优化工业土地利用效率低下问题的评估系统：一个结合专家知识和机器学习的模式敏感框架 蔡伟、 张鑫、 黄丰洁、 张明明

《Land》：Optimizing Evaluation Systems for Industrial Land Inefficiency: A Pattern-Sensitive Framework Integrating Expert Knowledge and Machine Learning Wei Cai, Xin Zhang, Fengjue Huang and Mingyu Zhang

　　

摘要

评估低效工业土地对于实现可持续的城市更新至关重要，然而传统方法通常采用一套统一的评估标准，忽略了地方性的具体情况。我们提出了一个新型的、能够识别不同低效模式的框架，该框架通过评估指标与土地表现之间的相互关系来进行分析，并利用数据驱动的见解来校准专家确定的权重。以杭州市萧山区的数据为例，我们通过层次分析法（AHP）建立了一个评估系统。随后，一种新颖的迭代聚类方法将地块划分为具有相同低效模式的组。在每个组内，随机森林模型从数据中学习当地的相互关系。这些机器学习得到的信息被用来优化最初的AHP权重，从而为每个识别出的模式创建一个独特的评估系统。实验结果表明，我们的优化框架与真实低效情况之间的皮尔逊相关性达到了0.66–0.82，优于传统的基于AHP的模型。对2023年的数据进行的时间验证确认了2022年优化得到的权重的稳健性，在所有组中与真实低效情况之间仍保持显著的正面相关性（皮尔逊相关系数为0.58–0.66）。通过结合专家知识和机器学习，本研究提供了一种精确的工具，用于制定有针对性的城市更新策略，超越了“一刀切”的解决方案。