电子商务交易风险评估模型仿真分析
黄毅英 王永琦
摘 要： 针对传统电子商务交易风险评估精度低的难题，为了获得更加理想的电子商务交易风险评估结果，提出灰色关联分析和相关向量机的电子商务交易风险评估模型。首先根据相关研究构建电子商务交易风险的评估指标，并采用灰色关联分析选择对评估结果最重要的评估指标；然后采用最小二乘支持向量机对电子商务交易风险评估样本进行学习，构建电子商务交易风险的评估模型；最后对模型的有效性和优越性进行分析。结果表明，该模型提高了电子商务交易风险的评估精度，能够为电子商务交易提供有价值的参考信息。
关键词： 电子商务； 交易风险； 风险评估； 最小二乘支持向量机
中图分类号： TN919?34； TP181 文献标识码： A 文章编号： 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
随着网络技术的不断成熟，人们从网上进行电子交易的频率越来越高，大大提高了电子商务的工作效率[1]。构建科学、合理的电子商务交易风险评估模型，对存在的风险进行准确估计，保证电子商务交易的安全性具有十分重要的意义[2?3]。
当前国内外存在许多电子商务交易风险评估模型，大致可以分为定性分析和定量分析两类，定性分析主要有：粗糙集、模糊理论、专家评价法等[4?6]，需要对相应的问题有大量的先验知识，此时，电子商务交易风险评估精度高，但许多电子商务交易没有相关的先验知识，导致电子商务交易评估的精度低，且定性分析评估结果具有一定的主观性和盲目性，评估结果不太可信[7]。定量分析是基于现代统计学理论的电子商务交易风险评估技术，评估精度要优于定性分析，而且评估结果的可解释性更好[8]。基于定量分析的电子商务交易风险评估过程能够提高电子商务交易风险评估效率[9]；最小二乘支持向量机（LSSVM）解决了支持向量机学习速度慢，神经网络易出现过拟合的缺陷，为电子商务交易风险评估提供了一种新的工具[10?11]。
为了获得更加理想的电子商务交易风险评估结果，提出了灰色关联分析（GRA）[12]和LSSVM的电子商务交易风险评估模型（GRA?LSSVM），结果表明，GRA?LSSVM可以获得高精度的电子商务交易风险评估结果。
1 相关理论
1.1 灰色关联分析
灰色关联分析是一种基于灰色理论的数据分析方法，通过灰色关联度来描述影响因素间的关系。设两个影响因素为[Y0]和[Yi，]具体如下：
[Y0={y0（1），y0（2），…，y0（k），…，y0（n）}Yi={yi（1），yi（2），…，yi（k），…，yi（n）}] （1）
由于影响因素之間的量纲可能不一样，需要对原始数据进行无量纲化处理，处理后可以得到：
[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]点的关联系数[ξ0，i（k）]为：
[ξ0，i（k）=miniminkx0（k）-xi（k）+ρmaximaxkx0（k）-xi（k）x0（k）-xi（k）+ρmaximaxkx0（k）-xi（k）] （3）
式中[ρ]表示分辨系数。
由于关联系数[ξ0，i（k）]很多，通常将平均关联系数作为关联度，具体如下：
[ri=1nk=1nξ0，i（k） ] （4）
由于关联系数的权重不同，加权后的关联度为：
[ri=1nk=1nW（k）ξ0，i（k） ] （5）
式中[W（k）]表示关联度的权重值。
1.2 LSSVM
针对支持向量机计算时间复杂度高的缺陷，LSSVM对其进行改进，训练样本集为[（xi，yi）]，LSSVM的决策函数为：
[f（x）=wTφ（x）+b] （6）
式中[w]和[b]为相关参数。
LSSVM基于结构风险最小化原则，使计算复杂度和分类误差达到平衡，那么式（6）等价于：
[minw，b，eJ（w，e）=12WTW+γ2i=1ne2i s.t. yi=wTφ（x）+b+ei， i=1，2，…，l] （7）
式中：[γ]为LSSVM的正则化参数，决定了LSSVM的分类效果。
为了简化式（7）的求解过程，引入Lagrange乘子[αi]得到对偶优化问题，Lagrange函数定义如下：
[L（w，b，e，α）=J（w，e）-i=1lαiwTφ（xi）+b+ei-yi] （8）
