基于大數(shù)據(jù)的跨境電商平臺(tái)供應(yīng)商信用評(píng)估研究

榮飛瓊，郭夢(mèng)飛

(蘭州財(cái)經(jīng)大學(xué) 信息工程學(xué)院，甘肅 蘭州 730020)

一、引 言

近年來，在中國(guó)國(guó)內(nèi)傳統(tǒng)貿(mào)易增速放緩的形勢(shì)下，跨境電子商務(wù)卻持續(xù)保持著高速增長(zhǎng)的態(tài)勢(shì)，其發(fā)展?jié)摿薮?，必將成為中?guó)對(duì)外貿(mào)易新的重要增長(zhǎng)點(diǎn)?？缇畴娚唐脚_(tái)作為新型的貿(mào)易中間商，其本身可以直接參與交易，也可以不直接參與交易，即只為買賣雙方提供貿(mào)易磋商的平臺(tái)，由交易主體自行達(dá)成交易。目前，國(guó)內(nèi)主要以間接參與交易的跨境電商平臺(tái)為主，由于這種間接參與交易的方式，導(dǎo)致平臺(tái)上的注冊(cè)會(huì)員(即跨境電商交易中的供應(yīng)商)的信用失去了保障，由此引發(fā)諸多交易糾紛，也限制了跨境電商平臺(tái)的發(fā)展。因此，跨境電商平臺(tái)中供應(yīng)商信用評(píng)估問題的研究具有很強(qiáng)的緊迫性和必要性。本文試圖從跨境電商平臺(tái)中供應(yīng)商信用評(píng)估的角度出發(fā)，尋求完善中國(guó)跨境電商平臺(tái)質(zhì)量擔(dān)保功能的方法。

二、文獻(xiàn)回顧及評(píng)述

國(guó)內(nèi)針對(duì)企業(yè)信用評(píng)估的研究成果豐富。張德棟等用量化離散數(shù)據(jù)的方法和歸一法處理指標(biāo)數(shù)據(jù)，設(shè)計(jì)了一個(gè)企業(yè)信用評(píng)估的指標(biāo)體系，并根據(jù)該指標(biāo)體系建立了基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)信用3層神經(jīng)網(wǎng)絡(luò)評(píng)估模型[1]；何躍等實(shí)現(xiàn)了基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)信用評(píng)估模型，并使用了改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法[2]；陳鑫銘等設(shè)計(jì)了一套基于基本信用、職業(yè)信用、交易信用的信用評(píng)估體系以及基于AHP方法的C2C電子商務(wù)信用評(píng)估模型[3]；冷沙沙等結(jié)合網(wǎng)下靜態(tài)指標(biāo)和網(wǎng)上動(dòng)態(tài)指標(biāo)，運(yùn)用層次分析法確定指標(biāo)權(quán)重并建立信用評(píng)估指標(biāo)體系，定義了B2B企業(yè)信用評(píng)估模型[4]；郭亦涵等認(rèn)為在進(jìn)行商家信用評(píng)估時(shí)，應(yīng)該以產(chǎn)品質(zhì)量、信息質(zhì)量、服務(wù)質(zhì)量為核心建立信用評(píng)價(jià)指標(biāo)體系，同時(shí)綜合考慮評(píng)價(jià)機(jī)構(gòu)信用水平、交易金額和交易時(shí)間等指標(biāo)，并運(yùn)用模糊評(píng)價(jià)法確定了指標(biāo)權(quán)重[5]；馬曉青等使用Logistic模型與因子分析相結(jié)合的方法構(gòu)建了小企業(yè)信用評(píng)估模型和指標(biāo)體系，其數(shù)據(jù)來源是某商業(yè)銀行信貸數(shù)據(jù)[6]；付永貴等以B2C電子商務(wù)為例，提出網(wǎng)絡(luò)供應(yīng)商信用評(píng)估數(shù)據(jù)的來源及數(shù)據(jù)處理流程，使用逐步回歸法建立了B2C網(wǎng)絡(luò)供應(yīng)商的信用評(píng)估指標(biāo)體系，構(gòu)建基于部分調(diào)整模型及帶權(quán)重的徑向基神經(jīng)網(wǎng)絡(luò)模型的B2C供應(yīng)商信用評(píng)估模型[7]。使用大數(shù)據(jù)技術(shù)，很大程度上解決了數(shù)據(jù)來源單一的問題，這是電子商務(wù)交易中企業(yè)信用評(píng)估的一個(gè)新思路，非常值得借鑒。

對(duì)上述研究成果進(jìn)行分析發(fā)現(xiàn)：第一，大部分評(píng)估模型的數(shù)據(jù)來源不夠豐富，主要以交易系統(tǒng)中交易主體的交易數(shù)據(jù)為主；第二，由于數(shù)據(jù)來源單一，導(dǎo)致信用評(píng)價(jià)指標(biāo)體系不夠全面；第三，缺乏有效的模型評(píng)估方法，模型精確度和穩(wěn)健性缺乏量化依據(jù)。

