電子商務(wù)信用評(píng)價(jià)模型研究

1、電子商務(wù)信用評(píng)價(jià)模型研究/. - 1 -電子商務(wù)信用評(píng)價(jià)模型研究 盧景 北京郵電大學(xué)經(jīng)濟(jì)管理學(xué)院，北京（100876） 摘 要：本文結(jié)合信用管理相關(guān)理論，對(duì)電子商務(wù)中的信用問題做了詳盡的分析，并以淘寶網(wǎng)為實(shí)證，在淘寶網(wǎng)現(xiàn)有信用評(píng)價(jià)體系基礎(chǔ)上，提出新的較為完善的指標(biāo)體系，并提出新的8C2C 信用評(píng)價(jià)模型，為 C2C 模式信用管理提供了操作性較強(qiáng)的量化手段。為證明改進(jìn)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(shí)驗(yàn)平臺(tái)，通過改變參數(shù)設(shè)置，對(duì)改進(jìn)前和改進(jìn)后的兩個(gè)模型分別進(jìn)行了二十五次仿真實(shí)驗(yàn)，從評(píng)價(jià)準(zhǔn)確率方面對(duì)改進(jìn)后的模型和淘寶網(wǎng)的模型進(jìn)行了詳細(xì)的對(duì)比分析

2、，有力的驗(yàn)證了改進(jìn)后的模型能夠?yàn)?C2C電子商務(wù)網(wǎng)站提供更有效的信用評(píng)價(jià)信息，并有利于促進(jìn)我國(guó)個(gè)人信用體系的建設(shè)。 關(guān)鍵詞：電子商務(wù)；信用管理；信用評(píng)價(jià)模型 中圖分類號(hào)：F49 1. 引言 作為一種新興的商業(yè)模式，我國(guó)電子商務(wù)在經(jīng)歷了幾年的低谷之后，現(xiàn)已逐漸步入戰(zhàn)略機(jī)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(shì)初露端倪。截止到 2007年 12 月，中國(guó)網(wǎng)民網(wǎng)絡(luò)購(gòu)物比例已達(dá)到 22.1%，購(gòu)物人數(shù)規(guī)模達(dá)到 4640 萬(wàn)。其中，上海和北京為網(wǎng)上購(gòu)物比例最高，分別達(dá)到了 41.4%和 36%，網(wǎng)絡(luò)購(gòu)物已經(jīng)成為眾多網(wǎng)民網(wǎng)絡(luò)生活中的重要組成部分【1】。 但進(jìn)行網(wǎng)上購(gòu)物的人數(shù)相對(duì)于網(wǎng)民的總

3、體數(shù)量來說，仍然是一個(gè)比較小的比例，并且與美國(guó) 2006 年 8 月網(wǎng)民網(wǎng)上購(gòu)物的比例 71%相比，我國(guó) 22.1%的網(wǎng)民網(wǎng)絡(luò)購(gòu)物比例還有很大的差距，我國(guó)電子商務(wù)還有很長(zhǎng)的路要走，同時(shí)也面臨著更多的問題【1】。 某國(guó)內(nèi)專業(yè)權(quán)威調(diào)查機(jī)構(gòu)的“中國(guó)電子商務(wù)誠(chéng)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(duì)電子商務(wù)的不信任比例高達(dá) 36.3%，在對(duì)“您對(duì)電子商務(wù)最擔(dān)心的問題是什么的回答統(tǒng)計(jì)中，回答“誠(chéng)信”的比例為 26.34%，結(jié)果顯示誠(chéng)信已成為公眾在網(wǎng)上交易時(shí)普遍擔(dān)憂的問題【4】。 2. 電子商務(wù)信用問題 2.1 電子商務(wù)信用問題成因 結(jié)合電子商務(wù)的特點(diǎn)，筆者將電子商務(wù)信用的成因歸納為以下三點(diǎn)：

