1、数据苍穹系列报告数据苍穹系列报告招投标与行业景气预判专题招投标与行业景气预判专题 NLP赋能数字化投研，追踪赋能数字化投研，追踪“新经济新经济”行业复苏行业复苏 中信证券研究部中信证券研究部 数据科技组数据科技组 张若海、史丰源张若海、史丰源 2020年年6月月19日日 1 1 核心观点核心观点 行业及公司适用性分析：科技为先行业及公司适用性分析：科技为先，智慧城市智慧城市，新基建产业链上下游全面赋能新基建产业链上下游全面赋能。根据回测数据显示，该系统对于招投标 商业模式依赖度越高的公司，回测准确性越好。尤其是对于科技行业，如计算机、电子行业的公司的标书覆盖率更好。 在我们统计到的中标金额前1

2、00的公司中，计算机行业公司占比35%，科技行业公司占比50%。政府招标数据覆盖行业军 队、医院、学校、政府等行业，提取准确率达到84.5%，可以作为科技、基础设施、医疗等行业的资本开支先行指标。 招标数据招标数据5月观察：疫情月观察：疫情影响影响减弱减弱，Q2经济活动大幅回升经济活动大幅回升，军政引领反弹军政引领反弹。2020年Q1受疫情影响，军队、学校、医院与 政府单位招标数量同比下滑57%、67%、54%、52%；而随着疫情获得控制，在同类型下，Q2（4-5月）环比Q1提升项 目招标数量提升达115%、180%、61%、78%。从具体金额看，在同类型下，Q2（4-5月）环比Q1提升项目招

3、标金额提 升达143%、96%、31%、37%。中期看，随着疫情防控逐步常态化，料中大型项目工程会进一步上马，托底经济复苏。 重点行业与公司中标观察：科技产业链中期受益重点行业与公司中标观察：科技产业链中期受益，计算机引领政府预算开支提升计算机引领政府预算开支提升。从全国政府类招标角度看，截止5月底 全国信息化系统建设相关政府项目有1764个（去年同期2944个），从项目单体金额看，今年同期单体项目金额为371万 元，和去年365万元基本保持持平。从行业表现看，同比去年1-5月份，计算机行业中标金额仅下滑23%，通信下滑46% ，且进入Q2（4-5月），环比Q1中标体量基本达成。从部分代表性科

4、技公司看，如科大讯飞与中国软件，在1-5月在政府 项目端均实现超过40%以上增长，新经济方向龙头公司中标表现显著超过行业平均水平。 技术扩展方向技术扩展方向+数据可视化云化探索：向专业领域深化机器学习应用数据可视化云化探索：向专业领域深化机器学习应用。在招标数据分析方向，加快引入纯商业机构招标文 本类型，扩大ML赋能领域。并且推进模型在监督学习方向下，向金融，量化配置大产业高管变动分析与产品舆情分析应 用探索。 风险风险因素：因素：招投标数据非标准披露趋势提升；政府数据披露质量下降；NLP模型抽取风险。 qRqPsMwOmMqPoOoRqOrPoN9P9R9PtRqQmOpPfQoOtNjMo

5、MsQ7NqRrRMYqQuMwMsOsR 目录目录 CONTENTS 2 1.营收数据前瞻困局：研究的痛点，技术的难点营收数据前瞻困局：研究的痛点，技术的难点 2.破局之刃：破局之刃：依托机器学习，专业人工干预依托机器学习，专业人工干预 3.技术应用：模型精准度高，招标预示政策托底经济发力技术应用：模型精准度高，招标预示政策托底经济发力 4.数据扩展数据扩展+可视化探索：聚焦行研，加速云端交互可视化可视化探索：聚焦行研，加速云端交互可视化 3 1.营收数据前瞻困局：研究之痛，技术营收数据前瞻困局：研究之痛，技术 之难之难 I.招投标数据构成招投标数据构成To B类企业重要收支影响要素类企业重

