付永貴 朱建明

一、引言

進入21世紀(jì)以來，電子商務(wù)在全世界得到了迅猛發(fā)展，然而因交易的電子化、跨時空、全天候、平臺虛擬性等特點，電子商務(wù)供應(yīng)商信用評估較之傳統(tǒng)商務(wù)產(chǎn)生了更高的難度，雖然目前很多電子商務(wù)交易系統(tǒng)設(shè)置了顧客對供應(yīng)商交易信用的評估平臺，但在實際運行中由于顧客的側(cè)重點各異，單筆交易的個性化特點太強，導(dǎo)致單個顧客對某一供應(yīng)商的信用評估結(jié)果無法取信，電子商務(wù)供應(yīng)商信用評估效率不高的問題依然沒有得到解決。因此，如何獲取交易主體身份、行為、交易特點等多方面信息，并據(jù)此有效地進行信用評估是進一步提高電子商務(wù)效率的一個關(guān)鍵。

在實際工作中，中國目前對企業(yè)信用進行評估主要遵照《GB/T 22116—2008企業(yè)信用等級表示方法》的規(guī)定，即按照企業(yè)的履約能力、風(fēng)險程度、經(jīng)營狀態(tài)、不確定因素對經(jīng)營與發(fā)展的影響水平等因素評估企業(yè)的信用度水平，按照企業(yè)信用度由高到低分成AAA、AA、A、BBB、BB、B、CCC、CC、C、NR共十類，其中AAA、AA、A、BBB四類為信用度合格供應(yīng)商的評價標(biāo)準(zhǔn)。比較有代表性的企業(yè)信用評估發(fā)布網(wǎng)站如企業(yè)信用網(wǎng)(http：//www.bgcheck.cn)，有很多電子商務(wù)企業(yè)在此網(wǎng)站注冊并公布了自己的信用等級。

經(jīng)過對電子商務(wù)交易主體及其交易模式的特性進行分析可以發(fā)現(xiàn)，網(wǎng)絡(luò)供應(yīng)商通常不是商品的生產(chǎn)者，更多的情況是一個交易網(wǎng)站及眾多在此網(wǎng)站注冊并進行網(wǎng)絡(luò)銷售的供應(yīng)商集合?？蛻暨M行信用評價時更加注重網(wǎng)站的規(guī)模、發(fā)展時間、提供信息的完整度、商品質(zhì)量、供應(yīng)商聲譽、商品種類、資產(chǎn)狀況、負債狀況、供貨周期、商品價格、物流配送方式、配送周期、售后服務(wù)內(nèi)容、售后服務(wù)時間、供應(yīng)商發(fā)展前景等，因此，目前《GB/T 22116—2008企業(yè)信用等級表示方法》對網(wǎng)站及供應(yīng)商進行的信用評估結(jié)果不能形成對顧客購物決策的有效指導(dǎo)，網(wǎng)絡(luò)供應(yīng)商信用評估需要順應(yīng)電子商務(wù)交易的特性及顧客的根本需求，通過構(gòu)建更有針對性的評估指標(biāo)體系對信用度進行總體評估。

從學(xué)術(shù)研究及應(yīng)用的角度進行分析，早期各研究應(yīng)用領(lǐng)域主流的信用評估模型以線性模型為主，近幾年則以在神經(jīng)網(wǎng)絡(luò)模型基礎(chǔ)上構(gòu)建信用評估模型居多。

目前電子商務(wù)領(lǐng)域信用評估的研究成果已經(jīng)很多，比如彭麗芳等(2007)[1]提出通過交易完成后交易雙方對對方信用反饋的多次積累作為評判交易者信用的依據(jù)。殷紅(2013)[2]提出借助信用評價制度、支付機制、擔(dān)保機制、爭議解決機制等提高網(wǎng)絡(luò)交易交易方的信用。廖華和張旭輝等(2014)[3]提出在C2C信用評價模型中增加售前、售中、售后的隱性信用因素構(gòu)建模型。王俊峰和吳海峰(2014)[4]提出網(wǎng)絡(luò)交易時綜合B2C企業(yè)運營能力、償債能力、發(fā)展能力、網(wǎng)絡(luò)經(jīng)營能力等多方面因素給出企業(yè)信用度的評價結(jié)果。賈艷濤和虞慧群(2010)等[5]綜合考慮交易金額、交易雙方信譽度、交易次數(shù)、差評次數(shù)、未評價交易等因素，采用動態(tài)計算的方式構(gòu)建C2C的可信信用評價模型。陳鑫銘和馮艷(2009)[6]設(shè)計了一套基于基本信用、職業(yè)信用、交易信用的信用評估體系及基于AHP方法的C2C電子商務(wù)信用評估模型。郭亦涵和鄭植(2011)[7]提出在評價商家信用時以產(chǎn)品質(zhì)量、信息質(zhì)量、配送質(zhì)量、服務(wù)質(zhì)量指標(biāo)作為基礎(chǔ)，使用模糊綜合評價法給出指標(biāo)權(quán)重，同時在指標(biāo)體系構(gòu)建中要綜合考慮評價者信用、交易金額、交易時間等因素。李瑞軒等(2009)[8]按照商品價格區(qū)間分布來對成功交易加分，按照信用等級的扣分系數(shù)來對失敗交易扣分，以解決信用欺詐；設(shè)計了風(fēng)險計算方法，根據(jù)歷史交易情況及當(dāng)前交易價格評估當(dāng)前交易風(fēng)險。

