1980年代中后期以来，随着复杂性科学的发展以及信息技术的空前进步，城市研究的前沿趋势呈现出两个明显特点:其一涉及到世界观，即关注城市问题的微观要素的基本互动关系，以求在更真实更本质的层次上认知和改善城市;其二涉及到方法论，即更加关注理论研究和模型开发对相关领域新概念新技术(如复杂系统、人工技术，高性能计算、行为经济学)的吸纳，同时也更加关注技术方法的开放性和有机性。在这种背景下，有城市社会系统论背景，并基于个体行为机制和市场理论的城市活动仿真计算实验等新概态、新技术的研究和应用开展,构成了国际城市研究的前沿成果。
中国人居环境科学发展只有从对人工系统的复杂性、近可分解性和可理解性的认识入手去梳理关键科学问题，才能使人居环境科学从“一次思想上的变革”转化为真正意义上的“科学革命”。
01 对复杂系统的认识
一、对复杂巨系统的认知
（1）世界上存在的复杂系统有很多种。大体分为两类：一类是有组织的复杂性，一类是无组织的复杂性。城乡建设不像复杂天气系统(典型的、无组织的复杂系统)。因此用无组织复杂系统的模型（气象模型、流体动力模型）来处理这类有组织的人工复杂系统，存在一定的障碍。
（2）复杂系统呈现出层级结构，即广义来说，复杂系统可以逐次分解为子系统的集合。城市群作为城镇化进程的一个主要载体，其内部也是可以分层的，不同的空间尺度或不同的发展重点，都是一种分层模式。城市群中一些主体功能区的渗透，会产生不同子系统。因此城市群作为一个有组织的复杂系统，可以逐层次分解为目标完全不一样的系统集合。
（3）在层级结构的复杂系统中，可以区分子系统之间的相互作用与子系统内部的相互作用，前者被描述为低频动态过程，即慢过程，后者被描述为短期行为、高频动态过程，即快过程。对城市群这种层级结构复杂系统，通过对子系统之间、子系统内部相互作用的分析，可以挖掘其中的慢变过程和快变过程。
（4）社会系统作为典型的、有组织的复杂系统存在近可分解性。在近可分解系统中，每一个单元子系统的短期行为与其他单元的短期行为近似无关；长远来说，任一单元子系统的集总行为取决于其他单元的集总行为。例如用复杂系统对中美、中日、中欧关系，研究两个国家之间的相互作用时，并不需要过多关注两个国家每一个公民与对方国家每一个公民之间的相互作用，而是关注远比这个作用更大系统的集总效应。
（5）复杂系统具有近可分解的层级结构可以帮助我们理解、描述、“看见”这种系统及其内部的重大促进因素。
（6）不同层级的相互作用往往存在数量级的差别，即一种“空世界假说”，可以理解为多数事物与多数其他事物仅有微弱联系，只需考虑有可能的相互作用中小部分，就可以获得一个相对贴近现实的描述。
（7）直接针对真实世界的描述总是存在冗余性。通过合适的“重新编码”便经常能使存在复杂系统结构中的隐蔽冗余性一目了然，科学的任务是利用对世界内在冗余性的消减来简洁地描述世界。
（8）在寻求对复杂系统的理解时，可以利用两种主要描述类型，分别称之为状态描述和过程描述。前者往往通过模拟物体的方式表征感受到的世界，提供辨别物体的标准；后者表征了受作用的实体，提供了“生产”出具备所期望特性的物体的手段。人类解决问题的过程就是一个对同一复杂现实情景的状态描述和过程描述不断转换的过程。
不同的科学家根据不同的视野视角搭建起一个观察世界的显微镜或望远镜，即所谓的“有色眼镜”规律，在所有的研究和观察当中始终是存在的。并不存在一个所谓真正意义上的绝对科学真理，或者是绝对的对与错之间的判断。关键问题是，如何把复杂系统的解析和观察、解决问题“挂上钩儿”。
二、对复杂巨系统演进的认知
已有的大量计算实验技术已经积累了状态描述和过程描述的成果，对下一步的进展非常有利。在谈事物的演进、进化以及如何对其施加干预的过程中，有一点需要认识的是：任何一个复杂系统的演进、进化，最关键的是有一个中间稳定状态。
系统工程的“钟表匠原理”认为，如果没有一个中间稳态，那么这只手表可能永远组装不起来。反映到国家决策，我们既要知道不断革命论，更要注意如何在这种发展进程当中，找到适当的时机、窗口期，建立起相对稳定的中间稳态阶段。如果我们老是一个在不断革命论的角度走下去的话，那么最后可能是一场更大的社会灾难。
