1、1市场属性对跨境购物决策的影响【摘要】 本文基于粤港两地的比较研究，采用问卷调查和 BP 神经网络分析方法，就市场属性对消费者跨境购物决策的影响进行了分析。研究结果表明：对于体验产品而言（如化妆品） ，影响广东消费者跨境香港购物的市场属性主要有，打折促销、销售人员的服务水平、购物环境、价格、货币兑换和付款方式等；而对于信任产品而言（如婴幼儿奶粉） ，影响广东消费者跨境香港购物的市场属性主要有，购买到假货和次货的可能性、跨境购物的经济成本、产品质量和跨境购物的时间成本。 【关键词】 市场属性 跨境购物 神经网络 体验产品 信任产品 一、问题的提出 随着中国经济的增长、出境手续的便捷以及人民币的升
2、值，中国人跨境旅游和跨境购物的热情越来越高涨。香港以其独特的地理位置和“购物天堂”的美誉成为中国居民跨境购物的首选目的地。2012 年，中国内地继续成为香港最大的客源市场，在访港内地旅客中，有 1980 万（56.7%）人次为入境不过夜旅客，比 2011 年上升 36.6%。在入境香港不过夜的内地旅客中，广东居民占据绝大多数，他们受惠于“自由行”政策最早，许多人都曾去过香港，所以他们再次赴香港通常主要是为了购物。 一般来说，只要相邻两国、两地区或一国之中的两个独立区域之间的市场属性（税率和产品质量等）存在差别，而且这种通过跨境购物所2获得的收益大于消费者因此而产生的旅行成本的话，跨境购物就会产
3、生。跨境购物这一现象由来已久，它在全世界许多地方普遍存在，如加拿大和美国之间，欧洲各国之间。由于各地的社会和经济环境差异较大，不同地区消费者跨境购物所关注的两地市场差异和所购买的产品类别不尽相同。由此，本文就市场属性对跨境购物决策的影响进行研究。 二、确定市场属性与选择被调查产品 1、确定市场属性 市场属性是指那些能决定消费者是否对购物市场产生正面态度的因素，例如距离和价格。可以推测，跨境购物者满足逐利避险的经济人假设，因此作为自变量的市场属性与因变量跨境购买决策之间的关系，适宜采用经济学中的交易成本理论来研究和解释。 交易成本理论假设交易关系中的买方和卖方都在努力追求各自利益的最大化。由此可
4、知，交易成本越小消费者就会越高兴，所以他们会倾向于从那些感知交易成本最小的市场中购买产品。而感知的交易成本则存在于整个交易过程之中，包括交易前、交易中和交易后，Chiang et al.按照消费者在这三个阶段对交易成本的感知，将交易成本细分为搜索成本、比较成本、检查成本、机会成本、支付成本、运输成本和售后服务成本。因此，本研究首先需要根据交易成本理论确定那些有可能影响广东居民跨境香港购物的所有市场属性。 笔者收集跨境购物文献中曾出现过所有的市场属性，并将这些属性按照交易成本进行分类，然后在 Chiang et al.问卷的基础上进行修改，拟定了本研究中的 18 个可能影响广东消费者跨境购物的市
5、场属性及其问3项；再邀请广州某高校管理学院经常赴香港购物的 7 位女博士生对这些市场属性的问项进行开放式的评论和建议；最后综合考虑这些建议后确定了本研究的 18 个市场属性（见表 1）及其问项的表述。 2、选择被调查产品 由于买卖双方信息不对称，产品一般可以归为：搜索产品、体验产品和信任产品。香港市场上受内地消费者喜欢的产品主要是钟表、珠宝首饰、电子产品和化妆品等，受 2008 年毒奶粉事件的影响，婴幼儿配方奶粉也一直是内地消费者最喜欢购买的产品之一。钟表、电子产品和化妆品都是体验产品，其产品质量只有在使用过程中才能够被感知出来；珠宝首饰和婴幼儿奶粉属于信任产品，其产品质量即使在使用后消费者也
6、很难判断和感知。因此，本研究选择化妆品作为体验产品的代表，婴幼儿奶粉作为信任产品的代表来进行调查。 市场属性的问项均采用 7 级量表，在测量价格时 1 表示便宜 50%，2表示便宜 30%，3 表示便宜 10%，4 表示差不多，5 表示贵 10%，6 表示贵30%，7 表示贵 50%，其他市场属性问项的 17 表示从完全不同意至完全同意。消费者跨境购物决策的问项是：与在本地商场购买下列商品相比，您是否更愿意去香港购买？该问项采用 6 级量表，16 表示从绝对不愿意至绝对愿意。这样购物决策就可以转换成二进制变量，13 为 0，表示不愿意赴香港购物，46 为 1，表示愿意赴香港购物。 三、正式调查
7、 由于化妆品的主要购买者为女性，婴幼儿配方奶粉是孕妇和婴幼儿妈妈们最关心的产品，所以正式调查的地点选择了孕妇和婴幼儿妈妈们4较为集中的广东省妇幼保健医院和广州市妇幼保健医院。调查采取随机选择候诊区的孕妇和携带婴幼儿的女士进行访问的形式，在征得她们同意的情况下让其填写调查问卷，并在调查结束后给予每位被调查者一份精美的礼品作为答谢。调查持续两周的时间，共发放问卷 306 份，筛选未曾去过香港的和有重要问项未填写的问卷后，得到有效问卷 212 份。对比剔除的问卷和保留的有效问卷后，在人口统计学变量上并没有发现有明显的区别。 被调查者的基本情况为：孕妇占 38.7%，婴幼儿妈妈占 61.3%；年龄在
