第三方跨境電商結匯平臺評價指標體系構建研究

周翔 周笛 郭燕

[摘要]為跨境電商能順利解決第三方結匯平臺的擇優甄別問題,首先通過問卷調查法收集商家意愿，再結合文獻研究法重構并完善第三方跨境電商結匯平臺評價指標體系，構建模糊神經網絡模型加以數據訓練，使得訓練后的模型具有更好的穩定性、預測性和泛化能力。模型可以幫助從事跨境電商領域的商家有針對性地甄別適合的第三方結匯平臺，以減少商家在資金結匯環節上的成本。

[關鍵字]跨境電商；結匯平臺；模糊神經網絡

一、 引言

互聯網技術的蓬勃發展帶動了跨境電子商務的發展。我國商務部公告表示：2008年至2019年中，跨境電商的年交易額年均增速近30％，而傳統對外貿易的年均增長不到10%?？缇畴娮由虅諏鹘y外貿產生了巨大沖擊。我國的跨境貿易發展速度較快，但是資金、規模和管理水平等現實因素的制約直接導致中國跨境電商普遍面臨結匯環節費用高、時效差、回款難等困境。第三方跨境電商結匯平臺能夠幫助商家在跨境電商交易結匯環節中解決技術阻滯、法律障礙、語言不通等問題，極大地方便了商家的資金回籠。跨境電商行業的崛起，也進一步帶動了跨境支付及結匯平臺的發展。選擇適合的第三方跨境電商結匯平臺成為商家加強資金回流的有效途徑，然而，目前在選擇跨境電商結匯平臺的辦法上仍存在盲目性，更多的是主觀臆斷，遠不能滿足跨境電子商務蓬勃發展的要求。因此，提取與商家相關度強的評價指標，在此基礎上建立一套完善而科學的第三方跨境電商結匯平臺甄別體系成為亟迫解決的現實問題。

二、 文獻回顧

跨境結算是伴隨著傳統貿易結算而產生的，前人已經對跨境結算做了大量研究，周莉萍著眼于跨境電商支付以及結匯風險進行分析，主要提到交易真實性、備用金管理風險性，資金非法流動性這三個方面的風險影響[1]。趙俊峰分析研究后認為跨境支付與結算的主要問題存在于資金有沉淀的風險、平臺自身的操作風險以及制度的不完善性[2]。張夏恒在對跨境電子商務支付特征的研究中提到，影響用戶選擇跨境支付和結算方式的主要影響因素是跨境支付方式的普及率和影響范圍、交易主體的使用偏好、支付方式的選擇，跨境支付方式的使用成本以及跨境支付方式的特點和優勢[3]。石紅英提出了跨境電商支付平臺結算方式及其弊端并且對外匯政策路徑進行了分析比對[4]。莫凡以Ping Pong網為例，總結了跨境電商支付平臺能更適應潮流與商家選擇的對策[5]。

縱觀國內外相關研究，不難發現，對第三方跨境電商結匯平臺的影響指標研究并不全面，也未能深入挖掘相關商家的真實需求，更多停留在政策性的研究，視角也相對單一。對跨境電商商家選擇第三方跨境結匯方式的影響指標的研究有利于商家本身更好地做出選擇。故本文將通過相關指標的研究，來分析商家選擇結匯平臺所采用的影響指標。本文擬基于商家視角對相關影響指標進行全面評價，同時以模糊神經網絡為切入點，運用類人類思維模式的模型構建更科學的評價體系模型。

三、 指標選取依據

指標的選取依托于DeLone和McLean在2004年完善的DM模型即電子商務系統成功模型，該模型認為一個成功的電商模型受到系統質量、信息質量、服務質量、使用、用戶滿意、凈收益六個方面、三個維度的制約[6]。本文從使用方出發，考慮到使用方對系統、信息以及服務的要求，選取其第一維度中的系統質量、信息質量、服務質量作為一級指標。在此基礎之上進行指標體系構建，其中信息質量、系統質量和服務質量作為結匯平臺選擇的根本原因作為指標體系的第一層指標[6]。在信息質量該層級下，考慮到跨境電商商家對相關信息流質量的要求，進一步細分為有用性、透明性、多種語言操作三項二級指標；在系統質量該層級下，結合商家訪談中所透露的對系統使用方面的需求，細分為穩定性、安全性、實操性三項二級指標；在服務質量該層級下，結合當前產業融合的大背景下，服務質量自然也成為了產品質量中的重要一環，因此細分為及時性、多幣種選擇、用戶類別、保障機制四項二級指標待調查。此外，通過對商家的訪談了解到對目前面臨的第三方跨境電商結匯平臺的選擇問題上，商家很大程度上受到成本的影響，因此本文加入了運營成本這一因素來對第三方跨境電商結匯平臺進行甄別。那么在此層級下，則細分為管理費、結匯費率兩項二級指標。自此，選取了四項一級指標，十二項二級指標以待調查研究。

