中金：宏观眼中的科技股

摘要

中国经济增长动能正处于从人口红利、金融周期到科技创新的第三次切换阶段，我们预计资本市场也将因此发生深刻的变化。我们在新古典和凯恩斯所说的“动物精神”两个视角下，结合美国战后两轮科技创新时期宏观金融环境和科技股变化的历史经验，讨论我国科技创新时期相关板块资产价格的演变。

回顾美国战后到20世纪末期间两轮科技创新，其科技股的表现分别有2个共同之处和3个不同之处。共同之处是科技股的涨幅均高于非科技股，同时科技板块中的新公司总体跑赢老公司。不同之处主要体现为三个方面：第二轮周期中科技股相对于非科技股的超额收益远远大于第一轮。1947-67年期间科技股总体累计涨幅为820%，非科技股的涨幅为680%；第二轮周期中，科技股最高时较1980年上涨3000%，非科技股上涨1000%。其二，两轮周期中科技股涨幅的差异来自估值的贡献多于盈利的贡献，1950-70年科技板块盈利累计上涨260%，而1979-99年期间科技板块盈利累计上涨了340%。此外，第二轮周期中新公司相对老公司的超额收益更高。

从新古典的视角来看，美国两轮创新时期科技股表现均很亮眼，背后是“干中学”带来的高增长预期，而行业属性与金融环境的差异，则是第二轮创新时期科技股较前一次表现更为亮眼的主要原因。虽然技术创新早期成本较高、市场规模有限，但是随着应用规模扩大，我们所观察的几十种产品中，实际生产成本均出现了大幅下降，技术快速迭代给新公司创造了挑战老公司的机会。第二轮周期中更多是指数型的技术进步，科技板块盈利增长快且净利率明显高于其他行业，其“量价齐高”的走势让投资者有更强的增长预期。第一轮周期中更多是线型的技术进步，科技行业净利率并未明显高于其他行业，“量高价不高”(薄利多销)。第二轮周期中，美国利率也处于长期下行阶段，金融监管也更为宽松，高科技新公司融资便利，新公司跑赢老公司的概率也更大。

从“动物精神”来看，金融环境宽松，投资者在乐观时期增加杠杆，也有力支撑了美国第二轮周期中的科技板块，在部分企业盈利不及预期或IPO供给上升的背景下，资产价格随后出现大幅波动。增长预期对资产价格的影响不对称，科技创新虽然充满不确定性，但是其高增长预期会有力推升股价。1980-1999年美国五次放松了金融监管法案，叠加利率长期下行，投资者“动物精神”比较明显，期间二级市场换手率以及杠杆率都有比较显著的上升，而IPO中亏损公司的比例也提高的比较多，从1990年的15%上升到2000年的81%。

科技行业的属性意味着我国科技股的表现跟美国科技创新时期有相似之处，政策的积极支持亦支撑相关板块的表现，但金融监管的加强亦利于降低像美国创新时期股市那样“大起大落”的风险。中国科技创新两个比较大的方向是绿色能源和数字经济。我们的分析表明，近几年来，科技行业成长快、净利率高于其他行业，享受“量价齐升”的红利，给投资者较高的增长预期，这一点似乎与美国第二轮科技周期的可比性相对更强。从宏观层面来看，无风险利率可能仍有下行空间，政策对科技创新多方位的支持，也有利于改善其融资条件。与美国彼时大幅放松金融监管不同，中国政策层对金融风险高度重视，监管不断改进，意味着“动物精神”的土壤可能没有美国当年那么“肥沃”，这将有利于股市的健康发展，降低大起大落的风险。从短期视角来看，科技行业资产价格与宏观经济形势有一定相关性，我们利用增长与信用利差构建的模型，对中美相关行业的风险溢价具有比较好的拟合效果，有助于判断短期波动风险。

正文

“十四五”规划中，科技创新被放在显要位置，作为第一项任务进行了专章部署，充分显示了我国对科技创新的充分重视。实际上，除了科技创新本身之外，其他几个跟国家发展战略相关的关键词，比如绿色和安全的核心都是科技。没有科技创新难以发展绿色经济，难以实现碳中和，没有科技创新也难以实现种子安全和供应链安全。7月27日，中共中央政治局委员、国务院副总理刘鹤在线为全国“专精特新”中小企业高峰论坛致辞，提出“我国经济发展到当前这个阶段，科技创新既是发展问题、更是生存问题。”[1]

从宏观的角度，我们应该怎样理解科技创新对增长，以及对资本市场的含义？科技硬件、新能源车产业链、新能源、高端制造等相关板块估值已经有明显提升。一个重要的问题是，从宏观角度来看，如何理解这些板块的市场表现？是否有国际经验可供参考？未来如何演变？我们首先从中长期视角梳理中国的经济增长动能的转换，然后从两个宏观视角，即新古典和凯恩斯所说的“动物精神”，结合美国科技创新的经验，分析科技行业的特征，以及对中国的启示。

一、三个十年：从人口红利到科技创新

我们不妨把1999年之后的三个十年粗略地分为三个阶段，第一个10年(1999-2008)是中国人口红利突出的时期，第二个10年(2009-2018)是中国金融周期快速上行的时期，而2019-2028乃至更长时期是加快推进科技创新的时期。

中国的劳动年龄人口增长率在2007-2008年以后开始下降，生产者对消费者的比例也相应见顶，而抚养比则逐步上升(图表1)。七普数据显示，全国人口14.12亿，较2010年年均增长0.53%，增速进一步放缓，抚养比延续2011年以来的上升趋势。第一个10年期间，中国劳动力便宜，生产能力强，产品价格低，再加上加入WTO，美欧又处于金融周期上行阶段，需求旺盛，中国的出口非常强劲，带来比较长时期的高速增长。

图表1:中国人口抚养比的演变

资料来源：万得资讯，中金公司研究部

金融的顺周期性来自于信用(广义信用，包括影子银行信贷)和房地产价格互相加强。由于房地产是信贷抵押品，因此房地产价格和银行信贷在一段时间内相互促进：贷款发多了，房地产价格上升，而房地产作为抵押品的价值上升，使得借款人的借款能力上升、银行的贷款能力也上升，进而带来顺周期性。图表2是根据最新数据估算的中国、美国、欧元区的金融周期。从2009年到2018年，中国经历了大幅的信贷扩张与房价上涨，近几年来，随着金融供给侧改革的进行，对房地产的监管加强，金融周期已经见顶下行。

