服装电商卖家的测评指标体系与综合评价模型

朱江晖， 高广明， 富宁钰

(1. 温州大学 美术与设计学院， 浙江 温州 325035； 2. 雅莹集团股份有限公司， 浙江 嘉兴 314000)

在电子商务市场中，作为我国消费者近年来最热门的网购品类，服装因其购买量大且重复消费率高而成为电商企业争夺用户潜力最大的品类市场。然而，伴随着电子商务行业的快速发展，服装一直是消费者网购投诉的热点产品。其原因主要在于，不同于传统商务环境下的购物，网络交易的虚拟特性给网购消费者增加了更多不确定性，即消费者无法确切了解火爆销售背后所隐藏的电商诚信、服务等方面的问题，如服装品质、服务质量、产品性价比等。作为顾客获取有关商家、产品、服务等信息的重要渠道，各大电商平台采用了在线评论机制，即顾客在交易完成后基于消费体验对产品及服务所做的在线评论；但是目前仍普遍存在评价内容单一、缺乏语义的模糊性处理、计算方法过于简单等不足[1]，因此，分析服装电子商务中卖家的测评指标体系，进而研究综合评价方法显得十分必要。

目前，国内外关于电商卖家声誉评价的研究成果较为丰富，主要包括电商卖家声誉的测评维度研究、评价系统的模型构建与计算方法设计以及客户行为研究、电商卖家声誉影响因素及其影响机制研究等方面。如刘思强等[2]分析了电商卖家的声誉评价指标体系，该指标体系可用在C2C和B2C的电商模式。Kim等[3]基于社交网络，提出了用于系统定量评价声誉和信任的计算模型。Lin等[4]认为顾客自身的声誉情况会对商家的声誉评价产生影响，鉴于此，电商卖家声誉评价系统的设计需要综合分析买卖双方的声誉状况。Kotha等[5]通过研究发现，相比较而言，电子商务环境中公司声誉形成速度明显快于传统商务环境。李宏媛等[6]基于语义规则提出了一种电商在线评论的情感分析流程，并在服装电商评论中进行了实际应用。

尽管国内外关于电商卖家在线评价方面的研究取得了大量的成果，但是专门针对服装品类的研究却相对较少。通过进一步对现有文献研究分析后发现：目前研究中，有关声誉测评量表在借鉴和二次开发过程中存在着不同程度的适用性问题。这主要是由于现有声誉测评量表的开发多数是在传统商务环境下服务行业的基础上进行的，在量表的移植过程中会存在不同情境下的适应性问题。此外，在电商环境下，由于不同品类的产品其个性化服务总是呈现出不确定性和复杂性的特点[7]，因此，与此相关的综合评价所传达的也往往是模糊性概念。这就导致了现有研究所涉及的测评指标体系与综合评价模型并不具备较强的可移植性，如果用于服装品类则还需要设置评价因素集及其权重。

本文从服装电商顾客的消费体验这一视角出发，采用实证研究的方法，分析电子商务环境下服装卖家的测评指标体系及其权重分布，并进一步构建综合评价模型，以期为国内服装电商卖家改善服务质量及优化评价方式提供理论依据与决策参考。

1 服装电商卖家的测评指标采集

1.1 评价要素收集

本文研究收集了淘宝、天猫、京东商城、凡客诚品4个国内电商网购平台中服装品类的总计26个服装品牌的1 563条顾客在线评论内容，对原始评论内容进行阅读分析，并人工识别出顾客在线评价的基本要素，表1示出服装在线评价要素的识别示例。

表1 服装电商顾客在线评价要素识别示例Tab.1 Identifying sample of online evaluation elements

1.2 初始量表优化

本文首先通过人工识别，得到34个评价基本要素，并形成相应的测量项目。为确保测量项目语义表达准确、清晰，随后于2016年12月组织了由市场营销专业、服装专业营销方向的相关老师与研究生，以及服装企业电商管理人员所组成的专家组对34个测量项目进行了整合与筛选，最终形成了27条测量项目，并由此编制Likert 5级初始量表。

其次，在问卷预调查的基础上对数据进行分析，根据统计分析方法中的题项检验标准，剔除初始量表中质量不好的测量项目，以使量表进一步优化。预调查在温州展开，通过网络平台与实际现场2种方式发放问卷。期间共发放412份问卷，回收有效问卷357份，其中网络问卷和现场问卷分别为219份和138份。运用SPSS 22.0对样本数据展开分析，根据文献[8]中的题项检验标准对测量项目进行筛选。经过分析，包装精美度、产品整洁性、物流商3个测量指标经校正后它们与分量表总分的相关系数(corrected item-total correlation, CITC)小于0.4，并且经过删除后的分量表信度系数(Cronbach′s α)值增加，因此，需要考虑将这3个测量项目删除。

