EN中文

地球信息科学学报 >

2022 , Vol. 24 >Issue 2: 299 - 309

DOI: https://doi.org/10.12082/dqxxkx.2022.210079

地球信息技术在国土空间规划中的应用

多源大数据支持的土地储备智能决策模型集研究

  • 李军 , 1 ,
  • 刘举庆 , 1, * ,
  • 游林 2 ,
  • 董恒 3 ,
  • 俞艳 3 ,
  • 张晓盼 3 ,
  • 钟文军 4 ,
  • 杨典华 5
展开
  • 1.中国矿业大学（北京）地球科学与测绘工程学院,北京 100083
  • 2.浙江时空智子大数据有限公司,宁波 315101
  • 3.武汉理工大学资源与环境工程学院,武汉 430070
  • 4.宁波市自然资源和规划大数据中心,宁波 315042
  • 5.京师天启（北京）科技有限公司,北京 100086
*刘举庆（1995— ）,男,山东临沂人,博士研究生,主要研究方向为地理大数据分析与挖掘。E-mail:

李 军（1987— ）,男,湖北汉川人,副教授,主要从事地理信息科学理论与方法应用研究。E-mail:

收稿日期: 2021-02-18

  要求修回日期: 2021-03-28

  网络出版日期: 2022-04-25

基金资助

国家自然科学基金项目(41971355)

国家重点研发计划项目(2018YFB0505405)

中国矿业大学（北京）越崎青年学者资助计划

中央高校基本科研业务费专项资金资助(2015QD01)

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

An Intelligent Decision Model Set for Land Reserve based on Multi-source Big Data

  • LI Jun , 1 ,
  • LIU Juqing , 1, * ,
  • YOU Lin 2 ,
  • DONG Heng 3 ,
  • YU Yan 3 ,
  • ZHANG Xiaopan 3 ,
  • ZHONG Wenjun 4 ,
  • YANG Dianhua 5
Expand
  • 1. College of Geoscience and Surveying Engineering, China University of Mining & Technology, Beijing 100083, China
  • 2. Zhejiang Space-time Sophon Big Data Co., Ltd., Ningbo 315101, China
  • 3. School of Resource and Environment Engineering, Wuhan University of Technology, Wuhan 430070, China
  • 4. Ningbo Natural Resources and Planning Big Data Center, Ningbo 315042, China
  • 5. Image Sky Beijing technology Co., Ltd., Beijing 100086, China
*LIU Juqing, E-mail:

Received date: 2021-02-18

  Request revised date: 2021-03-28

  Online published: 2022-04-25

Supported by

National Natural Science Foundation of China(41971355)

National Key Research and Development Program of China(2018YFB0505405)

the Yueqi Young Scholar Project of China University of Mining and Technology at Beijing

the Fundamental Research Funds for the Central Universities(2015QD01)

Copyright

Copyright reserved © 2022
Fold

摘要

伴随着城镇化的快速推进,城乡建设用地资源日益紧张,但目前土地储备决策缺乏精准科学依据,无法有效地进行资源配置和宏观调控。针对此问题,本文深入剖析土地储备基本业务与决策环节,研究了一套面向土地储备的智能决策模型集,包括存量土地监测模型、收储成本预测模型、出让价格预测模型、储备平衡分析模型、相似地块分析模型、开发时序分析模型及病态地块识别模型,旨在将土地储备决策环节科学化、定量化和模型化,并重点为土地储备总量、效益、规模、结构、布局、时序的统筹安排提供建议。另外,该模型集具有体系化、高效灵活、智能化的特点,能够服务于储备业务全链条,满足即时决策应用需求和实现模型自主更新与进化,保证模型的时效性。最后,该模型集已经工程化应用于宁波市土地储备智能决策支持平台,实践验证了以上决策模型具有较高的准确度和实用性,表明模型集能够为土地储备的科学决策提供理论依据,有利于土地资源的集约利用和高效配置。

关键词： 国土空间规划; 土地储备; 多源大数据; 数据挖掘; 人工智能; 智能决策; 综合评价; 定量预测

本文引用格式

李军 , 刘举庆 , 游林 , 董恒 , 俞艳 , 张晓盼 , 钟文军 , 杨典华 . 多源大数据支持的土地储备智能决策模型集研究[J]. 地球信息科学学报, 2022 , 24(2) : 299 -309 . DOI: 10.12082/dqxxkx.2022.210079

