4.1 参照城市的选择
由于上海是一个城市而不是一个国家，本文将主要选取国外城市作为上海城市信息化的的比较参照对象。基于上海“国际化大都市”的城市定位与“四个中心”的发展战略，本文拟从两个方面来选取城市作为比较研究对象：一方面从“国际化大都市”的角度出发，选取发达国家中心城市作为比较对象；另一方面从“四个中心”的角度出发，选取国际上符合四个中心之一的城市。
此外，本文以信息化发展水平研究为主，因此也将选取那些在信息化建设上具有一定特色与影响的城市作为研究对象。北欧国家的信息化水平非常高，处于世界领先位置，有必要纳入本文的研究范围。但考虑这些国家都比较小，整个国家的规模才大致与上海市相仿，因此在本文中将这些北欧国家视作城市，不再将国家中的城市单独拿出来作为比较对象。
另外从国际比较的范围上讲，本文认为上海应该进行三个层次上的国际比较：首先上海要与亚洲“四小龙”进行比较；再次上海要与亚太地区的中心城市进行比较；最后上海要与世界范围内的中心城市进行比较。这三个层次的比较反映了上海城市信息化发展现状，通过这种比较，上海可以更清楚地看到目前自己在东亚地区、亚太地区以及世界范围内所处的位置，为实现上海由中国中心城市赶超“四小龙”、升级成为亚太中心城市并最终发展成为世界中心城市的战略目标提供科学依据。
最终本文结合以上几个方面，并综合考虑城市的数量问题，选取以下城市（国家）作为比较对象：香港台北 新加坡 汉城 东京 悉尼 多伦多 纽约 洛杉矶 伦敦 巴黎 法兰克福 丹麦 瑞典，共计14个。
4.2 参照水平的选择
在选取了国际比较的参照对象之后，接下来的问题是如何选取参照水平。在所选取的这些参照对象中，不同城市的信息化水平也叁次不齐，其信息建设的重点也不一样，那么在这些参照对象中，上海是和信息化水平最高的城市进行比较，还是和信息化水平最低的城市进行比较？
为此，我们需要从上海城市信息化的现状和未来发展目标中寻找答案。上海在该市的国民经济与社会信息化“十五”规划中提出，上海到2005年城市信息化总体水平要达到发达国家中心城市平均水平[[viii]]。而近年来有关机构的研究成果表明，上海到2005年末基本可实现这一目标。因此，我们认为未来几年上海的目标应是到2010年上海城市信息化总体水平达到发达国家中心城市的先进水平，所以本文将选取发达国家中心城市的先进水平作为上海的参照水平。
5 数据收集与预测
5.1 数据收集
本文所采用的数据分为两部分，一是上海的信息化数据，主要由上海市信息化委员会提供；二是国际城市数据，大部分来自于Internet，少部分来自于文献资料，还有一些数据来自于上海社会科学院的“联合国公共行政网（UNPAN）”亚太编辑部，另外笔者也通过一些个人渠道从国外取得少量数据。在数据采集过程中我们发现：
（1） 国家的信息化数据相对比较容易获取，而城市数据的获取则十分困难。在迫不得已的情况下本文将采用国家数据来替代城市数据；
（2） 数据的时间序列普遍很短，一般只有两三年的数据，这给数据预测带来很大困难；
（3） 基础性指标（计算机普及率、网民普及率等）的数据较易获取，而一些应用方向的数据则很难获取，许多数据都是由商业咨询机构掌握，需要支付高昂的费用；
另外我们也发现，由于统计口径、统计方法的不同，许多数据存在着相互不一致的情况。对同一年份、同一城市的同一个指标，不同机构给出的值可能差别很大。在这种情况下，我们一方面尽可能采用权威机构（如Worldbank、ITU等）的数据，另一方面考虑到预测的需要，我们也尽可能采取具有较长时间序列的统计数据。
从所收集到数据的时间来看，大多数数据（尤其是国外的数据）都以2003年的数据为主，因此本文的测评与比较都以2003年作为基准年。
5.2 预测的说明
由于目前收集到的数据并不十分充分，而且时间序列普遍较短，我们采用了数据建模与专家判断相结合的办法来进行数据预测。对每一项指标，我们先采用线性拟合、对数拟合以及指数拟合的方式进行预测，分别代表未来几年该项指标值是加速增长、保持目前速度增长还是增长趋缓。在此基础上根据专家经验、信息化发展规律以及发达国家的情况来判断应该采取何种预测方式。对预测的结果，再结合专家经验进行了修正。
为得到发达国家中心城市先进水平的基准，对每一项指标，我们首先将不同城市2003年度的数据按由高到低的顺序进行排列，然后取第25百分位上的城市数据作为发达国家中心城市先进水平的标准，预测其2007年及2010年的发展水平，并将上海的预测值与其进行比较。
（1）数据分析与方法选择
纵观指标体系中的每一项，其时间序列数据大约都只有三到四年，从而每项指标的变化规律还没有得到充分地体现。在这种情况下，如果采用ARIMA类模型进行分析，则会因为时间序列普遍较短而使得模型的识别和预测失真。为了尽可能准确地刻画每项指标的发展趋势，我们将采用趋势外推与专家判断相结合的方法对每项指标进行预测。
（2）数据预处理
对时间序列的分析通常都要求数据序列完整无缺，然而这在实际中很难做到。由于数据获取的困难，时间序列中往往会存在缺失值，显然不可能采取剔除的方法——这样会使得缺失值之后的数据周期发生错位，所以就要对缺失值采取适当的方法进行填充。填充缺失值的方法有很多并各有其适用范围，由于对每项指标序列的规律还不清楚，为了保险起见，我们利用缺失值所在位置的线性趋势求其估计值（将代表年份的记录号作为自变量，相应的序列值作为因变量）然后进行填充。
（3）趋势外推
通过观察每项指标的序列图，我们可根据其数据变化的特点选择近似的曲线进行拟合，并在此基础上将这个曲线趋势外推，从而得到相应的预测值。需要说明的是，由于数据的变化规律是比较复杂的，而数据的支持又相当有限，所以曲线拟合在这里只作为趋势外推的预分析步骤。更进一步地，我们将结合相关专家的意见进行修正，这主要体现在以下两个方面。首先，在曲线拟合的过程中，曲线方程是在结合了数据特点和专家意见两方面因素的基础上得以确定的。例如，上海正处于信息化高速发展的阶段，各项指标都以较高的速度增长，如何判断某项指标在未来的增速是越来越快、还是越来越慢、或是保持不变，就不能仅仅通过数据来判断，还要结合专家经验并综合考虑信息化发展规律来进行权衡取舍，然后才能确定相应的曲线方程。其次，对于数据的预测结果，同样也不能想当然的接受，还是要和相关的专家进行讨论，并参考已知的发达国家的情况，进行修正之后得到最终的预测值。
返回顶部