【文章编号】1002-1329 (2018)06-0009-06
【中图分类号】F293.2;TU984.1
【文献标识码】A
【doi】10.11819/cpr20180603a
【作者简介】
丁成日(1963-),男,博士,马里兰大学城市理性增长国家研究中心教授(终身),郑州大学特聘教授,本文通信作者。
李 智(1988-),男,中国宏观经济研究院、国家发改委国土开发与地区经济研究所,助理研究员。
何莲娜(1977-),女,北京市设计研究院高级工程师。
牛 毅(1985-),男,博士,首都经贸大学国际经济管理学院副教授,硕士生导师。
【修改日期】2018-05-25
精彩导读
【摘要】城市经济产业和城市土地利用之间的关系是分析和预测城市非住宅土地需求中非常重要的条件。本文建立了非调查方法来估计产业与土地利用之间的关系。通过利用土地需求、容积率、岗均(就业人均)建筑面积三者之间的关系,本文建立了通过数学迭代,利用最小值法来估计产业与土地利用关系的模型方法。并利用该方法分析北京中心区产业和土地的利用关系,分析计算结果与预期结果高度吻合。该方法的意义在于:(1)为解析式、自下向上地分析和预测城市土地需求提供了技术支持;(2)是经济规划“空间落地”的核心技术支持,是经济规划和有机整合的关键。
【关键词】土地需求分析;非住宅用地;非调查方法
NON-SURVEY METHOD IN ESTIMATING THE RELATIONSHIP BETWEEN INDUSTRIAL SECTORS AND URBAN LAND USES
ABSTRACT: The relationship between industrial sectors and urban land uses plays a critical role in analyzing and forecasting the demand for urban non-residential land. This paper develops a non-survey method by utilizing the relationship between urban land demand, floor-area-ratio, and building area per employee to estimate employment distributions over land use types in the industrial sector. The method is an iterative approach in which estimated employment distribution over land uses in the industries is minimized with reference to total actual land demand. The method is applied in the central city of Beijing, and estimated results show that the method produces expected outcomes and that the results can be used to guide planning practice. The paper contributes to urban planning practice by demonstrating the development of employment-land use relationship through secondary data.
KEYWORDS: land demand analysis; non-residential land; non-survey method
问题的提出
经济规划“空间不落地”是一个长期困扰和发展的战略问题。这个问题既阻碍了经济规划和之间的整合和协调,也是快速发展时期经常调整、修编的原因,这些都严重影响了对城市(空间)发展和管理的战略性、前瞻性、引导性和指导性等功能的发挥。
