前言：有些任务直接编码较为复杂，我们不能处理所有的细微之处和简单编码，因此，机器学习很有必要。相反，我们向机器学习算法提供大量数据，让算法不断探索数据并构建模型来解决问题。比如：在新的杂乱照明场景内，从新的角度识别三维物体；编写一个计算信用卡交易诈骗概率的程序。

机器学习方法如下：它没有为每个特定的任务编写相应的程序，而是收集大量事例，为给定输入指定正确输出。算法利用这些事例产生程序。该程序与手写程序不同，可能包含数百万的数据量，也适用于新事例以及训练过的数据。若数据改变，程序在新数据上训练且被更新。大量的计算比支付手写程序要便宜的多。

机器学习的应用如下：

1.模式识别：识别实际场景的面部或表情、语言识别。

2.识别异常：信用卡交易顺序异常，核电厂传感器读数模式异常。

3.预测：未来股价或货币汇率，个人观影喜好。

什么是神经网络？

神经网络是一种通用机器学习模型，是一套特定的算法集，在机器学习领域掀起了一场变革，本身就是普通函数的逼近，可以应用到任何机器学习输入到输出的复杂映射问题。一般来说，神经网络架构可分为3类：

前馈神经网络：是最常见的类型，第一层为输入，最后一层为输出。如果有多个隐藏层，则称为“深度”神经网络。它能够计算出一系列事件间相似转变的变化，每层神经元的活动是下一层的非线性函数。

循环神经网络：各节点之间构成循环图，可以按照箭头的方向回到初始点。循环神经网络具有复杂的动态，难以训练，它模拟连续数据，相当于每个时间片段具有一个隐藏层的深度网络，除了在每个时间片段上使用相同的权重，也有输入。网络可以记住隐藏状态的信息，但是很难用这点来训练网络。

对称连接网络：和循环神经网络一样，但单元间的连接是对称的（即在两个方向的连接权重相同），它比循环神经网络更容易分析，但是功能受限。没有隐藏单元的对称连接的网络被称为“Hopfiels网络”，有隐藏单元的对称连接的网络则被称为“波兹曼机器”。

一、感知机（Perceptron）

作为第一代神经网络，感知机是只有一个神经元的计算模型。首先将原始输入矢量转化为特征矢量，再用手写程序定义特征，然后学习如何对每个特征加权得到一个标量，如果标量值高于某一阈值，则认为输入矢量是目标类的一个积极样例。标准的感知机结构是前馈模型，即输入传送到节点，处理后产生输出结果：从底部输入，顶部输出，如下图所示。但也有其局限性：一旦确定了手写编码特征，在学习上就受到了较大限制。这对感知器来说是毁灭性的，尽管转换类似于翻译，但是模式识别的重点是识别模式。如果这些转换形成了一个组，学习的感知器部分不能学会识别，所以需要使用多个特征单元识别子模式的转换。

没有隐藏单元的网络在输入输出映射建模上也有很大局限性。增加线性单元层也解决不了，因为线性叠加依然是线性的，固定的非线性输出也不能建立这种映射。因此需要建立多层自适应的非线性隐藏单元。

二、卷积神经网络（Convolutional Neural Network）

一直以来，机器学习研究广泛集中在对象检测上，但仍有诸多因素使其难以

识别对象：1.对象分割、遮挡问题；2.照明影响像素强度；3.物体以各种不同的形式展现；4.相同功能的对象具有不同的物理形状；5.视觉不同带来的变化；6.维度跳跃问题。

复制特征方法是当前CNN用于目标检测的主要方法，大规模的复制不同位置上相同的特征检测图，大大减少了要学习的自由参数数量。它使用不同的特征类型，每种类型都有自己的复制检测图，也允许以各种方式表示每个图像块。

CNN可用于手写数字识别到3D对象识别等，但从彩色图像中识别对象比手写数字识别要复杂，它的类别、像素是数字的100倍（1000 vs 100，256*256彩色vs28*28灰度）。

2012年的ILSVRC-2012竞赛中的ImageNet提供一个包含120万张高分辨率训练图像的数据集。测试图像没有标注，参赛者需要识别图像中对象的类型。获胜者 Alex Krizhevsky开发了一个深度卷积神经网络，除了一些最大池化层，架构还有7个隐藏层，前面都是卷积层，最后2层是全局连接。激活函数在每个隐藏层都是线性单元，比逻辑单元速度更快，还使用竞争性规范标准抑制隐藏活动，有助于强度变化。硬件上，在两个Nvidia GTX 580 GPU（超过1000个快速内核）上使用一个高效卷积网络实现，非常适合矩阵乘法，具有很高的内存带宽。

三、循环神经网络（ Recurrent Neural Network）

循环神经网络（RNN）有两个强大的属性可以计算任何计算机计算出来的东西：（1）允许存储大量有效信息的分布式隐藏状态（2）用复杂的方式允许更新隐藏状态的非线性动态。RNN强大的计算能力和梯度消失（或爆炸）使其很难训练。通过多层反向传播时，若权重很小，则梯度呈指数缩小；若权重很大，则梯度呈指数增长。典型的前馈神经网络的一些隐藏层可以应对指数效应，另一方面，在长序列RNN中，梯度容易消失（或爆照），即使有好的初始权重，也很难检测出当前依赖于多个时间输入的目标输出因此很难处理远程依赖性。

学习RNN的方法如下：

长短期记忆：用具有长期记忆值的小模块制作RNN。

Hessian Free Optimization：使用优化器处理梯度消失问题。

回声状态网络：初始化输入→隐藏和隐藏→隐藏和输出→隐藏链接，使隐藏状态有一个巨大的弱耦合振荡器储备，可以选择性的由输入驱动。

用动量初始化：和回声状态网络一样，再用动量学习所有连接。

四、长短期记忆网络（Long/Short Term Memory Network）

四、长短期记忆网络（Long/Short Term Memory Network）

Hochreiter & Schmidhuber（1997年）构建了长短期记忆网络，解决了获取RNN长时间记忆问题，使用乘法逻辑线性单元设计存储单元，只要保持“写入”门打开，信息就会写入并保持在单元中，也可以打开“读取”门从中获取数据。