Abstract

With the rapid development of urbanization, urban construction land is becoming increasingly scarce. Therefore, as a macro-regulation policy for the intensive utilization and optimal allocation of land resources, land reserve is playing an increasingly important role. However, at present, land reserve decision-making lacks scientific basis and cannot effectively carry out resource allocation. In order to solve this problem, this paper puts forward seven intelligent decision-making models for land reserve through in-depth analysis of the basic services and decision-making processes of land reserves. The models are listed below. Firstly, Stock Land Monitoring Model based on the comprehensive quantitative evaluation method, which can dynamically monitor and discover the city stock land and then make recommendations for land reserve objects. Secondly, Land Reserve Cost Prediction Model based on the market comparison method, which can carry out a large range and efficiently predict the cost of stock land. Thirdly, Land Sale Price Prediction Model based on the Support Vector Machine (SVM), which can predict the reserve income of the land to be sold. Fourthly, Land Reserve Balance Analysis Model based on the gray forecast model, which can predict the amount of land reserve to promote coordinated regional development. Fifthly, Similar Land Query Model based on the comprehensive quantitative evaluation method, which can promote large-scale land development to form an agglomeration effect. Sixthly, Development Sequence Analysis Model based on the comprehensive quantitative evaluation method, which can optimize the spatial structure and formulate a reasonable development sequence to promote the continuous rolling of funds. Seventhly, Abnormal Land Identification Model based on spatial overlay analysis, which can improve the detection efficiency of various problematic plots. The purpose of this model set is to make the land reserve decision-making process scientific, quantitative, and model-based, which focuses on providing instructions for the overall arrangement of total land reserve, benefit, scale, structure, layout, and time sequence. In addition, through theoretical analysis and practical verification, we found that the model set has the characteristics of systematization, high efficiency, flexibility, and intelligence. It can serve the entire chain of land reserve service, meet the needs of real-time decision-making applications, and realize the independent update and evolution to ensure the timeliness of model computation. Finally, the model set has been engineered and applied to the Ningbo Land Reserve Intelligent Decision Support Platform. The effectiveness and practicality of the above decision-making models have been verified by simulating the entire land reserve decision-making processes based on this platform, indicating that the model set can provide a theoretical basis for the scientific decision-making of land reserves.

Key words： territorial spatial planning; land reserve; multi-source big data; data mining; artificial intelligence; intelligent decision; comprehensive evaluation; quantitative prediction

1 引言

随着我国城市化进程的快速推进,城乡建设用地资源日益紧缺[1,2,3],土地储备作为土地资源集约利用和优化配置的宏观调控手段,在规范和培育土地市场、增加财政收入、促进城市规划的合理实施等方面扮演着越来越重要的角色,受到社会各界的高度重视[4]。但由于我国土地储备制度尚处于发展阶段,目前缺乏科学的土地储备规划,呈现“即储即供”的短期运作特点,无法有效地指导土地储备工作实施[5],导致出现储备空间萎缩、城市盲目扩张、资金流转不畅等现实问题。因此,如何提高土地储备决策的科学性,加强顶层设计与统筹规划,制定切实可行的土地储备计划,已成为土地管理部门面临的首要问题。
在此背景下,国内外部分学者针对以上问题大胆探索,针对土地储备决策环节构建数学模型,包括利用模糊神经网络模型、灰色马尔可夫模型以及回归分析对规划期内的土地储备规模、需求量进行分析和预测[6,7,8];通过建立城市土地储备潜力评价指标体系,利用地理信息系统（Geographic Information System, GIS）空间分析定量化方法,对土地储备潜力进行评估,以确定适宜的储备地 块[9,10];利用多元回归、地理加权回归模型以及系统动力学模型等对未来土地价格进行预测[11,12,13,14],以快速掌握土地储备收益状况。虽然现有研究针对土地储备特定环节取得了一定成效,但大多是探索性的研究,决策模型也较为单一,未能形成系统的、成熟的土地储备决策方法体系;并且由于过去数据采集技术的限制,决策分析多依赖大尺度市区、县级统计信息,缺乏丰富的多源大数据支撑,评价指标体系难以真实且精细地刻画地块尺度下的发展状况,难以满足细粒度评估及预测结果准确性的高标准要求。
近年来,伴随着大数据、人工智能、云计算等高新技术的快速发展,系统化、科学化、智能化的政务决策成为发展趋势[15]。大数据思维已被应用到城市生态监测[16,17]、智慧城市建设[18,19,20]、社会动态感知[21]等各个领域,这为国土空间规划以及土地储备科学决策带来新的发展机遇[22,23,24]。在此背景下,各级政府正逐步建立时空信息云平台,旨在将散落在各个部门的多源数据聚合,以构建国土空间规划“一张图”,为多部门协同决策提供数据支 撑[25,26]。部分学者也通过对多源大数据挖掘分析,自动提取城市功能区,以优化城市空间布局,为国土资源的有效配置提供新的解决方案[27,28,29]。人工智能、云计算技术也被应用到城市功能区精细化管理、空间适宜性评价、城市活力评估等城市规划领域,以形成新一代智能化城市规划决策系 统[30,31,32]。综上,虽然国内外学者基于大数据和人工智能技术在国土空间规划、城市规划领域做了深入研究,但鲜有将大数据思维应用到土地储备这一核心业务中,土地储备所面临的决策缺乏精准科学依据且效率低等诸多问题仍未得到解决[33],亟需一套面向土地储备专题的大数据分析方法来辅助其科学决策。
基于此,本文旨在将土地储备专题多源大数据聚合,深入分析土地储备业务环节及决策需求,构建一套系统化、定量化、智能化的土地储备决策模型集,为土地储备顶层设计与科学决策提供地块尺度下的精细化参考依据,进而辅助储备计划的精准合理制定,指导土地储备工作实施。最后,本文将以宁波市作为试点城市,依托所提决策模型理论方法,构建宁波市土地储备智能决策支持平台,以规范土地市场,消除城市土地存量,实现城市的有机更新。

