报告行业投资评级 - 钢铁行业评级为“增持” [8] 报告核心观点 - 2026年钢铁行业有望进入由政策主导、供给收缩驱动的复苏周期，行业盈利有望修复且业绩弹性大 [1][3] - 近期两会期间华北部分钢企的自主减排事件，标志着“双碳”政策进入实质执行阶段，常态化供给约束将成为行业盈利修复的核心驱动力 [1][2] - 行业当前景气度处于历史偏低区间，但供给端刚性约束有望扭转供需格局，在需求结构优化和出口韧性的支撑下，行业利润或进入持续改善周期 [3][4][5] 行业现状与景气度 - 钢铁行业景气度处于历史偏低区间，Mysteel数据显示247家样本钢企盈利比例不足40%，行业盈利水平处于近年低位 [3] - 行业处于历史低位，粗钢产量已进入长期下行通道，2020-2024年粗钢产量年复合增长率（CAGR）为-1.43% [1][4] 供给端分析 - 政策驱动的供给约束常态化，是行业盈利修复的关键驱动 [1][3] - 华北部分钢企已接到通知，要求在2026年3月4日至3月11日执行阶段性减排，高炉负荷按不低于30%比例自主减排 [2] - 若双碳政策进入实质阶段，新增和置换产能审批趋严与环保限产常态化将构建实质性的供给天花板 [4] - 行业盈利模式或从依赖需求扩张转向由供给约束主导 [4] 需求端分析 - 需求端难以出现强周期扩张，但有望在出口韧性、基建托底及高端制造用钢增长支撑下维持相对稳定 [5] - 钢铁下游需求结构持续优化，地产用钢占比已降至20%以下，其对行业的拖累边际递减 [5] - 出口受益于海外需求上升及中国钢材的成本技术优势，将继续发挥重要的需求托底作用 [5] - 在供给收缩背景下，即便需求仅温和改善，也足以推动价格中枢与行业盈利水平显著回升 [5] 投资主线 - 报告建议聚焦三条投资主线：具备出口优势、低碳排放水平及高端产品结构的龙头企业 [6] - 具备上述优势的龙头企业预计将更充分受益于本轮由双碳政策驱动的行业格局重塑 [6] 数据与图表要点 - 图表显示，247家钢铁企业盈利率处于低位 [14] - 中国钢铁下游消费结构预测显示，地产占比持续下降，制造业和基建占比提升，直接净出口占比也有所增长 [18][19]

报告行业投资评级 - 银行业投资评级：优于大市（维持） [2] 报告的核心观点 - 报告认为，美国家庭债务整体呈现“局部压力凸显，整体稳健”的格局 [1][3][4] - 美国居民整体未过度举债，杠杆率处于2000年以来最低水平，家庭现金流量表和资产负债表均处在较好水平 [4][35] - 但债务质量呈现明显的“K型分化”：低收入人群偿债压力巨大，信用卡和汽车贷款逾期率高企；而按揭贷款因客群资质较优，整体风险可控 [4][14][35] - 对各类债务的逾期趋势判断为：信用卡逾期率仍会冲高，未见明确拐点；汽车贷款逾期率小幅震荡上行后缓慢回落，已进入质量修复期；按揭逾期率虽会小幅提升，但整体将处在较优水平 [4][30][32][36] 根据相关目录分别进行总结 债务规模与结构 - **总债务规模**：2025年末美国家庭债务总额达到18.78万亿美元，较年初新增约0.74万亿美元，同比增速为4.1%，连续三个季度持续反弹 [3][5] - **按揭贷款**：期末余额13.17万亿美元，同比增长4.5%，占家庭债务总额的70.1%，增速在2025年下半年出现反弹 [3][5][25] - **信用卡贷款**：期末余额约1.28万亿美元，同比增长5.5%，占债务总额的6.8%；经历了2022至2024年上半年的快速扩张后，2024年下半年以来增速持续回落 [3][6] - **汽车贷款**：期末余额1.67万亿美元，同比增速降至0.7%，创2010年以来新低，占债务总额的8.9% [3][6] 债务逾期情况 - **整体逾期率**：2025年末美国家庭债务整体逾期率为4.81%，90天以上（90+）逾期率为3.13%，较年初分别提升1.22个和1.09个百分点，均处于2018年以来的阶段性高位 [3][13] - **学生贷款逾期**：受政策变动影响（2025年重启真实还款），学生贷款90+逾期率由接近0%跃升至10%左右，是拖累整体逾期率大幅提升的重要因素，学生贷款占家庭债务余额的8.9% [13] - **信用卡贷款逾期**：2025年末90+逾期率达12.70%，处于2012年以来最高水平，且仍在上行趋势中，较年初提升135个基点 [3][14] - **汽车贷款逾期**：2025年末90+逾期率达5.21%，处于2012年以来最高水平，较年初提升28个基点 [3][14] - **按揭贷款逾期**：2025年末90+逾期率为0.92%，虽处于低位，但四季度拐头向上，未延续二三季度环比回落趋势，较年初提升22个基点 [3][14] 按揭贷款深度分析 - **客群资质优异**：次贷危机后金融机构收紧信贷条件，近年来新发放按揭信用评分在760分以上的占比基本超过65%，低于620分的占比持续低于5%，远优于次贷危机前（低于620分占比超10%） [19] - **风险集中于低收入群体**：按揭拖欠风险主要来自低收入人群，最低收入邮政编码地区借款人的90+逾期率从2021年的约0.5%升至2025年底的近3.0%；而最高收入地区借款人拖欠率仍非常低 [21] - **居民偿债压力不大**：美国存量按揭中，57%的利率在4.0%以内；按揭偿还额占个人可支配收入的比重处在较好水平，明显低于次贷危机前 [25] 信用卡与汽车贷款趋势判断 - **信用卡逾期率将继续冲顶**：疫情后信用卡高速增长，且2023年以来账户利率持续在20%以上，低收入人群偿债压力巨大，逾期率未见明确拐点 [28][30] - **汽车贷款逾期率或已过压力高峰**：汽车贷款自2023年以来持续回落，新发放贷款中信用评分低于620的比例从20%降至约16%，判断逾期率小幅震荡上行后将缓慢回落 [32] 居民整体财务健康状况 - **杠杆率低**：美国居民杠杆率处在2000年以来的最低水平 [35] - **偿债支出比健康**：家庭偿债支出与可支配收入比值虽从2021年的低位反弹，但仍低于2015~2019年的水平 [4][35]

报告行业投资评级 报告未明确给出统一的行业投资评级 报告核心观点 报告核心观点认为，在政策牵引、市场需求和技术进步三大核心驱动力的协同推动下，中国生产制造类工业软件行业国产化进程正在加速，并呈现出向平台化、智能化、高精度控制场景渗透的明确发展趋势 [9][19][26] 根据目录总结 01 生产制造类工业软件行业发展现状 - 产业发展驱动因素包括：**政策牵引**（如《制造业企业数字化转型实施指南》、《信息化和工业化融合2025年工作要点》、国家重点研发计划“工业软件”重点专项等）、**市场需求**（制造业应对成本压力、实现柔性生产和质量追溯的内生需求）和**技术进步**（云原生、AI等技术推动软件向SaaS化、智能化演进）[9][10] - 行业概览：生产制造类工业软件是工业软件的核心组成部分，主要包括**生产控制类**（如DCS、SCADA、PLC）和**制造执行类**（如MES、CIM）[19]。国产厂商在DCS、SCADA等领域已实现较高替代率，但在高端PLC等核心环节仍对外依赖较强[19] - 产业链分析：产业链涵盖上游软硬件底座、中游软件开发销售及下游应用领域[24]。当前呈现**垂直整合**（软硬件一体化、平台化）和**国产化替代**（全产业链自主可控进程加速）两大核心趋势[26] - 应用场景：应用贯穿制造业全流程，核心目标在于提升效率、保障质量、降低成本和实现柔性化生产[31]。核心场景包括生产计划与排程、制造执行、质量管理与工艺优化、设备管理与维护等[29][32] 02 生产制造类工业软件细分行业国产化进程与演进方向 - **MES软件**：2024年中国MES软件总市场规模达到**62.9亿元人民币**，国产厂商凭借适配性强、性价比高、服务响应快等优势，在特定领域占据主导[41]。国产MES在钢铁冶金、石油化工等行业竞争力强[40]。发展趋势是向平台化演进，构建统一的**制造运营管理（MOM）** 平台[42] - **CIM软件**：该领域长期被应用材料和IBM垄断[49]。国产CIM已在**6英寸、8英寸**产线实现规模化应用，并在**12英寸**产线的MES系统上初步实现替代[49][52]。应用CIM系统能显著提升生产效率，例如使综合单位输出提升至**1.5倍**（基准为1.0），直接劳动时间减少至**0.75倍**[53]。国产CIM正加速与AI融合，并向产品平台化、模块化模式迭代[52] - **PLC软件**：2024年中国PLC市场，西门子市场份额为**39.2%**，三菱电机为**22.7%**，国产厂商汇川技术和信捷电气份额分别为**5.8%** 和**4.7%**[57][59]。国产化集中在小型PLC市场，并逐渐向中大型PLC突破[57]。国产化面临**软件生态构建**（缺乏自主核心软件平台、行业应用生态不足）和**操作系统适配**两大关键瓶颈[56][59]。发展趋势呈现分化：小型PLC软件向超小型化与低成本化发展，大型PLC软件向高性能化发展[61] - **DCS软件**：在电力、石化、油气等重点行业，DCS的国产化率已达到**60%以上**[67]。国产厂商已在国内中低端市场占据主导，并逐步向高端市场渗透[67]。应用领域从传统的电力、石化化工向冶金、造纸、环保等领域拓展[69][72]。中控技术在化工、石化领域的DCS市场占有率分别达到**63.2%** 和**56.2%**[78] 03 生产制造类工业软件企业案例分析 - **中控技术股份有限公司**：国内DCS市场占有率第一，是流程工业智能制造整体解决方案供应商[76][79]。正从自动化产品供应商向解决方案提供商转型，提出“1+2+N”工业AI驱动的企业智能运行新架构[79] - **和利时集团**：定位为“全球智能化系统解决方案主力供应商”，在工业智能化、交通智能化、食药智能化三大领域形成优势[86][90]。以自主研发的**XMagital智能平台**为核心，通过原生融合、开放生态、AI驱动三大战略重塑软件体系[92][94] - **赛美特信息集团股份有限公司**：国产半导体CIM龙头企业，**半导体智能制造软件份额稳居国产第一**，是国内唯一实现全自动化CIM解决方案并获得12英寸晶圆量产厂验证的供应商[48][98]。推出**PlantU**统一PaaS平台，并已实现软件批量出口至海外[101] 04 生产制造类工业软件产业未来发展趋势 - **向业务流程贯通和全局生态重构方向发展**：工业软件从孤立工具向一体化数字业务平台演进，通过统一数据模型和业务引擎实现全价值链协同，并最终构建可自适应、可生长的产业协作生态[107][108] - **国产软件向高精度控制场景渗透**：国产核心工业软件正加速向半导体制造、高端数控机床/机器人、复杂流程工业等高精度、高动态响应场景渗透，旨在打破国际巨头在高端控制领域的垄断[111][112] - **AI与工业软件深度融合，推动系统向自主化跃迁**：AI与各类工业软件深度融合：**AI+DCS**实现从过程控制到全局智能优化；**AI+PLC**赋予边缘实时决策能力；**AI+MES**使其从执行记录转向主动调度与优化，共同推动工业自动化系统向自主化跃迁[113][114]

