車貨匹配平臺信譽評價的多因素修正模型及有效性檢驗

呂 建，任鵬飛

（西南交通大學 交通運輸與物流學院，四川 成都 610000）

1 引言

在“互聯網+”的大背景下，各行各業飛速發展，在貨運行業也是如此。伴隨著“互聯網+貨運”的發展，車貨雙方從線下交易轉為線上交易，解決了信息不對稱問題，提高了車貨匹配效率，降低了貨車空駛率，提升了車貨雙方的用戶體驗，也降低了物流成本。

當交易從線下轉到線上，由于網絡交易雙方都有一定程度的虛擬性和匿名性的特點，使得交易雙方存在天然的不信任感，加之近幾年車貨匹配平臺上頻頻出現貨主發布“虛假信息”、壓低運價、拖欠運費、騙取信息費、車主攜貨跑路等惡劣問題，使得車貨雙方關系更加緊張。因此車貨匹配平臺建立完善的信譽評估機制具有重要的意義。

2 文獻回顧

目前，國內外學者提出了多種信譽評價模型。在物流信息平臺信譽評價的研究中，熊宜強[1]提出了物流公共信息平臺車貨匹配排序及誠信激勵機制研究，采用信號博弈模型對現有的物流公共信息平臺的會員等級劃分機制的有效性進行了分析，通過適當設立懲罰成本和期望風險成本，對非誠信行為進行約束；蘇小根[2]對物流信息平臺的信用技術保障體系進行研究，總結了物流平臺上發生的信用問題，對其進行了歸類并分析了信用問題對平臺運營產生的系統性影響，提出了以多媒體形式發布業務信息以降低虛假信息的數量，引入第三方支付來解決拖欠運費等信用問題，并分析確定了最佳第三方支付模式；因為網絡交易的虛擬性、復雜性等特點，所以如何判斷評價的可信度成為信譽評價研究的重要研究方向。Xiong 和Liu[3]在其信任模型中提出時間因素和交易金額作為信任計算的權重因子；王超等[4]在研究電子商務信譽評價模型時，提出使用時間窗口和交易窗口機制對參與計算的評價因素進行選擇；Hubermanba等[5]對信譽計算進行研究時，提出歷史評價對于信譽的影響隨時間而變化；紀淑嫻等[6]研究了如何降低時間對信用評價的影響。李聰等[7]在建立信譽評價模型時考慮了欺詐懲罰維度對信譽評價的影響。李文等[8]在研究電子商務信譽評價時，運用“差評敏感”處理運算保證了模型的敏感性和實用性。

本文以目前主要車貨匹配APP的信譽評價系統為研究對象，借鑒前人研究成果并加以創新，主要工作如下：

（1）分析車貨匹配平臺信譽評價機制現狀，構建新的信譽評價機制，總結影響車貨雙方信譽評價的因素并運用AHP建立信譽評價模型。

（2）根據影響信譽評價的主要因素引入模型修正因子，引入運滿滿平臺的用戶評價數據并對引入數據進行合理轉換，最后將轉換后的數據帶入修正模型檢驗其有效性。

3 車貨匹配平臺信譽評價機制現狀分析

目前國內車貨匹配平臺如雨后春筍，但是具有較為完善的車貨雙邊信譽評價機制的平臺卻不多。我國目前主流車貨匹配平臺及其用戶信譽狀況評價指標見表1。

表1 我國主流車貨匹配平臺與用戶信譽狀況評價指標

各平臺信譽評價體系分析如下：

（1）運滿滿。交易結束后，交易雙方可給出好評、中評、差評三種評價，可給對方添加標簽（如付款及時、價格公道等），也可發布自定義評語。平臺用戶主頁會顯示歷史好評總數、中評總數、差評總數、好評率、各標簽數量。

（2）貨拉拉。因為貨拉拉是同城貨運叫車平臺，類似于“滴滴打車”的模式，所以平臺僅對司機進行信譽評價。對司機的評價分為四點：行為分、拒單率、準點率、評分。行為分是貨拉拉平臺為了規范司機行為而推出的一種評價指標，行為分滿分為12分，它不會對服務好的司機產生任何的接單影響，只會針對一些非常惡劣的違規行為進行扣分，同時對司機做出一定的懲罰。比如刷評分（扣3分，封號兩天）跳單（扣6 分，封號2 天）、違規加價（扣3 分，封號一天）等。行為分除了扣分，還會根據系統提醒完成相應任務來進行加分，比如面包車完成200 單，貨車完成150單就能恢復到12分。拒單率和準點率由系統根據司機以往的交易記錄自動給出，評分則是所有交易評分的均值。