同時(shí)，國(guó)內(nèi)關(guān)于跨境電商及跨境電商平臺(tái)方面的研究也比較多。呂雪晴等對(duì)中國(guó)跨境電商行業(yè)發(fā)展中存在的問題進(jìn)行了分析，提出確定品牌化發(fā)展、供應(yīng)鏈管控和服務(wù)縱深化的發(fā)展路徑[8]；陶濤等提出跨境電商平臺(tái)作為新型貿(mào)易中間商，一要解決跨境電商平臺(tái)的信用和質(zhì)量擔(dān)保問題，以真正實(shí)現(xiàn)跨境電商平臺(tái)的在線B2B交易，二要向行業(yè)細(xì)分的在線交易平臺(tái)方向發(fā)展[9]；徐碩提出中國(guó)中小企業(yè)要結(jié)合自身實(shí)際情況選擇跨境電商平臺(tái)的原則和方法[10]。從以上研究可以發(fā)現(xiàn)，針對(duì)跨境電商平臺(tái)的研究主要集中在發(fā)展戰(zhàn)略和路徑選擇上[11]，對(duì)跨境電商企業(yè)的研究則主要集中在傳統(tǒng)企業(yè)向跨境電商企業(yè)轉(zhuǎn)型、跨境電商平臺(tái)選擇戰(zhàn)略和跨境電商企業(yè)發(fā)展戰(zhàn)略等方面，而對(duì)跨境電商平臺(tái)中涉及的企業(yè)信用評(píng)估問題還鮮有涉及。

信用問題是關(guān)乎跨境電商交易頻率和效率的關(guān)鍵因素，也是制約跨境電商發(fā)展的主要原因，而研究跨境電商平臺(tái)中供應(yīng)商的信用評(píng)估問題，是完善跨境電商平臺(tái)質(zhì)量擔(dān)保功能的重要保障。本文致力于從跨境電商平臺(tái)中供應(yīng)商的特點(diǎn)出發(fā)，在大數(shù)據(jù)環(huán)境中分析供應(yīng)商的相關(guān)數(shù)據(jù)，構(gòu)建跨境電商平臺(tái)中供應(yīng)商的信用評(píng)估指標(biāo)體系和信用評(píng)估模型，以解決跨境電商平臺(tái)中供應(yīng)商信用評(píng)估缺陷。

三、信用評(píng)價(jià)指標(biāo)體系構(gòu)建

跨境電商平臺(tái)中的供應(yīng)商有三點(diǎn)特殊性：第一，跨境電商平臺(tái)供應(yīng)商本質(zhì)上是網(wǎng)絡(luò)供應(yīng)商，與傳統(tǒng)供應(yīng)商面臨的交易環(huán)境不同；第二，他們從事的是進(jìn)出口貿(mào)易，交易流程和內(nèi)容與其他網(wǎng)絡(luò)供應(yīng)商不同；第三，跨境電商平臺(tái)供應(yīng)商的企業(yè)規(guī)?？缍却??？缇畴娚棠Ｊ街凶畛醢l(fā)展起來的是跨境 B2B 模式，這種模式的參與者主要是大中型企業(yè)，其率先嘗試跨境電商模式，從中獲利，吸引了很多中小企業(yè)加入其中，所以跨境電商平臺(tái)中的供應(yīng)商，從大中型企業(yè)到小微企業(yè)一應(yīng)俱全。要針對(duì)跨境電商平臺(tái)供應(yīng)商進(jìn)行信用評(píng)估，評(píng)價(jià)指標(biāo)的選擇就要充分考慮供應(yīng)商的特殊性，結(jié)合其自身特點(diǎn)來進(jìn)行。

(一)備選指標(biāo)體系的確定

本文在一般網(wǎng)絡(luò)供應(yīng)商信用評(píng)估指標(biāo)體系的基礎(chǔ)上[12-14]，結(jié)合跨境電商平臺(tái)供應(yīng)商的特征，經(jīng)過分析、研究、討論，給出如下備選指標(biāo)集合(Ia)：線上發(fā)展規(guī)模(I1)、供應(yīng)商從事跨境電商時(shí)間(I2)、供應(yīng)商提供信息的完整度(I3)、供應(yīng)商產(chǎn)品質(zhì)量(I4)、供應(yīng)商聲譽(yù)(I5)、供應(yīng)商提供產(chǎn)品類型總數(shù)(I6)、供應(yīng)商資產(chǎn)狀況(I7)、供應(yīng)商負(fù)債狀況(I8)、售后服務(wù)水平(I9)、供應(yīng)商產(chǎn)品質(zhì)量提升意愿(I10)、供應(yīng)商對(duì)經(jīng)營(yíng)流程的熟悉程度(I11)、工作人員專業(yè)水平(I12)、品牌知名度(I13)、供應(yīng)商產(chǎn)品價(jià)格(I14)、產(chǎn)品自主知識(shí)產(chǎn)權(quán)水平(I15)、決策人員跨境電商意識(shí)(I16)。

需要說明的是，備選指標(biāo)的選擇是基于三方面因素考慮的：

第一，結(jié)合跨境電商平臺(tái)中供應(yīng)商特點(diǎn)，客戶群體對(duì)供應(yīng)商的關(guān)注點(diǎn)及跨境電商平臺(tái)自身需求進(jìn)行大方向上的選擇。本文借鑒了傳統(tǒng)企業(yè)信用評(píng)估指標(biāo)選擇的方法和原則，主要從產(chǎn)品、人員、技術(shù)、資金、管理等五個(gè)方面來進(jìn)行指標(biāo)選擇。