RNN可以阅读行书，笔尖的输入坐标为（x,y,p），p代表笔是向上还是向下，输出则为一个字符序列，使用一系列小图像作为输入而不是笔坐标。Graves & Schmidhuber（2009年）称带有LSTM的RNN是阅读行书的最佳系统。

五、霍普菲尔德网络（Hopfield Networks）

非线性循环网络有很多种表现方式，较难分析：能达到稳定、震荡或馄饨状态这三种表现形式。Hopfield网络是由有循环连接的二进制阈值单元组成。1982年，约翰·霍普菲尔德发现，如果连接对称，则存在一个全局能量函数，整个网络的每个二进制“结构”都有能量，而二进制阈值决策规则使网络为能量函数设置一个最小值。使用这种计算类型最简单的方法是将记忆作为神经网络的能量最小值。使用能量最小值表示记忆给出了一个内容可寻内存，可通过了解局部内容来访问整个项目。

每记忆一次配置，都希望能产生一个能量最小值。但若有两个最小值就会限制Hopfield网络容量。伊丽莎白·加德纳发现有一个更好的存储规则，它使用了所有的权重。而不是试图一次存储多个矢量，她通过训练集进行多次循环，并用感知器收敛程序训练每个单元，使该矢量的所有其它单元具有正确的状态。

六、玻尔兹曼机（Boltzmann Machine Network）

玻尔兹曼机是一种随机循环神经网络，可以被看作是Hopfield网络的随机生成产物，是最先学习内部representations的神经网络之一。该算法旨在最大限度地提高机器在训练集中分配给二进制矢量的概率的乘积，相当于最大化其分配给训练矢量的对数概率之和，方法如下：（1）网络没有外部输入时，使网络在不同时间分布稳定；（2）每次对可见矢量采样。

2012年，Salakhutdinov和Hinton为玻尔兹曼机写了有效的小批量学习程序。2014年将模型更新，称之为受限玻尔兹曼机，详情请查看原文。

七、深度信念网络（Deep Belief Network）

反向传播，是人工神经网络计算处理一批数据后每个神经元的误差分布的标准方法，但是也存在一些问题。首先要标注训练数据，但几乎所有数据都没有标注；其次，学习时间不足，这意味着隐藏层数较多的网络较慢；第三，可能会使局部陷入最不利局面。因此，对于深度网络来说这远远不够。

无监督学习方法克服了反向传播的限制，使用梯度方法调整权重有助于保持架构的效率和简单性，还可以将它用于对感官输入结构建模。特别的是，它调整权重，将产生感官输入的生成模型概率最大化。信念网络是由随机变量组成的有向非循环图，可推断未观测变量的状态，还可以调整变量间的交互，使网络更可能产生训练数据。

早期图形模型是专家定义图像结构和条件概率，这些图形是稀疏连接的，他们专注于做正确的推论，而不是学习。但对于神经网络来说，学习是重点，其目的不在于可解释性或稀疏连接性使推断变得更容易。

八、深度自动编码器（Deep Auto-encoders）

该架构提供了两种映射方式，好像是一个做非线性降维非常好的方法，它在训练事例的数量上是线性的（或更好的），而最终编码模型相当紧凑和快速。然而，使用反向传播优化深度自动编码器很困难，若初始权重较小，反向传播梯度会消失。我们使用无监督逐层预训练或像回声状态网络一样认真的初始化权重。

对于预训练任务有三种不同类型的浅自动编码器：（1）RBM作为自动编码器；（2）去噪自动编码器；（3）压缩自动编码器。对于没有大量标注的数据集，预训练有助于后续的判别式学习。即便是深度神经网络，对于大量的标注数据集，无监督训练对权重初始化并不是必要的，预训练是初始化深度网络权重的第一个好方法，现在也有其它方法。但如果扩大网络，需要再次做预训练。

基于机器学习的第三代神经网络--脉冲神经网络的解析

脉冲神经网络（SNN）属于第三代神经网络模型，实现了更高级的生物神经模拟水平。除了神经元和突触状态之外，SNN 还将时间概念纳入了其操作之中。本文将简要介绍这种神秘的神经网络形式。

所有对目前机器学习有所了解的人都听说过这样一个事实：目前的人工神经网络是第二代神经网络。它们通常是全连接的，接收连续的值，输出连续的值。尽管当代神经网络已经让我们在很多领域中实现了突破，但它们在生物学上是不精确的，其实并不能模仿生物大脑神经元的运作机制。

第三代神经网络，脉冲神经网络（Spiking Neural Network，SNN），旨在弥合神经科学和机器学习之间的差距，使用最拟合生物神经元机制的模型来进行计算。脉冲神经网络与目前流行的神经网络和机器学习方法有着根本上的不同。SNN 使用脉冲——这是一种发生在时间点上的离散事件——而非常见的连续值。每个峰值由代表生物过程的微分方程表示出来，其中最重要的是神经元的膜电位。本质上，一旦神经元达到了某一电位，脉冲就会出现，随后达到电位的神经元会被重置。对此，最常见的模型是 Integrate-And-Fire（LIF）模型。此外，SNN 通常是稀疏连接的，并会利用特殊的网络拓扑。

LIF 模型中膜电位的微分方程

脉冲期间的膜电位形态

脉冲神经网络图示

乍一看，脉冲神经网络的方法像是一种倒退。我们从连续输出移动至二进制输出，这些脉冲训练的可解释性不强。但是，脉冲训练增强了我们处理时空数据（或者说真实世界感官数据）的能力。空间指神经元仅与附近的神经元连接，这样它们可以分别处理输入块（类似于 CNN 使用滤波器）。时间指脉冲训练随着时间而发生，这样我们在二进制编码中丢失的信息可以在脉冲的时间信息中重新获取。这允许我们自然地处理时间数据，无需 RNN 添加额外的复杂度。事实证明脉冲神经元是比传统人工神经元更强大的计算单元。

既然理论上 SNN 比第二代网络更强大，那么我们很自然会想到为什么它们没有得到广泛应用。主要问题在于 SNN 的训练。尽管我们有无监督生物学习方法，如赫布学习（Hebbian learning）和 STDP，但没有适合 SNN 的有效监督训练方法能够 i 通过提供优于第二代网络的性能。由于脉冲训练不可微，我们无法在不损失准确时间信息的前提下使用梯度下降来训练 SNN。因此，为了正确地使用 SNN 解决真实世界任务，我们需要开发一种高效的监督学习方法。这是一项艰巨的任务，因为它涉及到，给定这些网络的生物现实主义，确定人类大脑如何学习。

