开云(中国)Kaiyun·官方网站

　　摘要：快速的科技变化能促进城市融合，但技术创新作为一种破坏性力量，也可能加剧城市的不平等，给城市的包容性发展造成诸多困惑和挑战。城市政府和服务提供商在推动科技创新和运用新技术时，需要坚持一些基本准则，包括结合科技创新与结构性解决方案、将公平目标落实到项目开发与实施中、加强社区参与、利用科技跟踪进度等，以确保科技进步能有效促进更加公平、包容的数字城市和社区。

　　当今时代，技术创新日新月异，科技革命正在深刻改变人们出行、工作和参与城市的方式。科技变革给城市增长和繁荣带来机遇的同时，技术创新作为一种破坏性力量，也将为城市的包容性发展造成诸多困惑和挑战。美国城市研究所（Urban Institute）发布《技术与城市平等》报告，探索美国城市数字化转型进程中，智能基础设施、共享出行、市政技术、数据分析技术等科技变革趋势及其如何恶化或缓和城市的不平等。本文基于该报告，重点以数据分析技术为例，探讨数字城市技术创新对促进城市包容性发展带来的机遇和挑战，并从中总结经验和启示，为引导城市利用科技创新促进城市包容性发展提供一些准则和方向。

　　技术的进步为城市提供了一整套频繁更新的数据库和一系列用于处理新旧数据的先进分析技术。智能城市技术、共享出行服务和市政技术应用程序产生的新数据源，与几乎能够处理无限量数据的数据科学方法相结合，可以帮助城市政府部门更准确和实用地理解从居民福祉到建筑环境等几乎所有方面。例如，城市可以从交通传感器和智能手机收集数据，以更好地了解“交通沙漠”（公共交通不足以满足人口需求的地区）和基本服务的获取。更加强大的数据分析技术的确给城市政府带来了机遇，因为新的数据科学方法能处理海量数据，从而帮助城市政府发现平等挑战，并设计更有效且基于实证的干预方案。但新的分析技术也带来了不少挑战，因为这些工具会加深数据中的偏见，或给长期的挑战提出短期的解决方案。

　　通过分析新旧数据，城市政府领导者可以发现他们以前没有意识到的紧迫问题，在既定的时间和资源限制内更有效地应对公平挑战，并引发围绕公平和机遇的新对话。

　　一是发现城市公平面临的挑战。分析现有的城市数据库可以更准确地了解居民面临的长期挑战，以及政府过去如何分配资源来解决这些问题。地方政府跨部门收集各种行政数据，如建筑检查程序、犯罪率和居民投诉等，其中许多数据可以让城市政府了解哪些人已经获得了这些服务，以及存在哪些差距。在过去，由于收集程序碎片化和技术不足，分析这些数据非常困难。但更强大的计算能力和新的分析工具，使得在更短的时间内，连接、操作和分析多个数据库变得更加容易。

　　全国各地的城市都开始利用现有的行政数据来更好地了解当地问题。例如，新奥尔良市政府担心许多居民家中没有充足的烟雾报警系统。为更好地理解这个问题的严峻程度，该市的责任办公室结合当地消防部门数据、美国住房调查和美国社区调查来确定面临高火灾风险的低收入社区，以及哪些家庭可能没有钱去安装火警。

　　新的分析工具还允许地方政府将跨部门的数据集联系起来，以便更全面地了解不同的挑战如何相互交织影响居民的福祉。例如，奥克兰的公平情报平台（EIP）正在使用分析技术来减少由于地方行政数据库合并而造成的负担，帮助城市机构创建一个标准化的流程，向城市领导者展示和分析跨部门数据。奥克兰的新系统使得政府官员们能够了解哪些人收到了不同的城市服务，以及不同社区的结果和需求差异。

　　各城市也在分析新智能基础设施项目数据，以便更好地了解过去服务不足人群或被排斥人群的服务供给。来自智能技术的数据可以揭示关于城市生活的许多见解，比如居民如何与现有环境互动，以及使用公共服务的频率。政府官员和分析师正在寻找更及时、更少存在人为输入错误和判断偏差的数据，对于他们来说，传感器和联网设备能够更频繁地自动捕捉数据，因而让数据更有用。

