韓燕妮

（咸陽職業(yè)技術(shù)學(xué)院財經(jīng)學(xué)院，陜西 咸陽 712000）

國家產(chǎn)業(yè)結(jié)構(gòu)調(diào)整和國民收入的逐步提升讓旅游產(chǎn)業(yè)成為國民經(jīng)濟(jì)中的重要組成部分［1］。農(nóng)業(yè)觀光旅游作為一種面向現(xiàn)代城市人的新興旅游方式，各級地方政府都對其投入了大量資源。面對農(nóng)業(yè)觀光旅游產(chǎn)業(yè)的發(fā)展，如何客觀有效地對農(nóng)業(yè)觀光旅游景點(diǎn)進(jìn)行競爭力評價顯得尤為重要。戴湘毅等［2］從政策支持、經(jīng)濟(jì)情況、歷史文化、基礎(chǔ)設(shè)施建設(shè)、產(chǎn)業(yè)規(guī)模5 個角度來構(gòu)建農(nóng)業(yè)觀光競爭力評價指標(biāo)。冼煒軒等［3］通過SPSS 軟件，運(yùn)用最鄰近距離分析法、核密度估計空間分析法和數(shù)理統(tǒng)計方法對密云區(qū)鄉(xiāng)村休閑旅游的競爭力進(jìn)行評價。Wardana 等［4］采用問卷調(diào)查法并使用SEM-PLS 進(jìn)行數(shù)據(jù)分析，得出政策支持是鄉(xiāng)村旅游競爭力的重要因素。Jia等［5］研究基于修正邁克爾波特鉆石模型的城鎮(zhèn)級鄉(xiāng)村旅游經(jīng)濟(jì)力評價與發(fā)展分類模型。國內(nèi)學(xué)者目前對農(nóng)業(yè)觀光旅游競爭力評價的研究大多數(shù)還處于比較初級的階段，采取的方法也多是調(diào)查問卷和數(shù)理統(tǒng)計方法，旅游競爭力評價指標(biāo)設(shè)計也大多采用傳統(tǒng)旅游業(yè)的競爭力評價指標(biāo)，不能展示農(nóng)業(yè)觀光旅游的特點(diǎn)。針對這些不足，本研究用一種改進(jìn)的遺傳神經(jīng)網(wǎng)絡(luò)來構(gòu)建競爭力評價模型，并引入7 種綜合指標(biāo)來構(gòu)建農(nóng)業(yè)觀光旅游競爭力評價體系，以期提高評價的客觀性和準(zhǔn)確性。

1 改進(jìn)遺傳神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

1.1 遺傳算法改進(jìn)方案

遺傳算法具備很強(qiáng)的隨機(jī)性，在解決變量較多且混合整數(shù)非線性規(guī)劃特征的問題時容易陷入局部最優(yōu)解，收斂質(zhì)量差，離散變量多次變化［6］。針對以上問題，本研究對傳統(tǒng)遺傳算法進(jìn)行改進(jìn)：擴(kuò)大種群規(guī)模并提升種群多樣性；采用自適應(yīng)交叉、變異分布指數(shù)以提升算法收斂性；采用二階段求解方式簡化問題，降級計算難度。擴(kuò)大種群數(shù)量可以有效提升種群多樣性，改善算法收斂精度低和收斂速度慢的問題。首先對標(biāo)準(zhǔn)遺傳算法所有個體變量進(jìn)行歸一化處理，見式（1）。在式（1）中，xmax、xmin分別為該變量的最大值、最小值。

此時整個種群的離散程度見式（2）。

式（2）中，D是整個種群的離散程度，為歸一化后變量x在j節(jié)點(diǎn)的權(quán)重，i、j分別是輸入層和輸出層的節(jié)點(diǎn)個數(shù)，x*ij是輸入層到輸出層的權(quán)重，n為變量的個數(shù)，NP是種群的數(shù)量。

設(shè)交叉分布指數(shù)為ηc，其取值和種群離散程度相關(guān)。由于初始種群是均勻分布的，此時種群離散程度D0最大，對應(yīng)ηc,min，隨后，ηc與D成反比。在極端情況下，全部個體都收斂于全局最優(yōu)解，此時D=0，對應(yīng)ηc,max，每次迭代都會對D進(jìn)行更新，最終的自適應(yīng)交叉分布指數(shù)見式（3）。

