基于“城市—农村”视角城市建设用地规模预测研究以四平市为例

孟祥健，李秀霞*

（吉林师范大学旅游与地理科学学院，吉林·四平 136000）

基于“城市—农村”视角城市建设用地规模预测研究以四平市为例

孟祥健，李秀霞*

（吉林师范大学旅游与地理科学学院，吉林·四平 136000）

伴随我国城市化的进程飞速发展，在促进经济快速发展的同时，城市建设用地不断扩张而蚕食良田，粮食安全受到严重威胁。如何预测城市建设用地规模，成为学者们研究的热点。城市拉力和农村推力两者共同合力影响城市建设用地扩张，而非单一影响因素的结果。本文把四平市作为研究对象，基于“城市—农村”合力视角，构建影响建设用地扩张的影响因子，用相关分析对其相关性进行研究，采用BP神经网络做出预测，结果表明BP神经网络预测出的结果相比于灰色预测的结果预测精度更高。

建设用地；扩张规模；预测；BP神经网络

随着我国社会经济的快速发展，城市化、工业化的不断进步，为了满足不断发展的城市经济，城市不断扩张[1,2]，造成农地资源大量减少，粮食安全问题受到威胁。因此，为保障粮食安全，维持社会稳定，必须对城市建设用地规模进行科学准确的预测，如此才能把握城市发展的速度，及时准确地了解城市化进程，为相关政府部门及时掌握土地利用情况，科学准确地制定土地总体规划提供依据。

国内外学者对建设用地规模预测进行过相关研究[3～8]，我国目前城市建设用地研究已从定性向定量、从单因素向多因素、从单一方法向综合方法转变，这些为深入研究奠定了基础。但目前缺少从“城市—农村”合力视角，构建影响建设用地扩张的影响因子，用相关分析、BP神经网络和灰色预测等多种综合研究。因此笔者以四平市为例，以此进行建设用地规模预测，以达到更为满意的效果。

1 研究区概况与研究方法

1.1 研究区概况

四平市位于松辽平原中部，吉林省西南部，辽、吉、蒙三省（区）交界处。四平市区地理位置为东经124°15′45″～124°34′40″，北纬42°57′15″～43°14′45″，总面积14382.33km2，总人口328.1万，其中市区人口58.7万。截至2015年底，四平市全市地区生产总值实现1310亿元，社会消费品零售总额实现511亿元，全口径财政收入突破100亿元，市本级全口径财政收入完成56.2亿元，预计完成固定资产投资800亿元，新建续建亿元以上项目281个、10亿元以上项目26个，工业增加值实现600亿元。2014年城市建设用地面积为54km2，与2005年37.6km2的相比增加了43.6%，而且为了新型城镇化和新农村建设，统筹城乡发展，“四梨同城化”加快了四平城市的发展速度，使得城市建设用地规模不断扩大。

1.2 研究步骤与方法

1.2.1 研究步骤

从“城市—农村”合力视角，构建影响建设用地扩张的影响因子；用因子分析探讨影响建设用地扩张的影响因子的相关性；用BP神经网络对建设用地规模进行预测；用单一维度灰色模型再对建设用地规模进行预测；比较分析。

1.2.2 研究方法

（1）二元变量相关分析的原理

二元变量相关分析是研究两个变量之间是否存在某种联系，对有联系的变量讨论其相关程度的一种统计方法。在相关关系中，当两个具有联系的变量中的一个变量发生改变时，另一个也按照一定规律发生相应变化。常用的的相关系数有：Pearson简单相关系数、Spearman等级相关系数、Kendall秩相关系数和偏相关系数。

在使用Pearson简单相关系数方法中，当Person越靠近1，表明两个变量间正相关越大；越靠近-1，表明两个变量负相关越大。同时相关性分析显著性检验的双尾“**”表明当显著水平为0.01时，显著性检验sig小于0.01时，说明两个变量间存在显著关系。

（2）BP神经网络的原理

BP神经网络是一种适于非线性模式识别和分类预测问题的人工神经网络，它由输入层、隐含层和输出层组成，结构模型如图1所示。BP神经网络的学习过程由两部分组成：正向传播和反向传播。正向传播时，样本由输入层经过隐含层逐层处理，最终传向输出层。每一层神经元只影响下一层神经元的输出状态。若输出层输出的结果与期望得到的输出不符，则转向反向传播阶段。将输出的误差沿着输入的路径返回，通过修改各层神经元的权值，调整误差大小，直到误差达到目标为止。

