城市住區形態時空模擬
——以廈門島為例

王 進,吝 濤,張國欽

1 廣州市環境保護科學研究院,廣州 510620 2 中國科學院城市環境與健康重點實驗室,中國科學院城市環境研究所,廈門 361021 3 廈門市城市代謝重點實驗室,廈門 361021

?

城市住區形態時空模擬
——以廈門島為例

王 進1,2,3,吝 濤2,3,*,張國欽2,3

1 廣州市環境保護科學研究院,廣州 510620 2 中國科學院城市環境與健康重點實驗室,中國科學院城市環境研究所,廈門 361021 3 廈門市城市代謝重點實驗室,廈門 361021

住區形態變遷受到人口遷移、住區滿意度和低碳城市發展政策等因素的限制,常用的土地利用模型難以有效表征這一相互制約關系,使得這方面的研究仍然相對不足。通過耦合SD模型和CLUE-S模型,充分發揮了2個模型在宏觀情景模擬和微觀土地分配上的優勢,模擬了住區、人口、住區碳足跡等制約因素的相互關系,為住區形態變遷時空模擬提供了一種有效的方法。以廈門島為例,根據研究區歷史統計數據、問卷調查數據構建了住區形態變遷SD模型,模擬了基準情景、緊湊情景和低碳情景3種不同發展情景下各類住區類型的用地需求,結合CLUE-S模型預測了3種情景下2009年—2020年各類住區類型的用地范圍。結果表明,基準年住區類型Ⅰ、Ⅱ、Ⅲ三者占地面積比例為1∶1.18∶0.83,基準情景下2018年住區類型Ⅲ將成為主要的住區類型。低碳發展和緊湊發展是慣性發展的兩種極端情況,體現在總住區面積、人均住宅面積和人均碳足跡大小的變化,但是對廈門島總人口數量的影響并不大。根據目前廈門的發展趨勢,低碳發展情景與緊湊發展情景相結合可能更靠近現實。在空間分布上,住區類型Ⅰ未來不再新建；住區類型Ⅱ遵循現狀繼續發展的慣性較大；住區類型Ⅲ分布在征地成本相對較低的區域。模型模擬結果能夠為住區用地規劃、住區發展對策建議提供有效的技術支撐。

SD; CLUE-S; 住區形態變遷; 低碳

改革開放以來,中國城鎮化進程迅速推進,城鎮用地在以前所未有的速度進行擴張。2014年中國城鎮化率達到54.77%,預計在2020年將達到56%—58%,未來20—30年內將超過70%[1]。隨著城市化的迅速推進,城市生產與消費活動大大增強,由人類活動產生的溫室氣體排放越來越受到重視[2]。全球75%—80%與能源消耗有關的二氧化碳來自城市[3-5]和城市中的住區[6-7]。大量的人為碳足跡不僅誘發全球變暖,還可能打破全球碳循環平衡狀態,導致諸如富營養化、光化學污染、水體有機污染等多種生態環境問題。

長期以來,碳足跡研究多集中于產業、經濟、能源、貿易等領域[8-9],很大程度上忽視了作為生產活動原始驅動力的家庭生活消費[10]。家庭作為社會終端消費單元,在衣、食、住、行等日常生活中均會產生直接和間接的碳足跡[11-13]。近年來許多國家的研究表明,由家庭生活消費帶來的能源消耗及溫室氣體排放比例不容忽視。Wang等[14]研究指出,1995—2004年中國家庭生活消費碳足跡占總碳足跡的比例由19%上升到30%。而美國的這一比例在2008年達到38%,已超過其工業部門碳足跡[15]。1999—2007年,中國城鎮居民人均生活總能耗和總碳足跡都呈現出逐年增加趨勢[16]。Wei等[17]使用消費方式分析的方法對終端能源消費進行了研究,中國1999—2002年每年有30%的碳足跡受到居民生活方式改變的影響。隨著經濟的發展,生活水平和消費水平的提高,未來居民生活的能耗與碳足跡可能會進一步增長。

住區是人居環境的重要組成部分,是指在一定范圍內人們以一定生產關系為紐帶組織起來進行共同生活的聚居點,是人類文化作用于自然世界所產生的最明顯的標志之一[18]。住區碳足跡水平的高低將直接影響著城市乃至國家的低碳化水平。Thomas等研究指出,如果美國普通家庭能夠采取切實的節能行動,10年后美國CO2總排放量有望減少7.4%[15]。

然而,目前有關住區碳足跡的研究多停留在探尋影響因素的定性研究層面上,明晰住區類型以及家庭社會情況等人文因素的影響程度的定量研究還較少。影響住區碳足跡的因素可歸納兩類：住區內部屬性(如戶均面積、家庭生活水平)和住區外部環境(如到達交通樞紐的距離)[19-20]。不同的住區在規模、人口組成、發展階段和所能提供的公共設施和基礎設施等方面有很大的差別,由此也表現出不同的住區形態特征。

隨著城市化帶來的城市人口劇增,作為城市形態在微觀層面的體現,住區形態邁進一個高度發展的階段。特別是在我國,伴隨著20世紀80年代住房制度改革和90年代住房保障體系政策實施[21],住區形態的巨大變化不僅表現在住區密度和建筑樣式的改變[22],住區中居民生活方式、居住條件、生活觀念的改變也是其重要的表現形式[23]。

住區作為一個復雜巨系統,其類型以及數量變化除了隨著本身生命周期發展,同時這一過程還受到政策因素、市場供需關系等社會經濟因素影響。系統動力學是一種以反饋控制理論為基礎,以計算機仿真技術為輔助手段分析研究復雜信息反饋系統的科學。尤其適用于住區這類復雜社會經濟系統的定量分析研究。城市住區作為土地利用類型之一,其形態變遷研究可以遵循土地利用變化模型的研究思路深入到空間格局分配上。由于SD模型僅能從類型和數量上反映住區形態變遷,其對空間變化表述上的缺失使得住區形態變遷領域需要一個合適的模型刻畫住區在空間分布格局上的轉變過程。CLUE-S(the Conversion of Land Use and its Effects at Small Regional Extent)模型是由荷蘭瓦赫寧根大學的Verburg等科學家組成的“土地利用變化和影響”研究小組于2009年最新研究發布,是模擬土地利用空間變化的模型。該模型較其它土地利用變化模型優越之處在于：(1)它既包含自上而下的模擬方式,又兼有自下而上的計算模式；(2)同時考慮社會經濟以及地理環境方便的住區變遷影響因子,對于研究住區形態變遷這類同時受內部屬性和外部環境同時作用的問題尤為適合；(3)可同時模擬多種土地利用類型的變化趨勢。

