基于EFA-SVR的零售電商平臺(tái)數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)評(píng)估研究

■ 趙振洋 張子玉

（東北財(cái)經(jīng)大學(xué)會(huì)計(jì)學(xué)院/中國(guó)內(nèi)部控制研究中心，大連 116025）

一、引言

近年來(lái)，在疫情的影響下，線下購(gòu)物受限，零售電商平臺(tái)的市場(chǎng)規(guī)模不斷擴(kuò)大。根據(jù)商務(wù)部數(shù)據(jù)，2016-2021年全國(guó)網(wǎng)上零售額從5.16 萬(wàn)億元增長(zhǎng)到13.09 萬(wàn)億元，網(wǎng)購(gòu)用戶規(guī)模從4.67 億增長(zhǎng)到8.42億，隨著5G 技術(shù)的發(fā)展與農(nóng)村互聯(lián)網(wǎng)的普及，這一數(shù)據(jù)還會(huì)持續(xù)增長(zhǎng)。零售電商平臺(tái)作為買家與賣家的樞紐，每天需要加工大量來(lái)自用戶的瀏覽、交易數(shù)據(jù)，這些數(shù)據(jù)構(gòu)成了零售電商平臺(tái)的數(shù)據(jù)資產(chǎn)，如何衡量以及預(yù)測(cè)數(shù)據(jù)資產(chǎn)所帶來(lái)的風(fēng)險(xiǎn)成為評(píng)估機(jī)構(gòu)和評(píng)估專業(yè)人員評(píng)估零售電商平臺(tái)數(shù)據(jù)資產(chǎn)時(shí)重點(diǎn)關(guān)注的對(duì)象。

根據(jù)《資產(chǎn)評(píng)估專家指引第9 號(hào)——數(shù)據(jù)資產(chǎn)評(píng)估》中的指導(dǎo)意見(jiàn)，本文構(gòu)建零售電商平臺(tái)數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)指標(biāo)評(píng)價(jià)體系，并利用探索性因子分析（EFA）測(cè)算零售電商平臺(tái)數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)的綜合得分，然后利用支持向量機(jī)回歸（SVR）進(jìn)行實(shí)證分析，豐富了零售電商平臺(tái)數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)的相關(guān)研究。

二、零售電商平臺(tái)數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)指標(biāo)評(píng)價(jià)體系的構(gòu)建

借鑒《資產(chǎn)評(píng)估專家指引第9 號(hào)——數(shù)據(jù)資產(chǎn)評(píng)估》，將零售電商平臺(tái)數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)按數(shù)據(jù)資產(chǎn)使用流程分為數(shù)據(jù)采集風(fēng)險(xiǎn)、數(shù)據(jù)導(dǎo)入和預(yù)處理風(fēng)險(xiǎn)、數(shù)據(jù)分析和挖掘風(fēng)險(xiǎn)，增加零售電商平臺(tái)數(shù)據(jù)資產(chǎn)應(yīng)用過(guò)程中的數(shù)據(jù)應(yīng)用風(fēng)險(xiǎn)。另外，由于近年來(lái)時(shí)有曝出企業(yè)數(shù)據(jù)資產(chǎn)泄露的事件，使得數(shù)據(jù)資產(chǎn)的安全保護(hù)受到社會(huì)公眾的關(guān)注，因此，將數(shù)據(jù)保護(hù)風(fēng)險(xiǎn)作為數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)的重要指標(biāo)。如表1所示，最終構(gòu)建數(shù)據(jù)采集、數(shù)據(jù)導(dǎo)入和預(yù)處理、數(shù)據(jù)分析和挖掘、數(shù)據(jù)應(yīng)用和數(shù)據(jù)保護(hù)5 個(gè)一級(jí)指標(biāo)、20 個(gè)二級(jí)指標(biāo)的零售電商平臺(tái)數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)的指標(biāo)評(píng)價(jià)體系，并詳細(xì)說(shuō)明二級(jí)指標(biāo)的具體度量方法。

表1 零售電商平臺(tái)數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)的指標(biāo)評(píng)價(jià)體系

（一）數(shù)據(jù)采集風(fēng)險(xiǎn)

