魯佳俐， 倪 靜

（上海理工大學(xué) 管理學(xué)院， 上海 200093）

0 引 言

隨著電子商務(wù)技術(shù)水平的不斷發(fā)展，線上交易中的信用問(wèn)題對(duì)平臺(tái)交易質(zhì)量和用戶體驗(yàn)感的影響也越發(fā)凸顯。 2020 年的“雙十一”，伴隨各電商平臺(tái)的交易額再創(chuàng)新高的同時(shí)，有關(guān)“消費(fèi)維權(quán)”類的投訴信息也居高不下，四大“老問(wèn)題”和八大“新風(fēng)險(xiǎn)”均與商戶信用相關(guān)。

電商信用評(píng)價(jià)體系是指買賣雙方在線上平臺(tái)進(jìn)行交易后，對(duì)該交易過(guò)程的一系列反饋機(jī)制反映出雙方的信用狀況。 對(duì)于電商信用研究方面，王興標(biāo)等認(rèn)為，系統(tǒng)質(zhì)量、信息質(zhì)量、產(chǎn)品質(zhì)量、服務(wù)質(zhì)量均不同程度影響消費(fèi)者感知信任；Meilatinova認(rèn)為，信任與滿意度對(duì)回購(gòu)意愿和口碑有正向影響，且信任與滿意度同時(shí)受到聲譽(yù)和信息質(zhì)量的正向影響；FAN 等識(shí)別了電子商務(wù)中消費(fèi)者信任驅(qū)動(dòng)因素之間的相互依賴性，且證實(shí)信任傾向是消費(fèi)者信任的最重要決定因素；張朝暉等通過(guò)交易成功率及購(gòu)買推薦度構(gòu)建信任關(guān)系矩陣計(jì)算全局信用度，構(gòu)建信用評(píng)價(jià)模型；霍紅等從基本信息、交易信息、產(chǎn)品因素、物流因素4 個(gè)維度，采用直覺模糊層次分析，對(duì)零售電子商務(wù)商家信用進(jìn)行研究；王晗等將電商交易整體流程劃分為交易前、中、后3 個(gè)階段，提出基于交易三階段的電商信用評(píng)價(jià)模型；劉雅瀟等認(rèn)為，信用評(píng)估是根據(jù)若干原始資料，通過(guò)綜合考察影響因素并用嚴(yán)謹(jǐn)?shù)姆治龇椒ńo出信用等級(jí)。

對(duì)于評(píng)價(jià)模型決策方法研究方面，江義火等引入信用積分法，對(duì)電商交易商品價(jià)格進(jìn)行區(qū)間劃分，提出基于決策分析的電商交易信用度評(píng)價(jià)方法；吳澎等對(duì)語(yǔ)言評(píng)論信息，采用群決策方法對(duì)電商信用風(fēng)險(xiǎn)進(jìn)行研究；孫向宇等將層次屬性模型方法與灰色評(píng)價(jià)方法相結(jié)合，解決了多屬性決策過(guò)程中一致性判斷與評(píng)價(jià)結(jié)果不客觀的問(wèn)題；杜志平建立了超效率DEA－IAHP 法的電商物流企業(yè)績(jī)效評(píng)價(jià)方法。

大部分電商平臺(tái)對(duì)于商戶的信用度評(píng)價(jià)計(jì)量方式沿用eBay 網(wǎng)所采用的方法，即僅按照已進(jìn)行交易行為的買方用戶的評(píng)價(jià)極性來(lái)進(jìn)行評(píng)估，未考慮商戶其它相關(guān)屬性的影響。 由于網(wǎng)絡(luò)規(guī)模不斷擴(kuò)大，電商平臺(tái)用戶數(shù)量呈現(xiàn)快速增長(zhǎng)趨勢(shì)，原本平臺(tái)使用的信用評(píng)價(jià)體系及其評(píng)價(jià)機(jī)制的弊端越來(lái)越顯現(xiàn)，由此導(dǎo)致交易體驗(yàn)感變差及交易質(zhì)量的下降，從而影響成交量，可能最終會(huì)導(dǎo)致整個(gè)平臺(tái)聲譽(yù)變差，用戶忠誠(chéng)度下降。

