• 项目
首页>>文章列表 >>行业研究
行业研究

2018年,三四线城市将人口回流? 2018-01-02 22:41:37


序言:近年来,三四线城市普遍可见的消费热潮、楼市的热销、流动人口规模减少似乎都指向三四线城市人口回流正在切实发生着,与此同时,除去严控人口的京沪两地,广深和部分二线城市又都保持着对人口流入的强劲吸引力。2018年,三四线人口已经在净回流了么?如果没有,当前三四线真正的普惠红利在哪里?未来又有哪些值得期待?



1三四线城市人口回流?

在直接回答这个问题前,我们首先对省一级数据做一个梳理,以期对人口流动与城镇化的进程和我们所处的位置有一个整体的把握,我们发现2000年以来人口流动与城镇化进程可以分为特点鲜明的三个阶段:


2000年至2010年:人口红利期叠加城镇化加速期,内陆人口快速流向沿海制造业省份。在这个阶段,一二线城市和广东、江苏、浙江的三四线城市均有显著的人口流入。



2010年至2014年:人口红利期结束,城镇化减速和省际人口流动放缓一同出现,人口的流向由内陆至沿海转变为省内流动为主,由三四线流向一二线城市,沿海省份三四线城市此阶段整体不再有人口流入。


2014年至2016年:省际人口流动继续放缓,户籍改革推进驱动城镇化再加速,局部出现人口回流,但各省三四线城市人口仍普遍流出。



通过这三个阶段的划分可以看到,我国仍处在人口集聚的过程,三四线城市整体的人口回流站不住脚,事实上当我们直接看地级市数据,可以发现三四线城市不但整体人口流出,且流出在近几年并未边际放缓。


三四线城市整体的人口流出等于一二线城市的人口流入,从一二线城市加总数据上看,一二线城市整体在2010年前后人口流入快速放缓,由此前每年约600万的人口流入降低至200万左右,之后即保持稳定,这表明三四线城市人口流出在2010年以来是比较稳定的,2010年以来地级市人口流入率分布可以印证三四线城市人口流出并未出现显著的变动。一部分三四线城市的人口回流是以更多三四线城市人口流出为代价的。



哪些三四线城市出现了人口回流?人口回流的三四线城市主要分布在四川、安徽、河南等人口流出地,但这些地区并非所有三四线城市都已出现人口回流,而是依赖两条主线逻辑:流动人口老龄化和区域经济发展。省际人口流动继续放缓,户籍改革推进驱动城镇化再加速,局部出现人口回流,但各省三四线城市人口仍普遍流出。


前者的典型例子是四川,四川作为人口大省中生育率最低、老龄化最超前的省份,流动人口年龄结构相对老化,地级市间经济水平差距不大,流动人口回流主要出现在大量人口流出的地级市,但这些地区并非所有三四线城市都已出现人口回流,而是依赖两条主线逻辑:流动人口老龄化和区域经济发展。省际人口流动继续放缓,户籍改革推进驱动城镇化再加速,局部出现人口回流,但各省三四线城市人口仍普遍流出。


后者的典型例子是河南,生育率高、人口结构年轻,地级市间经济水平差距较大,除洛阳、许昌、焦作及三门峡外,人均GDP均远低于全国平均水平,周口、驻马店、南阳、信阳及商丘人均GDP维持在全国人均一半的水平,且向全国平均水平收敛速度极慢,从数据上看河南省的几个经济强市已经出现人口回流,周口等五城每年仍然有大量人口外流;其他省份的情况介于两者之间。



人口回流造成了三四线城市房价上涨吗?三四线城市房价的增长是普遍的,而人口回流是局部的,人口回流自然不可能是驱动三四线地产销售的主要因素,我们将70大中城市中三四线城市2014年10月以来的房价累计涨幅与人口净流入比较,发现二者并不相关,这表明人口回流对房价是毫无解释力的。



2

三四线城市真正的普惠红利:

城镇化质和量的双重提升


量的方面:人口跨区域流动减少的背景下,2015年城镇化加速主要由三四线城市贡献,这使得三四线城市在人口流出的同时城镇人口大量增长。以河南、山东、安徽、四川和湖南五个人口大省为例,五省对城镇化贡献在40%以上,2015年新增城镇人口增加150万,其中约120万由省内三四线城市贡献。



质的方面:一方面农民工市民化有助于弱化预防性储蓄,提振消费和购房意愿,这一点市场已经普遍认识到;另一方面是城镇化的结构优化。


此前我国城镇人口有40%分布在镇区,镇区存在人口密度低,基础设施建设滞后等问题,既不具备城市经济规模效应,也不具备产业发展潜力,这部分城镇人口对区域经济的贡献介于农村人口和城市人口之间。而户籍改革的加速推进显著提高了城区对城镇化的贡献。


这里有两个证据,第一,镇区人口增长并不快,人口增长稳定在每年400万左右;第二,县一级的常住人口增长率极低,县城人口在2015年甚至减少了38万,那么每年2000万左右的新增城镇人口实际上大部分进入城区,这使城镇化结构得以优化。



3

三四线城市尚未兑现的红利


我国城镇化空间仍大,且将主要由三四线城市拉动。目前我国城镇化率在57.35%,农业劳动者仍占总劳动力的28%,却仅贡献10%的GDP;另一方面虽然可转移劳动力减少,但存量的留守子女和留守老人数量众多,截至2014年仅有20%外出农民工举家进城,产生大量的留守子女和老人,城镇化的空间仍然很大。由于可转移的农村人口多数分布在三四线城市下辖区域,人口跨省跨市流动减少的背景下,人口流动将以省内为主,考虑到省会承载力有限,三四线城市的本地城镇化将是未来城镇化主动力。


政策方面中小城市依然是政策红利主要受益者。目前的户籍改革,方向依然是引导人口流入中小城市,大中城市落户条件相对严格,与之配套的城镇化规划也同样倾向中小城市。


以河南为例,河南省的城镇化规划中明确提出要“合理控制郑州市中心城区人口规模”,考虑到河南省2020年的规划城镇化目标是56%,而2016年城镇化率是48.5%, 2020年之前还将有870万人从农村进入城市,而郑州按照目前的城镇人口增速,2020年之前将有100万新增城镇人口,那么绝大部分城镇人口增量将会在三四线城市实现。



劳务输出省份三四线城市人口回流的规模和范围将扩大。截至2015年七个劳务输出省常住人口与户籍人口的缺口达6000万,处于比较稳定的状态,而外流人口的老龄化和户籍改革,将通过老年劳动力返乡和流动人口落户使这一指标趋向减少,由于跨省劳动力的主要去向是大城市,落户难度较大,户籍改革同时将驱动人口回流,人口大省更大范围的人口回流在2020年之前将不断加快。



未来哪些城市将出现人口回流?此前我们已经提到流动人口的生命周期和区域经济发展水平是人口回流的两大主要驱动因素,其中由前者驱动的人口回流往往发生在大量人口外流的地区,而后者驱动的人口回流则发生在经济发展水平高、同时也是人口外流较少的地区,图示五个劳务输出省的人口数据可以看到,所有人口回流的城市均可以归结为这两种原因,而未来三年人口回流的逻辑不会变,我们预计人口回流仍然会出现在大量人口外流的城市和人口大省的经济发达城市,我们列出了可能会出现回流的城市。



部分交通便利、劳动力充足的三四线城市将迎来人口增长与承接产业转移的正反馈效应。此前产业内迁,主要是由东部沿海沿公路铁路向内陆渗透以及跳跃式地向中西部二线城市迁移,随着三四线城市收入提高、城镇化与农民工市民化带来可持续的内需增长叠加省会城市地租与工资的上涨,内迁二线城市的产业将进一步下沉至劳动力充足、交通便利的小城市,这也即是我国内陆城市群萌芽阶段的故事,而这个故事事实上已经开始发生,劳动密集型企业富士康是一个尤为典型的案例。由于富士康对工资极为敏感,从富士康在国内的建厂史,即可窥见劳动密集产业内迁趋势性变化的发端。


2007年,富士康在武汉建厂,标志着富士康向中西部扩张的开始,此后逐步在重庆、成都、郑州、南宁、长沙等中西部二线城市建厂;2012年,富士康开始在阜宁、济源、南阳等中西部三四线城市建厂,标志着富士康开始下沉至三四线城市。随着产业的内迁,城市吸引力增强,人口流入接踵而至,进一步吸引产业集聚,将形成人口与产业的正反馈效应。


目前城镇化空间大,且中小城市普遍产业基础薄弱差距尚未拉开,三四线城市城区人口仍普遍增长,由于人口与产业集聚是一个正反馈的过程,随着一部分城市开始产生集聚优势,三四线城市的分化将更加明显。



结语:金准数据认为,随人口回流三四线城市人口和收入增速支撑消费升级。


1、三四线城市人口和收入增速支撑消费升级。16年北京人口净流入仅2.4万,上海净流入仅4.4万,说明高端人才对低端人才存在明显的挤出。农民工人数增速近两年已跌至金融危机时期水平,其中本地农民工人数增速大于外出农民工人数增速,说明三四线城市成为农民工流出一二线大城市的主要目的地。同时也存在农民工父母子女大量迁回的“非典型人口回流现象”。随着人口回流,三四线城市不仅受益于人力资本注入所带来的生产效率的提升,同时,更高的收入水平也有助于刺激消费,加快消费升级。2016年新生儿较往年多增200万,新生婴儿与三四线消费升级趋势交织,将在多个方面提振消费。目前多数三四线城市收入水平处于较高水平,说明三四线城市居民具备较强的消费潜力。


2、三四线城市房市持续火爆,购房后需求助力消费升级。今年前两个月,30大中城市新建商品房成交面积同比下跌24.5%,但统计局口径的全国商品房销售成交面积反而同比上升25.1%。由此推断,30大中城市之外的商品房销售同比增速达到44.4%,超越去年峰值水平。三四线城市地产销售旺盛的原因是多方面的,也符合地产去库存和“1亿人落户”的国家战略,在“人地挂钩”机制下,农业转移人口落户与购房需求也符合地方政府的财政诉求。房地产市场的火爆对建材、家具、家电等类别的消费有明显促进作用,将助力三四线城市消费升级。


3、一线城市的独孤求败,每次三线的躁动都被证伪。曾经在2010年、2013年,都因为楼市的调控开始了“炒作”三四线房产,然而,2010年的证伪来自于三四线的人口外流和库存高企,2013年也没有得以根本变化,最后每一次三四线的预期都被证伪。


4、然而,越来越严格的土地管控,2015年一线人口开始出现一丝逆流。2014年流动人口达到顶峰2.53亿人后开始下降,同时上海在2015年首次出现常住人口下降。2016年北京常住人口仅增长0.1%,排除自然人口增长因素后,人口外流4.1万人,同样首次出现人口机械下降。北京和上海常住人口已接近饱和。


5、背后的逻辑主要在于经济增长方式变化,要求提效、而非增人。当卡住土地供给的情况下提高经济增长,也就需要提高单位面积产出,然而由于单位面积的人口承载有限,导致要求提高劳动生产效率,也就意味着,未来一线城市会自发的清退部分低效企业和低效人员,产业结构向更高层级升级。相反,三四线凭借更高的GDP增速,通过劳动力拉动能够承载更多的人口,形成对一线挤出的承接,进而带动需求。


6、从哪里来,回哪里去,人口+库存带来三线趋势性大周期。过去三四线城市证伪的最大原因就是两点,一是库存高企、二是人口外流。当前,我们认为这两个因素都有了变化,而且会在未来的3~5年之内出现根本的变化,就是库存下降(我们判断三线的去化周期下降到2~3年时就具备涨价空间),和城镇化减速。资金流动只能够带来短周期,人口流动能够带来中周期,以上库存和人口的问题解决,对三线城市将带来一个趋势大周期。


7、人口回流已经开始,关注三四线城市的发展。2015年全国一共有14个省直辖市处于人口净流出状态,城镇化率基本上在50%以下,依然处于靠省内农村人口转移带动城镇化发展,是劳动生产力释放拉动型,劳动力需求处于增长状态,对于返乡人口来说同样具有工作机会。同时,三四线城市的土地成本便宜,而建安成本全国差别不大,这就导致通常一个三四线城市的楼盘销售50%左右即可收回成本,剩下的即为利润。不管是房企自己视市场情况调整价格出售,还是未来出售项目公司股权给品牌房企,三四线城市项目都具备涨价的动力。关注中国逆城市化的发生,关注中国三四线城市的发展,同时也要关注流动人口的家乡。






金准数据 2017人工智能与深度学习成就报告 2018-01-01 19:55:06

前言:随着我们的日常生活与各种各样的技术越来越紧密地交织在一起,有时候,似乎未来已经到来。然而,技术仍在不断发展,人工智能(AI)已经占据了这一领域的中心地位。在许多前进力量的支持下,人工智能继续激发公众对未来的想象。亚马逊的Alexa、Netflix的推荐系统以及SnapChat滤镜等的创新,进一步推动了这一信念,这些都是人工智能进入个性化领域的优秀范例。


最常见的人工智能构成部分,以及人工智能家族中的“聪明之星”,都是“深度学习”。深度学习是一种数据学习的模式,近年来改进了长期以来的预测准确性标准。除了传统的预测建模之外,它还在语音识别和计算机视觉领域有突出贡献。然而,随着我们迎接新年的到来,事情将变得更加有趣。让我们来看看2017年的深度学习(以及更广泛的人工智能)的情况。


1. 文字

1.1. Google自然机器翻译

将近1年前,Google发布了新一代的Google Translate。这家公司还介绍了其网络架构递归神经网络(RNN)的细节情况。

其关键成果是:将跟人类翻译准确率的差距缩小了55%—85%(由人按照6个等级进行评估)。如果没有像Google手里的那么大规模的数据集的话,是很难用这一模型再生出好结果的。



1.2. 谈判。能否成交?

你大概已经听说过Facebook把它的聊天机器人关闭这则愚蠢的新闻了,因为那机器人失去了控制并且发明了自己的语言。Facebook做这个聊天机器人的目的是为了协商谈判,跟另一个代理进行文字上的谈判,以期达成交易:比如怎么分摊物品(书、帽等)。每一个代理在谈判时都有自己的目标,但是对方并不知道自己的目标。不能达成交易就不能推出谈判。

出于训练的目的,他们收集了人类谈判协商的数据集然后做一个有监督的递归涡轮里面对它进行训练。接着,他们用强化学习训练代理,让它自己跟自己讲话,条件限制是语言跟人类类似。

机器人学会了一条真正的谈判策略——假装对交易的某个方面展现出兴趣,然后随后放弃这方面的诉求从而让自己的真正目标受益。这是创建此类交互式机器人的第一次尝试,结果还是相当成功的。

当然,说这个机器人发明了自己的语言完全就是牵强附会了。在训练(跟同一个代理进行协商谈判)的时候,他们取消了对文字与人类相似性的限制,然后算法就修改了交互的语言。没什么特别。

过去几年,递归网络的发展一直都很活跃,并且应用到了很多的任务和应用中。RNN的架构已经变得复杂许多,但在一些领域,简单的前向网络——DSSM 也能取得类似的结果。比方说,此前Google用LSTM在邮件功能Smart Reply上也已经达到了相同的质量。此外,Yandex还基于此类网络推出了一个新的搜索引擎。


2. 语音

2.1. WaveNet:裸音频的生成式模型

DeepMind的员工在文章中介绍了音频的生成。简单来说,研究人员在之前图像生成(PixelRNN 和 PixelCNN)的基础上做出了一个自回归的完全卷积WaveNet模型。

该网络经过了端到端的训练:文本作为输入,音频做出输出。研究取得了出色的结果,因为跟人类的差异减少了50%。

这种网络的主要劣势是生产力低,由于自回归的关系,声音是串行生产的,所以一秒钟的音频要1到2分钟才能生成。

我们来看看……哦对不起,是听听这个例子。

如果你撤销网络对输入文字的依赖,只留下对之前生成音素的依赖,则网络就能生成类似人类语言的音素,但这样的音频是没有意义的。

听听这个生成语音的例子。

同一个模型不仅可以应用到语音上,而且也可以应用在创作音乐等事情上。想象一下用这个模型(用某个钢琴游戏的数据集训练,也是没有依赖输入数据的)生成音频。

DeepMind研究成果的完全版在这里。

2.2. 理解唇语

唇语理解是另一个深度学习超越人类的成就和胜利。

Google Deepmind跟牛津大学合作在《唇语自然理解》这篇文章中介绍了他们的模型(通过电视数据集训练)是如何超越职业唇语解读师的。

这个数据集总共有包含100000个句子的音视频。模型:音频用LSTM,视频用CNN+LSTM。这两个状态向量提供给最后的LSTM,然后再生成结果(字符)。

训练过程中用到了不同类型的输入数据:音频、视频以及音视频。换句话说,这是一种“多渠道”模型。

2.3. 合成奥巴马:从音频中合成嘴唇动作

华盛顿大学干了一件严肃的工作,他们生成了奥巴马总统的唇语动作。之所以要选择他是因为他讲话的网上视频很多(17小时的高清视频)。

光靠网络他们是没有办法取得进展的,因为人工的东西太多。因此,文章作者构思了一些支撑物(或者花招,你要是喜欢这么说的话)来改进纹理和时间控制。

你可以看到,结果是很惊艳的。很快,你就没法相信这位总统的视频了。


3. 计算机视觉

3.1. OCR:Google Maps和Street View(街景)

Google Brain Team在博客和文章中报告了他们是如何引入一种新的OCR(光学字符识别)引擎给Maps,然后用来识别街道名牌和商店标志。

在技术开发的过程中,该公司编译了一种新的FSNS(法国街道名牌),里面包含有很多复杂的情况。

为了识别每一块名牌,该网络利用了名牌多至4张的照片。特征由CNN来析取,在空间注意(考虑了像素坐标)的帮助下进行扩充,然后再把结果送给LSTM。

同样的方法被应用到识别广告牌上的商店名上面(里面会有大量的“噪声”数据,网络本身必须“关注”合适的位置)。这一算法应用到了800亿张图片上。

3.2. 视觉推理

有一种任务类型叫做视觉推理,神经网络被要求根据一张照片来回答问题。比方说:“图中橡皮材料的物品跟黄色金属圆柱体的数量是不是一样的?”这个问题可不是小问题,直到最近,解决的准确率也只有68.5%。

