”到可能更短的送达时间,即便这个送达时间是骑手通过闯红灯、逆行等违反交通规则的方式实现的。基于此逻辑,这些数据会进一步提高算法对骑手送达时间的“期待”,使算法朝缩短送达时间的方向进行要求和优化。

对此,平台应通过对实际送达时间等算法的参数进行审核和调整以终止上述恶性循环,即赋予算法“底线思维”。遵守交通法规和维护行人安全是底线,是数据预处理环节进行历史数据清洗和校正必须考量的因素,是数学模型中的“硬约束条件”,也是优化算法剔除不可行路径中必须满足的规则。这也意味着,订单送达时间应存在一个合理的、无法通过算法优化而逾越的下限。否则,不管采用何种激励机制和评分体系,缺乏“底线思维”的算法流程,会一直将骑手困在系统中。

(6) 平台端-基础设施建设

针对最后100米配送,平台可尝试自建或联合第三方物流公司建设外卖取餐柜[52]。位置可为办公场所、写字楼、医院及高校等,顾客可选择线上下单、线下取餐。

【洞察】取餐柜选址将影响线上下单、线下取餐(buy-online-pick-up-in-facility)的便利性,平台可进行两阶段的取餐柜网络设计优化:第一阶段,平台可结合各区域的人口社会统计、经济发展、历史完单及配送时长等多维度数据,建立机器学习模型和计量经济学模型,以预测各区域潜在需求和建立取餐柜对需求的影响[15];第二阶段,平台可建立取餐柜设施选址(facility location optimization)和骑手服务区划分(service region allocation optimization)的多阶段随机规划模型(multi-stage stochastic programming),联合优化取餐柜位置和骑手派单服务策略。

此外,在需求量较大的办公楼、小区、学校和医院等,平台可考虑配备专职终端派送人员。终端配送人员对小区周边和电梯设备更熟悉,有助于降低因骑手对环境陌生而造成的顾客等待时间,也能实现对局部区域的订单统一管理和配送、从而避免骑手重复劳动。

【洞察】配备专职终端人员,在提升平台整体运营效率的同时,也会增加平台运营成本,需进行深入的成本-效益分析。分析框架可将配送过程视为一个排队系统 (queueing system) [32],在指定场所配备专职终端配送人员,将增加固定人力成本,但值得关注的是,根据排队论,骑手每单平均派送时间和顾客等待时间等系统的服务质量指标之间存在着强烈的非线形关系,这意味着,通过配备专职终端人员以适当降低骑手在这些场所的派送时间,可能显著提高系统服务质量指标,从而使得带来的配送效益可能高于额外的人力成本。

未来,平台还可推广机器人、无人车和无人机配送。平台可通过相关核心技术的资本投入和技术积累,转型为高科技公司。实际上,美团已尝试无人车和无人机配送:2月疫情期间,外卖平台利用无人配送车为北京顺义几个小区居民做订单配送,截至9月初,平台已累计使用无人车配送6000多用户实际订单,覆盖该站点超过80%的订单需求;目前平台也在深圳等地进行无人机运营测试[53]。

【洞察】在设计无人车辅助配送系统中,面对无人车配送和骑手配送两种模式,考虑到无人车成本方面的优势和灵活性方面的不足,平台可基于实际配送场景、市场供需状态以及交通路况,采用马尔可夫决策过程,联合优化无人车和骑手之间的分配比例与配送路线[29]。

2. 供需调节机制

平台可根据配送距离和配送时段等因素,合理设计基础派送价格和骑手补贴;另外,平台也可针对突变的供需情况,实时调整骑手配送费用,缓解供需不平衡[46][36]。

作为企业收益管理的重要工具,动态定价已被广泛使用,包括上世纪80年代采纳的航空业、90年代采纳的酒店业和租车业[31]、以及当前新兴的共享出行[3]。

外卖行业,平台面临的市场供需不协调问题更突出,且市场供需随时间变化剧烈。采取不同形式的配送价格,区分顾客对等待时间的实际需求和敏感性,对提高和使用供需弹性、缓解供不应求的负面影响有一定积极作用;但基于配送价格的动态定价机制不能解决所有问题,无论在行业实践还是学术研究中都存在争议,还需要平台对该策略的价值进行更深入探究。

