基于BP人工神经网络的开发区土地集约利用评价——以福建省为例

欧照铿, 唐南奇, 张黎明

(福建农林大学资源与环境学院,福建 福州 350002)

基于BP人工神经网络的开发区土地集约利用评价
——以福建省为例

欧照铿, 唐南奇, 张黎明

(福建农林大学资源与环境学院,福建 福州 350002)

以福建省81个开发区为研究对象,在Matlab R2011a支持下,运用BP人工神经网络技术建立评价模型,实现开发区土地集约利用评价,并提出相关政策建议.结果表明:(1)84.31%样本的评价测算结果相对误差绝对值≤5%,评价结果精度较高；(2)福建省开发区土地集约利用程度总体水平不高,各地市开发区土地集约利用程度存在空间差异，在空间分布上具有沿海高、内陆低特点；(3)开发区土地集约利用程度与经济发展水平无显著相关性.

BP人工神经网络; 土地集约利用; 开发区; 福建省

开发区作为现代工业的聚集地,是推动地区产业升级、区域发展的推动器和科技创新基地,是城市发展和土地利用的重点区域.但在开发区土地利用过程中,由于缺乏适当的产业规划和政策导向,不同程度地存在着功能定位不清、结构趋同、土地利用率不高、财力物力分散、建设自成一体等弊端,规模效应、集聚效应均未能得到充分体现[1].因此对开发区进行土地集约利用评价,可为解决开发区土地利用问题提供科学依据.目前,开发区土地集约利用评价体系的建立主要是通过构建递阶层次结构[2],采用特尔斐法、因素成对对比法和层次分析法等确定权重以及估算理想值等环节[3-7],并据此对开发区土地集约利用程度进行评判.由于地域差异性和开发区发展定位的不同,不同地区的开发区评价所确定的评价指标体系各不相同,且评价方法都不同程度地受到人为主观因素的影响,从而影响开发区评价结果的可比性和准确性[8].本文探讨应用BP人工神经网络技术建立指标体系和评价模型,以减弱评价过程中主观因素的影响,体现评价过程的客观性和评价结果的可比性.

1 数据的采集与分类

采集福建省开发区样本数据，共81个,占开发区总数的87.1%.其中国家级开发区19个,省级开发区62个.样本总面积51586.32 hm2,占开发区总面积的88.12%.评价时间为2011年12月31日.将81个样本数据分为2类.第1类：从福建省81个开发区中随机选取30个开发区作为本研究人工神经网络建模训练样本,每个样本包括13项评价指标.第2类：为余下的51个待评价开发区,用于对已建好的人工神经网络评价模型的实用性进行验证.上述数据主要参考2012年福建省开发区土地集约利用评价成果,不仅包括13项评价指标,还包括开发区土地集约利用集约度分值.采用第1类样本数据对BP人工神经网络模型进行训练和测试,并将第2类数据代入模型,对51个开发区的土地集约利用集约度进行评价.

2 BP人工神经网络原理和评价流程

人工神经网络(artificial neural networks, ANN)是模拟生物神经网络进行信息处理的一种数学模型,基于大脑生理研究成果来模拟大脑的某些机理与机制,实现一些特定的功能.与传统的数学方法相比,ANN具有强大的处理非线性关系的能力,被广泛应用于模式信息处理与模式识别、最优化问题计算、复杂控制、信号处理及预测等方面[9-10].

选取的BP网络是前向多层网络,它利用误差的反向传播算法对网络进行训练,是目前应用最广、最具代表性的神经网络学习算法.BP网络除输入节点和输出节点外,具有一层或多层隐层节点,且同层节点间没有耦合关系.在BP网络中,信号从输入层节点输入,经过各隐层节点,最后传到输出节点,其中每一层节点的输出只影响下一层的输出.因此BP网络可以看作一个从输入到输出的非线性映射,其函数表达为

F：Rn→Rm,f(X)=Y[11].