本文以廈門島為研究區,在對研究區典型住區的確定及各類住區碳足跡評估的研究基礎上[24],結合SD模型和CLUE-S模型,充分發揮SD模型在情景模擬和宏觀驅動因素反映上的優勢和CLUE-S模型在微觀土地利用空間格局最優分配上的優勢,模擬該區域2009年到2020年的住區類型變遷,揭示城市發展對住區形態變遷過程的影響。目的在于探究一種能夠有效應用于住區形態變遷情景模擬模型,加強對住區形態變遷、住區碳足跡和自然與社會經濟等相關系統相互作用機制的理解和認識。

1 研究區與數據

1.1 研究區簡介

廈門位于福建省東南部,地理坐標為東經117°52′53.8″—118°26′1.2″,北緯24°23′12.7″—24°54′29.3″,位處漳廈平原和泉州平原的中心,北面與泉州地區南安市、安溪縣為鄰,西面與漳州市長泰縣、龍海市相接,東臨金門縣,處于發源于閩西、橫貫龍巖、漳平、華安、長泰、龍海等地的九龍江口,與中國臺灣隔海相望,與金門一衣帶水,為祖國東南沿海的重要門戶,如圖1所示。廈門是我國東南沿海重要的中心城市、港口及風景旅游城市。1980年,國務院在廈門市湖里區設立經濟特區,2003年5月國務院批復廈門市行政區劃調整,現下轄思明、湖里、海滄、集美、同安、翔安6個行政區,市域行政面積為1565km2,其中本島面積為133.25km2。

圖1 研究區示意圖Fig.1 Study area of this study

廈門島區先后經歷了80年代住房制度改革和90年代住房保障體系政策實施,分析廈門島區家庭碳排放的影響因素有助于理解住區形態變遷過程中家庭碳足跡的變化規律和影響機制。由于廈門島區是典型的島嶼城市,有明確的地理界限,以廈門島區為案例可建立明確的系統邊界,相關統計資料數據可準確表征這一系統。Trappey等[25]研究不同可再生能源政策的成本與效益時,同樣選擇相對獨立的澎湖島作為研究對象。廈門市是典型的沿海城市,以其為案例所得的分析結果將為探究全球50%位于海岸帶的城市住區碳排放提供研究依據。

1.2 數據及數據預處理

本研究需要收集大量的基礎數據并進行復雜的數據預處理工作。所需數據可歸納社會經濟數據、基礎地理信息數據、家庭碳足跡調查數據以及土地利用數據四類。其中,社會經濟數據主要來源于統計年鑒,包括《2003—2009年廈門經濟特區年鑒》、《廈門市2010年第六次全國人口普查主要數據公報》,主要獲取常住人口、戶籍人口變動情況、家庭戶人口、房屋施工竣工面積、城鎮居民家庭基本情況、房地產開發等信息?；A地理信息數據主要來源于研究區河流、道路、居民點數據,據此獲得SD模型中各類住區的占地面積和CLUE-S模型中各項土地利用轉化驅動因子。家庭碳足跡調查數據來源于2009年12月和2010年7月在研究區進行的家庭活動消費以及家庭基本情況問卷調查,調查根據廈門島城市空間格局以及住區類型、建筑年代等屬性,調查區域包括華僑博物館、中山路等26個主要城市居民居住區及其周邊街道。其中,位于思明區的住區13個,位于湖里區的住區13個。從建設年代劃分,20世紀80年代以前建成的住區5個,20世紀80年代至1994年建成的住區9個,1994—2000年建成的住區9個,2000年以后建成的住區3個。每個小區隨機抽取20—30戶家庭,共回收問卷1090份,涵蓋3681位居民,其中有效問卷952份,有效率達87.3%。數據包括戶均家庭成員數、戶均住房面積、電費、燃氣費、出行方式等信息。土地利用數據來源于研究區2009年IKONOS高分辨率遙感影像,結合Google Earth數據進行現場調查結合目視解譯獲得。社會經濟數據為統計表數據,需要導入到空間數據庫并進行空間化處理?；A地理信息數據經過ArcGIS距離制圖處理(Distance)由矢量數據轉換為柵格數據。土地利用數據根據廈門島20世紀80年代住房制度改革和90年代住房保障體系,將廈門島土地利用類型重新分類為6種：其它建成區、住區類型Ⅰ、住區類型Ⅱ、住區類型Ⅲ、非建成區及不可利用地。為了保證研究結果的精度以及可靠性,城鎮用地利用IKONOS高分辨率遙感影像進行校正并更新。

2 研究方法

本研究整體上可以分為2個部分：(1)建立基于住區形態變遷的住區碳足跡系統動力學仿真模型(SD模型),分情景模擬未來住區需求變化并計算3種情景下住區碳足跡；(2)將SD模型模擬結果輸入CLUE-S模型的需求模塊,進行未來住區空間分配模擬研究,得到3種情景下的土地利用分布格局,探討出未來主要住區的空間分配特點。整個研究分別從時間、空間、數量和序列變化上刻畫出住區形態格局演變過程,明晰研究區的住區形態變遷驅動因素特征、數量結構特征、空間分配特征、情景特征。具體流程如圖2所示。

圖2 本研究流程圖Fig.2 Flow chart of this study

2.1 SD模型構建及情景設置

人口增長與住宅建設之間存在著極其復雜的相互影響和相互作用關系。在有關城市住房需求模型的研究中,常將模型劃分為人口和住宅兩個子系統,并通過住房的供需關系建立兩個子系統間的反饋環[26-27]。本研究在總結以往研究的基礎上,將模型劃分為住區、人口和碳足跡3個子系統,并結合廈門島住區形態變遷的特點細化住區子系統,同時考慮碳足跡變化對當前住宅建設政策的影響。

