城市土地需求分析

本文介绍城市土地需求预测的分析技术.城市土地需求预测的一般逻辑是:(1)首先根据城市功能预测住宅、工业和商业、公共空间所需的城市建筑空间需求;(2)根据市场或城市规划以及城市发展政策,确定城市发展强度;(3)最后确定土地发展参数.本文介绍的比例参数和线性外推方法简单、成本低,对数据要求不高,因此对中小城市或地区,特别是发展稳定的地区,是一个相对比较可行并且可靠的方法.     

山地城市土地适用性分析浅议

本文根据山区城市的特点，提出了改进用地评价方法，进行土地适用性（包括空间适用性和时间适用性）评价的观点，并对评价方法进行了分析。     

“经规”、“土规”、“城规”规划整合的理论与方法

中国的发展和国际经验都说明了规划整合是今后城市规划发展的方向.本文对中国规划整合的理念和方法进行分析,首次指出城乡交界处是规划整合的重点地区,"经规"、"土规"、"城规"的整合方法和技术的核心是土地供给分析、土地需求分析、土地空间分配分析.多规整合或融合涉及面广,因而需要借助模型和高级计量工具来科学地规划和决策城市空间发展.     

奎屯—独山子经济技术开发区土地集约利用评价及建议

土地是社会经济发展的先决条件，土地能否集约利用影响着城市经济、社会和环境效益的发展水平。奎屯-独山子经济技术开发区已经被确定为“金三角”（奎屯、乌苏、独山子）地区促进社会经济全面可持续发展的重点区域。对开发区土地开展集约利用评价能够促进开发区加强土地节约集约利用管理，落实宏观调控政策，为开发区用地审批及纵深发展提供科学依据。     

浅论城市土地产权制度的创新思路

一、我国城市土地产权制度的基础土地产权制度是土地制度的核心和基础，一个国家和地区的土地产权制度，决定了这个国家或地区的土地所有权能否实现，而且影响着地产市场的发育、运作状况以及土地资源的配置等。作为土地产权制度的重要组成部分——城市土地产权制度，则是城市土地市场运作、土地优化配置和城市发展的基础。但是，长期以来，我国对城市土地实行的是无偿、无限期使用和使用权不准转让的行政划拨制，城市土地国家所有徒有虚名，其所有权在经济上不能实现，因而使本来就匮乏的土地资源浪费严重，土地效益得不到充分发挥。1987年…     

基于时空矩阵图析土地覆盖演变——以中国珠江三角洲为例

【目的】在快速城市化的三角洲地区，气候变化与土地覆盖演变是高度相关的。因此，图析土地覆盖的演变过程，从而探讨人类活动对城市系统的影响，并评估城市抵抗自然灾害的能力至关重要。【方法】从空间和时间维度系统分析了珠江三角洲（简称珠三角）的土地覆盖演变模式，以揭示土地利用政策对珠三角地区的空间影响，并为应对气候变化和城市可持续发展提出建议。【结果】建立了一种利用R Studio、完全基于开放数据、通过时空矩阵在区域尺度图析土地覆盖演变过程的方法。利用开放的欧洲航天局气候变化倡议土地覆盖图和美国地质勘探局高程地图数据，分析了1992—2015年世界上城市化速度最快的地区之一珠三角的演变模式。通过在相对精细的时间颗粒度上来量化土地覆盖演变模式，揭示了珠三角不同地区对应不同发展阶段的各自变化强度与变化趋势。此外，低海拔海岸带的土地覆盖演变幅度较大，特别容易受到海平面上升、风暴增强等气候变化引发的灾害的影响。【结论】结果表明：2001—2002年，深圳和东莞土地覆盖演变幅度最大，2008年开始呈减小趋势；其他周边城市的土地覆盖年变化幅度具有更加稳定的特征。所提出的时空矩阵可以帮助决策者更好地了解三角洲地区土地覆盖的时空演变，有助于制定针对性的规划战略，以增强脆弱沿海地区的抗灾韧性。     

城市化进程中的土地集约利用

中国城市化面临着加快发展与耕地保护的双重要求。一方面，由于人多地少，耕地短缺，土地状况不允许城市建设占用太多的土地，特别是耕地；另一方面．今后若干年，城市化水平还将继续提高，未来城市建设仍会占用大量土地（包括耕地），这就提出了一个在有限土地资源的情况下如何推进城市化的问题。加强城市土地集约利用是解决城市化和土地资源短缺问题的根本途径。     

