C2C电子商务论文,动态信用评价论文,卖家信用计量论文,因子分析法论文

摘要

目前，C2C在线信用评价模型广泛采用的是基于eBay的在线信用评价方法。该模型易受交易量累计的影响，且存在信用信息模糊、买家评价表达受限、信用价值成分不健全及评价节点固定滞后等问题，难以提供精细化的信用信息刻画单笔交易卖家信用的动态变化，导致信用评价结果缺乏有效性。因此，如何创新与完善现有的在线信用评价方法以解决当前的突出问题是C2C电子商务发展的关键所在。本文旨在为买家提供丰富在线信用参考信息的同时，弥补现有对卖家信用动态性研究仅表现在信用整体性上而难以刻画和表达微观信用状况的不足。主要研究内容如下：

首先，着重辨析了电子商务环境下信用与信誉、信任的区别与内涵，界定了电子商务信用的研究范畴；分析了现有基于累积加权的C2C信用评价模型所存在的问题，提出了基于信用价值关联的电子商务信用评价机制改进方案；针对现有卖家信用动态性研究仅体现在宏观整体性上这一问题，从单笔交易微观信用视角出发，以信用本义——承诺及承诺的兑现程度为源，根据信用主体及作用时间节点划分单笔交易卖家初始信用的影响因素；利用因子分析法确定卖家初始信用的因子构成，构建了卖家初始信用计量模型，进而对单笔交易前卖家的初始信用进行了量化，为定量刻画单笔交易全过程的卖家信用作好铺垫。

其次，提出了基于卖家初始信用的C2C电子商务动态信用评价方法，并建立了单笔交易信用评价指标体系；利用改进的灰色关联分析算法对单笔交易全过程的多维信用评价时间序列进行波动趋势分析，同时借助FEM-TC模糊聚类算法对各评价序列相似程度进行聚类分析，并构建了基于多维信用评价序列的动态信用评价模型。

最后，选择10家淘宝合作店铺，通过开发在线动态信用评价调研系统收集在线交易信用评价数据进行实证分析。根据灰色模糊聚类算法动态观察单笔交易卖家信用变化趋势及波动情况，并结合卖家实际经营情况，分析和论证了模型可以解决现有在线信用评价模型所存在的问题，同时达到了定量刻画单笔交易全过程卖家信用的目的，实现了对不同卖家信用等级的客观划分，信用评价结果有效性得到了进一步提高。

关键词：C2C电子商务,动态信用评价,卖家信用计量,因子分析法

目录

摘要I

ABSTRACTII

第1章绪论1

1.1研究背景1

1.2研究意义2

1.2.1理论意义2

1.2.2现实意义2

1.3国内外研究现状3

1.3.1国外研究现状3

1.3.2国内研究现状6

1.3.3国内外研究评述8

1.4研究内容及方法9

1.4.1研究内容9

1.4.2研究方法10

1.4.3研究技术路线11

第2章相关理论12

2.1信用基本概念12

2.1.1信用的定义12

2.1.3电子商务信用13

2.1.2电子商务信用相关概念辨析14

2.2信用评价概念15

2.2.1信用评价定义15

2.2.2电子商务信用评价17

2.2.3C2C电子商务信用评价17

2.3理论方法18

2.3.1因子分析法18

2.3.2灰色关联分析法20

2.3.3模糊聚类算法21

2.4本章小结23

第3章C2C电子商务信用评价机制及有效性分析25

3.1C2C电子商务信用评价机制25

3.1.1C2C电子商务信用评价原理25

3.1.2C2C电子商务信用评价模型分析27

3.1.3C2C电子商务信用评价动态性分析29

3.2C2C电子商务信用评价机制有效性分析30

3.3C2C电子商务信用评价机制改进方案32

3.4本章小结33

第4章C2C卖家初始信用构成及其计量模型构建34

4.1卖家初始信用概念界定34

4.2卖家初始信用影响因素的识别35

4.3问卷设计与数据分析38

4.3.1问卷设计38

4.3.2描述性统计分析39

4.3.3探索性因子分析41

4.3.4验证性因子分析44

4.4卖家初始信用构成成分提取47

4.5卖家初始信用计量模型与实证分析49

4.5.1卖家初始信用计量模型的构建49

4.5.2实证分析51

4.6本章小结52

第5章基于灰色模糊聚类的动态信用评价模型构建53

5.1基于卖家初始信用的在线动态信用评价机制53

5.1.1基于卖家初始信用的在线动态信用评价方法53

5.1.2单笔交易信用评价指标体系的建立55

5.1.3基于熵值法的评价指标权重设定57

5.2基于灰色模糊聚类的动态信用评价模型58

5.2.1灰色模糊聚类建模思想58

5.2.2多维信用评价时间序列的构建59

5.2.3基于多维信用评价序列的灰色关联算法改进60

5.2.4基于灰色关联的FEM-TC模糊聚类算法63

5.3本章小结65

第6章基于淘宝店铺的在线动态信用评价模型应用66

6.1实验方案设计66

6.2信用评价数据采集与处理69

6.2.1单笔交易卖家信用评价值结果计算69

6.2.2基于单笔交易的卖家信用评价值波动趋势分析72

6.2.3信用评价指标量化及其权重确定78

6.3卖家信用评级与结果讨论80

6.3.1确定卖家信用评价参考序列80

6.3.2信用评价序列灰色关联系数求解80

6.3.3信用评价序列灰色关联矩阵求解84

6.3.4欧氏距离法标定模糊相似矩阵85

6.3.5传递闭包法求解模糊等价矩阵87

6.3.6模糊等价矩阵动态聚类分析88

6.3.7结果讨论90

6.4本章小结93

结论94

参考文献

第1章绪论

1.1研究背景

目前，电子商务的发展在我国发展较快，尤其C2C电子商务发展十分迅猛，一路跃升为最为活跃的电子商务模式[1]。根据CNNIC2019年发布的《第43次互联网发展统计报告》显示，我国网络购物用户规模截至2018年12月已达6.10亿，较2017年增长14.4%，占整体网民比例达73.6%。手机网络购物用户规模达5.92亿，较2017年增长17.1%，使用比例达72.5%。网络支付用户规模达6.00亿，较2017年增加6930万，年增长率为13.0%，使用比例由68.8%提升至72.5%[2]。可见，在线网购已经成为一种国民消费习惯，是网民常态化的一种购物方式。

然而，在C2C电子商务交易中，由于参与双方都为个人，交易个体的相对分散、双方身份匿名、信息不对称以及机会主义等因素使得C2C电子商务下的信用问题越发凸显。电子商务使得传统的“熟人社会”变成现代的“陌生人社会”，快速发展的电子商务市场和传统的市场相比存在着更高程度的信息不对称问题。因此，网上交易特有的虚拟性极易诱导电子商务市场出现不诚信行为，根据CNNIC2016年发布的《中国网络购物市场研究报告》表明，网站/商家信誉成为网购用户决策时最为关注的因素之一，其关注度达到68.7%[3]。在线信用问题已成为互联网信用体系建设中不可回避的现实阻碍，严重制约着电子商务的发展，其严峻性也一直受到党和国家的热切关注。仅2018年，上至党中央，下至各部委几乎都曾针对电子商务信用相关的文件、规定和管理办法或进行审议、或颁布出台、或督促实施，其中包括《中华人民共和国电子商务法》、《电子商务信用》等在内电子商务信用办法的实施与推行。尽管在全社会的强烈关注下及相关政策的出台落实，在线信用问题依然是电子商务20多年来发展过程中的瓶颈所在。

面对日益严峻的在线信用问题，在线信用评价机制作为一种解决电子商务突出矛盾的有效办法被各大企业/网站纷纷采用。但受我国国情、历史发展及人们认知差异的约束，绝大多数企业/网站在引进在线信用评价机制解决电子商务信用问题之余，普遍照搬移植国外的在线信用评价方法。例如采用基于eBay“好评(+1)”、“中评(+0)”、“差评(-1)”累积加权的信用评价方法，结合其自动累计结果作为信用评价的依据，这一机制不仅提供信息含量少，信用评价效果也非常有限，并不能满足我国电子商务信用评价的现实需求[4,5]。同时未考虑到我国信用研究的历史及社会现状的背景，极易诱导恶意评价、职业好评师、职业差评师等不良现象发生，进一步使得信用评价结果缺乏参考性、有效性，难以反映客观的在线信用状况，严重制约电子商务的进一步发展。

1.2研究意义

1.2.1理论意义

面对C2C电子商务信用评价机制正在失效这一问题，目前学术界普遍最为关注的是如何提高在线信用评价机制的有效性。本文对已有的C2C电子商务信用评价模型在评价指标、评价动态性、评价激励机制以及评价方法等方面做了深入研究，结果发现大多数在线信用评价方案基本围绕着eBay信用评价方法进行改进，在提高信用评价结果的有效性方面却没有实质性的进展，且很少有学者注意到评价方法对于信用评价有效性的影响。本文首先在区分传统信用与电子商务信用的基础上，明确了电子商务信用的研究范畴，厘清了信用、信任、信誉的基本内涵，从信用本义出发，拓展了电子商务信用动态性的研究视角，形成了相对统一的微、宏观信用动态性研究思路。其次，以现有信用评价模型所得评价结果与其内在价值大幅度偏离这一共性问题为出发点，从C2C电子商务信用价值的角度拓展了信用评价结果与其信用价值之间的联系，并对单笔交易中的信用进行了定量计量，为刻画基于单笔交易的卖家信用动态变化提供研究借鉴。最后，提出了一种在线交易与评价表达同步进行的在线动态信用评价方法，从单笔交易微观视角的角度延伸了C2C电子商务信用评价理论。

1.2.2现实意义

本文围绕C2C电子商务信用评价模型如何提高信用评价结果的有效性展开，目的是信用评价结果更具科学性、可参考性，间接地实现信用动态实时监管与风险、欺诈识别能力。首先，本文从单笔交易的微观视角出发，借助基于交易流程的买家评价反馈刻画与表达单笔交易中卖家信用的动态变化，以买家真实的评价意愿作为评价表达，使得针对于卖家信用水平的刻画更为客观；其次，C2C电子商务信用评价模型涵盖了较为全面的影响因素，使得信用评价结果具备可参考性、有效性；再次，在线动态信用评价方法的提出有利于建立完整统一且相对稳定交易服务体系，兼顾商家与消费者共同利益，促进电商企业诚信的建立，减少买卖双方的利益冲突，避免卖家单纯以信用炒作为目的的行为，从而反馈真实信用状况，帮助建立更加公平、可信的电子商务交易环境，并有助于为政策制定部门与电商平台进行科学决策提供参考。

与以往的在线信用评价方法相比，本文创新性的提出的基于卖家初始信用的在线动态信用评价方法，主要体现在该信用评价方法根据买家的自发感知来调节卖家信用评价值以反映买家对卖家的信用评价表达，评价过程无人为干扰，打破了以往在线信用评价方法评价表达受限，信用评价信息模糊，受人为主观影响较大的局限，综合考虑了单笔交易过程中各方面的影响因素，从单笔交易的微观信用视角刻画和表达卖家的真实信用水平，为C2C电子商务卖家提升信用服务水平，优化服务结构提供参考，进而建立相对统一、公平的信用市场环境。

1.3国内外研究现状

针对在线信用评价问题，国外学者已开展了大量的探索性研究，并取得了众多研究成果；国内研究起步相对较晚，对在线信用关注和研究还相对较少，研究内容也较为分散，但国内学者已经开始广泛关注在线信用这一重要研究课题[6]。目前在线信用研究领域存在以下几个研究热点[7,8]：复杂社会网络下的在线信用研究，在线信用的形成机制，在线信用评价模型构建，在线信用和网络消费心理学的结合，在线信用评价与传统信用评级融入等问题。在在线信用评价模型构建方面，学者们的研究主要表现在以下几个方面：在线信用评价指标优化研究，在线信用评价动态性研究，在线信用评价结果有效性研究。此外，本文对当前电子商务动态信用综合评价也进行了文献述评分析。

1.3.1国外研究现状

1.3.1.1在线信用评价指标优化研究

eBay最早提出了基于累积加权的在线信用评价模型，但其信用评价结果并不能很好的反映交易主体的信用情况，与交易主体的实际信用表现存在偏离。于是国外学者对在线信用评价指标进行优化，以增设评价指标，细化评价信息的方式来增强评价模型对信用的量化能力，以提高评价结果的有效性[9,10]。Zhang等(2014)指出卖家先通过销售廉价商品累积高信用值，再以此欺骗买家购买高价值商品，因此在计算卖家信用时将商品分类，交易金额，交易时间等指标考虑在内[11]。Kim(2012)等结合专业知识与个人偏好对主观的、直接的评价进行细化来避免评价信息的不明确和分散，以提供更加个性化的信用评价结果[12]。Dholakia(2005)将平均购买价格、交易密度、历史交易记录等纳入到评价指标体系，综合反映交易过程中的卖家信用状况[13]。You(2011)等将商品价格、评价主体信用等指标引入到信用评价模型之中，以此识别买卖双方交易过程是否存在虚假评价，从而减少信用评价结果的不确定性[14]。Resnick(2000)提出在区分诚信卖家、阻止不诚信卖家交易行为的有效方式是建立有效的信用评价机制[15]。Lin(2014)等在前人的研究基础之上，将卖家历史交易量，评价主体及客体的信用水平考察到信用评价模型之中，以此减小信用评价结果与实际卖家信用表现之间的偏差[9]。Piao(2007)，Lin(2015)等指出当前的信用评价模型指标不能提供足够的差异化，因此应当增加买卖双方历史信用以及交易的数量、金额等指标来更加准确的反映出用户的信用[16,17]。Alsharif等(2018)提出一种在线信用评价方法，该方法在产品类型维度、销售产品数量维度和交易金额维度上度量新交易与过去交易之间的相似性，从而建立多维度的信用评价指标体系[18]。Dalvi等(2017)从评价语义的角度出发，提出基于上下文语境的在线信用评价系统，旨在协助消费者衡量卖家的可信度，以及甄别消费者评价观点是否具备参考性[19]。

1.3.1.2在线信用评价动态性研究

信用的形成是一个随时间变化的积累过程。但信用水平却随着时间动态变化，因此，对信用的评估不应是一种简单量的累积，还应是一个动态的反映过程。Dingledine(2000)等指出信用评价系统对信用一段时期内反映出来的准确性和对信用的及时反映能力，是判断信用评价质量和合理性的基本准则。但传统的累加信用评价模型，很难及时体现信用的动态变化[20]。Resnick(2002)等以eBay为例，论述了在电子商务交易过程中建立信任关系的复杂性，并指出基于买家评价反馈过程中，其现有评级系统对信用及时评估的不足[21]。Chang(2013)等指出卖家的信用表现是伴随交易一直处于动态变化之中，但基于eBay的信用评价模型并不能满足信用动态变化的现实[22]。同样，Vavilisa(2014)等认为现有信用评价体系失效的原因在于目前现有的信用评价系统并不能满足动态反映信用变化的目的。Zhang(2014)等通过对比分析现有的信用评价模型发现，现有的信用评价结果无法体现信用随交易变化的时间特性，仅能反映交易主体当前的信用水平，无法对过去，甚至未来的交易进行综合信用分析，因此应引入信用动态机制，联系历史信用综合判断交易主体的信用状况[23]。Wei(2017)等提出提出了社会电子商务在线声誉形成模型和社区国家引入模型，并进行了系统动态趋势模拟以捕获卖方，买方，社交电子商务平台和外部环境之间的关系以获得在线信誉[24]。Xu(2018)等以最优控制问题的形式提出了在线声誉动态反馈激励(DFI)模型，基于声誉评估的动态特性，考虑了交易长期内三个DFI模型[25]。

1.3.1.3在线信用评价结果有效性研究

现有电子商务在线评价机制中，卖家通过好评返现、好评送礼等手段直接干预买家真实意愿表达，造成评价结果的失真。学者们对在线信用激励机制的研究，发现通过相应激励机制的设计，能够有效调动评价者的积极性，获取丰富的评价信息，反映评价者真实意愿，提高评价结果的有效性。Dellarocas(2003)，Leszczynski(2011)等基于eBay的信用评价机制所产生的信用评价结果可能会带来负效应，卖家可能通过不正当的手段以影响卖家信用评价结果[26,27]。Resnick&Zeckhauser(2000)等学者对eBay信用评价机制进行实证研究之后发现，当买家给予卖家的评价率很低的时候，但卖家总体的好评率却很高，对这一反差现象的解释是由于买卖双方在交易过评价过程中，卖家向买家提供了一定的经济刺激，也有可能是买家担心在交易完成之后卖家的差评报复，因此象征性做出好评，造成信用评价结果失效，并与实际的卖家信用表现有所偏离[28]。Fan(2005)等指出当前的信誉机制缺乏持续的激励机制来保证卖家诚实经营[29]。而Reichling(2004)等指出买家反馈时具有选择性，买家评价态度呈“U型”分布所体现出的反馈偏差大大降低了信用评价系统的有效性[30]。Gaur(2011)等指出在线交易信用评价时，信用值的获取和丢失与该次交易的价值无关，卖家通过小额交易获取高信用后再进行高额交易欺骗[31]。国外研究表明目前的电子商务在线信用评价机制并不能很好地发挥有效作用，存在信用的评价结果与其内在价值的大幅度偏离问题。学者们尝试采用经济手段解决信用评价结果的价值偏离问题。Dellarocas(2003)通过研究发现，为了激励买家客观评价，提高信用评价结果的有效性，提出可以根据卖家承诺的商品质量与最终的买家反馈评价，适当设置相对应的激励资金[26]。Hennig-Thurau(2010)等的研究表明，经济刺激是消费者参与电子口碑行为的一个重要动机因子，是人们参与经验分享以及知识贡献的一个主要动机[32]。Lin(2015)等提出给评价者一定奖励，以提供更真实的评价[17]。Xu等(2018)研究发现现有大多数在线信誉评价系统，缺乏激励机制吸引评价者自愿提交反馈，导致所得出的反馈评价结果缺乏可靠性。因此，以最优控制的形式提出在线声誉动态反馈激励模型，以提高在线信誉评价机制的有效性[25]。Panagopoulos等(2017)研究发现现有