《城乡规划法》要求经济规划和之间要协调,但是由于体制和非体制等原因,这两个规划之间的协调一直存在着很大的问题。体制的原因众所周知,故不在这里赘述;非体制的原因包括规划的技术、方法、理念等还很落伍,计划经济体制下采用的实践在今天依然流行。最为突出的例子之一是城市土地需求的确定。首先确定未来城市发展规模,然后决定人均土地消费,最后根据这两个指标决定未来城市发展所需要的土地①。例如2004—2020年北京城市总体规划设定的人口目标是1800万人(2020年),城镇人口规模控制在1600万人以下,人均建筑用地控制在105m2,总的建筑用地规模控制在1650km2,减去已经发展的用地规模,就得到2004—2020年城市开发用地规模②。
这种根据人均指标计算土地需求的方法有四大问题。第一,人为地割裂了土地价格和市场机制对土地资源分配的作用。这种方法不仅与国家市场经济发展的基本发展趋势不符合,也难以保证土地资源利用效率的最大化;第二,由于缺少解析分析的支持,在总量控制的前提下,土地需求分解(分解到不同类型——住宅、工业、商业、办公、城市基础设施等)缺少科学性,主观和人为的因素难以避免。第三,难以使规划应对未来的不确定性和不可预测性。这是因为,不同产业、不同人群、不同的交通模式都对城市发展密度有很大的影响,进而影响土地需求。第四,难以使规划为政策和战略发展服务。不同产业有不同的土地需求,制造业主要是工业用地类型,而金融房地产业主要是办公和零售用地。如果将城市发展战略定位为产业升级,那么制造业比重下降,第三产业比重上升,或者提高高附加值产业的比重,这必然使城市土地发展的需求发生根本性的改变。而人均建设用地规模难以反映政策和产业发展的变化。可见,宏观、总量上决定土地需求方法(简称“人均土地需求规模法”)既不能使很好地为经济发展服务(从技术上割裂经济规划和之间的整合和融合),又不能使很好地为城市发展战略和政策服务。宏观、总量上决定土地需求的方法还使难以摆脱“自上向下”、主观人为地将总量分解为不同的土地利用类型的模式,往往造成总量失控[1]。第五,技术层面上成为“三规合一”和“经济规划空间落地”的障碍。比如,经济发展和预测侧重的是分产业的从业人数,但是如果不知道分行业人均建筑/土地需求,则无法根据市场和经济发展来安排土地供给。
在美国,经济产业与土地利用关系通过调查数据汇总而得,即根据每个地块上的经济数据(特别是产业行业类别、就业数据等)与土地利用数据(城市土地利用类型、容积率等)之间的准确匹配,从而得到经济产业与城市土地利用之间的关系。但是,中国许多城市都没有这样的数据,故本文发展了一种利用现有数据,间接地推算和估计经济产业与城市土地利用之间关系的方法。这种非调查方法(即通过第二手资料来推算的方法)在许多领域都有应用和发展,特别是当调查数据难以获得,或者是成本昂贵的时候③。比如除中国外,没有一个国家有省级的投入产出表,主要是成本和人力投入都非常巨大,故许多国家需要建立省级的投入产出模型,或者在区域模型中用到省级投入产出表时,通过国家投入产出表来推算。
城市非住宅用地需求和预测分析
城市土地利用分类主要是住宅、工业、商业零售、办公(机构)、基础设施和公共空间五大类。理论上,非住宅用地(non-residential land uses)包括除住宅外的其他所有类型。但是,由于基础设施和公共空间的特殊性,国外在使用非住宅用地的时候基本上都是指工业用地、商业零售用地和办公用地。故本文城市非住宅用地也是指这三种土地利用类型[2]。
分析和预测非住宅土地需求的基本公式是[2]:
土地需求=就业增长×就业人均建筑面积/容积率 (1)
公式(1)说明土地需求预测需要在就业增长的前提下,通过就业人均建筑面积和容积率两个参数来计算。这两个参数也称为城市发展建设参数。前者反映建筑空间利用强度,后者反映土地利用强度。这两个参数都用平均值来计算城市土地总需求。显然,不同土地利用类型的就业人均建筑面积是分析和预测城市土地需求一个非常关键的参数,没有这个参数,这种解析式、自下向上的土地需求分析和预测方法就难以应用。
图1说明办公、商业和零售、工业土地需求分析预测的一般流程[3]。
Fig.1 Predictive analysis on the demand for office land, business and retail land, and industrial land