綜合現(xiàn)有電子商務(wù)領(lǐng)域信用評估的研究成果可以發(fā)現(xiàn)，目前的研究中所構(gòu)建的指標(biāo)體系及模型以交易主體傳統(tǒng)既定的信用評估指標(biāo)體系及模型為主，數(shù)據(jù)源則以既定交易系統(tǒng)等固定數(shù)據(jù)源為主，由于指標(biāo)體系比較簡單，數(shù)據(jù)的來源受限使得模型的評估結(jié)果不夠精確，不能很好地實現(xiàn)對電子商務(wù)交易主體信用的評估，而信用問題恰恰是電子商務(wù)交易主體交易過程中最為關(guān)注的問題。因此電子商務(wù)交易主體信用評估效率問題成為決定目前電子商務(wù)交易頻率及效率的關(guān)鍵因素，成為制約電子商務(wù)發(fā)展的瓶頸。

隨著互聯(lián)網(wǎng)的發(fā)展，互聯(lián)網(wǎng)所產(chǎn)生的數(shù)據(jù)量快速增長，云時代的來臨，使得大數(shù)據(jù)越來越成為人們關(guān)注的熱點，不可否認(rèn)，大數(shù)據(jù)正沖擊和影響著人們的生活。有關(guān)大數(shù)據(jù)的概念，大數(shù)據(jù)研究機構(gòu)Gartner的定義是“大數(shù)據(jù)是需要新處理模式才能具有更強的決策力、洞察發(fā)現(xiàn)力和流程優(yōu)化能力的海量、高增長率和多樣化的信息資產(chǎn)”。圖1為歷年來互聯(lián)網(wǎng)數(shù)據(jù)總量統(tǒng)計結(jié)果(單位：ZB)。

圖1 互聯(lián)網(wǎng)數(shù)據(jù)總量統(tǒng)計及預(yù)測

數(shù)據(jù)來源：IDC統(tǒng)計及預(yù)測數(shù)據(jù)。

大數(shù)據(jù)時代的來臨，給電子商務(wù)交易信用管理帶來了重大契機，目前基于大數(shù)據(jù)的電子商務(wù)交易信用問題已經(jīng)得到了學(xué)術(shù)界的關(guān)注，一些專家學(xué)者也進行了相應(yīng)的理論研究。比如：章向東和鐘為亞(2014)[9]提出大數(shù)據(jù)時代我國信用評級業(yè)應(yīng)該進行評級體系重構(gòu)，并使用演化博弈模型就互聯(lián)網(wǎng)平臺與信用評級機構(gòu)之間是否進行大數(shù)據(jù)信息提供合作進行了收益分析。李海強(2014)[10]針對供應(yīng)鏈企業(yè)信用貸款的不足，指出了大數(shù)據(jù)環(huán)境下供應(yīng)鏈企業(yè)信用貸款風(fēng)險評價的特點，并通過實例進行了分析。Jenkins和Patrick(2014)[11]提出ZestFinance使用大數(shù)據(jù)實現(xiàn)金融業(yè)的信用評估。Wisniewski(2013)[12]提出使用人的行為大數(shù)據(jù)實現(xiàn)征信。方湖柳和李圣君(2014)[13]提出使用大數(shù)據(jù)信息實現(xiàn)食品安全的事前、事中、事后智能化監(jiān)管。從實際應(yīng)用中來看，使用大數(shù)據(jù)進行信用評估比較成功的當(dāng)屬美國的FICO公司與ZestFinance公司，其信用評估主要面向互聯(lián)網(wǎng)金融，其中ZestFinance公司使用大數(shù)據(jù)對互聯(lián)網(wǎng)金融進行信用評估更為成功；另外，國內(nèi)的阿里小貸也建立了基于大數(shù)據(jù)的征信系統(tǒng)。

對國內(nèi)外基于大數(shù)據(jù)的電子商務(wù)交易信用管理理論與實踐進行分析，目前基于大數(shù)據(jù)的電子商務(wù)交易信用管理的研究尚處于初級階段，理論研究尚處于大數(shù)據(jù)對電子商務(wù)交易信用管理的價值分析階段，研究方法很少，應(yīng)用方面案例的內(nèi)容也屬于嘗試、探討性的，沒有形成對現(xiàn)實理論研究及實踐應(yīng)用的指導(dǎo)性成果。

與其他電子商務(wù)類型相比，B2C電子商務(wù)涉及面廣，交易頻度高，顧客隨機性大，因此B2C電子商務(wù)網(wǎng)絡(luò)供應(yīng)商的信用評估更具必要性和普遍性。基于以上分析，本文以B2C電子商務(wù)為例，將電子商務(wù)交易放到大數(shù)據(jù)環(huán)境中，分析了網(wǎng)絡(luò)供應(yīng)商信用大數(shù)據(jù)的來源及數(shù)據(jù)處理流程，分析了基于大數(shù)據(jù)的網(wǎng)絡(luò)供應(yīng)商信用博弈行為，使用逐步回歸法提出構(gòu)建基于大數(shù)據(jù)的網(wǎng)絡(luò)供應(yīng)商信用評估指標(biāo)體系的具體方法，并使用部分調(diào)整模型及帶權(quán)重的徑向基神經(jīng)網(wǎng)絡(luò)模型構(gòu)建了基于大數(shù)據(jù)的B2C網(wǎng)絡(luò)供應(yīng)商信用評估模型，最后通過實證分析說明了模型的構(gòu)建過程并驗證了模型的效率。