2.1.1 住區子系統

根據20世紀80年代住房制度改革和90年代住房保障體系[28],將廈門島28個社區分為三類,如圖3所示。住區類型Ⅰ：1980年前城鎮住宅和城中村住宅,主要包括廈門老城區住區和城中村,屬于被改造拆遷的對象,建筑特征是樓層一般在1—3層,建設密度較高,如中山路社區；住區類型Ⅱ：1980年至2000年建造的城鎮住宅,主要包括商品化單位和安置小區,建筑特征是樓層一般在5—8層,建筑密度中等,如嶼后里社區；住區類型Ⅲ：2000至2010年建造的城鎮住宅,主要包括一般商品房小區、高檔商品房小區和保障性住房,建筑特征是樓層一般在10—30層,建筑密度較低,如瑞景社區。2009年三類住區占地面積分別為979、1157、814公頃,面積比為1∶1.18∶0.83。未來住區類型Ⅱ和Ⅲ將逐步取代住區類型Ⅰ。

圖3 廈門島三類典型住區示意圖Fig.3 Examples of settlement type I-Ⅱ-Ⅲ

根據房屋生命周期的變化,三類住區依次經歷新開發(規劃)、施工、竣工、在用和拆除5個狀態,上一狀態經過固定年限后進入下一狀態,具體數值根據統計年鑒確定。三類住區形成具有延遲過程的平行物質流,如圖4所示,以實現模型對現實世界最大程度的仿真。

根據三類住區的劃分原則及廈門市未來住區發展特點,本研究假設住區類型Ⅰ在未來20年不再新建開發[29]；假設住區類型Ⅱ和Ⅲ在未來20年內成為新建開發的主體[30]。規劃建設面積及其比例受到人口、土地和政策影響,人口與規劃面積成正反饋,剩余土地面積比例與規劃面積成負反饋,其中剩余土地面積比例通過總住區占地面積與設置的政策控制變量——廈門島控制住區面積求得。政策調控因子為隨機因子,以模擬實際情況下的波動。在子系統末端,通過三類住區的建筑容積率將占地面積轉換成建筑面積,進入碳足跡子系統。

圖4 住區子系統系統動力學流圖Fig.4 Stock and flow diagram of settlement subsystem

2.1.2 人口子系統

圖5 人口子系統系統動力學流圖Fig.5 Stock and flow diagram of population subsystem

廈門作為中國宜居城市之一,其自然條件和居住環境是吸引外來人口遷移的主要原因。在人口子系統中,不同的人口統計口徑增加了人口模擬的難度,本模型將廈門島人口分為戶籍人口和非戶籍人口兩部分,如圖5所示。對于戶籍人口,依據統計年鑒數據模擬其自然增長和機械增長,其中,機械增長由外來人口遷入廈門島的意愿決定,受人均住房面積影響,計算該變量時使用住區子系統的建筑面積指標。由于人們收集購房變化信息需要一定時間,且得到廈門島房屋資源的信息后人們通常需要深思熟慮后再作決定是否遷入,因此,在人均住房面積對遷入率的影響上設置信息延遲。對于非戶籍人口,是由產業對勞動力的需求所決定,通過統計2000—2009年人口資料發現,非戶籍人口在75萬附近波動(±4%)。雖然2010年《廈門市戶籍管理規定》實施以來登記暫住人口大幅上升,但考慮廈門島的島嶼地理限制以及高端人才的引進策略,本研究視廈門島對暫住型外來勞動力的需求已滿足,將外來人口設置為常數,這與限制島內總人口發展政策是吻合的。

2.1.3 碳足跡子系統

本研究選取居民日常生活中碳減排潛力較大且數據可得性較好的排放源作為研究對象。最終選定的家庭碳足跡源包括：家庭用電、家庭炊事取暖燃料使用、交通出行、家庭生活垃圾處理、家庭生活污水處理、家庭食品消費和家庭住房消費共7項活動所產生的直接和間接碳足跡,歸納為建筑碳足跡、生活碳足跡、交通出行碳足跡。本研究以家庭能源消費碳足跡計算為例,交通出行、生活垃圾、生活污水、食品消費和住房消費的計算類似于家庭能源消費碳足跡：對于能源消費產生的碳足跡,問卷調查得到的數據包括家庭用電和用氣等開支數據按照廈門市物價局提供的2009年廈門市居民用電和用氣單價分別折算出家庭每年用電量和燃氣使用量。然后按照《2006年IPCC國家溫室氣體清單指南》中基本公式Emissions=AD×EF,即排放量等于家庭各類的活動數據乘以相應的排放系數計算得到,計算公式詳見筆者另一篇文章[31]。

碳足跡子系統中的重要變量是家庭數,通過住區子系統中的建筑面積和戶均住房面積計算得到,如圖6所示。對于住區建筑面積,考慮到所建住房在實際市場供需情況下并沒有被充分使用,加之住區類型Ⅲ的部分樓層用于商業用途,因此引入入住率變量,以實際在用建筑面積計算家庭數。由調查問卷得到的戶均住房面積、家庭人數等信息,計算出人均住房面積,并折算成住區滿意度,從而連接人口子系統。對于碳足跡的計算,根據上述研究得到的各類戶均碳足跡,考慮各類戶均碳足跡隨時間推移發生變化,具體為戶均建筑碳足跡會受戶均住房面積、住房使用壽命的影響,生活、交通碳足跡會受戶均家庭人數的影響。最后將3類碳足跡加和得到廈門島住區碳足跡。為了排除廈門島人口對計算結果的影響,同時也便于本研究與今后其他研究進行比較,分別計算人均碳足跡、人均累計碳足跡[32],作為本研究的政策目標之一。