(1) 基于区域和时间段的时空动态定价

为调节市场供需,平台可针对每笔订单的配送费实行基于配送区域、下单时间或送达时间的动态定价,并对愿意等待的顾客提供愿等打折。

【洞察】基于区域和时间段的时空动态定价(dynamic & surging pricing)通常可分为“乘积溢价”(multiplicative surge)和“加和溢价”(additive surge)两类:在特定区域和时段内,前者指在基础价格上乘以一定倍数(如,1.5倍),美国网约车平台Uber早期使用该类溢价策略;而后者指在基础价格上加上与距离无关的常数(如,10元),这是Uber当前采用的最新溢价策略。研究表明,在供需动态变化环境下,相比乘积溢价策略,加和溢价策略是激励相容 (incentive-compatible) 的定价机制[14]。这为外卖平台设计基于配送费的实时动态定价策略提供了方向。

实时动态定价策略仍存争议。理论研究显示,在共享出行背景下,理性的乘客和司机会策略性等待更合适的价格或收入。如果市场状态比较平稳,那么平台没必要采用实时动态定价策略,尤其是可能造成乘客、司机、监管者之间的对立[9]。

(2) 顾客灵活充值账户

为弥补实时动态定价在区分顾客对等待时间的实际需求和时间敏感性方面的不足,平台可建立灵活的用户充值账户:高峰期时段,如果需要外卖尽快送到,顾客可向个人在平台上的账户充入额外金额,这些资金不会流入骑手或平台,而是作为用户的充值余额,只是在低峰期时段点餐使用。

【洞察】顾客在高峰时段的充值行为,将传递出其对派送等待时间比较敏感的信号,作为系统派单算法的依据,并且,顾客在低峰期使用账户余额订餐,可激发低峰时段的整体需求,充分利用低峰期时段闲散的备餐和配送资源,平滑市场需求。针对网约车的研究表明,一定条件下,合理设计用户充值账户机制 (integrated reward scheme with surge pricing) 可实现多方共赢,提升顾客、司机和平台的整体社会福利[37]。

(3) 增加兼职和众包骑手

平台提升兼职和众包骑手的运力占比,有助于提高运力调整的空间和弹性,更有效地调节市场的供需平衡。

【洞察】平台的骑手分为专送全职和众包兼职,前者工作时间固定并接受系统派单,后者灵活决定工作时间并可有限次拒绝派单[51]。为提升整体运力供给,尤其是满足高峰时段的配送需求,平台通常用现金奖励方式补贴骑手。实证研究表明,网约车市场中,平台补贴将从劳动者是否选择工作和工作时长两个维度影响劳动力供给,而且,兼职劳动者的收入供给弹性 (supply elasticity) 更高[24]。

这意味着外卖平台需更严密地研究骑手的运力供给,分析骑手针对期望收入水平变化而进行的运力供给调整,合理设计平台上全职和兼职骑手的比例,并精准地向骑手、尤其是兼职骑手提供补贴奖励。

3. 骑手激励机制

在外卖骑手困境的讨论中,骑手激励机制引起了社会各界的广泛讨论。

在基于人工智能算法的外卖配送系统中,从顾客成功下单起,该系统便自动化计算最优的订单分派和骑手配送路线,并预测订单“预计送达时间”,以考核“准点率”;一旦配送超时,骑手将面临降低收入甚至淘汰的惩罚。

而这套“最优”方案是在给定的历史数据和预设的模型参数下、通过模拟现实得到的“理想值”或“乐观值”。面对复杂的现实场景,骑手的激励机制需具备容错性和灵活性,以抵抗市场不确定性的冲击,降低其收入的波动。这不仅可提升骑手的福利水平,也将增强平台总体运力。

(1) 预计送达时间容错

面对无法避免的外卖订单配送超时风险,平台可考虑引入“超时容错机制”,订单的“预计送达时间”设置和显示为时间段(如,“17:20-17:25到达”),并根据商家备餐状态和骑手配送情况动态调整、提前向顾客提醒可能的超时送达,而非精确到具体时刻(如,“预计17:23到达”),甚至故意将顾客端显示的“预计送达时间”设定为早于骑手端。

【洞察】技术层面,即便采用先进的深度学习算法,模型学习的结果也只是关于“预计送达时间”(Estimated Time of Arrival,简称ETA)的统计分布,不能做到对每个样本的预测值都有绝对准确的“信心”[47] 。ETA参数的区间估计结果(“17:20-17:25”)比点估计结果(“17:23”)更可信,后者不能告诉顾客真实送达时间与差距,而前者可反映真实送达时间所处的大致可信范围 (confidence interval)。

