電子商務信用評價模型研究

1、電子商務信用評價模型研究/. - 1 -電子商務信用評價模型研究 盧景 北京郵電大學經(jīng)濟管理學院，北京（100876） 摘 要：本文結(jié)合信用管理相關理論，對電子商務中的信用問題做了詳盡的分析，并以淘寶網(wǎng)為實證，在淘寶網(wǎng)現(xiàn)有信用評價體系基礎上，提出新的較為完善的指標體系，并提出新的8C2C 信用評價模型，為 C2C 模式信用管理提供了操作性較強的量化手段。為證明改進后的模型所具有的優(yōu)越性，本文基于 Matlab 這一仿真工具搭建了仿真實驗平臺，通過改變參數(shù)設置，對改進前和改進后的兩個模型分別進行了二十五次仿真實驗，從評價準確率方面對改進后的模型和淘寶網(wǎng)的模型進行了詳細的對比分析

2、，有力的驗證了改進后的模型能夠為 C2C電子商務網(wǎng)站提供更有效的信用評價信息，并有利于促進我國個人信用體系的建設。 關鍵詞：電子商務；信用管理；信用評價模型 中圖分類號：F49 1. 引言 作為一種新興的商業(yè)模式，我國電子商務在經(jīng)歷了幾年的低谷之后，現(xiàn)已逐漸步入戰(zhàn)略機遇期并日趨成熟，互聯(lián)網(wǎng)帶來的交易的低成本、方便、快捷等優(yōu)勢初露端倪。截止到 2007年 12 月，中國網(wǎng)民網(wǎng)絡購物比例已達到 22.1%，購物人數(shù)規(guī)模達到 4640 萬。其中，上海和北京為網(wǎng)上購物比例最高，分別達到了 41.4%和 36%，網(wǎng)絡購物已經(jīng)成為眾多網(wǎng)民網(wǎng)絡生活中的重要組成部分【1】。 但進行網(wǎng)上購物的人數(shù)相對于網(wǎng)民的總

3、體數(shù)量來說，仍然是一個比較小的比例，并且與美國 2006 年 8 月網(wǎng)民網(wǎng)上購物的比例 71%相比，我國 22.1%的網(wǎng)民網(wǎng)絡購物比例還有很大的差距，我國電子商務還有很長的路要走，同時也面臨著更多的問題【1】。 某國內(nèi)專業(yè)權威調(diào)查機構的“中國電子商務誠信狀況調(diào)查”大型調(diào)查顯示：有過網(wǎng)上交易經(jīng)歷的網(wǎng)民對電子商務的不信任比例高達 36.3%，在對“您對電子商務最擔心的問題是什么的回答統(tǒng)計中，回答“誠信”的比例為 26.34%，結(jié)果顯示誠信已成為公眾在網(wǎng)上交易時普遍擔憂的問題【4】。 2. 電子商務信用問題 2.1 電子商務信用問題成因 結(jié)合電子商務的特點，筆者將電子商務信用的成因歸納為以下三點：

4、（1）誠信基礎薄弱 在我國信用評價和監(jiān)管機制不健全的環(huán)境下，人們在交易過程中誠實守信的意識還很淡薄，因為人們的失信成本很低，或者說有時還不存在失信成本，這使得部分人越來越不誠實、不守信。 （2）電子商務在某些方面信息不對稱 信息不對稱理論是由美國經(jīng)濟學家約瑟夫?斯蒂格利茨、喬治?阿克爾洛夫、邁克爾?斯彭斯在 1970 年提出的。是指在市場經(jīng)濟條件下，市場的買賣主體不可能完全占有對方的信息，這種信息不對稱必定導致信息擁有方為謀取自身更大的利益而使另一方的利益受到損害。 電子商務市場的低成本以及在提供信息方面的高效率等優(yōu)勢,理論上能給企業(yè)帶來利潤,但是并不意味著電子商務市場就一定有很高的市場效率。

5、事實上,與傳統(tǒng)市場比較起來,電子/. - 2 -商務市場的低入門障礙使出售劣質(zhì)產(chǎn)品的商家更加容易進入市場;信息技術在給電子商務市場帶來低成本優(yōu)勢的同時也給制造虛假的產(chǎn)品質(zhì)量信息提供了方便;豐富的信息在給消費者提供更多決策支持的同時也增加了虛假信息誤導其做出非理性決策的可能性。電子商務市場中由于產(chǎn)品質(zhì)量的不確定引發(fā)的信息不對稱不僅存在,而且更加嚴重【5】。 （3）電子商務進入壁壘低 電子商務行業(yè)的性質(zhì)決定了該市場的進入壁壘低，主要體現(xiàn)在:開辦網(wǎng)店審批容易，只需要將個人信息提交便可開張營業(yè);資產(chǎn)投入少、資產(chǎn)專用性低;對流動資金的要求不高;對從業(yè)人員的資質(zhì)要求低等。這種低進入壁壘，

