智能城市影响因子

智能城市影响因子

感谢邀请

5G让智能的万物能够互联，实现了大规模机器间的相互通信，这给了我们无限的遐想。那么在可见的未来，5G究竟会给各行各业带来哪些改变，它将怎么影响着各领域的变革呢？而各行各业对5G又是否重视呢？

5G将用计算解决通信问题、用通信解决计算问题，以支持海量设备的互联和海量数据的传输及处理。5G不仅仅关乎手机和电脑，还关乎无人驾驶、虚拟现实、智能家居、智慧城市等前瞻性应用领域。它不仅是通信技术的演进，还拥有比无线通信行业更广泛的生态系统。并且5G将具有适用于热点高容量场景、低功耗大连接场景、低时延高可靠场景。

在未来，手机和电脑的应用水平将不再受限于设备本身的配置，而是可以借力云端更强大的处理能力。包括工业控制、无人驾驶等这些全新的5G应用也将受益于计算和通信相互融合带来的乘法效应。5G将赋能并倍数放大经济发展。它也将带来巨大的环境和社会效益，让用户享受到前所未有的精彩体验。

无人驾驶领域。5G将无人驾驶汽车能够使用基于云的人工智能和数据，并与路上其他汽车和路灯等交通基础设施近乎实时地“沟通”。这将改善交通拥堵，带来更安全、高效和轻松的驾驶体验。

而电动汽车和共享无人驾驶汽车相结合，将大大降低碳排放量，具有重要的环境和社会意义，中国政府正在积极加快部署零排放和无人驾驶汽车。行业内百度无人驾驶、谷歌无人驾驶以及各个车企的无人驾驶项目都纷纷布局5G，未来3-5年内我们将看到关键性成果。

智慧城市。随着5G建设的推进，它能够连接数以亿计的物联网设备，让智慧城市成为现实，这将带来环境(能效、空气质量、清洁水)和社会效益(应急响应的无人机、城市结构的安全性)。中国正在规划超过285个智慧城市项目，以改善和提高市民的生活质量。

游戏领域。让电子竞技“不稳定因子”的网络延迟成为过去时；让增强现实中的游戏角色变得更加智慧、敏捷；将云计算的强大计算力量引入虚拟现实，为狂热的游戏迷降低虚拟现实游戏的成本负担。而在VR/AR游戏方面，其未来将在云端进行动画渲染等计算量较大的工作，而为防止VR游戏产生眩晕感，MTP(Motion To Photons，从头动到显示出相应画面的时间)需要小于20ms。在云VR场景下，要求通信网络的传输时延小于10ms，5G将满足这一切需求。

除了这些领域，5G还将在智能制造、远程控制等等方面发挥巨大的作用。5G正在将人类带到一个更为广阔的世界，但5G要想更好地服务于用户、行业，则需要全领域的合力。

5G技术目前已经体现出来的，就是对医疗、通讯、交通行业的影响是最大的，更快速的实时信息，对于信息传递和交流提供了很大的帮助，但是现在5G技术还不普及，费用也相对比较高。

软通动力在中国城市发展论坛发表“幸福智慧城市“论8月1日，“ 2015(夏季)崇礼中国城市发展论坛“在河北张家口召开。活动由中国城市和小城镇改革发展中心、《财经》杂志、财经网联合主办，以“解码京津冀——演进趋势与协同红利”为活动主题，引起业界关注。软通动力高级副总裁牟永安受邀参加，并发表精彩演讲。 活动中，与会嘉宾对京津冀建设、TOD与城市再生、资本市场发展与城镇化建设等方面进行了交流。在“智慧城市与互联网+”的主题对话中，软通动力高级副总裁牟永安提出：“幸福是智慧城市的境界，当一个城市的智慧基础设施更加完备之后，它可以吸引更多人才，进而提供更优质的服务，最终通过智慧城市实现安居乐业，让人们感到幸福。“这一观点受到现场嘉宾的认可。作为智慧城市建设的先行者，软通动力始终秉承“智慧城市建设产业先行”的理念，先后在全国80余个城市展开了“智慧城市”战略布局，业务范围包括顶层设计、城市治理、产业应用、环保节能、民生服务以及基础设施等多个方向，积累了丰富的建设经验。参加本次论坛的嘉宾还包括全国人大财经委员会副主任委员、民建中央副主席辜胜阻、中国社会科学院副院长蔡昉、国务院发展研究中心副主任王一鸣、中国城市和小城镇改革发展中心主任李铁等。

当前，新一轮 科技 革命和产业变革方兴未艾，数字化正以不可逆转之势深刻改变人类生产生活方式。作为新基建的重要内容，城市大脑不仅仅是技术创新，更是 社会 创新，揭示了城市未来的发展模式，也预示着城市文明新阶段的到来。未来，城市大脑管理运行的领域、类型与内容还将不断扩展，运用大数据、云计算、区块链、人工智能等前沿技术推动城市管理手段、管理模式、管理理念创新，从数字化到智能化再到智慧化，是推动城市治理体系和治理能力现代化的必由之路。

中国信息通信研究院总工程师胡坚波认为， 作为推动数字化转型的重要抓手，城市大脑在我国整体上处于发展起步阶段，平台赋能不足、业务支撑不力、建设运营模式不清晰等问题也很突出，这反映了城市大脑相关理论认识与政策规划的分散与不足。建议通过构建“四大核心平台”，赋能“七大协同场景”，实现对城市治理和服务领域的全面覆盖，因地制宜推动城市大脑加快落地实施。

目前我国城市大脑建设中还存在哪些主要问题？

1、平台赋能机制有待完善。当前城市大脑组件的系统性、功能性相对较弱，难以快速提供上层系统需要的大数据、物联网感知、城市信息模型等服务，场景灵活搭建和系统快速生成能力不强，城市大脑支撑平台全面赋能上层应用的作用机制有待进一步健全。

