協(xié)同電子商務(wù)下交互行為演化研究①

蔣國銀, 馬費成

(1. 湖北經(jīng)濟學(xué)院信息管理學(xué)院, 武漢 430205； 2. 武漢大學(xué)信息管理學(xué)院, 武漢 430072)

?

協(xié)同電子商務(wù)下交互行為演化研究①

蔣國銀1,2, 馬費成2

(1. 湖北經(jīng)濟學(xué)院信息管理學(xué)院, 武漢 430205； 2. 武漢大學(xué)信息管理學(xué)院, 武漢 430072)

摘要：利用商務(wù)社區(qū)中用戶流量轉(zhuǎn)移行為的實證結(jié)果構(gòu)建服務(wù)商收益模型, 并集成進入基于多智能體和無標度網(wǎng)絡(luò)的計算實驗?zāi)Ｐ椭? 實驗結(jié)果表明, 該模型能較好地模擬協(xié)同電子商務(wù)中服務(wù)商和消費群體的交互行為演化過程; 消費群體中, 創(chuàng)新者或早期接受者明顯占優(yōu), 使用較低的管理力度, 能讓在購量的演化快速達到均衡, 且能獲取較大收益; 反之, 群體中, 晚期接受者比例占優(yōu)時, 即便實施較大的管理力度, 效果也不明顯; 定位網(wǎng)絡(luò)中關(guān)鍵節(jié)點和關(guān)鍵區(qū)域, 實施有針對性的管理策略, 可以提高潛在用戶到在購的轉(zhuǎn)移率; 鼓勵用戶使用多種社交工具, 改變用戶交流網(wǎng)絡(luò)結(jié)構(gòu), 從而加大服務(wù)商獲取更大利潤的可能.

關(guān)鍵詞：協(xié)同電子商務(wù); 無標度網(wǎng)絡(luò); 計算實驗; 交互行為演化

0引言

隨著網(wǎng)絡(luò)和社交媒體的飛速發(fā)展, 新興電子商務(wù)模式層出不窮, 協(xié)同電子商務(wù)是流行趨勢[1]. 除了簡單的資本協(xié)同外, 電子商務(wù)模式的創(chuàng)新、服務(wù)上協(xié)同也是顯性趨勢. “社區(qū)+商務(wù)”是典型協(xié)同電子商務(wù)服務(wù)模式, 將社區(qū)或社會媒體的注冊用戶轉(zhuǎn)化為電子商務(wù)的消費者也是種有效做法, 即實現(xiàn)用戶流量轉(zhuǎn)移, 如美麗說、蘑菇街等社會化電子商務(wù)服務(wù).

“社區(qū)+商務(wù)”模式中, 服務(wù)商會隨市場環(huán)境和消費群體的狀態(tài)，動態(tài)調(diào)整管理策略, 如促銷或降價(漲價)、采納新技術(shù)(服務(wù))、實施強品牌策略等, 而消費者也會視服務(wù)商的管理決策和社會規(guī)范動態(tài)地調(diào)整自己的消費決策,即是否購買、觀望(休眠), 或者不再購買等, 因此, 服務(wù)商和消費者的行為呈交互演化態(tài). 關(guān)于演化方面的研究, 現(xiàn)有文獻主要集中于電子商務(wù)服務(wù)的單一的創(chuàng)新演化[2], 電子商務(wù)模式的演化[3], 電子商務(wù)中單一決策變量(或環(huán)境變量)改變時的行為演化的研究[4,5], 很少有交互演化方面的研究.

關(guān)于演化研究的方法有多種，如用于技術(shù)擴散的Bass模型[6], 它是經(jīng)典的技術(shù)擴散模型,描述的一類隨外部的影響, 通過大眾媒體和口碑傳播, 實現(xiàn)新技術(shù)或服務(wù)的采納, 其采納過程也就是接受行為演化. 研究心理行為的隨機系統(tǒng)模型, 如利用隨機尖點突變模型研究心理契約的演化[7]. 用于研究群體博弈策略的演化, 如電子協(xié)同中的合作策略演化問題[8]. 這類定量模型不能洞悉異質(zhì)消費者和復(fù)雜的社會過程的動態(tài)性, 他們只能從理論視角描繪演化的形狀, 缺乏一定的預(yù)測和解釋力.

計算實驗是以綜合集成方法論為指導(dǎo), 融合計算技術(shù)、人工智能、復(fù)雜系統(tǒng)理論和演化理論等, 通過計算機可視化管理場景、微觀主體的行為特征和相互關(guān)聯(lián), 并在此基礎(chǔ)上分析揭示管理復(fù)雜性與演化規(guī)律的研究方法[9]. 該方法主要還是使用傳統(tǒng)的計算機仿真或模擬方法[10], 但計算實驗的應(yīng)用意義又比仿真或模擬更廣些, 即它不僅僅要模擬真實的管理場景,即一種情形, 也會通過實驗方法構(gòu)建多種虛擬管理場景, 即一束虛擬管理場景, 并對比分析這些管理場景下的對策. 利用計算實驗進行系統(tǒng)演化方面的研究, 能揭示演化系統(tǒng)深層次的內(nèi)部機制和微觀規(guī)律, 這種方法近年來被廣泛用于經(jīng)管領(lǐng)域的復(fù)雜行為研究[4,5,11].

基于Agent的計算實驗?zāi)茌^好地克服定量模型的不足, 自底向上、從微觀到宏觀呈現(xiàn)演化現(xiàn)象[12]. 從宏觀視角看, 若都使用全連通網(wǎng)絡(luò), 則基于Agent的實驗方法和基于Bass模型(實質(zhì)為微分動力方程)的宏觀結(jié)論一致[13],但從微觀和推演過程來看, 基于Agent的方法, 能描述異質(zhì)消費者的微觀接受行為[14]、細致地描述消費者溝通網(wǎng)絡(luò)的拓撲結(jié)構(gòu)特征(傳統(tǒng)的Bass等聚合模型只能描述全連通的網(wǎng)絡(luò), 即所有消費者之間都可以進行信息共享)[15]、微觀透視個別消費者, 如位于中樞上的節(jié)點(hub)和意見領(lǐng)袖等在擴散中的作用等[16]. 近年來,這類基于Agent的計算實驗方法常被用于研究復(fù)雜管理系統(tǒng)行為[17]. 但如何設(shè)計可信和高仿真度的實驗?zāi)Ｐ? 并進行有效的驗證與確認, 是計算實驗方法需要解決的關(guān)鍵科學(xué)問題. 除了傳統(tǒng)的驗證和確認方法, 使用實證和真實數(shù)據(jù)驅(qū)動的方法進行變量設(shè)置, 利用事例和經(jīng)典理論進行系統(tǒng)確認是可行的思路和趨勢[16,18].