图1 BP神经网络结构Fig.1 Topologic structure of BP neural network

采用BP神经网络对城市建设用地面积进行预测，是根据其映射原理[9]。对映射样本集合X和Y，可以假设其存在样本F，公式为：Yi=F(X1，X2，X3......Xn)。为寻求F的最佳映射值，BP网络将样本集合的输入、输出转化为非线性优化，通过简单的非线性函数的复合，建立一个高度的非线性映射关系，实现F值最优逼近。

（3）灰色预测原理

灰色系统理论认为，离散的数据总蕴含着某种内在规律，通过部分已知信息的生成，去开发了解与认识整体，实现对系统运行行为和演化规律的正确把握和描述。具体步骤如下：对原始时间序列做累加处理得到一个新序列，建立白化微分方程，构造数据矩阵和数据向量，解白化方程得时间响应式。

2 预测过程

2.1 基于“城市-农村”合力视角确定影响因子

城市拉力和农村推力两者共同合力影响城市建设用地扩张，而非单一影响因素的结果。基于“城市-农村”合力视角，构建影响建设用地扩张的影响因子。根据国内相关学者研究成果，结合四平地域特点，确定城市的方面的影响因子为:城市人均住房面积、城市公共汽车拥有量、城市人口、自然增长率、城市化率、净迁移率、城市人均可支配收入、第二产业产值、第三产业产值、城市人均GDP、城市固定资产投资、外商数量、外资投入、文化事业机构数等14个。

农村方面的影响因子为：农民纯收入、第一产业产值、非农业产值、农业人口、人均耕地面积、农用机械总动力等6个。利用四平市统计年鉴（2012-2015年）获取相关数据。运用SPSS软件进行相关分析，结果见表1。

可以看出，城市人均住房面积、城市公共汽车拥有量、城市人口、净迁移率、外商数量、外资投入、文化事业机构数、农业人口与建设用地规模相关性较弱，其他12项指标与建设用地规模相关性较高，可以用作指标进行预测。

依据相关分析结果，四平市建设用地模型规模的驱动模型可表示为：Y=F（X1,X2,X3,...X12），式中Y表示四平市建设用地规模、X为各驱动因素。

表1 各指标与城市建设用地之间相关程度Table1 The correlation between the indexes and the land of urban construction

2.2 BP神经网络的设计和训练过程

（1）数据标准化

为了消除不同因子之间量纲和数值大小的差异而造成误差，以避开神经元传递函数的饱和区，使样本数据落在[0,1]区间，从而加快整个网络的收敛速度达到最佳学习效果。其表达式为：X^=X-Xmin / Xmax-Xmin。

（2）网络结构及参数设置

BP网络结构的确定包括输入层、隐含层和输出层网络神经元的确定。基于BP神经网络原理和驱动力分析，以X1-X12为输入层神经元，构建一个三层神经网络。隐含层节点数的确定一般有以下经验公式：，其中k为样本数、ni为隐单元数、n为输入单元数，如果i＞ni，；，其中m为输出神经元数、n为输入单元数、a为[1，10]之间的常数；，其中n为输入单元数。以上三个公式仅能为隐层单元数的确定提供参考，但无法得到最佳的隐层单元数目，需要通过足够多次网络训练将那些不起作用的隐单元剔除，并通过误差对比，确定最佳的隐含层神经元个数，避免过拟合现象发生，同时将建设用地面积作为输出神经元。根据BP算法经验设定以下参数：最大训练次数10000次；允许误差为0.0001。

（3）BP神经网络训练及检验

以2001-2010年数据作为学习样本，将相关指标输入进行学习训练。将2011年数据作为测试样本检验神经网络学习的准确性，用其预测结果与实际值进行比较分析误差，直至调整到实际值与误差控制在一定范围内，再用训练好的网络对2012、2013和2014年的数据进行预测。经过反复试算，当网络结构确定为12-12-1时，即当网络隐含层神经元个数为12个，输入层传递函数为logsig,输出层传递函数为tansig，采用动态调整得方法防止模型过度优化，模型测试结果显示2010年四平市建设用地规模为48.3km2，与实际面积相差1.1km2，与实际误差2.3%，停止网络训练固定此模型进行预测。

