中金：宏觀眼中的科技股

摘要
中國經濟增長動能正處於從人口紅利、金融周期到科技創新的第三次切換階段，我們預計資本市場也將因此發生深刻的變化。我們在新古典和凱恩斯所說的「動物精神」兩個視角下，結合美國戰後兩輪科技創新時期宏觀金融環境和科技股變化的歷史經驗，討論中國科技創新時期相關板塊資產價格的演變。

回顧美國戰後到20世紀末期間兩輪科技創新，其科技股的表hqi 現分別有2個共同之處和3個不同之處。共同之處是科技股的漲幅均高於非科技股，同時科技板塊中的新公司總體跑贏老公司。不同之處主要體現為三個方面：第二輪周期中科技股相對於非科技股的超額收益遠遠大於第一輪。1947-67年期間科技股總體累計漲幅為820%，非科技股的漲幅為680%；第二輪周期中，科技股最高時較1980年上漲3000%，非科技股上漲1000%。其二，兩輪周期中科技股漲幅的差異來自估值的貢獻多於盈利的貢獻，1950-70年科技板塊盈利累計上漲260%，而1979-99年期間科技板塊盈利累計上漲了340%。此外，第二輪周期中新公司相對老公司的超額收益更高。

從新古典的視角來看，美國兩輪創新時期科技股表現均很亮眼，背後是「幹中學」帶來的高增長預期，而行業屬性與金融環境的差異，則是第二輪創新時期科技股較前一次表現更為亮眼的主要原因。雖然技術創新早期成本較高、市場規模有限，但是隨着應用規模擴大，我們所觀察的幾十種產品中，實際生產成本均出現了大幅下降，技術快速迭代給新公司創造了挑戰老公司的機會。第二輪周期中更多是指數型的技術進步，科技板塊盈利增長快且淨利率明顯高於其他行業，其「量價齊高」的走勢讓投資者有更強的增長預期。第一輪周期中更多是線型的技術進步，科技行業淨利率並未明顯高於其他行業，「量高價不高」（薄利多銷）。第二輪周期中，美國利率也處於長期下行階段，金融監管也更為寬鬆，高科技新公司融資便利，新公司跑贏老公司的概率也更大。

從「動物精神」來看，金融環境寬鬆，投資者在樂觀時期增加槓桿，也有力支撐了美國第二輪周期中的科技板塊，在部分企業盈利不及預期或IPO供給上升的背景下，資產價格隨後出現大幅波動。增長預期對資產價格的影響不對稱，科技創新雖然充滿不確定性，但是其高增長預期會有力推升股價。1980-1999年美國五次放鬆了金融監管法案，疊加利率長期下行，投資者「動物精神」比較明顯，期間二級市場換手率以及槓桿率都有比較顯著的上升，而IPO中虧損公司的比例也提高的比較多，從1990年的15%上升到2000年的81%。

科技行業的屬性意味着中國科技股的表現跟美國科技創新時期有相似之處，政策的積極支持亦支撐相關板塊的表現，但金融監管的加強亦利於降低像美國創新時期股市那樣「大起大落」的風險。中國科技創新兩個比較大的方向是綠色能源和數字經濟。我們的分析表明，近幾年來，科技行業成長快、淨利率高於其他行業，享受「量價齊升」的紅利，給投資者較高的增長預期，這一點似乎與美國第二輪科技周期的可比性相對更強。從宏觀層面來看，無風險利率可能仍有下行空間，政策對科技創新多方位的支持，也有利於改善其融資條件。與美國彼時大幅放鬆金融監管不同，中國政策層對金融風險高度重視，監管不斷改進，意味着「動物精神」的土壤可能沒有美國當年那麼「肥沃」，這將有利於股市的健康發展，降低大起大落的風險。從短期視角來看，科技行業資產價格與宏觀經濟形勢有一定相關性，我們利用增長與信用利差構建的模型，對中美相關行業的風險溢價具有比較好的擬合效果，有助於判斷短期波動風險。

正文

「十四五」規劃中，科技創新被放在顯要位置，作為第一項任務進行了專章部署，充分顯示了中國對科技創新的充分重視。實際上，除了科技創新本身之外，其他幾個跟國家發展戰略相關的關鍵詞，比如綠色和安全的核心都是科技。沒有科技創新難以發展綠色經濟，難以實現碳中和，沒有科技創新也難以實現種子安全和供應鏈安全。7月27日，中共中央政治局委員、國務院副總理劉鶴在線為全國「專精特新」中小企業高峰論壇致辭，提出「中國經濟發展到當前這個階段，科技創新既是發展問題、更是生存問題。」[1]

從宏觀的角度，我們應該怎樣理解科技創新對增長，以及對資本市場的含義？科技硬件、新能源車產業鏈、新能源、高端製造等相關板塊估值已經有明顯提升。一個重要的問題是，從宏觀角度來看，如何理解這些板塊的市場表現？是否有國際經驗可供參考？未來如何演變？我們首先從中長期視角梳理中國的經濟增長動能的轉換，然後從兩個宏觀視角，即新古典和凱恩斯所說的「動物精神」，結合美國科技創新的經驗，分析科技行業的特徵，以及對中國的啟示。

一、三個十年：從人口紅利到科技創新

我們不妨把1999年之後的三個十年粗略地分為三個階段，第一個10年（1999-2008）是中國人口紅利突出的時期，第二個10年（2009-2018）是中國金融周期快速上行的時期，而2019-2028乃至更長時期是加快推進科技創新的時期。

