《Buildings》：Investigating Systems Complexity with the Venus Flytrap (Dionaea muscipula) Using Multiple Models: Introducing High School Students to Approaches in Mechanobiology
Amanda M. Cottone,
Zheng Bian,
Jianan Zhao,
Susan A. Yoon,
Talar Kaloustian,
Haowei Li and
Rebecca G. Wells
编辑推荐：
城市日益被期望同时应对数字化转型与可持续性挑战。然而，现有城市指数通常分别处理智慧城市与可持续城市视角，这限制了其捕捉当代城市发展整合性的能力。此外，许多基于指数的研究依赖于类似的方法论选择。本研究构建了一个复合可持续智慧城市（SSC）指数，依托系统的评分框架
城市日益被期望同时应对数字化转型与可持续性挑战。然而，现有城市指数通常分别处理智慧城市与可持续城市视角，这限制了其捕捉当代城市发展整合性的能力。此外，许多基于指数的研究依赖于类似的方法论选择。本研究构建了一个复合可持续智慧城市（SSC）指数，依托系统的评分框架将智慧性与可持续性整合。该框架遵循逐步程序，涵盖数据准备、归一化、赋权、聚合与最终评分。为解决指标间的信息重叠问题，采用冗余惩罚熵权法（Redundancy-Penalized Entropy Weighting, RPEW）。随后，总体SSC得分通过软非补偿性聚合计算，以强调各维度间的均衡表现。该框架通过一项跨国案例研究进行实证说明，涵盖38个OECD（经济合作与发展组织）国家。针对少量指标，采用基于机器学习的多项式预测方法处理数据缺失，使评估能反映更即时的状况。研究结果揭示了SSC表现的显著差异，表明单一维度的突出成就不足以保证高总体SSC得分；相反，经济、数字、环境、治理、流动性和社会维度的均衡进展至关重要。此外，所提出的框架为比较分析、基准设定以及面向政策的智慧城市与可持续发展评估提供了实践基础。
本研究旨在解决城市发展中智慧性与可持续性评估相互分离的问题，构建一个系统的可持续智慧城市（SSC）评分框架。当前城市发展面临快速城市化、资源需求增长、气候变化、能源转型与社会不平等等多重压力，数字技术虽已成为城市管理的重要工具，但现有城市指数往往将智慧城市指数与可持续城市指数割裂开来，难以反映城市系统的多维交互特性。在此背景下，研究人员开发了包含7个维度55项指标的SSC指数，以整合智慧性与可持续性评估。
研究样本为38个OECD国家，选择该样本是为了确保制度、经济和统计层面的可比性。数据主要来自世界银行、OECD、国际电信联盟（ITU）、联合国等国际数据库。由于城市层面数据的可获得性有限，研究采用国家层面数据作为替代。2023年被确定为参考年份，部分缺失数据通过机器学习多项式预测方法进行估算，另有15项指标因缺乏可比跨国数据而被排除，最终实证分析使用40项指标。
研究所采用的关键技术方法包括：（1）Winsorization与基于目标值（goalpost-based）的归一化方法，将各指标转换为0-1的无量纲尺度；（2）冗余惩罚熵权法（RPEW），在信息熵基础上引入基于Pearson相关系数的惩罚项，以降低信息重叠指标的权重；（3）软非补偿性聚合，采用加权几何平均计算总体SSC得分，避免单一维度的优异表现过度补偿其他维度的不足；（4）基于机器学习多项式预测的数据填补技术，用于处理七项指标2023年数据的缺失；（5）鲁棒性分析，对比等权重与传统熵权法下的排名结果。
研究结果部分包含以下核心发现：
