面向建设国家中心城市的智慧武汉发展评价及模式优化：理论与实证

李 霞，戴胜利

(1.华中师范大学 信息管理学院，湖北 武汉 430079;2.华中师范大学 公共管理学院，湖北 武汉 430079)

一、引言

联合国世界城镇化报告显示，2014年全球人口城镇化比率为54%，预计2050年全球人口城市空间分布将达到66%[1]，这一事实给城市资源效率与社会可持续发展带来了巨大的挑战。另一方面，信息技术的嵌入与应用，以智能手机、RFID与视频采集设备、物联网等“实时”智能环境为标志的城市化发展[2]，步入了异构型数据指数级增长，随时随地的数据访问[3]，并依此对城市变量及可能事态确定趋势和作出决策的大数据时代，智慧城市的概念随之产生与扩散[4]。追溯到约瑟夫·熊彼特的经济发展理论，智慧城市建设的两股动力：技术推动与需求拉动[5]。智慧城市是科学技术进步的产物，作为一种更优的技术性解决方案被迫切引入全球市场，同时这种科学研究的城市技术成果方案在响应社会需求的过程中得以持续开发与商业化。

国外智慧城市实践先行于理论建设，已先行进行智慧城市探索的国家和城市包括：定位“国家战略计划”的美国，代表城市有华盛顿、纽约、洛杉矶等世界级中心城市；实施“欧盟物联网行动计划”的瑞典斯德哥尔摩；构建“物联网基础设施基本规划”的韩国首尔等。Nikkei BP Cleantech 研究所2010年的调查结果显示，世界范围内已有近400项智慧城市建设项目，而这个数值近年内呈加速度增长。党的十八大强调运用信息技术进一步推动城市化、信息化、工业化进程，2015年我国城镇人口比例为 56.10%，我国进入高度城市化进程新生长阶段。2015年李克强总理明确指出，智能技术与智慧城市将作为政府执政优先发展议题[6]，标志着我国智慧城市的研究进入了快速起步与全面探索阶段。

虽然我国已全面推进智慧城市试点建设，然而由于人口规模、历史文化、经济水平、数字化基础等要素禀赋异质性，智慧发展呈现区域化差异，2010年北京、上海、天津、广州、重庆确立国家中心城市发展战略目标，2016年西部地区增长极成都、中部战略支点武汉、郑州随后入选。国家中心城市是具备控制管理、区域辐射、信息枢纽和城市服务功能，参与全球城市网络竞争的现代化城市[7]。如何在理解智慧城市发展内涵的理论基础上，评价智慧城市发展水平？如何通过评价结果比较分析典型城市智慧发展模式优势与瓶颈？如何以智慧城市功能升级为手段推进实现国家中心城市战略，提高城市生产效率与服务能力并参与全球网络竞争？笔者选择具有可比性与共同建设目标的国家中心城市作为实证研究对象，在提出面向建设国家中心城市的智慧发展内涵理论框架基础上，运用优化的多组合方法Factor-RBF神经网络比较评价国家中心城市的智慧发展模式，揭示智慧武汉发展优势与瓶颈，提出面向建设国家中心城市的智慧武汉发展模式优化框架，这不仅从理论上丰富了智慧城市发展内涵，拓展了评价方法的运用领域，同时为推进智慧城市功能升级，实现具有控制、辐射、枢纽与服务功能的国家中心城市战略目标提供决策参考，具有重要的理论意义与实践指导价值。

二、面向建设国家中心城市的智慧发展内涵：理论模型

技术推动使概念成为可能，尽管智慧城市的概念源于上世纪90年代，Batty(1990)[8]， Gibson和Kozmetsky(1992)[9]的研究中均有提及，而在2009年才开始成为全球城市建设的核心议题，智慧城市的研究成果体现在两个方面。

其一，基于定性分析视角探索智慧城市关键技术发展现状、城市数字化设施基础[10]，及智慧城市实践所带来的经济、社会等各方面影响，并在此基础上逐步完善了智慧城市内涵体系[11-12]与战略架构[13]。智慧城市通过物联等基础设施的传感感知、泛在融合，将各领域与各子系统智能化连接[14]，全面充分地感知全城信息，并应用云计算、决策优化等智能处理技术实现数据挖掘与信息利用[15]。多主体协同的“核心技术推动-政府政策引导-企业参与驱动-用户需求拉动”智慧发展模式，在构建物联网数据基础平台、互联网数据融合平台、云计算智能处理平台、智慧应用与公共服务平台四层结构的智慧实践基础上，推进智慧经济增长、智能高效管理、智慧应用持续发展的城市功能升级[16]，从而实现以创新驱动为导向，智能基础设施为基础，区域经济协调辐射能力、智慧城市信息服务能力、智慧城市交通枢纽、城市全球竞争能力提升为战略目标的国家中心城市定位，面向建设国家中心城市的智慧内涵理论框架如图1所示。

