《1.全球智能城市评价指标体系》
1.全球智能城市评价指标体系
《1.1.现有智能城市评价体系剖析》
1.1.现有智能城市评价体系剖析
作为全球智能城市发展的评价标准，智能城市评价指标体系的建立并没有全球的统一标准[1]，其研制目标、主体、应用对象具有多元性。目前，全球共38组独立的智能城市评价指标体系，主要分布于东亚、欧洲、北美洲以及大洋洲等区域。这38组独立的智能城市评价指标体系的研制主体包含20个高校研究团队、8个政府部门、10个企业或协会，时间跨度为1995—2015年，见表1[2–23]。由于部分系统目前还在不断更新，如TU Wien体系[2]、ICF评价指标体系[3]等。
《表1》
表1 全球38组智能城市评价指标体系分析
(续表)
从指标体系的架构来看，在现有可查证的38组评价指标体系中，三级指标都可量化。在38组中，具有完整的一级、二级和三级指标的评价指标体系只有17组。这17组中只有龚炳铮指标体系[24]和中国智慧工程研究会指标体系[25]的二级指标可量化，所以在实际操作中，一个体系的二级指标的评价结果与其三级指标的评价结果存在自相矛盾的问题。38组评价指标体系中有17组只存在一级指标和三级指标；IBM评价指标体系和NSCI评价指标体系这两组较为特殊，为矩阵式评价体系[26]。
指标体系中的维度内容反映了指标体系所重点关注的要素[27]，也带有一定的价值导向性。一个相关的定量研究关注了2013年以前的20组评价指标，得到了在评价维度中关注排前三位的内容分别是智慧基础设施建设、智慧政府和智慧市民[28]。从维度的设置来看，本研究所关注的38组指标体系，还有关于智慧的经济产业、智慧的环境(也是维度中的重要内容)，都与智能城市的实践密切相关[29]。
从指标体系研制方法上看，具有完整的三个层级的指标体系，大多采用了常规的主观赋值的方式，如AHP、Delphi和专家会议方法相结合的方式。这种方式能够较好地利用专家资源和经验[30]，并能结合定性和定量因素整体考虑[31]。而不包含评价标准的指标体系则较多采用客观赋值方法，如GRA、PCA、TOPSIS和FCE等，主要是为了赋权重、排除关联较大的指标等的影响[31]。这类方法避免了通过二次分类或量化带来的人为因素干扰，直接实现了维度到指标的转换与选择。
《1.2.智能城市评价指标体系的缺陷及启示》
1.2.智能城市评价指标体系的缺陷及启示
为了给研制City IQ Evaluation System带来实质的帮助，除了向已有的指标体系学习外，还重点关注了这些体系中存在的缺陷，启示后续研制思想、方法与过程。我们分析了这些评价指标体系的缺陷，从研制主体缺陷、内容设置、方法、指标的数据源与结果四方面进行分析。
1.2.1.评价指标体系的主体缺陷
第一类主体研制缺陷表现为城市政府是研制主体。主要依照其城市的发展水平和标准来研制指标，使得评价指标体系存在天生的约束性，普遍适用价值较低，不能够来评价其他城市。这样的案例如中国的南京、宁波、上海浦东城市评价指标体系。
第二类主体研制缺陷表现为国家政府是研制主体。国家政府通过自上而下的行政力量制定指标，基本上是遵照其国内的发展情况和价值导向进行研制，无法进行跨国比较，没有普适性[28]。这样的案例如研制较早的澳大利亚体系、日本体系等。这一研制主体后来逐渐演变为第三种类型。
第三类主体研制缺陷表现为专业企业和国家的专业行政部门作为研制主体。这种类型的研制主体，一方面存在着以自我发展为目标的利益诉求，另一方面也沿袭了以本地情况作为评价指标体系研制的基础，不具有普适性价值。案例如国脉公司评价指标体系、中国智慧工程研究会体系。
而以学术研究团体为主体进行研制的评价指标体系，往往能够更加客观地从智能城市发展本质入手，进行评价指标体系的研制。City IQ Evaluation System立足于本研究团队，联合了中国工程院、德国工程院和瑞典皇家工程院等在内的国内外14家学术机构的275位专家共同研制，保证了研制主体的公正性和科学性。这也成为City IQ Evaluation System具有普遍适用价值的前提条件。
1.2.2.指标体系核心思想缺失与维度研制缺陷
