从发展区域中学习：利用机器学习和基于案例的推理方法探索缩小建成区面积的最佳路径

《Land Use Policy》：Learning from growth regions: Exploring optimal paths for shrinking built-up areas using machine learning and case-based reasoning

中国建成区收缩研究提出融合机器学习与案例推理的分析框架，基于2012-2019年57.2万新增建成区数据，发现收缩区域占比16.78%，呈现显著空间梯度（33.16%至11.86%），通过LightGBM等模型识别基础设施失衡、经济密度不足等核心问题，提出五种城市优化类型。

　　

何青松|江玉坤|吴丹|吴超

华中科技大学公共管理学院，中国湖北省武汉市珞喻路1037号，430074

摘要

在全球城市化的背景下，建成区面积的缩减（SBA）已成为可持续城市发展的一个关键挑战，其特征是夜间光照强度下降和利用效率降低。尽管现有研究主要集中在识别缩减现象上，但在方法论上缺乏对增长区域经验的系统参考。本研究提出了一种结合机器学习和基于案例的推理的分析框架，以逆向诊断缩减区域。该方法不是将以增长为中心的逻辑强加给萎缩的城市，而是利用表现优异的区域来建立基础设施、经济密度和服务提供之间的功能平衡基准。通过了解这些普遍的活力条件，可以识别出缩减区域的具体结构缺陷。通过对2012年至2019年间中国新增的572483个建成区域进行分析，我们发现16.78%的区域表现出SBA模式，从中国东北部（33.16%）到东部（11.86%）存在明显的空间差异。三种机器学习模型的预测准确率超过了68%，其中LightGBM达到了72.64%，显示出强大的预测能力。比较分析揭示了SBA区域与增长区域在基础设施提供、经济密度和产业结构平衡方面的显著差距。通过聚类分析，确定了五种需要差异化策略的城市优化类型。该框架为基于证据的城市发展优化提供了定量基础。

引言

在全球城市化的过程中，建成区绩效状况的演变已成为影响城市可持续发展的关键问题（He等人，2017年）。作为城市发展的物质载体，建成区的绩效状态直接反映了城市要素配置效率和城市活力的空间表现（Tang和Ta，2022年；Lu等人，2019年）。近年来，随着经济全球化的深入和产业结构的调整，许多发达国家和新兴经济体都面临着建成区缩减的挑战（Martinez-Fernandez等人，2012年；Rieniets，2009年）。例如德国的鲁尔区和美国的锈带地区经历了大规模的土地闲置和绩效衰退（Nelle等人，2017年）。日本也在人口减少的背景下面临着处理大量低效土地利用的问题（Mallach，2018年）。这种SBA不仅导致物质资源的浪费，还可能引发包括经济衰退和人口流失在内的连锁反应，从而影响城市的整体竞争力。

在中国快速城市化的背景下，SBA表现出更为复杂的特点（Long和Wu，2016年；He等人，2023年）。一方面，经济转型和产业升级促进了传统工业空间的重建，一些地区在从工业经济向服务经济转型的过程中面临土地重组和优化的诸多挑战；另一方面，人口流动性的增加和区域发展不平衡导致某些地区的建成区供需不匹配，出现了“建设而不用”和“使用不当”的困境（Liu等人，2018年；He等人，2017年）。这一问题在中国东北部的老工业基地以及中西部的资源型城市尤为突出（Li等人，2020年）。这种绩效状态的动态变化不仅关系到城市的可持续发展能力，还深刻影响着区域协调发展模式的形成。

国际学术界对管理SBA进行了广泛的探索。早期的研究主要集中在识别和测量缩减现象，通过指数系统描述空间模式和演变特征（Haase等人，2014年；Nelle等人，2017年）。随着研究的深入，学者们逐渐将重点转向分析缩减的原因和调控机制，讨论了产业结构、人口变化和政策系统等多种因素的影响（Wolff和Wiechmann，2018年）。最近，随着大数据和人工智能技术的发展，一些学者开始使用机器学习方法来揭示绩效缩减的内在模式。然而，现有研究仍存在方法论上的局限性：缺乏对增长区域经验的系统参考，优化路径往往停留在定性分析阶段，缺乏可操作的定量方案（Du等人，2019年）。