3 BP神经网络评价模型的构建

3.1 BP神经网络结构的设计

3.1.1 确定网络层数 在BP人工神经网络拓扑结构中,输入层与输出层是必须具备的,因而隐含层层数是确定网络层数的关键,隐含层层数选择的恰当与否直接影响到网络性能的优劣.研究[12]结果表明,对任何在闭区间内的1个连续函数都可以用1个3层BP网络(即含1个输入层、1个隐含层、1个输出层)逼近,因此,3层BP网络就可以完成任意的n维到m维的映射,故将BP网络设计为3层.

3.1.2 确定网络各层的神经元数 评价指标体系的构建是开发区土地集约利用评价工作的核心.为保证科学合理性和实际操作性,采用文献[2]中的13个评价指标作为BP神经网络的输入层神经元，即土地供应率A1、土地建成率A2、工业用地率A3、综合容积率A4、建筑密度A5、工业用地综合容积率A6、工业用地建筑密度A7、工业用地固定资产投入强度A8、工业用地产出强度A9、到期项目用地处置率A10、闲置土地处置率A11、土地有偿使用率A12、土地招拍挂率A13.根据Kolmogorov定理,对于3层的非线性的神经元,其隐含层的神经元数目至少需要2n/3个(n为输入层神经元的数目).BP网络的输出层设计为一个神经元,即开发区土地集约利用程度的集约度分值.

3.1.3 数据标准化处理 为了消除部分评价指标量纲对BP网络性能产生的影响,需对原始数据进行标准化处理,建立统一的综合评价网络,提高评价精度.正效应指标与负效应指标分别采用极差标准化,即

3.1.4 BP神经网络的训练与测试 以基于Matlab自主开发的BP神经网络程序作为网络训练工具,其中BP神经网络采用Levenberg-Marquart算法进行训练,激活函数为Sigmoid().随机抽取30个样本作为训练数据,将输入矩阵X与输出矩阵R分别导入建立好的人工神经网络,并设置相应的参数,对BP人工神经网络进行训练.经过10次训练后,网络收敛,最终的均方差为9.2412×10-12.为检验所建立BP网络,对第1类样本的评价结果与实际集约度分值进行对比和精度检测,结果如表1所示.测试的30个样本残差绝对值均小于10-4,符合研究所需的精度要求,可对数据进行评价.

表1 BP网络测试结果Table 1 The test results of BP network

3.2 BP人工神经网络的应用

采用通过训练及精度检测的BP人工神经网络对51个待评价样本进行土地利用集约度测算，结果见表2.从表2可看出：相对误差绝对值≤5%的样本有43个,占84.31%；相对误差为5.1%-10%的样本有5个,占9.8%；相对误差为10.1%-15.5%的样本有3个,占5.88%.

4 评价结果

4.1 福建省开发区土地集约利用程度

从表3、4可以看出,开发区研究样本中土地利用集约度分值大于0.8的有8个,占采集样本总数的9.88%,此类开发区土地属于集约利用；土地利用集约度分值小于0.6的有19个,占采集样本总数的23.45%,此类开发区土地集约利用水平不高,存在土地利用方式粗放、用地效益低等问题；土地集约度分值在0.6-0.8的开发区有54个,占采集样本总数的66.67%.从总体上看,参评开发区土地集约用地水平不高,开发区平均集约度分值为0.6786.从评价的单项指标看,开发区土地利用管理绩效现状比较理想,全部开发区均达到100%,无到期未处置用地和闲置土地.此外,土地供应市场化程度也达到了较高水平，表明在开发区土地管理工作中严格遵守土地管理相关规定.但开发区平均供应率为88.45%,土地建成率为88.1%,建筑密度为32.25%,工业用地建筑系数为47.7%,与理想值相比还有一定差距,表明开发区在土地利用方式方面还有较大的提升空间.