本文將以“社區(qū)+商務(wù)”這種協(xié)同電子商務(wù)模式為對象, 利用實證數(shù)據(jù)和真實的網(wǎng)絡(luò)結(jié)構(gòu)數(shù)據(jù)驅(qū)動下的多智能體計算實驗方法,研究服務(wù)商和消費群體的交互行為演化機制.

1交互行為演化的運作原理

為迎合消費者的多元化需求, 電子商務(wù)服務(wù)商需動態(tài)改變管理策略, 即動態(tài)調(diào)整價格、技術(shù)和品牌策略, 從而吸引消費, 提高收益.

面向協(xié)同電子商務(wù)服務(wù), 消費者除了自己有購物體驗, 能感知電子商務(wù)服務(wù)商的品牌協(xié)同和技術(shù)協(xié)同等方面的服務(wù)能力和質(zhì)量外, 還受其他和自己有關(guān)聯(lián)的消費者的口碑影響, 也受信息媒介的宣傳和廣告影響.消費者因溝通介質(zhì), 共存于具有某種拓撲結(jié)構(gòu)的網(wǎng)絡(luò)中, 網(wǎng)絡(luò)節(jié)點上的消費個體的購物狀態(tài)(在購、待購和休眠), 隨時間的變化不斷轉(zhuǎn)移, 消費者對其他消費者的口碑和推薦力度不斷改變, 消費者的歸屬受多因素的影響可能發(fā)生轉(zhuǎn)移, 即從社區(qū)的注冊用戶變?yōu)殡娮由虅?wù)的消費者.

隨著市場環(huán)境的變化, 用戶網(wǎng)絡(luò)結(jié)構(gòu)也動態(tài)調(diào)整, 電子商務(wù)服務(wù)商和消費群體之間構(gòu)成交互演化格局. 即服務(wù)商根據(jù)市場環(huán)境、消費群體特征、消費者購物動向等, 實施不同的價格、品牌和技術(shù)創(chuàng)新策略. 而面對服務(wù)商的管理力度, 消費者會持不同的消費決策, 消費者的消費狀態(tài)會發(fā)生改變. 消費群體和服務(wù)商之間隨著時間的變化而交互演化, 運作過程見圖1.

圖1　協(xié)同電子商務(wù)服務(wù)商與消費群體交互演化

圖1中,PI(t)為促銷強度,BI(t)為品牌協(xié)同程度,TI(t)為技術(shù)協(xié)同程度. 網(wǎng)絡(luò)中消費群體狀態(tài)包括,OL(t)為網(wǎng)絡(luò)中的待購人數(shù),SC(t)為在購人數(shù),D(t)為休眠人數(shù).Max_prof(t)為最優(yōu)化收益, 即在t期, 服務(wù)商根據(jù)t-1期的市場和成本情況對價格、品牌和技術(shù)力度進行決策, 即可利用優(yōu)化算法對收益模型進行尋優(yōu), 而消費者在t期根據(jù)服務(wù)商的管理策略、鄰域消費者的推薦等因素綜合形成購物決策, 即選擇購物、休眠或者不購. 因此, 服務(wù)商的管理決策和消費者的購物決策的交互演化問題, 實質(zhì)是個復(fù)雜的多周期決策問題.

2交互行為演化的計算實驗?zāi)Ｐ?/p>

2.1形式化描述

有研究表明, WWW、朋友社區(qū)等具有小世界網(wǎng)絡(luò)特性[19,20]. 從淘寶論壇上抓取節(jié)點數(shù)分別為554和1 073的兩組論壇(社區(qū)網(wǎng)絡(luò))數(shù)據(jù), 利用Ucinet 6和SPSS分析得到社區(qū)網(wǎng)絡(luò)的各項指標. 結(jié)果表明, 該社區(qū)網(wǎng)絡(luò)具有小世界(平均路徑長度分別為3.026和2.356、加權(quán)聚集系數(shù)分別為0.829和0.790)、無標度的度分布特性(度分布與無標度冪律擬合程度最高). 因此, 可以認為, 商務(wù)社區(qū)網(wǎng)絡(luò)本質(zhì)為無標度網(wǎng)絡(luò).

用無標度網(wǎng)絡(luò)呈現(xiàn)用戶的溝通網(wǎng)絡(luò), 每一個節(jié)點代表一個用戶或消費者, 節(jié)點之間的連接關(guān)系符合一定的分布. 為了讓節(jié)點能均勻分布在空間中, 本文建立空間聚集的無標度網(wǎng)絡(luò).

定義1基于Agent的協(xié)同電子商務(wù)服務(wù)商與消費群體交互行為演化計算實驗?zāi)Ｐ偷男问交硎居?元素組成,即Inter_Model:= {Ω,NT,ST,AD,STP,F,NB,t}. 其中:

1)Ω為Agent集合,有Ω={Agent1,Agent2,…,Agentn}. 即1個Agent對應(yīng)1個用戶網(wǎng)絡(luò)上的用戶或消費者.

2)NT為用戶網(wǎng)絡(luò)特性集合,有NT={Ns,Num,Inc}. 其中,Ns為網(wǎng)絡(luò)類型, 本模型中網(wǎng)絡(luò)為無標度網(wǎng)絡(luò),Num為網(wǎng)絡(luò)節(jié)點,Inc為節(jié)點增長速率.

3)ST為狀態(tài)空間, 有ST={OL,SC,D}. 其中,OL為社區(qū)狀態(tài),SC為在購狀態(tài),D為休眠狀態(tài).

4)AD為決策特性,有

AD={Innovator,Early_adopter,Late_adopter}

Rogers等[21]將消費者分為5類, 即創(chuàng)新者、早期接受者、早期多數(shù)型、晚期多數(shù)型、落伍者. 為簡化建模, 參考Schramm等[22]的研究,將消費者歸納為3類, 即創(chuàng)新者(innovator),早期接受者(early_adopter),和晚期接受者(late_adopter).

5)STP為服務(wù)商實施的管理策略強度,STP={BI,PI,TI}，其中,BI為實施品牌的強度,PI為實施促銷或價格力度,TI為技術(shù)強度. 它們由下文所述模型(1)求得.

6)NB為鄰居節(jié)點的狀態(tài)集合.

7)F為狀態(tài)轉(zhuǎn)移函數(shù),有F:{(AD(i),STP(i),NB(i))→ST(t)}×t→ST(t+1), 即Agenti在t+1時刻的狀態(tài)與t時刻自身特征、網(wǎng)絡(luò)特征和鄰域Agent狀態(tài)有關(guān). 各類消費者對幾個指標的敏感度情況見表1.