圖6 碳足跡子系統系統動力學流圖Fig.6 Stock and flow diagram of carbon subsystem

2.1.4 情景設置

對于住區形態變遷的情景設置需要綜合考慮研究區在研究時間段內不同的發展階段。本研究使用Vensim DSS中的政策優化模塊確定情景中的參數選擇,首先設定目標變量,然后設置幾個控制變量的定義域,最后使用Powell尋優法[33],通過反復迭代尋找模型最優集。例如低碳情景下,首先設置人均碳足跡為目標函數,該值最小為低碳情景的目標；然后設置各控制變量的變化范圍,控制變量的選取以選取決策者關注且可控的變量為依據,控制變量定義域的確定以不低于現有技術且未來可能達到的技術水平為依據；最后計算出達到該情景目標時,各控制變量的解。

本研究設置3個情景及各情景的參數設置見表1。基準情景(Basic Scenario)：基于目前人口、土地增長模式,模擬未來20年廈門島人口、土地和碳足跡的慣性發展情景。即保持2010年相關因素間的系統動力學關系不變。低碳情景：在上述政策可控變量允許的變化范圍內,實現2030年人均碳足跡最低。緊湊情景：在上述政策可控變量允許的變化范圍內,實現2030年廈門島緊湊度最高。本研究中緊湊度定義為建筑面積與占地面積的比值。

2.2 CLUE-S模型構建及參數設置

CLUE-S通過比較同一位置不同土地利用類型的總適宜度來進行空間分配,將總適宜度最大的土地利用類型分配在該位置,分配后各土地利用類型總量與土地需求總量保持一致。CLUE-S模型分為非空間土地需求模塊和土地利用變化空間分配模塊兩部分,模型在進行空間分配之前首先要確定四項參數：土地利用轉化彈性、土地利用轉化次序、競爭優勢和限制區域。其中前三者構成了模型運算的土地利用轉換規則,限制區域決定了模型運算的空間范圍。

表1 3種情景的參數設置

2.2.1 土地利用轉化彈性

土地利用轉化彈性的數值介于0—1之間,其大小主要受土地利用類型轉移強度的影響,土地利用類型越不易發生轉化,其相應的土地利用轉化彈性數值越大,越容易發生轉化,此數值越小。在本研究中,非建成區在研究區的城市化過程中,發生土地利用類型轉移強度較高,因此轉化彈性系數取值應較其他建成區小；不可利用地不發生土地利用類型轉移,取值為1；住區類型Ⅰ在研究時間范圍內會因拆除發生土地利用類型轉移；住區類型Ⅱ和Ⅲ在研究時間范圍內基本未達到建筑使用壽命上限,因此發生土地利用類型轉移的可能性極低。綜上分析,本研究設定土地利用轉化彈性如表2所示。

表2 本研究土地利用轉化彈性列表

2.2.2 土地利用轉化次序

土地利用類型轉化次序的設置是通過實際分析現有土地利用現狀圖和分析未來土地利用變化趨勢來確定的。本研究假定住區類型Ⅰ不再新建,其他地類均無法轉變為該類；非建成區無法由其他地類轉變而來；不可利用地不發生轉變；其余地類之間均允許發生轉變。本研究土地利用轉化次序如表3所示,0代表兩種土地利用類型間不能發生轉變,1代表兩種土地利用間可以發生轉變,模型通過設定各個土地利用類型間的轉移矩陣來定義各個土地利用類型間是否能實現轉變。

表3 本研究土地利用類型轉化次序

2.2.3 競爭優勢

競爭優勢用來確定各土地利用類型發生變化的權重值,實質上是制定土地利用類型轉化的規則。本研究按照因子可定量化、研究區內部差異性、數據資料一致性、與土地利用相關性等原則結合研究區實際情況,選取了8個土地利用變化驅動因子：高程、坡度、坡向、人口密度、到市中心距離、到公路距離、到商服區距離、到海岸線距離。可以根據己有的各個因子的矢量圖,通過ArcGIS的空間分析模塊計算得到驅動因子圖,如圖7所示：

圖7 各驅動因子的空間量化圖Fig.7 The gridmap of driving factors

本研究采用SPSS軟件中的二元Logistics回歸方法建立6種土地利用類型空間分布和8個驅動力之間的關系,計算出回歸系數β值。

2.2.4 限制區域

考慮到一些特殊區域土地不允許隨便轉換,可將其設置為限制區域。本研究設置廈門島為研究區域,其中根據《廈門市國民經濟和社會發展第十二個五年規劃綱要》[34]設置營平片區、廈港片區為限制區域,不參與模型運算。

2.2.5 需求模塊

需求模塊是CLUE-S模型中一個相對獨立的模塊,模型要求把不同需求方案的結果輸入模型,以便進行空間分配和空間模擬。不同需求方案的結果可利用各種土地需求量預測方法求取,并且模型要求輸入研究期間各年度的各種土地利用類型的需求量。土地需求量預測是根據與各類用地有關的當前或以往的資料和數據,通過科學方法進行邏輯推理,對一定地區、一定時期內未來各類用地規模的數量動態變化做出科學估計和測算。本研究基于SD模型模擬未來廈門島各住區類型的需求狀況,將模擬結果輸入CLUE-S模型的需求模塊。

2.2.6 空間分配

完成空間模塊和需求模塊的計算后,進行空間分配。空間分配是CLUE-S模型核心,基本原理是：首先確定允許轉換的土地利用單元并計算每個柵格單元對于每種土地利用類型的轉換可能性(總可能性=可能性+轉換規則+疊代系數),形成最初的土地利用分配圖；然后與土地利用需求比較,進行土地利用面積空間分配,直到滿足土地利用需求為止。模擬結束后,如結果不理想,可進行校驗,包括對數據質量、需求目標設置、驅動因子選擇以及相關參數的調整。

3 結果及分析

3.1 SD模型精度驗證

由于現實系統的復雜性,模型中存在一定的不確定性,為了驗證模型的可用性,本研究對模型進行測試。應用Vensim軟件所提供的量綱一致性測試和真實性測試驗證了模型的表達正確性。本研究所選用的人口模型為經典的指數增長模型[35],為測試其合理性,以研究區2003—2009年戶籍人口數據為基礎建立結構相同的人口子系統進行仿真,仿真值與2003—2014年歷史統計數據對比進行驗證,相對誤差為0.07%—3.4%,平均相對誤差為1.40%,如表4所示。

