工作流驅動的城市人口與就業空間模擬

王 藝,張 紅,鄧 雯

(1.西南交通大學地球科學與環境工程學院,四川 成都 611756;2.華東師范大學城市與區域科學學院,上海 200241;3.華東師范大學全球創新與發展研究院,上海 200062)

0 引言

21世紀以來,世界城市化程度明顯提高,2010年城市地區居住人口占比在50%以上[1,2]。城市是居民居住、生產和生活的主要場所[3,4],就業地和居住地等活動位置的選擇影響著城市內部空間結構[5],合理規劃城市土地利用及勞動力分配對實現空間平等有重要意義。目前,學者對城市空間結構的時空特征、演化過程、影響因素與驅動機制等開展了大量研究,闡述了人口和就業對城市空間結構演化分析的重要性[6-9]。結構主義認為城市空間結構是解釋人口和就業時空分布的工具,提倡將城市劃分為就業中心、住宅區以及通勤成本3種基本結構要素,而由觀察、經驗構建的計算機模擬實驗是實現城市空間結構統計和數學研究的可信賴途徑[10]。其中,城市土地利用/交通交互(Land Use/Transport Interaction,LUTI)模型可用于模擬人口活動及空間分布[11,12],而Lowry提出的研究大都市人類活動空間組織的城市模擬模型是第一個可操作的LUTI微觀模擬仿真模型[13]。隨后,Garin將Lowry的迭代公式優化為有唯一解的矩陣方程組,使勞動參與率、可達性等因素對空間結構的影響得以量化[14]。學者們拓展了Lowry模型在城市及區域空間演化模擬中的應用,構建了METROPILUS、DRAM/EMPAL和TELUM等模型以模擬美國大都市區的人口與就業發展[15],提出了QUANT模型以模擬就業地點、人口和交通的相互作用[16],開發了TIGRIS XL模型用于探索交通與土地利用政策對城市居民與企業選址活動的影響[17]。國內研究起步較晚,多見于對Lowry模型的初步梳理和應用[18-20],如將Lowry模型框架引入北京市城市擴張和空間發展研究,以揭示城市空間組織演化特征[21,22],或借助Lowry模型實現基建選址與效益評估[23],也有學者嘗試改進靜態的Lowry模型,使之既能描述城市發展過程中人口及就業的動態分布格局[24],又能模擬預測不同政策下的城市空間演化情況[25]。

模擬研究的難點之一在于尋求最優解,為此,研究者需要花費大量時間重復實驗步驟并比較實驗結果[26]?？茖W工作流以盡可能簡單、透明的方式記錄了數據處理過程的細節,例如:數據輸入、輸出及分析的各個功能實現及其組合方式[27-29]具備可共享、可執行、任務自動化等優點,成為執行可重復、可拓展空間分析任務的有效工具[30-32]?？茖W工作流管理系統允許用戶創建和重用分析任務,提供圖形用戶界面確保分析過程可視、可記錄、可及時調整[33-35]。目前開源的工作流管理系統主要有KNIME(Konstanz Information Miner)、VisTrails、YesWorkflow、Taverna、Makeflow、Nextflow等。其中,KNIME是一個可高度拓展的平臺,它無縫銜接了各種專業統計分析工具或第三方庫(如R、Python),且能提供大量功能模塊,支持用戶借助少量代碼實現復雜的分析任務;同時,該平臺支持對組件進行積木式組合拼接以靈活構建工作流模型,各組件獨立運行并記錄運行結果,整個數據分析過程清晰直觀,用戶可基于定制化的低代碼可視編程界面和簡單直觀的節點結構,實現數據集成、檢索與分析操作,并獲取詳細的結果報告;相比其他平臺,KNIME支持有選擇地執行工作流程中的每個節點,用戶可隨時修正模型、查看結果或實現交互操作[36]。地理學者利用KNIME進行太陽輻射建模和實證分析[37],創建可復用的COVID-19傳播可視化模板以幫助各國衛生局識別傳播源[38],使用地理社交媒體資源創建可重復、透明的災難響應分析流程[31],借助平臺的空間分析軟件(K-span)構建數字高程模型數據集[36]等。

