基于智能體和人工神經(jīng)網(wǎng)絡(luò)的元胞自動(dòng)機(jī)建模及城市擴(kuò)展模擬

陶 奕 宏,王 海 軍,張 彬,曾 浩 然,孫 晶

(武漢大學(xué)資源與環(huán)境科學(xué)學(xué)院，湖北 武漢 430079)

0 引言

自改革開(kāi)放以來(lái)，我國(guó)城市化快速發(fā)展，城市用地?cái)U(kuò)展顯著，耕地保護(hù)與城市用地?cái)U(kuò)展之間的矛盾愈發(fā)尖銳[1]，城市擴(kuò)展研究對(duì)于促進(jìn)城市可持續(xù)發(fā)展具有重要意義[2]。城市擴(kuò)展是土地利用時(shí)空變化的典型形式之一，如何建立合理的城市擴(kuò)展模擬模型已成為當(dāng)前研究熱點(diǎn)[3-5]。最早采用數(shù)理統(tǒng)計(jì)模型，以計(jì)量數(shù)學(xué)模型和系統(tǒng)動(dòng)力學(xué)模型為代表，此類(lèi)模型主要利用數(shù)理統(tǒng)計(jì)方法或經(jīng)驗(yàn)方程式表達(dá)動(dòng)態(tài)的時(shí)間變化，是“自上而下”的分析方法[6-9]，但此類(lèi)模型是靜態(tài)、解析性模型，在模擬中未考慮城市擴(kuò)展的時(shí)空差異性，不能體現(xiàn)城市系統(tǒng)演變的復(fù)雜性[10,11]。元胞自動(dòng)機(jī)(Cellular Automata,CA)模型是基于元胞空間鄰域關(guān)系的動(dòng)態(tài)模型，采用“自下而上”的建模方法，可較好地模擬城市系統(tǒng)自組織、突變等復(fù)雜現(xiàn)象[12-14]。為反映城市系統(tǒng)的不確定性，CA模型引入隨機(jī)變量以體現(xiàn)其不確定性，但此不確定性缺乏明確的地理意義[15]，并且上述模型均未考慮人類(lèi)決策行為在城市擴(kuò)展過(guò)程中的關(guān)鍵作用[16]。隨著計(jì)算機(jī)技術(shù)和復(fù)雜理論的發(fā)展，智能體模型(Agent-Based Model,ABM)在城市系統(tǒng)動(dòng)態(tài)模擬方面取得顯著進(jìn)展，在為不同類(lèi)型決策者設(shè)定相異行為模式的基礎(chǔ)上，通過(guò)觀察大量微觀智能個(gè)體之間的相互作用以解釋城市擴(kuò)展過(guò)程，并為解釋CA模型引入隨機(jī)變量的地理意義提供了可能[8]。CA與ABM是新一代模擬土地利用演變與城市擴(kuò)展的主流模型[17,18]，兩者結(jié)合[16,19]兼顧了城市空間增長(zhǎng)的自組織性和不同決策主體的決策過(guò)程，可有效模擬城市擴(kuò)展過(guò)程。

智能體模型的關(guān)鍵在于如何刻畫(huà)不同類(lèi)型的智能體對(duì)城市擴(kuò)展的決策過(guò)程。以往研究多從訪(fǎng)談中得到不同類(lèi)型智能體對(duì)城市擴(kuò)展的“偏好”程度，對(duì)智能體決策行為的描述主觀且不完整[20]；Tian等基于層次分析法獲得不同智能體對(duì)城市擴(kuò)展的偏好權(quán)重，然而基于專(zhuān)家經(jīng)驗(yàn)打分得出的結(jié)果仍偏主觀性[21]。Filatova應(yīng)用經(jīng)濟(jì)模型表征智能體的決策過(guò)程，假設(shè)城市擴(kuò)展是在保證各類(lèi)智能體利潤(rùn)最大的情況下發(fā)生的[22]；Mustafa等通過(guò)邏輯回歸分析歷史數(shù)據(jù)刻畫(huà)智能體的決策過(guò)程[23]，但邏輯回歸產(chǎn)生的建模結(jié)果缺乏對(duì)智能體異質(zhì)性的深刻探索。上述經(jīng)濟(jì)模型與邏輯回歸模型均為線(xiàn)性模型，無(wú)法描述智能體與城市擴(kuò)展之間復(fù)雜的非線(xiàn)性關(guān)系[23,24]，因此，需要采用一種更客觀、科學(xué)的方法刻畫(huà)智能體的決策行為[25]。人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)具有自主學(xué)習(xí)和自適應(yīng)能力，可通過(guò)對(duì)歷史數(shù)據(jù)的學(xué)習(xí)，訓(xùn)練出一個(gè)能夠歸納全部數(shù)據(jù)的特定神經(jīng)網(wǎng)絡(luò)，特別適用于模擬復(fù)雜的非線(xiàn)性系統(tǒng)[26,27]，將ABM與ANN相結(jié)合，在CA框架下模擬城市擴(kuò)展，可解釋城市擴(kuò)展與其驅(qū)動(dòng)因素之間的時(shí)空交互作用[25]。

