基于大数据的上海市存量土地开发潜力评价

刘 曦，王 军，何曼丽

（1. 上海市地质调查研究院，上海 200072；2. 上海市国土资源调查研究院，上海 200072)

基于大数据的上海市存量土地开发潜力评价

刘 曦1,2，王 军1,2，何曼丽1,2

（1. 上海市地质调查研究院，上海 200072；2. 上海市国土资源调查研究院，上海 200072)

本文采用大数据技术处理并融合了手机信令、交通、互联网、土地利用现状、人口普查等各类数据，构建了识别模型。基于模型对上海城市开发边界范围进行了土地开发潜力分区分类评价，定量计算出各区域和各类用途土地开发潜力。结果显示外围新城和新市镇是主要的潜力区域，工业用地、宅基地具有较大的开发潜力。最后通过分析上海居民地铁通勤特征验证了土地开发潜力分区分类评价结果，并基于评价结果提出了规划建议。

大数据分析；存量土地；开发潜力；土地规划

当今信息化社会的发展，日新月异的信息技术革命，特别是“大数据、云计算、平台化技术、移动互联网”等新兴技术的发展，带来了海量、多源、甚至可能是杂乱的“大”数据，如移动互联网数据、手机信令数据、交通出行数据等。“人—地—时”关系融为一体的大数据逐步走进并融入城市空间规划与土地利用管理领域，这将慢慢打破传统城市规划以政府和专家的价值判断为核心以及定量研究不足的瓶颈，为公众参与规划提供新方法和新视野[1]。城市空间规划和土地利用管理的核心是以人为本，传统方法以静态数据为基础，通常采用遥感、测绘等技术手段[2]，未考虑居民活动因素，缺乏对人群时空活动的“动态”分析。而大数据从采集频率、采样率与采样持续性上，都是一种技术突破，提供了一种长期、动态、持续更新数据的可能，成为现有人口调查、客流调查手段的一项重要组成，具备有效监测分析城市内不同区域间人流交换情况的能力，从地块级的微观尺度了解居民活动与时间、空间的关系。大数据“微观、全面、动态、连续、可定位”的特征，契合了城市空间规划与土地利用管理的数据应用需求，所以大数据不只是一个口号，也不仅仅是一个IT技术术语，对于城市空间规划与土地利用管理意味着新数据、新技术和新思维，甚至是新的规划方法论[3]。

国外学者乔斯（Josh）和马尔米（Malmi）等分别利用来自Bright Kite、Go Walla和Foursquare的用户签到数据，总结了用户的场所使用习惯，并对城市的热点区进行了预测[4,5]；詹先远等利用state of art技术分析了推特用户的签到数据，推测了纽约市的土地利用类型[6]。Hollen Stein等通过获取800万个Flicker的位置和图像信息来确定伦敦和芝加哥的边界。国内，北京城市实验室（BCL）的龙瀛博士利用海量公交IC卡的刷卡数据，识别北京市的居住—就业区位分布二者之间的关系，并对公交通勤出行进行识别、评价和可视化[7]。南京大学甄峰教授基于新浪微博大数据，从网络社会空间的角度入手，对中国城市网络层级和关联特征进行了研究[8]。同济大学王德教授以上海为案例地，利用手机信令数据，挖掘城市人口空间分布与活动的特征信息，评价了城市中的空间效率、职住关系、昼夜平衡、城市运营状态和空间活性[9]。北京大学林坚教授科研团队基于价值密度低、时效性高的GPS数据进行土地分类，并以深圳市福田区为案例，通过海量出租车GPS数据的时空挖掘，在验证居民活动、出租车上下车活动与城市用地类型之间相关关系的基础上，利用SVM监督分类算法和粒子群优化方法得出的最优参数对出租车GPS数据进行分类和准确率验证，结果显示：出租车GPS数据的分类结果与福田实际的土地利用类别匹配精确度高达97.16%，可以证明出租车GPS数据能够实现对城市土地利用类型实时、精确的动态感知[10]。网络自媒体“城市数据团”基于各类大数据对城市的交通、人口、就业、住房、环境等热点问题做了深入研究[11]，并通过通俗化的语言在微信公众号、知乎等平台上对公众进行传播，为城市规划管理机构与公众之间架起了一座沟通桥梁。从以上研究来看，大数据的发展为研究居民的时空行为带来了新的研究方法，采集各类大数据成为可能，为把握居民的时空活动特征提供了有力支撑。

