清华同衡副总规划师黄伟：打通数智赋能的四条治理链，适应数智时代超大城市交通治理

导 读

10月13日，以“数智赋能超大城市现代化治理”为主题的九三学社中央第五十二次科学座谈会在重庆召开。全国人大常委会副委员长、九三学社中央主席武维华出席会议并讲话，社中央副主席刘政奎，社中央原副主席赖明，社中央常委、重庆市人大常委会副主任屈谦，重庆市政府副市长姜国杰等领导出席会议。重庆市规划和自然资源局、住房城乡建委、城市管理局党组、交通运输委、卫生健康委、市应急管理局、大数据发展局等部门领导参加会议。

九三学社住建部支社副主任委员、清华同衡规划院副总规划师黄伟受邀作题为《打通数智赋能的四条治理链——超大城市交通治理的观察与建议》的主题发言，建议打通交通治理中的决策响应、跨部门协同、数据共享和持续运营四条关键链条，推动数智能力融入城市交通治理。会上，黄伟与九三学社中央领导、院士、专家及重庆市有关部门负责人深入交流；会后将进一步研究形成参政议政建议。现将发言主要内容整理如下。

清华同衡副总规划师黄伟在九三学社中央第五十二次科学座谈会上发言

交通可能是城市运行状态最敏感的“传感器”之一。它的数据密度高，车辆、公交、轨道、卡口、地图、停车、气象等数据持续产生；时空变化快，很多运行状态以分钟甚至秒为单位变化；系统耦合强，与土地、人口、产业、公共服务和城市更新高度关联。更重要的是，交通治理反馈较快，信号配时、交通组织、线网调整之后，可以较快观察到效果。

因此，交通既是典型的开放复杂巨系统，也是适合检验数智治理能否真正落地的领域。

随着人工智能、大模型、数字孪生等技术发展，实时感知、持续诊断、智能推演和动态评估的能力不断增强。但这些能力能否进入实际治理，还取决于现有治理体系能否作出相应调整。从城市交通治理观察，目前至少存在四个关键断点：决策链上，技术已经实时化，治理仍比较周期化；协同链上，项目按条块建设，价值却需要在系统协同中产生；数据链上，政府和企业各有平台，可信流通机制尚未打通；运营链上，系统容易建成，长期更新、学习和迭代更难。

这四个问题，表面上是数字技术应用问题，背后都是治理机制怎样适应数智时代的问题。打通四条治理链，需要围绕各自的问题，把数智能力嵌入具体的治理流程和制度安排。

一、决策链：数智能力已经实时化，治理机制仍然周期化

城市交通每天都在变化。拥堵点会变，信号控制需求随交通流变化，施工、事故、天气不断扰动路网，居民出行需求也在持续变化。技术上，已经可以持续监测这些变化，并由AI帮助识别问题、分析成因、形成治理建议。但大量治理事项仍主要依托年度计划、专项规划、人工报告、会议研究和项目立项。

由此形成明显的节拍错位：数据以天甚至小时为单位更新，治理流程仍以月、以年为单位运转。

城市交通体检就是一个例子。过去综合交通调查可能几年开展一次，现在可以通过多源数据持续识别新增拥堵点、通勤异常增长区、公交薄弱区、停车供需失衡区及重点节点运行异常，形成“问题—原因—影响范围—优先级”清单。

成都华西医院片区通过功能分区、流线分离、特定时段限行等交通组织调整，形成南北两个交通“微循环”，减少不同接送乘客车辆之间的相互干扰。据2025年2月公开报道，实施一周后，片区拥堵指数由3.28降至2.44。这一案例说明，对有限城市空间进行精细化资源重组，同样可以改善交通运行。

但AI发现问题之后，怎样进入治理流程？现实中，很多问题仍需要人工整理、人工成文、人工报送、人工协调，再进入项目库。机器负责发现问题，人还在负责搬运信息；数据实时更新，治理事项却周期性汇总。数智治理的“最后一公里”，不仅涉及数据，也涉及流程。

针对决策链的问题，可以从三方面作出调整。

1. 建立“诊断即触发、问题即入库”的数据直通机制

将AI诊断结果直接接入城市治理问题库和项目储备机制。AI识别问题后，辅助判断严重程度、影响范围和治理紧迫性，自动分类分级，形成问题清单和治理建议初稿。符合阈值的问题进入城市交通问题库，衔接治理任务库和项目储备库。

