貝葉斯網(wǎng)絡(luò)方法在電商退貨運(yùn)費(fèi)險(xiǎn)定價(jià)中的 應(yīng)用研究

隨著網(wǎng)絡(luò)的普及、物流體系的不斷完善，網(wǎng)絡(luò)購(gòu)物以其商品類(lèi)型多樣、商品價(jià)格低廉以及消費(fèi)方式便捷深受廣大消費(fèi)者的喜愛(ài)，成為當(dāng)下最盛行的購(gòu)物模式[1]。然而，由于買(mǎi)賣(mài)雙方無(wú)法協(xié)調(diào)退貨運(yùn)費(fèi)而產(chǎn)生大量退貨糾紛阻礙了電子商務(wù)市場(chǎng)的健康穩(wěn)定發(fā)展。退貨運(yùn)費(fèi)險(xiǎn)在解決這方面問(wèn)題上發(fā)揮了積極作用，成為我國(guó)電子商務(wù)市場(chǎng)中不可或缺的環(huán)節(jié)。因此，為了維護(hù)買(mǎi)賣(mài)雙方的利益和保證保險(xiǎn)公司的盈利，進(jìn)一步研究有關(guān)退貨運(yùn)費(fèi)險(xiǎn)定價(jià)方面的問(wèn)題，制定符合電商平臺(tái)發(fā)展需求的退貨運(yùn)費(fèi)險(xiǎn)定價(jià)方案十分必要。本文從網(wǎng)購(gòu)消費(fèi)者視角切入，首先，尋找不同商品類(lèi)別下網(wǎng)購(gòu)消費(fèi)者退貨情況的重要影響因素。其次，采用預(yù)期損失定價(jià)法和貝葉斯網(wǎng)絡(luò)方法建立定價(jià)模型，對(duì)退貨運(yùn)費(fèi)險(xiǎn)進(jìn)行合理定價(jià)。最后，在模型的基礎(chǔ)上，給出相應(yīng)的結(jié)論與建議。一、基本原理貝葉斯網(wǎng)絡(luò)結(jié)合了概率論與圖論的知識(shí)，是一種基于概率推理的圖形化網(wǎng)絡(luò)，適用于表達(dá)和分析不確定性和概率性的事件。貝葉斯網(wǎng)絡(luò)在給定某些先驗(yàn)信息后，能夠利用條件概率表定量地描述事件之間的關(guān)系。設(shè)貝葉斯網(wǎng)絡(luò)表示成BN=(G,P)，其中BN代表貝葉斯網(wǎng)絡(luò)，G代表有向無(wú)環(huán)圖，P代表節(jié)點(diǎn)條件概率表。令?表示網(wǎng)絡(luò)中所有節(jié)點(diǎn)的集合，pa(Xi)表示節(jié)點(diǎn)Xi所有父節(jié)點(diǎn)的集合，當(dāng)pa(Xi)為空集時(shí)，P(Xi|pa(Xi))為先驗(yàn)概率P(xi)，則P(Xi|pa(Xi))表示節(jié)點(diǎn)Xi的條件概率表，由此可計(jì)算得到聯(lián)合概率分布[2]，即貝葉斯網(wǎng)絡(luò)學(xué)習(xí)包括結(jié)構(gòu)學(xué)習(xí)和參數(shù)學(xué)習(xí)。結(jié)構(gòu)學(xué)習(xí)方法常用的有基于評(píng)分搜索的方法，其將貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)問(wèn)題視為優(yōu)化問(wèn)題，根據(jù)某種評(píng)分函數(shù)，利用搜索算法尋找評(píng)分最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)。該方法主要包括兩個(gè)部分，一個(gè)是評(píng)分函數(shù)，用于評(píng)價(jià)網(wǎng)絡(luò)結(jié)構(gòu)與樣本數(shù)據(jù)的擬合程度；另一個(gè)是搜索算法，用于搜索評(píng)分最高的網(wǎng)絡(luò)結(jié)構(gòu)。目前，評(píng)分函數(shù)主要包括貝葉斯評(píng)分（MAP）、貝葉斯信息準(zhǔn)則評(píng)分（BIC）等，搜索算法主要包括爬山算法等，具體原理可參考文獻(xiàn)[3-4]。參數(shù)學(xué)習(xí)方法常用的有貝葉斯估計(jì)法[5]，該方法基于貝葉斯理論，充分考慮了先驗(yàn)信息和樣本信息對(duì)待估參數(shù)的影響，基本原理是：首先將待估參數(shù)θf(wàn)視作一個(gè)隨機(jī)變量，然后確定參數(shù)θ的先驗(yàn)分布P(θ)，最后通過(guò)貝葉斯公式計(jì)算出參數(shù)θ的后驗(yàn)概率P(θ|D)。