电商平台下丝绸制品质量评价体系研究

曾俊杰,李 琛,初雯雯,李睿思

(1.中国计量大学 质量与安全工程学院,浙江 杭州 310018;2.中国人民解放军陆军工程大学，指挥控制工程学院，江苏 南京 210007)

随着网络技术的飞速发展,电子商务平台成为了诸多消费者购物的首选途径。网络购物使顾客能够足不出户便能够购买到称心的产品。而在电商平台选择服饰时,往往只能通过卖家的产品介绍以及图片来判断,尤其是丝绸制品,网络购物时更无法通过触感、色泽等判断产品的好坏;同时,一旦产品标识中出现虚标、错标、假标等问题,消费者更是无法判断产品的质量安全。但是由于电商平台的价格低廉、物流便利等优势,仍有大批消费者选择通过电商平台来购买丝绸制品。电子商务产品监管部门也缺少对检测潜在的产品质量的方法,缺乏针对性的管控,存在抽检丝绸制品的成本高、效率低等问题。

随着电子商务的发展,电子商务和电商平台的多指标综合评价研究逐渐兴起。张洁等[1]总结了电子商务中用户体验的维度和指标,构建了用户体验评价模型。庄美男等[2]研究了信度和效度分析决定了电子商务服务质量评估体系的有效性。姜伟[3]从计量要素和指标要素两个方面对电子商务物流服务进行了评价,并提出了相应的对策和建议。

同时,也有关于电子商务平台产品质量和安全的研究。李继民[4]在电商平台上对随机购买的在售LED台灯的安全质量水平进行了测试,客观反映了该产品在电商平台上的质量安全状况。鲍学东等[5]分析了在电商平台上销售的食用菌产品的安全性,分析了食用菌从生产到消费可能存在的质量安全问题,并提出了相应的改进建议。郭洋等[6]人分析了中国销售农产品的电子商务平台的发展状况,强调了质量和安全的重要性。

本研究从电商平台中丝绸的质量安全因素出发,构建电商平台丝绸制品质量安全指标体系,构建电商平台丝绸制品质量安全指数模型;在天猫商城、京东、苏宁易购等多个电商平台中,进行样本指标数据采集,将采集到的数据进行归一化处理,并用主成分分析法、层次分析法等方法,进行指数体系中涉及到指标权重、赋值等进行设计计算,最终得到电商平台丝绸制品质量安全指数。本项目的实施,旨在为电子商务产品质量监管部门提供监管依据,为消费者在电商平台购买丝绸制品提供有效的指导。

1 评价模型指标体系的指标选取

指数评价模型的构建主要包括四个步骤:指标选择、优化指标、权重确定和模型构建。首先,我们需要完成指标的选择。

研究对象是电子商务平台在售的丝绸制品。以天猫、京东、苏宁等13个电商平台下的海量交易产品为研究对象,利用大数据抓取、网络舆情监测等方式获取相关数据,以及电商平台内产品的相关数据,并与问卷调查等方式得出的数据相结合,遵循科学性、目的性、系统性、一致性、全面性等原则,充分借鉴国内外的指标选取和模型构建经验,选取质量安全相关的指标,经过有机整合,确定初选的11个指标,构成电商平台丝绸制品质量安全指数评价模型原始指标体系,如表1:

表1 电商平台丝绸制品质量安全指数评价模型原始指标体系Table 1 Original index system for the evaluation model of the quality and safety index of silk products on e-commerce platforms

2 指标优化

2.1 样本数据来源

样本数据是从多个电子商务平台随机提取的。通过收集和记录与每组数据对应的数据,获得了40组初始样本数据。在初始样本数据中,删除了品牌重复数据、指数值差异大、缺乏部分信息,最终保留的30组构成样本数据。

根据各原始指标的具体内容,对电子商务平台销售的丝绸制品质量的影响程度不同,对材质、网络形象、安全检测、产品认证、监督抽查、执法查处等定性指标进行定量处理。例如:对于材质为蚕丝(真丝)、冰丝和聚酯纤维(涤纶)的丝绸制品,根据材质的安全性的不同来取值。网络形象依据《杭州主要丝绸品牌产品质量网络形象指数报告》中杭州主要丝绸品牌产品质量网络形象指数的评价结果,以50.00为形象指数基准分(即若一个品牌若无任何正面和负面信息,则其形象指数为50.00),确定收集的样本的相关数据,同时依据品牌的知名程度和消费者的购物体验对报告中未涉及的产品品牌进行取值。丝绸制品的安全检测指标根据是否进行过第三方检测来取值,若有则取值1,若无则取值0。丝绸制品的产品认证指标根据是否进行过产品认证来取值,若有则取值1,若无则取值0。

