引言
空间规划的科学制定和部署依托于对城市未来的全局性、战略性和前瞻性考量[1]，但如何对城市的未来进行科学有效的预测是城乡规划学术研究、学科发展和空间实践所面临的长期挑战。在面向城市未来不同时空尺度的规划研究中，城市模型对于理解城市发展中的人—地关系、预测政策的影响效应等不可或缺（图1）。
图1 城市模型在不同时空尺度下的研究关注主题与政策干预
本文以城市模型的研究进展为切入点，对主流城市模拟与预测方法进行归纳梳理，并对不同方法在规划实践应用中的优缺点进行述评。结合社会、经济和科技的发展趋势，本文将进一步凝练城市模型在大数据兴起、科技与行为演变、政策需求多元化以及复杂科学发展中面临的挑战和机遇，并以此为背景提出面向城市未来的模型研究展望，以期推动城市模拟与预测的理论发展和实践创新。
1 城市模型的主要类型和研究进展
城市模型的发展已形成较为完备的理论脉络和技术框架。目前主流的城市模拟与预测技术包括“自上而下”视角的宏观模型（macro model）和“自下而上”视角的微观模型（micro model），两类模型也存在着互相集成的趋势，形成了兼顾宏观整体与微观个体的集成模型（integrated model）。针对各类模型，已有诸多学者完成了较为全面的文献述评[2-6]，并对主要软件和数据来源进行了介绍[7-9]。本节将在概括性总结主流城市模型理论与方法的基础上，重点凝练最新研究进展及其在城市研究与规划应用中的相对优势和局限。
1.1 宏观模型
宏观视角的城市模型多以区域、城市、区县为研究单元，通过自上而下的视角揭示城市政策的影响效应，其中具有代表性的模型包括土地利用与交通交互模型（Land Use and Transport Interaction Model）、空间均衡模型（Spatial Equilibrium Model）和系统动力学模型（System Dynamics Model）。
1.1.1 土地利用与交通交互模型
土地利用与交通交互模型以空间交互（spatial interaction）理论为建模基础，其核心思想是用牛顿力学中实体间的相互吸引作用力类比社会经济空间活动的分布与流动。以劳瑞模型（Lowry Model）为典型代表[10-11]，该类模型强调社会经济活动（家庭、基础生产部门和服务部门）与交通设施间的互动关联，并通过区域间的流量对吸引力进行数值化表述。
土地利用与交通交互模型常被用于大尺度的区域或城市研究，如企业和居民选址[12]、出行预测[13]、基础设施影响评估[14]。依托其经典的土地利用—交通交互框架，近年来学者会根据不断转变的城市发展政策制定需求，逐渐引入新的模型模块（如土地利用—交通—能源集成模型[15]），以此延伸扩展该类模型在政策制定中的应用场景。
土地利用与交通交互模型从物质空间的视角抽象化表述了城市土地利用（活动）与交通系统间的相互作用规律，其对空间直观的表述（如土地／建筑空间、交通基础设施）和清晰的逻辑关系容易被模型使用者（如规划决策者）接受。但该类模型在城市研究与实践中仍存在以下局限：（1）难以模拟非空间形态下的交互关系，如市场的价格因素变化、社会空间的演化；（2）忽略了城市微观尺度（如地块、行为主体）中存在的交互关系，无法形成“自下而上”的模拟反馈机制。
1.1.2 空间均衡模型
空间均衡模型源于以单一经济主体为研究对象的古典农业和工业区位论（成本决定最优生产位置）[16]，随着现代区位选择理论的发展，还将多经济主体间的互动关系纳入考量，将区位选择和空间互动的影响要素从单一的交通成本扩展至包括自然禀赋、消费者偏好、工资和价格水平等的综合要素。该类模型以微观经济学和随机效用理论为内核，抽象化表述了市场间与市场内的供需平衡关系[17]，模拟构建家庭、地产开发商、生产性企业和政府之间的空间和非空间联系。
相对于宏观经济层面的（区域间）投入产出模型，空间均衡模型在城市研究中具有更广泛的应用。基于理性人的假设，空间均衡模型主要用来解释和模拟经济活动在空间上的差异，如城市商圈空间集聚[18]、新城新区发展模拟[19]、通勤变化归因[20]等。最新研究则关注如何量化非经济因素（如环境因素、服务设施）对理性人决策造成的影响。