為了加大現(xiàn)有搜索范圍，還要進(jìn)行變異操作，變異分布指數(shù)見式（4）。

二階段求解方法將時間劃分為4 個相等的片段，在第一階段，將時間片段1 和時間片段3 視為一個時間片段進(jìn)行聯(lián)立求解，得到第一階段的最優(yōu)解。以此來構(gòu)建出時間片段2 和時間片段4 的初始種群，然后再將時間片段2 和時間片段4 視為一個時間段，以第一階段的最優(yōu)解作為初始種群進(jìn)行聯(lián)立求解，見式（5）。

式（5）中，βnt是0～1的隨機(jī)數(shù)，xtn是第t個時間片段的第n個變量，σt是根據(jù)分布式變化大小設(shè)置的偏置變量，以保證初始種群能靠近最優(yōu)解。此時再利用自適應(yīng)遺傳算法進(jìn)行二階段求解，即T2 和T4聯(lián)立求解，最后將2 個階段的解結(jié)合，就能得到最優(yōu)解。二階段求解方法將求解次數(shù)減少1/2，且在二階段求解時能節(jié)約大量迭代時間，加速求解。根據(jù)整個改進(jìn)算法流程，收斂條件的判斷條件為迭代次數(shù)是否大于m代以及歷史最優(yōu)個體是否保持n代不變。由于在極端情況下，生成的某個個體會非常接近最優(yōu)解，會導(dǎo)致在初始n次迭代都不能產(chǎn)生更加優(yōu)秀的個體而結(jié)束流程，因此必須設(shè)置一個迭代次數(shù)m。將2 種收斂條件結(jié)合能夠有效提升最優(yōu)解的上限并能節(jié)約計算時間。增加遺傳算法的種群數(shù)量能夠增強(qiáng)算法的性能，但會大幅度增加計算時間，而二階段求解法并不能完全解決這一問題。為了減少計算時間，還需要對遺傳算法進(jìn)行并行處理。遺傳算法具有天然并行性，并行機(jī)也比較普及。常見的并行模型有主從模型、孤島模型、領(lǐng)域模型和混合模型［7］。此次研究采用混合模型，對多核架構(gòu)性能的評價主要是用加速比，求加速比的方式是用串行時間除以并行時間。目前的評價模型主要為固定任務(wù)模型和固定時間模型［8］。假設(shè)有p個并行機(jī)組成1個性能更高的并行化運(yùn)行平臺，每個運(yùn)行節(jié)點(diǎn)的性能為1，p個節(jié)點(diǎn)所創(chuàng)建的串行性能為perf(p)。加速比見式（6）。

式（6）中，T1是串行計算機(jī)的時間，Tp是該算法在p個處理機(jī)組成的并行機(jī)上的運(yùn)行時間，Sp為加速比。假設(shè)問題為w，每個計算節(jié)點(diǎn)執(zhí)行任務(wù)的時間見式（7）。

并行化運(yùn)行平臺的基本執(zhí)行時間見式（8）。

將式（8）代入到式（6），可得式（9）。

設(shè)perf(p)=c，c為常數(shù)，可得式（10）。

當(dāng)c= 1 時，系統(tǒng)功效提高的程度和總時間及執(zhí)行方式有關(guān)，見式（11）。

在式（8）至式（11）中，f是并行處理部分在整個系統(tǒng)的占比，1-f是串行處理部分在整個系統(tǒng)的占比。m是并行處理機(jī)數(shù)量，Speedup是加速比。主從模型的加速比呈現(xiàn)線性增長，在負(fù)載固定的情況下適用。當(dāng)群體規(guī)模固定且子群體的規(guī)模和數(shù)量成反比時，孤島模型的加速比和主從模型的加速比趨勢相同。

