李 哲,馬中東
(1.大連理工大學(xué) 管理與經(jīng)濟學(xué)部,遼寧 大連 116024;2.聊城大學(xué) 商學(xué)院,山東 聊城 252059)
目前,電子商務(wù)正憑借著高效便捷的優(yōu)勢全面變革著社會商業(yè)模式,網(wǎng)絡(luò)消費已成為市民熱衷的消費方式[1-2]。根據(jù)中國電子商務(wù)研究中心的調(diào)查,2015年、2016年網(wǎng)購市場交易規(guī)模高達3.88萬億元和4.7萬億元,分別占社會消費品零售總額的12.9% 和 23.3% 。
網(wǎng)絡(luò)購物與傳統(tǒng)購物相比優(yōu)勢明顯,但當(dāng)前中國的在線消費仍處于起步階段,在迅速發(fā)展的同時也存在不足之處:如網(wǎng)絡(luò)購物環(huán)境有待提高、網(wǎng)絡(luò)購物市場運行模式有待創(chuàng)新、快遞物流方面法律法規(guī)相對滯后、消費者維權(quán)困難、交易存在不確定性、信息不對稱,等等。上述問題在一定程度上影響了網(wǎng)絡(luò)購物交易成本[3],而交易成本又影響消費者購買意愿,這是消費者選擇網(wǎng)上購物還是傳統(tǒng)購物的關(guān)鍵參考。因此,降低交易成本和提升消費者購買意愿是國內(nèi)外學(xué)者和電商企業(yè)所關(guān)注的焦點。
早期的研究以理論分析為主,如 Bharadwaj和Bigelow等基于交易成本視角,定性對比分析了網(wǎng)絡(luò)零 售 業(yè) 與 傳 統(tǒng) 購 物 業(yè) 的 交 易 成 本 差 異[4-5];Rabinovich等基于交易成本視角,對網(wǎng)絡(luò)消費者的消費行為假設(shè)進行了研究[6]。在定性研究的基礎(chǔ)上,有學(xué)者嘗試用統(tǒng)計方法和模型定量研究網(wǎng)絡(luò)交易成本與購買意愿的關(guān)系,如相關(guān)分析和回歸分析等,但上述方法不能很好地解釋變量之間關(guān)系且無法解決潛變量測量誤差的問題。隨著統(tǒng)計學(xué)理論的發(fā)展,更為嚴格的統(tǒng)計技術(shù)和模型分析方法被引入到網(wǎng)絡(luò)零售業(yè)影響因素的實證研究中,如趙衛(wèi)宏以網(wǎng)絡(luò)零售消費者為對象,對網(wǎng)絡(luò)顧客關(guān)系價值及其行為結(jié)果進行了實證分析[7];黃嵐等實證分析了網(wǎng)絡(luò)零售價格促銷方式、折扣幅度對網(wǎng)絡(luò)消費者購買意愿的影響機制[8],上述研究多是圍繞結(jié)構(gòu)方程模型(Structural Equation Model,SEM)技術(shù)而開展的。SEM是一種建立、估計和檢驗因果關(guān)系的模型方法,可根據(jù)理論模型與樣本數(shù)據(jù)的一致性程度對模型的擬合性做出評價,從而證實所假設(shè)理論模型的真?zhèn)危?],但SEM是以觀測變量服從正態(tài)分布為前提,模型求解嚴格依賴協(xié)方差矩陣,而實際中測量數(shù)據(jù)的質(zhì)量受到量表質(zhì)量、被調(diào)查人員主觀意識等因素影響,容易出現(xiàn)多重共線性及非正態(tài)分布因素造成的偏差問題[10],從而極大限制了該方法在網(wǎng)絡(luò)消費者行為研究方面的應(yīng)用;同時,SEM是基于截面樣本點數(shù)據(jù)的靜態(tài)估計,主要模擬變量的線性關(guān)系,對非線性問題因難以提出嚴謹?shù)目茖W(xué)假設(shè)或有待檢驗的理論模型,從而無法獲得準(zhǔn)確的實證結(jié)果。