管理层面,区间形式的“预计送达时间”,是应对预测算法的误差和外部配送环境的变化的容错策略,体现的是对骑手和顾客负责任的态度。与此相关,平台还可根据送达时间区间,设置弹性的实际送达时间考核标准:如实际送达时间在“预计送达时间”前后N分钟,则该笔订单配送记录判定为“正常”,如实际送达时间超过“预计送达时间”N分钟,则该笔配送记录判定为“超时”而纳入超时评估体系;如实际送达时间早于“预计送达时间”N分钟,则该笔配送记录判定为“快速”而纳入高效奖励体系。类似思想已被外卖平台的ETA预估算法采纳[47],也可作为超时容错策略体现在骑手激励机制设计中。

(2) 弹性的超时奖惩

平台可考虑将“超时率”划分多个区间、设计更有弹性的阶梯式超时奖惩规则:超时率分成多个区间段,例如,[0%, 5%]、(5%, 10%] 以及10%以上,如果骑手超时率处于第一个区间段,则绩效水平不受影响;如超时率处于第二个区间段,则绩效水平将受到适当轻微的负面影响;如超时率处于更高区间,则绩效水平将受到显著增强的负面影响。

【洞察】当前,骑手超时率通常不得高于3%,否则包括骑手、站长甚至区域经理等都将面临绩效惩罚[51]。从激励机制设计的本质而言,无论预计送达时间容错机制还是弹性超时奖惩机制,都是在期望构建基于骑手工作绩效(即超时程度或“超时率”)的非线性激励机制。

类似分段阶梯式的非线性惩罚机制在线上多边平台市场中经常出现,例如,在网约车市场,为杜绝司机的刷单作弊,平台会设计阶梯式作弊违规处罚标准:“第一次禁用3天,第二次禁用15天,第三次解除合作;累计非法获利≥1000元时,解除合作永不录用”[39]。

在激励骑手准时配送以最大化日成交金额(Gross Merchandise Volume,简称GMV)或日完单量的问题中,订单送达状态取决于配送过程中环境的不确定性、骑手业务水平、骑手对承担风险的态度等多方面因素,平台无法完全掌握全部因素。那么,采用非线性激励机制,是否一定提升平台整体运营效率?

从管理学理论讲,基于绩效的激励机制包含激励强度的“斜率”(slope of incentive intensity)和激励的“形状”(shape of incentive contract)两个特征:斜率指激励强度关于绩效的变化率,而形状指激励关于绩效水平的非线性(或称凹凸性)。

研究表明,高激励斜率有助于改善绩效水平,而强非线性将增强个体承担风险的偏好;同时,最新实证结果显示,激励的斜率会影响个体风险偏好,而激励的形状也会影响绩效水平[11]。因此,构建基于骑手工作绩效的激励机制需综合上述多方面因素,合理选择激励关于绩效水平的斜率和形状,有助于提升配送系统整体效率。

(3) 骑手配送超时互助保险

平台还可考虑建立“骑手配送超时互助保险”机制:可由骑手自主选择是否加入,即骑手选择接单时,还可选择是否愿为这笔订单缴纳较低金额的超时保险费,这笔费用成为骑手互助的保险金额池。如果骑手因任何原因无法按时送达订单,可由金额池向骑手提供经济补偿。金额池内余额最后都退还给骑手。

【洞察】保险是管理风险的常见工具。在电子商务平台上,保险公司会向第三方卖家推出以商品买家为被保险人的“退换货运费险”,以降低可能的退换货运费给买家造成的损失[42]。

外卖行业中,67% 的骑手家庭在3~5人,四成骑手的爱人选择在家照顾孩子和老人。同时,五成骑手是家庭收入主要来源,七成骑手月收入在五千元以下。这意味着,大多数骑手面临自身和家庭的双重压力 [43]。

设立“骑手配送超时互助保险”核心目的在于,缓解超时对个体骑手的负面收入冲击,降低个人收入波动。研究表明,面对风险时,低收入劳动者或家庭通常基于工作和消费等两类经济行为进行调节。一是平滑收入(income smoothing),如兼任多份工作以提高收入来源的多样性和稳定性(美团平台,35% 的骑手拥有包括小生意或其它外卖平台在内的其它收入来源[43]),二是平滑消费(consumption smoothing),如调整自身的劳动力供给水平和使用保险协议[22]。

