基于BP神經網絡的安徽省城市旅游競爭力關鍵因素識別

高鳳偉，張爽，李耀紅

基于BP神經網絡的安徽省城市旅游競爭力關鍵因素識別

高鳳偉，張爽，李耀紅

宿州學院數學與統計學院，安徽宿州，234000

首先建立安徽省城市旅游競爭力評價指標體系，利用人工神經網絡模型中的BP算法，以安徽省各城市為訓練樣本對網絡進行訓練學習，待網絡訓練好之后，則用來對影響各旅游城市競爭力的關鍵因素進行識別。通過分析，識別出各旅游城市的關鍵因素，如合肥市關鍵因素為空氣質量達標率、工業(yè)廢水排放量等;蕪湖、宣城和池州市關鍵因素為固定資產投資率、接待旅客總數等，安慶市關鍵因素為人均GDP、固定資產投資率等，黃山市關鍵因素為每萬人擁有高校的學生數等。

城市旅游;旅游競爭力;BP神經網絡;關鍵因素

1 問題的提出

隨著經濟社會的快速發(fā)展，人們的生活水平較之前有了較大的提升，并在滿足了基本的物質生活需要后開始追求精神生活的提高，旅游業(yè)應運而生。同時旅游業(yè)大大帶動了旅游目的地的經濟發(fā)展，成為當代經濟發(fā)展的加速器。因此，對旅游競爭力的研究越來越受到社會各界人士的關注［1-3］。目前，我國在核心競爭力的研究方面常用的方法有AHP法、模糊綜合評價法等多元統計分析方法，但是這些方法在運用時多是要求變量之間不存在相互影響。對旅游競爭力的研究，整個系統復雜且影響因素較多，各因素之間的關系錯綜復雜，有時候變量之間還存在非線性統計關系等，給各種方法的運用帶來了不便。

本文運用BP神經網絡模型對安徽省城市旅游競爭力進行研究，一是因為BP神經網絡模型不對指標的相關性有要求，二是因為BP神經網絡模型具有非線性逼近的能力以及很好的自適應能力和學習能力等特點;同時通過隱含層“黑箱式”的網絡模擬能夠映射輸入與輸出的任何復雜非線性關系。

2 研究方法

2.1 模型說明

BP神經網絡模型的主要特點是信號前向傳遞，誤差反向傳播，其傳輸結構包括輸入層、隱含層、輸出層。在信號前向傳遞中，輸入信號從輸入層節(jié)點依次通過各隱含層處理，然后傳到輸出層節(jié)點。如果輸出層與期望的輸出值誤差超過界限，則根據誤差轉入反向傳播，模型依據預測誤差來調整網絡權值和閥值，從而使BP神經網絡預測輸出不斷逼近期望輸出，直到輸出層與期望輸出值在誤差允許范圍內，則網絡訓練成功［4］。根據訓練好的神經網絡，可以進行多方面的應用。該過程的拓撲結構如圖1所示。

圖1 BP神經網絡拓撲結構圖

2.2 BP神經網絡的學習算法

BP神經網絡的標準學習算法是對網絡輸入無量綱化處理的外界輸入向量(x1，x2，…，xn)，該數值通過網絡輸入層、隱含層中各層函數的處理，得到輸出層;將輸出層與期望輸出(y1，y2，…，yn)進行比較，通過誤差反向傳遞調整各層函數的連接值，使得輸出層不斷接近期望的輸出［5］。具體過程如圖2所示。

圖2 BP神經網絡的學習過程

2.3 城市旅游競爭力指標體系的建立

根據城市旅游競爭力相關概念，結合具體情況歸納城市旅游競爭力的影響因素，并參考國內外城市旅游競爭力評價的設計方案［6-7］，建立評價安徽省城市旅游競爭力的三級指標體系，即衡量城市旅游競爭力的綜合指標:A(B1，B2，B3，B4)(C1，C2，…，C13)，如表1所示。