6、要收支影响要素 II.行业研究的痛点：公司中标数据缺乏及时有效的跟踪手段行业研究的痛点：公司中标数据缺乏及时有效的跟踪手段 III.技术实现的难点：中标公告没有统一的行文规范技术实现的难点：中标公告没有统一的行文规范 4 4 营收数据前瞻困局营收数据前瞻困局研究的痛点，技术的难点研究的痛点，技术的难点 1.1 招投标数据构成招投标数据构成To B/ To G类型企业重要收支影响要素类型企业重要收支影响要素 对于To B与 To G类企业来说，公司的主要销售模式之一来自于政府或者企业招投标，因此对于公司营收状况的跟踪， 招投标数据对于特定商业模式的公司做好投资分析非常重要。 招标公告文本蕴含丰富

7、的内容，包括中标公司，中标时间，中标金额，中标地点等很多重要信息，尤其是依托中标公司 通过关联关系可以直接映射到相关上市公司标的，且通过中标金额可以直接判断公司的营收情况。 中标公告文本蕴含丰富的内容，包括中标公司，中标时间，中标金额，中标地点等很多重要信息，尤其是依托中标公司 通过关联关系可以直接映射到相关上市公司标的，且通过中标金额可以直接判断公司的营收情况。 1.2 行业研究痛点：中标数据缺乏专业化与广域级别的分析能力行业研究痛点：中标数据缺乏专业化与广域级别的分析能力 鉴于招中标信息的复杂性，市场上一直却缺乏行之有效手段进行及时准确的分析能力。 专业化：便于重点行业/公司关键指向性招投

8、标的市场情绪跟踪。特斯拉上游宁德时代、先导智能等 广域化：便于重点产业链全视野的公司分析，而非专注于个别公司本身。 1.3 技术实现难点：中标公告非结构化，没有统一的写作规范，很难使用常规的技术手段加以分析和利用技术实现难点：中标公告非结构化，没有统一的写作规范，很难使用常规的技术手段加以分析和利用 数据源分散：没有一个统一的数据源，只能利用多个第三方数据源相互补充 金额书写：阿拉伯数字，中文简体/繁体 表述形式多样：中标/成交/第一候选人/供应商/代理商 表格造成干扰：部分中标公告正文中嵌套表格 5 5 2.破局之刃：依托机器学习，专业人工干破局之刃：依托机器学习，专业人工干 预预 I.I.

9、系统优势：数源可拓展，模型可迭代，行业可通用系统优势：数源可拓展，模型可迭代，行业可通用 II.II. 系统技术架构：采集系统技术架构：采集+ +抽取抽取+ +展示流式架构展示流式架构 III.III.系统技术手段：分布式爬虫系统技术手段：分布式爬虫+NLP+NLP命名实体识别命名实体识别+ +两步检验两步检验 6 6 招投标分析系统优势招投标分析系统优势高频、通用、专业校验高频、通用、专业校验 招投标分析系统实现方案招投标分析系统实现方案 综合多个第三方招中标数据源，结合NLP数据抽取引擎，可以将非结构化的中标长文本，转化为可 以利用的结构化数据，如中标公司，中标金额等。以此实现高频（周度）

10、、前瞻（提前于定期公告 ）的招投标数据跟踪、拟合和预测。 方案优势方案优势 多行业通用：对于依赖招投标商业模式的To B/ TO G性质的行业、多公司的均具有较高的通用性。 实时性&前瞻性：从分析再到校验，流水线作业，常规T+7数据输出，重点公司T+0，更提前更高频 于财务公开数据。 任务抽象任务抽象 招投标分析系统 公司公司日期日期地点地点金额金额 海康 威视 2018. 04.28 上饶648.5万 元 卫宁 健康 2019. 11.03 西安45.63万 元 大华 股份 2019. 05.17 北京128.3万 元 资料来源：各地政府官网，政府招标网，中信证券研究部数据科技组 7 7 招

11、投标分析系统架构招投标分析系统架构抽取抽取+检验处理架构检验处理架构 数据 提取 模块 中国政府采购网 采招网 其他数据源 原始HTML数据 人工标注数据 回标 模块 训练数据 生成模块 训练数据 预处理模块 预处理模块 模型 训练 预测模型 预测 模块 原始HTML数据 采样 模型抽取结果 规则抽取模块 规则抽取结果最终结果字典库 （训练集：10000条随机标注 数据；全集：100w数据） 资料来源： 中信证券研究部数据科技组 8 8 招投标分析系统架构招投标分析系统架构文本抽取文本抽取+检验处理架构检验处理架构 NLP抽取引擎 文本预处理 公司 金额 中标项目去重 数据的展示与导出 正则规

