基于BP神经网络的陕西省县域乡村性分异研究

赵涛涛，白建军，尚忠慧

(陕西师范大学 旅游与环境学院， 陕西 西安 710062)



基于BP神经网络的陕西省县域乡村性分异研究

赵涛涛，白建军*，尚忠慧

(陕西师范大学 旅游与环境学院， 陕西 西安 710062)

摘要：以陕西省83个县域为实证研究单元，基于城乡一体化思想构建了乡村性综合评价指标体系，运用BP神经网络确定其指标权重，在Visual Studio 2010平台上计算乡村性指数，并借助ArcGIS和GeoDA软件划分乡村发展类型，对乡村性数值分异及空间分异进行了定量化测度和分析．运用BP神经网络确定乡村性权重及强度具有一定的可行性；陕西省县域乡村性在数值分异特征上，两极分化严重，中低、中等、中高水平县域组内均衡；在空间分异特征上，呈陕南、陕北高，关中低，东低西高的分布格局，乡村性空间关联性较强，彼此联系紧密．进而对陕西省县域乡村性差异的成因做了初步探讨，提出了县域发展的方向．

关键词：乡村性；县域尺度；BP神经网络；探索性空间分析；陕西省

ZHAO Taotao , BAI Jianjun , SHANG Zhonghui

(CollegeofTourismandEnvironment,ShaanxiNormalUniversity,Xi’an710062,China)

乡村性是综合反映乡村发展水平、揭示乡村内部差异、评价乡村发展状态、识别乡村地域空间的重要指标，能够反映城乡内部各种功能的交互影响，并随着社会经济发展不断变化.在城乡一体化背景下，乡村性和城市性是相对的，但两者间不存在断裂点，乡村性强的区域城市性弱，即乡村区域，反之亦然[1]．随着现代化进程的推进，城市边界向外扩张，乡村因受城市化影响的程度不同，导致发展水平不一，众多学者利用指标体系建立乡村性指数(RI)来衡量乡村性[2-3]，以此评价乡村发展水平的差异，指导乡村发展模式转变，推动城乡一体化建设．

从现有文献看，对于乡村性的研究主要集中于概念内涵、研究方法及应用层面．目前研究方法较单一，侧重于构建乡村专属指标体系，乡村性指标体系的构建有2种方法，一是单层次测算法，即以城市或者乡村指标为评价依据来研究乡村性[4-5]，未从区域整体考量，主观上隔离了城市和乡村的联系，指标体系不尽完善；二是双层次测算法，即综合了城市和乡村指标来评价乡村性[6-7]，在城乡一体化的大环境下对比分析乡村性差异，不同区域间可以相互参照对比，广受学者推崇．本研究综合相关文献，并征询有关专家意见，从城乡一体化视角来构建陕西省县域乡村性综合指标体系．已有研究显示，乡村性指标权重确定方法主要有主观赋权法[3]、主客观赋权法[5-6]、客观赋权法[8]，这类方法较复杂，实际操作性较差，存在一定的局限性．BP神经网络则通过网络训练不断调节权值，方便且精度高，适合复杂对象和非线性模式识别，在处理分类预测问题方面明显优于其他分类方法，被广泛应用于某一对象的分类分析中[9-10]．

目前，乡村性评价指标体系仍没有一个统一的规范，乡村性指标体系权重确定的相关研究也稍显单薄，因此，本研究试图从构建乡村性综合评价指标体系入手，运用BP神经网络确定合理权重，既能弥补客观赋权法计算过程相对复杂的缺陷，又能避免主观赋权法中人为因素和模糊随机性的影响，为乡村性指标权重赋值和评价方法的研究提供参考，同时为陕西省县域统筹一体化发展提供依据，以期推进县域经济的可持续发展和新农村建设．

1数据来源及指标体系构建

考虑到县级地域单元与市辖区的乡村发展差异较大，不具可比性，故选取陕西省80个县级行政单元和3个县级市为空间分析尺度．研究中选取的指标数据来源于《中国县(市)社会经济统计年鉴2013年》《中国区域经济统计年鉴2013年》和《陕西省统计年鉴2013年》．