偏最小二乘算法(Partial Least Squares Method,PLS)是由Herman Wold提出的一種多因變量對多自變量的多元分析方法,可較好解決普通多元統(tǒng)計分析方法對數(shù)據(jù)的約束性,如變量X和Y的最大數(shù)大于預(yù)測方程個數(shù),變量的因子(成分)均從X'X和Y'Y矩陣中提取,但該因子(成分)無法表征變量的相關(guān)性;PLS采用對變量X和Y進行分解的方式,從變量X和Y中同時提取成分(因子),再將成分按照二者之間的相關(guān)性從大到小排列,可解決主成分分析提取相關(guān)信息時容易漏掉相關(guān)性較小的變量而使模型可靠性下降的不足。因此,PLS是將主成分分析與多元回歸結(jié)合起來的迭代估計,在求解過程中允許測量變量、潛變量為非正態(tài)分布[11],特別適合對數(shù)據(jù)難以獲得且評價體系內(nèi)具體作用關(guān)系不太明確的對象進行探索性研究。構(gòu)建基于最小二乘法的結(jié)構(gòu)方程模型(簡稱PLS-SEM),雖然既能解決測量誤差問題又能解決變量非正態(tài)問題,并提升了模型實證能力及泛性,但PLS-SEM模型對變量間關(guān)系的預(yù)測和診斷能力依舊較差。而貝葉斯網(wǎng)絡(luò)(Bayesian Network,BN)特別適合對變量關(guān)系的預(yù)測、診斷以及對非線性關(guān)系的處理[12],但其又缺乏對變量間因果關(guān)系的解釋和實證能力[13]?;诖?,本文提出將PLSSEM與BN相結(jié)合,該組合模型既發(fā)揮了PLS-SEM擬合非標(biāo)準(zhǔn)模型的能力,又發(fā)揮了BN的診斷和預(yù)測能力,可為電商企業(yè)制定合理的價格戰(zhàn)略提供智力支持。
PLS-SEM是伍德(Wold)等于19世紀(jì)80年代在PLS回歸的基礎(chǔ)上提出的一種新型方法,由描述外生潛變量和內(nèi)生潛變量之間關(guān)系的結(jié)構(gòu)方程與描述內(nèi)、外生潛變量和觀測變量關(guān)系的測量方程組成。
1.結(jié)構(gòu)模型。結(jié)構(gòu)模型描述的是潛變量之間關(guān)系:
其中 η、β、ξ、ζ∈ Rn,Γ ∈ Rn×n;η 是由 m 個內(nèi)生潛變量(因子)組成的m×1向量;ξ是由n個外生潛變量(因子)組成的n×1向量;Γ為m×n結(jié)構(gòu)系數(shù)矩陣,描述了結(jié)構(gòu)模型中外生潛變量ξ對內(nèi)生潛變量η的影響;ζ是結(jié)構(gòu)模型的m×1殘差向量。
由于PLS表示遞歸關(guān)系,因此:
其中βji和γjb為連接預(yù)測內(nèi)生變量與外生潛變量的系數(shù),ζj為內(nèi)生殘差變量。
2.測量模型。測量模型描述的是觀測變量與其潛變量之間的關(guān)系:
其中x、y分別表示外生與內(nèi)生潛變量ξ、η的觀測變量,Λη是X在ξ上的q×n路徑系數(shù)矩陣,Λξ是Y在η上的p×m因子負荷矩陣(路徑系數(shù)矩陣),權(quán)重關(guān)系為:
其中 ωlh、ωik分別為用于估計潛在變量 ξl、ηi的第h、k個權(quán)重。
SEM的PLS分析方法就是通過迭代每個潛變量的樣本估計值^ξl和^ηi,具體計算步驟如下:
步驟1:給定一個任意的初始權(quán)重,例如 ωlh=1,其余變量的權(quán)重均為0。
步驟 2:按照鮮思東等的方法[14],計算 ωlh和ωik的新權(quán)重值。
步驟 3:判斷是否滿足|ω'-ω''|<10-5,成立則進入步驟4,否則返回步驟1,重新賦值。
步驟4:通過公式計算潛在變量 ξl和 ηi的估計值,記為^ξl和^ηi。
步驟5:利用^ξl和^ηi替代ξl和ηi后,運用PLS方法估計結(jié)構(gòu)模型中變量參數(shù)。
BN是描述數(shù)據(jù)變量之間依賴關(guān)系的圖形模型,其基本原理如下:
假設(shè)一個有限的離散型由隨機變量Xi組成的集合是 U={X1,X2,…,Xn},其中 Xi可以選取有限個值。一般來說,貝葉斯網(wǎng)絡(luò)是一個二元組B=〈G,Θ〉:G刻畫的是一個有向無環(huán)圖,其中i個節(jié)點與Xi一一對應(yīng);Θ刻畫的是網(wǎng)絡(luò)局部條件概率的參數(shù)集合{θxi|zi},θxi|zi=P(xi|zi),表示節(jié)點 Xi對應(yīng)的每一個值xi在其父節(jié)點集yi處于某個特定的配置zi下的條件概率。由B所刻畫在集合U上的聯(lián)合概率分布能夠利用式(3)唯一確定,即:
BN的構(gòu)造可分三步進行,計算過程中并非需要嚴格按照以下三個步驟進行,可根據(jù)實際需求交叉進行。
步驟1:確定變量。
步驟2:構(gòu)建一個條件獨立的有向無環(huán)圖,由概率乘法公式可得:
若用Yi表示變量Xi的父節(jié)點集,可得P(X1,X2,…,
為了確定BN的結(jié)構(gòu),需將變量X1,X2,…,Xn按某種規(guī)則進行排序,以確定能夠滿足式(4)的變量集 Yi(i=1,2,…,n)。
步驟3:指派局部概率分布P(Xi|Yi)。
BN模型是對觀測變量進行的因果預(yù)測與推斷,而PLS-SEM是對潛變量層路徑關(guān)系進行實證分析。因此,融合PLS-SEM和BN模型的關(guān)鍵是通過觀測變量獲得貝葉斯網(wǎng)絡(luò)模型推導(dǎo)和預(yù)測所需要的樣本數(shù)據(jù),從而推導(dǎo)出網(wǎng)絡(luò)消費者購買意愿影響因素的作用機理。鑒于此,本文構(gòu)建組合模型的思路是:
步驟1:按照PLS-SEM基礎(chǔ)中構(gòu)建PLS-SEM模型的5個步驟,構(gòu)建網(wǎng)絡(luò)消費者購買意愿影響因素的PLS-SEM模型。
其中N表示樣本量,xi表示第i個觀測變量,θδ表示殘差的協(xié)方差矩陣,T表示矩陣的轉(zhuǎn)置,Φ表示ζ的協(xié)方差矩陣。
由式(5)式(6)可知,一旦確定系數(shù)Λξ,就可以求得外生潛變量ξ的得分;同理,確定Λη,就可獲得內(nèi)生潛變量η的得分。
步驟3:以PLS-SEM模型實證確定的潛變量間的路徑關(guān)系作為BN模型的機結(jié),在步驟2的基礎(chǔ)上以潛變量的得分作為樣本數(shù)據(jù),借助 Netica5.19軟件,按照BN基本原理中的3個步驟構(gòu)建潛變量貝葉斯網(wǎng)絡(luò)模型。
步驟4:在步驟3的基礎(chǔ)上,進行購買意愿與其影響因素的貝葉斯推理和診斷。
目前,雖然電子商務(wù)已獲得較快的發(fā)展,但無論是發(fā)展中國家(如中國等)還是發(fā)達國家(如美國等),傳統(tǒng)商業(yè)收入遠遠超過電子商務(wù)的收入,造成這種現(xiàn)象的一個重要原因就是消費者對網(wǎng)絡(luò)購物缺乏信任。Jones等人認為,擴大電子商務(wù)市場占有份額的一個關(guān)鍵因素是建立交易雙方彼此之間的信任關(guān)系[16];不少文獻認為,交易雙方彼此之間的信任關(guān)系有助于顧客網(wǎng)絡(luò)消費購買意愿的提升,消費者網(wǎng)絡(luò)購物市場調(diào)查表明,信任度的重要程度高于特定資產(chǎn)。鑒于此,本文將網(wǎng)絡(luò)購物中的影響因素特定資產(chǎn)換成交易雙方的信任度,以探索交易成本對購買意愿的影響。電子商務(wù)發(fā)展的另一個障礙是網(wǎng)絡(luò)購物存在多種不確定性,而這些不確定性又提高了線上商業(yè)的交易成本。Parkeh研究表明,電子商務(wù)在交易過程中具有不確定因素,這類不確定因素阻礙了電子商務(wù)的發(fā)展,故在研究電子商務(wù)交易成本對顧客購買意愿影響時,將不確定性因素作為一個維度保留在交易成本中[17]。因此,本文以交易費用理論(TCE)為理論基礎(chǔ),在文獻總結(jié)、專家訪談以及QFD專家頭腦風(fēng)暴法的基礎(chǔ)上,將網(wǎng)絡(luò)購物交易成本分為不確定性、購買頻率、信任度三個維度,并探索其對消費者購買意愿的影響。
