市場屬性對跨境購物決策的影響——基于粵港兩地的比較研究

○雷超

（廣東藥學院醫(yī)藥商學院 廣東 中山 528485）

一、問題的提出

隨著中國經(jīng)濟的增長、出境手續(xù)的便捷以及人民幣的升值，中國人跨境旅游和跨境購物的熱情越來越高漲。香港以其獨特的地理位置和“購物天堂”的美譽成為中國居民跨境購物的首選目的地。2012年，中國內(nèi)地繼續(xù)成為香港最大的客源市場，在訪港內(nèi)地旅客中，有1980萬（56.7%）人次為入境不過夜旅客，比2011年上升36.6%。在入境香港不過夜的內(nèi)地旅客中，廣東居民占據(jù)絕大多數(shù)，他們受惠于“自由行”政策最早，許多人都曾去過香港，所以他們再次赴香港通常主要是為了購物。

一般來說，只要相鄰兩國、兩地區(qū)或一國之中的兩個獨立區(qū)域之間的市場屬性（稅率和產(chǎn)品質(zhì)量等）存在差別，而且這種通過跨境購物所獲得的收益大于消費者因此而產(chǎn)生的旅行成本的話，跨境購物就會產(chǎn)生。跨境購物這一現(xiàn)象由來已久，它在全世界許多地方普遍存在，如加拿大和美國之間，歐

洲各國之間。由于各地的社會和經(jīng)濟環(huán)境差異較大，不同地區(qū)消費者跨境購物所關(guān)注的兩地市場差異和所購買的產(chǎn)品類別不盡相同。由此，本文就市場屬性對跨境購物決策的影響進行研究。

二、確定市場屬性與選擇被調(diào)查產(chǎn)品

1、確定市場屬性

市場屬性是指那些能決定消費者是否對購物市場產(chǎn)生正面態(tài)度的因素，例如距離和價格。可以推測，跨境購物者滿足逐利避險的經(jīng)濟人假設，因此作為自變量的市場屬性與因變量跨境購買決策之間的關(guān)系，適宜采用經(jīng)濟學中的交易成本理論來研究和解釋。

交易成本理論假設交易關(guān)系中的買方和賣方都在努力追求各自利益的最大化。由此可知，交易成本越小消費者就會越高興，所以他們會傾向于從那些感知交易成本最小的市場中購買產(chǎn)品。而感知的交易成本則存在于整個交易過程之中，包括交易前、交易中和交易后，Chiangetal.按照消費者在這三個階段對交易成本的感知，將交易成本細分為搜索成本、比較成本、檢查成本、機會成本、支付成本、運輸成本和售后服務成本。因此，本研究首先需要根據(jù)交易成本理論確定那些有可能影響廣東居民跨境香港購物的所有市場屬性。

筆者收集跨境購物文獻中曾出現(xiàn)過所有的市場屬性，并將這些屬性按照交易成本進行分類，然后在Chiangetal.問卷的基礎上進行修改，擬定了本研究中的18個可能影響廣東消費者跨境購物的市場屬性及其問項；再邀請廣州某高校管理學院經(jīng)常赴香港購物的7位女博士生對這些市場屬性的問項進行開放式的評論和建議；最后綜合考慮這些建議后確定了本研究的18個市場屬性（見表1）及其問項的表述。

2、選擇被調(diào)查產(chǎn)品

由于買賣雙方信息不對稱，產(chǎn)品一般可以歸為：搜索產(chǎn)品、體驗產(chǎn)品和信任產(chǎn)品。香港市場上受內(nèi)地消費者喜歡的產(chǎn)品主要是鐘表、珠寶首飾、電子產(chǎn)品和化妝品等，受2008年毒奶粉事件的影響，嬰幼兒配方奶粉也一直是內(nèi)地消費者最喜歡購買的產(chǎn)品之一。鐘表、電子產(chǎn)品和化妝品都是體驗產(chǎn)品，其產(chǎn)品質(zhì)量只有在使用過程中才能夠被感知出來；珠寶首飾和嬰幼兒奶粉屬于信任產(chǎn)品，其產(chǎn)品質(zhì)量即使在使用后消費者也很難判斷和感知。因此，本研究選擇化妝品作為體驗產(chǎn)品的代表，嬰幼兒奶?粉作為信任產(chǎn)品的代表來進行調(diào)查。