根据图1,第一步为预测城市经济增长,进而预测各个经济行业的增长情况(如就业、经济产值等)。第二步是根据经济产业部门与城市土地利用之间的关系(表1)[4]将每个经济部门的就业增长量分解到不同的土地利用类型中,分析计算经济行业中利用办公用地的人数、利用商业和零售用地的人数、利用工业用地的人数。例如,克利夫兰郡每100个制造业就业人数中,有1.05人利用办公用地,其他的98.95人都在利用工业用地;金融、保险和房地产业中,每100个就业中有21.25人利用零售用地,其他78.75人利用办公用地。然后计算出每个土地利用类型的就业人数(办公、零售、工业等)。第三步是决定土地发展参数,如工业建筑的容积率(建筑面积/土地面积)和每种就业人数所需的建筑面积。最后根据每种土地利用类型的就业人口,土地发展参数,计算每种土地利用类型的土地需求。将所有的土地利用类型的土地需求汇总,得到总的非住宅土地需求预测[3]。
从图1可知,从预测经济发展(就业增长)到得出城市土地利用需求的关键是经济产业和土地利用的关系。缺少了这个关系,既不能根据经济(市场)发展来安排土地供给,实现“经济规划的空间落地”,更不能使政策走向通过城市土地供给来引导未来城市发展。这是因为不同产业的就业对城市土地需求是不一样的(表1)。从美国克利夫兰郡可知(表1),制造业就业消费的主要是工业用地(约占99%,即制造业就业人数的99%都使用工业用地),而金融、保险和房地产主要消费使用零售和办公用地。因而,一个城市经济发展方向不仅影响城市土地供给及其模式,同时还影响土地供给结构和区位。
Tab.1 Share of employment in non-agricultural sector by land uses in Cleveland County
资料来源:参考文献4
从式(1)和图1可知,经济产业和土地利用关系是分析和预测城市土地需求非常重要的发展参数。但是,经济产业和土地利用关系的意义和重要性远不止于此,特别是从经济规划与整合协调的角度,或者从为城市经济发展服务的角度而言。产业与土地利用之间关系的重要性可以概括如下:(1)为“自下向上”、微观解析式地分析预测非住宅土地需求提供逻辑基础;(2)使土地需求分析能够充分考虑不同产业的不同土地需求;(3)能够根据产业发展和产业结构方向供给土地,使更好地整合经济规划,从而实现服务城市经济发展的根本职能和功能;(4)增加中土地供给的灵活性,更好地应对未来发展的不确定性;(5)可能最为重要的是,在产业布局和选择的基础上,其是经济发展和规划的“空间落地”模型分析中不可缺少的要素或参数输入[5]。
表1是利用城市土地利用类型数据和企业数据、通过将它们在空间地理坐标上精确地匹配统计而得,也就说,通过每个地块上的土地利用数据(土地利用类型和容积率)和经济数据(产业类型和就业人数)统计汇总出表1。显然,目前中国城市还不具备这样的数据基础。故本文建立了一种非调查方法来分析城市土地需求,即产业的城市土地利用需求。具体地,利用土地面积、建筑面积和容积率三者之间的数量关系,通过迭代法对实际土地面积和估计的土地面积之差的平方和累计最小值求解,求得产业和土地利用之间的关系。
数据和研究区
研究区选择为北京六环以内,并以1km2网格来组织数据,包括总共2592个格网④(图2)。以六环为研究区边界是考虑到需要在一个完整劳动力市场内研究产业和土地利用之间的关系,保证两者之间的完整性和统一性。利用格网来组织数据是考虑到可以利用的城市土地利用数据(包括类型)。
Fig.2 1-km2grids within the 6th Ring Road of Beijing
数据有两大类。一类是城市土地利用数据,分为四大类型:工业、商业、办公和其他(其他包括文体、医疗、教育科研、对外交通);另外一类是2008年就业数据,分为41个行业。这样每个格网都有4种不同非住宅用地类型的总量、建筑面积和平均容积率,以及41个行业的就业总量。本文方法计算所需要的数据是1km2的格网不同城市土地利用类型比例和分行业就业人数。格网内分产业行业就业是根据2008年北京经济普查数据统计而得。
为简化分析,将41个行业归并如下:(1)农业和采掘业;(2)轻纺食品业;(3)重化工 (原料、能源、化工、冶炼加工);(4)冶炼加工;(5)设备通讯制造业;(6)其他制造业;(7)建筑业;(8)交通仓储邮政信息;(9)批发零售住宿餐饮;(10)服务业;(11)文体娱乐;(12)金融房地产;(13)科技教育;(14)公共管理社会组织;共14类。
