基于GA-BP神经网络的郑州市土地集约利用时空差异分析

叶 菁，谢巧巧，胡 君

（中国地质大学（武汉）土地资源管理系，武汉 ４３００７４）

摘要：对河南省郑州市２００８－２０１２年城市发展状况进行分析，从土地投入强度、土地利用强度、土地利用效益及生态环境４个方面选取１３个指标构建土地集约利用评价体系，采用ＧＡ－ＢＰ网络模型，评价５年内郑州市土地集约利用水平。结果表明：１）ＧＡ—ＢＰ网络能够提高网络收敛速度，优化网络结构，算法具有有效性；２）郑州市近五年来土地集约利用水平处于不断上升阶段，其中市区城市土地集约度分值分别为０．６１０ ７，０．６４４ ３，０．６６１ ８，０．７０１ ２，０．７０５ ８；中心城区、县级市和开发区土地集约利用水平有一定差距，但都有不同程度的提高，需要根据各地区情况，合理规划，进行土地资源利用挖潜。

教育期刊网 http://www.jyqkw.com
关键词 ：土地集约利用；遗传算法；神经网络；郑州市

中图分类号：Ｆ２９３．２文献标识码：A文章编号：0439－８114（２０15）05－1270-06

ＤＯＩ：１０．１４０８８／ｊ．ｃｎｋｉ．ｉｓｓｎ０４３９－８１１４．２０１５．０５．０59

收稿日期：２０１４－１２－１６

基金项目：国家社科基金项目（１４ＢＪＹ０５７）；中央高校基本科研业务费专项资金项目（ＣＵＧＬ１２０２６１）

作者简介：叶 菁（１９７７－），女，湖北武汉人，博士，主要从事土地资源调查与评价研究和教学，（电话）１３０７１２９０１０２（电子信箱）ｙｅｊｉｎｇｃｕｇ＠ｃｕｇ．ｅｄｕ．ｃｎ。

新型城镇化建设的目标是建立资源节约、环境友好、经济高效、社会和谐、大中小城市和小城镇协调发展的城镇［１］，实现城乡可持续发展，这表明现阶段中国城镇化发展需要由速度扩张向质量提升“转型”，对现有城乡建设用地的存量用地进行优化与挖掘，在有限的土地上优化城市布局，提高土地资源配置效率，提升城镇用地集约利用水平。

目前中国城镇土地集约利用水平定量化工作多采用综合评价方法，利用多因素综合评价模型、主成分分析模型、模糊综合评价模型、理想值修正模型等，构建评价指标体系，采用层次分析法、特尔斐法等确定指标权重，以各指标值的线性权重值确定土地利用集约度，实质是找出多个评价指标与土地利用集约度间的关系。其前提是假设两者间存在线性关系，但实际上两者间的映射不完全为线性，这种假设将导致评价结果的客观性降低。而反向传播神经网络（Ｂａｃｋ－Ｐｒｏｐａｇａｔｉｏｎ ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ，ＢＰ网络）具有非线性映射能力，只要有足够的训练样本就可以完成由ｎ维输入空间到ｍ维输出空间的非线性映射，能够在一定程度上消除主观判断对最终结果的误导，已经成为土地集约利用定量化评价的重要手段之一［2－５］。但它本身也存在不足，如学习收敛速度较慢，网络节点难以确定等问题。本研究尝试采用遗传算法改进ＢＰ网络系统，优化评价模型中的网络结构，客观分析研究区在新型城镇化发展背景下的土地集约利用状况。

１ ＧＡ－ＢＰ网络算法

１．１ ＢＰ神经网络

任何一个在闭区间内的连续函数都可以用１个３层ＢＰ网络（包含１个输入层、１个隐含层、１个输出层）逼近［６］。其学习过程由信号的正向传播与误差的逆向传播两个过程组成。正向传播过程中，先将输入样本导入输入层，经过隐含层的处理后导向输出层。如果输出信号与期望信号不符，即误差不在可允许范围之内，则转入误差的反向传播过程，将输出误差以某种形式反馈到隐含层，再传向输入层，通过误差的反传，将误差分摊给各层所有单元，从而获得各层单元的误差信号，修正权值。权值不断调整的过程，也就是网络的学习训练过程。多次反复进行此过程，直到网络的输出值与期望值之间的误差达到要求，或者进行到预先设定的学习次数为止。

