廣州市建設用地集約利用評價研究

胡曼琴，胡月明，劉振華

（華南農業大學 信息學院，廣州 510642）

近年來，隨著工業化的高度發展和城市化進程的加快，經濟和人口分布的中心向城市轉移，給城市用地帶來了一系列復雜而緊迫的問題，如城市建成區土地利用結構不合理、存在大量的閑置土地等，而土地資源的集約利用是解決這些問題的關鍵所在。土地集約利用已受到政府、學者的高度重視。

國內外城市土地集約利用的相關研究主要集中在城市土地集約利用的內涵界定、評價指標體系的建立、評價方法的選擇以及實現途徑等方面。在評價方法的選擇上，慢慢地從傳統的定性分析向簡單的定量分析轉型，目前基于GIS技術、系統動力學模型、人工神經網絡、遺傳算法等一些新的方法技術已在城市土地集約利用評價中得到應用和發展，特別是計算機技術和應用軟件的發展，為城市的定量化研究提供了極好的應用平臺，使研究進入一個新的發展階段［1］。周子英［2］、王金地［3］、宋紅梅［4］、韋仕川［5］、翟文俠［6］、江文亞［7］等在近幾年分別嘗試新的方法對不同地方進行集約利用評價，為評價方法的發展奠定了基礎。

城市土地集約利用評價方法取得了較好的研究成果，但很多數理模型和方法的弊端也顯現出來，比如模糊綜合評價模型等在評價過程中具有一定的人為影響因素，線性可分問題能夠給予精確的表達，而非線性不可分問題卻缺乏有效的解決辦法，土地集約利用評價方法中的定性和定量相結合的方法，尚未形成統一的指標體系［8］，導致研究成果沒有可比性，從而影響研究成果的實用性。

本文以廣州市為研究區域，綜合運用主成分分析和BP神經網絡，不僅消除了評價過程中主觀因素的影響 ，而且彌補了傳統的人工神經網絡方法的數據量大、運算時間長的缺陷，有助于豐富建設用地集約利用評價的實例研究和方法分析。

1 研究區概況及數據來源

廣州市位于22°26′—23°56′N，112°57′—114°13′E，地處珠江入海口，范圍包括天河區、白云區部分、海珠珠區、越秀區、荔灣區、黃浦區部分、番禺區部分、蘿崗區部分和增城、從化兩個地級市，地勢由東北向西南傾斜，土地總面積7286 .551km2。隨著社會經濟的快速發展和城市化進程的加快，廣州市聚集了大量的外來人口，人口、經濟與土地資源矛盾日益突出，土地資源嚴重短缺。

本文數據來源于廣州國土資源和房屋管理局各區域分局公布的1990—2007年土地數據，廣州市志城建卷及廣州市統計年鑒，中國宏觀數據挖掘分析系統（http:∥number.cnki.net／cyfd），廣州市環境質量報告書。

2 研究方法

2.1 BP神經網絡

BP神經網絡是反向傳播算法的變形，它彌補了反向傳播算法速度慢的特點，使得整個算法實用化。最基本的BP神經網絡由輸入層、隱含層和輸出層組成，每層有若干個互不連接的神經元節點，相鄰兩層節點通過連接權連接。神經網絡的每一個節點稱為神經元，輸入層各神經元的主作用是接收來自外界的輸入信息，并傳給中間層的神經元。中間的隱含層負責處理內部信息，通過一系列的算法，完成自主學習，最后把結果傳遞到輸出層。輸出層向外界傳遞最終的結果和數字信息。網絡訓練的每個樣本中包括的輸入向量與期望輸出值之間的偏差通過調整輸入節點和隱含層節點之間的權值實現，使得偏差沿梯度方向下降。經過反復地學習和訓練，確定權值，達到允許的范圍，停止訓練。

利用BP神經網絡建立土地集約利用評價模型，是根據BP神經網絡的映射原理。假設土地集約度與土地集約指標體系之間存在著某種映射關系，BP神經網絡就是在輸入和輸出過程中建立非線性映射關系，實現最終值的最優逼近［9］。

2.2 基于主成分分析的BP神經網絡

主成分分析是一種常用的統計方法，通過構造原始指標的適當線性組合，產生一系列互不相關的綜合性指標，從中選出綜合指標，并且使他們盡可能多的含有原始指標所含有的信息，用較少的指標解釋原來的資料信息［10］。

