王 鑫，郭 晨，李 敏，b

（東華大學(xué)a.服裝和藝術(shù)設(shè)計(jì)學(xué)院；b.現(xiàn)代服裝設(shè)計(jì)與技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，上海 200051）

針織塑身內(nèi)衣購(gòu)買(mǎi)意愿預(yù)測(cè)模型的比較研究

王 鑫a，郭 晨a，李 敏a，b

（東華大學(xué)a.服裝和藝術(shù)設(shè)計(jì)學(xué)院；b.現(xiàn)代服裝設(shè)計(jì)與技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，上海 200051）

通過(guò)對(duì)292名女性消費(fèi)者進(jìn)行針織塑身內(nèi)衣購(gòu)買(mǎi)意愿的問(wèn)卷調(diào)查，得到影響被調(diào)查者購(gòu)買(mǎi)意愿的影響因素并確定了13個(gè)主要因素，之后分別建立Logistic回歸模型和BP（back propagation）神經(jīng)網(wǎng)絡(luò)模型，利用SPSS和Matlab軟件進(jìn)行預(yù)測(cè)比較分析.結(jié)果顯示，在預(yù)測(cè)被調(diào)查者對(duì)針織塑身內(nèi)衣購(gòu)買(mǎi)意愿上，Logistic回歸模型的預(yù)測(cè)過(guò)程更快，BP神經(jīng)網(wǎng)絡(luò)模型比Logistic回歸模型的預(yù)測(cè)精度高，預(yù)測(cè)效果好.

針織塑身內(nèi)衣；購(gòu)買(mǎi)意愿；Logistic回歸；BP神經(jīng)網(wǎng)絡(luò)

現(xiàn)代女性消費(fèi)者對(duì)自身身材的要求越來(lái)越高，希望通過(guò)塑身內(nèi)衣呈現(xiàn)完美曲線(xiàn)，“塑型”已經(jīng)成為女性穿著內(nèi)衣的重要原因之一.因此，眾多國(guó)際知名內(nèi)衣品牌不斷增加塑身內(nèi)衣的產(chǎn)品比例，我國(guó)本土塑身內(nèi)衣品牌也開(kāi)始崛起［1］.

消費(fèi)者對(duì)企業(yè)產(chǎn)品或服務(wù)的購(gòu)買(mǎi)是企業(yè)獲得利潤(rùn)的源泉.通常，企業(yè)會(huì)花費(fèi)大量資金用于市場(chǎng)調(diào)研，試圖了解并預(yù)測(cè)顧客的購(gòu)買(mǎi)行為.而對(duì)消費(fèi)者是否會(huì)采取購(gòu)買(mǎi)行為最直接的預(yù)測(cè)方法是了解他們采取該行為的傾向，即購(gòu)買(mǎi)意愿.目前，國(guó)內(nèi)外學(xué)者對(duì)購(gòu)買(mǎi)意愿的研究主要集中在測(cè)算上，有學(xué)者開(kāi)發(fā)了Choice Based模型測(cè)量顧客的購(gòu)買(mǎi)意愿［2］，也有學(xué)者用數(shù)據(jù)挖掘、人工神經(jīng)網(wǎng)絡(luò)等先進(jìn)計(jì)算機(jī)技術(shù)進(jìn)行購(gòu)買(mǎi)意愿的研究［3］.因此，以消費(fèi)者購(gòu)買(mǎi)意愿為出發(fā)點(diǎn)，通過(guò)借鑒和分析影響消費(fèi)者購(gòu)買(mǎi)意愿的影響因素，精確地預(yù)測(cè)消費(fèi)者對(duì)塑身內(nèi)衣的購(gòu)買(mǎi)行為，會(huì)為企業(yè)帶來(lái)更大的幫助.