根据KKT条件，可以得到：
[0eT1e1Q+C-1Iba=0y] （9）
式中：[I]表示单位矩阵；[Qij=φ（xi）φ（xj）]，且有：
[y=（y1，y2，…，yl）Te1=（1，1，…，1）Ta=（a1，a2，…，al）T] （10）
开始LSSVM针对线性分类问题，对于非线性分类问题，采用核函数对其进行变换，基于RBF函数的LSSVM分类为：
[f（x）=sgni=1nαiexp-xi-xj22σ2+b ] （11）
式中[σ]为RBF参数。
LSSVM主要针对二个类别的分类问题求解，而电子商务交易风险的等级有多种，是一种典型的多分类问题，采用如图1所示的方法构建电子商务交易风险分类器。
2 基于GRA?LSSVM的电子商务交易风险评
估模型
2.1 电子商务交易风险的数学模型
电子商务交易风险不仅受到外界因素影响，而且受到多种内部因素影响，这些影响因素均称作为评估指标。设共有[m]个评估指标，即[x1，x2，…，xm，]每一个评估指标对电子商务交易风险结果的影响程度不同，指标之间相互作用和干扰，使得电子商务交易风险值与影响因素间呈现非线性变化关系，因此电子商务交易风险评估数学模型为：
[y=fx1，x2，…，xm] （12）
式中：[f（ ）]为电子商务交易风险值与影响因素间变化关系的拟合函数，本文采用LSSVM作为[f（ ）]。
2.2 评估指标的构造
在电子商务交易风险评估模型的建立过程中，评估指标即影响因素的选择十分关键，由于影响因子众多，把所有影响因素作为评估指标不太现实，根据独立性原则、科学性原则、客观性原则以及已有相关研究，建立了电子商务交易风险评估指标体系如图2所示。
2.3 GRA?LSSVM工作框架
基于GRA?LSSVM的电子商务交易风险评估模型的工作步骤为：
（1） 根据相关研究构建电子商务交易风险的评估指标。
（2） 采用灰色关联分析选择最优评估指标，并确定每一个指标的权值。
（3） 去除一些不太重要的评估指标，减少建模的时间复杂度。
（4） 采用最小二乘支持向量机对电子商务交易风险评估样本进行学习，构建电子商务交易风险的评估模型。
（5） 采用具体数据模型的有效性和优越性进行分析。
综上可知，GRA?LSSVM的工作框架见图3。
3 仿真测试
3.1 样本数据
为了测试GRA?LSSVM的电子商务交易风险评估模型的有效性，选择200个电子商务交易样本，将电子商务交易风险划分为：一般风险、较大风险、严重风险以及安全共4个级别，它们分别采用1～4表示，样本数据具体如图4所示，选择120个样本作为训练集构建GRA?LSSVM电子商务交易风险评估模型，其他样本作为测试集对GRA?LSSVM性能进行测试与分析，所有实验均在Matlab 2014平台上实现。
3.2 评估指标的选择
为了准确确定每一个评估指标对电子商务交易风险评估的贡献率，选择灰色关联分析法对全部评估指标进行处理，每一种评估指标的贡献率见表1，根据每一种评估指标贡献率即权值选择了6个评估指标作为LSSVM的输入向量，它们在表1中采用粗体表示，并且删除其中一些不重要的评估指标。
3.3 结果与分析
根据GRA对训练样本和测试样本的评估指标进行处理，得到处理后的训练集和测试集，并建立GRA?LSSVM的评估模型，测试集的评估结果如图5所示，GRA?LSSVM的电子商务风险评估精度相当高，评估结果合理，具有较高的可靠性。
3.4 與经典模型结果对比
选择LSSVM、没有采用GRA进行评估指标处理的模型（LSSVM）、GRA+SVM模型（GRA?SVM）、GRA+BP神经网络（GRA?BPNN）进行对比实验，结果见表2。
4 结 语
电子商务交易受到多种因素的综合作用，因素之间互相干扰，使得风险变化十分复杂，具有强烈的非线性变化特点，为了准确描述电子商务交易风险的变化特点，提出基于GRA?LSSVM的电子商务交易风险评估模型，结果表明，GRA?LSSVM可以描述影响因素对风险的影响程度，减少了因素之间的干扰以及评估指标选取的数量，提高了电子商务交易风险评估的准确性，具有十分广泛的应用前景。
参考文献
[1] 严中华.企业电子商务战略的风险与管理对策[J].物流科技，2003（17）：39?41.
