基于主成分分析和支持向量回歸機(jī)組合模型的電子商務(wù)信用風(fēng)險(xiǎn)度預(yù)測(cè)研究

夏晗

[摘要]隨著電子商務(wù)的快速膨脹，信用風(fēng)險(xiǎn)對(duì)電子商務(wù)發(fā)展的影響越來(lái)越突出。信用風(fēng)險(xiǎn)已成為電子商務(wù)企業(yè)所面臨的最主要風(fēng)險(xiǎn)之一。文章結(jié)合企業(yè)的財(cái)會(huì)指標(biāo)和電子商務(wù)運(yùn)營(yíng)能力構(gòu)建企業(yè)電子商務(wù)信用風(fēng)險(xiǎn)度預(yù)測(cè)指標(biāo)，并利用主成分分析對(duì)指標(biāo)進(jìn)行篩選，在此基礎(chǔ)上通過(guò)支持向量回歸機(jī)對(duì)電子商務(wù)信用風(fēng)險(xiǎn)度進(jìn)行預(yù)測(cè)，并進(jìn)行實(shí)證檢驗(yàn)，實(shí)證結(jié)果表明，此方法與標(biāo)準(zhǔn)支持向量回歸機(jī)和神經(jīng)網(wǎng)絡(luò)相比具有更高的分類精度，證實(shí)了該方法的可行性和優(yōu)越性，為電子商務(wù)建立可靠的信用風(fēng)險(xiǎn)度預(yù)測(cè)系統(tǒng)提供依據(jù)。

[關(guān)鍵詞]電子商務(wù)；信用風(fēng)險(xiǎn)度；支持向量回歸機(jī)；主成分分析；預(yù)測(cè)

DOI：10.3969/j.issn.1008-0821.2015.01.014

[中圖分類號(hào)]F724.6；F713.36 [文獻(xiàn)標(biāo)識(shí)碼]A [文章編號(hào)]1008-0821（2015）01-0076-04

隨著電子商務(wù)的快速發(fā)展，信用風(fēng)險(xiǎn)已成為參與電子商務(wù)企業(yè)所面臨的最主要風(fēng)險(xiǎn)之一。電子商務(wù)交易雙方不直接接觸，它是基于信用基礎(chǔ)上的交易。從買方的角度看，只能通過(guò)網(wǎng)上對(duì)產(chǎn)品的描述來(lái)了解產(chǎn)品質(zhì)量，但是無(wú)法掌握賣方的資產(chǎn)、生產(chǎn)等詳細(xì)情況，對(duì)賣方是否能按時(shí)交貨，貨物質(zhì)量數(shù)量有無(wú)保障都存在疑惑。從賣方角度看，他們不能了解買方能否按時(shí)足額交付貨款。雙方交易過(guò)程中，經(jīng)常會(huì)出現(xiàn)貨不對(duì)板、欺騙貨款、欺騙貨物樣品、虛假交易、假冒行為、合同詐騙、網(wǎng)上拍賣哄抬標(biāo)的、侵犯消費(fèi)者合法權(quán)益等行為，因此買賣雙方會(huì)出現(xiàn)由于信息不對(duì)稱導(dǎo)致的交易不信任，電子商務(wù)信用問(wèn)題成為制約電子商務(wù)健康快速發(fā)展的瓶頸?；诖?，近年來(lái)政府及企業(yè)已經(jīng)逐漸重視電子商務(wù)信用體系的構(gòu)建，并開(kāi)始構(gòu)建規(guī)范的企業(yè)和個(gè)人征信體系。