图1 面向建设国家中心城市的智慧发展内涵理论框架

其二，就目前的研究成果来看，基于量化方法的智慧城市实证研究并不多，主要集中在城市潜力评估及影响因素评估。Lazaroiu(2012)侧重于环境、能源与管理视角，运用模糊逻辑定义了智慧评价模型，并对意大利城市进行实证研究[17]，邹凯(2015)从经济发展潜力、社会发展潜力、公共服务潜力、科技创新潜力、信息基础设施五个方面对智慧城市发展进行评价[18]，于文轩(2016)构建基于政策需求、政治支持、领导力、资源、文化五个要素，技术推动与政治考量两大理性的模型，并分析其对147个中国智慧城市发展的影响[19]。虽然评价体系侧重点与视角不同，但是评价方法大多具有普适性，袁莉(2013)运用主成分分析对社会、资源、环境、经济视角的两型社会成效进行评价[20]，韩学键(2013)运用数据包络从科技、环境、社会、人才、资源、经济六个视角对东北三省部分资源型城市竞争力进行评价[21]，陈晓红(2014)等将DEA应用于城市环境绩效测量[22]，孙钰(2015)运用对抗型、友好型、中立型EDA交叉效率模型对城市公共基础设施经济效益进行评价[23]，杜娟(2014)[24]、叶斌(2016)[25]等运用聚类与DEA对基于创新过程的创新能力、城市创新网络共生效率进行评价。

智慧城市建设是一项动态结构性、系统性工程，对于一哄而上没有重点、复制建设模式这种普遍问题，现有的评价体系较难有效应对[26]。现有的评价方法以结果为导向，强调评价指标体系的全面性与普适性，忽略城市区位特色与需求重点，缺少典型城市智慧发展模式的横向、纵向比较，难以针对性解决实践过程中所存在的规模大小不一、不同经济水平与数字化建设基础等因素的影响。在面向建设国家中心城市的智慧内涵理论框架基础上，运用发挥单一评价方法优势并改善其不足的多方法组合Factor-RBF神经网络[27]，对智慧武汉发展模式进行评价，优化了评价体系科学性，拓展了多方法组合应用领域，并通过国家中心城市智慧发展模式的实证比较，揭示智慧武汉发展优势与瓶颈，提出相应模式优化框架。

三、基于Factor-RBF神经网络的智慧城市发展评价指标体系构建

(一)评价指标体系设计

为获取评价指标体系的备选指标，参考与梳理了国内外相关文献成果，包括智慧增长战略实证评估相关的文献[28-30]、围绕能源、经济持续性等多维度政企合作智慧项目案例研究的文献[31-33]，基于大数据、云计算等应用与数据挖掘方法的智慧城市建设相关文献等[34]。以面向建设国家中心城市的引导创新、协调辐射、城市服务、综合枢纽四个基本功能为导向，根据《新型智慧城市评价指标》(2016)标准，分别从创新驱动、智慧经济辐射、智能基础设施与枢纽、智慧信息服务、智慧交通枢纽、全球网络与国际化竞争、个性化发展七项一级指标对武汉及七座国家中心城市智慧发展模式进行评价分析。

创新驱动是通过知识、技术要素的引入驱动经济发展[35]，通过资源的重新整合与优化配置，推动产生新的产品、新的生产方式、新的市场、新的组织结构发展，可从创新资源、创新过程、知识创造、企业创造四个视角来评价[36]。具体指标体系如表1所示。

国家中心城市的经济辐射力能有效地提高企业效益、优化区域产业结构和推进城市外围综合实力的发展[37]。智慧经济辐射反映了城市以智慧产业为主体、产业核心技术突破为导向，对新产品与商业模式的投入，及其对外围城市经济增长的溢出效应与影响力[38]。这里的智慧产业是指以知识服务为主导的技术、知识密集型产业，包括服务业内的电信业、计算机服务业、软件业以及互联网信息服务、咨询和调查、知识产权服务，制造业内的通信设备、计算机及其他电子设备制造业[39]。智慧经济辐射指标通过促进区域创新、直接经济效益[40]、创新创业企业、区域辐射四个二级指标来衡量[41]。

智能基础设施与枢纽指标考察智慧平台建设的基础设施投资流量与存量[42]，通过公共基础设施投入、邮电业务、互联网用户应用三个指标来体现，公共基础设施投入包括城市基础设施投资额、信息通讯管道长度；邮电业务以人均邮电业务总量、每百人移动电话用户数衡量；互联网用户应用通过国际互联网用户、电话交换机容量、移动互联网用户、移动互联网接入流量四个指标来操作[43]。

智慧信息服务通过信息系统创建应用、智慧关键技术应用[44]、政府事务在线管理[45]、公众授权与参与程度、信息服务产业增长五个二级指标来确定。其中，智慧关键技术涵盖了基于位置的服务工具、物联网、云计算、IoE(Internet of Everything)等技术，考虑到数据的可获得性，此指标通过关联行业企业工业总产值来统计。

智慧交通枢纽是城市人才流动、商品与服务流、资金流、信息流的物理通道，是国家中心城市开展国内外政治、经济、文化交流活动，优化配置国家资源、引领区域经济社会发展、发挥辐射作用的平台，通过公众交通支持系统、私人移动支持系统、汽车交通工具共享、交通线路集中度来衡量[46]。

