时空数据是数字资源体系的核心组成，感知体系的完善和AI等技术的应用奠定了时空数据大规模工程化应用的基础。我们认为，数字经济发展有望带动时空数据应用市场快速发展，企业和大众用户市场以及国际化市场的应用拓展，有望为行业打开广阔的成长空间。
摘要
数据已成为战略性生产要素，时空数据是数字资源体系的核心组成。据《数字中国发展白皮书（2022年）》，在数字中国战略推动下，国内数据产量和数字经济规模快速增长，2022年中国数据产量同增22.0%至8.1ZB，占全球数据产量10.5%，数字经济规模同增10.3%至50.2万亿元，占GDP比重41.5%。数字经济时代，数据被列为第5类生产要素，时空数据是数据资源体系的核心，现实生活中80%的数据与时间或空间相关。时空数据具有大数据典型特征，海量多源数据的高效准确处理技术挑战较大。
时空数据是AI的天然应用场景，新一代信息技术打通了数据和应用间的鸿沟。时空数据呈现出“爆发式”增长趋势，IDC研究表明全球数据产量每18个月增长一倍，预计2025年将达到175ZB。AI、云计算等新一代信息技术被广泛用于时空数据处理，ArcGIS、ENVI、PIE、SuperMap，GEOVIS等国内外软件大量采用了AI算法。SAM、SegGPT为代表的大模型具备零样本或小样本训练和泛化学习能力，头部企业积极布局时空影像处理大模型，我们认为这将有望助力行业实现降本增收。
数字中国牵引时空数据应用，应用边界拓展助力市场规模扩张。据中国地理信息产业协会，2021年国内时空数据产业市场规模7524亿元，74%的市场集中在信息服务环节。我们认为，随着天空地一体化数据感知体系的完善，以及时空数据云服务平台的成熟，时空数据具备了大规模工程化应用的基础，除政务服务和特种领域外，时空数据服务在企业和大众用户市场渗透率有望快速提升。此外以卫星遥感、导航为代表的时空数据具有全球化特征，我们认为国内企业有望凭借数据、技术等方面的优势，在国际市场上拓展出更广阔的市场空间。
我们看好数字经济时代时空数据的发展前景，认为需求牵引、政策支持和技术进步背景之下，行业优质企业有望快速成长。建议关注数据采集、处理、存储、分发、应用等环节优质企业。
风险
数字中国相关政策推进不及预期；国内应用服务需求波动；海外市场拓展不及预期。
正文
数据是战略性生产要素，时空数据是数据资源的核心
数字中国建设驱动数字经济发展，数据已成为战略性生产要素
数字中国已成为现代化发展新战略，各领域建设已取得积极成效。数字中国旨在推动数字技术在各个领域的广泛应用，二十大报告指出要加快建设网络强国、数字中国，建设数字中国是推进中国式现代化的重要引擎。2023年2月，中共中央、国务院印发了《数字中国建设整体布局规划》，明确了数字中国建设的顶层框架。据《数字中国发展白皮书（2022年）》，大陆在数字基础设施、数字资源体系、数字经济、数字政务、数字生态文明等方面的建设均已取得积极成效，其中数据资源方面：2022年大陆数据产量同比增长22.7%至8.1ZB，占全球数据产量10.5%，全国一体化政务数据共享枢纽发布数据资源1.5万类，累计支撑共享调用超过5000万次，有效的起到了推动经济发展、改善民生福祉、优化治理能力以及促进社会创新与发展的作用。
图表1：数字中国建设总体框架
资料来源：中国政府网，中金公司研究部
数字经济成为经济发展的新形态，2022年中国数字经济市场规模达到50.2万亿元。数字经济是农业经济、工业经济之后经济发展的新形态。2021年发布的十四五规划纲要明确指出，要“迎接数字时代，激活数据要素潜能，推进网络强国建设，加快建设数字经济、数字社会、数字政府，以数字化转型整体驱动生产方式、生活方式和治理方式变革”，为数字经济向纵深发展指明了方向。近年来大陆数字经济快速发展，据中国信息通信研究院的数据，2022年中国数字经济市场规模达到50.2万亿元，同比增长10.3%，占GDP比重较上年提高1.80ppt至41.48%，已经成为推动经济高质量发展的主要力量之一。
