CN114565207A - 一种融合属性数据和流动数据的城市群高质量发展监测评估方法 - Google Patents
一种融合属性数据和流动数据的城市群高质量发展监测评估方法 Download PDFInfo
- Publication number
- CN114565207A CN114565207A CN202111593484.1A CN202111593484A CN114565207A CN 114565207 A CN114565207 A CN 114565207A CN 202111593484 A CN202111593484 A CN 202111593484A CN 114565207 A CN114565207 A CN 114565207A
- Authority
- CN
- China
- Prior art keywords
- index
- data
- target space
- evaluation
- space unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种融合属性型和流动型大数据的城市群高质量发展指数测算方法,采用数据动态抓取与清洗方法、大数据分析统计方法以及网络分析方法,确定各目标空间单元分维度评估综合指数、各目标空间单元区域中心网络辐射综合指标,并将所述分维度评估综合指数与所述区域中心网络辐射综合指数加权综合,得到各目标空间单元的高质量发展指数。利用所述各目标空间单元的高质量发展指数,对各目标空间单元进行评估。本发明建立了适合高密度、强流动的中国城市群高质量发展的指标体系,通过融合流动网络数据与属性数据,实现高精度动态评估,为城市群高质量发展水平进行诊断,对城市群优势、潜力地区与短板维度进行识别和挖掘,为城市发展评估、城市规划、交通设施与基础建设等公共设施布局等提供支撑。
Description
技术领域
本发明属于城市规划大数据处理技术领域,特别涉及一种融合属性型和流动型大数据的城市群高质量发展监测评估方法。
背景技术
高质量发展是我国中长期发展的重点,城市群是我国未来城镇化发展的主体,建立一种精细、动态、多维的城市群监测评估方法,是推动城市群高质量发展的重要支撑手段。
当前的城市群或区域性评估,通常以政府统计数据为基础,通过设计指标体系,评估城市群或者区域发展内各空间单元的综合水平。该类方法存在以下不足:
(1)监测空间精度不高:通常以地级市或区县单元为分析对象,以表达宏观尺度空间单元之间的相对发展水平,但空间精度较低,难以精细化体现中微观尺度空间发展水平与治理需求;
(2)监测频率受限:传统统计数据来源的指标评估方法下,通常以年度评估为主,难以实现高频度(如按月、周,甚至实时变化)动态监测;
(3)属性评估为主,联系网络评估较少:评估框架上,大部分评估方法以属性型数据为主 (如人口、GDP、生态环境质量等),流动型数据应用较少(即网络联系型大数据,如跨单元人口流动量、跨单元企业投资规模等),难以体现我国城市群高频度、密集的要素流动特征与网络节点价值;
(4)当前的网络评价中,中心城市价值体现不足:部分应用网络型数据的评估方法,也以均衡型网络为基础,某一节点的网络节点价值评估是基于全局均等权重的网络联系水平提出,缺乏对非均衡性网络格局和中心—腹地联系价值的认知与评估,难以适应中国城市群高密度、强流动、高度非均衡的阶段特征。
发明内容
针对上述缺陷,本发明基于中国城市群高密度、强流动、高度非均衡的特征,利用大数据手段,通过对城市群中微观尺度空间中属性数据以及流动型数据的综合动态监控,实现对城市群的高质量发展水平进行高精度动态监测评估。
本发明提供一种融合属性和流动型大数据的城市群高质量发展指数测算方法,其特征在于包括如下步骤:
步骤S1、确定各目标空间单元分维度评估综合指数:建立城市群高质量发展分维度评估指标体系,通过动态采集具有空间位置信息的数据,基于所述目标空间单元将所述数据进行聚合、统计,对所述评估指标进行标准化、相关性验证;综合利用Delphi法与AHP层次分析法,赋予所述经标准化处理、相关性验证后的评估指标数据权重并加和形成各个目标空间单元的分维度评估综合指数;
步骤S2、确定各目标空间单元区域中心网络辐射综合指标:建立流动指标评价体系;对各目标地区的中心范围进行识别;获取具有空间位置信息的流动型数据并获得各目标空间单元与所述中心范围之间的联系强度;将所述联系强度数据标准化后,进行各目标空间单元区域中心网络辐射综合指标测算;
步骤S3、将所述分维度评估综合指数与所述区域中心网络辐射综合指数加权综合,得到各目标空间单元的高质量发展指数。
