模糊群聚技术於旅游景点发展定位之研究.doc

2006電子商務與數位生活研討會啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊3.关联(Association):对一群资料项进行分析以发现其间的关系或关联性,这些出现频繁.:一个群体是一个由资料物件相似度高的资料所成的集合,相似度(similarity)可以.啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊模糊群聚技术於旅游景点发展定位之研究啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊模糊群聚技術於旅遊景點發展定位之研究鄭秀慧私立南華大學旅遊事業管理研究所.tw林俊男國立中正大學資訊管理研究所.tw林育弘私立南華大學資訊管理所.tw謝昆霖國立台東大學資訊管理學系.tw摘要旅遊景點的開發初衷主要是享受景點的內在價值，並且經由內在價值來獲取最大的經濟價值。旅遊景點定位可以解釋成為幫助旅遊景點作目標之確立，旅遊景點的定位很重要，定位對了可以事倍功半，花很少的經費而獲得最大的經濟價值，這也說明了旅遊景點的發展定位對於後續發展策略有著其顯著影響性；再則若能從發展成熟或是標竿典範的旅遊景點中來獲得發展策略的參考資訊，相對地可以縮短旅遊景點策略規劃與設計的生命週期。在這樣的思維模式下，我們透過模糊群聚技術來解析特定的旅遊景點和標竿景點的分群效應，利用模糊特性來同時掌握與多個標竿景點的相似程度，再從中擷取後續景點定位以及發展策略的修改或是設定之參考資訊。關鍵字：模糊群聚技術、旅遊景點定位、發展策略壹、前言旅遊景區(點)在旅遊業發展中的地位和作用可以視為在未來旅遊業發展中重要考量因素，誰擁有了較多的優質旅遊景區(點)，誰就將擁有先佔優勢和強大競爭力（黃繼業，2004）。所以若能在區域景點的競爭能力或是競爭優勢上來進行強化，對於旅遊景點週邊區域經濟的發展或是相關產業的帶動將會有顯著的貢獻。而要進行所謂的競爭能力或是競爭優勢的提升，最常用的方式是直接進行景點軟硬體的改善，即針對軟硬體的缺點或是缺失部分進行資源的再投資與規劃，然截至目前止，對於旅遊景點的規劃發展或是資源投資的議題，尚無一個適切的問題解析程序可供參考（交通部觀光局，2000），對於旅遊景點的管理、規劃、投資與管理的單位來說，不論是營利或是非營利的執行單位，很容易因為人為的影響因素而採用所謂的政策盲從或是資源偏差的方式，在一個資源有限的條件考量下，這樣的作法無疑是增加了資源的浪費程度。從前述的問題背景說明下，我們可以發現提供一個決策支援程序（亦可視為一個評估模式）對於這個問題絕對是一個值得深入探討的議題。因此，我們將嘗試發展一個整合性的決策支援程序，期望透過程序來找出可供旅遊景點參考的發展規劃或是資源投資最適建議；在行銷管理的研究上，我們已知可以利用資料挖掘的技術來獲取有用的行銷建議（謝昆霖等人，2005；Shaw & Subramaniam，2001；Sung & Park，1998；Berry & Gordon，1997），而將這樣的概念思維套用至我們現在所要討論的問題時，可以發現如何從既有知名景點的特質上來進行探討是一個可行的解析方向；基本上旅遊景點在發展上有其發展生命週期(Butler，1980)，所以景點間彼此在某些屬性（或是共通性的屬性）上將會呈現出相似性或是差異性的群聚特質，換言之，若能充分地應用這種群聚特質的潛藏訊息，應可挖掘出發展規劃和資源投資有用的參考資訊。在這樣的目標設定下，我們將利用群聚技術分析景點的相似性群聚並找出規劃發展或是資源投資的最適參考資訊。貳、景點發展與評估隨著現代經濟社會不斷發展，人們的旅遊需求正在持續快速增長，以旅遊景點作為旅遊資源的聚集地和集中展示地，在整個旅遊經濟中的作用和地位也更加重要和突出。可以說，旅遊景點在旅遊業發展中的地位和作用很大程度地決定了在未來旅遊業發展中，誰擁有了更多優質旅遊景點，誰就將擁有先發優勢和強大競爭力（黃繼業，2004）。因此，旅遊景點規劃發展建設成為了現代旅遊發展中的一項重要內容，如何提升旅遊景點品質也成為了有關部門高度關注的問題（交通部觀光局，2000）。