由于城市系統本身的復雜性,有關Lowry模型在城市空間結構模擬領域的研究仍較鮮見。為提升城市空間建模的效率、靈活性、可共享性和可移植性,本文以描述城市人口與就業關系的Garin-Lowry模型為例,基于KNIME平臺開發Garin-Lowry模型工作流,探究多種情景下城市人口及就業分布特征,并驗證多種城市交通與行為地理假設。

1 Garin-Lowry模型

Garin-Lowry模型是一種廣為接受的城市人口與就業關系模型,它以經濟基礎和重力模型為基本假設[39],依據預先給定的研究區域基礎就業分布和交通網絡通行時間,模擬研究區域的人口和服務業就業分布。

1.1 基本假設

Garin-Lowry模型在探究城市空間結構時,著重考慮城市系統中人口的居住空間、城市交通網絡以及城市產業空間三者的相互作用,模型構建基于如下基本假設[40,41]:①基于經濟基礎理論,假定提供就業崗位的部門包括基礎部門和非基礎部門,對應地,就業模式分為基礎就業和非基礎就業[14]。②基礎部門由位置外生的活動組成,其選址位置固定,基礎部門的產業不依賴當地市場的行政、工業和商業活動,基礎就業能獨立為除當地以外區域提供服務和產品,是模型的外生變量。③非基礎部門生產的產品和服務在區域內被消費,主要提供醫生、教師、客服等與當地人們活動緊密相關的就業崗位,這些非基礎型就業受人口分布狀況影響較大,也稱服務型就業,其數量和分布是模型的內生變量。④一定時間范圍內,各區域的人口和就業分布之間相互依存且相互作用?；A部門生產的貨物和服務輸出到除當地以外的地方,其就業主要取決于區域外部的需求,較少受人口分布的影響;非基礎就業部門主要為當地市場提供服務,其就業取決于當地需求且區位非常重要。

1.2 人口與就業的求解

根據Garin-Lowry模型,將研究區域劃分為n個通過交通網絡相互連接的子區域,各子區域均具有居住和工作雙重功能屬性?；A就業人數(B)、服務型就業人數(S)和人口(P)均可表示為一個n維向量,將每個小區編號為1、2、…、n,則Bi、Si和Pi分別表示子區域i內基礎就業人數、服務型就業人數和人口數。已知研究區域基礎就業人數B,基于假設④可確定各子區域的服務型就業人數Si和居民人數Pi。由于人口分布將產生相應的服務需求,當人口分布確定時,可憑借生產約束的引力模型為各子區域分配服務就業[42]。每個子區域i的服務就業人數Si取決于i區域的市場潛力(服務就業需求潛力),即任一區域j的居民都有可能選擇區域i提供的服務,選擇區域i的可能性與任一區域的人口數有關,也與區域j到區域i的距離占區域j到任一子區域距離總和的比重有關(式(1))。

(1)

式中:dij為區域i、j之間的通行時間,α為購物行為距離摩擦系數,e為給定常數,表示服務業就業人數占總人口比重,tij為區域i、j之間的通行時間占所有區域到j區總時長的比例。

為模擬居住需求差異產生的職住分離,即在區域j居住的職工可能在區域i工作,當基礎就業和服務型就業的情況已知時,憑借吸引約束引力模型為各子區域分配居住人口[42],各子區域j的人口Pj由全部區域的就業情況E決定,并綜合考慮通勤時間的影響,得到公式如下:

(2)

式中:β為通勤行為距離摩擦系數,h為給定常數,表示總人口占總就業人數比重,gji為第i區就業對所有區域影響中第j區人口受影響占比。

Garin-Lowry模型通過線性方程組的方式求解人口與就業的精確解,借助向量S、B和P描述人口與就業分布,對式(1)和式(2)進一步簡化得到矩陣方程組(式(3)),由于僅存在未知變量S和P,此處方程數量等于未知數的個數,可求得唯一解。

