基于BP神经网络的智慧城市发展水平评价研究.pdf

收稿日期:2 0 2 2-1 0-2 6作者简介:王锐(1 9 9 6),男,江苏宿迁人,硕士研究生,研究方向:科技创新、区域经济、城市发展。王婷(1 9 9 9),女,江西赣州人,硕士研究生,研究方向:国际金融。基于B P神经网络的智慧城市发展水平评价研究王 锐,王 婷(华北理工大学 经济学院,河北 唐山 0 6 3 2 1 0)摘 要:文章利用熵权法测度出1 8个智慧城市发展水平的期望值,通过建立B P神经网络模型,选择其中1 6个智慧城市作为训练样本,将剩下两个智慧城市作为检测样本,检验训练B P神经网络的误差度。结果表明:以基础设施、经济、民生、政府、环境及创构建指标体系,训练出的B P神经网络模型能够有效预测相应智慧城市的发展水平,1 8个智慧城市中除一线城市外,其他各智慧城市整体发展水平需要提升。关键词:智慧城市;熵权法;B P神经网络;发展水平 中图分类号:F 4 9F 2 9 9.2 文献标识码:A 文章编号:1 0 0 76 9 2 1(2 0 2 3)1 40 0 3 20 5 改革开放以来,随着中国新型城市建设速度的不断加快,大量人口向城市迁移,人口空间分布已经发生了集聚性的改变。根据2 0 2 0年农民工监测调查报告 显示,全国进城务工人员达2 8 5 6 0万人,随着城市人口的增加,各种问题也随之而来,环境污染、生态恶化、交通拥堵、就业矛盾、人均医疗资源匮乏以及公共服务不足等“城市病”都在考验着城市的规划者与建设者。因此,城市的规划建设变得越来越重要,既要保证城市经济发展求稳向好,又要保障城市内群众的资源、环境、公共服务等公平化。智慧城市作为当今城市可持续发展的高级形态,是谋划城市整体发展布局,促进科学技术发展,创造更多就业岗位,改善城市生态环境的有效方案。智慧城市是指在城市规划、设计、建设、管理与运营等领域中,通过物联网、云计算、大数据、空间地理信息集成等智能计算技术的应用,使得城市管理、教育、医疗、房地产、交通运输、公用事业和公众安全等城市组成的关键基础设施组件和服务更互联、高效和智能,从而为市民提供更美好的生活和工作服务、为企业创造更有利的商业发展环境、为政府赋能更高效的运营与管理机制。智慧城市的发展一方面是通过万物互联的物联网络实现智慧管理与运营,即在高速、完善的网络设施下,以新的信息技术将整个城市的公共服务、生态环境、经济管理等信息纳入一个或几个智慧终端中,推动智慧城市在技术创新层面的突破;另一方面是将创新知识融入城市的文化的推广中,技术创新层面的进步带来了知识流动隔阂的消除,各类社会主体与经济组织之间界限开始模糊,技术知识交流与分享变得频繁,由此带动了社会的产业链结构、政府的管理方式和整个城市以生产为主要目标向服务为主要目标的转变。1 文献综述城市化进程的加快伴随着智能技术的兴起,“智慧”一词也成为热门话题,并在各个领域中进行实践和应用,I BM公司在2 0 0 8年便提出“智慧城市”的概念,利用雄厚的资金、先行技术的沉淀,推动“智慧城市”相关概念、技术、评价研究的兴起1;T r e n c h e r G2利用二分法作为分析框架,考察了日本福岛的会津若松智慧城市如何构建和实施智慧城市作为应对内生社会挑战的工具。调查结果揭示了利用数据和I C T满足居民需求、改善生计和广泛分享智慧城市利益的无数新方法;S h a m s u z z o h a A等3通过对赫尔辛基、新加坡和伦敦的参与智慧城市战略的比较,利用归纳推理产生关于智慧城市的形式、有效性和未来的论点和结论,研究表明,当前对智慧城市的研究并没有完全解决智慧城市目标的复杂性、冲突性和相互依赖性;B r a g a I F B等4基于多准则决策分析(MC D A)原则,通过利用决策试验和评价试验法(D EMAT E L)方法,开发了一个多准则模型,结果得到了专家组和葡萄牙埃武拉市议会内负责交通232 0 2 3年7月内 蒙 古 科 技 与 经 济J u l y 2 0 2 3第1 4期 总第5 2 8期I n n e r M o n g o l i a S c i e n c e T e c h n o l o g y&E c o n o m yN o.1 4 T o t a l N o.5 2 8和市政项目的市议员的验证,所提出的评估系统可以用作促进智慧城市协作决策过程的工具;M a s i k G等5的研究确定了波兰大城市在可持续发展方面的优先领域,以及社会基础设施和人力资本对发展目标的影响程度,研究结果表明,在参与式治理、提供服务数字化、解决社会需求以及将可持续发展议程与更广泛的城市发展目标联系起来等方面已经发生了制度变革。