强制披露下如何评估网约车调度政策：用自利 LLM 司机智能体做实验

查看 PDF HTML（实验性）

摘要：欧盟《平台工作指令》须在 2026 年 12 月前完成转化，其要求网约车平台以通俗语言说明其自动化决策的主要参数，以及劳动者的行为如何影响这些参数。这类规则恰好是大语言模型（LLM）能够读取的内容，因此司机将能够交由 LLM 替自己做出决定。我们比较了两大类再平衡策略在规则公开后的表现：一类是反应式策略（R），将空闲司机派往覆盖刚刚流失的请求；另一类是预判式策略（A），基于需求预测来规划调度。每位司机都是一个 LLM 智能体，在无规则（N）或规则达到指令所要求的详细程度（L）的条件下最大化自身净收入。我们测试了两个 LLM——Claude Haiku 5.5 和 Jev，它们对规则的理解程度相当，并在一个三区域模型和曼哈顿进行了实验。在规则公开后，司机更倾向于遵从平台：在曼哈顿，两种策略下他们拒绝的调度邀约占比都从约五分之四降至四分之一。然而，不同策略的效果存在差异。对平台而言，规则公开使 R 在曼哈顿的利润损失 3.7%，因为 R 现在要为司机过去免费执行的调度付费，而 A 的利润保持不变；这两种策略在完全合规时利润持平，最终却相差 6.1%。对司机而言，规则公开在小模型中提升了两种策略和两个 LLM 下的收入；对用户而言，它使该模型中的服务率提高了 10 至 18 个百分点。在曼哈顿，自利的司机还使 A 相对于完全合规实现了三赢，司机收入、平台利润和服务率各提高 10% 至 12%。因此，在完全合规下表现同样出色的再平衡策略，在强制披露下可能呈现相反的结果。本研究提供了一个在新要求下评估此类策略的框架，据我们所知，这也是首个使用 LLM 智能体进行此类评估的研究。

提交历史

来自：Xinyu Wang [查看邮箱]
[v1] 2026 年 10 月 30 日星期五 01:37:16 UTC（772 KB）