電子商務交易風險評估模型仿真分析

黃毅英　王永琦

摘 要： 針對傳統電子商務交易風險評估精度低的難題，為了獲得更加理想的電子商務交易風險評估結果，提出灰色關聯分析和相關向量機的電子商務交易風險評估模型。首先根據相關研究構建電子商務交易風險的評估指標，并采用灰色關聯分析選擇對評估結果最重要的評估指標；然后采用最小二乘支持向量機對電子商務交易風險評估樣本進行學習，構建電子商務交易風險的評估模型；最后對模型的有效性和優越性進行分析。結果表明，該模型提高了電子商務交易風險的評估精度，能夠為電子商務交易提供有價值的參考信息。

關鍵詞： 電子商務； 交易風險； 風險評估； 最小二乘支持向量機

中圖分類號： TN919?34； TP181 文獻標識碼： A 文章編號： 1004?373X（2017）03?0140?03

Simulation analysis of assessment model for e?commerce transaction exposure

HUANG Yiying1， 2， WANG Yongqi2

（1. Institute of Education， Southwest University， Chongqing 400715， China； 2. Guangxi Economic and Trade Vocational Institute， Nanning 530021， China）

Abstract： To improve the low assessment accuracy of the traditional e?commerce transaction exposure， and obtain more sa?tisfied assessment result of the e?commerce transaction exposure， an e?commerce transaction exposure assessment model based on the grey relational analysis and relevance vector machine is proposed. The assessment indicators of the e?commerce transaction exposure were constructed according to the relevant researches. The gray relational analysis is used to select the important assessment indicator for the assessment results. The least square support vector machine is used to learn the evaluation samples of the e?commerce transaction exposure to construct the assessment model of the e?commerce transaction exposure. The validity and superiority of the model are analyzed. The results show that the model can improve the assessment accuracy of the e?commerce transaction exposure， and provide the valuable reference information for the e?commerce transactions.

Keywords： e?commerce； transaction exposure； risk assessment； least square support vector machine

0 引 言

隨著網絡技術的不斷成熟，人們從網上進行電子交易的頻率越來越高，大大提高了電子商務的工作效率[1]。構建科學、合理的電子商務交易風險評估模型，對存在的風險進行準確估計，保證電子商務交易的安全性具有十分重要的意義[2?3]。

當前國內外存在許多電子商務交易風險評估模型，大致可以分為定性分析和定量分析兩類，定性分析主要有：粗糙集、模糊理論、專家評價法等[4?6]，需要對相應的問題有大量的先驗知識，此時，電子商務交易風險評估精度高，但許多電子商務交易沒有相關的先驗知識，導致電子商務交易評估的精度低，且定性分析評估結果具有一定的主觀性和盲目性，評估結果不太可信[7]。定量分析是基于現代統計學理論的電子商務交易風險評估技術，評估精度要優于定性分析，而且評估結果的可解釋性更好[8]。基于定量分析的電子商務交易風險評估過程能夠提高電子商務交易風險評估效率[9]；最小二乘支持向量機（LSSVM）解決了支持向量機學習速度慢，神經網絡易出現過擬合的缺陷，為電子商務交易風險評估提供了一種新的工具[10?11]。

為了獲得更加理想的電子商務交易風險評估結果，提出了灰色關聯分析（GRA）[12]和LSSVM的電子商務交易風險評估模型（GRA?LSSVM），結果表明，GRA?LSSVM可以獲得高精度的電子商務交易風險評估結果。

1 相關理論

1.1 灰色關聯分析

灰色關聯分析是一種基于灰色理論的數據分析方法，通過灰色關聯度來描述影響因素間的關系。設兩個影響因素為[Y0]和[Yi，]具體如下：

[Y0={y0（1），y0（2），…，y0（k），…，y0（n）}Yi={yi（1），yi（2），…，yi（k），…，yi（n）}] （1）

由于影響因素之間的量綱可能不一樣，需要對原始數據進行無量綱化處理，處理后可以得到：

[X0={x0（1），x0（2），…，x0（k），…，x0（n）}Xi={xi（1），xi（2），…，xi（k），…，xi（n）}] （2）

式中：[x0（k）=y0（k）t=1ny0（t）；xi（k）=yi（k）t=1nyi（t）]。

[xi]和[xk]第[k]點的關聯系數[ξ0，i（k）]為：

[ξ0，i（k）=miniminkx0（k）-xi（k）+ρmaximaxkx0（k）-xi（k）x0（k）-xi（k）+ρmaximaxkx0（k）-xi（k）] （3）

