基于BP神经网络的安徽省城市旅游竞争力关键因素识别

高凤伟，张爽，李耀红

基于BP神经网络的安徽省城市旅游竞争力关键因素识别

高凤伟，张爽，李耀红

宿州学院数学与统计学院，安徽宿州，234000

首先建立安徽省城市旅游竞争力评价指标体系，利用人工神经网络模型中的BP算法，以安徽省各城市为训练样本对网络进行训练学习，待网络训练好之后，则用来对影响各旅游城市竞争力的关键因素进行识别。通过分析，识别出各旅游城市的关键因素，如合肥市关键因素为空气质量达标率、工业废水排放量等;芜湖、宣城和池州市关键因素为固定资产投资率、接待旅客总数等，安庆市关键因素为人均GDP、固定资产投资率等，黄山市关键因素为每万人拥有高校的学生数等。

城市旅游;旅游竞争力;BP神经网络;关键因素

1 问题的提出

随着经济社会的快速发展，人们的生活水平较之前有了较大的提升，并在满足了基本的物质生活需要后开始追求精神生活的提高，旅游业应运而生。同时旅游业大大带动了旅游目的地的经济发展，成为当代经济发展的加速器。因此，对旅游竞争力的研究越来越受到社会各界人士的关注［1-3］。目前，我国在核心竞争力的研究方面常用的方法有AHP法、模糊综合评价法等多元统计分析方法，但是这些方法在运用时多是要求变量之间不存在相互影响。对旅游竞争力的研究，整个系统复杂且影响因素较多，各因素之间的关系错综复杂，有时候变量之间还存在非线性统计关系等，给各种方法的运用带来了不便。

本文运用BP神经网络模型对安徽省城市旅游竞争力进行研究，一是因为BP神经网络模型不对指标的相关性有要求，二是因为BP神经网络模型具有非线性逼近的能力以及很好的自适应能力和学习能力等特点;同时通过隐含层“黑箱式”的网络模拟能够映射输入与输出的任何复杂非线性关系。

2 研究方法

2.1 模型说明

BP神经网络模型的主要特点是信号前向传递，误差反向传播，其传输结构包括输入层、隐含层、输出层。在信号前向传递中，输入信号从输入层节点依次通过各隐含层处理，然后传到输出层节点。如果输出层与期望的输出值误差超过界限，则根据误差转入反向传播，模型依据预测误差来调整网络权值和阀值，从而使BP神经网络预测输出不断逼近期望输出，直到输出层与期望输出值在误差允许范围内，则网络训练成功［4］。根据训练好的神经网络，可以进行多方面的应用。该过程的拓扑结构如图1所示。

图1 BP神经网络拓扑结构图

2.2 BP神经网络的学习算法

BP神经网络的标准学习算法是对网络输入无量纲化处理的外界输入向量(x1，x2，…，xn)，该数值通过网络输入层、隐含层中各层函数的处理，得到输出层;将输出层与期望输出(y1，y2，…，yn)进行比较，通过误差反向传递调整各层函数的连接值，使得输出层不断接近期望的输出［5］。具体过程如图2所示。

图2 BP神经网络的学习过程

2.3 城市旅游竞争力指标体系的建立

根据城市旅游竞争力相关概念，结合具体情况归纳城市旅游竞争力的影响因素，并参考国内外城市旅游竞争力评价的设计方案［6-7］，建立评价安徽省城市旅游竞争力的三级指标体系，即衡量城市旅游竞争力的综合指标:A(B1，B2，B3，B4)(C1，C2，…，C13)，如表1所示。

表1 城市旅游竞争力评价指标体系

2.4 数据处理

根据2014年安徽省统计年鉴及各城市2014年城市统计年鉴，选取2013年相关数据，以城市旅游竞争力较强的几个代表性旅游城市如合肥、芜湖、宣城、池州、安庆、黄山等为例进行实证研究。

在建立BP神经网络之前先对原数据进行归一化和逆指标正向化处理。归一化即将各指标数据投影到(0，1)区间得到各指标的无量纲化数据。由于各变量单位不一致，故先将原数据标准化，削弱指标的纬度，再利用标准化后的数据归一化。逆指标正向化是由于各指标的属性不同，在指标体系中有个别指标是逆指标的形式，如交通噪声情况和排放废水量等。本文所用的归一化公式和将逆指标正向化公式如下:

逆指标得分=1－逆指标归一化后数据

3 实证分析

建立BP神经网络模型。利用样本数据进行模型的仿真训练，通过设定网络参数的值，包括隐含层的个数、隐含层连接函数、最初权值和阀值，运用神经网络特殊的功能建立起一个性能优良的模型，从而达到旅游总收入与各影响因素之间的关系映射。3.1 BP神经网络模型仿真训练