本研究的一个基本理论前提是探讨增长洞察在缩减背景下的适用性。虽然传统的以增长为中心的规划范式往往不适合需要关注规模调整和生活质量的萎缩城市（Pallagst，2009年），但必须区分增长作为定量目标和活力作为功能状态。表现优异的区域不仅仅是规模在扩张，而是表现出涉及高效基础设施利用、多样化经济活动和充足服务提供的功能平衡，从而维持其活力。这些基本条件是普遍存在的。因此，在这种背景下从增长中学习并不意味着强迫萎缩的城市扩张，而是利用表现优异的区域来训练一个能够理解活力构成的模型。这使得我们可以通过识别它们与健康功能状态的具体结构偏差（如道路密度与人口之间的严重不匹配）来诊断萎缩区域。

因此，本研究提出了一种结合机器学习和基于案例的推理方法的分析框架，通过从增长区域建立模式来逆向诊断萎缩区域，整合了从“数据驱动”到“经验学习”的方法。这种方法在概念上基于基准原则，即表现优异的增长区域的特征作为活力的标准。通过将萎缩区域与这一标准进行比较，我们可以定量识别具体缺陷，从而将复杂问题转化为一系列可测量的差距。这项研究不仅丰富了SBA研究的理论视角，还为制定差异化的优化策略提供了实证支持。

部分摘录

城市萎缩与建成区缩减

城市萎缩的概念逐渐从单一维度发展到多方面的理解（Haase等人，2016年；Chen等人，2023年）。这一演变反映了学术界对这一复杂城市现象的深入理解。在早期的城市研究中，研究人员主要通过人口减少的视角来定义萎缩现象。Oswalt和Rieniets（2006年）将城市萎缩描述为城市功能的减弱

整体方法论框架

本研究的分析框架围绕三个阶段逻辑构建：识别、诊断和优化（图1）。该框架结合了绩效演变的动态数据（例如夜间灯光、土地利用变化）和基础条件的静态数据，以揭示建成区绩效的关键驱动因素。

具体来说，首先使用土地利用和夜间灯光数据识别“萎缩区域”（绩效下降）和“增长区域”（绩效提升）。

研究区域和数据来源

研究时间为2012年至2019年，这一时期被战略性地选择以捕捉中国城市发展的转型阶段，同时避免了2020年开始的疫情相关干扰。2012年，中国迎来了新的领导层和国家发展战略的新的阶段，新一代NPP/VIIRS夜光卫星传感器开始提供更高质量的观测数据。研究结束于2019年，主要考虑到2020年的COVID-19疫情

SBA的空间分布

2012年至2019年间，新增了572483个建成区域，总面积达32,549.6平方公里。其中，112750个区域出现了建成区缩减（SBA）现象——其特征是夜间灯光趋势的下降，占总新增面积的16.78%。从区域上看，SBA的比例从东北部到东部呈现出明显的梯度（图4），北部和西部地区受影响更为严重。东北部的SBA比例最高，为33.16%，其次是西北部（26.99%）

讨论

基于前面的比较分析，本研究开发了一种优化策略的分类体系，以应对SBA问题。目标是根据不同城市环境的独特挑战制定有针对性的政策建议。为此，采用了K均值聚类算法将中国城市划分为五个不同的组。该算法的输入是一个表示实际城市发展与优化城市发展之间差距的差异值矩阵

结论

本研究证实，建成区缩减（SBA）是中国城市化过程中一个可量化且普遍存在的现象。分析显示，在2012年至2019年间，16.78%的新建建成区域出现了绩效下降，空间差异明显，从东北部的33.16%到东部的11.86%不等。通过建模表现优异的增长区域的特征，研究确定了经济密度、人口等因素

CRediT作者贡献声明

何青松：写作——审稿与编辑，撰写初稿，监督，资源提供。江玉坤：可视化，软件，方法论。吴丹：资源提供，数据管理。吴超：写作——审稿与编辑，概念构建。

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。

致谢

本工作得到了国家自然科学基金（编号：42371424）、湖北省自然科学基金（编号：2023AFB630）、华中科技大学人文与社会科学重大原创成果培育项目（编号：2025YCX010）、教育部人文与社会科学青年基金（编号：25YJCZH284）以及自然资源部城市土地资源监测与模拟重点实验室开放基金（编号：）的支持