本文從微觀角度，充分考慮地理區(qū)位、自然因素、社會(huì)經(jīng)濟(jì)因素，并耦合不同類(lèi)型智能體對(duì)城市擴(kuò)展的決策行為，借助GIS空間分析技術(shù)與人工神經(jīng)網(wǎng)絡(luò)挖掘不同類(lèi)型智能體在城市擴(kuò)展過(guò)程中的偏好差異，結(jié)合多期遙感影像，運(yùn)用ANN-ABM-CA模型對(duì)城市擴(kuò)展進(jìn)行模擬，以期為城市可持續(xù)發(fā)展與國(guó)土空間規(guī)劃提供科學(xué)依據(jù)。

1 研究區(qū)與數(shù)據(jù)

武漢市是華中地區(qū)的政治、經(jīng)濟(jì)、文化、科教中心及交通通信樞紐，被稱(chēng)為“九省通衢”，主要包括主城區(qū)(武昌區(qū)、洪山區(qū)、青山區(qū)、漢陽(yáng)區(qū)、硚口區(qū)、江岸區(qū)、江漢區(qū))和6個(gè)遠(yuǎn)城區(qū)(漢南區(qū)、蔡甸區(qū)、東西湖區(qū)、江夏區(qū)、新洲區(qū)、黃陂區(qū))。截至2019年年末，武漢市常住人口超過(guò)1 120萬(wàn)人，近10年隨著外來(lái)人口不斷涌入，武漢市城鎮(zhèn)化呈快速發(fā)展態(tài)勢(shì)。武漢市城市擴(kuò)展主要集中在主城區(qū)，因此本文選取武漢市主城區(qū)作為研究區(qū)(圖1)。

圖1 武漢市主城區(qū)Fig.1 Main urban area of Wuhan

本文研究數(shù)據(jù)包括武漢市主城區(qū)2005年、2010年、2015年的1∶10萬(wàn)比例尺30 m×30 m土地利用柵格數(shù)據(jù)(源于中國(guó)科學(xué)院資源環(huán)境科學(xué)數(shù)據(jù)中心)、OpenStreetMap道路矢量數(shù)據(jù)、鏈家網(wǎng)房?jī)r(jià)數(shù)據(jù)、百度地圖POI數(shù)據(jù)(包括加油站、科教和醫(yī)療、休閑娛樂(lè)場(chǎng)所、餐飲點(diǎn)、名勝景點(diǎn)、購(gòu)物中心、水體、綠地)。

2 研究方法

2.1 智能體模型(ABM)

不同層級(jí)的智能體對(duì)城市擴(kuò)展的理解模式不同，在決策過(guò)程中相互作用。智能體在宏觀和微觀等多個(gè)空間尺度同時(shí)發(fā)揮作用，從而對(duì)城市擴(kuò)展產(chǎn)生不同的影響。本研究中，智能體的決策行為及城市擴(kuò)展動(dòng)態(tài)建模主要基于以下兩個(gè)假設(shè)：智能體的行為總是與其自身的想法相匹配；不同類(lèi)型智能體之間的交互行為不會(huì)隨時(shí)間而發(fā)生改變。ABM是在需求—智能體—約束—狀態(tài)—反應(yīng)的框架下構(gòu)建的，本文考慮了兩種不同類(lèi)型的智能體，即政府智能體和居民智能體。

