Nisbah perdagangan dan tempat tinggal di bandar pra-industri

Nisbah perdagangan dan tempat tinggal di bandar pra-industri

Apakah ada penyelidikan yang berusaha untuk memperkirakan nisbah perdagangan dengan tempat tinggal, atau pekedai dengan penduduk dalam perdagangan lain, untuk bandar pra-industri? Atau adakah sumber banci lama di mana data tersebut direkodkan?


Bandar Batu

Bandar Batu di Zanzibar (Arab: مدينة زنجبار الحجرية), juga dikenali sebagai Mji Mkongwe (Swahili untuk "kota lama"), adalah bahagian lama Zanzibar City, bandar utama Zanzibar, di Tanzania. Bahagian bandar yang lebih baru dikenali sebagai Ng'ambo, Swahili untuk 'sisi lain'. Stone Town terletak di pantai barat Unguja, pulau utama Kepulauan Zanzibar. Bekas ibukota Kesultanan Zanzibar, dan pusat perdagangan rempah serta perdagangan hamba yang berkembang pesat pada abad ke-19, ia mengekalkan kepentingannya sebagai kota utama Zanzibar pada zaman protektorat Inggeris. [1] Ketika Tanganyika dan Zanzibar bergabung satu sama lain untuk membentuk Republik Bersatu Tanzania, Zanzibar tetap berstatus semi-autonomi, dengan Stone Town sebagai kerusi pemerintah daerahnya.

Stone Town adalah sebuah bandar yang terkenal dengan sejarah dan kesenian di Afrika Timur. Senibina, yang kebanyakannya berasal dari abad ke-19, mencerminkan pelbagai pengaruh yang mendasari budaya Swahili, memberikan campuran unik unsur Arab, Parsi, India dan Eropah. Atas sebab ini, bandar ini ditetapkan sebagai Tapak Warisan Dunia UNESCO pada tahun 2000. [2]

Oleh kerana warisannya, Stone Town juga menjadi daya tarikan pengunjung utama di Tanzania, dan sebahagian besar ekonominya bergantung pada kegiatan yang berkaitan dengan pelancongan. [3]


Penebangan hutan pra-sejarah dan pra-industri di Eropah

Manusia telah mengubah landskap Eropah sejak penubuhan masyarakat pertanian pertama pada pertengahan Holocene. Perubahan antropogenik yang paling penting dari persekitaran semula jadi adalah pembukaan hutan untuk mendirikan tanah tanaman dan padang rumput, dan eksploitasi hutan untuk bahan bakar kayu dan bahan binaan. Walaupun catatan arkeologi dan paleoekologi mendokumentasikan sejarah masa penebangan hutan antropogenik di banyak laman web individu, untuk mengkaji kesan penebangan hutan prasejarah dan pra-industri pada kitaran karbon dan air berskala benua, kami memerlukan peta spasial yang jelas mengenai perubahan tutupan hutan sepanjang masa. Percubaan sebelumnya untuk memetakan penggunaan tanah antropogenik pra-industri dan perubahan tutupan tanah hanya menangani masa lalu, atau bergantung pada ekstrapolasi sederhana dari pola penggunaan tanah masa kini ke keadaan masa lalu. Dalam kajian ini kami membuat satu siri masa penebangan hutan antropogenik yang sangat tinggi dan diselesaikan setiap tahun di Eropah selama tiga milenium yang lalu dengan 1) mendigitalkan dan mensintesis pangkalan data sejarah penduduk untuk Eropah dan kawasan sekitarnya, 2) mengembangkan model untuk mensimulasikan penebangan hutan antropogenik berdasarkan kepadatan penduduk yang menangani kemajuan teknologi, dan 3) menerapkan pangkalan data dan model ke dataset grid sesuai untuk tanah dan pertanian untuk mensimulasikan tren spasial dan temporal dalam penebangan hutan antropogenik. Hasil model kami memberikan anggaran yang tepat untuk penebangan hutan di Eropah jika dibandingkan dengan akaun sejarah. Kami mensimulasikan penebangan hutan di Eropah pada 1000 SM, yang menunjukkan bahawa percubaan masa lalu untuk mengukur gangguan antropogenik kitaran karbon Holocene mungkin telah meremehkan kesan awal manusia terhadap sistem iklim.


1 Markah Soalan

Soalan 1.
Mengapa struktur umur dianggap sebagai penunjuk penting dalam komposisi penduduk? Diberikan satu sebab.
(HOTS Delhi 2016)
Jawapan:
Struktur umur adalah petunjuk penting bagi komposisi penduduk kerana ia menceritakan tentang bahagian populasi iaitu peratusan penduduk muda dan tua. Ini membantu dalam merancang masa depan.

Soalan 2.
Mengapa nisbah jantina di beberapa negara Eropah dicatatkan baik bagi wanita? Diberikan satu sebab. Delhi 2016
Jawapan:
Di beberapa negara Eropah, wanita mencatatkan nisbah seks yang baik kerana wanita menikmati status sosio-ekonomi yang lebih baik.

Soalan 3.
Namakan negara di mana nisbah jantina paling tidak baik bagi wanita di dunia. Semua Indio 2016
Jawapan:
Negara, di mana nisbah jantina paling tidak baik bagi wanita, adalah UAE kerana terdapat 468 wanita per 1000 lelaki.

Soalan 4.
Berapakah purata nisbah seks di dunia? Seluruh India 2016
Jawapan:
Nisbah jantina rata-rata di dunia adalah 990 wanita per 1000 lelaki.

Soalan 5.
Berikan maksud ‘Struktur umur’. (Semua Indio 2014,2013)
Jawapan:
Struktur umur penduduk merujuk kepada bilangan orang dari pelbagai kumpulan umur yang tinggal di sebuah negara.

Soalan 6.
Bagaimana nisbah jantina dikira di pelbagai negara di dunia? Delhi 2013
Jawapan:
Di beberapa negara nisbah jantina dikira dengan menggunakan formula:
( frac kali 1000 )
Atau jumlah lelaki per seribu wanita.
Di India, nisbah jantina dikira dengan menggunakan formula:
( frac kali 1000 )
Atau bilangan wanita per seribu lelaki.

Soalan 7.
Berikan maksud Struktur jantina umur populasi. (Seluruh India 2013)
Jawapan:
Struktur jantina umur populasi merujuk kepada bilangan wanita dan lelaki dalam kumpulan umur yang berbeza.

Soalan 8.
Tentukan istilah 'nisbah seks'. (Delhi 2012)
Jawapan:
Nisbah antara jumlah wanita dan lelaki dalam populasi disebut nisbah jantina.

Soalan 9.
Namakan negara yang mempunyai nisbah jantina tertinggi di dunia. (Semua Indio 2012, Delhi 2010)
Jawapan:
Negara ini mempunyai nisbah seks tertinggi di dunia adalah Latvia.

Soalan 10.
Negara manakah yang mempunyai nisbah jantina terendah di dunia? (Delhi 2011,2008)
Jawapan:
Negara yang mempunyai nisbah seks paling rendah di dunia adalah Emiriah Arab Bersatu.

Soalan 11.
Kumpulan populasi ag & # 8221 yang manakah menunjukkan populasi pekerja terbesar? (Seluruh India 2008)
Jawapan:
Kumpulan umur penduduk yang menunjukkan populasi pekerja adalah 15 hingga 59 tahun.

3 Markah Soalan

Soalan 12.
Bahagikan populasi dunia menjadi dua kumpulan berdasarkan tempat tinggal. Bagaimana mereka berbeza antara satu sama lain? Terangkan dua titik perbezaan. (Delhi 2011)
Jawapan:
Bergantung pada tempat kediaman, penduduk negara dibahagikan kepada dua kumpulan:
1. Penduduk luar bandar Ciri-ciri Penduduk Luar Bandar
(a) Orang yang tinggal di kampung dikenali sebagai penduduk luar bandar. Pekerjaan utama penduduk luar bandar adalah aktiviti utama iaitu memburu, menangkap ikan, perlombongan, pertanian, buruh pertanian, dll.
(b) Majoriti penduduk dunia tinggal di kawasan luar bandar tetapi kepadatan penduduknya rendah.

2. Penduduk bandar Ciri-ciri Penduduk Bandar
(a) Orang yang tinggal di bandar dan bandar dikenali sebagai penduduk bandar. Orang bandar terlibat dalam pekerjaan sekunder atau tersier iaitu pembuatan, perkhidmatan awam dan swasta, bidang pengangkutan dan komunikasi, dll.
(b) Kawasan bandar mempunyai kepadatan penduduk yang sangat tinggi kerana peluang pekerjaan yang lebih banyak menyebabkan migrasi masuk orang.

Soalan 13.
Apa yang anda faham dengan struktur pekerjaan? Namakan aktiviti ekonomi atau kategori pekerjaan tertentu yang dikenal pasti oleh PBB? (Delhi 2011)
Jawapan:
Struktur pekerjaan merujuk kepada pembahagian perkadaran orang di bawah aktiviti ekonomi tertentu. Aktiviti-aktiviti ini adalah seperti berikut:

  • Pertanian, perhutanan, memburu dan menangkap ikan
  • Perlombongan dan penggalian
  • Industri pembuatan
  • Pembinaan
  • Elektrik
  • Pekerjaan yang tidak dikelaskan
  • Perdagangan
  • Pengangkutan dan Komunikasi

Terdapat kumpulan lain yang tidak terlibat dalam kegiatan ekonomi dan juga bukan sebahagian daripada populasi aktif iaitu kanak-kanak di bawah usia bekerja, orang tua, suri rumah dan pelajar. Terdapat satu lagi klasifikasi struktur pekerjaan yang terbahagi kepada empat kumpulan utama berikut:

  • Aktiviti utama seperti memburu dan pertanian.
  • Aktiviti sekunder seperti pembuatan.
  • Kegiatan tinggi seperti sektor perkhidmatan iaitu pengangkutan, komunikasi, dll.
  • Kegiatan kuarter seperti tugas intelektual iaitu aktiviti penyelidikan dan pembangunan.

Soalan 14.
Mengapa nisbah seks tidak baik bagi wanita di dunia? Terangkan tiga sebab. (HOTS All Indio 2011)
Jawapan:
Nisbah jantina adalah maklumat penting mengenai status wanita di negara di wilayah di mana diskriminasi gender berleluasa. Nisbah jantina pasti tidak menguntungkan wanita.
Sebab nisbah seks yang tidak baik bagi wanita adalah seperti berikut:

  1. Nisbah seks selalu tidak baik bagi wanita di negara-negara di mana diskriminasi gender berleluasa.
  2. Di negara atau kawasan seperti itu, praktik pembunuhan wanita, pembunuhan bayi dan keganasan rumah tangga terhadap wanita adalah amalan biasa.
  3. Sebab utama amalan seperti ini adalah bahawa wanita menderita status sosio-ekonomi yang lebih rendah pada umumnya dan masyarakat secara khusus mendominasi lelaki.