　　例如，在肯塔基州的路易斯维尔，当地政府分析了一个“智能基础设施”项目的数据，该项目在1000多名居民的吸入器中嵌入传感器，来跟踪哮喘吸入器的使用情况。来自这些传感器的数据，提供了哮喘吸入器的使用地点和时间，以及在每个使用期间吸入器释放的药物量。当地政府与科技公司Propeller Health合作，利用这些数据分析了该市每个社区的哮喘风险和患病率，并分析具体哪些环境因素会加剧哮喘。新的传感器产生的数据使路易斯维尔能以一种前所未有的方式了解哮喘患病率、哮喘诱因和健康状况。对哮喘传感器数据的分析突出显示了低收入和黑人居民比例高的地区的空气质量问题。这些发现促使路易斯维尔市重新审视分区规章，以便更好地将社区和污染物隔离开来，并针对那些哮喘患者多的社区实施干预措施。

　　二是设计更客观有效的干预措施。数据分析可以为政府提供必要的工具，为边缘人群设计有效的干预措施。在纽约市，数据智能创新中心（CIDI）与当地学术机构合作，用数据分析设计一个针对潜在无家可归者的更有效的服务供给系统。地方政府还可使用分析工具来跟踪项目对目标人口的影响，从而让政府实时了解项目的成功之处，并相应地调整项目。而且，如果一项倡议在初期阶段就显示出有前景的结果，政府可能更倾向于提供更多的资源来加强这项工作。在路易斯维尔的案例中，市政府利用哮喘吸入器数据研究结果，针对与严重哮喘有关的环境毒素，来设计相关的政策和实践。一年后，他们使用相同的吸入器数据来分析结果，发现在紧急情况下哮喘吸入器的使用平均减少了82%，且参与者的无症状天数增加了一倍多。

　　三是激发关于公平和包容的新对话。利用数据分析为决策提供信息，有助于引发关于公平和包容性的基于证据的讨论。为有效地设计预测模型，城市政府必须明确他们的假设和目标，这会促进更多围绕数据偏差和普遍结构性障碍的富有成效的对话。分析与城市服务相关的数据，能促使城市政府对其项目的有效性负责，并防止城市依赖坊间证据或有偏见的绩效推测。数据分析不止会引发城市政府内部的讨论，还能鼓励政府外的利益相关者深入思考公平和包容。例如，波士顿启动了一个从多个维度跟踪城市“健康状况”的开放数据门户，由此，利益相关者们纷纷讨论市政府应该优先处理哪些问题。如果想让不同利益相关者联合起来，对抗造成并延续不平等的结构性力量，关键是要将数据作为一种民主化的力量，来激发与公平相关的对线、挑战

　　一是加剧数据和算法中的偏见。如果在设计算法时没有仔细检查并全面了解数据，算法可能会对居民的需求产生有偏见的理解，从而误导资源分配及相关干预措施。基于偏差数据的有缺陷的干预措施可能会恶化本该解决的问题，并带来一系列新的挑战。虽然算法常常被认为是客观的工具，但它所依赖的数据可能根植于有偏见的人类行为，这可能会导致有偏见的结果。例如，ProPublica的一项调查发现，COMPAS软件在美国全国范围内被法院用来预测被告再次犯罪可能性，当该软件做出错误判断时，对黑人罪犯的风险评分往往高于白人罪犯。

　　此外，新技术在城市中分布不均，或者使用者并不能典型代表群众。因此，任何用于决策的数据可能并不代表全部人口，并可能产生有偏见的结果。例如，嵌入公共交通的智能城市技术将收集公共交通使用者的信息，这可能会排除那些生活在“交通沙漠”或不能经常使用交通的人群。城市使用这些数据时，可能会误把某个群体或社区的稳定使用数据流当作一个信号，表明城市的服务供给过程没有问题，而事实上，社区的很大一部分人可能更喜欢其它的交通配置。

