基于PCR和RBF神經(jīng)網(wǎng)絡(luò)的城市智能增長水平評價模型

朱紅章,李連艷,任曉斌,隋曉亮

(1.武漢大學(xué)土木建筑工程學(xué)院,湖北 武漢 430072; 2.武漢大學(xué)GNSS研究中心,湖北 武漢 430072)

0 引 言

世界經(jīng)濟(jì)和城市化進(jìn)程的腳步不斷加快，導(dǎo)致目前城市形態(tài)的擴(kuò)張是肆意和不科學(xué)的[1]。伴隨著城市人口的增加，相關(guān)研究表明到2050年世界上超過66%的人口將是城市人口，這意味著超過25億農(nóng)村居民將要遷移到城市[2-3]。隨著人口的不斷增加和城市規(guī)模的不斷擴(kuò)大，在無節(jié)制的資源消耗和資源有限的困境下，人們開始以環(huán)境為代價獲得短暫的滿足。然而，生態(tài)環(huán)境的進(jìn)一步惡化、溫室效應(yīng)的進(jìn)一步加劇以及生物物種的瀕臨滅絕導(dǎo)致了不可持續(xù)的城市增長模式，這些模式都表明了城市發(fā)展與自然環(huán)境之間的失衡正在加劇。因此，“智能增長”的概念應(yīng)運而生[4]。當(dāng)經(jīng)濟(jì)增長可持續(xù)，環(huán)境適宜人居住，人文社會更加繁榮，自然資源的消耗可以在最小的環(huán)境破壞下產(chǎn)生更大的價值，不同的利益相關(guān)者可以共同參與、共同努力實現(xiàn)共同目標(biāo)，這樣一個城市的增長被認(rèn)為是智能的[5-6]。然而，目前在全球范圍內(nèi)智能成長仍然是一項模糊而艱巨的任務(wù)。歐共體甚至已經(jīng)制定了一個名為“燈塔”的前沿計劃，以尋找數(shù)字驅(qū)動的智能可持續(xù)城市發(fā)展模式。

智能增長與可持續(xù)性經(jīng)濟(jì)繁榮、社會公平和環(huán)境可持續(xù)息息相關(guān)。然而，智能增長的作用一直存在爭議。首先，從系統(tǒng)的角度對傳統(tǒng)的規(guī)劃方法進(jìn)行比較，發(fā)現(xiàn)智能增長模式可以通過開放的政治背景和政府集中決策來達(dá)到預(yù)期的結(jié)果[7]。然后，在人口方面證明了智能增長可以促進(jìn)城市中心人口密度的增加，這也可以通過提出綜合模型實現(xiàn)節(jié)能目標(biāo)[8]。相反，一些研究揭示了智能增長的潛在負(fù)面環(huán)境影響，這使許多政策制定者感到失望[4]。通過分析現(xiàn)有文獻(xiàn)，發(fā)現(xiàn)由于城市的不同特征，智能增長可能會產(chǎn)生獨特的影響。如果政策規(guī)劃者能夠利用城市發(fā)展中智能增長的優(yōu)勢，那么它的益處無疑可以無限放大。

本文旨在提供一個評估城市智能增長計劃的數(shù)學(xué)模型，建立的模型不僅可以對不同城市當(dāng)前的發(fā)展規(guī)劃進(jìn)行定量評估，還可以明確規(guī)劃中的資源配置問題，為城市決策者及相關(guān)政策的制定提供一定的參考。

1 模型與方法

1.1 構(gòu)建評價指標(biāo)體系

智能增長成功的評估模型包括2個部分：1)對城市現(xiàn)狀的評估;2)指導(dǎo)城市社會、經(jīng)濟(jì)和環(huán)境資源的調(diào)整[9-10]。

