基于SOFM法山东省地市旅游综合实力评价研究

基于 SOFM 法山东省地市旅游综合实力评价研究Ξ 陆 相 林 (枣庄学院 旅游与资源环境系 ,山东 枣庄　277160) 摘 要 :对 SOFM 方法的原理进行了介绍 ,选取评价指标体系 ,利用 SOFM 方法对山东省 17 地市旅游综合实 力进行评价. 结果 表 关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf 明 ,SOFM 法是评价区域旅游综合实力的一种有效方法. 对 SOFM 应用中相关参数的选择进行 了详细阐述 ,从技术层次角度得出应用中的一些重要结论 ,如 SOFM 具有自动消除重叠信息的功能、SOFM 不同于 SOM 等. 关键词 :人工神经网络 ; SOFM 方法 ; 旅游综合实力 ; 评价 ; 山东省 中图分类号 : F 592. 3 　　　文献标识码 :A 　　　文章编号 :100025854 (2008) 0220269204 区域旅游发展受多种因素影响 ,目前对旅游综合实力的测度尚未达成共识 ,其定量化研究多集中于省 际[1～3 ] ,而对省内的研究很少. 评价区域旅游发展综合实力 ,必须建立适当的指标体系 ,笔者构建了山东省 17 地市旅游综合实力评价的指标体系 ,并用主成分方法进行了评价[4 ] . 人工神经网络 (artificial neural network ,ANN)方法是 20 世纪科学技术所取得的重大成果之一[5 ] . 当前 , 我国 ANN 方法应用于旅游研究的成果较少 ,主要集中于预测[6 ,7 ]和分类[8 ]方面 ,SOFM (self2organizing fea2 ture map)方法的应用成果更少 ,且应用过程中相关参数的选择及具体处理过程的细节阐述或者没有 ,或者 语焉不详 (包括 SOFM 在其他领域的应用以及一些专著 ,如文献[ 8～10 ]) ,把 SOFM 应用于省内旅游综合实 力评价的文献更是没有. 本文中 ,笔者介绍了 SOFM 方法的原理及应用步骤 ,采用文献 [ 4 ]构建的指标体系 评价山东省 ,对 SOFM 应用过程中相关参数的选择进行阐述 ,从技术层次上得出了一些重要的结论. 1 　SOFM 原理及应用过程 SOFM 网络也称为 Kohonen 网络 ,由芬兰学者 Kohonen 于 1982 年首次提出 ,可以通过神经元之间的竞 争实现“近竞争、远抑制”功能 ,并具有把高维输入映射到低维的能力 (拓朴保形特性) [2 ] . SOFM 网络通过寻 找最优权值矢量对输入模式集合进行分类[4 ] . 1. 1 　SOFM 结构 　图 1 　SOFM 网络结构 SOFM 是由输入层和输出层 (竞争层) 构成的 2 层网络 ,输入 层用于输入模式 ,输出层一般按二维阵列排列 (实际存在一维阵 列 ,且用于普通的分类时较为实用 ,当然 ,此时图 1 中的输出层也 就变成了线状) ,2 层之间的各神经元实现双向权连接 ,见图 1. 1. 2 　SOFM 学习原理 SOFM 具有自动识别的聚类功能 ,每个网络的输入 ,只调整一 部分权值 ,使权向量更接近或更偏离输入矢量. SOFM 网络学习的 具体步骤[4 ]如下 : 1) 网络初始化. 将网络的连接权值 w ji ( i = 1 ,2 , ⋯, N ; j = 1 ,2 , ⋯, M ) 赋予区间[0 ,1 ] 内的随机值 ,确 定学习率η( t) (0 < η < 1) 的初始值、输出层 (竞争层) 的神经元个数、邻域 N g ( t) 初值及总的学习次数 T . 2) 选取一组输入数据 Pk ,并对输入数据进行归一化处理.Ξ 收稿日期 :2007209203 ; 修回日期 :2007211208 基金项目 :枣庄学院 2007 社科 计划 项目进度计划表范例计划下载计划下载计划下载课程教学计划下载 项目 ; 枣庄学院优质课程基金 ; 枣庄学院优势学科项目 作者简介 :陆相林 (19772 ) ,男 ,河南台前人 ,讲师 ,硕士 ,研究方向为计量旅游、旅游规划与开发. 