4、（1）誠(chéng)信基礎(chǔ)薄弱 在我國(guó)信用評(píng)價(jià)和監(jiān)管機(jī)制不健全的環(huán)境下，人們?cè)诮灰走^程中誠(chéng)實(shí)守信的意識(shí)還很淡薄，因?yàn)槿藗兊氖懦杀竞艿?，或者說有時(shí)還不存在失信成本，這使得部分人越來越不誠(chéng)實(shí)、不守信。 （2）電子商務(wù)在某些方面信息不對(duì)稱 信息不對(duì)稱理論是由美國(guó)經(jīng)濟(jì)學(xué)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(chǎng)經(jīng)濟(jì)條件下，市場(chǎng)的買賣主體不可能完全占有對(duì)方的信息，這種信息不對(duì)稱必定導(dǎo)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(wù)市場(chǎng)的低成本以及在提供信息方面的高效率等優(yōu)勢(shì),理論上能給企業(yè)帶來利潤(rùn),但是并不意味著電子商務(wù)市場(chǎng)就一定有很高的市場(chǎng)效率。

5、事實(shí)上,與傳統(tǒng)市場(chǎng)比較起來,電子/. - 2 -商務(wù)市場(chǎng)的低入門障礙使出售劣質(zhì)產(chǎn)品的商家更加容易進(jìn)入市場(chǎng);信息技術(shù)在給電子商務(wù)市場(chǎng)帶來低成本優(yōu)勢(shì)的同時(shí)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(fèi)者提供更多決策支持的同時(shí)也增加了虛假信息誤導(dǎo)其做出非理性決策的可能性。電子商務(wù)市場(chǎng)中由于產(chǎn)品質(zhì)量的不確定引發(fā)的信息不對(duì)稱不僅存在,而且更加嚴(yán)重【5】。 （3）電子商務(wù)進(jìn)入壁壘低 電子商務(wù)行業(yè)的性質(zhì)決定了該市場(chǎng)的進(jìn)入壁壘低，主要體現(xiàn)在:開辦網(wǎng)店審批容易，只需要將個(gè)人信息提交便可開張營(yíng)業(yè);資產(chǎn)投入少、資產(chǎn)專用性低;對(duì)流動(dòng)資金的要求不高;對(duì)從業(yè)人員的資質(zhì)要求低等。這種低進(jìn)入壁壘，

6、加之網(wǎng)絡(luò)的虛擬性，為電子商務(wù)的誠(chéng)信埋下了伏筆。 因?yàn)?Internet 為所有的市場(chǎng)參與者提供了平等的機(jī)會(huì),在這里大公司并不比小公司具有先天優(yōu)勢(shì)。在實(shí)物市場(chǎng)上,“大”是非常有效的市場(chǎng)信號(hào),但在電子商務(wù)市場(chǎng)“大”和產(chǎn)品質(zhì)量并沒有必然的聯(lián)系,這就降低了市場(chǎng)進(jìn)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(wù)信用體系 電子商務(wù)作為一種商業(yè)活動(dòng)，信用是其存在和發(fā)展的基礎(chǔ)。而且，電子商務(wù)所具有的遠(yuǎn)程性、記錄的可更改性、主體的復(fù)雜性等特征，就決定其信用問題更加突出。因此，電子商務(wù)呼喚誠(chéng)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(wù)可能成為某些

7、不法之徒手中的欺詐工具。正是網(wǎng)絡(luò)這個(gè)虛擬世界缺乏誠(chéng)信， 使電子商務(wù)的發(fā)展受到了嚴(yán)重阻礙?？梢哉f，信用問題是阻礙我國(guó)電子商務(wù)發(fā)展的重要瓶頸。作為市場(chǎng)經(jīng)濟(jì)重要基礎(chǔ)的信用對(duì)電子商務(wù)的發(fā)展也有著重大的影響，因此對(duì)電子商務(wù)的信用進(jìn)行客觀公正的評(píng)價(jià)是非常必要的。 市場(chǎng)經(jīng)濟(jì)是信用化的商品經(jīng)濟(jì)，信用是市場(chǎng)經(jīng)濟(jì)的基礎(chǔ)和生命線，特別是在經(jīng)濟(jì)全球化的過程中，信用是進(jìn)入國(guó)際市場(chǎng)的通行證。電子商務(wù)作為一種商業(yè)活動(dòng)，信用同樣是其存在和發(fā)展的基礎(chǔ)。電子商務(wù)和信用服務(wù)都是發(fā)展很快的新興領(lǐng)域，市場(chǎng)前景廣闊，從二者的關(guān)系看，一方面，電子商務(wù)需要信用體系，而信用體系也很可能最先在電子商務(wù)領(lǐng)域取得廣泛的應(yīng)用并體現(xiàn)其價(jià)值。沒有信用體系