表1 模型回顧

數(shù)學(xué)模型缺點層次概念框架分析法忽視潛在的數(shù)據(jù)源和關(guān)鍵數(shù)據(jù)之間的差距,模型框架中忽略了不同數(shù)據(jù)來源和數(shù)據(jù)類型的集成質(zhì)量問題基于不同利益相關(guān)者的目標(biāo)函數(shù)法模型框架中忽略了不同數(shù)據(jù)來源和數(shù)據(jù)類型的集成質(zhì)量問題,技術(shù)還不成熟,模型過于依賴原始數(shù)據(jù)基于沖量過程的評估模型評價標(biāo)準(zhǔn)模糊,模型過于依賴原始數(shù)據(jù)基于層次分析法的評估模型存在不可避免的主觀性,歸一化處理忽略了各種因素之間的部分關(guān)系,模型的適用性不高基于灰色關(guān)聯(lián)度的評估模型歸一化處理忽略了各因素之間的關(guān)系,模型的適用性不高,存在不可避免的主觀性基于主成分分析的評估模型在非線性系統(tǒng)中似乎缺乏令人信服的證據(jù),它往往高估了因子之間的相關(guān)性,在將理論轉(zhuǎn)化為數(shù)值計算的過程中,失去了大量有用的信息,模型過于依賴原始數(shù)據(jù)基于RBF的評估模型在將理論轉(zhuǎn)化為數(shù)值計算的過程中,失去了大量有用的信息。模型過于依賴原始數(shù)據(jù),該模型的推理過程沒有可靠的理論依據(jù)基于數(shù)據(jù)包分析的評估模型在將理論轉(zhuǎn)化為數(shù)值計算的過程中,失去了大量有用的信息。雖然可以評估智能增長的程度,但無法確定這些結(jié)果的原因

目前已存在很多評估城市智能增長影響的方法，表1總結(jié)了目前幾種常用的模型及模型的缺點，發(fā)現(xiàn)現(xiàn)有的數(shù)學(xué)模型在理論框架搭建過程中，往往從特定的角度進(jìn)行，模型的框架不夠完善，整體性不高，并且模型在數(shù)據(jù)處理和應(yīng)用方面也不完善，例如指標(biāo)的自然屬性被忽略，在數(shù)據(jù)處理過程中數(shù)據(jù)本身的特點被忽略、評價標(biāo)準(zhǔn)模糊等[10-14]，所以構(gòu)建一個更加優(yōu)化的模型顯得尤為重要。

為了確定城市智能增長成功程度的標(biāo)準(zhǔn)，理性度(Rational Degree, RD)被定義為城市智能增長水平。構(gòu)建智能增長評估系統(tǒng)是一項復(fù)雜的系統(tǒng)工作，涵蓋社會、經(jīng)濟(jì)和生態(tài)領(lǐng)域。基于系統(tǒng)分析的角度，本文從世界上智能增長的權(quán)威機(jī)構(gòu)的相關(guān)文件和政策中，提取出用于選擇指標(biāo)的評價標(biāo)準(zhǔn)，如表2所示。最終本文以RD為最終目標(biāo)構(gòu)建指標(biāo)體系評估模型。確定的一級指標(biāo)層是社會、生態(tài)和經(jīng)濟(jì)效益。下屬評價指標(biāo)為城鎮(zhèn)居民基本生活質(zhì)量(BLQUS)、社區(qū)土地混合使用(MUCL)、城市公共基礎(chǔ)設(shè)施(UPI)、和諧城市(HC)、高效管理機(jī)制(EMM)、友好環(huán)境(FE)、經(jīng)濟(jì)因素(EF)、經(jīng)濟(jì)結(jié)構(gòu)(ES)。

表2 指標(biāo)選取標(biāo)準(zhǔn)

標(biāo)準(zhǔn)機(jī)構(gòu)來源緊湊的建筑布局SmartGrowthNetwork經(jīng)濟(jì)發(fā)展與就業(yè)工作U.S.EnvironmentalProtectionAgency各種交通選擇,可步行的社區(qū)SmartGrowthNetwork可獲得的醫(yī)療保健DevelopmentandPlanningBureauofChineseAcad-emyofSciences規(guī)劃和資助基礎(chǔ)設(shè)施改善NationalAssociationofHomeBuilders強(qiáng)大的鄰里U.S.EnvironmentalProtectionAgency擁有獨特的社區(qū)意識AmericaPlanningAssociation經(jīng)濟(jì)高效開發(fā)、合作SmartGrowthNetwork加強(qiáng)和引導(dǎo)現(xiàn)有社區(qū)的發(fā)展U.S.EnvironmentalProtectionAgency鼓勵社區(qū)和利益相關(guān)者在發(fā)展決策中的協(xié)作UrbanLandInstitute健康社區(qū)U.S.EnvironmentalProtectionAgency支持行人友好型發(fā)展U.S.DepartmentofAgriculture共享權(quán)益SmartGrowthAmerica經(jīng)濟(jì)穩(wěn)定發(fā)展DevelopmentandPlanningBureauofChineseAcad-emyofSciences適合整體經(jīng)濟(jì)的經(jīng)濟(jì)結(jié)構(gòu)DevelopmentandPlanningBureauofChineseAcad-emyofSciences