二、模型建立過(guò)程（一）數(shù)據(jù)描述根據(jù)退貨運(yùn)費(fèi)險(xiǎn)市場(chǎng)的實(shí)際情況，本文將影響消費(fèi)者退貨概率的主要因素歸納為消費(fèi)者個(gè)人因素、商家因素和商品因素三個(gè)方面，采用調(diào)查問(wèn)卷的方式獲取所需數(shù)據(jù)。1．消費(fèi)者個(gè)人因素側(cè)重于消費(fèi)者個(gè)人情況對(duì)其退貨情況的影響，共有14個(gè)，包括性別、年齡、網(wǎng)購(gòu)年齡、平均每月網(wǎng)購(gòu)交易額、平均每月網(wǎng)購(gòu)頻率、挑選商品的時(shí)間長(zhǎng)度、常用的物流公司、平均每月退貨頻率、歷史退貨率、退貨運(yùn)費(fèi)險(xiǎn)補(bǔ)償金額、是否購(gòu)買(mǎi)過(guò)保險(xiǎn)、購(gòu)買(mǎi)商品總數(shù)、消費(fèi)者忠誠(chéng)度、退貨運(yùn)費(fèi)價(jià)格。2．商家因素側(cè)重于商家情況對(duì)消費(fèi)者退貨情況的影響，共有2個(gè)，包括商品降價(jià)補(bǔ)償措施、商家的綜合信譽(yù)度。3．商品因素側(cè)重于商品情況對(duì)消費(fèi)者退貨情況的影響，共有5個(gè)，包括商品類(lèi)別、商品最高價(jià)位、商品包裝精美程度、商品質(zhì)量情況、商品電子口碑好評(píng)度。（二）數(shù)據(jù)預(yù)處理考慮到數(shù)據(jù)的實(shí)際搜集情況以及消費(fèi)者之間的差異性，本文選取“退貨”的樣本數(shù)較多的商品類(lèi)別作為本文研究的對(duì)象，最終選取衣帽鞋飾品類(lèi)、數(shù)碼電子類(lèi)和美容護(hù)膚類(lèi)這三組分別進(jìn)行建模。在建模之前，對(duì)所獲取的數(shù)據(jù)進(jìn)行預(yù)處理，以保證數(shù)據(jù)的可用性。針對(duì)這三組樣本數(shù)據(jù)存在明顯類(lèi)不平衡問(wèn)題，使用欠采樣的方法處理，使每個(gè)數(shù)據(jù)集中的類(lèi)別達(dá)到平衡。此外，本文使用基于互信息的變量選擇方法篩選消費(fèi)者退貨情況的重要影響因素，即以退貨情況作為被解釋變量，以上述21個(gè)影響因素作為解釋變量，分別計(jì)算三種商品類(lèi)別下各影響因素與退貨情況之間的互信息值，閾值設(shè)定為0.01，按照關(guān)聯(lián)程度篩選變量，留下關(guān)聯(lián)性較強(qiáng)的變量作為后續(xù)用于建模的變量。經(jīng)過(guò)變量選擇，篩選得到不同商品類(lèi)別下影響消費(fèi)者退貨概率的重要因素各10個(gè)，具體見(jiàn)表1。表1三種商品類(lèi)別下的重要影響因素由結(jié)果可知，消費(fèi)者購(gòu)買(mǎi)不同類(lèi)別的商品，其退貨的主要影響因素會(huì)有所不同。經(jīng)過(guò)變量選擇后，在上述三種類(lèi)別中，共同的影響因素有平均每月退貨頻率、歷史退貨率、商品質(zhì)量情況、商品包裝精美程度、商品降價(jià)補(bǔ)償措施、商品電子口碑好評(píng)度，但每個(gè)變量在不同的商品類(lèi)別下，它們的重要程度是不同的。另外，不同商品類(lèi)別的退貨情況還受到特定的因素影響。例如，衣帽鞋飾品類(lèi)的退貨情況還受到平均每月網(wǎng)購(gòu)交易額、是否購(gòu)買(mǎi)過(guò)保險(xiǎn)的影響，數(shù)碼電子類(lèi)的退貨情況還受到購(gòu)買(mǎi)商品總數(shù)、商家的綜合信譽(yù)度的影響，美容護(hù)膚類(lèi)的退貨情況還受到年齡、退貨運(yùn)費(fèi)價(jià)格這些因素的影響。（三）建立基于貝葉斯網(wǎng)絡(luò)的退貨運(yùn)費(fèi)險(xiǎn)定價(jià)模型1．構(gòu)建退貨運(yùn)費(fèi)險(xiǎn)定價(jià)模型考慮到預(yù)期損失定價(jià)法具有一般性，且計(jì)算原則簡(jiǎn)單，本文建立預(yù)期損失定價(jià)模型對(duì)退貨運(yùn)費(fèi)險(xiǎn)進(jìn)行合理定價(jià)。預(yù)期損失定價(jià)法的定價(jià)公式如下。