智慧城市建设现状、问题及建议

一、引言

智慧城市是当前全球范围内出现的关于未来城市发展的新理念和新实践，通过城市大数据的逐步开放、利用推动城市治理转型升级并提升服务能力，已经成为大多数国家的共识。2017年，国务院发布了新一代人工智能发展规划，智慧城市是主要阵地，规划明确提出“建设城市大数据平台，构建多源异构数据融合的城市运行管理体系，实现对城市要素的全面感知及对城市复杂系统的深度认知。”；2018年，习近平在中共中央政治局第九次集体学习时强调：“要加强人工智能同社会治理的结合，推进智慧城市建设，运用人工智能提高公共服务和社会治理水平。” 当前，大数据智能技术正在加速演化迭代，新基建背景下的智慧城市发展面临新的更大机遇与挑战，特别是国家中心城市，作为我国城镇化体系的核心节点，建设智慧型中心城市对于我国新型城镇化战略的实施意义重大。针对传统的城市运行管理普遍存在数据治理不完善、知识体系不健全、应用业务协同不够深入等问题，对国内外智慧城市建设发展现状和关键技术研究应用进行分析，聚焦了智慧城市建设面临的主要问题，给出了智慧城市推进建议，对提升我国智慧城市建设与现代治理能力提供了参考。

 

二、智慧城市产业发展现状

（1）国外智慧城市发展现状

国外的智慧城市产业发展较早，2009年IBM公司就在美国迪比克市实施了首个智慧城市试点；2015年，美国白宫发布了国家智慧城市行动；2018年，谷歌与加拿大多伦多市合作进行了“智慧社区”建设等。西方国家智慧城市产业发展更多关注中小城市和城市社区，主要聚焦于绿色出行、生态环境等主题，对于国家中心城市等大型城市群的关注较少。比较典型的建设案例有：美国MIT城市感知实验室（Senseable City Lab）基于城市大数据感知与机器学习技术对交通出行、电动车租赁、城市景观、空气污染预测等领域展开应用研究，其成果被用于纽约出租车调度及新加坡停车位共享；纽约大学城市科学进步中心（CUSP）通过城市大数据分析与管理，提升城市服务质量、优化政府决策，实现了城市噪声监测与分析系统，用于降低城市噪声污染；IBM将其“沃森”产品线的认知计算能力应用于智慧城市建设，利用其大数据分析和认知计算技术实现了城市雾霾预报、提升了车辆通行效率；微软亚洲研究院城市计算组通过分析和融合城市中的各种大数据，升级了智能交通、城市规划、环境和能源等领域应用，并首次提出“城市计算”理念，开发了多个智慧城市应用系统，该团队研发的Urban Air首次利用大数据来监测和预报细粒度空气质量^[1]，该服务覆盖了中国的300多个城市，并被中国环境保护部采用。

（2）国内智慧城市发展现状

在国内，智慧城市产业发展呈快速增长态势，这得益于国家层面的提前布局，在国家十三五规划期间，全国推进了100个示范性智慧城市建设。科技部于2010年就开始在国家“863”计划中立项“智慧城市（一期）”主题项目，对智慧城市总体方案和核心关键技术开展研究；2014年国家智慧城市标准化总体组成立，主导制定了智慧城市国家标准；2018年，中国信息通信研究院联合北京航空航天大学、中科院软件所、华为、百度等共同发布了《新理念、新模式、新动能——新型智慧城市发展与实践研究报告》，研究并提出了新型智慧城市建设的技术路线建议。目前国内智慧城市发展的关注点在于关键技术、系统整合、数据治理等领域，在知识发现和智能应用方面更多面向具体细分业务，应用规模多数在单一城市。在平台系统方面：2015年中国电子科技集团公司与深圳市合作，实施了新型智慧城市标杆项目；2018年阿里云公司ET城市大脑2.0正式发布，通过数据汇聚、数据融合和智能调配对整个城市的数据进行全局实时分析，为杭州市的新一代智慧城市建设提供了关键技术支撑；2018年京东城市（北京）数字科技有限公司也发布“城市操作系统”平台，利用大数据和人工智能技术，为城市交通、规划、环境、能耗、公共安全、商业、医疗等提供智能城市一站式解决方案，当前该平台已为近30座城市特别是国家雄安新区提供技术服务。