表4 廈門島2003—2009年戶籍人口數據仿真值與歷史值對比表

2020年廈門島總人口仿真值為208.5人,與《廈門市城市總體規劃(2010—2020)》中廈門島組團常住人口200萬人相近,說明模型擬合程度良好。通過變化模型參數值,仿真結果顯示這種變化對模型行為的影響很小,且模型行為與現實世界一致。對于住區子系統的驗證,由于數據獲得率較低,本研究采用模型初始年的仿真值與年鑒數據比較的方法,人均住房面積和平均家庭人數相對誤差分別為4.64%和3.25%,如表5所示。

表5 其它變量仿真值與歷史值對比表

3.2 CLUE-S模型適用性評估

本研究采用Pontius等提出的ROC方法對回歸結果進行檢驗[36]。ROC(relative operating characteristic)是驗證土地利用履蓋變化模型的方法。該方法是來源于二值可能性表,每個可能性表對應一種未來土地利用類型的不同的假設。每個可能性表的內容是實際變化和實際沒有變化的細胞對模擬變化和模擬沒有變化的情況。一個完整的隨意模型確定的ROC值為0.5,而完全適合結果的ROC值是1.0。通過SPSS軟件實現這一檢驗過程。在取得較為滿意的回歸結果后(ROC值超過0.75),計算出了每個土地利用類型的概率,從而可以得到土地利用的空間分布概率適宜圖。

結果顯示各土地利用類型的ROC曲線數值均達到0.65以上。其它建成區、住區類型Ⅰ—Ⅲ、非建成區、不可利用地的擬合度依次為：0.693、0.733、0.818、0.654、0.790、0.700。其中對住區類型Ⅱ的解釋效果最好,達到0.818。說明模型的擬合程度較好,能夠進行模型模擬。

3.3 SD模型情景分析結果

利用系統動力學原理仿真住區形態變遷下的廈門島住區碳足跡變化是可行的,它可以動態地反應出各種社會、經濟因素對住區碳足跡的影響,有利于決策者在管理廈門島用地以及住區設計時作出正確的決策。基準情景下各變量仿真結果如圖8所示。

圖8 基準情景2010—2030年廈門島住區碳足跡仿真結果Fig.8 The simulation results of carbon footprint in Xiamen Island in basic scenario, 2010—2030

住區類型Ⅰ由于不再新建,每年以一定的比例拆除,2030年剩余面積3.486hm2,僅為2010年的36.6%。每年新開發面積中有20%住區為住區類型Ⅱ,80%為住區類型Ⅲ。住區類型Ⅱ新建速度小于其拆除速度,2030年剩余面積24.45hm2,占住區總面積的34.5%。住區類型Ⅲ面積持續增加,2018年首次超過住區類型Ⅱ面積,成為主要的住區類型,到2030年達到42.84hm2,占住區總面積的60.5%。

住區總面積的增加分為快速增長階段和平臺階段,2016年住區總面積超過74km2,之后由于廈門島剩余土地面積的減少,新開發住區面積急劇減少,住區總面積增加緩慢,進入平臺期,到2030年達到77km2,接近于廈門島控制住區總面積的80km2。

廈門島總人口呈現穩步上升趨勢,2014年超過200萬人,2022年超過250萬人,到2030年達到320萬人。2018年后增速加快,其主要原因是前期的住房快速開發迅速提高了人均住房面積,對外來人口的遷入形成強大的拉力。

人均住房面積到2018年達到28 m2/人,隨后在該水平附近波動下降,其原因是2018年前土地資源充裕,住區開發速度快,人均住房面積呈增加趨勢,2018年后,住區新開發面積開始受限,前期涌入的外來人口導致住房資源緊張,人均住房面積下降。

廈門島緊湊度以住區建筑面積與住區占地面積表示,由于住區類型Ⅲ比例的增大,廈門島緊湊度2018年前快速增長,2018年后由于新開發住區面積的限制,增速放緩。而單位土地承載人口在0.03 人/m2附近呈現先下降后上升的波動變化趨勢。住房滿意度表示居民對人均住房面積的滿意程度,仿真結果的變化趨勢與人均住房面積一致。

生活、建筑、交通三部分碳足跡均呈現上升趨勢,分別從2010年的3.802×109、2.348×109、0.511×109kgC/a上升至2030年的6.067×109、4.101×109、0.907×109kgC/a。其中,生活碳足跡和建筑碳足跡所占比例較大,其改善潛力較大。人均碳足跡呈現先上升,后緩慢下降的變化趨勢。2010年人均碳足跡為3578 kgC/人,持續上升至2025年的4661 kgC/人,隨后在2030年緩慢下降至4605 kgC/人。

3種情景下總住區占地面積、總人口、住區緊湊度、總住區滿意度、人均碳足跡,如圖9所示。

圖9 3種情景下模型關鍵變量變化情況Fig.9 The simulation results of different scenarios in Xiamen Island, 2010—2030

在基準情景下,廈門島總住區面積控制在75.3 km2,2018年基本達到飽和,人口增長速度適中,2030年廈門島總人口達到240萬人,住區緊湊度適中?？傋^滿意度上升緩慢,2030年達到0.35,即35%居民對其住房面積表示滿意。人均碳足跡2022年進入平臺期,在4605 kgC/人附近波動。

根據模擬的低碳情景,廈門島總住區面積控制在66.4 km2,2014年基本達到飽和,人口增長速度較慢,2030年廈門島總人口達到244萬人。由于該情景下容積率保持在較低水平,住區緊湊度上升緩慢?？傋^滿意度上升緩慢,2030年接近0.4,即接近40%居民對其住房面積表示滿意。人均碳足跡2016年進入平臺期,達到3771 kgC/人,之后緩慢下降。

根據模擬的緊湊情景,廈門島總住區面積控制在84.7 km2,2024年基本達到飽和,人口增長速度較快,2030年廈門島總人口達到252萬人。與新建住房的容積率增加有關,該情景下的住區緊湊度迅速上升,2030年接近1.5?？傋^滿意度上升速度適中,2030年接近0.45。人均碳足跡迅速持續上升,2028年達到平臺期,在5759 kgC/人附近波動。