二、網(wǎng)絡(luò)供應(yīng)商信用大數(shù)據(jù)來源分析及處理

大數(shù)據(jù)環(huán)境下，與網(wǎng)絡(luò)供應(yīng)商信用管理相關(guān)的數(shù)據(jù)資料來源不斷增加，其數(shù)據(jù)來源既包括網(wǎng)絡(luò)供應(yīng)商提供的數(shù)據(jù)資料、第三方信息系統(tǒng)(行業(yè)相關(guān)信息系統(tǒng)及與供應(yīng)商本身有關(guān)的信息系統(tǒng))提供的數(shù)據(jù)資料、從互聯(lián)網(wǎng)中抓取獲得到的數(shù)據(jù)資料，這些數(shù)據(jù)資料既有與電子商務(wù)交易直接有關(guān)的數(shù)據(jù)，也有與電子商務(wù)交易無關(guān)但可以支持網(wǎng)絡(luò)供應(yīng)商信用評估的數(shù)據(jù)資料，數(shù)據(jù)資料來源不固定，即使數(shù)據(jù)分析人員事先也不能完全確定數(shù)據(jù)的具體來源。這些數(shù)據(jù)源提供的數(shù)據(jù)資料數(shù)據(jù)量巨大、內(nèi)容豐富、格式多樣化。對于網(wǎng)絡(luò)供應(yīng)商提供的數(shù)據(jù)資料要使用具體的監(jiān)管措施確保所提供數(shù)據(jù)資料的真實性；對于第三方信息系統(tǒng)提供的數(shù)據(jù)資料要與第三方建立聯(lián)系，取得第三方的同意；對于從網(wǎng)上抓取的數(shù)據(jù)資料要建立有效的爬行算法，確保所抓取到數(shù)據(jù)的正確性和時效性。這些數(shù)據(jù)金礦可以為電子商務(wù)供應(yīng)商信用評估提供更加全面、完整、準(zhǔn)確的數(shù)據(jù)。

大數(shù)據(jù)給電子商務(wù)交易信用評估提供了新的機遇，但如何處理大數(shù)據(jù)也給人們提出了新的挑戰(zhàn)。通過大數(shù)據(jù)構(gòu)建電子商務(wù)交易信用評估指標(biāo)體系時要對指標(biāo)體系內(nèi)各項指標(biāo)之間的相關(guān)性及重要程度進行分析，對于重要但沒有引入的指標(biāo)變量要引入指標(biāo)體系，對于與其他指標(biāo)變量相關(guān)性程度很高而對信用評估結(jié)果影響不大的指標(biāo)變量則要剔除；既要考慮指標(biāo)對應(yīng)數(shù)據(jù)的清洗，去除錯誤、不必要和冗余的數(shù)據(jù)，又要考慮數(shù)據(jù)格式的變換，確保數(shù)據(jù)格式的一致性并且是信用評估模型易于處理的數(shù)據(jù)格式。其處理流程如圖2所示。

圖2 網(wǎng)絡(luò)供應(yīng)商信用大數(shù)據(jù)處理流程

三、基于大數(shù)據(jù)的網(wǎng)絡(luò)供應(yīng)商信用博弈行為分析

對于網(wǎng)絡(luò)供應(yīng)商來說，顧客對其信用評估的結(jié)果既包括當(dāng)期信用評估結(jié)果，又包括顧客對供應(yīng)商的前期信用評估結(jié)果，顧客對供應(yīng)商的前期信用評估結(jié)果會很大程度上影響顧客對供應(yīng)商當(dāng)期信用評估的總體結(jié)果。因此，網(wǎng)絡(luò)供應(yīng)商信用評估的總體結(jié)果是由顧客對供應(yīng)商當(dāng)期信用評估結(jié)果及對供應(yīng)商所有前期信用評估結(jié)果綜合形成的。

網(wǎng)絡(luò)供應(yīng)商作為一個理性經(jīng)濟人，其提供信息的真實度會因顧客對其信用水平的獲取能力而產(chǎn)生博弈，為了有效地對供應(yīng)商信用博弈(這里的信用博弈指供應(yīng)商對提供信息真實度的選擇)行為進行分析，做以下假設(shè)：

H1：為了研究方便，設(shè)供應(yīng)商當(dāng)期(第t期)總體信用評估結(jié)果只受前一期(第t-1期)信用評估結(jié)果的影響；設(shè)當(dāng)期總體信用評估結(jié)果為F(t)，上一期總體信用評估結(jié)果為F(t-1)；設(shè)供應(yīng)商的總體信用評估結(jié)果即是供應(yīng)商的效用值，即對于供應(yīng)商來說，U(t)=F(t)。

H2：設(shè)通過大數(shù)據(jù)分析技術(shù)捕獲供應(yīng)商提供虛假信息欺瞞顧客的概率為γ。

H3：設(shè)供應(yīng)商當(dāng)期提供真實信息概率為πt，則提供虛假信息欺瞞顧客的概率為1-πt；供應(yīng)商上一期因提供虛假信息被捕獲對當(dāng)期供應(yīng)商信用評估結(jié)果的影響為-k(1-πt-1，γ)，-k(1-πt-1，γ)隨1-πt-1取值增大而減小，隨γ取值增大而減小(這里k為函數(shù)，其取值是期望值)；-k(1-πt-1，γ)≤0且當(dāng)γ=0時，-k(1-πt-1，γ)=0，當(dāng)1-πt-1=0時，-k(1-πt-1，γ)=0；即供應(yīng)商由于上一期提供虛假信息被捕獲將會造成當(dāng)期信用評估結(jié)果的下降。