至此，经优化后的量表由剩余的24个指标组成，如表2所示。该量表的综合信度系数值由原先的0.927增加至0.929，上述24个测量项目便构成了正式调查量表。

表2 服装电商卖家测评指标探索性因子分析Tab.2 EFA of measurement index of e-commerce seller

2 服装电商卖家的测评指标体系

2.1 测评指标构成分析

正式问卷调查在杭州和温州两地展开，共发放563份问卷，回收有效问卷485份，其中网络问卷和现场问卷分别为252份和233份。为了进一步了解24个服装电商卖家测评指标的具体构成，运用SPSS 22.0对正式调查获得的样本数据进行探索性因子分析。

首先，通过KMO抽样适当性检验与Bartlett球形检验，以确定各指标之间是否有公共因子存在[9]。经检验，样本的KMO值为0.941，Bartlett球形检验达到显著性水平，说明样本适宜进行因子分析。

其次，利用主成分分析法对24个评价指标进行降维处理，提取各项指标的公共因子。采用方差最大旋转法进行旋转，提取特征值大于1的公共因子，共有4个，共可解释67.631%的变异量。即服装电商卖家的测评指标体系由4个维度、24个评价指标构成，分别将这4个公共因子命名为产品因子、服务因子、价值因子、特色因子，如表2所示。

2.2 测评指标结构模型检验

根据上述探索性因子分析的结果，本文利用AMOS 21.0分析软件建立服装电商卖家测评指标结构方程模型，如图1所示，其中e表示误差。为了进一步检验模型建构效度的内在质量与整体模型的适配性，对样本数据进行验证性因子分析。

图1 服装电商卖家测评指标结构模型Fig.1 Measurement index structure model of e-commerce seller

2.2.1信度与效度检验

表3示出信度与收敛效度的检验结果。可看出各一级指标的组合信度值介于0.854～0.930之间，各二级指标的信度系数值(R2)介于0.516～0.699之间，它们分别大于0.7和0.5的最低标准，表明模型具有较好的内在质量。

各主因子的平均方差抽取量(average variance extracted，AVE)是反映收敛效度的指标，该值越大，说明测量指标越能反映公共因子(即潜在变量)的内在特质，其判别标准一般应大于0.5。从表3可看出，各主因子的AVE值均高于0.5的标准，表示收敛效度检验符合要求。

表3 信度和效度检验结果Tab.3 Test result of reliability and validity

表4示出各因子AVE值平方根与因子间相关系数的对比情况。各因子AVE值平方根位于表格中对角线的位置，因子间相关系数则位于对角线以下位置。表中，各因子AVE值平方根均大于因子间相关系数，表明因子之间的区别效度良好。

表4 AVE值的平方根与因子相关系数对比表Tab.4 Square root of AVE and correlation coefficients

2.2.2拟合度检验

通过模型拟合度检验，卡方与自由度比(χ2/df)为1.799<2，近似误差均方根(RMSEA)为0.041<0.08，其他几个主要拟合指数如表5所示。上述指标均符合拟合度检验的最低标准，说明模型拟合情况较好。综合上述检验结果，本文所建立的测评指标结构模型可作为服装电商卖家的测评指标体系。

表5 模型拟合指数检验表Tab.5 Model fit summary

2.3 各级指标权重的确定

2.3.1计算方法

为使权重确定既有客观性，又能适当避免传统主成分法只能处理线性问题的局限性，本文采用改进的主成分法对各级指标赋权，主要步骤[10]如下。

1)对数-中心化转换。

式中：xhj为样本原始数据；zhj为转化后的样本数据；h为各样本，h=1，2，…，k；j为各指标，j=1，2，…，n。

2)利用 Excel 计算上述结果的协方差矩阵。

3)应用 SPSS 软件分析协方差矩阵主成分，得到特征值及其对应的特征向量Fl，l表示主成分。

4)计算指标的权重系数。

式中：μj表示各指标权重系数值；fjl表示主成分特征向量所组成矩阵中的元素；λl表示主成分所对应的特征值；m表示主成分数。

5)记wj为各指标权重值，则

2.3.2各级指标权重计算

首先，根据正式调查的样本数据，按照产品、服务、价值、特色4个一级指标的分类，将其各自的二级指标数据分别代入上述公式，分步骤进行二级指标权重值的计算，结果如表6所示。