根据《人文地理学词典》中乡村的定义可知，乡村具体表现在产业结构、农业景观、人口构成、收入来源等社会经济的各个方面，乡村性评价指标选取应充分体现乡村性的乡村元素，准确反映县域乡村发展水平，同时兼顾指标科学性、综合性、地域性和可获取性[11]．查询文献并对乡村性指标做频数统计，并征询相关专家意见，综合取舍，构建包括人口集聚水平、经济发展水平、社会发展水平和资源禀赋水平4个类型21项指标的陕西省县域乡村性综合评价指标体系(见表1)．

表1　陕西省县域乡村性综合评价指标体系

2研究方法

2.1BP神经网络确定指标权重

BP神经网络通常是指基于误差反向传播算法的多层前向网络，由输入层、输出层和1个或若干个隐含层构成，同层间无关联，上下层间通过权重及阈值互联[12](见图1)．信息从输入层经隐含层传向输出层，通过不断学习来修改各层神经元的权值，使误差信号最小，在期望范围内输出结果[13]．根据含有1个隐含层的3层BP神经网络，只要隐含层节点数足够多，就能以任何精度逼近有界区域上的任意连续函数，从而确定指标权重[14]．以乡村性综合评价指标体系作为输入层，乡村性等级作为输出层，确定隐含层节点数及学习参数，通过训练，获得网络权重，进行相关性计算，最终得到权重以评价乡村性大小[15]．BP神经网络模拟过程如图1所示.

图1　BP神经网络结构图Fig.1　The structure of BP neural network

(1)训练样本选取．由于县域乡村性的BP神经

网络研究尚处于起步阶段，没有一个通用的评价标准，本文采用极值标准化法对输入层数据进行标准化处理以减少量纲不一的影响，利用自然断点分级法[9-10]将数据样本划为5个等级，以构建BP神经网络训练样本数据(见表2)．输出层数据中1表示高水平，0.8表示较高水平，0.6表示中等水平，0.4表示较低水平，0.2表示低水平．

表2　陕西省县域乡村性BP神经网络评价标准

训练结束后，得到的是输入层到隐含层及隐含层到输出层的权重，要得到输入层对输出层的决策权重，需对各神经元之间的权重加以分析处理[16]，分析相关显著性系数(rij)与权重(sij)，公式如下：

(1)

(2)

其中，i为输入单元，i=1，2，…，m；j为输出单元，j=1；k为隐含单元，k=1，2，…，n；wki为隐含层神经元k和输入层神经元i之间的权重系数；vjk为输出层神经元j和隐含层神经元k之间的权重系数．

根据权重，计算乡村性指数，公式如下：

(3)

式中：wi为各指标权重，sij为第j个县域乡村发展水平指标中第i项指标的标准化值，RIj为县域j的乡村性指数，数值越大表明其乡村性越强．

2.2探索性空间数据分析

探索性空间数据分析(ESDA)通过对现象空间分布格局进行描述，以揭示研究对象之间的空间相互作用机制，其核心是空间关联测度[17-18]．本研究在邻接规则定义权重矩阵的基础上，对陕西省县域乡村性做了全局空间自相关分析和局部自相关分析．

全局空间自相关是对研究对象属性值在整个区域空间特征的描述，衡量区域之间整体的空间关联与差异程度特征[6]，用统计量Global Moran’sI表示，I<0代表空间负相关，表示区域与其周边地区的乡村性具有显著的空间差异，I值越趋近于-1，表明乡村性总体空间差异越大；I=0代表空间不相关；I>0代表空间正相关，表示乡村性较高(或较低)的区域在空间上显著集聚，I值越趋近于1，表明乡村性总体空间差异越小．

局部自相关分析用来识别不同空间位置上的热点区与冷点区的空间分布规律，描述局部空间异质性特征，由统计量Local Moran’sI(LISA)表示[19-20]．如果为热点区，表明位置j周围县域的乡村性值相对高于均值，属于高值空间集聚；反之，冷点区为低值空间集聚．

