旅游投资环境评价体系研究

杨卫涛

（开封大学 财政经济学院，河南 开封 475004）

旅游投资环境评价体系研究

杨卫涛

（开封大学 财政经济学院，河南 开封 475004）

旅游投资环境是投资旅游业首先要考虑的问题，是资本增值的必然要求。利用2014年河南省18个城市的数据，通过熵值法和TOPSIS解法来量化各个城市旅游投资环境的综合评价得分，划分了旅游投资环境等级。利用原始指标数据和综合得分作为样本数据，训练生成BP人工神经网络模型——LVPG，将河南省各城市的旅游投资环境评价指标体系的原始数据输入到LVPG中，就可以输出城市旅游投资环境的评价得分和等级。

旅游投资环境；评价；熵值法；BP人工神经

旅游投资环境研究是对旅游业投资环境进行分析研究，是为投资旅游业决策提供科学依据的过程，是投资旅游业前的重要准备工作。“旅游业是永不衰落的朝阳产业”已成为各国的共识。投资者对受资地区的旅游投资环境的研究和评价就是追求投资收益最大化和寻求满足投资所需条件的过程。受资地区通过对本地区的旅游投资环境科学的评价，可以有针对性地改进和改善旅游投资环境，吸引更多的外来资本。因此，旅游投资环境评价的研究对于投资方或受资方都具有重要意义。

伴随着数理统计学与数理经济学的发展，科学有效的定量分析工具被引入到旅游投资环境评价当中来，成为旅游投资环境有力的研究工具，目前的旅游投资环境研究已经从简单的定性分析向定性分析与定量分析相结合过渡。

国外关于旅游投资环境的研究非常少，而更倾向于投资环境评价和旅游竞争力的研究。对于投资环境的研究，分为三个阶段：第一阶段是20世纪60到80年代初，研究方法主要是“等级尺度法”等；第二阶段是20世纪80年代利用多因素定量分析方法研究投资环境；第三阶段是20世纪90年代以后，区域经济研究兴起，此时的投资环境研究开始侧重研究投资环境与区域经济发展、产业发展的关系。

国内关于旅游投资环境的研究较晚，也是从研究城市投资环境开始起步。吴克（1984）研究了开放城市的投资环境，并从基础设施扩展到非物质方面的软环境。刘振礼（1989）第一次在学术期刊上阐述了旅游与环境的辩证关系。徐大图（1992）建立了开放城市投资环境的评价方法和指标体系。杨仁（1993）、鲁名泓（1994）和苏亚芳（1994）分别开始将计算机软件系统、主成分分析法和模糊评价方法引入到投资环境的综合评价中来。程连生（1995）运用熵的原理探讨了中国城市投资环境的熵状态特点和熟化类型。臧海熊（1995）、方潮金（1995），刘冬梅（1997），李全根（1999）等围绕张家界市、杭州市、南京市等旅游城市定性讨论投资环境问题。程玉鸿（1998）利用地理信息系统（GIS）在理论、方法、技术手段等方面的独特优势，在对城市投资环境的研究中进行了新的尝试。2000以后随着国家制定了法定长假的到来，旅游业也进入了蓬勃发展的时期，更多的学者开始关注城市旅游投资环境方面的研究。文余源（2003）开始利用神经网络方法及其操作算法用于城市投资环境评价，但指出该方法较之传统方法有其优越性,但不能取代传统方法。吴晓春（2005） 和赵瑞（2006）分别利用多指标综合评价法、层次分析法和因子分析法评价了陕西省10个城市及山西省各地市的旅游投资环境。郭敏（2005）系统地阐述了旅游投资环境的理论和方法基础，并以湖北省为例运用因子分析法和模糊评价法对湖北省的旅游投资环境进行了评价。郑莹（2007）和王泽（2007）分别较为详尽地构建了吉林省和辽宁省的旅游环境评价指标体系，并分别运用因子分析、多指标综合方法和主成分分析方法的定量分析工具。 李如友（2008）通过对影响旅游投资的环境因素进行调查和研究，构建由目标层、结构层及指标层组成的长三角地区旅游投资环境综合评价体系。运用聚类分析方法将长三角地区16市聚为6类，在对各类型城市旅游投资环境综合分析与评价的基础上，把长三角地区旅游投资环境划分为最佳、优秀、良好、一般四个等级。肖泽炎（2010）引入模糊隶属度函数（FMP）实证分析力湖南省部分地市的旅游投资环境。郭伟（2012）用可拓工程方法与主成分分析方法，构建河北省旅游投资环境的综合评判物元模型，单指标测定了各地区在营造旅游投资环境中的优势和劣势，多指标综合评判得出河北省各市旅游投资环境强弱5个不同等级。李琳（2012）从旅游投资者感知的角度，运用因子分析、回归分析和方差分析等计量方法，分别从旅游投资环境结构的基本构成、环境因子与整体环境的线性关系和投资者特征的感知差异等方面，展开旅游投资环境的崭新的、系统的研究。

