全球经济发展进入信息经济时代,近几年崛起的电子商务已成为推动社会经济发展的重要力量。由于网络的开放性和虚拟性等特点,电子商务信用缺失问题越来越严重,导致了消费者对店铺信用的错误认知,制约了电子商务的发展。同时,掌握电子商务网站中店铺信用水平及店铺信用发展趋势对于监管部门有着重要意义。因此,本文研究了电商店铺的信用预测方法。本文主要研究内容包括三方面:(1)店铺信用评价模型的建立。分析了我国C2C电子商务网站-淘宝网的信用评价模型,找出了其模型存在的问题和不足。采集淘宝网店铺的交易信息,运用基于LM算法的BP神经网络构建了信用评价指标体系,考虑了买家信用、售后率、执照信息等因素,并加入了评论真实度这一评价指标,建立了改进的店铺信用评价模型。(2)基于马尔科夫与BP神经网络建立店铺信用预测模型。提出马尔科夫与BP神经网络结合的店铺信用预测模型方法。首先将店铺信用评价模型得到的结果用于店铺信用预测模型中BP神经网络的学习,得到店铺信用预测值;然后用黄金分割法对店铺信用预测值的相对残差进行状态划分,求得状态转移概率;最后运用马尔科夫过程修正店铺信用预测值。(3)信用预测模型的应用。将店铺信用预测模型应用到电商店铺的信用预测中,可以证明本模型预测精度较高,能有效预测出店铺未来信用等级,从而了解店铺未来月份的信誉高低,可以为电子商务的监管部门提供监管依据。本文构建了基于马尔科夫与BP神经网络的店铺信用预测模型,能够反映出店铺未来信用等级,对店铺非诚信行为进行约束,为有关部门提供监管依据,有助于电商信用体系的建设。