不过Deepind团队再次取得了突破:在CLEVR数据集上他们达到了95.5%的准确率,甚至超过了人类。

这个网络的架构非常有趣:

1.      把预训练好的LSTM用到文本问题上,我们就得到了问题的嵌入。

2.      利用CNN(只有4层)到图片上,就得到了特征地图(归纳图片特点的特征)

3.      接下来,我们对特征地图的左边片段进行两两配对(下图的黄色、蓝色、红色),给每一个增加坐标与文本嵌入。

4.      我们通过另一个网络来跑所有这些三元组然后汇总起来。

5.      结果呈现再到一个前向反馈网络里面跑,然后提供softmax答案。



3.3. Pix2Code应用

Uizard公司创建了一个有趣的神经网络应用:根据界面设计器的截屏生成布局代码:



这是极其有用的一种神经网络应用,可以帮助软件开发变得容易一些。作者声称他们取得了77%的准确率。然而,这仍然在研究中,还没有讨论过真正的使用情况。

他们还没有开源代码或者数据集,但是承诺会上传。

3.4. SketchRNN:教机器画画

你大概已经看过Google的Quick, Draw!了,其目标是在20秒之内画出各种对象的草图。这家公司收集了这个数据集以便来教神经网络画画,就像Google在他们的博客和文章中所说那样。



这份数据集包含了7万张素描,Google现在已经开放给公众了。素描不是图片,而是画画详细的向量表示(用户按下“铅笔”画画,画完时释放所记录的东西)。

研究人员已经把RNN作为编码/解码机制来训练该序列到序列的变自编码器(Sequence-to-Sequence Variational Autoencoder)。

最终,作为自编码器应有之义,该模型将得到一个归纳原始图片特点的特征向量。

鉴于该解码器可以从这一向量析取出一幅图画,你可以改变它并且得到新的素描。

甚至进行向量运算来创作一只猫猪:



3.5. GAN(生成对抗网络)

生成对抗网络(GAN)是深度学习最热门的话题之一。很多时候,这个想法都是用于图像方面,所以我会用图像来解释这一概念。

其想法体现在两个网络——生成器与鉴别器的博弈上。第一个网络创作图像,然后对二个网络试图理解该图像是真实的还是生成的。

用图示来解释大概是这样的:

mso-hansi-font-family:Helvetica;mso-bidi-font-family:Helvetica; color:#333333'>最终,作为自编码器应有之义,该模型将得到一个归纳原始图片特点的特征向量。

鉴于该解码器可以从这一向量析取出一幅图画,你可以改变它并且得到新的素描。

甚至进行向量运算来创作一只猫猪:



在训练期间,生成器通过随机向量(噪声)生成一幅图像然后交给鉴别器的输入,由后者说出这是真的还是假的。鉴别器还会接收来自数据集的真实图像。

训练这样的结构是很难的,因为找到两个网络的平衡点很难。通常情况下鉴别器会获胜,然后训练就停滞不前了。然而,该系统的优势在于我们可以解决对我们来说很难设置损失函数的问题(比方说改进图片质量)——这种问题交给鉴别器最合适。

GAN训练结果的典型例子是宿舍或者人的图片

t:0cm;margin-bottom:15.0pt;margin-left: 0cm;text-align:justify;text-justify:inter-ideograph;line-height:21.0pt; background:white;vertical-align:baseline;box-sizing: border-box;font-stretch: inherit; word-wrap: break-word;orphans: auto;widows: 1;-webkit-text-stroke-width: 0px; word-spacing:0px'>用图示来解释大概是这样的: mso-hansi-font-family:Helvetica;mso-bidi-font-family:Helvetica; color:#333333'>最终,作为自编码器应有之义,该模型将得到一个归纳原始图片特点的特征向量。

鉴于该解码器可以从这一向量析取出一幅图画,你可以改变它并且得到新的素描。

甚至进行向量运算来创作一只猫猪:



此前,我们讨论过将原始数据编码为特征表示的自编码(Sketch-RNN)。同样的事情也发生在生成器上。

利用向量生成图像的想法在这个以人脸为例的项目http://carpedm20.github.io/faces/中得到了清晰展示。你可以改变向量来看看人脸是如何变化的。



相同的算法也可用于潜在空间:“一个戴眼镜的人”减去“一个人”加上一个“女人”相当于“一个戴眼镜的女人”。



3.6. 用GAN改变脸部年龄

如果在训练过程中你把控制参数交给潜在向量,那么在生成潜在向量时,你就可以更改它从而在在图片中管理必要的图像。这种方法被称为有条件GAN。

《用有条件生成对抗网络进行面部老化》这篇文章的作者就是这么干的。在用IMDB数据集中已知年龄的演员对引擎进行过训练之后,研究人员就有机会来改变此人的面部年龄。



3.7. 专业照片

Google已经为GAN找到了另一种有趣的应用——选择和改善照片。他们用专业照片数据集来训练GAN:生成器试图改进糟糕的照片(经过专业拍摄然后用特殊过滤器劣化),而鉴别器则要区分“改进过”的照片与真正的专业照片。

经过训练的算法会筛查Google Street View的全景照片,选出其中最好的作品,并会收到一些专业和半专业品质的照片(经过摄影师评级)。



3.8. 通过文字描述合成图像

GAN的一个令人印象深刻的例子是用文字生成图像。

>http://carpedm20.github.io/faces/中得到了清晰展示。你可以改变向量来看看人脸是如何变化的。



这项研究的作者提出不仅把文字嵌入到生成器(有条件GAN)的输入,同时也嵌入到鉴别器的输入,这样就可以验证文字与图像的相关性。为了确保鉴别器学会运行他的函数,除了训练以外,他们还给真实图像添加了不正确的文字。

-ascii-font-family:Helvetica; mso-hansi-font-family:Helvetica;mso-bidi-font-family:Helvetica;color:#333333'>的一个令人印象深刻的例子是用文字生成图像。 >http://carpedm20.github.io/faces/中得到了清晰展示。你可以改变向量来看看人脸是如何变化的。



3.9. Pix2pix应用

2016年引人瞩目的文章之一是Berkeley AI Research (BAIR)的《用有条件对抗网络进行图像到图像的翻译》。研究人员解决了图像到图像生成的问题,比方说在要求它用一幅卫星图像创造一幅地图时,或者根据素描做出物体的真实纹理。



这里还有一个有条件GAN成功表现的例子。这种情况下,条件扩大到整张图片。在图像分割中很流行的UNet被用作生成器的架构,一个新的PatchGAN分类器用作鉴别器来对抗模糊图像(图片被分成N块,每一块都分别进行真伪的预测)。

Christopher Hesse创作了可怕的猫形象,引起了用户极大的兴趣。

你可以在这里找到源代码。

3.10. CycleGAN图像处理工具

要想应用Pix2Pix,你需要一个包含来自不同领域图片匹配对的数据集。比方说在卡片的情况下,收集此类数据集并不是问题。然而,如果你希望做点更复杂的东西,比如对对象进行“变形”或者风格化,一般而言就找不到对象匹配対了。

因此,Pix2Pix的作者决定完善自己的想法,他们想出了CycleGAN,在没有特定配对的情况来对不同领域的图像进行转换——《不配对的图像到图像翻译》




其想法是教两对生成器—鉴别器将图像从一个领域转换为另一个领域,然后再反过来,由于我们需要一种循环的一致性——经过一系列的生成器应用之后,我们应该得到类似原先L1层损失的图像。为了确保生成器不会将一个领域的图像转换成另一个跟原先图像毫无关系的领域的图像,需要有一个循环损失。

这种办法让你可以学习马—>斑马的映射。



此类转换不太稳定,往往会创造出不成功的选项:

源码可以到这里找。

3.11. 肿瘤分子学的进展

机器学习现在已经走进了医疗业。除了识别超声波、MRI以及进行诊断以外,它还可以用来发现对抗癌症的药物。

我们已经报道过这一研究的细节。简单来说,在对抗自编码器(AAE)的帮助下,你可以学习分子的潜在表征然后用它来寻找新的分子。通过这种方式已经找到了69种分子,其中一半是用于对抗癌症的,其他的也有着重大潜能。

3.12. 对抗攻击

对抗攻击方面的话题探讨得很热烈。什么是对抗攻击?比方说,基于ImageNet训练的标准网络,在添加特殊噪声给已分类的图片之后完全是不稳定的。在下面这个例子中,我们看到给人类眼睛加入噪声的图片基本上是不变的,但是模型完全发疯了,预测成了完全不同的类别。

Fast Gradient Sign Method(FGSM,快速梯度符号方法)就实现了稳定性:在利用了该模型的参数之后,你可以朝着想要的类别前进一到几个梯度步然后改变原始图片。

Kaggle的任务之一与此有关:参与者被鼓励去建立通用的攻防体系,最终会相互对抗以确定最好的。

为什么我们要研究这些攻击?首先,如果我们希望保护自己的产品的话,我们可以添加噪声给captcha来防止spammer(垃圾群发者)的自动识别。其次,算法正日益渗透到我们的生活当中——比如面部识别系统和自动驾驶汽车就是例子。这种情况下,攻击者会利用这些算法的缺陷。

这里就有一个例子,通过特殊玻璃你可以欺骗面部识别系统,然后“把自己扮成另一个人而获得通过”。因此,在训练模型的时候我们需要考虑可能的攻击。



此类对标识的操纵也妨碍了对其的正确识别。

这里有来自竞赛组织者的一组文章。

已经写好的用于攻击的库:cleverhans 和 foolbox。

4. 强化学习

强化学习(RL)也是机器学习最有趣发展最活跃的分支之一。

这种办法的精髓是在一个通过体验给予奖励的环境中学习代理的成功行为——就像人一生的学习一样。

RL在游戏、机器人以及系统管理(比如交通)中使用活跃。

当然,每个人都听说过Alphago在与人类最好围棋选手的比赛中取得的胜利。研究人员在训练中使用了RL:机器人个你自己下棋来改进策略。

4.1. 不受控辅助任务的强化训练

前几年DeepMind已经学会了用DQN来玩大型电玩,表现已经超过了人类。目前,他们正在教算法玩类似Doom这样更复杂的游戏。

大量关注被放到了学习加速上面,因为代理跟环境的交互经验需要现代GPU很多小时的训练。

DeepMind在博客https://deepmind.com/blog/reinforcement-learning-unsupervised-auxiliary-tasks/中报告说额外损失(辅助任务)的引入,比如预测某一帧的变化(像素控制)一边代理更好地理解行动的后果,可以显著加快学习的速度。

4.2. 学习机器人

在OpenAi,他们一直在积极研究人类在虚拟环境下对代理的训练,这要比在现实生活中进行实验更安全。

他们的团队在其中一项研究中显示出一次性的学习是有可能的:一个人在VR中演示如何执行特定任务,结果表明,一次演示就足以供算法学会然后在真实条件下再现。

如果教会人也这么简单就好了。

4.3. 基于人类偏好的学习

这里是OpenAi和DeepMind联合对该主题展开的工作。基本上就是代理有个任务,算法提供了两种可能的解决方案给人然后指出哪一个更好。这个过程会不断反复,然后获取人类900的字位反馈(二进制标记)的算法就学会了如何解决这个问题。



像以往一样,人类必须小心,要考虑清楚他教给机器的是什么。比方说,鉴别器确定算法真的想要拿那个东西,但其实他只是模仿了这个动作。

4.4. 复杂环境下的运动

这是另一项来自DeepMind的研究。为了教机器人复杂的行为(走路、跳跃等),甚至做类似人的动作,你得大量参与到损失函数的选择上,这会鼓励想要的行为。然而,算法学习通过简单奖励学习复杂行为会更好一些。

研究人员设法实现了这一点:他们通过搭建一个有障碍的复杂环境并且提供一个简单的回报机制用于运动中的处理来教代理(躯体模拟器)执行复杂动作。

你可以观看这段视频,结果令人印象深刻。然而,用叠加声音观看会有趣得多!

最后,我再提供一个最近发布的算法链接,这是OpenAI开发用于学习RL的。现在你可以使用比标准的DQN更先进的解决方案了。

5. 其他

5.1. 冷却数据中心

2017年7月,Google报告称它利用了DeepMind在机器学习方面的成果来减少数据中心的能耗。

基于数据中心数千个传感器的信息,Google开发者训练了一个神经网络,一方面预测数据中心的PUE(能源使用效率),同时进行更高效的数据中心管理。这是ML实际应用的一个令人印象深刻的重要例子。

5.2. 适用所有任务的模型

就像你知道的那样,训练过的模型是非常专门化的,每一个任务都必须针对特殊模型训练,很难从一个任务转化到执行另一个任务。不过Google Brain在模型的普适性方面迈出了一小步,《学习一切的单一模型》

研究人员已经训练了一个模型来执行8种不同领域(文本、语音、图像)的任务。比方说,翻译不同的语言,文本解析,以及图像与声音识别。

为了实现这一点,他们开发了一个复杂的网络架构,里面有不同的块处理不同的输入数据然后产生出结果。用于编码/解码的这些块分成了3种类型:卷积、注意力以及门控专家混合(MoE)。 SHAPE \* MERGEFORMAT

学习的主要结果:

o    得到了几乎完美的模型(作者并未对超参数进行调优)。

o    不同领域间的知识发生了转化,也就是说,对于需要大量数据的任务,表现几乎是一样的。而且在小问题上表现更好(比方说解析)。

o    不同任务需要的块并不会相互干扰甚至有时候还有所帮助,比如,MoE——对Imagenet任务就有帮助。

顺便说一下,这个模型放到了tensor2tensor 里面。

5.3. 一小时弄懂Imagenet

Facebook的员工在一篇文章中告诉我们,他们的工程师是如何在仅仅一个小时之内教会Resnet-50模型弄懂Imagenet的。要说清楚的是,他们用来256个GPU(Tesla P100)。

他们利用了Gloo和Caffe2进行分布式学习。为了让这个过程高效,采用大批量(8192个要素)的学习策略是必要的:梯度平均、热身阶段、特殊学习率等。

因此,从8个GPU扩展到256个GPU时,实现90%的效率是有可能的。不想没有这种集群的普通人,现在Facebook的研究人员实验甚至可以更快。

6. 新闻

6.1. 无人车

无人车的研发正热火朝天,各种车都在积极地进行测试。最近几年,我们留意到了英特尔收购了Mobileye,Uber与Google之间发生的前员工窃取技术的丑闻,以及采用自动导航导致的第一起死亡事件等等。

我想强调一件事情:Google Waymo正在推出一个beta计划。Google是该领域的先驱,它认为自己的技术是非常好的,因为它的车已经行驶了300多万英里。

最近无人车还被允许在美国全境行驶了。

6.2. 医疗保健

就像我说过那样,现代ML正开始引入到医疗行业当中。比方说,Google跟一个医疗中心合作来帮助后者进行诊断。

Deepmind甚至还设立了一个独立的部门。

今年Kaggle推出了Data Science Bowl计划,这是一项预测一年肺癌情况的竞赛,选手们的依据是一堆详细的图片,奖金池高达100万美元。

6.3 投资

目前,ML方面的投资非常大,就像之前在大数据方面的投资一样。

7.AI的成就

7.1 AI发现了一个包含八颗行星的太阳系

中国在AI方面的投入高达1500亿美元,意在成为这个行业的领袖。

公司方面,百度研究院雇用了1300人,相比之下FAIR的是80人。在最近的KDD上,阿里的员工介绍了他们的参数服务器鲲鹏(KunPeng),上面跑的样本达1000亿,有1万亿个参数,这些都是“普通任务”。

你可以得出自己的结论,学习机器学习永远不会迟。无路如何,随着时间转移,所有开发者都会使用机器学习,使得后者变成普通技能之一,就像今天对数据库的使用能力一样。



2017年AI都有哪些耀眼的成就,除了大家耳熟能详的AlphaGo,还有自学写代码的AI,能发现另一个太阳系的AI

2017年是人工智能领域蓬勃发展的一年。 虽然AI和以数据为中心的机器学习已经存在有数十年的历史,但是,直到今年,算法技术才真正在各行各业和各种语境下广为人知。

微软英国首席愿景官戴夫·科普林(Dave Coplin)把AI称为 “最重要的技术,这个星球上的每一个人都在为此工作”,而硅谷的公司似乎也是这么想的:他们一直在到处招聘AI专家,那些因为人才短缺而找不到相应人才的公司,也已经开始让员工自己学习最基本的AI知识。

虽然如此,但也不是每一个AI的成就都受到了赞赏和掌声的欢迎。有人担心人类的偏见会被引入到AI系统中。例如,ProPublica2016年发现,用于预测未来犯罪分子的软件算法严重歧视黑人嫌疑人。今年早些时候,Facebook也引发了抨击,这家公司的算法生成的广告客户分类可以被用于给用户打标签,其中包括一些充满敌意的群体和话题,比如“反犹太者”。类似这样的情况促使专家敦促公司和开发者在关于AI系统如何工作的阐释上需要更加透明。不过,在许多其他情况下,特别是最近,AI已经被用来实现美好的愿望:帮助发现,改善自我,帮助我们超越人类的思维局限。