本文針對(duì)針織塑身內(nèi)衣產(chǎn)品，引入人工神經(jīng)網(wǎng)絡(luò)技術(shù)，建立被調(diào)查者對(duì)內(nèi)衣購(gòu)買(mǎi)意愿的預(yù)測(cè)模型，并與傳統(tǒng)的Logistic回歸模型進(jìn)行預(yù)測(cè)比較.這一探索不僅豐富了人工神經(jīng)網(wǎng)絡(luò)技術(shù)在服裝市場(chǎng)營(yíng)銷(xiāo)方面的研究，同時(shí)也為企業(yè)選擇更好地了解消費(fèi)者購(gòu)買(mǎi)行為的方法做有益的探索.

1 研究架構(gòu)及相關(guān)影響因素確定

1.1 針織塑身內(nèi)衣的購(gòu)買(mǎi)意愿理論假設(shè)

根據(jù)對(duì)針織塑身內(nèi)衣產(chǎn)品特點(diǎn)、市場(chǎng)現(xiàn)狀調(diào)研和感知特性理論（感知利得最大理論、感知風(fēng)險(xiǎn)最小理論）［4－5］及 計(jì) 劃 行 為 理 論 的 研 究［6－7］，本 文 提 出了消費(fèi)者對(duì)針織塑身內(nèi)衣購(gòu)買(mǎi)意愿的研究模型假設(shè)：

購(gòu)買(mǎi)意愿＝f（人口統(tǒng)計(jì)變量、產(chǎn)品知識(shí)、感知利得、感知風(fēng)險(xiǎn)、風(fēng)險(xiǎn)態(tài)度、主觀(guān)規(guī)范、使用態(tài)度）

模型由8個(gè)變量組成：購(gòu)買(mǎi)意愿是因變量，使用態(tài)度、產(chǎn)品知識(shí)、感知利得、感知風(fēng)險(xiǎn)（包括身體安全風(fēng)險(xiǎn)、誤購(gòu)風(fēng)險(xiǎn)、社會(huì)心理風(fēng)險(xiǎn)、財(cái)務(wù)風(fēng)險(xiǎn)）、風(fēng)險(xiǎn)態(tài)度、人口統(tǒng)計(jì)變量（包括年齡、受教育程度、職業(yè)、個(gè)人月收入、婚姻狀況、最大子女年齡、居住時(shí)間、身材類(lèi)型）以及主觀(guān)規(guī)范為自變量.

1.2 影響消費(fèi)者購(gòu)買(mǎi)意愿因素的確定

本文采用消費(fèi)者調(diào)查問(wèn)卷為測(cè)量工具.首先，通過(guò)文獻(xiàn)查閱并結(jié)合本研究自身特點(diǎn)對(duì)問(wèn)卷測(cè)量項(xiàng)目進(jìn)行設(shè)計(jì)，之后通過(guò)小組討論、專(zhuān)家訪(fǎng)談和預(yù)調(diào)研的方法對(duì)測(cè)量項(xiàng)目進(jìn)行篩選和確認(rèn)，最終整理得到正式調(diào)研問(wèn)卷.限于篇幅，本文未列出調(diào)研問(wèn)卷的具體內(nèi)容，僅進(jìn)行簡(jiǎn)單說(shuō)明.問(wèn)卷由4部分組成：（1）購(gòu)買(mǎi)經(jīng)驗(yàn)和品牌滿(mǎn)意度的調(diào)研，其中，品牌各項(xiàng)表現(xiàn)滿(mǎn)意度采用五分制李克特量表，其余題項(xiàng)為單選或多選題；（2）購(gòu)買(mǎi)意愿影響因素調(diào)研，此部分問(wèn)卷項(xiàng)目所有變量均采用五分制李克特量表方式，給予1至5分的評(píng)價(jià)，分?jǐn)?shù)越低表示對(duì)該問(wèn)項(xiàng)的熟悉／同意程度越低，反之，則熟悉／同意程度越高；（3）消費(fèi)者對(duì)針織塑身內(nèi)衣的個(gè)人喜好及消費(fèi)計(jì)劃調(diào)研，此部分問(wèn)卷1～10題均為單選題、11題為重要性排序；（4）人口統(tǒng)計(jì)變量，此部分問(wèn)題全為單選題.研究對(duì)象為年齡均在18周歲以上的女性消費(fèi)者.采取網(wǎng)絡(luò)問(wèn)卷和實(shí)地調(diào)研問(wèn)卷相結(jié)合的方式進(jìn)行，實(shí)地調(diào)研區(qū)域?yàn)樯虾Ｊ懈鞔蟠硇陨倘?調(diào)研時(shí)間為2011年4月至5月，共發(fā)放問(wèn)卷320份，回收有效問(wèn)卷292份，有效問(wèn)卷回收率為91.25%.