第二，考慮指標(biāo)數(shù)據(jù)獲取來源，有針對(duì)性地確定備選指標(biāo)。要擴(kuò)大數(shù)據(jù)來源，不能讓數(shù)據(jù)的不充足限制指標(biāo)體系的完整性，所以本文通過網(wǎng)絡(luò)爬蟲程序有目標(biāo)地抓取數(shù)據(jù)，在大數(shù)據(jù)環(huán)境下自由獲取豐富數(shù)據(jù)。

(1)

(二)指標(biāo)構(gòu)建方法

本文充分考慮可獲得數(shù)據(jù)的種類，運(yùn)用線性、非線性的數(shù)據(jù)處理方法，得出了最終的指標(biāo)構(gòu)建方法。

1.數(shù)據(jù)獲取。在大數(shù)據(jù)環(huán)境下，可自由獲取的數(shù)據(jù)非常豐富，通過編寫網(wǎng)絡(luò)爬蟲程序有目標(biāo)地抓取數(shù)據(jù)也是比較輕松的，但是由于大數(shù)據(jù)具有非結(jié)構(gòu)化特征，產(chǎn)生的數(shù)據(jù)多樣化明顯，同時(shí)還伴有大量噪音和缺失值，使得清洗數(shù)據(jù)的工作異常耗時(shí)耗力。為了獲取充足的指標(biāo)取值，本文分別從跨境電商平臺(tái)、第三方信息系統(tǒng)以及供應(yīng)商自建網(wǎng)站中抓取數(shù)據(jù)。在抓取數(shù)據(jù)的過程中，采用了廣度優(yōu)先遍歷策略，將程序模塊化和結(jié)構(gòu)化。在評(píng)估指標(biāo)基本確定的情況下，實(shí)現(xiàn)了全部數(shù)據(jù)從來源到數(shù)據(jù)庫(kù)的自動(dòng)化，最大限度減少人工干預(yù)，有效保證了數(shù)據(jù)的時(shí)效性和一致性。在大數(shù)據(jù)環(huán)境下，只有完全實(shí)現(xiàn)數(shù)據(jù)采集“自動(dòng)化”，數(shù)據(jù)量的“大”才有保證，才能把握待評(píng)估供應(yīng)商在每個(gè)評(píng)估指標(biāo)上的整體變化趨勢(shì)。

數(shù)據(jù)抓取過程中，爬蟲算法具體流程分為五個(gè)階段：供應(yīng)商選擇、核心網(wǎng)頁(yè)源解析、數(shù)據(jù)清洗、數(shù)據(jù)集成和數(shù)據(jù)存儲(chǔ)。供應(yīng)商選擇階段：程序?qū)⒐?yīng)商主頁(yè)網(wǎng)址作為爬蟲入口，并將所有待爬取供應(yīng)商主頁(yè)的網(wǎng)址都入棧；核心網(wǎng)頁(yè)源解析階段：將爬取到的主頁(yè)進(jìn)行解析，解析出含有待爬取信息的網(wǎng)頁(yè)的鏈接，并抽取主頁(yè)中所需信息；數(shù)據(jù)清洗階段：用默認(rèn)值填充缺失值，刪除臟數(shù)據(jù)，將數(shù)據(jù)做結(jié)構(gòu)化調(diào)整；數(shù)據(jù)集成階段：在已經(jīng)結(jié)構(gòu)化的數(shù)據(jù)中擇取和計(jì)算評(píng)估指標(biāo)；數(shù)據(jù)存儲(chǔ)階段：將指標(biāo)數(shù)據(jù)存儲(chǔ)到提前建好的關(guān)系數(shù)據(jù)庫(kù)中。上述五個(gè)階段在程序中形成一條指標(biāo)數(shù)據(jù)生產(chǎn)線，通過清晰的階段劃分可使程序的構(gòu)建組件化。

2.數(shù)據(jù)標(biāo)準(zhǔn)化處理。在進(jìn)行指標(biāo)構(gòu)建之前，需要對(duì)抓取的原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，使指標(biāo)中的各個(gè)數(shù)據(jù)構(gòu)成作用同趨化。本文采用z-score 標(biāo)準(zhǔn)化法進(jìn)行數(shù)據(jù)處理，標(biāo)準(zhǔn)化公式如下：

(2)

3.指標(biāo)構(gòu)建方法。指標(biāo)具體構(gòu)建方法見表1。

四、信用評(píng)估模型

采用神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)系統(tǒng)對(duì)不同類型的企業(yè)進(jìn)行信用評(píng)估，是近年來常見的信用評(píng)估方法。因?yàn)榛谏窠?jīng)網(wǎng)絡(luò)的信用評(píng)估模型具有比較高的可信度，很少受到分析人員的主觀好惡影響，完全以企業(yè)的信用資料為基礎(chǔ)，其中BP神經(jīng)網(wǎng)絡(luò)因其可容納高度復(fù)雜的非線性映射關(guān)系而更受歡迎。BP神經(jīng)網(wǎng)絡(luò)在無事前描述映射關(guān)系的數(shù)學(xué)方程的情況下，就可以學(xué)習(xí)和存儲(chǔ)大量輸入-輸出模式的映射關(guān)系，只要有足夠多的隱層和隱結(jié)點(diǎn)，就可以逼近任意的非線性映射關(guān)系[16-18]。