-5-

大多数在线信誉系统针对分散的电子商务社区信誉管理问题，但未整合到综合电子商务平台，所面临的信用欺诈风险增大。因此，提出基于反馈的信誉系统，最大限度地减少安全计划所产生的财务负担，提高信誉评价系统对恶意攻击、信用欺诈等不良失信行为的预警能力[33]。

1.3.1.4电子商务动态信用综合评价研究

对于电子商务动态信用评价的研究，国外学者Fan等(2005)提出了一种较为灵活的电子商务客户信用评估系统，并建立了相应的信用评估模型，该信用评估模型是由静态信用标准系统和动态信用标准系统两部分组成。其中动态信用标准系统包括表现能力，支付能力，业务能力和沟通印象四部分[34]。但未从交易过程的卖家信用行为表现出发进行动态信用评价，仅仅提出了动态评价的理论框架。Tao等(2015)针对跨境电子商务，利用大数据技术建立信用评估体系，并利用先进的机器学习工具进行培训和预测，建立完整的跨境电子商务生态与动态信用评估体系，其动态性表现在宏观整体层面上[35]。Meng等(2015)设计了一种改进的电子商务交易动态自适应信任算法。通过动态调整直接信任和反馈信任的权重。同时对历史数据交易，时间衰减等因素动态分析以优化权值的动态调整。该算法重在对电子商务历史信任因素权重的动态调整，以达到对先前历史信任评估值评判的准确性[36]。Liu等(2013)针对传统解决方案采用Baum-Welch算法来训练由于无法找到全局最优解而不稳定的模型参数。而提出了一种基于优化隐马尔可夫模型的声誉评估机制。该算法充分利用粒子群优化算法(PSO)中的搜索机制，增强了HMM的学习能力，保证了HMM中的区间和归一化约束。在此基础上，开发了一种基于HMM的简化信誉评估框架，并应用于分析卖方的具体行为[37]。但仅做了定性分析，并未对交易过程中的卖家信用行为进行定量化表达。

1.3.2国内研究现状

1.3.2.1在线信用评价指标优化研究

源自eBay的在线信用评价方法作为一种辅助手段，评价指标设计过于简单，虽然容易操作实现，但影响了评价效果，于是学者们首先进行了评价指标的改进研究。国内学者魏明侠等(2007)通过研究发现，现有在线信用评价机制缺乏参考性的原因之一在于难以体现交易过程中的卖家行为信息，具体表现在现有信用评级体系缺乏对卖家历史信用度、交易量、交易金额等关键因素的考察[38]。同样地，孔鑫(2012)

提出为了提高信用评价模型的量化效果，可以将商品金额、商品质量、服务等因素以累计加权的方式引入到信用评价模型之中，综合反映卖家的信用表现[39]。李迎林(2013)通过研究发现，基于eBay累积加权的信用评价模型难以正向的促进卖家持续诚信经营，进而提出一个相对综合、全面的多指标信用评价模型，该模型包括卖家历史信用、交易时间、交易金额等因素以及默认评价、退货换处理、欺诈惩罚等因子[40]。但国内外学者也逐渐认识到在线信用评价指标研究受eBay评价机制的制约，难以进一步发展优化。如纪淑娴等(2008)提出信用评级指标体系是信用评价的依据，而现有的信用评价机制缺乏对评价用户的正向引导，评价用户仅仅通过自己的主观感客体验而进行相应的随意评价，这会影响到信用评价结果的真实性、可靠性[41]。彭慧等(2014)指出现有评价模型未能考虑卖家行为的各个指标所在维度的差异及忽略店铺各个指标的表现对消费者影响的差异，单纯采用单一的信用评价指标难以抵制交易者针对现有交易制度和信用评级模型所采取的策略性行为[42]。王永瑞(2012)进一步通过实证研究表明，受评价指标模糊性的影响，卖家的信用度与基于好评率评估所反映出的诚信水平存在着背离[43]。霍红等(2018)在Lee在线网络购物行为模型的基础之上，提出了从网络购物的整体流程出发，将建立信任、在线购买、购后需求三个阶段所涉及的信用评价因素归纳为基本信息、交易信息、服务因素、物流因素等五个层面，并提出了针对农产品的电子商务卖家信用评价指标体系[44]。姜永波等(2018)基于多维信用感知的方法提出了店铺动态评分、店铺30天内服务情况、卖家历史信用构成等在内的多维信用评价指标体系，对以往简单累加信用值模型进行了改进[45]。

1.3.2.2在线信用评价动态性研究

国内的学者对当前的信用评价模型研究后，发现“信用”是一个随时间变化的动态的过程，并逐渐累积得到了“信誉”[20,46-48]。彭慧等(2014)认为卖家的信用是随时间而变化的，而现有的信用等级与信用指标都不能持续跟踪店铺的信用动态变化即交易者现在甚至未来的诚信状况[42]。杨韵(2010)，Piao(2007)等，许红冉(2012)指出电子交易也是买卖双方反复博弈的动态过程，而现有评价模型中较早的评价和最新的评价对被评价人的影响是一样的，这忽略了信用的动态性[1,16,49]。周敏(2012)提出现有的信用评价模型未考虑不同历史时期的信用值对信用的不同影响，并同时指出当前的评价模型受评价的时效性影响，会造成信用度失真的问题[50]。因此，电子商务的信用研究必须要基于信用动态性来展开，一些学者通过引入时间因子和改进

-7-

信用计算方法来提高评价模型对信用动态变化的反映。宋光兴(2009)等将交易时间、价值因素引入到信用评价模型之中，并对目前在线信用分集结方法进行了改进研究，将该加权平均法与网站推荐功能相结合使得在线信用分更具参考价值[51]。Zhang(2013)等认为买家对同一商品的需求侧重点是随时间变化的，因此卖家信用也是随时间及买家需求侧重点的变化而动态变化[52]。因此，电子商务的信用研究必须要基于信用动态性来展开[43]，一些学者通过引入时间因子和改进信用计算方法来提高评价模型对信用动态变化的反映。Peng(2006)等指出时间因素对信用评估结果的影响，并重新设计考虑了时间因素的信用评价模型[53]。梁雯等(2017)指出电子商务交易双方决策是一种动态博弈行为，网络交易下的信用模式是买卖双方共同博弈的结果，因此借助“静态博弈”、“动态博弈”思想分别对电子商务交易的成交、评价阶段进行分析研究[54]。于婷(2017)引入时序特征到信用评价模型中，考虑了信用评价各时刻的宏观环境，并以履约检验度反映各时刻的宏观环境特征，以此作为动态信用评价时间权重确定的依据[55]。

1.3.2.3在线信用评价机制有效性研究

学者们通过大量的实证研究总结发现现有在线信用评价机制所得评价结果缺乏有效性，并不能满足在线信用评价的现实需求。例如邵兵家(2010)等通过实证研究表明信用等信息反馈的提供者的参与，是影响信息反馈成功的重要因素，为提高参与人的积极性，建议有必要对参与人提供一些适量经济上的刺激[56]。宋光兴(2004)等认为从约束卖家投机和鼓励买卖双方诚信交易的行为出发，提出在线信用评价机制尽可能能够度买卖双方的交易行为进行有效约束，达到一定的信用监管目的[57]。周黎安(2006)等对在线拍卖网站进行了实证研究发现，卖家的信誉评价对商品成交价格有着重要影响，并且论整了信誉评价对于物品拍卖成功率的影响要比成交价格更为显着[58]。纪淑娴(2009)将评分人可信度、评价时间、交易商品价值等引进到在线信用评价模型之中，从重复博弈的角度分析了在线信用评价的激励作用，在一定程度上提高了信用评价结果的有效性[59]。李玲芳(2015)等通过博弈论的研究视角，对双向信用评价机制的信用评价有效性进行了分析，并指出指出了同步性声誉和异步性声誉两者在实现评价有效性时的区别[60]。彭惠(2012)等通过对C2C电子商务市场整体卖家信用结构的调查分析，发现现有信用评价体系下的卖家信用分布呈现倒金字塔形状，并指出其根源在于受基于累积加权的在线信用评价方法缺乏有效性的影响[61]。于婷(2017)在信用评价模型引入激励调节系数以提高信用评价机制的有效性，利用调节系

-8-

数大小的变化反应不同信用趋势变化的差异化表达[55]。国内研究表明目前的电子商务在线信用评价机制并不能很好地发挥有效作用，存在信用的评价结果与其内在价值的大幅度偏离问题，其成因由内、外部两方面因素导致。从外部因素看，信用评价结果与评价人无直接利益相关性，直接导致偏离问题存在。评价人信用评价结果好坏(尤其是中、好评)、是否及时、是否置评与评价人无关。从内部因素看，信用评价结果与信用内在价值无直接相关性，信用评价结果不能真实反映信用的实际状况，导致偏离问题存在。

1.3.2.4电子商务动态信用综合评价研究

国内学者也展开了有关电子商务动态性评价的研究，其动态性主要表现在信用评价模型中引入时间因素的考量。梁雯等(2017)将动态性博弈的思想引入到电子商务信用评价的研究之中，并分别对电子交易的成交和评价阶段买卖双方的策略选择展开针对性的研究[54]。其动态性主要表现在买卖双方的决策是一种动态的博弈行为。丁淑娟等(2013)针对现有的网络购物平台中卖家信用评价体系的缺陷，基于层次分析方法，并引入交易时间因素，赋予交易时间近的权重大的评价思想，提出了一种新的卖家动态信用评价模型[62]。许红冉等(2012)提出了一个C2C电子商务动态信用评价模型。该模型根据交易历史，在综合考虑交易金额、交易时间、评价方信用度、未做评价交易等因素的基础上，采用动态计算的方式，为交易的成功进行提供可靠的依据[49]。其动态性思想同样遵循根据时间节点的远近划分并设置权重，以实现了信用度的动态计算。张扬(2015)深入分析交易价值效用因子、反馈评价准确率效用因子、时间效用因子以及退货率效用因子在评估买家信誉时的动态效用；重点研究评估卖家信誉时交易价值效用因子、评分主体可信度效用因子、时间效用因子以及退货率效用因子的动态效用[63]。

1.3.3国内外研究评述

国内外学者关注的电子商务在线信用评价指标、评价动态性问题都不约而同的把问题指向了同一个源头，那就是当前电子商务在线信用评价机制本身存在缺陷，且制约了问题的进一步解决。但是由于国情差异，这一问题的关注度和现实严重性，明显国内远高于国外。其主要表现在以下几个方面：

(1)现有对于卖家信用动态性的研究受以简单累积加权信用积分的信用评价方法的影响，仅停留在卖家整体信用的部分动态变化且动态评价思想是引入时间因素作

-9-

为模型权重调节因子，缺乏单笔交易过程中卖家信用动态变化的实时考虑，难以刻画信用从产生、演变到形成更为本质的细节性信息，并且信用信息相对模糊、有效信息含量少，极易导致信用评价模型难以对信用状况进行更为有效的刻画与表达。

(2)现有在线信用评价方法仅以固定数值对卖家信用进行打分和调节，造成买家对卖家信用的表达程度受限。平台的指标设置受主观因素影响较大，评价结果与其内在价值存在较大的偏离，评价过程易受人为因素的干扰，造成信用评价结果缺乏真实性。

(3)现有在线信用评价方法所得信用评价结果与其内在价值的偏离是伴随交易过程产生的，但基于此过程的二者之间的联系目前尚未并未建立，且基于单笔交易的信用价值尚无法度量，使得该问题只能做定性分析而无法定量化，难以揭示信用的价值变化的规律性特征及其本源影响。

鉴于以上几点，从单笔交易的微观视角出发，遵从信用的形成、产生、状态迁移等一般变化规律，信用评价表达伴随交易过程同步进行，以买家自发方式对卖家交易全过程的信用表现进行刻画与表达。同时通过建立信用评价模型将卖家信用评价结果与其价值性相关联，对交易过程中的卖家信用进行定量量化，以达到对交易中的卖家信用进行定量刻画的目的，从而获得符合卖家实际信用表现的信用评价结果，以此提高信用评价结果的有效性。

1.4研究内容及方法

1.4.1研究内容

C2C电子商务发展瓶颈的关键问题是如何提高C2C电子商务信用评价机制的有效性，以反映真实的卖家信用水平。本研究是基于课题组提出的在线动态信用评价思想体系所开展的具体研究工作。本文研究内容主要包含以下几个方面：

第1章绪论。本章介绍了C2C电子商务信用环境的大背景，论述了本研究的理论意义和现实意义，并对国内外研究现状进行了系统化分析，结合现有的研究现状，具体阐述了本文的研究内容、研究方法。

第2章相关理论。本章从信用本义出发，着重从概念层面、认知角度、具体表现等方面对电子商务环境下的信用、信任及信誉进行了有效区分和辨析，并界定了信用与电子商务信用的研究范畴，重点阐述了C2C电子商务信用评价的基本理论及本文所应用到的理论方法。

第3章C2C电子商务信用评价机制分析。本章基于上一章C2C信用评价基本理论的阐述，总结了C2C电子商务信用评价模型所面临的信用问题，据此对C2C电子商务信用评价机制所导致的信用评价结果缺乏有效性进行了重点分析，提出了基于信用价值关联的C2C电子商务信用评价机制改进方案。

第4章卖家初始信用构成及计量模型构建。针对现有现有对卖家信用动态性研究仅表现在信用整体性上这一问题，本章从单笔交易微观信用的动态性入手，界定了单笔交易信用变化的初始状态——卖家初始信用的研究范畴，确定了其主要因子构成，并建立了卖家初始信用计量模型，定量计量了单笔交易前的卖家初始信用。

第5章卖家信用评价模型构建。本章基于上一章对单笔交易前的卖家初始信用的量化，面向单笔交易的全过程提出了基于卖家初始信用的在线动态信用评价方法，定量刻画单笔交易的卖家信用动态变化情况，并利用灰色模糊聚类算法对单笔交易全过程的信用评价时间序列进行分析，从而建立C2C在线动态信用评价模型。

第6章信用评价模型应用。本章以淘宝店铺为调研对象，设计C2C在线动态信用评价调研实验，开发C2C在线动态信用评价调研系统，采集单笔交易全过程的信用评价序列数据，进行模型计算验证，划分卖家信用等级。

1.4.2研究方法

本文研究开展是基于的国内外研究现状的基础之上，分析现有研究所存在的问题及不足，从实际问题出发构建动态信用评价模型。所应用到的研究方法包括：

(1)文献研究法。通过文献汇总掌握研究领域的热点问题，分析本研究的研究现状，发现其研究不足。以此为基础，形成本文的研究出发点，利用各类文献数据库对C2C电子商务信用评价方法的研究进行归类整理，重点理解信用的起源、在线交易信用基本评价理论及信用评价模型等关键内容，从而形成本文的研究基础。

(2)实证研究方法——基于大样本的一般性规律研究。本文通过文献研究分析归纳不同交易阶段下卖家信用评价的影响因素，获取卖家初始信用的影响因素，提取卖家初始信用主要构成因子，并通过实证研究验证卖家初始信用计量模型的有效性。

(3)概念分析方法——对信用、信用价值等概念做明确的界定。本文将用概念分析的方法研究电子商务的信用、信用价值的概念。明确本文概念的客观内容和可能出现的主观曲解，对已有研究进行科学梳理，奠定了研究基础。

(4)问卷调查法——获取消费者对单笔交易卖家初始信用影响因素。针对本文研究内容，在已有研究量表的基础上修改题项，经过小规模前测及对受众人群开展的小范围针对性培训，修改形成最终问卷。通过在线网络、线下实地发放等途径向目标人群发放调查问卷，调查用户群体对C2C单笔交易前卖家初始信用的认知，从而得到反映C2C单笔交易前卖家初始信用与用户实际认知相关的客观数据。

(5)实验法——借助真实购物环境进行在线信用评价数据的采集。设计在线动态信用评价调研实验，在线交易与在线信用评价将同步进行，并实时反馈单笔交易过程中的卖家信用变化情况，所采集的评价数据更贴近于实际的卖家信用表现。

1.4.3研究技术路线

第2章相关理论

2.1信用基本概念

2.1.1信用的定义

信用一词存在于各个学科，在英文词典中用“credit”或者“faith”进行表示，但多以“credit”表达。但信用在不同学科特定环境的影响下往往其含义是截然不同的，大体上分为两类，一类是广义信用，一类是狭义信用。广义信用是指以诚实守信为基础，以践约行为倾向的一种心理学和社会伦理学范畴内的道德准则，一般以人们所参与社会或经济活动汇总所体现的道德准则为主要体现。狭义的信用是指经济领域内的信用以及人们日常生活中所讨论的信用，主要描述了一个经济主体在参与经济活动中所表现出来的履约能力、履约程度。在资本借贷关系中，债权人与债务人之间商品交换以及货币的流通等属与狭义信用范畴。

《现代汉语词典》对“信用”的定义主要有三种：基础层面——遵守基本的道德约束而获得他人对于主体的主观评价认可，即有信用或守信用。货币借贷层面—

—在商品交易中买卖双方表现为延期付款或拒不支付的一种偿还为前提的价值运动定向转移方式。其中包括：以银行金融机构为首的货币借贷经济活动，称之为金融信用；以商品买卖双方交易中任何一方延期支付或拒不支付的短期经济活动，称之为交易信用；以对个人消费者提供信用租赁、信用抵押在内的个体经济活动，称之为租赁信用。信任感知层面——信任重用，获得与他人首次交易或赏识、认同而所产生的初次信任以及长期累积信任所形成的信用重用。其中第一个层面是从一般意义性含义，即遵守承诺而取得的信任，但混淆了信任与信用；第二个层面涉及到的范围较广，属于经济领域内的信用范畴；第三个层面从个体道德层面，反映个体基本素养与知识深度。现有文献中，杨兴寿(2016)提出信用是个人行动的履约或个人对商品的承诺的履约，包括三个层次：道德层面，信用是一种基本的道德准则，以达到规范人类社会活动的目的；经济层面，信用是建立在授信人与受信人之间承诺履约基础之上，使得受信人不必支付现金享受服务或者产品的能力；法律制度层面，建立在法律制度基础之上，以契约的形式规定受信人享有的权益[64]。王淑芹教授(2004)对“信用”概念释义和体系构成作了相对全面深刻透析，在《信用概念疏义》