本月关注：土地

宝山将土地确定为“四类功能用地” 据《上海宝山区区域总体规划概要2003～2020》资料，根据土地使用现状、未来发展方向和各分区功能的定性，宝山将使用土地分为四大类功能用地：沿江饱和区．包括宝山、吴淞地区和宝钢．今后的发展是在继续保持稳定性基础上，提升功能，优化环境；协调发展区，包括宝山外环线以南的集中城市化地区，     

确定地下空间适用性的多层次评估方法

本文在确定地下空间适应性方面进行了初步的探讨，提出了一种用于综合决策的多层次评估方法，在该方法中，通过使用一系列的决策指标，主要解决以下三个方面的问题：（1）确定适合建于地下的功能类型；（2）确定地下空间利用潜力大的区域；（3）确定促进或是阻滞地下空间利用的城市发展方案。在本文中，该方法的提出和使用都通过示例进行了详细的说明。     

解析当代大都市区绿带规划、建设与治理——以上海环城绿带为例

1990年以后，大都市区绿带规划由限制城市蔓延的现代主义规划策略逐渐转变为能够促进地区发展的政治治理手段。首先梳理了国际绿带规划范式演进趋势和影响绿带规划的关键因素，其次回顾了上海环城绿带的规划思路、建设机制和治理路径，并以上海宝山区顾村公园绿带为对象进一步分析了上海环城绿带由城市空间的结构性要素向区域功能性要素转变的过程，最后对上海环城绿带的规划转型提出了几点建议。上海环城绿带曾肩负着控制城市蔓延的阶段性使命，现在主要承载培育周边土地价值、服务社区居民和提高整个城市吸引力的任务。未来，上海需：1）建设更多具有互通功能的楔形绿地；2）为新规划的绿带制定更为详细的控制性规划；3）将绿带与周边土地整合起来用于培育土地价值和孵化创新产业发展。     

Forecasting construction industry demand,price and productivity in Singapore: the BoxJenkins approach

In academic research, the traditional Box-Jenkins approach is widely acknowledged as a benchmark technique for univariate methods because of its structured modelling basis and acceptable forecasting performance. This study examines the versatility of this approach by applying it to analyse and forecast three distinct variables of the construction industry, namely, tender price, construction demand and productivity, based on case studies of Singapore. In order to assess the adequacy of the Box-Jenkins approach to construction industry forecasting, the models derived are evaluated on their predictive accuracy based on out-of-sample forecasts. Two measures of accuracy are adopted, the root mean-square-error (RMSE) and the mean absolute percentage error (MAPE). The conclusive findings of the study include: (1) the prediction RMSE of all three models is consistently smaller than the model's standard error, implying the models' good predictive performance; (2) the prediction MAPE of all three models consistently falls within the general acceptable limit of 10%; and (3) among the three models, the most accurate is the demand model which has the lowest MAPE, followed by the price model and the productivity model.     

Evaluating the performance of combining neural networks and genetic algorithms to forecast construction demand: the case of the Singapore residential sector

In recent years, forecasting demand for residential construction in Singapore has become more vital, since it is widely perceived that the next trough of the real estate cycle is approaching. This paper evaluates the use of a combination of neural networks (NNs) and genetic algorithms (GAs) to forecast residential construction demand in Singapore. Successful applications of NNs, especially in solving complex non-linear problems, have since stimulated interest in exploring the capabilities of other biological-based methods such as GAs, and in exploiting the synergy of these two techniques to create more problem-solving power. In the study, a basic NN model is used as a benchmark to gauge the performance of the combined NN-GA model. A relative measure of forecasting accuracy, known as the mean absolute percentage error (MAPE), is used for the comparison. The models are checked also for internal validity by allowing each to be trained twice and having a set of forecasts generated after each training. Both models are found to produce accurate forecasts, because their MAPE values consistently fall within the acceptable limit of 10%. However, the combined model out-performs the basis model remarkably by reducing the average MAPE from about 6% to a mere 1%. For each model, the marginal difference in the MAPE values (i.e., 0.5% for the NN model and 0.06% for the NN-GA model) of its two forecasts indicates consistency in performance, hence establishing internal validity as well. The findings reinforce the reliability of using NNs to model construction demand and reveal the benefit of combining NNs and GAs to produce more accurate models.     