　　二是当地能力不足以同时解决公平和效率问题。政府在技术方面的努力往往资金不足，获取技术过程中，也没有为规模较小、知名度较低的竞争者留下多少创新空间，这让地方政府的创新人员陷入系统过于老旧的困境。就算政府成功获得了更多的现代技术，在技术人才的竞争市场上，也很难招聘到那些能将技术成功应用到新系统的员工。技术人才的缺乏也意味着一个城市可能很难将政策目标转化为对技术供应商的技术要求。这种技能上的欠缺可能会让政府的分析项目不合标准，充斥着偏见和误导信息。

　　此外，在没有足够支持或预算的情况下使用数据密集型应用程序，可能会导致系统有偏见，这些系统似乎成本更小、更公平，但实际上却掩盖了它们造成的不平等。例如，如果没有足够资金聘请合格的数据分析师，各个城市可能会用311电话来代表城市对服务的实际需求，但311电话很难代表低收入社区对服务的需求。旧金山识别了城市在增加分析应用时面临的两大障碍：如何能够提出好的问题和如何寻找到有足够技能的人来解决这些问题。

　　三是为长期存在的问题提供短期解决方案。依靠数据来识别问题并解决问题产生的解决方案往往是短期的，而忽视了长期与结构性变化。由于变化是实时监控的，因此绩效管理标准侧重于短期收益，促使公共机构和服务提供商做出在短期内有积极作用的决策，但这些决策随着时间的推移可能会产生更多消极结果。例如，一些人认为，预测性警务策略鼓励警察做出具有潜在危害的干预措施，而不是强调信任建设和社区互动的策略。从长远来看，后者可能更有效。在有些情况下，官员可能会优先考虑“操控”绩效指标，这有时反倒牺牲了这些指标试图衡量的整体目标。例如，美国在2001年的《不让一个孩子掉队法案》出台后，教师们为了提高考试分数而进行了著名的“应试教育”；而警察为了使犯罪率指标更好看，出现少报案件或将案件性质降级的倾向。

　　正在采用的新技术，如穿戴式摄像机和自动驾驶汽车，表明有越来越多的机会将数据分析应用于公平问题，生成可实时使用的新数据来源以应对公平挑战。此外，自然语言处理和机器学习方面的持续技术进步，使得城市能够利用一些难以处理的数据，来理解和处理公平问题，

　　有的机构和部门意识到将数据分析应用于公平问题所固有的机遇和挑战，并开始开发工具和框架，以帮助该领域的从业者更好地使用数据分析来推动公平的结果。例如，芝加哥大学数据科学与公共政策中心（UCCDSPP）推出了一个工具包Aequitas，允许从业者和决策者审计机器学习模型中的偏见和歧视。伦理人工智能与机器学习研究所（IEAIML）的《负责任的机器学习原则》提出了一个由8条原则构成的框架，以推动“所有行业人工智能项目符合伦理和自觉地发展”。

　　随着技术的不断进步和围绕数据分析公平性的讨论不断扩大，城市政府应在此过程中将公平作为重点，并解决数据分析应用面临的公平挑战，从而为公民实现积极的成果。

　　新技术和分析工具产生的数据能揭示更多关于机会获取方面的细节差异，而这在过去是很难做到的。新技术正在产生前所未有的大量关于城市的数据，决策者可以利用这些数据来理解这些差异。然而，仅有数据是不够的。正如卡内基梅隆大学教授Rayid Ghani所总结的那样，“数据是人造产物，而不是目标。”关键是，我们如何使用这些数据——以及运用哪些工具、进行哪些分析——来提供服务，从而帮助人们更好获取机会并促成公平的结果。

　　幸运的是，新技术使我们比以往任何时候都更容易将数据提炼成可操作的见解，从而促进公平。举例来说，分析工具开云kaiyun，如自然语言处理，也称为文本分析，可以从公民的反馈和输入中提取关于姓名、人、地点和情感的信息，从而使决策者更好地理解和总结大量的公众反应。例如，华盛顿特区的Grade.DC.gov通过文本分析来挖掘市民在其网站和社交媒体上的反馈，从而为该地区的政府机构提供月度评分。大数据系统可以在几秒钟内处理城市中传感器产生的数十亿点交通数据，从而更好地实时了解和处理瓶颈。