6、加之網(wǎng)絡的虛擬性，為電子商務的誠信埋下了伏筆。 因為 Internet 為所有的市場參與者提供了平等的機會,在這里大公司并不比小公司具有先天優(yōu)勢。在實物市場上,“大”是非常有效的市場信號,但在電子商務市場“大”和產(chǎn)品質(zhì)量并沒有必然的聯(lián)系,這就降低了市場進入的障礙。一家網(wǎng)上商店可以在一天內(nèi)建立起來,也可以在第二天就消失。 2.2 電子商務信用體系 電子商務作為一種商業(yè)活動，信用是其存在和發(fā)展的基礎。而且，電子商務所具有的遠程性、記錄的可更改性、主體的復雜性等特征，就決定其信用問題更加突出。因此，電子商務呼喚誠信，更需要建立完善的信用體系。如果沒有一整套完善的網(wǎng)上信用保證制度，電子商務可能成為某些

7、不法之徒手中的欺詐工具。正是網(wǎng)絡這個虛擬世界缺乏誠信， 使電子商務的發(fā)展受到了嚴重阻礙?？梢哉f，信用問題是阻礙我國電子商務發(fā)展的重要瓶頸。作為市場經(jīng)濟重要基礎的信用對電子商務的發(fā)展也有著重大的影響，因此對電子商務的信用進行客觀公正的評價是非常必要的。 市場經(jīng)濟是信用化的商品經(jīng)濟，信用是市場經(jīng)濟的基礎和生命線，特別是在經(jīng)濟全球化的過程中，信用是進入國際市場的通行證。電子商務作為一種商業(yè)活動，信用同樣是其存在和發(fā)展的基礎。電子商務和信用服務都是發(fā)展很快的新興領域，市場前景廣闊，從二者的關系看，一方面，電子商務需要信用體系，而信用體系也很可能最先在電子商務領域取得廣泛的應用并體現(xiàn)其價值。沒有信用體系

8、支持的電子商務活動風險極高，后果不堪設想。 2.3 信用體系現(xiàn)狀及存在問題 淘寶網(wǎng)（.taobao4）是國內(nèi)領先的個人交易網(wǎng)上平臺，由全球最佳 B2B 公司阿里巴巴公司投資 4.5 億創(chuàng)辦，致力于成就全球最大的個人交易網(wǎng)站。 本文將以淘寶網(wǎng)為例，介紹目前廣大電子商務網(wǎng)站的信用體系，并找出存在的問題： 淘寶用戶的信用體系最終主要體現(xiàn)現(xiàn)在信用值上，用戶在完成交易后，對交易伙伴在本次交易中的表現(xiàn)，作出自己的評價，評價結(jié)果分為:好評、中評、差評三種，每種評價對應一個信用積分，具體為:“好評”加一分，“中評”不加分， “差評”扣一分，用戶得到的所有評價構成用戶信用記錄【3】。 但單純的信用累加模型存沒有

9、很好地發(fā)揮信用評價模型的作用，原因如下： （1）信用指數(shù)的可比性差 目前電子商務網(wǎng)站采用的信用評價模型在信用的積累性方面做的比較好，對交易記錄作了詳細的記錄，但在可比性方面有待完善。假設一個商家賣出價值為 3000 元的手機，并獲得好評，他的信用指數(shù)僅增加一分，而另一個商家賣出價格為 3 元的游戲卡，并獲得好評，/. - 3 -信用指數(shù)也會增加一分。同樣一分，意義明顯不同，不具有可比性。在這種情況下，很難判斷出哪一個商家信用度更高。 （2）忽視評價人的信用狀況 現(xiàn)有的信用模型里都沒有考慮評分用戶的信用值，這就容易受到信用低毀、惡意推薦等行為的影響。信用值比較高的評價者相對于信

