近日发表于 Nature Computational Science 的一篇观点论文认为，城市数字孪生（digital twins for cities）模型的发展和使用亟需复杂性科学（complexity science）的理论和方法。复杂性科学的理论框架不仅考虑城市以及城市间的交互，还包括短程和长程动力学。这是一种新的方法基础，这种方法不再将城市视为大型机器或逻辑系统（logistic systems），而是相互交织的自组织现象（self-organizing phenomena），从某种程度上来说，就像生命系统一样能够演化。
集智俱乐部“城市科学”读书会由北京大学助理教授董磊联合明尼苏达大学助理教授朱递、中南大学地球科学与信息物理学院教授李海峰、北京航空航天大学计算机学院博士寄家豪共同发起，分享、讨论和梳理“城市作为复杂系统”的理论、研究方法及应用，希望促进相关领域学者的交流，推动交叉学科间的合作，促进城市科学的发展和研究。读书会从2023年7月1日开始，每周六晚 20:00-22:00，持续时间预计10周。欢迎感兴趣的朋友报名参与！
关键词：城市科学，复杂性科学，数字孪生模型，多尺度，活系统
G. Caldarelli, E. Arcaute, M. Barthelemy, M. Batty等 | 作者
朱欣怡 | 译者
刘培源 | 审校
The role of complexity for digital twins of cities
https://www.nature.com/articles/s43588-023-00431-4
数字孪生（digital twin）是一种旨在精确反映有特定目标物理系统的模型。孪生体与对应系统之间共享输入与输出信息。物理系统可与其孪生系统协同工作，孪生系统可以传递信息、控制、协助和增强原系统[1]。特别地，研究人员们正以愈加详细和现实的方式使用数字孪生模型表示复杂系统的物理（基础）结构，如城市、设施和人群[2,3,4]。当前的数字孪生模型通常采用数据分析、物联网（Internet of Things, IoT）[6]、机器学习和人工智能相关的物理建模方法[5]，以及新近的各种建模类型[7]。
值得注意的是，城市数字孪生模型最近引起了科学家、工程师和政策制定者的注意。在这种背景下，数字孪生模型主要关注城市的实时运营，例如其物理流量。此模型被广泛用作短中期计划的设计和管理工具[8]。这种方法基于来自人和物理系统的大量数据，其中自动传感器（automated sensors）越来越多地可以近乎实时地提供这些数据。
尽管有些数字孪生模型是为城市长期演化和规划而生的，但它们仍只关注短程动力学（shorter-term dynamics）的管理（如24小时），而不是几年或几十年的变化[2]。此外，城市的“生长”是由大量交互或者说自而上决策（bottom-up decisions）的结果，与大多城市数字孪生模型大有不同，这些模型往往是自上而下的构造结构[9]，这样的结构更像是机器（machines）而非有机体（organisms）。因为每个人对城市的感知和经验都不同，所以每个人的行为、期望和表现也各不同，这几乎不可能在单个数字孪生模型中捕捉到。
总体而言，城市是其组成部分之间多重交互的产物[10-13]。用复杂性科学可以很好地解释这个属性。复杂性科学就是研究复杂系统的科学，它包含了不同的尺度。复杂系统常被定义为“总体大于部分之和”的系统，单独系统组件的属性没办法完全解释它[14]，还需要考虑组件之间的非线性或网络交互作用。事实上，复杂（动力学）系统是其组成元素以非线性方式相互作用和相互适应的系统，通常跨越多个网络和尺度进行自组织，这通常会导致新系统属性的涌现。
就城市地区而言，市民之间直接或间接地互动。这种互动模式的组合通常以网络的形式进行量化[15]。市民之间的交互决定了交通堵塞、（种族）隔离现象（segregation phenomena）和其它空间畸变，以及供给侧的问题，如供不应求或供过于求。所有这些情况下，一个合适的网络表示可以让人们定量计算此类系统的相关属性，从而有效表示城市的脆弱性和韧性。
从这个角度来看，我们认为将数字孪生方法与复杂性科学方法相结合可以为城市带来巨大的好处。一方面，为了更好地校准和验证，得到更贴近现实的模型，很有必要在数字孪生模型中再现所有城市相关的特征。另一方面，对“个体行为”引起的系统效应的认识，有望提供更具可解释性和更可信的模型和结果。特别对于后者，用数学工具（如网络）去描述系统元素和其相互作用是很有用的。因此，网络科学（Network science）就变得很关键，它能指导我们如何对系统元素之间的交互和驱动系统的过程进行建模。
有很多关于城市结构和演变的理论，大多数都会在某时刻将城市的社会经济功能主要与某些物理方面联系起来[16]，数字孪生模型亦是如此。这些模型忽略了世界的广泛复杂性，社会心理、经济、物理和环境特征深深纠缠在一起，无法轻易分离。事实上，现在构造数字孪生模型的方法往往是惊人的“唯物主义”或“物理主义”，通常基于建筑物、街道和自然环境功能的测量数据，而隐没了真正推动城市社会动力学的人、社会和文化活动[9]。