图表2：2016-2022年中国数字经济市场规模
资料来源：中国信息通信研究院，中金公司研究部
图表3：2016-2022年中国数字经济占GDP比重
资料来源：中国信息通信研究院，中金公司研究部
数据是数字经济发展的基础要素，已成为第五类生产要素。2019年10月党的十九届四中全会首次将数据明确纳入生产要素，成为与土地、劳动力、资本、技术并列的第五大要素。2022年国务院发布《关于构建数据基础制度更好发挥数据要素作用的意见》，提出构建数据基础制度体系，促进数据高效流通使用。在数据经济时代，数据已成为与土地、资本、劳动力、技术并列的第五类生产要素。数据要素渗透于生活和经济活动的各个环节，能够使其他生产要素的配置更加高效。
数据资源体系是数字中国建设的两大基础之一，“数据二十条”明确数据基础制度。数据资源体系是畅通数据资源循环、释放数据要素价值的前提和基础。2022年国务院印发《关于构建数据基础制度更好发挥数据要素作用的意见》（简称“数据二十条”），系统提出大陆数据基础制度框架，指出要构建政府、企业、社会多方治理的数据资源发展模式，更好的发挥数据要素的作用。据《移动GIS原型系统构建及其应用研究》（黄辉，2008年），人类日常生活和经济活动中有80%以上的信息与空间位置有关。推动数字经济发展、实现数据高效流通使用过程中，离不开高精度的时空信息作为底层支撑性基础技术。
时空数据：认知世界万物的基础，数据资源体系的核心组成
时空数据是现实生活中最常见的数据，是数据资源体系的核心组成。时空数据是兼具时间和空间属性的数据，包含对象、过程、事件在空间、时间和语义等方面的关联关系。随着数据获取方法的快速进步，以及互联网、物联网和云计算等信息技术的高速发展，全球时空数据总量快速增长。据《移动GIS原型系统构建及其应用研究》（黄辉，2008年），人类日常生活和经济活动中有80%以上的信息与时间或空间位置有关。时空数据正日益成为现代化治理能力、经济运行机制、社会生活方式以及各行业领域发展的底层驱动要素，是数字资源体系的核心组成。
图表4：时空数据的常见类型
资料来源：时空大数据与云平台（理论篇）（吴信才，2018），中金公司研究部
时空数据包含时间、空间和属性三维属性。时空数据所刻画的对象分布于空间实体当中，其特征通常随时间变化而变化。时空数据具有时间、空间和属性三个方面的固有特征，可看作是地物要素某种特征的一种描述方式：
► 时间维：地物要素信息具有时态性，其特征随时间变化而变化，需要精确的时间基准加以描述；
► 空间维：地物要素信息具有空间分布特征，且其空间分布具有可测量性，需要高精度的空间基准；
► 属性维：在时间和空间维的基础上，需要附加与地物要素相关的属性或专题信息，以刻画地物要素的相关特征。
图表5：时空数据的基本概念和表达方式
资料来源：时空大数据与云平台（理论篇）（吴信才，2018），中金公司研究部
图表6：时空数据的分类方式
资料来源：城市规划新技术应用学术委员会公众号，中国管理科学学会大数据专委会公众号，京东城市操作系统白皮书，《时空大数据面临的挑战与机遇》（王家耀、武芳等，2017），中金公司研究部
时空数据具有大数据的典型特征，处理分析的技术挑战较大
时空数据获取途径较为广泛，产业链涉及“采、编、存、发、用”等环节。时空数据反映了包括社会、经济、文化、工作、学习、生活等人类活动的时空规律，是上述活动数据在基础时空框架内空间化或时间化的表达。随着基础测绘、信息技术的进步，时空数据生产、测量手段不断丰富，逐渐形成“天空地”一体化的数据测量手段，其中天基数据主要来源于卫星、飞船、空间站等航天器提供的遥感、定位数据，空基数据主要来源于无人机、遥感飞机、临近空间飞行器等产生的遥感数据和航空测绘数据，地基数据主要来源于物联网、车联网等平台的网络数据，海基数据主要来源于船舶、浮标等为海上和水下平台的监测数据。
