<script type="text/javascript" src="https://cdn.bootcss.com/mathjax/2.7.2-beta.0/MathJax.js?config=TeX-AMS-MML_HTMLorMML"></script> <script type='text/x-mathjax-config'> MathJax.Hub.Config({ extensions: ["tex2jax.js"], jax: ["input/TeX", "output/HTML-CSS"], tex2jax: {inlineMath: [ ['$','$'], ["\\(","\\)"] ],displayMath: [ ['$$','$$'], ["\\[","\\]"] ],processEscapes: true}, "HTML-CSS": { availableFonts: ["TeX"] }, TeX: {equationNumbers: {autoNumber: ["none"], useLabelIds: true}}, "HTML-CSS": {linebreaks: {automatic: true}}, SVG: {linebreaks: {automatic: true}} }); </script> 黄松^1,, 李燕林^2,, 戴平娟¹
1. 广西师范大学历史文化与旅游学院,桂林 541001
2. 广西师范大学职业技术师范学院,桂林 541004

Evaluation of tourism competitiveness of Chinesesmart tourism city

HUANGSong^1,, LIYanlin^2,, DAIPingjuan¹
1.College of Historical Culture and Tourism, Guangxi Normal University, Guilin 541001, Guangxi, China
2. College of Vocation-Technical Teachers, Guangxi Normal University, Guilin 541004, Guangxi, China
通讯作者:通讯作者：李燕林(1970-), 女, 副教授, 主要从事旅游管理与旅游教育研究。E-mail: lyl0773@sina.com
收稿日期:2016-09-10
修回日期:2016-11-28
网络出版日期:2017-02-15
版权声明:2017《地理学报》编辑部本文是开放获取期刊文献，在以下情况下可以自由使用：学术研究、学术交流、科研教学等，但不允许用于商业目的.
基金资助:国家自然科学基金项目(41361019)国家社会科学基金项目(08BMZ041)教育部“新世纪优秀人才支持计划”(NCET-12-0652)
作者简介:
-->作者简介：黄松(1967-), 男, 博士, 教授, 中国地理学会会员(S110005868M), 主要从事旅游开发与规划研究。E-mail: hs0773@126.com



展开

摘要
提升旅游竞争力是智慧旅游城市建设的核心目标。在借鉴前人研究的基础上,建立包括5个一级指标、14个二级指标和33个三级指标的智慧旅游城市旅游竞争力评价指标体系,选取北京、南京、武汉、成都、大连、厦门等12个首批国家智慧旅游试点城市,通过模拟仿真运算构建智慧旅游城市旅游竞争力评价BP神经网络模型,并运用该模型对上述智慧旅游城市旅游竞争力进行评价和分析。结果表明：① 旅游科技创新竞争力是影响智慧旅游城市旅游竞争力最关键的一级指标,其他一级指标按重要性排序依次为旅游经济发展竞争力、旅游发展保障竞争力、旅游发展潜力竞争力和旅游环境支撑竞争力;② 中国智慧旅游城市旅游竞争力整体水平不高且极不均衡,根据评价等级和竞争态势分为5类。第一类北京市是中国智慧旅游城市旅游竞争力的标杆,5项一级指标评价值均领先于其他城市,总评价值高达0.887,评价等级AA、竞争态势“优势”;第二类南京市旅游环境支撑竞争力评价值与北京市并列第1,旅游经济发展竞争力、旅游科技创新竞争力和旅游发展保障竞争力评价值均位列第2,总评价值0.536,明显高于除北京市外的其他智慧旅游城市,评价等级BB、竞争态势“较强”;第三类武汉、大连、成都、厦门、镇江、温州、烟台7市代表目前中国智慧旅游城市旅游竞争力的普遍水平,5项一级指标评价值偏低且差距不明显,总评价值在0.3~0.4之间,评价等级B、竞争态势“一般”;第四类福州、洛阳2市绝大多数一级指标评价值较低,总评价值在0.2~0.3之间,评价等级CC、竞争态势“较弱”;第五类黄山市总评价值仅0.176,评价等级C、竞争态势“弱势”;③ 构建的智慧旅游城市旅游竞争力评价BP神经网络模型具有较好的科学性、普适性和可操作性,根据评价值的大小判断智慧旅游城市旅游竞争力的优劣,比照指标体系寻找差距并加以完善,同时对评价指标进行动态监测,将是智慧旅游城市旅游竞争力研究的重要发展方向。

关键词：智慧旅游城市;旅游竞争力评价;BP神经网络模型;中国
Abstract
To enhance tourism competitiveness is the core objective of the construction of a smart tourism city. On the basis of the previous studies, the research builds an index system on the tourism competitiveness evaluation of smart tourism city, including 5 indexes of first grade, 14 of second grade and 33 of third grade, selects the first 12 pilot cities of national smart tourism such as Beijing, Nanjing, Wuhan, Chengdu, Dalian and Xiamen, constructs the BP neural network model of tourism competitiveness evaluation of smart tourism city through the simulation computation, and applies the model to evaluate and analyze the tourism competitiveness of the smart tourism cities mentioned above. The results indicated that the scientific and technological innovation of the smart tourism city is the most important first grade index which impacts the tourism competitiveness. The other first grade indexes are economic development of smart tourism city, support capability of tourism development, tourism development potentiality and environmental support capability ranked according to their importance; the overall level of tourism competitiveness of Chinese smart tourism cities is not high and extremely uneven and the smart tourism cities are divided into five categories according to their own evaluation level and competition situation. The first category includes Beijing, which is the benchmark of tourism competitiveness of Chinese smart tourism cities. All the five first grade indexes of Beijing run ahead of other smart tourism cities. Its comprehensively-evaluated value reaches 0.887, rated AA level, and its competition situation is superior. The second category includes Nanjing, whose evaluation value of the environmental support capability of smart tourism city is tied for the first place with Beijing. Its evaluation values of economic development power, scientific and technological innovation, and support capability of development are all ranked 2nd. The comprehensively-evaluated value of Nanjing is 0.536, rated BB level, which is significantly higher than that of other smart tourism cities except Beijing and its competition situation is better. The third category cities, including Wuhan, Dalian, Chengdu, Wenzhou, Xiamen, Zhenjiang and Yantai, are representatives of the present general level of tourism competitiveness of Chinese smart tourism cities, whose 5 first grade index values are all low and there are no remarkable gaps between them. Their comprehensively-evaluated values are between 0.3 and 0.4, rated B level and their competition situation is on the average. The fourth category includes Fuzhou and Luoyang, the vast majority of its first index values are lower. Their comprehensively-evaluated values are between 0.2 and 0.3, rated CC level and their competition situation is weak. The fifth category includes Huangshan, whose comprehensively-evaluated value is just 0.176, rated C level and its competition situation is weaker. The BP neural network model of tourism competitiveness evaluation of smart tourism city is of better scientificity, universality and operability. Judging the tourism competitiveness of smart tourism cities according to their evaluation values, comparing it with the index system to find and bridge the gaps, and monitoring the evaluation index dynamically will be an important direction of tourism competitiveness research of smart tourism cities.

Keywords：smart tourism city;tourism competitiveness evaluation;BP neural network model;China

-->0
PDF (1070KB)元数据多维度评价相关文章收藏文章
本文引用格式导出EndNoteRisBibtex收藏本文-->
黄松, 李燕林, 戴平娟. 智慧旅游城市旅游竞争力评价[J]. , 2017, 72(2): 242-255 https://doi.org/10.11821/dlxb201702005
HUANG Song, LI Yanlin, DAI Pingjuan. Evaluation of tourism competitiveness of Chinesesmart tourism city[J]. 地理学报, 2017, 72(2): 242-255 https://doi.org/10.11821/dlxb201702005

