作者｜王海、孫昊

背景

本月初，一篇針對“困在系統(tǒng)里”的外賣騎手的新聞報道展現(xiàn)了外賣行業(yè)中險象環(huán)生的現(xiàn)狀，激起社會各界的廣泛討論。面對外賣市場的激烈競爭，平臺持續(xù)地追求提升效率和降低成本，采用大數(shù)據(jù)技術(shù)和人工智能算法，并在發(fā)掘人力極限的過程中，不斷降低送餐時限，使得全行業(yè)外賣訂單單均配送時長在2019年比3年前減少了10分鐘^[51] ，顯著提升了顧客體驗，推動外賣成為了勞動密集型和技術(shù)密集型模式結(jié)合的代表行業(yè)。

然而，由于現(xiàn)有共享經(jīng)濟商業(yè)模式中服務(wù)提供者與平臺并沒有正式雇傭關(guān)系的特殊性，平臺對騎手的權(quán)益保障和社會福利的重視程度仍有待提高；在現(xiàn)有的商業(yè)邏輯、算法規(guī)則和考核制度面前，為了完成更多訂單以提高收入，一些騎手違反交通法規(guī)甚至冒著生命危險“乘風(fēng)破浪”。據(jù)統(tǒng)計，在2017年，僅上海市就發(fā)生涉及快遞和外賣行業(yè)的各類道路交通事故117起，共造成9人死亡，134人受傷^[50] 。

當(dāng)前，激烈的市場競爭環(huán)境正推動外賣平臺不斷改進算法和騎手績效考核方式。社會在收獲良好顧客體驗、較低配送成本和極高配送效率的同時，也付出了騎手權(quán)益和行人安全降低的代價。面對此外賣騎手困境，我們將圍繞其中的問題根源，從平臺設(shè)計運營和政府監(jiān)督監(jiān)管的視角，系統(tǒng)性地提出一系列可以嘗試的改進方案。

作為致力于大數(shù)據(jù)，運籌學(xué)，以及人工智能方法在智慧城市領(lǐng)域應(yīng)用的學(xué)者和研究者，我們期望用更加科學(xué)的運營流程和算法邏輯，構(gòu)筑健康，溫暖，高效，可持續(xù)并且具有社會責(zé)任的外賣生態(tài)體系。

我們的方案將從平臺設(shè)計運營和政府監(jiān)督監(jiān)管兩方面展開——

• 在平臺設(shè)計部分，方案將聚焦騎手激勵機制、運營流程和算法，以及供需調(diào)節(jié)機制等內(nèi)容；

• 在政府監(jiān)管部分，方案將聚焦明晰勞資關(guān)系、加強資質(zhì)審核和運營監(jiān)督、明確平臺責(zé)任、以及市場競爭與政府干預(yù)等內(nèi)容。由于時間和篇幅所限，本文并沒有列舉介紹所有可能的改進方向，僅選擇我們認(rèn)為對解決外賣騎手困境最重要并且具有實際可行性的內(nèi)容。

針對每項的具體內(nèi)容，我們在“洞察”部分介紹了相關(guān)的經(jīng)濟學(xué)和管理學(xué)原理，或者相關(guān)的數(shù)據(jù)科學(xué)、人工智能和優(yōu)化算法的可能技術(shù)實現(xiàn)路線，以供業(yè)內(nèi)人士和專家學(xué)者等參考，讀者直接跳過該部分內(nèi)容不會影響對全文的理解。

平臺設(shè)計

1. 騎手激勵機制設(shè)計

在圍繞外賣騎手困境的討論中，改善騎手的激勵和獎懲機制是大家關(guān)注的一個焦點。

在基于人工智能算法的外賣配送系統(tǒng)中，從顧客成功下單的時刻起，該系統(tǒng)便會自動化計算最優(yōu)的訂單分派和騎手配送路線，并且預(yù)測訂單的“預(yù)計送達時間”，然后以此考核騎手的“準(zhǔn)點率”；一旦訂單配送超時，騎手們將面臨降低收入甚至淘汰出局的懲罰。

在此過程中，值得重點關(guān)注的是，這套“最優(yōu)”方案只是在給定的歷史數(shù)據(jù)和預(yù)設(shè)的模型參數(shù)下、通過模擬現(xiàn)實得到的“理想值”或者“樂觀值”。因此，面對復(fù)雜多變的現(xiàn)實場景，外賣騎手的激勵機制需要具備容錯性和靈活性，幫助外賣騎手抵抗已知或者未知的市場不確定性帶來的負(fù)面沖擊，降低外賣騎手收入的波動，這不僅有助于提升騎手們的福利水平，也將會增強平臺的總體運力。

（1）預(yù)計送達時間容錯

面對無法避免的外賣訂單配送超時風(fēng)險，平臺可以考慮引入“超時容錯機制”，訂單的“預(yù)計送達時間”設(shè)置和顯示為一定的時間段（例如，“17:20~17:25 到達”），并且根據(jù)商家的備餐狀態(tài)和騎手的配送情況動態(tài)調(diào)整、提前向顧客提醒可能的超時送達，而不是精確到具體的時刻（例如，“預(yù)計17:23到達”）甚至故意將顧客端顯示的“預(yù)計送達時間”設(shè)定的短于騎手端。

洞察：

從技術(shù)層面而言，即便是采用先進的深度學(xué)習(xí)算法，模型學(xué)習(xí)到的結(jié)果也只是關(guān)于“預(yù)計送達時間”（Estimated Time of Arrival，簡稱 ETA）的統(tǒng)計分布，并不能做到對每個樣本的預(yù)測值都有絕對準(zhǔn)確的“信心”^[47] 。

ETA 參數(shù)的區(qū)間估計結(jié)果（“17:20~17:25”）會比點估計結(jié)果（“17:23”）更加具有可信度，因為后者并不能告訴顧客真實的送達時間與它的距離，而前者則可以反映真實的送達時間所處的大致可信范圍（confidence interval）。

從管理層面而言，區(qū)間形式的“預(yù)計送達時間”是應(yīng)對預(yù)測算法的誤差和外部配送環(huán)境的變化的容錯策略，體現(xiàn)的是對騎手和顧客負(fù)責(zé)任的態(tài)度。與此相關(guān)，平臺還可以根據(jù)送達時間的區(qū)間設(shè)置彈性的實際送達時間考核標(biāo)準(zhǔn)：如果實際送達時間在“預(yù)計送達時間”前后N分鐘，則該筆訂單配送記錄判定為“正?！保绻麑嶋H送達時間超過“預(yù)計送達時間”N分鐘，則該筆訂單配送記錄判定為“超時”而納入超時評估體系；最后，如果實際送達時間早于“預(yù)計送達時間”N分鐘，則該筆訂單配送記錄判定為“快速”而納入高效獎勵體系。