4.2 各地市开发区土地集约利用程度

根据采集的样本数据，并结合评价结果，利用ArcGIS中的专题地图制作工具对福建省开发区土地集约利用程度划分等级，结果见图1.从表4可知：厦门市开发区土地集约利用程度最高,平均分值为0.7419；三明市开发区土地集约利用程度最低,平均集约度为0.5836.厦门市作为经济特区,成立较早,发展较快,平均工业用地固定资产投入为4116.78万元·hm-2,工业用地产出为9976.01万元·hm-2,土地利用经济效益较高；三明市拥有9个省级开发区,平均工业用地固定资产投入1540.94万元·hm-2,工业用地产出2615.49万元·hm-2,土地利用效益处于较低水平.

表2 开发区土地利用集约度预测Table 2 Prediction of intensive land use

表3 福建省开发区集约度分值Table 3 The evaluation result of land intensive use in development zone of Fujian Province

表4 福建省开发区部分评价指标1)Table 4 The part of evaluation indicators in development zone of Fujian Province

1)A1、A2、A5、A7、A8、A9、R分别表示平均土地供应率、土地建成率、建筑密度、工业用地建筑系数、工业用地投入强度、工业用地产出强度、集约度分值.

从空间分布上看,东部沿海地市如厦门、莆田和宁德以及处于闽西的龙岩市开发区平均集约利用水平较高；同处于沿海地区的福州、泉州、漳州、南平开发区平均集约度处于同一水平,集约度分值为0.65-0.69;处于闽中的三明开发区平均集约度最低,仅为0.5836.但从总体上看,沿海地市开发区的平均集约度水平略高于内陆山区如南平、三明和龙岩，开发区土地集约利用程度在空间分布上具有沿海高、内陆低的特征.

图1 福建省开发区土地集约利用程度空间分布图Fig.1 Directional distribution of the land intensive use in development zone of Fujian Province

开发区土地集约度的空间差异与开发区内部的产业结构和发展方向具有密切联系.福建省东部沿海地带如福州、泉州开发区以纺织、制鞋、冶金机械等劳动密集型制造业作为支柱产业,虽然这些产业投入高、产出高,但是这些产业用地需求量较大,土地利用状况指标相对较低,开发区整体土地利用集约度有待进一步提高.而厦门、宁德、莆田开发区以生物医药、电子信息通信、制造业等科技含量高、经济效益大、对土地需求小的产业为主,土地利用的集约水平较高.龙岩、南平、漳州开发区以机械电子、农副产品加工等为主导产业,虽然与沿海地区产业相比,经济效益较低,但是由于其土地建成率和工业用地率都达到较高水平,因此土地利用集约度相对较高.三明市处于福建省中部地区,其开发区的土地利用集约度处于全省最低水平，主要原因是：(1)开发区设立时间较晚,入园企业较少,园区目前仍主要处于基础设施建设阶段,土地开发率较低,土地利用状况指标较低；(2)开发区以仓储物流、轻工产业、林产品加工等为主导产业,土地利用的经济效益较低且利用也相对粗放；(3) 部分开发区由于历史原因造成园内居住用地特别是农村居民点搬迁存在操作上的困难,造成住宅等非生产性用地偏多.综上所述,对于集约利用度较低的地区来说,加快地区经济发展和产业结构转型升级是提高开发区土地集约度的有效措施.

4.3 开发区土地集约度与经济发展水平的相关性

对开发区土地利用集约度与国内生产总值进行相关性分析,结果表明相关系数R2仅为0.0098, 两者无显著相关性.从图2可看出，福州、泉州2个沿海城市是福建省经济较发达的城市,但是其开发区的土地集约利用平均水平却不高；而福建省经济欠发达城市如南平、宁德、龙岩的开发区土地集约利用平均值却较高；厦门开发区土地集约利用平均水平位于全省最高，达0.7419.说明地区经济发展水平的高低对福建省开发区土地集约度并不起主导作用.造成这一现象的主要原因是福州和泉州的开发区多以用地需求大的产业作为主导产业，从而其土地利用状况指标值较低，整体上拉低了这2个地区开发区的集约度分值.厦门虽作为福建省唯一的经济特区，但其土地面积最小，只能通过增加资金、劳动的投入来提升土地的经济产出，从其开发区在土地利用投入和产出方面可以看出该市开发区的建设和管理较成熟，因此其开发区的土地集约度较高.

