第三方跨境电商结汇平台评价指标体系构建研究

周翔 周笛 郭燕

[摘要]为跨境电商能顺利解决第三方结汇平台的择优甄别问题,首先通过问卷调查法收集商家意愿，再结合文献研究法重构并完善第三方跨境电商结汇平台评价指标体系，构建模糊神经网络模型加以数据训练，使得训练后的模型具有更好的稳定性、预测性和泛化能力。模型可以帮助从事跨境电商领域的商家有针对性地甄别适合的第三方结汇平台，以减少商家在资金结汇环节上的成本。

[关键字]跨境电商；结汇平台；模糊神经网络

一、 引言

互联网技术的蓬勃发展带动了跨境电子商务的发展。我国商务部公告表示：2008年至2019年中，跨境電商的年交易额年均增速近30％，而传统对外贸易的年均增长不到10%。跨境电子商务对传统外贸产生了巨大冲击。我国的跨境贸易发展速度较快，但是资金、规模和管理水平等现实因素的制约直接导致中国跨境电商普遍面临结汇环节费用高、时效差、回款难等困境。第三方跨境电商结汇平台能够帮助商家在跨境电商交易结汇环节中解决技术阻滞、法律障碍、语言不通等问题，极大地方便了商家的资金回笼。跨境电商行业的崛起，也进一步带动了跨境支付及结汇平台的发展。选择适合的第三方跨境电商结汇平台成为商家加强资金回流的有效途径，然而，目前在选择跨境电商结汇平台的办法上仍存在盲目性，更多的是主观臆断，远不能满足跨境电子商务蓬勃发展的要求。因此，提取与商家相关度强的评价指标，在此基础上建立一套完善而科学的第三方跨境电商结汇平台甄别体系成为亟迫解决的现实问题。

二、 文献回顾

跨境结算是伴随着传统贸易结算而产生的，前人已经对跨境结算做了大量研究，周莉萍着眼于跨境电商支付以及结汇风险进行分析，主要提到交易真实性、备用金管理风险性，资金非法流动性这三个方面的风险影响[1]。赵俊峰分析研究后认为跨境支付与结算的主要问题存在于资金有沉淀的风险、平台自身的操作风险以及制度的不完善性[2]。张夏恒在对跨境电子商务支付特征的研究中提到，影响用户选择跨境支付和结算方式的主要影响因素是跨境支付方式的普及率和影响范围、交易主体的使用偏好、支付方式的选择，跨境支付方式的使用成本以及跨境支付方式的特点和优势[3]。石红英提出了跨境电商支付平台结算方式及其弊端并且对外汇政策路径进行了分析比对[4]。莫凡以Ping Pong网为例，总结了跨境电商支付平台能更适应潮流与商家选择的对策[5]。

纵观国内外相关研究，不难发现，对第三方跨境电商结汇平台的影响指标研究并不全面，也未能深入挖掘相关商家的真实需求，更多停留在政策性的研究，视角也相对单一。对跨境电商商家选择第三方跨境结汇方式的影响指标的研究有利于商家本身更好地做出选择。故本文将通过相关指标的研究，来分析商家选择结汇平台所采用的影响指标。本文拟基于商家视角对相关影响指标进行全面评价，同时以模糊神经网络为切入点，运用类人类思维模式的模型构建更科学的评价体系模型。

三、 指标选取依据

指标的选取依托于DeLone和McLean在2004年完善的DM模型即电子商务系统成功模型，该模型认为一个成功的电商模型受到系统质量、信息质量、服务质量、使用、用户满意、净收益六个方面、三个维度的制约[6]。本文从使用方出发，考虑到使用方对系统、信息以及服务的要求，选取其第一维度中的系统质量、信息质量、服务质量作为一级指标。在此基础之上进行指标体系构建，其中信息质量、系统质量和服务质量作为结汇平台选择的根本原因作为指标体系的第一层指标[6]。在信息质量该层级下，考虑到跨境电商商家对相关信息流质量的要求，进一步细分为有用性、透明性、多种语言操作三项二级指标；在系统质量该层级下，结合商家访谈中所透露的对系统使用方面的需求，细分为稳定性、安全性、实操性三项二级指标；在服务质量该层级下，结合当前产业融合的大背景下，服务质量自然也成为了产品质量中的重要一环，因此细分为及时性、多币种选择、用户类别、保障机制四项二级指标待调查。此外，通过对商家的访谈了解到对目前面临的第三方跨境电商结汇平台的选择问题上，商家很大程度上受到成本的影响，因此本文加入了运营成本这一因素来对第三方跨境电商结汇平台进行甄别。那么在此层级下，则细分为管理费、结汇费率两项二级指标。自此，选取了四项一级指标，十二项二级指标以待调查研究。