類似思想已經(jīng)被外賣平臺的ETA預(yù)估算法所采納^[47] ，也可以作為超時容錯策略體現(xiàn)在騎手激勵機制設(shè)計中。

（2）彈性的超時獎懲

圍繞超時容錯機制，平臺可以考慮針對騎手“超時率”劃分多個區(qū)間段、設(shè)計更具有彈性的階梯式超時獎懲規(guī)則：超時率被劃分成多個區(qū)間段，例如，[0%, 5%]、(5%, 10%] 以及10%以上，如果騎手的超時率處于第一個區(qū)間段，則騎手的績效水平不會受到影響；如果騎手的超時率處于第二個區(qū)間段，則騎手的績效水平將受到適當(dāng)輕微的負(fù)面影響；但是，如果騎手的超時率處于更高的區(qū)間段，則騎手的績效水平將受到顯著增強的負(fù)面影響。

洞察：

當(dāng)前，騎手們的超時率通常不得高于3%，否則，包括騎手、站長甚至區(qū)域經(jīng)理等所有人都將面臨績效的懲罰^[51]。那么，從激勵機制設(shè)計的本質(zhì)而言，無論是預(yù)計送達時間容錯機制還是彈性超時獎懲機制，從數(shù)學(xué)模型的角度，都是在期望構(gòu)建基于騎手工作績效（即超時程度或者“超時率”）的非線性激勵機制。

類似分段階梯式的非線性懲罰機制在線上多邊平臺市場中經(jīng)常出現(xiàn)，例如，在網(wǎng)約車市場，為了杜絕司機的刷單作弊行為，平臺會設(shè)計階梯式作弊違規(guī)處罰標(biāo)準(zhǔn)：“第一次禁用3天，第二次禁用15天，第三次解除合作；累計非法獲利≥1000元時，解除合作永不錄用”^[39]。

在激勵騎手們準(zhǔn)時配送以最大化日成交金額（Gross Merchandise Volume，簡稱 GMV）或者日完單量的問題中，訂單的送達狀態(tài)取決于配送過程中環(huán)境的不確定性、騎手們的工作業(yè)務(wù)水平、以及騎手們對承擔(dān)風(fēng)險的態(tài)度等多方面因素，有一些因素只有騎手們自己知道，而平臺并不能完全掌握。

那么，采用非線性激勵機制是否一定會提升平臺整體的運營效率呢？從管理學(xué)理論上講，基于績效的激勵機制包含激勵強度的“斜率”（slope of incentive intensity）和激勵的“形狀”（shape of incentive contract）兩個特征：斜率是指激勵強度關(guān)于績效的變化率，例如，超時率增加一個單位將會帶來的收入懲罰絕對變化值，而形狀是指激勵關(guān)于績效水平的非線性（或者稱凹凸性）。

研究表明，高激勵斜率有助于改善績效水平，而強非線性將會增強個體承擔(dān)風(fēng)險的偏好；同時，最新的實證結(jié)果顯示，激勵的斜率會影響個體的風(fēng)險偏好，而激勵的形狀也會影響績效水平^[11]。

因此，構(gòu)建基于騎手工作績效的激勵機制需要綜合上述多方面因素，合理選擇激勵關(guān)于績效水平的斜率和形狀，這樣有助于提升配送系統(tǒng)整體的效率。

（3）騎手配送超時互助保險

為了進一步應(yīng)對外賣訂單配送超時風(fēng)險，以及降低配送超時對騎手收入造成的激烈波動，平臺除了在用戶端提供配送超時保險和賠償之外，還可以考慮嘗試建立“騎手配送超時互助保險”機制：該保險可由騎手自主選擇是否加入，即騎手在選擇接單的同時還可以選擇是否愿意為這筆訂單繳納較低金額的超時保險費，這筆費用成為騎手之間互助的保險金額池。如果騎手因為任何原因無法按時送達訂單，可由金額池向騎手提供經(jīng)濟補償以降低其收入波動，金額池內(nèi)的余額最后都退還給騎手。

洞察：

在市場經(jīng)濟條件下，保險是一個管理風(fēng)險的常見工具，例如，在電子商務(wù)平臺上，保險公司會向第三方賣家推出以商品買家為被保險人的“退換貨運費險”，以便降低可能的退換貨運費給買家造成的損失^[42]。在外賣行業(yè)中，67%的騎手家庭人口在3人~5人，四成騎手的愛人選擇在家照顧孩子和老人，同時，五成騎手是家庭收入的主要來源，七成騎手月收入在五千元以下，這些數(shù)字意味著大多數(shù)騎手正面臨著來自自身和家庭的雙重消費壓力^[43]。

那么，設(shè)立“騎手配送超時互助保險”的核心目的在于希望能夠建立大數(shù)量騎手們互助的保險金額池，緩解超時對個體騎手帶來的負(fù)面收入沖擊，降低個人收入的波動性，最終發(fā)揮平滑騎手收入的作用。

研究表明，在面對風(fēng)險時，低收入勞動者或者家庭通常會基于工作和消費等兩類經(jīng)濟行為進行調(diào)節(jié)：一是平滑收入（income smoothing），例如，通過同時兼任多份工作以提高收入來源的多樣性和穩(wěn)定性（在美團平臺，35%的騎手擁有包括小生意或者其它外賣平臺在內(nèi)的其它收入來源^[43]）；二是平滑消費（consumption smoothing），例如，調(diào)整自身的勞動力供給水平和使用保險協(xié)議^[22]。

從這兩類經(jīng)濟行為可以看出，“騎手配送超時互助保險”可以有助于騎手抵御超時風(fēng)險，降低收入的波動性，也將會激勵騎手提供更好的運力供給。

（4）考核周期延長

為了進一步幫助騎手降低收入的波動性，平臺可以考慮延長對騎手的考核周期，將以較短“時間段”（例如，現(xiàn)在平臺的沖單獎勵活動和考核時間段一般是一天的某個時段），或者以“天”為單位的獎勵或者懲罰考核周期適當(dāng)延長至“星期”甚至“月”，通過實踐尋找出最佳的考核周期，以降低騎手對短期高頻考核的焦慮，提高系統(tǒng)的整體效率。

洞察：

類似基于時間段的沖單獎勵看起來有助于滿足高峰期時段的旺盛需求，但是，關(guān)于共享經(jīng)濟商業(yè)模式的實證研究表明，理性的服務(wù)提供者為了盡可能獲得活動期的高沖單獎勵，可能會選擇在活動期開始之前策略性的停止工作，以等待高峰期的到來，這種“前瞻”（forward-looking）行為將會導(dǎo)致平臺在高峰期到來之前的運力供給出現(xiàn)下降，給整個系統(tǒng)的運行效率造成負(fù)面影響^[34]。

