1、且，规划全文共62次提到“安全”，可 见监管对金融科技的网络安全保持了高度的关注。 如下（图1）所示，左侧为传统的信息安全要素，右侧为 金融科技的网络安全要素： 保密性 完整性 可用性 C I A Confidentiality Integrity Availability 传统的信息安全要素 交易安全 数据安全 传统网络安全技术 及安全管理 T D C Transaction Security Data Security Cyber Security 金融科技的网络安全要素 安全身份认证 交易智能风控 安全服务 安全技术工具 数据全生命周期管理 个人信息保护 2018-2019年度金融科技安
2、全分析报告 | 9 交易安全： 针对交易安全领域，高达61%的被调研企 业均使用“风控识别（反欺诈应用、风险 动态监测、用户行为分析等）”技术来驱 动金融业务，表明风控识别成为金融科技 企业在交易安全领域的重点实施载体。 数据安全： 在我们的调研分析中，数据安全在金融科 技安全中被赋予了最多的关注。无论是 已发生的安全事件比较集中在数据安全 领域、未来计划增聘的网络安全专业人员 主要集中在数据安全与个人保护领域，还 是未来仍需加强的网络安全领域比例高达 71%等，均体现出数据安全已经成为金融 科技企业安全的关键领域及要素。 传统网络安全技术及安全管理： 在前期普遍已投入资源部署传统网络安全 技
3、术及措施的背景下，传统网络安全技术 及安全管理领域不存在影响金融科技企业 总体安全性的决定因素。“抗DDoS”及“ 安全咨询服务（企业整体风险评估）”这 两项传统网络安全技术及管理领域的服 务，成为金融科技企业向外主要采购的网 络安全服务（比例均达到47%)；而在传 统网络安全技术领域，“Web应用防火墙 （WAF）”成为金融科技企业向外主要采 购的网络安全技术工具（比例达到71%)。 金融科技企业普遍拥有大量的技术研发人 员，精于研发符合自身业务特点及要求的 应用系统及工具，但以上数字表明传统的 安全技术工具仍然是属于“术业有专攻” 的模式。即使是研发能力领先的金融科技 企业，也仍然持续采购
4、及使用外部专业公 司的安全工具，未在安全工具自研领域投 入更多的资源。 10 | 2018-2019年度金融科技安全分析报告 具体调研 及分析报告 03 总体的调研及分析结果： 1. 在过去一年中， 所有被调研企业均表示发生过不同类 型的网络安全事件， 其中， 针对客户资料及企业重要业 务数据的安全事件成为发生频率最高的安全事件类别， 合计高达44%的比例 （造成 “客户资料泄露” 约22%， 以及 “企业敏感信息泄露” 约22%） ； 而 “DDoS攻击” （占到21%的比例） 及 “有害程序攻击， 如网络勒索、 病毒、蠕虫” （占到20%的比例）则成为传统安全攻 击类别的主要手段， 特别是
5、勒索病毒及蠕虫， 延续自 2017年以来WannaCry的余波， 仍然在2018年至2019 年上半年成为持续影响金融科技企业主要的网络安全 风险。 2. 40%的被调研金融科技企业以 “私有云” 作为其使用云 计算服务的方式。 3. 金融科技企业的网络安全从业人员认为 “大数据” （比 例达70%） 与他们的工作相关程度最高， 可见大数据在 业务风控、 精准营销还是传统网络安全防御领域， 均是 金融科技网络安全的关键手段； “移动互联网” （比例 为61%） 及 “云计算” （比例为61%） 紧随其后， 成为金 融科技行业网络安全从业人员最关注及日常从事最多 的工作领域。 过去1年中，您的企
6、业遭受过哪种类型的网络安全事件？ 客户资料泄露 企业敏感信息泄露 身份盗用 DDoS攻击 网站内容篡改 22 10 21 6 20 20 8 4 22 被控制和利用成为攻击源 软硬件设备设施故障 其他 有害程序攻击， 如网络勒索、病毒、蠕虫 作为网络安全从业人员，您认为哪些技术或概念与您的 工作息息相关？ 区块链 人工智能 大数据 生物识别 云计算 物联网 边缘计算 其他 33 70 61 34 61 30 18 1 55 移动 互联网 2018-2019年度金融科技安全分析报告 | 11 4. 在另外一个调研及分析结果里，很好地响应了上一项分析结果，即只有20%的被调研企业没有利用大数据来驱