我们承认，基于测量传感器、物联网（loT）、大数据分析和机器学习的数据驱动方法已经非常强大。然而，他们倾向于用数字孪生模型偏向反映我们的物理世界，尽管城市的政策制定者、规划者和普通大众普遍认为：城市中有许多东西无法轻易用物理术语捕捉。此外，这些方法由于以下原因也具有进一步限制：
2. 计算限制：如 NP-hard 问题[17]。
3. 数学约束：如不可判定性、不完整性[18]和停机问题（halting problems）[17,19,20]。
4. 数据分析常见问题：如过拟合[21]、参数敏感性、模糊性、不确定性和上下文相关性。
5. 机器学习方法限制：如使用黑箱算法[22]。
因此，越来越多的数据不一定会带来更深入的理解，反而会导致数字孪生模型以及正在使用这种数字孪生模型管理的社会系统出现更多问题[23]。
（一）非物质关系
今天的数字孪生方法通常基于数据驱动和基于机器学习的大规模基于主体（agent）的模拟，这可能会产生非常详细的外观。但许多数字孪生方法并没有很好地考虑非物质的、不可见的和几乎无法测量的交互。为了说明这一点的重要性，让我们讨论一些社会中众所周知的现象[24]。例如，有意识的群体给予单词和模式以语义。语义对人类的意图、决策、行为和互动都很重要，但它们可能会在群体之间和随着时间的推移而发生变化。此外，人们自发地形成群体。群体有不同的特性，影响其成员的意图、行为、特征和互动。社会过程进一步产生社会资本，如声誉或信任[25]。他们还创造了文化和价值观，影响个人意识和集体行为[26]。仅仅对一个城市的结构和人口进行再现，是无法再现这些社会现象的，至少在没有适当考虑将个体与中观尺度和宏观尺度联系起来的演化特征的情况下是如此。
简而言之，传统的数字孪生方法往往过分强调城市的物理组成部分，从而大大简化了人类的互动。这可能导致数据驱动的治理和规划不足。当用它控制系统时，可能会湮灭偶然性、机会、多样性和多元化。这可能会影响创造力，创新和（共同）演化——这些都是对系统灵活适应、进步和繁荣非常重要的属性。因此，人可能会被“困在矩阵中（trapped in the matrix）”。也就是说，使用数字孪生方法进行控制可能会“冻结”某些组织模式，从而无法成功适应不断变化的环境和背景[27]。
（二）系统性故障或崩溃
社会互动可能会导致系统性故障（systemic failures）。一个经典的例子就是金融系统[28，29]。在这里，该系统由金融机构定义。银行间的信贷网络可以衡量银行间相互的网络依赖性。监管流动性市场的机构，如中央银行，定期对信贷网络进行压力测试，假设一些外部冲击（如最近的乌克兰战争引发的石油和天然气价格大幅波动），以量化系统的稳健性与破产风险。然而，如果只考虑银行是正常运转还是破产，这种压力测试就可能会导致错误的结果。例如，一家在破产边缘的银行可能仍在运营。只有银行的债务网络才能评估金融机构的困境程度[30]。这种对风险的低估可能会引发进一步的破坏。此外，如果中央银行控制消费者的交易，将会产生更大的影响。为什么传统还原论方法从城市各部分属性理解城市时往往会失败呢？主要是因为它们没有考虑多层次的相互作用和复杂性[31]。
（三）可扩展性特征
数字孪生模型需要解决的另一个重要问题是它们的可扩展性（scalability），从某种意义上讲，这也与真实的城市有关。一般来说，随着城市规模的扩大，其属性特征通常不会随着密度、面积和大小而线性扩展[32，33]。大城市与小城市有质的不同，一般而言，城市越大，集聚或集群效应越大，从而增加了创造力、创新力和财富。当从物理或功能边界的角度定义一个城市时，一个城市往往远远超出行政边界，才能更好地表示城市系统中相互作用的自然和人文要素[34]。这一点很重要，因为它可以对城市的规模和实际属性产生巨大影响[35 -37]。
城市应在其整个扩展城市区域的规模上表示[8]。当在这个更广泛的背景下考虑城市时，当前的局部数字孪生模型可能就变得有限了。事实上，城市复杂性的许多影响需要在全局范围内进行分析，例如，与流行病相关的情景预测[38，39]。简而言之，一个城市的边界是不确定的，因此，在任何不符合其全局背景的情况下看待城市都是一种有问题的简化。
新技术将继续通过各种传感技术帮助释放数字孪生模型的力量，比如说物联网，它已经在快速而廉价地产生以前难以想象的数据量。然而，解释和分析这些数据的质量仍然存在问题。在许多情况下，还需要减少数据的大小并对其进行过滤，以处理可持续性和社会韧性等问题[40，41]。
复杂性科学有潜力通过结合基于数据和基于假设的方法来解决这些问题。例如，用网络模型来代表人们的不同兴趣，技能，行为和习惯。通过网络建模复杂性是一种视角上的转变。事实上，大多数城市模型仍然将城市视为自上而下构建的系统。复杂性科学改变了这一观点，让人们将城市视为多层次系统[42，43]，其中涉及许多自下而上的过程。这可能解释非常重要的特质，如幂律和标度[44]，以及跨各种网络的长程相关性[45]。系统自下而上的演化带来了一定的不确定性和不可预测性，在用数字孪生模型生成、测试、评估和实施未来城市的模拟场景时，必须要考虑到这一点。
