EN中文

地球信息科学学报 >

2022 , Vol. 24 >Issue 2: 235 - 248

DOI: https://doi.org/10.12082/dqxxkx.2022.210239

地球信息技术在国土空间规划中的应用

基于位置大数据的城市居住用地效率指标构建及评价研究

  • 袁源 , 1 ,
  • 毛磊 2 ,
  • 李洪庆 , 1, * ,
  • 赵小风 1
展开
  • 1.河海大学公共管理学院,南京 211100
  • 2.江苏省地质调查研究院,南京 210018
*李洪庆（1986— ）,男,山东烟台人,博士,副教授,主要从事土地利用系统,人地耦合系统研究。E-mail:

袁 源（1986— ）,男,江苏常州人,博士,讲师,主要从事土地利用与规划研究。E-mail:

收稿日期: 2021-04-30

  要求修回日期: 2021-06-21

  网络出版日期: 2022-04-25

基金资助

国家自然科学基金青年项目(42001196)

国家自然科学基金项目(41871173)

中央高校基本科研业务费项目(B200201073)

江苏省国土资源科技计划项目(2018063)

版权

版权所有,未经授权,不得转载、摘编本刊文章,不得使用本刊的版式设计。
收起

Constructing Index for the Assessment of Urban Residential Land Efficiency Using Location-Based Big Data

  • YUAN Yuan , 1 ,
  • MAO Lei 2 ,
  • LI Hongqing , 1, * ,
  • ZHAO Xiaofeng 1
Expand
  • 1. School of Public Administration, Hohai University, Nanjing 211100, China
  • 2. Geological Survey of Jiangsu Province, Nanjing 210018, China
*LI Hongqing, E-mail:

Received date: 2021-04-30

  Request revised date: 2021-06-21

  Online published: 2022-04-25

Supported by

Youth Program of National Natu-ral Science Foundation of China(42001196)

National Natural Science Foundation of China(41871173)

The Fundamental Research Funds for the Central Universities of China(B200201073)

Jiangsu Provincial Land Re-sources Science and Technology Program(2018063)

Copyright

Copyright reserved © 2022
Fold

摘要

信息化赋能已经成为新时期国土空间规划的热点,但通过大数据整合进行国土空间利用评价研究仍有待探索。本文旨在借助腾讯位置大数据开展城市居住用地效率评价实证研究,综合运用多源地理空间数据,以居民区为评价单元构建居住用地效率指标,揭示常州市新城区不同居民区用地效率差异。结果表明：① 居民区范围内小时粒度的人口规模呈周期波动,峰值一般出现在21:00,符合城市居民昼出夜归的作息规律,且不同容积率水平的居民楼人口集聚度和规模值也存在预期性的差异;② 29个居民区按建成年份划分为1980s、1990s、2000s、2010—2015年、2015年以后共5组,各组效率指标平均值分别为1.74、2.45、2.31、0.95和0.91人/百m2,2010年之前建成的居民区明显高于2010年之后新建的,2010年以后建成的居民区低于全市2.06人/百m2的平均水平（2018年标准）;③ 效率指标值低并非完全等同于集约用地水平低,常州市新城新区开发建设的成长周期、居民对提升人居环境品质的需求,都是导致不同居民区用地效率差异的原因。研究表明,位置大数据作为高精度的人口数据源,能够客观反映居民区人口聚集的时空间特征,基于位置大数据构建的城市居住用地效率指数能够为高质量国土空间利用分析提供新途径。在我国以人为本的城市化进程中,以位置大数据为代表的新型人口数据源将在国土空间规划中发挥愈加重要的作用。

关键词： 土地集约利用; 效率指标; 居民区; 时空间特征; 精细化评价; 国土空间规划; 位置大数据; 常州

本文引用格式

袁源 , 毛磊 , 李洪庆 , 赵小风 . 基于位置大数据的城市居住用地效率指标构建及评价研究[J]. 地球信息科学学报, 2022 , 24(2) : 235 -248 . DOI: 10.12082/dqxxkx.2022.210239

Abstract

Information empowerment to the territorial spatial planning has become a hot research field in the new era. However, research on territorial utilization evaluation using big data integration remains to be explored. The purpose of this paper is to carry out an empirical study on the efficiency assessment of residential land use in new urban area employing Tencent location-based big data. Assessment index of residential land use efficiency in each residential area have been proposed, supported by integration of multi-source geospatial data, to reveal the differences in land use efficiency among different residential areas in Changzhou city. The results show that, firstly, population size of hourly particle statistics within the residential area fluctuates periodically, reaching peak value at 21:00 generally, which is in line with the routine of daily going out and returning home for urban residents. There are also expected differences in population agglomeration degree and population size among residential buildings with different capacity rates. Secondly, the 29 residential areas are divided into five groups by year of construction, 1980s, 1990s, 2000s, 2010—2015, and post-2015. The average population size of efficiency index of group 1980s, 1990s, 2000s, 2010—2015, and post-2015 are 1.74, 2.45, 2.31, 0.95, and 0.91 per 100 m2, respectively. Index values of residential areas built before 2010 are significantly higher than those built after 2010. Furthermore, residential areas built after 2010 are lower than the average level (population size of 2.06 per 100 m2in year 2018) of the entire urban residential areas. Thirdly, it is suggested that lower results of efficiency index is not fully equal to poor level of intensive land use. The main reasons of diverse land use efficiency of residential areas constructed in different periods include the growth periodicity of new urban area development in Changzhou city, and urban residents' desire for better living environment to enhance their quality of habitation. Research shows that location-based big data, as a source of population data with high solution, could reflect the temporal and spatial characteristics of resident aggregations objectively. Index constructed to assess urban residential land efficiency using location-based big data is both innovative and scientific, which could provide a new way for the analysis of high-quality land space utilization. In conclusion, regularity recognition of behavior characteristics from urban residents can provide support for spatial policy formulation during the urbanization process based on "putting people first" policy in China. What's more, new data sources, represented by location-based big data in this paper, will play an important role in decision-making mechanism of territorial spatial planning.