1 引言

2006年,欧盟发起生活实验室（Living Lab）网络,提出营造有利于创新涌现的城市生态、打造开放创新空间的智能城市构想,引导欧洲率先在智慧城市基础设施建设与相关技术创新、公共服务、交通及能源管理等领域进行了多项成功实践并在打造开放创新、可持续智慧城市方面取得了较大进展^[1]。2008年,美国IBM公司提出了“智慧地球”理念,并于2009年与迪比克市合作,建立了美国第一个智慧城市,全球智慧城市建设热潮逐渐形成,智慧城市已成为提升城市竞争力及解决城市发展问题的重要途径^[2]。中国经济在走向新常态的过程中,以互联网、物联网、云计算等为代表的信息技术成为城市竞争力的主要标志^[3-6],同时旅游业被赋予战略性支柱产业的高调定位,信息技术推动下的智慧旅游成为促进中国旅游产业转型升级、实现旅游大国向旅游强国转变的重要举措。2012年5月和2013年1月,中国国家旅游局、住房和城乡建设部分别公布了首批国家智慧旅游试点城市和国家智慧城市试点名单,标志着中国国家层面智慧城市、智慧旅游城市建设的正式启动,截止2015年12月,中国国家智慧城市试点和国家智慧旅游试点城市数量分别达到290个和33个,智慧城市和智慧旅游城市打造成为中国“十二五”期间的重要亮点之一。
目前,学界普遍认为智慧旅游是基于以物联网、云计算、地理信息系统、智能数据挖掘等信息技术为基础,以游客满意度和个性化需求为前提,实现旅游资源及社会资源的共享,实现集约化、系统化的有效利用,促进产业结构升级并服务于游客、企业、政府等机构的全新旅游形态,智慧旅游城市是智慧地球及智慧城市的重要组成部分^[7-8],相关研究主要涉及以下几个方面：① 智慧城市的构成维度、影响要素研究。如提出智慧城市应具备智慧经济、智慧环境、智慧交通、智慧空间、智慧人群、智慧家庭、智慧政府等7个维度,创新能力、对城市环境质量的关注度和信息技术的利用度是影响智慧城市的重要因素^[9-10];② 智慧旅游城市的技术运用与水平评价研究。分析促进旅游业效率的各种信息技术,阐明信息技术对传统旅游业产生的影响,构建智慧城市智能导游系统、智能旅游推荐系统和智慧旅游城市建设水平评价模型等^[11-14];③ 城市旅游竞争力评价研究。提出决定城市旅游竞争力的因素主要有旅游吸引物特征、需求条件、产业管理、支持产业、人力资源、区域竞争、技术创新等方面^[15-16],运用多项分析法分析香港旅游竞争力的有利和不利因素^[17],采用T检验法和F检验法对香港、新加坡、曼谷的旅游竞争力进行评估^[18]。建立城市旅游竞争力评价模型,运用聚类分析法对长三角与珠三角各城市的旅游竞争力进行评价^[19]。选取资源产品竞争力、市场服务竞争力、旅游保障竞争力三大指标体系,采用熵值法赋予权重,评价长三角各城市旅游竞争潜力 ^[20]。运用灰色关联分析法测度与评价湖南省14个地级城市的旅游竞争力^[21]。
综上,尽管该领域是学界普遍关注的焦点,国内外****展开了卓有成效的研究,构成本文的重要支撑,但旅游竞争力提升作为智慧旅游城市建设的核心目标,将两者结合起来进行量化研究的成果尚未见报道。鉴于此,本文进行智慧旅游城市旅游竞争力评价定量研究的创新尝试,首先建立智慧旅游城市旅游竞争力评价四级指标体系并确定其权重,在此基础上,以北京、南京、武汉、成都、大连、厦门等首批国家智慧旅游试点城市为对象,运用BP（Back Propagation）神经网络模型展开模拟仿真运算,构建智慧旅游城市旅游竞争力评价BP神经网络模型,进而运用该模型对12个智慧旅游城市旅游竞争力进行评价和分析,为中国智慧旅游城市发展及旅游竞争力提升提供科学依据,为相关领域研究提供方法借鉴。

2 智慧旅游城市旅游竞争力评价指标体系构建

2.1 构建原则

（1）科学性与可采集性相结合
指标体系必须建立在科学依据的基础之上,避免所选指标产生歧义、逻辑混乱等错误,同时指标要具有可采集性,数据来源权威可靠,客观的反映智慧旅游城市旅游竞争力的本质特征和实际水平。
（2）简明性与可比性相结合
把握影响智慧旅游城市旅游竞争力的核心要素,所选指标简洁明了、针对性强,避免指标内涵重叠,同时利于各项指标间纵向、横向的科学比较。
（3）特色指标与通用指标相结合
智慧旅游城市是智慧城市的重要组成部分,指标体系的构建在以体现智慧旅游城市旅游竞争力特性的特色指标（如信息技术的运用等）为主的基础上,兼顾体现智慧城市共性的通用指标。
（4）定量指标与定性指标相结合
指标体系中除了采用各类统计年鉴、统计公报的权威数据计算得出的定量指标外,对于无法直接量化却又十分重要的智慧旅游城市旅游竞争力影响因素,设计定性指标并通过专家赋分的方式量化,体现定量指标与定性指标的优势互补。

2.2 体系构建

依据上述原则,在对中国智慧旅游城市旅游竞争力现状及特征的系统分析后认为,旅游科技创新竞争力和旅游经济发展竞争力分别是决定智慧旅游城市旅游竞争力的核心要素和前提条件,旅游发展保障竞争力是智慧旅游城市旅游竞争力的保证,旅游发展潜力竞争力是基础,旅游环境支撑竞争力是依托,故将此5大要素作为智慧旅游城市旅游竞争力评价指标体系的一级指标,并参考前人城市旅游竞争力评价研究 ^[19-23]及上海浦东智慧城市发展研究院《智慧城市评价指标体系2.0》和中国智慧工程研究会《中国智慧旅游城市（镇）建设指标体系》中的相关成果,初步形成智慧旅游城市旅游竞争力评价指标体系的二级和三级指标,再通过专家咨询对指标体系进行反复讨论、筛选、修订和确认,最终建立包括5个一级指标、14个二级指标和33个三级指标的智慧旅游城市旅游竞争力评价指标体系（表1）。
Tab. 1
表1
表1智慧旅游城市旅游竞争力评价指标体系及权重
Tab. 1The index system and weight of tourism competitiveness of smart tourism city

一级指标	二级指标	三级指标	指标类型	指标编号
旅游经济发展竞争力(0.233)	智慧旅游经济水平 (0.174)	旅游总收入(0.054)	☆	E1
		城镇居民可支配收入(0.034)	☆	E2
		旅游业占 GDP 的比重(0.086)	☆	E3
	智慧旅游营销能力 (0.059)	旅游电子商务平台水平(0.044)	△	E4
		新媒体旅游营销能力(0.015)	△	E5
旅游科技创新竞争力(0.476)	智慧旅游硬件支撑条件 (0.120)	基础网络覆盖率(0.052)	☆	E6
		旅游物联网建设水平(0.034)	△	E7
		智慧旅游公共服务平台水平(0.012)	△	E8
		旅游信息数据库建设水平(0.022)	△	E9
	智慧旅游科技创新能力(0.356)	地方财政科技支出(0.057)	☆	E10
		高新技术产业产值(0.089)	☆	E11
		ICT研发投入(0.023)	☆	E12
		发明专利授权量(0.016)	☆	E13
		研究与实验发展经费(0.034)	☆	E14
		信息化发展指数(0.137)	☆	E15
旅游发展潜力竞争力(0.090)	旅游资源禀赋 (0.067)	旅游资源丰度(0.022)	△	E16
		旅游资源垄断性(0.045)	△	E17
	旅游区位条件 (0.023)	年客运总量(0.008)	☆	E18
		旅游智能交通水平(0.015)	△	E19
旅游环境支撑竞争力(0.062)	社会经济环境 (0.039)	人均GDP(0.026）	☆	E20
		全社会固定资产投资总额(0.013)	☆	E21
	社会文化环境 (0.015)	居民对游客友好程度(0.004)	△	E22
		旅游创新能力(0.011)	△	E23
	社会自然环境 (0.008)	环境质量自动化监测率(0.002)	☆	E24
		城市绿化覆盖率(0.006)	☆	E25
旅游发展保障竞争力(0.139)	智慧旅游基础设施 (0.072)	移动电话年末用户数(0.019)	☆	E26
		国际互联网用户数(0.053)	☆	E27
	智慧旅游服务 (0.024)	智慧旅游门户网站数(0.007)	☆	E28
		智慧旅游服务应用水平(0.017)	△	E29
	智慧旅游保障体系 (0.043)	智慧旅游政策法规完善程度(0.005)	△	E30
		智慧旅游投入和持续保障能力(0.020)	△	E31
		智慧旅游应急体系水平(0.006)	△	E32
		智慧旅游发展规划及实施水平(0.012)	△	E33

注：☆定量指标;△定性指标;括号内为指标权重。
新窗口打开

2.3 指标释义

由于定量指标全部采用各类统计年鉴、统计公报的权威数据计算得出,指标内涵明确,因此,释义主要针对定性指标进行,其内容作为专家对定性指标赋值的重要依据。
旅游电子商务平台水平（E₄）：指借助互联网、移动通讯网络等进行宣传营销的水平,以及旅游主管部门依托该平台完善旅游服务职能、实现智慧政府的水平。
新媒体旅游营销创新能力（E₅）：利用搜索引擎、微博、门户网站、BBS、SNS、播客、博客、RSS、APP、移动设备、手机等新媒体进行旅游营销的创新能力。
旅游物联网建设水平（E₇）：运用传感器技术、RFID技术、定位技术等物联网技术将旅游景点信息管理、商场酒店信息管理、智能导游、电子地图以及城市公共设施等物联成网的水平。
智慧旅游公共服务平台水平（E₈）：指该平台具备的旅游公共信息发布与资讯、旅游产业运行监管、景区门票预约与客流预警、多语种旅游形象推广等功能的水平。
旅游信息数据库建设水平（E₉）：反映旅游服务信息数据库、旅游景点数据库、旅游客源统计信息库等旅游大数据集成平台建设水平。
旅游资源丰度（E₁₆）：反映智慧旅游城市旅游资源的富集和丰富程度。
旅游资源垄断性（E₁₇）：是智慧旅游城市旅游资源所具备的不可替代能力,反映旅游资源品质对旅游者的吸引力强度。
旅游智能交通水平（E₁₉）：指交通智慧化的建设及运行情况,反映实时获取旅游交通流量、事故、路况等信息以及提供旅游智能路线规划等服务的水平。
居民对游客友好程度（E₂₂）：是智慧旅游城市居民对旅游者的态度和对旅游业的支持程度,反映该城市的旅游文化环境。
旅游创新能力（E₂₃）：从旅游创新意识、旅游创新实践和旅游创新成效等方面反映的智慧旅游城市旅游创新能力。
智慧旅游服务应用水平（E₂₉）：指运用物联网、移动4G、GPS、射频识别等新技术,提供旅游一卡通、智能化自助旅游、虚拟旅游互动体验等智慧旅游服务的水平。
智慧旅游政策法规完善程度（E₃₀）：指提升智慧旅游城市旅游竞争力的相关政策、法规完善程度。
智慧旅游投入和持续保障能力（E₃₁）：指提升智慧旅游城市旅游竞争力的人力、物力、财力投入和持续保障能力。
智慧旅游应急体系水平（E₃₂）：指包括旅游舆情监控、旅游应急反应、旅游景区灾害预警等功能的智慧旅游应急体系建设水平。
智慧旅游发展规划及实施水平（E₃₃）：指提升智慧旅游城市旅游竞争力的智慧旅游发展规划编制及实施水平。