城市政策制定者[46]、分析人员、管理人员和规划人员需要不断了解规划问题的许多相互关联的方面。因此，为了确保未来的可持续性、公平性和适应性[47]，需要考虑不同的建模框架。简言之，城市政策需要能够捕捉城市共同进化本质的模型，以便能够最好地预测和适应未来的新兴发展。模型不仅仅要表示当前的问题，还要关注相关问题的分析，从而传递出需要的数据。
我们将在下文中看到，为了处理上一节提出的问题，我们需要考虑网络之间的多重交织的相互作用，这些相互作用在不同的层次和维度上发展，并相互影响其发展或失败的运作轨迹。复杂系统的强大之处在于，如果有合适的相互作用，它们能够有效地、韧性地、有利地进行自组织。这可以通过联邦学习方法来实现。
（一）量化非物质关系
社会系统中有许多不能被直接测量的性质，因此可能会被数字孪生系统忽视，但这些性质可以用网络分析来考虑。社会群体（social group）是粗粒化（coarse graining）数据的一个很重要的例子。可以从不同尺度考虑这种关系（低层次的模块在更高层次就变成了一个节点）[48]。多层网络就是这种结构的数学表示，如图1左侧所示，它展示了一个城市系统。
图1：复杂性的特征。城市作为一个复杂系统能产生涌现现象的示意图，这些涌现现象并不是数字孪生模型所能捕捉到的。一个城市可以用不同的交互层来表示（左），这会产生一些涌现特性，如社区集群和交通模式（右）。系统的这些特性在底部方框列出。
这样的结构表现为复杂交通[50，51]、信息[52]和能量流[53]的自然拓扑蓝图（natural topological blueprint）[49，42]。城市中的社交网络也是多层次的，因为它们包括职业、友谊、机构、宗教和其他渠道，这些渠道相互重叠，有时具有非常强的相互影响。此外，这些网络与基础设施网络[48]相互作用，如图1所示。部分局部网络还依赖于延伸到城市边界之外的更大网络[54]：在区域一级，外市通勤者的影响往往超出与其通勤相关的政治治理单位。在全球范围内，每个城市都嵌入了多个国家和全球的产品和服务、公司、移民、文化和思想交流网络。这为创新、模仿和协同创造了合作渠道，也与规划未来城市有关。
城市公共交通系统由多种交通方式共同组成。许多城市交通研究仍然忽略了交通系统的多层性质，只考虑了这些网络的聚合版本。它们常将不同层看作是独立的，这就会导致错误的结论。
（二）复杂性和韧性
作为一个开放的、“非平衡”的系统，城市地区可以被认为是类似于活的有机体；这样的特征可以通过（共同）演化方法和定义“城市的新陈代谢”来考虑[53]。这一视角也适用于研究城市应对外部冲击的韧性。由于上述层间是相互依赖的，聚合网络数据时，特定层的信息和级联效应（cascading effects）动力学的一些信息就总会丢掉。这与韧性非常相关，因为韧性会受到层间耦合的强烈影响[56]。目前对多路网络（multiplex networks）的研究考虑了基于各种各样的材料和信息流，将城市中不同位置连接起来的新方法。
演化的层可能包括物理（自然和人工）环境，以及社会结构、网络、运动和它们相互作用的非物质属性。例如，一些新的基础设施，如铁路或公路系统可能有利于整个城市的无障碍环境，但同时也可能造成新的隔离、污染或事故风险等地方性问题。这就是为什么城市规模和维度的多样性对于阐明城市功能的方式至关重要。在不同的相互依赖尺度上发展的系统远未达到平衡，甚至可能在全球范围内改变环境和社会系统[57]。多层网络的技术特征（社区，瓶颈，中心性，脆弱性）需要新方法能描述这些演化的多层的社会生态模式。一般来说，复杂网络的框架允许人们在不同尺度上跟踪社会和自然维度之间的相互作用的演变。这些特征与 Elinor Ostrom 关于“公地管理（managing the commons）”的著作非常一致[58,59]。城市是 Elinor Ostrom 所说的社会生态系统的一个真实例子：有效和可持续地管理公地是可能的，基于个体交互自组织形成的机构。这样的机构才能成功地自管理（self-govern）公地。
为了解决这些问题，中心性度量（定义网络中最接近所有其他部分的部分）可以表示无形的量，例如保护系统免于崩溃的重要性。网络还为理解协调与合作提供了新的途径[60]。
（三）多尺度方法
网络使人们能够专注于定量测量，例如特定区域的能量流动；比如说，参见Maranghi等人的文章[61]。作者认为，城市的可持续性反映在一个复杂的耗散系统[62]中，必须考虑到能源、材料和信息流来评估。这些存在于提供整体视图的尺度上，同时对决定城市如何运作的过程提供详细的见解，这意味着如何在较小的尺度上转换和有效利用流量。这些信息必不可少，因为它可以引导世界拥抱更公平，更健康和更宜居的城市。
多样和广泛的目标如何在不同尺度上相互联系，如何实现这些目标？复杂系统可以在解释和说明这些问题上发挥至关重要的作用[63]。我们还是可以考虑自下而上的涌现现象，这在瞬息万变的世界中尤其重要，“瞬息万变”是由相互作用，正反馈，随机噪声和网络级联决定的。分散控制（decentralized control）可以更好地处理有异质元素的复杂系统，强扰动和短期预测，这是因为分散控制的局部限制更灵活，而且面对扰动的鲁棒性更强。
