摘要：人口数量持续增长是困扰超大型城市发展的重要因素，适度人口为研究人口增长下的城市资源合理分配提供了较好的思路。本文以适度人口为切入点，首先利用可能—满意度模型测算北京、上海、广州和深圳4座超大型城市2035年适度人口规模，其次利用灰色BP神经网络模型预测各市2035年常住人口规模，最后基于适度人口规模测算和常住人口规模预测结果对各市部分资源的配置、规划情况进行倒逼分析，提出人口增长下的资源配置方案。研究发现：① 在可能—满意度水平为 0.6 的条件下，北上广深 2035 年适度人口规模分别为 2152.69、2309.68、1498.93和1352.19万人，均未超出政府规划红线；② 预测结果显示，北上广深2035年常住人口规模均将超出适度人口规模和政府规划红线，表现为适度人口规模<政府规划红线<常住人口规模；③ 从适度人口角度出发，在不影响经济社会发展与居住满意度前提下，为应对未来人口增长，2035年北京发电量和公园绿地面积需达到当前水平的2倍以上；上海发电量、公园绿地面积和公共交通营运车辆分别需达到当前水平的2.27、2.22和2.35倍；广州能源供应量和发电量需达到当前水平的3倍以上；深圳能源供应量、发电量和卫生机构床位数需达到当前水平的3倍以上。本研究有利于为协调大型城市人口与资源之间的可持续发展提供科学依据。
关键词：超大城市；适度人口；人口增长；可能—满意度；资源配置
人口激增成为目前大城市的普遍现象，但是随着人口增加，城市会出现一系列问题。本文首先② 从经济水平、资源供给、生态环境和社会生活四个方面构建更加完善的适度人口测算指标体系，利用可能—满意度模型对北上广深2035年的适度人口规模进行测算，然后利用灰色BP神经网络模型，预测2035年各市常住人口规模，最后基于适度人口规模测算和常住人口规模预测结果，对各市的城市资源进行倒逼分析，为各市应对未来人口增长提供资源配置方案。
科普
可能—满意度模型
可能—满意度模型是一种多指标综合评价方法，可以同时考虑多种因素对人口发展的影响，分为可能度和满意度两个方面。在适度人口测算体系中，可能度主要用来反映各类相关因素的总量指标在客观上达到某种程度的可能度大小，满意度主要用来反映居民对各类相关因素的人均指标在主观上的满意度大小。由可能度和满意度并合得到的可能—满意度则可以表示各指标同时满足客观的可能性和主观的满意性时的人口容纳能力，可能—满意度水平与城市适度人口规模的关系为：可能—满意度水平越高，说明居民的城市生活水平越好，则城市能够容纳的适度人口规模越小。
方法
适度人口规模测算的指标体系
可能度情况由总量指标表示，满意度情况由人均指标表示。这里我个人不太理解，这个的意义在哪里。而且北上广深四大城市的各个指标权重又是如何得出的？
灰色BP神经网络
灰色BP神经网络的原理是将GM(1, 1)模型的预测数据作为BP神经网络的输入值，将真实人口数据作为BP神经网络的输出值，对神经网络进行训练，随后将利用GM(1, 1)模型预测得到的未来人口数据作为输入部分，进行仿真，得到相应的常住人口规模。
灰色GM(1, 1)模型建模所需的数据量较少，运算方便且可以弱化数据的随机性，但对于非线性数据的处理能力较弱；神经网络模型可以近似逼近任何非线性函数，但需要的数据量较大，小样本数据训练出的神经网络模型的外延性很差，不能对未来数据进行较好地预测。本文选取的各市人口数据较少，且四座城市的人口增长规律各有不同，利用单一预测模型不能得到相对于四座城市都较好的预测效果，而灰色神经网络模型恰好将灰色模型和神经网络模型相结合，两者优缺互补，可以有效减小模型的预测误差，所以本文选择灰色BP神经网络模型对未来常住人口规模进行预测。
结论
在不同可能-满意度下，广州深圳人口规模波动较小，上海北京波动较大，说明上海北京两个城市具有发展的优化空间，对人口的容纳能力更强。资源共给和生态环境成为了广州深圳城市适度人口容纳量的重要限制因素。根据预测结果，北上广深2035年常住人口规模均将超出适度人口规模和政府规划红线。
1. 北京应该提升发电能力和城市绿化的人口容纳量
2. 上海应以提升发电能力、城市绿化以及公共交通的人口容纳量为重点。
3. 广州应以提升能源供应和发电能力的人口容纳量为重点。
4. 深圳人口密度过大造成其对各类资源的需求都比较大，因此应重点降低密集城区人口密度。
TCL碎碎念
这篇论文的实用性非常强，用可能-满意度预测了四个城市2035年的适度人口规模，用灰色BP神经网络预测量四个城市未来常住人口规模，并对比两个人口预测值和四个城市的人口预测规模，给出相关资源配置的建议。这十分具有现实意义，即使我还没有理解可能-满意度这个指标的实际意义emmmmmm。但是这篇论文还是颇具启发性，它的思路链非常连贯，从适度人口规模的预测到未来常住人口规模的预测，分别运用了不同的方法，最后结合实际情况综合分析，既有对于现有模型的应用和优化，又有偏向于应用的实际意义。但是我个人还是认为（也有可能寡人才疏学浅），本文在一些权重的制定和指标的选取上没有很清晰的说明。