3 基于BP神经网络模型的智慧旅游城市旅游竞争力评价方案设计

3.1 BP神经网络模型概述

竞争力评价定量研究方法纷繁复杂,当前****主要采用的评价方法有：主成分分析法、层次分析法、模糊综合评价法、因子分析法、多元判断法、数据包结构分析法、人工神经网络法等,每种方法均有各自的优缺点。智慧旅游城市旅游竞争力评价涉及影响因素众多的复杂系统,各因素之间存在明显的非线性关系,应用主成分分析法、模糊综合评价法、因子分析法等难免存在一定的主观性和界限难以确定的缺陷。而人工神经网络作为解决复杂非线性系统的有效方法,尽管运用于智慧旅游城市旅游竞争力评价研究目前鲜见报道,但被广泛应用于企业竞争力、品牌竞争力、城市竞争力评价等相关研究领域^[24],因此,本文运用BP神经网络模型进行智慧旅游城市旅游竞争力评价研究,可更为全面、客观地反映智慧旅游城市旅游竞争力的水平及层次。
作为目前应用最广泛的人工神经网络模型之一,BP神经网络具备极强的非线性映射能力,在无需事先了解映射关系的数学方程情形下,能贮存大量输入—输出模式映射关系,只需提供样本模式对网络进行学习训练,就能完成由X维输入空间到Y维输出空间的非线性映射。同时,BP神经网络各层直接的连接权值具有一定的可调性,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小,具备很强的自适应和自学习能力。此外,BP神经网络还具备较强的容错能力和联想记忆能力,较大的样本误差甚至个别错误对网络的输入输出规律影响很小^[25]。
作为一种按误差逆传播算法训练的多层前馈网络,BP神经网络模型拓扑结构包括输入层（input）、隐层（hidden layer）和输出层（output layer）,网络学习过程由正向和反向传播两部分组成,在正向传播过程中,输入模式由输入层经过隐含层处理并达到输出层,同层之间的节点没有关联,异层之间的节点前向连结。如果在输出层没能得到期望的输出,那么则反向传播,将误差信号沿着原来的路径返回,并通过修改各种神经元的权值,直到满足允许的确定误差。选用3层BP神经网络模型,X₁,X₂,X₃…X_n是其输入值,输入层为n个神经单元,隐含层有P个神经单元,输入层与隐含层间的连接权值W_ih=(i =1, 2?n;h =1, 2?p),隐含层节点的阈值b_h (h=1, 2?p),输出层节点的阈值为b_o (o =1, 2?q),隐含层与输出层间的连接权值为W_ho (h =1, 2,?p;o =1, 2,?, q),输出层的神经元个数为1,其结构如图1所示。
显示原图|下载原图ZIP|生成PPT
图1BP神经网络拓扑结构图
-->Fig. 1The BP neural network topology structure diagram
-->

3.2 智慧旅游城市旅游竞争力评价指标赋值与权重确定

（1）指标赋值方法
33个4级指标分为定量和定性两类（分别对应符号☆、△）,18个定量指标主要通过最新出版的《中国区域经济统计年鉴》、《中国城市统计年鉴》、《中国旅游统计年鉴》、《中国统计年鉴》以及各智慧旅游城市《国民经济和社会发展统计公报》的相关数据计算得出,15个定性指标则由熟悉中国智慧旅游城市发展和建设情况的专家,通过对客观事实的判断,采用专家咨询打分的方式,分Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ共5个等级,≤ 44、45~59、60~74、75~89、≥ 90共5个分数段予以量化（总分100）。
（2）权重确定
采用层次分析法确定智慧旅游城市旅游竞争力评价指标的权重。首先参照评价指标体系（表1）建立递阶层次结构模型,构造两两比较判断矩阵,再通过计算判断矩阵的最大特征值和特征向量,得出各指标的权重,最后检验判断矩阵是否能够通过一致性检验。各评价因子的相对重要性,由熟悉中国智慧旅游城市发展和建设情况的专家,通过专家咨询打分的方式确定。借助YAAHP软件,在矩阵模块中分别输入专家问卷数据并检验数据的一致性,剔除无法通过一致性检验的样本,再运用“群决策”功能对专家权重进行平均分配,选择方根法进行权重计算,最终得到智慧旅游城市旅游竞争力评价指标权重（表1）。

3.3 智慧旅游城市旅游竞争力评价BP神经网络模型训练

（1）BP神经网络样本期望值确定
BP神经网络模型训练必须有一系列的期望值与神经网络输出值不断比较、反复训练及仿真运算,才能满足训练误差与预测误差的要求。将智慧旅游城市竞争力评价指标体系中各指标的权重与无量纲化处理后的样本数据进行加权求和,得到智慧旅游城市旅游竞争力评价值,作为BP神经网络模型训练样本的期望值。计算公式如下：
P=∑Ci×Wi（1）
式中：P为智慧旅游城市旅游竞争力评价值;C_i为单项指标得分;W_i为单项指标权重。
（2）BP神经网络训练参数设置
选取若干智慧旅游城市作为BP神经网络训练样本和检验样本。输入层是无量纲化处理后的数值,其值介于[0, 1]之间,隐含层传递函数采用tansig函数,输出值介于[-1, 1]之间;而log-sigmoid函数的输入值可取任意值,输出值在[0, 1]之间,因此输出层传递函数采用logsig函数,训练函数为trainlm函数,学习函数采用learngdm函数,性能函数为mse函数。
（3）BP神经网络模型层数确定
输入层：采用3层BP神经网络,根据智慧旅游城市旅游竞争力评价指标体系,将33个4级指标作为网络模型的输入节点,故输入层节点数量为33。
隐含层：隐含层神经元个数的选取直接关系到整个网络的输出结果,隐含层节点数越少,从样本中获取有效信息的能力就越差;而隐含层节点数过多,则会造成学习时间过长和误差较大。结合智慧旅游城市旅游竞争力的实际情况,综合采取以下几种计算公式确定隐含层节点个数：
l=n+m+a（2）
l=nm（3）
l=n+m2（4）
l=log2n（5）
式中：l为隐含层节点数值;n为输入层节点数值;m为输出层节点数值;a的取值范围为[1, 10]且a取整数。根据训练样本数量和上述公式计算确定隐含层节点数大致取值范围,在该范围内逐次增加隐含层节点数,根据训练样本的输入和输出数据,对神经网络模型进行一系列的训练,并用选定的检验样本进行检验,使BP神经网络的训练达到最佳精度,以最小误差对应的节点数量作为隐含层节点数^[26]。
输出层：输出层节点数为1,对输出结果设定最高分和最低分,按照0到1之间的输出值范围划分为AA、A、BB、B、CC、C等6个智慧旅游城市旅游竞争力评价等级,对应优势、强、较强、一般、较弱和劣势6种竞争态势,如表2所示。
Tab. 2
表2
表2智慧旅游城市旅游竞争力评价等级和竞争态势
Tab. 2The evaluation grade and competitive situation of tourism competitiveness of smart tourism city

评价等级	竞争态势	输出值范围
AA	优势	(0.8, 1.0]
A	强	(0.6, 0.8]
BB	较强	(0.4, 0.6]
B	一般	(0.3, 0.4]
CC	较弱	(0.2, 0.3]
C	弱势	(0.1, 0.2]

新窗口打开
（4）智慧旅游城市旅游竞争力评价BP神经网络模型构建与检验
借助MATLAB软件的神经网络工具箱,设定输入层、隐含层和输出层的神经元个数,采用训练函数trainlm函数,将智慧旅游城市的样本数据值输入BP神经网络模型进行训练,训练满足预设的目标误差要求后,如得到神经网络训练输出值与相关的期望值非常接近,则说明构建的BP神经网络模型能准确地评价智慧旅游城市旅游竞争力,BP神经网络模型训练结束。最后对训练好的BP神经网络模型进行检验,将若干检验样本的各项指标数据输入模型,如训练样本和检验样本输出值间的相对误差和绝对误差数值都在可接受的范围之内,则构建的智慧旅游城市旅游竞争力评价BP神经网络模型有效,可普适于其他智慧旅游城市旅游竞争力评价。

4 中国智慧旅游城市旅游竞争力评价

4.1 样本选择与数据采集

从国家旅游局公布的18个首批国家智慧旅游试点城市中选取北京、南京、武汉、成都、厦门、福州、大连、洛阳、黄山、温州、烟台、镇江等12个城市作为中国智慧旅游城市旅游竞争力评价BP神经网络模型的学习样本。考虑到样本城市的代表性和地域均衡性,减少样本间的相互干扰,对国家智慧旅游试点城市较为集中的江苏省,选择省会及副省级城市南京市和国家智慧旅游服务中心镇江市为代表,苏州、无锡、常州、南通、扬州等5个国家智慧旅游试点城市未选入。此外,为避免城市行政级别差异过大的干扰,首批国家智慧旅游试点城市中唯一一个县级市武夷山市也未选入,以确保智慧旅游城市旅游竞争力评价BP神经网络模型训练过程和结果的科学性与普适性。根据研究方案中设计的指标赋值方法,对12个样本城市的33个智慧旅游城市旅游竞争力评价指标进行赋值（数据来源于2015年各类统计年鉴、统计公报）。在进行样本期望值计算和BP神经网络模型训练之前,须对所有指标的原始数据进行无量纲化处理,结果如表3所示。
Tab. 3
表3
表3智慧旅游城市旅游竞争力评价指标无量纲化值
Tab. 3The evaluation index nondimensionalizations of tourism competitiveness of smart tourism city