表1　Agent決策特征

Agenti的采納決策由在t期的效用函數(shù) (Ui(t))決定, 即由Agent的自我感知大小P_PIi(t)、P_BIi(t)、P_TIi(t),鄰域Agent的社會影響P_SIi(t), 以及自我心理閾值(Ui,min(t))綜合決定(i=1,2,…,n). 有:

1)

2)Ui(t)>Ui,min(t), 即Ui(t)應(yīng)該大于自己的心理閾值, 此時Agenti的狀態(tài)才發(fā)生改變.

其中P_PIi(t)、P_BIi(t)、P_TIi(t)、P_SIi(t)是Agenti在t期感知促銷、品牌技術(shù)、社會影響的大小(受周圍鄰域Agent的影響程度);si,j是Agenti的各感知量對應(yīng)的權(quán)重(j=1,2,3,4), 根據(jù)表1進行設(shè)定.

2.2實證數(shù)據(jù)驅(qū)動下服務(wù)商利潤優(yōu)化模型及求解算法

在計算模型中, 服務(wù)商將根據(jù)t-1期時,消費群體的整體狀況, 對t期的促銷、技術(shù)和品牌強度等做出調(diào)整, 這些強度可由優(yōu)化模型得到. 下文先給出優(yōu)化模型, 再闡述基于實證結(jié)果的優(yōu)化模型參數(shù)設(shè)定, 以及求解多周期利潤優(yōu)化模型的方法.

2.2.1服務(wù)商利潤的優(yōu)化模型

服務(wù)商根據(jù)上一期消費者的在購情況、市場容量, 以及實施促銷、技術(shù)和品牌等策略的開銷等方面, 實施最優(yōu)的管理策略, 以最大化利潤.服務(wù)商在t期的利潤(Max_prof(t))為總收入減去總開銷, 即Max_prof(t)=a[1+c(PI(t))α(BI(t))β(TI(t))γ+δ]-b1PI(t)-b2BI(t)-b3TI(t)其中a[1+c(PI(t))α(BI(t))β(TI(t))γ+δ]為總收入，是由實施促銷、技術(shù)和品牌等策略后, 吸引到消費所產(chǎn)生的收入(服務(wù)商希望能獲得比當期更大的消費規(guī)模)；b1PI(t)+b2BI(t)+b3TI(t)為總成本，是實施相應(yīng)的管理策略所需要的成本.

計算實驗?zāi)Ｐ椭?服務(wù)商的最優(yōu)利潤模型為

(1)

其中PI(t)為在t時的促銷強度；BI(t)為在t時的品牌協(xié)同程度；TI(t)為在t時的技術(shù)協(xié)同程度；a為當前在購量；c為當前不購與在購的比例；α、β和γ分別為促銷強度、品牌強度和技術(shù)強度對消費吸引的貢獻率；bi(i=1,2,3)為單位代價.

模型(1)中，PI(t)、BI(t)、TI(t)為待求變量, 參數(shù)a、c、bi可以通過實際數(shù)據(jù)或經(jīng)驗數(shù)據(jù)得到, 而α、β和γ可由實證分析得到. 由于該模型為多周期的規(guī)劃模型, 需要借助優(yōu)化算法求解.

2.2.2基于實證結(jié)果的優(yōu)化模型參數(shù)設(shè)定

1) 實證模型

構(gòu)建如圖2所示結(jié)構(gòu)模型, 用于分析品牌、技術(shù)、社會規(guī)范和用戶卷入等因素如何影響用戶對協(xié)同電子商務(wù)的態(tài)度.

圖2　“社區(qū)+商務(wù)”模式下用戶轉(zhuǎn)移結(jié)構(gòu)模型

ⅰ態(tài)度

通常, 用戶對母品牌的態(tài)度直接會影響對子品牌的態(tài)度, 也就是態(tài)度的轉(zhuǎn)移[23]. 因此, 假設(shè)對虛擬社區(qū)的態(tài)度(ATTA)將會影響對協(xié)同電子商務(wù)的態(tài)度(ATU), 以及感知的母品牌和子品牌之間的技術(shù)契合度(PTF)和品牌匹配(PBF). 假設(shè):

H1a對社區(qū)的態(tài)度正影響對協(xié)同電子商務(wù)服務(wù)的態(tài)度;

H1b對社區(qū)的態(tài)度正影響感知技術(shù)契合度(PTF);

H1c對社區(qū)的態(tài)度正影響感知品牌契合度(PBF).

ⅱ 契合度

品牌之間的有效協(xié)作有助于實現(xiàn)品牌延伸, 消費者對品牌延伸的接受度與品牌感知度、與兩類產(chǎn)品匹配度和分類難度高度相關(guān)[24].

對母品牌的經(jīng)驗對品牌延伸的成功有重要影響[25]. 感知品牌的契合度影響消費者對協(xié)同服務(wù)的使用態(tài)度.

H2感知品牌契合度正影響對使用協(xié)同電子商務(wù)服務(wù)的態(tài)度.

社區(qū)與商務(wù)之間的技術(shù)能完美契合,將會對用戶轉(zhuǎn)移有很大的促進作用. 如用戶使用社區(qū)服務(wù), 通過一個按鈕或者一個功能鏈接就可以方便地轉(zhuǎn)入商務(wù)平臺, 且商務(wù)平臺與社區(qū)平臺風(fēng)格、技術(shù)手段等都一致, 這些都有助于用戶接受社區(qū)所推出的商務(wù)服務(wù).因此, 假設(shè):

H3感知技術(shù)契合度正影響對使用協(xié)同電子商務(wù)服務(wù)的態(tài)度.

ⅲ 主觀規(guī)范性

主觀規(guī)范(SN)[26,27]用于衡量社會或工作環(huán)境對用戶態(tài)度的影響, 朋友的推薦或環(huán)境的要求可以讓新用戶接受新產(chǎn)品或新服務(wù), 他人的間接經(jīng)驗和知識, 讓用戶能更好地感知品牌和技術(shù)的契合, 進而影響到服務(wù)接受態(tài)度. 假設(shè):

H4a主觀規(guī)范性正影響對使用協(xié)同電子商務(wù)服務(wù)的態(tài)度;

H4b主觀規(guī)范性正影響對感知品牌契合度;

H4c主觀規(guī)范性正影響對感知技術(shù)契合度.

ⅳ 用戶卷入度

用戶卷入度(UI)是用戶對所給產(chǎn)品或服務(wù)實施相關(guān)管理活動的心理依附狀態(tài)[28], 用戶卷入度可以用對服務(wù)的價格、促銷等活動的必要性、競爭性、顯著性、重要性和服務(wù)的需要性等方面來衡量.

H5a用戶卷入度正影響對使用協(xié)同電子商務(wù)服務(wù)的態(tài)度;

H5b用戶卷入度正影響對主觀規(guī)范性.