12、则抽取引擎 抽取模块 展示模块 预训练模型命名实体识别子公司字典 关联公司字典 中标项目校验 检验模块 资料来源： 中信证券研究部数据科技组 9 9 招投标分析系统技术招投标分析系统技术序列标注模型的优势序列标注模型的优势 传统的基于规则方法传统的基于规则方法 规则抽取方法适用：针对网页规范比较统一的数据比较有效。 规则抽取方法失效原因：网站数据结构化不好，规则五花八门，无规律可循。 为什么针对招投标数据要选用序列标注模型为什么针对招投标数据要选用序列标注模型 序列标注模型不仅使用“上下文信息”，还利用了“文本自身信息”。 规则方法相当于只使用了特定的上下文信息，没有使用文本本身信息。 中标公

13、告正文示例中标公告正文示例 资料来源：各地政府官网，中信证券研究部数据科技组 1010 招投标分析系统技术招投标分析系统技术序列标注模型结构拆解序列标注模型结构拆解 序列标注模型三层结构序列标注模型三层结构 BERT预训练模型：我们标注的训练数据数量较少，利用预训练模型可以引入自然语言的普遍规律，利用较少的训 练数据更快更好的收敛模型。 双向LSTM：最常见语言文本序列的特征提取模型，优点是可以把上下文信息编码到当前字符的特征向量中，缺点 是速度稍慢。 CRF条件随机场：对特征向量序列进行标记概率的预测，优点在于其为一个位置进行标注的过程中可以利用丰富的 内部及上下文特征信息。例如右图P-B表

14、示价格的第一个字符，P-I表示价格的其他字符，全部拼接形成最终预测的 结果，10万元。 序列标注模型三层结构序列标注模型三层结构 资料来源：中信证券研究部数据科技组 1111 招投标分析系统技术招投标分析系统技术模型迭代比较模型迭代比较 V1：传统的基于规则方法：传统的基于规则方法 传统基于规则的抽取方法，固定的规则模板难以解决复杂的数据格式。 V2：序列标注模型：序列标注模型（借鉴命名实体识别任务借鉴命名实体识别任务） 借鉴NLP领域命名实体识别任务，利用深度学习模型对中标金额和供应商进行抽取。 V2.1：引入预训练模型：引入预训练模型 为序列标注模型引入预训练模块，利用相同的训练数据达到更

15、好的效果。 V2.2：引入数据增强策略：引入数据增强策略 利用数据增强策略，自动化扩充标注数据的数量，利用更大的数据量提升模型效果。 模型迭代流程模型迭代流程 基于规则的模型基于序列标注的模型 引入预训练模型 引入数据增强策略 混合模型 资料来源：中信证券研究部数据科技组 1212 招投标分析系统技术招投标分析系统技术数据检验两步走数据检验两步走 数据校验两步走数据校验两步走 数据源的完整性检验 对于多数据源的汇集，主要是检测对于目标网站中披露的招投标公告是否实现了全量的跟踪或者下载调用。对此 采用两种手段进行检测，一是自动化的比对数据量级和目标网站的数量级是否一致；二是人工对部分标书进行抽

16、取校验，确保数据完整性。 NLP抽取端的数据合理性校验 通过抽取的公司中标金额，与公司定期报告披露的营收数据进行回测，对于明显异常的数据点，如系统统计的中 标金额大于当期财报披露值，基于规则进行脏数据过滤，并人工介入进行标书的校验。对于100%-200%的覆盖 率，重点关于是否属于确认收入延迟；对于200-300%的覆盖率，重点关注模型抽取准确性是否有误；300%以上 覆盖率的数据可以直接剔除。对于错误的抽取标书，在人工检查后，加入新的训练集。 剔除非潜在适用行业 剔除ST、小于100亿市值公司 剔除拟合测试相关性低的公司 人工校验 确实有误 核验无误 优化改进模型可能是收入确认延迟 数据源完