文章利用熵值法和TOPSIS解法来获得城市旅游投资环境的综合得分，并反复利用这两种方法获取训练BP人工神经网络的样本数据。这样得来的城市旅游投资环境综合得分可信度高，并且在单独评判一个城市的旅游投资环境时无需再采集参考其他城市的指标数据，将研究城市的原始指标数据输入到LVPG中就能得到该城市的旅游投资环境的综合评价和所处的等级。

一、研究方法

（一）多指标多属性决策方法

设有n个决策指标fj（1≤j≤n），m个可行方案ai（1 ≤ i ≤ m），m个方案n个指标构成决策矩阵：

这样用构建的原始决策矩阵，来比较不同方案的优劣，存在三个严重问题：第一，是不同指标间的数据由于单位不同，不能进行直接相互比较，这叫不可公度性。第二，是指标之间有可能存在互相矛盾，一个指标的增加必然导致一个指标的减少，形成此消彼长的关系。第三，是正项指标、负向指标和中性指标的判断标准无法统一。正项指标是指指标值越大越优，比如利润额；负向指标是越小越优，比如成本；中性指标往往取某个中间值为最优，比如人的体重。对于克服这样的问题需要进行原始决策矩阵的标准化处理。

（二）熵值法

（三）TOPSIS解法

对原始矩阵进行标准化处理后，并且对各个指标赋予了科学合理的权重，接下来就是要选取适当的方法来计算到底哪一个决策方案最优。多指标多属性决策方法的最优解法主要有：简单线性加权法、理想解法（TOPSIS）、线性规划方法、非线性规划方法等。课题选择算法较为简单实用的TOPSIS法来计算出多个觉得方案的最优解。

为了形象简介，便于作图理解此方法，设有m个可行方案，两个指标且均已正向化。利用两个指标和m个可行方案构建原始决策矩阵：

求各个指标的最大值和最小值，又因为指标均已正向化处理，所有指标值越大越好，越小则越劣。这样各指标的最大值就构成了理想解，最小值构成了负理想解：

图1 熵值法处理流程

根据上图这m个可行方案中，最优的方案就是理想解这个点，而最劣的方案就是负理想这个点，但这都是决策矩阵中无法达到的。现在我们需要做的就从m个可行方案中，挑选出一个最优的。结合图形分析理所当然的，这m个点越靠近理想解和越远离负理想解则越好。根据距离定义，可以利用欧式距离来衡量两点之间的距离：

图2 TOPSIS解法图示

图3 决策矩阵中任一方案点与理想点和负理想点的欧式距离

那么，0≤Ci≤1，并且Ci越接近于1越好。这样可以计算m个方案的对应的相对贴近度Ci的值，选取最大值对应的方案为最优方案。

（四）BP人工神经网络模型

神经网络本质上来说是“分类器”和“预测器”。作为分类器时，它通过样本的输入和输出数据反复学习，将人类无法或较难分门别类的复杂数据进行分类；作为预测器时，它也利用样本的输入和输出数据进行学习，通过某种算法寻找样本数据的内在联系，估计出这种算法中的参数，从而为新的输入数据预测出最佳的输出数据。

BP人工神经网络是一种多层前馈神经网络，该网络的主要特点是信号向前传播，误差则反向传播。输入信号从输入层传入隐含层，在隐含层中信号进行逐层处理，之后传入输出层。每一层中含有若干个神经元，这些神经元实质上就是某种函数，且每一层中的神经元对输入信号进行处理，只影响下一层的输入，间隔层中不产生之间作用。如果输出层中得不到期望的结果，则对误差进行反向传播，修正每层中神经元中隐含的函数参数和阀值，这样经过反复修正直至输出结果和期望结果控制在一定的误差范围。BP人工神经网络实质上表达了才能够n个自变量到m个因变量之间的函数映射关系。

二、旅游投资环境评价指标体系的构建

将旅游投资环境评价指标体系设置成三层：

第一层作为宏观层，是旅游投资环境的综合得分，它由下层依据一定的统计方法综合得到。

第二层是中观层，将旅游投资环境评价的影响因素分为一般要素和专业要素，一般要素主要包括：政治环境、法律环境、经济环境和社会文化环境等。专业要素主要有：旅游自然文化资源、旅游人力资源要素、旅游市场开发要素等。

