王 鑫，郭 晨，李 敏，b

（東華大學a.服裝和藝術(shù)設(shè)計學院；b.現(xiàn)代服裝設(shè)計與技術(shù)教育部重點實驗室，上海 200051）

針織塑身內(nèi)衣購買意愿預(yù)測模型的比較研究

王 鑫a，郭 晨a，李 敏a，b

（東華大學a.服裝和藝術(shù)設(shè)計學院；b.現(xiàn)代服裝設(shè)計與技術(shù)教育部重點實驗室，上海 200051）

通過對292名女性消費者進行針織塑身內(nèi)衣購買意愿的問卷調(diào)查，得到影響被調(diào)查者購買意愿的影響因素并確定了13個主要因素，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軟件進行預(yù)測比較分析.結(jié)果顯示，在預(yù)測被調(diào)查者對針織塑身內(nèi)衣購買意愿上，Logistic回歸模型的預(yù)測過程更快，BP神經(jīng)網(wǎng)絡(luò)模型比Logistic回歸模型的預(yù)測精度高，預(yù)測效果好.

針織塑身內(nèi)衣；購買意愿；Logistic回歸；BP神經(jīng)網(wǎng)絡(luò)

現(xiàn)代女性消費者對自身身材的要求越來越高，希望通過塑身內(nèi)衣呈現(xiàn)完美曲線，“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，我國本土塑身內(nèi)衣品牌也開始崛起［1］.

消費者對企業(yè)產(chǎn)品或服務(wù)的購買是企業(yè)獲得利潤的源泉.通常，企業(yè)會花費大量資金用于市場調(diào)研，試圖了解并預(yù)測顧客的購買行為.而對消費者是否會采取購買行為最直接的預(yù)測方法是了解他們采取該行為的傾向，即購買意愿.目前，國內(nèi)外學者對購買意愿的研究主要集中在測算上，有學者開發(fā)了Choice Based模型測量顧客的購買意愿［2］，也有學者用數(shù)據(jù)挖掘、人工神經(jīng)網(wǎng)絡(luò)等先進計算機技術(shù)進行購買意愿的研究［3］.因此，以消費者購買意愿為出發(fā)點，通過借鑒和分析影響消費者購買意愿的影響因素，精確地預(yù)測消費者對塑身內(nèi)衣的購買行為，會為企業(yè)帶來更大的幫助.

本文針對針織塑身內(nèi)衣產(chǎn)品，引入人工神經(jīng)網(wǎng)絡(luò)技術(shù)，建立被調(diào)查者對內(nèi)衣購買意愿的預(yù)測模型，并與傳統(tǒng)的Logistic回歸模型進行預(yù)測比較.這一探索不僅豐富了人工神經(jīng)網(wǎng)絡(luò)技術(shù)在服裝市場營銷方面的研究，同時也為企業(yè)選擇更好地了解消費者購買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)衣的購買意愿理論假設(shè)

根據(jù)對針織塑身內(nèi)衣產(chǎn)品特點、市場現(xiàn)狀調(diào)研和感知特性理論（感知利得最大理論、感知風險最小理論）［4－5］及 計 劃 行 為 理 論 的 研 究［6－7］，本 文 提 出了消費者對針織塑身內(nèi)衣購買意愿的研究模型假設(shè)：

購買意愿＝f（人口統(tǒng)計變量、產(chǎn)品知識、感知利得、感知風險、風險態(tài)度、主觀規(guī)范、使用態(tài)度）

模型由8個變量組成：購買意愿是因變量，使用態(tài)度、產(chǎn)品知識、感知利得、感知風險（包括身體安全風險、誤購風險、社會心理風險、財務(wù)風險）、風險態(tài)度、人口統(tǒng)計變量（包括年齡、受教育程度、職業(yè)、個人月收入、婚姻狀況、最大子女年齡、居住時間、身材類型）以及主觀規(guī)范為自變量.

1.2 影響消費者購買意愿因素的確定

本文采用消費者調(diào)查問卷為測量工具.首先，通過文獻查閱并結(jié)合本研究自身特點對問卷測量項目進行設(shè)計，之后通過小組討論、專家訪談和預(yù)調(diào)研的方法對測量項目進行篩選和確認，最終整理得到正式調(diào)研問卷.限于篇幅，本文未列出調(diào)研問卷的具體內(nèi)容，僅進行簡單說明.問卷由4部分組成：（1）購買經(jīng)驗和品牌滿意度的調(diào)研，其中，品牌各項表現(xiàn)滿意度采用五分制李克特量表，其余題項為單選或多選題；（2）購買意愿影響因素調(diào)研，此部分問卷項目所有變量均采用五分制李克特量表方式，給予1至5分的評價，分數(shù)越低表示對該問項的熟悉／同意程度越低，反之，則熟悉／同意程度越高；（3）消費者對針織塑身內(nèi)衣的個人喜好及消費計劃調(diào)研，此部分問卷1～10題均為單選題、11題為重要性排序；（4）人口統(tǒng)計變量，此部分問題全為單選題.研究對象為年齡均在18周歲以上的女性消費者.采取網(wǎng)絡(luò)問卷和實地調(diào)研問卷相結(jié)合的方式進行，實地調(diào)研區(qū)域為上海市各大代表性商圈.調(diào)研時間為2011年4月至5月，共發(fā)放問卷320份，回收有效問卷292份，有效問卷回收率為91.25%.

