阅读视图
美媒:马斯克以“构成欺诈”为由向OpenAI、微软提出索赔
国家发改委就《中华人民共和国国家储备安全法(草案,征求意见稿)》公开征求意见
本周宽基指数ETF遭主力抛售逾2000亿
谷神星二号民营商业运载火箭首次飞行试验任务失利,星河动力:全力查明故障原因
SpaceX:猎鹰9号火箭成功将NROL-105送入轨道
国联北京金融运营中心揭牌运营
“十四五”期间我国新增和扩大开放口岸41个
马斯克向OpenAI和微软索赔至多1340亿美元,称其“不当获利”
BBA,势败如山倒

出品 | 虎嗅汽车组
作者 | 魏微
头图 | 视觉中国
2025年BBA的销量季上演“定语大比拼”:“40万以上市场头名”“燃油豪华车销冠”等话术刷屏,被业内戏称为“又到了考验定语的时刻”。
此前部分国产品牌赖以“上周销量榜头名”的文字技巧,竟然被传统豪华品牌拿来主义了。
这些细分口径虽非虚构,却精准掩盖了三巨头集体失速的核心事实。
2025年,奔驰、宝马、奥迪在华销量分别同比下滑19%、12.5%、4.9%,全年销量均跌至70万辆以下,终结了此前五年的高位稳定态势。
| 品牌 | 2025年在华销量(万辆) | 同比变动 |
|---|---|---|
| 宝马(含BMW、MINI) | 62.55 | -12.5% |
| 奥迪(一汽+上汽) | 61.7 | -5% |
| 奔驰(含商用车) | 57.5 | -19% |
传统豪华品牌用文字游戏切割颓势,本质是对市场竞争逻辑重构的被动回应。巨大的惯性之下,BBA在2026年情况或许还会更糟。
本期车圈脉动VOL.18,让我们一起关注传统豪华品牌BBA 2025年在中国市场的销量表现,以及他们在2026年将面对的更大的挑战。
豪华根基真的被国产电动瓦解了吗?
根据奔驰、宝马、奥迪各品牌公布数据,2025年,奔驰在中国市场交付新车57.5万辆(含商用车),同比下滑19%;宝马(含 BMW 和 MINI)在华全年销量为62.55万辆,同比下滑12.5%;一汽奥迪与上汽奥迪总销量约61.7万辆,同比下降约5%。
2025年BBA的集体下滑,绝非短期波动,而是新能源浪潮下的结构性失守。
乘联分会数据显示,2025年全年中国新能源渗透率逼近60%,自主品牌份额升至65%,年末燃油车零售同比骤降30%——而这正是合资品牌深耕多年的优势领域,BBA也无法独善其身。
更值得警惕的是智能化赛道的代差。2025年,L2级辅助驾驶新车渗透率逼近70%,城市NOA车型累计销量超312.9万辆,年初比亚迪“智驾平权”与年末L3牌照落地,都正在重构汽车消费者心智,而BBA在中国智能化军备竞赛中存在感薄弱。
一汽奥迪凭借A6L、Q5L重夺燃油豪华销冠,但其纯电车型Q4 e-tron、Q6L e-tron月销仅200余辆,与同价位国产车型差距悬殊,“燃油豪华销冠”的定语沦为电动化滞后的遮羞布。宝马2026年开年便以30余款车型降价引流,笔者走访时了解到,入门纯电iX1终端价下探至18.75万元,却因智驾、智舱能力不足,叠加驾驶质感缩水,难以转化为有效销量。

宝马开年30余款车型官降,图片系作者拍摄
当然,宝马最走量的燃油车宝马3系、X3和5系并未不在调价之列,原本这些主流车型在终端的优惠力度就很大。因此,此次宝马官方的调价举措,也更像是在春节前为终端带量、引流。笔者走访时看到,尽管是工作日,但宝马4S店内来看车人并不少,其中就包括看到降价消息专程来看车的顾客。
这场官降大戏,本质是用价格换流量的被动防御。但这波引流,能否真正带量?恐怕答案仍不乐观。
用户和渠道用脚投票,BBA翻身还是得靠价格
奔驰看似“守住”的40万元以上高端市场,实际上那个市场的大门可能是“虚掩”着的。比销量下滑更严峻的挑战是消费者正在从品牌溢价叙事逻辑中离开,经销商也再往更赚钱的方向流动。
根据易车研究院分析数据,2025年BBA的用户意向忠诚度不约而同跌破18%,即100个BBA再购用户中想继续买BBA的数量不到18个。与BBA用户不断流失遥相呼应的,是2025年问界、理想、特斯拉与小米的意向再购用户来自BBA的占比,分别高达36.81%、27.22%、24.21%和19.15%。
哪怕随机询问几位BBA用户,“下一辆车还买原品牌吗”,得到的答案是:增购的话会考虑新势力品牌;换车的话会考虑原品牌新车型,但真的要看价格。也有原BBA用户换了某新势力品牌,给出了“旦用难回”的精辟总结。而将同样的问题抛给新势力用户,得到的回答普遍是“会继续考虑原品牌”。随机访谈结论与上述机构数据体现出的趋势基本吻合。
早在2024年,国内豪华品牌和中高端品牌汽车经销商集团中升集团,首次与鸿蒙智行合作,宣布开设50家问界门店,其中不少门店正是从原奔驰、奥迪等品牌4S店改造而来。