2、跨部门业务协同型场景支撑力不足。城市大脑中涉及多部门联动处置的业务经常出现“数据盲区、数据打架”等问题，城市大脑针对跨部门业务需求打造的典型场景和超级应用有待进一步完善。

3、城市大脑常态化运营模式不清晰。城市大脑系统复杂度高、技术更新迭代快、所需资金数额巨大，需建立长效运营理念，建立与技术支撑、制度建设相匹配的城市级建设运营服务体系，提供基础技术支撑。

如何因地制宜推动城市大脑落地实施？

1、因地制宜创新建设运营模式。相对于智慧城市建设，城市大脑的技术复杂度更高、更新速度更快、系统集成度更复杂，势必需要专业的公司进行建设和运营。

2、内外协同构建建设运营生态。城市大脑是一个复杂巨系统，需要协调内外部资源形成建设运营生态。对内强化统筹协调，形成政府多部门协同合力，对外成立产业联盟，聚合市场建设资源。

3、示范引领稳步推进城市大脑建设。城市大脑建设应根据城市自身发展战略、数字政府建设需求、数字 社会 及数字经济发展需求，遵循“需求导向、顶层设计、示范引领、分步实施”思路稳步推进，避免贪大求快。

更多精彩观点

01 城市大脑整体处于发展起步阶段

据不完全统计，“十四五”期间，城市大脑投资规模可达千亿。截至2020年10月底，全国共有129个项目以“城市大脑”为名进行招标，平均中标金额约为5500万元，成为当前新型智慧城市的建设热点。在全国36个省级城市（含直辖市、计划单列市）、255个地级市和2851个县级行政区中，完成或正在建设城市大脑的城市不足2%，根据中国信息通信研究院（以下简称“中国信通院”）测算，2019年全国智慧城市投资总规模约为1.7万亿元，而城市大脑占智慧城市总投资比例约为4%，预计未来几年城市大脑项目可能保持100%以上增速。此外，在地域分布上，东部地区城市大脑建设数量遥遥领先，占比达到60%，其中，浙江省共17个市县已启动建设城市大脑，建设普及率居全国第一。

《中华人民共和国国民经济和 社会 发展第十四个五年规划和2035年远景目标纲要》明确提出“ 探索 建设数字孪生城市”。2020年，国家发改委、 科技 部、工信部、自然资源部、住建部等部委密集出台政策文件，有力推动城市信息模型及建筑信息模型相关技术、产业与应用快速发展，助力数字孪生城市建设。随着数字孪生城市在雄安新区先行先试，数字孪生建设理念深入到各地新型智慧城市规划中。2020年2月，上海市发布《关于进一步加快智慧城市建设的若干意见》，明确提出“ 探索 建设数字孪生城市”；8月，海南省发布《智慧海南总体方案》，提出“到2025年底，基本建成‘数字孪生第一省’”；12月，浙江省提出建设数字孪生社区。据中国信通院统计，2018年全国仅有两项城市信息模型相关投标项目，2019年新增8项，2020年（截至2020年10月）新增19项，增长迅猛，标志着城市信息模型已加速进入到 探索 推广阶段。

各地城市大脑着重提升协同联动能力，深化“一网统管”建设，一方面聚焦公共安全、应急管理、规划建设、城市网格化管理、交通管理、市场监管、生态环境等重点领域，实现态势全面感知、风险监测预警、趋势智能研判、资源统筹调度、行动人机协同；另一方面打破“层层上报、层层审批”的传统上传下达方式，聚焦数据采集慢、融合难、整理耗时长等问题，着力构建“市、区、街道社区”三级联动体系，实现快速灵活综合调度。例如，在疫情防控初期，传统数据报送处理方式层级多，数据从采集、整理、摸排、上报到发布要一天左右。海口城市大脑疫情防控智能指挥平台建立“市、区、街道社区”三级联防联控体系，基层人员和公众可直报数据到城市大脑，城市大脑处置命令直达工作人员，实现命令下达、执行跟踪、摸排上报、群防群治全链路快速闭环，避免了多级数据采集和命令传达的滞后。

在新冠肺炎疫情前期，疫情发展迅速，急需快速搭建疫情监测、人口排查、防控指挥等全新应用场景。城市大脑基于基础支撑平台、成熟应用组件库、基础数据库等，实现了疫情防控新平台的快速搭建。例如，杭州基于城市大脑快速开发 健康 码平台，将开发周期从常规的4周缩短到16小时；北京海淀区基于城市大脑的“时空一张图”和“AI计算平台”等，推动了疫情防控平台的快速上线。

产业生态方面，企业基于四大核心优势融入城市大脑领域，形成群雄逐鹿的产业格局。一是以云数据为内核的生态整合实力。基于“云+数”优势，通过打造城市级“云数”平台，面向合作伙伴打造“合作生态”，助力合作伙伴基于平台快速构建应用层，提供“最后一公里”服务。如华为基于可同时提供云管端协同ICT产品与创建解决方案的能力，打造数据底座，提供云计算服务、新ICT能力和行业使能，构建了开放的数字化生态。二是以AI为核心的技术实力。基于AI核心技术，提供更多具有“AI思维”的解决方案，从而迅速打开市场空间。如百度基于百度大脑和AI核心技术，提出AI智能城市“ACE王牌计划”，引入自动驾驶 汽车 、智慧道路车路协同，提升车和路的智能化水平；研发自主泊车功能，帮助驾驶员节省寻找停车位的时间。三是便捷触达公众的平台优势。依托城市服务平台能够更为便捷地服务群众，发挥城市智能中枢应用工具和应用场景得天独厚的多元化优势，形成技术与场景的点线面结合。如腾讯提出构建“WeCity未来城市”，以腾讯云基础产品为底层架构，为数字政务、城市治理、城市决策和产业互联等领域提供解决方案，并通过微信、小程序等工具触达用户。四是系统集成能力。依托传统集成商强大的产业链上下游整合能力和售后服务能力，积极融入城市智能中枢建设。