空间均衡模型具有严谨的理论基础和科学依据，在空间经济主导的研究中对供需平衡有完善的表述，因此在对系统整体性和长期性的预测中有着良好的模拟表现。但该类模型目前在应用中仍存在以下局限：（1）缺少对城市发展动态变化的表达与关注，更关注模拟的结果（均衡点），对于达到均衡点的过程在表述上存在局限；（2）基于群体化（理性人）的建模思想使模型缺乏对个体案例的关注，这导致空间均衡模型在需要模拟预测个体差异性时存在局限。
1.1.3 系统动力学模型
系统动力学模型通过构建系统要素间的作用关系实现系统内部作用机理的可视化与数值模拟。该类模型源于系统科学理论，随后福里斯特（Forrester）将工业动力学（解决工业生产的经营管理问题）拓展至城市动力学和世界动力学领域[21]。系统动力学模型解决问题的思路并不是建立一组方程求解均衡，而是分析变量间的关联与系统间的反馈机制。
在城市发展的应用场景中，系统动力学模型常以经济社会系统为主要研究对象，借助因果关系（因果链和反馈环）表现系统的内部结构，通过计算机仿真揭示系统动态行为及其演变。因其模型本身是一种普适性的方法，其应用广泛覆盖了城市发展面临的各种问题，如土地利用需求预测[22]、城镇化质量提升[23]、客运交通结构演变[24]。近年来基于系统动力学模型的研究强调定量与定性方法的结合，通过领域知识与理论的引入，推动了模型架构在不同分支研究领域中的发展和形成共识。
系统动力学模型使研究对象从单个研究主体转向系统，研究者可以更清晰地梳理城市不同子系统间的关联，并基于不同的城市问题关注特定子系统间的相互作用，具有清晰的模型架构。然而，系统动力学模型在城市模拟与预测中还存在以下局限：（1）模型架构（如因果环路图和存量流量图）具有较强的主观性，主要是因为城市研究中的大量因果关系的判定尚处于起步阶段，无法达成学界共识；（2）模型变量过多且变量的选择多依靠经验主义，尤其是随着研究的复杂化，大量数据指标堆叠，脱离了理论与模型的简约型需求。
1.2 微观模型
微观视角的城市模型多以地块、栅格为研究单元，基于“自下而上”的模型架构，通过聚合微观个体的行为结果反映城市发展的整体趋势。代表性模型包括元胞自动机（cellular automata）和主体模型（agent-based modelling，或称智能体模型）。
1.2.1 元胞自动机
元胞自动机是一种基于个体行为的动力学仿真模型，源于对复杂科学（complexity science）理论的微观表述，其核心是对元胞（cell）、状态（state）、邻域（neighbor）和转换规则（rule）的定义与表述[25]。
元胞自动机在城市研究中的优势是地理覆盖范围的灵活性，可覆盖从街区到全球的不同尺度。通过定义元胞空间及其转换函数，该类模型可被直观地应用于强调空间属性的模拟中，如城市空间增长、土地利用转换和自然灾害模拟[26-27]。元胞自动机的最新发展主要涉及核心要素（元胞、状态、邻域和转换规则）的深化表达，如对元胞的矢量化设定、对邻域的三维空间假设、对转换规则的非线性拟合等。
元胞自动机模型多用于具有特定空间地理单元尺度（如栅格）的模拟预测，在土地利用时空变化的监测和模拟上有着广泛应用，但该类模型并不直接涉及对社会经济活动的模拟，因此无法表述城市发展中供求等复杂关系以及市场变化对城市空间演化的动态影响，模型的应用场景和对城市理论的解释能力较受局限。
1.2.2 主体模型
主体模型也是一种动力学仿真方法，核心是对各主体（如居民个体、家庭、企业）属性（attribute）、目标（goal）和行为（behavior）的定义。相较元胞自动机，主体模型对主体的定义具有更高的灵活性。
主体模型关注模型主体间以及主体与环境间的互动关系，并以此反映其导致的空间结果，如城市产业发展、社会空间分异[28-29]。最新发展包括模型功能的复合化（如元胞自动机结合主体模型）和市场供求动态关系的表述。
主体模型中的主体相较元胞具有可在空间中自由移动的特点，因此可以直观表述人地关系的演化。然而在城市发展研究中，对主体及其互动规则定义的多样性优势使得该模型对微观实证数据的需求巨大，但鉴于数据可得性的局限（如脱敏需求），研究往往无法获得可以满足模型校验标准的个体数据。此外，主体模型的模拟结果通常对初始状态的设定和交互规则的制定非常敏感[30]，但现有研究和应用较少关注其敏感性分析，这影响了模型结果的可靠性证明和可信度提升。