１．２ 遗传算法（Ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍｓ，ＧＡ）

遗传算法主要包括３个要素：染色体表示、适应度函数确定、遗传操作。算法先随机产生若干个要求解问题的数字编码（染色体），形成初始种群；通过适应度函数对每个个体进行评价，剔除适应度低的个体，对适应度高的个体进行遗传操作形成新的种群，再继续对新种群进行新一轮的进化。算法终止有３类情况：完成预先给定的进化代数后可以停止；种群中的最优个体在连续多代没有进化或平均适应度在连续多代基本没有进化时停止；问题最优解达到某一事先确定好的精度时停止。

１．３ 基于ＧＡ的ＢＰ优化

神经网络的结构包括网络的连接方式和节点转换函数两部分。当ＢＰ网络结构确定之后，神经网络才开始连接权的进化。因此，良好的神经网络结构设计是神经网络应用的关键性问题。对于给定问题，如果仅有很少连接权和隐节点，则神经网络的处理能力有限；但如果连接权和隐节点过多，网络处理对数据的选择性与响应不足，泛化能力较差。目前常规ＢＰ网络多采用凑试法、增购法等进行结构设计，主观性较强。同时，ＢＰ的网络输入和权值矩阵决定了最终输出值，因此，网络误差可以表示为由网络输入、期望输出和连接权值空间组成的误差曲面，其全局最小误差不惟一，在某些初始条件下算法结果将陷入局部极小点。而且，网络学习训练过程中的误差反传在相关数据庞大、非线性关系复杂的条件下，将导致算法收敛速度过慢，难以达到预期目标。

与之相比，ＧＡ算法采用多点搜索，具有较好的全局搜索性，可以减少ＢＰ网络对初始权值的敏感性，降低陷入局部优解的概率；同时，ＧＡ算法不要求误差函数的可微分性，因此在误差函数中根据实际增加某些惩罚项，保证概率规则在解空间搜索优化解区域，优化网络结构和连接权系数，搜索效率较优。

本研究采用遗传算法优化３层ＢＰ网络连接权和拓扑结构：先用遗传算法在随机点通过选择交叉变异操作优化出初始值，并将此值作为ＢＰ神经网络算法的初始权值，根据此权值由ＢＰ神经网络对输入数据进行训练操作，得到最终结果。算法描述如下：①初始化种群（取５０），包括交叉概率，高斯变异概率以及对权值和连接权初始化；②计算个体适应度并排序；③以交叉概率对相邻个体进行交叉操作，产生新的相邻个体；④利用高斯变异使个体发生变异，产生新个体；⑤把新个体放至种群内求出新个体的评价函数；⑥计算ＢＰ神经网络的误差平方和，若达到预定值，转至⑦，否则转到③并继续执行之后的操作；⑦采用遗传算法优化后的值作为初始权值，加入到ＢＰ神经网络算法之中进行训练，直到满足规定的精度。

２ 郑州市城镇化发展概况

郑州市地处黄河中下游，处于伏牛山脉东北翼向黄淮平原过渡的交接地带，地理坐标为东经１１２°４２′—１１４°１４′、北纬３４°１６′—３４°５８′，东接开封，西依洛阳，北临黄河与新乡、焦作相望，南部与许昌、平顶山接壤。

郑州市是中原经济区的核心增长区，构建统筹城乡的新型城镇化支撑体系，把城镇化发展作为中原经济区建设的关键举措是《中原经济区建设纲要》的重要内容之一。在此背景下，郑州市土地资源配置格局发生了巨大变化。２０００年以前城市建设用地主要沿主城区向四周扩散。２０００年后相继建设开发了面积为１５ ０００ ｈｍ２的郑东新区、总规划面积１８ ６００ ｈｍ２的高新技术开发区及总规划面积为１ ２５０ ｈｍ２的经济技术开发区。截止到２０１３年末，郑州市辖６个市辖区（中原区、二七区、金水区、惠济区、管城区、上街区）、５个县级市（巩义市、新郑市、登封市、新密市、荥阳市）、１个县（中牟县），另设省级新区郑州新区、１个国家级高新技术产业开发区、１个国家级经济技术开发区、１个国家级综合保税区、１个国家级航空经济综合实验区。规划面积１７０ ０００ ｈｍ２，市区面积为１０１ ０３０ ｈｍ２，市区人口４７２．８万人，城区人口３１６．６６万人，建成区面积３７ ２９６．３ ｈｍ２，城市建设用地３３ ５３８ ｈｍ２，居住用地８ ６５４ ｈｍ２，公共服务设施用地５ ０３５ ｈｍ２，商服用地１ ２２１ ｈｍ２，工业用地３ ０３１ ｈｍ２，仓储用地１ ３６５ ｈｍ２，道路交通用地５ ９５３ ｈｍ２，公共设施用地１ ３５６ ｈｍ２，绿地面积６ ９２３ ｈｍ２。