成功的天文学发现通常围绕研究数据 - 大量的数据 - 这是AI和机器学习非常擅长的地方。事实上,天文学家使用人工智能来筛选开普勒望远镜上获得的多年数据。在本月早些时候确定了一个遥远的八行星太阳系。

2009年到2013年,开普勒望远镜的光度计每半小时捕捉20万颗不同恒星的10个像素图像,以寻找恒星亮度的变化。如果一颗恒星以一种规则的重复模式变暗和变亮,这可能表明它有行星绕行。(也可以使用这些信息来估算一个行星的轨道大小和轨道长度。)

得克萨斯大学奥斯汀分校的天文学家安德鲁·范德堡(Andrew Vanderburg)和Google软件工程师克里斯托弗·沙尔(Christopher Shallue) 开发了一个神经网络,使用1500颗系外行星的引导,达成了这一发现。他们根据已知的系外行星位置对670颗星星重新校准定位,但聚焦于弱信号 - 以前的研究人员可能错过了较小的系外行星。新发现的行星被称为开普勒90i,这似乎是绕行的第三颗行星,就像我们自己的地球一样。

7.2 铸造无敌“围棋大师“

Google的DeepMind研究人员开发一个AI,用于玩复杂的中国战略游戏围棋。五月份,最初版本的AI击败了世界上最好的围棋玩家,但这还不够。几个月后,Google开发了AlphaGo 的最新版本 AlphaGo Zero。这个AI实现了超人类水平的围棋表现 - 1000击败了原来的AlphaGo

7.3 无限注德州扑克游戏

卡内基梅隆公司的计算机科学部门开发的最新的AI扑克游戏者最近打败了专业人士。与国际象棋和围棋等策略游戏不同,扑克被认为是“不完美的信息游戏”,因为玩家必须做出决定,即使隐藏了一些信息。最重要的是,这不仅仅是动作指令,它甚至也知道什么时候该虚张声势。卡内基梅隆大学的AI Libratus在为期20天的比赛中赢得了20万美元的奖金,击败了世界顶级扑克专业人士。

7.4 自我学习程序

人工智能今年不仅取得了一些显著的发现,它在不同的领域的应用也很出色,甚至让程序员都显得过时了。几个不同的人工智能程序(包括谷歌,微软和Facebook开发的程序)学会了如何编写基本代码,以帮助非程序员处理复杂的电子表格计算,或者减少开发人员必须面对的一些麻烦。

微软的AI DeepCoder可能被认为是三者中最基本的一个,尽管它仍然是一个令人难以置信的复杂的技术。这个AI可以理解您需要解决的数学问题,可以查看代码中相似问题的现有示例,然后开发基于代码的解决方案。

对于那些不能或不想学习编码,但需要使用基于代码的解决方案进行计算(例如,棘手的电子表格计算)的人来说,DeepCoder最终可能是非常有用的。解决方案相对简单,在解决方案和结构方面,基于AI的以前经历,它们通常最终总共只有三到六行代码。

Google的机器学习自学软件AutoML,在一个案例中,学会识别照片中的物体,这是一个更具挑战性的任务,它最终实现了43%的任务成功率,比同行开发的代码高出4个百分点。然而,AutoML的最大好处是自动化机器学习模型的开发过程,这对于人类机器学习专家而言通常是相当耗时的。

然后是Facebook的自我学习的聊天机器人,它们的自学能力略有不同。 例如,BobAlice,这两个A.I.机器人开始用英语发音,但是后来发展了自己的语言来说话。

“聊天机器人会摆脱可理解的语言,为自己发明代码字,”来自乔治亚理工学院,现任Facebook AI研究院的科学家Dhruv Batra在接受FastCo的采访说到。

随即便在媒体上引起了很大反响,“令人毛骨悚然”是对这一发现最常见的描述,但实际上这是一个相当普遍的现象。

这类技术基于奖励的系统演变,原理是如果一个行动没有得到特定的正向反馈,他们会尝试其它的东西。 尽管如此,Facebook的研究人员最终关闭了AI 机器人项目,因为他们的目标是创建实体,最终将与人互动 , 这些数字机器人没有人的风格。

结语:在过去的两三年里,人工智能和深度学习在公共领域出现了爆炸式的增长,推出了一些令人兴奋的产品。在2018年和未来几年,它们将越来越多地出现在我们的日常互动中,尤其是在移动应用领域。很显然,人工智能和深度学习的未来充满活力和前景。我们看到这种变化和进步的速度有多快,只有时间能给予我们答案。因此,随着新的一年的展开,让我们拭目以待,看看这一细分领域的表现吧。


金准数据 无人机行业发展现状及趋势预测报告 2017-12-31 10:35:02


前言:过去几年,消费级无人机市场爆发式增长,无人机影响力从C端向B端外溢,工业级市场需求加速释放,随着技术/配套服务逐步成熟,工业级无人机行业将进入高速增长阶段。我们对行业发展趋势判断如下:(1)未来几年,市场参与者跨行业拓展将加速,行业开启跑马圈地模式,由于B端客户主要通过招标的方式购买无人机,品牌的重要性凸显;(2)由于先行进入市场的企业在技术、经验、客户粘性等多个方面具备优势,所以先发优势将成为重要的行业壁垒;(3)中短期来看,配套服务成为企业的核心竞争力,长期来看,应用服务环节将逐步成长为上百亿的大市场。


未来三到五年行业的主要发展逻辑是企业跨行业布局加速,品牌影响力将成为获取订单的重要竞争力,资本市场品牌背书以及融资便利红利有助于企业拿到订单,因此我们优先推荐已经登陆资本市场的企业。具体的投资逻辑,我们推荐以下两条主线:(1)选择已经在细分领域建立优势的企业,先发优势+资本市场品牌影响力+资金支持将助力企业进行跨行业拓展,如易瓦特(电力巡线龙头)、观典防务(禁毒领域垄断地位)等;(2)选择有业务协同资源,配套服务相对完善,获取订单能力强的企业,如全丰航空(母公司主营农药、化肥生产,新安股份持股,由农飞客对接服务),臻迪科技(佳讯飞鸿持股)等;另外,未上市/挂牌公司建议关注大疆创新、极飞科技、科比特、北方天途等。


一、无人机行业基本概况

1、无人机定义

无人机即空中机器人,能够替代人类完成空中作业,同时与成像设备等部件结合能够扩展应用场景,实现无人机+。


无人机价值在于替代人类完成空中作业,并且能够形成空中平台,结合其他部件扩展应用。

2、无人机应用领域

无人机的设计概念最早应用于军工领域。由于军工设备具有较强的技术保密和行业垄断性质,民营企业和资本很难获得准入。随着世界范围内军民融合战略的实施和推进,近几年无人机技术在民用领域的应用获得长足发展。根据无人机应用领域,可分为消费级无人机和工业级无人机。消费级无人机主要应用于个人航拍,工业级无人机广泛应用于农业植保、国土勘测、安防和电力巡检等领域。

3、无人机的分类

无人机按机身构造主要分成固定翼、直升机、多旋翼三种。


随着技术成熟,零配件成本降低,并且开发了航拍、电力巡检等应用场景,以多旋翼无人机为主的小型民用无人机市场成为热点。

4、无人机发展趋势:竞争加剧、产品分化、服务丰富

无人机技术成熟降低了行业门槛,使得行业竞争加剧,产品出现分化,技术和产品的成熟也使得应用和配套服务越发丰富。

二、无人机行业及市场现状

1、国外行业情况

2015年,全球民用无人机市场规模为36亿美元,同比增长33%。据中国产业信息网预测,到2020年全球民用无人机市场规模预计可达259亿美元,年均复合增长率为42%。

2015年,民用无人机销量约为56.9万架,其中,工业级无人机销量约为17.1万架,消费级无人机销量约为39.8万架。据IDC预测,到2019年全球民用无人机销量预计可达393万架,其中,消费级约为300万架,年均复合增长率为60%,工业级约为93万架,年均复合增长率为45%。

据前瞻网数据统计,目前工业级无人机细分领域中,政府采购占比45%,消防占比25%,农林牧渔占比13%,能源勘探占比10%,地质勘测占比6%,商业广播及其他占比1%。

2、国内市场行情

2015年,国内民用无人机市场规模为23.3亿元,同比增长55.3%。据IDC预测,到2019年国内民用无人机市场规模预计可达390万架,合计约为600亿元。据东兴证券研究所预测,到2023年国内无人机市场规模预计可达976.9亿元,年均复合增长率为59%。

目前,工业级无人机细分领域中,政府采购占比45%,消防占比25%,农林牧渔占比13%,能源勘探占比10%,地质勘测占比6%,商业广播及其他占比1%。

3、产业政策

我国对低空空域的监管十分严格,无人机属于民航的一个分支,无人机市场的发展与国务院、中央军委空中交通管制委员会和中国民航局的相关政策规定密切相关。


出台年份/政策名称/内容摘要

2003年/《通用航空飞行管制条例》/飞行前,首先要向空军申请“拟设临域”,至少需要提前7天申请;在获得临用许可后,飞机还需要提前1天向民航局和“飞行计划“,获得审批许可后方可飞行。

2010年/《关于深化我国低空空域管理改革的意见》/明确将推进低空空域向通用航空活动开放分为三个阶段:2011年前在局部地区改革试点;2011年-2015年底在全国推广试点;2016-2020年深化改革,完善低空领域管理机制。

2013年/《通用航空飞行任务审批和管理规定》/规范了通用航空飞行任务审批与管理。

2014年/《低空空域使用管理规定(试行)》 /征求意见稿将低空空域分为管制空域、监视空域和报告空域,其中涉及监视、报告空域的飞行计划,企业只需向空军和民航局报备后即可实施。

2015年/《倾小型无人机运行试行规定》/7公斤以上的无人机,需明确接入”电子围栏“及”无人云机”,驾驶员有严格的操作限制;7公斤以下的无人机驾驶员无需执照。

2016年/《关于促进通用航空业发展的指导意见》/将低空空域从2010年认定的真高(即以飞机正下方地平面为基准测量的高度)1000米以下提升到3000米以下。

从政策角度来看,无人机行业的相关政策规定正在逐步完善,有利于无人机市场的发展。


三、无人机产业链结构

1、无人机产业链结构

无人机产业链除了传统的生产制造环节外,还出现了针对用户使用过程的社交、保险以及数据采集、航拍等基于应用场景的产业服务。

2、无人机产业链的机会:无人机服务机会多

随着无人机的产品成熟,应用领域拓宽,基于无人机的使用过程和应用,将诞生新的服务需求和服务形式。


四、无人机发展规模及市场结构


12017年全球工业级无人机发展规模

工业级无人机主要应用在电力巡线、农林植保、消防、警用、海洋巡视等领域。种种迹象表明,当前工业级无人机已摆脱了消费级无人机的影子,开始出现产业逐渐明晰、需求不断涌现,技术标准逐渐成型、市场不断细分的形势。无人机厂商已经不仅仅关注于无人机本身,而是提出了针对多个行业的整体化解决方案。综合分析认为,当前全球工业无人机行业正处于行业成长期,未来发展前景广阔。


就全球整体而言,相较于消费级无人机,工业级无人机的发展速度相对较慢,但依然处在一个较高的增长阶段。2016年,全球工业级无人机的销售规模约为27.99亿美元。根据各大权威机构的预测,全球工业级无人机的发展速度将超过军用、消费级等无人机的发展速度,成为刺激各国经济发展的一个重要产业。预计2017年,全球工业无人机的市场规模可达到36.87亿美元左右。

此外,前瞻产业研究院发布的《2017-2022年中国工业无人机行业发展前景预测与投资战略规划分析报告》数据显示,全球消费级无人机销量从2013年的10万架增长到2015年的39.8万架,工业级无人机销量从2013年的5万架增长到2015年的17.1万架。

22017年全球工业级无人机市场结构

当消费级无人机市场已成为一片红海之际,各大无人机厂商都在工业级无人机领域发力,争夺高端行业应用的市场。除了消费者们熟悉的航拍摄影外,无人机的行业应用还有精细三维建模,基础地理信息采集、精细农业、空中监视、电力巡线与油气管线巡检等。相比于消费级市场,工业级无人机行业应用的技术门槛更高,定制化需求也更丰富。需要更可靠的飞行与控制平台,兼容多种任务载荷以及更长的续航时间。


从应用结构来看,当前全球工业无人机行业中45%为政府采购,能源勘探和地球勘探的应用占比分别为10%和6%,农林牧渔的应用占比约为13%,在消防领域的应用占比达到25%。


32017年全球工业级无人机前景分析

随着工业级无人机技术的不断发展,未来工业级无人机将呈爆发式增长。结合国际权威机构对未来工业级无人机行业发展趋势的判断,预计到2023年,全球工业级无人机市场规模将超过300亿美元。2018-2023年行业年均复合增长率将维持在45%左右。

五、未来市场规模预测

1、全球无人机行业发展预测

全球无人机2013年市场规模20亿美元,2014年市场规模达到27亿美元,同比增长35%;2015年市场规模36亿美元,同比增长33%。预计2020年全球无人机市场规模将达到259亿美元,年均复合增长率达到42%。

全球民用无人机在2014年迎来大约37.8万架的销量,其中工业级无人机销量约12.6万架,消费级无人机销量约25.2万架。在2015年大约销售民用无人机56.9万架,其中,工业级无人机销量约17.1万架,消费级无人机销量约39.8万架。IDC预测,到2019年全球无人机年销量将达到393万架,其中消费级300万台,CAGR达到60%;工业级无人机销量为93万台,CAGR达到45%。

目前在工业级无人机细分应用领域,政府采购占比45%,消防占比25%,能源勘探占比10%,地球勘测占比6%,农林渔业占比13%,商业广播及其他占比1%。预计未来各应用领域不同程度的放量增长,将改变目前工业级无人机细分应用占比。

外媒报道称,2015年全球无人机市场规模进一步扩大,竞争越发惨烈。行业数据指出,DJI大疆创新是消费级无人机市场的NO.1。2015年,售价在400美元到1500美元(RMB 2660元-9990元)之间。单看消费级无人机领域,大疆创新占领了世界77%的份额,位居第一。


最新的排行榜显示:国内无人机的十大品牌分别为大疆创新公司、零度智控公司、Xaircraft公司、PowerViroment公司、北京航空航天大学研究所、亿航智能技术公司、普洛特无人飞行器科技公司、中科遥感信息科技公司、智能鸟无人机公司及爱生技术集团公司。这些都是生产制造无人机的中国公司,前五家公司更是挤进了全球前十。


2014年国内民用无人机产品销售规模15亿元,2015年销售规模23.3亿元,同比增长55.3%。据IDC数据预测,2019年中国民用无人机市场销售规模达到390万台,合计约600亿元。预计到2023年,国内民用无人机市场规模将会达到976.9亿元,年复合增长率59%。

预计到2023年,我国民用无人机各细分应用领域的市场份额分别为:消费级及航拍无人机市场200亿元,农业植保硬件销售160亿元,农业植保服务485亿元,巡检、森林防火、警用安防等领域共计131.9亿元,合计976.9亿元。


2、中国无人机行业发展与预测

据国家海关数据统计,2015年中国大陆出口无人机89.1万架,同比增长427.2%;出口金额5.15亿美元(约合32.7亿人民币),同比增长730.6%。主要出口地区依次是香港、北美和欧盟,平均出口价折合人民币约3670元。其中,出口香港的40%又转销到北美和欧盟。2015年中国大陆进口无人机14.5万架,同比增长1350%;进口金额1.1亿美元,同比增长83.3%。平均进口价折合人民币约4817元。目前中国大约有400个无人机制造商,是全球70%的无人机需求市场的供货商。

目前,中国无人机市场尚未成熟,对于希望进入此领域的无人机制造商来说,中国市场前景广阔,未来3年,无人机将会应用到更广泛的领域,其中航拍无人机的出货量有望增长七倍以上。IDC预测,2019年中国市场消费级无人机出货量将达到300万台,较2016年的39万台实现大幅增长。

由于无人机的经济性、安全性和易操作性等特点,在很多民用领域也存在市场需求。小型无人机的航空特性和大面积巡查的特点,在洪水、旱情、地震、森林大火等自然灾害实时监测和评估方面具备优势,可广泛应用于防灾减灾、搜索营救、核辐射探测、交通监管、资源勘探、国土资源监测、边防巡逻、森林防火、气象探测、农作物估产、管道巡检等领域。目前装备部队的无人驾驶飞机,由于成本较高,操作复杂,培训维护难,因而主要为军事需求服务,缺乏针对民用需求订制,民用领域尚未真正推广应用。从民用来看,航空遥感、灾情监报、矿藏勘探、数字中国建设等都需要大批量地使用无人机,未来10年内民用无人机市场的销售额可达10亿美元。


总结:金准数据认为,品牌重要性凸显,服务市场打开。(1)跨行业拓展加速:巡检/警用/航测等细分领域边界被打破,跑马圈地模式开启,B端客户采购方式以招标为主,品牌的重要性凸显;2)先发优势将是重要壁垒:先行进入的企业在技术、经验、客户粘性等方面具备优势,随着壁垒的建立,品牌影响力将助力拥有出色技术积淀和应用经验的厂商高速成长;3)配套服务是重要竞争力:“微笑曲线”右端的服务环节附加值更高,中短期看,配套服务成为企业的核心竞争力,长期看,应用服务环节市场空间上百亿。