图表7：时空数据产业链示意图
资料来源：武汉大学，中金公司研究部
时空数据具备大数据的典型特征。随着时空数据获取方式的多元化、数据种类多样化发展，时空数据规模日益庞大，已具备大数据的“5V”特征：（1）数据海量（Volume），人类生活和经济活动时时刻刻在产生各类数据，累计数据规模日益庞大；（2）数据类型多样（Variety），时空数据广泛来源于卫星、传感器、测绘设备、社交媒体、移动设备等多种数据源，同时也包含了大量的数据类型；（3）时间尺度多变（Velocity），时空数据产生和更新速度较快，既有实现分析处理的需求，也有对历史数据处理和比对的需求；（4）数据质量要求高（Veracity），时空数据来源多样使其具有较高的信噪比，且处理过程常需要融合处理多源数据，对数据质量要求较高；（5）价值密度低（Value），时空信息的数据量庞大，真正有价值的数据缺较为稀少，数据处理过程需要在庞大的数据集中提取较为稀少的有价值数据进行处理。
时空数据处理的技术难度较大，效率和精度是核心技术指标。时空数据应用分析过程涉及多个环节，处理过程较长且技术难度较大。时空数据处理涉及数据预处理、数据融合与集成、数据分析与挖掘、数据建模与预测、数据可视化与交互，以及隐私与安全保护等环节，数据处理过程面临着数据规模和复杂性、数据质量和一致性、异构数据源和格式、高维度和动态性、可视化和交互，以及数据安全政策监管等多方面挑战，使得时空数据处理具有较高的难度。为了克服上述挑战，时空数据处理过程大量引入先进信息技术，以提高时空数据处理的效率和精度。
时空数据是AI的天然应用场景，AI助力行业降本增收
Meta发布SAM处理技术是时空数据应用的痛点，新一代信息技术驱动处理技术升级
时空数据具备大数据“5V”特征之外，也具备丰富的语义特征和关联特征。时空数据除具备大数据的海量、多维等特征外，也具有丰富的语义特征和时空维度的动态关联特性，具体表现为以下几点：
► 时空数据的要素包括对象、过程、事件等，且上述要素在时间、空间、语义等方面具有关联约束关系；
► 时空数据在空间和时间上具有动态演化特性，且上述基于时空数据的变化是可被度量的；
► 时空数据具有尺度特性，根据不同比例尺的大小、采样颗粒度及数据单元划分的详细程度，可以建立时空数据多尺度分析、表达模型。
数据量日益庞大、用户要求逐渐提高，处理技术成为时空数据应用的痛点。随着物联网、互联网技术告诉发展，以及数据获取手段的多样化，时空数据呈现出“爆发式”增长的趋势，根据IDC的统计数据，全球数据产量每18个月增长一倍，预计2025年全球数据总产量将达175ZB，其中80%的数据与时间和空间位置有关。此外，时空数据的应用逐渐渗透到人类生产、生活的不同环节，用户对服务响应的实时性要求越来越高。面对日益庞大的数据规模以及日渐提高的用户需求，传统的数据处理技术已经难以满足时空数据高效存储和实时处理的需求。
图表8：时空数据分析处理的难点
资料来源：《论时空大数据及其应用》（李德仁等，2015），中金公司研究部
新一代信息技术被大量引入时空数据存储管理、处理分析和智能挖掘等环节，推动了时空数据工程化应用。面对时空数据应用的痛点，传统集中式书存储管理策略和串行时空数据分析方法以难以满足实际应用需求，分布式存储、并行计算、AI等新一代信息技术被大量引入，实现时空数据的高效处理，快速、准确提取其中价值信息。
► 硬件方面：处理器从早期的多核处理器、众核处理器，发展到分布式集群和云计算模式，并基于云平台提供IaaS、PaaS和SaaS三大类服务；数据存储模式从集中文件存储模式，发展到分布式文件管理系统。
