Large-scale Dynamic Pricing for Logistics Services in Platform Business = 플랫폼 비즈니스의 물류 서비스에 대한 대규모 동적 가격 책정 기법

국문 초록 (Abstract)

플랫폼 비즈니스는 서비스 참여자들이 가치를 교환하는 비즈니스 모델로, 고객의 네트워크 효과와 독립 계약자의 분산된 자원을 활용하여 물류 서비스를 수행하려는 기업들에 의해 물류 산업 전반에 널리 적용되고 있다. 본 논문은 이러한 플랫폼 기반 물류 서비스 제공 과정에서 발생할 수 있는 시계열 수요–공급 불균형 문제를 해결하기 위해, 참여자 유인을 목적으로 한 동적 가격 결정 알고리즘을 제안한다. 제안된 알고리즘은 세 가지 물류 플랫폼 모델을 대상으로 하며, 대규모 문제의 계산 복잡성과 다기간 불확실성을 함께 다룬다.

첫째, 컨테이너 해상운송 플랫폼을 위해 스팟 예약 수익을 극대화하는 수량 기반 동적 가격 모델을 개발하였다. 이 모델은 수량 기반 수요와 이산 가격 집합을 고려한 동적 계획 구조로 모델화되며, 가치 함수의 선형 근사를 통해 근사 선형계획법으로 변환된다. 특히 문제의 특수 구조를 활용하여 더욱 압축된 형태의 선형계획 문제로 축소하였고, 수치 실험을 통해 현실적인 데이터 규모에서의 계산 가능성과 시점별 선박 잔여 적재 용량을 고려한 전략적 가격 책정 효과가 확인되었다.

둘째, 전기 모빌리티 공유 플랫폼에서는 독립 계약자들이 수행하는 배터리 교체 작업에 대해, 지역과 시간대에 따라 균일한 가격을 책정하는 시공간 기반의 작업 가격 알고리즘을 제안한다. 이 알고리즘은 총 임금과 작업 미완료에 따른 페널티를 최소화하는 것을 목표로, 시뮬레이션 환경 내에서 작업자 행동을 관찰하고 강화학습 기반의 근접 정책 최적화 기법을 통해 최적의 가격 정책을 학습한다. 실험 결과, 작업자가 부족한 지역에서는 가격이 전략적으로 인상되었으며, 완전 정보를 가정한 기준 모형과 비교한 결과, 작업자의 임금 수용 불확실성이 존재하더라도 최소 임금 수준에 근접한 가격 도출이 가능함이 확인되었다.

셋째, 퀵커머스 기반 온디맨드 배송 플랫폼을 위해, 작업 마감 기한의 이질성을 고려하여 우선순위를 부여하고, 이에 따라 보상을 조정하는 시공간 가격 결정 알고리즘을 제안한다. 본 알고리즘은 긴급도가 높은 작업에 대해 더 높은 가격을 책정함으로써 작업 완료 속도를 가속화하고, 동시에 작업자 임금을 효율적으로 절감하는 효과를 보였다.

본 논문에서 제안된 알고리즘들은 모두 실시간 적용 가능성과 현실적 문제 규모에 대한 확장성을 확보하고 있으며, 다양한 시뮬레이션 기반 실험을 통해 플랫폼의 수익 관리, 운영 효율성 향상, 참여자 유인 강화, 공급-수요 불균형 해소 등의 측면에서 우수한 성능을 입증하였다.

다국어 초록 (Multilingual Abstract)

The platform business model, which allows value exchange among participants rather than following a one-way flow, is widely adopted in the logistics sector. Platform operators leverage the network effects of customers and the distributed resources of independent contractors to perform logistics services. Addressing the operational challenge of uneven supply and demand over time under this system, this dissertation develops dynamic pricing algorithms to encourage participation in logistics services. The proposed algorithms tackle large-scale complexity and multi-period uncertainty, each tailored to three distinct platforms using dynamic pricing.

First, a quantity-based dynamic pricing model for spot container freight rates is developed for a container shipping platform to maximize spot booking profits. The problem is formulated through a dynamic programming model with multi-unit demand and discretized price sets. To address large-scale instances, an approximate linear program is developed, utilizing a linear function approximation of the value function, which is subsequently reduced to a compact linear program by leveraging the special structure of total unimodularity. Numerical experiments validate the model's tractability on realistically sized datasets and illustrate strategic pricing behavior based on remaining vessel capacity across periods.