风险因素。低空开放政策不达预期,行业标准出台缓慢;企业应用领域拓展不达预期,业务单一、客户集中的风险。


投资策略。未来三到五年行业发展逻辑是跨领域布局加速,品牌的重要性凸显,资本市场品牌背书+融资便利红利有助于企业拿到订单,优先推荐登陆资本市场的标的。建议从以下两条主线布局:(1)选择已经在细分领域建立优势的企业,先发优势助力企业进行跨行业拓展,如易瓦特(电力巡线龙头)、观典防务(禁毒领域垄断地位)等;(2)选择配套服务相对完善,有业务协同资源,获取订单能力强的企业,如全丰航空(母公司主营农药、化肥生产,农飞客对接服务),臻迪科技(佳讯飞鸿持股)等。未上市/挂牌公司建议关注大疆创新、极飞科技、科比特、北方天途等。


金准数据 2017年人工智能产业发展现状与趋势预测报告 2017-12-30 21:21:58

前言:从目前来看,计算机视觉技术是人工智能的核心技术之一,广泛的商业化渠道和技术基础使其最为热门。

目前,中国的人工智能研究处于爆发期,行业巨头公司正逐渐完善自身在人工智能的产业链布局,而不断涌现出的创业公司将持续在垂直领域深耕深挖。从目前来看,计算机视觉技术是人工智能的核心技术之一,广泛的商业化渠道和技术基础使其最为热门。未来,“人工智能+”有望成为新业态,人工智能产业将成为独角兽集中地,而人才储备则将成为制约中国人工智能发展的重要因素。

 

01 人工智能产业是一个广阔的领域

人工智能产业是指以人工智能关键技术为核心的,由基础支撑和应用场景组成的,一个覆盖领域非常广阔的产业,与人工智能的学术定义不同,人工智能产业更多的是经济和产业上一种概括。

02 中国人工智能产业处于上升阶段

中国人工智能产业规模2016年已突破100亿,以43.3%的增长率达到了100.60亿元,预计2017年增长率将提高至51.2%,产业规模达到152.10亿元,并于2019年增长至344.30亿元。

中国人工智能产业起步相对较晚,但产业布局、技术研究等基础设施正处于进步期,随着科技、制造等业界巨头公司的布局深入,人工智能产业的规模将进一步扩大。而随着众多垂直领域的创业公司的诞生和成长,人工智能将出现更多的产业级和消费级应用产品。

03 2015年是人工智能创业年

根据对中国168家以人工智能为驱动技术或业务的非上市公司的信息整理,其中,34.5%的人工智能创业公司于2015年成立,除此之外,20.8%成立于2014年,2016年成立的人工智能占到了16.7%。从2014年起,中国人工智能产业的创业潮就开始兴起,2015年是名副其实的人工智能创业年,涌现了相当一部分优秀的创业公司。值得一提的是,2016年,虽然资本市场回归理性,但人工智能创业热情并没有太大的减退,这说明,人工智能作为前沿技术,随着商业化场景的拓展,人工智能的产业前景依然值得期待。

04 北京是人工智能创业重镇

42.9%的人工智能创业公司位于北京,而上海则拥有16.7%的人工智能创业公司,15.5%位于深圳,而广州的人工智能创业公司占比则为7.7%。在北上广深之外,浙江和江苏分别拥有5.4%和3.6%的人工智能创业公司。人工智能是高度知识密集型的产业,北京的人才、技术、产业、资本等环境都优于其它地区,是人工智能的创业重镇。有丰富技术、硬件和产业资源的深圳和上海也吸引了相当一部分人工智能创业公司。共有82.8%的人工智能创业公司分布在北上广深,在一定程度说明,人工智能产业将形成以北京为绝对核心,上海、广州、深圳为重点城市的地理布局。

05 计算机视觉是创业公司最多的领域

中国人工智能创业公司所属领域分布中,计算机视觉领域拥有最多创业公司,高达35家,紧随其后的是服务机器人领域,有33家,而排名第三的是语音及自然语言处理领域,有18家,智能医疗、机器学习、智能驾驶等也是相比比较热门的领域之一。计算机视觉技术是人工智能的重要核心技术之一,可应用到安防、金融、硬件、营销、驾驶、医疗等领域,而目前我国计算机视觉技术水平已达到全球领先水平,广泛的商业化渠道和技术基础是其成为最热门领域的主要原因。

06 手机网民较为关心人工智能的发展

19.2%的手机网民对人工智能的发展非常关心,48.7%的手机网民表示比较关心,而认为自身关心程度一般的手机网民占比则为26.9%,仅有5.2%的手机网民对人工智能的发展比较或完全不关心。进入21世纪以来,人工智能技术实现阶段性的突破,众多科技公司开始进行人工智能技术研发和产业布局。一方面,众多焦点产品或话题持续引发大范围的社会讨论,另一方面,相当一部分的人工智能产品逐渐开始落地应用,这令越来越多的手机网民开始注意并关心人工智能的发展。


07 手机网民对人工智能的了解程度不高

高达47.4%的手机网民认为自己对人工智能的了解一般,20.0%的手机网民认为自己比较不了解,认为自己对人工智能比较了解的手机网民占比为21.6%。虽然人工智能作为社会热点,被提及和讨论的范围比较广,但是,更多的是基于传播媒体的角度去报道,而对人工智能的涵义、技术等方面的内容缺乏一定的探讨。另一方面,人工智能虽内涵丰富,然而目前仍处于学科和技术边缘,在手机网民中广泛普及仍有一定阻碍和难度。随着人工智能产业的发展,人工智能将从媒体逐渐走向人们的日常生产及生活之中,而手机网民对于人工智能的认识水平也将逐步提高。

08 媒体是了解人工智能的主要渠道

74.7%的手机网民以网络媒体为了解人工智能的主要渠道之一,同时,有40.5%的手机网民会通过传统媒体来了解人工智能,需要注意的是,有29.3%的手机网民会通过文化产品(影视、小说、游漫等)来了解人工智能,而学术文献和机构报告等渠道则相对分布较少。

我们处于移动互联网时代,网络媒体已经成为了信息传播的主要渠道,随着人们了解资讯的习惯日益呈现碎片化,网络媒体在人工智能的传播过程中占据着主要地位。网络媒体在认识到自身的信息传播价值的同时,也在传播过程中承担着社会责任,发挥着重要的社会价值。


09 语音识别的人工智能水平最受认可


有46.0%的手机网民认为语音识别是人工智能发展水平较高的领域之一,紧随其后的是智能家居,得到了40.5%的手机网民的认可,而机器人、智能驾驶、个人助手、无人机等领域亦得到了较多的手机网民认可,其中,智能安防和智能金融的认可度较低。


语音识别作为发展较为充分的领域之一,不乏科大讯飞等出色企业,有着较为成熟的产品体系,已经实现了较大范围的应用落地,是用户较为熟悉和满意的细分领域。智能家居被认为最具发展价值41.0%的手机网民认为智能家居是最具发展价值(包括社会、经济等价值)的领域之一,紧随其后的是智能驾驶、机器人、智能医疗等,而仅为9.7%、9.2%的手机网民认为智能金融、可穿戴设备存在较大发展价值。


智能家居一方面范畴较为广泛,涉及众多的家庭产品,另一方面与人们的日常生活息息相关,得到充分发展的智能家居,能够很大程度地改善人们的生活。智能驾驶、机器人、智能医疗等领域,既能够有效地提高生产效率,又能够在生命健康方面给社会带来价值。体力劳动最有可能被人工智能取代普通技工和服务从业者是手机网民认为最有可能被人工智能取代的职位之一,分别占比46.0%、40.8%。需要注意的是,销售公关类、经营者(批发零售)是最少手机网民认为会被取代的职位之一,占比分别是5.9%和5.7%。


人工智能取代人类劳动力是必然趋势,人们更多的讨论是何种职业会被取代。其中,简单重复、主要以体力劳动为主的职位被取代的风险最大。而判断是否会被人工智能所取代,更多的是需要从可学习性、感性程度、主观依据等多个角度去思考。超人工智能的发展存在一定的争议在“是否赞成发展超人工智能”的调查中,有53.0%的手机网民认为超人工智能可以有限制地发展,而表示完全反对的手机网民占比为22.0%,有14.8%的手机网民不认为有可能实现,仅有8.4%的手机网民很赞成超人工智能的发展。


超人工智能是指在拥有智能计算和决策能力的基础上,拥有自我意识、价值观等心智意识的机器。关于超人工智能的发展,各方面存在不同的看法,对于普通手机网民而言,超人工智能所拥有的心智意识一方面拥有很大的不可控性,另一方面又缺乏理论和技术支持。但是,更多的手机网民依然较为理性,认为超人工智能可以有限制地发展。


中国人工智能产业特征总结

1. 大公司产业链布局广,创业公司专业性强

产业链特征方面,中国人工智能产业生态中,基于资源能力,大公司的参与布局较广,在基础层、技术层及应用层皆有所布局。中国不乏优秀的人工智能公司,大部分专业性较强,专注于某一细分领域的技术和应用研究,其中,计算机视觉领域集中了大批的优秀创业公司。但是,各应用场景之间的人工智能技术相关度存在一定的差异。

2. B端业务为主

商业模式方面,大部分公司的业务主要以B端解决方案和服务为主。一方面,B端业务注重与行业客户的互动合作,更有利于人工智能技术和产品的落地;另一方面,行业客户对于生产效率的提高有强烈的需求,而C端产品需求仍需挖掘。不过,大公司的C端产品布局依然是相对活跃的。

3. 人才成本较大,存在较大的需求缺口

技术方面,以深度学习为代表的机器学习算法研究是广泛的基础能力,但目前国内在此领域的人才供应相对紧缺,流通性较弱,因此也导致了高端研究人才的超高成本,同时有部分公司选择在美国建立研究院或实验室。这说明,作为知识密集型产业的典型代表,人工智能产业存在较大的需求缺口。

4. 传统行业和技术给予充分的支持

产品方面,目前仍缺乏一定的革命性产品,更多的是利用人工智能技术对传统行业产品的改良。在这个过程中,医疗健康、装备制造、汽车、金融等行业给予了人工智能产业充分的支持,通过合作开发等方式,助力人工智能技术的应用落地和商业化。


10 中国人工智能产业趋势预测

1. “人工智能+”有望成为新业态

在移动互联网时代,“互联网+”的出现给经济发展带来了重大影响,艾媒咨询分析师认为,随着专用人工智能的发展,作为一个庞大的高新技术合集,“人工智能+”作为一直新经济业态已经开始萌芽,越来越多的行业开始拥抱人工智能,用“人工智能+”助力技术和产业的进一步发展。


2. 人工智能产业将成为独角兽集中地

在大公司和传统大型企业之外,人工智能产业集中着非常多的优秀创业公司。优秀的人工智能创业公司有着成熟的团队配置、先进的技术能力、健康的现金流等,同时受资本方的认可度较高。艾媒咨询分析师认为,人工智能作为最具前景的产业,将成为新的独角兽集中地。


3. 人才储备将成为制约中国人工智能发展的重要因素

从目前来看,虽然相关机构的研究表明华人的人工智能学术成果占全球一半以上,但中国人工智能技术和产业在大部分领域仍落后于全球一流水平。虽然中国在数据积累和传统产业基础上有一定的优势,部分细分领域有领先成果,相关研究投入不断加大,但整体上的人才储备落后于美国,在基础研究、产业链等方面存在较大挑战,将成为制约人工智能发展的重要因素。


4. 人工智能全面发展需要更多的积累

真正的强人工智能缺乏基础,人工智能技术更多的是依靠机器学习和计算能力促进生产力的发展。理性地看,“机器统治人类”的奇点恐惧缺乏一定的基础,虽然人工智能已经在机器学习等关键领域得到了一定的突破,但更多的是属于专用人工智能,往通用人工智能等更高层次的发展仍需积累。


11中国人工智能创业投资趋势

1、前景广阔

据金准数据预计,2025 年人工智能应用市场总值将达到1270亿美元。未来人工智能相关技术的发展,不仅将带动大数据、云服务、物联网等产业的升级,还将全面渗透金融、医疗、安防、零售、制造业等传统产业,市场前景十分广阔。

2、巨头的进击

可以预见,未来5-10 年,谷歌、苹果、亚马逊等科技巨头对人工智能的布局将更加广泛和深入,对核心技术和人才的争夺也将越来越激烈, 收购创业公司是占领 AI 核心技术和人才高地的重要途径。


大数据、算法和算力构成了人工智能高速发展的三要素,海量的数据积累是基础,算法开源是趋势,算力的提升是必要条件和加速器。

巨头们试图通过对话机器人打造全新的人机交互方式,成为用户的个性化助理,为用户提供多场景的便捷服务。


巨头竞争的关键点是争夺用户的持续数据和软硬件服务的入口。途径一,针对开发者开源AI 学习工具(平台),得到反馈后,优化自身的产品模型和用户体验;途径二,利用自身优势,对各个垂直场景进行渗透。目前备受巨头追捧的应用场景有智能家居、无人驾驶和智能医疗。


12  AI行业投资方向分析

1、机器视觉产业

产业规模:2020 年中国机器视觉市场规模预计将达到54.7 亿元人民币

机器视觉产业链分析:产业链上游的芯片生产和算法库开发上,国际领先的机器视觉厂商现在已实现产业化。国内企业则集中于中下游的技术提供层和场景应用层。在产业链下游,国内众多创业公司积极开拓产品线,主要在智能制造和消费两大领域。

机器视觉产业投资趋势

●前端智能化,低成本的视觉解决模块或设备

●深度学习解决视觉算法场景的专用芯片

●新兴服务领域的特殊应用(如无人车、服务机器人、谷歌眼镜等)

●数据是争夺要点,应用场景是着力关键

2、智能语音产业

深度神经网络的应用、算力的提高和大数据的积累,极大促进了智能语音技术的发展。在语音识别率方面,谷歌、百度、科大讯飞等主流平台识别准确率均在96% 以上。自然语言处理方面,虽然深度学习能起到的作用还有待观察,但在语义理解和语言生成等领域都有了重大突破。很多提供语音技术服务的公司也突破原有单纯语音识别或者语义理解的业务框架,倾向于提供整体的智能语音交互解决方案。

语音识别即将进入大规模产业化的时代。科技巨头和初创公司从不同维度布局语音入口相关产业链。巨头纷纷开放语音平台,构建智能语音生态。

创业公司则以垂直领域和细分场景为突破口,重点布局家居,车载和可穿戴设备,以及客服、金融、医疗等垂直领域。

3、自动驾驶产业

自动驾驶领域目前基本分为两大阵营:以传统汽车厂商和Mobileye 合作的“递进式”应用型阵营,以谷歌、百度以及初创科技公司为主的“越级式” 研究型阵营。

自动驾驶未来空间格局或呈现金字塔结构:OEM和科技型公司、自动驾驶供应商和底层零部件供应商。

全球L1-L5 智能驾驶市场的渗透率会在接下来 5 年内依靠 ADAS 市场的高速发展而处于高速渗透期,然后伴随半无人驾驶的普及进入稳速增长期,在来到 2025 年无人驾驶放量阶段后,依赖全产业链的配合而进入市场成熟期。



结语:几乎在互联网接触汽车的每个过程中,都离不开人工智能,智能语音交互如此,无人驾驶如此,汽车巨头们主动拥抱互联网的内因也是如此。或许这才是互联网巨头们乐于看到的,人工智能打破了汽车和互联网服务的边界,疆土再一次被开拓,同时也是新的商业蓝海。AliOS所扮演的,恰恰是引路人的角色。

 

金准数据 以机器学习为基石,智能运维前景光明 2017-12-29 14:51:46

前言:当代社会的生产生活,许多方面都依赖于大型、复杂的软硬件系统,包括互联网、高性能计算、电信、金融、电力网络、物联网、 医疗网络和设备、航空航天、军用设备及网络等。这些系统的用户都期待有好的体验。 因而,这些复杂系统的部署、运行和维护都需要专业的运维人员,以应对各种突发事件,确保系统安全、可靠地运行。由于各类突发事件会产生海量数据,因此,智能运维从本质上可以认为是一个大数据分析的具体场景。


智能运维正在经历由“基于人为指定规则”到“基于机器学习”的转变,将来会看到越来越多的科研成果和实际系统采用机器学习算法做为基础工具。目前机器学习在一个领域取得广泛成功有几个要素:可用的开源机器学习系统、实际应用场景、大量数据、大量标注,而智能运维恰好具备这几类要素所以基于机器学习的智能运维在今后几年会取得长足的进展。


1展示了智能运维涉及的范围。它是人工智能、行业领域知识、运维场景领域知识三者相结合的交叉领域,离不开三者的紧密合作。

1 智能运维涉及的范围


智能运维的历史

图2 运维发展历史

在运维发展的过程中,最早出现的是手工运维;在大量的自动化脚本产生后,就有了自动化的运维;后来又出现了DevOps和智能运维。在运维的过程中,涉及到的步骤可以概括为:产生海量的监测日志,进行分析决策,并通过自动化的脚本进行控制。运维的发展过程,主要是分析决策步骤发生了变化:起初,由人工决策分析;后来,在采集数据的基础上,使用自动化的脚本进行决策分析;最后,用机器学习方法做决策分析。


手工运维: 早期的运维工作大部分是由运维人员手工完成的,那时,运维人员又被称为系统管理员或网管。他们负责的工作包括监控产品运行状态和性能指标、产品上线、变更服务等。因此,单个运维人员的工作量,运维人员的数量都是随着产品的个数或者产品服务的用户规模呈线性增长的。此时的运维工作消耗大量的人力资源,但大部分运维工作都是低效的重复。这种手工运维的方式必然无法满足互联网产品日新月异的需求和突飞猛进的规模。