通過(guò)對(duì)樣本進(jìn)行相關(guān)性分析和單因素方差分析，最終確定與購(gòu)買(mǎi)意愿相關(guān)的因素有產(chǎn)品知識(shí)、感知利得、身體安全風(fēng)險(xiǎn)、社會(huì)心理風(fēng)險(xiǎn)、主觀(guān)規(guī)范、風(fēng)險(xiǎn)態(tài)度、使用態(tài)度、年齡、受教育程度、職業(yè)、婚姻、最大子女年齡、身材類(lèi)型.

2 針織塑身內(nèi)衣購(gòu)買(mǎi)意愿的Logistic回歸模型

購(gòu)買(mǎi)意愿的預(yù)測(cè)是一個(gè)復(fù)雜的過(guò)程，涉及的因素很多.在購(gòu)買(mǎi)決策過(guò)程中，各因素會(huì)通過(guò)相應(yīng)的機(jī)制影響購(gòu)買(mǎi)意愿結(jié)果的形成，這種影響很難準(zhǔn)確地通過(guò)某種函數(shù)關(guān)系來(lái)描述，因此，本文嘗試用傳統(tǒng)方法Logistic回歸模型來(lái)處理.

2.1 Logistic回歸模型簡(jiǎn)述

Logistic回歸模型是對(duì)定性變量的回歸分析，根據(jù)變量取值的不同可以分為二元Logistic回歸和多元Logistic回歸［8］.由于購(gòu)買(mǎi)意愿的結(jié)果通常用“有”還是“沒(méi)有”來(lái)表示，因此，本文采用二元Logistic回歸模型.

用于Logistic回歸模型檢驗(yàn)的統(tǒng)計(jì)量一般有沃爾德統(tǒng)計(jì)量（Wald）、－2對(duì)數(shù)似然值（－2LL）、Cox和Snell的卡方、Nagelkerke的卡方及赫斯默檢驗(yàn).一般而言，Wald值越大或Sig.值（Wald檢驗(yàn)的系數(shù)為0的顯著性概率）越小，回歸方程顯著性越高.

2.2 回歸模型的變量定義

Logistic回歸模型需要較大樣本量，且模型能解釋的自變量個(gè)數(shù)與樣本量有關(guān).本文的樣本量為292個(gè)，因變量（購(gòu)買(mǎi)意愿）取值為1的樣本數(shù)為134，經(jīng)計(jì)算可知，模型中最多引入13個(gè)變量［9］.因此，本文將通過(guò)數(shù)據(jù)分析所得影響購(gòu)買(mǎi)意愿的13個(gè)主要因素作為變量，對(duì)被調(diào)查者針織塑身內(nèi)衣的購(gòu)買(mǎi)意愿進(jìn)行回歸分析.在進(jìn)行回歸分析前，需要先對(duì)各個(gè)變量進(jìn)行定義，具體如表1所示.

表1 針織塑身內(nèi)衣購(gòu)買(mǎi)意愿的相關(guān)變量定義Table 1 The definition of variables related to the intention to purchase knitted slimming underwear

2.3 針織塑身內(nèi)衣購(gòu)買(mǎi)意愿的回歸模型分析

在定義變量的基礎(chǔ)上，本文利用SPSS 17.0統(tǒng)計(jì)軟件進(jìn)行回歸模型分析.

