构建区域、行业、企业大数据发展评估指标

本文涉及的产品
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
云原生大数据计算服务 MaxCompute,5000CU*H 100GB 3个月
简介:

去年全国大数据产业发展平均指数9.99 金融政务应用领先

近日,工信部信软司指导中国电子信息产业发展研究院发布《中国大数据产业发展评估报告(2017年)》(以下简称《报告》),重点聚焦于区域、行业、企业三个层面,通过制定指标体系测算发展指数,剖析发展水平、层次和特点,分析存在的不足和问题,这对于研判应采取的政策措施、推动我国大数据产业快速发展具有积极作用。

 

 

(资料图片 来源于网络)

构建区域、行业、企业大数据发展评估指标

《报告》首先界定了大数据产业的概念。《报告》提出,大数据产业指以数据生产、采集、存储、加工、分析、服务为主的相关经济活动,包括数据资源建设、数据软硬件产品的开发、销售和租赁活动,以及相关信息技术服务。亦可从三个产业层次理解:

一是大数据核心产业:指专门应用于大数据运行处理生命周期的软件、硬件、服务等,包括大数据硬件、大数据软件、大数据服务和行业大数据。其中行业大数据指的是面向行业特点的大数据解决方案等。

二是大数据关联产业:指在大数据运行处理的过程中,为其提供基础设施、处理工具、相关技术等的产业,包括云计算、物联网、互联网、移动互联网、人工智能、虚拟现实等。

三是大数据融合产业:指大数据与其他行业领域融合产生的新兴业态、升级业态,包括智能制造、智慧农业、智慧城市、机器人、智能交通、智慧医疗、智能家居、智能网联汽车等。

同时,《报告》在区域、行业、企业三个方向分别建立了大数据产业评估标准。区域大数据发展评估指标主要围绕我国31个省、市、自治区对区域大数据产业发展水平进行评估。行业大数据发展评估指标主要围绕工业、金融、教育等10个行业对行业大数据发展水平进行评估。企业大数据发展评估指标主要评估开展大数据相关业务的主要企业的发展水平。

区域大数据发展评估主要从三个方向展开:一是评估区域大数据产业发展的基础环境;二是评估区域大数据产业发展水平;三是评估区域大数据应用发展水平。区域大数据发展评估指标由3个一级指标和10个二级指标构成。

行业大数据发展评估主要从四个方向展开:一是评估行业大数据发展的基础环境;二是评估行业数据资源采集及汇集水平;三是评估行业大数据应用水平;四是评估行业大数据应用效益。行业大数据发展评估指标由4个一级指标和10个二级指标构成。包含工业、政务、交通、医疗、教育、旅游、金融、电信、农业和商贸等重点行业。

企业大数据发展评估主要从三个方向展开:一是评估企业的综合发展水平;二是评估企业在大数据领域开展技术和产品研发创新的能力;三是评估企业在市场竞争中地位。企业大数据发展评估指标由基础画像、研发创新和市场拓展3个一级指标和8个二级指标构成。同时,对产业链环节、行业解决方案、特色细分领域大数据企业做了重点剖析比较。

国家大数据综合试验区引领产业发展

《报告》认为,我国各省(市、区)大数据产业的发展由于政策环境、产业基础、应用特点等不同而表现出明显的梯级分布特征,大数据产业发展地区集聚效应显著。

《报告》显示,2016年,国家大数据综合试验区引领产业发展,其所在区域的大数据产业发展总指数在全国大数据产业发展总指数的占比高达38.5%。

2016年,大数据产业区域集聚发展格局逐步形成,长三角地区、珠三角地区、中西部地区和东北地区大数据产业集聚发展态势明显。

《报告》还显示,2016年,我国东部、西部、中部、东北四个分区产业发展差异化明显,从总体水平来看,东部地区大数据发展水平最高,占全国大数据发展总指数的44%,西部地区紧随其后,在全国总指数中占比达到31%。中部地区和东北地区占比分别为17%和8%。

2016年,区域大数据产业发展环境持续优化,各省市的发展环境平均指数为8.2,20个省市的发展环境指数在7以上,占比65%;同时,各省市发展环境阶梯化特征明显,特别是浙江、上海、广东、福建4个省市受信息化发展基础好、组建建设比较完善等因素影响,发展环境指数在10以上。

