作者：龙瀛
出版社：中国建筑工业出版社
出版日期：2021年9月
ISBN：978-7-112-26489-6
内容摘要
近六年来大数据（特别是城市空间大数据）的迅猛发展，带动了数据驱动的城市研究和规划设计支持工作的繁荣。而城市模型作为具有几十年历史的经典领域，在大数据出现之前，模型支持就是城市科学推进和城市规划设计实践支持的中坚力量。为此，数据驱动与模型支持耦合将是重要的研究和实践应用方向，城市模型也已经并将继续焕发新的生机。为此，笔者2018年在清华大学较早地开设了“城市模型概论”课程，通过理论结合实践应用的方法进行授课，后将授课内容结合近年来城市模型方面的新数据、新方法和新应用案例，编撰集结成这一城市模型原理与应用领域的入门级教材，以期对城市模型发展产生持续的促进作用。
全文摘录
- 城市理论的不足主要导致了城市模型的两方面问题：第一，模型未能考虑很多微层面的可能性，如消防员的缺勤行为——当人们感到规章制度太过束缚时就会做自我调整，这是欧美国家很多城市服务都存在的情况；第二，模型未能深入火灾产生机制，火灾并不仅与建筑房龄等客观条件相关，还与建筑内以及建筑周边人个体行为、社会结构等因素相关。
- 不确定性也是规划理论研究所普遍关注的问题（Allmendinger，2001；Christensen，1985；赫磊，等，2012；于立，2004）甚至说“有关未来的唯一确定因素就是可以肯定未来是不确定的”(于立，2004)。因此，从不同角度理解并应对城市发展的不确定性是传统规划理论和城市模型研究共同的重要研究方向。
- 从建模方法看，常用的方法有基于空间相互作用理论（Spatial Interaction）的重力模型，最大理论模型（Entropy Maximizing），来自经济学的阿隆索地租模型（Alonso Model）,离散选择模型（Discrete Choice Model），空间投人产出模型（Spatial Input-Output Model），回归分析（Regression Analysis），来自复杂科学的元胞自动机（Cellular Automata），基于个体建模以及微观模拟（Microsimulation Model，MSM）等。但还有少数模型并不能被完全归类，它们的建模方法包含上述多种模型不同部分的融合，一般不具有特定的名称，且往往是“一次性的”。
- 基于对城市模型发展历程的梳理可以明确，未来的发展方向在于城市模型的精细化（动态的、基于离散动力学的、微观的、“自下而上”的城市空间模型）。与之相应的是，城市模型在规划实践中的应用也可以逐渐由宏观的总规层面转向微观的详规、修规层面，如MEPLAN、TRANUS、PECAS、FLUS等。“自上而下”的空间均衡模型主要应用于大空间尺度规划政策的社会经济影响评估，而世界上许多城市和区域已应用UrbanSim等大尺度模型。
- 城市模型发展的目的在于解决城市问题，当今城市的复杂性正在快速提高，为了能够给复杂的城市问题提供更合理的策略支持，城市模型建模方法呈现出以下特征：
- 第一，宏观模型与微观模型的结合。“自上而下”的宏观模型与“自下而上”的微观模型应在未来的建模中结合应用。
- 第二，以问题为导向（Problem-oriented）构建城市模型。
- 第三，城市模型研究需要适应城市复杂性的不断进化。模型的本质是对现实的简化，同时模拟的结果也是理想化情况。如果模拟对象变得非常复杂，模型需要从不同方面模拟研究对象。
- 第四，从不同角度理解城市问题，基于不同方面构建模型，观察并比较其模拟结果应对不确定性问题。该思路来自于宏观经济领域，经济学家采用多个不同计量模型模拟一个国家的宏观经济体系，然后对生成的不同结果进行选择与讨论，使决策者认识到模拟结果之间的异同。
