电子信息产业深度研究报告（123页）：科技红利黄金年代

温馨提示：如需原文档，可在PC端登陆搜索下载本报告。

我们强调中国要从科技制造大国演进到科技制造强国、科技创新强国发展阶段。梳理过往历史，我们认为中国科技产业经历三个阶段，大致可分为:

➢08年以前产业趋势引导的人口红利;

➢08年至14年以全球资源再分配的资本红利时代:中国本土企业弯道超车，通过产能扩张切入全球产业链，成为苹果等巨头核心供应商;

➢14年开始，以华为等为代表的科技龙头公司推动科技红利全面爆发，持续的研发投入及高效的转换率是保证科技创新核心效率所在。

持续高效率的研发投入是科技企业成长的真正内在动力。华为历经三十年厚积薄发，成为全球通信行业龙头厂商，核心在于享受完第一波工程师红利浪潮成长之后、在迈入科技红利时代前夕的关键时期大力提升研发投入。

华为拥抱科技红利的标志是“2012实验室”的正式成立，2011年华为的研发投入占比超过两位数达11.6%，这一年华为整合成立了2012实验室，作为华为创新、研究和平台开发的主体，以构筑面向未来技术和研发能力。

华为的研发主要分为面向未来的研究创新和支撑产品的开发投资。根据2017年年报发布，华为超过15%的研发费用投入在面向未来的基础研究上，主要载体为华为2012实验室。“2012实验室”下设中央研究院、中央软件院、中央硬件院、海思半导体等二级部门，也包括了分布在各地研发中心的2012下属实验室。另外近85%的研发费用投入在产品开发上，主要载体是华为产品及解决方案部及各业务部门——对应运营商、企业、消费者和Cloud四大事业群。

华为研发投入十年八倍提升，是A股电子板块前三季度总和的1.86倍!根据《2018年欧盟工业研发投资排名》，华为以113亿欧元的研发投入排名中国第一、全球范围内仅次于三星、谷歌、大众和微软，但是14.7%的研发投入强度比这四家都要高。2018年华为的研发投入较2008年的104.7亿人民币提升超8倍，同时这也是华为历史上首次超越Intel。

作为参考，我们认为A股电子板块研发投入仍有极大提升空间。根据wind统计，A股电子板块2018年前三季度研发投入为464.8亿元，仅约为华为18年全年研发的53%。其中研发费用营收占比为3.42%，落后于计算机及通信板块。

仍然以华为为例，2018年华为卫冕全球专利申请数量第一。根据世界知识产权组织(WIPO)，华为在2018年向WIPO提交了5405项专利申请，较2017年得4024项增长34%，专利申请中约3成与5G相关。

除专利数之外，华为的研发转换效率还体现在自身产品品类及市占率的持续扩张，基站、Cloud、手机终端的版图扩张不必多说，我们以最为关心的芯片领域为例，除了安防和终端麒麟系列芯片的持续更新迭代，“2012实验室”前十年的持续投入从去年开始陆续转化落地，18年12月至今华为陆续公布多款人工智能、5G基带、服务器、数据中心等领域拳头产品。

随着去年中美贸易摩擦、中兴华为事件持续发酵，国家逐步梳理科技立国的思路，不断加大科技红利提升力度、提高有效研发投入产值，这一大背景下科创板应用而生。

国家通过产业政策对科技创新的扶持，本质在于提升RD/GDP，高水平的RD投入强度是一个国家具有较高创新能力的重要保障。我国RD/GDP在2001年突破1%、2013年突破2%、2016年突破2.1%。根据科技部最新公布数据，2018年全社会研究与试验发展(RD)支出占GDP比重预计为2.15%，与美国、韩国、中国台湾省、德国等国家及地区仍有较大差异。

而参考美国、日本、韩国的新兴产业政策崛起，国家RD/GDP达到2.5%从历史经验来看往往是科技创新“量变到质变的临界点”。美国1995年达到2.51%——克林顿政府的新兴产业革命带动互联网革命，出现了亚马逊、谷歌等一批互联网龙头;而往前看，日本1987年达到2.53%——索尼、三菱等一批公司开始称霸全球电子产业。

我们认为在后续覆盖、跟踪、投资登陆科创板的半导体标的，应当重点沿循“两条主线”，给予三类公司估值溢价:

1)两条主线——“第四次硅含量提升”与“自主产业链”