8、支持的電子商務(wù)活動(dòng)風(fēng)險(xiǎn)極高，后果不堪設(shè)想。 2.3 信用體系現(xiàn)狀及存在問題 淘寶網(wǎng)（.taobao4）是國(guó)內(nèi)領(lǐng)先的個(gè)人交易網(wǎng)上平臺(tái)，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(gè)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(wù)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(duì)交易伙伴在本次交易中的表現(xiàn)，作出自己的評(píng)價(jià)，評(píng)價(jià)結(jié)果分為:好評(píng)、中評(píng)、差評(píng)三種，每種評(píng)價(jià)對(duì)應(yīng)一個(gè)信用積分，具體為:“好評(píng)”加一分，“中評(píng)”不加分， “差評(píng)”扣一分，用戶得到的所有評(píng)價(jià)構(gòu)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(píng)價(jià)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(wù)網(wǎng)站采用的信用評(píng)價(jià)模型在信用的積累性方面做的比較好，對(duì)交易記錄作了詳細(xì)的記錄，但在可比性方面有待完善。假設(shè)一個(gè)商家賣出價(jià)值為 3000 元的手機(jī)，并獲得好評(píng)，他的信用指數(shù)僅增加一分，而另一個(gè)商家賣出價(jià)格為 3 元的游戲卡，并獲得好評(píng)，/. - 3 -信用指數(shù)也會(huì)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(gè)商家信用度更高。 （2）忽視評(píng)價(jià)人的信用狀況 現(xiàn)有的信用模型里都沒有考慮評(píng)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(píng)價(jià)者相對(duì)于信

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

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

12、算帶來的負(fù)面影響； （4）用戶交易次數(shù) 在國(guó)內(nèi)的電子商務(wù)網(wǎng)站的信用評(píng)價(jià)中，多數(shù)都是采用了累加信用模型。而在現(xiàn)實(shí)中，信用的形成是一個(gè)隨著時(shí)間和交易次數(shù)變化的過程，并且用戶行為變化也會(huì)導(dǎo)致其信用狀況的波動(dòng)。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(gè)最終反饋值，卻不能直觀的反映出該用戶在長(zhǎng)期交易之后的穩(wěn)定的交易信用水平。假設(shè)某網(wǎng)站的用戶 A與用戶 B 在同一時(shí)間段的交易狀況如表所示。 表 1 累加評(píng)分和均值評(píng)分的對(duì)比 用戶 交易次數(shù) 好評(píng)次數(shù) 中評(píng)次數(shù) 差評(píng)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(wú)法衡量出他們究竟誰(shuí)的誠(chéng)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(jì)算交易信用反饋評(píng)分，同時(shí)也引入了交易次數(shù)的因素，作為計(jì)算中的一項(xiàng)重要參數(shù)。 3.2 信用評(píng)價(jià)模型 （1）評(píng)價(jià)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(jì)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(duì)用戶 u 的反饋評(píng)分，其取值范圍為(1,0,-1)，分別代表好評(píng)，中評(píng)，差評(píng);C(u,i)為用戶 u 第 i 次交易的交易伙伴信用值的權(quán)重；D(u,i)為用戶 u 第 i 次交易的交易額的權(quán)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(huì)特別強(qiáng)調(diào)是本行業(yè)本類產(chǎn)品的平均交易額)。 （2）評(píng)價(jià)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(píng)價(jià)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(jì)算: 信用評(píng)價(jià)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(píng)分 ( , ) (1,0, 1)s u i ? ( , )c u i 為賣家信用度權(quán)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(quán)重 ( , )( , ) h u id u iH= (4-7) ( , )h u i 為本次交易商品價(jià)格 H為同類產(chǎn)品平均價(jià)格1niihHn= (4-8) 之所以在 ( , )* ( , )c u i d u i 和 1 中取最大值，是因?yàn)橐_保模型中加入的權(quán)重對(duì)評(píng)價(jià)用戶所做出的綜合評(píng)分是加強(qiáng)的作用，如果不與 1 進(jìn)行比較，則可能會(huì)引起削弱用戶綜合評(píng)分的效果，因此模型在此處加入了 Max 函數(shù)。 /. - 5 -4matlab 仿真驗(yàn)證 仿真實(shí)驗(yàn)的目的是對(duì)兩個(gè)模型 R 模型和 TB 模型的評(píng)價(jià)正確率進(jìn)行比較。所謂評(píng)價(jià)正確率是指模擬實(shí)驗(yàn)結(jié)束之后所區(qū)分出來的賣家類型與實(shí)驗(yàn)之初