一种各目标空间单元多维度协调性判断方法,基于所述各目标空间单元分维度评估综合指数,通过均衡指数分析进行各目标空间单元的多维度协调性判断;依据所述协调性指数判断各目标空间单元的协调性与短板:若协调性指数得分高,则表明该空间单元在各个维度中发展较为均衡;若协调性指数得分低,则表明目标空间单元内有较为明显的短板。
一种各目标空间单元的优势类型判断方法,基于所述各目标空间单元分维度评估综合指数,采用K-Means聚类算法对所述目标空间单元进行聚类,将在各个维度上得分相似的目标空间单元进行识别与归类,将目标空间单元数据按照相似性分成K组;依据分组结果判断各目标空间单元的优势类型。
一种价值地区、潜力地区与腹地判断方法,基于所述各目标空间单元分维度评估综合指数、区域中心网络辐射综合指标,利用分层次叠加评价方法,判断各目标地区中的价值地区、潜力地区与腹地。
一种目标空间单元高质量发展评估方法,基于所述各目标空间单元的高质量发展指数,将所述各目标空间单元的高质量发展指数在ARCGIS中进行空间关联,并对数值进行分级评价的分段展示,对各级分段空间分布进行评定。将所述各目标空间单元的高质量发展指数进行统计,以进行更大尺度范围内的区域发展评价。
本发明采用数据动态抓取与清洗方法、大数据分析统计方法以及网络分析方法,建立了更加适应中国城市群特点的评估方法,将属性评估与中心-腹地流动网络评估结合,体现高质量发展要求下的城市群空间发展价值导向;依托大数据技术手段,实现街镇层次的高精度评估;基于数据动态抓取与清洗处理技术,实现高频度的动态监测和评估。
本发明建立了适合高密度、强流动的中国城市群高质量发展的指标体系,通过融合属性型和流动型大数据,实现高精度动态评估,为城市群高质量发展水平进行诊断,对城市群优势、潜力地区与短板维度进行识别和挖掘,为城市发展评估、城市规划、交通设施与基础建设等公共设施布局等提供支撑。
附图说明
为了更完整地理解本发明,下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1为利用本发明对各目标空间单元的优势类型判断方法得到的630个街镇的结果;
图2为市级综合评价分维度评价结果;
图3为区县综合评价分维度评价结果。
具体实施方式
为说明清楚本发明的目的、技术细节及有效应用,使之便于本领域普通技术人员理解与实施,下面将结合本发明实施例及说明书附图作进一步的详细阐述。显然,此处描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供一种融合属性型和流动型大数据的城市群高质量发展监测评估方法,将目标空间单元分维度评估综合指数、区域中心网络辐射综合指标综合,形成城市群高质量发展评估指数,并利用该评估指数对城市群优势、潜力地区与短板维度进行识别,对城市群发展进行实时监测和评估。以下以对粤港澳大湾区城市群的评估为例,说明本发明的技术内容。
本发明的具体实施步骤如下:
步骤S1:确定各目标空间单元分维度评估综合指数。建立城市群高质量发展分维度评估指标体系,通过动态采集具有空间位置信息的数据,基于所述目标空间单元将所述数据进行聚合、统计,对所述评估指标进行标准化、相关性验证;综合利用Delphi法与AHP层次分析法,赋予所述经标准化处理、相关性验证后的评估指标数据权重并加和形成各个目标空间单元的分维度评估综合指数。
具体而言,分为如下步骤:
步骤S101:建立城市群高质量发展分维度评估指标体系,根据上位及相关规划设计技术方案、区域与城市体检评估技术规范、区域与城市社会经济发展特征等,制定多级分维度指标评估体系,其中,包括i个属性维度,即一级指标,m个二级指标,n个三级指标的评估指标体系。
例如,以环境风景、人文服务、交通互联等因素作为属性维度;每一属性维度下,设置评估指标:如环境风景属性维度之下,设置城市风景界面长度、景观丰富度、环境质量等二级指标,在环境质量二级指标之下,设置镇街空气质量、镇街热岛效应等作为三级指标。
步骤S102:动态采集、汇交具有空间位置信息的数据,所述数据可以用于表征所述三级指标;将所述数据进行空间地理编码,对所述数据进行预处理。
步骤S103:对经过预处理的数据基于目标空间单元进行聚合、统计或进行人均、地均等平均值计算,形成有j个空间单元,n列评估指标数据的合集矩阵,用于表征所述三级指标。
步骤S104:对所述列评估指标数据进行标准化:
若所述列评估指标数据xij为正指标(即数值越高,在该指标下代表越优质,如学业评分),则采用a算法:
若所述列评估指标数据xij为逆指标(即数值越低,在该指标下代表越优质,如房价成本),则采用b算法:
步骤S105:对所述列评估指标数据进行相关性验证,将列评估指标数据两两比较,若任意两个列评估指标数据相关性大于设定参数(通常用0.8)则需要剔除其中一项列评估指标数据或合并两项列评估指标数据为一项,最终选取出合适的列评估指标数据。具体方法如下:
其中,r为相关性;X、Y代表两个列评估指标数据的数组;Cov为协方差,Var为方差。
对两组列评估指标数据的数组根据公式(2)进行相关性检验后,得到相关性r,若相关性r>0.8,则需要考虑剔除一组或合并两组列评估指标数据数组。
步骤S106:综合利用Delphi法与AHP层次分析法,赋予所述经标准化处理、相关性验证后的n’列评估指标数据权重并加和形成m个维度二级指标;赋予二级指标权重,形成i个维度一级指标。
其中,AHP层次分析法中,各评估指标之间的比较参数基于1-9标度方法进行参数的标定。
以目标空间单元j的一个二级指标为例:
一级指标的计算与二级指标类似,具体而言,一级指标是由二级指标进行加权综合所得到。
步骤S107:对i个一级指标利用Delphi法得到对应权重,最终形成各个目标空间单元的分维度评估综合指数,即:
目标空间单元j的分维度评估综合指数=a×i1j+b×i2j+c×i3j+...+i×iij。
具体到本实施例:
步骤S101中,综合《粤港澳大湾区发展规划纲要》、城市体检相关技术标准规范等,选取包括环境风景、人文服务、交通互联、开放包容、创新活力、产业发展六个维度作为一级指标,并构建包括二级指标、三级指标在内的多维评估体系,对本实施例中选取粤港澳大湾区的630个街镇进行评估。具体参见表1:
表1:大湾区城市群发展评估指标体系
步骤S102,以人文服务指标为例,其二级指标包括的基本公共服务指标中,教育资源为三级指标之一;而该教育资源三级指标,通过对省一级中小学的数量等进行统计分析形成的评估指标数据来表征。
例如,广东省省一级中小学的数据采集于广东省政府信息网;将所述数据进行地理编码,并将所述数据附上空间信息,如表2所示。
表2:省一级中小学评估指标数据采集示例
步骤S103,将经过预处理的数据对每个街镇信息进行统计,本实施例中街道数量为630 个,统计之后的结果列于表3中。
表3:省一级中小学评估指标数据空间统计示例
街镇名称 | 省一级中小学数量统计 |
东莞市_滨海组团_虎门镇 | 1 |
东莞市_滨海组团_长安镇 | 4 |
东莞市_城区组团_东城街道 | 1 |
东莞市_城区组团_莞城街道 | 1 |
东莞市_东部产业组团_常平镇 | 1 |
东莞市_东部产业组团_横沥镇 | 1 |
…… |
步骤S104,数据标准化:由于省一级中小学指标因子为正指标因子,因此采用a算法,对该评估指标数据进行数据标准化,得到的结果列于表4中。
表4:省一级中小学因子评估指标数据空间统计后数据标准化示例
街镇全称 | 统计值 | 标准化值 |
东莞市_滨海组团_厚街镇 | 0 | 0 |
东莞市_滨海组团_虎门镇 | 1 | 0.2 |
东莞市_滨海组团_沙田镇 | 0 | 0 |
东莞市_滨海组团_长安镇 | 4 | 0.8 |
东莞市_城区组团_东城街道 | 1 | 0.2 |
…… |
完善数据:将S102-S104步骤重复于所有的评估指标数据,最终得到6个一级指标下所有评估指标数据的标准化值。本实施例中二级指标人文服务维度下所有三级指标标准化值示例见表5。
表5:人文服务维度指标标准化示例
步骤S105,指标相关性分析:对所有评估指标数据进行相关性验证,本实施例中所选指标没有相关性大于0.8,因此没有进行剔除。
步骤S106,二级指标测算:利用层次分析法赋予各评估指标数据权重;通过对630个街镇的6个维度下的评估指标数据根据权重各自进行加权综合,最终得到6个维度的数值。
以人文服务属性维度为例,人文服务属性维度共形成7个维度三级指标,利用层次分析法赋予三级指标权重形成二级指标;将二级指标加权综合,构建出人文服务属性维度评估指标。
表6:人文服务维度指标权重示例
通过计算得到的权重,最终加权综合得到630个街镇人文服务维度的最终指标得分;将指标得分运用步骤S104内的公式a进行标准化处理,详细见表7。
表7:各街镇人文服务维度指标结果示例
步骤S107,对一级指标利用Delphi法得到对应权重,给予各一级指标权重,将各一级指标加权综合,最终形成各个空间单元的综合得分。
六维评估综合指数=0.3×产业发展+0.2×创新活力+0.15×开放包容+0.13×交通互联+0.12×人文服务+0.1×环境风景。