全球网络与国际化竞争体现城市吸引投资并参与全球竞争的能力，通过全球网络性、跨境投资和出口竞争力三个二级指标衡量[47]。全球网络性体现城市作为信息集散节点，引领区域经济发展集聚与辐射，衔接国家与世界联系的纽带力；跨境投资体现外商投资带来的发展效应；出口竞争力反映城市创新产品、技术与服务的输出情况。

智慧城市建设需平衡智慧应用选择的覆盖面与重点领域，强调多样化与个性化发展[48]。个性化发展指标反映了建设国家中心城市内在需要与异质性要素禀赋的惯性依赖所带来的特色与优势发展，由政策支持下智慧应用领域、智慧应用领域建设投入来衡量。

(二)Factor-RBF神经网络评价模型

因子分析(Factor Analysis)通过对多个变量的关系结构描述，将相关性高也就是联系紧密的变量分在同一类中，每一类变量就代表了一个因子，从而实现多元变量降维。对于m个可观测的向量Z分别为z1，z2，…，zm，n个不可观测的因子F为f1，f2,…，fn，则因子分析模型如公式(1)所示。F是X的公共因子，其均值向量为零，协方差矩阵为一。ε是特殊因子，均值向量为零。anm表示因子载荷，反映第n个变量与第m个因子的相关系数。本研究运用因子分析对指标调整层的备选指标进行筛选与检验。

z1=a11f1+a21f2+a31f3…+an1fn+ε1

z2=a12f1+a22f2+a32f3…+an2fn+ε2

……

zm=a1mf1+a2mf2+a3mf3…+anmfn+εm

(1)

表1 面向建设国家中心城市的智慧发展评价指标体系

RBF(Radial Basis Function)神经网络模拟视网膜的感受功能产生，距离感受视野中心越近，神经元越兴奋，隐含层神经元模型函数如公式(2)所示。

(2)

其中X为输入样本，Ψ(x)为网络的输出，ci为中心点，σ表示宽度，G表示径向基函数。梯度训练法的RBF网络结构简单且有较快的收敛速度，能改逼近任意非线性函数，同时因子分析能有效降低原始指标选择的主观性影响，Factor-RBF神经网络评价模型如图2所示。

运用多方法组合优化的Factor -RBF神经网络对国家中心城市智慧发展评价步骤如下。

图2 Factor-RBF神经网络智慧模式评价模型

第一，基于七维度因子分析的指标调整。对评价指标体系中七个维度三级指标分别进行因子分析，创新驱动包含八个三级指标、智慧经济辐射包含九个三级指标、智能基础设施与枢纽包含八个三级指标、智慧信息服务包含十一个三级指标、智慧交通枢纽包含九个三级指标、全球网络与国际化竞争包含七个三级指标，个性化发展包含两个三级指标，经过筛选与检验后生成新的二级指标项数分类，并生成输入层目标向量。

第二，经过筛选与检验后的指标数据作为输入层目标向量。为提高数据网络泛化能力，需要经过归一化处理生成样本X′，如公式(3)所示。划分训练样本和测试样本，将评价指标体系中北京、上海、天津、广州、重庆的数据样本作为训练样本，成都、郑州、武汉的数据样本作为检验样本，训练样本可转化为中间隐层向量。

X′=(x-xmin)/(xmax-xmin)

(3)

第三，权重可以由熵权法赋值，根据每组属性数据分布的特点确定其对评价的影响程度，分散程度越大影响越大。一组数据的信息熵如公式(4)所示。

(4)

(5)

第四，将步骤(1)与步骤(2)中得到的目标向量和输入向量代入RBF神经网络模型中进行训练。程序训练过程中，输入层向量为经过因子分析筛选后的二级指标向量因子，输出层节点数为1，为尽量减小网络总误差，采用梯度训练法反向调整，网络数据中心、宽度和权值的调整量分别如以下公式所示。

(6)

(7)

(8)

其中，G即高斯函数，i与j分别是隐节点数量和样本数量的下标，μ表示各自的学习速率，e表示网络输出值与样本值之间的残差。

第五，计算模型的样本得分。

(9)

(三)数据来源

虽然我国已全面推进智慧城市试点建设，然而由于人口规模、历史文化、经济水平、数字化基础等要素禀赋异质性，智慧建设呈现区域化差异与个性化发展。一方面，中部崛起的战略支点武汉，是内陆地区中枢神经，也是中部地区对接国际社会的重要门户，2016年成都、武汉、郑州先后入选建设国家中心城市，故选择与武汉具有可比性与共同建设目标的国家中心城市为实证研究对象，包括2010年《全国城镇体系规划纲要》中确立的第一批国家中心城市北京、上海、天津、广州、重庆。另一方面，随着智慧地球的提出(2008)，智慧城市随之成为核心内容(2009)，标志着智慧城市理论与实践探索的起步，截止到2017年05月30日，笔者在“中国知网”以“智慧城市”为主题词检索，以“smart city”为主题词进行科学引文索引和社会科学引文索引检索，结果显示国内外研究成果集中在2010年度以后，故本研究样本选择从2008年至2016年期间的统计数据，通过三种方式完成数据收集：一是线上资源与线下资料相辅助，获取国家统计年鉴、中国信息产业统计年鉴数据；二是查阅城市发展统计公报，以及各城市科技局、知识产权局官方网站，并对相关部门工作人员进行提纲式访谈；三是对专门数据库进行检索，对于少量数据的部分缺失采用平均值或者相应数据折算替代。