17、設(shè)定好的用戶類型進(jìn)行比較后的結(jié)果。如果實(shí)驗(yàn)最初設(shè)定的是誠(chéng)信用戶，實(shí)驗(yàn)結(jié)束之后也是屬于誠(chéng)信用戶，那么可以判定對(duì)該用戶的評(píng)價(jià)是準(zhǔn)確的；同樣，如果實(shí)驗(yàn)最初設(shè)定的是非誠(chéng)信用戶，在實(shí)驗(yàn)結(jié)束之后判定是非誠(chéng)信用戶，那么可以判定對(duì)該用戶的評(píng)價(jià)也是準(zhǔn)確的；除此之外，把誠(chéng)信用戶和非誠(chéng)信用戶的類比判定錯(cuò)誤，則認(rèn)為對(duì)該用戶的評(píng)價(jià)是不準(zhǔn)確的。所有評(píng)價(jià)準(zhǔn)確的用戶個(gè)數(shù)占整個(gè)參與交易用戶的比重就是評(píng)價(jià)準(zhǔn)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(jiǎn)稱為 TB 模型，本文所提出的模型簡(jiǎn)稱為 R 模型。首先介紹在仿真開始時(shí)進(jìn)行的參數(shù)設(shè)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(shè)所以買家都是誠(chéng)信） ( , )s u i 本次交易中雙方的評(píng)分，（1，0，-1） ( , )h u i 本次交易物品的價(jià)格（1，2，10），隨機(jī)產(chǎn)生 k 非誠(chéng)信賣家的比率 mrate 非誠(chéng)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(shè)為 0，R 模型初始值設(shè)為 1） r 賣家信用值（TB 初始值設(shè)為 0，R 模型初始值設(shè)為 1） 其中，網(wǎng)站的賣家分為兩種類型：一種是誠(chéng)信用戶，另一種是非誠(chéng)信用戶，仿真實(shí)驗(yàn)中假設(shè)非誠(chéng)信用戶是以一定的比率 mrate 從事非誠(chéng)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(hào) 買家 ID 編號(hào)，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(jì)算出的信用分值 TB 信用分值 交易后經(jīng)過 TB 模型計(jì)算出的信用分值 H 交易額 交易中由系統(tǒng)隨機(jī)產(chǎn)生的交易金額 i 總交易次數(shù) 每次模擬實(shí)驗(yàn)中該用戶的交易次數(shù) s(u,i) 交易對(duì)象評(píng)分 每次交易結(jié)束后，交易對(duì)象對(duì)其的評(píng)分，（1,0,-1） /. - 6 -因?yàn)楸疚闹饕懻摰男庞皿w系主要針對(duì)賣家是否是誠(chéng)信用戶，為了簡(jiǎn)化程序，默認(rèn)所有買家均為誠(chéng)信用戶。 賣家的很多屬性與買家類似，在買家的基礎(chǔ)上又增