一文中指出，目前在有关信用研究的一些理论著述和相关论文中，存在着这样两种倾向或问题。一是，在日常生活和理论研究中，出现了用“经济信用”代替一般信用，因而信用的起源、信用形成的基本规律。二是，一些人常常把“承诺信用”直接等同于“规则信用”，两种问题的存在直接导致现有信用环境下忽视了信用的一般性含义——在经济活动中交易主体所表现出的遵守承诺或承诺履约、有强烈的履约意愿及履约的行为或动机都应被视为信用[65]。

对于信用的定义，无论何种领域视角下的信用都与履行约定或承诺息息相关。

在此基础上，本文将信用理解为在人类社会一切活动中所表现出的承诺的兑现程度以及履约能力大小的反映，承诺所兑现程度的不同体现了信用主体所处的信用状态水平不一。

2.1.2电子商务信用

随着电子商务的出现，电子商务信用受到消费者、商家的密切关注，其中卖家信用已经成为各大电商高平台考察卖家是否具备履约能力的重要指标之一，也成为消费者在线购买决策的重要影响因素之一[66]。但在现有研究中，学术界对电子商务信用却没有一致的定义。Agarwal(2002)等人指出电子商务最基本的要素是信用，将其定义为改善商家与消费者关系的一种确定性机制[67]。Stewart(1999)等人通过研究发现，将消费者通过特定的方式进行在线交易，对在线交易的预期是否符合主观判断的一种心理预期称之为电子商务信用[68]。Tan(2000)等人通过研究分析，将电子商务信用定义为一种以信任为基础的交易主体之间在特定环境下的相互信任情况[69]。同样地，袁登科(2010)基于信任基础上，将电子商务信用定义为受信方向授信方在特定的时间内所作承诺兑现能力的预估[70]。Doney&Cannon(1997)在区别传统基于人格信用特征的基础上，将电子商务信用理解为一种非人格化特征，并受电子商务市场交易特征的影响[71]。郭志光(2012)指出在电子商务环境下，由买卖双方以及电子商务平台所构成的多方信用关系，以各交易主体所遵守的市场合约程度为主要参考标准衡量电子商务信用水平的高低[72]。电子商务信用包含了两个方面：一方面，电子商务信用是包含了买家、卖家及电子商务平台，三者构成一个开放经济下的合作活动，且处于不对等地位；另一方面，各交易主体遵守的显性或隐性的市场合约的程度是指各交易主体在交易活动中所遵循的交易承诺以及承诺兑现程度。也就是说，交易主体在合作经济活动中维系交易正常开展的是各自所作出的承诺，而承诺的兑现程

度反映了交易主体的信用水平情况。

综合以上分析，在以往研究的基础之上，本文将电子商务信用定义为参与电子商务交易在线交易的各交易主体用以维系电子商务经济活动正常进行而所作出承诺的兑现程度，反映了在一般网络交易环境下所处的信用水平。其特征是，买卖双方在电子商务交易活动中的承诺多少，其承诺的兑现程度的多少反映了信用水平的高低，具体体现在履约意愿、履约能力以及履约程度三个方面。

2.1.3电子商务信用相关概念辨析

对比信用，有关信任、信誉的研究也相对较多。在英文释义中，三者完全不同，信用多“credit”表达，信任多以“trust”表达，信誉多以“reputation”表达，相对容易区分，但在中文的语境下，三者却很容易产生混淆，因此对三者的辨析显得尤为必要。

《现代汉语词典》对信任的释义是信任主体与信任客体在初次接触或交流的合作过程之中，双方彼此所形成的初次心理感知。主要包括三种：相信而受到重用；相信并值得托付；任凭、任随。目前，含义最为符合在线交易环境的是第二种释义，相信并值得托付。此外，信任具有明确的方向性，有信任主体和信任客体之分，反映的是在特定阶段或者时段下客体对主体的相信程度，体现即时性。在当前研究中，在心理学领域，Gefen(2000)认为信任是指一个人对对方预期的信心，该预期是基于彼此双方以前的交互而采取的行为[73]。McAlliste(1995)指出信用基于认知与情感的信任，是一个人对另一方的信心程度，及愿意根据对方的话语、行动和决策而采取行为的程度[74]。在管理学领域，Zuker(1986)研究信任是基于组织行为背景下，认为信任是经过相关决策计算，潜意识地对被信任者抱有期望的个人倾向[75]。在电子商务领域，Mayer(1995)等将信任定义为一方实体对目标实体能够履行某些特定行为的一种心理期待，但无法对目标实体实时监控行为[76]。McKnight(2002)等指出信任是实体对于信任目标所展现出来的善意、正直、能力等的信心程度，且信任存在多维度的，包括信任信念和信任意图[77]。而在电子商务交易中，买家对于卖家的信任是建立在卖家历史交易的基础上所形成的。因此，信任主要有以下特点：信任带有强烈的主观性，依赖于个人经验；信任受历史行为影响；信任具有主体、客体之分；信任具有方向性，即时性。

关于信誉，《牛津字典》对其定义为：某个群体或者对某个人或者某个事物的

特点、行为表现、发展趋势等的一般性看法和综合性评价。信誉是人们对一个人或者事物长期表现的一种社会性评价，信誉的好坏反映了社会大众对于个体一段时间内的表现的认可程度。殷宝双等认为信誉不仅是人与人之间的信任关系，信誉也是一种道德的衡量。杨兴寿(2016)认为信誉是获信主体可信度的所有评价的综合值，并表现为其他人对主体的信用评价，是基于其他人和主体的合作活动中得出的，体现外界对信用主体长时间的一种综合评价[64]。马本江(2008)，李悦(2017)认为信誉只要一经破坏就几乎无法维护原貌，有较差的可逆性。信誉主要有以下特点：信誉具有累积性；信誉具有瞬间毁灭性；信誉是合作产生的；信誉是一种综合性评价[78,79]。通过对信任、信誉的分析，三者的区别与联系可总结如下：从涵盖的范围来看，

信誉范围最大，其次信用、最后信任。从产生机理来看，信誉是以信用为基础经过长期累积所形成的最终结果，而信誉的好坏又会影响其口碑的传承，间接对初次信任产生影响，为此信用必然会对信任产生影响。从认知过程来看，人们对于某个人或某个事物的认识，先产生信任，其次，承诺的兑现形成信用，最后，在长期的认知与实践过程中，对某一事物或某一个体的一致性社会性评价形成信誉。从形成过程的次序来看，信任的产生是在初次合作或交流之前，在电子商务交易环境下，信任产生在实际交易达成之前，信用是伴随于交易产生在交易过程中或过程后产生，信誉则产生于多次承诺兑现或交易成功达成之后。从形成的次数或经历的过程来看，信任产生于单次交易或单次事件之后，信用往往产生于单次履约行为或单次交易之中，信誉产生于多次信用履约行为之后。

综合来看，信任是在合作或交易活动中，个体对他人的一种普遍可靠性信念，由评价主体指向评价客体，具有明确的动作方向性。信誉是在社会性交往中，评价客体对评价主体的一种长期性的认可或普遍性的社会口碑，往往是由不同的评价主体对同一评价客体的长期作用结果，具有普遍一致性。信用是在单次合作或长期交易活动中，评价主体对评价客体履约能力、履约意愿及承诺兑现程度的反映，表现为承诺兑现程度的多少。

2.2信用评价概念

2.2.1信用评价定义

在当今信用市场的大环境下，信用评价是由专门的第三方机构对各种交易市场中的参与者以及交易主体履约能力进行评估，利用科学的指标体系或规范的操作流

程对受评主体进行特定领域下的信用评估，并以定量的方式给出评价主体的量化评价结果，从而根据评价结果并结合科学的信用等级划分标准进行信用等级划分，进而达到评价群体的信用划分，以反映评价主体的信用水平。

信用评价大致可分为两种，一种是传统金融借贷间的信用评价。以美国信用评价体系为例，主要以五大因素作为参考信用评分模型的依据，主要以债务历史、未尝债务、信贷时长、新开立的信用账户、正在使用的信用类型，其权重分别为：35%、30%、15%、10%、10%，以此对评价主体进行全面评价。另外一种是基于在线交易的承诺兑现程度的信用评价方式，最为典型的是以电子商务为代表的在线信用评价方式。

在电子商务信用环境下，传统信用评价所表现的不足主要表现在以下几个方面：传统的信用评价服务辐射范围有限，无法有效覆盖全体人群，尤其是弱势群体。在传统的美国FICO信用评分模型中，如果存在有按期未偿还、拒不偿还或信贷记录不全等行为或现象将被视为风险群体。因此，对于刚刚移民到美国的群体，由于信贷记录不全或不完整，因而无法获得常规的金融服务，所造成对此类弱势群体信用评价服务范围受限。传统信用评价模型测量维度单一。传统的FICO信用评分模型以五个方面考察用户的信贷资质，但由于单一的标准、严苛的门槛和片面的评价结果一直以来无法满足电子商务环境下的信用评价要求。传统信用评估模型评价时间相对滞后。传统的信用评分模型由于收集用户的信贷数据，用户的信贷行为是不断发展变化的，传统信用评分模型并不能很好的应对动态变化的信贷行为，仅凭已收集到的信用评价数据对用户未来的信用状况进行预测，往往由于时间滞后的原因，而所得的信用评价结果与实际信用表现有所不同。例如2015年到2011年的FICO信用评价分数在美国人口中的分布基本没有变化，而这和金融危机爆发后的的大量坏账现实严重不符。

传统的信用评价随着电子商务进一步的发展以及在线交易需求日益激增，并不能满足日益增长的信用评价需求。因此，信用评价不在局限于以传统金融借贷为基础的表现形式，其内涵已远远超出了其本身的研究范畴，将在线交易下的信用表现也纳入到信用评价内涵之中，进一步的拓展信用评价的研究范畴，形成相对统一的线下、在线信用评价理论。

2.2.2电子商务信用评价

传统的信用评价也被称为信用评价、信用评级、资信评估、资信评级，主要是第三方专门的评价机构根据“客观、公正、科学的”评价原则，按照一定的方法和程序，在全面了解评价对象的综合信用行为信息(线上和线下)基础之上，给出综合性的信用评价结果，并以特定的符号或简单的文字等方式进行呈现，从而可以直观地反映评估对象的整体信用水平状况。其本质是通过收集信用主体的信用行为信息，借助统计分析软件，量化信用主体的信用，以数值、指标等方式反映信用主体的信用水平，进而作为区分不同交易主体信用大小的参考手段。

电子商务信用评价与传统信用评价方法相似但又有其特点。在线交易活动中，信用的高低是衡量买卖双方是否履约承诺以及承诺兑现程度的重要手段，信用在维系市场交易有序进行的作用是不言而喻的。现有电子商务平台大多数都采用信用评价机制来解决买卖双方的信用问题，往往体现的是一种在线信用管理约束机制，主要包括评价方式、评价机制、评价规则等内容，针对对象是在线交易下的各交易主体，基于买卖双方之间的交易行为信息，从商品、物流、服务等各个维度上评估交易主体的信用表现，按照预先设计的评价方法计算交易主体的信用综合值，以此作为评判交易主体信用的依据。

电子商务信用评价方法主要针对评价主体，围绕客观的信用评价结果为目的，建立信用评价指标体系，借助科学客观的量化赋权方法建立评价模型以计算评价主体的综合信用得分，从而确定评价主体的信用等级以供未来交易的买家进行参考。

2.2.3C2C电子商务信用评价

为了解决C2C电子商务交易中的信用问题，基于在线信用的发展环境，最初学者对于在线信用的研究是建立在在线信任/信誉的基础之上，Resnick(2002)等以eBay为例，论述了在电子商务交易过程中建立信任关系的复杂性，从信任的角度出发，提出在线信任评价机制，建立了在线信任的关系，旨在维护在线信用市场秩序[15]。Dellarocas(2003)、Kollock(1999)等将在线信誉评价为在一种在在线交易环境下，通过评价反馈收集、统计评价主体的历史交易行为信息，并计算评价主体的信誉得分，以达到约束机制下信誉管理模式，实现网络环境下的诚信合作[26,66]。随着电子商务进一步的被更多人所接受，尤其是以C2C为形式的电子商务迸发了前所未有的活力，同时赋予了C2C电子商务信用评价新内涵。

从对信用认识变化来看，一些学者关注了这一现象并尝试进一步厘清代表电子商务不同维度，出现在电子商务交易不同阶段，作用意义不同的各种概念——电子商务信用、经济信用、信誉、信任、声誉等产生的不同程度的相互混淆和替代；同时，形成了相对主流的一种观点，C2C电子商务在线交易过程中的信用属于一种承诺及承诺的兑现履行。而C2C电子商务信用评价是从信用的本义出发，以卖家承诺兑现程度变化为前提，收集、整理消费者的信用评价反馈信息，量化交易过程中的信用履约状况，建立可以客观反映真实信用的评价机制，无限逼近真实的信用状况，从而形成一种对交易主体的信用约束管理机制，实现对信用动态监管、风险判别的目的。

此外，C2C电子商务信用评价已经成为一种解决C2C电子商务信用问题的主要手段，并一直处于不断完善与改进之中，其中包括C2C电子商务信用评价指标研究、C2C电子商务信用评价动态性研究、C2C电子商务在线激励机制研究、C2C电子商务信用风险预测及判别研究等分支，构成了相对统一的C2C在线信用评价理论架构。

2.3理论方法

2.3.1因子分析法

因子分析是主成分分析的推广，是主成分分析的逆问题。因子分析是一种用少数具有代表性的因子反映总体多指标之间的关系的建模方法，按照因子之间的关系密集程度进行划分类别，从而重新定义因子类别，以达到降维的目的，以反映总体大部分信息。具体是将原始变量加以分解，并构造原始变量协方差矩阵，当所提取的公因子个数与原始变量的个数相同时，因子分析进行对应的变量变换。设

Xi(i1,2,,p)，p个变量，用公式(2-1)表示：

X1=111F11mFm1

X2=212F12mFm2

(2-1)





Xp=pp1F1pmFmp

其矩阵关系可用公式(2-2)表示如下：

X1111

12

1mF1

1

X



F



2

2

21222m

22

(2-2)







X

F



ppp1p2

p

式中，F1,F2,,Fm为公共因子，称之为不可观测的变量，其系数称为因子载荷。i是特殊因子，是不能被前m个公共因子包含的部分。矩阵A称为因子载荷矩阵，如(2-3)

所示：

11

12

1m



A=

21222m

(2-3)





p1p2pm

需满足F1,F2,,Fm公共因子的个数小于等于原变量个数p，同时还需满足以下要求：

(1)cov(F,)0,公因子F与特殊因子之间是为相互独立的，即互不相关；

1

1

(2)D(F)I

即F1,F2,,Fm之间是两两互不相关的，且每个方



1



差Fi都为1；

2



(3)D()







2

2表示两两互不相关，方差可能相等；





p

若i~N(0,2)满足以上条件的，称为正交因子模型。如果(2)式不成立，即D(F)I，各公共因子之间不独立，则因子分析模型为斜交因子模型。一般而言，对于每个原始变量，其因子载荷矩阵，在一个公因子上所占的载荷较大，在其他公

因子上的载荷较小，该种情况是最为理想的。如果原始变量在每个公因子上的载荷无法有效区分，可进一步通过因子旋转法调整原始变量在各公因子的载荷，以使得尽可能对原始变量能够有效区分，因子载荷越大，反映了该原始变量对于新的公因子的解释程度。

2.3.2灰色关联分析法

1982年邓聚龙教授在《灰色控制系统》一文中，首次提出灰色理论。近几年，灰色理论得到了迅速发展，并应用到各个学科之中。依据控制论相关理论，颜色一般代表的是对于一个系统已知的信息的多少，白色代表信息充足，而黑色系统代表对于其中的结构并不清楚的系统，通常叫做黑箱或黑盒的就是这类系统。灰色介于

白色与黑色之间，代表对于系统内部只是部分了解，信息掌握程度不全或不完整。依据系统内部各元素或各成分之间是否存在确定的关联，区分灰色系统与白色系统。白色系统反映了系统内部各元素之间的关系确定，界限清晰。灰色系统反应系统内部各元素之间的关系不确定、界限尚不可得知。灰色关联分析作为灰色理论中重要的内容，一直被学者们应用于解决因素间发展趋势、相似程度以及波动分析等问题之中。

灰色关联分析主要用来分析两个或多个子系统之间的关联程度，尤其适合分析处于动态变化的子系统的动态发展态势。具体做法：选定每个子系统的参考系统，以参考系统为判断标准，确定每个子系统与参考系统之间的关联程度，关联程度越大，表明该系统越接近最优水平，关联程度的衡量是以关联度表示，称之为灰色关联度。其基本思想是：以系统的数据参考序列为依据，运用数学统计计算的方法研究因素间的几何相似关系，相似程度越高，说明曲线序列之间的几何形状越相近。

灰色关联分析法的一般具体步骤：确定参考序列以及比较序列；无量纲化处理；计算各比较序列的灰色关联系数；计算各比较序列的灰色关联度；评价分析。根据灰色关联度的大小，对各评价对象进行排序，建立评价对象的关联序，关联程度越大，评价效果越好。灰色关联分析的基本特征如下：

(1)总体性。灰色关联分析描述的是动态序列与参考序列之间的相似程度，是一个系统之内各序列的总体变化态势比较，因此从整体角度反映了一个系统序列的变化情况，往往具有总体性。

(2)非对称性。在一个子系统中，一个比较序列对另外一个比较序列的关联度，与另外一个比较序列与该比较序列并不相等，也就是关联度有比较先后之分，不具有传递性、对称性，间接体现了系统内因素之间的关系。