初始模型（模型一）為不含任何自變量、自變量取值為0、只有常數(shù)項(xiàng)時(shí)的輸出結(jié)果，如表2所示.當(dāng)模型中不包含任何自變量時(shí)，模型把所有的案例都預(yù)測(cè)為樣本數(shù)較多（即有意愿購(gòu)買(mǎi)）的那一類(lèi)，此時(shí)預(yù)測(cè)準(zhǔn)確率為54.1%.

表2 模型一的分類(lèi)預(yù)測(cè)表Table 2 The classified prediction table of model one

表3為單因變量分析結(jié)果.在將每個(gè)自變量放入模型之前，采用得分檢驗(yàn)方法，檢驗(yàn)該自變量與因變量之間有無(wú)聯(lián)系，哪些自變量會(huì)顯著改變模型的擬合優(yōu)度.由表3可以看出，年齡、受教育程度、職業(yè)、婚姻狀態(tài)、最大子女年齡、身材類(lèi)型、產(chǎn)品知識(shí)、感知利得、主觀(guān)規(guī)范、使用態(tài)度的Sig.值都小于0.05，說(shuō)明加入這些自變量都會(huì)顯著改變擬合優(yōu)度，因此可以解釋因變量，模型線(xiàn)性關(guān)系較為顯著.

表3 單因變量分析結(jié)果Table 3 The univariate analysis results in the equation

本文采用Enter［10］的方法進(jìn)行一步輸入，生成新的模型（模型二），如表4所示.由表4可知，引入自變量后，模型預(yù)測(cè)準(zhǔn)確率為80.8%.

表4 模型二分類(lèi)預(yù)測(cè)表Table 4 The classified prediction table of model two

表5顯示了對(duì)購(gòu)買(mǎi)意愿進(jìn)行二元邏輯回歸后得到的自變量系數(shù)、標(biāo)準(zhǔn)差、Wald值、自由度、顯著性概率Sig.值以及每增減一個(gè)變量引起的變動(dòng)值.由表5可以看出，使用態(tài)度、主觀(guān)規(guī)范、產(chǎn)品知識(shí)、受教育程度以及年齡的Wald統(tǒng)計(jì)值較大，且顯著性概率Sig.都小于0.05，說(shuō)明這5個(gè)自變量對(duì)購(gòu)買(mǎi)意愿有較大的影響作用；其他自變量的Wald值較小，且顯著性概率Sig.值偏大，說(shuō)明對(duì)購(gòu)買(mǎi)意愿的影響作用不明顯.

因此，該回歸模型為購(gòu)買(mǎi)意愿＝f（使用態(tài)度、主觀(guān)規(guī)范、產(chǎn)品知識(shí)、受教育程度、年齡）.

表5 針織塑身內(nèi)衣購(gòu)買(mǎi)意愿Logistic回歸模型變量分析Table 5 The variables analysis in the Logistic regression model of the intention to purchase knitted slimming underwear

3 針織塑身內(nèi)衣購(gòu)買(mǎi)意愿的反向傳播神經(jīng)網(wǎng)絡(luò)模型

由于購(gòu)買(mǎi)意愿是帶有模糊性質(zhì)的感覺(jué)、感知概念，用傳統(tǒng)的數(shù)學(xué)模型來(lái)描述存在著不夠精確的問(wèn)題，而人工神經(jīng)網(wǎng)絡(luò)在解決問(wèn)題時(shí)不需要對(duì)象的精確模型，僅需要大量的原始數(shù)據(jù)，通過(guò)其強(qiáng)大的自學(xué)能力和結(jié)構(gòu)的可變性，逐步適應(yīng)外界環(huán)境各因素的作用，并挖掘出對(duì)象內(nèi)在的因果關(guān)系，最終達(dá)到對(duì)購(gòu)買(mǎi)意愿的模糊評(píng)判.