2016年,各省市大数据产业平稳增长,但发展水平差距较大,全国大数据产业发展平均指数为9.99,北京、江苏、浙江、山东、上海这五大省市大数据产业发展处于全国领先水平,占全国总指数值的比重超过40%。而云南、吉林、河北、内蒙古、广西等11个省市区指数值低于5,占全国指数的比重仅为8.8%。

《报告》表明,2016年,全国各省市积极开展大数据应用,并且以政务大数据为突破口积极推进大数据应用,应用指数平均值为10.67,取得较好成效;同时,大数据应用在发达省市率先突破,广东、浙江、四川、江苏、福建、上海、山东、贵州、河南等排名前10的省市的大数据应用总指数达152.7,占全国的比重超过46%,体现出较强的领先优势。

金融政务大数据应用领先

《报告》认为,我国行业大数据总体发展水平受各行业大数据发展水平受基础环境、数据汇集、行业应用等因素影响,总指数为288.65,平均发展指数为28.87,行业大数据整体发展情况较好,由高至低依次为:金融、政务、交通、电信、商贸、医疗、教育、旅游、工业、农业。

随着《促进大数据发展行动纲要》等政策的进一步贯彻落实,大数据在各行业的应用逐渐加快,进入稳步成长阶段,整体呈现差异化态势,金融、政务大数据在十大行业大数据中凸显引领作用,指数分别为45.37、42.39,占整体指数的比例分别为的16%、15%。

从消费端和生产端来看,消费端(金融、政务、交通、电信、商贸、医疗、教育、旅游)的大数据发展指数占总体发展指数的89%,生产端(工业、农业)的大数据发展指数占总体发展指数的11%,我国行业大数据发展正在由消费端向生产端逐渐渗透。

基础环境优化。随着《促进大数据发展行动纲要》等一系列配套政策的贯彻落地和实施,我国各行业大数据基础环境的持续优化,其中,在政务领域,政策的连续出台使政务大数据的基础环境具有明显的优势,评估指数为16.16,高出平均值6.99,占整体指数的18%,高居首位。

数据汇集现鸿沟。以行业大数据的数据采集率、数据集聚能力和数据流通水平为行业大数据数据汇聚发展水平的主要评估因素,数据汇集总指数为87.88,平均指数为8.79,各行业数据汇集水平呈现较为明显的三阶梯局势,并形成了较为明显的“数据鸿沟”现象。

行业应用差别不大。以行业市场空间、龙头企业/单位投入占比以及行业大数据平台(国家级)数量为评估行业应用发展水平的主要评估因素,大数据行业应用水平评估总指数为109.08,平均指数为10.91,整体来看,行业应用指数差别悬殊不大。医疗、农业行业应用指数分别为5.99、4.39,低于平均指数的4.92、6.52,占整体发展指数的5.49%、4.03%,应用水平将具有巨大的发展空间。

企业实力呈现“金字塔”状

总体来看,我国大数据企业整体呈现“金字塔”状的实力分布。

《报告》显示,从金字塔上层来看,我国大数据企业发展指数高于50的企业数量占比仅为5%,其中大数据企业发展指数处于50到100之间的仅占3.2%,高于100的仅占1.8%,位于金字塔尖端。

从金字塔中层来看,我国大数据企业发展指数处于30到50之间的企业数量占比为6%,处于20到30之间的企业数量占比为19.3%;从金字塔底层来看,我国大数据企业发展指数处于20以下的企业数量占比高达69.7%,可以看出这一区间集聚了我国大多数从事大数据相关业务的中小微企业。

从基础画像来看,我国大数据企业基础画像指数呈现较为明显的斜率变化趋势,按照基础画像指数区间分布,可以分为领军企业、中坚企业、长尾企业三类企业。

一是领军企业优势突出,数量仅占比9.22%,指数和占比为56.30%,指数跨度从53.71到10.73,均值为26.96,极差为42.98;二是中坚企业实力均衡,数量占比29.49%,指数和占比34.95%,指数跨度从10.26到2.06,均值为5.23,极差为8.20;三是长尾企业数量众多,数量占比高达61.29%,指数和占比仅8.75%,指数跨度从1.99到0.08,均值为0.63,极差为1.91。