另一个问题是在正常硬件上模拟 SNN 需要耗费大量算力，因为它需要模拟微分方程。但是，神经形态硬件，如 IBM TrueNorth，旨在使用利用神经元脉冲行为的离散和稀疏本质的专门硬件模拟神经元，进而解决该问题。

今天看来，SNN 的未来依然不甚清晰。一方面，它们是我们当前神经网络的天然继承者；但是另一方面，对大多数任务来说它们还远不是实践工具。目前在实时图像和音频处理中有一些 SNN 实际应用，但相关文献仍然很少。绝大多数 SNN 论文或者是理论的，或者在一个简单的全连接第二代网络之中展示性能。然而，很多团队正致力于开发 SNN 监督式学习规则，并且我对 SNN 的未来充满乐观。

总结：传统的编程方法是我们告诉计算机做什么，将大问题分解成很多小而精确的且计算机可以轻松执行的任务。神经网络则不需要告诉计算机如何解决问题，而是从观测到的数据中学习，找到解决问题的办法。

前言：2017年堪称是人工智能(英文简称AI)的“大年”。AI概念在世界范围迅速升温，在中国更吸引了大量人才和资金的流入，各类企业和应用遍地开花。2014年起，“大数据”概念首次被正式写入《政府工作报告》。2017年12月，中共中央政治局就实施国家大数据战略进行第二次集体学习，中共中央总书记习近平在主持学习时强调，大数据发展日新月异，我们应该审时度势、精心谋划、超前布局、力争主动，深入了解大数据发展现状和趋势及其对经济社会发展的影响，分析我国大数据发展取得的成绩和存在的问题，推动实施国家大数据战略，加快完善数字基础设施，推进数据资源整合和开放共享，保障数据安全，加快建设数字中国。为用好大数据、赢得新时代发展的战略主动指明了方向。

全球新一代信息产业处于加速变革期，大数据技术和应用处于创新突破期，国内市场需求处于爆发期，我国大数据产业面临重要的发展机遇。为此，本文细数了2017年政府发布的各类文件，提取出六大关键词，为大家解读2017年政府AI大数据新风向。

○关键词一：

（标准化）

大数据的下一步朝哪走？

随着信息技术与社会经济的融合发展，数据对于国家基础性战略来说，有着推动创新、转型升级，随之提升国家治理能力的关键作用。以此为背景，国内外各标准组织也结合大数据研究现状，开展了其标准化的相关工作。ISO、IEC、ITU等国际标准化组织，美国国家标准与技术研究院（NIST）、我国信息技术标准化技术委员会（TC 28）等组织相继建立了标准化工作组并开展相关工作。

截至目前，各标准化组织已经出台了一系列大数据标准，已经取得了明显的进展。但就大数据整体技术体系和发展规模而言，当前大数据标准化研究仍处于起步阶段，与产业发展水平和需求仍不相称。

2014年12月2日，大数据标准工作组成立，由工信部和国标委共同管理。主要负责制定和完善我国大数据领域标准体系，组织开展大数据相关技术和标准的研究。申报国家、行业标准，承担国家、行业标准制修订计划任务，宣传推广标准实施，组织推动国际标准化活动。对口ISO/IEC JTC 1/WG9。2017年，工信部在《工业大数据白皮书》发布仪式上，再次强调了标准化的重要性。

深入推进工业大数据发展是全球工业企业所面临的共性课题，而工业大数据标准化工作则是支撑工业转型发展，提升我国国际话语权重要的基础。

▊国家标准化管理委员会谷保中总工程师对工业大数据标准化工作提出四点建议：

● 加强调查研究，认真梳理工业大数据在工业现阶段水平的标准化需求，做好顶层设计；

● 通过全国信标委大数据标准化工作组平台，营造良好的工作氛围和工作机制，共同推动工作；

● 立足国内，面向国际构建标准化体系，统筹国际国内两个大局；

● 围绕应用先行，开展工业大数据标准的实验验证和试点示范工作。

在此背景之下，清华大学数据科学研究院也积极响应号召，积极参与到有关中国数据标准化与治理工作推进的工作中：2016年，清华大学数据科学研究院与电子标准院、DAMA CHINA共同启动了“数据标准化及治理奖”的评选，以促进大数据生产者、使用者和从业者对于数据标准化、数据质量及数据治理理念达成共识。

今年，在刚刚过去的第二届中国数据标准化与治理大会上，数据科学研究院也应邀出席，对如何广泛分享国内外数据标准化和治理的实践和发展，如何为大数据与人工智能技术的落地应用构建治理良好的数据基础环境等话题进行了深度探讨。

此外，由清华大学软件学院院长、数据院副院长王建民担任组长的大数据安全标准特别工作组，正在负责制定和完善我国大数据安全领域标准体系，组织开展大数据安全相关技术和标准研究。

○关键词二：

（跨区域）

着力大数据，哪些地区是潜力股？

2015年是大数据政策顶层设计年，2016年是大数据政策细化落地年，2017年则是大数据产业蓬勃发展年。在政策红利及众多外部利好因素的推动下，我国已积累了一定大数据管理经验，今年来也逐渐探索出具有地方特色的大数据发展运维管理机制。贵州、辽宁、重庆、辽宁、内蒙古等省市相机出台政策举措，包括管理机制、运营模式以及建设内容等各方面，以促进当地大数据产业的发展。

独领风骚：西南贵阳

2017年数博会圆满落幕，随着贵阳演变成大数据企业发展的良港，大数据产业也逐渐成为了贵阳发展的新支柱。

2016年贵州GDP中，保持强劲增长的体现在计算机、通信和其他电子设备。贵州省贵阳市围绕建设国家大数据综合试验区深入挖掘大数据商用、政用、民用价值，以大数据引领经济转型升级，提高政府治理能力，服务民生社会事业，也同样取得了丰硕成果。

1月5日下午消息，国家发展改革委组织研究起草了《智能汽车创新发展战略》，现面向社会各界公开征求意见。

文件明确战略愿景为：到2020年，中国标准智能汽车的技术创新、产业生态、路网设施、法规标准、产品监管和信息安全体系框架基本形成。智能汽车新车占比达到50%，中高级别智能汽车实现市场化应用，重点区域示范运行取得成效。智能道路交通系统建设取得积极进展，大城市、高速公路的车用无线通信网络（LTE-V2X）覆盖率达到90%，北斗高精度时空服务实现全覆盖。