1.3 兼顾宏观与微观视角的集成模型
在宏观模型与微观模型发展的基础上，研究者展开了结合两者优势的尝试，希望以此完成对宏观尺度社会经济发展、微观尺度个体决策的综合表述。在以宏观模型为主导的集成模型研究中，城市社会经济活动通常是模型的主要关注要素。例如斯皮克曼和韦格纳（Spiekerman ＆ Wegener）通过区域—城市—地方（regional-urban-local）三个尺度的定义，提出了多层次模型的构建方法[31]——在区域尺度，利用区域经济模型完成了对经济增长、人口发展与迁移的预测；在城市尺度，通过行为模型与政策仿真，基于区域尺度的经济与人口总体预测，完成了对企业、居民的选址模拟和地产商的开发决策，形成了对人口分布、交通流量、经济活动和土地发展的预测；在地方尺度，将城市级模型的分区输出结果（如居民选址、交通流量）分解到100 m×100 m 的栅格，以此分析地方尺度的环境影响（如温室气体排放、空气质量和交通噪音）。
在微观模型为主导的集成模型研究中，城市土地利用变化通常为模型的主要关注要素。例如哈泽等（Haase et al.）基于对城市收缩现象的关注，提出利用系统动力学模型完成对人口总数和人口结构的宏观预测，并传递给元胞自动机模型完成对元胞空间中住房需求变化的模拟，最后通过主体模型模拟不同利益相关者（如居民、规划师、开发商）的互动关系，提出对城市空间的发展决策（如新建、空置、荒废或更新）[32]。
尽管宏观与微观模型的集成可以推动对城市发展现象的多尺度追踪与预测，但应用中仍存在以下局限：（1）现有的集成模型通常只建立了模型间的数据传递渠道，缺乏交互机制的建立和理论支撑；（2）多模型的一体化集成加剧了模拟预测结果的不确定性，因此也更难界定模型误差产生的原因和传播路径。
1.4 小结
在已有的城市模型研究和应用中，宏观模型多拥有较为完善的理论基础（通常基于经典的物理学、经济学理论），对城市发展中各要素间的作用关系有着较为清晰的路径定义；而微观模型则通过对微观个体及其互动规则的定义（通常基于历史数据拟合），关注时间和政策影响下微观个体互动形成的空间结果（图2）。
图2 不同类型城市模型的特征梳理
城市模型的发展经历了在空间上由宏观向微观、在时间上由静态向动态的转变，但这并不代表不同模型类别因发展阶段不同而存在优劣。偏向宏观、静态的模型方法因其具有与城市发展经典理论直接结合的优势，通常应用于城市社会经济活动的模拟预测；而偏向微观的模型方法以其对复杂系统空间演化的表述能力为特点，具有强大的平行计算能力和高度的动态化特征，通常应用于对城市土地利用等空间演变的模拟预测。
兼顾宏观与微观视角的集成模型发展表明了不同类型模型间的优势互补潜力，如宏观模型对城市动态发展过程的模拟局限可以因微观模型的引入而得以完善，而微观模型对于市场间供求交互的表述弱点也可以因宏观模型的介入而得到提升。然而，目前模型间的关联多是单向传导模式（如宏观模型结果作为微观模型的部分输入），不具有模型间的反馈机制（尤其是对模型参数的动态更新），模型间的系统集成仍需更多探索。
2 城市模拟与预测所面临的挑战和机遇
城市模型的演化往往与科学技术、社会需求、政策导向的变化紧密相关。面对城市大数据的兴起、科技与行为的演变、政策需求的多元化和复杂科学的发展，笔者在本节探讨城市模型研究应该如何应对城市模拟与预测应用场景中可能面临的挑战，并将其转化为发展机遇，推动城市模型研究与应用的双轨发展。
2.1 城市大数据的兴起
城市大数据的兴起为人们理解城市发展提供了大范围、高精度的实证依据，对城市模型领域的发展也产生了重要影响。
其一，大数据为城市模型的构建和应用提供了必要的数据基础。在模型的空间表述中，基于遥感影像、兴趣点、路网数据的结合，研究者可以批量推导街区的土地使用类型[33]，并完成分区中不同类型建筑的空间总量估算[34]。在模型的空间交互上，基于位置的服务数据（location-based service）捕获了城市空间中的人口与货物流动信息，基于手机信令数据可以进行职住关系与非通勤活动的空间表述[20]，利用货运订单数据可以量化产业的空间联系[35]。尽管传统的普查或抽样调查数据也可以提供以上信息，但数据的时空精度局限和跨部门数据获取的难度导致模型在应用过程中需要进行大量数据估算或笼统的假设。