式中[ρ]表示分辨系數。

由于關聯系數[ξ0，i（k）]很多，通常將平均關聯系數作為關聯度，具體如下：

[ri=1nk=1nξ0，i（k） ] （4）

由于關聯系數的權重不同，加權后的關聯度為：

[ri=1nk=1nW（k）ξ0，i（k） ] （5）

式中[W（k）]表示關聯度的權重值。

1.2 LSSVM

針對支持向量機計算時間復雜度高的缺陷，LSSVM對其進行改進，訓練樣本集為[（xi，yi）]，LSSVM的決策函數為：

[f（x）=wTφ（x）+b] （6）

式中[w]和[b]為相關參數。

LSSVM基于結構風險最小化原則，使計算復雜度和分類誤差達到平衡，那么式（6）等價于：

[minw，b，eJ（w，e）=12WTW+γ2i=1ne2i s.t. yi=wTφ（x）+b+ei， i=1，2，…，l] （7）

式中：[γ]為LSSVM的正則化參數，決定了LSSVM的分類效果。

為了簡化式（7）的求解過程，引入Lagrange乘子[αi]得到對偶優化問題，Lagrange函數定義如下：

[L（w，b，e，α）=J（w，e）-i=1lαiwTφ（xi）+b+ei-yi] （8）

根據KKT條件，可以得到：

[0eT1e1Q+C-1Iba=0y] （9）

式中：[I]表示單位矩陣；[Qij=φ（xi）φ（xj）]，且有：

[y=（y1，y2，…，yl）Te1=（1，1，…，1）Ta=（a1，a2，…，al）T] （10）

開始LSSVM針對線性分類問題，對于非線性分類問題，采用核函數對其進行變換，基于RBF函數的LSSVM分類為：

[f（x）=sgni=1nαiexp-xi-xj22σ2+b ] （11）

式中[σ]為RBF參數。

LSSVM主要針對二個類別的分類問題求解，而電子商務交易風險的等級有多種，是一種典型的多分類問題，采用如圖1所示的方法構建電子商務交易風險分類器。

2 基于GRA?LSSVM的電子商務交易風險評

估模型

2.1 電子商務交易風險的數學模型

電子商務交易風險不僅受到外界因素影響，而且受到多種內部因素影響，這些影響因素均稱作為評估指標。設共有[m]個評估指標，即[x1，x2，…，xm，]每一個評估指標對電子商務交易風險結果的影響程度不同，指標之間相互作用和干擾，使得電子商務交易風險值與影響因素間呈現非線性變化關系，因此電子商務交易風險評估數學模型為：

[y=fx1，x2，…，xm] （12）

式中：[f（ ）]為電子商務交易風險值與影響因素間變化關系的擬合函數，本文采用LSSVM作為[f（ ）]。

2.2 評估指標的構造

在電子商務交易風險評估模型的建立過程中，評估指標即影響因素的選擇十分關鍵，由于影響因子眾多，把所有影響因素作為評估指標不太現實，根據獨立性原則、科學性原則、客觀性原則以及已有相關研究，建立了電子商務交易風險評估指標體系如圖2所示。