如前所述，与以前的框架相比，数据驱动的方法代表了一个重大的飞跃。但这还不足以创建一个模型准确描述我们身处的复杂世界。这种方法的特点是对什么可测、什么可预测、什么可控存在限制[64,65]。然而，将复杂性与数字孪生模型整合在一起，虽然绝对必要，但并非没有挑战。
首要挑战是需要对每个问题选取合适的数据量和选择最佳数据。制作世界精确的数字副本会受到很多因素的阻碍——不止因缺乏数据，还因一些数学和自然规律（见“为什么仅有数字孪生模型是不够的？”节）。令人惊讶的是，较少的参数或带有噪声的模型有时可以产生更好的结果，即更简单的模型通常具有更高的预测能力。另一个挑战基于这样一个事实：即使是用覆盖城市所有特征的大数据，然后过滤出特定应用所需的数据，也不总是有效的。数据越大，过滤的效率就越低，有时会让人只见树木，不见森林。此外，众所周知的过拟合问题经常困扰着试图使用各种机器学习技术从大数据中提取模式的方法[66,67]。建模的重点通常放在对系统组件的详细表示上，而它们之间的交互对于理解复杂系统的行为往往更为重要[68]。我们都很清楚，要从“复杂性工具箱”中受益，就要非常小心地正确处理数据。
与上个问题相关的挑战是如何获得系统组成部分之间交互的精确数据。这在本质上限制了可复现性（reproducibility），无论有多少可用的关于系统元素的数据都于事无补。不幸的是，相互作用可能是概率性的，或者它们的影响可能会延迟发生，使得确切的相互作用通常难以从可用数据中确定。它们在不同尺度上也有不同，尺度范围跨越人-人交互到人-环境交互。也许有必要把城市作为生态系统来研究。例如，植物通过缓慢而持续地调整交互关系，找到了互利的方法，这要归功于一代又一代进化的指导。正是由于共同演化的过程（人类环境、建筑、网络、植物、动物、生态系统和文化以互动的方式发展），城市才能发展和繁荣，特别是当互动是协同和共生的时候。因此，规划干预措施需要考虑自下而上的互动，这对于正确、生成性地理解城市动力学[69]和促进城市繁荣至关重要。与生命系统相似，城市进化产生形态、网络、信息、结构和功能，这些定义了其复杂性质的本质[70,71]。
城市是由人为人民设计、建造和规划的。除了处理数据和精确了解城市各组成部分之间的相互作用，另一个挑战是：描述复杂性必须反映人的行为和互动。这反过来又涉及到映射定义城市系统复杂性的许多层级[72-74]。正如我们已经注意到的，这是因为在城市生活的不同领域，人们之间的互动网络是多层次的。但这并不是复杂性的唯一挑战，因为当人们自己检测到涌现特征的存在并采取相应行动时，人的互动又会导致二阶和高阶现象。此外，重要的是要纳入这些过程可能涉及的许多时间尺度。这对于从复杂系统的角度改进数字孪生的实现至关重要。
二阶涌现（second-order emergent）的例子比比皆是，我们从社会规范（social norms）开始说[76]。例如，当一项规范促进合作或集体行动时[78、79]，就会出现这种二阶涌现[77]。潜在的反馈循环的动力学取决于外部和特质的因素，会导致在非常不同的时间尺度上，发生非常复杂的动力学[79]。一个典型的例子是行人的路径选择，这是一个涉及信息感知，信息整合和避障的过程，个人决策依赖于环境中的信息[80]。因此，很明显，对多层网络上发生的这些多时间和多尺度反馈过程的准确和有用的描述，是为城市定义适当的数字孪生模型的关键挑战，其中复杂的结构、功能和动力学至关重要。
另一个重要问题与数字孪生所需的道德规范和质量标准有关。为了妥善设计人类与自然和谐相处的城市，数字孪生的概念需要以价值观敏感的方式扩展到社会和生态领域，尊重隐私和人权[67]。城市是由物理、生物和社会实体组成的，数字孪生模型应该考虑各种已知挑战（图2）进行建模[24]。更重要的是，我们需要考虑到，许多对人类和城市生活至关重要的品质，如自由，创造力，幸福，友谊，信任和尊严，这很难量化，但不应被忽视或视为噪音。建立一个全面的框架，包括数字孪生中涉及的所有可能的道德因素，这是一个非常重要的复杂性挑战，因为很难从个人视角预测集体结果。
图2：复杂性和数字孪生。左：用复杂系统方法从系统的组件及其关系中提取选定的信息，以适当的简化来模拟系统的基本方面，从而使人们能够理解自下而上的相互作用所产生的集体动力学。左下方：利用大数据和机器学习，数字孪生方法构建了城市的详细副本（右），用于管理真实的城市并进一步发展。
最后，目前在科学和工程的许多领域都缺乏复杂性科学家，因此缺乏关于复杂系统及其行为特殊性的知识，以及这对数字孪生的设计和使用意味着什么。因此，复杂性科学教育应该成为所有领域教育的一个组成部分。在这些领域中，开发和使用复杂系统的数字孪生模型。此外，许多数字孪生模型都有基于专业软件的解决方案，因此许多科学家不知道它们是如何工作的。这些科学家也不能轻易改进这种数字孪生模型，何况进一步开发？因此，我们应该开源。