指标 编号	智慧旅游城市
	北京	南京	镇江	武汉	成都	福州	大连	厦门	黄山	温州	烟台	洛阳
E1	1.000	0.297	0.051	0.406	0.333	0.029	0.163	0.094	0.000	0.083	0.066	0.063
E2	1.000	0.932	0.586	0.460	0.430	0.419	0.477	0.783	0.000	0.828	0.588	0.141
E3	0.179	0.135	0.131	0.170	0.123	0.000	0.065	0.214	1.000	0.111	0.019	0.152
E4	1.000	1.000	0.667	0.667	0.500	0.500	0.667	0.667	0.000	0.500	0.667	0.167
E5	1.000	1.000	1.000	1.000	0.750	0.750	1.000	0.750	0.000	0.500	0.750	0.250
E6	1.000	1.000	1.000	1.000	1.000	1.000	1.000	1.000	0.000	1.000	1.000	1.000
E7	1.000	0.833	0.833	0.833	0.667	0.667	0.667	0.667	0.000	0.667	0.833	0.333
E8	1.000	1.000	1.000	0.500	0.500	0.500	0.500	0.500	0.000	0.000	0.500	0.000
E9	1.000	0.800	0.600	0.800	0.400	0.400	0.400	0.600	0.000	0.400	0.600	0.200
E10	1.000	0.215	0.032	0.132	0.218	0.025	0.007	0.022	0.000	0.021	0.052	0.005
E11	1.000	0.157	0.105	0.185	0.164	0.091	0.074	0.113	0.000	0.040	0.167	0.038
E12	1.000	0.406	0.335	0.228	0.174	0.124	0.223	0.249	0.090	0.108	0.219	0.000
E13	1.000	0.224	0.051	0.164	0.170	0.054	0.066	0.040	0.000	0.038	0.026	0.025
E14	1.000	0.470	0.192	0.135	0.105	0.056	0.157	0.080	0.000	0.127	0.080	0.010
E15	1.000	0.406	0.172	0.231	0.150	0.184	0.374	0.297	0.063	0.286	0.302	0.000
E16	1.000	0.737	0.211	0.211	1.000	0.053	0.000	0.000	0.263	0.000	0.000	1.000
E17	1.000	1.000	0.000	0.000	0.000	0.000	0.000	0.000	1.000	0.000	0.000	1.000
E18	1.000	0.147	0.000	0.097	0.085	0.124	0.036	0.035	0.009	0.253	0.036	0.092
E19	1.000	0.714	0.571	0.571	0.571	0.571	0.714	0.714	0.000	0.429	0.714	0.286
E20	0.862	0.970	0.899	0.873	0.452	0.456	1.000	0.682	0.000	0.218	0.218	0.171
E21	1.000	0.700	0.227	0.920	0.866	0.547	0.887	0.146	0.000	0.357	0.506	0.353
E22	0.000	0.333	0.667	0.667	1.000	1.000	0.667	0.333	1.000	0.333	0.667	0.333
E23	1.000	0.800	0.400	0.600	0.400	0.600	0.400	0.600	0.000	0.200	0.400	0.200
E24	1.000	0.667	0.333	0.667	0.333	0.667	0.667	0.667	0.000	0.333	0.333	0.000
E25	1.000	1.000	0.500	0.000	0.000	1.000	1.000	0.500	1.000	0.000	0.500	0.200
E26	1.000	0.249	0.058	0.130	0.528	0.198	0.186	0.115	0.000	0.253	0.179	0.132
E27	0.544	0.311	0.057	0.359	0.273	0.191	0.113	0.569	0.000	1.000	0.153	0.410
E28	0.750	1.000	0.750	0.500	0.500	0.500	0.250	0.500	0.000	0.250	0.500	0.000
E29	1.000	1.000	0.750	0.750	0.750	0.500	0.500	0.500	0.000	0.250	0.500	0.250
E30	1.000	1.000	1.000	0.750	0.750	0.500	0.750	0.750	0.000	0.250	0.750	0.250
E31	1.000	0.750	0.500	0.250	0.250	0.500	0.500	0.500	0.000	0.250	0.250	0.250
E32	1.000	0.667	1.000	0.667	0.667	0.667	0.667	0.667	0.000	0.000	0.333	0.000
E33	1.000	0.667	0.667	0.333	0.333	0.667	0.667	0.667	0.000	0.000	0.333	0.333

新窗口打开

4.2 样本期望值确定

按公式（1）将各项指标的权重与无量纲化值进行加权求,得到12个智慧旅游城市旅游竞争力评价期望值（表4）。
Tab. 4
表4
表4智慧旅游城市旅游竞争力评价期望值
Tab. 4The expectations of tourism competitivenessevaluation of smart tourism city

城市	期望值	城市	期望值	城市	期望值
北京	0.896	大连	0.341	成都	0.342
南京	0.546	厦门	0.358	福州	0.275
镇江	0.334	黄山	0.158	烟台	0.301
武汉	0.380	温州	0.296	洛阳	0.226

新窗口打开

4.3 仿真运算

选取南京、镇江、武汉、成都、福州、大连、厦门、温州、烟台、黄山10个城市为智慧旅游城市旅游竞争力评价BP神经网络模型的训练样本,选择旅游竞争力评价期望值最大的北京市和较小的沈阳市为检验样本,如训练得出的网络模型对这两个差距甚大的样本都适合,则更能检验该模型的普适性。
BP神经网络模型输入层和输出层的节点数分别取33和1,依据公式（2）~（5）计算隐含层节点数的大致取值范围为[5, 20],设定隐含层节点数从5到20逐次增加试验,通过仿真训练后得到误差与隐含层节点数的对应关系（表5）,选择最小误差值对应的个数14为隐含层节点数,由此确定BP神经网络模型结构（图2）。
Tab. 5
表5
表5BP神经网络隐含层节点数与误差的关系
Tab. 5The relation of hidden layer node number and error in BP neural network

隐含层节点数	5	6	7	8	9	10	11	12
均方误差mse	0.06508	0.06234	0.00073	0.08751	0.05922	0.05095	0.11024	0.03215
隐含层节点数	13	14	15	16	17	18	19	20
均方误差mse	0.05569	0.00022	0.10279	0.02015	0.04896	0.00874	0.00198	0.00107

新窗口打开
显示原图|下载原图ZIP|生成PPT
图2BP神经网络模型结构图
-->Fig. 2The BP neural network model structure diagram
-->

在MATLAB软件中分别设定输入层、隐含层、输出层神经元个数为33、14、1,采用训练函数trainlm函数,学习速率0.05,动量因子缺省为0.9,训练要求精度为le-4,最大训练次数epochs为10000次,训练目标函数误差goal为0.0001,将10个智慧旅游城市的样本数据输入BP神经网络模型进行训练,训练141次达到目标误差要求,训练路径图如图3所示。
显示原图|下载原图ZIP|生成PPT
图3BP神经网络模型训练路径图
-->Fig. 3The diagram of BP neural network model training
-->

训练满足预设的要求后,得到相关训练输出值（表6）。期望输出值与训练输出值非常接近,即构建的BP神经网络模型能根据各评价指标准确确定智慧旅游城市旅游竞争力,训练至此结束,智慧旅游城市旅游竞争力评价BP神经网络模型构建完成。进而对训练好的BP神经网络模型进行检验,将北京、洛阳2个检验样本的各指标数据输入模型,表7所示的输出结果显示,检验样本、训练样本的相对误差值和绝对误差值均在可接受的范围之内,表明模型能有效逼近训练样本,智慧旅游城市旅游竞争力评价BP神经网络模型构建成功,可普适于其他智慧旅游城市旅游竞争力评价。
Tab. 6
表6
表6期望输出值与训练输出值比较
Tab. 6The comparison of desired output and trained output

类别	南京	镇江	武汉	成都	福州	大连	厦门	黄山	温州	烟台
期望值	0.546	0.334	0.380	0.342	0.275	0.341	0.358	0.158	0.296	0.301
训练值	0.536	0.340	0.384	0.348	0.269	0.359	0.344	0.176	0.303	0.302
绝对误差	0.010	0.006	0.004	0.006	0.006	0.019	0.014	0.018	0.007	0.001
相对误差(%)	1.77	1.86	0.95	1.69	2.28	5.42	3.77	11.20	2.33	0.38

新窗口打开
Tab. 7
表7
表7检验样本期望输出值与训练输出值比较
Tab. 7The comparison of desired output and trained output of checking example

城市	期望值	训练值	绝对误差	相对误差(%)
北京	0.896	0.887	0.008	0.93
洛阳	0.226	0.218	0.008	3.47

新窗口打开

4.4 结果分析

（1）评价等级与竞争态势分析
12个中国智慧旅游城市旅游竞争力评价结果如表8所示。总体视之,中国智慧旅游城市旅游竞争力评价等级为B,竞争态势为“一般”。除竞争态势为“强”的评价等级A缺失外,其他各等级及竞争态势均有分布。其中,竞争态势为“优势”和“较强”的AA、BB等级智慧旅游城市分别仅北京、南京2市,竞争态势为“较弱”和“弱势”的CC、C等级智慧旅游城市分别仅福州、洛阳和黄山3市,武汉、大连、成都、厦门、镇江、温州、烟台等7个城市集中分布于竞争态势“一般”的评价等级B,具备明显的正态分布特征,反映出目前中国智慧旅游城市旅游竞争力总体水平不高。以单个智慧旅游城市视之,高居榜首的北京市与排序第2的南京市拉开两个评价等级,且仅北京、南京、武汉3市旅游竞争力评价值高于平均值,表明同为首批中国智慧旅游城市,旅游竞争力的差异极为显著,具备旅游竞争力优势的智慧旅游城市十分匮乏。
Tab. 8
表8
表8中国智慧旅游城市旅游竞争竞争力评价结果
Tab. 8The evaluation results of tourism competitiveness of Chinese smart tourism city

