乌鲁木齐市辖区建成区规模扩张及预测分析

穆飞翔，蒲春玲,2*，刘祥鑫

（1.新疆农业大学管理学院，新疆·乌鲁木齐 830052；2.新疆农业大学经济社会发展研究中心，新疆·乌鲁木齐 830052）

乌鲁木齐市辖区建成区规模扩张及预测分析

穆飞翔1，蒲春玲1,2*，刘祥鑫1

（1.新疆农业大学管理学院，新疆·乌鲁木齐 830052；2.新疆农业大学经济社会发展研究中心，新疆·乌鲁木齐 830052）

依据乌鲁木齐市2000～2015年社会经济发展数据，通过构建城市建成区规模扩张与社会经济发展的协调性分析模型，计算市辖区建成区规模扩张与社会经济发展的协调性系数；构建预测模型，分析乌鲁木齐市辖区建成区规模与其他社会经济发展指标的关系，进而对其市辖区到2020年建成区规模进行预测。主要结论有：乌鲁木齐市辖区的建成区的单位土地经济效益逐年增加，GDP的增长速度明显要高于建成区规模的扩张，说明其建设用地的土地报酬正处于递增的第一阶段，总体上土地投入较合理；乌鲁木齐市辖区建成区规模扩张与人口增长的协调度较弱，其建成区规模正处于快速扩张阶段；通过分析两个不同预测模型的实际应用效果，显示通过BP神经网络模型能够获得更加有效的预测，最终预测到2020年乌鲁木齐市辖区建成区规模将达到523.8287km2。

建成区；规模扩张；经济社会发展；协调性分析；建设用地；效益分析；多元线性回归；BP神经网络

关于建设用地的扩张的研究，国内学者陈江龙利用遥感、土地利用调查等数据对建设用地扩张的过程、格局和机理进行了研究[1]，解修平等人针对城市扩张与耕地之间的关系和矛盾进行动态研究[2]，屈宇宏对建设用地扩张进行了模拟并提出相应的策略[3]，赵可、舒帮荣等从不同的角度对城市建设用地扩张的驱动力进行了研究[4,5]，张乐勤对建设用地扩展驱动力在快速城镇化的背景下进行了研究和展望[6]，庞博、方创琳结合智慧低碳城市的概念对城市发展的动力机制进行了系统的分析和探究[7]。国内对于建设用地规模的预测的研究主要使用的模型主要有灰色系统模型[8]、多元回归模型、BP神经网络模型[9,10]、ARIMA模型等，且不同的模型都具有一定的局限性，研究中往往是根据已有的数据和资料合理选择预测模型和方法[11,12]。

中国城市的发展过程中，学者研究过程中更加关注东部地区的城市，对北京、上海、南京等城市都有较多的研究[13～17]。但是对于西北特殊的资源环境条件下乌鲁木齐市建设用地扩张的研究相对较少。本研究选取传统的回归分析方法，以2000年到2015年乌鲁木齐市的市辖区建成区规模和社会经济数据的变化情况为依据，探索社会经济发展与市辖区建成区规模扩张的关系，进一步预测乌鲁木齐市到2020年的市辖区建成区规模，以期为乌鲁木齐市的未来社会经济发展与建设用地更加协调可持续发展提供参考。

1 研究区概况

乌鲁木齐市位于中国西北、新疆地区腹地，是连接亚欧大陆的核心，地处北天山北麓、准噶尔盆地南缘。行政区内山地面积广大，三面环山，北部为开阔平原，其地势起伏较大，南部和东北部高，中部和北部相对较低。矿产资源和土地资源等自然资源丰富，而水资源是限制其更好发展的最重要的自然资源因素。

乌鲁木齐市2015年全市的地区生产总值为2631.64亿元，市辖区生产总值为2610.12亿元，占全市的99.18%，市辖区的三次产业比值为0.9:30.0:69.1。全市辖七区一县，总面积14216.3km2，其中市辖区的行政区域土地面积为9575.8km2，市辖区建成区规模为429.96km2，占全市总面积的3.02%，占市辖区行政区域面积的4.49%（见图1），从2000年到2015年其市辖区建成区规模增加了290.41km2，如图2所示。