[2] 卫志诚，邵堃，刘磊.一种结合客观风险的电子商务交易评估模型[J].计算机工程，2012，38（11）：277?280.
[3] 黄崇本，龚松杰，陶剑文.一种基于XML组件的电子商务安全解决方案[J].中国仿真，2008，25（3）：281?284.
[4] 张文德，丁源.基于多属性群决策的电子商务知识产权风险评估方法研究[J].情报科学，2014，32（1）：133?137.
[5] 傅少川，张文杰，马军.电子商务风险分析及定性评估方法研究[J].情报杂志，2005（5）：17?19.
[6] 崔晓慧，邓荣.物流电子商务交易风险评估模型研究[J].物流技术，2013，32（9）：254?256.
[7] 尤学智，陈荣.电子商务网络支付的发展研究[J].吉林大学学报（信息科学版），2010，26（6）：616?619.
[8] 张徐，高承实，戴青.p2p电子商务中一种基于交易标的额的信任评价模型[J].信息工程大学学报，2010，11（1）：93?98.
[9] 聂智军，李俭.基于潜在因子挖掘的电子商务交易风险评估[J].科技通报，2013，29（8）：118?120.
[10] 文珠穆，卢正鼎，唐卓，等.P2P网络环境中节点信息交换的信任机制研究[J].计算机工程与科学，2009，31（7）：5?9.
[11] 靳晓宏.电子商务信用评价模型的研究[M].北京：北京林业大学，2005.
[12] 苏博，刘鲁，杨方廷.基于灰色关联分析的神经网络模型[J].系统工程理论与实践，2008，28（9）：98?104.
摘 要： 针对传统电子商务交易风险评估精度低的难题，为了获得更加理想的电子商务交易风险评估结果，提出灰色关联分析和相关向量机的电子商务交易风险评估模型。首先根据相关研究构建电子商务交易风险的评估指标，并采用灰色关联分析选择对评估结果最重要的评估指标；然后采用最小二乘支持向量机对电子商务交易风险评估样本进行学习，构建电子商务交易风险的评估模型；最后对模型的有效性和优越性进行分析。结果表明，该模型提高了电子商务交易风险的评估精度，能够为电子商务交易提供有价值的参考信息。
关键词： 电子商务； 交易风险； 风险评估； 最小二乘支持向量机
中图分类号： TN919?34； TP181 文献标识码： A 文章编号： 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
随着网络技术的不断成熟，人们从网上进行电子交易的频率越来越高，大大提高了电子商务的工作效率[1]。构建科学、合理的电子商务交易风险评估模型，对存在的风险进行准确估计，保证电子商务交易的安全性具有十分重要的意义[2?3]。
当前国内外存在许多电子商务交易风险评估模型，大致可以分为定性分析和定量分析两类，定性分析主要有：粗糙集、模糊理论、专家评价法等[4?6]，需要对相应的问题有大量的先验知识，此时，电子商务交易风险评估精度高，但许多电子商务交易没有相关的先验知识，导致电子商务交易评估的精度低，且定性分析评估结果具有一定的主观性和盲目性，评估结果不太可信[7]。定量分析是基于现代统计学理论的电子商务交易风险评估技术，评估精度要优于定性分析，而且评估结果的可解释性更好[8]。基于定量分析的电子商务交易风险评估过程能够提高电子商务交易风险评估效率[9]；最小二乘支持向量机（LSSVM）解决了支持向量机学习速度慢，神经网络易出现过拟合的缺陷，为电子商务交易风险评估提供了一种新的工具[10?11]。
为了获得更加理想的电子商务交易风险评估结果，提出了灰色关联分析（GRA）[12]和LSSVM的电子商务交易风险评估模型（GRA?LSSVM），结果表明，GRA?LSSVM可以获得高精度的电子商务交易风险评估结果。
1 相关理论
1.1 灰色关联分析
