شبیه سازی انتخاب مکان مشاغل شهری – مسکن و رابطه فضایی با استفاده از رویکرد چند عاملی - هوش پیروزی

تعادل شغل و مسکن به رابطه فضایی بین تعداد مشاغل و واحدهای مسکونی در یک منطقه جغرافیایی معین مربوط می شود. به دلیل تفکیک مشاغل و مسکن، نابجایی های فضایی در شهرهای بزرگ رخ داده است که منجر به افزایش چشمگیر مسافت و زمان رفت و آمد شده است. این تغییرات در نهایت منجر به افزایش فشار بر ترافیک شهری و شکل گیری ترافیک جزر و مدی شده است. در این مطالعه ما یک رویکرد چند عاملی را برای بررسی رابطه شغل-مسکن تحت حداکثر مطلوبیت مکان نمایندگان معرفی می‌کنیم. نسبت شغل/مسکن توازن رابطه شغل-مسکن و همچنین مقایسه و تجزیه و تحلیل جداسازی مشاغل-مسکن در پکن بر اساس مقیاس ناحیه، شهرستان و خیابان را اندازه‌گیری می‌کند. یک مدل مبتنی بر عامل برای شبیه‌سازی رفتار انتخاب مکان مکانی عوامل با در نظر گرفتن تأثیرات محیطی و اقتصادی بر تصمیم‌گیری‌های مسکونی افراد پیشنهاد شد. نتایج نشان می دهد که عدم تعادل رابطه شغل و مسکن در پکن عمدتاً به دلیل رشد سریع جمعیت در جاده کمربندی ششم تشدید شده است. عدم تعادل در رابطه شغل و مسکن به دلیل عدم تطابق با تعداد خانوارهای موجود در مقایسه با تعداد مشاغل ایجاد شده است. مناطق شهری اطراف نمی توانند حجم مورد نیاز مسکن را برای افزایش کارگران فراهم کنند. شش مجموعه آزمایش برای بررسی عوامل مقیم و عوامل سازمانی ایجاد شد. تفاوت در سطح درآمد نمایندگان مقیم تأثیر بیشتری بر تصمیم گیری مکان مسکونی داشت. و قیمت مسکن اولین عامل مؤثر بر تصمیم ساکنان برای انتخاب محل سکونت خود بود. توزیع فضایی مشاغل و مسکن در پکن تحت حداکثرسازی ابزار مکان یابی میکرو عامل در این مطالعه به دست آمد. نتایج نشان داد که عدم تعادل در رابطه شغل-مسکن در مرکز پکن بهبود یافته است و در مقایسه با توزیع های اولیه، تعداد مناطق تعادل شغل-مسکن در پکن افزایش یافته است.

کلید واژه ها:

رابطه شغل و مسکن ; مدل سازی مبتنی بر عامل ; تصمیم گیری مکان ؛ پکن

1. مقدمه

وابستگی به خودرو، تراکم ترافیک، مسافت طولانی رفت و آمد، و آلودگی هوا و انتشار گازهای گلخانه ای (GHG) در کلان شهرها به یک منطقه جدی نگرانی جهانی تبدیل شده است [ 1 ، 2 ]. در عین حال، شهرنشینی سریع و رشد جمعیت، افزایش درآمد، افزایش مالکیت خودرو، تغییرات کاربری زمین، و مدیریت ضعیف ترافیک منجر به افزایش زمان رفت و آمد در شهرها شده است [ 3 ، 4 ، 5 ، 6 ]. برای مقابله با این مسائل، اقدامات مقابله ای متفاوتی پیشنهاد شده است. توازن شغل و مسکن توسط برنامه ریزان، محققان و سیاست گذاران به عنوان موثرترین اقدام متقابل در نظر گرفته شده است [ 7 ، 8 ], 9 , 10 , 11 , 12 , 13 , 14 ]. این تعادل منعکس کننده توزیع فرصت های مسکونی و شغلی در یک منطقه شهری است، که “رابطه فضایی بین تعداد مشاغل و واحدهای مسکونی در یک منطقه معین” است [ 15 ]. تعادل شغل و مسکن همچنین می تواند به عنوان نسبتی برای اندازه گیری فرصت های شغلی و مسکن از طریق واحدهای فضایی، مانند مناطق تحلیل ترافیک (TAZ) استفاده شود [ 16 ، 17 ]. اگر یک واحد فضایی به نسبت معینی از مشاغل و فرصت‌های مسکن دست یابد، در «تعادل کمی» قرار دارد. “عدم تعادل کمی” زمانی حاصل می شود که این مورد نباشد [ 1]. به طور کلی تر، زمان رفت و آمد می تواند نماینده ای برای تعادل شغل و مسکن باشد. عدم تعادل پیشنهاد می شود که آیا کارگران دور از فرصت ها (در مکان یا زمان) زندگی می کنند یا نه. عدم تعادل شغل-مسکن (JHI) توسط اقتصاددانان شهری، جغرافیدانان و برنامه ریزان به صورت تئوری و تجربی تجزیه و تحلیل شده است و سه موضوع شناسایی شده است: (1) فاصله رفت و آمد طولانی تر – JHI می تواند کل رفت و آمد طولانی تری را ایجاد کند، به عنوان مثال، “بیهوده” ” رفت و آمد؛ (2) رفت و آمد تک سرنشین – JHI نرخ سفرهای انفرادی را افزایش می دهد. و (iii) طرد اجتماعی – JHI بر رفت و آمد کارگران و جویندگان کار که ماشین شخصی خود را ندارند تأثیر می گذارد. از آنجایی که این مسائل می تواند با تراکم ترافیک و بدتر شدن کیفیت هوا مرتبط باشد،18 ].

مطالعات تجربی با استفاده از روش‌های مختلف جغرافیایی، رابطه فضایی بین شغل و مسکن را تعیین کرده‌اند. نسبت تعداد مشاغل به تعداد افراد شاغل در یک منطقه معین احتمالاً یکی از راحت ترین، ساده ترین و رایج ترین اندازه گیری های مورد استفاده است. این اندازه گیری قبلا توسط Boussauw و همکاران تعریف شده است. [ 19 ، 20 ]. در حال حاضر نسبت های متفاوتی که منعکس کننده تعادل مناسب شغل به مسکن است پیشنهاد شده است. Margolis [ 16 ] از نسبت 0.75-1.25 برای سطح جامعه استفاده کرد. Cervero [ 21 ] یک سقف معقول 1.5 در سطح کشور پیشنهاد کرد. و پنگ [ 15]، بر اساس مناطق تجزیه و تحلیل ترافیک، محدوده 1.2-2.8 را پیشنهاد کرد. اندازه‌گیری‌های دیگر عبارتند از حداقل/حداکثر فاصله رفت‌وآمد نظری، رفت‌وآمد اضافی، پتانسیل رفت‌وآمد، و فاصله رفت‌وآمد مشاهده‌شده یا گزارش‌شده در سطح فردی یا جمع‌آوری شده [ 22 ، 23 ، 24 ، 25 ، 26 ]. سرورو [ 9 ] تأکید کرد که تعادل بین شغل ایده‌آل و مسکن یک مفهوم انتزاعی است که اندازه‌گیری آن دشوار است، و مدت‌ها تصور می‌شد که مردم تمایل دارند در مکان‌هایی که مشاغل بیشتری وجود دارد جمع شوند. بنابراین ساکنان بر این باورند که مشاغل به احتمال زیاد در محله هایی که مسکن متمرکز است پیدا می شود [ 27]، که یک پارامتر تحلیلی برای این اندازه گیری ها را تشکیل می دهد. بوساو و همکاران [ 19 ] دریافتند که مجاورت فضایی، برای مثال، تعادل شغل-مسکن یا تعداد مشاغل بالقوه در دسترس را نشان می‌دهد، و می‌تواند به عنوان پیش‌بینی‌کننده‌های غیرخطی برای مسافت‌های رفت‌وآمد گزارش‌شده استفاده شود. این یافته توسط هورنر تأیید شد که فکر می‌کرد تعادل شغل-مسکن، فاصله رفت‌وآمد زیاد و دسترسی به شغل در مناطق شهری به هم مرتبط هستند [ 28 ، 29 ]. در همان زمان، تعدادی از تحقیقات در مورد مدل‌های فضایی تعامل مشاغل و انتخاب مکان مسکن انجام شد. به عنوان مثال، هینکس و ونگ [ 30] به صورت تجربی فرآیند فضایی مسکن و تعامل با بازار کار را با استفاده از مطالعه موردی در شمال غربی انگلستان و سنر و همکارانش مورد بررسی قرار داد. [ 31 ] انتخاب های مسکن را با استفاده از یک مدل لاجیت همبسته فضایی تعمیم یافته بر اساس داده های نظرسنجی از سانفرانسیسکو، ایالات متحده تجزیه و تحلیل کرد. این مطالعات روش‌های سنتی «بالا به پایین» را اتخاذ کردند که در بازتاب و توضیح رفتار فردی که منجر به پویایی جمعیت فضایی می‌شود، محدود است [ 32 ، 33 ، 34 ، 35 ، 36 ، 37 ]. با توجه به پویایی جمعیت فضایی مبتنی بر افرادی که به دنبال کار هستند و محل زندگی را انتخاب می کنند، بنابراین شبیه سازی رفتار فردی پیچیده با استفاده از این مدل ها دشوار است [38 ].

اکوسیستم شهری پیچیده است و شامل عوامل متعددی مانند جمعیت، اقتصاد، حمل و نقل و محیط زیست است. روابط درونی پیچیده ای بین عوامل داخلی وجود دارد که بر یکدیگر تأثیر می گذارند و/یا محدود می کنند. در میان بسیاری از روش‌های شبیه‌سازی سیستم‌های پیچیده، مدل‌های مبتنی بر عامل (ABM) ابزار مهمی برای شبیه‌سازی سیستم‌های پیچیده هستند که محبوبیت آن‌ها افزایش یافته است [ 39 ، 40 ، 41 ، 42 ]. ABMها از یک رویکرد “پایین به بالا” برای شبیه سازی رفتارهای پیچیده عوامل فردی در حال تعامل استفاده می کنند [ 43 ، 44 ، 45 ، 46]. این مدل‌ها با اتصال پویا عوامل اجتماعی و اقتصادی و شبیه‌سازی فرآیند تصمیم‌گیری فردی و تعاملات مزیت‌هایی دارند [ 47 ، 48 ]. ABM ها می توانند رفتار یک عامل را توصیف کنند که بسته به شرایط خاص می تواند دولت ها، محیط زیست، افراد یا شرکت ها باشد. ABMها همچنین اغلب بر روی فرآیندهای تصمیم گیری تمرکز می کنند، مانند اینکه کدام اهداف باید بررسی شوند و قوانین تصمیم گیری. بنابراین، رویکردهای ABM به طور بالقوه می‌تواند در مدل‌سازی دینامیک فضایی که از رفتار فردی تکامل می‌یابد استفاده شود [ 49 ، 50 ، 51 ]. لیو و یه [ 49] تکامل رفتار محیطی شرکتها و عوامل مؤثر بر آن را با استفاده از رویکرد مدلسازی مبتنی بر عامل تطبیقی بررسی کرد و نتایج نشان داد که رفتار محیطی شرکتها از این مسیر تکامل پیروی می کند: رفتار دفاعی، رفتار پیشگیرانه و رفتار مشتاقانه با استفاده از داده های تجربی 167 شرکت. در چین. آدرستانی و همکاران [ 50 ] یک مدل مبتنی بر عامل از تفکیک مسکونی پیشنهاد کرد، که به همان جهت مدل‌سازی واقعی برای تجزیه و تحلیل تأثیر تصمیم‌گیری مکان سکونت ساکنان منفرد بر الگوی موزاییک قومی فضایی منطقه مرکزی اوکلند (کلان شهر نیوزیلند) کمک می‌کند. یو و همکاران [ 51] یک مدل شبیه‌سازی از رفتار صرفه‌جویی در مصرف انرژی ساکنان شهری با استفاده از مدل‌سازی مبتنی بر عامل ایجاد کرد و اثر بعدی پیامدهای رفتاری را به دلیل تأثیر کوتاه‌مدت و بلندمدت رفتار صرفه‌جویی در انرژی و مقاصد تحت موقعیت‌های مختلف سیاست تحلیل کرد. بنابراین، مدل‌های مبتنی بر عامل (ABM) برای شبیه‌سازی تفاوت‌های رفتاری فردی در یک سیستم پیچیده مناسب هستند.