1.2 選取評估指標(biāo)

通過對政府工作報告和專家意見的分析，為了確定對城市智能增長做出最大貢獻(xiàn)的重要因素，主成分回歸(Principal Component Regression, PCR)通過描述數(shù)據(jù)集中的最大和最小變異(方差)來估計主成分[15-16]。當(dāng)多重共線性發(fā)生時，最小二乘估計將是無偏的，但它們的方差會很大，因此它們可能遠(yuǎn)離真實值。通過在回歸估計中增加一定程度的偏差，可以減少主成分回歸中的標(biāo)準(zhǔn)誤差。在運用PCR模型的過程中，通過保持正交角度與旋轉(zhuǎn)成分來獲得最明顯的4個主成分(PC1，PC2，PC3，PC4)，變量之間的相關(guān)性在0.05的顯著性水平上進(jìn)行測試，指標(biāo)的權(quán)重范圍在[0,1]，當(dāng)評價指標(biāo)的權(quán)重接近1時，表示該指標(biāo)對總體結(jié)果影響較大。圖1顯示了每個PC的貢獻(xiàn)率。PC1的貢獻(xiàn)率為82.0997%，這表明它具有最強(qiáng)的解釋能力。PC2的貢獻(xiàn)率為12.623%，2個主成分的累積貢獻(xiàn)率為94.7227%。

圖1 PCR模型輸出結(jié)果

選擇指標(biāo)的原則如下：1)累積貢獻(xiàn)率大于94%;2)每個指標(biāo)的權(quán)重系數(shù)應(yīng)保證在特定區(qū)間范圍內(nèi)。本文要求在PC1中的指標(biāo)的權(quán)重系數(shù)應(yīng)為-0.15和0.15，在PC2中的指標(biāo)的權(quán)重系數(shù)應(yīng)為-0.05和0.05。如圖2所示。

圖2 主成分系數(shù)

所以最終的評價體系如表3所示。

表3 評價指標(biāo)體系

一級指標(biāo)二級指標(biāo)三級指標(biāo)社會效益基本生活質(zhì)量(BLQUS)城市公共設(shè)施(UPI)和諧城市(HC)高效管理機(jī)制(EMM)社區(qū)結(jié)構(gòu)(MUCL)人均居住面積(PCLA)就業(yè)率(ER)人均可支配收入(PCDI)步行至生活服務(wù)區(qū)的時間(ATWTL)每千人擁有的醫(yī)師數(shù)(NMP)可選擇2種及以上交通方式的居民比例(PRT)鄰里關(guān)系和諧度(NRDH)社區(qū)居民歸屬感與自豪感(CPB)標(biāo)準(zhǔn)化管理機(jī)制(REE)社區(qū)管理效率(ECA)社區(qū)可供出租和出售的房屋百分比(PRS)社區(qū)不同收入階層的人口百分比(PPC)社區(qū)中有不同需求的房屋百分比(PHC)不同社區(qū)住宅、商業(yè)和辦公樓的混合比例(MR-RCO)生態(tài)效益友好環(huán)境(FE)生活垃圾無害化處理率(DGHTR)森林覆蓋率(RFC)可再生能源比例(PRE)經(jīng)濟(jì)效益經(jīng)濟(jì)因素(EF)經(jīng)濟(jì)結(jié)構(gòu)(ES)運輸、倉儲和郵政服務(wù)增加值(AVTWP)人均國內(nèi)生產(chǎn)總值(GPC)單位GDP能耗(UGEC)第三產(chǎn)業(yè)比重(PTI)新增土地流轉(zhuǎn)面積(AAN)