1.2 農(nóng)業(yè)觀光競爭力評價指標(biāo)體系構(gòu)建

農(nóng)業(yè)觀光旅游產(chǎn)業(yè)競爭力指標(biāo)體系的構(gòu)建原則是要將旅游產(chǎn)業(yè)和農(nóng)業(yè)的特點(diǎn)結(jié)合［9］。由于農(nóng)業(yè)觀光旅游產(chǎn)業(yè)具有時節(jié)性、區(qū)域性、獨(dú)特性、市場性、不可復(fù)制性等特點(diǎn)，其競爭力綜合性很高，“軟”實(shí)力和“硬”實(shí)力都具備。因此，在選取評價指標(biāo)時要遵循科學(xué)性、系統(tǒng)性、區(qū)域性和季節(jié)性、代表性和滾動型五大原則［10］。根據(jù)以上原則，確定了7 個指標(biāo)，第1個指標(biāo)是政策支持指數(shù)P，當(dāng)某鄉(xiāng)村的政府給予該地區(qū)旅游項目政策優(yōu)惠時，P= 1，否則，P= 0。第2個指標(biāo)是交通便利指數(shù)G，交通便利指數(shù)的計算公式見式（12）。

式（12）中，tij是鄉(xiāng)村i到最近的城區(qū)j的最短時間距離，ti是城市內(nèi)部交通阻力，Pj為當(dāng)?shù)厝丝诳倲?shù)。第3 個指標(biāo)是旅游業(yè)影響指數(shù)A，指該地區(qū)旅游業(yè)在所有產(chǎn)業(yè)中的影響力。其計算公式見式（13）。

式（14）中，BI、VI、WI、LI、EQI分別為生物豐富程度、植被覆蓋率、水網(wǎng)密度、土地退化程度、環(huán)境質(zhì)量指數(shù)。第6 個指標(biāo)反映了該地區(qū)在線旅游的發(fā)展情況，用T表示，該數(shù)據(jù)在中國在線旅游發(fā)展的大數(shù)據(jù)報告中查看。第7 個指標(biāo)是人文和歷史資源指數(shù)，用H表示，它采用官方公布的歷史文化旅游資源評價體系進(jìn)行計算，通過對該地區(qū)歷史文化資源進(jìn)行加權(quán)計算得到。具體評價體系見表1。

表1 歷史文化旅游資源評價體系

由表1 可知，此評價體系給歷史文化體系定下3個指標(biāo)，分別是固有價值、旅游價值和歷史文化感。固有價值是資源本身具有的價值，例如存在的時間夠長，具有文化、民族或地域特點(diǎn)，有一定科研價值。而旅游價值指游客能夠通過欣賞該資源獲得的滿足，從美學(xué)角度、體驗角度和教育角度3 個角度來評價。歷史文化感指賦予給該資源的主觀看法，主要從地區(qū)的整體風(fēng)貌格局、歷史文化和傳統(tǒng)文化3 個角度來詮釋其具有的文化感。

2 改進(jìn)遺傳神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和預(yù)測

2.1 遺傳神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置

通過搜集中國已經(jīng)投入運(yùn)營的農(nóng)業(yè)觀光旅游景點(diǎn)的數(shù)據(jù)，隨機(jī)篩選出100 個景點(diǎn)樣本作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，仔細(xì)挑選5 個樣本作為預(yù)測樣本，預(yù)測樣本數(shù)據(jù)如表2 所示。使用的數(shù)據(jù)來源于中國統(tǒng)計局發(fā)行的各省份《統(tǒng)計年鑒》和各省市政府官網(wǎng)公布的相關(guān)數(shù)據(jù)，通過上述的評價體系計算得到最終值。

由表2 可知，樣本1—3 號具備政策支持，而4—5 號沒有政策支持；在交通便利指數(shù)上5＞1＞4＞2＞3；在地區(qū)旅游業(yè)影響指數(shù)上，1、3、5 號樣本具有較高影響力，都占據(jù)40%以上，2 號樣本不到30%，而4 號樣本幾乎沒有；在特色產(chǎn)業(yè)規(guī)模指數(shù)上，3 號樣本為1.2%，而1 號樣本只占0.2%，2 號和5 號樣本為0.4%左右，4 號樣本有0.6%；在生態(tài)環(huán)境指標(biāo)上，由于選取的樣本都屬于開發(fā)程度不高的鄉(xiāng)村，差距都不大，1 號和2 號樣本具備較大的優(yōu)勢；在線旅游發(fā)展指數(shù)上，1—3 號樣本發(fā)展較好，4—5 號較差；歷史資源指數(shù)方面，除5 號樣本幾乎不具備歷史資源，其他4 個樣本都有一定的歷史資源。