到2025年，中国标准智能汽车的技术创新、产业生态、路网设施、法规标准、产品监管和信息安全体系全面形成。新车基本实现智能化，高级别智能汽车实现规模化应用。“人–车–路–云”实现高度协同，新一代车用无线通信网络（5G-V2X）基本满足智能汽车发展需要。

到2035年，中国标准智能汽车享誉全球，率先建成智能汽车强国，全民共享“安全、高效、绿色、文明”的智能汽车社会。

文件指出，智能汽车已成为汽车产业发展的战略方向；发展智能汽车对我国具有重要的战略意义；我国拥有智能汽车发展的战略优势。

以下为发改委公告原文：

汽车产业是国民经济重要的战略性、支柱性产业，与人民群众生活密切相关。本世纪以来，我国汽车产业快速发展，产业规模稳居世界首位，综合实力显著增强。随着汽车普及程度不断提高，我国已快速进入汽车社会。当前，新一轮科技革命和产业变革蓬勃兴起，智能汽车已成为汽车产业发展的战略方向。发展智能汽车不仅是解决汽车社会面临的交通安全、道路拥堵、能源消耗、环境污染等问题的重要手段，更是深化供给侧结构性改革、实施创新驱动发展战略、建成现代化强国的重要支撑，对不断满足人民日益增长的美好生活需要具有十分重要的意义。为加快推进智能汽车创新发展，制定本战略。

一、战略态势

（一）智能汽车已成为汽车产业发展的战略方向从技术层面看，汽车始终是新技术应用的重要载体，随着信息通信、互联网、大数据、云计算、人工智能等新技术在汽车领域广泛应用，汽车正由人工操控的机械产品加速向智能化系统控制的智能产品转变，智能汽车已成为产业技术的战略制高点。从产业层面看，智能汽车已成为产业融合发展重点，传统汽车企业快速转型，电子信息、网络通信等企业加速渗透，汽车与相关产业全面融合，产业链面临重构，价值链不断延伸，产业边界日趋模糊，呈现智能化、网络化、平台化发展特征。从应用层面看，汽车产品功能和使用方式正在发生深刻变化，由单纯的交通运输工具逐渐转变为智能移动空间，兼有移动办公、移动家居、娱乐休闲、数字消费、公共服务等功能，推动车联网数据服务、共享出行等生产生活新模式加快发展。从竞争层面看，智能汽车已成为新一轮产业布局必争之地，一些传统行业巨头和新兴创新企业强强联合、优势互补，率先开展产业布局，在竞争中占据主动，主要发达国家通过制定国家战略、强化技术优势、完善标准法规、营造市场环境，形成了智能汽车先发优势。

（二）发展智能汽车对我国具有重要的战略意义发展智能汽车，推动新技术应用，有利于促进以汽车为载体的芯片、软件、信息通信、数据服务等产业发展，加速汽车产业转型超越，打造智能汽车乘行经济新模式，构建数据驱动、跨界融合、共创共享的数字经济，培育经济新增长点。发展智能汽车，建设车联网、智能道路交通系统和智慧城市，有利于减少事故损害、保障生命安全，缓解道路拥堵、提高交通效率，促进节能减排、优化服务供给，增强人民福祉、促进社会和谐。发展智能汽车，系统蓄积交通场景、车辆运行、路网设施、网络服务等各类数据资源，有利于加快制造强国、科技强国、网络强国、交通强国、数字中国建设，以及推动军民融合发展，提升新时代国家治理能力、综合竞争实力和安全保障能力。

（三）我国拥有智能汽车发展的战略优势在体制机制方面，拥有中国特色社会主义制度优势和集中力量办大事体制优势，国家对基础设施建设、网络信息管理、重点产业布局等统筹规划、协同推进，有利于科学高效配置智能汽车的发展资源。在汽车产业方面，整体规模保持世界领先，自主品牌市场份额逐步提高，核心技术不断取得突破，关键零部件供给能力显著增强，新能源汽车产业体系比较完备，电池、电机、电控及整车具有较强的国际竞争力，为智能汽车发展奠定了坚实基础。在网络通信方面，互联网、信息通信等领域涌现一批世界级领军企业，多家企业进入全球互联网企业市值前十名，通信设备制造商已进入世界第一阵营，移动通信和互联网运营服务能力位居世界前列，为智能汽车发展积蓄了重要力量。在基础设施方面，宽带网络和高速公路网快速发展、规模位居世界首位，5G等新一代移动通信技术具有领先优势，北斗卫星导航系统可面向全国提供高精度时空服务，为智能汽车发展提供了有力保障。在发展空间方面，新型城镇化建设、乡村振兴战略实施将进一步释放智能汽车发展潜力，目前超过2亿辆的汽车保有量、接近3000万辆的新车年销售量，特别是人民群众日益增长的汽车多元化、个性化消费需求为智能汽车提供了广阔市场。智能汽车是新生事物，产业形态新、行业跨度大、应用范围广、社会影响深，全球范围内无成熟经验可借鉴、无成功先例可参照，需要积极探索、大胆创新，加强顶层设计和战略谋划，明确方向、凝聚共识、形成合力、加快推进。

二、战略纲领

（一）指导思想全面贯彻党的十九大精神，以习近平新时代中国特色社会主义思想为指导，按照统筹推进“五位一体”总体布局和协调推进“四个全面”战略布局要求，牢固树立新发展理念，以供给侧结构性改革为主线，抓住新一轮科技革命和产业变革的重大机遇，以推动汽车与先进制造、信息通信、互联网、大数据、人工智能深度融合为主要途径，以发展中国标准智能汽车为主攻方向，以建设智能汽车强国为主要目标，开创智能汽车创新发展新路径，培育产业新业态，构筑竞争新优势，占领战略制高点，率先建成智能汽车强国。