3.4 CLUE-S模型情景分析結果

不同情景下住區分布格局的模擬結果如圖10所示,圖中分別表示2009年現狀、2020年基準情景模擬結果、2020年低碳情景模擬結果、2020年緊湊情景模擬結果。

圖10 不同情景住區類型變遷模擬圖Fig.10 The distribution of landuse change in different scenarios

基準情景下,三類住區分布格局基本不變。原有的住區類型Ⅰ拆除部分主要為蜂巢山、高殿社區、枋鐘路、枋湖路、蔡塘一帶,均為年代久遠的城中村區域,但近年來該區域城市發展較快是引起其住區形態變化迅速的主要原因。新增的住區類型Ⅱ主要分布在蓮坂區域,為原有住區的周邊,可視為原有舊住區的擴建。新增的住區類型Ⅲ主要為住區類型Ⅰ拆除區域,柯厝、蓮前、殿前等地區有小片的其他建成區轉化為住區類型Ⅲ,曾厝垵、湖濱北路、湖里大道、殿前、高崎等地區有成片的非建成區轉化為住區類型Ⅲ。

低碳情景下,新增的住區類型Ⅱ零星分布在蓮坂區域,即分布于原有住區的周邊,可視為原有舊住區的擴建。新增的住區類型Ⅲ主要為住區類型Ⅰ拆除區域,柯厝、蓮前、殿前等地區有完整大片的其他建成區轉化為住區類型Ⅲ,曾厝垵、湖濱北路、湖里大道、殿前、高崎等地區有成片的非建成區轉化為住區類型Ⅲ。

緊湊情景下,新增的住區類型Ⅱ零星分布在蓮坂區域,為原有住區的周邊,可視為原有舊住區的擴建。新增的住區類型Ⅲ主要為住區類型Ⅰ拆除區域,柯厝、蓮前、殿前等地區有小片的其他建成區轉化為住區類型Ⅲ,曾厝垵、湖濱北路、湖里大道、殿前、高崎、嶺兜等地區有完整成片的非建成區轉化為住區類型Ⅲ。

4 討論與結論

4.1 討論

(1)模型主要參數的估算基于2003—2009年數據進行,使用2010—2014年公布的數據進行模型精度驗證,結果顯示人口及其他主要參數在2010—2020年間模型擬合程度較高,2020—2030年間參數缺少權威的預測數據進行模型精度驗證。廈門市尤其是廈門島宜居的環境大大吸引外來人口,按照《廈門市城市總體規劃(2010—2020)》,2020年廈門島內人口密度是島外11倍。模型設置了人均住房面積、住區滿意度等參數模擬宜居環境吸引力對人口遷入遷出率的影響,但今后仍需進一步加強,2008年廈門登記暫住人口首次超過100萬人,達到100.7萬人,隨后2010年超過131萬人,2011年超過224萬人,超過了模型預期。若今后使用2003—2014年數據重新建模,建議加入宜居環境吸引力這一外部變量。

(2)在今后20年內,廈門島的總人口將持續提高,《廈門市城市總體規劃(2010—2020)》,預計2020年廈門島組團常住人口將達到200萬人,城市建設用地110 km2,人口對土地資源的需求將繼續加大,不同的住區發展模式對廈門島的低碳發展有著顯著影響。在基準情景下,2030年廈門島總住區面積控制在75.3 km2,廈門島總人口達到240萬人,人均住區碳足跡為4605 kgC/人,住區緊湊度為1,人均住房面積為30.1 m2/人；在低碳情景下,2030年廈門島總住區面積控制在66.4 km2,廈門島總人口達到244萬人,人均住區碳足跡為3771 kgC/人,住區緊湊度為0.85,人均住房面積為26.2 m2/人；在緊湊情景下,2030年廈門島總住區面積控制在84.7 km2,廈門島總人口達到252萬人,人均住區碳足跡為5759 kgC/人,住區緊湊度為1.45,人均住房面積為41.0 m2/人。由此可見,可將低碳發展和緊湊發展是慣性發展的兩種極端情況,體現在總住區面積、人均住宅面積和人均碳足跡大小的變化：緊湊發展情景中住區類型Ⅲ比例較高,高住房容積率和住區緊湊度大大增大了廈門島的人口承載能力,但住區類型Ⅲ建筑本身直接產生的建筑碳足跡和居民生活間接產生的生活碳足跡和交通碳足跡均明顯高于住區類型Ⅱ,造成人均住區碳足跡增大；低碳情景則相反,該情景下人均住區碳足跡較低,能夠容納的人口數也較低。

(3)CLUE-S模型多用于自然土地類型的模擬,鮮有將CLUE-S模型應用于住區形態變遷的實例。本研究應用CLUE-S模型對廈門島進行2030年住區形態變遷模擬,三類典型住區受驅動因子影響的程度不同,構成不同的分布特征。由于住區類型Ⅰ未來不再新建,本研究不討論其分布特征；住區類型Ⅱ趨于分布在人口密度大、交通便捷、離市中心近的地區,可歸納為住區類型Ⅱ遵循現狀繼續發展的慣性較大；住區類型Ⅲ趨于分布在人口密度較低、離商服區近、高程低的海邊地區,可歸納為住區類型Ⅲ分布在征地成本相對較低的區域。

4.2 結論

(1)SD模型與CLUE-S模型的耦合可以發揮兩者分別在時間動態模擬和空間分配模擬的優勢。在SD模型中使用子系統可以在模型主體基本不變的前提下整合相關研究的成果。本研究在住區子系統和人口子系統的基礎上,構建并整合碳足跡子系統,使住區形態變遷這一過程反映到碳足跡的時間序列變化上。在CLUE-S模型中設置空間模塊參數可以干預研究區適宜或完全不發生轉換的土地利用類型。SD模型與CLUE-S模型耦合,使得模型在橫向整合和縱向深入上具有非常強的適應性和可操作性。