5 Markah Soalan

Soalan 15.
Apakah nisbah jantina? Terangkan pola nisbah jantina dunia dengan contoh yang sesuai. (Seluruh India 2015)
Jawapan:
Nisbah antara jumlah wanita dan lelaki dalam populasi disebut nisbah jantina.
Corak nisbah seks dunia digambarkan seperti di bawah:

  1. Rata-rata, populasi dunia menggambarkan nisbah jantina 990 wanita per 1000 lelaki. Nisbah jantina tertinggi dicatatkan di Latvia iaitu 1187 wanita per 1000 lelaki manakala terendah dicatatkan di UAE iaitu 468 wanita per 1000 lelaki.
  2. Pola nisbah jantina tidak menunjukkan variasi di wilayah maju di dunia. Ia baik untuk wanita di 139 negara dan tidak baik di 72 negara yang selebihnya.
  3. Banyak negara Asia mempunyai nisbah seks yang rendah seperti China, India, Arab Saudi, Pakistan dan Afghanistan yang menunjukkan status sosio-ekonomi rendah dan nisbah seks wanita yang lebih rendah.
  4. Banyak negara Eropah mempunyai nisbah seks yang tinggi di mana wanita melebihi lelaki. Kekurangan ini disebabkan oleh status wanita yang lebih baik dan penghijrahan keluar lelaki yang terlalu banyak didominasi ke bahagian lain di dunia pada masa lalu.

Soalan 16.
Apakah nisbah jantina? Mengapa nisbah seks tidak baik bagi wanita di beberapa negara di dunia? Terangkan empat sebab. (Semua Indio 2010)
Jawapan:
Untuk nisbah jantina,
Nisbah antara jumlah wanita dan lelaki dalam populasi disebut nisbah jantina.
Corak nisbah seks dunia digambarkan seperti di bawah:

  1. Dengan kemarahan, populasi dunia menggambarkan nisbah jantina 990 wanita per 1000 lelaki. Nisbah seks tertinggi dicatatkan di Latvia iaitu 1187 wanita per 1000 lelaki manakala yang terendah dicatat di UAE iaitu 468 wanita per 1000 lelaki.
  2. Pola nisbah jantina tidak menunjukkan variasi di wilayah maju di dunia. Ia baik untuk wanita di 139 negara dan tidak baik di 72 negara yang selebihnya.
  3. Banyak negara Asia mempunyai nisbah seks yang rendah seperti China, India, Arab Saudi, Pakistan dan Afghanistan yang menunjukkan status sosio-ekonomi rendah dan nisbah seks wanita yang lebih rendah.
  4. Banyak negara Eropah mempunyai nisbah seks yang tinggi di mana wanita melebihi lelaki. Kekurangan ini disebabkan oleh status wanita yang lebih baik dan tindakan lelaki yang terlalu dominan terhadap lelaki ke bahagian yang berlainan di dunia pada masa lalu.

Nisbah jantina tidak baik bagi wanita di beberapa negara kerana sebab berikut:
Diskriminasi jantina Di banyak negara di dunia, terdapat diskriminasi gender yang meluas. Lelaki diberi keutamaan lebih daripada wanita dan menikmati hak dan keistimewaan yang lebih besar.

Fisida wanita Kerana diskriminasi jantina, wanita tidak disukai. Ini mengakibatkan amalan jahat seperti fetis wanita, pembunuhan bayi, dan lain-lain yang menyebabkan nisbah seks yang tidak baik.

Status sosio-ekonomi rendah
Wanita harus menghadapi diskriminasi sosial kerana mereka tidak berdikari secara ekonomi atau dibayar lebih rendah berbanding lelaki. Ini merendahkan status mereka dalam masyarakat.

Keganasan rumah tangga Status sosial yang rendah juga menyebabkan keganasan rumah tangga seperti penderaan mental dan fizikal. Ini juga menyebabkan nisbah seks yang tidak baik di banyak negara.

Soalan 17.
Huraikan komposisi penduduk desa dan bandar di dunia dengan contoh. (Delhi 2009)
Jawapan:
Pembahagian penduduk luar bandar dan bandar berdasarkan struktur pekerjaan, tahap sosio-ekonomi dan tahap pembangunan. Gambar di bawah menunjukkan komposisi penduduk desa-bandar:
1. Komposisi penduduk kawasan luar bandar dan bandar dari negara maju dan membangun berbeza.
2. Di negara maju seperti Kanada, Finland, New Zealand dan negara-negara Eropah Barat yang lain, wanita melebihi bilangan lelaki di kawasan bandar. Wanita menetap di kawasan bandar untuk memanfaatkan banyak peluang pekerjaan dan kerana pertanian sangat mekanis, sebahagian besarnya tetap menjadi pekerjaan lelaki di kawasan luar bandar.
3. Di negara-negara membangun seperti Pakistan, Nepal dan negara-negara Asia yang lain, kawasan bandar tetap dikuasai lelaki kerana dominasi migrasi lelaki. Juga, penyertaan wanita dalam pertanian agak tinggi di negara-negara ini. Kekurangan pekerjaan, perumahan dan kekurangan keselamatan di bandar tidak menggalakkan wanita untuk berhijrah dari luar bandar ke bandar.

Soalan Berasaskan Nilai

Soalan 18.
"Penuaan penduduk adalah proses di mana bahagian populasi yang lebih tua menjadi lebih besar. Ini adalah fenomena baru abad ke-20.
Di kebanyakan negara maju di dunia, populasi dalam kumpulan usia yang lebih tinggi telah meningkat kerana jangka hayat yang meningkat. Dengan penurunan kadar kelahiran, bahagian kanak-kanak dalam populasi telah menurun. "
(i) Apa yang menyebabkan penuaan penduduk?
(ii) Nilai manakah yang diperlukan semasa menjaga populasi yang semakin tua?
Jawapan:
(i) Peningkatan jangka hayat menyebabkan penuaan penduduk.
(ii) Nilai yang diperlukan untuk menjaga populasi yang semakin tua adalah:

Soalan 19.
"Proporsi populasi celik negara adalah indikator perkembangan sosio-ekonominya karena mengungkapkan taraf hidup, status sosial wanita, ketersediaan kemudahan pendidikan dan kebijakan pemerintah. Tahap pembangunan ekonomi adalah penyebab dan akibat literasi ”.
(i) Apa yang ditunjukkan oleh populasi celik?
(ii) Nilai manakah yang telah anda pelajari dari pernyataan yang diberikan?
Jawapan:
(i) Penduduk celik negara menunjukkan perkembangan sosio-ekonominya.
(ii) Nilai berikut dapat dipelajari dari pernyataan:

Kami berharap Soalan Penting Kelas 12 Geografi Bab 3 Komposisi Penduduk dapat membantu anda. Sekiranya anda mempunyai pertanyaan mengenai Geografi Kelas 12 Soalan Penting Bab 3 Komposisi Penduduk, berikan komen di bawah dan kami akan menghubungi anda secepat mungkin.


St Augustine, Florida

St. Augustine, Florida, di daerah St John, terletak 36 kilometer SE dari Jacksonville, Florida. Orang-orang St. Augustine berada di kawasan metropolitan Jacksonville.

Sejarah St. Augustine

St. Augustine adalah bandar Eropah tertua di Amerika Syarikat. Walaupun kawasan itu pertama kali dikunjungi oleh Ponce de Leon pada tahun 1513, Juan Menendez de Aviles mendirikan penempatan pertama pada tahun 1565. Selama hampir 200 tahun, St Augustine adalah pusat kuasa Sepanyol di Amerika Utara. Selain masalah taufan, kota St. Augustine juga menghadapi sejarah perang dengan Perancis, Inggeris dan Orang Asli Amerika, serta kelaparan dan wabak. Ketika Sepanyol menyerahkan Florida ke Amerika, St Augustine makmur, terutama semasa perang Seminole pada tahun 1830-an. Hartawan minyak, Henry Flagler, mengunjungi kota ini pada tahun 1883 dan melabur dalam pemulihan dan pengembangan kota sebagai pusat peranginan musim sejuk.

St Augustine dan Tarikan Berdekatan

  • Katedral St. Augustine.
  • Penjara Old St. Johns County.
  • Rumah Api dan Muzium St. Augustine.
  • Istana Zorayda.
  • Monumen Nasional Castillo de San Marcos.
  • Taman Negeri Anastasia.

Perkara Yang Perlu Dilakukan Di St. Augustine

Di St. Augustine anda mempunyai banyak pilihan rekreasi. Pada waktu petang yang cerah dan sejuk di musim sejuk, anda boleh bersiar-siar di jalan-jalan kota dan juga melihat kawasan membeli-belah dengan beberapa kedai buku dan kedai antik. Dari bulan November hingga Februari, bandar ini merayakan perayaan Nights of Lights di sekitar bandar. Selain itu, anda juga dapat menikmati sukan air, lawatan hantu, perjalanan kereta yang selesa atau lawatan dengan perahu dan kayak melalui sungai dan anak sungai tempatan.

Pengangkutan St. Augustine

Bandar ini dilayan oleh St Augustine Airport.

Pengajian Tinggi St. Augustine

Kolej Komuniti St. Johns River menyediakan peluang pendidikan orang dewasa.


Nisbah perdagangan dan tempat tinggal di bandar pra-industri - Sejarah

Kata kunci: Simulasi Berasaskan Ejen, Model Acara Diskrit, Reka Bentuk Bandar, Pemodelan Penduduk, Simulator Bandar

Pengenalan

1.2 Kemudian, persoalan utama adalah bagaimana kawasan setempat akan berubah sehubungan dengan aspek seperti perdagangan, perkhidmatan kerajaan, dan tempat tinggal setelah dasar penempatan semula dilaksanakan (Marshall et al. 2005). Pemisahan fungsi kota ini — misalnya, pemisahan modal perdagangan dan modal pemerintah — diperhatikan di Amerika Syarikat, Australia, China, dan sebagainya. Sebagai contoh, Amerika Syarikat mempunyai Washington, DC, sebagai ibu kota pemerintah dan New York City sebagai pusat perdagangan. Begitu juga, China memisahkan fungsi bandar antara Beijing dan Shanghai Australia contohnya Canberra dan Sydney. Contoh-contoh pemisahan fungsi kota diciptakan oleh evolusi sejarah atau pelaksanaan dasar strategik. Sekiranya evolusi bersejarah mendorong pemisahan fungsi, iaitu Amerika Syarikat, masyarakat tidak akan memerlukan penilaian yang teliti mengenai analisis bagaimana-jika penyisihan itu sudah dilakukan melalui evolusi masyarakat. Sebaliknya, dalam hal Australia dan Korea, jika kebijakan tersebut dirancang dan dilaksanakan secara strategis, pembuat kebijakan harus diberitahu tentang kemungkinan gangguan dan manfaat dari kebijakan yang disarankan. Terutama, pergeseran kebijakan seperti itu jarang terjadi, namun penting, jadi simulasi generatif mengenai persoalan kepentingan akan menjadi sokongan yang baik kepada pembuat dasar.

1.3 Dasar penempatan semula di Korea akan mempengaruhi keseluruhan spektrum persekitaran pinggir bandar berhampiran Seoul, tetapi menganggarkan kekuatan kesan itu adalah tugas yang sukar. Pada asasnya, bandar adalah sistem yang kompleks dengan banyak komponen dan interaksi individu. Komponen individu adalah orang, bangunan, jalan raya dan infrastruktur lain.Komponen-komponen ini mempunyai hubungan melalui penggunaan, tempat tinggal, bangunan, dan hubungan antara satu sama lain. Oleh itu, kami tidak dapat memberikan anggaran perubahan kawasan bandar dengan menggunakan statistik sederhana, kebijakan penempatan semula akan mempengaruhi komponen bandar individu ini dalam skala yang berbeza. Daripada analisis statistik yang sederhana, banyak penyelidik telah menggunakan model simulasi untuk meniru bandar dan perubahannya di dunia maya. Dengan menghasilkan komponen individu dan hubungannya, para penyelidik berharap dapat menangkap apa yang akan berlaku di dunia nyata dari dunia simulasi mereka. Selalunya, model berasaskan ejen (ABM) telah digunakan secara meluas untuk menghasilkan potensi perubahan senario (Moon & amp Carley 2007). ABM melibatkan tindakan dan interaksi individu dengan orang lain dan juga persekitaran (Bae, Lee & amp. Moon 2012 Carley 2002 Epstein 1996 Tesfatsion 2002). Melalui sifat ABM ini, pandangan mengenai perubahan dinamik dapat diperoleh yang sukar diperoleh dalam jenis model lain (Holzer & amp de Meer 2008).