SSC指数结构与指标体系：研究构建了涵盖经济绩效与竞争力（Economic Performance and Competitiveness）、创新与数字（Innovation and Digital）、环境（Environment）、流动性（Mobility）、治理（Governance）、人类发展与社会包容（Human Development and Social Inclusion）、城市形态与宜居性（Urban Form and Livability）七个维度的指标体系。各维度指标明确标注了计量单位、效益/成本导向及数据来源。
范围与数据选择：研究明确使用国家层面数据替代城市层面数据，基于世界银行、OECD、ITU、UN E-Government Knowledgebase、Our World in Data等12个国际数据库构建数据集。15项指标因数据不可得被排除（INN8、ENV4-ENV6、MOB3、MOB5-6、MOB8-9、GOV5-7、URB3-5），七项指标（INN1-3、ENV2-3、MOB1-2）的2023年数据通过机器学习多项式预测估算，其余少量缺失值以各国均值填补。
指标筛选与数据处理：40项指标构成最终案例研究数据集，保留全部七个维度的结构完整性。
SSC评分与国家排名：挪威、丹麦、瑞典、冰岛和芬兰位列前五，土耳其、墨西哥和哥伦比亚排名末位。维度层面分析揭示，美国在创新与数字维度排名第一，但因环境、流动性等维度表现较弱，总体排名显著靠后；德国在创新与数字、社会包容维度均列第四，但受限于环境和流动性维度的中等表现，总体排名受限；爱沙尼亚环境维度排名第四，但其他维度拖累其总体排名。挪威的综合领先源于其在多个维度的均衡优异表现。奥地利与加拿大的对比显示，两国在经济、社会包容、城市形态维度表现相近，但奥地利在环境和流动性维度明显高于加拿大，导致总体排名差距，印证了软非补偿性聚合的特征。
鲁棒性分析：等权重、传统熵权与RPEW三种方法下的总体排名结构基本稳定，挪威、丹麦、瑞典、芬兰始终位居前列，智利、哥斯达黎加、土耳其、墨西哥、哥伦比亚始终处于末位。但权重假设对表现不均衡的国家影响较大：美国在等权重下排名下滑，韩国和法国则略有上升。RPEW方法通过惩罚高度相关指标，有效降低了治理等领域指标的信息冗余。
讨论部分，研究人员指出北欧国家的领先源于多维度的均衡表现，而非单一领域突出。美国的技术领先地位未能转化为高总体得分，表明技术创新需与环境、治理、社会等维度协同发展。鲁棒性分析验证了RPEW方法的稳定性，同时揭示权重假设主要影响维度表现不均衡的国家。研究强调各维度并非完全独立，治理改善可能促进创新与数字发展，流动性提升可贡献环境绩效，且这些关系因国别和时间而异。政策制定者可利用该指数识别薄弱环节，进行针对性干预，而非仅关注总体排名；框架亦可用于跨国基准比较与长期规划，通过学习领先城市经验改进政策。
研究结论指出：第一 Swing Question（RQ1）表明，通过清晰的维度结构和一致的评分逻辑，智慧性与可持续性可被有效整合而不丧失各自的分析意义；Swing Question（RQ2）证实，结构透明的评分框架通过降低尺度效应、指标冗余与过度补偿的影响，显著提升了跨国SSC表现的可比性。实证结果显示，总体SSC排名与各国跨维度均衡表现密切相关，北欧国家的领先源于环境、治理、流动性和社会指标的综合优势；而美国、爱尔兰、比利时等国的单一维度优势不足以支撑高总体排名，凸显了SSC框架的多维特性。研究局限性包括：使用国家层面数据替代城市层面数据；数据约束导致部分理论指标被排除；预测数据仅为近似值，可能未能完全捕捉短期结构变化；框架对数据可得性、指标选择和权重假设敏感。未来研究方向包括：应用Choquet积分模型刻画指标与维度间的交互效应；采用网络数据包络分析（Network Data Envelopment Analysis）从多阶段效率视角考察SSC表现；在城市层面数据可得性提升时进行更细化的评估；探索政策制定者、城市规划者和地方社区等利益相关方的偏好如何影响维度与指标的相对重要性；以及将该框架与其他指数方法进行系统比较。