- 第五，在大数据时代，开展城市模型或城市研究的态势主要体现在以下几个方面。
- 这些研究往往侧重于城市现象的某一个局部方面，鲜有综合的分析，这点可能在于大数据的特点是广、精和深，适合专业分析和挖掘。而传统的城市模型，则基于来自多个渠道的数据，实现较为综合的分析。
- 大数据的分析算法趋于简单化，甚至有观点声称“大数据本身就是模型”，即通过对大数据的简单的时间、空间和属性层面的统计分析，就可以得到有趣的分析结果。
- 基于大数据的研究，多关注两个层面，在城市内分析城市的空间结构或在区域尺度分析区域间的联系。
- 这类研究偏对城市的现状评价而非对未来的预测或对城市系统的预测，这基本符合精细化城市模型的特征，即越精细化的模型越不适合对远景进行判断，而长于对现状的分析和问题的识别。
- 大数据时代城市模型研究不局限于互联网数据，现阶段的城市数据来源主要依托于大型互联网公司和无线通信运营商，数据来源与数据类型仍然较为局限。
- 城市行政地域、城市实体地域和城市功能地域是城市地域概念的三种基本类型。我国在实体地域和功能地域方面研究较少，关于“城市”的具体界定一直存在着“行政”和“实体”的二元割裂。
- 实体城市突破了传统行政区的限制，是城镇型的城市空间，其对于城市模型和城乡规划问题研究同样重要。主要体现在以下三个方面
- 城市模型若以城市行政边界或行政区边界为空间对象进行模拟、分析，极有可能受到边界效应（Edge Effect）等因素的影响，导致分析结果的准确性受到质疑。
- 城市模型以实体城市作为空间对象可以基于城乡区别制定针对不同问题的模拟分析研究，准确地模拟不同因素对城市及乡村发展的影响，制定适于自身的发展策略，为城乡区别管理提供依据。
- 实体城市为城乡规划学等与城市研究相关学科提供了地域范围，为日后民政部门的行政区划调整提供依据；同时明确实体城市的范围，可以更加准确地统计城镇人口，测算城市化率，科学统计城市发展变化的信息。
- 针对城市模型研究，提出5项展望，分别为：
- 拥抱颠覆性技术所带来的变化，加快研究颠覆性技术对城市的影响并纳入城市模型研究之中。
- 面向收缩城市构建城市模型，顺势而为解决城市收缩问题。
- 在新数据环境与计算机发展的共同作用下，弥补传统研究主要集中于宏观尺度的不足，加强人本尺度城市模型的构建，体现城市发展“以人为本”的趋势。
- 加强数据驱动型城市模型的开发，更加科学准确地解决城市问题。
- 我国关于“城市”空间范围的具体界定会导致城乡统计口径和基本概念混淆的问题。因此城市模型研究应理清实体城市概念，避免造成模拟分析的错误。
- 功能地域城市从经济、社会等城市主要功能的视角重新定义了城市经济单元，其是由一系列高人口密度的城市核心区和相邻的且与核心区有密切社会经济联系并形成功能一体化的外围组成，一般是以日为周期的城市居住、就业、教育、医疗等城市功能所辐射的范围所构成。
- 建成环境的基础数据主要有建筑物数据、道路/街道数据、街区/地块数据其属性包括边界、功能及形态。数据来源通常为统计、测绘、土地利用图（现状/规划）、高分遥感影像、街景图像、兴趣点 (Point of Interest，POI)等。
- 非建成环境的基础数据主要包括人口构成及其活动（包括产业经济、交通出行居住就业、医疗教育、休闲娱乐等）、政策条件等。此外，非建成环境数据还包括综合能耗、水耗、污染物排放等经济社会活动相关的数据以及客观的气象数据（温度、湿度、风向、风力、日照情况、大气污染物）等。
- 系统动力学的研究对象是社会大系统，社会大系统有两个特点：