1.4 Mengikuti simulasi kawasan bandar yang menghasilkan potensi kesan pergeseran kebijakan, kami mengambil pendekatan serupa untuk mengukur kesan dasar penempatan semula di Korea. Dasar penempatan semula semasa di Korea adalah memindahkan kompleks pemerintahan di sebuah kawasan pinggir bandar, bandar Gwacheon, dekat Seoul, ke sebuah kota yang baru dibina, bandar Sejong, yang terletak kira-kira 100km ke selatan kota Gwacheon. Oleh itu, penduduk tempatan di Gwacheon mungkin berulang alik ke tempat kerja dengan pemanduan lebuh raya selama dua jam, atau keluarga yang bekerja di kompleks itu mungkin berpindah ke bandar baru. Satu masalah penting bagi penduduk tempatan di Gwacheon dan juga pembuat dasar adalah gangguan fungsi bandar lain di Gwacheon. Banyak penduduk dan perniagaan tempatan prihatin terhadap kemelesetan yang berpotensi dalam perdagangan tempatan mereka sebagai akibat dari pemindahan penduduk. Untuk mengatasi masalah ini, kami melakukan eksperimen maya menggunakan model berasaskan ejen. Makalah ini memperkenalkan perincian model, simulasi, dan eksperimen maya kami. Untuk meneliti kesan penempatan semula, terutama di area pemasaran, kami memodelkan dan mensimulasikan agen dan persekitaran dengan mengubah nisbah pengurangan pemindahan pegawai awam dan pergerakan keluarga mereka bersama-sama. Di dunia nyata, dasar penempatan semula ini dilaksanakan pada tahun 2012, dan kami dapat mengumpulkan set data untuk pengesahan model kami, yang tidak tersedia ketika kami mula-mula membina dan membentangkan ABM pada akhir 2012 dan awal 2013. Hasil kami menunjukkan bahawa sekumpulan nilai parameter tertentu untuk model simulasi kami meramalkan bahawa akan ada kesan negatif terhadap perniagaan tempatan, dan kesan ini akan bervariasi berdasarkan lokasi di kota, nisbah penempatan semula keluarga, dan nisbah perjalanan. Simulasi tersebut disahkan secara statistik dengan hasil tinjauan yang dikumpulkan setelah kebijakan penempatan semula dilaksanakan.

Penyelidikan sebelumnya

Model Berorientasikan Sistem

2.2 Model berorientasikan sistem menganalisis masalah sistem yang kompleks dalam pandangan makro. Ia memodelkan parameter makro, seperti jarak, kos tanah dan penggunaan tanah, bukan milik entiti. Sebagai contoh, model berorientasikan sistem telah digunakan secara tradisional untuk menggambarkan penggunaan tanah bandar. Model Von Thunen (Thünen, Wartenberg & amp Hall 1966) adalah model awal penggunaan tanah. Ini adalah model analitik asas dengan persamaan hubungan antara kos dan pendapatan. Penggunaan tanah ditentukan dengan cara memaksimumkan keuntungan. Selepas model analitik, Burgess mengembangkan model deskriptif yang membahagikan bandar menjadi enam zon sepusat (Burgess 2008). Setiap zon mempunyai penggunaan tanah yang berbeza, dan ini adalah hasil pemerhatian beberapa bandar di Amerika. Selanjutnya, dibandingkan dengan model sepusat, model sektoral dikembangkan. Model sektoral serupa dengan model sepusat tetapi dikembangkan oleh faktor yang terlepas pandang dalam model sepusat (Hoyt 1939). Dalam model sektoral, kesan pengangkutan ditambah. Penciptaan sektor bergantung pada jalan yang coraknya berbentuk polentrik. Akhirnya, model pelbagai inti dikembangkan dari model sektoral. Ia mengenali sejumlah pusat yang terpisah, berbanding hanya satu pusat pada model sebelumnya (Harris & amp Ullman 1945).

2.3 Kerana model di atas hampir dengan model ekonomi berdasarkan permintaan, penawaran, dan harga, para penyelidik dipecahkan model, bukan simulasi mereka. Walau bagaimanapun, apabila para penyelidik menambahkan lebih banyak interaksi antara parameter makro, model menjadi tidak dapat diselesaikan, jadi model tersebut disimulasikan. Model simulasi dengan pandangan makro sering disebut "model dinamika sistem." Sebagai contoh, Forrester memodelkan parameter makro kota dengan model dinamika sistem (Forrester 1971). Contoh lain melibatkan penggunaan model dinamik sistem untuk merancang bekalan air di seluruh bandar (Zhang et al. 2008). Metodologi ini juga digunakan untuk mengkaji bagaimana merancang dan mengurus persekitaran wilayah (Guo et al. 2001).

Model Berorientasikan Individu

2.4 Model berorientasikan individu mendekati masalah dari perspektif mikro. Ia menganggap interaksi antara individu dan menganggap tindakan dan interaksi individu akan mempengaruhi keseluruhan sistem. Seperti yang kami sebutkan, sebuah kota adalah sistem yang kompleks. Walaupun menunjukkan bahawa interaksi antara individu sangat penting dalam menganalisis sistem yang kompleks, model berorientasikan sistem, seperti model yang diperkenalkan dalam bahagian 2.1, cenderung gagal kerana kaedah ini mengabaikan interaksi antara entiti. Untuk menangkap ciri ini, komponen dan interaksi dinamika bandar harus dijelaskan. Sebagai contoh, Rodrigue mendakwa bahawa terdapat lima komponen penting dalam dinamika bandar: penggunaan tanah, rangkaian pengangkutan, penduduk dan perumahan, pekerjaan dan ruang kerja, dan pergerakan penumpang (Rodrigue, Comtois & amp Slack 2011). Model kita harus merangkumi komponen individu dan hubungannya.

2.5 Akhir-akhir ini, terdapat banyak penyelidik yang berminat dengan model berasaskan ejen untuk berurusan dengan masyarakat yang kompleks. Albatross adalah salah satu model berasaskan ejen (Arentze & amp Timmermans 2004). Dalam model ini, ejen memutuskan aktiviti dan menjadualkannya bergantung pada keutamaan aktiviti dan beberapa kekangan, seperti kekangan masa dan ruang. Setelah memutuskan jadual harian, ejen memilih tempat untuk aktiviti berdasarkan peraturan yang disesuaikan dengan pembelajaran pengukuhan dan pembelajaran sosial. Model berasaskan ejen kedua ialah Aurora (Arentze, Pelizaro & amp Timmermans 2005). Ejen model ini menghasilkan jadual bergantung pada fungsi utiliti aktiviti. Setelah setiap aktiviti selesai, ejen mengemas kini pengetahuannya tentang persekitaran dan mempertimbangkan semula jadual yang tinggal. Transim juga berdasarkan model berasaskan ejen untuk analisis sistem pengangkutan wilayah (Smith, Beckman & amp Baggerly 1995). Transim menghasilkan model rangkaian ejen dan jalan raya menggunakan data rangkaian dan banci dari wilayah sasaran. Dengan menggunakan model yang dihasilkan, Transim melakukan simulasi lalu lintas dengan iterasi penjanaan aktiviti, perencanaan rute, simulasi mikro, dan prosedur maklum balas.

2.6 Model aktiviti harian seperti ini digunakan untuk persekitaran tertentu. Terdapat model untuk menilai pendedahan kepada pencemaran udara yang menggabungkan model Albatross dan Aurora dengan data kualiti udara (Beckx et al. 2009). Memandangkan populasi dan jadual perjalanan ejen, model menganggarkan tahap pendedahan kepada pencemaran. Terdapat juga model tingkah laku di sekitar. Ini berkaitan dengan tingkah laku spasial ejen dalam persekitaran kedai. Ia juga mempertimbangkan pilihan kedai ejen dan lawatan impulsif (Kaneda & amp Yoshida 2012). Lebih-lebih lagi, terdapat sejumlah besar literatur tentang bagaimana memodelkan dan mensimulasikan penggunaan tanah kota dengan model berdasarkan agen. Matthews et al memberikan tinjauan yang luas mengenai aplikasi model penggunaan tanah berasaskan ejen (Matthews et al. 2007). Selain itu, The Journal of Artificial Societies and Social Simulation telah memaparkan pelbagai karya mengenai penggunaan tanah dan model penduduk bandar (Filatova, Parker & amp van der Veen 2009 Fonoberova et al. 2012 Otter, van der Veen & amp de Vriend 2001 Schwarz et al. 2012).

Simulasi Pembangunan dan Pengurusan Bandar

2.7 Objektif kami adalah untuk melakukan analisis bagaimana-jika metodologi pemodelan dan simulasi, pembuat dasar, jurutera awam, dan penyelidik dalam kajian bandar yang telah menggunakan pelbagai alat simulasi untuk masalah dunia nyata mereka. Batty menulis sebuah buku yang luas mengenai bagaimana memodelkan dinamika kota dengan automata selular dan model berasaskan ejen (Batty 2004). Dengan kepakarannya dalam geo-grafik dan perancangan bandar, bukunya menunjukkan sekumpulan contoh yang jelas tentang bagaimana bandar berkembang dan memperlihatkan ciri-ciri kompleks dari masa ke masa. Mengenai perisian simulasi sebenar yang mensimulasikan dinamika bandar, kita dapat menamakan pelbagai simulasi dengan pelbagai objektif pemodelan. Sebagai contoh, UrbanSim dirancang untuk mensimulasikan pertumbuhan bandar dan kesannya kepada penduduk dalam jangka masa panjang dengan automata selular (Waddell 2002). Contoh lain dari simulasi di seluruh bandar ialah OREMS, yang menganggarkan pemindahan penduduk di seluruh bandar sekiranya berlaku bencana (Rathi & amp Solanki 1993). Juga, analisis pandemi di seluruh bandar telah disokong oleh pelbagai model berasaskan ejen, iaitu BioWar (Carley et al. 2006). Simulasi ini mungkin berbeza mengikut tujuan pemodelannya, tetapi mereka memodelkan kawasan bandar dan penduduknya dengan model berasaskan ejen.

Kaedah

Set Data Senario Simulasi

3.2 Tiga set data digunakan untuk menyediakan senario simulasi untuk model kami. Set data pertama adalah data populasi mikro yang digunakan untuk menghasilkan populasi maya dalam model kami. Set data kedua adalah statistik masa hidup yang menyediakan jadual tingkah laku ejen. Semasa kami memperoleh set data, terdapat jurang waktu satu tahun antara generasi kedua set data tersebut. Walau bagaimanapun, kesan perbezaan ini akan sedikit. Set data ketiga adalah persekitaran bandar, terutama poligon daerah dan topologi jalan, untuk mengedarkan ejen secara geografi. Persekitaran kota dan penduduk kota bersama-sama menentukan kawasan mana yang akan menjadi kawasan tumpuan perdagangan bandar.