表1 指標(biāo)構(gòu)建方法

(一)模型算法

BP神經(jīng)網(wǎng)絡(luò)能通過輸入、隱層和輸出層將任意的N維輸入映射到M維輸出，具體結(jié)構(gòu)見圖1。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

結(jié)合本文所探討的問題，將模型簡(jiǎn)化為N維輸入和1維輸出。大致計(jì)算步驟可分為前向傳播和誤差反向傳播兩個(gè)方面，整個(gè)訓(xùn)練過程采用基于梯度的誤差反饋訓(xùn)練算法，具體描述如下：

1.前向傳播階段。

(3)

2.誤差反向傳播階段。

1)為計(jì)算神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與真實(shí)目標(biāo)值的誤差，計(jì)算二者的均方誤差，其計(jì)算公式如下：

(4)

其中Pi和Pi′分別代表了第i個(gè)樣本的神經(jīng)網(wǎng)絡(luò)輸出值和真實(shí)目標(biāo)值(也稱作期望值)。

2)為使均方誤差最小化，采用梯度下降算法來調(diào)節(jié)權(quán)值，權(quán)值的調(diào)節(jié)公式如下：

(5)

其中α代表了學(xué)習(xí)速率，為防止模型不收斂，α一般取0.01左右；k代表了第k次迭代。通過對(duì)偏導(dǎo)數(shù)部分計(jì)算，得出最終計(jì)算公式：

Wk+1-Wk=ΔWijk=

(6)

其中ΔWijk代表了第i層第j個(gè)神經(jīng)元與第i+1層第k個(gè)神經(jīng)元的權(quán)值增量，Ni+2代表第i+2層的節(jié)點(diǎn)數(shù)，Oij代表了第i層第j個(gè)神經(jīng)元輸出。

δik=

(7)

3)通過上述計(jì)算，使梯度從輸出層回流至輸入層，并不斷迭代步驟1～3，最終使整個(gè)網(wǎng)絡(luò)權(quán)值達(dá)到最優(yōu)。

(二)改進(jìn)算法

一般來講，基于梯度的誤差反饋訓(xùn)練算法有兩個(gè)方面的局限性：第一，在高維空間中空間曲面存在很多的馬鞍面，也就是趨于平坦的曲面，造成梯度在這些局部趨于無窮小；第二，算法的loss函數(shù)存在較多局部極小值?；诖耍跇?gòu)建BP神經(jīng)網(wǎng)絡(luò)信用評(píng)估模型的時(shí)候，本文采用了兩種典型的改進(jìn)算法：增加動(dòng)量項(xiàng)和學(xué)習(xí)速率自適應(yīng)調(diào)節(jié)算法[19]28-33。

1.增加動(dòng)量項(xiàng)。標(biāo)準(zhǔn)BP 算法在調(diào)整權(quán)值時(shí)，只按t時(shí)刻誤差的梯度下降方向調(diào)整，沒有考慮t時(shí)刻以前的梯度方向，使得在搜索某些參數(shù)空間時(shí)(如位于馬鞍面、極值點(diǎn)構(gòu)成的面等)梯度會(huì)變得相當(dāng)小，訓(xùn)練進(jìn)入相當(dāng)慢甚至停滯的狀態(tài)。為了提高訓(xùn)練速度，可以在權(quán)值調(diào)整公式中加一動(dòng)量項(xiàng)：

Δw(t)=ηδo+αΔw(t-1)

(8)

2.學(xué)習(xí)速率的自適應(yīng)調(diào)節(jié)。學(xué)習(xí)速率η是神經(jīng)網(wǎng)絡(luò)中一個(gè)非常重要的超參數(shù)，在實(shí)際應(yīng)用中需要經(jīng)常調(diào)整，具體原因是：在誤差曲面中，平坦區(qū)內(nèi)η太小會(huì)使訓(xùn)練次數(shù)增加，此時(shí)就需要將η值調(diào)整得大一些；而在誤差變化劇烈的區(qū)域，過大的η使訓(xùn)練出現(xiàn)振蕩，導(dǎo)致迭代次數(shù)增加，此時(shí)就需要將其調(diào)整得小一些。為了使收斂過程不斷加速，最好能實(shí)現(xiàn)學(xué)習(xí)速率η的自適應(yīng)調(diào)整，也就是說需要大的時(shí)候大，需要小的時(shí)候小，具體做法是根據(jù)網(wǎng)絡(luò)總誤差來調(diào)整：在網(wǎng)絡(luò)經(jīng)過一次權(quán)值更新后，若E總↑，則本次調(diào)整無效，且：

η=βη0<β<1

(9)

若E總↓，則有效，且：

η=αηα>1

(10)

五、實(shí)證研究

(一)數(shù)據(jù)獲取及模型建立

本文以國(guó)內(nèi)幾家獨(dú)立第三方外貿(mào)企業(yè)間(B2B)或者外貿(mào)企業(yè)對(duì)個(gè)人零售電子商務(wù)(B2C)交易平臺(tái)，如敦煌網(wǎng)、全球速賣通、阿里巴巴國(guó)際市場(chǎng)等作為大數(shù)據(jù)源，從中選取大量的供應(yīng)商樣本進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，判斷信用評(píng)估模型的準(zhǔn)確性，并給出供應(yīng)商信用評(píng)估結(jié)果。