图1 乌鲁木齐市辖区建成区规模示意图Fig.1 The schematic diagram of Urumqi City area built up scale

图2 乌鲁木齐市辖区建成区规模历年变化Fig.2 The scale of Urumqi City area built up over the year

由图可知，乌鲁木齐市从2000年到2005年建成区的面积变化幅度较小，从2006年开始高速增长，到2012年出现了短暂的回缩，但是2000年到2015年的16年时间里其建成区规模整体发展较快，增加了近两倍。就增长速度而言，从2006年的最高的33.7%，到2015年期间的增速呈不断下降的趋势，城市的发展更加符合生产空间集约高效的要求，对土地资源的开发利用更加趋于理性化。

2 研究方法及数据来源

2.1 统计分析法

统计分析法指通过对研究对象的规模、速度、范围、程度等数量关系的分析研究，认识和揭示事物间的相互关系、变化规律和发展趋势，借以达到对事物的正确解释和预测的一种研究方法。通过查阅相关的资料，并运用数学的方法进行数理统计和相关分析，达到量化分析事物变化的规律的目的，结果显示更加客观，是自然科学和社会科学研究中常用的方法。

2.2 多元回归模型

在乌鲁木齐市近年来的社会经济发展过程中，建成区规模变化趋势呈线性增长，而其他的影响因素同样呈线性增长的趋势，所以本研究采用线性回归的方法对建成区规模进行预测。线性回归分析预测法是根据自变量与因变量的相互关系，建立线性回归方程，进而测算出预测值。在建成区规模扩张过程中，受到多种因素的影响，为了更加准确和科学的预测出建成区未来的规模，本研究最终选择多元回归分析预测的方法。多元回归是指有多个自变量之间的线性回归模型，主要用于探索因变量与多变量之间的线性关系，多元线性回归的数学模型为：

式中：y表示因变量，xi表示自变量，n为自变量的个数

2.3 BP神经网络

BP神经网络是一种按误差逆传播算法训练的多层前馈网络，包括输入层、隐含层和输出层，输入层是将外界的输入信息传递给中间层，中间层是内部信息的处理层，可以是单隐层或者多隐层结构，最后输出层向外界输出信息处理结果。如果输出结果误差较大，网络开始逐层反向传播并调整各层的权值，也是网络不断学习训练的过程，直到网络输出结果满足误差要求为止[18]。

2.4 数据的主要来源

本研究的数据主要来源于《乌鲁木齐统计年鉴》（2001～2016年、第二次全国土地调查数据及规划数据。

3 基于土地报酬递减理论对市辖区建成区规模扩张的合理性分析

3.1 土地报酬递减规律

土地报酬是指生产过程中投入生产要素的经济生产力所获得的产品数量，体现了土地的生产力[19]。土地报酬递减规律是指在技术不变、其他要素不变的前提下，对相同面积的土地不断追加某种要素投入所带来的报酬的增量（边际报酬）最终会出现下降。

对市辖区建成区规模的合理性分析，本研究选用市区GDP作为分析的指标，通过分析建设用地与地区生产总值的关系，计算建设用地的单位土地经济效益和边际经济效益。

3.2 市辖区建成区规模扩张的合理性分析

2000～2015年间，市辖区的GDP从2000年的257.53亿元已经增长到了2015年的2631.64亿元，涨幅达到了922%，建成区规模的扩张幅度为208%。如图3所示，GDP的涨幅和增长速度明显要高于建成区规模的扩张，由此说明乌鲁木齐市建设用地的利用率正在逐渐增加。如表1所示，建成区的单位土地经济效益逐年增加，2000年单位土地经济效益为1.85，到2015年增加到了6.07，涨幅达到了228%，说明乌鲁木齐市辖区的建设用地的集约节约程度正在快速增加，同时说明乌鲁木齐市的建成区规模的扩张对于经济的发展起着更加重要的作用，而更加依赖建设用地的扩张来加快经济的发展的方式已经得以改变。

图3 市辖区的建成区规模与GDP增长趋势Fig.3 The growth trend of built-up area scale and GDP of City area