步骤S2:确定各目标空间单元区域中心网络辐射综合指标。建立流动指标评价体系;对各目标地区的中心范围进行识别;获取具有空间位置信息的流动型数据并获得各目标空间单元与所述中心范围之间的联系强度;将所述联系强度数据标准化后,进行各目标空间单元区域中心网络辐射综合指标测算。
步骤S201:建立流动指标评价体系。
步骤S202:对目标地区的中心范围进行识别。综合人口密度、企业密度、建设空间密度,结合各城市总体规划对城市中心地区的认识,划定各城市中心的范围。
步骤S203:对多源且具有空间位置信息的流动型数据进行数据采集、汇交,并将数据进行空间落位;所述流动型数据进行筛选、清洗和预处理,筛选出所述中心范围内产生的流动型数据,剔除非中心范围内相互流动的数据,得到各目标空间单元与所述中心范围联系强度,形成j个空间单元与所述中心范围之间的要素流动联系强度矩阵。
所述流动型数据主要包括企业流、人流、资金流等流动网络数据。
步骤S204:对所述流动联系强度数据进行标准化:
若流动联系强度数据xij为正指标,则采用a算法:
若流动联系强度数据xij为逆指标,则采用b算法:
步骤S205:利用AHP层次分析法赋予各标准化后的流动联系强度数据权重,进行加权综合后汇聚成目标空间单元的区域中心网络辐射综合指标。
具体到本实施例:
步骤S201,建立流动指标评价体系。
本实施例选取以下几项流动要素作为评价指标:(1)企业总分支要素:企业的总部、分支对;(2)企业投资要素:企业的投资与接收投资对;(3)人员通勤要素:人的居住、就业联系对;(4)人员流动要素:人的起讫点联系对;(5)港澳人员流动要素:香港、澳门地区人员在内地活动点与港澳地区形成联系对;(6)港澳战略合作区:与港澳地区形成战略合作地区联系对。
步骤S202,确定各城市中心区域:综合人口密度、企业密度、建设密度进行分析,可以判断出,广州市的天河区、越秀区、海珠区、荔湾区为主要中心区域,深圳市的福田区、南山区、罗湖区为主要中心区域,而香港、澳门则全部地区均为中心区域。
该步骤可基于本领域常用的ARCGIS完成,本领域技术人员熟悉该步骤的具体实施方式,在此不做详细阐释。
步骤S203,对步骤S201中确定的流动要素进行数据收集,筛选出与步骤S202中确定的中心区域产生的配对数据,剔除非中心区域范围内相互流动的数据,得到各街镇与中心区域范围联系强度,形成630个街镇与中心区域范围之间的要素流动联系强度矩阵。
步骤S204,对所述要素流动联系强度数据进行标准化,由于本实施例中所有指标为正指标,因此均采用a算法,得到所有要素流动联系强度数据的标准化统计值。
步骤S204,对所述要素流动联系强度数据的标准化统计值利用层次分析法得到对应权重,给予各个要素流动联系强度数据的标准化统计值权重,相应权重如下:
区域中心网络辐射综合指数=0.166×总部分支+0.166×企业投资+0.166×人员通勤+0.166 ×人员流动+0.166×港澳人员流动+0.166×战略合作。
将各个要素流动联系强度数据的标准化统计值加权综合,最终形成630个街镇单元的区域中心网络辐射综合指数,最终结果参见表8。
表8:各街镇中心网络辐射综合指数结果示例
步骤S3:将分维度评估综合指数与区域中心网络辐射综合指数综合,形成高质量发展评估指数。将分维度评估综合指数与区域中心网络辐射综合指数得分运用Delphi法得到相应权重,将两者进行加权,得到最终的高质量发展指数。
将分维度评估综合指数与区域中心网络辐射综合指数运用Delphi法得到相应权重,将两者进行加权,得到最终的高质量发展指数。
高质量发展指数=a×分维度综合指标+b×区域中心网络辐射综合指数,a+b=1。
具体到本实施例:
对各街镇的分维度评估综合指数和区域中心网络辐射综合指数运用Delphi权重分析法得到相应权重,将两个指数加权综合,形成大湾区高质量发展指数,如下:
高质量发展指数=0.8×六维评估综合指数+0.2×区域中心网络辐射综合指数。
基于本发明各目标空间单元分维度评估综合指数,本发明提供一种各目标空间单元的多维度协调性判断方法。通过均衡指数分析进行各目标空间单元的多维度协调性判断。其中多维度协调性指数利用公式(3)计算:
式中,ci为各目标空间单元的协调性指数;N为维度数量;j为各目标空间单元序号,i为各维度序号;dij为第j个目标空间单元第j个指标得分或者排名,μj为第j个目标空间单元的所有指标得分或者排名的平均值。
对每个目标空间单元中i个维度进行运算,可以得到各个目标空间单元对应的协调性指数。依据所述协调性指数判断各目标空间单元的协调性与短板:若协调性指数得分高,则表明该空间单元在i个维度中发展较为均衡;若协调性指数得分低,则表明目标空间单元内有较为明显的短板。