其二，大数据的兴起推动了科学研究中第四范式的形成，即在以实验、理论和模拟为代表的研究范式后新兴的数据密集型科学（data-intensive science）[36-37]。在科研信息化（eScience）的背景下，大数据驱动的城市模拟与预测可以兼顾大范围的研究尺度和精细化的研究单元[38]，并以人工智能为代表，基于大量观测数据的积累，探讨城市不同要素间的非线性关系[39]。例如通过卷积神经网络，研究者可以构建海量数据集，并依此进行城镇群落推演[40]、人口与交通预测[41]、空间方案的生成与优化[42-43]等。
在此背景下，如何挖掘大数据在精细化描绘城市发展中具有的潜力，辨析数据驱动型研究在城市理论模型中的定位优势，成为城市模拟与预测面临的新挑战。
2.2 科技与行为的演变
城市模拟与预测的基础通常是对社会经济行为的理性假设，但社会经济的发展模式和人民的生活生产方式往往会因科技发展、突发事件等产生变革。传统城市模型中并未考虑新兴变革，因此直接影响传统模型预测结果的准确性和可靠性，这成为城市模拟与预测面临的另一挑战。
在科技发展方面，颠覆性技术（disruptive technology）的创新会造成城市模拟对象行为与互动方式的改变。例如目前的城市模拟与预测研究多以物理空间（如土地利用与交通交互模型）或社会空间（如主体模型）为主要切入点，缺乏对数字空间的考量，更缺乏对新兴的数字空间与传统空间交互方式的表述。虽然已有大量的实证数据证实了数字空间的产生对人类生产、生活、生存方式的改变[44]，但对于数字空间如何影响城市的物理与社会空间还未形成量化的研究结论。类似的，随着智慧交通和无人驾驶技术的推广，城市空间结构、交通拥堵状况、不同出行模式间的互补与替代关系、道路与停车空间的需求等都会发生系统性的变化。
在突发事件等不确定性因素层面，如英国的“脱欧”决策对城市经济发展速度造成了深远的影响[45]，而新冠疫情的暴发和封城政策也很大程度上改变了城市的运行模式[46-47]。诚然这些变革无法被模型本身所预测，但当研究者意识到这些潜在的可能变化时，应考虑如何评估这些变革可能产生的影响范围。
由此，城市模拟与预测亟须完成对社会经济行为潜在变革的理论表述，并结合技术预见，分析社会经济行为变革对城市发展的影响程度，为城市决策者应对未来变革和不确定性提供政策制定依据。
2.3 政策需求的多元化
在模型应用层面，城市模拟与预测的核心是为城市决策提供量化的支撑依据，以帮助决策者理解城市政策的潜在效应和不同政策间的差异性结果。值得关注的是，城市政策制定的需求正朝向多维度变化。
其一，从以往对单一尺度、单一问题、单一主体的聚焦转向对跨尺度、多维度的考量。在建模方法上，尽管有部分学者已提出并开发了兼顾整体（宏观）与个体（微观）的模型集成，但仍有大量学者建议针对特定城市问题或地域建立独立的、专用的模型。后者虽然快速推进了不同模型方法在不同空间尺度下的适配性探索，但导致模型应用形成了空间上的“孤岛现象”。这是因为此类专项模型极少考虑宏观环境变化或微观个体差异对模拟预测结果的影响效应，难以验证模型的可靠性，也难以辨析其自身的局限性，因而不利于建立研究者与决策者在模型结果上的信任关系。
其二，鉴于未来发展的不确定性，城市模型将从服务于短期、规律性需求的规划政策制定转向服务于长期、持续性需求的城市运营与治理。相较于不同发展情景的探索，决策者将更关心特定政策目标的实现路径，以及如何根据城市实际发展状况动态地调整路径。
因此，城市模拟与预测需要避免其潜在的“黑箱”属性，更应清晰揭示不同空间尺度、不同城市部门发展间的交互关系，并依托实证数据的更迭不断检验模拟结果，调整模型预测，为城市发展政策制定提供系统性、动态化的解决方案。
2.4 复杂科学的发展
复杂科学的发展为理解城市系统演化带来了新的视角[48-50]。尽管复杂科学与城市模型都强调关注城市系统，但两者对系统的发展状态和过程的表述仍存差异。
其一，城市模型更注重对理论的认知，即以已有理论为基础，设计系统内部不同要素的关联与相互作用；而复杂科学更注重通过对方法的设计反映复杂系统自身的特点，强调微观个体决策形成的整体结果。其二，城市模型常将城市类比为“生命体”，强调其有限的边界和稳定（均衡）的状态；而复杂科学多将城市类比为“生态系统”，关注其在演化中所面临的突变、非稳定（非均衡）状态和不可预测性[51]。