然而,在实际数据收集和处理过程中,发现30组样本数据中执法查处这一指标的字符数据均为“无”,对总体研究结果没有影响,因此在后续计算中对该指标对应的数据不进行处理。最后确定了由10项有效指标组成的原始指标,供后续研究。

2.2 指标优化原则

指标优化的目的是将10个原始指标分类为新的一级指标,按尺寸缩小提取原始指标,并将具有相同特征的指标分组作进一步研究。

主成分分析(PCA)是一种统计方法,它将多个指标问题转换为不太全面的指标,这可以使问题更简单、更直观,而且主要组件无关紧要,同时确保不会丢失有价值的信息[7]。新的变量最大数量等于原始变量减去一的数。新的变量彼此不相关[8]。由于对PCA中的可变分布没有假设,因此此方法可以处理任何分散的数据[9]。

使用PCA进行指标优化[10]包括:1)指标数据标准化;2)计算相关矩阵;3)计算相关矩阵的特征值和特征向量;4)计算方差贡献率和累计差异贡献率,以确定主要组成部分的数量;5)对主要组件进行全面评估,以确定主成分的名称和每个主成分所包含的成分[11]。

2.3 指标筛选

2.3.1 数据标准化

如果测试对象的最大值和最小值未知或数据不在数值范围内,则适用Z点标准化程序。由于某些测试对象数据的最大值和最小值未知,因此选用z-score标准化法,如式(1):

(1)

2.3.2 建立相关性矩阵

在得到原始数据后,需要对数据进行分析处理,确定评价指标的相关系数,建立相关性矩阵。两指标间的相关性和相关系数有关,相关系数的绝对值越接近于1,则相关性越高。如式(2):

xj)2/Sj]k,j=1,2,…,p。

(2)

R=(rkj)p*p,k=1,2,…,pj=1,2,…,p。

(3)

计算出的相关性矩阵如表2,通过两两相关性矩阵的汇总,从而形成关于相关性矩阵的综合性指标,有利于求出取证相关系数。相关性矩阵计算完成后,有助于进一步完成对特征值和特征向量的计算。

依据相关性矩阵可以得出:原始指标中的安全检测和产品认证两个指标非常相关,因此在后续指标体系的构建中保留其中一个指标即可;原始指标中的材质和含量两个指标非常相关,因此在后续指标体系的构建中保留其中一个指标即可。

表2 相关性矩阵

依据相关性矩阵得出的结果,剔除相关性较大的指标,以保证指标体系的科学性和全面性。

公因子方差表示累计贡献率的公因子,累计贡献率越高,说明提取的这几个公因子对于原始变量的代表性或者说解释率越高。各个提取的值都大于0.5,说明提取的主成分对于原始变量的解释程度比较高。如表3。

表3 公因子方差表

2.3.3 计算特征值

在求解出相关性矩阵后,通过计算特征方程|λI-R|=0,以及雅可比法(Jacobi)求出特征值λi,并将特征值进行排列:λ1≥λ2≥…≥λp≥0,特征值的计算结果如表4。

各选项的特征值的大小表现了其在研究对象中的影响因素的大小和额度,同理对特征向量进行同样的排序。研究表明,特征值越大表示该特征值所代表的选项对研究对象的影响也越大;反之则越小。

2.3.4 主成分贡献率及累积贡献率

特征值及特征向量的排序,一方面可以得到他们的重要程度,另外一方面,对应的成分贡献率需要通过计算累积特征值得出。主成分累计所包含原始变量信息量越大,则累计方差贡献率越大。计算主成分贡献率及累积贡献率如式(4)和(5),计算结果如表4。

表4 总方差解释表

贡献率:

(4)

累积贡献率:

(5)

其中λ1,λ2,…λk分别对应第1,第2,…,第k(k≤p)个主成分。

选取主成分的条件有两点:一是特征值大于1,二是累计贡献率达到85%以上。因此,根据这两个条件可以确定主成分Fi。其中,第4个和第5个主成分的特征值小于1,但是第4个成分的特征值为0.971,第5个成分的特征值为0.930,极其接近1,而且其贡献率达到了85%以上,因此为了提高样本的依存程度,仍然会选取第4和第5个成分作为主成分,即可保持原始数据的真实性及其带有的信息量的完整性。

最终提取的5个主成分,其方差贡献率分别是37.638%、21.692%、11.980%、9.711%、9.300%,特征值分别为3.764、2.169、1.198、0.971、0.930。

图1 碎石图

在进行分析时,获取了碎石图,通过观察碎石图上的曲线可判断出有5个主成分。因此参考上述碎石图,可判断选取5个主成分,与上述分析结果相同。

2.3.5 主成分载荷

主成分和原变量的关联程度通过主成分载荷来反映,载荷的绝对值越大,对于主成份的影响就越大。计算如式(6)。

(6)