四、 第三方結匯平臺選擇指標的量表開發

1. 量表開發

本文在學習國內學者的文獻的基礎上，結合本次調查數據進行研究，調查量表主要是借鑒DM模型，將商家選擇結匯平臺的影響指標分為十二項細分指標進行測量，讓商家對可能會存在影響選擇的指標分別進行重要程度測試，由此來收取樣本數據，進而對商家選擇結匯平臺的影響指標進行重要程度測量。此外，在問卷調查中對各個指標的度量使用5級量表：十分重要、比較重要、一般、沒那么重要和完全不重要。

2. 樣本資料的分析

本次問卷調查針對從事跨境電商行業的商家進行發放，因地域問題選擇在網絡平臺上進行發放，共發放問卷315份，回收有效問卷298份。通過問卷調查后進行指標體系的選擇和構建。其中信息質量、系統質量和服務質量作為平臺選擇的根本原因成為了指標體系的第一層指標。此外，在訪談該領域從業者后，結合用戶需求，發現在跨境電商第三方結匯平臺的選擇問題上，商家很大程度上受到費用的影響，本文加入了運營成本一級指標。并在各個指標下進行了細分，對整體指標構建的完整性做出進一步考量。

3. 構建指標體系

將從DM模型出發對信息質量、系統質量、服務質量和運營平臺四個一級指標進行細化與修正，使其更適合于本指標體系的構建。

有用性，即在結匯過程中，用戶所取得的信息是真實有效的，平臺所提供的款項來源、流程是真實的，可追溯的，保證信息的可用性。

透明性，主要包括即時匯率的公布、結匯時匯率的選擇、相關明文條款及規則等。

多種語言操作，基于跨境大背景，定會存在多國語言交流的情況，不同語言環境下表達容易產生歧義，因此該指標體系將其單獨列出，對中國商家而言，語言問題極有可能會成為重要影響因素之一（表1）。

穩定性，一、二級指標是繼承了DM模型中的可用性和可訪問性，也就是系統質量最初考慮的包括服務器的運行、雙方交流機制等能否支持系統穩定的運行、發展的要素。

實操性，目前由于跨境電商平臺數量多，從業人員數量多，但由于結匯平臺的操作實則涉及金融知識，所以該方面主要考慮操作者的實際需求，要求系統操作難度不能過高。

安全性，是該第三方結匯平臺受到幾方政府的監督，監督政府是否具有權威性。確保賬戶信息得到保障，規避賬號被盜、詐騙等風險的出現（表2）。

及時性，指的是在第三方結匯平臺完成結匯后，提現到用戶個人國內銀行賬戶的時長。眾所周知，提現的時限長短直接關系到資金的流動性強弱，而資金循環流動的周期縮短后會提高商戶的經營能力。

多幣種選擇，則是可以直接選擇相對應的外國貨幣，用戶可在此平臺中將持有的不同幣種款項直接結匯成人民幣，或者結匯成其他所需幣種。

用戶類別，顧名思義便是用戶類別的限制，不同平臺對于用戶的資質有不同的要求，有的需要提供企業證明，而有的只需要個人認證即可。

保障機制，在第三方結匯平臺也同樣適用，平臺內部的規章制度確保了其正常的運行[7]?；诳缇畴娚痰慕Y匯，時常會出現款項的凍結，導致結匯的失敗，被凍結的原因有可能與不同國家的政策相關，有可能與所售商品的版權相關。那么此時保障機制便發揮了重要的作用，以確保用戶的資金流向不受外來因素的影響，保證用戶的利益（表3）。

