汽车行业专题研究：如何让“枯燥”的汽车数据研究更有效.pdf

汽车行业专题研究：如何让“枯燥”的汽车数据研究更有效。汽车行业数据众多，研究框架的搭建既要仰望天空，也要脚踏实地。2008-2021 年汽车行业的 6 段超额收益全 部发生在 4 次景气上行周期内，汽车股的走势有规律可循。数据分析是研判趋势的基础，当下信息流转速度越 来越快，信息优势带来的差异化在下降，买方研究对挖掘、解读数据背后逻辑的需求明显提升，卖方研究如走 平台化、通道化方式，不站在买方和产业角度来思考问题，研究价值会明显打折扣。

底层逻辑的总结归纳很重要，从繁杂的数据中找到最有效的线索紧密跟踪。从需求驱动因素考虑，乘用车消费 增长来自收入持续增长；2012 年我们提出商用车卡车保有量增长的宏观逻辑是经济总量的增长而非增速，卡车 具有成长性。务必要注意底层逻辑数据的变化，而不是简单的总结投资口诀，2020 年疫情后市场普遍认为历史 上经济下行期消费需求都更有韧性，可能会强势复苏，但我们发现 A 股上市公司工资支出增速和国统局人均可 支配工资都出现了 08 年以来没有过的增速快速下降，于是我们在 20 年 5 月份提出“疫情后乘用车需求总体呈 弱复苏”的判断，斜率未必陡峭，持续的时间反而可能较长。

高频数据固然重要，但不能迷信。汽车数据从月度到周度不是越高频越好，也不是各种新鲜来源数据越多越好， 高频数据偶然性加大。趋势不会凭空产生也不会轻易结束，月度数据分析基本可以满足趋势研判的需要。月度 数据分析其实也并不简单，需要考虑周全而不能浮于表面，比如 22 年 6 月乘用车销量增速较高，与占全国销 量 42%的地方促汽车消费政策到期有关，7 月乘用车终端环比小幅减速是很正常的（关键在于提炼地方政策因 素），8、9 月份后年内终端销量月同比增速或创年内新高；再比如 18 年前 2 个月乘用车销量增速高达 22.1%， 不少投资者感觉非常乐观，但按照历史政策因素计调，这一数据其实“并不佳”，我们当时就提前预判 18 年 Q4 终端销量同比大幅负增长。

建立低成本、可持续跟踪的数据体系亦非常重要。专家库的广泛运用后买方研究大量时间用在了专家会议及之 后的求证上，然而与时俱进的建立和更新数据库，逻辑勾稽能够明显提高效率，还能降低合规风险。2022 年初 我们推出了智能汽车数据库，持续跟踪汽车智能化功能的终端渗透率，并从渗透率/ASP/时间轴三维度出发，提 出基于产业视角的跟踪体系及预判模型：“广发零部件投资预测模型图 2022 版”，寻找未来零部件值得关注的 领域。再比如 2010 年我们团队建立的“汽车成本数据库”，通过拆解汽车构成元素、跟踪大宗商品价格，可以 定量测算成本因素对汽车产业链的影响。最后想说一点，行业研究体系的搭建与完善需要时间，复利效应是极 佳的，勿因善小而不为。