A股核心产业赛道述评月刊（第十八期）：从电动化到智能化，汽车新一轮定价的大β开启了么？

【产业赛道观点】对于汽车智能化的投资认知：汽车产业定价已由电动化向智能化迁移，建议关注：智能座舱、自动驾驶AI大模型等 从产业趋势的角度上看，汽车智能化市场前景广阔，在未来2-3年具备较为明确的产业趋势和增速释放。 1、当前我国汽车智能化率快速提升，NOA搭载正高速增长。我国乘用车智能化指数自2022年起快速上行，当前仍处于高斜率区间。目前我国智能汽车交付量累计同比处于高增速阶段，前装标配NOA（L2+级）的智能汽车交付增势亮眼。 2、市场空间层面，我国智能汽车市场规模有望达万亿级别，具备高投资空间与投资价值。其中，在各细分领域中，V2X、智能座舱、智能底盘等领域市场空间相对较大。 3、业绩预期层面，智能汽车大部分细分环节在未来一年内均有望呈现较好景气表现。其中，高精地图与定位、线控底盘、通信系统、整车制造等细分领域有望持续高景气，而汽车芯片反转预期较强。 从投资配置价值的角度上看，汽车智能化大BETA定价的开启需要智能化逐渐成为产业链盈利的重心 1、当前汽车智能化定价可以明确是汽车及新能源板块内部调仓，是逐渐从绿色化的仓位调整到智能化的仓位的过程，也就意味着智能化开始独立于绿色化产业趋势。 2、汽车智能化定价持续性明确需要汽车产业的盈利重心向智能化环节转移，定价浪潮能否开启背后是汽车产业生态和商业模式的转变，也就是车企逐渐转变为靠智能化为核心的盈利模式。 3、车企向以智能化为核心的盈利模式转化需要在绿色化进程中产品最终形态完成定义之后开启的可能性较大。换句话说：车企逐渐意识到纯造车的功能、标准和路径统一，纯造车并非主要利润来源，智能化卖软件才真正赚钱。 【细分推荐配置】 投资主线已经明确：大盘价值+小盘成长，呼应我们的核心资产投资和产业主题投资。大盘价值就是消费+低估值央企蓝筹作核心资产投资； 小盘成长就是以TMT为代表的AI数字经济作产业主题投资。 短期超配行业：以传媒（人工智能）、计算机（信创）、通信（光模块）、半导体为代表的AI数字经济TMT；消费（家具、食饮、白电）、新技术（智能驾驶、复合集流体、机器人）、电力（火电）。主题投资：关注国企改革以及中国特色估值体系下的国企央企四大主线：通信运营商、建筑、石化、银行；火热的“厄尔尼诺”现象（糖、白电、火电）。 1）AI数字经济TMT：AI数字经济TMT行情2-3年周期看好，不一样的TMT第三波行情正酝酿开启 我们明确提出：以windTMT指数衡量6月下旬开始的TMT行情主跌浪结束，年内第三波TMT行情已经出现酝酿开启迹象。理由逻辑如下：1、定价环境随着人民币汇率出现升值趋势，目前可以判定A股定价环境从弱预期弱现实重回至强预期弱现实。2、我们反复强调的启动信号出现：纳斯达克在降息预期下走高正在步入验证，尤其是AI美股龙头英伟达创新高；等到8-9月微软和英伟达等美股AI龙头业绩释放可以作为第三波TMT行情加速冲顶信号，“年内高位大概率在Q3”或将得到验证。 需要同步声明的是第三波TMT行情可能与前两波存在一些区别：1、短期出现更明显的催化则是快牛，不然第三波是慢牛的可能性更大，对应有基本面（预期）支撑的公司更容易获得市场认可；2、我们反复强调的：电子半导体或有可能是下半年TMT行情的胜负手。3、短期数据要素数字经济对应此前的相对定价洼地值得重视。 对于AI数字经济TMT行情，我们维持“三个不变”:①第一个不变：2-3年周期看好，类比于2019年的新能源车。②第二个不变：我们维持“TMT行情年内高位顶部在Q3”以及“只要经济弱复苏，TMT就不会输”的判断。③第三个不变：下半年TMT行情与上半年将有所区别，电子半导体或有可能是下半年TMT行情的胜负手。 