北京企业管理咨询协会

智慧城市

智慧城市
您所在的位置是:首页 > 公共安全 > 智慧城市

干货分享---智慧城市怎么搞?

发布时间:2020-02-27 15:06:26 图文来源: 点击数量:
 

中国城市科学研究会数字中心副主任徐振强;

5月19号刚刚上海开过会,包括北京推进数字经济、智慧城市万物互联的物联网。第三个要实现城市治理与我们数字经济创新落点就落在智慧城市的顶层设计。包括我们广义的认为相关的智慧城市的人工智能、区块链的各种技术手段。

第一个城市管理新兴城市化过程当中我们发现很多的人口就往城市集聚这个图片看了比较亲切,也有包括交通大量的拥堵,这问题出来以后整个中国的新城发生了很大的变化,尤其十八大之后我们的城市建设,这跟我们看到另外一个图是什么,这是新城的变化,这是国家发改委揭示的城镇体系区域划分完全不一样,这是我们当时做的全国所有的省份,省一级的城镇体系的会产生新的变化,什么意思?以后的一二三线城市不是我们现在想象的一二三线。第二动力源就是城市更新,就是叫翻旧改造,就是国家的局部地区在实现。这里包括河南、广东、浙江大量的拆、大量的建设、大量在中心城区进行升级改造。

我们可以看到一个更新的惊人数据人口在大量的向城市集聚,包括传统的观念认为有一些地区弱一些,这里面安徽排在全国的前三,甚至去江苏个别的领导跟我说一定有一天安徽会超过江苏,在座我不知道有没有江苏的朋友。如果大家看交通高铁网的布点的密集程度安徽是超乎想象,包括主要的单位都跑到安徽去开发。所以我们提到城市管理的问题,人来了管理。

人口密度一平方公里没有几个人我们到西藏内蒙去去看看,除了安防需要不需要太多的管理,就是人口密度,所以这一些城管出来了,包括这一种背景下大这就是可以看到城市政府端的城市治理。当然不仅包括这一些第一城市管理我们传统的,是从深圳起来的,北京也有典型案例。第二是行政管理,北京可能是合并,就是在有一些地方行政管理权就是你城管部门有行政管理没有执法权,还涉及到第三个名词就是综合执法这三个点连在一吸是政府端狭义的认为城市治理,在这过程中我们说两个名词第一成本的问这么多人来了以后怎么呢?北京某一个区分区长分管的城管跟我们讲,拍一个的违法是180块,把这硬件算在一起的话就是300块钱,北京另外一个区区长跟我说讲财政收入跌下去30%,这数据是比较惊人但是确实在转型发展过程当中阵痛。就是说人口来了集聚财政收入这一部分是一定花销。按照300块钱违法事件全流程一年几百个几个亿的资金下去,我们财政收入面临着转型阵痛期,所以要有新兴的技术手段来改变。第二业务能力的变化,在座不知道有没有学城管这一专业的,其实现在强调减政放权,广州市有一个区执法中队城管变成了全科医生类似这概念,以前就是几十项、几百项执法的权限或者乘法权限现在是3700项,一个执法中队集体辞职,原因是什么?就是干不了,山东交州一个县级市集聚1700项的执法。传统的方式让以前管较小的职能,现在扩张起来变成综合执法权限干不了就是能力不够,所以我们跟很多单位建议人工智能图像解决行政处罚的效率。

就是有一些城管执法局不仅仅面临着行政处罚的主体同时他也是被告者,就是应用法律上的失当。所以这里催生了什么?城市治理产业,现在国内游个别的领导来推进就是城市治理产业,就是把城管现有的产业思维来。但是我们按产业思维来不是做GDP而是产业的路径降低成本提高效率。

第二个是数字经济,数字经济当中我们说的城市发展北京要不要产业?要产业,我们的产业肯定是高端,肯定是高附加值是符合首都功能定位的,这里强调数字经济当中对我们大家在座很多朋友都产生大量的影响。包括一些网购科普性的。我们想什么叫政府端的数字经济。去年的十一天猫1682我说跟政府基本上没关系,政府端的数字经济是什么?这个事情我们需要探讨清楚。就是一个航母级的企业1682杭州跟北京基本上没有关系,因为中国特色现有的城市治理包括经济发展的格局下政府的作用是核心是主导。这里回到经济的角度提出经济建设的理论,利用这版块核心的内容嵌进去让数字荆棘载发展当中作为一个内核来作为发动机。这是基于这理论所展开的内容,包括产城融合空间生态自组织与协同经济。所以我们做这事的时候强调学术性、和包括它的科研能转化的创新,识别这五个当中的核心要素,关键要素再去消减,最后大数据。所以我讲大数据很多时候误差很大。