➢我们持续强调，以人工智能、5G、物联网与汽车为代表的创新驱动第四次硅含量提升，这一浪潮下数据量将呈现指数级增长，存储、处理、传输、感知各个环节将同步受益，涉及这几个环节的领域包括存储芯片、处理器芯片(包括AP/MCU/异构ASIC)、传感器芯片、模拟芯片和功率半导体;

➢第二条主线是产业链的自主供应与安全可靠，沿着这条主线我们主要建议挖掘三类机会下的受益标的:1)建厂潮资本开支持续提升周期下优质半导体设备/材料公司的国产化机会;2)国内消费电子/通信设备/工控/汽车龙头厂商对于国产化芯片的导入机会;3)党政军电子设备/芯片的安全可靠机遇。

2)三类公司值得给予估值溢价

➢公司具有成熟的研发体系、优质的研发团队以及体现核心壁垒的专利/技术;

➢具备可见、可触及的下游广阔空间，或者能通过品类扩张切入更大的市场空间。在估值上需要注意什么?

我们认为主要需要根据企业所处生命周期的阶段来对企业进行估值，这也是我们一直以来对成长股研究的重要看法:

2)成长期企业:该阶段由于企业技术趋于成熟、产品定型逐步大规模量产，营收、业绩通常同步提升，我们认为成长期企业通常又分为两个阶段——营收爆发期和利润爆发期，由于研发投入、折旧、摊销的存在，通常营收爆发早于利润爆发，营收爆发期建议通过P/S(甚至PS/营收增速)、EV/收入来进行估值，利润爆发初期建议通过EV/EBITDA(尤其适合重资产)、PEG来进行估值。

垂直分工模式下，Fabless厂商负担轻，弹性大，叠加国内需求广阔，且中芯国际、华虹半导体等国内代工厂的不断成长，中国IC设计产业保持高速增长。

➢模式:垂直分工成趋势，Fabless模式下，弹性更大;

➢企业:质、量齐升，设计业内总体企业数量和规模企业数量同时增长;

➢技术:快速成长，不断突破，集成电路相关专利中，IC设计领域专利数量居首;

➢产品:完整布局覆盖所有细分领域，CPU、GPU、模拟IC、SoC等产品均已取得突破。

Fabless盈利弹性更大，孕育高通、英伟达等众多大厂。全球半导体分为IDM(IntegratedDeviceManufacture，集成电路制造)模式和垂直分工模式两种商业模式，老牌大厂由于历史原因，多为IDM模式。随着集成电路技术演进，摩尔定律逼近极限，各环节技术、资金壁垒日渐提高，传统IDM模式弊端凸显，新锐厂商多选择Fabless(无晶圆厂)模式，轻装追赶。同时英飞凌、TI、AMD等老牌大厂也逐渐将全部或部分制造、封测环节外包，转向Fab-Lite(轻晶圆厂)甚至Fabless模式。

中国IC设计产业保持高速增长，2018年增速超30%。虽然目前自给化率仍然偏低，但随着半导体产业转移，下游需求指数级成长，叠加国家大力支持，我国设计产业在近年来也得到了迅猛的发展。设计产业销售规模从1999年的3亿元增长到2018年的2576亿元，复合增速达到42%，稳居世界前沿，随着5G到来，下游需求将持续推动大陆IC设计业发展。

IC设计企业质、量齐升。IC设计业的企业在2018年为1698家，相比2017年的1380家，增长了23%，销售过亿设计企业2018年为208家，相较2017年增长9%。业内总体企业数量和规模企业数量同时增长，反映出大陆IC设计市场规模增长要快于供给增长，IC设计天花板尚早。我们判断，在接下来几年，IC设计市场将继续保持一个良好的发展态势。

Fabless模式专注于设计，设计企业快速追赶IDM。Fabless厂商由于无自建晶圆厂，固定资产规模较轻，折旧压力较小，相对风险较小;同时由于专注于IC设计，对市场需求响应速率相对较快。从销售规模来看，2000年，设计公司收入不足IDM公司收入的十分之一，2017年，设计公司收入已超过IDM收入的三分之一;从收入增速来看，过去17年的大部分时间，设计公司收入增速均高于IDM公司，仅在2009-2010、2017年出现例外，主要是由于当时存储器处于景气周期，对IDM企业收入拉动较大。综合考量下游驱动力契合度、技术进展情况、上下游供需关系。