自动化运维: 运维人员逐渐发现,一些常见的重复性的运维工作可以通过自动化的脚本来实现:一部分自动化脚本用以监控分布式系统,产生大量的日志;另外一部分被用于在人工的监督下进行自动化处理。这些脚本能够被重复调用和自动触发,并在一定程度上防止人工的误操作,从而极大地减少人力成本,提高运维的效率。这就诞生了自动化运维。自动化运维可以认为是一种基于行业领域知识和运维场景领域知识的专家系统。


运维开发一体化:传统的运维体系将运维人员从产品开发人员中抽离出来,成立单独的运维部门。这种模式使得不同公司能够分享自动化运维的工具和想法,互相借鉴,从而极大地推动了运维的发展。然而,这种人为分割的最大问题是产生了两个对立的团队——产品开发人员和运维人员。他们的使命从一开始就截然不同:产品开发人员的目标是尽快地实现系统的新功能并进行部署,从而让用户尽快地使用到新版本和新功能。运维人员则希望尽可能少地产生异常和故障。但是经过统计发现,大部分的异常或故障都是由于配置变更或软件升级导致的。因此,运维人员本能地排斥产品开发团队部署配置变更或软件升级。他们之间的目标冲突降低了系统整体的效率。此外,由于运维人员不了解产品的实现细节,因此他们在发现问题后不能很好地定位故障的根本原因。为了解决这一矛盾,DevOps应运而生。DevOps最核心的概念是开发运维一体化,即不再硬性地区分开发人员和运维人员。开发人员自己在代码中设置监控点,产生监控数据。系统部署和运行过程中发生的异常由开发人员进行定位和分析。这种组织方式的优势非常明显:能够产生更加有效的监控数据,方便后期运维;同时,运维人员也是开发人员,出现问题之后能够快速地找出根因。谷歌的站点可靠性工程(Site Reliability Engineering, SRE)就是DevOps的一种特例。


智能运维 AIOps, Artificial Intelligence for IT Operations):自动化运维在手动运维基础上大大提高了运维的效率,DevOps 有效地提升了研发和运维的配合效率。但是,随着整个互联网系统数据规模的急剧膨胀,以及服务类型的复杂多样,“基于人为指定规则”的专家系统逐渐变得力不从心。因为,自动化运维的瓶颈在于人脑:必须由一个长期在一个行业从事运维的专家手动地将重复出现的、有迹可循的现象总结出来,形成规则,才能完成自动化运维。然而,越来越多的场景表明,简单的、基于人为制定规则的方法并不能够解决大规模运维的问题。


与自动化运维依赖人工生成规则不同,智能运维强调由机器学习算法自动地从海量运维数据(包括事件本身以及运维人员的人工处理日志)中不断地学习,不断地提炼并总结规则。换句话说, 智能运维在自动化运维的基础上增加了一个基于机器学习的大脑,指挥着监测系统采集大脑决策所需的数据,做出分析、决策并指挥自动化脚本去执行大脑的决策,从而达到运维系统的整体目标(见图3)。Gartner Report 预测AIOps 的全球部署率将从2017年的10%增加到2020年的50%。

3 智能运维与自动化运维的最大区别是有一个基于机器学习的大脑

智能运维现状


根据Gartner Report,智能运维相关的技术产业处于上升期。2016年,AIOps的部署率低于5%,Gartner预计2019年AIOps的全球部署率可以达到25%。所以,AIOps的前景一片光明。


关键场景与技术


4显示了智能运维包含的关键场景和技术 ,涉及大型分布式系统监控、分析、决策等。

4 智能运维的关键场景和技术


在针对历史事件的智能运维技术中,瓶颈分析是指发现制约互联网服务性能的硬件或软件瓶颈。热点分析指的是找到对于某项指标(如处理服务请求规模、出错日志)显著大于处于类似属性空间内其他设施的集群、网络设备、服务器等设施。KPI曲线聚类是指对形状类似的曲线进行聚类。KPI曲线关联挖掘针对两条曲线的变化趋势进行关联关系挖掘。KPI曲线与报警之间的关联关系挖掘是针对一条KPI曲线的变化趋势与某种异常之间的关联关系进行挖掘。异常事件关联挖掘是指对异常事件之间进行关联关系挖掘。全链路模块调用链分析能够分析出软件模块之间的调用关系。故障传播关系图构建融合了上述后四种技术,推断出异常事件之间的故障传播关系,并作为故障根因分析的基础,解决微服务时代KPI异常之间的故障传播关系不断变化而无法通过先验知识静态设定的问题。通过以上技术,智能运维系统能够准确地复现并诊断历史事件。


针对当前事件,KPI异常检测是指通过分析KPI曲线,发现互联网服务的软硬件中的异常行为,如访问延迟增大、网络设备故障、访问用户急剧减少等。异常定位在KPI被检测出异常之后被触发,在多维属性空间中快速定位导致异常的属性组合。快速止损是指对以往常见故障引发的异常报警建立“指纹”系统,用于快速比对新发生故障时的指纹,从而判断故障类型以便快速止损。异常报警聚合指的是根据异常报警的空间和时间特征,对它们进行聚类,并把聚类结果发送给运维人员,从而减少运维人员处理异常报警的工作负担。故障根因分析是指根据故障传播图快速找到当前应用服务KPI异常的根本触发原因。故障根因分析系统找出异常事件可能的根因以及故障传播链后,运维专家可以对根因分析的结果进行确定和标记,从而帮助机器学习方法更好地学习领域知识。这一系统最终达到的效果是当故障发生时,系统自动准确地推荐出故障根因,指导运维人员去修复或者系统自动采取修复措施。


关键技术示例


当我们应用层出现问题的时候,我们希望找到问题的原因。这里要解决的问题都描述过了,常用的根因分析算法有基于故障传播链的、有基于概率图模型的。这里我们对基于故障传播链的的思路来庖丁解牛。


假如说我们有这样的故障传播链,同时又对事件有很好的监测和准确的报警,那根因的分析就简单了。因为只需要顺着故障传播链各个报警找,找到最后一个就是根因。这其中有两个关键的步骤,一个是KPI异常检测,另一个是故障传播链,下面会详细介绍这两部分。


首先是异常检测,很多算法是基于KPI的趋势预测的,还有一些算法是基于机器学习的,机器学习的算法需要有标注。而标注会给运维人员带来很多开销,所以能不能做一些工作减少标注的开销呢?这其中就包括相似异常的查找,运维人员标一个异常后,能不能自动地把相似的、相关的异常都找出来? 以上是对异常检测问题的简单分解,后面会更详细的说明。


KPI瓶颈分析

为了保证向千万级甚至上亿级用户提供可靠、高效的服务,互联网服务的运维人员通常会使用一些关键性能指标来监测这些应用的服务性能。比如,一个应用服务在单位时间内被访问的次数(Page Views, PV),单位时间交易量,应用性能和可靠性等。KPI瓶颈分析的目标是在KPI不理想时分析系统的瓶颈。一般监控数据中的关键指标有很多属性,这些属性可能影响到关键指标,如图5所示。

5 KPI及影响因素


当数据规模较小时,运维人员通过手动过滤和选择,便能够发现影响关键性能指标的属性组合。但是,当某个关键指标有十几个属性,每个属性有几百亿条数据时,如何确定它们的属性是怎样影响关键性能指标的,是一个非常有挑战性的问题。显然,采用人工的方式去总结其中的规律是不可行的。因此,需要借助于机器学习算法来自动地挖掘数据背后的现象,定位系统的瓶颈。


针对这一问题,学术界已经提出了层次聚类、决策树、聚类树(CLTree)等方法。FOCUS 通过对数据预处理,把KPI分为“达标”和“不达标”两类,从而把KPI瓶颈分析问题转化为在多维属性空间中的有监督二分类问题。由于瓶颈分析问题要求结果具备可解释性,因此FOCUS采用了结果解释性较好的决策树算法。该算法较为通用,可以针对符合图5所示的各类数据进行瓶颈分析。


KPI 异常检测


KPI异常检测是互联网服务智能运维的一个底层核心技术。大多数上述智能运维的关键技术都依赖于KPI异常检测的结果。


KPI 呈现出异常(如突增、突降、抖动)时,往往意味着与其相关的应用发生了一些潜在的故障,比如网络故障、服务器故障、配置错误、缺陷版本上线、网络过载、服务器过载、外部攻击等。图 6 展示了某搜索引擎一周内的PV数据,其中红圈标注的为异常。

6 KPI异常示例:某搜索引擎PV曲线的异常


因此,为了提供高效、可靠的服务,必须实时监测KPI,以便及时发现异常。同时,那些持续时间相对较短的KPI抖动也必须被准确检测出来,以避免未来的经济损失。

目前,学术界和工业界已经提出了一系列KPI异常检测算法。这些算法可以概括地分成基于窗口的异常检测算法,例如奇异谱变换(singular spectrum transform);基于近似性的异常检测算法;基于预测的异常检测算法,例如Holt-Winters方法、时序分解方法、线性回归方法、支持向量回归等;基于隐式马尔科夫模型的异常检测算法;基于分段的异常检测算法;基于机器学习(集成学习)的异常检测算法等类别。


故障预测


现在,主动的异常管理已成为一种提高服务稳定性的有效方法。故障预测是主动异常管理的关键技术。故障预测是指在互联网服务运行时,使用多种模型或方法分析服务当前的状态,并基于历史经验判断近期是否会发生故障。


7 显示了故障预测的定义。在当前时刻,根据一段时间内的测量数据,预测未来某一时间区间是否会发生故障。之所以预测未来某一时间区间的故障,是因为运维人员需要一段时间来应对即将发生的故障,例如切换流量、替换设备等。

7 故障预测定义


目前,学术界和工业界已经提出了大量的故障预测方法。大致可分为几个类别:


• 故障踪迹。其核心思想是从以往故障的发生特征上推断即将发生的故障。发生特征可以是故障的发生频率,也可以是故障的类型。

• 征兆监测。通过一些故障对系统的“副作用”来捕获它们,例如,异常的内存利用率、CPU使用率、磁盘I/O、系统中异常的功能调用等。

• 错误记录。错误事件日志往往是离散的分类数据,例如事件ID、组件ID、错误类型等。


智能运维所用到的机器学习算法


在智能运维文献中较为常见的算法包括逻辑回归、关联关系挖掘、聚类、决策树、随机森林、支持向量机、蒙特卡洛树搜索、隐式马尔科夫、多示例学习、迁移学习、卷积神经网络等。在处理运维工单和人机界面时,自然语言处理和对话机器人也被广泛应用。

机器学习本身已经有很多年了,有很多成熟的算法。要想把机器学习的应用做成功,要有数据,有标注数据,还要有工具(算法和系统),还要有应用。


对于我们运维领域来说,这几点到底是怎么做的?


第一点是数据,互联网的应用天然就有海量日志作为特征数据,想各种办法做优化存储。在运行过程中遇到数据不够用还能按需自主生成,这是很好的。


第二点,在运维日常工作中还会产生各种标注数据,比如说工单系统,发生一次运维事件之后,具体负责诊断的人员会记录下过程,这个过程会被反馈到系统里面,我们可以从里面学到东西,反过来提升运维水平。


第三点就是应用,做出来的系统,我们运维人员就是用户,我们可以设计、部署、使用、并受益于智能运维系统,形成有效闭环。建模、测量、分析、决策、控制,很容易形成一个闭环。我们能够形成闭环,因为我们有这样的优势。


总结一下,基于机器学习的智能运维具有得天独厚的基础,互联网应用天然有海量日志作为特征数据,运维日常工作本身就是产生标注数据的来源,拥有大量成熟的机器学习算法和开源系统,可以直接用于改善我们的应用,所以智能运维在今后若干年会有飞速的发展。


智能运维系统在演进的过程中,不断采用越来越先进的机器学习算法。


基于互联网的视频流媒体(如QQ视频、优酷、爱奇艺、Netflix等)已经逐渐渗透到人们的日常生活中。在网络领域顶级会议中也涌现了很多学术界和工业界合作的智能运维案例,如卡内基梅隆大学的系列工作:SIGCOMM’11论文[3]利用不同数据分析及统计分析方法,灵活使用可视化(visualization)、相关分析(correlation)、信息熵增益(information gain)等工具,将杂乱无章的数据转化为直观清晰的信息,从而分析出海量数据背后的视频体验不佳的规律和瓶颈;SIGCOMM’12论文[4]为视频传输设计了一个“大脑”,根据视频客户和网络状况的全局信息,动态地优化视频传输;SIGCOMM’13论文[5]通过决策树模型建立视频流媒体用户参与度的预测模型,指导关键性能指标的优化策略,最终有效地改善了视频流媒体用户的体验质量;NSDI’17论文[6]将视频质量的实时优化问题转化为实时多臂老虎机(multi-armed bandits)问题(一种基础的强化学习方法),并使用上限置信区间算法(upper confidence bound)有效解决了这一问题。这一系列论文,见证了智能运维不断演进之路。


智能运维未来展望


多个行业领域都表现出对智能运维的强烈需求。但是,他们主要在各自行业内寻找解决方案。同时,受限于所处行业运维团队的开发能力,他们往往对所处行业内的运维团队提出相对较低的需求——这些需求一般停留在自动化运维的阶段。如果各行业领域能够在深入了解智能运维框架中关键技术的基础上,制定合适的智能运维目标,并投入适当的资源,一定能够有效地推动智能运维在各自行业的发展。同时,在智能运维通用技术的基础上,各行业领域的科研工作者也可以在解决所处行业智能运维的一些特殊问题的同时,拓宽自身的科研领域。


在基于机器学习的智能运维框架下,机器将成为运维人员的高效可靠助手。但是,人的作用仍处于主导地位。在智能运维的框架下,运维工程师逐渐转型为大数据工程师,负责搭建大数据基础架构,开发和集成数据采集程序和自动化执行脚本,并高效实现机器学习算法。 同时,在面对所处行业的智能运维需求时,智能运维工程师可以在整个智能运维框架下跨行业地寻找关键技术,从而能够更好地满足本行业的智能运维需求,达到事半功倍的效果。这种从普通工程师到大数据工程师(智能运维工程师)的职业技能转型对运维工程师是非常具有吸引力的。


智能运维的基石是机器学习和人工智能。相比人工智能在其他领域的应用,智能运维几乎完美地拥有一个有前景的人工智能垂直应用领域必备的要素:实际应用场景、大量数据、大量标注。智能运维几乎所有的关键技术都离不开机器学习算法;工业界不断产生海量运维日志;由于运维人员自身就是领域专家,其日常的工作就会产生大量的标注数据。海量的数据和标注降低了研究机器学习算法的门槛,有益于算法研究快速取得进展。因此,智能运维可以说是机器学习领域一个尚未开采的“金矿”, 非常值得机器学习领域科研人员的关注和投入。


作为人工智能的一个垂直方向,智能运维的理论也将取得长足的进步。除了互联网以外,智能运维在高性能计算、电信、金融、电力网络、物联网、 医疗网络和设备、航空航天、军用设备及网络都有很好的应用。


总结:智能运维本身前景非常光明,因为它具备丰富的数据和应用场景,将极大提高智能运维领域的生产力,也是AI领域尚未充分开采的金库。智能运维需要工业界和学术界的密切合作,但是目前仍只限于一对一相对低效的合作,少数公司和少数教授的特权不符合我们大的开源开放的趋势。我们的解决思路就是以科研问题为导向, 从日常工作中找到相关的问题,然后把这些问题分解定义成切实可行的科研问题, 并汇总成智能运维的科研问题库。同时, 工业界能够提供一些脱敏数据作为评测数据集,这样学术界就可以下载数据,并贡献算法。我的实验室NetMan将会运营一个“智能运维算法竞赛”的网站,汇总智能运维的科研问题库,提供数据下载,并举办智能运维算法大赛。已经有包括美国eBay公司在内的多家公司同意为网站提供脱敏的运维数据。



SaaS化进程加速产业链智慧化升级 2017-12-29 10:49:06


前言:自从云服务进入大众视野,SAAS就成了创投领域的新贵。逻辑清晰,变现简单,高度垂直,又特别响应“互联网+”,种种优势令太多的SAAS(Software-as-a-service)、PAAS(Platform-as-a-Service)崭露头角。他们或出自大公司之手,或是连续创业者的一次转型,总体显得比较稳扎稳打,不像当年的O2O那样烧钱,也并非创业新手能够驾驭。金准数据认为,SAAS像基建,是一种长期的趋势,本身谈不上风口,不过,一些风口却能和SAAS产生共鸣。或者说,正如云服务的发展带来了SAAS,SAAS的发展也巩固了其他新模式的土壤。

2017年国内SaaS行业市场规模为168.7亿元,增长率为32.3%,未来几年仍将保持30%以上的增长率。

中国SaaS市场占全球的比重将从2017年的5.5%增至2020年的9.4%,国内SaaS产业发展整体上落后美国5年以上,但在移动互联网时代有望实现反超。

对SaaS企业而言,续约和留存是企业经营发展的关键。免费模式能够在早期做大用户量,但培养客户的持续付费意愿更有利于形成健康的商业模式。

总体来看,SaaS化进程与商业价值链的路径方向相反:由价值链末端的C端用户开始不断向上游倒逼。目前终端to C行业的SaaS化成熟度最高。

未来,融合与跨界将成为行业常态,SaaS企业为打造生态将不遗余力地走向平台化,而数据价值开始为更多企业所重视,必将变革整个行业的商业模式与发展思路。


SaaS的概念定义

本报告只关注to B的SaaS市场

尽管“云”早已不再是艰深的技术名词,而是进入普通民众的日常语汇中,但大多用户对“云”的认知往往来自于“云盘”“云端存储”。从这些to C的SaaS应用中,人们获得了“云”的最初认知与宝贵的一手使用经验。

