針織塑身內衣購買意愿預測模型的比較研究

王 鑫，郭 晨，李 敏，b

（東華大學a.服裝和藝術設計學院；b.現代服裝設計與技術教育部重點實驗室，上海 200051）

針織塑身內衣購買意愿預測模型的比較研究

王 鑫a，郭 晨a，李 敏a，b

（東華大學a.服裝和藝術設計學院；b.現代服裝設計與技術教育部重點實驗室，上海 200051）

通過對292名女性消費者進行針織塑身內衣購買意愿的問卷調查，得到影響被調查者購買意愿的影響因素并確定了13個主要因素，之后分別建立Logistic回歸模型和BP（back propagation）神經網絡模型，利用SPSS和Matlab軟件進行預測比較分析.結果顯示，在預測被調查者對針織塑身內衣購買意愿上，Logistic回歸模型的預測過程更快，BP神經網絡模型比Logistic回歸模型的預測精度高，預測效果好.

針織塑身內衣；購買意愿；Logistic回歸；BP神經網絡

現代女性消費者對自身身材的要求越來越高，希望通過塑身內衣呈現完美曲線，“塑型”已經成為女性穿著內衣的重要原因之一.因此，眾多國際知名內衣品牌不斷增加塑身內衣的產品比例，我國本土塑身內衣品牌也開始崛起［1］.

消費者對企業產品或服務的購買是企業獲得利潤的源泉.通常，企業會花費大量資金用于市場調研，試圖了解并預測顧客的購買行為.而對消費者是否會采取購買行為最直接的預測方法是了解他們采取該行為的傾向，即購買意愿.目前，國內外學者對購買意愿的研究主要集中在測算上，有學者開發了Choice Based模型測量顧客的購買意愿［2］，也有學者用數據挖掘、人工神經網絡等先進計算機技術進行購買意愿的研究［3］.因此，以消費者購買意愿為出發點，通過借鑒和分析影響消費者購買意愿的影響因素，精確地預測消費者對塑身內衣的購買行為，會為企業帶來更大的幫助.

本文針對針織塑身內衣產品，引入人工神經網絡技術，建立被調查者對內衣購買意愿的預測模型，并與傳統的Logistic回歸模型進行預測比較.這一探索不僅豐富了人工神經網絡技術在服裝市場營銷方面的研究，同時也為企業選擇更好地了解消費者購買行為的方法做有益的探索.

1 研究架構及相關影響因素確定

1.1 針織塑身內衣的購買意愿理論假設

根據對針織塑身內衣產品特點、市場現狀調研和感知特性理論（感知利得最大理論、感知風險最小理論）［4－5］及 計 劃 行 為 理 論 的 研 究［6－7］，本 文 提 出了消費者對針織塑身內衣購買意愿的研究模型假設：

購買意愿＝f（人口統計變量、產品知識、感知利得、感知風險、風險態度、主觀規范、使用態度）

模型由8個變量組成：購買意愿是因變量，使用態度、產品知識、感知利得、感知風險（包括身體安全風險、誤購風險、社會心理風險、財務風險）、風險態度、人口統計變量（包括年齡、受教育程度、職業、個人月收入、婚姻狀況、最大子女年齡、居住時間、身材類型）以及主觀規范為自變量.

1.2 影響消費者購買意愿因素的確定

本文采用消費者調查問卷為測量工具.首先，通過文獻查閱并結合本研究自身特點對問卷測量項目進行設計，之后通過小組討論、專家訪談和預調研的方法對測量項目進行篩選和確認，最終整理得到正式調研問卷.限于篇幅，本文未列出調研問卷的具體內容，僅進行簡單說明.問卷由4部分組成：（1）購買經驗和品牌滿意度的調研，其中，品牌各項表現滿意度采用五分制李克特量表，其余題項為單選或多選題；（2）購買意愿影響因素調研，此部分問卷項目所有變量均采用五分制李克特量表方式，給予1至5分的評價，分數越低表示對該問項的熟悉／同意程度越低，反之，則熟悉／同意程度越高；（3）消費者對針織塑身內衣的個人喜好及消費計劃調研，此部分問卷1～10題均為單選題、11題為重要性排序；（4）人口統計變量，此部分問題全為單選題.研究對象為年齡均在18周歲以上的女性消費者.采取網絡問卷和實地調研問卷相結合的方式進行，實地調研區域為上海市各大代表性商圈.調研時間為2011年4月至5月，共發放問卷320份，回收有效問卷292份，有效問卷回收率為91.25%.

