《Future Transportation》：Evaluation Approaches and Indicator Architectures for Smart Urban Mobility in Smart City Contexts: A Review
快速城市化加剧了交通拥堵、环境压力和交通不公平，从而增加了对智慧城市交通（Smart Urban Mobility, SUM）的兴趣，这是一种结合数字技术、可持续交通策略和数据驱动决策以应对这些挑战的方法。然而，由于缺乏统一的评估框架以及智慧城市情境下应用方法的多样性，SUM的评估仍然支离破碎。研究人员对智慧城市情境下SUM的评价方法和指标架构进行了系统性文献综述。使用PRISMA指导的筛选过程，从412条检索记录中选出了33项符合条件的研究。确定了三个主要方法组：定量方法、多准则决策方法（Multi-Criteria Decision-Making, MCDM）以及定性或参与式框架。总共273项指标被组织成八个因素类别，这证实了智慧城市交通评估的多维性质，同时也揭示了各研究在指标选择和应用方面的一致性有限。在所选研究中，当前的评估实践越来越多地与项目优先级排序、规划和决策支持相关联；然而，其有效性仍受到数据不一致、治理碎片化和用户参与不足的限制。这些发现强调了评估框架需要具有足够的可比性以支持跨城市学习，同时又足够灵活以反映当地情境和制度现实。
**1. Introduction**
快速城市化加剧了交通拥堵、环境压力和交通服务的不平等，促使智慧城市交通（Smart Urban Mobility, SUM）作为整合数字技术、多模式交通系统和数据驱动决策的方法应运而生。然而，SUM的评估仍因缺乏统一框架和方法多样性而碎片化。数据可用性差异（如大数据、物联网（IoT）监控、数字孪生与陈旧数据集并存）限制了可比性。多准则决策方法（MCDM）如层次分析法（AHP）、逼近理想解排序法（TOPSIS）和VIKOR广泛应用，但结果依赖专家判断和权重假设。治理和制度障碍（如政策碎片化、部门协调不足）进一步削弱了评估的一致性。此外，多数框架侧重技术和经济维度，对用户体验、公众感知和边缘群体需求的纳入有限。为此，本文通过系统文献综述，比较方法论框架、识别最常用指标架构，并检验其对规划和决策支持的相关性，提出三个研究问题：评估框架与方法、指标架构及其一致性、现有研究对城市规划和政策过程的支持程度及局限。
**2. Background and Evolution of Smart Urban Mobility**
**2.1. Historical Evolution**
SUM的概念随着城市交通挑战和技术进步而演变。1990年代，重点是通过智能交通系统（ITS）提升运营效率和道路安全，但忽视可持续性和社会包容。2000年代初，受全球环境议程影响，可持续性被纳入，推动非机动交通、公共交通投资和车辆电气化。2010年代以来，信息通信技术（ICT）和大数据分析推动了实时导航、共享出行平台和预测建模的整合，多模式集成和用户中心设计日益重要。SUM从基础设施导向的交通管理转向整合技术、可持续性和包容性的多维范式。
**2.2. Defining Smart Urban Mobility**
SUM是结合技术创新、可持续交通策略、可达性和治理的多维概念。其核心组件包括：ICT（通过ITS实现动态控制和预测分析）、可持续出行（低碳交通选项如电动汽车和共享服务）、治理框架（确保公平和可达，明确横向和纵向公平指标），以及多模式交通整合（公共交通、非机动出行和共享出行）。社会公平和包容性至关重要，需解决数字鸿沟和负担能力问题。SUM并非仅技术现代化，而是整合运营效率、环境可持续性、可达性和用户中心的转型。
**2.3. Regional Perspectives**
SUM的实施因区域而异：欧洲强调机构支持、可持续城市出行计划（SUMPs）和多模式集成；北美和亚洲因汽车依赖和碎片化治理呈不均发展；拉丁美洲和非洲受非正规交通、基础设施不足和数据可用性差影响。区域背景影响指标选择、数据来源和评估方法的可行性，需灵活且可比较的框架。
**3. Literature Search**
**3.1. Search Strategy and Inclusion Criteria**
采用PRISMA框架进行系统文献检索，覆盖TRID、Scopus、ScienceDirect、Web of Science和Google Scholar五大数据源。布尔查询结合“评估”“城市”“智慧出行”等术语，并应用语言（英语）、文献类型和学科领域过滤。筛选分标题/摘要和全文两阶段，由两名独立评审员进行，分歧通过讨论解决。最终从412条记录中纳入33项研究，编码其智慧城市嵌入程度（显式、部分或一般城市出行）。图1为PRISMA流程图。