數(shù)據(jù)采集風(fēng)險(xiǎn)主要是指零售電商平臺(tái)以主動(dòng)或被動(dòng)方式從系統(tǒng)外部收集信息的過(guò)程產(chǎn)生的風(fēng)險(xiǎn)，表現(xiàn)為用戶通過(guò)電腦端或者手機(jī)端在零售電商平臺(tái)瀏覽商品信息或發(fā)生交易而產(chǎn)生數(shù)據(jù)的過(guò)程中的不確定性。數(shù)據(jù)采集過(guò)程面臨的風(fēng)險(xiǎn)包括數(shù)據(jù)容量、價(jià)值密度、數(shù)據(jù)增長(zhǎng)潛力、數(shù)據(jù)采集時(shí)長(zhǎng)、數(shù)據(jù)采集范圍和數(shù)據(jù)采集渠道。數(shù)據(jù)容量是指平臺(tái)數(shù)據(jù)采集的數(shù)量，可以用APP 下載量來(lái)度量；價(jià)值密度是指平臺(tái)數(shù)據(jù)采集過(guò)程中的有效數(shù)，可以用活躍買家數(shù)量來(lái)度量；數(shù)據(jù)增長(zhǎng)潛力是指平臺(tái)有效數(shù)據(jù)的增長(zhǎng)速度，可以用活躍買家數(shù)量增長(zhǎng)率度量；數(shù)據(jù)采集的時(shí)長(zhǎng)可以用APP 的發(fā)行時(shí)間來(lái)度量；數(shù)據(jù)采集范圍是指國(guó)內(nèi)外平臺(tái)用戶分布情況，可以用是否開拓海外零售市場(chǎng)來(lái)度量；數(shù)據(jù)采集的渠道包括網(wǎng)頁(yè)版和手機(jī)端兩大渠道。

（二）數(shù)據(jù)導(dǎo)入和預(yù)處理風(fēng)險(xiǎn)

數(shù)據(jù)導(dǎo)入和預(yù)處理風(fēng)險(xiǎn)主要是指零售電商平臺(tái)將采集好的數(shù)據(jù)輸入到系統(tǒng)中，并對(duì)數(shù)據(jù)進(jìn)行審核、篩選、排序等分類匯總前必要處理的過(guò)程產(chǎn)生的風(fēng)險(xiǎn)。數(shù)據(jù)導(dǎo)入和預(yù)處理過(guò)程中面臨的風(fēng)險(xiǎn)包括數(shù)據(jù)導(dǎo)入的途徑、數(shù)據(jù)描述情況、數(shù)據(jù)處理情況、數(shù)據(jù)處理是否故障和數(shù)據(jù)故障處理速度。數(shù)據(jù)導(dǎo)入的途徑是指零售電商平臺(tái)與用戶操作系統(tǒng)的兼容性，比如與蘋果、安卓、鴻蒙系統(tǒng)的兼容性；數(shù)據(jù)的描述情況是指零售電商平臺(tái)的宣傳頁(yè)面是否符合國(guó)家規(guī)范，是否存在虛假宣傳等違規(guī)現(xiàn)象，可以通過(guò)打擊侵權(quán)假冒工作網(wǎng)獲取處罰公告；數(shù)據(jù)處理情況是指用戶是否授權(quán)零售電商平臺(tái)處理個(gè)人信息，是否存在違反個(gè)人信息安全法的情況；數(shù)據(jù)處理是否故障是指在零售電商平臺(tái)使用高峰期，如雙十一等促銷節(jié)，數(shù)據(jù)處理平臺(tái)是否因?yàn)閿?shù)據(jù)數(shù)量的爆發(fā)式增長(zhǎng)而崩潰；數(shù)據(jù)故障的處理速度表現(xiàn)為應(yīng)對(duì)突發(fā)情況是否具有完備的防護(hù)措施。

（三）數(shù)據(jù)分析和挖掘風(fēng)險(xiǎn)