H4：設(shè)顧客對供應(yīng)商總體信用評估結(jié)果中當(dāng)期信用評估結(jié)果占比為δ(0≤δ≤1)，則顧客對供應(yīng)商上一期信用評估結(jié)果在供應(yīng)商當(dāng)期總體信用度評估結(jié)果中的占比為1-δ。

H5：設(shè)顧客對供應(yīng)商當(dāng)期信用評估結(jié)果為f(t)，對供應(yīng)商上一期的信用評估結(jié)果為f(t-1)。

H6：設(shè)如果供應(yīng)商提供虛假信息欺瞞顧客成功其總體信用評估結(jié)果將提高m，如果失敗其總體信用評估結(jié)果將下降n。

則供應(yīng)商當(dāng)期(第t期)總體信用評估結(jié)果為：

F(t)=πt(δf(t)+(1-δ)f(t-1))

+(1-πt)(δ(γ(f(t)-n)

+(1-γ)(f(t)+m))+(1-δ)f(t-1))

-k(1-πt-1，γ)

(1)

同理，供應(yīng)商上一期(第t-1期)總體信用評估結(jié)果為：

F(t-1)=πt-1(δf(t-1)+(1-δ)f(t-2))

+(1-πt-1)(δ(γ(f(t-1)-n)

+(1-γ)(f(t-1)+m))

+(1-δ)f(t-2))-k(1-πt-2，γ)

(2)

計算公式(1)+公式(2)并整理得：

F(t-1)+F(t)=δf(t)+f(t-1)+(1-δ)f(t-2)

+(2-πt-πt-1)δ(m-(m+n)γ)

-k(1-πt-1，γ)-k(1-πt-2，γ)

=δf(t)+f(t-1)+(1-δ)f(t-2)

+(1-πt)δ(m-(m+n)γ)

-k(1-πt-1，γ)+(1-πt-1)δ(m-(m+n)γ)

-k(1-πt-2，γ)

(3)

供應(yīng)商追求兩期總體信用評估結(jié)果和的最大值max(F(t-1)+F(t))，即公式(3)的最大值。

對公式(3)進行分析，δ為固定值，f(t)、f(t-1)、f(t-2)是不同期網(wǎng)絡(luò)供應(yīng)商信用評估結(jié)果；(1-πt)δ(m-(m+n)γ)-k(1-πt-1，γ)是γ的單調(diào)減函數(shù)，即隨著大數(shù)據(jù)分析技術(shù)捕獲供應(yīng)商欺瞞顧客其信用水平能力的提高，網(wǎng)絡(luò)供應(yīng)商總體信用度評估結(jié)果會更低。因為0≤πt≤1，且(1-πt)δ(m-(m+n)γ)-k(1-πt-1，γ)是關(guān)于πt，γ的連續(xù)函數(shù)。所以存在以下情況：

1.當(dāng)γ=0時，(1-πt)δ(m-(m+n)γ)-k(1-πt-1，γ)≥0；當(dāng)γ=1時，(1-πt)δ(m-(m+n)γ)-k(1-πt-1，γ)≤0。

同理可以對(1-πt-1)δ(m-(m+n)γ)-k(1-πt-2，γ)與πt-1，γ的關(guān)系進行分析。

結(jié)合-k(1-πt-1，γ)、-k(1-πt-2，γ)的定義、特點進行分析，當(dāng)大數(shù)據(jù)分析技術(shù)捕獲供應(yīng)商欺瞞顧客其信用水平能力較低時，供應(yīng)商會更多地欺瞞顧客；隨著大數(shù)據(jù)分析技術(shù)捕獲供應(yīng)商欺瞞顧客其信用水平能力達到一定程度時，供應(yīng)商提供真實商品信息會是更明智的選擇。

以上通過博弈分析得到了大數(shù)據(jù)技術(shù)對網(wǎng)絡(luò)供應(yīng)商信用評估的價值。

四、基于大數(shù)據(jù)的網(wǎng)絡(luò)供應(yīng)商信用評估指標(biāo)體系構(gòu)建

由于不同的商品其特性不同，顧客所關(guān)注的信用指標(biāo)重要程度不同，所以在建立供應(yīng)商信用評估指標(biāo)體系時，針對不同類型商品的供應(yīng)商，其所選取的指標(biāo)體系將是不同的?；诖髷?shù)據(jù)的網(wǎng)絡(luò)供應(yīng)商信用評估指標(biāo)體系在傳統(tǒng)網(wǎng)絡(luò)供應(yīng)商信用評估指標(biāo)體系的基礎(chǔ)上經(jīng)過專家研究、討論，提出以下備選指標(biāo)體系(Ia)：網(wǎng)站的規(guī)模(I1)、發(fā)展時間(I2)、提供信息的完整度(I3)、商品質(zhì)量(I4)、供應(yīng)商聲譽(I5)、商品種類(I6)、資產(chǎn)狀況(I7)、負債狀況(I8)、組織管理結(jié)構(gòu)(I9)、領(lǐng)導(dǎo)理念(I10)、供貨周期(I11)、商品價格(I12)、物流配送方式(I13)、配送周期(I14)、售后服務(wù)內(nèi)容(I15)、售后服務(wù)時間(I16)、供應(yīng)商發(fā)展前景(I17)、供應(yīng)商商品質(zhì)量改進意愿(I18)。