17、整性校验数据源完整性校验NLP结果合理性校验流程结果合理性校验流程 目标网站 本地数据库 数量级自动校验 人工抽样检验 资料来源：各地政府官网，政府招标网，中信证券研究部数据科技组 1313 3.技术应用技术应用：模型精准度高，招标预示模型精准度高，招标预示 政策托底经济发力政策托底经济发力 I.I.NLPNLP抽取模型准确度测试抽取模型准确度测试 II.II. 招标透视：招标透视：疫情影响消退，疫情影响消退，Q2Q2经济活动大幅回升，军政引领经济活动大幅回升，军政引领 III.III.重点行业与代表公司观察：新经济时代正当时重点行业与代表公司观察：新经济时代正当时 IV.IV. 公司列表统计

18、：多指标筛选系统适用公司名单公司列表统计：多指标筛选系统适用公司名单 1414 模型测试模型测试 2019年至今政府采购网共437144条招标公告，我们可以对其中84.5%的公告实现准确提取。 模型的测试结果如图所示，测试集F1值接近90%，抽取准确率和召回率都比较高。 其中测试集的F1-measure是一个反映模型在测试集能力的综合指标，由准确率和召回率计算得到。 计算公式为F1-measure = 2*p*r / (p + r)p、r分别代表准确率和召回率。 实际应用实际应用 将该模型应用于2018、2019、部分2020年的招投标数据，可以使用该系统成功处理的标书占标书总 量的比例为74

19、.26%，标书金额占标书总金额的比例约为87.47%。 这部分数据经过人工抽样检验，预 测准确率约为97%。剩余部分主要是同一中标中包含多标情况，导致模型预测结果置信度较低情况。 招标模型测试招标模型测试行业招标单标行业招标单标 模型测试结果模型测试结果 实验结果实验结果准确率（准确率（P） 召回率（召回率（R） F1- measure 训练集94.41%94.81%94.61% 测试集90.85%88.95%89.89% 74.26 87.47 0% 20% 40% 60% 80% 100% 中标数量中标金额 应用效果 已解决未解决 全量数据应用效果全量数据应用效果 资料来源：各地政府官网，

20、政府招标网， 中信证券研究部数据科技组 1515 2020年Q1，受疫情影响，军队、学校、医院与政府单位招标数量同比下滑57%、67%、54%、52%； 而随着疫情获得控制。 在同类型前提下，Q2（4-5月）环比Q1提升项目招标数量提升达115%、180%、61%、78%。从具体 金额看，在同类型下，Q2（4-5月）环比Q1提升项目招标金额提升达143%、96%、31%、37%。中期 看，随着疫情防控逐步常态化，预计中大型项目工程会进一步上马，托底经济复苏。 招标数据招标数据5月观察：疫情影响消退，月观察：疫情影响消退，Q2经济活动大幅经济活动大幅 回升回升 招标数据招标数据5月观察月观察（项

21、目数量与项目金额统计）（项目数量与项目金额统计） 0 10000 20000 30000 40000 50000 60000 19Q119Q219Q319Q420Q1 20Q2(4-5月) 各招标人招标数量统计 军队学校医院政府其他 0.00E+00 5.00E+10 1.00E+11 1.50E+11 2.00E+11 2.50E+11 3.00E+11 3.50E+11 4.00E+11 19Q119Q219Q319Q420Q1 20Q2(4-5月) 各招标人预算金额统计 军队学校医院政府其他 资料来源：各地政府官网，政府招标网，中信证券研究部数据科技组 1616 从招标的细分方向看，对于

22、政府招标方向的信息化项目统计来看，受疫情影响，2020年的1月基本停滞 ，不过在3月后，随着疫情影响的逐步降低，信息化招标的整体金额环比大幅上升，基本回到2019年同 期水平。 从全国政府类招标角度看，截止5月底全国信息化系统建设相关政府项目有1764个（去年同期2944个） ，从项目单体金额看，今年同期单体项目金额为371万元，和去年365万元基本保持持平。 招标数据招标数据行行业观察：新经济相关加速回暖业观察：新经济相关加速回暖 招标数据招标数据5月观察月观察（项目数量与项目金额统计）（项目数量与项目金额统计） 资料来源：各地政府官网，政府招标网，中信证券研究部数据科技组 0 200 40