四、基于Factor-RBF神经网络评价的智慧武汉发展模式实证分析

(一)基于Factor-RBF神经网络的总体评价

对评价指标体系中的创新驱动、智慧经济辐射、智能基础设施与枢纽、智慧信息服务、智慧交通枢纽、全球网络与国际化竞争、个性化发展七个维度所对应的三级指标分别进行因子分析，KMO值分别是0.690、0.7051、0.5213、0.6271、0.8825、0.6371、0.5027，累计解释方差率分别为49.601%、54.091%、64.291%、73.855%、78.175%、81.264%、84.091%。Bartlett球形检验F=0.000(P<0.01)，通过因子分析对三级评价指标的筛选后，生成20项二级指标因子，即RBF网络输入层指标，其中创新驱动含三个输入层因子X11、X12、X13，智慧经济辐射含三个输入层因子X21、X22、X23，智能基础设施与枢纽含三个输入层因子X31、X32、X33，智慧信息服务含四个输入层因子X41、X42、X43、X44，智慧交通枢纽含三个输入层因子X51、X52、X53，全球网络与国际化竞争含三个输入层因子X61、X62、X63，个性化发展指标含一个输入层因子X71，因子分析结果如表2所示。

为消除指标属性差异，样本数据归一化处理，经过多次参数调试，设置训练过程参数，使用软件MatLab R2011a 对七项一级指标样本数据进行RBF神经网络训练与仿真，总样本最大训练次数为1000，训练样本值与测试样本值经过150次迭代，在第118次时训练性能达到最佳，实际输出与期望输出逼近，仿真结果如图3所示。

运用Factor-RBF神经网络实证评价武汉及七座国家中心城市的智慧发展模式，涵盖创新驱动、智慧经济辐射、智能基础设施与枢纽、智慧信息服务、智慧交通枢纽、全球网络与国际化竞争、个性化发展七项分指标的比较，如图4所示。

表2 筛选后的因子分析结果

图3 总样本的Factor-RBF神经网络训练曲线

图4 基于Factor-RBF神经网络的实证评价比较

(二)面向建设国家中心城市的智慧武汉发展模式实证结果分析

智慧城市功能升级对实现国家中心城市战略目标有着积极影响。基于Factor-RBF神经网络评价模型的实证比较结果，从以下五点对智慧武汉发展模式进行分析。

1.创新驱动指标值相对差异缩小，城市均呈现要素驱动转向创新驱动的智慧发展趋势，城市个性化发展需求明显

“创新驱动”单项百分比指标显示，武汉(13.1276)虽然整体发展水平与北京、上海存在一定差距(北京为15.0914，上海14.5145)，然而高新技术企业快速成长，初具规模，加快了创新要素的集聚速度与创新资源的优化配置。武汉2015年开发区高新技术企业的总收入同比增长18.02%，赶超北京(11.64%)，郑州(10.03%)，天津(9.86%)，上海(6.35%)，广州(6.27%)，以及增长率相对缓慢的重庆(2.49%)、成都(1.01%)；武汉技术市场成交额566.42亿元，虽然与北京(3453.89亿元)存在较大差距，几近赶超上海(663.78亿元)、广州(662.58亿元)，天津(503.43亿元)。智慧发展模式已由单一的要素驱动发展为“核心技术推动-政府政策引导-企业参与驱动-用户需求拉动”的多主体创新发展模式。而另一方面，城市智慧程度提升过程也是一个开放而智能的复杂系统以自组织与他组织融合演化过程，是城市信息技术体系、科技创造等社会系统、基础设施等物理架构协调发展的过程，所涉及到的多主体内在需要各不相同，北京、上海经济发达地区以较强产业结构基础吸引更多资金注入城市技术体系、公共服务领域，智慧应用体系发展相对均衡，而广州、天津、武汉、重庆、成都、郑州城市个性化发展需求更为显著。

