基于人工神经网络的京西古村落民俗旅游资源评价

时少华

摘要：对古村落民俗旅游资源进行评价可以促进民俗旅游的健康可持续发展。以北京西部的门头沟区8个传统村落为研究对象，在评价指标体系基础上运用Clementine12.0中人工神经网络的快速、动态和RBFN 3种评价模型进行仿真训练；在动态方法模型基础上结合模糊综合评价方法对8个古村落民俗旅游资源情况进行评价。结果表明，人工神经网络中的动态模型较其他两种模型可信度更高；8个古村落民俗旅游资源整体状况中等偏上，民俗资源还需进一步开发利用。建议深层次挖掘民俗资源蕴涵的历史和文化内涵、科学系统规划利用、提高交通便利性和基础设施建设，进一步提升京西民俗旅游资源可持续利用程度。

关键词：人工神经网络；京西古村落；民俗旅游资源；评价

中图分类号：F590.3；TP183 文献标识码：A 文章编号：0439-8114（2015）12-3048-07

DOI：10.14088/j.cnki.issn0439-8114.2015.12.065

Evaluation on Folk Tourism Resources of Ancient Village in West Beijing Based on Artificial Neural Network

SHI Shao-hua

（Institute of Tourism， Beijing Union University， Beijing 100101 ，China）

Abstract： Evaluation on folk tourism resources of ancient village can promote healthy and sustainable development of folk tourism. Taking eight traditional villages of Mentougou in west Beijing as research subject， on the basis of the evaluation index system， three evaluation models-fast，dynamic and RBFN of the artifical neural network in Clenentine12.0 were simulated； and based on the method of dynamic model combined with the method of fuzzy comprehensive evaluation， the situation of folk tourism resources in eight ancient villages was evaluated. Results showed that dynamic model owned higher credibility than two other models in artificial neural network， and the overall situation of folk tourism resources in eight traditional villages was above the average， therefore folk tourism resources still need futher development and utilization. It was suggested to deep excavate the history and culture connotation of folk resources， to conduce systematically and plan scientifically， to improve the traffic convenience and infrastructure， and to further enhance the degree of sustainable utilization of the folk tourism resources of west Beijing.

Key words：artificial neural network； ancient village of west Beijing； folk tourism resources； evaluation

古村落作为农业文化的重要组成部分，具有很高的历史、科学、文化价值。北京遗留下来的古村落大多是明清及以后形成的古村落，一些古村落仍保持着极其丰富的历史记忆和根脉及丰富的文化遗存，这也使北京古村落成为国内外旅游者的重要目的地，对古村落民俗旅游资源科学分类、有效评价、保护利用是古村落旅游发展中面临的重要问题。2012年和2013年住房和城乡建设部、文化部、财政部公布两批传统村落名录，北京有13个古村落入选，8个位于门头沟区（分别为爨底下村、灵水村、苇子水村、琉璃渠村、千军台村、马栏村、黄岭西村和三家店村），京西古村落在北京古村落中占有十分重要地位。古村落民俗旅游资源评价方面的研究资料不多，文献主要集中在古村落旅游资源评价中的旅游资源价值、旅游环境、旅游服务等[1-11]，涉及一些民俗文化资源评价问题，总体比较片面，不能系统反映古村落民俗旅游资源的历史、科学、文化价值，也难以体现民俗资源在古村落开发与保护方面的重要地位。从评价方法看，相关文献以定量评价方法为主，如层次分析法[2-8]和层次分析法与模糊综合评价方法相结合[9-10]、GIS评价方法[11]，较少运用人工神经网络评价古村落旅游资源。本研究运用Clementine12.0数据挖掘软件中的人工神经网络节点，对京西8个古村落民俗旅游资源进行综合评价，在此基础上提出京西古村落民俗旅游资源可持续利用的建议，有助于京郊古村落民俗旅游的可持续发展。

1 京西古村落民俗旅游资源及分类

北京西部门头沟区古村落多形成于明清时期，最早的古村落起源于东汉。区域内现存186个自然村落，每个村落都存在不同程度的民俗文化遗产， 33个村落依然保留了传统村落面貌，占北京市现存古村落的70%，考察的8个村落可作为现存古村落典型代表，历史遗迹保存完整，民俗文化遗存丰富，为发展民俗文化旅游提供了丰富的资源。学者一般将民俗旅游资源分为物质、社会和精神三大类，并在此基础上做进一步细分[12，13]。结合京西8个古村落民俗旅游资源实际状况，本研究将民俗旅游资源分为3个主类7个亚类18个基本类型，具体见表1。

