张森

摘 要：虽然当前许多城市在智慧化建设中有完整的战略规划，但对智慧社区信息服务的收入产出却没有清晰的反馈。本文通过构建一个智慧社区信息服务绩效评价指标体系，结合层次分析法和模糊综合评价方法建立测评模型，进行实证研究并提出相应建议。

关键词：智慧社区;信息服务;绩效评价

中图分类号： TU984.12      文献标识码： A      文章编号： 1673-1069（2016）30-72-2

0  引言

自从2008年金融危机后，IBM公司提出“智慧地球”的新理念，以此理念为核心的智慧项目成为世界各国城市建设的风向标，引起了国内外学者的关注。而智慧社区是智慧城市在个体生活最小单元上的映射，它是智慧城市这项复杂的系统工程中至关重要的一环，是智慧城市的理念、技术在精确空间尺度上的一种演绎。有关智慧社区的概念，中华人民共和国住房和城乡建设部印发的《智慧社区建设指南（试行）》的阐释为：智慧社区是借助新一代信息通信技术，整合相关信息资源，依托信息基础设施。建立统一信息服务平台，最终为社区居民提供便捷的、全方位的信息服务，在顺应党中央关于智慧社区建设要求的同时能够为智慧城市的建设奠定基础。同时智慧城市要求借助新一代通信技术如互联网+、云计算、大数据等进行多源信息整合，打破信息孤岛，为公众提供高质量的信息资源及信息服务，这一实践对于资源利用率的提高及社区居民生活质量的提高有着重要的意义。本文通过梳理智慧社区信息服务绩效评价理论，构建出智慧社区信息服务测评指标体系，使用基于层次分析法的模糊综合评价模型对智慧社区信息服务绩效进行测评，最后根据评测结果提出智慧社区信息服务水平提升和优化的基本策略。

1  智慧城市信息服务评价指标体系

1.1 智慧社区信息服务绩效测评指标体系设计思路

笔者在智慧社区信息服务绩效评价指标体系构建的过程中，依托的是测评树状式指标体系结构，遵循的是客观性、针对性、可操作性、完备性等原则，将测评指标体系分为三个层次，分别是：目标层、指标层（要素层）、具体指标层。

1.2 智慧社区信息服务绩效评价指标体系构建

本文在智慧社区信息服务指标体系构建的过程中，参考了《智慧社区建设指南（试行）》中的所构建的评价之标体系，并借鉴了《社区信息服务顾客满意度评价》中所构建的指标体系以及相关的信息服务绩效评价指标构建的文献，同时梳理了国内对于智慧社区和社区的研究，最终构建智慧社区信息服务绩效评价一级指标6个，二级指标17个的绩效评价指标体系，见表1。

2  智慧社区信息服务绩效评价模型选取

2.1 层次分析法

层次分析法是由T.L.萨蒂（Saaty）于20世纪70年代提出的，具体概念是将评价指标体系根据其隶属度分为几个层级，并在形成的这一个多层指标体系及基础，从而确定出指标的权重。主要步骤有：①构建判断矩阵，对于同一层次下的指标进行两两评判。②层次单排序，根据判断矩阵计算特征向量并归一化，得到一级指标层次单排序。③确定相对权重，运用特征向量的方法计算各层指标相对于上一级指标的权重。④一致性检验，将偏差一致性指标与平均一致性指标进行对比。⑤确定各指标权重，该指标体系所构建的判断矩阵达到一致性检验的要求后，各指标权重取值取自判断矩阵的特征向量。

2.2 模型综合评价法

考虑到本文中所构建的智慧社区信息服务绩效评价指标体系中定量指标较少，定性指标较多的情况。因此本文在做综合评估的时候采用的是基于层次分析法的模糊综合评判。主要步骤如下：①确定测评指标的层次，将评价指标集分为6个指标子集，其中每个一级指标又是由二级指标构成;②确定权重集，利用层次分析法确定每个层级的权重，得到一级指标的权重集以及二级指标的权重集;③建立测评集。在确定各层级指标的权重集之后，再建立测评集;④一级指标的模糊综合评价集，这17个二级指标形成的评价矩阵，通过算子将权重和矩阵进行计算，得到一层指标的模糊综合评价集;⑤二级指标模糊综合评价集，根据二级指标模糊综合评价的评价矩阵得到评价集。

3  智慧社区信息服务实证研究

3.1 数据收集

本文的实证研究选取长沙市雨花区智慧社区项目，其建设也惠及了雨花区五个社区居民的衣食住行，渗透到了社区信息服务中多处环节上，通过德尔菲方法将一级指标与二级指标分层提交给领域内专家，进行指标间重要程度评判，构建9分比例标度的判断矩阵，发放调查问卷给当地社区居民，得到客观的因素集对评价集的隶属程度。

3.2 数据处理

整理好指标权重集数据和隶属程度表后，针对判断矩阵计算权重集并通过权重集对智慧社区信息服务指标单因素隶属程度的数据进行模糊计算，得到指标判断矩阵的特征向量并做一致性检验，通过与权重集进行加权算子的运算，得出一级指标A1，二级指标A1、A2、A3、A4、A5、A6的特征向量计算结果如下：

WA=（0.13，0.1，0.21，0.27，0.08，0.21，）;

WA1=（0.14，0.55，0.31）;

WA2=（0.64，0.36）;

WA3=（0.19，0.28，0.15，0.38）;

WA4=（0.2，0.31，0.11，0.38）;

WA5=（0.7，0.3）;

WA6=（0.64，0.36）.

它们的随机一致性比率计算结果分别为0.016、0.042、0、0.058、0.067、0.01、0.013，各值均小于0.1，因此我们承认判断矩阵之间有非常好的适应度从而接受特征向量值作为智慧九华评价指标的权重值。

4  智慧社区信息服务发展建议

本文通过分析当前智慧社区信息服务相关研究理论，借鉴《智慧社区建设指南（试行）》中的所提出的指标，构建了新的智慧社区信息服务指标体系，基于层次分析法和模糊综合评价法建立评价模型，对实例进行实证研究，结果表明当前智慧社区信息服务发展良好，能够大幅满足社区居民智慧化的需求，符合国家智慧城市战略发展方向。但是现有的智慧社区信息服务建设存在“重建设轻管理”的问题，信息服务的提供过于强调物联网、移动互联网等基础设施建设，忽视了智慧化整合信息资源的需求，淡化了智慧社区以人为本的内在意义。智慧社区信息服务的发展需要更加注重主客体接受信息能力，并加强主客体间的互动性，拓展信息服务渠道，提升信息服务效果。