中國的勞動年齡人口增長率在2007-2008年以後開始下降，生產者對消費者的比例也相應見頂，而撫養比則逐步上升（圖表1）。七普數據顯示，全國人口14.12億，較2010年年均增長0.53%，增速進一步放緩，撫養比延續2011年以來的上升趨勢。第一個10年期間，中國勞動力便宜，生產能力強，產品價格低，再加上加入WTO，美歐又處於金融周期上行階段，需求旺盛，中國的出口非常強勁，帶來比較長時期的高速增長。

圖表1：中國人口撫養比的演變

金融的順周期性來自於信用（廣義信用，包括影子銀行信貸）和房地產價格互相加強。由於房地產是信貸抵押品，因此房地產價格和銀行信貸在一段時間內相互促進：貸款發多了，房地產價格上升，而房地產作為抵押品的價值上升，使得借款人的借款能力上升、銀行的貸款能力也上升，進而帶來順周期性。圖表2是根據最新數據估算的中國、美國、歐元區的金融周期。從2009年到2018年，中國經歷了大幅的信貸擴張與房價上漲，近幾年來，隨着金融供給側改革的進行，對房地產的監管加強，金融周期已經見頂下行。

圖表2：中國金融周期處在下半場

進入第三個十年，中國經濟的增長動能再次轉換。勞動力、資本與全要素生產率是經濟增長的3個因素，隨着人口紅利的消失，以及金融周期進入下行階段，全要素生產率將成為中國經濟發展的重要動力，而我們預計科技創新將成為全要素生產率提升的最重要支撐之一。作為科技的代表，數字經濟佔GDP的比重不斷上升（圖表4）。數字經濟這個詞最早出現在1990年代中期，當時的相關討論主要集中在數字技術和網路應用領域。但是隨着數字技術發展，數字經濟的內涵也在不斷演進。

圖表3：中國經濟發展動能切換

圖表3更清晰地描述了中國三十年的發展歷程。第一個十年期間，新增勞動力很豐富，第二個十年期間，金融周期快速上行但是新增勞動力逐年下滑，第三個十年期間，新增勞動力由正轉負，但是以數字經濟為代表的科技將帶來新的增長動能。

圖表4：第三個十年：科技創新接棒金融周期

經濟增長動能從人口紅利到科技創新轉變對經濟增長的含義是什麼呢？人口紅利時期，從供給端來看，勞動力快速增長，生產者相對於消費者比例上升，儲蓄過剩帶來資本快速擴張，結果是經濟經歷高速增長。從需求端來看，人口紅利對應的就是出口高速擴張，高儲蓄支撐資本形成。金融周期上行時期，從供給端來看，一方面勞動力增速放緩，另一方面樓價加速上行、信貸快速擴張，導致勞動力與資本錯配，全要素生產率下行，經濟增速趨勢放緩。從需求端來看，雖然基建投資和房地產投資一度高速增長，但是出口增速放緩，整體經濟增速逐步下行。進入第三個十年，勞動力負增長，人口撫養比上升，儲蓄放緩，資本積累減速，疊加金融上行時期帶來的資源錯配效應，經濟增速下行。科技創新提高生產效率，雖然創新不會一蹴而就，但是經濟增長的可持續性得以改善。因此第三個十年是經濟增速放緩但是生產效率改善的時期。

相應地，經濟增長動能從人口紅利到科技創新轉變對資本市場的含義是什麼呢？從圖表5可以看出，A股科技行業的估值基本上處於波動狀態，而近來處於上升態勢，以房地產開發商和銀行為代表的傳統行業的估值則經歷了較明顯的下行，近幾年則更為低迷。隨着科技創新時代開啟，科技股將如何演變？我們接下來從美國科技發展與股市表現的歷史經驗出發，抽絲剝繭，從新古典基本面與凱恩斯所言的「動物精神」兩個角度詳解如何理解科技股的增長與估值。

圖表5：科技行業與全部A股及傳統周期行業的估值差趨勢性擴大

二、科技板塊的特點：美國的經驗

二戰後美國經歷了兩波較大的技術進步，一輪集中在二戰後的20年，受益於二戰期間對生產效率與規模的考驗以及持續不斷的政府訂單，美國的電子設備、通信設備、航空航天、化工醫藥均出現了明顯的技術進步，其中代表性的事件包括波音推出的707噴氣式客機、抗生素/疫苗/處方藥種類與購買量的快速上升、電視機的出現、大型計算機的商業化。另一輪則集中於20世紀的最後20-30年，主要集中於小型計算機與網路的軟硬件領域，標誌性的事件包括1974年第一台小型計算機的發布、萬維網的發明、以及網民的迅速增長（從1993年的9萬人增加到2000年的9000萬人2）。

在這兩輪周期中，科技板塊盈利的上漲幅度有差異，但是估值漲幅的差距更加明顯。這裏我們以標普500的表現來觀察總體的市場情況，經過與其他數據的對比，標普數據基本可以反映美國股市的總體走勢。1947-1969年，標普上市公司盈利累計上漲了255%，而1980-2001年期間的漲幅為183%。但是，2001年4月的標普市盈率是1980年初的3.8倍，而1969年標普市盈率是1947年的1.7倍（圖表6-7）。市盈率漲幅的差異解釋了兩輪科技周期中股市收益差距的絕大部分。