（3）智慧城市关键技术与应用研究现状

智慧城市关键技术体系与平台应用研究受到了学术界和产业界的共同关注。如李德仁院士对数字城市到智慧城市进行了系统论述^[2]；熊璋教授、单志广研究员共同提出了以数据为中心的智慧城市技术体系^[3]；郑宇团队提出“四层反馈”结构的城市计算框，并开创性提出了城市计算概念^[4][5]，其将城市计算定义为从数据中获取城市知识，并使用城市知识预测城市未来的人工智能应用过程。随着城市问题重要性的日渐凸显，一些机器学习、人工智能和知识工程领域的学者也开始将注意力转移到智慧城市应用研究领域，特别是深度学习与知识图谱这两项人工智能核心技术，被大量应用于智慧城市各类场景，比如基于深度学习技术的时空预测^[7]、资源调度模型算法研究^[6]，基于大规模知识图谱技术的舆情分析、疫情防控模型算法研究应用等。目前，城市大数据分析与智能化应用已经成为计算机领域中非常活跃的一个研究方向，在ICDE、KDD、WWW等知识工程和数据挖掘领域的旗舰会议每年都有大量的研究论文发表。相对而言学术界关于智慧城市研究主要偏向具体的算法模型，缺乏相关技术系统平台对这些算法模型进行应用整合，这给智慧城市领域前沿智能算法模型的工程化应用来讲是一大挑战。

 

三、智慧城市建设主要问题

城市化发展与人口高度聚集给传统的城市管理模式带来了挑战，特别是当前的大数据智能与后疫情时代，对于国家而言这些多源异构城市大数据无疑是一种战略资源和生产要素，用好城市大数据就能产生新的附加价值和产业创新，用不好就会面临新的问题。智慧城市领域的大数据广泛存在于税务、工商、教育、交通、卫生、公安、民政等承担公共服务管理的部门，除了管理部门内部数据之外，还有相关下属管理企事业单位的数据、社区和开放公共数据等。但如何用好这些大数据？智慧城市建设从数据管控到智能化应用还面临体系性不足，如何高效数据治理，智能模型算法的预测结果如何有效评估并与决策支持深度融合？智慧城市核心技术的演进也和数据密集型科学一样，正在从传统的信息管理走向数据驱动智能应用，从知识为中心的城市管理智能化技术亟需突破。接下来再从关键技术研究、应用和产业发展等角度总结了智慧城市建设面临的主要问题：

（1）城市大数据治理与管理机制的体系性不足

智慧城市建设的关键不是技术，而在于管理机制体系。陈刚在《求是》杂志上说道：“数据治理既有技术难题，也有管理难题，难题解决的根本却在于后者”^[8]。大数据智能时代，如何基于大数据和人工智能技术优化城市管理运营，打破信息孤岛，提升服务效率，甚至保障国家安全（如面向疫情防控的智慧城市应用）。各级管理部门的大数据治理意识和管理能力升级等都面临挑战。

首先城市大数据不在于数据大，而是要看是否能进行有效分析、辅助决策和价值变现。一般垂直行业和细分领域的大数据集很少谈及数据治理，那城市大数据为什么重在治理呢？这是由智慧城市与政务领域强相关特征决定的，智慧城市涉及政务数据来源广泛，安全风险较大，数据质量和标准问题错综复杂，政府毕竟不是企业，其创新基因、大数据思维意识和相应新兴技术、制度支持都需要管理机制的迭代。所以散布于各级部门信息中心的高价值数据多数还是在休眠状态的，真正想用于或能用于科学决策和优化服务的大数据应用就更少了。

其次政务大数据集中过程本身存在的问题。当前的数据集中主要靠上级的行政命令，一纸公文要求大数据把数据全交上来，这种形式只对直属下属部门有效，而条块分割的管理模式导致的数据孤岛问题仍然无法破解，除非在更高层级做横向数据协同。另外，在从下到上的大数据集中，基层部门如果不能获取数据集中的有效反馈和应用利益（如通过大数据分析提高基层办事效率，提升业务能力），那这种形式的数据集中，就难以保证数据质量，而且可持续性和应用价值问题等也是要打问号的，因为没有像互联网大数据产品一样形成应用闭环。

最后智慧城市的发展还涉及社会问题，比如智能技术的加速迭代会加剧失业问题？从这个角度讲，智慧城市不只是应用，而是要从宏观政策、经济社会、国防安全等多个层面进行管理机制体系深入研究和规划设计。