表1 影響跨境購物決策的市場屬性

市場屬性的問項均采用7級量表，在測量價格時1表示便宜50%，2表示便宜30%，3表示便宜10%，4表示差不多，5表示貴10%，6表示貴30%，7表示貴50%，其他市場屬性問項的1—7表示從完全不同意至完全同意。消費者跨境購物決策的問項是：與在本地商場購買下列商品相比，您是否更愿意去香港購買？該問項采用6級量表，1—6表示從絕對不愿意至絕對愿意。這樣購物決策就可以轉(zhuǎn)換成二進制變量，1—3為0，表示不愿意赴香港購物，4—6為1，表示愿意赴香港購物。

三、正式調(diào)查

由于化妝品的主要購買者為女性，嬰幼兒配方奶粉是孕婦和嬰幼兒媽媽們最關(guān)心的產(chǎn)品，所以正式調(diào)查的地點選擇了孕婦和嬰幼兒媽媽們較為集中的廣東省婦幼保健醫(yī)院和廣州市婦幼保健醫(yī)院。調(diào)查采取隨機選擇候診區(qū)的孕婦和攜帶嬰幼兒的女士進行訪問的形式，在征得她們同意的情況下讓其填寫調(diào)查問卷，并在調(diào)查結(jié)束后給予每位被調(diào)查者一份精美的禮品作為答謝。調(diào)查持續(xù)兩周的時間，共發(fā)放問卷306份，篩選未曾去過香港的和有重要問項未填寫的問卷后，得到有效問卷212份。對比剔除的問卷和保留的有效問卷后，在人口統(tǒng)計學變量上并沒有發(fā)現(xiàn)有明顯的區(qū)別。

被調(diào)查者的基本情況為：孕婦占38.7%，嬰幼兒媽媽占61.3%；年齡在20歲及以下占1.4%，21—28歲占51.9%，29—36歲占41.5%，37歲及以上占4.2%；學歷為大專的占34.4%，本科占42.9%，碩士占8.5%，博士占1.9%，其他占11.3%；家庭月收入6000元及以下占 17%，6001至 12000元占 57.1%，12001至18000元占16.5%，18001元以上占6.6%。這批樣本以嬰幼兒媽媽為主，年齡介于21—28歲之間的年青女性，以本科學歷為最多，家庭月收入處于中等水平（6001—12000元）的占大多數(shù)。

四、數(shù)據(jù)分析

一般在面對多個備選方案的評價標準時，消費者的決策規(guī)則都可以歸為補償性決策規(guī)則和非補償性決策規(guī)則這兩大類。使用補償性決策的消費者會考慮所有屬性，并按重要性程度賦予每一屬性以相應的權(quán)重，同時結(jié)合每一備選方案在每一屬性上的評價值，得出各個備選方案的綜合得分，得分最高的就是被選擇方案，因而它是一種線性的決策模型。然而，當消費者面對較多的評價屬性或較為復雜的備選方案時，往往并不會考慮所有的屬性因素，他們可能會僅僅基于一個或幾個屬性就做出判斷和決策，因而評價過程并不總是補償性的。而Johnsonet al.強調(diào)，補償性的線性模型并不能適用于非補償性的決策規(guī)則。由于市場屬性對購買決策的影響需要從所有可能的市場屬性中選出最重要的那些屬性，從數(shù)據(jù)結(jié)構(gòu)上來看為許多個自變量對一個因變量，消費者面對的評價屬性較多，常采用非補償性的決策規(guī)則，適合擅長處理非線性模型的人工智能神經(jīng)網(wǎng)絡分析（ANN）方法。

1、構(gòu)建神經(jīng)網(wǎng)絡

神經(jīng)網(wǎng)絡模型有多種類型，以反向傳播網(wǎng)絡（BP）和自組織網(wǎng)絡在實際應用中較為普遍。根據(jù)本研究的問題和數(shù)據(jù)的特點，筆者選擇BP神經(jīng)網(wǎng)絡模型來預測消費者的跨境購物決策。BP神經(jīng)網(wǎng)絡是一種監(jiān)督性的學習網(wǎng)絡，它旨在學習映射輸入向量至所需的輸出向量。而訓練就是一種最小化實際輸出和理想輸出之間差別的迭代過程。訓練輸入數(shù)據(jù)被放置在網(wǎng)絡的輸入層。網(wǎng)絡輸出層上的實際輸出與理想輸出之間的差值將會被計算出來，再被反向傳播給前面一層，然后，相鄰層之間的權(quán)重將會通過最小均方法進行調(diào)整以此來減少觀察到的輸出誤差。這一過程將會繼續(xù)向前一層執(zhí)行，一直到達輸入層才結(jié)束。