(2)住區類型Ⅲ成為廈門島未來主要住區類型,今后的節能減排工作應該重點針對住區類型Ⅲ開展；在決策過程中,應對廈門島住區規劃用地、其中住區類型Ⅲ所占比例及其容積率等目標進行限制。在通過緊湊型住區發展模型解決廈門島人口壓力的前提下,從降低居民生活碳足跡和交通碳足跡方面適當考慮住區低碳發展,例如：選取合適的建筑外墻材料,減少用于采暖保溫的建筑碳足跡；未來可能出現高密度住區的區域應加強公共交通設施建設,減少交通碳足跡；部分地區由原來的其他建成區轉變為住區,居民到達特定功能區的交通碳足跡將增大,應盡量保證該地區各功能區完善以減少交通碳足跡；

(3)廈門島內人口迅速增加,近年來人口密度屢創新高,如何平衡廈門島內外發展是廈門市政府面臨的嚴峻考驗之一。發展緊湊型住區模式,使島內人口承載能力可能是該問題的出路之一,但隨之帶來住區碳足跡尤其是建筑碳足跡的增大。早在2010年,廈門就被列為國家首批低碳試點城市,應在減少住區碳足跡作出新的嘗試,可在緊湊發展情景模式下緩解較大的人口壓力,同時應根據城市人口和用地的實際情況,在低碳城市建設與有效節約用地之間尋找一個平衡點,優先從居民生活習慣與通勤方式方面減小生活碳足跡和交通碳足跡。

[1] Yi Y. Chinese urban population 54.77 pct of total. [2015-01-20]. http://news.xinhuanet.com/english/china/2015-01/20/c_133932396.htm.

[2] Lin J Y, Cao B, Cui S H, Wang W, Bai X M. Evaluating the effectiveness of urban energy conservation and GHG mitigation measures: the case of Xiamen city, China. Energy Policy, 2010, 38(9): 5123-5132.

[3] Satterthwaite D. Cities′ contribution to global warming: notes on the allocation of greenhouse gas emissions. Environment and Urbanization, 2008, 20(2): 539-549.

[4] Grimm N B, Faeth S H, Golubiewski N E, Redman C L, Wu J G, Bai X M, Briggs J M. Global change and the ecology of cities. Science, 2008, 319(5864): 756-760.

[5] Fragkias M, Lobo J, Strumsky D, Seto K C. Does size matter? Scaling of CO2emissions and U.S. urban areas. PLoS One, 2013, 8(6): e64727.

[6] Li Y M, Zhao R, Liu T S, Zhao J F. Does urbanization lead to more direct and indirect household carbon dioxide emissions? Evidence from China during 1996-2012. Journal of Cleaner Production, 2015, 102: 103-114.

[7] Wang Q, Wu S D, Zeng Y E, Wu B W. Exploring the relationship between urbanization, energy consumption, and CO2emissions in different provinces of China. Renewable and Sustainable Energy Reviews, 2016, 54: 1563-1579.

[8] Ansari N, Seifi A. A system dynamics model for analyzing energy consumption and CO2emission in Iranian cement industry under various production and export scenarios. Energy Policy, 2013, 58: 75-89.

[9] Zhang L X, Hu Q H, Zhang F. Input-output modeling for urban energy consumption in Beijing: dynamics and Comparison. PLoS One, 2014, 9(3): e89850.

[10] 王雪娜, 顧凱平. 中國碳源排碳量估算辦法研究現狀. 環境科學與管理, 2006, 31(4): 78-80.

[11] Jones C M, Kammen D M. Quantifying carbon footprint reduction opportunities for U.S. households and communities. Environmental Science & Technology, 2011, 45(9): 4088-4095.

[12] Bai X, Dhakal S, Steinberger J, Weisz H. Drivers of urban energy use and main policy leverages // Grubler A, Fisk D, eds. Energizing Sustainable Cities: Assessing Urban Energy. London: Earthscan, 2012.

[13] Hojjati B, Wade S H. U.S. household energy consumption and intensity trends: a decomposition approach. Energy Policy, 2012, 48: 304-314.

[14] Wang Y, Shi M J. CO2Emission induced by urban household consumption in China. Chinese Journal of Population Resources and Environment, 2009, 7(3): 11-19.

[15] Dietz T, Gardner G T, Gilligan J, Stern P C, Vandenbergh M P. Household actions can provide a behavioral wedge to rapidly reduce US carbon emissions. Proceedings of the National Academy of Sciences of the United States of America, 2009, 106(44): 18452-18456.

[16] 馮玲, 吝濤, 趙千鈞. 城鎮居民生活能耗與碳排放動態特征分析. 中國人口·資源與環境, 2011, 21(5): 93-100.

[17] Wei Y M, Liu L C, Fan Y, Wu G. The impact of lifestyle on energy use and CO2emission: an empirical analysis of China′s residents. Energy Policy, 2007, 35(1): 247-257.

[18] Ahmed Y A. Settlements pattern and functional distribution in an emerging communities: a case of a local government area of Kwara State, Nigeria. The Social Sciences, 2009, 4(3): 256-263.

[19] 楊選梅, 葛幼松, 曾紅鷹. 基于個體消費行為的家庭碳排放研究. 中國人口·資源與環境, 2010, 20(5): 35-40.

[20] Druckman A, Jackson T. Household energy consumption in the UK: a highly geographically and socio-economically disaggregated model. Energy Policy, 2008, 36(8): 3177-3192.

[21] 邵磊. 社會轉型與中國城市居住形態的變遷. 時代建筑, 2004, (5): 19-23.

[22] 歐曼. 低碳理念下的城市住區密度研究——以上海曹楊新村為例 // 第七屆國際綠色建筑與建筑節能大會論文集. 北京: 中國城市科學研究會, 2011: 440-444.

[23] 吳嫣. 從住宅設計看居住形態的變遷——以北京市為例. 建筑, 2003, (2): 57-58.

[24] 馮玲. 家庭和住區尺度下的居民生活消費碳排放研究——以廈門市為例[D]. 北京: 中國科學院研究生院, 2011.

[25] Trappey A J C, Trappey C V, Lin G Y P, Chang Y S. The analysis of renewable energy policies for the Taiwan Penghu island administrative region. Renewable and Sustainable Energy Reviews, 2012, 16(1): 958-965.

[26] 王洪義, 鄭艷清, 王建華. 人口增長與住宅建設的動態仿真分析. 哈爾濱師范大學自然科學學報, 1999, 15(6): 64-68.