Key words： land intensive use; efficiency index; residential area; spatial-temporal characteristics; refined assessment; territorial spatial planning; location-based big data; Changzhou

1 引言

城市是人类居住生活的重要场所,随着21世纪90年代以来我国住房建设和居住区郊区化的不断推进,远郊新城逐渐取代中心城区成为新的空间增长极[1]。进入新时期,我国国土空间开发利用已经由增量扩张转向存量提效[2],研究居住用地效率对于优化城市空间资源配置,促进节约集约用地,推动经济高质量发展具有十分重要的意义。然而,当前城市居住用地效率评价研究受制于尺度和数据,难以满足新时期国土空间规划提升精细化空间治理能力的需求[3]。具体表现在：尺度方面,现有研究多集中在区域或城市尺度,深入城市内部的精细化研究并不多见[4];数据和方法方面,多采用人口普查和抽样调查等传统静态数据,加之缺乏大样本量居民区的对比,难以得出普适性结论[5]。
鉴于人类活动的时空框架建立在土地利用特征之上,近今用地效率研究更加关注以地块为基本空间单元、居民行为特征为对象的精细化研究[6,7]。无论是国外引入的时间地理学、行为主义方法、活动分析法等理论[8],还是国内学者提出的“社会感知”研究框架[9],都是基于多源数据分析居民时空间行为,从多尺度视角透视城市时空间体系,解释城市建成环境对个体时空间行为活动的影响。进入移动互联网时代,ICTs的快速发展愈加成熟,使得基于位置服务的大数据在微观尺度获取样本量大、信息丰富的个体时空行为成为可能,在城市空间研究方面产生巨大价值[10,11],尤其是智慧城市研究,实现了对城市的精准化管理和资源的集约化利用[12,13]。国内相关实践与探索包括早期采用GPS活动数据对郊区居民的日常活动空间进行测度[14],到利用社交网络签到数据对城市活动空间特征进行研究[15],再到手机信令数据广泛应用于居民生活圈测度[16]、城市空间品质分析[17]和空间政策制定[18],当前位置大数据已被广泛应用于区域[19]、城市[20]、街道[21]、功能区[22]等不同尺度的人地关系研究。
近年来,信息化赋能已逐渐成为国土空间规划的新热点[23],但主要集中在城市与区域空间模拟分析[24]、动态监测与评估[25]、规划管理[26]等领域,通过大数据整合进行国土空间高质量利用评价的研究仍有待探索[27,28]。新时代国土空间规划体系的建立,表明我国国土空间利用呈现出集约化、人本化、智慧化的转向。较之于传统数据,大数据在深化对人地关系的纵深认知与定量模拟上具有一定优势,因此,本文借助位置大数据独有的从微观视角刻画人类活动行为模式的能力[29],通过分析案例地常州市新城区不同居民区人口聚集的时空间特征,揭示居民区用地效率存在的差异及其原因,以期探索大数据时代城市居住用地效率评价研究的新途径,为制定合理的空间规划政策提供科学依据。

2 研究区概况、研究方法与数据源

2.1 研究区概况

常州地处江苏省南部,沪宁线中段,属长江三角洲沿海经济开放区,是一座有着3200多年左右历史的文化古城。1949年以前,常州城市的发展基本局限于老城区以内;1949年后,特别是改革开放以来,常州进入快速城市化阶段,空间上呈现出多中心、多层次的发展格局[30]。截至2018年,常州市区已辖金坛、武进、新北、天宁、钟楼5个区（图1）。新北区原为常州市北郊,1992年经国务院批准成为首批国家级高新区,2002年在高新区基础上设立了常州市新北区。武进区位于常州老城南翼,2002年撤市设区,2012年武进高新技术产业开发区又升级为国家高新区,进一步拓展了常州中心城区的发展空间。2013年央视网曾报道武进区某地段楼盘入住率低,交付楼盘不足一半的情况;2015年人民网回访发现,通过合理的产城融合发展规划,原地段在建的多个楼盘已经全部售罄,并吸引多个大型房企在该板块争相拿地。
图1 29个居民区在常州新城的分布情况

注：图中的数字编号1—29,代表29个样本居民区。

Fig. 1 Distribution of 29 residential samples in new urban area in Changzhou

本文选择了新北和武进片区共计29个居民区作为研究对象,都位于常州中心城区外延拓展直接覆盖的核心新城区。其中,新北片区14个居民区位于龙城大道高架两侧（图1（b））,武进片区15个居民区位于沪霍线以南、地铁1号线以西（图1（c））。受到城市化进程中园区经济模式和原城乡结合部特殊区位条件的共同作用,片区内工业区与居民区、城中村与商品房并存。因此,29个居民区按照建成年份可划分为5个不同阶段,1980s、1990s的居民区主要是城中村和安置房,2000年以后的居民区多为省内房地产企业开发,2010年尤其是2015年以后都是国内大型房企开发的高档楼盘。

2.2 研究方法

2.2.1 研究框架
基于位置大数据的城市居住用地效率指标构建及其评价研究主要包括5个步骤,具体研究框架见图2。
图2 基于位置大数据的城市居住用地效率指标构建及评价研究框架

Fig. 2 Research frame work for index construction of urban residential land efficiency and its assessment using location-based big data

（1）基础数据空间配准校核。将位置大数据、建筑物数据统一转换到居民区单元,并通过遥感影像和街景地图对居民区范围、建筑物用途进行识别。
（2）城市居住用地效率指标构建。本文主要创新之处,基于位置大数据、建筑物数据等多源数据空间整合的结果,以单个居民区为评价单元构建居住用地效率指标。
（3）居民区人口聚集时空间特征分析。剪裁提取居民区范围内的人口数据,分析其时间变化规律与空间分布格局,验证位置大数据的可靠性。
（4）居住用地效率评价结果。基于居民区入住人口规模与居民楼建筑面积两项数据,根据城市居住用地效率指标,定量化评价案例地29个居民区的用地效率。
（5）居住区效率指标差异解析。针对不同居民区用地效率存在的差异,从新城新区基本成长周期和人居环境品质提升需求2个视角进行解析。
2.2.2 效率指标构建
当前中宏观尺度测算市域或功能片区居住用地效率都采用人均居住面积这一统计指标。本文基于居民区范围内人口聚集规律性的时空间特征,进一步突出居住功能与居住人口的关联性,利用居民区入住人口规模和建筑面积2项数据,以单个居民区为评价单元评价城市居住用地效率。考虑到本文选取的29个居民区的建成年份、内部建筑物层高存在差异,提出的评价指标应既具有标准化意义、又贴切用地效率认知。因此,本文对“城镇居民人均住房面积”这一传统指标做了改进,构建了以“百平方米人口规模”为单位的新指标——城市居住用地效率指标,大抵相当于一套普通住宅的入住人数。
R = 100 × 1 n ∑ t = 1 n P t ∑ j = 1 k A j H j
式中：R为城市居住用地效率指标/（人/百m2）;Pt为第t天某个时点居民区的入住人口规模/人;n为天数,本文为1月11日—16日共计6 d;k为居民区所有类型（包括高层、小高层、多层和低层）居民楼的数量;Aj为居民楼基底面积/m2;Hj为居民楼层数。