10、用值不是很高的評價者，他們所做評價的可信度顯然也是有一定差距的。 3. 改進后的信用評價模型 3.1 信用體系指標 （1）用戶反饋評分 用戶在完成一次交易之后，可以對交易對象進行信用評分，本模型對于這一項綜合評分采用的是1，0，-1的范圍，1 分代表對交易非常滿意，可以和對方長期合作下去；0 分代表對交易基本滿意，下次交易還可以繼續(xù)考慮與對方合作；-1 分代表對交易非常不滿意，不會再與對方繼續(xù)合作。該項分值將會作為最主要的計算內(nèi)容，對本項指標的最終分值起到?jīng)Q定性的作用； （2）評分用戶的信用值 現(xiàn)有的信任模型，在計算特定用戶的信任度時，均未考慮評分用戶(提交信用反饋評分的用戶)的信用值，這為交

11、易雙方之間進行共謀評分提供了可乘之機。為此，引入了評分用戶的信用值參量，在模型的公式進行計算時，評分用戶的信用值作為用戶綜合評分的一個權重，信用值越高，他提供的信用反饋評分也會更有參考意義； （3）單筆交易價值 交易價值是影響交易信用的重要因素。交易價值愈大，交易風險愈大，交易雙方也愈難以信任對方因而，在網(wǎng)上環(huán)境下，當交易價值很大時，交易雙方都將背負著巨大的交易風險，在此情形下，交易雙方依然采取誠信的交易行為(按期付款、保質(zhì)保量發(fā)貨等)，則與價值較小的交易相比，此交易帶給交易雙方的信用增值應更大。為此引入交易價值參量，旨在根據(jù)不同的交易價值，設置信用反饋評分的權重，以降低信用欺詐行為給信用值計

12、算帶來的負面影響； （4）用戶交易次數(shù) 在國內(nèi)的電子商務網(wǎng)站的信用評價中，多數(shù)都是采用了累加信用模型。而在現(xiàn)實中，信用的形成是一個隨著時間和交易次數(shù)變化的過程，并且用戶行為變化也會導致其信用狀況的波動。采用累加信用模型得到的信用值，只能反映出用戶在所有交易過后的一個最終反饋值，卻不能直觀的反映出該用戶在長期交易之后的穩(wěn)定的交易信用水平。假設某網(wǎng)站的用戶 A與用戶 B 在同一時間段的交易狀況如表所示。 表 1 累加評分和均值評分的對比 用戶 交易次數(shù) 好評次數(shù) 中評次數(shù) 差評次數(shù) 最終得分 平均得分 用戶 A 16 12 2 2 10 0.625 用戶 B 10 10 0 0 10 1 從最終得

13、分來看，用戶 A 比用戶 B 的信用值相同，似乎無法衡量出他們究竟誰的誠信度更高。但是從他們的平均得分我們就可以直觀的判斷出用戶 B 顯然比用戶 A 的信用度要/. - 4 -高。因此在本模型中，我們選擇了均值信用模型來計算交易信用反饋評分，同時也引入了交易次數(shù)的因素，作為計算中的一項重要參數(shù)。 3.2 信用評價模型 （1）評價模型的定義 定義 1：給定用戶 u,R(u)為用戶所有交易的信用反饋總分值，I(u)為用戶的總交易次數(shù)，R(u,i)為用戶 u 在第 i 次交易后通過二次計算獲得的交易信用反饋得分; 定義 2：給定用戶 u,r(u,P)為第 i 次交易后由本次交易伙伴

14、做出的對用戶 u 的反饋評分，其取值范圍為(1,0,-1)，分別代表好評，中評，差評;C(u,i)為用戶 u 第 i 次交易的交易伙伴信用值的權重；D(u,i)為用戶 u 第 i 次交易的交易額的權重; 定義 3：給定用戶，P(u,e)為用戶 u 第 i 次交易的交易伙伴自身的信用值; P 為該網(wǎng)站所有買家的信用平均值；h(u,i)為用戶第 i 次交易的交易額, H 為本網(wǎng)站中用戶“所在行業(yè)的同類產(chǎn)品交易的平均交易額(考慮到不同行業(yè)不同類別產(chǎn)品的交易額存在差異，因此平均交易額會特別強調(diào)是本行業(yè)本類產(chǎn)品的平均交易額)。 （2）評價模型的表示 根據(jù)以上定義，給出如下基于多影響因素的信用評價模型，即

