摘 要:近年來城市安全問題頻發，暴露出我國在城市治理方面存在不足。物聯網已成為推動城市安全治理能力躍升的重要動力，但目前應用多聚焦于風險的實時管控，在提升風險預見性上沒有發揮出智能化優勢。基于前期在智能物聯網與城市安全治理領域的系統研發與應用工作，本文認為，通過智能物聯網提升風險預見性的關鍵在于加強風險預測與防范工作、注重全局視角和風險溯源、堅持以人為本、融合人機智能。

關鍵詞:智能物聯網 城市治理 安全管理 風險防范

【中圖分類號】D630 【文獻標識碼】A

2020年3月31日，習近平總書記在調研杭州城市大腦運營指揮中心時強調，讓城市更聰明一些、更智慧一些，是推動城市治理體系和治理能力現代化的必由之路，前景廣闊。

城市安全是城市治理體系和治理能力現代化建設的重要環節。近年來出現的城市安全問題，如上海外灘踩踏事件、天津特大爆炸事件、武漢新冠肺炎疫情等，暴露了我國在城市安全治理方面還存在一些不足。不少地區開始將大數據、物聯網、人工智能等新興信息技術，應用到城市治理中，并取得了一定的效果。但是，這些應用目前還主要聚焦于城市風險的實時管控，并沒有很好地發揮出物聯網的“智能化”特點，和習近平總書記提出的“讓城市更聰明、更智慧”的要求仍存在相當程度的距離。

如果把城市中泛在的物聯網視為城市安全治理大腦的“觸角”，對觸角每時每刻傳遞回來的時空軌跡及多媒體大數據進行深度融合與智能分析的能力，就決定了城市安全治理的智能化水平。“深度融合”意味著物聯網感知大數據與城市治理政務大數據的整合共享，以形成數字化生態網絡與推動城市治理創新的數據中臺。“智能分析”則意味著大規模機器學習和人工智能算法的廣泛使用，而這些算法應有適應治理業務需求并融合業務人員知識之能力，并能夠提升業務人員對城市風險的預見性，做到防患于未然。

筆者所在的北京航空航天大學經濟管理學院“數據智能研究中心”，長期致力于打造基于智能物聯網的城市安全管理系統，并深度參與了城市危險品運輸管理、多部門聯合新冠肺炎疫情防控預測、全國群體性事件分析等工作。工作經驗表明，要利用智能物聯網提升城市安全風險預見能力，必須切實做好以下幾點（在下文舉例中，用“項目團隊”代表筆者所在研究中心的參與成員）。

加強風險預測與防范工作

習近平總書記在十九屆中央政治局第二次集體學習時強調，要充分利用大數據平臺，綜合分析風險因素，提高對風險因素的感知、預測、防范能力。現有物聯網應用主要集中在風險的實時監控，在預測和防范方面投入不足。實時監控通過提供數據，支撐管理者事中決策和事后響應，體現了城市治理的信息化，而風險預測通過提供數據分析，輔助管理者事前決策和防范，體現了城市治理的智能化。例如，北京市危險品運輸管理工作中，項目團隊改變傳統以危險品車輛實時管控為主的思路，將風險預測作為核心工作任務，投入大量精力構建時空預測模型，通過分析危險品和人口分布的時空數據，預測風險出現的時間和地點，輔助業務部門提前部署防控資源。新冠肺炎疫情防控預測工作中，項目團隊投入了大量精力構建病毒傳播模型，基于傳染病動力學原理，預測未來確診病例數、實際感染人數，預測結果有力支撐了湖北省疫情防控策略調整、全國各省返工復產方案等重要政策的制定。

注重全局視角和風險溯源

在風險預測和防范的實際工作中，業務部門常由于防控資源有限，很難對所有安全隱患進行防控，造成風險預見性無法轉化為實際效能。究其原因，這類預測采用了“頭痛醫頭、腳痛醫腳”的局部視角，沒有從根本上改變業務部門疲于奔命的局面。相比之下，從全局視角出發的風險溯源將產生更明顯的效果。通過識別和解決風險源頭的隱患，業務部門將降低城市整體而非局部的風險。此外，風險溯源給業務部門充分的研判和資源調度時間，對防控資源的需求也大幅下降，因此具有更強的可行性。例如，在北京市危險品運輸管理工作中，項目團隊發現了一些長期出現、穩定的風險區域，并通過危險品車輛軌跡，構建了這些區域之間的風險傳染關系，從而發現了風險產生的多個重要源頭。業務部門集中力量對這些源頭展開治理，在不增加防控資源的情況下，有效降低了城市的風險。在新冠肺炎疫情防控預測工作中，項目團隊基于重點關注人群的移動軌跡，開展了疾病傳染關聯分析，完成了對傳染源的追溯，從而實現了對接觸者的快速鎖定和疫情阻斷，對山東司法系統某單位重大疫情的調查做出了貢獻。