20、加了誠(chéng)信比率和非誠(chéng)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(hào) 賣家 ID 編號(hào)，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(jì)算出的信用分值 TB 信用分值 交易后經(jīng)過 TB 模型計(jì)算出的信用分值 H 交易額 交易中由系統(tǒng)隨機(jī)產(chǎn)生的交易金額 i 總交易次數(shù) 每次模擬實(shí)驗(yàn)中該用戶的交易次數(shù) s(u,i) 交易對(duì)象評(píng)分 每次交易結(jié)束后，交易對(duì)象對(duì)其的評(píng)分（1，0，-1）t 是否是誠(chéng)信用戶 區(qū)別賣家是否是誠(chéng)信用戶，（1，0） mrate 非誠(chéng)信交易率 該屬性只屬于非誠(chéng)信用戶，表示其非誠(chéng)信交易率 （3）仿真服務(wù)器參數(shù) 在仿真中，交易矩陣中儲(chǔ)存了每次交易的屬性

21、，以便進(jìn)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(hào) 買家 ID 編號(hào)，用以區(qū)別不同的買家用戶 B 交易賣家編號(hào) 賣家 ID 編號(hào)，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(jì)算出的信用分值 H 交易額 交易中由系統(tǒng)隨機(jī)產(chǎn)生的交易金額 d 交易額權(quán)重 本次交易的金額與同類產(chǎn)品的平均價(jià)格相比 ( , )c u i 信用值權(quán)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(jià)格 本次交易產(chǎn)品的同類產(chǎn)品平均價(jià)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(shí)時(shí)更

22、新 在整個(gè)仿真實(shí)驗(yàn)結(jié)束之后，未做交易的用戶不參與準(zhǔn)確率的評(píng)價(jià)，本信用評(píng)價(jià)系統(tǒng)定義信用值排在前 0( )*(1 )ipn n k=? ? 的用戶為系統(tǒng)認(rèn)定誠(chéng)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(rèn)為非誠(chéng)信用戶。模擬結(jié)束后，將這些被評(píng)價(jià)用戶的誠(chéng)信類型與實(shí)驗(yàn)初始的用戶設(shè)置進(jìn)行對(duì)比，得出各個(gè)模型評(píng)價(jià)準(zhǔn)確的用戶數(shù)量。由此計(jì)算出每個(gè)模型的評(píng)價(jià)正確率。通過評(píng)價(jià)準(zhǔn)確率的對(duì)比，可以比較出 TB 模型和 R 模型在用戶誠(chéng)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(hào)：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(hào)：信用值：是否是誠(chéng)信用戶：iiBiRi=1交易成功雙方互給好評(píng)i=0交易失敗雙方互給差評(píng)利用R模型，更新雙方信用值買賣雙方信用值；交易金額；對(duì)方評(píng)分發(fā)起交易產(chǎn)生買家A交易買家編號(hào)：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(hào)：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(hào)：信用值：是否是誠(chéng)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(hào)：信用值：是否是誠(chéng)信用戶：iiBiRi=1交易成功雙方互給好評(píng)i=0交易失敗雙方互給差評(píng)利用R模型，更新雙方信用值買賣雙方信用值；交易金額；對(duì)方評(píng)分 圖 1 仿真實(shí)驗(yàn)流程圖 5. 仿真結(jié)果分析 根據(jù)本文設(shè)定的實(shí)驗(yàn)?zāi)康?，分別的 R 模型和 TB 模型設(shè)置了五個(gè)可變參數(shù)，每個(gè)參數(shù)賦值五次，每個(gè)模型合計(jì)進(jìn)行了二十五次仿真，本文共進(jìn)行了五十次仿真實(shí)驗(yàn)。詳細(xì)數(shù)據(jù)統(tǒng)計(jì)見附件。 5.1 賣家數(shù)量評(píng)價(jià)準(zhǔn)確率的對(duì)

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(shí)，兩個(gè)系統(tǒng)評(píng)價(jià)準(zhǔn)確率的變化和對(duì)比，如圖所示： 01n=100 n=150 n=200 n=250 n=300TBR 圖 2 賣家數(shù)量評(píng)價(jià)準(zhǔn)確率對(duì)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(píng)價(jià)準(zhǔn)確率整體呈上升趨勢(shì)，但 R 模型的評(píng)價(jià)準(zhǔn)確率始終高于 TB 模型。n=100 時(shí)，R 模型的評(píng)價(jià)準(zhǔn)確率最低，但仍高