3县域乡村性分异特征分析和成因探讨

3.1县域乡村性的数值特征分析

计算得到最终指标权重(见表3)．权重值较大的有人均社会消费品零售额、一产从业人数占乡村从业人数比重、一产从业人数占总人数比重、农地产出率和一产增加值比重，合计达到了43.72%，而人均耕地面积、移动电话户数比重和农村居民人均收入权重均小于1%，相差较大，BP神经网络确定的权重是对乡村性等级的合理划分，而不是对乡村性是否具有重要影响的绝对标准．

各县域乡村性综合指数的计算，采用ArcGIS中的自然断点法，将乡村性指数分为低水平、中低水平、中等水平、中高水平、高水平5个等级，并计算组内均值(见表4)．

表3　乡村性评价指标权重

表4　陕西省县域乡村性指数综合统计

经计算，陕西省83县域乡村性总体均值为0.365 9，乡村性总体发展水平属于中等，高水平组均值比低水平组大0.192 7，并且乡村性最高和最低县域相差0.322 3，统计各个等级乡村性个数，中高水平、中低水平、中等水平分别为26，21，18个，占了总数的78.31%，高水平、低水平县域均有9个，表明陕西省县域经济发展两极分化严重，乡村发展总体属于中等水平．计算各等级组间偏差平方和，中低水平和中等水平县域间分异趋势最明显,达到0.034 7，中高水平和高水平县域间及中等水平和中高水平县域间分异趋势次之，低水平和中低水平县域分异趋势最弱，表明中等以下水平县域乡村性的差异相对较小，但中等以上水平和以下水平极化特征明显．计算各等级组内偏差平方和，低水平县域(0.006 5)>高水平县域(0.005 4)>中高水平县域(0.003)>中低水平县域(0.002 4)>中等水平县域(0.002 3)，表明低水平县域的乡村性组内差异较大，中等、中低水平县域的乡村性最为均衡．陕西省县域的乡村性呈现出强者较强、弱者偏弱，极化现象严重，中低、中等、中高水平县域乡村性组内均衡的分布特征．

3.2县域乡村性的空间特征分析

运用ArcGIS平台上的趋势分析工具将陕西省县域乡村性水平转换为三维透视图(见图2)，以揭示县域乡村性的空间分异特征．南北方向上呈U形分布格局，即南北高，中间低，陕南陕北地区乡村性总体较高，关中地区次之，而东西方向上呈阶梯状平滑过渡，乡村性有逐步增强的趋势，由东到西依次为(洛南县、商南县、丹凤县、山阳县、白河县)—(柞水县、旬阳县、平阳县)—(宁陕县、佛坪县、眉县)—(扶风县、岐山县)—(太白县、留坝县)．

图2　陕西省县域乡村性空间分异图Fig.2　Spatial disparities of the ruralityin Shaanxi Province

经计算得陕西省县域乡村性全局空间自相关Moran’sI指数为0.615 7，且Z检验的显著水平p<0.05，表明陕西省乡村性在县域尺度上呈聚集状态，这与社会经济的不断发展，陕北、关中、陕南地区整体经济差距逐步缩小有关．陕西省县域乡村性局部自相关Moran’sI散点图见图3，Moran’sI指数为0.554 5，第1象限为H-H型，该县域被高水平县域所包围，为热点区，占了总数的43.37%．第3象限为L-L型，该县域被低水平县域所包围，为冷点区，占总县域数的45.78%．第2象限为L-H型，该县域被相对较高水平县域所包围．第4象限为H-L型，该县域被相对较低水平县域所包围．2、4象限县域较少，表明负空间联系的地域较少．Moran’sI散点图主要位于1、3象限，即县域乡村性与其邻近县域乡村性正相关，乡村性指数相近的县域区域集中，县域间的空间影响作用较强．

图3　陕西省县域乡村性Moran’s I散点图Fig.3　Moran’s I scatter plot of the rurality in Shaanxi Province