(3)非唯一性。灰色关联分析所得关联度并不是唯一的，会因参考序列、比较序列、数据标准化处理方法、数据量的大小等因素影响，而具有不同的关联度值，因此对于特定比较序列与参考序列的关联度值并不是唯一的，会受比较序列、参考序列之外的因素影响。

(4)动态性。灰色关联分析主要是基于动态历程变化趋势分析的研究方法，特别适合分析处在形态发展过程，关联度随着比较序列的程度不同而动态变化，比较序列与参考序列之间的相似程度随系统动态发展以及序列长度不断变化而一直处于变化之中。因此，动态性贯穿整个灰色关联分析过程的始终。

2.3.3模糊聚类算法

在模糊理论中，一个元素与一个集合的关系不再是属于或不属于的关系，而是存在于一种既属于又不属于的特殊情况，这种特殊情况是已无法界定的。例如一个元素和一个集合的关系有可能存在属于、不属于或部分属于的情况，因此具有模糊性质。模糊聚类算法将模糊理论引入到隶属度函数，其值域在[0,1]范围之内，对属于特定集合的事件以概率程度进行分类，例如一个年龄是30岁的人，很难界定他是青年还是中年，但是可以一概率的形式说明此人多大程度上是属于青年，多大程度上属于中年。因此，模糊聚类与传统的聚类算法是不同的，传统的聚类算法是一种硬划分算法，而模糊聚类属于一种软划分算法，没有严格的划分界限，允许一个元素同时属于多个类。而对于C2C电子商务交易主体信用进行评价或信用等价划分，很难界定交易主体的信用等级级别，往往因为买家评价表达的主观性，尤其是在线信用评级标准自身的模糊性，使得卖家信用等级的划分带有模糊性质，因此，模糊聚类方法适用于C2C电子商务卖家信用等级的分类研究。

一般的模糊聚类方法大致分为两类：一类是以构建模糊等价矩阵为核心的聚类分析方法，构建方法包括传递闭包法、最大树法、逐次平方法等。另外一类是以构建目标函数为特征的聚类分析方法，模糊C均值聚类算法就是比较典型的构建目标函数的聚类分析方法。

2.3.3.1模糊等价关系

定义1：设U，V是论域，UV{(x,y)|xU,yV}是U，V的笛卡尔积，则UV的每一个模糊子集R称为U到V的一个模糊关系，若UV，则称R为U中的模糊关系。如果R(x,y)，则称x与y有关系R的程度为。

定义2：论域U{u1,u2,,um}，V{v1,v2,,vn}，矩阵A(aij)mn，其中

aijR(ui,vj)，R为U到V的一个模糊关系，则矩阵A(aij)mn为U到V的模糊关系矩阵。

定义3：设一个模糊关系矩阵A(aij)mn可以表示为：论域U{u1,u2,,um}到

V{v1,v2,,vn}的模糊关系，S(sij)pn是V{v1,v2,,vn}到W{w1,w2,,wn}的模糊关系，存在模糊关系矩阵C(cij)mn，成为模糊关系矩阵U与S的合成，记为CUS，“”表示模糊关系合成运算。

定义4：设U{u1,u2,,um}中的模糊关系R，若R满足：

(1)自反性：xU,R(x,X)1

(2)对称性：x,yU,R(x,y)R(y,x)

(3)传递性：x,y,zU,[0,1],当R(x,y),R(y,x)，则称R为U的一个模糊等价关系。

定义5：设U{u1,u2,,um}中的模糊关系R，若R满足：

(1)自反性：xU,R(x,X)1

(2)对称性：x,yU,R(x,y)R(y,x)，则称R为U的一个模糊等价关系。

2.3.3.2基于模糊关系的聚类分析的一般步骤

模糊聚类算法分析的前提是将原始信用评价数据构造为一个模糊等价矩阵，模糊等价矩阵具备等价性、传递性，才能应用模糊聚类分析法进行动态聚类分析。因此，必须对信用评价数据进行处理以构造模糊等价矩阵进行聚类分析。具体数据处理步骤如下：

(1)数据规格化。数据规格化包括标准化方法、均值规格化方法、中心规格化方法、最大值规格化方法等。

标准化方法是对信用评价指标矩阵X*的第j列进行计算，计算其信用评价指标

均值X和信用评价指标的方差sj，然后进行相关变换，依据标准化变换公式：

X'(XX)/s,i1,2,3,n,j1,2,3,,m。

ijijjj

均值规格化方法是对特性指标矩阵X*的第j列，计算标准差j，然后进行相关

变换X'X/,i1,2,3,n,j1,2,3,,m。

ijijj

中心规格化方法是对信用评价指标矩阵X*的第j列进行计算，计算其信用评价

指标均值X，然后进行相关变换X'XX,i1,2,3,n,

j1,2,3,,m。

jijijj

最大化规格化方法对信用评价指标矩阵X*的第j列进行计算，计算其信用评价指标的最大值，表示为：Mjmax{X1j,X2j,,Xnj},j1,2,,m，然后进行相关变

换X'XM,i1,2,3,n,j1,2,3,,m。

ijijj

(2)构造模糊相似矩阵。按照某种隶属函数标准以区分系统元素的接近程度，将接近程度相近的元素划归为一类，以此类推，直至所有的元素都划归分类为止。在模糊聚类算法中，以隶属函数值域[0,1]之间任意的数表示各元素之间的相似程度，称之为模糊聚类算法各模糊集之间的贴进度或相似系数。

在模糊聚类算法中构造模糊相似矩阵时，确定相似系数的方法主要包括夹角余弦法、距离法、数量积法、相关系数法等。其中数量积法、距离法相对较为常用，

-

本文采用欧氏距离法确定相似系数以构造模糊相似矩阵，利用评价对象xi与xj的欧氏距离确定两者之间的相似程度rij，如果d(xi,xj)越大，相似程度rij就越小。一般地，取rij1c(d(xi,xj))，其中c和是选取的正数，使得rij[0,1]。在实际应用中，常采用如下的距离来确定d(xi,xj)，根据具体的应用环境，选择相应的距离确定方法，其计算公式(2-3)，(2-4)，(2-5)，(2-6)所示：

d(xi,xj)maxxikxjk

1km

(2-3)

d(xi,xj)xikxjk

k1

(2-4)

1

m22

d(xi,xj)xikxjk

k1

(2-5)

1

m22

d(xi,xj)xikxjk

k1

(2-6)

式中，xik,xjk分别为xi,xj两个样本，k为要考察的样本点。

(3)构造模糊等价矩阵。因为模糊相似矩阵R(rij)nn虽具备相似性，但不具备传递性，因此需进一步将模糊等价矩阵转换为模糊等价矩阵，使其具备传递性，以便于进行模糊聚类分析。构造模糊等价矩阵的最常用的方法是传递闭包法。

2.4本章小结

本章首先在介绍了信用和电子商务信用的基本概念的基础之上，重点从涵盖范围、产生机理、认知过程、形成次序、形成次数等方面对信用、信任和信誉进行了有效区分，明确了信用的基本含义及研究范畴；其次，分析了传统信用评价的局限，对在线信用评价进行定义，并论述了电子商务信用评价基本理论；再次，对C2C电子商务信用评价内涵进行阐述分析，理清了信用评价与信用评级的基本区别，从而加深了对在线信用以及在线信用评价的理解。最后，介绍了因子分析法、灰色关联分析法、模糊聚类算法等方法，为构建C2C电子商务动态信用评价模型提供理论依据。

第3章C2C电子商务信用评价机制及有效性分析

3.1C2C电子商务信用评价机制

在C2C电子商务交易中，由于交易个体的相对分散、参与双方身份匿名、交易信息不对称以及机会主义等因素使得C2C电子商务下的信用问题越发凸显，C2C电子商务面临的信用问题主要体现在卖家承诺未能及时的兑现或兑现程度不够，具体表现为：商家虚假宣传、未能及时发货、商品质量存在问题、基础承诺未能履行、虚假物流信息、售后服务难以保障、退换货困难等。根据电子商务消费纠纷调解平台发布的《2018年度中国电子商务用户体验与投诉监测报告》数据显示，2018全年受理的投诉案件数同比增长38.36%，其中，国内网购投诉占全部投诉55.19%，比例为最高。国内网络消费前20大热点投诉问题中，退款问题、商品质量问题、发货问题、网络欺诈问题、虚假促销问题、网络售假问题、退换货难问题分别占到全部投诉问题的18.46%、8.25%、7.99%、7.75%、5.37%、4.73%、4.25%，相关信用问题占到全部投诉问题的56.8%[80]。诚然，信用问题已成为制约我国电子商务发展的瓶颈。而大多数企业/网站寄希望于在线信用评价机制约束交易主体的信用行为，以求净化在线信用市场的信用环境。但至少从目前来看，C2C在线信用评价机制正在失效。

3.1.1C2C电子商务信用评价原理

最早诞生的C2C在线信用评价方式是美国eBay在线信用评价方法，主要衡量电子商务信用好坏的评价方法。该方法在国外信用评价中仅仅是作为一种辅助手段，在我国却是主要的信用评价手段，该方法的基本评价流程是在买卖双方在一笔交易成功达成时，买卖双方均可以为其对方本次交易承诺的兑现情况进行打分，评价结果分为好评(+1)、差评(-1)、中评(+0)，并附上文字评论进行说明解释，卖家有权利为买家作出好评或置评。另外，eBay信用评价机制还根据信用积分值将用户信用情况划分为不同的等级，以不同颜色和形状的五星为标记进行区分，这与淘宝网以红心、钻石、皇冠、金冠的信用等级区分相类似。信用评价指标包括好评率、近期评分、撤销竞拍次数等。其中好评率，其计算方法是近一年的好评数与总评价数相除，反映卖家在近一年时间的好评程度；近期评分，其计算方法是近1个月、6个月和12个月的好评数、差评数和中评数综合计算求得，反映卖家在近期综合信用情况，

作为买家选择诚信卖家的直接参考标准；撤销竞拍次数，其计算方法是近一年用户在在线拍卖期间撤销拍卖的次数，反映了买家在在线拍卖中的履约情况。该方法发展至今，大多数C2C企业或网站仍沿用其基本的信用评价思想，例如淘宝网，拍拍网，易趣网等。在信用评价中，总体设置好评、中评、差评三个评价区间，评价人若给予好评，则被评价人信用积分增加1分；若给予差评，则信用积分减少1分；若给

予中评或15天内双方均未评价，则信用积分不变；若评价人给予对方好评而对方在

15天内未作出任何评价，则第三方交易平台以默认好评进行处理，评价人的信用积分值直接加1分。

C2C电子商务信用评价基本遵循着买卖双方互评的方式进行，交易达成之后计算买、卖双方的信用评价值，再累计在各自的信用基础值上，以供潜在的交易者进行参考，其目的是区分诚信卖家，以便获得理想的服务。在C2C电子商务交易中，由于受评对象的卖家，买家在评价过程中处于相对有利地位，卖家信用评价是否置评，好评，都与买家自身利益没有关联。因此，买家在评价过程中，随意评价且评价根据不足往往会导致信用评价结果缺乏有效性。C2C电子商务信用评价的实现原理，如图3-1所示。

在该种信用评价机制下，C2C在线购物平台属于中间第三方，买卖双方通过C2C在线购物平台进行在线交易，买家在确认收货之后，主动发起对卖家的信用评价，在此期间，卖家根据买家是否及时确认收货、遵守约定承诺等，评价买家的信用行为，给予其信用评价结果。在实际中，除了买家有重大的违约行为，一般地，卖家都会给予象征性好评，目的是为了尽可能地讨好买家，以换取买家给予自己的好评。而好评对于卖家来说，意味着卖家信用积分的增长，卖家信用积分越高，所具有市场宣传作用就越有效，有利于促进在线交易的达成。因此，从C2C电子商务信用评价实现原理出发，卖家为了得到好评，恶意刷好评、炒作信用等问题也就不足为奇了，这与C2C电子商务信用评价机制的本质不无关系。

3.1.2C2C电子商务信用评价模型分析

3.1.2.1评价方法设计缺乏科学性

信用评价方法作为信用评价模型的一部分，其主要目的是量化评价主体的信用，将评价主体的影响因素引入到信用综合计量之中，以定量计算的方式表达评价主体的信用，使得评价主体之间的信用等级进行类别划分。对已有C2C电子商务信用评价模型的分析，发现现有的C2C电子商务信用评价方法存在以下不足，导致C2C电子商务信用评价结果缺乏有效性，难以反映真正的卖家信用水平情况。

(1)信用评价计算方法不科学。现在的C2C电子商务信用评价方法在计算卖家信用时，仅仅将买家本次的交易最终评价作为卖家信用评分的根据，卖家信用值的累积与交易量直接相关，交易量越大，卖家信用值将会有可能大幅度增加机会。显然，这种靠交易量累积的信用往往因卖家恶意刷单而丧失有效性。在单笔交易中，卖家信用的计算应该是商品单价、商品类型、交易金额、评价人信用、交易时间、售后服务等影响因素的综合反映结果。因此，在计算卖家信用时，应该纳入更为全面的信用影响因素到计算模型之中，综合反映卖家的总体信用情况。

(2)评价指标尺度过大。在C2C电子商务信用评价方法中，通过设置好评、中评、差评指标来对卖家信用进行评价，但同样给予卖家都是好评，难以对不用卖家信用水平情况进行有效区分，评价指标的度量范围较大，难以揭示卖家真实的信用水平情况。例如买家对卖家给出好评，但好评所涵盖的信用价值成分的多少是无从考量的，且无法反映，同时也不具备比较性，使得信用评价结果并不能对不同卖家信用水平情况达到辨别区分的目的。

(3)缺乏较为完善的信用评价指标体系。在现有的C2C电子商务环境下，信用评价方法是从整笔交易的角度对卖家进行综合评价，并计量其信用评价值，评价内容过于综合、泛化，缺乏单笔交易细节性的卖家信用信息，因而导致信用评价结果难以反映卖家信用的详细信息，仅仅是从整体角度对该笔交易做一次性总体评价，往往存在评价缺乏客观性、片面性的情况。因此，建议一套较为完善的信用评价指标体系，量化交易过程中的卖家信用信息，使得信用评价方法不仅可以体现细节化的信用信息，又能从总体角度提供对信用评价结果的解释说明。

3.1.2.2评价节点的滞后性

现有基于eBay的在线信用评价方法都是买家在确认收货之后进行卖家信用的评价，评价指标包括物流服务、描述相符、卖家服务态度三个方面，并以好评、中评、差评的方式给予卖家信用做出整体的评判。事实上，交易已经完成，买家作出评价仅通过回忆给出在三个指标上的满意程度。而在此期间，由于受物流时长的影响以及用户感知的个人差异，往往难以对交易过程中的卖家信用作出准确性的评价。而这种事后的在线信用评价方法，一方面，给予卖家以索要、引诱的方式要求买家作出好评的机会，甚至为卖家提供了以好评送礼、好评返现等不合理手段索取买家好评的契机。即使卖家在交易过程中未能履行承诺，卖家也可以利用现有评价方法的漏洞，在买家收货到确认收货阶段，通过不合理的手段干扰买家评价。因此，在卖家的利益诱惑下，买家即使对于卖家的服务、商品表现出不满意，也会给出卖家象征性的好评，而信用评价结果并未反映卖家的真实信用水平，因而造成信用评价结果的偏离现象。另一方面，由于评价时间节点的滞后性，买家给出评价时往往受卖家最近信用表现影响较大，假设卖家未在规定的时间内发货，买家则认为卖家未能履约，但此时并没有评价的机会。随着在线交易的进行，卖家服务改善，承诺及时履行，买家感知到的卖家信用表现则为更好，但之前的卖家未按时履约的不良信用表现随时间而逐渐淡化，而现在信用评价方法无法刻画交易过程中卖家信用信息，也无法给予买家提供随时评价的机会。因而，信用评价的结果仅反映卖家信用的部分信息。

伴随交易过程的进行，卖家承诺的兑现程度也一直受买家的持续关注。因此，卖家信用是伴随交易过程而相继发生变化，买家评价的时间节点与卖家承诺兑现的时间节点相一致，基于交易过程的卖家信用评价能够刻画基于整个交易过程的卖家信用信用变化，丰富卖家在线信用信息，进而反映更为真实的卖家信用表现，摆脱传统基于eBay的在线信用评价方法评价时间节点相对固定的局限。

3.1.2.3动态信用的不完备性

在淘宝信用评价机制中，卖家信用的动态性仅体现在信用积分整体性上，但从信用形成的过程来看，信用的产生是伴随交易过程进行的。现有对于电子商务信用动态性的研究表现宏观层面上，缺乏对单笔交易微观层面信用动态变化的细节性考量。因而，从信用动态性的视角分析，微观动态信用动态与宏观动态信用是相互统一的、相辅相成的，其动态变化表现在微、宏观信用状态的迁移是一个循序渐进、螺旋上升的演化过程，因此，动态信用的完备性是信用动态性研究应遵循的重要规律。其规律表现在信用整体上的动态性无法反映基于单笔交易微观信用的动态变化，掩盖了单笔交易信用变化的细节性信息，往往所得信用评价结果与现实有失偏颇，甚至导致研究结论的模糊、局限甚至谬误，严重脱离了信用动态性的本质内涵——伴随交易过程的卖家承诺兑现情况的动态反映。卖家信用的累积表现在买家对卖家承诺兑现情况的总体反映，缺乏详细的单笔交易信用信息，买家所作信用评价结果未能反映单笔交易微观角度的信用信息，而机制的缺陷，使得依靠从总量上累积信用值势必反映卖家信用信息是不全面的，其总体数值上的变化与现实是相违背的。因此，从信用的形成过程来看，基于单笔交易卖家信用的动态变化才是真正意义上的动态性，必须创新现有在线信用评价方法，建立可以自然描述真实信用的评价机制以尽可能充分表达买家的评价意愿，客观反映买家的真实意图，以此提高信用评价结果的有效性，反映更为真实的卖家信用水平，达到信用评价的真正目的。