国内主要通过建立计量分析模型研究各智慧城市发展水平,如:田秀林等6通过建立多时点双重差分模型、中介效应检验模型、面板分位数模型考察了智慧城市建设对城市创新产出的作用机理;楚尔鸣等7通过对中国2 0 0 52 0 2 0年2 0 8个地级市的面板数据进行多期D I D实证分析,探索智慧城市建设与市域社会治理能力提升的关系,并提出了拓展智慧城市应用领域、疏通传导渠道、注重因地制宜、强化信息安全等政策建议;李智超等8基于政策话语视角,刻画中国智慧城市建设不同阶段多元主体的话语特征及其结构,分析智慧城市“海外概念政策理念政策实践”的政策话语演化过程发现,智慧城市从概念引入到全国铺开,呈现为“概念导入阶段探索实践阶段全面发展阶段”3个阶段;张节等9对2 0 0 82 0 1 8年中国2 1 2个地级市面板数据,构建双重差分模型,评估智慧城市建设对城市科技创新能力的政策影响效应,并对城市异质性进行拓展分析。通过对国内外的相关文献整理总结可以发现,国外关于智慧城市建设的关注点在于“以人为本”为基础上,建设知识型的创新2.0社会,分析智慧城市中的政策、人力资本、管理模式等对人的主要影响。国内关于智慧城市的研究主要为智慧城市对社会各个方面的影响,如:城市创新、社会治理能力、政策体系、城乡收入差距、资本市场信息效率以及经济高质量发展等,对于评价研究智慧城市发展水平的研究较少,评价研究的主要理论模型多为因子分析、层次分析法以及熵权TO P S I S模型等1 0-1 2。在立足于前人研究的基础之上,总结分析智慧城市中关键的自变量影响因素,以北京市、沈阳市、上海市、杭州市、宁波市、福州市、厦门市、济南市、郑州市、武汉市、广州市、深圳市等1 8个市作为研究对象,建立较为详细的评价分析指标结构体系,通过使用B P神经网络模型对数据指标进行学习与分析,避免人为确定权重的主观性和模糊性,为测度中国智慧城市的发展水平提供一种思路,为相关领域的研究提供具备直观性的研究方案。2 智慧城市发展水平评价指标与数据根据由发改委、工信部、科技部等八部委印发的 关于促进智慧城市健康发展的指导意见,综合考虑数据可得性、指标体系的科学性、各智慧城市间的可比性,将特色指标与通用指标、定性指标与定量指标相结合,构建了智慧城市发展水平评价指标体系,涵盖基础设施、经济、民生、政府、环境及创新6个方面,如表1所示。表1 智慧城市发展水平指标体系一级指标二级指标单位医院、卫生院数个境内公路总里程k m基础设施建设水平固定宽带接入户数万户移动电话用户数万户邮电业务总量亿元普通高等学校专任教师数人人均地区生产总值元经济发展水平外商投资企业数个第二产业增加值占GD P比重%社会消费品零售总额万元城镇职工基本养老保险参保人数人民生保障水平城镇基本医疗保险参保人数人失业保险参保人数人职工平均工资元在线办理成热度指数%服务方式完备度指数%智慧政府服务水平服务事项覆度指数%办事指南准确度指数%地方财政一般预算内收入万元科学支出万元创新驱动能力专利授权数件研究与试验发展(R&D)人员折合全时当量人/年研究与试验发展(R&D)经费内部支出亿元工业二氧化硫排放量t智慧环境绿化水平生活垃圾无害化处理率%可吸入细颗粒物年平均浓度g/m3建成区绿化覆盖率%以上指标数据选取2 0 2 0年最新相关数据,受疫情影响2 0 2 1年部分城市未更新统计数据。相关数据来源一方面是国家统计年鉴、各市统计年鉴及所在省份统计年鉴、科技统计年鉴、中国城市统计年鉴等相关统计年鉴,部分缺失数据通过历年数据和按比例推算得出;另一方面来源于各省和各市的政府统计公报、中央党校(国家行政学院)电子政务研究中心的2 0 2 1年度省级政府和重点城市一体化政务服务能力调查评估结果 以及复旦大学数字与移动治理实验室的开放数林指数。3 智慧城市发展水平模型3.1 模型概述33王锐,等 基于B P神经网络的智慧城市发展水平评价研究2 0 2 3年第1 4期发展水平评价模型纷繁复杂,相关论文使用的模型主 要 包 括:熵 权TO P S I S模 型、AH P模 型、D E A模型、因子分析模型等,以上模型都各有优劣。智慧城市发展作为一个复杂结构的模型,智慧发展水平作为唯一的因变量并不由一个或多个自变量因素简单加权得出,而是受多种自变量的非线性影响,模型的逻辑关系符合B P神经网络的构建基础。