图表2:中国金融周期处在下半场

资料来源：BIS，CEIC，万得资讯，中金公司研究部

进入第三个十年，中国经济的增长动能再次转换。劳动力、资本与全要素生产率是经济增长的3个因素，随着人口红利的消失，以及金融周期进入下行阶段，全要素生产率将成为中国经济发展的重要动力，而我们预计科技创新将成为全要素生产率提升的最重要支撑之一。作为科技的代表，数字经济占GDP的比重不断上升(图表4)。数字经济这个词最早出现在1990年代中期，当时的相关讨论主要集中在数字技术和互联网应用领域。但是随着数字技术发展，数字经济的内涵也在不断演进。

图表3:中国经济发展动能切换

资料来源：中金公司研究部

图表3更清晰地描述了中国三十年的发展历程。第一个十年期间，新增劳动力很丰富，第二个十年期间，金融周期快速上行但是新增劳动力逐年下滑，第三个十年期间，新增劳动力由正转负，但是以数字经济为代表的科技将带来新的增长动能。

图表4:第三个十年：科技创新接棒金融周期

资料来源：BIS，CEIC，万得资讯，中金公司研究部

经济增长动能从人口红利到科技创新转变对经济增长的含义是什么呢？人口红利时期，从供给端来看，劳动力快速增长，生产者相对于消费者比例上升，储蓄过剩带来资本快速扩张，结果是经济经历高速增长。从需求端来看，人口红利对应的就是出口高速扩张，高储蓄支撑资本形成。金融周期上行时期，从供给端来看，一方面劳动力增速放缓，另一方面楼价加速上行、信贷快速扩张，导致劳动力与资本错配，全要素生产率下行，经济增速趋势放缓。从需求端来看，虽然基建投资和房地产投资一度高速增长，但是出口增速放缓，整体经济增速逐步下行。进入第三个十年，劳动力负增长，人口抚养比上升，储蓄放缓，资本积累减速，叠加金融上行时期带来的资源错配效应，经济增速下行。科技创新提高生产效率，虽然创新不会一蹴而就，但是经济增长的可持续性得以改善。因此第三个十年是经济增速放缓但是生产效率改善的时期。

相应地，经济增长动能从人口红利到科技创新转变对资本市场的含义是什么呢？从图表5可以看出，A股科技行业的估值基本上处于波动状态，而近来处于上升态势，以房地产开发商和银行为代表的传统行业的估值则经历了较明显的下行，近几年则更为低迷。随着科技创新时代开启，科技股将如何演变？我们接下来从美国科技发展与股市表现的历史经验出发，抽丝剥茧，从新古典基本面与凯恩斯所言的“动物精神”两个角度详解如何理解科技股的增长与估值。

图表5:科技行业与全部A股及传统周期行业的估值差趋势性扩大

资料来源：万得资讯，中金公司研究部注：科技行业包括半导体、计算机、通信、航空航天等

二、科技板块的特点：美国的经验

二战后美国经历了两波较大的技术进步，一轮集中在二战后的20年，受益于二战期间对生产效率与规模的考验以及持续不断的政府订单，美国的电子设备、通信设备、航空航天、化工医药均出现了明显的技术进步，其中代表性的事件包括波音推出的707喷气式客机、抗生素/疫苗/处方药种类与购买量的快速上升、电视机的出现、大型计算机的商业化。另一轮则集中于20世纪的最后20-30年，主要集中于小型计算机与互联网的软硬件领域，标志性的事件包括1974年第一台小型计算机的发布、万维网的发明、以及网民的迅速增长(从1993年的9万人增加到2000年的9000万人2)。

在这两轮周期中，科技板块盈利的上涨幅度有差异，但是估值涨幅的差距更加明显。这里我们以标普500的表现来观察总体的市场情况，经过与其他数据的对比，标普数据基本可以反映美国股市的总体走势。1947-1969年，标普上市公司盈利累计上涨了255%，而1980-2001年期间的涨幅为183%。但是，2001年4月的标普市盈率是1980年初的3.8倍，而1969年标普市盈率是1947年的1.7倍(图表6-7)。市盈率涨幅的差异解释了两轮科技周期中股市收益差距的绝大部分。

图表6:两轮科技进步周期中，盈利变化有差异…

资料来源：Robert J。 Shiller，中金公司研究部

图表7:…但第二轮周期的市盈率上升幅度更大

资料来源：Robert J。 Shiller，中金公司研究部

在这两轮周期中，科技行业股价涨幅均高于非科技股。我们根据文献[2]对两轮周期中的科技股进行了划分。在第一轮周期中，即战后的20年中，科技股包括的行业有化工、计算机、半导体、飞机制造、广播通讯。在第二轮周期中，即20世纪后期，科技股包括计算机、半导体、信息服务、通讯。在1947-1967年，科技行业股票的累计涨幅为820%，而同期非科技行业的涨幅为680%。在第二轮周期中，互联网泡沫破裂之前，科技股的跑赢则十分明显，最高时期较1980年上涨3000%，而同期非科技股仅较1980年上涨1000%。但是从2000年8月到2002年12月，科技股累计下跌59%，非科技股累计下跌11%。

第二轮周期中科技股的估值涨幅要远远大于第一轮，但两轮科技股盈利的涨幅差异没有如此明显(图表8-9)。受数据的限制，我们仅能获取到1950年之后各个企业详细的财务数据，自上而下计算，1950年-1970年，科技股盈利累计上涨了260%，在1979-1999年，科技股盈利累计上涨了340%，二者相差80个百分点。然而，在1947-1967年，科技行业股票的累计涨幅为820%，而在第二轮周期中，科技股最高时期较1980年上涨3000%，股价的差异主要是由估值涨幅的差异导致的。

