吕 建，任鹏飞

（西南交通大学 交通运输与物流学院，四川 成都 610000）

1 引言

在“互联网+”的大背景下，各行各业飞速发展，在货运行业也是如此。伴随着“互联网+货运”的发展，车货双方从线下交易转为线上交易，解决了信息不对称问题，提高了车货匹配效率，降低了货车空驶率，提升了车货双方的用户体验，也降低了物流成本。

当交易从线下转到线上，由于网络交易双方都有一定程度的虚拟性和匿名性的特点，使得交易双方存在天然的不信任感，加之近几年车货匹配平台上频频出现货主发布“虚假信息”、压低运价、拖欠运费、骗取信息费、车主携货跑路等恶劣问题，使得车货双方关系更加紧张。因此车货匹配平台建立完善的信誉评估机制具有重要的意义。

2 文献回顾

目前，国内外学者提出了多种信誉评价模型。在物流信息平台信誉评价的研究中，熊宜强[1]提出了物流公共信息平台车货匹配排序及诚信激励机制研究，采用信号博弈模型对现有的物流公共信息平台的会员等级划分机制的有效性进行了分析，通过适当设立惩罚成本和期望风险成本，对非诚信行为进行约束；苏小根[2]对物流信息平台的信用技术保障体系进行研究，总结了物流平台上发生的信用问题，对其进行了归类并分析了信用问题对平台运营产生的系统性影响，提出了以多媒体形式发布业务信息以降低虚假信息的数量，引入第三方支付来解决拖欠运费等信用问题，并分析确定了最佳第三方支付模式；因为网络交易的虚拟性、复杂性等特点，所以如何判断评价的可信度成为信誉评价研究的重要研究方向。Xiong 和Liu[3]在其信任模型中提出时间因素和交易金额作为信任计算的权重因子；王超等[4]在研究电子商务信誉评价模型时，提出使用时间窗口和交易窗口机制对参与计算的评价因素进行选择；Hubermanba等[5]对信誉计算进行研究时，提出历史评价对于信誉的影响随时间而变化；纪淑娴等[6]研究了如何降低时间对信用评价的影响。李聪等[7]在建立信誉评价模型时考虑了欺诈惩罚维度对信誉评价的影响。李文等[8]在研究电子商务信誉评价时，运用“差评敏感”处理运算保证了模型的敏感性和实用性。

本文以目前主要车货匹配APP的信誉评价系统为研究对象，借鉴前人研究成果并加以创新，主要工作如下：

（1）分析车货匹配平台信誉评价机制现状，构建新的信誉评价机制，总结影响车货双方信誉评价的因素并运用AHP建立信誉评价模型。

（2）根据影响信誉评价的主要因素引入模型修正因子，引入运满满平台的用户评价数据并对引入数据进行合理转换，最后将转换后的数据带入修正模型检验其有效性。

3 车货匹配平台信誉评价机制现状分析

目前国内车货匹配平台如雨后春笋，但是具有较为完善的车货双边信誉评价机制的平台却不多。我国目前主流车货匹配平台及其用户信誉状况评价指标见表1。

表1 我国主流车货匹配平台与用户信誉状况评价指标

各平台信誉评价体系分析如下：

（1）运满满。交易结束后，交易双方可给出好评、中评、差评三种评价，可给对方添加标签（如付款及时、价格公道等），也可发布自定义评语。平台用户主页会显示历史好评总数、中评总数、差评总数、好评率、各标签数量。

（2）货拉拉。因为货拉拉是同城货运叫车平台，类似于“滴滴打车”的模式，所以平台仅对司机进行信誉评价。对司机的评价分为四点：行为分、拒单率、准点率、评分。行为分是货拉拉平台为了规范司机行为而推出的一种评价指标，行为分满分为12分，它不会对服务好的司机产生任何的接单影响，只会针对一些非常恶劣的违规行为进行扣分，同时对司机做出一定的惩罚。比如刷评分（扣3分，封号两天）跳单（扣6 分，封号2 天）、违规加价（扣3 分，封号一天）等。行为分除了扣分，还会根据系统提醒完成相应任务来进行加分，比如面包车完成200 单，货车完成150单就能恢复到12分。拒单率和准点率由系统根据司机以往的交易记录自动给出，评分则是所有交易评分的均值。