Data Penduduk Mikro mengenai Penduduk Bandar

3.3 Data populasi mikro adalah statistik terperinci mengenai populasi di wilayah tertentu. Di Amerika Syarikat, data populasi mikro disebut Sampel Mikrodata Penggunaan Umum (PUMS) di Korea, data tersebut dinamakan Sistem Perkhidmatan Data Mikro (MDSS). MDSS mengandungi kumpulan atribut, seperti alamat individu, pekerjaan, komposisi keluarga, tahap pendidikan, dan sebagainya. Oleh kerana terdapat kebimbangan mengenai pelanggaran privasi, set data biasanya diberikan sebagai sampel tanpa nama. Kami dapat memperoleh sampel data populasi 5%, yang mengandungi 1,189 data populasi dari 23,780 populasi di kota Gwacheon, dari MDSS dan menggunakannya untuk menjana populasi agen dalam model kami. Jadual 1 adalah pecahan penduduk bandar mengikut pekerjaan. Oleh kerana bandar ini adalah daerah pinggiran kota, atau kota satelit, Seoul dengan fokus pada kompleks pemerintah, pegawai dan pekerja awam yang berulang-alik di luar kota adalah mayoritas. Set data MDSS yang asal tidak memberikan pengkategorian pekerjaan individu ini, jadi kami mengkategorikan individu sampel dengan aliran dalam Rajah 1.

3.4 Pengkategorian populasi ini penting dalam menganggarkan aktiviti harian penduduk. Memandangkan kesan perdagangan setelah penempatan semula, kami membuat hipotesis bahawa tingkah laku penurunan dan penjualan ejen akan menjadi fokus kajian ini. Tingkah laku ini berkait rapat dengan lokasi geospasial ejen dan corak lalu lintas kehidupan harian ejen. Namun, tidak ada set data langsung yang menggambarkan corak tersebut, jadi kami memodelkan aktiviti harian seperti itu dengan gabungan pekerjaan ejen, pembahagian geospasial bangunan, dan statistik penggunaan waktu. Langkah pertama untuk menghasilkan aktiviti harian seseorang adalah membuat profil individu tersebut, dan MDSS dan pengkategorian bersama-sama menghasilkan profil individu tersebut.

Jadual 1: Statistik deskriptif 5% populasi sampel di Gwacheon
Pengkategorian Ejen # Ejen Implikasinya
Ejen Pegawai Awam 130 Ejen pegawai awam bekerja di kompleks kerajaan di Gwacheon
Ejen Guru 262 Ejen guru bekerja di sekolah
Ejen Kakitangan Perubatan 10 Ejen kakitangan perubatan bekerja di hospital
Ejen Perniagaan 27 Ejen perniagaan bekerja di pejabat seperti bank
Ejen Pekerja 19 Ejen pekerja bekerja di industri dan bukannya di pejabat, seperti kedai
Ejen Luar Bandar 140 Ejen luar bandar mempunyai tempat kerja di luar bandar
Ejen Pelajar 117 Ejen pelajar belajar di sekolah
Ejen Telecommuter 22 Ejen telekomunikasi bekerja di rumah
Ejen Pembantu Rumah 350 Ejen pembantu rumah menjaga rumah dan keluarga
Ejen Kanak-kanak (tidak digunakan dalam Simulasi) 112 Ejen kanak-kanak adalah kanak-kanak
Jumlah 1,189

Rajah 1. Carta alir pengkategorian jenis ejen dengan set data MDSS

Data Penggunaan Masa pada Penduduk Bandar

3.5 Banyak negara melakukan tinjauan penggunaan masa untuk mengukur produktiviti, kehidupan harian, dan kecekapan infrastruktur. Kami menggunakan tinjauan penggunaan masa yang disediakan oleh Pejabat Statistik Nasional Korea. Tinjauan ini menyediakan jadual waktu individu biasa dalam kehidupan seharian. Terutama, tinjauan ini sangat sesuai dengan kumpulan data MDSS kerana individu dikategorikan mengikut pekerjaan mereka. Gambar 2 adalah aspek data penggunaan waktu, yang menentukan berapa banyak masa seseorang dengan pekerjaan tertentu menghabiskan masa melakukan aktiviti tertentu. Waktu tidur hampir seragam bagi pelajar, pekerja, dan suri rumah, sedangkan waktu perjalanan dan waktu senggang berbeza dengan pekerjaan. Maklumat ini memberikan dua jenis maklumat pemodelan. Pertama, dari data penggunaan masa, kami menghitung keadaan aktiviti jenis ejen dan peralihannya. Kedua, masa peralihan untuk setiap keadaan juga ditentukan oleh set data.

3.6 Selain tempoh aktiviti-keadaan oleh pekerjaan, data penggunaan waktu menyediakan data tahap individu dari aktiviti tertentu. Tingkah laku komuter penting dalam menganalisis dan mensimulasikan corak lalu lintas, tingkah laku belanja, dan ciri wilayah. Oleh itu, set data penggunaan masa menyediakan set sampel data masa perjalanan individu: apabila mereka meninggalkan tempat kerja atau rumah mereka untuk berulang-alik. Rajah 3 menggambarkan corak perjalanan ejen pelajar dan ejen lain. Terdapat dua puncak kerana ejen harus berulang-alik antara rumah dan tempat kerja. Berbanding dengan ejen lain, ejen pelajar mempunyai masa perjalanan yang lebih pekat pada waktu pagi kerana setiap kelas pelajar bermula pada pukul 9:00 pagi di Korea. Rekod masa perjalanan individu ini menunjukkan parameter pengedaran, iaitu min dan varians, pada masa ejen bergerak di bandar maya.

Gambar 2. Statistik penggunaan masa aktiviti harian oleh pelajar, pekerja dan suri rumah

Gambar 3. Statistik penggunaan masa tingkah laku berulang-ulang oleh ejen pelajar dan jenis ejen lain

Data Maklumat Geografi mengenai Persekitaran Bandar

3.7 Sebagai tambahan kepada model ejen, kami mempunyai data persekitaran yang menangkap ciri geospasial Gwacheon. Data dimuat dari OpenStreetMap, lihat Gambar 4, dan proses pembersihan data diikuti kerana data wilayah Korea tidak lengkap. Kami menemui 56 bangunan dari lima jenis dan lokasi geospatialnya. Selanjutnya, kami mengenal pasti rangkaian jalan raya yang mempunyai 37 ruas jalan dan 31 persimpangan. Data rangkaian jalan disusun dan disimpan sebagai data grafik untuk digunakan oleh ejen. Data bangunan tidak langsung diubah menjadi data jaringan, namun pintu masuk dan keluar bangunan dihubungkan ke segmen jalan terdekat dari jaringan. Tiga jenis daripada lima jenis bangunan berkait rapat dengan simulasi. Pertama, bangunan kerajaan dinyatakan sebagai tempat kerja, jadi ejen pekerja berulang-alik ke lokasi. Kedua, bangunan komersial terletak di pinggir jalan, jadi ejen yang lewat boleh turun dan berbelanja. Ketiga, bangunan kediaman diedarkan di seluruh bandar, dan ejen memulakan aktiviti harian mereka dari bangunan kediaman. Ketiga-tiga jenis bangunan ini menjadi tempat asas untuk membuat matriks tujuan-asal untuk ejen individu, dan matriks tujuan-asal populasi dapat mendedahkan kawasan komersial mana yang mungkin mempunyai ejen-ejen yang lewat atau tidak setelah pelaksanaan polisi.

Gambar 4. Tangkapan skrin OpenStreetMap bandar menarik, Gwacheon

Penerangan Model Berasaskan Ejen

3.8 Oleh kerana senario tersebut memerlukan interaksi yang kompleks antara persekitaran bandar dan individu, kami memilih ABM sebagai pendekatan pemodelan kami. Rajah 5 menunjukkan struktur ABM kami. Model ini sebahagian besarnya terdiri daripada dua bahagian: model agen heterogen dan data persekitaran. Kami secara formal memodelkan ejen dan memperlakukan persekitaran sebagai objek data yang digunakan oleh ejen. Ini mengehadkan penjanaan dan proses persekitaran, tetapi itu di luar skop pemodelan kami. Kami melaksanakan model kami dengan Repast Symphony 2.0 [1].

Gambar 5. Segi empat tepat hierarki struktur model berdasarkan ejen adalah model, dan segi empat bulat adalah objek data

  • Ejen mengetahui kawasan kejiranan, dan mereka dapat mencari laluan terpendek dengan maklumat peta global.
  • Maklumat peta global hanyalah maklumat susun atur geospasial dan rangkaian jalan yang tidak termasuk kelajuan aliran lalu lintas pada waktu tertentu.

3.10 Untuk melaksanakan tingkah laku mencari jalan terpendek di atas, kami menerapkan algoritma Dijkstra sederhana pada model yang dilaksanakan. Setelah melaksanakan kelas asas, pelbagai jenis ejen dilaksanakan melalui pewarisan, dan kami meneruskan penerangan model ejen kami yang pelbagai, yang dibincangkan dalam Bahagian 3.3.

Spesifikasi Tingkah Laku Ejen

3.11 Walaupun fungsi asas ejen intuitif tanpa penjelasan terperinci, jadual tingkah laku ejen adalah bahagian penting dari model yang memerlukan penjelasan lebih lanjut. Salah satu cara untuk menentukan tingkah laku ejen adalah melalui penggunaan carta alir. Walau bagaimanapun, carta alir adalah ungkapan yang tidak memadai dalam formalisme konkrit model kerana hanya terdapat konsensus yang lemah terhadap simbol dan anak panah. Selanjutnya, carta alir berguna dalam penerangan ringkas, tetapi kurang berguna dalam menentukan perilaku masa yang terperinci kerana mustahil untuk menentukan kemajuan masa dalam carta alir. Begitu juga, gambarajah mesin keadaan terhingga mengalami beberapa kelemahan. Walaupun diagram mesin keadaan terhingga lebih baik daripada diagram alir dalam menunjukkan peralihan keadaan - yang merupakan reka bentuk utama pemodelan ejen - diagram masih kekurangan masa tingkah laku, pengendalian persepsi-peristiwa, pengendalian peristiwa tindakan, dan sebagainya. .Kami mengesyaki bahawa kekurangan perwakilan tingkah laku ejen ini biasanya disebabkan oleh kurangnya formalisme dalam penerangan model ejen. Oleh itu, kami menggunakan salah satu formalisme yang paling terkenal dalam model peristiwa diskrit, DEVS Formalism, untuk secara formal menentukan tingkah laku ejen dalam model kami. ABM kami tidak mempunyai bahagian model masa berterusan, jadi ini adalah model peristiwa diskrit dalam gambaran besar. Oleh itu, ABM kami dapat ditentukan oleh formalisme DEVS, yang dikenali sebagai ungkapan lengkap dari model peristiwa diskrit. Lebih-lebih lagi, gambarajah DEVS yang lengkap dan intuitif akan menjadi gambaran yang berguna dalam peralihan tingkah laku ejen.

3.12 Dalam model kami, ejen membuat keputusan mengenai aktiviti harian berdasarkan jenis ejen dan keadaan semasa mereka. Gambar 6-10 menerangkan 1) keadaan, 2) peralihannya dipandu oleh peristiwa luaran, dan 3) output ke luar model ejen. Terdapat lima jenis tingkah laku ejen yang berbeza-beza mengikut jenis ejen yang berasal dari tarikh pekerjaan di MDSS. Setiap empat rajah pertama menggambarkan tingkah laku ejen pelajar, ejen luar bandar, ejen rumah tangga, dan ejen telekomunikasi. Gambar rajah terakhir menerangkan tingkah laku ejen komuter, yang merupakan ejen pegawai awam, ejen peniaga, ejen guru, ejen kakitangan perubatan, dan ejen pekerja. Status dalam rajah menunjukkan tingkah laku mereka sekarang, dan kemajuan masa yang sesuai dengan keadaannya menunjukkan jangka masa untuk tingkah laku yang berkaitan.