需要方案比选时，可以进入“方案工厂”：由AI辅助批量生成方案，调用专业交通模型开展仿真，再从成本、效率、公平性等方面综合评估、迭代优化。

人的工作重点，则转向立案确认、资源决策和公共价值判断。机器识别问题、生成和推演方案，人进行价值判断和最终决策。

2. 建立“诊断—治理—复核”的数智闭环

把同一套数据同时放在治理的起点和终点。传统治理往往重视“项目是否完成”，数智治理应更加关注“问题是否真正改善”。

立项时用数据诊断，实施后由系统持续监测拥堵指数、路段旅行时间、交叉口延误、公交运行效率和出行可靠性等指标，复核治理成效。效果不足，则再次触发优化，形成“诊断问题—触发任务—实施措施—持续监测—复核成效”的闭环。

也就是，立项用数据，验收也用数据，让治理结果反过来校正治理决策。

3. 探索建立智能体分级授权机制

对高频、低风险、可逆、规则清晰的事项，可以在明确授权范围内，由智能体承担更多执行任务，逐步形成三级授权机制。

一级是机器自主，适用于符合上述条件的信号配时微调、绿波带参数优化、常规诱导信息调整等事项；二级是人机协同，适用于施工交通组织、重点区域临时管控、大型活动交通调度等影响范围较大的事项；三级由人负责最终决策，适用于涉及重大公共利益、重大资源配置和重大安全风险的事项。

通过持续感知、智能识别、自动分级、自动触发、人机协同和效果复核，推动治理从“计划驱动”走向“事件驱动”。其中的责任边界应当明确：AI增强决策，不替代治理责任。

二、协同链：建设按条块推进，城市价值靠系统协同产生

超大城市的基础设施已经形成高度耦合的复杂网络。道路网、轨道网、地下管网、电网、通信网、物流网等相互叠加，但投资、建设、责任和考核仍大量按照行业条块组织。

部门分别完成自己的任务，并不一定意味着城市整体效果最好。城市是一套系统，运行效率和市民体验，很大程度上取决于不同网络之间能否协同。

“拉链式开挖”是最直观的例子。一条道路可能同时涉及排水改造、燃气更新、电力扩容、通信施工、道路维修和公交设施调整。如果分别立项、分别施工，就可能出现今年挖排水、明年挖燃气、后年再修电力的情况。每个部门都完成任务，每个项目都通过验收，但道路反复围挡、财政重复投入、交通持续受扰，市民体验反而下降。

问题不一定是谁没有做好，而是缺少从城市系统整体判断项目时序和组合的机制。

传统跨部门协同主要依靠项目报送、人工比对、部门协调和领导决策。面对超大城市数量庞大的设施、项目和运行状态，人工协调越来越难以提前发现全部冲突，也难以同时量化交通影响、施工周期、投资成本和公共服务影响。协同治理需要从经验协调进一步走向数据计算和智能推演。

针对协同链的问题，可以提出三点建议。

1. 建设面向跨网协同的城市基础设施数字孪生

把道路、轨道、地下管线、电力通信设施、物流设施、建设项目、维护计划和实时交通运行状态，放进同一个可计算的城市空间。

项目录入后，系统开展空间冲突、时间冲突、施工影响、交通影响及敏感设施影响分析，提前识别重复开挖、工期冲突、施工叠加，以及对医院、学校、公交等场景的扰动。

这样，“一次开挖、多网统筹”就可以逐步成为系统运行的默认规则，减少对临时协调的依赖。

2. 配置跨网协同智能体，辅助生成协同方案

数字孪生帮助“看见冲突”，跨网协同智能体进一步回答“如何协同”。

当几个工程发生时间或空间冲突时，智能体可以调用交通流、地下管线、公共设施、施工周期、投资计划和敏感区域等数据，对不同组合开展多方案推演：哪些工程可以合并施工，哪种施工时序总工期更短，哪种方案交通影响更小，哪种组合能减少二次开挖，哪种方案综合社会成本更低。在此基础上，形成多个方案及综合影响评估，供决策参考。

这里需要强调一个专业边界：大模型不能替代交通模型。大模型可以帮助理解任务、组织资源和调用工具，专业交通模型承担出行需求分析、交通分配、仿真和容量计算等工作。合理的技术架构，应当是大模型、专业交通模型、GIS、实时数据和业务规则的组合。