15、在有限次交易后，用戶 u的信用值采用以下模型計算: 信用評價模型 1 *( 1)n nnR n rRn? ? += (4-3) nr 為本次交易信用值 ( , )*max ( , )* ( , ),1nr s u i c u i d u i= (4-4) ( , )s u i 為本次交易中雙方的評分 ( , ) (1,0, 1)s u i ? ( , )c u i 為賣家信用度權重 ( , )( , ) p u ic u iP= (4-5) ( , )p u i 為本次交易買家信用值 P為該網(wǎng)站所有買家信用平均值 1miipPm= m為所有買家數(shù)量 (4-6) ( , )d u i 為本次交易

16、額權重 ( , )( , ) h u id u iH= (4-7) ( , )h u i 為本次交易商品價格 H為同類產(chǎn)品平均價格1niihHn= (4-8) 之所以在 ( , )* ( , )c u i d u i 和 1 中取最大值，是因為要確保模型中加入的權重對評價用戶所做出的綜合評分是加強的作用，如果不與 1 進行比較，則可能會引起削弱用戶綜合評分的效果，因此模型在此處加入了 Max 函數(shù)。 /. - 5 -4matlab 仿真驗證 仿真實驗的目的是對兩個模型 R 模型和 TB 模型的評價正確率進行比較。所謂評價正確率是指模擬實驗結(jié)束之后所區(qū)分出來的賣家類型與實驗之初

17、設定好的用戶類型進行比較后的結(jié)果。如果實驗最初設定的是誠信用戶，實驗結(jié)束之后也是屬于誠信用戶，那么可以判定對該用戶的評價是準確的；同樣，如果實驗最初設定的是非誠信用戶，在實驗結(jié)束之后判定是非誠信用戶，那么可以判定對該用戶的評價也是準確的；除此之外，把誠信用戶和非誠信用戶的類比判定錯誤，則認為對該用戶的評價是不準確的。所有評價準確的用戶個數(shù)占整個參與交易用戶的比重就是評價準確率。 4.1 仿真變量說明 為了描述方便，筆者把淘寶的信用模型簡稱為 TB 模型，本文所提出的模型簡稱為 R 模型。首先介紹在仿真開始時進行的參數(shù)設置： （1）仿真初始參數(shù) 表 2 仿真初始變量表 參數(shù) 描述 n 網(wǎng)站的賣家

18、數(shù)量 m 網(wǎng)站的買家數(shù)量（假設所以買家都是誠信） ( , )s u i 本次交易中雙方的評分，（1，0，-1） ( , )h u i 本次交易物品的價格（1，2，10），隨機產(chǎn)生 k 非誠信賣家的比率 mrate 非誠信賣家的欺詐比率 I 交易次數(shù) p 買家信用值（TB 初始值設為 0，R 模型初始值設為 1） r 賣家信用值（TB 初始值設為 0，R 模型初始值設為 1） 其中，網(wǎng)站的賣家分為兩種類型：一種是誠信用戶，另一種是非誠信用戶，仿真實驗中假設非誠信用戶是以一定的比率 mrate 從事非誠信的交易行為（即欺詐行為），因此該網(wǎng)站出現(xiàn)欺詐行為的概論是 m=k*mrate。 （2）仿真用戶

19、參數(shù) 網(wǎng)站的用戶分為買家和賣家，他們的屬性分別是： 表 3 仿真買家屬性 參數(shù) 描述 備注 A 編號 買家 ID 編號，用以區(qū)別不同的買家用戶 R 信用分值 交易后經(jīng)過 R 模型計算出的信用分值 TB 信用分值 交易后經(jīng)過 TB 模型計算出的信用分值 H 交易額 交易中由系統(tǒng)隨機產(chǎn)生的交易金額 i 總交易次數(shù) 每次模擬實驗中該用戶的交易次數(shù) s(u,i) 交易對象評分 每次交易結(jié)束后，交易對象對其的評分，（1,0,-1） /. - 6 -因為本文主要討論的信用體系主要針對賣家是否是誠信用戶，為了簡化程序，默認所有買家均為誠信用戶。 賣家的很多屬性與買家類似，在買家的基礎上又增

20、加了誠信比率和非誠信交易率，如下表所示： 表 4 仿真賣家屬性 參數(shù) 描述 備注 B 編號 賣家 ID 編號，用以區(qū)別不同的買家用戶 R 信用分值 交易后經(jīng)過 R 模型計算出的信用分值 TB 信用分值 交易后經(jīng)過 TB 模型計算出的信用分值 H 交易額 交易中由系統(tǒng)隨機產(chǎn)生的交易金額 i 總交易次數(shù) 每次模擬實驗中該用戶的交易次數(shù) s(u,i) 交易對象評分 每次交易結(jié)束后，交易對象對其的評分（1，0，-1）t 是否是誠信用戶 區(qū)別賣家是否是誠信用戶，（1，0） mrate 非誠信交易率 該屬性只屬于非誠信用戶，表示其非誠信交易率 （3）仿真服務器參數(shù) 在仿真中，交易矩陣中儲存了每次交易的屬性