从区位分布来开，除开北上广深等城市外，无锡、成都、合肥等城市的设计企业也都超过了100家，武汉、长沙、天津等城市设计企业数量未满100家，但也有较大增长。设计企业区位布局由点及面，开始从北上广深向全国渗透，各省份都开始布局IC设计，设计版块将在全国掀起一股增长浪潮。

重点公司：略。具体内容请登陆，下载原报告。

人工智能关键技术

算法、数据和硬件算力组成了人工智能高速发展的三要素。人工智能实现所需要具备的基础，第一个是优秀的人工智能算法，深度学习算法就是AI领域中最大的突破之一，为人工智能的商业化奠定基础。第二是大量数据，数据是驱动人工智能取得更好的识别率和精准度的核心因素。第三是大量高性能硬件组成的计算能力，以前的硬件算力无法满足人工智能的需求，当GPU等高性能芯片和人工智能结合后，人工智能才能迎来真正的高速发展。

人工智能的参与者

人工智能产业链可以分为基础资源层、技术架构层以及应用层。基础资源层分为计数据、计算力和传感系统，以GPU、FPGA、ASIC和类脑芯片为代表的计算芯片位于计算能力层。此外还包括传感器、存储器、大数据和云计算进行基础支撑。技术架构层有通用技术、算法模型和框架/操作系统。

在这条产业链中，以硬件和数据为代表的基础层是构建生态的基础，价值最高，需要长期大量投入进行战略布局;通用技术层是构建技术壁垒的基础，投入适中，需要在中长期进行布局;而应用层直戳行业痛点，相对来说具有低投入变现快的特点。

主流人工智能芯片

按技术架构来看，智能芯片可以分为通用类芯片(CPU、GPU、FPGA)、基于FPGA的半定制化芯片、全定制化ASIC芯片、类脑计算芯片(IBMTrueNorth)。对于绝大多数智能需求来说，基于通用处理器的传统计算机成本高、功耗高、体积大、速度慢，难以接受。因此以GPU、TPU、FPGA、ASIC和类脑芯片为代表的计算芯片以高性能计算能力被引入深度学习。以下从CPU说起，对目前主流的AI芯片加以介绍。

大规模数据量下，传统CPU运算性能受限。遵循的是冯诺依曼架构，其核心就是:存储程序，顺序执行。随着摩尔定律的推进以及对更大规模与更快处理速度的需求的增加，CPU执行任务的速度受到限制。

GPU在计算方面具有高效的并行性。用于图像处理的GPU芯片因海量数据并行运算能力，被最先引入深度学习。CPU中的大部分晶体管主要用于构建控制电路(如分支预测等)和Cache，只有少部分的晶体管来完成实际的运算工作。GPU与CPU的设计目标不同，其控制电路相对简单，而且对Cache的需求较小，所以大部分晶体管可以组成各类专用电路和多条流水线，使GPU的计算速度有了突破性的飞跃，拥有惊人的处理浮点运算的能力。

FPGA(可编程门阵列，FieldProgrammableGateArray)是一种集成大量基本门电路及存储器的芯片，最大特点为可编程。可通过烧录FPGA配置文件来来定义这些门电路及存储器间的连线，从而实现特定的功能。此外可以通过即时编程烧入修改内部逻辑结构，从而实现不同逻辑功能。

FPGA具有能耗优势明显、低延时和高吞吐的特性。不同于采用冯诺依曼架构的CPU与GPU，FPGA主要由可编程逻辑单元、可编程内部连接和输入输出模块构成。FPGA每个逻辑单元的功能和逻辑单元之间的连接在写入程序后就已经确定，因此在进行运算时无需取指令、指令译码，逻辑单元之间也无需通过共享内存来通信。因此，尽管FPGA主频远低于CPU，但完成相同运算所需时钟周期要少于CPU，能耗优势明显，并具有低延时、高吞吐的特性。

ASIC芯片是专用定制芯片，为实现特定要求而定制的芯片。除了不能扩展以外，在功耗、可靠性、体积方面都有优势，尤其在高性能、低功耗的移动端。谷歌的TPU、寒武纪的GPU，地平线的BPU都属于ASIC芯片。谷歌的TPU比CPU和GPU的方案快30-80倍，与CPU和GPU相比，TPU把控制缩小了，因此减少了芯片的面积，降低了功耗。其缺点在于开发周期长、投入成本大，一般公司难以承担。