2 模型体系及其原理方法

2.1 业务分析与逻辑设计

土地储备是国土资源主管部门为调控土地市场、促进土地资源合理利用,依法取得土地,组织前期开发、储存以备供应的行为,从业务层面概括 来讲包括储备计划与储备实施2部分内容[34-35] （图1）。① 土地储备计划是指导土地储备工作的重要基础,也是明确各项控制指标的主要依据,是土地储备的顶层设计,对于储备实施具有指导性意义。从时间上被分为3年滚动计划和年度计划, 3年滚动计划是各级国土资源管理部门针对不同用地类型,以城市重要规划等为依据,结合社会经济现状和对未来的预估,对未来土地储备总量、效益、结构、布局、时序等方面做出统筹安排,以指导土地储备年度计划制定和工作实施[36];年度储备计划应根据3年滚动计划的具体内容,重点制定未来第一年度的收储计划、供应计划、临时管护计划及资金需求预测等内容,以指导下一年度的土地储备工作。② 土地储备实施则是按照计划进行土地收购、储备和出让,即土地储备部门通过置换、购买和到期回收等方式将城市出让用地集中起来;然后进行开发和再开发,形成等待出让的“熟地”进行入库管护;最后以招标、拍卖、挂牌等方式投放到土地一级市场,完成土地出让[35]。
图1 土地储备业务流程

Fig.1 Land reserve business process

基于以上对土地储备业务流程的深入分析,并结合业务部门在决策环节面临的迫切需求,智能决策模型集将服务于土地储备“收购-入库-出让”全链条,从模型功能被分为智能分析模型和决策支持模型2种类型（图2）。智能分析模型重点研究土地收购基础阶段,基于土地利用效率定量评价法、市场比较法和支持向量机来构建模型集,其中存量土地监测模型能够从城市土地中快速识别储备潜力地块（闲置用地、城中村等）,并通过收储成本预测模型获取土地储备成本,结合出让价格预测模型,即可对收储目标地块的财政收支进行宏观把控。在此基础上,依托灰色预测模型、相似性定量评价、开发潜力定量评价及空间叠加分析等方法,决策支持模型集将重点解决如下问题：收储多少地块合适（储备平衡分析模型）,如何形成聚集规模效应（相似地块分析模型）,先收储和开发哪一个地块（开发时序分析模型）,以及各个储备机构的收储计划是否存在冲突和问题地块（病态地块识别模型）等。最终以体系化的方式服务于土地储备计划的科学编制,以实现对现有土地的数量规模、空间形态、结构用途、开发时序等统筹安排。
图2 智能决策模型逻辑

Fig. 2 Intelligent decision models logic diagram

2.2 模型体系设计

智能决策模型集的基本原理是依托多源大数据,采用时空定量分析、多元统计、机器学习、知识建模等挖掘方法,将业务决策环节进行数学建模,提供一系列定量化的决策信息。本研究中,多源大数据是来源多样且反映社会、经济、人口、环境各个方面的时空数据集,包括国土规划、土地储备机构等部门长期以来积累了大量的城市基础地理信息、国土规划业务数据、公共专题数据、土地收储案例等历史多源数据以及实时反映人类个体的行为状态如移动轨迹数据、社交媒体数据、遥感影像数据等时空数据[19],其中移动轨迹数据为手机信令数据,空间分辨率以基站密度确定,时间分辨率为分钟级;社交媒体数据来源于百度或阿里的大数据产品,空间分辨率为百米级,时间分辨率为分钟级,此类动态数据可以实时反映地块内或地块间的人口流动,反映出地块的人口活力。遥感影像包括国产高分系列卫星数据、Landsat系列卫星数据以及珞珈一号夜间灯光遥感影像等,其中夜间灯光数据可以直接反映出地块的经济产出状况,辅助进行地块经济状况量化评估。多源大数据能够突破传统研究在时空粒度和范围上的局限,为精细化的国土空间规划和智能分析提供数据基础。在此基础上,充分调研影响地块价值的诸多因素,如土地活力、区位条件、规划地位、经济产出、环境质量、安全隐患等,以构建一套相对完整的地块现状评估指标体系,为智能决策模型提供地块画像。最后,将各个模型所用的数据和评价指标进行系统梳理,构建智能决策模型集的“数据-指标-模型”关系图,具体内容如图3所示。
图3 土地储备智能决策模型集中的数据、指标、模型关系

Fig. 3 Data, indicators, models relationship in the intelligent decision-making models for land reserve