2.从智慧经济辐射单项指标来看，具有比较优势的城市产业经济衡稳化发展，而弱比较优势的城市以高新开发区为载体快速崛起

北京作为中国政治、经济、文化中心，上海是著名的经济中心、开放式港口城市，均集聚了丰富的要素资源，2015开发区高新技术技术企业数与总收入均保有优势，北京16693个、占比16.09%，上海3983个、占比5.54%，广州为2221个、占比2.12%。北京“空吸”(智慧经济辐射指标值17.7672)、上海“反哺”(16.6615)、广州“融合”(15.4614)式知识溢出方向、高技术企业转移与人才流动模式，带动正向区域经济辐射效应，其以稳定的智慧产业(高技术产业)增长呈现了智慧城市衡稳化发展模式。以高新开发区为载体，区域资源要素、经济基础呈现边际效益递减的产业发展模式，经济基础弱的城市设立高新区后对地区经济的推动作用加速递增。重庆(12.0155)、武汉(11.0312)、成都(8.0579)、郑州(7.0510)以快速而大幅的高技术产值增长(均值维持在18%-20%以上)呈现产业经济的跃进与崛起，相比重庆、成都开发区高新技术技术企业总收入占总比的0.82%与2.27%，武汉开发区高新技术技术企业数为2951个，占比3.97%，郑州为547个、占比1.66%。武汉光电子信息、钢铁、汽车产业形成了较完善的现代工业体系，然而资源要素在区域内单向集聚明显、粘滞性强，向外围邻近城市的扩散与溢出效应仍有较大提升空间。具有规模优势的天津(11.2539)，近年来高技术产业产值呈现小幅螺旋波动式发展，与2013年14.9%增长率相比，2014年增长1.5%，2015年下降6.9%。

3.相较于有初始存量基础的北京、上海、广州，智慧武汉智能基础设施与枢纽建设滞后，利用效率较低

面向建设国家中心城市的智慧实践都需要遵循顶层设计的原则，从实证比较研究的结果来看，以资本投入与产出为衡量标准的国家中心城市基础设施行业效率普遍存在高估偏差，智慧实践中存在大量因领域局限性等因素造成的重复建设与资源浪费。智慧城市大数据加大了对城市信息枢纽能力的需求，而智能化基础设施建设滞后、利用效率较低，相较于有一定初始存量基础的北京(17.2332)、上海(18.03554)、广州(15.1977)，武汉、天津、重庆、成都、郑州的该单项指标均未超过10.5，基础设施供给缺乏技术进步效应，初始存量低，城市行业信息碎片化，还未形成比较完善的基础设施建设技术标准与规范。

4.智慧信息服务能力整体水平稳定，武汉智慧应用体系与行业应用的深层次融合有较大发展空间

以数字城市为基础的数据应用采用“基础公共服务构建，管理应用协调、业务应用发展，服务应用拓展”的混合式数据管理结构被优化重组，形成了更易拓展的“网络架构层-数据中心层-行业应用层”结构，然而智慧应用体系仍然未能与管理、行业服务深度融合并发挥成效。其主要原因在于第一，多主体发展模式趋于形式化，企业认知与参与动力不足；第二，城市部门在建设过程中强调“技术与网络”，忽略“软件与应用”，定位不明重复建设；第三，政府相应的政策导向与保障制度建设不全，例如网络安全保障、技术标准制定等，智慧应用发展受限。

5.智慧交通枢纽指标值城市差异明显，未来发展倾向于向全球网络寻求更多外部异质性资源以提升国际竞争能力，而智慧武汉建设缺乏运输体系的协调与智慧功能升级，在全球网络中呈现节点弱连接

“夫夷以近，则游者众”，武汉具有水路、铁路、公路、航空、轨道五位一体区位优势，然而智慧武汉交通枢纽能力(10.1613)与北京(16.7621)、上海(15.9160)、广州(15.1617)相比存在明显差距。随着国际化逐步趋向于网络协同，只依赖于国内网络而无法获取更多外部异质性资源，将阻碍城市的跨域发展与国际竞争能力提升，城市交通枢纽的智能化、网络化升级尤为重要，而武汉作为中部交通中枢，第一，交通空间错位使运输资源分散，缺乏系统化协调运输体系，外向型产业集聚地(东湖高新区)、保税功能区和铁路集装箱中心站(东西湖区)等功能缺乏系统空间布局；第二，各运输方式之间联运不足，地理区位优势未能通过综合交通运输链转化为产业优势，智能化与网络化发展不足，在全球竞争网络中的节点连接力较弱；第三，作为区域特色，武汉港区腹地集疏运体系建设滞后，港区组织与服务能力有待提升，应充分利用区位优势，拓展物流网络，带动城市产业的升级。

五、结论与面向建设国家中心城市的智慧武汉发展模式优化对策

本文构建基于七维度Factor-RBF神经网络评价模型，对智慧武汉发展模式进行实证分析，得到以下结果：(1)随着创新驱动指标值相对差异的缩小，智慧武汉建设步入由政府主导的要素驱动转向创新驱动发展探索阶段，城市个性化发展需求明显；(2)经济基础弱的城市设立高新区后对地区经济的推动作用加速递增，与智慧经济辐射力处于比较优势的北京、上海、广州衡稳发展型梯队相比，处于弱比较优势的武汉以高新开发区为载体，智慧产业加速集聚与崛起发展并促进城市“中心-外围”辐射效应；(3)智能基础设施滞后与智慧信息枢纽需求增加的非均衡发展；(4)传统的“基础公共服务构建，管理应用协调、业务应用发展，服务应用拓展”数据层次结构优化重组，形成可拓展的“网络架构层-数据中心层-行业应用层”智慧应用体系结构，然而缺乏与行业服务的深度融合；(5)武汉具有五位一体交通枢纽区位优势，然而因缺乏运输体系协调与智慧枢纽能力升级未有效转化为产业优势，在依赖于向全球网络寻求更多异质性资源的发展趋势中，呈现网络节点弱连接。鉴于此，提出面向建设国家中心城市的智慧武汉发展模式优化框架，如图5所示。