从技术研发来看,我国大数据企业技术研发指数平均值为9.29,企业分布整体呈现“龙头企业领先、中小微企业为主体”的格局。

从市场拓展来看,我国大数据企业呈现出“主体平稳、少量突出”的分布格局,行业整体呈稳步发展态势,我国大数据企业市场拓展指数平均值为5.92。

《报告》表明,通过对基础画像、技术研发以及市场拓展三大指标在发展指数中的占比情况对标分析,大数据企业可以分为基础带动型、创新驱动型和市场拓展型三大类型。现阶段来看,随着我国大数据产业处于创新发展及应用带动的上升期,我国大数据企业发展大多以研发创新、专利布局等创新驱动为主,比例高达72.3%;以大数据基础软硬件厂商为代表的基础带动型企业占比为15.9%。

《报告》指出,受数据主权以及数据跨境流动等因素的影响,我国大数据企业仍以国内市场为主,大多数企业并未承接相关国际业务,市场拓展型企业占比仅为11.8%,然而,随着国家“一带一路”战略的深入推进,大数据产业也将在“一带一路”沿线国家加紧布局,未来市场拓展型企业比重将有所上升。

《报告》还指出,基于对大数据产业链条的分析研究,将大数据产业链条分为数据采集、数据存储、数据预处理、数据分析挖掘、数据可视化、数据流通等六大环节。

当前我国大数据企业业务范围不断拓展,几乎覆盖了产业链的各个环节,其中以从事大数据分析挖掘业务的企业最为集中,所占比例高达63.7%;从事数据采集业务的企业占比为37.4%;从事IDC、数据中心租赁等数据存储业务的企业比重最低,仅为8.5%;从事数据分类、清洗加工、脱敏等预处理业务的企业占比为27.8%;从事数据可视化相关业务的企业占比14.3%;从事大数据交易、交换共享等数据流通业务的企业占比为18.3%。

随着国家大数据战略的深入推进实施,各地方配套政策和实施细则不断发布和落实,我国大数据产业发展与地方经济发展和传统行业转型升级关系愈加密切,大数据对地方产业融合渗透作用日趋明显,整体呈现普遍发展的繁荣景象。

根据大数据技术及应用的发展情况,重点聚焦数据采集、数据存储、数据预处理、数据分析、数据可视化、数据流通等六大产业环节,并对相关产业环节大数据龙头企业进行分析和评价。

数据分析环节龙头企业发展指数水平较高,发展指数达到20,其他5个产业环节的龙头企业平均指数为13.36,仍与数据分析环节存在不小的差距。

数据分析挖掘作为大数据产业链的核心环节,产业附加值最高,这一环节集聚了大部分有实力的大数据企业,随着大数据产业发展及应用的深入,大数据分析环节必将涌现出更多的独角兽企业。

《报告》显示,根据大数据在政府治理、民生服务以及重点行业的应用情况,重点聚焦政务、工业、健康医疗、交通、农业、金融、教育、能源等17个行业领域,并对相关行业大数据龙头企业进行排名。

《报告》认为,我国主要行业大数据龙头企业呈现“齐头并进”的发展态势,17个主要行业大数据企业平均发展指数为23.10,最高的安防大数据企业发展指数达到39.72,最低的营销大数据企业发展指数为14.55,政务、旅游、教育等12个行业应用大数据企业平均发展指数为22.63,处于全行业发展指数平均值水平,表明我国大多数行业大数据龙头企业发展水平相当。

一方面,安防和安全大数据企业发展水平较高,发展指数均超过30,表明我国专注于安全的大数据领军企业发展层次较高,同时也反映出大数据安全是我国大数据产业发展中的重点领域,相关企业的发展也受到越来越多的关注和重视。

另一方面,电信、能源和营销三个行业大数据企业平均发展指数仅为16.21,低于全行业整体发展指数平均水平,电信、能源等行业大数据发展主要依靠综合性龙头企业带动(本排名并未纳入国内三大运营商以及电力、石油等巨型央企),专业化大数据企业发展空间相对狭小,发展层次有待提高。