具体到本实施例,运用公式(3)对630个街镇的多维度协调性进行测算。其中,i为6个维度,j代表630个街道,μj为第j个目标空间单元的所有指标得分或者排名的平均值,dij代表 j街道i维度指标得分。对每个街道中6个维度进行运算,可以得到630个街道对应的协调性指数得分。利用该协调性指数对630个街镇的协调性进行判断。
基于本发明各目标空间单元分维度评估综合指数,本发明提供一种对各目标空间单元的优势类型判断方法。通过聚类分析,将在各个维度上得分相似的目标空间单元进行识别与归类,具体步骤如下:
a、确定分组数K。采用K-Means聚类算法对所述目标空间单元进行聚类。K-Means聚类算法中的K就是分组数,即通过聚类后得到的组类数;选择合适的分组数。
b、随机选择K个值作为数据中心;在i个维度所形成的数据组中,对数据中心进行随机选择,一共随机选出K个为数据中心。
c、计算其他数值与数据中心的“距离”。
通过欧氏距离的计算,可以判断在多维空间中各个点之间的绝对距离,数值越小表明两点之间的距离越近,其公式为:
式中,X、Y为空间内的点,xi为点X的空间内各维度数值,yi为点Y空间内各维度数值。
算出其他点距离K个中心的距离,哪个中心点离得更近,谁与数据中心就是同一类。数据会被分成K个组团。
d、重新选择新的数据中心。得到了分组的结果之后,以每一组的平均值,作为新的中心点,再运用欧式距离算法计算其他数据与新数据中心的距离。
重复步骤d。直到分组情况并没有变化,这说明计算收敛已经结束,不需要继续进行分组,最终目标空间单元数据成功按照相似性分成了K组。
依据分组结果判断各目标空间单元的优势类型。
具体到本实施例:
运用K-means算法对630个街道基于6个维度的得分进行分类,将630个街道分为10组,每个街道被分到一个组内,对每个组内6个维度进行雷达图可视化,具体可参见说明书附图图1;图中,基于街镇6维指数,通过K-Means无监督聚类算法进行分类(不同图块代表不同类型),每个围合多边形代表一个街镇;根据说明书附图图1雷达图中6个维度的特征,对街镇分组进行归类,描述各类型下组别特征。
基于本发明各目标空间单元分维度评估综合指数、区域中心网络辐射综合指标,本发明提供一种价值地区、潜力地区与腹地判断方法。利用分层次叠加评价方法,判断各目标地区中的潜力地区与腹地;具体方法如下:
价值地区判断:目标空间单元的关键维度指标排名均在前,或者关键维度指标排名均在前且其余维度指标平均排名也在前。此类目标空间单元判断为价值地区,整体上各维度发展较为均衡,且关键维度指标更为突出。
潜力地区判断:关键维度指标有一项指标在前,或者除了关键维度指标外,其余指标平均值在前,可以认为这类目标空间单元具有发展的潜力,可以进行培育或发展长项。
腹地判断:通过各目标空间单元的区域中心网络辐射综合指标进行判断,与中心地区联系紧密的非中心目标空间单元,可以看作中心地区的一级腹地。因区域中心网络辐射综合指标是基于人流、经济流、产业流所分析的,因此联系强度大的地区与中心地区流动高,可以认为该地区价值潜力高,受中心地区影响大。
具体到本实施例:
价值梯队街镇判断:选取产业发展和创新活力排名均在630个街道中排名前20%,或者产业发展和创新活力排名均在前50%且其余4个维度指标平均排名也在前50%,此类地区判断为价值梯队街镇,整体上各项发展较为均衡,且关键维度指标更为突出。在本实施例中,价值梯队街镇可以详细分为5类,具体分类计算方式见表9。
潜力梯队街镇:产业发展和创新活力中有一项指标在前50%,或者除了产业发展和创新活力外,其余4个维度平均值在前50%,可以认为这类街镇具有发展的潜力,可以进行培育或发展长项。在本实施例中,潜力梯队街镇可以详细分为6类,具体分类计算方式见表9。也可将分级结果进行可视化展示。
表9:价值梯队与潜力梯队分级表
腹地判断:通过各街镇与中心地区联系强度进行判断,联系紧密的非中心街镇,可以看作中心地区的一级腹地。
本发明提供一种目标空间单元高质量发展评估的方法。在得到各目标空间单元高质量发展指数的基础上,可以利用所述高质量发展指数对所述目标空间单元进行分级评价。
将各目标空间单元的高质量发展指数在ARCGIS中进行空间关联,并对数值进行分级评价的分段展示,对各级分段空间分布进行评定。
对高质量发展指数最终得分进行分级评价。其中,排名前5%目标空间单元为地区发展的头部发展地区,排名为5%-10%目标空间单元可以称为二级发展地区。