管理費，網絡結匯平臺雖然是虛擬的，但是平臺上的用戶都被視為個體“賬戶”，因此，基本的維護費用、管理費用等是必不可少的。選擇不同的結匯平臺需要接受不同額度的管理費用，這也將成為運行成本指標中的一個影響因素。

結匯費率，每個結匯平臺采用的收費模式不同，參考當下銀行轉賬的標準，即所結匯額度的抽成，當然，每個結匯平臺抽成不盡相同。比如World First的費率在1%~2.5%，Ping Pong則是0.8%。由于該種抽成影響用戶最后的結匯利益，所以在考慮成本因素時，該項指標是考量的核心因素[8]（表4）。

4. 指標審核

本節以調查問卷為數據來源，采用（Majonity Addfive-Ordered Weighted Aweraging，MA-OWA）算子打分的方法對指標體系進行最終的確定，根據初選的指標體系采用前文理論基礎部分提到的算子算法對指標進行一定的計算篩選，具體為采用多數集的方法進行權重求解，即加大評估人員意見眾數值的權重值，成功規避了最值問題[9]。本文就是采用此模型來進行指標體系的確定，具體計算過程如下：

根據前文中依托DM模型設定初級評價指標體系，再由專家對每個指標進行打分，并將打分值排序分類，分數相同的即為同一子類，求各個子類的平均數，并定義該平均數為新子類，接著刪除每個子類中的一個數，最后反復循環步驟3和4，當只有一個單元素集合子類時停止循環，該子類中的單元素就是最后的得分值[9]，算子得分見表5。同時根據理論的介紹，得分低于3分的指標將無法通過篩選。由表5可得問卷調查中12項指標均通過測驗，具有有效性，均參與指標構建。

五、 實證分析

本文將模糊理論與神經網絡進行結合，運用模糊神經網絡模型作為跨境電商結匯平臺選擇的研究方法，以下對模糊推理方法和模糊神經網絡結果進行簡述。

1. 模糊推理方法

模糊推理的方法主要有兩種，分別是Mamdani型（簡稱M型）和Tagagi-Sugeno型（簡稱TS型）。本文所提出的基于ANFIS的模糊推理方法從屬于TS型，該類型的模糊推理具有易控制優化和自適應方法的優勢[10]。TS型的推理過程是用多項式代替模糊量來表示推理后效，其輸出結果用輸出數據函數形式進行表示，即z=f（x，y）。如果x是A，y是B，那么z=f（x，y）。其中A和B是前提中的模糊集，z=f（x，y）是結論[10]。在推理過程中，每個規則產生一個精確的輸出，通過加權平均得到整個系統的輸出，加權因子由每個規則的模糊集運算產生。

2. 模糊神經網絡及其結構

模糊理論和神經網絡各有優勢，前者主要基于模糊邏輯，常規決策下難以順利解決的模糊信息問題可通過模糊推理進一步處理；而后者能通過仿真推理和自動學習在模式識別、聚類分析和專家系統建立幾個方面提供更多的支撐，兩者的結合能進一步融合優勢：模糊技術更擅長邏輯推理，能夠對高階信息進行更精妙的處理，因此將模糊推理引入神經網絡可以提升神經網絡對相關信息的進一步處理能力[10]。

3. 自適應模糊神經網絡的控制算法

減法聚類是一種快速的單鏡頭、密度聚類型算法，應用于估算一組數據的中簇中心數目和位置。在減法聚類中，其每一個數據點都會將被視為潛在的聚類中心，再根據每個數據點其周圍的數據密度對該點被視為聚類中心的概率進行計算[11]。過程如下：

（1）計算每個數據點的密度。對于m維空間中的N個數據點（X1，X2，…），我們認為每個數據點可能是簇中心的候選，因此每個數據點Xi處的密度目標定義為[10]：

[Di=j=1nexp-||xi-xj||2/(yn/2)2] （1）

ya為其中一個正數，定義一個鄰域數據點。

（2）選取密度目標最高的數據點作為第一個聚類中心，對作為聚類中心的每個數據點相關的密度目標進行修改。設Dc為密度目標，xc為選點，那么每個數據點xi的密度目標便可通過以下公式進行修改，即：