2) 問卷收集與整理

從2011-11-01～2012-04-01，通過Email和離線兩種方式發(fā)放問卷. 本文共經(jīng)過兩輪發(fā)放, 第1輪進行小樣本發(fā)送, 對樣本進行檢驗, 調(diào)整后得到最終的問卷; 第2輪共發(fā)放450份問卷, 收回問卷324份, 回收率為72%. 在回收的324份問卷當中, 有21份問卷存在著填報信息不全、缺失值過多、前后矛盾等問題, 有效問卷303份, 有效問卷回收率為67.33%.

3) 數(shù)據(jù)分析

使用Amos 8 和SPSS16.0對模型進行測量. 測量得到Cronbach’s Alpha為0.85, 大于0.8, 說明其信度較好[29]. 所有變量的KMO值為0.879, 變量的KMO值均大于0.6[30], 且其對應(yīng)的Bartlett球體檢驗顯著性概率為0.000, 小于顯著水平0.05, 說明樣本量較充足, 適合作因子分析. 可以認為, 本問卷及其各因子組成項目的結(jié)構(gòu)效度好.

通過對模型進行修正, 其匹配度指標滿足要求, 利用Amos處理得到如圖3的路徑分析圖 (|CR| ≥ 1.96,P≤ 0.05).

圖3　結(jié)構(gòu)方程模型結(jié)果

4)利潤最優(yōu)化模型的參數(shù)確定

根據(jù)圖3的路徑系數(shù)和回歸殘差項(由Amos處理得到ATU的回歸殘差值為0.05), 可得ATU的直接影響的回歸方程為

ATU=0.28UI+0.09PBF+

0.31PTF+0.32ATTA+

0.33SN+0.05

其中UI與促銷強度(PI)直接聯(lián)系,PBF與品牌強度(BI)直接聯(lián)系,PTF與技術(shù)強度(TI)有直接聯(lián)系, 即實施的管理強度越大, 用戶的感知越強;而ATTA和SN與用戶的自我感知和其他用戶的推薦、口碑有直接聯(lián)系, 與管理措施沒有直接聯(lián)系. 假設(shè)ATTA和SN值為標準化后的最大值, 即為1, 且有

其中l(wèi)og為以base為底的對數(shù)(實驗中,base為1 000,PI、BI、TI均不小于0.001).

用對協(xié)同服務(wù)的態(tài)度計算協(xié)同服務(wù)的吸引度. 令服務(wù)商實施促銷、品牌和技術(shù)強度后, 對用戶群體的標準化吸引度為

令在t期, 模型(1)中服務(wù)商的總收入為

2.2.3優(yōu)化模型的求解算法

模型(1)為多周期的優(yōu)化模型, 在計算實驗系統(tǒng)中, 需要借助尋優(yōu)算法求解, 且每周期計算1次. 因此, 其運算速度和運算效率影響計算實驗的運行效率和計算效果.

遺傳算法(GAs)成功應(yīng)用于各種領(lǐng)域的研究[31]. 面對多周期的優(yōu)化問題, 利用這些傳統(tǒng)算法求解, 可能累計的求解時間較長, 運行速度慢, 會大幅降低運行效率. 本文試圖用改進的GAs, 提高運行速度, 同時也不太影響計算精度.

元胞自動機能模仿局部的擴散而實現(xiàn)宏觀信息共享的生物進化運動[32], 本質(zhì)上元胞自動機也是一種Agent方法. 本文利用元胞的這種局部運動能力, 實現(xiàn)遺傳算法中染色體局部交互活動. 即用一個元胞代表一個染色體, 能與其它染色體進行交互, 傳遞信息, 互動尋優(yōu).

所有的元胞座落于一個由多個方格組成的柵格環(huán)境中(L), 每一個方格上有1個元胞, 1個元胞代表1個染色體. 柵格(L)的尺寸為m×n(這里m和n是整數(shù)), 也就是元胞的總數(shù)量, 即遺傳算法中種群數(shù)的大小. 每一個元胞能與其Moore鄰域的元胞進行交互,也就是與其周圍的8個元胞進行交互.

基于元胞自動機的遺傳算法的尋優(yōu)過程與傳統(tǒng)的遺傳算法尋優(yōu)過程基本一樣, 也要經(jīng)過選擇、交叉和變異等幾個關(guān)鍵操作,只是其中的局部交互是中心元胞和周圍的8個元胞進行互動, 選擇與適應(yīng)值最優(yōu)的鄰居元胞進行交叉, 用交叉和變異的結(jié)果替代該中心元胞. 該方法能較好地用于多周期規(guī)劃模型求解中[33], 同樣的方法測試表明, 該算法也適用于本文模型(1)的多周期計算.

3實驗系統(tǒng)實現(xiàn)與虛擬實驗

3.1實驗系統(tǒng)實現(xiàn)

在NetLogo 5.0平臺上, 編程實現(xiàn)上文所提模型. 實驗系統(tǒng)界面左邊為系統(tǒng)參數(shù)設(shè)置和操作按鈕設(shè)置區(qū); 中間為基于Agent的消費網(wǎng)絡(luò)演化圖示區(qū), 不同的顏色代表不同的消費狀態(tài)(在購、休眠和不購); 右邊區(qū)域為演化圖示區(qū), 有最優(yōu)利潤的變化圖、各類消費狀態(tài)演化圖、幾種管理措施的強度的演化圖等. 主要參數(shù)的說明及初始值見表2.

表2　實驗系統(tǒng)中主要參數(shù)及初始設(shè)置

3.2計算實驗系統(tǒng)確認

在傳統(tǒng)產(chǎn)品擴散過程中, 創(chuàng)新者的比例較少, 而早期接受者和晚期接受者的比例較大[21]. 在網(wǎng)絡(luò)環(huán)境下, 尤其是社會化媒體充分使用的前提下, 年輕的消費者比較多, 且愿意接受新興事物, 創(chuàng)新者也較多, 因此, 本文中, 默認的創(chuàng)新者、早期接受者和晚期接受者群體的比例為0.3∶0.4∶0.3.

通過采集數(shù)據(jù), 利用SPSS進行曲線擬合分析, 得到擬合效果表(表3). 由表3可以看出,F檢驗下所采集的數(shù)據(jù)與各曲線方程擬合效果顯著(P值, 即Sig為0), 但與S曲線的擬合程度最好, 其R值最大.

一般新產(chǎn)品或服務(wù)的生長曲線具有的S曲線規(guī)律, 信息系統(tǒng)服務(wù)也具有這類規(guī)律[18]. 由于本實驗系統(tǒng)產(chǎn)生的數(shù)據(jù)也具有S曲線規(guī)律, 可以認為, 該實驗系統(tǒng)能代替真實系統(tǒng)用于研究演化規(guī)律.