（3）快狗打车（原58 速运）。其对司机的评价分为四个维度：月完成率、周好评率、评分、司机等级（铜牌司机、金牌司机、优质金牌司机三等）。月完成率和周好评率为系统自动给出，评分则是所有交易评分的均值，司机等级可以用积分换取，每完成一单可以赚取一定的积分，抢单率越高、每单评分越高，交易结束后所得积分越高。司机等级越高，所得特权越多，而差评可能会使司机被平台封禁。

（4）路鲸。对司机的评价分为两个维度：评分、司机等级（普通、高级、超级、VIP）。评分是所有交易评分的均值，司机等级根据司机经验值确定，经验值越高司机等级越高，经验值可以根据完成系统所给任务获得。

由以上分析可知，目前车货匹配平台的信誉评价机制过于简单，很难对当前的影响车货双边信誉问题的主要因素做出有效评价。

4 构建信誉评价模型

4.1 影响车货双方信誉的主要因素总结

目前国内外学者对物流平台运营模式及车货双边匹配的方法进行了大量的研究，但是关于物流平台上车货双边信誉评价的研究却少之又少。

本文在借鉴前人优秀成果的基础上，总结各大网站、论坛上出现的关于车货双方的信誉问题，同时对车货匹配平台双边信誉状况进行了实地调研，总结出影响货主信誉的主要因素为拖欠运费、货物描述不符、发布虚假货源信息、“放空”。影响车主信誉的主要因素为货车描述与实际不符、服务态度差、没有按时送达、货物损坏。

4.2 构建双边信誉评价机制

鉴于现存的车货匹配平台信誉评分机制过于简单，很难反映平台用户的真实信誉值，而淘宝网的买家和卖家的信誉评价体系趋于成熟，所以借鉴淘宝网的5级评分机制。在平台上每单交易结束后，车主可从运费支付、货物描述、货源信息真实性、没有“放空”这四个方面对货主进行评价，货主可从货车描述真实性、服务态度、准时性、货物安全这四个方面对车主进行评价。评价等级划分及其表示含义见表2。

表2 双边信誉评价等级划分与含义

在平台货主的个人信誉页面可以看到运费支付综合得分、货物描述综合得分、货源信息真实性综合得分、没有“放空”综合得分、综合信誉值5项指标；在平台车主的个人信誉页面可以看到货车描述真实性综合得分、综合服务态度综合得分、准时性综合得分、货物安全综合得分、综合信誉值5项指标。

4.3 建立评价指标体系

本文利用层次分析法构建货主和车主的信誉评价指标体系，综合问卷调查结果，计算各指标的权重，从而将定性问题转化成定量问题。

基于上述分析，建立车货匹配平台双边信誉评价指标体系，见表3。

表3 车货匹配平台双边信誉评价指标体系

4.4 构建车货匹配平台双边信誉评价模型

4.4.1 建立评估对象因素集。设货主综合信誉值的因素集U=(u1,u2,u3,u4)，其中u1为运费支付，u2为货物描述，u3为货源信息真实性，u4为没有“放空”；车主综合信誉值的因素集F=(f1,f2,f3,f4)，其中f1为货车描述真实性，f2为服务态度，f3为准时性，f4为货物安全。

4.4.2 确定指标权重。设因素集U中元素的权重集因素集F中元素的权重集

依据指标体系建立调查问卷，并向多位业内专家发放，回收问卷后确定各指标的评分，利用软件计算各指标权重。判断矩阵和各指标权重见表4、表5。

表4 货主因素集判断矩阵与指标权重

表5 车主因素集判断矩阵与指标权重

4.4.3 平台用户各信誉评估指标综合得分计算。设因素集U=(u1,u2,u3,u4) 中各因素的综合得分集因素集F=(f1,f2,f3,f4)中各因素的综合得分集货主综合信誉值为X1，车主综合信誉值为X2。