其次，分别计算产品、服务、价值、特色4个一级指标Uhi的得分情况，计算公式为

式中：w表示二级指标权重值；u表示二级指标得分情况；h表示各样本；i表示一级指标，i=1，2，3，4；j表示一级指标下的二级指标，j=1，2，…，n。

最后，将4个一级指标得分数据代入权重计算公式，分步骤计算出它们的权重，其计算结果见表6，表中各级指标权重按由大到小顺序排列。

表6 各级评价指标权重分布及顾客评价矩阵表Tab.6 Index weights and matrix of customer evaluation

3 服装电商卖家的顾客综合评价

3.1 综合评价模型

对于多因素问题评价，模糊集理论被认为是一种十分有效的决策方法[11]。本文将模糊综合评判决策方法用于服装电商卖家综合评价，具体步骤如下。

1)根据已建立的服装电商卖家的测评指标体系，将评价因素划分为产品U1、价值U2、服务U3、特色U4共4个主因素，Ui={ui1，ui2，…，uij}，其中：i=1，2，3，4；j为4个主因素下的各子因素，j=1，2，…，n。它们共同构成了顾客评价因素U={U1，U2，U3，U4}，即满足U=U1∪U2∪U3∪U4。

2)采用5级定量化的评价标准，构建评判集V={v1，v2，v3，v4，v5}={非常不满意，不满意，一般，满意，非常满意}，将评判集的等级以数量化表示，其中：v1=1，v2=2，v3=3，v4=4，v5=5。

3)根据Ui={ui1，ui2，…，uij}和评判集V={v1，v2，…，v5}，得到各主因素Ui的单因素评判矩阵。

式中，rijk表示主因素Ui中的子因素j被顾客评为vk时的频率，k=1，2，…，5。

4)由各子因素的权重Wi={wi1，wi2，…，wij}，结合主因素Ui的单因素评判矩阵Ri，可以得到各主因素Ui的评价向量Bi=WiRi={bi1，bi2，…，bi5}。

5)由各主因素权重W={w1，w2，w3，w4}，结合由各主因素Ui评价向量所组成的主因素评判矩阵B，可得到顾客评判总因素U的评价向量R=WB。

6)考虑顾客评判集V，则服装电商卖家的顾客综合评价结果为F=RVT。

3.2 实证分析

以淘宝网某五钻服装电商卖家为例，选取一款服装产品(截至2017年3月，其累计销量达840件)，利用上述综合评价模型进行综合评价。

根据网站的后台数据，随机联系该款服装的10位买家组成评价小组。该评价小组成员根据二级指标，按照评判集V的评价量度进行评价打分。

按照3.1节所述的方法进行计算，得到顾客评判总因素U的评价向量为：R=WB=(0.010，0.054，0.261，0.268，0.407)。通过进一步的计算，得到该服装电商卖家的顾客综合评分：F=RVT=0.010×1+0.054×2+0.261×3+0.268×4+0.407×5=4.008，这表明评价小组对该服装电商的综合评价为满意。

为了便于比较，10位顾客还按五分制为该电商卖家进行了总体打分，其平均值为4.090分，这与采用综合评价模型计算得出的评价结果基本吻合。

4 结 论

1)针对服装电商顾客在线评论要素进行降维处理，构建了包含4个一级指标和24个二级指标的服装电商卖家顾客测评指标体系。服装网购消费者对服装电商卖家的在线评价围绕产品、服务、价值、特色4个主要因素展开。与电商平台评价指标体系不同的是电商平台的评价往往侧重于网站建设、网站服务、网站品牌、网站信任与安全性等方面。

2)分别对各级评价指标进行权重分析，影响消费者评价的4个一级指标权重由大到小依次排列为产品、价值、服务、特色。即在电子商务环境下，服装消费者对电商卖家的综合评价与顾客对于产品试穿效果、更多实惠、便捷服务、商家特色4个方面由大到小的关注度密不可分。

3)运用模糊综合评判决策方法，构建了服装电商卖家的模糊综合评价模型。通过实证的方法对该模型进行验证，结果表明，顾客的整体评分情况与采用该评价模型计算得出的评价结果基本吻合。

随着国内服装电子商务的迅速发展，顾客对电商卖家的评价显得越来越重要。通过本文所构建的模糊综合评价模型，其综合评价结果可实现由定性评价转为定量评价。

FZXB