預(yù)期損失率=預(yù)期違約概率*風(fēng)險(xiǎn)敞口*預(yù)期違約損失率上式中，預(yù)期違約概率一般根據(jù)消費(fèi)者預(yù)期退貨概率確定；風(fēng)險(xiǎn)敞口在一般情況下等于1；預(yù)期違約損失率是指違約造成的損失占被保單運(yùn)費(fèi)總額的比例，通常情況下也等于1。如此就把退貨運(yùn)費(fèi)險(xiǎn)定價(jià)模型轉(zhuǎn)換為求預(yù)期退貨概率這一關(guān)鍵參數(shù)的值。下面則重點(diǎn)對(duì)消費(fèi)者退貨概率進(jìn)行預(yù)測(cè)。2．構(gòu)建貝葉斯網(wǎng)絡(luò)預(yù)測(cè)模型貝葉斯網(wǎng)絡(luò)是研究不確定性問(wèn)題的優(yōu)良方法，是描述隨機(jī)變量間關(guān)系的一種工具。消費(fèi)者退貨情況受諸多因素影響，這些影響因素彼此關(guān)聯(lián)，其蘊(yùn)含的信息又具有不確定性和相關(guān)性的特點(diǎn)，因此本文選用貝葉斯網(wǎng)絡(luò)方法建立消費(fèi)者退貨概率的預(yù)測(cè)模型，這樣既能夠挖掘出影響因素與消費(fèi)者退貨情況的關(guān)聯(lián)關(guān)系，也更加貼近現(xiàn)實(shí)情況。根據(jù)前面篩選出的不同類(lèi)別下影響消費(fèi)者退貨情況的重要變量，在確定網(wǎng)絡(luò)節(jié)點(diǎn)時(shí)，將這些變量全部考慮在內(nèi)，并把退貨情況這一被解釋變量也納入網(wǎng)絡(luò)結(jié)構(gòu)，即衣帽鞋飾品類(lèi)、數(shù)碼電子類(lèi)和美容護(hù)膚類(lèi)這三種商品類(lèi)別的網(wǎng)絡(luò)節(jié)點(diǎn)均為11個(gè)。然后，本文采用基于評(píng)分搜索的方法進(jìn)行貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)以及采用貝葉斯估計(jì)法進(jìn)行貝葉斯網(wǎng)絡(luò)參數(shù)學(xué)習(xí)。使用基于評(píng)分搜索的方法需要考慮兩個(gè)方面，一方面是評(píng)分函數(shù)選擇，另一方面是搜索算法的選擇。目前，常用的評(píng)分函數(shù)有K2評(píng)分、BDeu評(píng)分、BIC評(píng)分，常用的搜索算法有：K2算法、爬山算法?？墒?，將哪個(gè)評(píng)分函數(shù)與哪個(gè)搜索算法結(jié)合使用可以得到最合適的網(wǎng)絡(luò)結(jié)構(gòu)還未可知，所以本文嘗試多種組合方式，期望找到適用于不同商品類(lèi)別下的消費(fèi)者退貨概率的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)?？紤]到爬山算法原理簡(jiǎn)單且可與任一評(píng)分函數(shù)一起使用，故將爬山算法作為固定的搜索算法，分別與K2評(píng)分、BDeu評(píng)分和BIC評(píng)分組合成三種貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)方法，分別稱(chēng)為K2評(píng)分-爬山搜索法、BDeu評(píng)分-爬山搜索法、BIC評(píng)分-爬山搜索法，借此建立貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)。貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)完成后，使用貝葉斯估計(jì)法進(jìn)行參數(shù)學(xué)習(xí)，充分利用樣本信息學(xué)習(xí)得到每個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)的條件概率分布。綜上，本文基于衣帽鞋飾品類(lèi)、數(shù)碼電子類(lèi)和美容護(hù)膚類(lèi)這三組樣本數(shù)據(jù)和經(jīng)過(guò)變量選擇保留的變量，選擇使用K2評(píng)分-爬山搜索法、BDeu評(píng)分-爬山搜索法、BIC評(píng)分-爬山搜索法這三種貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)方法分別建立消費(fèi)者退貨概率的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)。