7、动 或者助力金融业务，其余的企业均在精准营销、风控识别、改善经营、服务/产品创新等一个或多个领域展开了大 数据利用，具体如下： 您所在的企业在哪些方面利用大数据来驱动金融交易业务？ 风控识别（反欺诈应用、风险 动态监测、用户行为分析等） 没有开展大数据 驱动的业务 精准营销（客户画像、 企业画像、营销方案等） 服务/产品创新 （客户个性特征、风险偏好、服务升级、 跨界融合、资源整合等） 20 61.3 42.5 42.5 2.6 60 改善经营（提高金融业务效率、 优化产品组合、舆论分析等） 其他 5. 与大数据在用户画像、精准营销及风险防控等领域被集中应用不同，人工智能作为近一年半以来的热点
8、应用，仍 然未能出现能够集中体现其价值的核心领域，这表现在超过72%的被调研的金融科技企业逐步在其金融业务中使用 人工智能技术，然而，有关使用却分散于各个领域： 我们认为这表明人工智能技术在金融科技领域依然面 临“水土不服”的状态，仍然需要更多的时间才能实践 出能够充分发挥人工智能优势的金融应用领域。 您所在的企业在哪些方面应用了人工智能来驱动金融业 务？ 没有开展任何人工 智能驱动的业务 交易搜索及可视化 （聊天机器人等） 36 38 11 20 21 32 20 19 承保、定价和 信用风险评估 智能投顾 28 6 自动索赔流程 估值模型 交易算法 其他 客户风险预警 合同分析器（OCR等
9、） 12 | 2018-2019年度金融科技安全分析报告 交易安全领域 在金融科技企业向外采购的网络安全技术服务中，“威 胁情报服务”达到35%的比例，这表明金融科技因线 上交易的业务特点而普遍采取了对应身份认证及可疑交 易风险的安全控制手段。针对威胁情报的具体内容，占 比最大的仍然是传统网络安全风险领域的“漏洞情报” （51%），而针对交易安全领域的安全内容则涵盖了： 恶意域名情报（比例达50%） 恶意IP地址库情报(41%) 恶意文件样本库情报（41%） 灰黑产账号信息（38%） 可疑移动设备信息（26%） 针对交易安全的攻击统计里，金融科技企业在过去一年半里面，普遍反映遭受到多种类型的业
10、务安全攻击， 几乎没有企业能够独善其身，具体包括： 交易安全（恶意贷款、积分套现、低价购买、市场营销活动薅羊毛等）（比例达33%） 账户安全（登录、注册、绑定关系找回）(33%) 系统级缺陷（二次打包、接口安全、应用层漏洞、数据存储）（33%） 支付安全（支付系统逻辑缺陷、支付行为可信、支付数据篡改、高并发资源竞争、信用卡套现/欺诈） （17%） 其他类型的攻击（21%） 另外，针对数据/隐私安全的攻击也达到31%的比例，我们将在后续有关数据安全领域的分析中再详细阐述。 结合您的经验，您认为目前威胁情报最具价值的内容是什么？ 10 20 30 40 50 60 没用过，不清楚 恶意IP地址库情
11、报 恶意域名情报 恶意文件样本库情报 漏洞情报 灰黑产账号信息 可疑移动设备信息 其他 0 19 48 50 41 51 38 26 3 有关的数据表明，在针对安全风险极高的身份验证领 域，类似灰黑产账号信息及可疑移动设备信息等，金融 科技企业仍然未普遍使用或者不愿意使用，其中的原因 与另外一个调研结果相响应，即： 企业安全负责人认为威胁情报“有一定效果，但不知如 何价值最大化”（占比达41%），同时，企业也在使用 灰黑产账号信息及可疑移动设备信息等服务时，“感兴 趣，但预算不够或不知道如何使用”（占比达33%）。 可见，有关情报及服务如何更好地集成到金融科技的安 全平台或者安全工具里，以便取
12、得威胁关联分析和攻击 溯源等良好的效果的课题，依然未在实践中得到良好的 解决，我们认为系统异构及金融科技业务多样性是主要 的原因；这也同时表明有关的服务及应用在未来时间段 内将仍然拥有较为快速的增长需求及可能性。 2018-2019年度金融科技安全分析报告 | 13 数据安全领域 72%的被调研企业已经有意识并且部署及使用数据脱 敏的手段以保护客户及员工的个人信息，但是却仍然有 37%的企业未与用户签署用户隐私协议以获取用户对 企业使用个人信息的授权。这体现出金融科技企业虽然 在具体的数据应用及保护实操层面已经采取了积极的措 施，但在跟进个人信息保护的最新法律、法规要求方面 存在一定的滞后性。
13、 1. 41%的被调研企业均反映在使用云服务的过程 中，曾遭遇数据及隐私保护方面的风险事件，这 表明业务数据及个人信息数据在使用第三方存储 及处理服务方面，仍然存在心理信任、实际合规 符合性不足、透明度不足的问题。 2. 国际上至少17个主要经济体国家及地区（包括中 国），在过去两年中均制定或者实行与个人信息 保护有关的法律、法规，导致收集大量个人信息 并基于个人信息展开大量处理的金融科技企业， 面临极大的合规压力与成本挑战。 中国也由法律、法规及监管指引等层面均出台了 一系列法律效力不等的个人信息保护及数据安全 保护要求。 在您的企业使用云计算服务过程中，曾遭遇过哪些安全 风险点？ 28 4