从指标体系的内容设置上来看，存在的主要弊病体现在缺少效益评价、缺乏软件关注。评价维度中对投入指标的衡量较多，但对智能城市效益、效果进行衡量的指标较少[32]。另外，缺乏对于智能城市建设中软件部分的关注，如关注人的要素[32]和关注驱动发展的使用者的角度来评价智慧设施的建设、发展[33]和设施的使用状况等[34]。总的来看，不少指标体系着眼于过程的客观化，而忽视了指标体系所需要的核心理念支撑。因此，在指标体系设计中将平衡各方要素，综合硬件和软件的建设及反馈。
1.2.3.方法上的缺陷
从方法上来看，专家群对于指标体系的描述、方法的选取都会影响到指标体系的构成[30]。因此，虽然较多的指标体系都运用了Delphi和专家会议方法，但因专家或测评机构影响力较弱、权威性较低[35]，评价结果可能是无效的。
同时，我们还注意到层次分析法的结果，能够实现定量和定性指标的共存[31]，但这一方法在使用过程中会产生较难控制的主观干预[30]。因此，在指标体系的研制过程中既要综合定性和定量方法[36]，也要通过创新流程设计，充分利用专家资源。
1.2.4.指标选择与数据上的缺陷
从指标的数据源和指标结果方面来看，这些指标体系在指标数据来源方面反映出以下几点缺陷：第一，相同指标但不同对象的数据来源口径不同的问题[37]；第二，指标的数据源更新周期较长，数据不能动态调整[36]；第三，政府数据的不可靠性[37]；第四，指标数据源并非一手数据，真实性存疑[38]。而从指标结果来看，部分指标体系的结果不是相对数，缺乏可比性[38]。针对这些缺陷，在指标体系设计初期，就应考虑到指标的数据源的可靠性、开放性及实时可获得和测评的需求，且相同指标需要使用一个口径。而指标结论采用相对数，使结果更加合理，且增加了可比性。
《2.研制理念、方法与过程》
2.研制理念、方法与过程
《2.1.核心理论：智慧生命体》
2.1.核心理论：智慧生命体
在本研究所关注的指标体系中，部分智能城市评价指标体系更多基于可持续发展、信息化或生态化理论进行建构，如Patrizia Lombardi依托发展的三螺旋理论、基于智能城市主体建立的指标体系[1]。其余指标体系甚至缺失核心的理论支撑，而从技术层面，或从城市的信息化程度表现、硬件建设等方面进行指标体系建构。
我们认为智能城市评价指标体系应根植于智能城市的核心价值、认知与理论，即依据城市进化的哲学思想和所秉持的城市智能化发展趋势价值观[39]，形成“感知–判断–反应–学习”智能城市发展的四个循环阶段，推动城市的持续智能化过程，见图1。
《图1》
图1.智能城市发展核心理念图。
全面感知：在感应和传导基础设施及充分的数据和计算支撑下，时刻掌握各城市主体的需求和变化。借助射频识别(RFID)、红外感应器、全球定位系统(GPS)等，通过传感网、通信网、移动互联网等感知城市信息。
精准判断：在全面感知的基础上，对城市中发生的任何状态变化所产生的信息，都能及时地进行自动识别、数据筛选、计算判断。
反应恰当：基于精准判断而得到的城市发展情景，调动资源和生成预案，实现最少能源、资源、时间、社会心理消耗。
能够学习：通过前三个过程，智能城市能够反思学习，不断提升感知，改进决策模型和流程，实现持续进步和更高阶的智能化。
众多学者也都认同这一观点，认为智能城市是自组织、自适应，并具有进化能力的智能生命体[40]。以自我组织和学习过程为主导的社会创新是智能城市中不可或缺的一部分[2]。基于智能生命体以及其重要的四个内涵，我们从指标体系建构原则和方法层面进行了创新。
《2.2.创新研制步骤：基础City IQ Evaluation System-1.0版本》
2.2.创新研制步骤：基础City IQ Evaluation System-1.0版本
基于对智能城市以智慧生命体从四个内涵进行测量的原则和目标，本评价指标体系以City IQ Evaluation System命名，并在2013年研制了基础City IQ Evaluation System-1.0版本后，于2014年从普适、开放和动态数据源角度进行调整，得到了改进版本City IQ Evaluation System-2.0。并于2015年对测评结果引入偏差测智法进行标准化工作，得到了改进版本City IQ Evaluation System-3.0。这一部分以介绍City IQ Evaluation System-1.0研制过程为主，从初始指标获取、维度研制、指标遴选、指标调整和数据标准化五个步骤进行分析。
