条（连续的）线，然后试图把这条线近似地看成路网中可能穿过的那些道路段。可以描述这个过程的方法是把路网简化为一个网络：把每条道路段向两侧尽可能地延长，结果，我们将选用最少数量的尽可能长的线段遍及所有的城市空间，并使得这些线段彼此相交，以此来表示路网。这个过程可以用算法来实现（Ｔｕｒｎｅｒ ｅｔ ａｌ２００５），但是研究人员为了更多地了解城市，更愿意手
正确的，那么商店之所以位于那儿，是因为它们吻合了由路网决定的人流模式。所以我们要理解城市就不能从吸引点开始，而应该从决定吸引点分布模式的路网着手。因此城市的网络观也是一种研究范式的改变，这种观点是按照另一种法则布置了城市中的一切。
一旦明白了网络组构和人的流动之间的关系，我们就可以开始了解城市形成和运作的机制。这样，我们就可以开始理解城市为什么以及如何自组织生长成为一个多中心的模式：这是通过一组在不同尺度上相互联系的中心和次中心形成的，比如从几家商店加上一个咖啡店的组团到城市中的商业中心，甚至到整个副都心，这些中心点缀在居住区这个背景之中。这是有机城市的自然属性，这种城市经历了１０多年或者上百年的演变，热闹的区域和安静的区域交织成紧密的网络，各司其位。因此我们在这儿讨论的是有机城市的理论。这里的关键是城市生长的过程取决于不同尺度之间的关系：城市局部场所的形成不仅依赖于它本身的内在品质，而且依赖于它在多大程度上植入更大范围的城市相关区域中。实际上，我们坚持认为这就是空间的普遍真理，并且这种局部和整体的互动在设计城市美妙图景的实践过程中考虑得太少了。
空间决定人的流动
本文的论证是建立在空间组构和人的流动之间是有关联的这个假设之上的，因而我必须先论证这个假设是正确的。首先，我来说明这是常识。图７ａ是一个简单的网络，包括一条主街、与之相交的纵街、支路以及背街小巷。想像所有街道两侧都布置了建筑物，人们按照最短路径的原则在这些建筑物之间走动。
显而易见，主街上的行人比支路或者背街的行人更多；主街路段的中部比它的边缘有更多的人；从主街更容易到达其他街道，也就是它有更高的可达性；相交的纵街也有较多人流，但是会比主街的多吗？这不敢肯定。这显然是我们的直觉推测整个路网中每条街道在多大程度上影响了到达人流（Ｔｏ－ｍｏｖｅｍｅｎｔ）和穿行人流（Ｔｈｒｏｕｇｈ－ｍｏｖｅｍｅｎｔ）的模式。这与心理学无关，但是，这是在考虑路网是如何运作的。
我们能测量这些吗？当然可以。实际上这些就是（图论中）熟知的网络特性。任何网络可以表示为包含元素和连接的图，我们可以容易地计算每个元素到其他所有元素的接近度（Ｃｌｏｓｅｎｅｓｓ），即关于到达人流的可达性，也可以计算每个元素在连接另外任意两个元素的路径上出现的次数，即穿行人流的可能性。每个元素到其他所有元素的接近度实际上就是本文前半部分定义的空间整合度，我们按从暖到冷的色彩表示整合度的高低，红色最高，蓝色最低，图７ｂ就是那个概念路网的整合度高低的色彩表达。穿行性（Ｂｅｔｗｅｅｎｎｅｓｓ）也就是空间在两个其他空间之间的路径上出现的可能性，常常称之为选择度（Ｃｈｏｉｃｅ），它表示在从所有元素到其他所有元素的所有路径集合中一个元素可能出现的次数，按照上述的着色方式表示选择度的高低，图７ｃ就是路网选择度高低的色彩表现。交通工程师是熟悉这两种量度的，但是据我所知，他们从来没有把这些度量用于考虑路网本身的几何构成中，也就是他们从来没有以建筑学的角度来考虑这些量度。
上文所描述的就是关于那些巨大而复杂的城市路网的事实。广而言之，那也是网络的定理，２００５年希利尔和伊达在他们的论文中解释了其中的数学原理（Ｈｉｌｌｉｅｒ ＆Ｉｉｄａ，２００５）。关于城市的问题是如下的：我们应该用这些量度来测量哪些几何元素？我们如何测量距离？由于城市空间连续地漫无边际地延伸着，因而它们没有明显的几何形状。交通工程学中的道路交叉口明显是一个备选的对象，但是它们不能描述城市的几何形状。从几何的角度来看，路网本质上是线性空间构成的网络。我们沿一条路前进，然后再拐弯，再沿另一条路前进。而且，我们将会把连接出发地点和目的地的路径想像成一
