网上购物中的数学建模问题.doc

O 网上购物中的数学建模问题1）摘要；（2）问题重述； （3）模型的基本假设； （4）符号说明 （5）问题的分析；（）模型的建立 （7）模型的求解；（）结果及其分析 （9）模型的检验与推广；（10）模型评价 （11）参考文献; (12) 附录摘要:近年来，随着电子商务的发展，越来越多的人喜欢在网上购物。网上购物以方便，价格低廉，产品丰富多样，可以随意查看产品等优点是显而易见的，人们可以根据自己的意愿随时在网上店铺中浏览并购买商品，以更低的价格购买同类的商品。但仍存在不足之处，网络的开放性和虚拟性，使得信用问题成为阻碍电子商务发展的一个重要因素。买方仅仅从卖方网上商店上发布的商品描述和图片获得部分的商品信息，是远远不够的。为了方便买家购买和卖家销售，大多数的购物网站都建立了回馈机制，允许买者在交易完成后留下对卖方的评价，购物网站将这些回馈评价汇集起来，为卖方建立一个“回馈评价值”，以解决交易时的信息不对称等问题。本文通过考虑交易金额、评价用户的信用度、量化评分参考因素等方面，建立了一个新的信用评价模型和评价算法，并提出了其他较为可行的改进建议。问题重述问题一：作为卖家，该如何建立一个合理信用评价模型，让买家一方能更加了解和关注卖家一方，使的该模型的回馈评价值更能贴近买家的信用。问题二：作为消费者，该如何从该信用评价获得更充分的信息，权衡各种优劣关系，最终做出最优化的决策。问题三：作为消费者，针对所购商品的不同属性，如何合理最优的选择购物决策。问题四：为地方媒体提出更好更合理的意见和观点。问题分析一，C2C电子商务中的信任问题：C2C电子商务平台从诞生起就面临着突出的信任问题产生的主要原因如下：1信息不对称。信任作为一种交换媒介或价值运动的特殊形式，与信息密切相关。信息技术在给C2C市场带来沟通便利的同时，也为虚假信息的制造提供了方便；丰富的信息在给交易者提供更多决策支持的同时，也增加了虚假信息误导其做出非理性决策的可能性。因此，信息不对称问题严重阻碍着交易双方信任关系的建立。2时间差。在C2C平台进行交易时，交易双方往往是诺言在先，兑现在后，约定在前，完成约定在后。有了时间差就有了风险。从而给交易者带来了信任的问题。3匿名制。网络是个虚拟的环境，交易者在网上是匿名的。匿名能够保护个人隐私，是在线交易吸引用户的一个重要方面，但同时匿名也产生了网络欺诈的空间，降低了交易者对网上交易的信任度。二，消费者是如何决策的：（1）评价者身份为买方时产品质量，产品是否为真品，产品是否完好。w信息质量：提供的产品信息是否详细；网上描述是否与收到产品相符。3价值质量：价格是否实惠；价格较其他卖家是否便宜。配送质量：收到货款后是否及时发货；到货时间间隔是否过长；包装是否合理。服务质量：是否热情；售后服务是否周到。宝贝与描述相符：4.6卖家的服务态度：4.7卖家发货的速度：4.5模型假设：现有的模型：我们以淘宝为例，采用了几分等级制度，其中评价积分：评价分为“好评”、“中评”、“差评”三类，每种评价对应一个积分。就如评价积分的计算方法，具体为：“好评”加一分，“中评”零分，“差评”扣一分。卖家用户的信用就是对会员的评价积分进行累积总和，并在淘宝网页上进行积分等级显示网站。好好评率就是指好评占总评价的个数。除此之外，对卖家三个数据指标，其中有：宝贝与描述相符，卖家的服务态度和卖家发货的速度。每个指标有都有五个星级，一个星表示1分。在网站显示的是每个指标的平均值。如图示表示：同时可知最进几个时段的卖家好评数查询，显示如下图a，b，c，d：abcd以上就是现在网店卖家的评价模型。总的流程模型如下：总体来说现有信用评价模型的优点：第一，在一定程度上减轻了信用危机，消费者与卖家一般互不相识、从未谋面的，但从这些现有的评价当中消费者可以对卖家的的产品和服务情况有了基本的了解。