城市建設用地需求預測方法研究

羅玲香

摘 要 本文以城市建設用地需求量預測為研究對象，對多種預測方法進行比較分析，選取合適研究區(qū)建設用地的預測方法。本研究選擇湖南省長沙市城市建設用地需求量預測作為實例，文中結合1996—2013年研究區(qū)的經(jīng)濟社會發(fā)展統(tǒng)計資料和土地利用的時空變化數(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)絡模型，并借助了SPSS、Excel、Matlab等軟件對長沙市建設用地需求量進行預測，并將所得預測結果進行比較分析，優(yōu)化預測方法，得出RBF神經(jīng)網(wǎng)絡模型的預測精度最高。此外，通過預測值與規(guī)劃值的比較分析，可知長沙市建設用地增長速度過快，應加強城市內涵挖掘，對城市土地利用及其規(guī)劃制定具有一定的科學指導意義。

關鍵詞 建設用地；多元線性回歸；RBF神經(jīng)網(wǎng)絡

中圖分類號：F301.23 文獻標識碼：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

建設用地是經(jīng)濟社會活動的重要基礎，建設用地規(guī)模變化與經(jīng)濟社會發(fā)展有著密切的關系，但同時土地是一種經(jīng)濟供給有限的稀缺資源，建設用地的過度擴張必然影響到其他地類，尤其是耕地的數(shù)量。近年城市擴張速度過快，且多以外延擴張為主，集約程度較差，閑置土地、違法用地較為嚴重。建設用地的難以逆轉性決定了在土地利用的過程中，必須采取科學預測和合理規(guī)劃的手段來協(xié)調土地的有限供應，既能滿足當代人類社會經(jīng)濟發(fā)展的正常需求，又控制了建設用地的無序擴張。

目前我國部分地區(qū)土地利用總體規(guī)劃中所測算的建設用地面積與實際用地的情況存在一定的偏差，無法適用于當?shù)氐慕?jīng)濟社會發(fā)展狀況，導致預測的參考意義下降。如何提高建設用地需求量的預測精度，將預測區(qū)的實際情況與合適的預測方法緊密結合無疑是值得關注的問題。本文是在結合長沙市現(xiàn)狀以及上一輪土地利用總體規(guī)劃情況，深入研究長沙市建設用地的供需矛盾，選擇最適合長沙市建設用地需求量預測研究的預測方法進行預測，對嚴控制新增建設用地，優(yōu)化建設用地布局，推進節(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

目前關于研究建設用地的需求量的預測多種多樣，國內的研究一般是與土地利用規(guī)劃相結合在一起的。2012年，李波以杭州市為例，運用衛(wèi)星遙感技術和GIS空間分析方法，以遙感空間信息提取、城巿建設用地擴展的景觀格局分析及其時空演化、驅動機制和模型模擬預測為主軸線，開展了從1985年到2010年杭州巿城巿建設用地擴展的遙感監(jiān)測及其動力學模擬研究。2013年，張曉瑞以合肥市建成區(qū)面積預測為例，構建了基于RBF網(wǎng)絡的預測模型，作為對比，同時用BP神經(jīng)網(wǎng)絡、一元線性回歸和多元線性回歸模型進行了預測[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)絡模型相結合的建設用地需求預測方法[2] 。在國外，建設用地需求量預測研究主要集中在對城市規(guī)模擴展研究的相關研究上[3] ；國外城市建設用地規(guī)模擴展研究又集中于城市建設用地合理規(guī)模和結構的研究。

2.2 研究技術思路

本文以長沙市建設用地為研究區(qū)域，根據(jù)長沙市土地利用總體規(guī)劃修編的情況，建立建設用地需求量預測模型對長建設用地需求量進行預測，技術路線如圖1：

3 影響因素與研究模型

3.1影響因素分析

本文的土地數(shù)據(jù)來源于湖南省統(tǒng)計數(shù)據(jù)（1996-2013），長沙市統(tǒng)計年鑒（1996-2013），長沙市土地變更數(shù)據(jù)，相關的經(jīng)濟社會統(tǒng)計數(shù)據(jù)來源于長沙市國民經(jīng)濟和社會發(fā)展統(tǒng)計公報（1996-2013）。

