本站原创摘 要 ：针对C2C中商品排序的可信问题提出一种基于商铺可信度的混合模糊综合评价方法：采用模糊AHP方法进行指标的权重确定,结合模糊TOPSIS方法对商铺的可信度进行评估.通过算例验证了该方法的适用性.
关 键 词 ：C2C；模糊AHP；模糊TOPSIS；商铺可信度
中图分类号：F724.6文献标识码：A文章编号：1001-8409（2013）02-0136-04
1引言
随着互联网络、物流等设施的快速发展,网络购物吸引了越来越多的消费者.据《2011年度中国电子商务市场数据监测报告》[1]显示,2011年我国网络购物用户规模达到203亿人,网络零售市场交易规模达到8019亿元,同比增长了56%.而由于电子商务特别是C2C模式中的“柠檬”问题造成消费者在进行电子商务交易时容易面对货到迟缓、商品质量不理想、售后怎么写作不到位、退款困难等诸多问题使得网络购物投诉率占了电子商务类投诉的52%[2],不少学者指出其有效的解决方法就是进行可信度的评价[3].
相对于信誉度评价,对商铺进行可信度的评估能够更全面地反映消费者在作决策时考虑的综合因素. 如何有效地反映可信度一直是学者们探讨的热门话题：郝玉清[4]基于网站的结构和功能模块将网站可信度分为网站结构可信度、网站怎么写作可信度和网络营销可信度这三维构成进行研究.谭春辉[5]等根据郝的三维构成,综合考虑客户对企业网站信任度评估的影响因素完善了层次评价模型,并通过模糊综合评价方法对可信度进行了评价.Zhang[6]等着眼于技术因素、网站因素和顾客因素建立了可信度层次结构模型,同时利用模糊评价法对其进行了评价与认证.评价模型和方法的不断完善为电子商务可信度问题提供了更加有效的解决方法.然而,学者们关注的重点在于不同C2C平台间的可信度比较,而对C2C平台内商铺可信度问题的研究略显不足.Shen[7]等在Zhang的研究基础上将交易数量、时间、领域和个人关系列为影响可信度的主要因素,构建了以物流因素、怎么写作因素和商品因素为一级指标的层次结构模型,并提出了相应的算法有效地评价出可信度,但其算法不能直接给出多家商铺的排序结果.因此,本文对C2C平台中的商铺可信度进行合理评价和排序,以辅佐消费者进行抉择,提高电子商务交易的质量；同时帮助商家发现不足以进行改善,提高电子商务效益.
商铺可信度评价是一个涵盖定性和定量属性的多准则多目标决策问题.目前,解决方法有很多种,最典型的两种是层次分析法（AHP）和逼近理想解的排序方法（TOPSIS）.本文基于模糊逻辑利用AHP和TOPSIS相结合的方法来对商铺可信度进行评价.
2商铺可信度的混合模糊评价方法
2.1商铺可信度定义
根据网站可信度的相关定义,本文将商铺可信度（online-shop Trust,以下简写为OST）定义为个人或者团体消费者在进行消费决策时在心理上产生的对C2C商铺的信任度及其强度.主要内容包括：消费者对商铺提供的商品的信任感知、对怎么写作的信任感知、对保障制度的信任感知和对商家品牌的信任感知等.消费者对商铺的可信度直接影响其消费决策,一般而言,可信度越高的商铺越能吸引潜在消费群体,稳定已有消费群体.
2.2商铺可信度评价指标体系的构建
在电子商务交易中,消费者不仅仅关注商品的质量是否合格,而且越来越关注商家其他方面的质量.韩辉[8]等通过对调查问卷进行统计分析,发现个人信任倾向、他人信任和第三方认证共同影响着C2C顾客信任；龙冬、颜文佳[9]等结合C2C模式特点对影响信任的消费者因素、卖方因素、商品因素和外部环境因素进行了实证研究并验证了其有效性.本文通过对C2C商铺的特殊性的研究后利用问卷调查的方式在学者们研究的基础上最终确定了商品因素、怎么写作因素、技术因素、绩效因素和风险控制因素这五个一级指标和相应的二级指标,构建了如图1所示的商铺可信度的评价层次结构.
