
大数据视角下的“多规合一”
一、大数据是什么?
“这是一个变化的世界,我们大家都认为电脑够快,互联网还要快,当我们很多人还没搞懂什么是PC互联网时,移动互联网来了;当我们还没搞懂移动互联网的时候,大数据时代又来了。”这是马云在卸任阿里巴巴CEO时说的。
那么,究竟什么是“大数据”?
早在1980年,著名未来学家阿尔文•托夫勒便在《第三次浪潮》一书中,首次提出“大数据”,将大数据热情地赞颂为“第三次浪潮的华彩乐章”。到2011年,全球知名咨询公司麦肯锡在第11届EMC World年会上提出“大数据时代已经到来”,这标志着人类社会进入了大数据时代。
大数据(Big Data)目前业界公认的涵义是指以更经济和高效的方式从大容量、高频率和异构数据中获取价值的新一代架构和技术,是海量异构数据和分析方法的紧密结合,其具有4V特征:Volume(数据体量大)、Variety(类型多)、Value(价值稀疏)以及Velocity(速度快)。
大数据的开发与利用已经在IT、科学分析、经济预测、交通、物流、电信等行业广泛展开,并产生了巨大的经济社会价值和产业空间,但仍处于初级阶段。综观国内外大数据研究和应用现状,与其他学科相似,大数据的使用必将给“多规合一”的编制及实施带来新思路和新方法。
二、大数据在“多规合一”中的作用
“多规”主要包含了发展规划和空间规划两大体系,其中发展规划就是发改部门负责编制的国民经济与社会发展规划,空间规划主要包括规划部门负责编制的城乡规划,国土部门负责编制的土地利用总体规划,环保部门负责编制的环保规划,林业部门负责编制的林业规划,交通部门负责编制的交通规划等等。由于各部门行政职责、行业色彩、工作方法等原因,导致发展规划和空间规划两大体系未能有机衔接,空间规划体系内部也未能理顺关系,“多规”之间“打架”的现象时有发生,进而引发空间管理无序、土地资源浪费、生态环境失衡等现象。“合一”成为“多规”的必然选择。这个“一”并不是一个规划,而是一个空间,将“多规”统一到一个空间,实现“一个区域、统一空间、统一规划”。
大数据时代带来了丰富、精细、实时的数据,可以用于复杂、大模、精细的规划研究。大数据为“多规合一”提供从“分”到“合”,从“滞后”到“实时”,从“粗糙”到“精细”,从“人工”到“智能”等多维转变的可能。
转变一: 从“分”到“合”技术统筹的转变
从“分”的国民经济与社会发展总体规划、城乡规划、土地利用总体规划、环保规划、林业规划、交通规划等,到“合一”,首先是要有能够全面支撑“多规合一”中海量异构数据的工作平台,提供统一的“多规”基础数据与统一“多规”协同体系,可以为多部门的业务决策提供统一的数据参考,并将“多规合一”的成果实时分享给各规划管理和建设等部门,从而促进区域运营管理目标上的整体一致性,推动区域品质提升,以支撑高效、精准和可持续的规划管理。
具有多源化、长时段和数据集成等属性的大数据的出现,通过将不同来源不同作用的数据进行整合进而开发出整体数据库新的功能,为弥合当前分属不同管理部门“分”的规划、促进其走向“合”,提供了技术层面的可能。通过技术手段,将大型互联网数据库、模型社交网络和新型数据储存模型集成系统,可以获取居民活动、交通流量和生态环境等实时数据,并与传统的规划、土地及经济社会等基础数据相结合,为发展规划和空间规划提供更为统一、全面、精准的基础数据来源及对接平台,进一步协调数据统计口径,实现信息共享、不同主体协作规划和空间融合建设等,最终实现规划统一的信息联动平台,以有效统筹城乡空间资源配置,优化区域空间功能布局。
转变二: 从“滞后”到“实时”的数据搜集的转变