考核周期的延長將有助于平滑騎手在不同時間段內(nèi)的平均收入，激勵騎手們維持穩(wěn)定的服務(wù)質(zhì)量水平，保障平臺總體運力的平穩(wěn)運行。那么，平臺是否應(yīng)該盡可能延長或者縮短激勵機制中的考核周期呢？最近，一份關(guān)于產(chǎn)品銷售人員薪酬體系設(shè)計的研究表明，銷售人員的工作績效將會顯著受到考核周期的影響：當(dāng)平臺將激勵機制的考核周期縮短時（比如，從“月”度考核調(diào)整為“天”度考核），原本優(yōu)秀的銷售人員就表現(xiàn)出了下降的績效水平^[10]。

值得關(guān)注的是，已有的行為學(xué)實驗研究和現(xiàn)實商業(yè)現(xiàn)象表明，基于考核目標(biāo)的高頻績效評估會潛在地增加人員的焦慮心理和工作壓力，甚至?xí)驗榧ぐl(fā)人員過于激進而引發(fā)欺詐和不道德行為^[23][38]。

基于上述結(jié)論，并結(jié)合現(xiàn)實中“外賣小哥在電梯里急哭了”和逆行違章等現(xiàn)象，我們可以總結(jié)到，在外賣市場中，雖然商品性質(zhì)和商業(yè)邏輯并不一樣，但平臺也需要綜合騎手們的配送努力程度，配送能力的差異性，以及他們在進行運力供給決策中的前瞻行為等綜合因素，非常謹(jǐn)慎地制定出有助于降低騎手收入不確定性和提升平臺整體服務(wù)能力的最佳的考核周期。

（5）多層次多屬性績效評估

除了上述直接根據(jù)“超時率”和“完單量”評估騎手績效的指標(biāo)，平臺應(yīng)該建立基于綜合服務(wù)質(zhì)量、配送效率和安全保障等多屬性的多層次騎手績效評估體系。當(dāng)前，系統(tǒng)為騎手設(shè)置的積分等級體系是直接基于完單量、準(zhǔn)時率或者顧客評價獎勵積分^[51]，可以進一步提升騎手們的安全保障、違章記錄、以及公益活動等有助于建設(shè)外賣生態(tài)體系的多個屬性的重要性。

評估體系可以嘗試根據(jù)政府部門監(jiān)管法規(guī)和平臺發(fā)展目標(biāo)為不同評估指標(biāo)設(shè)定優(yōu)先級，其中，遵守交通安全法規(guī)應(yīng)該成為外賣配送的基本要求。

洞察：

在多層次多屬性績效評估體系的設(shè)計過程中，在第一層次，考慮到遵守交通安全法規(guī)是外賣配送的基本要求，那么，騎手的“違章率”就需要擺在優(yōu)先級最高的位置，在一定的考核期內(nèi)，如果騎手的“違章率”超過了閾值，則該騎手將被“一票否決”，不會進入到下一層次的績效評估；在第二層，維持并且提升市場占用率可能是當(dāng)前平臺運營的關(guān)鍵目標(biāo)，那么，騎手們的“完單量”可以擺在優(yōu)先級次高的位置，在對“完單量”合理劃分不同等級的獎勵區(qū)間之后，各騎手再根據(jù)實際“完單量”進入相應(yīng)的評估區(qū)間；最后，在特定的基于“完單量”的評估區(qū)間內(nèi)，機制再綜合服務(wù)質(zhì)量和顧客評價等屬性設(shè)定獎勵金額。

另外，平臺可能需要同時實現(xiàn)“違章率”、“日成交單量”和“超時率”等多個關(guān)鍵績效的管理目標(biāo)，對此多屬性績效目標(biāo)導(dǎo)向的決策問題，平臺不僅需要考慮到實際績效水平和管理目標(biāo)的不確定性，還需要關(guān)注多個績效指標(biāo)之間的相關(guān)性（例如，嚴(yán)格控制“違章率”會減少當(dāng)前的“日成交單量”）對績效評估體系的影響^[25]。

（6）多向評分反饋

外賣市場主要是由顧客、平臺、商家和騎手共同建立起來的生態(tài)圈，當(dāng)前系統(tǒng)采取的是顧客給商家或者騎手的單向評分方式，忽視了騎手們的重要作用。平臺可以建立起“多向”評分反饋系統(tǒng)，其中，顧客給商家和騎手分別評分，顧客對商家的菜品健康和口味等進行反饋，對騎手的派送服務(wù)進行反饋；騎手也可以自由選擇給商家評分，反饋商家出餐及時性等信息；更進一步地，騎手還可以給顧客評分，反饋訂單交付難度和顧客接單態(tài)度等信息。

與此同時，平臺根據(jù)商家、顧客和騎手們的權(quán)力和義務(wù)，并綜合天氣、路況和其它不可控因素等，設(shè)定公平合理的判責(zé)系統(tǒng)。

洞察：

在實際商業(yè)場景中，例如，網(wǎng)約車市場，不僅乘客可以給司機評分，司機也可以向乘客評分。本質(zhì)上而言，建立多方評分反饋系統(tǒng)（multi-lateral rating systems）的核心目的是增強在線市場中各參與方之間的信任度^[12]，降低各參與方之間的信息不對稱性^[17]，從而“驅(qū)逐”低質(zhì)量的參與方，并且降低交易成本。

為此，平臺需要認(rèn)真思考兩個重要問題：一方面，相比于傳統(tǒng)的單向評分反饋系統(tǒng)，多向評分反饋系統(tǒng)是否真的會提升市場效率和社會福利？另一方面，由于參與方做出準(zhǔn)確的評分是基于自愿且需要付出成本的，在平臺沒有提供適當(dāng)獎勵的情況下，作為公共產(chǎn)品的用戶評分將會供給不足^[2]；因此，如果采取多向評分反饋系統(tǒng)，平臺應(yīng)該如何激勵盡可能多的參與方真實地披露信息并給出可信的評分結(jié)果？

關(guān)于第一個問題，以共享經(jīng)濟商業(yè)模式為背景的理論研究表明，相比于僅有顧客的單向評分，顧客和服務(wù)提供者之間的雙向評分將弱化服務(wù)提供者之間的競爭，從而提高市場的均衡價格^[17]；另外，在一定條件下，雙向的評分機制將會提升社會福利^[26]。

關(guān)于第二個問題，平臺需要合理設(shè)計向各參與方展示彼此評分結(jié)果的方式和時間：如果平臺在參與方完成評分之后立刻披露結(jié)果，那么，相關(guān)的被評價方可能在后續(xù)采取報復(fù)動作，故意壓低對方的評分，從而導(dǎo)致顧客評分的“失真”^[6]；但是，如果平臺在雙方或者多方都完成評分或者允許評分的時間窗結(jié)束之后才披露結(jié)果，那么，這種策略將會顯著降低評分者進行報復(fù)的可能性，并且增加評分的真實性和供給量^[13]。