2.3 数据源及处理

2.3.1 数据源
本文涉及的相关数据主要包括遥感影像数据、建筑物数据、百度街景地图数据、腾讯位置大数据。数据源信息及其作用见表1。
表1 研究采用的数据源

Tab. 1 Data sources employed in the study

数据名称 年份 格式 来源 空间分辨率 属性与作用
遥感影像 2019 TIF 天地图影像 1 m 居民区位置校核、空间配准
建筑物数据 2018 SHAPEFILE 业务主管部门（数据脱敏后提供） 1:500 包括基底面积、层高等字段,用于计算居民楼建筑面积、居民区建筑密度和容积率等
百度街景地图数据 2019 JPG 百度地图 - 判读沿街建筑物用途并分类
腾讯位置大数据 2018 JSON 腾讯位置大数据平台 5 m 包括区域ID、区域人数（pop）、起止时间（以小时为时间粒度）、所有点数据坐标（经纬度）及其权重值（weight）等字段,用于分析不同时刻居民区的人口规模及其空间分布
其中,位置大数据是腾讯公司提供的商业化产品,作为一种高精度的新兴人口数据源已在多个研究中得到应用[31,32,33]。在信息化时代,个体在任意时间和地点的活动信息都能被记录并通过移动设备上传,因此一定区域内的定位请求次数与区域内的人数相关[34],考虑到腾讯用户的基数较大,位置大数据一定程度上能够反映区域内的人口规模及其空间分布的动态变化[35]。腾讯位置大数据借助智能手机里的QQ、微信等腾讯系软件,调用LBS提供的地理位置定位服务,实时将用户GPS位置信息上传至服务器形成大数据来源,目前该产品的定位成功率已达到99.6%（https://lbs.qq.com/location/）。
2.3.2 数据处理
（1）位置大数据处理。腾讯平台（heat.qq.com）在网页端展示的是人口热力数据（图3（a））,反映了一定区域内人口密度的实时变化。为了将其转化为具有空间坐标参考并代表人口规模的shp点数据,首先从腾讯提供的开放接口获取居民区范围内Json格式24 h人口统计数据、60 min间隔人口空间分布数据,并将Json格式的人口基础数据转换成支持几何特征表达,能够对各种地理数据结构进行编码的GeoJSON格式,再在ArcGIS中使用格式转换工具将GeoJSON数据转换成shp点要素数据并设置空间参考。经过数据清洗,研究获取了2018年1月11日—16日新北和武进2个片区29个居民小区共计790 533条点数据记录。
图3 腾讯位置大数据格式转化

Fig. 3 Format transformation of Tencent location-based big data

出于数据安全考虑,腾讯平台对人口空间分布数据产品进行了模糊处理,即需要估算点要素代表的实际人口规模。相关研究主要采用实时腾讯用户密度（RTUD）估算地块上的人口规模,并验证了其精度[36]。本文为了获得居民区范围每个点要素代表的实际人口规模,将腾讯开放接口提供的区域人数（pop）与区域内点要素的weight之和进行对比,即求解每个点要素的weight值与其代表的实际人口规模存在比例关系,进一步计算单位weight的比例值,从而得到每个点要素代表的实际人口规模（图3（b））。
（2）建筑物数据处理。根据遥感影像绘制、房地产网站信息校核综合形成的建筑物数据包括空间位置、基底面积、层高等信息。考虑到居民区范围内建筑物既有居住功能的居民楼,又有沿街商铺等,结合百度全景地图（map.baidu.com）对居民区沿街建筑物外貌进行了判读。建筑物数据处理结果如图4（a）所示,根据层高自行对用于居住功能的居民楼划分了类型,包括高层（19层以上）、小高层（8—18层）、多层（4—7层）和低层（1—3层,为别 墅或者城中村）,非居民楼则主要为沿街商铺 （图4（b））、居民区服务设施用房（图4（c））和城乡结合部自建厂房（图4（d））等。
图4 居民楼与非居民楼识别

Fig. 4 Identify residential buildings and others

3 结果与分析

3.1 居民区人群时空间特征分析

位置大数据提供的24 h人口统计数据、60 min间隔（小时粒度）人口空间分布数据同步反映了居民区范围内人口规模和空间分布变化。以位于武进片区的21号居民区为例,1月11日—16日按照小时统计的人口规模值波动变化情况如图5所示。
图5 居民区人口聚集的时空间特征

Fig. 5 Temporal and spatial characteristics of population aggregation in residential area

从时间变化规律来看（图5（a））,整体上,居民区范围内的人口规模值表现为白天低,晚上高的特征,符合城市居民昼出夜归的正常作息规律;对比周末与工作日,很明显,13日和14日周末居民区白天人口规模值（分别为2851和2383人）高于11和12、15和16日工作日（分别为1742、1793、1102和1771人）,也符合一般城市居民工作日上班上学、周末休息的正常生活节奏。进一步对6 d人口规模的波动情况分析发现,波峰一般出现在晚上21:00,分别为4558人、3701人、3391人（22:00）、4824人、4730人和5191人（22:00）,而波谷一般出现在早上5:00,分别为1102人（4:00）、893人、1066人、756人、1181人（3:00）和1001人。这也与位置大数据的信号来源有关,进入后半夜很多居民关闭手机后信号丢失,清晨开机后才陆续恢复信号。
从空间分布格局来看,1月14日5:00、13:00和21:00共3个不同时点居民区范围内的人口空间分布状况分别如图5（b）、（c）和（d）所示。当天居民区范围内24个时点共计5842条点要素记录,3个不同时点依次递增分别为109、284和379条,同时,单个点要素weight的最大值也由3增大至15和26,反映了人口聚集程度的提升。由于点要素代表周边一定范围内的人口聚集情况,因此空间位置并不与居民楼完全重合,但其空间分布与居民楼的层高趋势一致。该居民区18栋楼都为高层,其中北边5栋和南边4栋均为24层,中间9栋为34层,从点要素的集聚度和规模值来看,中部明显高于南北两侧。因此,位置大数据作为新兴的人口数据源,能够较为客观地反映居民区范围内人口规模变化,进而揭示居民区范围内人类活动的时空间特征,为分析居民区入住人口规模提供科学依据,也使得从微观尺度评价城市居住用地效率成为可能。