表1 城市旅游競爭力評價指標體系

2.4 數據處理

根據2014年安徽省統計年鑒及各城市2014年城市統計年鑒，選取2013年相關數據，以城市旅游競爭力較強的幾個代表性旅游城市如合肥、蕪湖、宣城、池州、安慶、黃山等為例進行實證研究。

在建立BP神經網絡之前先對原數據進行歸一化和逆指標正向化處理。歸一化即將各指標數據投影到(0，1)區(qū)間得到各指標的無量綱化數據。由于各變量單位不一致，故先將原數據標準化，削弱指標的緯度，再利用標準化后的數據歸一化。逆指標正向化是由于各指標的屬性不同，在指標體系中有個別指標是逆指標的形式，如交通噪聲情況和排放廢水量等。本文所用的歸一化公式和將逆指標正向化公式如下:

逆指標得分=1－逆指標歸一化后數據

3 實證分析

建立BP神經網絡模型。利用樣本數據進行模型的仿真訓練，通過設定網絡參數的值，包括隱含層的個數、隱含層連接函數、最初權值和閥值，運用神經網絡特殊的功能建立起一個性能優(yōu)良的模型，從而達到旅游總收入與各影響因素之間的關系映射。3.1 BP神經網絡模型仿真訓練

選用6個樣本城市作為訓練樣本，以旅游總收入為期望輸出變量，用來描述城市旅游業(yè)的現狀，其余12個指標作為輸入變量，由此形成輸入矩陣和輸出矩陣并進行仿真訓練。

輸入矩陣X中xij表示第i個城市的第j個指標值，Y中yi是第i個城市的網絡期望輸出值。

運用Matlan7.0軟件進行網絡設計與訓練，根據Robert Hecht－Nielsen理論，一個3層的BP網絡可以完成任意的n維到m維的映射，因此選用3層神經網絡。初始權值和閥值均采用網絡默認值，網絡結構為:輸入層有12個神經元，1個隱含層中有5個節(jié)點，輸出層有1個神經元。網絡的訓練函數采用TRAINLM函數，運用LM算法;傳遞函數采用TANSIG函數。由于系統隨機設定網絡最初權值，每次訓練的結果也不同，因此通過反復多次訓練，選取其中誤差最小的網絡作為最終訓練網絡，并確定訓練網絡中的參數。訓練路徑圖及訓練過程圖如圖3和圖4所示。訓練結果顯示，訓練樣本在第5步達到要求，從第5步開始，每訓練一次誤差不減而增，連續(xù)6次，因此系統在第11步停止訓練，表明網絡實際輸出值與期望輸出值之間的誤差在允許范圍內，模型達到標準，可作為最優(yōu)模型用于下一步分析［8-10］。

圖3 神經網絡訓練路徑圖

圖4 神經網絡訓練過程圖

3.2 利用訓練好的神經網絡進行關鍵因素識別

在建立模型的基礎上，識別影響每個樣本城市的關鍵因素。模型可以識別各影響因素對輸出變量的影響程度，并根據影響程度的大小識別關鍵因素，現分別對6個城市旅游競爭力的關鍵影響因素進行識別。具體做法是:先依次將第i個旅游城市對應的第j個指標值增加適當比例r，其他指標值保持不變建立如下矩陣。

然后將這組矩陣的數值輸入到上述訓練好的網絡模型中，得到增加比例后的BP輸出值。將這組所得值與期望值的誤差與以上訓練得到的誤差相比，得到競爭力波動分值，反映各影響因素微量改變所帶來的競爭力的變化。按照上述方法，將合肥市各影響因素的數值依次增加10%，建立相應的輸入矩陣，輸入訓練好的神經網絡，將輸出值進行相應的處理，得到競爭力波動分值，反映在每一個影響因素變動情況下合肥市旅游競爭力的波動情況。各城市影響因素的競爭力波動情況如圖5所示。

由圖5可以看出，改變樣本城市的各個指標值適當比例(10%)后，能夠得到使競爭力波動分值較大的幾個指標，即識別對旅游收入有關鍵作用的因素。按照使競爭力波動由大到小的程度整理出各城市影響旅游競爭力的關鍵因素，如表2所示。