An evaluation of the accuracy of the multiple regression approach in forecasting sectoral construction demand in Singapore

In the current state of research in construction demand modelling and forecasting there is a predominant use of the multiple regression approach, particularly the linear technique. Because of the popularity, it may be useful at this stage to gain an insight into the accuracy of the approach by comparing the forecasting performance of different forms of regression analysis. It is only through such formal means that the relative accuracy of different regression techniques can be assessed. In a case-study of modelling Singapore's residential, industrial and commercial construction demand, both linear and nonlinear regression techniques are applied. The techniques used include multiple linear regression (MLR), multiple log-linear regression (MLGR) and autoregressive nonlinear regression (ANLR). Quarterly time-series data over the period 1975–1994 are used. The objective is to evaluate the reliability of these techniques in modelling sectoral demand based on ex-post forecasting accuracy. Relative measures of forecasting accuracy dealing with percentage errors are used. It is found that the MLGR outperforms the other two methods in two of the three sectors examined by achieving the lowest mean absolute percentage error. The general conclusion is that nonlinear techniques are more accurate in representing the complex relationship between demand for construction and its various associated indicators. In addition to improved accuracy, the use of nonlinear forms also expands the scope of regression analysis.     

Using genetic algorithms and linear regression analysis for private housing demand forecast

An accurate prediction of prospective construction supply and demand, especially the private residential market, is paramount important to policy makers, as it could help formulate strategies to cultivate/stabilize the economy and satisfy the social needs (at macro level). Despite that, a realistic prediction of future private residential demand is never an easy task, as it is governed by a number of social and economic factors. In this paper, four leading indicator models are developed and compared for directly forecasting Hong Kong private sector residential demand. These comprise a (i) Linear Regression Analysis (LRA) model, (ii) Genetic Algorithms (GA) model, (iii) GA-LRA model, where LRA is used to select the indicator variables; and (iv) GA-LRA model with Adaptive Mutation Rate (AMR) to reduce the likelihood of local optima. The findings indicate that the GA-LRA model with AMR provides the most accurate forecasts and over a longer time horizon. In providing a range of possible forecasts, the model also provides an opportunity for the decision-maker to exercise judgment in selecting the most appropriate forecasts.     

供求视角下的高房价成因与治理对策探讨

中国住房价格的持续高涨,已经引起决策者和学者们的广泛关注。本文结合我国的特殊国情,从政府、开发商和居民购房心理等角度出发,从供给和需求两方面分析高房价成因。分析发现：政府对土地的垄断,“招拍挂”制度等是供给层面造成高房价的五大原因。快速城市化、房价只涨不跌的预期等是需求层面造成高房价的五大原因。基于此,针对性地提出调控房价的对策建议。     

建成环境与交通需求管理的协同效应研究展望

作为促进绿色出行的重要举措,已 有诸多研究分析建成环境或交通需求管理 对出行行为的影响,但大多数忽视了两者之 间的协同作用。准确分析建成环境、交通需 求管理对出行行为的影响机制,以及其协同 效应,能够为促进我国大城市绿色出行、贯 彻绿色发展理念提供理论支撑和精准施策 依据。本文基于当前研究现状,对建成环境 与出行行为、交通需求管理与出行行为的影 响,以及建成环境和交通需求管理的协同作 用研究进行了总结,并结合我国大城市建成 环境和居民出行特征对学术研究热点问题 进行展望。     

基于PCA-BP神经网络的用地碳排放预测研究

量化和预测用地的碳排放是实现规 划控碳的前提和基础。基于城镇建设用地分 类体系,从城市用地建筑能源消费的碳排放 核算视角,提出以“用地”作为碳排放的核算 终端和核算单元,基于PCA-BP神经网络建 立规划用地碳排放预测模型来预测用地碳 排放。将调研获得的样本地块的碳排放数据 作为因变量,以其用地特征指标（包括：容积 率、建筑单体数量、用地面积、建筑密度、建 筑高度、用地类型、用地兼容性、人口密度） 作为自变量,建立用地碳排放预测模型。以长 兴县老城区为实例,应用该模型预测用地碳 排放,从模型预测结果来看,该方法能较准 确地预测用地的碳排放,为城市的低碳规划 和碳排放管控提供了量化依据。     

城市工业用地规模的预测方法探讨 ——以长寿中心城区为例

对于城市工业用地规模的预 测,传统方法因忽略未来发展中的变化 因素而体现出预测的局限性。针对跨越 式发展城市的工业用地规模预测方法, 以长寿中心城区为例,从工业化进程入 手,依据不同阶段工业用地的发展特点 进行预测。再结合长寿中心城区工业发 展目标反向推导,综合预测城市的工业用 地规模。     

城市煤气负荷预报

介绍了目前常用的负荷预报方法的特点和对负荷预报中的特殊因素的处理方法，指出了目前还存在的问题和研究方向。     

从征地过程看集体土地产权制度改革

解决土地被征后利用效率低下、土地征用补偿标准低等问题,必须做好以下工作:建立农用地分等定级和基准地价体系,并将其作为征地补偿的主要依据;形成以社会保障为宗旨的劳动力安置方法;国家和集体的职能重点由交易主体逐渐向管理服务转变;适当提高公益性用地补偿标准。