到2025年,已有越来越多的原豪华品牌渠道商选择与国产高端品牌合作。在短视频平台上爆火的 “保时捷三姐妹”变身为“尊界三姐妹”便是生动一例。
面对困局,2026年,奥迪将在中国推出全新A6L e-tron、E7X等车型,落地PPE纯电平台,搭载800V高压架构与华为乾昆智驾技术,加速弥补智能化短板。奔驰则计划全年引入15款新车,MB.EA平台首款纯电GLC国产加长版将配备空气悬挂,同时通过MB.OS系统的多次OTA更新,推动AI座舱与领航辅助系统全覆盖,深化“产学研”合作强化本土化技术能力。

海外版新世代BMW iX3亮相2026CES,图片源自宝马集团
最引关注的则是宝马的新世代BMW iX3,国产版将于2026年下半年上市,新车搭载第六代电驱系统、800V平台与“驾控超级大脑”,并融合本土AI功能。当然,这款的定价将直接决定宝马能否在新能源市场进入“新世代”。
在市场份额与利润之间,宝马的决策天平向哪方倾斜十分关键。当然,这也是奔驰与奥迪同样面临的难题。
下载虎嗅APP,第一时间获取深度独到的商业科技资讯,连接更多创新人群与线下活动
2025年浙江义乌外贸进出口突破8000亿元
爱科微启动A股上市辅导,辅导机构为中信建投
5大核心分析维度+3种可视化方案:脑肿瘤大数据分析系统全解析 毕业设计 选题推荐 毕设选题 数据分析 机器学习
脑肿瘤数据可视化分系统-简介
本系统是一个基于Hadoop+Spark的大数据分析平台,专注于脑肿瘤医疗数据的可视化研究。系统后端采用Python语言,结合Django框架构建服务接口,并利用Spark进行大规模数据的高效处理与计算。原始脑肿瘤数据存储于Hadoop分布式文件系统(HDFS)中,通过Spark SQL对数据进行清洗、转换和多维度聚合分析。分析功能涵盖患者人口学特征、肿瘤临床特征、治疗方案与预后效果、临床症状关联性以及高风险因素探索等五大核心模块。处理后的结果经由Django API传递至前端,前端则运用Vue框架结合ElementUI组件库与Echarts图表库,将复杂的数据关系转化为直观的交互式图表,如性别年龄分布、肿瘤位置与恶性程度关联、不同治疗方案生存率对比等,为医疗研究者和临床医生提供一个全面、高效的数据洞察工具。
脑肿瘤数据可视化分系统-技术
开发语言:Python或Java 大数据框架:Hadoop+Spark(本次没用Hive,支持定制) 后端框架:Django+Spring Boot(Spring+SpringMVC+Mybatis) 前端:Vue+ElementUI+Echarts+HTML+CSS+JavaScript+jQuery 详细技术点:Hadoop、HDFS、Spark、Spark SQL、Pandas、NumPy 数据库:MySQL
脑肿瘤数据可视化分系统-背景
选题背景 随着医疗信息化进程的加快,医院积累了海量的脑肿瘤患者诊疗数据,这些数据包含了从患者基本信息到复杂治疗方案的多个维度。脑肿瘤本身作为一种复杂的疾病,其成因、发展和治疗效果受到众多因素交织影响。面对如此庞大且关系错综复杂的数据集,传统的统计分析工具往往显得力不从心,难以快速、全面地揭示隐藏在数据背后的规律。如何有效利用这些宝贵的数据资产,从中发现有价值的临床洞见,辅助医生进行更精准的诊断和治疗决策,成为了当前医疗领域面临的一个实际问题。因此,构建一个能够处理和分析这类复杂数据的系统显得尤为必要。
选题意义 本课题的意义在于将前沿的大数据技术应用于具体的医疗数据分析场景中,具有很强的实践价值。从技术层面看,它完整地实践了从数据存储、分布式计算到前端可视化的全流程,巩固了对Hadoop和Spark生态的理解与应用能力。从应用角度看,系统通过多维度的交互式图表,将原本枯燥的脑肿瘤数据变得直观易懂,能够帮助医学专业的学生或初级研究人员快速把握数据特征,发现一些潜在的临床关联模式,比如特定年龄段的高发肿瘤类型或不同治疗方案的疗效对比。虽然作为一个毕业设计,其分析深度和模型精度有限,但它为探索医疗数据的价值提供了一个可行的方法和思路,展示了大数据技术在精准医疗领域的应用潜力。
脑肿瘤数据可视化分系统-视频展示
[video(video-53oW3KNj-1768628790189)(type-csdn)(url-live.csdn.net/v/embed/510…)]
脑肿瘤数据可视化分系统-图片展示
脑肿瘤数据可视化分系统-代码展示
from pyspark.sql import SparkSession, functions as F