图表8:1947-1969年，科技行业相对跑赢非科技行业

资料来源：CRSP，中金公司研究部注：战后的20年中，科技股包括的行业有化工、计算机、半导体、飞机制造、广播通讯。

图表9:1980-2002年，科技行业涨幅更大，但后期跌幅也更深

资料来源：CRSP，中金公司研究部注：在第二轮周期中，即20世纪后期，科技股包括计算机、半导体、信息服务、通讯。

在两轮周期中，科技行业中的新公司均跑赢老公司。在这两轮周期中，我们按照公司的上市日期，将在每一轮周期开启前上市的公司作为老公司， 在每一轮周期开启后上市的公司作为新公司。无论是在第一轮还是在第二轮周期中，科技行业中的新公司总体上均明显跑赢老公司，第二轮周期中更为明显。1947-1967年，科技行业中的新公司累计上涨1000%，老公司累计上涨750%；1980-1999年，科技股中的新公司累计上涨6000%，老公司累计上涨1860%(图表10-11)。值得注意的是，这种新公司对老公司的超额收益更多存在于科技股；在非科技股中，这种现象并不明显(图表12)，主要原因是相对于科技行业，其他行业的生产技术的更新迭代相对缓慢，而老企业往往具有一定的先发优势，因此新企业挑战老企业的难度相对较大。

图表10:1947-1969年，科技行业中的新公司跑赢老公司

资料来源：CRSP，中金公司研究部；注：战后的20年中，科技股包括的行业有化工、计算机、半导体、飞机制造、广播通讯

图表11:1980-2002年，科技行业中新公司跑赢老公司的幅度更大

资料来源：CRSP，中金公司研究部注：在第二轮周期中，即20世纪后期，科技股包括计算机、半导体、信息服务、通讯。

图表12:非科技行业中，新公司跑赢老公司的幅度相对较小

资料来源：CRSP，中金公司研究部

三、新古典：来自高增长预期的力量

由于增长预期对估值影响的不对称性，高增长预期有利于科技股的估值。对科技股的增长预期往往有很强的不确定性，市场往往一方面看到其很高的增长潜力、过往周期中科技股的盈利表现也会给这部分投资者信心；但另一方面，也会有投资者担心其失败甚至破产的风险。但是，由于增长预期对估值的影响是不对称的，最后往往是高增长预期战胜对破产的担忧，拉高了科技股的估值。

从新古典视角看，高估值与其盈利的不确定性有着直接联系[3]：使用最简单的高登增长模型，PE=1/(r-g)，r表示股权资产贴现率，g表示对公司的增长预期。我们注意到，g对PE的影响并不是线性对称的，在g增加时，PE是加速上升的，而g减少时，PE是减速下降的；由此，换句话来说，g即使减少一个相当大的量，对PE的影响也是有限的(比如减少到负无穷，PE也就是降低到0)；然而，如果g增加一个相对小的量，比如增加到无限接近r的位置，PE可能就会大幅增加。落实在现实当中，即购买一家科技公司的最极端损失可能是100%，而最高回报可能是10倍甚至百倍，因此科技公司的高估值往往也是可以理解的。

那么进一步来看，我们该怎样认识科技公司的增长潜力呢？从需求端来讲，投资者往往通过自己的深入研究探索特定技术和公司的前景，并发现其可能具有很大规模的市场需求，这是科技公司增长潜力的重要支撑之一。然而需求端存在很强的异质性，不同公司不同技术之间的差别很大，这并不是我们在本篇报告中分析的重点。

从宏观的角度来看，科技公司增长潜力一个很重要的来源，是供给端技术持续进步的潜力。早期的技术很可能是不成熟的、具有瑕疵的，单位成本往往较高，距离真正的应用或者超大规模应用还有比较长的距离，但从技术进步的规律来看，我们可能不必对这种早期的瑕疵过于担心。对此，有一些经验性的观察，其中最为著名的就是：“干中学”(learning by doing)，也就是技术的大规模应用，最终会带来生产成本的明显下降。有三条较为著名的经验观察描述了大规模应用与技术进步的关系，并因为其准确性并被后人称为“定律”。按照知名度来讲，

第一条是“摩尔定律”(Moores Law)[4]。1965年，英特尔联合创始人戈登摩尔提出：集成电路中每平方英寸晶体管的数量每两年翻一番，而成本则减半。摩尔定律被人熟知，是因为其准确地预言了半导体行业随后的发展历程。

第二条是莱特定律[5]。莱特定律由航空工程师西奥多·莱特(Theodore Wright)在1936年提出，当飞机产量翻倍时，成本以特定的速度下降。相较摩尔定律，莱特定律被人知晓得较少，但是它启发了著名经济学家阿罗提出内生增长模型[6]。

第三条是弗拉特利定律。弗拉特利定律由医疗技术公司Illumina的前董事长杰伊·弗拉特利提出，描述了基因组测序成本随着其大规模的应用而指数型下降。

在更广泛的行业里面，大规模应用是否会带来生产成本的下降？我们搜集了1929年以来60余种常用产品的实际生产成本[7]。

总的来看，在制造业行业中，大规模应用会很大幅度地降低生产成本；在15年的时间中，大多数行业的生产成本降幅达60%以上、计算机硬件下降到原来的1/1000以内。在下图中，我们选取了9个行业进行汇报，包括计算机硬件(DRAM、硬盘)，家电机械(汽车、黑白电视)，新材料(钛)，新能源(光伏电池)，化工(氨基乙醇、环乙烷)、医疗(DNA测序)。在我们的观察周期里面，化工产品的生产成本下降幅度是最小的、但也非常可观，在15年的时间里下降了约60%；汽车、黑白电视、钛、光伏电池下降了约70%；硬盘、DRAM则下降了99.9%以上。此外，我们还想指出的是：

大规模应用对生产成本的降低不仅局限于新兴产品。在我们的样本中，既包括一些在观察周期中刚刚兴起的产品，例如DRAM、硬盘等；也包括一些在观察周期之前就已经成型的产品，包括汽车、化工材料等。

指数型的成本下降不局限于半导体产品。虽然大多数产品生产成本的下降总体是线性的，仅有小部分产品的成本下降是指数型的，但这种指数型的成本下降也并不仅仅局限于半导体行业。一方面，DNA测序的成本也呈指数型下降，其技术与半导体本身并无直接联系；另一方面，硬盘的技术进步其实与集成电路中晶体管的密度也并无直接关系。