8、20 岁及以下占 1.4%，2128 岁占 51.9%，2936 岁占 41.5%，37 岁及以上占 4.2%；学历为大专的占 34.4%，本科占 42.9%，硕士占 8.5%，博士占 1.9%，其他占 11.3%；家庭月收入 6000 元及以下占 17%，6001 至12000 元占 57.1%，12001 至 18000 元占 16.5%，18001 元以上占 6.6%。这批样本以婴幼儿妈妈为主，年龄介于 2128 岁之间的年青女性，以本科学历为最多，家庭月收入处于中等水平（600112000 元）的占大多数。四、数据分析 一般在面对多个备选方案的评价标准时，消费者的决策规则都可以归为补偿
9、性决策规则和非补偿性决策规则这两大类。使用补偿性决策的消费者会考虑所有属性，并按重要性程度赋予每一属性以相应的权重，同时结合每一备选方案在每一属性上的评价值，得出各个备选方案的综合得分，得分最高的就是被选择方案，因而它是一种线性的决策模型。然而，当消费者面对较多的评价属性或较为复杂的备选方案时，往往并5不会考虑所有的属性因素，他们可能会仅仅基于一个或几个属性就做出判断和决策，因而评价过程并不总是补偿性的。而 Johnson et al.强调，补偿性的线性模型并不能适用于非补偿性的决策规则。由于市场属性对购买决策的影响需要从所有可能的市场属性中选出最重要的那些属性，从数据结构上来看为许多个自变量
10、对一个因变量，消费者面对的评价属性较多，常采用非补偿性的决策规则，适合擅长处理非线性模型的人工智能神经网络分析（ANN）方法。 1、构建神经网络 神经网络模型有多种类型，以反向传播网络（BP）和自组织网络在实际应用中较为普遍。根据本研究的问题和数据的特点，笔者选择 BP 神经网络模型来预测消费者的跨境购物决策。BP 神经网络是一种监督性的学习网络，它旨在学习映射输入向量至所需的输出向量。而训练就是一种最小化实际输出和理想输出之间差别的迭代过程。训练输入数据被放置在网络的输入层。网络输出层上的实际输出与理想输出之间的差值将会被计算出来，再被反向传播给前面一层，然后，相邻层之间的权重将会通过最小均
11、方法进行调整以此来减少观察到的输出误差。这一过程将会继续向前一层执行，一直到达输入层才结束。 本研究将为化妆品和婴幼儿配方奶粉这两种产品构建两个 BP 神经网络。每个 BP 神经网络的输入层都有 18 个节点，对应于 18 个市场属性，输出层有一个二进制的节点，代表着消费者在香港（1）或不在香港（0）购物的决策。在构建神经网络过程中，确定隐藏层的层数和节点数是非常重要的。很多研究表明，当隐藏层超过一层时，隐藏层数量的增加并不会导致神经网络性能的提高。本研究也发现当设置隐藏层为 2 层6和 3 层时，模型的精度并不比 1 层隐藏层时更高。所以本研究中构建的两个 BP 神经网络都只有一层隐藏层。与
12、确定隐藏层的数量一样，确定隐藏层上的节点数也没有理论指导，隐含层节点数选用太少，网络难以处理较复杂的问题；选用过多，将使网络训练时间急剧增加，而且过多的节点容易使网络训练过度。因此作者采用试探的方法在每个神经网络上试验 110 个不同数量的隐藏层节点，再比较神经网络的性能以此确定隐藏层的节点数。性能比较的结果表明，当隐藏层上的节点数达到 6 个时，两种产品网络模型的预测精度均达到最高值，故这两个 BP 神经网络模型隐藏层的最佳节点数为 6 个。随后为这两个模型都选择 Sigmoid 激活函数，它是最常使用的激活函数之一。 2、优化神经网络 构建了上述两个神经网络模型之后，我们需要对它们进行优化
13、。本研究采用灵敏度分析的方法检验输入向量相对输出向量的重要性，并将那些对购物决策不重要的市场属性删除以减少输入向量的数量从而达到优化网络的作用。这种优化的好处就在于可以使网络更加简单、训练更加迅速、避免过度拟合的能力更强。而且通过删除不重要的输入节点来优化网络的方法还可以提高预测的精度。 本研究使用 Clementine 11.0 软件中的 BP 神经网络工具箱进行灵敏度分析。根据本研究结果情况，删除灵敏度小于 0.25 的值，结果如表 2所示。由此就确定了经过优化的化妆品 BP 模型的输入变量（市场属性）为 9 个：打折促销、销售人员的服务水平、购物环境、价格、货币兑换和付款方式、产品和品牌
14、的可选择性、挑选和购买的速度、跨境的时间7成本、以及换/退货和退款服务；婴幼儿奶粉的输入变量为 4 个：购买到假货和次货的可能性、跨境的经济成本、产品质量和跨境的时间成本。 3、检验网络模型及其结果 为了测试两个经过优化的 BP 神经网络模型的性能，作者采用剖分样本测试法（split-sample validation）来验证网络的泛化能力和对于未知样本的评价准确性。BP 神经网络的泛化能力（generation capability）是指对于同一样本集中的非训练样本，网络仍能给出正确的输入输出关系的能力，即网络识别训练集以外样本的能力。泛化能力被认为是衡量 BP 神经网络性能的最重要指标，没