目前以微观模型为代表的部分城市模型（如元胞自动机、主体模型）已初步结合了复杂科学的发展成果，通过局部规则的制定，模拟微观区位决策在时间维的累积和空间维的集聚，以此研究城市不确定性条件下的宏观演化轨迹[52]。但复杂系统领域的研究逐渐边缘化了空间规划在城市发展中的作用，即在认识城市空间自组织、非线性现象的同时，更强调城市发展本体所具有的随机性和不可预测性。
在城市复杂科学发展的大趋势下，如何辨析城市政策干预与城市发展自组织间的关联？如何提出兼顾城市发展结果与演化过程的研究框架？如何在城市模型中引入对短周期中随机扰动要素以及长周期中不可预测性要素的表述？这些问题都将成为城市模型发展的重要推动力。
3 面向城市未来的模型研究展望
城市未来的发展将呈现出前所未有的速度、规模与复杂性[53]。面对上述挑战和机遇，城市模型应充分利用大数据的潜力，提升模型的精细化和准确度，及时将未来社会经济行为变革纳入考量，并通过理论与方法的革新应对城市发展政策制定的需求演化。
3.1 结合大数据与“厚数据”的精细化模型构建
尽管城市大数据本身仍存在其样本准确性与代表性的争议，但其高时空精度和广覆盖率的特点与传统“厚数据”（thick data）的深层次信息采集和样本代表性优势存在良好的互补潜力，而两者的互补性也将推动城市模型的精细化构建。
在数据层面，官方调查统计数据、网络开放大数据和企业私有地理位置数据间有着巨大的互补价值[54]。多源数据间的互补集成可以形成更完整可靠、具有高时空精度的城市发展数据集，这也是未来城市模型开发的核心基础。研究者可以通过精细化的实证数据验证，提升不同时空尺度下模拟预测结果的准确性。
在方法层面，研究者可以进一步探索数据驱动型与理论驱动型模型的优势与局限，以此归纳两者差异化的应用场景。目前研究者已尝试将人工智能技术（数据驱动）融入传统城市模型（理论驱动）的框架中，例如通过土地利用开发数据揭示不同功能地块发展间的时空交互规律并进行趋势外推[55-56]。但数据驱动型研究是否可以建立多市场间的交互机制，并结合理论驱动型模型形成具有可解释性的建模方法、可泛化的研究结论，还有待进一步探索。
在模型研究与应用层面，大数据与“厚数据”的结合可以为模型对象提供进一步细分的可能。如模型中的居民与产业可以按社会经济属性或国民经济行业进行划分，依托精细化数据集对不同特征居民与产业的行为进行归类和差异分析，模拟出不同人群、不同行业在其空间行为和市场决策中的异质性。类似的，土地利用研究也可以深化分类方法，以此表述不同类型、不同密度的土地用途转换机制。精细化的表述将在提升模型对现状解释力的同时，为政策作用目标人群、产业与用地的选择提供依据，这也将促进更有效的公众参与。
3.2 对城市未来技术与行为变革的模型表述
尽管社会经济行为的变革存在诸多不确定性，但研究者可以通过对颠覆性技术的预见和对突发事件的追踪，完成对未来技术与行为变革的模型表述，以此支撑对变革影响效应范围和作用路径的模拟预测。
城市模型首先应准确辨析模型的“可预测”和“不可预测”部分[39]。宏观经济和社会发展转变（如国家GDP 增速）、政策干预（如空间规划）和突发公共事件（如新冠疫情）等无法由模型本身所预测，需要由研究者对其作出界定与预判，以此形成模型的输入或限定条件。而人口分布、土地利用变化、居民福祉等变化可通过模型所构建的函数关系与假设被预测（如空间均衡模型对应的大数定律假设和微观模拟方法对应的交互规则制定），形成城市模型的核心输出。
面对科技和社会的潜在变革，城市模型研究应关注对社会经济行为变化本质的抽象化提炼。例如面对城市发展从二元空间（物理空间、社会空间）向三元空间（物理空间、社会空间和数字空间）的转换，城市模型可以对可达性（如距离）和边界（如行政区划）效应提出新的表述方式。具体而言，职住空间的物理关联将因网络办公形式的兴起而衰减，从而影响通勤时间在职住选址中的重要程度，对此研究者可提出通勤时间的折算系数；而在传统行政边界所带来的影响之外（如户籍制度、产业政策），网络普及性和数字信息传输与获取速度的差异也将对数字空间映射下的物理和社会空间形成新的边界效应，对此研究者可以探索基于数字空间的选址吸引要素。