**3.2. Descriptive Mapping of the Retrieved Literature**
描述性映射显示，研究活动在2016年后显著增长，地理分布集中于欧洲，拉丁美洲、非洲和亚洲部分区域研究有限。关键词分析中，“智慧出行”“智慧城市”“出行”和“可持续性”主导，术语多样性反映概念异质性。关键词共现网络揭示智慧城市基础设施与治理、可持续交通系统、数字与算法工具等聚类。图6对纳入研究进行类型学分类，包括指标导向、具体评估方法、综合概念框架等。
**4. Key Indicator Architectures for Smart Urban Mobility Evaluation**
表1汇总了33项研究中指标数量，识别出八个因素组：信息通信技术（ICT）、环境可持续性（ENV）、可达性（ACC）、经济（ECO）、社会（SOC）、技术（TEC）、治理与政策（GOV）和公共交通（PT）。最常维度的为ENV、ACC和GOV。指标总数从3到96不等，反映缺乏标准化框架。表2列出273项独特指标，形成三级概念架构：第一级技术运营能力（ICT、TEC、PT），第二级城市绩效与可持续性（ENV、ACC、ECO），第三级制度与社会条件（GOV、SOC）。图7为指标词云。
**4.1. Commonly Used Indicators in the Literature**
**4.1.1. Information and Communication Technologies (ICT)**
ICT提供数字基础，包括ITS、IoT设备、数字孪生，用于实时监控和预测分析。常见指标涉及数字基础设施、实时信息系统、监控能力、支付技术和交通管理应用。
**4.1.2. Environmental (ENV)**
环境指标评估排放减少、能效和空气质量，常见策略包括低排放区、电气化和可再生能源。指标包括CO
2排放、能耗和空气质量参数。
**4.1.3. Accessibility (ACC)**
可达性确保居民安全、高效、可负担地到达目的地，指标包括网络覆盖、多模式连接、可负担性和步行友好性，强调通用设计和包容性基础设施。
**4.1.4. Economic (ECO)**
经济评估关注投资效率、成本效益和资源分配，常用指标为公共支出、运营成本和生产率收益。公私合作伙伴关系（PPP）和MCDM方法支持项目优先级。
**4.1.5. Social (SOC)**
社会维度强调包容性、公平和安全，指标评估女性、老年人、低收入群体等可达性，以及性别敏感干预、公民参与和用户满意度。
**4.1.6. Technical (TEC)**
技术指标评估基础设施效率、安全性和互操作性，包括旅行时间、能耗和系统可靠性，由ITS和IoT工具支持。
**4.1.7. Government (GOV)**
治理指标衡量机构能力和政策一致性，涵盖综合出行计划、跨机构协作和参与式决策，SUMP实施依赖基线设定和监控程序。
**4.1.8. Public Transport (PT)**
公共交通指标关注可靠性、频率、网络覆盖和模式份额，电动化车队、智能票务和实时信息提升绩效，与共享出行和骑行系统整合增强多模式连接。
**4.2. Challenges in Indicator Application**
**4.2.1. Lack of Uniform Data Across Regions**
数据收集方法、指标定义和基础设施差异阻碍比较分析。部分城市利用先进传感器和数字孪生，其他依赖手动调查。缺乏统一的关键绩效指标（KPI）定义（如拥堵水平、可达性指标）限制最佳实践转移。发展中国家的数据质量、隐私和碎片化问题尤为突出。SUMI等标准化努力虽存在，但政治和制度障碍限制采纳。
**4.2.2. Adaptability Issues**
评估框架的适应性受城市社会经济、地理和基础设施差异挑战。标准化模型在发达城市可行，但在非正规交通系统或数字化不足地区难以直接应用。指标设计常针对特大城市，不适应中小城市。数据可用性和互操作性差异影响模型可靠性，监管框架和机构协调不足进一步限制适用性。适应性需对齐地方机构能力、基础设施和政策优先级。