3.1.3C2C电子商务信用评价动态性分析

学者们发现“信用”是一个随时间变化的动态的过程，并逐渐累积得到了“信誉”。受信用评价累加过程的影响，目前的信用评价动态性仅能体现在宏观上，交易个体的信用评价在微观上仍旧是静态的，但是群体的宏观信用评价累积结果的动态性难以替代交易个体在单笔交易微观上的信用动态变化。例如现有C2C平台大多数都采用信用评价制度来解决买卖双方的信用问题，并提出了卖家信用等级、好评率、店铺动态评分等指标来衡量卖家的信用水平，但这些指标仅仅是从信用整体性的角度来反映卖家的总体信用表现情况，而对交易过程中的卖家信用表现却很难及时体现[20,43,80,81]。从交易个体单笔交易的微观信用评价的动态性出发去表达商家整体信用的动态性才是真正意义上的“动态性”。现阶段，对单笔交易微观视角下的卖家信用动态性研究较少，大多数研究集中于信用整体性上的动态性。卖家信用的形成是一个伴随交易的动态反映过程，有着明确的起始节点。基于交易流程的卖家信用在交易前、交易中、交易后三个阶段上有着清晰的形成始点[82]。从“信用”本

义来看，对其有三种解释：第一种是从一般意义角度阐述信用是遵守诺言而取得的信任，另外两种是从经济意义上指出信用是以借贷关系为主的经济活动。程民选(2006)对信用的基本内涵进行了拓展，指出现有对于信用的研究侧重于经济信用的研究范畴，却忽视了信用的一般含义，即在人类的整个经济活动、社会交往等一切信用活动中恪守承诺、履行合约的行为都应被视为信用[83]。

综合来看，信用是存在于一起经济活动中的，信用的多少与经济活动中承诺兑

现程度的大小直接相关。根据程民选对信用的定义，从信用一般性内涵出发，在C2C电子电子商务中，卖家信用是指在单笔交易中卖家承诺的兑现程度。卖家初始信用作为单笔交易中卖家信用的初始状态，可以反映单笔交易卖家承诺的初始状态及预期情况，交易后期承诺的兑现程度体现了卖家信用的不同状态水平。单笔交易中的卖家承诺是在双方交易达成之时开始生效，并随交易中卖家承诺的兑现程度处于不同信用状态水平，如图3-2所示。

3.2C2C电子商务信用评价机制有效性分析

电子商务如今在中国的发展是有目共睹的，但是伴随而来与C2C电子商务信用问题直接相关的投诉量却在激增。据相关资料统计分析，从2014年到2018年，我国电子商务交易额同比增长从28.60%到12.30%，但信用问题投诉量同比增长从3.32%增长到66.93%。而对于电子商务信用研究的学术成果却不增反减，以“电子商务信用”为检索词，CNKI检索成果为2016年109篇，以后逐年锐减，2018年检索结果

为57篇。这种反差排除国内外宏观经济环境的影响及科研成果发表的滞后性以外，可以推断出我国电子商务信用研究遇到了一些实质性的瓶颈。从我国电子商务发展模式及背景来看，还存在如下的问题。第一，我国的社会基础信用体系还远未建立完善；第二，因为滞后于国外电商发展，所以初期电商模式借鉴国外的比较多。在这种复杂的背景下，突然发展起来的非面对面陌生人之间的交易模式将原来理论探讨的诸多社会信用问题暴露出来；同时，电子商务奉行“拿来主义”，借鉴国外成功的理论、应用研究成果，期望满足解决快速发展的电子商务所带来的相关问题诉求。而结果是电子商务信用评价机制的建立却是一味的照搬国外的信用评价方法、建立模式，缺乏对本国国情的内在联系、本质思辨的认识，往往会出现与其固定的国情及经济信用发展状况相脱节，并不能从我国的信用研究历史和社会发展背景出发，因而所建立的信用评价方法是缺乏效力的，其信用评价结果缺乏参考性，难以应对电子商务发展过程中所面临的信用问题，并不能对社会信用评价体系起到良好的辅助作用。从C2C电子商务信用评价机制的模型设定、评价方法、评价内容分析，发现其失效的原因主要表现在：

(1)信用评价信息含量少，缺乏细节性信息。淘宝信用评价机制是在买家确认收货时，买家给予本次交易的卖家进行信用评价，评价指标包括：宝贝与描述相符、卖家服务态度、卖家发货速度三项，最后给出总体评价。单笔交易仅允许买家有一次的评价权利，虽然淘宝平台又修改评价规则，设置了可以追加评价规则，但追加评价的好坏不能影响卖家的信用评价结果，仅仅作为未来交易参考。在完整的一次交易中，卖家的信用好坏仅在一次信用评价中决定，并且受买家感知程度的约束，往往得出的信用评价结果与实际信用水平有所偏离。因此，基于eBay的信用评价方法局限评价次数十分有限且评价时间节点相对固定，难以提供基于单笔交易全过程的精细化信用信息，且评价方式为整体综合性评价，难以反映更为细节性的卖家信用信息。

(2)评价方式违背信用形成的基本规律。信用的形成一个随时间变化的动态过程，尤其在在线交易中，信用的产生、演变、形成是伴随承诺兑现程度变化而经历一个动态演进历程。淘宝在线交易中，卖家信用是伴随交易产生的，又随交易的进行而一直处于动态变化之中。这是由于在交易开始时，每个交易阶段卖家所给出的承诺不一，并且承诺的程度存在差别，因而，买家依据所感知到的承诺履约程度来给予卖家信用打分。而现有的评价方式受信用评价累加过程的影响，信用评价动态性仅能体现在宏观整体性上，交易个体的信用评价在微观上仍旧是静态的，而群体的宏观信用评价累积结果的动态性难以替代交易个体在单笔交易微观上的信用动态变化。因此，基于淘宝的信用评价方式违背了信用形成的基本规律，而在确认收货之后回忆性地给予评价反馈，往往带有象征性，故此所得到的信用评价结果与实际的信用

水平有失偏颇。

(3)买家评价表达受限，与评价本身脱离。淘宝信用评价方式通过设置固定的数值对卖家信用进行定量调节，在一次交易完成之后，信用评价结果以固定的数值，具体以+1，-1或+0的形式进行调节。虽然该评价方法能够起到调节卖家信用的作用，但未能表达出买家的真实评价意愿。换句话说，买家给予卖家的信用评价表达被人为的固定化，这是由信用评价机制设计所引起的，而这种机制中人为调节评价指标及结果去试图逼近真实信用状况显然是不可取的，换而代之的是建立可以自然描述真实信用的评价机制。此外，信用评价本身就是评价人主观性的评价表达，这与评价人的感知及情绪因素有关，现有纯粹的固定指标评价明显不能合理表达评价结果。因此，在该评价机制下，所得出的信用评价结果未能充分表达买家的评价意愿，容易引起信用评价结果与实际信用的偏离现象。

(4)评价机制的设计造成信用价值的缺失。从信用本质来看，信用是具有价值属性，信用的价值属性表现在信用是一种价值量的体现，即通过计量的方式对交易之中的信用进行价值量化。而目前基于淘宝的信用评价机制，其信用评价结果所蕴含的信用价值成分不健全，主要是因为信用评价机制的设计缺乏对商品属性、评分可信度、评价基础情况等考虑，而卖家待销售商品价值里面应包含有对未来交易承诺的价值成分，并且现有的信用评价机制设计以简单累积加权信用积分的信用评价方法，其信用评价结果受交易量影响较大，并且极易导致恶意刷单、蓄意购买等不诚信现象。因而，这种依靠交易量累积的信用评价方式，难以体现信用的实际价值，无法将信用价值与其内在交易相联系，评价结果所蕴含的信用价值成分不健全。

3.3C2C电子商务信用评价机制改进方案

从公开资料看，2018年“3.15国际消费者权益日”发布的《2017年度中国电子商务用户体验与投诉监测报告》中，90%的投诉问题都与在线信用有关。信用是一种道德规范的表现，而且是一种存在于一切社会交往关系中并起基础性作用的道德规范。在线信用是信用在在线交易过程中的体现，不同于基于信用卡等借贷关系表现出来的经济信用，而是买卖双方的互相承诺及其兑现情况。在线交易越来越普遍，在线信用评价的问题却越来越突出。对比相对丰富的在线交易信息，在线信用评价信息的刻画与获取在方法本质上却一直没有发展。这一问题根源在于淘宝信用评价模型缺乏对信用价值成分的考虑，依据简单累积加权的信用评价方法仅体现在量的累积，信用评价结果脱离了与信用价值成分的内在联系，导致了信用评价结果与实际卖家经营情况的偏离现象。因此，将信用价值成分与信用评价结果进行关联是提高信用评价结果有效性的途径之一。

首先，从信用的本义出发，买家根据单笔交易中卖家承诺兑现情况的变化给出卖家信用评价表达，伴随交易过程的进行，卖家承诺的兑现情况处于动态变化之中，在交易的全过程买家可不定期地对卖家信用作出评价表达，评价的结果反映卖家实时的承诺兑现情况。因此，这一设计有效的改进现有信用评价方法事后评价所造成信用评价结果不准确的不足。进一步地，买家可随时多次对卖家信用作出评价表达，打破了现有信用评价方法在交易全程仅给予买家一次信用评价机会的局限。虽然淘宝对此进行了修改，买家可在双方评价完成并生效后的三个月内，买家将有一次追加评论的机会，追加的评论仅是文字内容。但从卖家整体信用的角度来看，不影响卖家的好评率，卖家信用值未发生变化，仅仅是作为一种评价表达的补充。

其次，通过量化单笔C2C交易前的卖家承诺所承载的信用价值，买家调节信用值以此作为信用评价的一种表达，实现在线信用评价与在线信用价值表达同步，引入交易过程中承诺因子，例如商品因子、基础承诺因子、历史交易因子等，信用评价结果与信用价值成分形成直接关联，将卖家在交易中的承诺成分固化在卖家初始信用值中，进而根据卖家承诺的履约情况买家自主评价表达，弥补了C2C电子商务动态信用评价方法评价表达受限、评价结果缺乏有效性的不足。

最后，现有信用评价结果与买家无直接利害关系，买家对卖家的评价与自身利益无任何关系。为了避免报复性评价，淘宝评价体系设计买卖双方互评是非公开的，在双方互评的一段时间后，淘宝平台再公开双方评价。买家评价好坏与自身利益并无关系，是否给予卖家好评、中评、差评，往往因个人主观影响较大，且买家缺乏参与的积极性。

3.4本章小结

本章首先介绍了C2C电子商务信用评价原理，着重分析了C2C电子商务信用评价模型所存在的问题；其次，重点探讨和分析了C2C电子商务信用动态不完备的具体表现，确立了本文研究的出发点，进一步对C2C电子商务信用评价机制正在失效这一现象进行了系统分析，总结和分析了其失效的原因；以此为基础，最后提出了基于信用价值关联的C2C电子商务信用评价机制改进方案。

第4章C2C卖家初始信用构成及其计量模型构建

从信用的本义出发，在线交易中卖家承诺及承诺的兑现程度形成了卖家信用，伴随交易的进行，卖家承诺履约行为及兑现的程度却处于动态变化之中，因而卖家信用的形成是一种伴随交易的动态反映过程。而现有信用评价方法难以反映信用的动态变化，其信用评价结果必然与实际信用水平存在偏离。因此，本章从单笔交易微观视角的信用出发，遵循在线信用形成的基本规律，以信用本义为源，对信用变化的初始状态——卖家初始信用进行研究，确定其主要因子构成，并对卖家初始信用进行有效量化，为本文后续定量刻画单笔交易全过程的信用动态变化作好铺垫。

4.1卖家初始信用概念界定

有关“初始信用”的概念曾被学者们提出，如为了给在线消费者提供一个甄选诚信卖家的初始参考，田双领(2008)在建立初始静态信用评价模型时，将卖家在第三方交易平台的注册信息作为主要初始信用评价指标[84]。何清泉(2011)等为了提高信用评价模型的有效性，考虑到用户的初始信用水平表现程度不一，用新用户的社会诚信水平代替其初始信用状态[85]。在构建信用评价体系的过程中，唐欢(2013)提出交易主体在淘宝平台的初始注册信息代表其初始信用水平，具体体现在交易主体的基本情况、工作情况、经济情况三个方面[86]。王学东(2013)等在构建网商信用体系中指出政府部门或其他第三方交易平台所收集的网商信用信息包括网商的注册信息、第三方信用评级机构的企业信用信息等，并将此类信用信息定义为网商基础信用信息[87]。余芳(2017)在建立信用评价模型中考虑了买卖双方的初始信用分，将买卖双方在银行中的贷款、信用卡还款记录作为双方初始信用分的衡量指标[88]。

现有C2C平台大多数都采用信用评价制度来解决买卖双方的信用问题，并提出了卖家信用等级、好评率、店铺动态评分等指标来衡量卖家的信用，但这些指标仅仅是从信用整体性的角度来反映卖家的总体信用表现情况，而对交易过程中的卖家信用表现却很难及时体现[22]。现阶段，对单笔交易微观视角下的卖家信用动态性研究较少，大多数研究集中于信用整体性上的动态性。卖家信用的形成是一个伴随交易的动态反映过程，有着明确的起始节点。基于交易流程的卖家信用在交易前、交易中、交易后三个阶段上有着清晰的形成始点[82]。

通过对以上文献研究发现，以往研究所提到的初始信用是借助注册信息的完整程度、第三方交易信用评级机构的信用信息来衡量卖家的初始信用，是从信用整体性角度出发，反映的是卖家综合基础信用信息，并不针对单笔交易中的卖家信用信息，其动态性体现的是信用整体的变化，未涉及到单笔交易中卖家信用的动态变化。实际上，在线信用的形成是一种伴随交易的动态反映过程。在C2C在线交易中，卖家承诺的兑现程度反映了卖家的不同信用水平，卖家承诺的兑现情况随卖家在交易中履约行为的状况而发生变化，在卖家承诺兑现之前必然存在卖家对于未来交易所作的初始承诺，初始承诺的多少反映了卖家初始信用预期的高低。卖家承诺开始生效的时间节点在单笔交易中所对应的是买卖双方交易达成时，此节点下的信用状态为卖家的初始信用状态。显然，为了刻画和表达单笔交易中卖家信用的动态变化，对于单笔交易前卖家初始信用的研究必不可少。

4.2卖家初始信用影响因素的识别

目前，学者们关于C2C交易前卖家初始信用影响因素研究相对较少，但对于卖家整体信用影响因素的研究却有了一定的积累。McKnight(2002)等研究侧重将信用图标印章、支付方式、隐私策略等纳入到买家对卖家信用感知的影响因素中[89]。魏明侠(2007)等指出现有评价系统在计算卖家信用时没有充分考虑原有评价主体的信用度、交易次数、交易额对卖家信用的影响[38]。从网络交易安全性的视角，Kim(2008)等，倪自银(2013)等学者侧重将网络安全性作为消费者对卖家信用感知的影响因素，并指出网站安全性是影响消费者对卖家信用感知的关键因素[90,91]。Dholakia(2010)从卖家历史交易的角度出发，在信用评价系统中引入历史交易记录、交易密度、平均购买价格等影响因素来衡量卖家信用[13]。从道德诚信的视角，洪琼(2007)认为电子商务信用问题是一种诚信问题，系统分析了影响C2C交易模式诚信问题的五大影响因素，分别为商家因素、商品因素、网站因素、环境因素和个人因素[92]。于兆吉(2012)等分析了交易前阶段的身份认证、商品信息、第三方交易平台保障服务等因素有可能对在线信誉产生影响，但只是做了定性分析，并未进行实证研究验证[82]。从信用的时间维度上出发，Lin(2015)等结合信用在时间维度上的“慢增快减”特性，引入交易量、买卖双方当前信用水平、交易金额等指标来更加准确的反映卖家的真实信用水平[17]。

通过对以上文献的分析发现，在C2C电子商务环境下，影响卖家信用的因素相

对较广，主要包括商品特征因素(商品质量、商品价格、商品信息等)、网站特征因素(安全性、隐私策略、稳定性等)、商家特征因素(当前信用水平、基础信息认证、服务保障、服务态度等)、历史交易情况(交易密度、交易金额、交易数量等)、制度特征因素(隐私保护、第三方认证、安全性、支付方式等)、物流服务质量(物流服务态度、物流时长、物流公司品牌等)等几个方面。但卖家影响因素的主体划分相对笼统模糊，易造成基于定量表达的评价结果与实际卖家信用本身的偏离，进而失效。其实，信用虚拟资本是依附于特定的信用主体而存在的，信用影响因素也必反映信用主体的特定内涵。根据吴晶妹(2015)对于信用本质的剖析，认为信用虚拟资本是依附于特定的信用主体而存在的，信用主体不同其信用成分及其影响因素也不尽相同[93]。本文根据信用主体来对卖家信用影响因素进行划分，如表4-1所示。结合对于卖家初始信用概念的界定，从交易时间维度上分析，卖家信用影响因素的作用时间节点是不同的，主要集中于注册时、入驻前、单笔交易前、单笔交易中、单笔交易后等不同时间节点。基于此，本文所研究卖家初始信用时间节点位于单笔交易前，因此，根据影响因素作用的时间节点及其归属的信用主体，从卖家服务状况、待交易商品特性、卖家当前信用状况三个方面来汇总了家初始信用的影响因素。

4.3问卷设计与数据分析

4.3.1问卷设计

本文采用问卷调查的方法来验证所建的卖家初始信用影响因素模型，问卷调查法是目前最为常用的实证研究方法之一。通过问卷调查法，以电子版问卷或纸质版问卷形式来收集样本数据，通过统计检验的方法验证所建模型的科学性。在形成正式问卷之前首先得通过文献梳理搜集各变量的量表，选择比较有权威且相对成熟的量表结构；其次，借助已有的问卷题项，结合本研究的内容，修改量表题项形成初始调查问卷；再次，初始调查问卷的小范围前测，对表达不合适或存在歧义的题项进行修改、调整；最后，形成正式的调查问卷，并对问卷进行编号，通过线下或线上向目标群体发放问卷进行调研。在问卷调查法中问卷前测影响了问卷设计是否严谨、题项是否清楚反映所要调研的内容，目标群体将影响样本数据的质量。因此，在进行问卷调查中，问卷前测、目标群体确定是十分关键的两个阶段。