2.2.1.初始指标环：自三个渠道的基本220个指标
为了做到不漏选指标，指标体系研制团队从三个渠道构建指标环，供指标遴选环节使用。这三个渠道包括：专家建议、其他指标体系指标库以及研制团队提议。研究基于广泛的资源建构起了项目专家库：包括中国工程院、德国工程院、瑞典皇家工程院、住房和城乡建设部规划管理中心、国务院发展研究中心等单位在内的共14个单位的275位专家，从中获取了“城市可持续发展智慧监测指标”，共121个指标。从其他指标体系库中，获得了共153个指标。而研制团队新提案指标共38个。将这三个渠道的指标进行汇总、去重和归类，最终形成了包含220个指标的初始指标环，见图2。
《图2》
图2.包含220个指标的初始指标环。
2.2.2.维度：城市智慧度的五个维度
以城市为智慧生命体，作为重要的环节之一，指标体系的维度建设需要兼顾这一体系的表现方式。从传统的测评城市经济、环境和产业[28]，到ICT硬体建设，以及人在这一过程中的支持和互动作用[33]，都能够反映出城市在“感知–判断–反应–学习”这一过程的智慧程度，并能够突出智能城市发展环境、未来趋势、建设运营和本地参与的分目标。
基于对其他评价指标的评价维度设计的分析和专家意见，本指标体系形成了3+2的五个维度(表2)。三个对智能城市环境、经济与管理评价的维度，分别是建设与环境水平、管理与服务水平、经济与产业水平。两个支撑维度，从智能城市硬件条件和软件状态进行评价，分别是信息化水平、居民素养水平。图3展示了五个评价维度的内在逻辑。可以看到，本指标体围绕城市智慧度的测定，将产出要素和投入支撑要素[32]都容纳进来。
《表2》
表2 City IQ Evaluation System-1.0版本维度与指标
《图3》
图3.City IQ Evaluation System智能城市评价维度关系图。
2.2.3.指标遴选：智慧测量原则
指标遴选是本指标体系构建中的另一个关键环节。Carli等认为传统的城市智慧评价指标显得无效，只有做到智能计量、监控和管理，才能实现对城市智慧度的评价[41]。DeSantis等认为更贴近本地和人的评价方法、动态指标应用等是促进城市智商(IQ)测评发展的关键步骤[42]。
从遴选原则来看，结合不重复性和国际可行性这两个指标应具有的基本条件，及前文已分析的现有指标体系存在的指标缺陷，本指标体系特别强调了参评指标应具有的三个特点：统一口径、动态调整和开放数据。统一口径，要求指标的获得口径需能够提供覆盖所有城市的数据。动态调整，强调了指标口径数据的自我更新要快。开放数据，为避免政府数据发布的不准确、不可比和不确定的可信度[38]，强调了通过网络获得第三方开放数据。定性地从专家会议评分、Delphi法，结合定量分析的数据关联法、模糊评估法，从220个初始指标中遴选出了36个参与评价城市智慧水平的指标，见图4。通过这一步形成了City IQ Evaluation System-1.0版的智能城市评价指标体系。
《图4》
图4.指标遴选后包含36个指标的City IQ Evaluation System结构。
2.2.4.指标调整
2013—2014年间，对获得的36个指标进行了多次试评。试评选取了上海浦东、宁波、南京、武汉等城市进行测评。同时，通过中国智能城市建设与推进战略研究项目部，向院士专家发放56份问卷，特别是对各维度间的包含指标和内容进行了平衡。最终从36个指标中得到了最终的20个指标，即每个维度包含5个指标。
2.2.5.数据标准化
较多的指标体系同时包含定量测量和通过定性判定转化为定量测量的指标[31]，如在王振源指标体系中，通过定性判定实现级别量化[43]，定性指标定量化过程还存在于周骥DPSIR模型[28]、世界经济论坛评价指标体系、住房和城乡建设部指标体系、工业和信息化部指标体系等。本指标体系中的少量指标也采用了类似的处理方式，如突发事件应急反应水平这一指标，以数值100表示有详细的突发事件智能应急水平应用：包括城市政府网站有网上报案系统、应急事件预案、应急事件即时指导等。数值50表示有应用、无具体内容或者部分地区有应用。数值0：较差水平，表示没有应用。