到目前为止，大数据并没有消除对理论的需求，也没有使科学方法过时，这一点质疑了十年前克里斯·安德森（Chris Anderson）的激烈言论[81]。事实上，情况恰恰相反，当涉及到自下而上的涌现时，我们希望能够理解、解释、预测和设计，这迫切需要基于多尺度的复杂性方法。当前数字孪生的一个关键问题是，它们无法代表物理资产、流程和系统之间的完整相关交互。因此，复杂性科学可以成为这个问题的潜在解决方案。表征数字孪生和复杂性科学的特征列表如表1所示。事实证明，它们在很大程度上是互补的，这表明需要将两种方法结合起来。
表 1 数字孪生和复杂性科学的优势和挑战。
|
|
|
|
|
|
|
无形资产（例如，规范和价值观；人权、社会和文化问题）
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
尽管如今从卫星到纳米级传感器的所有尺度的测量都很普遍，但建立一个拥有解决问题能力的复杂系统的完全成熟和现实的模型仍然是一个巨大的挑战。人们往往是通过经济渠道、社会规范等涌现现象以及个人情感和个人历史进行交互。为应对环境变化、治理投入或相关形式的决策，导致了高度非线性的共同演化[82]。这也意味着道德上的挑战[67]。然而，与此同时，它为数字孪生模型开辟了一条考虑自下而上涌现过程的道路。人类的思维、行为和物质世界以复杂的方式相互影响，这些方式可以通过交互网络的多层系统来概念化。
演化算法可以作为灵感，开发自适应的方法来寻找新的解决方案。自然在多个时间尺度上适应，人们可以学习，将其成功原则应用于城市环境[61，62]。使用最快的（量子）超级计算机，可以在某种程度上模拟人工进化，从而允许人们加速演化的时间尺度，超过文化演化的速度。这可能会揭示如何利用局部反馈，使系统自组织，共同演化。
正如我们在这里所讨论的，更好的城市规划不仅需要数字孪生模型，还需要将它们与复杂性科学相结合。这有助于更成功地将科学和工程学与决策、治理和参与方法联系起来，并有助于探索各种“假设情景”。我们于下列出了此方法的重要目标。
-
加强各级政府、民间社会、私营部门和其他相关利益攸关方的知识（共同）创造、交流和管理。
-
帮助提高各级决策者和民间社会制定和逐步实施城市政策的能力（人力、财力和体制能力），为能力建设提供参与性平台。
-
提供网络平台，使各级政府、民间社会、私营部门和其他利益攸关方能够参与发展进程。为此，提出“机会之城（city of opportunity）”概念，并以“邻里缩影（neighbor microcosms）”网络为基础进行城市规划，是一种可能的前进方向。
我们需要数字孪生模型拥抱复杂系统的潜力，赋予公民和利益相关者权力，促进参与式对话。然而，我们更需要超越数字孪生，为社区互动提供一个公共的“网络”空间，公民可以就考虑的干预措施发表意见，提出改变，指出问题并提出解决方案。在这种情况下，与复杂系统的结合可以促进参与式的合作探索。这将以互动式“假设情景”为基础，让公民和地方代表参与，从而使决策者能够作出知情和更合适的决定[84]。仿真模拟是研究复杂系统的重要工具[85]。
传统数字孪生的进步肯定有利于复杂系统的科学研究，因为它们可以提供数据来校准和验证模型，同时也加速了问题的识别和解决。这是我们在构建和使用城市数字孪生模型时迫切考虑复杂性科学的论点的核心。
最后，随着我们全球化世界中网络化和城市化进程的发展[86]，人们将逐步面对日益复杂的世界：特点、问题和机遇。如果设计或操作时没有适当的科学验证和解释，或者没有良好的洞察力和人的监督，数字孪生可能会给受影响的公民带来严重的问题，这也涉及隐私和透明度[24]。然而，如果使用得当，并与复杂性科学和公民参与相结合，数字孪生等工具将使人们能够提出与民主，人权和创新兼容的能适应，高效，有韧性和可持续的解决方案。这个想法不是将系统的复制推到一对一的极限，从而对每个人进行分析，而是从数字表示中提取趋势和规律，如图2所示。因此，如果设计和操作良好，世界（或其某些方面）的数字模型可以提供强大的政策工具。这不仅适用于城市管理，也适用于许多基于证据和数据的信息生态系统的共同发展，这可以促成公民和决策者之间的新的合作关系。
1. Grieves, M. W. Product lifecycle management: the new paradigm for enterprises. Int. J. Prod. Dev. 2, 71–84 (2005).
2. Batty, M. Digital twins. Environ. Plan. B 45, 817–820 (2018).
3. Bassolas, A., Ramasco, J. J., Herranz, R. & Cantú-Ros, O. G. Mobile phone records to feed activity-based travel demand models: matsim for studying a cordon toll policy in Barcelona. Transp. Res. Part A 121, 56–74 (2019).