表3　在購數(shù)量演化數(shù)據(jù)與經(jīng)典S曲線方程擬合統(tǒng)計表

3.3實驗數(shù)據(jù)的采集和分析

3.3.1網(wǎng)絡(luò)中各類群體數(shù)量占優(yōu)時對交互行為演化的影響

1)網(wǎng)絡(luò)中創(chuàng)新者比例占優(yōu)

圖4為網(wǎng)絡(luò)中創(chuàng)新者比例占優(yōu)時,各群體數(shù)量(即最左邊一組圖, 在0時刻時社區(qū)態(tài)的數(shù)量最多, 在購態(tài)數(shù)量次之, 休眠態(tài)數(shù)量最少)、管理力度(即中間一組圖, 在0時刻時技術(shù)協(xié)同值最大, 促銷力度次之, 品牌協(xié)同度最小)、期望收益(即最右邊一組圖, 其中最上面為最優(yōu)收益曲線, 然后是平均收益, 最下面是最低收益曲線)的演化圖. 可以直觀得到, 當網(wǎng)絡(luò)中創(chuàng)新者比例占優(yōu), 尤其是絕對占優(yōu)時, 在購人群數(shù)量能較快達到峰值, 且數(shù)量較大(圖4a-4d中在購量峰值分別為: 186、145、109、81), 與之相對應(yīng)的是服務(wù)商的最優(yōu)利潤也較大. 可以看出, 隨著這類人群比例不斷減少(創(chuàng)新者群體比例不斷變小, 另外兩類人群比例不斷增加), 在購量的峰值和均值降低(圖4a-4d中在購量均值分別為: 177.94、132.96、104.18、75.92), 群體中潛在消費者的均值將增加(圖4a-4d的潛在群體分別為: 7.26、54.68、85.54、117.14), 服務(wù)商的最優(yōu)利潤也將降低(圖4a-4d的服務(wù)商利潤分別為: 219.81、195.84、181.72、168.47).

2)網(wǎng)絡(luò)中早期接受者比例占優(yōu)

采集消費群體中早期接受者比例絕對占優(yōu)時各類演化的實驗數(shù)據(jù). 實驗所用群體比例分別為(0∶1∶0,記為e1)、(0.1∶0.8∶0.1, 記為e2)、(0.2∶0.6∶0.2, 記為e3)、(0.3∶0.4∶0.3, 記為e4), 這幾類用戶群體中, 在購量容易達到均衡,且峰值較大(e1-e4的在購量峰值分別為173、155、108、86). 且隨著創(chuàng)新者和晚期接受者比例增加(但兩者比例均小于早期接受者比例), 在購量的峰值和均值(e1-e4的在購均值分別為148.46、137.36、95.64、82.52)、收益均值(e1-e4的服務(wù)商收益均值分別為203.8、198.04、177.55、171.43)也會遞減.

3)網(wǎng)絡(luò)中晚期接受者比例占優(yōu)

采集消費群體中晚期接受者比例占優(yōu)時各類演化的實驗數(shù)據(jù). 實驗所用群體比例分別為(0∶0∶1, 記為l1)、(0.1∶0.1∶0.8, 記為l2)、(0.2∶0.2∶0.6, 記為l3)、(0.3∶0.3∶0.4, 記為l4). 由實驗數(shù)據(jù)可知, 當群體中晚期接受者比例較大且明顯占優(yōu), 群體中在購量峰值較小(l1-l4的在購峰值分別為41、49、54、73),潛在消費群體峰值較大. 隨著晚期接受者比例降低, 在購群體數(shù)量峰值和均值(l1-l4的在購均值分別為37.76、43.36、50.9、68.32)、服務(wù)商利潤均值(l1-l4的服務(wù)商利潤均值分別為151.86、154.26、157.51、165.06)卻上升.

a.Innovator∶Early_adopter∶Late_adopter=1∶0∶0

b. Innovator∶ Early_adopter∶ Late_adopter=0.8∶0.1∶0.1

c. Innovator∶ Early_adopter∶ Late_adopter=0.6∶0.2∶0.2

d. Innovator∶ Early_adopter∶ Late_adopter=0.4∶0.3∶0.3

4)對比分析

表4為上面分析所用實驗數(shù)據(jù)的描述性統(tǒng)計, 其中(I,E,L)表示創(chuàng)新者、早期接受者和晚期接受者比例. 由表4可以看出, 當創(chuàng)新者或早期接受者比例較大時, 在購量的均值較大, 期望收益也較大, 尤其是當群體中全是創(chuàng)新者或者全是早期接受者, 但在購量和期望收益的方差也大, 說明不確定也較強.當群體中晚期接受者的比例明顯占優(yōu)時, 在購量和收益明顯較小, 隨著這類子群體比例下降, 其收益明顯增加. 但當創(chuàng)新者和早期接受者比例較大時, 休眠群體量也高, 雖較之在購群體量的絕對值小很多, 但可以實施更好的喚醒策略, 讓休眠群體盡量轉(zhuǎn)向潛在或在購群體, 增加在購量.

較之晚期接受者占優(yōu)的情況, 當創(chuàng)新者或早期接受者比例較大時, 服務(wù)商使用的品牌、技術(shù)和促銷力度較小, 但收益卻較大,說明這些情況下的管理力度和花費容易控制. 而當群體中3類子群體比例相當時, 在購群體數(shù)量和期望收益水平不高, 但需要的品牌、技術(shù)和促銷的力度卻較大, 說明這類情況下需要較大的管理力度. 因此, 不同的群體比例需實施的管理力度不一樣, 但當群體中晚期接受者比例較大時, 即便實施較大的管理力度, 也未必能獲得較高期望收益,因此, 服務(wù)商不能僅僅只實施傳統(tǒng)管理策略直接去吸引消費, 更重要的是通過一定的創(chuàng)新策略, 讓消費者能改變消費決策.因此, 需用暢通口碑傳播渠道, 加強對網(wǎng)絡(luò)核心傳播點的輻射作用, 加強社區(qū)和工作團體的規(guī)范力度等手段, 改變消費個體的消費習(xí)性, 進而提高期望收益. 如可以利用社會網(wǎng)絡(luò)分析軟件和實驗系統(tǒng)獲取網(wǎng)絡(luò)中的意見領(lǐng)袖和關(guān)鍵區(qū)域, 然后有針對性的進行管理.

表4　各群體比例下各類結(jié)果的均值和方差統(tǒng)計

用社會化網(wǎng)絡(luò)分析工具, 如用Ucinet分析網(wǎng)絡(luò)中心性. 當所得節(jié)點的尺寸越大, 說明節(jié)點中心度越大,那么它在網(wǎng)絡(luò)中地位可能較重要, 很多信息由他們發(fā)起或者經(jīng)由他們擴散, 也利用Kuandykov和Sokolov[15]、Van和Jager[16]所述方法, 獲取位于網(wǎng)絡(luò)中樞(hub)或節(jié)點上的意見領(lǐng)袖的作用, 從而獲取真正關(guān)鍵節(jié)點的位置和相關(guān)屬性; 通過系統(tǒng)界面中間區(qū)域的網(wǎng)絡(luò)演化圖, 可以找到不消費或休眠的關(guān)鍵區(qū)域. 因此, 把握住關(guān)鍵節(jié)點和關(guān)鍵區(qū)域, 重點對他們進行營銷和監(jiān)控, 有助于加強口碑和宣傳的效果, 從而影響消費決策.