（二）基本原则统筹谋划，协同推进。发挥战略的引领作用，完善产业政策，增强政策合力，优化发展环境。加强部门协同、行业协作、军民融合，推动跨部门、跨行业、跨领域协调，推进核心技术自主化、基础设施智能化、运行监管规范化，提升智能汽车发展质量和效益。创新驱动，平台支撑。建立开源开放、资源共享合作机制，充分利用全球智能汽车创新资源，加强核心技术攻关，提升自主创新能力，构建智能汽车自主技术体系。充分调动社会各界积极性，创新智能汽车发展模式，推动国家智能汽车创新发展平台建设，增强战略实施保障能力。市场主导，跨界融合。充分发挥市场配置智能汽车发展资源的决定性作用，强化企业主体地位，激发各类市场主体发展智能汽车的积极性。打破行业分割，消除市场壁垒，创新产业体系、生产方式、应用模式，推动汽车与信息通信、交通运输、国防军工等产业融合发展，提升智能汽车创新链、产业链、价值链。开放包容，安全可控。完善智能汽车相关法规标准，消除法规性和政策性市场准入障碍，改革监管方式，营造支持创新、鼓励创造、宽松包容的发展氛围。强化产业安全意识，建立智能汽车安全管理体系，增强网络信息系统安全防护能力，推动智能汽车与传统汽车安全并行，保护人身安全和个人隐私，维护公共安全和国家利益。

（三）战略愿景到2020年，中国标准智能汽车的技术创新、产业生态、路网设施、法规标准、产品监管和信息安全体系框架基本形成。智能汽车新车占比达到50%，中高级别智能汽车实现市场化应用，重点区域示范运行取得成效。智能道路交通系统建设取得积极进展，大城市、高速公路的车用无线通信网络（LTE-V2X）覆盖率达到90%，北斗高精度时空服务实现全覆盖。到2025年，中国标准智能汽车的技术创新、产业生态、路网设施、法规标准、产品监管和信息安全体系全面形成。新车基本实现智能化，高级别智能汽车实现规模化应用。“人–车–路–云”实现高度协同，新一代车用无线通信网络（5G-V2X）基本满足智能汽车发展需要。到2035年，中国标准智能汽车享誉全球，率先建成智能汽车强国，全民共享“安全、高效、绿色、文明”的智能汽车社会。

三、战略任务

（一）构建自主可控的智能汽车技术创新体系

1. 突破关键核心技术。充分挖掘创新资源，加强开放合作、协同研发，大力开展复杂系统体系架构、复杂环境感知、智能决策控制、人机交互及人机共驾、大数据应用、信息安全等基础前瞻技术研究，重点突破新型电子电器信息架构、多类别传感器融合感知、新型智能终端、车载智能计算平台、车用无线通信网络（LTE-V2X/5G-V2X）、高精度时空服务和车用基础地图、云控基础平台等共性交叉技术。

2. 完善测试评价技术。加强跨部门、跨领域测试评价机构协同配合，建立健全智能汽车测试评价体系架构及测试基础数据库，满足我国复杂道路环境和驾驶行为的测试需要。重点研发虚拟仿真、软硬件结合仿真、实车道路测试等技术和验证工具，以及整车级、系统级、零部件级测试评价系统。推动企业、第三方测试评价机构能力建设，建立国家级智能汽车技术试验及安全运行评价中心。

3. 开展示范运行验证。重点利用机场、港口、矿区、工业园区和旅游景区等相对封闭区域，相关部门设定的城市公交道路等开放区域，以及北京冬奥会和通州副中心智能交通、雄安新区智慧城市等重大工程建设，开展智能汽车示范运行，系统验证环境感知准确率、场景定位精度、决策控制合理性、系统容错与故障处理能力、“人–车–路–云”系统协同性等。

（二）构建跨界融合的智能汽车产业生态体系

1. 强化产业链关键环节。加强汽车制造、信息通信、互联网等领域骨干企业相互合作，补短板、强弱项，重点推动传感器、车载芯片、中央处理器、车载操作系统、无线通信设备、北斗高精度时空服务与车用基础地图等产品开发与产业化。采取自主式和网联式相结合的发展模式，加快智能化关键零部件及系统开发应用，全面提升整车智能化水平，培育具有国际竞争力的智能汽车自主品牌。

2. 培育新型市场主体。整合产、学、研、用等领域的优势资源，组建产业联合体和联盟。鼓励整车企业积极开展新技术研发应用，逐步成为智能汽车产品提供商及出行服务商。鼓励零部件企业通过整零协同、海外并购等方式，增强智能化产品的研发制造能力，逐步成为智能汽车关键零部件和系统集成供应商。鼓励人工智能、互联网等企业与车企深度融合，发展成为自动驾驶系统解决方案领军企业。鼓励信息通信、互联网等企业开展智能汽车数据分析和应用，发展成为功能多样、安全可靠的数据服务商。

3. 创新产业形态和商业模式。积极培育道路智能设施、高精度时空服务和车用基础地图、车用通信、信息安全、数据服务、智能出行等智能汽车新业态。加强智能汽车复杂应用场景的大数据应用，重点在数据增值、出行服务、金融保险等领域，培育新商业模式。优先在封闭区域、公共交通、短程接驳等领域，针对特定市场需求，积极探索采用智能汽车共享出行等新模式。

4. 推进产业军民融合发展。建立军民融合创新中心，实施军民融合重点工程，开展军民联合攻关，推动科技成果相互转化。加快北斗定位导航系统、高分辨率对地观测系统在智能汽车相关领域的应用，促进车辆电子控制、高性能芯片、激光/毫米波雷达、微机电系统等自主知识产权军用技术的转化应用，加强自动驾驶系统、云控基础平台等在国防军工领域的开发应用。

（三）构建先进完备的智能汽车路网设施体系

1. 推进智能化道路基础设施规划建设。制定智能交通发展规划，建设智慧公路及新一代国家交通控制网。坚持车路协同发展，分阶段、分区域推进道路基础设施的智能化建设，逐步形成多维监测、精准管控服务能力。统一通信接口和协议，推动道路基础设施、智能汽车、运营服务提供商、交通安全管理系统、交通管理指挥系统等信息互联互通。

2. 建设覆盖全国的车用无线通信网络。依托现有移动通信网络，开展车用无线通信专用频谱使用许可研究，快速推进车用无线通信网络（LTE-V2X）等部署。在重点地区、重点路段建立新一代车用无线通信网络（5G-V2X）等，提供超低时延、超高可靠、超大带宽的无线通信服务。在桥梁、隧道等道路关键节点部署窄带物联网（NB-IoT）等网络，建立综合信息数据库和多维监控设施，开展道路基础设施信息化改造。