当前，我国大城市土地资源开发利用开始转型发展，原来扩张型的开发利用模式难以为继，上海2040规划确定了3200km2建设用地的总规模，这意味着上海建设用地未来将“零增长”，新的用地政策旨在“优化用地结构、提高用地质量”，今后将以集约紧凑式发展、提高土地综合利用效率的方式为主，存量土地规划和土地再开发成为新的研究重点。本研究以人群活动为视角，基于海量、多源的大数据量化分析上海市土地开发利用特征，挖掘存量用地潜力，研究合理用地结构，为城市空间规划与土地利用管理提供新思路。

1 研究路线

本研究以存量土地利用开发为主题，采集与人的空间活动密切相关的通信、交通、互联网等大数据，提取各类数据的空间属性，并将其处理为GIS图层，在此基础上融合人口、规划和土地等传统数据，建立分析模型，将动态的人群活动空间分布特征与相对静态的土地利用特征进行对比分析，分区分类评价各区域土地开发潜力，并对分析结果进行验证，为城市空间规划和土地开发利用提出合理建议，研究路线如下：

（1）数据采集：通过与上海市交通委信息中心建立数据共享协议，获取了连续7天的上海移动手机基站信号数据、全市轨道交通刷卡数据。此外，文中上海市第六次人口普查数据、土地利用现状数据来自“上海2040规划”基础数据。

（2）数据处理：采集到原始数据后，需对数据进行解析、结构化处理和统一入库，提取入库后数据的空间位置属性，将其进行投影转换，生成GIS专题图层。

（3）模型构建：采用GIS空间建模方法，分析手机信令、交通等大数据与人口、土地利用数据的相关关系，构建分析模型，从大数据的视角对模型进行定量分析。

（4）结果分析：分区、分类评价各区域土地的开发强度，挖掘存量土地的开发潜力和将来土地开发的重点区域；研究职住平衡等问题验证评价结果，对完善土地利用布局规划提出建议。

2 数据处理和模型构建

2.1 手机信令数据

移动通信网络的信号覆盖从逻辑上被设计成由若干六边形的基站小区相互邻接而构成的蜂窝网络面状服务区，手机终端总是与其中某一个基站小区保持联系，移动通信网络的控制中心会定期或不定期地主动或被动地记录每个手机终端时间序列的基站小区编号信息。经过多年来移动通信运营商持续的建设与优化调整，中国移动上海地区用户数量约2000万，日均活跃用户超过1000万，拥有超过3万个手机基站，城乡范围内人能够活动到的空间基本都有移动信号覆盖，很少还有信号盲区存在。基站间隔15分钟记录一次用户位置，日均数据量达10亿条，将手机用户时间序列的移动信号数据，映射至现实的地理空间位置，即可完整、客观地还原出手机用户的空间活动轨迹，从而挖掘得到人口空间分布与活动特征信息。本研究采集了中国移动上海地区连续7天手机信令数据，并进行了如下处理：

（1）基站位置分布

基站是获取手机用户位置的基础，基站数据结构如下：（FDT_TIME，ID，FINT_ID_COUNT，FFLT_X，FFLT_Y），其中FDT_TIME为时间段、ID为基站识别码、FINT_ID_COUNT为该时段在该基站滞留的移动用户数量、FFLT_X和FFLT_Y字段描述了基站的空间位置，将基站在地图上投影获得基站分布图（图1，每一个红点代表一个基站），图中显示基站总数超过3万，全市平均每平方千米分布5个基站，基站之间平均间距约300m。