真正的城市治理智能体，需要具备专业知识、实时数据、专业模型、业务规则、政策约束和相应执行权限。机器先算，人再决策。

3. 让系统协同价值可计算、可考核

将跨部门协同审查、联合研判和绩效评价嵌入数智系统，从“一个项目、多个部门分别审”，逐步转向“一个项目、多网数据共同研判”。

评价指标也应从条块指标进一步拓展到系统指标，包括重复开挖减少量、跨网项目协同率、施工综合扰动时间、基础设施综合利用效率、市民出行影响和综合社会成本等。

重庆两江新区探索的“综合飞一次”模式，将分散的政务飞行需求加以整合，形成“一网统管、一机多飞、一飞多用”的低空治理方式。这个案例反映了一个共同道理：资源往往按部门配置，价值却在协同中产生。

把协同价值算出来、记录下来，并纳入项目决策和绩效评价，才能进一步推动治理从部门最优走向系统最优。

三、数据链：政企各有平台，可信数据流通机制尚未打通

城市交通运行数据主要分布在政府和企业两类主体中。政府平台的优势是权威、全局、具有公共治理属性，但部分平台仍重汇聚、重展示，在实时应用和基层处置环节不够灵活。企业平台的数据实时性强、场景深入、迭代较快，但不同企业各自运营、彼此封闭。

政府掌握公共治理权威，企业掌握大量鲜活数据，两类能力尚未充分融合。

企业数据共享面临“不愿交、不敢交、不会交”的问题。不愿交，是因为数据是重要的生产资料，缺少持续共享激励；不敢交，是因为涉及商业秘密、隐私、安全和责任风险；不会交，是因为数据结构、接口、口径和标准各不相同。政府公共数据开放也面临安全边界、权责界定、开放方式和使用追溯等问题。

因此，需要建立长期稳定、安全可信、权责清晰的数据流通和计算机制。

过去城市数字化首先解决“有没有数据、能不能汇聚”，进入数智阶段，还要解决“数据能不能形成有效的治理智能”。网约车掌握即时出行需求，导航平台掌握实时路况和路径选择，停车企业掌握泊位状态，公交轨道掌握公共交通运行，政府掌握道路设施、交通管理和公共政策数据。单一平台难以形成城市全景。

让不同数据在安全边界内共同参与计算、调用模型、支持决策，再进入实际治理场景，是打通数据链的重点。对此，可以从三个方面推进。

1. 政府从“建更多平台”转向“建公共底座、定数据规则、保安全边界”

政府应重点提供公共数字基础能力，统一数据标准、接口标准、时空基准、身份认证、数据目录、权限管理和安全规则。

同时明确双向权责：企业数据中，哪些属于公共治理必要数据，如何接入、接入到什么粒度；政府数据中，哪些可以开放、开放给谁、如何授权和追溯，都需要有相应规则。

公共底座共用，应用不必统一。政府不必包办所有应用，企业和专业机构可以在共同规则和公共底座之上，开发不同场景的应用。

2. 建设可信数据流通机制

利用可信数据空间、隐私计算、数据授权、分级分类、使用留痕等方式，使部分敏感数据在不全部交出的情况下参与联合计算，实现权限可控、结果可审计。

从“先把数据集中到一起，再使用”，逐步拓展为“部分敏感数据可以不离开原有主体，但按规则参与计算”，区分个体数据和集计数据，探索“可用不可见、可算不可取”的使用方式。

同时建立数据贡献与使用之间的激励机制，让贡献公共治理所需数据的主体，在规则允许的范围内获得相应公共数据、公共能力或应用场景。

用激励解决“不愿共享”，用安全技术解决“不敢共享”，用统一标准解决“不会共享”，使数据协作能够持续开展。

3. 让AI和专业智能体成为跨平台的“黏合剂”

企业保留各自平台和商业逻辑，在统一底座之上开展应用创新，AI和专业智能体承担跨平台协同，在公共底座上调用数据和能力。

例如，在停车场景中，将实时泊位状态与预约停车、动态诱导、错峰共享相衔接，实现供需匹配；在综合交通场景中，将交通需求、路网运行、公交轨道和停车信息相结合，支持多方式联合调度和动态出行服务；在低空等新场景中，衔接公共管控规则与企业运营需求，支持动态资源配置和多任务协同调度。