我记得上学的时候做PM2.5的预测每天误差50%到100%,你说这样的结果你给政府做决策完蛋了。在这基础上要构建一个测试平台就是和大数据和我们的数字经济结合在一起。这在过程当中我们要思考一个什么呢?就是我们的中国发展一定要向国际领先的技术学习,就是美国的产业产业集群数字经济就是把所有的相关企业进行了一个整理,完了以后数字经济技术创新做了一个布局和分析,这里可以看到不同的企业布局的领域、包括它在哪一些领域布局比较多。围绕这一些特征来去启发我们国内数字经济怎么做。不能做一个产业就过剩,发达地区还好一些,中西部地区产业过剩没人接盘。我们去看楼盖的很快最后产业进不去。后面都是迭代之后的真正高手来去把它进行操作。

所以举一个例子刚说到数字经济说到美国包括一些中国的初步思考,这是我们当时做的上海数字经济城市级的版图,就是城市墙的智慧园区、体验创新中心、智慧城市大数据企业。上海在中国做数字经济最低调。经信委给我们一百家企业当时上海有一点傲慢或者说很自信,我说我们给你做到240家它最后很高兴。它说到口袋里100块我说你口袋里面240块钱这概念不一样。最后把这上海的地区产业集群的分布业务网来全部做了一个分析这就是更加全面的数字地图就是我们理解概念当中的,当然专家都有不同的见解。每一个企业条块就是发展动态的关系,合在场景应用是挂钩在一起,包括税收和它的企业的人员。在这过程当中相应的产业集群。下面是更详细的分析,我们可以用研究者的思维产业经济的角度把各个角度理清楚、应用的场景以及税收包括相关的主要经济指标。在这背景下来构建智慧城市的体系,这个当中2017年做了一个定位。全国前三、全球第十。

数字经济做的内核我相信任何一个城市的主管者都是乐意,最近的郑州市委书记也跟我们探讨,作为城市的主管不愿意去了解的。

第三部分的内容就是创新,我们说到这么多内容落到政府行动的规划当中去予以体现。第一个就是我们看到2017年整个中国的体系,我这说的广义智慧城市,包括人工智能、区块链在这体系之内进行系统的学习,把重要的区块开发、重要的城市、以及包括技术的应用,还有包括一些传统企业的进入。就可以看到我们智慧城市是怎么最新的格局,在这基础上包括深圳的学习,刚才张会长也谈到了,好多新的创新落到深圳去,深圳也提出了一些想法。在这基础上4月3号领导提出6:1的管理,也和城市管理、城市发展密切的结合,所以这背景下城市智慧化的3个点,一个是画像第二个是思维,第三个八先行思维。城市画像像谁,或者说你没有合适的学,你自己应该自主创造,基于我们现在对国际自主已经是智慧发展包括人工智能已经到了中国的阶段,就是我们结合中国特色重体量信息化的发展,我觉得是现在在座包括专家朋友们共同自己去探讨,因为国外很多的是体量级单系统这和中国是不一样做不起来。第二一张图八各先行这是学国外的列举了几个例子,国内包括很多城市做规划的时候还是忽悠政府做无人驾驶新加坡包括美国已经做,就是很多不靠谱不要给政府领导讲讲完都是不靠谱的实践,最后出成绩或者出笑话更多。

第二个就是城市全国住建部体系,包括发改委四个城市,你的城市用什么名词来形容自己,北京是朝阳区的智慧,这智慧体现管理包括东城区较早的网络化成形,就是你做任何一个单项的领域能不能画出一长四图。哪一些城市做的比较好做的哪一些项目哪一些机构在做,哪一些主导的机构是谁?在这背景下我们考虑和那个合作伙伴去合作。先不要一线其他的东西先驱动,我们要做的就是作品,我们要做的就是精品工程,我们要做就是行业引领性的公司,尤其是北京更需要有一个一张图,就是简单我们画这图安排一个团队画半天时间就画出来。任何一个企业单位过来找我们的时候,在这里适不适合,这样就方便我们抉择者做一个更加审慎的科学扎实的选择。

