時少華

摘要：對古村落民俗旅游資源進行評價可以促進民俗旅游的健康可持續(xù)發(fā)展。以北京西部的門頭溝區(qū)8個傳統(tǒng)村落為研究對象，在評價指標體系基礎上運用Clementine12.0中人工神經網絡的快速、動態(tài)和RBFN 3種評價模型進行仿真訓練；在動態(tài)方法模型基礎上結合模糊綜合評價方法對8個古村落民俗旅游資源情況進行評價。結果表明，人工神經網絡中的動態(tài)模型較其他兩種模型可信度更高；8個古村落民俗旅游資源整體狀況中等偏上，民俗資源還需進一步開發(fā)利用。建議深層次挖掘民俗資源蘊涵的歷史和文化內涵、科學系統(tǒng)規(guī)劃利用、提高交通便利性和基礎設施建設，進一步提升京西民俗旅游資源可持續(xù)利用程度。

關鍵詞：人工神經網絡；京西古村落；民俗旅游資源；評價

中圖分類號：F590.3；TP183 文獻標識碼：A 文章編號：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

古村落作為農業(yè)文化的重要組成部分，具有很高的歷史、科學、文化價值。北京遺留下來的古村落大多是明清及以后形成的古村落，一些古村落仍保持著極其豐富的歷史記憶和根脈及豐富的文化遺存，這也使北京古村落成為國內外旅游者的重要目的地，對古村落民俗旅游資源科學分類、有效評價、保護利用是古村落旅游發(fā)展中面臨的重要問題。2012年和2013年住房和城鄉(xiāng)建設部、文化部、財政部公布兩批傳統(tǒng)村落名錄，北京有13個古村落入選，8個位于門頭溝區(qū)（分別為爨底下村、靈水村、葦子水村、琉璃渠村、千軍臺村、馬欄村、黃嶺西村和三家店村），京西古村落在北京古村落中占有十分重要地位。古村落民俗旅游資源評價方面的研究資料不多，文獻主要集中在古村落旅游資源評價中的旅游資源價值、旅游環(huán)境、旅游服務等[1-11]，涉及一些民俗文化資源評價問題，總體比較片面，不能系統(tǒng)反映古村落民俗旅游資源的歷史、科學、文化價值，也難以體現民俗資源在古村落開發(fā)與保護方面的重要地位。從評價方法看，相關文獻以定量評價方法為主，如層次分析法[2-8]和層次分析法與模糊綜合評價方法相結合[9-10]、GIS評價方法[11]，較少運用人工神經網絡評價古村落旅游資源。本研究運用Clementine12.0數據挖掘軟件中的人工神經網絡節(jié)點，對京西8個古村落民俗旅游資源進行綜合評價，在此基礎上提出京西古村落民俗旅游資源可持續(xù)利用的建議，有助于京郊古村落民俗旅游的可持續(xù)發(fā)展。

1 京西古村落民俗旅游資源及分類

北京西部門頭溝區(qū)古村落多形成于明清時期，最早的古村落起源于東漢。區(qū)域內現存186個自然村落，每個村落都存在不同程度的民俗文化遺產， 33個村落依然保留了傳統(tǒng)村落面貌，占北京市現存古村落的70%，考察的8個村落可作為現存古村落典型代表，歷史遺跡保存完整，民俗文化遺存豐富，為發(fā)展民俗文化旅游提供了豐富的資源。學者一般將民俗旅游資源分為物質、社會和精神三大類，并在此基礎上做進一步細分[12，13]。結合京西8個古村落民俗旅游資源實際狀況，本研究將民俗旅游資源分為3個主類7個亞類18個基本類型，具體見表1。