因此，本文選用最為廣泛的BP（back propagation）神經(jīng)網(wǎng)絡(luò)模型來(lái)實(shí)現(xiàn)對(duì)消費(fèi)者購(gòu)買(mǎi)意愿的預(yù)測(cè).

3.1 BP神經(jīng)網(wǎng)絡(luò)模型簡(jiǎn)述

BP神經(jīng)網(wǎng)絡(luò)屬于前饋型神經(jīng)網(wǎng)絡(luò)，通常具有多層結(jié)構(gòu)：輸入層、隱含層與輸出層［11］.BP神經(jīng)網(wǎng)絡(luò)的基本工作原理是信號(hào)正向傳播，誤差反向傳播.通過(guò)對(duì)網(wǎng)絡(luò)權(quán)值和閾值的修正，使誤差函數(shù)沿負(fù)梯度方向下降，直到網(wǎng)絡(luò)輸出的誤差減少到可接受的程度，或進(jìn)行到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止.圖1為單隱層BP神經(jīng)網(wǎng)絡(luò)模型.

圖1 單隱層BP神經(jīng)網(wǎng)絡(luò)模型［11］Fig.1 BP neural network model with single hidden layer

3.2 針織塑身內(nèi)衣購(gòu)買(mǎi)意愿的BP神經(jīng)網(wǎng)絡(luò)架構(gòu)

本文以計(jì)劃行為理論［6］為基礎(chǔ)，加入感知風(fēng)險(xiǎn)、感知利得等影響因素，提出對(duì)針織塑身內(nèi)衣購(gòu)買(mǎi)意愿有主要影響的因素包括：產(chǎn)品知識(shí)、感知利得、感知風(fēng)險(xiǎn)、使用態(tài)度、主觀(guān)規(guī)范、風(fēng)險(xiǎn)態(tài)度及人口統(tǒng)計(jì)變量（如：年齡、受教育程度、職業(yè)、收入情況、身材類(lèi)型等）.因此，針織塑身內(nèi)衣的購(gòu)買(mǎi)意愿可以認(rèn)為是一個(gè)多輸入（影響因素）、單輸出（購(gòu)買(mǎi)意愿）的決策系統(tǒng)，其BP神經(jīng)網(wǎng)絡(luò)模型如圖2所示.

3.3 基于Matlab實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)

本預(yù)測(cè)模型選取只有一個(gè)隱含層的3層BP神經(jīng)網(wǎng)絡(luò).隱含層神經(jīng)元的傳遞函數(shù)為tnasig（）函數(shù)，輸出層神經(jīng)元的傳遞函數(shù)為pureline（）線(xiàn)性函數(shù).為了提高收斂速度、降低誤差，本文采用將動(dòng)量法和自適應(yīng)學(xué)習(xí)速率相結(jié)合的算法來(lái)改進(jìn)BP算法.

圖2 針織塑身內(nèi)衣購(gòu)買(mǎi)意愿的BP神經(jīng)網(wǎng)絡(luò)模型Fig.2 The BP neural network model of the intention to purchase knitted slimming underwear

采用上述的292份有效樣本數(shù)據(jù)，以預(yù)測(cè)被調(diào)查者的購(gòu)買(mǎi)意向.將292份數(shù)據(jù)分為訓(xùn)練集和測(cè)試集，編號(hào)為1～250的樣本數(shù)據(jù)為訓(xùn)練集，編號(hào)為251～292的樣本數(shù)據(jù)為測(cè)試集.

為使網(wǎng)絡(luò)訓(xùn)練更加有效和訓(xùn)練速度更快，本文對(duì)調(diào)研數(shù)據(jù)進(jìn)行了一定的預(yù)處理，使其映射到［－1，1］范圍內(nèi)［12］.利用Matlab對(duì)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行創(chuàng)建并訓(xùn)練，步驟如下：

（1）清空當(dāng)前Matalb空間中的變量和值，以免影響程序運(yùn)行；

（2）導(dǎo)入數(shù)據(jù)到輸入神經(jīng)元矩陣變量中；

（3）導(dǎo)入數(shù)據(jù)到輸出神經(jīng)元矩陣變量中；

（4）建立訓(xùn)練網(wǎng)絡(luò).