4. Deng, T., Zhang, K. & Shen, Z. J. M. A systematic review of a digital twin city: a new pattern of urban governance toward smart cities. J. Manage. Sci. Eng. 6, 125–134 (2021).
5. Niederer, S. A., Sacks, M. S., Girolami, M. & Willcox, K. Scaling digital twins from the artisanal to the industrial. Nat. Comput. Sci. 1, 313–320 (2021).
6. Hudson-Smith, A., Wilson, D., Gray, S. & Dawkins, O. Urban IoT: Advances, Challenges, and Opportunities for Mass Data Collection, Analysis, and Visualization 701–719 (Springer, 2021); https://doi.org/10.1007/978-981-15-8983-6_38
7. Mohammadi, M. & Al-Fuqaha, A. Enabling cognitive smart cities using big data and machine learning: approaches and challenges. IEEE Commun. Mag. 56, 94–101 (2018).
8. Sánchez-Vaquerizo, J. A. Getting real: the challenge of building and validating a large-scale digital twin of Barcelona’s traffic with empirical data. ISPRS Int. J. Geoinf. https://doi.org/10.3390/ijgi11010024 (2022).
9. Schrotter, G. & Hürzeler, C. The digital twin of the city of Zurich for urban planning. J. Photogramm. Remote Sens. Geoinf. Sci. 88, 99–112 (2020).
10. Castells, M. The Rise of the Network Society (Wiley, 2011).
11. Pflieger, G. & Rozenblat, C. Introduction. Urban networks and network theory: the city as the connector of multiple networks. Urban Stud. https://doi.org/10.1177/0042098010377368 (2010).
12. Louail, T. et al. Uncovering the spatial structure of mobility networks. Nat. Commun. 6, 6007 (2015).
13. Bassolas, A. et al. Hierarchical organization of urban mobility and its connection with city livability. Nat. Commun. 10, 4817 (2019).
14. Anderson, P. W. More is different. Science 177, 393–396 (1972).
15. Caldarelli, G. Scale-Free Networks: Complex Webs in Nature and Technology (Oxford Univ. Press, 2007); https://doi.org/10.1093/acprof:oso/9780199211517.001.0001
16. Gabaix, X. & Ioannides, Y. M. in Cities and Geography. Handbook of Regional and Urban Economics Vol. 4 (eds Henderson, J. V. & Thisse, J.-F.) 2341–2378 (Elsevier, 2004); https://doi.org/10.1016/S1574-0080(04)80010-5
17. van Leeuwen, J. Handbook of Theoretical Computer Science Vol. 1.(Elsevier, 1994); https://books.google.it/books?id=6XJCxgEACAAJ
18. Gödel, K. Über formal unentscheidbare Sätze der Principia Mathematica und verwandter Systeme, I. Mon. Hefte Math. Phys. 38, 173–198 (1931).
19. Turing, A. M. On computable numbers, with an application to the Entscheidungsproblem. Proc. Lond. Math. Soc. s2-42, 230–265 (1937).
20. Turing, A. M. On computable numbers, with an application to the Entscheidungsproblem. A correction. Proc. Lond. Math. Soc. 2, 544–546 (1938).
21. Everitt, B. S. & Skrondal, A. Cambridge Dictionary of Statistics (Cambridge Univ. Press, 2010).
22. Waldrop, M. M. What are the limits of deep learning? Proc. Natl Acad. Sci. USA 116, 1074–1077 (2019).
23. Hofman, J. M., Sharma, A. & Watts, D. J. Prediction and explanation in social systems. Science 355, 486–488 (2017).
24. Helbing, D. & Argota Sánchez-Vaquerizo, J. in Handbook on the Politics and Governance of Big Data and Artificial Intelligence (eds Zwitter, A. & Gstrein, O.) Ch. 3 (Edward Elgar, in the press); https://www.researchgate.net/publication/358571489_Digital_Twins_Potentials_Limitations_and_Ethical_Issues
25. Edelenbos, J. & Klijn, E.-H. Trust in complex decision-making networks: a theoretical and empirical exploration. Adm. Soc. 39, 25–50 (2007).
26. Lane, D., Maxfield, R., Read, D. & van der Leeuw, S. In Complexity Perspectives in Innovation and Social Change (eds Lane, D. et al.) 11–42 (Springer, 2009).
27. Domaradzka, A. Urban social movements and the right to the city: an introduction to the special issue on urban mobilization. Voluntas 29, 607–620 (2018).