圖表6：兩輪科技進步周期中，盈利變化有差異…

圖表7：…但第二輪周期的市盈率上升幅度更大

在這兩輪周期中，科技行業股價漲幅均高於非科技股。我們根據文獻[2]對兩輪周期中的科技股進行了劃分。在第一輪周期中，即戰後的20年中，科技股包括的行業有化工、計算機、半導體、飛機制造、廣播通訊。在第二輪周期中，即20世紀後期，科技股包括計算機、半導體、訊息服務、通訊。在1947-1967年，科技行業股票的累計漲幅為820%，而同期非科技行業的漲幅為680%。在第二輪周期中，網路泡沫破裂之前，科技股的跑贏則十分明顯，最高時期較1980年上漲3000%，而同期非科技股僅較1980年上漲1000%。但是從2000年8月到2002年12月，科技股累計下跌59%，非科技股累計下跌11%。

第二輪周期中科技股的估值漲幅要遠遠大於第一輪，但兩輪科技股盈利的漲幅差異沒有如此明顯（圖表8-9）。受數據的限制，我們僅能獲取到1950年之後各個企業詳細的財務數據，自上而下計算，1950年-1970年，科技股盈利累計上漲了260%，在1979-1999年，科技股盈利累計上漲了340%,二者相差80個百分點。然而，在1947-1967年，科技行業股票的累計漲幅為820%，而在第二輪周期中，科技股最高時期較1980年上漲3000%，股價的差異主要是由估值漲幅的差異導致的。

圖表8：1947-1969年，科技行業相對跑贏非科技行業

圖表9：1980-2002年，科技行業漲幅更大，但後期跌幅也更深

在兩輪周期中，科技行業中的新公司均跑贏老公司。在這兩輪周期中，我們按照公司的上市日期，將在每一輪周期開啟前上市的公司作為老公司， 在每一輪周期開啟後上市的公司作為新公司。無論是在第一輪還是在第二輪周期中，科技行業中的新公司總體上均明顯跑贏老公司，第二輪周期中更為明顯。1947-1967年，科技行業中的新公司累計上漲1000%，老公司累計上漲750%；1980-1999年，科技股中的新公司累計上漲6000%，老公司累計上漲1860%（圖表10-11）。值得注意的是，這種新公司對老公司的超額收益更多存在於科技股；在非科技股中，這種現象並不明顯（圖表12），主要原因是相對於科技行業，其他行業的生產技術的更新迭代相對緩慢，而老企業往往具有一定的先發優勢，因此新企業挑戰老企業的難度相對較大。

圖表10：1947-1969年，科技行業中的新公司跑贏老公司

圖表11：1980-2002年，科技行業中新公司跑贏老公司的幅度更大

圖表12：非科技行業中，新公司跑贏老公司的幅度相對較小

三、新古典：來自高增長預期的力量

由於增長預期對估值影響的不對稱性，高增長預期有利於科技股的估值。對科技股的增長預期往往有很強的不確定性，市場往往一方面看到其很高的增長潛力、過往周期中科技股的盈利表現也會給這部分投資者信心；但另一方面，也會有投資者擔心其失敗甚至破產的風險。但是，由於增長預期對估值的影響是不對稱的，最後往往是高增長預期戰勝對破產的擔憂，拉高了科技股的估值。

從新古典視角看，高估值與其盈利的不確定性有着直接聯繫[3]：使用最簡單的高登增長模型，PE=1/(r-g)，r表示股權資產貼現率，g表示對公司的增長預期。我們注意到，g對PE的影響並不是線性對稱的，在g增加時，PE是加速上升的，而g減少時，PE是減速下降的；由此，換句話來說，g即使減少一個相當大的量，對PE的影響也是有限的（比如減少到負無窮，PE也就是降低到0）；然而，如果g增加一個相對小的量，比如增加到無限接近r的位置，PE可能就會大幅增加。落實在現實當中，即購買一家科技公司的最極端損失可能是100%，而最高回報可能是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。

那麼進一步來看，我們該怎樣認識科技公司的增長潛力呢？從需求端來講，投資者往往通過自己的深入研究探索特定技術和公司的前景，並發現其可能具有很大規模的市場需求，這是科技公司增長潛力的重要支撐之一。然而需求端存在很強的異質性，不同公司不同技術之間的差別很大，這並不是我們在本篇報告中分析的重點。

從宏觀的角度來看，科技公司增長潛力一個很重要的來源，是供給端技術持續進步的潛力。早期的技術很可能是不成熟的、具有瑕疵的，單位成本往往較高，距離真正的應用或者超大規模應用還有比較長的距離，但從技術進步的規律來看，我們可能不必對這種早期的瑕疵過於擔心。對此，有一些經驗性的觀察，其中最為著名的就是：「幹中學」（learning by doing），也就是技術的大規模應用，最終會帶來生產成本的明顯下降。有三條較為著名的經驗觀察描述了大規模應用與技術進步的關係，並因為其準確性並被後人稱為「定律」。按照知名度來講，

► 第一條是「摩爾定律」（Moore』s Law）[4]。1965年，英特爾聯合創始人戈登摩爾提出：集成電路中每平方英寸晶體管的數量每兩年翻一番，而成本則減半。摩爾定律被人熟知，是因為其準確地預言了半導體行業隨後的發展歷程。

► 第二條是萊特定律[5]。萊特定律由航空工程師西奧多·萊特(Theodore Wright)在1936年提出，當飛機產量翻倍時，成本以特定的速度下降。相較摩爾定律，萊特定律被人知曉得較少，但是它啟發了著名經濟學家阿羅提出內生增長模型[6]。

