首页 >  智慧城市  > 正文

大数据时代的智慧城市:以数促评 以数促建

时间: 2018-01-04     来源: 中国建设报

 梅一多 陈 妍

近年来,随着我国城市化进程的不断深入,各省市掀起了一波如火如荼的智慧城市建设高潮,各地智慧城市建设遍地开花。智慧城市已经成为了城市根治固有治理难题的解决方案和关乎百姓福祉、寻求城市转型突破、打造城市新经济名片的重要抓手。

经过多年的探索,我国的政府、工业界和学术界提出了一系列围绕智慧城市评价的指标体系、评价模型和参考标准。例如,全国信息技术标准化技术委员会制定的《智慧城市SOA标准应用指南》、《智慧城市技术参考模型》,全国通信标准化技术委员会、全国智能建筑及居住区数字化标准化技术委员会颁布的《智慧城市评价模型及基础评价指标体系》,中央网信办、全国发展改革委等部门指导的《新型智慧城市评价指标》等。

虽然关于智慧城市评价的指标体系、评价模型和参考标准的关注点迥异,侧重的方面各不相同,但是经过归纳总结,这些指标体系、评价模型和参考标准也表现出了一些共性特点,如它的连续性和稳定性、多角度多层次进行评价、使用发展类和效率类指标较多且时间周期较长等。因此,构建评价模型,既要考虑普适性又要兼顾差异点,而实现这一目标也需要大数据的支撑。

注重稳定 兼顾迭代

伴随着智慧城市业务的快速发展和深化探索,对于智慧城市评价模型的要求也越来越高,评价模型既要保持一定的连续性和稳定性,从而确保实现业务导向的稳定和前后可对比,同时又需要体现智慧城市发展的最新成果。因而,智慧城市的评价模型表现为一种相对稳定的迭代模型,具体表现为:在业务层面,随着智慧城市所涵盖的业务种类、范围的逐步增多,评价模型所覆盖到的业务范围也逐步增加。在技术层面,随着各种新兴技术逐步发展到应用落地阶段,具体落实到智慧城市建设当中的新兴技术越来越多。一方面,这些新兴技术能够带来功能、效率和用户体验的提升;另一方面,这些新兴技术也逐步扩展了智慧城市的应用场景。最终,这些业务、技术发展的新变化都直接反映在了智慧城市的评价模型中。

数据的可获得性本来就是制约评价模型的一个难题,对于新业务、新技术尤其如此。面对智慧城市中不断涌现的新业务、新技术,为了确保正确的评价新业务、新技术的应用成果,必须做到及时、准确地收集到最新的应用数据。这就要求智慧城市在建设基础设施时具备一定的远见,设计出高度可扩展的数据基础架构。

角度多样 兼容并包

智慧城市评价的指标体系、评价模型和参考标准力求从多层次、多维度进行评价。在横向层面,这些评价模型往往涵盖了各方利益关系人的意见和看法,例如:智慧城市评价模型既应站在城市管理者、治理者的角度,又应包括使用者(市民)的评价,做到既有定量分析又有定性评价。在纵向层面,智慧城市评价的侧重点也会随着智慧城市建设进度的深化以及城市在不同阶段所突出的重点而有所差异。

为了满足智慧城市横向、纵向的评价要求,必须有足够的数据能够动态、准确地反映智慧城市的特征。同时,在评价形式上,也应该有所突破。经典的评价形式的重点是针对可度量的客观指标,把专家和特定调研群体的评价数据作为输入数据。在大数据时代,智慧城市的评价可以借鉴、引入网络数据、民众舆情等新的评价数据作为有力补充。

发展指标 绩效指标

目前的智慧城市评价指标体系使用发展类指标和效率类指标的较多。发展类指标往往是正向指标,指标值越高则表示发展程度越高。发展类指标会确定一个参考值的标杆,该标杆一般是以当前最高水平、未来可预见的高水平或者是未来的发展终极目标作为依据。效率类指标则衡量投入产出的效益比,采用投入与产出的函数进行评测。

周期较长 成本较高

从智慧城市评价的时间而言,目前的评价模型侧重于长时间段维度的评价,比如以年度为周期。究其原因,一方面是由于智慧城市的建设周期、应用周期较长,另一方面也是由于细粒度数据的获取成本比较高。在大数据时代,可以考虑为智慧城市引入更多种类的评价形式,例如考虑利用短期、准实时在线数据编制的指数等多种形式进行评价。

智慧城市须大数据支撑

目前,我国智慧城市建设已取得了一定的成果,各地已经呈现出百花齐放的态势,但各城市对智慧城市的理解不同,在智慧城市基础设施具备的水平、建设投入力度和投入方向等制约因素方面均存在差异。构建评价模型,既要考虑普适性又要兼顾到差异点,实现这一目标也需要大数据的支撑。