行业投资评级 - 评级：增持 [1] 报告核心观点 - 青海省打响了国家发展改革委、国家能源局《关于加快推动新型储能发展的指导意见》（114号文）后储能容量电价的第一枪，随着未来各省细则落地，全国储能经济性走通可期，2026年储能需求高增可期，建议增持储能板块 [3][6] 政策事件与影响 - **事件**：2026年2月25日，青海省发改委发布《关于建立青海省发电侧容量电价机制的通知（征求意见稿）》，这是114号文后第一个出台容量电价的省份 [6] - **覆盖范围**：机制适用于全省合规在运的公用燃煤发电、燃气发电、未纳入可持续发展价格结算机制且不含新能源补贴的光热发电，以及服务于电力系统安全运行、未参与配储的电网侧独立新型储能电站 [6] - **意义**：此举标志着全国性储能容量补偿机制开始落地，为储能商业模式和经济性打通提供了关键政策支持 [6] 储能经济性测算 - **容量电价计算**：容量电费 = 机组申报容量 × 容量供需系数 × 容量补偿标准 [6] - **关键参数**： - 2026年容量补偿标准为165元/（千瓦·年） [6] - 补偿标准需再乘以小时数/4，相较于此前部分省份采用的除以6的机制，对主流2-4小时储能系统更为有利 [6] - 2026年度全省容量供需系数为1.04 [6] - 新型储能厂用电率暂按10.39%计算 [6] - **经济性结果**： - 按公式计算，4小时储能电站的每千瓦年度补偿价格为153.77元/（kW·年） [6] - 2026年1月，青海独立储能报量报价参与现货市场，充放电价差为0.38元/度电 [6] - 若以0.35元/度的电价差测算，4小时储能系统的资本金内部收益率（IRR）可达9%，表明经济性已走通 [6] 行业需求与数据 - **近期装机数据**：2026年1月，中国新增储能装机3.8GW/10.9GWh，同比分别增长62%和106% [6] - **电池销售数据**：2026年1月，储能电池销量为46.1GWh，同比增长164.0% [6] - **需求展望**：2026年开年以来储能需求强势，在全国性容量电价政策出台及各省细则有望陆续落地的背景下，储能需求高增的确定性强。预计2026年全球储能增速将达到50% [6] 投资建议与标的 - **建议增持储能板块**，主要关注两个方向 [6]： 1. **直接受益于需求增长的储能系统和电池环节** - **推荐标的**：海博思创、宁德时代、亿纬锂能、中创新航、阿特斯 [6] - **相关标的**：阳光电源、鹏辉能源 [6] 2. **需求传导下可能量价齐升的锂电材料环节** - **推荐标的**：湖南裕能 [6] - **相关标的**：万润新能、富临精工、天际股份、天赐材料、多氟多、恩捷股份、佛塑科技、星源材质 [6]

报告投资评级 - 行业投资评级为“看好”，并维持该评级 [11] 报告核心观点 - 通用人工智能大模型迎来跨越式发展，为各类AI应用构建了坚实的技术底座，智能驾驶作为“物理AI”应用，注定向大模型演进 [3][6] - 通用大模型能力涌现，赋能智能驾驶模型基座，模型架构持续进阶，正逐步进入视觉-语言-动作模型和世界模型的物理AI时代，迈向智能涌现新阶段 [3][6][8] - 智能驾驶大模型从传统规则模型走向端到端大模型，并进一步向视觉-语言-动作模型和世界模型演进，国内头部玩家正加速迭代，智驾能力有望迎来飞跃 [8][107] 通用大模型技术演进 - AI大模型以Transformer为基底，依托算力指数级提升与海量多模态数据，实现了从单一语言理解到多模态融合、从专用任务适配到通用能力涌现的关键突破 [7][19] - 大语言模型发展历经多个关键阶段：2017年Transformer架构问世；2018-2020年预训练模型兴起；2021-2022年引入后训练对齐技术；2023-2024年多模态与推理模型发展；2025年进入以DeepSeek-R1为代表的成本高效推理模型时代 [23][26] - 模型训练范式从预训练规模化，发展到引入监督微调和基于人类反馈的强化学习进行后训练对齐，进入了“ChatGPT时刻” [27][30] - 2024年，模型开发开始强调提升推理能力，以OpenAI o1-preview为代表，模型推理能力飞跃，并引入Agent模式，实现了AI应用功能体验的质变，标志着商业化落地的重要拐点 [31][36][37] - DeepSeek-R1模型基于纯强化学习的创新技术路径，利用专家混合架构和优化算法，在表现出竞争力的同时大幅降低了运营成本，满足了国内算力不充裕背景下对超大参数模型训练的需求 [7][42] 智能驾驶大模型发展路径 - 智能驾驶从2023年开始，受特斯拉FSD V12引领，进入“端到端”大模型时代，车端模型参数规模普遍已达数十亿，云端达百亿级别，规模定律持续显现 [45] - 传统端到端模型通过神经网络直接建立视觉输入到驾驶轨迹的映射，属于“黑盒”方式，缺乏对物理世界规律的深入理解，且无需显式语义推理 [8][65] - 当前趋势是引入多模态大模型和强化学习，推动“端到端”模型向视觉-语言-动作模型范式演进，并融合世界模型，使智能驾驶进入物理AI时代 [8][51][67] - 特斯拉的自动驾驶架构演进经历了四个主要阶段：1）感知端到端；2）决策规划模型化；3）两段式端到端；4）一段式端到端，当前行业正迈向视觉-语言-动作模型和世界模型时代 [52][53] 视觉-语言-动作模型分析 - 视觉-语言-动作模型是一种融合视觉、语言和动作三大模态的端到端人工智能模型，它将感知、推理与控制一体化，直接根据视觉输入和语言指令生成可执行动作 [76] - 视觉-语言-动作模型的发展分为四个阶段：Pre-视觉-语言-动作模型阶段、模块化视觉-语言-动作模型阶段、端到端视觉-语言-动作模型阶段、增强型视觉-语言-动作模型阶段 [77][78][83] - 相较于“端到端+视觉语言模型”的中间形态，视觉-语言-动作模型实现了三个模态特征在统一空间中的集体建模与对齐，解决了双系统架构下泛化能力不足、交互稳定性难保证等问题，使智驾更具交互性、类人性和泛化性 [87] - 视觉-语言-动作模型架构主要由多模态编码器、大语言模型推理核心和解码器组成，输入经视觉和文本编码器处理，输出由轨迹解码器和文本解码器完成 [81][82] 世界模型分析 - 世界模型是一种生成式时空神经网络系统，旨在系统内部构建对物理环境的动态模拟与未来状态推演，让自动驾驶车辆具备“在脑海中预演未来”的能力 [91][92] - 世界模型通常覆盖三类任务：未来物理世界生成、行为规划与决策、联合预测与规划 [95] - 世界模型的核心优势在于能够预测和仿真未来、方便量化风险，并可通过仿真生成大量极端案例数据，但其挑战在于缺乏高级语义理解、实时高保真推演计算成本高，且本身不直接产出驾驶策略 [100] 视觉-语言-动作模型与世界模型的对比与融合 - 视觉-语言-动作模型与世界模型的核心目标不同：视觉-语言-动作模型侧重于实现人车交互与可解释的端到端自动驾驶，而世界模型侧重于构建一个内部预测与仿真系统 [100] - 视觉-语言-动作模型可以直接输出动作控制信号，是真正的端到端；而世界模型输出的是未来的场景状态，需要中间转译才能生成动作 [100][102] - 两者并非相互排斥，存在融合趋势，例如将世界模型的能力嵌入视觉-语言-动作模型的训练目标，或设计能够同时涵盖视觉、语言、动作与动态预测的统一融合模型，如World视觉-语言-动作模型 [104][105] 头部玩家技术路线与进展 - 国内头部智驾玩家加速模型迭代，向视觉-语言-动作模型和世界模型推进，模型架构、训练方式、算力、数据及参数量全面升级 [8][107] - 目前以小鹏、理想等为代表的主机厂主要采用视觉-语言-动作模型路线；以华为、蔚来等为代表的主机厂主要采用世界模型路线 [8][107] - **小鹏汽车**：推出第二代视觉-语言-动作模型，去掉语言转译，将架构从V-L-A改为V/L-A，采用近1亿段视频训练数据，基座大模型参数达720亿，预期复杂小路平均接管里程提升13倍 [112] - **理想汽车**：Mind视觉-语言-动作模型架构强化了3D空间信息处理、语言场景理解和集体行动生成能力 [116] - **华为**：提出世界引擎+世界行为模型架构，云端世界引擎训练世界模型，车端世界行动模型将感知数据直接映射为控制动作，跳过语言解析 [120] 投资建议 - 整车方面：智驾实力领先和处于强新车周期的主机厂具备较强确定性，重点推荐小鹏汽车、江淮汽车、赛力斯、比亚迪、吉利汽车、零跑汽车、理想汽车、小米集团、长城汽车、上汽集团、长安汽车等 [9][124] - 零部件方面：智驾升级催动产业链投资新机遇，重点推荐拓普集团、伯特利、星宇股份、均胜电子等，重点关注德赛西威、科博达等 [9][124]

报告行业投资评级 - 投资评级：优于大市（维持评级） [2] 报告核心观点 - 光交换机（OCS）是一种无需光电/电光转换、直接在光域完成信号路由与切换的新技术，能有效解决传统电交换的带宽瓶颈、功耗和时延问题，可助力AI算力集群及数据中心光互连系统整体功耗降低30%以上 [3][13] - AI变革正推动OCS技术快速发展，其核心应用场景包括AI算力集群、超大规模数据中心的叶脊架构互连及超节点集群高速通信 [3][13] - 目前OCS主要有MEMS、液晶、压电、硅波导四大技术路线，其中谷歌主导的MEMS方案商用节奏最快，在2025年占据市场90%以上份额 [3][14] - 随着谷歌从“自研+代工”模式转向整机采购，以及除谷歌外的云服务商（如微软、Meta、英伟达）开始导入，OCS市场空间正快速释放，预计将从2025年的约4亿美元增长至2029年的超过25亿美元，四年复合年增长率（CAGR）约为58% [4][79][93] - OCS技术目前仍处于产业化初期，随着渗透率提升，相关元器件/材料（如准直器、钒酸钇镜头、透镜等）需求将上升，国内已与海外头部厂商深度合作的器件及整机方案提供商有望受益 [4][93] 根据相关目录分别进行总结 一、 OCS是一种新光电互联集成技术 - **技术定义与优势**：OCS无需光电转换，具有高带宽、速率/协议透明、低延迟、低功耗及灵活部署等优势。