加入WTO後我國經濟社會發展又進入到了一個新的階段，旅遊景點規劃發展建設也面臨一些新的形勢，出現了一些新的問題，有些甚至成為了各方爭論的焦點。Butler (1980)曾提出旅遊地生命週期理論，指出觀光地區景點的發展是有階段性的，所以對於一個景點的評估與規劃發展上來說，其並非一蹴可幾的。Gunn（1988）提出所謂三分法（Tripartite Approach）來規劃觀光景點，所謂三分法即指任何一個旅遊景點大體可分為三個部分：中心吸引力（Central Attractions）及進入這個主要吸引力的入口空間（ entering space ），和衍生範圍區（Zone of Closure）如交通廊帶及服務中心等相關衍生設施區，而這對於一個要進行景點規劃來說，便可提供一個適切的切入執行面。在2002年觀光客倍增計畫研討會（2002）中也有這對於景點規劃與評估的結論說明：規劃開發觀光新景點，應跳脫傳統單一景點規劃開發模式，於推動時宜結合觀光新景點週邊既有人文及自然資源特性，參研當地旅遊環境、遊客需求及觀光新趨勢，規劃套裝旅遊新路線，藉以創造具市場區隔性之獨特內涵，以吸引國內外觀光客。參、資料探勘資料探勘（Data mining）可說是資料庫技術的一個邏輯上的演進。最早的資料庫不過是被作為紙張紀錄的一種替代品，是個僅能夠作概述和報告的資料儲藏室。但是，隨著SQL這樣的查詢工具的不斷發展，資料庫管理員可以較靈活地查詢資料。而資料探勘技術的出現使得資料庫管理員能更加有效率的找出隱藏的樣本和知識。最純粹的資料探勘其實並不包括尋找特定的資訊，資料探勘僅只是找出資料裡已有的樣本，而不是先給定一個問題或是假設再來進行探勘的動作。Fayyad(1996)定義的將資料探勘與資料庫中之知識發掘（Knowledge Discovery and Data Mining，KDD）嚴格的區分開來。資料庫中的知識發掘是從資料中選取合適資料後，再進行資料處理、轉換、資料探勘以及結果評估，資料探勘不過是知識發掘的步驟之一。Kleissner(1998)則認為資料探勘是一種新的且不斷循環的決策支援分析過程，它能夠從資料中發現隱藏價值的知識，以提供專業企業人員參考。綜合以上所述，本研究認為可將資料探勘定義為：結合資料視覺化（Data Visualization）、機器學習（Machine Learning，ML）、統計方法（Statistics）和資料庫（Data base）等多種技術以期在大型資料庫中搜尋、擷取以及歸納出隱藏的知識規則或是模型，然後將這些規則或是模型提供給專業人員作為其決策時的重要依據。一般而言，資料探勘有下列不同的功能：1.描述（Description）：對一群資料提供一個簡要的屬性描述，以便與其他資料區分。2.分析（Analysis）：分析是對一大群的資料加以檢查，以找出其中的某些規則或特徵如相似的（子）順序性、順序的類型、出現的週期、趨勢及變動等。3.關聯（Association）：對一群資料項進行分析以發現其間的關係或關聯性，這些出現頻繁的關係或關聯性多以準則（Association Rules）的形式來表示其屬性與數值的情況，如X=Y意謂凡是滿足條件X的資料亦極可能滿足條件Y。4.分群（Clustering）：一個群體是一個由資料物件相似度高的資料所成的集合，相似度（similarity）可以距離或其他函數來表示（群體之間的相似度要低、群體內部的相似度要高），而分群即是以此對一個資料集加以分析以區分其中各別資料所屬的群體。5.分類（Classification）：對一組訓練資料進行分析以建立一對應之資料分類模型，在此過程中將可產生一決策樹（decision tree）或一組分類的準則（classification rules），來用於對資料庫中或未來的資料進行分類及瞭解各資料分類的特性。6.預測（Prediction）：對於某些缺失的資料或一具特定屬性的資料分佈，預測其可能的數值。資料探勘可依應用目標的不同，採用以上不同的類別、由資料群體中發現各種（因果）關係，再以視覺化方式，如線上分析程序（On-Lin Analysis Processing, OLAP）將資料探勘的結果呈現予資料挖掘的使用者。