基于BP神經(jīng)網(wǎng)絡(luò)的山東旅游收入關(guān)鍵因子

張廣海,石 曉

(中國海洋大學(xué) 管理學(xué)院,山東 青島 266071)

一、研究背景與文獻綜述

《2018年全國旅游工作報告》中指出中國旅游產(chǎn)業(yè)對國民經(jīng)濟綜合貢獻和社會就業(yè)綜合貢獻均超過10%,高于世界平均水平。過去三年,我國旅游綜合最終消費占同期國民經(jīng)濟最終消費總額的比重超過14%,旅游綜合資本形成占同期國民經(jīng)濟資本形成總額的比重約6%,旅游綜合出口占國民經(jīng)濟出口總額的比重約6%。隨著旅游產(chǎn)業(yè)的發(fā)展,對國民經(jīng)濟的重要性日益顯著,對旅游收入的研究分析也受到很多學(xué)者的關(guān)注。

孫根年等學(xué)者(2013)采用實證分析的方法, 定量分析了陜西省旅游業(yè)績與資源豐度、交通客運量和人均GDP 之間的相關(guān)關(guān)系, 得出西安市旅游業(yè)在全省一家獨大,地區(qū)之間差異明顯,旅游資源豐度、交通區(qū)位是最主要的影響因素。楊春華等學(xué)者(2015)采用旅游交通空間尺度方法,運用指數(shù)、空間分布、線性回歸分析,對全國33個主要旅游城市的交通通達性進行了研究,得出旅游城市可進入程度與城市經(jīng)濟、社會、地理條件的空間分布特征基本一致;國內(nèi)旅游收入和國內(nèi)旅游人數(shù)分別與城市交通通達性綜合指數(shù)存在正相關(guān)關(guān)系。鄧輝等(2015)運用Eview軟件對我國 22 個省份旅游相關(guān)數(shù)據(jù)進行回歸分析,發(fā)現(xiàn)門票市場經(jīng)濟的完善、城市綠地的鋪展和旅游基礎(chǔ)設(shè)施的構(gòu)建對促進旅游收入的增加至關(guān)重要。王耀斌(2015)等學(xué)者采用相關(guān)性、灰色關(guān)聯(lián)分析發(fā)現(xiàn)對甘肅省旅游收入影響最大的因素是A級和A級以上景區(qū)景點。付向陽(2015)等學(xué)者在一元回歸的分析基礎(chǔ)上,也運用灰色關(guān)聯(lián)方法對近年來內(nèi)蒙古的旅游主要影響因素進行了分析研究,得出經(jīng)濟因素和居民生活水平對旅游經(jīng)濟發(fā)展的影響因素最大。周強等學(xué)者(2018)運用空間數(shù)據(jù)分析與面板數(shù)據(jù)分析方法,對國內(nèi) 31 個省的國內(nèi)旅游業(yè)發(fā)展的指標及其影響因素構(gòu)建計量模型進行分析,得出不同省份影響旅游業(yè)發(fā)展的具體因素存在明顯差異,旅游產(chǎn)業(yè)發(fā)展有著不同的特征。Ogechi Adeola(2018)等學(xué)者建立泊松回歸模型,對44個非洲國家的國際旅游需求的關(guān)鍵驅(qū)動因素進行了識別,結(jié)果表明實際匯率、基礎(chǔ)設(shè)施、人均收入、外國直接投資和貿(mào)易開放等因素影響著非洲國家的旅游產(chǎn)業(yè)發(fā)展,而旅游成本和價格水平不是其關(guān)鍵影響因素[1-11]。

縱觀研究現(xiàn)狀, 可以看出學(xué)者們對于旅游收入的研究越來越重視,從不同的研究角度,采用不同的研究分析方法對于旅游收入的影響因素進行分析辨識。目前學(xué)者們更多地是將省份作為研究對象,同一個省份內(nèi)所有直轄城市的旅游收入影響因素特點研究較少;研究方法目前較多地是采用回歸方程的數(shù)學(xué)模型、實證定量和灰色關(guān)聯(lián)等方法進行研究,所分析涉及到的影響因素數(shù)量較少,對于影響旅游收入的復(fù)雜情況,有待進一步分析。本文將采用“自學(xué)”能力很強的BP神經(jīng)網(wǎng)絡(luò)模型進行分析,該模型對樣本數(shù)據(jù)可進行“自動”學(xué)習(xí),不斷修正傳輸誤差,從而可以對復(fù)雜的影響因素進行分析,同時將主要針對一個省內(nèi)的所有直轄城市的影響因子進行分析,研究省內(nèi)各城市的旅游收入關(guān)鍵影響因子的差異。

