城市建設(shè)用地需求預(yù)測(cè)方法研究

羅玲香

摘 要 本文以城市建設(shè)用地需求量預(yù)測(cè)為研究對(duì)象，對(duì)多種預(yù)測(cè)方法進(jìn)行比較分析，選取合適研究區(qū)建設(shè)用地的預(yù)測(cè)方法。本研究選擇湖南省長(zhǎng)沙市城市建設(shè)用地需求量預(yù)測(cè)作為實(shí)例，文中結(jié)合1996—2013年研究區(qū)的經(jīng)濟(jì)社會(huì)發(fā)展統(tǒng)計(jì)資料和土地利用的時(shí)空變化數(shù)據(jù)，分別利用多元線性回歸、灰色系統(tǒng)GM（1，1）模型和RBF（Radial Basis Function）神經(jīng)網(wǎng)絡(luò)模型，并借助了SPSS、Excel、Matlab等軟件對(duì)長(zhǎng)沙市建設(shè)用地需求量進(jìn)行預(yù)測(cè)，并將所得預(yù)測(cè)結(jié)果進(jìn)行比較分析，優(yōu)化預(yù)測(cè)方法，得出RBF神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度最高。此外，通過(guò)預(yù)測(cè)值與規(guī)劃值的比較分析，可知長(zhǎng)沙市建設(shè)用地增長(zhǎng)速度過(guò)快，應(yīng)加強(qiáng)城市內(nèi)涵挖掘，對(duì)城市土地利用及其規(guī)劃制定具有一定的科學(xué)指導(dǎo)意義。

關(guān)鍵詞 建設(shè)用地；多元線性回歸；RBF神經(jīng)網(wǎng)絡(luò)

中圖分類(lèi)號(hào)：F301.23 文獻(xiàn)標(biāo)識(shí)碼：A

Abstract： The paper utilizes the urban cons truction land demand forecast as the research object， compares and analyze many kinds of prediction methods，and choose the most suitable prdiction method.Taking the demand predict of Changsha as an example， combined with the socio-economic development statistical data and space-time change data land utilize from 1996 to 2013.This research constructs the construction land demandchangespredicting model of multiple linear regression model， gray systemGM（1，1） prediction model， and RBF（Radial Basis Function） neural network forecasting model with the help of SPSS，Excal，Matlab and other software to predict the construction land demand in Changsha City.Besides，the forecast results are made a comparative analysis，and then to improve the rationality and accuracy of prediction.The results of prediction clearly shows that the accuracy of RBF neural network is the best.Besides，by the comparison of predicted and actual values， Changsha develops faster than expected.Hence we should use land effectively and provide scientific reference for urban land use planning.

Keywords： construction land ； multiple linear regression ； RBF neural networks

1 引言

建設(shè)用地是經(jīng)濟(jì)社會(huì)活動(dòng)的重要基礎(chǔ)，建設(shè)用地規(guī)模變化與經(jīng)濟(jì)社會(huì)發(fā)展有著密切的關(guān)系，但同時(shí)土地是一種經(jīng)濟(jì)供給有限的稀缺資源，建設(shè)用地的過(guò)度擴(kuò)張必然影響到其他地類(lèi)，尤其是耕地的數(shù)量。近年城市擴(kuò)張速度過(guò)快，且多以外延擴(kuò)張為主，集約程度較差，閑置土地、違法用地較為嚴(yán)重。建設(shè)用地的難以逆轉(zhuǎn)性決定了在土地利用的過(guò)程中，必須采取科學(xué)預(yù)測(cè)和合理規(guī)劃的手段來(lái)協(xié)調(diào)土地的有限供應(yīng)，既能滿足當(dāng)代人類(lèi)社會(huì)經(jīng)濟(jì)發(fā)展的正常需求，又控制了建設(shè)用地的無(wú)序擴(kuò)張。