图5 面向建设国家中心城市的智慧武汉发展模式优化框架

该框架分为四个实施阶段与五条具体优化对策，第一阶段以智慧平台技术基础建设为重点，夯实基础设施建设加大推动市场需求；第二阶段是智慧产业支撑发展阶段，第三阶段为智慧应用体系特色化发展阶段，通过优先发展优势产业并完成智慧化结构升级，形成特色化智慧应用系统体系，推动智慧产品、技术、服务的输出，从而增加出口竞争力，吸引更多智慧产业的跨境投资；第四阶段通过数据中心层架构实现智慧升级，从而推进全面建设国家中心城市的战略目标，更好地发挥城市控制管理、区域辐射、信息枢纽和城市服务功能。五个具体优化对策包括：

第一，强化“创新资源集聚-资源优化配置-多主体协同”模式，通过规范化的科技创新环境培育，政府科研创新、技术合作、人才引进等政策的支持导向，调动企业主体参与的积极性，加强用户对技术服务需求反馈，从而加快创新资源集聚速度，形成按需优化配置，促进知识产出与技术扩散，奠定智慧平台技术基础。通过制定相关激励政策、优化智慧平台支撑技术产业导向目录，引导开展高校、科研院所、企业等多组织之间的科技合作，在光电子、软件、装备制造业、信息服务业内开展公共研发项目，建立省市研发中心、企业科研创新中心、重点实验室及多主体协同创新平台，加速资源集聚与优化配置，推动以物联网、云计算等信息技术为核心的产品输出与技术创新，形成以“时间、空间基准体系、传感器获取体系、数据分析与处理系统”为层次结构的智慧平台技术基础体系。

第二，“传统产业适应性转移-优势产业协调联动-智慧产业融合渗透”推进智慧产业集群发展，推动区域经济辐射力与全球出口竞争力。在传统产业结构优化、现代服务业功能升级的基础上，引导与培育支撑智慧平台的优势产业，随着优势产业集聚壮大发展，形成具有国际竞争力的产业集群。通过创新链与产业链融合，促进高新技术、产品、人才等创新资源向传统产业的渗透，加速传统产业适应化转移与结构升级，形成配套产业联动体系。优势产业分化并发展形成智慧产业特色产业链，以产业链为传导促进中心城市与邻近区域要素的双向流动，信息化密度较高的企业更倾向于出口，其溢出效应引领区域经济与出口贸易发展。面向建设国家中心城市的智慧武汉发展应该依托汽车产业、智能装备等先进制造业基础，优先发展光电子信息等优势产业，通过多样化产业集聚积累高端资源要素，以知识与技术的溢出带动形成智慧产业链。

第三，顶层联动设计智能基础设施，探索多元化资本引入机制与多层次管理模式，实现智慧城市信息枢纽功能。一方面，面向建设国家中心城市的智慧武汉发展应该通过顶层化设计，从区域网格化联动规划的视角，建设并完善智慧城市智能基础设施与枢纽网络。智慧武汉建设应突破服务资源框架设计，虚拟存储节点构建、处理流程系统化设计等技术问题，建立标准化接口协调各个部门分布式异构资源的整合。另一方面，在政府总体规划的顶层设计下，探索社会资本引入机制，例如在建设初期，通过设备优先权、股权参与制等多元化利益激励方式引导公私合作，在运营后期进一步构建长期资金支持模式；探索分层化结构管理与专业化运营模式，从而提高智能基础设施运行效率，满足不断增长的城市信息服务需求。

第四，架构物联服务体系，建立“基础标准-应用标准-总体标准”技术结构标准，特色化发展智慧应用系统。通过微电子、定位系统、无线智能系统等技术应用攻关、丰富物联新媒体内容与应用，借鉴已有的智慧应用项目经验，架构具有武汉特色的物联应用服务平台。例如，圣地亚哥的实时流量监控中心与e-car共享计划、新泽西州的SM消除低效医疗追踪系统、那什维尔的多变量医疗信息挖掘系统等典型智慧应用平台，实现智慧交通实时监测、智慧医疗资源优化等多行业、多领域的特色应用。另一方面，建立基于“基础标准-应用标准-总体标准”结构的技术标准，政府引导完善相应的组织过程保障制度与管理制度，总体标准是对术语与定义的标示与解析、形成总体架构原则；基础标准包括传感网关和应用网关技术标准，网络通信技术标准，服务应用平台层关键技术标准，数据处理、存储与交换标准等；应用标准涵盖基础信息系统标准、应用中间件、领域服务标准。