在同一種商品類(lèi)別下，通過(guò)上述三種貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)方法可構(gòu)建三種不同的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，繼而利用建立的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行參數(shù)學(xué)習(xí)，預(yù)測(cè)消費(fèi)者退貨概率，最后比較“退貨”和“未退貨”兩個(gè)類(lèi)的F1值以及平均準(zhǔn)確率，選擇效果最好的模型作為該類(lèi)別下最終的貝葉斯網(wǎng)絡(luò)預(yù)測(cè)模型，那么該模型的網(wǎng)絡(luò)結(jié)構(gòu)則為該類(lèi)別下最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)。三、模型結(jié)果及驗(yàn)證在同一商品類(lèi)別下，通過(guò)對(duì)比采用K2評(píng)分-爬山搜索法、BIC評(píng)分-爬山搜索法、BDeu評(píng)分-爬山搜索法這三種結(jié)構(gòu)學(xué)習(xí)方法建立的貝葉斯網(wǎng)絡(luò)預(yù)測(cè)模型的效果，能夠得到最優(yōu)的模型，最終結(jié)果見(jiàn)表2。表2三種商品類(lèi)別下的最優(yōu)貝葉斯網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果結(jié)果顯示，不同商品類(lèi)別下的貝葉斯網(wǎng)絡(luò)預(yù)測(cè)模型的平均預(yù)測(cè)準(zhǔn)確率均在74%以上。從F1值的角度來(lái)看，各類(lèi)別的F1值均在72%以上，說(shuō)明本文所建立的各類(lèi)別下的貝葉斯網(wǎng)絡(luò)預(yù)測(cè)模型效果均較好。除了貝葉斯網(wǎng)絡(luò)以外，機(jī)器學(xué)習(xí)還有隨機(jī)森林、XGBoost、支持向量機(jī)等非線性算法。本文采用隨機(jī)森林、XGBoost、支持向量機(jī)三種算法建立模型，對(duì)消費(fèi)者退貨概率進(jìn)行預(yù)測(cè)，然后與最優(yōu)的貝葉斯網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果進(jìn)行比較，分析這四種方法的預(yù)測(cè)精度，以此驗(yàn)證貝葉斯網(wǎng)絡(luò)方法的有效性，結(jié)果如表3所示。表3各模型預(yù)測(cè)結(jié)果對(duì)比結(jié)果表明，在三種商品類(lèi)別下，貝葉斯網(wǎng)絡(luò)模型預(yù)測(cè)效果較優(yōu)于其他三種方法建立的模型，這表明本文所構(gòu)建的貝葉斯網(wǎng)絡(luò)模型具有良好的預(yù)測(cè)精度和泛化能力，并且該模型能從概率的角度較好地描述退貨情況與其對(duì)應(yīng)影響因素之間的非線性關(guān)系，因此將該模型應(yīng)用于消費(fèi)者退貨概率預(yù)測(cè)是可行的。四、結(jié)論與建議研究發(fā)現(xiàn)，消費(fèi)者購(gòu)買(mǎi)不同類(lèi)別的商品，其退貨的主要影響因素有所不同，且每個(gè)變量在不同的商品類(lèi)別下，它們的重要程度也不同。如果按照消費(fèi)者購(gòu)買(mǎi)的商品類(lèi)別劃分樣本可構(gòu)建更加優(yōu)良的貝葉斯網(wǎng)絡(luò)模型。此外，研究結(jié)果還證明了貝葉斯網(wǎng)絡(luò)模型可以作為預(yù)測(cè)消費(fèi)者退貨概率的有效工具，按照以上思路能夠?qū)崿F(xiàn)退貨運(yùn)費(fèi)險(xiǎn)的差別化定價(jià)和動(dòng)態(tài)定價(jià)?；谝陨辖Y(jié)論，為促進(jìn)退貨運(yùn)費(fèi)險(xiǎn)市場(chǎng)良好發(fā)展提出如下建議：其一，