为了实现定量指标和定性指标(能被量化的)的标准化应用，消除指标间不同量纲的影响，使得每一指标最终取值在0~100的范围内，符合百分制的评分习惯，也可反映各测评城市间同一指标的相对数值，更具可比性[38]。
数据标准化方法如下面的公式所示，本指标体系采用了第二类计算过程，即以本指标中的测评城市获得的最大值为100，其他城市依照与该城市的比值转化为相应的0~100间的值。数据标准化方法的选择是通过多次试验后确定的。
第一类：
第二类：
第三类：
，其中，
在对20项指标进行数据标准化处理后，得到了每一项指标在不同城市的表现，以数值0~100显示。各城市的每一维度总分为所包含的指标数值的平均值。城市智慧度总得分为五个维度总分的平均值。具体标准化处理和计算过程如表3所示。这一计算过程中，从指标到维度，从维度到最终综合得分，均计算平均值，一方面是因为指标体系设计时注意了各维度、指标间的均衡性，另一方面避免再次加权带来的反向作用以及对结果产生的不可比性等后果。
《表3》
表3 数据标准化及指标计算
《3.面向更普适、开放、动态的数据源：City IQ Evaluation System-2.0改进版本》
3.面向更普适、开放、动态的数据源：City IQ Evaluation System-2.0改进版本
《3.1.City IQ Evaluation System-2.0的内涵与数据源调整》
3.1.City IQ Evaluation System-2.0的内涵与数据源调整
City IQ Evaluation System-1.0经过多学术团体、专家的通力协作，通过指标遴选和调整，形成了City IQ Evaluation System城市智慧度测评的基础版本。这一包含36个指标的评价指标体系从指标选取、方法等角度都具有合理性。
但在经过初步测试后，发现其中一些指标存在数据获取困难，以及数据质量不理想的问题。同时，离研究团队所希望达到的更具全球普适性价值、动态、开放地测评城市智慧度的要求还存在距离，因此综合指标的数据质量、预评估结果以及专家的第二轮反馈意见，对36个指标进行了明确、删减和修正，形成了本指标体系的20个指标，见表4。
《表4》
表4 City IQ Evaluation System-2.0版本维度与指标(City IQ Evaluation System研制团队，2014)
这20个指标均满足了三个重要特点：全球适应性的数据、具有非政府干预的开放数据、及时和动态调整的数据。其中既包含定性测量指标，也包含定量测量指标[36]。
同时，与传统指标相比，这20个指标更加真实、及时地反映智能城市的感知、判断、反应和学习四个内涵，测量城市智慧度的创新方法。如城市PM2.5/PM10监测点密度，反映出对空气要素的“感知”水平，以及城市在应对环境变化议题上的“判断”和“反应”程度。又如，网上公众参与比例指公众通过网络将诉求传递给决策者，影响决策的程度，反映出城市在“感知”民意层面的灵敏的智慧表现。
最终，结合5个维度和20个指标的City IQ Evaluation System-2.0建构完成，见图5，图中显示了这一指标体系的全部内容，其中，由外向内圈层依次展示：220个初选指标、36个筛选指标、20个最终指标、5个维度和1个评价城市智慧度的核心。表4显示了5个维度所包含的20个指标的具体信息。
《图5》
图5.City IQ Evaluation System-2.0版本维度与指标。
《3.2.City IQ Evaluation System-2.0的全球各智城评价结果》
3.2.City IQ Evaluation System-2.0的全球各智城评价结果
为了测试City IQ Evaluation System-2.0的全球通用性，在对中国33个城市进行测评的基础上，与33个主要来自欧洲和美国的城市组成全球41个样本城市，一起进行智慧度测评。其中，新增的33个欧洲和美国城市均为在世界范围内广泛宣传其智能城市建设理念，并长期致力智能化建设实践的城市。表5展示了41个城市依照City IQ Evaluation System-2.0测评的结果。图6节选了其中9个城市的智慧表现，并同过City IQ Evaluation System-2.0分数罗盘对每个维度和指标的得分进行更为直观的可视化。