28. Bardoscia, M. et al. The physics of financial networks. Nat. Rev. Phys. 3, 490–507 (2021).
29. Haldane, A. & May, R. Systemic risk in banking ecosystems. Nature 469, 351–355 (2011).
30. Battiston, S., Puliga, M., Kaushik, R., Tasca, P. & Caldarelli, G. DebtRank: too central to fail? Financial networks, the Fed and systemic risk. Sci. Rep. 2, 541 (2012).
31. Aleta, A., Meloni, S. & Moreno, Y. A multilayer perspective for the analysis of urban transportation systems. Sci. Rep. 7, 44359 (2017).
32. Lämmer, S., Gehlsen, B. & Helbing, D. Scaling laws in the spatial structure of urban road networks. Physica A 363, 89–95 (2006).
33. Bettencourt, L. M. A., Lobo, J., Helbing, D., Kühnert, C. & West, G. B. Growth, innovation, scaling, and the pace of life in cities. Proc. Natl Acad. Sci. USA 104, 7301–7306 (2007).
34. Arcaute, E. et al. Constructing cities, deconstructing scaling laws. J. R. Soc. Interface 12, 20140745 (2015).
35. Banavar, J. R., Maritan, A. & Andrea, R. Size and form in efficient transportation networks. Nature 399, 130–132 (1999).
36. Batty, M. Inventing Future Cities (MIT Press, 2018).
37. Rozenblat, C. Extending the concept of city for delineating large urban regions (LUR) for the cities of the world. Cybergeo https://doi.org/10.4000/cybergeo.35411 (2020).
38. Tizzoni, M. et al. Real-time numerical forecast of global epidemic spreading: case study of 2009 A/H1N1pdm. BMC Med. 10, 165(2012).
39. Cimini, G. et al. The statistical physics of real-world networks. Nat. Phys. Rev. 1, 58–71 (2019).
40. Ahsan, U. & Bais, A. A review on big data analysis and Internet of Things. In 2016 IEEE 13th International Conference on Mobile Ad Hoc and Sensor Systems 325–330 (IEEE, 2016).
41. Hong, L. & Page, S. E. Groups of diverse problem solvers can outperform groups of high-ability problem solvers. Proc. Natl Acad. Sci. USA 101, 16385–16389 (2004).
42. Battiston, S., Caldarelli, G. & Garas, A. Multiplex and Multilevel Networks (Oxford Univ. Press, 2018); https://doi.org/10.1093/oso/9780198809456.001.0001
43. Pumain, D. in Handbook on Cities and Complexity (ed. Portugali, J.) 136–153 (Edward Elgar, 2021).
44. Barthelemy, M. The statistical physics of cities. Nat. Rev. Phys. 1, 406–415 (2019).
45. Serafino, M. et al. True scale-free networks hidden by finite size effects. Proc. Natl Acad. Sci. USA https://doi.org/10.1073/pnas.2013825118 (2021).
46. Angelidou, M. The role of smart city characteristics in the plans of fifteen cities. J. Urban Technol. 24, 3–28 (2017).
47. Vojnovic, I. Urban sustainability: research, politics, policy and practice. Cities 41, 30–44 (2014).
48. Iacopini, I., Schäfer, B., Arcaute, E., Beck, C. & Latora, V. Multilayer modeling of adoption dynamics in energy demand management. Chaos 30, 013153 (2020).
49. Bianconi, G. Multilayer Networks Vol. 1 (Oxford Univ. Press, 2018);https://doi.org/10.1093/oso/9780198753919.001.0001
50. Gallotti, R. & Barthelemy, M. The multilayer temporal network of public transport in Great Britain. Sci. Data 2, 140056 (2015).
51. Bassolas, A., Gallotti, R., Lamanna, F., Lenormand, M. & Ramasco, J. J. Scaling in the recovery of urban transportation systems from massive events. Sci. Rep. 10, 2746 (2020).
52. De Domenico, M., Solé-Ribalta, A., Gómez, S. & Arenas, A. Navigability of interconnected networks under random failures. Proc. Natl Acad. Sci. USA 111, 8351–8356 (2014). Facchini, A., Mele, R. & Caldarelli, G. The urban metabolism of Lima: perspectives and policy indications for GHG emission reductions. Front. Sustain. Cities 2, 40 (2021).
54. Neal, Z. & Rozenblat, C. Handbook of Cities and Networks 672 (Edward Elgar, 2021); https://doi.org/10.4337/9781788114714
55. Strano, E., Shai, S., Dobson, S. & Barthelemy, M. Multiplex networks in metropolitan areas: generic features and local effects. J. R. Soc. Interface 12, 20150651 (2015).
56. Buldyrev, S. V., Parshani, R., Paul, G., Stanley, H. E. & Havlin, S. Catastrophic cascade of failures in interdependent networks. Nature 464, 1025–1028 (2010).
57. Laboy, M. & Fannon, D. Resilience theory and praxis: a critical framework for architecture. Enquiry https://doi.org/10.17831/enq:arcc.v13i2.405 (2016).