二、研究方法與研究對象

(一)研究方法

BP人工神經(jīng)網(wǎng)絡(luò)是多層前饋神經(jīng)網(wǎng)絡(luò),具有非線性逼近的能力以及很好的自適應(yīng)能力和學(xué)習(xí)能力等特點,能夠通過網(wǎng)絡(luò)模擬映射輸入與輸出的復(fù)雜關(guān)系。在BP神經(jīng)網(wǎng)絡(luò)中,信號是前向傳播,而誤差是反向傳播,具有一個或多個sigmoid隱層和線性輸出層,能夠?qū)?shù)據(jù)進行很強的反射能力。BP神經(jīng)網(wǎng)絡(luò)包括輸入層、中間層(隱層)和輸出層。當數(shù)據(jù)輸入網(wǎng)絡(luò)后,神經(jīng)元的激活值從輸入層經(jīng)各中間層向輸出層傳播,在輸出層的各神經(jīng)元獲得網(wǎng)絡(luò)的輸入響應(yīng),按照減少輸出值與期望輸出值誤差的方向,從輸出層經(jīng)過各中間層逐層修正各連接權(quán)值,最終回到輸入層,這種算法成為“誤差逆?zhèn)鞑ニ惴ā?如圖1所示。隨著這種誤差的傳播修正不斷進行,從而使BP神經(jīng)網(wǎng)絡(luò)預(yù)測輸出不斷逼近期望輸出,直到輸出層與期望輸出值的誤差在允許范圍內(nèi),則網(wǎng)絡(luò)訓(xùn)練成功[12-13]。

(二)研究對象

山東省旅游業(yè)蓬勃發(fā)展,近年以來旅游收入年均實現(xiàn)兩位數(shù)的高增長,2015年旅游收入實現(xiàn)7 062.5億元,同比增長14%;2016年旅游收入實現(xiàn)8 030.7億元,同比增長13.7%。2016年全省旅游收入占GDP12%,占第三產(chǎn)業(yè)25.4%,旅游收入占全省GDP比重穩(wěn)超兩位數(shù),旅游業(yè)已經(jīng)成為全省經(jīng)濟發(fā)展的重要組成部分,旅游的戰(zhàn)略性支柱產(chǎn)業(yè)地位更加牢固。山東省地理位置十分優(yōu)越,位于中國東部沿海、黃河下游、京杭大運河的中北段。旅游資源非常豐富,既有悠久的歷史和燦爛的文化,是大漢口文化和龍山文化的發(fā)祥地,也是中國傳統(tǒng)儒家文化的發(fā)源地;又有巍峨的秀麗風(fēng)光和美麗的濱海風(fēng)情,省內(nèi)各個城市的旅游資源也都各具特色,有“世界自然遺產(chǎn)”泰山風(fēng)景區(qū)、“海上名山第一”的嶗山、至今已有逾9 0 0多年歷史的蓬萊閣等。

本文將對山東省直轄的17個城市的旅游收入進行關(guān)鍵因子分析,分析一個省內(nèi)不同城市的旅游收入的關(guān)鍵影響因素特點,運用逼近能力較強的BP人工神經(jīng)網(wǎng)絡(luò)進行模型設(shè)計和數(shù)據(jù)分析。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

三、構(gòu)建指標體系

(一)數(shù)據(jù)來源

采用的數(shù)據(jù)來源于山東省統(tǒng)計局2017年的《山東統(tǒng)計年鑒》、山東省旅游局2017年的《山東旅游年鑒》和《山東旅游統(tǒng)計便覽》等。