► 第三條是弗拉特利定律。弗拉特利定律由醫療技術公司Illumina的前董事長傑伊·弗拉特利提出，描述了基因組測序成本隨着其大規模的應用而指數型下降。

在更廣泛的行業裏面，大規模應用是否會帶來生產成本的下降？我們蒐集了1929年以來60餘種常用產品的實際生產成本[7]。

總的來看，在製造業行業中，大規模應用會很大幅度地降低生產成本；在15年的時間中，大多數行業的生產成本降幅達60%以上、計算機硬件下降到原來的1/1000以內。在下圖中，我們選取了9個行業進行匯報，包括計算機硬件（DRAM、硬盤），家電機械（汽車、黑白電視），新材料（鈦），新能源（光伏電池），化工（氨基乙醇、環乙烷）、醫療（DNA測序）。在我們的觀察周期裏面，化工產品的生產成本下降幅度是最小的、但也非常可觀，在15年的時間裏下降了約60%；汽車、黑白電視、鈦、光伏電池下降了約70%；硬盤、DRAM則下降了99.9%以上。此外，我們還想指出的是：

► 大規模應用對生產成本的降低不僅侷限於新興產品。在我們的樣本中，既包括一些在觀察周期中剛剛興起的產品，例如DRAM、硬盤等；也包括一些在觀察周期之前就已經成型的產品，包括汽車、化工材料等。

► 指數型的成本下降不侷限於半導體產品。雖然大多數產品生產成本的下降總體是線性的，僅有小部分產品的成本下降是指數型的，但這種指數型的成本下降也並不僅僅侷限於半導體行業。一方面，DNA測序的成本也呈指數型下降，其技術與半導體本身並無直接聯繫；另一方面，硬盤的技術進步其實與集成電路中晶體管的密度也並無直接關係。

圖表13：對於大多數製造業來說，大規模應用會帶來生產成本的下降（線性座標軸）

註：1）汽車從1985年開始，DRAM（存儲器）從1971年開始，晶體管從1968年開始，黑白電視從1947年開始；光伏從1980年開始；鈦從1950年開始；氨基乙醇從1955年開始；DNA測序從2001年開始2）實際生產成本表示扣除通脹後的生產成本

資料來源：http://pcdb.santafe.edu/，EIA，中金公司研究部

圖表14：小部分產品的生產成本呈指數型下降，大部分呈線性下降（對數座標軸）

註：1）汽車從1985年開始，DRAM（存儲器）從1971年開始，晶體管從1968年開始，黑白電視從1947年開始；光伏從1980年開始；鈦從1950年開始；氨基乙醇從1955年開始；DNA測序從2001年開始 2）實際生產成本表示扣除通脹後的生產成本

資料來源：http://pcdb.santafe.edu/，EIA，中金公司研究部

但需要指出的是，並不是所有的生產技術在大規模應用後都會降低生產成本，對於不同的技術、以及應用同類技術的不同公司，其「幹中學」的結果可能有較大的不同，具體來看：

► 對於供應端強烈依賴自然稟賦的產品來說，其生產成本難以隨着規模的擴大而有明顯下降。以化石能源的開採為例，我們蒐集了美國1949年以來主要化石能源生產成本的變化，美國石油、煤炭、天然氣的實際生產成本相對於1949年均有所上升，與之相對比的是，太陽能電池板在1958年應用於美國衛星發射之後，其生產成本在2013年降至原來的1/2000以內（圖表15）。

► 技術的供應端雖然在進步，但是需求端提出了更高的要求，最終的生產成本並未下降。以核電為例，雖然不同核電廠的成本估算存在一定困難，但從大量的已有數據和文獻來看[8]，1970年以來的核電實際生產成本是在上升的。其主要原因是，與小規模試驗時期不同，大規模核電技術的應用後，不僅需要其產生低成本的電力，還需要其保證安全性。因此，雖然核電技術本身一直都在進步，但是為了保證安全性，其生產成本反而有所上升。

► 對於應用同類技術的不同公司而言，經驗不能有效積累也可能導致「幹中學」的規律失效。由於公司人員流動、數據/經驗積累的可得性不同，不同公司之間「幹中學」的效果差別很大。我們尋找了1945-1984年發表的22個研究當中總結的108個幹中學的製造業案例（圖表16），量化其在產量擴大一倍時生產成本的下降幅度，不同公司之間的確存在着一定的差別，甚至不排除出現生產成本上升的情況。洛克希德為例，其製造的L-1011 Tri Star飛機的生產成本並未隨着產量的增加而下降，一個重要原因是其早期生產該飛機的管理人員與工人離開了公司[9]。

圖表15：化石能源實際生產成本上升

圖表16：不同公司在產量擴大一倍時，生產成本降幅有所不同

技術進步在公司經營上面的影響並不同，如果把ROE拆解為淨利潤率、資產周轉率（銷售收入/總資產）、權益乘數（總資產/總權益），技術進步通過不同渠道提振企業ROE：

► 戰後二十年的技術進步，主要通過提高企業的銷售收入、提高資產周轉率，進而保持企業的ROE水平。戰後20年中，科技行業公司的淨利率與非科技行業的公司並沒有顯著差別（圖表17），但是科技行業資產周轉率明顯高於非科技行業（圖表18）。這一現象可能說明，戰後20年的技術進步帶來的成本下降通過價格傳導使消費者受益，企業則受益於價格下降之後帶來的銷量提升。