通过利用熵权法得出智慧城市评价得分作为B P神经网络训练样本的期望值,对输入数据进行无量纲化处理后,选取部分数据进行训练,最后用训练完成的神经网络对剩余数据进行计算,将其计算结果与熵权法计算所得结果进行误差分析,以此评价B P神经网络的学习成果。3.2 建立评价模型3.2.1 熵权模型熵权法作为一种客观赋权法,是指根据各项指标观测值所提供的信息的大小来确定指标权重,在具体使用过程中,根据各指标的数据的分散程度,利用信息熵计算出各指标的熵权,再根据各指标对熵权进行一定的修正,从而得到较为客观的指标权重。熵权法仅利用原数据进行计算,避免了人为确定各指标权重的主观性,得出智慧城市评价得分较为客观。熵权法模型一般形式如下:假设对n个评价对象的m个指标建立初始矩阵P:P=p1 1p1 2p1np2 1p2 2p2npm1pm2pm n(1)3.2.1.1 原始矩阵标准化。矩阵P进行正负指标的离差标准化的处理,标准化的公式如下:Qi j=pi j-m i n1inpi jm a x1inpi j-m i n1inpi j,pi j为正向指标m a x1inpi j-pi jm a x1inpi j-m i n1inpi j,pi j为负向指标 (2)经过标准化处理后的矩阵Q为:Q=q1 1q1 2q1mq2 1q2 2q2mqn1qn2qn m(3)式(3)中,qi j为第i个评价对象在第j个指标上的标准值(i=1,2,n;j=1,2,m),0qi j1。3.2.1.2 熵权确定。关于各评价指标熵权的确定,首先计算第j个评价指标下第i个评价对象的特征比重:ri j=pi jni=1pi j(4)其次,计算第j个指标的熵值:ej=kni=1 ri jl n(ri j)(k=1l n n,0ej1)(5)接着,计算各指标的熵权:wj=1-ejm-mj=1ej(0wj1,mj=1wj=1)(6)最后,计算得分为:Si=nj=1wjQi j(7)3.2.2 B P神经网络模型B P神经网络作为最通用的多层感知器算法,其具有网络上各点全连接的特点,即网络上的任一神经元都与前一层神经网络上的神经元全连接,其次是B P神经网络作为多层前馈架构,各信号从左向右依次经过输入层、隐藏层和输出层。B P神经网络作为一种非线性的模型,构建该模型不需要指定的映射关系的函数,通过输入大量刺激信号和响应信号的样本,即可对B P神经网络进行训练,神经网络会根据多次学习精度调整各连接层间的权值与阈值。同时,B P神经网络还具有自适应能力、学习能力和容错能力,当输入样本数量足够大时,个别误差或错误样本对整体网络的学习影响较小。B P神经网络模型,如图1所示。图1 B P神经网络拓扑结构体图1中X1、X2Xn是输入的原数据,通过利用S P S S的Z-s c o r e法进行无量纲化处理,Y1、Y2Yn为B P神经输入层数据,P1、P2Pm为隐含层节点数,S为输出层且输出数据个数为1。隐含层节点数m数量的确定非系统指定,而是在一定范围之内选取,节点数选择过小,则神经网络从输入层获取的信息量较少,节点数选择过大,则会导致神经网络误差较大,一般节点数的选择从一个数据区间内选取,综合采用以下几种方式选取:m=n+i+a(8)43总第5 2 8期内 蒙 古 科 技 与 经 济m=n i(9)m=l o g2n(1 0)式中,m为节点数、n为输入层个数,数值为三级指标个数2 7,i为输出层个数1,a为常数且取整值,取值范围为1,1 0。根据以上公式计算m的范围值,并依次利用B P神经网络进行训练,以最小误差节点作为节点数。通过B P神经网络训练样本所得结果,最终选定m值为1 0,即最终B P神经网络模型拓扑 结 构 为2 71 01的 训 练 网 络。借 助MAT L A B软件的神经网络拟合工具箱,选择量化共轭梯度算法对样本地区进行学习,并将1 6个城市作为训练学习样本,另外两个城市作为检验样本对B P神经网络的学习结果的验证。4 实证研究4.1 熵权模型通过公式(1)(7)的步骤对北京市、沈阳市、上海市、杭州市、宁波市、福州市等1 8个智慧城市发展水平期望值进行熵权计算,结果如表2所示。