通過對樣本進行相關性分析和單因素方差分析，最終確定與購買意愿相關的因素有產品知識、感知利得、身體安全風險、社會心理風險、主觀規范、風險態度、使用態度、年齡、受教育程度、職業、婚姻、最大子女年齡、身材類型.

2 針織塑身內衣購買意愿的Logistic回歸模型

購買意愿的預測是一個復雜的過程，涉及的因素很多.在購買決策過程中，各因素會通過相應的機制影響購買意愿結果的形成，這種影響很難準確地通過某種函數關系來描述，因此，本文嘗試用傳統方法Logistic回歸模型來處理.

2.1 Logistic回歸模型簡述

Logistic回歸模型是對定性變量的回歸分析，根據變量取值的不同可以分為二元Logistic回歸和多元Logistic回歸［8］.由于購買意愿的結果通常用“有”還是“沒有”來表示，因此，本文采用二元Logistic回歸模型.

用于Logistic回歸模型檢驗的統計量一般有沃爾德統計量（Wald）、－2對數似然值（－2LL）、Cox和Snell的卡方、Nagelkerke的卡方及赫斯默檢驗.一般而言，Wald值越大或Sig.值（Wald檢驗的系數為0的顯著性概率）越小，回歸方程顯著性越高.

2.2 回歸模型的變量定義

Logistic回歸模型需要較大樣本量，且模型能解釋的自變量個數與樣本量有關.本文的樣本量為292個，因變量（購買意愿）取值為1的樣本數為134，經計算可知，模型中最多引入13個變量［9］.因此，本文將通過數據分析所得影響購買意愿的13個主要因素作為變量，對被調查者針織塑身內衣的購買意愿進行回歸分析.在進行回歸分析前，需要先對各個變量進行定義，具體如表1所示.

表1 針織塑身內衣購買意愿的相關變量定義Table 1 The definition of variables related to the intention to purchase knitted slimming underwear

2.3 針織塑身內衣購買意愿的回歸模型分析

在定義變量的基礎上，本文利用SPSS 17.0統計軟件進行回歸模型分析.

初始模型（模型一）為不含任何自變量、自變量取值為0、只有常數項時的輸出結果，如表2所示.當模型中不包含任何自變量時，模型把所有的案例都預測為樣本數較多（即有意愿購買）的那一類，此時預測準確率為54.1%.

表2 模型一的分類預測表Table 2 The classified prediction table of model one

表3為單因變量分析結果.在將每個自變量放入模型之前，采用得分檢驗方法，檢驗該自變量與因變量之間有無聯系，哪些自變量會顯著改變模型的擬合優度.由表3可以看出，年齡、受教育程度、職業、婚姻狀態、最大子女年齡、身材類型、產品知識、感知利得、主觀規范、使用態度的Sig.值都小于0.05，說明加入這些自變量都會顯著改變擬合優度，因此可以解釋因變量，模型線性關系較為顯著.

表3 單因變量分析結果Table 3 The univariate analysis results in the equation

本文采用Enter［10］的方法進行一步輸入，生成新的模型（模型二），如表4所示.由表4可知，引入自變量后，模型預測準確率為80.8%.

表4 模型二分類預測表Table 4 The classified prediction table of model two

表5顯示了對購買意愿進行二元邏輯回歸后得到的自變量系數、標準差、Wald值、自由度、顯著性概率Sig.值以及每增減一個變量引起的變動值.由表5可以看出，使用態度、主觀規范、產品知識、受教育程度以及年齡的Wald統計值較大，且顯著性概率Sig.都小于0.05，說明這5個自變量對購買意愿有較大的影響作用；其他自變量的Wald值較小，且顯著性概率Sig.值偏大，說明對購買意愿的影響作用不明顯.