23、0 600 800 1000 1200 0 500000000 1E+09 1.5E+09 2E+09 2.5E+09 3E+09 3.5E+09 4E+09 4.5E+09 全国信息化设备招标情况 预算金额招标数量 1717 从2019年年初至2020年5月底看，在中标统计中，建筑行业，计算机，通信与电力及公用事业占比较高 、信息质量比较完善。同时在新经济时代，我们能够看到通信和计算机等行业在不同阶段均有脉冲式的 中标爆发。 从行业表现看，同比去年1-5月份，计算机行业中标金额仅下滑23%，通信下滑46%，且进入Q2（4-5 月），环比Q1中标体量基本达成。 重点行业中标数据观察重点行业中标

24、数据观察新经济行业获益趋势明确新经济行业获益趋势明确 中标数据重点观察中标数据重点观察 资料来源：各地政府官网，政府招标网，中信证券研究部数据科技组 0 2E+09 4E+09 6E+09 8E+09 1E+10 1.2E+10 1.4E+10 1.6E+10 1.8E+10 电力及公用事业电子国防军工计算机建材建筑通信 1818 从部分代表性科技公司看，如科大讯飞与中国软件，在1-5月在政府项目端均实现超过40%以上增长， 新经济方向龙头公司中标表现显著超过行业平均水平。 不过值得注意的是，目前我们的统计只是围绕在政府数据公布的这一个方向，对于更多企业级招标数据 分析，还没有引入，因此部分中

25、标数据只代表公司营收的To G主要方向。 重点公司中标数据观察重点公司中标数据观察头部公司获益明确头部公司获益明确 重点公司中标数据跟踪重点公司中标数据跟踪 资料来源：各地政府官网，政府招标网，中信证券研究部数据科技组 0 20000000 40000000 60000000 80000000 100000000 120000000 140000000 160000000 180000000 200000000 求和项:2019_1求和项:2019_2求和项:2019_3求和项:2019_4求和项:2019_5求和项:2020_1求和项:2020_2求和项:2020_3求和项:2020_4求和

26、项:2020-05 科大讯飞中国软件中科曙光卫宁健康 1919 以卫宁健康为例，2018年至今年一季度，招投标分析系统统计的中标数据和该公司四个季度定期报告 披露的营收数据进行对比回测，金额覆盖率10%-20%之间，线性相关性0.74，无论是同比还是环比变 化都可以较好的反映营收变化的趋势，做到定性判断。 对于海康威视，使用同样的方式和口径进行回测，线性相关性0.74，金额覆盖率相对较低，为5%-10% ，可能与公司的销售模式有关，但依然基本上可以反映营收变化趋势 。 目前这个版本中，我们每个公司的中标金额都是将其子公司归一化到母公司之后的结果，与第一版未将 子公司纳入考虑相比，无论是金额覆盖

27、率和相关性平均提升了5%-10%。 历史营收拟合测试历史营收拟合测试以卫宁健康、海康威视为例以卫宁健康、海康威视为例 重点公司营收拟合测试重点公司营收拟合测试 0% 5% 10% 15% 20% 25% 30% 0 100000000 200000000 300000000 400000000 500000000 600000000 700000000 800000000 卫宁健康 中标金额营业总收入金额覆盖率 0% 2% 4% 6% 8% 10% 12% 14% 16% 18% 20% 0 200000000 400000000 600000000 800000000 1000000000

28、1200000000 1400000000 1600000000 1800000000 2000000000 海康威视 中标金额营业总收入金额覆盖率 资料来源：各地政府官网，政府招标网，中信证券研究部数据科技组 2020 我们对A+H股、海外中概股共计6000余家公司的中标额做数据回测，该数据库中可以覆盖到的公司达 到407家，对应2019年收入占比超过30%以上公司达36家，占比超过20%以上公司达58家；并和季报营 收拟合做线性相关性测试，相关性在0.8以上的公司有33家，相关性在0.7以上的85家。 公司列表公司列表多指标筛选系统适用公司名单多指标筛选系统适用公司名单 2019年四季度部

29、分公司中标金额统计年四季度部分公司中标金额统计 0 100000000 200000000 300000000 400000000 500000000 600000000 700000000 800000000 2019Q12019Q22019Q32019Q4 2019年四季度部分公司中标金额统计 四维图新佳都科技阳光城中国软件卫士通海康威视 上海电气紫光股份上海医药千方科技中联重科同方股份 易华录华大基因华宇软件人福医药新城控股东华软件 步长制药南方航空保利地产绿地控股卫宁健康 资料来源：各地政府官网，政府招标网，中信证券研究部数据科技组 2121 我们对A+H股、中概股共计6000余家公司