　　从公平的角度来看，城市政府部门使用这些分析系统能更好地了解低收入居民面临的问题，比如新奥尔良合格烟雾报警系统的普及程度或路易斯维尔的哮喘风险程度，然后为这些社区制定目标解决方案。在智能基础设施领域，如“智能芝加哥事物序列（Smart Chicago’s Array of Things）”举措，会定期测量污染、声音、行人和车辆交通等活动，并帮助城市领导人更好地了解社区之间在空气质量和街道网络效率方面的差异。在市政技术领域，像美国代码（Code for America）的“档案清除（Clear My Record）”技术，将人们在清除犯罪记录时网上填写表格的过程流程化，从而为政府提供了机会来解除边缘人群所面对的障碍。随着城市政府部门利用这些新数据源来获得关于公平的见解，他们必须采取措施，让社区透明地参与数据收集，并保护居民的隐私，特别是由于这些新技术对穷人的影响更为严重。

　　在采用技术型解决方案时，必须考虑诸如收入差距、居住隔离、金融排斥、宽带和电脑科技资源差异等问题。例如，低收入居民拥有电脑、宽带和智能手机的可能性更低。尽管图书馆提供了另一种上网方式，但低收入居民很可能需要接受培训，以增强使用互联网的信心。因此，当一个城市使用网站或应用程序，来提供传统由纸张或政府办公室提供的服务时，这些不太可能享受到数字化提供的好处。

　　此外，歧视的力量，或者城市数据捕捉到的传统歧视模式，使这些结构性障碍持续化。在数据分析中，像CompStat这样的程序使用历史数据来预测未来的犯罪模式，但是历史数据可能基于歧视行为，所以这些预测将使这些刻板印象持续化。在共享出行领域，研究人员对美国的研究发现，黑人用户等待的时间更长，而且在优步这类的服务中面临更高的取消率（Brown，2018）。

　　许多城市缺乏必要的能力和资源，来利用技术创新促进公平，无法优先考虑那些历来被排除在外的用户。当城市试图用更少的钱做更多的事情时，技术可以帮助降低成本，但若要确保公平的结果，则预先投资是必要的：如果公平和用户体验不是这些技术决策的明确部分，成本、供应商偏见（vendor biases）和供应商锁定（vendor lock-in）将会优先。

　　例如，在数据分析和城市科技领域，美国的城市政府经常使用311呼叫来代表城市的服务需求。然而，这些呼叫可能无法很好地代表低收入地区居民的服务需求，因为这些人不太可能使用该应用程序来报告问题。地方政府需要具备数据分析能力的工作人员，以确保数据被适当使用以促进包容。作为这一需求的回应，布隆伯格慈善基金会的“What Works Cities”等项目正投资培养城市数据分析能力，为100个城市的员工提供有价值的同行学习网络。不太可能使用311的社区还需要投入资源来宣传和教育。尽管城市可能因所需雇佣的电话接线员减少而节省资金，节省下来的部分资金可能需用于招聘分析人才和协调有针对性的宣传工作。

　　在市政技术领域，实现移动应用程序等新技术需要大量投资来构建工具、进行平台和版本更新，但这会使智能手机用户的访问和使用更加容易。然而，如果促进公平没有明确地被列入该项目的一部分，那么在应用程序开发完成后，城市可能没有足够的资金对智能手机使用率较低的社区进行有针对性的推广，或者开发一个该群体可以访问的网络版本。

　　一般来说，城市领导者有时会面临这样的挑战：重新塑造原本是为了利润最大化而设计的技术，而不是直接用它来解决特定的社会问题。在智能基础设施领域，技术目标常常与大型企业的需求不同，而技术构建者又是科技公司中那些习惯为商业客户解决问题的工程师。智能城市技术“在创建时往往没有对城市和群众的角色进行深入了解，并假设城市的问题是最优化问题，这种假设有时合适，但大部分情况并不恰当。”