一是平台赋能机制有待完善。当前城市大脑组件的系统性、功能性相对较弱，难以快速提供上层系统需要的大数据、物联网感知、城市信息模型等服务，场景灵活搭建和系统快速生成能力不强，城市大脑支撑平台全面赋能上层应用的作用机制有待进一步健全；

二是跨部门业务协同型场景支撑力不足。城市大脑中涉及多部门联动处置的业务经常出现“数据盲区、数据打架”等问题，一张图规划、一盘棋管理等跨部门跨行业应用场景的实施效果相对有限，不利于决策指挥、联防共治，城市大脑针对跨部门业务需求打造的典型场景和超级应用有待进一步完善；

三是城市大脑常态化运营模式不清晰。城市大脑系统复杂度高、技术更新迭代快、所需资金数额巨大，需建立长效运营理念，建立与技术支撑、制度建设相匹配的城市级建设运营服务体系，引入具有定制化服务、长效运营增值、生态伙伴培引等功能的本地运营机构，提供基础技术支撑。

02 “一体四翼”构建未来城市大脑

城市大脑以网络、计算、感知设施为基础，全面汇聚整合分布在城市各级各部门各行业的海量数据，构建聚合数据、共享技术、协同业务、赋能应用的城市运营中枢平台，促进数据协同、技术协同、业务协同，赋能生产、生活、生态等上层应用场景。作为城市新型基础设施，城市大脑是开放、不断完善、迭代发展的，一方面能够随着未来信息技术的发展不断演进；另一方面，随着各行业信息化建设逐步深化，激活城市各行业以及跨行业的基于城市大脑的系统建设，有利于推进各行业系统接入及提升。

四大核心平台。

城市大脑是互联网大脑架构与智慧城市建设结合的产物，是城市级的类脑复杂智能巨系统，在人类智慧和机器智能的共同参与下，在物联网、大数据、人工智能、边缘计算、5G、云机器人、数字孪生等前沿技术的支撑下，充分推进城市数据资源网络化共享、集约化整合、高效化开发、全面化赋能，各类共性支撑平台是城市大脑的核心要素：

（1）城市大数据平台。城市大数据平台以城市信息模型数据为框架，通过对全域全量数据汇聚、融合、存储与分析，并使用智能感知、分布式存储、数据挖掘、实时动态可视化等大数据技术，提高数据资源利用水平，打造数据驱动治理模式的强大引擎。随着数据处理技术的不断进步和数据应用需求的不断提升，城市大数据的数据资源越来越丰富。同时，城市大数据结构异构特征显著，数据量大、速度提升快、处理速度和实时性要求高，且具有跨部门、跨行业流动的特征。虽然各级地方政府和企业都在积极 探索 城市大脑建设，但仍然存在特色不明、体验不佳、共享不足等问题。究其根源在于未能实现城市大数据资源与城市业务的良好融合，大部分城市仍停留在政务数据共享交换平台的水平，即主要在政府内部进行的数据共享；

（2）城域物联感知平台。城域物联感知平台以全域物联感知和智能化设施接入为基础，为设备开发者、应用开发者、业务管理者、运维服务者等参与者提供物联感知服务，成为终端设备与智能应用之间的纽带。城域物联感知平台的核心功能主要包括接入管理、设备管理、数据管理三部分，向下接入感知终端，兼容适配各类协议接口，提供感知数据的接入与汇聚；中间面向设备开发者、管理者、运维者提供远程运维管理、事件告警、反向控制等设备管理；向上为应用开发者提供数据解析、数据分析、数据统计、数据调用等数据管理，支撑物联数据创新应用；

（3）城市信息模型平台。城市信息模型平台是刻画城市细节、呈现城市发展趋势、推演未来趋势的综合信息载体。城市信息模型平台基于城市地理信息系统GIS地图，按照地形层、道路层、建筑层、水域层等顺序加载城市大数据平台和城域物联感知平台数据，并对建筑物、桥梁、停车场、绿地等城市部件进行单体化处理。在模型单体化基础上，同步接入人口、房屋、水电燃气、交通等城市公共系统的信息资源，实现可视化展示城市运行状态，并运用模拟仿真、深度学习等技术，模拟推演城市发展态势；

（4）应用支撑模型平台。应用支撑模型平台是城市大脑关键共性技术、应用开发组件和城市模型服务的模块化封装集成平台，能够实现灵活配置和高效开发利用，包括共性应用组件服务、信息模型服务和核心使能技术服务。其中，共性应用组件服务包括信用服务、身份认证、非税支付、电子证照等底层技术支撑；信息模型服务是指面向应用场景的赋能服务，包括自定义渲染服务、空间分析计算、虚实融合互动等；核心使能技术服务包括人工智能、大数据、区块链等新技术能力，旨在为上层应用提供技术支撑。

七大协同场景。

城市大脑在行业系统应用的基础上，着眼城市建设和管理，以解决城市运行问题为牵引，推动场景不断向跨部门跨领域的超级场景应用方向发展，协同联动成为业务场景建设的重点和亮点：

（1）多规融合一图管控。城市大脑整合基础空间数据、现状数据、规划成果、地下空间数据等城市规划相关信息资源，在城市信息模型上实现合并叠加，解决潜在冲突差异，统一空间边界控制，形成规划管控的“一张蓝图”。在充分保证“一张蓝图”实时性和有效性的前提下，汇聚更多规划数据，如人口分布密度、绿地面积布局、交通流量、实时环境检测、空气流动、温度变化、群体社交活动等信息，并基于全量数据构建各类模型，如城市风貌模型、控规模型、参数化模型等，对各种规划方案及结果进行模拟仿真及可视化展示，实现方案的优化和比选；