结合GeoDA软件得到陕西省县域乡村性LISA集聚图(见图4)，进一步分析县域与周边县域乡村性的空间关联与差异程度．热点区主要分布于汉中市的宁强县、略阳县、南郑县、镇巴县、西乡县、洋县和佛坪县，安康市的石泉县、汉阴县、紫阳县、平利县和镇坪县，西安市的周至县等县域，主要集中于陕南地区，这一区域90%是山地，不适合大规模开发建设，农业是其主要发展模式，社会经济发展落后，与周围县域具有很强的正空间效应，表现出高-高集聚特征．冷点区主要分布在榆林市和延安市的大部分县域及宝鸡市的麟游县等县域，主要集中在陕北地区，该地区能源丰富，其发展模式主要是能源化工产业，有着良好的经济基础，成为乡村性低-低聚集区．差异性区主要分布在宝鸡市的凤翔县，咸阳市的三原县及西安市的蓝田县．凤翔县、三原县、蓝田县因靠近市辖区且周围乡村性较低，表现出高-低的特征．

从空间特征来看，陕西省乡村性在县域尺度上整体表现出聚集状态，空间关联性较强，彼此联系较大．分析陕西省县域乡村性等级的空间分布图(见图4)，陕北地区乡村性的各个等级分布的县域个数较均衡，陕南地区大多集中在中等及以上水平,占总数的92%，关中地区集中在中等及以下水平,占85.71%，根据2012年公布的国家贫困县数据，陕西省共有46个贫困县(不包含市辖区)，其中陕北11个、关中17个、陕南22个，分别占区域县域总数的47.83%,48.57%,88%，表明陕西省陕北、关中、陕南地区的乡村性差异较大，其中陕南地区乡村性尤为明显．陕南地区县域乡村性发展水平相对均衡，是一种低水平的均衡发展，在县域尺度上呈高-高集聚特征，须改变发展模式，加强与周边县域的联系，打破这一区域乡村性较高的局面．陕北地区县域乡村性局部有差异，与能源分布及开采利用程度相关，在县域尺度上呈低-低集聚特征，须逐步转变能源开发模式，实现可持续发展．对于局部乡村性较高的县域，应加强县域间的合作，促进经济辐射，共同推动社会经济发展．

图4　陕西省县域乡村性LISA集聚图及乡村性等级空间分布图Fig.4　LISA cluster map of the rurality and spatial distribution of rurality grades of Shaanxi Province

3.3成因探讨及发展对策

根据经济活动的地域差异，将陕西省划分为陕北、关中、陕南3个地域单元,从资源禀赋、经济基础和区位条件等方面考虑乡村性分异成因[21]，以认识经济发展的区域特点，从而指导县域的社会经济发展．

在资源禀赋方面，陕北地区煤炭、石油、天然气、岩盐等资源储量较大，开发潜力巨大，资源带动了相关产业，促进了当地的经济发展，因此乡村性局部呈现低-低聚集特征；关中地区又称渭河平原，在陕西省社会、经济、文化、政治发展中占据核心地位，内部发展不一，局部乡村性存在差异；陕南地区山川遍布，是老少边穷山区，资源匮乏制约经济发展，乡村性局部呈现高-高聚集特征．由于资源禀赋的差异，陕西省县域乡村性呈陕南、陕北高，关中低的特征，鉴于此，有必要培育优势产业集群：陕北地区依托资源优势，发展清洁能源产业，从而带动县域产业结构转型升级；关中地区集中布局高新技术产业；陕南地区因地制宜，借助其在农业、生态等方面的优势发展林果种植业等特色产业，推动该地区乡村旅游业的发展，建设农业园区，以促进县域非农产业的发展．

在经济基础方面，陕北地区因能源产业的发展，成为经济发展最快的地区，各个等级乡村性分布均衡；关中地区的经济基础最好，是陕西省经济发展的增长点，带动了周边地区的发展；陕南地区集中了较多贫困县，基础设施落后，缺乏经济发展动力，乡村性等级集中在中等以上水平．由于经济基础参差不齐，陕南地区的乡村性尤为明显，鉴于此，陕北地区应加大生态补偿力度，加快农村城镇化建设；关中地区须培育新的经济增长点，引导产业转移，扩展城市发展空间，防止人口过度集聚；陕南地区亟须注入新的活力，大力发展第一产业，侧重于第二与第三产业的优化升级，实现对农村剩余劳动力的消化吸收，以现代农业科技示范园区的方式带动特色产业发展．