14、1 39 40 36 6 34 未遇到任何安全风险 身份认证 数据及隐私保护 访问控制 网络安全 应用安全 其他 1996-至今 持续更新 中国香港The Personal Data (Privacy) Ordinance 2006俄罗斯Russian Federal Law on Personal Data The Data Localization Law 2016印度尼西亚Protection of Personal Data 2017白俄罗斯Informatisation and Protection 2017. 5日本Act on the Protection of Personal
15、 Information (APPI) 2017. 6中国网络安全法 2017. 10新加坡Personal Data Protection Act 土耳其Law on the Protection of Personal Data (LPPD) 2017. 12波兰Personal Data Protection Act (PDPA) 2018. 2法国Draft Data Protection Law 2018. 5德国Bundesdatenschutzgesetz, BDSG 英国Data Protection Act 2018 2018欧盟General Data Protection
16、 Regulation 南非Protection of Personal Information (POPI) 巴西General Personal Data Protection Act 2019印度Personal Data Protection Bill 2020. 1美国California Consumer Privacy Act (CCPA) 14 | 2018-2019年度金融科技安全分析报告 3. 71%的被调研企业表示，“数据安全及隐私保 护”是企业目前及未来最需要加强的网络安全领 域，这一项网络安全工作的受关注度及重要性远 远超过其它网络安全工作领域。这一数字及比例 表明，
17、由于监管合规关注度增强、个人信息主体 对个人信息保护意识度及要求的提升，金融科技 企业正加大在此网络安全领域的投入。 4. 在应用新技术（主要指AI和大数据）的过程 中，41%的被调研企业反映“大数据存储安全（ 数据加密等）”及31%的被调研企业反映“大数 据使用和开放安全（访问控制、共享等）”是他 们普遍遇到安全问题的领域。这显示AI技术的利用 仍然处于初期阶段，而大数据的存储及共享使用 已经给金融科技企业带来普遍的共性风险，需要 金融科技企业在未来更加专注地投入资源及精力 进行管理及应对，这也是大数据的风险特征及其 使用目的所造成的。 全国人大 国标委 网信办 网信办 国标委 网信办 网信
18、办 网信办 网信办 网信办 银保监会 法律 推荐性国家标准 行政法规 行政法规 推荐性国家标准 行政法规 行政法规 行政法规 行政法规 行政法规 行业监管指引 全国人民代表大会 中华人民共和国国家 互联网信息办公室 国家标准化 管理委员会 网络安全法 信息安全技术 个人信息安全规范 个人信息和重要数据出境安全 评估办法（征求意见稿） 关键信息基础设施安全保护 条例（征求意见稿） 信息安全技术数据出境安全 评估指南（征求意见稿） APP违法违规收集使用个人信息行为 认定方法（征求意见稿） 网络安全审查办法（征求意见稿） 数据安全管理办法（征求意见稿） 儿童个人信息网络保护规定（征求意见稿） 个人
19、信息出境安全评估办法（征求意见稿） 银行业金融机构数据治理指引 颁布机关 法律效力 您认为目前您所在企业中网络安全仍需加强的领域为？ 33 71 25 55 38 21 50 网络安全 业务安全 风险管理 IT审计 其他 5 数据安全及 隐私保护 遵循合规 要求 物理及 环境安全 2018-2019年度金融科技安全分析报告 | 15 1. 针对发生的网络安全事件，被调研企业中有51%可以 在1天内侦测到有关事件，但仍然有高达49%的企业 只能在2天-14天之后才能发现有关事件，其中，需要 14天以上才能发现已发生的网络安全事件的企业达 16%。这些数字及比例表明金融科技企业在安全自动 运营（包