基于国内外文献的研究和对有过网购经历的消费者深度访谈的基础上，设计一份“C2C交易前卖家初始信用影响因素”调查问卷，观测变量和题项参考Kim(2009)、Liao(2006)、Koufaris(2004)及张钊(2010)等研究[94-97]，并在此基础上结合本文研究内容稍作修改，最终确定共21个测度项。量表采用了Likert五点量表形式，要求被调查者结合自身的网购经历对相关问题进行打分。问卷分为两个部分，第一部分为被试者个人信息项，包含7个题项；第二部分卖家初始信用影响因素问卷题项，包含卖家服务状况、待交易商品特征、卖家信用状况、历史交易状况、基础承诺情况五个方面，共21个题项。其问卷中填写的店铺名称用以核对问卷填写信息的准确性。

根据CNNIC发布的网购研究报告显示网络购物应用中71.9%的用户年龄分布在18-30岁，大学本科及以上的深度网购用户占到所有消费人群的49.2%[98]。可见，网络购物的用户年龄分布偏向年轻化，因而本文选择在校大学生这类年轻群体作为研究对象。本文采用的便利抽样的方式进行问卷调查。首先，通过向燕ft大学在校生发放纸质版调查问卷，现场收集样本数据，为了提高数据的真实性，鼓励被试者认真填写问卷，并提供精美礼品作为奖励。其次，借助网络在线方式，例如问卷星、QQ、微信、社区等在线工具进行问卷发放与数据收集。两种抽样方式共发放450份，

回收问卷413份，回收率91.80%，剔除无效问卷32份，最终得到有效问卷381份，

问卷有效率为92.25%。将样本数据随机分成样本1为236份，用于进行探索性因子分析；样本2为145份，用于进行验证性因子分析。

4.3.2描述性统计分析

4.3.2.1样本基本特征

表4-3样本基本信息样本1特征信息如表4-3所示：男性107人，占45.45%，女性129人，占54.55%；被调查者年龄段大部分集中在19-29岁，占样本总数的83.05%；学历以本科为主，占到样本总数的47.8%；调查人群的网购年限在1-10年之间，说明调研对象有着丰富的网购经验，确保样本数据的可信度及数据质量。本文样本数据特征信息与CNNIC在线网购统计数据中网购年龄、用户人群等信息基本保持一致，说明了样本具有一定的代表性。另外，探索性因子分析易受样本数量的影响，根据Nunnally&Berstein研究样本量与测量项目比例应满足在5:1以上[99]，本文样本数据符合此要求。

4.3.2.2样本描述性分析

本文采用SPSS22.0软件，对样本1数据进行描述性统计分析，各指标的最小值

-

为1，最大值为5，表明被调查者的对于测量项的回答具有较大的差别。从平均值来看，绝大部分指标的均值在3.5以上，最大值达到4.07。标准差σ均大于0.5，说明卖家初始信用构成在卖家服务状况、待交易商品特征、卖家当前信用状况、历史交易情况、基础承诺状况五个维度上存在有一定的差异需要解释。

4.3.3探索性因子分析

4.3.3.1信度分析

信度分析是为了确保模型拟合度评价和假设检验的有效性，是检验问卷测量结

果可靠性、一致性和稳定性的重要指标。信度分析中可靠性系数(Cronbach’sα)来检查调查问卷的变量在各个测度题项上是否具有一致性，其计算公式(4-1)：

被试所得总分的方差。

一般Cronbach’sα系数越大，表示量表各测量指标变量及同一维度各测量指标变量之间的关系越大，说明其内部一致性越高。在基础实证研究中，信度至少应达到

0.80才可接受，而在探索性研究中，信度只要达到0.70方可接受，介于0.70~0.98之间，均属高信度，如果低于0.35则为低信度，必须予以拒绝。本文各变量的Cronbach’sα系数在0.811~0.871之间，总体Cronbach’sα值为0.941，说明量表具有很好的效度，在各个变量的某个测度项被删除后，Cronbach’sα都会下降，说明每个量表的测度项都达到了稳定结构。

4.3.3.2效度分析

信度是指所要测量结果与预期理论结果的一致程度。测量结果与理论结果一致程度越高，说明效度就越高。效度包括内容效度、结构效度。其中内容效度是衡量量表中所测题项是否能够真确反映所测变量的内容。通过SPSS22.0软件对指标变量进行KMO(Kaiser-Meyer-Olkin)和球形Bartlett检验。KMO统计量应大于0.5，Bartlett

球形检验的显着性概率(P值)应小于0.005。根据表4-6显示KMO统计量为0.915>0.5，P值为0.000<0.005。因此，量表具有良好的建构效度，适合做因子分析。

4.3.3.3旋转因子载荷矩阵及贡献率分析

探索性因子分析采用主成分分析方法，根据特征值大于1的原则提取出三个公因子，分别命名为：F1、F2、F3，其特征值分别为3.660、1.591、1.325，且这六个成分累计贡献率达到86.720%，意味着代表了卖家初始信用影响因素86.720%的信息，说明所提的三个主成分可以反映全部的样本信息，因子载荷及贡献率信息如表4-7所示。在未经旋转的载荷矩阵中，各因子的载荷值差别不是很大，较难区分。为了使得各个变量在公因子上的载荷差异明显，本文利用Kaiser标准化的正交旋转法进行因子载荷旋转，旋转后的因子载荷在各公因子上分布较为分散，方便对结果进行合理解释和分析。

由表4-7可知，在第一个因子F1上，待交易商品价格B1、待交易商品种类B2、待交易商品类型B3、待交易商品数量B4以及待交易商品品牌B5等变量的载荷系数比较大，主要反映了卖家待售商品的特征，故命名为商品因子；在第二个因子F2上，待交易商品收藏人气B6、卖家信用积分C1、好评率C2、中评和差评数C3、店铺动态评分C5、成功交易率D1、近期退货率D2、近期售后率D3以及历史主营占比D4等变量的载荷系数比较大，反映了卖家在历史交易中承诺的兑现情况，故命名为历史交易因子；在第三个因子F3上，卖家在交易前的服务态度A1、服务专业性A2、服务及时性A3、服务一致性A4、基础承诺种类E1、基础承诺数量E2、店铺声誉C5等变量的载荷系数比较大，反映了卖家在交易前所提供基础承诺以及应具备的服务意识，故命名为基础服务因子。综上所述，卖家初始信用影响因素指标可以归类为三个因子，即商品因子、历史交易因子、基础服务因子。

4.3.4验证性因子分析

通过探索性因子分析得到C2C卖家初始信用构成包括商品属性因子、基础服务因子、历史交易因子。为了检验上述探索性因子分析所获得因子结构的稳定性，在社会性科学研究领域，一般用结构效度来测量实际结构模型与研究假设模型之间的拟合程度[86]。对于结构效度的测量，最为有效的测量方法是通过验证性因子分析来实现。验证性因子分析通过样本数据来验证假设模型结构的拟合程度。

本文利用AMOS21.0软件对样本2数据进行验证性因子分析，以检验卖家初始信用的因子结构对样本数据的拟合程度。若各项拟合指标达到标准，说明因子结构相对比较稳定。首先建立假设卖家初始信用假设模型如图4-2所示，将样本2数据导入到AMOS21.0软件中，进行模型计算。发现拟合指标数值中，RMR值、GFI值、AGFI值未达到模型标准及临界值，需对模型进行修正，分别将e4、e15与e9、e16进行关联修正。根据徐秀娟等(2013)提出模型拟合指标标准[100]，见表4-8，对修正后的模型拟合度分析，见表4-9，CMIN/DF(卡方自由度比值)为1.667，介于1到3之间，P值在0.001水平上显着；RMR(残差均方和平方根)为0.047<0.05；GFI(模型的

拟合优度指数)为0.924>0.90；RMSEA(近似误差均方根)为0.063<0.08；NFIA、CFI(增值拟合度指标)分别为0.998、0.995，均大于0.90；GFI(模型调整后拟合度指数)为0.891<0.90，但是很接近0.9，属于可接受范围之内。进一步，各潜变量的标准化因子载荷系数均大于0.5才具有统计学意义，越接近于1，模型拟合效果就越好[101]。由4-3图可知，模型标准化之后的潜变量与观测变量之间的因子载荷均大于0.6，均符合模型拟合临界值标准，表明观测变量之间的合并能够很好的解释潜变量。

分析发现，各指标权重分布相对比较分数，以wi0.660为分界线，各指标对于卖家初始信用的解释程度存在较大差异，所包含的卖家初始信用成分也不尽相同。本文基于以下标准提取卖家初始信用的主要构成成分：一是尽可能包含更多的信息，二是涵盖到三个因子结构，三是选取权重较大、影响程度较大的指标。因此，本文从三个构成因子中选取标准化指标权重相对比较大即wi0.660的指标作为卖家初始信用的主要构成，分别为待交易商品价格(0.083)、待交易商品类型(0.064)、卖家信用积分(0.070)、成功交易率(0.063)、卖家服务态度(0.060)、基础承诺种类(0.060)。

(1)待交易商品价格在所有指标中所占比重比较大，体现了待交易商品价格对于卖家初始信用的影响程度。从买家视角来看，在C2C在线交易前，买家通过感知待交易商品的各项特征来感知卖家在交易后期是否具备承诺的兑现能力，其中待交易商品的价格包含卖家对未来交易承诺的价值成分，意味着待交易商品价格越高，所蕴含的卖家承诺就应越多，相应的卖家承诺的兑现程度要求就应越高，因此，待交易商品价格是反映在线交易前卖家初始承诺水平的主要因素；从卖家视角来看，待交易商品作为卖家承诺依附的主要载体，商品价格的不同所体现的卖家承诺也不尽相同的，商品价格高的卖家，其承诺的价值成分将会更高，买家对于卖家初始信用的预期也会变高。待交易商品价格的高低对卖家初始信用有着重要的影响，这一实证结果验证了彭惠(2011)、张巍(2006)等学者曾提出的利用商品价格因子来提高信用评价结果有效性的基本构想[102,103]。

(2)不同的商品类型所承载卖家承诺的价值成分是不同的。对于实物类商品来讲，由于实物类商品在展示、性能、质量、材质、运输、售后等方面所蕴含有更多的卖家承诺，并且承诺的兑现程度易受外界因素影响，如自然因素、人为因素、宏观环境因素等不可控因素，因而实物类商品所蕴含卖家承诺的价值成分较高；对于虚拟类商品来讲，由于其天然的数字化、易处理、无物流、易兑现等特性受外界因素影响较小，卖家承诺兑现相对容易且兑现程度无差异，因此，买家在在线交易前感知到虚拟类商品所蕴含承诺的价值成分相比实物类商品要低得多。

(3)历史交易因子中的卖家信用积分、成功交易率指标，虽然作为卖家在历史交易中信用的综合反映，但也会对单笔交易中买家感知到卖家承诺兑现程度的预期产生影响，具体影响表现为卖家信用积分高、成功交易率高，则买家感知到卖家在当前交易中承诺兑现程度的预期就会越高。因此，卖家信用积分、成功交易率是构成卖家初始信用的重要因子。

(4)基础服务因子中卖家服务态度、基础承诺种类指标所占比重为0.060，表明受到买家的关注度相对较小。由于目前C2C电子商务发展已相当对成熟，卖家服务水平意识得到了普遍性提高，服务意识获得实质性转变，基础承诺种类日益丰富，卖家参与程度大多比较接近。因此，买家对于卖家基础服务的关注也发生了转移，但是未履行基础服务的卖家会招致买家更大的信用反感和信用危机，因此基础服务对于衡量卖家履约意愿大小仍是不可或缺的。

因此，本文通过因子分析法得到卖家初始信用的因子结构，根据各指标影响程度的大小提取出卖家初始信用的主要构成成分。

4.5卖家初始信用计量模型与实证分析

4.5.1卖家初始信用计量模型的构建

4.5.1.1基础服务因子

设Bssa,Bsbct分别为买家对卖家服务态度和基础承诺种类的反馈评分。设Bssa{2,1,0,1,2}，Bsbct{1,2,3}为买家对卖家服务态度和基础承诺种类反馈评分的可选集合，式中，Bs为卖家基础服务感知程度的反馈系数，w1,w2分别为卖家服务态度和基础承诺种类所占综合感知程度的比重，对探索性因子分析所得到6个评价指标权重作归一化处理，进而得到的模型评价指标权重，其中w10.15w20.15。

此外，由于买家对卖家基础服务反馈的真实性与买家自身的信用水平有关，买家自身信用水平越高，对基础服务的反馈评分越具有参考性，说明买家的信用评价越可信。因此，引入买家信用系数Bc，Bc值越大，其买家信用水平越高，反馈评价越可信。

4.5.1.2历史交易因子

卖家信用积分是卖家在历史交易中承诺兑现程度的综合反映。设Sc为卖家当前信用系数，依据现有淘宝平台规则，卖家信用积分越高，所对应的信用级别越高，其Sc值越大，取值参考表4-11。设成功交易率为Sr，定义近30天卖家成功交易某件商品数量Sn占所出售该件商品总数量Stc的比例。

4.5.1.3待交易商品因子

待交易商品因子中商品类型分为实物类商品和虚拟类商品。设商品类型系数为Wt，实物类商品系数、虚拟类商品系数分别为wp,wv，wp,wv(0,1)，wp+wv=1且wpwv，设wp0.7，wv0.3。商品价格P包含了卖家承未来交易承诺的价值成分，k为综合影响系数，与商品类别系数、历史交易系数、基础服务系数有关。

4.5.2实证分析

根据CNNIC2016年发布的《中国网络购物市场研究报告》数据显示，2015年网络购物用户购买商品品类分布中服装鞋帽占比达到79.7%，位列消费品类第一[3]，故选取服饰类淘宝商家作为实物类商品研究对象，另选取虚拟类话费充值淘宝卖家对比分析。

(1)通过比较交易1和交易2，发现在商品类型、卖家信用级别、成功交易率、买家信用级别、基础服务反馈系数一定时，单笔交易中商品价格越高，买家所感知到的卖家初始信用越大，商品价格与卖家初始信用之间存在正相关。

(2)通过比较交易2和交易3，发现在商品类型、卖家信用级别、商品价格、买家信用级别、基础服务反馈评价系数一定时，成功交易率越高，买家所感知到的卖家初始信用越大，商品成功交易率越高，买家感知到卖家在当前交易中承诺的兑现程度会越高，商品成功交易率与卖家初始信用之间存在正相关。

(3)通过比较交易3和交易4，发现在商品类型、卖家信用级别、商品价格、买家信用级别、成功交易率一定时，基础服务的反馈评价对卖家初始信用的影响不一。买家感知到的卖家服务态度以及基础承诺种类存在差异时，即使是同一卖家、同一件商品，买家所感知到的卖家初始信用仍有所差别。

(4)通过比较交易3和交易5，发现在商品类型、卖家信用级别、商品价格、基础服务反馈系数、成功交易率一定时，买家信用级别将影响买家本身对卖家初始信用的感知。买家在给出卖家基础服务反馈评价时，评价反馈的真实性、可信性与买家信用级别有关。买家信用级别越高，所感知到的卖家初始信用越具参考性。

(5)通过比较交易6和交易7，发现在商品类型、买家信用级别、商品价格、基

础服务反馈系数、成功交易率一定时，卖家当前信用级别影响买家对卖家初始信用的感知。卖家所处的信用级别越高，买家在交易前所感知到的卖家承诺兑现程度预期就越高，即卖家初始信用就越大。

(6)通过比较交易2和交易6，发现在卖家当前信用级别、买家信用级别、商品价格、基础服务反馈系数、成功交易率一定时，商品类型对买家感知卖家初始信用的影响较大，实物类商品、虚拟类商品对卖家初始信用的影响程度是不同的。

4.6本章小结

本章首先对卖家初始信用概念进行了界定，确立了研究范畴；其次，通过总结已有的研究文献汇总梳理了卖家信用的影响因素，进而通过信用主体和交易时间节点构建了卖家初始信用影响因素模型；再次，通过实证调查及数据分析，利用探索性因子分析法、验证性因子分析法确定卖家初始信用的因子结构；最后，构建了卖家初始信用计量模型，并比较和分析了不同交易参数下的卖家初始信用值，验证了其存在明显的差异，为后文定量刻画基于单笔交易的卖家信用变化情况做好铺垫。

第5章基于灰色模糊聚类的动态信用评价模型构建

信用的动态性是贯穿于单笔交易过程的始终。上一章对C2C单笔交易前的信用状态——卖家初始信用进行了量化，并给出了卖家初始信用计量模型，该模型的提出为定量刻画单笔交易全过程的卖家信用状态变化提供了契机。为此，本章在上一章的基础之上，提出基于卖家初始信用的在线动态信用评价方法以刻画卖家信用变化情况，借助灰色关联分析方法对单笔交易全过程的卖家信用评价值进行研究，分析卖家信用的波动趋势及变化规律，进一步通过模糊聚类对灰色关联的结果进行动态聚类建模分析。

5.1基于卖家初始信用的在线动态信用评价机制

5.1.1基于卖家初始信用的在线动态信用评价方法

本章旨在从单笔交易微观动态信用出发，提出一种基于卖家初始信用的在线动态信用评价方法，该方法从买家对单笔交易卖家承诺兑现程度的变化入手，以买家完全自发感知为评价表达，利用单笔交易评价表达刻画卖家的整体动态信用，评价过程无人为因素影响，并且在线信用评价与在线信用价值表达同步进行，以达到定量刻画卖家真实信用水平的目的。基于卖家初始信用的在线动态信用评价方法涉及到买家、卖家以及在线动态信用评价系统(以下简称评价系统)，特别注意：评价系统是依附于第三方交易平台，不是独立的第三方信用评价系统，消费者个人隐私信息受第三方交易平台自主保护，例如淘宝平台。评价方法步骤如下，示意图如5-1所示：