2.3 GRA?LSSVM工作框架

基于GRA?LSSVM的電子商務交易風險評估模型的工作步驟為：

（1） 根據相關研究構建電子商務交易風險的評估指標。

（2） 采用灰色關聯分析選擇最優評估指標，并確定每一個指標的權值。

（3） 去除一些不太重要的評估指標，減少建模的時間復雜度。

（4） 采用最小二乘支持向量機對電子商務交易風險評估樣本進行學習，構建電子商務交易風險的評估模型。

（5） 采用具體數據模型的有效性和優越性進行分析。

綜上可知，GRA?LSSVM的工作框架見圖3。

3 仿真測試

3.1 樣本數據

為了測試GRA?LSSVM的電子商務交易風險評估模型的有效性，選擇200個電子商務交易樣本，將電子商務交易風險劃分為：一般風險、較大風險、嚴重風險以及安全共4個級別，它們分別采用1～4表示，樣本數據具體如圖4所示，選擇120個樣本作為訓練集構建GRA?LSSVM電子商務交易風險評估模型，其他樣本作為測試集對GRA?LSSVM性能進行測試與分析，所有實驗均在Matlab 2014平臺上實現。

3.2 評估指標的選擇

為了準確確定每一個評估指標對電子商務交易風險評估的貢獻率，選擇灰色關聯分析法對全部評估指標進行處理，每一種評估指標的貢獻率見表1，根據每一種評估指標貢獻率即權值選擇了6個評估指標作為LSSVM的輸入向量，它們在表1中采用粗體表示，并且刪除其中一些不重要的評估指標。

3.3 結果與分析

根據GRA對訓練樣本和測試樣本的評估指標進行處理，得到處理后的訓練集和測試集，并建立GRA?LSSVM的評估模型，測試集的評估結果如圖5所示，GRA?LSSVM的電子商務風險評估精度相當高，評估結果合理，具有較高的可靠性。

3.4 與經典模型結果對比

選擇LSSVM、沒有采用GRA進行評估指標處理的模型（LSSVM）、GRA+SVM模型（GRA?SVM）、GRA+BP神經網絡（GRA?BPNN）進行對比實驗，結果見表2。

4 結 語

電子商務交易受到多種因素的綜合作用，因素之間互相干擾，使得風險變化十分復雜，具有強烈的非線性變化特點，為了準確描述電子商務交易風險的變化特點，提出基于GRA?LSSVM的電子商務交易風險評估模型，結果表明，GRA?LSSVM可以描述影響因素對風險的影響程度，減少了因素之間的干擾以及評估指標選取的數量，提高了電子商務交易風險評估的準確性，具有十分廣泛的應用前景。

參考文獻

[1] 嚴中華.企業電子商務戰略的風險與管理對策[J].物流科技，2003（17）：39?41.

[2] 衛志誠，邵堃，劉磊.一種結合客觀風險的電子商務交易評估模型[J].計算機工程，2012，38（11）：277?280.

[3] 黃崇本，龔松杰，陶劍文.一種基于XML組件的電子商務安全解決方案[J].中國仿真，2008，25（3）：281?284.

[4] 張文德，丁源.基于多屬性群決策的電子商務知識產權風險評估方法研究[J].情報科學，2014，32（1）：133?137.

[5] 傅少川，張文杰，馬軍.電子商務風險分析及定性評估方法研究[J].情報雜志，2005（5）：17?19.

[6] 崔曉慧，鄧榮.物流電子商務交易風險評估模型研究[J].物流技術，2013，32（9）：254?256.

[7] 尤學智，陳榮.電子商務網絡支付的發展研究[J].吉林大學學報（信息科學版），2010，26（6）：616?619.

[8] 張徐，高承實，戴青.P2P電子商務中一種基于交易標的額的信任評價模型[J].信息工程大學學報，2010，11（1）：93?98.

[9] 聶智軍，李儉.基于潛在因子挖掘的電子商務交易風險評估[J].科技通報，2013，29（8）：118?120.

[10] 文珠穆，盧正鼎，唐卓，等.P2P網絡環境中節點信息交換的信任機制研究[J].計算機工程與科學，2009，31（7）：5?9.

[11] 靳曉宏.電子商務信用評價模型的研究[M].北京：北京林業大學，2005.

[12] 蘇博，劉魯，楊方廷.基于灰色關聯分析的神經網絡模型[J].系統工程理論與實踐，2008，28（9）：98?104.