(二)影響因子初定

根據(jù)孫根年(2013)的區(qū)域旅游業(yè)的發(fā)展及其影響因素模型的3個劃分層次以及有關(guān)學(xué)者的研究文獻[1],同時結(jié)合山東省各市旅游的實情和數(shù)據(jù)的可獲得性,以各市的旅游總收入y作為指標體系參考因子。解釋因子分為兩級指標,第一級指標包括經(jīng)濟因素(A1)用來表示當?shù)氐慕?jīng)濟發(fā)展和居民“財氣”情況;基礎(chǔ)因素(A2)用來表示當?shù)芈糜巍叭藲狻薄⑿蓍e假期的旅游情況、旅游資源;配套因素(A3)用來表示當?shù)胤?wù)配套、交通運輸、生態(tài)環(huán)境;第二級指標包括GDP總量x1、第三產(chǎn)業(yè)產(chǎn)值x2、進出口總額x3、城鎮(zhèn)居民可支配收入x4、城鎮(zhèn)居民消費支出x5、國內(nèi)游客人數(shù)x6、國內(nèi)游客旅游消費x7、入境游客人數(shù)x8、入境游客旅游消費x9、春節(jié)及十一黃金周旅游消費總量x10、春節(jié)及十一黃金周游客人數(shù)x11、3A及以上景區(qū)和省級及以上度假區(qū)數(shù)量x12、博物館數(shù)量x13、三星級以上飯店數(shù)量x14、山東名牌產(chǎn)品x15、公路里程x16、高速公路里程x17、客運量x18、周轉(zhuǎn)量x19、空氣污染物排放量x20,共計20個二級指標因子。

(三)確定指標體系

旅游產(chǎn)業(yè)是多系統(tǒng)、綜合的復(fù)雜體系,交通、經(jīng)濟發(fā)展水平、旅游資源、星級酒店等要素均對旅游收入有影響,但關(guān)系密切程度不一。先運用Pearson相關(guān)性對影響旅游收入的20個因子進行甄別,確定最終需要分析的旅游收入影響因子。采用的具體方法是,運用SPSS20.0統(tǒng)計軟件對山東省直轄17個城市2016年20個影響因子數(shù)據(jù)與2016年17個城市的旅游總收入進行相關(guān)性分析,去除Pearson相關(guān)性弱的因子,重新構(gòu)建影響因子指標體系。

通過相關(guān)性分析發(fā)現(xiàn),20項影響因子均與旅游總收入存在不同程度的相關(guān)性,其中正相關(guān)19個因子,負相關(guān)1個因子。相關(guān)性系數(shù)在0.9～1之間的有6個因子;在0.8～0.9之間的有5個因子;在0.7～0.8之間的有4個因子;在0.6～0.7之間有為3個因子;低于0.6的有2個因子。其中x20為負相關(guān)因子,相關(guān)性系數(shù)為-0.128,負相關(guān)系數(shù)低。為確保模型擬合的準確度,保留相關(guān)系數(shù)>0.6的18個因子,剔除相關(guān)性<0.6的兩個因子x16、x20。通過Pearson相關(guān)性分析后,最終選取GDP總量、第三產(chǎn)業(yè)產(chǎn)值、3A及以上景區(qū)和省級及以上度假區(qū)數(shù)量等18個影響因子,如表1所示,構(gòu)建山東省直轄17個城市的旅游收入影響因子指標體系。

(四)數(shù)據(jù)的歸一化處理

表1 旅游收入影響因子指標體系

三、構(gòu)建模型與因子辨識分析

(一)建立BP 神經(jīng)網(wǎng)絡(luò)模型

取17個城市的旅游總收入數(shù)據(jù)作為期望輸出變量,其余 18個因子數(shù)據(jù)作為輸入變量,由此構(gòu)成輸入矩陣和輸出矩陣。其中隨機選取17個樣本城市中的15個樣本作為訓(xùn)練樣本,在此基礎(chǔ)上構(gòu)建BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練輸入矩陣X和輸出矩陣Y,矩陣如下:

在輸入矩陣X中xi.j表示第i個城市的第j個指標因子數(shù)值,在輸出矩陣Y中,yi是第i個城市的期望輸出值。其中i=1…18個影響指標因子;j=1…15個城市,這15個城市是從17個總樣本城市中隨機選出的。然后將選取完訓(xùn)練樣本后留下的2個城市樣本作為測試樣本,按照以上相同的方法,構(gòu)建BP神經(jīng)網(wǎng)絡(luò)測試樣本的輸入矩陣和輸出矩陣。

