基于BP神经网络模型的南昌城市建设用地规模预测研究

邹永旺

摘 要：随着经济的飞速发展，城市化进程的加快，建设用地已成为城市发展的稀缺资源，科学合理的安排城市建设用地规模显得尤为重要。文章以南昌市2005-2010年有关城市建设用地规模的社会经济统计数据为依据，利用主成分分析方法，筛选出影响城市建设用地规模的主要因素有GDP、人口、城市化水平、园林绿地面积、财政收入、固定资产投资、工业总产值等。在此基础上建立BP神经网络预测模型，测算出南昌市2020年城市建设用地规模，并对其进行验证分析，以期对南昌市土地利用总体规划中建设用地的指标划分提供科学依据。

关键词：BP神经网络模型；城市建设用地；规模预测；南昌市

中图分类号：F293.2 文献标识码：A 文章编号：1006-8937（2014）14-0058-02

城市化的进城往往伴随着城市建设用地的扩张，经济的飞速发展与建设用地的旺盛需求之间存在明显的正相关系，土地已成为制约城市化发展的重要因素，人地矛盾越来越突出。而上一轮土地利用总体规划实施过程中，许多地方的城市建设用地实际用地规模已经超出规划指标，从一定程度上讲是因为现行的建设用地预测方法不尽完善。本文以南昌市为例，在大量搜集和整理相关统计数据的基础上，运用BP神经网络模型对南昌市未来几年城市土地需求量进行了预测分析，为正确制定下一轮南昌城市土地利用总体规划提供参考依据。

1 数据的选取

城市建设用地规模的变化受到多方面因数的影响，不仅取决于社会因素、经济因素、环境因数，还受政策因数的影响，本文选取了GDP、第一产业产值、第一产业占生产总值的比重、固定资产投资、人均建设用地和固定资产、建设用地弹性比、人口、非农人口、城市化率、园林绿地面积和工业总产值共11个指标，见表1。

2 主成分分析

应用SPASS软件对选取的11个影响因子进行分析计算，得出特征值、主成分贡献率、累计贡献率和相关系数矩阵（见表2）。由表2特征值及主成分贡献率可得，第一主成分贡献率为77.659%，第二主成分贡献率为11.956%，第三主成分贡献率为6.953%，总献率为96.569% 。也就是说前3个主成分包含了11个指标的96.569%的信息。因此，选取前3个主成分来代替原来的11个社会经济指标。

为说明3个主成分的含义，采用方差极大法旋转主成分载荷矩阵得到第一主成分中人口载荷值为0.963最高，因此将其定义为人口因素；第二主成分中，城市化率的载荷值为0.935，0.935>0.8，故将其定义为城市化率；第三主成分中，人均建设用地面积的载荷值为0.978，在0.8以上，所以将其定义为城市人均建设用地面积。由此可得人口（X1）、城市化率（X8）和人均建设用地面积（X11）为主要影响因素。

3 BP神经网络模型的构建

本文构建的南昌市城市建设用地规模BP神经网络模型采用三层网络结构，即输入层、隐含层和输出层。其中输入层有3个神经元，输出层有1个神经元，具体的网络结构如图1所示。

在DPS中计算输出得到学习样本的拟合值见表2。

从表2中可以看出，用BP神经网络预测的城市建设用地规模值与实际值相差不大，BP神经网络模型拟合情况很好，所以BP神经网络模型选用正确，可以对南昌市城市建设用地规模进行预测。结合2015年、2020年的各影响因子的预测值，最终得到2015年和2020年南昌市城市建设用地规模为256.32 km2和345.26 km2。

4 结 语

本文通过对南昌市2005～2010年有关城市建设用地规模的社会经济统计数据分析，综合考虑了社会、经济和环境等因素，并从中选取了11个影响南昌市城市建设用地规模的影响因子。采用主成分分析法刷选了影响城市建设用地规模的主成分为人口、人均城市建设用地面积和城市化率，运用DPS软件建立了BP神经网络预测，发现城市建设用地规模的预测值和实际值具有很好的的拟合度，这表明BP神经网络预测模型的预测精确度很高。从模型的预测结果看，南昌市城市建设用地规模到2015年和2020年分别为256.32 km2和345.26 km2。

引起城市建设用地规模变化的因素众多而且复杂，本文虽然说选取了多个影响因子，但是并没有考虑国家政策、自然条件等因素影响。如何将政策因素、自然条件等因素融入到预测模型中，以提高模型的精确度，未来需要更加深入的研究。

本文采取的BP神经网络模型对城市建设用地规模进行预测是一种经典的预测方法，近年来GIS空间技术发展迅速，已经得到广泛的运用，如何将空间分析法引进到城市建设用地规模预测中，以提高预测的精确度，丰富预测方法是未来研究需要十分重视的问题。

参考文献：

[1] Karen C，Seto，Robert K，et al.Modeling the drivers of urban land use change in the pearl river delta，China：integrating r-emote sensing with socioeconomic data[J].Land Economics，2003，（1）.

[2] 严金明.中国土地利用规划[M].北京：经济管理出版社，2001.

[3] 孙善龙，东野光亮，刘喜广，等.城乡建设用地需求量预测研究[J].陕西农业科学，2008，（5）.

[4] 曲三省.增加农民收入与发展农产品期货市场研究[J].价格月刊，2008，（1）.

[5] 赵小敏，王人潮.城市合理用地规模的系统分析[J].地理学与国土研究，1997，（1）.

[6] 邱道持，刘力，粟辉，等.城镇建设用地预测方法新探—以重庆市渝北区为例[J].西南师范大学学报（自然科学版），2004，（1）.