３ 基于ＧＡ－ＢＰ网络的城市土地集约利用评价实例

３．１ 城市土地集约利用评价的指标体系

城市土地系统是一个动态的、区域性的系统，目前为止还不存在一个适合所有城市土地集约利用评价的统一标准。本研究在参考相关研究成果和基础理论指导下［７－１３］，综合考虑指标的可获取性与独立性，结合现有城镇化发展评价的相关指标，从土地投入强度、土地利用强度、土地利用效益及生态环境４个方面构建包括１３个指标的评价指标体系。土地投入强度包括地均固定资产投入（ｑ１）、地均基本建设投资（ｑ２）、每万人拥有公共汽车数（ｑ３）、人均拥有道路面积（ｑ４）４个指标，土地利用强度包括人口密度（ｑ５）、人均建设用地面积（ｑ６）、城市平均容积率（ｑ７）３个指标，土地利用效益包括人均ＧＤＰ（ｑ８）、地均工业产值（ｑ９）、地均社会消费品零售额（ｑ１０）３个指标，生态环境包括万元ＧＤＰ能耗（ｑ１１）、人均公共绿地面积（ｑ１２）和工业二氧化硫排放量（ｑ１３）３个指标。

３．２ 城市土地集约利用评价等级划分

参照《中国城市建设统计年鉴》（２００９－２０１３）、《中国统计年鉴》（２００９－２０１３）、《河南统计年鉴》（２００９－２０１３），《郑州市统计年鉴》（２００９－２０１２），郑州市各区经济公报，以及《城市用地分类与规划建设用地标准（ＧＢＪ１３７－９０）》等相关资料，确定城市土地过度利用、集约利用、适度利用、低度利用的评价标准（表１）。

参考与郑州市经济发展水平相近、城市规模相当的１０个城市土地利用相关指标值，建立评价指标分级标准（表２）。

对原始数据采用极差化法进行数据无量纲化处理，并采用线性内插法得到训练数据，部分训练数据见表３。

３．３ ＧＡ－ＢＰ神经网络模型的实现

采用ＭＡＴＬＡＢ（ｒ２００９ａ版）实现ＧＡ－ＢＰ网络模型的搭建。在ＭＡＴＬＡＢ中，用ＮＥＷＦＦ函数确定网络层数、每层中的神经元数和传递函数；调用ＩＮＩＴ函数，用缺省参数初始化网络中各个权重和偏置量，产生一个可训练的前馈网络，即该函数的返回值ＮＥＴ。主要参数设置如下：ｎｅｔ．ｔｒａｉｎＰａｒａｍ．ｓｈｏｗ＝１０；（训练显示间隔），ｎｅｔ．ｔｒａｉｎＰａｒａｍ．ｅｐｏｃｈｓ＝２０００；（最大训练次数），ｎｅｔ．ｔｒａｉｎＰａｒａｍ．ｇｏａｌ＝１．０ｅ－１６；（收敛误差界值），ｎｅｔ．ｔｒａｉｎＰａｒａｍ．ｍｉｎ＿ｇｒａｄ＝１ｅ－１０；（最小梯度），ｎｅｔ．ｔｒａｉｎＰａｒａｍ．ｌｒ＝０．１；（学习步长）

在ＭＡＴＬＡＢ中搭建ＧＡ－ＢＰ神经网络模型，主要代码如下：

Ｒ＝ｓｉｚｅ（ｐ，１）；

Ｓ２＝ｓｉｚｅ（ｔ，１）；

Ｓ＝Ｒ*Ｓ１＋Ｓ１*Ｓ２＋Ｓ１＋Ｓ２；

ａａ＝ｏｎｅｓ（Ｓ，１）*［－１，１］；

ｐｏｐｕ＝５０； ％ 种群规模

ｉｎｉｔＰｐｐ＝ｉｎｉｔｉａｌｉｚｅｇａ（ｐｏｐｕ，ａａ，＇ｇａｂｐＥｖａｌ＇）； ％ 初始化种群

ｇｅｎ＝１００； ％ 遗传代数

［ｘ，ｅｎｄＰｏｐ，ｂＰｏｐ，ｔｒａｃｅ］＝ｇａ（ａａ，＇ｇａｂｐＥｖａｌ＇，［］，ｉｎｉｔＰｐｐ，［１ｅ－６ １ １］，＇ｍａｘＧｅｎＴｅｒｍ＇，ｇｅｎ，．．．