根據(jù)以上分析,網(wǎng)絡(luò)消費中交易成本與購買意愿關(guān)系的概念模型,見圖1。
圖1 交易成本與購買意愿關(guān)系概念模型圖
圖1所示概念模型的路徑假設(shè)有:
H1:交易成本與購買意愿是負相關(guān)的關(guān)系,交易成本可對購買意愿進行逆向調(diào)節(jié)。
H2:不確定性與購買意愿是負相關(guān)的關(guān)系,不確定性可對購買意愿進行逆向調(diào)節(jié)。
H3:交易頻率與購買意愿是正相關(guān)的關(guān)系,交易頻率可對購買意愿進行正向調(diào)節(jié)。
H4:不確定性與交易成本是正相關(guān)的關(guān)系,不確定性可對交易成本進行正向調(diào)節(jié)。
H5:交易頻率與交易成本是負相關(guān)的關(guān)系,交易頻率可對交易成本進行逆向調(diào)節(jié)。
H6:交易頻率與不確定性是負相關(guān)的關(guān)系,交易頻率可對不確定性進行逆向調(diào)節(jié)。
H7:信任度與購買意愿是正相關(guān)的關(guān)系,信任度可對購買意愿進行正向調(diào)節(jié)。
H8:信任度與不確定性是負相關(guān)的關(guān)系,信任度可對不確定性進行逆向調(diào)節(jié)。
H9:信任度與購買頻率是正相關(guān)的關(guān)系,信任度可對購買頻率進行正向調(diào)節(jié)。
H10:信任度與交易成本是負相關(guān)的關(guān)系,信任度可對交易成本進行逆向調(diào)節(jié)。
為了驗證概念模型的正確性,需要對模型效度、擬合優(yōu)度檢驗以及模型參數(shù)進行估計。結(jié)合文獻調(diào)研和實際需要,本文設(shè)計的量表共有五個潛變量:交易成本、不確定性、購買頻率、購買意愿、信任度(見表1)。量表采用的是Liket五分量表,將選項分為“非常同意”、“同意”、“不一定”、“不同意”、“非常不同意”,每個回答對應(yīng)的得分分別是 5、4、3、2、1,認同程度越高,分數(shù)越高。本文采用非概率抽樣方式進行,調(diào)查對象選擇網(wǎng)民中所占比重較大的在校大學(xué)生、企業(yè)白領(lǐng)和教師。
表1 網(wǎng)絡(luò)消費者購買意愿及其影響因素調(diào)查表
本次調(diào)研共計發(fā)放問卷708份,有效問卷(不缺失、不雷同)636份,有效率為88.3%。對有效問卷的數(shù)據(jù)進行數(shù)據(jù)質(zhì)量檢驗,其檢驗顯示五個潛變量的Cronbach's Alpha均在0.75以上,即表明樣本數(shù)據(jù)具有很好的信度。為了驗證樣本數(shù)據(jù)的效度,對樣本數(shù)據(jù)進行 KMO測量和 Bartelett球形檢驗,結(jié)果顯示KMO 值為 0.81 >0.80、df=120、p=0,即表明數(shù)據(jù)適合做因子分析[18]。借助SPSS20軟件,進行因子分析可知,觀測變量因子載荷系數(shù)均大于0.5,觀測變量能夠有效地體現(xiàn)潛變量,切合本文的研究要求。
1.PLS-SEM模型的效度檢驗、擬合度檢驗
(1)PLS-SEM模型的效度檢驗。測量模型的評價是借助潛變量預(yù)測顯變量的blindfolding公因子方差測度完成的,而結(jié)構(gòu)模型的評價是運用blindfolding冗余測度實現(xiàn)的,其中測量模型的檢驗結(jié)果如表2所示,結(jié)構(gòu)模型的檢驗結(jié)果如表3所示。
表2 測量模型效度檢驗結(jié)果表
表3 結(jié)構(gòu)模型效度檢驗結(jié)果表