運用 Matlab2017a 軟件進行網(wǎng)絡(luò)設(shè)計與訓(xùn)練,由于本模型的樣本共計17個,樣本總數(shù)不多,經(jīng)多次的訓(xùn)練測試后,發(fā)現(xiàn)采用4層神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)進行訓(xùn)練和測試,模型的數(shù)據(jù)結(jié)果更加穩(wěn)定和準確。本文的神經(jīng)網(wǎng)絡(luò)模型的初始權(quán)值和閥值均采用網(wǎng)絡(luò)默認值,網(wǎng)絡(luò)結(jié)構(gòu)為輸入層17個神經(jīng)元,2個隱含層,隱含層的節(jié)點數(shù)分別為7和3,輸出層有1個神經(jīng)元。隱含層傳遞函數(shù)2個都是S型的正切函數(shù)tansig,輸出層函數(shù)是purelin純線性函數(shù)。網(wǎng)絡(luò)的訓(xùn)練函數(shù)采用trainlm函數(shù),運用lm算法,最大訓(xùn)練次數(shù)設(shè)定為1 000次,學(xué)習(xí)率設(shè)定為0.05,目標誤差為0.04。為確保測試數(shù)據(jù)的準確性,采用隨機樣本進行訓(xùn)練,每次訓(xùn)練的結(jié)果不同,經(jīng)多次訓(xùn)練擬合,選其符合設(shè)定要求的最小誤差的訓(xùn)練網(wǎng)絡(luò)作為最終測試可用的網(wǎng)絡(luò)模型。

(二)旅游收入的關(guān)鍵因子辨識

在確定好的網(wǎng)絡(luò)模型基礎(chǔ)后,開始對山東省17個城市的旅游收入關(guān)鍵性影響因子進行辨識。過程如下:首先依次將第i個城市的第j個影響因子指標增加一定的比例f,同時保持其它的指標數(shù)據(jù)不變,建立矩陣如下:.

依次將建立好的矩陣輸入到以上確定的PB神經(jīng)網(wǎng)絡(luò)模型中,得到增加了f比例的輸出值。將每組的輸出值與期望值的誤差與訓(xùn)練過程中的誤差相比,得到影響旅游收入的波動比值,可以反映18個因子指標的f比例改變后,對旅游收入帶來的變化影響。一組矩陣中波動比值越大的因子指標,即可代表對收入影響最大的因子。按照以上原理,將山東省17個城市的各18個因子數(shù)據(jù)依次增加10%(取f=10%),建立代表各城市的17個輸入矩陣,將17個矩陣依次輸入到已經(jīng)訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)中,計算出每個城市各個影響因子的波動比值。得到各城市影響因子的波動圖,如圖2所示。

圖2 山東省17個城市旅游收入影響因子波動比值圖

由圖2可以看出,山東省直轄的17個城市的旅游收入影響因子指標數(shù)值在提高10%后,各城市、各影響因子呈現(xiàn)不同程度的波動,可以按照波動幅度的大小來識別對旅游收入影響最大的因子。按照各城市旅游收入影響因子的波動比值從大到小依次整理出排名前4的影響因子,如表2所示。

(三)波動比值結(jié)果分析

青島、濟南、臨沂作為山東省旅游收入排名第1、第2、第5的城市,其影響旅游收入的最關(guān)鍵的因子是“國內(nèi)旅游人數(shù)”,國內(nèi)旅游人數(shù)對于青島、濟南、臨沂的旅游收入起到基礎(chǔ)性支撐作用。全省旅游收入排名第3、第8的濰坊和淄博兩個城市,“國內(nèi)旅游人數(shù)”的影響因子排在所有的18個影響因子中的第二位。說明山東省直轄城市中,旅游收入多的城市更加受到“國內(nèi)旅游人數(shù)”的因子影響。

泰安、濟寧、威海這3座城市旅游收入排在省內(nèi)第5、7、9名,影響其旅游收入的最關(guān)鍵的因子是“城鎮(zhèn)居民消費支出”, 其次是“國內(nèi)游客消費”的影響因子,說明這3座城市的消費環(huán)境、消費價格等因素更能鼓勵游客消費,良好的消費環(huán)境對旅游收入起到重要的作用。

表2 山東省17個城市影響旅游收入的前4個關(guān)鍵因子

在排名前4項的旅游收入影響因子中,有7座城市的影響因子涉及“三星及以上飯店數(shù)量”,其中“三星及以上飯店數(shù)量”是棗莊市和東營市旅游收入最關(guān)鍵的影響因子,說明傳統(tǒng)的住宿、酒店類收入還是旅游收入的關(guān)鍵組成部分,特別對山東省內(nèi)非沿海城市的影響更大。