3. 建设覆盖全国的车用高精度时空服务系统。充分利用已有北斗地基增强网，建立车用网络高精度统一时间体系，提供全国统一的车用高精度时空服务。加强导航系统和通信系统融合，建设多源导航平台。推动北斗通信服务和移动通信双网互通，建立车用应急系统。完善辅助北斗系统，提供快速辅助定位服务。

4. 建设覆盖全国的车用基础地图系统。开发标准的、统一的车用基础地图，建立并完善三维地理信息系统，提供实时动态地图数据服务。优化车用基础地图信息数据库模型与结构，丰富数据内容。建立车用基础地图数据和国家航空航天测绘遥感影像数据共享机制。

5. 建设国家智能汽车大数据云控基础平台。充分利用企业、地方、部门的现有设施和数据资源，统一部署、协同共建智能汽车大数据云控基础平台。重点开发建设逻辑统一、物理分散的云计算中心，标准统一、开放共享的基础数据中心，自主可控、安全可靠的云控基础软件，逐步实现车辆、基础设施、交通环境等领域的基础数据融合应用，为智能汽车的研发制造、安全运行、交通管理、应用服务等提供支撑。

（四）构建系统完善的智能汽车法规标准体系

1. 健全法律法规。结合智能汽车发展需要，开展法律法规条款适用性研究，推动智能汽车管理规则和司法监管律条协同联动。通过立法、修法、释法等方法，消除影响智能汽车发展的法律障碍。尽快出台公共道路自动驾驶测试规范，适时出台智能汽车测试、准入、使用等环节的法律法规。加强对“机器驾驶人”认定、法律责任确定等问题的研究，在条件成熟时对《道路交通安全法》及其实施条例等进行修订，为智能汽车发展预留空间。完善测绘地理信息相关法律法规，为车用基础地图的测绘和应用提供制度保障。

2. 完善技术标准。立足国情，着力构建智能汽车中国标准体系，全面覆盖汽车制造、信息通信、基础设施、信息安全、运行监管、应用服务等领域。重点制定车载关键系统、智能道路基础设施、车用基础地图、云控基础平台、安全防护等技术标准和规范，以及“人–车–路–云”系统协同的车用无线通信技术标准和设备接口规范。建立中国标准智能汽车等级划分及评估准则，抓紧制定智能汽车运行安全、自动驾驶能力、封闭场地、半开放场地、公共道路测试标准，开展不同等级智能汽车驾驶人的操作技能和资质要求等研究。制定人机控制转换及事件记录等标准，为智能汽车事故责任判定创造条件。

3. 推动认证认可。建立健全企业自评估、报备和第三方技术检验相结合的认证认可机制，统筹运用强制性认证和自愿性认证，形成覆盖智能汽车全生命周期的综合认证服务体系。针对智能汽车及相关系统的关键软硬件开展功能性、可靠性、安全性认证，制定面向不同等级智能汽车的多层次认证规范。加强企业及第三方机构实验室的能力认可，建立智能汽车自动驾驶能力测试认证中心。

（五）构建科学规范的智能汽车产品监管体系

1. 加强车辆产品管理。完善智能汽车生产、准入、销售、检验、登记等管理规定。研究制定智能汽车相关产品安全审核和行业准入、退出管理办法，明确对研发制造、测试应用等方面的要求。加强智能汽车产品研发、生产制造、认证认可等监管，构建质量安全、功能安全、信息安全防控体系，明确智能汽车产品安全责任主体，完善智能汽车产品安全事故追溯和责任追究相关规定。明确车用无线通信设备型号核准和入网许可办理流程。制定智能汽车测试管理办法，加强公共道路测试审核和监管，建立国家级智能汽车运行安全和自动驾驶能力测试基地。

2. 加强车辆使用管理。颁布智能汽车标识管理办法，加强实体标识和逻辑标识的对应统一，强化智能汽车的身份认证、实时跟踪和事件溯源。建立公开透明的智能汽车在线监管机制，搭建多方联动、信息共享、实时精准的运行监管平台，明确智能汽车制造商、运营商、用户和监管部门的责任。加强道路基础设施领域联网通信设备入网许可管理，提升其智能化水平和信息开放能力。制定智能汽车升级更新、售后服务、金融保险等领域管理规定，积极推进智能汽车商业化应用。

（六）构建全面高效的智能汽车信息安全体系

1. 完善信息安全管理联动机制。严格落实国家网络安全等级保护制度，以智能汽车相关系统运行安全、数据安全和设备安全为重点，明确相关主体的安全管理责任，定期开展安全监督检查。建立风险评估、运行监测、应急响应等机制，全面覆盖智能汽车制造企业、运营企业、管理机构，防范各种非法入侵攻击和信息安全事件。

2. 加强信息安全系统防护能力。实施智能汽车信息安全分域隔离，搭建多层纵深防御、软硬件结合的安全防护体系，保障通信接口信息传输安全，加强车载芯片、应用软件、操作系统和车用密码等安全性设计。完善车用无线通信网络防护架构，研究制定车用通信安全协议，实施权限认证管理，保障通过认证车辆与道路设施、云控基础平台及相互间的通信安全。建立北斗抗干扰和防欺骗安全防护体系。完善远程软件更新管理和监控管理服务，加强异常行为、恶意行为以及隐私数据泄露等风险监测。

3. 加强数据安全防护管理。建立智能汽车数据全生命周期的安全管理机制，明确相关主体的数据安全保护责任和具体要求，保障数据采集、处理、存储和传输的机密性、准确性、完整性和可用性。实行重要数据分类分级管理，确保用户信息、车辆信息、测绘地理信息等数据安全可控。加强数据安全监督检查，开展数据风险、数据出境安全等评估工作，加强管理制度建设。

