基于“城市—農村”視角城市建設用地規模預測研究以四平市為例

孟祥健，李秀霞*

（吉林師范大學旅游與地理科學學院，吉林·四平 136000）

基于“城市—農村”視角城市建設用地規模預測研究以四平市為例

孟祥健，李秀霞*

（吉林師范大學旅游與地理科學學院，吉林·四平 136000）

伴隨我國城市化的進程飛速發展，在促進經濟快速發展的同時，城市建設用地不斷擴張而蠶食良田，糧食安全受到嚴重威脅。如何預測城市建設用地規模，成為學者們研究的熱點。城市拉力和農村推力兩者共同合力影響城市建設用地擴張，而非單一影響因素的結果。本文把四平市作為研究對象，基于“城市—農村”合力視角，構建影響建設用地擴張的影響因子，用相關分析對其相關性進行研究，采用BP神經網絡做出預測，結果表明BP神經網絡預測出的結果相比于灰色預測的結果預測精度更高。

建設用地；擴張規模；預測；BP神經網絡

隨著我國社會經濟的快速發展，城市化、工業化的不斷進步，為了滿足不斷發展的城市經濟，城市不斷擴張[1,2]，造成農地資源大量減少，糧食安全問題受到威脅。因此，為保障糧食安全，維持社會穩定，必須對城市建設用地規模進行科學準確的預測，如此才能把握城市發展的速度，及時準確地了解城市化進程，為相關政府部門及時掌握土地利用情況，科學準確地制定土地總體規劃提供依據。

國內外學者對建設用地規模預測進行過相關研究[3～8]，我國目前城市建設用地研究已從定性向定量、從單因素向多因素、從單一方法向綜合方法轉變，這些為深入研究奠定了基礎。但目前缺少從“城市—農村”合力視角，構建影響建設用地擴張的影響因子，用相關分析、BP神經網絡和灰色預測等多種綜合研究。因此筆者以四平市為例，以此進行建設用地規模預測，以達到更為滿意的效果。

1 研究區概況與研究方法

1.1 研究區概況

四平市位于松遼平原中部，吉林省西南部，遼、吉、蒙三省（區）交界處。四平市區地理位置為東經124°15′45″～124°34′40″，北緯42°57′15″～43°14′45″，總面積14382.33km2，總人口328.1萬，其中市區人口58.7萬。截至2015年底，四平市全市地區生產總值實現1310億元，社會消費品零售總額實現511億元，全口徑財政收入突破100億元，市本級全口徑財政收入完成56.2億元，預計完成固定資產投資800億元，新建續建億元以上項目281個、10億元以上項目26個，工業增加值實現600億元。2014年城市建設用地面積為54km2，與2005年37.6km2的相比增加了43.6%，而且為了新型城鎮化和新農村建設，統籌城鄉發展，“四梨同城化”加快了四平城市的發展速度，使得城市建設用地規模不斷擴大。

1.2 研究步驟與方法

1.2.1 研究步驟

從“城市—農村”合力視角，構建影響建設用地擴張的影響因子；用因子分析探討影響建設用地擴張的影響因子的相關性；用BP神經網絡對建設用地規模進行預測；用單一維度灰色模型再對建設用地規模進行預測；比較分析。

1.2.2 研究方法

（1）二元變量相關分析的原理

二元變量相關分析是研究兩個變量之間是否存在某種聯系，對有聯系的變量討論其相關程度的一種統計方法。在相關關系中，當兩個具有聯系的變量中的一個變量發生改變時，另一個也按照一定規律發生相應變化。常用的的相關系數有：Pearson簡單相關系數、Spearman等級相關系數、Kendall秩相關系數和偏相關系數。

在使用Pearson簡單相關系數方法中，當Person越靠近1，表明兩個變量間正相關越大；越靠近-1，表明兩個變量負相關越大。同時相關性分析顯著性檢驗的雙尾“**”表明當顯著水平為0.01時，顯著性檢驗sig小于0.01時，說明兩個變量間存在顯著關系。