► 软件方面：计算框架从面向多线程的OpenMP，发展到面向众核处理器的CUDA、OpenCL和面向分布式集群的MPI、Spark等技术框架；数据管理模式从基于文件的管理模式，发展到基于数据库的管理模式。
► 算法方面：从传统面向结构化格栅数据和半结构化矢量数据的串行算法，发展出并行的空间数据处理方法，在数据挖掘环节引入AI算法提升时空数据的智能化处理和空间分析能力。
图表9：新一代信息技术在时空数据处理中的应用
资料来源：《论时空大数据及其应用》（李德仁等，2015），中金公司研究部
图表10：驱动时空数据应用发展的主要信息技术
注：纵坐标是衡量各项技术影响强度的无量纲指数
资料来源：《地理信息系统应用概论》（崔铁军，2017），中金公司研究部
AI技术被广泛引入时空数据处理，打通数据与场景间的鸿沟
时空数据处理涉及海量数据处理，AI算法的引入打通了数据和应用之间的鸿沟。时空数据的处理计算涉及数据采集、接入、存储、分发、管理、分析、应用等不同环节，数据处理分析过程往往面对的高时空动态、多源异构、低价值密度的海量数据处理，在应用端不同行业的需求日益精细化。在时空数据源和下游应用需求快速发展的背景下，传统的时空数据处理方法在成本、精度、效率等方面已经难以有效满足实际应用需求。随着AI算法的进步，时空数据预处理、模型训练、图像识别、结果可视化等环节中已大量引入AI算法，加速了下游应用场景的成熟。
图表11：AI算法打通了数据与场景间的鸿沟
资料来源：《时空AI赋能数字孪生城市白皮书(2021)》，中金公司研究部
时空数据智能分析已形成标准分析框架，AI算法在大量商业软件中得到应用。目前基于智能算法的时空数据分析已形成标准化框架，在信息点、路网、影像或轨迹数据的基础上，将数据转换成标准数据格式以便于智能化处理，引入标准时空数据集基于机器学习或深度学习算法，构建时空数据分析模型并对模型进行训练和部署，最终应用到不同行业的具体应用场景当中。Synthetaic公司发布的快速自动图像分类（RAIC，Rapid Automatic Image Categorization）产品，能够实现AI模型云端部署和对海量遥感数据的自动分析，ArcGIS、ENVI、ERDAS Imagine、PCI Geomatica、PIE、SuperMap，GEOVIS等国内外主流时空数据处理软件中均已引入AI智能算法。
图表12：基于AI算法的时空数据分析流程
资料来源：《时空AI赋能数字孪生城市白皮书(2021)》，中金公司研究部
时空数据处理进入大模型时代，助力节降时空数据处理成本
时空数据处理是AI的天然应用场景，数据处理过去经历了从人工解译到“AI+定制化辅助”的过渡。时空数据的处理包含地理空间数据采集、数据解译两大环节。数据采集依靠地面接收系统并通过数字化，为后续的信息分析和内容提取做准备。数据解译主要是通过算法、模型对采集的时空数据进行识别和解析。时空数据处理方法的演进过程经历了两个发展阶段：
► 纯人工解译阶段：在AI技术达到如今的成熟程度之前，时空数据解译工作最初由人工或半自动化方法识别，数据解译效果高度依赖标注人员，人工成本高且解译成果转化率低，且难以实现定量化的解译分析。
► AI+定制化辅助阶段：随着AI逐步被应用到时空数据处理中，逐渐发展出机器学习或深度学习的算法与框架，多源异构时空数据融合算法、面向数据挖掘的时空数据分析框架等，在样本集建立、标注等环节引入人工辅助实现人机协同，最终实现提高时空数据解译效率的效果，使在时空数据量大幅增长的背景下，高效、准确完成大量时空数据的解译成为可能。