式（1）中Li(j)为因素在第j次评价中的得分,n为总评价次数；式（2）中Mi(j)为因素在第j次评价中的得分,n为总评价次数。

5 影响评价指标综合得分准确度的主要因素分析及模型修正

5.1 影响评价指标综合得分准确度的主要因素

在实际的信誉评价中，影响评价指标综合得分准确度的因素有很多，鉴于所研读文献和调研结果，本文把影响评价指标综合得分准确度的主要影响因素分为三点。

5.1.1 时间因素。本文已给模型没有考虑评价时间对信誉评价的影响，导致信誉评价模型很难准确给出用户近期的信誉状况，所以给每次评价加入时间因子来修正模型，且需要满足随着评价日期与当前日期相隔越久时间因子就越小。

设gt为每次评价的时间因子，180天内的评价不受时间影响。

式中，tp表示当前日期；tj表示第j次评价时的日期。

5.1.2 评价方自身信誉值。因为高信誉值的用户其本身具有较为良好的信用状况，所以这类用户给出的评分也更具有可信度，为了减弱恶意差评对信誉评价模型的影响，对模型引入用户自身信誉值因子，且需要满足当评价方的信誉值越高时，其评价对被评价方信誉值的正向性影响越大。

设用户自身信誉值因子为gt。

式中Xj表示第j次评价时评价方的信誉值表示第j次评价时被评价方的信誉值

5.1.3 交易真实性。因为目前主流车货匹配平台并没有对车货双方交易的真实性进行监管，所以很容易让“诈骗团伙”通过“伪交易”刷高所使用账号的信誉值，取得平台其他用户的信任，从而对其进行欺诈行为。为了防止这种情况的发生，本文建议对于相同交易双方在一定的时间内的评分只取一次加入综合信誉值的计算，仅仅保留其他评价的自定义评语。

5.2 加入修正因子后车货双边综合信誉值计算

n'为180天内评价次数。

6 模型有效性检验

以运满满为例，本文从运满满上抽取两名交易数量和好评率大致相当的货主，采集其历史被评价数据，见表6。

截止到2018.09.25，货主1的好评率为90%，好评37个，差评3个，中评1个；货主2的好评率为89%，好评34个，差评3个，中评1个，那么货主1的信誉状况是否真的比货主2略高呢？

因为运满满评价系统为三级评分模式，货主1和货主2的数据无法直接带入本文的信誉评价模型，所以本文对车主评价数据进行如下转换：

Ei(z)为转换后的车主z对货主i的评分。

对车主给出评价时的好评率进行如下转换：

式中，Kp(z)为车主z给出评价时自身好评率，Hi为货主i转化后的综合信誉值，“5”指五级评分中的5分。

为得到货主1和2的实时信誉值，本文做出如下假设：

式中，q为车主z对货主评价时货主的被评价总次数；q'为好评总次数；L为货主的实时信誉值。

车主给出评价后货主信誉值则是历史评分的均值，转化后的数据见表7。

由数据分析可知，货主1 的信誉状况较为稳定，且该货主进入平台不足180天；货主2进入平台近两年时间，初入平台时信誉值较差，但随着发货量越来越多，其好评率也越来越高，且近16 次评价全为好评，证明货主2 在不断提升自己各方面的服务质量，因此货主2近期的信誉值应高于货主1。

表6 车主历史被评价数据

表7 转化后数据

将转换后的数据带入本文模型得货主1的综合信誉值为4.2，货主2的综合信誉值为4.3，货主2的综合信誉值高于货主1，这与平台的计算结果相反，却与我们上述分析一致。计算结果表明，修正后的模型能够更加准确地计算平台用户的信誉值，更好地体现平台用户的近期信誉状况。

7 结语

本文总结和分析了目前主流的车货匹配平台的信誉评价机制。针对其缺陷，本文提出的车货匹配平台五级信誉评价机制，能够将平台用户的信誉状况分成四个板块，在用户选择交易方时能够根据自己偏好的信誉板块来决定。为模型加入修正因子后，削弱了“陈旧”评价对用户信誉状况的影响，使模型更好的体现用户近期的信誉状况。

因为本文所需数据很难提取，所以对引入的运满满用户信誉评价数据进行合理转换，使数据能够代入修正后模型，实验结果表明本文模型能够更加准确的体现平台用户的信誉状况，能更好的适用于车货匹配平台。