对于高速发展的乌鲁木齐市，每块建设用地所能带来的效益的增加是其更加稳定、可持续发展的必要条件。总体来看，乌鲁木齐市辖区建成区规模的扩张过程中，各年建成区的土地边际经济效益大于单位经济效益，即正处于土地报酬递增的第一阶段，所以总体上土地的投入是较合理的。

表1 乌鲁木齐市辖区建成区土地经济效益Table1 Land economic beneft in Built-up area of Urumqi City

4 市辖区建成区规模扩张与人口增长的协调性分析

人是社会的基础也是经济发展的根本动力源，人口的增长给社会带来发展动力的同时对资源的利用和分配造成很大的压力。城市是人口大量聚集的场所，人们对各种物质资料的需求一直是处于增加状态，特别是土地利用现状已不能满足人们的需求。依据《城市用地分类与规划建设用地标准》的规定，偏远地区和少数民族地区中地多人少的城市，规划人均建设用地指标不得大于150m2/人，乌鲁木齐市辖区的人均建成区规模整体上呈不断上升的趋势，到2015年达到了123.3m2，符合规定的要求。人口增长引起的刚需是城市建设用地规模的扩张重要推动力，乌鲁木齐市2015年市辖区常住人口348.71万人，相比2000年增加了200.19万人，年均增速为8.99%，具体如图4所示：

图4 乌鲁木齐市辖区常住人口历年变化情况Fig.4 The changes of resident population in Urumqi City area over the years

4.1 构建建成区规模扩张与人口增长关系模型

乌鲁木齐市的人口平均增长速度为8.99%，市辖区建成区规模年均增长13.87%，人口的增长速度明显低于建成区规模的增长速度，同时也说明了乌鲁木齐市的人均建成区规模逐年增加。

本研究借鉴已有的对建成区规模扩张与人口增长关系的研究[20～23]，引入建成区规模扩张与人口增长关系模型，计算建成区规模扩张与人口增长协调性系数（CPI），具体公式如下所示：

式中：CPI表示城市建成区规模扩张与人口增长的协调性系数；CRI表示建成区规模的年均增长率，PRI表示市辖区常住人口的年均增长率，年均增长率采用几何平均值；R为人均建成区面积的约束系数，LPo和LPIo分别表示2000年的人均建成区面积和当年该城市的理想人均建成区面积，LPt和LPIt分别表示2015年的人均建成区面积和当年该城市的理想人均建成区面积。2000年乌鲁木齐市的人口已经达到了148.52万人，按当年的城市规模划分标准属于特大城市的行列[24]，但按照新的标准乌鲁木齐市2015年的城市规模属于Ⅰ型大城市。对于历年的城市理想人均建成区面积的确定，根据《城市用地分类与规划建设用地标准》和《乌鲁木齐城市总体规划》的要求以及前人对人均建设用地的相关研究[25～27]，2000年最终取值为95m2/人，2015年最终取值为125m2/人。

4.2 建设用地扩张与人口增长协调性分析

对于乌鲁木齐市的建成区规模扩张与人口增长的协调性等级的划分，参照相关研究成果[18～20]，全国城市的建设用地扩张与人口增长的协调性主要分为土地快速扩张、人地基本协调、人口快速增长和人地有所收缩，分别以CPI值1.3、0.9和0为界线，据此对乌鲁木齐市的建设用地扩张与人口增长的协调性进行评价。

通过计算，结果显示乌鲁木齐市的CPI值为1.54，建成区规模扩张的速度明显高于人口的增长速度，人均建成区面积呈现明显的增加趋势。所以乌鲁木齐市建设用地正处于土地快速扩张阶段，建成区规模扩张与人口的增长之间的协调性减弱。

5 线性回归模型的设计及分析

5.1 指标的选取

本研究在预测分析主要运用社会经济指标，首先将乌鲁木齐市的2000年到2015年的社会经济数据进行统计整理，经过初步分析，筛选出十多项指标；然后通过SPSS22.0软件与建设用地面积变化情况进行相关性分析，最终选取与乌鲁木齐市建设用地面积（Y）相关性较大（表1）的五项指标，即市辖区常住人口数量（X1），市辖区GDP（X2），市辖区固定资产投资总额（X3），市辖区房地产开发投资总额（X4），城镇居民家庭人均可支配收入（X5）。