第三层是微观层，是定性和定量评价的具体指标层。该层次是在上一层的基础上，对每一个环境影响因素和要素进行具体指标化，形成可以让评价者做出定性和定量评价的评价标准。比如，政治环境可以设定一个政治稳定性指标。政治稳定性可以设定五个等次：非常好、比较好、一般、较差、非常差，来让评价者做出选择。再比如，经济环境中可以设立一个旅游外汇收入指标，它可以形成以货币计量的具体数值，这是一个正向的指标，越多越好。另外，有时用刑事案件数或新闻媒体报道的违法负面消息来衡量一个城市或地区的法律环境，这个指标就是一个负方向的指标，越多则越坏。因此，这个层次的指标设置是最为众多和复杂的，需要反复论证和修改。经过筛选后的的旅游投资环境评价指标体系，每个指标依次从X1到X46来表示。

三、河南省城市旅游投资环境评价的实证分析

（一）原始决策矩阵的构建和处理

原始决策矩阵实质上是一个46个指标和多个城市为选择方案的一个多维矩阵。课题选择河南省18个地级市作为选择方案，这样就构成了18×46的原始决策矩阵，由于篇幅较大，仅列出前23个指标的数据，见表2。

上述原始决策矩阵中，只有X10、X20、X21和X44是负向指标，其余都可以认为是正向指标。按照极差变换法对原始决策矩阵进行标准化处理。变换后的2014年标准决策矩阵见表3，在同一指标下，数值越接近于1越优，越接近于0越劣。

（二）利用熵值法确定决策矩阵中各指标权数

根据前边分析，利用公式第i列的熵值来计算各个指标的熵值。

最终确定的各指标的权数向量，以表4形式表示：

（三）最优决策方案的TOPSIS解法

1.综合评价的理想解和负理想解

综合评价的理想解是，选取决策矩阵中各个指标的最优值和各指标的权数进行加权求和，得到一个最优的综合评价结果。综合评价的负理想解是，选取决策矩阵中各个指标的最劣值和各指标的权数进行加权求和，得到一个最劣的综合评价结果。

表1 旅游投资环境评价指标体系†

表2 2014年原始决策矩阵†

表3 2014年标准化决策矩阵

表4 决策矩阵中各指标的权数

标准化后的决策矩阵中，各指标的最大值是1，最小值是0，很容易得到综合评价的理想解和负理想解。

2.计算各可行方案的综合评价结果

18个可行方案就是决策矩阵中的河南省18个城市的各指标数值。如果决策者或投资商只能选择一个城市作为投资对象，那么就可以参考课题的分析结果。利用R软件进行运算，

计算各个城市的综合评价结果见表5：

3.旅游投资环境的等级划分

将综合得分按照一定间距，将旅游投资环境划分为若干个等级，对城市的旅游投资环境进行评级，对于城市旅游投资环境的改善也是有益的。课题划分的旅游投资环境等级对照表，见表6。

表6 旅游投资评价等级

根据等级表，旅游投资环境处在一级的城市有：郑州市。二级空缺。三级的城市有：洛阳、南阳、新乡。四级的城市有：焦作、开封、信阳、平顶山、安阳、商丘、许昌、驻马店、周口、濮阳、三门峡、济源、鹤壁、漯河。河南省18个城市的旅游投资环境等级分布明显不均衡，大多数城市处在等级较低的层次，其他城市与省会城市的等级差距较大。

4.设定抽样，提取随机样本

以某城市为例，从18个城市的数据指标的“全样本”中随机抽取若干样本，然后对每次抽取的样本再利用熵值法确定决策矩阵中各指标权数，利用TOPSIS解法确定最优决策方案，这样就得到了很多次的分析结果。这些结果可以作为下面BP人工神经网络模型的训练和测试。

由于本部分的研究是多次反复进行第（二）和（三）部分的工作，工作量较大，课题采用R软件自编代码运行,每次从18个可行方案中随机抽取10个，共抽取30次经过抽样30次①实际上抽样远超过30次，某城市被抽中30次才获取设定的样本数，结束抽样。。