＇ｎｏｒｍＧｅｏｍＳｅｌｅｃｔ＇，［０．０９］，［＇ａｒｉｔｈＸｏｖｅｒ＇］，［２］，＇ｎｏｎＵｎｉｆＭｕｔａｔｉｏｎ＇，［２ ｇｅｎ ３］）；

％ 计算最优权值与阈值

［Ｗ１，Ｂ１，Ｗ２，Ｂ２，ｖａｌ］＝ｇａｄｅｃｏｄ（ｘ）；

ｎｅｔ．ＩＷ｛１，１｝＝Ｗ１；

ｎｅｔ．ＬＷ｛２，１｝＝Ｗ２；

ｎｅｔ．ｂ｛１｝＝Ｂ１；

ｎｅｔ．ｂ｛２｝＝Ｂ２；

％ 利用新权值和阈值进行训练

ｎｅｔ＝ｔｒａｉｎ（ｎｅｔ，ｐ，ｔ）；

％ 仿真测试

ｓ＿ｇａ＝ｓｉｍ（ｎｅｔ，ｋ）； ％遗传算法优化后的ＢＰ神经网络仿真结果

ｓａｖｅ ｎｅｔ； ％保存网络

测试中将ＢＰ神经网络模型的最大训练次数设定为２０００，最小均方误差为１０－１６，设定遗传算法的种群规模为５０，遗传代数为１００。在网络训练到２０００次时，均方误差已经达到１０－１５（图１）；在进化到８０代左右，误差平方和接近０值，适应度也趋于稳定并达到预定要求（图２、图３）。

以下表格为ＢＰ算法和ＧＡ优化方法的训练结果对比分析（表４、表５）。

从两种方法所需要的迭代（表４）及ＧＡ同时优化ＢＰ的结构和权值实验结果（表５）可以看出，隐含神经元最优数目为６和７。在相同条件下，由于隐含神经元数目能够通过自适应方式进行确定，因此尝试次数减少，收敛速度明显提高。

４ 评价结果分析与建议

根据建立好的网络，导入研究地区２００８－２０１２年各区各项指标值，得出各区５年内城市土地集约度分值，分别为０．６１０ ７，０．６４４ ３，０．６６１ ８，０．７０１ ２，０．７０５ ８。导入辖区各区、县、开发区指标（不包括郑州新区、航空港新区），得到各子区土地集约利用分值（图４）。

４．１ 城市土地利用集约利用水平表现为显著的时空分异特征

分析结果表明，郑州市近５年的土地集约利用程度逐年提高，逐步从适度利用向集约利用过渡。各区县分值大体趋势与市区类似，土地利用整体趋向于集约利用。各区土地集约度存在一定区域差异，整体分布表现为从城市中心到城市外围由高到低的趋势：中原区、二七区５年间的集约度都是最高的，处于集约状态；管城区、金水区、上街区和惠济区次之，与所辖各县级市的土地集约度持平，属于适度到集约状态；经济开发区和高新技术开发区的集约度值较高，处于集约向高度集约发展态势。可以预测，在既定的城市发展目标的基础上，各区通过土地投入和土地利用强度的不断加强，土地的使用率和效益将得到提高。

４．２ 经济发展水平是影响城市土地集约利用程度的主要因素

在本研究建立的评价指标体系中，土地利用效益的指标比重最大，因此评价结果受到经济发展水平的影响较大。从全区来看，中心城区是城市经济发展的重点区域，经济发展水平最高，远远大于城市各县级市，是土地集约利用水平最高的区域。开发区本身就是集约利用的典型区域，单位面积上的土地利用效益较高，在高资金投入的同时，单位工业产值较高，土地利用效益较大。相对来说，城市外围县市在产业结构产出和经济效益方面都与前两者存在较大差距，土地集约利用总体水平相对较低。

４．３ 土地投入强度和利用强度对土地集约利用有重要影响

与现有土地投入强度和利用强度相对应的是城市发展表现方式，城镇外延扩张速度高于内涵发展。对于建成区而言，老城区虽然综合土地集约利用程度相对较高，但尚有较大的挖潜能力。从分析结果可以看出，虽然具体到各年份中土地集约度数值有一定波动，但整体上郑州市土地集约利用度是逐步提高的，这表明在一定发展阶段，通过政策规划调控、市场调节和技术手段，加强土地投入和利用强度，老城区的土地集约利用还具有提升空间。对于所辖区、县及开发区而言，由于前期城镇化建设偏重于城镇占地规模的扩展与城镇人口数量的增加，对城镇经济功能和社会功能的发展关注较少，城市扩张多以量取胜，土地面积增加的同时，城市基础设施及居民生活保障不到位，土地整体利用方式粗放，集约度相对较低。