（2）项目建设全程可视。在设计阶段，利用数字孪生技术，构建还原设计方案周边环境，充分考虑设计方案和已有环境的相互影响因子，让原来到施工阶段才能暴露出来的缺陷提前暴露在虚拟设计过程中，方便设计人员及时针对缺陷进行优化。在施工阶段，利用数字孪生技术将施工方案和计划进行模拟，分析进度计划的合理性，对施工过程进行全面管控。在运营维护阶段，基于设计、施工、装配过程中留存数据生成的建筑三维模型，结合建筑内外部各类传感器、监控设备采集的建筑环境数据、设备运行数据、构件压力和应变数据、视频监控数据、异常报警数据等，开展智能分析，对可能出现的影响建筑寿命、设备 健康 等问题进行预测预警；

（3）城市运行一网统管。基于统一标准的城市部件数字编码标识体系和空天地全方位立体部署的物联感知设施，为各类城市部件、基础设施甚至是动植物等生命体赋予独一无二的“数字身份证”，从而实现对城市部件的智能感知、精准定位、故障发现和远程处置。利用城市智能引擎赋能城市摄像头，智能识别跨门经营、违章停车、堆物堆料、暴露垃圾、无证游商、积存垃圾渣土、沿街挂晒等违章行为，通过智能立案、派发、审核，缩减案件处置流程，有效缩短处置时间、节省工作人力投入，提升城市管理的智能化水平，提升市民满意度。此外，通过全要素数据聚合，准确抓取城市体征，进行城市画像，洞察城市机场、高铁站、交通枢纽、地铁站、热门景点、博物馆、图书馆、 体育 馆运行状态和实时利用率，人和车辆动态和轨迹追踪，城市大型建筑、桥梁、游乐场、重点设施的安全监控，实现一张图全景展现城市运行动态；

（4）公共安全一屏掌控。依托城市大脑，基于AI和大数据技术能力，构建治安防控圈，对重点区域、重点出入口等监控点位的人员和车辆进行全覆盖、全方位智能采集，将散布在城市各个角落的监控摄像头等设备产生的数据连接起来，进行分析与整合，根据结构化数据形成一脸一档、一车一档及标签库等，做到“人过留像、车过留牌、留特征、留轨迹”。当 社会 治安防控系统智能发现显性问题时，可启动自动报警、快速响应与协同处置等机制，实现对城市的精准分析、整体研判、协同指挥。例如，当发生老年人、幼童走失等事件时，系统将自动调出事发现场及其周边的视频监控设备，通过轨迹跟踪和自动寻位，降低人员走失风险；

（5）应急指挥一键调度。城市大脑依托其应急指挥中心功能，能够为决策者实时远程分析、多维度展示城市信息，对重大事件和重点人群进行动态监测、跟踪、信息预警，支持跨层级、跨部门的全域资源快速调动，从而实现对重大公共安全事件、突发公共卫生事件、自然灾害等紧急突发事件的有效应对，做到统一平台、统一通信、统一部署、统一指挥、统一调度，打造“管理驾驶舱”。通过整合视频监控等各类信息，快速还原应急事故现场的环境，为相关部门开展灾情研判、灾害分析等工作提供保障；通过可视化界面实时展示各种应急资源的位置、状态，并基于空间实际地理坐标对可用应急资源进行查询，形成应急资源“一张图”；通过三维模拟仿真技术对整个应急事件的处置进行全流程仿真，通过多种评价方式对每个具体的仿真流程、整体应急资源的准备情况、应急预案整体执行效率等进行多维度的评价，为领导决策提供科学辅助；

（6）政务服务一网通办。以城市大脑建设为基础，打造一体多端的政务服务平台，以政府服务大厅、政务服务网、城市级App、自助终端、12345热线等为基础，整合各部门、各领域现有公共服务入口，形成统一入口，整合用户使用频率高、需求量大的服务事项，实现政务服务线下大厅办、网上办、掌上办、自助办、12345热线办等多渠道联动。打造政务服务支撑平台，推进区块链+政务服务审管互动应用，加强政务服务事项治理分析，利用OCR识别、自然语言处理、语音识别、智能机器人等AI能力，实现跨部门业务流程自动化和12345语音智能识别、审批材料智能化识别，解决审批信息二次录入问题，支撑利企惠民服务直达。以惠民服务为例，通过“掌上政务”服务平台融合身份证、驾驶证、社保卡、医保卡、银行卡等功能权限，为市民提供交通出行、教育缴费、看病就医、政务服务、智慧社区、信用支付、不动产交易、小微贷款、图书馆借阅等便民服务；

（7）产业发展一图总览。基于城市大脑，汇聚投资、消费、就业、税收、财政、金融、能源等经济运行领域的监测数据，为产业经济运行分析提供数据支持。开展产业运行态势综合监测，实现生产运营管理总体情况便捷查询，数据范围涵盖产业结构、入驻企业、产值分析、税收、招商引资、复工复产情况等；生成产业地图，重点聚焦城市产业分布，从空间和产业两个维度生成现状图和未来图，通过发挥产业地图的指引作用，有效服务各类投资者，推动重大项目与产业地图精准匹配、快速落地，引导 社会 资本向重点区域集聚，加快构建集产业链、创新链等为一体的产业要素体系；创新产业经济分析模式，通过分析城市传统产业、优势产业、战略产业的发展规模、投资、效益、税收情况，以及各产业在研发、生产、销售、管理各环节的状态、资源分布情况，建立经济运行大数据分析模型，对区域经济运行趋势进行分析和预判，为淘汰落后产能、清理“僵尸企业”、鼓励 科技 创新、扶持优势产业、改造技术落后企业等一系列经济调节目标提供及时、精准、有效的决策信息。

03 因地制宜推动城市大脑落地实施

因地制宜创新建设运营模式。

相对于智慧城市建设，城市大脑的技术复杂度更高、更新速度更快、系统集成度更复杂，势必需要专业的公司进行建设和运营。 目前，国内城市大脑建设主要有三种模式：

（1）企业总包建设运营模式。由某家企业总包负责城市大脑建设运营，企业通常为与城市签订战略合作协议的国内领军ICT企业。该模式的优点是系统之间集成整合相对平滑，政府部门统筹组织难度低；缺点是城市大脑企业标签化色彩较重，技术体系开放度较低；