北京研究区的总就业人数为1220万,其中第一产业总就业人数只有10万多人,制造业近227万,其余的都是第三产业,近980万人。北京产业结构主要以第三产业为主。第一产业比重不到1.3%,第二产业比重为1/4(25.05%),第三产业比重高达73.67%。第二产业中,设备通讯制造业比重最大,占第二产业的34.07%;其次是建筑业,占25.74%;然后是轻纺食品,占17.47%。这三个产业占第二产业的77.28%,其他产业(重化工、冶炼加工、其他制造业)比重都很小,没有超过10%。第三产业中,批发零售住宿餐饮居第一,占第三产业就业的26.12%;第二是科技教育,占第三产业的21.09%;第三是交通仓储邮政信息,占第三产业的15.68%;第四是服务业,占12.45%;第五是公共管理和社会组织,占11.62%;金融房地产比重只有8.37%。 这5个产业也是北京重点产业(根据比重选择前5个行业),他们在总就业中所占比重将近2/3。
模型方法——
数学迭代-最小值法
笔者建立的非调查方法的核心是迭代-最小值法。我们知道:
土地面积 = 建筑面积 / 容积率 。假设不同土地利用类型的岗均建筑面积⑤不同,就可以从下式估算土地面积:
土地面积 = 建筑面积 / 容积率 = 1 / 容积率 X (就业人数 X 建筑面积 / 就业人数) (2)
根据(2)式,估算每个格网i(i=1,2,…,n)内不同土地利用类型j(j=1,2…,m)的土地需求。具体公式如下:
其中,
目标函数为:
约束条件为:
约束条件(5)要求解不能是负数;约束条件(6)说明行业k就业人数在每个土地利用类型上比例总和不能超过1,个别行业(如建筑)因需要野外作业,故比例累计总和应该小于1。式(4)中的土地面积ij根据式(3)计算。
式(3)分土地利用类型的容积率是所有格网总的平均容积率。分土地利用类型的总土地面积是所有格网的总面积。利用迭代法来求使π(式4)取得最小值的解( αjk,j=1,2,…,m;k=1,2,…,w),并满足约束条件式(5)和(6)。图3显示求解的技术流程。有两种不同的迭代来计算αjk,一种是利用每个格网的平均人均建筑面积(分土地利用类型),如同式(3);另一种是利用所有格网的平均人均建筑面积(分土地利用类型),即所有格网的平均
建筑面积j / 就业人数j来替代式(3)中的建筑面积ij / 就业人数ij。笔者将两种迭代都加以利用。
Fig.3 Flow chart for calculation
模型结果
在北京的应用中,n=2119(格网数),m=4(土地类型,1到4分别为办公、工业、商业和其他),w=14(14个经济产业部门)。这意味着有56个解需要求。
整个迭代计算求解是在Matlab软件上开发实现的。非线性方程可以有许多解,因为初值选取的随意性,求的解可能是局部最优解,而不是全局最优解。通过选择不同的初值和增加迭代次数来试图得到的解是全局最优,而不是局部最优。迭代终止条件可以是迭代次数上限( 比如1000次或10000次)或者目标函数最小值改进小于最低阈值( 如0.0001),具体用哪个,可以根据实际计算来确定⑥。
模型计算结果如表2所示。结果与预期的比较接近。由于农业采掘业和建筑业有许多野外作业的工人,这些行业分配到四大土地利用类型比例之和小于1是正常的,也符合预期,这两大行业只有55%左右的就业人数需要土地消费。正如预期的那样,其他制造业( 重化工冶炼、设备通讯制造、其他制造业 )就业主要分配到工业用地( 近88%~90%的就业在工业用地上,办公和商业各自占4%~5%左右 )。第三产业中,交通邮政信息主要是工业和其他用地( 对外交通用地 ),其余的基本平分到办公和商业;金融业从业人数主要是办公和商业,办公用地比重为45.09%,商业用地比重53.98%,这与国外有所不同,原因可能是笔者没有将零售用地单独列出;批发零售住宿餐饮业和服务业的用地模式类似,主要是在商业,占近3/4,办公约占1/4;文体娱乐的其他用地占了约一半( 主要是体育场馆用地 ),另一半在办公和商业之间平分;科技教育的用地主体是其他类型( 科研教育用地 ),占接近90%,商业和办公比重很少;政府和社会组织的就业主要是办公,约占60%,其余的在商业和其他用地类型中平分。这个比例分配中其他用地类型包括医疗卫生用地。
Tab.2 Employment distribution by land uses (industry-land use relationship)
根据表2产业与土地利用关系,估算不同土地利用类型的人均土地面积和人均建筑面积(表3)。根据表2得到的总就业人数是1176万多,占全部就业的96.20%,小于100%是因为农业采掘业和建筑业有部分就业不需要建筑空间。
