數據整合征供一體化土地批后監管模型設計

馮善元，胡檢平，方 玲，劉丹里，錢宇晨，張紅霞，胡 斌*

（1. 湖北省自然資源廳征地事務中心（省重點項目辦），湖北武漢430070）

為加強土地管控、節約集約用地以及控制建設用地過快增長，有必要在優化土地征供信息審批方式的基礎上，進一步加強土地征供審批后的監管工作。傳統土地批后監管主要采用土地使用登記、定期抽查等方式，存在監管效率低、土地資源數據共享程度低等缺點，因此越來越多的智能算法被應用于土地審批監管方法中。金宜[1]等采用北斗技術構建監管系統，根據建設用地的空間分布信息對土地批后信息進行動態監測與監管，但由于缺少對存量建設用地租賃、劃撥、出讓等類型用地信息的整合，導致監管效果并不理想；張磊[2]等采用大數據分析技術從數據維護安全的角度建立可有效監管土地批后信息數據的交互數據鏈和監管數據鏈雙鏈結構模型，雖提高了數據傳輸的安全性，但無法保證監管的可信度，且監管效率偏低。鑒于此，結合數據整合算法，本文研究并設計了一種新的征供一體化土地監管模型，以期通過動態監管土地批后信息，提高土地資源的管理效率，為地籍管理、土地利用變更調查等工作提供基礎性參考。

1 模型構建方法設計

1.1 征供一體化土地批后權限信息采集

土地綜合征供主要包括國有土地和建設用地兩種類型。根據公共利益的具體需要，國家可依法征收、征用集體土地[3]，因此土地征供一體化審批后監管模式的監管內容主要涵蓋土地征收的建設狀況、土地出讓過程以及土地審批信息的動態監控（圖1）。本文對征供土地每個環節的基本信息、建設信息和征供記錄等進行數據分類，具體見表1。

土地征收審批后監管信息主要服務于監管機構和土地所有者。監管機構主要包括市司法局、市土地管理局、城市規劃管理局和城市房地產規劃建設局。因此，監管機構的權限信息收集包括土地供應和建設信息，以及各監管機構監管過程產生的規則和條例[7]；土地所有者的權限信息收集包括土地使用權持有者的身份信息、聯系方式和使用記錄。在土地征收出讓合約的基礎上，將土地供應建設信息、規章制度信息、身份信息、聯系方式和征用記錄5 類信息形成5 個可信監管數據源[8]，依次用A1～A5表示，并將其各自組成的數據集融合為相應的可信數據庫，便于建立監管模型。

在解析、分類征供土地一體化監管模型監管流程和內容以及監管信息的基礎上，對征供土地批后監管信息的服務對象進行分析，并采集對應的權限數據，得到具有監管行為動態特性的監管數據源，為后續監管數據智能合約設計提供有力的數據基礎。

1.2 基于數據整合的監管數據智能合約設計

由于采集的監管數據屬于異構數據源，為提高數據資源的利用率、優化土地征供信息的監管效果[9]，本文基于其分布特點和異構性，利用數據整合技術對監管信息進行集成，進而設計一個智能合約，以獲得更好的監管模型。數據集成的主要對象是異構資源。根據異構資源數據的類型、結構和語義進行分類集成[10]。為了確保集成后數據能在不改變數據提取完整性的情況下保留原始數據的數據元素，本文采用映射轉換數據資源中間件的方法對原始異構數據進行集成，具體見圖2，監管信息類別的權限數據資源主要存儲于異構數據源層，經過中間件層的預處理過濾原始數據，以得到不含噪聲的監管信息，則有：

式中，Fi為數據清洗結果；ft為滑動窗口維度；Ai為第i個權限數據，i=1'2'...'5。

式中，St為數據品質參數；h0為偏置項；r1為數據特征值。

通過從其他地區監管機構得到的同期監管數據來確定特定地區的監管處理水平[11]，即

式中，C0為監管周期；a0為土地建設信息占監管信息的比例；α0為數據自由度；Sj為有效激活函數。

中間件層可對不同數據源的監管信息進行標準化，使其能在智能合約中進行統一處理和分析。采用中間件包裝器消除各權限資源數據的冗余度，則有：

式中，H1為數據冗余度修正因子；g0為模擬參數；b0為數據回報基數；J1為業務監管階段數據貢獻度。

在體系的數據模式轉換器和查詢轉換器中引入映射轉換規則，以提高數據的獨立性與擴展性[12]。在智能監管過程中，監管對象的數據通常來自不同的數據源，為進行有效監管，需對這些多源數據進行整合和統一處理。映射轉換規則可統一不同數據源的數據格式，使智能監管系統能更加高效地分析和處理數據，實現自動化的監管。

