基于電商平臺網(wǎng)購評論的云南鮮花物流服務質(zhì)量評價研究

楊 凡，周常春

（昆明理工大學管理與經(jīng)濟學院，云南 昆明 650093）

一、引言

中國傳統(tǒng)鮮花貿(mào)易流通途徑主要集中在線下。通常，鮮花采摘下來后要經(jīng)過諸多環(huán)節(jié)才能遠銷至國內(nèi)中小城市，最后再到消費者手里。 商品流通環(huán)節(jié)過多，交易時間過長，鮮花在此過程中受到的損耗很嚴重，因此中間各層的鮮花批發(fā)商至少會提價15%至20%。 而花店則會在零售環(huán)節(jié)保證商店業(yè)務盈虧均衡的情況下，將價格至少提高60%，這些過程產(chǎn)生的額外成本都由購買鮮花的消費者承擔。 但是現(xiàn)在隨著科技的發(fā)展以及電子商務平臺的出現(xiàn)，花農(nóng)、花店和消費者之間的關(guān)系由于中間交易環(huán)節(jié)的減少變得緊密起來，線上鮮花電商沒有線下門店經(jīng)營產(chǎn)生的成本壓力，同時也降低了區(qū)域局限對業(yè)務開發(fā)帶來的困難。

云南省作為中國最大的鮮切花生產(chǎn)基地，鮮花出口總量位居全國第一，市場涵蓋世界各地。 即使近年來遭受疫情的嚴重影響也沒有改變。 電子商務交易是其最主要的交易方式之一，昆明國際花卉拍賣交易中心擁有花加、花立購、鮮花嚴選等電商平臺，與京東、淘寶、抖音、拼多多等電商平臺有深度合作，這些電商的花源70%都在云南。 同時，也通過對接云南花卉與全國消費者，實現(xiàn)了融資水平的大幅提升。 因此，本文選擇淘寶、京東平臺的產(chǎn)地、發(fā)貨地均為云南的鮮花網(wǎng)購見網(wǎng)評進行研究，以期產(chǎn)生指導效應。

二、研究現(xiàn)狀

（一）物流

Mentzer 等在物流工作中結(jié)合SERVQUAL 模型，提出時間性、可得性、完好性為實體分銷物流服務質(zhì)量主要的三個維度（1）。Mentzer 等通過分析發(fā)現(xiàn)，訂單流程、信息品質(zhì)、人員溝通品質(zhì)、貨物完好度、錯誤處理、 貨物準確率等都會對顧客的整體物流服務品質(zhì)有積極或消極的影響， 因此將實體分銷物流服務質(zhì)量與直接影響服務質(zhì)量的各因素結(jié)合， 創(chuàng)建新的LSQ 量表（2）。 在國內(nèi)學術(shù)界對物流服務質(zhì)量的深入研究中，田宇認為，物流服務質(zhì)量管理是物流企業(yè)營銷的基礎(chǔ)和關(guān)鍵環(huán)節(jié)， 因此從服務型企業(yè)的質(zhì)量管理理論出發(fā)， 給出了物流服務質(zhì)量管理研究的初步框架（3）。 鄭兵等以服裝行業(yè)為研究對象，采用問卷調(diào)查法對物流服務質(zhì)量進行了實證分析， 最后確定時間質(zhì)量、人員溝通質(zhì)量、訂單完成質(zhì)量、誤差處理質(zhì)量、貨品運送質(zhì)量、靈活性和便利性為中國本土物流服務質(zhì)量評價指標體系的7 個指標（4）。 劉丹在總結(jié)文獻資料的基礎(chǔ)上，對物流服務質(zhì)量各維度的組成進行分析，最終確定網(wǎng)上購物物流服務質(zhì)量構(gòu)成的8 個維度為網(wǎng)店的物流信息質(zhì)量、 訂購質(zhì)量、溝通回應質(zhì)量、定制服務質(zhì)量、交付質(zhì)量、速度質(zhì)量、個人信息安全質(zhì)量、誤差處理質(zhì)量,并對這些維度進行操作性界定（5）。 從上述文獻中可以看出，迄今為止， 國內(nèi)外學者在這方面進行了大量且充分的研究，并根據(jù)各自的研究對象，對原有的SERVQUAL模型和LSQ 量表進行了借鑒和完善，為后續(xù)研究者進行物流服務質(zhì)量評價方面的研究奠定了堅實的根基。