这就是说的几个点,作为核心的考虑、打造地标智慧城市。打造标也是非常重要,这是全国中心做的梳理,我们也在努力的推动。北京把先有的包括政府端、企业端构建国内行业地标的机构,包括学习绿色建筑,深圳建科院全国最强,我相信智慧城市也应该要有地标,这是给上海做的建议,这是一个整体的发展思路,就是让这创新中心不仅科谱而更更是有强的商业引领性。第二园区发展,我们必须要把产业去营造,包括嵌入考虑进来。这里就是对全国所有的园区做了一个梳理,而且国内已经有一些开展去做这是运维端这产业锻,像思科和广州碧桂园合作的例子,以及国际上产业营造的先型案例这是世界上最智慧的一块土地,它的产业独角兽企业的集聚。第三个就是空间的规划安排,就是苏州工业园区产城融合。基于这几个点做中国特色智慧城市非常必要,第一个要把微软的运维学会第二产城开发结合,第三荷兰的产业集聚,应该在现有的智慧园区就是变成产城融合地产,其实地产可以做很多的地产,实现一个新的动能转化。

在这过程当中智慧城市建设包括城市治理,我们还体现ICT转型,我们在很多场合都要谈就是咨询外部化,第二是金融外部化、第三就是深耕你代表的作为。同时并驾齐驱是智慧办能力的建设,来和实现合作式的研究院规划最后实现ICT营收的本地化。

我们当时给上海提出了一个总结的思路按照数字经济和城市治理。我想这里面当中城市管理去年3也许就提出来了要把区块链和大数据结合起来,尤其是城市管理用区块链搞起初就是颠覆性的创新。这个我想说什么呢?就是整个智慧城市推进必须社会端的参与,虽然按照刚才说的的一些理论,完了以后就是卡项目产城融合是否空间生态自组织是否协同创新。这三个结合就瘦身很多的项目,完了以后就是定向招商完了产业集群加上政府投资平台上的基金来做一个好的健康的PPP,这是从国家的角度来讲也是有价值的。

北京大数据研究院院长助理邓攀:

大数据和人工智能的概念在城市治理和运行过程中推的越来越高。实际上是因为复杂的巨系统是需要一套新的思维方式和认识工具的根本型转变和创新。

像我们城市建立大量的感觉器官,比如说摄像机、摄像头是认识感觉器官一个新的转变,传统的认识大量的方法都是线性简单的加全等等,而我们现在听到一些模型、人工智能、机器学习等等这就是我们认识社会本质的方法创新。 最终我们是会提供给政府的社会治理和决策进行量化分析的支持工作这是我们认识工作的思维方式的创新。

我用曾经做过城市运行管理的案例跟大家分享一下大数据应用的过程。首先跟大家一起分享一下我们在大数据视野中怎么重现去看待交通。这是我在2014年的时候在贵阳做的一个具体工作,那个时候我们实现了大量交通监管基础设施,我们是建了两套承载网,整个的长度4千多公里,目前是1万多公里,当时我们建的摄象机是1791路,涉及到搞清搞清网络10180路,的每天产生2万条的数据涌入到系统当中,整体的视频累计1PB。

这是2013年的数据情况,我们当时光卡口的数据就已经170亿条,视频数据是突破了50PB,图片数据突破10PB,结构和数据20PB。我们拥有了这一些数据我们自然而然对整个城市车辆有很好的分析,我们怎么样把城市力量发挥起来,所以2014年还没有滴滴这一些网约车概念,我们就想试试看能不能用新的手段去抓一抓黑车,那个时候这动因也是因为黑车是可以罚款,一辆黑车大概一万块钱当时预估4千黑车,当时怎么抓黑车,既然有了这样数据支持,不能用传统蹲点的方式,我们自然而然想到用数据的方法,这是我们想到数据信息的方法,很简单像平时网上推荐一些广告,其实后台核心的算法是SVM项量机就是千人千面看到哪一个面。我们也想用到车上面。

我们为了分析黑车首先要对黑车进行一个分类,我们之所以把它分成职业黑车、业余黑车有一点像顺风车和专门拉黑活的车。据我们交管局的执法统计来看,发现有很多的黑车司机是直接从租车公司来租车,然后早晨和晚上两班倒就跟出租车一样,把这一些定义为黑车。这一些业余黑车偶尔拉拉黑活我们觉得抓他不合适,我们最重要的目的是想抓到职业黑车。

为了把他们抓的更好我们做了一个分类器首先我们把所有的黑车从整个贵阳市的车辆中找到就是没事天天在路上跑的车,他又是私家车牌照就是嫌疑的黑车我们在嫌疑黑车再进行分类我们用出租车和人工确定你是黑车的特征用普通私家车作为你不是的黑车特征这两种进行人工分类。首先大量的样本我们是把贵阳市所有的出租车都作为你是黑车这样的样本,另外是我们曾经抓获的一些黑车,包括交警在路上人工的黑车大概有160辆,我们先告诉机器什么样的行为才是黑车开车的行为,我们告诉机器什么样不是开黑车的行为,我们就找了一些普通私家车,我们把贵阳市所有的奔驰、宝马好品质的车轻易不会拉黑活,把它作为普通的私家车的样本数量,所以机器学习算法所以越来越准,其实我们可以更多的车确认为是黑车的样本,更多的车确认为不是黑车的样本这样是越来越准。