數(shù)據(jù)分析和挖掘風(fēng)險(xiǎn)主要是指零售電商平臺(tái)采用適當(dāng)?shù)慕y(tǒng)計(jì)分析方法將獲取的數(shù)據(jù)分類匯總，通過(guò)情報(bào)檢索、機(jī)器學(xué)習(xí)等算法提取有用信息并形成結(jié)論的過(guò)程中產(chǎn)生的風(fēng)險(xiǎn)，通常表現(xiàn)為零售電商平臺(tái)根據(jù)用戶以往的瀏覽、交易數(shù)據(jù)，利用算法預(yù)測(cè)用戶行為定向推送相關(guān)信息的過(guò)程。數(shù)據(jù)分析和挖掘風(fēng)險(xiǎn)包括數(shù)據(jù)資產(chǎn)開發(fā)水平、數(shù)據(jù)資產(chǎn)開發(fā)戰(zhàn)略地位、數(shù)據(jù)資產(chǎn)開發(fā)人才儲(chǔ)備和數(shù)據(jù)資產(chǎn)潛在開發(fā)水平。數(shù)據(jù)資產(chǎn)的開發(fā)水平是指零售電商平臺(tái)對(duì)數(shù)據(jù)分析和挖掘投入的資本，可以用零售電商平臺(tái)數(shù)據(jù)資產(chǎn)的研發(fā)成本來(lái)度量；數(shù)據(jù)資產(chǎn)的戰(zhàn)略地位是指零售電商平臺(tái)對(duì)數(shù)據(jù)資產(chǎn)的投入的重視程度，可以用數(shù)據(jù)資產(chǎn)的研發(fā)成本占收入比重來(lái)度量；人才儲(chǔ)備是指平臺(tái)數(shù)據(jù)處理的工作人員比例，可以用平臺(tái)數(shù)據(jù)研發(fā)人員比例來(lái)度量；數(shù)據(jù)資產(chǎn)的潛在開發(fā)水平是指數(shù)據(jù)資產(chǎn)研發(fā)投入的增長(zhǎng)水平，可以用平臺(tái)數(shù)據(jù)研發(fā)投入增長(zhǎng)率來(lái)度量。

（四）數(shù)據(jù)應(yīng)用風(fēng)險(xiǎn)

數(shù)據(jù)應(yīng)用風(fēng)險(xiǎn)是指零售電商平臺(tái)利用經(jīng)過(guò)處理的數(shù)據(jù)資產(chǎn)創(chuàng)造價(jià)值的過(guò)程中產(chǎn)生的風(fēng)險(xiǎn)，表現(xiàn)為零售電商平臺(tái)應(yīng)用數(shù)據(jù)資產(chǎn)帶來(lái)的企業(yè)持續(xù)增量收益。數(shù)據(jù)應(yīng)用風(fēng)險(xiǎn)包括數(shù)據(jù)資產(chǎn)的用戶滿意度、數(shù)據(jù)資產(chǎn)的盈利能力和數(shù)據(jù)資產(chǎn)的覆蓋面。數(shù)據(jù)資產(chǎn)的用戶滿意度是指數(shù)據(jù)資產(chǎn)的應(yīng)用是否促進(jìn)用戶消費(fèi)，可以用零售電商平臺(tái)APP 評(píng)分來(lái)度量；數(shù)據(jù)資產(chǎn)的盈利能力是指數(shù)據(jù)資產(chǎn)為平臺(tái)帶來(lái)的收益，可以用商品交易額增長(zhǎng)率來(lái)度量；數(shù)據(jù)資產(chǎn)的覆蓋面可以用市場(chǎng)占有率來(lái)度量。

（五）數(shù)據(jù)保護(hù)風(fēng)險(xiǎn)

數(shù)據(jù)保護(hù)風(fēng)險(xiǎn)是指零售電商平臺(tái)采取必要措施，確保數(shù)據(jù)資產(chǎn)處于有效保護(hù)和合法利用狀態(tài)過(guò)程中產(chǎn)生的風(fēng)險(xiǎn)。數(shù)據(jù)保護(hù)貫穿數(shù)據(jù)資產(chǎn)的采集、導(dǎo)入和預(yù)處理、分析和挖掘以及應(yīng)用的全過(guò)程，數(shù)據(jù)保護(hù)風(fēng)險(xiǎn)包括數(shù)據(jù)損壞和數(shù)據(jù)泄露。數(shù)據(jù)損壞是指零售電商平臺(tái)出現(xiàn)故障導(dǎo)致數(shù)據(jù)丟失等損壞現(xiàn)象；數(shù)據(jù)泄露是指零售電商平臺(tái)的數(shù)據(jù)資產(chǎn)被泄露的風(fēng)險(xiǎn)，可以用是否違反數(shù)據(jù)安全法來(lái)度量。