（二）文本情感分析研究現(xiàn)狀

1.基于情感詞典的文本情感分析。 最早的情感詞典構(gòu)建來自于Whissell， 他在研究中聘請148 位參與者為研究對象，他們在數(shù)學、物理等領(lǐng)域中運用了5 個詞匯對該領(lǐng)域進行表達， 將它們與常用的情緒詞進行了比較，并進行了擴展和修改（6）。 在后續(xù)的研究中，研究者們不斷地擴展和完善情感詞典，目前使用最多的是英語詞典WordNet， 知網(wǎng)情感詞典Hownet 以及中國臺灣大學NTUSD 中文情感詞典。朱嫣嵐等以Hownet 為基礎(chǔ)創(chuàng)立了詞匯語義傾向性統(tǒng)計的新方法， 利用統(tǒng)計詞匯之間的相似度來確定詞匯的情感極性傾向（7）。柳位平等用TF-IDF 算法構(gòu)造了一種中文情緒分析模型， 并用該模型對情感詞進行了權(quán)重計算和對基礎(chǔ)情感詞詞典的構(gòu)建過程進行深入研究，提高了文本情感分類的精度（8）。 基于建立情感詞典的方法是利用詞匯的情緒傾向性， 將語言知識與統(tǒng)計相結(jié)合， 對文本的情緒進行多維度的分析，在此基礎(chǔ)上，如果情緒詞語的覆蓋率和準確率較高，則可以更準確地進行情感分類。

2.基于機器學習的文本情感分析。 機器學習實際上是對研究數(shù)據(jù)進行學習， 使用機器學習算法對統(tǒng)計語言模型加以練習， 最后通過使用練習好的區(qū)分器對新文本情感類型進行識別。 1990 年，Hafner提出一種以規(guī)則為基礎(chǔ)的文本內(nèi)容解析方法（9）。Fersini 等(2014)在貝葉斯分類模型的基礎(chǔ)上，引入了一種綜合的文本情感分類算法， 并加入了一個貪心算法對分類器的準確性進行評價（10）。Xu 等為了解決情緒分類中數(shù)據(jù)不均衡問題， 提出一種以詞嵌入為基礎(chǔ)的采樣方法，以獲得有意義的均衡訓練數(shù)據(jù)（11）。Khan 等建立了一種基于多目標模型選擇（MOMS）的半監(jiān)督模型，并與SentiWordNet 相結(jié)合，采用支持向量機（SVM）進行文本特征加權(quán)，最后使用建立的半監(jiān)督模型提高情感分類效果（12）。 機器學習的重點是如何在描述層次上找到更好的情緒特性，并在相應的模型中合理地運用。 從上述研究結(jié)果可以看出，不同的機器學習方法在文本情感處理中得到了很好的應用，各研究學者通過大量的研究推動了文字情感處理技術(shù)的發(fā)展。

（三）指標體系

在上述學者研究的基礎(chǔ)上， 本文建立基于電商平臺的云南鮮花物流服務質(zhì)量評價指標體系（表1）。

表1 基于電商平臺的云南鮮花物流服務質(zhì)量評價指標體系

三、研究設(shè)計

（一）數(shù)據(jù)來源

京東、 淘寶等網(wǎng)站上有大量的鮮花電商企業(yè)入駐，這些鮮花企業(yè)在淘寶、京東上的網(wǎng)購評論非常豐富。因此本文選取產(chǎn)地、發(fā)貨地均為云南地區(qū)的線上鮮花花店， 運用八爪魚采集器對店鋪網(wǎng)購平臺在線評論進行爬取收集，總共獲取了26521 條評論。