3.2 居住用地效率评价结果

城市居住用地效率指标实则为居民区范围内入住人口规模与居民楼建筑面积的比值。其中,入住人口规模为居民区多天晚间人口规模峰值（本文统一为21:00）的平均数,建筑面积为不同类型居民楼之和,该比值能够客观反映不同居民区用地效率差异。本文29个居民区的用地效率评价结果如表2所示,仅有2个居民区高于3人/百m2, 6个在2~3人/百m2之间,11个在1~2人/百m2之间,其他10个低于1人/百m2。其中,最高值为2003年建成的9号居民区3.86人/百m2,位于新北片区工业园区附近,是该区域较早建成的商品房小区,居民楼以6层左右的高层为主;最低值为2015年建成的20号居民区0.42人/百m2,紧邻9号居民区南边,主要分为东西两块,西侧沿路为高层（30层）和超高层（38层）,东侧沿河道景观为别墅（3层）。
表2 案例地居民区用地效率评价结果

Tab. 2 Assessment results of residential land utilization efficiency

居民区编号 建成年份 用地效率/（人/百m2） 建筑密度 建筑容积率 居民楼类型
1 1980s 2.53 0.53 0.96 L
2 1986 1.09 0.33 0.64 L
3 1988 2.31 0.42 1.57 L、D
4 1990s 2.12 0.44 0.86 L
5 1990s 1.82 0.38 0.67 L
6 1990 1.97 0.61 1.44 L
7 1997 3.16 0.23 1.12 D
8 2001 2.43 0.21 1.13 D、X
9 2003 3.86 0.18 1.00 D
10 2008 1.54 0.15 2.37 X、G
11 2009 2.04 0.14 1.98 D、X
12 2009 2.03 0.17 2.57 X、G
13 2010 1.97 0.11 2.07 X、G
14 2012 1.71 0.19 2.00 L、D、X、G
15 2013 0.60 0.32 1.46 L、G
16 2014 1.03 0.09 2.72 X、G
17 2014 1.01 0.11 2.40 G
18 2015 0.80 0.14 4.28 G
19 2015 1.10 0.16 5.03 G
20 2015 0.42 0.18 2.77 L、G、C
21 2016 1.51 0.11 3.03 G
22 2016 1.02 0.14 3.27 X、G
23 2016 0.93 0.09 2.08 G
24 2016 0.91 0.16 2.68 L、D、G
25 2016 0.88 0.12 2.99 X、G
26 2016 0.75 0.07 1.96 G
27 2017 0.79 0.12 2.82 L、G
28 2017 0.65 0.12 2.05 L、G
29 2018 0.76 0.12 3.20 G

注：建筑密度为各类居民楼基底面积之和与居民区面积的比值;建筑容积率为各类居民楼建筑面积之和与居民区面积的比值;居民楼类型分别为L（低层）、D（多层）、X（小高层）、G（高层）、C（超高层）。

3.3 居民区效率指标差异解析

3.3.1 新城新区成长周期视角
本文选取的29个居民区建成年份跨度20世纪80年代到2018年,按照年份先后顺序将其划分为1980s、1990s、2000s、2010—2015年、2015年以后共计5组,并生成箱型图（图6）。5组样本的居住用地效率评价指标平均值分别为1.74、2.45、2.31、0.95和0.91人/百m2（绿色三角形）,2010年之前建成的居民区用地效率明显高于2010年之后新建的。参照2018年常州市城镇常住居民人均住房建筑面积为48.6 m2的标准[37],即2.06人/百m2,2010年以后建成的居民区仍低于全市平均水平。
图6 不同建成年份居民区用地效率比较

Fig. 6 Land utilization efficiency comparison of residential areas built in different years

一方面,这符合新城区的自然生长规律。通常认为,新城区的开发建设是一个长期、持续的过程,15~20年是一个基本成长周期[38]。案例区范围内2010年之前建成的居民区经过数十年的发展,周边配套设施较为成熟,入住人口规模和结构也较为稳定;而2010年特别是2015年以后新建的居民区仍处于成长阶段,加之新建楼盘体量大且数量多,有待市场消化。据统计,1998—2018年常州市商品房屋销售面积中的住宅由93.67万m2增加到673.23万m2,而新北、武进片区2018年商品房销售面积超过整个市区的59%[39]。
另一方面,也与常州市房地产市场发展相关。1998年以后我国住房制度逐渐由福利型分配转化为货币型分配,居民区建设也由政府主导转向市场主导向,房地产市场与新城区建设相辅相成。2006年常州市政府由老城区搬迁至新北区的新市府板块,成为全市新打造的行政中心。2012年新北区的雏形初步形成,各类交通基础设施进入快速建设期,到2018年以环球恐龙城（坐落于新北区）为代表的IP经济极大推动了全市房地产市场的发展。根据常州克而瑞提供的统计数据,市区成交楼板价由2010年的1803元/m2增长至2020年的10 159元/m2,房价的快速攀升刺激了一手房交易,但一定程度上也加剧了住房空置率。
值得注意的是,箱型图中各组上下限值之间的差距也不一样。2010年之前建成的居民区用地效率差距加大,说明进入成熟期的居民区内部入住人口规模和结构也在调整,人民对美好生活的向往体现在了对改善房、品质房的消费需求。而2015年之后建成的居民区用地效率差距较小,整体都还处于起步初期。
3.3.2 提升人居环境品质视角
除了新城新区的成长周期,居民区的居民楼类型、建筑密度和容积率等反映人居环境品质的参数也是分析不同居民区用地效率差异的重要视角。
案例区范围内1980s和1990s建成的居民区（编号1—7）主要是位于城乡结合部的城中村,多为低层（2层,砖木结构）,平均建筑密度和容积率分别为0.42和1.04,平均用地效率为2.14人/百m2,居民区内部建筑物布局十分局促。而7号居民区是唯一的全部多层（4层,混合结构）,建筑密度和容积率分别为0.23和1.12,人居环境较之于城中村有所改善,用地效率也明显高于平均水平,达到3.16人/百m2。2000年以后,居民区基本为多层、小高层甚至是高层的组合模式,建筑材质也以混凝土结构为主,建筑容积率的大幅提升带动了建筑密度的下降,2000—2010年建成的居民区（编号8—13）平均建筑密度和容积率分别为0.16和1.85。由于建筑密度下降,居民区范围内增加了更多的绿化和公共空间,人居环境明显改善,平均用地效率也提升至2.31人/百m2。
2010年以后建成的居民区最突出特点是高层与低层（别墅）搭配,迎合了快速城市化进程中消费者对改善房和品质房的迫切需求。同时,土地成本抬升倒逼开发商在有限的空间内通过进一步提高容积率获取更大溢价。尽管2010—2015年（编号14—20）和2015年以后（编号21—29）的居民区平均建筑容积率增加到2.95和2.68,平均用地效率却下降至0.95和0.91人/百m2。这既有居民区仍处于生长阶段的原因,但不可否认,别墅、平层等大户型品质房的出现,打破了传统观念上百平方米为一户的标准,也导致单位建筑面积人数的计算结果降低。以20号居民区为例,范围内有8栋超高层（38层）、23栋高层（31—33层）和51栋低层别墅（3层）,建筑容积率高达2.77（图7（a））;但由于别墅占地面积超过3类建筑物基底面积之和的1/3,且别墅晚间人口聚集程度与超高层、高层有较为显著的差距（图7（b）,时间为1月14日21:00）,居民区整体用地效率仅为0.42人/百m2。
图7 居民区范围内不同类型居民楼及其人群聚集分布差异