2.3 模型设计原理

（1）存量土地监测模型
存量土地监测模型可以将城市存量土地抓取出来进行收储,以消除城市存量土地,其中存量土地是指现有城乡建设用地范围内的闲置未利用土地和利用不充分、不合理、产出低的土地,即具有开发利用潜力的现有城乡建设用地,包括城中村、依法回收的土地、低效用地等类型。其中低效用地一直是城市发展需要重点关注的储备对象,也是地块发现的难点所在。因此,该模型的核心在于土地利用效率的定量评价,首先利用土地利用数据区分住宅用地、商服用地和工业用地,然后将影响各类土地利用效率的社会、经济、环境等因素梳理,构建土地利用效率评价指标体系（潜在开发容量、建筑密度、入住率等）,并依托基础地理信息数据和手机信令数据等多源大数据,通过GIS空间分析技术定量化表达,最后通过式（1）计算土地利用效率得分,选取效率较低地块进行优先收储。
S all = ∑ i = 1 n W i S i
式中：Sall为土地利用效率总得分;Si为单个评价指标标准化后的量化值;Wi为利用层次分析法（Analytic Hierarchy Process, AHP）[37,38]计算的相应指标的权重大小。
（2）收储成本预测模型
成本估算在储备业务中是一项耗时费力的工作,且现有方法均是针对待储备地块的精细核算,不利于做宏观上的整体把控。该模型提出房地一体评估思路,即不需要计算地价,只需计算房价进行资产量化,能够进行大规模地块的统一成本量算,方便储备部门在制定计划阶段宏观地把控财政预算。模型选择主流的市场比较法[39],首先基于房产交易数据,根据交易时间、建筑结构等筛选可比交易案例等数据定量刻画房屋画像,如区位条件、交易情况等;进而根据替代原则,将待估土地的房屋与可比交易案例进行对比,然后依据后者已知的价格,修正得出待估土地的房屋评估时日收购价格（式（2））;最后根据房屋面积计算待征收房屋的成本,加以管线及道路改造成本即可完成收储成本的预测。
V = VB × A × B × D × E
式中：V为待估地块的房屋价格;VB为比较实例价格;A建筑结构修正系数;B交易日期修正系数;D为区位条件修正系数;E为个别因素修正系数,如交易情况、使用年限等。
（3）出让价格预测模型
土地出让价格预测模型旨在实现土地出让价格快速预测,为土地储备机构的资金平衡提供收益信息。该模型通过支持向量机（Support Vector Machine,SVM）[40]进行分类训练,以建立评价指标体系与土地出让价格的函数关系,然后通过类别内的案例地块价格估算目标地块出让价格。具体来讲,同样区分住宅、商服、工业3种用地类型,通过分析土地价格影响因素,建立土地出让价格影响指标体系,包含区位因素、容积率、宗地面积等,并依托多源大数据定量化表达,进而通过支持向量机建立分类模型,获取价格预测模型。通过输入待评估地块的影响指标量化值,可以得出待评估地块的出让价格（式（3））。最后根据地块内的总面积计算地块的出让收益。
y ˆ = f ( x set ) = svm ( y = c | x set , D )
式中：c为待评估地块的评估价格; x set为待评估地块出让价格的评估指标集合;D为给定训练数据（历史土地交易案例）。
（4）储备平衡分析模型
储备平衡分析模型旨在发挥“洪时蓄水、旱时放水”的调节作用,在数量、规模以及空间分布上做好控制。模型分为时间平衡分析和区域平衡分析2个部分内容,前者是基于灰色预测GM（1.1）模型[41],以过去十年每月的土地出让量的统计值为输入,对未来几年各月份的土地出让量进行同比预测,并通过后验差检验来判别预测精度（表1）,结合未来的土地库存量,计算未来各区的土地供需差额,以达到时间上的平衡。空间上将过去十年的土地供应数据进行核密度分析,得到历史土地的供需热力图,对收储无序、速度过快、分布失调的行政区域进行预警和建议。其中灰色预测模型的基本原理是输入时间数列X(0) = (X(0)(1), X(0)(2), …, X(0)(n) ) 并将其进行一次累加生成得新的数列X(1) = (X(1)(1), X(1)(2), …, X(1)(n) ),进而建立微分方程（式（4））,并构建一阶微分GM（1,1）预测模型（式（5））进行目标时间下的预测。
d X ( 1 ) ( t ) dt + a X ( 1 ) ( t ) = u
X ˆ ( 1 ) ( k + 1 ) = X ( 1 ) ( 0 ) - u / a e - ak + u / a
式中：a、u为待定参数。
表1 后验差检验模型精度等级

Tab. 1 The accuracy level of the posterior error test model

精度等级 优 良 中 差
P >0.95 >0.8 >0.7 ≤0.7
C <0.35 <0.5 <0.65 ≥0.65

注：P为后验指标小误差概率,C为后验指标方差比。

（5）相似地块分析模型
相似地块分析模型是从库存土地中寻找与目标地块（大组团内的零星地块）相似的地块进行替换,以发现和促进组团式大区块开发,形成聚集规模效应。模型原理是利用核密度制图算法[42]、栅矢转换算法、凸包算法和聚类算法[43],从目前城区现有储备用地中,确定有可能进行大规模开发的区域;进而从中提取尚未收储的零星地块,并通过建立相似指标评价体系,包括区位条件、建造时间、容积率等,从现有储备用地和存量土地中,抓取与之相似的地块（式（6））,作为置换的建议用地,以建立大区块、成组团、成片区的工作格局,解决土地开发破碎化问题。
Lan d id = sim ( x 1 , x 2 , … , x 3 )
式中：Landid为与零星地块相似的库存地块;xi为地块相似性度量指标标准化后的量化值。
（6）开发时序分析模型
开发时序分析模型主要为组团式大区块收储项目服务,以合理制定各个小地块的开发时序,调整土地资源配置,整合土地空间结构,提高土地利用效率。该模型核心思路在于建立土地收储潜力评价指标体系,对地块的收储潜力进行定量评价,包括收储工作难易度和收储的经济效益。其中收储难易度定量评价的原理同式（1）,即通过构建拆迁体量、拆迁户数、经济损失、老年占比、周边配套、邻避设施、土地产出率、人口流量密度等指标,定量化表达地块的开发难易程度;收储经济效益则是通过收储成本预测结果和出让收益预测结果计算得到,将难易度与经济效益结果标准化后,进一步结合专家知识通过加权求和来评估存量土地收储潜力,对各地块的开发时序进行建议。
（7）病态地块识别模型
病态地块是指各主体收储时间冲突、与规划用地性质冲突等问题地块,为了更好地避免这一问题,构建了病态地块识别模型。首先将各个做地主体（土地储备实施单位）制定的计划进行空间叠加检测,提取收储时间、空间位置冲突的重复地块;然后与城市土地利用规划数据叠加分析,可以提取与规划用地性质冲突的地块。通过病态地块识别模型可以保证年度计划的准确性,避免费时耗力的地块数据目视矫合比对过程,方便土地储备中心进行统筹安排。