确认了大致的样本选择以后,我们是要告诉机器,到底它的特征是什么?我们当时和交管局从业务的角度、人工确认达到128个初始特征,其实在网上比较习惯给你弹广告来讲,其实他们光人工确认的特征应该就有将近上万个,所以可以看到广告的推荐越来越准。在人工推荐完了就需要精细的推荐,我们让机器分成0.1、0.2、0.3,这样进一步细化128个特征。就我老数据中找和这立方体更像就做了交叉样本的训练,通过交叉样本的训练我们最终找到黑车有哪一些。这是我们实际抓获的一个情况,就是我们找到了全部的嫌疑黑车是8408车辆其中现役职业黑车4705辆,正规的出租车是6910辆。

这是一个实际的黑车案例,我们可以看到抓黑车很方便我们有大量的摄像头,副驾驶的位置上人一直在换。同时用这样的数据做了一些其他的分析和治理的工作,当时为了支持刑侦,一个车老是跟着一个车不停的跑,这是在传统的抓捕过程中在没有数据支撑情况下你只能靠人工去跟,如果说直接的数据角度分析相对容易得多。而且我们对它的结果进行了一些统计发现还是蛮好玩的,基本上是以银行为起点也就是大量盗窃为主。同时我们也尝试套牌车这是交管局的业务。套牌车原来大量是说两个车套牌,但是现在的套牌车都是同车型号同车型这样的就不好抓,实际上应该同时两个同样牌照的车同车型的车不应该同时在路上出现,所以我们是用这样的数据分析方法也找了一系列的套牌车的治理,这是我们实际上套牌车治理的典型案例。

就像刚才张会长介绍到的,我们整个的拥堵治理上讲其实很多时候都是红绿灯的管控,大量分析车流量以后我们也用车流预测的方式对作为交通信号灯做了一些调控,效果还是蛮不错的就是整个道路交通量提升了6.7%,最大提升25%,拥堵损失时间平均减少7%,最大减少26%。

下面再跟大家分享一下我们在大数据的视野中描述一个人,首先这是贵阳还蛮特殊的案例就是数据铁笼是从交管的角度走。我们想如果药用一个笼子管住一个人首先要把这个人的权利描述清楚,所以我们首先对于交警的进行记录,就是执法过程进行了全跟踪,包括它的执法事情、执法的轨迹、执法的时间轴执法明晰等等,在这样的数据基础上我们就可以很好的进行风险的预警。包括我们把预警进行了层次分级,包括任务风险等等。

当发生预警的时候我们会推送到交警本人一级一级送,同样的基础上很好的对交警效益分析、执法的热点,违法的热点、执法排名等等。最终是可以很好的对它诚信的评价,包括把整个的交管内部的考勤、包括它的时间银行、信用指数、以及表彰记录和投诉处理等等都做了统计和分析。所以在这样的基础上我们形成了每一个交警的信息档案,通过业务制约模型加密的数据铁笼的结构。

就是说我们整个的酒驾业务的流程分析在这样的流程分析基础上找到所有的流程执行的风险点,同时我们去分析到底这一些风险点从支撑的有哪一些方法验证。然后以这为基础通过我们大数据的平台实现业务的建模数据的汇聚,最终实现执法的预警跟踪和反馈。这就是一个宣传片了我们踏理解为把原来的套人管理、靠人执行监督变成了数据管理、数据决策。就是我们从交管来讲再一次推荐到公安,所以经验型警务向数据型警务的转变。这整体的思路从交管开始我们发现管理么不,所以我们把政府部门的数据和刑侦等等一系列的公安数据以及互联网第三方数据统一进行了整体数据,到终端。用一个实际的案例过程。当时公安的核心业务就变成了和实际的持有人和管理我们就看一下整个的人口管理怎么做的。我们当时觉得公安民警里最复杂的业务其实是大量的社区民警的工作,我们觉得说大量的这一种普查工作占据了民警了大量的时间,所以导致民警因为他来不及干这一场活所以他们就会把大量的数据填成假数据导致我们进入系统就是假,所以我们想就通过数据的力量变普查任务为核查任务,就是对一个房屋的动态信息进行分析,就是WIFI水电煤提进行监控,当这数据发生异常的时候我们就形成需要核查的下发给民警让他们到出租屋进行系统的核查,核查的结果指挥中心实现数据激活所以这样大大降低民警的工作量也保证我们的数据准确性和灵活性。