研究结果与讨论
一、研究结果与分析
(一)GM(1,1)预测模型预测结果
本研究采用均方差法(陈克龙,苏茂新,李双成,等,2010)计算普陀山岛旅游生态安全指标体系权重(见表7-2),结合通过极差法标准化后的数据,采用多目标线性加权函数模型对评价指标进行综合,得出了2005—2014年普陀山岛旅游生态安全指数(见表7-3),而后对该结果进行累加处理,解出了GM(1,1)模型重要参数a和u的数值,得到了海岛目的地旅游生态安全指数累加值的GM(1,1)预测方程：
表7-2 普陀山岛旅游生态安全指标权重
续表
表7-3 基于GM(1,1)模型的普陀山岛旅游生态安全指数预测累加值精度检验
(二)RBF预测模型预测结果
1.主要驱动因子遴选
依据表7-2中的普陀山岛旅游生态安全指标,对指标体系中各个因子做灰色关联分析。结果如表7-4所示,计算结果显示：普陀山岛旅游生态安全指标体系各因子灰色关联度位于0.3928～0.6354之间,其排序为：X4＞X21＞X24＞
X23＞X26＞X17＞X25＞X22＞X15＞X27＞X3＞X14＞X30＞X28＞X19＞X7＞X29＞X8＞X16＞X10＞X6＞X11＞X1＞X20＞X5＞X2＞X12＞X9＞X18＞X13。本研究选取评价因子总数的前1/3,即关联度数值大于0.5700的因子作为主要驱动因子。
表7-4 普陀山岛旅游生态安全影响因子的灰色关联度
2.主成分分析
运用SPSS19.0软件中的因子分析模块对普陀山岛旅游生态安全主要驱动因子提取主成分,以达到降维以及消除因子共线性的目的,其累计贡献率为100%,分值见表7-5。
表7-5 普陀山岛旅游生态安全主要驱动因子的主成分得分值
3.主因子预测
使用SPSS19.0中的图形功能、曲线估计功能对普陀山岛旅游生态安全主要驱动因子的原始数值和时间序列进行线性分析和非线性分析,并构建最优拟合方程(见表7-6),利用构建的最优方程预测主要驱动因子进行2015—2020年的预测,再利用主成分得分系数矩阵计算得出各主成分得分预测值(见表7-7)。
表7-6 普陀山岛旅游生态安全主要驱动因子拟合方程
表7-7 样本归一化结果
4.RBF神经网络计算
为了得到相对精确的预测结果,本研究将从普陀山岛旅游生态安全驱动因子中提取的主成分分值作为RBF模型的输入样本,以AR(1)模型预测的2005—2014年生态安全指数残差为输出样本,节点个数分别设置为9和1,且输入和输出样本皆进行归一化处理,选取2015—2020年数据为检测样本,其余2005—2014年数据为训练样本,而后用Matlab软件中的Newrb功能对网络进行训练,而隐含节点数和扩展常数最优值的获得则是通过反复试验方式,其结果分别为10和0.5,最终模型训练误差为5.58519683872298e-31,用训练好的模型对2015—2020年的残差进行预测,并结合AR(1)模型预测普陀山岛2015—2020年旅游生态安全指数的预测结果,最终计算结果见表7-8。
表7-8 基于RBF神经网络法的普陀山岛旅游生态安全预测结果
(三)精度检验与趋势分析
1.模型精度检验
以普陀山岛旅游生态安全指数实际值和两种模型对样本的预测值分别作为横轴x和纵轴y,建立直角坐标系,每个旅游生态安全指数值均可以在图中找到相应的模型预测值。如果预测值等于实际值,则该点落在直线y=x上,偏离直线y=x越远,则预测误差越大(李启权,王昌全,岳天祥,等,2010)。从图7-3可以看出,RBF神经网络模型的拟合结果明显优于GM(1,1)模型。进一步使用Pearson相关系数R和均方根误差RMSE预测精度进行评价(见表7-9)。由计算结果而知GM(1,1)模型和RBF神经网络模型的R值和RMSE值分别为：0.975、0.999和0.01792、2.56117E-05。结果再次证明RBF神经网络模型具有相对更高的预测精度。
图7-3 普陀山岛旅游生态安全实际值与模型预测值
表7-9 GM(1,1)和RBF预测模型的统计误差
2.结果分析
普陀山岛旅游生态安全指数的RBF神经网络模型预测结果由2005年的0.3568增加至2014的0.6475。由此可以看出：2005—2014年,普陀山岛旅游生态安全状况逐渐改善,这是由于随着生态文明建设的持续推进,普陀山管委会采取各种有效措施保护其海岛生态系统,缓解生态系统安全维护与旅游经济发展建设之间的矛盾。在普陀山岛生态保护区,各种措施用于保护森林资源及其内部的野生动植物,努力减少各种形式的人为干扰,如完善防火设施,建立防火隔离带,制定森林病虫害防治措施等,研究时段内的林地面积基本维持在9.18平方千米的水平。在自然景观保护区内,禁止服务设施侵占沙滩,包括任何新建宾馆、饭店、商场等服务设施;严格保护区内现有服务规模,不得随意扩大商业设施规模;对于生态脆弱的区域,严禁修建任何服务设施,其沙滩面积在2005—2014年基本保持1.80%的比例。