5.2 选取指标的相关性分析

运用SPSS22.0软件对所选的指标进行相关性分析，即计算统计的指标数据之间的皮尔森（Pearson）相关性系数（表2）。

表2 皮尔森相关性系数Table2 Correlation coeffcient of Pearson

由表2可知，市辖区建成区面积与其他五项指标的相关性都在0.85以上，说明市辖区建成区面积与所选取的其他指标的极其相关性，因此本研究最终将这五项指标均作为构建乌鲁木齐市辖区建成区面积预测模型的指标，根据这五项指标来建立相应的线性回归方程。

5.3 多元线性回归模型的建立与分析

用SPSS22.0软件对所选指标进行线性回归分析，从模型输出的结果表示所有的六个变量都进入模型，没有变量剔除。其模型的R2为0.984，调整后的R2为0.976，说明回归模型的拟合优度很高，说明自变量的值与回归方程曲线的接近程度高。模型的D-W检验统计量的值为2.786，表示残差较为独立。根据方差分析，指标的回归关系的显著性系数为0，说明其回归关系具有统计学的意义。而共线性统计分析表明，变量的VIF值都比较大，所以各个变量之间存在明显的多重共线性问题，说明该模型结果存在很大的不确定性，需要进一步的改进。

对上述的多元线性回归模型进行改进，通过逐步输入的方法进行调整分析，结果显示模型的R2为0.977，拟合优度较高，但是五个变量中排除了四个，剩下变量X1，最终模型构建的预测方程为：

运用SPSS22软件对单个指标进行做散点图，通过图形选择最合适的拟合线，然后通过回归分析中曲线估计的方法求出拟合线的方程式，估算出2020年的指标X1的预测值，到2020年乌鲁木齐市辖区常住人口将达到439.83万人。由以上预测方程可知，2020年乌鲁木齐市辖区建成区面积为542.24km2。该方法最后的预测中只有市辖区常住人口（X1）一个因子，也就是意味着该变量因子对建成区规模的影响较大，而其他变量因子的影响作用有限，这结果显然与事实不符，借助SPSS软件的时间序列预测分析的功能，寻求更高精度的预测模型。

5.4 BP神经网络模型预测分析

以MATLABR2013a为平台构建BP神经网络，模型预测过程主要分为三个阶段，即：数据预处理、模型的构建及训练和验证，最终进行预测。数据的预处理主要是将数据标准化或归一化，本研究运用mapminmax函数进行归一化处理，目的是消除不同神经元之间量纲的差异，使网络样本数据都处于[-1,+1]之间，加快模型的收敛速度。模型的结构以乌鲁木齐市辖区建成区规模变化5个驱动因子作为输入神经元，隐含层按照逐步实验法确定节点数，将建成区面积作为输出层神经元。网络参数的设置：最小训练速率为0.1，网络最大的训练次数为5000，允许误差为0.000001。

隐含层节点数确定经验公式：

模型的训练和检验是根据训练样本和检验样本进行，以2000～2010年的数据为训练样本，以2011～2015年的数据为检验样本，通过对网络反复训练，在防止训练过程的“过学习”现象的同时经过反复试验，最终确定网络结构为5-6-1。

5.5 预测结果合理性分析

从模型精度角度分析，由表3可知，BP神经网络的仿真结果与多元线性回归预测相比更加接近实际值，也就是表明神经网络的精度更高。

从社会经济发展的角度分析，由前文分析可知，乌鲁木齐市的单位土地经济效益正在处于上升阶段，社会经济发展水平也在不断的提高，正处于土地报酬递增的阶段，所以建设用地的快速扩张也是符合社会经济发展趋势的。乌鲁木齐市从2005年到2010年建成区面积扩大了166.57km2，从2010年到2015年建成区面积增加了86.96km2，说明其建成区面积的增速逐渐放缓，并且政府政策更加倾向于集约节约用地，所以综合考虑，神经网络的仿真结果更加符合乌鲁木齐市辖区的发展现状。