表2 預(yù)測集樣本數(shù)據(jù)

當(dāng)研究的對象不是線性問題時，在選擇傳遞函數(shù)時多采用Sigmoid 函數(shù)，該函數(shù)在預(yù)測分類問題時只需要一個隱藏層。因此神經(jīng)網(wǎng)絡(luò)層數(shù)的隱含層為一層。神經(jīng)網(wǎng)絡(luò)的輸入樣本為100 個，每個樣本由7個節(jié)點(diǎn)（即農(nóng)業(yè)觀光的7 個評價因素），最終輸出有5個節(jié)點(diǎn)，分別為極優(yōu)（1，0，0，0，0）、優(yōu)（0，1，0，0，0）、良（0，0，1，0，0）、中（0，0，0，1，0）、差（0，0，0，0，1）。深度堆疊神經(jīng)網(wǎng)絡(luò)是目前的主流，在進(jìn)行相關(guān)研究時通常使用三層網(wǎng)絡(luò)結(jié)構(gòu)，隱含層節(jié)點(diǎn)設(shè)定不能太多也不能太少，太多會導(dǎo)致神經(jīng)網(wǎng)絡(luò)泛化能力差，太少會導(dǎo)致無法產(chǎn)生足夠的連接權(quán)組合。根據(jù)Kolmogorve 原理及類似研究的試驗成果［11］，本研究的隱含層節(jié)點(diǎn)數(shù)設(shè)置為14 個。由于數(shù)據(jù)經(jīng)過歸一化處理，本研究的輸出值被限定在（0，1），輸出層的傳遞函數(shù)最好是logsig 函數(shù)，隱藏層的傳遞函數(shù)最好是正切函數(shù)tansig 函數(shù)［12］。設(shè)置的最大迭代次數(shù)為10 000，目標(biāo)誤差設(shè)置為0.001。種群數(shù)量為50，交叉概率為0.6，變異概率為0.05，中間結(jié)果周期為50。常用的神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)有Traingd 函數(shù)、Traincgf函數(shù)、Trainlm 函數(shù)和Traingdx 函數(shù)等，依次采用這4種訓(xùn)練函數(shù)進(jìn)行訓(xùn)練。根據(jù)訓(xùn)練結(jié)果，Traincgf 函數(shù)和Trainlm 函數(shù)在迭代300 次左右趨于收斂，收斂后波動較小，具備較強(qiáng)的收斂性，但它們在收斂后陷入了局部最優(yōu)解，迭代10 000 次結(jié)果無法達(dá)到期望的誤差值；Traingdx 函數(shù)無論是收斂性和最終結(jié)果都不如其他3 種訓(xùn)練函數(shù)。Traingd 函數(shù)收斂性較低，但誤差下降速度很快，且在9 000 多次迭代后達(dá)到預(yù)期的誤差。經(jīng)過綜合考慮，本研究選擇Traingd 函數(shù)作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)。至此，模型需要數(shù)據(jù)和參數(shù)都準(zhǔn)備完畢。

2.2 改進(jìn)遺傳神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用

將100 個訓(xùn)練數(shù)據(jù)歸一化處理后，用Traingd 函數(shù)對改進(jìn)遺傳算法和標(biāo)準(zhǔn)遺傳算法進(jìn)行訓(xùn)練，選取適應(yīng)度作為評價指標(biāo)，統(tǒng)計50 個中間結(jié)果周期的性能追蹤曲線，改進(jìn)遺傳算法由于擴(kuò)大了種群規(guī)模，在10 個周期前的適應(yīng)度是低于標(biāo)準(zhǔn)遺傳算法的。在經(jīng)過多次迭代后，在10 個周期左右反超，且在15 個周期前就趨于穩(wěn)定，能搜索到更優(yōu)的權(quán)值閾值，而標(biāo)準(zhǔn)遺傳算法趨于穩(wěn)定的周期在20 個周期左右。相比標(biāo)準(zhǔn)遺傳算法，改進(jìn)遺傳算法適應(yīng)周期縮短30%左右，適應(yīng)度提升10%左右。由于訓(xùn)練樣本的7 種指標(biāo)的量級和單位差別很大，在進(jìn)行計算時會影響網(wǎng)絡(luò)的收斂性，所以需要將數(shù)據(jù)進(jìn)行歸一化處理，以節(jié)省神經(jīng)網(wǎng)絡(luò)訓(xùn)練時間。將訓(xùn)練樣本的100 個數(shù)據(jù)分別輸入標(biāo)準(zhǔn)遺傳神經(jīng)網(wǎng)絡(luò)和改進(jìn)遺傳神經(jīng)網(wǎng)絡(luò)，將競爭力評價分為極優(yōu)、優(yōu)、良、中、差5 個等級，100個訓(xùn)練樣本的結(jié)果如圖1 所示。