在大数据时代,智慧城市的建设“如何破解传统信息化建设的难题,即如何避免信息孤岛、烟囱系统;如何形成新型的、统一的、跨部门、跨区域的资源开放、共享、整合、利用和协同”,是摆在智慧城市建设面前的难题。2016年10月,习近平总书记提出了建设全国一体化的国家级大数据中心构想,从而打破了传统的、割裂的数据条块问题,形成互联互通共享共赢的应用局面。

未来,上至国家、中至城市、下至企业,竞争的领域已经不再局限于商业、技术层面,新的竞争将围绕计算能力的竞争展开。所谓算力竞争,既包括计算基础设施的竞争,例如大规模高性能计算中心、大型云计算项目的计算能力竞争,也包括拥有海量数据以及相应处理能力、技术手段的竞争。拥有更强大算力的组织,将会率先研发出高质量的新型模型,推动新型的业务应用,驱动更优的商业模式,从而占领未来竞争的制高点。

为了全面建设卓有成效的新型智慧城市,需要配套建立数据基础设施和数据治理机制。智慧城市数据治理机制应该按照统一的标准管控智慧城市建设、实施、运营过程当中涉及到的数据规范,实现数据在智慧城市系统内部、在智慧城市之间的对接和有序流动,提升智慧城市建设的功用和效果。

智慧城市的数据治理

智慧城市的数据治理比企业级的数据治理难度更大、范围更广、着眼点更高。

数据战略:评价智慧城市是否具有清晰的城市数据发展战略和规划。对应这些数据战略和规划,需要支撑战略落地的具体实施步骤。

数据机构:评价智慧城市是否具有全盘数据管控的职能机构。数据机构可以是新设立的独立的数据管控职能部门,也可以是具体落实在已有部门的承担数据管控、数据治理工作的机构。

数据制度:评价智慧城市是否有完善的数据配套制度。数据配套制度应全面涵盖前期建设、后期的管理和运营等方面。在智慧城市建设中,数据配套制度应考虑不同层级机构的适用范围,每条具体数据配套制度的设计应关注城市数据的权力、责任、利益是如何实现对等和划分的。

数据架构:评价智慧城市是否具有清晰的数据架构规划和设计。清晰的数据架构设计不但需要实现与业务架构、应用架构、系统架构的匹配,还需要全盘考虑数据的互联互通、数据的内外部接口。

数据模型:评价智慧城市的数据模型是否符合标准、规范。由于智慧城市所涉及的业务范围广、系统多、系统集成情况复杂,因此,实施智慧城市数据模型的管控需要掌握好时间粒度,优先统一管理智慧城市相关系统内部的模型。

数据标准:评价智慧城市是否定义了关于数据的标准。不同于企业的数据治理场景,一般大型的和信息化先进的企业才会制定数据标准。智慧城市的数据标准建设应该是智慧城市重点工作内容,因为只有通过高层面的数据标准管控,才能实现对于应用的间接管控。此外,应评价智慧城市的数据标准贯彻执行实际效果。

数据质量:评价智慧城市数据质量分为4个方面:一是存量数据的质量如何评价;二是对于新建系统,如何评价是否能够有效保证、管控新增数据的质量;三是是否具备有效的数据质量问题发现机制;四是一旦发现了数据质量问题,是否具备有效的数据纠错机制。

数据应用:数据应用是智慧城市评价的重要方面,智慧城市的数据应用场景是否清晰明确,数据应用覆盖面是否足够广泛,数据应用是否深度足够。数据应用既能体现智慧城市是否达到了战略规划的意图,又将直接影响市民的体验感,对于智慧城市建设成败至关重要。

数据安全:安全和发展从来都是一体两翼。在大数据时代,如何有效保障数据不丢失、不泄密、防篡改,保证数据在网络环境当中的安全和隐私,是制约智慧城市发展的重要因素。

数据生命周期:智慧城市每天都会增加大量的数据,需要考虑评价智慧城市对于冷数据、温数据、热数据的管理策略,如何实现经济性和可用性的均衡。

数据分布:评价智慧城市对于数据相互之间血缘关系的分析能力,有能力评估数据改动的影响范围、影响程度。

数据智能和知识发现:评价智慧城市如何利用大数据有效发现新知识、形成新智慧。

数据运营:数据系统“三分靠建设、七分靠运营”,需要评价智慧城市的数据运营能力,包括如何运用数据提升智慧城市的活力、可应用能力和服务能力。

数据成熟度评估:开展智慧城市数据成熟度评估,评价智慧城市数据能力成熟程度。同时,以智慧城市为抓手,引领和带动行业、企业评估数据能力成熟程度。

数据计算能力:未来智慧城市的竞争也是计算能力的竞争,计算能力的竞争包括基础设施、数据量、数据处理手段等方面的竞争。

数据人才能力:评价智慧城市的人才储备以及数据人才的实际能力,以评促建、以评促改,有效促进数据人才的储备和能力提升。

综上,只有把握好数据治理的力度、处理好数据与智慧城市的关系、通过数据促进智慧城市的评价、通过评价带动智慧城市的发展,才能持续推进智慧城市的建设、占领未来智慧城市国际竞争的制高点。

炫图