3.3 跨尺度与多维度的交互机制探索
随着城市问题日渐复杂，局限于特定尺度、单一主体的建模方法在决策辅助中产生的效用将逐渐降低。城市模拟与预测将向跨尺度、多维度方向转变，而如何通过系统性思维进行模型的开发和应用将成为未来城市模型的发展方向。
尽管在不同独立空间尺度或维度下抽象凝练模型的核心影响要素具有重要的科学意义，但建立跨空间尺度、跨部门交互机制可以进一步推动城市发展理论的研究进程。系统机制的构建将揭示城市发展效应的传递与交互作用，促进兼顾宏观与微观视角的一体化模型领域发展，形成模型间动态交互机制的设定（如数据、参数、规则）。而对不同空间层级、不同城市发展维度相互影响范围的界定，也将为单尺度专项模型的变量选择和预测结果适用性范围提供科学依据。
在城市问题的解析中，城市模型将在量化政策直接效果的基础上，进一步关注其所引发的跨地域、跨部门分配效应，从而形成系统性的政策视角。例如新城就业岗位的提供不仅应考虑其对职住平衡的促进效果，也应揭示其对房地产市场、交通流动、社会福祉等多方面的综合性影响，避免顾此失彼的政策结果。系统化模型的发展也将推动政府跨部门的协作，促进多赢战略的形成。
3.4 模型结果的动态追踪与修正
基于对城市复杂性的认知，未来城市模型应改变其单次性使用的现状，在模型开发阶段引入常态化的数据追踪、模型维护和参数更新机制，并依托高频时空数据，探索并优化城市模型对开放、复杂非线性系统的表述方法。
具体而言，城市模拟与预测应基于规划政策事前（exante）评估的基础上，开发事后（ex-post）追踪模块。依托于长周期历史数据，强化模型对城市短周期变化中自组织、非线性发展现象的关注，通过高频数据追踪，完成对城市发展趋势及其与预测结果间差异的动态分析，并与城市体检相结合，形成对模型长期预测结果的动态修正。同时，城市决策者可以通过动态修正后的模型对规划策略的实现路径进行定期修正，并及时辨析城市系统动态发展中的涌现趋势。
此外，基于实证数据的积累和反馈，模型研究者可以进一步探索城市复杂科学理论在不同类型城市模型中的表述方法，推动模型对城市演化结果（现象）与发展动态（过程）的系统化理论构建与范式革新。
4 结语
对城市未来的科学探索离不开城市模拟与预测理论和方法的支撑。基于城市发展的特殊性，在政策制定的效果无法通过社会实验得以预测和检验的背景下，城市模型可以提升城市研究者、地方决策者和规划从业者对城市长期发展规律的认知和辨识，对潜在空间政策的规划实施效果提供可量化的模拟结果，以此推动规划学科从“经验主义主导”向“科学体系建立”的转变[39-40]。
在此背景下，本文对城市模型领域的研究进展进行系统梳理，分别对宏观模型、微观模型以及兼顾宏观与微观视角的集成模型进行述评，阐述各模型在规划中的应用场景、优势局限和发展方向。面对城市大数据的兴起、科技与行为的演变、政策需求的多元化和复杂科学的发展，笔者提出了城市模拟与预测未来的发展方向，具体包括精细化模型的构建、对未来技术与行为变革的表述、对跨尺度与多维度交互机制的探索和对模型结果的追踪评估与动态修正。
本专辑中的后续主题文章将通过不同城市模型在实证研究中的案例应用，为读者介绍国际视角下的城市模型前沿成果，也希望能以此引发城市相关学者对于该领域的进一步探讨，推动城市模拟与预测的理论发展和实践创新，以更好地解决与城市发展相关的科学问题，并更有效地支撑规划的编制和实施跟踪。
注：文中图片均为作者绘制。
[1] 徐匡迪. 中国特色新型城镇化发展战略研究（综合卷）[M]. 北京: 中国建筑工业出版社, 2013.
[2] 龙瀛, 吴康, 王江浩, 等. 大模型：城市和区域研究的新范式[J]. 城市规划学刊, 2014(6): 52-60.
[3] BATTY M. Urban modeling[M] // KITCHIN R, THRIFT N. International encyclopedia of human geography. Oxford: Elsevier, 2009: 51-58.
[4] 万励, 金鹰. 国外应用城市模型发展回顾与新型空间政策模型综述[J].城市规划学刊, 2014(1): 81-91.