5. BP人工神经网络建模和分析

以上前期所做的大量工作，都是在为BP人工神经网络模型的应用做准备。按照BP人工神经网络模型的建模过程，课题分步骤进行，应用软件为MATLAB。

Step1：数据选取

BP人工神经网络的数据选取主要是“输入、输出数据”和“训练、测试数据”两种。

对于输入和输出数据。输入数据选取2014年河南省某城市旅游投资环境指标体系数据，输出数据是30次抽样计算得来的该城市旅游投资环境综合得分。

对于训练和测试数据。每一次的输入和输出数据作为一组，这样就有30组数据。课题选用30组数据中的28组作为训练数据，用来训练BP人工神经网络模型，2组作为测试数据，用来测试训练好模型的精度。

Step2:网络分层与训练

确定了28组数据作为训练数据，2组数据作为测试数据。每组数据包括46个变量的输入数据和1个变量的输出数据，46维的数据输入而只有1维数据的输出。对BP人工神经网络层次进行设定为46×15×1的结构。

用28组数据对BP人工神经网络进行训练。经过软件MATLAB-R2012a运行，达到软件默认设定的阀值和误差，训练成功。并且将该训练完成的BP人工神经网络命名为LVPG（旅游评估）。

Step3:测试BP人工神经网络模型精度

利用最后1组数据，对LVPG进行预测。输入数据还是2014年该城市旅游投资环境评价体系中46个指标数据，输入数据是表4-8中的：29和30次的得分值。将输入数据导入到LVPG中，得到预测值和实际值的误差见表7：

表7 LVPG模型的预测误差

经过对比发现，LVPG模型的预测误差较小，误差率控制在0.05%以内，对于样本数据来说已经达到了比较合理的精度。

四、结论

通过熵值法和TOPSIS解法来量化河南省城市旅游投资环境的综合评价得分，划分了旅游投资环境等级，并且利用R软件自编代码，提高了数据处理效率和准确度。生成BP人工神经网络模型--LVPG，来评估河南省城市旅游投资环境的评价得分和等级。采取抽样方法，生成训练LVPG的样本数据，这部分数据处理量非常大，多次重复熵值法和TOPSIS解法。LVPG是一个高效准确的评价开封市旅游投资环境的智能算法模型，只需将某城市的旅游投资环境评价指标体系的原始数据（无需进行标准化、熵值法、TOPSISI解法等复杂过程的参与），输入到LVPG中，就可以输出该城市的旅游投资环境的评价得分和等级。

[1] 徐红罡.旅游系统分析[M].天津:南开大学出版社,2009.

[3] Andrew, B.P. Tourism and the Economic Development of Cornwell. Annals of Tourism Research,1997,24(3):721-735.

[3] 李 琳.基于投资者感知的旅游投资环境研究 ——以湖南省为例[D].长沙:湖南师范大学, 2012.

[4] 许振宇,任世科,等.不确定条件下应急供应链可靠评价模型[J]. 运筹与管理, 2015,17(6):36-44.

[5] 王小川,史 峰,等.MATLAB神经网络43个案例分析[M].北京:北京航空航天大学出版社, 2013.

[6] 陈 琪,施生旭.我国古镇旅游业的政府治理绩效评价研究——以湘西凤凰古镇为例[J].中南林业科技大学学报(社会科学版), 2013,7(5):22-25.

[7] 任 希.旅游资源游憩价值评估研究综述[J].中南林业科技大学学报（社会科学版）, 2014,8(1):39-43.

[8] 张思文.我国旅游投资环境评价研究[D].上海:华东师范大学,2015.

The Evaluation of Tourism Investment Environment

YANG Wei-tao
(Finance and Economics School, Kaifeng University, Kaifeng 475004, Henan, China)

Tourism investment environment is the first issue to be considered in the investment and tourism industry,which is the necessary requirement of capital appreciation. Through the method of entropy and TOPSIS method to value the comprehensive score of urban tourism investment environment, it divides the rank, according to 18 cities data of Henan in 2014. Using the original index data and the comprehensive score, it generates a BP artificial neural network model --LVPG. The original data of Henan input into the LVPG, the evaluation score and the level of urban tourism investment environment can be obtained.

tourism investment environment; evaluate; entropy method; BP artificial nerve

F592

A

1673-9272(2016)01-0061-09

10.14067/j.cnki.1673-9272.2016.01.012

2015-12-24

2015年国家社会科学基金年度项目“基于减排成本的碳生态补偿机制研究”（15BJY024）；2015年开封市科技局软科学科研项目“开封市旅游投资环境评价研究”（201504006）。

杨卫涛，讲师，硕士；E-mail：178684023@qq.com。

杨卫涛.旅游投资环境评价体系研究[J].中南林业科技大学学报（社会科学版），2016, 10(1). 61-69.

[本文编校：徐保风]