（3）快狗打車（原58 速運）。其對司機的評價分為四個維度：月完成率、周好評率、評分、司機等級（銅牌司機、金牌司機、優質金牌司機三等）。月完成率和周好評率為系統自動給出，評分則是所有交易評分的均值，司機等級可以用積分換取，每完成一單可以賺取一定的積分，搶單率越高、每單評分越高，交易結束后所得積分越高。司機等級越高，所得特權越多，而差評可能會使司機被平臺封禁。

（4）路鯨。對司機的評價分為兩個維度：評分、司機等級（普通、高級、超級、VIP）。評分是所有交易評分的均值，司機等級根據司機經驗值確定，經驗值越高司機等級越高，經驗值可以根據完成系統所給任務獲得。

由以上分析可知，目前車貨匹配平臺的信譽評價機制過于簡單，很難對當前的影響車貨雙邊信譽問題的主要因素做出有效評價。

4 構建信譽評價模型

4.1 影響車貨雙方信譽的主要因素總結

目前國內外學者對物流平臺運營模式及車貨雙邊匹配的方法進行了大量的研究，但是關于物流平臺上車貨雙邊信譽評價的研究卻少之又少。

本文在借鑒前人優秀成果的基礎上，總結各大網站、論壇上出現的關于車貨雙方的信譽問題，同時對車貨匹配平臺雙邊信譽狀況進行了實地調研，總結出影響貨主信譽的主要因素為拖欠運費、貨物描述不符、發布虛假貨源信息、“放空”。影響車主信譽的主要因素為貨車描述與實際不符、服務態度差、沒有按時送達、貨物損壞。

4.2 構建雙邊信譽評價機制

鑒于現存的車貨匹配平臺信譽評分機制過于簡單，很難反映平臺用戶的真實信譽值，而淘寶網的買家和賣家的信譽評價體系趨于成熟，所以借鑒淘寶網的5級評分機制。在平臺上每單交易結束后，車主可從運費支付、貨物描述、貨源信息真實性、沒有“放空”這四個方面對貨主進行評價，貨主可從貨車描述真實性、服務態度、準時性、貨物安全這四個方面對車主進行評價。評價等級劃分及其表示含義見表2。

表2 雙邊信譽評價等級劃分與含義

在平臺貨主的個人信譽頁面可以看到運費支付綜合得分、貨物描述綜合得分、貨源信息真實性綜合得分、沒有“放空”綜合得分、綜合信譽值5項指標；在平臺車主的個人信譽頁面可以看到貨車描述真實性綜合得分、綜合服務態度綜合得分、準時性綜合得分、貨物安全綜合得分、綜合信譽值5項指標。

4.3 建立評價指標體系

本文利用層次分析法構建貨主和車主的信譽評價指標體系，綜合問卷調查結果，計算各指標的權重，從而將定性問題轉化成定量問題。

基于上述分析，建立車貨匹配平臺雙邊信譽評價指標體系，見表3。

表3 車貨匹配平臺雙邊信譽評價指標體系

4.4 構建車貨匹配平臺雙邊信譽評價模型

4.4.1 建立評估對象因素集。設貨主綜合信譽值的因素集U=(u1,u2,u3,u4)，其中u1為運費支付，u2為貨物描述，u3為貨源信息真實性，u4為沒有“放空”；車主綜合信譽值的因素集F=(f1,f2,f3,f4)，其中f1為貨車描述真實性，f2為服務態度，f3為準時性，f4為貨物安全。

4.4.2 確定指標權重。設因素集U中元素的權重集因素集F中元素的權重集

依據指標體系建立調查問卷，并向多位業內專家發放，回收問卷后確定各指標的評分，利用軟件計算各指標權重。判斷矩陣和各指標權重見表4、表5。

表4 貨主因素集判斷矩陣與指標權重

表5 車主因素集判斷矩陣與指標權重

4.4.3 平臺用戶各信譽評估指標綜合得分計算。設因素集U=(u1,u2,u3,u4) 中各因素的綜合得分集因素集F=(f1,f2,f3,f4)中各因素的綜合得分集貨主綜合信譽值為X1，車主綜合信譽值為X2。