26、于TB 模型，由此可以看出，無(wú)論賣家數(shù)量如何，R 模型的評(píng)價(jià)準(zhǔn)確率始終優(yōu)于 TB 模型。 5.2 買家數(shù)量評(píng)價(jià)準(zhǔn)確率的對(duì)比 該實(shí)驗(yàn)?zāi)康氖峭ㄟ^買家數(shù)量的變化，分析兩個(gè)模型的評(píng)價(jià)準(zhǔn)確率。 初始設(shè)置：I=100,mrate=50%，n=100,k=30%，買家數(shù)量由 20 增加到 100 時(shí)，兩個(gè)模型評(píng)價(jià)準(zhǔn)確率的對(duì)比如圖所示： 01m=20 m=40 m=60 m=80 m=100TBR 圖 3 買家數(shù)量評(píng)價(jià)準(zhǔn)確率對(duì)比 買家數(shù)量由 20 變化到 100 時(shí)，兩個(gè)模型的評(píng)價(jià)準(zhǔn)確率均呈波動(dòng)狀態(tài)，在 m=20 時(shí)，R模型的準(zhǔn)確率高出 TB 很多，隨著

27、m 的增大，優(yōu)勢(shì)逐漸縮小，在 m=100 時(shí)，兩個(gè)模型的評(píng)價(jià)準(zhǔn)確率幾乎相等，甚至 TB 模型的評(píng)價(jià)準(zhǔn)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(gè)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(gè)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(gè)用戶的交易次數(shù)，兩個(gè)模型的評(píng)價(jià)準(zhǔn)確率會(huì)逐漸穩(wěn)定，R 模型的優(yōu)勢(shì)將更加顯著。 5.3 交易次數(shù)評(píng)價(jià)準(zhǔn)確率的對(duì)比 該仿真實(shí)驗(yàn)?zāi)康氖峭ㄟ^改變交易次數(shù) I（200,300,400,500,600），得出兩個(gè)模型的評(píng)價(jià)準(zhǔn)確率。 初始設(shè)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(píng)價(jià)準(zhǔn)確率對(duì)比 吸取上一次實(shí)驗(yàn)的教訓(xùn)（單個(gè)用戶的交易次數(shù)少，影響了模型的穩(wěn)定性），本次實(shí)驗(yàn)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(píng)價(jià)的準(zhǔn)確率也越來越高。這是因?yàn)榻灰状螖?shù)的增多，欺詐行為的數(shù)量也隨之增多.從而拉大了誠(chéng)信用戶和非誠(chéng)信用戶的分差。由圖中可以看出，兩個(gè)模型的評(píng)價(jià)準(zhǔn)確率均趨于平緩，雖然有個(gè)別異常點(diǎn)。R 模型的評(píng)價(jià)準(zhǔn)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(chéng)信用戶比率評(píng)價(jià)準(zhǔn)確率的對(duì)比 本次仿真實(shí)驗(yàn)通過改變非誠(chéng)信用戶比率 k（20%，30%，40%，50%，60%），得出兩個(gè)模型的評(píng)價(jià)準(zhǔn)確率，并觀察 k 對(duì)模型評(píng)價(jià)準(zhǔn)確率的影響。 初始設(shè)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(chéng)信用戶比率評(píng)價(jià)準(zhǔn)確率對(duì)比 隨著賣家非誠(chéng)信比率的增加，即非誠(chéng)信賣家的增多，兩個(gè)模型的評(píng)價(jià)準(zhǔn)確率都在下降，當(dāng)系統(tǒng)中誠(chéng)信用戶比率很高時(shí)，兩個(gè)模型都有很高的評(píng)價(jià)準(zhǔn)確率，符合實(shí)際情況；隨著非誠(chéng)信用戶比率的增加，兩個(gè)模型

