楊曉薇

（湖北工程學院 校友辦，湖北 孝感432000）

在電子商務(wù)系統(tǒng)中，有關(guān)信任計算［1］、信任管理［2］以及信任機制建立［3］等問題的研究比較多。隨著C2C模式電子商務(wù)的迅速發(fā)展，大多數(shù)的C2C購物網(wǎng)站都紛紛建立起了自己的信用評價體系。雖然現(xiàn)有的評價系統(tǒng)在一定程度上減輕了網(wǎng)上交易信用危機，促進了C2C網(wǎng)上交易，但現(xiàn)有評價系統(tǒng)仍然面臨著諸多問題。

1 當前信用評價計分模型及算法存在的問題

1.1 目前C2C電子商務(wù)信用評價計分模型及算法

各個網(wǎng)站的信用評價規(guī)則有所不同，如有的網(wǎng)站采用“所有評價一起積分”的制度，有的網(wǎng)站則采用“買賣信用值分離”的制度，但評價均分為“好評”、“中評”、“差評”三檔，分別對應(yīng)＋1、0、－1的分值。對于一次交易，規(guī)定進行信用評價的用戶為評價用戶，接受信用評價的用戶為被評用戶，其中評價用戶和被評價用戶既可以是買方，也可以是賣方，用戶信用度（又稱信用指數(shù)）為該用戶總得分，信用等級根據(jù)信用度來確定。

1.2 存在的問題

1）信用度的變化只與交易次數(shù)有關(guān)，與交易金額無關(guān)。在淘寶網(wǎng)交易中，許多信用值很高的賣家，大多數(shù)是銷售低價商品的。進行一次幾元錢的交易與進行一次幾千元的交易獲得的評價機會是一樣的，都是一次，而且信用值的增減也相同，這樣就容易導(dǎo)致信用度的不對等和盜用，如果賣家以此為手段進行惡意欺詐，那么買家的風險就增大了很多。

2）評價率不明確。在網(wǎng)絡(luò)交易中，交易完成后的信用評價是自愿進行的，網(wǎng)站的信用評價規(guī)則規(guī)定：交易雙方中至少有一方做出了評價，評價才有效并公布，如果所有的交易者，或者大部分的交易者在交易完成后不做出評價，這個信用制度就沒有意義了［4］。因此，許多賣家為了維持100%的好評率，當交易不順利時，賣家可能會放棄對買家的評價，或者給出不好的評價；而買家也會不做評價或者做出差評，雖然買賣雙方進行了交易，但由于雙方?jīng)]有互相給予評價，交易的情況不能反映到信用指數(shù)中。

3）信用炒作。在網(wǎng)購平臺上，當顧客在選購商品時，信用排名高的網(wǎng)店商家往往能得到消費者更多的青睞，所以很多賣家為促成更多的交易，利用阿里旺旺、QQ等聊天工具要求與他人換好評，或利用站內(nèi)信件及商品頁面的留言等方式要求與他人進行相互出價、給予評價來提高自己的信用度。

2 改進的信用評價計分算法

改進的信用計分方法是一種基于交易商品所屬種類的平均價格、交易商品價格、賣家信用值、買家信用值、信用等級多影響因素，對交易的商品價格和信用等級進行區(qū)間劃分，“好評”和“差評”的加分與扣分隨著交易的進行動態(tài)變化的信用評價方法。信用評分規(guī)則為：

1）當評價為“好評”時，第一次“好評”加1分，從第二次開始，以后每次“好評”加dn，dn為加分系數(shù)。

2）當評價為“中評”時，不計分。

3）當評價為“差評”時，某信用級別的賣家一次“差評”扣hn。hn為扣分系數(shù)，隨著信用等級越高，扣分系數(shù)越大，這樣增加了賣家詐騙的機會成本。

考慮到買家與賣家之間就同一商品進行多次交易其信任無效的情況，規(guī)定買家與賣家之間對同一商品進行多次交易時，給一天內(nèi)不同商品的評價只計一次。14天內(nèi)，買家與賣家之間就同一商品進行多次交易時，評價都只計一次。