在進行KDD的步驟方面，Fayyad（1996）認為有：（1）選擇欲KDD的目標資料集合（Data Selection）；（2）探勘前的資料處理（Pre-processing）（如資料清洗Data Cleansing）；（3）資料轉換（Transformation）（含資料減量Data Reduction）；（4）進行資料探勘（Data Mining）（依欲KDD的目標及資料屬性形式選擇適合的資料探勘演算法，以尋找出資料關係的類型Pattern）；（5）探勘結果的釋意及所得關係類型的評估（Interpretation/Evaluation）（含知識的呈現Knowledge Presentation）等五階段（如圖一所示）。Kamrani（2001）則認為資料探勘的主要實施步驟有：Problem Definition、Acquisition of Background Knowledge、Selection of Data、Pre-processing of Data、Analysis and Interpretation、Reporting and Use等六大階段，實際上的差異並不顯著亦不影響KDD的細部進行。圖一 KDD的主要步驟（Fayyad, 1996）一般而言，資料探勘可採用之技術有Decision Trees、Neural Network、Regression、Clustering、Classification、Visualization及Time Series Analysis等，而KDD發掘出的知識，再儲存於知識庫中，作為爾後決策時之參考或對問題/趨勢之預測等用途。至於空間屬性的資料如遙感探測及地理資訊系統GIS所屬的資料在環境評估及環境規劃時皆必須要用到，但是目前多數的資料探勘方法並未考量到空間屬性資料的不準確性（Uncertainty）問題，Clementini（2000）提出可應用較廣泛邊界的物件（Objects with Broad Boundaries）來針對此類資料進行資料探勘，如此一來各物件的拓樸關係（Topological Relations）可以組成一個三層的概念階層，再依此決定出探勘空間屬性資料的關聯性規則，最後並可進一步尋找出最佳的資料探勘過程。肆、群聚分析資料探勘已成為分析資料的前置處理工具，它主要是利用電腦的高度運能力及儲存能力，進行資料的整理工作，於其中可獲得較多的資訊。隨著時間的累積，組織中的資料也隨之增加，然而這些資料之中必含有一定量之有用資訊，可以透過Patterns或者Relations來發現有用的資訊，但是傳統的查詢或統計並不易找出這類的資訊。群聚演算法(Clustering Algorithm)的理論基礎是在資料堆之中，以其最相似、相近程度的資料為其共同特色，分別出許多各有共同特色的群組，再進行特色分析，它影響所呈現的現象為如何，則可找出對策略有益的參考資訊，以增強、改善或了解策略的規劃與實施。群聚技術又可以分為模糊群聚(Fuzzy Clustering)與硬式群聚(Hard Clustering)兩大類，其差別在資料點與群組之間的關聯度不同。例如其各別關聯度呈現之值域：Hard Clustering: 0, 1 (0 or 1)；Fuzzy Clustering: 0, 1(01之間所有可能之值)。Hard Clustering (Zimmermann, 1991) 是在資料點被分配到某一群組後，就與其它群組沒有關聯了；而Fuzzy clustering 之資料點則會有與各群組的隸屬值，才將其歸類到隸屬程度高的群組，所以當資料點介於兩群組間之較模糊地帶時，尚可明確地知其資料點對於兩群各別之隸屬程度如何。所以能較Hard Clustering方法，得知資料在其它群組的方面，它所擁有的隸屬度。所以Fuzzy Clustering應用在市場區隔(Hsu, 1999)、影像切割或需要較詳細的分群功能時，則可以有更進一步之隸屬資訊，如圖二所示。Cluster ACluster BV1V2Xk0.60.4圖二 模糊群聚圖伍、Fuzzy C-means algorithm (FCM)Fuzzy C-means algorithm (FCM)是由Bezdek (1981)所提出之目標函數：而 (1)其中，c: 群組數、n: 資料數、m: (m1) 模糊度之參數；：歐幾里德距離公式(p為資料之維度) (2): 為資料點對中心點之隸屬度1ic, 1kn (3)：為c個群與各資料點之隸屬度 (4)：為c個群之中心點距陣 (5) 1ic (6)群組的分割好壞，可由群組內的相似程度高低，與群組與群組之間的差異多寡來判別。