张量处理器(tensorprocessingunit，TPU)是Google为机器学习定制的专用芯片(ASIC)，专为Google的深度学习框架TensorFlow而设计。与GPU相比，TPU采用低精度(8位)计算，以降低每步操作使用的晶体管数量。降低精度对于深度学习的准确度影响很小，但却可以大幅降低功耗、加快运算速度。Google在2016年首次公布了TPU。2017年公布第二代TPU，并将其部署在Google云平台之上，第二代TPU的浮点运算能力高达每秒180万亿次。

不同环节不同需求，催生专用计算芯片

此前我们已经介绍过，深度学习主要分为训练和推断两个环节:在数据训练(training)阶段，大量的标记或者未标记的数据被输入深度神经网络中进行训练，随着深度神经网络模型层数的增多，与之相对应的权重参数成倍的增长，从而对硬件的计算能力有着越来越高的需求，此阶段的设计目标是高并发高吞吐量。

推断(inference)则分为两大类——云侧推断与端侧推断，云侧推断推断不仅要求硬件有着高性能计算，更重要的是对于多指令数据的处理能力。就比如Bing搜索引擎同时要对数以万计的图片搜索要求进行识别推断从而给出搜索结果;端侧推断更强调在高性能计算和低功耗中寻找一个平衡点，设计目标是低延时低功耗。

因此从目前市场需求来看，人工智能芯片可以分为三个类别:

1)用于训练(training)的芯片:主要面向各大AI企业及实验室的训练环节市场。目前被业内广泛接受的是“CPU+GPU”的异构模式，由于AMD在通用计算以及生态圈构建方面的长期缺位，导致了在深度学习GPU加速市场NVIDIA一家独大。面临这一局面，谷歌今年发布能高效支持训练环节的深度网络加速。我们在此后进行具体分析;

2)用于云侧推断(inferenceoncloud)的芯片:在云端推断环节，GPU不再是最优的选择，取而代之的是，目前3A(阿里云、Amazon、微软Azure)都纷纷探索“云服务器+FPGA”模式替代传统CPU以支撑推断环节在云端的技术密集型任务。但是以谷歌TPU为代表的ASIC也对云端推断的市场份额有所希冀;

3)用于端侧推断(inferenceondevice)的芯片:未来在相当一部分人工智能应用场景中，要求终端设备本身需要具备足够的推断计算能力，而显然当前ARM等架构芯片的计算能力，并不能满足这些终端设备的本地深度神经网络推断，业界需要全新的低功耗异构芯片，赋予设备足够的算力去应对未来越发增多的人工智能应用场景。我们预计在这个领域的深度学习的执行将更多的依赖于ASIC。

ASIC:百家争鸣，确定场景规模后适用于量产

ASIC即ApplicationSpecificIntegratedCircuits，专用集成电路，是针对特定功能、需求的专用类芯片。由于神经网络计算的类型和计算量与传统计算的区别，导致在进行神经网络计算的时候，CPU、DSP、GPU都有算力、性能、能效等方面的不足，所以激发了专为神经网络计算而设计处理器或加速器的需求。

目前人工智能ASIC领域最大的动作当属GoogleTPU。TPU是Google针对深度学习加速研发的ASIC芯片，目前该系列有两代，第一代TPU仅能用于推断环节，而今年五月发布的第二代TPU除能用于推断环节外，还能于训练环节高效支持深度神经网络加速。

TPU从以下角度进行优化从而在深度学习领域获得比CPU/GPU/FPGA更强的性能:1)针对深度学习定制化设计+脉冲式数据流保证更高计算效率。TPU针对深度学习定制设计矩阵乘法单元，因为深度学习大部分算法均进行矩阵乘法运算，因此TPU在进行训练、推断时速度更快;此外由于在矩阵乘法和卷积运算中许多数据能够复用，因此TPU的矩阵处理器MXU采用脉动阵列架构，将多个逻辑运算单元(ALU)串联在一起，复用从一个寄存器中读取的结果，而GPU从存储器中取指令与数据将耗费大量的时间;2)采用低精度8-bit计算降低功耗和内存需求。考虑的深度学习通常不需要32位或16位浮点计算精度，TPU采用8-bit整数计算，大大降低功耗和硬件尺寸，同时内存带宽需求也随之减小;