第二，该模型简单易懂，比较实用，消费者可以从简单的数据中筛选信用合意卖家，消费者即可买到价格优信誉好的产品，同时也促进信誉好卖家的销量，避免不法卖家的滋生，从而使得电子商务和谐的发展。现有信用评价模型的不足(1)第一，评价等级设计问题信用评级等级设计过于简单笼统，仅以“好评”加一分，“中评”零分，“差评”扣一分的三个档来判定一个卖家店铺信用等级的高低是远远不够的，一个评价才长一分，对一些老买家影响很小。没有与价格建立起关系。比如说一个卖家卖出一件1000块钱的产品有好评就得一分，而同一件店铺卖出1000件一元的产品，如果都是好评就有一千分的信用积分，这也容易造成个别店铺靠低价格的小产品刷积分的现象，而当店铺的信用积分很高的时候，在大产品即使获得的是差评，但总体信用率影响也不大，这也很容易误导了消费者。第二，消费者对店铺的评价规则尺度，因人而异，无法理性度量。三个数据指标和三个积分档次是独立的，没有一定的联系性，常常有些消费者为了获得卖家的好评，就普遍的的给好评和中评价，而三个数据指标的星指数却不高。上网站上查看卖家信用，会发现好评占绝大多数，偶尔有些中评，差评很少看到。有人说这是与国人讲面子，不愿意轻易得罪人有关，这种说法有一定道理。第三，针对现有的评价模型存在的几个问题，作为好的网站卖家，我们需要把以上的模型进行小小的调整，主要方案就是重新设计了信用评价等级，把评价用户的信用度和本次交易的金额也作为应用评价的权重因素。 最后通过加权平均分方法计算被评用户的信用度。其总体模型如下：图2 改进的c2c电子商务信用评价模型 首先，为了更准确地反映用户的真实评价，将信用评价分为五个等级一好评、较好、中评、较差、差评，每种评价对应一个分数，具体为：。好评 加二分，。较好”加一分， 中评 不加分。较差 扣一分，。差评 扣二分，即+2，1，0，一l，一2。 第二，信用加权平均分计算 对于一个信用评价模型，通过一个有效的机制，促使 价者能够积极客观地反映交易的真实情况至关重要。因此，我们在改进的信用评价模型中增加了加权平均分的计算。被评用户的加权平均分不仅受评价用户评分的影响，同时也与评价用户的信用度与交易金额密切相关，评价用户的信用度越高，影响越大。主要算法步骤如下：a根据每个评价用户的信用度，计算所有评价用户的信用度总和。其中，表示第k个评价用户的信用度；表示对被评用户进行过评价的所有评价用户总数；表示n个评价用户的信用度总和，即对被评用户进行过评价的所有评价用户的总信用度。b采用加权平均法计算被评用户的加权平均分。其中，表示第k个评价用户的评分；表示n个评价用户的信用度总和；表示被评用户的加权平均分。这里是将某个评价用户的信用度在总信用度中所占的比重作为权重系数，计算每个用户的加权评分，然后求和得到被评用户的加权平均分。2 3 金额相关信用度更新算法现行的C2C信用评价体系，在用户对交易对方进行信用评价时，被评用户信用度的增减与交易金额的多少无关。这就导致了某些用户频繁使用小额交易骗取高信用度的现象。针对这种现象，在改进的信用评价模型中，考虑了交易金额对被评用户信用度变化的影响，即交易金额越大，影响越大。主要算法步骤如下：a根据金额加权计分法计算一次交易的金额加权评分。其中，表示评价用户对本次交易的评分；表示本次交易商品的金额；表示权重基数，由网站根据情况设定；表示评价用户对本次交易的金额加权评分。b更新被评用户的信用度。其中，表示被评用户在本次交易 新的信用评价算法 根据上述改进的C2C电子商务信用评价模型，我们提出了一个新的信用评价算法，设买方为i，卖方为j，采用。买卖信用度分离的机制，算法流程框图如图3所示。3分的影0向 无论双方发生过多少次交易；信用等级的划分方法，等等。用户的信