大数据背景下智慧城市三维分类建设路径研究
常 江1，魏学瀚1,刘 伟2
(1.中国矿业大学 建筑与设计学院；2.中国矿业大学 力学与土木工程学院，江苏 徐州 221116)
摘 要：大数据背景下，智慧城市是解决当前各类城市发展问题的有效出路，但智慧城市的建设很难采用统一的模式，因此，智慧城市需要进行分类建设。对智慧城市内涵进行界定，分析了智慧城市相关关系，并运用共词分析方法分析了智慧城市构成要素，在此基础上构建了智慧城市三维建设体系，提取了城市分类指标，然后，收集相关数据，运用主成分分析和聚类分析方法，将32个主要城市分成3类，最后，针对3类城市提出相应的智慧城市建设建议，旨在为不同类型城市开展智慧城市建设提供一条现实的解决路径和方法，对于之后研究智慧城市分类建设问题有一定的借鉴意义。
关键词：大数据；智慧城市；城市聚类分析；三维建设路径
0 引言
随着社会经济、科学技术的发展，人的集聚与合作方式发生转变，人们对城市的理解与追求也在发生变化，智慧城市就是目前城市建设发展的新概念。所谓智慧城市，即以人为本、与自然和谐、智能便捷、高效服务，其核心在于大数据[1]，基础是物联网、云计算与人工智能。从智慧城市概念提出伊始，各个学科领域的学者对其进行了从宏观到微观、从大部到细部的探索。目前来看，针对智慧城市的研究包括对智慧城市概念、顶层设计[2]、系统构成以及智慧城市系统动力学模拟[3]的研究；对智慧城市建设以及运营体系的研究；对智慧城市评价指标与体系的研究等。这些研究剖析智慧城市的构成、建设以及评价等，但是，缺少一条结合当前城市发展状况指导智慧城市建设和发展的路径。因此，本研究在界定智慧城市概念的基础上，主要研究问题3个，一是分析智慧城市的构成要素并提取评价指标；二是构建智慧城市三维建设体系；三是通过对32个主要城市分类提出相应的智慧城市建设建议。
1 智慧城市的要素与三维建设体系
1.1 智慧城市与大数据
1.1.1 概念界定
智慧城市的概念一经提出，相关学科的学者就对其进行了深入研究，但是不同学者对于智慧城市的定义莫衷一是。综合目前国内外对智慧城市的定义来看，其侧重点主要分为4类，如表1所示。
表1 智慧城市内涵分类
类型内涵信息技术主导型主要侧重于信息通信、智能感知以及物联网、云计算和大数据等技术的作用。如最早提出智慧城市概念的IBM公司就认为,智慧城市能够充分利用信息和通信技术手段感测、分析整合公共安全、城市服务、工商业等各种需求,并作出智能的响应,创造更加美好的城市生活以人为本服务型主要关注智慧城市中人的发展,并认为智慧城市最终是为人的生活和发展服务的。如巫细波和杨再高[4]认为智慧城市的核心是通过利用新一代信息通讯技术来改变人们之间交往方式,从而提高市民出行、购物、娱乐等方面的便捷程度城市全面发展型主要关注城市全面发展,是对于“数字城市”“知识城市”“创新型城市”“生态城市”“海绵城市”“低碳城市”等城市发展理念的综合,主要关注城市自身发展问题,如城市资源环境保护、城市综合竞争力提升、城市管理与公共服务等,追求城市社会、经济、环境等可持续发展。如许庆瑞[5]认为,真正的智慧城市是可持续发展的城市,不仅提升城市经济和政治实力,还可以促进社会和文化大繁荣,实现经济、社会、环境3个方面可持续发展动态智慧优化型主要从生物学角度将智慧城市看作一个“智慧”个体,其本身发展是动态的、持续的、不断更新的。如Nancy Golubiewsk[6]认为智慧城市具有感知能力,这种感知能力就像生物体的感知系统一般能让城市迅速发现它在社会、环境、技术等方面的薄弱环节,并通过提升这些环节来激发城市发展活力
从以上概念可以看出，智慧城市不仅需要以智能信息技术作为主导，实现城市的动态智能优化，而且应该以人为本，并最终实现人和城市的全面发展。综合以上智慧城市的概念，本研究提出，智慧城市是一个基于自然资源环境生态条件与历史社会人文制度，通过运用物联网、通信技术、云计算以及大数据等智能化手段与城市基础设施建设进行融合而实现城市自身全面发展、公共服务智能高效、人们生活舒适便捷的可持续发展的动态系统。
1.1.2 大数据与智慧城市的关系