第五，通过优化空间布局，加强现代航运体系，构建多方式联运体系物理通道建设，进一步发展高速公路、铁路网，完善机场航空网络，缩短物流、人流流动时间；发展武汉新港、铁路集装箱中心的联通与对接，推动智慧产业知识、技术与服务输出。从欧洲、南美、北美等地区智慧城市发展来看，智慧交通枢纽应用有效促进了城市流动性，例如伦敦数据库项目，里约热内卢的智能整合运营，波哥大的电子化自动地下地铁系统，埃德蒙顿的交通报告与ETS智慧公交系统等。借鉴欧美建设项目实践经验，加强传统交通运输工具与方式的智慧化、网络化升级，全面提升参与长江中游、中部地区，乃至全国运输网络的节点连接影响力，致力于成为国际技术产品与服务的承接枢纽。

总体而言，面向建设国家中心城市的智慧建设应该兼顾全面与个性化发展原则。基于不同的城市化发展进程、城市主体多元化内在需求、城市差异化要素禀赋，智慧建设更注重个性化发展，避免盲目跟风与千城一面的形象工程，顶层设计中能体现智慧建设的阶段性重点，基础存量较弱的城市由政府政策引导生成“智慧转型”意识，同时加强信息网络、大数据中心等智能基础设施、公共服务平台的建设，优先投入优势应用领域；而整体实力较强的城市应进一步深化智慧应用系统建设过程，强化薄弱领域建设。

六、不足与展望

发达国家的智慧城市实践已经逐步进入了整体效能凸显阶段，国内的智慧实践重点也由各项分散系统的探索转向了基于区位差异的系统化整合与特色化发展。本文构建基于创新驱动、智慧经济辐射、智能基础设施与枢纽、智慧信息服务、智慧交通枢纽、全球网络与国际化竞争、个性化发展七维度Factor-RBF神经网络评价模型，实证分析智慧武汉发展模式，揭示智慧武汉发展模式的优势与瓶颈，提出面向建设国家中心城市的智慧武汉发展模式优化框架，为推进智慧城市功能升级，实现具有控制、辐射、枢纽与服务功能的国家中心城市战略目标提供决策参考与实践指导。作为一项中国智慧城市发展初探研究，还存在诸多不足，期待在此基础上，不断改进、完善与深化。因子分析与RBF神经网络结合的评价方法，在一定程度上优化了单项评价效度，指标体系的设计考虑了国家中心城市智慧发展模式的动态结构维度与时间维度，然而受限于部分数据的获取难度，评价指标体系并没有对多主体参与模式及技术在社会文化结构中的嵌入进行评估，后续研究中将思考如何引进更多有效解释变量，使评价模型更加科学化与标准化。

[1]United Nations. Worldurbanization prospects: the 2014 revision[R]. New York: United Nations Department of Economic and Social Affairs, Population Division,2014.

[2]Lee J H, Phaal R, Lee S H. An integrated service-device-technology roadmap for smart city development[J]. Technological Forecasting and Social Change, 2013(80): 286-306.

[3]Lee C H, Lee G M, Rhee W S. Smart ubiquitous networks for future telecommunication environments[J]. Computer Standards & Interfaces, 2014(36): 412-422.

[4]Li Deren, Cao Jianjun, Yao Yuan. Big data in smart cities[J]. Science China, 2015,58,(10): 1-12.

[5]Schumpeter J A. Capitalism, socialism, and democracy (second edition) [M]. London: Harper & Row, 1947: 1-38.

[6]中国国务院. 李克强 2015 年政府工作报告[EB]. http：//www.china.org.cn/chinese/2015-03/17/content_35077119_4.htm. 2016-02-28.

[7]田美玲, 刘嗣明, 朱媛媛. 国家中心城市评价指标体系与实证[J]. 统计与决策, 2014(9): 37-39.

[8]Batty M. Intelligent cities: using information networks to gain competitive advantage[J]. Environment and Planning B: Planning and Design, 1990, 17(3): 247-256.

[9]Gibson D, Kozmetsky G, Smilor R. The technopolis phenomenon: smart cities, fast systems, global networks[M]. New York: Rowman & Littlefield Publishers, 1992:1-20.

[10]李成名. 数字城市到智慧城市的思考与探索[J]. 中国工程科学, 2013,15(5): 5-6.

[11]Anttiroiko A, Valkama P, Bailey S J. Smart cities in the new service economy: Building platforms for smart services [J]. AI & Soc, 2013(6): 2-12.

[13]Batty M, Axhausen K W, Giannotti F, Pozdnoukhov A, Bazzani A. Smart cities of the future [J]. The European Physical Journal Special Topics, 2012(214): 481-518.

[15]马 捷, 胡 漠, 连 明. 基于多元主体协同的智慧城市信息生态链设计[J]. 情报科学, 2016,34(12): 70-74.

[16]Vanolo A. Smartmentality: the smart city as disciplinary strategy[J]. Urban Studies, 2013,51(5): 883-898.

[17]Lazaroiu G C, Roscia M. Definition methodology for the smart cities model [J]. Energy, 2012(47): 326-332.

[18]邹 凯, 包明林. 基于灰色关联理论和BP神经网络的智慧城市发展潜力评价[J].科技进步与对策, 2015,32(17): 123-128.