目前我國(guó)部分地區(qū)土地利用總體規(guī)劃中所測(cè)算的建設(shè)用地面積與實(shí)際用地的情況存在一定的偏差，無(wú)法適用于當(dāng)?shù)氐慕?jīng)濟(jì)社會(huì)發(fā)展?fàn)顩r，導(dǎo)致預(yù)測(cè)的參考意義下降。如何提高建設(shè)用地需求量的預(yù)測(cè)精度，將預(yù)測(cè)區(qū)的實(shí)際情況與合適的預(yù)測(cè)方法緊密結(jié)合無(wú)疑是值得關(guān)注的問(wèn)題。本文是在結(jié)合長(zhǎng)沙市現(xiàn)狀以及上一輪土地利用總體規(guī)劃情況，深入研究長(zhǎng)沙市建設(shè)用地的供需矛盾，選擇最適合長(zhǎng)沙市建設(shè)用地需求量預(yù)測(cè)研究的預(yù)測(cè)方法進(jìn)行預(yù)測(cè)，對(duì)嚴(yán)控制新增建設(shè)用地，優(yōu)化建設(shè)用地布局，推進(jìn)節(jié)約集約用地具有重要意義。

2 研究思路與方法

2.1 研究方法的概述

目前關(guān)于研究建設(shè)用地的需求量的預(yù)測(cè)多種多樣，國(guó)內(nèi)的研究一般是與土地利用規(guī)劃相結(jié)合在一起的。2012年，李波以杭州市為例，運(yùn)用衛(wèi)星遙感技術(shù)和GIS空間分析方法，以遙感空間信息提取、城巿建設(shè)用地?cái)U(kuò)展的景觀格局分析及其時(shí)空演化、驅(qū)動(dòng)機(jī)制和模型模擬預(yù)測(cè)為主軸線，開(kāi)展了從1985年到2010年杭州巿城巿建設(shè)用地?cái)U(kuò)展的遙感監(jiān)測(cè)及其動(dòng)力學(xué)模擬研究。2013年，張曉瑞以合肥市建成區(qū)面積預(yù)測(cè)為例，構(gòu)建了基于RBF網(wǎng)絡(luò)的預(yù)測(cè)模型，作為對(duì)比，同時(shí)用BP神經(jīng)網(wǎng)絡(luò)、一元線性回歸和多元線性回歸模型進(jìn)行了預(yù)測(cè)[1] 。2014年，謝汀等以成都市為研究區(qū)域，提出了基于主元分析（PCA）與徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)模型相結(jié)合的建設(shè)用地需求預(yù)測(cè)方法[2] 。在國(guó)外，建設(shè)用地需求量預(yù)測(cè)研究主要集中在對(duì)城市規(guī)模擴(kuò)展研究的相關(guān)研究上[3] ；國(guó)外城市建設(shè)用地規(guī)模擴(kuò)展研究又集中于城市建設(shè)用地合理規(guī)模和結(jié)構(gòu)的研究。

2.2 研究技術(shù)思路

本文以長(zhǎng)沙市建設(shè)用地為研究區(qū)域，根據(jù)長(zhǎng)沙市土地利用總體規(guī)劃修編的情況，建立建設(shè)用地需求量預(yù)測(cè)模型對(duì)長(zhǎng)建設(shè)用地需求量進(jìn)行預(yù)測(cè)，技術(shù)路線如圖1：

3 影響因素與研究模型

3.1影響因素分析

本文的土地?cái)?shù)據(jù)來(lái)源于湖南省統(tǒng)計(jì)數(shù)據(jù)（1996-2013），長(zhǎng)沙市統(tǒng)計(jì)年鑒（1996-2013），長(zhǎng)沙市土地變更數(shù)據(jù)，相關(guān)的經(jīng)濟(jì)社會(huì)統(tǒng)計(jì)數(shù)據(jù)來(lái)源于長(zhǎng)沙市國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展統(tǒng)計(jì)公報(bào)（1996-2013）。