图1 上海手机基站分布Fig.1 Mobile phone base stations distribution in Shanghai

（2）常住人口与手机信令相关度分析

由于手机用户覆盖了大部分人群，手机用户与常住人口之间存在线性相关关系，若使用手机信令数据进行人口动态分布研究，首先需分析其相关关系的置信度。本研究利用2010年第六次全国人口普查数据，统计单元为乡镇（街道），为匹配人口数据，将基站数据关联乡镇（街道）行政单元，获取每个行政单元的手机用户数量，计算连续7天的平均值。散点图分析两者相关关系（图2）：Y（常住人口）=2.205X（手机信令），相关系数0.822，相关性的可信度较高。

（3）“核密度”模型构建

基于移动基站的定位数据，采用GIS的核密度模型[12]（KDE）对空间点进行计算，进而得出活动空间的分布格局。核密度模型属于非参数密度估算，其定义是设点集X1、…、Xn作为分布密度函数f中抽取的样本，估算f在某点x处的值f(x)，公式为：

式中：k(x)为核函数；h为窗口宽度，也称为平滑参数或带宽；(X－Xi)表示估值点x到事件Xi处的距离；n为点要素数目。

图2 手机信令与常住人口相关性分析Fig.2 The correlation analysis of the cell phone signal data and the permanent population data

ArcGIS软件提供了构建空间核密度模型的工具Kernel Density，设置population字段为单个基站的手机用户数量，该值用于确定单个基站的手机用户数，例如单个基站的手机用户数量为300，在计算过程中会将该点算作300个点。利用核密度模型计算全市所有基站的手机信令数据，再根据手机用户数与常住人口数的相关关系，能得到动态的人口分布图（图3）。

图3 基于核密度模型计算某区域人口密度动态分布Fig.3 The population density calculated base on the KDE model

2.2 轨道交通刷卡数据

目前，上海已建成全球最长的轨道交通网络，覆盖了上海市中心城区和大部分新城地区，海量的轨道交通IC卡（Smart Card Data，SCD）的刷卡数据作为一种大规模的具有地理标识（Geo-tagged）和时间标签的数据，可以用于城市空间结构的研究与分析。以往这类研究主要基于居民出行调查数据开展，但是这种调查成本高，每隔几年才能开展一次，而SCD具有连续性好、覆盖面广、信息全面且动态更新等优点，因此在城市研究中具有较好的可应用性。

（1）SCD数据结构

本文所利用的SCD为2016年5月上海市完整一周（周一至周日）的刷卡记录。记录涵盖的基本信息包括：卡ID号、刷卡的时间和地点（其中地点以线路号和站点名称表示）、结算金额、进出站信息（进站或出站）等。该周共有61819016次刷卡记录，平均每天接近900万笔刷卡次数。

（2）站点统计

从SCD记录可以统计单个地铁站在某个时间段的进站和出站信息，连续的记录可以分析该地铁车站的人流量变化，进而判断该地铁站附近人群的活动特征。

（3）OD模型构建

OD模型是对人们的出行的起点和终点进行分析，通过OD模型可研究人群在不同时段的出行特征。本研究采集了连续一周完整的SCD原始数据，从中可找出相同ID卡在时间序列上连续的一次进站和出站记录，二者可视为一组OD记录，通过相同方法找出某个时段所有的OD记录，再根据地铁站的空间位置，投影在地图上生成OD模型（图4）。

图4 轨道交通OD图Fig.4 The OD model of Shanghai railway transit

3 结果分析

3.1 土地开发潜力分区评价

（1）人口密度

人口空间分布数据是科学开展城市空间规划和土地利用管理的基础与前提，是影响公共资源配置、基础设施建设、城市社会经济、生态环境发展等方面最根本的要素。本研究提取了移动基站连续一周的平均滞留用户数，基于手机信令数据与常住人口的相关关系，采用核密度模型计算人口密度的分布，计算单元为50m×50m，结果如图5。计算结果可以看出上海人口分布的不均衡，两级分化严重，外环线以内的中心城区（664km2）是全市主要的人口聚集中心，承载了50%以上的人口，平均密度超过1.5万人/km2，其中核心区域（半径小于5km）人口密度达到3万人/km；郊区新城是次级的人口聚集中心，人口密度在1万人/ km左右，以卫星城的形态分布在中心城周围；广大郊野地区人口密度普遍较低，在1000人/km2以下。直观分析人口密度分布图，上海土地开发潜力应在广大的郊野地区，但是由于土地利用总体规划的约束，大部分郊野地区布局为基本农田和生态保护区，不能作为建设用地开发利用，因此，需结合土地利用总体规划深入研究土地开发潜力。