依据所述目标空间单元的高质量发展评估指数,可以对其进行汇总、统计,得到更大尺度范围内的区域发展评价。
对各个维度进行分级评价。其中,各个维度下的排名前5%目标空间单元为该维度下的头部发展地区,其次排名为5%-10%目标空间单元可以称为二级发展地区。
具体到本实施例:
分维度评价:对6个维度下630街镇进行排名,排名前20的街镇为该维度下地区发展的头部街镇,排名为21-50的街镇为该维度下二级发展地区。
市级、区县综合评价:对630个街镇基于所属城市进行测算,分析其平均值,分析市内街镇得分分布以及该市内街镇的最大值、最小值,通过箱线图进行可视化,各个城市之间可以进行比对,具体参见说明书附图图2。
区级尺度:对630个街镇基于所属区县进行测算,将6个维度下各个区县的街镇得分测算平均值,视为6个维度下该区县的得分,根据其结果分析6个维度下各个区县的排名,各个区县之间可以进行比对,具体参见说明书附图图3。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (9)
1.一种融合属性型和流动型大数据的城市群高质量发展指数测算方法,其特征在于,包括如下步骤:
步骤S1、确定各目标空间单元分维度评估综合指数:建立城市群高质量发展分维度评估指标体系,通过动态采集具有空间位置信息的数据,基于所述目标空间单元将所述数据进行聚合、统计,对所述评估指标进行标准化、相关性验证;综合利用Delphi法与AHP层次分析法,赋予所述经标准化处理、相关性验证后的评估指标数据权重并加和形成各个目标空间单元的分维度评估综合指数;
步骤S2、确定各目标空间单元区域中心网络辐射综合指标:建立流动型指标评价体系;对各目标地区的中心范围进行识别;获取具有空间位置信息的流动型数据并获得各目标空间单元与所述中心范围之间的联系强度;将所述联系强度数据标准化后,进行各目标空间单元区域中心网络辐射综合指标测算;
步骤S3、将所述分维度评估综合指数与所述区域中心网络辐射综合指数加权综合,得到各目标空间单元的高质量发展指数。
2.根据权利要求1所述的方法,其特征在于,步骤S1的具体步骤如下:
步骤S101、建立城市群高质量发展分维度评估指标体系,根据上位及相关规划设计技术方案、区域与城市体检评估技术规范、区域与城市社会经济发展特征,制定多级分维度指标评估体系,其中,包括i个属性维度,即一级指标,m个二级指标,n个三级指标的评估指标体系;
步骤S102、动态采集、汇交具有空间位置信息的数据,所述数据可以用于表征所述三级指标;将所述数据进行空间地理编码,对所述数据进行预处理;
步骤S103、对经过预处理的数据基于目标空间单元进行聚合、统计或进行人均、地均平均值计算,形成有j个空间单元,n列评估指标数据的合集矩阵,用于表征所述三级指标;
步骤S104、对所述列评估指标数据进行标准化;
步骤S105、对所述列评估指标数据进行相关性验证;
步骤S106、综合利用Delphi法与AHP层次分析法,赋予所述经标准化处理、相关性验证后的n’列评估指标数据权重并加和形成m个维度二级指标;赋予二级指标权重,形成i个维度一级指标;
步骤S107、对i个一级指标利用Delphi法得到对应权重,最终形成各个目标空间单元的分维度评估综合指数。
3.根据权利要求1所述的方法,其特征在于,步骤S2的具体步骤如下:
步骤S201、建立流动指标评价体系;
步骤S202、对目标地区的中心范围进行识别;
步骤S203、对多源且具有空间位置信息的流动型数据进行数据采集、汇交,并将数据进行空间落位;对所述流动型数据进行筛选、清洗和预处理,筛选出所述中心范围内产生的流动型数据,得到各目标空间单元与所述中心范围联系强度,形成目标空间单元与所述中心范围之间的要素流动联系强度矩阵;
步骤S204、对所述流动联系强度数据进行标准化;
步骤S205、利用AHP层次分析法赋予各标准化后的流动联系强度数据权重,进行加权综合后汇聚成目标空间单元的区域中心网络辐射综合指标。
4.根据权利要求1所述的方法,其特征在于,步骤S3中,所述流动型数据包括企业流动网络数据、人员流动网络数据、和/或资金流动网络数据。
6.一种各目标空间单元的优势类型判断方法,基于权利要求1中所述各目标空间单元分维度评估综合指数,采用K-Means聚类算法对所述目标空间单元进行聚类,将在各个维度上得分相似的目标空间单元进行识别与归类,具体步骤如下:
a、确定分组数K;
b、随机选择K个值作为数据中心;
c、计算其他数值与数据中心的“距离”;
通过欧氏距离的计算,可以判断在多维空间中各个点之间的绝对距离,数值越小表明两点之间的距离越近,其公式为:
式中,X、Y为空间内的点,xi为点X的空间内各维度数值,yi为点Y空间内各维度数值;
算出其他点距离K个中心的距离,哪个中心点离得更近,谁与数据中心就是同一类;数据会被分成K个组团;
d、重新选择新的数据中心;得到了分组的结果之后,以每一组的平均值,作为新的中心点,再运用欧式距离算法计算其他数据与新数据中心的距离;
重复步骤d;直到分组情况并没有变化,这说明计算收敛已经结束,不需要继续进行分组,最终目标空间单元数据成功按照相似性分成了K组;
依据分组结果判断各目标空间单元的优势类型。
7.一种价值地区、潜力地区与腹地判断方法,基于权利要求1中所述各目标空间单元分维度评估综合指数、区域中心网络辐射综合指标,利用分层次叠加评价方法,判断各目标地区中的价值地区、潜力地区与腹地;
其中,价值地区判断:目标空间单元的关键维度指标排名均在前,或者关键维度指标排名均在前且其余维度指标平均排名也在前;
潜力地区判断:关键维度指标有一项指标在前,或者除了关键维度指标外,其余指标平均值在前;
腹地判断:通过各目标空间单元的区域中心网络辐射综合指标进行判断,与中心地区联系紧密的非中心目标空间单元,为中心地区的一级腹地。
8.一种目标空间单元高质量发展评估方法,基于权利要求1中所述各目标空间单元的高质量发展指数,将所述各目标空间单元的高质量发展指数在ARCGIS中进行空间关联,并对数值进行分级评价的分段展示,对各级分段空间分布进行评定。
9.根据权利要求8所述的评估方法,将所述各目标空间单元的高质量发展指数进行统计,以进行更大尺度范围内的区域发展评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111593484.1A CN114565207A (zh) | 2021-12-23 | 2021-12-23 | 一种融合属性数据和流动数据的城市群高质量发展监测评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111593484.1A CN114565207A (zh) | 2021-12-23 | 2021-12-23 | 一种融合属性数据和流动数据的城市群高质量发展监测评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114565207A true CN114565207A (zh) | 2022-05-31 |
Family
ID=81711415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111593484.1A Pending CN114565207A (zh) | 2021-12-23 | 2021-12-23 | 一种融合属性数据和流动数据的城市群高质量发展监测评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114565207A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116029619A (zh) * | 2023-03-29 | 2023-04-28 | 佛山市龙生光启科技有限公司 | 一种智慧城市规划用数据处理方法及系统 |
CN116894597A (zh) * | 2022-09-22 | 2023-10-17 | 广州市城市规划勘测设计研究院 | 一种城市体检中科技创新监测的规划模拟测度与评价方法 |
-
2021
- 2021-12-23 CN CN202111593484.1A patent/CN114565207A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116894597A (zh) * | 2022-09-22 | 2023-10-17 | 广州市城市规划勘测设计研究院 | 一种城市体检中科技创新监测的规划模拟测度与评价方法 |
CN116029619A (zh) * | 2023-03-29 | 2023-04-28 | 佛山市龙生光启科技有限公司 | 一种智慧城市规划用数据处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110796284B (zh) | 细颗粒物污染等级的预测方法、装置及计算机设备 | |
