大数据背景下跨境电子商务信用评价体系构建

《大数据背景下跨境电子商务信用评价体系构建》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、大数据背景下跨境电子商务信用评价体系构建随着“互联X+”趋势的影响，我国的跨境电商迅速发展，成为“中国制造”的重要输出口。据中国电子商务报告的调查显示，在2015年中，我国的电子商务平台的总消费额度达到7.65万亿元，跨境电子商务交易在其中占据了2万亿元的交易份额，与同期相比增加了42%的幅度，占据进出口总额度中的17%。据中国产业信息X站发布的前景分报告中显示，在未来的几年我国跨境电商达成的交易数量与规模会不断攀升，成为增长速度最快的进出口贸易领域。但是，在跨境电商发展的过程中，也遇到了众多的拦路虎。其中，信用问题一直是困扰电子商务发展的重要难题之一。电子商务相较于

2、传统的贸易交易模式具有信息不对称的现象，并且跨境交易中的买卖双方处在不同的国家与地区，卖家与买家之间很难摸清对方的可靠程度，导致交易过程中存在一定风险。信用缺失会导致一些列的道德成本与逆向选择，增加了交易成本与风险，大数据的引用为跨境电商的金融服务、营销策略、战略选择等带来巨大变革，同时也为征信系统注入了新的思路，使原来混乱庞杂的数据，可以依据科学的挖掘、整合、匹配转变为高效与准确的信用数据。一、基于大数据的指标确定原则（一）合法性跨境电商交易双方来自不同的国家，每个国家设立的隐私保护法规不尽相同。关于隐私保护的法规，欧盟制定了《欧盟数据保护指令》，美国在1995年颁

3、布了《安全港协定》，英国政府在1998年出台了《数据保护法》案，但是中国在隐私保护法规的建设方面还处在起步阶段。大数据征信要保征得到授权后进行使用、收集，避免产生不必要的纠纷[1]。（二）完整性大数据征信有助于指标体系的构建，使征信信息真实可靠。但是，在数据征信过程中却难免面临信用孤岛的问题，在跨境电商中尤为凸显。外部信息孤立化、内部信息碎片化，缺乏统一的执行标准，信息不能联接融合，为数据征信工作带来较大难度。需要在征信工作中加强顶层设计，进行系统信息梳理工作，通过交换合作的方式进行信息挖掘。（三）有效性指标有效性建立在数据有效性的基础之上。大数据不是指大量的数据，大

4、量的数据也并不一定能产生有效的价值。在挖掘电商信用原始数据时，注重信息的挖掘方向与数据清洗工作，注重找到征信中的“定海神针”即可，降低盲目寻找的征信模式。二、基于大数据的指标体系构建（一）第三方数据下的指标第三方数据的主要是质检、工商与税务、银行、跨境电商X络平台等渠道，属于传统的静态数据。第三方数据的获取模式往往需要通过公开或者合作进行交换。从政府部门可以获取跨境电商的资质认证指标；通过企业内部与第三方可以获取电商的财务指标，这种经典的指标在征信系统中有较强的说服力。通过跨境电商与银行或X络金融机构之间的产生的借贷记录可以反映电商的信用指标。（二）电商平台交易数据下

5、的指标电商X络平台交易中产生的数据属于动态数据，可利用大数据技术进行实时监测。产品质量与服务质量是组成电商征信的重要指标，其中与产品质量相关的是合格率、退货率问题；与服务质量相关的是服务态度、物流速度等问题。用户对交易的评价可以在X站上进行展示，供预购买者进行参考。一般情况下，信用良好的电商企业，会积累一定的忠诚顾客，在一定时间内会形成与吸引一定规模的交易量，从交易规模中也可以直观看出电商的信用指标。（三）X络轨迹数据下的指标社交X络已经成为现今高覆盖率、高传播率的、高商业价值的X络平台，可以传输动态非传统数据，实现X络价值均衡分配效果。社交X络是用户表达观点、抒发情

6、绪的重要渠道，所以，可以在其中发现与跨境电商交易的信息与评价，可以利用大数据算法，提取其中的關键字、视频与音频，带入到评价模型中进行计算，分析客户的满意度，总结商家的征信指标。三、基于大数据指标权重确定方法在计算指标权重中，层次分析法是使用最为广泛的一种方式。层次分析方法是一种能有效对多准则、多目标进行分析的工具，是帮助决策者将复杂数据模型化的有力手段。层次分析手段将定量指标与定性指标进行有机结合，结合数理统计与德尔菲法的科学性，具有方法简单、思路清晰、系统性强的显著特点。其主要构建步骤包括构建两两比较检验一致性与梯阶层次结构模型。四、基于大数据的信用评价模型（一）评

7、价模型与大数据特征匹配大数据具有多样性、大容量、价值性、高速性等特征。数据的大容量特点对评价模型提出可伸缩的要求；大数据的多样性要求评级模型要能驾驭处理多种类型的复杂数据；数据的高速性要求评价模型要具备较快速的数据处理能力；大数据的价值性要求评价模型在数据不完整、不准确的情况下可以进行高价值的预测与评价。（二）评价模型要与跨境电商的实际情况相符跨境电商的交易活动隶属于不同的国家，具有交易时间长、交易步骤多、交易行为与心理不确定的特征，大大提高了交易数据的异质与容量，增加收集难度，使数据指标容易出现噪音、异质、高容量的特征，评价模型只有高度匹配这些数据