面向城市特点的新型智慧城市评价指标裁剪模型*

韩慧妍 况立群 熊风光 韩 燮

（中北大学大数据学院 太原 030051）

1 引言

推进新型智慧城市建设，是党中央、国务院立足于我国经济社会发展最新形势做出的重大决策。《国家“十三五”规划纲要》也明确提出要“分级分类推进新型智慧城市建设”［1］。新型智慧城市评价是一项复杂的工程，评价覆盖范围广、第三方市民体验调查规模大、网络化平台使用广、考核数据来源多，为此需要建立一套科学实用的新型智慧城市评价指标体系，明确新型智慧城市工作方向，从而切实提升城市建设实效。如何进行智慧城市的综合评价，各国、各省市、各研究机构及科研人员出发点不一致，指标体系的构建方法也不尽相同［2~4］。

维也纳理工大学区域科学中心团队就欧盟28个国家内人口超过10万的468个城市进行了智慧化的深入调研，确定了智慧城市发展的3大元素以及6个主题［5］。6个主题中又包含了31个二级指标和74个三级指标。更重视城市居住者，以人为本是核心，其智慧城市发展和建设均相对成熟，其环境、社会与经济的可持续发展与智慧城市共同建设发展的机制和方法体系值得其他国家借鉴。

IBM作为智慧城市概念的提出者，将智慧城市描述为一个由组织、商业、政务、交通、通讯、水和能源七大因素组成的系统，每个系统都从4个一级指标进行细化。智慧城市的评估应基于城市系统的人、商业、政务、交通、通讯、水和能源。IBM智慧城市评估标准侧重于建设水平与最佳标准的评估，重点关注技术的突破，所设置的指标都是客观性指标，缺乏对公民主观体验方面的指标［6］。

自1999年开始，智慧社区论坛ICF每年都会进行“年度智慧社区”的评选，在世界上具有较大的影响力。其评选标准包括5项永久评选主题指标：宽带连接、知识劳动力、创新型、消除数字鸿沟、市场营销和宣传，后来又加入了“可持续性”指标。侧重于从政府视角对宽带基础设施在社区中发挥的效用进行评价，缺少对公民感知的重视，指标体系中定性指标较多，定量指标偏少。

“新型智慧城市评价指标体系3.0”的前身是浦东智慧城市发展研究院发布的中国版“智慧城市指标体系1.0”和“智慧城市指标体系2.0”，由国家发改委、中央网信办等在2016年联合发布，是我国首个国家层面设立且正式投入使用的指标体系。该指标体系以“以人为本、惠民便民、绩效导向、客观量化”为原则制定，包括客观指标、主观指标和自选指标三部分，包含8个一级指标、21个二级指标和54个三级指标，其高度重视“惠民”，在一定程度上引导了我国城市的建设重点。后来，相关部门对指标的权重进行了调整，最终形成了8个一级指标、24个二级指标和52个三级指标的体系，其中L6网络安全不再占有权重，改为扣分指标［7］。L8市民体现问卷权重从20%提升到40%，从提高市民获得感和满意度的角度出发，引导各地的智慧城市建设更加注重与市民生活息息相关的领域。相应地，其他6个指标总权重从80%降为60%。L7“改革创新”调整为“创新发展”，L1惠民服务的二级指标项删除了“电商服务”，因为此指标项无法获得，可评价性较差。

台湾地区从1998年起就开始投入智慧城市建设，台北地区曾荣获世界通讯协会全球智慧城市首奖［8］。其评价指标包括工作和效益两大系列、6个一级指标、7个二级指标。每项二级指标都包括了2008年现状值、2012年预期值及2016年预期值。

南京市信息中心借鉴了多种评价方法及IBM的智慧城市评价标准，构建了智慧南京评价指标体系，包括网络互联、智慧产业、智慧服务和智慧人文4个一级指标，21个二级评价指标［9］。

由以上研究不难发现，不同的评价指标体系侧重点不同，有些以硬件技术为导向，有些则以社会经济生活为导向；有些突出主观指标，而有些则重视客观指标；有些采用静态评估，有些则采用动态评估。对于评价结果而言，一方面，采用统一的指标体系进行评估或者排名可能使评估科学有效，所有被评估城市按照统一的模式建设智慧城市，可能将“智慧城市”模式化；另一方面，也会因为忽略被评估城市的不同特点而有失公允，进而无法基于该城市的特色进行后续的智慧城市建设［10~11］。

欧盟将其地理范围内的468个城市作为评估对象，对这些城市进行综合排名，而发起者为维也纳理工大学区域科学中心团队，并非从政府应用层面出发，因此弱化了城市特色；IBM智慧城市项目则在全球展开，将某一城市的智慧水平与当时的最佳水平或平均水平进行比较，也未体现某一城市的特点。上海、台湾、南京等虽然是基于城市构建评价指标体系，但是没有并没有融入城市的历史、文化、旅游及商业等特色。例如，上海是我国重要的经济、交通、科技、工业、金融、会展和航运中心，当前评价指标并未突出这些特点；南京作为十朝都会和我国重要的科教中心，评价指标体系中也未体现其崇文重教、厚重历史以及文化旅游的特色。那么应该如何构建能够体现不同城市特点的评价指标体系？例如如何评选全国智慧旅游城市、智慧教育城市、智慧农业城市、智慧工业城市、智慧商业城市、智慧资源型城市？