第 32 卷/ 第 2 期/ 2008 年 3 月 河北师范大学学报/ 自然科学版/ JOURNAL OF HEBEI NORMAL UNIVERSITY/ Natural Science Edition/ Vol. 32 No. 2 Mar. 2008 　　ŠPk = Pk‖Pk ‖ = ( pk1 , pk2 , ⋯, pkn)[ ( pk1) 2 + ( pk2) 2 + ⋯+ ( pkn) 2 ]1/ 2 . 3) 对连接权值 W j = ( w j1 , w j2 , ⋯, w jn) 进行归一化处理得到 W— j ,计算连接权值与输入向量 ŠPk 之间的 欧氏距离 d j ,找最小距离 dg ,从而确定获胜神经元 g. 4) 调整连接权值 ,对竞争层领域内所有神经元与输入层神经元之间的连接权值进行修正. 　　 w ji ( t + 1) = w ji ( t) +η( t) ·[ pki - w ji ( t) ]. 5) 选取下一组输入数据 ,返回步聚 2 ,直至所有数据全部输入网络 ,并多次学习 (迭代) . 1. 3 　SOFM 应用于区域旅游综合实力评价的过程 1) 构建区域旅游综合实力评价指标体系 ; 2) 通过编程或采用 MA TLAB6. 5 提供的神经网络工具箱中的 GU I 界面完成 SOFM 创建和训练 ; 3) 得出合理评价结果 ; 4) 结果实证 ,分析与应用. 2 　SOFM 方法在山东省中的应用 2. 1 　区域旅游综合实力评价指标体系的建立 采用文献[ 4 ]构建的区域旅游综合实力评价指标体系 (表 1)及其提供的数据 (数据略) . 表 1 　区域旅游综合实力评价指标体系 1 级指标 变量 2 级指标 1 级指标 变量 2 级指标 旅 游 支 柱 产 业 指 标 x1 国际旅游收入/ 万美元 x2 国内旅游收入/ 亿元 x3 接待海外游客数/ 万人次 x4 接待国内旅游者数/ 万人 x5 旅行社数/ 个 x6 旅行社职工数/ 人 x7 涉外饭店数/ 个 x8 A 级景区数/ 个 支 撑 体 系 指 标 与 旅 游 关 联 产 业 及 x9 旅客周转量/ (百万人·km) x10 客运量/ 万人次 x11 公路里程/ km x12 高速公路里程/ km x13 公路密度/ (km·h·km - 2) x14 人均国内生产总值/ 元 x15 第三产业增加值/ 亿元 2. 2 　通过 GU I 界面完成网络创建、训练过程 MA TLAB6. 5 提供的神经网络工具箱增加了图形用户界面 (graphical user interface , GU I) ,本文中 ,笔者 选择了 GU I 中的 Self2organizing Map 网络类型 ,输出层 (竞争层)的空间维数选择一维 (因为选择一维已经满 足分类要求 ,没有必要选择多维 ,拓朴函数 (布局函数) 选择 hextop ,距离函数选择 dist ,排序阶段学习率为 0. 01 ,排序阶段的步长 (迭代次数)为 10 000 ,调整阶段学习率为 0. 001 ,调整阶段迭代次数为 20 000 次 ,学习 调整阶段的邻近距离为 1 ,训练函数为 learnsofm ,神经元个数 S = 2 ,3 ,4 (给定的分类类型数为 2 ,3 ,4) . 对 17 地市各指标的观测值进行 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 化 ,标准化方法采用标准差标准化法 ,即 　　　　x ij = x ij′- …x j′ sj′ . 式中 : x ij是标准化后的新数据 ; x ij′是原数据 ; x j′是均值 ; sj′为样本标准差 ,标准化后的各新数据的平均值为 0 ,标准差为 1. 把经过标准化处理后的数据输入网络进行训练 ,由于有 15 个指标 ,所以输入层神经元个数为 15 ,竞争层神经元个数从 S = 2 开始 ,直至结束. 2. 3 　评价结果 基于上述创立的 SOFM 神经网络 ,可得到表 2. 