3.13 Jenis ejen dan bilangan ejen dengan jenis ejen ditentukan oleh data MDSS, dan mengikut jenis ejen yang ditentukan, tingkah laku harian ejen, seperti tempat lawatan dan kapan hendak pergi, akan ditentukan. Dengan menggunakan data MDSS dan data penggunaan masa, kami mengembangkannya bangunan mesti dikunjungi mengikut jenis ejen heterogen, yang menunjukkan bangunan yang mesti dikunjungi ejen dengan jenis tertentu dalam sehari (lihat Jadual 2). Lebih khusus lagi, setiap jenis ejen harus pergi ke beberapa jenis bangunan mengikut jadual hariannya. Sebagai contoh, dalam Gambar 6, ejen pelajar lebih suka ke sekolah, dan akademi, sementara ejen rumah tangga, dalam Gambar 8, tidak mempunyai bangunan yang mesti dilalui oleh ejen tersebut. Juga, untuk variasi simulasi, alternatif jadual wajib (iaitu, pergi ke bangunan mesti dikunjungi) dirancang. Dalam Rajah 6, ejen pelajar boleh pergi ke sekolah dengan kebarangkalian yang lebih tinggi (PSC) atau tinggal di rumah dengan kebarangkalian yang lebih rendah (HH1) (iaitu, PSC & gt & gt PH1). Kebarangkalian dalam angka di atas ditentukan secara sewenang-wenangnya. Apabila ejen memutuskan untuk pergi ke bangunan, ejen bergerak ke bangunan melalui model rangkaian jalan raya dan tinggal di sana untuk jangka masa tertentu, atau kemajuan masa. Jangka masa untuk tingkah laku tersebut pada asasnya diambil dari statistik penggunaan masa yang dijelaskan dalam Bahagian 3.1.2.

3.14 Apabila ejen mengatasi semua bangunan mesti dikunjungi, jadual wajibnya dalam sehari sudah berakhir sehingga ejen itu dapat meluangkan masa. Waktu senggang dikategorikan dua kali ganda: pergi ke tempat lain atau berehat di rumah. Contohnya, apabila ejen pelajar bergerak di sekitar sekolah dan akademi, ia boleh pergi ke tempat lain untuk bersantai atau pulang ke rumah untuk berehat. Dalam Rajah 6, ketika keadaan ejen pelajar adalah Akademi dan tempohnya berakhir, ejen membuat keputusan untuk pergi ke tempat lain (dengan PSh1) atau rumah (dengan PH2). Sekiranya ejen memutuskan untuk pergi ke tempat lain, ejen boleh berkeliling bangunan kecuali yang lain bangunan mesti dikunjungi dan harus pulang ke rumah sehingga waktu tidurnya yang juga dapat diperoleh dari data penggunaan masa .. Kaedah reka bentuk seperti ini digunakan untuk mengembangkan jenis ejen lain memandangkan bangunan mesti dikunjungi dan data penggunaan masa (lihat Gambar 6-10) sehingga kami dapat menghasilkan tingkah laku yang dikalibrasi dari pelbagai jenis agen dari data sebenar.

Gambar 6. (Kiri) Gambar rajah DEVS untuk tingkah laku ejen pelajar (keadaan) dan jadual waktu mereka (kemajuan masa) dan notasi (Kanan) pada rajah DEVS

Gambar 7. Gambar rajah DEVS untuk tingkah laku ejen luar bandar (negeri) dan jadual waktu mereka (kemajuan masa)

Gambar 8. Gambar rajah DEVS untuk tingkah laku ejen Pembantu Rumah Tangga (keadaan) dan jadual waktu mereka (kemajuan masa)

Gambar 9. Diagram DEVS untuk tingkah laku ejen telekomunikasi (keadaan) dan jadual waktu mereka (kemajuan masa)

Gambar 10. Diagram DEVS untuk tingkah laku pegawai awam, ahli perniagaan, guru, kakitangan perubatan, dan ejen pekerja (negeri) dan jadual waktu mereka (kemajuan masa)

Jadual 2: Senarai bangunan yang mesti dikendalikan mengikut jenis ejen heterogen
Maklumat Bangunan. Jenis Ejen
Jenis Bangunan Nombor Pelajar Luar bandar Pembuat rumah Komuter Tele Pegawai awam Lelaki perniagaan Cikgu Kakitangan perubatan Pekerja
Awam 1 O
Pejabat 8 O O O
Membeli-belah 8
Trafik 4 O
Pangsapuri 10 O O O O O O O O O
Hospital 2 O
Restoran 9 O O O O
Akademi 4 O O
Sekolah 10 O O
Jumlah 56

Ringkasan Model dan Reka Bentuk Eksperimen Maya

3.15 Kami membina ABM aktiviti harian kami dengan fokus pada tingkah laku bekerja dan membeli-belah pada hari kerja untuk menilai kesan penempatan semula penduduk terhadap perdagangan bandar. Walaupun bahagian sebelumnya menggambarkan arsitektur model dan bahagian dalam agen, Jadual 3 menghitung set data yang digunakan dan menghasilkan output untuk analisis. Kami menentukur aktiviti ejen kami dengan set data MDSS dan set data penggunaan masa. Kami memperoleh 5% sampel data keseluruhan populasi di bandar Gwacheon dari MDSS, yang hanya mengandungi 1,189 anggota populasi. Oleh kerana populasi 1,189 terlalu kecil untuk menilai kesan terhadap perdagangan, kami menghasilkan 2,154 ejen dalam model kami, yang berukuran dua kali ganda dari ukuran populasi. Hasil yang diinginkan adalah potensi perilaku shop-in setiap bangunan komersial di Gwacheon.

Jadual 3: Senarai pemboleh ubah input, pemboleh ubah output, dan parameter model berasaskan ejen kami
Jenis Nama Implikasinya
Masukan Set Data MDSS Memandangkan atribut setiap ejen, jenis ejen ditentukan, dan jadual harian dihasilkan oleh jenis ejen.
Set Data Penggunaan Masa Penggunaan masa harian pada keadaan aktiviti tertentu untuk jenis individu tertentu
Set Data GIS Maklumat jalan dan bangunan mengenai koordinat, jenis, dan pengenalan
Pengeluaran Bilangan Ejen Lulus Jumlah ejen lulus bagi setiap bangunan untuk mengukur aktiviti perdagangan
Bilangan Ejen di Segmen Jalan Kiraan ejen pada segmen jalan tertentu untuk mengukur status lalu lintas
Parameter Nisbah Pengurangan Bahagian pegawai awam yang berpindah ke seluruh pegawai awam di bandar Gwacheon
Nisbah Perjalanan Sebilangan pegawai awam yang berulang-alik antara Gwacheon dan bandar baru tanpa bergerak keluar dari semua pegawai awam yang berpindah
Pindah Keluarga Nilai boolean menunjukkan sama ada pegawai awam akan keluar bersama keluarganya atau tidak
Kelajuan Pengangkutan Kelajuan berjalan adalah 1, dan yang lain x kali lebih cepat daripada berjalan
(berjalan kaki = 1, basikal = 3, bas = 8, kereta = 10)
Masa simulasi Jumlah masa simulasi
(lalai = 24 jam)
Kedudukan Ejen Permulaan Tentukan rumah ejen secara rawak sebelum simulasi
(lalai = penugasan rawak dengan set data MDSS, lihat Bahagian 3.3.)
Tempat Ejen yang Diperlukan Tentukan tempat wajib bagi ejen bergantung kepada jenisnya
(lalai = penugasan rawak dengan set data MDSS, lihat Bahagian 3.3.)
Tempoh Aktiviti Tempoh aktiviti ejen bergantung pada statistiknya
(lalai = statistik penggunaan masa dalam Bahagian 3.1.2.)

3.16 Dalam simulasi, model tersebut menghitung ejen pemindahan untuk mengukur ukuran populasi tempatan di lokasi tertentu, dan kami menganggap bahawa jumlah ejen pemindahan akan memberi kesan negatif terhadap perdagangan bandar. Anggapan ini tidak berasas kerana hubungan antara penduduk di kawasan tempatan dan ekonomi tempatan diteliti dalam banyak karya (Kuznets 1967 Simon 1986 Becker, Glaeser & amp Murphy 1999 Tsen & amp Furuoka 2005). Sebagai contoh, Tsen dan Furuoka (2005) menyiasat hubungan antara populasi dan pertumbuhan ekonomi di ekonomi Asia. Juga, Fesser dan Sweeney (1999) meneliti bentuk-bentuk tekanan ekonomi yang signifikan yang mengiringi penghijrahan dan kehilangan penduduk di komuniti A.S. dari sudut pandang yang sama dengan kita. Jumlah ejen lulus bergantung pada status lalu lintas rangkaian jalan raya, jadi jumlah ejen pada segmen jalan tertentu juga dikira.

  • Apabila polisi penempatan semula dilaksanakan, sebilangan pegawai awam harus berpindah ke bandar pentadbiran baru
  • Di antara pegawai awam yang berpindah, ada yang akan berpindah dari bandar Gawcheon, tetapi yang lain akan berulang-alik antara Gwacheon dan bandar baru
  • Di antara pegawai awam yang berpindah, ada yang akan pindah bersama keluarga, tetapi yang lain akan bergerak sendiri

3.18 Berdasarkan tiga kemungkinan kes, kami menetapkan tiga pemboleh ubah eksperimen: nisbah pengurangan, nisbah perjalanan, dan perpindahan keluarga. Nisbah pengurangan menunjukkan sebahagian pegawai awam yang berpindah. Sekiranya nisbah pengurangan adalah 0.1, 10% pegawai awam di bandar harus berpindah ke bandar pentadbiran baru. Nisbah perjalanan menggambarkan sebahagian pegawai awam yang berpindah yang berulang-alik antara bandar Gwacheon dan bandar baru tanpa bergerak keluar. Sekiranya nisbah perjalanan 0,0, semua pegawai awam yang berpindah akan keluar dari bandar Gwacheon. Pindah keluarga mewakili sama ada keluarga pegawai awam akan pergi bersamanya atau tidak ketika dia memutuskan untuk pindah. Dalam eksperimen maya kami, kami mengembangkan tujuh kes nisbah pengurangan, lima kes nisbah perjalanan dan dua kes perpindahan keluarga (lihat Jadual 4). Oleh itu, kami menghasilkan 70 kes simulasi dengan reka bentuk eksperimen faktorial penuh dan menambahkan satu lagi kes simulasi (iaitu, garis dasar) tanpa penempatan semula. Semua eksperimen diulang 20 kali untuk mengelakkan kesan rawak dalam model kami.

Jadual 4: Reka bentuk eksperimen maya senario minat
Percubaan
Nama Pembolehubah
Reka Bentuk Eksperimen Implikasinya
Nisbah Pengurangan 0.1, 0.2, 0.3, 0.4, 0.5 0.6, atau 0.7 (7 kes) Bahagian pegawai awam yang berpindah ke seluruh pegawai awam di bandar Gwacheon
Nisbah Perjalanan 0.0, 0.25, 0.50, 0.75, atau 1.00 (5 kes) Sebilangan pegawai awam yang berulang-alik antara Gwacheon dan bandar baru tanpa bergerak keluar dari semua pegawai awam yang berpindah
Pindah Keluarga Betul atau Salah (2 kes) Nilai boolean yang menunjukkan sama ada pegawai awam akan keluar bersama keluarganya atau tidak
Jumlah Sel Eksperimen 70 sel eksperimen + 1 sel asas
(= 7 * 5 * 2 + 1 kes)
Setiap sel ditiru 20 kali

Keputusan

Hasil Analisis Dasar Penempatan Semula

4.2 Kami melakukan eksperimen maya dengan reka bentuk model dan eksperimen kami. Untuk membantu pemahaman intuitif hasilnya, kami memberikan visualisasi simulasi berjalan. Selepas visualisasi, kami menyiasat pentingnya perubahan ejen yang lewat di tingkat bangunan. Salah satu kelebihan menggunakan ABM adalah analisis tahap mikro output simulasi, jadi kami melihat kawasan mana yang akan terpengaruh lebih banyak daripada daerah lain.