30、的中标额和季报营收做数据回测，其中满足公司市值100亿 ，营收线性相关性0.7，且覆盖营收占比20%的公司共有30家，我们认为该系统对这30家公司的跟踪 效果比较好，未来随着数据源的进一步扩充，模型算法的持续优化迭代，会有更多的公司进入此名单。 公司列表公司列表多指标筛选系统适用公司名单多指标筛选系统适用公司名单 系统适用分析公司名单系统适用分析公司名单 资料来源：各地政府官网，政府招标网，中信证券研究部数据科技组 2222 4.技术技术扩展扩展+可视化探索：聚焦行可视化探索：聚焦行 研，加速云端交互可视化研，加速云端交互可视化 I.I.聚焦行研：聚焦行研：深化垂直领域应用深化垂直领域应用 I

31、I.II. 云端可视化：提炼核心跟踪公司观点可视化云端可视化：提炼核心跟踪公司观点可视化 2323 监督学习：金融领域ML的最佳实践路径 行业理解壁垒： 数据标注内容和标注方法的设计。 关键数据的存储、检索和使用逻辑的设计。 模型构建流程中使用相关金融字典和行业字典。（公司-子公司、公司-品牌、公司-代理商） 行业标签的标准化设计：结构化+抽象化+专业化 数据源：各种以自然语言为载体的长文本段落。 数据格式：采用BIO标注方法，标注待抽取的关键信息。 调用模式：模型抽取关键信息并存储至数据库中，以备检索和使用。 金融行业高管变动跟踪金融行业高管变动跟踪 全行业公司跟踪：上市公司+非上市公司高管

32、变动跟踪 标签标注方式：根据新闻，形成标注逻辑判断，提取，时间，公司名称，高管人名，变动职位的标 准字段 量化配置舆情量化配置舆情 给定产品或者行业或者公司跟踪：上市公司+非上市公司高管变动跟踪 标签标注方式：根据新闻，形成标注逻辑判断，提取，时间，公司名程，加入判断逻辑指标 数据智能数据智能NLP垂直领域应用延伸垂直领域应用延伸 2424 云端可视化云端可视化结构化数据结构化数据+云化数据智能交互云化数据智能交互 中标数据可视化案例中标数据可视化案例数据平台当前主要聚焦于政府招标网，跟踪各上市公司的中标披露金额。数据双周度进行更 新和清洗，目前跟踪的上市公司主要为：四维图新，佳都科技，阳光城

33、，中国软件，卫士通，海康威视，紫光股份， 上海医药，九州通，千方科技，中联重科，同方股份、易华录等20多家科技公司。 中标数据应用案例中标数据应用案例两会关键词热搜比例与海外疫情舆情热度统计两会关键词热搜比例与海外疫情舆情热度统计 数据魔方相关看板展示公司数据列表与数据魔方链接URL 资料来源：政府招标网，中信数据魔方，中信证券研究部数据科技组 公司行业 四维图新计算机 佳都科技计算机 阳光城房地产 中国软件计算机 卫士通计算机 海康威视电子 紫光股份计算机 上海医药医药 九州通医药 千方科技计算机 中联重科机械 同方股份计算机 易华录计算机 http:/datacube.ci 234 感谢您

34、的信任与支持！感谢您的信任与支持！ THANK YOU 张若海张若海（首席数据科技分析师首席数据科技分析师） 执业证书编号： S01 史丰源史丰源（数据科技分析师数据科技分析师） 执业证书编号： S02 分析师声明分析师声明 主要负责撰写本研究报告全部或部分内容的分析师在此声明：（i）本研究报告所表述的任何观点均精准地反映了上述每位分析师个人对标的证券和发行人的看法；（ii）该分析师所得报酬的任何组成部分无论是在过去、现在及将来均不会直接或间接地 与研究报告所表述的具体建议或观点相联系。 评级说明评级说明 其他声明其他声明 本研究报告由中信证券股份有