58. Ostrom, E. Governing the Commons: The Evolution of Institutions for Collective Action (Cambridge Univ. Press, 1990).
59. Anderies, J. M. & Janssen, M. A. Sustaining the Commons (Arizona State Univ., 2016).
60. Youn, H., Gastner, M. T. & Jeong, H. Price of anarchy in transportation networks: efficiency and optimality control. Phys. Rev. Lett. 101, 128701 (2008).
61. Maranghi, S. et al. Integrating urban metabolism and life cycle assessment to analyse urban sustainability. Ecol. Indic. 112, 106074 (2020).
62. Prigogine, I. & Stengers, I. The End of Certainty (Simon and Schuster, 1997).
63. Ospina-Forero, L., Castañeda, G. & Guerrero, O. A. Estimating networks of Sustainable Development Goals. Inf. Manage. 59, 103342 (2022).
64. Gershenson, C. in Complexity Perspectives on Language, Communication and Society (eds Massip, A. & Bastardas, A.) 3–14 (Springer, 2013); https://doi.org/10.1007/978-3-642-32817-6
65. White, R., Engelen, G. & Uljee, I. Modeling Cities and Regions as Complex Systems: From Theory to Planning Applications (MIT Press, 2015).
66. Srivastava, N. et al. Dropout: A simple way to prevent neural networks from overfitting. J. Mach. Learn. Res. 15, 1929–1958 (2014).
67. Helbing, D. et al. Ethics of smart cities: towards value-sensitive design and co-evolving city life. Sustainability 13, 11162 (2021).
68. Gershenson, C. The implications of interactions for science and philosophy. Found. Sci. 18, 781–790 (2013).
69. Gershenson, C. Guiding the self-organization of cyber-physical systems. Front. Robot. AI 7, 41 (2020).
70. Geddes, P. Chapters in Modern Botany (John Murray, 1911).
71. Geddes, P. On the coalescence of amoeboid cells into plasmodia, and on the so-called coagulation of invertebrate fluids. Proc. R. So. Lond. 30, 252–255 (1880).
72. Ostrom, E. Collective action and the evolution of social norms. J. Econ. Perspect. 14, 137–158 (2000).
73. Susskind, L. Complexity science and collaborative decision making. Negot. J. 26, 367 (2010).
74. Mosleh, W. S. & Larsen, H. Exploring the complexity of participation. CoDesign 17, 454–472 (2021).
75. Gilbert, N. in Artificial Societies: The Computer Simulation of Social Life (eds Gilbert, N. & Conte, R.) 144–156 (UCL Press, 1995).
76. Bicchieri, C. The Grammar of Society (Cambridge Univ. Press, 2005).
77. Kinzig, A. P. et al. Evidence from a long term experiment that collective risk change social norms and promotes cooperation. Bioscience 63, 164–175 (2013).
78. Paluck, E. L. What’s in a norm? Sources and processes of norm change. J. Pers. Soc. Psychol. 96, 594–600 (2009).
79. Szekely, A. et al. Evidence from a long term experiment thatcollective risk change social norms and promotes cooperation. Nat. Commun. 12, 5452 (2021).
80. Tong, Y. & Bode, N. W. F. The principles of pedestrian route choice. J. R. Soc. Interface 19, 20220061 (2022).
81. Anderson, C. The end of theory: the data deluge makes the scientific method obsolete. Wired Mag. 16, 16–07 (2008).
82. Caldarelli, G., Wolf, S. & Moreno, Y. Physics of humans, physics for society. Nat. Phys. 14, 870 (2018).
83. Kourtit, K., Nijkamp, P. & Haas, T. in Handbook of Cities and Networks (eds Neal, Z. & Rozenblat, C.) 273–292 (Edward Elgar, 2021).
84. Gershenson, C. Living in living cities. Artif. Life 19, 119–140 (2013).
85. Pagels, H. R. The Dreams of Reason: The Computer and the Rise of the Sciences of Complexity (Bantam Books, 1989).
86. Hansen, G. & Macedo, J. Urban Ecology for Citizens and Planners (Univ. Press of Florida, 2021); https://doi.org/10.2307/j.ctv21r3pgn
随着工业化和现代化的发展，世界范围内的城市化率不断提高，越来越多的人口聚集在城市，使得交通拥堵、环境污染、资源短缺等城市问题日益严峻。我们迫切需要对城市的基本运行规律有科学的认知。近十几年来，智能手机、物联网、卫星遥感可以帮助获取高精度的城市数据；机器学习、人工智能的发展，为处理大规模多源异构数据提供了技术手段。此外，复杂科学从演生视角，在不同时空尺度上研究城市现象的基础规律，丰富了城市科学的理论框架；基于复杂系统的模拟方法也在实践中有广阔的应用前景。
在这个大背景下，集智俱乐部“城市科学”读书会由北京大学助理教授董磊联合明尼苏达大学助理教授朱递、中南大学地球科学与信息物理学院教授李海峰、北京航空航天大学计算机学院博士寄家豪共同发起，分享、讨论和梳理“城市作为复杂系统”的理论、研究方法及应用，希望促进相关领域学者的交流，推动交叉学科间的合作，促进城市科学的发展和研究。读书会从2023年7月1日开始，每周六晚 20:00-22:00，持续时间预计10周。欢迎感兴趣的朋友报名参与！