可见 ,把山东省 17 地市旅游综合实力分为 2 类时 ( S = 2) ,济南、青岛、淄博、烟台、济宁、泰安、威海为第 1 类 ,枣庄、东营、潍坊、日照、莱芜、临沂、德州、聊城、滨州、 菏泽为第 2 类. 把山东省 17 地市旅游综合实力分为 3 类时 ( S = 3) ,济南、青岛、烟台为第 1 类 ,淄博、潍坊、济宁、泰安、 威海为第 2 类 ,枣庄、东营、日照、莱芜、临沂、德州、聊城、滨州、菏泽为第 3 类. ·072· 表 2 　基于 SOFM 的评价结果 城市编号 城市名称 方案 气瓶 现场处置方案 .pdf气瓶 现场处置方案 .doc见习基地管理方案.doc关于群访事件的化解方案建筑工地扬尘治理专项方案下载 1 ( S = 2) 方案 2 ( S = 3) 方案 3 ( S = 4) 1 济南 1 1 1 2 青岛 1 1 1 3 淄博 1 2 2 4 枣庄 2 3 4 5 东营 2 3 4 6 烟台 1 1 1 7 潍坊 2 2 3 8 济宁 1 2 3 9 泰安 1 2 2 10 威海 1 2 2 11 日照 2 3 4 12 莱芜 2 3 4 13 临沂 2 3 3 14 德州 2 3 4 15 聊城 2 3 4 16 滨州 2 3 4 17 菏泽 2 3 4 　　当把山东省 17 地市旅游综合实力分为 4 类时 ( S = 4) ,济南、青岛、烟台第 1 类 ,淄博、泰安、威海为 第 2 类 ,潍坊、济宁、临沂为第 3 类 ,枣庄、东营、日照、 莱芜、德州、聊城、滨州、菏泽为第 4 类. 2. 4 　合理评价结果的确定 结合山东省 17 地市旅游综合实力统计指标原始 数据情况 ,确定 S = 4 时的分类结果较为合适. 计算分 为 4 类时各类型指标均值以及全省均值得表 3. 由此 可得山东省 17 地市综合实力分类 ,见表 4. 2. 5 　评价结果应用于山东省旅游功能区划 由 SOFM 评价结果 ,结合表 3 可知 ,山东省各地 市的旅游发展综合实力存在明显的地域差异性 ,综合 实力最强的 3 个地市为青岛、烟台、济南. 而就 3 城市 在山东省所处位置而言 ,则呈三足鼎立之势 ,可确定为 旅游发展中心城市 ,同时为了兼顾鲁西南的旅游发展 , 把“孔孟之乡”的济宁确定为鲁西南“古韵红潮”旅游带 的中心城市. 因此 ,考虑以青岛、烟台、济南、济宁为核心城市 ,把山东省划分为 4 个旅游带 ,即胶州湾“蓝红之 旅”旅游带 (青岛、日照、临沂) 、渤海湾“蓬莱风都佳人居”旅游带 (烟台、威海、潍坊、东营、滨州) 、鲁中“名泉名 山名水城”旅游带 (济南、泰安、聊城、德州、莱芜) 、鲁西南“古韵红潮”旅游带 (济宁、菏泽、枣庄) . 表 3 　山东省 17 地市旅游综合实力各指标平均值 类型 x1/万美元 x2/ 亿元 x3/ 万人次 x4/ 万人 x5/ 个 x6/ 人 x7/ 个 x8/ 个 发达型地市 较发达型地市 发展型地市 欠发达型地市 全省平均水平 14 332. 67 2 889. 78 1 026. 87 219. 00 3 323. 53 119. 68 53. 59 54. 27 13. 81 46. 65 25. 94 7. 63 4. 88 0. 94 7. 23 1 514. 02 798. 16 912. 61 303. 68 711. 99 170. 00 82. 67 48. 67 17. 25 61. 29 2 408. 67 1 023. 00 595. 33 200. 13 804. 82 86. 00 48. 67 18. 33 8. 75 31. 12 13. 33 6. 33 6. 00 2. 00 5. 47 类型 x9/(百万人·km) x10/ 万人次 x11/ km x12/ km x13/ (km·h·km - 2) x14 / 元 x15/ 亿元 发达型地市 较发达型地市 发展型地市 欠发达型地市 全省平均水平 6 119. 00 2 852. 00 2 856. 33 2 107. 00 3 078. 71 16 262. 33 9 195. 67 4 429. 67 3 218. 