3.3.2網(wǎng)絡(luò)節(jié)點的增長率變化對演化的影響

由上面的分析可知, 在某些群體中, 即便實施較強的管理手段, 效果并非明顯, 即在購量和服務(wù)商利潤沒有明顯提高. 本文嘗試改變網(wǎng)絡(luò)節(jié)點增長率, 分析變化對在購量和服務(wù)商利潤的影響.

通過改變網(wǎng)絡(luò)節(jié)點增長率獲得類似表4的一組統(tǒng)計數(shù)據(jù), 結(jié)果表明, 通過增加網(wǎng)絡(luò)節(jié)點增長率, 平均收益顯著增加, 如當實驗中群體結(jié)構(gòu)為0.3∶0.4∶0.3,節(jié)點增長率為0.01、0.03、0.05時, 最優(yōu)利潤平均值分別為171.43、213.25、252.69, 說明節(jié)點的增加,收益可以明顯增加. 在增長率為0.01、0.03、0.05時, 品牌力度分別為0.28、0.291、0.296,技術(shù)力度分別為0.57、0.60、0.62時, 促銷力度分別為0.35、0.372、0.371, 可以看出,管理強度增加幅度不顯著, 且增幅遞減, 因此, 網(wǎng)絡(luò)節(jié)點的增加并不會帶來太多的管理開銷, 但能獲得利潤的增加. 在社交媒體發(fā)達的當下, 可考慮鼓勵更多的消費者使用多種社交工具(有些注冊用戶同時存在于多個社交網(wǎng)絡(luò)中), 可以增加網(wǎng)絡(luò)中節(jié)點, 甚至可以關(guān)聯(lián)更多的子網(wǎng)絡(luò), 從而改變溝通網(wǎng)絡(luò)拓撲和信息傳播途徑, 提高傳播效率, 進而促進銷售.

4結(jié)果與討論

以“社區(qū)+商務(wù)”這種協(xié)同電子商務(wù)模式為研究對象, 設(shè)計從社區(qū)到商務(wù)的用戶流量轉(zhuǎn)移結(jié)構(gòu)方程模型, 實證分析影響用戶轉(zhuǎn)移態(tài)度的影響機理. 構(gòu)造實證結(jié)果驅(qū)動的服務(wù)商利潤函數(shù), 并集成進入基于多智能體的社區(qū)網(wǎng)絡(luò)實驗?zāi)Ｐ椭? 利用NetLogo編程實現(xiàn)實驗系統(tǒng), 并對實驗數(shù)據(jù)進行統(tǒng)計分析,得到主要相關(guān)結(jié)論:

1)實驗系統(tǒng)產(chǎn)生的在購量的演化數(shù)據(jù),具有S曲線特征, 與經(jīng)典的創(chuàng)新演化規(guī)律一致, 因此所建計算實驗?zāi)Ｐ? 可代表真實系統(tǒng)研究服務(wù)商和消費群體交互行為演化規(guī)律；

2)消費群體中創(chuàng)新者或早期接受者占優(yōu)時, 可利用較低的管理力度, 使得在購量的演化快速達到均衡, 且在購量峰值較大,也能獲取較大的期望利益, 相反, 群體中晚期接受者比例占優(yōu)時, 即便實施較大的管理力度也不能使得潛在用戶轉(zhuǎn)變?yōu)樵谫徬M者；

3)在一定的群體結(jié)構(gòu)下, 即便實施較大管理強度, 管理效果并不較好, 可考慮利用意見領(lǐng)袖和關(guān)鍵節(jié)點的口碑引領(lǐng)作用, 影響消費個體決策, 從而提高潛在用戶到在購的轉(zhuǎn)移率. 利用社會網(wǎng)絡(luò)分析和實驗方法, 可獲取意見領(lǐng)袖和網(wǎng)絡(luò)中樞等關(guān)鍵節(jié)點, 從網(wǎng)絡(luò)演化圖中可定位不購和休眠的關(guān)鍵區(qū)域,對這些關(guān)鍵節(jié)點和關(guān)鍵區(qū)域?qū)嵤┯嗅槍π缘臓I銷和管理,能有助于提高正面信息擴散傳播速度, 控制負面信息的傳播, 促進用戶轉(zhuǎn)移率, 提升在購量；

4)隨著網(wǎng)絡(luò)節(jié)點增長率的增加, 相對應(yīng)的管理成本增幅將遞減, 但服務(wù)商收益能顯著提高. 可以通過鼓勵用戶使用多種社交工具, 增加網(wǎng)絡(luò)節(jié)點, 改變用戶溝通網(wǎng)絡(luò)的拓撲, 提升服務(wù)商利潤.

本文試圖從理論上推進協(xié)同電子商務(wù)中行為演化研究的深化, 主要貢獻有:ⅰ提出了面向社會化電子商務(wù)的行為研究問題.不少文獻從實證角度對虛擬社區(qū)下服務(wù)商或消費者的行為研究, 但協(xié)同電子商務(wù)模式下的行為研究并不多見, 尤其是交互行為演化方面的研究較少. 本文構(gòu)建了交互行為演化的運作框架, 可在此基礎(chǔ)上進行交互行為方面的研究, 豐富行為電子商務(wù)方面的理論; ⅱ設(shè)計與應(yīng)用了交互行為演化計算實驗?zāi)Ｐ? 本文基于實證數(shù)據(jù)和真實網(wǎng)絡(luò)數(shù)據(jù), 構(gòu)建商務(wù)社區(qū)下服務(wù)商和消費群體交互行為演化計算模型. 傳統(tǒng)的聚集類定量模型如Bass模型, 多用于解析同質(zhì)消費群體的技術(shù)擴散問題, 即通過大眾媒體和口碑進行傳播, 不考慮異質(zhì)消費個體主動學(xué)習(xí)和交互等活動, 也不能呈現(xiàn)異質(zhì)網(wǎng)絡(luò)拓撲結(jié)構(gòu)下的行為演化. 本文的模型可以呈現(xiàn)異質(zhì)消費群體和服務(wù)商在復(fù)雜網(wǎng)絡(luò)上的微觀交互, 也能獲取各類行為的演化路徑和宏觀趨勢數(shù)據(jù), 容易采集各時刻點下各類消費群體的消費狀態(tài)和服務(wù)商的定量決策數(shù)據(jù), 捕捉位于不同節(jié)點位置的意見領(lǐng)袖和特殊個體的擴散活動和意見流向, 以及定位不購和休眠的關(guān)鍵區(qū)域; ⅲ設(shè)計與應(yīng)用了多方法集成下的計算實驗方法. 傳統(tǒng)的管理系統(tǒng)模擬或仿真常因仿真度不夠被詬病, 與真實系統(tǒng)有差距.本文嘗試利用實證結(jié)果構(gòu)建變量之間的關(guān)系, 從真實網(wǎng)絡(luò)數(shù)據(jù)獲取網(wǎng)絡(luò)參數(shù), 在這些基礎(chǔ)上, 集成優(yōu)化模型和算法、智能體、復(fù)雜網(wǎng)絡(luò)等技術(shù)和方法構(gòu)建計算實驗?zāi)Ｐ? 不僅可以減少模型構(gòu)造時過多假設(shè)帶來的偏差和模型的可信性，也通過利用事例和經(jīng)典理論進行系統(tǒng)驗證的方法, 提高模型的正確性和可用性. 該類方法可為行為運作和跨學(xué)科交叉問題(如社會學(xué)與管理學(xué)等)的研究提供方法論參考.