現(xiàn)有的電商信用評(píng)價(jià)方法主要有兩方面的問(wèn)題：一方面，沿用過(guò)去信用累計(jì)評(píng)價(jià)算法，根據(jù)用戶電商信用評(píng)價(jià)性質(zhì)進(jìn)行累加，所參考的數(shù)據(jù)單一，評(píng)價(jià)方法簡(jiǎn)單，不能全面反映電商商戶實(shí)際信用；另一方面，所構(gòu)建的電商信用評(píng)價(jià)指標(biāo)體系不夠全面不夠科學(xué)，賦權(quán)方法過(guò)于主觀或客觀，綜合評(píng)價(jià)部分未考慮決策者個(gè)性偏好。 針對(duì)電商信用評(píng)價(jià)問(wèn)題，本文從商品信息、用戶交易評(píng)價(jià)信息、服務(wù)質(zhì)量信息、商戶資質(zhì)信息4 個(gè)維度出發(fā)，構(gòu)建多屬性電商信用評(píng)價(jià)體系，提出一種基于信息因子修正混合交叉賦權(quán)的多屬性電商信用評(píng)價(jià)模型。 該模型能更全面、科學(xué)、有效地對(duì)多屬性電商商戶的信用進(jìn)行綜合評(píng)價(jià)，從而提升用戶交易質(zhì)量及交易成功率。

1 電商信用評(píng)價(jià)指標(biāo)體系

電商信用評(píng)價(jià)指標(biāo)體系的構(gòu)建，需要通過(guò)多維度、多角度、客觀實(shí)用、科學(xué)有效地對(duì)信用進(jìn)行衡量。因此，本文參考文獻(xiàn)［14－16］中提出的部分指標(biāo)，并根據(jù)當(dāng)前電商平臺(tái)上用戶可直接看到的屬性指標(biāo)進(jìn)行補(bǔ)充，利用商品信息、用戶交易評(píng)價(jià)信息、服務(wù)質(zhì)量信息、商戶資質(zhì)信息進(jìn)行構(gòu)建。 電商信用評(píng)價(jià)指標(biāo)，見表1。

表1 電商信用評(píng)價(jià)指標(biāo)Tab.1 E－commerce credit evaluation indicators

2 模型構(gòu)建

2.1 評(píng)價(jià)指標(biāo)標(biāo)準(zhǔn)化處理

假設(shè)：電商信用評(píng)價(jià)指標(biāo)體系有家待評(píng)價(jià)商戶{，，…，T}；項(xiàng) 信 用 評(píng) 價(jià) 指 標(biāo){，，…，D}；y為各商戶評(píng)價(jià)指標(biāo)值。 不同評(píng)價(jià)指標(biāo)類型和量綱各不相同，故需要對(duì)原始評(píng)價(jià)矩陣中的指標(biāo)值進(jìn)行標(biāo)準(zhǔn)化處理，由此得到標(biāo)準(zhǔn)化評(píng)價(jià)矩陣(x) 。

其中，x為效益型指標(biāo)時(shí)：

x為成本型指標(biāo)時(shí)：

2.2 權(quán)重確定方法

評(píng)價(jià)模型構(gòu)建主要分為指標(biāo)賦權(quán)與待評(píng)價(jià)對(duì)象排序兩個(gè)方面。 指標(biāo)賦權(quán)又可以分為主觀賦權(quán)、客觀賦權(quán)以及組合賦權(quán)。 其中，主觀賦權(quán)的缺陷在于受評(píng)價(jià)者本身的專業(yè)局限和主觀偏好影響，導(dǎo)致偏差，從而降低結(jié)果可靠性；客觀賦權(quán)主要根據(jù)數(shù)據(jù)分布特征進(jìn)行分析賦權(quán)，而無(wú)法體現(xiàn)專家意見。 因此，本文引入改進(jìn)CRITIC 法中信息因子修正G1 賦權(quán)法（ICRITIC－GI），構(gòu)建兼顧主客觀意義的混合交叉權(quán)重，由此可提高決策準(zhǔn)確性。