2. 運營流程和算法

以上從騎手激勵機制方面介紹了外賣平臺設(shè)計的改進方向，本節(jié)將聚焦運營流程和算法設(shè)計等社會各界正在熱烈討論的話題。算法本身是中性的，而其蘊含的思想和流程則是由平臺的商業(yè)邏輯和商業(yè)目標(biāo)決定的，在平臺設(shè)計中，平臺可以進一步讓運營流程和算法的目標(biāo)或者邏輯更加兼顧顧客、騎手和平臺等多參與方的目標(biāo)，提升社會的整體福利水平。

為此，根據(jù)通常的外賣配送流程，我們分別提出針對顧客端、騎手端和平臺端的運營和算法改進方案，包括餐館推薦系統(tǒng)、預(yù)計送達時間預(yù)測算法、派單算法、路徑規(guī)劃算法、算法參數(shù)管理、以及基礎(chǔ)設(shè)施建設(shè)等六點建議。

（1）顧客端：餐館推薦系統(tǒng)

平臺可以在實時餐館推薦系統(tǒng)的設(shè)計中采用更多與應(yīng)用場景相關(guān)、反映實時供需情況和騎手空間分布的數(shù)據(jù)。例如，針對一個商家，如果過去 1個小時的騎手等待時間較短、當(dāng)前周邊分布的騎手較多、店內(nèi)聚集的正在等待取餐的騎手較少、或者正在準(zhǔn)備的訂單數(shù)量較少等，在其它屬性相近的條件下，那么，該商家在推薦排序算法的輸出結(jié)果中可以被優(yōu)先推薦。

推薦系統(tǒng)還可以根據(jù)實時已有訂單的餐館和騎手位置進行拼單推薦，實現(xiàn)外賣的“順風(fēng)車”。例如，如果一位騎手正在顧客周邊的商家等待取單，而且預(yù)估取餐時間較長，那么，即使該商家不是距離顧客最近或者價格最低，推薦系統(tǒng)也可以在一定程度上提高該商家的推薦權(quán)重和優(yōu)先級。

洞察：

在當(dāng)前實現(xiàn)的推薦系統(tǒng)中，算法輸入的應(yīng)用場景數(shù)據(jù)至少由三大類組成^[44]：一是用戶畫像，例如，性別、常駐地、價格偏好、食物偏好等；二是食物畫像，包含商家、外賣、團單（即團購訂單），其中，商家特征包含商家價格、商家好評數(shù)、商家地理位置等，外賣特征包含平均價格、配送時間和銷量等，團單特征包含適用人數(shù)和返購率等；三是場景畫像，包含用戶當(dāng)前所在地、時間、定位附近商圈、基于用戶的上下文場景信息等。

如果基于上述方案改進餐館推薦系統(tǒng)，系統(tǒng)可以采用基于在線優(yōu)化（online optimization）和增強學(xué)習(xí)（reinforcement learning）的算法，實時更新客戶端的餐館推薦結(jié)果，最終將餐館推薦系統(tǒng)打造成調(diào)節(jié)市場供需平衡狀態(tài)的重要工具之一。另外，關(guān)于實現(xiàn)外賣的“順風(fēng)車”，類似思想已經(jīng)在網(wǎng)約車市場中實現(xiàn)，目的是希望通過將目的地相近或者順路的訂單整合在一起，從而提升配送資源的利用率，其中，需要同時解決訂單與騎手的雙邊匹配問題、以及針對“順風(fēng)車”訂單的配送費定價問題^[19][17]。

（2）顧客端：預(yù)計送達時間預(yù)測算法

預(yù)計送達時間預(yù)測算法可以融合來自騎手的手機 GPS 實時定位數(shù)據(jù)、手機運動傳感器移動數(shù)據(jù)、和安卓操作系統(tǒng)特定應(yīng)用程序搜集的活動識別數(shù)據(jù)等多源異質(zhì)數(shù)據(jù)集^[28]，識別騎手在不同時刻所處的活動狀態(tài)以及狀態(tài)改變的時間點。這將有助于提升訂單交付時間的預(yù)測準(zhǔn)確性，尤其是和樓層高度、小區(qū)內(nèi)配送和顧客交付相關(guān)的時間。同時，為了明確商家和騎手的責(zé)任，并且方便顧客對商家和騎手進行公平的評分，平臺應(yīng)該分別預(yù)測、顯示和評估“商家出餐時間”和“騎手送餐時間”。

洞察：

在外賣配送場景中，預(yù)計送達時間（ETA）是用戶成功下單時刻到騎手將外賣送達到顧客手中的送達時間預(yù)測結(jié)果，具體可以分解為壓單時間（從商家接單到騎手接單）、到店時間（從騎手接單到騎手到店）、取餐時間（從騎手到店到騎手取餐）、送餐時間（從騎手取餐到到達用戶）、以及交付時間（從到達用戶到完成送達），此過程還包含了出餐時間（從商家接單到商家出餐）^[45]。

關(guān)于騎手送餐時間，一個最大的技術(shù)性挑戰(zhàn)，也是目前網(wǎng)友們激烈討論的實際問題是對交付時間的預(yù)估，即騎手到達用戶附近下車后多久能送到用戶手中：一方面，老舊小區(qū)沒有電梯、或者寫字樓難以等到電梯等現(xiàn)實問題給騎手們快速交付訂單帶來困難；另一方面，在進行交付時間預(yù)估時，算法的輸入字段較少，重要的維度特征僅包括交付地址（文本數(shù)據(jù)）、交付點的經(jīng)緯度、區(qū)域、以及城市^[48]。

對此，如果基于手機GPS實時定位數(shù)據(jù)、手機運動傳感器移動數(shù)據(jù)（motion sensor data）、以及安卓操作系統(tǒng)ActivityRecognitionClient API搜集的活動識別數(shù)據(jù)（activity recognition data）等改進ETA預(yù)測算法，平臺將更清晰地識別騎手運動狀態(tài)，例如，電動車騎行中、步行中、奔跑中或者原地等待中等，然后采用深度學(xué)習(xí)方法進行序列建模（sequence modeling），實現(xiàn)對ETA尤其是交付時間的更準(zhǔn)確地預(yù)測。

（3）騎手端：派單算法

在派單過程中，派單算法應(yīng)當(dāng)考慮騎手之間的訂單負(fù)載均衡，讓不同騎手當(dāng)前累積分配到的訂單數(shù)量相對比較平均，避免出現(xiàn)個別騎手承載過大的配送任務(wù)、而有些騎手被閑置的局面。同時，派單算法還應(yīng)當(dāng)考慮騎手在當(dāng)?shù)貐^(qū)域的熟知程度和配送經(jīng)驗等有助于提升派單效率的多種因素。