AI算法大幅提升时空数据的处理效率，使服务个性化的定制需求成为可能。美国航天技术公司Maxar研发了“海星”系列信息服务（SeaStar Information Service），利用AI技术分析海洋数据，以达到帮助渔业公司优化运营、保护养殖资产等目的。此前，Maxar服务的客户以政府部门和特种领域为主，随着AI技术的大规模应用，公司不同产品线逐渐能够满足不同商业公司的个性化定制需求，使公司成功在下游不同行业拓宽其客户群体，以较小的数据处理和软件开发成本实现营业收入的大幅增加[1]。
图表13：Maxar“海星”信息服务系统地形图、天气报告及海洋条件界面
资料来源：Maxar公司官网、中金公司研究部
SAM、SegGPT等大模型有望使时空影像处理实现无监解译，提升时空数据处理的自动化水平。2023年4月，Meta发布SAM（Segment Anything Model），北京智源人工智能研究院（BAAI）也推出了SegGPT（Segmenting Everything in Context）， 计算机视觉领域出现类ChatGPT模型：
► SAM：字面意义即可以对任意图像进行分割的模型，SAM可以接受文本提示、基于海量数据训练获得泛化能力，其出现使得提示（Prompt）创新方案从自然语言处理领域（NLP）向计算机视觉（CV）领域延伸，相比传统AI模型，SAM具备接受多模态输入、零样本或小样本训练和泛化学习能力的特点。
► SegGPT：即可以通过上下文图像提示对所有目标对象完成分割，SegGPT是中国科学家在SAM同时期的成果，相比传统AI模型，SegGPT是通用图像分割大模型，能够接收上下文信息，完成对图像和视频的任意分割任务，同时能够通过调整提示完成对下游任务场景的微调，不需要更改预训练模型参数。
高效、准确自动化解译是时空数据应用的关键难题，我们认为SAM和SegGPT大模型具备接受多模态输入、零样本或小样本训练和泛化学习能力的三大特点，将进一步提升遥感数据处理效率和拓宽下游任务应用场景有望使时空影像数据实现无监督解译，提升时空数据处理的自动化水平。
图表14：SAM大模型功能介绍（上）、SegGPT模型处理流程（下）
注：SAM大模型图示相关功能简介：用交互式动作点和框进行操作，可以实时自动分割图像中的所有内容，可以为不明确的提示生成多个有效掩码
资料来源：MetaAI，Segmenting Everything in Context、中金公司研究部
基于大模型的零样本或小样本训练和泛化学习能力，能够提升时空数据分析时效和精度，节降模型配置成本和人工成本。传统影像类时空信息处理或语义分割过程中，针对不同的应用场景和分析任务，常常面临频繁大量标注样本数据的限制。以SAM为代表的图像分割大模型，具有零样本或小样本训练、泛化能力强、模型精度高的特点，可以在不需要任何标注的情况下，对任何图像中的任何物体进行分割，有效的提升时空数据解译的效率、精度以及普适性。国内多家时空数据服务商发布了图像分割大模型，中国科学院空天信息创新研究院牵头研制了“空天·灵眸”模型，商汤科技基于SenseEarth平台研发了具有3.5亿参数规模的遥感大模型，航天宏图发布了“天权”视觉大模型，有效解决了原有“AI+遥感”业务模式下样本标注及模型泛化的局限性。
Planet Labs是全球领先的卫星图像和地理空间解决方案提供商。Planet Labs 2020年成立于美国，专注于通过遥感星座进行全球遥感监测，应用于农业监测、灾害监测、城市规划等领域。Planet Labs主要业务包括三部分：1）卫星星座，通过部署大规模小型卫星星座，实时获取高频率、高分辨率的遥感观测影像；2）遥感数据，提供包括卫星影像在内的多源遥感数据，应用于环境监测、农业管理和城市规划等场景；3）数据分析和洞察：利用机器学习和人工智能技术，对海量遥感数据进行处理和分析，提供有关地表变化、趋势和模式的解决方案。