(4) 考核周期延长

现在平台冲单奖励活动和考核时间一般是一天某个时段。平台可考虑以“天”为单位奖励,或将惩罚考核周期适当延长至“星期”甚至“月”。通过实践找出最佳考核周期,以降低骑手对短期高频考核的焦虑,提高系统整体效率。

【洞察】基于时间段的冲单奖励,看似有助于满足高峰时段旺盛需求,但共享经济商业模式的实证研究表明,理性的服务提供者为尽可能获得活动期高冲单奖励,可能选择在活动期开始前策略性停止工作,以等待高峰期到来,这种“前瞻”(forward-looking)行为将导致平台在高峰期到来之前运力供给下降,给整个系统运行效率造成负面影响[34]。

考核周期延长将有助于平滑骑手在不同时间段内的平均收入,激励骑手维持稳定的服务质量水平,保障平台总体运力平稳。最近,一份关于产品销售人员薪酬体系设计的研究表明,销售人员的工作绩效将显著受到考核周期的影响:当平台将激励机制考核周期缩短时(如,从“月”度考核调整为“天”度考核),原本优秀的销售人员表现出下降的绩效水平[10]。

值得关注的是,已有的行为学实验研究表明,基于考核目标的高频绩效评估会潜在增加人员的焦虑和压力,甚至会促使人员过于激进而引发欺诈和不道德行为 [23][38]。

外卖市场中,平台也需综合骑手的配送努力程度,配送能力的差异,以及进行运力供给决策中的前瞻行为等,谨慎制定最佳考核周期。

(5) 多层次多属性绩效评估

平台应建立基于综合服务质量、配送效率和安全保障等多属性的多层次骑手绩效评估体系。当前,系统为骑手设置的积分等级体系,直接基于完单量、准时率或顾客评价奖励积分[51],可提升骑手的安全保障、违章记录及公益活动等有助于建设外卖生态体系的多个属性的重要性。

评估体系可尝试根据政府部门监管法规和平台发展目标为不同评估指标设定优先级,其中,遵守交通安全法规应为外卖配送的基本要求。

【洞察】在多层次多属性绩效评估体系的设计过程中,在第一层,遵守交通安全法规是外卖配送的基本要求,那么,“违章率”的优先级需要最高,一定考核期内,如果骑手“违章率”超过阈值,将被“一票否决”,不会进入下一层的绩效评估;在第二层,维持并提升市场占用率可能是当前平台运营关键目标,“完单量”的优先级可定为次高,在对“完单量”合理划分不同等级的奖励区间后,各骑手再根据实际“完单量”进入相应评估区间;最后,在特定的、基于“完单量”的评估区间内,综合服务质量和顾客评价等属性设定奖励金额。

另外,平台可能要同时实现“违章率”、“日成交单量”和“超时率”等多个关键绩效的管理目标。不仅需考虑实际绩效水平和管理目标的不确定性,还需关注多个绩效指标的相关性(如,严格控制“违章率”会减少当前“日成交单量”)对绩效评估体系的影响[25]。

(6) 多向评分反馈

外卖市场是由顾客、平台、商家和骑手共同建立的生态圈,当前系统采取的是顾客给商家或骑手的单向评分方式。平台可建立“多向”评分反馈系统,其中,顾客给商家和骑手分别评分,顾客对商家的菜品进行反馈,对骑手的派送服务进行反馈;骑手也可选择给商家评分,反馈商家出餐及时性等信息;更进一步地,骑手还可给顾客评分,反馈订单交付难度和顾客接单态度等信息。

与此同时,平台根据商家、顾客和骑手的权力义务,并综合天气、路况和其它不可控因素等,设定公平合理的判责系统。

【洞察】实际商业场景中,如,网约车市场,乘客可给司机评分,司机也可对乘客评分。建立多方评分反馈系统(multi-lateral rating systems)的核心目的是增强在线市场中各参与方之间的信任度[12],降低各参与方的信息不对称[17],从而“驱逐”低质量的参与方,降低交易成本。

平台需认真思考两个问题:一方面,相比单向评分反馈系统,多向评分反馈系统是否真会提升市场效率和社会福利?另一方面,参与方做出准确评分,基于自愿且需付出成本,在平台没有提供适当奖励的情况下,作为公共产品的用户评分将供给不足[2];如果采取多向评分反馈系统,平台应该如何激励尽可能多的参与方披露真实信息并给出可信评分?