備選指標(biāo)體系(Ia)各指標(biāo)的特性及量化值如表1所示。

通常，對于一個既定的電子商務(wù)網(wǎng)站來說，對應(yīng)于網(wǎng)絡(luò)供應(yīng)商的信用指標(biāo)體系所包含評估指標(biāo)的取值單純依靠其交易系統(tǒng)是無法完整獲取的，只有將供應(yīng)商信用評估相關(guān)數(shù)據(jù)獲取的來源盡可能地擴大，借助大數(shù)據(jù)分析技術(shù)，對網(wǎng)絡(luò)供應(yīng)商信用評估相關(guān)大數(shù)據(jù)進行分析才能獲取。

對于某一類商品的網(wǎng)絡(luò)供應(yīng)商，其信用評估最終指標(biāo)體系Ic的選取過程為：

1.借助大數(shù)據(jù)分析技術(shù)得到所有樣本網(wǎng)絡(luò)供應(yīng)商(同一類商品的網(wǎng)絡(luò)供應(yīng)商)備選信用評估指標(biāo)體系(Ia)所包含的信用評估指標(biāo)各時期(進行研究分析的時間段)取值，同時獲取各樣本網(wǎng)絡(luò)供應(yīng)商各時期標(biāo)準(zhǔn)信用評估結(jié)果(由權(quán)威機構(gòu)或者專家給出)，由專家研究、討論建立針對該類商品的網(wǎng)絡(luò)供應(yīng)商的信用評估基礎(chǔ)指標(biāo)體系(Ib)。

表1 備選指標(biāo)體系(Ia)各指標(biāo)的特性及量化值

2.使用逐步回歸法按照備選指標(biāo)體系(Ia)中指標(biāo)變量對評估結(jié)果變量影響的顯著程度大小來決定這些指標(biāo)變量引入Ib或者從Ib剔除，最終得到指標(biāo)體系Ic。

逐步回歸法的理論基礎(chǔ)及最終指標(biāo)體系Ic的計量經(jīng)濟學(xué)模型選取過程為：

設(shè)由基礎(chǔ)指標(biāo)體系包含的指標(biāo)有Ib={I1，I2，…，Is}，共s個。設(shè)樣本數(shù)據(jù)為n，即研究n個樣本網(wǎng)絡(luò)供應(yīng)商(s+1

f′(t)=β0+β1I1t+β2I2t+…+βsIst+ut

(4)

對于n個樣本，其表達式分別為：

f′(1)=β0+β1I11+β2I21+…+βsIs1+u1

f′(2)=β0+β1I12+β2I22+…+βsIs2+u2

…

f′(n)=β0+β1I1n+β2I2n+…+βsIsn+un

其矩陣表達式為：

f′=Iβ+u

(5)

其中：

β為參數(shù)，u為擾動項。

使用最小二乘估計法，f′(t)擬合模型的表達式為[14]：

(6)

計算并化簡得矩陣形式方程組：

(7)

對于線性回歸模型來說，總平方和(TSS)=回歸平方和(ESS)+殘差平方和(RSS)[14]。為了表述方便，RSS通常記為S。

對于Ij∈Ia且Ij?Ib，其偏回歸平方和為Vj=S-S′，Vj為偏回歸平方和，S為基礎(chǔ)指標(biāo)體系變量的殘差平方和，S′為引入指標(biāo)變量Ij后的殘差平方和。

基于以上理論基礎(chǔ)，對指標(biāo)變量的引入與剔除方法介紹如下[15]：

1.引入一個指標(biāo)變量。

進行逐步回歸引入一個指標(biāo)變量時，應(yīng)是所有未引入變量中偏回歸平方和最大的一個，假設(shè)這一變量為Ik(Ik?Ib)，則Vk=max{V(1，2，…，s)-}，其中I(1，2，…，s)-∈Ia且I(1，2，…，s)-?Ib，V(1，2，…，s)-為I(1，2，…，s)-的偏回歸平方和。

當(dāng)Ik引入后，對于其他I(1，2，…，s)-指標(biāo)變量可以參照以上方法逐步引入。

2.剔除一個指標(biāo)變量。

進行逐步回歸剔除一個指標(biāo)變量時，應(yīng)是所有引入指標(biāo)變量中偏回歸平方和最小的一個，設(shè)這一變量為Il(Il∈Ib)，則Vl=min{V(1，2，…，s)}，其中I(1，2，…，s)∈Ib，V(1，2，…，s)為I(1，2，…，s)的偏回歸平方和。

當(dāng)Il剔除后，對于其他I(1，2，…，s)指標(biāo)變量可以參照以上方法逐步剔除。

(8)

五、基于大數(shù)據(jù)的網(wǎng)絡(luò)供應(yīng)商信用評估模型

因為一個網(wǎng)絡(luò)供應(yīng)商的總體信用度評估結(jié)果是由顧客對供應(yīng)商當(dāng)期信用度評估結(jié)果與顧客對供應(yīng)商前期信用度評估結(jié)果綜合影響而形成的，為了研究方便，本文只構(gòu)建包括當(dāng)期信用度評估結(jié)果與前一期信用度評估結(jié)果的供應(yīng)商總體信用度評估結(jié)果的部分調(diào)整模型(本節(jié)分析基于大數(shù)據(jù)的網(wǎng)絡(luò)供應(yīng)商信用度的計算，不考慮信用風(fēng)險因素，因此信用評估模型與第三節(jié)供應(yīng)商信用博弈分析模型構(gòu)建思想基礎(chǔ)不同，二者信用的側(cè)重點有區(qū)別)：

F(t)=δf(t)+(1-δ)F(t-1)

(9)