3 实证研究

基于以上理论和技术方法,宁波市自然资源和规划大数据中心承建了土地储备智能决策支持平台,为宁波市土地储备中心、自然资源与规划局、发改委等土地储备核心部门和下属17个做地主体提供土地储备谋划所需要的各类资源要素和信息化决策支持,以明确收储对象、效益、规模、结构、时序及潜在大区块等关键内容。该平台依托宁波市政务云和智慧宁波时空信息云平台进行大数据环境部署和更新,采用Oracle、MongoDB、ArcGIS for Server、Leaflet、Python等技术,基于B/S架构进行系统研发,包括数据库服务、文件服务、应用服务、Web服务和移动服务等。其中服务器配置为48核CPU（Intel Core i5）,92 GB内存,1 TB硬盘。
以宁波市土地储备决策业务为例,土地储备机构首先利用平台内的存量土地监测模型可以实时计算并快速获取整个市区内所有的存量土地的空间位置、类型、总量、地块状况等信息。如图4（a） 给出了城市内各区存量用地筛查结果,包括城中村、收购的国有土地、闲置低效用地等类型,其中3276号地块整体利用效率较低为2.75%,原因在于该地块内建筑强度、经济效率、环境质量等均较差（评估等级为“劣”）。为验证该模型准确性,选取部分存量地块进行验证,通过遥感影像可以看出模型识别的存量地块大部分是荒地、城中村或废弃工业用地,利用效率低,严重造成土地资源的浪费。然后利用收储成本预测模型和出让价格预测模型分别计算目标地块的收储成本和出让收益,如3276号地块收储成本为10 686.7198万元（图4（b））,出让收益为69 420.8960万元（图4（c））,净收益为58,734.1762万元,以此掌握各个存量地块的财政收支状况。在此基础上,利用储备平衡分析模型预测未来一段时间内的土地储备规模和历史土地储备供需状况（图4（d））,如2020年12月的土地需求量、出让量分别建议为78.0617 hm2,29.4140 hm2,预测精度后验差检验判别为优,同时提供历史收储地块的空间分布热力图,呈现收储的热点及冷点区域,根据模型预测结果和热力分析,可以合理安排各区域收储规模,促进区域平衡发展。进而利用相似地块分析模型识别潜在的大区块开发区域,如图4（e）所示,经过模型计算发现4447号、4467号、8330号、3276号存量地块可以与4446号地块形成大区块,因此计算与该地块的相似的库存地块并与之替换,建议将4446号地块一并收储,促进大规模开发。最后根据开发时序分析模型确定大区块内各个小地块的开发时序（图4（f））,从前往后依次建议为4467号、3276号、8330号、4447号和4446号,并给出了具有可解释性的分析依据,如8330号地块为一般收储,其原因为客流量较大,并且产生较大的经济损失和土地改造费用。另外,通过病态地块识别模型可以将各区县不同做地主体制定的储备计划进行病态地块识别,筛查收储时间冲突、与规划用地性质冲突等问题地块,如图4（g）所示,检测出目标地块与土地规划冲突,建议进行修改。
图4 宁波市土地储备智能决策支持平台模型集运算实例

Fig.4 An example of the models operation from the Ningbo Land Reserve Intelligent Decision Support Platform

为进一步验证以上理论方法的科学性与实用性,将该平台模拟结果与实际案例进行对比分析,重点关注智能分析模型集。任意取宁波市50个已经收储的历史存量用地作为交叉验证样本,取利用效率靠后的20%的地块作为存量土地监测模型识别结果,对比发现其中有39个样本与模型识别结果重合,总体准确率为78.0%,部分差异是由于政策、使用期限等个别因素引起。同样,遵循价格分布与行政区域分布平均的原则,选择12个已经过专业机构进行收储价格估算的实际收储案例,对比收储成本预测模型的预测结果,模型平均精度为86.5%。选取2018年1月—2019月6月的已经挂牌出让的历史出让地块（商业用地50个、居住用地53个）作为出让价格预测模型输入数据,并分别随机选取了95%的案例作为训练数据,剩余5%作为精度验证数据,模型预测出让价格平均精度为88.8%。经过模型实证分析,以上模型具有一定的准确度,能够满足宏观尺度上的土地储备决策分析要求。

4 讨论

本文所提出的土地储备模型集通过理论分析和工程应用,可总结出该模型体系具有以下特点：
（1）模型集更加系统和全面,可以服务于储备业务全链条。智能决策模型集是将土地储备业务各个环节进行系统梳理和数学建模,基本涵盖了土地储备整个生命周期,可以服务于土地储备计划编制的全过程。
（2）决策模型效率较高,能够满足高时效决策的应用需求。传统业务中的决策分析（如成本核算、开发时序分析）需要投入大量的人力和时间,无法实现计划编制阶段对大范围、大规模地块预测分析,而智能决策模型集则通过数据层、指标层和模型层的协同运作,能够实现城区内大规模地块画像,并且快速获取决策信息,在保证一定的精度上实现对城市内所有地块的宏观把控和统筹安排。
（3）部分决策模型智能化,可以实现自主动态更新。实时更新的位置感知数据与房产交易数据等多源大数据使得相应评价指标和决策模型同步更新,并且以支持向量机为基础的出让价格预测模型也是随着数据的更新而不断进化,这一特点能够保证模型的时效性和先进性,以提供准确的分析结果。
多源大数据为土地储备智能化决策带来新机遇的同时,因其本身也具有一定的复杂性,在多源数据融合这一关键技术上同样存在着挑战,需要投入较多精力来打破数据烟囱。不过当下各级政府正在逐步建设贯通各部门的大数据中心或打造统一的时空信息云平台,使得这一问题有望得到解决。另外,土地储备智能决策模型的可拓展性需要进一步提高,尤其是针对我国幅员辽阔且区域差异显著这一特征,需要结合各个区域的社会、经济、文化进行模型指标、数据调整,在实践中不断反复迭代更新,以形成一套兼顾地方差异并且可定制化的土地储备智能决策模型集。

