本发明涉及一种多指标投影决策法的消费者网购风险评估方法，属于数据处理技术领域。
背景技术：
网购与传统购物相比较，其方便、快捷、易操作等优点，越来越被人们普遍接受。但网购的虚拟交易性、所购之物信息的难确认性和网购交易双方、第三方交易的复杂性，为潜在的消费交易带来了极大的风险。网购是在虚拟的网络环境下进行交易的，网购风险严重制约着消费者网上购物。
目前国内外在消费者网购风险指标决策研究方面主要集中在少量的理论分析和对策建议，缺少详细的数据支持；其次这些研究为获取关键因素并厘清因素之间的关系，在模型方法上主要以多指标决策、线性加权法、线性分配法topsis法、加权平均规划法最为常见。这些方法在考虑问题时具有全面性，决策的方法也具有科学性，但是例如多指标决策问题需要决策者事先提供偏好信息，由于客观事物的复杂性以及人类思维的模糊性，一般情况下比较难给出明确的偏好信息，所以在给出事物的一个可能变化范围后，得到的结果就缺乏准确性。
因此，目前需要提供一种消费者网购风险评估的模型和方法，以投影值的大小作为评判决策方案优劣的标准，此方法更加准确。
技术实现要素：
本发明要解决的技术问题是针对目前存在的消费者网购风险评估体系构建验证不足、评估效果和结论缺乏实例验证等问题，提供了一种多指标投影决策法的消费者网购风险评估方法。
本发明的技术方案是：一种多指标投影决策法的消费者网购风险评估方法，具体步骤为：
步骤1：建立消费者网络风险评价指标集，总体指标包括3个一级指标：消费者、网络卖家和第三方平台、所购产品；每个一级指标下有一组二级指标，3个一级指标下共有13个二级指标；
所采用的评价指标模型如下所示：
消费者，其下的二级指标有：隐私风险、维权风险、社会风险、心理风险、金融风险、身体风险；
网络卖家和第三方平台，其下的二级指标有：交付风险、支付风险、服务风险、时间风险、来源风险；
所购产品，其下的二级指标有：绩效风险、质量风险；
步骤2：将评价指标体系集中指标属性分层归类构成一个包括有消费者、网络卖家和第三方平台、所购产品三个层次的评估构架，从而从不同视角反映被评估对象的整体性；三个层次分别为a消费者、b网络卖家和第三方平台、c所购产品；其中，a消费者构面包括：隐私风险(a1)、维权风险(a2)、社会风险(a3)、心理风险(a4)、金融风险(a5)、身体风险(a6)；b网络卖家和第三方平台构面包括：交付风险(b1)、支付风险(b2)、服务风险(b3)、时间风险(b4)、来源风险(b5)；c所购产品构面包括：绩效风险(c1)、质量风险(c2)；
步骤3：评价指标的筛选，利用解释结构模型(ism)对各指标进行相关性检验来获取指标之间的逻辑关系，再深入的判断指标之间具体存在直接还是间接关系，对系统各指标的相互逻辑关系有一个直观、清晰的认识，再计算各级指标之间以及总体指标之间的相关系数和显著性水平，剔除不满足要求的评价指标；
步骤4：消费者风险预警指标体系权重的ahp分析：在步骤3构建出来的一个复杂的四级结构模型的基础上运用层次分析法，对各级指标进行定量分析，将原先以主观判断为主的定性分析进行量化，对各个指标赋予相应权重，通过数值来显示各级指标的轻重差异；
步骤5：根据步骤4第二层结构中直接影响消费者网购状况的五个关键指标：时间风险、隐私风险、心理风险、服务风险、财务风险，作为评估消费者网购风险的指标，对每一组别五个指标进行归一化处理并求得处理后各项指标的平均值，根据多指标投影决策法确定决策方案的正、负理想点、贴近度，最后根据决策方案的值的大小确定各方案风险程度以及对风险程度进行排序，以确定他们的风险程度。
本发明的有益效果是：
1、指标筛选时，利用解释结构模型，对二级指标之间、一级指标之间和一级指标与总体指标三个方面进行了权重求解及其一致性检验、总排序及其一致性检验，确保指标的完整性、准确性、科学性和有效性。
2、运用层次分析法，将原先以主观判断为主的定性分析进行量化，得出包含指标权重的消费者网购风险评价指标体系。
3、利用改进的多指标决策法，充分的考虑了多指标情况下方案与正负理想的关系，从待评方案和理想方案之间的相对误差和绝对误差两个方面进行比较，更加客观全面的反映待评方案和理想方案之间的差别，使结果更加真实可信。
附图说明
图1是本发明消费者网购风险指标体系构建图；
