城市规划与管理中的数据分析和信息化建设

李栋 北京清华同衡规划设计研究院技术创新中心常务副主任

当下数据发展有以下几个大趋势：

首先全社会数据可用性极大增加。当前全球超30亿人、约170亿设备联网在线，这些设备无时无刻不在产生数据。据统计，人类从直立行走到2003年所创造数据量总计5艾字节，到2007年短短几年间数据量已超了300艾字节，而到了2015年，全球网络流量接连翻番，数据量达到接近1000艾字节，预测到2025年，全球数据总量将增长至现在的200倍到170,000艾字节。可以说展望未来，大数据时代其实还没有真正来临，数据发展将呈现更加富集的趋势。

图1 大数据富集趋势

其次计算能力和算法挖掘手段全面提升。计算能力得到飞速强化。强大的计算机通过网络连接，大量数据的并行处理成为可能，硬件方面也有很大的提升。现在的手机计算能力已经远远超过了早期的电脑。而且所使用的算法获得了全面的更新。十余年机器学习发展基础上，可以将这些庞大的数据和算力用于算法的训练，开发新规则来执行日益复杂的任务。以深度学习为代表的新手段得到持续优化，启发新服务，刺激了对AI领域各方面的投资和研究。数据、设备、算法几个方面快速的发展，终将整个人类社会信息化的趋势逐渐推向一个又一个高潮。

一、信息化的两种场景

数据分析只是广义信息化的一个环节，我们可以简单做下分类，一类是流程信息化（狭义信息化），指在既有机制下对业务的信息化改造，如政府委办局的办公OA等，流程和机制是预先规定好的。另一类是决策智能化（广义信息化），比如说我们要对城市发展的信息化做整合，而城市管理的规则和机制是开放的、不断发展和变化的，我们的挑战是如何运用信息化的手段处理这种挑战。利用信息化对开放系统进行综合决策，需要采集整理决策所需信息、设计多种决策方案、对方案开展模拟与预评估、对方案进行比选优化，对方案实施开展周期性监控、方案实施后评估等等，这是一个值得开展长期探索的方向，也是数据应用高附加值所在之处。

流程信息化，规则相对清晰、条件相对封闭、目标相对明确。而决策智能化规则相对模糊、条件相对开放、目标不够明确，依赖更多、更复杂、非标准化信息输入作为基础。当面对决策智能化的时候，作为规划师往往会感到信息焦虑以及对工具的渴求，会怀疑自己是不是遗漏了什么关键信息、从而对项目造成一些决定性影响，这是所有咨询者、决策者共同面对的一个很大挑战。

以规划编制为例，即使是同一个地区，即使是遵循相同的规划编制技术要求等规则，但由于每一次规划编制的背景不同、规划目标和实施手段也大相径庭，因此对规划内容本身（即待决策的方案）的评判标准也会存在很大的差异，更毋论如何对规划方案进行优化和持续改进了。

如果从一个更大的、数据的视角来看待这个问题，流程信息化指利用自有数据解决自己的问题，比如财务报销自动化等，而决策智能化则意味着要综合使用自有数据和他类数据（alternative data），一起来解决自己的问题。

他类数据是指全社会其他部门数字化、信息化之后的积累，例如原本用于运营商计费和网优的手机信令数据，原本用于公交系统计费的市政一卡通刷卡数据，原本用于网站和APP经营的移动互联网流量内容数据等等。我们现在之所以能够在城市规划中利用这些大数据，其实都要感谢早年其他部门所做的信息化基础工作，虽然这些数据出现的动机并非是服务规划师。推广而言，所以若想解决城市这类开放系统的决策智能化问题，就需要全社会每个部门都把自己的信息化工作做好。

二、建立基础“认知闭环”

规划师扮演的是决策咨询的角色，为决策者出谋划策。因此我们自己首先要建立一个逻辑闭环，按照了解、认识、见解、行动的顺序。一般规划师往往更关注感知、认知与决策这三个环节，但对于“行动”，或者说“实施”，则是规划或者咨询业者不太擅长的。规划信息化的工作其实在另一个层面就是在做“行动”或“实施”，在不断地修补、完善信息化系统。所以我也特别希望规划从业者能够再多走一步，将分析出来的好方案亲手实现出来，建立起完整的数据思维闭环。