(2)PLS-SEM模型的擬合分析。為使PLS-SEM的正確合理性得到驗證,需要對一系列的擬合指數(shù)是否達到參考值進行評價,若指標(biāo)均滿足則擬合效果較好,反之不好,模型擬合結(jié)果見表4所示。
表4 PLS-SEM的主要擬合效果指數(shù)表
從表4可知,PLS-SEM的擬合指數(shù)除GFI外,其他均達到接受標(biāo)準(zhǔn),雖然模型的擬合指數(shù)GFI沒有達到參考值,但與其接受標(biāo)準(zhǔn)相差不大,因此可認為其達到接受標(biāo)準(zhǔn),不需要重新調(diào)整,即說明該模型的整體擬合程度較好。
2.PLS-SEM模型的參數(shù)檢驗
在PLS-SEM模型效度、擬合度檢驗的基礎(chǔ)上,首先賦予顯變量相同權(quán)重,并以此賦值顯變量所在的潛變量;再在此基礎(chǔ)上獲得表示顯變量與潛變量相關(guān)性的回歸系數(shù),即因子載荷系數(shù)和表示潛變量之間相關(guān)性的回歸系數(shù),即路徑系數(shù);然后在代理回歸原則的指導(dǎo)下,遞歸迭代15次,直到路徑系數(shù)迭代收斂。圖2顯示了最終的PLS-SEM結(jié)構(gòu),該模型表明了顯變量對潛變量和潛變量對潛變量的路徑系數(shù)。
圖2 交易成本對購買意愿的路徑系數(shù)分析圖
網(wǎng)絡(luò)結(jié)構(gòu)中的五個變量均為潛變量,本文利用SmartPLS 3.0計算網(wǎng)絡(luò)結(jié)構(gòu)中五個潛變量的得分。在此基礎(chǔ)上,以潛變量的得分為樣本數(shù)據(jù),利用K-means聚類分析方法對樣本數(shù)據(jù)進行聚類。同時,為了降低運算的復(fù)雜性和增加判斷結(jié)果的可識別性,本文將每個潛變量都聚類為高、中、低三種狀態(tài),然后計算獲得每個潛變量的先驗概率,見表5所示。
表5 各潛變量的先驗概率表
在已知五個潛變量先驗概率的條件下,利用Netica5.19軟件確定某一潛變量發(fā)生條件下的其他潛變量發(fā)生的概率,即條件概率,見表6(a)~6(c)。
表6 (a) 信任度發(fā)生條件下的條件概率表
表6 (b) 購買頻率發(fā)生條件下的條件概率表
表6 (c) 不確定性發(fā)生條件下的條件概率表
運用已創(chuàng)建的貝葉斯網(wǎng)絡(luò),在已經(jīng)獲得潛變量的先驗概率前提下,可以對其他潛變量進行貝葉斯推理以獲得其條件概率(后驗概率)。例如,假設(shè)消費者的信任度很高(交易成本“高”的概率設(shè)為1.00),運用BN推理、預(yù)測能力,則可得到購買意愿“高”的概率為0.623。表7顯示的是在不同信任度狀態(tài)下對購買頻率、不確定性、交易成本和購買意愿的預(yù)測。
表7 信任度在不同狀態(tài)下的貝葉斯推理表
如表7所示,隨著信任度“高→中→低”的變化,不確定性和交易成本與之成反向變化,購買意愿和購買頻率與之成正向變化,其中不確定性和交易成本“高”的概率具有顯著遞增的規(guī)律,而購買頻率、購買意愿“高”的概率具有明顯遞減的規(guī)律;購買頻率和購買意愿“中”的概率呈現(xiàn)先遞增后遞減的規(guī)律,而不確定性與交易成本“中”的概率呈現(xiàn)先遞減后遞增的規(guī)律;購買頻率和購買意愿“低”的概率出現(xiàn)顯著遞增的規(guī)律,而不確定性和交易成本“低”的概率出現(xiàn)顯著遞減的趨勢規(guī)律。從表7可以推斷出信任度對購買意愿的影響最大,即當(dāng)信任度由高到低變化時,購買意愿變化的幅度最大;表8為購買頻率在不同狀態(tài)下對不確定性、交易成本和購買意愿的預(yù)測;表9為不確定性在不同狀態(tài)下對交易成本和購買意愿的預(yù)測(見表8表9)。
表8 購買頻率在不同狀態(tài)下的貝葉斯推理表
表9 不確定性在不同狀態(tài)下的貝葉斯推理表