2 BP和RBFN神經網絡特點及比較

2.1 BP反向傳播網絡模型

BP（Back-Propagation）反向傳播網絡模型屬于前饋式神經網絡，是最為常見且較復雜的網絡模型。BP反向傳播網絡的主要特點：

1）網絡結構由輸入層、一個或多個隱層和輸出層構成，其中隱層可以實現非線性樣本的線性化。

2）利用反向傳播原理，BP神經網絡利用輸出節(jié)點的預測誤差來逐層估計隱節(jié)點的誤差，即將輸出節(jié)點的預測誤差反方向逐層傳播到上層隱節(jié)點，逐層調整網絡權值，直至輸入節(jié)點和隱節(jié)點的權值到調整位置，最終使網絡輸出值越來越接近期望值。

3）BP神經網絡隱節(jié)點和輸出節(jié)點均采用相同的加法器和Sigmoid激活函數。加法器公式為Uj=■WijXi+？茲j，其中，Uj為第j個節(jié)點的加法器，Wij為上層第i個節(jié)點與本層第j個節(jié)點連接權值，Xi為上層第i個節(jié)點的輸出值，？茲j為節(jié)點的偏差。BP神經網絡采用的是（0，1）型Sigmoid激活函數，其函數公式為f（Uj）=■。

2.2 徑向基函數網絡模型

徑向基函數神經網絡（Radial basis function neural network，RBFN）是一種前饋式網絡，包括輸入層、隱層（徑向基函數層）和輸出層。與BP神經網絡相比，該網絡具有如下特點：

1）徑向基函數是三層網絡結構（1個輸入層、1個隱層和1個輸出層），相對簡單。

2）徑向基函數隱節(jié)點采用的是徑向基函數，即高斯核函數，公式為ker（‖x-xc‖）=e■，其中，x為輸入變量，xc為核函數的中心，？滓為核函數的寬度，h為徑向覆蓋長度。而輸出節(jié)點的計算則與BP神經網絡一樣，采用的是線性加法器和Sigmoid激活函數。

3）徑向基函數的網絡學習過程主要包括兩個階段。第一階段程序通過聚類方法確定徑向基函數，以及每個徑向基函數的核中心xc和寬度？滓。第二階段是估計徑向基函數的網絡權重Wij。

4）與BP神經網絡不同的是，徑向基神經網絡的輸入層和隱層之間的網絡權值固定為1，不需調整。只有隱層和輸出層之間的網絡權值需要在學習過程中調整，因此學習效率相對較高。

3 評價指標體系的構建與數據的收集與處理

3.1 評價指標體系的構建

依據《旅游資源分類、調查與評價》（GB/T18972-2003）的資源分類標準和專家的意見，初步確立了北京古村落的民俗旅游資源評價指標，在此基礎上，25位專家按照民俗旅游資源評價的客觀性、系統(tǒng)性、動態(tài)效益性等原則，對指標體系進行調整與增刪，最終建立了京西古村落的民俗旅游資源評價指標體系，該體系包括三個層次（圖1）：決策層A，準則層AA、AB、AC，指標層AAA-ACG。

3.2 數據的收集與處理

由于人工神經網絡是依據對訓練樣本集的仿真結果來預測評價結果的，需要將評價數據劃分為訓練樣本集、驗證樣本集和預測樣本集3個部分來進行處理。在訓練樣本集、驗證樣本集方面，設定18個評價指標（AAA-ACG）均為定序數值型評價數據，即“1.00”（很差）、“0.75”（較差）、“0.50”（一般）、“0.25”（良）、“0”（優(yōu)），而期望值（輸出值）采用了5個分類變量來實現，“0”表示評價結果很差，“0.25”為較差，“0.50”表示中，“0.75”表示良，“1.00”表示優(yōu)。在Clementine中將上述數據按照訓練樣本集80%，驗證樣本集20%的比例進行樣本分區(qū)，利用訓練樣本集訓練模型，驗證樣本集計算模型誤差。