2 BP和RBFN神经网络特点及比较

2.1 BP反向传播网络模型

BP（Back-Propagation）反向传播网络模型属于前馈式神经网络，是最为常见且较复杂的网络模型。BP反向传播网络的主要特点：

1）网络结构由输入层、一个或多个隐层和输出层构成，其中隐层可以实现非线性样本的线性化。

2）利用反向传播原理，BP神经网络利用输出节点的预测误差来逐层估计隐节点的误差，即将输出节点的预测误差反方向逐层传播到上层隐节点，逐层调整网络权值，直至输入节点和隐节点的权值到调整位置，最终使网络输出值越来越接近期望值。

3）BP神经网络隐节点和输出节点均采用相同的加法器和Sigmoid激活函数。加法器公式为Uj=■WijXi+？兹j，其中，Uj为第j个节点的加法器，Wij为上层第i个节点与本层第j个节点连接权值，Xi为上层第i个节点的输出值，？兹j为节点的偏差。BP神经网络采用的是（0，1）型Sigmoid激活函数，其函数公式为f（Uj）=■。

2.2 径向基函数网络模型

径向基函数神经网络（Radial basis function neural network，RBFN）是一种前馈式网络，包括输入层、隐层（径向基函数层）和输出层。与BP神经网络相比，该网络具有如下特点：

1）径向基函数是三层网络结构（1个输入层、1个隐层和1个输出层），相对简单。

2）径向基函数隐节点采用的是径向基函数，即高斯核函数，公式为ker（‖x-xc‖）=e■，其中，x为输入变量，xc为核函数的中心，？滓为核函数的宽度，h为径向覆盖长度。而输出节点的计算则与BP神经网络一样，采用的是线性加法器和Sigmoid激活函数。

3）径向基函数的网络学习过程主要包括两个阶段。第一阶段程序通过聚类方法确定径向基函数，以及每个径向基函数的核中心xc和宽度？滓。第二阶段是估计径向基函数的网络权重Wij。

4）与BP神经网络不同的是，径向基神经网络的输入层和隐层之间的网络权值固定为1，不需调整。只有隐层和输出层之间的网络权值需要在学习过程中调整，因此学习效率相对较高。

3 评价指标体系的构建与数据的收集与处理

3.1 评价指标体系的构建

依据《旅游资源分类、调查与评价》（GB/T18972-2003）的资源分类标准和专家的意见，初步确立了北京古村落的民俗旅游资源评价指标，在此基础上，25位专家按照民俗旅游资源评价的客观性、系统性、动态效益性等原则，对指标体系进行调整与增删，最终建立了京西古村落的民俗旅游资源评价指标体系，该体系包括三个层次（图1）：决策层A，准则层AA、AB、AC，指标层AAA-ACG。

3.2 数据的收集与处理

由于人工神经网络是依据对训练样本集的仿真结果来预测评价结果的，需要将评价数据划分为训练样本集、验证样本集和预测样本集3个部分来进行处理。在训练样本集、验证样本集方面，设定18个评价指标（AAA-ACG）均为定序数值型评价数据，即“1.00”（很差）、“0.75”（较差）、“0.50”（一般）、“0.25”（良）、“0”（优），而期望值（输出值）采用了5个分类变量来实现，“0”表示评价结果很差，“0.25”为较差，“0.50”表示中，“0.75”表示良，“1.00”表示优。在Clementine中将上述数据按照训练样本集80%，验证样本集20%的比例进行样本分区，利用训练样本集训练模型，验证样本集计算模型误差。

在预测样本集方面，采用对游客现场问卷调查的方法获得数据。调查于2014年4～6月在京西门头沟区8个古村落中进行，采用李克特5点量表数据收集方法，对京西古村落的民俗旅游资源评价体系中的18个指标（图1）进行数据评价，共发放调查问卷260份，有效问卷251份，将数据录入SPSS软件中。由于人工神经网络输入变量的取值范围通常要求在0～1之间[14]，因此需要对数据进行标准化处理，具体为■i=■，其中，■i为第i个评价指标的均值，xmax、xmin为第i个指标数据的最大值与最小值，对8个古村落18个指标（AAA～ACG）的数据进行转换。本研究输出变量采用了5个分类变量来实现，“0”表示评价结果很差，“0.25”为较差，“0.50”表示中，“0.75”表示良，“1.00”表示优。最终将上述处理后的数据引入Clementine12.0数据挖掘软件中，运用Clementine12.0中训练好的神经网络模型来实现民俗旅游资源的评价。