35、限公司或其附属机构制作。中信证券股份有限公司及其全球的附属机构、分支机构及联营机构（仅就本研究报告免责条款而言，不含CLSA group of companies），统称为“中信证券”。 法律主体声明法律主体声明 本研究报告在中华人民共和国（香港、澳门、台湾除外）由中信证券股份有限公司（受中国证券监督管理委员会监管，经营证券业务许可证编号：Z20374000）分发。本研究报告由下列机构代表中信证券在相应地区分发：在中国香港由CLSA Limited分 发；在中国台湾由CL Securities Taiwan Co., Ltd.分发；在澳大利亚由CLSA Australia Pty Ltd.（金

36、融服务牌照编号：350159）分发；在美国由CLSA group of companies（CLSA Americas, LLC（下称“CLSA Americas”）除外）分发；在新加坡由CLSA Singapore Pte Ltd.（公司注册编号：198703750W）分发；在欧盟与英国由CLSA Europe BV或 CLSA （UK）分发；在印度由CLSA India Private Limited分发（地址：孟买（400021）Nariman Point的Dalamal House 8层；电话号码：+91-22-66505050； 传真号码：+91-22-22840271；公司识别号：

37、U67120MH1994PLC083118；印度证券交易委员会注册编号：作为证券经纪商的INZ000001735，作为商人银行的INM000010619，作为研究分析商的INH000001113）；在印度尼西亚由PT CLSA Sekuritas Indonesia分发；在日本由CLSA Securities Japan Co., Ltd.分发；在韩国由CLSA Securities Korea Ltd.分发；在马来西亚由CLSA Securities Malaysia Sdn Bhd分发；在菲律宾由CLSA Philippines Inc.（菲律宾证券交易所及证券投资者保护基金会员）分发；

38、在泰国由CLSA Securities (Thailand) Limited分发。 针对不同司法管辖区的声明针对不同司法管辖区的声明 中国：中国：根据中国证券监督管理委员会核发的经营证券业务许可，中信证券股份有限公司的经营范围包括证券投资咨询业务。 美国：美国：本研究报告由中信证券制作。本研究报告在美国由CLSA group of companies（CLSA Americas除外）仅向符合美国1934年证券交易法下15a-6规则定义且CLSA Americas提供服务的“主要美国机构投资者”分发。对身在美国的任何人士发送本 研究报告将不被视为对本报告中所评论的证券进行交易的建议或对本报告中所

39、载任何观点的背书。任何从中信证券与CLSA group of companies获得本研究报告的接收者如果希望在美国交易本报告中提及的任何证券应当联系CLSA Americas。 新加坡：新加坡：本研究报告在新加坡由CLSA Singapore Pte Ltd.（资本市场经营许可持有人及受豁免的财务顾问），仅向新加坡证券及期货法s.4A（1）定义下的“机构投资者、认可投资者及专业投资者”分发。根据新加坡财务顾问法下财务顾问（修 正）规例（2005）中关于机构投资者、认可投资者、专业投资者及海外投资者的第33、34及35 条的规定，财务顾问法第25、27及36条不适用于CLSA Singapor

40、e Pte Ltd.。如对本报告存有疑问，还请联系CLSA Singapore Pte Ltd.（电话：+65 6416 7888）。MCI (P) 086/12/2019。 加拿大：加拿大：本研究报告由中信证券制作。对身在加拿大的任何人士发送本研究报告将不被视为对本报告中所评论的证券进行交易的建议或对本报告中所载任何观点的背书。 欧盟与英国：欧盟与英国：本研究报告在欧盟与英国归属于营销文件，其不是按照旨在提升研究报告独立性的法律要件而撰写，亦不受任何禁止在投资研究报告发布前进行交易的限制。本研究报告在欧盟与英国由CLSA （UK）或CLSA Europe BV发布。CLSA （UK） 由（英

41、国）金融行为管理局授权并接受其管理，CLSA Europe BV 由荷兰金融市场管理局授权并接受其管理，本研究报告针对由相应本地监管规定所界定的在投资方面具有专业经验的人士，且涉及到的任何投资活动仅针对此类人士。若您不具备投资的专业 经验，请勿依赖本研究报告。对于由英国分析员编纂的研究资料，其由CLSA （UK）与CLSA Europe BV制作并发布。就英国的金融行业准则与欧洲其他辖区的金融工具市场指令II，本研究报告被制作并意图作为实质性研究资料。 澳大利亚：澳大利亚：本研究报告在澳大利亚由CLSA Australia Pty Ltd. （金融服务牌照编号：350159）仅向公司法（200