第一个问题,以共享经济商业模式为背景的理论研究表明,相比于仅有顾客的单向评分,顾客和服务提供者之间的双向评分将弱化服务提供者之间的竞争,从而提高市场的均衡价格[17];另外,在一定条件下,双向评分机制将提升社会福利[26]。

第二个问题,平台需合理设计向各参与方展示彼此评分结果的方式和时间:如果平台在参与方完成评分之后立刻披露结果,那么,被评价方可能后续采取报复,故意压低评分,从而导致顾客评分的“失真”[6];但如果平台在双方或多方都完成评分或允许评分的时间窗结束后披露结果,则将显著降低评分者报复的可能性,并增加评分的真实性和供给量[13]。

政府监管

深入全面地理解互联网平台的商业逻辑和运营流程,有助于制定高效精准的监管措施。这不仅有赖于平台向监管者真实而全面地披露公司运营相关信息,也有赖于监管部门联合研究机构共同完成对信息的分析和总结[8],对平台和骑手的劳资关系、运营过程中的资质审核和监管、以及平台责任进行规范。

(1) 明晰劳资关系

相关部门需加快出台法律法规,明晰包括外卖骑手在内的自由职业者与共享经济/零工经济平台之间的劳资关系,对全职骑手与兼职骑手的法律地位清晰分类,界定相应权利和义务[16]。

【洞察】针对相关劳资关系,国家发改委于2020年7月14日发布文件,要求强化灵活就业劳动权益保障,探索适应跨平台、多雇主间灵活就业的权益保障、社会保障等政策[40]。

作为参考,2019年9月18日,美国加州正式签署AB5法案[7],于2020年1月1日正式生效。该法案要求将临时合同工(如,网约车司机)纳入雇主的正式受雇员工,这意味着相关企业的业务成本(如,最低工资、保险和员工福利等)将大幅增加,将影响公司的员工管理和定价机制。

实际上,为满足该法案要求,2020年7月9日,Uber平台已开始允许司机自己根据服务时间和距离设定价格[27]。目前,围绕AB5法案、以及自由职业者与平台之间的劳资关系,仍有非常大的争议。部分学者建议创立一个介于雇员和合同工之间的第三类工作类别,该类别将保留自由职业者的一部分工作灵活度,同时赋予其全职雇员可享受的部分待遇[16][35]。

(2) 加强资质审核和运营监督

交管、人社、应急管理等相关部门应督促和加强对平台和骑手的资质审核和安全培训。在劳动者申请加入平台过程中,平台需对骑手电动车的准入标准统一管理;与此同时,加强对平台运营流程的监督,比如,可借助骑手APP对平台配送路径规划等算法进行监管,严禁对骑手提供违反交通规则(如,逆行)的推荐路线;相关部门还可对平台上骑手每天的连续配送时长设置上限并进行合理监督,避免出现因疲劳工作造成交通事故。

(3) 明确平台责任

监管部门应把平台所属骑手发生的交通事故和违章次数、以及相应后果的严重程度作为对平台重要的监管指标,按月度或季度等进行考核追责,督促平台骑手共同维护配送安全。

已有法院判决为相关责任划分提供了有现实意义的指导。近日,关于浙江省湖州市吴兴区的外卖骑手撞伤行人一案,法院最后宣判,外卖骑手虽没有与平台签订法律劳务合同,但对外以“平台网上订餐配送”名义提供服务,且在提供配送服务时受平台管理制度约束,报酬由平台发放,无论是否与公司签合同,其接受配送任务后均与配送平台建立了雇佣关系,送餐中发生事故,作为雇主的公司应承担赔偿责任[41]。这无疑明确了外卖平台必须加快运营管理流程调整,保障骑手和行人安全。

(4) 市场竞争与政府干预

监管部门需要在遵循平台竞争规律和市场调节作用的条件下制定提升社会福利的监管法规。在市场经济环境下,平台之间的自由竞争将会影响平台选择最优的运营流程算法及骑手激励机制。但其竞争结果未必能实现各参与方的福利最大化,而可能陷入“囚徒困境”的局面。例如,如果一个平台没有严格遵守法规制度,漠视骑手权益,那么,为维持甚至扩大市场份额和利润,其竞争对手很可能也不选择严格遵守法规制度和提升骑手权益。为此,监管部门应充分考虑多平台竞争的市场环境,以问题为导向制定相关法规,一视同仁地对所有平台进行严格监管。