20、括Security Operation Center，安全运营中 心的建设及使用上）领域存在两极分化的现象，一方 面是积极部署安全自动运营及检测机制与工具的金融 科技企业，已经可以快速甚至实时地侦测到有害攻击 及网络安全事件；另外一方面是缺乏有效监测及防入 侵工具的金融科技企业群体。这与安全自动运营（包 括SOC）的设备联接复杂、部署时间较长、投资较大 有关。但长达14天以上的网络安全事件侦测时长，不 得不引起广大金融科技企业网络安全管理层的关注。 2. 针对发现的网络安全技术漏洞，被调研企业中有57% 需要花费2天-7天的时间完成漏洞修补，这一数据与 金融科技企业普遍关注系统的主动稳定性及可
21、用性有 关，表明金融科技企业在更新系统补丁工作上的保守 态度；特别地，仍然有13%的企业需要花费14天以上 的时间完成漏洞修补，我们认为这是本次调研中发现 的、金融科技企业最大的网络安全风险来源。 传统网络安全技术及安全管理领域 在过去1年中，所有被调研企业均表示发生过不同类型的网络安全事件，其中， 针对客户资料及企业重要业务数据的安全事件成为发生频率最高的安全事件类别，合计高达44%的比例（“客户资 料泄露”约22%，以及“企业敏感信息泄露”约22%） “DDoS攻击”及“有害程序攻击，如网络勒索、病毒、蠕虫”则成为传统安全攻击类别的主要手段，占到20% 左右的比例，特别是勒索病毒及蠕虫，延
22、续自2017年以来WannaCry的余波，仍然在2018年至2019年上半年成为 持续影响金融科技企业网络安全的主要风险。 另外值得关注的是，由于“软硬件设备设施故障”所造成的可用性中断的问题，比例竟然也达到20%，属于所有 网络安全事件中发生频率较高的风险之一，我们认为这一比例表明金融科技企业在过往几年中，将网络安全注意 力放在防范外部技术攻击的同时，可能忽略了传统网络安全风险中这一内部可用性风险。 根据您企业漏洞管理现状，估算您的企业平均漏洞修补 时间要多久？ 15 14 14 58 1天 2天-7天 8天-14天 14天以上 16 | 2018-2019年度金融科技安全分析报告 参考资料
23、 中国人民银行金融科技（FinTech）发展规划（2019-2021年） 中国信通院2019年中国金融科技生态白皮书 普华永道第21期全球CEO调研中国报告 普华永道2018年中国金融科技调查报告 FSB, Fintech: Describing the Landscape and a Framework for Analysis ISOISO/IEC 27000:2014 Information technology - Security techniques - Information security management systems Overview and vocabulary
24、3. 在金融科技企业向外采购的网络安全产品及服务 中，“抗DDoS产品”及“抗DDoS服务”均排名靠 前，分别为56%及47%，这与前面我们了解到金融科 技企业普遍受到“DDoS攻击”（比例21%）的结论 表明金融科技企业在线上业务载体普遍受到流量攻击 的同时，也在积极寻求外部专业技术及服务协助。 4. 在普华永道第21期全球CEO调研中国报告 中，51%的金融业受访CEO均计划在未来12个月内招 聘更多员工；而在我们本次的调研中，只有6%的被 调研金融企业表示在未来年度会减少网络安全人员编 制，换句话说，94%的企业将在来年持续加大网络安 全投入，包括聘请更多的网络安全专业人员，其中， 计划
25、增聘10位网络安全专业人员的企业达到7%的比 例。这些数字及比例表明网络安全人才市场仍然处于 卖方市场，特别是专业的金融科技专业网络安全人才 仍然处于供不应求的状态。 5. 在网络安全的预算投入方面，35%的被调研企业计划 在来年增加20%以内的网络安全预算，10%的被调研 企业拟增加20%-50%的网络安全预算。这些数字及比 例表明网络安全对金融科技企业业务的重要性正在不 断增强，也表明企业管理层对网络安全的认可及关注 正在不断增加。 6. 在传统网络安全的基础保障管理领域，超过一半 （58%）的金融科技企业部署及实施了“安全开发生 命周期（S-SDLC）管理体系”。这是一项比较耗资 源的网