訓(xùn)練結(jié)果如圖3所示.

圖3 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練圖示Fig.3 Neural network training

由圖3可知，數(shù)據(jù)顯示預(yù)測(cè)模型的精度為0.004 999 41，訓(xùn)練次數(shù)為9 784次.

根據(jù)以上BP神經(jīng)網(wǎng)絡(luò)，使用剩余的42組數(shù)據(jù)對(duì)所設(shè)計(jì)的網(wǎng)絡(luò)進(jìn)行測(cè)試，測(cè)試結(jié)果如表6所示.

表6 預(yù)測(cè)情況總結(jié)Table 6 Prediction summary

原來(lái)實(shí)際42份樣本中愿意購(gòu)買(mǎi)的樣本數(shù)為18份，實(shí)際誤差為18／42－17／42＝0.0238，在合理接受的范圍內(nèi)，精確度97.6%，即前面建立的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型是可行的.

4 結(jié) 語(yǔ)

本文通過(guò)SPSS軟件和Matlab軟件分別建立了被調(diào)查者對(duì)針織塑身內(nèi)衣購(gòu)買(mǎi)意愿的Logistic回歸模型和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，通過(guò)比較得到下述結(jié)論.

（1）預(yù)測(cè)因素選擇.Logistic回歸方程需要的樣本量較大，且模型能解釋的自變量個(gè)數(shù)與樣本量有關(guān)，本文根據(jù)樣本量大小只能通過(guò)13個(gè)因素對(duì)其進(jìn)行解釋.而B(niǎo)P神經(jīng)網(wǎng)絡(luò)對(duì)輸入層沒(méi)有具體的要求，本文則通過(guò)最佳變量集合及人口統(tǒng)計(jì)變量作為輸入層進(jìn)行預(yù)測(cè).前者需要對(duì)因素進(jìn)行篩選，在篩選的過(guò)程中可能會(huì)刪除一些影響程度不大但對(duì)購(gòu)買(mǎi)意愿確實(shí)有影響的因素，后者只需通過(guò)主成分分析輸入最佳變量集合即可，由此可見(jiàn)，利用BP神經(jīng)網(wǎng)絡(luò)建立預(yù)測(cè)模型，在預(yù)測(cè)因素的選擇上更為科學(xué).

（2）預(yù)測(cè)過(guò)程.Logistic回歸模型運(yùn)用SPSS中的Regression模塊，可以很快地輸出預(yù)測(cè)結(jié)果的相關(guān)表格，但是Matlab軟件需要對(duì)數(shù)據(jù)進(jìn)行歸一化、網(wǎng)絡(luò)層數(shù)和精度的設(shè)定等一系列設(shè)置，還需要一定的時(shí)間進(jìn)行網(wǎng)絡(luò)的訓(xùn)練和驗(yàn)證.從這個(gè)角度而言，Logistic回歸在預(yù)測(cè)過(guò)程上更快，且在影響因素選擇有限的情況下，選擇Logistic回歸預(yù)測(cè)較有優(yōu)勢(shì).

（3）預(yù)測(cè)效果.Logistic回歸模型在加入了各影響因素后預(yù)測(cè)準(zhǔn)確率達(dá)80.8%，BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)的準(zhǔn)確率達(dá)97.6%，可見(jiàn)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)能力和預(yù)測(cè)精度比Logistic回歸模型高.