63 6 788. 94 5 713. 80 3 549. 50 5 839. 07 4 057. 56 4 574. 56 362. 47 130. 90 142. 43 140. 73 178. 42 53. 27 54. 83 48. 37 47. 83 50. 12 27 492. 33 27 915. 67 12 811. 67 17 106. 63 20 088. 94 707. 77 308. 56 365. 61 129. 95 305. 03 表 4 　山东省 17 地市旅游综合实力类型划分 综合实力类型 城市名称 发达型 青岛、烟台、济南 较发达型 威海、泰安、淄博 发展型 济宁、潍坊、临沂 欠发达型 枣庄、东营、日照、莱芜、德州、聊城、滨州、菏泽 3 　结束语 把 SOFM 应用于区域旅游综合实力分类绝 不仅仅是一种尝试 ,而是有可能成为一种有效的 方法. 3. 1 　SOFM 应用中的相关技术结论 1) SOFM 法具有消除重叠信息的功能 ,与主 成分分析对重叠信息的提取功能相似. 笔者的 SOFM 评价结果与文献[ 4 ]的分类结果基本一致. 2) 在网络的距离参数选择中 ,欧氏距离函数 dist 和 link 距离函数 linkdist 的选择都能够取得理想的分类效 果 ,且结果相同 ,由此可知 ,2 种距离的不同选择对分类结果无影响.而对于 manhattan 距离函数 mandist 而言 ,分 类效果较差 ,不能反映真实情况 ,不适合笔者的分类 (此结论是在输出层为一维前提下得出 ,在多维情况下不一 定成立 ,但就一般分类而言 ,一维已可达理想效果 ,因此本结论对 SOFM 应用可起到指导作用) . ·172· 3) 实证了文献[ 2 ]的观点 ,即排序阶段学习率最好定在 0. 1 左右、调整阶段学习率最好定在 0. 01 以下 的训练参数选择观点是科学的 (在 MA TLAB 中默认的排序阶段学习率是 0. 9 ,调整阶段学习率为 0. 02) . 例 如 ,在原始数据中 ,东营市的旅游收入、旅游接待人次数各项旅游支柱产业统计指标都很低 ,因此其旅游综合 实力应该不会太高 ,但由于其人均 GDP 排名全省第一 ,因此 ,很容易被分到旅游发达城市中去. 经过笔者多 次试验 ,在建立网络模型时 ,排序阶段学习率定为 0. 01 ,调整阶段学习率定为 0. 001 时 ,分类效果与现实最 为接近 ,从而实证了文献[ 2 ]观点的正确. 4) 如果竞争层神经元排列仅为一维时 (仅用于分类时) ,只要确定较低的排序阶段时的学习率 (对于标 准化后数据而言 ,学习率要小于 0. 01) ,并且保证调整阶段的学习率不高于排序时的学习率 ,然后再保证调 整阶段充足的迭代次数 (要大于或等于排序阶段的次数) ,即能取得理想的分类效果. 3. 2 　SOFM 应用中存在的技术问题 1) 一般认为 ,SOFM 与 SOM 是有区别的[2 ,9 ] ,SOFM 是 SOM 的改进和发展. 在网络结构上 : SOFM 无 阈值 ;而 SOM 有阈值. 在功能上 :SOFM 不仅更新获胜神经元的权值 ,还更新它周围神经元的权值 ,即它在 网络训练过程中分为 2 个阶段 ,第 1 阶段为排序阶段 ,第 2 阶段为调整阶段 ;而 SOM 只有 1 个阶段 ,即排序 阶段. 但在 MA TLAB6. 5 中 GU I 的网络选择中 ,SOM 网络类型等同于 SOFM 网络类型 ,笔者统一用 SOFM. 2) 应用中训练参数的选择对分类结果有重要影响 ,要注意选择适当的参数. 例如 ,排序阶段中的学习率 和学习步长 (迭代次数)的确定、调整阶段的学习率和学习步长 (迭代次数) 的确定 ,对 SOFM 网络模拟的结 果有较大影响. 3) 要注意 SOFM 方法与其他方法或背景资料的综合分析. SOFM 方法只能提供比较抽象的 1 个分类模 式 ,分类结果的解释及其科学性必须辅以其他方法 (如 PCA ,即主成分分析方法)或者背景资料才可以. 参考文献 : [1 ] 　王红国 ,李娟文. 