1 引言 基于计算机的微观模拟或微观仿真技术起源于20世纪50年代，美国经济学家Orcutt通过构建经济系统中的微观个体单元并对其行为随着时间的变化进行模拟研究[1]。微观模拟主要区别于传统自上而下的宏观模拟，后者主要基于汇总数据研究宏观尺度不同变量之间的相关关系或利用平均值进行模拟研究[2]，而前者更多基于微观个体数据通过重复性的随机试验对微观分析单元，例如个人、家庭、企业等的属性或状态进行模拟研究，是典型的自下而上的过程[3，4]。早期微观模拟方法主要应用于人口预测、贫困分析，税收政策等经济学领域[5，6]，也有部分研究应用于药品影响分析等医学领域[7]，但是这些研究更多基于国家或区域等宏观尺度，重点关注人群而非空间的政策影响，对微观尺度的空间要素缺乏深入考虑[8]。空间微观模拟(spatial microsimulation)本质上可以在不同空间尺度上针对微观活动主体进行模拟研究，但更多应用于微观区域估算。这种方法主要发展于20世纪80年代[9]，代表性研究是Birkin等[10，11]利用英国宏观汇总层面的人口普查统计表以及小样本微观个体数据，通过Iterative Proportional Fitting(IPF)技术合成利兹大都市区的虚拟人口微观数据集，并对其收入的空间分布进行模拟研究。随后，空间微观模拟方法在地理学、社会科学以及交通等领域中的应用逐渐增多[12-14]。 区别于元胞自动机主要用来模拟城市系统的空间复杂性如土地利用的演变[15，16]、人工智能体主要模拟不同agent以及agent与环境之间的相互作用机理[17]，空间微观模拟方法主要基于家庭、个人等微观分析单元，通过整合不同层面的数据源，如宏观汇总层面的人口普查统计表以及微观层面的家庭活动日志调查等，合成大样本空间微观数据集，并对微观个体行为进行模拟研究，可以用来重现或预测一个动态复杂的系统[2，9]。例如，Ballas等[18]利用1991年英国人口普查小区统计数据和家庭调查面板数据，通过空间微观模拟技术对英国整体人口至2021年的空间分布情况进行动态模拟和预测。相比其他城市系统模拟方法，空间微观模拟技术可以用来在精细化空间尺度上探索大样本微观活动主体属性特征的空间分布以及政策影响的空间效应，在微观空间分析、政策评估等方面具有一定优势，同时也可以用来进行长期预测和动态模拟[19，20]。该方法在不同空间尺度转换方面比较灵活，在数据存储、更新以及预测等方面比较有效[3]；但是随着空间精度的增加，该方法在运算过程中的复杂性也会随之增加[21]。 总体而言，空间微观模拟方法主要包括三大部分：①整合不同层面的数据源，模拟生成大样本空间微观数据集，通常也被称为population synthesis，合成的微观个体数据集要与真实世界的人口属性空间分布特征尽可能接近；②静态微观模拟(static microsimulation)，针对某一时间截面的人口属性特征进行微观空间模拟或政策分析；③动态微观模拟(dynamic microsimulation)，将微观个体数据集的属性特征，如年龄、受教育程度、婚姻状况、职业类型等基于统计模型或条件转移概率在设定的时间段内进行动态模拟，然后设置不同情境进行空间分析或政策评估[18]。由于动态微观模拟需要大量数据获取不同属性的条件转移概率不断进行动态更新，情况较为复杂，目前国际上关于空间微观模拟方法的应用更多集中于前两部分的研究[9]。相比而言，国内关于城市系统空间模拟方法的应用主要集中于元胞自动机和人工智能体模拟[16，17]，应用空间微观模拟方法的研究较为缺乏。随着我国多元化、精细化数据的可获得性逐渐增强，整合不同数据源的需求逐渐增加，运用空间微观模拟方法探索精细化空间尺度城市微观活动主体的模拟研究具有一定的应用价值与实践意义[22]。因此，本文尝试对空间微观模拟方法进行比较系统的介绍，并从国际层面综述该方法在城市研究中的应用进展，为我国相关研究的开展提供借鉴。 2 空间微观模拟方法 对于空间微观模拟方法而言，首要步骤是在给定的地理空间范围内生成大样本基于微观个体的虚拟人口数据集，使得该数据集的人口属性空间分布特征与真实世界尽可能地接近[7]。一般而言，用来合成空间微观数据的技术主要包括两大类[23]：合成重构(synthetic reconstruction)和加权(reweighting)。前者通常指基于条件概率(conditional probability)或蒙泰卡罗抽样(Monte Carlo sampling)，依次对不同空间单元的家庭或个人属性特征如性别、年龄、受教育程度等进行虚拟合成。该方法在早期城市系统模拟研究中应用较为广泛，20世纪90年代以后加权技术逐渐成为主流方法[21]。与条件概率不同，加权技术主要通过对实际调查的微观个体样本进行不断赋予权重的过程，计算家庭或个人新的权重使其与不同空间单元的人口属性分布特征相匹配以模拟目标人群[24]。基于不同算法生成新的权重，可以进一步将加权技术划分为确定性加权(deterministic reweighting)和概率加权(probabilistic reweighting)，其中模拟退火(simulated annealing)算法可能是最为著名的一种概率加权方法[23]。本文对这三种常用的空间微观模拟技术依次进行介绍。