顯然，Logistic回歸模型雖然具有預(yù)測(cè)速度快、選擇因素少的優(yōu)點(diǎn)，但是在預(yù)測(cè)精度方面，卻不如BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型準(zhǔn)確.該研究結(jié)果不僅是BP神經(jīng)網(wǎng)絡(luò)運(yùn)用在服裝市場(chǎng)營(yíng)銷(xiāo)方向的有效嘗試，同時(shí)也為針織內(nèi)衣企業(yè)了解消費(fèi)者購(gòu)買(mǎi)決策提供了一種科學(xué)的方法.

參 考 文 獻(xiàn)

［1］董大海，楊毅，強(qiáng)勇.顧客購(gòu)買(mǎi)行為傾向的測(cè)量及其管理意涵［J］.預(yù)測(cè)，2005，24（3）：19－24.

［2］王萍.運(yùn)用數(shù)據(jù)挖掘技術(shù)預(yù)測(cè)客戶(hù)購(gòu)買(mǎi)傾向：方法與實(shí)證研究［J］.情報(bào)科學(xué)，2005，23（5）：738－741.

［3］吳亮錦，糜仲春.珠寶的知覺(jué)價(jià)值與購(gòu)買(mǎi)意愿之研究［D］.合肥：中國(guó)科學(xué)技術(shù)大學(xué)商學(xué)院，2006：103－117.

［4］劉文波，陳榮秋.顧客價(jià)值理論的概念模型［J］.商場(chǎng)現(xiàn)代化，2008（556）：47－48.

［5］TAYLOR J W.The role of risk in consumer behavior ［J］.Journal of Marketing，1974，38（2）：54－60.

［6］青平，李崇光.消費(fèi)者計(jì)劃行為理論及其在市場(chǎng)營(yíng)銷(xiāo)中的應(yīng)用［J］.理論月刊，2005，2（2）：78－80.

［7］余莉.計(jì)劃行為理論的發(fā)展綜述［J］.科教文匯，2008，7（2）：170.

［8］盧文岱.SPSS for Windows統(tǒng)計(jì)分析［M］.北京：電子工業(yè)出版社，2002：34－42.

［9］馬慶國(guó).管理統(tǒng)計(jì)：數(shù)據(jù)獲取、統(tǒng)計(jì)原理、SPSS工具與應(yīng)用研究［M］.北京：科學(xué)出版，2002：45－66.

［10］賴(lài)國(guó)毅，陳超.SPSS 17.0常用功能與應(yīng)用實(shí)例精講［M］.北京：電子工業(yè)出版社，2010：225－229.

［11］韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)及應(yīng)用［M］.北京：化學(xué)工業(yè)出版社，2002：13－27.

［12］董長(zhǎng)虹.Matlab神經(jīng)網(wǎng)絡(luò)與應(yīng)用［M］.北京：國(guó)防工業(yè)出版社，2005：112－134.

Comparative Study on the Forecast ModeIs of the Customer's Intention to Purchase Knitted SIimming Underwear

WANGXina，GUOChena，LIMina，b
（a.Fashion and Art Design Institute；b.Key Laboratory of Clothing Design ＆Technology，Ministry of Education，Donghua University，Shanghai 200051，China）

Based on questionnaires of customer's intention to purchase knitted slimming underwear among 292 female consumers，13 factors that are significantly correlated with the purchase intention are identified.Then the logistic regression model and the BP （back propagation）neural network model are built up.By using SPSS software and Matlab software，the objective differences of the two models are analyzed.The comparing results show that，on the aspect of predicting the intention to purchase，the prediction process speed of Logistic regression model is faster.But the BP neural network model has a higher accuracy of prediction than the Logistic regression model.

knitted slimming underwear；purchase intention；Logistic regression；BP neural network

TS 941.19

A

1671－0444（2013）06－0824－06

2012－05－23

王 鑫（1985—），女，內(nèi)蒙古呼和浩特人，碩士，研究方向?yàn)榉b產(chǎn)業(yè)經(jīng)濟(jì).E－mail：amandawang1011＠126.com

李 敏（聯(lián)系人），女，教授，E－mail：fidlimin＠dhu.edu.cn