2.1.1 宏觀智能體—政府 政府智能體是宏觀層級(jí)的智能體，主要起宏觀調(diào)控作用，控制所有的城市擴(kuò)展，并根據(jù)總體規(guī)劃評(píng)估其他類(lèi)型智能體的城市擴(kuò)展訴求。本研究假設(shè)政府智能體希望在土地利用現(xiàn)狀改變成本最小的條件下進(jìn)行城市擴(kuò)展。根據(jù)各地類(lèi)轉(zhuǎn)變?yōu)槌鞘杏玫氐某杀局笖?shù)得出各地類(lèi)的城市擴(kuò)展阻力，從而限制居民智能體將元胞轉(zhuǎn)為城市用地。地類(lèi)i轉(zhuǎn)變?yōu)槌鞘杏玫氐某杀局笖?shù)Ci為[28]：林地0.7、草地0.6、耕地0.6、城市用地0、濕地0.6、水域1、未利用地0.7。根據(jù)轉(zhuǎn)換成本指數(shù)，政府智能體的決策分值(Pgi)計(jì)算公式為:

Pgi=1-Cii=1,2,3,…,7

(1)

2.1.2 微觀智能體—居民 居民智能體是微觀層級(jí)的智能體，居民是城市擴(kuò)展的根本動(dòng)力，其能根據(jù)偏好和實(shí)際生活水平找到一個(gè)最符合期望的地方居住。本研究根據(jù)收入水平將居民智能體細(xì)分為高、中、低3種，利用人工神經(jīng)網(wǎng)絡(luò)獲取3類(lèi)居民智能體對(duì)非城市元胞的決策分值(Decision Score，DS)，計(jì)算公式為：

DSK=fANN(V1,V2,…,Vn)

(2)

式中：DSK為利用ANN從n(n=10)個(gè)變量中計(jì)算得到的K(K=1,2,3)類(lèi)居民智能體的決策分值；fANN為人工神經(jīng)網(wǎng)絡(luò)；V1，V2，…，Vn為在ANN中影響居民智能體決策的10個(gè)空間距離變量。

2.1.3 智能體綜合決策 在模擬過(guò)程中，所有智能體的綜合決策分值DScom計(jì)算公式為：

DScom=Max(DS1,DS2,DS3)×Pg

(3)

式中：DS1、DS2、DS3分別為高、中、低居民智能體的決策分值；Pg為政府決策分值。

2.2 人工神經(jīng)網(wǎng)絡(luò)

構(gòu)建智能體模型的關(guān)鍵在于如何計(jì)算智能體對(duì)非城市元胞的決策分值DS，傳統(tǒng)方法對(duì)智能體的決策過(guò)程表征較為主觀，本研究采用人工神經(jīng)網(wǎng)絡(luò)挖掘不同類(lèi)型居民智能體的決策行為。本文采用的自適應(yīng)增強(qiáng)多層感知器神經(jīng)網(wǎng)絡(luò)(Adaboost-Multi-Layer Perceptron Network，AMPN)如圖2所示，由3個(gè)弱分類(lèi)器(分別模擬3類(lèi)居民智能體的決策過(guò)程)組成1個(gè)強(qiáng)分類(lèi)器。其中，輸入層的神經(jīng)元代表影響居民智能體決策的決策變量，輸出層輸出為居民智能體的決策分值DS和1-DS。

圖2 Adaboosted-ANN結(jié)構(gòu)Fig.2 Structure of Adaboosted-ANN

2.3 城市擴(kuò)展CA

基于每個(gè)非城市元胞的城市擴(kuò)展?jié)摿Ψ种颠M(jìn)行城市擴(kuò)展CA模擬，城市擴(kuò)展?jié)摿Ψ种礥EPS由ANN-ABM計(jì)算得到的決策分值結(jié)合鄰域效應(yīng)得到(式(4)、式(5))。模擬過(guò)程中，選取3×3摩爾鄰域，城市元胞和非城市元胞均用于構(gòu)建輪盤(pán)選擇機(jī)制，其中，城市和非城市土地利用模式在元胞中競(jìng)爭(zhēng)。這種隨機(jī)選擇過(guò)程能夠使模型更好地模擬復(fù)雜非線(xiàn)性城市擴(kuò)展過(guò)程中的不確定性。

(4)

(5)