在預測樣本集方面，采用對游客現場問卷調查的方法獲得數據。調查于2014年4～6月在京西門頭溝區(qū)8個古村落中進行，采用李克特5點量表數據收集方法，對京西古村落的民俗旅游資源評價體系中的18個指標（圖1）進行數據評價，共發(fā)放調查問卷260份，有效問卷251份，將數據錄入SPSS軟件中。由于人工神經網絡輸入變量的取值范圍通常要求在0～1之間[14]，因此需要對數據進行標準化處理，具體為■i=■，其中，■i為第i個評價指標的均值，xmax、xmin為第i個指標數據的最大值與最小值，對8個古村落18個指標（AAA～ACG）的數據進行轉換。本研究輸出變量采用了5個分類變量來實現，“0”表示評價結果很差，“0.25”為較差，“0.50”表示中，“0.75”表示良，“1.00”表示優(yōu)。最終將上述處理后的數據引入Clementine12.0數據挖掘軟件中，運用Clementine12.0中訓練好的神經網絡模型來實現民俗旅游資源的評價。

4 民俗旅游資源的人工神經網絡評價

4.1 人工神經網絡的結構及性能評價

采用了三層神經網絡設計，即輸入層、隱層和輸出層，網絡的輸入層為18個古村落民俗旅游資源評價指標，輸出層由5個分類神經元構成，而隱層的構成目前沒有權威的確定準則，采用試錯法，通過對用Clementine中BP神經網絡節(jié)點中動態(tài)方法（Dynamic method）、快速方法（Quick method） 和徑向基神經網絡方法（RBFN）的網絡結構、仿真訓練周期、參數設置、訓練的精確性，以及仿真結果的置信度的比較來選擇出最優(yōu)的網絡（表2）。訓練仿真的精確性指估計的預測精度，是基于訓練樣本集計算的，對于分類型輸出變量，預測精確性就是指正確預測的樣本占總樣本的比例。

表2列出了神經網絡三種模型計算方法，通過比較可知，三種模型仿真訓練的精確性均為100%，對于分類型輸出變量，估計精確性就是模型正確預測的樣本數占總樣本數的比例。但網絡結構、模式、訓練周期和參數設定在Clementine中卻不太一樣，神經網絡的動態(tài)分析方法不能指定“專家”模式，只能指定“簡單”模式，即系統(tǒng)按照自動設定方式，在訓練中首先創(chuàng)建一個最簡單的初始拓撲網絡，然后嘗試不斷將隱節(jié)點加入網絡中，直到達到預期精確性，找到一個最優(yōu)的網絡結構進行訓練，訓練結果顯示隱層為二層，且第一隱層為3個神經元，第二隱層為4個神經元，估計正確率100%。神經網絡的快速方法和徑向基方法則選擇了“專家”模式，兩者的訓練周期數設定為250次，為系統(tǒng)默認次數，而訓練參數指標中，沖量Alpha的作用在于平滑學習過程中權值的隨機更新，增強網絡的穩(wěn)定性，為了加快這一過程，通常該值經驗值為0.9[15]。學習率Eta的作用是不斷調整網絡權值閾值，Clementine中學習率設置策略是令其在模型訓練過程中自動變化，自動變化公式為：Eta（t）=Eta（t-1）×exp（log■/d），其中，Etalow和Etahigh分別表示學習率變動范圍的最大值與最小值，d為衰減量。在Clementine中，神經網絡的快速分析方法中專家模式的系統(tǒng)設定為初始Eta=0.3、Etahigh=0.1、Etalow=0.01、d=30，而徑向基神經網絡方法中專家模式的系統(tǒng)設定為初始Eta=0.4，其值自動計算，RBF聚類數=20表示為給定的隱節(jié)點數目，RBF徑向覆蓋長度=1表示為徑向基神經網絡隱節(jié)點采用標準化高斯函數。

表3列出了神經網絡三種計算方法得出的訓練結果及其預測置信度，對于多分類型輸出變量，期望預測節(jié)點取決于計算結果最大輸出節(jié)點，預測置信度是預測節(jié)點最大值與次大值之差。從表3可知，三種方法的實際輸出值與期望值完全相符，但三種計算方法的預測置信度卻不一樣，BP神經網絡快速方法預測置信度最低，RBFN模型預測置信度居中，而BP神經網絡動態(tài)方法預測置信度最高，說明BP神經網絡動態(tài)方法預測成功率更高，評價效果最好。