[27] 胡雨村, 沈岐平. 香港住宅產業發展的系統動力學研究. 系統工程理論與實踐, 2001, (7): 32-37, 53-53.

[28] 周凌, 趙民. 構建多層次的城鎮住房供應體系——基于廈門市實證分析的討論. 城市規劃, 2008, 32(9): 28-37.

[29] 鄭開雄. 廈門“城中村”改造研究. 現代城市研究, 2005, (11): 32-36.

[30] 魏麗艷, 陳林. 政府主導梯級住房保障的理論與實踐——以廈門市保障性住房新政為例. 中共福建省委黨校學報, 2010, (4): 64-69.

[31] Wang J, Lin T, Feng L, Huang J. A system dynamics approach for local settlement morphology planning based on household consumption carbon footprint. Advanced Materials Research, 2012, 524-527: 2400-2405.

[32] 丁仲禮, 段曉男, 葛全勝, 張志強. 2050年大氣CO2濃度控制: 各國排放權計算. 中國科學 D輯: 地球科學, 2009, 39(8): 1009-1027.

[33] Powell M J D. An efficient method for finding the minimum of a function of several variables without calculating derivatives. The Computer Journal, 1964, 7(2): 155-162.

[34] 廈門市人民政府. 廈門市國民經濟和社會發展第十二個五年規劃綱要. [2011-03-04]. http://fj.sina.com.cn/xm/news/ms/2011-03-04/103414191_2.html.

[35] 楊麗霞, 楊桂山, 苑韶峰. 數學模型在人口預測中的應用——以江蘇省為例. 長江流域資源與環境, 2006, 15(3): 287-291.

[36] Pontius R G Jr, Schneider L C. Land-cover change model validation by an ROC method for the Ipswich watershed, Massachusetts, USA. Agriculture, Ecosystems & Environment, 2001, 85(1-3): 239-248.

Spatiotemporal simulation of urban settlement morphology: a case study of Xiamen Island

WANG Jin1,2,3, LIN Tao2,3,*, ZHANG Guoqin2,3

1GuangzhouResearchInstituteofEnvironmentalProtection,Guangzhou510620,China2KeyLaboratoryofUrbanEnvironmentandHealth,InstituteofUrbanEnvironment,ChineseAcademyofSciences,Xiamen361021,China3XiamenKeyLaboratoryofUrbanMetabolism,Xiamen361021,China

Settlement morphology transition is constrained by population migration, settlement satisfaction, and low-carbon city policies. Many land use models poorly describe these transitions, rendering studies in this field relatively inadequate. Xiamen Island, a rapidly urbanizing area in the southeast of Fujian Province in China, was selected as a case study for settlement morphology transition. We generated a system dynamics (SD) model of the carbon footprint of this settlement based on settlement morphology transition and simulated the transition of settlement morphology using this SD model. In this model, the changing social needs of a residential area over the next 20 years were simulated, and the settlement carbon footprint was calculated under three different scenarios (basic, low-carbon, and compact city). We used the results of these simulations as the input of the non-spatial demand module in the CLUE-S (Conversion of Land use and its Effects at Small extent) model. In the study of settlement spatial allocation using the CLUE-S model, we simulated the transition of settlement morphology under three scenarios and depicted the spatial conversion of land use on Xiamen Island over the next 10 years. Next, we discussed the allocation characteristics of settlement types II and type III, which are predicted to be the major settlement types in decades. In summary, this study attempted to depict the transition of settlement morphology on Xiamen Island in multiple dimensions—time, space, quantity, and sequence. To address these issues, we clarified the development characteristics of the settlement in different ways, such as driving forces, structures, spatial allocation, and using various scenarios. The simulation results showed that the SD and CLUE-S models bridge the gap between non-spatial land use policies and the spatial characteristics. The simulation results of the SD model revealed that 1) the ratio of three types of settlement, I, II, and III, was 1∶1.18∶0.83 in 2009; type III will become predominant in 2018. 2) Over the next 20 years, the total population and the demand for land resources on Xiamen Island will continue to increase. The carbon footprint of Xiamen Island under different scenarios varied significantly. 3) In the basic scenario, the total population of Xiamen Island was predicted to reach 2.40 million in 2030, while the total settlement area was predicted to be 75.3 km2. The carbon footprint was predicted to increase and reach a plateau phase, at 4605 kg C/cap, in 2022. 4) In the low-carbon scenario, the total population of Xiamen Island was predicted to reach 2.44 million in 2030, while the total settlement area was predicted to be only 66.4 km2. The carbon footprint was predicted to increase and reach a plateau phase, at 3771 kg C/cap, in 2016. 5) In the compact-city scenario, the total population of Xiamen Island was predicted to reach 2.52 million in 2030, while the total settlement area was predicted to be 84.7 km2. The carbon footprint was predicted to increase and reach a plateau phase, at 5759 kg C/cap, in 2028. The simulation results of CLUE-S model indicated that settlement type II tends to distribute in areas with high population density, convenient traffic, and proximity to the city center, which can be summarized as the inertial development mode. In contrast, settlement type III tends to distribute in areas with low population density, low elevation, and proximity to commercial centers, which can be summarized as the low-land-cost development mode. Finally, we provide some recommendations to facilitate a balance between the low-carbon and compact-city scenarios. We hope that this study will contribute to the formulation of energy-saving measures as well as the construction of new settlement types. We also hope that it will provide scientific support for the sustainable development of urban settlements.

system dynamics model; CLUE-S model; settlement morphology transition; low carbon

國家自然科學基金項目(41371540, 41201598)；中國科學院科技服務網絡計劃(KFJ-EW-STS-088);高分辨率對地觀測系統重大專項

2016- 02- 06; 網絡出版日期:2016- 12- 19

10.5846/stxb201602060266

*通訊作者Corresponding author.E-mail: tlin@iue.ac.cn

王進,吝濤,張國欽.城市住區形態時空模擬——以廈門島為例.生態學報,2017,37(9):2954- 2969.

Wang J, Lin T, Zhang G Q.Spatiotemporal simulation of urban settlement morphology: a case study of Xiamen Island.Acta Ecologica Sinica,2017,37(9):2954- 2969.