图2是本发明消费者网购风险指标有向图；
图3是本发明网购风险指标的结构模型图；
图4是本发明含指标权重的消费者网购风险评价指标体系图。
具体实施方式
下面结合附图和具体实施方式，对本发明作进一步说明。
本发明是多指标投影决策法的消费者网购风险评价方法，下面利用该方法对来自全国各地四个年龄区间、不同性别的消费者网购风险进行评估来验证本发明方法。具体包括以下步骤:
步骤1：依据消费者网购风险的信息，制定表1所示的评价指标维度。以8组消费者为研究对象，以表1的评价指标维度获取这些消费者的指标量化数据。之后，需要对评价维度进行细致的划分，进而建立网购风险评价指标模型，见图1所示。
所述的消费者网购风险评价指标维度如表1所示。
表1消费者网购风险指标维度划分
步骤2：根据解释结构模型(ism)计算各级指标之间以及总体指标之间的相关系数和显著性水平。
(1)根据评价指标类型构造规范化决策矩阵m＝(mij)m×n：设多指标决策问题的方案集为a＝{a1,a2,...,am}，指标集(也称目标集、属性集)为b＝{b1,b2,...,bn}，方案ai对指标bj的指标值为yij，矩阵y＝(yij)m×n表示方案集a对指标集b的“属性矩阵”，也称“决策矩阵”。
通过建立有向图以便弄清这些指标之间的逻辑关系，由于本文研究的特殊性，在此通过对各指标进行相关性检验来获取指标之间的逻辑关系，再深入的判断指标之间具体存在直接还是间接关系。判断指标间直(间)接关系时，是基于假设前提下完成的。具体的逻辑关系见表2.。
“v”代表行因素对列因素有直接或间接影响，“a”代表列因素对行因素有直接或间接影响。进一步可以将上述指标间逻辑关系转化为消费者网购风险预警指标有向图，如图2所示。
表2评价指标之间的逻辑关系
1、邻接矩阵的建立：邻接矩阵描述了系统各要素两两之间的直接关系。对于有n个要素的系统p(p1,p2,…,pi)，定义邻接矩阵a为：
该矩阵是用定量的方式表示出消费者网购风险预警指标，为进一步的模型求解提供了基础。
2、可达矩阵的建立：可达矩阵具有一个重要特性，即推移律特性。当要素pi经过长度为1的通路直接到达要素pj，而pj经过长度为1的通路直接到达pk，则pi经过长度为2的通路一定可以到达pk。依据邻接矩阵a和可达矩阵的推移特性，即可得到可达矩阵a。再依据：
(a+i)≠(a+i)^2≠～～(a+i)^r-1＝(a+i)^r
r＝(a+i)^r-1
得可达矩阵r。
其中，i为n阶单位矩阵，r≤n-1，n为要素个数。矩阵按照布尔代数规则进行。对应矩阵中为1的元素表示该行因素对该列因素有影响(包括自相关)，为0的元素则表示该行因素对该列因素无影响或影响可以忽略。
可达矩阵a
可达矩阵r
3、划分矩阵阶层：通过计算得到r后，接下来需要求解可达集合r(ti)和先行集合。可达集合是指“行”中互相有影响的因素所占的列数，即行中得点为“1”的列数，而先行集合a(ti)是指“列”中互相有影响的因素所占行数，即列中得点为“1”的行数。
对各因素ti，其表达式为：
r(ti|nij＝1)
r(ti|nji＝1)
通过上式可以求得各因素的可达集合r(ti)及先行集合a(ti)。各因素的阶层决定，可以通过可达集合r(ti)和先行a(ti)求解，表达为：
r(ti)∩a(ti)＝r(ti)
由上式可知，满足这一条件的因素为同一阶层。表3是消费者网购风险指标体系第一层的可达集合和先行集合表。
表3可达集合和先行集合表(一)
从上表中可以看出满足条件的元素只有一个s0，其表示为：
l1＝{s0}
从表4看出，满足上式的因素有5个，表示为：
l2＝{a1,a4,a5,b1,b3}
表4可达集合和先行集合表(二)
按照同样的方法可以求得第三、四层的因素,分别为表4和表5所示。从表5中可以看出，满足上式的因素有5个，表示为：
l3＝{a2,b2,b4,b5,c1}
表5可达集合和先行集合表(三)
表6为第四层的可达集合和先行集合表。从表6可以看出，满足上式的因素有3个，表示为：
l4＝{a3,a6,c2}
表6可达集合和先行集合表(四)
在完成矩阵层级的划分后，就可以着手建立结构模型。通过ism模型的求解，可以将其阶层构造为4个阶层。但阶层与阶层的关系还不明确，因此还需要把矩阵r按层次先后进行排列，得矩阵m。根据m矩阵确定各阶层要素之间的关系，例：由m中a12＝1说明s0到al有箭头连接，同理可得其他关系图，见图3。