图5 手机信令数据分析上海人口密度分布Fig.5 Shanghai population density distribution base on the Mobile phone signaling data

（2）土地开发潜力识别

上海将城镇建设用地约束在城市开发边界内（又称“集中建设区”），本研究通过分析城市开发边界内的人口密度分布特征识别出土地的开发利用强度，再根据开发利用强度来定量分区，识别出不同等级的潜力地区。主要从以下两方面进行了研究：

一是按照人口密度高低划分存量土地开发潜力等级。上海2040规划确定了城市人口密度为1万人/km2左右的总目标（人均建设用地100m2），因此将城市开发边界中小于1万人/km2的区域识别存量土地开发潜力区域，并按照人口密度进行分级，潜力从大到下作如下划分：一级开发潜力区对应人口密度小于1000人/km2，二级潜力区对应人口密度1000~2000人/km2，三级潜力区对应人口密度2000~5000人/km2，四级潜力区对应人口密度5000~10000人/km2。识别结果显示（表1、图6），全市城市开发边界内具有开发潜力的土地面积总量为2160km2，占比达到76.37%，其中潜力最大的一级区面积为687.51km2，占城市开发边界范围的24.30%，主要分布在外围远郊地区的新城、新市镇；二级、三级以及四级潜力区在各区域均有分布，其中在中心城北部和东部分布要比西部和南部区域较多；饱和区域主要分布在中心城内部地区。

表1 上海城市开发边界内土地开发潜力分区测算结果Table 1 The development potential calculation result in Shanghai urban development boundaries

图6 上海城市开发边界内土地开发潜力分区Fig.6 The subarea of development potential in Shanghai urban development boundary

二是从土地可承载人口密度定量计算土地开发潜力。我们引入一个潜力指数作为定量分析指标。定义：潜力指数=实际人口密度/规划人口密度。根据定义，潜力指数与实际人口密度成正比关系，与规划人口密度成反比关系，潜力指数大于等于1的区域为饱和区域，潜力指数在0~1之间的区域为非饱和区域，具有开发潜力。本研究中“实际人口密度”根据手机信令数据计算得出，“规划人口密度”依据上海2040规划中“合理优化人口结构和布局”的相关规定：“在城市开发边界范围内，中心城人口密度控制在1.5~1.8万人/km2，中心城周边地区人口密度控制在1.0~1.5万人/km2，新城人口密度控制在1.2万人/km2以上，新市镇人口密度控制在1.0万人/km2以上”。据此计算出存量土地开发“潜力指数”，结果如表2、图7所示：中心城潜力指数为0.99，接近于饱和；中心城周边的主城片区潜力指数为0.45，处于半饱和状态；新城和新市镇潜力指数分别为0.38和0.34，具有较大的开发潜力。因此，针对不同的潜力区域要确立不同的规划导向，中心城应进行功能疏解和人口布局优化，主城片区需承接部分中新城导出的人口，新城要提升城市功能，承接产业和人口，新市镇合理定位，提升功能，协调发展，总体上构建合理的城镇规划体系。

表2 上海城市开发边界内各区域土地开发潜力指数Table 2 The land development potential index in Shanghai urban development boundaries

3.2 不同用地类型土地开发潜力分析

本研究引入地块级别的土地利用现状图（2014年，图7）作为功能分区的基础数据，该图层包含每个地块的土地类型和面积属性，从中提取出城镇居住用地、工业用地、商服用地、公共建筑、公用设施、交通和农村宅基地等7类地块，叠加手机信令数据计算出的人口密度图，可对比分析不同类型用地之间的活动强度。