四、 第三方结汇平台选择指标的量表开发

1. 量表开发

本文在学习国内学者的文献的基础上，结合本次调查数据进行研究，调查量表主要是借鉴DM模型，将商家选择结汇平台的影响指标分为十二项细分指标进行测量，让商家对可能会存在影响选择的指标分别进行重要程度测试，由此来收取样本数据，进而对商家选择结汇平台的影响指标进行重要程度测量。此外，在问卷调查中对各个指标的度量使用5级量表：十分重要、比较重要、一般、没那么重要和完全不重要。

2. 样本资料的分析

本次问卷调查针对从事跨境电商行业的商家进行发放，因地域问题选择在网络平台上进行发放，共发放问卷315份，回收有效问卷298份。通过问卷调查后进行指标体系的选择和构建。其中信息质量、系统质量和服务质量作为平台选择的根本原因成为了指标体系的第一层指标。此外，在访谈该领域从业者后，结合用户需求，发现在跨境电商第三方结汇平台的选择问题上，商家很大程度上受到费用的影响，本文加入了运营成本一级指标。并在各个指标下进行了细分，对整体指标构建的完整性做出进一步考量。

3. 构建指标体系

将从DM模型出发对信息质量、系统质量、服务质量和运营平台四个一级指标进行细化与修正，使其更适合于本指标体系的构建。

有用性，即在结汇过程中，用户所取得的信息是真实有效的，平台所提供的款项来源、流程是真实的，可追溯的，保证信息的可用性。

透明性，主要包括即时汇率的公布、结汇时汇率的选择、相关明文条款及规则等。

多种语言操作，基于跨境大背景，定会存在多国语言交流的情况，不同语言环境下表达容易产生歧义，因此该指标体系将其单独列出，对中国商家而言，语言问题极有可能会成为重要影响因素之一（表1）。

稳定性，一、二级指标是继承了DM模型中的可用性和可访问性，也就是系统质量最初考虑的包括服务器的运行、双方交流机制等能否支持系统稳定的运行、发展的要素。

实操性，目前由于跨境电商平台数量多，从业人员数量多，但由于结汇平台的操作实则涉及金融知识，所以该方面主要考虑操作者的实际需求，要求系统操作难度不能过高。

安全性，是该第三方结汇平台受到几方政府的监督，监督政府是否具有权威性。确保账户信息得到保障，规避账号被盗、诈骗等风险的出现（表2）。

及时性，指的是在第三方结汇平台完成结汇后，提现到用户个人国内银行账户的时长。众所周知，提现的时限长短直接关系到资金的流动性强弱，而资金循环流动的周期缩短后会提高商户的经营能力。

多币种选择，则是可以直接选择相对应的外国货币，用户可在此平台中将持有的不同币种款项直接结汇成人民币，或者结汇成其他所需币种。

用户类别，顾名思义便是用户类别的限制，不同平台对于用户的资质有不同的要求，有的需要提供企业证明，而有的只需要个人认证即可。

保障机制，在第三方结汇平台也同样适用，平台内部的规章制度确保了其正常的运行[7]。基于跨境电商的结汇，时常会出现款项的冻结，导致结汇的失败，被冻结的原因有可能与不同国家的政策相关，有可能与所售商品的版权相关。那么此时保障机制便发挥了重要的作用，以确保用户的资金流向不受外来因素的影响，保证用户的利益（表3）。

