（浙江旅游职业学院旅行社管理系，浙江 杭州 311231）
基金项目：浙江旅游职业学院院级青年科研课题（2017KYYB10）
摘要：随着基础交通的改善，旅游行业在近几年快速发展，旅游行业直接和间接的就业人口超过了全国总就业人数的10%。与此同时，近几年来城市房价快速上涨，有不少学者担心旅游行业的发展在一定程度上也带动了旅游目的地城市的房价上涨。据此，本文通过人工神经网络的分析方法对涉及到旅游发展、人口变化、居民收入和经济结构等方面的相关数据进行拟合，并测算其各自对房价影响的权重。本文发现在这些因素中，旅游发展水平对房价的影响最小，说明旅游业的发展并不会显著地推高区域内的房地产价格。
关键词：旅游发展；房价；杭州市
1引言
随着交通条件的不断改善和国民生活水平的不断提高，国内的旅游业快速发展。据统计数据表明，2017年全国旅游业对国内生产总值的综合贡献为9.13万亿，占总量的11.04%，旅游业直接和间接就业7990万人，占全国总就业人口的10.28%。
与此同时，全国各地特别是一二线城市的房地产价格飞快上涨。根据国家统计局数据显示，2002年至2016年，商品房平均售价自2250每平方米上涨至7476每平方米，年均涨幅为8.33%。
房价的快速上涨是否与旅游业的快速发展有关？旅游活动是否在某种程度上助推了房价上涨？鉴于以上问题在学界的众说纷纭，我们以全国著名旅游城市杭州市为例，以其2002年至2016年以来的统计数据为基础，分析旅游活动在众多因素中对房价上涨中的影响程度，以期得出一个较为有效的结论。
2研究现状
房价是一个关乎于国民经济水平的重要信号，就旅游活动对房价的影响，国内外学者均已有一定的研究成果。部分学者认为旅游业的发展对当地的房地产价格有明显的正向作用[1-3]，也有部分学者认为旅游业的发展对当地房地产价格没有影响或影响不大[4]，还有学者认为旅游的发展不善也会导致房价下跌[5]。
通过对已有文献的观察，学者们对旅游发展与房价的变化已有了一定的认识，但学者们侧重于旅游资源、节假日旅游对房价的影响，且研究多为外国文献。鉴于中国进入21世纪后的飞速发展，考察旅游、经济、人口等因素变化对热点旅游城市房地产价格的影响以及旅游活动对房价的影响程度有一定必要。
3模型、数据与方法
3.1研究模型
本文利用BP人工神经网络的模型对数据进行训练，并利用贝叶斯正则化的方法对网络性能函数进行改进。BP人工神经网络模型由输入层、隐含层和输出层构成，非常适合求解复杂的非线性问题。
3.2数据来源
本文主要收集2002年至2016年杭州全市范围内房价变化、旅游发展、人口变化、居民收入和经济结构等相关数据，其中房价信息来自于国家统计局网站中的“住宅商品房平均销售价格”，其他数据均来自于《杭州统计年鉴》。
3.3研究方法
1）共线性检验
首先对所选取的数据进行共线性检验，排除共线性较高的数据。通过共线性检测后最终选择旅游收入、人口数、职工平均工资和服务业占比共四项作为输入变量。
2）数据预处理
在训练前将所有数据进行处理，以保证所有数据在[0,1]之间，数据处理的公式如下：
（1）
式（1）中：xi和xi^'分别为处理前和处理后的值，xmax和xmin是该节点的最大值和最小值。
3）模型训练
理论证明3层人工神经网络可以逼近任何函数，但在模型训练中需要反复测试确定合适的神经元数量使得均方误差（MSE）最小，并通过最终确定的神经元数量建立神经网络结构。
4）权重判断
在模型训练完成后，我们还需要知道各个对房价有影响因素的影响力大小，以判断旅游发展是否显著影响了杭州市的房价。此时，我们将采用学者Garson[6]提出的利用权值计算各输入变量对输出变量权重影响程度的方法，其公式如下：
（2）
式（2）中：Ij为第j个输入参数对第n个输出变量的影响权重；Ni，Nh为输入层和隐含层的节点数；W^ih为输入层到隐含层的权值；W^ho为隐含层到输出层的权值，下角标j，m，n表示第几个神经元。Ij的值越大，说明其影响权重的比例越大，其对输出的影响也就越大。
4结果与解释
通过反复训练与模拟，最终选定神经元个数为5个，此时的均方误差（MSE）最小。经过790次迭代后，模型训练完毕。此时各影响因素的权值和阈值如表1所示：
表1权值矩阵
继而通过Garson公式判断各权重的影响占比，其结果如图（1）所示。四个所选取的影响因素权重大小依次为人口数>服务业占比>工资收入>旅游收入。
5结论
通过研究我们发现在涉及旅游收入、人口数、居民收入和城市经济结构等四个影响因素中，旅游收入的影响权重最小。说明影响杭州市房价变化的主要因素并不在于旅游行业的高速发展，也说明发展旅游业并不会显著抬升某个地区的房价水平。
参考文献
[1]Bianca B，Maria G B，Dionysia L.DOES TOURISM AFFECT HOUSE PRICES?SOME EVIDENCE FROM ITALY[J].Growth and Change，2015(46): 501–528[2]Huimin G，Chris R.Place attachment，identity and community impacts of tourism-the case of a Beijing hutong[J].Tourism Management,2008,29(4):637-647.
[3]吴学品，林明恒. 海南房地产价格影响因素的实证研究——基于VAR模型的分析[J]. 海南金融. 2011(12): 21-24.
[4]Pashardes P，Christos S S.Factors affecting house prices in Cyprus: 1988-2008[J].Cyprus Economic Policy Review，2009，3(1):1450-4561.
[5]Coulson N E，Leichenko R.M.The internal and external impact of historical designation on property values[J].Journal of Real Estateand Economics，2001，23(1) : 113-124 .
[6]Garson GD. Interpreting neural-network connection weights．［J］．AI Expert，1991，6 (7)：47-51.
作者简介：王瑜铬（1986-），男，浙江杭州人，经济师，硕士，研究方向：旅游经济学。
论文作者:王瑜铬
论文发表刊物:《知识-力量》2018年10月上
论文发表时间:2018/9/27
标签：房价论文; 旅游论文; 权重论文; 数据论文; 旅游业论文; 杭州市论文; 模型论文; 《知识-力量》2018年10月上论文;