大数据技术的意义不仅在于掌握庞大的数据信息，而且在于对这些信息进行专业化处理与应用。大数据是一个动态的概念，是指对蕴含潜在价值、复杂多样化海量数据进行处理和分析的全过程[1]。因此，在大数据背景下探讨智慧城市建设路径，首先应该明晰大数据与智慧城市的关系，如图1所示。
(1)智慧城市产生大数据。智慧城市借助物联网和人工智能等新兴技术获得庞大的基础数据信息，然后，运用云计算对海量数据信息进行专业化分布式挖掘，从而实现数据“增值”即“大数据”，在智慧城市动态建设过程中，大数据来源有两个方面：一是城市资源环境、城市基础设施等通过物联网技术产生大量数据；二是智慧城市中的人通过移动设备与移动宽带网络，在日常生活中产生庞大数据。
(2)大数据服务智慧城市。通过数据的共享集成与处理，大数据为智慧城市建设提供决策依据并作用于智慧城市中的人与组织，为城市中的居民提供更加智能便捷的服务，而且对于城市发展决策提供更多有效和有针对性的建议。
1.2 智慧城市构成要素
智慧城市是一个系统[7]，是一个有“智慧”的整体，但智慧城市的构成要素尚不明确，也正因如此，智慧城市建设与发展路径很难明确。以现有中外文献为基础，运用共词分析方法，分析学者们对于智慧城市研究的高频关键词，并以其最终统计结果来确定智慧城市的基本构成维度，然后,总结概括智慧城市构成要素[8]，最终提出智慧城市三维建设体系。
1.2.1 确定高频关键词
运用共词分析软件以及人工筛选的方法，对智慧城市研究文献的关键词进行分析，在所找到的EI、CSSCI与核心期刊的200篇论文中，除“智慧城市”之外，选择频数高于4的关键词共有45个，如表2所示。
表2 智慧城市高频关键词汇总
序号关键词频次序号关键词频次序号关键词频次1物联网6616城市区域831城市系统52城市建设5117智慧人群832智能分析53数字城市3118人才储备833无线城市54城市经济2819服务型政府734技术创新55城市运行2220大数据735数字城市建设56信息技术1521城市资源636地理空间47云计算1422现代城市发展637公共平台48城市形态1323信息安全638技术架构49顶层设计1224智能电网539空间规划410城市发展1225城市发展水平540城市信息化411城市研究1126城市核心竞争力541战略目标412城市管理1027城市问题542信息城市413城市理念928信息基础设施543智慧地球414城市规模929城市生态系统544城市建设管理415基础设施930电子政务545发展规划4
1.2.2 构建共词矩阵
上面所确定的45个关键词，两两统计它们在200篇文献中共现的次数，形成45×45共词矩阵，其对角线上的数值为一个关键词出现的总次数，在得出共词矩阵之后，利用Ochiia系数法将共词矩阵转换成相似矩阵，以便后续的多维尺度分析，Ochiia系数计算公式如下：
A,B的Ochiia系数
转化后矩阵中每一个数反映两个关键词距离的远近，数值越大表示两个关键词之间的距离越近，相似度越好，反之，距离越远，相似度越差。
1.2.3 多维尺度分析
单位矩阵与相似矩阵相减后得到相异矩阵，通过使用SPSS对相异矩阵进行多维尺度分析，可将45个关键词分成四大类，各类所包含关键词如表3所示。
1.3 智慧城市三维建设体系
从以上分析可以看出，智慧城市构成要素主要包括城市发展现实基础、政府制度规划、科学技术服务以及人才队伍支撑四大要素。以此为基础，根据这四大构成要素的所属维度：空间维度、数据[9]维度以及制度维度提出智慧城市三维建设体系，如图2所示。
表3 智慧城市构成要素
类别关键词维度城市发展基础城市建设、城市经济、城市发展、城市规模、基础设施、城市区域、城市资源、现代城市发展、智能电网、城市发展水平、城市问题、城市生态系统、城市系统、地理空间、空间规划空间政府制度规划城市运行、城市形态、顶层设计、城市研究、城市管理、城市理念、服务型政府、电子政务、公共平台、战略目标、发展规划制度科学技术服务物联网、数字城市、信息技术、云计算、大数据、信息安全、信息基础设施、智能分析、无线城市、技术创新、数字城市建设、技术架构、城市信息化、信息城市、智慧地球数据人才队伍支撑智慧人群、人才储备、城市建设管理、城市核心竞争力数据