2.2.1 引入信息因子的改進(jìn)CRITIC 法

CRITIC（Criteria Importance Though Intercriteria Correlation）方法是一種客觀賦權(quán)方法，該方法的主要思想是考慮同一指標(biāo)數(shù)據(jù)的對(duì)比強(qiáng)度與不同指標(biāo)間數(shù)據(jù)的沖突性。 原CRITIC 方法在確定信息量的過(guò)程中，在考慮標(biāo)準(zhǔn)差時(shí)，并未考慮到標(biāo)準(zhǔn)差易受數(shù)據(jù)量綱及均值影響。 基于實(shí)際數(shù)據(jù)特征表達(dá)單一的問(wèn)題，故在原CRITIC 方法基礎(chǔ)上，引入信息熵構(gòu)成的差異系數(shù)、標(biāo)準(zhǔn)差與平均值構(gòu)成的變異系數(shù)，以及改進(jìn)沖突系數(shù)的概念。 差異系數(shù)反映指標(biāo)間的離散性，而變異系數(shù)反映了指標(biāo)對(duì)比強(qiáng)度，改進(jìn)沖突系數(shù)彌補(bǔ)了在計(jì)算過(guò)程中相關(guān)系數(shù)的政府性所反映的沖突程度。 利用融合指標(biāo)數(shù)據(jù)間的離散程度、對(duì)比強(qiáng)度及沖突程度，構(gòu)建指標(biāo)信息因子。 具體步驟為：

（1）計(jì)算指標(biāo)間相關(guān)系數(shù)：

r為第項(xiàng)指標(biāo)和第項(xiàng)指標(biāo)之間的相關(guān)系數(shù)，公式為：

（2）計(jì)算第項(xiàng)指標(biāo)的改進(jìn)沖突系數(shù)G：

（3）計(jì)算第項(xiàng)指標(biāo)的信息熵值E： 信息熵用來(lái)表示系統(tǒng)的混亂程度，其計(jì)算公式為：

（4）計(jì)算第項(xiàng)指標(biāo)的差異系數(shù)D：

（5）計(jì)算第項(xiàng)指標(biāo)的變異系數(shù)φ：

其中，σ為第項(xiàng)指標(biāo)的標(biāo)準(zhǔn)差。

（6）計(jì)算第項(xiàng)指標(biāo)信息因子C：

（7）計(jì)算第項(xiàng)指標(biāo)的客觀權(quán)重υ：

2.2.2 G1 賦權(quán)法

針對(duì)層次分析法存在的問(wèn)題，郭亞軍等提出了一種無(wú)需一致性檢驗(yàn)的賦權(quán)方法－－－G1 賦權(quán)法。其主要思想是通過(guò)專家對(duì)指標(biāo)進(jìn)行排序，反映指標(biāo)的重要程度。 該方法的實(shí)現(xiàn)步驟如下：

（1）通過(guò)專家訪談，根據(jù)專家給出的意見對(duì)指標(biāo)按照重要程度進(jìn)行排序。 由專家確定的指標(biāo)順序計(jì)算相鄰指標(biāo)I和I之間的重要程度比例Z。

（2）根據(jù)Z計(jì)算1 賦權(quán)法的權(quán)重：

其中，h為第項(xiàng)指標(biāo)的G1 法權(quán)重。

（3）由h可確定第1，2，…，3，2 項(xiàng)指標(biāo)的權(quán)重：

2.2.3 基于改進(jìn)CRITIC 信息因子修正G1 賦權(quán)法

為了避免單一賦權(quán)法所帶來(lái)的主觀影響或忽略指標(biāo)數(shù)據(jù)實(shí)際意義的問(wèn)題，本文通過(guò)改進(jìn)CRITIC法，引入信息因子C， 來(lái)確定同一準(zhǔn)則層下相鄰指標(biāo)的重要程度之比；再由修正的G1 賦權(quán)法中得到相鄰指標(biāo)重要程度之比z；由此構(gòu)建了基于信息因子修正的混合交叉賦權(quán)法，來(lái)確定評(píng)價(jià)體系的指標(biāo)權(quán)重。 該方法既可以體現(xiàn)專家主觀因素，又能反映客觀數(shù)據(jù)關(guān)聯(lián)信息優(yōu)化賦權(quán)。 實(shí)現(xiàn)步驟如下：