数据思维体现为对数据应用的工作流程（workflow），一是感知：数据的清洗收集，对现实了解得更精细；二是测度：数据的分析评价，对状况判断得更合理；三是挖掘：数据的综合解读，对原因理解得更深入。

1．数据感知：对现实的精细了解

用精细化的数据感知来满足规划师对于信息渴求的状态，例如2017年做朝阳区人口统计时，数据分析的目的不仅想了解朝阳区的总人口规模，还想知道人口分布的具体位置、根据每个位置人口活动的24小时规律进行分类等等。

图2 朝阳区人口分布

图3 朝阳区人口24小时活动规律

再进一步细化，比如了解CBD片区每个小建筑里面大致人口分布的多少，工作日与非工作日的变化。甚至包括对每一个网格，都想去了解人口构成的结构与信息等等。

多源数据耦合、交叉检验。当数据源不同时需要做一些检验，例如对一个地区的移动信令数据、滴滴出行数据、互联网定位数据做交叉对比，判断出哪个数据相对更合理。

2．数据测度：分析与评价

通过设计评价指标体系来联系物理世界与信息世界。将信息空间和物理空间联系起来就是信息-物理系统（Cyber-Physical System），二者通过指标体系相互反馈、调控。

图4 信息-物理系统

通过算法工具对状况的合理判断。数据评价包括许多内容，包括评价方式。单纯把收集的数据落在图上，很难直观看出规律，需要模型、算法、工具来帮助形成一定的结构化指标，从而可得到诸如聚类、分析等结论。例如下面右图中的方块是共享自行车骑行轨迹的时空热点，在相同时间空间，可以识别出哪里是骑行行为相对比较聚集的区域，并进一步分析聚集的原因和影响等。

图5 自行车骑行轨迹热点时空分析

此外还需要把非结构化数据（如街景图片）变成可计算的结构化指标，这是大数据很关键的核心问题，需要借助专门的工具或一些技术手段来实现。

数据评价：对状况的合理判断。在充分感知数据、分析评价数据之后，就加入结论判断环节了。例如我们可以根据骑行轨迹、街道状况等要素，对骑行环境做出综合评判。将结构化与非结构化数据叠合后，形成关键指标，根据问题和目标进行打分，最后得出好中差的观点。

叠合分析的应用示例。比如在对北京危险品运输风险的大数据分析工作中，通过将危险品车辆GPS和同一时段人口分布进行重叠，识别出重叠率高的危险路段。左边是进城的路段中重合较高的部分、右边是危险品有大量聚集并停留较长时间的区域，把这些路段与片区识别出来，可以较好地预防一些危险品的泄露、爆炸等事故，避免不必要的生命财产损失。

图6 危险品车辆出入城时段高重叠区（左）；危险品车集中地（右）

在设施评估案例里，我们对朝阳区32个2、3级医院开展了就诊人群分析，用医院的到访人口来源与分布情况，观测京内京外比重，看哪些医院是受外地人欢迎。

图7 千人床位指标推算的理论覆盖范围（左）；手机数据表示的实际覆盖范围（右）

传统医院的配给指标是以一个区域的千人床位数来确定的，那我们可以根据这个指标反推出一个医院的理论覆盖范围，如图7（左），但用人流数据可以更直观的看到一个医院的实际覆盖范围，如图7（右）。通过对比，我们可以得到一些初步结论：一是四环以外的人口聚集区缺乏医疗设施的覆盖；二是医院的就诊来源主要但不限于医院周边；三是某些外围的卫生设施如地坛医院存在覆盖范围重叠浪费的情况。

图8 朝阳区32个二、三级医院评估

结合人口的本外地属性，可以看到，中国医学院肿瘤医院的外地患者最多，占到了44%，而其他的医院则逐次下降。

3．数据挖掘：深入理解现象背后的机制和规律

除通过数据分析了解现象本身，继续探索现象背后发生的原因规律及内在机制，在大量评价指标中找出隐藏的规律，简单的方式如线性回归，对于城市这样非线性的复杂系统，最基础但有效的包括随机森林等。以骑行行为挖掘为例，随机森林模型展示了影响骑行轨迹分布权重较大的因素，主要包括道路长度、功能兴趣点POI 总数、道路适宜度水平、公交车站300米覆盖路段长等。