濰坊市、日照市、聊城市的旅游收入影響最關(guān)鍵的因子是“城鎮(zhèn)居民可支配收入”,三座城市的城鎮(zhèn)居民可支配收入的高低,對本地的旅游收入影響最大,表明城鎮(zhèn)居民收入水平的提高對于當?shù)氐穆糜问杖胗蟹e極的推動作用。

在排名前4項的旅游收入影響因子中,有5座城市的影響因子與“3A及以上景區(qū)和省級及以上度假區(qū)數(shù)量”有關(guān),其中該因子在影響煙臺市的旅游收入因子中排名第1;在棗莊市、德州市、濱州市的旅游收入影響因子中排名第2。以上4座城市的其它關(guān)鍵影響因子中都涉及與交通有關(guān)的因子,其中德州市、煙臺市、濱州市都涉及“高速公路里程”因子,此影響因子分別排名第1、第2、第3;棗莊市、濱州市都涉及“周轉(zhuǎn)量”,此因子都是排名第4,說明這5座城市的景區(qū)和度假區(qū)的數(shù)量對旅游收入的影響較大,同時交通的因素與景區(qū)、度假區(qū)因素有密切的關(guān)系,交通的可達性可以提升景區(qū)、度假區(qū)的經(jīng)營收入。

在山東省內(nèi)旅游收入最低的2座城市濱州市、萊蕪市,其旅游收入最關(guān)鍵影響因子都是“博物館數(shù)量”,涉及此因子的城市還有東營市、菏澤市,其“博物館數(shù)量”因子排名都是第2;棗莊市、東營市、濟寧市、泰安市,這四個城市“博物館數(shù)量”因子排名都是第3,說明山東省豐富的歷史底蘊和文化傳統(tǒng)對于旅游收入有積極的促進作用,同時相比較于其它因子,歷史文化對于旅游收入的大幅提升的作用還有待進一步挖掘。

四、總結(jié)

在山東省直轄的17個城市中,其旅游收入的關(guān)鍵影響因子各不相同,主要存在以下特點:旅游收入發(fā)達的城市主要受到“國內(nèi)旅游人數(shù)”的因子影響;旅游收入排名中上等的城市的當?shù)芈糜蜗M環(huán)境、消費價格水平對旅游收入起到積極的促進作用;傳統(tǒng)的接待住宿行業(yè)收入依然是山東省多個城市的主要旅游收入來源之一;交通的可達性、周轉(zhuǎn)量與旅游資源有密切的關(guān)系,協(xié)同一起提升了城市的旅游收入;旅游收入低的城市更多的旅游收入來源于傳統(tǒng)歷史文化因素。

BP神經(jīng)網(wǎng)絡(luò)模型目前在人工智能、逼近、預(yù)測、壓縮等領(lǐng)域有較大應(yīng)用,而對同省內(nèi)各城市的旅游收入關(guān)鍵因子辨識的應(yīng)用尚屬初期, Robert heche-nielsen(1992)研究得出一個3層的BP神經(jīng)網(wǎng)絡(luò)在選擇S型激活函數(shù)后,可以完成任意的n維到m維的映射,可實現(xiàn)任何期望的輸出準確度[14]。而在本文實際的網(wǎng)絡(luò)模型構(gòu)建中,發(fā)現(xiàn)當BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本不多,輸入變量較多的情況下,3層BP神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)的逼近能力偏弱,輸出的變量數(shù)據(jù)不穩(wěn)定,存在測試數(shù)據(jù)誤差較大的現(xiàn)象;而采用4層BP網(wǎng)絡(luò),即包含2個隱藏層的BP神經(jīng)網(wǎng)絡(luò)模型進行網(wǎng)絡(luò)訓(xùn)練、測試后,輸出的變量數(shù)據(jù)與3層BP網(wǎng)絡(luò)相比,更加的穩(wěn)定和可靠,逼近的能力更強。

本文主要采用經(jīng)濟、交通、休閑時間、文化、接待等定量影響因子進行分析,而對于人口統(tǒng)計學(xué)特征、旅游者行為偏好等影響因素沒有涉及,需要在今后的研究中,開展進一步分析。本文在實際構(gòu)建神經(jīng)網(wǎng)絡(luò)模型中,發(fā)現(xiàn)雙隱藏層的BP神經(jīng)網(wǎng)絡(luò)比單隱藏層網(wǎng)絡(luò)輸出變量效果更好,對于樣本量少、輸出變量多的情況下,運用多隱藏層的BP神經(jīng)會是一個有效的選擇。