未来城市数智治理可能形成专业智能体协同网络。停车、公交、路网调度等智能体各有专业分工，又能够相互调用数据和能力。

评价一个城市交通平台是否有效，应当看它能否调度真实的车辆、泊位和城市资源，推动数据从汇聚走向产生治理智能。

四、运营链：一次性项目制难以支撑数智系统持续进化

一些智慧交通系统、城市大脑和数字平台，在建成时功能先进、数据丰富、系统完整，但几年后可能出现数据不再更新、传感器失效、接口中断、模型停止迭代、应用长期无人调用等问题。治理场景发生变化，算法却仍停留在原版本。

背后的原因，是仍然习惯用管理传统工程项目的方法，管理需要持续更新和迭代的数智系统。项目验收以后，建设单位退出，但数据更新、模型训练和场景迭代等工作仍需持续开展。

传统基础设施建成后，主要通过维护应对损耗和折旧；数智系统则需要通过数据积累、模型学习和场景迭代，持续形成能力。一旦停止运营，数据会变旧，模型可能失准，新的场景难以适配，系统能力随之退化。

建设有资金、有项目、有验收，运营经费、模型迭代和数据更新却缺少稳定机制，是运营链需要解决的主要问题。未来城市治理的竞争力，还取决于能否把数据转化为持续学习和持续决策的能力，也就是要“向运营要价值”。

针对运营链的问题，同样需要三方面调整。

1. 用数智手段运营数智系统

为城市大脑、智慧交通平台和重要模型配置运行智能体，持续监测数据、设备、接口、模型和应用的运行状态。

在数据层，检查数据多久没有更新、质量是否下降、链路是否中断；在设备与接口层，检查传感器是否失效、接口调用是否异常、服务是否在线；在模型层，检查精度是否下降、是否出现模型漂移、是否需要重新训练或校准；在应用层，关注功能调用频率、实战处置效果和治理成效。

发现异常后，系统自动预警，标准化问题在授权范围内处理，需要人工解决的问题自动派单，逐步形成“系统自检—异常诊断—自动派单—部分自修复—持续迭代”的过程。

2. 把运营前置到立项阶段

数智系统在建设之初，就应回答：谁负责长期运营，谁更新数据，谁维护模型，谁持续迭代应用，经费渠道是什么，运营效果如何评价。

建设方案与运营方案应同步设计、同步审查、同步落实。如果长期运营安排没有答案，就不宜轻易立项。

同时探索稳定的运营资金和采购机制，从一次性采购一个系统，逐步转向持续购买能力、服务和治理效果。城市需要的是一种长期存在、能够持续发挥作用的治理能力。

3. 让系统自动生成“运行体检表”，用数智指标考核数智系统

建立能够反映数智系统运行状态的指标体系，并尽可能自动采集、自动评价。

数据方面，关注更新率、完整率和质量变化；系统方面，关注接口在线率、关键设备在线率和异常恢复时间；模型方面，关注迭代频次、有效性和模型漂移情况；实战方面，关注业务调用量、实战处置量和治理效果改善程度。

过去考核更多看有没有建成，今后还应看系统是否持续运行、模型是否有效、应用是否真正进入业务。考核建成率，容易得到更多平台和大屏；考核存活率、进化率和实战能力，才能推动形成持续的治理能力。

让数智赋能从技术应用深入治理机制

四条治理链，对应着数智能力需要进入的四个环节：让AI进入治理流程，从计划驱动走向事件驱动；让智能体进入跨部门协同，从人工协调走向智能推演；让数据进入可信流通，从数据汇聚走向数据产生智能；让AI进入系统运营，从人工运维走向持续迭代。

数智赋能的关键，在于让实时感知、智能推演、专业智能体和可信数据流通等新能力，真正嵌入决策、协同、数据和运营全过程，推动治理机制同步变革。

在这个过程中，责任边界始终应当清楚：AI增强决策，不替代治理责任；人作最终决定，AI增强专业判断。

只有数智能力真正进入城市的决策方式、协同方式、数据制度和运营方式，才能转化为持续的治理能力，更好支撑超大城市治理现代化。

封面图｜供稿部门

供稿｜清华同衡 交通研究中心