图7 上海市土地利用现状图Fig.7 The status of land use in Shanghai

表3列出了各类建设用地不同时段对应的人口分布密度，可以发现以下规律：第一，不同类型用地之间存在较大差异，其中城镇居住用地和商服用地人口密度最高，宅基地和工业用地人口密度最低，最高和最低者之间相差近5倍之多。第二，相同类型用地的人口密度在中心城和外围地区存在较大差距（图8），中心城商服用地白天人口密度达到24730人/km2，而外围地区仅为4769人/km2，超过5倍差距，其他用地类型也存在较大的差异，均呈现出中心城人口密度显著大于外围地区的特征。第三，不同类型用地白天和夜间对比表现出不同的差异特征，城镇居住用地人口密度白天要低于夜间，中心城外围地区表现的比较显著，白天比夜间高出15.1%；其他类型用地均为白天高于夜间，比较显著的是中心城商服用地，白天比夜间高出12.5%，这反映出有部分人群白天工作在中心城区，而夜间居住在外围地区。

表3 上海市不同用地类型的人口密度（人/km2）Table 3 Population density of various land use in Shanghai

图8 上海市不同类型用地人口密度分布Fig.8 Population density distribution of various land use in Shanghai

通过不同类型用地的空间活动强度特征分析，挖掘出不同类型用地的开发潜力：一是为在各类建设用地当中，宅基地和工业用地活动强度明显偏低，特别是中心城区的工业用地普遍存在闲置现象，是存量土地再开发的主要目标，应在“城市更新”当中推进开发边界内存量工业用地的“二次开发”，鼓励工业用地的功能置换和混合使用，同时对开发边界外低效工业用地和宅基地进行减量，腾退建设用地空间。二是各类用地都表现出外围地区显著低于中心城人口密度的特征，这与当前上海外围地区居住区公共设施配套建设滞后，综合服务能力差有关，造成了中心城的聚集压力。因此，未来重点应在外围地区建设产城融合社区，完善公共服务设施，促进生活、就业、休闲融合发展，探索商业、办公、居住、公共设施与市政基础设施等用地的复合开发。

3.3 职住平衡分析

针对职住平衡等城市空间规划问题进行分析，并对评价结果进行验证。由于大型居住社区和过度集聚办公区的存在，通勤交通拥堵情况和长距离出行受到多方关注[13]。本文分别用SCD数据和手机信令数据大数据分析居民的通行出行特征，识别出典型的居住区域和就业区域。结果如下：根据SCD数据站点统计分析结果，上海的轨道交通出行整体呈现出明显的工作日早晚高峰特征（图9），其中早高峰时间段集中在7:30~9:30，出站高峰比进站高峰晚30分钟。不同区域的地铁车站呈现出显著的差异，居住区域地铁车站呈现明显的进站早高峰、出站晚高峰特征；相反，就业区域地铁车站呈现明显的出站早高峰、进站晚高峰特征。根据此特征识别出了上海典型的就业区地铁站和就业区地铁站，如图10，顾村公园、莘庄和九亭站为典型居住区地铁站，位于中心城外围地区，而人民广场、陆家嘴、静安寺为典型就业区地铁站，位于中心城核心区。

图9 上海轨道交通工作日进出站人数变化图Fig.9 The commuting characteristics by railway in shanghai

图10 典型居住区和就业区地铁站进站出站人数变化图Fig.10 The passenger flow changes of typical railway stations in residential area and employment area

通过OD分析识别典型居住地区和就业地区的通勤特征，从通勤方向、通勤目的地的角度进行对比。分析结果（图11）显示，典型就业地区的通勤出行特征是出站乘客呈射状来源于多个区域，从不同地区吸引了分布广泛的就业者；而典型居住地区的通勤出行特征是单向通往市中心，通勤距离普遍较远。OD分析表明，无论是市区的站点还是郊区的站点，其相互关联度最强的指都是市中心；也就是说，无论人们在哪个站点上了地铁，他们大部分的通勤出行目的地只有一个，那就是市中心。究其原因是就业岗位更倾向在城市中心聚集，而居住人口通过严格限制市中心的居住用地、大规模旧城改造把旧区居民拆离市中心、在近远郊各处兴建大型居住社区承接新增人口与市中心迁出人口等政策逐步疏散到了外围地区。