(3)

式中:T=(etij),是由人口分布生成的服務就業矩陣;G=(hgji),是由就業生成的人口分布矩陣。

2 Garin-Lowry模型空間模擬的工作流實現

城市人口與就業情況的模擬涉及建模過程和模型開發兩方面:建模過程指向科學工作流程的設計,如設計應用情景和構建模型輸出所需信息;模型開發是模擬計算的核心,使用可復用、參數可調的模型組件以確保工作流程的遷移性,各模型組件封裝不同算法,形成獨立可計算的單元,支持多源數據讀寫,可實現分類、回歸、聚類等機器學習和數據挖掘算法,也可調用R、Python等的第三方庫自定義模型算法。借助KNIME記錄模擬過程可增加數據處理步驟的透明性,通過靈活調整參數設置并自動執行模型以展示最終的可視化分析結果。

2.1 基本思路

本研究通過模擬和比較不同城市形態與結構下人口及就業分布特征,揭示城市交通與土地利用之間的空間交互特性。城市空間結構包括城市物理空間結構(UPSS)和城市互動空間結構(UISS)。首先,城市的建成環境從物理空間上確定了城市資源的配置,如企業分布、交通網絡格局等,不同的基礎就業分布格局對應不同的城市空間結構,基礎就業作為外生變量,其企業廠房既可集中于城市中央,也可散布于任意城市區域,假設作為內生變量的人口與服務就業在各城市區域均有分布,且其分布具有空間異質性[43-46]。其次,人類的居住、就業、購物等行為塑造了城市互動空間結構,不同的行為以旅行、商品交換等形式發生,而道路為城市人口及貨物流動提供了交通便利,故本文所構建模型可用于模擬交通網絡對人口和就業分布的影響,如城市可通過新建高速公路縮短旅行時間,也可加密路網以增加交通供給。最后,道路是最基本的城市形態要素,不同街區布局與路網組織方式下的城市形態多樣,例如:規則格網城市的所有街區形狀相同,放射性城市的街道以環狀圍繞城市中心輻射分布,蜂窩狀城市結構則具有“中心輻射”特性,以最大化實現土地的集約利用,可對多種城市形態下城市人口與就業空間分布進行對比。

基于上述假設,本文模擬了多種城市人口與就業分布情景,使用工作流簡化對實驗過程的描述,并利用不同任務及其之間的數據依賴關系表達多情景模擬實驗過程(圖1)。首先整理模擬情景并輸入相關數據;然后明確城市概況,調控各項情景模擬任務以確切描述實驗目標;接著調控模型參數,確保模型運算正確;最后展現計算結果,可視化各城市人口與就業的分布特征。

圖1 城市人口及就業模擬工作流程

2.2 Garin-Lowry模型的組件設計

工作流以“節點”為基本處理單元,通過節點“端口”間的“數據管道”實現數據流通,保障工作流有序執行。節點具有多種功能,如多源異構數據的輸入輸出、數據篩選和清洗、運行結果可視化、圖表和地圖統計等,節點被執行后,可以通過圖形用戶界面及時檢查輸出。KNIME還提供了交互窗口,用戶可以按需調整輸入參數。組件可以用于封裝工作流的各個部分,并可以在工作流之間重復使用,從而支持創建復雜但結構良好的工作流。