（1）由專家根據(jù)自身偏好及經(jīng)驗(yàn)，對(duì)同一準(zhǔn)則層下評(píng)價(jià)指標(biāo)的重要程度進(jìn)行排序，即對(duì)集合{I}(1，2，…，) 中的元素按重要性進(jìn)行排序，可表示為I?I…?I…?I。 其中，重要程度最高的指標(biāo)為I、最低的指標(biāo)為I。

（2）利用改進(jìn)CRITIC 法，計(jì)算各指標(biāo)的信息因子C。 引入信息因子修正指標(biāo)I與I的重要程度比值z：

（3）確定第項(xiàng)評(píng)價(jià)指標(biāo)的G1 賦權(quán)法權(quán)重：

（4）由上述權(quán)重h可得第1，2，…，3，2項(xiàng)指標(biāo)的權(quán)重：

（5）計(jì)算各層指標(biāo)對(duì)于目標(biāo)層的權(quán)重W：

其中，為指標(biāo)層指標(biāo)進(jìn)行混合交叉賦權(quán)得到的權(quán)重，為準(zhǔn)則層指標(biāo)進(jìn)行混合交叉賦權(quán)得到的權(quán)重。

（6）由上式可得主客觀混合交叉權(quán)重，按原指標(biāo)順序進(jìn)行排序后，可得到權(quán)重向量：

2.3 綜合評(píng)價(jià)排序選擇

由于電商信用評(píng)價(jià)屬于多屬性決策，由于VIKOR（Vise Kriterijumska Optimizacija Kompromisno Resenje）法綜合考慮了最大化群體效用和最小化個(gè)體遺憾，同時(shí)VIKOR 方法中的決策系數(shù)體現(xiàn)了決策者在決策時(shí)的個(gè)性偏好，由此更能體現(xiàn)模型的科學(xué)性及靈活性。

2.3.1 VIKOR 方法

VIKOR 是一種常用的多屬性綜合評(píng)價(jià)方法，主要通過(guò)確定正負(fù)最理想解，計(jì)算每個(gè)待評(píng)價(jià)對(duì)象與理想解的距離，并對(duì)其進(jìn)行賦權(quán)，計(jì)算其群體效用值、個(gè)體遺憾值、折中值，根據(jù)最終計(jì)算結(jié)果對(duì)評(píng)價(jià)對(duì)象進(jìn)行排序，得到帶有優(yōu)先序的折中方案。 該方法適用于決策者面對(duì)多屬性問(wèn)題進(jìn)行決策時(shí)猶豫不決且能夠接受折中方案的情況。 具體實(shí)現(xiàn)步驟為：

（1）確定正負(fù)理想解：

（2）確定待評(píng)價(jià)對(duì)象的群體效用值S以及個(gè)體遺憾值R：

（3）計(jì)算每個(gè)待評(píng)價(jià)對(duì)象的利益比率（折中值） Q：

其中，為決策機(jī)制系數(shù)，且∈ 0，1[ ] 。 其值可根據(jù)問(wèn)題的實(shí)際意義進(jìn)行調(diào)整。 當(dāng)05時(shí)，表示決策者偏重考慮全局指標(biāo)進(jìn)行信用評(píng)價(jià)；當(dāng)05 時(shí)，表示決策者偏重指標(biāo)體系中的某一指標(biāo)進(jìn)行信用評(píng)價(jià)；當(dāng)05 時(shí)，表示決策者均衡考慮全局指標(biāo)及個(gè)別指標(biāo)進(jìn)行評(píng)價(jià)。