主要采用社會(huì)、經(jīng)濟(jì)指標(biāo)對(duì)長(zhǎng)沙市的建設(shè)用地需求量進(jìn)行相關(guān)性分析說(shuō)明。在考慮數(shù)據(jù)資料的可靠性和可獲得性的基礎(chǔ)上，結(jié)合長(zhǎng)沙市實(shí)際情況，選取影響建設(shè)用地?cái)U(kuò)張的6個(gè)指標(biāo)：X1-GDP（萬(wàn)元），X2-總?cè)丝冢ㄈf(wàn)人），X3-二三產(chǎn)業(yè)值（萬(wàn)元），X4-固定資產(chǎn)投資（萬(wàn)元），X5-城鎮(zhèn)化率（%），X6-社會(huì)消費(fèi)品零售總額（萬(wàn)元），Y-建設(shè)用地面積（千公頃）。通過(guò)相關(guān)性分析可知：X4-固定資產(chǎn)投資的相關(guān)系數(shù)最大，與長(zhǎng)沙市建設(shè)用地量的變化關(guān)系最為密切，符合當(dāng)?shù)噩F(xiàn)狀。

3.2 預(yù)測(cè)模型的研究

3.2.1 多元回歸模型

建設(shè)用地規(guī)模變化是受社會(huì)經(jīng)濟(jì)、人口和國(guó)家政策等多種因素共同作用的結(jié)果，因此多元線性回歸模型適用于建設(shè)用地的預(yù)測(cè)。多元線性回歸的數(shù)學(xué)模型為：

其中：y為因變量，x為自變量，n為自變量的個(gè)數(shù)，然后進(jìn)行統(tǒng)計(jì)檢驗(yàn)和模型的優(yōu)化和修正。

3.2.2 灰色系統(tǒng)GM（1，1）模型

灰色預(yù)測(cè)模型不僅適用樣本數(shù)量較少，波動(dòng)較大的數(shù)列，而且淡化了多元灰色因素的干擾積累，預(yù)測(cè)效果較好。針對(duì)長(zhǎng)沙市建設(shè)用地資料時(shí)序短，波動(dòng)變化較大，我們嘗試采用灰色序列GM（1，1）模型來(lái)進(jìn)行預(yù)測(cè)。GM（1，1）模型為：

3.2.3 RBF神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）是人工智能研究的一個(gè)前沿領(lǐng)域和應(yīng)用熱點(diǎn)，在諸多領(lǐng)域都有廣泛的應(yīng)用。本研究選擇由Moddy等提出的徑向基函數(shù)（Radial Basis Function，RBF）神經(jīng)網(wǎng)絡(luò)。RBF神經(jīng)網(wǎng)絡(luò)有較高的運(yùn)算速度和很強(qiáng)的非線性映射功能，能以任意精度逼近任意連續(xù)函數(shù)，可以較好地揭示復(fù)雜非線性系統(tǒng)的實(shí)際結(jié)構(gòu)[4]。步驟如下：（1）對(duì)原始數(shù)據(jù)進(jìn)行均一化處理。[Y，PS]=mapninmax（x）。（2）建立RBF網(wǎng)絡(luò)訓(xùn)練樣本的輸入、輸出向量。其中，以X1-X6為輸入層神經(jīng)元，建設(shè)用地面積Y為輸出層神經(jīng)元。（3）調(diào)用函數(shù)newrb對(duì)訓(xùn)練樣本數(shù)據(jù)進(jìn)行訓(xùn)練。（4）以1996-2013年的長(zhǎng)沙市相關(guān)數(shù)據(jù)作為學(xué)習(xí)樣本，用newrb函數(shù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，再用訓(xùn)練好的網(wǎng)絡(luò)對(duì)1997-2013年長(zhǎng)沙市建設(shè)用地面積進(jìn)行預(yù)測(cè)，與實(shí)際值進(jìn)行對(duì)比。

4 實(shí)證研究

4.1 研究區(qū)概況

長(zhǎng)沙市位于湖南省東部偏北，湘江下游和長(zhǎng)瀏盆地西緣。其地域范圍為東經(jīng)111°53′～114°15′，北緯27°51′～28°41′，處于從湘中丘陵向?yàn)I湖平原的過(guò)渡地帶。“東鄰江西省宜春、萍鄉(xiāng)兩市，南接株洲、湘潭兩市，西連婁底、益陽(yáng)兩市，北抵岳陽(yáng)、益陽(yáng)兩市。”境內(nèi)地貌類(lèi)型多樣，土地總面積1.1819萬(wàn)平方公里，其中城區(qū)面積556平方公里。