1)使用網(wǎng)絡(luò)爬蟲從幾個(gè)跨境電商平臺(tái)中采集各供應(yīng)商的相關(guān)信用數(shù)據(jù)。

2)明確最終確定的指標(biāo)集合{i1，i2，…，i16}中各個(gè)指標(biāo)的含義及計(jì)算方法，確定各樣本在不同指標(biāo)中的取值。

3)將供應(yīng)商信用評(píng)估等級(jí)分為差、中、良和優(yōu)，對(duì)應(yīng)標(biāo)稱值分別為0，1，2和3。在MATLAB自帶的BP神經(jīng)網(wǎng)絡(luò)中，輸出值是一個(gè)連續(xù)值而非離散值，因此對(duì)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)輸出值作四舍五入的處理，使每個(gè)供應(yīng)商最終的分類結(jié)果值保持在離散取值上。另外，當(dāng)輸出值小于0時(shí)，處理的最終值為0；輸出值大于3時(shí)，處理的最終值為3。最終值的處理函數(shù)如下：

(11)

式(11)中ypre是MATLAB自帶BP神經(jīng)網(wǎng)絡(luò)的直接輸出結(jié)果，output代表了最終的分類取值。

4)將選取的供應(yīng)商樣本分為訓(xùn)練集和測(cè)試集，訓(xùn)練集用于訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，測(cè)試集用來測(cè)試BP神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確度。在信用評(píng)估模型準(zhǔn)確率較高的前提下，給出所有樣本的信用評(píng)估等級(jí)。

基于以上步驟，共選取得到了547個(gè)樣本，其中供應(yīng)商行業(yè)主要以服裝類行業(yè)為主。由于本文所采用的指標(biāo)評(píng)估體系基于“減少專家評(píng)估”的指標(biāo)建設(shè)原則，故只需對(duì)這547個(gè)樣本進(jìn)行l(wèi)abel評(píng)估，即評(píng)估出該樣本的最終信用評(píng)估等級(jí)，這樣就減少了人工干預(yù)的可能，最大限度地排除了主觀因素。另外，BP神經(jīng)網(wǎng)絡(luò)中模型復(fù)雜度非常高，只有使用“真正大量”的樣本才能做到更具泛化性和準(zhǔn)確性。本文盡可能地降低了人工工作量，使樣本數(shù)量得到了很大擴(kuò)充，保證了模型的泛化能力和準(zhǔn)確性。同時(shí)，為了使模型訓(xùn)練更穩(wěn)定、更快收斂，又對(duì)所有指標(biāo)進(jìn)行了二次統(tǒng)一標(biāo)準(zhǔn)化處理。

本文建立了BP神經(jīng)網(wǎng)絡(luò)信用評(píng)估模型，實(shí)現(xiàn)了供應(yīng)商信用自動(dòng)化評(píng)估。首先，將樣本隨機(jī)分為訓(xùn)練集和測(cè)試集，這樣處理是為了保證測(cè)試結(jié)果的客觀性和準(zhǔn)確性，其中：90%的樣本作為訓(xùn)練集，專門用于訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)；10%的樣本作為測(cè)試集，專門用于測(cè)試神經(jīng)網(wǎng)絡(luò)的泛化性和擬合效果。其次，通過對(duì)模型的不斷優(yōu)化和調(diào)試，得到如下BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖(圖2)，其中14個(gè)輸入變量，20個(gè)隱藏層神經(jīng)元，1個(gè)輸出神經(jīng)元，隱藏層激活函數(shù)采用tanh函數(shù)，以保證神經(jīng)網(wǎng)絡(luò)可以學(xué)習(xí)到非線性規(guī)律，輸出層激活函數(shù)采用直線函數(shù)。為防止神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)在局部來回震蕩，學(xué)習(xí)速率值確定為0.000 01，整個(gè)神經(jīng)網(wǎng)絡(luò)訓(xùn)練經(jīng)過6次迭代后停止。這里采用的Levenberg-Marquardt算法迭代，是本文之前談到的梯度下降算法的具體應(yīng)用，只是學(xué)習(xí)速率和動(dòng)量項(xiàng)略有調(diào)整。神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成后，其誤差的直方圖如圖3所示。

圖2 調(diào)整后的BP網(wǎng)絡(luò)結(jié)構(gòu)圖

圖3 誤差直方圖

由圖3可知，在MATLAB神經(jīng)網(wǎng)絡(luò)工具箱自動(dòng)劃分的訓(xùn)練集、驗(yàn)證集和測(cè)試集下，誤差多數(shù)集中在0的附近，表示出較好的擬合效果；通過對(duì)神經(jīng)網(wǎng)絡(luò)模型的參數(shù)調(diào)整，實(shí)現(xiàn)了在訓(xùn)練集上92%的正確率，在測(cè)試集上89%的正確率；雖然測(cè)試集上表現(xiàn)出輕微的過擬合現(xiàn)象，但總體模型精度仍在可接受范圍內(nèi)。

需要說明的是，本文在建立BP神經(jīng)網(wǎng)絡(luò)模型時(shí)，大部分參數(shù)調(diào)整都有相應(yīng)的理論支撐，而隱藏層神經(jīng)元個(gè)數(shù)的選擇目前還沒有明確的理論指導(dǎo)，多數(shù)采用經(jīng)驗(yàn)公式或者通過嘗試不同數(shù)值來求得最佳值。所以，本文以程序自動(dòng)化的方式實(shí)現(xiàn)不同數(shù)值試驗(yàn)，最終確定了最優(yōu)神經(jīng)元個(gè)數(shù)。