图11 典型居住区和就业区地铁站OD分析图Fig.11 The OD analysis diagram of typical railway stations in residential area and employment area

手机信令数据分别计算工作日白天人口密度和夜间人口密度，两者的差值能反映出区域的通勤活动特征，白天人口密度大于夜间人口密度区域为就业区，反之则为居住区，分析结果如图12所示，就业区主要分布在中心城的核心区域，而居住区主要分布在就业区周边，特别是外环线沿线形成了大片的典型居住社区。通过这两种方法识别出上海地铁通勤特征，其结果与上文的土地开发潜力分区分类评价结果相符，验证了评价结果的准确性。

图12 基于手机信令数据的职住平衡分析结果Fig.12 The results of the job-housing balance analysis base on the cell phone signal data

4 讨论与展望

分析结果显示当前上海存量土地开发潜力分布不均匀，从区域角度来看外围地区土地开发潜力较大，从用地类型角度来看工业用地和宅基地开发潜力较大。基于现状提出如下规划建议：（1）鼓励工业用地的功能置换和混合使用，同时对开发边界外低效工业用地和宅基地进行减量，腾退建设用地空间。（2）中心城应进行功能疏解和人口布局优化，而外围地区应重点建设产城融合社区，完善公共服务设施，促进生活、就业、休闲融合发展；同时在各区域探索商业、办公、居住、公共设施与市政基础设施等用地的复合方式对存量用地进行二次开发。

本文的贡献主要体现在三方面：使用手机信令、交通等大数据和传统用地、人口调查数据建立规则，对大数据挖掘和模式识别，充分利用大数据的连续、微观、动态等特点，用于城市空间和土地利用研究；采用连续一周的大数据研究上海的存量土地开发潜力，利用多种方法对识别结果进行了综合对照，分析结果更为可靠；与传统的人口调查和土地利用调查相比，更详细地展示了上海城市空间活动的现状特征和土地开发强度的分布特征，与其他研究结果相比，本文所获得的空间活动数据具有样本量大、时空信息准确的优势。总体上，本文提出的大数据方法在城市空间动态研究，尤其是存量土地开发潜力挖掘中有很好的适用性，为大都市区开发边界划定、用地结构优化研究提供了一种新的分析思路。

未来将从以下几方面开展后续研究：（1）上海市公交车系统也广泛应用公交IC卡，SCD信息与本文一致，公交车出行是对地铁出行的有力补充，同时私家车、出租车和网约车在市民出行当中也占据一定比例，因此将通过进一步获得公交车SCD、私家车、出租车和网约车数据、能得到更完善的居民通勤信息。（2）拓展大数据在城市空间规划和土地利用管理研究中的应用：比如利用大数据综合分析微观区域的用地结构合理性，为产城融合社区规划提供决策；通过分析宅基地的人群活动强度，识别出空心村和城中村；研究轨道交通建设对土地利用结构变化的影响分析；通过识别商圈的辐射范围和强度，为商业中心规划提供决策等。

References)

[1] 甄峰,王波,秦萧,等. 基于大数据的城市规划研究与规划方法创新[M]. 北京:中国建筑工业出版社,2015.

Zhen F, Wang B, Qin X, et al. Urban planning innovation based on large data[M]. Beijing: China Architecture & Building Press, 2015.

[2] Chi W F, Shi W J, Kuang W H. Spatio-temporal characteristics of intra-urban land cover in the cities of China and USA from 1978 to 2010[J]. Journal of Geographical Sciences, 2015,25(1):3-18.

[3] 茅明睿. 大数据时代的规划变革[J]. 北京规划建设,2015,(2):45-50. Mao M R. The revolution of city planning in big data era[J]. Beijing Planning Review, 2015,(2):45-50.