映射轉換規則的表達式為：

式中，M0為數據類屬性；ρ0為映射超平面維度；u0為映射次數；n1為枚舉值。

基于上述規則延展權限資源數據，計算公式為：

式中，Hi為數據集成次數；K0為數據一致性因子；Wt為延展系數。

延展權限資源數據是指對監管對象的各種權限、許可、合規等進行整合和延伸的數據，包括企業的經營許可、行業監管要求、法規政策等信息。通過分析、處理延展權限資源數據，智能監管系統能更加全面地了解監管對象的情況，有效監督和管理其行為。

由此得到的數據統一模式為：

式中，Gt為數據整合結果；e為運算誤差；y0為有效數據抽樣頻率；β0為距離權值。

在權限資源數據整合結果的基礎上，對模型的智能合約進行設計。通過對數據加密來驗證整合數據是否能滿足相關規范與標準限定范圍，從而自動執行模型合約邏輯[13]。整合數據在自由信道內的傳輸過程可表示為：

式中，Ke為數據傳輸速率；Ha為加密類型；Sg為哈希函數計算結果。

根據私鑰與數據的授權文件追溯數據的安全性，對整合數據添加唯一不可逆的授權簽名，進而有效防止信息泄露，即

式中，ba為決策函數；t1為授權時間；Yg為簽發時間信息。

根據上述分析與計算，本文通過合約調用接口實現鏈間監管數據的交互。智能合約算法執行流程見圖3。本文設計的智能合約旨在加強數據鏈前監管、數據傳輸安全性和緩解監管模型負載壓力。算法步驟1～6 是追溯監管機構對監管信息的控制，通過網絡授權和取消授權對監管信息進行控制操作，實現數據內容、格式和交互監管[14]；步驟7～9 通過查詢公共監管數據鏈，向土地使用者和監管機構提供可公開追蹤的數據；步驟10～16 通過敏感數據查詢，從監管數據鏈寫入、讀取數據，以獲得數據流和轉換方法。智能合約保證了監管數據的安全傳輸，主要服務于征供一體化土地監管模型內部數據的流動。

1.3 征供一體化土地批后監管模型構建

本文結合整合數據智能合約構建征供一體化土地批后監管模型。該模型的運行模式分為初始化、數據量化和動態監管3個階段（圖4），與數據傳輸網絡系統形成平行映射的關系。整合模型的具體運行流程為：

1）初始化階段。初始化綜合數據，包括土地征用的數量和持續時間以及土地持有人的基本信息。監管機構為土地收購和供應的參與者分配代碼，每個代碼對應一個唯一的哈希值。在這項業務開始時，資源管理層實時上傳數據到云層，并驗證所有上傳數據的加密狀態，達到標準后，通過驗證輸出監管信息列表；否則，駁回。

2）數據量化階段。初始化完成后，計算每個數據的貢獻度，并調用智能合約更新監管數據的哈希值，然后再次計算數據的貢獻度[15]，并疊加智能合約的輸出結果，形成一個可信的數據監管本地數據庫。建立數據采集系統，實時收集與土地批后監管相關的數據，包括土地供應情況、項目進展狀態、違規行為指標等。一項業務的完成是一次迭代過程，經過多次迭代，形成5 個相應的可信數據庫。監管數據貢獻度的計算公式為：

式中，D0為數據的授權簽名；Cr為數據冗余度；Tt為數據的屬性約束。

3）動態監管階段。①實時監測與預警：利用大數據分析技術處理和分析采集的數據，驗證智能合約輸出的監管數據信息是否符合輸出要求，并檢查監管數據的輸入和輸出是否符合監管模型的當前狀態，識別出潛在的風險和異常情況；驗證完成后，將塊數據添加到本地區塊鏈，基于分析結果設立預警系統，一旦發現異常情況，系統將及時發出預警信號，通知相關監管部門和人員進行干預和調查，并修改當前數據狀態；最后其他用戶節點將同步更新系統的本地區塊鏈網絡信息，完成數據上傳，同時數據加密傳輸到云數據庫，完成數據上傳到云端。②自動化決策和執行：根據相關法規政策和監管要求，制定具體的監管規則和決策邏輯，包括針對違規指標、處罰措施等內容的規定，進而構建智能決策模型，該模型可根據監管對象的數據輸入，自動判斷是否存在違規行為，并生成相應的決策方案；最后將這些決策方案與執行系統進行鏈接，使監管決策能自動轉化為具體的執行措施。