步骤1：买卖双方事先均在评价系统进行注册，买家在淘宝网下单并成功支付后，登录评价系统对卖家开始信用评价，评价过程与交易过程保持同步进行。

步骤2：买家向评价系统提交相关交易信息，包括订单编号，商品类型、商品价格、卖家历史信用积分、成功交易率、卖家服务态度评分以及基础承诺种类评分等，评价系统将其转换为卖家初始信用值S0，该值交由买家所持有，买家可调节该值的大小以作为对卖家信用的评价表达，调节范围为0~S0，但不包括0。

步骤3：买家根据卖家在物流、售后等阶段承诺的履约情况来调节所持卖家信用值的大小，以此反映买家对卖家信用评价的表达。调节节点不限，买家根据交易过程中对卖家信用的感知，可随时或在固定节点多次调节所持信用评价值的大小，并辅以文字评价和指标评价说明。在每个调节节点卖家可给予回复性评价，但买家评价值对卖家不公开，在卖家所有承诺兑现完成之后，对外开放以供其他买家参考。

步骤4：卖家单笔交易的动态信用信息通过卖家在交易前、物流、售后等阶段的打分评价值所形成的的评价曲线来反映。依据其变动趋势大致可分为正增长、负增长、零增长，各类的相对变化决定卖家整体信用变动的趋势，基于单笔交易的卖家动态信用评价曲线示意图5-2所示。

步骤5：卖家整体动态信用信息包括：一段时间内或所有特定交易量下所有与该卖家成功交易的买家信用评价曲线集来反映。依据其变动趋势大致可分为正增长、负增长、零增长，各类的相对变化决定卖家整体信用变动的趋势。

以C2C电子商务模式为例，分析在线动态信用评价方法，简要罗列如下：

(1)从每笔交易的初始信用价值总量出发，由买家自主打分调节作为评价信息的表达依据。该信用价值量表达曲线综合表达了卖家的评价信息，结合定性及语义评价构成完整的信用评价内容，信用评价表达曲线为进一步揭示指标内容提供了契机。

(2)基于时间维的信用评价表达结合其它定性、语义评价，充分体现了信用评价的动态性，可全面反映买家的满意程度。既存在交易信用评价细节、又可整体性描述信用。

(3)通过指标分析，卖家的整体信用不仅通过累加量表达，还存在多个表达指标，因此，对新卖家的信用考察不再单一，“信用歧视”现象不存在。

(4)对于信用评价表达曲线等的分析，使得买卖双方的信用不再是“一点”，而是综合的、趋势的、动态的、细节的，增加了“刷信用及恶意评价”等行为的发现机会及造假成本。

(5)将评价主体信用、商品属性、基础承诺情况、服务因素等纳入信用评价价值量化之中，构建了较为全面的信用价值成分构成，体现了买家对卖家信用评价的价值扩张作用。(5)信用评价值标准差：指在交易周期内买家所持信用评价值与整个卖家平均信

用评价值的偏离程度，记为Sd。基于时间维度的单笔信用评价值反映了在单笔交易前后单个卖家信用评价群组内的波动程度，体现了卖家信用的变化总体趋势。

(6)信用评价值离散系数：指买家持有信用评价值分散程度的绝对值。通常用标准差来计算，是一组信用评价值的标准差和其相应的均值之比，是测度数据离散程度的指标，记为Sdc。单笔信用值离散系数的大小，决定了不同组别的卖家信用评价数据间的离散程度，进行横向组间卖家信用波动变化情况的对比分析。其计算公式(5-6)：

式中，sd,sd分别代表样本的样本标准差、样本标准差平均值。

(7)信用评价值变化率：指买家持有信用评价值的变化情况，记为Rc。单笔信用评价值变化率大小，反映了卖家信用变化程度；单笔信用评价值变化率越大，说明其中包含信用问题的程度越突出。

5.1.3基于熵值法的评价指标权重设定

为了刻画基于单笔交易的卖家信用状况，反映更为真实的卖家信用情况，买家在交易前、物流期、收货时、使用体验期四个时间/时段节点对卖家在此期间的承诺兑现程度进行评价，评价值为0si100之间的任意数值，买家可根据卖家承诺的兑现情况自主进行评分并不受限制，评分大小反映了买家对卖家信用的满意程度。伴随交易的进行，买家给出的信用评价值形成了一条时序评价序列，评价曲线的走势及其波动情况代表了卖家信用的动态变化情况，具体以评价指标进行反映。

5.2基于灰色模糊聚类的动态信用评价模型

5.2.1灰色模糊聚类建模思想

灰色关联分析对样本数据量没有具体特殊的要求，无论样本数据量的大小，利用灰色关联分析都是适用的，也就是说灰色关联分析对大小样本的无影响的，但需根据实际问题需要进行量化处理。

在多指标综合评价中，评价目标往往带有模糊性、不确定性，并且难以界定评价目标的特征，因此评价目标带有灰色性。因而在此类情况中，灰色关联分析是十分适用的。在综合评价过程中，灰色关联分析方法的数学计算过程相对较为简便，且能够涵盖全部的样本信息，各指标都能同等对待，有效避免人为主观因素对于评价结果的影响，尤其是不要求变量之间具有较强的相关性以及数据是否有明确的分布范围等，因此适用于信息界限不明确，具有灰色性质的样本集合。

模糊聚类分析是将涉及事物之间的模糊界限按照一定的规则与要求进行类别的划分以及分类的数学方法，其基本理论为模糊数学理论。模糊聚类分析在综合评价中应用广泛，利用数学方法定量地确定样本之间的亲疏关系，从数学定量化的角度确定样本之间的类别。而在多维时间序列下的信用综合评价中，由于涉及到维数多，数据相对复杂，对受评目标要给出一个综合确切性的评价结果，往往存在一定的难度。而本文应用灰色关联分析对多维时间序列进行分割处理，以达到降维的目的，得到各样本数据之间的灰色关联矩阵，并构成模糊聚类的原始数据矩阵，将其转化为模糊相似矩阵，进而转化为模糊等价矩阵，借助模糊聚类分析经过灰色关联分析所得到的模糊等价矩阵进行信用等级聚类划分。因此，利用灰色关联分析和模糊聚类分析构建C2C电子商务动态信用评价模型在一定程度上摒弃了以往信用评价方法在孤立时间节点上对受评目标进行的信用评价方式，丰富受评目标的信用信息，刻画了交易全程的信用变化情况，增强了信用欺诈与信用风险的识别能力，所得信用评价结果更接近于真实的信用水平。

买家对卖家信用评价是通过所给出的打分评价值进行评价表达，将交易全过程分为单笔交易前，物流期，收货时，使用体验期四个评价阶段，分别采集卖家信用评价值，同时形成评价指标体系下量化评价值，因此，所形成的所数据序列属于多维时间评价序列，数据信息量较为复杂且难以处理。面对该问题，目前行之有效的解决方法是利用灰色关联分析对多维时间评价序列进行降维分割处理[98]。本文针对在线动态信用评价机制，采集在线交易过程中不同评价节点的信用评价值，形成卖家信用评价曲线簇，运用灰色关联分析在不同指标刻画表现下的卖家信用评价值与卖家客观信用水平之间的关系，得出各样本之间的灰色关联度矩阵，利用FEM-TC模糊聚类算法进行动态聚类，将每个卖家基于单笔交易的信用评价时序序列进行聚类分析，以得到每个卖家的真实信用等级，并与现有C2C淘宝信用评价体系的信用评价结果进行对比分析，以验证本文所构建信用评价模型的科学性。

5.2.2多维信用评价时间序列的构建

定义1：多维信用评价序列是基于单笔交易所采集的在多个评价指标下的一系列连续时间采样值，该采样值反映了评价主体在多个评价指标下的综合情况。

本文信用评价采样时间节点分为交易前、物流期、收货时、使用体验期四个时间节点，采集值为卖家在此阶段的综合信用评价值，因为在在线信用评价中，买家所给出卖家信用评价值为在此交易阶段对卖家信用的综合、整体性评价。

一维时间信用评价序列所反映了卖家信用在时间维度上的动态变化情况，体现在卖家信用评价值基于时间维度上的波动变化。为了刻画交易前后卖家的信用变化情况，尽可能地反映更为客观的卖家信用，在一维时间评价序列的基础，建立多维时间信用评价序列，采样时间点为为j的第i维变量xi的数值，

式中，xi(j)代表本文所提出的7个单笔交易评价指标，4个采样节点下的信用评价值。面对多个评价者对一个评价主体的评价，所采集的多个评价值构成了一个评价矩阵，该矩阵反映了一个评价主体综合信用评价情况，

5.2.3基于多维信用评价序列的灰色关联算法改进

5.2.3.1灰色关联下的信用评价参考序列和比较序列

本文利用灰色关联分析对多维时间时间评价序列进行分割处理，以达到降维的目的。利用灰色关联分析法建模时，首先确定卖家的信用评价参考序列，一般参考序列的选取主要有有两种方法，其一是在全部评价对象中同一指标选最优的数据作为参考评价指标，如果是正指标选最大的数据，如果是负指标选最小的数据；

在C2C电子商务信用评价中，卖家信用作为一个综合评价值，评价的最优值反

映了评价的客观程度。因此，寻找卖家信用评价序列的客观值是本文应用灰色关联建模的关键。对于多维信用评价序列，卖家信用客观程度可以利用在排除每个采样节点奇异值之后的平均值来反映。由于评价的特殊性在于买家是在自然状态下自发性的参与在线评价，每位买家对评价主体的感知存在差异，再确定卖家信用最优评价序列时，应除去偏离信用评价平均值在一定范围外的信用评价值，以免造成对信用评价结果的影响。

比较序列同最优序列的关联度比较，决定了比较序列与最优序列的接近程度，关联度越大，说明其越接近最客观评价序列，相应的信用评价表达较为客观。

5.2.3.2各卖家信用评价序列关联系数求解

利用灰色关联分析法对评价对象进行综合分析，主要依据各评价对象指标与参考指标间的关联系数，关联系数有绝对关联系数和速率关联系数两种，绝对关联系数其含义是被评价对象各指标与参考对象各指标进行绝对值的比值比较，如果被评价对象各指标与参考对象各指标越接近，其绝对关联系数越接近1；反之则绝对关联系数越接近0。

。

5.2.3.3改进灰熵加权关联度

关联度是衡量在一个子系统中两个因素或两个变量之间相似程度或接近程度的大小。在C2C电子商务交易过程中，评价关联度描述了比较序列与最优评价序列是否具有一致性，如果两者同步变化或相似程度较高，即两者的关联程度较高。灰色关联度分析对一个动态系统的变化趋势及未来发展态势提供了定量的度量，而本文所研究C2C在线动态信用评价，主要分析基于单笔交易微观视角的卖家信用的动态变化情况，因此，灰色关联分析法非常适用动态历程的分析。

但以灰色关联系数的算术平均数作为灰色关联度，可能造成信息损失和局部点关联测度值影响整个灰色关联序列。针对这一问题，本文借助灰关联熵定理，提出熵关联度计算方法求解加权灰色关联度，以此改进灰色关联分析导致的局部关联倾向和个性信息损失不足。基本思路是对于不同关联系数的影响程度利用熵值法赋以不同的权重，加权计算关联度。

5.2.4基于灰色关联的FEM-TC模糊聚类算法

本文利用模糊等价矩阵(FuzzyEquivalentMatrixes)——传递闭包(TransitiveClosure)的模糊聚类算法对灰色关联分析所得到灰色关联矩阵转化为模糊等价矩阵，以进行动态聚类分析，实现对卖家信用等级的客观划分。

5.2.4.1利用标准化欧氏距离法求解模糊相似矩阵

由于本文所要采集的信用评价值量纲一致，且数据类型一致，因此不需要进行归一化处理。将灰色关联分析所得到的关联矩阵进行模糊关系运算。首先求解模糊相似矩阵R。本文采用欧氏距离法进行模糊相似矩阵的标定，欧氏距离法是最常见的两点之间或多点之间的距离表示法，主要适用于向量各分量的度量标准统一的情况，其缺点在于，欧氏距离法将样受评样本的不同指标之间的差别同等看待，因而不能满足实际要求。因此，需要对欧氏距离法进行标准化处理，即标准化欧氏距离，其基本思想：将评价指标数值标准化，直到均值、方差相等，以消除不同指标之间

的差异。评价序列之间的欧氏距离计算公式如(5-24)，(5-25)，(5-26)所示：

定义4：欧氏距离的标准化：假设样本序列X的数学期望为m，标准差为s，标准化后的X*，标准化变量的数学期望为0，

5.2.4.2利用传递闭包法求解模糊等价矩阵

判断一个模糊关系是否为等价关系，即判断该模糊关系是否具备自发性、对称性和传递性等价特性。在求得灰色关联矩阵时，自反性反映的是其关系矩阵中的主对角元素是否全为1，对称性反映的是其关系矩阵是否为对称矩阵。传递性必须通过传递闭包来进行验证。

定义5：设R(rij)nn是模糊关系矩阵，称包含R的具有传递性质的最小闭包，

记为tc(R)，传递闭包法必须满足以下条件：

对于模糊等价矩阵，进行聚类主要是使用分割值，获得在该分割值情况下的等价类。动态直接聚类法是直接在模糊相似矩阵上进行聚类分析，给出不同的分割值，从而得到不同的相似类。在分割值1时，所得到的相似类，取其并集得到传递闭包在此分割值时的等价类。而在分割值不为1的情况下，要获得在该分割值下的等价类，可通过传递闭包法求得，将在该分割值情况下获得的相似元素对，对在上一个分割值所获得的等价类含有该元素对的归并操作，直到获得的等价类为全集。

5.3本章小结

本章在第四章卖家初始信用的研究基础之上，从单笔交易出发，提出了基于卖家初始信用的动态信用评价方法，建立了单笔交易信用评价指标体系，并对单笔交易信用评价指标进行了量化，采用熵值法设定指标权重；其次，利用改进灰色关联模型对基于单笔交易全过程的信用评价时间序列波动趋势，求解与最优参考序列的相似程度，将熵值法引入到求解灰熵加权关联矩阵之中，该方法能够弥补以往平均值集结关联度所造成部分信息损失或局部点关联测度值突变影响整个灰色关联序列结果的不足；最后，通过FEM-TC模糊聚类算法对加权灰熵关联矩阵进行聚类建模，以得出受评样本的真实信用等级。

第6章基于淘宝店铺的在线动态信用评价模型应用

6.1实验方案设计

实验前提条件是在实际的在线交易购物状态下收集买家的信用评价数据，买家自愿选择所提供的淘宝店铺并购买相关商品并参与合作调研，信用评价表达与在线交易同步进行，买家自发参与评价，且评价表达不受限制，成功参与评价者可获得相应的评价回馈，评价质量完整程度越高获得回馈越多，评价期间买家所作的评价信息受在线动态信用评价系统隐私保护，对卖家不公开，在每笔交易卖家承诺履约完成之后，在线动态信用评价系统公开双方评价信息以供其他买家参考。实验者经在线动态信用评价系统向卖家核实调研者身份，确认其是否具备参与资格，同卖家签订隐私保护协议。具体的实验方案设计如下：

(1)确定调研对象。根据中国艾瑞咨询集团发布的《2018年中国互联网流量年度数据报告》显示，中国PC互联网用户年龄在30岁以下占到全部人群的57.1%，中国移动互联网用户年龄在30岁以下占到全部人群的54.2%，而在此年龄阶段的互联网用户符合在校大学生基本特征[104]。因此，选择网购经验丰富且具有一定知识背景的在线大学生作为主要的实验调研对象。此外，为了丰富在线调研样本，一部分数据采集来自于社会上人群，以保证实验数据结构的完整性。

(2)网络购物需求调研。通过实地走访秦皇岛当地高校，向调研在校大学生发放C2C在线交易购买需求调研问卷，征集目标人群在校大学生的实际网购需求，并分析目标人群的购买意愿以及可接受的商品价格区间。发现购买商品种类最多的商品为服饰类商品，调研结果同中国电子商务协会数据服务中心发布的《中国电子商务发展报告2017-2018》，其中2018年上半年消费品类服饰类销售额位居所有品类第一，占比为28.3%等信息数据相吻合[105]。因此，选择服装类淘宝店铺作为调研对象。(3)选择淘宝合作卖家。店铺选择原则是在买家购买商品之后能够在较短时间内

感知到产品质量、性能、功能等特性，且卖家当前信用级别存在不同程度的差异，以便于评价数据的对比分析。首先，告知卖家该项工作的社会意义以及实际应用价值。其次，向卖家解释该项调研结果如何应用于实际经营中以及合作激励基金。另外，向卖家阐释用户操作的详细流程，并听取卖家对于实验方案设计的意见。最后，确定自愿参与调研的卖家，并签订隐私保护协议。根据以上原则，选取10位淘宝卖

家中10件商品作为预调研对象，商品价格最高为338元，在大学生的可接受范围之内，符合学生的在线消费习惯，淘宝卖家具体信息见表6-1。通过调查发现商品价格在300元以内的卖家对适度的经济刺激较为敏感，表现出更为强烈的调研意愿。课题组计划向调研者提供15~20元不等的调研红包，激励买家积极参与。

(4)实验前准备。将在线信用评价系统向在校大学生、社会人员开放进行小范围的预实验，就测试者对实验流程、实验原则、实验目的、评价方式以及实际价值作针对性的培训、解释。在收集收集测试者的反馈意见之后，对在线信用评价系统的实验流程、评价方式以及文字表述等方面作进一步完善。

(5)设计实验流程。实验是在自然购物状态下进行，实验者通过QQ、微信、在线社区等在线社交软件向消费者发放调研告知书，寻求消费者调研意愿，消费者根据自身购买需求，自愿参与实验调研，成功参与调研者将获得15~20元不等的调研红包，调研时限为2个月。具体的实验流程如下：