分析结果还表明，郑州市对外交通、道路和市政公用设施用地较少，市区工业和仓储等生产用地比例偏高，在一定程度上占据了其他用地需求。同时，城镇用地空间布局不合理，城区缺乏统一规划，工业、居住和商服用地分布规划性不强，城市容积率较低，导致土地产出率低，阻碍了城镇化中心商务区功能的发挥。而且工业区和居民区交叉分布，影响了城镇整体的环境效益和社会效益。

开发区内部的土地集约利用问题主要表现为建设用地规模增长过快，土地后备资源不足。从已有开发区资料来看，开发区农用地和未利用土地的主要用途为公共设施和仓储用地，土地利用状况基本以第二、第三产业为主，第一产业主要存在于尚未被完全征用的零星农村居民点周围，产业用地的建筑密度和建筑容积率较低，土地利用强度较低。

４．４ 对策建议

土地集约利用度与城市发展方向和产业结构有密切关系。郑州市作为中原城市群的核心城市，《中原经济区郑州都市区建设纲要》对城市发展建设思路十分明确：以中心城区为中心，东西两向均衡发展。这表明未来城市发展重点：一是中心城区的改造，二是新区的规划。在此背景下，针对前述分析结果，建议城市发展中心侧重于内涵式发展，调整和完善土地利用方式和结构，具体到各区域，建议如下［９－２１］。

１）对于中心城区，需要在现有规划基础上，开展城区土地清理，整合各类功能用地，通过土地置换、土地开发整理等多种方式提高城市土地利用效率。对城市现有关破企业用地进行收回，盘活存量土地，加强现有建成区的再开发；积极有序推进旧城区和城中村的改造，加大基础设施建设的投入力度，提高低效利用土地的利用；迁出能耗高污染大的企业，创造宜居环境。

２）对于县区开发，在做好基础设施建设的同时，要根据地区现状考虑资源潜力、市场前景和社会环境。在借鉴其他地区发展成功经验的同时，立足本地资源环境承载力，根据自身条件构建合理的产业结构，形成新区的产业支撑。

３）对于开发区，由于开发区用地特点为单位面积土地投入产出高，土地利用强度高，因此，在开发区土地集约利用上，要从区域经济和社会发展等方面分析外部条件和本地产业特点，对开发区进行科学定位，合理规划工业用地、商业居住用地、科教用地及公共设施与绿地比例，根据不同产业结构制定企业入园开发规模标准，提出“企业用地经济指标”等指标限值，制定具有一定弹性的土地利用规划框架，确保土地利用与开发规划的科学性和可操作性。在开发区内部，也要积极进行内部土地资源挖潜，加强土地投资强度。在考核中要采取可持续发展的考察考核方式，稳步提高资源利用率，统筹项目用地，鼓励科技密集型项目的加入，将单位面积土地投入产出和土地利用强度作为项目考核的必要条件。借助科技、人才优势，大力发展土地集约利用程度高的高科技产业集群，形成开发区的产业核心竞争力，打造城市新的经济增长极，确保城镇化的稳步发展。

５ 结论与讨论

新型城镇化建设要求在有度进行新区扩张的同时，合理利用现有城镇土地。构建科学合理的城市土地集约度评价指标体系，是评判其建设成效与否的一个重要指标。在进行城市土地集约利用评价时，要确保评价过程的客观性、科学性和合理性。

１）采用ＧＡ－ＢＰ神经网络进行土地集约利用评价，评价结果具有科学性。与传统评价方法相比，ＧＡ－ＢＰ网络能够真实反映输入、输出模型的非线性映射关系，在进行自组织自学习过程中，通过反向传播不断调整网络的权值，优化网络的隐含节点和网络结构，实现网络的动态自适应，使得评价过程更为简单快速，同时避免了主观因素影响，评价结果更为客观合理。

２）从土地投入强度、土地利用强度、土地利用效益及生态环境４个方面选取１３个指标构建了土地集约利用评价体系，采用ＧＡ－ＢＰ模型对郑州市六区六县及两个开发区的土地集约利用进行评价，并根据结果分别分析中心城区、县区、开发区的土地集约利用现状及存在的问题，提出土地资源利用挖潜的合理化建议。