堅持以人為本

城市安全治理常進入一個誤區，即聚焦危險本身而忽略了人的需求。例如，一些危險品的監控工作聚焦于危險品運輸車輛的軌跡，通過分析車輛實時定位系統所上傳的位置數據，將車輛聚集的區域認定為高風險區域。這種做法看似合理，但忽略了人的訴求。對于城市居民而言，危險品車輛較少但人流密集區域的風險，要高于危險品車輛較多但人流稀疏區域的風險。北京市危險品運輸管理工作中，項目團隊在收集危險品車輛分布數據的基礎上，加入了能夠反映人口分布的手機信令數據（居民手機和附近基站之間進行信號連接的次數記錄，不記名、不含隱私信息）。信令數據統計了任意區域手機用戶的數量，從而可以推斷該地區的人口數量。融合危險數據和人口數據的新變量，反映出最“致命”的城市風險。新冠肺炎疫情防控預測工作中，項目團隊在感染、發病、治療等健康醫療數據的基礎上，融合人口流動、路網結構、時空關聯等較為復雜的數據，借助深度學習的方法，實現了跨領域多源數據的深度融合，從而幫助業務部門全方位了解了城市居民的行為模式與安全需求，為開展精準疫情防控提供了重要支持。

融合人機智能

大數據和人工智能算法可以幫助業務部門快速發現疑似的風險源頭，但對于源頭的研判確認、風險傳染分析，以及相應治理方案的制定，還需要業務人員的深度參與，因為機器分析的結果不能有效考慮人的常識和經驗。例如，北京市危險品管理系統的分析結果顯示，北京市最重要的風險源頭是東四北大街和建國門內大街的一片區域，但數據分析結果不能解釋這一區域成為風險源頭的原因。基于業務人員的經驗，該區域的風險主要源自餐館對液化氣的需求。該地區是北京文化休閑和娛樂區，著名的“簋街”特色小吃一條街就在這里，其火鍋、烤魚、麻辣小龍蝦等特色餐飲吸引了眾多的食客，也導致餐館對煤氣罐等危險貨物的需求居高不下；運輸煤氣罐的車輛來往于簋街和郊外工廠，也提升了沿途區域的風險。基于這一原因，后續治理采用了鋪設天然氣管道的方式，使該地區告別了煤氣罐時代。在新冠肺炎疫情防控預測工作中，數據分析可以快速識別傳染源頭、傳播軌跡，但無法得出背后的原因和機理；而業務人員基于經驗，在數據分析結果的基礎上，可以對傳染源出現的原因進行合理評估，對傳播軌跡產生的機理進行合理推斷，從而制定有針對性的防控措施。

總而言之，物聯網和大數據的融合，為城市治理提供了智能化解決方案，逐漸成為推動城市治理體系和治理能力現代化的重要工具。智能物聯網在提升城市風險預見性方面有重要潛力，實現這些潛力的關鍵在于加強風險預測與防范工作，降低對實時管控的依賴；注重全局視角和風險溯源，避免頭痛醫頭、腳痛醫腳；堅持以人為本原則，構建的智能模型應該能夠反映人們的行為模式與安全需求；識別數據智能的應用邊界，將數據分析和人的常識、經驗相融合。

【本文作者分別為北京航空航天大學經濟管理學院教授，北京航空航天大學經濟管理學院副教授；本文系國家重點研發計劃重點專項課題“城市要素知識萃取與遷移學習”（項目號：2019YFB2101804）、國家自然科學基金重點項目“基于移動群智感知的物聯網大數據挖掘與應用”（項目號：71531001）階段性成果】

參考文獻

[1]吳俊杰、鄭凌方、杜文宇、王靜遠：《從風險預測到風險溯源：大數據賦能城市安全管理的行動設計研究》，《管理世界》，2020年第8期。

責編：周素麗 ／ 蔡圣楠

聲明：本文為《國家治理》周刊原創內容，任何單位或個人轉載請回復國家治理周刊微信號獲得授權，轉載時務必標明來源及作者，否則追究法律責任。