貝葉斯網(wǎng)絡(luò)具有較強的因果推斷能力,包括貝葉斯推理與診斷。貝葉斯診斷是貝葉斯推理的反向運算,即貝葉斯網(wǎng)絡(luò)由果索因,通過因變量的狀態(tài)獲知自變量的能力。例如,假定不確定性是高的(BN中將不確定性“高”定為1.00),運用貝葉斯逆向診斷的能力能夠得到信任度“高”的概率為0.226。表10顯示的是在購買意愿的基礎(chǔ)上,對購買頻率、不確定性、交易成本和信任度做出的貝葉斯診斷。
如表10所示,隨著購買意愿發(fā)生“高→中→低”的變化,購買頻率和信任度“高”的概率出現(xiàn)顯著的遞減規(guī)律,而不確定性和交易成本“高”的概率出現(xiàn)顯著遞增規(guī)律;購買頻率和信任度“中”的概率出現(xiàn)先上升后下降先增后減的趨勢,“低”的概率出現(xiàn)遞增的規(guī)律;而不確定性和交易成本中“中”的概率出現(xiàn)先減后增的趨勢,“低”的概率出現(xiàn)遞減的趨勢規(guī)律;購買意愿狀態(tài)明確的情況下,可以知道交易成本發(fā)生并對其產(chǎn)生影響的概率最大。例如,當(dāng)購買意愿高時交易成本低的發(fā)生概率為0.657;當(dāng)購買意愿低時交易成本高的概率為0.651。由表10還可知,當(dāng)企業(yè)將交易成本控制在很好的狀態(tài)時,比較容易促進消費者形成高的購買意愿,企業(yè)可以根據(jù)購買意愿發(fā)生的變化,有目的地去調(diào)節(jié)交易成本、不確定性、購買頻率和信任度,以此促進購買意愿的提升。此外,還可依據(jù)BN獲得交易成本、不確定性與購買頻率的狀態(tài),為交易成本降低、購買意愿的提升提供決策依據(jù)。表11(a)、表11(b)、表11(c)分別是交易成本在不同狀態(tài)下的貝葉斯診斷、不確定性在不同狀態(tài)下的貝葉斯診斷、購買頻率在不同狀態(tài)下的貝葉斯診斷。
表10 購買意愿在不同狀態(tài)下的貝葉斯診斷表
表11 (a) 交易成本在不同狀態(tài)下的貝葉斯診斷表
表11 (b) 不確定性在不同狀態(tài)下的貝葉斯診斷表
表11 (c) 購買頻率在不同狀態(tài)下的貝葉斯診斷表
了解網(wǎng)絡(luò)購物消費者購買意愿與交易成本的關(guān)系和獲得降低交易成本、提高顧客滿意度的方法,是各國學(xué)者及電商企業(yè)關(guān)注的焦點。當(dāng)前,關(guān)于交易成本與購買意愿關(guān)系的研究相對不多,其研究以結(jié)構(gòu)方程模型為主,未能很好地處理變量之間的非正態(tài)、非線性關(guān)系,且預(yù)測精度較低。為了解決以上問題,本文提出了PLS-SEM與BN的組合模型,該組合模型可更加清晰地為電商企業(yè)價格戰(zhàn)略提供指導(dǎo)。
本文主要結(jié)論如下:
第一,交易成本與購買意愿是負相關(guān)的關(guān)系,交易成本可對購買意愿進行逆向調(diào)節(jié),監(jiān)督成本和搜尋成本是交易成本六個觀測變量中對交易成本影響最大的兩個變量;信任度、購買頻率和不確定性既是影響交易成本的潛變量,也是影響購買意愿的潛變量,其中信任度對交易成本的影響最大、其次是不確定性、最后是交易頻率,而這三個潛變量中Unc1(行為不確定性)、Unc5(聲譽不確定性)對不確定性的影響最大,PF3(網(wǎng)購傾向性)對購買頻率影響最大,Con2(網(wǎng)購值得信賴)、Con5(賣家聲譽是好的)對信任度影響最大。
第二,交易成本與購買意愿之間的關(guān)系可以應(yīng)用貝葉斯網(wǎng)絡(luò)正向推理、逆向診斷的能力進行研究。通過貝葉斯推理可知:交易成本在高、中、低不同狀態(tài)下購買意愿發(fā)生的概率;交易成本的父節(jié)點在不同狀態(tài)下交易成本發(fā)生的概率,也可以通過貝葉斯診斷獲得在子節(jié)點狀態(tài)確定的情況下其父節(jié)點的狀態(tài),進而為管理決策提供支持。