管理费，网络结汇平台虽然是虚拟的，但是平台上的用户都被视为个体“账户”，因此，基本的维护费用、管理费用等是必不可少的。选择不同的结汇平台需要接受不同额度的管理费用，这也将成为运行成本指标中的一个影响因素。

结汇费率，每个结汇平台采用的收费模式不同，参考当下银行转账的标准，即所结汇额度的抽成，当然，每个结汇平台抽成不尽相同。比如World First的费率在1%~2.5%，Ping Pong则是0.8%。由于该种抽成影响用户最后的结汇利益，所以在考虑成本因素时，该项指标是考量的核心因素[8]（表4）。

4. 指标审核

本节以调查问卷为数据来源，采用（Majonity Addfive-Ordered Weighted Aweraging，MA-OWA）算子打分的方法对指标体系进行最终的确定，根据初选的指标体系采用前文理论基础部分提到的算子算法对指标进行一定的计算筛选，具体为采用多数集的方法进行权重求解，即加大评估人员意见众数值的权重值，成功规避了最值问题[9]。本文就是采用此模型来进行指标体系的确定，具体计算过程如下：

根据前文中依托DM模型设定初级评价指标体系，再由专家对每个指标进行打分，并将打分值排序分类，分数相同的即为同一子类，求各个子类的平均数，并定义该平均数为新子类，接着删除每个子类中的一个数，最后反复循环步骤3和4，当只有一个单元素集合子类时停止循环，该子类中的单元素就是最后的得分值[9]，算子得分见表5。同时根据理论的介绍，得分低于3分的指标将无法通过筛选。由表5可得问卷调查中12项指标均通过测验，具有有效性，均参与指标构建。

五、 实证分析

本文将模糊理论与神经网络进行结合，运用模糊神经网络模型作为跨境电商结汇平台选择的研究方法，以下对模糊推理方法和模糊神经网络结果进行简述。

1. 模糊推理方法

模糊推理的方法主要有两种，分别是Mamdani型（简称M型）和Tagagi-Sugeno型（简称TS型）。本文所提出的基于ANFIS的模糊推理方法从属于TS型，该类型的模糊推理具有易控制优化和自适应方法的优势[10]。TS型的推理过程是用多项式代替模糊量来表示推理后效，其输出结果用输出数据函数形式进行表示，即z=f（x，y）。如果x是A，y是B，那么z=f（x，y）。其中A和B是前提中的模糊集，z=f（x，y）是结论[10]。在推理过程中，每个规则产生一个精确的输出，通过加权平均得到整个系统的输出，加权因子由每个规则的模糊集运算产生。

2. 模糊神经网络及其结构

模糊理论和神经网絡各有优势，前者主要基于模糊逻辑，常规决策下难以顺利解决的模糊信息问题可通过模糊推理进一步处理；而后者能通过仿真推理和自动学习在模式识别、聚类分析和专家系统建立几个方面提供更多的支撑，两者的结合能进一步融合优势：模糊技术更擅长逻辑推理，能够对高阶信息进行更精妙的处理，因此将模糊推理引入神经网络可以提升神经网络对相关信息的进一步处理能力[10]。

3. 自适应模糊神经网络的控制算法

减法聚类是一种快速的单镜头、密度聚类型算法，应用于估算一组数据的中簇中心数目和位置。在减法聚类中，其每一个数据点都会将被视为潜在的聚类中心，再根据每个数据点其周围的数据密度对该点被视为聚类中心的概率进行计算[11]。过程如下：

（1）计算每个数据点的密度。对于m维空间中的N个数据点（X1，X2，…），我们认为每个数据点可能是簇中心的候选，因此每个数据点Xi处的密度目标定义为[10]：

[Di=j=1nexp-||xi-xj||2/(yn/2)2] （1）

ya为其中一个正数，定义一个邻域数据点。

（2）选取密度目标最高的数据点作为第一个聚类中心，对作为聚类中心的每个数据点相关的密度目标进行修改。设Dc为密度目标，xc为选点，那么每个数据点xi的密度目标便可通过以下公式进行修改，即：