为了使因子含义更为清晰明了,采用方差极大法进行因子旋转,输出主成分载荷矩阵,如表5。

根据表5可知,第1个主成分上“监督抽查”有较高载荷;在第2个主成分上“在售平台”、“价格”、“好评率”和“累计评价”有较高载荷;在第3个主成分上“安全检测”和“产品认证”有较高载荷;在第4个主成分上“网络形象”有较高载荷;在第5个主成分上“材质”和“含量”有较高载荷。

表5 主成分载荷表

2.4 指标体系构建

依据相关性矩阵得出的结论:安全检测和产品认证非常相关,因此保留其中一个指标即可;材质和含量非常相关,因此保留其中一个指标即可。对第3个主成分中的安全检测和产品认证进行筛选,最终选择保留主成分载荷较高的安全检测,剔除和安全检测非常相关的产品认证。对第5个主成分中的材质和含量进行筛选,最终选择保留主成分载荷较高的材质,剔除和材质非常相关的含量。

在对指标进行筛选后,需对五个主成分进行命名。筛选后的第1个主成分包括监督抽查,因此将第1个主成分命名为政府监管;筛选后的第2个主成分包括在售平台、价格、好评率和累计评价,因此将第2个主成分命名为电商平台信息;第3个主成分包括安全检测,因此将第3个主成分命名为检测认证;第4个主成分包括网络形象,因此将第4个主成分命名为网络舆情评价;第5个主成分包括丝绸材质,因此将第5个主成分命名为产品属性。最终构成指标体系,如表6。

表6 电商平台丝绸制品质量安全指数评价模型指标体系

3 指标权重的确定

3.1 层次分析法确定指标权重

3.1.1 构建判断矩阵并赋值;

AHP是一种综合利用的多准则决策(MCDM)策略[12-14]。采用层次分析法确定指标权重,每个准则在用于衡量目标的标准中所占的比重不必相同,在决策者引用数字1～9及其倒数作为标度来定义判断矩阵A=(aij)n×n,重要性标度值如表7。

表7 重要性标度含义表

构造一级指标两两比较的判断矩阵时,首先将5个一级指标分别记为A1(政府监管),A2(电商平台信息),A3(检测认证),A4(网络舆情评价),A5(产品属性)。根据上述原则与方法,进行两两比较并分别赋值。

按重要性标度含义表,对五个一级指标进行两两评判,得到判断矩阵A如公式(7)。将矩阵转换为表格,如表8。

(7)

表8 构造的判断矩阵A

3.1.2 数据归一化处理

依据式(8)对矩阵A中的每列数据进行归一化处理,得到的结果为一个新的矩阵,将新矩阵命名为矩阵B。可以看出,经归一化处理后的每列数据的和为1,如表9。

(8)

表9 归一化处理后的矩阵B

3.1.3 计算权重向量

对判断矩阵A经过归一化处理后得到矩阵B,对矩阵B中各列相加求和,得出特征向量,计算结果如表10[15]。通过式(9)对特征向量进行归一化处理,得到的结果为权重向量W。所求的权重向量分别对应5个一级指标的权重百分比,最终得出的指标权重如表11。

。(9)

3.2 判断矩阵的一致性检验

计算得出的权重可能存在有效性、可取性等问题,因此需要检验判断矩阵的一致性,从而保证所得指标权重是可接受的。具体计算步骤如下:

3.2.1 计算判断矩阵A的最大特征根

计算判断矩阵A的最大特征根时,首先需要依据式(10)计算各个指标的特征根λ,具体计算结果如表12。

表10 特征向量表

表11 归一化后的特征向量

表12 特征根表

(10)

判断矩阵A的最大特征根λmax取值为A1、A2、A3、A4、A5分别对应的五个特征根的平均数,即λmax=(5.297 847 199+5.223 671 378+5.184 376 643+5.064 132 720+5.029 629 235)/5=5.159 931 43。

3.2.2 计算一致性指标

根据式(11)计算一致性指标CI(Consistency Index):

(11)

其中n表示矩阵的阶数。即

CI=(5.159 931 43-5)/4=0.039 982 857 5。

3.2.3 查找平均随机一致性指标

查找平均随机一致性指标RI,具体见表13。

表13 平均随机一致性指标

依据表13,已知n=5,因此确定选平均随机一致性指标RI取1.12。

3.2.4 计算一致性比例

计算一致性比例(Consistency Ratio):

在得出一致性指标和平均随机一致性指标之后,需要依据式(12)计算一致性比例,即CR=0.0399828575/1.12=0.0356989799<0.1

(12)

当CR<0.1时,认为判断矩阵的一致性是可以接受的,否则应对判断矩阵作适当的修正。当判断矩阵通过一致性检验后,则计算出的结果可以作为指标元素的权值。

一致性比例CR<0.1,表示保持显著水平,对比矩阵是保持一致性的,因此可以确定5个一级指标的权重取值分别为A1政府监管47.91%、A2电商平台信息25.12%、A3检测认证13.43%、A4网络舆情评价4.55%、A5产品属性8.99%。