26、络安全防护措施，但能够极大地将网络安全风 险往“事前”、“业务前端”转移，相对来说可以更 有效地防止网络安全风险产生实质性的影响，可见金 融科技企业已经普遍认识到它能够带来的效果，也愿 意投入更多地资源在这一耗费较多人力资源的领域。 2018-2019年度金融科技安全分析报告 | 17 展望 没有百分之百的网络安全工作，也没有百分之百的网络安全保障手段及解决 方案，网络安全工作是一项长期投入并需要各业务条线及各职能部门共同配 合及推进的工作。 数据安全持续成为金融科技行业的工作重点在这一项长期的工作里，网络 安全的内涵及其在每个行业的应用内容，均在不断地发生变化。正如我们在 开篇所阐述的，自上
27、一期金融科技安全分析报告至本次分析报告期间，金融 科技的网络安全趋势及具体内容已经发生了较大的变化，譬如在2018年至 2019上半年期间，无论是网络安全事件比较集中发生在数据安全领域、或者 是企业拟向数据安全领域投入较多的资源等，均体现出数据安全正成为监管 高度关注、行业风险集中的领域。我们预计数据安全在未来两年内持续成为 金1 中国主要城市交通分析报告以高德交通大数据发布平台、大数据开放平台、阿里云MaxCompute及相 关数据挖掘方法为支撑基础，描述城市交通现状、呈现演变规律、预测未来发展趋势，专注拥堵成因及解决对 策的研究。本季度报告由高德地图联合“国家信息中心大数据发展部”、“中国
28、社会科学院社会学研究所”、 “清华大学-戴姆勒可持续交通联合研究中心”、“同济大学智能交通运输系统（ITS）研究中心”、“未来交 通与城市计算联合实验室” 等机构共同联合发布，在此一并表示感谢。高德地图愿与政府、企业、院校等研究 机构保持开放合作，共建交通共同体。 联合发布联合发布 2 The Statement 概 述 本研究报告由高德地图智慧交通 业务中心数据分析团队撰写，所载全部内 容仅供参考。 报告是基于高德4亿月活跃用户和交 通行业浮动车数据，通过大数据挖掘技术 结合交通算法及交通理论编制，保证报告 合理性与科学性。报告中地面道路交通通 行时间计算方法，是考虑融合道路交叉口 延误时间
29、（即信号灯等待时间），从时间、 空间、效率三个维度客观、综合地反映了 城市道路交通健康状况并提出诊断方案的 研究。报告力争做到精准、精细、精确， 为公众出行、机构研究及政府决策提供有 价值的参考依据。 报告中所涉及的文字、数据、图片及 标识等所有内容均受到中国著作权法、专 利法、商标法等知识产权法律法规以及相 关国际条约的保护。未经高德事先书面许 可，任何组织和个人不得将本报告中的任 何内容用于任何商业目的。如引用发布， 需注明出处为“高德地图中国主要城市 交通分析报告”，且不得对报告进行有 悖原意的引用、删节和修改。报告以中文 编写，英文版由中文版翻译而成，若两种 文本间有差异之处，请以中文
30、版为准。 The Statement 声 明 3 “ 交通评价是一个极其复杂的工程，虽然大数据可以反映城市运行规律和特征，但源于数据来源和样本交通评价是一个极其复杂的工程，虽然大数据可以反映城市运行规律和特征，但源于数据来源和样本 渗透的差异性，认识的局限性，设备的不足等困难，更科学、更精确、更有价值是我们一直追求的目标。”渗透的差异性，认识的局限性，设备的不足等困难，更科学、更精确、更有价值是我们一直追求的目标。” 欲了解您所在城市交通拥堵数据，请访问： 感谢您的关注，敬请留意后续研究结果的发布 注：注： 高德4亿MAU来源于QuestMobile 常规说明 城市城市范围：范围： 样本样本说
31、明：说明： 城市道路公共交通评价、地面道路交通评价分别进行独立计算。 时间时间说明：说明：全天 06:00-22:00 早高峰07:00-09:00 晚高峰17:00-19:00 无特殊说明，本报告统计时间均为2019年7月1日2019年9月30日 数据数据呈现：呈现： 地面交通50城 选取 分析分析范围：范围： 360城市+全国高速 选取 公共交通25城 地面道路交通评价 采用“六宫格”综合指标表示城市交通运行健康状况，多项指标兼容GB/T 36670-2018城市道路交通组织设计规范交通组织方案评价。 城市道路公共交通评价 “公交出行幸福指数”采用“公交全天运营速度、社会车辆与公交车速比