Tab.3 Land area and building area per capita by different land uses
从比例上看,商业用地上的就业人数最大,占总人数的31.87%,办公用地和其他用地各占20%左右。研究与试验发展业,卫生、社会保障和社会福利业,及教育行业三个行业( 41个行业中 )从业人数占12.6%,这些行业土地利用类型的特殊性( 学校,医院,体育场馆等 )比较高,估计的结果也比较符合预期。工业用地上的就业人数比重接近30%,制造业主要是利用工业用地,而第二产业从业比重也在25%左右,说明迭代分析结果在工业用地上的估计与实际发展比较贴近。
城市土地利用强度可以从人均土地面积和人均建筑面积来反映,但是需要强调,不是人均用地强度越高就一定是土地利用效率越好,这要看土地利用类型和土地价格,而在一个城市里这两个方面还与区位有很大关系。不同土地利用类型的土地利用效率是非常不同的。人均工业用地超过90m2,人均建筑面积近36m2;由于教育科研文化体育等行业的特殊性,其他用地的人均土地面积和人均建筑面积都很大,分别超过50m2/人和25m2/人。办公和商业用地强度很高,在预期的结果中,商业用地人均土地面积和建筑面积分别是12.17m2和18.58m2,办公则是10.03和12.51m2。
表4显示不同行业的人均建筑面积。具体计算是:根据求得的解,可以知道一个行业不同土地利用类型上的就业人数,从表3知道每个土地利用类型的人均建筑面积,这样就可以通过加权平均(或者算术平均)计算而得。农业采掘业人均建筑面积最小,与预期相符,不到11m2,制造业都在33~35m2之间。第二产业的制造业人均建筑面积都很接近,这个结果有两种可能:一种可能是与实际相符,源于统一的工业发展标准;另一种可能是与实际发展不相符合,主要的原因是工业土地利用类型没有细分(比如重化工业,轻化工业等)。在数据有限的情况下,难以判断哪种情形更符合北京发展的现实。
▲ 表4 | 不同行业人均建筑面积
Tab.4 Building area per capita by difference sectors
第三产业中,交通仓储邮政信息人均建筑面积最大,接近30m2;科技教育其次,接近25m2,这也与交通科技教育的公益性有关;除了交通仓储邮政信息和科技教育外,其他行业人均建筑面积都不到21m2,其中金融房地产最小,为16m2。
结论
通过模型和数据分析,本文论证了经济产业与城市土地利用两者关系的重要性。有了表1或表2,就可以通过总量来推出表3和表4。表3和表4对的重要性如何评价或许都是不过分的。因为有了表3或表4,就可以根据产业来精确地安排土地供给,就可以定量地规划城市发展(特别是城市就业空间定量分布)。这可以使传统的、定性的城市空间发展规划走向科学的轨道。表2的意义还在于经济规划和发展可以与城市土地利用规划和发展对接,有了相互沟通的语言。
本文的创新点是建立了非调查方法来估计产业行业与城市土地利用之间的关系。这个创新点可以帮助解决长期困扰中国的重要问题,即通过产业预测来推测城市非住宅用地需求,使可以根据市场来供给土地,而不是简单地利用人均土地需求来安排供地。这为经济规划空间落地提供了科学依据和基础。本文发展的方法从技术层面上为“三规合一”的解决提供了条件。没有产业行业与城市土地利用之间的关系,从技术层面上“三规”是很难合一的。本文发展的方法另外一个现实意义是可以广泛地在其他城市中应用。
中国的缺少定量和经济分析。城市数据问题总是存在的,问题是能否通过技术、方法、模型等来克服数据问题,在有限的数据支持下为科学规划提供技术支持。本文的研究表明,这是可能的。本项目的价值和意义还体现在证明了中国中可以进行有价值的定量分析和模型应用,北京这样的城市也有足够的数据支持定量分析和模型研究,并使它们成为服务决策的工具。
时间关系,本文的研究有一定的局限性。从大的方面来讲,经济产业和土地利用关系只能反映大体的关系,因为研究没有考虑:(1)混合土地利用,而这在北京和中国的其他城市都是非常普遍的;(2)北京有许多特殊用地(比如部队),他们的用地可以包括办公、商业、教育、文体等类型(假设政府就业并没有全面反映这些)。当然,特殊用地有特殊考虑,故其发展规划也不遵从一般的经济规律。所以,特殊用地的需求分析需要不同的分析方法和理论,不能一概而论。