其单跳延迟低于100纳秒，整机功耗极低（如Palomar整机约108W），且硬件可支持从40G到未来3.2T的速率演进 [13] - **四大技术路线对比**： - **MEMS方案**：由谷歌主导，商用最快，2025年处于商用阶段。谷歌Palomar OCS的物料清单成本约为25，470美元，其中MEMS阵列成本占比最高，达54.97% [14][27] - **液晶方案**：以Coherent为代表，切换时间较慢（约100毫秒），但可靠性高。其物料清单成本约为50，000美元 [14][36][39] - **压电陶瓷方案**：以HUBER+SUHNER为代表，传输性能优异、可靠性高，但切换时间较慢且端口扩展性差 [14][44] - **硅光波导方案**：以iPronics、德科立为代表，切换速度快（可达微秒级）、集成度高，但插入损耗较高，存在串扰问题 [14][45][49] 二、 OCS面向AI数据中心的应用 - **谷歌TPU的演进与OCS应用**：谷歌自研TPU芯片已发展到第七代（Ironwood）。从TPU v4开始，谷歌在AI算力集群中大规模应用OCS技术 [51][53][64] - **具体部署规模**： - **TPU v4集群**：由4096个TPU芯片组成，需要48台300端口的OCS交换机，总端口需求达12，288个 [64] - **TPU v7（Ironwood）集群**：由9216个TPU芯片组成，需要48台600端口的OCS交换机，总端口需求达13，824个。其使用的600端口OCS交换机成本可能达到5万美元 [71] - **网络拓扑**：谷歌TPU芯片主要采用2D-Torus和3D-Torus（三维环面网络）互联方式，OCS用于实现芯片间的高速、低延迟互连 [56][64] 三、 OCS产业链各环节公司布局 - **市场规模预测**：根据Cignal AI数据，2025年OCS市场规模约4亿美元，到2029年将超过25亿美元。LightCounting预计2029年OCS出货量将突破5万台 [79][93] - **国内产业链相关公司**： - **MEMS工艺**：赛微电子（瑞典Silex）为全球领先的纯MEMS代工厂 [83] - **光学元器件/材料**：腾景科技（提供钒酸钇材料、准直器）、炬光科技（布局透镜、V型槽、准直器等） [83] - **整机方案与子系统**： - 德科立：与iPronics联合研发硅光波导方案OCS，已展示32x32 OCS整机 [83][84] - 中际旭创：子公司TeraHop基于硅光子平台研发64x64 OCS交换机 [83] - 光迅科技：拥有垂直整合能力，在OFC 2024展示MEMS OCS交换机 [83][87] - 光库科技（通过武汉捷普）：与Calient协作展示320x320 OCS产品 [83] - **代理与解决方案**：凌云光与压电陶瓷方案厂商Polatis建立长期合作关系 [83] 四、 投资建议 - **核心逻辑**：OCS技术处于产业化初期，未来随着谷歌及更多云服务商采用，市场需求将快速增长，带动上游元器件及整机产业链发展 [4][93] - **关注公司**：报告推荐关注OCS整机方案提供商**中际旭创**和**光迅科技** [93] - **相关公司盈利预测（基于Wind一致预期）**： - 中际旭创：预计2025年净利润105.36亿元，2026年净利润214.93亿元 [95] - 光迅科技：预计2025年净利润10.44亿元，2026年净利润14.85亿元 [95]

报告核心信息 - 报告类型：白皮书，探讨软件公司范围三使用阶段排放的核算挑战与潜在解决方案 [1] - 报告发布方：BSR (Business for Social Responsibility) [5] - 报告基于：S34S (Scope 3 for Software) 圆桌会议的研究成果，成员包括 AVEVA, Coupa, Sage, SAP 等领先软件公司 [3][4][5] 核心观点 - **关键挑战**：软件产品使用阶段的范围三排放（温室气体核算体系类别11，C.11）核算面临重大挑战，主要源于方法论不清晰、云服务提供商数据透明度不足以及“运营控制权”界定模糊 [13][14][15] - **问题重要性**：软件使用阶段排放，尤其是AI和云工作负载驱动的排放，正快速增长，已成为软件公司碳足迹的重要组成部分，估计占ICT行业全生命周期影响的**56-80%** [16][18] - **当前现状**：软件行业在C.1（采购的商品与服务）与C.11的核算上做法不一，多数公司将云相关排放计入C.1，导致公司间碳足迹难以比较，并掩盖了关键的减排杠杆 [13][23] - **未来方向**：解决此问题需要生态系统各利益相关方（标准制定机构、监管机构、云提供商、软件公司）协同努力，以澄清核算指引、标准化方法并提高数据透明度，从而推动行业脱碳 [21][58][65] 研究主要发现 - **核算方法分歧**：软件公司在C.11核算上存在分歧，方法差异很大，很少有公司主动计算C.11，主要原因是缺乏对云基础设施的运营控制权、无法获取产品级粒度数据，以及缺乏清晰一致的标准和指引 [23][24] - **部署模式决定核算**：托管环境驱动核算决策，保留本地部署基础设施的公司倾向于计算C.11，而主要利用云托管的公司则更关注C.1 [25] - **方法与数据可变性**：在与软件公司和温室气体核算提供商的讨论中，发现以下方面存在显著的方法和数据可变性 [26]： - 供应商特定因素：排放因子获取方式不同，常依赖行业平均值或代理数据 [27] - 基于位置与基于市场的核算：选择不同会实质性影响报告的排放量 [27] - 区域托管与排放因子：工作负载跨区域分布，但位置透明度有限，常被迫使用区域或全球平均值 [27][28] - 年度与月度排放因子：使用月度数据能更好反映电网强度季节性变化，但并非总能获得或使用 [30] - 电力消耗数据：难以获取可归因于特定产品、客户或工作负载的可靠、细粒度电力消耗数据，云提供商常报告代理指标 [30] - 客户使用云与本地环境：混合部署增加了方法论复杂性，难以应用单一、一致的方法 [30] - PUE可比性：PUE的定义和包含内容无统一标准，且它衡量的是非计算基础设施的效率，而非计算本身的效率 [29][30] - **数据获取挑战**：从云提供商获取相关数据仍是关键挑战，缺乏直接的客户实际使用数据访问权限，且云提供商可能因商业敏感性不愿共享基于位置的排放和能源数据 [31] - **AI的影响**：AI的普及加剧了对这些核算问题的关注，AI驱动的工作负载正实质性增加软件公司及其客户的范围三排放 [32] 案例公司实践 SAP：区分C.1与C.11排放的核算 [35][36] - **核算原则**：根据部署模式（本地部署 vs. 云）和运营控制权进行排放分配 [37] - **本地部署软件**：计入范围三 C.11，基于对大量客户系统配置的估计计算年度电力消耗，并使用基于位置的电网排放因子转换，若客户提供可再生能源使用证明则采用基于市场的计算 [38][39][41] - **云软件**：若SAP运营云基础设施，相关排放计入其范围一和范围二；若运行于第三方超大规模云提供商，则按现行做法将电力消耗和采购基础设施的嵌入排放计入C.1 [42][43] - **避免重复计算**：通过按部署模型分离排放（本地软件排放仅出现在C.11，云软件排放出现在自身运营或上游类别）以及明确客户-供应商排放映射来确保可比性和避免重复计算 [46][48] Sage：通过生命周期评估和基准测试衡量范围三使用阶段排放 [35][47] - **研究方法**：与学术及咨询机构合作，使用过程型生命周期评估和混合生命周期评估方法，评估其云托管和本地部署的软件产品 [49] - **关键洞察**：评估结果受以下因素显著影响 [49][50]： 1. 输入数据质量：供应链数据呈现方式缺乏一致性 2. 排放归属：共享基础设施和开发活动的排放分配方式，例如云原生产品因基础设施效率通常排放较低，但总减排量取决于排放归属方式 3. 边界定义：是否包含本地设备的嵌入排放和软件开发排放对结果影响很大 - **后续行动**：该研究帮助公司确定了针对性工作流，包括改进客户和云提供商的数据收集、为同事提供培训、减少产品开发排放以及深入研究Sage AI架构以降低其环境影响 [51] AVEVA：识别和实施范围三使用阶段排放的脱碳杠杆 [35][52] - **挑战**：使用阶段排放占其范围三足迹的最大份额，但缺乏对客户实际配置和使用模式的可见性 [52] - **方法**：对产品组合进行结构化评估，以建立各产品系列的能源强度基准，并与研发部门合作，基于绿色软件基金会的研究识别潜在的脱碳杠杆 [53] - **关键发现**：通过基准测试为大部分产品组合建立了能源强度基线，早期分析表明能源需求因产品、部署类型和客户配置不同而存在显著差异 [54] - **战略转变**：认识到软件相关排放高度依赖客户基础设施决策，因此从纯粹以测量为中心的方法转向将量化与影响力（如提供指南、设计原则和建立合作伙伴关系）相结合的方法 [56] 生态系统解决方案与建议 - **标准制定机构**：应澄清软件使用阶段与上游云排放的边界，并标准化核算方法；更新产品碳足迹计算标准以确保可比性；支持目标设定，明确效率提升和使用阶段减排如何贡献于气候目标 [59] - **监管机构**：应通过披露模板、数据层级和验证指引实现透明度和可比性；认可实用的报告方法；使鉴证期望与实际数据时间和可用性保持一致 [60] - **云提供商与行业联盟**：应提供标准化的服务级排放数据及清晰的分配方法；提供一致的合同数据访问；标准化跨提供商的报告实践以实现可比性 [61] - **软件公司行动**：应跟踪并分离软件使用阶段排放与上游云排放；使内部报告与新兴标准、模板和监管期望保持一致；与提供商和行业联盟合作以获取标准化数据 [61] - **脱碳路径**：软件公司可采取的脱碳途径包括：在可证明效率提升的情况下将工作负载从本地迁移至云环境；与产品开发团队合作提高软件和系统设计的能效；加强对生命周期排放的理解以指导产品现代化和更换决策 [62] - **云提供商角色**：通过持续提高数据中心效率、扩大可再生能源采购、以及提供更透明、有助于决策的数据来推进系统级脱碳 [63]