《表5》
表5 全球41个城市依照City IQ Evaluation System-2.0测评的结果
《图6》
图6.City IQ Evaluation System-2.0智慧度分数罗盘。
3.2.1.City IQ Evaluation System-2.0测评结果
以下是基于City IQ Evaluation System-2.0对全球41个城市的测评结果，见表5和图6。
3.2.2.City IQ Evaluation System-2.0 结果分析
从全球41个城市智慧度测评的结果来看，最高分为伦敦66，最低分为维罗纳26，相差2.5倍，体现了SCEIS的全球适用性和灵敏性。但总体来看，各城市间的相差情况比预想要低，证明所选择的41个样本城市确实算是世界智能城市实践中的代表。
综合平均值超过60的高分城市包括伦敦、阿姆斯特丹、赫尔辛基等。这些城市大都作为本国具有明显资源优势的城市，也是较为传统的全球城市区域或大都市区[44]。而维罗纳、桑坦德、马拉加、腓特烈港等城市得分低于40，多因注重发展个别方面，而非全局。例如，腓特烈港市采用以德国电信公司主导、政府配合合作的模式，推广通信技术的应用，发展知识城市[22]，其他方面涉及较少，测评结果的综合得分较低。
建设环境方面，得分最高为阿姆斯特丹98，最低为意大利维罗纳13，相差达8倍。这一维度的测评结果显示出了三个城市梯队：22个城市得分平均值超过70，12个城市平均值介于49~69，7个城市得分均不到40。
管理服务方面，得分最高为赫尔辛基75，最低为马拉加18，相差将近4倍。管理服务方面排名靠前的城市，多为国家政治、经济、文化等重要的中心城市，如波士顿、阿姆斯特丹、伦敦、上海浦东等，平均值均超过70。而金华、科隆、里昂等城市在公共服务领域的智慧化程度较低，得分不超过40。
经济产业方面，得分最高为华盛顿特区76，最低为维罗纳12，相差6倍多。其他国际城市在智慧经济产业方面区别不明显，证明了这些城市在智能产业和科研经费方面都位于国际前列。
信息化方面，得分最高为巴黎伊西莱穆利诺71，最低为桑坦德31，相差接近2.3倍。各国首都的平均值排名均在前列，宁波、无锡、镇江、上海浦东等中国城市的排名也较靠前。说明这些智能城市在硬件设施方面投入大、收效显著。
居民素质方面，得分最高为美国迪比克72，最低为湖北武汉11，相差约7倍。受网民比例、受教育人口比例、人均网购支出金额等指标的影响，资源优势型城市并没有在这方面有良好的表现。中国城市的排名普遍靠后，体现出了全球城市在这一指标上还存在较大差异。
《4.面向IQ测评导向：City IQ Evaluation System-3.0改进版本》
4.面向IQ测评导向：City IQ Evaluation System-3.0改进版本
《4.1.City IQ Evaluation System-3.0的内涵与偏差测智法引入》
4.1.City IQ Evaluation System-3.0的内涵与偏差测智法引入
从City IQ Evaluation System-2.0针对全球41个智能城市的测评结果中可以看出，这一评价指标体系具有较高的灵敏性，其在数据来源方面显示出了这一评价指标体系具有的更加普适、开放和及时动态的特点，这也是本评价指标体系与其他体系的重大差异，是对传统城市智慧度测评思想、方法的革新。
但与IQ测评方式相比，City IQ Evaluation System-2.0虽然实现了测评数据的及时动态等特点，但其结果仍然无法从群体角度反映智慧的整体化发展水平，与IQ的评价思想与结果存在一定差距，不能反映城市智能化程度，如同人的智慧程度不断向上浮动的弗林效应(Flynn effect)[46]。
因此，在2014年的City IQ Evaluation System-2.0版本的基础上，研究团队于2015年将IQ评价的思想和数据标准化处理方法引入City IQ Evaluation System的研制中，以达到将城市作为生命体来测量其智慧发育的初始目标。作为这一次调整的成果，City IQ Evaluation System-3.0改进版本于2015年研制完成，并投入应用。具体来讲，City IQ Evaluation System-3.0同样设定100分作为标准，但与City IQ Evaluation System-2.0将同一指标中样本最大值作设为100的IQ比值(ratio IQ)不同，City IQ Evaluation System-3.0引入IQ偏差测评方法，将各指标的平均值设定为100进行标准化处理，即Ai′=Ai/Amean，测评结果也类似IQ测评结果，见图7。