2 實驗論證分析

為測試本文設計的征供一體化土地批后監管模型在實際應用中的性能，將引入其他土地批后監管模型與本文模型進行對比實驗。

2.1 實驗準備

以某地區的土地利用信息為例，利用CBERS-1中巴遙感衛星（重訪周期短、獨立靈活）對該地區近5年的土地征用和出讓狀況進行監測，將衛星和航空照片作為土地利用信息操作的底圖，采用數值攝影測量方法監測研究區44個地塊的土地利用現狀，并用鋼尺測量邊界長度。研究區用地信息采集情況見圖5。從空間上看，征用和供應土地可分為基本建設用地和個人建設用地，地籍要素采用分類編碼方法進行管理。在城市地籍要素分類中，主要類別采用表面分類法，次要類別采用線分類法，地籍要素采用十位數的層次代碼，可分為大類、小類、一級類、二級類、三級類和四級類。為與《城市地籍調查條例》保持一致，集體建設用地信息也采用分類編碼的管理方法。由于城市地籍管理的基本單位是地塊，管理的一般單位是街區，因此集體建設用地信息的獲取以村坊為單位進行信息采集，并采用分層的方法對要素進行組織和管理（表2）。

圖5 研究區用地信息采集

采用上述方法在214.6 km2的實驗區采集分辨率為0.25 m 的衛星遙感圖像和分辨率為0.15 m 的航空攝影測量圖像，再從邊界邊緣中去除所有粗誤差邊緣，以GPS測量的邊界點坐標為理論真值。

2.2 實驗說明

土地征收和供應模型的目的是將所有土地征收信息數據存儲在模型的塊節點中，并根據使用智能合約處理監管邏輯業務過程中生成的數據交互記錄運行模型。因此，根據監測時間，將土地利用信息的監測結果鏈接到相應的遙感圖像、解釋信息和實地照片等信息數據上，結合土地利用的空間、審批和流轉信息，生成智能合約，以約束監管數據的傳輸，從而構建監管模型。

2.3 模型應用結果分析

由于本文中智能合約模型采用共識機制，所有節點都選擇主節點來記錄、驗證和傳輸監管數據。因此，為了提高模型故障節點的容錯效率，將合同的調用時間與數據傳輸時間之間的差值設置為0.25 s。以基于聚類分析的信息監管模型（方法1）、基于卷積神經網絡的信息監管模型（方法2）作為本文方法的對照方法，分別測試不同模型對于監管數據信息寫入與查詢的吞吐量，結果見圖6，在相同監管業務信息量的條件下，3 種模型的寫入與查詢吞吐量均隨監管業務量的增加而呈現不均勻的變化趨勢，但本文模型的寫入與查詢吞吐量均遠高于對照方法，其原因在于，本文模型可根據征地與出讓土地的流轉關系，對土地征收征用和土地供應相關業務進行特征分析與采集，提高了土地批后監管信息傳輸的流暢性，進而提高了業務處理效率。實驗對比結果表明，本文模型能夠提高土地資源數據的管理效率。

圖6 模型寫入與查詢吞吐量測試結果

2.4 共識處理時延對比實驗分析

為進一步驗證本文模型在土地批后監管中的信息管理效率，采用共識處理時延指標評價不同模型對土地監管數據的管理效率，數值越小，表明管理效率越高，結果見圖7，本文模型在10～50 次監管信息密文生成條件下，對于土地批后監管信息的共識處理時延均處于最低區間，而對比方法的處理時延較長，說明本文模型面向征供一體化土地批后監管數據信息具有較高的處理效率，能夠保證土地資源信息管理的效率。

圖7 監管信息共識處理時延對比結果

3 結 語

本文基于數據整合算法，通過采集土地批后權限數據信息與設計智能合約，保證了模型自動執行合約邏輯；并根據監管數據的平行映射原理，構建土地批后監管模型；最后通過實例應用驗證了本文模型具有較高的監管效率。