本文所得結(jié)論也給管理實踐提供了一些啟示. 協(xié)同電子商務(wù)下的商務(wù)社區(qū), 不同于一般的虛擬社區(qū), 除了具有虛擬性和社會性, 也具有商務(wù)特點, 因此, 不能簡單地套用傳統(tǒng)虛擬社區(qū)下的研究成果. 不同的商務(wù)社區(qū), 具有不同的網(wǎng)絡(luò)結(jié)構(gòu), 也會有不同消費群體結(jié)構(gòu), 應(yīng)該實施不同管理策略. 上文也分析得到, 一定群體結(jié)構(gòu)下并非僅靠實施傳統(tǒng)的促銷、品牌和技術(shù)就能到達較好的效果,事實上,隨著社會媒體越來越發(fā)達, 消費群體中的意見領(lǐng)袖的作用明顯, 合理的監(jiān)控、正確的引導(dǎo)意見走向, 有助于促進用戶轉(zhuǎn)移和績效, 也可以鼓勵使用多社交工具的應(yīng)用, 打破單網(wǎng)絡(luò)拓撲結(jié)構(gòu)造成傳播路徑上的制約, 促進消費者之間的口碑傳播、購物推薦和決策借鑒.

本文的主要不足有: 1)由于電子商務(wù)平臺權(quán)限控制, 不能使用機器自動批量采集大量真實樣本數(shù)據(jù). 只能利用半手工半自動的方式采集數(shù)據(jù), 由于所采集的樣本量有限,限制了探索更細致的網(wǎng)絡(luò)特性; 2)沒有考慮產(chǎn)品和服務(wù)創(chuàng)新率、用戶評價等指標對定價和多周期收益模型的影響; 3)研究所用系統(tǒng)運行速度較慢, 采集實驗數(shù)據(jù)花費大. 因此,今后可在研究細致化和提高系統(tǒng)運行效率等方面開展工作. 由于社會化電子商務(wù)環(huán)境下的用戶流量轉(zhuǎn)移的本質(zhì)在于用戶之間通過社交媒體進行知識轉(zhuǎn)移, 今后也考慮研究社會化電子商務(wù)中的知識轉(zhuǎn)移演化問題.

5結(jié)束語

協(xié)同電子商務(wù)模式下, 消費群體和服務(wù)商在社交媒體或社區(qū)網(wǎng)絡(luò)上進行互動決策.管理者希望實施促銷、技術(shù)和品牌策略提升收益, 消費者希望通過社會媒體或社區(qū)獲取商務(wù)信息, 服務(wù)商管理決策和消費群體消費決策制定過程呈交互演化態(tài). 本文所提基于計算實驗的服務(wù)商和消費群體交互行為演化模型, 可以呈現(xiàn)服務(wù)商和異質(zhì)消費群體在社會網(wǎng)絡(luò)上的動態(tài)交互演化, 獲取不同群體構(gòu)成下的管理決策定量水平和消費狀態(tài)數(shù)據(jù), 局部定位意見領(lǐng)袖和關(guān)鍵區(qū)域, 宏觀把握演化趨勢, 從而提煉相關(guān)管理規(guī)律, 用于輔助管理者決策. 文中所述實驗系統(tǒng)也能為管理實踐提供技術(shù)支持.

參 考 文 獻:

[1]JiangG,MaF,WangY.Areviewontheevolutionofuseracceptancebehaviourincollaborativee-commerce[J].InternationalJournalofElectronicFinance, 2012, 6(1): 62-78.

[2]李立祥, 柴躍廷, 劉義. 電子商務(wù)模式演化機理建模與經(jīng)濟分析[J]. 清華大學(xué)學(xué)報(自然科學(xué)版), 2012, 52(11): 1524-1529.

Li Lixiang, Chai Yueting, Liu Yi. Evolution of e-commerce patterns: Model and economic analysis[J]. Journal of Tsinghua University (Sci & Tech), 2012, 52(11): 1524-1529.(in Chinese)

[3]Wang C, Zhang P. The evolution of social commerce: The people, management, technology, and information dimensions[J]. Communications of the Association for Information Systems, 2012, 31(5): 105-127.

[4]Jiang G, Ma F. The evolution of users’ adoption behavior under a collaborative service: An agent-based computational approach[J]. International Journal of Computational Intelligence Systems, 2014, 7(5): 952-962.

[5]Jiang G, Ma F, Shang J, et al. Evolution of knowledge sharing behavior in social commerce: An agent-based computational approach[J]. Information Sciences, 2014, 278(17): 250-266.

[6]Bass F M. A new product growth for model consumer durables[J]. Management Science, 1969, 15(5): 215-227.

[7]徐巖, 胡斌, 王元元, 等. 基于隨機尖點突變理論的心理契約研究[J]. 管理科學(xué)學(xué)報, 2014, 17(4): 34-46.

Xu Yan, Hu Bin, Wang Yuanyuan, et al. Research on the dynamics of psychological contract through stochastic cusp catastrophe theory[J]. Journal of Management Sciences in China, 2014, 17(4): 34-46.(in Chinese)

[8]Cai G, Kock N. An evolutionary game theoretic perspective on e-collaboration: The collaboration effort and media relativeness[J]. European Journal of Operational Research, 2009, 194(3): 821-833.

[9]盛昭瀚, 張維. 管理科學(xué)研究中的計算實驗方法[J]. 管理科學(xué)學(xué)報, 2011, 14(5): 1-10.

Sheng Zhaohan, Zhang Wei. Computational experiments in management science and research[J]. Journal of Management Sciences in China, 2011, 14(5): 1-10.(in Chinese)

[10]崔凱楠, 鄭曉龍, 文丁, 等. 計算實驗研究方法及應(yīng)用[J]. 自動化學(xué)報, 2013, 39(8): 1157-1169.