（二）物流專業(yè)詞匯詞典與停用詞詞典的構(gòu)建

獲取評論文本數(shù)據(jù)之后首先需要對文本進行分詞處理， 分詞的目的是去除文本中的語氣助詞、標點符號、數(shù)字等無意義的文本數(shù)據(jù)。 同時，將一句話或者一個段落拆分成許多獨立個體的詞，方便數(shù)據(jù)進行聚類、提取關(guān)鍵詞等工作。 分詞需要構(gòu)建物流專業(yè)詞匯詞典和停用詞詞庫。 本文構(gòu)建的物流專業(yè)詞匯詞典來源于搜狗細胞詞庫的 “物流詞匯大全”以及國家行業(yè)標準《快遞服務第一部分：基本術(shù)語》，將二者從網(wǎng)絡(luò)下載后整合為一個文檔，作為分詞的物流專業(yè)詞典。 停用詞詞典依次下載哈工大停用詞表等表、詞庫并進行去重、整合，作為本文分詞使用的停用詞詞庫。

（三）數(shù)據(jù)的清洗

在評論數(shù)據(jù)分詞之前要先進行篩選， 排除無效評論和評論字數(shù)少于5 的評論。剔除評論中空白、字母、表情、不規(guī)范語氣詞以及不文明用語等無用文本數(shù)據(jù)，清洗后剩余的文本數(shù)據(jù)為23827 條。

（四）研究方法

首先通過八爪魚爬蟲軟件收集淘寶和京東平臺上發(fā)貨地、 產(chǎn)地均為云南的鮮花店鋪網(wǎng)絡(luò)在線評論數(shù)據(jù)， 采用數(shù)據(jù)處理與挖掘技術(shù)對物流關(guān)鍵詞進行提取， 并將之映射到本文所構(gòu)建的物流服務質(zhì)量指標體系中。其次，使用word2vec算法對每個指標對應的物流關(guān)鍵詞較少的部分進行擴展， 增加每個指標評論數(shù)據(jù)的豐富性， 然后對每個物流關(guān)鍵詞進行TF—IDF 值計算，以每個指標所對應的物流關(guān)鍵詞的TF—IDF 值的總和作為該指標權(quán)重值。最后，以每個物流關(guān)鍵詞為條件， 提取對應的網(wǎng)購評論， 利用snowNLP 進行句子級情感分析， 記錄每句句子的情感得分值。 本文最終從6 個方面結(jié)合不同維度下出現(xiàn)的問題1即可靠性、經(jīng)濟性、移情性、時間性、新鮮性、保證性六個維度。，提供針對性的管理措施和解決的辦法。

四、網(wǎng)購平臺云南鮮花在線評論數(shù)據(jù)情感分析

（一）高頻詞提取

本文采用python 軟件里的jieba 分詞模塊對清洗后的數(shù)據(jù)進行分詞并統(tǒng)計詞頻。首先編寫分詞代碼程序，依次將要處理的文件、物流專業(yè)詞匯詞典、停用詞詞典加載到代碼中。 運行代碼后得到分詞結(jié)果；然后編寫詞頻統(tǒng)計代碼，將分詞之后的文本文件加載到該代碼中， 得到詞頻統(tǒng)計結(jié)果。 本文選取詞頻最高的150 個詞進行下一步研究分析（見表2）。

表2 網(wǎng)購平臺云南鮮花評論高頻詞

（二）構(gòu)建物流關(guān)鍵詞庫

根據(jù)表2 統(tǒng)計出的高頻詞， 選取與“物流”“質(zhì)量”“快遞”“服務”“滿意度”相關(guān)的物流關(guān)鍵詞作為初始關(guān)鍵詞， 并將選取出來的關(guān)鍵詞與評價指標進行映射，得到表3。

