汽車行業(yè)專題研究：如何讓“枯燥”的汽車數(shù)據(jù)研究更有效.pdf

汽車行業(yè)專題研究：如何讓“枯燥”的汽車數(shù)據(jù)研究更有效。汽車行業(yè)數(shù)據(jù)眾多，研究框架的搭建既要仰望天空，也要腳踏實地。2008-2021 年汽車行業(yè)的 6 段超額收益全 部發(fā)生在 4 次景氣上行周期內(nèi)，汽車股的走勢有規(guī)律可循。數(shù)據(jù)分析是研判趨勢的基礎(chǔ)，當(dāng)下信息流轉(zhuǎn)速度越 來越快，信息優(yōu)勢帶來的差異化在下降，買方研究對挖掘、解讀數(shù)據(jù)背后邏輯的需求明顯提升，賣方研究如走 平臺化、通道化方式，不站在買方和產(chǎn)業(yè)角度來思考問題，研究價值會明顯打折扣。

底層邏輯的總結(jié)歸納很重要，從繁雜的數(shù)據(jù)中找到最有效的線索緊密跟蹤。從需求驅(qū)動因素考慮，乘用車消費 增長來自收入持續(xù)增長；2012 年我們提出商用車卡車保有量增長的宏觀邏輯是經(jīng)濟總量的增長而非增速，卡車 具有成長性。務(wù)必要注意底層邏輯數(shù)據(jù)的變化，而不是簡單的總結(jié)投資口訣，2020 年疫情后市場普遍認(rèn)為歷史 上經(jīng)濟下行期消費需求都更有韌性，可能會強勢復(fù)蘇，但我們發(fā)現(xiàn) A 股上市公司工資支出增速和國統(tǒng)局人均可 支配工資都出現(xiàn)了 08 年以來沒有過的增速快速下降，于是我們在 20 年 5 月份提出“疫情后乘用車需求總體呈 弱復(fù)蘇”的判斷，斜率未必陡峭，持續(xù)的時間反而可能較長。

高頻數(shù)據(jù)固然重要，但不能迷信。汽車數(shù)據(jù)從月度到周度不是越高頻越好，也不是各種新鮮來源數(shù)據(jù)越多越好， 高頻數(shù)據(jù)偶然性加大。趨勢不會憑空產(chǎn)生也不會輕易結(jié)束，月度數(shù)據(jù)分析基本可以滿足趨勢研判的需要。月度 數(shù)據(jù)分析其實也并不簡單，需要考慮周全而不能浮于表面，比如 22 年 6 月乘用車銷量增速較高，與占全國銷 量 42%的地方促汽車消費政策到期有關(guān)，7 月乘用車終端環(huán)比小幅減速是很正常的（關(guān)鍵在于提煉地方政策因 素），8、9 月份后年內(nèi)終端銷量月同比增速或創(chuàng)年內(nèi)新高；再比如 18 年前 2 個月乘用車銷量增速高達 22.1%， 不少投資者感覺非常樂觀，但按照歷史政策因素計調(diào)，這一數(shù)據(jù)其實“并不佳”，我們當(dāng)時就提前預(yù)判 18 年 Q4 終端銷量同比大幅負(fù)增長。

建立低成本、可持續(xù)跟蹤的數(shù)據(jù)體系亦非常重要。專家?guī)斓膹V泛運用后買方研究大量時間用在了專家會議及之 后的求證上，然而與時俱進的建立和更新數(shù)據(jù)庫，邏輯勾稽能夠明顯提高效率，還能降低合規(guī)風(fēng)險。2022 年初 我們推出了智能汽車數(shù)據(jù)庫，持續(xù)跟蹤汽車智能化功能的終端滲透率，并從滲透率/ASP/時間軸三維度出發(fā)，提 出基于產(chǎn)業(yè)視角的跟蹤體系及預(yù)判模型：“廣發(fā)零部件投資預(yù)測模型圖 2022 版”，尋找未來零部件值得關(guān)注的 領(lǐng)域。再比如 2010 年我們團隊建立的“汽車成本數(shù)據(jù)庫”，通過拆解汽車構(gòu)成元素、跟蹤大宗商品價格，可以 定量測算成本因素對汽車產(chǎn)業(yè)鏈的影響。最后想說一點，行業(yè)研究體系的搭建與完善需要時間，復(fù)利效應(yīng)是極 佳的，勿因善小而不為。