通过计算后的权重可以看出,政府监督抽查结果对于丝绸制品的质量安全具有“一票否决”权,其次产品本身的检测认证情况也是影响产品质量安全的重要因素;而电商平台中标注的产品属性的人为可控因素较多,需要更加深入细致的加以甄别,所以对产品质量安全的影响程度并不高。

4 评价模型的构建

多指标综合评价过程中,对多层次指标的权重综合运用一定的数学方法来分析,以此来反应评价单元之间的结构特征和逻辑关系。指标合成的方法多种多样,通过选取合适的方法来构建评价模型[16]。

针对电商平台丝绸制品安全指数评价模型指标间相互独立,标准化后指标值的数值间差别较小,指标间权重系数差别较大,符合加权线性和法相关特征。因此选用加权线性和法进行合成。

采用加权线性的评价模型构建电商平台丝绸制品质量安全指数(e-commerce platform silk product quality and safety index, ESQSI),指数由政府监管、电商平台信息、检测认证、网络舆情评价和产品属性5个一级分指标线性加权而成,如式(13):

(13)

其中,ESQSI代表电商平台丝绸制品质量安全指数,αi代表各个一级指标对应的分指标标准值,λi代表各个一级指标对应的分指标权重。

依据求出的各个一级指标的对应的权重,确定电商平台丝绸制品质量安全指数评价模型,最后得出的评价模型如式(14):

ESQSI=47.91%×α1+25.12%×α2+13.43%×

α3+4.55%×α4+8.99%×α5。

(14)

其中政府监管的分指标标准值α1、电商平台信息的分指标标准值α2、检测认证的分指标标准值α3、网络舆情评价的分指标标准值α4和产品属性的分指标标准值α5分别由其对应的二级指标线性加权而成。

通过上述方法确定二级指标权重,其中α2的二级指标权重如下:在售平台的权重为24.17%,累计评价的权重为22.60%,好评比例的权重为35.17%,标定价格的权重为18.06%,如式(15):

α2=24.17%×β1+22.60%×β2+35.17%×

β3+18.06%×β4。

(15)

其中β1为在售平台的分指标标准值,β2为累计评价的分指标标准值;β3为好评比例的分指标标准值,β4为标定价格的分指标标准值。

5 评价模型的应用

依据构建的电商平台丝绸制品质量安全指数评价模型,对选取的30组样本数据进行计算,并将评价分数按照从高到低的顺序进行排序,同时将评价得分进行正向处理,并转换为百分制得分,评价结果如表14。

表14 评价模型应用结果

据评价结果确定电子商务监管部门线上抽检的分类分级预警标准,将评价结果划分为执法区域、监测区域和培育区域,分类分级预警标准如表15。其中执法区域为监管部门下阶段重点抽检对象,监测区域为监管部门下阶段重点监管对象,培育区域为监管部门下阶段重点培养对象。同时发布电商平台丝绸制品质量安全评分排名,为监管部门提供产品抽检依据和指导,提高抽检效率,降低抽检成本。

表15 分类分级预警标准表

6 结 语

本研究从电商平台中丝绸的质量安全因素出发,设计电商平台丝绸制品质量安全指标体系,构建电商平台丝绸制品质量安全指数模型;在天猫商城、京东、苏宁易购等多个电商平台中,随机选取30家电商卖家作为数据样本进行指标数据采集,将采集到的数据进行归一化处理,并用主成分分析法构建指标体系,用层次分析法、德尔菲法进行指数体系中涉及到指标权重、赋值等进行设计计算,最终得到电商平台丝绸制品质量安全指数。

将电商平台丝绸制品质量安全指数评价模型引入电子商务产品的监管过程,依据评价结果确定丝绸制品分类分级预警标准,为监管部门提供抽检依据和指导;将评价模型进行试点应用,同时不断进行优化改进,最后利用行业优势,对研究成果加以应用推广。

本文的研究和实施,将明显提升电子商务产品监管部门的全局掌控能力,有效提高相关部门对潜在的产品质量安全危害的主动管理能力;为电商产品监管部门的管控工作提供针对性指导,预警未来的抽检重点,能够有效地节约抽检成本,提高抽检效率;为消费者提供一定消费参考,提高消费者的购物体验,实现消费者对电子商务产品质量安全的基本消费需求;使监管部门了解电子商务的发展状况,引导监管部门用科学的方法引领和管理电子商务产品市场;能够有效地督促生产企业提升产品的质量安全,增加竞争优势;为全面净化电子商务网络环境提供技术支持,具有较好的实际意义。