[5] WEGENER M. Operational urban models state of the art[J]. Journal of the American Planning Association, 1994, 60(1): 17-29.
[6] LEE D B. Requiem for large-scale models[J]. Journal of the American Institute of Planners, 1973, 39(3): 163-178.
[7] 顾朝林, 张伟. 城市与区域规划模型系统（第2 版）[M]. 北京: 清华大学出版社, 2020.
[8] 龙瀛. 城市模型原理与应用[M]. 北京: 中国建筑工业出版社, 2021.
[9] LI X, GONG P. Urban growth models: progress and perspective[J]. Science bulletin, 2016, 61(21): 1637-1650.
[10] LOWRY I S. A model of metropolis[M]. Santa Monica, CA: Rand Corporation, 1964.
[11] MASSEY D B, CORDEY-HAYES M. The use of models in structure planning[J]. Town planning review, 1971, 42(1): 28-44.
[12] 郑思齐, 霍燚, 张英杰, 等. 城市空间动态模型的研究进展与应用前景[J]. 城市问题, 2010(9): 25-30.
[13] 牛方曲. LUTI 模型的概念结构、实现方法及发展趋势[J]. 地理科学,2017, 37(1): 46-54.
[14] BRAMLEY G, SIMMONDS D, DOBSON A. Using land use/transport interaction (LUTI) models to assess the sustainability of strategic planning and infrastructure proposals: the potential scope and illustrative applications[M] // Evaluation for participation and sustainability in planning.London: Routledge, 2012: 102-130.
[15] 张润森, 张峻屹, 吴文超, 等. 基于土地利用—交通—能源集成模型的城市交通低碳发展路径：以常州市为例[J]. 城市与区域规划研究,2020, 12(2): 57-73.
[16] VON THÜNEN J H. Isolated state (Der isolierte Staat in Beziehung auf landtschaft under nationalokonomie)[M]. Hamburg: Pergamon Press, 1826.
[17] VARIAN H R. Intermediate microeconomics: a modern approach[M]. New York: WW Norton ＆ Company, 2014.
[18] 唐红涛, 郭凯歌, 吴忠才. 城市商圈空间均衡模型及仿真实验研究[J].湖南理工学院学报(自然科学版), 2018, 31(2): 48-57.
[19] YANG T, JIN Y, YAN L, et al. Aspirations and realities of polycentric development: insights from multi-source data into the emerging urban form of Shanghai[J]. Environment and planning b: urban analytics and city science, 2019, 46(7): 1264-1280.
[20] YANG T. Understanding commuting patterns and changes: counterfactual analysis in a planning support framework[J]. Environment and planning b:urban analytics and city science, 2020, 47(8): 1440-1455.
[21] FORRESTER J W. System dynamics–a personal view of the first fifty years[J].System dynamics review, 2007, 23(2/3): 345-358.
[22] 曹祺文, 顾朝林, 管卫华. 基于土地利用的中国城镇化SD 模型与模拟[J]. 自然资源学报, 2021, 36(4): 1062-1084.
[23] 薛阳, 胡丽娜, 刘海滨, 等. 京津冀城市群城镇化质量提升的系统动力学仿真模型构建[J]. 统计与决策, 2021, 37(24): 185-188.
[24] 杨超, 张雪诺, 崔轶坤. 基于系统动力学分析的2035 年上海市交通发展模式探究[J]. 交通与运输, 2021, 37(6): 83-88.
[25] 张媛媛, 孟斌, 朱海勇. 城市增长模拟模型研究综述[J]. 北京联合大学学报, 2014, 28(1): 6-12.
[26] CLARKE K C. Cellular automata and agent-based models[M] // FISCHER M, NIJKAMP P, eds. Handbook of regional science. Berlin, Heidelberg:Springer, 2014: 1217-1233.
[27] 李丹, 胡国华, 黎夏, 等. 耦合地理模拟与优化的城镇开发边界划定[J].中国土地科学, 2020, 34(5): 104-114.
[28] BALL P. Social science goes virtual[J]. Nature, 2007, 448(7154): 647-648.
[29] 刘合林, 伊丽莎白·席尔瓦. 创意产业时空过程模拟[M]. 南京: 东南大学出版社, 2017.
[30] CROOKS A T, HEPPENSTALL A J. Introduction to agent-based modelling[M] // HEPPENSTALL A, CROOKS A, SEE L, et al, eds. Agentbased models of geographical systems. Netherlands: Springer, 2012: 85-105.