同理可得：

F(t-1)=δf(t-1)+(1-δ)F(t-2)

(10)

……

因此，前n-1(n為有限值)期供應(yīng)商信用度評估結(jié)果表達式為：

F(t-(n-1))=δf(t-(n-1))

+(1-δ)F(t-n)

(11)

將前各期供應(yīng)商信用度評估值逐漸回代，計算并化簡可得：

F(t)=δf(t)+δ(1-δ)f(t-1)+δ(1-δ)2f(t-2)

+…+δ(1-δ)n-1f(t-n+1)

+(1-δ)nF(t-n)

(12)

為了運算簡便，設(shè)第t-n期供應(yīng)商總體信用度評估結(jié)果只由該期顧客對供應(yīng)商的信用度評估結(jié)果決定，即設(shè)F(t-n)=f(t-n)，代入公式(12)可得：

F(t)=δf(t)+δ(1-δ)f(t-1)+δ(1-δ)2f(t-2)

+…+δ(1-δ)n-1f(t-n+1)

+(1-δ)nf(t-n)

(13)

有關(guān)徑向基神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建方法及相應(yīng)的聚類算法可以參閱傅薈璇和趙紅(2010)[16]、郭小燕和張明(2013)[17]、汪中等(2009)[18]、索紅光和王玉偉(2008)[19]、李夢雨(2012)[20]等的研究。徑向基神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖如圖3所示。

圖3 徑向基神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

使用K-Means方法求解徑向基高斯函數(shù)中心C。本文構(gòu)建網(wǎng)絡(luò)供應(yīng)商信用評估徑向基神經(jīng)網(wǎng)絡(luò)模型的基本思路如下：

1.隨機選取h個訓(xùn)練樣本(h個網(wǎng)絡(luò)供應(yīng)商信用評估指標(biāo)值向量)作為聚類中心Ci，i=1，2，…，h。

2.計算所有樣本與聚類中心的歐氏帶權(quán)重距離||Xj-Ci||。

定義Xj與Ci的歐氏帶權(quán)重距離為：

其中，Xj=Xj(1，I1，I2，…Im)，Ci=Ci(1，Ci1，Ci2，…Cim)。

3.按最近鄰規(guī)則確定樣本Xj的歸屬。

4.重新調(diào)整聚類中心。

計算各個聚類集合新的聚類中心，如果聚類中心發(fā)生變化，則轉(zhuǎn)到第2步，否則聚類過程結(jié)束。

5.計算σi。

6.定義徑向基神經(jīng)網(wǎng)絡(luò)模型的信用度計算函數(shù)。

(14)

7.計算wi(i=1，2，…，h)。

當(dāng)輸入Xj(1≤j≤g，g為樣本總數(shù))時，Ci結(jié)點的輸出為：

φji=φ(||Xj-Ci||)，j=1，2，…，g；i=1，2，…，h。

則隱層的輸出矩陣為：

φ=[φji]。

令f=(f1，f2，…fg)T，W=(w1，w2，…wh)T，則f=φW，且W=(φTφ)-1φTf。

對于某一網(wǎng)絡(luò)供應(yīng)商k(非樣本)，將其按信用度計算函數(shù)計算得到的當(dāng)期fk(t)及前n期fk(t-1)，fk(t-2)，…，fk(t-n)計算結(jié)果代入公式(13)，即可得到這一網(wǎng)絡(luò)供應(yīng)商當(dāng)期的總體信用度評估結(jié)果Fk(t)，進一步設(shè)置評估等級取值范圍，確定網(wǎng)絡(luò)供應(yīng)商的信用等級。

六、實證分析

以服裝類商品為例，并設(shè)對應(yīng)網(wǎng)站為網(wǎng)絡(luò)供應(yīng)商。實例選擇95個網(wǎng)站進行分析(確保這95個網(wǎng)站是有代表性的網(wǎng)站，即其信用評估結(jié)果涵蓋了優(yōu)、良、中、差四個等級；基于隱私考慮，這里隱去網(wǎng)站名稱)。其信用評估及結(jié)果分析過程如以下步驟所示：

1.使用網(wǎng)絡(luò)爬蟲結(jié)合搜索引擎從互聯(lián)網(wǎng)大數(shù)據(jù)中(包括交易網(wǎng)站交易數(shù)據(jù)、交易評論、新聞、論壇以及其他相關(guān)網(wǎng)站數(shù)據(jù)資料)采集各網(wǎng)站2013.1—2014.12各時期(2013.1—2013.6，2013.7—2013.12，2014.1—2014.6，2014.7—2014.12)相關(guān)信用大數(shù)據(jù)；其中有一部分網(wǎng)站信用評估相關(guān)數(shù)據(jù)是由一些機構(gòu)或者個人等第三方數(shù)據(jù)源提供的，還有一部分網(wǎng)站由于無法獲取信用評估相關(guān)數(shù)據(jù)，但通過專家研究給出了這些網(wǎng)站各時期的信用評估指標(biāo)取值及標(biāo)準(zhǔn)信用度評估結(jié)果(模擬數(shù)據(jù))。

2.針對信用評估備選指標(biāo)體系Ia的各指標(biāo)含義及其在生活、網(wǎng)絡(luò)中的可能取值編寫信用評估指標(biāo)語義字典，語義字典包括各指標(biāo)的取值及其對各指標(biāo)特性的反映。