三、探索性因子分析和支持向量機(jī)回歸模型概述

（一）探索性因子分析

因子分析（FA）是基于降維的思想，在盡可能不損失或者少損失原始數(shù)據(jù)信息的情況下，將錯(cuò)綜復(fù)雜的眾多變量聚合成少數(shù)幾個(gè)獨(dú)立的公共因子，進(jìn)而得出變量的本質(zhì)結(jié)構(gòu)。因子分析的方法分為驗(yàn)證性因子分析（CFA）和探索性因子分析（EFA），由于驗(yàn)證性因子分析假定明確因子與測(cè)度項(xiàng)的部分關(guān)系，因此并不適用零售電商平臺(tái)的數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)計(jì)量。探索性因子分析假定因子與測(cè)度項(xiàng)的關(guān)系未知，既能夠體現(xiàn)各個(gè)變量之間的內(nèi)在關(guān)系，反映原始數(shù)據(jù)的主要信息，又能夠精簡(jiǎn)變量數(shù)目，實(shí)現(xiàn)數(shù)據(jù)降維，因而適用于評(píng)價(jià)指標(biāo)眾多的零售電商平臺(tái)數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)的量化。探索性因子分析的步驟如下：

1.數(shù)據(jù)檢驗(yàn)

零售電商平臺(tái)數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)因子分析的目標(biāo)是對(duì)采集到的原始數(shù)據(jù)進(jìn)行降維濃縮，因此要求變量之間應(yīng)該存在較強(qiáng)的相關(guān)關(guān)系，通常采用KMO（Kaiser-Meyer-Olkin）檢驗(yàn)和巴特利球形度（Bartlett Test of Sphericity）檢驗(yàn)。對(duì)于KMO 值，越接近1 代表變量間相關(guān)性越強(qiáng)，越適合做因子分析，因此0.6上合適做因子分析，0.5 以下應(yīng)該放棄；對(duì)于 Bartlett的檢驗(yàn)，若顯著性小于0.05，拒絕原假設(shè)，則說(shuō)明可以做因子分析；若不拒絕原假設(shè)，則說(shuō)明不適合做因子分析。

2.因子提取

零售電商平臺(tái)數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)因子提取的目標(biāo)是確定影響數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)主要因子的個(gè)數(shù)，常常采用主成分分析法，通過(guò)正交轉(zhuǎn)換將相關(guān)變量轉(zhuǎn)換為不相關(guān)變量，選取方差最大的幾個(gè)主成分表示原變量，實(shí)現(xiàn)降維。一般提取特征值不低于1 的成分作為主成分，并要求累計(jì)方差貢獻(xiàn)率≥70%。

3.因子旋轉(zhuǎn)

零售電商平臺(tái)數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)的因子旋轉(zhuǎn)的目的是簡(jiǎn)化因子載荷陣，明確主因子對(duì)應(yīng)的高載荷變量，對(duì)影響零售電商平臺(tái)數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)的主因子進(jìn)行解釋。通常使用最大方差正交旋轉(zhuǎn)法。

4.計(jì)算綜合得分

綜合得分反映了單一樣本在零售電商平臺(tái)數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)上的表現(xiàn)情況，通過(guò)分析成分矩陣，得出因子成分公式與權(quán)重，最終測(cè)算出零售電商平臺(tái)數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)的綜合得分。

（二）支持向量機(jī)回歸模型

支持向量機(jī)（SVM）是一種廣義線性分類器，按照監(jiān)督學(xué)習(xí)方式對(duì)原始數(shù)據(jù)進(jìn)行二次劃分，是一種通用的前饋網(wǎng)絡(luò)類型，常應(yīng)用于分類、回歸等場(chǎng)景。支持向量機(jī)回歸（SVR）的原理為采用非線性映射將數(shù)據(jù)映射到高維數(shù)據(jù)特征空間，使自變量與因變量具有良好的線性回歸特征，并在高維數(shù)據(jù)特征空間中實(shí)現(xiàn)擬合，再返回到原始空間，具有良好的泛化能力，因而適用于樣本量較小的零售電商平臺(tái)數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)的回歸分析，其步驟如下：

1.輸入零售電商平臺(tái)數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)的訓(xùn)練數(shù)據(jù)集，通過(guò)非線性映射將原空間的輸入樣本映射到M維特征空間中，設(shè)置線性回歸模型為：

（1）式中，ω 為權(quán)向量，b 為閾值。

2.對(duì)于給定的零售電商平臺(tái)數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)訓(xùn)練數(shù)據(jù)集，引入不敏感損失函數(shù)，通過(guò)在高維空間求解線性回歸問(wèn)題以解決原空間中的非線性回歸問(wèn)題，定義不敏感損失函數(shù)為：

（2）式中，ε為不敏感系數(shù)。

3.為了將零售電商平臺(tái)數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)回歸問(wèn)題轉(zhuǎn)化為線性約束凸二次優(yōu)化問(wèn)題，引入松弛變量，得到：