主要采用社會、經(jīng)濟指標對長沙市的建設用地需求量進行相關性分析說明。在考慮數(shù)據(jù)資料的可靠性和可獲得性的基礎上，結合長沙市實際情況，選取影響建設用地擴張的6個指標：X1-GDP（萬元），X2-總人口（萬人），X3-二三產(chǎn)業(yè)值（萬元），X4-固定資產(chǎn)投資（萬元），X5-城鎮(zhèn)化率（%），X6-社會消費品零售總額（萬元），Y-建設用地面積（千公頃）。通過相關性分析可知：X4-固定資產(chǎn)投資的相關系數(shù)最大，與長沙市建設用地量的變化關系最為密切，符合當?shù)噩F(xiàn)狀。

3.2 預測模型的研究

3.2.1 多元回歸模型

建設用地規(guī)模變化是受社會經(jīng)濟、人口和國家政策等多種因素共同作用的結果，因此多元線性回歸模型適用于建設用地的預測。多元線性回歸的數(shù)學模型為：

其中：y為因變量，x為自變量，n為自變量的個數(shù)，然后進行統(tǒng)計檢驗和模型的優(yōu)化和修正。

3.2.2 灰色系統(tǒng)GM（1，1）模型

灰色預測模型不僅適用樣本數(shù)量較少，波動較大的數(shù)列，而且淡化了多元灰色因素的干擾積累，預測效果較好。針對長沙市建設用地資料時序短，波動變化較大，我們嘗試采用灰色序列GM（1，1）模型來進行預測。GM（1，1）模型為：

3.2.3 RBF神經(jīng)網(wǎng)絡模型

人工神經(jīng)網(wǎng)絡（Artificial Neural Network，ANN）是人工智能研究的一個前沿領域和應用熱點，在諸多領域都有廣泛的應用。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。RBF神經(jīng)網(wǎng)絡有較高的運算速度和很強的非線性映射功能，能以任意精度逼近任意連續(xù)函數(shù)，可以較好地揭示復雜非線性系統(tǒng)的實際結構[4]。步驟如下：（1）對原始數(shù)據(jù)進行均一化處理。[Y，PS]=mapninmax（x）。（2）建立RBF網(wǎng)絡訓練樣本的輸入、輸出向量。其中，以X1-X6為輸入層神經(jīng)元，建設用地面積Y為輸出層神經(jīng)元。（3）調用函數(shù)newrb對訓練樣本數(shù)據(jù)進行訓練。（4）以1996-2013年的長沙市相關數(shù)據(jù)作為學習樣本，用newrb函數(shù)進行網(wǎng)絡訓練，再用訓練好的網(wǎng)絡對1997-2013年長沙市建設用地面積進行預測，與實際值進行對比。

4 實證研究

4.1 研究區(qū)概況

長沙市位于湖南省東部偏北，湘江下游和長瀏盆地西緣。其地域范圍為東經(jīng)111°53′～114°15′，北緯27°51′～28°41′，處于從湘中丘陵向濱湖平原的過渡地帶?！皷|鄰江西省宜春、萍鄉(xiāng)兩市，南接株洲、湘潭兩市，西連婁底、益陽兩市，北抵岳陽、益陽兩市?！本硟鹊孛差愋投鄻樱恋乜偯娣e1.1819萬平方公里，其中城區(qū)面積556平方公里。

4.2 多元回歸模型預測

根據(jù)以上的相關分析結果，利用6個影響因子量建立長沙市建設用地需求，構建的多元線性回歸模型為：

Y=121535.57+13.524*X4

把長沙市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%，可以用來進行建設用地預測。當X4=5424.65億元，模型預測長沙市2020年建設用地總量將達到194898.53公頃，比2013年的176488公頃高出18410.53公頃，預計這7年間，平均每年建設用地增加量為2630.08公頃。

4.3 灰色系統(tǒng)動態(tài) GM（1，1）模型預測

運用MATLAB7.0 進行計算，最后得到預測結果：

4.4 RBF神經(jīng)網(wǎng)絡

根據(jù)RBF神經(jīng)網(wǎng)絡1997-2013年建設用地實際值與預測值對比分析可知，該模型有-1.069 %到1.636%之間的預測誤差精度，平均誤差精度為0.36%，平均殘差 504.56公頃，說明RBF神經(jīng)網(wǎng)絡模型預測結果精度較高，根據(jù)圖2、圖3的輸出預測曲線，可以發(fā)現(xiàn)預測曲線與實際曲線的擬合效果很好，該模型適用于長沙市建設用地需求量預測。根據(jù)RBF神經(jīng)網(wǎng)絡模型預測可知，2020年長沙市建設用地面積預測值為188913.67公頃。