42、1）第761G条定义下的批发客户分发，并非意图分发给任何零售客户。 一般性声明一般性声明 本研究报告对于收件人而言属高度机密，只有收件人才能使用。本研究报告并非意图发送、发布给在当地法律或监管规则下不允许向其发送、发布该研究报告的人员。本研究报告仅为参考之用，在任何地区均不应被视为买卖任何证券、金融工具的要约 或要约邀请。中信证券并不因收件人收到本报告而视其为中信证券的客户。本报告所包含的观点及建议并未考虑个别客户的特殊状况、目标或需要，不应被视为对特定客户关于特定证券或金融工具的建议或策略。对于本报告中提及的任何证券或金融工具， 本报告的收件人须保持自身的独立判断。 本报告所载资料的来源被认

43、为是可靠的，但中信证券不保证其准确性或完整性。中信证券并不对使用本报告所包含的材料产生的任何直接或间接损失或与此有关的其他损失承担任何责任。本报告提及的任何证券或金融工具均可能含有重大的风险，可能 不易变卖以及不适合所有投资者。本报告所提及的证券或金融工具的价格、价值及收益可能会受汇率影响而波动。过往的业绩并不能代表未来的表现。 本报告所载的资料、观点及预测均反映了中信证券在最初发布该报告日期当日分析师的判断，可以在不发出通知的情况下做出更改，亦可因使用不同假设和标准、采用不同观点和分析方法而与中信证券其它业务部门、单位或附属机构在制作类似的其他 材料时所给出的意见不同或者相反。中信证券并不承

44、担提示本报告的收件人注意该等材料的责任。中信证券通过信息隔离墙控制中信证券内部一个或多个领域的信息向中信证券其他领域、单位、集团及其他附属机构的流动。负责撰写本报告的分析师的薪酬 由研究部门管理层和中信证券高级管理层全权决定。分析师的薪酬不是基于中信证券投资银行收入而定，但是，分析师的薪酬可能与投行整体收入有关，其中包括投资银行、销售与交易业务。 若中信证券以外的金融机构发送本报告，则由该金融机构为此发送行为承担全部责任。该机构的客户应联系该机构以交易本报告中提及的证券或要求获悉更详细信息。本报告不构成中信证券向发送本报告金融机构之客户提供的投资建议，中信证券以及 中信证券的各个高级职员、董事

45、和员工亦不为（前述金融机构之客户）因使用本报告或报告载明的内容产生的直接或间接损失承担任何责任。 未经中信证券事先书面授权，任何人不得以任何目的复制、发送或销售本报告。未经中信证券事先书面授权，任何人不得以任何目的复制、发送或销售本报告。 中信证券中信证券2020版权所有。保留一切权利。版权所有。保留一切权利。 免责声明免责声明 投资建议的评级标准投资建议的评级标准评级说明 报告中投资建议所涉及的评级分为股票评级和行业评级（另有说明的除外）。评级标准为报告发 布日后6到12个月内的相对市场表现，也即：以报告发布日后的6到12个月内的公司股价（或行业 指数）相对同期相关证券市场代表性指数的涨跌幅

46、作为基准。其中：A股市场以沪深300指数为基 准，新三板市场以三板成指（针对协议转让标的）或三板做市指数（针对做市转让标的）为基准； 香港市场以摩根士丹利中国指数为基准；美国市场以纳斯达克综合指数或标普500指数为基准； 韩国市场以科斯达克指数或韩国综合股价指数为基准。 股票评级 买入相对同期相关证券市场代表性指数涨幅20%以上 增持相对同期相关证券市场代表性指数涨幅介于5%20%之间 持有相对同期相关证券市场代表性指数涨幅介于-10%5%之间 卖出相对同期相关证券市场代表性指数跌幅10%以上 行业评级 强于大市相对同期相关证券市场代表性指数涨幅10%以上 中性相对同期相关证券市场代表性指数涨幅介于-10%10%之间 弱于大市相对同期相关证券市场代表性指数跌幅10%以上 证券研究报告证券研究报告2020年年6月月19日日