2.3FAHP确定各指标权重
模糊决策方法中对语言评价转换方式有很多种,而在可信性研究方面已有学者验证了三角模糊数的适用性[10],同时考虑到统计的方便性,将采用三角模糊数来对指标进行描述.
三角模糊数可表示为：等于（l,m,u）,其隶属函数可表示为
μ（x）等于（x-l）（m-l）l≤x≤m
（u-x）（u-m）m≤x≤u
0其他
-1等于（11213u,11213m,11213l）.转换标准如表1所示.
语言评价集1213三角模糊数非常重要1213（2, 5/2, 3）很重要1213（3/2, 2, 5/2）重要1213（1, 3/2, 2）比较重要1213（1, 1, 3/2）同等重要1213（1, 1, 1）以下将介绍Chang[ 11]与商铺可信度相结合的模糊AHP方法.
（1）由k个专家组成专家团队,同时建立目标集U等于{u1,u2,等um}、准则集X等于{x1,x2,等xn}和属性集Yj等于{yj1,yj2,等yjt},j等于1,2,等n.
（2）通过询问每个专家对同一目标集下的两两指标间重要性程度比较来收集各个准则的语言评价,并将其转换成对应的三角模糊数形成评价矩阵,完成一致性的判断和修正后,通过加权方式将k个专家矩阵进行集成（本文中专家拥有一致的权重）.其中,第i个目标下的第 j 个准则的三角模糊数表示为Mij等于（l,m,u）,i等于1,2,等m,j等于1,2,等n.
（3）利用以下公式得到第i个准则的相对模糊评价.
i等于m1213j等于1Mij[n1213i等于1m1213j等于1Mij]-1等于[m1213j等于1lj,m1213j等于1mj,m1213j等于1uj]11213m1213j等于1uj,11213m1213j等于1mj,11213m1213j等于1lj （1） （4）获取每个对象的i,通过以下判断方式确定指标的初始权重.
若有2个模糊数M1和M2,M2等于（l2,m2,u2）≥M1（l1,m1,u1）定义为：
V（M2≥M1）等于sup[min（uM1（x）,uM2（y））]
等于1当m2≥m1时
0当l2≥u2时
l1-u21213（m2-u2）-（m1-l1）其他 （2）
多个模糊数之间的重要性确定方式如下：
V（M≥M1,M2,等Mk）等于minV（M≥Mi）,i等于1,2,等k （3）
若d′（Ai）等于minV（Si≥Sk）.k等于1,2,等n；k≠i,那么准则层指标的初始权重向量为：
WV′B等于[d′（B1）,d′（B2）,等d′（Bn）]T （4）
（5）将初始权重向量标准化得最终的权重向量.
WVB等于（d（B1）,d（B2）,等d（Bn））T等于d（Bj）1213d（Bj）,
j等于1,2,等n. （5）
同理,得到属性层指标的权重向量为：WVBj等于[d（Cj1）,d（Cj2）,等d（Cjt）]T
2.4FTOPSIS进行商铺可信度的排序
FTOPSIS的基本思想是先确定一个最优模糊值和最劣模糊值作为比较标准,再计算评估对象的相对贴近度进而来判断评价对象的优劣.具体步骤如下：
（1） k个专家分别对z家商铺的属性层进行评价,商铺属性的语言评价转化方式如表2所示.每一个商铺的属性指标Cjt的综合评价通过公式jt等于11213k[1jt2jt等kjt]确定.