表3 模型预测结果对比Table3 Comparison of model prediction results

6 结论

依据乌鲁木齐市2000年到2015年的建成区规模变化情况和社会经济发展情况，量化分析乌鲁木齐市的土地经济效益，构建建成区规模扩张与人口增长关系模型对其协调性进行分析，最后通过线性回归模型对乌鲁木齐市2020的建成区规模进行预测，具体结论如下：

（1）乌鲁木齐市辖区单位面积建设用地经济效益逐年增加，从2000年值为1.85到2015年增加到了6.07，涨幅达到了228%，GDP的年均增速明显高于建成区规模的扩张。建成区的土地边际经济效益大于平均经济效益，正处于土地报酬递增的第一阶段，土地的投产比较高，土地利用的经济效益呈现“建设用地”型。

（2）计算结果显示乌鲁木齐市的CPI值为1.54，建成区规模扩张的速度明显高于人口的增长速度，人均建成区面积呈现明显的增加趋势。据协调性等级划分界值进行分析，建成区规模正处于快速扩张阶段。也由此说明乌鲁木齐市辖区建成区规模扩张与人口增长的协调度较弱，建成区规模扩张的速度明显高于人口增长的速度，人均建成区面积正逐年增加。

（3）通过对预测结果的比较，运用BP神经网络模型有明显的优势，具有方便、快捷的特点，但是明显的缺点是不同的预测主体经验的不同，网络参数的设置没有固定的理论参考，不利于产生最优的预测结果，需要大量的反复试验。多元线性回归分析中各因子之间易产生明显的多重共线性，通过逐步回归调整后获得的预测方程排除较多变量，预测结果可信度不高。另外，模型指标体系的构建不够全面，本研究主要选取的社会经济指标，缺少政策分析，主要是考虑到政策的定量化具有一定的难度，并且具有很强的不确定性，所以在此不予考虑。

乌鲁木齐市作为我国“一带一路”经济带的核心位置，在区域发展和我国西部地区对外开放中担负着至关重要的战略角色。随着我国经济发展进入新常态，产业结构和发展方式不断进行调整，乌鲁木齐市的发展同样需要进行调整和转型升级，在发展过程中土地资源的结构性变化应与产业发展相适应。目前城市建成区面积的快速扩张，彰显出城市对建设用地需求旺盛，应积极采取人口、经济、资源、环境可持续发展的应对措施，确保乌鲁木齐市建设用地规模协调发展和全方位的健康、可持续发展。

References)

[1] 陈江龙,高金龙,徐梦月,等.南京大都市区建设用地扩张特征与机理[J].地理研究,2014,(3):427-438.

Chen J L, Gao J L, Xu M Y, et al.Characteristics and mechanism of construction land expansion in Nanjing metropolitan area[J].Geographical Research, 2014,(3):427-438.

[2] 解修平,周杰,张海龙,等.关中—天水经济区土地利用变化模拟预测及景观格局动态变化[J].干旱区地理,2013,(3):482-490.

Xie X P, Zhou J, Zhang H L, et al.Land use change simulation and landscape pattern change of the Guanzhong-Tianshui Region[J].Arid Land Geography, 2013,(3):482-490.

[3] 屈宇宏,孙帅,陈银蓉.中国城市建设用地扩张趋势模拟及抑制策略[J].资源科学,2014,(1):1-7.

Qu Y H, Sun S, Chen Y R.The expansion and strategy of controlling China’s urban construction land[J].Resources Science, 2014,(1):1-7.

[4] 赵可,张安录.城市建设用地扩张驱动力实证研究——基于辽宁省14市市辖区数据[J].资源科学,2013,(5):928-934.

Zhao K, Zhang A L.Driving forces behind urban land expansion based on panel data for 14 cities in Liaoning[J].Resources Science, 2013,(5):928-934.

[5] 舒帮荣,李永乐,曲艺,等.不同职能城市建设用地扩张及其驱动力研究——基于中国137个地级以上城市的考察[J].南京农业大学学报(社会科学版),2014,(2):86-92.

Shu B R, Li Y L, Qu Y, et al.Urban land expansion and its driving forces in different functional cities: An empirical analysis based on 137 cities in China[J].Journal of Nanjing Agricultural University (Social Sciences Edition), 2014,(2):86-92.