from pyspark.sql.types import IntegerType
spark = SparkSession.builder.appName("BrainTumorAnalysis").getOrCreate()
df = spark.read.csv("hdfs://path/to/brain_tumor_data.csv", header=True, inferSchema=True)
def analyze_age_gender_distribution():
age_group_df = df.withColumn("Age_Group", F.when((df.Age < 18), "少年").when((df.Age >= 18) & (df.Age < 40), "青年").when((df.Age >= 40) & (df.Age < 60), "中年").otherwise("老年"))
result_df = age_group_df.groupBy("Age_Group", "Gender").count().orderBy("Age_Group", "Gender")
result_df.show()
return result_df
def analyze_treatment_survival():
treatment_df = df.withColumn("Treatment_Combination", F.concat_ws("+", F.when(df.Surgery_Performed == "Yes", "手术"), F.when(df.Radiation_Treatment == "Yes", "放疗"), F.when(df.Chemotherapy == "Yes", "化疗")))
survival_df = treatment_df.groupBy("Treatment_Combination").agg(F.avg("Survival_Rate").alias("Average_Survival_Rate"), F.count("*").alias("Patient_Count")).orderBy(F.desc("Average_Survival_Rate"))
survival_df.show()
return survival_df
def analyze_correlation():
correlation_df = df.select("Age", "Tumor_Size", "Survival_Rate", "Tumor_Growth_Rate").na.drop()
age_size_corr = correlation_df.stat.corr("Age", "Tumor_Size")
age_survival_corr = correlation_df.stat.corr("Age", "Survival_Rate")
size_survival_corr = correlation_df.stat.corr("Tumor_Size", "Survival_Rate")
growth_survival_corr = correlation_df.stat.corr("Tumor_Growth_Rate", "Survival_Rate")
print(f"年龄与肿瘤尺寸的相关系数: {age_size_corr}")
print(f"年龄与生存率的相关系数: {age_survival_corr}")
print(f"肿瘤尺寸与生存率的相关系数: {size_survival_corr}")
print(f"肿瘤生长速率与生存率的相关系数: {growth_survival_corr}")
return {"age_size": age_size_corr, "age_survival": age_survival_corr, "size_survival": size_survival_corr, "growth_survival": growth_survival_corr}
脑肿瘤数据可视化分系统-结语
这个项目完整走通了大数据分析流程,从Hadoop存储到Spark计算,再到前端可视化,技术栈很扎实。希望能给正在做毕设的同学一点启发。如果觉得有帮助,别忘了点赞收藏,你的支持是我更新的最大动力!
刚肝完这个基于Spark的脑肿瘤分析毕设,感觉头发又掉了不少😂。数据清洗和特征工程真的太磨人了,但最后看到Echarts图表出来的那一刻,值了!大家选题都定了吗?评论区聊聊,互相避坑啊!