[4] Josh Y, Lu E, Kuo W N, et al. Urban poit-of-interest recommendation by mining user check-in behaviors[C]// Proceedings of the ACM SIGKDD International Workshop on Urban Computing. ACM, 2012: 63-70.

[5] Malmi E D, Gatica P D. From foursquare to my square: learning check-in behavior from multiple sources[C]//The 7th International AAAI Conference on Weblogs and Social Media. 2013.

[6] Zhan X Y, Satish V U, Zhu F. Inferring urban land use using large-scale social media check-in data[J]. Networks and Spatial Economics, 2014,(3/4):647-667.

[7] 龙瀛,张宇,崔承印. 利用公交刷卡数据分析北京职住关系和通勤出行[J]. 地理学报,2012,67(10):1339-1352.

Long Y, Zhang Y, Cui C Y. Identifying commuting pattern of Beijing using bus smart card data[J]. Acta Geographica Sinica, 2012,67(10):1339-1352.

[8] 甄峰,王波,陈映学. 基于网络社会空间的中国城市网络特征——以新浪微博为例[J]. 地理学报,2012,67(8):1031-1043.

Zhen F, Wang B, Chen Y X. China’s city network characteristics based on social network space: An empirical analysis of Sina Micro Blog[J]. Acta Geographica Sinica, 2012,67(8):1031-1043.

[9] 王德. 基于手机大数据的城市人口空间动态评价—以上海市为例[EB/OL]. http://www.udparty.com/index.php/topic/1587.html.

Wang D. The urban population spatial dynamic evaluation of based on the mobile big data: A case study of Shanghai[EB/OL]. http:// www.udparty.com/index.php/topic/1587.html.

[10] 梁军辉,林坚,杜洋. 大数据条件下城市用地类型辨识研究——基于出租车GPS数据的动态感知[J]. 上海国土资源,2016,37(1):28-32.

Liang J H, Lin J, Du Y. Research on the identification of urban land use under the big data condition: Dynamic awareness based on taxi GPS data[J]. Shanghai Land & Resources, 2016,37(1):28-32.

[11] 城市数据团. 上海主要商圈消费及客流数据解读[EB/OL]. http:// chuansong.me/n/718590048645.

The city data group. Shanghai main business circle consumption and passenger flow data interpretation[EB/OL]. http://chuansong. me/n/718590048645.

[12] 薛涛,戴林琳. 大数据视角下城市活动的空间特征及其影响因素——以北京市城六区为例[J]. 城市问题,2016,(4):25-38.

Xue T, Dai L L. Analyze the characteristics of urban activity based on big data in a case study conducted in six districts of Beijing[J]. Urban Problems, 2016,(4):25-38.

[13] 城市数据团. 疏散人口让城市变得更拥堵[EB/OL]. http:// chuansong.me/n/1310887.

The city data group. Evacuation population make the city more congestion[EB/OL]. http://chuansong.me/n/1310887.

Evaluating the potential of stock land development in Shanghai based on big data

LIU Xi1,2, WANG Jun1,2, HE Man-Li1,2
(1. Shanghai Institute of Geological Survey, Shanghai 200072, China; 2. Shanghai Institute of Land Resources Survey, Shanghai 200072, China)

This paper processes and combines traffic data, cell phone data, land use data, and population data using big data technology and constructs a recognition model. Then, based on the recognition model, it evaluates the potential development of stock land within the urban development boundaries of Shanghai and calculates development potential for various regions and land uses. The results show that the new suburban cities and town is the main potential area for development, while the industrial land and country homestead land also have great development potential. This paper verifies the potential land development result by analyzing Shanghai residents’ commutes via subway and making some positive suggestions for urban planners.

big data analysis; stock land; development potential; land use planning

F293.22

A

2095-1329(2017)01-0014-07

10.3969/j.issn.2095-1329.2017.01.004

2016-11-25

修回日期: 2016-12-30

刘曦(1985-),男,硕士,工程师,主要从事国土资源信息化研究.

电子邮箱: 57731936@qq.com

联系电话: 021-56615149基金项目: 上海市规划和国土资源管理局科研项目“上海市新一轮土地利用总体规划编制”