城市名称	评价值	排序	评价等级	竞争态势
北京	0.887	1	AA	优势
南京	0.536	2	BB	较强
武汉	0.384	3	B	一般
大连	0.359	4	B	一般
成都	0.348	5	B	一般
厦门	0.344	6	B	一般
镇江	0.340	7	B	一般
温州	0.303	8	B	一般
烟台	0.302	9	B	一般
福州	0.269	10	CC	较弱
洛阳	0.218	11	CC	较弱
黄山	0.176	12	C	弱势
总平均值	0.372	-	B	一般

新窗口打开
（2）一级指标特征分析
根据评价等级和竞争态势,将12个中国智慧旅游城市分为5类,运用智慧旅游城市旅游竞争力评价BP神经网络模型,确定各类智慧旅游城市的旅游竞争力一级指标评价值（图4）,通过5项一级指标评价值的特征分析,进一步探讨影响各类智慧旅游城市旅游竞争力评价结果的根本致因。
显示原图|下载原图ZIP|生成PPT
图4中国智慧旅游城市旅游竞争力一级指标评价值
-->Fig. 4The line chart of first index evaluations of tourism competitiveness of Chinese smart tourism city
-->

第一类——北京市：作为全球拥有世界遗产最多的城市,北京市旅游经济发展竞争力、旅游科技创新竞争力、旅游发展潜力竞争力、旅游环境支撑竞争力、旅游发展保障竞争力5项一级指标评价值分别是平均值的1.96倍、2.93倍、2.27倍、1.53倍、2.01倍,各项指标数据均遥遥领先于其他城市,其中关键性的2项指标智慧旅游城市旅游科技创新竞争力和旅游经济发展竞争力评价值分别是排序第2南京市的2.26倍、1.40倍,成为中国智慧旅游城市旅游竞争力的标杆城市。
第二类——南京市：作为首批中国历史文化名城和全国重点风景旅游城市,南京市一级指标评价值总体虽不如北京市突出,但旅游环境支撑竞争力评价值与北京市并列第1,旅游经济发展竞争力、旅游科技创新竞争力、旅游发展保障竞争力3项一级指标评价值位列第2,其5项一级指标评价值依次是平均值的1.40倍、1.30倍、1.98倍、1.53倍、1.49倍,尤其是后3项指标与北京市十分接近,使南京市旅游竞争力明显高于除北京市外的其他中国智慧旅游城市。
第三类——武汉、大连、成都、厦门、镇江、温州、烟台7市：7市代表了目前中国智慧旅游城市旅游竞争力的普遍水平,尽管总体评价值差距较小,但7市5项一级指标评价值仍各具特色,导致各市旅游竞争力排序的差异。如作为中国优秀旅游城市的武汉市,旅游科技创新竞争力、旅游经济发展竞争力2项关键性指标值位列7市第1,使其旅游竞争力在7市中排序最前。此外,7市中排序第2的大连市旅游环境支撑竞争力指标值与北京市、南京市并列第1,成都、厦门2市旅游发展潜力竞争力、旅游发展保障竞争力指标值分列7市第1,镇江、温州2市旅游经济发展竞争力、旅游发展保障竞争力指标值分列7市第2,烟台市旅游科技创新竞争力位列7市第3。
第四类——福州、洛阳2市：福州市5项一级指标评价值除旅游环境支撑竞争力1项在12个中国智慧旅游城市中排序第5外,其他指标值均靠后。洛阳市是首批历史文化名城和著名古都,旅游发展潜力竞争力指标值在12市中仅次于北京市列第2,但其他4项一级指标评价值均列倒数。最终2市旅游竞争力排序倒数2、3。
第五类——黄山市：该市特色鲜明,是以山岳“黄山”之名设立的地级市,作为首批中国优秀旅游城市,该市旅游发展潜力竞争力指标值在12市中排序第4。得益于旅游业对城市发展的贡献巨大,旅游经济发展竞争力的重要支撑指标“旅游业占GDP的比重”值大幅领先于其他中国智慧旅游城市（表1、表3）,使黄山市该一级指标值在12市中位列第5。然而,受累于其他一级指标值过低,该市旅游竞争力评价值排序最末。

5 结论

（1）旅游竞争力提升是智慧旅游城市建设的核心目标。BP神经网络具备的极强非线性映射能力、自适应和自学习能力成为量化研究智慧旅游城市旅游竞争力的有效方法。选取北京、武汉、成都、南京、大连、厦门等12个首批国家智慧旅游试点城市,通过模拟仿真运算构建的智慧旅游城市旅游竞争力评价BP神经网络模型,在无须专家参与评分的情况下,只需输入全部指标数据即可得出智慧旅游城市旅游竞争力评价值,具有较好的科学性、普适性和可操作性,可为该领域研究提供方法借鉴。
（2）智慧旅游城市旅游竞争力评价三级指标体系由旅游经济发展竞争力、旅游科技创新竞争力、旅游发展潜力竞争力、旅游环境支撑竞争力、旅游发展保障竞争力5个一级指标以及14个二级指标和33个三级指标构成。旅游科技创新竞争力是影响智慧旅游城市旅游竞争力最关键的一级指标,其他一级指标按重要性排序依次为旅游经济发展竞争力、旅游发展保障竞争力、旅游发展潜力竞争力和旅游环境支撑竞争力。
（3）中国智慧旅游城市旅游竞争力整体水平不高且极不均衡。12个中国智慧旅游城市旅游竞争力评价平均值为0.372,评价等级为B,竞争态势为“一般”。评价值最高的北京市（0.887）与排序第2的南京市（0.536）相差两个评价等级,较低的福州、洛阳、黄山3市评价值小于0.3,武汉、大连、成都、厦门、镇江、温州、烟台等7市旅游竞争力评价值集中分布于0.3~0.4之间,具备明显的正态分布特征。
（4）12个中国智慧旅游城市可根据旅游竞争力评价等级和竞争态势分为5类。第一类北京市是中国智慧旅游城市旅游竞争力的标杆,5项一级指标评价值多遥遥领先于其他城市,总评价值高达0.887,评价等级和竞争态势分别为AA、“优势”;第二类南京市旅游环境支撑竞争力评价值与北京市并列第1,旅游经济发展竞争力、旅游科技创新竞争力、旅游发展保障竞争力3项一级指标评价值位列第2,总评价值达0.536,旅游竞争力明显高于除北京市外的其他中国智慧旅游城市,评价等级和竞争态势分别为BB、“较强”;第三类武汉、大连、成都、厦门、镇江、温州、烟台7市代表目前中国智慧旅游城市旅游竞争力的普遍水平,5项一级指标评价值多偏低且差距不明显,总评价值在0.3~0.4之间,评价等级和竞争态势均为B和“一般”;第四类福州、洛阳2市绝大多数一级指标评价值较低,总评价值在0.2~0.3之间,评价等级和竞争态势均为CC和“较弱”;第五类黄山市在12个中国智慧旅游城市中旅游竞争力排序最末,总评价值仅0.176,评价等级和竞争态势为C和“弱势”。
（5）评价指标体系的建立,明确了影响智慧旅游城市旅游竞争力的关键要素,为定量表征智慧旅游城市旅游竞争力奠定了基础。智慧旅游城市旅游竞争力评价BP神经网络模型的构建,使定量研究成为可能。可以预见,根据评价值的大小判断智慧旅游城市旅游竞争力的优劣,比照指标体系寻找差距并加以完善,同时对评价指标进行动态监测,将是智慧旅游城市旅游竞争力研究的重要发展方向。
The authors have declared that no competing interests exist.