矩阵m
步骤3：在前文构建的一个复杂的四级结构模型的基础上，就可以运用层次分析法(ahp)，对各级指标进行定量分析，将原先以主观判断为主的定性分析进行量化，用数值来显示各级指标的轻重差异，以便对消费者网购风险评价指标体系权重进行分析。
(1)构造判断矩阵；通过分析下层对上层的影响和相互关系，结合文献分析研究和专家咨询，得出如下判断矩阵：
判断矩阵
(2)权重求解及其一致性检验:通过excel进行归一化处理，求出计算各判断矩阵的最大特征根及特征向量，对特征向量作归一化处理，确定层次单排序权向量，并计算各判断矩阵的一致性，并对指标进行一致性检验。结果如表7。通过表7可以看出，各层权重均通过一致性检验。
表7权重求解及其一致性检验
(3)总排序及其一致性检验:在一致性检验以后，需要进行总排序及其一致性检验。总排序是指在计算递阶层次结构模型中，最底层要素关于最高层的相对权重。总排序是从最高层由上而下逐层进行总排序。某一层上的所有元素关于最高层次相对权数的计算，称为层次总排序。指标权重均通过一致性检验，得出包含指标权重的消费者网购风险评价指标体系。见图4。
步骤4：求属性权重向量w：
(1)由解析结构模型(ism)确定了指标间的逻辑关系，根据逻辑关系将指标分为四层结构。我们将第二层结构中直接影响消费者网购状况的五个关键指标(时间风险、隐私风险、心理风险、服务风险、财务风险)作为评估消费者网购风险的指标，将前面章节用ahp方法求得的变量权重作为对应指标权重。指标体系及对应权重如表8所示。
表8指标体系及对应权重
(2)归一化处理：对每一组别五个指标进行归一化处理并求得处理后各项指标的平均值。通过文献查阅及专家访谈得知时间风险和心理风险为成本型指标，指标值越大，风险程度越高；时间风险、隐私风险和财务风险为效益型指标，指标值越小，风险程度越低；将指标进行归一化处理，并求得各项指标归一化处理后数据的平均值如表9所示(计算过程均由excel实现，且数值均保留小数点后三位有效数字。)
表9指标归一化处理后平均值
步骤5：确定理想点a+，负理想点a-：由于多指标投影决策方法只是利用方案在正理想点上的投影对方案进行排序，但这种方法只考虑了方案与正理想点的关系，却忽视了方案与负理想点的关系，从而当投影值相等时无法判断方案的优先顺序。本文充分考虑方案与正负理想点的关系，运用多指标双向投影决策方法对案例中网购风险进行评估。正理想点与负理想点、负理想点与方案以及方案与正理想点形成的向量分别为：
相应的模分别为：
依据步骤5公式求出正理想点与负理想点所形成的向量及向量的模。即向量a-a+,a-ai,aia+以及它们的模|a-a+|,|a-ai|,|aia+|。(计算结果如表10所见)。
表10正理想点与负理想点所形成的向量及向量的模
依据公式
求a-a+与a-ai夹角的余弦以及a-a+与aia+夹角的余弦(计算结果如表11所示)。
表11a-a+与a-ai夹角及a-a+与aia+夹角的余弦值
步骤6：根据公式
计算wt(ai)；
根据公式：
计算第i个方案在正负理想点形成的向量上的加权投影
表12方案间投影及贴近度
步骤7：根据wt(ai),i＝1,2,...,m值的大小确定各方案风险程度以及对风险程度进行排序。
计算值见表13。
表13方案间投影及贴近度
由此可见26-35组女性网购风险程度最低，55+组的女性网购风险程度最高，且与其他组差别较明显。表明上文所采用的方法有效性。为此我们依据wt(ai)数值区间划分风险等级，如表14所示。
表14风险等级及隶属值
综上，本发明一种多指标投影决策法的消费者网购风险评估方法是一种较为全面的评估消费者网购风险的方法，建立了完善的评价指标模型，利用解释结构模型对不同应用情景和评价指标属性将总指标分层归类处理，运用层次分析法对消费者网购风险评价指标体系权重进行分析，采用改进的多指标投影决策法直观、综合地对不同组的消费者网购行为进行评估。本发明创立了完善的网购风险评估系统，综合全面的考虑了消费者、网络卖家和第三方平台、所购产品等，可给广大消费者和网络企业提供良好建议。
以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。