- 因果性与反馈性,当某一种社会现象发生时就会引起其他的现象发生,彼此之间有一种互相影响互相依赖的关系。
- 非线性，社会大系统各因素之间的关系复杂，虽然有些社会事物之间的关系可以用线性或近似线性来模拟，但还有相当多的事物不能用线性来表达，也就是非线性。
- 系统动力学解决问题的步骤包括：
- 系统分析，包括明确系统仿真的目的、确定系统边界、确定系统行为的参考模式。即用图形表示出系统中主要变量，并由此引出与这些变量有关的其他重要变量，通过各方面的定性分析，勾绘出有待研究问题的发展趋势。
- 分析系统结构，确定系统因素之间关系（正关系、负关系、无关系），以系统结构的因果关系图和流程图的形式表现。
- 建立DYNAMO方程，并进行参数的确定和赋值。在DYNAMO模型中，主要有6种方程，分别为：
- L一状态变量方程
- R一速率方程
- A一辅助方程
- C一常熟方程
- N一初始条件方程
- T-Y坐标方程
- 计算机仿真实验
- 结果评估和模型修正，包括模型结构/行为适合性、模型结构/行为与真实系统一致性的检验。
- CA是1950年代冯·诺伊曼 (Von Neuman)为了构造一个能够自我复制的机器首次提出的，是一个时间和空间都离散的动力系统。CA 包括元胞、元胞状态、邻域和规则四个部分。元胞可以是任何空间尺度上的对象，这些对象必然与某些其他对象相邻;元胞状态用有限组数值描述;规则即状态转移函数，是根据细胞当前状态及其邻域情况决定下一时刻细胞状态的函数;一个元胞下一时刻的状态决定于本身的状态和它邻居元胞的状态，邻居有冯·诺依曼型、摩尔型、扩展的摩尔型、马格勒斯型等。所有元胞根据同样的转移规则进行变换，确定合适的转移规则是元胞自动机模型的关键。
- 针对土地利用系统中多种土地利用类型间转变的复杂性，FLUS模型采用了能够有效处理非线性关系的人工神经网络（ANN）模型分析多种土地利用类型转换樱率，并基于CA 模型进行城镇用地空间配置。步骤大致为:
- 基于历年社会经济统计数据（如人口、CDP、工业生产总值等数据）、资源承载力、城镇建设用地的现状等情况，以系统动力学模型拟合得到未来年份土地预测规模。
- 采用随机森林算法对城市发展驱动因子（主要包括社会经济、交通、区位条件、基础设施以及自然条件等方面的因素）的重要性进行度量，定量分析近十年来这些影响因素对城市发展的重要性，然后根据他们的重要性程度，选取重要性较高的因素作为模拟未来城市发展的空间变量。
- 根据第一步中得到的城镇建设用地规模预测值，叠加约束限制条件（如基本农田保护区与生态保护红线等）并结合多个空间变量，通过神经网络算法挖掘城市发展的驱动因子与城市用地分布的历史规律及映射关系，获取城市用地发展概率从而确定土地利用的动态变化。
- 建立城市用地发展概率条件下的元胞自动机模型，同时配合未来多时段政策、规划要素数据，模拟及划定未来城镇建设用地。为更真实地模拟城市发展状况在模拟未来城市发展时,模型结合各种约束条件（生态控制线、基本农田、水源保护区历史文化保护区、自然灾害影响范围等），考虑方式为在模型中增加随机种子、轮盘赌法确定转换概率等。CA 的停止迭代条件为模拟土地利用的规模到达系统动力学预测的未来城市规模。
- 微观尺度的城市建模能够通过个体层面的描述、分析和模拟，展现出由个体间相互作用和相互影响而产生的群体效应，更能够反映人居环境科学的“五个基本前提”，如“人居环境科学的核心是人”“人居环境是人类与自然之间发生的联系与作用”等；同时也更容易反映人居环境科学的“五个层次”，特别是社区和建筑层次。因此，微观尺度的城市建模可以作为研究城市空间环境的重要技术手段，用于分析城市这个复杂巨系统，并在此基础上辅助城市空间问题解决方案的制定和评价。