1.3 理性度評價模型

通過上節(jié)的PCR模型選擇了22個對RD有顯著影響的指標(biāo)，同一指標(biāo)可能對不同城市產(chǎn)生不同影響，評估模型需要量化這些影響，因此該模型包括2個部分：1)每個指標(biāo)的重要性系數(shù)；2)每個指標(biāo)的權(quán)重系數(shù)。RD模型可以表示為：

Ri=ciqi

(1)

其中，i是第i個評價指標(biāo)，i=1,2,…,22，qi是第i個指標(biāo)的權(quán)重系數(shù)，Ri是指標(biāo)i的理性度值，將所有指標(biāo)的理性度值相加便可以得到城市發(fā)展計劃的理性度，ci是第i個指標(biāo)的重要性系數(shù)，通過將指標(biāo)映射至區(qū)間[0,1]得到。重要性系數(shù)ci的表達(dá)式為：

(2)

其中，本文選擇徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBFNN)模型來獲得指標(biāo)的權(quán)重。RBFNN技術(shù)由于其高精度和有效處理高維空間中的散亂數(shù)據(jù)的能力而被廣泛應(yīng)用于科學(xué)和工程的各個領(lǐng)域。RBFNN用作隱藏單元的“基礎(chǔ)”以形成隱藏層空間，因此輸入向量可以直接映射到隱藏空間而無需權(quán)重連接[17]。當(dāng)確定RBF的中心時也確定了該映射關(guān)系。從隱藏層空間到輸出空間的映射是線性的，即網(wǎng)絡(luò)的輸出是隱藏單元輸出的線性加權(quán)和，權(quán)重是網(wǎng)絡(luò)的可調(diào)參數(shù)。其中，隱藏層的功能是將矢量從低維映射到高維，網(wǎng)絡(luò)從輸入到輸出的映射是非線性的，而網(wǎng)絡(luò)輸出對于可調(diào)參數(shù)是線性的。網(wǎng)絡(luò)的權(quán)重可以通過線性方程直接求解，這極大地加速了學(xué)習(xí)速度并避免了局部最小問題。RBF的基本原則和步驟如下[18-19]。

1)確定參數(shù)。

①取得初始的輸入向量、輸出向量和預(yù)期向量：

(3)

其中，X是輸入向量,n代表輸入層的數(shù)量，Y代表輸出向量，O是預(yù)期的輸出向量，q是輸出層的單元數(shù)。

②初始化隱含層至輸出層的連接權(quán)值：

Wk=[wk1,wk2,…,wkp]T,k=1,2,…,q

(4)

其中，p是隱藏層單元數(shù)。參考中心初始化的方法給出隱藏層到輸出層的權(quán)值初始化方法為：

wkj=kmin+j(kmax-kmin)/(q+1)

(5)

其中，kmin是訓(xùn)練集中第k個輸出神經(jīng)元中所有期望輸出的最小值；kmax是訓(xùn)練集中第k個輸出神經(jīng)元中所有期望輸出的最大值。

③初始化隱含層各神經(jīng)元的中心參數(shù)。

不同隱含層神經(jīng)元的中心應(yīng)有不同的取值，并且與中心的對應(yīng)寬度能夠調(diào)節(jié)，使得不同的輸入信息特征能被不同的隱含層神經(jīng)元最大地反映出來。在實際應(yīng)用中，一個輸入信息總是包含在一定的取值范圍內(nèi)。RBF神經(jīng)網(wǎng)絡(luò)中心參數(shù)的初始值如公式(6)所示：

(6)

其中，p為隱含層神經(jīng)元總個數(shù)，j=1,2,…,p。

④初始化寬度向量。

寬度向量影響著神經(jīng)元對輸入信息的作用范圍，寬度越小，相應(yīng)隱含層神經(jīng)元作用函數(shù)的形狀越窄，那么處于其他神經(jīng)元中心附近的信息在該神經(jīng)元處的響應(yīng)就越小。寬度向量計算公式為：

(7)

其中，df為寬度調(diào)節(jié)系數(shù)，取值小于1，作用是使每個隱含層神經(jīng)元更容易實現(xiàn)對局部信息的感受能力，有利于提高RBF神經(jīng)網(wǎng)絡(luò)的局部響應(yīng)能力。

2)計算隱含層第j個神經(jīng)元的輸出值zj，具體計算公式如下：

(8)

Cj=[cj1,cj2,…,cjn]

(9)