（2）领军企业生态圈建设+主导企业运营模式。由智慧城市主管部门组织实施，由国内领军ICT企业负责城市大脑的总体架构设计和核心模块建设，聚集若干专业化企业形成生态圈，共同参与城市大脑不同模块建设。在城市大脑建设完成并投入运行后，由主导企业负责后续运营工作。该模式的优点是建设阶段能实现生产合力最大化，缺点是政府统筹组织压力较大；

（3）政企合作组建公司开展建设运营模式。由政企合作性质的公司负责建设运营（该公司通常为某主导企业和后续参与建设的领军企业合资），推动该领军企业的技术方案落地，同时引入其他专业化企业参与建设，并承担后续运营工作。该模式的优点是整个建设运营阶段都由专业化公司负责，有利于有效整合企业资源，缺点是组建公司等前期准备工作相对复杂。

内外协同构建建设运营生态。

城市大脑是一个复杂巨系统，需要协调内外部资源形成建设运营生态。一方面，对内强化统筹协调，形成政府多部门协同合力。例如，杭州在市级层面成立杭州城市大脑建设领导小组，由市委书记挂帅，六位市领导担任副组长，由一位副市长主抓，各区县（市）和各部门主要领导均为领导小组成员；同时，以项目为单元，建立工作专班，统一进驻云栖小镇集中办公。又如，上海成立城市运行综合管理中心，持续深化联席会商机制，对于需要多部门共同处置的事件，建立共同的规则和秩序，明确责任主体、规范处置流程。另一方面，对外成立产业联盟，聚合市场建设资源。例如，在海淀城市大脑的建设过程中，百度牵头45家公司成立 科技 产业联盟；在杭州城市大脑的建设过程中，阿里云负责总体架构以及计算平台、数据采集系统、数据交换中心、开放算法平台、数据应用平台等核心模块建设，若干大数据运营企业负责模块建设等系列工作。

示范引领稳步推进城市大脑建设。

城市大脑建设应根据城市自身发展战略、数字政府建设需求、数字 社会 及数字经济发展需求，遵循“需求导向、顶层设计、示范引领、分步实施”思路稳步推进，避免贪大求快。根据项目实施重点的不同，城市大脑建设期可划分为夯实基础、推广应用、全面建设三个主要阶段。夯实基础阶段重点围绕顶层设计编制、平台运营公司组建、平台及重点子系统建设等工作开展；推广应用阶段重点围绕平台及重点系统完善、先行先试示范应用项目建设等工作开展；全面建设阶段重点围绕各领域智慧应用服务全面深化和协同运行，打造多维度、多元化的特色智慧应用。

原文标题：《关于城市大脑未来形态的思考》（微信有删节）

中文信息影响因子

中文的不清楚 但是如果是英文期刊可以上ISI Web of Knowledge 数据库将计算机通信与技术的学科的所以期刊按照影响因子排序就好了

问题一：怎样查一篇文章的影响因子 一般都是说期刊的影响因子，你要是问一篇文章的叮子，那应该是这篇文章被引用的次数吧？ 你可以去google 然后搜索 scholar 进入google 的学术检索，输入你文章名字，结果中就有显示了。 问题二：怎样查看一篇文献的影响因子 影响因子（Impact Factor,IF)是美国ISI（科学信息研究所）的JCR(期刊引证报告）中的一项数据。 即某期刊前两年发表的论文在统计当年的被引用总次数除以该期刊在前两年内发表的论文总数。这是一个国际上通行的期刊评价指标。 例如，某期刊2005年影响因子的计算 本刊2004年的文章在2005年的被引次数： 48 本刊2004年的发文量： 187 本刊2003年的文章在2005年的被引次数： 128 本刊2003年的发文量： 154 本刊2003-2004的文章在2005年的被引次数总计： 176 本刊2003-2004年的发文量总计： 341 本刊2005年的影响因子：0.5161 = 176÷341 意义：该指标是相对统计值，可克服大小期刊由于载文量不同所带来的偏差。一般来说，影响因子越大，其学术影响力也越大。 附：IF值计算方法(以1992年为例） A＝1992年的全部引文（指定数据库中的记录） B＝1992年引用某期刊发表在1990和1991的论文的总次数 C＝某期刊1990 和1991 年发表的全部论文的总和 D（期刊1992的影响因子）＝B/C 影响因子查询系统 emuch/sciif/ 这个地址也可以 proteomics/sci-if/ 本回答援自zhidao.baidu/...wtp=wk 问题三：如何查IEEE一篇论文的影响因子？ IEEE论文是没有影响因子这一说法的。所谓影响因子是由论文所在的期刊决定的，SCI会定期对其目录中的期刊进行影响因子计算，主要是根据期刊的影响力和期刊中论文被它因的数量等决定。 不过你可以查询IEEE论文的被引用数量作为参考 问题四：如何查找发表后文章和所在期刊的影响因子 不同专业SCI期刊影响因子排名查询方法 进入 ISI Web of knowledge网站，在打开的界面中点击“其他资源”， 选择“Journal Citation Reports”，在新界面中选择JCR Science Edition 所需年份，View a group of journals by（默认Subject category），点击“SUBMIT”，在新界面中 Select one or more categories from list中选择“ENGINEERING, AEROSPACE”(根据专业需要选择，多个专业方向选择按住“Ctrl”键即可)，同时选择View Journal Data-sort by (impact factor)，点击“SUBMIT”即可出现航空航天类期刊的影响因子排序。 问题五：知网怎么查看期刊的影响因子 知网首页中间靠下，有期刊大全的栏目。在期刊大全里搜索期刊名称 就能显示 影响因子。 问题六：什么是期刊影响因子？如何查询 影响因子(Impact Factor)是一个国际上通行的期刊评价指标，即某期刊前两年发表的论文在统计当年的被引用总次数除以该期刊在前两年内发表的论文总数。该指标是相对统计值，可克服大小期刊由于载文量不同所带来的偏差。一般来说，影响因子越大，其学术影响力也越大。影响因子的查询：1、查询外文期刊影响因子，可使用外文数据库Web of Science中的JCR（Journal of Reports），其中JCR Science Edition 用于查询自然科学类期刊，JCR Social Sciences Edition用于查询人文社会科学类期刊。2、查询中文期刊的影响因子，可使用中国学术期刊（光盘版）电子杂志社和中国科学文献计量评价中心联合推出的《中国学术期刊综合引证报告》（万锦抑鞅啵科学出版社）。 问题七：如何查看期刊杂志的影响因子 在知网上查这个杂志，杂志的图片下面就有影响因子 问题八：如何查询文献当年的影响因子 要是你知道文献的具体期刊的话，直接进入期刊主页能看到最新的影响因子，想看当年的话到这个网站查询medsci/sci/，这里面有以前年代的影响因子并且能看到影响因子变化趋势图，如果想查一个专业所有期刊的影响因子的话，建议到web of science里查询，希望给你带来帮助 问题九：如何查询中文期刊的影响因子 访问中国知网（CNKI）的跨库检索页面：epubki/grid2008/index/ZKCALD 然后点击“检索范围控制条件”里面的“文献来源列表” 即可看到目前中国所有学术期刊的影响因子评价列表 问题十：如何查看期刊杂志的影响因子 百度经验 你可以上各大期刊网站搜该刊物，一般都有详细说明影响因子，像知网、万方、维普之类的，如果还有其他问题，可以找中国期刊库的我帮忙。

