基于AFA 法的淘宝网店竞争力评价研究

2015-12-20 08:42付君实ZOUXinFUJunshiDINGDan

物流科技 2015年4期

邹欣，付君实，丁丹 ZOU Xin, FU Jun-shi, DING Dan

（1. 成都理工大学管理科学学院，四川成都610059；2. 成都理工大学商学院，四川成都610059）

(1. College of Management Science, Chengdu University of Technology, Chengdu 610059, China； 2. School of Business, Chengdu University of Technology, Chengdu 610059, China)

0 引言

近年来，随着互联网技术和电子商务的迅速发展，网络购物用户规模持续大量增长，网上商店的数量也是与日俱增。根据中国互联网络信息中心（CNNIC）于2014 年7 月发布的《第34 次中国互联网络发展状况统计报告》显示，截至2014 年6 月，我国网络购物用户规模达到3.32 亿，较2013 年底增加2 962 万人，半年度增长率为9.8%[1]。在网店数量方面，根据中国电子商务研究中心2014 年3 月发布的《2013 年度中国电子商务市场数据监测报告》显示，截至2013 年12 月，实际运营的个人网店数量达1 122 万家[2]；而在2013 年10 月31 日于北京召开的第三次经济形势座谈会上，阿里巴巴集团董事局主席马云谈到：“淘宝网开店的公司数是900 万家，比较活跃的有300 多万家店”[3]。

何为网店？网店就是利用现代网络技术将传统店铺的经营移植到互联网上，通过照片、视频等多媒体信息对货物进行展示，交易双方利用网络工具进行交流。其往往具有跨地域、交易便捷、成本低廉的特性[4]。相比于传统的实体店，淘宝网店具有进入门槛低、投资少等优点，但在日趋激烈的竞争中，网店卖家应如何通过对网店各方面的调整，进而提升竞争力，从而更好地吸引更多的消费者，提高消费者的忠诚度。基于对上述问题的思考，本文根据电子商务网店的特点，构建淘宝网店竞争力评价指标体系，并运用AFA 综合评价法进行了实例分析。

1 淘宝网店竞争力评价指标体系的建立

本文通过考虑电子商务网店的概念和特点，结合文献[5-7]中所给出的指标，遵循系统性、可操作性、可比性以及通用性等原则，从网店的设计与感官体验、服务能力、营销推广和买家满意度等四个方面进行分析，建立如表1 所示的淘宝网店竞争力评价指标体系。

2 基于AFA 法的淘宝网店竞争力评价模型构建

目前较为常用的综合评价方法有层次分析法、数据包络分析法、模糊综合评价法、人工神经网络评价法、灰色综合评价法等。但针对同一问题，选取不同的评价方法会得到不同的结果，在表1 所示的评价指标体系中，既有可以量化的指标，也有很多指标是不能用数字来精确表示的。因此，本文提出了AFA 综合评价方法对淘宝网店竞争力进行综合评价。AFA 综合评价就是根据评价指标体系所设置的指标，分定量测评和模糊评价两类指标分别进行评价。其中C5,C7,C8,C15,C17,C18为精确评价指标，C1,C2,C3,C4,C6,C9,C10,C11,C12,C13,C14,C16为模糊评价指标。评价步骤如下[8]：

表1 淘宝网店竞争力评价指标体系

（1）确定模糊评价指标集。X=（X1,X2,…,Xk），其中k为模糊评价指标数。

（2）确定评价集。V=（V1,V2,…,Vk），评价集可采用等级评价，如5 级评价，即：很差、差、一般、好、很好（或优、良、中、差等评价级度集）。

（3）确定隶属度集。G=（G1,G2,…,Gk），即对模糊评价指标评价集赋值。模糊评价指标可以通过DEA 评价的C2R 模型（模型如下）计算而得到，是介于0～1 之间的小数。

