12月27日下午，CIDEG学术沙龙第170期“共享交通系统与多目标优化匹配”在清华大学公共管理学院302会议室举行。本次沙龙邀请了新加坡管理大学信息系统学院助理教授、卡内基梅隆大学海因茨信息系统与公共政策学院客座助理教授王海担任主讲嘉宾，清华大学公共管理学院副教授刘生龙、清华大学交叉信息研究院助理教授于洋担任本次沙龙的点评嘉宾，清华大学公共管理学院副教授、CIDEG主任助理赵静主持沙龙。来自清华大学和其他高校的学生30余人参与了讲座。

王海老师主要分享了在共享经济浪潮中，共享交通是极其重要的一环，光北京一天的滴滴的营业量就在200万单左右。共享交通是一个很典型的随时空变化的动态市场，动态市场的整体框架中包含了诸多决策需要考虑的因素，例如需求方（乘客）考虑价格，服务质量（以等待时间为代表）、其他交通方式等因素；供给方（司机）考虑工资、有效工作时间、其他工作等，供给需求两方互相影响，决策也因此相关。在此框架下，平台方或研究者在不同的目标下有不同的考虑标准：如供需平衡，司乘安全，市场份额，平台收入，社会福利等等。

介绍了相关研究框架后，王海老师谈到了共享出行常见的研究问题和对应的研究手段，常用的研究手段包括机器深度学习、博弈论和机制设计、统计和计量经济学等，而平台常常研究的问题包括信息披露、车辆调度、监管有效性、双边评价机制等等，而研究者则需要考虑共享交通系统对于公共交通的竞争与互补，信息分享和价格歧视等其他问题。

目前最需要优化的是共享出行市场的供需匹配，匹配需考虑接客时间、服务质量、收入等，诸多因素有顺序选择和优先级。平台方希望实现多目标派单优化，即在多重目标与左右随机因素中找到平衡目标。常用的方法如权重法：对不同的目标给予不同的权重，化多维为一维；阶段法，即对不同的因素做排序；亦或是稳定匹配法，即通过过优先级偏好去除不稳定因素，实现最后的稳定匹配。从理论上在效率匹配中有乌托邦解，为最理想情况下的最优化解，但实际上是达不到的，王海老师提出可以通过算法优化求得效率曲线上的最优解，或在一定目标约束下最接近的最优解。王海老师介绍了其团队研究自适应匹配算法，计算有效边界的形状，并在实际的商业测试中获得了较好的匹配效果。最后，王海老师介绍了在不稳定决策环境下的模型，对离线抽样数据通过自适应匹配算法计算权重，后进行在线权重抽样来进行决策，这种方法所得结果并非定值，但总体上能有效降低与最优化结果的偏差。这样的计算方法不仅仅局限于共享交通的供需匹配计算，在智慧城市其他的统筹问题中都有极重要的应用。

刘生龙老师首先认可本次研究的方法对于智慧城市非常有价值，不仅能协助平台完成运营，更能在一定程度上解决北京交通拥堵乃至污染的问题，在整体上优化交通体系。此外，这个研究是非常系统的，涉及了经济学中劳动供给的问题，研究的理论化非常好。刘生龙老师建议可以对多目标的问题设置一个上限，以获得更实际的优化解，同时需要考虑共享出行的外部性问题，考虑如消费者福利，环境保护等问题，或许可能获得更系统的社会优化。

于洋老师评价道本次报告在短短两个小时内阐述了共享交通方方面面的问题，在未来可以通过算法大幅度提高社会治理能力。我们可用以这样的方法和思维去处理社会管理多方面的问题，而这也是学科交叉的重要性，本次研究正是管理学与数据算法的成功合作的典型代表。

最后，嘉宾和现场同学们展开热烈讨论。