灰色关联分析是一种基于灰色理论的数据分析方法，通过灰色关联度来描述影响因素间的关系。设两个影响因素为[Y0]和[Yi，]具体如下：
[Y0={y0（1），y0（2），…，y0（k），…，y0（n）}Yi={yi（1），yi（2），…，yi（k），…，yi（n）}] （1）
由于影响因素之間的量纲可能不一样，需要对原始数据进行无量纲化处理，处理后可以得到：
[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]点的关联系数[ξ0，i（k）]为：
[ξ0，i（k）=miniminkx0（k）-xi（k）+ρmaximaxkx0（k）-xi（k）x0（k）-xi（k）+ρmaximaxkx0（k）-xi（k）] （3）
式中[ρ]表示分辨系数。
由于关联系数[ξ0，i（k）]很多，通常将平均关联系数作为关联度，具体如下：
[ri=1nk=1nξ0，i（k） ] （4）
由于关联系数的权重不同，加权后的关联度为：
[ri=1nk=1nW（k）ξ0，i（k） ] （5）
式中[W（k）]表示关联度的权重值。
1.2 LSSVM
针对支持向量机计算时间复杂度高的缺陷，LSSVM对其进行改进，训练样本集为[（xi，yi）]，LSSVM的决策函数为：
[f（x）=wTφ（x）+b] （6）
式中[w]和[b]为相关参数。
LSSVM基于结构风险最小化原则，使计算复杂度和分类误差达到平衡，那么式（6）等价于：
[minw，b，eJ（w，e）=12WTW+γ2i=1ne2i s.t. yi=wTφ（x）+b+ei， i=1，2，…，l] （7）
式中：[γ]为LSSVM的正则化参数，决定了LSSVM的分类效果。
为了简化式（7）的求解过程，引入Lagrange乘子[αi]得到对偶优化问题，Lagrange函数定义如下：
[L（w，b，e，α）=J（w，e）-i=1lαiwTφ（xi）+b+ei-yi] （8）
根据KKT条件，可以得到：
[0eT1e1Q+C-1Iba=0y] （9）
式中：[I]表示单位矩阵；[Qij=φ（xi）φ（xj）]，且有：
[y=（y1，y2，…，yl）Te1=（1，1，…，1）Ta=（a1，a2，…，al）T] （10）
开始LSSVM针对线性分类问题，对于非线性分类问题，采用核函数对其进行变换，基于RBF函数的LSSVM分类为：
[f（x）=sgni=1nαiexp-xi-xj22σ2+b ] （11）
式中[σ]为RBF参数。
LSSVM主要针对二个类别的分类问题求解，而电子商务交易风险的等级有多种，是一种典型的多分类问题，采用如图1所示的方法构建电子商务交易风险分类器。
2 基于GRA?LSSVM的电子商务交易风险评
估模型
2.1 电子商务交易风险的数学模型
电子商务交易风险不仅受到外界因素影响，而且受到多种内部因素影响，这些影响因素均称作为评估指标。设共有[m]个评估指标，即[x1，x2，…，xm，]每一个评估指标对电子商务交易风险结果的影响程度不同，指标之间相互作用和干扰，使得电子商务交易风险值与影响因素间呈现非线性变化关系，因此电子商务交易风险评估数学模型为：
[y=fx1，x2，…，xm] （12）
式中：[f（ ）]为电子商务交易风险值与影响因素间变化关系的拟合函数，本文采用LSSVM作为[f（ ）]。
2.2 评估指标的构造
在电子商务交易风险评估模型的建立过程中，评估指标即影响因素的选择十分关键，由于影响因子众多，把所有影响因素作为评估指标不太现实，根据独立性原则、科学性原则、客观性原则以及已有相关研究，建立了电子商务交易风险评估指标体系如图2所示。
2.3 GRA?LSSVM工作框架
基于GRA?LSSVM的电子商务交易风险评估模型的工作步骤为：
（1） 根据相关研究构建电子商务交易风险的评估指标。
（2） 采用灰色关联分析选择最优评估指标，并确定每一个指标的权值。