图2 各地市国内生产总值开发区土地集约度的比较Fig.2 The comparison between gross domestic product in cities and land intensive use in development zone

5 小结

本文基于Matlab R2011a平台,建立BP人工神经网络开发区评价模型，对福建省81个开发区进行评价.结果表明:(1)84.31%样本的评价测算结果相对误差绝对值≤5%，表明评价模型对开发区集约度测算精度和可信度较高；(2)福建省开发区土地集约度总体水平不高,66.67%的开发区土地利用集约度分值为0.6-0.8，且各地市开发区土地集约利用程度存在空间差异；(3)开发区土地集约利用程度与经济发展水平无显著相关性，两者相关系数R2仅为0.0098.

[1] 王梅,曲福田.昆山开发区企业土地集约利用评价指标构建与应用研究[J].中国土地科学,2004,18(6):22-27.

[2] 中华人民共和国国土资源部.TD/T 1029-2010,开发区土地集约利用评价规程[S].北京:中国标准出版社,2010.

[3] 牛星,欧名豪.青岛市开发区土地集约利用评价与研究[J].中国农业资源与区划,2007,28(5):47-51.

[4] 党青,林先成,周介铭.开发区土地集约利用评价——以四川省达州市经济开发区评价为例[J].中国国土资源经济,2010(1):40-56.

[5] 谢正观,郑仰阳.开发区土地集约利用评价研究——以厦门市海沧台商投资区为例[J].中国人口·资源与环境,2011,21(3):393-396.

[6] 李克龙,范英莉,余素勋,等.浅谈开发区土地集约利用评价方法初探——以哈尔滨平房汽车零部件产业园区土地集约利用评价为例[J].国土与自然资源研究,2012(1):50-52.

[7] 尤广然,王红梅.梅州市五华经济开发区土地集约利用评价研究[J].现代农业科技,2011(3):391-393.

[8] 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,2011,30(4):122-126.

[9] 李双成,郑度.人工神经网络模型在地学研究中的应用进展[J].地球科学发展,2003,18(1):68-78.

[10] 唐南奇,谭明军.基于人工神经网络农用地分等研究Ⅰ.分等模型与精度检测[J].福建农林大学学报:自然科学版,2004,33(2):241-244.

[11] 王磊,王羊,蔡运龙.土地利用变化的ANN-CA模拟研究——以西南喀斯特地区猫跳河流域为例[J].北京大学学报:自然科学版,2012,48(1):116-122.

[12] 杨建刚.人工神经网络实用教程[M].杭州:浙江大学出版社,2001:23-24.

(责任编辑:叶济蓉)

Evaluation of intensive land use in development zone based on BP artificial neural network—a case of Fujian Province

OU Zhao-keng, TANG Nan-qi, ZHANG Li-ming

(College of Resource and Environment, Fujian Agriculture and Forestry University, Fuzhou, Fujian 350002, China)

A new way of improving the intensity of those development zones in Fujian was explored based on a evaluation model built by BP artificial neural network in support of Matlab R2011a. The results were as follows: (1) The development zones， with the absolute relative error of evaluation intensity less than 5%， accounted for 84.31%, the accuracy of evaluation was high; (2) The intensity of those development zones in Fujian were mostly in low level, and the intensity of development zones in different cities existed spatial differences, the intensity in east coast was high, the intensity inland was low; (3) The intensity was not associated with economic development in these cities and the correlative coefficient was low.

BP artificial neural network; intensive land use; development zone; Fujian Province

2013-09-04

2014-04-12

国家自然科学基金资助项目(41001126)；福建省自然科学基金资助项目(2010J05090).

欧照铿(1988-),男,硕士研究生.研究方向：土地资源利用与评价.通讯作者唐南奇(1955-),男,教授.研究方向:土地资源利用与评价.

F301.24

A

1671-5470(2014)04-0424-06