► 20世紀後20年的技術進步，企業保持了較高的淨利率，同時企業又以此為基礎獲得較大規模的債務融資（加槓桿），進而保持企業的ROE水平。20世紀後20年中，科技行業的淨利率要明顯高於非科技行業（圖表20），同時，科技行業的權益乘數也要高於非科技行業（圖表21）。這一現象說明，訊息技術革命帶來的技術進步，其帶來的成本下降並未完全傳導到消費者，使得企業既享受了成本下降帶來的收益，也享受了銷量擴大的收益。但在樂觀的預期下，科技行業公司憑藉大規模借債實現了總資產快速擴張，而銷售收入並未跟上資產擴張的速度，因此其資產周轉率要明顯低於其他行業（圖表22）。

► 第二輪周期中的科技股在盈利增長的過程中仍保持了較高的淨利率，「量價齊升」的走勢也讓投資者給予其更高估值溢價。戰後20年的技術進步，如前文圖表中的黑白電視、汽車、化工產品等，更多是線性的技術進步，更類似於「改進型創新」，以價換量促增長，體現在相較於非科技行業並沒有明顯的淨利率優勢，想象空間較小；而20世紀最後20年的技術進步，主要集中於半導體及計算機設備領域，呈現出指數型的技術進步，大幅帶動了新興行業的成長並且保持了很高的淨利率，量價齊升，因此想象空間更大。

但同時需要注意的是，1980-1999年的宏觀背景是美國金融監管放鬆、利率趨勢下行的時代，而1949-1969年則是金融監管較強、利率上行的階段（圖表25-26），宏觀變量的差異也對兩輪之間估值的差異有重要的影響。在1950年-1970年，科技股盈利累計上漲了260%，在1979-1999年，科技股盈利累計上漲了340%（圖表23）；但在1950-1970年，科技股估值上漲了504%，而1979-1999年，科技股估值上漲了2734%（圖表24）。我們可以按照這樣的公式拆分科技股的估值：科技股估值= 非科技股估值 + 科技股相對非科技股的估值溢價。非科技股估值，更多受到宏觀層面的影響，科技股相對非科技股的估值溢價，則受到不同科技創新階段行業特點的影響。從數據來看，宏觀層面與行業層面的原因，共同解釋了第二輪科技股估值的漲幅更大（圖表27）。

圖表17：1950-1969年，美國科技公司與非科技公司的淨利率大體相同

圖表18：1950-1969年，美國科技公司的資產周轉率高於非科技公司

圖表19：1950-1969年，美國科技公司的權益乘數與非科技公司區別並不大

圖表20：1979-1999年，美國科技公司的淨利率高於非科技公司

圖表21：1979-1999年，美國科技公司的權益乘數高於非科技公司

圖表22：1979-1999年，美國科技公司的資產周轉率低於非科技公司

圖表23：美國兩輪科技股周期中，盈利累計增長的相對差異較小…

圖表24：…但美國第二輪周期中科技行業估值的增長遠超第一輪

圖表25：全球折現率，無風險利率，和風險溢價

圖表26：美國折現率和無風險利率

圖表27：第二輪美股估值上漲的原因包括非科技股估值的上升以及科技股估值溢價的上升

四、大幅波動的原因：新古典+凱恩斯

雖然技術進步有利於提升科技股的價格，但是其波動也很大。舉例來看，以英特爾1971年發布「4004微處理器」為標誌，納斯達克股價從1971年到1972年上漲了30%，隨後到1974年下跌超過了50%。另外一個例子，從1990年到2000年，納斯達克指數上漲了10倍，而同期紐交所指數只上漲了2倍，和我們前面的分析是一致的。但是，在2000年之後，納斯達克指數下跌幅度也更大。

圖表28：美國訊息技術發展時期股票指數

圖表29：美國網路技術發展時期股票指數

如何理解科技行業資產價格的大幅波動？首先，從新古典主義的現金流貼現模型來看，根據戈登公式，股價由三個因素決定：折現率、盈利水平、增長率。折現率越低，盈利水平和增長率越高，股價越高。對17個主要經濟體研究發現[10]，1985年後折現率下降對股價上漲有30%的解釋作用，上市公司盈利水平提升有45%的解釋作用，而增長率的解釋作用相對有限。而折現率與無風險利率和風險溢價有關，近些年無風險利率的下行推動了折現率下降，從而推升了估值水平。折現率與無風險利率的正向關係在美國更明顯，自1960年後，折現率和無風險利率基本上同向變動。1980年後，無風險利率的下行推動了折現率下行，提高美股估值。

第二，科技股股價大幅下跌時期也是部分科技企業盈利不達預期時期。網路是個比較典型的例子，由於技術發展和推廣的成本很高，美國大部分的網路公司的淨收入在2000年都是負值，增長潛力在短期內並沒有實現。股價的提升更多的是依靠估值因素，而不是盈利水平。根據Ofek & Richardson(2003)[11],大部分網路公司在1999年底的潛在市盈率在400以上。同時，美國軟件與服務業平均營收和盈利在2000年前後都沒有提高。與之相對比的是，2009年之後，美國軟件與服務業公司盈利水平持續十餘年上漲，推動了股價同步上漲。