(二)模型訓(xùn)練結(jié)果

通過對(duì)手動(dòng)劃分的訓(xùn)練集和測(cè)試集的模擬預(yù)測(cè)，本文得到的結(jié)果見圖4。

圖4 準(zhǔn)確率示意圖

由圖4可知，每個(gè)樣本都得到了準(zhǔn)確評(píng)級(jí)，評(píng)級(jí)取值分別為0、1、2、3，依次代表信用評(píng)估等級(jí)差、中、良和優(yōu)。在訓(xùn)練集中，評(píng)級(jí)為“中”和“良”的樣本數(shù)量居多，大約只有10%的樣本散落在“優(yōu)”和“差”的取值范圍內(nèi)。神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果和真實(shí)評(píng)估結(jié)果的吻合率達(dá)到了0.92。在訓(xùn)練集準(zhǔn)確率可接受的前提下，本文對(duì)測(cè)試集樣本進(jìn)行了信用評(píng)估，信用評(píng)級(jí)結(jié)果和訓(xùn)練集相似，大部分樣本評(píng)級(jí)結(jié)果為“中”和“良”，只有極少數(shù)樣本評(píng)級(jí)結(jié)果為“優(yōu)”或“差”。神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果和真實(shí)評(píng)估結(jié)果的吻合率達(dá)到了0.89，這說明無論是訓(xùn)練集還是測(cè)試集，模型預(yù)測(cè)結(jié)果準(zhǔn)確率都在90%左右。

(三)模型效果評(píng)估

為進(jìn)一步確認(rèn)模型在實(shí)際應(yīng)用中的可靠性，本文采用主流的機(jī)器學(xué)習(xí)模型驗(yàn)證方法K-折交叉驗(yàn)證和混淆矩陣進(jìn)行驗(yàn)證。

1.K-折交叉驗(yàn)證。

1)算法概述。K-折交叉驗(yàn)證法將數(shù)據(jù)集分為k份，進(jìn)行k次模型驗(yàn)證。在第i次驗(yàn)證中，將第i份數(shù)據(jù)作為驗(yàn)證集，其余作為訓(xùn)練集。每一次訓(xùn)練都在訓(xùn)練集上訓(xùn)練，并在驗(yàn)證集上進(jìn)行評(píng)估。K-折交叉驗(yàn)證法對(duì)所有數(shù)據(jù)都進(jìn)行了訓(xùn)練，并且對(duì)所有數(shù)據(jù)進(jìn)行了評(píng)估，能有效地檢驗(yàn)?zāi)Ｐ偷姆夯芰?。另外，k一般取10時(shí)能達(dá)到較好的驗(yàn)證效果。

2)驗(yàn)證結(jié)果。在對(duì)模型進(jìn)行十次交叉驗(yàn)證的基礎(chǔ)上，又計(jì)算了模型的精確度。精確度在二分類問題上的計(jì)算公式如下：

(12)

其中TP代表了正確分成正類的樣本數(shù)量，TN代表了正確分成負(fù)類樣本數(shù)量，F(xiàn)P和FN分別代表了錯(cuò)誤分成正類的樣本數(shù)量和錯(cuò)誤分成負(fù)類的樣本數(shù)量。基于此，本文得到的精確度驗(yàn)證結(jié)果見圖5，其均值為0.866 5。

圖5 十次交叉驗(yàn)證精確度圖

2.混淆矩陣?；煜仃噷㈩A(yù)測(cè)值與真實(shí)值集中在一個(gè)矩陣?yán)?，通過對(duì)預(yù)測(cè)值和實(shí)際類別計(jì)數(shù)的方法，集中反映模型的準(zhǔn)確率、召回率等指標(biāo)。由混淆矩陣的性質(zhì)可知，當(dāng)混淆矩陣的數(shù)據(jù)越集中于矩陣對(duì)角線時(shí)，表示模型越具有穩(wěn)健性。研究中十次交叉驗(yàn)證的每一次驗(yàn)證都生成了對(duì)應(yīng)的混淆矩陣，其中一折驗(yàn)證的示例圖見圖6。

圖6 交叉驗(yàn)證混淆矩陣結(jié)果示例圖

從圖6可以看出，只有少量的樣本不在對(duì)角線上，即絕大部分驗(yàn)證集被正確分類。

本文又對(duì)十次交叉驗(yàn)證的所有混淆矩陣進(jìn)行了精確度評(píng)估，得出評(píng)估結(jié)果見表2。

表2 十次交叉驗(yàn)證下多類精確度均值

表2中的精確度矩陣代表了多類任務(wù)下基于混淆矩陣的精確度評(píng)估，其中每行代表實(shí)際類別，每列代表預(yù)測(cè)類別，矩陣中每一元素對(duì)應(yīng)著該行所代表的類別預(yù)測(cè)為該列所代表類別的概率。對(duì)角線上元素代表了該行代表的類被正確預(yù)測(cè)的概率，即精確度，且每一行加總為1。評(píng)估結(jié)果表明，模型對(duì)后三類樣本分類的預(yù)測(cè)準(zhǔn)確度較高，這與后三類樣本數(shù)量較多有關(guān)?？梢姡嗟臉颖緮?shù)量會(huì)使訓(xùn)練結(jié)果更具泛化能力。綜合K-折交叉驗(yàn)證和混淆矩陣驗(yàn)證的結(jié)果來看，模型具有較好的穩(wěn)健性和泛化性，是可靠的信用評(píng)估模型。