表2语言评价转换标准
语言评价1213对应缩写1213三角模糊数很差（Very Poor）1213VP1213（0,0,1）差（Poor）1211213（0,1,3）稍差（Medium Poor）1213MP1213（1,3,5）一般（Fair）1213F1213（3,5,7）稍好（Medium Good）1213MG1213（5,7,9）好（Good）1213G1213（7,9,10）很好（Very Good）1213VG1213G（9,10,10）（2）将z家商铺的所有指标的综合评价形成n个评价矩阵Dj,j等于1,2,等n.
Dj等于x11,1213x12,1213等1213x1z1213
x21,1213x22,1213等1213x2z
xt1,1213xt2,1213等1213x1z（6）
（3）矩阵归一化.方法如下：
等于lpq1213maxpupq,mpq1213maxpupq,upq1213maxpupqt×z,p等于1,2,等,t；
q等于1,2,等z （7）
（4）将归一化后的评价矩阵与利用FAHP得到的权重进行集成,得到准则层指标的模糊评价矩阵′等于[′pq]t×z,p等于1,2,等t；q等于1,2,等z.其中,′pq等于′pqWVCj.
同理,将准则层指标模糊评价矩阵′与准则层的权重进行集成得每个商铺可信度的评价值：
vpq等于v′pqWVB （8）
（5）定义模糊最优值v+等于（1,1,1）和模糊最劣值v-等于（0,0,0）,并计算评估对象可信度与两值之间的距离.
第q家商铺的可信度和最优值与最劣值之间的距离分别为：
D-q等于t121等于1d（vpq,v-）,p等于1,2,等t；q等于1,2,等z
D+q等于t121等于1d（vpq,v+）,p等于1,2,等t；q等于1,2,等z （9）
（6）计算相对贴近度并将最终结果排序
相对贴近度公式为：
CCq等于D-q1213D+q+D-q,q等于1,2,等,z （10）
显然,如果CCq越大,表示第q家商铺的可信度越靠近最优值,从而表示第q 个商家越理想.商铺可信度评价框架如图2所示.
3案例应用
本文随机抽取了淘宝网站中的4家出售服饰的商铺进行可信度的评估.检测设4家商铺分别为A1、A2、A3和A4.评估的步骤如下：
第一步：建立如图3所示的商铺可信度评价结构图.
第二步：为了简化计算,邀请了5位有丰富网购经验的消费者对各指标进行重要性程度评估.用如表1所示的转换方式将专家语言评价转化成三角模糊数,并进行一致性检验.
第三步：根据公式（1）～（5）计算指标的权重.以下列出了准则层指标B1～B5权重的具体计算过程.
序.由相对贴近度的大小可得商铺的排序为：A3>A1>A4>A2.
根据以上排序结果可知,消费者将优先在A3商铺进行消费,其次是A1和A4商铺,而不愿意光顾A2商铺.A2商铺和其他三家商铺的可信度之间的差距最为明显,分析数据可以发现其在商品、怎么写作和风险控制方面存在很大的问题：商品质量不高,消费者对性价比不满意；其次商家怎么写作不够人性化,未能和消费者进行有效沟通；同时没有提供优质的物流保障和消费者权利的相关保护措施.A2商家应着重改善以上这些方面,树立良好的网络形象以提高可信度进而提高效益.此外,由于4个店铺同处于一个C2C平台从而使得在技术因素方面的比分大体一致,而A1商家则由于加大了对商铺的网页布置及人性化设置方面的投入,使得其在技术因素方面更胜一筹.A1、A3和A4商铺则需要分别对怎么写作因素中的物流方面、技术因素中的信息更新的及时性和人性化设置方面进行改进.
4结论
本文从影响消费者信任因素中的商品因素、怎么写作因素、技术因素、绩效因素以及风险控制因素这五方面着手,构建了一个多层次的C2C商铺可信度评价指标体系.之后,通过采用模糊AHP和模糊TOPSIS相结合的方法对目标商铺进行评价和抉择.最后利用一个实例来验证该模型的有效性,为消费者进行网购抉择、为商家改进不足提供一个有效的方法.