图9 上海城市人口随机森林模型

以上海城市人口结构挖掘为例，随机森林模型所示，影响上海年轻人分布权重较大的因素主要包括外地人口比重、最近轨道站点距离等。

表1 随机森林各变量权重计算结果

最后，将利用仿真、模拟为主要手段，反向使用前述数据挖掘得到的结果，应用所获得的规律。通过改变某些指标（对应城市规划或管理措施），使得决策树的走向发生变化，也即开展了一次政策预演，反复试算，使得我们可以基于隐含的规律对城市发展进行大量的沙箱模拟，寻求政策工具的最佳组合。

因此自然而然地会观察到，围绕数据流开展的这些工作，无论是处理非结构化数据还是剖析非线性关系时，我们都在严重地依赖算法作为工具。在数据时代，算法的价值怎么重视都不为过。

全社会广义信息化需求将越来越旺盛。如果把上述数据流过程拓展到整个社会来观察，会发现他们是相辅相成的，不同行业之间需要互相依赖彼此对数据的感知、测度、挖掘，最终实现整个社会的信息化和智能化。

图10 城市规划与运行管理信息化

三、城市规划与运行管理信息化

1．信息化系统

建设信息化系统体现为解决问题的创造性、实践性策略。主要强调三个原则，一是以人为本：同理用户感触、贴近用户需求。二是模糊推进：在知识和能力的范围上保留足够弹性、充分尝试。三是原型迭代：由粗略简易的原型开始设计和实施，快速持续地进行修正。

以呼市新城区居家养老服务体系为例，其涵盖了政策法规、运作机制、引导监督机制、居家养老智慧管理平台等内容，以老年人需求为导向，社会服务力量整合，政府监管体系为目标，提供多元化、专业化、高品质的养老服务。

2．化系统实施

首先是需求分析。信息技术为养老精细化管理与精准服务提供新的方法和手段，主要用户面向政府、老人、服务单位。

图11 呼市新城区居家养老服务体系需求分析

其次是定位与策略。我们认为居家养老智慧管理平台应该实现连通政府各级部门、老人、服务单位等对象的基本能力，促使信息互通互联、养老业务全过程留痕、线上线下有效互动，实现老年事务的联动管理、服务单位的监督监管、智慧养老决策支持等核心功能。

实施中利用软硬件进行整合支撑。以养老卡为核心载体，利用手机APP、信息查询一体机、智能穿戴设备等各类线上线下手段，采集老人基本信息、为老交易、健康状况等各类数据，联动卫计、民政等多个政府部门的业务数据，实现老人数据的全面覆盖和联动更新，在此基础上合理实施技术架构，通过统一的底层数据库支撑上层各类应用系统，采用模块化的方式，后期可按照需求进行功能的增减调整。

上线运行、迭代维护。信息系统建设交付其实只是一个开始，更加重要的是提供长期的线上线下运维服务。目前平台初步实现了国家及各地的相关公开数据的整合，为新城区居家养老服务体系建设提供参考；融合本地老年人各类健康数据，全方位实时掌握老人健康信息；实现服务商信息的统计、审核、以及监管，对服务商相关数据收集、分析；为政府部门对养老事业相关决策提供科学、客观的数据支撑。

四、展望智能化的远景

我们重新把视角聚焦在城市规划与管理上，未来远景目标是在规划师个体认知闭环的基础上，完善城市发展相关业务智能化的闭环。

以决策咨询为视角，有两个关键支撑点，一方面是必须整合多源大数据，数据可获得性、维度、属性决定了数据分析、信息化工作的基本面。另一方面是必须熟悉业务领域需求，应该说数据分析和挖掘的视角是多样化的，而城市问题又是如此复杂，需要识别并紧密围绕领域内的关键需求来工作，科学设计指标体系，指导实施措施，在有限的数据分析结论中催生最大化的现实价值。

数据思维与实施思维并非是割裂的，更好的做法是把二者有机地结合在一起。数据思维可能比较阳春白雪，进行大数据分析，做各种酷炫的展示，属于脑力劳动，但其实真正发挥作用的也许是一些不起眼的信息化项目、实干项目，姑且称之为下里巴人。我正试图在二者之间建立一种能够相互促进的正向反馈模式，未来肯定还需要大量的探索和完善。