《图7》
图7.以100为平均值的IQ测试标准化结果(图片来源：https://commons.wikimedia.org/wiki/File:IQ_distribution.svg)。
这一结果进一步符合IQ测评思想和结果表现，也更加能够客观地反映测试样本城市在城市群体中的智慧度表现。
《4.2.City IQ Evaluation System-3.0的全球各智能城市评价结果》
4.2.City IQ Evaluation System-3.0的全球各智能城市评价结果
同样地，针对2014年基于City IQ Evaluation System-2.0版本进行城市智慧度测评的41个全球城市，以City IQ Evaluation System-3.0版本进行了新一轮的测评，结果如表6所示。图8展示了节选的9个城市基于City IQ Evaluation System-3.0测评结果的分数罗盘。对比表5和表6，可以发现由于数据标准化的100分基准由样本城市的最大值变为平均数，表6的各维度得分中出现了分值大于100的结果，图8同样如此。
《表6》
表6 全球41个城市的City IQ Evaluation System-3.0测评结果
《图8》
图8.City IQ Evaluation System-3.0智慧度分数罗盘。
4.2.1.City IQ Evaluation System-3.0测评结果
表6和图8是全球41个城市的City IQ Evaluation System-3.0测评结果。
4.2.2.City IQ Evaluation System-3.0结果分析
与2014年由City IQ Evaluation System-2.0测评的结果相比，2015年City IQ Evaluation System-3.0针对全球41个智能城市的测评结果显示出了以下的特点。
第一，City IQ Evaluation System-3.0测评结果基本与City IQ Evaluation System-2.0的测评结果保持总体排名的稳定。在小范围内个别城市略有浮动。较为明显的是泰州上升10名，华盛顿特区上升5名，无锡上升4名，巴黎伊西莱穆利诺下降5名，金华下降4名等。伦敦保持了第一名的位置，而最后6个城市名次未变。
第二，全球41个智能城市中，中国城市5个维度接近平均值的水平较低，但在个别指标方面表现突出，呈现出5个维度的不均衡发展。而欧洲和美国城市基本满足了5个维度均接近平均值，呈现出较为均衡的发展态势。见图9中各分数罗盘的平均值100红线。
《图9》
图9.全球41个智能城市IQ生长发育程度分析(根据ICES智慧度测评结果整理，2015)。
第三，总的来看，41个城市在智能城市管理与服务、智能城市建设与环境方面的变现更为突出。而在居民智能素养及智能经济和产业方面的表现较差。
这些结论一方面反映了经过一年的发展，各城市在智能城市建设和经营方面取得不同程度的发展，进步较慢的城市在一些维度中反而相对退步；另一方面，由于数据标准化将值100由原先的样本最大值变为平均值，也能够更加直观地反映发展超出平均水平的城市。
这进一步证明了City IQ Evaluation System-3.0与City IQ Evaluation System-2.0相比，灵敏度并未减弱，反而更加强调与平均水平的比较优势和劣势。
4.2.3.CityIQEvaluationSystem-3.0结果分析
进一步将City IQ Evaluation System-3.0中的五个维度按城市智能所依托的硬件和软件的发育程度分类，建设环境、经济产业、硬件设施的三大方面作为该智能城市的智能生长硬件，取各维度的平均值，管理服务和居民素质作为智能发育软件，同样取维度平均值。综合前一阶段对全球41个城市的智能测评结果，将其分布于智能生长硬件和智能发育软件坐标系，以100作为生长发育程度的高低分界，同样见图9。
