大數據背景下的電子商務信用風險預警方法

薛淑娟

（鄭州西亞斯學院，河南 鄭州 451150）

0 引 言

隨著網絡技術的不斷發展，企業之間信息透明度和共享程度越來越高，競爭也越來越激烈，為了更好地進行競爭，許多企業都有了自己的電子商務管理系統[1-3]。在電子商務管理系統的實際應用中，如何對電子商務信用風險進行評估，提高企業的信用十分關鍵。為了保證更好地進行電子商務操作，需要對電子商務信用風險進行預警，因此電子商務信用風險預警具有十分重要的研究價值[4-5]。

針對電子商務信用風險預警問題，長期以來，國內外一些專業人員對其不斷研究，出現了許多有效的電子商務信用風險預警方法[6-8]。

當前電子商務信用風險預警方法可以劃分為兩類：一類是定性的電子商務信用風險預警方法；另一類是定量的電子商務信用風險預警方法。定性分析主要從整體上把握電子商務信用風險的變化態勢，主要通過專家來實現，但是專家有各自的偏好，所以不同專家得到的預警結果不一樣，使得電子商務信用風險預警結果說服力不強[9-11]。定量的電子商務信用風險預警方法又分為線性的風險預警方法和非線性的風險預警方法。

線性的風險預警方法主要有：線性回歸分析的電子商務信用風險預警方法、因子分析法的電子商務信用風險預警方法，它們只能預警電子商務信用風險存在的一些周期性風險，無法預警一些時變的風險，缺陷十分明顯。

非線性的風險預警方法主要有：神經網絡的電子商務信用風險預警方法、支持向量機的電子商務信用風險預警方法，它們可以對一些時變的風險進行描述，因此電子商務信用風險預警效果更佳[12-14]。非線性電子商務信用風險預警方法存在一些不足，如支持向量機的電子商務信用風險預警過程復雜、效率低下，神經網絡由于參數優化問題，收斂速度慢、風險預警精度低，因此電子商務信用風險預警有待進一步研究[15]。

為了提高電子商務信用風險預警精度，結合電子商務信用風險預警變化特點，利用大量的歷史數據和數據挖掘技術的優點，提出了基于數據挖掘的電子商務信用風險預警算法，并在相同測試環境下，采用具體電子商務信用風險預警實例與其他方法進行對照分析，結果表明，數據挖掘的電子商務信用風險預警精度為90%，電子商務信用風險預警效率明顯優于對比方法，驗證了本文方法的優勢。

1 大數據背景下的電子商務信用風險預警方法

1.1 電子商務信用風險預警原理

通常情況下，電子商務企業由于運行時間不斷延長，會產生大量的電子商務信用風險歷史數據，可以通過歷史數據對電子商務信用風險進行挖掘和分析，找到其變化規律，建模原理如圖1 所示。

圖1 電子商務信用風險預警的原理

1.2 電子商務信用風險的影響因素

通過一些電子商務管理人員、專家對電子商務信用風險的影響因素進行分析，確定了9 個電子商務信用風險因素，具體如表1 所示。

表1 電子商務信用風險影響因素

1.3 大數據分析方法

最小二乘支持向量機克服了支持向量機的電子商務信用風險預警效率低的難題，同時不存在神經網絡的電子商務信用風險預警精度低的缺陷，是一種新型的大數據分析技術，因此采用其對電子商務信用風險預警進行建模研究。

對于一個電子商務信用風險數據，支持向量機的電子商務信用風險預警函數可以描述為：

式中：ω，b 分別表示權值和常量偏置；φ(x)將電子商務信用風險預警問題變換成線性回歸問題。

對于電子商務信用風險影響因子xi和電子商務信用風險值yi，它們組成的電子商務信用風險預警的訓練集為{(xi,yi)}，i=1，2，…，N，根據結構風險最小化原則，式（1）可以變換成為如下形式：

式中γ 為正則化參數。

對式（2）問題的求解，可以采用拉格朗日函數實現，具體如下：

式中αi為拉格朗日乘子。

對式（3）的ω，b，e，α 進行求偏導操作，然后采用矩陣形式進行描述，可以得到：

式中：l=[1,1,…,1]；α=[α1,α2,…,αn]；Ωij=φT(xi)φT(xj)。

根據式（4）可以得到權值和常量偏置α，b 的值，根據輸入xi可以計算出輸出值，具體為：

式中y =[y1,y2,…,yn]。

根據泛化函數理論，采用核函數替代式（5）的內積 操作φT(xi)φT(xj)，即K (xi,xj)=φT(xi)φT(xj)，那么式（5）變為：

選擇徑向基函數作為核函數，具體為：

式中σ 為核寬度參數。

電子商務信用風險預警的支持向量機決策函數變為：

1.4 大數據背景下的電子商務信用風險預警方法

1）根據表1 中的電子商務信用風險影響因素收集大量的數據，一些專業人員根據自己的知識，對電子商務信用風險影響因素的歷史數據進行篩選，去除一些無用的電子商務信用風險影響因素的數據值。