本文结合国内外智慧城市评价指标体系，首先构建评价指标数据库，根据不同城市特点，从数据库中选择适当的评价指标，基于层次分析法（AHP）及专家赋分，动态设定其重要性权重，完成评价指标的自动裁剪，从而构建一套面向城市特点的新型智慧城市评价指标体系模型。

2 构建评价指标体系数据库

对于每一个城市，其起跑线、优势、特色、发展潜力、政府企业及民众的重视程度以及进步程度不尽相同，因此应该多次多时段开展智慧城市的评价工作，而随着智慧城市的建设，其评价指标体系也需要及时调整，丰富、删除和改进，使指标库具备更好的时效性，实现动态管理。综合我国智慧城市评价指标体系，将所有可能涉及的一级、二级和三级指标录入指标库，对所有指标进行层次化、组件化、树状管理，对于每一个三级指标，都对其进行详细描述，以界定其考核范围。对于所有的指标，都可以进行增、删、改、查操作，其中的修改和删除操作，需要用户的再次确认，以防止误操作，指标管理模块如图1所示。

图1 指标管理模块

3 城市属性管理

不同城市具有不同的属性，首先将我国672个城市（不含港澳台）按照其行政编码、城市名称、所属省份录入数据库，城市所具备的属性主要包括省会、直辖市、首都、一线城市、二线城市等。城市管理模块使用可视化的形式展现，有两种查询模式（表格和地图），所有城市的属性均可增加或删除。在表格方式中，所有城市按照行政编码从小到大的顺序进行排列，用户可以通过输入省份或城市名称快速定位，也可以通过拖动表格右侧滚动条的方式进行定位，进而显示其行政编码、所属省份和城市属性，如图2所示；基于地图的方式默认显示全国地图，点击某省，地图则切换为该省范围，视窗右侧则显示该省内所有城市及属性信息，按照行政编码从小到大的顺序，如图3所示。

图2 以表格方式查找城市及其属性

图3 以地图方式查找城市及其属性

4 基于AHP的自动裁剪模型

4.1 数据来源

“新型智慧城市数据采集分析与评价服务平台”为本课题组承担的科技部重点研发项目，所需数据均来自政府提供的资料，最大程度上保证智慧城市算法实证的可靠性和科学性。从专家库中选择六名专家对指标进行重要性判定，六位专家分别来自政府、高校和企业，他们或是直接参与智慧城市建设管理，或是对智慧城市规划管理有一定的研究，更理解智慧城市的内涵，从而使指标权重的可靠性更高。

4.2 AHP方法的可行性及实证

AHP是一种适用于多层次和多目标的决策方法，可以把复杂的问题分解成各个单独的组成因素，然后将这些单独的因素形成递阶层次结构，通过互相比较的方式确定各个层次中的因素的相对重要性（权重），最后形成决策方法重要性排序［12］。该方法通常要求中间决策层中考虑因素不能超过9个，而智慧城市评价指标最多8个，因此智慧城市评价指标满足此要求。本文将此方法用于2018版新型智慧城市评价指标体系，主要包含以下步骤。

1）构建层次结构模型

将决策的目标、考虑的因素和决策对象按照相互关系分为目标层、准则层和方案层，绘制层次结构图，如图4所示。

图4 构建层次结构模型

2）构造成对比较矩阵

在专家的建议以及2016年智慧城市的评价准则的基础上，构建七个一级评价指标两两重要性对比的判断比较矩阵A，如式（1）所示。

计算矩阵A的最大特征值为λmax=7.081，该特征值对应的特征向量（权向量）为w=（0.2623，0.1103，0.0612，0.0491，0.0786，0.0424，0.3962）T。

3）一致性检验

首先计算一致性指标CI，如式（2）所示，查表得知七阶矩阵的随机一致性RI为1.32，然后计算一致性比例CR，如式（3）所示。因为0.01小于0.1，所以矩阵A的不一致程度在容许范围之内，通过一致性检验。

2018版智慧城市评价指标体系中各个评价指标的实际权重为w1=（0.26，0.11，0.06，0.05，0.08，0.04，0.4）T，基于AHP方法各指标的权重与2018版智慧城市评价体系中的评价指标的权重基本一致，表明AHP方法能够与后续2018版的专家经验相吻合，因此该方法可用于新型智慧城市的评价指标体系。