3)大规模片上内存提升能效比。TPU在芯片上使用高达24MB的局部内存，占芯片面积29%，而片外内存访问正是GPU能效比低的主要原因，通过提升片上内存TPU能效比得到了提升。

目前Google还没有推进TPU产业化，使用模式是基于自身开发的深度学习框架TensorFlow结合搭载TPU的Google云服务推出TensorFlowCloud，通过TensorFlow+TPU云加速的模式为开发者提供服务。

目前人工智能类ASIC的发展尚处于初期，原因在于芯片的研发设计与制造成本较高，在应用场景尚不清晰的情况下企业一般不敢贸然尝试。此外，能设计出适用于人工智能ASIC的公司必须同时具备较强的人工智能算法和芯片研发能力，具有较高门槛。

端侧AI芯片:SoC+IP模式有望成为端侧主流

我们此前进行过介绍，未来在相当一部分人工智能应用场景中，要求终端设备本身需要具备足够的推断计算能力，而终端市场对芯片的功耗、面积、成本都有极为苛刻的要求。目前端侧人工智能芯片主要有独立ASIC和“SoC+IP”两种模式:

独立ASIC:顾名思义，即研发设计、生产一款单独ASIC芯片用于深度神经网络加速，目前movidius的myriad系列芯片就是这种模式。其缺点在于开发周期长、投入成本大，一般公司难以承担;

“SoC+IP”模式:这一模式将深度神经网络加速做成IP，作为一个模块加入SoC。深度学习加速IP可以由专门公司开发、SoC厂购买，也可以由SoC厂自主开发。本质上与此前将ISP、DSP、GPU等模块加入SoC的历史类似，在成本、开发周期上具有极大优势，缺点则是功能拓展性有限。

我们认为“SoC+IP”模式有望成为主流。当深度神经网络加速功能做成IP时，它就成为SoC的一个模块，当SoC需要做深度学习相关运算时就交给该模块去做。因此对于深度学习加速领域的企业，能够更为灵活、更小投入地对深度学习加速产品进行开发和升级。近期发布的高通骁龙835与海思麒麟970均采用了这一模式。

目前，做深度学习加速IP的公司有Ceva、Cadence等等。这些公司的设计大多是基于已有的DSP架构，设计比较保守。也有如Kneron的初创公司试图用全新的加速器架构设计来满足应用的需求。

类脑芯片

类脑芯片的典型代表是IBM研发的TrueNorth。它由54亿个晶体管组成，分成4096个“神经突触内核(neurosynapticcores)”的结构;每一个“神经突触内核”结构都能使用crossbar(交叉)通讯模式来存储、处理并向其它结构传输数据，这些计算内核产生的效果相当于100万个神经元和2.56亿个突触。TrueNorth芯片只要几厘米的方寸，功耗只有65毫瓦。

人工智能应用快速落地，AI芯片市场前景可期

随着人工智能再安防、物流、无人驾驶、医疗、教育等应用领域快速落地，AI芯片需求迎来快速增长。根据Gartner预测，2018年全球和人工智能有关的商业价值总计或达到1.2兆美元，较2017年增加70%。到2022年，人工智能相关商业价值预估将达3.9兆美元。根据前瞻产业研究院统计，2016年人工智能芯片市场规模达到6亿美元，预计到2021年将达到52亿美元，年复合增长率达到53%，增长迅猛，市场前景可期。

AI芯片也将拉动整个芯片市场规模。以安防芯片为例，据前瞻产业研究院统计，预计国内2018年摄像机产量约2亿台，每台摄像机配置一颗图像处理芯片，参考IPC芯片15元/颗价格，整个芯片市场规模约30亿元。加入AI加速器的AI芯片单片价格预计实现翻倍以上增长，AI芯片对芯片市场规模拉动作用明显。

中国有望成为全球最大半导体设备市场，同时刻蚀、沉积、清洗、检测设备均实现国产突破。相较于全球半导体市场的逐季下滑，中国大陆半导体设备市场呈现出蓬勃发展的态势，前三季度销售额逐季提升，销售规模分别达26、38、40亿美元，对应同比增速为31%、51%、106%。SEMI数据显示，2019年我国半导体设备市场增速有望维持在50%左右，对应全年销售额有望超170亿美元。

半导体产业东迁带动中国设备市场高速成长

全球半导体设备市场增速放缓。日本半导体制造装置协会数据显示，2017年全球半导体设备销售额达566亿美元，同比增长37%。但2018年以来，全球半导体设备市场销售额逐季下滑，前三季度销售额合计为495亿美元，智研咨询预计全年销售额为601亿美元，对应同比增速仅为6%。