（2）BP神經網絡的原理

BP神經網絡是一種適于非線性模式識別和分類預測問題的人工神經網絡，它由輸入層、隱含層和輸出層組成，結構模型如圖1所示。BP神經網絡的學習過程由兩部分組成：正向傳播和反向傳播。正向傳播時，樣本由輸入層經過隱含層逐層處理，最終傳向輸出層。每一層神經元只影響下一層神經元的輸出狀態。若輸出層輸出的結果與期望得到的輸出不符，則轉向反向傳播階段。將輸出的誤差沿著輸入的路徑返回，通過修改各層神經元的權值，調整誤差大小，直到誤差達到目標為止。

圖1 BP神經網絡結構Fig.1 Topologic structure of BP neural network

采用BP神經網絡對城市建設用地面積進行預測，是根據其映射原理[9]。對映射樣本集合X和Y，可以假設其存在樣本F，公式為：Yi=F(X1，X2，X3......Xn)。為尋求F的最佳映射值，BP網絡將樣本集合的輸入、輸出轉化為非線性優化，通過簡單的非線性函數的復合，建立一個高度的非線性映射關系，實現F值最優逼近。

（3）灰色預測原理

灰色系統理論認為，離散的數據總蘊含著某種內在規律，通過部分已知信息的生成，去開發了解與認識整體，實現對系統運行行為和演化規律的正確把握和描述。具體步驟如下：對原始時間序列做累加處理得到一個新序列，建立白化微分方程，構造數據矩陣和數據向量，解白化方程得時間響應式。

2 預測過程

2.1 基于“城市-農村”合力視角確定影響因子

城市拉力和農村推力兩者共同合力影響城市建設用地擴張，而非單一影響因素的結果。基于“城市-農村”合力視角，構建影響建設用地擴張的影響因子。根據國內相關學者研究成果，結合四平地域特點，確定城市的方面的影響因子為:城市人均住房面積、城市公共汽車擁有量、城市人口、自然增長率、城市化率、凈遷移率、城市人均可支配收入、第二產業產值、第三產業產值、城市人均GDP、城市固定資產投資、外商數量、外資投入、文化事業機構數等14個。

農村方面的影響因子為：農民純收入、第一產業產值、非農業產值、農業人口、人均耕地面積、農用機械總動力等6個。利用四平市統計年鑒（2012-2015年）獲取相關數據。運用SPSS軟件進行相關分析，結果見表1。

可以看出，城市人均住房面積、城市公共汽車擁有量、城市人口、凈遷移率、外商數量、外資投入、文化事業機構數、農業人口與建設用地規模相關性較弱，其他12項指標與建設用地規模相關性較高，可以用作指標進行預測。

依據相關分析結果，四平市建設用地模型規模的驅動模型可表示為：Y=F（X1,X2,X3,...X12），式中Y表示四平市建設用地規模、X為各驅動因素。

表1 各指標與城市建設用地之間相關程度Table1 The correlation between the indexes and the land of urban construction

2.2 BP神經網絡的設計和訓練過程

（1）數據標準化

為了消除不同因子之間量綱和數值大小的差異而造成誤差，以避開神經元傳遞函數的飽和區，使樣本數據落在[0,1]區間，從而加快整個網絡的收斂速度達到最佳學習效果。其表達式為：X^=X-Xmin / Xmax-Xmin。

（2）網絡結構及參數設置

BP網絡結構的確定包括輸入層、隱含層和輸出層網絡神經元的確定。基于BP神經網絡原理和驅動力分析，以X1-X12為輸入層神經元，構建一個三層神經網絡。隱含層節點數的確定一般有以下經驗公式：，其中k為樣本數、ni為隱單元數、n為輸入單元數，如果i＞ni，；，其中m為輸出神經元數、n為輸入單元數、a為[1，10]之間的常數；，其中n為輸入單元數。以上三個公式僅能為隱層單元數的確定提供參考，但無法得到最佳的隱層單元數目，需要通過足夠多次網絡訓練將那些不起作用的隱單元剔除，并通過誤差對比，確定最佳的隱含層神經元個數，避免過擬合現象發生，同時將建設用地面積作為輸出神經元。根據BP算法經驗設定以下參數：最大訓練次數10000次；允許誤差為0.0001。