---

参考文献文献选项 原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1]	Caragliu A, Bo C, Nijkamp P.Smart cities in Europe . Journal of Urban Technology, 2011, 18(2): 65-82.https://doi.org/10.1080/10630732.2011.601117URL [本文引用: 2]摘要 Urban performance currently depends not only on a city's endowment of hard infrastructure (physical capital), but also, and increasingly so, on the availability and quality of knowledge communication and social infrastructure (human and social capital). The latter form of capital is decisive for urban competitiveness. Against this background, the concept of the “smart city” has recently been introduced as a strategic device to encompass modern urban production factors in a common framework and, in particular, to highlight the importance of Information and Communication Technologies (ICTs) in the last 20 years for enhancing the competitive profile of a city.The present paper aims to shed light on the often elusive definition of the concept of the “smart city.” We provide a focused and operational definition of this construct and present consistent evidence on the geography of smart cities in the EU27. Our statistical and graphical analyses exploit in depth, for the first time to our knowledge, the most recent version of the Urban Audit data set in order to analyze the factors determining the performance of smart cities. We find that the presence of a creative class, the quality of and dedicated attention to the urban environment, the level of education, and the accessibility to and use of ICTs for public administration are all positively correlated with urban wealth. This result prompts the formulation of a new strategic agenda for European cities that will allow them to achieve sustainable urban development and a better urban landscape.
[2]	Batty M.2012. Smart cities, big data . Environment and Planning B, 39(2): 191-193. [本文引用: 1]
[3]	Wang Mingfeng, Ning Yuemin.The internet and the rise of information network cities in China . Journal of Geographical Sciences, 2004, 59(3): 446-454.https://doi.org/10.3321/j.issn:0375-5444.2004.03.015URL [本文引用: 1]摘要 从互联网骨干网络拓扑结构入手,对中国互联网进行了初步的地理学分析,着重考察了基于这种新的信息基础设施架构之上的中国城市体系格局.结果表明:一个由信息网络城市组成的城市网络已在中国浮现,北京、上海和广州之间的互联网骨干连接构成了我国长距离电子通信的核心层次.互联网基础设施建设正在重构城市的竞争优势,而地理区位因素仍在其中起着重要的作用. [汪明峰, 宁越敏. 互联网与中国信息网络城市的崛起 . 地理学报, 2004, 59(3): 446-454.]https://doi.org/10.3321/j.issn:0375-5444.2004.03.015URL [本文引用: 1]摘要 从互联网骨干网络拓扑结构入手,对中国互联网进行了初步的地理学分析,着重考察了基于这种新的信息基础设施架构之上的中国城市体系格局.结果表明:一个由信息网络城市组成的城市网络已在中国浮现,北京、上海和广州之间的互联网骨干连接构成了我国长距离电子通信的核心层次.互联网基础设施建设正在重构城市的竞争优势,而地理区位因素仍在其中起着重要的作用.
[4]	Luigi Atzori, Antonio Iera.The internet of things: Survey . Computer Networks, 2010, 54: 2787-2805.https://doi.org/10.1016/j.comnet.2010.05.010URLPMID:7578611摘要 Abstract This paper addresses the Internet of Things. Main enabling factor of this promising paradigm is the integration of several technologies and communications solutions. Identification and tracking technologies, wired and wireless sensor and actuator networks, enhanced communication protocols (shared with the Next Generation Internet), and distributed intelligence for smart objects are just the most relevant. As one can easily imagine, any serious contribution to the advance of the Internet of Things must necessarily be the result of synergetic activities conducted in different fields of knowledge, such as telecommunications, informatics, electronics and social science. In such a complex scenario, this survey is directed to those who want to approach this complex discipline and contribute to its development. Different visions of this Internet of Things paradigm are reported and enabling technologies reviewed. What emerges is that still major issues shall be faced by the research community. The most relevant among them are addressed in details.
[5]	Fang Chuanglin.Progress and the future direction of research into urban agglomeration in China . Journal of Geographical Sciences, 2014, 69(8): 1130-1144.https://doi.org/10.11821/dlxb201408009URL摘要 中国的城市群是近30年来伴随国家新型工业化和新型城镇化发展到较高阶段的必然产物,自21世纪初期城市群成为国家参与全球竞争与国际分工的全新地域单元之后,中国连续10年把城市群提升为推进国家新型城镇化的空间主体,首次召开的中央城镇化工作会议和《国家新型城镇化规划(2014-2020年)》进一步明确了城市群作为推进国家新型城镇化的主体地位。然而,城市群在中国的研究目前尚处在亟待加强的薄弱环节。系统总结从1934-2013年的80年间发表在地理学报的城市群主题论文,只有不到19篇,仅占总篇数的0.55%,不仅发表篇数少,而且发表时间短,首次发表城市群研究成果不到10年,研究单位和作者群体集中,研究内容瞄准国家需求但比较发散。即便如此,仅有的城市群研究成果还是对国家城市群总体格局的形成起到了引领作用,做出了重要贡献。具体体现在,提出的城市群空间格局推动国家形成了中国城市群空间结构的基本框架,引导国家新型城镇化规划把城市群作为推进新型城镇化的主体形态,提出的城市群空间范围识别标准与技术流程对界定国家城市群范围起到了重要作用,提出的城市群系列研究领域带动城市群的研究向着纵深与实用方向拓展,提出的中国城市群形成发育中存在的问题对未来城市群的选择与发展起到了警示作用。以这些研究进展和成果为基础,未来中国城市群选择与培育的重点方向为:以问题为导向,深刻反思检讨中国城市群选择与发育中暴露出的新问题;以城市群为主体,重点推动形成"5+9+6"的中国城市群空间结构新格局;以城市群为依托,重点推动形成"以轴串群、以群托轴"的国家城镇化新格局;以国家战略需求为导向,继续深化对城市群形成发育中重大科学问题的新认知,包括深入研究城市群高密度集聚的资源环境效应,科学求解城市群高密度集聚的资源环境承载力,创新城市群形成发育的管理体制和政府协调机制,研究建立城市群公共财政制度与公共财政储备机制,研究制定城市群规划编制技术规程与城市群空间范围界定标准等。 [方创琳. 中国城市群研究取得的重要进展与未来发展方向 . 地理学报, 2014, 69(8): 1130-1144.]https://doi.org/10.11821/dlxb201408009URL摘要 中国的城市群是近30年来伴随国家新型工业化和新型城镇化发展到较高阶段的必然产物,自21世纪初期城市群成为国家参与全球竞争与国际分工的全新地域单元之后,中国连续10年把城市群提升为推进国家新型城镇化的空间主体,首次召开的中央城镇化工作会议和《国家新型城镇化规划(2014-2020年)》进一步明确了城市群作为推进国家新型城镇化的主体地位。然而,城市群在中国的研究目前尚处在亟待加强的薄弱环节。系统总结从1934-2013年的80年间发表在地理学报的城市群主题论文,只有不到19篇,仅占总篇数的0.55%,不仅发表篇数少,而且发表时间短,首次发表城市群研究成果不到10年,研究单位和作者群体集中,研究内容瞄准国家需求但比较发散。即便如此,仅有的城市群研究成果还是对国家城市群总体格局的形成起到了引领作用,做出了重要贡献。具体体现在,提出的城市群空间格局推动国家形成了中国城市群空间结构的基本框架,引导国家新型城镇化规划把城市群作为推进新型城镇化的主体形态,提出的城市群空间范围识别标准与技术流程对界定国家城市群范围起到了重要作用,提出的城市群系列研究领域带动城市群的研究向着纵深与实用方向拓展,提出的中国城市群形成发育中存在的问题对未来城市群的选择与发展起到了警示作用。以这些研究进展和成果为基础,未来中国城市群选择与培育的重点方向为:以问题为导向,深刻反思检讨中国城市群选择与发育中暴露出的新问题;以城市群为主体,重点推动形成"5+9+6"的中国城市群空间结构新格局;以城市群为依托,重点推动形成"以轴串群、以群托轴"的国家城镇化新格局;以国家战略需求为导向,继续深化对城市群形成发育中重大科学问题的新认知,包括深入研究城市群高密度集聚的资源环境效应,科学求解城市群高密度集聚的资源环境承载力,创新城市群形成发育的管理体制和政府协调机制,研究建立城市群公共财政制度与公共财政储备机制,研究制定城市群规划编制技术规程与城市群空间范围界定标准等。
[6]	Zhen Feng, Xi Guangliang, Qin Xiao.Smart city planning and construction based on geographic perspectives: Some theoretical thinking . Progress in Geography, 2015, 34(4): 402-409.https://doi.org/10.11820/dlkxjz.2015.04.001URL [本文引用: 1]摘要 智慧城市建设是推动城镇化发展的重要动力,其建设除了技术支撑之外,还应充分考虑信息技术对城市政府、企业和居民活动及其空间的影响。本文在对国内智慧城市建设现状与问题分析思考的基础上,认为智慧城市的出现是适应当前城市化战略转型、公共服务提升、社区发展和城市问题解决的必然趋势,从多源异构数据整合、信息系统和空间分析平台两个方面梳理智慧城市建设的关键技术,从流动空间以及新的人地关系、时空协调发展等方面提出智慧城市的理论支撑,并进一步明确地理学应对和研究重点。同时,提出基于城市地理研究的智慧城市规划与建设实践的主要方向,包括顶层设计、功能和空间布局、基础设施整合、城乡治理等内容。 [甄峰, 席广亮, 秦萧. 基于地理视角的智慧城市规划与建设的理论思考 . 地理科学进展, 2015, 34(4): 402-409.]https://doi.org/10.11820/dlkxjz.2015.04.001URL [本文引用: 1]摘要 智慧城市建设是推动城镇化发展的重要动力,其建设除了技术支撑之外,还应充分考虑信息技术对城市政府、企业和居民活动及其空间的影响。本文在对国内智慧城市建设现状与问题分析思考的基础上,认为智慧城市的出现是适应当前城市化战略转型、公共服务提升、社区发展和城市问题解决的必然趋势,从多源异构数据整合、信息系统和空间分析平台两个方面梳理智慧城市建设的关键技术,从流动空间以及新的人地关系、时空协调发展等方面提出智慧城市的理论支撑,并进一步明确地理学应对和研究重点。同时,提出基于城市地理研究的智慧城市规划与建设实践的主要方向,包括顶层设计、功能和空间布局、基础设施整合、城乡治理等内容。