式（1）中Li(j)為因素在第j次評價中的得分,n為總評價次數；式（2）中Mi(j)為因素在第j次評價中的得分,n為總評價次數。

5 影響評價指標綜合得分準確度的主要因素分析及模型修正

5.1 影響評價指標綜合得分準確度的主要因素

在實際的信譽評價中，影響評價指標綜合得分準確度的因素有很多，鑒于所研讀文獻和調研結果，本文把影響評價指標綜合得分準確度的主要影響因素分為三點。

5.1.1 時間因素。本文已給模型沒有考慮評價時間對信譽評價的影響，導致信譽評價模型很難準確給出用戶近期的信譽狀況，所以給每次評價加入時間因子來修正模型，且需要滿足隨著評價日期與當前日期相隔越久時間因子就越小。

設gt為每次評價的時間因子，180天內的評價不受時間影響。

式中，tp表示當前日期；tj表示第j次評價時的日期。

5.1.2 評價方自身信譽值。因為高信譽值的用戶其本身具有較為良好的信用狀況，所以這類用戶給出的評分也更具有可信度，為了減弱惡意差評對信譽評價模型的影響，對模型引入用戶自身信譽值因子，且需要滿足當評價方的信譽值越高時，其評價對被評價方信譽值的正向性影響越大。

設用戶自身信譽值因子為gt。

式中Xj表示第j次評價時評價方的信譽值表示第j次評價時被評價方的信譽值

5.1.3 交易真實性。因為目前主流車貨匹配平臺并沒有對車貨雙方交易的真實性進行監管，所以很容易讓“詐騙團伙”通過“偽交易”刷高所使用賬號的信譽值，取得平臺其他用戶的信任，從而對其進行欺詐行為。為了防止這種情況的發生，本文建議對于相同交易雙方在一定的時間內的評分只取一次加入綜合信譽值的計算，僅僅保留其他評價的自定義評語。

5.2 加入修正因子后車貨雙邊綜合信譽值計算

n'為180天內評價次數。

6 模型有效性檢驗

以運滿滿為例，本文從運滿滿上抽取兩名交易數量和好評率大致相當的貨主，采集其歷史被評價數據，見表6。

截止到2018.09.25，貨主1的好評率為90%，好評37個，差評3個，中評1個；貨主2的好評率為89%，好評34個，差評3個，中評1個，那么貨主1的信譽狀況是否真的比貨主2略高呢？

因為運滿滿評價系統為三級評分模式，貨主1和貨主2的數據無法直接帶入本文的信譽評價模型，所以本文對車主評價數據進行如下轉換：

Ei(z)為轉換后的車主z對貨主i的評分。

對車主給出評價時的好評率進行如下轉換：

式中，Kp(z)為車主z給出評價時自身好評率，Hi為貨主i轉化后的綜合信譽值，“5”指五級評分中的5分。

為得到貨主1和2的實時信譽值，本文做出如下假設：

式中，q為車主z對貨主評價時貨主的被評價總次數；q'為好評總次數；L為貨主的實時信譽值。

車主給出評價后貨主信譽值則是歷史評分的均值，轉化后的數據見表7。

由數據分析可知，貨主1 的信譽狀況較為穩定，且該貨主進入平臺不足180天；貨主2進入平臺近兩年時間，初入平臺時信譽值較差，但隨著發貨量越來越多，其好評率也越來越高，且近16 次評價全為好評，證明貨主2 在不斷提升自己各方面的服務質量，因此貨主2近期的信譽值應高于貨主1。

表6 車主歷史被評價數據

表7 轉化后數據

將轉換后的數據帶入本文模型得貨主1的綜合信譽值為4.2，貨主2的綜合信譽值為4.3，貨主2的綜合信譽值高于貨主1，這與平臺的計算結果相反，卻與我們上述分析一致。計算結果表明，修正后的模型能夠更加準確地計算平臺用戶的信譽值，更好地體現平臺用戶的近期信譽狀況。

7 結語

本文總結和分析了目前主流的車貨匹配平臺的信譽評價機制。針對其缺陷，本文提出的車貨匹配平臺五級信譽評價機制，能夠將平臺用戶的信譽狀況分成四個板塊，在用戶選擇交易方時能夠根據自己偏好的信譽板塊來決定。為模型加入修正因子后，削弱了“陳舊”評價對用戶信譽狀況的影響，使模型更好的體現用戶近期的信譽狀況。

因為本文所需數據很難提取，所以對引入的運滿滿用戶信譽評價數據進行合理轉換，使數據能夠代入修正后模型，實驗結果表明本文模型能夠更加準確的體現平臺用戶的信譽狀況，能更好的適用于車貨匹配平臺。