首先，對交易商品價格和賣家的信用等級進行區(qū)間劃分，將交易商品的價格分段為［X1，Y1］，［X2，Y2］，［X3，Y3］，……。根據(jù)賣家信用值的范圍將賣家信用等級分為n 級：［x1，y1］，［x2，y2］，［x3，y3］，……，［xn－1，yn－1］，［xn，yn］，設(shè)信用值的初始值為0。在所有的交易中，考慮到交易失敗的情況，對每個信用等級設(shè)定相應(yīng)的交易失敗率閾值fn，fn是預(yù)期的交易失敗率的最大值，在這個值的范圍內(nèi)，認為交易是安全可行的。超出這個值的范圍，則會受到懲罰，使賣家的信用值降低一個級別。設(shè)賣家的信用值區(qū)間為［x，y］，賣家想從這個信用等級升到更高一個信用等級，需要的交易次數(shù)至少是y－x，在這個交易數(shù)中，賣家的信用值要想不被降低一個等級，則失敗的交易次數(shù)m需滿足的條件為：m＜fn×（y－x）。假設(shè)某賣家的信用值為a，要使得交易失敗次數(shù)在允許的最大值下，賣家的信用值被降低一個等級，需要滿足的條件為：a－n×hi＜＝x，其中hi為當前信用等級的扣分系數(shù)。于是，hn＞＝（a－x）／m，而m＜＝fn×（y－x），所以hn＞＝ （a－x）／fn×（y－x）。又max（（a－x）／fn×（y－x））＝1／fn，所以，hn＞＝1／fn。

目前，現(xiàn)有的信用評價模型在計算某個賣家的信用值時，均未考慮提交信用反饋評分用戶的信用值，這為交易雙方之間進行互相評分提供了可乘之機，容易受到信用詆毀、惡意推薦等行為的影響。因此，在這里引入了買家的信用值權(quán)重E，E為賣家的信用值e與所有買家平均信用值的比率。

根據(jù)以上說明，給出如下基于多影響因素的信用計分模型，即在有限次交易后，用戶的信用值采用以下模型計算：

1）當評價為“好評”時，Rn＝ Rn－1＋ dn；Rn－1為賣家前一次交易的信用值，dn為本次交易的加分系數(shù)dn＝（N（Фn）／N（∑Ф））×（e／ˉE）；N（Фn）為已經(jīng)完成的交易中商品價格落在Фn段中的商品數(shù)，N（∑Ф）為已經(jīng)交易完的總商品數(shù)。

2）當評價為“差評”時，Rn＝ Rn－1－h(huán)n；Rn－1為賣家前一次交易的信用值，dn為本次交易的扣分系數(shù)dn＝（1／fn）×（e／ˉE）。

3 模擬實驗及結(jié)果分析

采用Visual Basic for Applications進行信用計分方法實驗的模擬，實驗數(shù)據(jù)來源于淘寶網(wǎng)上某類女裝的賣家交易記錄。價格為原始數(shù)據(jù)，將商品價格分區(qū)間為：［10，60］，［60，140］，［140，240］，［240，390］，［390，500］，［500，800］，［800，1500］，［1500，2500］，［2500，4000］。將信用等級分為十級：［1，60］，［61，160］，［161，320］，［321，600］，［601，1000］，［1001，1600］，［1601，3000］，［3001，5000］，［5001，10000］，［10001，30000］。設(shè)信用值初值為0。根據(jù)對該類女裝的網(wǎng)上交易統(tǒng)計分析，設(shè)定fn的值依次為5／120，4／120，3／120，2／120，1／120，5／1500，4／1500，3／1500，2／1500，1／1500，則扣分系數(shù)hn依次為：24，30，40，60，120，200，375，500，750，1500。

為了描述方便，把淘寶網(wǎng)的信用模型簡稱為TB模型，改進后的模型簡稱為R模型。為了分析R模型與TB模型的信用計分方法不同，這里采用了一組具有該特征的數(shù)據(jù)進行了模擬實驗。