情报学报的影响因子是1.305；中文信息学报的影响因子是1.884。《中文信息学报》反映我国中文信息处理的学术水平，重点刊登我国中文信息处理基础理论与应用技术研究的学术论文，以及相关的综述、研究成果、技术报告、书刊评论、专题讨论、国内外学术动态等。文章内容主要是汉字及少数民族文字的输入输出及加工处理、印刷体、手写体汉字识别、语音识别和合成、人工智能、专家系统、计算语言学、机器翻译、信息检索、自然语言处理等。从本刊刊登的文章中可以及时了解我国最新的中文信息处理水平和学术动向。所刊登的文章多数得到了国家或省、部级重大科技项目、攻关项目及自然科学和社会科学基金的资助。《情报学报》主要发表情报科学的理论研究和实验研究的学术论文，以及优秀的综述评论。内容包括：人类知识信息产生、交流和利用行为的研究；信息资源特征的研究；信息收集、加工、存储、检索、传递与应用中的理论和方法；情报分析与决策支持；信息经济、信息市场和用户研究；信息服务，信息工作的组织、管理和政策研究等。另外，《情报学报》还是CSSCI的来源期刊，所以个人推荐：如果感觉文章写得还不错的话，可以优先考虑发表《情报学报》

发表论文影响因子

学术期刊影响因子是指期刊近两年的平均被引率，即该期刊前两年发表的论文在评价当年被引用的平均次数。用公式表示为：

影响因子=该刊前2年所发表的论文在第3年被引用的次数/该刊2年内所发表的论文总数.

从其定义可知，影响因子的三个决定因素分别为时间（2年）、论文总数（该刊连续2年内所发表论文总数）、被引用次数（上述论文在第3年被引用的总次数）。

影响因子是一个相对数量指标，能够较好的反映期刊被使用的真实客观情况，可较公平的评价各类学术期刊，通常影响因子越大，期刊的学术影响力和作用也越大！

扩展资料：

影响因子现已成为国际上通用的期刊评价指标，它不仅是一种测度期刊有用性和显示度的指标，而且也是测度期刊的学术水平，乃至论文质量的重要指标。影响因子是一个相对统计量。

影响因子是以年为单位进行计算的。以1992年的某一期刊影响因子为例，IF（1992年） = A / B

其中：

A = 该期刊1990年至1991年所有文章在1992年中被引用的次数；

B = 该期刊1990年至1991年所有文章数。

影响：

许多著名学术期刊会在其网站上注明期刊的影响因子，以表明在对应学科的影响力。如，美国化学会志、Oncogene等。

中国大陆各大高校（如清华大学、武汉大学、中国科学技术大学、南开大学、中国农业大学、吉林大学、哈尔滨工业大学、浙江大学、上海大学、大连理工大学等）都以学术期刊的影响因子作为评判研究生毕业的主要标准。

以1992年为例，计算某期刊在该年的影响因子：

X=以1992年为基点、某期刊于1990和1991年在1992年全部被引用之论文总次数

Y=以1992年为基点、某期刊1990和1991年全部论文发文量的总和

IF1992年 =（X（1990年，1991年） / Y（1990年，1991年））

参考资料来源：百度百科——影响因子

参考资料来源：百度百科——期刊影响因子

学术期刊的影响因子是汤森路透出品的期刊引证报告中的一项数据。 即某期刊前两年发表的论文在该报告年份中被引用总次数除以该期刊在这两年内发表的论文总数。这是一个国际上通行的期刊评价指标。

影响因子现已成为国际上通用的期刊评价指标，它不仅是一种测度期刊有用性和显示度的指标，而且也是测度期刊的学术水平，乃至论文质量的重要指标。影响因子是一个相对统计量。

影响因子=该刊前2年所发表的论文在第3年被引用的次数/该刊2年内所发表的论文总数.