图表13:对于大多数制造业来说，大规模应用会带来生产成本的下降(线性坐标轴)

注：1)汽车从1985年开始，DRAM(存储器)从1971年开始，晶体管从1968年开始，黑白电视从1947年开始；光伏从1980年开始；钛从1950年开始；氨基乙醇从1955年开始；DNA测序从2001年开始2)实际生产成本表示扣除通胀后的生产成本

资料来源：http://pcdb.santafe.edu/，EIA，中金公司研究部

图表14:小部分产品的生产成本呈指数型下降，大部分呈线性下降(对数坐标轴)

注：1)汽车从1985年开始，DRAM(存储器)从1971年开始，晶体管从1968年开始，黑白电视从1947年开始；光伏从1980年开始；钛从1950年开始；氨基乙醇从1955年开始；DNA测序从2001年开始 2)实际生产成本表示扣除通胀后的生产成本

资料来源：http://pcdb.santafe.edu/，EIA，中金公司研究部

但需要指出的是，并不是所有的生产技术在大规模应用后都会降低生产成本，对于不同的技术、以及应用同类技术的不同公司，其“干中学”的结果可能有较大的不同，具体来看：

对于供应端强烈依赖自然禀赋的产品来说，其生产成本难以随着规模的扩大而有明显下降。以化石能源的开采为例，我们搜集了美国1949年以来主要化石能源生产成本的变化，美国石油、煤炭、天然气的实际生产成本相对于1949年均有所上升，与之相对比的是，太阳能电池板在1958年应用于美国卫星发射之后，其生产成本在2013年降至原来的1/2000以内(图表15)。

技术的供应端虽然在进步，但是需求端提出了更高的要求，最终的生产成本并未下降。以核电为例，虽然不同核电厂的成本估算存在一定困难，但从大量的已有数据和文献来看[8]，1970年以来的核电实际生产成本是在上升的。其主要原因是，与小规模试验时期不同，大规模核电技术的应用后，不仅需要其产生低成本的电力，还需要其保证安全性。因此，虽然核电技术本身一直都在进步，但是为了保证安全性，其生产成本反而有所上升。

对于应用同类技术的不同公司而言，经验不能有效积累也可能导致“干中学”的规律失效。由于公司人员流动、数据/经验积累的可得性不同，不同公司之间“干中学”的效果差别很大。我们寻找了1945-1984年发表的22个研究当中总结的108个干中学的制造业案例(图表16)，量化其在产量扩大一倍时生产成本的下降幅度，不同公司之间的确存在着一定的差别，甚至不排除出现生产成本上升的情况。洛克希德为例，其制造的L-1011 Tri Star飞机的生产成本并未随着产量的增加而下降，一个重要原因是其早期生产该飞机的管理人员与工人离开了公司[9]。

图表15:化石能源实际生产成本上升

资料来源：EIA，Perlin， John。 From space to earth: the story of solar electricity。 Earthscan， 1999。中金公司研究部

图表16:不同公司在产量扩大一倍时，生产成本降幅有所不同

资料来源：Argote， Linda， and Dennis Epple。 “Learning curves in manufacturing。” Science 247.4945 (1990)： 920-924，中金公司研究部

技术进步在公司经营上面的影响并不同，如果把ROE拆解为净利润率、资产周转率(销售收入/总资产)、权益乘数(总资产/总权益)，技术进步通过不同渠道提振企业ROE:

战后二十年的技术进步，主要通过提高企业的销售收入、提高资产周转率，进而保持企业的ROE水平。战后20年中，科技行业公司的净利率与非科技行业的公司并没有显著差别(图表17)，但是科技行业资产周转率明显高于非科技行业(图表18)。这一现象可能说明，战后20年的技术进步带来的成本下降通过价格传导使消费者受益，企业则受益于价格下降之后带来的销量提升。

20世纪后20年的技术进步，企业保持了较高的净利率，同时企业又以此为基础获得较大规模的债务融资(加杠杆)，进而保持企业的ROE水平。20世纪后20年中，科技行业的净利率要明显高于非科技行业(图表20)，同时，科技行业的权益乘数也要高于非科技行业(图表21)。这一现象说明，信息技术革命带来的技术进步，其带来的成本下降并未完全传导到消费者，使得企业既享受了成本下降带来的收益，也享受了销量扩大的收益。但在乐观的预期下，科技行业公司凭借大规模借债实现了总资产快速扩张，而销售收入并未跟上资产扩张的速度，因此其资产周转率要明显低于其他行业(图表22)。

第二轮周期中的科技股在盈利增长的过程中仍保持了较高的净利率，“量价齐升”的走势也让投资者给予其更高估值溢价。战后20年的技术进步，如前文图表中的黑白电视、汽车、化工产品等，更多是线性的技术进步，更类似于“改进型创新”，以价换量促增长，体现在相较于非科技行业并没有明显的净利率优势，想象空间较小；而20世纪最后20年的技术进步，主要集中于半导体及计算机设备领域，呈现出指数型的技术进步，大幅带动了新兴行业的成长并且保持了很高的净利率，量价齐升，因此想象空间更大。

但同时需要注意的是，1980-1999年的宏观背景是美国金融监管放松、利率趋势下行的时代，而1949-1969年则是金融监管较强、利率上行的阶段(图表25-26)，宏观变量的差异也对两轮之间估值的差异有重要的影响。在1950年-1970年，科技股盈利累计上涨了260%，在1979-1999年，科技股盈利累计上涨了340%(图表23)；但在1950-1970年，科技股估值上涨了504%，而1979-1999年，科技股估值上涨了2734%(图表24)。我们可以按照这样的公式拆分科技股的估值：科技股估值= 非科技股估值 + 科技股相对非科技股的估值溢价。非科技股估值，更多受到宏观层面的影响，科技股相对非科技股的估值溢价，则受到不同科技创新阶段行业特点的影响。从数据来看，宏观层面与行业层面的原因，共同解释了第二轮科技股估值的涨幅更大(图表27)。