Dj=[dj1,dj2,…,djn]T

(10)

其中，Cj是隱含層第j個神經(jīng)元的中心向量，由隱含層第j個神經(jīng)元對應(yīng)于輸入層所有神經(jīng)元的中心分量構(gòu)成，Dj為隱含層第j個神經(jīng)元的寬度向量，與Cj相對應(yīng)，Dj越大，隱含層對輸入向量的影響范圍就越大，且神經(jīng)元間的平滑度也比較好，‖·‖為歐氏范數(shù)。

3)計算輸出層神經(jīng)元的輸出，具體計算公式如下：

Y=[y1,y2,…,yq]T

(11)

(12)

其中，wkj為輸出層第k個神經(jīng)元與隱含層第j個神經(jīng)元間的調(diào)節(jié)權(quán)重。

4)權(quán)重參數(shù)的迭代計算。

本文中RBF神經(jīng)網(wǎng)絡(luò)權(quán)重參數(shù)的訓(xùn)練時選擇梯度下降法。通過學(xué)習(xí)將中心、寬度和調(diào)節(jié)權(quán)重參數(shù)自動調(diào)整至最理想值，其計算公式如下：

(13)

(14)

(15)

其中，wkj(t)為第k個輸出神經(jīng)元與第j個隱含層神經(jīng)元之間在第t次迭代計算時的調(diào)節(jié)權(quán)重，cji(t)為第j個隱含層神經(jīng)元對于第i個輸入神經(jīng)元在第t次迭代計算時的中心分量，dji(t)為與中心cji(t)對應(yīng)的寬度，η為學(xué)習(xí)因子，E為RBF神經(jīng)網(wǎng)絡(luò)評價函數(shù)，計算公式如下：

(16)

其中，olk為第k個輸出神經(jīng)元在第l個輸入樣本時的期望輸出值，ylk為第k個輸出神經(jīng)元在第l個輸入樣本時的網(wǎng)絡(luò)輸出值。

5)計算均方根誤差：

(17)

如果RMSE≤ε，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練就結(jié)束，否則，需要從步驟3開始重新進(jìn)行訓(xùn)練。

另外，RBFNN傳輸參數(shù)的格式用高斯函數(shù)表示(y=e-x2)。訓(xùn)練過程可分為2步：1)無監(jiān)督學(xué)習(xí)，其核心目標(biāo)是確定輸入層和隱藏層之間的權(quán)重;2)監(jiān)督學(xué)習(xí)和訓(xùn)練，以確定隱藏層和輸出層之間的權(quán)重。最終指標(biāo)的權(quán)重計算公式如下：

qi=cjwkj

(18)

2 案例分析與討論

2.1 研究區(qū)域

本文選擇玉門和Otago這2個城市作為研究對象。玉門位于甘肅省西北部，其總面積為13500 km2，目前總?cè)丝跒?8萬人，其冬季平均氣溫可達(dá)6.9 ℃。年溫差可達(dá)30 ℃左右，玉門生態(tài)環(huán)境壓力較大，常年遭遇沙塵暴災(zāi)害，人口少經(jīng)濟(jì)發(fā)展緩慢，主要支柱產(chǎn)業(yè)是農(nóng)業(yè)和畜牧業(yè)等傳統(tǒng)產(chǎn)業(yè)。Otago位于新西蘭南島南部，面積約32000 km2，2018年6月人口約232300人，是該國第三大地方區(qū)域。Otago地區(qū)內(nèi)的天氣狀況差別很大，極端南部地區(qū)的冬季涼爽潮濕，尤其是在Otago南部的山丘和平原；相比之下，夏天往往非常溫暖和干燥。Otago擁有獨特的混合經(jīng)濟(jì)，葡萄園和葡萄酒廠近幾年在Otago中部地區(qū)蓬勃發(fā)展。玉門與Otago的地理位置如圖3所示。

(a)玉門

(b)Otago

2.2 城市智能增長計劃評估

本文使用的數(shù)據(jù)主要來自于地方政府報告、統(tǒng)計局公開數(shù)據(jù)、文獻(xiàn)資料、年鑒和NZ.Stat(http://nzdotstat.stats.govt.nz/wbos/)。應(yīng)用RBF神經(jīng)網(wǎng)絡(luò)時輸入和輸出指標(biāo)分別是所選取的22個變量。圖4顯示了計算過程的結(jié)構(gòu)。