SaaS由于直接提供应用服务,天生就与用户的距离更近,也是云服务中最为人所熟知的一类。其实,就SaaS本身的定义而言,但凡直接向用户提供最终服务,而其背后的计算、数据存储都无需本地运行的,都可被归为SaaS服务。因此广义上,SaaS几乎可以包含我们日常生活中接触到的所有Web应用,包括搜索引擎、邮箱、地图、视频网站等等。但通常意义上,人们提到的“SaaS”都用来指代to B的SaaS服务,即面向企业提供的、部署在服务提供商自己的服务器上的、按需订购的、通过互联网提供的服务。本报告也只聚焦于企业级SaaS市场。



SaaS的概念定义

SaaS是对传统软件交付形式的变革

从历史发展的角度来看,SaaS的实质是应用交付形式的一次变革。传统软件的交付,最简单的就是采用单机软件的形式,即在每个用户的电脑上安装一套应用程序,程序的运行、数据存储等都在本地进行。这些彼此独立的应用程序使得集中管理难以实现。而在SaaS模式中,应用程序运行在SaaS厂商自己的服务器中(即所谓云端),大多情况下直接基于Web进行交付,无需本地安装与部署,且可以同时向多租户提供服务。



SaaS的概念定义

SaaSPaaSIaaS共同构成云服务的不同层级

如前文所述,SaaS是从传统软件进化而来,实际上是应用/软件层的云化。从互联网服务的层级来看,自上而下分别为应用层、平台层(主要包含网络服务器、APP服务器、数据库等中间件)和基础设施层(主要包含服务器/计算、存储、网络等)。不同层级的云化,形成了自上而下从SaaSPaaSIaaS的三种服务模式。SaaS作为其中最上层、直接面向最终用户的一类云服务,往往生长在下层的PaaS平台上,而这二者又都离不开IaaS的底层支撑。



SaaS:源起与演进

从分时系统到SaaS,服务模式顺应IT大环境变化

SaaS的雏形可以追溯至1960年代兴起的分时系统(time-sharing system),即用一台主机轮流为多个终端用户提供计算服务。由于当时的计算机体积巨大且昂贵,大多企业无力担负,于是分时系统作为当时相对经济的方式让企业得以享用先进的计算机技术。然而,随着计算机价格的不断下降,到90年代企业已经可以毫不费力地为员工配备台式机,分时系统就此被时代抛弃。这一时期,企业内部开始构建局域网(LAN)来运行与管理企业应用,可以被视为私有云计算的前身。20世纪90年代中后期进入互联网爆发式增长的黄金时代,基于互联网的ASPApplication Service Provider)模式开始出现,为企业提供应用的集中式托管服务。但由于ASP模式存在如成本过高、部署复杂、兼容性差等诸多缺陷,最终,SaaS模式的出现帮助企业实现了低成本和效益的最大化,成为现阶段的最佳解决方案。



国内SaaS的发展历程

从星星之火到燎原之势,国内SaaS正快步成长

国内SaaS行业的开端大约在2004-2005年左右,个别企业在传统C/S架构软件之外推出B/S架构的软件,成为国内SaaS产品的雏形。但由于SaaS的概念在国内仍属新兴事物,大多企业对此认知十分有限,实际买账不多,国内的第一轮SaaS浪潮很快归于平静。几年后,突然被热炒的云计算概念将SaaS再度拉入人们的视野。随着近些年人们对的认知不断提升,企业对SaaS的接受度不断提高,带动起新一轮的风潮:SaaS的各个细分领域内都涌现出一批创业公司,虽然整体市场基数不大,服务质量也有待提高,但处于高速发展阶段。



产品类型划分逻辑

专注于特定的业务环节还是特定行业的客户

即使我们将研究框定在企业级的范围内,SaaS服务依然可谓包罗万象。从目前整个市场的发展现状来看,绝大多数企业级SaaS产品都可以在一个业务环节×客户行业的矩阵图中找到自己的定位。因此为了简化SaaS服务林林总总的分类方式,我们首先将所有SaaS产品划分为业务垂直型(即专注于解决企业客户某一业务环节的问题)与行业垂直型(即专注于解决某一行业的客户在各个业务环节中的问题)两类。当然,这种分类方式是流动与开放的:个别企业可能存在既跨多个业务环节也跨多个行业的情况,一些企业在发展经营过程中也会不断调整自身产品的定位。



主要产品类型——业务垂直型

横向上,企业级SaaS主要聚焦于10类业务



主要产品类型——行业垂直型

纵向上,行业垂直型SaaS产品为各行业提供解决方案




SaaS模式的核心价值

删繁就简,直接向客户交付简单易用的服务

SaaS作为云服务的重要组成部分,其核心理念与云服务一脉相承,即通过专业化的社会分工优化社会资源的配置。如果说IaaS层省去的是客户对基础设施层的操心,PaaS层省去客户对中间件、数据库等应用开发环境的关心,那么SaaS层则是几乎向客户隐去了所有IT相关的部署与管理流程,直接将最终服务和盘托出。这个核心特色至少能够给客户带来四点好处:一是简化管理,二是产品快速迭代和自动更新,三是付费方式灵活减轻企业的现金流压力,四是获得更具针对性、更能帮助企业创造价值的客户服务。我们绝不能将SaaS简单地理解为互联网+软件,其背后所蕴含的从销售硬件产品到售卖服务”的产品理念才是其真正的价值与潮流所在。



国内SaaS行业市场规模

风起云涌,国内SaaS市场将保持30%以上增长率

国内SaaS市场在2014-2015年经历了短暂的爆发式增长,增速分别高达71.3%65.4%。从2016年开始,SaaS市场进入相对理性平稳的发展阶段,将保持30%-40%的按年增长率。预计2017年国内SaaS市场规模将达到168.7亿元,2020年将达到473.4亿元,未来发展空间十分广阔。



市场发展环境

需求端:小微企业发展迅猛,企业迎来数字化管理变革

在国家双创政策的引领和商业环境的不断改善下,创新创业热潮迭起,仅2017年前三季度就新增登记企业451万户,相当于平均每天新增1.65万户。其中小微企业又是市场主体中的绝对多数,占到总体企业数量的82.5%。整体来看,我国企业市场呈现出“哑铃型”结构,超大型企业和小微企业是市场活动中的主要参与者,形成了我国企业级市场的独特面貌。与此同时,企业的数字化转型也正如火如荼地展开,一方面是互联网以及移动互联网的发展给企业生产经营各方面带来了深刻变革,另一方面则是由于用人成本不断攀升,企业对提升管理效率、精细化管理的需求快速增加。企业管理者经历了管理意识、经营理念的转变,并在企业运营管理的方方面面付诸实践。这些共同为SaaS行业提供了坚实的生存土壤,以及广阔的市场空间。



市场发展环境

供给端:IT产品走向消费化,底层云服务日臻完善

前几年IT界掀起了一阵去IOE浪潮,其背后原因在于企业越来越认识到购买IT硬件设备在灵活性、便捷性与成本效益上都存在诸多不足。企业思维方式的变化促使一批互联网厂商颠覆传统的软件模式,用售卖服务来取代销售硬件产品,帮助企业解决实际问题。而随着IT产品的消费化,企业办公环境与员工私人生活之间的界限日益模糊,部分厂商也将其在to C市场积累的经验推广至to B市场,进一步推动了SaaS在终端用户层面的普及与发展。

从产业链层面来看,近两年上游的IaaSPaaS层发展迅猛,技术水平与国际比肩,商业模式日臻成熟,市场竞争相对充分,为下游的SaaS市场发展奠定了基础。



市场发展环境

披荆斩棘,SaaS发展道路上仍需清除几大阻力

尽管公有云环境下的数据安全性问题已是老生常谈的话题,但部分企业管理者仍然对云端数据存储持有疑虑;另一方面,部分企业已经拥有本地部署的IT应用系统,如何说服企业最终决策者将应用向云端迁移也是摆在SaaS厂商面前的一大难题。这些唯有期待市场玩家通过对用户的持续教育,方能扭转客户的固有观念。

从宏观企业结构来看,我国小微企业数量众多,但生命周期较短,付费能力弱;本应起到市场中坚力量的中等规模企业数量不足,难以支撑整个SaaS产业的长远发展。

此外,部分企业在财务、业务销售等企业运营过程中存在一定灰色地带,同样阻碍了企业对SaaS云服务的选择。



中美产业发展情况比较

如日方升,国内整体发展落后美国5年以上但增势喜人

从中美SaaS产业的发展阶段来看,国内整体发展进程落后美国510年左右。当国内SaaS开始萌芽时,美国的SaaS市场已经随着巨头的入场迅速开始了商业化争夺。而随着市场逐渐走向成熟,美国SaaS市场整体发展空间受限,中国成为近两年全球SaaS市场发展最受瞩目的地区。中国不仅在SaaS市场规模的增速上持续跑赢全球增速,而且占全球市场的比例将从2014年的3.6%上升至2020年的9.4%,成为全球SaaS市场不可忽视的一股力量。



中美产业发展情况比较

春风润物,良好的企业级市场环境下,培育出一批分布在各细分领域的全球级标杆企业



中美产业发展情况比较

青出于蓝,中国在移动互联网时代可实现弯道超车

美国SaaS市场在其成熟、平稳发展的宏观经济大环境下,呈现出与中国较为不同的市场特征。由于美国企业的信息化产品使用率高,SaaS市场的发展空间其实来自于传统软件向SaaS的转化。而中国的SaaS市场受到创业企业数量不断增加和企业信息化产品使用率提升的双重利好,发展速度更快。另外,在中国异常发达的移动互联网经济下,SaaS产品也顺应潮流率先走向移动化。




投融资分析

BI、安全、营销更受一级市场青睐,垂直行业市场则呈现高度碎片化

梳理2017Q1-Q3国内SaaS领域在一级市场的融资事件,共有169笔融资。从业务垂直型市场来看,BI大数据分析、运维管理与安全、CRM(尤其是营销)更受到一级市场青睐,其次为HRM领域。而行业垂直型市场则呈现出高度碎片化特征,在特定垂直行业中获得融资超过2笔的仅有电商、零售、金融、制造等少数行业。



投融资分析

群雄并起,新三板涌现一批SaaS企业,已上市公司来势汹汹

SaaS企业目前来看营收均未成气候,单纯依靠SaaS业务收入在主板上市难度较大。但新三板中近两年已出现一批新兴SaaS企业的身影。部分上市公司为寻找新的业务增长点,相中了发展潜力巨大的SaaS领域,陆续收购或参股SaaS企业,实现实体经济向互联网转型。



SaaS企业运营的核心指标

细水长流,续约和留存是SaaS业务的基石

和传统软件厂商的“一锤子买卖”相比,SaaS厂商的一个显著差异在于强烈依赖用户的续费。而且企业级服务的获客成本一向颇高,厂商能否尽快从客户续费中收回获客成本,也是考验其经营成功与否的重要指标之一。总的来看,对SaaS厂商而言较为核心的运营指标包括:获客成本(CAC)、客户生命周期价值(LTV)、月/年经常性收入(MRR/ARR)、月均客单价(ARPA)、客户流失率(Churn)等等,覆盖客户整个生命周期的各个节点。目前行业内普遍的观点认为,LTVCAC3-5倍以上,获客成本能够在12个月内收回(即CAC小于12倍的MRR),客户流失率控制在一定范围以内(欧美主流观点认为流失率应在5%以内,但在国内受国情影响极难达成),是一个SaaS厂商持续健康发展的关键性指标。当然,由于企业在具体经营发展中存在业务模式、客户特征、市场竞争态势等诸方面的差异,并不建议一味死磕上述标准。



收费模式

岂在朝暮,培养客户的持续付费意愿是SaaS商业模式的基础

SaaS产品的前期投入主要集中于产品研发以及固定的IT支出,得益于其能够同时为多租户提供服务的特性,使得SaaS的边际成本极低。这既给SaaS厂商带来了相当可观的边际利润,也让厂商在面对同类竞争时得以在价格上做出更多让步。价格上的不断让步最终催生了免费模式,动摇了作为SaaS产品商业根基的订阅模式,引发了行业内的大量争论。诚然,免费模式作为“噱头”有利于前期吸引用户,迅速做大用户量。很多声称产品免费的企业实际依赖增值服务、周边服务、硬件设备等途径获得收入,但在国内目前的市场情形下,如果没有强大的资金支持,没有足够壮大的用户群体带来足够多的流量,单纯依靠此类增值或周边服务支撑企业运营发展将步履维艰。产品在早期采取低价或免费模式集聚用户,是通过牺牲营收的方式降低获客成本的有效途径,但归根结底,通过切入客户生产经营的核心痛点,培养客户对此进行持续付费的意愿,才是SaaS商业模式的基础。



客户定位

各有千秋,中小企业具有数量优势,大客户付费能力强

在客户定位上,不同的SaaS厂商有着截然不同的选择。部分厂商专注于大型企业客户,偏向case by case的服务;部分厂商专注于数量庞大的中小企业客户;也有厂商同时做两边的市场。整体而言,SaaS服务从其商业特性上来看,按需订购的模式天生更加适合现金流不够充分的初创型企业,而且国内7000多万小微企业是任何厂商都难以忽略的巨大市场。但大型客户的客单价高,付费能力和留存情况都好于中小企业,促使部分企业致力于为大型客户提供定制化的SaaS产品与服务。



销售模式

各取所长,直销提升服务质量,分销降低销售成本

SaaS的销售模式与传统软件类似,大体上可分为直销与分销两种模式。但由于传统的渠道代理商对SaaS的认知度依然不足,再加上SaaS的回款周期更长,渠道商代理SaaS类产品的意愿并不强烈,因而很多初创SaaS厂商实际上是被迫采用直销模式。直销由于跳过了中间环节,自有销售团队直接与客户接触,在贯彻企业文化与对产品理念的理解上显然能有更好的表现。而且随着产品的不断迭代,复杂度也必然不断提升,传统的分销渠道人员接受的培训不足,越来越难以适应产品定制化服务与落地实施的要求。当然,分销模式的优势在于能够十分有效地降低企业销售成本,帮助产品短期内迅速打开市场,提升品牌认知度。



标准化与定制化

求同存异,定制化是SaaS服务的必然方向

在传统企业管理软件时代,定制化服务在软件的咨询、安装、部署过程中在所难免。一些厂商将其中具有普遍共性的功能提取出来,以互联网服务的形式提供“批量化”的标准产品,成为SaaS产品的最初理念。这样的标准化产品实际上的确足以解决大部分企业的简单需求,也是很多早期SaaS产品能够快速获取用户的原因,包括SaaS极高的边际利润也是建立在这样的商业逻辑假设之上。但随着客户在使用过程中不断发现并提出新的需求,随着企业向垂直行业发力,随着产品开始接触到大中型企业客户,定制化需求必将成为SaaS厂商不得不面临的重要问题。归根结底,SaaS的实质是一种服务,其商业逻辑绝不是让客户被动地适应产品。进入中后期的SaaS产品不妨参考国际厂商的做法,既最大化提取企业的共性需求提供标准化产品,又针对企业的个性化需求提供相应的增值服务或开发平台,尽可能平衡中小企业廉价标准化产品需求与大客户定制化需求的关系。



核心竞争要素

风雨同舟,客户成功是SaaS区别于传统软件的核心

SaaS产品在商业模式上取得成功的一个必要条件在于产品能够解决企业的核心业务问题。只有找到企业业务上存在的核心痛点,才能让企业因为刚需而产生持续的付费意愿。此外,市面上大多SaaS产品在各自的细分领域内都面临严重的同质化竞争,而产品在功能层面却难以做到差异化,因此最终仍然拼的是服务。

在服务层面,由于商业模式的差异,SaaS显然比传统软件向前走出更多,尤其是在Salesforce的全力提倡下日渐火热的“客户成功”的服务理念。区别于客户支持与客户服务,客户成功更加强调主动获取客户需求,帮助客户最终达成其商业目标。这也促使不少国内SaaS厂商组建了专门的客户成功团队,并建立起一套相对科学的客户成功体系。可以说,客户成功理念正是SaaS模式区别于传统软件的核心所在,是客户服务理念的一次升级,在SaaS企业的整体销售转化、用户留存中起到日益重要的作用。



SaaS的行业应用成熟度

溯游而上,SaaS化进程由价值链末端向上游不断倒逼

纵观整个互联网(尤其是移动互联网)的发展历程,个人消费者是最先受惠于其“去中心化”的技术特征的群体,这又反过来助推了整体互联网经济十多年的飞速发展。随着互联网C端市场的日益壮大,用户使用习惯被养成,同时吸聚了大量流量与数据,互联网开始逐步从价值链下游向上游改造,呈现出与价值链逆向的互联网化进程。作为互联网经济的一部分,SaaS化的进程也遵循着价值链末端(即用户)向上游不断倒逼的规律。目前来看,企业级SaaS在社会化程度较高的行业中,如餐饮、零售、美业、酒旅、物业管理、售楼、广告营销等,成熟度相对较高。这些直接to C的行业在业务环节上相对更加快捷和标准化,也更加适合早期标准化SaaS产品的切入。处于价值链中间环节的物流、外贸、采购、工程施工等行业,在下游环节的带动下,也陆续迈出了互联网转型的步伐,正处于发展勃兴期。而最上游的生产制造环节如工业制造、农业生产等领域,目前的SaaS化进展相对缓慢,未来的改造空间十分巨大。



——小满科技

切入外贸企业核心业务,强调邮件管理与数据分析能力

外贸行业与普通国内贸易最大的区别,一是在于业务销售人员需要面对更加多元文化、地域的客户群体,一方面对客户背景信息知之甚少,另一方面则需要针对不同客户灵活选择不同的销售与营销策略;二是需要对新产品、新科技的资讯与动向有更加及时准确的了解,以适应瞬息万变的国际贸易环境。小满科技凭借自身创始团队对外贸行业的深刻了解,针对外贸企业的核心业务痛点,结合前沿的大数据与人工智能技术,着力提升邮件管理、客户分析与交易管理的能力,为外贸企业的经营发展提供指导,同时也为数字化水平依然较低的外贸行业带来“互联网+”的新风尚。