4.5 結果與分析

在本章中，我們通過實際值與三個模型的平均值誤差、均方誤差、相對誤差對各結果進行比較分析。

根據(jù)表2和圖4來看，RBF網(wǎng)絡的預測曲線與實際曲線達到基本重合；多元線性回歸模型的預測曲線在1997-2008年和實際曲線基本重合，2008-2011年預測曲線稍微偏離實際曲線，2011-2013年預測曲線遠高于實際值曲線；灰色模型的預測曲線和實際曲線偏差較大。RBF神經(jīng)網(wǎng)絡模型對應的平均誤差值0.36%、最大誤差值1.64%，誤差最小。綜上，RBF神經(jīng)網(wǎng)絡模型的預測精度最高，其次為多元線性回歸模型，灰色GM（1，1）模型最差。由此可得出結論：RBF神經(jīng)網(wǎng)絡模型預測精度較高，模擬擬合情況良好，相對誤差穩(wěn)定，較合適對城市建設用地規(guī)模進行長期預測。長沙市的城市建設用地預測值超過城市規(guī)劃建設用地計劃目標量，模擬預測數(shù)值偏大。

5 結論

本文在參考大量方法研究的基礎上，借助SPSS，Excal和Matlb軟件構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)絡模型，并進行優(yōu)化修正，將模型應用于長沙市建設用地需求量的預測。其中，預測精度最好的為RBF神經(jīng)網(wǎng)絡模型，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測誤差精度為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；預測精度最差的為灰色系統(tǒng) GM（1，1）預測模型，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。

通過對三種預測方法預測值精度的比較，可以看出RBF神經(jīng)網(wǎng)絡模型的預測精度均遠高于多元線性回歸模型及灰色GM（1，1）模型預測精度，能夠較為科學地反映建設用地的實際需求；多元線性回歸模型的精度較高，能夠對建設用地需求量的預測提供一定的參考意義，但前提是需要掌握盡量詳實的研究區(qū)基礎數(shù)據(jù)，要在的變化過程中盡量使其他因素保持穩(wěn)定一致；而由于灰色預測模型只是根據(jù)建設用地規(guī)模本身的時間序列變化進行預測，忽略了政策、社會等影響因素，導致灰色系統(tǒng) GM（1，1）預測的效果不理想，只能反映一種變化趨勢。

根據(jù)《長沙市土地利用總體規(guī)劃》（2006-2020）可知，長沙市2020年建設用地計劃數(shù)量值為183527.29公頃，而根據(jù)三個模型的預測值均遠遠超過計劃數(shù)量值。由此可見，長沙市在建設用地的管控上采取了相關措施，加強了集約節(jié)約用地水平。此外，模擬預測數(shù)值與實際值差別較大，更多是受到用地政策、調控手段的影響。目前長沙市對于建設用地的使用，已經(jīng)從簡單盲目的外延擴大、虛假城市化轉向了內涵挖掘、集約節(jié)約利用土地的道路，城市的發(fā)展更加于注重內涵挖掘，促使粗放經(jīng)濟轉向集約型經(jīng)濟，從而優(yōu)化城市土地利用和空間布局，嚴格避讓優(yōu)質耕地和重要的生態(tài)環(huán)境用地。

參考文獻/References

[1] 張曉瑞，方創(chuàng)琳，王振波.基于RBF神經(jīng)網(wǎng)絡的城市建成區(qū)面積預測研究—兼與BP神經(jīng)網(wǎng)絡和線性回歸對比分析[J].長江流域資源與環(huán)境.2013，22（6）.

[2] 謝汀，伍文，鄧良基等.基于PCA-RBF神經(jīng)網(wǎng)絡的成都市建設用地需求預測[J].西南大學學報，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)絡的成都市城鎮(zhèn)建設用地需求預測[J].資源科學.2014，36（6）：1220-1228.