Ilustrasi Pelaksanaan Model

4.3 ABM kami mensimulasikan aktiviti harian penduduk tempatan dengan fokus pada perilaku lalu lintas dan membeli-belah. Gambar 11 menunjukkan senarai tangkapan skrin pada jam 6 pagi, 8 pagi, 2 petang, dan 6 petang di dunia simulasi. Jenis ejen diberi kod warna pada tangkapan skrin, dan bangunannya diedarkan secara geospatial di rantau ini. Gambar 3 dari set data penggunaan masa menyatakan bahawa ada jarak waktu yang lebih kecil untuk pergi ke tempat kerja berbanding dengan pulang dalam aktiviti berulang-alik. Oleh itu, model kami menunjukkan lalu lintas yang lebih berat pada pukul 8 pagi berbanding dengan lalu lintas pada pukul 6 petang. Pada jam 6 pagi, terdapat sedikit lalu lintas kerana penyesuaian masa-awal yang rawak untuk beberapa ejen. Pada tengah hari, ejen yang tidak berulang-alik keluar untuk membeli-belah dan aktiviti lain.

Gambar 11. Aktiviti simulasi penduduk tempatan pada pukul 6 pagi (a), 8 pagi (b), 2 petang (c), dan 6 petang (d) di bandar simulasi

4.4 Rajah 12 menunjukkan kesan pengurangan agen pemindahan di bangunan komersial yang diminati. 17 bangunan itu dipilih jika berkaitan dengan belanja, makan, atau kegiatan riadah, yang akan menjadi bangunan komersial di kota. Rajah 12 menunjukkan sembilan kes daripada 70 sel eksperimen dalam Jadual 4. Apabila keluarga tidak berpindah, kesan terhadap jumlah ejen pemindahan adalah minimum. Oleh itu, kami memilih sembilan sel perwakilan apabila keluarga tidak berpindah. Kami memerhatikan bahawa bangunan-bangunan tersebut dipengaruhi secara berbeza oleh nisbah perjalanan dan nisbah pengurangan. Tambahan pula, lokasi geografi bangunan turut mempengaruhi kesannya. Sebagai contoh, sel dengan nisbah pengurangan tinggi dan nisbah perjalanan rendah menunjukkan penurunan yang lebih besar daripada sel dengan nisbah pengurangan tinggi dan nisbah perjalanan tinggi kerana populasi tempatan berkurang kurang dengan nisbah perjalanan lebih tinggi. Tingkah laku berulang-alik akan membawa ejen ke persimpangan jalan raya di utara bandar, jadi beberapa bangunan di jalan hampir sama sebelum polisi dilaksanakan.

Gambar 12. Kadar pengurangan bilangan ejen lulus dengan pelbagai tetapan pemboleh ubah eksperimen ke utara meningkat, dan peratusan menunjukkan penurunan ejen lulus berbanding dengan garis dasar

4.5 Gambar 13 menggambarkan kesan agregat perdagangan bandar melalui pelbagai faktor. Gambar 13 menunjukkan bahawa penempatan semula tidak akan banyak mempengaruhi kecuali jika disertai dengan penempatan semula keluarga. Penempatan semula keluarga ini jauh lebih penting daripada mengubah nisbah penempatan semula pegawai awam. Sebenarnya, perkiraan ini sudah diperhatikan di Gwacheon kerana ada laporan yang mempertanyakan kesan dasar penempatan semula tanpa pergerakan seluruh keluarga.

Gambar 13. Peratusan pengurangan agen pemintas berbanding dengan garis dasar (Kiri) yang dipinggirkan oleh parameter pindah keluarga, (Pusat) dipinggirkan oleh nisbah pengurangan, dan (Kanan) dipinggirkan oleh nisbah perjalanan (terpinggir: menyatukan atau menjumlahkan hasil dari tiga parameter ke hasil satu parameter untuk menumpukan pada kesan oleh setiap parameter secara bebas)

Analisis Statistik Perdagangan Bandar

4.6 Dalam simulasi kami, jumlah ejen bangunan komersial yang berlalu berbeza mengikut empat faktor: lokasi bangunan, perpindahan keluarga, nisbah pengurangan, dan nisbah perjalanan. Untuk menilai secara signifikan kepentingan faktor-faktor ini, kami mengembangkan model meta yang menerangkan kepentingan faktor-faktor dalam menentukan jumlahnya. Model meta adalah regresi linear multivariat antara empat faktor dan jumlah ejen lulus. Dua faktor, bangunan dan keluarga bergerak, adalah pemboleh ubah kategori, jadi kami membuat dua set pemboleh ubah yang sesuai dengan menghilangkan satu kes untuk setiap set. Jadual 5 menerangkan perincian hasil pemodelan meta. Oleh kerana kami menyeragamkan pekali, kami dapat membandingkan kepekaan perubahan pemboleh ubah untuk meningkatkan jumlahnya. Seperti yang digambarkan dalam Gambar 9, jumlah menurun ketika keluarga berpindah, nisbah pengurangan meningkat, dan nisbah perjalanan menurun. Jadual 5 menunjukkan bahawa kekuatan ketiga-tiga faktor tersebut mengikut urutan perpindahan keluarga, nisbah perjalanan dan nisbah pengurangan dengan memerhatikan pekali piawai dan nilai-P menunjukkan keteguhan tafsiran. Apabila kita membandingkan ketiga faktor tersebut dengan lokasi bangunan komersial, sebagian besar lokasi memiliki pengaruh yang lebih kuat terhadap jumlah daripada pergerakan keluarga, nisbah pengurangan, dan nisbah perjalanan. Ini bermaksud bahawa lokasi bangunan akan menjadi faktor terkuat dalam menentukan kenaikan dan penurunan prestasi komersial, dan ini digambarkan dalam Gambar 12.

4.7 Selain pemodelan meta, kami melakukan analisis analisis varians (ANOVA) mengenai faktor dan jumlah agen yang lewat. Jadual 6 menunjukkan pengaruh dari rawatan, yang merupakan pemboleh ubah eksperimen, terhadap pengiraan. Hasil analisis selaras dengan model meta. Lokasi bangunan adalah rawatan utama untuk mengubah jumlahnya. Kemudian, pergerakan keluarga, nisbah perjalanan, dan nisbah pengurangan mempunyai pengaruh terhadap jumlah mengikut urutan kekuatan.

Jadual 5: Meta-model kiraan lulus dengan regresi linier kiraan lulus oleh bangunan yang diminati
Jadual 6: ANOVA untuk menunjukkan kepentingan faktor antara pemboleh ubah eksperimen dan jumlah ejen lulus
Pemboleh ubah 'Jumlah Sq.' 'd.f.' 'F' 'Prob & gtF'
Lokasi Bangunan Komersial 4.30E + 09 1.60E + 01 15820.3738 0.0000
Pindah Keluarga 1.05E + 07 1.00E + 00 620.6110 0.0000
Nisbah Pengurangan 1.19E + 06 6.00E + 00 11.7019 0.0000
Nisbah Perjalanan 1.75E + 06 4.00E + 00 25.8057 0.0000
'Ralat' 1.97E + 07 1.16E + 03
'Jumlah' 4.34E + 09 1.19E + 03

Hasil Analisis Pengesahan Model

4.8 Kajian simulasi ini dirancang pada pertengahan tahun 2012 ketika polisi hendak dilaksanakan. Pada Ogos 2013, kami meninjau perubahan sebenar di Gwacheon. Kajian ini memfokuskan pada kesan penempatan semula pada aspek komersial, jadi kami menyiasat perubahan kadar sewa bangunan simulasi di dunia nyata. Ukuran langsung status komersial adalah jumlah penjualan kedai dan pusat beli-belah di rantau ini, tetapi maklumat seperti itu sukar dikumpulkan di kawasan seluruh bandar. Oleh itu, kami mengumpulkan ukuran tidak langsung, iaitu kadar sewa bangunan, menunjukkan perubahan dari aspek komersial, dan ukuran ini lebih mudah untuk dikaji. Namun, secara objektif mencatatkan kadar sewa bangunan komersial bukanlah tugas yang mudah kerana kontrak tidak sering dibuat dan kerana kadar yang tepat tidak tersedia untuk umum, yang sangat berbeza dengan mencari kadar sewa kediaman. Oleh itu, kami menghubungi 11 agensi harta tanah utama dan membuat tinjauan mengenai sewa bangunan. Kerana tidak ada tanggapan dari beberapa orang yang diwawancara, kami hanya memperoleh lima pulangan tinjauan. Selanjutnya, dari 17 bangunan yang menarik dalam simulasi, tiga bangunan tidak tersedia untuk menyewa ruang untuk tujuan komersial, sehingga 14 bangunan menjadi sasaran pengesahan.

4.9 Gambar 14 dan Gambar 15 menunjukkan perbandingan visual antara ukuran dari dunia nyata dan simulasi. Kami membandingkan kadar sewa yang disurvei dan jumlah rata-rata ejen yang dilalui oleh bangunan-bangunan komersial yang menarik. Sukar untuk melihat korelasi yang kuat antara keduanya, namun plot penyebaran menunjukkan korelasi positif sedikit antara kedua-dua set metrik. Walaupun ada korelasi positif, beberapa bangunan, Bangunan 711, 706, dan 302, menyimpang dari garis pas.

Gambar 14. (Kiri) Kadar sewa yang dikaji oleh bangunan di dunia nyata dan (Kanan) rata-rata jumlah ejen yang lewat dalam simulasi

Rajah 15. Petak penyebaran dan garis lurus antara hasil simulasi dan tinjauan dunia nyata

4.10 Oleh kerana kami tidak dapat mengesahkan korelasi dengan hanya visualisasi dua pengedaran, kami mengira korelasi antara dua pengedaran tersebut. Secara khusus, kami mengira korelasi antara taburan yang disurvei dan setiap sel eksperimen maya, yang menghasilkan 70 set hasil korelasi. Juga, kami mengira tiga korelasi yang berbeza: korelasi Pearson, korelasi peringkat Spearman, dan korelasi peringkat tau Kendall. Kami memasukkan korelasi peringkat kerana hasil simulasi dengan ramalan yang betul dalam kedudukan, bukan pembahagian nilai berterusan, dapat berguna dalam analisis dasar dunia nyata. Jadual 7 menunjukkan ringkasan analisis korelasi ini. Apabila kita memasukkan setiap bangunan minat, korelasi nilai adalah 20.68%, dan korelasi peringkat adalah 45.49%. Memandangkan bahawa ini adalah simulasi sosial yang sangat sukar untuk mendapatkan pengesahan yang tinggi, kami berpendapat bahawa ini adalah kualiti rata-rata untuk pengesahan. Apabila kita mengecualikan bangunan yang menyimpang dari garis pas pada Gambar 15, korelasi nilai menjadi 48.3%, dan korelasi peringkat menjadi 85.45%. Ini akan menjadi kualiti pengesahan yang baik memandangkan kesukaran pengesahan simulasi sosial. Selain hasil pengesahan statistik, kami mengesan sel eksperimen maya yang menghasilkan korelasi maksimum. Hasil jejak parameter ini mungkin memberitahu kita tetapan sebenar dunia nyata. Sebagai contoh, apabila sel eksperimen yang menghasilkan korelasi peringkat Spearman maksimum mensimulasikan apabila keluarga tidak berpindah, kadar pengurangan adalah 0.7, dan nisbah perjalanan adalah 0.5.