با تجمع گسترده جمعیت در برخی از شهرهای بزرگ و گسترش سریع فضای شهری، بیماری‌های بزرگ مقیاس شهری مانند مشاغل نامتعادل، ازدحام ترافیک و آلودگی محیط‌زیست پدیدار شده‌اند که توسعه پایدار را به شدت محدود کرده است. منطقه و ساخت تمدن زیست محیطی. پکن به عنوان یک شهر معمولی با طرح تک مرکزی در چین، دارای تجمع جمعیت شهری در مقیاس بزرگ و گسترش سریع فضای شهری است. مسائل جدی شهری، مانند جداسازی شغل از مسکن (JHS)، تراکم ترافیک و آلودگی محیطی، به طور قابل توجهی توسعه پایدار پکن را محدود کرده است. بنابراین، به منظور توسعه موفقیت آمیز پکن در دوران پس از المپیک، راه حل هایی برای حل تراکم ترافیک شهری، برای تسکین وضعیت فعلی JHS، و کوتاه کردن زمان رفت و آمد و مسافت ضروری است. در این مطالعه، ما یک ABM را برای شبیه‌سازی رفتار انتخاب مکان مکانی عوامل با در نظر گرفتن تأثیر عوامل محیطی و اقتصادی بر رفتار شغلی و تصمیم‌گیری‌های مسکونی افراد پیشنهاد می‌کنیم. این رویکرد همچنین تصمیمات مسکونی اتخاذ شده توسط افراد را شبیه سازی می کند. تفاوت سطح درآمد کارگزاران مقیم تأثیر بسزایی در تصمیم گیری محل سکونت دارد و قیمت مسکن اولین عامل مؤثر بر تصمیم ساکنان برای انتخاب مکان مسکونی است. بر اساس نتایج شبیه‌سازی انتخاب مکان عوامل، نتایج شبیه‌سازی تراکم جمعیت ساکن و جمعیت اشتغال در سطح خیابان در پکن به عنوان واحدهای فضایی به دست می‌آید. با استفاده از این رویکرد، توزیع فضایی مشاغل-مسکن در پکن تحت حداکثر سازی ابزار مکان یابی میکرو عامل نیز شناسایی خواهد شد. توزیع روابط فضایی مشاغل-مسکن در پکن و عدم تعادل رابطه شغل-مسکن در شهر مرکزی بهبود یافته است. در مقایسه با توزیع اولیه، تعداد مناطق تعادل شغل و مسکن در پکن افزایش یافته است. هدف ما شبیه‌سازی رفتار تطبیقی هر عامل در محیط کار-مسکن با ساخت چارچوب روش انتخاب مکان از عوامل است. علاوه بر این، ما از ویژگی‌های مدل‌سازی مدولار و سلسله مراتبی پلتفرم Anylogic برای تجزیه و تحلیل انتخاب مکان شغل-مسکن شهری و رابطه فضایی استفاده کردیم. مطالعه ما اکتشاف یک مدل سیستم چند عاملی پیچیده در رابطه شغل و مسکن است، و نتایج پیشنهاداتی را برای بهبود روابط فضایی شغل و مسکن برای دستیابی به تعادل ارائه می دهد. در عین حال، مطالعه ما دارای اهمیت نظری و عملی خاصی برای تدوین علمی اقدامات سیاستی برای بهبود رابطه شغل-مسکن و استراتژی های توسعه حمل و نقل کم کربن سبز است.

2. مواد و روش

2.1. منطقه مطالعه

در این مطالعه، پکن به عنوان یک مطالعه موردی انتخاب شد و یک مدل سیستم پیچیده برای پشتیبانی از شبیه‌سازی هوشمند رابطه شغل-مسکن منطقه توسعه یافت. پکن پایتخت چین و یکی از توسعه یافته ترین مناطق شهری است. پکن در دشت شمال چین واقع شده است و مساحتی معادل 16411 کیلومتر مربع را پوشش می ^دهد . این شهر از شمال غرب به جنوب شرق به تدریج کاهش ارتفاع دارد. پکن 16 منطقه و دو شهرستان را اداره می کند که میدان تیان آن من مرکز شهر است ( شکل 1 ). جمعیت دائمی پکن از 15.4 به 21.54 میلیون نفر بین سال‌های 2005 و 2018 افزایش یافته است که تقریباً 86.5٪ آن در مناطق شهری قرار دارند [ 52 ]. تولید ناخالص داخلی در پکن از 714.1 به 3032.0 میلیارد یوان در مدت مشابه افزایش یافت.53 ]. مشکلات جدی رفت و آمد پکن در سال های اخیر مکررا گزارش شده است. داده های بررسی های سفر پکن سوم (2005) و پنجم (2014) نشان داد که در دوره 10 ساله بین سال های 2005 و 2014، میانگین زمان رفت و آمد با اتوبوس و مترو به ترتیب 40.9 و 38.3 دقیقه افزایش یافته است [ 54 ، 55 ]. میانگین زمان رفت و آمد یک طرفه در پکن به 52.9 دقیقه رسیده است که بالاترین رتبه در چین است. جدایی شغل و مسکن دلیل اصلی افزایش بار رفت و آمد ساکنان پکن است. پدیده جدایی شغل از مسکن و جابجایی های فضایی در شهرها رخ داده است که فشار بر ترافیک شهری را افزایش داده و ترافیک جزر و مدی را شکل می دهد.

2.2. روش شناسی

2.2.1. روش تحلیل رابطه شغل شهری – مسکن

منطقه ای با روابط متوازن شغل و مسکن، نسبتاً مستقل و خودکفا است و محیطی با ثبات را فراهم می کند که در آن افراد می توانند طیف وسیعی از فعالیت ها مانند اشتغال، مسکن، سرگرمی و فعالیت های اوقات فراغت را انجام دهند. فرضیه عدم تطابق فضا، در سال 1968 توسط کین [ 56]، عدم تطابق فضایی بین تعداد و کیفیت مشاغل و سکونت‌ها را تشریح کرد و مفهوم تعادل روابط شغل و مسکن را شفاف کرد. به طور کلی، تعادل رابطه شغل و مسکن دارای دو سطح معنی است: (1) تعادل کمی – نشان می دهد که تعداد مشاغل در یک منطقه خاص برابر با تعداد واحدهای زندگی است. و (ii) تعادل کیفیت – که در آن مهارت‌های شغلی با فرصت‌های شغلی مطابقت دارند. میانگین درآمد ساکنان نیز با قیمت خانه مطابقت دارد.

به منظور اندازه گیری تعادل تعداد روابط شغل-مسکن، روابط مشاغل شهری-مسکن معمولاً با استفاده از نسبت شغل به مسکن (JHR) اندازه گیری می شود. این نسبت فرض می کند که در یک منطقه خاص، به طور متوسط یک عضو از یک خانوار شاغل است و هر خانوار محل سکونت خود را دارد. وقتی JHR = 1، رابطه شغل و مسکن در منطقه در تعادل است. هنگامی که JHR > 1، مسکن کافی در منطقه برای برآورده کردن تقاضا وجود ندارد، در نتیجه مردم دور از منطقه زندگی می کنند. و وقتی JHR < 1 باشد، عرضه مسکن از تقاضا بیشتر است. وقتی JHR هم <1 و هم >1 باشد، منطقه در وضعیت نامتعادل در رابطه با مشاغل و مسکن قرار دارد. معادله نسبت شغل به مسکن به صورت زیر است:

جی اچ آر من = جی من آر من

(1)

که در آن JHR _i نسبت شغل به مسکن خیابان i است، J i _تعداد مشاغل برای خیابان i و R i _تعداد کل ساکنان خیابان i است.

داده های مورد نیاز برای تجزیه و تحلیل به راحتی در دسترس بود، قابلیت عملیاتی قوی دارد و می توان آن را بر اساس داده های موجود محاسبه و تجزیه و تحلیل کرد. با این حال، به دلیل فقدان یک محدوده ارزش استاندارد که از JHR برای تعیین متعادل بودن رابطه شغل-مسکن منطقه ای استفاده می کند، مطالعه ما تا حدی بر اساس تجزیه و تحلیل قبلی توسط Margolis [ 16 ] و وانگ و همکاران بود. [ 57]. با در نظر گرفتن نسبت فعلی تعداد خانوارها و تعداد مشاغل در پکن، مقدار JHR (0.75-1.25) در حالت متعادل در نظر گرفته می شود و منطقه فراتر از پکن نامتعادل در نظر گرفته می شود. عدم تعادل شغل-مسکن (JHI) ارائه شده در این مطالعه مفهومی است که نسبت به تعادل شغل-مسکن است، که عمدتاً به رابطه شغل-مسکن در منطقه اشاره دارد، زمانی که تعداد مسکن ارائه شده به کارکنان در منطقه به طور جدی با هم تطابق ندارد. با تعداد مشاغل از منظر تعادل کمی، محاسبه JHR می تواند درجه عدم تعادل/تعادل شغل-مسکن در منطقه را تا حدی منعکس کند.

2.2.2. تنظیم رفتار عوامل

نمایندگان مقیم

عامل مقیم مورد بررسی در این تجزیه و تحلیل، نمایندگان را قادر می سازد تا محل سکونت و محل کار خود را با توجه به حداکثر مزیت مکان انتخاب کنند. عوامل بسیاری بر تصمیم گیری محل سکونت ساکنان تأثیر می گذارد، از جمله برخی از عوامل داخلی، مانند درآمد اقتصادی [ 58 ، 59 ] و ساختار خانواده [ 60 ، 61 ، 62 ، 63 ]. نمایندگان با درآمد بالاتر معمولاً انتخاب های بیشتری دارند. برخی از عوامل خارجی نیز وجود دارد که بر تصمیم گیری عامل تأثیر می گذارد، مانند محیط طبیعی [ 64 ]، زیرساخت ها [ 65 ، 66 ] و قیمت خانه [ 67 ، 68 ]., 69 , 70 ]. محیط طبیعی و شرایط زیرساخت اطراف مکان ها نیز عامل مهمی است که توسط عامل مورد توجه قرار می گیرد. نماینده معمولاً مکان با محیط زیبا و امکانات مناسب را ترجیح می دهد. با این حال، به دلیل تفاوت های قابل توجه قیمت خانه در شهر، درآمد اقتصادی می تواند به طور مستقیم بر تصمیمات ساکنان در مورد مکان مسکونی تأثیر بگذارد [ 69 ]. با در نظر گرفتن داده های ششمین سرشماری نفوس سراسری، میانگین سطح درآمد خانوارهای شهری را به پنج قسمت مساوی تقسیم کردیم ( جدول 1).). قیمت خانه و محیط زندگی عوامل مهمی هستند که بر انتخاب مکان مکانی عوامل ساکن تأثیر می‌گذارند، به طوری که قیمت خانه مستقیماً قصد خرید ساکنان را تعیین می‌کند. نمایندگان مقیم با سطوح درآمد متفاوت حساسیت متفاوتی نسبت به قیمت مسکن دارند. علاوه بر این، انواع مختلف نمایندگان مقیم نیز ترجیحات مختلفی برای محیط زندگی از جمله طبیعت، حمل و نقل، آموزش، درمان پزشکی و تجارت دارند. در نتیجه، رفتار انتخاب مکان مکانی ساکنان ارتباط نزدیکی با ویژگی‌های مورفولوژیکی فضایی زیرساخت‌های مختلف زندگی دارد. با در نظر گرفتن در دسترس بودن و کمی کردن داده ها، قیمت خانه، فاصله از فضای سبز، فاصله از آب، فاصله از جاده های کمربندی، فاصله از جاده های درجه یک، فاصله از ایستگاه‌های مترو، فاصله از بیمارستان‌ها، تراکم ایستگاه‌های اتوبوس، تراکم تجاری، تراکم مدارس ابتدایی و تراکم مدارس راهنمایی به‌عنوان عوامل بیرونی اصلی مؤثر بر رفتار انتخاب فضایی ساکنان هستند. داده های برداری اصلی این عوامل با استفاده از نرم افزار ArcGIS مورد تجزیه و تحلیل مکانی قرار گرفت.شکل A1 ). یک عامل مقیم یک مکان مسکونی بهینه را با توجه به حداکثر کارایی مکان انتخاب می کند. قوانین رفتاری عوامل مقیم در شکل A2 نشان داده شده است. در این مطالعه، ما درآمد و ساختار خانواده را به‌عنوان شاخص‌هایی برای انعکاس ویژگی‌های ویژگی‌های خود عوامل مقیم انتخاب کردیم.