（3）BP神經網絡訓練及檢驗

以2001-2010年數據作為學習樣本，將相關指標輸入進行學習訓練。將2011年數據作為測試樣本檢驗神經網絡學習的準確性，用其預測結果與實際值進行比較分析誤差，直至調整到實際值與誤差控制在一定范圍內，再用訓練好的網絡對2012、2013和2014年的數據進行預測。經過反復試算，當網絡結構確定為12-12-1時，即當網絡隱含層神經元個數為12個，輸入層傳遞函數為logsig,輸出層傳遞函數為tansig，采用動態調整得方法防止模型過度優化，模型測試結果顯示2010年四平市建設用地規模為48.3km2，與實際面積相差1.1km2，與實際誤差2.3%，停止網絡訓練固定此模型進行預測。

2.3 灰色預測的過程

在使用DPS系統前要先對序列進行平滑和比界區檢驗。

若P(k)（0.1353,7.389），則表示原始序列平滑的，可做灰色預測。由P(k)=X(k-1)/X(k)計算得P(k)=(0.9946,0.9868,1.01 89,1.000,1.000,1.000,1.082,0.9975,1.217) (0.1353,7.389)，因此本序列平滑，可作灰色預測。

P(k)的界區應，這里n=11, 所有界區=(0.84743,1.18003) (0.800739,1.248846)。

基于以上的分析，2001-2011年數據以此輸入DPS系統中，在工具欄中選擇“GM(1 1)模型”，根據提示建立GM(1 1)預測模型為：

x(t+1)=518.535338e0.066833t-480.935338

模型精確檢驗值為C=0.4857(好) p=0.8000(好)，表明上述模型可以預測。

3 兩種預測方法的比較分析

由表2可知四平市2012-2014年建設用地面積預測結果，BP神經網絡預測結果的相對誤差分別為0.8%、1.1%和2.0%；灰色GM(1.1)模型預測結果相對誤差分別為2.3%、0%和5.9%。綜合判斷BP神經網絡相對于灰色GM(1.1)模型預測的結果，其預測精度有所改善。

表2 四平市2011-2014年建設用地面積預測結果合理性分析Table2 Reasonable analysis of prediction results of construction land area of Siping City in 2011-2014

4 結論與討論

4.1 結論

（1）基于“城市-農村”合力視角，構建影響建設用地擴張的20個影響因子，用相關分析對其相關性進行研究，結果顯示：城市人均住房面積、城市公共汽車擁有量、城市人口、凈遷移率、外商數量、外資投入、文化事業機構數、農業人口等8項指標與建設用地規模相關性較弱，而城市化率、城市人口、城市自然增長率、城市第二產業產值、城市第三產業產值、城市人均GDP、城市固定資產投資、農民純收入、農村第一產業產值、農村非農產業產值、耕地面積、農用機械總動力等12項指標與建設用地規模相關性較高。

（2）以四平市2001-2011年社會統計資料預測2012、2013和2104年建成區面積數據，同時利用灰色預測進行對比，利用BP神經網絡和灰色GM(1.1)模型預測分別進行預測。綜合判斷BP神經網絡相對于灰色GM(1.1)模型預測的結果，準確性更高，更科學合理。

4.2 討論

（1）由于灰色預測中只使用單一維度進行預測，導致信息比較片面，不能完整地預測影響建設用地變化的多方面因素，因此，預測結果的精度較低。

（2）運用BP神經網絡進行建設用地預測，通過反復訓練，根據各因素對建設用地面積的不同影響程度調整其參數，最終建立高度的非線性映射關系，有效地提高了其預測的精準程度。

（3）但利用BP神經網絡方法也存在收斂速度慢，可能陷入局部極小點的弱點。因此，遺傳算法、退火算法以及組合預測等新的算法和途徑，將待于進一步研究和探討。

References)

[1] 陸效平,王靜,金志豐. 江蘇省建設用地擴展類型及對經濟增長的貢獻研究[J]. 上海國土資源,2014,35(3):43-46. Lu X P, Wang J, Jin Z F. Construction land expansion types and their contribution to economic growth in Jiangsu province[J]. Shanghai Land & Resources, 2014,35(3):43-46.