对于史迹保护区,管委会按照国家文物部门的有关法律,严格维持多宝塔、普济寺、法雨寺、杨枝庵、慧济寺等文物古迹现状,严禁增添任何服务设施。对于风景游览区来说,坚持保护和开发统一、旅游永续发展的原则,确定各景区环境容量;合理安排游、赏、康、乐活动及相关设施;根据景区具体情况,不得布局和保护景区大气、水体、噪声、固体废弃物等环境相冲突的项目和设施;监测区内的水质和噪声,并适时进行评价,制定相应对策。根据管委会提供的数据：全岛生活污水集中处理率由2005年的61.3%上升至2014的74.3%,生活垃圾处理率接近100%。发展控制区则是规定其原有活动和设施符合环境保护要求,合理开发与建设同风景区性质和容量一致的旅游接待服务设施,但应控制其规模和内容;严禁污染环境和非风景区需求的设施进入;定点进行大气质量监测,严格执行环境质量标准,研究时段内的优良空气天数比例由95.23%上升至96.38%。
2015—2020年普陀山岛旅游生态安全指数预测结果将由0.7017增加至0.8135,年均增长速率为3%,小于2005—2014年6.846%的平均增长率。随着普陀山景区管委会对海岛和周边海域生态环境整理和保护力度的不断加大,游客环保意识的不断加强,以及海岛社区生态保护措施的不断完善,2015—2020年旅游生态健康状况将会持续改善。然而,改善速度将会放缓,预计是由于以下原因共同作用的结果。首先,当前普陀山旅游经济已经进入“积极推进经济结构调整,努力实现经济发展质量和效益的提高深入转型和调整”的时期,其发展方式将从规模速度型粗放增长转向质量效率型集约增长,旅游经济快速发展速度与质量之间的关系将会得到更好的协调。其次,普陀山岛传统的自然海岛风景与佛教文化遗产资源经过30多年的旅游开发,新的旅游拓展空间余地所剩不多,开发程度已经接近上限,为了保障普陀山旅游的可持续发展,必须保留充分的空间和余地,珍惜各种森林、沙滩等重要的旅游资源,遵循集约、绿色、低碳和循环的旅游发展新方式,推进普陀山旅游从粗放式的资源消耗模式向节约、集约、创意型发展模式转变。由于这些因素使得普陀山旅游经济预计从高速增长转向高中速增长模式,旅游生态安全指标体系中的吸引力、驱动力和发展力等子系统相关表征旅游经济发展数量的海岛旅游总人数、海岛旅游接待能力、海岛经济发展、海岛旅游经济、海岛旅游经济潜力等相关指标数值的下降可能致使案例地旅游生态安全指数增速放缓。
二、结论与讨论
为了相对科学地预测旅游生态安全的发展趋势,本研究构建了基于CSAED模型的旅游生态安全指标体系,并使用灰色关联度模型遴选旅游生态安全主要驱动因子,根据其线性分析和非线性分析结果进行趋势外推,并利用驱动因子及其趋势外推结果的主成分分析值作为RBF模型的输入层预测普陀山岛旅游生态安全指数,为旅游生态安全发展态势预测提供了一个新的研究思路。
在本研究中,使用GM(1,1)模型和RBF神经网络模型预测普陀山岛旅游生态安全趋势。结果显示：GM(1,1)模型对普陀山岛旅游生态安全预测的Pearson相关系数R值(0.975)小于RBF模型对其预测的Pearson相关系数R值(0.999),而均方根误差RMSE数值远远小于RBF模型的均方根误差RMSE数值。说明同GM(1,1)模型比较,RBF神经网络模型能够相对精确地预测案例地旅游生态安全发展趋势。
2005—2014年普陀山岛旅游生态安全指数由0.3568增加至0.6475。2015—2020年普陀山岛旅游生态安全指数将呈持续增长态势,预测值分别为0.7017、0.7241、0.7464、0.7688、0.7912,0.8135可为普陀山岛“十三五”期间制定和完善旅游环境保护政策,提高旅游生态安全管理水平提供理论依据。然而,海岛旅游地生态系统运行受自然、社会、经济和文化多种因素的影响,其旅游生态安全状况受这些因素的综合制约。就普陀山岛而言,在预测期范围内可能受到台风等自然灾害影响,加之旅游产业本身的脆弱性,可能导致预测结果出现偏差。
旅游生态安全是当前旅游地理学和旅游生态学研究的热点问题之一。旅游生态安全研究仍需要在以下方面不断加强：如何将系统理论、系统分析方法、系统优化方法和系统调控方法引入旅游生态安全研究中,促进其理论研究向更加严密的理论结构和更加现代化的方向发展。在研究方法和技术手段上,野外观测实验、“3S”技术、数学建模、专家和游客深度访谈、旅游社区调查等方法还需要不断深化,使旅游生态安全研究方法和技术手段更加先进和科学。在研究内容上,旅游地生态系统内涵、结构功能、能量转化和物质循环机制;旅游活动和旅游生态安全相互作用机制和演变趋势;旅游生态安全的时空格局及其形成机制;旅游生态安全的影响机制、动态模拟、综合集成和决策支持等问题需要深入探究。