还有,土地利用类型只分了4类。相对来讲,模型分析可以细化,比如利用8个类型(工业、商业、办公、交通、医疗、文体、教育科研和市政)。这无疑极大地增加了模型的复杂性和计算时间,但结果可能更加具有规划指导性。这些都是后续研究的内容。
注释
① 需要减去已经发展的土地。
② 1600万人乘上105m2等于1680km2。1650km2可能是出于将土地发展规模和人口规模控制在既定目标之下的考虑。
③ 非调查方法(non-survey methods),即不做专门调查,从统计资料中获取那些容易获得的数据,依据一定的假设条件,采用一些数学或统计技术,推算出那些估计难度比较高的数据。可参见高敏雪、李静萍、许健,《国民经济核算原理与中国实践》,中国人民大学出版社,2013年,第三章中关于非调查方法的论述与应用。
④ 2592个网格中有473个网格有土地利用(如工业、办公、商业、或其他土地利用类型),但是就业数据为零。这些网格的分布主要在五环至六环。这些网格可能是处在正在发展建设等原因,但是因为没有就业,故在分析模型中不予考虑。这样整个分析所利用的网格数为2119个。
⑤ 岗均建筑面积指单位就业人数的建筑面积。
⑥ 计算中还引进了其他约束条件,它们是:
(1)α4k=0,k∈第二产业;
(2)α4k=0,k∈第三产业中的服务、批发零售住宿餐饮、金融房地产;
(3)
其中,V是预先给定的值。第一个条件设定第二产业就业与其他土地利用类型(文体、医疗、教育科研)没有关系;第二个条件设定第三产业中的服务,批发零售住宿餐饮,金融房地产与其他用地类型没有关系;第三个条件设定第三产业累计的工业(不包括交通仓储邮政信息)用地不大于预先给定的V值,如果V=0,那么第三产业中的任何行业都不用与工业用地发生关系,在具体计算中,设定V=10%。
参考文献
1 丁成日.基于城市经济发展的用地需求分析与预测模型[R].北京市设计研究院咨询报告,2013.
DING Chengri. Models for Land Use Demand Analysis and Forecasting Based on Urban Economic Growth[R]. Consulting project for Beijing Municipal Institute of City Planning & Design.
2 丁成日.城市土地需求分析[J].国外,2005(4):19-25.
DING Chengri. Urban Land Demand Analysis[J]. Urban Planning Overseas, 2005(4):19-25.
3 丁成日.城市空间规划:理论、方法、实践[M].北京:高等教育出版社,2007.
DING Chengri.Urban Spatial Planning: Theory, Method, and Practice[M]. Beijing: High Education Press,2007.
4 Clarion Associates Team. Norman 2025 Land Demand Analysis[R/OL].2015-03-12. http://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&ved=0CCkQFjAA&url=http%3A%2F%2Fwww.ci.norman.ok.us%2Ffilebrowser_download%2F681%2FGreen%2520Norman%2F110303-TheDemandAnalysis.pdf&ei=2pRfU-D9HcuksQS_r4DoCg&usg=AFQjCNFn0LEzrGC2Tszh5t3cQFoQbE2Nqg&sig2=EW_qYLkJOfTwssxuCqPKSg.
5 丁成日.“经规”、“土规”、“城规”规划整合的理论与方法[J].规划师,2009,25(3):53-58.
DING Chengri. Integration of Economic Planning, Land Use Planning, and Urban Planning: Theory and Approach[J]. Planners, 2009,25(3):53-58.
——————————————了解更多《》杂志信息,搜索微信号“”或识别下方二维码关注。