對改進前和改進后的兩個模型分別進行了300多次模擬實驗，從信用值增長方面對改進后的模型和原有的模型進行了詳細的對比分析。

3.1 歷史交易中只出現(xiàn)欺騙的情況

圖1 只有欺騙的信用值增長過程比較圖

當交易中出現(xiàn)欺騙行為時，TB模型的簡單累加信用值的計分方法是完全無能為力的，而R模型的信用計分方法，對交易中出現(xiàn)欺騙交易情況描述得很具體，同時也抑制了信用值的增長，這對買家在進行下一次交易時，判斷其交易的風險提供了有利的依據(jù)，對賣家在交易中的行為也起到了督促作用。

3.2 歷史交易中只出現(xiàn)信用炒作的情況

圖2 信用炒作的信用值增長過程比較圖

信用炒作現(xiàn)象1：賣家先通過銷售大量的低價商品，在短時間內(nèi)快速提高自己的信用等級，再轉(zhuǎn)銷售高價商品，這里采用了符合該特征的現(xiàn)實數(shù)據(jù)對其現(xiàn)象進行了分析，若采用TB模型的信用計分方法，即使沒有出現(xiàn)欺騙行為，但賣家在進行信用炒作之后，其信用值已經(jīng)大打折扣，買家則很容易相信目前的信用值。而采用R模型的信用計分方法，在賣家出售高價商品時，則會抑制其信用值的增長，對買家在進行下一次交易時，判斷交易的風險是有利的。同時，由圖2還可以看出，在交易低價商品時，R模型的計分方法對只出售低價商品的賣家是公平的。

3.3 歷史交易中欺騙和信用炒作同時出現(xiàn)的情況

圖3 信用炒作后欺騙的信用值增長過程

信用炒作現(xiàn)象2：賣家先通過銷售大量的低價商品，在短時間內(nèi)快速提高自己的信用等級，再轉(zhuǎn)銷售高價商品進行欺騙來獲取更多的利潤，這里采用了符合該特征的現(xiàn)實數(shù)據(jù)對其現(xiàn)象進行了分析，采用TB模型的計分方法，對信用炒作后的欺騙行為是無法遏制的，而采用R模型的計分方法，當賣家在由出售低價商品轉(zhuǎn)出售大量高價商品并且出現(xiàn)欺騙行為時，會抑制賣家信用值的增長，并對其行為進行處罰。由此可以看出，改進后的模型計分方法有效地防止了信用炒作。

4 結(jié)語

隨著C2C電子商務(wù)快速發(fā)展，淘寶等許多C2C電子商務(wù)網(wǎng)站紛紛建立了各自的信用評價體系，雖然在一定程度上提高了交易成功率，但許多商家為了快速提高信用等級來獲取更多的利潤，在交易中出現(xiàn)了欺詐、信用炒作等現(xiàn)象。因此，完善信用評價體系顯得尤為重要，它不僅減少了網(wǎng)絡(luò)交易詐騙行為，加強了個人信用體系的建設(shè)，而且促進了C2C電子商務(wù)網(wǎng)站的更大發(fā)展。

［1］Zhang W，Liu L，Zhu Y C.A Computational Trust Model for C2CAuctions［C］／／Proceedings of 2005International Conference on Services Systems and Services Management（ICSSSM’05），2005：726-719.

［2］Venkatraman Mahadevan，Yu Bin，Singh Munindar P.Trust and Reputation Management in a Small－World Network［C］／／Proceedings of the Fourth International Conference on MultiAgent Systems，2000：449-450.

［3］Ba S L，Whinston A B，Zhang H.Building Trust in Online Auction Markets Through an Economic Incentive Mechanism［J］.Decision Support Systems，2003，35：273-286.

［4］洪瓊，何剛.C2C電子商務(wù)網(wǎng)站信用評價模型的分析與研究［J］.中國管理信息化，2008（11）：96-97.