群組內的相似程度愈高，則其群組分得愈好，而群組與群組之間的差異，則是愈大愈好。Fuzzy C-Means (FCM) 演算法的步驟簡要說明如下：1.設定資料將分為c群2.隨機設定各群中心點V3.計算所有點Xk到個各中心點V之隸屬度，產生4.以歐幾里德距離公式計算群聚之聚合度 (聚合度愈小愈好)5.計算新的中心點V距陣6.重複(2)(5)之階段，直到聚合度不在縮小，或是達到重複次數結束7.產出群聚結果：中心點V，與隸屬度U陸、研究方法如前述所提，景點的評估會因所考量的屬性而有所不同，至於如何評定景點的屬性，對於解析後續的群聚分析以及標竿學習法將會有顯著的影響，基本上，景點的評估或許可以簡單地從四個層面來解析（黃振恭，2004）：（1）資源吸引力：能吸引遊客到訪的任何事物所具備之相關特質，例如：資源上是否具有多樣性或是獨特性等、（2）市場發展潛力：創造市場的機會因素，例如：可能的市場規模等、（3）顧客價值創造：在交易過程中顧客產生價值或是產生再遊意願之相關特性，例如：交易的便利性或是服務性、（4）整合發展能力：具有多項因素可以推動其發展成功之能力，例如：是否有品牌、是否有相關人員的參與等，為能適切地將景點評估的共通性屬性更清楚地架構出來，我們可以透過必要的德菲法來探詢專家學者的意見以作為考量。在獲得景點評估的屬性資訊後，將廣泛地蒐集景點在這些屬性上的資料，在初期的考量上將以台灣地區的景點為資料蒐集對象，並同時蒐集亞洲地區幾個知名的景點資要，以作為跨區域的分析比較。如果旅遊景點的屬性資料無法適切地獲得，則將適切地評估哪些屬性是具有代表性，同時在代表性以及資料可獲性的條件下來進行資料的蒐集；接著就是要進行必要的景點屬性之群聚分析，首先就旅遊景點群組間的變化與反應為標的，以資料探勘之方法來進行探究。利用Fuzzy C-Means方法來將各個所蒐集到的知名景點屬性資訊，群聚成各種群組，根據群聚的模糊歸屬值結果可以清楚地知道考量的特定景點與歸屬群聚之其它景點的相似強度，同時還可以瞭解該特定景點與其它屬性群的模糊相似程度，接著透過必要的特徵分析後，可以擷取其在景點的規劃發展與資源投資的參考資訊。這個考量下，我們也以從時間的觀點來進行剖析，換言之，利用前後年度的群聚結果，可以看出景點在發展上的變化趨勢，如果在前一年度是落在標竿景點群，而下一年度落在非標竿景點群，則這也將反映出該景點在發展上呈現負成長，根據群聚的屬性特質便可以獲得改善的建議；反之，如果前一年度該景點並非落在標竿景點群中，但在下一年度已落在標竿景點群，這也反應出該景點在該年度所採用的相關錯失與發展策略是有正向成長的助益的。或可進階分析如景點群組之發展成功的關鍵因素或是進行景點群組之SWOT分析。初步規劃的決策支援程序主要架構如圖三所示、其中有關資料探勘的流程及結果關係圖則如圖四所示。景點評估屬性與景點資料蒐集景點資料探勘：利用Fuzzy C-Means景點群聚分析具時間性變動特質之景點群聚分析群內各景點的發展規劃與投資策略等資訊彙整圖三 研究流程架構蒐集資料資料探勘Fuzzy C-means Clustering聚群結果分析景點屬性資料預處理後資料群聚資料資料預先處理(資料擇選、清理、整理、標準化)旅遊景點之共同特徵旅遊景點之共同特徵圖四 旅遊景點群聚資料探勘流程圖柒、未來研究方向與建議本研究計畫現階段仍持續進行中，故對於未來的研究方向有如下幾點的建議：（1）在建置決策支援程序部分，預期會面臨的困難應該是景點屬性的選定？對於這個可能的問題，我們首先可以廣泛地進行相關文獻資料的蒐集，透過文獻的分析比較，來解析有哪些屬性是可以用來進行旅遊景點的最適評析用，或是透過專家學者的訪談後，可以快速地訂出幾項共通性的評估屬性。（2）資料的蒐集問題？對於這個問題，我們將透過各項公共資料庫（例如：財經資料庫或是地方永續發展資料庫等）來蒐集必要的資料，或是設計必要的問卷來蒐集資料。（3）如何獲得驗證？在初期規劃階段已協調地方政府的配合，屆時將會以東部地區的著名景點，例如：關山親水公園、紅葉溫泉、東海岸國家公園管理處等為例，根據本研究程序分析進行必要的分析程序，並將所得之建議提供地方政府作為進行改善的參考建議。