圖表30：美國網路上市公司盈利水平（2000）

圖表31：美國網路上市公司潛在市盈率（1999）

圖表32：美國軟件與服務業盈利水平

除了從新古典框架（現金流貼現模型）來解釋股市波動，另一個框架是凱恩斯所說的「動物精神」（animal spirits）。按照這個框架，可以將投資者分為樂觀者和悲觀者兩類：樂觀者加槓桿，悲觀者降槓桿，資產價格的漲跌受悲觀者與悲觀者的相對佔比的影響。如果樂觀者多，槓桿會增加，資產價格上升，樂觀者受益、悲觀者受損；但槓桿提高到一定程度，悲觀者轉多、樂觀者轉少，拐點發生、資產價格下跌，這時悲觀者受益，樂觀者受損。

新古典與凱恩斯兩個框架互補而不是替代，前者偏中長期的基本面，後者偏中短期的情緒。

投資者對科技行業的高增長預期帶來所謂的「 動物精神」，我們梳理了當時美國一級市場和二級市場的一些相關特徵。從一級市場來看，前風險投資對科技行業的投資一度非常積極。2000Q1末，美國風險投資的規模達到1192億美元，超過前四年總和。其中，有近50%的風險資本湧入網路專注賽道。1999-2000年，美國孵化期和後續投資期的風險投資額佔比明顯減少，被成長期和擴張期的風險投資額取代。

圖表33：美國專注網路行業風險投資佔比

圖表34：美國各階段風險資本佔比

IPO中虧損公司佔比大幅上升，反映市場異常活躍。1999年IPO數量為446家，定價都伴隨着嚴重的折扣。Ljungqvist and Wilhelm (2002)[12] 的研究指出在90年代末的IPO中，定向分配股份計劃猛增，而董事持股和VC持股明顯下降。另一方面，IPO中虧損公司佔比大幅上升，2000年有81%的IPO為虧損公司。

圖表35：美國IPO數量和平均首日回報率

圖表36：美國虧損股IPO佔比

二級市場換手率、槓桿率大幅上升。2000年3月，美國股市換手率達到39.6%，相比1999年月平均換手率的26.8%大幅上升；同月，融資融券佔市值比重達到了1.95%，創歷史新高。2000年3月衍生品市場的看跌/看漲期權比例也下降至0.44，創歷史新低。與此同時，投資者對於估值的信心指數卻創了新低，顯示投資者並非不知道估值已貴，但受動物精神驅動，仍在繼續投機行為。

圖表37：CBOE看跌看漲期權未平倉比率

圖表38：「動物精神」的體現

需要注意的是，美國1980-2000年期間金融監管政策大幅放鬆，對一二級市場活躍度的提升也起到了助推作用。1980-1999年期間，美國出現了放鬆金融管制的浪潮，一系列的法案出台大大放鬆了監管機構對金融機構在地理位置、經營範圍等方面的約束。具體來看，1980年國會通過的《存款機構放松管制法案》，標誌着開始放鬆對存款性金融機構的監管；1994年，《裏格爾-尼爾州際銀行和分行效率法》取消了銀行開設分行的地理位置限制；1996年，美聯儲進一步放寬1933年《格拉斯-斯蒂格爾法案》對銀行經營範圍的限制，提升商業銀行開展投資銀行業務的比例，1999年《格雷姆-裏奇-比利雷法案》從法律上消除了商業銀行、證券、保險機構在業務範圍上的邊界，結束了美國長達66年之久的金融分業經營的歷史。

圖表39：1980-1999年美國放鬆金融監管的主要法案

五、科技創新的春天

我們在第一部分闡述了中國經濟發展的三個十年，從人口紅利、金融周期到科技創新。中國每千人勞動力中僅有約8人從事研發活動，這一水平仍低於日本的18人與德國的22人；另一方面，中國研發支出佔GDP的比例2020年為2.4%（OECD數據），仍然相對較低。從全球橫向比較來看，主要經濟體的製造業佔全球份額與其研發支出份額高度相關，僅有兩個國家明顯偏離趨勢線，一個是美國（研發支出佔比明顯高於趨勢線），另一個是中國（研發支出佔比低於趨勢線）。研發支出與GDP之比是一個流量的概念，但科學技術水平是一個存量概念，考慮到歷史上中國研發支出佔比持續較低，2013年前不足2%，意味着我們需要較長時間保持更高的研發資本開支，從而縮小存量的差距。

展望中國科技發展，大致分為兩個方向，一是跟碳中和有關的科技創新（新能源），另一個是跟數字經濟有關的科技創新。這兩個方向不是割裂的，而是互相融合，比如新能源汽車跟數字經濟融合可以是無人駕駛的新能源汽車。

► 中國在新能源產業化和落地方面的確有優勢，但是在前端科技研發方面，還與世界一流水平存在差距。以光伏產業為為例，中國在關鍵部件（如硅料、硅片、電池和組件）的產能規模和生產成本上都具有優勢，這主要受益於中國人工和原材料成本低、以及產業鏈聚集和協同效應強。但在一些關鍵技術指標方面（如硅料的單晶比例、組件的轉換效率），中國仍處於劣勢地位（圖表40）。在風電領域我們也發現了類似的現象。中國在風電機組和零部件的製造上表現不俗，也基本實現了國產替代，但在整機的核心技術上、特別是在大兆瓦機組和海上機組的領域還不及海外。

圖表40：中國與海外在光伏核心組件製造方面的指標對比

展望未來，圍繞碳中和，中國在電力領域與非電力領域均有一系列具備潛力的技術進步路線，部分技術路線圖的可預見性逐步清晰，在未來的40年裏，我們可能將經歷一場清潔能源革命，具體來看：