Jadual 7: Analisis korelasi antara kadar sewa yang disurvei dan jumlah ejen kelulusan simulasi
14 Bangunan 11 Bangunan
(Tidak termasuk outliers: Bangunan 711, 706, dan 302)
Maks. Nilai Korelasi Penetapan Simulasi Maks. Korelasi Maks. Nilai Korelasi Penetapan Simulasi Maks. Korelasi
Pindah Keluarga Nisbah Pengurangan Nisbah Perjalanan Pindah Keluarga Nisbah Pengurangan Nisbah Perjalanan
Pearson
Korelasi
0.2068 Betul 0.6 1.0 0.4830 Betul 0.3 0.75
Korelasi Pangkat Spearman 0.4549 Betul 0.6 1.0 0.8545 Salah 0.7 0.5
Korelasi Tau Rank Kendall 0.3187 Betul 0.6 1.0 0.6727 Salah 0.7 0.5

Kesimpulannya

5.2 Banyak dasar dirancang dan dilaksanakan untuk tujuan yang lebih baik dan strategik. Kebijakan penempatan semula kompleks pemerintah ini bertujuan untuk mengalihkan fungsi kecil Seoul ke kota yang jauh, sehingga jumlah penduduk yang berlebihan dan masalahnya dapat diselesaikan dalam proses tersebut. Walau bagaimanapun, dasar ini memberi kesan yang besar kepada penduduk yang terjejas: keluarga yang perlu dipindahkan, pegawai awam yang mungkin berulang-alik selama dua jam sehari, dan kedai dan pusat membeli-belah tempatan dengan mengurangkan penjualan. Pembuat dasar mungkin memerlukan alat yang membolehkan mereka meramalkan kesan luar dari polisi mereka, dan simulasi ini akan menjadi alat seperti itu.

Ucapan terima kasih

Catatan

Rujukan

ARENTZE, T. A. & amp Timmermans, H. J. P. (2004). Albatross - sistem simulasi berorientasikan pengangkutan berdasarkan pembelajaran. Penyelidikan Pengangkutan Bahagian B: Metodologi, 38 (7), 613–633. [doi: 10.1016 / j.trb.2002.10.001]

BAE, J. W., Lee, G. & amp Moon, I.-C. (2012). Spesifikasi formal yang menyokong pemodelan berasaskan ejen tambahan dan fleksibel. Prosiding Persidangan Simulasi Musim Sejuk 2012 (hlm 1–12). [doi: 10.1109 / WSC.2012.6465163]

BATTY, M. (2004). Bandar dan Kerumitan: Memahami Bandar dengan Automata Selular, Model berasaskan Ejen, dan Fraktal. MA: Akhbar MIT.

BECKER, G. S., Glaeser, E. L. & amp Murphy, K. M. (1999). Pertumbuhan penduduk dan ekonomi. Kajian Ekonomi Amerika, 145–149. [doi: 10.1257 / aer.89.2.145]

BECKX, C., Int Panis, L., Arentze, T., Janssens, D., Torfs, R., Broekx, S. & amp Wets, G. (2009). Pendekatan pemodelan populasi berdasarkan aktiviti yang dinamik untuk menilai pendedahan kepada pencemaran udara: kaedah dan aplikasi ke kawasan bandar Belanda. Kajian Penilaian Impak Alam Sekitar, 29 (3), 179–185. [doi: 10.1016 / j.eiar.2008.10.001]

BURGESS, E. W. (2008). Pertumbuhan Bandar: Pengenalan Projek Penyelidikan (hlm. 71–78). Springer AS. [doi: 10.1007 / 978-0-387-73412-5_5]

CARLEY, K. M. (2002). Ilmu organisasi komputasi: Satu sempadan baru. Prosiding Akademi Sains Nasional, 99 (suppl 3), 7257-7262. [doi: 10.1073 / pnas.082080599]

CARLEY, K. M., Fridsma, D. B., Casman, E., Yahja, A., Altman, N., Kaminsky, B. & amp Nave, D. (2006). BioWar: model bioattack berasaskan ejen yang boleh diskalakan. Transaksi IEEE pada Sistem, Manusia, dan Cybernetics - Bahagian A: Sistem dan Manusia, 36 (2), 252–265. [doi: 10.1109 / TSMCA.2005.851291]

EPSTEIN, J. M. (1996). Pertumbuhan Masyarakat Buatan: Sains Sosial dari Bawah Ke Atas, (hlm 1–20). Akhbar Institusi Brookings.

FESSER, E. J. & amp Sweeney, S. H. (1999). Penghijrahan luar, Penurunan Penduduk, dan Masalah Ekonomi Wilayah (hlm. 80). Washigton, DC.

FILATOVA, T., Parker, D. & amp Van der Veen, A. (2009). Pasaran tanah bandar berdasarkan ejen: tingkah laku harga ejen, harga tanah dan penggunaan tanah bandar berubah. Jurnal Persatuan Buatan dan Simulasi Sosial, 12 (1) 3: http://jasss.soc.surrey.ac.uk/12/1/3.html.

FONOBEROVA, M., Fonoberov, V. A., Mezic, I., Mezic, J. & amp Brantingham, P. J. (2012). Dinamika kejahatan dan keganasan yang tidak linear di kawasan bandar. Jurnal Persatuan Buatan dan Simulasi Sosial, 15(1), 2.

FORRESTER, J. W. (1971). Tingkah laku sistem sosial yang berlawanan dengan intuitif. Teori dan Keputusan, 2 (2), 109–140. [doi: 10.1007 / BF00148991]

GUO, H. C., Liu, L., Huang, G. H., Fuller, G. A., Zou, R. & amp Yin, Y. Y. (2001). Pendekatan dinamika sistem untuk perancangan dan pengurusan persekitaran wilayah: kajian untuk Tasik Erhai Basin. Jurnal Pengurusan Alam Sekitar, 61 (1), 93–111. [doi: 10.1006 / jema.2000.0400]

HARRIS, C. D. & amp Ullman, E. L. (1945). Sifat bandar. The Annals of American Academy of Political and Social Science, 242 (1), 7–17. [doi: 10.1177 / 000271624524200103]

HOLZER, R. & amp de Meer, H. (2008). Mengenai pemodelan sistem penyusunan diri. Prosiding Persidangan ICST Antarabangsa ke-2 mengenai Sistem Pengkomputeran dan Komunikasi Autonomi (hlm. 1–6). Turin, Itali. [doi: 10.4108 / ICST.AUTONOMICS2008.4671]

HOYT, H. (1939). Struktur dan pertumbuhan kawasan perumahan di bandar-bandar Amerika (ms 178). Washington, D.C: Kerajaan A.S.

JUN, M. J. (2007). Penempatan semula sektor awam Korea: Adakah pilihan yang sesuai untuk pembangunan negara yang seimbang? Kajian Wilayah, 41(1), 65–74.

KANEDA, T. & amp Yoshida, T. (2012). Meniru tingkah laku di sekitar kedai. Prosiding Simposium 2012 mengenai Simulasi Terarah Ejen (ms 8). Orlando, Florida: Persatuan untuk Simulasi Komputer Antarabangsa.

KUZNETS, S. (1967). Pertumbuhan penduduk dan ekonomi. Prosiding Persatuan Falsafah Amerika (hlm. 170–193).

MARSHALL, J. N., Bradley, D., Hodgson, C., Alderman, N. & amp Richardson, R. (2005). Penempatan semula, penempatan semula, penempatan semula: menilai kes penyebaran sektor awam. Kajian Wilayah, 39 (6), 767–787. [doi: 10.1080 / 00343400500213663]

MATTHEWS, R. B., Gilbert, N. G., Roach, A., Polhill, J. G. & amp Gotts, N. M. (2007). Model penggunaan tanah berasaskan ejen: tinjauan aplikasi. Ekologi Landskap, 22 (10), 1447-1459. [doi: 10.1007 / s10980-007-9135-1]

MOON, I. C. & amp Carley, K. M. (2007). Memodelkan dan mensimulasikan rangkaian pengganas dalam dimensi sosial dan geospasial. Sistem Pintar IEEE, 22 (5), 40–49. [doi: 10.1109 / MIS.2007.4338493]

OTTER, H. S., van der Veen, A. & amp de Vriend, H. J. (2001). ABLOoM: Tingkah laku lokasi, corak spatial, dan pemodelan berdasarkan ejen. Jurnal Persatuan Buatan dan Simulasi Sosial, 4 (4) 2: http://jasss.soc.surrey.ac.uk/4/4/2.html.

RATHI, A. K. & amp Solanki, R. S. (1993). Simulasi aliran lalu lintas semasa pemindahan kecemasan. Prosiding Persidangan Simulasi Musim Sejuk 1993 (hlm. 1250–1258). New York, New York, Amerika Syarikat: ACM Press.

RODRIGUE, J.-P., Comtois, C. & amp Slack, B. (2011). Geografi sistem pengangkutan. Jurnal Teknologi Bandar, 18 (2), 99–101. [doi: 10.1080 / 10630732.2011.603579]

SCHWARZ, N., Kahlenberg, D., Haase, D. & amp Seppelt, R. (2012). ABMland - alat untuk pengembangan model berasaskan ejen mengenai perubahan penggunaan tanah bandar. Jurnal Persatuan Buatan dan Simulasi Sosial, 15 (2) 8: http://jasss.soc.surrey.ac.uk/15/2/8.html.

SIMON, J. L. (1986). Teori Penduduk dan Pertumbuhan Ekonomi. Oxford United Kingdom Basil Blackwell.

SMITH, L., Beckman, R. & amp Baggerly, K. (1995). TRANSIM: Analisis dan simulasi pengangkutan (No. LA-UR-95-1641).

TESFATSION, L. (2002). Ekonomi pengkomputeran berasaskan ejen: ekonomi berkembang dari bawah ke atas. Kehidupan Buatan, 8 (1), 55–82. [doi: 10.1162 / 106454602753694765]

THÜNEN, J., Wartenberg, C. M. & amp Hall, P. (1966). Negeri Terasing Von Thünen. London: Oxford: Akhbar Pergamon.

TSEN, W. H. & amp Furuoka, F. (2005). Hubungan antara pertumbuhan penduduk dan ekonomi di ekonomi Asia. Buletin Ekonomi ASEAN, 314–330. [doi: 10.1355 / AE22-3E]

WADDELL, P. (2002). UrbanSim: memodelkan pembangunan bandar untuk penggunaan tanah, pengangkutan, dan perancangan alam sekitar. Jurnal Persatuan Perancangan Amerika, 68 (3), 297–314. [doi: 10.1080 / 01944360208976274]


Barisan pengeluaran perindustrian

Britain pada akhir abad ke-18 menyatukan ekonomi dan masyarakatnya yang kritis ketika Revolusi Perindustrian menguasai negara ini. Penduduk berpindah, ladang dikosongkan, bandar bertambah dan kilang-kilang baru dan & kilang aposatanic & apos menghidupkan enjin ekonomi.

Di Scotland besi, arang batu dan keluli Glasgow adalah pusat dari dinamik wap baru. Di Edinburgh ini kurang berlaku tetapi pembangunan bandar masih mencerminkan mesin industri. Garis pengeluaran kediaman berpakaian ashlar dirancang dan dibuat.