大陆晶圆厂建厂潮带动设备需求持续增长。根据前瞻产业研究院，目前我国晶圆厂在建产能涉及12家公司、15个项目，投资额合计4399.9亿元，在建产能超过81万/月。预计2018年将贡献约50万片/月产能。同时，根据SEMI预测，2017至2020年，中国大陆将建成投产26座晶圆厂，占全球综述的42%。大量晶圆厂的扩建、投产，将带动对上游半导体设备的需求提升，更有望为国产化设备打开发展空间。

全面完整布局，多项设备均实现国产突破

半导体设备市场集中度较高，且多为海外龙头占据主要份额。目前，我国半导体设备市场仍非常依赖进口，从市场格局来看，细分市场均有较高集中度，主要参与厂商一般不超过5家，top3份额往往高于90%，部分设备甚至出现一家独大的情况。

国内厂商在全部环节所需设备领域均有所布局。虽然目前国内半导体设备仍较为依赖进口，但从产业布局角度来看，国内厂商布局极为完善，几乎覆盖半导体生产制造过程中每个环节所需的所有主要设备。拉晶、光刻、沉积、刻蚀、清洗、检测、封装等各个环节均有多家国内厂商布局覆盖。

光刻设备:上海微电子制程已达90纳米。2020年光刻机市场115亿美元，CAGR为9.18%。根据Technavio研究报告预测，2017年光刻机市场为88亿美元，同比增长13%。预计到了2020年，市场将达到115亿美元，CAGR为9.18%。上海微电子作为国内唯一一家能够自主生产光刻机的企业，目前已经卖出第100台国产高端光刻机，制程达到90nm。公司光刻机在先进封装、LED领域的国内市场占有率已经超过国外公司。随着核心技术的不断突破，以及国内高端制造的兴起，预计未来上海微电子空间巨大。

刻蚀设备:中微半导体、北方华创均已实现国产突破。2017年全球刻蚀设备市场规模为42亿美元，2022年市场空间有望达50亿美元，年均复合增长率为3.77%。目前拉姆研究与东京电子占据了刻蚀设备市场的主要份额，二者市占率分别达43%、34%。国产化方面，北方华创、中微半导体已经开发了65nm以下的刻蚀设备，部分技术已经接近甚至优于国际水平，有望充分受益于制程演进带动的刻蚀设备需求提升。

功率半导体:稳步增长的通用型元器件市场

根据Yole统计2017年全球分立器件功率器件市场约为154亿美元，其中MOSFET市场规模为63亿美元，占比41%;IGBT市场为10亿美元，占比7%;整流器市场为33亿美元，占比21%;功率器件模组市场为35亿美元，占比23%。预计2023年全球功率分立器件市场约为188亿美元，年复合增长率CAGR为3.4%。

中国功率半导体市场占世界近40%，空间巨大。2017年全球发电总量达到255512.8亿千瓦时，其中中国发电量为64951.4亿千瓦时，独占全球发电量的四分之一，发电量位居世界第一。巨大的用电量给功率器件发展提供了条件。根据YoleDeveloppement统计，2015年中国功率器件市场销售额占全球总规模的39%。根据中国半导体协会统计2017年，中国功率半导体市场规模为2170亿元，同比增长3.93%。预计2018年中国功率半导体市场规模为2264亿元，同比增长率为4.3%。

短期扰动不改中期强劲需求

需求端:汽车电子东风至，带来机遇。各国纷纷推广新能源汽车，我国有望弯道超车，市场空间巨大。在气候变化与能源制约的背景下，各国都在积极研发自家的新能源汽车。德国2009年发布电动汽车计划，以纯电为重点提出了2020年的产业化和市场化目标，德国车企也纷纷制定了汽车电动化时间表;美国2007年就针对新能源汽车消费者实行个人所得税减免;2006年日本提出了新的国家能源战略，计划到2020年普及以电动汽车为主体的下一代汽车;韩国更是用“世界最高水准的补贴”来激励新能源汽车的推广。