1.3.1 空间维度
智慧城市建设的空间维度是指在智慧城市建设过程中，智慧城市的辐射范围是由中心城区到近郊区再到远郊区的一个过程。从智慧城市的空间建设维度来考虑，可以将智慧城市的智慧互联简化为3个半径渐次扩大的同心圆，这可以从城市基础设施建设看出，如城市地铁系统是从中心向外辐射，而且城市建设的主次范围也是从中心城市向近郊区与远郊区展开。
1.3.2 数据维度
智慧城市的数据维度主要是从智慧城市虚拟空间层来说的，数据维度的建设主要考虑大数据应用。智慧城市的数据维度包括基础层和应用层，基础层是数据的收集、共享与集成。智慧城市发展程度不同城市，其数据维度所处层面也不同，因此，建设的角度也不同。
1.3.3 制度维度
制度维度主要考虑智慧城市建设过程中形成的办事章程和规则，考虑到路径依赖[11]问题，所以，其主要反映智慧城市建设模式层面，主要包含两种模式，一是政府主导模式；二是市场主导方式。
2 智慧城市三维分类建设路径分析
对我国主要城市进行分类的主要目的是为了分析不同类型城市建设智慧城市的具体路径，所以，必须考虑这些城市的基本现实情况以及其智慧城市建设发展现状。目前我国有500个智慧城市试点，但各个城市的智慧城市建设情况不尽相同。根据《2016-2017中国新型智慧城市建设与发展综合影响力评估结果》，智慧城市的评判主要包括智慧基础运营(20%)、智慧管理服务(35%)、智慧人文经济(25%)和智慧综合保障(20%)4个方面的内容，评估结果如下：
(1)从总体来看，我国主要城市的智慧城市建设水平不足。智慧城市建设平均分为59.91，最高者深圳也仅为76.59，智慧城市发展水平有待提升。
(2)从地区来看，智慧城市建设具有较大差异。京津冀地区、长江三角洲地区以及珠江三角洲地区城市的智慧城市建设情况相对来说比较好，而其它地区的城市得分相对来说比较低，除贵阳、成都、重庆、银川、长沙等几个城市得分在60之上外，其它得分均小于60。
我国主要城市进行智慧城市建设现状的差异性与低水平决定了智慧城市建设很难用同样的模式进行规划、设计与发展，因此，有必要对我国目前主要城市进行分类[11]，然后，针对不同类型城市，结合三维建设体系提出相对应的智慧城市建设策略。
2.1 智慧城市建设状况分类
2.1.1 样本抽取
抽取中国主要城市分类样本时，基于以下两个方面考虑：一是各省智慧城市建设以省会城市为主要试点，而且省会城市相对来说，不仅能反映各省资源环境情况，而且集结了其所在省的智慧城市建设方面比较多的资源，具有较大优势；二是对于北京、天津、上海、重庆这4个直辖市以及深圳这一经济特区城市来说，其在智慧城市建设发展方面会有更多领先性和启发性。因此，选取32个城市作为聚类分析样本，相关数据查询以国家统计局2016年统计数据为准。
2.1.2 指标筛选
(1)指标选取。基于影响因素分析与影响因素体系构建，在选取城市现状指标时，考虑到我国大多数城市智慧城市建设始于2009年[12]，而且我国已经出台智慧城市相关评价指标，所以，目前城市的智慧度也是反映城市现状的指标，以智慧城市智慧综合得分来衡量。考虑到有些统计数据很难查到而且不统一，也很不全面，最终选取11个指标来对城市现状进行衡量，如表4所示。
(2)矩阵构造。假设上文所选11个指标构成11维随机向量x=(x1,x2,x3,x4,x5,x6,x7,x8,x9 ,x10,x11)，选取中国32个主要城市作为样本，构成32×11矩阵：
(3)主成分分析。①标准化处理。将原始的数据依据下列公式进行标准化处理,使每一个变量的平均值为0，标准差为1。
其中：
②计算相关矩阵R，并求出其特征向量：
ui=(ui1,ui2,…,ui11 ),i=1,2，…,11
③求出主成分：
yi=uix(i=1,2,…,11)
ui=(ui1,ui1,…,ui11)
④结果分析。一般来说，主成分累计贡献达到85%以上为宜，根据主成分分析结果，选取4个主成分，而且这4个主成分累计贡献达到88.94%，如图3和表5所示。
