《人物》杂志发表了《外卖骑手，困在系统里》一文，文中从外卖骑手的视角出发，探究了目前外卖生态中外卖骑手送餐只能越来越快、越来越不顾自身安全的隐忧，导致你们对于外卖平台以及其所设计下来的算法的批判，但是在序言中发起一个思索：
数字经济的时代，算法到底应当是一个怎么的存在？[1]
固然，外卖平台作为这一切的最大利益获得者，是导致外卖骑手僵局的重要诱因；而且假如企图把责任推给算法，把解决外卖骑手僵局的方式归结于“加强程序员的培训和价值导向”、“让外卖平台所有的产品总监和算法工程师都去当一个月骑手”，这么我们想说，数字经济时代的算法不背这个锅。
为何如此说呢？
为了研究外卖平台所使用的算法，我们仔细阅读了一篇由阿里本地生活智慧货运团队发布的论文《OrderCycleTimeforOn-Food》（外卖履约时间预估）[2]。该论文首次比较系统地披露了外卖平台（饿了么）目前采用什么特点怎样设计算法来预估从客户下单到外卖员送餐到客户手上所使用的时间，被KDD2020（数据挖掘领域顶尖大会）接收为口头报告论文。
且听我解释。
一、关于算法导致骑手僵局的逻辑
《外卖骑手，困在系统里》一文中透漏下来的逻辑美团骑手系统派单破解，或则说你们脑海里关于算法导致骑手僵局的逻辑是这样的：
首先，算法按照历史数据决定减短配送时间，骑手为了防止订单超时只得狂飙、逆行、闯红灯，而骑手的这种举动确实把实际送餐时间减短了，形成了更多的短时长数据，算法按照这种短时长数据决定再减短配送时间。这样恶性循环让骑手的配送时间越缩越短，算法让骑手越来越深陷困境。
在这期间，算法只按照饭店到客户的直线距离决定骑手配送时间，而不管实际路况、天气状况、餐厅出餐时间、骑手等扶梯时间。算法总是以尽可能减短配送时间为目标。
是这样的吗？
二、算法的目标
首先，我们这儿所说的算法，指的是通过历史订单等各类数据，找出影响配送时间的诱因及权重，以决定下一次骑手送餐时间长短的方式。
例如说，如果我们只把店家与下订单者之间的距离作为诱因，现有3个历史订单数据：1公里内配送时间为15分钟，2公里为30分钟，3公里为45分钟，这么我们按照这种历史订单数据就可以得出一个完美拟合历史数据的算法模型：配送时间=距离*15。下一个订单假如店家与下订单者之间的距离是1.5公里的话，我们就可以使用这个算法模型预测骑手的配送时间为22分钟30秒。
通过《OrderCycleTimeforOn-Food》这篇论文（下称论文）我们晓得，饿了么平台是通过设计一个深度神经网路算法来预测订单的配送时间。
它的做法是选择好多影响配送时间的诱因，使用历史数据训练一个深度神经网路，企图找到一组参数让这个深度神经网路算法预测下来的配送时间跟历史订单的配送时间最接近（也就是最小化算法的目标函数），这样算法的预估配送时间就越确切。也就是说，这个算法的目标是怎样让算法愈发确切地拟合历史数据，而不是尽可能地减短配送时间。
三、算法是受历史数据影响的
里面说了，算法的目标是愈发确切地拟合历史数据，以确切地预测配送所需的时间，所以毋庸置疑，算法是受历史数据影响的。历史数据的结构性变动会影响算法的参数。
回到前面简单的事例，如果现今平台上有两名骑手，自愿或则被动地推动了送餐速率，其中一名骑手送2公里的餐食只用了20分钟，一名骑手送3公里的餐食只用了25分钟，这么对于算法来说，继续使用【配送时间=距离*15】这个算法模型来预估送餐时间就早已不确切了，它可能会手动学习并调整为【配送时间=10+距离*5】，以更好地拟合新的数据。
这样的话，看右图可知小于1公里的距离，新算法模型的预测配送时间都减短了。这就是骑手推入困境的诱因。
并且这是算法的责任吗？不是的。如果骑手集体延长配送的时间，算法也会修改自身的参数去拟合新的数据，这样新算法模型的预测配送时间就会延长（其实这在实际中几乎不可能发生）。
所以说，这并不是算法的责任，由于它天生的目的就是通过最小化目标函数来拟合历史数据。那是谁的责任呢？我们前面再谈这个。
四、算法预估配送时间采用的诱因
想要确切地按照历史数据来预测配送时间，就必须考虑到各类影响配送时间的诱因，之后通过计算机来学习训练出这种诱因影响配送时间的权重。为此，饿了么在设计算法时，从历史数据中提取出了好多的诱因，这种诱因分为以下几类：
1.订单信息：包括订单的空间诱因（用户、餐厅的座标，城市、配送区块的ID等）、订单的时间诱因（小时时刻、是否工作日等）、订单大小（食材数目和价位等）；
2.聚合诱因：包括通过骑手手机的GPS轨迹等估算下来的聚合诱因；
3.食材诱因：例如说面条、披萨、火锅等不同食材的种类等；
4.饭店备餐时间