Fig. 7 Different types of buildings in residential area and their diverse distribution of population aggregation

分析视角说明,城市居住用地效率评价结果应当从多个维度解读,指标值低并非完全等同于土地集约利用水平低。城市土地集约利用是与经济发展、科技水平及生态要求相关的动态匹配过程[40],新时期国土空间规划打造的高效城镇空间既要坚持集约的用地方式,也要有效疏解过密地区人口形成合理的用地水平,提升城市品质活力和人居环境质量。

4 结论与讨论

4.1 结论

本文将位置大数据引入城市居住用地效率研究,落实了来自大众的大数据服务于大众的理念,契合了大数据时代地理信息服务从“对地观测”升级为“对人（社会）观测”的转型[41]。在常州市新北和武进片区的实证分析,既反映了居民区范围内人口聚集规律性的时空间特征,又揭示了不同居民区差异性的居住用地效率,相关结论如下。
（1）位置大数据有效支撑了微观尺度的城市居住用地效率评价研究。作为一种高精度的人口数据源,位置大数据反映了指定区域内不同时刻人口聚集程度的变化情况,适用于微观尺度的人地关系定量化模拟,能够较为客观的反映居民区人口聚集的时空间特征。从时间维度看,居民区范围内小时粒度的人口规模值呈周期波动,符合城市居民昼出夜归的作息规律;从空间维度看,不同容积率水平的居民楼人口集聚度和规模值也存在预期性的差异。因此,本文以单个居民区为评价单元、依据居民区入住人口规模构建的城市居住用地效率指标兼具创新性和科学性,使得精细化评价城市居住用地效率成为可能。同时,评价居住用地效率这一视角也可为定量化判断新城新区所处的发展阶段提供技术支撑。
（2）不同成长阶段、人居环境的居民区用地效率差异需从多个视角解读。新北和武进片区29个居民区用地效率评价结果显示,建成于1980s、1990s和2000年的平均值分别为1.74、2.45和2.31/百m2, 而2010—2015年、2015年以后的平均值仅为0.95和0.91人/百m2,2010年以后建成的居民区低于2018年全市2.06人/百m2的平均水平。一方面,这是新城区15~20年基本成长周期的表现,另一方面,也与新城区快速发展刺激新房市场交易有关。但不可否认的是,2010年以后建成的居民区更加迎合消费者对改善房和品质房的需求,别墅、平层等大户型的出现,打破了百平方米为一户的传统认知,也拉低了单位建筑面积人数的计算结果。从这个视角看,居住用地效率评价指标值低并非完全等同于集约利用水平低,不同容积率、建筑密度的居民区存在差异,这就启示城市空间实施精细化管理应当制定差异化的管控标准。

4.2 讨论

自发地理信息（VGI）开创了互联网时代公众参与地理信息获取与应用的新方式[42],这类记录用户空间位置的地理大数据为研究城市问题提供了人口普查数据之外的新选择。国内以微博等社交媒体数据应用最具代表,但该数据主要由志愿者上传,覆盖群体有限且不可避免存在质量不确定 性[43]。近年来,多源数据融合视角下的人口空间化模型成为研究新趋势,高分辨率人口密度数据集精度得到显著提高,为估计精细尺度城镇人口分布、识别城区内部空置现象等提供了依据[44,45]。研究尺度的精细化不仅提出了更高精度的定位需求,还要求更大范围的用户群体。本文应用的腾讯位置大数据与手机信令同属于位置感知数据（Location-aware data）[46],较之于VGI覆盖群体更加全面,具有传统社交媒体数据无法比拟的数量级优势。作为新兴的人口数据源,能够较为客观地反映区域内人群聚集程度,满足城市内部人类活动与土地利用、建成区环境、社区公共服务设施关联性的研究需求,进而为高质量国土空间利用分析提供新途径。但不可否认的是,包括本文在内的许多人口空间化模型研究本质上还是使用空间单元的集计数据[18],对居民个体社会属性和时空轨迹的挖掘仍相当有限。因此,通过理解居民日常行为的规律性和随机性,由描述行为到预测行为,为城市空间政策制定提供更多支撑,一方面要在数据类型、模型方法等领域进一步探索,另一方面还需结合土地利用、文本语义等多源数据解读更多类型的人类活动。
我国城市化正在经历“土地城镇化”向“人本城镇化”的转型,“以人为本”价值导向下的国土空间规划,意味着过去以物为对象的要素配置,亟需转向以人的需求为满足的空间资源配置[47]。在当前和未来一段时期,不仅城市发展模式走向分化,城市居民也由均质化转向多元化,空间规划编制长期沿用的计划分配方法,包括人均城市建设用地标准、居住区内各项公共服务设施的配置指标等,已经难以满足现实需求。城市居民个体行为是自身活动需求和城市空间环境约束相互作用的结果,反过来,这些行为又对城市空间的动态结构和环境品质产生影响。因此,基于位置大数据识别人的行为中规律性、系统性的部分,除了能够应用于本文研究的城市居住用地效率评价,还可以拓展到对商服用地人口规模与行为模式的分析,为写字楼、商圈等各类场所预测基础服务设施建设需求提供依据,为城市管理制定空间政策、评估实施效果提供帮助,实现引导城市空间与居民行为相适应,改善城市人居环境品质的目的。综上,本文认为,以位置大数据为代表的新型地理大数据极大地促进了地理信息科学与人文社会科学的交叉和融合,迎合了“人本化”与“信息化”的学科发展趋势,将在新时期国土空间规划决策中发挥愈加重要的作用。

感谢傅文艳、何梦娇、李嘉明、闵柏霖4位同学为本文所做的部分数据处理工作。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
邹晖, 罗小龙, 唐蜜, 等. 从住房建设透视巨型城市多中心发展——以北京为例[J]. 经济地理, 2019, 39(9):65-70.