捌、參考文獻交通部觀光局，台灣觀光蓄勢起飛，觀光客倍增計畫全國研討會新聞稿， 36/auser/b/doublep/新聞稿(二).htm，2002年。王文科，教育研究法，1996年，第一版，台北，五南，第21-45頁。林公孚，標竿學習-一項有效的管理工具，尋智網頁，.tw/ QuaK/Benchmark.htm，2005年。黃繼業，關於旅遊規劃發展建設的幾點認識，中國蓬萊網，http:/www.penglai. /llyd/shjj/017.htm，2005年。黃振恭，休閒農業區發展潛力評估模式之建立，南華大學旅遊事業經營管理研究所碩士論文，民國92年。謝昆霖、沈進成、謝仲杰、林俊男、鄭秀慧，整合性資料挖掘技術在休旅產業顧客關係行銷管理之應用，戶外遊憩研究，2005年，第18卷、第2期，第49-69頁。Berry, M. J. A. & Gordon L, Data Mining Techniques: for Marketing, Sales, and Customer Support, New York: John Wiley & Sons, 1997.Bezdek, J. C., Pattern Recognition with Fuzzy Objective Function Algorithms, Plenum Press, New York, NY, 1981.Butler, R. W, The Concept of a Tourism Area cycle of evolution: Implications for management of resources, Canadian Geographer, 1980, 24, 1, pp. 5-12.Clementini, E., Di Felice, P. & Koperski, K., Mining multiple-level spatial association rules for objects with a broad boundary, Data & Knowledge Engineering, 2000, 34, pp. 251-270.Fayyad, U. M., Data mining and knowledge discovery: making sense out of data, 1996, IEEE Expert, 11, 5, pp. 20-25. Kleissner, C., Data mining for the enterprise, Proceedings of the Thirty-First Hawaii International Conference, 1998, 7, 295-304.Kamrani, A., Rong, W. & Gonzalez, R., A genetic algorithm methodology for data mining and intelligent knowledge acquisition, Computers & Industrial Engineering, 2001, 40, pp. 361-377.Gunn, C., Vacationscape: Designing Tourist Regions, New York: Van Nostrand Reinhold, 1988.Hsu, T. H., An Application of Fuzzy Clustering in Group-Positioning Analysis, Department of Business Administration, I-Shou University, 1999.Shaw, M. & Subramaniam, C, Knowledge management and data mining for marketing, Decision Support Systems, 2001, 31, pp. 127137.Sung, H. H. & Park, S. C, Application of data mining tools t