4.2 多元回歸模型預(yù)測(cè)

根據(jù)以上的相關(guān)分析結(jié)果，利用6個(gè)影響因子量建立長(zhǎng)沙市建設(shè)用地需求，構(gòu)建的多元線性回歸模型為：

Y=121535.57+13.524*X4

把長(zhǎng)沙市1996至2013年間的影響因子固定資產(chǎn)投資數(shù)據(jù)代入該回歸模型，擬合效果比較好，平均誤差精度為0.76%，可以用來(lái)進(jìn)行建設(shè)用地預(yù)測(cè)。當(dāng)X4=5424.65億元，模型預(yù)測(cè)長(zhǎng)沙市2020年建設(shè)用地總量將達(dá)到194898.53公頃，比2013年的176488公頃高出18410.53公頃，預(yù)計(jì)這7年間，平均每年建設(shè)用地增加量為2630.08公頃。

4.3 灰色系統(tǒng)動(dòng)態(tài) GM（1，1）模型預(yù)測(cè)

運(yùn)用MATLAB7.0 進(jìn)行計(jì)算，最后得到預(yù)測(cè)結(jié)果：

4.4 RBF神經(jīng)網(wǎng)絡(luò)

根據(jù)RBF神經(jīng)網(wǎng)絡(luò)1997-2013年建設(shè)用地實(shí)際值與預(yù)測(cè)值對(duì)比分析可知，該模型有-1.069 %到1.636%之間的預(yù)測(cè)誤差精度，平均誤差精度為0.36%，平均殘差 504.56公頃，說(shuō)明RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果精度較高，根據(jù)圖2、圖3的輸出預(yù)測(cè)曲線，可以發(fā)現(xiàn)預(yù)測(cè)曲線與實(shí)際曲線的擬合效果很好，該模型適用于長(zhǎng)沙市建設(shè)用地需求量預(yù)測(cè)。根據(jù)RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)可知，2020年長(zhǎng)沙市建設(shè)用地面積預(yù)測(cè)值為188913.67公頃。

4.5 結(jié)果與分析

在本章中，我們通過(guò)實(shí)際值與三個(gè)模型的平均值誤差、均方誤差、相對(duì)誤差對(duì)各結(jié)果進(jìn)行比較分析。

根據(jù)表2和圖4來(lái)看，RBF網(wǎng)絡(luò)的預(yù)測(cè)曲線與實(shí)際曲線達(dá)到基本重合；多元線性回歸模型的預(yù)測(cè)曲線在1997-2008年和實(shí)際曲線基本重合，2008-2011年預(yù)測(cè)曲線稍微偏離實(shí)際曲線，2011-2013年預(yù)測(cè)曲線遠(yuǎn)高于實(shí)際值曲線；灰色模型的預(yù)測(cè)曲線和實(shí)際曲線偏差較大。RBF神經(jīng)網(wǎng)絡(luò)模型對(duì)應(yīng)的平均誤差值0.36%、最大誤差值1.64%，誤差最小。綜上，RBF神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度最高，其次為多元線性回歸模型，灰色GM（1，1）模型最差。由此可得出結(jié)論：RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)精度較高，模擬擬合情況良好，相對(duì)誤差穩(wěn)定，較合適對(duì)城市建設(shè)用地規(guī)模進(jìn)行長(zhǎng)期預(yù)測(cè)。長(zhǎng)沙市的城市建設(shè)用地預(yù)測(cè)值超過(guò)城市規(guī)劃建設(shè)用地計(jì)劃目標(biāo)量，模擬預(yù)測(cè)數(shù)值偏大。