21、，以便進行后續(xù)的數(shù)據(jù)處理： 表 5 交易屬性表 參數(shù) 描述 備注 A 交易買家編號 買家 ID 編號，用以區(qū)別不同的買家用戶 B 交易賣家編號 賣家 ID 編號，用以區(qū)別不同的買家用戶 TB 信用分值 交易后經(jīng)過 TB 模型計算出的信用分值 H 交易額 交易中由系統(tǒng)隨機產(chǎn)生的交易金額 d 交易額權重 本次交易的金額與同類產(chǎn)品的平均價格相比 ( , )c u i 信用值權重 交易買家的信用值與所有買家平均信用值相比 ( , )h u i 交易金額 本次交易金額 H 平均價格 本次交易產(chǎn)品的同類產(chǎn)品平均價格 ( , )p u i 交易買家信用值 本次交易買家的信用值 P 買家平均信用值 數(shù)據(jù)時時更

22、新 在整個仿真實驗結(jié)束之后，未做交易的用戶不參與準確率的評價，本信用評價系統(tǒng)定義信用值排在前 0( )*(1 )ipn n k=? ? 的用戶為系統(tǒng)認定誠信用戶，其中 0ipn = 表示為參與交易的賣家數(shù)量，其余用戶默認為非誠信用戶。模擬結(jié)束后，將這些被評價用戶的誠信類型與實驗初始的用戶設置進行對比，得出各個模型評價準確的用戶數(shù)量。由此計算出每個模型的評價正確率。通過評價準確率的對比，可以比較出 TB 模型和 R 模型在用戶誠信度的區(qū)分上的優(yōu)劣。 /. - 7 -4.2 仿真流程圖 發(fā)起交易產(chǎn)生買家A交易買家編號：信用值：A iR i交易金額：ih賣 家1B賣 家 賣 家 賣

23、 家 賣 家 賣 家2B 3B 4B 5B 6B選出信用值最高的賣家賣家 iB賣家編號：信用值：是否是誠信用戶：iiBiRi=1交易成功雙方互給好評i=0交易失敗雙方互給差評利用R模型，更新雙方信用值買賣雙方信用值；交易金額；對方評分發(fā)起交易產(chǎn)生買家A交易買家編號：信用值：A iR i交易金額：ih發(fā)起交易產(chǎn)生買家A交易買家編號：信用值：A iR i交易金額：ih賣 家1B賣 家 賣 家 賣 家 賣 家 賣 家2B 3B 4B 5B 6B選出信用值最高的賣家賣家 iB賣家編號：信用值：是否是誠信用戶：iiBiR賣 家1B賣 家 賣 家 賣 家 賣 家 賣 家2B 3B 4B 5B 6B選出信用

24、值最高的賣家賣 家1B賣 家 賣 家 賣 家 賣 家 賣 家2B 3B 4B 5B 6B賣 家1B賣 家 賣 家 賣 家 賣 家 賣 家2B 3B 4B 5B 6B選出信用值最高的賣家賣家 iB賣家編號：信用值：是否是誠信用戶：iiBiRi=1交易成功雙方互給好評i=0交易失敗雙方互給差評利用R模型，更新雙方信用值買賣雙方信用值；交易金額；對方評分 圖 1 仿真實驗流程圖 5. 仿真結(jié)果分析 根據(jù)本文設定的實驗目的，分別的 R 模型和 TB 模型設置了五個可變參數(shù)，每個參數(shù)賦值五次，每個模型合計進行了二十五次仿真，本文共進行了五十次仿真實驗。詳細數(shù)據(jù)統(tǒng)計見附件。 5.1 賣家數(shù)量評價準確率的對

25、比 其他參數(shù)值不變，(I=300，k=30%, mrate=50%,m=20)，改變賣家數(shù)量 n 的值（100、150、200、250、300），得出賣家數(shù)量由 100 變化到 300 時，兩個系統(tǒng)評價準確率的變化和對比，如圖所示： 01n=100 n=150 n=200 n=250 n=300TBR 圖 2 賣家數(shù)量評價準確率對比 /. - 8 -從圖中可以看出隨著用戶數(shù)的增多，R 模型和 TB 模型的評價準確率整體呈上升趨勢，但 R 模型的評價準確率始終高于 TB 模型。n=100 時，R 模型的評價準確率最低，但仍高