表3 物流關(guān)鍵詞指標配對表

從表3 可以看出， 由于高頻詞只取了前150 個， 導致有的指標對應的關(guān)鍵詞較少。 為使指標數(shù)據(jù)更為完善，本文使用python語言編寫程序利用Word2vec 對較少指標的關(guān)鍵詞進行拓展。 再人工篩選出相應的物流關(guān)鍵詞，確保每個指標對應的關(guān)鍵詞不少于5 個，以方便進一步研究（見表4）。

表4 拓展后的物流關(guān)鍵詞指標配對表

（三）TF-IDF 特征詞權(quán)值計算

TF-IDF 作為一種統(tǒng)計算法， 常常用來評估在語料庫中某個詞對于某份文檔的重要性。 TF-IDF的基本概念是：在一篇文章中，一個詞的使用頻率較高，并且在其他文章中出現(xiàn)頻率較少，對該篇文章來說可以認為該詞有很強的辨別性，能被用來分類。本文用python 編程計算指標配對表里每個物流關(guān)鍵詞的TF—IDF 值，每個指標的權(quán)重值等于該指標對應的物流關(guān)鍵詞的TF—IDF 值總和（見表5）。權(quán)重值越高的指標，說明越受消費者重視。

表5 指標權(quán)重表

（四）基于snowNLP 的情感打分處理

以往學者采用構(gòu)建情感詞典的方法對網(wǎng)絡(luò)評論進行評分，這種方法陳舊、耗時，并且在構(gòu)建詞典和分配單詞的過程中比較隨機， 影響評分結(jié)果。snowNLP 內(nèi)置了一個功能強大的能對中文文本進行情感分析的模型，編寫好python 語言程序后，可直接調(diào)用對本文獲取的評論數(shù)據(jù)情感進行打分， 使用十分方便。 本文將運用以下步驟對snowNLP 鮮花商品評論情感打分的準確性進行檢驗：第一步，人工挑選出一百句正向鮮花網(wǎng)購評論和一百句負向鮮花網(wǎng)購評論，作為檢驗語料庫。第二步，編寫好代碼，將檢驗語料庫加載入代碼中進行情感打分。第三步，對打分結(jié)果進行記錄，人工判斷準確性（見表6）。

表6 情感得分檢驗表 （單位：%）

從表6 可以看出， 直接調(diào)用snowNLP 進行情感打分準確率不高， 因此， 必須先對snowNLP 進行優(yōu)化，才能進行下一步研究。 本文查閱了相關(guān)資料后作出以下更改：（1）把snowNLP 中分詞的handle 函數(shù)改為jieba 分詞的load_userdict 函數(shù)并設(shè)定常用詞庫，針對鮮花這一商品的屬性添加常用詞特別是否定詞，增加分詞對否定詞的識別率。 （2）重新爬取大量鮮花的評論數(shù)據(jù)，替換其原有語料庫，作為機器學習情感打分的依據(jù)， 本文共準備了35744 條好評評論和5356 條差評評論。 （3）由于語句中含有大量程度詞，比如：很、超級、非常等詞，去掉之后會改變原有語句的意思，因此停用。詞中只設(shè)置標點符號、數(shù)字和英文字母，最大限度地保證句子的完整性，提高機器判別準確率。 （4）編寫python 代碼使snowNLP 重新學習，并保存相應數(shù)據(jù)，下次使用時可直接調(diào)用。 在完成上述步驟后， 本文重新對情感打分準確性進行檢驗，檢驗語料庫不變（見表7）。

表7 優(yōu)化后的情感得分檢驗表 （單位：%）

從表7 可以看出， 判斷準確率已經(jīng)大大提升，正向評論準確率由原來的87%提升到現(xiàn)在的93%；負向評論準確率由原來的64%提升到現(xiàn)在的88%；總準確率由原來的75.55%提升到現(xiàn)在的90.5%。 優(yōu)化后的情感判斷結(jié)果較好，可以進行下一步的研究分析。