从2001年开始，我国就开始研发电动汽车，并推出一系列国家及地方政府配套政策支持新能源汽车的发展。经过10多年的研发，我国新能源汽车实现了产业化和规模化的飞跃式发展。2011年我国新能源汽车产量仅为8000辆，到了2017年产量已经达到79.4万辆，占全国汽车产量比重的2.7%。2017年工信部推出了《汽车产业中长期发展规划》，预计2020年我国新能源汽车年产量将达到200万辆，2025年新能源汽车销量占总销量的比例达到20%以上。

汽车电子化东风至，功率器件迎来大发展机遇。电动汽车与传统燃料汽车在结构上最大的区别在于动力系统和能源供应系统，电动汽车采用了蓄电池、电动机、控制器等电子、电气相关设备替代了原有的内燃机、油箱、变速器、火花塞、三元催化转化器等，这就使得汽车内半导体设备使用量大幅增加。

根据英飞凌的统计，平均一辆传统燃料汽车使用的半导体器件价值为355美元，而纯电动汽车/混合动力汽车使用的半导体器件价值为695美元，几乎增加了一倍。其中功率器件增加最为显著，一辆传统燃料汽车使用动力传统系统功率半导体器件为17美元，而一辆纯电动汽车/混合动力汽车上功率半导体器件价值为265美元，增加了近15倍。

汽车电子化使用更多芯片，预计2020年汽车半导体全球市场434亿美元。我们在上面分析了新能源汽车由于使用电能驱动，导致结构相比于传统燃料汽车有了很大的改变，三大结构:电机、电池、电控对半导体的需求大幅提升，尤其是对功率半导体器件。根据Gartner预测，2017年全球汽车半导体市场为377亿美元，预计到了2020年市场将达到434亿美元，年复合增长率CAGR为7.8%。

IGBT市场几乎被国外垄断，国内厂商追赶尚需时日

根据IHS统计2016年全球IGBT前五大厂商几乎占据了全球70%的市场，英飞凌市占率为26.6%，排名第一;三菱电机市占率为17.0%，排名第二，富士电机市占率为12.2%。同样英飞凌、三菱电机、富士电机、塞米控四家巨头占据了国内IGBT市场近70%的市场。在IGBT制造中，正面和标准的BCD的LDMOS工艺相同，只是背部需要减薄到6~8mil，极其容易碎片，当前只有三菱、英飞凌等掌握这种工艺，国内技术差距较大。

IGBT未来增量主要在新能源汽车。根据Yole的预测，到了2020年全球IGBT市场将达到62亿美元，其主要得益于巨大的汽车市场，尤其是在电动汽车(EV)和混合动力汽车(EHV)电力传动部分应用。新能源汽车是一个潜力非常大的市场，2015年全球IGBT在新能源汽车市场为10亿美元，预计到了2022年将到达29亿美元，占总的市场份额接近50%。

化合物半导体:性能优良、应用广，产业新机遇

半导体材料可分为单质半导体及化合物半导体两类，前者如硅(Si)、锗(Ge)等所形成的半导体，后者为砷化镓(GaAs)、氮化镓(GaN)、碳化硅(SiC)等化合物形成。半导体在过去主要经历了三代变化，。砷化镓(GaAs)、氮化镓(GaN)和碳化硅(SiC)半导体分别作为第二代和第三代半导体的代表，相比第一代半导体高频性能、高温性能优异很多，制造成本更为高昂，可谓是半导体中的新贵。

三大化合物半导体材料中，GaAs占大头，主要用于通讯领域，全球市场容量接近百亿美元，主要受益通信射频芯片尤其是PA升级驱动;GaN大功率、高频性能更出色，主要应用于军事领域，目前市场容量不到10亿美元，随着成本下降有望迎来广泛应用;SiC主要作为高功率半导体材料应用于汽车以及工业电力电子，在大功率转换应用中具有巨大的优势。

砷化镓(GaAs):无线通信核心材料，受益5G大趋势

相较于第一代硅半导体，砷化镓具有高频、抗辐射、耐高温的特性，因此广泛应用在主流的商用无线通信、光通讯以及国防军工用途上。无线通信的普及与硅在高频特性上的限制共同催生砷化镓材料脱颖而出，在无线通讯领域得到大规模应用。

基带和射频模块是完成3/4/5G蜂窝通讯功能的核心部件。射频模块一般由收发器和前端模组(PA、Switch、Filter)组成。其中砷化镓目前已经成为PA和Switch的主流材料。