26、于TB 模型，由此可以看出，無論賣家數(shù)量如何，R 模型的評價準確率始終優(yōu)于 TB 模型。 5.2 買家數(shù)量評價準確率的對比 該實驗目的是通過買家數(shù)量的變化，分析兩個模型的評價準確率。 初始設置：I=100,mrate=50%，n=100,k=30%，買家數(shù)量由 20 增加到 100 時，兩個模型評價準確率的對比如圖所示： 01m=20 m=40 m=60 m=80 m=100TBR 圖 3 買家數(shù)量評價準確率對比 買家數(shù)量由 20 變化到 100 時，兩個模型的評價準確率均呈波動狀態(tài)，在 m=20 時，R模型的準確率高出 TB 很多，隨著

27、m 的增大，優(yōu)勢逐漸縮小，在 m=100 時，兩個模型的評價準確率幾乎相等，甚至 TB 模型的評價準確率還略高一些。 經(jīng)過分析可知，總交易次數(shù)不變，隨著買家數(shù)量的增多，買家的平均交易次數(shù)在不斷下降，單個用戶的交易次數(shù)減少，使得系統(tǒng)不穩(wěn)定，所以，買家數(shù)量越少，單個用戶的交易次數(shù)越多，系統(tǒng)越穩(wěn)定。所以，如果繼續(xù)增加單個用戶的交易次數(shù)，兩個模型的評價準確率會逐漸穩(wěn)定，R 模型的優(yōu)勢將更加顯著。 5.3 交易次數(shù)評價準確率的對比 該仿真實驗目的是通過改變交易次數(shù) I（200,300,400,500,600），得出兩個模型的評價準確率。 初始設置：k=30%, mrate=50%,n=100,m=20

28、/. - 9 -0i=200 i=300 i=400 i=500 i=600TBR 圖 4 交易次數(shù)評價準確率對比 吸取上一次實驗的教訓（單個用戶的交易次數(shù)少，影響了模型的穩(wěn)定性），本次實驗從整體上提高了交易總次數(shù)。隨著交易次數(shù)的增加，兩種系統(tǒng)的信用評價的準確率也越來越高。這是因為交易次數(shù)的增多，欺詐行為的數(shù)量也隨之增多.從而拉大了誠信用戶和非誠信用戶的分差。由圖中可以看出，兩個模型的評價準確率均趨于平緩，雖然有個別異常點。R 模型的評價準確率始終高于 TB 模型，說明 R 模型的公式起到了積極作用，R 模型優(yōu)于 TB 模

29、型。 5.4 非誠信用戶比率評價準確率的對比 本次仿真實驗通過改變非誠信用戶比率 k（20%，30%，40%，50%，60%），得出兩個模型的評價準確率，并觀察 k 對模型評價準確率的影響。 初始設置：I=300,mrate=50%，n=100,m=20 01k=0.2 k=0.3 k=0.4 k=0.5 k=0.6TBR 圖 5 非誠信用戶比率評價準確率對比 隨著賣家非誠信比率的增加，即非誠信賣家的增多，兩個模型的評價準確率都在下降，當系統(tǒng)中誠信用戶比率很高時，兩個模型都有很高的評價準確率，符合實際情況；隨著非誠信用戶比率的增加，兩個模型

30、的評價準確率也都在下降，但 R 模型的總是高于 TB 模型。 在一個系統(tǒng)中，非誠信比率越小，系統(tǒng)越優(yōu)良，欺詐交易次數(shù)越少，信用模型的差別也就不容易體現(xiàn)，因此 k=0.2 時，兩個模型的評價準確率幾乎相等；隨著非誠信比率增加，區(qū)分誠信用戶和非誠信用戶的難度加大，此時評價模型的優(yōu)劣就會表現(xiàn)的更明顯，由圖中可以看出 R 模型在 k=0.4 時的評價準確率高出 TB 模型將近 30%；但隨著 k 值的進一步加大，整/. - 10 -個系統(tǒng)的非誠信用戶越來越多，對兩個模型的考驗也越來越嚴峻，但此時，這個交易系統(tǒng)已經(jīng)不正常，脫離了正常的軌道，無論多完善的信用評價系統(tǒng)都無濟于事。 5.5