四、战略保障

（一）加强组织实施成立国家智能汽车创新发展领导小组，由国务院领导同志担任组长，成员由国务院相关部门和单位负责同志担任，负责统筹协调智能汽车发展全局性工作，审议重大规划、重大政策、重大工程，研究解决重大问题。在领导小组指导下，组建国家智能汽车创新发展平台，负责贯彻落实国家战略确定的重点任务。国家智能汽车创新发展平台由理事会、专家委员会、平台公司等构成。理事会由有关部门、行业组织等方面的代表组成，负责指导平台公司业务开展。专家委员会由智能汽车相关领域专家学者组成，为理事会决策提供专业咨询。平台公司由汽车制造、信息通信、互联网、基础设施、金融投资等领域的龙头企业或代表性企业出资设立，在理事会的指导下，负责推动构建智能汽车技术创新体系、产业生态体系、路网设施体系、法规标准体系、产品监管体系、信息安全体系等战略任务有效落实。

（二）完善扶持政策积极引导社会资本、金融资本，加大对国家智能汽车创新发展平台等公共平台的支持力度，推动智能汽车基础共性核心技术研发和产业化。鼓励具有技术特色的创新型企业参与智能汽车发展，推动众包、众创、众扶、众筹等多种创新模式。利用先进制造产业投资基金等多种渠道，支持智能汽车重大项目建设和示范应用。强化税收金融政策引导，对从事智能汽车研发制造的企业，符合条件的按现行税收政策规定享受企业所得税税前加计扣除优惠，落实对智能汽车领域中小企业和初创企业的财税优惠政策。利用开发性和政策性金融、融资租赁和金融租赁等政策工具，重点扶持智能汽车新业态、新模式发展。

（三）强化人才保障认真落实国家人才规划相关部署，培养造就一批具有国际先进水平的智能汽车战略谋划与科技领军人才、高水平创新团队。实行吸引创新人才的激励政策，建立重大项目与人才引进联动机制，加大国际领军人才和骨干人才的引进力度。推动汽车与信息通信、互联网等领域人才交流，加快培养一批复合型专家和科技带头人。深化产教融合，鼓励企业与高等院校合作开设相关专业，协同培养具有创造性的中青年科技人才、管理人才和高级技工。

（四）开展国际合作鼓励企业通过国际合作、联合开发、股权投资等多种方式，引进吸收国外先进技术和经验，打造具有国际影响力的智能汽车品牌。支持企业通过跨国并购、合资合作等途径，加快海外市场布局，增强海外研发能力，提高国际影响力与知名度。充分利用多双边合作和高层对话机制，加强产业合作交流，鼓励外资企业积极参与我国智能汽车产业发展。深度参与国际标准、区域标准制定与协调，增强国际标准制定话语权，推动中国标准走出去，加强认证认可结果国际互认和采信。

（五）优化发展环境加强知识产权保护，健全技术创新专利保护与标准化互动支撑机制，促进创新成果知识产权化。强化质量、安全、环保、反垄断等监管执法力度，规范智能汽车市场秩序。健全智能汽车领域信用规范，引导企业履行社会责任，营造诚实守信市场环境。发挥行业协会、研究机构、公共服务平台等支撑作用，为企业提供咨询和专业化服务。加强智能汽车科普与宣传，鼓励企业开展试乘试驾体验活动，支持各类新闻媒体加大对智能汽车高效、节能、安全、环保等特点的舆论宣传，提高社会认知度。发展智能汽车事关全局、事关长远，机不可失、时不我待。各部门要加大对智能汽车创新发展的支持力度，各地区要结合实际制定推动智能汽车创新发展的有效举措，确保各项战略任务有效落实。

附件：名词解释

1. 智能汽车：是指通过搭载先进传感器、控制器、执行器等装置，运用信息通信、互联网、大数据、云计算、人工智能等新技术，具有部分或完全自动驾驶功能，由单纯交通运输工具逐步向智能移动空间转变的新一代汽车。智能汽车通常也被称为智能网联汽车、自动驾驶汽车、无人驾驶汽车等。

2. 智能汽车等级：目前，国际上尚无统一的智能汽车等级划分标准，我国已在制定智能汽车等级划分标准。美国汽车工程师学会按照智能化程度将智能汽车划分为5个等级。即：1级为辅助驾驶，即驾驶系统只能进行车道保持或加减速操作，其他驾驶操作仍由人完成，该等级智能汽车一般可在车道内实现自动驾驶。2级为部分自动驾驶，即驾驶系统能够进行方向控制和加减速等多项操作，其他驾驶操作仍由人完成，该等级智能汽车一般可实现换道行驶、环岛绕行、拥堵跟车等自动驾驶。3级为有条件自动驾驶，即驾驶系统能够完成生产厂商设计工况下的所有操作，驾驶员根据驾驶系统请求还需要提供适当的干预，该等级智能汽车一般可在高速公路实现自动驾驶。4级为高度自动驾驶，即驾驶系统能够完成生产厂商设计工况下的所有操作，特定环境下驾驶系统会向驾驶员提出请求，驾驶员可以不予响应，驾驶系统仍能实现安全操作，该等级智能汽车一般可在高速公路、市区道路实现自动驾驶。5级为完全自动驾驶，该等级智能汽车可在所有道路环境下实现自动驾驶，完全替代人驾驶。

3. 中高级别智能汽车：是指3级及以上级别智能汽车。

4. 高级别智能汽车：是指4级及以上级别智能汽车。

5. 智能汽车的自主式和网联式发展模式：自主式是指车辆单纯依靠车载传感器与车载控制系统，感知周边环境，实施决策控制，实现自动驾驶。网联式是指车辆通过网络系统感知周边环境，实施决策控制，实现自动驾驶。自主式和网络式相结合是智能汽车主流发展模式。