式中：P(i,j)為通過(guò)元胞(i,j)鄰域內(nèi)城市元胞數(shù)量計(jì)算得到的鄰域效應(yīng)，若鄰域內(nèi)元胞k為城市用地，cellk=1,否則cellk=0；random為0～1的隨機(jī)數(shù)，以確保一些決策分值很高且滿(mǎn)足轉(zhuǎn)變條件的非城市元胞在鄰域無(wú)城市元胞的情況下也可轉(zhuǎn)變?yōu)槌鞘小?/p>

3 ANN-ABM-CA模型應(yīng)用

3.1 模型流程

ANN-ABM-CA模型主要根據(jù)非城市單元的決策分值DS決定元胞是否轉(zhuǎn)變?yōu)槌鞘?圖3)。最初，高、中、低3種居民智能體分別移動(dòng)至待評(píng)估的非城市元胞(i,j)，并依次進(jìn)行評(píng)估。如果沒(méi)有居民智能體期望該元胞轉(zhuǎn)變?yōu)槌鞘校瑒t認(rèn)為該元胞不適合發(fā)展為城市；如果3種居民智能體中至少有1種決策分值高于0.5，則該元胞由政府智能體進(jìn)行評(píng)估，若政府允許擴(kuò)展，則該元胞為城市擴(kuò)展的潛在候選元胞。對(duì)所有元胞評(píng)估結(jié)束后，將候選元胞按綜合決策分值DScom降序排列，依次添加到候選池中，直至達(dá)到允許的總量為止。最后在候選池中耦合鄰域效應(yīng)進(jìn)行輪盤(pán)隨機(jī)選擇過(guò)程，輸出城市擴(kuò)展CA的模擬結(jié)果。

圖3 ANN-ABM-CA模擬流程Fig.3 Flow chart of ANN-ABM-CA modeling

3.2 變量選取

通過(guò)對(duì)土地利用數(shù)據(jù)疊加分析，得到2005-2010年武漢市主城區(qū)城市擴(kuò)展數(shù)據(jù)，其中，0表示未發(fā)生城市擴(kuò)展，1表示發(fā)生城市擴(kuò)展。由于城市化過(guò)程中城市用地難以轉(zhuǎn)變?yōu)榉浅鞘杏玫?，故本研究不考慮該情況。利用道路數(shù)據(jù)和百度地圖POI數(shù)據(jù)計(jì)算歐氏距離并作為智能體決策變量，最終選取10個(gè)空間距離變量作為居民智能體決策影響因素(圖4)，將每個(gè)距離變量數(shù)據(jù)歸一化以進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練。

圖4 空間變量數(shù)據(jù)Fig.4 Spatial variable data

根據(jù)收入水平將居民智能體細(xì)分為高、中、低3種，由于本文缺少精細(xì)的居民收入數(shù)據(jù)，所以用武漢市主城區(qū)房?jī)r(jià)表征居民收入情況。在考慮收入差距不宜過(guò)大的條件下，將武漢市主城區(qū)房?jī)r(jià)分為高(>19 000元)、中(15 000～19 000元)、低(≤15 000元)3種級(jí)別(圖5)。

圖5 武漢市主城區(qū)房?jī)r(jià)分布Fig.5 Distribution of housing prices in the main urban area of Wuhan

3.3 模型實(shí)現(xiàn)與參數(shù)設(shè)定

首先對(duì)2005-2010年武漢市主城區(qū)城市擴(kuò)展數(shù)據(jù)、10個(gè)空間變量數(shù)據(jù)、房?jī)r(jià)數(shù)據(jù)進(jìn)行疊加，然后將高、中、低3類(lèi)居民智能體分別按10%的比例隨機(jī)采樣作為訓(xùn)練樣本。本研究每個(gè)帶有AMPN的ANN被配置為10(輸入層)-20(隱藏層)-2(輸出層)，人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練及模擬過(guò)程在MATLAB中實(shí)現(xiàn)。訓(xùn)練過(guò)程中隨機(jī)選取70%的樣本數(shù)據(jù)進(jìn)行訓(xùn)練，15%的樣本數(shù)據(jù)作為驗(yàn)證集以防止網(wǎng)絡(luò)過(guò)度擬合，15%的樣本數(shù)據(jù)作為測(cè)試集，用于評(píng)價(jià)網(wǎng)絡(luò)的精度。每類(lèi)居民智能體分別訓(xùn)練1 000個(gè)網(wǎng)絡(luò)，根據(jù)訓(xùn)練好的網(wǎng)絡(luò)模擬得到?jīng)Q策分值，并分別取平均值以降低偶然誤差。之后，綜合政府智能體決策分值，耦合鄰域效應(yīng)計(jì)算得到城市擴(kuò)展?jié)摿Ψ种担赑ython 2.7環(huán)境進(jìn)行城市擴(kuò)展CA模擬。其中，鄰域大小設(shè)置為90 m×90 m，以2005年土地利用數(shù)據(jù)作為基期，設(shè)置2015年城市用地元胞數(shù)量作為模型停止迭代的條件。