通過主成分分析，去除指標體系中貢獻率小的指標，把主成分作為神經網絡的輸入層神經元，有效地保留數據信息，同時也減少神經元的個數，增強網絡的性能（如神經網絡的學習收斂速度及擬合過程等），改善評價結果。在進行土地集約利用評價過程中，把評價指標體系作為神經網絡的輸入層，對應的城市土地集約利用度作為輸出層，采用主成分分析法，保留指標信息的前提下，獲取較少輸入層，實現對指標數據降維化處理。

3 應用和結果分析

3.1 基于主成分分析獲取神經網絡評價指標

3.1.1 評價指標體系的建立 在選取指標的過程中，為了既要全面反映城市土地集約利用的特點，又要保證數據的可采集性，不損害未來發展潛能，必須遵循全面性和主導性原則、定量與定性原則、可操作性原則和可持續利用原則。鑒于本研究區域位于廣州市，依據城市發展的特點，結合現階段眾多學者對廣州市建設用地集約利用評價的研究，從用地結構合理性、土地使用效益強度、土地投入強度、土地可持續利用度4個方面構建包含城市人均道路面積、城市人均居住面積、人口密度、人均GDP、建成區地均GDP、建成區綠地覆蓋率、地均固定資產投資、房地產投資比重、建設用地增長彈性系數、工業固體廢渣綜合處理率、工業二氧化硫濃度11個指標（表1）。

3.1.2 指標的無量綱化 由于每個評價指標的量綱不同，而且其數據變化的范圍很大，必須對各指標進行無量綱化處理，無量綱化處理的方法有很多，有比重法、閥值法等，本文主要采用極差正規化法對原始數據進行標準化處理，標準化后的數據分布于［0，1］內，其表達式如下:

式中:X＊ij——標準化后的數據；Xij——原始值。對于逆向指標，首先對其正向化處理然后利用極差正規化法進行標準化，正向化處理方法為指標值取倒數。

表1 廣州市建設用地集約利用評價指標體系

3.2 主成分分析獲取的神經網路輸入層

通過SPSS對歸一化后的指標進行主成分分析，計算相關系數矩陣、特征值、特征向量，提取λ≥1的作為主成分，共兩個，累積貢獻率可以達到88.06%，即這個因子可以包含所有指標中88.06%的信息，主成分的載荷矩陣見表2，主成分得分見表3。由表2可以看出第一主因子在人均地區生產總值、建成區地均GDP、人口密度、城市人均道路面積、城市人均居住面積、建成區綠化覆蓋率、人均綠地面積、工業固體廢渣綜合處理率、房地產投資占全部投資比重上載荷大，第二主因子在工業SO2濃度、建設用地增長彈性系數上載荷大。

表2 主成分載荷矩陣

3.3 廣州市建設用地集約利用評價分級標準

調查廣東省其他與廣州市經濟發展水平相似的、城市規模相當的9個城市建設用地集約利用評價選取的11個指標，其中人均居住面積、人口密度、人均GDP、建成區綠地覆蓋率、工業固體廢渣綜合處理率、工業SO2濃度采用有關國家標準，其他指標分別以9個城市的集約利用評價指標值的最大值和最小值作為指標評價級別的上限和下限，平均值作為集約和中度集約的分界，建立評價指標的分級標準（表4，5）。其中城市人均居住面積、建設用地增長彈性系數、工業CO2濃度為逆向指標。

表3 主成分得分

表4 建設用地集約利用評價分級標準

表5 建設用地集約利用指數分級標準

3.4 BP神經網絡訓練

根據表4給出的分級標準，對每級進行隨機插值生成10個樣本，總共30個樣本，將每個學習樣本的指標值進行歸一化處理，對其進行主成分分析，選取兩個主成分，計算出主成分得分得出最后的結果。將主成分得分值與相應的結果組成樣本對（表6），輸入構造好的神經網絡中進行訓練。

3.5 研究區內BP神經網絡的評價結果及分析

對數S型函數具有非線性放大系數功能，可以把輸出值變換成（0，1）的輸出，因此本文采用S型轉移函數構造神經網絡。采用結構體及鏈表來建立神經網絡的結構，權值用偽隨機函數隨機產生，采用學習效率自適應調整算法優化源程序，以減少學習次數。在訓練時，學習率為0.1，沖量系數為缺省值0.3，結束學習的條件為檢驗誤差小于0.1。

表6 訓練樣本

鄭榮寶等［11］利用模糊綜合評判法對廣州市1990—2007年建設用地集約利用程度進行了評價，本文將其結果進行歸一化處理（表7），比較兩種方法得出的結果，計算相對誤差，分析主成分分析和BP神經網絡的評價方法的可行性。表8為測試結果，表9為兩種方法結果的相對誤差。