32、及全市全天线路运营速度波动率”三项指标综合评价城市地面公交效率。 4 Report description 编制说明 根据高德地图开放平台人口定位和交通流量大数据，通过算法融合挖掘识别出城市人车出行活跃核心 区，该核心区范围为本报告城市道路路网评价范围。 地面地面道路道路交通交通：六宫格-健康综合诊断 公共公共道路道路交通：交通：增加城市道路公共交通运行评价 出行 速度 公交全天运营速度 全市全天线路运营 速度波动率 社会车辆与公交车 速比 地面公交出行幸地面公交出行幸 福指数福指数 城市道 路公共 交通 路网高延 时运行时 间占比 路网高峰 拥堵路段 里程比 路网高峰 行程延时 指数 高峰平
33、均 速度 道路运行 速度偏差 率 时间时间 空间空间 效率效率 交通健康指数交通健康指数 九宫格 矩阵 地面道 路交通 六宫 格 常发拥堵 路段里程 比 5 Report description 编制说明 更新说明 人车出行活跃核心区人车出行活跃核心区（ “人“人+ +车”大数据，车”大数据，全息全息勾勒城市核心区边界勾勒城市核心区边界） 人流 车流 紫色填充区域 高德LBS定位数据 高德地图驾车数据 人车出行活跃人车出行活跃 核心区核心区 6 Report description 编制说明 更新说明 注：如无特殊说明，城市研究范围以此区域为准 重要POI、AOI 城市道路公共交通运行分析 地
34、面公交出行幸福指数 公共交通服务水平分析 主要城市交通运行健康评价 主要城市交通拥堵分析 全国高速运行态势分析 01 城市地面道路交通运行分析 出行夜生活 02 03 智能+出行 社会经济价值研究 04 夜生活、夜经济分析 重点区域拥堵分析 潮汐通勤-深圳 交通专项分析 05 一 城市道路公共交通运行分析 8 权重确定方法熵值法 1）各项指标运用最大最小值归一化处 理，并考虑指标的正反向进行调整 2）计算第j项指标下第i个样本值占该指 标的比重 3）计算第j项指标的熵值 4）计算信息熵冗余度 5）计算各项指标权重 最终计算各指标权重如左图所示。 排名得分方法TOPSIS 1）对于反向指标采用取
35、倒数进行同向处理，然后进行数据规范化 2）利用欧式距离计算与最优最劣目标的距离，并乘以权重 3）计算各评价对象与最优方案的贴近程度 值越接近1，表示评价对象越优秀。在城市健康指数中，所得结果即代 表着该城市健康水平与最优目标的接近百分比。 注：注： 受每个季度数据波动影响，各季度指标权重、正负理想值存在一定波动；故“幸福指数”仅供季度内城市间横向比较参考，同城不同季度的“幸福指数”的比较无意义。 地面公共交通是城市交通的重要组成部分，综合、客观地描述城市地面公交运营水平，有利于更综观地评价城市交通水平。高德首创综合性评价“地面公交出行幸福 指数”来全面刻画城市地面公交运行状况，从“全市全天线路
36、运营速度波动率”、“人口出行热度核心区全天公交平均运营速度”、“人口出行热度核心区高峰期社会 车辆与公交车速比”多个维度描述城市地面公交运行水平。该指数算法沿用国际通用的信息熵法客观确定评价指标权重（该方法在政府权威部门、社会经济、学术领域 的各类报告中得到广泛普遍应用）；同时，采用TOPSIS正负理想解的计算进行排名，最终评分结果代表各城市指标与理想值之间的接近程度；需要注意，受每个季度 数据波动影响，各季度指标权重、正负理想值存在一定波动。“地面公交出行幸福指数”越高说明离理想值越近，城市地面公交运行水平越高；指数越低则说明多项指 标距离理想值越远，相对水平越低。 “地面公交出行幸福指数”
37、地面公交出行幸福指数”计算说明计算说明 全市全天线 路运营速度 波动率, 25.02% 公交全天运 营速度, 25.23% 社会车辆与 公交车速比, 49.76% 三项指标信息熵权重分配 9 特大城市 大中型城市 超大城市 地面公交出行幸福指数地面公交出行幸福指数宁波宁波“幸福指数”最高“幸福指数”最高 61.87% 61.15% 56.07% 53.64% 65.40% 63.71% 63.67% 48.06% 89.96% 82.32% 66.07% 63.22% 62.74% 60.66% 59.21% 58.66% 58.14% 57.83% 57.64% 49.23% 0.00%50
38、.00%100.00% 北京 深圳 重庆 广州 天津 成都 南京 沈阳 宁波 石家庄 长沙 兰州 南宁 厦门 杭州 东莞 昆明 乌鲁木齐 青岛 绍兴 地面公交出行幸福指数 2019 Q3地面公交出行幸福指数城市分布图 10 所研究城市在2019Q3期间，宁波宁波、石家庄石家庄、长沙长沙等等1010个城市的个城市的指数较高指数较高，说明 其公交运行效率、可靠性、相对城市交通水平的综合表现较好； 宁波地面公交出行幸福指数最高，与正理想值最接近，达到89.96%；北京和天北京和天 津分别津分别在超大城市中和特大城市中“幸福指数”位列前茅。 1.925 1.932 1.993 1.994 2.049