通過對樣本進行相關(guān)性分析和單因素方差分析，最終確定與購買意愿相關(guān)的因素有產(chǎn)品知識、感知利得、身體安全風險、社會心理風險、主觀規(guī)范、風險態(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、身材類型.

2 針織塑身內(nèi)衣購買意愿的Logistic回歸模型

購買意愿的預(yù)測是一個復(fù)雜的過程，涉及的因素很多.在購買決策過程中，各因素會通過相應(yīng)的機制影響購買意愿結(jié)果的形成，這種影響很難準確地通過某種函數(shù)關(guān)系來描述，因此，本文嘗試用傳統(tǒng)方法Logistic回歸模型來處理.

2.1 Logistic回歸模型簡述

Logistic回歸模型是對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］.由于購買意愿的結(jié)果通常用“有”還是“沒有”來表示，因此，本文采用二元Logistic回歸模型.

用于Logistic回歸模型檢驗的統(tǒng)計量一般有沃爾德統(tǒng)計量（Wald）、－2對數(shù)似然值（－2LL）、Cox和Snell的卡方、Nagelkerke的卡方及赫斯默檢驗.一般而言，Wald值越大或Sig.值（Wald檢驗的系數(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數(shù)與樣本量有關(guān).本文的樣本量為292個，因變量（購買意愿）取值為1的樣本數(shù)為134，經(jīng)計算可知，模型中最多引入13個變量［9］.因此，本文將通過數(shù)據(jù)分析所得影響購買意愿的13個主要因素作為變量，對被調(diào)查者針織塑身內(nèi)衣的購買意愿進行回歸分析.在進行回歸分析前，需要先對各個變量進行定義，具體如表1所示.

表1 針織塑身內(nèi)衣購買意愿的相關(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)衣購買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)計軟件進行回歸模型分析.

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)項時的輸出結(jié)果，如表2所示.當模型中不包含任何自變量時，模型把所有的案例都預(yù)測為樣本數(shù)較多（即有意愿購買）的那一類，此時預(yù)測準確率為54.1%.

表2 模型一的分類預(yù)測表Table 2 The classified prediction table of model one

表3為單因變量分析結(jié)果.在將每個自變量放入模型之前，采用得分檢驗方法，檢驗該自變量與因變量之間有無聯(lián)系，哪些自變量會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、身材類型、產(chǎn)品知識、感知利得、主觀規(guī)范、使用態(tài)度的Sig.值都小于0.05，說明加入這些自變量都會顯著改變擬合優(yōu)度，因此可以解釋因變量，模型線性關(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)測準確率為80.8%.

表4 模型二分類預(yù)測表Table 4 The classified prediction table of model two

表5顯示了對購買意愿進行二元邏輯回歸后得到的自變量系數(shù)、標準差、Wald值、自由度、顯著性概率Sig.值以及每增減一個變量引起的變動值.由表5可以看出，使用態(tài)度、主觀規(guī)范、產(chǎn)品知識、受教育程度以及年齡的Wald統(tǒng)計值較大，且顯著性概率Sig.都小于0.05，說明這5個自變量對購買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，說明對購買意愿的影響作用不明顯.

因此，該回歸模型為購買意愿＝f（使用態(tài)度、主觀規(guī)范、產(chǎn)品知識、受教育程度、年齡）.

表5 針織塑身內(nèi)衣購買意愿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)衣購買意愿的反向傳播神經(jīng)網(wǎng)絡(luò)模型

由于購買意愿是帶有模糊性質(zhì)的感覺、感知概念，用傳統(tǒng)的數(shù)學模型來描述存在著不夠精確的問題，而人工神經(jīng)網(wǎng)絡(luò)在解決問題時不需要對象的精確模型，僅需要大量的原始數(shù)據(jù)，通過其強大的自學能力和結(jié)構(gòu)的可變性，逐步適應(yīng)外界環(huán)境各因素的作用，并挖掘出對象內(nèi)在的因果關(guān)系，最終達到對購買意愿的模糊評判.

因此，本文選用最為廣泛的BP（back propagation）神經(jīng)網(wǎng)絡(luò)模型來實現(xiàn)對消費者購買意愿的預(yù)測.