行业投资评级 - 评级：增持 [4] 报告核心观点 - 美元兑人民币小幅贬值，主要航线海运费同比继续下滑 [2] - 美国餐饮RPI环比下降，美国住房市场指数环比承压 [2] - 建议重点关注具备全球制造布局、品牌输出能力与渠道整合优势的出口型消费企业 [4] - 看好市场占有率高、供应链韧性强、并已建立成熟海外产能的标的 [4] 成本跟踪总结 - **汇率**：2026年2月24日美元兑人民币即期汇率为6.88，环比2月13日下降0.38%；欧元兑人民币汇率为8.11，环比2月13日下降1.15% [4] - **海运费**：2026年2月第2周中国出口集装箱运价指数（CCFI）综合指数为1088.14，同比下降21.56%，环比下降3.03% [4] - **欧洲航线**：指数为1508.26，同比下降7.05%，环比下降1.74% [4] - **美东航线**：指数为913.08，同比下降29.01%，环比下降2.56% [4] - **美西航线**：指数为824.72，同比下降25.73%，环比下降0.12% [4] - **东南亚航线**：指数为852.70，同比下降19.27%，环比下降2.83% [4] 行业高频数据跟踪总结 - **美国餐饮业**：2025年12月美国RPI为98.3，相较11月的99.2环比下降1.0% [4] - **美国房地产**：2026年2月美国住房市场指数为36，环比下降2.70%，同比下降14.29% [4] - **成屋库存与销量**：2026年1月美国成屋库存量122万套，同比增加3.39%；成屋销量391万套，同比下降4.40% [4] - **新建住房销量**：2025年12月美国新建住房销量745万套，同比增加3.76% [4] - **高尔夫球车出口**：2025年12月，出口量环比增加1.33%，同比上升7.66%；出口金额环比增加11.21%，同比上升8.76% [4] - **高尔夫球车累计出口**：2025年1-12月累计出口额为3.63亿美元，同比下降63.74%；累计出口量为10.54万辆，同比下降62.24% [4] - **摩托车出口**：2025年12月，中国摩托车出口额环比下降2.73%，同比上升15.83%；出口量环比下降6.79%，同比上升16.29% [4] 投资建议与推荐标的 - **推荐标的**：巨星科技、银都股份、涛涛车业、宏华数科、杰克股份 [4] - **相关标的**：浩洋股份 [4] - **重点公司盈利预测**：报告提供了巨星科技、银都股份、涛涛车业、宏华数科、杰克股份截至2026年2月25日的股价及2025-2027年EPS预测和PE估值 [15]

报告行业投资评级 - 报告未明确给出统一的行业投资评级 但通过对各细分市场的详细数据分析 提供了市场趋势判断 报告核心观点 - 香港写字楼市场呈现分化格局 核心区域优质物业需求强劲 而次级区域及九龙市场仍显疲软[1][3] - 住宅市场表现活跃 一手主导大众市场 租赁需求强劲且优质单位竞争激烈[5][6] - 零售市场整体温和复苏 但核心街区租赁市场仍显疲软 零售商保持谨慎[10][11] 写字楼市场 - **香港岛**：2025年的租赁趋势延续至2026年1月 中环优质甲级写字楼空置率低且需求旺盛 例如易方达基金管理公司迁入国际金融中心二期23楼 推动该大厦入住率接近100% 主要受金融业强劲需求及核心区域空置稀缺推动 传统甲级写字楼和次级地段物业可能受益于此轮需求[1] - **九龙**：交易活动未达预期 但市场悲观情绪有所缓解 表现为平均租赁面积因大公司搬迁而扩大 超过10,000平方英尺的租户正做出更“主动”的决策 例如一家美国家居用品供应商在观塘区内搬迁并缩减10%面积 一家本地建筑公司缩减20%至13,000平方英尺并在观塘区内搬迁 这些搬迁仍集中在九龙东 凸显该区域持续脆弱[3] - **区域表现**：九龙东仍是租户主导的市场 九龙西及西九龙趋于稳定 随着海港城空置率降至8.6%以下 九龙中租金有反弹潜力 九龙市场等待进一步稳定以实现完全“软着陆”[4] - **租金数据**：2026年1月 核心区域甲级写字楼净有效租金为每平方英尺每月105.0港元 环比下降0.8% 同比上涨2.3% 传统中环租金为78.1港元 环比上涨1.2% 同比下降5.0% 整体中环空置率为11.3% 九龙东租金为24.7港元 环比上涨0.5% 同比下降5.1% 空置率达19.4%[4] 住宅市场 - **销售市场**：2026年1月豪宅市场保持活跃 录得46宗超过5000万港元的交易 寿山村道15号的9号及10号屋分别以2.246亿港元和2.9246亿港元成交 实用面积单价均为每平方英尺60,264港元 一手大众市场继续引领交投 发展商推售新盘 1月录得1,542个单位 较2025年及2024年水平分别上升101%和54%[5][8] - **租赁市场**：租赁活动同样强劲 月租2万至13万港元的房源日益紧绌 