Garin-Lowry模型涉及參數較多,本文封裝GL組件以實現該功能。工作流中Python Script節點與GL組件調用了若干Python社區擴展庫,包括GeoPandas、Pandas、Numpy、NetworkX、momepy、spaghetti、SciPy和matplotlib,在運行前應先完成運行環境的配置。組件中行過濾選擇器用于簡化輸入表,單選按鈕、下拉框、數字輸入框等節點用于不同參數交互設置。例如,下拉框可以指定Location ID Field、Basic Employment Field以及計算結果對應的字段;數字輸入框允許用戶手動輸入特定數值范圍和數字精度的浮點數,默認情況下ALPHA和BETA的值均為1.0,而H和E由美國統計摘要數據計算得到。使用Python Script節點編寫Garin-Lowry模型求解程序,輸入數據為研究區基礎就業數據、距離數據和交互界面設置的各種變量,計算得到的人口和服務就業數據將輸出到基礎就業數據的屬性表中。組件中各變量預定義了默認的缺省值,既可在視圖中直接修改并重新運行,也可按需增刪控件節點。例如,當未輸入矢量數據時,可在組件內增加數字輸入框控制節點Threshold以控制ALPHA和BETA的變化間隔,并將原有的ALPHA和BETA字段分別修改為兩個變量的最大值和最小值,通過指定數字間隔生成兩個變量的取值列表,然后進行排列組合,可以模擬出多組ALPHA和BETA取值。循環節點用于控制模擬次數,將多次計算結果合并輸出在同一張表上。

2.3 Garin-Lowry模型的多情景模擬

KNIME工作臺以串并聯的方式集成多個處理單元并搭建完整工作流。本文設計的用于模擬城市人口與就業的Garin-Lowry模型包括3個步驟(圖2),圖2中被重復使用、修正過參數的處理單元用橙色背景的子標題區分。本文使用KNIME分析平臺的節點實現數據的常規處理(如輸入輸出及可視化),使用自定義的GL組件完成多情景模型計算模擬。

圖2 本地端工作流部署

1)數據輸入與查詢。輸入數據包括研究區域的面狀邊界、中心點以及交通網絡3類矢量數據,用戶僅需設置矢量數據所在路徑即可。為增加模型共享的便捷性,此處調用Python的擴展庫GeoPandas實現對*.zip格式Shapfile文件的讀取。在KNIME中矢量數據被存儲為表(Table)形式,字段wkt負責記錄坐標信息,默認讀取的OBJECTID字段為唯一標識符以區分不同的子區域、路網等實體。利用Python的擴展庫matplotlib實現從表到地圖的數據格式轉化,以查詢輸入數據。

2)距離矩陣計算。將任意兩個子區域之間的距離定義為區域中心間的最短路網距離,路網距離既可以是路網空間距離,也可以是通行時長。當需調整路網密度、限速時,可重復調用該Python Script節點并修改weight變量以確保最短路徑計算的準確性。在輸出的距離表中,任意兩個子區域分別由OriginID與DestinationID標識,其距離由NetwkTime字段記錄。

3)人口與服務就業分布模擬。利用開發的GL組件,針對不同的場景分別調整參數,模型的運行結果同樣由matplotlib展示。

上述功能模塊已發布至數據共享網站(10.6084/m9.figshare.23677101)。

3 城市人口與就業分布模擬案例

本文旨在探究不同城市形態、基本就業布局和交通網絡條件下人口及就業的分布特征。首先生成同心圓、矩形網格和六邊形3類假想城市,設置相應的實驗變量;然后將城市進一步劃分為單就業中心與多就業中心兩類,后者對應隨機、均勻和相對集中3種情景,模擬并比較不同類型、不同中心格局下城市人口與就業分布的空間特征;最后,模擬不同路網可達性下城市人口與就業分布的特征差異。

3.1 3類假想城市

傳統城市空間研究中,可將城市簡化為具有簡單、規則幾何形狀的理想城市,如巴洛克時期的圓環城市、18世紀末美國的規則格網城市和20世紀初中心地理論假設的六邊形城市。本文選取同心圓、矩形網格和蜂窩3種不同的假想城市形態,各城市總面積相同且均包含121個等面積子區域。其中,同心圓城市由11個圓環和12條放射狀道路組成,矩形網格城市沿橫縱方向分別由12條交通網絡切分,蜂窩城市則由121個正六邊形拼接而成,任意鄰接的兩子區域間共享一條道路(圖3)。