洞察：

實時派單算法是智能配送系統(tǒng)中的重要組成部分，當(dāng)前的實時派單問題被描述為以離散馬爾可夫決策過程（Markov Decision Process）為核心的動態(tài)隨機優(yōu)化問題，其目標(biāo)是一段時間內(nèi)的顧客體驗（例如，準(zhǔn)時率）和騎手效率（例如，單均行駛距離或者單均消耗時間）等指標(biāo)最優(yōu)，算法需要計算動態(tài)到達的訂單分配給騎手的策略、以及每個騎手后續(xù)的節(jié)點訪問順序（即路徑規(guī)劃，routing optimization）^[49]。

在對該問題進行合理建模和算法優(yōu)化之后，派單算法可以實現(xiàn)騎手訂單負(fù)載均衡（workload balance）和融合騎手當(dāng)?shù)貐^(qū)域知識和配送經(jīng)驗。對此，建模人員可以通過在目標(biāo)函數(shù)中引入“最大化所有騎手的最小訂單負(fù)載”（maxmin）或者“最小化所有騎手的最大訂單負(fù)載”（minmax）的方式進行調(diào)整。

另外，派單算法引入騎手在當(dāng)?shù)貐^(qū)域的熟知程度和配送經(jīng)驗等因素，這不僅意味著 ETA 的預(yù)測算法需要納入騎手在當(dāng)?shù)貐^(qū)域的熟知程度和配送經(jīng)驗等重要指標(biāo)，也意味著派單算法需要考慮騎手們之間在這兩個維度上的差異性。綜合以上因素，由多目標(biāo)優(yōu)化算法（multi-objective optimization）給出滿足多個目標(biāo)的最佳派單結(jié)果^[21]。

（4）騎手端：路徑規(guī)劃算法

與派單算法緊密關(guān)聯(lián)的是路徑規(guī)劃算法，算法應(yīng)該引入與實際路況更為貼切的特征，例如，單行道、限行、機動車道和非機動車道，以及交通管制和交通擁堵等，并且根據(jù)實時信息進行調(diào)整。

洞察：

針對騎手路徑規(guī)劃的問題，平臺需要建立基于有向圖的實時動態(tài)路徑規(guī)劃模型，輸入該模型的可行路徑集合（set of feasible routes）需要根據(jù)離線信息進行縮小^[33]，例如，許多單行道、限行路線和過街天橋不允許電動車經(jīng)過的路線就應(yīng)該作為強約束從集合中剔除；另外，該集合還需要根據(jù)實時信息進行調(diào)整，例如，出現(xiàn)嚴(yán)重交通擁堵或者臨時交通管制的路線也應(yīng)該被剔除。

同時，面對隨機的訂單需求和配送時長，該問題可以考慮借鑒離線-在線近似動態(tài)規(guī)劃算法^[30] （offline-online approximate dynamic programming）或者在線再優(yōu)化策略^[5]（online re-optimization strategy）的思想進行求解。

（5）平臺端：算法參數(shù)管理

平臺端對算法參數(shù)進行及時審核并且合理設(shè)置是解決外賣騎手困境的關(guān)鍵之一，在此應(yīng)該得到重點關(guān)注。這個問題起源于平臺在預(yù)測訂單“預(yù)計送達時間”探索實踐中的模型迭代過程：在實際的ETA預(yù)估場景下，算法的損失函數(shù)設(shè)計是以“整體的預(yù)估結(jié)果能夠盡量前傾”為目的，而且對于遲到部分會增加數(shù)值懲罰^[47]，這意味著算法在不斷“逼迫”騎手縮短實際送達時間，而騎手每一次成功避免超時的歷史記錄都會讓算法“學(xué)習(xí)”到可能更短的送達時間，即便這個送達時間是騎手通過闖紅燈、逆行等違反交通規(guī)則甚至冒著生命危險的方式實現(xiàn)的?；诖诉壿?，這些歷史數(shù)據(jù)會進一步提高算法對騎手送達時間的“期待”，從而使算法朝著縮短送達時間的方向進行要求和優(yōu)化。

對此，平臺應(yīng)該通過對實際送達時間等算法的參數(shù)進行及時審核和調(diào)整以終止上述的惡性循環(huán)，也就是賦予算法“底線思維”。遵守交通法規(guī)和維護行人安全是不可逾越的底線，是數(shù)據(jù)預(yù)處理環(huán)節(jié)進行歷史數(shù)據(jù)清洗和校正必須考量的因素，是數(shù)學(xué)模型中的“硬約束條件”，也是優(yōu)化算法剔除不可行路徑中必須滿足的規(guī)則。這也意味著訂單送達時間應(yīng)該存在著一個合理的、無法通過算法不斷優(yōu)化而逾越的下界，否則，不管在任何激勵機制和評分體系之下，缺乏“底線思維”的算法流程會一直將騎手困在系統(tǒng)之中。

（6）平臺端：基礎(chǔ)設(shè)施建設(shè)

針對最后 100米配送問題，平臺可以嘗試自建或者聯(lián)合第三方物流公司建設(shè)外賣取餐柜^[52]。取餐柜的候選位置可以是辦公場所、寫字樓、醫(yī)院以及高校，而顧客可以選擇線上下單、線下取餐。

洞察：

考慮到取餐柜的選址將會影響顧客線上下單、線下取餐（buy-online-pick-up-in-facility）的便利性，平臺可以進行兩階段的取餐柜網(wǎng)絡(luò)設(shè)計優(yōu)化：在第一階段，平臺可以結(jié)合各個區(qū)域的人口社會統(tǒng)計、經(jīng)濟發(fā)展、歷史完單、以及配送時長等多維度數(shù)據(jù)建立機器學(xué)習(xí)模型和計量經(jīng)濟學(xué)模型以預(yù)測各區(qū)域的潛在需求和建立取餐柜對需求的影響^[15]；在第二階段，平臺可以建立取餐柜設(shè)施選址（facility location optimization）和騎手服務(wù)區(qū)劃分（service region allocation optimization）的多階段隨機規(guī)劃模型（multi-stage stochastic programming），聯(lián)合優(yōu)化取餐柜的位置和騎手的派單服務(wù)策略。

除此之外，在需求量較大的辦公樓、小區(qū)、學(xué)校和醫(yī)院等場所，平臺也可以考慮配備專職的終端派送人員，一方面是因為終端配送人員對小區(qū)周邊和電梯設(shè)備更加熟悉，可以幫助降低因騎手對環(huán)境陌生而造成的顧客等待時間，另一方面是能夠?qū)崿F(xiàn)對局部區(qū)域的訂單統(tǒng)一管理和配送、從而避免騎手的重復(fù)勞動。