【洞察】平台之间的市场竞争虽有助于提升市场效率,但一定情况下,也可能出现市场失灵,竞争无法达到最优的纳什均衡(Nash equilibrium)。对此,监管者可考虑根据博弈论(game theory)和机制设计(mechanism design)的理论和工具来刻画骑手、顾客、商家和多个平台之间的交互行为,并研究市场中的平台竞争结果[1]。

特别是针对竞争的外部性(externalities)可能导致的市场失灵,监管部门需要考虑相应制度规则,以引导相互竞争的平台向更有利于提升社会福利的方向发展。

总结

我们从平台设计运营和政府监管两方面为解决外卖骑手困境提供了可能的解决方案,探讨了运营流程和算法、供需调节机制、骑手激励机制等平台可以采取的策略,并分析了明晰劳资关系、加强资质审核和运营监督、明确平台责任、以及市场竞争与政府干预等监管者面临的挑战。

构筑健康,温暖,高效,可持续且具有社会责任的外卖生态体系,需要从社会伦理、法律制度及经济学和管理学原理出发,融合大数据技术和人工智能算法等工具,充分满足不同目标下多参与方的核心利益。最终,让每一方都释放最大善意以实现共赢,才能提升社会整体福利水平,让人们真正享受科技的便利。

作者简介

王海:清华大学学士,麻省理工学院运筹学博士,现为新加坡管理大学决策分析方向助理教授,美国卡内基梅隆大学信息系统与公共政策学院访问教授;研究方向为运筹学,大数据,优化算法,以及人工智能的方法论及其在智慧城市场景的应用;主要领域包括智能交通,共享经济,智慧物流,以及智慧医疗等。微信:pahaiwuya。个人主页,http://wang-hai.net/

孙昊:华中科技大学学士,清华大学管理科学与工程博士,现为香港大学经济及工商管理学院博士后;研究方向为银行与金融中介,在线市场设计,统计学习方法与应用;主要领域包括金融科技与创新,共享经济等。

参考文献

[1] Ahmadinejad, AmirMahdi, Hamid Nazerzadeh, Amin Saberi, Nolan Skochdopole, and Kane Sweeney. (2019). Competition in ride-hailing markets. Available at SSRN 3461119.

[2] Avery, Christopher, Paul Resnick, and Richard Zeckhauser. (1999). The market for evaluations. American Economic Review, 89(3), 564-584.

[3] Bai, Jiaru, Kut C. So, Christopher S. Tang, Xiqun (Michael) Chen, and Hai Wang. (2019). Coordinating supply and demand on an on-demand service platform with impatient customers. Manufacturing & Service Operations Management, 21(3), 556-570.

[4] Basu, Amiya K., Rajiv Lal, V. Srinivasan, and Richard Staelin. (1985). Salesforce compensation plans: An agency theoretic perspective. Marketing Science, 4(4), 267-291.

[5] Bertsimas, Dimitris, Patrick Jaillet, and Sébastien Martin. (2019). Online vehicle routing: The edge of optimization in large-scale applications. Operations Research, 67(1), 143-162.

[6] Bolton, Gary, Ben Greiner, and Axel Ockenfels. (2013). Engineering trust: reciprocity in the production of reputation information. Management Science, 59(2), 265-285.

[7] California Legislative Information. Assembly Bill No. 5. September 18, 2019. https://leginfo.legislature.ca.gov/faces/billTextClient.xhtml?bill_id=201920200AB5.

[8] Calo, Ryan, and Alex Rosenblat. (2017). The taking economy: Uber, information, and power. Columbia Law Review, 117, 1623.

[9] Chen, Yiwei, and Ming Hu. (2020). Pricing and matching with forward-looking buyers and sellers. Manufacturing & Service Operations Management, 22(4), 717-734.

[10] Chung, Doug J., Das Narayandas, and Dongkyu Chang. (2020) The effects of quota frequency: Sales performance and product focus. Management Science.

[11] de Figueiredo Jr, Rui JP, Evan Rawley, and Orie Shelef. (2019). Bad bets: Nonlinear incentives, risk, and performance. Strategic Management Journal. https://doi.org/10.1002/smj.3111

[12] Einav, Liran, Chiara Farronato, and Jonathan Levin. (2016). Peer-to-peer markets. Annual Review of Economics, 8, 615-635.