3.對于任一網(wǎng)站，結(jié)合各指標(biāo)的語義字典對該網(wǎng)站相關(guān)信用大數(shù)據(jù)進行分析，按照相關(guān)信用大數(shù)據(jù)中各時期各指標(biāo)取值量化結(jié)果進行指標(biāo)期望值計算(比如對于某一網(wǎng)站的信用評估指標(biāo)I1，對其某一時期相關(guān)信用大數(shù)據(jù)進行分析后，數(shù)據(jù)資料中反映其取值特性為“大”的比例為A，反映其取值特性為“中”的比例為B，反映其取值特性為“小”的比例為1-A-B，則其指標(biāo)量化期望值為A×1+B×0.5+(1-A-B)×0=A+0.5B)，最終獲得各網(wǎng)站各時期對應(yīng)Ia的各指標(biāo)的量化取值。

4.進一步經(jīng)過專家研究、討論后確定網(wǎng)站基礎(chǔ)指標(biāo)體系Ib={I1、I2、I4、I7、I8、I12、I14、I15、I16、I18}，給出網(wǎng)站信用度值所屬的信用評估等級(優(yōu)[0.90，1.00]、良[0.80，0.89]、中[0.70，0.79]、差[0，0.69])。

6.將這30個樣本網(wǎng)站第一期各網(wǎng)站Ic各指標(biāo)取值及標(biāo)準(zhǔn)信用度評估取值作為樣本數(shù)據(jù)進行訓(xùn)練，得到第一期網(wǎng)站信用度計算函數(shù)(本文為計算方便在以后三期也只使用了第一期的網(wǎng)站信用度計算函數(shù))。

7.使用網(wǎng)站信用度計算函數(shù)計算除這30個樣本網(wǎng)站以外其他65個網(wǎng)站2013.1—2014.12各時期的信用度評估結(jié)果。

8.給定δ=0.5，將步驟7計算結(jié)果代入公式(13)，確定其他65個網(wǎng)站最后一期的總體信用度評估結(jié)果。

9.確定并對比最后一期專家給出的其他65個網(wǎng)站的標(biāo)準(zhǔn)信用度評估結(jié)果所屬的信用評估等級與通過信用評估模型計算出的各網(wǎng)站總體信用度評估結(jié)果所屬的信用評估等級，得出65個網(wǎng)站最后一期信用評估模型總體信用度評估結(jié)果相對于專家給出的標(biāo)準(zhǔn)信用度評估結(jié)果的正確率；進一步將與專家給出的65個網(wǎng)站最后一期標(biāo)準(zhǔn)信用度評估結(jié)果相差不超過0.1的信用評估模型總體信用度評估結(jié)果也作為正確結(jié)果，計算其評估正確率。

10.進一步調(diào)整δ=0，δ=0.1，δ=0.2，δ=0.3，δ=0.4，δ=0.6，δ=0.7，δ=0.8，δ=0.9，δ=1.0，重復(fù)步驟8、9。

11.針對相應(yīng)網(wǎng)站及相應(yīng)類別的商品建立純線性回歸模型、純徑向基神經(jīng)網(wǎng)絡(luò)模型并按照相應(yīng)數(shù)據(jù)(樣本數(shù)據(jù)集為30個樣本網(wǎng)站第一期相關(guān)數(shù)據(jù)，測試數(shù)據(jù)集為65個網(wǎng)站最后一期相關(guān)數(shù)據(jù))進行各網(wǎng)站信用度的評估計算，得到不同模型評估結(jié)果的正確率。具體結(jié)果如圖4、圖5所示。

對于某一網(wǎng)站(設(shè)專家給出其標(biāo)準(zhǔn)信用度評估結(jié)果為0.85，這樣設(shè)只是為了圖形比較說明，沒有實際含義)，因為F(t)=δf(t)+(1-δ)F(t-1)，當(dāng)δ=0.5時，給出F(t)的理論取值示意圖如圖6所示。

圖4不同模型評估正確率

圖5正確結(jié)果擴充|專家結(jié)果-模型結(jié)果|≤0.1部分

圖6 F(t)理論取值示意圖

若F(t-1)=f(t)+Δf(Δf≥0)，則模型評估結(jié)果F模(t)=f(t)+(1-δ)Δf，這一值隨δ的增大而減小，基于此，做以下情況分析：

1.當(dāng)專家評估網(wǎng)站的F專(t)≥F(t-1)時，δ=0時模型評估結(jié)果與專家評估結(jié)果差距最小，此時的評估正確率最高。

2.當(dāng)F專(t)≤f(t)時，δ=1時模型評估結(jié)果與專家評估結(jié)果差距最小，此時的評估正確率最高。

3.當(dāng)f(t)

對本文的理論基礎(chǔ)及實證取得的結(jié)果進行分析，得到如下研究結(jié)論：

當(dāng)假設(shè)專家非常理性時，專家對網(wǎng)站信用評估結(jié)果會處于第3種情況f(t)

對于F(t-1)=f(t)-Δf(Δf≥0)的情況會有類似分析結(jié)果。

另外，通過對銷售農(nóng)產(chǎn)品類、書籍類、玩具類、化妝品類商品的網(wǎng)站建立相應(yīng)的信用評估模型并進行相應(yīng)的評估結(jié)果分析，也取得了較好的評估正確率分析結(jié)果。

七、總結(jié)