首先，评价系统的进度与在线交易过程同步进行，用户在淘宝平台提交订单并成功支付后，在在线评价系统进行在线注册，注册账号仅限于本次交易的淘宝账号，目的是为了提供该用户名给合作店铺以进行调研资格的认证。评价系统流程见图6-1。

其次，伴随着交易过程的进行，交易过程与信用评价表达同步进行，买家在在线信用评价系统中填写支付时间，可对卖家在交易中承诺的兑现情况进行评价，以打分值的形式作为卖家信用的评价表达，分别给出交易前、物流阶段、收货后以及售后服务期间的卖家信用的综合评价值，评价值范围在0~100分(系统预设卖家初始信用值为100分)之间。买家可自愿多次评价，一经提交，无法修改，但可查看上次评价值及文字评价，每次评价节点可辅以打分根据原因说明，以指标形式进行表达。最后，买家在在线信用评价系统中提交淘宝平台的信用评价结果。买家填写在

线评价系统时遵循实际交易流程，通过合作卖家反馈的淘宝用户名信息以及用户系统提交的支付时间、实地收货时间划分和确认评价阶段，以此判断问卷填写的有效性。为了提高了买家参与的积极性，客观认真填写评价问卷，课题组独立向自愿参与问卷填写的买家提供15~20元的补助金。一方面，该补助金可以鼓励买家积极参与、真实评价；另一方面，实验的调研分析结果可以为卖家改善经营及优化服务提供指导意见，并义务性地为卖家进行在线宣传推广。因此，从买卖双方所关注利益角度分析，实验设计与成功实施对双方都是互利的，数据采集的成本和难度大大降低。

6.2信用评价数据采集与处理

本文通过在线动态信用评价系统分别采集交易前、支付到收货前、收货后、收货后体验使用四个阶段共10家店铺所购买服饰衣服类的信用评价数据，系统开放时长为2个月。评价原则是买家根据对交易中卖家承诺兑现情况的感知分别对卖家在交易全过程的信用表现进行打分。基于交易过程所形成一系列打分值，其变动趋势反映了交易过程中卖家信用表现的变化趋势及其波动情况。采集时间点T=4，采集样本量为N1012样本数据[xij(N)]1204，实际有效数据为N1010多维时间评价序列数据[xij(N)]1004。

6.2.1单笔交易卖家信用评价值结果计算

在对采集的原始数据进行标准化处理之前，计算10位淘宝卖家的初始信用值。结合公式(4-7)，利用卖家初始信用计量模型将买家打分值转换为卖家信用评价值，

根据以上公式，将单笔交易全过程的买家信用打分值转换为卖家信用评判值，卖家信用的波动情况可以通过卖家信用评判值所形成的曲线定性表达，也可通过评

价指标定量反映。淘宝网10位卖家的100笔在线交易为研究样本，其中各交易参数信息表如表6-2所示，转化后的单笔交易前、物流期、收货时、使用体验期四个调节时间节点的卖家信用评价值结果。

表6-3卖家信用评价值计算结果

6.2.2基于单笔交易的卖家信用评价值波动趋势分析

本文利用Origin8.0软件对卖家信用评价值进行可视化分析，各卖家信用评价曲线的走势体现了卖家信用的波动情况，反映了卖家承诺的兑现情况。卖家信用评价曲线提供了更加精细化的信用信息，可以为卖家信用表达作出客观、全面的信用评价参考，同时信用评价曲线的形成，也间接地论证了微观动态信用存在的必然性。进一步，通过信用评价曲线趋势的分析，可以预测卖家在未来交易承诺的兑现情况以及是否存在信用欺诈的可能。因此，卖家信用评价曲线的形成，为刻画和表达卖

6.3.1信用评价序列灰色关联系数求解

本文采用MatlabR2016a编程软件计算各卖家的灰色关联系数，分辨系数一般取

=0.5。依据公式(5-19)，以各卖家信用评价的平均值作为最优评价序列，计算各卖家信用评价序列与最优评价序列的灰色关联系数。灰色关联系数算法Matlab核心代码如下：

6.3.2信用评价序列灰色关联矩阵求解

在灰色模糊系统理论中，关联系数是基于时间维度上的各参考数列与比较数列之间的关联程度，由于关联系数相对分散在关联曲线的各点上而难以进行整体性说明比较，因此，需要将关联系数集结于一个综合的数值，从总体角度了解各序列与参考序列的相似情况，即关联度。一般的集结方法是求各关联系数的平均值，以作为比较数列与参考数列间关联程度的数量表示，但平均值的集结方法有时会造成平均值造成部分信息损失或局部点关联测度值突变而影响整个灰色关联序列结果。本文借助灰关联熵定理，依据公式(5-22)，利用熵关联度计算方法求解加权灰色关联度，

6.3.3欧氏距离法标定模糊相似矩阵

6.3.5结果讨论

6.3.5.1卖家信用评价曲线特征分析

(1)Ⅰ类信用等级评价曲线特征分析。从表6-7可以观察到受评样本在采样时间

点上各卖家的信用状态变化趋势及其信用波动情况。其中，卖家1信用评价曲线排除买家I8之外的信用评价曲线相对集中，波动范围大致在55~123分之内，排除评价者信用影响，卖家信用评价曲线变化趋势相对一致。从卖家1总体信用评价曲线分析，随着交易的进行，卖家信用评价值逐渐呈现持续递增态势，尤其是在Rg到Es评价阶段，除A8买家信用评价值出现略微的下降之外，其余买家的信用评价值普遍呈现递增趋势，说明买家在收到商品，使用并体验商品之后，商品达到了买家的心理预期，意味着卖家承诺兑现程度很高。结合评价指标打分情况，发现买家在Rg到Es评价阶段，对商品的质量、售后服务以及品牌认知等满意程度均为4或5分，体现对卖家强烈的认同感。另外，买家A8在物流期到使用体验阶段，对卖家信用的打分值逐渐减小，与其余买家信用评价曲线趋势不同，究其原因在于买家A8自身的信

用级别系数为0.25，所对应的实际淘宝信用等级为五星，信用水平相对较低，且买家A8评价曲线，变动浮动大约在20分左右，波动范围较大。因此，可以很大程度判定买家A8极有可能存虚假评价行为。同时分析买家A1评价曲线，在Bt到Ls评价阶段，买家给出的信用评价值由原来的72.825变为64.393分。分析评价指标的打分情况，买家A1认为卖家物流时间较长，但发现其收货地址属于偏远地区且遭遇恶劣天气影响，物流时间较长也是情理之中。因此，卖家信用评价曲线的形成有利于对卖家信用的刻画，同时基于群体的信用评价曲线往往不会因为个体信用评价值的突变而影响信用评价结果的影响。

(2)Ⅳ类信用等级评价曲线特征分析。卖家2信用评价曲线分布在评价值31~108分之间，波动范围较大，说明该卖家在交易过程中的信用变化程度较大，所反映的信用问题相对突出。在Rg到Es评价阶段，买家给出的卖家信用评价值基本呈现递减态势，仅有买家B6所给出的信用评价值出现递增，说明在此阶段买家收到商品，使用体验之后，买家对卖家在商品质量、售后服务、问题处理效率等方面的表现普遍表示不满，结合评价指标的打分情况分析，发现买家几乎给出在此阶段的信用评价指标打分为1或2分，说明卖家存在承诺兑现程度不高，或交易承诺未履行等失信行为。同时买家B8评价值由原来105.823变为84.390分，变动幅度较大，说明卖家交易前后的信用问题比较显着。从总体的卖家信用评价曲线分析，Ⅳ类信用等级评价曲线无具体的信用变化规律，往往在买家收货并试用商品之后，认为商品质量未能达到预期，且卖家未能有效处理其售后诉求。

(3)Ⅱ类、Ⅲ类信用等级评价曲线特征分析。Ⅱ类信用评价曲线，包括卖家6、卖家10评价曲线，其分布相对较集中。在Rg到Es评价阶段，其评价曲线基本走势呈现递增，但也有一小部分评价曲线呈现递减，且递减程度较小，说明在此阶段的卖家承诺履约情况好，相对Ⅰ类信用等级评价曲线仍有一定的改善空间，卖家可买家的信用反馈有针对性地在售后服务跟进、问题处理效率等方面提升服务水平，优化服务格局。Ⅲ类信用等级评价曲线，包括卖家3、卖家4、卖家5、卖家7、卖家8、卖家9评价曲线，其分布在可接受范围之内，总体曲线变化无特定规律，信用值波动存在较大的变化，部分买家信用评价曲线走势与其他买家信用评价曲线存在很大的差异，从而影响到整体信用评价曲线的走势。

6.3.5.2信用评价指标及聚类图谱分析

从熵权法得到的指标权重结果分析发现指标1，即信用持有率的权重在各指标中占比最大。因此，用信用持有率指标代表其他信用指标，具体划分卖家信用等级。其中，卖家1的信用持有占比最大，其值为0.934，属于0.9~1.0范围，内归为Ⅰ级信用类别，反映买家对卖家承诺履约情况的认可程度，表明大多数买家认为卖家的信用水平高。卖家6、卖家10信用持有占比分别为0.889、0.825，属于0.8~0.9范围内，归为Ⅱ级信用类别，反映卖家承诺履约情况好、表现为信用质量好。卖家3、卖家4、卖家5、卖家7、卖家8、卖家9信用持有占比分别为0.789、0.767、0.792、0.770、0.793、0.723，属于0.7~0.8范围内，归为Ⅲ级信用类别，反映卖家承诺履约情况一般，表现为平均信用质量。卖家2信用持有占比为0.635，属于0.8~0.9范围内，归为Ⅳ级信用类别，反映卖家承诺履约情况差，表现为信用质量差。

结合动态聚类图谱分析，当截取水平=0.70时，卖家6、卖家10被聚为一类，

卖家3、卖家4、卖家5、卖家7、卖家8、卖家9被聚为一类，卖家1、卖家2分别被聚为一类。将聚类结果与卖家当前信用级别对比分析，发现在卖家当前信用级别相同的信用背景下，利用本文评价方法所得出的评价结果存在很大的不同，例如卖家1与卖家8，卖家2和卖家9，究其愿意在于淘宝信用评价方法缺乏对交易金额、评价者信用、商品类型、基础承诺情况等因素的考虑，同时评价机制的设计使得评价意愿表达受限，难以反映真实的评价表达。另外，从买家的角度分析，在单笔交易前，当卖家当前信用等级较低，并不一定代表在未来交易中承诺兑现程度较低，卖家当前信用等级高，并不一定代表在未来交易中承诺兑现程度较高。例如依据卖家承诺兑现程度划分，聚类结果为Ⅲ级信用类别，其卖家当前信用级别分布从一钻到三皇冠不等。因此，当前信用等级与卖家未来交易承诺兑现程度之间不存在强关联时，淘宝信用评价结果缺乏参考性。在单笔交易前选择诚信卖家，考察卖家是否具备履约能力，不应仅仅考察其当前信用等级的高低，诚信卖家的选择，应该从多方面考察卖家综合信用水平，其中包括信用评价值持有率、信用评价持有平均值、信用评价值离散系数等指标加以衡量。

6.3.5.3信用评价模型对比分析

从表6-7可知，各卖家依据淘宝信用评价模型所得信用评价结果大体上是有所差

异的，但这种差异并不能对卖家信用进行有效区分。例如卖家1淘宝信用评价结果

为8个好评、1个中评、1个差评，信用积分值+7，与卖家5淘宝信用评价结果一致，但依淘宝信用评价模型无法对两卖家此交易阶段内的信用水平进行区分，但本文所建模型将两卖家信用等级分别归为Ⅰ类、Ⅲ类信用等级，从而进行了有效区分。同

样地，卖家3淘宝信用评价结果为7个好评、2个中评、1个差评，信用积分值+6，虽然卖家10淘宝信用评价结果为8个好评、2个差评，但信用积分值也是+6，信用等级划分结果不同，且卖家平均持有占比存在较大差异。另外，尽管不同卖家所得信用评价结果有所差异，缺乏对商品价格、卖家信用等级、买家信用等级、基础程度情况、历史成功交易率等因素综合考虑。例如信用等级划分为Ⅲ类信用等级的卖家3、卖家4、卖家5、卖家6、卖家7、卖家8，在未考虑以上因素的情况下，淘宝信用评价计算方法依据好、差评个数累积卖家信用积分值，其信用评价结果的差异仅体现在量上的变化，未形成与信用价值成分的直接关联，与卖家实际经营情况存在一定程度的偏离，借助平均持有占比、平均波动程度等指标可以对处于同一信用等级的卖家进行区分，且可区分性较强。因此，淘宝信用评价模型所得信用评价结果可参考程度较低，“好评”区分程度较差，且难以反映“好评”所蕴含的信用价值成分。

通过以上分析表明，本文所提出的在线动态信用评价模型为买家选择诚信卖家提供了丰富的信用评价参考信息，增强了信用动态实时监管与风险、欺诈识别能力，同时实现了在线信用评价与在线信用价值表达同步，信用评价结果与信用价值成分的直接关联，信用评价结果客观、真实，可区分性较强，并且与卖家实际经营情况基本相符，进一步验证了模型的有效性。

6.3本章小结

本文首先设计了在线动态信用评价调研实验，确定了实验调研对象、需求，着重设计了C2C电子商务动态信用评价的实验流程。其次，开发C2C电子商务信用动态评价系统，在线动态信用评价和实际在线购物交易的同步进行，并在线采集了单笔交易全过程的卖家信用评价数据。再次，对信用评价数据预处理，分析了基于单笔交易的卖家信用波动情况，利用灰色关联分析法和模糊聚类方法，并借助Matlab软件计算评价结果对10位淘宝卖家进行信用等级的客观划分。实验表明，本文所建立的C2C在线信用评价模型可以从交易实际情况出发，定量刻画卖家基于单笔交易微观视角的信用变化情况同时，所得信用评价结果更为客观，区分性较好，且符合卖家实际经营情况。最后，对模糊聚类所得的结果进行分析，同淘宝信用评价模型进行了对比分析。

现了信用评价与在线交易表达同步，信用评价结果与卖家实际经营情况相符，解决以往研究信用评价结果偏离、失真等问题，具有良好评价效果和应用价值。

围绕提高C2C电子商务在线动态信用评价模型的有效性，刻画和表达真实的卖家信用，本研究的创新点主要体现在：

(1)从单笔交易微观视角出发，分析和研究了单笔交易过程中卖家信用动态变化情况，实现了单笔交易信用的在线动态实时调节，提供了一种定量刻画单笔交易全过程卖家信用的表达手段，打破了现有信用动态性研究仅体现在信用整体性上而难以表达和反映微观信用动态变化的局限。

(2)以往在线信用评价研究大多数是在现有指标体系中进行指标的优化与创新，而本文为了提高C2C电子商务在线信用评价的能力，提出了一种伴随交易过程的基于卖家初始信用的在线动态信用评价方法，信用评价指标是从C2C单笔交易的评价过程中重新获取而来的，这种方法一定程度上解决了原有人为调节评价指标所带来的信用评价结果偏离问题。

由于个人能力和时间有限，本研究仍存在以下不足：

(1)在进行样本数据采集时，本文主要的实验调研人群针对在线大学生，调研的商品对象是服饰类衣服，虽然根据相关统计资料证明，在校大学生是在线购物的主力军，服饰类是在线购物的第一消费品类，样本具有一定的代表性。但是C2C在线交易涉及的消费群体相对较为复杂，层次不一，消费者对于不同品类的商品使用、寿命、功能等感知都是有所差异，因此样本范围的选取可能过于狭窄，其结论的普遍适用性有待进一步的检验。

(2)本文对于卖家信用评价曲线的分析，虽然只是从曲线趋势、走向以及特征等方面进行了考察，仅停留在如何提高信用评价结果的有效性，刻画基于单笔交易的信用变化情况以此反映卖家真实信用水平等内容上，但未对卖家信用评价曲线所存在的潜在信用欺诈、风险等方面进行系统分析。未来研究可在本文研究的基础之上，进一步对卖家信用评价曲线的分析，以达到对卖家信用的动态实时监管以及潜在欺诈风险预测的目的。

参考文献

[1]杨韵.C2C交易中的动态信用评价模型[J].情报科学,2010(04):563-566.

[2]中国互联网络信息中心(CNNIC).第43次中国互联网络发展状况统计报告[EB/OL].[2019-02-28].http://www.cnnic.cn/gywm/xwzx/rdxw/201720177056/201902/20190228_706.htm.

[3]中国互联网络信息中心(CNNIC).2015年中国网络购物市场研究报[EB/OL].[2016-06-22].http://www.cnnic.cn/gywm/xwzx/rdxw/2016/201606/t20160622_54247.htm.

[4]李伟超.中国电子商务信用体系研究[J].电子政务,2012(04):88-92.

[5]ZhangAZ.ResearchonhowtoStrengthentheManagementofChineseE-commerceCredit[J].AdvancedMaterialsResearch,2013,798-799:881-884.

[6] 于兆吉,鲁文,印有鹏.在线信誉的研究现状与展望[J].沈阳工业大学学报(社会科学版),2014(05):435-439.

[7]HungYH,HuangTL,HsiehJC,etal.OnlineReputationManagementforImprovingMarketingbyusingaHybridMCDMModel[J].Knowledge-BasedSystems,2012,35(06):87-93.

[8]BakosY,DellarocasC.Cooperationwithoutenforcement?AComparativeAnalysisofLitigationandOnlineReputationasQualityAssuranceMmechanisms[J].SocialScienceElectronicPublishing,200357(11):127-142.

[9]LiuF,WangL,GaoL,etal.AwebServiceTrustEvaluationModelbasedonSmall-worldNetworks[J].Knowledge-BasedSystems,2014,57(04):161-167.

[10]MartiS,GarciamolinaH.AbstractTaxonomyofTrust:CategorizingP2PReputationSystems[J].ComputerNetworks,2006,50(04):472-484.