5 結(jié)論

本文在參考大量方法研究的基礎(chǔ)上，借助SPSS，Excal和Matlb軟件構(gòu)建了多元線性回歸模型、灰色系統(tǒng)GM（1，1）模型和RBF神經(jīng)網(wǎng)絡(luò)模型，并進(jìn)行優(yōu)化修正，將模型應(yīng)用于長(zhǎng)沙市建設(shè)用地需求量的預(yù)測(cè)。其中，預(yù)測(cè)精度最好的為RBF神經(jīng)網(wǎng)絡(luò)模型，誤差精度在1.6359%到-1.068%之間，平均誤差精度為0.36%，模型平均殘差504.5629公頃；其次，多元線性回歸模型的預(yù)測(cè)誤差精度為2.933%到-3.8741%，平均誤差精度為0.8086%，模型平均殘差為1224.8781公頃；預(yù)測(cè)精度最差的為灰色系統(tǒng) GM（1，1）預(yù)測(cè)模型，誤差精度在3.86%到-6.17%之間，平均誤差精度為2.6074%，模型平均殘差3754.6862公頃。

通過(guò)對(duì)三種預(yù)測(cè)方法預(yù)測(cè)值精度的比較，可以看出RBF神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度均遠(yuǎn)高于多元線性回歸模型及灰色GM（1，1）模型預(yù)測(cè)精度，能夠較為科學(xué)地反映建設(shè)用地的實(shí)際需求；多元線性回歸模型的精度較高，能夠?qū)ㄔO(shè)用地需求量的預(yù)測(cè)提供一定的參考意義，但前提是需要掌握盡量詳實(shí)的研究區(qū)基礎(chǔ)數(shù)據(jù)，要在的變化過(guò)程中盡量使其他因素保持穩(wěn)定一致；而由于灰色預(yù)測(cè)模型只是根據(jù)建設(shè)用地規(guī)模本身的時(shí)間序列變化進(jìn)行預(yù)測(cè)，忽略了政策、社會(huì)等影響因素，導(dǎo)致灰色系統(tǒng) GM（1，1）預(yù)測(cè)的效果不理想，只能反映一種變化趨勢(shì)。

根據(jù)《長(zhǎng)沙市土地利用總體規(guī)劃》（2006-2020）可知，長(zhǎng)沙市2020年建設(shè)用地計(jì)劃數(shù)量值為183527.29公頃，而根據(jù)三個(gè)模型的預(yù)測(cè)值均遠(yuǎn)遠(yuǎn)超過(guò)計(jì)劃數(shù)量值。由此可見(jiàn)，長(zhǎng)沙市在建設(shè)用地的管控上采取了相關(guān)措施，加強(qiáng)了集約節(jié)約用地水平。此外，模擬預(yù)測(cè)數(shù)值與實(shí)際值差別較大，更多是受到用地政策、調(diào)控手段的影響。目前長(zhǎng)沙市對(duì)于建設(shè)用地的使用，已經(jīng)從簡(jiǎn)單盲目的外延擴(kuò)大、虛假城市化轉(zhuǎn)向了內(nèi)涵挖掘、集約節(jié)約利用土地的道路，城市的發(fā)展更加于注重內(nèi)涵挖掘，促使粗放經(jīng)濟(jì)轉(zhuǎn)向集約型經(jīng)濟(jì)，從而優(yōu)化城市土地利用和空間布局，嚴(yán)格避讓優(yōu)質(zhì)耕地和重要的生態(tài)環(huán)境用地。

參考文獻(xiàn)/References

[1] 張曉瑞，方創(chuàng)琳，王振波.基于RBF神經(jīng)網(wǎng)絡(luò)的城市建成區(qū)面積預(yù)測(cè)研究—兼與BP神經(jīng)網(wǎng)絡(luò)和線性回歸對(duì)比分析[J].長(zhǎng)江流域資源與環(huán)境.2013，22（6）.

[2] 謝汀，伍文，鄧良基等.基于PCA-RBF神經(jīng)網(wǎng)絡(luò)的成都市建設(shè)用地需求預(yù)測(cè)[J].西南大學(xué)學(xué)報(bào)，2014，36（11）：183-190.

[3] Koongfkanap.Land Resources potential and sustainable land management [J].Nat，Resor，F(xiàn)orum， 2000，24 （2）：69-81.

[4] 郝思雨，謝汀，伍文.基于RBF神經(jīng)網(wǎng)絡(luò)的成都市城鎮(zhèn)建設(shè)用地需求預(yù)測(cè)[J].資源科學(xué).2014，36（6）：1220-1228.