在传统空间规划编制过程中所使用的信息、数据往往受到技术手段匮乏的限制,经济人口基础数据主要来源于统计部门,土地基础数据主要来源于国土部门、规划部门、农业部门或林业部门,或通过问卷调查获取到部分实时、小样本数据,这些数据多数是以“年”为单位,规划数据的搜集时间与规划编制的开展时间往往存在较长的时间间隔。以土地利用总体规划为例,诸多人口、经济、产业及用地等数据,在数据时效性上往往存在以“年”为单位的滞后期限,第三轮土地利用总体规划,编制时间已经到2010年了,还以2006年的数据为基础进行分析。数据的“滞后化”,直接导致了土地利用总体规划在实施过程中难以与经济社会发展现实相吻合,规划实施过程中,规划修改频繁发生,规划的共识性和可操作性难以保证,在我国高速城市化的背景下尤为明显。
在大数据时代,由于信息搜集、处理和分析技术的进步,可以更为快捷地获取或分析规划所需要的各项传统基础数据。基于对海量、多源、时空数据,特别是对社交媒体数据、手机数据和传感器数据获得的文本、图形、音频、视频、遥感遥测等的分析,可以在时间与空间两个维度上对规划范围内的社会、经济和交通等活动展开研究,为空间规划提供了更实时化、直观化的数据展现方式。基于此,规划所需要的各项基础数据有望以“月”、“天”甚至是“小时”为单位而被获取、分析和呈现。在此基础上,将分散收集到的各种空间、属性信息实时更新,建立实时数据集,处理空间信息与之相关的属性信息,做到近乎实时化的分析处理和响应,快速应对当前高速城市化进程中涌现的各种问题。
转变三: 从“人工”到“智能”的决策辅助的转变
基于小样本数据、滞后性的基础数据等匮乏的数据资源,传统的规划主要依靠个人判断、理论和模型进行规划分析,这导致在研究很多复杂的区域现象时,难以描述诸多要素及其彼此间的相互关系,难以发掘这些要素的内在关联性和由这些要素构成的区域复杂系统的运作规律,也就容易造成规划更多地是体现领导意志,规划成果水平的高低很大程度上就取决于领导者的水平。
在依托海量数据挖掘和分析来发掘知识的大数据时代,城市规划研究可以更充分地验证当前区域研究中的假定,可以轻松构建一个海量的案例数据集,采用更为复杂的模型分析区域系统、模拟多变量的结果,甚至发展新的理论,建立相应问题表象对于城市规划的决策系统、执行系统和反馈系统,通过机器学习程序来辅助规划编制过程中的各项决策,将改变基于简单数据统计、经验分析甚至直觉判断的规划管理模式,提高规划管理的有效性,加快规划管理大数据库建设和空间分析、相关分析能力。
转变四: 从“粗糙”到“精细”研究对象的转变
受限于技术发展水平的不足、数据获取设备能力的有限和运作成本的昂贵,多数空间规划研究所需的数据精度相对粗糙,因此传统的规划更倾向于在宏观层面分析研究集合的集体行为,对研究对象做相对粗糙的集合,强调个体行为的同质性,避免因数据缺乏、计算能力有限而难以分析的个体复杂行为。
大数据时代丰富的数据和新兴的数据处理技术,如移动互联网、云计算和物联网的应用等,将为区域在微观层面的研究提供基于个体的高精度的时间、空间数据,为深入挖掘个体行为差异及其对集合的影响提供可能。
策略一: 搭建“多规合一”信息平台
基于“多规”数据的基本特点,各级政府应召集发改、规划、国土、林业、农业、交通、环保等部门联合制定有关政策和工作机制,明确构建“多规合一”信息平台管理的综合协调部门,在各部门资源汇聚共享的基础上,开发研制“多规合一”平台,并确保在规划编制及实施环节得到应用。搭建“多规合一”信息平台必须以大数据下的数据集成为目标,搭建共同的基础资料平台、统一规划目标、开放数据集成接口、集成规划运营平台。