[Di=Di-Dciexp[-||xi-xj||2(yn2)2]] （2）

yb是正數。如上所引，若要作為下一個簇中心，那么靠近第一個簇中心xc1的數據點密度目標將不可以繼續降低。

（3） 對下一個聚類中心xc2進行選擇，再次對數據點的所有密度目標進行校正[12]。

重復上述過程。如果上述公式達到最小值，則聚類結束。

減法聚類是依托于密度的聚類算法，適用于數據集的輸入和輸出，接著根據聚類集個數和數據集聚類中心位置，在此基礎上對輸入空間進行劃分并進一步優化，最后確定輸入和輸出語言變量的模糊規則和隸屬函數數量[10]。本文通過減法聚類法得到初始模糊推理網絡，然后利用數據的輸入和輸出對該網絡模型進行訓練，最后得出了一個合理的模糊推理模型。

4. 模型構建

將MATLAB R 2012a軟件作為建模載體，運用模糊邏輯工具箱展開建模工作。調用genfis2函數即可自動構建模糊神經網絡。本文建模通過圖形界面編輯器（ANFIS editor）展開，該編輯器能夠完成模糊神經網絡的建立、訓練和測試等功能。參數設置和模型訓練的基本情況如下: 模型的輸入變量12個即對應12個已通過檢驗的評價指標、輸出變量1個對應專家打分法所得結果；隸屬度函數采用高斯型。訓練后得到訓練與檢驗的絕對誤差圖（圖1）。

通過200次訓練學習后，將訓練誤差減至0.000057。同時由圖1可見訓練與檢驗的絕對誤差值在經過200次訓練后趨于平穩，具有較強的穩定性，不會出現大幅度的波動。

5. 數據訓練

本節將單獨討論模型中所用到的訓練樣本，樣本數量298組，并以該訓練樣本進行建模分析。設定一個行向量為1×298的隨機數A，調用rand perm函數，以floor向下取整后，隨機抽取80%（238個）的樣本數據為訓練樣本，得到訓練樣本trndata，剩余20%則作為檢驗樣本，得到chkdata。利用std為數據做標準化處理。通過減法聚類自動構建初始網絡，調用genfis2函數，在完成訓練樣本的輸入（input_train)、輸出(output_train)，相關系數C的設定與標準化處理后，輸出已構建的初始網絡in_fismat。

調用anfis函數,輸入訓練數據(trndata)、初始網絡名稱(in_fismat)、訓練次數(epoch_n)、1、檢驗數據（chkdata）、0，輸出以構建完成的網絡、訓練樣本誤差、對應檢驗樣本誤差最小的網絡、檢驗誤差。訓練完成后通過evalfis函數完成預測，得到圖2。

由圖2可看出，訓練數據預測值與真實值重合度高。該模糊神經網絡模型具有使用價值。輸出后得到in_fismat=genfis2（input_train,output_train,c,std），經查找與調試后取得最優系數C=[0.2，0.2，0.3，0.3，0.6，0.3，0.4，0.4，0.4，0.4，0.4，0.4，0.4]。

6. 檢驗預測數據的準確性

以Ping Pong為例，對20組樣本進行數據檢驗。對應專家打分值，檢驗通過改模型得出的數據是否具有實際的泛化能力。表格中期望輸出即對應專家打分法值；實際輸出為已訓練完后的模糊神經網絡計算得分，所有結果保留至百分位。統計對比結果見表6。

由表6可得，利用訓練好的模型對數據進行測試，結果顯示測試數據的結果通過計算后與專家打分值十分接近。因而證明了該模糊神經網絡模型在第三方跨境電商結匯平臺的選取中，所搭建的指標體系能夠評價結匯平臺，并具備較好的泛化能力。

六、 總結與建議

近年來，跨境電商的發展勢頭迅猛，同時許多問題也涌現出來，而從事該領域的商家所面臨的資金結匯阻滯更是棘手問題之一。在結匯時，規避選擇使用第三方跨境電商結匯平臺，或是由于商家缺乏客觀認知、存在過強主觀性而無法擇優選擇第三方結匯平臺均會導致資金結匯的困難。該環節存在費用高、時效差、信用缺失等問題，以致于損害商家經濟效益。本文在前人研究的基礎上重構了第三方跨境電商結匯平臺評價指標體系，收集數據，并配以模糊神經網絡模型展開模型訓練。訓練后獲得穩定性強且具有泛化能力的模糊神經網絡模型。為從事跨境電商的商家提供更具科學的甄別方法，能夠在交易完成后選擇成本低、時效快、信譽強并合適該交易結匯特點的第三方結匯平臺，使商家在交易中的經濟效益達到更佳狀態。本文在通過構筑模糊神經網絡模型及時有效地解決資金結匯問題的同時，也對模糊神經網絡模型實施的企業相關人員的能力水平提出了要求。