[Di=Di-Dciexp[-||xi-xj||2(yn2)2]] （2）

yb是正数。如上所引，若要作为下一个簇中心，那么靠近第一个簇中心xc1的数据点密度目标将不可以继续降低。

（3） 对下一个聚类中心xc2进行选择，再次对数据点的所有密度目标进行校正[12]。

重复上述过程。如果上述公式达到最小值，则聚类结束。

减法聚类是依托于密度的聚类算法，适用于数据集的输入和输出，接着根据聚类集个数和数据集聚类中心位置，在此基础上对输入空间进行划分并进一步优化，最后确定输入和输出语言变量的模糊规则和隶属函数数量[10]。本文通过减法聚类法得到初始模糊推理网络，然后利用数据的输入和输出对该网络模型进行训练，最后得出了一个合理的模糊推理模型。

4. 模型构建

将MATLAB R 2012a软件作为建模载体，运用模糊逻辑工具箱展开建模工作。调用genfis2函数即可自动构建模糊神经网络。本文建模通过图形界面编辑器（ANFIS editor）展开，该编辑器能够完成模糊神经网络的建立、训练和测试等功能。参数设置和模型训练的基本情况如下: 模型的输入变量12个即对应12个已通过检验的评价指标、输出变量1个对应专家打分法所得结果；隶属度函数采用高斯型。训练后得到训练与检验的绝对误差图（图1）。

通过200次训练学习后，将训练误差减至0.000057。同时由图1可见训练与检验的绝对误差值在经过200次训练后趋于平稳，具有较强的稳定性，不会出现大幅度的波动。

5. 数据训练

本节将单独讨论模型中所用到的训练样本，样本数量298组，并以该训练样本进行建模分析。设定一个行向量为1×298的随机数A，调用rand perm函数，以floor向下取整后，随机抽取80%（238个）的样本数据为训练样本，得到训练样本trndata，剩余20%则作为检验样本，得到chkdata。利用std为数据做标准化处理。通过减法聚类自动构建初始网络，调用genfis2函数，在完成训练样本的输入（input_train)、输出(output_train)，相关系数C的设定与标准化处理后，输出已构建的初始网络in_fismat。

调用anfis函数,输入训练数据(trndata)、初始网络名称(in_fismat)、训练次数(epoch_n)、1、检验数据（chkdata）、0，输出以构建完成的网络、训练样本误差、对应检验样本误差最小的网络、检验误差。训练完成后通过evalfis函数完成预测，得到图2。

由图2可看出，训练数据预测值与真实值重合度高。该模糊神经网络模型具有使用价值。输出后得到in_fismat=genfis2（input_train,output_train,c,std），经查找与调试后取得最优系数C=[0.2，0.2，0.3，0.3，0.6，0.3，0.4，0.4，0.4，0.4，0.4，0.4，0.4]。

6. 检验预测数据的准确性

以Ping Pong为例，对20组样本进行数据检验。对应专家打分值，检验通过改模型得出的数据是否具有实际的泛化能力。表格中期望输出即对应专家打分法值；实际输出为已训练完后的模糊神经网络计算得分，所有结果保留至百分位。统计对比结果见表6。

由表6可得，利用训练好的模型对数据进行测试，结果显示测试数据的结果通过计算后与专家打分值十分接近。因而证明了该模糊神经网络模型在第三方跨境电商结汇平台的选取中，所搭建的指标体系能够评价结汇平台，并具备较好的泛化能力。

六、 总结与建议

近年来，跨境电商的发展势头迅猛，同时许多问题也涌现出来，而从事该领域的商家所面临的资金结汇阻滞更是棘手问题之一。在结汇时，规避选择使用第三方跨境电商结汇平台，或是由于商家缺乏客观认知、存在过强主观性而无法择优选择第三方结汇平台均会导致资金结汇的困难。该环节存在费用高、时效差、信用缺失等问题，以致于损害商家经济效益。本文在前人研究的基础上重构了第三方跨境电商结汇平台评价指标体系，收集数据，并配以模糊神经网络模型展开模型训练。训练后获得稳定性强且具有泛化能力的模糊神经网络模型。为从事跨境电商的商家提供更具科学的甄别方法，能够在交易完成后选择成本低、时效快、信誉强并合适该交易结汇特点的第三方结汇平台，使商家在交易中的经济效益达到更佳状态。本文在通过构筑模糊神经网络模型及时有效地解决资金结汇问题的同时，也对模糊神经网络模型实施的企业相关人员的能力水平提出了要求。