González-García et al. | Embedding environmental, economic and social indicators in the evaluation of the sustainability of the municipalities of Galicia (northwest of Spain) | |
CN110533038B (zh) | 一种基于信息数据的城市活力区和中心城区边界识别的方法 | |
Aslam et al. | The use of local climate zones in the urban environment: A systematic review of data sources, methods, and themes | |
CN108717676B (zh) | 基于多数据融合的不同尺度下的职住空间评价方法及系统 | |
Yang et al. | Impact of accessibility on housing prices in Dalian city of China based on a geographically weighted regression model | |
CN111651545A (zh) | 一种基于多源数据融合的城市边缘区提取方法 | |
Yao et al. | Discovering the homogeneous geographic domain of human perceptions from street view images | |
CN114565207A (zh) | 一种融合属性数据和流动数据的城市群高质量发展监测评估方法 | |
WO2022198963A1 (zh) | 基于大数据的商业空间品质评价方法、系统、设备及介质 | |
Guyot et al. | The urban form of Brussels from the street perspective: The role of vegetation in the definition of the urban fabric | |
CN110197332A (zh) | 一种社会治安综合治理评价方法 | |
CN111199322A (zh) | 房价预测方法及计算机可读存储介质 | |
CN112418690A (zh) | 一种用于城市体检指标的分析诊断方法及系统 | |
CN115239127A (zh) | 生态脆弱性评价方法、计算机设备、存储介质和验证方法 | |
CN112288311A (zh) | 一种基于poi数据的居住区配套设施便捷度计量方法 | |
CN113222327A (zh) | 一种基于服务能力的地块可达性分析方法 | |
CN112561401A (zh) | 一种基于多源大数据的城市活力测度与表征方法及系统 | |
CN113672788B (zh) | 一种基于多源数据和权重系数法的城市建筑功能分类方法 | |
Dou et al. | Identification of rural regional poverty type based on spatial multi-criteria decision-making—taking Gansu Province, an underdeveloped area in China, as an example | |
CN115146990B (zh) | 一种集成多源地理大数据的城市活力定量评价方法 | |
CN116882625A (zh) | 一种岩溶山地乡村聚落用地空间脆弱性识别方法 | |
TWI744299B (zh) | 不動產估價用途的交易標的價格估算方法 | |
Chen et al. | Evaluation and determinants of satisfaction with the urban-rural interface area liveability toward “15-min city”: A case study in Henan Province, China | |
Gáll | Determining the significance level of tourist regions in the Slovak Republic by cluster analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220531 |
|
RJ01 | Rejection of invention patent application after publication |