4.2 基于人工神經網絡的古村落民俗旅游資源評價

運用上述訓練好的網絡模型對8個古村落民俗旅游資源進行指標綜合評價，其評價數據與結果見表4。

從表4可知，三種評價方法模型的預測置信度不同，整體上看，動態(tài)方法模型評價置信度較高，其次是RBFN模型評價置信度，快速方法模型評價置信度最低，說明動態(tài)方法模型的評價結果可信度更高，這與表2中訓練樣本的預測置信度的結果相一致，因此采用動態(tài)方法模型的評價結果。

表5給出了18個評價指標運用BP神經網絡動態(tài)方法模型得到的對于輸出變量的重要性分析，重要性分析表示評價指標與輸出節(jié)點之間的相關程度，值越高表明該評價指標對輸出節(jié)點越重要，相對于其他指標來說也越重要。表中重要性是基于神經網絡權值的Tchaban算法計算出的，公式為Qik=■■Wij（t）Vjk（t），其中，t表示時刻，xi（t）為t時刻的評價指標值，YK（t）為t時刻的輸出節(jié)點值，Wij（t）為t時刻第i個輸入節(jié)點與第j個隱節(jié)點之間的網絡權值，Vjk（t）為t時刻第j個隱節(jié)點與第k個輸出節(jié)點之間的網絡權值。根據評價指標的重要性，利用歸一化公式Zm=■可以求出每個準則層中指標重要性（表5）。利用模糊綜合評價方法，對每個準則層（觀賞游憩價值、歷史科學藝術價值、旅游環(huán)境）進行二級綜合評價，將指標層對準則層的每個權重分配定義為Zm，Rm為每個準則層的因素集（因素集見表6，該因素評價值代表頻數值），則觀賞游憩價值的綜合評價結果為B1=Z1×R1=（0.299，0.396，0.222，0.061，0.024），歷史科學藝術價值綜合評價結果為B2=Z2×R2=（0.362，0.349，0.186，0.07

7，0.027），旅游環(huán)境綜合評價結果為B3=Z3×R3=（0.242，0.403，0.242，0.084，0.029），按照最大隸屬原則可知，8個古村落民俗資源的觀賞游憩價值、歷史科學藝術價值和旅游環(huán)境綜合評價結果分別為“良”、“優(yōu)”、“良”，而根據加權平均的原則，按照公式u=■B×Si/■Si，其中B為綜合評價值，Si為評語集合{優(yōu)，良，中，較差，很差}的賦分，分別?。?，4，3，2，1），通過計算，觀賞游憩價值、歷史科學藝術價值和旅游環(huán)境綜合評價結果分別為3.877，3.944，3.745，表明8個古村落的民俗旅游資源的歷史科學藝術價值高于觀賞游憩價值高于旅游環(huán)境。