Planet Labs同AI公司Synthetaic合作，实现海量卫星数据精准识别和应用。Planet Labs在2023年GEOINT会议上宣布[2]，与人工智能公司Synthetaic合作，利用Synthetaic公司RAIC平台实现对海量卫星遥感影响的处理。RAIC能够通过分析海量的多维图像数据集，快速实现对象标记、人工智能建模和解决方案部署。Planet Labs将RAIC技术引入卫星遥感影像处理之后，能够有效提高海量卫星遥感影响的分析效率和识别精度，进一步激发了卫星遥感数据的应用潜力。
Planet Labs基于RAIC零样本/小样本训练和泛化能力，实现遥感数据检测和分析过程中的时效和精确度提升、模型配置成本和人工成本节降。根据Synthetaic官网[3]介绍，RAIC产品能够实时学习TB级的地理空间数据，具备零样本或小样本训练、无监督和泛化学习能力，在遥感数据的训练过程中不需要人工标签干预和针对特定对象和场景的额外训练，实现对于目标对象的分钟级检测。
► 在数据层面：RAIC产品能够实时学习TB级的地理空间数据，提升目标检测时效和精确性。根据Planet Labs官网介绍[4]，公司在运营中积淀了大量的地理空间数据，但依靠人工打标签等形式效率低、成本高，RAIC产品能够在几分钟之内自动学习Planet Labs卫星遥感提供的TB级地理空间数据，从根本上降低了数据收集到解决方案形成之间的延迟，规避了人工标签质量低影响检测准确度的问题。
► 在算法层面：RAIC产品具备零样本或小样本训练能力，降低下游任务场景的模型配置成本。根据Synthetaic官网介绍，用户可以根据训练时间和进度要求选择快速或者深度训练两种模式：快速训练，针对重视时间效率的下游任务，用户直接调用大模型运行新数据，不需要额外样本进行训练；深度训练，针对重视检测精度的下游任务，用户可以使用少量的特定场景样本微调模型，提升检测精度。因此，合作厂商不需要在本地配置大量的算力、样本数据和研发人，降低了下游任务场景的模型配置成本。
► 在应用层面：RAIC具备泛化学习的能力，能够适应不同下游场景需求，实现人工成本节降。根据Synthetaic官网介绍，RAIC产品通过用户提供的示例图像，在未标记的数据集筛选类似的对象，并持续对比结果和原始图像进行自我学习和迭代，取代了数据结构化、标签化的过程。因此，合作厂商不需要在不同场景重新对数据打标签、定制AI模型和数据分析，而是通过大模型的自我迭代实现业务需求，降低了配置大量数据科学家和工程师的人工成本。
图表15：RAIC产品训练流程示意图
资料来源：Synthetaic官网，中金公司研究部
数字中国牵引时空数据应用，商业和国际市场打开成长空间
天空地一体化感知体系不断完善，时空数据应用场景不断拓宽
天空地一体化时空数据感知体系不断完善，多维度时空信息保障能力加速应用市场发展。随着信息技术的不断发展，天基、空基、地基等时空数据感知体系不断完善，下游市场对多维度时空信息综合保障能力的需求不断提升。过去时空数据的获取主要依赖摄像头、激光雷达、探地雷达等地面监测手段，以及遥感飞机、无人机等航空探测手段。近年来，随着卫星遥感技术的进步，卫星与地面、空中监测体系融合，形成“天-空-地”一体的立体感知体系，拓展现有对地理空间信息、地表动态信息等信息的感知能力，能够有效改善监管效率、促进生产力的提高。
图表16：融合卫星遥感的天空地一体化监测网大幅提高时空数据获取能力
资料来源：航天世景，中国科学院空天信息创新研究院，海康威视，国家航天局，中金公司研究部