六、結(jié)論與建議

本文從跨境電商平臺(tái)供應(yīng)商信用評(píng)估問題入手，在傳統(tǒng)供應(yīng)商信用評(píng)估指標(biāo)體系的基礎(chǔ)上，結(jié)合跨境電商平臺(tái)中供應(yīng)商的特征，著重考慮指標(biāo)數(shù)據(jù)獲取來源等因素，構(gòu)建了較為完善的跨境電商平臺(tái)供應(yīng)商信用評(píng)估指標(biāo)體系和基于BP神經(jīng)網(wǎng)絡(luò)的信用評(píng)估模型，并進(jìn)行了實(shí)證研究。在實(shí)證研究中，本文在547個(gè)樣本中隨機(jī)選取10%的樣本作為測(cè)試集，分別得到了每個(gè)樣本的信用等級(jí)預(yù)測(cè)結(jié)果，預(yù)測(cè)結(jié)果和真實(shí)評(píng)估結(jié)果的吻合率達(dá)到了90%。最后，采用機(jī)器學(xué)習(xí)驗(yàn)證方法——K-折交叉驗(yàn)證和混淆矩陣對(duì)模型進(jìn)行了評(píng)價(jià)，證明其評(píng)估結(jié)果準(zhǔn)確，模型穩(wěn)健可靠，可以推廣至實(shí)際應(yīng)用中去。

結(jié)合本文的研究結(jié)果及跨境電商平臺(tái)的功能特征，對(duì)跨境電商平臺(tái)供應(yīng)商信用評(píng)價(jià)的實(shí)際應(yīng)用給出以下兩方面的建議。

(一)技術(shù)層面的建議

其一，建議在跨境電商平臺(tái)供應(yīng)商信用評(píng)估指標(biāo)體系中，進(jìn)一步完善和細(xì)化供應(yīng)商資金要素方面的指標(biāo)。這部分?jǐn)?shù)據(jù)關(guān)乎企業(yè)商業(yè)機(jī)密，又對(duì)供應(yīng)商信用評(píng)級(jí)結(jié)果影響比較大，但是除非上市公司，否則無法取得關(guān)于供應(yīng)商資產(chǎn)和負(fù)債狀況的財(cái)務(wù)數(shù)據(jù)。在實(shí)際應(yīng)用中，跨境電商平臺(tái)可以通過多種渠道獲取簽約供應(yīng)商的財(cái)務(wù)數(shù)據(jù)，對(duì)于非簽約的供應(yīng)商，也可以依據(jù)以往的交易數(shù)據(jù)來分析判斷，所以跨境電商平臺(tái)是有條件對(duì)資金要素方面的指標(biāo)進(jìn)行完善和細(xì)化的。

其二，神經(jīng)網(wǎng)絡(luò)模型對(duì)樣本敏感度很高，即樣本本身對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果有較大影響。一旦樣本數(shù)量偏小時(shí)，極易引發(fā)模型過擬合，從而導(dǎo)致模型泛化能力差，所以在模型的實(shí)際應(yīng)用中，可以使用本文提供的網(wǎng)絡(luò)爬蟲算法，對(duì)樣本數(shù)量再擴(kuò)大，保證評(píng)級(jí)結(jié)果的可靠性。

其三，神經(jīng)網(wǎng)絡(luò)模型需要手動(dòng)設(shè)置的超參數(shù)較多，在實(shí)際運(yùn)用中為了達(dá)到較好的訓(xùn)練效果，最好采用隨機(jī)搜索或者網(wǎng)格搜索的辦法搜索參數(shù)。

(二)政策層面的建議

其一，跨境電商平臺(tái)要建立一個(gè)科學(xué)、準(zhǔn)確的供應(yīng)商信用評(píng)價(jià)體系，對(duì)供應(yīng)商進(jìn)行全面、有效的信用評(píng)估?？缇畴娚唐脚_(tái)因其強(qiáng)大的信息共享和交易撮合功能，有力促進(jìn)了中小規(guī)模企業(yè)出口及零售產(chǎn)品的進(jìn)出口貿(mào)易發(fā)展，但是在大宗商品出口及專業(yè)化程度高的復(fù)雜商品出口方面沒有明顯的促進(jìn)作用。跨境電商平臺(tái)缺乏專業(yè)化優(yōu)勢(shì)和質(zhì)量擔(dān)保功能是引發(fā)上述問題的原因之一。另外，交易中各參與方信息不對(duì)稱也是原因之一，而建立一個(gè)針對(duì)平臺(tái)供應(yīng)商的信用評(píng)價(jià)體系，可以有效解決跨境電商平臺(tái)缺乏質(zhì)量擔(dān)保功能及客戶和供應(yīng)商之間信息不對(duì)稱的問題。