各城市數據包括分布區域面狀要素、區域質心點要素和交通網絡線要素數據(表1)。在仿真模擬中,只考慮城市的空間結構,而忽略城市的地理坐標系或距離測量單位。

表1 實驗數據

3.2 不同基礎就業格局下城市人口與服務就業分布模擬

根據城市中心的數量,基礎就業格局又可進一步劃分為單中心情景和多中心情景?；A就業單中心情景參考經典的單中心城市Alonso-MillsMuth模型,假設城市的基礎就業全部集中于中央商務區(CBD),即城市中心子區域基礎就業人數為100,其余子區域基礎就業人數為0,進而利用Garin-Lowry模型模擬3類假想城市人口和服務型就業的分布情況(圖4),發現在基礎就業單中心分布情景下,人口數量與服務就業人數分布表現出從中心向外圍逐層遞減的特征,符合城市人口密度的距離衰減規律[47]。不同城市形態中,蜂窩城市中心城區和郊區之間人口數量差異最大(極差為5.93)、矩形網格城市次之(極差為5.46)、同心圓城市最小(極差為5.12),這可能是因為蜂窩狀城市布局本身具有多層級的特點,各種資源集中分布在高等級城市中心,城區吸引力較大所致。盡管如此,不同形態的城市人口數量差異的極差值相差不超過1,表明各形態城市人口分布差異相對較小。由各城市服務就業模擬結果可知,3種形態城市的服務就業衰減速度(極差不超過1)均顯著低于人口(極差大于5)。采用自然斷點法對服務就業人數進行分類,發現各類子區域數量相近,說明服務就業分布幾乎不受城市形態影響,而是隨人口數量變化。這主要緣于基礎就業一定時,居民住所選擇主要受基礎就業的位置約束,就業機會越多的區域居住人口越多;而服務型就業選址更靈活。

圖4 基礎就業單中心情景下不同形態城市人口與服務就業分布情況

對于多中心情景,假設城市包含1個位于城市幾何中心的主中心和n-1個副中心,根據主副中心的分布格局,將基礎就業分布設置為均勻分布、隨機分布和相對集中分布3種情景。其中,均勻分布意味著主中心和各副中心的基礎就業機會均等且空間均衡,此時各中心基礎就業規模為100/n;在隨機分布情景下,僅部分副中心與主中心擁有相同就業機會;在相對集中分布情景下,主中心及其鄰近的副中心集中了所有基礎就業。為便于比較,將隨機與相對集中分布情景中包含基礎就業機會的主中心及副中心數量設為一致,模擬結果如圖5和圖6所示?？梢钥闯?3種多中心分布情景下,城市的人口與服務就業均表現出中心—外圍距離衰減特征,但城市內部的人口數量分異程度不一。就主中心而言,蜂窩城市變化最明顯(極差從8.61降至4.78),其次為同心圓城市(極差從8.16降至4.89),矩形網格城市受基礎就業數量的影響最小。隨著提供同等基礎就業機會的副中心數量增加,人口涌入城市主中心的需求降低,人口分流導致主中心人口密度下降。對于具有多層級特征的蜂窩城市而言,基礎就業子區域數量的增加進一步強化了這種多層級特征,使副中心成為人口和經濟活動的集聚點。相比之下,矩形網格城市相對規整、同心圓城市較集中,增加基礎就業子區域數量可能對整體分布影響較均衡,人口變化趨于平緩。當基礎就業的空間分布離散程度增加時,各子區域間城市人口規模的差異逐漸縮小,隨機分布情形下差異程度最低。這主要是由于當大型工廠散布于城市各處時,基礎就業將不僅集中于城區,綜合考慮生活舒適程度和通勤成本,居民傾向于選擇在工作單位附近定居。

圖5 基礎就業多中心情景下不同形態城市人口分布情況

圖6 基礎就業多中心情景下不同形態城市服務就業分布情況

綜上,城市形態和中心格局并不會改變人口及服務就業從中心向外圍遞減的圈層分布特點,基礎就業子區域數量的增長和分布的離散化均會降低城市各區域人口數量分異,但二者對服務就業的影響程度極低,并且基礎就業子區域數量變化對蜂窩城市人口分布的影響最大。