در این مطالعه، ما از یک مدل تصمیم‌گیری فضای شغلی-مسکن شهری برای انتخاب مکان مسکونی عوامل ساکن استفاده کردیم. ابتدا 6000 نقطه نمونه به صورت تصادفی به عنوان نمونه تجزیه و تحلیل عوامل مقیم ایجاد شد ( شکل A3 ). سپس احتمال ترجیح فضایی هر نوع عامل ساکن محاسبه شد و نتایج مورد آزمایش قرار گرفتند ( شکل A4 و شکل A5 ).

چارچوب روش شبیه سازی رفتار تصمیم گیری فضایی برای عوامل ساکن در شکل 2 نشان داده شده است . در مرحله اول، ما داده های برداری پایه (داده های مکانی) را به فرمت ASCII در ArcGIS بر اساس چارچوب روش تبدیل کردیم. سپس داده‌های فرمت ASCII را وارد پلتفرم Anylogic می‌کنیم و بر اساس قوانین رفتار Agents ( شکل A2 و شکل A8 )، نتایج شبیه‌سازی با اجرای در پلتفرم Anylogic به دست می‌آید، داده‌های نتایج نیز در قالب ASCII هستند. در نهایت، نتایج داده‌های فرمت ASCII به پلتفرم ArcGIS وارد می‌شوند و نتایج شبیه‌سازی نمایش و تحلیل می‌شوند. با فرض اینکه سطح درآمد نمایندگان مقیم باشد $I$ حداکثر تابع مطلوبیت تحت محدودیت های درآمدی [ 71 ] است:

حداکثر U = max u (A, B) = آ آ \times ب ب; a ، b > 0 اس_تی من = دبلیو ن = پ آ A + پ ب B + C

(2)

جایی که $p_{A}$ و $p_{B}$ قیمت محصولات متفاوت است، $A$ و $B$ مقادیری از محصولات هستند و $C$ هزینه رفت و آمد است چه زمانی $C = 0$ ، تصمیم مصرف بهینه این است:

{پ آ * A = آ a + b من پ ب * B = ب a + b من

(3)

چه زمانی $a_{1} I = \frac{a}{a + b}, a_{2} = \frac{b}{a + b}$ ، بنابراین $a_{1} + a_{2} = 1$ .

علاوه بر این، درجه رضایت نمایندگان مقیم از مکان فعلی محاسبه می‌شود. مکان فضای ثابت مسکن ارزش و ارزش کاربری آن را تعیین می کند. قیمت مسکن به دو بخش (قیمت پایه و قیمت محیطی مسکن) تقسیم می‌شود:

پ ساعت = پ h 1 + پ h 2

(4)

جایی که $P_{h}$ کل قیمت مسکن است، $P_{h 1}$ قیمت پایه مسکن است و $P_{h 2}$ قیمت زیست محیطی مسکن است.

به طور کلی، نمایندگان مقیم مشتاق هستند تا قیمت مسکن ایده آل را دنبال کنند و در محیطی بهتر زندگی کنند و سرمایه گذاری آنها کاملاً به ترجیحات تصمیمات پرتفوی مصرف کننده بستگی دارد.

هنگامی که نمایندگان مقیم ترجیحات کاب داگلاس را برای قیمت های پایه و محیطی مسکن دارند، تصمیم مصرف بهینه نمایندگان مقیم این است:

a_{1} I

برای قیمت پایه مسکن،

a_{2} I

برای قیمت مسکن محیطی

تحت یک سطح درآمد معین، فشار مسکونی عوامل مقیم بر محل مسکونی خود به شرح زیر است:

Y (A, T) = β h 1 | آ 1 * من (A, T) - پ h 1 (A, T) | + β h 2 | آ 2 * من (A, T) | - E آ * پ ¯¯¯ h 2

(5)

جایی که $Y (A, T)$ فشار مسکونی عوامل ساکن در مکان A در زمان T است، $β_{h 1}$ و $β_{h 2}$ وزن‌های فشار مسکونی ناشی از قیمت‌های پایه و قیمت‌های محیطی مسکن هستند، $I (A, T)$ سطح درآمد نمایندگان مقیم در مکان A در زمان T است، $P_{h 1} (A, T)$ قیمت پایه مسکن نمایندگان مقیم است و $E_{A}$ شاخص قابل سکونت محل سکونت فعلی عامل مقیم است. بیان شاخص به شرح زیر است:

E آ = μ 1 * پ t a + μ 2 * پ c o l + μ 3 * پ g o e

(6)

جایی که $μ_{i}$ ضریب ترجیح (به ترتیب ترجیح برای حمل و نقل، زندگی و محیط زیست)، $P_{t a}$ دسترسی به ترافیک است، $P_{c o l}$ راحتی زندگی است و $P_{g o e}$ برازندگی محیط است.

فرمول های محاسبه دسترسی ترافیک ( $P_{j t}$ )، راحتی زندگی ( $P_{s h}$ ) و زیبایی محیطی ( $P_{h j}$ ) در رابطه (6) به شرح زیر است:

پ j t = k 1 ه - α 1 D د + ک 2 ه - α 2 D تی + ک 3 ه - α 3 D ساعت

(7)

پ s h = ε 1 ه - λ 1 D ایکس + ε 2 ه - λ 2 D y + ε 3 ه - λ 3 D س

(8)

پ h j = η 1 ه - θ 1 D r + η 2 \sum i = 1 n ن ( 2 r + 1 ) 2 /

(9)

جایی که $k_{i}$ ضریب تضعیف فضایی جاده تنه، مترو و جاده کمربندی است. $ε_{i}$ فاصله مدرسه، بیمارستان و مرکز تجاری است. $α_{i}$ و $θ_{i}$ وزن هر عامل است. $λ_{i}$ ضریب تضعیف فاصله هر عامل است. $D_{r}$ فاصله تا آب است. $N$ تعداد واحدهای فضای سبز در واحدهای مجاور است. و $n$ شعاع محله است.

${\bar{P}}_{h 2}$ میانگین واحد ارزش محیطی در منطقه مسکونی است و فرمول آن به صورت زیر است:

پ ¯¯¯ h 2 = \sum i = 1 متر آ 2 من ( A , T ) \sum i = 1 متر E یک آی /

(10)

جایی که $i$ تعداد نمایندگان در محله نمایندگان ساکن است.

سپس احتمال $P (A, T)$ انتخاب محل مسکونی نامزد در زمان T عبارت است از:

پ (A, T) = 1 - (\partial 1 + ه - \partial 2 Y (A, T))

(11)

جایی که $P (A, T)$ احتمال انتخاب یک مکان مسکونی نامزد توسط نمایندگان مقیم در زمان T است و $\partial_{i}$ ثابت است

عوامل سازمانی

عوامل سازمانی مورد مطالعه در این تحلیل، محل تولید و عملیات خود را با توجه به حداکثر مزیت مکان انتخاب کردند. در نظر گرفته می شود که عوامل زیادی بر تصمیم گیری مکان شرکت ها تأثیر می گذارند، از جمله برخی عوامل داخلی، مانند ماهیت، مقیاس و ساختار خود سازمان دهی شرکت [ 71 ، 72 ، 73 ، 74 ]. برخی از عوامل خارجی نیز وجود دارد که بر تصمیم گیری عوامل سازمانی تأثیر می گذارد، مانند قیمت زمین [ 75 ، 76 ]، زیرساخت [ 77 ، 78 ، 79 ] و تمرکز جمعیت [ 80 ، 81 ، 82 ].، 83 ]. پس از در نظر گرفتن در دسترس بودن و کمیت داده های عوامل سازمانی، قیمت خانه، تولید ناخالص داخلی، تراکم جمعیت، تراکم تجاری، فاصله از مناطق صنعتی و فاصله از پارک های علمی را به عنوان عوامل خارجی اصلی موثر بر رفتار انتخاب فضایی شرکت ها انتخاب کردیم ( شکل A6).). سپس از ArcGIS برای تجزیه و تحلیل داده های برداری اصلی این عوامل در فضا استفاده شد. در همان زمان، مناطق نفوذ مختلف بر اساس فاصله و چگالی تقسیم شدند و لایه‌های شطرنجی بار مربوط به فاصله و چگالی ایجاد شدند. تولید ناخالص داخلی، تراکم جمعیت، تعداد مهاجران و نسبت صنعت ثالث عوامل اجتماعی و اقتصادی بودند. تولید ناخالص داخلی و تراکم جمعیت داده های شطرنجی به دست آمده با درون یابی فضایی ArcGIS بر اساس داده های نقطه شهرک بود، در حالی که تعداد مهاجران و داده های وزنی صنعت ثالث بر اساس داده های سطح ناحیه و شهرستان بود. این داده‌ها برای دستیابی به فضایی‌سازی داده‌ها به‌صورت فضایی شطرنجی شدند. در این مطالعه ما عوامل سازمانی را بر اساس داده‌های مبتنی بر نقطه به چهار نوع اصلی تقسیم کردیم ( جدول 2 و شکل A7).). برای به حداکثر رساندن سودمندی عوامل سازمانی، لازم بود رضایت شرکت از محل مورد نظر قضاوت شود. قوانین رفتاری عوامل سازمانی در شکل A8 نشان داده شده است.

مدل رگرسیون منطقی روش رایجی است که در شبیه سازی انتخاب مکان استفاده می شود. در این مطالعه، ما یک مدل کلی حداقل مربعات برای تعیین کمیت اولویت انتخاب فضایی عامل سازمانی ایجاد کردیم. ابتدا منطقه تحقیق به چندین شبکه تقسیم شد و مکان انتخاب عوامل با استفاده از متغیرهای باینری بیان شد. رابطه بین Y (متغیر وابسته) و X (متغیر مستقل) نیز داده شد. مقادیر تخمینی پارامترهای مدل با استفاده از منحنی مشخصه عملکرد گیرنده (ROC) محاسبه و آزمایش شد. احتمال ترجیح مکانی هر نوع عامل سازمانی محاسبه شد و نتایج آزمایش شدند ( شکل A9 و شکل A10 ).