5 结论

本文从土地储备的实际业务及决策环节出发,充分考虑其内在决策需求,依托多源时空大数据,采用人工智能、时空分析、多指标综合定量评价等方法,研究了一套面向土地储备的智能决策模型集,将各土地储备决策环节进行科学化、定量化和模型化,为土地储备规模、效益、结构、布局、时序等统筹安排提供决策依据,进而辅助储备计划的科学制定,指导储备实施。该模型集具有体系化、高效灵活、智能化的特点,能够服务于储备业务全链条,满足即时决策应用需求和实现模型本身自主更新与进化,保证模型的时效性。并且该模型集已经被工程化应用到宁波市土地储备智能决策支持平台中,通过实践证明,本文所提出的土地储备智能决策模型集具有较高的准确度、实用性和科学性,有助于提高土地储备的科学性和运作效率,对于土地资源的科学运营与优化配置、合理利用有限的土地资源具有一定借鉴意义。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
国家统计局. 2018年国民经济和社会发展统计公报[EB/OL]. http://www.stats.gov.cn/tjsj/zxfb/201902/t20190228_1651265.html, 2019-02-28.

[National Bureau of Statistics. 2018 statistical bulletin on national economic and social development[EB/OL]. http://www.stats.gov.cn/tjsj/zxfb/201902/t20190228_1651265.html, 2019-02-28.

[2]
夏柱智. 城市化进程中的土地制度改革比较研究—— 基于苏南和珠三角的经验[J]. 社会科学, 2019(2):81-88.

[ Xia Z Z. A comparative study of land system reform in the process of urbanization: Based on the experience of south of Jiangsu and the Pearl River Delta region[J]. Journal of Social Sciences, 2019(2):81-88. ] DOI: 10.13644/j.cnki.cn31-1112.2019.02.008

DOI

[3]
Sheng X W, Cao Y G, Zhou W, et al. Multiple scenario simulations of land use changes and countermeasures for collaborative development mode in Chaobai River region of Jing-Jin-Ji, China[J]. Habitat International, 2018, 82:38-47. DOI: 10.1016/j.habitatint.2018.10.008

DOI

[4]
李明超. 城市土地征收、储备、出让改革联动述论[J]. 西部论坛, 2017, 27(5):54-63.

[ Li M C. Review of urban land expropriation, reserve, transfer and management reform of China[J]. West Forum, 2017, 27(5):54-63. ] DOI: 10.3969/j.issn.1674-8131.2017.05.009

DOI

[5]
高霞, 朱德米. 中国土地储备政策演进的结构特征[J]. 城市问题, 2017(12):72-80.

[ Gao X, Zhu D M. Structual features of the evolution of China's land conservation policies[J]. Urban Problems, 2017(12):72-80. ] DOI: 10.13239/j.bjsshkxy.cswt.171210

DOI

[6]
黄海, 祝国瑞. 基于模糊神经网络的土地合理储备量预测研究[J]. 武汉大学学报·信息科学版, 2006, 31(6):561-563.

[ Huang H, Zhu G R. Application of fuzzy neural networks to land reserve prediction[J]. Geomatics and Information Science of Wuhan University, 2006, 31(6):561-563. ] DOI: 10.3969/j.issn.1671-8860.2006.06.024

DOI

[7]
Wang Y J, Li L J. Forecasts of urban construction land scale based on driving force analysis[C]//Proceedings of the 2017 5th International Conference on Mechatronics, Materials, Chemistry and Computer Engineering (ICMMCCE 2017). Paris: Atlantis Press, 2017:453-456. DOI: 10.2991/icmmcce-17.2017.86

DOI

[8]
Xiong Y, Chen Y, Peng F, et al. Analog simulation of urban construction land supply and demand in Chang-Zhu-Tan Urban Agglomeration based on land intensive use[J]. Journal of Geographical Sciences, 2019, 29(8):1346-1362. DOI: 10.1007/s11442-019-1663-5

DOI

[9]
刘鹏, 关丽, 罗晓燕. 基于GIS的城市建设用地资源潜力评价初探[J]. 地理与地理信息科学, 2011, 27(5):69-73.

[ Liu P, Guan L, Luo X Y. Potential resource evaluation of urban construction land based on GIS[J]. Geography and Geo-information Science, 2011, 27(5):69-73. ] DOI: CNKI:SUN:DLGT.0.2011-05-016

DOI

[10]
Xu Y, Tang Q, Fan J, et al. Assessing construction land potential and its spatial pattern in China[J]. Landscape and Urban Planning, 2011, 103(2):207-216. DOI: 10.1016/j.landurbplan.2011.07.013

DOI

[11]
董冠鹏, 张文忠, 武文杰, 等. 北京城市住宅土地市场空间异质性模拟与预测[J]. 地理学报, 2011, 66(6):750-760.