图表17:1950-1969年，美国科技公司与非科技公司的净利率大体相同

资料来源：Compustat，中金公司研究部；注：战后的20年中，科技股包括的行业有化工、计算机、半导体、飞机制造、广播通讯

图表18:1950-1969年，美国科技公司的资产周转率高于非科技公司

资料来源：Compustat，中金公司研究部；注：战后的20年中，科技股包括的行业有化工、计算机、半导体、飞机制造、广播通讯

图表19:1950-1969年，美国科技公司的权益乘数与非科技公司区别并不大

资料来源：CRSP，Compustat，中金公司研究部注：1950-69年科技股包括化工、计算机、半导体、飞机、通讯；1979-99年包括计算机、半导体、信息服务

图表20:1979-1999年，美国科技公司的净利率高于非科技公司

资料来源：CRSP，Compustat，中金公司研究部注：1950-69年科技股包括化工、计算机、半导体、飞机、通讯；1979-99年包括计算机、半导体、信息服务

图表21:1979-1999年，美国科技公司的权益乘数高于非科技公司

资料来源：Compustat，中金公司研究部；注：科技股包括计算机、半导体、信息服务、通讯

图表22:1979-1999年，美国科技公司的资产周转率低于非科技公司

资料来源：Compustat，中金公司研究部；注：科技股包括计算机、半导体、信息服务、通讯

图表23:美国两轮科技股周期中，盈利累计增长的相对差异较小…

资料来源：CRSP，Compustat，中金公司研究部注：1950-69年科技股包括化工、计算机、半导体、飞机、通讯；1979-99年包括计算机、半导体、信息服务

图表24:…但美国第二轮周期中科技行业估值的增长远超第一轮

资料来源：CRSP，Compustat，中金公司研究部注：1950-69年科技股包括化工、计算机、半导体、飞机、通讯；1979-99年包括计算机、半导体、信息服务

图表26:美国折现率和无风险利率

资料来源：Robert Shiller，中金公司研究部。折现率使用标普市盈率的倒数近似。

图表27:第二轮美股估值上涨的原因包括非科技股估值的上升以及科技股估值溢价的上升

资料来源：CRSP，Compustat，中金公司研究部注：1950-69年科技股包括化工、计算机、半导体、飞机、通讯；1979-99年包括计算机、半导体、信息服务

四、大幅波动的原因：新古典+凯恩斯

虽然技术进步有利于提升科技股的价格，但是其波动也很大。举例来看，以英特尔1971年发布“4004微处理器”为标志，纳斯达克股价从1971年到1972年上涨了30%，随后到1974年下跌超过了50%。另外一个例子，从1990年到2000年，纳斯达克指数上涨了10倍，而同期纽交所指数只上涨了2倍，和我们前面的分析是一致的。但是，在2000年之后，纳斯达克指数下跌幅度也更大。

图表29:美国互联网技术发展时期股票指数

资料来源：CEIC，中金公司研究部。

如何理解科技行业资产价格的大幅波动？首先，从新古典主义的现金流贴现模型来看，根据戈登公式，股价由三个因素决定：折现率、盈利水平、增长率。折现率越低，盈利水平和增长率越高，股价越高。对17个主要经济体研究发现[10]，1985年后折现率下降对股价上涨有30%的解释作用，上市公司盈利水平提升有45%的解释作用，而增长率的解释作用相对有限。而折现率与无风险利率和风险溢价有关，近些年无风险利率的下行推动了折现率下降，从而推升了估值水平。折现率与无风险利率的正向关系在美国更明显，自1960年后，折现率和无风险利率基本上同向变动。1980年后，无风险利率的下行推动了折现率下行，提高美股估值。

第二，科技股股价大幅下跌时期也是部分科技企业盈利不达预期时期。互联网是个比较典型的例子，由于技术发展和推广的成本很高，美国大部分的互联网公司的净收入在2000年都是负值，增长潜力在短期内并没有实现。股价的提升更多的是依靠估值因素，而不是盈利水平。根据Ofek & Richardson(2003)[11]，大部分互联网公司在1999年底的潜在市盈率在400以上。同时，美国软件与服务业平均营收和盈利在2000年前后都没有提高。与之相对比的是，2009年之后，美国软件与服务业公司盈利水平持续十余年上涨，推动了股价同步上涨。

图表30:美国互联网上市公司盈利水平(2000)

资料来源：Ofek， E。， & Richardson， M。 (2003)。 DotCom Mania: The Rise and Fall of Internet Stock Prices。 The Journal of Finance， 58(3)， 1113–1137；中金公司研究部

图表31:美国互联网上市公司潜在市盈率(1999)

资料来源：Ofek， E。， & Richardson， M。 (2003)。 DotCom Mania: The Rise and Fall of Internet Stock Prices。 The Journal of Finance， 58(3)， 1113–1137；中金公司研究部。潜在市盈率是指当期股价与稳定时盈利水平的比值。稳定时的盈利水平使用可比较的传统经济估算

图表32:美国软件与服务业盈利水平

资料来源：Capital IQ，中金公司研究部

除了从新古典框架(现金流贴现模型)来解释股市波动，另一个框架是凯恩斯所说的“动物精神”(animal spirits)。按照这个框架，可以将投资者分为乐观者和悲观者两类：乐观者加杠杆，悲观者降杠杆，资产价格的涨跌受悲观者与悲观者的相对占比的影响。如果乐观者多，杠杆会增加，资产价格上升，乐观者受益、悲观者受损；但杠杆提高到一定程度，悲观者转多、乐观者转少，拐点发生、资产价格下跌，这时悲观者受益，乐观者受损。

新古典与凯恩斯两个框架互补而不是替代，前者偏中长期的基本面，后者偏中短期的情绪。

投资者对科技行业的高增长预期带来所谓的“ 动物精神”，我们梳理了当时美国一级市场和二级市场的一些相关特征。从一级市场来看，前风险投资对科技行业的投资一度非常积极。2000Q1末，美国风险投资的规模达到1192亿美元，超过前四年总和。其中，有近50%的风险资本涌入互联网专注赛道。1999-2000年，美国孵化期和后续投资期的风险投资额占比明显减少，被成长期和扩张期的风险投资额取代。