فرمول به شرح زیر است:

Y = β 0 + β 1 ایکس 1 + β 2 ایکس 2 + \dots + β n ایکس n + e

(12)

Q = \sum n = 1 n ه 2 = \sum n = 1 n (Y - β 0 - β 1 ایکس 1 - \dots - β n ایکس n) 2

(13)

که در آن Y مقدار متغیرهای باینری است که توسط مکان Agents انتخاب شده است. X _n n امین عامل خارجی است. $β_{0}$ عبارت ثابت است. $β_{n}$ ضریب رگرسیون n امین عامل خارجی است. e خطا است. و Q مجموع مربعات خطاها است.

با در نظر گرفتن Q به عنوان تابع پارامتری که باید ارزیابی شود، مشتق جزئی Q به دست می آید. هنگامی که مشتق جزئی 0 باشد، نقطه نقطه انتهایی تابع است. فرمول به شرح زیر است:

⎧⎩⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪ \partial Q \partial β 0 = 2 \sum n = 1 n (Y - β 0 - β 1 ایکس 1 - \dots - β n ایکس n) (- 1) = 0 ⋮ \partial Q \partial β n = 2 \sum n = 1 n (Y - β 0 - β 1 ایکس 1 - \dots - β n ایکس n) (- ایکس n) = 0

(14)

2.3. منابع اطلاعات

منابع داده های مورد استفاده در این مطالعه عمدتاً شامل: (1) داده های آماری کلان: بخشی از داده های اقتصادی و جمعیت شناختی به دست آمده از سالنامه آماری پکن [ 53 ]]. اطلاعات دموگرافیک از ششمین سرشماری نفوس سراسری و داده های جمعیت خیابانی (2014) و داده های اشتغال از دومین و سومین سرشماری اقتصادی کل کشور (2008 و 2014) جمع آوری شده است. (2) داده‌های مکانی: داده‌های توزیع فضایی، از جمله قیمت مسکن، فضای سبز، بدنه آبی، جاده‌های کمربندی، جاده‌های درجه یک، ایستگاه‌های مترو، ایستگاه‌های اتوبوس، بیمارستان‌ها، مدارس، مراکز تجاری، مناطق صنعتی و پارک‌های علمی در پکن بودند. برگرفته از مرکز داده علوم سیستم ملی زمین، مرکز داده برای منابع و علوم زیست محیطی آکادمی علوم چین، بستر ابر داده های جغرافیایی. تمام داده های مکانی در این مطالعه داده های شطرنجی 500×500 متر بود.

3. نتایج و بحث

3.1. تحلیل رابطه مشاغل شهری – مسکن

تجزیه و تحلیل وضعیت JHS در پکن (2010 و 2014) در مقیاس منطقه و شهرستان نشان داد که رابطه شغل و مسکن در یک وضعیت متعادل در سال 2010 بود. تعداد مشاغل در کل شهر با تعداد ساختمان های مسکونی مطابقت داشت. . با این حال، تا سال 2014 وضعیت رابطه شغل و مسکن تشدید شده بود ( جدول 3 ). اکثر مناطق در جاده کمربندی ششم نمی توانند تعداد ساختمان های مسکونی مورد نیاز برای تعداد مشاغل را فراهم کنند، که منجر به عدم تعادل در رابطه شغل و مسکن می شود.

در همان زمان، در منطقه شهری پکن (در محدوده جاده کمربندی 5)، عدم تعادل جدی در رابطه شغل و مسکن به دلیل تمرکز بیش از حد صنعت و کمبود عرضه مسکن ایجاد شد. نتایج حاکی از آن است که شهرنشینی حومه‌ای بر منطقه واقع بین جاده کمربندی پنجم و ششم (به نام حومه) تأثیر می‌گذارد. از این رو به دلیل افزایش توسعه صنعتی و کمبود ساخت و ساز مسکن و یا احداث مناطق مسکونی بزرگ، عدم تعادل جدی در رابطه شغل و مسکن در این منطقه شکل گرفت.

نتایج از مقیاس ناحیه و شهرستان ( شکل 3) نشان می دهد که رابطه شغل و مسکن در ناحیه مرکزی شهری (دونگ چنگ و شیچنگ) هنوز در حالت عدم تعادل آشکار بود. این منطقه تا حد زیادی از حد مجاز فراتر رفته و نشان می دهد که امکان اقامت برای افراد شاغل در منطقه غیرممکن است. این کمبود مسکن باعث شد که کارگران مجبور شوند در سایر مناطق خارجی زندگی کنند. نتایج برای منطقه چائویانگ و منطقه هایدیان در سال 2014، در مقایسه با نتایج در سال 2010، یافته های مخالفی را برای عدم تعادل رابطه شغل و مسکن ثبت کردند. اگرچه عدم تعادل در رابطه شغل و مسکن تا سال 2014 در منطقه چائویانگ کاهش یافت، عدم تعادل در رابطه همچنان ضعیف بود. نتایج برای منطقه هایدیان نشان داد که عدم تعادل در همان دوره زمانی تشدید شده است. پنج منطقه و شهرستان منطقه جدید توسعه شهری در وضعیت نامتعادل رابطه شغل و مسکن قرار دارند و در مقایسه با سال 2010، وضعیت عدم تعادل تشدید شده است. پنج منطقه و شهرستان در منطقه توسعه حفاظت از محیط زیست در وضعیت متعادلی از رابطه شغل و مسکن هستند. در مقایسه با سال 2010، رابطه شغل و مسکن بین سه منطقه شهرستان یانکینگ، شهرستان میون و ناحیه پینگگو کاهش یافته است.

به منظور تجزیه و تحلیل بیشتر رابطه شغل-مسکن در مقیاس های خیابان و شهرک در هر منطقه و شهرستان، نسبت شغل به مسکن برای خیابان ها و شهرستان ها در هر منطقه و شهرستان با استفاده از داده های جمعیتی و اقتصادی مربوطه در پکن در سال های 2010 و 2014 محاسبه شد. شکل 4 ). نتایج برای ده خیابان متعادل و نامتعادل برتر در پکن ( جدول 4) نشان داد که پارک ها و مناطق فرهنگی تاریخی و سنتی نانیوان، بی یوان، تیانتان، پارک تسینگهوا، و خیابان یوشو در جاده کمربندی ششم پکن همگی در وضعیت نسبتاً متعادلی برای رابطه شغل و مسکن قرار دارند. به دلیل کمبود مشاغل کافی و برخی از ساکنان مجبور به انتخاب شغل در مناطق خارجی دیگر، برخی از مناطق مسکونی بزرگتر در پکن (به عنوان مثال Tiantongyuan، Huilongguan و Huoying) عدم تعادل آشکاری در رابطه شغل و مسکن ثبت کردند [ 57 ].]. خیابان‌ها در هایدیان، دونگژیمن و جیان‌وای نیز در وضعیت نامتعادلی هستند، عمدتاً به این دلیل که این مناطق قادر به تأمین مسکن کافی برای کارگران نیستند و برخی از مردم مجبور به زندگی در خارج از منطقه هستند. به دلیل نزدیکی به شهر مرکزی، اکثر مناطق (خیابان ها) مانند چائویانگ، هایدیان و فنگتای مناطق صنعتی متمرکز منطقه ای را تشکیل دادند که متعاقباً به مناطق اصلی اشتغال تبدیل شدند. از آنجایی که این مناطق نمی توانند فضای زندگی کافی را برای کارکنان فراهم کنند، در موقعیت نامتعادلی قرار دارند. از آنجایی که این مناطق، همراه با منطقه مرکزی شهری، منطقه اصلی شهری کنونی پکن را تشکیل می دهند، نشان دهنده وضعیت عدم تعادل برای مناطق اصلی شهری پکن برای رابطه شغل و مسکن است. اگرچه این مناطق به دلیل برخورداری از مزیت توسعه صنعتی خوب به حوزه اصلی اقتصاد شهری تبدیل شده اند، اما وسعت محدود این ناحیه منجر به توسعه عمدتاً اقتصادی شده است. از آنجایی که منابع محدود زمین بیشتر برای توسعه اقتصادی استفاده می شود، زمین های موجود برای مسکن جدید ناکافی است و در نتیجه امکان تامین مسکن کافی در منطقه وجود ندارد و در نتیجه باعث عدم تطابق بین تعداد مسکن و تعداد مشاغل در منطقه می شود. .

3.2. نتایج شبیه سازی انتخاب مکان برای عوامل مختلف

3.2.1. نتایج انتخاب مکان برای نمایندگان مقیم

در این مطالعه، شش گروه آزمایش شبیه‌سازی ایجاد شد و فرض بر این بود که عوامل می‌توانند منابع اطلاعاتی یکسانی را به دست آورند. نتایج شبیه سازی انتخاب مکان عوامل ساکنین ( شکل 5 ) نشان داد که ‘1’ ناحیه انتخاب شده و ‘0’ ناحیه انتخاب نشده را نشان می دهد. در طول عملیات مدل ( شکل 5 و شکل 6 )، عوامل مقیم به تدریج برای حداکثر بازده مکان و مکان یابی مکان بهینه حرکت کردند.

با توجه به نتایج شبیه سازی انتخاب مکان عوامل ( شکل 5 و شکل 6 )، توزیع مکان عوامل ساکن به تدریج از نوع پراکندگی به نوع تجمع (T1-T6) تغییر کرد و به تدریج یک الگوی فضایی جمعیت نسبتاً متمرکز را تشکیل داد. هنگامی که T = 5، منطقه اطراف شهر مرکزی برای عوامل تمایل به حالت پایدار است. در همان زمان، ما ابزار انتخاب مکان عامل مقیم آزمایش‌های مختلف را شبیه‌سازی کردیم [ 71 ]. نتایج نشان داد که مطلوبیت مکان تحت T5 بهینه بود.

علاوه بر این، در این مطالعه تأثیر تفاوت‌های سطح درآمد بر انتخاب مکان نمایندگان مقیم را نیز شبیه‌سازی و تحلیل کردیم. نتایج شبیه‌سازی نشان داد که عوامل ساکن با درآمد متوسط و بالا عمدتاً در مناطق شهری و مناطق با محیط بهتر متمرکز شده‌اند. ساکنان کم درآمد عمدتاً در ناحیه شهر جدید و منطقه جدید توسعه شهری متمرکز بودند ( شکل 7). این یافته نشان می‌دهد که تفاوت سطح درآمد عوامل مقیم تأثیر بیشتری بر تصمیم‌گیری مکان سکونت دارد و قیمت مسکن عامل اصلی تأثیرگذار بر تصمیم ساکنان برای انتخاب مکان مسکونی است. اگرچه نتایج شبیه‌سازی مدل به طور مداوم در هر واحد شبکه در حال تغییر است، نتایج به طور کلی پایدار هستند و نتایج شبیه‌سازی مشابه الگوی توزیع مکان مکانی واقعی مسکونی است که واقعیت را منعکس می‌کند.

3.2.2. نتایج انتخاب مکان برای نمایندگان سازمانی

در این مطالعه، ما شش مجموعه آزمایش (Q1-Q6) را ایجاد کردیم. فرض بر این بود که عوامل می توانند منابع اطلاعاتی یکسانی را در یک منطقه خاص به دست آورند و با توجه به ویژگی های خود تصمیمات مکان یابی بگیرند. نتایج شبیه‌سازی انتخاب مکان عامل‌های سازمانی ( شکل 8 ) مقادیر “1” را برای مناطق انتخاب شده از عوامل سازمانی و یک “0” را برای مناطق انتخاب نشده ثبت کرد. نتایج احتمال برای انتخاب مکان مکانی نیز محاسبه شد ( شکل 9 ). در طول عملیات مدل ( شکل 8 و شکل 9 )، عوامل سازمانی به تدریج به سمت حداکثر بازده مکان حرکت کردند و در مکان‌های بهینه قرار گرفتند.