在完成關(guān)鍵詞庫構(gòu)建和snowNLP 情感打分優(yōu)化的基礎(chǔ)上，進行情感打分準確率檢驗：第一步，以各指標對應的關(guān)鍵詞為條件， 利用excle 軟件篩選出含有關(guān)鍵詞的在線評論，作為各指標的情感打分語料庫（見圖1）。 第二步，編寫好代碼，將各個指標對應的語料庫加載入代碼中進行情感打分。 第三步，對評價結(jié)果進行整理，情感得分大于0.5 的評論為好評，小于0.5 的為差評，得到各指標情感得分匯總表（見表8）。

圖1 篩選語料庫

表8 各指標情感得分匯總表 （單位：%）

其中各數(shù)據(jù)的計算公式為：

好評率：

其中：Praise_rate 為好評率，h 為好評數(shù)量，m 為評論總數(shù)量。

差評率：

其中：Poor_rating_rate 為差評率，l 為差評數(shù)量，m 為評論總數(shù)量。

總評價得分：

其中：Total_score 為各指標總評價得分，score為每個句子的得分，i 為單個句子的排列序號， n 為該指標對應的評論總數(shù)。

情感平均得分：

其中：Average_score 為各指標情感平均得分，Total_score 為各指標總評價得分，n 為該指標對應的評論總數(shù)。

（五）電商平臺云南鮮花服務質(zhì)量情感評價結(jié)果

將前文得出的數(shù)據(jù)進行匯總，得到指標權(quán)重與情感得分匯總表（見表9）。

在表9 中，各維度權(quán)重值的計算公式為：

其中：Total_weight 為各維度權(quán)重值，weigthi 為各指標權(quán)重值，i 為各指標的排列序號，k 為各維度對應的指標總數(shù)。

各維度情感綜合得分的計算公式為：

其中：Eve_score 為各維度情感綜合得分，Average_score 為各指標情感平均得分，i 為各指標的排列序號，k 為各維度對應的指標總數(shù)。

各維度情感平均得分的計算公式為：

其中：Average_scoreDimension為各維度平均情感得分，Eve_score 為各維度情感綜合得分， u 為各維度對應的指標總數(shù)。

從表9 中可以看出，6 個維度權(quán)重值從高到低依次為：可靠性（1.188647）、保證性（0.696026）、新鮮性 （0.273857）、 時間性 （0.240993）、 移情性（0.125802）、經(jīng)濟性（0.114361）。 從權(quán)重值來看，消費者對于網(wǎng)購云南鮮花的可靠性關(guān)注度最高；保證性其次；關(guān)注度最低的是經(jīng)濟性。

6 個維度的情感平均得分從高到低依次為：經(jīng)濟性（0.8540）、新鮮性（0.8459）、可靠性（0.8204）、時間性（0.8086）、移情性（0.7829）、保證性（0.6413）。從情感得分來看，消費者最滿意的是網(wǎng)購云南鮮花的經(jīng)濟性；其次是新鮮性；情感得分最低的是保證性（0.6413）。

五、研究總結(jié)

本文采用數(shù)據(jù)處理與挖掘技術(shù)進行句子級情感分析，從情感分析的最終結(jié)果來看，消費者對云南鮮花電商在工作人員的專業(yè)性、物流服務人員的態(tài)度、物流服務人員的操作規(guī)范性以及配送速度這4 個指標感到非常滿意， 情感評分均在0.89 以上。云南鮮花電商企業(yè)在這些方面要繼續(xù)保持，并在此基礎(chǔ)上突破，提供更好的服務。 與之相反，消費者對是否丟少件、個性化服務能力以及運輸速度這3 個指標表示較為不滿， 情感評分分別為0.2331、0.5596、0.6317。 從本文建立的16 個具體指標來看，有11 個指標的情感評分在0.8 分以上，這表示消費者對于云南鮮花電商企業(yè)物流服務質(zhì)量是較為滿意的，這對于成功打造云南鮮花品牌，提高消費者對云南鮮花的良好印象十分有幫助。