1. 提高操作人員的技術水平

學習及泛化能力是模糊神經網絡的優勢所在，能夠有效地結合專家知識及經驗對跨境電商結匯平臺進行選擇。當然，模糊神經網絡也具有一定的局限性，比如相關參數的設置，訓練樣本的容量也都會使計算結果出現偏差。如果操作人員對模糊神經網絡領域沒有清晰的認知，很有可能會出現模型搭建的不準確致泛化能力差、預測結果不準確等現象。所以，實施模糊神經網絡對相關人員提出了一定的技術要求，可對相關人員進行培訓，并且通過MATLAB軟件不斷進行實踐和操作，及時提升操作人員的技術水平。

2. 提高管理人員的決策能力

模糊神經網絡模型的結果輸出只能輔助管理人員在選擇平臺時用出決策。管理人員應當根據自身情況以及外部環境的變化，比如各個國家相關政策的推出與變化，同質型平臺相關優惠措施等，來綜合進行第三方跨境電商結匯平臺的選擇。因此，提高管理人員的綜合素質顯得更為重要。

參考文獻：

[1] 周莉萍,于品顯.跨境電子商務支付現狀、風險與監管對策[J].上海金融,2016（5）:73-78.

[2] 趙俊峰.中小跨境電商企業對第三方支付的使用意愿研究[D].蚌埠：安徽財經大學,2018.

[3] 張夏恒.跨境電子商務支付表征、模式與影響因素[J].企業經濟,2017,36（7）:53-58.

[4] 石紅英.跨境電商支付平臺結算問題[J].中國金融,2018（19）:102.

[5] 莫凡.我國跨境電商支付平臺品牌國際化轉型的問題及對策——以Ping Pong網為例[J].對外經貿實務,2019（4）:38-41.

[6] 沈苑婧.基于模糊神經網絡模型的第三方跨境電商平臺選擇的影響因素研究[D].北京：對外經濟貿易大學，2017.

[7] 梁其鈺.我國跨境電子商務支付面臨的風險與防范機制[J].對外經貿實務，2018（11）:57-60.

[8] 龔榆桐,李超建.中國跨境電商支付平臺發展現狀、問題及應對策略[J].對外經貿實務，2018（11）:29-32.

[9] 沈濤綜合電子信息系統軟件質量的測試和評估[J].計算機工程，2004，30（3）：101-103．

[10] 肖斌卿，楊旸，李心丹，等.基于模糊神經網絡的小微企業信用評級研究[J].管理科學學報，2016，19（11）:114-126.

[11] 馬艷平.中小企業應收賬款質押融資的績效及信用風險研究[D].天津：天津大學，2012.

[12] 李騰飛.基于LabWindows/CVI的數字信號分析研究[D].西安：西安電子科技大學，2007.

Research on the Evaluation Index System of the

Third-party Cross-border E-commerce Settlement Platform：

Based on Fuzzy and Neural Network

Abstract：To successfully solve the third-party exchange settlement platform selection screening problem， this paper first collects the willingness of businesses through questionnaire survey. Combined with literature research method, the evaluation index system of the third-party cross-border e-commerce settlement platform is reconstructed and improved.The fuzzy neural network model is constructed and trained with data to make the mode has better predictability and generalization ability. It can help businesses engaged in cross-border E-commerce identify suitable third-party foreign exchange settlement platforms, so as to reduce the cost of capital settlement.

Key words：cross border E-commerce；foreign exchange settlement platform；fuzzy neural network

基金項目：江蘇省社會科學基金項目（項目編號：19GLD005）。

作者簡介：周翔（1995-），男，江蘇海洋大學碩士研究生，研究方向為跨境電子商務；周笛（1997-），女，江蘇海洋大學碩士研究生，主要研究方向為跨境電子商務；郭燕（1980-），女，江蘇海洋大學博士，副教授，碩士生導師，研究方向為網絡營銷和電子商務。

（收稿日期：2020-12-02 責任編輯：顧碧言）