图表33:美国专注互联网行业风险投资占比

资料来源：万得资讯，中金公司研究部

图表34:美国各阶段风险资本占比

资料来源：万得资讯，中金公司研究部

IPO中亏损公司占比大幅上升，反映市场异常活跃。1999年IPO数量为446家，定价都伴随着严重的折扣。Ljungqvist and Wilhelm (2002)[12] 的研究指出在90年代末的IPO中，定向分配股份计划猛增，而董事持股和VC持股明显下降。另一方面，IPO中亏损公司占比大幅上升，2000年有81%的IPO为亏损公司。

图表35:美国IPO数量和平均首日回报率

资料来源：Jay Ritter，中金公司研究部

图表36:美国亏损股IPO占比

资料来源：万得资讯，中金公司研究部

二级市场换手率、杠杆率大幅上升。2000年3月，美国股市换手率达到39.6%，相比1999年月平均换手率的26.8%大幅上升；同月，融资融券占市值比重达到了1.95%，创历史新高。2000年3月衍生品市场的看跌/看涨期权比例也下降至0.44，创历史新低。与此同时，投资者对于估值的信心指数却创了新低，显示投资者并非不知道估值已贵，但受动物精神驱动，仍在继续投机行为。

图表37:CBOE看跌看涨期权未平仓比率

资料来源：CBOE Options Statistics，中金公司研究部

图表38:“动物精神”的体现

资料来源：RED Economic Data，万得资讯，中金公司研究部

需要注意的是，美国1980-2000年期间金融监管政策大幅放松，对一二级市场活跃度的提升也起到了助推作用。1980-1999年期间，美国出现了放松金融管制的浪潮，一系列的法案出台大大放松了监管机构对金融机构在地理位置、经营范围等方面的约束。具体来看，1980年国会通过的《存款机构放松管制法案》，标志着开始放松对存款性金融机构的监管；1994年，《里格尔-尼尔州际银行和分行效率法》取消了银行开设分行的地理位置限制；1996年，美联储进一步放宽1933年《格拉斯-斯蒂格尔法案》对银行经营范围的限制，提升商业银行开展投资银行业务的比例，1999年《格雷姆-里奇-比利雷法案》从法律上消除了商业银行、证券、保险机构在业务范围上的边界，结束了美国长达66年之久的金融分业经营的历史。

图表39:1980-1999年美国放松金融监管的主要法案

资料来源：美联储，中金公司研究部

五、科技创新的春天

我们在第一部分阐述了中国经济发展的三个十年，从人口红利、金融周期到科技创新。中国每千人劳动力中仅有约8人从事研发活动，这一水平仍低于日本的18人与德国的22人；另一方面，中国研发支出占GDP的比例2020年为2.4%(OECD数据)，仍然相对较低。从全球横向比较来看，主要经济体的制造业占全球份额与其研发支出份额高度相关，仅有两个国家明显偏离趋势线，一个是美国(研发支出占比明显高于趋势线)，另一个是中国(研发支出占比低于趋势线)。研发支出与GDP之比是一个流量的概念，但科学技术水平是一个存量概念，考虑到历史上中国研发支出占比持续较低，2013年前不足2%，意味着我们需要较长时间保持更高的研发资本开支，从而缩小存量的差距。

展望中国科技发展，大致分为两个方向，一是跟碳中和有关的科技创新(新能源)，另一个是跟数字经济有关的科技创新。这两个方向不是割裂的，而是互相融合，比如新能源汽车跟数字经济融合可以是无人驾驶的新能源汽车。

我国在新能源产业化和落地方面的确有优势，但是在前端科技研发方面，还与世界一流水平存在差距。以光伏产业为为例，我国在关键部件(如硅料、硅片、电池和组件)的产能规模和生产成本上都具有优势，这主要受益于我国人工和原材料成本低、以及产业链聚集和协同效应强。但在一些关键技术指标方面(如硅料的单晶比例、组件的转换效率)，我国仍处于劣势地位(图表40)。在风电领域我们也发现了类似的现象。我国在风电机组和零部件的制造上表现不俗，也基本实现了国产替代，但在整机的核心技术上、特别是在大兆瓦机组和海上机组的领域还不及海外。

图表40:中国与海外在光伏核心组件制造方面的指标对比

资料来源：Solarzoom等，中金公司研究部

展望未来，围绕碳中和，我国在电力领域与非电力领域均有一系列具备潜力的技术进步路线，部分技术路线图的可预见性逐步清晰，在未来的40年里，我们可能将经历一场清洁能源革命，具体来看：

零碳的电力技术未来发展：目前电化学储能还在应用初期，我们预计学习曲线下成本优化空间最大；光伏受益规模效应、材料替换、效率提升共振，有望在未来10年间成本再缩减一半；风电的利用效率接近极限，未来十年通过材料国产化、捕风面积提升还有20~30%的降本空间；核电的批量化、国产化生产有望带来超过10%的投资成本节省；水电受制于厂址资源的稀缺性，成本下降空间较小。

非电能源行业的零碳技术：零碳的非电技术未来发展中，我们认为电能替代是目前最经济可行的选项，且未来将受益于清洁电力成本的下降；氢能受益产业链规模化以及清洁电力电解水制氢，成本有~70%的下降空间；化石燃料+碳捕捉的成本下降空间在10%以内，这一技术路径的降本空间受制于化石燃料本身的使用成本。生物质合成燃料当前技术较成熟，成本取决于作物原料，远期若原材料成本更低的路线实现技术突破，则成本有~35%的下降空间。

除了以上有一定清晰度的技术进步路线，我们在碳中和系列报告中也提示过潜在超预期的技术进步，包括：1)碳捕捉技术若成功降本带来经济性，氢能技术开发的需求可能下滑。如果碳捕捉技术在应用上能找到新的突破口，那么碳捕捉的成本将会大幅下降，且由于其兼容目前的能源和工业体系，将加速碳中和的到来；2)第四代核电技术升级若显著增强固有安全性，使用率有望大幅提振、或对电力结构产生影响。如果在核电设计上可以实现固有安全性(事故条件下的自动停堆)，那么核电在应用上将会有大的发展；长期来看，核能仍然是人类可以使用的能量密度最高的能源，如果实现可控核聚变，将引起能源新的一轮技术革命；3)光伏效率还存在超预期的可能。从转化效率来看，并不排除未来经过长期的技术进步，最终出现光电转换效率达到40%以上的光伏技术的可能性。如果光伏成本进一步超预期可能带来更多的应用场景和更多的能源使用。