2）泛新能源：对于泛新能源，看好还能够引领技术创新和产品迭代的大盘成长，从产业浪潮的角度“如何找到2016之后的立讯精密”才是对应后续泛新能源景气投资最核心最务实的命题 3）消费：下半年消费超额表现预计将好于上半年，三季度是非常重要的窗口期 第一、对于2023年消费投资，依据去年底中央经济工作会议将把恢复和扩大消费摆在优先位置，我们倾向于认为消费板块全年大概率应该是有超额的。同时，今年消费投资体现出明显的波段属性，一季度涨，二季度跌，我们认为下半年消费超额表现预计将好于上半年，三季度是非常重要的窗口期。值得重视的是：一个与消费高度相关的重要指标建信高金宏观增长因子已经触底回升。 第二、进一步观察消费板块内部的估值和盈利特征，目前白电、家居、厨电、食品加工等板块估值相对偏低，剔除受疫情影响导致业绩突变的板块（如旅游和酒店），2023年预期增速较高的板块有化妆品、家居、品牌服饰等。根据中报业绩预告以及当前估值性价比情况，整体消费细分板块排序为：服装、家具>家电>其他酒类和饮品>零售、休闲食品>白酒>酒店餐饮旅游>其他消费类。当前经济复苏定价在消费内需领域确定性更强，高价消费品需要把握择时，低价消费品持续性更强。 【产业政策和重大事件关注】 1）新能源汽车：五部门发布《开展2023年新能源汽车下乡活动的通知》，中国汽车工业协会组织开展2023新能源汽车下乡活动；2）交通运输：《中华人民共和国国家发展和改革委员会与空中客车公司关于进一步深化航空领域合作的意向书》签订；3）医疗：六部门确定了81个紧密型城市医疗集团建设试点城市。 风险提示：政策推进不及预期；海外货币政策变化。 1.研究框架 1.1.面向未来十年的产业赛道研究 顶层框架主要用于在新政治经济学理论指引下构建产业政策与理论依据、产业驱动力与变量、产业优先次序以及产业验证信号并结合十四五规划的五维产业发展框架。 中长期框架主要用于确定一年及以上时期的产业赛道投资主线。以产业生命周期和行业竞争格局为核心，以全球竞争力为辅助，建立起产业生命周期为X轴，行业竞争格局为Y轴的评估体系，优先选择行业竞争格局改善且产业生命周期处于成长的产业赛道。全球竞争力作为框架辅助研究，主要针对例如宁德时代这种千亿到万亿的投资机遇评估。 评估频次为：年度/半年度，产业生命周期和全球竞争力年度评估，即每年年报披露日； 行业竞争格局半年度评估，即每年年报和中报披露日。 短期框架主要解决一年内的行业轮动问题，认为景气变化是行业短期轮动最核心的依据，把握阶段内行业涨幅胜负手。景气按照研究对象分为产业链景气、行业景气；按照研究内容为绝对景气水平评估与边际景气变化评估。月度行业轮动仅考虑景气边际变化水平，季度行业轮动考虑景气边际变化水平外，还需要考虑景气绝对水平和估值水平，年度行业轮动则将估值因素的占比提高至50%。评估频次为：月度，即每月月底。 实战落地框架主要解决投资组合问题，也就是一旦确定产业赛道后如何能够快速自上而下筛选出可以投资的上市公司标的。评估频次：季度，即财报披露日。 图1.面向未来十年的产业赛道研究 图2.产业赛道评估框架和思路 1.2.产业驱动力、生命周期与行业竞争格局评估 图3.主要赛道产业生命周期判定 图4.当前部分产业渗透率一览 图5.2023年行业竞争格局评估结果 图6.2023年产业全球竞争力评估结果 1.3.逆全球化与人口老龄化对各产业的影响 图7.逆全球化对各产业的影响 图8.七普结果与2030E人口结构推算（10岁及以上）（单位：人） 1.4.部分产业细分梳理与评估 图9.2023年A股盈利增速有望较高的三级细分梳理 图10.2023年处于出清阶段细分评估 图11.2023年下半年预期涨价细分梳理 2.汽车产业新征程，开启智能化定价 智能汽车产业链全景图一览 将智能汽车产业链进一步划分为上中下游，则有： 1）上游：包括传感系统、通信系统、车载软件与芯片，其中传感系统可进一步细分至雷达、摄像头、传感器、陀螺仪，车载软件包括高精地图等；2）中游：包括智能系统与整车制造两部分，更细分地可包括智能座舱、自动驾驶（及解决方案）、热管理等；3）下游：主要为应用及配套服务供应商，如出行服务、数据增值服务、数据标注、仿真测试、云服务等。 