最后根據(jù)、、值對(duì)商戶進(jìn)行排序，值越小，表示該商戶信用度越高。

2.3.2 排序擇優(yōu)折中準(zhǔn)則

通過(guò)VIKOR 方法得到群體效用值、個(gè)體遺憾值以及折中值后，若根據(jù)折中值升序進(jìn)行排序，結(jié)果為，，…，Q，…，Q。

若商戶滿足以下兩個(gè)準(zhǔn)則，則商戶信用度為最佳選擇。

若排位第一的商戶同時(shí)滿足以下4 個(gè)條件，則其為信用最高的商戶。

若排位第一的商戶不能同時(shí)滿足上述4 個(gè)條件，則需分兩種情況來(lái)確定折中解集：

若上述商戶對(duì)準(zhǔn)則1 條件的滿足情況為：

則其折中解集為{， }。 其中，為排名第一的商戶，為排名第二的商戶。

若排位第一的商戶不能滿足情況1 中的第二個(gè)條件，即滿足：

3 實(shí)例分析

3.1 信用評(píng)價(jià)模型驗(yàn)證

以國(guó)內(nèi)電商平臺(tái)淘寶商城中的商戶為例，驗(yàn)證本文提出的電商信用評(píng)價(jià)模型的有效性及科學(xué)性。實(shí)驗(yàn)環(huán)境為操作系統(tǒng)64 位Window10，數(shù)據(jù)處理采用SPSS.25 進(jìn)行相關(guān)性分析，編程語(yǔ)言采用Python。選擇該平臺(tái)主營(yíng)3C 數(shù)碼產(chǎn)品的不同商戶作為研究目標(biāo)；選取小型家用電烤箱為目標(biāo)商品。 根據(jù)文章所構(gòu)建的電商信用評(píng)價(jià)指標(biāo)體系中21 項(xiàng)指標(biāo)，通過(guò)八爪魚等軟件進(jìn)行相關(guān)數(shù)據(jù)采集。 具體步驟如下：

（1）數(shù)據(jù)預(yù)處理：剔除某些數(shù)據(jù)不全、開店年限過(guò)短以及近一個(gè)月未進(jìn)行經(jīng)營(yíng)活動(dòng)的商戶，隨機(jī)選擇12 家商戶數(shù)據(jù)進(jìn)行信用評(píng)價(jià)。

（2）通過(guò)相關(guān)系數(shù)提取關(guān)鍵性指標(biāo)。 根據(jù)公式（4）、（5）計(jì)算指標(biāo)間相關(guān)系數(shù)。 當(dāng)r ＞09 時(shí)，表明第項(xiàng)和第項(xiàng)指標(biāo)之間存在高相關(guān)性。 以指標(biāo)間是否存在相互包含及是否具有代表性為依據(jù)，進(jìn)行指標(biāo)篩選。 根據(jù)計(jì)算結(jié)果，以用戶交易評(píng)價(jià)信息為例，其中追加評(píng)論數(shù)量（2）、 評(píng)論描述相符（3）、評(píng)論服務(wù)態(tài)度（4）、評(píng)論物流服務(wù)（5） 這4項(xiàng)指標(biāo)的相關(guān)系數(shù)較大。 選取3 作為關(guān)鍵性指標(biāo)。 同理分別剔除了資質(zhì)認(rèn)證（2）、 注冊(cè)資本（3）、店鋪收藏?cái)?shù)（7） 等6 項(xiàng)指標(biāo)。

（3）對(duì)原始評(píng)價(jià)矩陣按照指標(biāo)性質(zhì)公式（1）、（2）進(jìn)行標(biāo)準(zhǔn)化處理。 根據(jù)標(biāo)準(zhǔn)化數(shù)據(jù)基于信息因子修正的混合交叉賦權(quán)法，確定信用評(píng)價(jià)指標(biāo)權(quán)重。

①對(duì)電商信用評(píng)價(jià)體系中的指標(biāo)按照準(zhǔn)則層和每個(gè)準(zhǔn)則層下的指標(biāo)層指標(biāo)進(jìn)行排序。 指標(biāo)優(yōu)先序通過(guò)向?qū)＜野l(fā)放問(wèn)卷，匯總得到最終指標(biāo)排序。 以商家資質(zhì)信息為例，經(jīng)過(guò)匯總專家意見得到的指標(biāo)優(yōu)先序?yàn)椋?/p>

可表示為：U?U?U?U?U

②按照指標(biāo)優(yōu)先序，重新對(duì)指標(biāo)及數(shù)據(jù)進(jìn)行排序。 引入各指標(biāo)信息因子（根據(jù)式（3）～式（10）計(jì)算），再根據(jù)信息因子，通過(guò)公式（14）～公式（16），修正指標(biāo)間的重要程度值與G1 賦權(quán)法權(quán)重，最后確定混合交叉權(quán)重。 通過(guò)對(duì)每個(gè)準(zhǔn)則層下的指標(biāo)信息量求和，得到該準(zhǔn)則層的信息量。 采用同樣方法，即可得到各準(zhǔn)則層權(quán)重。