4 結(jié)果與分析

4.1 居民智能體決策分值

本研究中ANN在模擬居民智能體決策方面表現(xiàn)良好，模擬后得到的低、中、高收入居民智能體決策分值(圖6)在大部分區(qū)域趨于一致，但在細(xì)節(jié)上有一定差別。其中，低收入居民智能體在江岸區(qū)北部和洪山區(qū)南部決策分值較高，中收入居民智能體在洪山區(qū)東南部決策分值較高，高收入居民智能體決策分值分布較均衡，高值區(qū)主要分布在長(zhǎng)江兩岸。3種居民智能體的綜合決策分值(圖6d)高值區(qū)多集中于城市用地周?chē)?，說(shuō)明武漢市主城區(qū)目前的擴(kuò)展模式主要為邊緣型擴(kuò)展。

圖6 3種居民智能體決策分值Fig.6 Decision score for three kinds of resident agents

4.2 居民智能體決策影響因素相關(guān)性分析

居民智能體決策影響因素的相關(guān)性主要通過(guò)ANN中的Garson算法推導(dǎo)得出(圖7)。其中，與低收入居民智能體決策相關(guān)性最高的是綠地、相關(guān)性最低的是水體，與中收入居民智能體決策相關(guān)性最高的是醫(yī)療、相關(guān)性最低的是道路，與高收入居民智能體決策相關(guān)性最高的是景點(diǎn)、相關(guān)性最低的是道路。低收入居民智能體決策與綠地、加油站、教育3個(gè)決策影響因素的相關(guān)性均高于中、高收入居民智能體，中收入居民智能體與休閑娛樂(lè)、餐飲點(diǎn)、購(gòu)物3個(gè)決策影響因素的相關(guān)性均高于低、高收入居民智能體，高收入居民智能體決策與景點(diǎn)、醫(yī)療2個(gè)決策影響因素的相關(guān)性均高于低、中收入居民智能體。道路和水體對(duì)3種居民智能體都不是重要影響因素。

圖7 3種居民智能體決策變量相關(guān)系數(shù)Fig.7 Correlation coefficients of decision variables for three kinds of resident agents

4.3 城市擴(kuò)展精度分析

ANN-ABM-CA模型的城市擴(kuò)展模擬結(jié)果如圖8a所示,將模擬結(jié)果與2015年實(shí)際情況(圖8b)進(jìn)行對(duì)比以分析模擬精度。本文選取OA(Overall Accuracy)值、Kappa系數(shù)、FoM(Figure of Merit)值評(píng)價(jià)模擬結(jié)果，計(jì)算公式如下：

OA=P0

(6)

Pc=(a1×b1+a0×b0)/n2

(7)

Kappa=(P0-Pc)/(1-Pc)

(8)

FoM=B/(A+B+C+D)

(9)

圖8 武漢市主城區(qū)城市擴(kuò)展情況Fig.8 Urban expansion of the main urban area of Wuhan

式中：P0為觀察一致性，指模擬正確的元胞數(shù)量占元胞總數(shù)量的比例；Pc為期望一致性;a1、a0分別為實(shí)際情況中城市用地元胞數(shù)量和非城市用地元胞數(shù)量；b1、b0分別為模擬結(jié)果中城市用地元胞數(shù)量和非城市用地元胞數(shù)量；n為元胞總數(shù)；A為實(shí)際土地利用類(lèi)型發(fā)生變化但模擬土地利用類(lèi)型未發(fā)生變化的元胞數(shù)量；B為實(shí)際和模擬土地利用類(lèi)型均發(fā)生變化的元胞數(shù)量；C為實(shí)際土地利用類(lèi)型發(fā)生變化但模擬土地利用類(lèi)型錯(cuò)誤的元胞數(shù)量(本研究?jī)H模擬非城市用地向城市用地轉(zhuǎn)變的城市擴(kuò)展過(guò)程，故C=0)；D為實(shí)際土地利用類(lèi)型未發(fā)生改變但模擬土地利用類(lèi)型發(fā)生改變的元胞數(shù)量。