[ Zou H, Luo X L, Tang M, et al. Revealing polycentric development of mega-city from housing construction: A case study of Beijing[J]. Economic Geography, 2019, 39(9):65-70. ] DOI: 10.15957/j.cnki.jjdl.2019.09.009

DOI

[2]
林坚, 叶子君, 杨红. 存量规划时代城镇低效用地再开发的思考[J]. 中国土地科学, 2019, 33(9):1-8.

[ Lin J, Ye Z J, Yang H. Thoughts on the underused urban land redevelopment in the era of inventory planning[J]. China Land Science, 2019, 33(9):1-8. ] DOI: 10.11994/zgtdkx.20190909.090011

DOI

[3]
陈明星, 周园, 汤青, 等. 新型城镇化、居民福祉与国土空间规划应对[J]. 自然资源学报, 2020, 35(6):1273-1287.

[ Chen M X, Zhou Y, Tang Q, et al. New-type urbanization, well-being of residents, and the response of land spatial planning[J]. Journal of Natural Resources, 2020, 35(6):1273-1287. ] DOI: 10.31497/zrzyxb.20200602

DOI

[4]
杨建思, 柳帅, 王艳东, 等. 融合多源大数据的武汉城市空置区域评估与分析[J]. 地球信息科学学报, 2020, 22(5):997-1007.

DOI

[ Yang J S, Liu S, Wang Y D, et al. The assessment and analysis of the phenomenon of vacancy within Wuhan city using multi-source datasets[J]. Journal of Geo-information Science, 2020, 22(5):997-1007. ] DOI: 10.12082/dqxxkx.2020.190620

DOI

[5]
王德, 李丹, 傅英姿. 基于手机信令数据的上海市不同住宅区居民就业空间研究[J]. 地理学报, 2020, 75(8):1585-1602.

DOI

[ Wang D, Li D, Fu Y Z. Employment space of residential quarters in Shanghai: An exploration based on mobile signaling data[J]. Acta Geographica Sinica, 2020, 75(8):1585-1602. ] DOI: 10.11821/dlxb202008003

DOI

[6]
Liu W, Wu W J, Thakuriah P, et al. The geography of human activity and land use: A big data approach[J]. Cities, 2020, 97:102523. DOI: 10.1016/j.cities.2019.102523

DOI

[7]
杨振山, 苏锦华, 杨航, 等. 基于多源数据的城市功能区精细化研究——以北京为例[J]. 地理研究, 2021, 40(2):477-494.

DOI

[ Yang Z S, Su J H, Yang H, et al. Exploring urban functional areas based on multi-source data: A case study of Beijing[J]. Geographical Research, 2021, 40(2):477-494. ] DOI: 10.11821/dlyj020200074

DOI

[8]
柴彦威, 塔娜. 中国时空间行为研究进展[J]. 地理科学进展, 2013, 32(9):1362-1373.

DOI

[ Chai Y W, Ta N. Progress in space- time behavior research in China[J]. Progress in Geography, 2013, 32(9):1362-1373. ] DOI: 10.11820/dlkxjz.2013.09.006

DOI

[9]
Liu Y, Liu X, Gao S, et al. Social sensing: A new approach to understanding our socioeconomic environments[J]. Annals of the Association of American Geographers, 2015, 105(3):512-530. DOI: 10.1080/00045608.2015.1018773

DOI

[10]
Xu Y, Shaw S L, Zhao Z L, et al. Understanding aggregate human mobility patterns using passive mobile phone location data: A home-based approach[J]. Transportation, 2015, 42(4):625-646. DOI: 10.1007/s11116-015-9597-y

DOI

[11]
钟炜菁, 王德. 基于居民行为周期特征的城市空间研究[J]. 地理科学进展, 2018, 37(8):1106-1118.

DOI

[ Zhong W Q, Wang D. Urban space study based on the temporal characteristics of residents' behavior[J]. Progress in Geography, 2018, 37(8):1106-1118. ] DOI: 10.18306/dlkxjz.2018.08.010

DOI

[12]
Batty M. Big data, smart cities and city planning[J]. Dialogues in Human Geography, 2013, 3(3):274-279. DOI: 10.1177/2043820613513390

DOI

[13]
杜德林, 黄洁, 王姣娥. 基于多源数据的中国智慧城市发展状态评价[J]. 地球信息科学学报, 2020, 22(6):1294-1306.

DOI

[ Du D L, Huang J, Wang J E. Assessment of smart city development status in China based on multi-source data[J]. Journal of Geo-information Science, 2020, 22(6):1294-1306. ] DOI: 10.12082/dqxxkx.2020.190702

DOI

[14]
申悦, 柴彦威. 基于GPS数据的北京市郊区巨型社区居民日常活动空间[J]. 地理学报, 2013, 68(4):506-516.

[ Shen Y, Chai Y W. Daily activity space of suburban mega-community residents in Beijing based on GPS data[J]. Acta Geographica Sinica, 2013, 68(4):506-516. ] DOI: 10.11821/xb201304006

DOI

[15]
王波, 甄峰, 张浩. 基于签到数据的城市活动时空间动态变化及区划研究[J]. 地理科学, 2015, 35(2):151-160.

DOI

[ Wang B, Zhen F, Zhang H. The dynamic changes of urban space-time activity and activity zoning based on check-in data in sina web[J]. Scientia Geographica Sinica, 2015, 35(2):151-160. ] DOI: 10.13249/j.cnki.sgs.2015.02.151

DOI

[16]
邹思聪, 张姗琪, 甄峰. 基于居民时空行为的社区日常活动空间测度及活力影响因素研究——以南京市沙洲、南苑街道为例[J]. 地理科学进展, 2021, 40(4):580-596.