因此，該回歸模型為購買意愿＝f（使用態度、主觀規范、產品知識、受教育程度、年齡）.

表5 針織塑身內衣購買意愿Logistic回歸模型變量分析Table 5 The variables analysis in the Logistic regression model of the intention to purchase knitted slimming underwear

3 針織塑身內衣購買意愿的反向傳播神經網絡模型

由于購買意愿是帶有模糊性質的感覺、感知概念，用傳統的數學模型來描述存在著不夠精確的問題，而人工神經網絡在解決問題時不需要對象的精確模型，僅需要大量的原始數據，通過其強大的自學能力和結構的可變性，逐步適應外界環境各因素的作用，并挖掘出對象內在的因果關系，最終達到對購買意愿的模糊評判.

因此，本文選用最為廣泛的BP（back propagation）神經網絡模型來實現對消費者購買意愿的預測.

3.1 BP神經網絡模型簡述

BP神經網絡屬于前饋型神經網絡，通常具有多層結構：輸入層、隱含層與輸出層［11］.BP神經網絡的基本工作原理是信號正向傳播，誤差反向傳播.通過對網絡權值和閾值的修正，使誤差函數沿負梯度方向下降，直到網絡輸出的誤差減少到可接受的程度，或進行到預先設定的學習次數為止.圖1為單隱層BP神經網絡模型.

圖1 單隱層BP神經網絡模型［11］Fig.1 BP neural network model with single hidden layer

3.2 針織塑身內衣購買意愿的BP神經網絡架構

本文以計劃行為理論［6］為基礎，加入感知風險、感知利得等影響因素，提出對針織塑身內衣購買意愿有主要影響的因素包括：產品知識、感知利得、感知風險、使用態度、主觀規范、風險態度及人口統計變量（如：年齡、受教育程度、職業、收入情況、身材類型等）.因此，針織塑身內衣的購買意愿可以認為是一個多輸入（影響因素）、單輸出（購買意愿）的決策系統，其BP神經網絡模型如圖2所示.

3.3 基于Matlab實現BP神經網絡預測

本預測模型選取只有一個隱含層的3層BP神經網絡.隱含層神經元的傳遞函數為tnasig（）函數，輸出層神經元的傳遞函數為pureline（）線性函數.為了提高收斂速度、降低誤差，本文采用將動量法和自適應學習速率相結合的算法來改進BP算法.

圖2 針織塑身內衣購買意愿的BP神經網絡模型Fig.2 The BP neural network model of the intention to purchase knitted slimming underwear

采用上述的292份有效樣本數據，以預測被調查者的購買意向.將292份數據分為訓練集和測試集，編號為1～250的樣本數據為訓練集，編號為251～292的樣本數據為測試集.

為使網絡訓練更加有效和訓練速度更快，本文對調研數據進行了一定的預處理，使其映射到［－1，1］范圍內［12］.利用Matlab對BP神經網絡預測模型進行創建并訓練，步驟如下：

（1）清空當前Matalb空間中的變量和值，以免影響程序運行；

（2）導入數據到輸入神經元矩陣變量中；

（3）導入數據到輸出神經元矩陣變量中；

（4）建立訓練網絡.

訓練結果如圖3所示.

圖3 神經網絡的訓練圖示Fig.3 Neural network training

由圖3可知，數據顯示預測模型的精度為0.004 999 41，訓練次數為9 784次.

根據以上BP神經網絡，使用剩余的42組數據對所設計的網絡進行測試，測試結果如表6所示.

表6 預測情況總結Table 6 Prediction summary

原來實際42份樣本中愿意購買的樣本數為18份，實際誤差為18／42－17／42＝0.0238，在合理接受的范圍內，精確度97.6%，即前面建立的BP神經網絡預測模型是可行的.

4 結 語

本文通過SPSS軟件和Matlab軟件分別建立了被調查者對針織塑身內衣購買意愿的Logistic回歸模型和BP神經網絡預測模型，通過比較得到下述結論.