本研究將為化妝品和嬰幼兒配方奶粉這兩種產(chǎn)品構(gòu)建兩個BP神經(jīng)網(wǎng)絡。每個BP神經(jīng)網(wǎng)絡的輸入層都有18個節(jié)點，對應于18個市場屬性，輸出層有一個二進制的節(jié)點，代表著消費者在香港（1）或不在香港（0）購物的決策。在構(gòu)建神經(jīng)網(wǎng)絡過程中，確定隱藏層的層數(shù)和節(jié)點數(shù)是非常重要的。很多研究表明，當隱藏層超過一層時，隱藏層數(shù)量的增加并不會導致神經(jīng)網(wǎng)絡性能的提高。本研究也發(fā)現(xiàn)當設置隱藏層為2層和3層時，模型的精度并不比1層隱藏層時更高。所以本研究中構(gòu)建的兩個BP神經(jīng)網(wǎng)絡都只有一層隱藏層。與確定隱藏層的數(shù)量一樣，確定隱藏層上的節(jié)點數(shù)也沒有理論指導，隱含層節(jié)點數(shù)選用太少，網(wǎng)絡難以處理較復雜的問題；選用過多，將使網(wǎng)絡訓練時間急劇增加，而且過多的節(jié)點容易使網(wǎng)絡訓練過度。因此作者采用試探的方法在每個神經(jīng)網(wǎng)絡上試驗1—10個不同數(shù)量的隱藏層節(jié)點，再比較神經(jīng)網(wǎng)絡的性能以此確定隱藏層的節(jié)點數(shù)。性能比較的結(jié)果表明，當隱藏層上的節(jié)點數(shù)達到6個時，兩種產(chǎn)品網(wǎng)絡模型的預測精度均達到最高值，故這兩個BP神經(jīng)網(wǎng)絡模型隱藏層的最佳節(jié)點數(shù)為6個。隨后為這兩個模型都選擇Sigmoid激活函數(shù)，它是最常使用的激活函數(shù)之一。

表2 購買決策相對于市場屬性的靈敏度

2、優(yōu)化神經(jīng)網(wǎng)絡

構(gòu)建了上述兩個神經(jīng)網(wǎng)絡模型之后，我們需要對它們進行優(yōu)化。本研究采用靈敏度分析的方法檢驗輸入向量相對輸出向量的重要性，并將那些對購物決策不重要的市場屬性刪除以減少輸入向量的數(shù)量從而達到優(yōu)化網(wǎng)絡的作用。這種優(yōu)化的好處就在于可以使網(wǎng)絡更加簡單、訓練更加迅速、避免過度擬合的能力更強。而且通過刪除不重要的輸入節(jié)點來優(yōu)化網(wǎng)絡的方法還可以提高預測的精度。

本研究使用Clementine11.0軟件中的BP神經(jīng)網(wǎng)絡工具箱進行靈敏度分析。根據(jù)本研究結(jié)果情況，刪除靈敏度小于0.25的值，結(jié)果如表2所示。由此就確定了經(jīng)過優(yōu)化的化妝品BP模型的輸入變量（市場屬性）為9個：打折促銷、銷售人員的服務水平、購物環(huán)境、價格、貨幣兌換和付款方式、產(chǎn)品和品牌的可選擇性、挑選和購買的速度、跨境的時間成本、以及換/退貨和退款服務；嬰幼兒奶粉的輸入變量為4個：購買到假貨和次貨的可能性、跨境的經(jīng)濟成本、產(chǎn)品質(zhì)量和跨境的時間成本。

3、檢驗網(wǎng)絡模型及其結(jié)果

為了測試兩個經(jīng)過優(yōu)化的BP神經(jīng)網(wǎng)絡模型的性能，作者采用剖分樣本測試法（split-samplevalidation）來驗證網(wǎng)絡的泛化能力和對于未知樣本的評價準確性。BP神經(jīng)網(wǎng)絡的泛化能力（generationcapability）是指對于同一樣本集中的非訓練樣本，網(wǎng)絡仍能給出正確的輸入輸出關(guān)系的能力，即網(wǎng)絡識別訓練集以外樣本的能力。泛化能力被認為是衡量BP神經(jīng)網(wǎng)絡性能的最重要指標，沒有泛化能力的神經(jīng)網(wǎng)絡是沒有實用價值的。