由于電子商務(wù)的迅猛發(fā)展，電子商務(wù)發(fā)展至今的20年間，國(guó)內(nèi)外學(xué)術(shù)界對(duì)這一新型的商務(wù)交易模式已經(jīng)進(jìn)行了大量的研究，但是有關(guān)電子商務(wù)信用風(fēng)險(xiǎn)研究并不多，國(guó)內(nèi)外的研究大都側(cè)重于電子商務(wù)信用風(fēng)險(xiǎn)的形成機(jī)制和機(jī)理研究，有關(guān)電子商務(wù)信用風(fēng)險(xiǎn)評(píng)估方法的研究很少。國(guó)內(nèi)目前的研究方法主要是綜合評(píng)判、統(tǒng)計(jì)分析和人工智能方法，張?zhí)m怡、闕丹文等建立了累進(jìn)加權(quán)評(píng)價(jià)的電子商務(wù)評(píng)價(jià)方法。張明等利用統(tǒng)計(jì)多元分析方法對(duì)電子商務(wù)信用風(fēng)險(xiǎn)進(jìn)行了分類，獲得了較好的分類效果。在評(píng)價(jià)指標(biāo)方面，魏明俠等從對(duì)網(wǎng)購(gòu)者對(duì)信用風(fēng)險(xiǎn)感知的角度建立了一套評(píng)價(jià)指標(biāo)體系，支出違約對(duì)于消費(fèi)者的感知程度較強(qiáng)，但是目前尚未形成全面的評(píng)價(jià)指標(biāo)體系。國(guó)外學(xué)者對(duì)于電子商務(wù)環(huán)境下信用風(fēng)險(xiǎn)評(píng)估研究的重點(diǎn)為具體應(yīng)用方面，主要是通過(guò)數(shù)學(xué)模型進(jìn)行信用等級(jí)評(píng)定，例如chenga和chian采用數(shù)據(jù)包絡(luò)分析方法（DEA）建立電子商務(wù)交易中個(gè)人信用評(píng)估模型，其中主要采用決策樹(shù)、神經(jīng)網(wǎng)絡(luò)等方法建立數(shù)學(xué)模型。Wang等人利用馬爾科夫鏈對(duì)電子商務(wù)信用風(fēng)險(xiǎn)進(jìn)行評(píng)價(jià)分析。

目前國(guó)內(nèi)外有關(guān)電子商務(wù)信用風(fēng)險(xiǎn)預(yù)測(cè)方法主要是以綜合評(píng)判法及其結(jié)合模糊數(shù)學(xué)的改進(jìn)方法和統(tǒng)計(jì)分析法為主，在人工智能方面的研究比較少。研究表明人工智能方法的信用風(fēng)險(xiǎn)評(píng)估精度比其他方法優(yōu)越。支持向量機(jī)在小樣本訓(xùn)練方面比其他人工智能方法更勝一籌，而且該方法的泛化能力非常強(qiáng)。而支持向量機(jī)方法目前主要應(yīng)用于金融行業(yè)的信用風(fēng)險(xiǎn)評(píng)估，對(duì)電子商務(wù)信用風(fēng)險(xiǎn)評(píng)估涉及較少。而且目前的研究主要是對(duì)電子商務(wù)信用風(fēng)險(xiǎn)的兩級(jí)分類研究，無(wú)法精確預(yù)測(cè)企業(yè)信用風(fēng)險(xiǎn)度的高低，同時(shí)在評(píng)價(jià)指標(biāo)方面主要考慮企業(yè)的財(cái)會(huì)指標(biāo)，未將企業(yè)的電子商務(wù)運(yùn)營(yíng)能力考慮在內(nèi)?；诖?，本文提出運(yùn)用主成分分析和支持向量回歸機(jī)組合模型對(duì)電子商務(wù)信用風(fēng)險(xiǎn)度進(jìn)行預(yù)測(cè)，同時(shí)在評(píng)價(jià)指標(biāo)方面不僅考慮企業(yè)的財(cái)會(huì)指標(biāo)，還將企業(yè)的電子商務(wù)運(yùn)營(yíng)能力考慮在內(nèi)，構(gòu)建一個(gè)比較全面的評(píng)價(jià)指標(biāo)體系。實(shí)證分析結(jié)果表明該方法具有比較高的預(yù)測(cè)精度和效率，為企業(yè)進(jìn)行電子商務(wù)信用風(fēng)險(xiǎn)度預(yù)測(cè)提供參考。

1.主成分分析與支持向量回歸機(jī)組合模型

1.1模型設(shè)計(jì)

在模型中主成分分析（PCA）和支持向量回歸機(jī)（SVR）的作用分別是：主成分分析用來(lái)約減屬性，減少支持向量回歸機(jī)輸入指標(biāo)的個(gè)數(shù)；支持向量回歸機(jī)對(duì)輸入指標(biāo)進(jìn)行分析處理，得到信用風(fēng)險(xiǎn)度預(yù)測(cè)值。因此這兩種方法是以串聯(lián)方式組合在一起的，即主成分分析的處理結(jié)果作為支持向量機(jī)的輸入，把這兩種方法組合在一起，如圖1所示。endprint