5.供需关系诱因：一是骑手的供需关系（骑手手上的订单越多，送餐越慢）、二是饭店的供需关系（饭店手上的订单越多，备餐越慢）；
6.骑手诱因：包括骑手到饭店的距离、骑手目前手上未完成订单数目、订单送达剩余时间等
7.多维度相像订单的配送段ETA：配送段预计抵达时间即骑手抵达用户目的地下车后，把餐食送到用户手中所用的时间，例如说包括骑手等扶梯的时间；这部份时间的预估采用K近邻算法找出与之维度相像的若干历史订单，估算加权平均时间；
8.气象诱因：包括温度、空气质量指数、风速、天气状况等；
因而从前面所列的诱因看，算法工程师在设计算法的时侯，并非没有考虑天气状况、餐厅出餐时间、骑手等扶梯的时间。基本上影响外卖履约时间的诱因，算法都考虑进去了。
那为何最后算法给出的预测时间，似乎是没有考虑这种诱因呢？我们来瞧瞧论文中通过历史数据提取这种诱因进行训练得出的每组诱因的重要程度：
【注：这儿每组诱因重要程度使用清除掉这组诱因引起整个模型的平均绝对偏差（MAE）上升比率来比较，假如一组诱因去除后模型的偏差上升越高，说明这组诱因对于决定外卖履约时间越重要】
由表可知美团骑手系统派单破解，订单信息、供需关系两组诱因是影响外卖履约时间最重要的诱因，而气象诱因、聚合诱因、菜品诱因是通过历史数据学习到的、影响外卖履约时间最不重要的诱因。
哪些意思呢？意思就是说：算法在设计的时侯是考虑了气象、骑手徒步轨迹等诱因的，并且骑手通过实际的历史订单数据告诉算法，这种诱因对于配送时间并没有太大的影响。
然而如何会没有影响呢？低温天气、暴雨天气，骑手们的送餐时间跟平时没哪些区别，缘由是哪些呢？就是骑手们为了防止超时，风里来雨里去嘛。
五、责任在谁？
如今我们从算法角度来总结一下：算法的目的是确切预估配送时间，它受历史数据的影响，也考虑了多种诱因来预估配送时间。所以说，数字经济时代，算法是没有错的。
这么究竟是谁导致了骑手们的困境呢？这就得回到这个循环，从是谁减短了骑手的配送时间说起。在这儿，主要的参与者有外卖平台、骑手和用户二者，我们明白，两者都是逐利的（这无可厚非）。
其中外卖平台是逐利的，因而它会人为地减短骑手的预计配送时间，借助算法的特点把这个无限循环恶化的游戏玩上去；
骑手也是逐利的，你们都想接更多的单赚更多的钱，所以一开始的时侯就有一部份骑手不遵循交通规则开始逆行、闯红灯以减短配送时间，这促使算法预估配送时间变短、越来越多的骑手不得不开始逆行、闯红灯，殊不知就这样劣币驱逐良币，开始深陷恶性循环；
用户也是逐利的，你们都想要在更短的时间内领到外卖，于是对外平台和骑手的配送时间提出了要求。
所以说，对于骑手的僵局，外卖平台、部分骑手、用户二者都是有责任的（其实最大的责任方在外卖平台）。惟有算法是任人装扮借助、专门甩锅的小女孩。
六、如何破解难题？
这么怎么破解目前的这个难题呢？有人说骑手团结上去构建一个工会能够解决，有人说要让外卖平台跟骑手签署劳动协议，这种从不同领域的角度出发的方式其实会有疗效，可以留给专业人员去讨论，我们不讨论。
但是甚至有人说要强化程序员的培训和价值导向？试想一群程序员出席完价值导向培训以后回到办公室，加班到晚上2点，第二天9点之前又通过钉钉打卡来下班，领导批评说模型形成的实际效益还不够好，再把骑手的预估时间减短几分钟吧，不然大家这个月的绩效就别指望了。这多奇幻现实主义呀。
这么究竟怎样破解难题呢？在我看来，这还得看这场游戏中究竟谁在获利谁在巨亏。
外卖平台通过这个游戏提升效率，肯定是获利的；部份骑手一开始是获利的，而且你们都为了时间不顾生命危险拚命赶单时，便是巨亏的；用户享受到了极其方便快速的外卖服务，也是获利的。
还有谁呢？还有就是社会大众。骑手为了省时逆行闯红灯，社会大众徒增了好多公路交通安全里面的危险，是巨亏的。涉及到社会大众的问题，使用属于大众的公权利来解决是一个合理的选择。
面对外卖平台，须要有监督和惩罚机制，当重罚也被纳入考虑诱因的时侯，便能促使平台去规范自身的行为；
面对骑手，天津实行的电子马甲骑手扣分制，便是一个思路：每位骑手必须穿上印有编号的电子马甲，一个季度齐肩完36分不容许再上路。
面对用户，平台应当给以骑手对于用户给差评的申述机制，以及骑手和用户之间的单向评分机制，防止用户无理要求以及随便给差评。
至于算法，不管是不是数字经济时代，关键的都不是算法，而是资本和人。
引用：
免责声明：部分文章信息来源于网络以及网友投稿，本站只负责对文章进行整理、排版、编辑，出于传递更多信息之目的，并不意味着赞同其观点或证实其内容的真实性，如本站文章和转稿涉及版权等问题，请作者在及时联系本站，我们会尽快为您处理。