[7]	Zhang Lingyun, Li Nao, Liu Min.On the basic concept of smarter tourism and its theoretical system . Tourism Tribune, 2012, 27(5): 66-73. [本文引用: 1] [张凌云, 黎巎, 刘敏. 智慧旅游的基本概念与理论体系 . 旅游学刊, 2012, 27(5): 66-73.] [本文引用: 1]
[8]	Huang sisi. A research review of intelligent tourism in China. Geography and Geo-Information Science, 2014, 30(2): 97-101.https://doi.org/10.7702/dlydlxxkx20140220URL [本文引用: 1]摘要 对智慧旅游的概念、应用价值、体系构建与应用和发展中存在的不足等方面进行归纳与总结,发现目前对智慧旅游的研究尚处于初级阶段,缺乏深度和广度.未来研究应加强以下方面：完善相关理论体系;政府加大投入,促进相关企业参与建设;强化信息技术的创新研究;加强技术人才的培养力度;金融机构加大投资;促进产业之间交叉研究;扩大跨学科研究人员互动交流. [黄思思. 国内智慧旅游研究综述 . 地理与地理信息科学, 2014, 30(2): 97-101.]https://doi.org/10.7702/dlydlxxkx20140220URL [本文引用: 1]摘要 对智慧旅游的概念、应用价值、体系构建与应用和发展中存在的不足等方面进行归纳与总结,发现目前对智慧旅游的研究尚处于初级阶段,缺乏深度和广度.未来研究应加强以下方面：完善相关理论体系;政府加大投入,促进相关企业参与建设;强化信息技术的创新研究;加强技术人才的培养力度;金融机构加大投资;促进产业之间交叉研究;扩大跨学科研究人员互动交流.
[9]	Andrea Caragliu, Toppeta D.The smart city vision: How innovation can build smart, livable. Sustainable Cities . Think Report, 2010.URL [本文引用: 1]
[10]	Hollands R G.Will the real smart city please stand up? Intelligent, progressive, or entrepreneurial . City, 2008(3): 303-320.https://doi.org/10.1080/13604810802479126URL [本文引用: 2]摘要 Debates about the future of urban development in many Western countries have been increasingly influenced by discussions of smart cities. Yet despite numerous examples of this 'urban labelling' phenomenon, we know surprisingly little about so-called smart cities, particularly in terms of what the label ideologically reveals as well as hides. Due to its lack of definitional precision, not to mention an underlying self-congratulatory tendency, the main thrust of this article is to provide a preliminary critical polemic against some of the more rhetorical aspects of smart cities. The primary focus is on the labelling process adopted by some designated smart cities, with a view to problematizing a range of elements that supposedly characterize this new urban form, as well as question some of the underlying assumptions/contradictions hidden within the concept. To aid this critique, the article explores to what extent labelled smart cities can be understood as a high-tech variation of the 'entrepreneurial city', as well as speculates on some general principles which would make them more progressive and inclusive.
[11]	Hannes Werthner, Stefan Klein.Information technology and tourism: A challenging relationship . New York: Springer Wien, 1999: 135-163. [本文引用: 1]
[12]	Owaied H H, Farhan H A, Al-Hawamdeh N, et al.A model for intelligent tourism guidesystem . Journal of Applied Sciences, 2011, 11(2): 342-437.https://doi.org/10.3923/jas.2011.342.347URL摘要 Abstract This study presents a proposed framework model for intelligent tourism guiding system as a knowledge-based system. The model based on the philosophical view of the human behavior as tourism guide. The proposed model mimic the human tourism guide, through building relationships between knowledge based-system with the role of tourist-guide, as a means to provide a professional service for any visitor which best meet his needs and desire of gaining sufficient information and objective understanding of the places visited together with better value and satisfaction of his tour. The proposed model consists of five modules, which are user interface, inference engine, knowledge base, dynamic database and the facilities of GIS and XRM application. These modules are complementary in their intended functions of the local, regional and international guides. The proposed intelligent tourism guiding system can be used by most of the mobile telephone companies as a service available for their customers.
[13]	Ago Luberg, Priit J?rv, Tanel Tammet.Information extraction for a tourist recommender system. Information and Communication Technologies in Tourism 2012 . Vienna and New York: Springer, 2012: 332-343.https://doi.org/10.1007/978-3-7091-1142-0_29URL摘要 We will present the information extraction algorithms for a semantic personalised tourist recommender system Sightsplanner. The main challenges: information is spread across various information sources, it is usually stored in proprietary formats and is available in different languages in varying degrees of accuracy. We will address the mentioned challenges and describe our realization and ideas how to deal with each of them: scraping and extracting keywords from different web portals with different languages, dealing with missing multilingual data and identifying the same objects from different sources.
[14]	Wang Enxu.Evaluation model and empirical study of wisdom tourism city construction level based on G1-Entropy . Journal of Dalian University of Technology (Social Sciences), 2014, 35(2): 68-73.URL [本文引用: 1]摘要 文章以智慧旅游城市建设为研究 对象,构建了智慧旅游城市建设水平评价指标体系与评价模型,并以国家旅游局确定的智慧旅游城市建设试点为案例进行实证评价。结果显示,17个城市的智慧旅 游城市建设综合水平差距较大,平均水平相对较低。其中,智慧旅游基础设施建设水平、智慧旅游经济发展水平、智慧旅游科技创新水平较低,而智慧旅游硬件支撑 水平与智慧旅游环境支撑水平较高。并依据评价结果将17个城市分为6个类别,对每一个类别的智慧旅游城市建设情况进行了分析与对比。 [王恩旭. 基于G1-熵值的智慧旅游城市建设水平评价模型及实证研究 . 大连理工大学学报(社会科学版), 2014, 35(2): 68-73.]URL [本文引用: 1]摘要 文章以智慧旅游城市建设为研究 对象,构建了智慧旅游城市建设水平评价指标体系与评价模型,并以国家旅游局确定的智慧旅游城市建设试点为案例进行实证评价。结果显示,17个城市的智慧旅 游城市建设综合水平差距较大,平均水平相对较低。其中,智慧旅游基础设施建设水平、智慧旅游经济发展水平、智慧旅游科技创新水平较低,而智慧旅游硬件支撑 水平与智慧旅游环境支撑水平较高。并依据评价结果将17个城市分为6个类别,对每一个类别的智慧旅游城市建设情况进行了分析与对比。
[15]	Geoffrey I, Crouch J R, Brent Ritchie.Tourism competitiveness and social prosperity . Journal of Business Research, 1999, 44: 37-152.https://doi.org/10.1016/S0148-2963(97)00196-3URL [本文引用: 1]
[16]	Gan Mengyu, Bao Jigang.Primary study on the urban tourism competitiveness . Urban Research, 2003(4): 22-25.URLMagsci [本文引用: 1]摘要 城市旅游竞争力是城市竞争力的重要组成部分.旅游业的国家竞争和区域竞争是通过城市竞争得以实现,在分析特大城市、大中城市、中小城市旅游竞争力的基础上,本文初步研究了城市旅游竞争力的指标选取和发展趋势. [甘萌雨, 保继刚. 城市旅游竞争力研究初步 . 现代城市研究, 2003(4): 22-25.]URLMagsci [本文引用: 1]摘要 城市旅游竞争力是城市竞争力的重要组成部分.旅游业的国家竞争和区域竞争是通过城市竞争得以实现,在分析特大城市、大中城市、中小城市旅游竞争力的基础上,本文初步研究了城市旅游竞争力的指标选取和发展趋势.
[17]	Huybers T, Bennett J.Environmental management and the competitiveness of nature-based tourism destinations . Environmental and Resource Economics, 2003, 24(3): 213-233.https://doi.org/10.1023/A:1022942001100Magsci [本文引用: 1]摘要 <a name="Abs1"></a>Environmental management at nature-basedtourism destinations includes a private and apublic component. The former refers tovoluntary environmental protection activitiescarried out by individual (and groups of)tourism operators. These activities aremotivated by the dependence of the productprovided by the tourism industry on the qualityof the natural environment. Public sectormanagement, on the other hand, refers to theenvironmental regulations imposed on tourismbusinesses. The overall environmentalmanagement structure has a dual effect on thecompetitiveness of the tourism industry atnature-based tourism destinations. While theindustry may benefit from environmentalmanagement through demand stimulation, thetourism businesses also incur the associatedmanagement related costs. In this paper, theoverall effect of environmental management oncompetitiveness, as measured by aggregatetourism industry profitability, is estimated ina case study of Tropical North Queensland.
