城市规划MCE分析模型效果

对于城市规划，我们需要通过一定的模型来反映复杂的城市组织和变化，并为计算机系统提供可识别的运算模式，从而完成人机交互式的规划与决策支持。出于不同的研究目的，我们可采取不同的规划支持模型，而当前比较常用和有效的规划支持模型有四种：MCE（多因素评价）、SD（系统动态）、CA（元胞自动机）、MA（多主体）。CA（Cellular Automata）常常理解为元胞自动机模型，是一种离散型的动态系统，属于分形增长模型。可以将CA看作一个元胞单元阵列，其中元胞单元的状态依赖于其相邻单元的状态。更具体地说，就是一个CA包含一个规则的n维元胞阵列（类似于栅格GIS）、元胞相邻关系的定义以及一套简单的转换规则（它决定着每个元胞的状态）。在CA系统中，时间的概念是内在的，并且是以不连续的步骤前进的。根据转换规则，所有的元胞都同时更新其状态。CA最大的优点是通过使用简单的局部的变换规则，来模拟和表达复杂现象的时空动态变化，尤其适用于模拟和显示具有自组织特征的时空动态行为和过程。Multi-Agent是由一系列能够进行相互通信、协商与合作的多个Agent组成的系统。Agent具有丰富的内涵，其中文名词有“主体”“智能体”“代理人”或“结点”等。人工智能的研究者更倾向于使用智能体，而在复杂性科学理论中则更多地称之为主体。Multi-agent模型能够实现在复杂、动态的环境中不同主体所确定的不同的目标。系统动态学（System Dynamics，SD）是一门研究信息反馈系统的学科，它的特点是以系统分析为基础，强调信息的反馈控制结构。它认为系统的行为模式与特征主要根植于系统内部的结构即系统内部反馈结构与机制，因此它适合于研究复杂非线性系统的结构、功能与动态行为之间的关系。在实际项目中，我们常常运用SD来进行人口规划、城市总体和区域规划、矿区规划等。同时，以上三种规划支持模型具有一个共同特点，就是模型的复杂性与不易操作性；在具体规划支持过程中，我们常常采取的是MCE方法，并尽量融合其他模型的特点来开展。

当MCE始现于20世纪70年代时，就被看作一种可以很好支持公众决策过程的方法。詹考斯基（1995）定义MCE为多因素评价，或者称为多因素分析；它通过运用参与评价的标准（Criteria）及其权重（Criterion Priorities）来辅助决策者从大量可选方案中选取最合适的一个。MCE方法的基本原理是用一个评价矩阵（Effect Matrix）去解决一个实际问题；矩阵的建立要求其所包含的要素能够反映所决定选择的特点，而这些特点是由一系列标准描述的。因此，对于使用MCE而言，如何将使用的标准和权重与其应用环境有机联系起来，是实现预期目标的关键。

(www.xing528.com)

图8-8 MCE与城市规划决策过程

MCE能够提供给我们一个合理的体系去组织数据、打分和赋予权重，使得它可以应用到土地使用适宜性的很多方面，如图8-8所示。对于许多空间决策问题，比如项目选址、土地利用等，为了得到最合理的规划方案，我们需要决策者了解不同选择或方案条件下产生的影响；同时决策的过程，包含了政策等问题的侧重性、权衡性和不确定性，这些问题都可以用MCE方法来帮助解决。佩蒂特和普勒（1999）描述了土地利用规划与MCE过程中五个阶段的联系。在MCE中，第一个阶段是产生权重，它的给出是基于规划过程中要实现目标的相对重要程度。城市发展的优势与限制性条件在MCE中被用作评价的因素，它通过打分后与权重共同组成评价矩阵，将分析过程中的图形数据与属性数据联系起来。MCE的最后一个阶段是通过权重线性相加的方法（Weighted Linear Combina-tion-WLC）来完成，得到综合的评价结果。在MCE过程中，衡量标准（Creteria）的方法是多样的，在实践中普遍使用的有三种：Ranking方法、Rating方法和Pair Wise Compari-son方法。Rating方法是由决策者直接给出权重数值，比Pair Wise Comparison方法简单，没有因素两两相比较的过程。Ranking方法比较灵活，一般使用三标度、五标度或九标度。以五标度（Nine-Point Scale）为例，打分呈现五个数值（1：非常不重要；2：不重要；3：重要；4：比较重要；5：很重要）。