4.3 面向城市特点的自动裁剪模型

1）智慧旅游城市评价

智慧旅游就是利用云计算、物联网等新技术，通过互联网、移动互联网，借助便携的上网终端，达到旅游前、旅游中、旅游后都能主动感知旅游资源、旅游经济、旅游活动等方面的信息，提升游客在食、住、行、游、购、娱各个旅游环节中的附加值［13］。根据智慧旅游城市的定义以及《全球智慧旅游城市报告》、《中国城市统计年鉴》中关于智慧旅游的信息，结合《中国智慧旅游城市及城镇建设指标体系》中的5个一级评价指标（平安、诚信、服务、智能和宜游），在六位专家的建议下，将智慧城市的7个评价指标的重要性进行两两对比，设定其判断矩阵A，如式（4）所示。

计算矩阵A的最大特征值为λmax=7.033，该特征值对应的特征向量（权向量）为w=（0.0778，0.0778，0.1980，0.0862，0.1649，0.0778，0.3176）T，一致性指标CI=0.0055，一致性比例CR=0.0048，因为0.0048小于0.1，通过一致性检验，将此权重用于中部六个省会城市的智慧旅游评价，其中每个一级指标的得分情况参考2016版智慧城市评价结果，如表1所示。从表中可以看出，武汉、合肥、长沙和南昌的智慧旅游评价排名与智慧城市排名一致，说明其智慧城市建设时重视智慧旅游，排名第一的武汉市曾经荣获我国智慧旅游城市称号。此外，太原和郑州两个城市的名次互换了，虽然太原市智慧城市综合排名落后于郑州和长沙，但是智慧旅游名次却超过这两个城市，究其原因，因为太原市属温带季风性气候，冬无严寒，夏无酷暑，四季鲜明，市政府一直致力于治山、治水、治气、治城，倾力打造宜居城市，且能够积极响应打造智慧城市的号召，指定统筹、管理和运营机制，其生态宜居和改革创新分数较高，最终使其智慧旅游特色较这两个城市更明显。

2）智慧教育城市评价

根据《2019智慧教育白皮书》，智慧教育是智慧城市的重要组成部分，是以教育服务的关键特征为基础，充分利用物联网、大数据、人工智能、云计算等新技术与教育教学深度融合，推动教育的智慧化，促进智慧城市中教育领域的信息化建设［14~15］。智慧教育通过技术融合构建无边界学习生态化环境，优化配置教育资源，将城市化水平与教育发展匹配起来，形成教育教学新业态，促进教育公平，提高教育质量和满足市民终身学习的需求，带动社会的进步。与智慧教育关系最密切的二级指标教育服务隶属于L1惠民服务一级指标，同时智慧教育需要L4智能设施以及L5信息资源的大力支持，因此将这三项一级指标权重进行提升，在六位专家的建议下，将智慧教育城市的7个评价指标的重要性进行两两对比，设定其判断矩阵A，如式（5）所示。

计算矩阵A的最大特征值为λmax=7.054，该特征值对应的特征向量（权向量）为w=（0.3950，0.0850，0.0850，0.1034，0.1662，0.0777，0.0878）T，一致性指标CI=0.0116，一致性比例CR=0.0088，因为0.0088小于0.1，通过一致性检验，将此权重用于我国中部六个省会城市的智慧教育评价，评价结果如表2所示（所有城市的一级指标得分见表1）。从表中可以看出，武汉、合肥的智慧教育排名与智慧城市排名保持不变，说明其在建设智慧城市时，能够紧抓智慧教育；由于太原市的惠民服务分数比郑州市稍高，因此名次比郑州略靠前，但由于太原的信息资源分数为0，且该一级指标占比较大（15%），因此，太原的名次整体靠后；虽然长沙市的改革创新为0，信息资源分数为1.31，但其他一级指标的分数较高，尤其占比最大的惠民服务（40%）得分为21.3，使其整体名次靠前（第3）；南昌的惠民服务得分较低，但精准治理、信息资源和市民体验得分较高，使其综合名次居中，排名第4；综合表1和表2，武汉和合肥无论智慧城市综合排名、智慧旅游还是智慧教育名次都稳居1和2名。

表1 中部6省会城市智慧旅游评价

表2 中部6省会城市智慧教育评价

5 结语

本文面向不同特色的智慧城市，提出一种基于AHP的评价指标裁剪模型。首先选择一级指标，然后基于AHP方法，设计模型的决策层、中间层（指标层）和方案层，根据有关资料以及本领域专家设定指标间两两对比的重要性矩阵（判断矩阵），计算该矩阵的最大特征值对应的特征向量作为每个指标的权重，从而实现指标的动态裁剪。将该模型应用于2018版新型智慧城市评价体系以及中部6省会城市的智慧旅游和智慧教育评价，实验结果表明，该模型能够与2018版的专家经验吻合，适用于智慧城市评价，可为建设智慧城市提供指导和参考，能够在一定程度上促进智慧城市全面发展。本文算法也有不足，如果指标的个数超过9，该模型将失败，另外评价结果在一定程度上依赖于专家对指标重要性的判定，这将是下一步的研究方向。