涂星

深圳大学，广东深圳518060

（Shenzhen University, 518060 Shenzhen, Guangdong）

服饰的演变是一个基于多方面影响下的复杂社会问题。广告影响、技术变革和明星效应等，都会促进服饰款式的革新①。服饰演变与周期和产品供应链很相像②，新流行的产品会填补旧有的消失的物品所留下的空白。作为服饰来说，不同款式的服饰有着不同的流行趋势，兴起的快慢和周期也不相同。有些款式的服饰流行过后，可能过若干年会迎来新一轮的流行，而有些则不然。

一、服饰演变与顾客情感消费心理

关注服饰演变表层的现象可以揭示深层次的道理，大众的消费心理与情感可能是款式变化的源泉。因为人们往往需要一些不同以往的新的款式，流行服饰款式的消亡往往是缺乏个性的结果③④。顾客情感消费心理的差异是服饰美学和服饰演变的原因。消费者也许不会选流行周期短的服饰款式。服饰流行周期的长短，可以被看成是服饰消费行为的一种符号。研究的难点在于服饰流行周期的长短很难量化，处于流行之中的服饰，我们很难判断它流行时间的长短。人们往往借助感性的认识，来说明哪种服饰款式流行的时间长，哪种款式比较经典，但是很难拿出让人信服的合理数据来说明这一问题。

本研究是以数据为基础来分析服饰款式的演变方式，运用生存分析法对服饰的演变与周期进行量化，揭示服饰统计频率中斜率与服饰周期演变的关系。研究的结果建立在数据的统计结果和斜率的检测分析上，阐述符号学对服饰消费的影响。流行时间的长短，可以被看成是一种大众对服饰消费的符号化表现。潜在消费者会避免购买流行兴起过快的服饰款式，是基于其符号化的认知，因为快速的流行，意味着流行时间短暂。这种抽象化的消费符号认知，在本研究中通过数据收集，来进行具体的分析总结。

二、服饰出现频率的数据统计分析方法与斜率计算

本研究的数据，以图片的形式从VOGUE杂志采集。采集后的数据，按照款式根据Sumathi（2010）和 Stalder （2008）等人关于服饰分类的方法，将其分成了上衣、裤子、短裙、长裙4个大类和70个小类⑤⑥。以照片的形式，收集了从1987-2006共20年的图片资料，将其归纳总结后，统计出每一种服饰每一年出现的频率。在统计完成后，绘制出统计图表，使我们直观地看到每一种服饰的变化曲线图。

在完成统计绘制的曲线图后，我们观察到热裤、窄腿裤、哈伦裤、超短裤和直筒裤等，都是裤装的5类不同款式，其出现的统计频率最高年份，大约等于所有款式年份出现总和的0.4%。但是，统计中斜率较高、流行速度较快的直筒裤与窄腿裤曲线斜率较大、横向频率较高、流行消失较快、周期较短。

为了证明观察的准确性和统计频率与斜率之间的对应关系，我们对收集的数据需要进行筛选，因为每一种款式的服饰，都有自己的增长周期与流行频率。

本次研究的对象，是统计斜率与服饰流行周期的关系，要求统计数据有一定的数量作为研究的保障。数量过少的统计数据，其随机性的增大，将严重影响统计的准确性。基于数量的要求，条件规定，款式的平均统计数值，低于全部数值0.5%的款式，不计研究核算。在此规则下，先期统计的70个小类中，有30个因数量不符合要求予以放弃。最终计入研究的有长裤8种、长裙12种、短裙7种、上衣11种。这40种不同的服饰款式的年度出现频率数据，被最终确认用来研究服饰演变与斜率之间的内在联系。

具体使用的方法，为生存分析法。生存分析法，是基于科学的数据统计，可以帮助我们定位一个事件生存的长短⑦。比如，在工业领域对相同的材料加工运用不同工艺后，测试哪种使用的时间更久。在服饰演变的研究中，我们借助这种方法，帮我们了解不同的统计斜率下服饰款式流行的时间长短。基于生存分析法则，使用统计中各款式服饰出现的频率和计算出平均的斜率之间的关系，来研究服饰款式的流行速度、周期和平均斜率之间的对应关系。

三、服饰款式基于流行速率的分组与流行周期时长的计算

Kaplan-Meier预测模型，是生存分析法中的常用方法之一，主要研究生存分析中事物对于事件持续长短的内在关系⑧。这一方法，被广泛应用于工业、经济领域中事件持续长短的分析领域。在本研究的服饰演变领域，我们应用这一模型预测不同款式的服饰的风险率水平、累计风险率和生存时间等评估数值。这些数据，直接反映此种款式流行的时间长短以及消亡的可能性大小，进而代入统计斜率数据对比，判断生存分析中可持续性数据之间的联系，就可以得到不同款式服饰流行性与斜率关联的基本数据。

