基于主成分分析和支持向量回歸機組合模型的電子商務信用風險度預測研究

夏晗

[摘要]隨著電子商務的快速膨脹，信用風險對電子商務發展的影響越來越突出。信用風險已成為電子商務企業所面臨的最主要風險之一。文章結合企業的財會指標和電子商務運營能力構建企業電子商務信用風險度預測指標，并利用主成分分析對指標進行篩選，在此基礎上通過支持向量回歸機對電子商務信用風險度進行預測，并進行實證檢驗，實證結果表明，此方法與標準支持向量回歸機和神經網絡相比具有更高的分類精度，證實了該方法的可行性和優越性，為電子商務建立可靠的信用風險度預測系統提供依據。

[關鍵詞]電子商務；信用風險度；支持向量回歸機；主成分分析；預測

DOI：10.3969/j.issn.1008-0821.2015.01.014

[中圖分類號]F724.6；F713.36 [文獻標識碼]A [文章編號]1008-0821（2015）01-0076-04

隨著電子商務的快速發展，信用風險已成為參與電子商務企業所面臨的最主要風險之一。電子商務交易雙方不直接接觸，它是基于信用基礎上的交易。從買方的角度看，只能通過網上對產品的描述來了解產品質量，但是無法掌握賣方的資產、生產等詳細情況，對賣方是否能按時交貨，貨物質量數量有無保障都存在疑惑。從賣方角度看，他們不能了解買方能否按時足額交付貨款。雙方交易過程中，經常會出現貨不對板、欺騙貨款、欺騙貨物樣品、虛假交易、假冒行為、合同詐騙、網上拍賣哄抬標的、侵犯消費者合法權益等行為，因此買賣雙方會出現由于信息不對稱導致的交易不信任，電子商務信用問題成為制約電子商務健康快速發展的瓶頸。基于此，近年來政府及企業已經逐漸重視電子商務信用體系的構建，并開始構建規范的企業和個人征信體系。

由于電子商務的迅猛發展，電子商務發展至今的20年間，國內外學術界對這一新型的商務交易模式已經進行了大量的研究，但是有關電子商務信用風險研究并不多，國內外的研究大都側重于電子商務信用風險的形成機制和機理研究，有關電子商務信用風險評估方法的研究很少。國內目前的研究方法主要是綜合評判、統計分析和人工智能方法，張蘭怡、闕丹文等建立了累進加權評價的電子商務評價方法。張明等利用統計多元分析方法對電子商務信用風險進行了分類，獲得了較好的分類效果。在評價指標方面，魏明俠等從對網購者對信用風險感知的角度建立了一套評價指標體系，支出違約對于消費者的感知程度較強，但是目前尚未形成全面的評價指標體系。國外學者對于電子商務環境下信用風險評估研究的重點為具體應用方面，主要是通過數學模型進行信用等級評定，例如chenga和chian采用數據包絡分析方法（DEA）建立電子商務交易中個人信用評估模型，其中主要采用決策樹、神經網絡等方法建立數學模型。Wang等人利用馬爾科夫鏈對電子商務信用風險進行評價分析。

目前國內外有關電子商務信用風險預測方法主要是以綜合評判法及其結合模糊數學的改進方法和統計分析法為主，在人工智能方面的研究比較少。研究表明人工智能方法的信用風險評估精度比其他方法優越。支持向量機在小樣本訓練方面比其他人工智能方法更勝一籌，而且該方法的泛化能力非常強。而支持向量機方法目前主要應用于金融行業的信用風險評估，對電子商務信用風險評估涉及較少。而且目前的研究主要是對電子商務信用風險的兩級分類研究，無法精確預測企業信用風險度的高低，同時在評價指標方面主要考慮企業的財會指標，未將企業的電子商務運營能力考慮在內。基于此，本文提出運用主成分分析和支持向量回歸機組合模型對電子商務信用風險度進行預測，同時在評價指標方面不僅考慮企業的財會指標，還將企業的電子商務運營能力考慮在內，構建一個比較全面的評價指標體系。實證分析結果表明該方法具有比較高的預測精度和效率，為企業進行電子商務信用風險度預測提供參考。

1.主成分分析與支持向量回歸機組合模型

1.1模型設計

在模型中主成分分析（PCA）和支持向量回歸機（SVR）的作用分別是：主成分分析用來約減屬性，減少支持向量回歸機輸入指標的個數；支持向量回歸機對輸入指標進行分析處理，得到信用風險度預測值。因此這兩種方法是以串聯方式組合在一起的，即主成分分析的處理結果作為支持向量機的輸入，把這兩種方法組合在一起，如圖1所示。endprint