**5. Methods for Evaluating Smart Urban Mobility**
表3总结所选研究的方法论，分为定量方法（合成指标、经验数据驱动、IoT监控、数字孪生）、MCDM方法（AHP、TOPSIS、VIKOR等）和定性/参与式方法（STEEP、公民参与）。图8展示方法分类。混合方法日益增多。
**5.1. Quantitative Approaches**
**5.1.1. Synthetic Mobility Indices**
合成指标通过聚合加权指标进行跨城市比较和监测，如López-Carreiro的智慧出行指数和Pinna的合成指数。优势在于简化复杂情况，但依赖指标选择和权重。
**5.1.2. Empirical and Data-Driven Methods**
利用调查、GPS轨迹、智能卡等数据评估出行模式，如Bielińska-Dusza的结构方程模型和Rze?ny-Cieplińska的德尔菲法。实时运营数据支持公共交通可靠性分析，但数据整合面临互操作性和隐私挑战。
**5.1.3. IoT Sensor-Based Monitoring**
IoT传感器提供连续高分辨率数据，用于交通流监测、公共交通优化、环境监测和智能停车。优势是实时调整，但成本、隐私和互操作性仍是挑战。
**5.1.4. Digital Twins**
数字孪生是集成的虚拟模型，整合实时数据、模拟和预测分析，如Chattanooga数字孪生优化信号同步。需要高质量数据和技术能力，成本高。
**5.2. Multi-Criteria Decision-Making (MCDM) Methods**
**5.2.1. Analytic Hierarchy Process (AHP)**
AHP通过专家判断构建层次权重，用于因素重要性确定，如Zapolskyt?和Huertas的研究。透明但依赖主观性。
**5.2.2. Technique for Order of Preference by Similarity to Ideal Solution (TOPSIS)**
TOPSIS基于正负理想解排序，计算简单，但受权重和输入数据影响。
**5.2.3. VIKOR Method**
VIKOR生成折衷解，适用于冲突目标，对权重敏感。
**5.3. Qualitative & Participatory Approaches**
**5.3.1. STEEP Methodology**
STEEP通过社会、技术、经济、环境、政治维度评估，纳入治理和包容性，如Bosch和Regmi的研究。
**5.3.2. Citizen Participation in Mobility Evaluation**
参与式方法包括调查、焦点小组、德尔菲法和众包数据，揭示技术指标未覆盖的实施差距，但受数字鸿沟和代表性偏差影响。
**6. Project Prioritization in Smart Urban Mobility Evaluation**
项目优先级排序是SUM规划的关键。仅在两项研究（Awasthi和da Silva）中明确优先化具体项目。da Silva采用AHP-TOPSIS组合，侧重可行性和短期效益，用于巴西Pato Branco。Awasthi采用模糊TOPSIS、VIKOR和灰色关联分析（GRA），侧重长期可持续性，用于卢森堡。两者均进行敏感性分析，但方法复杂度和适应性不同：前者易实施但依赖性，后者分析深度高但运营困难。
**7. Discussion: Trends, Challenges, and Future Directions**
**7.1. Current Trends in Smart Urban Mobility Evaluation**
趋势包括：数据驱动监控（数字传感、智能票务）、参与式方法增加（公民视角、数字平台）、方法论多元化（MCDM主导，混合方法兴起）。图9显示MCDM占比最高。
**7.2. Challenges and Future Directions**
核心挑战是缺乏兼顾可比性和适应性的框架。MCDM结果受权重影响，合成指标可能忽视本地差异。SUMP等在发达地区有效，但在发展中区域受数据稀缺和治理碎片化限制。未来应：开发标准化核心指标与本地扩展结合；关注资源受限城市；多情境验证框架；研究融资、治理和隐私保护机制。
**8. Conclusions**
本综述揭示了SUM评估的方法论多样性和指标不一致。273项指标归类为八组，确认多维性。数字工具增强系统响应但不平衡。评估支持规划但受治理和数据约束。区域差异显著，需灵活可比较的框架。未来应发展上下文敏感的指标架构、多情境验证、整合实时和参与式数据，以及优化治理安排。