با توجه به نتایج شبیه‌سازی انتخاب مکان عوامل سازمانی ( شکل 8 و شکل 9 )، توزیع مکان عوامل سازمانی به تدریج از یک نوع پراکندگی به یک نوع تجمع (Q1-Q6) تغییر کرد. یک الگوی فضای اشتغال نسبتاً متمرکز به تدریج شکل گرفت. هنگامی که Q = 5، منطقه اطراف منطقه مرکزی شهری برای عوامل سازمانی تمایل به حالت پایدار دارد. هنگامی که Q = 6، فرآیند انتخاب مکان برای عوامل سازمانی کند بود، و تغییر رفتار نمایندگان کوچک بود. پس از بررسی جامع، نتیجه شبیه سازی بهینه به عنوان Q = 5 شناسایی شد.

علاوه بر این، در این مطالعه نتایج انتخاب مکان انواع مختلف عوامل سازمانی را نیز شبیه‌سازی و تحلیل کردیم. نتایج شبیه‌سازی نشان می‌دهد که شرکت‌های خدمات نوآوری مالی و فناوری عمدتاً در مناطق شهری و مناطق کلیدی پارک علمی متمرکز هستند. اگرچه شرکت‌های خدمات اجتماعی از نظر جغرافیایی پراکنده‌تر بودند، اما عمدتاً در جاده کمربندی ششم متمرکز بودند. محل شرکت های تولیدی صنعتی عمدتاً در خارج از جاده کمربندی ششم، متمرکز در منطقه جدید توسعه شهری توزیع شده است ( شکل 10).). نتایج ما نشان داد که اگرچه نتایج شبیه‌سازی مدل به طور مداوم در هر واحد شبکه در حال تغییر است، نتایج به طور کلی پایدار بودند. نتایج شبیه‌سازی نیز مشابه الگوهای توزیع مکان فضایی سازمانی واقعی بود، بنابراین به طور کلی قانون واقعیت را منعکس می‌کرد.

3.3. نتایج شبیه سازی رابطه فضایی مشاغل شهری – مسکن

جدایی یا شغل – تعادل مسکن دو موضوع کلیدی است که منعکس کننده رابطه فضایی مشاغل شهری – مسکن است، منطقه ای که اخیرا اهمیت آن افزایش یافته است [ 84 ]. جداسازی مشاغل-مسکن (JHS) بر اساس فرضیه نابجایی فضایی برای ارائه مشکل اساسی جابجایی شغل-فضای مسکن است [ 84 ، 85 ].]، و ماهیت آن منعکس کننده عدم تعادل مشاغل شهری – فضای مسکن است. تعادل شغل و مسکن نشان دهنده رابطه متوازن بین سکونت و اشتغال در یک فضای جغرافیایی است. منطقه تعادل شغل و مسکن به ساکنین شهری اطلاق می‌شود که می‌توانند از محل سکونت خود در یک فاصله یا زمان معین در محل کار خود حضور یابند. در حوزه تعادل شغل-مسکن، ساکنان را می توان در نزدیکی محل کار خود به کار گرفت، که با وضعیت ایده آل رابطه فضایی شغل-مسکن مطابقت دارد [ 86 ]. بر اساس نتایج شبیه‌سازی انتخاب مکان نمایندگی‌های مقیم و کارگزاران سازمانی، نتایج شبیه‌سازی تراکم جمعیت ساکن و جمعیت اشتغال با خیابان‌های پکن به‌عنوان واحدهای فضایی با استفاده از ArcGIS به‌دست آمد ( شکل 11).و شکل 12 ). با استفاده از این داده ها، توزیع فضایی مشاغل-مسکن در پکن تحت حداکثرسازی ابزار مکان یابی میکرو عامل به دست آمد ( شکل 13 ).

با تسریع فرآیندهای شهرنشینی، فضای شهری پکن به گسترش خود تا حاشیه ادامه داد و مناطق مسکونی در مقیاس بزرگ در حومه شهر پدید آمدند. این تغییرات تمرکز پر تراکم جمعیت ساکن در حومه شهری را تشدید کرده است. در عین حال، به دلیل وابستگی شدید مناطق مسکونی به مراکز تجاری شهری و مراکز اشتغال، خدمات اقتصادی و اشتغال متناظر در این مناطق توسعه هماهنگی حاصل نشده است. ساخت ابزارهای مسافرتی با ظرفیت زیاد و امکاناتی که مناطق شهری را به هم متصل می کند نیز هنوز توسعه همزمان را ایجاد نکرده است. از آنجایی که زمان رفت و آمد/فاصله ساکنان حومه شهر همچنان افزایش یافته است، این امر منجر به تشدید JHS شده است. در نتیجه ساکنانی را که رفت و آمد می کنند مجبور می کنند از شبکه جاده ای بین مناطق مسکونی و شغلی استفاده کنند و در نتیجه در ساعات اوج ترافیک ترافیک جدی ایجاد می شود. در مقایسه با توزیع اولیه، اشتغال شبیه سازی شده و جمعیت ساکن در منطقه مرکزی شهری پکن کاهش یافته است و بر اساس نتایج توزیع تراکم جمعیت شبیه سازی شده (شکل 11 )، مرکز اشتغال و مناطق اطراف آن از تراکم جمعیتی نسبتاً بالایی برخوردار است و ساکنان می توانند شغل محلی را انتخاب کنند.

در عین حال، نتایج توزیع فضایی برای جمعیت شاغل ( شکل 12 ) نشان داد که اشتغال در پکن عمدتاً در ناحیه مرکزی شهری متمرکز است و تراکم جمعیت در مناطق مرکز تجاری چهار منطقه Dongcheng، Xicheng، Haidian، و چائویانگ (مرکز تجمع اشتغال پکن) بیش از 20000 نفر در کیلومتر مربع ^است . تراکم اشتغال بنگاه های صنعتی در شهر مرکزی نسبتاً کوچک است و این منطقه عمدتاً شامل شرکت های خدمات محور و مبتنی بر فناوری است. از نتایج شبیه سازی توزیع روابط فضایی شغل-مسکن در پکن ( شکل 13)) عدم تعادل رابطه شغل و مسکن در شهر مرکزی بهبود یافته است. در مقایسه با توزیع اولیه، تعداد مناطق تعادل شغل و مسکن در پکن نیز افزایش یافته است.

4. نتیجه گیری

در این مطالعه ما یک رویکرد چند عاملی را برای بررسی رابطه شغل-مسکن تحت حداکثر مطلوبیت مکان ساکنان و شرکت‌ها معرفی کردیم. نسبت شغل به مسکن در ابتدا برای اندازه گیری تعادل تعداد روابط شغل- مسکن استفاده شد. سپس JHS پکن در سال‌های 2010 و 2014 با استفاده از مقیاس‌های ناحیه، شهرستان و خیابان مورد مقایسه و تجزیه و تحلیل قرار گرفت. نتایج حاصل از این تجزیه و تحلیل مشخص کرد که رشد سریع جمعیت در جاده کمربندی ششم، عدم تطابق بین مسکن و مشاغل، و مناطق شهری اطراف که قادر به ارائه مسکن کافی نیستند، منجر به عدم تعادل در رابطه شغل و مسکن در پکن شده است. رابطه شغل و مسکن در مناطق مرکزی شهری (دونگ‌چنگ و شیچنگ) هنوز در عدم تعادل آشکار است و تا حد زیادی از حد مجاز فراتر رفته است. نشان می دهد که فراهم کردن محل اقامت مناسب برای مردم منطقه غیرممکن است. از مقیاس‌های خیابانی و شهرک‌ها، پارک‌ها، مناطق فرهنگی تاریخی و سنتی نانیوان، بی‌یوان، تیانتان، پارک تسینگ‌هوا و خیابان یوشو در جاده کمربندی ششم همگی در وضعیت نسبتاً متعادلی هستند. برای برخی از مناطق مسکونی بزرگ در پکن (مانند Tiantongyuan، Huilongguan و Huoying)، عدم تعادل آشکار در رابطه شغل و مسکن به دلیل کمبود شغل وجود دارد. برخی از ساکنان ساکن در این مناطق مجبورند در سایر مناطق خارجی کار کنند. به دلیل کمبود مسکن که مردم را مجبور به زندگی در مناطق دیگر می کند، خیابان های هایدیان، دونگژیمن و جیانوای نیز در وضعیت نامتعادلی قرار دارند. و مناطق فرهنگی سنتی نانیوان، بی یوان، تیانتان، پارک تسینگ‌هوا و خیابان یوشو در جاده کمربندی ششم همگی در وضعیت نسبتاً متعادلی هستند. برای برخی از مناطق مسکونی بزرگ در پکن (مانند Tiantongyuan، Huilongguan و Huoying)، عدم تعادل آشکار در رابطه شغل و مسکن به دلیل کمبود شغل وجود دارد. برخی از ساکنان ساکن در این مناطق مجبورند در سایر مناطق خارجی کار کنند. به دلیل کمبود مسکن که مردم را مجبور به زندگی در مناطق دیگر می کند، خیابان های هایدیان، دونگژیمن و جیانوای نیز در وضعیت نامتعادلی قرار دارند. و مناطق فرهنگی سنتی نانیوان، بی یوان، تیانتان، پارک تسینگ‌هوا و خیابان یوشو در جاده کمربندی ششم همگی در وضعیت نسبتاً متعادلی هستند. برای برخی از مناطق مسکونی بزرگ در پکن (مانند Tiantongyuan، Huilongguan و Huoying)، عدم تعادل آشکار در رابطه شغل و مسکن به دلیل کمبود شغل وجود دارد. برخی از ساکنان ساکن در این مناطق مجبورند در سایر مناطق خارجی کار کنند. به دلیل کمبود مسکن که مردم را مجبور به زندگی در مناطق دیگر می کند، خیابان های هایدیان، دونگژیمن و جیانوای نیز در وضعیت نامتعادلی قرار دارند. عدم تعادل آشکار در رابطه شغل و مسکن به دلیل کمبود شغل وجود دارد. برخی از ساکنان ساکن در این مناطق مجبورند در سایر مناطق خارجی کار کنند. به دلیل کمبود مسکن که مردم را مجبور به زندگی در مناطق دیگر می کند، خیابان های هایدیان، دونگژیمن و جیانوای نیز در وضعیت نامتعادلی قرار دارند. عدم تعادل آشکار در رابطه شغل و مسکن به دلیل کمبود شغل وجود دارد. برخی از ساکنان ساکن در این مناطق مجبورند در سایر مناطق خارجی کار کنند. به دلیل کمبود مسکن که مردم را مجبور به زندگی در مناطق دیگر می کند، خیابان های هایدیان، دونگژیمن و جیانوای نیز در وضعیت نامتعادلی قرار دارند.