圖1 標(biāo)準(zhǔn)遺傳神經(jīng)網(wǎng)絡(luò)和改進(jìn)遺傳神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)對比

由圖1 可以看出，標(biāo)準(zhǔn)遺傳神經(jīng)網(wǎng)絡(luò)在訓(xùn)練集中的評價和實(shí)際評價有較大差距，明顯誤差在15%～20%，甚至有個別評價和實(shí)際評價出現(xiàn)評級差距。而改進(jìn)遺傳神經(jīng)網(wǎng)絡(luò)對于訓(xùn)練集樣本的評價基本符合實(shí)際評價，即使有少部分存在誤差，但沒有產(chǎn)生評級差距。為了進(jìn)一步展示2 種遺傳網(wǎng)絡(luò)的差距，使用“2.1”中仔細(xì)挑選的5 個樣本作為預(yù)測集，使用訓(xùn)練后的2 種遺傳網(wǎng)絡(luò)進(jìn)行競爭力評價。結(jié)果如圖2 所示。

圖2 標(biāo)準(zhǔn)遺傳神經(jīng)網(wǎng)絡(luò)和改進(jìn)遺傳神經(jīng)網(wǎng)絡(luò)預(yù)測數(shù)據(jù)對比

由圖2 和表2 可以看出，樣本1、2、3 號的7 種指標(biāo)各有優(yōu)劣，且數(shù)值差距不大，此時，標(biāo)準(zhǔn)遺傳神經(jīng)網(wǎng)絡(luò)無法對它們的旅游競爭力進(jìn)行客觀評價，只能將它們分到同一級，而改進(jìn)遺傳神經(jīng)網(wǎng)絡(luò)評價和實(shí)際評價相同。4、5 號樣本和1、2、3 號樣本存在明顯差距，且4、5 號之間的側(cè)重點(diǎn)也有明顯差異，所以2種遺傳神經(jīng)網(wǎng)路都能將它們正確分類。

3 小結(jié)

在中國推進(jìn)供給側(cè)結(jié)構(gòu)性改革的浪潮下，農(nóng)業(yè)觀光旅游作為旅游業(yè)的新寵卻在競爭力評價指標(biāo)上問題頻出。本研究將深度學(xué)習(xí)引入農(nóng)業(yè)觀光旅游競爭力評價，并構(gòu)建出一種綜合考慮自然、人文、經(jīng)濟(jì)、政治等多方面的評價體系，讓旅游競爭力評價更加客觀準(zhǔn)確。在遺傳算法優(yōu)化方面，通過遺傳算法并行的方式解決擴(kuò)大種群規(guī)模后遺傳算法效率降低的問題，整體效率相較于標(biāo)準(zhǔn)遺傳算法提升30%。并采用二階段求解方法，改進(jìn)遺傳神經(jīng)網(wǎng)絡(luò)的權(quán)值，有效規(guī)避遺傳神經(jīng)網(wǎng)絡(luò)陷入局部最小值的困境。重新設(shè)定遺傳網(wǎng)絡(luò)的閾值，提高了遺傳神經(jīng)網(wǎng)絡(luò)在處理分類問題上的性能。本研究的不足之處在于選取的訓(xùn)練樣本數(shù)量較少，樣本地域相對集中，不能代表全國的情況，在以后的研究中，應(yīng)增加樣本的數(shù)量和地域范圍，以期獲得更好的結(jié)果。