洞察：

配備專職終端人員在提升平臺整體運營效率的同時也會增加平臺的運營成本，需要進行深入的成本-效益分析。分析框架可以將配送過程視為一個排隊系統(tǒng) (queueing system)^[32]，在指定場所配備專職的終端配送人員將會增加固定人力成本，但是，值得關(guān)注的是，根據(jù)排隊論，配送騎手的每單的平均派送時間和顧客的等待時間等系統(tǒng)的服務(wù)質(zhì)量指標(biāo)之間存在著強烈非線形的關(guān)系，這意味著通過配備專職終端人員以適當(dāng)降低騎手們在這些場所所花的派送時間可能會帶來系統(tǒng)服務(wù)質(zhì)量指標(biāo)的顯著提高，從而使得帶來的配送效益可能會高于額外的人力成本。

在未來，平臺還可以推廣使用機器人和無人機配送。同時，作為互聯(lián)網(wǎng)公司，平臺可以通過在相關(guān)核心技術(shù)的資本投入和技術(shù)積累，轉(zhuǎn)型成為高科技公司。實際上，美團已經(jīng)開始嘗試無人車和無人機的配送：在 2月份疫情期間，外賣平臺利用無人配送車為北京市順義區(qū)幾個小區(qū)的居民做訂單配送，截至 9 月初，平臺已經(jīng)累計使用無人車配送了超過6000多用戶實際訂單，覆蓋該站點超過80%的訂單需求；目前，平臺也在深圳等地進行無人機的運營測試^[53]。

洞察：

在設(shè)計無人車輔助的配送系統(tǒng)中，面對無人車配送和騎手配送的兩種模式，考慮到無人車的在成本方面的優(yōu)勢和在靈活性方面的不足，平臺可以基于實際配送場景、市場供需狀態(tài)、以及交通路況，采用馬爾可夫決策過程聯(lián)合優(yōu)化無人車和騎手之間的分配比例、以及無人車和騎手的配送路線^[29]。

3. 供需調(diào)節(jié)機制

在實際的運營中，外賣平臺可以嘗試對配送價格進行調(diào)整以調(diào)節(jié)市場供需。平臺可以根據(jù)配送距離和配送時段等諸多因素合理設(shè)計基礎(chǔ)的派送價格和騎手端補貼；另外，平臺也可以針對突變的供需情況，實時調(diào)整騎手的配送費用來緩解供需不平衡的問題^[46][36]。

其實，作為企業(yè)收益管理的重要工具，動態(tài)定價已經(jīng)在多個行業(yè)得到廣泛使用，包括在上個世紀(jì) 80 年代開始得到采納的航空業(yè)、90 年代開始得到采納的酒店業(yè)和租車業(yè)^[31]、以及當(dāng)前新興的共享出行行業(yè)^[3]。

在外賣行業(yè)，平臺面臨的市場供需不協(xié)調(diào)的問題更加突出，而且市場供需狀態(tài)隨時間變化劇烈。采取不同形式的配送價格可以區(qū)分顧客對等待時間的實際需求和時間敏感性，這對提高和使用供需彈性，緩解供不應(yīng)求帶來的負(fù)面影響具有一定積極作用；然而，基于配送價格的動態(tài)定價機制并不能解決所有問題，無論是在現(xiàn)實生活還是學(xué)術(shù)研究中仍然存在爭議，這依賴于平臺對該策略的價值進行更加深入的探究。

（1）基于區(qū)域和時間段的時空動態(tài)定價

在調(diào)節(jié)市場供需平衡狀態(tài)的過程中，平臺可以針對每筆訂單的配送費實行基于配送區(qū)域、下單時間或者送達時間的動態(tài)定價，并且對愿意等待的顧客提供愿等打折。

洞察：

基于區(qū)域和時間段的時空動態(tài)定價（dynamic & surging pricing）通?？梢苑譃椤俺朔e溢價”（multiplicative surge）和“加和溢價”（additive surge）兩類：在特定區(qū)域和時間段內(nèi)，前者是指在基礎(chǔ)價格上乘以一定倍數(shù)（例如，1.5倍），美國的網(wǎng)約車平臺Uber早期就是使用該類溢價策略；而后者是指在基礎(chǔ)價格上加上與距離無關(guān)的常數(shù)（例如，10元），這是 Uber 平臺當(dāng)前采用的最新溢價策略。研究表明，在供需動態(tài)變化的環(huán)境下，相比于乘積溢價策略，加和溢價策略是激勵相容 (incentive-compatible) 的定價機制^[14]，這為外賣平臺設(shè)計基于配送費的實時動態(tài)定價策略提供了新的方向。

值得提醒的是，實時動態(tài)定價策略在社會各界中仍然存在爭議，理論研究結(jié)果顯示，在共享出行市場的背景下，理性的乘客和司機會策略性地等待更合適的價格或者收入，如果市場狀態(tài)比較平穩(wěn)，那么，平臺沒有必要采用實時動態(tài)定價策略，尤其是該策略可能造成乘客、司機、監(jiān)管者之間對立的局面^[9]。

（2） 顧客靈活充值賬戶

為了彌補實時動態(tài)定價在區(qū)分顧客對等待時間的實際需求和時間敏感性方面的不足，平臺可以建立靈活的用戶充值賬戶：在高峰期時段，如果需要外賣盡快送到，顧客可以向個人在平臺上的賬戶充入額外的金額，這些資金并不會流入騎手或者平臺，而是作為用戶的充值余額，可以在低峰期時段點餐使用。

洞察：

顧客在高峰時段的充值行為將傳遞出其對派送的等待時間比較敏感的信號，作為系統(tǒng)派單算法的依據(jù)，并且，顧客在低峰期使用賬戶余額訂餐，可以激發(fā)低峰時段的整體需求，充分利用低峰期時段閑散的備餐和配送資源，發(fā)揮平滑市場需求的作用。針對網(wǎng)約車市場的研究結(jié)果表明，在一定條件下，合理設(shè)計用戶充值賬戶機制 (integrated reward scheme with surge pricing) 可以實現(xiàn)多方共贏，提升顧客、司機和平臺的整體社會福利^[37]。

（3）增加兼職和眾包騎手

平臺提升兼職和眾包騎手的運力占比有助于提高運力調(diào)整的空間和彈性，從而更有效的調(diào)節(jié)市場的供需平衡狀態(tài)。

洞察：

平臺的騎手分為專送全職騎手和眾包兼職騎手，前者的工作時間固定并且接受系統(tǒng)派單，后者靈活決定工作時間并且可以有限次拒絕派單^[51]。為了提升整體的運力供給，尤其是滿足高峰期時段的配送需求，平臺通常會采用現(xiàn)金獎勵的方式補貼騎手。實證研究表明，在網(wǎng)約車市場中，平臺補貼將會從勞動者是否選擇工作和工作時長兩個維度影響勞動力供給，而且，兼職勞動者的收入供給彈性 (supply elasticity) 更高^[24]。