[6] 张乐勤,陈素平,王文琴,等.快速城镇化背景下建设用地扩展驱动力研究述评与展望[J].干旱区地理,2013,(1):164-175.

Zhang L Q, Chen S P, Wang W Q, et al.Review and prospect on driving force research of construction land expansion in the context of rapid urbanization[J].Arid Land Geography, 2013,(1):164-175.

[7] 庞博,方创琳.智慧低碳城市发展的动力机制探究[J].干旱区地理,2016,(3):621-629.

Pang B, Fang C L.Theoretical analysis of the dynamic mechanism of smart low-carbon city[J].Arid Land Geography, 2016,(3):621-629.

[8] 彭保发,胡曰利,吴远芬,等.基于灰色系统模型的城乡建设用地规模预测——以常德市鼎城区为例[J].经济地理,2007,(6):999-1002.

Peng B F, Hu Y L, Wu Y F, et al.Scale forecast of urban construction land based on gray system model: A case study from Dingcheng district in Changde city[J].Economic Geography, 2007,(6):999-1002.

[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,(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,(8):1355-1361.

[10] 谢汀,伍文,邓良基,等.基于PCA-RBF神经网络的成都市建设用地需求预测[J].西南大学学报(自然科学版),2014,(11):183-190.

Xie T, Wu W, Deng L J, et al.Construction land demend forecasting of Chengdu city based on PCA-RBF neural network[J].Journal of Southwest University (Natural Science Edition), 2014,(11):183-190.

[11] 荣联伟,师学义,杨静.土地利用规划中建设用地预测方法比较[J].中国人口·资源与环境,2014,(S3):199-203.

Rong L W, Shi X Y, Yang J.Comparison of construction land prediction methods in land use planning[J].China Population, Resources and Environment, 2014,(S3):199-203.

[12] 罗罡辉,吴次芳.建设用地需求预测方法研究[J].中国土地科学, 2004,(6):14-17.

Luo G H, Wu C F.Methods of predicting land demand for construction use[J].China Land Science, 2004,(6):14-17.

[13] 黄小虎.建立城乡统一的建设用地市场研究[J].上海国土资源, 2015,36(2):1-8.

Huang X H.Establishing a unified market for urban and rural construction land[J].Shanghai Land & Resources, 2015,36(2):1-8.

[14] 许皎琳,楼江.土地城镇化驱动因素研究[J].上海国土资源,2015, 36(4):31-34,38.

Xu J L, Lou J.Driving factors of land urbanization in prefectural cities of Jiangsu province[J].Shanghai Land & Resources,2015,36(4):31-34,38.

[15] 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.

[16] 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.

[17] 夏浩,苑韶峰,杨丽霞,等.基于空间自相关分析的浙南城市群建设用地利用效益评价与分区管制[J].上海国土资源,2017, 38(1):9-13.

Xia H, Yuan S F, Yang L X, et al.The regulated zoning of construction land in the urban agglomeration of south Zhejiang based on spatial autocorrelation analysis[J].Shanghai Land & Resources, 2017,38(1):9-13.

[18] 李焕,徐建春,李翠珍,等.基于BP人工神经网络的开发区土地集约利用评价——以浙江省为例[J].地域研究与开发,2011, (4):122-126.

Li H, Xu J C, Li C Z, et al.The evaluation of intensive land use in the development zone based on BP artifcial neural network: A case of Zhejiang province[J].Areal Research and Development, 2011,(4):122-126.

[19] 王耕源.土地报酬递减规律对城市化的影响分析[J].兴义民族师范学院学报,2010,(2):8-11.

Wang G Y.Analysis is the effects of the land law of diminishing returns on the urbanization[J].Journal of Xingyi Normal University for Nationalities, 2011,(4):122-126.

[20] 杨艳昭,封志明,赵延德,等.中国城市土地扩张与人口增长协调性研究[J].地理研究,2013,(9):1668-1678.

Yang Y Z, Feng Z M, Zhao Y D, et al.Coordination between urban land expansion and population growth in China[J].Geographical Research, 2013,(9):1668-1678.

[21] 刘志佳,黄河清.珠三角地区建设用地扩张与经济 人口变化之间相互作用的时空演变特征分析[J].资源科学,2015,(7):1394-1402.