（4）计算精确值百分率集合。如果可精确评价的评价指标有d项，则精确值百分率集合为：g=（g1,g2,…,gd），精确值评价指标可以通过准确计算得到，也是介于0～1 之间的小数。

（5）精确值百分率集合转置后与隶属度集合合并，得到综合隶属度集合D=[G,gT]。

（6）确定各指标权重集A=（a1,a2,…,an）。利用AHP 方法确定模糊评价指标权重集Af=（a1,a2,…,af）和精确值评价指标权重集Ad=（a1,a2,…,ad），显然有：

（7）计算评价指标的总得分W=[Af,Ad]×[G,gT]。

3 实例分析

本文以淘宝某女装店A 为例，对上述竞争力评价指标体系和AFA 评价方法进行实例分析。使用模糊综合评价法确定评价级度集V=（V1,V2,V3,V4,V5）= （很好，好，一般，差，很差），对应的分值见表2。通过调查问卷的形式，让淘宝网店店主和有丰富网购经历的研究生进行打分，然后对收集到的数据进行整理分析，评价结果见表3。

表2 评价等级与相应分值

由于DEA 方法要求每个决策单元都应有输入和输出指标，输入指标是越小越好，输出指标是越大越好。因此选取“很差”（q1）、“差”（q2）和“一般”（q3）为系统的输入，“好”（p1）、“很好”（p2）为系统的输出。根据式（1），以“页面导航C1”为例，建立线性规划模型：

输入（Input）输出（Output）很差差一般好很好页面导航C1 0.06 0.05 0.19 0.32 0.38页面布局C2 0.04 0.13 0.21 0.23 0.39宝贝描述C3 0.02 0.09 0.18 0.26 0.45产品样照C4 0.05 0.06 0.16 0.34 0.39客服沟通能力C6 0.03 0.11 0.24 0.27 0.35售后服务C9 0.08 0.12 0.20 0.35 0.25淘宝直通车C10 0.10 0.17 0.23 0.20 0.30限时打折C11 0.13 0.12 0.17 0.28 0.30包邮促销C12 0.04 0.08 0.28 0.29 0.31“满就送（减）”C13 0.08 0.13 0.19 0.31 0.29价格满意度C14 0.03 0.11 0.18 0.35 0.33平均退款速度C16 0.11 0.07 0.15 0.28 0.39决策单元（DMU）

同理，可得其他11 个模糊指标的线性规划模型。

利用Lingo 软件计算，得到12 个线性规划的最优目标函数值，分别为：maxC1=1，maxC2=0.7391，maxC3=1，maxC4=1，

即该网店12 个模糊指标的隶属度集为：

通过数据统计分析得到6 个精确指标的百分率集合为：

对于各评价指标的权重分配，通过专家打分取平均值，得到各级的判断矩阵，并计算得到各级指标权重，见表4～表8。

A B1 B2 B3 B4 权值B1 1 1/3 1 1/3 0.1357 B2 3 1 1 1 0.3070 B3 1 1 1 1/2 0.2004 B4 3 1 2 1 0.3570

根据判断矩阵最大特征根λmax的算法，并结合表9，进行判断矩阵的一致性检验，检验结果如下：在矩阵A-B中，λmax=4.1181，CI= （λmax-n）/（n- 1）= （4.1 181-4）/ （4- 1）=0.0394，CR=CI/RI=0.0394/0.89=0.0442＜0.1，矩阵具有一致性。同理，在矩阵B1-C中，λmax=4.2088，CI=0.0696，CR=0.0782＜0.1，矩阵具有一致性。在矩阵B2-C中，λmax=5.3241，CI=0.081，CR=0.0723＜0.1，矩阵具有一致性。在矩阵B3-C中，λmax=4.1188，CI=0.0396，CR=0.0445＜0.1，矩阵具有一致性。在矩阵B4-C中，λmax=5.2917，CI=0.0729，CR=0.0651＜0.1，矩阵具有一致性。通过计算得到层次总排序，结果见表10。