在区位条件方面，关中地区处于承东启西、引南接北的核心地带，在国家级西咸新区、西咸一体化、关中-天水经济带及西三角经济圈中扮演了重要角色，同时承接东中部的产业转移，带动了经济发展；而陕南、陕北地区受自然地理环境的制约，不具备良好的区位条件，需加强县域间的空间活动联系，同时开展招商引资，承接产业转移，培育市场主体，壮大县域工业规模．

非公有制经济发展滞后是陕西省县域乡村性特征显著的主要症结，需放宽投资领域，加大信贷金融的支持力度，此外，政府政策扶持的方向应偏重于陕南地区，引导陕北地区转变生产方式，发挥关中地区的辐射和带动作用，积极营造有利于非公有制经济发展的外部条件，缩小区域间的差异，统筹城乡一体化发展．

4结论

本研究综合了众多指标以构建乡村性评价指标体系，针对现有乡村性权重赋值方法的局限性，提出了基于BP神经网络乡村性权重确定模型，进而实证分析陕西省县域乡村性权重赋值的可行性，借助ArcGIS和GeoDA软件对陕西省县域乡村性的数值和空间特征进行了分析．研究表明：

4.1乡村性评价指标体系的多元性和地域性，决定了乡村性评价的多维度性，因此传统评价模型权重确定的客观性有待商榷，而BP神经网络具有非线性逼近训练特点，能够自动调节权重值，排除了人为因素的干扰，使结果更为客观可靠．

4.2从数值分异来看，陕西省县域乡村性中等以下水平差异相对较小，但中等以上水平和以下水平差异较大，总体两极分化明显，随着社会经济的发展，呈现出中低、中等、中高水平县域乡村性组内均衡的分布特征．

4.3从空间分异来看，陕北、关中、陕南地区的乡村性差异较大，其中陕南地区的乡村性尤为明显，乡村性在南北方向上呈U型分布，而在东西方向上具有由东向西逐步递增的趋势．由全局空间自相关分析可知，县域乡村性呈聚集状态，与经济联系日趋紧密．由局部空间自相关分析可知，大多数县域与其邻近县域的乡村性呈正相关，乡村性指数相近的县域区域集中，县域间的空间影响作用较强．

4.4从影响因子来看，资源禀赋、经济基础、区位条件、政策扶持等对乡村性分异均有影响．陕北、陕南、关中地区县域的发展应因地制宜，根据自身特点及与周边县域的联系进行分类调控，加大城乡统筹发展的力度，实现陕西省县域协调发展．

需指出的是，本研究存在一定的局限性：乡村性指标体系构建不够全面，尚需赋予乡村性新的发展内涵；在空间分析尺度上没能达到乡镇级别，未能探索微观的时空演变模式和内在关联机理；忽视了时间尺度上的变化，未能解决乡村发展定位及管理体制等问题；忽略了乡村的社会化研究，包括乡村感知、乡村意象、乡村的社会化发展机理和趋势.以上均需更深一步探讨．

参考文献(References)：

[1]张小林.乡村概念辨析[J].地理学报,1998,53(4):79-85.

ZHANG Xiaolin. On discrimination of rural definitions[J]. Acta Geographica Sinica,1998, 53(4): 79-85.

[2]李小建, 周雄飞, 郑纯辉. 河南农区经济发展差异地理影响的小尺度分析[J].地理学报,2008,63(2):147-155.

LI Xiaojian, ZHOU Xiongfei, ZHENG Chunhui. Geography and economic development in rural China: A township level study in Henan Province[J]. Acta Geographica Sinica,2008,63(2):147-155.

[3]龙花楼,刘彦随,邹健.中国东部沿海地区乡村发展类型及其乡村性评价[J].地理学报,2009,64(4):426-434.