5 評價結果與建議

按照神經網絡動態(tài)方法的評價結果（表4），京西古村落民俗旅游資源評價結果為：龍泉鎮(zhèn)琉璃渠村、齋堂鎮(zhèn)爨底下村、龍泉鎮(zhèn)三家店村綜合評價結果為“良”，而雁翅鎮(zhèn)葦子水村、齋堂鎮(zhèn)黃嶺西村、齋堂鎮(zhèn)馬欄村、齋堂鎮(zhèn)靈水村、大臺街道千軍臺村評價結果為“中”。表明這8個古村落民俗旅游資源狀況整體中等偏上，因此民俗資源還需要進一步的開發(fā)利用。從表5評價指標的重要性看，古村落配套設施（ACD）、交通便利條件（ACC）和民俗旅游資源開發(fā)程度（ACA）對古村落民俗旅游資源評價影響更大，相對于其他評價指標也更為重要，其次是觀賞性（AAC）、歷史性（ABA）、古村落的服務質量（ACE）、珍稀度（AAA）和藝術性（ABC），再次是民俗旅游資源的保護程度（ACB）、愉悅性（AAD）、古村落環(huán)境質量（ACG）、傳承性（ABE）、美感性（AAB）、地方性（ABB）、知名度（ABF）、參與性（AAE）、原真性（ABD），而游客在村落中的安全（ACF）則相對最不重要。從18個指標的重要性可以看出，旅游環(huán)境因素如配套設施、交通便利性和民俗資源開發(fā)程度等對游客的民俗資源評價影響很大，且三個指標評價為“良”以上的比例分別為59.3%、78.1%、84.8%（表6），可見三個評價指標仍然有很大的提升空間，尤其是古村落配套設施和交通便利條件，由于京西古村落位于山區(qū)，距離城市核心區(qū)域較遠，雖然這有利于保持村落民俗文化的完整性，但這也導致交通便利性差，服務水平不高，基礎設施相對于成熟的旅游村落來說也比較薄弱，因而要提升古村落的交通便利性和加強配套設施建設，進而提高游客的體驗質量與滿意度。

通過對準則層的模糊綜合評價可知，歷史科學藝術價值評價結果為“優(yōu)”，這一評價結果也體現了門頭溝區(qū)古村落民俗旅游資源的特色，如琉璃渠村的琉璃鍛造工藝和靈水村“八大堂”商鋪民俗文化、秋粥節(jié)、名人故居、村規(guī)民約等民俗均具有獨特的地方性、歷史性、原真性與藝術性，且琉璃工藝為北京市非物質文化遺產，這些對游客都具有較高的吸引力。另外，觀賞游憩價值評價結果為“良”，這說明還需要進一步提高古村落民俗旅游資源的品位價值與參與性，挖掘民俗資源應有的內涵和底蘊，因此要利用古村落民俗資源的觀賞游憩價值和藝術特點深層次挖掘其中蘊涵的歷史和文化內涵，充分集中古村落的民俗特色，要考慮建設鄉(xiāng)村民俗主題博物館，記錄民間禮俗、民間工藝、民間歌舞以及一些獨特的具有地方特色的活動形式[16]。同時，還要借助民俗旅游活動，如靈水村的秋粥節(jié)、千軍臺村的古幡會、琉璃渠村的五虎少林會等活動充分展示民間的傳統(tǒng)節(jié)日、民間工藝與藝術、民間體育與娛樂技藝，增強挖掘民俗旅游資源的觀賞游憩與文化價值并進行創(chuàng)新，并在此基礎上尋找潛在的合適傳承人，在保護中合理開發(fā)利用民俗旅游資源。除了上述在古村落中成立地方化或專題性的鄉(xiāng)村民俗主題博物館和組織民俗旅游活動外，建設民俗度假村，注重參與和體驗型民俗旅游商品的開發(fā)，讓游客在旅游的過程中參與和體驗民俗旅游的樂趣，如參與體驗琉璃渠村的琉璃雕塑技術，參與三家店村的銀匠、銅匠、鐵匠、裱糊匠等五行八作工藝制作等，并在此基礎上，利用民俗工藝努力開發(fā)獨具地方特色的旅游紀念品、工藝美術品、土特商品等民俗旅游產品。