（2）城市大数据智能模型算法与知识决策的深度融合不够

数据驱动智能成为当前人工智能领域的研究热点，也是智慧城市建设如何智能的关键技术支撑。然而，面向城市大数据的智能分析与预测挖掘是一个复杂系统工程，如何解决时空大数据开放环境下的深度协同融合与动态跨域学习问题是实现大数据驱动智慧城市应用面临的关键技术挑战。因为城市时空大数据所具有的多源异构性、时空关联性、动态突变性、跨域分布等显著特征使得传统机器学习和知识发现等智能应用还面临着一系列技术瓶颈，大数据智能模型算法的结果与管理知识决策的深度融合还不成体系。

例如，城市时空网络是一个复杂巨系统，如何针对城市时空大数据中点（如监测站和POI）、线（轨迹、路网）、面（区域、时空网络）所呈现的时空关联特性，如何从人、车、路和点、线、面以及时间、空间立体网络等多个维度研究时空大数据跨域联邦学习关键理论、方法和模型，对时空大数据开放环境下的动态演化智能学习和跨域协同应用至关重要，只有攻克这些核心关键技术，才能实现更具鲁棒性的城市大数据智能学习模型；

另外，智慧城市环境中时空大数据存在多源异构性、动态突变性、时空关联性等特性，如何构建合理有效的时空数据融合方法，进而为智慧城市大数据处理提供新的解决方案？还有城市环境中大数据预处理过程中面临的数据有缺失、数据不平衡、数据不确定、标注数据少等问题，传统的数据预处理方法往往难以有效处理。综上城市大数据与人工智能技术瓶颈、如何与知识决策的深度融合等还需要进一步攻关解决。

（3）智慧城市跨域应用协同还面临数据开放与安全管控的挑战

在智慧城市应用实施过程中，涉及政府各部门之间少有共享核心数据的意愿，包括商业领域也是一样的，任何大型组织都十分重视自己的数据资产，谁都不愿意轻易分享自己的资产。特别是一些政府部门还面临数据安全管控更大的责任，政务数据大部分都涉及个人隐私或包含组织机密，这需要权衡数据开放和隐私保护、权衡数据开放程度和保护机密安全等多个方面的因素，新兴技术的应用还需要一个过程，在无法做到绝对的安全分级管控之前，是很难进行数据共享和开放的。再就是涉及各级机构核心业务数据的，除了技术风险之外，还要考虑到成本和价值回报等因素，而不愿意主动共享和开放数据的情况也普遍存在。

从某种程度上讲，智慧城市项目背景多半是一把手工程，这就是涉及从上到下的管理革新问题，没有从上到下的顶层设计，而且是人人遵从、行之有效的顶层设计，就难有智慧城市大数据应用的成功。特别是通过城市大数据治理提升政务管理水平，要解决两个关键问题（当前各级政府大数据局需要承担这一职责）：一是打通城市各部门垂直条块分割管理模式所带来的数据孤岛问题，以互利互惠的原则和建立数据权、责、利制度，构建互联互通的横向大数据协作中心、与跨域应用服务平台；二是涉及安全和隐私的数据能否公开、如何公开、公开到何种程度，这些要从制度和管理角度仔细调查研究，再采用隐私脱敏、跨域联邦学习等各种技术手段进行数据服务的协同处理，以保障城市大数据应用的安全。

 

四、智慧城市推进建议

智慧城市建设的关键在于数据治理+机制管理并进，两个方面缺一不可。大数据治理是对组织机构中相关数据的可用性、完整性、准确性、规范性和安全性等的全面管理。数据驱动智能应用的组织需要在技术人员和决策者之间建立起一座桥梁，而有效的数据治理就是这座桥梁的骨架。前文讲到城市大数据面临着数据质量参差不齐、数据源标准不统一、安全机制不健全、数据条块分割等种种问题，智慧城市要切实推进，数据治理的需求最为迫切，城市大数据治理需要从数据质量、数据安全和数据标准三个方面进行设计（如图1）。

图1  城市大数据治理与智慧应用框架

（1）安全管控与治理是基础

拥有大数据的机构也意味着要承担更大的责任，随着大数据的日益增长，爆发出来的监管问题也越来越突出，比如Facebook中8000多万人的个人资料被泄露，还有隐秘非法的数据交易市场，城市大数据（特别涉及关键政务部门）面临的安全问题不容小觑。2018年5月，欧盟出台《通用数据保护条例》（General Data Protection  Regulation，GDPR）（具体条款内容可到网上搜索），它代表了欧洲加强数据保护的决心，该立法的影响将远远超出欧盟国家的范围，因为它提出了严格的个人数据保护标准，将促使人们越来越重视个人数据的私密性和安全性问题，龙头企业和各级机构的大数据必须被有效内控管理和审计，并接受监督，未能保护好个人数据的组织可能会受到处罚。从欧盟的个人数据保护计划到Facebook的数据泄露，凸显了城市大数据治理的重要性^[9]。