地理环境数据是时空数据应用的主要类型，增值服务围绕空间和时间维度固有属性展开。时空数据感知对象可以分为地理环境数据和社会经济数据两类，其中地理环境数据包括地质地貌、地形海拔、城市区划、道路交通、水系分布、能源矿产、土壤类型、植被类型、沼泽分布等数据，能够反映自然地理、自然资源、社会经济等方面状况，是时空数据服务公共服务、社会经济的主要载体。时空数据的应用主要围绕其固有属性展开：空间方面时空数据通常包含临近性、层次性和距离三类属性，反映目标的空间分布、位置关联性；时间方面时空数据包含临近性、周期性和趋势三类属性，反映目标特征的时间关系、周期性规律以及变化趋势。根据时空数据空间和时间维度的不同特征，对数据进行融合、转化、预处理、建模，发现时空数据中潜在的、有价值的时空模式、关联关系及其随时间的演变趋势，面向不同应用场景衍生出。
图表17：时空数据的固有特征以及六种主要应用类型
资料来源：新加坡国立大学，中金公司研究部
时空数据在各个领域已得到广泛应用，带来了可观的经济和社会效益。技术的发展使得时空数据的收集、存储和处理变得更加高效、准确，城市化进程的加速、环境问题的日益突出以及经济活动的日益活跃，各个领域对时空数据的需求日益增加，时空数据越来越多的应用于各个领域。通过充分利用时空数据，可以提高决策的科学性和准确性，优化资源的配置，提高工作效率。利用时空数据，城市规划者能够制定更合理的城市规划方案，交通管理部门能够实现交通拥堵的改善，环境监测机构进行环境污染的监测和预测等。此外，时空数据应用的成熟，也为各个行业带来新的发展机会，基于时空数据的导航服务、气象预测、智能交通系统等日益成熟，为人们的生活和工作带来了便利。
云服务奠定商业化应用的基础，应用边界拓展助力市场规模扩张
时空数据云服务平台的成熟，奠定了时空数据大规模工程化应用的基础。面向政务管理、公共服务等领域的需求，人们已经研发了多种桌面版、移动版时空数据分析平台，提供跨平台、跨终端的时空数据共享分发、分析应用、可视化等相关服务。传统时空数据分析平台与物联网、云计算等技术结合，使时空数据处理具备分布式、协同化和智能化的特征，由此衍生的IaaS、PaaS、SaaS等服务形式满足了不同领域对时空数据服务的多样化需求，加速了时空数据从科学研究、政务服务向商业应用的落地。
图表18：基于新一代信息技术的时空数据云平台框架
资料来源：中国地理信息产业协会，中金公司研究部
时空数据大量服务于政府、企业及大众用户，数字经济加速时空数据市场发展。政务服务是时空数据的主要应用场景，政府机构利用时空数据实现城市规划、交通管理、环境监测、应急管理等公共管理服务。时空数据采集、处理和应用技术正快速进步，面向企业和大众市场的时空数据服务需求快速扩张，企业利用时空数据优化管理、分析市场、优化供应链管理，大众利用时空数据获取交通信息、天气预报、导航服务等。据中国地理信息产业协会的统计数据，2021年中国时空数据产业市场规模约为7524亿元，同比增长9.2%，信息服务是时空数据头部企业的主要收入来源。我们认为，随着时空数据相关技术的不断进步，以及国内数字经济的深入发展，中国时空数据市场规模有望较快增长。
图表19：2015-2021年中国时空数据市场规模
资料来源：中国地理信息产业协会，中金公司研究部
图表20：2020年中国时空数据百强企业营收结构
资料来源：中国地理信息产业协会，中金公司研究部
时空数据应用边界正不断拓展，国际化市场拓宽行业成长空间。目前时空数据服务下游市场主要集中在政务服务和特种领域，虽然已通过天气预报、高精度地图、位置服务等形式实现了面向企业和大众用户的应用，但企业和大众市场的应用潜力并未充分释放。随着卫星导航、卫星遥感、物联网等大范围数据获取能力的进步，时空数据在传统政务服务和特种领域的应用场景日益精细化，面向新能源、交通、金融、能源、电力等企业用户的应用场景日益成熟，与手机、电脑、可穿戴设备等设备融合，时空数据服务面向大众用户的服务日益多样。此外，以卫星遥感、卫星导航为代表的数据天然具有全球化特征，大多数国家因技术能力、经济水平和人才基础等原因，时空数据基础设施和应用服务体系方面基础薄弱，国内成熟的应用场景和商业模式在国际上有广阔的复制推广空间，国际化市场的拓展有望为国内企业打开更广阔的成长空间。