從京西古村落民俗旅游資源的規(guī)劃開發(fā)角度看，將古村落民俗旅游資源精確分類與評價，合理分區(qū)，做到村落間優(yōu)勢互補，并且與其他村落或景點旅游資源相結合，實現民俗資源和客源共享，是未來民俗旅游資源規(guī)劃開發(fā)的重點方向。民俗旅游只有依托周邊內外知名旅游景點聯合開發(fā)，使區(qū)域內的多種資源互補，才能滿足游客的個性化旅游需求，擴大客源市場，實現資源共享[17]，提高古村落民俗景區(qū)的知名度和品牌效應。如爨柏景區(qū)位于北京西部門頭溝區(qū)齋堂鎮(zhèn)，是以古村落文化為代表的旅游度假休閑勝地，景區(qū)包含了4個古村落，除了爨底下村和黃嶺西村外，還包括京西石頭村—雙石頭村和軍戶古樂村—柏峪村，4個村落均勻分布于一條旅游線路內，景區(qū)內有古道、古井、古廟、古戲臺，明代的老村遺址、清代的壁畫、甲午戰(zhàn)爭立功捷報、二戰(zhàn)時期被日軍燒毀房屋的廢墟、抗日哨所遺址等，當游客游覽景區(qū)后，還可在明清古宅內居住，體驗鄉(xiāng)村的古宅風情和歷史民俗文化，這4個古村落民俗資源優(yōu)勢互補，各具特色，且在北京周邊內外均為知名古村落，進而提升了民俗文化景區(qū)的知名度與品牌效應。

參考文獻：

[1] 吳 冰，馬耀峰.古村落旅游資源評價與保護研究——以陜西省韓城市黨家村為例[J].陜西師范大學學報（自然科學版），2004，32（1）：121-124.

[2] 汪清蓉，李 凡.古村落綜合價值的定量評價方法及實證研究——以大旗頭古村為例[J].旅游學刊，2006，21（1）：19-24.

[3] 譚根梅，柳 軍，胡漢輝.基于層次分析法的鄉(xiāng)村旅游資源評價——以千年古村：江西婺源江灣村為例[J].農業(yè)經濟，2007 （4）：20-21.

[4] 張 晶，劉舜青.貴州鄉(xiāng)村旅游資源評價模型初探[J].貴州社會科學，2007，213（9）：124-127.

[5] 于洪賢，宋紅娟.三江自然保護區(qū)鄉(xiāng)村旅游資源評價[J].東北林業(yè)大學學報，2007，35（3）：82-85.

[6] 呂禎婷，羅世俊，謝晶晶.皖南黃山區(qū)鄉(xiāng)村旅游資源評價及開發(fā)建議[J].黃山學院學報，2008，10（2）：27-31.

[7] 林雄斌，顏子斌，徐麗麗，等.基于AHP的寧波市鄉(xiāng)村旅游資源評價[J].浙江農業(yè)科學，2010（4）：880-885.

[8] 袁 寧，黃 納，張 龍，等.基于層次分析法的古村落旅游資源評價——以世界遺產地西遞、宏村為例[J].資源開發(fā)與市場，2012，28（2）：179-181.

[9] 胡 巍，樓凌雁.鄉(xiāng)村旅游開發(fā)中的旅游資源評價實證研究[J].技術經濟與管理研究，2002（3）：58-59.

[10] 程 乾，付 俊.基于游客感知的古村落旅游資源評價研究[J].經濟地理，2010，30（2）：329-333.

[11] 楊 雯，劉洪利，趙文吉.基于GIS的延慶縣村鎮(zhèn)民俗旅游資源評價、分析與規(guī)劃研究[J].測繪科學，2010，35（3）：128-131.

[12] 田 里.論民俗旅游資源及其開發(fā)[J].人文地理，1997，12（3）：16-19.

[13] 張 捷.區(qū)域文化的旅游資源的類型及旅游業(yè)價值研究[J].人文地理，1997，12（3）：20-24.

[14] 薛 薇，陳歡歌.基于Clementine的數據挖掘[M].北京：人民大學出版社，2012.

[15] 薛薇，陳歡歌.Clementine數據挖掘方法及應用[M].北京：電子工業(yè)出版社，2010.

[16] 王云才，郭煥成，楊 麗.北京市郊區(qū)傳統(tǒng)村落價值評價及可持續(xù)利用模式探討——以北京市門頭溝區(qū)傳統(tǒng)村落的調查研究為例[J].地理科學，2006，26（6）：735-742.

[17] 馬 亮，謝 芳.北京鄉(xiāng)村民俗旅游資源開發(fā)戰(zhàn)略初探——以房山區(qū)為例[J].北京農學院學報，2010，25（1）：69-72.