本文針對目前中國電子商務(wù)交易發(fā)展的趨勢及顧客購物關(guān)注的問題提出網(wǎng)絡(luò)供應(yīng)商信用評估的意義。以B2C電子商務(wù)為例，針對網(wǎng)絡(luò)供應(yīng)商信用評估的特點提出借助大數(shù)據(jù)技術(shù)實現(xiàn)網(wǎng)絡(luò)供應(yīng)商的信用評估，分析了基于大數(shù)據(jù)的網(wǎng)絡(luò)供應(yīng)商信用博弈行為，使用逐步回歸法構(gòu)建了網(wǎng)絡(luò)供應(yīng)商信用評估指標(biāo)體系，構(gòu)建了基于部分調(diào)整模型及帶權(quán)重徑向基神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)供應(yīng)商信用評估模型，通過實例數(shù)據(jù)對模型運行的有效性進行了驗證。對于其他類型的電子商務(wù)供應(yīng)商信用評估問題及其他交易主體的信用評估問題，本文的研究方法具有一定的參考價值和指導(dǎo)意義。

在本文實證分析階段，因為樣本數(shù)據(jù)選取具有很大的隨機性，所以得到的參數(shù)也具有很大的隨機性。因為目前各網(wǎng)站數(shù)據(jù)結(jié)構(gòu)特點不一，信用評估數(shù)據(jù)資料也相對不完善，同時存在著數(shù)據(jù)資料冗余、可信度需要考證等問題，所以在研究過程中對數(shù)據(jù)資料進行了清洗、過濾，對于樣本網(wǎng)站信用度標(biāo)準(zhǔn)值、評分標(biāo)準(zhǔn)的確定采用了專家給定的形式，對于模型有些輸入輸出數(shù)據(jù)也采用專家修正的形式。

本文的研究在目前電子商務(wù)交易主體信用評估標(biāo)準(zhǔn)、思想體系不完善的情況下提出來雖然在實際運行中還有一定的欠缺，但其研究方法有一定的借鑒意義，今后將繼續(xù)深入研究，使這一模型指標(biāo)體系及相應(yīng)參數(shù)的確定更加客觀、準(zhǔn)確，數(shù)據(jù)更加真實、可靠，以提高評估結(jié)果的正確度。

[1]彭麗芳，陳中，李琪.網(wǎng)絡(luò)交易中信用評價方法研究[J].南開管理評論，2007，10(2)：76-81.

[2]殷紅.網(wǎng)絡(luò)交易中的私人秩序[J].華東師范大學(xué)學(xué)報(哲學(xué)社會科學(xué)版)，2013，1：94-102.

[3]廖華，張旭輝.基于隱性信用因素評價的C2C 賣方選擇模型研究[J].云南財經(jīng)大學(xué)學(xué)報，2014(3)：134-139.

[4]王俊峰，吳海洋.基于改進的 TOPSIS法的B2C企業(yè)信用評價[J].軟科學(xué)，2014，28(6)：21-24.

[5]賈艷濤，虞慧群.基于C2C的可信信用評價模型[J].計算機工程，2010，36(18)：256-258.

[6]陳鑫銘，馮艷.C2C電子商務(wù)信用評估體系研究[J].圖書情報工作，2009，53(14)：134-137.

[7]郭亦涵，鄭植.C2C電子商務(wù)網(wǎng)站信用評價模型研究[J].北京郵電大學(xué)學(xué)報(社會科學(xué)版)，2011，13(4)：21-25.

[8]李瑞軒，高昶，辜希武，等.C2C 電子商務(wù)交易的信用及風(fēng)險評估方法研究[J].通信學(xué)報，2009，30(7)：78-84.

[9]章向東，鐘為亞.大數(shù)據(jù)時代我國信用評級業(yè)重構(gòu)研究[J].湖南師范大學(xué)社會科學(xué)學(xué)報，2014，6：95-100.

[10]李海強.依托大數(shù)據(jù)解決供應(yīng)鏈企業(yè)信用貸款問題的研究[D].上海：華東師范大學(xué)碩士學(xué)位論文，2014，3：1-67.

[11]Jenkins，Patrick.Big Data Lends New Zest to Banks’ Credit Judgments[N].Financial Times，2014,6：20-21.

[12]Wisniewski.Behavioral Data Startup Combines Big Data with Credit ‘Traffic School’[J].American Banker，2013，178(186)：8.

[13]方湖柳，李圣君.大數(shù)據(jù)時代食品安全智能化監(jiān)管機制[J].杭州師范大學(xué)學(xué)報(社會科學(xué)版)，2014,11：99-104.

[14]潘省初.計量經(jīng)濟學(xué)中級教程(第2版)[M].北京：清華大學(xué)出版社，2013,8：8-18.

[15]傅德印，張旭東.EXCEL與多元統(tǒng)計分析[M].北京：中國統(tǒng)計出版社，2007,3：90-96.

[16]傅薈璇，趙紅.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計[M].北京：機械工業(yè)出版社，2010,9：98-101.

[17]郭小燕，張明.帶權(quán)重的RBF神經(jīng)網(wǎng)絡(luò)銀行個人信用評價方法[J].計算機工程與應(yīng)用，2013，49(5)：258-262.

[18]汪中，劉貴全，陳恩紅.一種優(yōu)化初始中心點的K-means算法[J].模式識別與人工智能，2009，22(2)：299-303.

[19]索紅光，王玉偉.一種用于文本聚類的改進k-means算法[J].山東大學(xué)學(xué)報(理學(xué)版)，2008，43(1)：60-64.

[20]李夢雨.中國金融風(fēng)險預(yù)警系統(tǒng)的構(gòu)建研究——基于k-均值聚類算法和BP神經(jīng)網(wǎng)絡(luò)[J].中央財經(jīng)大學(xué)學(xué)報，2012,10：25-30.