选用6个样本城市作为训练样本，以旅游总收入为期望输出变量，用来描述城市旅游业的现状，其余12个指标作为输入变量，由此形成输入矩阵和输出矩阵并进行仿真训练。

输入矩阵X中xij表示第i个城市的第j个指标值，Y中yi是第i个城市的网络期望输出值。

运用Matlan7.0软件进行网络设计与训练，根据Robert Hecht－Nielsen理论，一个3层的BP网络可以完成任意的n维到m维的映射，因此选用3层神经网络。初始权值和阀值均采用网络默认值，网络结构为:输入层有12个神经元，1个隐含层中有5个节点，输出层有1个神经元。网络的训练函数采用TRAINLM函数，运用LM算法;传递函数采用TANSIG函数。由于系统随机设定网络最初权值，每次训练的结果也不同，因此通过反复多次训练，选取其中误差最小的网络作为最终训练网络，并确定训练网络中的参数。训练路径图及训练过程图如图3和图4所示。训练结果显示，训练样本在第5步达到要求，从第5步开始，每训练一次误差不减而增，连续6次，因此系统在第11步停止训练，表明网络实际输出值与期望输出值之间的误差在允许范围内，模型达到标准，可作为最优模型用于下一步分析［8-10］。

图3 神经网络训练路径图

图4 神经网络训练过程图

3.2 利用训练好的神经网络进行关键因素识别

在建立模型的基础上，识别影响每个样本城市的关键因素。模型可以识别各影响因素对输出变量的影响程度，并根据影响程度的大小识别关键因素，现分别对6个城市旅游竞争力的关键影响因素进行识别。具体做法是:先依次将第i个旅游城市对应的第j个指标值增加适当比例r，其他指标值保持不变建立如下矩阵。

然后将这组矩阵的数值输入到上述训练好的网络模型中，得到增加比例后的BP输出值。将这组所得值与期望值的误差与以上训练得到的误差相比，得到竞争力波动分值，反映各影响因素微量改变所带来的竞争力的变化。按照上述方法，将合肥市各影响因素的数值依次增加10%，建立相应的输入矩阵，输入训练好的神经网络，将输出值进行相应的处理，得到竞争力波动分值，反映在每一个影响因素变动情况下合肥市旅游竞争力的波动情况。各城市影响因素的竞争力波动情况如图5所示。

由图5可以看出，改变样本城市的各个指标值适当比例(10%)后，能够得到使竞争力波动分值较大的几个指标，即识别对旅游收入有关键作用的因素。按照使竞争力波动由大到小的程度整理出各城市影响旅游竞争力的关键因素，如表2所示。

图5 各城市竞争力波动情况

表2 各城市旅游竞争力关键因素

3.3 结果分析

对于合肥市，旅游总收入最多，最主要的因素是其经济总量较其他城市要多且是安徽省的政治经济文化中心，这方面的吸引力使合肥具有很高的知名度，旅游竞争力最强。该市的关键因素全部位于指标体系中的城市环境竞争力，包括空气质量达标率、工业废水净排放量、交通噪声状况(分贝)。因此，提高合肥市旅游竞争力的关键是提高合肥市的环境竞争力。对于芜湖、宣城、池州三城市，其城市旅游竞争力关键因素则是固定资产投资额、接待游客总数和每万人拥有高校学生数，它们分别属于各城市的设施竞争力、经济竞争力和人才竞争力。影响安庆市城市旅游竞争力的关键因素是经济竞争力和环境竞争力。安庆市是人口和地理大市，但是经济发展能力有待提高，在发展经济过程中要注意提升环境竞争力。影响黄山市城市旅游竞争力的关键因素是人才、经济和设施竞争力，提高这三方面的竞争力对提升黄山市的旅游竞争力有很大作用。

4 结束语

BP神经网络具有很强的自适应能力、学习能力和非线性逼近能力，很适合研究指标变量间关系不确定的模型建立。其最大的功能在于预测，但在核心竞争力领域的研究尚属初期，该方法训练过程中自动赋予各影响因素相应的权值，该权值较人工赋值更加客观，更加准确。利用样本数据训练神经网络，进而通过网络进行关键因素的识别，也许是神经网络的另一重要功能。

［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］刘彩红.BP神经网络学习算法的研究［D］.重庆:重庆师范大学计算机信息与科学学院，2008:1-34

［5］樊振宇.BP神经网络模型预算法［J］.软件导刊，2011，7 (10):67

［6］孟秀红.苏州城市旅游竞争力评价研究［J］.重庆师范大学学报:自然科学版，2014，11(6):139-144

［7］张广海，龚荷.浙江省城市旅游综合竞争力时空格局演化分析［J］.中国海洋大学学报:社会科学版，2015(1):78-86

［8］张德丰.MATLAB神经网络应用设计［M］.北京:机械工业出版社，2009:92-103

［9］飞思科技产品研发中心.神经网络理论与MATLAB 7实现［M］.北京:电子工业出版社，2005:79-91

［10］傅荟璇，赵红.MATLAB神经网络应用设计［M］.北京:机械工业出版社，2010:83-97

(责任编辑:汪材印)

C931

A

1673－2006(2016)04－0108－04

10.3969/j.issn.1673－2006.2016.04.028

2015-12-10

宿州学院自然科学项目“城市旅游竞争力评价指标体系的应用研究”(2013yyb08);省级大学生创新创业训练计划入选项目“安徽省房地产价格影响因素分析”(AH201410379074);宿州学院校级示范实验实训中心项目“统计实训示范中心”(szxysfzx201402)。

高凤伟(1986－)，女，山东济南人，硕士，助教，主要研究方向:区域经济统计研究与建模。