如何从一个稳定状态向一个更好的稳定状态过渡？这个问题反映了人类解决问题的一个标准模式，这个模式并没有太多捷径可走。唯一比较“靠谱儿”的其实是在解决问题的过程中，大量的、选择性的反复试验。历史学家往往从真实的、血淋淋的成功与失败的案例中总结历史发展规律。对于自然科学背景学者而言，可能更倾向用模拟技术，通过不同选择性的、反复的计算实验进行校正，找到向前推进的变化进程。历史学家和自然科学学者的选择性其实是把深藏于天才大脑之中的这些经验定向表象化和可理解化，当然也有一些更深层次的哲学层面的考虑，是寻求和谐，还是寻求更大跨越度的进步，这其实也是复杂巨系统要建立的价值观问题，既有这种急功近利的现象，也有系统演进规律的探索。
研究复杂系统科学问题的基本思路，大体上是：
第一，相互作用规律的识别。包括①子系统内部短期行为识别。这些行为一旦被识别出来，可以把它屏蔽在几种系统的计算实验平台之外，因为他们对中长期规律并不能产生根本性的影响。②对短期快变过程的识别。这个过程更加重要，包括快变过程形成的几种现象，这是实现几种系统实验平台的基础之一。③内部结构描述。即如何建立起一个关键的函数集，最终是符合计算实验要求的子系统集总特征的函数获取（或生产）。
第二，外部规律的演示。通过多年的观察和计算，外部规律绝大部分针对慢变过程。一个系统要能够干预到另外一个系统的实质、状态和过程的变化，这都是由慢变引发。这部分的识别、描述和解析，是实现几种实验平台的第二个大基础版块。
第三，应用网络动态的平衡规律、系统动力学的理论，以及各种已有的、日益创新的各种工程技术搭建系统平台。一旦干预下的运转跟真实的、已有的各种历史案例的运转具有更高的拟合程度时，基本就是一个可用的计算平台。在这种情况下，我们会改变一些人工可以干预的变量。实现不同干预状态下、不同干预强度下及不同干预切入点、节点的程序性控制下，观察系统的变化。通过这个观察，建立一种协调性机制，并建立起一个更具科学性的调控试验。
基于以上知识背景，支撑人居环境建设和发展的关键子系统，可以被概括为交通、环境、能源、社会和经济几方面。
02 打造规划治理“元工具”
我们现在面对的现实复杂系统与我们走过来的历史进程之间发生的最大变化，就是一系列新工具的出现及其更底层的技术要求。所以面向未来，我们最近五年左右开始有一些更新的进展，就是如何打造一个规划治理的元工具，正如大家所熟知的数字中国、数字产业、数字经济，这也都是全球的共识。
不同的国家在推进这一技术进步过程中有不同的侧重点，中国的侧重点其实还是一个宏观的社会经济治理和空间治理的问题。所谓宏观也是分层次的，从国家大尺度一直到市县尺度。规划在过去是一套传统的、以专家经验和工程技术为支撑的、以分学科推理模型演绎为支撑的工具。那么面向未来规划的数字技术支撑体系如何建立？
如果说规划是一种带有明显的“工具性”的东西，那么其底层支撑的服务规划的数字技术支撑体系，是国家社会经济治理和空间治理的“元工具”。
一、上位要求
打造规划治理“元工具”来自于几个方面的要求。一是上位要求：数据要素和政府数字化转型。这种上位要求不仅仅是领导关注的问题，更重要的是：作为内生增长因素当中除资本、劳动、技术以外的第四要素，数据具有显著的规模收益性质和多种外部性影响，所以可能最先成熟的不是我们的数字政府，而是数字经济。
二、规划挑战
在此过程当中，规划面对一系列挑战。
体制机制层面的挑战：在规划定位上如何妥善处理政府、市场和社会之间的关系；各类规划体系的冲突矛盾如何协调。
编制实施层面的挑战（技术响应的方向）：一是分析研判中新的技术进展；二是在规划内容的离散分割体制当中通过数据链的整合能够缓解什么问题？解决什么问题？三是后台的科学化模型正在日益地和民主化的工具相结合，更多地偏向于公众可理解的情景性模型的展示和表达，这种展示和表达在一个社会的民主化管理进程当中，和公众参与日益强化的进程当中，有巨大的作用可以发挥。