　　研究表明，包容性设计过程产生的项目和产品质量更好，更适用于所有人。但如果没有明确的合作设计和参与规划，那些缺乏权力机关接触渠道的群体，可能被排除在建设和实施新技术的进程之外。换句话说，如果历来被排斥群体无法参与进来，那么科技产品的创造可能会加剧排斥。例如，开云kaiyun在市政技术领域，许多技术不可避免地强化了公民参与的现有模式。mySociety对美国5个城市的5个“成功”市政技术应用程序进行了调查，发现这些应用程序的用户在人口统计学上与那些已经通过传统方式亲自参与政府事务的人非常相似，这些传统方式包括出席政府论坛，在市议会上发言等。也就是说，对于那些面临障碍而无法参与政府的人，市政技术的许多应用程序可能不会为其提供更多机会。

　　当城市实施更具包容性的进程时，似乎可以获得更公平的结果。例如，由华盛顿特区的InnoMAYtion黑客马拉松所支持的包容性过程已经为女性、青年和有色人种设计和创建了网站和应用程序。KC数字驱动的绿色小镇（Paint the Town Green）运动通过向低收入社区开展外展服务，来帮助密苏里州堪萨斯城公平地共享谷歌光纤（Google Fiber），为达成全市90%的社区能使用谷歌光纤的目标做出贡献。虽然这些例子看起来很有希望，但需要更严格的评估才能说明更具包容性过程能提供更加公平的结果。

　　当前数字科技在中国城市迅速普及，移动支付、线上预约、共享出行等技术创新已密切融入现代城市生活，这为许多人的生活带来便利，但也对另一些边缘人群，如习惯了传统生活方式的老年人，或负担不起电脑和移动网络的贫困人群，在日常生活、教育和工作等方面造成了严重障碍。城市数字在便利大众的同时，也造成了一种新的不平等，即数字鸿沟。政府在推进科技创新的同时，也应关注这些由技术造成的结构性不平等，关注被排除在数字社会之外的边缘人群，开云kaiyun以科技创新建设更加公平、包容的数字城市和社区。

　　数字鸿沟仍然是一个关键的结构性问题，政府需创造一种有利环境来确保技术创新的好处能得到公平分享（Arena和Pettit，2018）。中国数字城市建设要充分考虑边缘人群的需求，组织公益培训以及补贴计划，帮助面临数字鸿沟的人群获取智能设备并掌握上网技能，从而更好地获取城市服务。同时，在推进数字城市建设时，还应充分尊重传统，城市内部可留出一些区域，保留传统的生活方式，使得整个城市生态更加多样和包容。

　　为确保公平目标的实现，政府必须在技术项目的计划、规模、执行和评估中引入公平这一维度。城市应给出明确的公平承诺并采用配套工具，以帮助城市部门在所有计划和实践中都采用公平的视角，并且这些部门应在技术方面采取措施，调整各部门的公平目标以及过程，使其与更广泛的全市范围倡议保持一致。数字城市发展应以人为本，除了经济发展，还应更多考虑公平与包容。因此，为了促进公平，政府官员的绩效考核还应考虑到当地政府是否促进了城市的包容与公平，激励领导者在建设数字城市的同时更全面地考虑科技对人们生活的影响，尤其是对社会的影响，将公平目标落实到项目的开发和实施中，从而推进城市公平。

　　为加强社区参与数字城市建设，确保边缘化群体被包括在内，城市应与拥有成熟社区关系的地方组织合作，积极与社区协商，并赋予居民参与共同设计城市的权力。城市政府可利用技术来帮助那些在传统方式下无法参与社区共建的人群，让他们在塑造社区和计划未来方面获得发言权。

　　城市和企业可加快使用技术和分析工具，来跟踪一系列项目和服务在公平方面的进展。应持续投资培养应用数据分析人才，并开发框架、流程和最佳案例来衡量公平目标的进展。在中国，许多电商平台、共享出行APP、外卖平台积攒了大量用户数据，这对城市的管理提供了机遇和挑战。城市和公司可以使用嵌入在智能基础设施和共享出行应用程序中的分析工具，来了解用户人口统计与基础设施位置的地理差异，从而跟踪公平进展。总之，城市需监督且公开公平目标的完成进度，并打造拥有强大参与策略的开放数据平台，以帮助社区群体追究公共机构的责任。