یک مدل مبتنی بر عامل برای شبیه‌سازی رفتار انتخاب مکان مکانی عوامل با در نظر گرفتن تأثیر محیط و اقتصاد بر تصمیم‌گیری‌های مسکونی افراد پیشنهاد شد. نتایج شبیه‌سازی برای شش عامل مقیم و آزمایش‌های عامل شرکتی که فرآیند انتخاب مکان مکانی ساکنان در پکن را بررسی می‌کنند، مورد تجزیه و تحلیل قرار گرفت. عوامل ساکن با درآمد متوسط و بالا عمدتاً در مناطق شهری و مناطقی با ویژگی‌های محیطی بهتر متمرکز بودند. با این حال، ساکنان کم درآمد عمدتاً در ناحیه شهر جدید و منطقه جدید توسعه شهری متمرکز هستند. این نتیجه نشان داد که تفاوت سطح درآمد عوامل مقیم تأثیر معناداری بر تصمیم گیری مکان سکونت دارد. و قیمت مسکن اولین عامل موثر بر تصمیم ساکنان برای انتخاب محل سکونت خود است. در عین حال، شرکت های خدمات نوآوری مالی و فناوری عمدتاً در مناطق شهری و مناطق کلیدی پارک علمی متمرکز هستند. اگرچه شرکت‌های خدمات اجتماعی از نظر جغرافیایی پراکنده‌تر هستند، اما عمدتاً در جاده کمربندی ششم متمرکز هستند. محل شرکت های تولیدی صنعتی عمدتا در خارج از جاده کمربندی 6، متمرکز در منطقه جدید توسعه شهری توزیع شده است. توزیع فضایی مشاغل-مسکن در پکن تحت حداکثرسازی ابزار مکان یابی میکرو عامل نیز به دست آمد. توزیع روابط فضایی مشاغل-مسکن در پکن و عدم تعادل رابطه شغل-مسکن در شهر مرکزی بهبود یافته است. در مقایسه با توزیع اولیه،

وضعیت کنونی مسائل جدی شهری، مانند جداسازی مشاغل-مسکن (JHS)، تراکم ترافیک و آلودگی محیطی، به طور قابل توجهی توسعه پایدار را محدود کرده است. سیاست معقول تعدیل مشاغل شهری – مسکن نه تنها تراکم ترافیک را بهبود می بخشد، بلکه کارایی رفت و آمد ساکنان شهری را نیز بهبود می بخشد و زمان رفت و آمد را کاهش می دهد. دولت‌های محلی می‌توانند اجرای ترکیب‌های سیاستی را برای تشویق نزدیک‌ترین محل سکونت یا اشتغال تسریع بخشند و از این طریق به یک احساس واقعی از تعادل رابطه شغل و مسکن دست یابند. ایجاد مراکز فرعی شهری، ارتقای دستوری انتقال تمام یا بخشی از نهادهای اداری شهرداری به مراکز فرعی، به حداقل رساندن تراکم ترافیک ناشی از رفت و آمد و ارتقای تعادل شغلی و مسکن از جمله این موارد است. در همین حال، ساخت مناطق جدید اطراف باید تسریع شود، با تمرکز بر ایجاد یک منطقه متمرکز غیرمتمرکز باربر غیر متمرکز، کاهش موثر بیماری ها در شهرهای بزرگ، و تمرکز بر کاهش فشار بر جمعیت شهری. در عین حال، تسریع در اجرای ابزارها و برنامه‌هایی که بر تعدیل رابطه شغل و مسکن، کاهش تقاضای سفر ساکنان از مبدا، کوتاه‌تر کردن زمان و فاصله رفت‌وآمد مسافران، کاهش فشار تمرکز دارند، ضروری است. ترافیک جزر و مدی و دستیابی به هدف کنترل تقاضا برای سفرهای شهری و دستیابی به تعادل شغل و مسکن از حمل و نقل شهری. کاهش موثر بیماری ها در شهرهای بزرگ و تمرکز بر کاهش فشار بر جمعیت شهری. در عین حال، تسریع در اجرای ابزارها و برنامه‌هایی که بر تعدیل رابطه شغل و مسکن، کاهش تقاضای سفر ساکنان از مبدا، کوتاه‌تر کردن زمان و فاصله رفت‌وآمد مسافران، کاهش فشار تمرکز دارند، ضروری است. ترافیک جزر و مدی و دستیابی به هدف کنترل تقاضا برای سفرهای شهری و دستیابی به تعادل شغل و مسکن از حمل و نقل شهری. کاهش موثر بیماری ها در شهرهای بزرگ و تمرکز بر کاهش فشار بر جمعیت شهری. در عین حال، تسریع در اجرای ابزارها و برنامه‌هایی که بر تعدیل رابطه شغل و مسکن، کاهش تقاضای سفر ساکنان از مبدا، کوتاه‌تر کردن زمان و فاصله رفت‌وآمد مسافران، کاهش فشار تمرکز دارند، ضروری است. ترافیک جزر و مدی و دستیابی به هدف کنترل تقاضا برای سفرهای شهری و دستیابی به تعادل شغل و مسکن از حمل و نقل شهری.

برخی از محدودیت های بالقوه این مطالعه وجود دارد. ما از مدل‌های ABM برای شبیه‌سازی رابطه شغل-مسکن محلی بر اساس سناریوهای مختلف استفاده کردیم. به منظور تسهیل ساخت مدل، قوانین رفتار و تصمیم گیری عوامل را ساده کردیم. در زندگی واقعی، قوانین رفتار و تصمیمات عوامل خرد تحت تأثیر برنامه ریزی فضایی شهری، کنترل کاربری زمین، مقررات مالی و غیره قرار می گیرد. نتایج. علاوه بر این، به دلیل کنترل و نظارت دولت بر مردم، رفتار بنگاه ها می تواند تحت تأثیر عوامل بسیاری قرار گیرد.

نامگذاری

سی	هزینه رفت و آمد
D	فاصله تا بدنه آبی
ه	خطا
E	شاخص سکونت
من	سطح درآمد
جی	تعداد مشاغل
ن	تعداد واحدهای فضای سبز در واحدهای مجاور
پ	قیمت محصولات
$\bar{P}$	میانگین ارزش واحد محیطی در منطقه مسکونی
س	مجموع مربعات خطاها
آر	تعداد کل ساکنان
U	سودمندی
ایکس	عامل خارجی
Y	مقدار متغیرهای باینری انتخاب شده توسط مکان عامل
اشتراک ها
من	خیابان من _
ساعت	کل قیمت مسکن
h 1	قیمت پایه مسکن
h 2	قیمت زیست محیطی مسکن
تا	دسترسی به ترافیک
سرهنگ	راحتی زندگی
برو	برازندگی محیط
n	n امین عامل خارجی
اختصارات
ABM ها	مدل های مبتنی بر عامل
CNY	یوان چین
FS	خدمات مالی
تولید ناخالص ملی	تولید ناخالص داخلی
گازهای گلخانه ای	گازهای گلخانه ای
من هستم	تولید صنعتی
JHI	عدم تعادل شغل و مسکن
JHR	نسبت شغل به مسکن
JHS	جداسازی شغل و مسکن
ROC	ویژگی عملکرد گیرنده
اس اس	خدمات اجتماعی
تاز	مناطق تجزیه و تحلیل ترافیک
TI	نوآوری تکنولوژیک

پیوست اول

مطالب تکمیلی برای: شبیه سازی انتخاب مکان مشاغل شهری-مسکن و رابطه فضایی با استفاده از رویکرد چند عاملی.

شکل A1. فضایی سازی عناصر خارجی عوامل ساکن.

شکل A2. قوانین رفتاری برای نمایندگان مقیم.

شکل A3. توزیع امتیازات نمونه

شکل A4. احتمال ترجیح عوامل مقیم ( P1 – P5 ).

شکل A5. منحنی مشخصه عملکرد گیرنده (ROC) احتمال ترجیح فضایی برای هر نوع عامل ساکن ( P1 – P5 ).

شکل A6. فضایی سازی عناصر خارجی عوامل سازمانی.

شکل A7. توزیع فضایی انواع مختلف عوامل سازمانی.

شکل A8. قوانین رفتار برای نمایندگان شرکت

شکل A9. احتمال ترجیح عوامل سازمانی ( q1 – q4 ).

شکل A10. منحنی ROC احتمال ترجیح فضایی برای هر نوع عامل سازمانی ( P1 – P4 ).