39、2.053 2.056 2.065 2.066 2.118 1.0001.5002.0002.500 长沙 厦门 东莞 石家庄 兰州 南宁 天津 北京 南京 宁波 高峰社会车辆-公交运营速度比 将公交运营速度与同时段同时段、同线路同线路的社会车辆速度对比，能够较直接、客观地反映公交运行效率与城市交通效率的相对水平，值越小表示两者速度差距也越 小。研究范围内的城市在2019Q3期间，长沙城市核心区长沙城市核心区内内的高峰期的高峰期“社会社会车辆车辆- -公交公交车速度比车速度比”最小最小，小汽车速度是公交的1.925倍；除了长沙除了长沙、厦门厦门、东莞东莞、 石家庄外石家庄外，其余城市车速比均在
40、2.000以上。 全天线路运营速度波动率，为每条线路全天班次运营速度波动率的加权平均值，反映公交运营速度的变化水平；该值越小该值越小，城市公交的运行效率越城市公交的运行效率越稳定稳定。在 研究范围内的城市中2019Q3期间，宁波的“全市全天线路运营速度波动率”最小，公交运营效率最稳定。 城市高峰期“社会车辆城市高峰期“社会车辆与与公交车速比公交车速比”普遍大于普遍大于2.02.0，长沙公交出行效率与小汽车最长沙公交出行效率与小汽车最接近接近 注：注： 指标指标基于基于各城市全市或核心区各城市全市或核心区内、实时数据质量较高的公交线路计算得到。内、实时数据质量较高的公交线路计算得到。 高峰期高峰
41、期社会车辆社会车辆- -公交车运营速度比公交车运营速度比，为城市核心区内、工作日早晚高峰时期，同期同线路社会车辆速度与公交车运营速度的比值；其中，公交运营速度，指包含 公交停靠站行为对速度影响的公交车辆速度。 全天线路运营速度波动率全天线路运营速度波动率，为每条线路全天班次运营速度波动率的加权平均值，反映公交运营速度的变化水平；值越小、速度波动越小、运行效率越稳定。 9.76% 11.69% 14.22% 15.13% 15.76% 15.81% 15.81% 16.03% 16.10% 16.18% 0.00%5.00%10.00%15.00%20.00% 宁波 石家庄 乌鲁木齐 成都 深圳
42、 绍兴 兰州 天津 杭州 长沙 全市全天线路运营速度波动率 11 地面公交出行幸福指数地面公交出行幸福指数高峰期社会车辆普遍是公交车速的高峰期社会车辆普遍是公交车速的2 2倍以上倍以上 公共交通服务水平分析公共交通服务水平分析贵阳、青岛、天津轨道交通站贵阳、青岛、天津轨道交通站点衔接率增幅最大点衔接率增幅最大 0.0% 20.0% 40.0% 60.0% 80.0% 100.0% 深 圳 市 北 京 市 上 海 市 广 州 市 重 庆 市 哈 尔 滨 市 成 都 市 南 京 市 沈 阳 市 武 汉 市 天 津 市 昆 明 市 长 春 市 大 连 市 苏 州 市 西 安 市 杭 州 市 石 家
43、庄 市 合 肥 市 青 岛 市 乌 鲁 木 齐 市 2019Q32018年末 特大城市 大中型城市 TOP10 超大城市 城市名城市名城市规模城市规模2019Q32019Q3较较20182018年末变化年末变化量量 深圳市超大88.4%1.2% 北京市超大87.5%2.3% 上海市超大86.2%2.7% 广州市超大85.7%2.8% 重庆市超大75.9%2.1% 哈尔滨市特大93.0%93.0%5.1% 成都市特大89.6%6.3% 南京市特大86.0%7.2% 沈阳市特大82.6%-3.0% 武汉市特大76.9%2.4% 天津市特大70.7%8.8%8.8% 昆明市大中94.0%94.0%3
44、.4% 长春市大中90.6%90.6%6.3% 大连市大中90.1%90.1%2.2% 苏州市大中87.7%0.9% 西安市大中86.0%3.6% 杭州市大中85.7%4.4% 石家庄市大中84.6%1.5% 合肥市大中84.4%7.7% 青岛市大中84.1%12.1%12.1% 乌鲁木齐市大中83.3%0.0% 南宁市大中83.2%-8.8% 贵阳市大中82.7%12.3%12.3% 无锡市大中82.1%-1.2% 郑州市大中82.0%2.6% 佛山市大中80.8%0.0% 东莞市大中79.3%7.3% 长沙市大中78.9%-1.3% 福州市大中78.3%1.9% 南昌市大中77.7%-0.