4G/5G频段持续提升，驱动PA用量增长。由于单颗PA芯片仅能处理固定频段的信号，所以蜂窝通讯频段的增加会显著提升智能手机单机PA消耗量。随着4G通讯的普及，移动通讯的频段由2010年的6个急速扩张到43个，5G时代更有有望提升至60以上。目前主流4G通信采用5频13模，平均使用7颗PA，4个射频开关器。

目前砷化镓龙头企业仍以IDM模式为主，包括美国Skyworks、Qorvo、Broadcom/Avago、Cree、德国Infineon等。同时我们也注意到产业发展模式开始逐渐由IDM模式转为设计+代工生产，典型事件为代工比例持续提升、avago去年将科罗拉多厂出售给稳懋等。我们认为GaAs衬底和器件技术不断成熟和标准化，产品多样化、器件设计的价值显著，设计+制造的分工模式开始增加。

从YoleDevelopment等第三方研究机构估算来看，2017年全球用于PA的GaAs器件市场规模达到80-90亿美元，大部分的市场份额集中于Skyworks、Qorvo、Avago三大巨头。预计随着通信升级未来两年有望正式超过100亿美元。

同时应用市场决定无需60nm线宽以下先进制程工艺，不追求最先进制程工艺是另外一个特点。化合物半导体面向射频、高电压大功率、光电子等领域，无需先进工艺。GaAs和GaN器件以0.13、0.18μm以上工艺为主。Qorvo正在进行90nm工艺研发。此外由于受GaAs和SiC衬底尺寸限制，目前生产线基本全为4英寸和6英寸。以Qorvo为例，我们统计下来氮化镓制程基本线宽在0.25-0.50um，生产线以4英寸为主。

氮化镓碳化硅:高压高频应用前景广阔

氮化镓(GaN)和碳化硅(SiC)并称为第三代半导体材料的双雄，由于性能不同，二者的应用领域也不相同。由于氮化镓具有禁带宽度大、击穿电场高、饱和电子速率大、热导率高、化学性质稳定和抗辐射能力强等优点，成为高温、高频、大功率微波器件的首选材料之一。

目前氮化镓器件有三分之二应用于军工电子，如军事通讯、电子干扰、雷达等领域;在民用领域，氮化镓主要被应用于通讯基站、功率器件等领域。氮化镓基站PA的功放效率较其他材料更高，因而能节省大量电能，且其可以几乎覆盖无线通讯的所有频段，功率密度大，能够减少基站体积和质量。

SiC主要用于大功率高频功率器件。以SiC为材料的二极管、MOSFET、IGBT等器件未来有望在汽车电子领域取代Si。目前SiC半导体仍处于发展初期，晶圆生长过程中易出现材料的基面位错，以致SiC器件可靠性下降。另一方面，晶圆生长难度导致SiC材料价格昂贵，预计想要大规模得到应用仍需一段时期的技术改进。

DieSize和成本是碳化硅技术产业化的核心变量。我们比较目前市场主流1200V硅基IGBT及碳化硅基MOSFET，可以发现SiC基MOSFET产品较Si基产品能够大幅减少DieSize，且表现性能更好。但是目前最大阻碍仍在于WaferCost，根据yoledevelopment测算，单片成本SiC比Si基产品高出7-8倍。

研究机构IHS预测到2025年SiC功率半导体的市场规模有望达到30亿美元。在未来的10年内，SiC器件将开始大范围地应用于工业及电动汽车领域。纵观全球SiC主要市场，电力电子占据了2016-2017年最大的市场份额。该市场增长的主要驱动因素是由于电源供应和逆变器应用越来越多地使用SiC器件。

SiC近期产业化进度加速，上游产业链开始扩大规模和锁定货源。我们根据整理CREE公告，可以发现近期碳化硅产业化进度开始加速，ST、英飞凌等中游厂商开始锁定上游晶圆货源:

➢2019年1月公告:CREE与ST签署一项为期多年的2.5亿美元规模的生产供应协议，Wolfspeed将会向ST供应150mmSiC晶圆;

➢2018年10月公告:CREE宣布了一项价值8,500万美元的长期协议，将为一家未公布名称的“领先电力设备公司”生产和供应SiC晶圆;

➢2018年2月公告:Cree与英飞凌签订了1亿美元的长期供应协议，为其光伏逆变器、机器人、充电基础设施、工业电源、牵引和变速驱动器等产品提供SiC晶圆。

重点公司：略。具体内容请登陆，搜索下载。