反映各类租户需求旺盛 租户于农历新年前加快搬迁 加上部分业主转售为租 导致全月优质单位竞争加剧 进一步推高租金[6] - **租赁案例**：2026年1月 山顶加列山道28号一单位月租525,000港元 实用面积单价为每平方英尺111港元 中半山帝景园一单位月租99,000港元 单价为65港元[9] 零售市场 - **整体销售**：2025年零售销售总额为3,804.6亿港元 同比微升1% 但仍较2018年水平低22% 仅2025年12月 零售销售额同比增长6.6% 受强劲节庆需求支持 电器用品销售额飙升58.9% 奢侈品销售额增长14.3%[10] - **内地访客**：2025年12月内地访客人数按年上升8.2%至335万人次 其中不过夜旅客为2,100,791人次 同比增长13.8% 不过夜旅客人均消费为1,166港元 较2019年第一季度下跌49.3% 过夜旅客人均消费为4,857港元 下跌21.9%[10][13] - **租赁市场**：2026年1月 六福珠宝以每月75万港元续租铜锣湾罗素街旗舰店 租金较2023年水平低6% 且较业主叫价低近17% 该3,068平方英尺地面商铺新租约为期三年 单价为每平方英尺244港元 此次核心地段商铺的折价续约 凸显香港核心街区租赁市场持续疲软 零售商保持谨慎 业主调整租金以确保出租率[11]

报告行业投资评级 * 报告未对行业或相关公司给出明确的“买入”、“卖出”或“持有”等传统投资评级 其核心立场更接近于对AI儿童玩具行业提出“谨慎观察”的警示 强调家长态度审慎且存在多重担忧 [44] 报告核心观点 * 家长对AI儿童玩具的态度是复杂且审慎的 他们认可其在教育等方面的工具性价值 但对其作为儿童“伴侣”的定位、数据安全及内容风险保持高度警惕 在AI作为工具与AI作为伴侣之间划有清晰界限 [44] * 行业面临的核心矛盾在于：产品宣称的益处（如辅助学习）与家长的主要担忧（如数据收集、不当内容、社交替代）之间存在显著差距 这可能会影响市场的广泛采纳和长期发展 [15][18][44] * 市场需求呈现明显的分层特征 黑人家庭、低收入家庭以及5-8岁儿童家庭的采纳意愿和实际拥有率显著更高 表明这些群体可能是当前市场的核心用户或早期采用者 [9][11] 根据相关目录分别总结 市场渗透与用户画像 * 近一半（49%）的0-8岁儿童家长已经购买、计划购买或正在考虑购买AI玩具/设备 其中15%的家长已经购买 [9][11] * 市场采纳存在显著的人口统计学差异：黑人家长拥有/计划购买的比例最高，达78%，显著高于西班牙裔家长的61%和白人家长的36% 低收入家庭（年收入<$50K）的购买意愿（65%）也显著高于高收入家庭（年收入≥$100K）的39% [9][11] * 5至8岁儿童的家长拥有AI玩具的比例（19%）高于0至4岁儿童的家长（12%）[9][11] 家长的核心担忧 * **数据隐私是首要担忧**：高达83%的家长对AI玩具收集孩子个人信息表示担忧，其中43%的家长表示“极度担忧” [15] * **网络安全风险**：80%的家长对黑客攻击等网络安全风险表示至少适度担忧，55%的家长非常或极度担忧 [42] * **不当内容风险**：74%的家长担心玩具会说出不适当、不真实或不安全的话，近一半（48%）的家长非常或极其关注 然而，在已使用AI玩具的家庭中，仅4%的家长报告实际发生过此类情况 [26] * **使用管理困难**：79%的家长担心难以对孩子使用AI玩具设定限制（如关机争吵、过度依赖）[34] * **对传统社交与游戏的冲击**：64%的家长担心AI玩具会减少孩子与家人朋友的玩耍时间 63%的家长预计AI玩具会减少孩子进行积木、户外活动等传统游戏的时间 [28][31] 家长认可的价值与功能偏好 * **教育功能最受重视**：70%的家长认为“帮助孩子学习”是AI玩具极其重要或非常重要的功能 [18][22] * **行为与社交训练次之**：鼓励积极行为（62%）和帮助练习对话社交技能（51%）也是家长高度优先考虑的功能 [18][22] * **“伴侣”功能接受度低**：仅19%的家长希望AI玩具能成为孩子的伴侣，超过一半（56%）的家长明确不希望 孩子每天使用AI玩具的家长对此功能更开放（48%），但非用户家长仅12%感兴趣 [12][14] 产品使用现状与数据态度 * **语音助手是使用最广泛的AI技术**：23%的0-8岁儿童每天使用，另有23%每周使用 [23] * **专用AI玩具使用率**：12%的儿童每天使用，15%每周使用 5-8岁儿童每周使用率（40%）高于0-4岁儿童（33%）[23] * **对数据存储态度谨慎**：42%的家长更希望AI玩具完全不保存任何数据 在可接受存储的家长中，多数偏好家长可控（27%）或仅限设备本地存储（19%）的模式 [39] 市场认知与替代效应 * **对替代屏幕时间态度分化**：仅23%的家长认为可能用AI玩具时间替代屏幕时间，45%的家长表示不确定 该想法在AI玩具每日用户家长中接受度最高（42%）[36][38] * **担忧存在用户差异**：非用户家长对各项风险的担忧程度普遍高于现有用户家长，例如在“设定限制”方面，86%的非用户家长表示担忧，而每日用户家长为70% [34]