منابع

ژانگ، پی. ژو، جی. ژانگ، تی. کمی سازی و تجسم تعادل شغل-مسکن با داده های بزرگ: مطالعه موردی شانگهای. شهرها 2017 ، 66 ، 10-22. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
شرستا، ا. مولینز، بی جی; ژائو، ی. سلوی، لس آنجلس; رومچف، ک. قرار گرفتن در معرض آلاینده های هوا در بین دوچرخه سواران: مقایسه مسیرهای دوچرخه سواری مختلف در پرث، استرالیای غربی. کیفیت هوا اتمس. سلامت 2020 ، 13 ، 1023-1034. [ Google Scholar ] [ CrossRef ]
ها، ج. لی، اس. کو، جی. کشف تأثیر زمان سفر، هزینه، و بار حمل و نقل بر انتخاب حالت رفت و آمد برای گروه‌های سنی و درآمدی مختلف. ترانسپ Res. بخش A خط مشی Pr. 2020 ، 141 ، 147-166. [ Google Scholar ] [ CrossRef ]
او، SY; تائو، اس. Ng، MK; Tieben، H. ارزیابی برنامه ریزی فضایی هنگ کنگ در شهرهای جدید از دیدگاه دسترسی به شغل، تحرک سفر، و تعادل کار و زندگی. مربا. طرح. دانشیار 2020 ، 86 ، 324-338. [ Google Scholar ] [ CrossRef ]
لی، ایکس. چن، اچ. شی، ی. Shi, F. برابری حمل و نقل در چین: آیا زمان رفت و آمد مهم است؟ پایداری 2019 ، 11 ، 5884. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
زو، ز. Qin، X. که، جی. ژنگ، ز. یانگ، اچ. تجزیه و تحلیل رفتار رفت و آمد چندوجهی با تغذیه و خدمات رقابتی تقسیم سواری. ترانسپ Res. بخش A سیاست سیاست. 2020 ، 132 ، 713-727. [ Google Scholar ] [ CrossRef ]
هوانگ، جی. لوینسون، دی. وانگ، جی. ژو، جی. وانگ، Z.-J. ردیابی پویایی شغل و مسکن با داده های کارت هوشمند. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2018 ، 115 ، 12710–12715. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
جولیانو، جی. کوچک، KA آیا سفر به کار با ساختار شهری توضیح داده شده است؟ مطالعه شهری. 1993 ، 30 ، 1485-1500. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
سرورو، آر. تعادل شغل و مسکن به عنوان سیاست عمومی. زمین شهری. 1991 ، 10 ، 14. [ Google Scholar ]
لوینسون، دی.م. کومار، ای. مکان یاب منطقی: چرا زمان سفر ثابت مانده است. مربا. طرح. دانشیار 1994 ، 60 ، 319-332. [ Google Scholar ] [ CrossRef ]
Weitz, J. Jobs-Housing Balance ; انجمن برنامه ریزی آمریکا: شیکاگو، IL، ایالات متحده آمریکا، 2003. [ Google Scholar ]
میزگرد برنامه ریزی کالیفرنیا ساختارشکنی تعادل شغل و مسکن ; میزگرد برنامه ریزی کالیفرنیا: ساکرامنتو، کالیفرنیا، ایالات متحده آمریکا، 2008; در دسترس آنلاین: https://goo.gl/Q5Z4m4 (در 30 ژوئن 2008 قابل دسترسی است).
ژنگ، م. لیو، اف. گوا، ایکس. لی، ایکس. ارزیابی توزیع سفرهای رفت‌وآمد و تعادل شغل-مسکن با استفاده از داده‌های کارت هوشمند: مطالعه موردی نانجینگ، چین. پایداری 2019 ، 11 ، 5346. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
ژو، ایکس. بله، AGO درک مسئله واحد منطقه ای قابل تغییر و شناسایی واحد فضایی مناسب در تعادل شغل-مسکن و خودکنترلی اشتغال با استفاده از داده های بزرگ. حمل و نقل 2020 ، 4 ، 1-17. [ Google Scholar ] [ CrossRef ]
پنگ، Z.-R. تعادل شغل-مسکن و رفت و آمد شهری. مطالعه شهری. 1997 ، 34 ، 1215-1235. [ Google Scholar ] [ CrossRef ]
Margolis، J. ساختار مالی شهرداری در یک منطقه شهری. در اقتصاد شهری: خواندن و تحلیل ; گرینسون، RE، اد. لیتل براون: بوستون، MA، ایالات متحده آمریکا، 1973. [ Google Scholar ]
سرورو، آر. تعادل شغلی- مسکن و تحرک منطقه ای. مربا. طرح. دانشیار 1989 ، 55 ، 136-150. [ Google Scholar ] [ CrossRef ]
جولیانو، جی. آیا تعادل شغلی و مسکن یک مشکل حمل و نقل است؟ اسناد کاری مرکز حمل و نقل دانشگاه کالیفرنیا؛ دانشگاه کالیفرنیا: کالیفرنیا، کالیفرنیا، ایالات متحده آمریکا، 1991; جلد 1305، ص 305–312. [ Google Scholar ]
بوساو، ک. نویتنز، تی. Witlox، F. رابطه بین مجاورت فضایی و فاصله سفر تا محل کار: اثر شهر فشرده. Reg. گل میخ. 2012 ، 46 ، 687-706. [ Google Scholar ] [ CrossRef ]
هورنر، مگاوات مناظر دسترسی «بهینه»؟ توسعه روشی جدید برای شبیه سازی و ارزیابی روابط مشاغل-مسکن در مناطق شهری. مطالعه شهری. 2008 ، 45 ، 1583-1602. [ Google Scholar ] [ CrossRef ]
Cervero، R. مراکز حومه آمریکا: پیوند حمل و نقل کاربری زمین . Unwin-Hyman: Boston, MA, USA, 1989. [ Google Scholar ]
سفرهای رفت و آمد شهری White، MJ “بیهوده” نیستند. J. Politi-Econ. 1988 ، 96 ، 1097-1110. [ Google Scholar ] [ CrossRef ]
مورفی، ای. رفت و آمد زیاد و انتخاب روش. ترانسپ Res. بخش A خط مشی Pr. 2009 ، 43 ، 735-743. [ Google Scholar ] [ CrossRef ]
کوین، پی. وانگ، ال. فرصت های شغلی، موسسات و رابطه فضایی شغل-مسکن: مطالعه موردی پکن. ترانسپ سیاست 2019 ، 81 ، 331-339. [ Google Scholar ] [ CrossRef ]
ژو، جی. مورفی، ای. تغییرات روز به روز در رفت و آمد زیاد: یک مطالعه اکتشافی در بریزبن، استرالیا. J. Transp. Geogr. 2019 ، 74 ، 223-232. [ Google Scholar ] [ CrossRef ]
بی وایر، اچ. Zengo، E. مقایسه کارایی بین حالت‌های حمل‌ونقل عمومی و خصوصی با استفاده از رفت‌وآمد اضافی: تجربه‌ای در دارالسلام. J. Transp. Geogr. 2020 , 82 , 102616. [ Google Scholar ] [ CrossRef ]
هورنر، MW تجزیه و تحلیل چند مقیاسی شکل شهری و تغییر رفت و آمد در یک منطقه کوچک شهری (1990-2000). ان Reg. علمی 2006 ، 41 ، 315-332. [ Google Scholar ] [ CrossRef ]
هورنر، MW ابعاد فضایی رفت و آمد شهری: مروری بر مسائل اصلی و پیامدهای آنها برای تحقیقات جغرافیایی آینده. پروفسور جغرافیدان. 2004 ، 56 ، 160-174. [ Google Scholar ] [ CrossRef ]
جیانگ پینگ، ز. چون، ز. شیائوجیان، سی. وی، اچ. پنگ، ی. آیا میراث دانوی در تحولات باقی مانده است؟ تعادل شغل و مسکن و کارایی رفت و آمد در شیان. J. Transp. Geogr. 2014 ، 40 ، 64-76. [ Google Scholar ] [ CrossRef ]
هینکس، اس. وونگ، سی. تعامل فضایی بازارهای مسکن و کار: تحلیل جریان رفت و آمد شمال غرب انگلستان. مطالعه شهری. 2009 ، 47 ، 620-649. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
سنر، IN; پندیالا، RM; Bhat، CR تطبیق همبستگی فضایی بین گزینه‌های انتخابی در مدل‌های انتخاب گسسته: برنامه‌ای برای مدل‌سازی رفتار انتخاب مکان مسکونی. J. Transp. Geogr. 2011 ، 19 ، 294-303. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
برگر، تی. مدل‌های فضایی مبتنی بر عامل اعمال شده در کشاورزی: یک ابزار شبیه‌سازی برای انتشار فناوری، تغییرات استفاده از منابع و تحلیل سیاست. کشاورزی اقتصاد 2001 ، 25 ، 245-260. [ Google Scholar ] [ CrossRef ]
لی، ایکس. لیو، ایکس. تعریف رفتارهای عوامل برای شبیه سازی توسعه مسکونی پیچیده با استفاده از ارزیابی چند معیاره. جی. محیط زیست. مدیریت 2007 ، 85 ، 1063-1075. [ Google Scholar ] [ CrossRef ]
مونتیچینو، ام. آسودو، ام. کالیکات، بی. کوگدیل، تی. لیندکوئیست، سی. سیستم‌های انسانی و طبیعی: یک رویکرد مبتنی بر چند عامل. محیط زیست مدل. نرم افزار 2007 ، 22 ، 656-663. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
مورنو، ن. کوینترو، آر. آبلان، م. باروس، آر. داویلا، جی. رامیرز، اچ. تونلا، جی. Acevedo، MF زیست پیچیدگی جنگل زدایی در ذخیره گاه جنگل استوایی کاپارو در ونزوئلا: یک مدل اتوماتای چند عاملی و سلولی یکپارچه. محیط زیست مدل. نرم افزار 2007 ، 22 ، 664-673. [ Google Scholar ] [ CrossRef ]
کروکس، آ. قلعه، سی. Batty، M. چالش های کلیدی در مدل سازی مبتنی بر عامل برای شبیه سازی جغرافیایی فضایی. محاسبه کنید. محیط زیست سیستم شهری 2008 ، 32 ، 417-430. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
گاتز، NM; پولهیل، جی جی چه زمانی و چگونه از همسایگان خود تقلید کنید: درس هایی از و برای FEARLUS. جی آرتیف. Soc. Soc. شبیه سازی 2009 ، 12 ، 2. [ Google Scholar ]
Benenson، I. مدل سازی مبتنی بر عامل: از انتخاب مسکونی فردی تا پویایی مسکونی شهری. در علوم اجتماعی یکپارچه فضایی: نمونه هایی در بهترین عمل . Goodchild، MF، Janelle، DG، Eds. انتشارات دانشگاه آکسفورد: نیویورک، نیویورک، ایالات متحده آمریکا، 2004; صص 67-95. [ Google Scholar ]
برگر، تی. بیرنر، آر. مک کارتی، ن. دیاز، جی. ویتمر، اچ. دریافت پیچیدگی استفاده از آب و مصرف کنندگان آب در چارچوب چند عاملی. منبع آب مدیریت 2006 ، 21 ، 129-148. [ Google Scholar ] [ CrossRef ]
ممکن است.؛ شن، ز. کاواکامی، م. سوزوکی، ک. Long, Y. یک رویکرد مبتنی بر عامل برای حمایت از تصمیم گیری در مورد کنترل مقدار کل برای مصرف آب خانگی. در مدل‌های مبتنی بر عامل و علم پیچیدگی در عصر داده‌های بزرگ جغرافیایی ؛ Springer: Berlin/Heidelberg، آلمان، 2012. [ Google Scholar ] [ CrossRef ]
یوان، X.-C.; وی، ی.-م. Pan، S.-Y.; جین، جی.ال. تقاضای آب خانگی شهری در پکن تا سال 2020: مدلی مبتنی بر عامل. منبع آب مدیریت 2014 ، 28 ، 2967-2980. [ Google Scholar ] [ CrossRef ]
تمنه، ال. Le، QB; Vlek، PLG یک ابزار برنامه ریزی و مدیریت منظر برای مدیریت منابع آب و زمین: یک برنامه کاربردی در شمال اتیوپی. منبع آب مدیریت 2013 ، 28 ، 407-424. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Ligtenberg، A. برگت، آ.ک. ون لامرن، آر. مدل‌سازی کاربری زمین مبتنی بر چند بازیگر: برنامه‌ریزی فضایی با استفاده از عوامل. Landsc. طرح شهری. 2001 ، 56 ، 21-33. [ Google Scholar ] [ CrossRef ]
Macal، CM; North, MJ آموزش مدل سازی و شبیه سازی مبتنی بر عامل. جی. سیمول. 2010 ، 4 ، 151-162. [ Google Scholar ] [ CrossRef ]
هیون، جی.-ای. هوانگ، S.-Y. یانگ، ای. تیدول، وی. Macknick, J. استفاده از رویکرد مدل‌سازی مبتنی بر عامل همراه برای تحلیل نقش درک ریسک در تصمیم‌گیری‌های مدیریت آب. هیدرول. سیستم زمین علمی 2019 ، 23 ، 2261-2278. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
نیل، ای. مدسن، جی.کی. کارلا، ای. پایت، ن. بیلی، مدل‌سازی مبتنی بر عامل RM به عنوان ابزاری برای کاهش شکار غیرقانونی فیل‌ها. Ecol. مدل. 2020 , 427 , 109054. [ Google Scholar ] [ CrossRef ]
پارکر، دی سی؛ برگر، تی. منسون، مدل‌های مبتنی بر عامل SM برای تغییر کاربری و پوشش زمین: گزارش و بررسی یک کارگاه آموزشی بین‌المللی . سری گزارش LUCC; LUCC: بلومینگتون، ایندیانا، 2002. [ Google Scholar ]
متیوز، RB; گیلبرت، NG; روچ، ا. پولهیل، جی جی. گاتز، مدل‌های کاربری زمین مبتنی بر عامل NM: مروری بر کاربردها. Landsc. Ecol. 2007 ، 22 ، 1447-1459. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
لیو، ی. Ye, H. مطالعه پویا بر روی رفتار محیطی شرکت و عوامل مؤثر: یک رویکرد مدل‌سازی مبتنی بر عامل تطبیقی. جی. پاک. تولید 2012 ، 37 ، 278-287. [ Google Scholar ] [ CrossRef ]
اردستانی، ب.م. اوسالیوان، دی. دیویس، پی. یک مدل چند مقیاسی مبتنی بر عامل از تفکیک مسکونی اعمال شده در یک منطقه شهری واقعی. محاسبه کنید. محیط زیست سیستم شهری 2018 ، 69 ، 1-16. [ Google Scholar ] [ CrossRef ]
یو، تی. لانگ، آر. چن، اچ. لیو، جی. لیو، اچ. Gu، Y. رفتار صرفه جویی در انرژی ساکنان شهری در چین: یک شبیه سازی چند عاملی. جی. پاک. تولید 2020 ، 252 ، 119623. [ Google Scholar ] [ CrossRef ]
NBS (اداره ملی آمار). سالنامه آماری چین 2019 ؛ انتشارات آمار چین: پکن، چین، 2019. [ Google Scholar ]
BMBS (اداره آمار شهرداری پکن). سالنامه آماری پکن ; اداره آمار شهرداری پکن: پکن، چین، 2006-2019. در دسترس آنلاین: https://tjj.beijing.gov.cn/nj/main/2019-tjnj/zk/indexch.htm.2019.11.05 (در تاریخ 13 سپتامبر 2019 قابل دسترسی است).
کمیته حمل و نقل پکن و کمیته برنامه ریزی سرمایه (BTCCPC). گزارش سومین نظرسنجی حمل و نقل پکن. (به چینی: Beijing Shi Di San Ci Quan Shi Jiao Tong Zong He Diao Cha) ; کمیته حمل و نقل پکن و کمیته برنامه ریزی سرمایه: پکن، چین، 2005. [ Google Scholar ]
کمیته حمل و نقل پکن و کمیته برنامه ریزی سرمایه (BTCCPC). گزارش پنجمین بررسی حمل و نقل پکن (به چینی: پکن شی دی وو سی کوان شی جیائو تونگ زونگ هه دیائو چا) ; کمیته حمل و نقل پکن و کمیته برنامه ریزی سرمایه: پکن، چین، 2014. [ Google Scholar ]
Kain، JF Housing Segregation، Negro Employment و Metropolitan Decentralization. QJ Econ. 2006 ، 82 ، 175. [ Google Scholar ] [ CrossRef ]
وانگ، اچ. یو، LQ; Zeng، WH پتانسیل کاهش انتشار کربن از حمل و نقل شهری بر اساس تنظیمات جداسازی شغل و مسکن در پکن. مردم چین منبع. محیط زیست 2018 ، 28 ، 41-51. (به زبان چینی) [ Google Scholar ]
فیلاتوا، تی. بازار زمین مبتنی بر عامل تجربی: ادغام رفتار اقتصادی تطبیقی در مدل‌های کاربری زمین شهری. محاسبه کنید. محیط زیست سیستم شهری 2015 ، 54 ، 397-413. [ Google Scholar ] [ CrossRef ]
چنگ، ایکس. لانگ، آر. چن، اچ. یانگ، جی. آیا تعامل اجتماعی بر تصمیمات سبک زندگی پایدار ساکنان تأثیر دارد؟ یک تحریک چند عاملی بر اساس پشیمانی و تئوری بازی. Appl. Energy 2019 , 251 , 113366. [ Google Scholar ] [ CrossRef ]
مبین، ن. شهاب الدین، س. چالش های کار به عنوان عامل ترویج کشاورزی و ایجاد تعادل در مسئولیت های خانوادگی. آسیایی جی. کشاورزی. خارج اقتصاد اجتماعی 2016 ، 13 ، 1-10. [ Google Scholar ] [ CrossRef ]
عزیز، HA; پارک، BH; مورتون، ا. استوارت، RN; هیلیارد، ام. Maness، M. یک مدل مبتنی بر عامل با وضوح بالا برای حمایت از تصمیمات سرمایه گذاری زیرساخت پیاده روی دوچرخه: مطالعه موردی با شهر نیویورک. ترانسپ Res. قسمت ج: ظهور. تکنولوژی 2018 ، 86 ، 280-299. [ Google Scholar ] [ CrossRef ]
سان، ال. وانگ، کیو. جنرال الکتریک، S. رفتار صرفه جویی در مصرف انرژی ساکن شهری: مطالعه موردی تحت چارچوب A2SC. نات. خطرات 2017 ، 91 ، 515-536. [ Google Scholar ] [ CrossRef ]
لی، اف. زی، ز. کلارک، کی سی; لی، ام. چن، اچ. لیانگ، جی. چن، Z. یک روش مبتنی بر عامل با یک مدل یادگیری عامل تعبیه شده برای شبیه‌سازی رشد زمین مسکونی: مطالعه موردی نانجینگ، چین. شهرها 2019 ، 88 ، 155–165. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
دیائو، م. فریرا، جی. ارزش های املاک مسکونی و محیط ساخته شده. ترانسپ Res. ضبط J. Transp. Res. هیئت 2010 ، 2174 ، 138-147. [ Google Scholar ] [ CrossRef ]
ایاکونو، ام. لوینسون، موقعیت مکانی DM، دسترسی منطقه ای، و اثرات قیمت. ترانسپ Res. ضبط J. Transp. Res. هیئت 2011 ، 2245 ، 87-94. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
مصطفیزی، ع. وانگ، اچ. کاکس، دی.تی. دونگ، اس. یک مدل تخلیه عمودی مبتنی بر عامل برای سونامی میدان نزدیک: رفتار انتخاب، مکان‌های پناهگاه منطقی و ایمنی زندگی. بین المللی J. کاهش خطر بلایا. 2019 ، 34 ، 467-479. [ Google Scholar ] [ CrossRef ]
حبیب، م. میلر، EJ تأثیر دسترسی به حمل و نقل و پویایی بازار بر ارزش املاک. ترانسپ Res. ضبط J. Transp. Res. هیئت 2008 ، 2076 ، 183-191. [ Google Scholar ] [ CrossRef ]
Dorantes، LM; پائز، آ. واسالو، JM تجزیه و تحلیل قیمت خانه برای ارزیابی اثرات اقتصادی زیرساخت جدید حمل و نقل عمومی. ترانسپ Res. ضبط J. Transp. Res. هیئت 2011 ، 2245 ، 131-139. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
لی، اس. لی، ایکس. لیو، ایکس. وو، زی. آی، بی. وانگ، F. شبیه سازی پویایی جمعیت فضایی بر اساس اقتصاد کار و سیستم های چند عاملی: مطالعه موردی در یک کلان شهر تولیدی در حال توسعه. بین المللی جی. جئوگر. Inf. علمی 2013 ، 27 ، 2410-2435. [ Google Scholar ] [ CrossRef ]
هوانگ، Q. پارکر، دی سی؛ فیلاتوا، تی. Sun, S. مروری بر مدل‌های انتخاب مسکونی شهری با استفاده از مدل‌سازی مبتنی بر عامل. محیط زیست طرح. B طرح. دس 2014 ، 41 ، 661-689. [ Google Scholar ] [ CrossRef ]
وانگ، اچ. کائو، آر. Zeng، W. مدل‌های دینامیک سیستم مبتنی بر چند عامل و شبیه‌سازی یکپارچه رفت‌وآمدهای شهری مربوط به سیاست کاهش انتشار دی اکسید کربن در چین. جی. پاک. تولید 2020 , 272 , 122620. [ Google Scholar ] [ CrossRef ]
میسون، سی. تغییرات فضایی در سازمان: جغرافیای تشکیل شرکت جدید. در رمزگشایی فرهنگ سازمانی (روتلج احیاء) ؛ Routledge: Abingdon، انگلستان، 2015; صص 94-126. [ Google Scholar ]
تتیانا، اچ. اینا، ن. والری، خوب اولگا، جی. Svetlana, D. مدل نوآورانه رفتار اقتصادی عوامل در حوزه حفاظت از انرژی. آکادمی انترپ J. 2018 ، 24 ، 1-7. [ Google Scholar ]
بله، ی. وو، ک. زی، ی. هوانگ، جی. وانگ، سی. Chen, J. چگونه ناهمگونی شرکت بر انتخاب مکان سرمایه گذاری مستقیم خارجی تأثیر می گذارد: شواهد خرد از شرکت های تولیدی خارجی جدید در دلتای رودخانه مروارید. Appl. Geogr. 2019 ، 106 ، 11-21. [ Google Scholar ] [ CrossRef ]
والز، م. ماگلیوکا، ن. مک‌کانل، وی. مدل‌سازی بازارهای زمین و مسکن ساحلی: درک تأثیرات رقابتی امکانات رفاهی و خطرات طوفان. ساحل اقیانوس. مدیریت 2018 ، 157 ، 95-110. [ Google Scholar ] [ CrossRef ]
ژوگه، سی. Shao, C. مدل‌سازی بازار اداری مبتنی بر عامل برای مدل استفاده از زمین و حمل‌ونقل. ترانسپ B Transp. دین 2019 ، 7 ، 1232-1257. [ Google Scholar ] [ CrossRef ]
کلمبو، AW؛ کارنوسکوس، اس. مندز، جی. Leitão, P. Industrial Agents in Era of Service-oriented Architectures and Cloud-based Industrial Infrastructures. Ind. Agents 2015 ، 67-87. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
د لا پریتا، اف. رودریگز، اس. کورچادو، جی.ام. Bajo, J. Infrastructure برای شبیه سازی عوامل هوشمند در محیط های ابری. جی. اینتل. سیستم فازی 2015 ، 28 ، 29-41. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
یانگ، ز. یین، ام. خو، جی. لین، دبلیو. مدل تکامل فضایی مقاصد گردشگری بر اساس نظریه سیستم انطباقی پیچیده: مطالعه موردی جنوب آنهویی، چین. جی. جئوگر. علمی 2019 ، 29 ، 1411-1434. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
لی، جی. جین، اف. چن، ی. جیائو، جی. لیو، اس. ویژگی های مکان و مکانیسم تمایز گره های لجستیک و شرکت های لجستیک بر اساس نقاط مورد علاقه (POI): مطالعه موردی پکن. جی. جئوگر. علمی 2017 ، 27 ، 879-896. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
منگ، کیو. زو، اچ. لی، ز. دو، ج. وانگ، ایکس. کیم، ام‌جی چگونه می‌توان تصمیم‌های مربوط به محصولات ساختمان سبز از مشتریان را به تولیدکنندگان منتقل کرد: یک مدل مبتنی بر عامل. Sustainability 2018 , 10 , 3977. [ Google Scholar ] [ CrossRef ][ Green Version ]
آکوپوف، ع. بکلاریان، لس آنجلس؛ ساقاتلیان، A. مدل‌سازی مبتنی بر عامل از تعاملات بین آلاینده‌های هوا و فضای سبز با استفاده از مطالعه موردی ایروان، ارمنستان. محیط زیست مدل. نرم افزار 2019 ، 116 ، 7-25. [ Google Scholar ] [ CrossRef ]
چسنی، تی. ایوانز، ک. طلا، اس. Trautrims، A. درک استثمار نیروی کار در بخش کشاورزی اسپانیا با استفاده از یک رویکرد مبتنی بر عامل. جی. پاک. تولید 2019 ، 214 ، 696-704. [ Google Scholar ] [ CrossRef ]
چای، YW; ژانگ، ی. لیو، ZL تفاوت‌های فضایی جدایی خانه و کار و تأثیرات سیاست مسکن و گسترش شهری: شواهدی از داده‌های نظرسنجی خانوار در پکن. Acta Geogr. گناه 2011 ، 66 ، 157-166. (به زبان چینی) [ Google Scholar ]
لیو، ZL; وانگ، ام جی. چای، YW نظریه عدم تطابق فضایی: مروری بر تحقیق و روش شناسی تجربی. هوم Geogr. 2010 ، 2010 ، 1-6. (به زبان چینی) [ Google Scholar ]
ژائو، اچ. یانگ، جی. لیو، CP; وانگ، ک. روش اندازه گیری و ویژگی های سازمان فضایی برای عدم تعادل شغل-مسکن: مطالعه موردی اثرات سیستم های مترو بر عدم تعادل شغل-مسکن در پکن. Prog. Geogr. 2011 ، 30 ، 198-204. (به زبان چینی) [ Google Scholar ]