2.3 灰色预测的过程

在使用DPS系统前要先对序列进行平滑和比界区检验。

若P(k)（0.1353,7.389），则表示原始序列平滑的，可做灰色预测。由P(k)=X(k-1)/X(k)计算得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，可作灰色预测。

P(k)的界区应，这里n=11, 所有界区=(0.84743,1.18003) (0.800739,1.248846)。

基于以上的分析，2001-2011年数据以此输入DPS系统中，在工具栏中选择“GM(1 1)模型”，根据提示建立GM(1 1)预测模型为：

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

模型精确检验值为C=0.4857(好) p=0.8000(好)，表明上述模型可以预测。

3 两种预测方法的比较分析

由表2可知四平市2012-2014年建设用地面积预测结果，BP神经网络预测结果的相对误差分别为0.8%、1.1%和2.0%；灰色GM(1.1)模型预测结果相对误差分别为2.3%、0%和5.9%。综合判断BP神经网络相对于灰色GM(1.1)模型预测的结果，其预测精度有所改善。

表2 四平市2011-2014年建设用地面积预测结果合理性分析Table2 Reasonable analysis of prediction results of construction land area of Siping City in 2011-2014

4 结论与讨论

4.1 结论

（1）基于“城市-农村”合力视角，构建影响建设用地扩张的20个影响因子，用相关分析对其相关性进行研究，结果显示：城市人均住房面积、城市公共汽车拥有量、城市人口、净迁移率、外商数量、外资投入、文化事业机构数、农业人口等8项指标与建设用地规模相关性较弱，而城市化率、城市人口、城市自然增长率、城市第二产业产值、城市第三产业产值、城市人均GDP、城市固定资产投资、农民纯收入、农村第一产业产值、农村非农产业产值、耕地面积、农用机械总动力等12项指标与建设用地规模相关性较高。

（2）以四平市2001-2011年社会统计资料预测2012、2013和2104年建成区面积数据，同时利用灰色预测进行对比，利用BP神经网络和灰色GM(1.1)模型预测分别进行预测。综合判断BP神经网络相对于灰色GM(1.1)模型预测的结果，准确性更高，更科学合理。

4.2 讨论

（1）由于灰色预测中只使用单一维度进行预测，导致信息比较片面，不能完整地预测影响建设用地变化的多方面因素，因此，预测结果的精度较低。

（2）运用BP神经网络进行建设用地预测，通过反复训练，根据各因素对建设用地面积的不同影响程度调整其参数，最终建立高度的非线性映射关系，有效地提高了其预测的精准程度。

（3）但利用BP神经网络方法也存在收敛速度慢，可能陷入局部极小点的弱点。因此，遗传算法、退火算法以及组合预测等新的算法和途径，将待于进一步研究和探讨。

References)

[1] 陆效平,王静,金志丰. 江苏省建设用地扩展类型及对经济增长的贡献研究[J]. 上海国土资源,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. 上海市建设用地与经济社会发展的空间计量经济分析[J].上海国土资源,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] 张新长,梁金成. 城市土地利用动态变化及预测模型研究[J]. 中山大学学报(自然科学版),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] 谭荣,曲福田. 自然资源合理利用与经济可持续发展[J]. 自然资源学报,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] 孙秀锋,刁承泰,何丹. 我国城市人口 建设用地规模预测[J]. 现代城市研究,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] 朱明仓,杨韬. 城镇建设用地需求预测与配置研究[J]. 资源开发与市场,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] 储卫东,陈江龙. 城镇化进程中建设用地需求量预测方法研究[J].上海国土资源,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. 建设用地减量化对都市郊区景观格局和功能影响研究[J]. 上海国土资源,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,欧名豪,刘琼,等. 基于BP神经网络的南通市建设用地需求预测[J]. 资源科学,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,硕士生,主要研究方向为自然资源开发与利用.

电子邮箱: mxj372233805@qq.com联系电话: 0434-3291130

吉林省科技厅项目(20120691);吉林省社科基金项目(2012BS60)

*通讯作者: 李秀霞(博士/教授): jykxzz@163.com