30、的評(píng)價(jià)準(zhǔn)確率也都在下降，但 R 模型的總是高于 TB 模型。 在一個(gè)系統(tǒng)中，非誠(chéng)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(shí)，兩個(gè)模型的評(píng)價(jià)準(zhǔn)確率幾乎相等；隨著非誠(chéng)信比率增加，區(qū)分誠(chéng)信用戶和非誠(chéng)信用戶的難度加大，此時(shí)評(píng)價(jià)模型的優(yōu)劣就會(huì)表現(xiàn)的更明顯，由圖中可以看出 R 模型在 k=0.4 時(shí)的評(píng)價(jià)準(zhǔn)確率高出 TB 模型將近 30%；但隨著 k 值的進(jìn)一步加大，整/. - 10 -個(gè)系統(tǒng)的非誠(chéng)信用戶越來越多，對(duì)兩個(gè)模型的考驗(yàn)也越來越嚴(yán)峻，但此時(shí)，這個(gè)交易系統(tǒng)已經(jīng)不正常，脫離了正常的軌道，無(wú)論多完善的信用評(píng)價(jià)系統(tǒng)都無(wú)濟(jì)于事。 5.5

31、不守信用戶欺詐率評(píng)價(jià)準(zhǔn)確率的對(duì)比 本次仿真實(shí)驗(yàn)通過改變非誠(chéng)信用戶比率 mrate(40%,50%,60%,70%,80%)，得出兩個(gè)模型各自的評(píng)價(jià)準(zhǔn)確率的變化 初始設(shè)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(chéng)信用戶欺詐率評(píng)價(jià)準(zhǔn)確率對(duì)比 隨著非誠(chéng)信用戶欺詐率的變化，模型評(píng)價(jià)準(zhǔn)確率呈緩慢上升趨勢(shì)，但幅度不大。從圖5-6 中可以看出，R 模型的準(zhǔn)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(píng)分方法。 6總結(jié) C2C

32、模式是目前我國(guó)最活躍的電子商務(wù)模式,雖然交易額不到電子商務(wù)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(píng)價(jià)體系的建立與完善是 C2C 電子商務(wù)健康發(fā)展的重要保障,并有利于促進(jìn)我國(guó)個(gè)人信用體系的建設(shè)【6】。 文中針對(duì)現(xiàn)有的 C2C 電子商務(wù)信用評(píng)價(jià)模型存在的問題,建立了改進(jìn)的信用評(píng)價(jià)模型,進(jìn)而提出了新的信用評(píng)價(jià)算法。新的評(píng)價(jià)算法通過權(quán)衡考慮交易對(duì)方的信用度和交易次數(shù)、交易金額來計(jì)算被評(píng)用戶的信用加權(quán)平均分和信用度,再確定被評(píng)用戶的信用等級(jí),解決了當(dāng)前 C2C 網(wǎng)站采用的簡(jiǎn)單的信用累積評(píng)價(jià)算法存在的主要問題。為了完善 C2C 電子商務(wù)信用體系,還需要在電子商務(wù)交易規(guī)則、

33、身份認(rèn)證、信用體制等方面不斷進(jìn)行改進(jìn)。 /. - 11 -參考文獻(xiàn) 1 中國(guó)互聯(lián)網(wǎng)絡(luò)信息中心（CNNIC） 中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展統(tǒng)計(jì)報(bào)告 2008 年 1 月 2 呂廷杰，徐華飛 中國(guó)電子商務(wù)發(fā)展研究報(bào)告 北京郵電大學(xué)出版社 2003 3 樸春慧，安靜，方美琪 C2C 電子商務(wù)網(wǎng)站信用評(píng)價(jià)模型及算法研究 情報(bào)雜志 2007 年第 8 期 4 中國(guó)電子商務(wù)協(xié)會(huì)誠(chéng)信評(píng)價(jià)中心 我國(guó)電子商務(wù)誠(chéng)信狀況調(diào)查報(bào)告 2006 年 7 月 5 彭賡，呂本富，胡新愛 網(wǎng)上拍賣與信譽(yù)機(jī)制的缺陷 預(yù)測(cè) 2004,23 (1) :33-36 6 樸春慧，安靜，方美琪 C2C 電子商務(wù)網(wǎng)站信用評(píng)價(jià)模型及算法

34、研究 情報(bào)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