圖4 RBFNN結(jié)構(gòu)

通過預(yù)實驗將隱藏層中神經(jīng)元的數(shù)量設(shè)置為10，R2≥0.9，最大訓(xùn)練次數(shù)為1000次，學(xué)習(xí)精度為0.05，此時的結(jié)果是可接受的。當(dāng)神經(jīng)元的數(shù)量大于10時，雖然RBF的訓(xùn)練效果較好，但試驗效果較差。評估樣本的規(guī)模較小可能是造成這種反?，F(xiàn)象的主要原因。所以本文神經(jīng)元數(shù)量為10時，殘差保持相當(dāng)?shù)偷乃讲⑶移淦骄鶜埐钚∮?.05，這意味著模型的性能良好。為了評估RBFNN的性能，將預(yù)留的部分真值與算法的輸出進(jìn)行比較。結(jié)果顯示其輸出值非常接近真值(見圖5)，這表明神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果較好。最終各指標(biāo)的權(quán)重如表4所示。

(a)玉門預(yù)測結(jié)果

(b)Otago預(yù)測結(jié)果

(c)Otago殘差圖

(d)玉門殘差圖

表4 評價指標(biāo)權(quán)重值

序號評價指標(biāo)玉門Otago1單位GDP能耗(UGEC)0.04740.01982第三產(chǎn)業(yè)比重(PTI)0.03190.01593社區(qū)管理效率(ECA)0.03950.06154森林覆蓋率(RFC)0.03270.05815可再生能源比例(PRE)0.05060.08226可在2種或多種交通方式之間進(jìn)行選擇的居民百分比(PRT)0.03760.01917社區(qū)可供出租和出售的房屋百分比(PRS)0.02120.01578社區(qū)不同收入階層的人口百分比(PPC)0.03220.03189社區(qū)中有不同需求的房屋百分比(PHC)0.05590.066510人均居住面積(PCLA)0.04720.072611人均可支配收入(PCDI)0.03120.020612每千人的醫(yī)師數(shù)(NMP)0.04120.036913鄰里關(guān)系和諧度(NRDH)0.03630.036214不同社區(qū)住宅、商業(yè)和辦公樓的混合比例(MRRCO)0.06170.069415人均國內(nèi)生產(chǎn)總值(GPC)0.05190.077516就業(yè)率(ER)0.06030.052617生活垃圾無害化處理率(DGHTR)0.05340.045618社區(qū)居民歸屬感與自豪感(CPB)0.05370.040819步行至生活服務(wù)區(qū)的平均時間(ATWTL)0.04420.055420運輸、倉儲和郵政服務(wù)的附加值(AVTWP)0.05740.039921新增土地流轉(zhuǎn)面積(AAN)0.06270.024422標(biāo)準(zhǔn)化管理機(jī)制(REE)0.04980.0575

使用MATLAB 軟件獲取ci，在工具箱中選擇min-max將玉門和Otago的所有評價指標(biāo)映射至[0,1]區(qū)間內(nèi)，ci通過軟件輸出結(jié)果獲得。玉門和Otago的發(fā)展水平可以通過計算RD獲得。計算結(jié)果如表5所示。