[13] Fradkin, Andrey, Elena Grewal, and David Holtz. (2020). Reciprocity in two-sided reputation systems: Evidence from an experiment on Airbnb. Working Paper, MIT Sloan School of Management. https://andreyfradkin. com.

[14] Garg, Nikhil, and Hamid Nazerzadeh. (2019). Driver surge pricing. arXiv preprint arXiv:1905.07544.

[15] Glaeser, Chloe Kim, Marshall Fisher, and Xuanming Su. (2019). Optimal Retail Location: Empirical Methodology and Application to Practice: Finalist–2017 M&SOM Practice-Based Research Competition. Manufacturing & Service Operations Management, 21(1), 86-102.

[16] Hagiu, Andrei, and Julian Wright. (2019). The status of workers and platforms in the sharing economy. Journal of Economics & Management Strategy, 28(1), 97-108.

[17] Ke, Jintao, Hai Yang, Xinwei Li, Hai Wang, and Jieping Ye. (2020). Pricing and equilibrium in on-demand ride-pooling markets. Transportation Research Part B: Methodological 139: 411-431.

[18] Ke, T. Tony, Baojun Jiang, and Monic Sun. (2017). Peer-to-peer markets with bilateral ratings. In MIT Sloan Research Paper No. 5236-17; NET Institute Working Paper No (pp. 17-101).

[19] Li, Ruijie, Yu (Marco) Nie, and Xiaobo Liu. (2020) Pricing carpool rides based on schedule displacement. Transportation Science 54(4):1134-1152.

[20] Liu, Sheng, Long He, and Zuo-Jun Max Shen. (2018). On-time last mile delivery: Order assignment with travel time predictors. Management Science.

[21] Lyu, Guodong, Wang Chi Cheung, Chung-Piaw Teo, and Hai Wang. (2019). Multi-objective online ride-matching. Working paper, National University of Singapore. Available at SSRN 3356823.

[22] Morduch, Jonathan. (1995). Income smoothing and consumption smoothing. Journal of Economic Perspectives, 9(3), 103-114.

[23] Schweitzer, Maurice E., Lisa Ordóñez, and Bambi Douma. (2004). Goal setting as a motivator of unethical behavior. Academy of Management Journal, 47(3), 422-432.

[24] Sun, Hao, Hai Wang, and Zhixi Wan. (2019). Model and analysis of labor supply for ride-sharing platforms in the presence of sample self-selection and endogeneity. Transportation Research Part B: Methodological, 125, 76-93.

[25] Tsetlin, Ilia, and Robert L. Winkler. (2007). Decision making with multiattribute performance targets: The impact of changes in performance and target distributions. Operations Research, 55(2), 226-233.

[26] Tunc, Murat M., Huseyin Cavusoglu, and Srinivasan Raghunathan. (2019). Two-sided adverse selection and bilateral reviews in sharing economy. Available at SSRN 3499979.

[27] Uber Blog. California drivers: Set your own fares when you drive with Uber. June 25, 2020. https://www.uber.com/blog/california/set-your-fares/.

[28] Uber Engineering. How trip inferences and machine learning optimize delivery times on Uber Eats. (2018). https://eng.uber.com/uber-eats-trip-optimization/.

[29] Ulmer, Marlin W., and Barrett W. Thomas. (2018). Same‐day delivery with heterogeneous fleets of drones and vehicles. Networks, 72(4), 475-505.

[30] Ulmer, Marlin W. Justin C. Goodson, Dirk C. Mattfeld, and Marco Hennig. (2019). Offline–online approximate dynamic programming for dynamic vehicle routing with stochastic requests. Transportation Science, 53(1), 185-202.

[31] Wall Street Journal. (2015). Now prices can change from minute to minute. December 14, 2015. https://www.wsj.com/articles/now-prices-can-change-from-minute-to-minute-1450057990.

[32] Wang, Hai, and Amedeo Odoni. (2016). Approximating the performance of a “last mile” transportation system. Transportation Science, 50(2), 659-675.

[33] Wang, Hai. (2019). Routing and scheduling for a last-mile transportation system. Transportation Science, 53(1), 131-147.

[34] Wang, Hai, and Hao Sun. (2020). Peak-hour incentive design with strategic driver behavior. Singapore Management University, working paper.

[35] Wang, Hai, and Hao Sun. (2020). The optimal labor supply flexibility on ride-sharing platforms. Singapore Management University, working paper.