[2] 高魏. 上海市建設用地與經濟社會發展的空間計量經濟分析[J].上海國土資源,2013,34(3):11-15,20. Gao W. Spatial econometric analysis of socio-economic development and construction land in Shanghai[J]. Shanghai Land & Resources, 2013,34(3):11-15,20.

[3] 張新長,梁金成. 城市土地利用動態變化及預測模型研究[J]. 中山大學學報(自然科學版),2014,43(2):121-125. Zhang X C, Liang J C. Study on change of urban land use and forecasting model[J]. Acta Scientiarum Naturalium Universitatis Sunyatseni, 2014,43(2):121-125.

[4] 譚榮,曲福田. 自然資源合理利用與經濟可持續發展[J]. 自然資源學報,2005,20(6):797-805. Tan R, Qu F T. How to harmonize the contradiction between the utilization of natural resources and the sustainable development of economy[J]. Journal of Natural Resources,2005,20(6):797-805.

[5] 孫秀鋒,刁承泰,何丹. 我國城市人口 建設用地規模預測[J]. 現代城市研究,2005,(10):18-51. Sun X F, Diao E T, He D. Prediction of urban population and building lang in China[J]. Modern Urban Research,2005,(10):18-51.

[6] 朱明倉,楊韜. 城鎮建設用地需求預測與配置研究[J]. 資源開發與市場,2007,23(1):10-12. Zhu M C, Yang T. Study on prediction of urban building land demand and allocation[J]. Resource Development & Market, 2007,23(1):10-12.

[7] 儲衛東,陳江龍. 城鎮化進程中建設用地需求量預測方法研究[J].上海國土資源,2014,35(2):79-82. Chu W D, Chen J L. Methods for predicting demand for construction land during the process of urbanization[J]. Shanghai Land & Resources, 2014,35(2):79-82.

[8] 史婧然,袁承程. 建設用地減量化對都市郊區景觀格局和功能影響研究[J]. 上海國土資源,2016,37(3):19-22,27. Shi J R, Yuan C C. Exploring the effects of a reduction in construction land on landscape patterns and functions in the city suburb[J]. Shanghai Land & Resources, 2016,37(3):19-22,27.

[9] 郭杰,歐名豪,劉瓊,等. 基于BP神經網絡的南通市建設用地需求預測[J]. 資源科學,2009,31(8):1355-1361. Guo J, Ou M H, Liu Q, et al. Construction land demand forecast in Nantong city based on BP neural network[J]. Resources Science, 2009,31(8):1355-1361.

Prediction of city construction land dimensions based on the urban-country view: Using Siping as a case study

MENG Xiang-Jian, LI Xiu-Xia
(School of Tourism and Geographical Sciences, Jilin Normal University, Jilin Siping 136000, China)

With the rapid pace of urbanization and economic development in our country, urban construction is expanding. Meanwhile, farmland is eroding and food security is seriously threatened. Many scholars are now focusing on how to forecast the scale of city construction's land use. The expansion of city construction land affects both city and countryside. In this paper, Siping city is used as a case study to examine the urban-rural interactions, and thereby construct the effect of construction land expansion. The study uses correlation analysis and the BP neural network to make predictions. The results show that the BP neural network has a higher rate of accuracy than grey prediction when predicting results.

land use; construction land; expanded dimensions; predicition; BP neural network

F301.24

A

2095-1329(2016)04-0031-03

10.3969/j.issn.2095-1329.2016.04.009

2016-06-30

2016-08-14

孟祥健(1991-),男,碩士生,主要研究方向為自然資源開發與利用.

電子郵箱: mxj372233805@qq.com聯系電話: 0434-3291130

吉林省科技廳項目(20120691);吉林省社科基金項目(2012BS60)

*通訊作者: 李秀霞(博士/教授): jykxzz@163.com