第一组团(左下)：智能硬件与软件生长发育程度都较低。包括大多数中国智能城市以及部分欧洲智能城市。处于该阶段的城市多为选择智能城市某一方面进行建设，且处于智能城市从理念转向实际行动的初级阶段。
第二组团(右下)：智能硬件生长程度高，软件发育程度低。来自中国的城市占据了这一阶段的主要部分。这反映出这些城市在短期内达到的智能基础设施建设的大量投入和成效，但智能管理服务和居民素质并不是在短期能够得到显著提升的。
第三组团(左上)：智能硬件生长程度较低，软件发育程度高。城市以公共服务的智能化优先于基础设施等的硬件智能化建设，诸如在管理、商业、教育等方面均有比其他城市更多的智能化措施和政策的投入。
第四组团(右上)：智能硬件与软件生长发育程度均较高。位于这一象限的城市不仅体现出了在智能基础设施等硬件方面建设投入的实效，还反映了在智能软件方面所具有的实力，而这种实力较难通过短期的城市建设、政策刺激和投资实现。
《5.结论》
5.结论
分析了全球38组ICESs，研究显示现有的ICESs并不完全可靠，因为现有指标评价体系的数据源受到各国统计体系的影响，缺乏全球可比性。这些体系的数据来源均不同程度受各国、各研制机构的背景影响。为了避免评价体系过于主观，本评价体系应该开放公共数据，并致力于实现实时的数据更新，以更精准地反映快速的城市变化。基于此，本评价体系所得到的测评结果显得更具全球可比性和可信度。
(1)智慧生命体的理论支撑。智能城市评价指标体系应当根植于智能城市理论。本研究以智慧生命体理论作为指标体系建立核心思想，围绕将智能城市看作可“感知–判断–反应–学习”四个内涵持续智化的生命体，相较于基于可持续发展、信息化和可持续等理论建立的指标体系，或单纯从技术层面衍生出的评价指标体系而言，更具开创意义和价值，也更加周全、可靠。
(2)普适、开放和动态的指标数据源。在City IQ Evaluation System-1.0符合智能城市评价体系的基本条件、科学性等要素的基础上，City IQ Evaluation System-2.0将指标来源从传统的数据源调整为更具全球普适性、网络开放、及时和动态调整特征的数据源，避免了现有指标体系中数据存在的获取不直接、可信度不高、来源不同口径、无法动态调整等问题。而这也是本评价指标体系区别于其他指标体系的重要特点。
(3)借鉴IQ测评思想与方法。在最终针对中国国内8个城市以及国际41个城市的智慧度测评中，在指标、维度和综合得分阶段采用了相对值的标准化方法，City IQ Evaluation System-2.0将样本城市指标的最大值设定为标准值，而City IQ Evaluation System-3.0进一步引入IQ测评方法中的偏差测智法，针对数据标准化进行改进，以样本城市各指标的平均值作为100分进行测评。IQ的测评思想和方法的引入强化了将智能城市看作城市生命体这一观念，也更具合理性。测评结果显示出了City IQ Evaluation System系列的较高灵敏性。
当然，City IQ Evaluation System系列评价指标体系后续也将历年更新，不断对指标、指标数据源进行改进和提升，最终为推动智能城市的建设、运用和发展提供更具价值和公信力的测评结果。
《致谢》
致谢
City IQ Evaluation System以及本文的完成，需要感谢Dr. XU Xingjing, Prof. CAO Buyang, Prof. LIU Yan, Dr. SHAN Tubin, Mr. KONG Linyu, Ms. ZHANG Weijun, Mr. ZHANG Heng，赫尔佐格教授，Muler教授，Prof. Dr. Klaus Kornwachs等。感谢来自于中国工程院、德国工程院、瑞典皇家工程院、住房和城乡建设部规划管理中心、国务院发展研究中心等单位的专家、院士提供的宝贵意见和给予本研究Contribution的关注。感谢唐小薇女士的贡献。
感谢中国工程院2015重点项目“中国新型城镇化的智能建设战略研究”(2014-XY-47)和中国工程院课题“智能城市的规划建设与大数据战略”(2014-XX-01)的资助。
京公网安备 11010502051620号