《报告》还结合数据中心IDC、基因测序、工控安全、数据库、智能建筑、区块链、虚拟现实、机器学习、计算机视觉、征信分析、商业智能BI、车联网、开源计算、智能语音、工控安全等15个特色细分领域进行分析,认为大数据龙头企业发展水平可主要分为三个区间。

一是从事数据中心业务和基因测序的龙头企业处于第一阵营,两类企业整体发展水平较高,平均发展指数维持在20左右。

二是从事工控安全、数据库、区块链、机器学习、车联网等10类细分领域大数据相关业务的龙头企业处于第二阵营,平均发展指数处于12.35到16.4之间,整体发展较为均衡。

三是以虚拟现实、开源技术和计算机视觉为代表的第三阵营,整体发展指数相对较低,处于11左右,虚拟现实、计算机视觉属于前沿技术,技术研发投入大,应用市场处于起步阶段;开源技术重在技术积累,属于底层核心技术,龙头企业资产及业务收入规模偏小,市场拓展难以形成规模。


本文转自d1net(转载)

相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
相关文章
|
1月前
|
消息中间件 分布式计算 大数据
大数据-166 Apache Kylin Cube 流式构建 整体流程详细记录
大数据-166 Apache Kylin Cube 流式构建 整体流程详细记录
63 5
|
1月前
|
存储 SQL 分布式计算
大数据-162 Apache Kylin 全量增量Cube的构建 Segment 超详细记录 多图
大数据-162 Apache Kylin 全量增量Cube的构建 Segment 超详细记录 多图
58 3
|
1月前
|
消息中间件 监控 数据可视化
大数据-79 Kafka 集群模式 集群监控方案 JavaAPI获取集群指标 可视化监控集群方案: jconsole、Kafka Eagle
大数据-79 Kafka 集群模式 集群监控方案 JavaAPI获取集群指标 可视化监控集群方案: jconsole、Kafka Eagle
52 2
|
19天前
|
机器学习/深度学习 数据采集 搜索推荐
大数据与金融风控:信用评估的新标准
【10月更文挑战第31天】在数字经济时代,大数据成为金融风控的重要资源,特别是在信用评估领域。本文探讨了大数据在金融风控中的应用,包括多维度数据收集、智能数据分析、动态信用评估和个性化风控策略,以及其优势与挑战,并展望了未来的发展趋势。
|
1月前
|
Java 大数据 数据库连接
大数据-163 Apache Kylin 全量增量Cube的构建 手动触发合并 JDBC 操作 Scala
大数据-163 Apache Kylin 全量增量Cube的构建 手动触发合并 JDBC 操作 Scala
29 2
大数据-163 Apache Kylin 全量增量Cube的构建 手动触发合并 JDBC 操作 Scala
|
1月前
|
SQL 分布式计算 大数据
大数据-160 Apache Kylin 构建Cube 按照日期构建Cube 详细记录
大数据-160 Apache Kylin 构建Cube 按照日期构建Cube 详细记录
42 2
|
1月前
|
SQL 消息中间件 大数据
大数据-159 Apache Kylin 构建Cube 准备和测试数据(一)
大数据-159 Apache Kylin 构建Cube 准备和测试数据(一)
50 1
|
1月前
|
SQL 大数据 Apache
大数据-159 Apache Kylin 构建Cube 准备和测试数据(二)
大数据-159 Apache Kylin 构建Cube 准备和测试数据(二)
77 1
|
2月前
|
存储 分布式计算 分布式数据库
深入理解Apache HBase:构建大数据时代的基石
在大数据时代,数据的存储和管理成为了企业面临的一大挑战。随着数据量的急剧增长和数据结构的多样化,传统的关系型数据库(如RDBMS)逐渐显现出局限性。
345 12
|
2月前
|
存储 大数据 索引
解锁Python隐藏技能:构建高效后缀树Suffix Tree,处理大数据游刃有余!
通过构建高效的后缀树,Python程序在处理大规模字符串数据时能够游刃有余,显著提升性能和效率。无论是学术研究还是工业应用,Suffix Tree都是不可或缺的强大工具。
49 6