Second, we develop a task pricing algorithm for battery-swapping operations in an e-mobility sharing platform performed by independent contractors. The idea is to apply spatio-temporal pricing, which assigns uniform task prices by hexagonal grid and time period, to minimize the total worker wage and penalty for incomplete tasks. Using reinforcement learning (RL), the complex system of a worker’s task selection is modeled in a simulation environment, and the agent learns the optimal pricing policy based on an actor-critic framework by updating with proximal policy optimization. The computational experiment demonstrates that task prices for grids with worker shortages are increased. Further comparison with a perfect information benchmark reveals that the algorithm sets prices near the minimum wage to incentivize workers under uncertainty about wage willingness among workers.

Finally, a task pricing algorithm for an on-demand delivery service in a quick-commerce platform is considered. The spatio-temporal pricing RL algorithm is tailored to consider the heterogeneous task deadlines by assigning priority levels based on urgency. The proposed algorithm successfully increases task prices for higher-priority levels, thereby accelerating task completion while minimizing worker wages.

목차 (Table of Contents)

• Abstract i
• Contents iii
• List of Tables vii
• List of Figures viii
• Chapter 1 Introduction 1
• 1.1 Background 1
• 1.2 Sequential Decision-making 4
• 1.3 Research Motivations and Contributions 7
• 1.4 Organization of the dissertation 10
• Chapter 2 Quantity-based dynamic pricing for spot freight rate in container shipping platform 11
• 2.1 Introduction 11
• 2.2 Literature review 17
• 2.3 Problem description 22
• 2.4 Linear programming-based approximate dynamic programming 27
• 2.4.1 An approximate linear program formulation 27
• 2.4.2 A compact formulation 30
• 2.5 Numerical experiments 34
• 2.5.1 Data setup 34
• 2.5.2 Experiment 1: Computational results 36
• 2.5.3 Experiment 2: Pricing strategy according to the remaining capacity 39
• 2.5.4 Experiment 3: Sensitivity analysis 43
• 2.5.5 Managerial insights 47
• 2.6 Summary 50
• Chapter 3 Spatio-temporal pricing for battery-swapping tasks in e-mobility sharing platforms 52
• 3.1 Introduction 52
• 3.2 Literature review 60
• 3.3 Problem statement 64
• 3.4 Proximal policy optimization using a masking technique 69
• 3.4.1 Definitions of the Markov Decision Process framework 69
• 3.4.2 Actor-critic framework 70
• 3.4.3 Optimization process with proximal policy optimization (PPO) 72
• 3.4.4 Masking technique for valid action space 73
• 3.4.5 Mathematical formulation with perfect information 76
• 3.5 Computational experiments 79
• 3.5.1 Experiment 1: Algorithmic performance 79
• 3.5.2 Experiment 2: Application of PPOwM to a real-world RL-SCBS system 84
• 3.5.3 Experiment 3: Sensitivity analysis 94
• 3.5.4 Managerial insights 96
• 3.6 Summary 98
• Chapter 4 Priority-based spatio-temporal pricing for on-demand delivery tasks in quick-commerce platforms 100
• 4.1 Introduction 100
• 4.2 Literature review 105
• 4.3 Problem description 107
• 4.4 RL-based pricing policy .112
• 4.4.1 Definitions of the Markov Decision Process (MDP) 112
• 4.4.2 Actor-critic policy network 113
• 4.4.3 Policy update using proximal policy optimization 114
• 4.4.4 Benchmark pricing policy with perfect information 116
• 4.5 Computational experiments 121
• 4.5.1 Instance data 121
• 4.5.2 Experiment 1: Learning performance under uncertainty 123
• 4.5.3 Experiment 2: Real-world simulation 126
• 4.6 Conclusions 128
• Chapter 5 Conclusion 129
• 5.1 Summary 129
• 5.2 Future Direction 132
• Bibliography 134
• Chapter A 146
• A.1 Proof of Proposition 1 146
• A.2 Supplementary data 148
• 국문초록 149