2）從表1 的電子商務信用風險影響因素可以發現，電子商務信用風險影響因素有連續化的，有離散化的，因此對連續化的電子商務信用風險影響因素值進行離散處理，統一影響因素數據的形式。

3）對電子商務信用風險影響因素值做如下處理，使它們的值大小趨于一致，便于后續最小二乘支持向量機的學習。

4）收集電子商務信用風險的歷史值，通過專家對它們進行打分，本文采用100 分制。

5）確定最小二乘支持向量機結構，并初始化最小二乘支持向量機的正則化參數和核寬度參數。

6）采用最小二乘支持向量機對電子商務信用風險歷史數據進行學習，建立電子商務信用風險預警模型。

7）采用電子商務信用風險預警模型對未來風險進行預警。

具體流程如圖2 所示。

圖2 大數據分析的電子商務信用風險預警流程

2 電子商務信用風險預警實例分析

2.1 電子商務信用風險的歷史數據收集

為了測試大數據背景下的電子商務信用風險預警方法的性能，設計具體仿真實驗。選擇電子商務信用風險歷史數據作為預警對象，共得到了100 個電子商務信用風險值以及它們對應的影響因素數據，其中風險值變化曲線如圖3 所示。

圖3 電子商務信用風險的歷史樣本數據

從圖3 可以發現，該電子商務信用風險變化復雜，具有一定的規律性，同時又具有一定的隨機性變化特點。

2.2 對比電子商務信用風險預警方法的選擇以及評價標準的選擇

僅采用大數據背景下的電子商務信用風險預警方法進行仿真實驗，得到的電子商務信用風險預警結果缺乏說服力，為此，在相同實驗環境下，選擇BP 神經網絡的電子商務信用風險預警方法、支持向量機的電子商務信用風險預警方法進行對比測試。采用電子商務信用風險預警精度以及預警時間作為實驗結果的評價標準。每一種方法進行5 次仿真實驗，每一次實驗從100 個樣本中隨機選擇不同的電子商務信用風險數據的樣本組成訓練集合，其他樣本組成測試集合，具體如表2 所示。

表2 五次仿真實驗的訓練和測試樣本數量

2.3 電子商務信用風險的預警精度對比

統計3 種方法的電子商務信用風險預警精度，5 次仿真實驗的電子商務信用風險預警精度具體如圖4所示。

圖4 三種方法的電子商務信用風險預警精度

由圖4 可知：

1）BP 神經網絡的電子商務信用風險預警精度平均值為84.15%，精度無法保證電子商務信用的安全，這是因為BP 神經網絡經常出現一些偏差大的風險預警結果，使得電子商務信用風險預警錯誤率高。

2）支持向量機的電子商務信用風險預警精度平均值為88.76%，要高于BP 神經網絡的電子商務信用風險預警精度平均值，這是因為BP 神經網絡和支持向量機的工作原理不一樣，因此支持向量機描述電子商務信用風險變化特點更加準確，但是支持向量機存在電子商務信用風險預警效率低的不足。

3）本文方法的電子商務信用風險預警精度平均值為90.63%，遠高于BP 神經網絡的電子商務信用風險預警精度和支持向量機的電子商務信用風險預警精度，解決了當前方法存在的電子商務信用風險預警誤差大的問題，可以保證電子商務信用安全。

2.4 電子商務信用風險預警的時間對比

統計3種方法的電子商務信用風險預警時間，如圖5所示。由圖5 可知，本文方法的電子商務信用風險的預警時間更少，改善了電子商務信用風險的預警效率，可以更快地預警電子商務信用風險，為電子商務信用風險防范贏得時間。

圖5 三種方法的電子商務信用風險預警時間

2.5 本文電子商務信用風險預警方法的通用性測試

為了分析本文電子商務信用風險預警方法的通用性，選擇20 個電子商務企業作為測試對象，統計每個電子商務企業的風險預警精度，具體如表3 所示。分析表3 可知，本文方法的20 個電子商務企業的風險預警精度均超過了90%，能夠滿足電子商務信用風險預警的實際要求，具有良好的通用性。

表3 20 個電子商務企業的風險預警精度 %

3 結 語

電子商務信用風險預警一直是人們關注的焦點，針對當前電子商務信用風險預警方法存在的一些難題，本文提出了基于大數據背景下的電子商務信用風險預警方法。

首先，收集與電子商務信用風險相關的數據，并對數據進行歸一化處理；然后，采用大數據分析技術——最小二乘支持向量機對電子商務信用風險預警進行建模，建立電子商務信用風險預警模型；最后，在相同平臺上與當前經典方法進行仿真對照測試，結果表明，本文方法是一種精度高、效率高的電子商務信用風險預警方法，具有廣闊的應用前景。