1. 提高操作人员的技术水平

学习及泛化能力是模糊神经网络的优势所在，能够有效地结合专家知识及经验对跨境电商结汇平台进行选择。当然，模糊神经网络也具有一定的局限性，比如相关参数的设置，训练样本的容量也都会使计算结果出现偏差。如果操作人员对模糊神经网络领域没有清晰的认知，很有可能会出现模型搭建的不准确致泛化能力差、预测结果不准确等现象。所以，实施模糊神经网络对相关人员提出了一定的技术要求，可对相关人员进行培训，并且通过MATLAB软件不断进行实践和操作，及时提升操作人员的技术水平。

2. 提高管理人员的决策能力

模糊神经网络模型的结果输出只能辅助管理人员在选择平台时用出决策。管理人员应当根据自身情况以及外部环境的变化，比如各个国家相关政策的推出与变化，同质型平台相关优惠措施等，来综合进行第三方跨境电商结汇平臺的选择。因此，提高管理人员的综合素质显得更为重要。

参考文献：

[1] 周莉萍,于品显.跨境电子商务支付现状、风险与监管对策[J].上海金融,2016（5）:73-78.

[2] 赵俊峰.中小跨境电商企业对第三方支付的使用意愿研究[D].蚌埠：安徽财经大学,2018.

[3] 张夏恒.跨境电子商务支付表征、模式与影响因素[J].企业经济,2017,36（7）:53-58.

[4] 石红英.跨境电商支付平台结算问题[J].中国金融,2018（19）:102.

[5] 莫凡.我国跨境电商支付平台品牌国际化转型的问题及对策——以Ping Pong网为例[J].对外经贸实务,2019（4）:38-41.

[6] 沈苑婧.基于模糊神经网络模型的第三方跨境电商平台选择的影响因素研究[D].北京：对外经济贸易大学，2017.

[7] 梁其钰.我国跨境电子商务支付面临的风险与防范机制[J].对外经贸实务，2018（11）:57-60.

[8] 龚榆桐,李超建.中国跨境电商支付平台发展现状、问题及应对策略[J].对外经贸实务，2018（11）:29-32.

[9] 沈涛综合电子信息系统软件质量的测试和评估[J].计算机工程，2004，30（3）：101-103．

[10] 肖斌卿，杨旸，李心丹，等.基于模糊神经网络的小微企业信用评级研究[J].管理科学学报，2016，19（11）:114-126.

[11] 马艳平.中小企业应收账款质押融资的绩效及信用风险研究[D].天津：天津大学，2012.

[12] 李腾飞.基于LabWindows/CVI的数字信号分析研究[D].西安：西安电子科技大学，2007.

Research on the Evaluation Index System of the

Third-party Cross-border E-commerce Settlement Platform：

Based on Fuzzy and Neural Network

Abstract：To successfully solve the third-party exchange settlement platform selection screening problem， this paper first collects the willingness of businesses through questionnaire survey. Combined with literature research method, the evaluation index system of the third-party cross-border e-commerce settlement platform is reconstructed and improved.The fuzzy neural network model is constructed and trained with data to make the mode has better predictability and generalization ability. It can help businesses engaged in cross-border E-commerce identify suitable third-party foreign exchange settlement platforms, so as to reduce the cost of capital settlement.

Key words：cross border E-commerce；foreign exchange settlement platform；fuzzy neural network

基金项目：江苏省社会科学基金项目（项目编号：19GLD005）。

作者简介：周翔（1995-），男，江蘇海洋大学硕士研究生，研究方向为跨境电子商务；周笛（1997-），女，江苏海洋大学硕士研究生，主要研究方向为跨境电子商务；郭燕（1980-），女，江苏海洋大学博士，副教授，硕士生导师，研究方向为网络营销和电子商务。

（收稿日期：2020-12-02 责任编辑：顾碧言）