（3） 去除一些不太重要的评估指标，减少建模的时间复杂度。
（4） 采用最小二乘支持向量机对电子商务交易风险评估样本进行学习，构建电子商务交易风险的评估模型。
（5） 采用具体数据模型的有效性和优越性进行分析。
综上可知，GRA?LSSVM的工作框架见图3。
3 仿真测试
3.1 样本数据
为了测试GRA?LSSVM的电子商务交易风险评估模型的有效性，选择200个电子商务交易样本，将电子商务交易风险划分为：一般风险、较大风险、严重风险以及安全共4个级别，它们分别采用1～4表示，样本数据具体如图4所示，选择120个样本作为训练集构建GRA?LSSVM电子商务交易风险评估模型，其他样本作为测试集对GRA?LSSVM性能进行测试与分析，所有实验均在Matlab 2014平台上实现。
3.2 评估指标的选择
为了准确确定每一个评估指标对电子商务交易风险评估的贡献率，选择灰色关联分析法对全部评估指标进行处理，每一种评估指标的贡献率见表1，根据每一种评估指标贡献率即权值选择了6个评估指标作为LSSVM的输入向量，它们在表1中采用粗体表示，并且删除其中一些不重要的评估指标。
3.3 结果与分析
根据GRA对训练样本和测试样本的评估指标进行处理，得到处理后的训练集和测试集，并建立GRA?LSSVM的评估模型，测试集的评估结果如图5所示，GRA?LSSVM的电子商务风险评估精度相当高，评估结果合理，具有较高的可靠性。
3.4 與经典模型结果对比
选择LSSVM、没有采用GRA进行评估指标处理的模型（LSSVM）、GRA+SVM模型（GRA?SVM）、GRA+BP神经网络（GRA?BPNN）进行对比实验，结果见表2。
4 结 语
电子商务交易受到多种因素的综合作用，因素之间互相干扰，使得风险变化十分复杂，具有强烈的非线性变化特点，为了准确描述电子商务交易风险的变化特点，提出基于GRA?LSSVM的电子商务交易风险评估模型，结果表明，GRA?LSSVM可以描述影响因素对风险的影响程度，减少了因素之间的干扰以及评估指标选取的数量，提高了电子商务交易风险评估的准确性，具有十分广泛的应用前景。
参考文献
[1] 严中华.企业电子商务战略的风险与管理对策[J].物流科技，2003（17）：39?41.
[2] 卫志诚，邵堃，刘磊.一种结合客观风险的电子商务交易评估模型[J].计算机工程，2012，38（11）：277?280.
[3] 黄崇本，龚松杰，陶剑文.一种基于XML组件的电子商务安全解决方案[J].中国仿真，2008，25（3）：281?284.
[4] 张文德，丁源.基于多属性群决策的电子商务知识产权风险评估方法研究[J].情报科学，2014，32（1）：133?137.
[5] 傅少川，张文杰，马军.电子商务风险分析及定性评估方法研究[J].情报杂志，2005（5）：17?19.
[6] 崔晓慧，邓荣.物流电子商务交易风险评估模型研究[J].物流技术，2013，32（9）：254?256.
[7] 尤学智，陈荣.电子商务网络支付的发展研究[J].吉林大学学报（信息科学版），2010，26（6）：616?619.
[8] 张徐，高承实，戴青.p2p电子商务中一种基于交易标的额的信任评价模型[J].信息工程大学学报，2010，11（1）：93?98.
[9] 聂智军，李俭.基于潜在因子挖掘的电子商务交易风险评估[J].科技通报，2013，29（8）：118?120.
[10] 文珠穆，卢正鼎，唐卓，等.P2P网络环境中节点信息交换的信任机制研究[J].计算机工程与科学，2009，31（7）：5?9.
[11] 靳晓宏.电子商务信用评价模型的研究[M].北京：北京林业大学，2005.
[12] 苏博，刘鲁，杨方廷.基于灰色关联分析的神经网络模型[J].系统工程理论与实践，2008，28（9）：98?104.