图12.智能汽车产业链 产业趋势：AI大模型在自动驾驶中的应用趋势明确 神经网络加快自动驾驶感知算法发展。算法是决定自动驾驶车辆感知能力的核心要素，应用于感知层面的神经网络模型可以分为两类，一类是以CNN、RNN为代表的小模型，另一类是Transformer大模型，当前小模型向大模型迭代趋势明确。 Transformer大模型的注意力机制成为自动驾驶感知算法的利器。Transformer基于注意力（Attention）机制，凭借优秀的长序列处理能力和更高的并行计算效率，2021年由特斯拉引入自动驾驶领域。Transformer与CNN相比最大的优势在于其泛化性更强。CNN只能对标注过的物体进行相似度的比对，通过不断学习完成对该物体识别的任务；而Transformer可以通过注意力层的结构找到更基本的元素与元素间之间多个维度的相关信息进而找到一种更泛化的相似规律。同时，不同于RNN存在存储时间长度有限以及顺序依赖的问题，Transformer模型具有更高的并行计算效率并且可以对长距离依赖进行建模。 图13.自动驾驶系统分为感知、决策和执行三部分 图14.Transformer架构 产业趋势：自动驾驶感知技术逐步从后融合向特征融合迭代 按照信息融合发生的环节，自动驾驶感知技术可以分为前融合、特征融合以及后融合。后融合即目标级融合，指单个传感器分别完成感知任务后再进行融合，可理解为有多少个传感器即需要几套感知算法。前融合即数据级融合，指对不同传感器的原始数据进行空间和时间上的对齐，再从融合数据中提取特征向量进行识别，整套自动驾驶系统仅需要一套感知算法。 而特征融合是指对传感器采集的原始数据分别进行特征提取，再进行融合，进而实现对应的感知任务。 特征融合方案数据损失相对小，算力消耗相对低。特征融合相比后融合数据损失小，后融合过程中低置信度信息会被过滤掉，从而产生原始数据的丢失，并且可能叠加误差。特征融合相比前融合算力消耗低，根据机器之心数据，前融合需要500-1000Tops算力，而特征融合仅需要300-400Tops算力。 图15.按照融合环节不同分为前-特征-后融合 图16.特征融合过程 产业趋势：城市NGP落地在即，AI大模型驱动自动驾驶算法泛化能力提升 城市领航辅助驾驶落地在即。主机厂正逐步从高速领航辅助驾驶向城市领航辅助驾驶拓展，2021年7月特斯拉率先在北美推送FSD BetaV9测试城市道路完全自动驾驶功能，国内主机厂小鹏、理想等也计划2022-2023年推出城市场景下的领航功能。 城市场景具有高频+刚需特征。根据小鹏科技日公开数据，用户用车过程中途径城市场景的用户数量达到100%，途径时长及里程的渗透率达到90%和71%。此外，城市场景是驾驶人的痛点，自动驾驶能够提升驾驶安全和驾驶效率，具备刚需特征。 应用AI大模型提高泛化能力是自动驾驶算法演变的核心脉络。从高速场景向城市场景拓展，城市场景下道路及路况复杂、交通参与者多、场景异质性强，自动驾驶遇到的Corner case大幅提升。因此，城市领航的落地需求对自动驾驶模型的泛化能力提出更高的要求，应用AI大模型能够大幅提高模型的泛化能力。 图18.小鹏城市NGP日常技术测试及城市场景的Corner case 图17.城市场景具有高频、刚需特征，落地价值凸显 产业趋势：BEV+Transformer，实现“脱高精度地图” 高精度地图方案在城市场景下缺陷明显。在数据和算法尚未成熟到脱图之前，尤其针对国内的复杂路况，高精度地图对主机厂实现高阶自动驾驶功能具有重要意义。但高精度地图方案缺陷较为突出，应用过程中无法做到实施更新、法规风险高、高成本的三大问题难以解决。 特斯拉BEV+Transformer方案助力城市NGP脱高精度地图。特斯拉提出的BEV感知算法通过将不同视角的摄像头采集到的图片统一转换到上帝视角，相当于车辆实时生成活地图，补足了自动驾驶后续决策所需要的