表4 指标选取情况
目标分类指标城市现状评价指标选取城市发展现实基础政府制度规划支持科学技术服务支撑人才队伍支撑条件智慧城市建设现状城市占地面积(万km2)城市人口数量(万人)城市人均GDP(万元/人)第一产业占比(%)第二产业占比(%)第三产业占比(%)公共预算支出(亿元)公共预算收入(亿元)电话宽带用户数(万户)人才储备量(万人)智慧度(分)
由以上结果分析可知，第一主成分的线性组合中，公共预算收入、公共预算支出、智慧度、人均GDP、电话宽带用户数这5个原始成分的系数比较大，这几个成分综合反映经济发展程度，可以将第一个主成分称为“城市经济发展度”，其占比达43.34%；第二主成分的线性组合中，城市人口、城市规模和第一产业占比这3个原始成分系数较大，其反映城市未来发展智慧城市的储备，因此，可将第二主成分称为“城市发展储备度”，其占比达23.11%；第三主成分的线性组合中，第二产业占比和第三产业这两个原始成分的系数较大，反映城市工业与服务业发展，因此,可将第三主成分称为“城市基础服务度”，其占比达14.34%；第四主成分的线性组合中，人才储备系数最大，反映城市未来发展智慧城市的潜力，因此，可将第四主成分称为“城市智慧潜力度”，其占比达8.15%。
表5 成分矩阵
原始指标成分1234城市规模(万km2)-0.0210.7620.4680.277城市人口(万人)0.4910.8220.167-0.019人均GDP(万元)0.682-0.350-0.3430.229一产业占比-0.5300.5800.3050.130二产业占比-0.3870.450-0.7810.121三产业占比0.505-0.5770.620-0.147人才储备(万人)0.3110.454-0.092-0.808电话宽带用户数(万人)0.9460.213-0.0180.038公共预算收入(亿元)0.9390.051-0.0020.142公共预算支出(亿元)0.9390.1530.0250.190智慧度0.7880.115-0.340-0.060
2.1.3 聚类分析
通过以上主成分分析，得到4个智慧城市建设发展现状指标：城市经济发展度、城市发展储备度、城市基础服务度和城市智慧潜力度。由主成分分析中标准化后的原始指标得分和4个主成分对应各个指标的系数，可以得出我国32个主要城市按这4个新指标的得分，然后,对其进行聚类分析，将32个城市进行分类。对城市进行聚类时，采用瓦尔德法，而城市的“靠近”程度以“欧氏距离”来刻画，欧氏距离指各个变量值之差的平方和的平方差，其计算公式如下：
通过SPSS软件进行分析，聚类结果如图4所示。根据以上聚类结果，将32个主要城市分成3类，如表6所示。
表6 我国32个主要城市分类
类别先导型城市过渡型城市滞后型城市城市北京、上海、深圳天津、重庆、南京、杭州、武汉、广州、成都、西安石家庄、太原、沈阳、长春、哈尔滨、合肥、福州、南昌、济南、郑州、长沙、海口、贵阳、昆明、兰州、西宁、拉萨、南宁、呼和浩特、乌鲁木齐、银川说明这一类城市主要包含我国直辖市、经济特区。这些城市发展智慧城市经济条件好、技术和地理上具有优势、人才资源丰富。因此,将这些城市称为发展智慧城市的先导型城市这一类城市经济发展相较于先导型城市来说比较落后,但却位于经济发展比较好的省份,发展智慧城市具有过渡性质。因此,将这些城市称为过渡型城市这一类城市大都处于经济相对比较落后的省份,而且大部分城市经济发展对资源的依赖性比较大,发展产业以二次产业为主,急需转变经济发展方式,智慧城市建设发展具有滞后性。因此,将这一类城市称作滞后型城市
2.2 智慧城市三维分类建设
根据以上聚类分析得到我国智慧城市建设发展先导型、过渡型与滞后型的3种类型城市，结合这3类城市的特点，在大数据背景下对其智慧城市三维建设路径进行具体阐述,如表7所示。
2.2.1 先导型城市
(1)空间维度。先导型城市中心城区的基础设施已然完善，因此,中心城区建设应对已建设施进行联网，即将基础设施网络化，增强数据传输，形成万物互联的城市中心区域；近郊区建设则应关注基础设施的完善，特别是信息基础设施；远郊区则应关注基础设施建设，如地铁、公路等交通系统，加强“硬件”互联。