图表40:碳中和能源技术展望

资料来源：《碳中和经济学》(中金公司研究部，中金研究院，2021)，中金公司研究部

图表41:电力碳中和技术成本下降预期及核心驱动力

资料来源：《碳中和经济学》(中金公司研究部，中金研究院，2021)，中金公司研究部

图表42:非电碳中和技术成本下降预期及核心驱动力

资料来源：《碳中和经济学》(中金公司研究部，中金研究院，2021)，中金公司研究部

对数字经济认可度较高的一种刻画方法是按其组成划分成三个层次进行诠释(图表44)。数字经济的第一层叫核心层，包括硬件、软件以及信息和通讯技术(ICT)等。第二层叫狭义的数字经济，还包括基于数据、信息网络和数字技术应用的新商业模式，例如数字服务、平台经济，以及共享经济、零工经济等介于平台经济和传统经济之间的模式。狭义的数字经济中包含了最具代表性的平台经济，它也是数字经济最核心的商业模式。第三层是广义的数字经济，覆盖的范围还涉及了与传统的制造业、服务业的数字化相关的电子商业，还包含了新出现的万物互联(IoT)、工业4.0、精准农业等，反映了经济生活的各个层面所参与的数字化转型。

图表44:数字经济的三重划分

资料来源：Bukht， Rumana， and Eichard Heeks。 “Defining， conceptualizing and measuring the digital economy。” Development Informatics working paper 68 (2017)，中金公司研究部

数字经济的三重层次划分反映了数字经济的结构性特点，同时也提供了一个从行业领域切入分析数字经济的视角。核心层对应着数字技术基础设施行业，是数字经济发展的底层建筑，决定了狭义和广义数字经济发展的深度和广度，而狭义和广义数字经济的发展需求又会引领核心层的发展方向。

目前，我国狭义数字经济，特别是平台经济和共享经济，发展迅速。以每百人移动手机业务订阅用户数为例，1990年美国是中国的1346倍，2000年是5.9倍，2019年只有1.1倍。2020年，中国电商在零售中的份额为24.9%[13]，而美国为13.6%[14]。

但是在核心层和广义数字经济方面，中国的发展与世界前沿还有差距。例如，中国过去十年(2011-2020)人工智能专利累计申请量389571件，约占全球申请量的74.7%，是排名第二的美国的8.2倍。但全球范围内，中国AI高层次学者占比9.8%，是美国的1/6。中国在过去十年人工智能领域高水平论文发表量是22686篇，排名世界第二，而排名第一的美国发表量为33255篇[15]。中国2019年活跃人工智能企业1189家，位居世界第二，而美国是2169家[16]。中国的半导体产业与国际领先水平仍然有3代/约 6年技术差距。中国厂商云计算公有云全球市场份额占比 9%左右，而美国则占到85%左右。虽然中国2019年工业机器人装机量达到14万台，排名世界第一，但是每千名工人的平均装机量为187，落后于美国的228[17]。

图表45:中美每百人移动手机业务订阅用户数

资料来源：世界银行，中金公司研究部

图表46:全球科技行业收入分布变化——2019年

资料来源：万得资讯，彭博资讯，中金公司研究部

图表47:中美数字经济部分领域的差别

资料来源：中国信息通信研究院，清华大学人工智能研究院，中金公司研究部

中国数字经济核心层迎来发展机遇。以半导体行业为例，美国公司依靠全球化，实现高利润-高研发的正循环(见中金公司：科技：数字经济核心层：“AI+5G”是数字经济时代通用技术平台)。根据BCG预测，在“维持现状”的情境下，未来2-3年美国半导体企业的市场份额将从2018年48%下滑到40%，而中国的份额将从4%上升到7%。

从研发支出来看，2018年后，我国科技公司研发支出总额占营业收入比例开始提升。其中，软件与服务业从的研发支出占比2018年的8.9%提升到2020年9.6%，技术硬件与设备同期从4.3%提升到5.5%，半导体与半导体生产设备同期从6.3%提升到7.3%。

图表48:不同情景下全球半导体市场份额及国产化率的变化情况

资料来源：BCG，SIA，中金公司研究部

图表49:研发支出总额占营业收入比例

资料来源：万得资讯，中金公司研究部

从成长性以及盈利能力来看，中国这轮科技周期与美国第二轮科技周期的可比性似乎相对更强，但也有不同之处。我们按照中金公司研究部与研究院此前发布的两篇报告《数字经济，十大趋势》以及《碳中和与可持续发展背景下的投资》，梳理了与数字经济与碳中和相关的行业以及具体股票，尝试梳理其基本面的特征，并与美国两轮科技周期进行对比。从结果来看，一方面，数字经济和绿色能源行业表现出了很强的成长型，盈利增速快、净利率也相对偏高；但另一方面，数字经济和绿色能源行业的资产负债率并不偏高。具体来看：

与美国第二轮科技周期的相同点：成长快、净利率高于其他行业，但资产周转率并不高。这里，我们以沪深300非金融、非石油石化的全部公司作为基准公司，这也代表了市场的一般基准选择。2018年-2020年，基准公司的盈利累计增长17%，而绿色能源行业增长39%、数字经济则增长611%。同时，2018-2020年绿色能源行业净利率8.8%，数字经济平均净利率7.3%，均高于基准公司的净利率。同时，从资产周转率来看，绿色能源行业、数字经济行业总体均低于基准公司水平。

与美国第二轮周期的不同点：科技行业资产负债率并没有明显偏高。根据我们的统计，绿色能源行业的资产负债率为63.8%，高于基准公司水平；但数字经济行业的资产负债率为48.6%，大幅低于基准公司水平。

进一步来看，两个方向下不同的细分领域也有差距。在新能源领域，动力电池净利率高于基准、同时其资产周转率也高于基准，显示其量价齐升的动能更为明显；同时，太阳能领域则是新能源领域中净利率最高的，ROE也明显高于绿色能源行业以及基准公司。数字经济领域中，平台及应用行业的资产周转率、净利率、ROE均明显高于基准公司。