4 民俗旅游资源的人工神经网络评价

4.1 人工神经网络的结构及性能评价

采用了三层神经网络设计，即输入层、隐层和输出层，网络的输入层为18个古村落民俗旅游资源评价指标，输出层由5个分类神经元构成，而隐层的构成目前没有权威的确定准则，采用试错法，通过对用Clementine中BP神经网络节点中动态方法（Dynamic method）、快速方法（Quick method） 和径向基神经网络方法（RBFN）的网络结构、仿真训练周期、参数设置、训练的精确性，以及仿真结果的置信度的比较来选择出最优的网络（表2）。训练仿真的精确性指估计的预测精度，是基于训练样本集计算的，对于分类型输出变量，预测精确性就是指正确预测的样本占总样本的比例。

表2列出了神经网络三种模型计算方法，通过比较可知，三种模型仿真训练的精确性均为100%，对于分类型输出变量，估计精确性就是模型正确预测的样本数占总样本数的比例。但网络结构、模式、训练周期和参数设定在Clementine中却不太一样，神经网络的动态分析方法不能指定“专家”模式，只能指定“简单”模式，即系统按照自动设定方式，在训练中首先创建一个最简单的初始拓扑网络，然后尝试不断将隐节点加入网络中，直到达到预期精确性，找到一个最优的网络结构进行训练，训练结果显示隐层为二层，且第一隐层为3个神经元，第二隐层为4个神经元，估计正确率100%。神经网络的快速方法和径向基方法则选择了“专家”模式，两者的训练周期数设定为250次，为系统默认次数，而训练参数指标中，冲量Alpha的作用在于平滑学习过程中权值的随机更新，增强网络的稳定性，为了加快这一过程，通常该值经验值为0.9[15]。学习率Eta的作用是不断调整网络权值阈值，Clementine中学习率设置策略是令其在模型训练过程中自动变化，自动变化公式为：Eta（t）=Eta（t-1）×exp（log■/d），其中，Etalow和Etahigh分别表示学习率变动范围的最大值与最小值，d为衰减量。在Clementine中，神经网络的快速分析方法中专家模式的系统设定为初始Eta=0.3、Etahigh=0.1、Etalow=0.01、d=30，而径向基神经网络方法中专家模式的系统设定为初始Eta=0.4，其值自动计算，RBF聚类数=20表示为给定的隐节点数目，RBF径向覆盖长度=1表示为径向基神经网络隐节点采用标准化高斯函数。

表3列出了神经网络三种计算方法得出的训练结果及其预测置信度，对于多分类型输出变量，期望预测节点取决于计算结果最大输出节点，预测置信度是预测节点最大值与次大值之差。从表3可知，三种方法的实际输出值与期望值完全相符，但三种计算方法的预测置信度却不一样，BP神经网络快速方法预测置信度最低，RBFN模型预测置信度居中，而BP神经网络动态方法预测置信度最高，说明BP神经网络动态方法预测成功率更高，评价效果最好。

4.2 基于人工神经网络的古村落民俗旅游资源评价

运用上述训练好的网络模型对8个古村落民俗旅游资源进行指标综合评价，其评价数据与结果见表4。

从表4可知，三种评价方法模型的预测置信度不同，整体上看，动态方法模型评价置信度较高，其次是RBFN模型评价置信度，快速方法模型评价置信度最低，说明动态方法模型的评价结果可信度更高，这与表2中训练样本的预测置信度的结果相一致，因此采用动态方法模型的评价结果。

表5给出了18个评价指标运用BP神经网络动态方法模型得到的对于输出变量的重要性分析，重要性分析表示评价指标与输出节点之间的相关程度，值越高表明该评价指标对输出节点越重要，相对于其他指标来说也越重要。表中重要性是基于神经网络权值的Tchaban算法计算出的，公式为Qik=■■Wij（t）Vjk（t），其中，t表示时刻，xi（t）为t时刻的评价指标值，YK（t）为t时刻的输出节点值，Wij（t）为t时刻第i个输入节点与第j个隐节点之间的网络权值，Vjk（t）为t时刻第j个隐节点与第k个输出节点之间的网络权值。根据评价指标的重要性，利用归一化公式Zm=■可以求出每个准则层中指标重要性（表5）。利用模糊综合评价方法，对每个准则层（观赏游憩价值、历史科学艺术价值、旅游环境）进行二级综合评价，将指标层对准则层的每个权重分配定义为Zm，Rm为每个准则层的因素集（因素集见表6，该因素评价值代表频数值），则观赏游憩价值的综合评价结果为B1=Z1×R1=（0.299，0.396，0.222，0.061，0.024），历史科学艺术价值综合评价结果为B2=Z2×R2=（0.362，0.349，0.186，0.07