其二，跨境電商平臺(tái)可依照本文所建立的信用評(píng)估指標(biāo)體系和評(píng)估模型對(duì)平臺(tái)上的供應(yīng)商進(jìn)行信用等級(jí)評(píng)估。目前，很多跨境電商平臺(tái)供應(yīng)商的信用評(píng)價(jià)還停留在依賴買賣雙方在訂單交易完成后對(duì)對(duì)方信用狀況進(jìn)行評(píng)價(jià)的階段，這其中摻雜了很多干擾因素和主觀因素，不能綜合、客觀地評(píng)價(jià)一個(gè)供應(yīng)商的信用水平。因此，可以本文研究成果為依據(jù)，有針對(duì)性地選擇信用等級(jí)高的供應(yīng)商與平臺(tái)簽約，有效提高平臺(tái)的產(chǎn)品質(zhì)量和售后服務(wù)水平。同時(shí)，跨境電商平臺(tái)交易中的購(gòu)買方也可以此為依據(jù)進(jìn)行采購(gòu)決策，避免了信息不對(duì)稱引發(fā)的交易失敗和交易糾紛。

其三，建議跨境電商平臺(tái)建立供應(yīng)商分類信用評(píng)估機(jī)制，滿足不同方向的信用評(píng)價(jià)需求。如：針對(duì)平臺(tái)質(zhì)量擔(dān)保功能，建立專門的供應(yīng)商質(zhì)量信用等級(jí)；針對(duì)客戶對(duì)供應(yīng)商服務(wù)水平信息的需求，建立專門的供應(yīng)商服務(wù)水平評(píng)級(jí)制度等。當(dāng)然，這需要構(gòu)建專門的信用評(píng)價(jià)指標(biāo)體系和評(píng)估模型，但是評(píng)估模型的基本算法并未發(fā)生變化，本文的研究成果依然有參考價(jià)值。

[1] 張德棟,張強(qiáng).基于神經(jīng)網(wǎng)絡(luò)的企業(yè)信用評(píng)估模型[J].北京理工大學(xué)學(xué)報(bào)，2004(11).

[2] 何躍，蔣國(guó)銀，劉學(xué)生.基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)信用評(píng)估模型[J].經(jīng)濟(jì)數(shù)學(xué)，2005(3).

[3] 陳鑫銘，馮艷.C2C電子商務(wù)信用評(píng)估體系研究[J].圖書情報(bào)工作，2009，3(14).

[4] 冷沙沙,高厚禮.B2B企業(yè)信用評(píng)估模型的研究[J].山東理工大學(xué)學(xué)報(bào)，2010(3).

[5] 郭亦涵，鄭植.C2C電子商務(wù)網(wǎng)站信用評(píng)價(jià)模型研究[J].北京郵電大學(xué)學(xué)報(bào):社會(huì)科學(xué)版，2011，13(4).

[6] 馬曉青，劉莉亞，胡乃紅,等.小企業(yè)信用評(píng)估的模型構(gòu)建與實(shí)證分析[J].財(cái)經(jīng)研究，2012(5).

[7] 付永貴，朱建明.基于大數(shù)據(jù)的網(wǎng)絡(luò)供應(yīng)商信用評(píng)估模型[J].中央財(cái)經(jīng)大學(xué)學(xué)報(bào)，2016(8).

[8] 呂雪晴，周梅華.我國(guó)跨境電商平臺(tái)發(fā)展存在的問題與路徑[J].經(jīng)濟(jì)縱橫，2016(3).

[9] 陶濤，郭宇宸.跨境電商平臺(tái)作為新型貿(mào)易中間商的理論基礎(chǔ)與現(xiàn)實(shí)發(fā)展[J].新視野，2016(2).

[10] 徐碩.淺析中小企業(yè)跨境電商平臺(tái)選擇問題與對(duì)策[J].財(cái)經(jīng)界:學(xué)術(shù)版，2016(11).

[11] 方燦，杭言勇.我國(guó)跨境電商平臺(tái)的運(yùn)營(yíng)模式探討[J].時(shí)代金融，2015，606(11).

[12] 彭麗芳，陳中，李琪.網(wǎng)絡(luò)交易中信用評(píng)價(jià)方法研究[J].南開管理評(píng)論，2007,10(2).

[13] 柳向東，李鳳.大數(shù)據(jù)背景下網(wǎng)絡(luò)借貸的信用風(fēng)險(xiǎn)評(píng)估——以人人貸為例[J].統(tǒng)計(jì)與信息論壇，2016(5).

[14] 李毅，姜天英，劉亞茹.基于不平衡樣本的互聯(lián)網(wǎng)個(gè)人信用評(píng)估研究[J].統(tǒng)計(jì)與信息論壇，2017(2).

[15] 傅德印，張旭東.EXCEL與多元統(tǒng)計(jì)分析[M].北京：中國(guó)統(tǒng)計(jì)出版社，2007.

[16] Li Rongzhou，Pang Sulin，Xu Jianmin.Neural Network Credit-risk Evaluation Model Based on Back-propagation Algorithm[J].Machine Learning and Cybernetics,2002(4).

[17] Wisniewski.Behavioral Data Start up Combines Big Data with Credit ‘Traffic School’[J].American Banker,2013,178(186).

[18] 張道宏，張璇，尹成果.基于BP神經(jīng)網(wǎng)絡(luò)的個(gè)人信用評(píng)估模型[J].情報(bào)雜志，2006(3).

[19] 朱大奇，史慧.人工神經(jīng)網(wǎng)絡(luò)原理及應(yīng)用[M].北京：科學(xué)出版社，2006.