根据先前的数据统计与条件设定，最终确定40款服饰进入统计分析。根据Kaplan-Meier预测模型条件设定，进入分析的40款服饰数据需要进行规则排序。

首先，我们设定款式流行消失或周期结束数值，为此次最大统计年份数值的20%。如果该款服饰年度统计数值，首次跌入最大值的20%，我们认为此款服饰流行周期结束。

其次，如果某款服饰年度统计数值，在上一个周期结束后，被发现某年度统计数值达到上一个峰点的80%，我们设定为此服饰下一个流行周期开始。第三，如果计入统计的服饰中，某款年度统计数值低于统计数量总和的0.5%，此数据被认为无效， 不计入统计。最后，本次统计设定的斜率计算平均数为5年，找出统计年份的最高点后，如能按设定中的第一条或第二条规则找出前5年数据中的低点，则使用此数据计算服饰演变的周期，统计该款服饰最高数值前5年斜率数值，如数据不够5年，统计后5年斜率数值。

根据以上规则，我们将得到的数据代入斜率计算公式，计算得出40种计入统计的款式服饰的斜率数值。得到每款服饰的统计斜率后，再计算出平均斜率数值为2.98。我们按照平均值将40种服饰分为两组。将平均值高的分为一组设定为组1，将平均值低的分为另一组设定为组0。组1为斜率大、增长与衰亡较快的一组。组0为平均值低、增长和消亡较慢的一组。

根据规则设定，某款服饰在找到最大出现频率的年份后，如果之后发现某年份出现频率不足最大年份的20%，我们认为此款服饰流行周期结束。本例中，生存分析法中的死亡分组按此设定，如发现频率不到最大之20%，就认为已死亡，周期结束，设定为组1。如后期的年份统计数据，都在最大统计年份的20%以上，则设定为生存，周期持续，设定为组0。具体设定与统计斜率计算数值见表1。

表1 具体设定与统计斜率计算数值表

四、服饰统计斜率与流行周期长短的计算关系分析

在数据收集与设定完成后，代入Kaplan-Meier 生存分析计算方程，计算结果见图1和图2。

图1 组1和组0在Kaplan-Meier分析模型下的生存状况图

图2 组1和组0数据的累计风险图

图1中蓝色曲线为组1，绿色曲线为组0，分别代表统计斜率增长、消失快与慢的两组数据，在Kaplan-Meier分析模型下的生存状况图。根据计算结果，我们可以看出，斜率高的组1，流行趋势快，生存的时间较短，而斜率计算比平均值低的一组，流行趋势慢，生存的时间反而较长，其二者差值相差一倍。图2中蓝色曲线为组1，绿色曲线为组0，分别代表随时间的演变，统计斜率不同的两组数据的累计风险。相对斜率低，流行趋势慢的一组，风险较低。斜率高，流行速度快的组别分线累计较高，其风险率指数为斜率较低组的4倍以上。

五、结语

通过对生存分析统计模型进行数据分析研究，结果表明，统计斜率与服饰演变周期存在着反比比例关系：即统计斜率大，流行周期短；统计斜率小，流行周期长。Kaplan-Meier数据统计，同时也为我们计算出了不同的服饰款式的统计斜率与生存率和累计风险之间的关系。计算出的消失率在0～1之间。数值越接近1，消失的风险越大，流行衰减的速度也就越快。比如，直筒裤的消失率为0.03846，而水手裤的消失率为0.96154。很明显，水手裤款式的消失风险，要比直筒裤款式高。风险率与累计风险率指标，揭示了不同款式流行周期的长短，同时也指出了该款式服饰再次流行的可能性。如果风险率过大，该种款式的服饰就有可能仅仅是昙花一现，以后回流的可能性较小。消费者可以根据数据之间的对比，直观地了解不同服饰款式的流行周期长短、衰亡的可能性与累积风险。这可以指导消费者进行消费判断与养成良好的消费习惯。新出现的服饰款式或服饰样式，在出现一定时间后，可以利用相同的方法采集数据，并将其统计数据代入模型之中，以预测该种款式的未来流行趋势，来帮助与指导人们进行消费判断。同时，服饰生产厂商也可以据此确立相应的销售策略。

注释

① Rogers, E.M. Diffusion of Innovations. New York：The Free Press, 1995.

②White, H.C. Chains of Opportunity.Cambridge, MA：Harvard University Press,1970.

③Lieberson, S.Lynn, F.B. Popularity as a Taste：An application to the Naming Process. Onoma：Journal of the International Council of Onomastic Sciences. 2003，38：235-276.

④Leibenstein, H. Bandwagon, snob, and veblen effects in the theory of consumers’demand. Quarterly Journal of Economics, 1950: 64 (2)：183 -207.

⑤Sumathi, G. J. Elements of Fashion and Apparel Design. New Age International,2010.

⑥Stalder, E.Fashion 101：A Crash Course in Clothing. Zest Books, 2008.

⑦Kleinbaum, D. G.& Klein, M. Survival Analysis：A Self-Learning Text Third Edition. Springer Publishers, New York,Inc., 2011.

⑧Kaplan. E. L. &Meier. P. (1958),“Nonparametric estimation from incomplete observations”. J. Amer. Statist. Assn,1958，3 (282)：457-481.