表2 各智慧城市发展水平期望值城市期望值城市期望值城市期望值北京市1 0 0.0 0 0 0厦门市2 7.0 4 5 2成都市4 5.1 7 0 6沈阳市3 1.8 1 6 7济南市3 7.2 0 0 2昆明市3 0.0 9 5 6上海市9 4.1 5 9 8郑州市3 5.2 6 6 2西安市3 1.5 9 9 3杭州市5 4.1 8 4 1武汉市4 5.7 8 5 1兰州市1 8.0 6 1 3宁波市4 2.2 8 9 6广州市5 6.2 2 4 8天津市4 5.3 1 8 8福州市3 0.8 4 0 3深圳市7 4.1 0 1 8青岛市4 0.7 6 1 5 以上智慧城市包括直辖市、省会城市、经济特区城市以及地级市,且各城市期望值差异明显,与其所属城市类型、地域分布等具有一定的相关性。4.2 B P神经网络模型选取北京市、沈阳市、上海市、杭州市、宁波市、福州市、厦门市、济南市、郑州市、武汉市、广州市、深圳市、成都市、昆明市、西安市和兰州市的输入数据和期望值作为训练样本建立的B P神经网络模型,将天津市和青岛市的输入数据经过建立起的B P神经模型得到输出值,并把输出值与熵权模型所得到的期望值做对比。如训练出的神经网络模型对直辖市和地级市两个不同类型的智慧城市都适合,那么说明该模型具有普适性。通过对模型的训练结果可以看出,模型训练结构为2 71 01,如图2所示。图2 B P神经网络训练模型结构图训练模型如图在第6次迭代时达到了最优水平,梯度值为1.6 2 0 6,B P神经网络训练过程曲线及梯度变化曲线,如图3所示。图3 训练结果曲线B P神经网络回归结果全部R值为0.9 8 4 4 6,训练R值为0.9 8 6 3,整体回归拟合度良好,如图4所示。图4 B P神经网络回归图总观各数据及相应的训练结果图,可以看出训练的B P神经网络满足相应要求,模型建设成果需要通过输入新的数据进行验证。将天津市和青岛市各指标值无量纲化作为输入层数据,运行训练的B P神经网络模型,将B P神经网络计算出的输出层数值与熵权模型计算出的期望值进行比对,具体情况见表3。表3 验证数据输出值与期望值对比城市期望值训练值绝对误差相对误差/%天津4 5.3 1 8 84 7.0 7 4 91.7 5 6 13.8青岛4 0.7 6 1 54 0.6 4 2 40.1 1 9 10.3 如表3所示,期望值与训练值二者之间的绝对误差和相对误差均在可接受的范围之内,说明训练53王锐,等 基于B P神经网络的智慧城市发展水平评价研究2 0 2 3年第1 4期的B P神经网络能够有效预测相应智慧城市的发展水平,可用于其他智慧城市发展水平的评估。5 结论与建议5.1 结论智慧城市发展水平研究以基础设施、经济、民生、政府、环境及创新6个指标作为重要的考察方面,利用熵权法模型可以得智慧城市建设发展水平的期望值,并在此基础上训练的B P神经网络表现出仿真和深度学习的优势性,为评判其他智慧城市的发展水平提供了一种新的思路和方法。智慧城市的发展水平与多方面影响因素有关,总体来看城市建设水平越现代,经济、政治、文化水平等越中心化,智慧城市发展水平就越高。从智慧城市发展水平期望值前四名北京市、上海市、深圳市、广州市来看,4个城市也就是常称的“北上广深”是中国综合实力和竞争力相对处于最领先的层次,又被称作一线城市。其他各智慧城市期望值相较于一线城市来说较低,但是各自之间期望值分数相差并不大,集中于3 05 0之间,整体发展水平需要有质的提升。5.2 建议根据构建的指标体系中的基础设施建设水平、经济发展水平、民生保障水平、智慧政府服务水平、创新驱动能力以及智慧环境绿化水平这6个指标作为建设智慧城市的关键因素,考察各智慧城市在建设上的短板和不足。通过B P神经网络将定性研究转变为定量研究,根据神经网络的输出值评价智慧城市的发展水平的优劣,并根据指标体系强化各自薄弱部分。最后,需要将成熟的B P神经网络结构打包成固定的评价程序,对智慧城市的各指标的具体数值进行动态化、常态化的检测,随时更新整体发展水平评价值。期望值排名靠前的一线城市要在保持当前的建设方案和力度上,加大科技创新的力度,将科技的研发作为智慧城市发展的首要动力,促进经济的长期稳定向好发展、居民生活的绿色健康、政府服务的便利化以及基础设施的完善等,保障产业链的优化升级。更重要的点在于,排名靠前的智慧城市要充分保障知识、人才、资金等各种智慧城市发展资源的自由流动,主动破除各智慧城市以及普通城市之间存在的隔阂与壁垒,充分发挥外部效应和规模效应的作用,带动周边城市的建设与发展,做好模板示范带头作用,为建设“全国统一大市场”贡献自己的力量。期望值较低的智慧城市要对照智慧城市发展指标体系,寻找出自身当前存在的短板,对标期望值较高的智慧城市以其为发展模板,补足自身不足之处,推动城市整体更好更快发展。