45、2% 宁波市大中74.8%-4.2% 厦门市大中71.2%2.5% 除“地面公交出行幸福指数”外，报告还分析了轨道交通站点衔接率轨道交通站点衔接率、换乘系数换乘系数、平均步行距离和候平均步行距离和候 车时间车时间。这些指标也是反映城市公共交通服务水平的重要度量。 对比所研究城市在2019Q3和2018年末的轨道交通站点衔接率发现： 绝大多数城市轨道交通站点衔接率均有提升；有有4 4个城市个城市（哈尔滨哈尔滨、昆明昆明、长春和大连长春和大连）的衔接率超的衔接率超 过过9090%，比2018年末多2个；贵阳贵阳（1212. .3 3%）、青岛青岛（1212. .1 1%）和天津和天津（8 8. .
46、8 8%）的轨道交通站点衔 接率提升最大，意味着这些城市的轨道交通与地面公交接驳水平提升最为显著。 部分城市衔接率有所下降，这可能与这些城市轨道交通快速扩张、公交配套服务未能及时跟进有关。 注：注： 轨道交通站点衔接率轨道交通站点衔接率指的是一定范围内有公交车站的轨道交通出入口占城市总轨道交通出入口的比例，具体计算方法参见国标。 12 4 4城市衔接率超城市衔接率超90%90%，贵阳、青岛、天津较，贵阳、青岛、天津较20182018年末增幅最大年末增幅最大 西宁西宁99%99%公交出行至多换乘公交出行至多换乘1 1次可达，深圳在超大城市中公交出行换乘系数最小次可达，深圳在超大城市中公交出行换乘
47、系数最小 特大城市 大中型城市 TOP10 超大城市 1.0001.2001.4001.600 深圳 重庆 广州 上海 北京 哈尔滨 沈阳 天津 南京 成都 武汉 西宁 厦门 柳州 兰州 呼和浩特 温州 烟台 福州 洛阳 绍兴 换乘系数 63% 54% 50% 42% 40% 76% 63% 55% 54% 52% 51% 82% 74% 73% 72% 71% 71% 71% 70% 70% 69% 0%50%100% 直达占比一次换乘占比多次换乘占比 1.365 1.241 1.183 注：注： 换乘系数计算方法参考国家标准（GB/T 32852.1-2016）。 13 公共交通服务水平公
48、共交通服务水平分析分析西宁西宁99%99%公交出行至多换乘公交出行至多换乘1 1次次 根据高德地图2019Q3公交规划数据，计算每个城 市公交出行的换乘系数换乘系数和平均步行距离平均步行距离，来判断城市公 交出行的便捷度。 换乘系数反映城市公交出行中换乘相对量，为乘车 出行人次与换乘人次之和除以乘车出行人次；该值越低， 公交出行中需要换乘（含地面公交、地铁内部换乘和地 面公交、地铁间换乘）的出行越少，公交出行越便捷。 分析发现： 超大城市换乘系数普遍高于特大城市，而特大城市 又普遍高于大中城市。 超大城市中，深圳深圳（1 1. .365365）公交的换乘系数最小， 哈尔滨哈尔滨（1 1. .2
49、41241）、西宁西宁（1 1. .183183）公交的换乘系 数分别在特大和大中型城市中最小。 大中型城市的公交出行需求中，至多换乘1次可达 的占比普遍较高，上榜大中型城市均超90%；而超 大城市公交该比例普遍较低，仅深圳超90%。 对于平均换乘次数最小的西宁西宁，82%的公交出行需 求不必换乘、9999%的需求至多换乘的需求至多换乘1 1次次就可以到达 目的地。 绝大多数城市公交出行平均步行距离小于绝大多数城市公交出行平均步行距离小于1km1km，深圳超大城市中平均步行距离最短，深圳超大城市中平均步行距离最短 020040060080010001200 深圳 广州 重庆 北京 上海 哈尔滨 沈阳 天津 武汉 成都 南京 西宁 乌鲁木齐 厦门 烟台 兰州 绍兴 长沙 青岛 济南 福州 进出公交系统平均步行距离平均换乘距离 （米） 803米 702米 702米 进入公共 交通系统 离开公共 交通系统 车站 车站 换乘 起点 终点 平均步行距离指城市中公交系统