③根據(jù)準(zhǔn)則層及指標(biāo)層權(quán)重，通過(guò)公式（17）、（18）最終確定各指標(biāo)權(quán)重。 各層指標(biāo)信息因子、G1權(quán)重及混合交叉權(quán)重見表2。

表2 指標(biāo)權(quán)重表Tab.2 Index weight table

（4）根據(jù)上述權(quán)重，引入VIKOR 法通過(guò)公式（19）～（23），綜合考慮群體效用值和個(gè)體遺憾值。決策系數(shù)取0.5，計(jì)算、、值并進(jìn)行排序。 具體數(shù)值分布趨勢(shì)如圖1 所示。

圖1 S、R、Q 數(shù)值分布Fig.1 S、R、Q numerical distribution

表3 各商戶的S、R、Q 值及排序結(jié)果Tab.3 S、 R、Q values and ranking results of each merchant

綜上，經(jīng)基于信息因子修正的多屬性電商信用評(píng)價(jià)模型計(jì)算，得出商戶8 和商戶6 信用度較高，決策者可首先從這2 家商戶中選擇進(jìn)行交易。

3.2 對(duì)比分析

3.2.1 靈敏度分析

根據(jù)計(jì)算結(jié)果可以得出，VIKOR 方法可以根據(jù)決策者的個(gè)人偏好，通過(guò)改變決策系數(shù)的數(shù)值，反映決策者對(duì)于商戶信用度的主觀認(rèn)知。 基于參數(shù)的變化，取數(shù)值間隔為0.2 進(jìn)行計(jì)算，排序結(jié)果如圖2 所示。

圖2 決策系數(shù)λ 對(duì)模型結(jié)果影響Fig.2 Influence of decision coefficient λ on model result

若決策者性格較為激進(jìn)，即更看重單個(gè)指標(biāo)數(shù)據(jù)，可考慮取值小于0.5；若決策者性格較為保守，即更看重整體指標(biāo)數(shù)據(jù)，則可考慮取值大于0.5；若決策者兼顧群體效用和個(gè)體遺憾，則可折中考慮，將取值為0.5。 由圖2 可知，當(dāng)決策系數(shù)小于0.5時(shí)，決策者傾向于個(gè)體遺憾最小化，根據(jù)Q 值可選擇折中解集中的商戶6 作為交易最優(yōu)選擇；當(dāng)決策系數(shù)大于0.5 時(shí)，決策者傾向于群體效用最大化，可選擇商戶8 作為交易最優(yōu)選擇。

3.2.2 模型對(duì)比

為驗(yàn)證本文方法的有效性及準(zhǔn)確性，分別以ICRITIC－GI 法以及熵 權(quán) 法得 到權(quán) 重，采用VIKOR 與TOPSIS 法評(píng)價(jià)排序，對(duì)比結(jié)果見表4。

表4 模型對(duì)比Tab.4 Model comparison

比較6 種情況的排序結(jié)果，其Spearman 相關(guān)系數(shù)均大于0.85，說(shuō)明該排序結(jié)果相似性較高。 6 種模型排名結(jié)果第一的都為，其中小部分排序出現(xiàn)差異，原因在于：

（1）在權(quán)重部分，熵權(quán)法僅考慮了數(shù)據(jù)分布，易受數(shù)據(jù)量綱影響。

（2）兩種主要排序方法都考慮了多屬性影響。VIKOR 方法考慮到群體效用最大化與個(gè)體遺憾最小化，而TOPSIS 方法僅考慮了與正負(fù)理想值之間的差距。 具體表現(xiàn)為，商戶1 的月內(nèi)銷量較高，但商戶6 的商品收藏?cái)?shù)、用戶評(píng)論數(shù)量、服務(wù)質(zhì)量、店鋪粉絲數(shù)、店鋪月銷量均遠(yuǎn)遠(yuǎn)高于商戶1，這是由于量綱不同且指標(biāo)數(shù)值變動(dòng)幅度過(guò)大，該指標(biāo)的權(quán)重也隨之增大，從而忽略了其他指標(biāo)的重要性。 由此可見，本文提出的模型，體現(xiàn)了關(guān)鍵指標(biāo)在決策過(guò)程中的重要程度，所得結(jié)果也更符合實(shí)際。