表5 玉門和Otago的RD值

城市RD玉門0.04482Otago0.04591

由此可知，2個城市的增長計劃在某種程度上都是成功的，玉門的智能增長水平低于Otago。

圖6顯示了2個城市的發(fā)展結(jié)構(gòu)。在玉門，貢獻(xiàn)率最高的社會效益為61.2%，其次是經(jīng)濟(jì)效益(25.13%)和生態(tài)效益(13.67%)，這與玉門的實際情況相符。在過去的發(fā)展模式中，玉門一直是處于資源枯竭的狀態(tài)，煤炭、石油和天然氣等自然資源被無節(jié)制地消耗來換取短期經(jīng)濟(jì)效益和人民生活質(zhì)量的暫時提高。在盲目追求經(jīng)濟(jì)效益最大化的同時，玉門的自然環(huán)境遭受了巨大的創(chuàng)傷，荒漠化、土地鹽漬化等環(huán)境破壞現(xiàn)象比比皆是[20]。因此，玉門目前的城市智能增長計劃生態(tài)效益必然是制約城市發(fā)展的短板，這也是一種不協(xié)調(diào)的發(fā)展模式。在Otago的城市發(fā)展結(jié)構(gòu)中，生態(tài)效益和經(jīng)濟(jì)效益的貢獻(xiàn)大致相等，這表明在其智能增長過程中注重生態(tài)環(huán)境的保護(hù)，Otago發(fā)展規(guī)劃中也強(qiáng)調(diào)將生態(tài)效益作為重要考慮因素。在追求經(jīng)濟(jì)增長和生活水平提高的同時，不斷加強(qiáng)環(huán)境治理和保護(hù)，打擊不合格的化工廠和制造業(yè)，控制環(huán)境污染源，保護(hù)現(xiàn)有濕地和草原，注重保護(hù)大自然原始凈化能力[21-22]。

圖6 玉門和Otago一級指標(biāo)結(jié)構(gòu)圖

其實玉門和Otago的發(fā)展模式存在相似之處。如圖7所示，MUCL和FE貢獻(xiàn)占比比較大。土地對RD的影響是比較突出的，這表明在人口持續(xù)增長的前提下，城市空間變得擁擠，合理規(guī)劃和土地的綜合利用對城市擴(kuò)張產(chǎn)生了很大的影響。而土地是限制城市擴(kuò)張的重要因素，所以合理利用、規(guī)劃土地是影響城市智能增長的重要因素。

圖8顯示了在城市智能增長過程中的各指標(biāo)的貢獻(xiàn)情況。其中MRRCO、AAN、ER和PHC是影響玉門城市發(fā)展水平的關(guān)鍵因素，甚至可以達(dá)到24.06%。與此同時，PRE、PCLA、MRRCO和GPC對Otago的智能增長至關(guān)重要，其累計貢獻(xiàn)率高達(dá)30.17%。顯然，玉門的發(fā)展核心還是經(jīng)濟(jì)水平的進(jìn)一步提高[23]，在經(jīng)濟(jì)發(fā)展的基礎(chǔ)上不斷提高居民的生活質(zhì)量，因此與住房需求相關(guān)的指標(biāo)在玉門智能發(fā)展中起著至關(guān)重要的作用。Otago的經(jīng)濟(jì)水平高于玉門，其城市規(guī)劃的重點主要集中在綠色城市和高質(zhì)量的管理。在個人需求方面，Otago傾向于選擇更高水平的服務(wù)。

3 結(jié)束語

在本文中，理性度RD被定義為城市智能增長的成功程度，可以對不同城市的增長計劃在同一標(biāo)準(zhǔn)下進(jìn)行衡量比較。智能增長顯然與社會、經(jīng)濟(jì)和環(huán)境領(lǐng)域有關(guān)，考慮到智能增長的系統(tǒng)特征，利用PCR和RBFNN模型建立城市智能增長評價模型RD，該模型有2個基本功能：1)評估當(dāng)前的智能增長計劃;2)對各個評價指標(biāo)進(jìn)行排名。在玉門和Otago的案例研究中，玉門和Otago的RD分別為0.04482和0.04591，玉門應(yīng)優(yōu)先考慮環(huán)境發(fā)展，而Otago則優(yōu)先考慮經(jīng)濟(jì)發(fā)展。本文提出的模型不僅可以對不同城市的當(dāng)前發(fā)展模式進(jìn)行定量評估，而且可以根據(jù)評估結(jié)果指導(dǎo)資源的分配，使模型具有更好的適用性，該模型為城市智能增長水平評價提供了強(qiáng)有力的參考。

RD模型的構(gòu)建中，指標(biāo)的選擇是非常重要的，本文選擇的標(biāo)準(zhǔn)主要依賴于社會效益、生態(tài)效益、經(jīng)濟(jì)效益指標(biāo)原則，讀者可以選擇更科學(xué)、完整的標(biāo)準(zhǔn)體系來進(jìn)行指標(biāo)篩選。由于資源和時間的限制，本文中用于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的數(shù)據(jù)量不夠大，這也會影響模型的準(zhǔn)確性。未來，還可以在上述分析的基礎(chǔ)上考慮系統(tǒng)分析、深度學(xué)習(xí)方法，使評價模型更加理想。