圖5 各城市競爭力波動情況

表2 各城市旅游競爭力關鍵因素

3.3 結果分析

對于合肥市，旅游總收入最多，最主要的因素是其經濟總量較其他城市要多且是安徽省的政治經濟文化中心，這方面的吸引力使合肥具有很高的知名度，旅游競爭力最強。該市的關鍵因素全部位于指標體系中的城市環(huán)境競爭力，包括空氣質量達標率、工業(yè)廢水凈排放量、交通噪聲狀況(分貝)。因此，提高合肥市旅游競爭力的關鍵是提高合肥市的環(huán)境競爭力。對于蕪湖、宣城、池州三城市，其城市旅游競爭力關鍵因素則是固定資產投資額、接待游客總數和每萬人擁有高校學生數，它們分別屬于各城市的設施競爭力、經濟競爭力和人才競爭力。影響安慶市城市旅游競爭力的關鍵因素是經濟競爭力和環(huán)境競爭力。安慶市是人口和地理大市，但是經濟發(fā)展能力有待提高，在發(fā)展經濟過程中要注意提升環(huán)境競爭力。影響黃山市城市旅游競爭力的關鍵因素是人才、經濟和設施競爭力，提高這三方面的競爭力對提升黃山市的旅游競爭力有很大作用。

4 結束語

BP神經網絡具有很強的自適應能力、學習能力和非線性逼近能力，很適合研究指標變量間關系不確定的模型建立。其最大的功能在于預測，但在核心競爭力領域的研究尚屬初期，該方法訓練過程中自動賦予各影響因素相應的權值，該權值較人工賦值更加客觀，更加準確。利用樣本數據訓練神經網絡，進而通過網絡進行關鍵因素的識別，也許是神經網絡的另一重要功能。

［1］Enright M N，Newton J.Determinants of tourism destination competitiveness in Asia pacific:comprehensivenes and universality［J］.Journa lof Travel Research，2005，43(4):339-350

［2］Botti L，Peypoch N，Robinot E.Solonadrasana.tourism destination competitive-ness:the French regions case［J］.Journal of Tourism Research，2009，2(1):5-24

［3］Dwyer L，Kim CDestination competitiveness:determinants and indicators［J］.Current Issues in Tourism，2003，6(5):369-414

［4］劉彩紅.BP神經網絡學習算法的研究［D］.重慶:重慶師范大學計算機信息與科學學院，2008:1-34

［5］樊振宇.BP神經網絡模型預算法［J］.軟件導刊，2011，7 (10):67

［6］孟秀紅.蘇州城市旅游競爭力評價研究［J］.重慶師范大學學報:自然科學版，2014，11(6):139-144

［7］張廣海，龔荷.浙江省城市旅游綜合競爭力時空格局演化分析［J］.中國海洋大學學報:社會科學版，2015(1):78-86

［8］張德豐.MATLAB神經網絡應用設計［M］.北京:機械工業(yè)出版社，2009:92-103

［9］飛思科技產品研發(fā)中心.神經網絡理論與MATLAB 7實現［M］.北京:電子工業(yè)出版社，2005:79-91

［10］傅薈璇，趙紅.MATLAB神經網絡應用設計［M］.北京:機械工業(yè)出版社，2010:83-97

(責任編輯:汪材印)

C931

A

1673－2006(2016)04－0108－04

10.3969/j.issn.1673－2006.2016.04.028

2015-12-10

宿州學院自然科學項目“城市旅游競爭力評價指標體系的應用研究”(2013yyb08);省級大學生創(chuàng)新創(chuàng)業(yè)訓練計劃入選項目“安徽省房地產價格影響因素分析”(AH201410379074);宿州學院校級示范實驗實訓中心項目“統計實訓示范中心”(szxysfzx201402)。

高鳳偉(1986－)，女，山東濟南人，碩士，助教，主要研究方向:區(qū)域經濟統計研究與建模。