[18]	Enright M J, Newton J.Determinants of tourism destination competitiveness in Asia Pacific: Comprehensiveness and universality . Journal of Travel Research, 2005, 43(4):339-350.https://doi.org/10.1177/0047287505274647URL [本文引用: 1]摘要 Abstract Recent conceptual work on tourism destination competitiveness has proposed a comprehensive approach that adds industry-level competitiveness attributes to more conventional tourism destination attributes. This study builds on these ideas by generating sets of both attributes, developing a methodology for assessing their relative importance and examining the degree to which their relative importance varies across locations. Survey data were gathered from tourism industry practitioners in three closely competing destinations in Asia Pacific and were subjected to statistical testing. The results provide strong empirical support for the inclusion of both industry-level and destination attributes in studies of tourism competitiveness. The results also question approaches to competitiveness that assume that the relative importance of attributes is common across locations, suggesting, rather, that the importance of competitiveness attributes may vary across locations, depending on product mix and target market segments, especially in complex, multifaceted industries such as tourism.
[19]	Zhang Heqing, Tian Xiaohui, Wang Leilei.The cooperation-competition development in regional tourism industry-based on the comparative analysis of city tourism competitiveness between Pearl River Delta and Yangtze River Delta . Economic Geography, 2015, 30(5): 871-875. [本文引用: 2] [张河清, 田晓辉, 王蕾蕾. 区域旅游业竞合发展实证研究: 基于珠三角与长三角城市旅游竞争力的比较分析 . 经济地理, 2015, 30(5): 871-875.] [本文引用: 2]
[20]	Cao Fangdong, Huang Zhenfang, Wu Jiang, et al.Spatia and temporal patterns and structure rationality evaluation of urban tourism competition potential: A case study of Changjiang River Delta . Scientia Geographica Sinica, 2012, 32(8): 944-949.Magsci [本文引用: 1]摘要 <p>选取资源产品竞争力、市场服务竞争力、旅游保障竞争力三大指标体系, 采用熵值法赋予权重, 对长三角城市旅游竞争潜力进行横向上的测度, 引入SSM模型, 纵向测算1998~2008 年城市旅游竞争潜力指标要素的结构偏离分量和竞争力偏离分量, 在此基础上, 评价指标要素的结构效果指数和竞争力效果指数。结果表明:长三角城市旅游竞争潜力时空格局上存在显著差异, 表现为以上海、南京、杭州、苏州为中心的城市旅游竞争潜力较高, 始终处于区域的高值状态, 形成四强鼎立的空间格局, 城市间旅游竞争潜力差异呈现扩大化, 指标要素的结构上存在不合理, 与之相对应的旅游竞争潜力并不完全匹配。通过横向纵向两方面清晰的对比反映不同城市旅游竞争潜力指标的弱项和缺陷, 客观准确地表现不同城市旅游竞争潜力大小, 为长三角地区不同城市提升旅游竞争潜力提供定量依据与理论参考。</p> [曹芳东, 黄震方, 吴江, 等. 城市旅游竞争潜力时空格局演化及其结构合理性评价: 以长江三角洲地区为例 . 地理科学, 2012, 32(8): 944-949.]Magsci [本文引用: 1]摘要 <p>选取资源产品竞争力、市场服务竞争力、旅游保障竞争力三大指标体系, 采用熵值法赋予权重, 对长三角城市旅游竞争潜力进行横向上的测度, 引入SSM模型, 纵向测算1998~2008 年城市旅游竞争潜力指标要素的结构偏离分量和竞争力偏离分量, 在此基础上, 评价指标要素的结构效果指数和竞争力效果指数。结果表明:长三角城市旅游竞争潜力时空格局上存在显著差异, 表现为以上海、南京、杭州、苏州为中心的城市旅游竞争潜力较高, 始终处于区域的高值状态, 形成四强鼎立的空间格局, 城市间旅游竞争潜力差异呈现扩大化, 指标要素的结构上存在不合理, 与之相对应的旅游竞争潜力并不完全匹配。通过横向纵向两方面清晰的对比反映不同城市旅游竞争潜力指标的弱项和缺陷, 客观准确地表现不同城市旅游竞争潜力大小, 为长三角地区不同城市提升旅游竞争潜力提供定量依据与理论参考。</p>
[21]	Liu Zhongyan, Luo Qing.Measurement and evaluation of tourism competitiveness of provincial city: A case study of Hunan province . Economic Geography, 2015, 35(5): 186-192. [本文引用: 1] [刘中艳, 罗琼. 省域城市旅游竞争力测度与评价: 以湖南省为例 . 经济地理, 2012, 32(8): 944-949.] [本文引用: 1]
[22]	Wang Qiyan, Luo Dong.Construction and application of chinese city tourism competence evaluation system: A study on data of 293 Chinese cities at prefecture-level or above . Statistical Research, 2009, 26(7): 49-54.https://doi.org/10.3969/j.issn.1002-4565.2009.07.008URL摘要 文章通过建立城市旅游竞争力评价指标体系,采用层次分析法(AHP)与专家打分法相结合的方法,首次对我国4个直辖市和289个地级市的旅游竞争力进行了全面的综合评价.在给出整体排名的基础上,结合聚类分析结果对我国城市旅游业发展的区域分异进行了进一步研究,在空间地图上勾勒出各城市的旅游竞争力和旅游产业发展所处的不同阶段及所属的不同类型,并探讨了未来的发展方向和提升空间. [王琪延, 罗栋. 中国城市旅游竞争力评价体系构建及应用研究: 基于我国293个地级以上城市的调查资料 . 统计研究, 2009, 26(7): 49-54.]https://doi.org/10.3969/j.issn.1002-4565.2009.07.008URL摘要 文章通过建立城市旅游竞争力评价指标体系,采用层次分析法(AHP)与专家打分法相结合的方法,首次对我国4个直辖市和289个地级市的旅游竞争力进行了全面的综合评价.在给出整体排名的基础上,结合聚类分析结果对我国城市旅游业发展的区域分异进行了进一步研究,在空间地图上勾勒出各城市的旅游竞争力和旅游产业发展所处的不同阶段及所属的不同类型,并探讨了未来的发展方向和提升空间.
[23]	Ding Lei, Wu Xiaogen, Ding Jie.A system of evaluation indicator for the urben tourism competitiveness . Economic Geography, 2006, 26(3): 511-515.https://doi.org/10.3969/j.issn.1000-8462.2006.03.036URL [本文引用: 1]摘要 城市旅游竞争力的研究是评价城市旅游发展的现状和潜力,构建特定区域的旅游地域系统,帮助城市更好地参与国内和国际旅游竞争的重要依据.文章从硬竞争力和软竞争力两个角度出发,构建了包括环境竞争力、人才竞争力、经济竞争力、设施竞争力、业绩竞争力、制度竞争力和开放竞争力在内的城市旅游竞争力评价指标体系,通过运用AHP（层次分析法）模型,测算了指标权重,并采用熵技术对权系数进行修正,以避免专家打分时因循环导致标度把握不准丢失信息,在此基础上以南京市为例进行实证研究. [丁蕾, 吴小根, 丁洁. 城市旅游竞争力评价指标体系的构建及应用 . 经济地理, 2006, 26(3): 511-515.]https://doi.org/10.3969/j.issn.1000-8462.2006.03.036URL [本文引用: 1]摘要 城市旅游竞争力的研究是评价城市旅游发展的现状和潜力,构建特定区域的旅游地域系统,帮助城市更好地参与国内和国际旅游竞争的重要依据.文章从硬竞争力和软竞争力两个角度出发,构建了包括环境竞争力、人才竞争力、经济竞争力、设施竞争力、业绩竞争力、制度竞争力和开放竞争力在内的城市旅游竞争力评价指标体系,通过运用AHP（层次分析法）模型,测算了指标权重,并采用熵技术对权系数进行修正,以避免专家打分时因循环导致标度把握不准丢失信息,在此基础上以南京市为例进行实证研究.
[24]	Guo Lan, Zhang Xiangjian.Assessment of enterprise core competence based on BP ANN . Studies in Science of Science, 2007, 25(1): 132-137.https://doi.org/10.3969/j.issn.1003-2053.2007.01.026URL [本文引用: 1]摘要 从企业自身角度出发,设计包含5个维度的企业核心竞争力评价指标体系。基于这些评价指标,构建一个基于人工智能BP神经网络的专家模型,系统地对企业核心竞争力进行定量分析,为企业竞争战略的制定及实施提供有益的工具。实证研究表明,该指标体系与神经网络专家系统能较好地解决对企业核心竞争力进行评价的问题。 [郭岚, 张祥建. 基于BP神经网络的企业核心竞争力评价 . 科学学研究, 2007, 25(1): 132-137.]https://doi.org/10.3969/j.issn.1003-2053.2007.01.026URL [本文引用: 1]摘要 从企业自身角度出发,设计包含5个维度的企业核心竞争力评价指标体系。基于这些评价指标,构建一个基于人工智能BP神经网络的专家模型,系统地对企业核心竞争力进行定量分析,为企业竞争战略的制定及实施提供有益的工具。实证研究表明,该指标体系与神经网络专家系统能较好地解决对企业核心竞争力进行评价的问题。
[25]	James L M, David E R.Parallel Distributed Processing: Psychological and Biological Models, The MIT Press, 1987: 233-239. [本文引用: 1]
[26]	Zhang Guoyi, Hu Zheng.Improved BP neural network model and its stability analysis . Journal of Central South University (Science and Technology), 2011, 42(1): 115-124.URL [本文引用: 1]摘要 针对传统BP算法抗干扰能力差、学习速率慢且易陷入局部极小点等缺点，提出一种基于变更传递函数倾斜度和动态调节不同学习速率的BP改进算法，并在此基础上采用Lyapunov稳定性原理分析改进算法的收敛性。该算法综合考虑网络训练方式和学习率的不足，设计新的复合误差函数，同时采用一种分层动态调整不同学习率的新方法，并采用批量样本进行训练，以加快传统BP算法的收敛速度和避免陷入局部极小值点。在此基础上，将该算法应用于带钢表面缺陷图像检测中，并比较改进算法与传统算法在缺陷检测中的性能参数。研究结果表明：该改进算法能够提高缺陷识别率，检测速度快，更能满足钢板表面质量检测的实时性要求，是一种行之有效的方法。 [张国翊, 胡铮. 改进BP 神经网络模型及其稳定性分析 . 中南大学学报(自然科学版), 2011, 42(1): 115-124.]URL [本文引用: 1]摘要 针对传统BP算法抗干扰能力差、学习速率慢且易陷入局部极小点等缺点，提出一种基于变更传递函数倾斜度和动态调节不同学习速率的BP改进算法，并在此基础上采用Lyapunov稳定性原理分析改进算法的收敛性。该算法综合考虑网络训练方式和学习率的不足，设计新的复合误差函数，同时采用一种分层动态调整不同学习率的新方法，并采用批量样本进行训练，以加快传统BP算法的收敛速度和避免陷入局部极小值点。在此基础上，将该算法应用于带钢表面缺陷图像检测中，并比较改进算法与传统算法在缺陷检测中的性能参数。研究结果表明：该改进算法能够提高缺陷识别率，检测速度快，更能满足钢板表面质量检测的实时性要求，是一种行之有效的方法。