شکل 1. موقعیت پکن در چین.

شکل 2. چارچوب روش شبیه سازی رفتار تصمیم گیری فضایی برای عوامل مقیم.

شکل 3. توزیع JHR از مقیاس ناحیه و شهرستان در پکن در سال 2010 و 2014.

شکل 4. توزیع JHR از مقیاس خیابان و شهرک در پکن در سال 2010 و 2014.

شکل 5. نتایج شبیه سازی انتخاب مکان عوامل مقیم.

شکل 6. نتایج احتمال انتخاب فضایی برای عوامل ساکن.

شکل 7. شبیه سازی توزیع مکان مکانی انواع مختلف عوامل ساکن.

شکل 8. نتایج شبیه سازی انتخاب مکان عوامل سازمانی.

شکل 9. نتایج احتمال انتخاب فضایی برای عوامل سازمانی.

شکل 10. شبیه سازی توزیع مکان مکانی انواع مختلف عوامل سازمانی.

شکل 11. نتایج شبیه سازی توزیع فضایی مسکونی.

شکل 12. نتایج شبیه سازی توزیع فضایی اشتغال.

شکل 13. نتایج شبیه سازی توزیع فضایی مشاغل-مسکن.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

شبیه سازی انتخاب مکان مشاغل شهری – مسکن و رابطه فضایی با استفاده از رویکرد چند عاملی

کلید واژه ها:

1. مقدمه