参考文献1 P a r o u t i s S,B e n n e t t M,HE R A C L E OU S L.A s t r a t e g i c v i e w o n s m a r t c i t y t e c h n o l o g y:T h e c a s e o f I BM S m a r t e r C i t i e s d u r i n g a r e c e s s i o nJ.T e c h n o l o g i c a l F o r e c a s t i n g a n d S o c i a l C h a n g e,2 0 1 4(8 9):2 6 2-2 7 2.2 T r e n c h e r G.T o w a r d s t h e s m a r t c i t y 2.0:E m p i r i-c a l e v i d e n c e o f u s i n g s m a r t n e s s a s a t o o l f o r t a c k-l i n g s o c i a l c h a l l e n g e sJ.T e c h n o l o g i c a l F o r e c a s-t i n g a n d S o c i a l C h a n g e,2 0 1 9(1 4 2):1 1 7-1 2 8.3 S h a m s u z z o h a A,N i e m i n e n J,P i y a S,e t a l.S m a r t c i t y f o r s u s t a i n a b l e e n v i r o n m e n t:A c o m p a r i s o n o f p a r t i c i p a t o r y s t r a t e g i e s f r o m H e l s i n k i,S i n g a p o r e a n d L o n d o nJ.C i t i e s,2 0 2 1(1 1 4):1 0 3 1 9 4.4 B r a g a I F B,F e r r e i r a F A F,F e r r e i r a J J M,e t a l.A d e m a t e l a n a l y s i s o f s m a r t c i t y d e t e r m i-n a n t sJ.T e c h n o l o g y i n S o c i e t y,2 0 2 1(6 6):1 0 1 6 8 7.5 M a s i k G,S a g a n I,S c o t t J W.S m a r t C i t y s t r a t e g i e s a n d n e w u r b a n d e v e l o p m e n t p o l i-c i e s i n t h e P o l i s h c o n t e x tJ.C i t i e s,2 0 2 1(1 0 8):1 0 2 9 7 0.6 田秀林,赵华平,张所地.智慧城市建设对城市创新产出的作用机理与实证检验J.统计与决策,2 0 2 2,3 8(1 7):1 8 4-1 8 8.7 楚尔鸣,唐茜雅.智慧城市建设提升市域社会治理能力机制研究:来自中国智慧城市试点的准自然试验 J.中南大学学报(社会科学版),2 0 2 2,2 8(4):1 3 9-1 5 0.8 李智超,刘少丹.智慧城市在中国的话语实践:基于政策话语网络的分析J.华南师范大学学报(社会科学版),2 0 2 2(4):4 5-5 8,2 0 5-2 0 6.9 张节,李千惠.智慧城市建设对城市科技创新能力的影响J.科技进步与对策,2 0 2 0,3 7(2 2):3 8-4 4.1 0 胡军燕,修佳钰,潘灏.基于面板数据的城市智慧度评价与分类J.统计与决策,2 0 2 0,3 6(7):7 6-8 0.1 1 何琴.基于AH P的智慧城市建设水平评价模型及实证J.统计与决策,2 0 1 9,3 5(1 9):6 4-6 7.1 2 任亮,张海涛,魏明珠,等.基于熵权T O P S I S模型的智慧城市发展水平评价研究J.情报理论与实践,2 0 1 9,4 2(7):1 1 3-1 1 8,1 2 5.63总第5 2 8期内 蒙 古 科 技 与 经 济