胡晓曦
(河北省第二测绘院,河北 石家庄 050031)
机关办公用房用地是国有资产的重要组成部分,是各党政机关及事业单位正常运行的基本条件。因此,建立综合性智能化的办公用房用地“一体化”管理平台,对规范党政机关办公用房用地管理,促进办公空间资源合理配置十分必要。
由于历史原因,机关办公用房用地管理涉及的数据范围广、种类复杂多样,为统一管理带来了很大难度。从数据种类上来看,涵盖了空间图形矢量数据、影像栅格数据、关系型业务数据、文件数据、三维模型数据等多种类别;从采集方式或来源看,包含实地测绘采集、收集整理、档案扫描等多种方式;不同种类数据坐标系也不尽相同。研究一种满足多源异构数据集成的模型,是有效支撑办公用房用地一体化管理平台搭建的关键。
本文针对这一核心问题,探索面向办公用房用地时空数据集成的模型构建,并以此为基础,设计办公用房用地数据仓库,实现多源异构数据的整合入库,并最终应用于办公用房用地一体化管理平台。
省直机关办公用房用地的管理范围是指省级机关办公场所(包括营业场所,下同)及其相应的土地,目前被占用、使用,并在法律上被认定为省政府资产,包括国家没收、收购、继承、转让、分配、国家投资等投资渠道和办公场所以及通过交流捐赠等形成的土地。其中,省直单位办公用房分为基本办公用房(办公室、服务用房、设备用房)和附属用房两大类[1]。
根据相关规定,省直机关办公用房用地业务均由一个部门统一管理,其管理内容涵盖房地整个生命周期,具体包括房地权属统一登记、办公用房使用调配、处置等业务,管理涉及的数据现状如表1所示。
表1 管理数据现状
(1)数据种类繁多:包含空间矢量数据、空间栅格数据、关系型业务数据、三维模型数据、文件数据等多种类型;
(2)坐标系不统一:由于采集方式不同,空间数据采集涵盖2000国家大地坐标系、石家庄地方坐标系、石家庄市坐标系三种不同的空间坐标系;
(3)数据格式不同:包含信息表等结构化数据以及空间数据、图像数据、文件数据等非结构化数据;
(4)文件格式不同:由于采集或处理制作软件不同导致存在“.dwg”、“.tiff”、“.3ds”、“.osgb”等多种不同文件格式。
由此可见,办公用房用地管理数据具有明显的“多源异构”特征。因此合理地进行数据组织,整合构建一体化综合管理数据仓库将是实现一体化管理的基础核心工作。
本文针对上述问题,结合数据特征及业务需求分析,提出了“物权分离”的办公用房用地数据组织概念模型,为构建稳定、可扩展性强的办公用房用地一体化管理模式提供保障。
就办公房地管理业务而言,相关数据可以分为静态的“物”数据和动态的“权”数据,如图1所示,它们分别是:
图1 “物权分离”概念模型EER图
(1)“物”数据即办公用房、用地本身的特性数据,包括土地的坐落、房屋的结构、房屋的面积等,这些特性不会随时间或外界环境的变化而变化,视为静态数据;
这个世界充斥着危险,有烈焰、巨石等各种隐患,而疼痛能教人躲开它们。如果没有疼痛,我们会很容易受伤,甚至一不小心就一命呜呼。此外,许多动植物如果没有感受疼痛的本领,也没法生存下来。一个没有疼痛的世界将会是一个噩梦。
(2)“权”数据即土地或房屋所承载的信息,包括土地或房屋的权利人、使用单位、租用情况等,这些承载的信息会随着时间或外界环境发生变化,视为动态数据。
基于“物权分离”概念进行“一体化”数据组织逻辑模型设计,能够极大地保证数据结构的可扩展性,在满足现有基本管理需求的同时,当办公用房管理工作深入挖掘扩展时,无需改变数据结构,而通过调整或增加相关“权”属性,实现快速响应。
构建办公用房用地“一体化”数据组织逻辑模型即在“物权分离”概念模型的基础上,利用不动产GIS管理经验,以办公用房用地为核心,以各类业务为主线,建立房地数据实体及其业务之间的关系[3],为描述办公用房用地“一体化”综合数据库的设计和组织提供基本方法。从实物和业务两方面对现实世界进行逻辑描述:
(1)从实物管理角度,房地空间数据主要是通过坐标值和唯一标识码表示,仅体现办公用房用地的空间分布。房地之间的关联关系,例如某个宗地上有哪些房屋、某房屋位于哪块宗地上,则通过空间位置以及房地属性信息中唯一标识码间的关联关系来表达。利用不动产GIS中“房落宗”、“户落幢”的概念,通过空间分析、关联主键等方式分别建立地-房、房-房间的关联关系[4-5];
(2)从业务管理角度,需考虑房产管理的相关业务如不动产登记处置、大中修、调配等的业务信息的实时互通共享,在不同业务与涉及的房地空间、属性数据之间分别建立正确的映射关系。
通过上述方法最终将办公用房用地的空间、属性、业务三方面信息进行了完整的关联,实现“地-房-房间-业务”一体化组织,如图2所示。
图2 办公用房用地数据一体化组织逻辑模型