[19]于文轩, 许成委. 中国智慧城市建设的技术理性与政治理性——基于 147 个城市的实证分析[J]. 2016,13(4): 127-138.

[20]袁 莉, 李明生. 长株潭城市群“两型社会”建设成效的系统评价[J].系统工程, 2013,31(3): 118-122.

[21]韩学键, 元 野, 王晓博, 李一军. 基于 DEA 的资源型城市竞争力评价研究[J]. 中国软科学, 2013(6): 127-133.

[22]陈晓红, 周智玉. 基于规模报酬可变假设的城市环境绩效评价及其成因分解[J]. 中国软科学, 2014(10): 121-128.

[23]孙 钰, 王坤岩, 姚晓东. 基于 DEA 交叉效率模型的城市公共基础设施经济效益评价[J]. 中国软科学, 2015(1): 172-183.

[24]杜 娟, 霍佳震. 基于数据包络分析的中国城市创新能力评价[J]. 中国管理科学, 2014,22(6): 85-93.

[25]叶斌, 陈丽玉. 基于网络 DEA 的区域创新网络共生效率评价[J]. 中国软科学, 2016(7): 100-108.

[26]张 楠, 陈雪燕, 宋 刚. 中国智慧城市发展关键问题的实证研究[J]. 城市发展研究, 2015,22(6): 27-39.

[27]朱方伟, 马 跃. 基于 BP-VRM 的工业化对信息化促进效率评价[J]. 科研管理, 2015,36(12): 164-171.

[28]Raparthi K. Assessing smart-growth strategies in Indian cities: grounded theory approach to planning [J]. Journal of Urban Planning and Development, 2015, 141(4): 1-10.

[29]Letaifa S B. How to strategize smart cities: revealing the SMART model [J]. Journal of Business Research , 2015(68): 1414-1419.

[30]Zubizarreta I, Zubizarreta A, Arrizabalaga S. Smart city concept: what it is and what it should be[J]. Journal of Urban Planning and Development, 2016, 142(1): 1-8.

[31]Tokoro N. Smart city and the co-creation of value[J]. Springer Briefs in Business, 2016: 75-97.

[32]Ferrara R. The smart city and the green economy in Europe: a critical approach[J]. Energies, 2015(8): 4724-4734.

[33]Calvillo C F, Sánchez-Miralles A, Villar J. Energy management and planning in smart cities[J]. Renewable and Sustainable Energy Reviews, 2016(55): 273-287.

[34]Hashem I A T, Chang V, Anuar NB, et al. The role of big data in smart city[J]. International Journal of Information Management, 2016(36): 748-758.

[35]魏 江, 黄 学. 高技术服务业创新能力评价指标体系研究[J]. 科研管理, 2015, 36(12): 9-18.

[36]王海燕，郑秀梅. 创新驱动发展的理论基础、内涵与评价[J]. 中国软科学, 2017(1): 42-49.

[37]Krugman P R. Making sense of the competitiveness Debate[J]．Oxford Review of Economic Policy，1996，12(3) :17 -25．

[38]金祥荣, 赵雪娇. 中心城市的溢出效应与城市经济增长——基于中国城市群2000-2012年市级面板数据的经验研究[J]. 浙江大学学报(人文社会科学版), 2016,46(5): 170-181.

[39]钱旦敏, 余 苏, 裘茗烟, 郑建明, 耿劲松. 基于WIOD数据的国内外信息产业发展比较研究[J]. 情报科学, 2016,34(4): 138-142.

[40]Albert M. Smart city governance: a local emergent perspective[J]. Public Administration and Information Technology, 2016(11):73-85.

[41]Neirotti P, Marco A D, Cagliano A C, et al. Current trends in smart city initiatives: some stylised facts[J]. Cities, 2014(38): 25-36.

[42]欧阳艳艳, 张光南. 基础设施供给与效率对“中国制造”的影响研究[J]. 管理世界, 2016(8): 97-109.

[43]李坤望, 邵文波, 王永进. 信息化密度、信息基础设施与企业出口绩效——基于企业异质性的理论与实证分析[J]. 管理世界, 2015(4): 52-65.

[44]Stratigea A, Papadopoulou C A, Panagiotopoulou M. Tools and technologies for planning the development of smart cities [J]. Journal of Urban Technology, 2015,22(2): 43-62.

[45]Lee J, Lee H. Developing and validating a citizen-centric typology for smart city services[J]. Government Information Quarterly, 2014(31): 93-105.

[46]Garau C, Masala F, Pinna F. Cagliari and smart urban mobility: analysis and comparison[J]. Cities, 2016(56): 35-46.

[47]黄亮, 胡曙虹, 杜德斌. 我国创建国际研发城市的适宜性评价研究[J]. 科学学与科学技术管理, 2015,36(06): 104-113.

[48]潘思辰, 苏义坤. 智慧城市政策对城市智慧水平的影响——基于倾向得分匹配倍差法分析[J]. 工程管理学报, 2017,31(6): 55-60.