首先,在规划编制阶段,以信息技术为支撑,通过订立相关标准,搭建共同的基础资料平台,采用统一的人口、城镇化率、土地利用、人均用地规模、经济社会发展、重要保护区域、规划底图等基础资料,研究并制定“多规”数据整合、无缝集成与关联应用的标准规范体系,制定各类规划成果审查、验收规则及标准,解决不同部门在制定规划时,信息不全的“短板”;统一预测方法,使不同规划的相同规划期内人口规模、用地需求、经济和城镇化发展等目标协调一致。
此外,在“多规合一”的基础信息平台上开放的数据集成能力,平台的持续运营不受空间规划体系的变化所制约,可方便接入各部门的业务信息,可以为“多规合一”的信息平台提供更丰富的信息参考,实现多部门业务数据融合,以提高区域空间规划体系的科学性。
最后,基于统一稳定的信息系统进行综合数据的管理、展示、分析和共享,以帮助政府管理部门发现“多规”之间存在的冲突问题,并为矛盾的解决提供信息参考,从而提高“多规”协调的工作效率和准确性,改进工作能力。将整合的“多规”成果进行统一展现,并提供“多规”冲突的动态分析、统计评价和决策支持等业务服务支持,通过信息技术发现“多规”冲突,量化冲突内容,为“多规合一”的规划编制和落地实施提供权威依据,有效简化“多规”协调工作,实现城乡区域性规划多源、多尺度、多时态空间信息数据和应用资源的整合,提升整体工作质量。
策略二: 提升数据采集能力
从“多规合一”大数据中精准定位并采集有效的信息、海量数据的复杂结构、爆炸式增长的实时数据、数据的保护和控制,这些都给“多规合一”的数据管理提出挑战。因此必须首先完善数据资源采集、共享、利用和保密等相关制度。在数据采集过程中,一是要对各部门的相关数据进行整合、分类,包括实施监测数据,实现对“多规合一”所需数据的全收集、全覆盖,加强统筹建设跨层级、跨部门“多规合一”信息平台,完善交换共享平台的覆盖范围,打通信息横向和纵向的共享渠道,推进跨地区、跨部门信息资源共享,并在此基础上形成相关的专题数据库。二是要注重非结构化数据的汇集,包括文本、音频、视频等形式的数据。另外在日常过程中积累起来的个人经验,这些“隐性”的知识也是构建“多规合一”信息平台非常重要的组成部分。三是通过多种途径获取公众实时流量平台数据,包括海量公交刷卡数据、海量的航空与铁路班次的数据挖掘、海量的手机用户移动轨迹的数据等,让所有流量数据精确、直接地展现,为规划提供更为多元、直观的数据参考。
策略三: 推进大数据价值挖掘
在提高数据数量和质量的同时,积极探索“多规合一”信息平台建设的大数据应用方式和方法。综合考虑数据的可得性、数据分析的复杂度和可能的效益等因素,确定应用的重点和时序。
“多规合一”信息平台应该纳入城市建设的总体架构之中,成为城市建设的一项重要的应用,成为城市动态规划的主要依据。动态规划现已逐渐在国内外被规划界所接受,把规划看成一个过程,而不是结果,既注重建设行为的协调性,更注重运用政策杠杆,关注近期的需要并强调灵活性,使规划不再是被动的蓝图,而成为一个改善城市主动而具体的工具。
四、结语
数据丰富性及技术能力对“多规合一”的实现很重要,但大数据的有效采集与价值挖掘才是大数据应用的核心竞争力所在。如何运用规划专业知识驱动大数据分析、以辩证的态度思考大数据的价值挖掘,这就要求不能仅仅从技术角度看待大数据,而是更多的依赖于数据应用与规划战略的紧密结合。大数据不再是工具的技术,而会逐渐成为人的技术。只有清晰地认识到这一点,才能将大数据与“多规合一”在实践中协同作业。
无论如何,大数据时代将极大地改变人类的思维方式和研究方法,是规划信息化建设的战略性资源,是不可或缺的规划编制、管理和决策依据。只有积极推动大数据研究,才能更好地抓住机遇、克服挑战,推动“多规合一”的新发展。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02