剖分樣本并交叉測試方法的目的在于通過重新打亂樣本并對樣本重復使用，盡可能利用有限樣本的資源來減少預測的偏差，使樣本得到最有效的利用，其檢驗結(jié)果比傳統(tǒng)檢驗方法更為可信。本研究中剖分樣本并交叉測試方法的具體做法是，將總樣本212個（212=4×53）隨機地劃分為4個樣本容量都為53的子樣本集，每次用3個樣本集來訓練網(wǎng)絡，即每次都有159個訓練樣本，再用剩下的一個子樣本集作測試樣本，循環(huán)4次使每一個子樣本集都作一次測試樣本，共隨機劃分兩次，訓練和測試8次模型。然后將每次運算生成的輸出預測值與測試樣本的實際值進行比較，即得到兩個模型的預測精度平均值，化妝品神經(jīng)網(wǎng)絡模型的精度平均值為72.4%，嬰幼兒奶粉神經(jīng)網(wǎng)絡模型的精度平均值為80.2%，如表3所示。由此可見，這兩個經(jīng)過優(yōu)化的神經(jīng)網(wǎng)絡模型都達到了一定的預測精度，結(jié)果具有非常高的準確性。

五、結(jié)論

本研究以粵港之間的跨境購物現(xiàn)象為切入點，研究了市場屬性對廣東消費者跨境購物決策的影響。研究結(jié)果表明：市場屬性對消費者跨境購物決策的影響因產(chǎn)品種類的不同而不同。對于體驗產(chǎn)品而言（如化妝品），影響廣東消費者跨境香港購物的9個市場屬性重要性由大到小依次為：打折促銷、銷售人員的服務水平、購物環(huán)境、價格、貨幣兌換和付款方式、產(chǎn)品和品牌的可選擇性、挑選和購買的速度、跨境的時間成本、以及換/退貨和退款服務；而對于信任產(chǎn)品而言（如嬰幼兒奶粉），影響廣東消費者跨境香港購物的4個市場屬性重要性由大到小依次為：購買到假貨和次貨的可能性、跨境購物的經(jīng)濟成本、產(chǎn)品質(zhì)量和跨境購物的時間成本。這一結(jié)論不僅為香港旅游業(yè)和零售業(yè)在如何吸引內(nèi)地旅客方面提供指導，而且也為廣東本地零售業(yè)的生產(chǎn)經(jīng)營以及如何提高競爭力方面提供了參考。

表3 神經(jīng)網(wǎng)絡模型的預測精度平均值

（注：項目基金：廣東省哲學社會科學規(guī)劃項目（批準號GD12YGL07）。 ）

[1]香港特區(qū)政府旅游事務署：2012年旅游業(yè)表現(xiàn)[EB/OL].http：//www.tourism.gov.hk/sc_chi/statistics/statistics_perform.html，2013.

[2]Leal，A.Lopez-Laborda，J.，Rodrigo，F(xiàn).Cross-BorderShopping：ASurvey[J].InternationalAdvancesinEconomicResearch，2010（16）.

[3]Chiang，W.K.，Zhang，D.andZhou，L.Predictingandexplainingpatronagebehaviortowardwebandtraditionalstoresusing neuralnetworks：acomparativeanalysiswithlogisticregression[J].DecisionSupportSystems，2006（41）.

[4]Williamson，O.E.Transaction-costeconomics[J].JournalofE-conomicbehaviorandorganization，1987，8（4）.

[5]West，P.，Brockett，P.L.，Golden，L.L.Acomparativeanalysisof neuralnetworksandstatisticalmethodsforpredictingconsumer choice[J].MarketingScience，1997，16（4）.

[6]Johnson，F(xiàn).I.，Meyer，R.J.，Ghose，S.When choice models fail：compensatorymodelsinnegativelycorrelatedenvironments[J].JournalofMarketingResearch，1989，26 （3）.

[7]Rumelhart，D.E.andMcClelland，J.L.（Eds.），ParallelandDistributedProcessing：ExplorationsintheMicrostructureofCognition[M].MITPress，Cambridge，MA，1986.

[8]Jain，B.A.Nag，B.N.Performanceevaluationofneuralnetwork decisionmodels[J].JournalofManagementInformationSystems，1997，14（2）.

[9]Ponnapalli，P.V.S.Ho，K.C.andThomson，M.Aformalselectionandpruningalgorithmforfeedforwardartificialneuralnetworkoptimization[C].IEEETransactionsonNeuralNetworks，1995，10（4）.