从其定义可知，影响因子的三个决定因素分别为时间（2年）、论文总数（该刊连续2年内所发表论文总数）、被引用次数（上述论文在第3年被引用的总次数）。

扩展资料：

学术期刊的影响因子的影响因素

（1）论文因素。如论文的出版时滞、论文长度、类型及合作者数等。出版时滞较短的刊物更容易获得较高的影响因子。

（2）期刊因素。如期刊大小（发表论文数）、类型等。在计算影响因子时，刊载论文数仅统计论文、简讯和综述，而对评论、来信、通讯和其他一些常被引证的栏目的文章则不进行统计。

（3）学科因素。如不同学科的期刊数目、平均参考文献数、引证半衰期等都会对期刊的影响因子和总被引频次产生影响。期刊的影响因子和总被引频次均以论文的引证与被引证的数量关系为基础。

（4）检索系统因素，如参与统计的期刊来源、引文条目的统计范围等。对于特定刊物来说，在中外的检索系统中，由于其所收录的期刊群体组成的差异较大，因而所计算的影响因子值有较大的差异，并且同一刊物在不同语种的检索系统中具有明显不同的影响因子和总被引频次。

参考资料来源：百度百科-影响因子

影响因子（Impact Factor，IF）是汤森路透（Thomson Reuters）出品的期刊引证报告（Journal Citation Reports，JCR）中的一项数据。

即某期刊前两年发表的论文在该报告年份（JCR year）中被引用总次数除以该期刊在这两年内发表的论文总数。这是一个国际上通行的期刊评价指标。

影响因子现已成为国际上通用的期刊评价指标，它不仅是一种测度期刊有用性和显示度的指标，而且也是测度期刊的学术水平，乃至论文质量的重要指标。影响因子是一个相对统计量。影响因子并非一个最客观的评价期刊影响力的标准。

扩展资料

影响因子虽然可在一定程度上表征其学术质量的优劣，但影响因子与学术质量间并非呈线性正比关系，比如不能说影响因子为5.0的期刊一定优于影响因子为2.0的期刊，影响因子不具有这种对学术质量进行精确定量评价的功能。

国内部分科研机构，在进行科研绩效考评时常以累计影响因子或单篇影响因子达到多少作为量化标准，有的研究人员可能因影响因子差0.1分而不能晋升职称或评定奖金等，这种做法绝对是不可取的。

参考资料来源：百度百科-影响因子

影响因子是对刊物的评价，而不能代表发表于此刊物的每一篇论文的水平。《电子与信息学报》从2001至2005年发表论文1618篇[9]，2006年5年被引593次，100篇被引论文贡献了50%的被引频次。77.5%的论文未被引用过。Seglen也通过统计发现，约15%的论文贡献50%刊物总被引频次，50%论文贡献90%被引频次。这表明，好的刊物并不能提高一般水平论文的被引频次。影响因子是有波动的，不是一成不变的。影响因子的计算方法：以计算2004年if 为例 if 2004= （该杂志2003被引次数 + 该杂志2002被引次数）/(该杂志2003文章数量 + 该杂志2002文章数量)

影响因子投稿期刊

有的。影响因子(Impact Factor)是一个国际上通行的期刊评价指标，即某期刊前两年发表的论文在统计当年的被引用总次数除以该期刊在前两年内发表的论文总数。该指标是相对统计值，一般来说，影响因子越大，其学术影响力也越大。最新SCI影响因子查询及期刊投稿分析系统：1.用360浏览器打开LetPub最新SCI影响因子查询及期刊投稿分析系统2.向下翻动，找到【科研工具】，点击【SCI查询]。3.输入期刊名，以nature为例，点击【查询】，就可以看到nature及其子刊的影响因子。

榜单TOP1:神刊CA

今年最高分毫无疑问仍然还是走精品路线的神刊CA A CANCER JOURNAL FOR CLINICIANS（临床肿瘤杂志），它从2008年以来就牢牢把握了影响因子榜单第一名位置，今年公布最新影响因子为508.702，与去年的292.278相比又创新高。而梅斯医学今年早些时候预测历史新高突破达489.71，已然非常接近。

说完特例神刊，来看看医学顶级四大名刊。

四大医学期刊的最新情况

四大医学期刊的2020年度影响因子如下表：

2020年度，The New England Journal of Medicine, NEJM（新英格兰医学杂志）的影响因子，以 91.245 ，位列第三。

The Lancet（柳叶刀）排名第五，影响因子为79.321，在新冠疫情期间最为活跃的老牌医学顶刊之一。LANCET 近年来总体呈持续上升态势。

除 NEJM 和 The Lancet 之外，Journal of the American Medical Association, JAMA（美国医学会杂志）表现也不错，以56.272 的影响因子排名第 13。JAMA 近年来总体呈持续增长态势，2013年以来一直处于稳步增长的趋势。