外贸——小满科技

从客户与销售管理,到潜在客户筛选与营销自动化

销售无疑是所有外贸企业最为核心的业务环节。针对客户与销售流程的管理,也是小满科技最先切入的部分,帮助诸多外贸企业实现了数据与业务流程的数字化管理。今年以来,小满接连发布了两款大数据与人工智能产品:其中“小满发现” 聚焦于企业潜在客户的挖掘与匹配,帮助企业从现有客户管理延展到潜在客户的发现;“小满营销”则是一款营销自动化产品,实现了从销售环节到营销环节的产品业务线拓展。未来,小满计划继续向行业上下游延伸服务链条,不断提升产品

价值。



餐饮——二维火

围绕餐饮行业全流程的整体解决方案

餐饮行业与人们的日常生活联系紧密,社会化程度高,也是SaaS化较为成熟的垂直领域之一。从餐饮企业的整个业务流程来看,企业需要面对复杂且漫长的原材料供应链、停留在账本上而未加以利用的原始信息、越发困难的人员管理、不断攀升的营销成本等诸多难题。二维火围绕餐饮企业各个业务流程,建立了一套相对完整的解决方案,提供从供应链、后厨、

内部运营到排号、点餐、支付、营销等to C环节的全套数字化管理平台。



餐饮——二维火

覆盖餐饮管理各大场景,软硬件同时收费

为了满足餐馆运营中的诸多复杂场景与琐碎需求,二维火提供了一套相对完备的产品功能体系,覆盖了供应链、排队叫号、前厅、后厨、后台管理、营销、财务和外部对接等各个主要业务场景。这些功能通过二维火的几个应用(火掌柜、二维火排队、二维火收银、二维火小二等),针对不同的使用对象提供相应的功能服务。

除了SaaS中常见的软件订阅收费模式之外,由于餐饮企业具有强烈的O2O属性,二维火也通过售卖相关硬件设备拓展盈利途径。



酒旅——别样红

借助云PMS实现资源整合,核心产品覆盖不同客群

“互联网+酒旅”的风潮下,云PMS(酒店管理系统)为传统酒旅行业带来了信息化、数据化的深刻变革:通过打通内部不同系统之间、内外部、上下游、线上线下的数据,实现资源整合,不仅为酒店管理者提升运营管理效率,也为顾客带来更优质的服务体验。别样红PMS从成立之初就致力于提供PMS系统的云端服务,提供SaaS层的标准化基础应用与PaaS层的开放平台。根据客群类型差异,别样红提供三大核心产品,即面向中小规模单体酒店的标准版、面向连锁酒店的连锁版及面向品牌公寓、民宿等业态的公寓版。



酒旅——别样红

运营、管理、营销一步到位,探索智能化结合

通过整合合作伙伴的资源与能力,别样红提出了十大场景,实现了酒店从运营、管理到营销的一体化服务。而从市场整体产业链来看,别样红实际上基于已有的PMS系统,试图扮演起平台的角色,连接与酒店相关的软件(如专业财务软件)、硬件(如智能家居设备)和服务(如OTAGDS)。同时,别样红也在持续探索酒店管理与智能化的结合,借助合作伙

伴,已能实现相对自助化的入住流程和智能化的硬件控制与管理。



教育——校宝在线

面向民办教育培训机构,提供全方位的教育智能技术服务

近年来,在“消费升级”的大潮下居民在文化教育上的消费需求不断释放,国内的民办教育培训行业发展迅速。但与此同时,教育培训机构从招生到教务管理、教学过程、家校沟通都存在诸多管理上的痛点,使得行业内规范化不足,乱象丛生。校宝在线专注于面向教育培训机构提供整体解决方案:校宝秀针对机构的招生环节,优化销售线索的管理与推进,帮助机构快速制作宣传材料;校宝ERP作为核心产品,用信息化技术一站式解决机构各类教务难题;校宝1Course提供智能化教学系统;校宝家服务于家校沟通场景,连接机构与家长;校宝学院为培训行业从业人员提供学习平台。此外,针对民办国际化学校,校宝在线还推出了“校宝智慧校园SIS”提供整体信息化解决方案。



教育——校宝在线

SaaS服务到数据增值服务,助力产业服务生态化

校宝在线提出,数据给教育培训行业带来的变革将分为三步:首先是单个培训机构的业务流程走向数字化,当云端聚集了越来越多的机构业务数据,将形成统一的行业标准,从而推导出行业最佳实践,最终通过开放的数据接口连接起产业上下游形成生态。这一发展理念也反映了校宝在线的整体发展思路。基于手中的海量业务数据,校宝在线开始提供更多精准化的增值服务,如向培训机构匹配合适的课程,对接支付宝口碑等流量渠道提供精准化营销,以及借助第三方提供基于大数据的金融增值服务等。



销售易

帮助客户落实销售过程管理,实现全方位连接

销售易产品从2012年推向市场,经过5年的市场检验,已经成为国内CRM领域不可忽视的玩家之一。公司成立以来,以每年一轮的速度接连获得红杉、经纬、腾讯的投资。目前,销售易的核心产品为“销售云”,为企业提供从市场营销获客到销售管理的自动化服务;除此之外,销售易也在近两年从核心销售管理向外围延展服务链条,推出了“伙伴云”连接渠道合作伙伴,及客服云(包括“客户服务云”与“现场服务云”)补全对企业已有客户的服务。为了满足垂直行业的需求,销售易重点提供传媒、教育、制造、互联网、医疗等行业的解决方案。同时,为了满足客户定制化、集成化的需求,销售易也对外提供PaaS平台。



销售易

推出PaaS平台满足定制化需求,赋能企业,打造生态

面对客户日益增加的定制化需求,销售易也推出了自己的PaaS平台,一是为企业赋能,二是打造生态。企业使用的多个应用系统之间往往彼此独立,形成“信息孤岛”。PaaS平台则可以帮助企业打通已有应用,借助平台的开发环境快速进行二次开发实现自定义的功能与界面交互,并对接第三方系统。

另一方面,销售易凭借自身充足的流量,吸引越来越多的独立软件开发者(ISV)基于其PaaS平台进行快速开发与集成。这种基于PaaS平台的合作主要面向两类ISV:一是在特定垂直行业具备优势的开发商,可以基于销售易CRM的功能开发出更贴近行业客户业务需求的产品,进一步补足销售易在垂直行业中的解决方案;二是某些与CRM相关的专业领域的开发商,如BI、差旅费用报销等,通过与销售易产品的集成,得以向客户提供功能更加全面的解决方案。



北森

一体化的人才管理云平台,助力人才成功与创造

北森作为国内人力资源管理软件行业的先行者之一,以人才测评起家,其产品历史可追溯至2002年。20164月,北森云计算成功挂牌新三板,估值为20.5亿元。目前,北森围绕人力资源管理共推出了6款核心SaaS产品,包括测评云、招聘云、绩效云、继任云、调查云和核心人力云,同时也开发有PaaS平台满足企业客户的定制化需求。



北森

持续创新,走向一体化、平台化与大数据化

身为国内人力资源管理软件的一员老将,北森通过持续创新,积极向云端转型,整合一体化人才管理产品,利用新兴技术改善产品体验,获得了源源不断的发展活力。北森提出“一体化、平台化、大数据化”的战略方向,继续完善自身产品线,覆盖更多业务场景,完成产品数据互通;通过自有PaaS平台寻求更多生态伙伴,构建生态体系;积极利用自身多年积累的数据,为企业提供专业化数据服务。北森推出大数据分析工具Ocean Analytics帮助企业实现人才职涯全周期的数据积累及整合,为企业提供科学的人才管理洞察。



易订货

搭建全渠道营销互动平台,重构企业供应链流程

在新零售S2B2B2C的整个链条中,易订货将自身定位于B2B供应链领域的SaaS服务商,首创B2B移动订货产品并成为该领域的领军者。企业出于降低成本的考虑,同时为快速响应外部客户、渠道伙伴的需求,B2B供应链领域(尤其是被电商侵蚀比较严重的领域)的SaaS需求将持续增长。由于从订货环节切入,易订货实际在企业主体间起到了连接的作用,支持向上游供应商的采购、向下游分销/代理商或电商平台等主体的订货,通过订单、商品、资金、库存方面的业务协同强化企业与上下游的关系,并聚合第三方服务提供更加完整的解决方案,搭建起全渠道的营销互动平台。目前,易订货付费的企业上下游客户已过百万,客户主要集中于食品酒水饮料、生鲜农贸、日用百货等行业。




易订货

以客户效益为驱动,成为客户的数字决策中心

易订货从企业的交易切入,与大多聚焦于企业内部运营管理的SaaS产品存在诸多差异。其中最核心的一点就在于,内部管理型SaaS产品强调效率驱动,而以易订货为代表的“新商业软件”则是以客户的效益为驱动,为客户的商业价值创新提供服务。

为满足客户个性化的定制需求,易订货一方面从技术框架上做到了高度柔性,支持客户在界面、报表格式、业务流程甚至字段层面的自定义;另一方面全面开放API,与近千家公司实现了自有系统或第三方应用的集成。

此外,易订货可以基于业务数据为客户提供商业分析服务。这也正是易订货下一阶段的战略方向之一,即强化自身数据服务能力,努力成为客户的数字决策中心。



畅捷通

软件与SaaS协同发展,优化小微企业财务管理

畅捷通为用友旗下的子公司,成立于20103月,并于20146月登陆港股上市。畅捷通以中小企业财务管理服务起家,同时拥有软件产品线和云服务产品线(SaaS),二者正在互相集成与打通,整合成更有竞争力的泛财务管理解决方案。在SaaS方面,畅捷通目前拥有的几款核心产品分别为综合财务管理平台“好会计”、协同OA产品“工作圈”、小微企业进销存管理系统“好生意”和供代账企业运营管理使用的“易代账”,致力于以财务为基点全面打通小微企业的人、财、货、客管理。



OneAPM

构建端到端的全方位IT性能管理产品矩阵

OneAPM(蓝海讯通)专注于提供IT运维管理软件和SaaS服务,于20168月挂牌新三板。公司以APM系列产品起家,并以此为核心向ITOM其他细分领域不断拓展。OneAPM的整个产品矩阵可分为四大板块:端到端应用性能感知(包括服务器端、移动端、浏览器端、基础设施、网络端的性能监控)、IT事件管理及关联分析、应用安全管理平台(即OneASP,集成预测、预防、检测和响应能力的自适应安全平台)以及去年下半年推出的性能压测产品CPT,标志着公司形成了测试-运维的全生命周期IT解决方案,构建起完整覆盖的端到端全方位IT性能管理产品矩阵。



行业发展挑战

厚积薄发,勿因前期持续亏损而失去耐心

由于SaaS企业在盈利模式上有别于传统软件厂商,客户的付费需分期确认收入,形成递延收入,而企业当期投入的获客营销成本、实施服务成本等在短期内难以收回,导致SaaS企业在前期往往面临持续亏损且亏损不断扩大的局面。纵观国内外诸多成功的SaaS企业,早期的扩张带来严重亏损的现象实属正常。况且企业级市场向来都不似C端市场一般容易爆发,需要企业兢兢业业,脚踏实地打磨产品与服务。SaaS创业者切不必因为一时的入不敷出而焦躁,投资者也不必因为看不见投资回报而失去对创业者的耐心。从另一个角度来说,SaaS企业由于现金回流慢,也成为一个异常“烧钱”的行当,一旦在早期发展中缺少足够的资金支持将在后继的竞争中失去大量机会。



行业发展挑战

胜者通吃,同质化竞争中要么脱颖而出要么自取灭亡

由于突破了地域桎梏,“胜者通吃”的现象在互联网诸多领域都屡见不鲜,尤其是当行业内的产品功能上趋于同质化时,先进入市场的或最快规模化占据市场份额的玩家往往能够笑到最后。这一规律在SaaS行业同样适用。首先,单纯从技术、功能上来说,同一赛道内的玩家基本水平相当,产品功能上的差距几乎都不难通过快速开发与迭代来弥补。其次,SaaS行业的长尾市场不大,因此SaaS产品蜂拥进入几大主流赛道,又难以在功能上形成壁垒,从而陷入同质化竞争的恶战中。各赛道内的头部玩家或是进入的时间早,或是扩张速度快,或是有充足的资金支持,从而进入了良性发展的循环,体量持续壮大。企业如何找准自身竞争优势点,不脱离第一梯队,将是下一阶段面临的首要挑战之一。



行业发展挑战

厉兵秣马,C端巨头将适时收割B端市场

当我们沉浸于企业级市场的探讨时,容易惯性地忽略另一边瞬息万变的C端市场。诚然,二者无论市场特征还是发展思路上都大相径庭,往往保持着一种“礼尚往来”的上下游互补关系。但在C端已经相当成熟的部分企业,面对市场与业务的天花板,早已对这边的B端市场虎视眈眈。这些C端巨头牢牢占据用户生活与消费场景,手握流量,期待通过发展B端业务掌握更多供应链数据;而企业级SaaS厂商(尤其是做To C行业SaaS应用的厂商)在实际操作中难免在某些功能点上触及C端消费者,一定程度上开始接触C端消费者的数据。二者的碰撞让原本相对平和的市场环境生出更多变数:C端巨头由于自带流量,握有用户,容易“挟天子以令诸侯”,对上游商家产生强大的震慑作用,将给目前的企业级SaaS市场带来巨大冲击。总的来说,出于业务增长需要和对上游数据的渴望,有实力的C端玩家将适时切入企业级市场,而已深耕多年的SaaS厂商也或能凭借客户的使用粘性与之抗衡,找到自身竞争差异点,避免被巨头围剿。



未来发展方向

你中有我、我中有你,融合与跨界将成为常态

纵观近两年SaaS行业的动态,产品之间突破原有界限、走向融合与跨界,将成为行业常态。融合与跨界的方式主要有三种类型:其一是业务垂直型SaaS产品在向周边环节延伸服务,其中较为显著的是IM类产品纷纷以沟通功能为基础扩充OA类服务,另外CRMOA/HRMERP与财务/CRM等也往往存在功能上的重叠,其中的界限日益模糊。其二是业务垂直与行业垂直类产品逐渐走向混合:例如CRMHRM等行业通用型SaaS产品越来越强调垂直行业解决方案,或是借助开放平台与合作伙伴集成更多行业版本的产品;行业垂直型产品在原有行业站稳脚跟后,也开始尝试将通用需求抽象出来,向更多行业推广产品。其三是在部分领域,如人力、财务、法务等,SaaS也将走向线上服务与线下服务相结合的道路。总的来看,正因为SaaS的本质在于服务,那么凡是客户的需求就都是厂商的努力方向。在这样的发展动力面前,一切人为的类型划分都显得苍白,SaaS厂商必将无视边界,不断寻求最合适的业务范围。



未来发展方向

殊途同归,SaaS走向平台化,与PaaS之间的界限日益模糊

一个让SaaS厂商难以忽视的事实是,企业越来越倾向于使用整体化的解决方案,而非过去彼此独立的CRMERPOA产品。这样的观念变化其实并不难理解——随着整体市场走向成熟,客户早已不复当年的小步试水,在使用SaaS产品的同时也希望进一步简化企业的IT管理——这实际上类似于IaaS层从独立的计算、存储、网络走向超融合,或者PC时代从DIY组装机到品牌机/一体机的变化。

其次,SaaS厂商在撬动大型客户时,强大的定制化能力成为极大的加分项。市场上较有实力的SaaS厂商几乎都正在或计划走向平台化,实质上建立起自己初级的PaaS平台。此举一方面能够集成客户的其他自有或第三方应用,打破数据孤岛,另一方面试图通过开放API、吸引ISV的开发与集成来打造生态,增强其影响力与话语权。

与此同时,我们也看到越来越多的PaaS企业向上提供应用层的服务,延长自身的服务链条。SaaS服务离客户的实际业务更近,与企业业务场景的联系更加紧密,无疑给PaaS企业带来了更多想象空间。虽然SaaSPaaS的服务对象与内容起初大相径庭,但在企业级市场“攻城略地”的争夺中,二者的界限日益模糊,最终都走向企业的一体化解决方案与一站式管理平台。



未来发展方向

更上层楼,数据价值不断提升将变革SaaS的商业模式

SaaS与传统软件的一大不同在于SaaS厂商实际掌握了大量客户数据,这些数据的价值也越来越受到SaaS厂商的重视,正推动着不少厂商从提供简单的工具服务到提供数据服务的转变。当然,这里的数据服务不只是停留在财务报表、数据统计与分析之类的静态层面,而是要基于客户的业务数据为其决策提供支持,为客户创造更多价值。更进一步,当厂商拥有足够多的客户、积累到足够大的数据量时(也即拥有了真正的行业大数据能力时),可以挖掘出更多数据服务的可能性,例如精准营销、授信、金融服务等等。可以说,对数据的重视与利用,一方面给整个SaaS行业带来了商业模式的变革,即基于软件自身的数据价值延展出更多增值服务能力,另一方面也是行业发展思路上的转型。在保证用户信息安全的前提下,

SaaS厂商合理地利用数据、挖掘数据的潜在价值,不仅能为客户自身带来收益,而且推动了整个行业的进步。


结语:流量越来越贵,商业思维开始从渠道思维转化为产品思维,城市发展、零售、营销、企业运作……太多的领域开始转型。这不仅仅是一家两家、一两个行业的转变,而是整个产业链都在互联网的催动下开始了重塑,这种重塑有很大原因基于互联网、移动互联网的介入,机遇往往就存在在这些变革当中,所以SAAS、PAAS这种新的支持应用的方式有着巨大的潜力。