我国旅游业综合实力评价及地域分异规律研究 [J ] . 湖北大学学报 (自然科学版) ,2004 ,26 (4) :3602363. [2 ] 　朱要武 ,冯学钢. 西部地区旅游业发展现状评价与发展对策研究 [J ] . 开发研究 ,2003 (4) :56258. [3 ] 　郭伟 ,张丽峰 ,汲学俭. 中国省际旅游经济效益的聚类分析 [J ] . 技术经济 ,2003 (2) :60261. [4 ] 　陆相林. 区域旅游综合实力评价指标体系的构建及其实证研究 ———以山东省 17 地市为例 [J ] . 河北师范大学学报 (自然 科学版) ,2007 ,31 (2) :2642267. [5 ] 　张德富 ,殷正坤. 人工神经网络的发展及其哲理 [J ] . 科学技术与辩证法 ,2000 ,17 (4) :17220. [6 ] 　吴江华. 基于人工神经网络的国际入增旅游需求定量分析与预测 ———以日本对香港的国际旅游需求分析为例 [J ] . 旅游 学刊 ,2002 ,17 (3) :55259. [7 ] 　孙燕平. 旅游客源预测的神经网络方法 [J ] . 人文地理 ,2002 ,17 (6) :50252. [8 ] 　滕丽 ,王铮 ,蔡砥. 中国城市居民旅游需求差异分析 [J ] . 旅游学刊 ,2004 ,19 (4) :9213. [9 ] 　徐建华. 现代地理学中的数学方法 [ M ] . 北京 :高等教育出版社 ,2002. 4482456. [10 ] 　王艳 ,李新运 ,宫磊. 基于 ANN 的山东省可持续发展水平的区域差异 [J ] . 资源开发与市场 ,2002 ,20 (2) :1142115. SOFM Method and Its Application in Evaluating Regional Tourism Comprehensive Strength of Cities in Shandong Province L U Xiang2lin (Department of Tourism and Resource Environment ,Zaozhuang College ,Shandong Zaozhuang 　277160 ,China) Abstract :The theory of ANN and SOFM are introduced. An evaluating index system of comprehensive re2 gional tourism strength is constructed. Based on SOFM method of ANN ,15 evaluating indexes and correlative data are put to use to make a demonstration on comprehensive regional tourism strength of 17 cities of Shandong province. The result indicates SOFM method is an effective approach to evaluating regional tourism comprehen2 sive st rength. Especially , a lot of details of parameter choosing of SOFM are introduced , which hasn’t been brought forward in the field. Finally ,the differences of SOFM and SOM are put forward. Key words :ANN (artificial neural network) ; self2organizing feature map ; comprehensive tourism strength ; evaluation ; Shandong province (责任编辑 　柴 　键) ·272·