表7 模糊綜合評價法結果

表8 測試結果

表9 相對誤差

根據表5建設用地集約利用程度標準，從模糊綜合評價法的結果來看，廣州市建設用地集約利用水平處于整體上升趨勢，1990—1994年的集約利用水平處于粗放利用，1995—2004年的集約利用水平處于中度集約，2004—2007年的集約利用水平處于高度集約。最低與最高相差0.73。

從BP神經網絡測試的結果來看，廣州市建設用地集約利用水平趨勢明顯，基本處于上升趨勢，1990—1994年的集約利用水平處于粗放利用，1995年處于中度集約，而1996—1997年又處于粗放利用，在0.3附近上下波動，同模糊綜合評價法的結果有些出入，1998—2003年的集約利用水平處于中度集約，2004—2007年的集約利用水平處于高度集約。最低與最高相差0.654。和模糊綜合評價法相比，相對誤差最高達8.2%，最低2.1%，平均相對誤差為4.37%。

4 結論與討論

（1）1990—2007年廣州市建設用地集約利用評價結果表明，廣州市建設用地整體集約水平在不斷上升，1996—1997年稍有下降，但是不明顯。分析各指標可知，其原因主要體現在人均地區生產總值、建成區地均GDP和人口密度三項指標，三項指標在主成分載荷矩陣中系數最高。同時，城市的聚集效應使得城市用地緊張，集約程度相對提升。

（2）本文利用主成分分析來獲取主要評價指標，作為神經網絡輸入層，減少了輸入神經元的個數，減少了評價者主觀的判斷和工作量，提高了評價的合理性和效率，為土地評價方面的研究提供了一種新思路；采用神經網絡進行評價，利用神經網絡的自主學習能力和容錯能力，提高評價效率。主成分分析和神經網絡結合使用，對傳統的人工神經網絡評價方法進一步改善，輸入變量減少了85%。

（3）由于統計數據本身存在一些缺陷，相關部門能夠提供的數據跟本文需要的數據有一定的出入，有些方面的指標選取上還不盡合理，如城市土地容積率、建筑密度等，結果受到一定的限制，在主成分分析中，因子結構尚不明確，導致結果具有一定的偶然性。如何建立一套規范有效的評價指標體系和方法，如何完全消除主觀因素的影響使得結果合理，同時又要深刻體現城市土地集約利用的內在機理、時空特征及變化規律等等都有待進一步的研究。

（4）隨著廣州市經濟的快速發展，其建設用地不斷增加，城市的聚集效應比較明顯，建設用地集約程度相對提升。過度集約就會導致城市緊張，帶來各種不利的影響，阻礙城市的可持續發展，如何把握這個度，是后續城市土地集約利用評價需要深入探討的一個話題。

［1］邵曉梅，劉慶，張衍毓.土地集約利用的研究進展及展望［J］.地理科學進展，2006，25（2）:85－95.

［2］周子英，朱紅梅，譚潔，等.基于人工神經網絡的長株潭城市土地集約利用評價［J］.湖南農業大學學報，2008，9（6）:71－74.

［3］王金地，歐名豪，胡傳景.基于FUZZY的城市土地集約利用評價:以揚州市為例［J］.國土資源科技管理，2008，25（1）:29－34.

［4］宋紅梅，侯湖平，張紹良，等.基于熵值法的城市土地集約利用評價:以徐州市為例［J］.資源開發與市場，2007，23（2）:116－118.

［5］韋仕川，黃朝明，堯德明.基于GIS和多目標綜合評價模型的開發區土地集約約利用評價:以洋浦經濟開發區為例［J］.貴州農業科學，2011，39（3）:125－130.

［6］翟文俠，黃賢金，張強，等.基于層次分析的城市開發區土地集約利用研究:以江蘇省為例［J］.南京大學學報:自然科學版，2006，42（1）:96－102.

［7］江文亞，鄭新奇，楊伶俐.村鎮建設用地集約利用評價研究［J］.水土保持究，2010，17（3）:165－170.

［8］趙小風，黃賢金，陳逸，等.城市土地集約利用研究進展［J］.自然資源學報，2010，25（11）:1980－199.

［9］趙姚陽，濮勵杰，胡曉添.BP神經網絡在城市建成區面積預測中的應用:以江蘇省為例［J］.長江流域資源與環境，2006，15（1）:14－18.

［10］劉珂.基于主成分分析的BP神經網絡在城市建成區面積預測中的應用:以北京市為例［J］.地理科學進展，2007，26（6）:130－137.

［11］鄭榮寶，陳美招.廣州市建設用地集約利用評價與預警研究［J］.土壤通報，2012，43（1）:107－113.