7，0.027），旅游环境综合评价结果为B3=Z3×R3=（0.242，0.403，0.242，0.084，0.029），按照最大隶属原则可知，8个古村落民俗资源的观赏游憩价值、历史科学艺术价值和旅游环境综合评价结果分别为“良”、“优”、“良”，而根据加权平均的原则，按照公式u=■B×Si/■Si，其中B为综合评价值，Si为评语集合{优，良，中，较差，很差}的赋分，分别取（5，4，3，2，1），通过计算，观赏游憩价值、历史科学艺术价值和旅游环境综合评价结果分别为3.877，3.944，3.745，表明8个古村落的民俗旅游资源的历史科学艺术价值高于观赏游憩价值高于旅游环境。

5 评价结果与建议

按照神经网络动态方法的评价结果（表4），京西古村落民俗旅游资源评价结果为：龙泉镇琉璃渠村、斋堂镇爨底下村、龙泉镇三家店村综合评价结果为“良”，而雁翅镇苇子水村、斋堂镇黄岭西村、斋堂镇马栏村、斋堂镇灵水村、大台街道千军台村评价结果为“中”。表明这8个古村落民俗旅游资源状况整体中等偏上，因此民俗资源还需要进一步的开发利用。从表5评价指标的重要性看，古村落配套设施（ACD）、交通便利条件（ACC）和民俗旅游资源开发程度（ACA）对古村落民俗旅游资源评价影响更大，相对于其他评价指标也更为重要，其次是观赏性（AAC）、历史性（ABA）、古村落的服务质量（ACE）、珍稀度（AAA）和艺术性（ABC），再次是民俗旅游资源的保护程度（ACB）、愉悦性（AAD）、古村落环境质量（ACG）、传承性（ABE）、美感性（AAB）、地方性（ABB）、知名度（ABF）、参与性（AAE）、原真性（ABD），而游客在村落中的安全（ACF）则相对最不重要。从18个指标的重要性可以看出，旅游环境因素如配套设施、交通便利性和民俗资源开发程度等对游客的民俗资源评价影响很大，且三个指标评价为“良”以上的比例分别为59.3%、78.1%、84.8%（表6），可见三个评价指标仍然有很大的提升空间，尤其是古村落配套设施和交通便利条件，由于京西古村落位于山区，距离城市核心区域较远，虽然这有利于保持村落民俗文化的完整性，但这也导致交通便利性差，服务水平不高，基础设施相对于成熟的旅游村落来说也比较薄弱，因而要提升古村落的交通便利性和加强配套设施建设，进而提高游客的体验质量与满意度。

通过对准则层的模糊综合评价可知，历史科学艺术价值评价结果为“优”，这一评价结果也体现了门头沟区古村落民俗旅游资源的特色，如琉璃渠村的琉璃锻造工艺和灵水村“八大堂”商铺民俗文化、秋粥节、名人故居、村规民约等民俗均具有独特的地方性、历史性、原真性与艺术性，且琉璃工艺为北京市非物质文化遗产，这些对游客都具有较高的吸引力。另外，观赏游憩价值评价结果为“良”，这说明还需要进一步提高古村落民俗旅游资源的品位价值与参与性，挖掘民俗资源应有的内涵和底蕴，因此要利用古村落民俗资源的观赏游憩价值和艺术特点深层次挖掘其中蕴涵的历史和文化内涵，充分集中古村落的民俗特色，要考虑建设乡村民俗主题博物馆，记录民间礼俗、民间工艺、民间歌舞以及一些独特的具有地方特色的活动形式[16]。同时，还要借助民俗旅游活动，如灵水村的秋粥节、千军台村的古幡会、琉璃渠村的五虎少林会等活动充分展示民间的传统节日、民间工艺与艺术、民间体育与娱乐技艺，增强挖掘民俗旅游资源的观赏游憩与文化价值并进行创新，并在此基础上寻找潜在的合适传承人，在保护中合理开发利用民俗旅游资源。除了上述在古村落中成立地方化或专题性的乡村民俗主题博物馆和组织民俗旅游活动外，建设民俗度假村，注重参与和体验型民俗旅游商品的开发，让游客在旅游的过程中参与和体验民俗旅游的乐趣，如参与体验琉璃渠村的琉璃雕塑技术，参与三家店村的银匠、铜匠、铁匠、裱糊匠等五行八作工艺制作等，并在此基础上，利用民俗工艺努力开发独具地方特色的旅游纪念品、工艺美术品、土特商品等民俗旅游产品。