► 零碳的電力技術未來發展：目前電化學儲能還在應用初期，我們預計學習曲線下成本優化空間最大；光伏受益規模效應、材料替換、效率提升共振，有望在未來10年間成本再縮減一半；風電的利用效率接近極限，未來十年通過材料國產化、捕風面積提升還有20~30%的降本空間；核電的批量化、國產化生產有望帶來超過10%的投資成本節省；水電受制於廠址資源的稀缺性，成本下降空間較小。

► 非電能源行業的零碳技術：零碳的非電技術未來發展中，我們認為電能替代是目前最經濟可行的選項，且未來將受益於清潔電力成本的下降；氫能受益產業鏈規模化以及清潔電力電解水制氫，成本有~70%的下降空間；化石燃料+碳捕捉的成本下降空間在10%以內，這一技術路徑的降本空間受制於化石燃料本身的使用成本。生物質合成燃料當前技術較成熟，成本取決於作物原料，遠期若原材料成本更低的路線實現技術突破，則成本有~35%的下降空間。

除了以上有一定清晰度的技術進步路線，我們在碳中和系列報告中也提示過潛在超預期的技術進步，包括：1）碳捕捉技術若成功降本帶來經濟性，氫能技術開發的需求可能下滑。如果碳捕捉技術在應用上能找到新的突破口，那麼碳捕捉的成本將會大幅下降，且由於其兼容目前的能源和工業體系，將加速碳中和的到來；2）第四代核電技術升級若顯著增強固有安全性，使用率有望大幅提振、或對電力結構產生影響。如果在核電設計上可以實現固有安全性（事故條件下的自動停堆），那麼核電在應用上將會有大的發展；長期來看，核能仍然是人類可以使用的能量密度最高的能源，如果實現可控核聚變，將引起能源新的一輪技術革命；3）光伏效率還存在超預期的可能。從轉化效率來看，並不排除未來經過長期的技術進步，最終出現光電轉換效率達到40%以上的光伏技術的可能性。如果光伏成本進一步超預期可能帶來更多的應用場景和更多的能源使用。

圖表40：碳中和能源技術展望

圖表41：電力碳中和技術成本下降預期及核心驅動力

圖表42：非電碳中和技術成本下降預期及核心驅動力

對數字經濟認可度較高的一種刻畫方法是按其組成劃分成三個層次進行詮釋（圖表44）。數字經濟的第一層叫核心層，包括硬件、軟件以及訊息和通訊技術（ICT）等。第二層叫狹義的數字經濟，還包括基於數據、訊息網絡和數字技術應用的新商業模式，例如數字服務、平台經濟，以及共享經濟、零工經濟等介於平台經濟和傳統經濟之間的模式。狹義的數字經濟中包含了最具代表性的平台經濟，它也是數字經濟最核心的商業模式。第三層是廣義的數字經濟，覆蓋的範圍還涉及了與傳統的製造業、服務業的數字化相關的電子商業，還包含了新出現的萬物互聯（IoT）、工業4.0、精準農業等，反映了經濟生活的各個層面所參與的數字化轉型。

圖表44：數字經濟的三重劃分

數字經濟的三重層次劃分反映了數字經濟的結構性特點，同時也提供了一個從行業領域切入分析數字經濟的視角。核心層對應着數字技術基礎設施行業，是數字經濟發展的底層建築，決定了狹義和廣義數字經濟發展的深度和廣度，而狹義和廣義數字經濟的發展需求又會引領核心層的發展方向。

目前，中國狹義數字經濟，特別是平台經濟和共享經濟，發展迅速。以每百人移動手機業務訂閲用户數為例，1990年美國是中國的1346倍，2000年是5.9倍，2019年只有1.1倍。2020年，中國電商在零售中的份額為24.9%[13]，而美國為13.6%[14]。

但是在核心層和廣義數字經濟方面，中國的發展與世界前沿還有差距。例如，中國過去十年（2011-2020）人工智能專利累計申請量389571件，約佔全球申請量的74.7%，是排名第二的美國的8.2倍。但全球範圍內，中國AI高層次學者佔比9.8%，是美國的1/6。中國在過去十年人工智能領域高水平論文發表量是22686篇，排名世界第二，而排名第一的美國發表量為33255篇[15]。中國2019年活躍人工智能企業1189家，位居世界第二，而美國是2169家[16]。中國的半導體產業與國際領先水平仍然有3代/約 6年技術差距。中國廠商雲計算公有云全球市場份額佔比 9%左右，而美國則佔到85%左右。雖然中國2019年工業機器人裝機量達到14萬台，排名世界第一，但是每千名工人的平均裝機量為187，落後於美國的228[17]。

圖表45：中美每百人移動手機業務訂閲用户數

圖表46：全球科技行業收入分佈變化——2019年

圖表47：中美數字經濟部分領域的差別

中國數字經濟核心層迎來發展機遇。以半導體行業為例，美國公司依靠全球化，實現高利潤-高研發的正循環（見中金公司：科技：數字經濟核心層：「AI+5G」是數字經濟時代通用技術平台）。根據BCG預測，在「維持現狀」的情境下，未來2-3年美國半導體企業的市場份額將從2018年48%下滑到40%，而中國的份額將從4%上升到7%。

從研發支出來看，2018年後，中國科技公司研發支出總額佔營業收入比例開始提升。其中，軟件與服務業從的研發支出佔比2018年的8.9%提升到2020年9.6%，技術硬件與設備同期從4.3%提升到5.5%，半導體與半導體生產設備同期從6.3%提升到7.3%。