由于元数据管理、数据审计、数据访问控制、数据隐私脱敏等技术一般在系统服务端，这些治理关键技术对用户来讲是不可见的，因为这是隐形的成本支出，而不能产生直接的收益，这也是为什么数据治理一直以来被很多大数据服务商包括政府机构忽视的原因。从某种程度上讲，数据安全管控与治理的不成熟也是制约智慧城市应用落地的关键原因之一。

建议从管理机制体系的顶层设计入手，围绕城市数据治理、数据安全、数据标准和数据模型等多个层面制定标准的管理程序和流程，通过标准的控制措施和审计程序，确保智慧城市建设各方持续遵守数据安全保护标准和相关的法律法规，防止数据滥用和数据泄露，并保证数据不被黑客攻击窃取，能在多个应用程序之间以一致的方式进行流动，这些内容应该覆盖数据采集的合法性、数据获取的合规性、数据存储访问的安全性、数据使用的正当性等多个方面。不仅需要像传统结构化数据那样定义和衡量其准确性、完整性、有效性，还需要考虑数据的及时性、可读性和安全授权等问题，比如数据是否能在数据管道中快速流动，及时响应大数据分析需求；数据的格式和标准是否容易理解和便于交换访问；数据访问是否符合相应级别的权限、是否合规和合法等。总之，城市大数据安全管控与有效治理是智慧城市建设的地基，基础不牢，地动山摇。最近的特斯拉事件凸显了智能驾驶数据安全治理的必要性和迫切性，上述关键问题都解决之后，才能有效支撑城市大数据的共享、开放和应用决策。

（2）核心技术与算法是手段

虽然模型和算法是通用的技术，比如深度学习、知识图谱等人工智能技术在加速推进智慧城市的各类应用，但在城市大数据应用中也需要考虑一些关键特性。比如机器学习算法的数据偏见问题，将其用于“猪脸识别”来讲应该没有大的问题，但用于公安警务预测的嫌疑人比对就要更谨慎。如2017年有学者就提出了基于人脸深度学习的犯罪倾向预测方法，引来了很多人的口诛笔伐。种种这些问题，不仅需要研究机构和人员自身的自律，还需要政府制定相关措施加以引导或监管。总之，城市大数据的很多场景，都会强调更多约束条件下的智能模型和算法应用，比如自动驾驶的应用，核心技术和算法的安全性、合法性、稳定性等因素都是至关重要的，需要专业的机构进行仔细评估。

（3）优化决策与服务是目标

智慧城市应用的核心目标是为决策服务的，越复杂、越敏感、越上层的决策，越是需要广泛数据的支持。政府各级部门的管理与决策，看似简单，实则不容易做好。任何决策都有滞后效应，不管是好的结果还是坏的结果，都要经过一段时间才得以显现。传统的政务决策多依靠政治精英和专家智囊的知识、经验或直觉，是一种经验性和模糊性决策。大数据智能驱动的决策，就是先让数据说话，通过数据学习预测发现规律，提供科学依据，使政务决策尽量基于客观的数据事实。

但即使是大数据，对决策优化来讲也不是万能的。从问题到数据，从数据到模型，从方法再到决策，不仅需要通过一系列大数据智能技术来打通政务管理链条，还需要从管理制度、人员意识、各方协同等多个层面进行跟进。受部门自身利益和权、责、利的影响，不同单位决策者的驱动因素大不相同，甚至有些相互掣肘，存在难以调和的矛盾。比如，信息化部门的领导希望通过大数据智能技术来提升系统的效率和各项数据的准确性，更好地为其他部门提供精准信息服务，这就需要各级部门的数据互联互通，而且要保证数据录入的质量。金融部门希望通过大数据技术提升交易服务能力，而防止洗钱或欺诈交易等技术的应用一般是需要上级监管部门来驱动的，需要决策者进行平衡。如何创建数据驱动型组织，协同相关的人、事、物和各种信息数据的有效流动，如何将人员、流程和信息之间的关系进行关联分析和跟踪预测，以确保整个组织的高效合规运作，是智慧城市建设的牵总性问题。