[36] Wang, Hai, and Hai Yang. (2019). Ridesourcing systems: A framework and review. Transportation Research Part B: Methodological, 129, 122-155.

[37] Yang, Hai, Chaoyi Shao, Hai Wang, and Jieping Ye. (2020). Integrated reward scheme and surge pricing in a ridesourcing market. Transportation Research Part B: Methodological, 134, 126-142.

[38] Zoltners Andris A, PK Sinha, and Sally E. Lorimer. (2016). Wells Fargo and the slippery slope of sales incentives. Harvard Business Review. (September), https://hbr.org/2016/09/wells-fargo-and-the-slippery-slope-of -sales-incentives.

[39] 滴滴出行. 滴滴专车司机作弊违规处罚标准. 2019年04月24日. https://www.eycen.com/post/545.html.

[40] 发展改革委网站. 关于支持新业态新模式健康发展 激活消费市场带动扩大就业的意见. 2020年07月14日. https://www.ndrc.gov.cn/xxgk/zcfb/tz/202007/t20200715_1233793_ext.html.

[41] 金融界. 浙江湖州外卖骑手撞伤行人,法院判未签劳动合同的平台需担责. 2020年09年15日. https://baijiahao.baidu.com/s?id=1677901965178599201&wfr=spider&for=pc.

[42] 京东. 什么是退换货运费险?2019年12月10日. https://help.jd.com/user/issue/430-499.html

[43] 美团研究院. 新时代 新青年:2018年外卖骑手群体研究报告. 2019年1月17日. https://s3plus.meituan.net/v1/mss_531b5a3906864f438395a28a5baec011/official-website/c21d0443-decf-41d5-9813-ef8eaa6516d0.

[44] 美团技术团队. 深度学习在美团推荐平台排序中的运用. 2017年07月28日. https://tech.meituan.com/2017/07/28/dl.html.

[45] 美团技术团队. 即时配送的ETA问题之亿级样本特征构造实践. 2017年11月24日. https://tech.meituan.com/2017/11/24/gbdt.html.

[46] 美团技术团队. 美团外卖骑手背后的AI技术. 2018年03月29日. https://tech.meituan.com/2018/03/29/herenqing-ai-con.html.

[47] 美团技术团队. 深度学习在美团配送ETA预估中的探索与实践. 2019年02月21日. https://tech.meituan.com/2019/02/21/meituan-delivery-eta-estimation-in-the-practice-of-deep-learning.html.

[48] 美团技术团队. 配送交付时间轻量级预估实践. 2019年10月10日. https://tech.meituan.com/2019/10/10/distribution-time-prediction-practice.html.

[49] 美团技术团队. 美团智能配送系统的运筹优化实战. 2020年02月20日. https://tech.meituan.com/2020/02/20/meituan-delivery-operations-research.html.

[50] 青年报. 快递、外卖行业交通事故频发 去年117起事故致9死134伤. 2018年02月10日. http://app.why.com.cn/epaper/webpc/qnb/html/2018-02/10/content_51905.html.

[51] 人物. 外卖骑手, 困在系统里. 2020年9月8日. https://mp.weixin.qq.com/s/Mes1RqIOdp48CMw4pXTwXw.

[52] 搜狐网. 高校为什么要布局智能外卖柜?对学校有什么好处. 2019年6月21日. https://www.sohu.com/a/322101528_120167191.

[53] 中国日报中文网. 美团夏华夏:不断深化现实物理场景应用 美团AI助力产业智能化转型. 2020年9月8日. http://cn.chinadaily.com.cn/a/202009/08/WS5f56f6faa310084978423e53.html.

+1
0

好文章,需要你的鼓励

参与评论
登录后才能参与讨论哦...
后参与讨论
提交评论0/1000

请回复有价值的信息,无意义的评论将很快被删除,账号将被禁止发言。

文章提及的项目

下一篇

中科搏锐脑血氧监测设备的无线无创设计,在手术康复、精神康复、日常生活等诸多场景下皆能实现无缝衔接,连续·实时·无创·精准监测,实现全场景无障碍监测。

2020-10-23

36氪APP让一部分人先看到未来
36氪
鲸准
氪空间

为你推送和解读最前沿、最有料的科技创投资讯

一级市场金融信息和系统服务提供商

聚集全球最优秀的创业者,项目融资率接近97%,领跑行业