图表21：遥感卫星已实现高分辨率定量监测能力
资料来源：中国测绘学会，中金公司研究部
图表22：大范围时空数据定量观测技术日益成熟
资料来源：中国测绘学会，中金公司研究部
图表23：中国面向一带一路国家提供气象服务
资料来源：中国测绘学会，中金公司研究部
投资建议和风险提示
投资建议
数字中国是中国制定的重要战略部署之一，数据资源作为数字中国建设的两大基础之一，已被列为土地、劳动力、资本、技术后的第五类生产要素。时空数据是数字资源体系中最主要的类型，人类日常生活和经济活动中有80%以上的信息与时间或空间位置有关。时空数据具有数据海量、类型多样、时间尺度多变、数据质量要求高、价值密度低等特点，AI、云计算、并行计算等新一代信息技术打通了时空数据与应用场景间的鸿沟。
我们认为随着空天地一体化数据感知体系不断完善，时空信息云服务平台不断成熟，除传统政府部门、特种领域外，企业和大众用户市场时空数据服务市场有望快速发展。时空数据服务应用边界的不断拓展，以及国际化市场需求的释放，国内时空数据应用服务在不同领域的应用场景有望快速成熟，带动数据采集、处理、存储、分发、应用等环节企业较快发展，政策支持、技术进步有望进一步加速上述进程。
► 数据采集及处理环节：重点推荐具备产业链一体化能力，或在垂直/细领域具备垄断优势或领先优势的企业。
► 存储分发环节：重点推荐数据中心产业链龙头企业。
► 应用环节：受益于AI技术成熟商用，时空数据价值得已深度挖掘赋能千行百业，建议关注AIoT龙头企业。
风险提示
数字中国相关政策推进不及预期的风险。近年来，国内陆续发布了数字中国相关的相关政策，推动数字要素、数字基础设施、数字经济的发展。数字中国相关政策正在密集落地，不排除未来发生部分政策落地进度不及预期的风险。
国内下游应用服务需求波动的风险。时空数据应用服务尚处于商业化早期，下游不同领域应用需求释放早期存在一定波动性。若国内宏观经济波动、部分领域应用需求释放发生波动，可能会导致行业整体需求出现一定波动的风险。
海外市场拓展不及预期的风险。目前时空数据产业链企业的收入大多集中在国内，随着国内技术和应用的成熟，以及一带一路等国际合作的深入，国际化的需求有望逐步释放。国际市场拓展不确定性较强，可能发生市场拓展不及预期的风险。
[1]相关信息来源：https://www.maxar.com/products/seastar-information-service
[2]https://spaceref.com/space-commerce/planet-announces-ai-partnerships-at-geoint-2023/
[3]https://www.synthetaic.com/product
[4]https://www.planet.com/company/customer-stories/
文章来源
本文摘自：2023年7月26日已经发布的《时空数据：数字要素的核心组成，AI的天然应用场景》
刘中玉 分析员 机械军工 SAC 执证编号：S0080521060003 SFC CE Ref：BSP722
车姝韵 分析员 电信软件教育 SAC 执证编号：S0080523050005 SFC CE Ref：BTM272
陈昊 分析员 科技硬件 SAC 执证编号：S0080520120009 SFC CE Ref：BQS925
刘婧 分析员 机械军工 SAC 执证编号：S0080523070005
于钟海 分析员 电信软件教育 SAC 执证编号：S0080518070011 SFC CE Ref：BOP246
陈显帆 分析员 机械军工 SAC 执证编号：S0080521050004 SFC CE Ref：BRO897
法律声明