DOI

[ Zou S C, Zhang S Q, Zhen F. Measurement of community daily activity space and influencing factors of vitality based on residents' spatiotemporal behavior: Taking Shazhou and Nanyuan streets in Nanjing as examples[J]. Progress in Geography, 2021, 40(4):580-596. ] DOI: 10.18306/dlkxjz.2021.04.004

DOI

[17]
王楠, 杜云艳, 易嘉伟, 等. 基于手机信令数据的北京市空间品质时空动态分析[J]. 地球信息科学学报, 2019, 21(1):86-96.

DOI

[ Wang N, Du Y Y, Yi J W, et al. Spatial-temporal dynamic analysis of urban space quality based on cellular signaling data of Beijing[J]. Journal of Geo-information Science, 2019, 21(1):86-96. ] DOI: 10.12082/dqxxkx.2019.180264

DOI

[18]
王德, 谢栋灿, 王灿, 等. 个体时空行为的规律性与可预测性研究——以上海市居民工作日活动为例[J]. 地理科学进展, 2021, 40(3):433-440.

DOI

[ Wang D, Xie D C, Wang C, et al. Regularity and predictability of individual spatiotemporal behavior: A case study of residents working day activities in Shanghai[J]. Progress in Geography, 2021, 40(3):433-440. ] DOI: 10.18306/dlkxjz.2021.03.007

DOI

[19]
Jin X B, Long Y, Sun W, et al. Evaluating cities' vitality and identifying ghost cities in China with emerging geographical data[J]. Cities, 2017, 63:98-109. DOI: 10.1016/j.cities.2017.01.002

DOI

[20]
He Q S, He W S, Song Y, et al. The impact of urban growth patterns on urban vitality in newly built-up areas based on an association rules analysis using geographical 'big data'[J]. Land Use Policy, 2018, 78:726-738. DOI: 10.1016/j.landusepol.2018.07.020

DOI

[21]
Ye C, Zhang F, Mu L, et al. Urban function recognition by integrating social media and street-level imagery[J]. Environment and Planning B: Urban Analytics and City Science, 2021, 48(6):1430-1444. DOI: 10.1177/2399808320935467

DOI

[22]
罗桑扎西, 甄峰. 基于手机数据的城市公共空间活力评价方法研究——以南京市公园为例[J]. 地理研究, 2019, 38(7):1594-1608.

DOI

[ Luo S, Zhen F. How to evaluate public space vitality based on mobile phone data: An empirical analysis of Nanjing's parks[J]. Geographical Research, 2019, 38(7):1594-1608. ] DOI: 10.11821/dlyj020180756

DOI

[23]
甄峰, 张姗琪, 秦萧, 等. 从信息化赋能到综合赋能:智慧国土空间规划思路探索[J]. 自然资源学报, 2019, 34(10):2060-2072.

[ Zhen F, Zhang Q S, Qin X, et al. From informational empowerment to comprehensive empowerment: Exploring the ideas of smart territorial spatial planning[J]. Journal of Natural Resources, 2019, 34(10):2060-2072. ] DOI: 10.31497/zrzyxb.20191004

DOI

[24]
钟炜菁, 王德, 谢栋灿, 等. 上海市人口分布与空间活动的动态特征研究——基于手机信令数据的探索[J]. 地理研究, 2017, 36(5):972-984.

DOI

[ Zhong W J, Wang D, Xie D C, et al. Dynamic characteristics of Shanghai's population distribution using cell phone signaling data[J]. Geographical Research, 2017, 36(5):972-984. ] DOI: 10.11821/dlyj201705013

DOI

[25]
席广亮, 甄峰. 基于大数据的城市规划评估思路与方法探讨[J]. 城市规划学刊, 2017(1):56-62.

[ Xi G L, Zhen F. Exploring the ideas and methods of urban planning evaluation based on big data[J]. Urban Planning Forum, 2017(1):56-62. ] DOI: 10.16361/j.upf.201701007

DOI

[26]
柴彦威, 刘伯初, 刘瑜, 等. 基于多源大数据的城市体征诊断指数构建与计算——以上海市为例[J]. 地理科学, 2018, 38(1):1-10.

DOI

[ Chai Y W, Liu B C, Liu Y, et al. Construction and calculation of diagnostic index of urban signs based on multi-source big data: Case of Shanghai[J]. Scientia Geographica Sinica, 2018, 38(1):1-10. ] DOI: 10.13249/j.cnki.sgs.2018.01.001

DOI

[27]
孔宇, 甄峰, 张姗琪, 等. 基于多源数据的国土空间高质量利用评价思路[J]. 中国土地科学, 2020, 34(5):115-124.

[ Kong Y, Zhen F, Zhang S Q, et al. Evaluation on high-quality utilization of territorial space based on multi-source data[J]. China Land Science, 2020, 34(5):115-124. ] DOI: 10.11994/zgtdkx.20200512.094624

DOI

[28]
秦萧, 甄峰, 李亚奇, 等. 国土空间规划大数据应用方法框架探讨[J]. 自然资源学报, 2019, 34(10):2134-2149.

[ Qin X, Zhen F, Li Y Q, et al. Discussion on the application framework of big data in territorial spatial planning[J]. Journal of Natural Resources, 2019, 34(10):2134-2149. ] DOI: 10.31497/zrzyxb.20191010

DOI

[29]
刘瑜, 姚欣, 龚咏喜, 等. 大数据时代的空间交互分析方法和应用再论[J]. 地理学报, 2020, 75(7):1523-1538.

DOI

[ Liu Y, Yao X, Gong Y X, et al. Analytical methods and applications of spatial interactions in the era of big data[J]. Acta Geographica Sinica, 2020, 75(7):1523-1538. ] DOI: 10.11821/dlxb202007014

DOI

[30]
冯健, 钟奕纯. 基于居住环境的常州城市居民生活质量空间结构[J]. 地理学报, 2020, 75(6):1237-1255.

DOI

[ Fen J, Zhong Y C. The spatial structure of urban residents' quality of life in Changzhou based on residential environment[J]. Acta Geographica Sinica, 2020, 75(6):1237-1255. ] DOI: 10.11821/dlxb202006011

DOI

[31]
Chen Y Y, Liu X P, Gao W X, et al. Emerging social media data on measuring urban park use and their relationship with surrounding areas: A case study of Shenzhen[J]. Urban Forestry&Urban Greening, 2018, 31:130-141. DOI: 10.1016/j.ufug.2018.02.005

DOI

[32]
吴中元, 许捍卫, 胡钟敏. 基于腾讯位置大数据的精细尺度人口空间化——以南京市江宁区秣陵街道为例[J]. 地理与地理信息科学, 2019, 35(6):61-65.

