层级化设计：视觉集成的艺术和科学的分析实验的差异

艺术家并不表现科学；……（但是）他会经常与科学家具有相同的兴趣点，并通过视觉集成来展示科学家用解析方程或实验演示的内容。

——刘易斯·芒福德（Lewis Mumford），“艺术”，摘自《人类向何处去：现代文明的全景》（1928，第296页）

到目前为止，我们介绍的工具大多关注分析性地建立城市科学，但正如我们将看到的，相同的这些工具，可以被综合地塑造为对城市的一种理解。在这个意义上，与将城市作为整体考虑的综合方法相反，分析包含了将城市解构为其组成部分和相互作用的内容。分析往往是自上而下的，而综合是自下而上的。但这样的观点有一个变体，即解构关注现存的形式，构建则关注新的形式；此外解构还关注分析和科学，构建则关注综合与设计。到目前为止，我们已经介绍过的这些工具都集中在解释存在是什么，即真实性，而我们在本书的最后一部分中将要介绍的是专注于设计可能存在的东西，即可能性。尽管这些工具在我们处理相互作用和关系的方式上具有极大的共性，但我们用来改造和设计新的城市形态的方法，其中观点的本质方向发生了转变，从关注过去与现在转变为关注未来。正如芒福德（1928）在上述引文中的观点，作为艺术的设计与科学相比较，其差别在于建构世界的手段是视觉集成还是分析实验。

我们已经通过介绍大量的工具来阐述这门新科学，但我们的根本理论需要建立在对假定独立于结果的各种变量进行定义的基础上。从这点来说，我们假设变量在函数关系上是独立于结果的，也就是说，结果y由变量x决定或生成，而反之不成立。因变量和自变量都是可观察的，同时，科学的任务是在理论和实证上发现x和y之间的关系。好的理论必须在应对解构的尝试时是实证可证伪的和稳健的，同时也符合我们对世界如何运转的思考和直觉。定义适当的结果和自变量是一种能力，而不是科学本身，这意味着科学中的设计也许和设计中的科学一样多。然而，科学推进的方法包括把假说定义为可以通过准演绎的方式进行实验或通过计算机模拟来检验的关系，或者通过设定的假说检验循环运转过程中的一系列观测来推断。对良好科学的最重要检验就是理论带来的预测是否可以被观察所证明，这些观察完全独立于一开始产生假说的方法。这是19世纪和20世纪的经典科学的基石，在某种程度上这种判断目前也面临着细致推敲，因为我们所处理的系统的复杂性在增加。

就像科学是寻找一个变量集与其他变量集之间的因果关系，设计可以被看作遵循相同的结构，但有着不同的观点和目的。设计往往可以被理解为对一系列自变量进行操作，当这些自变量综合或融合为一个结果时，我们可以称之为一个“规划”或“设计”。自变量是决定问题在某些方面的解决方案的要素，要素综合是对它们进行聚合或合并以形成可以反映这些被考虑要素的最优解。解决方案或设计也可以看作是一个规划y，由一系列定义需求但相互间往往冲突的x要素决定。这些要素通常由设计者定义，并且在空间问题中有时被视为组合生成的解决方案的“层”。事实上，科学和设计的过程可以被比作解释或解决方案的产生，这些解释或解决方案是由这些层巧妙地组合而成的，而这个比喻在空间系统中特别有意义，因为在空间系统中这些层可以被看作空间图。然而，与科学变量不同的是，不同设计者对于层的重要性有不同的理解，这使得任何设计都有独特的组合。这些要素或变量可能不是相互独立的，因为它们是由设计者根据直觉的相关程度选择出来的。这一过程与生成解决方案的综合过程相结合，其内在过程及其本身对于设计者来说都是独特的。(www.xing528.com)