3.3 不同交通網絡下城市人口與就業分布模擬

為模擬并分析交通網絡對城市人口與就業分布的影響,保持城市面積與空間結構等參數不變,僅改變距離摩擦系數,發現人口與就業依然從中心向外圍逐層遞減,但變化幅度不同。以同心圓城市為例,從中任選某一輻射方向的11個子區域并分別繪制各區域內人口及服務就業規模變化的折線圖(圖7)。從圖7可知,當α一定時,β的變化對城市中心人口規模的影響明顯;當β一定時,不同α并未引起人口規模的明顯變化;增大α或β均會使服務就業折線變得陡峭。這表明隨著交通條件的改善,通勤行為距離摩擦系數β將減小,人們有更多的居住選擇機會,一部分居民傾向于選擇遠離市中心、環境更合適、面積更大的住所;交通便利同時也使城市外環居住的人數上漲,服務行業就業的人員仍延續就近上班的準則,導致城市外環服務就業數量上漲。

由圖8可知,當部分道路(同心圓城市第7環子區域的公路及所有徑向道路)被提速時,城市人口與服務就業變化顯著,可見高等級道路的出現縮短了旅行時長,城市中心的人口逐漸減少,城市外環人口有所增長。就環向道路而言,由于第7環線的道路提速,人口在此處出現增長,且速度越高人口漲幅越大;就徑向道路而言,人口的變化趨勢與未提速一致,但人口變化的幅度略小。這說明高等級道路的建設改變了城市地理格局,導致通勤時間快速縮短、不同區域之間的聯系加強,人員、貨物等可以更快速地在不同子區域間流動,促使人口向郊區集中,有助于人口分布平坦化。相較于人口,服務就業的變化幅度較小,受道路等級的影響甚微,服務就業在第7環出現的增長主要是由于人口的變化,這主要是因為服務型就業的本質是提供非物質性服務,如教育、娛樂類服務主要依賴當地居民的需求而受周邊交通通達性的影響較小。

圖8 不同等級道路限速下同心圓城市人口與服務就業變化情況

綜上,交通網絡的時空壓縮效應顯著,有助于增強人類空間流動,進而影響人們住所選擇、購物等行為。當交通條件改善時,人們可選擇周邊自然環境氛圍更濃厚的郊區,或選擇靠近名校等區域。本文利用工作流分析對比多種路網條件下的城市人口及就業情況,有助于快速識別最適宜人口與就業布局的路網條件。

4 結論與討論

本文搭建了一個用于模擬城市人口及就業分布的工作流,復用已有流程并微調組件參數,快速設置了3類城市形態、4類基礎就業分布以及不同的距離摩擦系數和道路等級情景。通過分析比較多種情景的模擬結果發現:城市人口空間分布均表現出中心—外圍距離衰減特征;城市形態對城市人口分布的影響微弱,在給定基本就業數量與分布的情況下,同心圓、矩形網格與蜂窩城市間人口分異相差不大;城市基礎就業分布越離散,中心區人口密度越低;修建高等級公路對住房位置選擇影響微弱;距離摩擦系數β顯著影響城市人口分布,交通越便利,城市邊緣區人口密度越高;城市服務性就業的變化趨勢緊隨人口,但各種情景下的變化幅度均較小。

本文構建的工作流可為開展城市人口、交通與土地利用等要素的多情景演化模擬提供便捷、靈活、高效、可復制、可移植的解決方案。針對不同的政策和規劃方案設計多種模擬情景,預測政策對城市形態、經濟發展、人口密度、交通設施布局等方面可能產生的影響,有助于更好理解不同政策選擇的可能結果,從而為制定更科學、可行的城市政策和規劃提供依據。未來將嘗試引入土地利用、職業差異、年齡等影響因素,并將城市空間擴展到信息化虛擬空間,構建更精細的Garin-Lowry模型。此外,人本尺度的移動軌跡數據可反映人口的通勤行為與日常生活軌跡、模擬交通擁堵狀況,網絡點評數據直觀反映出人口的活動模式、消費習慣、社交偏好等社會經濟行為,借助這些數據進行城市模型的校準和驗證,有助于提高模型的真實性和準確性。