這意味著外賣平臺需要更加嚴(yán)密地研究騎手們的運力供給行為，分析騎手們對期望收入水平發(fā)生變化而進行的運力供給調(diào)整，然后合理設(shè)計平臺上全職騎手和兼職騎手的比例，并精準(zhǔn)地向騎手、尤其是兼職騎手提供補貼獎勵。

4. 政府監(jiān)管

精準(zhǔn)的政府監(jiān)管對外賣行業(yè)實現(xiàn)可持續(xù)健康發(fā)展至關(guān)重要。深入而全面地理解平臺的商業(yè)邏輯和運營流程有助于制定高效精準(zhǔn)的監(jiān)管措施，這不僅依賴于平臺向監(jiān)管者真實而全面地披露公司運營相關(guān)的信息，也依賴于監(jiān)管部門聯(lián)合第三方專業(yè)研究機構(gòu)共同完成對信息的分析和總結(jié)^[8]?；谌娑到y(tǒng)的專業(yè)分析之后，監(jiān)管者再對平臺和騎手的勞資關(guān)系、運營過程中的資質(zhì)審核和監(jiān)管、以及平臺責(zé)任以法律法規(guī)形式進行統(tǒng)一規(guī)范。

（1）明晰勞資關(guān)系

相關(guān)部門需要加快出臺法律法規(guī)，明晰包括外賣騎手在內(nèi)的自由職業(yè)者與共享經(jīng)濟/零工經(jīng)濟平臺之間的勞資關(guān)系，對全職騎手與兼職騎手的法律地位進行清晰的分類，界定相應(yīng)的權(quán)利和義務(wù)^[16]。

洞察：

針對相關(guān)的勞資關(guān)系，國家發(fā)展改革委于2020年7月14日發(fā)布文件要求，強化靈活就業(yè)勞動權(quán)益保障，探索適應(yīng)跨平臺、多雇主間靈活就業(yè)的權(quán)益保障、社會保障等政策^[40]。作為參考，2019年9月18日，美國加州正式簽署了AB5法案^[7]，并于2020年1月1日正式生效。該法案要求將臨時合同工（例如，網(wǎng)約車司機）納入雇主的正式受雇員工，這意味著相關(guān)企業(yè)的業(yè)務(wù)成本（例如，最低工資、保險和員工福利等）將大幅增加，并將影響公司的員工管理機制和定價機制。

實際上，為了滿足該法案的要求，從2020年7月9日開始，Uber平臺已經(jīng)開始允許司機自己根據(jù)服務(wù)時間和距離設(shè)定價格^[27]。目前，圍繞AB5法案、以及自由職業(yè)者與平臺之間的勞資關(guān)系仍然存在非常大的爭議，一部分學(xué)者建議創(chuàng)立一個新的、介于雇員和合同工之間的第三類工作類別，該類別將保留自由職業(yè)者的一部分工作靈活度，同時，賦予他們部分全職雇員可以享受到的福利待遇^[16][35]。

（2）加強資質(zhì)審核和運營監(jiān)督

交管、人社、應(yīng)急管理等相關(guān)部門應(yīng)當(dāng)督促和加強對平臺和騎手的資質(zhì)審核和安全培訓(xùn)。在勞動者申請加入平臺過程中，平臺需要對騎手電動車的準(zhǔn)入標(biāo)準(zhǔn)進行統(tǒng)一登記管理；與此同時，加強對平臺運營流程的監(jiān)督，比如，可以借助騎手 APP 的渠道對平臺的配送路徑規(guī)劃等算法進行監(jiān)管審查，嚴(yán)禁對騎手提供違反交通規(guī)則（例如，逆行）的推薦路線；相關(guān)部門還可以對平臺上騎手每天的連續(xù)配送時長設(shè)置上限并進行合理監(jiān)督，避免出現(xiàn)因為騎手疲勞工作而造成的交通事故。

（3）明確平臺責(zé)任

在對涉及快遞和外賣行業(yè)的道路交通安全進行監(jiān)管的過程中，監(jiān)管部門應(yīng)該把平臺所屬騎手發(fā)生的交通事故和違章次數(shù)、以及相應(yīng)后果的嚴(yán)重程度作為對平臺重要的監(jiān)管指標(biāo)，按月度或者季度等進行考核和追責(zé)，從而督促平臺和騎手共同維護配送安全。

針對已經(jīng)發(fā)生的交通事故，已有的法院判決為相關(guān)的責(zé)任劃分提供了具有現(xiàn)實意義的指導(dǎo)。近日，關(guān)于浙江省湖州市吳興區(qū)的外賣騎手撞傷行人一案，法院最后宣判，外賣騎手雖然沒有與平臺簽訂法律勞務(wù)合同，但對外是以“平臺網(wǎng)上訂餐配送”的名義為客戶提供服務(wù)，且在提供配送服務(wù)時受平臺管理制度的約束，報酬由平臺發(fā)放，因此，無論是否與公司簽合同，在其接受配送任務(wù)后均與配送平臺建立了雇傭關(guān)系，在送餐中發(fā)生事故，作為雇主的公司應(yīng)承擔(dān)賠償責(zé)任^[41]。這一結(jié)果無疑明確了外賣平臺必須加快運營管理流程的調(diào)整，以保障騎手安全和行人安全。

（4）市場競爭與政府干預(yù)

監(jiān)管部門需要在遵循平臺競爭規(guī)律和市場調(diào)節(jié)作用的條件下制定提升社會福利的監(jiān)管法規(guī)。在市場經(jīng)濟環(huán)境下，平臺之間的自由競爭將會影響平臺選擇最優(yōu)的騎手激勵機制以及運營流程和算法。但是，競爭形成的市場結(jié)果并不一定能夠?qū)崿F(xiàn)社會各參與方的福利最大化，可能陷入“囚徒困境”的局面。

例如，如果一個平臺沒有嚴(yán)格遵守法規(guī)制度，漠視騎手權(quán)益，那么，為了維持甚至擴大市場份額和利潤，其競爭對手很有可能也不會選擇嚴(yán)格遵守法規(guī)制度和提升騎手權(quán)益。為此，監(jiān)管部門應(yīng)該充分考慮多平臺競爭的市場環(huán)境，以問題為導(dǎo)向制定相關(guān)法規(guī)，一視同仁地對所有平臺進行嚴(yán)格的監(jiān)管。

洞察：

平臺之間的市場競爭雖然會有助于提升市場效率，但在一定的情況下，也有可能出現(xiàn)市場失靈，競爭無法達到最優(yōu)的納什均衡（Nash equilibrium）。對此，監(jiān)管者可以考慮根據(jù)博弈論（game theory）和機制設(shè)計（mechanism design）的理論和工具來刻畫騎手、顧客、商家和多個平臺之間的交互行為，并研究市場中的平臺競爭結(jié)果^[1]。