(2)数据维度。对于数据维度建设，中心城区应当形成从数据收集到数据共享、数据集成再到中心城区大数据层层递进的关系；近郊区由于信息基础设施落后于中心城区，其数据维度建设也落后于中心城区，远郊区建设情况同样如此。但是，从数据维度整体来说，空间维度的数据也是一个大的集成，是一个不可分割的整体。
城市类型特点空间维度数据维度制度维度先导型城市基建完善,层次集合紧密数据来源丰富,共享度高制度体系完善,市场活跃 过渡型城市比较紧密,基建比较完善 来源比较丰富,集成度低体系相对完善,活跃性差滞后型城市层次松散,基建有待完善数据共享度低,集成度低市场活跃性差,政府主导
(3)制度维度。先导型城市的智慧城市建设模式应当以市场为主导，因为对于像北京、上海和深圳这样的城市来说，其市场成熟度很高，所以，其智慧城市建设也应当以市场为主，最大限度纳入私人资本，增强智慧城市建设活力。而且，先导型城市中的高科技公司很多，所以，对于非政府掌握的基础设施可完全交给市场，这样不仅缓解政府资金压力，而且能够提供更加便捷的服务。先导型城市的三维建设路径，如图5所示。
2.2.2 过渡型城市
(1)空间维度。过渡型城市中心城区的基础设施尚待完善，因此，中心城区应在完善基础设施的同时对基础设施进行联网；近郊区建设不仅要关注基础设施的完善，特别是信息基础设施，还要同时对基础设施进行联网；远郊区则应关注基础设施建设。
(2)数据维度。与先导型城市类似，数据维度建设应当从整体出发，而且由于数据维度的建设很大程度上依赖新型技术，所以，对于一些过渡型城市而言，在这方面反而比先导型城市更具优势。
(3)制度维度。过渡型城市中心城区的市场成熟度较高，因此，中心城区智慧城市建设还是应当以市场导向为主，而对近郊区与远郊区来说，则应更多采用政府主导加市场主导的方式。
过渡型城市三维建设路径，如图6所示。
2.2.3 滞后型城市
(1)空间维度。对于滞后型城市来说，城市空间维度的发展还不是很充分，无论是中心城区、近郊区还是远郊区，都应当加强基础设施建设，而且对于滞后型城市来说，远郊区的基础设施以及信息基础设施等的建设也会迟于中心城区，因为中心城区还是滞后型城市发展重点。但是，一些城市新区的划立也有可能使近郊区和远郊区的基础设施建设早于中心城区。
(2)数据维度。同样，滞后型城市数据维度的建设应当从整体出发，而且数据维度建设应当与空间维度建设同步进行。这在城市规划时就应当规划清楚并进行合理安排与筹划，从而保证空间建设与数据建设的统一。
(3)制度维度。滞后型城市经济发展不是很好，因此，其市场活跃度不是很高，智慧城市建设应当采用政府主导与市场主导相结合的方式进行。
滞后型城市的三维建设路径，如图7 所示。
3 结语
本研究通过对智慧城市的内涵和构成要素进行分析，选取了智慧城市建设现状5个方面的11个评价指标，并通过主成分分析法，提取其中4个主成分，即城市经济发展度、城市发展储备度、城市基础服务度和城市智慧潜力度；然后，在以上4个主成分得分的基础上进行聚类分析，将我国32个主要城市分为先导型、过渡型和滞后型城市3类，并从空间、数据和制度3个维度对其智慧城市建设路径进行分析。
本研究存在三点不足之处：①在智慧城市构成要素分析中，所选取的论文篇数偏少，难以全面反映智慧城市建设要素；②在对城市分类指标进行选取时，某些方面的指标数据匮乏，所反映的城市真实情况会失真，当然这也从侧面反映出大数据在智慧城市建设中的重要意义；③对我国主要城市进行分类时，所选取的城市主要以省会城市为主，但是，一些智慧城市建设比较好的城市不一定都是省会城市，所以，未来可在全国大范围内开展大样本调查，获得更符合实际情况的样本数据。
未来在智慧城市分类建设研究方面可以尝试更多维度，但维度最好保持在7个以下，可以使用系统动力学方法进行模拟仿真，提出更好的建设性意见。
参考文献:
[1] LI DEREN C J Y Y. Big data in smart cities[J]. Information Sciences, 2015,58(10):1-12.