6. 乘行经济:是指人们在乘坐智能汽车出行时发生的经济活动，如移动办公、数字消费、在线教育等。

7. 人-车-路-云：是指车辆与行人等其他交通参与者、车辆与车辆、车辆与道路基础设施、车辆与云服务平台的协同系统。

8. 车联网：是指按照约定的通信协议和数据交互标准，在人-车-路-云之间进行信息交换的网络。

9. 车用无线通信网络（LTE-V2X）：是指利用第四代移动通信技术（4G）的车联网，可以支持中低级别智能汽车应用。

10. 车用无线通信网络（5G-V2X）：是指利用第五代移动通信技术（5G）的车联网，可以支持中高级别智能汽车应用。

11. 时空服务系统：是指能在地球表面或近地空间的任何地点，为用户提供全天候的位置、速度以及时间信息服务的无线电导航定位系统。

12. 复杂环境：是指由车辆、行人、非机动车、信号灯、交通标志等诸多交通要素构成的环境。

13. 人机交互：是指人与智能汽车之间通过图像、声音、震动等方式进行交流和互动，使人充分了解车辆运行及交通环境相关信息，并使智能汽车充分认知人的意图和需求。

14. 人机共驾：是指人和自动驾驶系统共同控制车辆行驶，通常包括起停控制、车速控制、转向控制、紧急避撞控制等功能，以保证智能汽车安全、高效的完成行驶任务。

15. 新型电子电器信息架构：是指智能汽车中各类电器、电子元件及信息系统的新型连接形式和关系，有别于传统汽车。

16. 传感器融合感知：是指通过车载雷达、摄像头、通信、定位等环境感知装置，获得的信息间的交互与融合，保证智能汽车充分掌握周边交通环境信息。

17. 车载智能计算平台：是指包含车载智能处理芯片、模组、接口等硬件以及驾驶操作系统、基础应用程序等软件的车载计算平台，能够保障智能汽车感知、决策、控制的高速可靠运行。

18. 云控基础平台：是指为智能汽车用户、管理机构等提供车辆运行、基础设施、交通环境、交通管理等基础数据，开展云计算、数据存储、大数据分析和信息安全等公共服务的基础平台。

19. 虚拟仿真：是指通过软件系统模拟现实场景，从而实现对智能汽车进行模拟测试与评价。

20. 短程接驳：是指距离相对较短（通常10公里以内）的两个固定位置间的人或货物运输，如机场内候机厅和远机位飞机间运输，社区与地铁、公交等交通枢纽间的运输，景区内不同景点间的运输。

21. 对地观测系统：是指利用搭载在高空平台上的可见光、红外、微波等探测仪器，远距离获取地球表层目标的波谱信息并加工处理，为人们识别各种目标、认知物体特性、判别运动状态、预测变化规律等提供服务的综合性系统。

22. 高分辨率对地观测系统：是指具备高空间分辨率、高时间分辨率、高光谱分辨率、高精度观测能力的对地观测系统。

23. 激光雷达：是指以发射激光束探测目标的位置、速度等特征的雷达系统，探测精度高、范围广，但成本较高。

24. 毫米波雷达：是指工作在毫米波波段，对目标位置、速度等特征进行探测的雷达，对雾霾、烟尘穿透能力较强，成本较低，但探测距离较近。

25. 微机电系统：即MEMS（MicroElectroMechanicalSystem），是指能够集微传感器、微执行器、微机械结构、微电源、微能源、信号处理和控制电路、高性能电子集成器件、接口、通信等于一体的微型智能器件。微机电系统其内部结构一般在微米甚至纳米级，通常也称微电子机械系统、微系统、微机械等。

26. 多维监测：是指针对公路、桥梁、隧道、标识标线及护栏等道路基础设施，从点、段、面多个维度进行监测。

27. 超低时延：是指传输时延不超过3-10毫秒，能够支持中高级别智能汽车的环境信息、行车信息、控制信息的实时交互。

28. 超大带宽：是指单用户网络下载速度达到100兆/秒、上传速度达到50兆/秒、个别场景单用户网速能够达到1吉/秒，能够支持智能汽车所需的高清地图实时下载、视频信息传输等。

29. 超高可靠：是指可靠性接近99.999%。

30. 窄带物联网：是指一种利用移动通信网络部署的物联网，相对于宽带无线网络，具有广覆盖、大连接、低功耗和低成本特点，目前已广泛应用于共享单车数据传输等领域。

31. 北斗地基增强网：又称北斗地基增强系统，通常由基站网络、数据处理系统、运营服务平台、数据发送系统和用户终端五部分组成，基站接受卫星导航信号后，通过数据处理系统形成相应信息，利用卫星、广播、移动通信等手段实时播发给应用终端。借助北斗地基增强网，可使北斗定位导航精度达到厘米级。

32. 辅助北斗系统：是指能够借助地面设施代送卫星信息，用以缩减北斗卫星导航芯片获取卫星信号的延迟时间，减轻北斗卫星导航芯片对卫星依赖度的卫星定位系统。

33. 多源导航平台：是指利用卫星定位导航、移动通信定位导航、惯性导航（IMU）、无线（WIFI）定位导航以及磁力、重力、雷达、MEMS等多种导航设备和传感器数据融合，提供当时场景最优导航服务的平台。

34. 人机控制转换及事件记录：智能汽车在行驶过程中会随车速变化、突发事件产生及消失等状况不同，产生人和机器之间驾驶权交接。驾驶权转换交接时需要对具体时间、控制内容、车辆运行数据、道路交通环境等信息进行记录，以利于后续的责任判定。

35. 型号核准：是指对无线电设备在进入市场前进行测试、认证，从源头上减少设备间的无线电干扰，保证频谱资源科学合理、有效统一使用。

36. 入网许可：是指接入公用电信网的电信终端设备、无线电通信设备和网络间互联设备，必须符合国家规定的标准并取得主管部门颁发的进网许可证。

37. 实体标识：是指在物理空间里用来准确描述每一辆智能汽车的实物标志，如现在使用的车辆号牌。

38. 逻辑标识：是指在网络空间里用来准确描述每一辆智能汽车的虚拟身份码（ID），如现在使用的ETC卡、汽车电子标识等产品的ID。

39. 分域隔离机制：是指为避免越权访问，将恶意攻击对系统的影响控制在最小范围，按照不同安全等级要求，将不同的网络进行分别管理的制度设计。

40.多层纵深防御体系：是指通过系统的多层防御屏障，在单一防线失效时能够通过其他防线弥补或纠正的安全防护系统。

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。

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

1、2017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。

2、2017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%。

3、2017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。

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。

图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。

图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%。

图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

图 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。

图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。

图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。

当 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。

图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。

图 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。

图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。

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

SaaS与PaaS、IaaS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SaaS、PaaS到IaaS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ASP（Application 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“云”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%和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IaaS及PaaS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5到10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2017年Q1-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，LTV在CAC的3-5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。

外贸——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

在“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OTA与GDS）。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

从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。2016年4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2010年3月，并于2014年6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2016年8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CRM与OA/HRM、ERP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CRM、HRM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CRM、ERP、OA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SaaS与PaaS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。