[31] WEGENER M, SPIEKERMANN K. Multi-level urban models: integration across space, time and policies[J]. Journal of transport and land use, 2018,11(1): 67-81.
[32] HAASE D, HAASE A, KABISCH N, et al. Actors and factors in land-use simulation: the challenge of urban shrinkage[J]. Environmental modelling ＆software, 2012, 35: 92-103.
[33] CHEN B, XU B, GONG P. Mapping essential urban land use categories(EULUC) using geospatial big data: progress, challenges, and opportunities[J].Big earth data, 2021, 5(3): 410-441.
[34] ZHONG M, YU B, LIU S, et al. A method for estimating localised space-use pattern and its applications in integrated land-use transport modelling[J].Urban studies, 2018, 55(16): 3708-3724.
[35] GIULIANO G, GORDON P, PAN Q, et al. Estimating freight flows for metropolitan area highway networks using secondary data sources[J].Networks and spatial economics, 2010, 10(1): 73-91.
[36] BELL G, HEY T, SZALAY A. Beyond the data deluge[J]. Science, 2009,323(5919): 1297-1298.
[37] HEY A J, TANSLEY S, TOLLE K M. The fourth paradigm: data-intensive scientific discovery[M]. Redmond, WA: Microsoft research, 2009.
[38] 刘伦, 龙瀛, 麦克·巴蒂. 城市模型的回顾与展望——访谈麦克·巴蒂之后的新思考[J]. 城市规划, 2014, 38(8): 63-70.
[39] 杨天人, 金鹰, 方舟. 多源数据背景下的城市规划与设计决策——城市系统模型与人工智能技术应用[J]. 国际城市规划, 2021, 36(2): 1-6. DOI:10.19830/j.upi.2021.034.
[40] 吴志强. 人工智能辅助城市规划[J]. 时代建筑, 2018(1): 6-11.
[41] 张庭伟. 复杂性理论及人工智能在规划中的应用[J]. 城市规划学刊,2017(6): 9-15.
[42] FANG Z, JIN Y, YANG T. Incorporating planning intelligence into deep learning: a planning support tool for street network design[J]. Journal of urban technology, 2022, 29(2): 99-114.
[43] 杨俊宴, 吴浩, 郑屹. 基于多源大数据的城市街道可步行性空间特征及优化策略研究——以南京市中心城区为例[J]. 国际城市规划, 2019,34(5): 33-42. DOI: 10.19830/j.upi.2019.388.
[44] 肖超伟, 张旻薇, 刘合林, 等. “元宇宙”的空间重构分析[J]. 地理与地理信息科学, 2022, 38(2): 1-9.
[45] The UK2070 Commission. Make no little plans–acting at scale for a fairer and stronger future[R]. 2020.
[46] BATTY M. The coronavirus crisis: what will the post-pandemic city look like?[J]. Environment and planning b: urban analytics and city science, 2020,47(4): 547-552.
[47] BATTY M. The COVID years: predictable unpredictability[J]. Environment and planning b: urban analytics and city science, 2022, 49(1): 3-6.
[48] 周干峙. 城市发展和复杂科学[J]. 规划师, 2003 (增刊1): 4-5.
[49] 仇保兴. 复杂科学与城市规划变革[J]. 城市规划, 2009, 33(4): 11-26.
[50] 赖世刚. 面对复杂的规划[J]. 城市发展研究, 2018, 25(7): 84-89.
[51] BATTY M, MARSHALL S. The origins of complexity theory in cities and planning[M] // PORTUGALI J, MEYER H, STOLK E, et al, eds.Complexity theories of cities have come of age. Berlin, Heidelberg: Springer,2012: 21-45.
[52] 杨开忠, 薛领. 复杂区域科学：21 世纪的区域科学[J]. 地球科学进展,2002(1): 5-11.
[53] 武廷海, 宫鹏, 郑伊辰, 等. 未来城市研究进展评述[J]. 城市与区域规划研究, 2020, 12(2): 5-27.
[54] WAN L, YANG T, JIN Y, et al. Estimating commuting matrix and error mitigation–a complementary use of aggregate travel survey, location-based big data and discrete choice models[J]. Travel behaviour and society, 2021,25: 102-111.
[55] YANG T, PAN H, HEWINGS G, et al. Understanding urban sub-centers with heterogeneity in agglomeration economies–where do emerging commercial establishments locate?[J]. Cities, 2019, 86: 25-36.
[56] PAN H, YANG T, JIN Y, et al. Understanding heterogeneous spatial production externalities as a missing link between land-use planning and urban economic futures[J]. Regional studies, 2021, 55(1): 90-100.