[ Dong G P, Zhang W Z, Wu W J, et al. Spatial heterogeneity in determinants of residential land price: Simulation and prediction[J]. Acta Geographica Sinica, 2011, 66(6):750-760. ] DOI: 10.11821/xb201106004

DOI

[12]
Wang Z Y, Fu M C, Yu Y L, et al. Prediction of urban land price based on Grey-Markov model[C]// Proceedings of 2011 International Conference on Computer Science and Network Technology. IEEE, 2011:708-712. DOI: 10.1109/ICCSNT.2011.6182064

DOI

[13]
Sampathkumar V, Santhi M H, Vanjinathan J. Forecasting the land price using statistical and neural network software[J]. Procedia Computer Science, 2015, 57:112-121. DOI: 10.1016/j.procs.2015.07.377

DOI

[14]
Li L B, Chen Y M, Yu C. Study on the price and economic impact of residential land based on system dynamics[C]// ICCREM 2017. Reston, VA: American Society of Civil Engineers, 2017:187-196. DOI: 10.1061/9780784481073.021

DOI

[15]
李德仁, 马军, 邵振峰. 论时空大数据及其应用[J]. 卫星应用, 2015(9):7-11.

[ Li D R, Ma J, Shao Z F. Discussion on spatio-temporal big data and its application[J]. Satellite Application, 2015(9):7-11. ] DOI: CNKI:SUN:WXYG.0.2015-09-005

DOI

[16]
Xie H L, He Y F, Xie X. Exploring the factors influencing ecological land change for China's Beijing-Tianjin-Hebei Region using big data[J]. Journal of Cleaner Production, 2017, 142:677-687. DOI: 10.1016/j.jclepro.2016.03.064

DOI

[17]
吴志峰, 曹峥, 宋松, 等. 粤港澳大湾区湿地遥感监测与评估:现状、挑战及展望[J]. 生态学报, 2020, 40(23):8440-8450.

[ Wu Z F, Cao Z, Song S, et al. Wetland remote sensing monitoring and assessment in Guangdong-Hong Kong-Macao Greater Bay Area: Current status, challenges and future perspectives[J]. Acta Ecologica Sinica, 2020, 40(23):8440-8450. ] DOI: 10.5846/stxb202004150888

DOI

[18]
Ding L, Shao Z F, Zhang H C, et al. A comprehensive evaluation of urban sustainable development in China based on the TOPSIS-entropy method[J]. Sustainability, 2016, 8(8):746. DOI: 10.3390/su8080746

DOI

[19]
陈能成, 刘迎冰, 盛浩, 等. 智慧城市时空信息综合决策关键技术与系统[J]. 武汉大学学报·信息科学版, 2018, 43(12):2278-2286.

[ Chen N C, Liu Y B, Sheng H, et al. Key techniques and system for comprehensive decision-making of spatio-temporal information in smart city[J]. Geomatics and Information Science of Wuhan University, 2018, 43(12):2278-2286. ] DOI: 10.13203/j.whugis20180198

DOI

[20]
Li J, Li Q Q, Zhu Y, et al. An automatic extraction method of coach operation information from historical trajectory data[J]. Journal of Advanced Transportation, 2019, 2019:1-15. DOI: 10.1155/2019/3634942

DOI

[21]
Tu W, Zhu T T, Xia J Z, et al. Portraying the spatial dynamics of urban vibrancy using multisource urban big data[J]. Computers, Environment and Urban Systems, 2020, 80:101428. DOI: 10.1016/j.compenvurbsys.2019.101428

DOI

[22]
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

[23]
Batty M. Big data, smart cities and city planning[J]. Dialogues in Human Geography, 2013, 3(3):274-279. DOI: 10.1177/2043820613513390

DOI

[24]
李燕萍, 虞虎, 王昊, 等. 面向大数据时代的城市规划研究响应与应对方略[J]. 城市发展研究, 2017, 24(10):1-10.

[ Li Y P, Yu H, Wang H, et al. The response and countermeasures of urban planning research in the era of big data[J]. Urban Development Studies, 2017, 24(10):1-10. ] DOI: 10.3969/j.issn.1006-3862.2017.10.001

DOI

[25]
喻文承, 李晓烨, 高娜, 等. 北京国土空间规划“一张图”建设实践[J]. 规划师, 2020, 36(2):59-64,77.

[ Yu W C, Li X Y, Gao N, et al. “one map” construction in national land-space plan, Beijing[J]. Planners, 2020, 36(2):59-64,77. ] DOI: 10.3969/j.issn.1006-0022.2020.02.009

DOI

[26]
李满春, 陈振杰, 周琛, 等. 面向“一张图”的国土空间规划数据库研究[J]. 中国土地科学, 2020, 34(5):69-75.

[ Li M C, Chen Z J, Zhou C, et al. “one map” oriented database investigation for territorial space planning[J]. China Land Science, 2020, 34(5):69-75. ] DOI: 10.11994/zgtdkx.20200514.144131

DOI

[27]
Cai J X, Huang B, Song Y M. Using multi-source geospatial big data to identify the structure of polycentric cities[J]. Remote Sensing of Environment, 2017, 202:210-221. DOI: 10.1016/j.rse.2017.06.039

DOI

[28]
蒋希冀, 王静, 王兰. 基于多源数据的城市功能布局优化研究:以上海市宝山区为例[J]. 现代城市研究, 2020, 35(5):2-9,37.