通過(guò)式(6)-式(9)可得，基于ANN-CA模型模擬結(jié)果的OA值為97.35%，Kappa系數(shù)為0.9045，F(xiàn)oM值為0.4195，而本文基于ANN-ABM-CA模型模擬結(jié)果的OA值為97.46%，Kappa系數(shù)為0.9176，F(xiàn)oM值為0.4375，分別提升了0.11%、1.44%、4.29%，可見(jiàn)ANN-ABM-CA相比ANN-CA性能更好，緣于兩種模型的轉(zhuǎn)換規(guī)則存在一定差異。ANN-CA僅根據(jù)鄰域元胞的狀態(tài)判斷其狀態(tài)是否改變，無(wú)法描述微觀智能體與宏觀智能體之間的交互作用對(duì)城市擴(kuò)展的多元影響以及人類(lèi)決策行為在城市擴(kuò)展過(guò)程中的作用；而ANN-ABM-CA的轉(zhuǎn)換規(guī)則是基于智能體之間的相互作用決定的，不僅考慮了元胞的鄰域狀態(tài)，還刻畫(huà)了影響城市擴(kuò)展的智能體之間的互動(dòng)關(guān)系，體現(xiàn)了不同收入居民智能體的決策行為，從微觀與宏觀相結(jié)合的角度更好地解釋了城市擴(kuò)展的驅(qū)動(dòng)機(jī)制。

5 結(jié)論

本文綜合考慮智能體在城市擴(kuò)展過(guò)程中的交互行為，利用人工神經(jīng)網(wǎng)絡(luò)挖掘不同類(lèi)型居民智能體的決策行為，構(gòu)建了ANN-ABM-CA模型，以增強(qiáng)城市擴(kuò)展模擬的真實(shí)性。通過(guò)CA模型考慮城市空間增長(zhǎng)的自組織性，通過(guò)ANN-ABM獲取CA轉(zhuǎn)換規(guī)則刻畫(huà)人類(lèi)決策行為在城市擴(kuò)展過(guò)程中的作用，從微觀角度解釋了城市擴(kuò)展的驅(qū)動(dòng)機(jī)制。最終以武漢市主城區(qū)為研究區(qū)，模擬城市擴(kuò)展過(guò)程，并與傳統(tǒng)ANN-CA模型的模擬結(jié)果進(jìn)行對(duì)比，結(jié)果表明：1)ANN-ABM-CA模型在模擬研究區(qū)2005-2015年城市擴(kuò)展方面精度較高，OA值為97.46%，Kappa系數(shù)為0.9176，F(xiàn)oM值為0.4375，均高于ANN-CA模型相應(yīng)的精度指標(biāo)值；2)不同收入層級(jí)的居民智能體對(duì)于城市擴(kuò)展的決策偏好不同；3)2005-2015年武漢市主城區(qū)擴(kuò)展模式主要為邊緣型擴(kuò)展，洪山區(qū)西南部有少部分填充型擴(kuò)展、東南部出現(xiàn)飛地型擴(kuò)展，與實(shí)際擴(kuò)展情況相符。

本文ANN-ABM-CA模型仍存在如下不足：1)考慮的智能體類(lèi)型不夠全面，忽略了開(kāi)發(fā)商智能體，而其通常在考慮居民意愿、獲得政府批準(zhǔn)且滿(mǎn)足自身利益最大化的條件下開(kāi)發(fā)城市用地，在城市擴(kuò)展過(guò)程中扮演著較為重要的角色；2)對(duì)于居民智能體的分類(lèi)不夠精細(xì)，除收入水平外，還應(yīng)考慮婚姻狀況、家庭成員組成、教育水平等，以便進(jìn)一步探究不同類(lèi)型居民的決策差異，這些將在以后的工作中繼續(xù)完善。