LONG Hualou, LIU Yansui, ZOU Jian. Assessment of rural development types and their rurality in eastern coastal China[J]. Acta Geographica Sinica,2009,64(4):426-434.

[4]张荣天,张小林,李传武.基于县域尺度的江苏省乡村性空间格局演变及其机理研究[J]. 人文地理,2013,130(2):91-98.

ZHANG Rongtian, ZHANG Xiaolin, LI Chuanwu. Evolvement and mechanism of spatial pattern of rurality in Jiangsu Province on county scale[J]. Human Geography,2013,130(2):91-98.

[5]李孝坤,李媛,成国积.重庆三峡库区县域乡村性评价[J].经济地理,2013,33(6):125-132.

LI Xiaokun，LI Yuan，CHENG Guoji. Assessing the county’s rurality in the three gorges reservoir area of Chongqing[J]. Economic Geography,2013,33(6):125-132.

[6]孟欢欢,李同昇,于正松,等.安徽省乡村发展类型及乡村性空间分异研究[J] .经济地理,2013,33(4):144-149.

MENG Huanhuan，LI Tongsheng，YU Zhengsong,et al. Rurality and a correlation analysis of the county economy in Anhui Province[J]. Economic Geography,2013,33(4):144-149.

[7]林敏,章明卓,陶姝沅.浙江省乡村性评价及空间格局演变研究[J].浙江农业学报,2014,26(4):1116-1121.

LIN Min, ZHANG Mingzhuo, TAO Shuyuan. Evaluation and spatial pattern of rurality in Zhejiang Province[J]. Acta Agriculturae Zhejianggensis,2014,26(4):1116-1121.

[8]周艳兵, 郝星耀,刘玉,等.河南省县域乡村发展类型及乡村性空间分异研究[J].农业现代化研究,2014,35(4):447-452.

ZHOU Yanbing, HAO Xingyao, LIU Yu, et al. Assessment of rural development types and rurality at county level in Henan Province[J]. Research of Agricultural Modernization,2014,35(4):447-452.

[9]周杜辉,李同昇,哈斯巴根.陕西省县域综合发展水平空间分异及对策研究[J]人文地理,2011,117(2):71-75.

ZHOU Duhui, LI Tongsheng, HASBAGEN. A study of spatial disparities of counties comprehensive development levels and spatial strategy in Shaanxi Province[J]. Human Geography,2011,117(2):71-75.

[10]余华,张小林,黄飞飞,等.江苏省县域城市性发展差异的BP神经网络测定[J].人文地理,2009,108(4):38-42.

YU Hua, ZHANG Xiaolin, HUANG Feifei, et al. Analysis on urbanity development differentiations of county areas in Jiangsu Province based on BP neural network[J]. Human Geography,2009,108(4):38-42.

[11]王富喜.山东省新农村建设与农村发展水平评价[J].经济地理,2009,29(10):1711-1715.

WANG Fuxi. Evaluation of the constructions and development level of the new countryside in Shandong Province[J]. Economic Geography,2009,29(10):1711-1715.

[12]张彦. 基于BP神经网络在白洋淀水质综合评价中的应用[J]. 水科学与工程技术,2014(3):63-66.

ZHANG Yan. Comprehensive assessment of water quality based on BP neural network in Baiyangdian Lake[J]. Water Sciences and Engineering Technology,2014(3):63-66.

[13]倪深海,白玉慧.BP神经网络模型在地下水水质评价中的应用[J].系统工程理论与实践,2000(8):124-127.

NI Shenhai, BAI Yuhui. Application of BP neural network model in groundwater quality evaluation[J]. Systems Engineering Theory and Practice,2000(8):124-127.

[14]ITO Y. Representation of functions by superposition of a step or sigmoidal function and their application to neural network theory[J]. Neural Networks,1991(4):385-394.

[15]白穆.人工神经网络在农用地分等因素权重确定中的应用研究[D].西安:长安大学,2007.