3.2.3 平臺(tái)信用評(píng)價(jià)模型對(duì)比

將實(shí)例所得信用排序結(jié)果與淘寶平臺(tái)的信用評(píng)價(jià)等級(jí)數(shù)據(jù)進(jìn)行對(duì)比，驗(yàn)證了本文提出信用評(píng)價(jià)方法的適用性。 具體數(shù)據(jù)見表5。 通過(guò)對(duì)比發(fā)現(xiàn)，本文評(píng)價(jià)模型所得結(jié)果與平臺(tái)現(xiàn)行對(duì)商戶信用的評(píng)價(jià)結(jié)果差別較為明顯，其主要原因在于：

（1）淘寶平臺(tái)現(xiàn)行使用的信用評(píng)價(jià)模型所考慮的維度太少。 而本文通過(guò)4 個(gè)維度構(gòu)建電商信用評(píng)價(jià)體系，不僅涵蓋了平臺(tái)現(xiàn)行信用模型所考慮的用戶評(píng)價(jià)部分，同時(shí)還涵蓋了商品信息、商戶服務(wù)質(zhì)量、商戶資質(zhì)等動(dòng)靜態(tài)因素，使其結(jié)果更真實(shí)、全面、準(zhǔn)確。

（2）淘寶平臺(tái)現(xiàn)行使用的評(píng)價(jià)模型對(duì)于商戶信用等級(jí)劃分過(guò)于模糊，閾值太大。 見表5 中累計(jì)信用等級(jí)，按照平臺(tái)信用評(píng)價(jià)結(jié)果進(jìn)行排序，排名第一的商戶共有6 家，而僅憑借平臺(tái)信用等級(jí)用戶無(wú)法在此6 家商戶中辨別信用度更高的商戶，故其結(jié)果不利于用戶進(jìn)行交易選擇。

表5 與平臺(tái)信用排序結(jié)果對(duì)比Tab.5 Comparison with the platform credit ranking results

相比之下，本文提出的信用評(píng)價(jià)模型通過(guò)主客觀賦權(quán)法進(jìn)行混合交叉賦權(quán)，體現(xiàn)了指標(biāo)之間的區(qū)分度，采用VIKOR 方法解決最大群體效用與最小個(gè)體遺憾問(wèn)題，得到的排序結(jié)果科學(xué)性綜合性更強(qiáng)。

4 結(jié)束語(yǔ)

本文針對(duì)電商信用問(wèn)題，從4 個(gè)維度構(gòu)建了電商信用評(píng)價(jià)體系，提出基于信息因子修正的多屬性電商信用評(píng)價(jià)模型。 該模型通過(guò)引入改進(jìn)CRITIC方法中的信息因子，修正G1 法中的指標(biāo)重要程度，進(jìn)行混合交叉確定權(quán)重，有效結(jié)合評(píng)價(jià)指標(biāo)的相關(guān)性、差異性、變異性以及專家主觀意見，主客觀結(jié)合賦權(quán)方法，對(duì)數(shù)據(jù)具有更高的評(píng)價(jià)靈敏度。 案例分析結(jié)果驗(yàn)證了本文提出的模型可以更科學(xué)、全面、有針對(duì)性地對(duì)多屬性電商商戶進(jìn)行信用評(píng)價(jià)。 通過(guò)本文模型與傳統(tǒng)評(píng)價(jià)模型以及電商平臺(tái)現(xiàn)行使用的信用評(píng)價(jià)模型進(jìn)行對(duì)比，證明本文提出的模型具有較大利用價(jià)值與實(shí)際意義。 根據(jù)商戶多屬性綜合考慮，有助于平臺(tái)用戶遴選信用度高的商戶進(jìn)行交易，提升了交易的成功率及購(gòu)物體驗(yàn)感。