金准数据 中国数字经济未来需求报告 2017-12-26 22:04:43


前言:数字经济的发展成果极大地改善了人们的生活水平。那么,究竟什么是数字经济?其发展情况如何?本报告对此进行详细分析。


全球数字经济时代到来。数字经济的特征概括来看为“一要素二部分三基础四形态”:数据成为新的生产要素;内容包括数字产业化和产业数字化两部分;基础设施为“云-网-端”三位一体;经济组织形态呈现平台化、共享化、多元化和微型化。“互联网+”是手段,数字经济是结果,因此数字经济的发展必然深刻影响传统企业和互联网企业,成为中国创新增长的主要途径。


目前对全球数字经济发展形成如下共识:一是增速较快,发展前景优越,据埃森哲测算,16年全球数字经济规模17万亿美元,约占全球GDP总量的23%,而其预测2021年将达21万亿美元,年平均增长率约为4.3%;二是中美位居前二;三是中国发展迅猛。结构上看,数字技术服务表现突出,信息和通信技术服务在全球服务出口占比由02年的25%升至16年的31%。新兴技术市场前景广阔。但各地区数字经济发展仍不平衡。


中国数字经济强势崛起。中国近10年来在数字技术方面取得了前所未有的成绩。以电子商务为例,10年前,中国的零售电商交易额不到全球总额1%,如今占比已超过40%。据估算,目前中国的零售电商交易额已超过法、德、日、英、美等5国的总和;中国互联网用户移动支付普及率从2013年的25%跃升至2016年的68%。2016年,中国与个人消费相关的移动支付交易额高达7900亿美元,相当于美国的11倍;全世界262家“独角兽”(估值超过10亿美元的私营初创企业)中有三分之一是中国企业,占全球“独角兽”总估值的43%;中国风投行业发展迅猛,投资总额从2011年至2013年的120亿美元跃升至2014年至2016年的770亿美元,在全球风险投资总量的占比也相应从6%提升到了19%。大部分风投资本流向了数字技术。在虚拟现实、自动驾驶汽车、3D打印、机器人、无人机和人工智能领域,中国的风投规模位居世界前三名。数字经济在我国经济中的比重不断提升,吸纳就业日益增加。17年3季度,仅代表性的信息传输、计算机服务和软件业增加值占GDP比重已由11年的2.1%升至3.6%。我国数字经济增长较快的主要是产业数字化部分,这主要得益于网络经济的壮大,而我国网络经济的最大亮点在电子商务,17年前10月网络零售占社消零售总额的比重已达到14%,而16年以来中国网络零售总额增速在25%-35%,比美国高10-20个百分点。此外,我国在数字经济带来的新型服务和新技术领域同样超速发展,16年在线视频和第三方网络支付领域市场规模平均增速均在60%以上,移动游戏领域更是高达90%,网络广告领域也有30%以上的增长。这离不开数字产品的支持。我国智能手机出货量全球占比由11年的不足20%已攀升至17年至今的30%以上,移动电话普及率也从99年的每百人3.5部跃至16年的每百人96.2部。数字经济蓝海成就了我国大批优秀公司。15年全球前15名市值最大互联网公司中,中国占据4家,且市值占比22%,可与美国分庭抗礼。


三大动力:政策鼓励、人力资本、风投助力。为何中国数字经济发展能够“后来居上”?主因在以下三方面:首先,政府对数字经济的重视与日俱增。“十二五”规划将新一代信息技术列为国家战略性新兴产业,而“十三五”规划明确形成新一代信息技术等5个产值规模10万亿元级的新支柱,习总书记在中央政治局集体学习时更强调“加快建设数字中国”。其次,人力资本持续积累,工程师红利显现。目前全国高校每年毕业理工科研究生25万人,占比稳定在45%左右。科研人才培养带来学界和业界产出提升,16年信息传输、计算机服务和软件业年人均工资12.25万元,在各行业中位居第一,持续的高投入、高回报形成正向反馈。数字化相关行业近来颇受高校毕业生青睐。最后,融资结构使数字经济更依赖资本市场融资。私募股权和创投成为公司上市前主要融资来源。互联网行业获得的PEVC融资额一路飙升,而数字经济也成为主要投向之一,16年IT、互联网、电信三个行业获得的PEVC融资占比已近40%,今年前10月这三个行业获得的PEVC融资已超300亿美元。横向比较看,中国在关键数字技术领域的风险投资规模同样位居世界前列。

拥抱数字经济蓝海。我们认为,18年的政策主线应该是去杠杆和补短板。而旨在提高供给效率的补短板政策将在资本层面和技术层面均利好于数字经济,相关产业发展有望提速。全球数字经济时代已经到来,未来知识密集型的信息产业将成为主导产业。中国已经投身数字经济的蓝海,未来值得期待!


1.全球数字经济时代到来

近来数字经济在全球范围内强势崛起,发展成果已走进千家万户,极大地改善了人们的生活水平,而究竟什么是数字经济?与我们生活息息相关的数字经济在全球和地区间的发展现状又如何?这些问题值得投资者关注。


1.1什么是数字经济?

一般认为,数字经济概念最早在1995年由唐· 塔普斯科特(DonTapscott)提出,早期这一概念常被认为是互联网经济或信息经济的代名词,而随着技术的不断发展,这一概念的内涵不断扩大,根据《G20数字经济发展与合作倡议》的定义,数字经济是指“以使用数字化的知识和信息作为关键生产要素、以现代信息网络作为重要载体、以信息通信技术的有效使用作为效率提升和经济结构优化的重要推动力的一系列经济活动”。

虽然对数字经济的概念定义不一,但对其特征理解却大同小异,概括起来看,主要包括“一要素二部分三基础四形态”。“一要素”是指数据成为新的生产要素,对数据的价值挖掘是数字经济发展的源泉;“二部分”是指数字经济构成包括数字产业化和产业数字化两部分,数字产业化主要是指信息产业,而产业数字化是指数字技术对其它产业的改造,即“互联网+”;“三基础”是指数字经济的基础设施由以往的互联网扩展到“云-网-端”三位一体;“四形态”是指经济组织形态呈现平台化、共享化、多元化和微型化。




1.2全球数字经济迅猛发展

对于全球数字经济规模的估算,不同机构意见不一,但均包含以下几点共识:一是全球数字经济发展较快,发展前景优越;二是美国和中国在数字经济规模上位居前二名;三是中国数字经济发展势头迅猛。

根据埃森哲的测算,16年全球数字经济规模17万亿美元,约占全球GDP总量的23%,而据其预测,2021年全球数字经济规模将达21万亿美元,年平均增长率约为4.3%。其中中国16年数字经济规模约1.2万亿美元,而21年预计将达1.9万亿美元,年平均增长率约为9.1%,增速领跑全球。




从结构上来看,数字技术服务成绩卓著,已在全球贸易中占据一席之地,在全球服务出口占比中,信息和通信技术服务不断提升,由02年的25%升至16年的31%。而新兴技术有着广阔的市场前景,如全球大数据市场规模呈现飞跃式的增长,11年至17年短短的6年间,由73亿美元跃至485亿美元,年平均增速高达46%。



虽然全球数字经济方兴未艾,但各地区间数字经济发展仍存在着严重的不平衡性。有些欠发达国家,其网络基础设施建设尚存在不小的短板,数字经济的发展更是无从谈起。如从互联网普及率上来看,16年发达国家已近80%,而发展中国家只有40%,仅为发达国家的一半,对最不发达国家而言(LCDs),更是只有区区16%,只有发达国家五分之一,且近来其增速存在收敛趋势,区域失衡仍制约全球数字经济发展。



2.强势崛起的中国数字经济

中国在数字经济的表现上尤其亮眼,不论从总体产出上、产品及服务创新上以及公司实力上,均取得了令全球瞩目的发展成就。

2.1经济占比提升,产业数字化加快

数字经济在我国经济中的比重不断提升,17年3季度,仅代表性的信息传输、计算机服务和软件业增加值占GDP比重已由11年的2.1%升至3.6%。并且,数字经济部门吸纳的就业也日益增加,仅从城镇非私营单位就业人员数上来看,16年已达364万人,是07年的2.7倍,年平均增速10.3%,而数字经济中私营单位更具活力,其创造的就业岗位更是远超于此,据测算,仅阿里平台15年就为社会创造3083万个就业机会。




2.强势崛起的中国数字经济

中国在数字经济的表现上尤其亮眼,不论从总体产出上、产品及服务创新上以及公司实力上,均取得了令全球瞩目的发展成就。

2.1经济占比提升,产业数字化加快

数字经济在我国经济中的比重不断提升,17年3季度,仅代表性的信息传输、计算机服务和软件业增加值占GDP比重已由11年的2.1%升至3.6%。并且,数字经济部门吸纳的就业也日益增加,仅从城镇非私营单位就业人员数上来看,16年已达364万人,是07年的2.7倍,年平均增速10.3%,而数字经济中私营单位更具活力,其创造的就业岗位更是远超于此,据测算,仅阿里平台15年就为社会创造3083万个就业机会。




根据《中国数字经济发展白皮书(2017年)》对数字经济规模的测算,我国数字经济增长较快的主要是产业数字化部分。05年-16年,数字产业化部分经济规模增长3.9倍,但GDP占比稳定在6%-7%这一区间,而产业数字化部分经济规模大幅增长13.5倍,其在08年就已超过数字产业化的经济规模,占GDP比重更是从05年的7%加速攀升至16年的23%。



2.2网络消费成亮点,服务技术超速度

我国数字经济中产业数字化部分的较快增长得益于“互联网+”战略的实施,17年2季度,我国网络经济营收规模达4710亿元,同比增速35%,而其中移动互联网表现突出,营收规模达3416亿元,占比约为72.5%,同比增速高达48%。

而我国网络经济的最大亮点在于电子商务的发展。不论城市农村,不论男女老少,网络消费作为零售消费的新形式在我国得到广泛的认同和普及。16年以来,我国社会消费品零售总额累计同比增速维持在8%-9%左右,网络零售累计增速则在25%-35%这一区间,增速约是社消总额的2.8-4.4倍。17年前10月,网络零售占社消零售总额的比重已达到14%。即使同数字经济发达的美国相比,我国也有明显优势,16年以来美国网络零售总额增速在14%-15%,仍比我国低10-20个百分点。




除电子商务领域外,我国在数字经济带来的许多新型服务领域也保持着较快的增长。16年在线视频和第三方网络支付领域市场规模平均增速均在60%以上,移动游戏领域更是高达90%,网络广告领域也有30%以上的增长。在数字经济技术领域,我国的发展速度同样不容小觑。16年我国大数据市场规模增速高达62.4%,云计算和物联网市场规模增速也普遍在25%以上,数字经济发展如火如荼。



数字服务和数字技术的推进离不开数字产品的支持。我国智能手机出货量全球占比由11年的不足20%已攀升至17年至今的30%以上,超过我国在世界人口占比10个百分点左右。而我国移动电话普及率也从99年的每百人3.5部跃至16年的每百人96.2部,基本达到人手一部的水平。数字产品的普及不仅带动了数字制造业的销售和利润增长,也构建了数字经济发展必要的基础设施。



2.3优秀公司涌现:规模强,成长快

数字经济的蓝海成就了我国一大批优秀公司。根据KPCB的玛丽·米克尔(Mary Meeker)统计,1995年前15名市值最大互联网公司中,美国占据13家,市值占比85%,且其中无一家中国公司,而到了2015年,虽然美国依然占据绝对优势,但中国公司已能够分庭抗礼,前15名市值最大互联网公司中,中国占据4家,且市值占比22%,开始蚕食美国份额。




除上榜公司之外,我国数字经济中还有一批发展速度极快的公司紧随其后,像新浪、微博、迅雷和网易等中概股公司,16年营业收入同比增速均在15%以上。更不用提我国还有已覆盖ICT全产业链的科技巨头华为,在四五千亿的销售收入水平上15年和16年仍保持着30%以上的增速。



3.三大动力:政策鼓励,人力资本,风投助力

横向比较来看,中国数字经济发展规模和速度均已处于全球领先水平。以互联网行业为例,2016年中国互联网用户已达7.1亿人,位居全球第一,遥遥领先排名第二的印度(4.6亿人);互联网消费规模高达9670亿美元,仅次于美国(1.13万亿美元),是第三名德国(3520亿美元)的3倍;互联网行业增加值占GDP比重6.9%,位居全球第二。而考虑到中国互联网用户普及率仅52.2%,不仅低于G20中发达国家的均值85%,也低于新兴市场国家中的俄罗斯、阿根廷,未来中国互联网市场潜力依然巨大。




为什么全球范围内,中国数字经济“后来居上”?除了人口基数、潜在市场较大外,我们认为还有以下三个方面的原因。

3.1政策鼓励:从战略新兴产业到建设数字中国

一是政策鼓励,政府对数字经济的重视与日俱增。“十二五”规划中,将新一代信息技术列为国家战略性新兴产业,而“十三五”规划中,更是明确提出,形成新一代信息技术等5个产值规模10万亿元级的新支柱。

李克强总理在15年初全国两会上作政府工作报告时,首次提出“互联网+”行动计划,在7月签批并由国务院印发《关于积极推进“互联网+”行动的指导意见》,并在15年底世界互联网大会上表示,中国正在实施“互联网+”行动计划,推进“数字中国”建设。而发改委也在16年5月印发《“互联网+”人工智能三年行动实施方案》。

而随着我国开始更多从经济视角观察数字化问题,数字经济开始升温,在16年的世界互联网大会、G20杭州峰会、中央政治局网络强国战略集体学习、网络安全和信息化工作座谈会等重大场合,数字经济都大放异彩。今年3月,数字经济首次写入政府工作报告。而习近平总书记在中央政治局就实施国家大数据战略第二次集体学习时强调,应审时度势、精心谋划、超前布局、力争主动,实施国家大数据战略,加快建设数字中国。




3.2人力资本:工程师红利显现,正反馈机制形成

二是人力资本的持续积累。虽然中国劳动人口总量在13年前后见顶回落,人口红利逐渐消失,但工程师红利的效果逐渐显现。目前全国高校每年毕业的理工科研究生总数已上升至25万人,占总研究生毕业生人数比重稳定在45%左右,而招生人数更是上升至30万人。各高等院校和研究机构正不断为业界持续输送技术人才。




大量科研人才的培养首先是在学术界形成产出。以“深度学习”、“深度神经网络”领域为例,根据《美国国家人工智能研究和发展战略计划》,14、15年中国在这一领域的学术文章发表数量、被引用次数均已超过美国并跃居世界第一。



其次是在产业界形成产出。从最新数据看,16年信息传输、计算机服务和软件业年人均工资12.25万元,在各行业中位居第一。而从就业来看,信息传输、计算机服务和软件业过去十年就业人数年均增速11.3%,仅次于房地产业(11.9%)和建筑业(11.6%)。



而持续的高投入、高回报正不断形成正向反馈。数字化相关行业不仅持续产生大量就业需求,也成为近几年来最受高校毕业生青睐的热门行业。根据智联招聘《2016年秋季中国雇主需求与白领人才供给报告》,求职需求最多的十大行业中,数字经济相关行业占据三席,其中互联网超过金融、地产,位居第一。



3.3资本市场:PEVC持续为初创企业输血

数字经济更依赖资本市场融资。而从融资结构看,传统工业多为重资产属性,具备抵押品,因此较易获得银行融资。而人力资本和创新,更多体现为无形资产和轻资产,缺乏抵押品、银行放贷较为有限,更多是依靠资本市场来获得融资。




而在正式登陆股票市场前,私募股权和创业投资成为企业融资的主要来源。互联网行业获得的PEVC融资额,从11年的27亿美元,一路飙升至16年的162亿美元,今年前10个月已经达到197亿美元。而数字经济也成为PEVC投资的主要投向之一,16年IT、互联网、电信三个行业获得的PEVC融资占比也已接近40%。



2016年中国对关键数字技术的风险投资位居世界前三,其中金融科技领域投资额为世界第一,虚拟现实、自动驾驶、可穿戴设备、教育技术、机器人与无人机以及3D打印等领域投资额均为世界第二、仅次于美国。



4.拥抱数字经济蓝海

供给侧改革是短期内主导中国经济的核心政策,而政策主线则经历了从14/15年降成本、16年的产能,到17年去库存的轮动。我们认为,18年的政策主线应该是去杠杆和补短板。其中补短板旨在提高供给效率,从而增加经济增长潜力。而无论是资本层面的发展资本市场,还是技术层面的鼓励创新,都意味着数字经济发展有望提速。




回顾以往,我们从农业经济时代迈入工业经济时代,与之相应的是,核心生产要素从土地和劳动力转为资本和能源,主导产业从劳动密集型的农业转为资本密集型的工业。现如今,全球数字经济时代已经到来,未来知识密集型的信息产业将成为主导产业,中国已经投身数字经济的蓝海,并激流勇进,而未来也充满期待!



结语:

蓬勃发展的数字化技术正在不断改写现有格局,重构行业价值链。数字化带来的创造性颠覆将席卷全球。在中国,由于传统行业效率低下、新技术和业务的商业化潜力巨大,这一转变在中国将显得尤为迅猛和激烈。随着数字化的推进,中国经济将变得更具活力。相信越来越多的中国企业将有能力参与到全球竞争中去,甚至可以出口“中国制造”的数字商业模式。从一些传统的衡量办法来看,目前中国的数字化程度在全球仅位居中游。但是,考虑到中国非常活跃的行业动态及消费市场,其数字化发展前景十分广阔。