[ Wu Z Y, Xu H W, Hu Z M. Fine-scale population spatialization based on tencent location big data: A case study of moling subdistrict, Jiangning district, Nanjing[J]. Geography and Geo-Information Science, 2019, 35(6):61-65. ] DOI: 10.3969/j.issn.1672-0504.2019.06.010

DOI

[33]
袁源, 张小林, 李红波, 等. 基于位置大数据的村域尺度多功能性评价——以苏州市为例[J]. 自然资源学报, 2021, 36(3):674-687.

[ Yuan Y, Zhang X L, Li H B, et al. Evaluation of multifunctionality on village scale using location-based big data: A case study of Suzhou[J]. Journal of Natural Resources, 2021, 36(3):674-687. ] DOI: 10.31497/zrzyxb.20210311

DOI

[34]
许珺, 徐阳, 胡蕾, 等. 基于位置大数据的青藏高原人类活动时空模式[J]. 地理学报, 2020, 75(7):1406-1417.

DOI

[ Xu J, Xu Y, Hu L, et al. Discovering spatio-temporal patterns of human activity on the Qinghai-Tibet Plateau based on crowdsourcing positioning data[J]. Acta Geographica Sinica, 2020, 75(7):1406-1417. ] DOI: 10.11821/dlxb202007006

DOI

[35]
Chen Y M, Liu X P, Li X, et al. Delineating urban functional areas with building-level social media data: A dynamic time warping (DTW) distance based k-medoids method[J]. Landscape and Urban Planning, 2017, 160:48-60. DOI: 10.1016/j.landurbplan.2016.12.001

DOI

[36]
Liu X P, He J, Yao Y, et al. Classifying urban land use by integrating remote sensing and social media data[J]. International Journal of Geographical Information Science, 2017, 31(8):1675-1696. DOI: 10.1080/13658816.2017.1324976

DOI

[37]
江苏省统计局. 江苏统计年鉴2019[EB/OL]. http://tj.jiangsu.gov.cn/col/col76362/index.html,2021-06-13.

[ Jiangsu Provincial Statistical Bureau. Jiangsu Statistical Yearbook 2019. http://tj.jiangsu.gov.cn/col/col76362/index.html,2021-06-13.

[38]
沈娉, 张尚武, 潘鑫. 我国城市新区空间绿色发展的规律和经验研究[J]. 城市规划学刊, 2020(4):28-36.

[ Shen P, Zhang S W, Pan X. Research on the principals and experience of spatial green development of new urban districts in China[J]. Urban Planning Forum, 2020(4):28-36. ] DOI: 10.16361/j.upf.202004003

DOI

[39]
常州市统计局. 常州统计年鉴2019[EB/OL]. http://tjj.changzhou.gov.cn/html/tjj/2019/OEJCMFCP_1106/16055

[ Changzhou Prefectural Statistical Bureau. Changzhou Statistical Yearbook 2019[EB/OL]. http://tjj.changzhou.gov.cn/html/tjj/2019/OEJCMFCP_1106/16055.html, 2021-06-13.

[40]
赵小风, 楼佳俊, 黄贤金, 等. 城市土地利用效率研究进展[J]. 现代城市研究, 2017(6):2-8.

[ Zhao X F, Lou J J, Huang X J, et al. Research progress in urban land use efficiency[J]. Modern Urban Research, 2017(6):2-8. ] DOI: 10.3969/j.issn.1009-6000.2017.06.001

DOI

[41]
李德仁. 论时空大数据的智能处理与服务[J]. 地球信息科学学报, 2019, 21(12):1825-1831.

DOI

[ Li D R. The intelligent processing and service of spatiotemporal big data[J]. Journal of Geo-information Science, 2019, 21(12):1825-1831. ] DOI: 10.12082/dqxxkx.2019.190694

DOI

[42]
Goodchild M F. Citizens as sensors: The world of volunteered geography[J]. GeoJournal, 2007, 69(4):211-221. DOI: 10.1007/s10708-007-9111-y

DOI

[43]
马超, 孙群, 徐青, 等. 自发地理信息可信度及其评价[J]. 地球信息科学学报, 2016, 18(10):1305-1311.

DOI

[ Ma C, Sun Q, Xu Q, et al. The credibility and evaluation of volunteered geographic information[J]. Journal of Geo-information Science, 2016, 18(10):1305-1311. ] DOI: 10.3724/SP.J.1047.2016.01305

DOI

[44]
崔晓临, 张佳蓓, 吴锋, 等. 基于多源数据融合的北京市人口时空动态分析[J]. 地球信息科学学报, 2020, 22(11):2199-2211.

DOI

[ Cui X L, Zhang J B, Wu F, et al. Spatio-temporal analysis of population dynamics based on Multi-source data integration for Beijing municipal city[J]. Journal of Geo-information Science, 2020, 22(11):2199-2211. ] DOI: 10.12082/dqxxkx.2020.190769

DOI

[45]
朱守杰, 杜世宏, 李军, 等. 融合多源空间数据的城镇人口分布估算[J]. 地球信息科学学报, 2020, 22(8):1607-1616.

[ Zhu S J, Du S H, Li J, et al. Estimating population distribution in cities and towns though fusing multi-source spatial data[J]. Journal of Geo-information Science, 2020, 22(8):1607-1616. ] DOI: 10.12082/dqxxkx.2020.190783

DOI

[46]
Ma T, Lu R, Zhao N, et al. An estimate of rural exodus in China using location-aware data[J]. PLoS One, 2018, 13(7):e0201458. DOI: 10.1371/journal.pone.0201458

DOI

[47]
王佳文, 叶裕民, 董珂. 从效率优先到以人为本——基于“城市人理论”的国土空间规划价值取向思考[J]. 城市规划学刊, 2020(6):19-26.

[ Wang J W, Ye Y M, Dong K. From efficiency-priority to human-centrality: The value orientation of the territorial spatial planning based on the homo urbanicus theory[J]. Urban Planning Forum, 2020(6):19-26. ] DOI: 10.16361/j.upf.202006003

DOI

Options
文章导航

/

〈 〉