（4）制定标准与规范是保障

城市大数据治理和智慧应用面临的标准问题体现在两个方面^[10]：一是要落地应用没有标准进行规范，二是闭门造标准却没有应用支撑，这都是智慧城市建设过程中应该要避免的问题。建议先行先试、大胆探索，就像造飞机一样，有了飞机才有了空气动力学，有了特斯拉事件，智能驾驶的数据安全标准才引起了广泛关注。一般来讲，智慧城市建设涉及的数据标准建议从如下几个方面着手解决：

数据安全标准先行，数据本身的安全首先是包括各涉密数据的管理和评价，还包括公民隐私信息的保护，这里面涉及各级部门和人员的权益分配和保护问题、数据风险的防范问题，还有对技术和成本的考虑。如信息安全风险，同时对数据的连续性管理和个人信息保护提出了更高的要求。应用级的安全，比如自动驾驶的安全性评估，需要从高级别管理层面，从产业和社会多个维度进行研究和评判。

数据质量标准其次，数据质量是智能应用的基础保障，以美国总统选举为例，大量的民意调查和分析模型用于预测谁会胜出，但最后的结果是错误的，为什么？是大数据应用失败了吗？除了政治因素可能会影响数据质量，还有如收集民意数据的机构可能并未以正确的方式进行抽样调查、受访者群体本身是有偏差等等类似的数据质量问题，我们要从多个维度进行分析，有问题的大数据特征和抽样方式需要改进。

最后是数据交互与开放标准，数据交互标准用于定义数据的互操作性，以方便相关信息在不同组织和部门能无缝流动。数据的互操作性对城市大数据治理来讲，是最关键的一个环节，也是解决数据孤岛的必然要求。从大的层面讲，比如近年来开展的国家间金融和税务领域的数据交换，所带来的影响就更大了，其在提升政府国际协作的同时，也加强了金融风险的管控；而数据开放标准（ODS）允许不同组织以通用的格式构建和发布数据，政府可以利用开放标准来扩大组织影响力，并简化与其他机构的沟通。换句话讲，就像互联网一样，如果其保持封闭，也有被开放数据体系排除在外的风险。大数据的开放，对整个国家的业务创新、技术创新来讲，是一种很重要的基础资源支持。

（5）融合新基建和人工智能是大势

“新基建”是发力于科技端的基础设施建设，包括城际高速铁路和城际轨道交通、大数据中心、人工智能等七大领域。相较于传统的铁路、公路、桥梁等“老基建”，“新基建”是科技端与产业端的进一步拓展融合，新基建的目标决定其在智慧城市建设中的核心地位，智慧城市与新基建核心技术体系是你中有我的相互支撑关系（如图2）。

图2  智慧城市与新基建核心技术体系

新基建的本质是将物联网、大数据、人工智能这些数字科技基础设施与智慧城市中的数字政府、数字经济进行连接，实现智慧城市各产业数字化^[11]。对于智慧城市来讲，新基建的核心是“连接”作用，以智慧交通为例，城际交通好比骨架，城市交通好比血肉链接，而基于健康码的疫情防控就是典型的智慧城市应用，打通了综合交通出行的大数据链和防控业务链。当前，智慧城市产业发展正在积极拥抱“新基建”，通过物联网、5G等技术实现城市网络中的万物互联互通，通过构建国家级、区域级的城市大数据中心，通过大数据治理与人工智能技术，打破数据孤岛，打通城际到城市群的智能应用服务链，才能更大发挥智慧城市应用价值。

 

五、总结

在智慧城市建设与城市治理现代化升级的过程中，包括四个关键环节：数据融合->数据治理->决策优化->应用服务，数据安全管控和有效治理是智慧城市建设的基础，智能模型构建和应用服务的示范推广是更成熟的阶段。而数据的安全、质量和标准三个核心要素贯穿其中，最终的目标要实现数据驱动智能城市的各级管理决策优化，支撑城市公共服务的精简化，政务业务监管的精细化和政策制定、政务决策的精准化。本文针对传统的城市运行管理普遍存在数据治理不完善、知识体系不健全、应用业务协同不够深入等问题，分析探讨了智慧城市建设面临的关键瓶颈，并从数据治理、管理机制、技术算法、决策支持、安全标准等多个方面给出了智慧城市推进建议，对我国智慧城市的稳步扎实建设与城市治理能力升级提供了参考。