（1）預測因素選擇.Logistic回歸方程需要的樣本量較大，且模型能解釋的自變量個數與樣本量有關，本文根據樣本量大小只能通過13個因素對其進行解釋.而BP神經網絡對輸入層沒有具體的要求，本文則通過最佳變量集合及人口統計變量作為輸入層進行預測.前者需要對因素進行篩選，在篩選的過程中可能會刪除一些影響程度不大但對購買意愿確實有影響的因素，后者只需通過主成分分析輸入最佳變量集合即可，由此可見，利用BP神經網絡建立預測模型，在預測因素的選擇上更為科學.

（2）預測過程.Logistic回歸模型運用SPSS中的Regression模塊，可以很快地輸出預測結果的相關表格，但是Matlab軟件需要對數據進行歸一化、網絡層數和精度的設定等一系列設置，還需要一定的時間進行網絡的訓練和驗證.從這個角度而言，Logistic回歸在預測過程上更快，且在影響因素選擇有限的情況下，選擇Logistic回歸預測較有優勢.

（3）預測效果.Logistic回歸模型在加入了各影響因素后預測準確率達80.8%，BP神經網絡模型預測的準確率達97.6%，可見BP神經網絡的預測能力和預測精度比Logistic回歸模型高.

顯然，Logistic回歸模型雖然具有預測速度快、選擇因素少的優點，但是在預測精度方面，卻不如BP神經網絡預測模型準確.該研究結果不僅是BP神經網絡運用在服裝市場營銷方向的有效嘗試，同時也為針織內衣企業了解消費者購買決策提供了一種科學的方法.

參 考 文 獻

［1］董大海，楊毅，強勇.顧客購買行為傾向的測量及其管理意涵［J］.預測，2005，24（3）：19－24.

［2］王萍.運用數據挖掘技術預測客戶購買傾向：方法與實證研究［J］.情報科學，2005，23（5）：738－741.

［3］吳亮錦，糜仲春.珠寶的知覺價值與購買意愿之研究［D］.合肥：中國科學技術大學商學院，2006：103－117.

［4］劉文波，陳榮秋.顧客價值理論的概念模型［J］.商場現代化，2008（556）：47－48.

［5］TAYLOR J W.The role of risk in consumer behavior ［J］.Journal of Marketing，1974，38（2）：54－60.

［6］青平，李崇光.消費者計劃行為理論及其在市場營銷中的應用［J］.理論月刊，2005，2（2）：78－80.

［7］余莉.計劃行為理論的發展綜述［J］.科教文匯，2008，7（2）：170.

［8］盧文岱.SPSS for Windows統計分析［M］.北京：電子工業出版社，2002：34－42.

［9］馬慶國.管理統計：數據獲取、統計原理、SPSS工具與應用研究［M］.北京：科學出版，2002：45－66.

［10］賴國毅，陳超.SPSS 17.0常用功能與應用實例精講［M］.北京：電子工業出版社，2010：225－229.

［11］韓力群.人工神經網絡理論、設計及應用［M］.北京：化學工業出版社，2002：13－27.

［12］董長虹.Matlab神經網絡與應用［M］.北京：國防工業出版社，2005：112－134.

Comparative Study on the Forecast ModeIs of the Customer's Intention to Purchase Knitted SIimming Underwear

WANGXina，GUOChena，LIMina，b
（a.Fashion and Art Design Institute；b.Key Laboratory of Clothing Design ＆Technology，Ministry of Education，Donghua University，Shanghai 200051，China）

Based on questionnaires of customer's intention to purchase knitted slimming underwear among 292 female consumers，13 factors that are significantly correlated with the purchase intention are identified.Then the logistic regression model and the BP （back propagation）neural network model are built up.By using SPSS software and Matlab software，the objective differences of the two models are analyzed.The comparing results show that，on the aspect of predicting the intention to purchase，the prediction process speed of Logistic regression model is faster.But the BP neural network model has a higher accuracy of prediction than the Logistic regression model.

knitted slimming underwear；purchase intention；Logistic regression；BP neural network

TS 941.19

A

1671－0444（2013）06－0824－06

2012－05－23

王 鑫（1985—），女，內蒙古呼和浩特人，碩士，研究方向為服裝產業經濟.E－mail：amandawang1011＠126.com

李 敏（聯系人），女，教授，E－mail：fidlimin＠dhu.edu.cn