滿足：

4.引入拉格朗日乘子對(duì)零售電商平臺(tái)數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)回歸模型優(yōu)化，將凸二次優(yōu)化問(wèn)題轉(zhuǎn)換為對(duì)偶問(wèn)題，最終得到：

四、零售電商平臺(tái)數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)評(píng)估分析

（一）樣本選擇

本文選取2017-2021年阿里巴巴、京東、唯品會(huì)、拼多多四家零售電商平臺(tái)季度數(shù)據(jù)作為研究對(duì)象，相關(guān)數(shù)據(jù)從美國(guó)SEC 證監(jiān)會(huì)官方網(wǎng)站和國(guó)家統(tǒng)計(jì)局網(wǎng)站手工獲取，最終獲得4 家企業(yè)的76 個(gè)公司-季度觀測(cè)值。

（二）測(cè)算零售電商平臺(tái)數(shù)據(jù)資產(chǎn)的風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)

考慮到零售電商平臺(tái)數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)指標(biāo)的可得性，本文選取上述指標(biāo)體系中的虛假宣傳等違規(guī)行為的次數(shù)、活躍買家的數(shù)量、活躍買家數(shù)量增長(zhǎng)率、研發(fā)費(fèi)用、APP 評(píng)分、研發(fā)費(fèi)用增長(zhǎng)率、研發(fā)費(fèi)用占總收入百分比、市場(chǎng)占有率、商品交易額增長(zhǎng)率、上線時(shí)間和APP 下載量11 個(gè)維度的數(shù)據(jù)作為輸入變量，零售電商平臺(tái)數(shù)據(jù)資產(chǎn)的綜合得分作為輸出變量，各風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)和度量方式如表2所示。

表2 零售電商平臺(tái)數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)計(jì)量指標(biāo)選取以及度量方式

（三）基于探索性因子分析評(píng)估零售電商平臺(tái)數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)

1.數(shù)據(jù)標(biāo)準(zhǔn)化

由于指標(biāo)對(duì)數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)影響的方向不同，需要區(qū)分正負(fù)指標(biāo)，正向指標(biāo)越大，數(shù)據(jù)資產(chǎn)的風(fēng)險(xiǎn)水平表現(xiàn)越好，即風(fēng)險(xiǎn)越小。因此，正向指標(biāo)為活躍買家的數(shù)量、活躍買家數(shù)量增長(zhǎng)率、研發(fā)費(fèi)用、APP 評(píng)分、研發(fā)費(fèi)用增長(zhǎng)率、研發(fā)費(fèi)用占總收入百分比、市場(chǎng)占有率、商品交易額增長(zhǎng)率、上線時(shí)間和APP 下載量，負(fù)向指標(biāo)為虛假宣傳等違規(guī)行為的次數(shù)。為消除原始數(shù)據(jù)量綱和數(shù)量級(jí)的差異，采用min-max 歸一化法對(duì)檢驗(yàn)數(shù)據(jù)進(jìn)行線性變換，使其映射到區(qū)間[0,1]，公式如下：

正向指標(biāo)標(biāo)準(zhǔn)化：

負(fù)向指標(biāo)標(biāo)準(zhǔn)化：

2.數(shù)據(jù)檢驗(yàn)

經(jīng)計(jì)算，標(biāo)準(zhǔn)化后的零售電商平臺(tái)風(fēng)險(xiǎn)數(shù)據(jù)KMO 值為0.660，Bartlett 球形檢驗(yàn)顯著性P 值為0.000，在1%水平上呈現(xiàn)顯著性，拒絕原假設(shè)，各變量間具有相關(guān)性，因此主成分分析有效。

3.因子提取

零售電商平臺(tái)數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)相關(guān)指標(biāo)的特征根和方差解釋率結(jié)果如表3所示，前3 個(gè)成分的特征值都大于1，累計(jì)方差貢獻(xiàn)率為80.18%，符合累計(jì)方差貢獻(xiàn)率要求，因此選取前三個(gè)成分來(lái)研究零售電商平臺(tái)數(shù)據(jù)資產(chǎn)的風(fēng)險(xiǎn)水平，分別記作F1、F2、F3。

表3 零售電商平臺(tái)數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)相關(guān)指標(biāo)總方差解釋表

續(xù)表

4.因子旋轉(zhuǎn)