８
７ａ 概念路网，包括一条水平的主街，与之垂直相交的纵街，支路，以
及背街小巷／Ａ ｎｏｔｉｏｎａｌ ｇｒｉｄ ｗｉｔｈ ａ ｈｏｒｉｚｏｎｔａｌ ｍａｉｎ ｓｔｒｅｅｔ， ｖｅｒｔｉｃａｌｃｒｏｓｓ ｓｔｒｅｅｔ， ｓｉｄｅ ｓｔｒｅｅｔｓ ａｎｄ ｂａｃｋ ｓｔｒｅｅｔ７ｂ 概念路网的“整合度”图示，表示每条路到其他所有路的拓扑总距离，从红色到蓝色表示整合度由高变低／Ｎｏｔｉｏｎａｌ ｇｒｉｄ： ｐａｔｔｅｒｎ ｏｆ‘ｉｎｔｅｇｒａｔｉｏｎ’ｖａｌｕｅｓ， ｏｒ ｔｈｅ ｃｌｏｓｅｎｅｓｓ ｏｆ ｅａｃｈ ｌｉｎｅ ｔｏ ａｌｌ ｏｔｈｅｒｓ，ｆｒｏｍ ｒｅｄ ｆｏｒ ｈｉｇｈｅｓｔ ｔｈｒｏｕｇｈ ｔｏ ｂｌｕｅ ｆｏｒ ｌｅａｓｔ７ｃ 概念路网的“选择度”图示。概念路网中任意两条路之间存在的最短拓扑路径，某条路被所有这样的最短路径穿过的次数就是这条路的
选择度。从红色到蓝色表示选择度由高变低／Ｎｏｔｉｏｎａｌ ｇｒｉｄ： ｐａｔｔｅｒｎ
ｏｆ‘ｃｈｏｉｃｅ’ｖａｌｕｅｓ， ｏｒ ｔｈｅ ｄｅｇｒｅｅ ｔｏ ｗｈｉｃｈ ｅａｃｈ ｌｉｎｅ ｌｉｅｓ ｏｎｓｉｍｐｌｅｓｔ ｐａｔｈｓ ｆｒｏｍ ｅａｃｈ ｌｉｎｅ ｔｏ ａｌｌ ｏｔｈｅｒｓ， ｆｒｏｍ ｒｅｄ ｆｏｒ ｈｉｇｈｅｓｔｔｈｒｏｕｇｈ ｔｏ ｂｌｕｅ ｆｏｒ ｌｅａｓｔ８ 伦敦中心区局部的轴线模型图，表示局部整合度，也就是从每条轴线到距这条轴线两步以内的其他轴线的拓扑总距离／Ｐａｒｔ ｏｆ ｃｅｎｔｒａｌＬｏｎｄｏｎ， ｗｉｔｈ ａｎ ａｘｉａｌ ｍａｐｓ ｓｕｐｅｒｉｍｐｏｓｅｄ ｃｏｌｏｕｒｅｄ ｕｐ ｆｏｒ‘Ｉｏｃａｌ ｉｎｔｅｇｒａｔｉｏｎ’． ｔｈａｔ ｉｓ ｔｈｅ ｃｌｏｓｅｎｅｓｓ ｏｆ ｅａｃｈ ｌｉｎｅ ｔｏ ａｌｌｏｔｈｅｒｓ ｕｐ ｔｏ ｔｗｏ ｔｕｒｎｓ ａｗａｙ ｆｒｏｍ ｅａｃｈ ｌｉｎｅ
动来数字化这个过程。
一旦我们完成了简化的网络，我们可以根据线段之间的关联计算每条线段的整合度，然后按惯例给它们着色。实际上，我们在度量从每条线段到其他所有线段需要转弯的次数，这是一个复杂的距离。我们也可以限制度量的半径范围，即仅仅计算从每条线段到其他所有线段转弯次数小于某个特定数值的那个复杂距离。图８是半径为３的度量，每条线段本身也算一次转弯，这个量度称之为局部整合度，而全局整合度的计算是没有设置度量半径的或者说设置了最大的度量半径。
一旦我们完成这种度量的表现图，其中红色线段是整合度最高的，而蓝色线段是整合度最低的，这张图传达的信息是令人兴奋的。比如：图中东西向的红色线段就是伦敦最主要的商业街——牛津街，以及由红色、橙色、黄色线段构成的整个图示和我们直觉印象中的伦敦在相当大的程度上是吻合的。
但是这难道是真正具有意义的表现图吗？如果比较每条线段上的人流量和它们的整合度（也就是那个复杂距离），那么整合度高的空间线段会有更多的人流吗？这样就能表明那个表现图是否有意义。我们选择伦敦不同的５片区域，在每片区域中选择１００条街道来观测步行人流量和车流量，然后比较每条街道的人车流量和它们的整合度。
结果至少是鼓舞人心的（图９）。半径３的整合度和车流量的相关值超过了０．７，而它和步行人流量的相关值大约是０．６。这表明７０％的车流量以及６０％的人流量是由路网本身决定的，这儿计算的是复杂的（拓扑）距离，而不是实际路程。如果我们想提高相关度，我们当然可以考虑其他因素，比如商店的数目、距交通枢纽的远近等等。但是我们发现不用考虑用地性质，城市空间结构作为单纯的几何对象就和人车流相关了，这才是真正对设计有重要意义的。
路网的整合度的模式决定了人车流分布模式，这个发现不仅仅可以完美地预测交通，而且我们能够以此设计符合人车流量的空间，并且根据不同用地对人车流量不同的依赖程度来恰如其分地安排城市用地。由于我们的模型具有建筑学的意义，也就是模型是基于对城市空间的真实
世界建筑２００５／１１