15、有泛化能力的神经网络是没有实用价值的。 剖分样本并交叉测试方法的目的在于通过重新打乱样本并对样本重复使用，尽可能利用有限样本的资源来减少预测的偏差，使样本得到最有效的利用，其检验结果比传统检验方法更为可信。本研究中剖分样本并交叉测试方法的具体做法是，将总样本 212 个（212=453）随机地划分为 4 个样本容量都为 53 的子样本集，每次用 3 个样本集来训练网络，即每次都有 159 个训练样本，再用剩下的一个子样本集作测试样本，循环 4 次使每一个子样本集都作一次测试样本，共随机划分两次，训练和测试 8 次模型。然后将每次运算生成的输出预测值与测试样本的实际值进行比较，即得到两个模型的预
16、测精度平均值，化妆品神经网络模型的精度平均值为 72.4%，婴幼儿奶粉神经网络模型的精度平均值为 80.2%，如表 3 所示。由此可见，这两个经过优化的神经网络模型都达到了一定的预测精度，结果具有非常高的准确性。 8五、结论 本研究以粤港之间的跨境购物现象为切入点，研究了市场属性对广东消费者跨境购物决策的影响。研究结果表明：市场属性对消费者跨境购物决策的影响因产品种类的不同而不同。对于体验产品而言（如化妆品） ，影响广东消费者跨境香港购物的 9 个市场属性重要性由大到小依次为：打折促销、销售人员的服务水平、购物环境、价格、货币兑换和付款方式、产品和品牌的可选择性、挑选和购买的速度、跨境的时间成
17、本、以及换/退货和退款服务；而对于信任产品而言（如婴幼儿奶粉） ，影响广东消费者跨境香港购物的 4 个市场属性重要性由大到小依次为：购买到假货和次货的可能性、跨境购物的经济成本、产品质量和跨境购物的时间成本。这一结论不仅为香港旅游业和零售业在如何吸引内地旅客方面提供指导，而且也为广东本地零售业的生产经营以及如何提高竞争力方面提供了参考。 （注：项目基金：广东省哲学社会科学规划项目（批准号GD12YGL07） 。 ） 【参考文献】 1 香港特区政府旅游事务署：2012 年旅游业表现EB/OL. http：/www.tourism.gov.hk/sc_chi/statistics/statisti
18、cs_perform.html，2013. 2 Leal，A.Lopez-Laborda，J.，Rodrigo，F.Cross-Border Shopping： A SurveyJ. International Advances in Economic 9Research，2010（16）. 3 Chiang，W.K.，Zhang，D.and Zhou，L.Predicting and explaining patronage behavior toward web and traditional stores using neural networks：a comparative analy
19、sis with logistic regressionJ.Decision Support Systems，2006（41）. 4 Williamson，O.E.Transaction-cost economicsJ.Journal of Economic behavior and organization，1987，8（4）. 5 West，P.，Brockett，P.L.，Golden，L.L.A comparative analysis of neural networks and statistical methods for predicting consumer choiceJ.
20、Marketing Science，1997，16（4）. 6 Johnson，F.I.，Meyer，R.J.，Ghose ，S. When choice models fail：compensatory models in negatively correlated environmentsJ.Journal of Marketing Research，1989，26 （3）. 7 Rumelhart，D.E.and McClelland，J.L.（Eds.） ，Parallel and Distributed Processing：Explorations in the Microstru
21、cture of CognitionM.MIT Press，Cambridge，MA，1986. 8 Jain，B.A.Nag，B.N.Performance evaluation of neural network decision modelsJ. Journal of Management Information Systems，1997，14（2）. 9 Ponnapalli，P.V.S.Ho，K.C.and Thomson，M.A formal selection and pruning algorithm for feedforward artificial neural network optimizationC.IEEE Transactions on Neural 10Networks，1995， 10（4）. （责任编辑：张琼芳）