BAI Mu. The Application of Artificial Neural Network in the Determination of the Weight of Farmland Classification Factors [D]. Xi’an: Chang’an University,2007.

[16]孙会君,王新华.应用人工神经网络确定评价指标的权重[J].山东科技大学学报:自然科学版,2001,3(9):84-86.

SUN Huijun, WANG Xinhua. Determination of the weight of evaluation indexes with artificial neural network method[J]. Journal of Shandong University of Science and Technology: Natural Science,2001,3(9):84-86.

[17]李梅,王铁.基于ESDA的区域经济格局时空演变研究以山东省为例[J].国土与自然资源研究,2011(6):9-11.

LI Mei, WANG Tie. Spatial and temporal evolution of regional economy pattern based on ESDA-A case study of Shandong Province[J]. Territory and Natural Resources Study,2011(6):9-11.

[18]蒲英霞,葛莹,马荣华,等.基于ESDA-GIS的区域经济空间差异分析[J].地理研究,2005,24(6):965-974.

PU Yingxia, GE Ying, MA Ronghua, et al. Analysis regional economic disparities based on ESDA[J]. Geographical Research,2005,24(6):965-974.

[19]张海峰,白永平,陈琼.基于ESDA-GIS的青海省区域经济差异研究[J].干旱区地理,2009,32(3):454-461.

ZHANG Haifeng, BAI Yongping, CHEN Qiong. Regional economic disparities in Qinghai Province based on ESDA and GIS[J]. Arid Land Geography,2009,32(3):454-461.

[20]马荣华,蒲英霞,马小东.GIS空间关联模式发现[M].北京:科学出版社,2007:109.

MA Ronghua, PU Yingxia, MA Xiaodong. Mining Spatial Association Patterns from GIS Database [M]. Beijing: Science Press, 2007:109.

[21]汪惠萍,章锦河,王玉玲.乡村旅游的乡村性研究[J].中国农学通报,2011,27(29):301-305.

WANG Huiping, ZHANG Jinghe, WANG Yuling. A study on rurality of rural tourism[J]. Chinese Agricultural Science Bulletin,2011,27(29):301-305.

Research on rurality differentiation of county areas in Shaanxi Province based on BP neural network . Journal of Zhejiang University(Science Edition), 2016,43(2):203-210

Abstract:The study applys the BP neural network to determine the index weight of rurality, which provides a new way to measure the rurality and lays the theoretical foundation of county economy development of Shaanxi Province. To establish a comprehensive index system of the rurality evaluation, we take 83 counties as research units based on the thoughts of the integration of urban and rural areas. We firstly use BP neural network to determine the index weight, and calculate the rurality index on the platform of Visual Studio 2010. Then, ArcGIS and GeoDA are utilized to classify the categories. Therefore we analyze the numerical and spatial differentiations of rurality quantificationally. It is viable to use the BP neural network to evaluate the weight and intensity. There is serious polarization of rurality in Shaanxi counties; The distribution is balanced in all categories. The rurality is high in the south and north of Shaanxi Province, and low in the middle part, which presents higher space relevance. Finally, we discuss the reason for the rurality disparity, and propose the method to solve the problems. The endowment of resource, economic foundation, location advantages and policies are the main factors that lead to the differences of rurality. So the counties in Shaanxi Province should take measures to adjust local conditions, and should adopt the developing models which based on their own characters and the connections between counties. Therefore, we intensify the urban-rural integration to realize county coordinated development in Shaanxi Province.

Key Words:the rurality; county areas; BP neural network; exploratory spatial analysis; Shaanxi Province

中图分类号：F 127

文献标志码：A

文章编号：1008-9497(2016)02-203-08

DOI:10.3785/j.issn.1008-9497.2016.02.015

作者简介：赵涛涛(1989-)，ORCID:http://orcid.org/0000-0003-2335-7398,男，硕士研究生，主要从事城乡规划与区域发展研究，E-mail：ztt_snnu@163.com.*通信作者，E-mail：bjj@snnu.edu.cn.

基金项目：国家自然科学基金资助项目(41171310)．

收稿日期：2015-06-26.