31、不守信用戶欺詐率評價準確率的對比 本次仿真實驗通過改變非誠信用戶比率 mrate(40%,50%,60%,70%,80%)，得出兩個模型各自的評價準確率的變化 初始設置：I=300,n=100,k=30%,m=20 01mr=0.4 mr=0.5 mr=0.6 mr=0.7 mr=0.8TBR 圖 6 非誠信用戶欺詐率評價準確率對比 隨著非誠信用戶欺詐率的變化，模型評價準確率呈緩慢上升趨勢，但幅度不大。從圖5-6 中可以看出，R 模型的準確率始終高于 TB 模型，說明模型的公式起到了積極的作用，優(yōu)于 TB 模型的評分方法。 6總結(jié) C2C

32、模式是目前我國最活躍的電子商務模式,雖然交易額不到電子商務總交易額的 2%,但參與人數(shù)最多,占交易用戶數(shù)的近 60%。C2C 信用評價體系的建立與完善是 C2C 電子商務健康發(fā)展的重要保障,并有利于促進我國個人信用體系的建設【6】。 文中針對現(xiàn)有的 C2C 電子商務信用評價模型存在的問題,建立了改進的信用評價模型,進而提出了新的信用評價算法。新的評價算法通過權衡考慮交易對方的信用度和交易次數(shù)、交易金額來計算被評用戶的信用加權平均分和信用度,再確定被評用戶的信用等級,解決了當前 C2C 網(wǎng)站采用的簡單的信用累積評價算法存在的主要問題。為了完善 C2C 電子商務信用體系,還需要在電子商務交易規(guī)則、

33、身份認證、信用體制等方面不斷進行改進。 /. - 11 -參考文獻 1 中國互聯(lián)網(wǎng)絡信息中心（CNNIC） 中國互聯(lián)網(wǎng)絡發(fā)展統(tǒng)計報告 2008 年 1 月 2 呂廷杰，徐華飛 中國電子商務發(fā)展研究報告 北京郵電大學出版社 2003 3 樸春慧，安靜，方美琪 C2C 電子商務網(wǎng)站信用評價模型及算法研究 情報雜志 2007 年第 8 期 4 中國電子商務協(xié)會誠信評價中心 我國電子商務誠信狀況調(diào)查報告 2006 年 7 月 5 彭賡，呂本富，胡新愛 網(wǎng)上拍賣與信譽機制的缺陷 預測 2004,23 (1) :33-36 6 樸春慧，安靜，方美琪 C2C 電子商務網(wǎng)站信用評價模型及算法

34、研究 情報雜志 2007 年第 8 期 THE STUDY OF ELECTRONIC BUSINESS CREDIT EVALUATION MODEL Lu Jing Beijing University of Posts and Telecommunications, Beijing (100876) Abstract The paper analysis the credit of e-commerce comprehensively, with credit management theory, consulting the existing credit evaluation mod

35、el of home and abroad, and increase several indicators basis on the existing credit evaluation system of Taobao, and put forward a new better indicator system, and providing a quantitative means strong operational for the C2C model credit management. To prove that the improved model with the advanta

36、ges of this paper, based on Matlab simulation tool that has set up a simulation platform, by changing the parameter settings to improve before and after the improvement of the two models were conducted 25 simulation from the evaluation of the accuracy rate improved model and the model Taobao carried

37、 out a detailed comparative analysis, a powerful validation of the model can be improved for C2C e-commerce sites provide more effective feedback information. Keywords: Electronic Business, Credit, Credit Evaluation Model << /ASCII85EncodePages false /AllowTransparency false /AutoPositionEPSFi

38、les true /AutoRotatePages /None /Binding /Left /CalGrayProfile (Dot Gain 20%) /CalRGBProfile (sRGB IEC61966-2.1) /CalCMYKProfile (U.S. Web Coated 050SWOP051 v2) /sRGBProfile (sRGB IEC61966-2.1) /CannotEmbedFontPolicy /Error /CompatibilityLevel 1.4 /CompressObjects /Tags /CompressPages true /ConvertI

39、magesToIndexed true /PassThroughJPEGImages true /CreateJDFFile false /CreateJobTicket false /DefaultRenderingIntent /Default /DetectBlends true /ColorConversionStrategy /LeaveColorUnchanged /DoThumbnails false /EmbedAllFonts true /EmbedJobOptions true /DSCReportingLevel 0 /EmitDSCWarnings false /End