我们将会看到，我们定义的过程具有高度的形式化，但每个结果都会是唯一的，因为这些要素对一个设计的影响具有主观性。一个设计的好坏取决于如何对其进行评估，这通常是一个通过一系列目标来检验结果或解决方案的过程，以衡量解决方案是否与问题的目标相符。与科学方法不同的是，根据预设目标对设计进行的评估，并不会将设计验证于其他地方并用一系列独立目标来检验。这在逻辑上与检验科学理论是相同的，科学检验中的目标在这里定义观察，但设计过程并不具有那样的独立性。简而言之，用于检验设计的目标是与最开始产生设计的综合过程中的目标一致的。这是一个不可避免的内在循环，而且对于设计来说可能没有真正的检验，因为设计的目的往往并不是达成共识。实际上共识是重要的，但它永远不会是对好设计的要求。

在某种意义上，所有的科学和设计都有最优化问题。把科学中的自变量或解释变量拟合或微调到那些总是被解释内容的过程，需要通过引入不同的参数来寻找微调解释的方法，这些参数定义了自变量的相对重要性和意义。在第二篇中，我们使用了线性分析法来估算这类变量的权重，通过使用一些函数的极小化，比如最小平方，生成一个最佳拟合模型，以降低观察和预测成果之间的误差——简而言之，寻找可将诸如Φ=∑i（yi-∑kwkxik）2这样的函数极小化的权重集wk。同样的结构有时被用来定义设计问题的最优解决方案，通常基于一些目标函数，比如Φ=∑五wkxik，这里的权重wk为费用。然后我们选择解决方案yi中的变量来使Φ最优化，通常以利益、利润等来衡量，Φ通常会在解决方案变量（而且常常是自变量）能够承担的极限上受到一系列约束。实际上，在对土地使用交通建模的早期，类似于我们在上一章中探索的模型都是在这样的优化框架之中的，尽管这些在设计上的尝试很快就被意识到具有问题，其产生的解决方案非常粗糙，明显忽视了对设计十分重要的定性变量。

对最易于处理和简单的任意系统的优化中具有某些形式的反馈，可以让解决方案趋向最佳。在某种程度上，这种循环是科学方法中逐渐改善假说的关键，随着对它们的基本特征有更多的了解，在不断探索越来越好的预测的过程中对观察进行改进，假说逐渐被完善。在设计中也差不多，甚至在正式优化过程中也是，最优解决方案可能存在的解决空间，在追求打磨最佳结果的过程中逐渐缩小。我们将在本章及后续章节中检验不同的模型，这类互动过程是解决冲突并达成共识的关键，这里所谓的共识我们一般认为是最优解。实际上，我们的许多模型将会是线性结构，而在一些例子中，如统计分析的案例，当这类相互作用的收敛概率被简化为易于处理的形式时，可以直接得到解决方案。

我们在正式设计中的第一个尝试，是通过把解决方案作为要素的线性综合，这些要素是不同用地功能的最佳区位问题中的影响要素。对预设对象集进行线性加权以构建问题的方法将被介绍。然后，我们将检验这些要素之间的关系结构，采用我们在第一篇中介绍的基于连通性的理念，使用网络来展示这些要素相互之间的相对重要性。这可以为我们提供影响方案的要素的组织方法，将它们组织到不同层级的子问题中，这些子问题提供了结构化的综合，并包含不同的权重。接着，我们将它概括为序时平均（sequential averaging）形式，也就是我们所谓的设计的代数学。这与一阶马尔科夫过程类似，收敛到稳态代表了另一个加权解决方案。我们将在下一章中详细探索这个方法，届时将把设计问题往回推一个阶段，把它当作选择最佳设计的机器，即“对设计进行设计”。然后将描述选择风景区公路位置这一传统问题中的应用。这是一个著名的案例，最早由亚历山大和曼海姆（Alexander and Manheim，1962a）提出，也被麦克哈格（McHarg，1969）多年前在其重要著作《设计结合自然》中详细阐述过。这些方法在土地使用规划中是通用的，同时，当代的应用中包含了地理设计的新科学，由斯坦尼茨（Steinitz，2012）正式提出。本章中介绍的这类叠加设计是从很多基于地图的地理信息系统技术中发展出来的，如今地理信息系统技术越来越多地被用在土地使用规划中（Carr and Zwick，2007）。