圖表48：不同情景下全球半導體市場份額及國產化率的變化情況

圖表49：研發支出總額佔營業收入比例

從成長性以及盈利能力來看，中國這輪科技周期與美國第二輪科技周期的可比性似乎相對更強，但也有不同之處。我們按照中金公司研究部與研究院此前發布的兩篇報告《數字經濟，十大趨勢》以及《碳中和與可持續發展背景下的投資》，梳理了與數字經濟與碳中和相關的行業以及具體股票，嘗試梳理其基本面的特徵，並與美國兩輪科技周期進行對比。從結果來看，一方面，數字經濟和綠色能源行業表現出了很強的成長型，盈利增速快、淨利率也相對偏高；但另一方面，數字經濟和綠色能源行業的資產負債率並不偏高。具體來看：

► 與美國第二輪科技周期的相同點：成長快、淨利率高於其他行業，但資產周轉率並不高。這裏，我們以滬深300非金融、非石油石化的全部公司作為基準公司，這也代表了市場的一般基準選擇。2018年-2020年，基準公司的盈利累計增長17%，而綠色能源行業增長39%、數字經濟則增長611%。同時，2018-2020年綠色能源行業淨利率8.8%，數字經濟平均淨利率7.3%，均高於基準公司的淨利率。同時，從資產周轉率來看，綠色能源行業、數字經濟行業總體均低於基準公司水平。

► 與美國第二輪周期的不同點：科技行業資產負債率並沒有明顯偏高。根據我們的統計，綠色能源行業的資產負債率為63.8%，高於基準公司水平；但數字經濟行業的資產負債率為48.6%，大幅低於基準公司水平。

► 進一步來看，兩個方向下不同的細分領域也有差距。在新能源領域，動力電池淨利率高於基準、同時其資產周轉率也高於基準，顯示其量價齊升的動能更為明顯；同時，太陽能領域則是新能源領域中淨利率最高的，ROE也明顯高於綠色能源行業以及基準公司。數字經濟領域中，平台及應用行業的資產周轉率、淨利率、ROE均明顯高於基準公司。

圖表50：科技行業與基準公司的利潤增長對比

圖表51：科技行業與基準公司的淨利率對比

圖表52：科技行業與基準公司的資產周轉率對比

圖表53：科技行業與基準公司的資產負債率對比

圖表54：科技行業與基準公司的ROE對比

圖表55：數字經濟與綠色能源方向的主要標的

無風險利率偏低有利於估值

中國十年期國債利率從2014年1月4.6%下降至2021年6月3.1%。根據第四部分的邏輯，無風險利率下降會使得折現率下降，有利於估值水平提升，從而支撐股價。

圖表56：中國折現率和無風險利率

無風險利率下行與經濟增速放緩有比較強的關係。從長期看，美國的GDP名義增速和無風險利率的趨勢較為一致，1960-80年處於上升趨勢，1980年後處於下降趨勢。這種關係在中國也有所體現，GDP名義增速自2012年後放緩，無風險利率隨後也逐漸開始下行。

圖表57：美國GDP名義增長率和無風險利率

圖表58：中國GDP名義增長率和無風險利率

短期波動：用PMI與信用利差構建的風險溢價

從新古典視角來看，一個公司的價值等於未來現金流的折現價值，那麼影響一個公司價值的因素可以被拆為折現率和未來中長期的盈利預期。在前面我們提到，科技股往往伴隨着更高的估值，因為投資者往往對其計入了長久的增長預期，因此科技股具有的成長屬性非常強。然而，一個公司在成長的過程中很難一帆風順，總會遇到意想不到的困難，預期的兑現也並非一蹴而就，美國網路公司在2000年就處於這個狀態。業績的波動會既考驗不同投資者對公司的理解深度（是否還堅持其成長性），也會考驗不同投資者的負債久期（短期業績面臨壓力時可能不得不賣出）。因此，市場對科技股的增長預期在不同背景下的波動比較大，由此也會引發股價的波動，無論是在美股還是在中國股市，成長股收益率的波動範圍總是明顯大於價值股。

從歷史經驗來看，經濟景氣以及債券市場的信用利差在一定程度上可以幫助投資者把握成長股估值的變化。我們將市盈率取倒數，得到股票的現價收益率（E/P）,再減去無風險利率（十年期國債利率），這一結果可以用來衡量股權風險溢價。雖然成長股的增長可能具備一定的獨立性，但一個公司在經濟下行的環境中大幅增長有難度，因此可能會產生業績不及預期的狀況，並使得部分投資者調整對其的長期增長預期、風險偏好下降，在此背景下，股權風險溢價也會上升，估值下行的壓力較大。為了量化這一思路，我們選取了中美各自的PMI與信用利差，構建股權風險溢價的量化模型，發現這一模型能夠較好地刻畫近十年來中美股權風險溢價的走勢。

圖表59：利用PMI與信用利差構建的股權風險溢價

[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, Ľuboš, 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] 這裏指的是扣除通脹之後的生產成本變化，具備可比性。通過降低實際生產成本，技術進步把原來只能停留在實驗室裏面的、或者只能由少部分人買得起的物品，變成了大部分人都能買得起的，擴大了市場規模。
[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] 清華大學人工智能研究院、清華-中國工程院知識智能聯合研究中心，2020，《人工智能發展報告2020》。
[16] 中國訊息通信研究院，2019，《全球人工智能產業數據報告》。
[17] International Federation of Robotics.