[2] 陆小敏.关于智慧城市顶层设计的思考[J].电子政务,2014(1)：5-8.
[3] 向尚.智慧城市信息生态链的系统动力学仿真分析[J].情报杂志,2017,36(3)：67-69.
[4] 巫细波.智慧城市理念与未来城市发展[J].城市发展研究,2010,17(11):56-57.
[5] 许庆瑞,吴志岩,陈力田.智慧城市的愿景与架构[J].管理工程学报,2012,26(4):1-3.
[6] GOLUBIEWSKI N. Is There a metabolism of an urban ecosystem?an ecological critique[J]. AMBIO,2012,41(7):751-764.
[7] 张振刚.智慧城市系统构成及其应用研究[J].中国科技论坛,2014(7):88-93.
[8] 陶敏，李宏伟，王蔓.智慧城市建设发展的影响因素分析及对策研究[J].经济研究导刊,2015(16):174-177.
[9] 桑培东，陈晓蓁.基于DEMATEL模型的智慧城市建设项目影响因素研究[J].项目管理技术,2014(9):27-30.
[10] 韩兆柱,马文娟.互联网背景下智慧城市建设路径探析[J].电子政务,2016(6):89-96.
[11] 任利成,张明柱.我国智慧城市发展水平的聚类分析[J].科技管理研究,2014(14):58-62.
[12] 王洪涛,陈洪侠.我国智慧城市创新扩散演进机理及启示——基于38个城市的事件史分析[J].科技进步与对策,2017(3):44-48.
Study on Classified 3D Construction Path of Smart City in Big Data Era
Chang Jiang1 ,Wei Xuehan1 ,Liu Wei2
(1.School of Architecture and Design, China University of Mining and Technology; 2.School of Mechanics and Civil Engineering, China University of Mining and Technology, Xuzhou 221116, China)
Abstract：Although smart city has been an effective solution to the problems of urban development in big data era, there isn't a common construction mode of smart city for all cities. So, there is a need for classified construction of smart city. This paper defines the connotation and analyzes the relationship of smart city and big data. Then the constituent elements of smart city are analyzed by means of co-word analysis and a classified 3D construction path of smart city is also constructed. Based on the above work, classified indices of urban are selected and principal component analysis and cluster analysis are implemented to the classification of 32 major cities to give some suggestions for the classified construction of smart cities. It provides a practical solution and method and has some significance for different cities' construction process of smart city.
Key Words:Big Data; Smart City; Urban Cluster Analysis; Classified 3D-Construction Path
DOI：10.6049/kjjbydc.2018GC0112
中图分类号：F291.1
文献标识码：A
文章编号：1001-7348(2018)24-0013-07
收稿日期：2018-08-15
基金项目：国家社会科学基金项目(15CJY036)；国家自然科学基金项目(41671524)
作者简介：常江(1968-)，男，山西太原人，博士，中国矿业大学力学建筑与设计学院教授、博士生导师，研究方向为城市规划；魏学瀚(1994-)，男，甘肃兰州人，中国矿业大学建筑与设计学院硕士研究生，研究方向为城市转型；刘伟(1995-)，男，山西晋中人，中国矿业大学力学与土木工程学院硕士研究生，研究方向为项目策划。本文通讯作者：刘伟。
(责任编辑：万贤贤)