旋轉(zhuǎn)后的因子載荷系數(shù)如表4所示，在F1中，活躍買家數(shù)量、APP 發(fā)行時(shí)長(zhǎng)、虛假宣傳等違規(guī)行為次數(shù)、研發(fā)費(fèi)用和市場(chǎng)占有率幾個(gè)變量發(fā)揮的作用顯著；在F2中，APP 下載量、研發(fā)費(fèi)用占收入比重和APP 評(píng)分幾個(gè)變量發(fā)揮的作用顯著；在F3中，活躍買家數(shù)量增長(zhǎng)率、研發(fā)費(fèi)用增長(zhǎng)率和商品交易額增長(zhǎng)率幾個(gè)變量發(fā)揮的作用顯著。

表4 旋轉(zhuǎn)后因子載荷系數(shù)表

續(xù)表

5.計(jì)算因子得分

因子分析的成份矩陣如表5所示，說(shuō)明各個(gè)成分所包含的因子得分系數(shù)（主成分載荷），用于得出主成分公式。

表5 零售電商平臺(tái)數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)相關(guān)指標(biāo)成分矩陣表

因此，可以得到主成分F1、F2、F3的公式為：

根據(jù)表3旋轉(zhuǎn)后方差解釋率可以得到綜合得分F的公式為：

F=（0.366/0.802）×F1+（0.273/0.802）×F2+（0.163/0.802）×F3

綜上，可以測(cè)算出2017-2021年每季度零售電商平臺(tái)數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)綜合得分，其中，零售電商平臺(tái)數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)綜合得分最高為阿里巴巴2018年第2 季度得分1.226，綜合得分最低為唯品會(huì)2020年第1 季度得分-1.574。采用五等分法將零售電商平臺(tái)數(shù)據(jù)資產(chǎn)劃分為五個(gè)風(fēng)險(xiǎn)等級(jí)，如表6所示。

表6 零售電商平臺(tái)數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)等級(jí)劃分表

（四）基于支持向量機(jī)回歸的實(shí)證分析

將零售電商平臺(tái)數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)的相關(guān)指標(biāo)作為輸入，將根據(jù)因子分析計(jì)算得出的零售電商平臺(tái)數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)得分作為零售電商平臺(tái)數(shù)據(jù)資產(chǎn)評(píng)估模型的預(yù)期輸出，基于支持向量機(jī)回歸算法，構(gòu)建零售電商平臺(tái)數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)評(píng)估的回歸模型。選擇70%的樣本作為訓(xùn)練數(shù)據(jù)，30%作為測(cè)試數(shù)據(jù)。

在零售電商平臺(tái)數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)評(píng)估模型的支持向量機(jī)回歸中，本文選取線性核函數(shù)（linear），通過(guò)網(wǎng)格搜索法在[0.1,100]搜索最優(yōu)參數(shù)，殘差收斂條件為0.001，最大迭代次數(shù)為1000，確定C=1。支持向量機(jī)訓(xùn)練集均方誤差MSE 為0.003，R2為0.994，模擬集均方誤差MSE 為0.06，R2達(dá)到0.898，因此運(yùn)用支持向量機(jī)回歸預(yù)測(cè)零售電商平臺(tái)數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)具有一定可行性。

五、結(jié)論

本文首先建立了數(shù)據(jù)采集、數(shù)據(jù)導(dǎo)入和預(yù)處理、數(shù)據(jù)分析和挖掘、數(shù)據(jù)應(yīng)用和數(shù)據(jù)保護(hù)5 個(gè)一級(jí)指標(biāo)、20 個(gè)二級(jí)指標(biāo)的零售電商平臺(tái)數(shù)據(jù)資產(chǎn)的風(fēng)險(xiǎn)指標(biāo)評(píng)價(jià)體系，然后手工搜集四大零售電商平臺(tái)2017-2021年數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)各項(xiàng)指標(biāo)數(shù)據(jù)，利用探索性因子分析測(cè)算零售電商平臺(tái)數(shù)據(jù)資產(chǎn)的風(fēng)險(xiǎn)，然后采用支持向量機(jī)回歸算法進(jìn)行實(shí)證檢驗(yàn)，驗(yàn)證了探索性因子分析和支持向量機(jī)回歸在零售電商平臺(tái)數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)評(píng)估中的可行性，為評(píng)估零售電商平臺(tái)數(shù)據(jù)資產(chǎn)風(fēng)險(xiǎn)提供參考，促進(jìn)我國(guó)零售電商行業(yè)的高質(zhì)量發(fā)展。