３）城镇土地集约利用评价是一个动态的系统工程，本研究只是在已有指标体系下，采用ＧＡ－ＢＰ网络方法对评价指标与评价结果间的关系进行了客观分析。但实际上，这一类评价问题应该是基于过程的动态模拟，在实证ＧＡ－ＢＰ网络方法的有效性后，此后的研究需要尝试以这类方法揭示土地集约利用过程的变化规律和趋势，借鉴动态分析模型思路进行深入探索。

教育期刊网 http://www.jyqkw.com
参考文献：

［１］ 张占仓．河南省新型城镇化战略研究［Ｊ］．经济地理，２０１０，９（３０）：１４６２－１４６６．

［２］ 方创琳，马海涛．新型城镇化背景下中国的新区建设与土地集约利用［Ｊ］．中国土地科学，２０１３，2７（７）：４－８．

［３］ 常 青，王仰麟，吴健生，等．城市土地集约利用程度的人工神经网络判定［Ｊ］．中国土地科学，２００７，２１（４）：２６－３１．

［４］ 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．

［５］ 朱红梅，周子英，黄 纯，等．ＢＰ人工神经网络在城市土地集约利用评价中的应用——以长沙市为例［Ｊ］．经济地理，２００９，２９（５）：８３６－８３９．

［６］ 蒋宗礼．人工神经网络导论［Ｍ］．北京：高等教育出版社， ２００３．

［７］ 丁世飞，苏春阳．基于遗传算法的优化ＢＰ神经网络算法与应用研究［Ａ］．第二十九届中国控制会议论文集［Ｃ］北京：中国自动化学会控制理论专业委员会，２０１０．

［８］ 李伟超，宋大猛，陈 斌．基于遗传算法的人工神经网络［Ｊ］．计算机工程与设计，２００６，２７（２）：３１６－３１８．

［９］ 赵小风，黄贤金，陈 逸，等．城市土地集约利用研究进展［Ｊ］．自然资源学报，２０１０，２５（１１）：１９７９－１９９６．

［１０］ 朱天明，杨桂山，万荣荣．城市土地集约利用国内外研究进展［Ｊ］．经济地理，２００９，２９（６）：９７７－９８３．

［１１］ 赵思凡．对集约用地内涵的在思考——基于对香港措施土地集约利用模式的分析［Ｊ］．中国土地科学，２００９，２３（８）：７３－７７．

［１２］ 雷广海，刘友兆，卢效平．江苏省１３城市土地集约利用度时空变异及驱动因素［Ｊ］．长江流域资源与环境，２００９，１８（１）：７－１３．

［１３］ 李伟超，宋大猛，陈 斌．基于遗传算法的人工神经网络［Ｊ］．计算机工程与设计，２００６，２７（２）：３１６－３１８．

［１４］ 陈 逸，黄贤金，陈志刚等．城市化进程中的开发区土地集约利用研究——以苏州高新区为例［Ｊ］．中国土地科学，２００８，２２（６）：１１－１６．

［１５］ 曹银贵，袁 春，王 静等．１９９７－２００５年区域城市土地集约度变化与影响因子分析［Ｊ］．地理科学进展，２００８，２７（３）：８６－９３．

［１６］ 林 坚，马 珣．中国城市群土地利用效率测度［Ｊ］．城市问题．２０１４（５）：９－１４，６０．

［１７］ 方创琳，关兴良．中国城市群投入产出效率的综合测度与空间分异［Ｊ］．地理学报，２０１１（８）：１０１１－１０２２．

［１８］ 李景刚，张效均，高艳梅，等．基于改进熵值模型的城市土地集约利用动态评价：以广州市为例［Ｊ］．地域研究与开发，２０１２，３１（４）：１１８－１２３．

［１９］ 朱一中，曹 裕．基于ＰＳＲ模型的广东省城市土地集约利用空间差异分析［Ｊ］．经济地理，２０１１，３１（８）：１３７５－１３８０．

［２０］ 冯 科，郑娟尔，韦仕川，等．ＧＩＳ和ＰＳＲ框架下城市土地集约利用空间差异的实证研究——以浙江省为例［Ｊ］．经济地理，２００７，２７（５）：８１１－８１８．

［２１］ 张占仓，蔡建霞，陈环宇，等．河南省新型城镇化战略实施中需要破解的难题及对策［Ｊ］．河南科学，２０１２，３０（６）：７７７－７８２．