从京西古村落民俗旅游资源的规划开发角度看，将古村落民俗旅游资源精确分类与评价，合理分区，做到村落间优势互补，并且与其他村落或景点旅游资源相结合，实现民俗资源和客源共享，是未来民俗旅游资源规划开发的重点方向。民俗旅游只有依托周边内外知名旅游景点联合开发，使区域内的多种资源互补，才能满足游客的个性化旅游需求，扩大客源市场，实现资源共享[17]，提高古村落民俗景区的知名度和品牌效应。如爨柏景区位于北京西部门头沟区斋堂镇，是以古村落文化为代表的旅游度假休闲胜地，景区包含了4个古村落，除了爨底下村和黄岭西村外，还包括京西石头村—双石头村和军户古乐村—柏峪村，4个村落均匀分布于一条旅游线路内，景区内有古道、古井、古庙、古戏台，明代的老村遗址、清代的壁画、甲午战争立功捷报、二战时期被日军烧毁房屋的废墟、抗日哨所遗址等，当游客游览景区后，还可在明清古宅内居住，体验乡村的古宅风情和历史民俗文化，这4个古村落民俗资源优势互补，各具特色，且在北京周边内外均为知名古村落，进而提升了民俗文化景区的知名度与品牌效应。

参考文献：

[1] 吴 冰，马耀峰.古村落旅游资源评价与保护研究——以陕西省韩城市党家村为例[J].陕西师范大学学报（自然科学版），2004，32（1）：121-124.

[2] 汪清蓉，李 凡.古村落综合价值的定量评价方法及实证研究——以大旗头古村为例[J].旅游学刊，2006，21（1）：19-24.

[3] 谭根梅，柳 军，胡汉辉.基于层次分析法的乡村旅游资源评价——以千年古村：江西婺源江湾村为例[J].农业经济，2007 （4）：20-21.

[4] 张 晶，刘舜青.贵州乡村旅游资源评价模型初探[J].贵州社会科学，2007，213（9）：124-127.

[5] 于洪贤，宋红娟.三江自然保护区乡村旅游资源评价[J].东北林业大学学报，2007，35（3）：82-85.

[6] 吕祯婷，罗世俊，谢晶晶.皖南黄山区乡村旅游资源评价及开发建议[J].黄山学院学报，2008，10（2）：27-31.

[7] 林雄斌，颜子斌，徐丽丽，等.基于AHP的宁波市乡村旅游资源评价[J].浙江农业科学，2010（4）：880-885.

[8] 袁 宁，黄 纳，张 龙，等.基于层次分析法的古村落旅游资源评价——以世界遗产地西递、宏村为例[J].资源开发与市场，2012，28（2）：179-181.

[9] 胡 巍，楼凌雁.乡村旅游开发中的旅游资源评价实证研究[J].技术经济与管理研究，2002（3）：58-59.

[10] 程 乾，付 俊.基于游客感知的古村落旅游资源评价研究[J].经济地理，2010，30（2）：329-333.

[11] 杨 雯，刘洪利，赵文吉.基于GIS的延庆县村镇民俗旅游资源评价、分析与规划研究[J].测绘科学，2010，35（3）：128-131.

[12] 田 里.论民俗旅游资源及其开发[J].人文地理，1997，12（3）：16-19.

[13] 张 捷.区域文化的旅游资源的类型及旅游业价值研究[J].人文地理，1997，12（3）：20-24.

[14] 薛 薇，陈欢歌.基于Clementine的数据挖掘[M].北京：人民大学出版社，2012.

[15] 薛薇，陈欢歌.Clementine数据挖掘方法及应用[M].北京：电子工业出版社，2010.

[16] 王云才，郭焕成，杨 丽.北京市郊区传统村落价值评价及可持续利用模式探讨——以北京市门头沟区传统村落的调查研究为例[J].地理科学，2006，26（6）：735-742.

[17] 马 亮，谢 芳.北京乡村民俗旅游资源开发战略初探——以房山区为例[J].北京农学院学报，2010，25（1）：69-72.