Cui Kainan, Zheng Xiaolong, Wen Ding, et al. Researches and applications of computational experiments[J]. ACTA Automatica SINICA, 2013, 39(8): 1157-1169.(in Chinese)

[11]張維, 武自強, 張永杰, 等. 基于復(fù)雜金融系統(tǒng)視角的計算實驗金融: 進展與展望[J]. 管理科學(xué)學(xué)報, 2013, 16(6): 85-94.

Zhang Wei, Wu Ziqiang, Zhang Yongjie, et al. Agent-based computational finance on complex financial system perspective: Progress and prospects[J]. Journal of Management Sciences in China, 2013, 16(6): 85-94.(in Chinese)

[12]Kiesling E, Günther M, Stummer C, et al. Agent-based simulation of innovation diffusion: A review[J]. Central European Journal of Operations Research, 2012, 20(2): 183-230.

[13]Yu T, Gong X, Xiao R. Modelling and simulation of new product diffusion with negative appraise based on system dynamics: A comparative perspective[J]. International Journal of Computer Applications in Technology, 2010, 37(3/4): 268-278.

[14]Delre S, Jager W, Janssen M. Diffusion dynamics in small-world networks with heterogeneous consumers[J]. Comput Math Organiz Theor, 2007, 13(2): 185-202.

[15]Kuandykov L, Sokolov M. Impact of social neighborhood on diffusion of innovation S-curve[J]. Decision Support Systems, 2010, 48(4): 531-535.

[16]Van Eck P S, Jager W, Leeflang P S H. Opinion leaders’role in innovation diffusion: A simulation study[J]. Journal of Product Innovation Management, 2011, 28(2): 187-203.

[17]蔣國銀, 胡斌. 集成博弈和多智能體的人群工作互動行為研究[J]. 管理科學(xué)學(xué)報, 2011, 14(2): 29-41.

Jiang Guoyin, Hu Bin. Study on interaction behavior between group and work based on game and multi-agent[J]. Journal of Management Sciences in China, 2011, 14(2): 29-41.(in Chinese)

[18]吳江, 胡斌, 魯耀斌. 實證驅(qū)動信息系統(tǒng)的擴散與組織系統(tǒng)互動模擬研究[J]. 管理科學(xué)學(xué)報, 2010, 13(10): 21-31.

Wu Jiang, Hu Bin, Lu Yaobin. Empirical relationship driven simulation on interaction between organization behavior and diffusion of e-commerce information system[J]. Journal of Management Sciences in China, 2010, 13(10): 21-31.(in Chinese)

[19]Barabási A-L, Albert R. Emergence of scaling in random networks[J]. Science, 1999, 286(5439): 509-512.

[20]Newman M E J. The structure and function of complex networks[J]. SIAM Review, 2003, 45(2): 167-256.

[21]Rogers E M, Olaguera N S. Diffusion of Innovations (Edition 5)[M]. New York: Free Press, 2003.

[22]Schramm M E, Trainor K J, Shanker M, et al. An agent-based diffusion model with consumer and brand agents[J]. Decision Support Systems, 2010, 50(1): 234-242.

[23]Song P, Zhang C, Xu Y, et al. Brand extension of online technology products: Evidence from search engine to virtual communities and online news[J]. Decision Support Systems, 2010, 49(1): 91-99.

[24]Leuthesser L, Kohli C, Suri R. 2 + 2 = 5? A framework for using co-branding to leverage a brand[J]. Journal of Brand Management, 2003, 11(1): 35-47.

[25]V?lckner F, Sattler H. Drivers of brand extension success[J]. Journal of Marketing Research, 2006, 70(2): 18-34.

[26]Ajzen I. Perceived behavioral control, self-efficacy, locus of control, and the theory of planned behavior[J]. Journal of Applied Social Psychology, 2002, 32(4): 665-668.

[27]Fishbein M, Ajzen I. Belief, Attitude, Intention, and Behavior: An Introduction to Theory and Research[M]. MA: Addison-Wesley, 1975.

[28]Santosa P I, Wei K K, Chan H C. User involvement and user satisfaction with information-seeking activity[J]. Europe Journal of Information System, 2005, 14(4): 361-370.

[29]Fornell C R, Larcker D F. Structural equation models with unobservable variables and measurement error[J]. Journal of Marketing Research, 1981, 18(1): 39-50.

[30]Gefen D, Straub D, Boudreau M C. Structural equation modeling and regression: Guidelines for research practice[J]. Communications of the Association for Information Systems, 2000, 4(7): 1-70.

[31]Borisovsky P, Dolgui A, Eremeev A. Genetic algorithms for a supply management problem: MIP-recombination vs greedy decoder[J]. European Journal of Operational Research, 2009, 195(3): 770-779.

[32]Maji P, Chaudhuri P P. Non-uniform cellular automata based associative memory: Evolutionary design and basins of attraction[J]. Information Sciences, 2008, 178(10): 2315-2336.

[33]Jiang G, Hu B, Wang Y. Agent-based simulation of competitive and collaborative mechanisms for mobile service chains[J]. Information Sciences, 2010, 180(2): 225-240.

Evolution of interactive behavior in collaborative e-commerce

JIANGGuo-yin1,2,MAFei-cheng2

1.School of Information Management, Hubei University of Economics, Wuhan 430205, China;2.School of Information Management, Wuhan University, Wuhan 430072, China

Abstract:To understand the evolution of interaction between collaborative e-commerce vendor and consumers, we propose an agent-based computation model upon scale-free network based on vendor’ profit model, the profit model is based on empirical result from commerce community, and program the system with NetLogo to simulate interaction between vendor and consumers. The experimental results show that better fineness are existing between experimental data and classic diffusion curves, it indicates that the experimental model can be used to simulate evolution of users’ transfer behavior. If innovators or early adopters are dominant in network, online shopping can reach higher peak, and manager can get higher expectation profit while making lower management efforts, but late adopters are dominant in network, even significant efforts are made, lower online shopping lever can reach. Vendor can gain more profit by encouraging consumers to adopt several social tools, which can increase nodes of the network and change the network topology.

Key words:collaborative e-commerce; scale-free network; computational experiment; evolution of interactive behavior

中圖分類號:C93

文獻標識碼:A

文章編號:1007-9807(2016)02-0001-12

作者簡介:蔣國銀(1976—), 男, 湖北天門人, 博士后, 教授. Email: jiangguoyin@hbue.edu.cn

基金項目：國家自然科學(xué)基金資助項目(71101047)； 湖北省高等學(xué)校優(yōu)秀中青年科技創(chuàng)新團隊計劃資助項目(T201516).

收稿日期：① 2014-01-17；

修訂日期:2014-12-21.