Rumah teres Circus Place

Mereka dihasilkan dari acuan dan dipamerkan untuk pasaran pengguna baru & aposnouveau riche & apos di kalangan kelas tinggi Scotland termasuk bangsawan yang tidak hadir di England. Dalam menilai London bersama Edinburgh pada tahun 1850, Charlotte Bronte telah bersemangat & quotprose berbanding puisi & quot menunjukkan bahawa Bandar Baru memang menaikkan prestij ibu negara Scotland.

Kekakuan gaya ini dengannya & merangkumi simetri segi empat tepat ke depan melambangkan Bandar Baru Georgia. Oleh itu, keseragaman mendatar jarang terganggu. Dan betapa sensasinya rasanya pada tahun 1810 ketika busur dangkal Abercromby Place yang baru dibina di bawah pandangan penduduk tempatan yang tidak percaya. Mereka yakin akan runtuh di timbunan.

Tetapi apabila seorang peragawati berani memecah kedudukan, nampaknya lebih luar biasa kerana keunikannya. Robert Adam bagaimanapun tidak terkecuali. Reputasinya yang hebat memberikannya kemewahan indah di Charlotte Square. Seluruh bahagian depan blok utara dan selatan diserahkan pada gaya kediaman kerajaan palsu walaupun terdapat rumah terpisah di dalamnya. Mengagumkan walaupun tetap megah dalam sindirannya.

Galeri Potret Nasional Scotland di Queen Street


Struktur penduduk

Penuaan penduduk adalah perkara biasa di Eropah barat, tetapi kerana kadar kelahiran yang rendah telah dapat dilihat di Perancis sejak awal abad ke-19. Pada awal abad ke-21, lebih daripada seperlima warganegara Perancis berumur sekurang-kurangnya 60 tahun. Kecenderungan peningkatan populasi warga tua juga mencerminkan kemajuan perubatan, yang menghasilkan harapan hidup yang lebih lama. Struktur umur penduduk adalah penting dari segi sosial dan ekonomi. Peningkatan yang tetap dalam bahagian umur memberi tekanan kepada penduduk yang bekerja untuk menyediakan pencen, perkhidmatan perubatan dan sosial, dan perumahan persaraan. Peningkatan kelahiran antara 1944 dan pertengahan 1970-an, bagaimanapun, membawa masalahnya sendiri, terutama perlunya terburu-buru melalui program pembinaan sekolah, diikuti dengan penubuhan universiti baru. Tetapi populasi muda yang demografi ini juga mendorong ekonomi dengan menciptakan permintaan yang lebih besar untuk barang dan perumahan pengguna.

Aspek lain yang penting dalam struktur populasi adalah bahagian lelaki dan wanita, dalam masyarakat secara keseluruhan dan dalam pelbagai kumpulan umur. Seperti di kebanyakan negara Eropah barat, wanita melebihi lelaki dalam masyarakat Perancis dan terutama pada kumpulan usia yang lebih tua, yang merupakan hasil dari dua faktor: perang, yang menyebabkan kematian sebilangan besar lelaki, dan ketidaksamaan jangka hayat untuk lelaki dan wanita. Seorang wanita Perancis ketika lahir mempunyai jangka hayat tertinggi di dunia (85 tahun), sementara seorang lelaki jauh lebih rendah (78 tahun), walaupun masih tinggi jika dibandingkan dengan dunia pada umumnya. Nisbah lelaki dan wanita dalam pekerjaan adalah ukuran struktur penduduk yang lain, dan pada akhir abad ke-20 wanita terus meningkatkan bahagian pasaran pekerjaan mereka.


Sejarah Kolej Catawba

Kepentingan Catawba College terletak pada tradisi program akademik yang kuat yang sensitif, prihatin tetapi menuntut pelbagai pelajar fakulti yang mempunyai kesungguhan tujuan berjaya, lulusan yang setia dan berpengetahuan, pemegang amanah yang komited.

Tradisi Catawba College bermula dari penubuhannya pada tahun 1851 di bandar Newton, pusat perdagangan di kaki bukit North Carolina barat. Wilayah ini telah diselesaikan pada tahun 1740-an oleh perintis Jerman yang kuat yang telah melakukan perjalanan dari timur Pennsylvania untuk menetap di lembah sungai Haw, Yadkin, dan Catawba. Mereka membawa warisan budaya dan agama yang kuat. Para peneroka yang saleh ini menubuhkan North Carolina Classis of the Reformed Church pada tahun 1831 dan tidak lama selepas itu pada tahun 1834, menubuhkan sebuah Persatuan Pendidikan untuk menghantar para pemuda ke sekolah-sekolah utara tertentu dari Reformed Church untuk dididik dan kembali ke North Carolina berkhidmat dalam pelayanan.

Nilai tinggi yang dipelopori oleh para perintis ini terhadap pendidikan menjadikannya perjumpaan dan perjumpaan Classis pada 1848 di St. Matthew's Arbor di mana disarankan agar Persatuan Pendidikan "menemui kolej kita sendiri di tengah-tengah kita sendiri." Catawba College dibuka pada tahun 1851 dengan pemberian 10 ekar tanah dan pelaburan modal $ 15,000. Itu dinamakan untuk suku India yang telah meminjamkan namanya ke daerah dan sungai yang mengalir di dekatnya. Tahun-tahun berikutnya dipenuhi dengan kemakmuran bagi institusi yang sedang berkembang, yang mencerminkan iklim ekonomi kawasan tersebut. Namun, Perang Saudara membawa perubahan drastik, mengurangkan ketersediaan dana dan pelajar. Selama tahun-tahun perang, College menjadi sebuah akademi, beroperasi sebagai Sekolah Tinggi Catawba dari tahun 1865 hingga 1885. Pada tahun terakhir, ia kembali beroperasi di bawah piagam asalnya dan menganugerahkan ijazah kolej pertamanya pada tahun 1889.

Pada tahun 1890, Catawba menjadi institusi coeducational dan lulusan wanita pertamanya menamatkan pengajiannya pada tahun 1893. Walaupun dengan penambahan wanita dalam badan pelajar, Kolej berjuang untuk mengatasi kerosakan dan kekurangan yang disebabkan oleh perang. Menanggapi tawaran bangunan pentadbiran asrama yang dibina sebahagiannya dan beberapa ekar tanah di Salisbury, pegawai amanah, kolej, dan gereja menutup kampus di Newton pada tahun 1923 dan dibuka semula di Salisbury pada tahun 1925. Pada tahun 1957, Evangelical and Reformed Gereja, badan induk Catawba, bergabung dengan Gereja-Gereja Kristiani Kongregasi untuk membentuk Gereja Kristus Bersatu, dengan mana Kolej memelihara pertalian. Namun, tidak ada sekatan sektarian di Kolej, institusi ini berusaha untuk mengekalkan suasana yang menyenangkan bagi semua pelajar dalam mencari kebenaran. Pelajar dari pelbagai kepercayaan agama yang berlainan diwakili dalam badan pelajar hari ini, termasuk Baptis, Methodist, Roman Katolik, Lutheran, Presbyterian, Muslim, anggota United Church of Christ, Buddha dan Episcopalians. Semua didorong untuk meluangkan masa untuk meneroka tradisi iman mereka dan meneliti kesannya dalam kehidupan mereka.

Catawba berusaha untuk melayani masyarakat Salisbury-Rowan County melalui program dan perkhidmatannya. Robertson College-Community Center, sebuah kemudahan yang dibina sebagai usaha sama dengan komuniti lebih dari 37 tahun yang lalu, menempatkan Sekolah Seni Pertunjukan Shuford dan mempamerkan produksi muzikal dan teater dari kolej dan komuniti. Begitu juga, kemudahan atletik perguruan telah ditingkatkan oleh masyarakat setempat dan tersedia untuk penduduk tempatan dan juga pelajar. Pelajar mempunyai banyak peluang untuk menjadi bahagian aktif dari komuniti yang lebih besar semasa mereka mendaftar di Catawba dan mencari peluang untuk interaksi, perkhidmatan, dan pengembangan peribadi masyarakat.

Sejak Catawba membuka pintunya di Salisbury pada tahun 1925, ia telah membina tradisi graduan yang berjaya yang terus menghormati Kolej dengan pencapaian mereka dan memungkinkan melalui sokongan mereka untuk memperkuat tradisi itu dengan setiap kelas yang masuk. Lulusan ini termasuk doktor, peguam, guru dan profesor kolej, eksekutif korporat, pelakon dan pemuzik, pekerja sosial, dan lain-lain yang menyumbang kepada masyarakat dengan pelbagai cara yang bermakna.

Catawba College kini mempunyai 41 bangunan di 276 ekar berhutan. Ia terkenal dengan kawasan ekologi di kampus seluas 189 ekar. Tumbuhan fizikal bernilai lebih dari $ 40 juta. Dengan kira-kira 1,300 pelajar yang mewakili 34 negeri A.S. dan 19 negara asing, badan pelajar hampir sama rata dibahagikan kepada lelaki dan wanita.

Seperti badan pelajar, fakulti Catawba bersifat kosmopolitan. Ini merangkumi sebilangan besar pendapat dan falsafah, yang didirikan dalam kajian di banyak kolej dan universiti terkemuka di negara kita. Dari 80 fakulti pengajaran sepenuh masa yang bekerja di Catawba, 83 peratus memegang ijazah kedoktoran atau terminal dalam disiplin mereka (Ph.D. atau M.F.A.).

Catawba berusaha untuk mempekerjakan anggota fakulti yang bukan sahaja merupakan guru yang cemerlang, tetapi juga mempunyai kemampuan untuk membimbing dan mencabar pelajar melalui interaksi mereka dengan mereka di kelab, organisasi skolastik, dan aktiviti atletik dan sosial.Fakulti benar-benar komited untuk misi Kolej yang menyatakan keprihatinan terhadap perkembangan keseluruhan pelajar. Nisbah fakulti-pelajar yang ideal bermaksud bahawa ahli fakulti sentiasa bersedia untuk membantu dan menasihati pelajar dan menawarkan sokongan dalam proses perkembangan yang kadang-kadang sukar. Bekas pelajar sering mengaitkan kejayaan mereka dengan fakta bahawa ahli fakulti mengambil berat tentang mereka sebagai orang, bukan hanya untuk prestasi akademik mereka. Catawba College ditadbir oleh Lembaga Pemegang Amanah sehingga 40 lelaki dan wanita dari pelbagai latar belakang profesional dan peribadi dengan pelbagai sudut pandangan dan dari pelbagai wilayah geografi.


Setiap pulau mempunyai tahap tertentu yang bergantung pada jumlah penduduk tingkat tertinggi yang tinggal di pulau ini. Ia dipaparkan di bahagian atas skrin, tepat setelah status daya tarikan pulau.

Tingkat Pulau Keperluan
Dunia Lama
Penyelesaian tiada
Perkampungan 100 Petani
Bandar pelabuhan 150 Pekerja
Bandar 500 Artisans
Modal 500 Jurutera
Metropolis 1750 Pelabur
Dunia baru
Penyelesaian tiada
Bandar 200 Jornaleros
Jajahan 600 Obreros
Artik
Penyelesaian tiada
Kem 250 Penjelajah
Pos Luar 1000 Juruteknik
Enbesa
Penyelesaian tiada
Daerah 150 Pengembala
Daerah Utama 600 Penatua

Perwakilan permainan dalam permainan menyerupai watak lelaki Van der Luyden dari filem 1993 "The Age of Innocence"


Tonton videonya: Videoziņas Pēc 7. aprīļa darbu atsāk visi veikali, bet ierobežojumi būs tirdzniecības centriem