根据办公用房用地一体化管理需求,基于数据组织概念及逻辑模型,本文对办公用房用地一体化管理数据仓库进行结构设计,如图3所示。该数据仓库面向办公用房用地管理的不同应用和功能场景集成了7个数据库,分别是基础地理数据库、房地基础空间数据库、房地专题业务库(生产库)、电子影像库、 房地决策库、服务库(预留)和交换库(预留)[6],如表2所示。
图3 数据仓库架构设计
表2 数据仓库集成
根据办公用房用地管理数据现状及多源异构的数据特点,数据整合入库流程[7-8]如图5所示。
图4 业务库逻辑模型
图5 数据整合入库流程
(1)数据收集:针对管理需求,数据收集包括基础地理数据、房地专题数据、档案数据三大类。其中,基础地理数据包含管辖范围内的影像数据、城市三维模型数据、电子地图、行政区划、地名地址数据等;房地专题数据包括省直机关所属宗地图形数据、房屋图形数据、房屋分层平面图数据、房地权属信息、房地使用信息等;档案数据包括权属证件档案、图纸档案等。
(2)数据分析:对收集的数据进行数据类型、数据现势性、数据空间参考以及数据格式等分析,筛选能表达现状的数据信息,并确定数据库的统一空间参考。
(3)数据标准化处理:通过数据分析,可将数据分为空间矢量数据、结构性数据以及非结构性数据(非矢量)三大类。需根据不同数据类型,分别对其数据进行标准化处理。对于宗地图形数据、房屋图形数据、电子地图、行政区划等空间矢量数据,需通过格式转换及坐标转换等手段,将空间矢量数据统一于SuperMap udb格式以及2000国家大地坐标系;对于房地使用信息表、房地权属信息表、单位编制信息表等结构型数据,需按照规定的格式进行数据录入或者数据导入以及数据检查、信息修正等步骤完成标准化处理;对于证件、档案数据等非结构型数据,需通过扫描,并按照规定格式整理、编码等步骤完成标准化处理。
(4)数据整合入库:对于完成标准化处理的空间数据集或者数据表,将根据主题以及类型不同分别入库,并根据数据组织逻辑模型,完成数据集(表)间的关联挂接,最终实现办公用房用地相关数据的整合入库。
本文基于“地-房-房间-业务”房地一体化综合数据仓库,结合办公用房管理业务模型,搭建了省直办公用房用地一体化管理信息平台[9-10]。平台优势在于:
(1)整合多源异构房地管理相关数据,通过空间数据叠加以及属性数据关联,形成了统一坐标系的“一张图”式的数据展示模式(如图6所示),并通过数据整合应用进一步实现了办公用房用地业务的“一站式”办理,有效提高了办公效率。例如工作人员办理租赁办公用房审批业务时,需将每个申请单位的编制情况、历史租赁情况、办公用房使用情况等多种信息进行汇总分析,才能得出租赁申请是否符合相关审批要求的结论。不依赖平台时,辅助审批的多种信息须由工作人员向多方进行收集查询并核实,该过程耗时耗力;而依托平台进行审批时,平台将自动调用来自于基础地理数据库、房地基础空间数据库、房地专题业务库(生产库)的底图数据、办公用房分布及范围数据、申请租赁单位编制信息、历史租赁信息、租赁申请信息等多种数据进行整合展示,为租赁审批工作提供全面而科学的数据依据以及可视化的操作界面(如图7所示),这种“一站式”的业务办理模式,有效地节约了收集查询资料的时间,极大提高了工作效率。
图6 图选房屋查询入驻单位
图7 地图辅助租赁办公用房审批
(2)通过ETL工具对房地决策库中的成果数据进一步提取,再与房地专题空间数据进行联合分析,可有效挖掘房地专题数据的利用潜力,用于为管理者决策提供全面、科学、可视化的数据支撑。例如对各单位办公用房的使用指标进行分析(如图8所示),需从决策库提取该单位使用的办公用房现状数据,与房地专题空间数据进行耦合,得到该单位各栋房屋的房间使用详情,再与单位人员编制现状信息联合分析,得到各类办公用房的实际使用面积以及应配标准面积,从而对比分析得到该单位办公用房使用是否存在超标问题或分配比例不合理等问题。分析结果以玫瑰图、饼状图及统计表多种方式进行展示,为办公用房调配工作提供直观的数据支持。类似地,还可以进行单位房屋使用分析、房屋建筑基本情况分析、宗地房屋面积分析等,如图9~图11所示。
图8 办公用房使用指标分析
图9 单位房屋使用分析
图10 房屋建筑基本情况分析
图11 宗地房屋面积分析
省直办公用房用地管理工作内容范围广、业务多,涉及数据具有明显的多源异构、坐标系不统一等特点,很难实现统一管理。针对以上问题,本文提出了“物权分离”的办公用房用地数据一体化组织模型,并以此为基础建立了房地一体化综合数据仓库。实践证明,该模型有效实现了多源异构数据的整合调用,为办公用房用地一体化管理提供准确科学的数据支撑,进一步提高了办公用房用地管理水平。
但在实践过程中,发现该模型的最小管理粒度为房间,距离真正实现办公用房用地精细化管理仍存在差距。为适应办公用房用地管理工作对精细化、智能化长远发展需求,下一步工作将在模型中引入更加专业、精细的建筑物BIM数据,使模型更具可延展性,进而细化办公用房用地管理粒度,为信息挖掘技术应用和系统功能深化提供更加丰富的数据支持。