3.1 BP神經(jīng)網(wǎng)絡(luò)模型簡述

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正向傳播，誤差反向傳播.通過對網(wǎng)絡(luò)權(quán)值和閾值的修正，使誤差函數(shù)沿負梯度方向下降，直到網(wǎng)絡(luò)輸出的誤差減少到可接受的程度，或進行到預(yù)先設(shè)定的學習次數(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)衣購買意愿的BP神經(jīng)網(wǎng)絡(luò)架構(gòu)

本文以計劃行為理論［6］為基礎(chǔ)，加入感知風險、感知利得等影響因素，提出對針織塑身內(nèi)衣購買意愿有主要影響的因素包括：產(chǎn)品知識、感知利得、感知風險、使用態(tài)度、主觀規(guī)范、風險態(tài)度及人口統(tǒng)計變量（如：年齡、受教育程度、職業(yè)、收入情況、身材類型等）.因此，針織塑身內(nèi)衣的購買意愿可以認為是一個多輸入（影響因素）、單輸出（購買意愿）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實現(xiàn)BP神經(jīng)網(wǎng)絡(luò)預(yù)測

本預(yù)測模型選取只有一個隱含層的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（）線性函數(shù).為了提高收斂速度、降低誤差，本文采用將動量法和自適應(yīng)學習速率相結(jié)合的算法來改進BP算法.

圖2 針織塑身內(nèi)衣購買意愿的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)測被調(diào)查者的購買意向.將292份數(shù)據(jù)分為訓(xùn)練集和測試集，編號為1～250的樣本數(shù)據(jù)為訓(xùn)練集，編號為251～292的樣本數(shù)據(jù)為測試集.

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

（1）清空當前Matalb空間中的變量和值，以免影響程序運行；

（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)對所設(shè)計的網(wǎng)絡(luò)進行測試，測試結(jié)果如表6所示.

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

原來實際42份樣本中愿意購買的樣本數(shù)為18份，實際誤差為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)測模型是可行的.

4 結(jié) 語

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

（1）預(yù)測因素選擇.Logistic回歸方程需要的樣本量較大，且模型能解釋的自變量個數(shù)與樣本量有關(guān)，本文根據(jù)樣本量大小只能通過13個因素對其進行解釋.而BP神經(jīng)網(wǎng)絡(luò)對輸入層沒有具體的要求，本文則通過最佳變量集合及人口統(tǒng)計變量作為輸入層進行預(yù)測.前者需要對因素進行篩選，在篩選的過程中可能會刪除一些影響程度不大但對購買意愿確實有影響的因素，后者只需通過主成分分析輸入最佳變量集合即可，由此可見，利用BP神經(jīng)網(wǎng)絡(luò)建立預(yù)測模型，在預(yù)測因素的選擇上更為科學.

（2）預(yù)測過程.Logistic回歸模型運用SPSS中的Regression模塊，可以很快地輸出預(yù)測結(jié)果的相關(guān)表格，但是Matlab軟件需要對數(shù)據(jù)進行歸一化、網(wǎng)絡(luò)層數(shù)和精度的設(shè)定等一系列設(shè)置，還需要一定的時間進行網(wǎng)絡(luò)的訓(xùn)練和驗證.從這個角度而言，Logistic回歸在預(yù)測過程上更快，且在影響因素選擇有限的情況下，選擇Logistic回歸預(yù)測較有優(yōu)勢.

（3）預(yù)測效果.Logistic回歸模型在加入了各影響因素后預(yù)測準確率達80.8%，BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測的準確率達97.6%，可見BP神經(jīng)網(wǎng)絡(luò)的預(yù)測能力和預(yù)測精度比Logistic回歸模型高.

顯然，Logistic回歸模型雖然具有預(yù)測速度快、選擇因素少的優(yōu)點，但是在預(yù)測精度方面，卻不如BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型準確.該研究結(jié)果不僅是BP神經(jīng)網(wǎng)絡(luò)運用在服裝市場營銷方向的有效嘗試，同時也為針織內(nèi)衣企業(yè)了解消費者購買決策提供了一種科學的方法.

參 考 文 獻

［1］董大海，楊毅，強勇.顧客購買行為傾向的測量及其管理意涵［J］.預(yù)測，2005，24（3）：19－24.

［2］王萍.運用數(shù)據(jù)挖掘技術(shù)預(yù)測客戶購買傾向：方法與實證研究［J］.情報科學，2005，23（5）：738－741.

［3］吳亮錦，糜仲春.珠寶的知覺價值與購買意愿之研究［D］.合肥：中國科學技術(shù)大學商學院，2006：103－117.

［4］劉文波，陳榮秋.顧客價值理論的概念模型［J］.商場現(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.消費者計劃行為理論及其在市場營銷中的應(yīng)用［J］.理論月刊，2005，2（2）：78－80.

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

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

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

［10］賴國毅，陳超.SPSS 17.0常用功能與應(yīng)用實例精講［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)計及應(yīng)用［M］.北京：化學工業(yè)出版社，2002：13－27.

［12］董長虹.Matlab神經(jīng)網(wǎng)絡(luò)與應(yīng)用［M］.北京：國防工業(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，研究方向為服裝產(chǎn)業(yè)經(jīng)濟.E－mail：amandawang1011＠126.com

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