特別是針對競爭的外部性（externalities）可能導(dǎo)致出現(xiàn)的市場失靈的情況，監(jiān)管部門需要考慮相應(yīng)的監(jiān)管制度規(guī)則以引導(dǎo)相互競爭的平臺向更有利于提升社會福利的方向發(fā)展。

總結(jié)

作為致力于大數(shù)據(jù)，運籌學(xué)，以及人工智能方法在智慧城市領(lǐng)域應(yīng)用的學(xué)者和研究者，我們從平臺設(shè)計運營和政府監(jiān)督監(jiān)管兩方面為解決外賣騎手困境提供了可能的解決方案，探討了騎手激勵機制、運營流程和算法、供需調(diào)節(jié)機制等平臺可以采取的運營策略，并分析了明晰勞資關(guān)系、加強資質(zhì)審核和運營監(jiān)督、明確平臺責(zé)任、以及市場競爭與政府干預(yù)等監(jiān)管者面臨的挑戰(zhàn)。

構(gòu)筑健康、溫暖、高效、可持續(xù)并且具有社會責(zé)任的外賣生態(tài)體系，需要我們從社會倫理、法律制度以及經(jīng)濟學(xué)和管理學(xué)原理出發(fā)，融合大數(shù)據(jù)技術(shù)和人工智能算法等工具，充分滿足不同目標(biāo)下多參與方的核心利益。

最終，讓每一方都釋放出最大的善意以實現(xiàn)共贏，只有這樣才能提升社會整體的福利水平，讓人們真正享受到科技為生活帶來的便利。

作者簡介：

王海：清華大學(xué)學(xué)士，麻省理工學(xué)院運籌學(xué)博士，現(xiàn)為新加坡管理大學(xué)決策分析方向助理教授，美國卡內(nèi)基梅隆大學(xué)信息系統(tǒng)與公共政策學(xué)院訪問教授；研究方向為運籌學(xué)，大數(shù)據(jù)，優(yōu)化算法，以及人工智能的方法論及其在智慧城市場景的應(yīng)用；主要領(lǐng)域包括智能交通，共享經(jīng)濟，智慧物流，以及智慧醫(yī)療等。個人主頁，http:///

孫昊：華中科技大學(xué)學(xué)士，清華大學(xué)管理科學(xué)與工程博士，現(xiàn)為香港大學(xué)經(jīng)濟及工商管理學(xué)院博士后；研究方向為銀行與金融中介，在線市場設(shè)計，統(tǒng)計學(xué)習(xí)方法與應(yīng)用；主要領(lǐng)域包括金融科技與創(chuàng)新，共享經(jīng)濟等。

參考文獻：

[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./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:///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 Ordó?ez, 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./blog/california/set-your-fares/.

[28]  Uber Engineering. How trip inferences and machine learning optimize delivery times on Uber Eats. (2018). https://eng./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./articles/now-prices-can-change-from-minute-to-minute-1450057990.

[32]  Wang, Hai, and Amedeo Odoni. (2016). Approximating the performance of a “l(fā)ast 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:///2016/09/wells-fargo-and-the-slippery-slope-of -sales-incentives.

[39]  滴滴出行. 滴滴專車司機作弊違規(guī)處罰標(biāo)準(zhǔn). 2019 年 04 月 24 日. https://www./post/545.html.

[40]  發(fā)展改革委網(wǎng)站. 關(guān)于支持新業(yè)態(tài)新模式健康發(fā)展 激活消費市場帶動擴大就業(yè)的意見. 2020 年 07 月 14 日. https://www./xxgk/zcfb/tz/202007/t20200715_1233793_ext.html.

[41]  金融界. 浙江湖州外賣騎手撞傷行人，法院判未簽勞動合同的平臺需擔(dān)責(zé). 2020 年 09 年 15 日.

https://baijiahao.baidu.com/s?id=1677901965178599201&wfr=spider&for=pc.

[42]  京東. 什么是退換貨運費險？2019 年 12 月 10 日. https://help.jd.com/user/issue/430-499.html

[43]  美團研究院. 新時代 新青年：2018 年外賣騎手群體研究報告. 2019 年 1 月 17 日.

https://s3plus./v1/mss_531b5a3906864f438395a28a5baec011/official  website/c21d0443-decf-41d5-9813-ef8eaa6516d0.

[44]  美團技術(shù)團隊. 深度學(xué)習(xí)在美團推薦平臺排序中的運用. 2017 年 07 月 28 日. https://tech.meituan.com/2017/07/28/dl.html.

[45]  美團技術(shù)團隊. 即時配送的 ETA 問題之億級樣本特征構(gòu)造實踐. 2017 年 11 月 24 日.

https://tech.meituan.com/2017/11/24/gbdt.html.

[46]  美團技術(shù)團隊. 美團外賣騎手背后的 AI 技術(shù). 2018 年 03 月 29 日. https://tech.meituan.com/2018/03/29/herenqing-ai-con.html.

[47]  美團技術(shù)團隊. 深度學(xué)習(xí)在美團配送 ETA 預(yù)估中的探索與實踐. 2019 年 02 月 21 日.

https://tech.meituan.com/2019/02/21/meituan-delivery-eta-estimation-in-the-practice-of-deeplearning.html.

[48]  美團技術(shù)團隊. 配送交付時間輕量級預(yù)估實踐. 2019 年 10 月 10 日. https://tech.meituan.com/2019/10/10/distribution-time-prediction-practice.html.

[49]  美團技術(shù)團隊. 美團智能配送系統(tǒng)的運籌優(yōu)化實戰(zhàn). 2020 年 02 月 20 日. https://tech.meituan.com/2020/02/20/meituan-delivery-operations-research.html.

[50]  青年報. 快遞、外賣行業(yè)交通事故頻發(fā) 去年 117 起事故致 9 死 134 傷. 2018 年 02 月 10 日.

http://app./epaper/webpc/qnb/html/2018-02/10/content_51905.html.

[51]  人物. 外賣騎手, 困在系統(tǒng)里. 2020 年 9 月 8 日. https://mp.weixin.qq.com/s/Mes1RqIOdp48CMw4pXTwXw.

[52]  搜狐網(wǎng). 高校為什么要布局智能外賣柜？對學(xué)校有什么好處. 2019 年 6 月 21 日.

https://www.sohu.com/a/322101528_120167191.

[53]  中國日報中文網(wǎng). 美團夏華夏：不斷深化現(xiàn)實物理場景應(yīng)用 美團 AI 助力產(chǎn)業(yè)智能化轉(zhuǎn)型. 2020 年 9 月 8 日.http://cn.chinadaily.com.cn/a/202009/08/WS5f56f6faa310084978423e53.html.

End