Liu Z J, Huang H Q.Tempo-spatial characteristics of interactions among changes in built-up land, GDP and demography in the Pearl River Delta[J].Resources Science, 2015,(7):1394-1402.

[22] 肖池伟,刘影,李鹏,等.基于城市空间扩张与人口增长协调性的高铁新城研究[J].自然资源学报,2016,(9):1440-1451.

Xiao C W, Liu Y, Li P, et al.Evaluation of the High-speed rail new town based on coordination of urban spatial expansion and population growth[J].Journal of Natural Resources, 2016,(9):1440-1451.

[23] 杜忠潮,黄波,陈佳丽.关中—天水经济区城市群人口经济与资源环境发展耦合协调性分析[J].干旱区地理,2015,(1):135-147.

Du Z C, Huang B, Chen J L.Coordinating development of population economy and resources environment of the city group in Guangzhou-Tianshui[J].Arid Land Geography, 2015,(1):135-147.

[24] 朱春,吕芹.我国城市规模等级体系的探讨[J].社会科学,2001, (3):16-18.

Zhu C, Lü Q.Discussion on urban scale system in China[J].Journal of Social Sciences, 2001,(3):16-18.

[25] 黄季焜,朱莉芬,邓祥征.中国建设用地扩张的区域差异及其影响因素[J].中国科学(D辑:地球科学),2007,(9):1235-1241.

Huang J K, Zhu L F, Deng X Z.Regional differences of China's construction land expansion and its infuencing factors[J].Scientia Sinica (Terrae D), 2007,(9):1235-1241.

[26] 汪军,赵民,李新阳.我国规划建设用地新标准制定的思路探讨[J].城市规划,2012,(4):54-60.

Wang J, Zhao M, Li X Y.Discussion on ideas concerning formation of new planning standards of development land in China[J].City Planning Review, 2012,(4):54-60.

[27] 徐笑东,张占录,郑文兵,等.我国城市人均用地规模指标研究[J].中国软科学,1999,(8):22-24.

Xu X D, Zhang Z L, Zheng W B, et al.Study on index of per capita land use scale in cities of China[J].China Soft Science, 1999,(8):22-24.

Scale expansion and forecast analysis of built-up area in Urumqi municipal district

MU Fei-Xiang1, PU Chun-Ling1,2, LIU Xiang-Xin1
(1.School of Management, Xinjiang Agricultural University, Xinjiang Urumqi 830052, China; 2.Center for Economic and Social Development, Xinjiang Agricultural University, Xinjiang Urumqi 830052, China)

Through the construction of coordination area expansion and the development of society and economy analysis model of the city was built, based on the 2000 data of social economic development in 2015, calculate the area of Urumqi city built area coordination coeffcient of scale expansion and the economic and social development; build multivariate linear regression model, analysis of the relationship between Urumqi city and other built-up area scale social and economic index, and the city built in 2020 to forecast the size.The main conclusions are: The unit of land economic beneft in Urumqi City, the area of built-up area increased year by year, the growth rate of GDP was signifcantly higher than that of built-up area expansion, its development is in the stage of increasing returns of land, land investment is generally more reasonable; The Urumqi area of built-up area expansion and population growth the coordination degree is weak, the built-up area scale is in a phase of rapid expansion; Through the analysis of two different prediction models of the practical application results show that the BP neural network model to predict the more effective, the fnal forecast to 2020 Urumqi City area of built-up area will reach 523.8287km2.

built-up area; scale expansion; economic social development; harmony analysis; construction land; beneft evaluation; multiple regression; BP neural network

F293.22

A

2095-1329(2017)03-0030-06

10.3969/j.issn.2095-1329.2017.03.007

2017-04-09

修回日期: 2017-06-09

穆飞翔(1990-),男,硕士生,研究方向为土地资源可持续利用与区域经济.

电子邮箱: 1299587793@qq.com

联系电话: 13209901371

国家社会科学基金项目“西部‘矿农复合区’非自愿移民搬迁安置及管控机制研究”(14XGL005)

*通讯作者: 蒲春玲(教授/博导): puchunling@163.com