最后，数字技术以及计算实验的推广，也会反映出更强的定量描述能力，如果能够实现调控及模型的建立，也会有利于探讨更多可干预措施的多元化。
因此，近几年数字技术规划研究基本上既有上位政府转型要求，也有更广泛的市场和社会都需要的决策科学性和提升服务效率要求。
03 当前技术进展
首先，多源的政府和社会大数据日益丰富，涉及移动通信数据、互联网络数据、社交媒体数据、智能刷卡数据、物联传感数据、导航定位数据、对地观测数据等等，多源数据的有效融合与分析研判在经济社会治理中发挥着越来越大的作用。
其次，数据技术处理手段不断进步，在大数据支持下以机器学习为代表的一系列数据智能化分析技术正在成为复杂系统问题研究的新范式，适合描述现实世界中复杂多变的非线性关系，极大提高了识别预测能力。数据处理手段可用水平的不断提高会引发数据密集型的、更新的一系列的新的科学发现，能够使得我们更有效地描述系统变化，并更有效地区分系统的高频快变过程和系统的中长期慢变过程，使得我们的干预和管控对工作重点有更好的选择。
从方法论上来讲，这种技术手段进步涉及机器学习、深度学习、强化学习三类学习方法；时空数据分析、非结构化数据分析（文本、图像、视频）、图数据分析（网络关系）三类分析任务，其中时空分析包括空间分析、空间统计、空间回归、时空分析与机器学习结合，图数据分析涉及知识图谱、产业图谱、社会网络等。
04 模式优化
技术进展除了以上算法自身的进步之外，还有就是情景构建能力和需求情景的搭建能力。专业的管理者和领域性的科学家应该变成IT公司的项目策划人和项目主管，这样他做出来的东西才不是为算法而算法，而是能够跟真实的管理情景、运营情景、建造情景更加积极结合。因此仅有技术工具不足以解决问题，还需要和应用模式有效配合，上述的情景就是应用模式优化。
大数据的算法在技术上能解决数据来源的问题；学科群的进展也大体上能够解决模型选择的问题、模型维护的问题，以及反馈校验的问题。但是从应用模式来讲，数据采集和问题定义两者更为重要，数据采集需要明确数据逻辑而非简单地解决数据来源问题；模型选择是根据问题定义来的，定义错误将导致模型出现问题。
因此需要各种应用模型的有效配合，最终把数据技术擅长的感知、测度、模拟和挖掘，与我们真实的社会管理当中需要的观察、行动、调整和决策实现有效地对接，把技术变成场景式的东西才有进展。
在此模式优化问题基础上尹稚老师介绍了诸多案例：
首先是英国交通规划的案例。其基于量化模型解决了低频决策和高频审批的一体化问题，并解决了交通物理网络的强链接与经济社会规划措施的弱链接问题。
其次是全球气候变化的研究与治理模式案例。因在技术上复杂系统无法精确预测、理念上未来不具有唯一确定性、操作上缺乏权威机构自上而下参与，故要求一个更为平等化的、高差异诉求的机构、国家乃至团体、个人在治理模式上多方共治。这样的场景搭建一是强调基于数据的多情景分析能力提升；二是场景结果以及它的可表达、可理解性变得越来越重要，这样才能够有更广泛的征求意见的可能性；三是反复的模拟计算，提供尽可能多的未来可能性，在无数的变化结果当中，通过政治谈判和政治博弈来寻求较优的共识；最终积累成果，共享知识，辅助未来预判。
此外还介绍了广州市产业图谱案例。结合新旧动能转换、保就业等现实场景进行产业现状与预测分析。上海市城市体征评估与情景预测案例，模拟仿真不同发展情景，反向应用大数据分析得到的模型和规律。以及疫情扩散下治理能力边界模拟案例。
05 总结
规划决策和管理优化的核心内容研究会作用于各种不同的空间尺度的综合治理或专项化的空间治理。从目前的情况来看，我们在一些可以改善的问题上是有进步的：比如说政府数据和社会数据的多源融合；传统计量经济的模型的单点建模分析以及典型应用；数据驱动的机器学习、深度学习和强化学习；以及最终基于情景分析的一种可参与型典型应用的进一步推广。但是，仅有技术工具不足以解决问题，还需应用模式的有效配合。应用模式优化方面既存在体制机制的问题，又面临技术支撑的运营条件的升级改造挑战，需要我们能够通过数据采集、模型维护、使用场景和结果反馈，最终建立起一种循证式的规划决策闭环模式。