40、Page -1 /ImageMemory 1048576 /LockDistillerParams false /MaxSubsetPct 100 /Optimize true /OPM 1 /ParseDSCComments true /ParseDSCCommentsForDocInfo true /PreserveCopyPage true /PreserveEPSInfo true /PreserveHalftoneInfo false /PreserveOPIComments false /PreserveOverprintSettings true /StartPage 1 /Su

41、bsetFonts true /TransferFunctionInfo /Apply /UCRandBGInfo /Preserve /UsePrologue false /ColorSettingsFile () /AlwaysEmbed true /NeverEmbed true /AntiAliasColorImages false /DownsampleColorImages true /ColorImageDownsampleType /Bicubic /ColorImageResolution 300 /ColorImageDepth -1 /ColorImageDownsamp

42、leThreshold 1.50000 /EncodeColorImages true /ColorImageFilter /DCTEncode /AutoFilterColorImages true /ColorImageAutoFilterStrategy /JPEG /ColorACSImageDict << /QFactor 0.15 /HSamples 1 1 1 1 /VSamples 1 1 1 1 >> /ColorImageDict << /QFactor 0.15 /HSamples 1 1 1 1 /VSamples 1 1 1 1 &

43、gt;> /JPEG2000ColorACSImageDict << /TileWidth 256 /TileHeight 256 /Quality 30 >> /JPEG2000ColorImageDict << /TileWidth 256 /TileHeight 256 /Quality 30 >> /AntiAliasGrayImages false /DownsampleGrayImages true /GrayImageDownsampleType /Bicubic /GrayImageResolution 300 /GrayI

44、mageDepth -1 /GrayImageDownsampleThreshold 1.50000 /EncodeGrayImages true /GrayImageFilter /DCTEncode /AutoFilterGrayImages true /GrayImageAutoFilterStrategy /JPEG /GrayACSImageDict << /QFactor 0.15 /HSamples 1 1 1 1 /VSamples 1 1 1 1 >> /GrayImageDict << /QFactor 0.15 /HSamples 1

45、1 1 1 /VSamples 1 1 1 1 >> /JPEG2000GrayACSImageDict << /TileWidth 256 /TileHeight 256 /Quality 30 >> /JPEG2000GrayImageDict << /TileWidth 256 /TileHeight 256 /Quality 30 >> /AntiAliasMonoImages false /DownsampleMonoImages true /MonoImageDownsampleType /Bicubic /MonoIma

46、geResolution 1200 /MonoImageDepth -1 /MonoImageDownsampleThreshold 1.50000 /EncodeMonoImages true /MonoImageFilter /CCITTFaxEncode /MonoImageDict << /K -1 >> /AllowPSXObjects false /PDFX1aCheck false /PDFX3Check false /PDFXCompliantPDFOnly false /PDFXNoTrimBoxError true /PDFXTrimBoxToMed

47、iaBoxOffset 0.00000 0.00000 0.00000 0.00000 /PDFXSetBleedBoxToMediaBox true /PDFXBleedBoxToTrimBoxOffset 0.00000 0.00000 0.00000 0.00000 /PDFXOutputIntentProfile () /PDFXOutputCondition () /PDFXRegistryName (/.) /PDFXTrapped /Unknown /Description << /ENU (Use these settings to create

48、PDF documents with higher image resolution for high quality pre-press printing. The PDF documents can be opened with Acrobat and Reader 5.0 and later. These settings require font embedding.) /JPN <FEFF3053306e8a2d5b9a306f30019ad889e350cf5ea6753b50cf3092542b308030d730ea30d730ec30b9537052377528306e

49、00200050004400460020658766f830924f5c62103059308b3068304d306b4f7f75283057307e305930023053306e8a2d5b9a306774f5c62103057305f00200050004400460020658766f8306f0020004100630072006f0062006100740020304a30883073002000520065006100640065007200200035002e003000204ee5964d30678868793a3067304d307e305930023053306e8a2

50、d5b9a306b306f30d530a930f330c8306e57cb30818fbc307f304c5fc59808306730593002> /FRA <FEFF004f007000740069006f006e007300200070006f0075007200200063007200e900650072002000640065007300200064006f00630075006d0065006e00740073002000500044004600200064006f007400e900730020006400270075006e00650020007200e90073006f006c007500740069006f006e002000e9006c0065007600e9006500200070006f0075007200200075006e00650020007100750061006c0069007400e90020006400270069006d007000720065007300730069006f006e00200070007200e9007000720065007300730065002e0020005500740069006c006900730065007a002000410063007200