图表50:科技行业与基准公司的利润增长对比

资料来源：万得资讯，中金公司研究部

图表51:科技行业与基准公司的净利率对比

资料来源：万得资讯，中金公司研究部

图表52:科技行业与基准公司的资产周转率对比

资料来源：万得资讯，中金公司研究部

图表53:科技行业与基准公司的资产负债率对比

资料来源：万得资讯，中金公司研究部

图表54:科技行业与基准公司的ROE对比

资料来源：万得资讯，中金公司研究部

图表55:数字经济与绿色能源方向的主要标的

资料来源：《数字经济，十大趋势》以及《碳中和与可持续发展背景下的投资》，中金公司研究部

无风险利率偏低有利于估值

中国十年期国债利率从2014年1月4.6%下降至2021年6月3.1%。根据第四部分的逻辑，无风险利率下降会使得折现率下降，有利于估值水平提升，从而支撑股价。

图表56:中国折现率和无风险利率

资料来源：CEIC，中金公司研究部。折现率使用A股市盈率的倒数近似

无风险利率下行与经济增速放缓有比较强的关系。从长期看，美国的GDP名义增速和无风险利率的趋势较为一致，1960-80年处于上升趋势，1980年后处于下降趋势。这种关系在中国也有所体现，GDP名义增速自2012年后放缓，无风险利率随后也逐渐开始下行。

图表57:美国GDP名义增长率和无风险利率

资料来源：Jordà ò， Schularick M， Taylor A M。 Macrofinancial history and the new business cycle facts[J]。 NBER macroeconomics annual， 2017， 31(1)： 213-263。，中金公司研究部

图表58:中国GDP名义增长率和无风险利率

资料来源：CEIC，中金公司研究部

短期波动：用PMI与信用利差构建的风险溢价

从新古典视角来看，一个公司的价值等于未来现金流的折现价值，那么影响一个公司价值的因素可以被拆为折现率和未来中长期的盈利预期。在前面我们提到，科技股往往伴随着更高的估值，因为投资者往往对其计入了长久的增长预期，因此科技股具有的成长属性非常强。然而，一个公司在成长的过程中很难一帆风顺，总会遇到意想不到的困难，预期的兑现也并非一蹴而就，美国互联网公司在2000年就处于这个状态。业绩的波动会既考验不同投资者对公司的理解深度(是否还坚持其成长性)，也会考验不同投资者的负债久期(短期业绩面临压力时可能不得不卖出)。因此，市场对科技股的增长预期在不同背景下的波动比较大，由此也会引发股价的波动，无论是在美股还是在中国股市，成长股收益率的波动范围总是明显大于价值股。

从历史经验来看，经济景气以及债券市场的信用利差在一定程度上可以帮助投资者把握成长股估值的变化。我们将市盈率取倒数，得到股票的现价收益率(E/P)，再减去无风险利率(十年期国债利率)，这一结果可以用来衡量股权风险溢价。虽然成长股的增长可能具备一定的独立性，但一个公司在经济下行的环境中大幅增长有难度，因此可能会产生业绩不及预期的状况，并使得部分投资者调整对其的长期增长预期、风险偏好下降，在此背景下，股权风险溢价也会上升，估值下行的压力较大。为了量化这一思路，我们选取了中美各自的PMI与信用利差，构建股权风险溢价的量化模型，发现这一模型能够较好地刻画近十年来中美股权风险溢价的走势。

图表59:利用PMI与信用利差构建的股权风险溢价

资料来源：彭博资讯，中金公司研究部

[1]http://news.sina.com.cn/c/2021-07-27/doc-ikqcfnca9259618.shtml

[2] 包括Waterhouse， Benjamin C。 The land of enterprise: A business history of the United States。 Simon and Schuster， 2017； Gordon R J。 The rise and fall of American growth[M]。 Princeton University Press， 2016； Koehn N F。 The story of American business: from the pages of the New York Times[M]。 Harvard Business Press， 2009。

[3] Pástor， ubo， and Pietro Veronesi。 “Technological revolutions and stock prices。” American Economic Review 99.4 (2009)： 1451-83

[4] Moore， Gordon E。 “Cramming more components onto integrated circuits。” Proceedings of the IEEE 86.1 (1998)： 82-85。

[5] Wright， Theodore P。 “Factors affecting the cost of airplanes。” Journal of the aeronautical sciences 3.4 (1936)： 122-128。

[6] Arrow， Kenneth Joseph。 “The economic implications of learning by doing。” Readings in the Theory of Growth。 Palgrave Macmillan， London， 1971。 131-149。

[7] 这里指的是扣除通胀之后的生产成本变化，具备可比性。通过降低实际生产成本，技术进步把原来只能停留在实验室里面的、或者只能由少部分人买得起的物品，变成了大部分人都能买得起的，扩大了市场规模。

[8] Cooper， M。 (2009)。 The economics of nuclear reactors: renaissance or relapse。 Institute for Energy and the Environment， Vermont Law School。 June， 1998-2008。

[9] Argote， Linda， and Dennis Epple。 “Learning curves in manufacturing。” Science 247.4945 (1990)： 920-924。

[10] Kuvshinov D， Zimmermann K。 The big bang: Stock market capitalization in the long run[J]。 2020。

[11] Ofek E， Richardson M。 Dotcom mania: The rise and fall of internet stock prices[J]。 The Journal of Finance， 2003， 58(3)： 1113-1137。

[12] Ljungqvist A， Wilhelm Jr W J。 IPO pricing in the dot‐com bubble[J]。 The Journal of Finance， 2003， 58(2)： 723-752。

[13] https://www.statista.com/statistics/1129915/china-ecommerce-share-of-retail-sales/

[14] https://fred.stlouisfed.org/series/ECOMPCTSA

[15] 清华大学人工智能研究院、清华-中国工程院知识智能联合研究中心，2020，《人工智能发展报告2020》。

[16] 中国信息通信研究院，2019，《全球人工智能产业数据报告》。

[17] International Federation of Robotics。

（文章来源：中金点睛）

文章来源：中金点睛