[ Jiang X J, Wang J, Wang L. Research on optimization of urban functional layout based on multi-source data: A case study of Baoshan district, Shanghai[J]. Modern Urban Research, 2020, 35(5):2-9,37. ] DOI: 10.3969/j.issn.1009-6000.2020.05.001

DOI

[29]
Gao X, Cai J. Optimization analysis of urban function regional planning based on big data and GIS Technology[J]. Boletin Tecnico/Technical Bulletin, 2017, 55(11):344-351.

[30]
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

[31]
屠李, 赵鹏军, 张超荣, 等. 面向新一代人工智能的城市规划决策系统优化[J]. 城市发展研究, 2019, 26(1):54-59.

[ Tu L, Zhao P J, Zhang C R, et al. Optimization of urban planning decision system based on the new generation of artificial intelligence[J]. Urban Development Studies, 2019, 26(1):54-59. ] DOI: 10.3969/j.issn.1006-3862.2019.01.009

DOI

[32]
张芳芳, 沈少青, 陈学业, 等. 智慧城市规划云平台的设计与实现[J]. 测绘通报, 2019(1):123-126.

[ Zhang F F, Shen S Q, Chen X Y, et al. Design and implementation of smart city planning cloud platform[J]. Bulletin of Surveying and Mapping, 2019(1):123-126. ] DOI: 10.13474/j.cnki.11-22 46.2019.0025

DOI

[33]
李军, 刘举庆, 游林, 等. 时空大数据支持的土地储备智能决策体系与应用研究[J]. 中国土地科学, 2019, 33(9):111-120.

[ Li J, Liu J Q, You L, et al. Intelligent decision system and application of land reserve supported by spatiotemporal big data[J]. China Land Science, 2019, 33(9):111-120. ] DOI: 10.11994/zgtdkx.20190910.091057

DOI

[34]
卢新海, 邓中明. 对我国城市土地储备制度的评析[J]. 城市规划汇刊, 2004(6):27-33,95.

[ Lu X H, Deng Z M. Comment on urban land banking system in our country[J]. Urban Planning Forum, 2004(6):27-33,95. ] DOI: 10.M3969/j.issn.1000-3363.2004.06.007

DOI

[35]
崔建远, 陈进. 土地储备制度的现状与完善[M]. 北京: 中国人民大学出版社, 2014.12-14.

[ Cui J Y, Chen J. Land reserve system in China: status in quo and its perfection[M]. Beijing: China Renmin University Press, 2014:12-14. ]

[36]
姜华, 王蔚炫, 毛勇龙, 等. 多规融合导向下宁波土地储备规划方法研究[J]. 规划师, 2018, 34(7):106-109,115.

[ Jiang H, Wang W X, Mao Y L, et al. Multi-plan integration oriented land reserve planning, Ningbo[J]. Planners, 2018, 34(7):106-109,115. ] DOI: 10.3969/j.issn.1006-0022.2018.07.016

DOI

[37]
鲍艳, 胡振琪, 王建峰, 等. 层次分析法在土地开发中的适宜性评价[J]. 西安科技大学学报, 2005, 25(2):179-182.

[ Bao Y, Hu Z Q, Wang J F, et al. Analytical hierarchy process based on GIS assessment of suitability in land exploitation and consolidation[J]. Journal of Xi'an University of Science & Technology, 2005, 25(2):179-182. ] DOI: 10.3969/j.issn.1672-9315.2005.02.012

DOI

[38]
Cheng E W L, Li H, Ho D C K. Analytic hierarchy process (AHP)[J]. Measuring Business Excellence, 2002, 6(4):33-37. DOI: 10.1108/13683040210451697

DOI

[39]
王秀丽, 李恒凯, 刘小生. 基于GIS的房地产市场比较法评估模型研究[J]. 中国土地科学, 2011, 25(10):70-76,97.

[ Wang X L, Li H K, Liu X S. Study on the market sales comparison model in real estate appraisal based on GIS[J]. China Land Science, 2011, 25(10):70-76,97. ] DOI: 10.3969/j.issn.1001-8158.2011.10.012

DOI

[40]
Cortes C, Vapnik V. Support-vector networks[J]. Machine Learning, 1995, 20(3):273-297. DOI: 10.1007/BF00994018

DOI

[41]
刘思峰, 党耀国, 方志耕. 灰色系统理论及其应用[M].5版. 北京: 科学出版社, 2010.

[ Liu S F, Dang Y G, Fang Z G. Grey systems: theory and application[M]. Beijing: Science Press, 2010. ]

[42]
李鹏山, 吕雅慧, 张超, 等. 基于核密度估计的京津冀地区耕地破碎化分析[J]. 农业机械学报, 2016, 47(5):281-287.

[ Li P S, Lü Y H, Zhang C, et al. Analysis of cultivated land fragmentation in Beijing-Tianjin-Hebei region based on kernel density estimation[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(5):281-287. ] DOI: 10.6041/j.issn.1000-1298.2016.05.038

DOI

[43]
Davies D L, Bouldin D W. A cluster separation measure[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1979, PAMI-1(2):224-227. DOI: 10.1109/TPAMI.1979.4766909

DOI

Options
文章导航

/

〈 〉