BMJ 相比四大的前三者，虽然多年来一直追赶之势，但仍然没能和它们并驾齐驱，分值有较大差距。今年影响因子为39.89，排名36。

影响因子期刊投稿

就好像希望自己的“掌上明珠”能够有最好的归宿一样，科研人员都希望凝聚自己多年心血的科研文章能够发表在高影响因子的杂志上。这种心情 据2012年中国科学院文献情报中心的统计数据显示，目前SCI核心库加上扩展库的所有期刊，共计8281种。该中心还按年度和学科根据SCI期刊的影响因子对SCI期刊进行4个等 级的划分，这就是《JCR期刊影响因子及分区情况》。发表在1区和2区的SCI论文，通常被认为是该学科领域的比较重要的成果。也就是说，科研人员的辛苦成果可以用“影响因子”这一工具来量化其影响力。难怪每逢评奖、评职称和年底总结的时候，科研工作者都要在统计SCI 论文上花费不少的功夫。 然而，我们经常看到，有的科研人员不懂市场行情，等论文发表后才知道论文贱卖了，心痛不已；有的则拖拖拉拉，硬生生地将年轻美女变成了黄脸婆；有的则急需出货，不得不“鲜花插在牛粪上”，以解燃眉之急。还有更多地科研人员不明不白地将论文发表在比论文实际水平较低的杂志上，往往抱怨目标期刊“不识货”。但在抱怨之余，咱们也应该想一想到底是“谁偷了我的影响因子”？ 多年来，在帮助国内科研人员成功发表数千篇SCI文章的同时，医荟园8905也在不断分析总结，并“揪出”了“偷走”影响因子的几大“元凶”： “小偷”一：写作角度不合适导致文章的新颖度不够 通常作者在做了多年的同一领域的相关研究后，思维会形成定势，文章写作的角度很难有大的变化，而且意识不到文章的新颖度不够高，进而导致被拒。医荟园8905专家曾帮助过不少这样的作者。其中来自上海某大学的王博士，将他的文章投到影响因子为5.0 左右的杂志，最后由于新颖度不够高而被拒。作者的文章及审稿意见经医荟园8905的专家评估后，发现作者的写作角度有问题，建议王博士重新从另一个角度去写。文章完成后，新颖度大大提高。最后，他的文稿被影响因子7.0左右的NPG所属杂志接受。 “防偷”对策：这种情况下，作者需要认真分析新颖度不够的原因，尽量跳出已有的思维定势，换个角度来构思文章。如果自己实在难以跳出来，可以寻求同行业专家或者专业论文编辑公司的帮助。 “小偷”二：目标杂志选择不合适 前面提到，目前的SCI期刊杂志非常多，投稿的目标杂志选择几乎是“万里挑一”。如果期刊的领域选择不合适，或者是级别不合适，都会导致杂志社很快拒稿。被拒稿之后，千万要仔细分析原因，谨慎选择第二次投稿的目标杂志。医荟园8905的VIP中就有这样的例子。本来这位VIP的文章专业水平不错，也很有新意，但是他自己选择的目标杂志和他文章的所属领域不太对口，结果被拒。之后，这个朋友由于急于投稿，没有仔细分析被拒稿的原因，以为是自己文章水平不够，草草进行第二次选择，必然地，最后接受他文章的杂志影响因子远远低于本应该发表的。 “防偷”对策： 作者根据自己所做科研工作领域和实验结果等情况，有针对性地去PubMed查找哪些杂志发表相关研究，再结合自己文章的内容、新颖度等来确定下一个投稿杂志。 “小偷”三：拒绝补充试验 作者投稿到高影响因子杂志，当杂志社给出“大修”或者“拒稿—重新投回”的反馈时，杂志社可能会提出补实验的要求，让作者进一步提供证据支持。往往由于各方面的原因，比如试验条件有限、时间不够等，作者修回前只是做了文章方面的修改，最终使得文章被拒。 “防偷”对策：接到审稿意见时，作者并不必把审稿人要求的全部试验都做出来，若根据自己的科研条件尽量补一些试验的话，再投稿，接受的可能性会大大提高。另外，在补试验期间，若作者觉得时间不够，可以向杂志社提出延长修回时间。 “小偷”四：时间仓促 在某种程度上讲，目前国内大多院校有关研究生毕业的政策以及某些科研人员的急功近利的思想都大大减低了论文向高分杂志冲击的学术资本和成功可能性。由于作者急于毕业或评职称需要等各方面的因素导致把所做的课题的一部分预先发表于影响因子低的杂志，进而影响剩余部分发表于高影响因子的杂志。然而，众所周知，一个有新意的试验设计以及足够的工作量是文章发表在高影响因子杂志的必要条件，二者缺一不可。 “防偷”对策：做课题时作者需要及时整理分析数据，并且留出充足的时间来撰写稿件，这样就不至于时间仓促导致把部分数据先发表，进而影响整个课题本应该有的影响力。 “小偷”五：论文写作技巧及语表达不过关 这一点是论文影响因子“被偷”最常见、但也是最容易克服的原因。英语毕竟不是咱们的母语，英语写作能力不够加上中文论文写作思维及方式的影响导致作者不能用英文把自己很好的科研数据在文章中准确合理地表达出来，从而影响科研文章发表于高影响因子的杂志。 “防偷”对策：作者除了提高科研能力之外，也要提高自己的英文写作能力。当然，这不是十天半月就能见效的，必要时，可以有针对性地使用论文编辑公司的相应服务，并从中学习写作技巧。 总之，一篇“很有货”的文章最终能否被高影响因子的杂志接受，决定因素很多。科研工作就像下围棋一样，需要通盘考虑。首先，作者在实验设计之初就可以考虑整个课题应该有怎样的影响力；实验进行过程中，要注意及时收集和分析数据，不要等到后面一起做，这样会大大节省撰稿时间；实验完成、开始成文时，要选择好写作角度，保证文章的新颖度，当然英文写作水平不要拖后腿；最后，慎重选择目标杂志，可以适当咨询同行专家或论文编辑公司专家的建议，从而保证领域、级别都与自己的文章匹配。

所谓的影响因子是期刊过去两年被引用的次数除去此刊在这两年间的发文量。是衡量期刊影响力的重要指标。然而就投稿来说你必须考虑自己论文的性质、领域来寻找最适合的期刊。影响因子只是在选择合适的期刊时应该考虑的标准之一。其他因素，如期刊的目标和范围与您的研究主题是否匹配、研究的新颖性、出版频率和期刊覆盖率（在Scopus，SCI，SCIE，SSCI等知名数据库中索引）也是选择目标时的重要考量。

科学引文索引（Science Citation Index, 缩写：SCI）是由一部期刊文献检索工具，其出版形式包括印刷版期刊和光盘版及联机数据库。 影响因子（Impact factor，缩写IF）是美国科学情报研究所（ISI）的期刊引证报告(JCR）中的一项数据。指的是某一期刊的文章在特定年份或时期被引用的频率，是衡量学术期刊影响力的一个重要指标。一种期刊的影响因子，指的是该刊前二年发表的文献在当前年的平均被引用次数。一种刊物的影响因子越高，也即其刊载的文献被引用率越高，一方面说明这些文献报道的研究成果影响力大，另一方面也反映该刊物的学术水平高。SCI期刊影响因子每年或多或少都会有所变化，一般计算到小数点后3位，如果投稿时影响因子是1.025，那么论文发表时是0.892的话，那么是以发表时来计算的。也就是说，除了顶级期刊，一般在选择时，要看2-3年的影响因子再决定投稿比较好。

你好， sci期刊影响因子在一定程度上会影响投稿的难度,但向sci期刊投稿难,并非都是影响因子导致的。